WO2010061681A1 - 設備の不具合管理方法 - Google Patents

設備の不具合管理方法 Download PDF

Info

Publication number
WO2010061681A1
WO2010061681A1 PCT/JP2009/065768 JP2009065768W WO2010061681A1 WO 2010061681 A1 WO2010061681 A1 WO 2010061681A1 JP 2009065768 W JP2009065768 W JP 2009065768W WO 2010061681 A1 WO2010061681 A1 WO 2010061681A1
Authority
WO
WIPO (PCT)
Prior art keywords
failure
facility
cause
data
equipment
Prior art date
Application number
PCT/JP2009/065768
Other languages
English (en)
French (fr)
Inventor
西村宣彦
坂田　文稔
斎藤真由美
佐竹宏次
熊野信太郎
Original Assignee
三菱重工業株式会社
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 三菱重工業株式会社 filed Critical 三菱重工業株式会社
Priority to MX2010010750A priority Critical patent/MX2010010750A/es
Priority to CN200980111139.0A priority patent/CN101981421B/zh
Priority to US12/921,494 priority patent/US9696718B2/en
Priority to GB1018260.8A priority patent/GB2471805B/en
Publication of WO2010061681A1 publication Critical patent/WO2010061681A1/ja

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
    • 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
    • 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
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • 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—Systems or methods specially adapted for 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

