TW201939370A - 故障機率評估系統及方法 - Google Patents
故障機率評估系統及方法 Download PDFInfo
- Publication number
- TW201939370A TW201939370A TW108107374A TW108107374A TW201939370A TW 201939370 A TW201939370 A TW 201939370A TW 108107374 A TW108107374 A TW 108107374A TW 108107374 A TW108107374 A TW 108107374A TW 201939370 A TW201939370 A TW 201939370A
- Authority
- TW
- Taiwan
- Prior art keywords
- failure
- failure probability
- density function
- probability
- data
- Prior art date
Links
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2477—Temporal data queries
-
- 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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Marketing (AREA)
- Fuzzy Systems (AREA)
- Databases & Information Systems (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
Abstract
[課題] 更高精度地預測構成機械系統的零件的剩餘壽命。
[解決手段] 本發明之故障機率評估系統係將由複數機械系統所成之機械系統群作為對象，評估構成各機械系統的零件的故障的故障機率評估系統，其特徵為：具備有：蓄積關於機械系統的過去的故障履歷資料的故障履歷資料庫；儲存表示機械系統的運作狀態的時間序列物理量資料的時間序列運作資料庫；藉由根據故障履歷資料的統計處理，算出機械系統的故障率函數的故障率函數辨識部；及具有使用時間序列物理量資料，生成藉由故障率函數所定義的壽命不均成為最小的故障率函數的說明變數式的功能的損壞模型生成更新部，故障率函數辨識部係供予壽命不均成為最小的故障率函數。
[解決手段] 本發明之故障機率評估系統係將由複數機械系統所成之機械系統群作為對象，評估構成各機械系統的零件的故障的故障機率評估系統，其特徵為：具備有：蓄積關於機械系統的過去的故障履歷資料的故障履歷資料庫；儲存表示機械系統的運作狀態的時間序列物理量資料的時間序列運作資料庫；藉由根據故障履歷資料的統計處理，算出機械系統的故障率函數的故障率函數辨識部；及具有使用時間序列物理量資料，生成藉由故障率函數所定義的壽命不均成為最小的故障率函數的說明變數式的功能的損壞模型生成更新部，故障率函數辨識部係供予壽命不均成為最小的故障率函數。
Description
本發明係關於將由複數機械系統所成之機械系統群作為對象之評估構成各機械系統的零件的故障機率的系統及方法。
在發電機器或輸送機器等機械系統中，為使系統可正常發揮預定功能，適當掌握/管理各零件的壽命，在適當時序實施各零件的修理或替換等維護，乃極為重要。尤其，若管理/運用複數同型機，若在統計上分析過去已發生的故障記錄，可預測將來會發生的故障事態的次數。在此，故障記錄係表示故障事態的內容與發生時刻成對被記錄的資料。
以用以與建構評估故障機率的系統相關連，藉由統計上的分析，算出表示平均單位時間的故障次數的故障率、或藉由將其積分而得的故障機率的技術而言，已知例如非專利文獻1。
此外，藉由專利文獻1，已知若為例如軸承等旋轉系機械要素，根據旋轉數或荷重，可表現使軸承至故障的累積負荷量。
[先前技術文獻]
[專利文獻]
[專利文獻1] WO2017/203868號
[非專利文獻]
[非專利文獻1] 福井泰好著「入門 可靠性工學」、森北出版股份有限公司、2006年
以用以與建構評估故障機率的系統相關連，藉由統計上的分析，算出表示平均單位時間的故障次數的故障率、或藉由將其積分而得的故障機率的技術而言，已知例如非專利文獻1。
此外，藉由專利文獻1，已知若為例如軸承等旋轉系機械要素，根據旋轉數或荷重，可表現使軸承至故障的累積負荷量。
[先前技術文獻]
[專利文獻]
[專利文獻1] WO2017/203868號
[非專利文獻]
[非專利文獻1] 福井泰好著「入門 可靠性工學」、森北出版股份有限公司、2006年
(發明所欲解決之課題)
非專利文獻1係以機械系統的運作狀況幾乎相同為前提，但是大部分的機械系統的運作狀況並非為一定。例如，風力發電機的運作狀況係依風況而時時刻刻改變，負荷亦依其選址條件而異。此外，建設機械等係依日日不同的作業項目或運轉者的運轉特性，對機器的負荷會改變。因此，在單純的平均時間的故障率或故障機率的評估中，自該處所得的故障次數或剩餘壽命的推定精度有其界限。
幸而，近年來各種感測器被安裝在機械系統，透過網路而在來自該等感測器的計測資料進行存取，變得較為容易。因此，由如上所示之計測資料，評估依每個個體而異的運作狀況，若適當考慮該情形，可進行更高精度的故障次數或剩餘壽命的推定。
此外，藉由專利文獻1，若由至發生了故障事態的時點為止的感測器資料，計算累積負荷量，根據依每個個體而異的軸承的累積負荷量，可進行更高精度的故障次數或剩餘壽命的預測。
如上所示，建構評估故障機率的系統時，不僅故障記錄，藉由併用感測器資料，可進行更高精度的故障次數或剩餘壽命的推定。
但是，機械系統係由各種種類的零件所構成。因此，關於全部零件，根據物理法則，清楚得知其故障機制，且定義使零件至故障的負載因素，並非易事。
因此，等待一種在故障次數或剩餘壽命的推定活用感測器資料，而且可自動探索適當的負載因素的技術出現。
(解決課題之手段)
為解決上述課題，在本發明中係形成為「一種故障機率評估系統，其係將由複數機械系統所成之機械系統群作為對象，評估構成各機械系統的零件的故障的故障機率評估系統，其特徵為：具備有：蓄積關於機械系統的過去的故障履歷資料的故障履歷資料庫；儲存表示機械系統的運作狀態的時間序列物理量資料的時間序列運作資料庫；藉由根據故障履歷資料的統計處理，算出機械系統的故障率函數的故障率函數辨識部；具有使用時間序列物理量資料，生成藉由故障率函數所定義的壽命不均成為最小的故障率函數的說明變數式的功能的損壞模型生成更新部，故障率函數辨識部係供予壽命不均成為最小的故障率函數」者。
此外，本發明係形成為「一種故障機率評估方法，其係將由複數機械系統所成之機械系統群作為對象，評估構成各機械系統的零件的故障的故障機率評估方法，其特徵為：藉由根據關於機械系統的過去的故障履歷資料的統計處理，算出機械系統的故障率函數，且使用表示機械系統的運作狀態的時間序列物理量資料，生成藉由故障率函數所定義之壽命不均成為最小的故障率函數的說明變數式，而得壽命不均成為最小的故障率函數」者。
(發明之效果)
本發明係與周知技術同樣地，進行根據故障資料的故障率函數的辨識，但是藉由具備考慮到時間序列運作資料的損壞模型的自動生成功能，可進行更高精度的故障次數或壽命的推定。
非專利文獻1係以機械系統的運作狀況幾乎相同為前提，但是大部分的機械系統的運作狀況並非為一定。例如，風力發電機的運作狀況係依風況而時時刻刻改變，負荷亦依其選址條件而異。此外，建設機械等係依日日不同的作業項目或運轉者的運轉特性，對機器的負荷會改變。因此，在單純的平均時間的故障率或故障機率的評估中，自該處所得的故障次數或剩餘壽命的推定精度有其界限。
幸而，近年來各種感測器被安裝在機械系統，透過網路而在來自該等感測器的計測資料進行存取，變得較為容易。因此，由如上所示之計測資料，評估依每個個體而異的運作狀況，若適當考慮該情形，可進行更高精度的故障次數或剩餘壽命的推定。
此外，藉由專利文獻1，若由至發生了故障事態的時點為止的感測器資料，計算累積負荷量，根據依每個個體而異的軸承的累積負荷量，可進行更高精度的故障次數或剩餘壽命的預測。
如上所示，建構評估故障機率的系統時，不僅故障記錄，藉由併用感測器資料，可進行更高精度的故障次數或剩餘壽命的推定。
但是，機械系統係由各種種類的零件所構成。因此，關於全部零件，根據物理法則，清楚得知其故障機制，且定義使零件至故障的負載因素，並非易事。
因此，等待一種在故障次數或剩餘壽命的推定活用感測器資料，而且可自動探索適當的負載因素的技術出現。
(解決課題之手段)
為解決上述課題，在本發明中係形成為「一種故障機率評估系統，其係將由複數機械系統所成之機械系統群作為對象，評估構成各機械系統的零件的故障的故障機率評估系統，其特徵為：具備有：蓄積關於機械系統的過去的故障履歷資料的故障履歷資料庫；儲存表示機械系統的運作狀態的時間序列物理量資料的時間序列運作資料庫；藉由根據故障履歷資料的統計處理，算出機械系統的故障率函數的故障率函數辨識部；具有使用時間序列物理量資料，生成藉由故障率函數所定義的壽命不均成為最小的故障率函數的說明變數式的功能的損壞模型生成更新部，故障率函數辨識部係供予壽命不均成為最小的故障率函數」者。
此外，本發明係形成為「一種故障機率評估方法，其係將由複數機械系統所成之機械系統群作為對象，評估構成各機械系統的零件的故障的故障機率評估方法，其特徵為：藉由根據關於機械系統的過去的故障履歷資料的統計處理，算出機械系統的故障率函數，且使用表示機械系統的運作狀態的時間序列物理量資料，生成藉由故障率函數所定義之壽命不均成為最小的故障率函數的說明變數式，而得壽命不均成為最小的故障率函數」者。
(發明之效果)
本發明係與周知技術同樣地，進行根據故障資料的故障率函數的辨識，但是藉由具備考慮到時間序列運作資料的損壞模型的自動生成功能，可進行更高精度的故障次數或壽命的推定。
以下使用圖示，說明本發明之實施例。
其中，以下以將風力發電機的構成零件作為對象的故障機率評估系統及方法為例，說明本發明之實施例。在此係將複數風力發電機作為對象，但是並非為限定其設置場所者，各風力發電機亦可為設置在不同的風力發電廠(wind farm)者。
[實施例1]
圖1係例示將複數風力發電機作為對象所構成的故障機率評估系統。
圖1的故障機率評估系統100係藉由計算機所構成，藉由複數資料庫DB(DB1、DB2)、運算部101、及顯示部16所構成。其中，在故障機率評估系統100係被供予來自複數風力發電機1的資料、或承辦維護的作業承辦人員M所輸入的資料，故障機率評估系統100的輸出係藉由顯示部16而被提供至外部。此外，故障機率評估系統100的輸出係可被供予至複數風力發電機的運用計畫系統18、或零件庫存管理系統來進行活用。
複數資料庫DB之中，首先在故障事件資料DB1係蓄積風力發電機1的故障事件。
在此，故障事件係指與「故障」、「異常」、「零件替換」等故障相關連的事態。若在成為對象的風力發電機1配備有自動檢測故障事件的系統時，亦可形成為將故障事件自動檢測系統與故障事件資料庫DB1透過網路而相連接，且自動蓄積資料的方式。或者，亦可形成為承辦維護的作業承辦人員M判斷故障事態，且登錄其內容的方式。藉由本構成，複數風力發電機1中過去已發生的故障事態被蓄積在故障事件資料庫DB1。
圖2係顯示故障事件資料庫DB1的構成事例的圖。被蓄積在故障事件資料庫DB1的故障事件資料D1係如圖2之例示，為已發生故障的個體的資料D11(圖2中係以風力發電機所屬的場所的名稱及其號機號碼來定義)、及故障的發生時刻資料D12。其中，故障事件資料D1亦可為另外包含：故障內容D13(圖2中係以故障的發生零件名、部位及其發生事態來定義)者。
複數資料庫DB之中，在時間序列運作資料庫DB2係蓄積時間序列運作資料D2。
在大型風力發電機1，通常設有收集風速或風向等風況資料、或發電量或轉子旋轉數等運轉資料的資料收集系統。在本發明中，係形成為將該等各資料作為時間序列運作資料D2，透過網路等通訊手段，蓄積在時間序列運作資料庫DB2的方式。此時，各資料的收集間隔並未特別限定，在本發明中係進行在相對較為長期的故障次數或剩餘壽命的推定，因此理想上為1日間隔左右。
其中，相較於以任意間隔被取樣到的計測值，時間序列運作資料D2係以使用收集間隔內的最大值、最小值、平均值、標準偏差等統計值為宜。藉此，可一邊大幅削減資料量，一邊最大限度活用資訊。此外，亦可形成為不僅單純的平均值等統計值，作為根據線累積損傷律的疲勞損傷分析結果，將疲勞損傷度儲存為時間序列資料的方式。在此，疲勞損傷度係藉由對計測波形施行雨流計數處理等而得的統計量。例如若在對象安裝用以取得應變感測器或荷重計等的荷重資訊的感測器，而且明顯得知因疲勞損傷蓄積而發生故障時，採用疲勞損傷度作為時間序列運作資料之一，乃特別有效。
如上所示，在風力發電機1側的資料收集系統、或故障機率評估系統100側的時間序列運作資料庫DB2，以具備對計測值進行統計處理或疲勞損傷度分析處理等前處理的功能為宜。此外，被蓄積在時間序列運作資料庫DB2的資訊並非限定於由風力發電機1自身所得的資訊。例如，在設在風力發電機1的近鄰的氣象觀測設備所被計測到的氣象資料等亦在評估風力發電機1的運作狀態上，極為有用。
蓄積在資料庫DB1、DB2的故障事件資料D1、時間序列運作資料D2係在運算部101中被處理，且最終取得故障機率F。
導出故障機率F的運算部101係將損壞模型生成/更新部7、故障率函數辨識部8、運作狀況預測部12、故障機率辨識部14作為主要要素而構成。
關於運算部101，首先，說明故障率函數辨識部8。在此為簡便進行說明，說明未使用時間序列運作資料D2而僅使用故障事件資料D1的故障率函數的辨識。亦即，在圖1中，假想時間序列運作資料D2未被輸入至損壞模型生成/更新部7的條件。
若為該假想事例，首先，將被儲存在故障事件資料庫DB1的故障事件資料D1，在損壞模型生成/更新部7中整形為分析用的生存解析用資料D3，且提供給故障率函數辨識部8。在此，生存解析用資料D3係包含：故障時間的資料D31、及生存時間的資料D32的資料。
圖3係顯示故障時間的資料D31的事例，在此故障時間意指至故障發生為止的運作時間。至故障發生為止的運作時間D31係由故障事件資料D1所求出。故障事件資料D1係圖2所示之故障事態(發生了故障的個體的資料D11)與發生時刻D12成對的資料。在之後的故障率函數的辨識中成為必要的是至故障發生為止的運作時間(以下僅稱為故障時間)。其中，故障時間係從前次故障事態發生之後的時間(故障事態間的時間)、或從系統開始運作，至發生本次故障事態為止的時間，為包含雙方的時間者。
在圖2的故障事件資料D1係記錄有發生了前次故障事態的時刻D12，因此可由前次與本次的發生時刻的差分，算出故障時間。此外，若本次故障事態為初次故障事態，可由系統運作開始時刻與本次故障發生時刻的差分來算出故障時間。在損壞模型生成/更新部7進行故障時間算出處理，將資料整形為如圖3所示之總計故障資料D31所示之形式。圖3係顯示所算出的故障時間之一例的圖，由例如200台風力發電機1的資料，求出故障時間D31者。
圖4係顯示生存時間的資料D32的事例，在此，故障時間係指至現在為止的連續運作時間。在損壞模型生成/更新部7中，與總計故障資料D31的生成同時地，將從現在時點至前次故障事態發生為止的時間、或至系統運作開始時刻為止的時間，整形為已進行總計之圖4所示之總計生存資料D32。
當在損壞模型生成/更新部7中生成生存解析用資料D3時，形成為包含故障時間的資料D31及生存時間的資料D32的資料的理由係如以下所示。
故障率函數辨識部8中，為了辨識更為形式化的故障率函數，不僅故障事態(圖3的故障時間的資料D31)，在繼續運作一定時間之後，亦必須反映零件處於健全狀態的事實(圖4的生存時間的資料D32)。
通常即使一度發生故障事態，亦藉由零件替換或修理，使健全的狀態盡力在短期間內回復，而使系統再運作。因此，若考慮在某時刻進行故障率函數辨識，在該時刻，大部分的個體的對象零件係從發生前次故障事態、或從系統開始運作，至現在時點為止繼續運作。為反映該事實，最終在損壞模型生成/更新部7中，在總計故障資料D31賦予故障旗標22，且在總計生存資料D32賦予生存旗標23之後，將該等統合而生成生存解析用資料D3。
圖5係顯示損壞模型生成/更新部7所供予的生存解析用資料D3之一例。藉此，可知生存解析用資料D3係藉由已賦予故障旗標22的故障時間的資料D31、及已賦予生存旗標23的生存時間的資料D32所構成。
在圖1的故障率函數辨識部8中，係對該生存解析用資料D3，根據統計學上的手法，藉由適用某機率分布函數，進行故障率函數的辨識。其中，在此，為簡便說明，假設為未考慮時間序列運作資料D2，因此使對象至故障的損壞係假定單純僅以累積運作時間表示。
在運作時間，由如上所示之生存解析用資料D3般之包含故障資料D31與生存資料D32(設限資料)的資料，辨識故障率函數的手法係被稱為生存解析，其具體手法已知有幾種。在本發明中，在後述之損壞模型更新處理中，由於將故障率函數11的不均V作為目的函數，因此雖然在故障率函數11必須要有連續性，但是並非為限定詳細手法者。但是，在實用上，由計算成本的觀點來看，以採用最大概度推定法(MLE)為宜。最大概度推定法MLE係在故障率函數p(t)假定任意的機率密度函數，在有母數統計(parametric)以最適化計算求出機率密度函數的母數的手法。
具體而言，關於假定的故障率函數11與生存解析用資料D3，以將在(1)式中所被定義的對數概度和L最大化的方式，探索故障率函數的母數。
其中，在(1)式中，i、j分別為故障資料D31及生存資料D32的號碼，p(x)為故障率函數。亦即，分別(1)式的右邊第一項係表示關於故障資料D31的概度，第二項係表示關於生存資料D32的概度。
在本發明中，關於在最大概度推定法MLE中所採用的最適化演算法，並未特別限定，但是所處理的目的函數係可微分，變數(母數)的數量亦至多2個或3個左右，因此若採用擬牛頓法等利用目的函數之微分的演算法，可以相對較少的計算成本取得最適解。尤其在本發明中，係由後述之損壞模型生成/更新部7，反覆叫出故障率函數辨識部8，來進行損壞模型的更新。亦即，最大概度推定法MLE本身包含在最適化問題的目的函數計算，因此最大概度推定法MLE的高速化極為重要。
此外，在機率密度函數係列舉例如：韋伯分布或伽瑪分布、對數常態分布等。本發明並非為限定於任何機率密度函數者，亦可根據使用者的經驗來選定函數。或者，亦可形成為假定複數種類的機率密度函數，針對各個進行最大概度推定法MLE，採用概度為最大而適用佳的機率密度函數的方式。藉由最大概度推定法MLE，定義對生存解析資料10最為適用佳的機率密度函數(故障率函數11)，但是故障率函數11在此係被定義為平均單位時間(單位損壞)的故障次數，因此藉由將其進行時間積分而得故障機率函數21。以該時間為變數之藉由最大概度推定法MLE所為之故障率函數及故障機率函數的辨識方法為周知。
圖6係顯示故障率f(故障率函數11)、與故障機率F(故障機率函數21)的關係的圖。在圖6之左顯示故障率f(故障率函數11)，右顯示故障機率F(故障機率函數21)。在故障率函數辨識部8所求出的故障率函數11係在橫軸表示時間，縱軸表示故障率f，例如作常態分布。藉由該圖，成為預定機率f的時刻係存在於時刻t1與t2，該期間為故障率函數11的不均V。故障機率F(故障機率函數21)係在橫軸表示時間，縱軸表示故障機率F，將故障率f(故障率函數11)進行時間積分者，最終，故障機率函數21係達至1.0之0至1.0的範圍的值。