Definitions

  • the present invention relates to a defect management method for equipment, and particularly relates to a defect management method for equipment that has a sufficiently accurate inference result and that can be employed in large equipment such as a gas turbine used in a plant. is there.
  • the plant operator may be able to solve the cause by estimating the cause of the failure based on past experience and past results in the plant.
  • a method for taking an action is performed (prior art 1).
  • the plant operator notifies the failure symptom to the plant maker maintenance specialist, and the plant maker maintenance specialist identifies the cause of the failure from the failure database of the plant maker.
  • the estimation result is notified to the operator, and the operator takes an action that may solve the estimated cause (prior art 2).
  • Patent Document 1 uses a Bayesian network to probabilistically infer the cause of a failure and to take action that may be able to solve the effect. And a method of presenting to the operator according to the cost.
  • Patent Document 1 is a technology for automatic diagnosis of a printer, for a large device such as a device used in a plant.
  • the present invention has an inference result having sufficient accuracy, and estimates an optimal repair time for repairing a defect and other defects that may occur at the same time or after a certain defect.
  • An object of the present invention is to provide a defect management method for equipment that can be used for large equipment used in a plant.
  • the operation state of the equipment is monitored by the monitoring means, and the data of the measured value relating to the operation state of the equipment obtained by the monitoring means when the trouble occurs in the equipment is used as the node by the inference means.
  • the acoustic data closest to the sound emitted from the facility in which the failure has occurred is selected from a plurality of previously prepared acoustic data, and prepared in advance.
  • a first Bayesian It is characterized by inferring the cause of equipment failure by network.
  • Examples of data useful for elucidating the cause of the above-mentioned failure, although it is difficult to quantify a specific device failure, include a form including a sound emitted from the failure location, a color at the failure location, a combustion state, and the like.
  • a form including a sound emitted from the failure location, a color at the failure location, a combustion state, and the like Regarding the information related to the sound, an operator who has actually heard the generated sound to determine which sound data of the plurality of prepared sound data with different generation causes is close to the generated sound. Therefore, it is possible to collect information about the sound while eliminating the subjectivity of the operator as much as possible. Further, regarding the information on the form, the form of the device at the defective part is actually observed to determine which form data among the plurality of pieces of form data having different causes of occurrence is prepared in advance.
  • the operator select it is possible to collect information on the form while eliminating the subjectivity of the operator as much as possible.
  • the acoustic and morphological data collected with the subjectivity excluded as much as possible are added to the observation node, and the Bayesian that is an inference means based on the acoustic and morphological data and other fault values obtained by the monitoring means.
  • the Bayesian that is an inference means based on the acoustic and morphological data and other fault values obtained by the monitoring means.
  • a second Bayesian network is constructed with respect to a correlation between an inference result of a past failure cause in the equipment and a repair result of the equipment with respect to the inference result, and the second Bayesian network uses the first Bayesian network. It is preferable to infer the repair method of the facility that is highly likely to be performed on the facility where the cause of the failure is inferred.
  • a plant manufacturer maintenance specialist uses the failure management method according to the present invention
  • information on the symptoms of the failure of the equipment is collected from the operator of the plant including the failed device, and the cause of the failure is inferred using the present invention. Then, the inferred cause is notified to the operator.
  • construct a second Bayesian network for the correlation between the inference result of the past failure cause in the equipment constituting the plant and the repair result of the equipment with respect to the inference result and use the second Bayesian network
  • the user of a plant can perform a quick measure with respect to the said malfunction by acquiring the information regarding the improvement work and repair work of an installation with the inference result of a malfunction cause.
  • the plant manufacturer maintenance specialist can accurately estimate the improvement work and repair work of the facility together with the inference result of the cause of failure, and provide the estimation result to the plant user. Timely marketing of necessary parts, etc. can be carried out.
  • a cost required for repairing a failure caused when appropriate measures are not taken is made into a database together with the inference result, and the database is used. Then, when the failure of the equipment is left unattended, the probability that a failure due to the failure will occur is inferred using the first Bayesian network, and the inferred probability and the failure necessary for repairing the failure It is preferable to calculate and present the risk multiplied by the cost.
  • the risk related to the costs incurred if the equipment malfunction is neglected is presented as a numerical value, so the malfunctioning equipment should be stopped immediately and repaired, or it will be operated until the weekend that is outside the working day It helps to determine the timing of repairs, such as whether to continue driving until regular overhaul.
  • a cost necessary for repairing the cause of the malfunction and compare the cost with the risk.
  • the cost required to repair the cause of the malfunction of the equipment and comparing it with the risk that is assumed when the malfunction of the equipment is neglected, it is possible to determine whether the malfunction that has occurred should be repaired at an early stage. It becomes easy and can judge quantitatively.
  • a plant manufacturer's maintenance specialist uses the present invention, it is quantitatively determined to the customer whether or not it is optimal to repair the malfunctions that occur early considering the life cycle cost of the equipment. Because it can be explained, the reliability of the plant maker's maintenance specialist is also improved.
  • time series data of the inference result of the cause of the failure that has occurred in the facility is created, the time series data is input to the first Bayesian network, and the cause of the failure that is likely to occur next in the facility is It is preferable to infer with the probability of occurrence.