在圖6中，不均V大係意指在故障發生預測時間有幅度，為了將預測時間幅度極小化而在短時間幅度內推定下次故障發生日期時間，必須減小不均V。在圖6中，若取得不均V小的虛線的故障率函數11A，即取得急劇上升的故障機率函數21A。
在本發明中，係欲實現不均V小的虛線的故障率函數11A，且取得急劇上升的故障機率函數21A。以下詳細說明供實現其所用的手法。
最初說明損壞模型生成/更新部7中的損壞模型D(x)的更新。藉由上述故障率函數辨識，獲得故障率函數11，因此若根據所被辨識出的機率密度函數的定義，故障率函數11的不均V係可輕易定義。在損壞模型生成/更新部7中，係自動探索考慮到故障率函數11的不均V成為最小的時間序列運作資料D2的損壞模型，且將其反映在生存解析用資料D3。
亦即，使目的函數回歸到以不均V、變數作為損壞模型的最適化問題。在此，在形成為目的函數的不均V，具體而言，以使用將故障率函數11的標準偏差除以平均值所得的變動係數為宜。在使用標準偏差或分散的不均的定義中，關於不同的變數(損壞模型)，無法進行統一性的不均的評估之故。接著，累積損壞模型係指將使對象至故障的累積損壞表示為時間序列運作資料D2的函數的模型，以(2)式表示。
在此，d(x)係平均單位時間的損壞模型，xt 係表示第t個時間序列運作資料集的運作資料向量。本發明作為對象的是初期故障、偶發故障、磨耗故障之中的磨耗故障。因此，由於處理因損壞蓄積而導致故障的現象，因此將d(x)的時間積分定義為累積損壞模型D(x)。
其中，未考慮到上述時間序列運作資料D2的案例係與x=[1]為等效，在已經過任意運作時間步驟Δt的時點的累積損壞係成為D(x)=Δt。在本發明中，關於損壞模型之式的形狀，並未特別限定。例如，如以(3)式所示，損壞係以時間序列運作資料D2的線形結合的形式所表示的方式最為單純，最適化計算亦以相對較少的計算成本即可。
在此，C係表示各時間序列運作資料D2的權重的係數向量。
或者，若故障機制已知一定程度時，亦可採用使用者根據故障機制而僅預先定義式之形狀，且探索其係數的方式。例如，材料劣化的溫度依存性係在經驗上得知可以(4)式所示之阿瑞尼斯方程式表現。
在此，k係表示劣化反應的速度，因此將此進行時間積分後的值係可考慮為與所蓄積的損壞為等效。因此，以對象的劣化要因而言，若熱負荷具支配性，將以(4)式所示的阿瑞尼斯方程式組入於(2)式的損壞模型，藉此可有效地考慮作為時間序列運作資料5所得的溫度資料。
即使為任何方法，此時變數的數量係成為損壞模型中之未定係數的數量本身，因此成為相對較大規模的最適化問題。此外，亦有目的函數成為非凸的情形，因此以使用遺傳演算法或粒子群最適化等萬用啟發式演算法(meta-heuristics)為宜。
相反地，若故障機制完全不明，亦可採用藉由遺傳編程(GP，Genetic Programming)，來自動探索式形狀本身的方式。但是，若採用遺傳編程GP，由於計算負荷變大，關於其採用可否，必須充分檢討可確保的計算資源。
在採用任何方式的情形下，均在損壞模型生成/更新部7反覆進行損壞模型的更新及不均V的評估，且最終進行收斂判定，可定義取得更小的變動係數的故障率函數。在可將不均V最小化的損壞模型更新的過程中，係僅將變動係數設為目的函數。因此，在該過程中，僅使變動係數小優先，亦有對機率密度函數的適用程度(概度)變小的可能性。為回避該情形，亦可針對以MLE所計算的對數概度和，設定一定的值，形成為損壞模型更新中的制約條件，或形成為將變動係數與對數概度和之雙方作為目的函數的多目的最適化問題而解開問題。
關於以上說明的損壞模型生成/更新部7中的損壞模型D(x)，以風車發電機1為例而具體顯示者為(5)式。
該式所示之損壞模型D(x)係對作為複數時間序列運作資料D2所採用的平均溫度、最大風速、平均風速、發電量，乘以表示各時間序列運作資料D2的權重的係數向量c(c1、c2、c3、c4、c5)而進行積分者。其中，採用何者來作為時間序列運作資料D2，係適當事前設定，適用來自風車發電機1的時間序列運作資料D2，而且藉由收斂計算而求出係數向量c(c1、c2、c3、c4、c5)的最適值者。
藉由使用損壞模型(x)的計算，損壞模型生成/更新部7係對故障率函數辨識部8逐次提供新集合的生存解析用資料D3。
圖7係顯示損壞模型生成/更新部7所提供之新集合的生存解析用資料D3的事例的圖。圖5所示之生存解析用資料D3係藉由損壞模型D(x)的更新，形成為已進行新的加權(係數向量c)的修正天數而提供給故障率函數辨識部8。藉由該加權的更新，來自在過於苛刻的運轉狀況下的風力發電機1的生存解析用資料D3係以天數增加的方式作修正，相反地來自在非為過於苛刻的運轉狀況下的風力發電機1的生存解析用資料D3係以天數減少的方式作修正。此係表示圖6所示之不均V變小，意指故障率函數11被修正如11A所示。
其中，執行(5)式的損壞模型D(x)時，表示各時間序列運作資料D2的權重的係數向量c(c1、c2、c3、c4、c5)的初期值係藉由亂數而被適當設定的值。因損壞模型生成/更新部7所給予之亂數所得之初期值的係數向量c(c1、c2、c3、c4、c5)之時的修正天數作為生存解析用資料D3而被提供給故障率函數辨識部8，在故障率函數辨識部8中求出因亂數所致之初期值之時的不均V而再度被供予至損壞模型生成/更新部7。藉由該反覆，最終決定將不均V形成為最小的係數向量c的各值c1、c2、c3、c4、c5。
損壞模型生成/更新部7中的上述處理係可稱為自動生成藉由故障率函數f所被定義的壽命不均成為最小的故障率函數f的說明變數式者。在此，說明變數式係指使用被儲存在時間序列運作資料庫DB2的時間序列運作資料D2的一部分或全部所構成的單項式或多項式，該例顯示於(5)式。此外，說明變數式係可稱為表示圖7的天數與修正天數的關係的數式。
藉由最終決定出係數向量c的各值c1、c2、c3、c4、c5，(5)式的損壞模型D(x)完成，由損壞模型生成/更新部7被提供至運作狀況預測部12。此外，此時在故障率函數辨識部8中，係完成將不均V形成為最小的故障率f(故障率函數11)，且被提供至故障機率計算部14。
接著，說明故障機率計算部14。至此為止所得的故障率函數11係蓄積了任意累積損壞的時點中表示平均單位損壞的故障次數的函數。因此，在故障機率計算部14中，係將此進行積分，計算表示至負荷了任意累積損壞的時點為止發生故障的機率(故障機率F)的故障機率函數21。如在圖6中之說明，機率函數21係成為被辨識出的故障率函數11的累積分布函數，因此成為單調遞增函數。
接著，根據所得的故障機率函數21、及按每個個體在現在時點的累積損壞33，分別計算在現在時點的故障機率Fn及經過任意時間後的故障機率Ft。
具體而言，關於在現在時點的故障機率Fn，係將根據在損壞模型生成/更新部7中被最終採用的損壞模型D(x)所計算出之各個體在現在時點的累積損壞33，代入故障機率函數21，藉此可計算在現在時點的故障機率Fn。
關於經過任意時間後的故障機率Ft，可如以下所示求出。在此，將現在時點設為t0 、任意時間設為Δt，預先在運作狀況預測部12推定至經過任意時間後為止的累積損壞量13。
關於具體的預測方法，在本發明中並非為設置任何限制者，但是至少必須針對各個體，個別進行預測。具體而言，以某些手法取得各個體中至經過任意時間後為止的時間序列運作資料D2的推定值。最單純的手法係設置至現在時點為止所被記錄到的時間序列運作資料D2的值的平均值今後亦繼續的假定的手法，此係與單純外插至現在時點為止的累積損壞量的傾向為等效。
若使用風況或氣溫等具季節依存性的運作資料，以參照按每個季節的傾向或藉由氣象預報機關所為之預報來進行推定為宜。或者，亦可假想若干今後的運作情境，針對其各個，任意生成時間序列運作資料D2。
若將所推定或生成的時間序列運作資料D2的推定值，代入在損壞模型生成/更新部7所被定義的損壞模型D(x)，可計算D(t0 +Δt)，作為將來的累積損壞13。根據此及現在時點的累積損壞X(D(t0 ))，在現在時點正在運作的個體至經過任意時間(Δt)後發生故障的機率P係可按照(6)式，計算為附條件的機率。
在此，F(D)係將藉由故障率函數辨識部8所定義出的累積損壞作為說明變數的故障機率函數。故障機率F係至經過任意時間(Δt)後為止的故障事態發生次數的期待值。若將Δt取較長，該值係變大，但是通常Δt係以假想該機械系統的定期檢查間隔等來進行設定為宜，在如上所示之Δt的設定範圍內，難以想到各個體的故障機率F成為接近1.0的值。但是，可能發生故障機率F在個體全體的合計值超過1.0的情形。該合計值係在作為對象之個體全體的故障事態發生次數的期待值。
因此，使故障機率的合計值反映在例如零件庫存管理系統17，藉此可將替換零件的庫存狀況適當化。
或者，若在風力發電機系統連接有運用計畫系統18，亦可採用使用故障機率F來變更運用計畫的方式。例如，若至將來預定實施的定期檢查為止的故障機率F比假想為更高時，藉由變更為使風力發電機1積極地停止、或抑制輸出的運用計畫，可達成零件的延長壽命。藉由該運用計畫的變更，將來的運作狀況亦改變，必然地，將來的累積損壞亦改變，因此若採用該方式，以使運用計畫19反映在運作狀況預測部12中的將來的累積損壞13的計算為宜。藉由形成為如上所示之構成，使用者係可輕易確認運用計畫的變更與故障機率變化的關係。
以上所述之損壞模型生成/更新部7、故障率函數辨識部8、運作狀況預測部12、及故障機率計算部14係分別被構裝為計算機程式，但是並非為限定構裝在具體計算機的構裝形態者。但是，損壞模型生成/更新部7係必須一邊反覆叫出故障率函數辨識部8，一邊進行計算成本相對較大的計算處理，因此形成為其雙方被構裝在同一計算機的形態，乃較為理想。
最後說明顯示部16之例。具體而言，顯示部16係由構裝有畫面描繪程式的計算機及顯示装置所構成，但是在此所使用的計算機亦可與上述運算部101的各功能(7、8、12、14)為不同者。
在圖8及圖9中顯示適於顯示部16的圖形使用者介面(GUI)之一例。GUI係大致區分為：以風力發電機群為對象的群機檢視(圖8)、及以任意風力發電機1為對象的單機檢視(圖9)。
首先，在圖8的群機檢視中，係具備有顯示出風力發電機1的模式圖的零件選擇部25，使用者由模式圖上選擇任意零件26。此外，若在故障機率推算期間設定部27任意設定計算故障機率的期間，關於該零件26，各機的現在及任意期間後的故障機率F形成為圖表而被顯示在群機故障機率顯示部28。藉此，關於使用者所注目的零件26，可輕易確認在任何個體中，故障風險是否增高。此外，同時在損壞模型生成/更新部7中被生成/更新的損壞模型D(x)之式被顯示在損壞模型顯示部29，因此使用者係可輕易掌握什麼樣的因子形成為零件26的故障要因。此係不僅風力發電廠的保養/運用，對於風力發電機1的設計/開發亦帶來有益的資訊。
接著，在圖9的單機檢視中，若由表示出風力發電機的設置場所的地圖30或風力發電機清單31中選擇任意的風力發電機1，關於成為評估對象的零件，現在及任意期間後的故障機率F被顯示為圖表32。藉此，可期待在對象機之中可輕易確認故障風險高的零件的效果。
群機檢視與單機檢視係除了可藉由頁籤(tab)24的切換來輕易切換之外，可藉由直接點擊(click)或輕擊(tap)操作群機故障機率顯示部28或單機故障機率顯示部32中的圖表的長條(bar)，可輕易往返任意風力發電機的單機檢視與任意零件的群機檢視。
其中，關於構裝GUI的程式的平台，本發明並未作任何限定，惟以構裝為在網路瀏覽器進行動作的網路應用程式，且將此裝載在與前述運算部101的各部(7、8、12、14)為相同的計算機的形態為宜。若可由使用者所使用的計算機終端(使用者終端)透過網路等通訊手段而相連接，使用者終端所求的計算能力或前提軟體係以最小限度即可。若複數使用者同時在本系統進行存取，如上所示之構成尤其有效。
如以上說明所示，本發明之故障機率評估系統係構成為具備有：蓄積關於機械系統的過去的故障履歷資料的故障履歷資料庫；儲存表示機械系統的運作狀態的時間序列物理量資料的時間序列運作資料庫；藉由根據故障履歷資料的統計處理，算出機械系統的故障率函數、或以其積分所表示的累積故障機率函數的故障率函數辨識部；具有自動生成藉由故障率函數所定義的壽命不均成為最小的故障率函數的說明變數式的功能的損壞模型生成更新部。
[實施例2]
以將建設機械的構成零件作為對象的故障機率評估系統為例，說明本發明之實施例。
在此係將複數建設機械作為對象，但是並非為限定其運用場所者，各建設機械亦可為設置在不同場所者。即使為以建設機械為對象的系統，與實施例1中所說明的適合風力發電機的系統，亦沒有較大的差異。
但是，在建設機械中，除了單純的時間序列資料之外，表示已進行了什麼樣的運用的運用資料亦為有用的資訊。運用資料係表示例如在單位時間已進行了幾次預定動作的資料。例如，若為礦山用自卸車，1日之中已進行了酬載(payload)之裝卸的次數等即相當於此。
若對象零件為例如熔接部時，因裝卸動作而作用疲勞荷重，因此將如上所示之動作次數資料作為時間序列運作資料D2加以活用，乃為有效。根據如上所示之次數的資料係除了建設機械之外，亦在反覆預定動作的機械系統中為有效，列舉例如在同一區間反覆行走的鐵道車輛中的運行次數、或家電品的使用次數等。如上所示，本發明係可依時間序列運作資料D2的選擇方式，進行對應各式各樣的機械系統的故障機率評估的系統。
其中，以下以將風力發電機的構成零件作為對象的故障機率評估系統及方法為例，說明本發明之實施例。在此係將複數風力發電機作為對象，但是並非為限定其設置場所者，各風力發電機亦可為設置在不同的風力發電廠(wind farm)者。
[實施例1]
圖1係例示將複數風力發電機作為對象所構成的故障機率評估系統。
圖1的故障機率評估系統100係藉由計算機所構成，藉由複數資料庫DB(DB1、DB2)、運算部101、及顯示部16所構成。其中，在故障機率評估系統100係被供予來自複數風力發電機1的資料、或承辦維護的作業承辦人員M所輸入的資料，故障機率評估系統100的輸出係藉由顯示部16而被提供至外部。此外，故障機率評估系統100的輸出係可被供予至複數風力發電機的運用計畫系統18、或零件庫存管理系統來進行活用。
複數資料庫DB之中，首先在故障事件資料DB1係蓄積風力發電機1的故障事件。
在此，故障事件係指與「故障」、「異常」、「零件替換」等故障相關連的事態。若在成為對象的風力發電機1配備有自動檢測故障事件的系統時，亦可形成為將故障事件自動檢測系統與故障事件資料庫DB1透過網路而相連接，且自動蓄積資料的方式。或者，亦可形成為承辦維護的作業承辦人員M判斷故障事態，且登錄其內容的方式。藉由本構成，複數風力發電機1中過去已發生的故障事態被蓄積在故障事件資料庫DB1。
圖2係顯示故障事件資料庫DB1的構成事例的圖。被蓄積在故障事件資料庫DB1的故障事件資料D1係如圖2之例示，為已發生故障的個體的資料D11(圖2中係以風力發電機所屬的場所的名稱及其號機號碼來定義)、及故障的發生時刻資料D12。其中，故障事件資料D1亦可為另外包含：故障內容D13(圖2中係以故障的發生零件名、部位及其發生事態來定義)者。
複數資料庫DB之中，在時間序列運作資料庫DB2係蓄積時間序列運作資料D2。
在大型風力發電機1，通常設有收集風速或風向等風況資料、或發電量或轉子旋轉數等運轉資料的資料收集系統。在本發明中，係形成為將該等各資料作為時間序列運作資料D2，透過網路等通訊手段，蓄積在時間序列運作資料庫DB2的方式。此時，各資料的收集間隔並未特別限定，在本發明中係進行在相對較為長期的故障次數或剩餘壽命的推定，因此理想上為1日間隔左右。
其中，相較於以任意間隔被取樣到的計測值，時間序列運作資料D2係以使用收集間隔內的最大值、最小值、平均值、標準偏差等統計值為宜。藉此，可一邊大幅削減資料量，一邊最大限度活用資訊。此外，亦可形成為不僅單純的平均值等統計值，作為根據線累積損傷律的疲勞損傷分析結果，將疲勞損傷度儲存為時間序列資料的方式。在此，疲勞損傷度係藉由對計測波形施行雨流計數處理等而得的統計量。例如若在對象安裝用以取得應變感測器或荷重計等的荷重資訊的感測器，而且明顯得知因疲勞損傷蓄積而發生故障時，採用疲勞損傷度作為時間序列運作資料之一，乃特別有效。
如上所示，在風力發電機1側的資料收集系統、或故障機率評估系統100側的時間序列運作資料庫DB2，以具備對計測值進行統計處理或疲勞損傷度分析處理等前處理的功能為宜。此外，被蓄積在時間序列運作資料庫DB2的資訊並非限定於由風力發電機1自身所得的資訊。例如，在設在風力發電機1的近鄰的氣象觀測設備所被計測到的氣象資料等亦在評估風力發電機1的運作狀態上，極為有用。
蓄積在資料庫DB1、DB2的故障事件資料D1、時間序列運作資料D2係在運算部101中被處理，且最終取得故障機率F。
導出故障機率F的運算部101係將損壞模型生成/更新部7、故障率函數辨識部8、運作狀況預測部12、故障機率辨識部14作為主要要素而構成。
關於運算部101，首先，說明故障率函數辨識部8。在此為簡便進行說明，說明未使用時間序列運作資料D2而僅使用故障事件資料D1的故障率函數的辨識。亦即，在圖1中，假想時間序列運作資料D2未被輸入至損壞模型生成/更新部7的條件。
若為該假想事例，首先，將被儲存在故障事件資料庫DB1的故障事件資料D1，在損壞模型生成/更新部7中整形為分析用的生存解析用資料D3，且提供給故障率函數辨識部8。在此，生存解析用資料D3係包含：故障時間的資料D31、及生存時間的資料D32的資料。
圖3係顯示故障時間的資料D31的事例，在此故障時間意指至故障發生為止的運作時間。至故障發生為止的運作時間D31係由故障事件資料D1所求出。故障事件資料D1係圖2所示之故障事態(發生了故障的個體的資料D11)與發生時刻D12成對的資料。在之後的故障率函數的辨識中成為必要的是至故障發生為止的運作時間(以下僅稱為故障時間)。其中，故障時間係從前次故障事態發生之後的時間(故障事態間的時間)、或從系統開始運作，至發生本次故障事態為止的時間，為包含雙方的時間者。
在圖2的故障事件資料D1係記錄有發生了前次故障事態的時刻D12，因此可由前次與本次的發生時刻的差分，算出故障時間。此外，若本次故障事態為初次故障事態，可由系統運作開始時刻與本次故障發生時刻的差分來算出故障時間。在損壞模型生成/更新部7進行故障時間算出處理，將資料整形為如圖3所示之總計故障資料D31所示之形式。圖3係顯示所算出的故障時間之一例的圖，由例如200台風力發電機1的資料，求出故障時間D31者。
圖4係顯示生存時間的資料D32的事例，在此，故障時間係指至現在為止的連續運作時間。在損壞模型生成/更新部7中，與總計故障資料D31的生成同時地，將從現在時點至前次故障事態發生為止的時間、或至系統運作開始時刻為止的時間，整形為已進行總計之圖4所示之總計生存資料D32。
當在損壞模型生成/更新部7中生成生存解析用資料D3時，形成為包含故障時間的資料D31及生存時間的資料D32的資料的理由係如以下所示。
故障率函數辨識部8中，為了辨識更為形式化的故障率函數，不僅故障事態(圖3的故障時間的資料D31)，在繼續運作一定時間之後，亦必須反映零件處於健全狀態的事實(圖4的生存時間的資料D32)。