  • the inference result has sufficient accuracy, it is possible to estimate the optimal repair time for repairing a defect, and other defects that may occur at the same time as or after a certain defect, It is possible to provide a defect management method for equipment that can be employed in large-scale equipment used in a plant.
  • FIG. 1 is a schematic configuration diagram of a remote management system for implementing the facility defect management method according to the present invention.
  • a method for managing defects by remote management of equipment will be described as an example.
  • a plant manufacturer maintenance specialist monitors the operating state of the facilities that make up the plant at a location away from the plant, and in the event of a failure, guesses the cause and makes a user (customer) of the plant. ) Will be explained.
  • the operation data of the in-plant instruments 4 is collected by a remote monitoring data server installed in a customer facility (hereinafter referred to as a plant) 2 during remote operation monitoring.
  • the operation data of the plant 2 is constantly monitored in the remote management room 12 located away from the plant 2 by transmitting the operation data to the remote monitoring room 12 using.
  • the state 22 of various signals of the operation data is input as a node to the Bayesian network system 30 having the Bayesian network in the system from the monitoring terminal 20 of the remote monitoring room 12.
  • the voice and form data of the failure location is input as a node to the Bayesian network system 30 by the method described later from the customer terminal 32 and the cause of the failure of the plant 2 is inferred by the Bayesian network based on the node. It is.
  • the remote management room 12 normally performs remote management of a plurality of plants, but FIG. 1 shows only one plant.
  • the operation data according to is first transmitted to the remote monitoring data server 6 installed in the plant 2.
  • the operation data transmitted to the remote monitoring data server 6 passes through a dedicated line (Virtual Private Network: VPN) 10 via routers 8 and 14 as real-time data, and is away from the plant 2.
  • VPN Virtual Private Network
  • the real-time data sent to the remote monitoring server 16 can be constantly checked by a plant manufacturer maintenance specialist stationed in the remote monitoring room at the monitoring terminal 20. Further, the management value is set for the real-time data, and the trend of the change in the value is monitored by the trend monitoring logic. Whether the real-time data exceeds the management value or the trend monitoring logic exceeds the specified value. If there is a tendency to change, an alarm is issued.
  • the real-time data is input to the Bayesian network system 30 as a node.
  • the plant manufacturer maintenance specialist stationed in the remote monitoring room 12 informs the operator of the plant 2 of the transmission of the alarm, and upon receiving the notification, the operator of the plant 2
  • the voice and the form data are input to 32 by a method described later.
  • the input data is input as a node to the Bayesian network system 30 by the VNP 33.
  • the Bayesian network system 30 infers the cause of the malfunction by the Bayesian network and outputs it.
  • the plant manufacturer maintenance specialist stationed in the remote monitoring room 12 as described above may contact the operator of the facility 2 when the alarm is transmitted. It is preferable from the viewpoint of preventing human errors such as a communication mistake to automatically notify the operator of the transmission.
  • FIG. 2 is a flowchart of voice data input.
  • the operator of the plant 2 receives a notification that the alarm has been transmitted, the operator of the plant 2 activates the customer terminal 32 installed near the plant 2 and prepares to input voice data according to the flowchart of FIG.
  • the operator determines whether or not there is an abnormal sound from the operating gas turbine in step S1 and inputs the sound.
  • step S1 If NO in step S1, that is, if it is determined that there is no abnormal sound, the process ends without inputting voice data. If YES in step S1, that is, if it is determined that an abnormal noise is generated, the process proceeds to step S2, and a place where the abnormal noise is generated is selected in step S2.
  • step S3 When a place where abnormal noise is generated is selected in step S2, in step S3, an abnormal noise sample in a part at the selected location is referred to from a database of abnormal noise for each part of the gas turbine prepared in advance.
  • Step S3 When the abnormal noise database is referred to in step S3, a message “Please select the type of abnormal noise from the sample” is displayed in step S4, and a message is displayed on the customer terminal 32, and a plurality (in this embodiment, five). ) Icon is displayed.
  • Steps S3 and S4 are processes performed in the customer terminal 32, and the operator may wait until step 4 ends after step S2 ends.
  • step S4 When the message and icon are displayed in step S4, the operator clicks the icon one by one in step S5.
  • each abnormal sound sample in the database referred to in step S3 is played back, and the operator clicks all the displayed icons one by one to select all the abnormal sound samples. Listen and select which noise sample is closest to the noise coming from the gas turbine.
  • the data of the selected sample is transmitted to the Bayesian network 30 via the VPN 33 shown in FIG.
  • step S6 When the abnormal sound sample data is transmitted, in step S6, data on the causal relationship between the kind of abnormal sound of each component and the cause of the failure, other alarm data and the cause and effect relationship data on the cause of the failure, and the following will be described.
  • the cause of failure is estimated by the Bayesian network with reference to the data of the causal relationship between the form of combustion of each component and the cause of failure, and the estimated result is transmitted back to the customer terminal 32.
  • FIG. 3 is a flowchart of the data input of the combustion state.
  • the operator of the plant 2 receives a notification that the alarm has been transmitted, the operator of the plant 2 activates the customer terminal 32 installed in the vicinity of the plant 2 and prepares to input the configuration data according to the flowchart of FIG.
  • the operator determines whether or not the combustion state can be observed with the operating gas turbine in step S11 and inputs it.
  • step S11 determines whether the combustion state cannot be observed. If NO in step S11, that is, if it is determined that the combustion state cannot be observed, the configuration data is not input and the process ends. If YES in step S11, that is, if it is determined that the combustion state can be observed, the process proceeds to step S2, and a place where the combustion state can be observed is selected in step S2.
  • step S13 a combustion flame moving image sample at a part at the selected location is referred to from a combustion flame moving image database for each part of the gas turbine prepared in advance. To do.
  • step S13 When the combustion flame moving image database is referred to in step S13, a message “Please select the combustion state to be observed from the sample” is displayed in step S14, and a message is displayed on the customer terminal 32, and a plurality (in this embodiment, 5) icon is displayed.