通常即使一度發生故障事態，亦藉由零件替換或修理，使健全的狀態盡力在短期間內回復，而使系統再運作。因此，若考慮在某時刻進行故障率函數辨識，在該時刻，大部分的個體的對象零件係從發生前次故障事態、或從系統開始運作，至現在時點為止繼續運作。為反映該事實，最終在損壞模型生成/更新部7中，在總計故障資料D31賦予故障旗標22，且在總計生存資料D32賦予生存旗標23之後，將該等統合而生成生存解析用資料D3。
圖5係顯示損壞模型生成/更新部7所供予的生存解析用資料D3之一例。藉此，可知生存解析用資料D3係藉由已賦予故障旗標22的故障時間的資料D31、及已賦予生存旗標23的生存時間的資料D32所構成。
在圖1的故障率函數辨識部8中，係對該生存解析用資料D3，根據統計學上的手法，藉由適用某機率分布函數，進行故障率函數的辨識。其中，在此，為簡便說明，假設為未考慮時間序列運作資料D2，因此使對象至故障的損壞係假定單純僅以累積運作時間表示。
在運作時間，由如上所示之生存解析用資料D3般之包含故障資料D31與生存資料D32(設限資料)的資料，辨識故障率函數的手法係被稱為生存解析，其具體手法已知有幾種。在本發明中，在後述之損壞模型更新處理中，由於將故障率函數11的不均V作為目的函數，因此雖然在故障率函數11必須要有連續性，但是並非為限定詳細手法者。但是，在實用上，由計算成本的觀點來看，以採用最大概度推定法(MLE)為宜。最大概度推定法MLE係在故障率函數p(t)假定任意的機率密度函數，在有母數統計(parametric)以最適化計算求出機率密度函數的母數的手法。
具體而言，關於假定的故障率函數11與生存解析用資料D3，以將在(1)式中所被定義的對數概度和L最大化的方式，探索故障率函數的母數。
其中，在(1)式中，i、j分別為故障資料D31及生存資料D32的號碼，p(x)為故障率函數。亦即，分別(1)式的右邊第一項係表示關於故障資料D31的概度，第二項係表示關於生存資料D32的概度。
在本發明中，關於在最大概度推定法MLE中所採用的最適化演算法，並未特別限定，但是所處理的目的函數係可微分，變數(母數)的數量亦至多2個或3個左右，因此若採用擬牛頓法等利用目的函數之微分的演算法，可以相對較少的計算成本取得最適解。尤其在本發明中，係由後述之損壞模型生成/更新部7，反覆叫出故障率函數辨識部8，來進行損壞模型的更新。亦即，最大概度推定法MLE本身包含在最適化問題的目的函數計算，因此最大概度推定法MLE的高速化極為重要。
此外，在機率密度函數係列舉例如：韋伯分布或伽瑪分布、對數常態分布等。本發明並非為限定於任何機率密度函數者，亦可根據使用者的經驗來選定函數。或者，亦可形成為假定複數種類的機率密度函數，針對各個進行最大概度推定法MLE，採用概度為最大而適用佳的機率密度函數的方式。藉由最大概度推定法MLE，定義對生存解析資料10最為適用佳的機率密度函數(故障率函數11)，但是故障率函數11在此係被定義為平均單位時間(單位損壞)的故障次數，因此藉由將其進行時間積分而得故障機率函數21。以該時間為變數之藉由最大概度推定法MLE所為之故障率函數及故障機率函數的辨識方法為周知。
圖6係顯示故障率f(故障率函數11)、與故障機率F(故障機率函數21)的關係的圖。在圖6之左顯示故障率f(故障率函數11)，右顯示故障機率F(故障機率函數21)。在故障率函數辨識部8所求出的故障率函數11係在橫軸表示時間，縱軸表示故障率f，例如作常態分布。藉由該圖，成為預定機率f的時刻係存在於時刻t1與t2，該期間為故障率函數11的不均V。故障機率F(故障機率函數21)係在橫軸表示時間，縱軸表示故障機率F，將故障率f(故障率函數11)進行時間積分者，最終，故障機率函數21係達至1.0之0至1.0的範圍的值。
在圖6中，不均V大係意指在故障發生預測時間有幅度，為了將預測時間幅度極小化而在短時間幅度內推定下次故障發生日期時間，必須減小不均V。在圖6中，若取得不均V小的虛線的故障率函數11A，即取得急劇上升的故障機率函數21A。
在本發明中，係欲實現不均V小的虛線的故障率函數11A，且取得急劇上升的故障機率函數21A。以下詳細說明供實現其所用的手法。
最初說明損壞模型生成/更新部7中的損壞模型D(x)的更新。藉由上述故障率函數辨識，獲得故障率函數11，因此若根據所被辨識出的機率密度函數的定義，故障率函數11的不均V係可輕易定義。在損壞模型生成/更新部7中，係自動探索考慮到故障率函數11的不均V成為最小的時間序列運作資料D2的損壞模型，且將其反映在生存解析用資料D3。
亦即，使目的函數回歸到以不均V、變數作為損壞模型的最適化問題。在此，在形成為目的函數的不均V，具體而言，以使用將故障率函數11的標準偏差除以平均值所得的變動係數為宜。在使用標準偏差或分散的不均的定義中，關於不同的變數(損壞模型)，無法進行統一性的不均的評估之故。接著，累積損壞模型係指將使對象至故障的累積損壞表示為時間序列運作資料D2的函數的模型，以(2)式表示。
在此，d(x)係平均單位時間的損壞模型，xt 係表示第t個時間序列運作資料集的運作資料向量。本發明作為對象的是初期故障、偶發故障、磨耗故障之中的磨耗故障。因此，由於處理因損壞蓄積而導致故障的現象，因此將d(x)的時間積分定義為累積損壞模型D(x)。
其中，未考慮到上述時間序列運作資料D2的案例係與x=[1]為等效，在已經過任意運作時間步驟Δt的時點的累積損壞係成為D(x)=Δt。在本發明中，關於損壞模型之式的形狀，並未特別限定。例如，如以(3)式所示，損壞係以時間序列運作資料D2的線形結合的形式所表示的方式最為單純，最適化計算亦以相對較少的計算成本即可。
在此，C係表示各時間序列運作資料D2的權重的係數向量。
或者，若故障機制已知一定程度時，亦可採用使用者根據故障機制而僅預先定義式之形狀，且探索其係數的方式。例如，材料劣化的溫度依存性係在經驗上得知可以(4)式所示之阿瑞尼斯方程式表現。
在此，k係表示劣化反應的速度，因此將此進行時間積分後的值係可考慮為與所蓄積的損壞為等效。因此，以對象的劣化要因而言，若熱負荷具支配性，將以(4)式所示的阿瑞尼斯方程式組入於(2)式的損壞模型，藉此可有效地考慮作為時間序列運作資料5所得的溫度資料。
即使為任何方法，此時變數的數量係成為損壞模型中之未定係數的數量本身，因此成為相對較大規模的最適化問題。此外，亦有目的函數成為非凸的情形，因此以使用遺傳演算法或粒子群最適化等萬用啟發式演算法(meta-heuristics)為宜。
相反地，若故障機制完全不明，亦可採用藉由遺傳編程(GP，Genetic Programming)，來自動探索式形狀本身的方式。但是，若採用遺傳編程GP，由於計算負荷變大，關於其採用可否，必須充分檢討可確保的計算資源。
在採用任何方式的情形下，均在損壞模型生成/更新部7反覆進行損壞模型的更新及不均V的評估，且最終進行收斂判定，可定義取得更小的變動係數的故障率函數。在可將不均V最小化的損壞模型更新的過程中，係僅將變動係數設為目的函數。因此，在該過程中，僅使變動係數小優先，亦有對機率密度函數的適用程度(概度)變小的可能性。為回避該情形，亦可針對以MLE所計算的對數概度和，設定一定的值，形成為損壞模型更新中的制約條件，或形成為將變動係數與對數概度和之雙方作為目的函數的多目的最適化問題而解開問題。
關於以上說明的損壞模型生成/更新部7中的損壞模型D(x)，以風車發電機1為例而具體顯示者為(5)式。
該式所示之損壞模型D(x)係對作為複數時間序列運作資料D2所採用的平均溫度、最大風速、平均風速、發電量，乘以表示各時間序列運作資料D2的權重的係數向量c(c1、c2、c3、c4、c5)而進行積分者。其中，採用何者來作為時間序列運作資料D2，係適當事前設定，適用來自風車發電機1的時間序列運作資料D2，而且藉由收斂計算而求出係數向量c(c1、c2、c3、c4、c5)的最適值者。
藉由使用損壞模型(x)的計算，損壞模型生成/更新部7係對故障率函數辨識部8逐次提供新集合的生存解析用資料D3。
圖7係顯示損壞模型生成/更新部7所提供之新集合的生存解析用資料D3的事例的圖。圖5所示之生存解析用資料D3係藉由損壞模型D(x)的更新，形成為已進行新的加權(係數向量c)的修正天數而提供給故障率函數辨識部8。藉由該加權的更新，來自在過於苛刻的運轉狀況下的風力發電機1的生存解析用資料D3係以天數增加的方式作修正，相反地來自在非為過於苛刻的運轉狀況下的風力發電機1的生存解析用資料D3係以天數減少的方式作修正。此係表示圖6所示之不均V變小，意指故障率函數11被修正如11A所示。
其中，執行(5)式的損壞模型D(x)時，表示各時間序列運作資料D2的權重的係數向量c(c1、c2、c3、c4、c5)的初期值係藉由亂數而被適當設定的值。因損壞模型生成/更新部7所給予之亂數所得之初期值的係數向量c(c1、c2、c3、c4、c5)之時的修正天數作為生存解析用資料D3而被提供給故障率函數辨識部8，在故障率函數辨識部8中求出因亂數所致之初期值之時的不均V而再度被供予至損壞模型生成/更新部7。藉由該反覆，最終決定將不均V形成為最小的係數向量c的各值c1、c2、c3、c4、c5。
損壞模型生成/更新部7中的上述處理係可稱為自動生成藉由故障率函數f所被定義的壽命不均成為最小的故障率函數f的說明變數式者。在此，說明變數式係指使用被儲存在時間序列運作資料庫DB2的時間序列運作資料D2的一部分或全部所構成的單項式或多項式，該例顯示於(5)式。此外，說明變數式係可稱為表示圖7的天數與修正天數的關係的數式。
藉由最終決定出係數向量c的各值c1、c2、c3、c4、c5，(5)式的損壞模型D(x)完成，由損壞模型生成/更新部7被提供至運作狀況預測部12。此外，此時在故障率函數辨識部8中，係完成將不均V形成為最小的故障率f(故障率函數11)，且被提供至故障機率計算部14。
接著，說明故障機率計算部14。至此為止所得的故障率函數11係蓄積了任意累積損壞的時點中表示平均單位損壞的故障次數的函數。因此，在故障機率計算部14中，係將此進行積分，計算表示至負荷了任意累積損壞的時點為止發生故障的機率(故障機率F)的故障機率函數21。如在圖6中之說明，機率函數21係成為被辨識出的故障率函數11的累積分布函數，因此成為單調遞增函數。
接著，根據所得的故障機率函數21、及按每個個體在現在時點的累積損壞33，分別計算在現在時點的故障機率Fn及經過任意時間後的故障機率Ft。
具體而言，關於在現在時點的故障機率Fn，係將根據在損壞模型生成/更新部7中被最終採用的損壞模型D(x)所計算出之各個體在現在時點的累積損壞33，代入故障機率函數21，藉此可計算在現在時點的故障機率Fn。
關於經過任意時間後的故障機率Ft，可如以下所示求出。在此，將現在時點設為t0 、任意時間設為Δt，預先在運作狀況預測部12推定至經過任意時間後為止的累積損壞量13。
關於具體的預測方法，在本發明中並非為設置任何限制者，但是至少必須針對各個體，個別進行預測。具體而言，以某些手法取得各個體中至經過任意時間後為止的時間序列運作資料D2的推定值。最單純的手法係設置至現在時點為止所被記錄到的時間序列運作資料D2的值的平均值今後亦繼續的假定的手法，此係與單純外插至現在時點為止的累積損壞量的傾向為等效。
若使用風況或氣溫等具季節依存性的運作資料，以參照按每個季節的傾向或藉由氣象預報機關所為之預報來進行推定為宜。或者，亦可假想若干今後的運作情境，針對其各個，任意生成時間序列運作資料D2。
若將所推定或生成的時間序列運作資料D2的推定值，代入在損壞模型生成/更新部7所被定義的損壞模型D(x)，可計算D(t0 +Δt)，作為將來的累積損壞13。根據此及現在時點的累積損壞X(D(t0 ))，在現在時點正在運作的個體至經過任意時間(Δt)後發生故障的機率P係可按照(6)式，計算為附條件的機率。
在此，F(D)係將藉由故障率函數辨識部8所定義出的累積損壞作為說明變數的故障機率函數。故障機率F係至經過任意時間(Δt)後為止的故障事態發生次數的期待值。若將Δt取較長，該值係變大，但是通常Δt係以假想該機械系統的定期檢查間隔等來進行設定為宜，在如上所示之Δt的設定範圍內，難以想到各個體的故障機率F成為接近1.0的值。但是，可能發生故障機率F在個體全體的合計值超過1.0的情形。該合計值係在作為對象之個體全體的故障事態發生次數的期待值。
因此，使故障機率的合計值反映在例如零件庫存管理系統17，藉此可將替換零件的庫存狀況適當化。
或者，若在風力發電機系統連接有運用計畫系統18，亦可採用使用故障機率F來變更運用計畫的方式。例如，若至將來預定實施的定期檢查為止的故障機率F比假想為更高時，藉由變更為使風力發電機1積極地停止、或抑制輸出的運用計畫，可達成零件的延長壽命。藉由該運用計畫的變更，將來的運作狀況亦改變，必然地，將來的累積損壞亦改變，因此若採用該方式，以使運用計畫19反映在運作狀況預測部12中的將來的累積損壞13的計算為宜。藉由形成為如上所示之構成，使用者係可輕易確認運用計畫的變更與故障機率變化的關係。
以上所述之損壞模型生成/更新部7、故障率函數辨識部8、運作狀況預測部12、及故障機率計算部14係分別被構裝為計算機程式，但是並非為限定構裝在具體計算機的構裝形態者。但是，損壞模型生成/更新部7係必須一邊反覆叫出故障率函數辨識部8，一邊進行計算成本相對較大的計算處理，因此形成為其雙方被構裝在同一計算機的形態，乃較為理想。
最後說明顯示部16之例。具體而言，顯示部16係由構裝有畫面描繪程式的計算機及顯示装置所構成，但是在此所使用的計算機亦可與上述運算部101的各功能(7、8、12、14)為不同者。
在圖8及圖9中顯示適於顯示部16的圖形使用者介面(GUI)之一例。GUI係大致區分為：以風力發電機群為對象的群機檢視(圖8)、及以任意風力發電機1為對象的單機檢視(圖9)。
首先，在圖8的群機檢視中，係具備有顯示出風力發電機1的模式圖的零件選擇部25，使用者由模式圖上選擇任意零件26。此外，若在故障機率推算期間設定部27任意設定計算故障機率的期間，關於該零件26，各機的現在及任意期間後的故障機率F形成為圖表而被顯示在群機故障機率顯示部28。藉此，關於使用者所注目的零件26，可輕易確認在任何個體中，故障風險是否增高。此外，同時在損壞模型生成/更新部7中被生成/更新的損壞模型D(x)之式被顯示在損壞模型顯示部29，因此使用者係可輕易掌握什麼樣的因子形成為零件26的故障要因。此係不僅風力發電廠的保養/運用，對於風力發電機1的設計/開發亦帶來有益的資訊。
接著，在圖9的單機檢視中，若由表示出風力發電機的設置場所的地圖30或風力發電機清單31中選擇任意的風力發電機1，關於成為評估對象的零件，現在及任意期間後的故障機率F被顯示為圖表32。藉此，可期待在對象機之中可輕易確認故障風險高的零件的效果。
群機檢視與單機檢視係除了可藉由頁籤(tab)24的切換來輕易切換之外，可藉由直接點擊(click)或輕擊(tap)操作群機故障機率顯示部28或單機故障機率顯示部32中的圖表的長條(bar)，可輕易往返任意風力發電機的單機檢視與任意零件的群機檢視。
其中，關於構裝GUI的程式的平台，本發明並未作任何限定，惟以構裝為在網路瀏覽器進行動作的網路應用程式，且將此裝載在與前述運算部101的各部(7、8、12、14)為相同的計算機的形態為宜。若可由使用者所使用的計算機終端(使用者終端)透過網路等通訊手段而相連接，使用者終端所求的計算能力或前提軟體係以最小限度即可。若複數使用者同時在本系統進行存取，如上所示之構成尤其有效。
如以上說明所示，本發明之故障機率評估系統係構成為具備有：蓄積關於機械系統的過去的故障履歷資料的故障履歷資料庫；儲存表示機械系統的運作狀態的時間序列物理量資料的時間序列運作資料庫；藉由根據故障履歷資料的統計處理，算出機械系統的故障率函數、或以其積分所表示的累積故障機率函數的故障率函數辨識部；具有自動生成藉由故障率函數所定義的壽命不均成為最小的故障率函數的說明變數式的功能的損壞模型生成更新部。
[實施例2]
以將建設機械的構成零件作為對象的故障機率評估系統為例，說明本發明之實施例。
在此係將複數建設機械作為對象，但是並非為限定其運用場所者，各建設機械亦可為設置在不同場所者。即使為以建設機械為對象的系統，與實施例1中所說明的適合風力發電機的系統，亦沒有較大的差異。
但是，在建設機械中，除了單純的時間序列資料之外，表示已進行了什麼樣的運用的運用資料亦為有用的資訊。運用資料係表示例如在單位時間已進行了幾次預定動作的資料。例如，若為礦山用自卸車，1日之中已進行了酬載(payload)之裝卸的次數等即相當於此。
若對象零件為例如熔接部時，因裝卸動作而作用疲勞荷重，因此將如上所示之動作次數資料作為時間序列運作資料D2加以活用，乃為有效。根據如上所示之次數的資料係除了建設機械之外，亦在反覆預定動作的機械系統中為有效，列舉例如在同一區間反覆行走的鐵道車輛中的運行次數、或家電品的使用次數等。如上所示，本發明係可依時間序列運作資料D2的選擇方式，進行對應各式各樣的機械系統的故障機率評估的系統。
1‧‧‧風力發電機
7‧‧‧損壞模型生成/更新部
8‧‧‧故障率函數辨識部
11‧‧‧故障率函數
12‧‧‧運作狀況預測部
13‧‧‧將來的累積損壞
14‧‧‧故障機率計算部
16‧‧‧顯示部
17‧‧‧零件庫存管理系統
18‧‧‧運用計畫系統
19‧‧‧運用計畫
22‧‧‧故障旗標
23‧‧‧生存旗標
24‧‧‧頁籤
25‧‧‧零件選擇部
26‧‧‧指示器
27‧‧‧故障機率推算期間設定部
28‧‧‧群機故障機率顯示部
29‧‧‧損壞模型顯示部
30‧‧‧場所選擇部
31‧‧‧個體選擇部
32‧‧‧單機故障機率顯示部
33‧‧‧在現在時點的累積損壞
100‧‧‧故障機率評估系統
101‧‧‧運算部
D1‧‧‧故障事件資料
D2‧‧‧時間序列運作資料
D3‧‧‧生存解析用資料
D31‧‧‧故障資料
D32‧‧‧生存資料
DB1‧‧‧故障事件資料庫
DB2‧‧‧時間序列運作資料庫
F‧‧‧故障機率
M‧‧‧保養承辦人員
V‧‧‧不均
圖1係例示以複數風力發電機為對象所構成的故障機率評估系統的圖。
圖2係顯示故障事件資料庫DB1的構成事例的圖。
圖3係顯示故障時間的資料D31的事例的圖。
圖4係顯示生存時間的資料D32的事例的圖。
圖5係顯示損壞模型生成/更新部7所供予的生存解析用資料D3之一例的圖。
圖6係顯示故障率f(故障率函數11)與故障機率F(故障機率函數21)的關係的圖。
圖7係顯示損壞模型生成/更新部7所提供之新集合的生存解析用資料D3的事例的圖。
圖8係顯示以風力發電機群為對象的群機檢視之例的圖。
圖9係顯示以任意風力發電機1為對象的單機檢視之例的圖。
Claims (16)
- 一種故障機率評估系統，其係將由複數機械系統所成之機械系統群作為對象，評估構成各機械系統的零件的故障的故障機率評估系統，其特徵為： 具備有： 蓄積關於前述機械系統的過去的故障履歷資料的故障履歷資料庫；儲存表示前述機械系統的運作狀態的時間序列運作資料的時間序列運作資料庫；藉由根據前述故障履歷資料的統計處理，算出機械系統的故障機率密度函數的故障機率密度函數辨識部；及具有使用前述時間序列運作資料，生成藉由前述故障機率密度函數所定義的壽命不均成為最小的故障機率密度函數的說明變數式的功能的損壞模型生成更新部， 前述故障機率密度函數辨識部係供予壽命不均成為最小的故障機率密度函數。
- 如申請專利範圍第1項之故障機率評估系統，其中，前述說明變數式係指使用被儲存在前述時間序列運作資料庫的前述時間序列運作資料所構成的單項式或多項式。
- 如申請專利範圍第1項之故障機率評估系統，其中，前述說明變數式係指任意設定的單項式或多項式，前述損壞模型生成更新部中的故障機率密度函數的說明變數式的生成係指以前述不均成為最小的方式，藉由最適化計算來決定前述單項式或多項式中所包含的係數。