  • Steps S13 and S14 are processes performed in the customer terminal 32, and the operator may wait until step 14 ends after step S12 ends.
  • step S14 When the message and icon are displayed in step S14, the operator clicks the icon one by one in step S15.
  • the icon is clicked, the moving image sample in the moving flame moving image database referred to in step S13 is reproduced, and the operator clicks all the displayed icons one by one to select all the moving image samples. Look and select which video sample is closest to the combustion situation observed in the gas turbine.
  • the combustion sample observed with the gas turbine and the moving image sample closest to the gas turbine are selected in step S15, the data of the selected sample is transmitted to the Bayesian network 30 via the VPN 33 shown in FIG.
  • step S16 When the data of the combustion flame moving image sample is transmitted, in step S16, data on the causal relationship between the type of combustion status of each component and the cause of failure, and other alarm data and data on the cause and effect of failure are prepared in step S16.
  • the cause of the failure is estimated by the Bayesian network with reference to the data of the causal relationship between the type of abnormal sound of each component and the cause of the failure, and the estimated result is transmitted back to the customer terminal 32.
  • Step S16 is common to step S6 in the flowchart shown in FIG.
  • abnormal noise samples and combustion movie samples are prepared, and by letting the operator select samples that are close to the actual abnormal noise and combustion conditions, it is difficult to quantify specific device failures, but the cause of the failure is elucidated. It is possible to collect data on abnormal noise and combustion conditions that are useful for the purpose of eliminating subjectivity as much as possible. In this way, abnormal noise and combustion status data collected by eliminating subjectivity as much as possible are added to the node, and the Bayesian network is based on the abnormal noise, combustion status data, and other fault values obtained by the monitoring means. Thus, it is possible to improve the estimation accuracy of the cause of the failure by inferring the cause of the failure of the facility.
  • FIG. 4 is a flowchart showing the input of the database of the failure of all units and the subsequent facility repair results and the output of the results. 4 is a procedure on the remote management room 12 side.
  • step S21 the cause 42 of the failure event occurring in each of the plurality of plants managed by the remote management room 12 and the data 42 of the facility improvement work and repair work performed by each plant user in the plant are stored in the Bayesian network system 30.
  • the Bayesian network constructed here is constructed separately from the Bayesian network used for inferring the cause of the problem, and is hereinafter referred to as a second Bayesian network.
  • step S22 Enter into the Bayesian network.
  • step S22 When the cause of the failure is input in step S22, the facility repair item that is likely to be implemented in the future by the user of the plant in which the failure occurred in step S23 is determined from the cause of the failure and the second Bayesian network constructed in step S21. Probabilistic reasoning.
  • step S24 along with the inference result of the failure cause, equipment repair items that are likely to be implemented in the future are provided to the plant user, and parts related to the repair work are intensively promoted. I do.
  • the plant user can perform a quick measure with respect to the said malfunction by acquiring the information regarding the improvement work and repair work of an installation with the inference result of a malfunction cause.
  • the plant maker who performs remote management can accurately estimate the improvement work and repair work of the facility together with the inference result of the cause of failure and provide the estimation result to the plant user, Timely marketing of parts necessary for improvement can be implemented.
  • Bayesian network system 30 is input with accident data 36 including an outage period due to an accident, data of restoration contents, and the like.
  • accident data 36 including an outage period due to an accident, data of restoration contents, and the like.
  • the risk (Risk_cost) related to the cost incurred when an alarm is neglected from the probability inference result 52 in the Bayesian network system 30 and the past defect database 54 can be calculated according to the mathematical expression expressed in Equation 1.
  • the trouble that has occurred should be repaired at an early stage by calculating the countermeasure cost 56 necessary for repairing the trouble and comparing it with the risk (Risk_cost) related to the cost calculated by the mathematical formula shown in Equation 1. This makes it easy to make a quantitative determination.
  • the risk (Risk_period) related to the recovery period when the alarm is neglected from the probabilistic reasoning result 52 in the Bayesian network system 30 and the past defect database 54 can be calculated by the mathematical expression expressed in Equation 2. By calculating the period (recovery period) necessary to repair the defect and comparing it with the risk (Risk_period) related to the recovery period calculated by the formula shown in Equation 1, the problem that has occurred is repaired at an early stage.
  • the time series data 38 of the failure of all the units is input to the Bayesian network together with the state of the measured values 1, 2,... N, the abnormal sound state, and the combustion state.
  • the time series data of defects of all units will be described with reference to FIG.
  • the time series data 38 of defects of all units refers to data in which defects that have occurred in the past in each unit forming the plant (customer equipment) are input in time series.
  • a damage factor that may occur next when the trouble event has occurred or is likely to occur is estimated.
  • it is possible to check whether or not a malfunction event that may occur next is likely to occur, and to take measures early. In other words, if a certain trouble event occurs, the next trouble event that is likely to occur can be inferred. Can be inspected.
  • the cause of the malfunction is actually investigated at the time of regular repair and the cause investigation result 40 is input to the Bayesian network system 30, and based on whether the cause of the malfunction inferred using the Bayesian network system 30 is correct, When the probability value of the conditional probability table between the nodes of the Bayesian network system 30 is updated, the conditional probability table of the Bayesian network is updated, and the inference accuracy is improved.
  • the reasoning result has sufficient accuracy, can be used to estimate the optimal repair time for repairing defects and other problems that may occur at the same time as or after a certain problem, and to be used for large equipment used in plants. It can be used as a defect management method for equipment that can be used.