- 如申請專利範圍第1項之故障機率評估系統，其中，前述損壞模型生成更新部係藉由遺傳編程來決定前述說明變數式。
- 如申請專利範圍第1項之故障機率評估系統，其中，具備有：故障機率計算部，其係由在前述故障機率密度函數辨識部中所求出之壽命不均成為最小的故障機率密度函數，求出故障機率。
- 如申請專利範圍第5項之故障機率評估系統，其中，前述故障機率計算部係由根據前述說明變數式所計算出的機械系統的零件的現在及或經過任意時間後的累積損壞、及前述故障機率密度函數，算出故障機率。
- 如申請專利範圍第1項之故障機率評估系統，其中，前述不均係指前述故障機率密度函數的變動係數。
- 如申請專利範圍第1項至第7項中任一項之故障機率評估系統，其中，前述故障機率密度函數辨識部係藉由根據最大概度推定法的對數概度的最大化，辨識故障機率密度函數。
- 如申請專利範圍第1項之故障機率評估系統，其中，前述故障機率密度函數辨識部係在最適化計算或遺傳編程中，將對數概度加在制約條件中。
- 如申請專利範圍第1項之故障機率評估系統，其中，前述故障機率密度函數辨識部係在最適化計算或遺傳編程中，除了不均之外，對數概度亦作為目的函數的多目的最適化計算。
- 如申請專利範圍第1項之故障機率評估系統，其中，前述時間序列運作資料係包含根據線累積損傷律的疲勞損傷度。
- 如申請專利範圍第1項之故障機率評估系統，其中，前述時間序列運作資料係包含溫度，在前述說明變數式係包含阿瑞尼斯方程式。
- 如申請專利範圍第1項之故障機率評估系統，其中，具備有：由在故障機率密度函數辨識部中所求出之壽命不均成為最小的故障機率密度函數，求出故障機率的故障機率計算部；及顯示部， 在前述顯示部，關於特定的對象零件，同時顯示複數機械系統中的前述故障機率。
- 如申請專利範圍第1項之故障機率評估系統，其中，具備有：由在故障機率密度函數辨識部中所求出之壽命不均成為最小的故障機率密度函數，求出故障機率的故障機率計算部；及顯示部， 在前述顯示部，係具有關於特定的對象零件，同時顯示複數機械系統中的前述故障機率的功能。
- 一種故障機率評估方法，其係將由複數機械系統所成之機械系統群作為對象，評估構成各機械系統的零件的故障的故障機率評估方法，其特徵為： 藉由根據關於前述機械系統的過去的故障履歷資料的統計處理，算出機械系統的故障機率密度函數，且使用表示前述機械系統的運作狀態的時間序列物理量資料，生成藉由前述故障機率密度函數所定義之壽命不均成為最小的故障機率密度函數的說明變數式，而得壽命不均成為最小的故障機率密度函數。
- 如申請專利範圍第15項之故障機率評估方法，其中，由壽命不均成為最小的故障機率密度函數，求出故障機率。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018-049016 | 2018-03-16 | ||
| JP2018049016A JP6865189B2 (ja) | 2018-03-16 | 2018-03-16 | 故障確率評価システム及び方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW201939370A true TW201939370A (zh) | 2019-10-01 |
| TWI709092B TWI709092B (zh) | 2020-11-01 |
Family
ID=67906657
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW108107374A TWI709092B (zh) | 2018-03-16 | 2019-03-06 | 故障機率評估系統及方法 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20210089928A1 (zh) |
| JP (1) | JP6865189B2 (zh) |
| TW (1) | TWI709092B (zh) |
| WO (1) | WO2019176315A1 (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI773039B (zh) * | 2020-12-22 | 2022-08-01 | 中華電信股份有限公司 | 行動網路的生命週期管理系統及方法 |
| CN117331291A (zh) * | 2023-12-01 | 2024-01-02 | 上海红岩临芯半导体科技有限公司 | 涂胶显影设备单元均衡流片的调度方法及系统 |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7339861B2 (ja) | 2019-11-21 | 2023-09-06 | 株式会社日立製作所 | 故障確率評価システム |
| JP7271400B2 (ja) | 2019-11-21 | 2023-05-11 | 株式会社日立製作所 | 保全計画支援方法および保全計画支援装置 |
| US11704185B2 (en) * | 2020-07-14 | 2023-07-18 | Microsoft Technology Licensing, Llc | Machine learning-based techniques for providing focus to problematic compute resources represented via a dependency graph |
| JP7403408B2 (ja) * | 2020-07-31 | 2023-12-22 | 三菱重工業株式会社 | 監視装置、監視方法およびプログラム |
| CN112060319B (zh) * | 2020-09-09 | 2021-09-14 | 中联重科股份有限公司 | 用于预测搅拌主机的易损件寿命情况的方法和装置 |
| JP7441768B2 (ja) | 2020-09-29 | 2024-03-01 | 株式会社日立製作所 | 保全シミュレーション装置、および、保全シミュレーション方法 |
| WO2022091399A1 (ja) * | 2020-11-02 | 2022-05-05 | 三菱電機株式会社 | 保険料率算出装置および保険料率算出方法 |
| CN113052473B (zh) * | 2021-03-31 | 2024-03-22 | 贵州电网有限责任公司 | 一种基于故障率和静态安全分析的电网风险分析方法 |
| CN114638174B (zh) * | 2022-02-17 | 2023-11-21 | 清华大学 | 多级机械密封系统故障溯源方法、装置、设备及存储介质 |
| JP2024030392A (ja) * | 2022-08-24 | 2024-03-07 | 株式会社日立製作所 | 故障確率評価システム |
| CN115293296B (zh) * | 2022-09-28 | 2022-12-20 | 中国人民解放军海军工程大学 | 一种机械设备故障定位优化方法和系统 |
| CN117669070B (zh) * | 2023-10-26 | 2024-08-02 | 华电电力科学研究院有限公司 | 一种机械组件寿命预测模型构建方法、系统、设备和介质 |
| CN117974069B (zh) * | 2024-03-28 | 2024-06-07 | 山东国泰民安玻璃科技有限公司 | 一种注射剂瓶生产数据采集方案制定方法、设备及介质 |
Family Cites Families (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004211587A (ja) * | 2002-12-27 | 2004-07-29 | Toshiba Corp | 発電プラントの運用支援システム |
| JP4468282B2 (ja) * | 2005-10-13 | 2010-05-26 | 株式会社日立製作所 | ガスタービンの性能診断方法及び診断システム |
| JP4977064B2 (ja) * | 2008-03-12 | 2012-07-18 | 株式会社東芝 | 保守計画支援システム |
| EP2224256A1 (en) * | 2009-02-25 | 2010-09-01 | C.R.F. Società Consortile per Azioni | Reliability estimate of an apparatus |
| US20110054806A1 (en) * | 2009-06-05 | 2011-03-03 | Jentek Sensors, Inc. | Component Adaptive Life Management |
| US7895016B2 (en) * | 2009-08-31 | 2011-02-22 | General Electric Company | System and method for wind turbine health management |
| US20120041716A1 (en) * | 2010-08-13 | 2012-02-16 | Christopher Higginbotham | Method and system for maintenance optimization |
| JP5718457B2 (ja) * | 2011-05-13 | 2015-05-13 | 株式会社日立製作所 | 保守部品寿命予測システムおよび保守部品寿命予測方法 |
| US9845012B2 (en) * | 2011-07-06 | 2017-12-19 | General Electric Company | System and method for predicting mechanical failure of a motor |
| US9477223B2 (en) * | 2011-09-14 | 2016-10-25 | General Electric Company | Condition monitoring system and method |
| US20140324495A1 (en) * | 2013-02-22 | 2014-10-30 | Vestas Wind Systems A/S | Wind turbine maintenance optimizer |
| CN103996077B (zh) * | 2014-05-22 | 2018-01-05 | 中国南方电网有限责任公司电网技术研究中心 | 一种基于多维时间序列的电气设备故障预测方法 |
| CN104200396B (zh) * | 2014-08-26 | 2017-08-11 | 燕山大学 | 一种风力发电机部件故障预警方法 |
| EP3079062A1 (en) * | 2015-04-09 | 2016-10-12 | Zentrum Mikroelektronik Dresden AG | Electronic system and method for estimating and predicting a failure of that electronic system |
| AU2015395649B2 (en) * | 2015-05-18 | 2019-07-04 | Halliburton Energy Services Inc. | Condition Based Maintenance program based on life-stress acceleration model and time-varying stress model |
| JP2019113883A (ja) * | 2016-03-25 | 2019-07-11 | 株式会社日立製作所 | 稼働補助装置及び風力発電システム |
| US10697854B2 (en) * | 2016-05-25 | 2020-06-30 | Hitachi, Ltd. | Rolling bearing fatigue state prediction device and rolling bearing fatigue state predicting method |
| EP3638900B1 (en) * | 2017-06-14 | 2023-06-07 | KK Wind Solutions A/S | Independent monitoring system for a wind turbine |
-
2018
- 2018-03-16 JP JP2018049016A patent/JP6865189B2/ja active Active
-
2019
- 2019-01-24 US US16/975,154 patent/US20210089928A1/en active Pending
- 2019-01-24 WO PCT/JP2019/002230 patent/WO2019176315A1/ja active Application Filing
- 2019-03-06 TW TW108107374A patent/TWI709092B/zh active
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI773039B (zh) * | 2020-12-22 | 2022-08-01 | 中華電信股份有限公司 | 行動網路的生命週期管理系統及方法 |
| CN117331291A (zh) * | 2023-12-01 | 2024-01-02 | 上海红岩临芯半导体科技有限公司 | 涂胶显影设备单元均衡流片的调度方法及系统 |
| CN117331291B (zh) * | 2023-12-01 | 2024-03-19 | 上海红岩临芯半导体科技有限公司 | 涂胶显影设备单元均衡流片的调度方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2019176315A1 (ja) | 2019-09-19 |
| US20210089928A1 (en) | 2021-03-25 |
| JP2019160128A (ja) | 2019-09-19 |
| TWI709092B (zh) | 2020-11-01 |
| JP6865189B2 (ja) | 2021-04-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TW201939370A (zh) | 故障機率評估系統及方法 | |
| TWI607328B (zh) | Operational auxiliary device and wind power generation system | |
| JP5844978B2 (ja) | ガスタービンを監視するためのシステム及び方法 | |
| JP7145821B2 (ja) | 故障確率評価システムおよびその方法 | |
| US20050096759A1 (en) | Distributed power generation plant automated event assessment and mitigation plan determination process | |
| US20110137697A1 (en) | Automated corrective and predictive maintenance system | |
| Colone et al. | Predictive repair scheduling of wind turbine drive‐train components based on machine learning | |
| Siraskar et al. | Reinforcement learning for predictive maintenance: A systematic technical review | |
| CN114384868A (zh) | 控制装置、控制器、控制系统、控制方法及存储有控制程序的计算机可读介质 | |
| EP4095537B1 (en) | Neural network for estimating battery health | |
| Vu et al. | A predictive maintenance policy considering the market price volatility for deteriorating systems | |
| WO2021100800A1 (ja) | 故障確率評価システム | |
| Deep et al. | Partially observable Markov decision process-based optimal maintenance planning with time-dependent observations | |
| JP2022163608A (ja) | 保守支援システム | |
| WO2023286659A1 (ja) | 故障予測装置、故障予測方法、及びプログラム | |
| CN116384876A (zh) | 基于维纳过程的备件动态库存-生产控制方法、系统及介质 | |
| Grobbelaar et al. | Determining the cost of predictive component replacement in order to assist with maintenance decision-making | |
| Gray et al. | A practical approach to the use of scada data for optimized wind turbine condition based maintenance | |
| JP2024057316A (ja) | 故障確率評価システムおよび故障確率評価方法 | |
| AU2022204337B2 (en) | Run-time reliability reporting for electrical hardware systems | |
| WO2024042733A1 (ja) | 故障確率評価システム | |
| WO2022091399A1 (ja) | 保険料率算出装置および保険料率算出方法 | |
| EP4315074A1 (en) | Computer-implemented method for updating a model parameter for a model | |
| Cai | A practical maintenance framework to determine a maintenance plan starting from experience-based maintenance |