Abstract

推論結果が充分な精度を有し、不具合の補修に最適な補修時期や、ある不具合と同時又は以降に発生しうる他の不具合を推測することができ、プラントに用いられる大型機器に採用することが可能な設備の不具合管理方法を提供する。設備の動作状態を監視手段により監視し、前記設備の不具合発生時に前記監視手段が得た設備の運転状態に関する計測値のデータをノードとして推論手段によって設備の不具合原因の推論を行なう設備の不具合管理方法において、予め用意された複数の音響データの中から、前記不具合が発生した設備より発せられる音に最も近い音響データを選択するとともに、予め用意された複数の形態データの中から、前記不具合が発生した設備の形態に最も近い形態データを選択し、前記選択された音響データ及び形態データを前記ノードに追加し、該ノードに基づいて第１のベイジアンネットワークによって設備の不具合原因の推論を行う。

Description

設備の不具合管理方法
　本発明は、設備の不具合管理方法に関するものであり、特に推論結果が充分な精度を有し、プラントで用いられるガスタービンなどの大型機器に採用することが可能な設備の不具合管理方法に関するものである。
　ガスタービンコンバインドサイクル発電（ＧＣＴＴ）プラント、陸用ボイラプラント、風力発電プラントなどにおいては、当該プラントを形成する機器で異音や計測値の異常警報が発せられるなどの不具合が生じた場合、その原因を推測し、該推測した原因に対応する補修などの対策をとる必要がある。
　そこで、前記プラントを形成する機器で不具合が生じた場合、プラントのオペレータが過去の経験や当該プラントにおける過去の実績をもとに、不具合の原因を推定して、原因を解決できる可能性のあるアクションをとる方法が行われている（従来技術１）。
　また、前記プラントを形成する機器で不具合が生じると、プラントのオペレータが前記不具合の症状をプラントメーカ保守専門家に伝え、該プラントメーカ保守専門家はプラントメーカが持つ不具合のデータベースから不具合の原因を推測して該推測結果を前記オペレータに伝え、該オペレータが前記推測された原因を解決できる可能性のあるアクションをとる方法も行われている（従来技術２）。
　しかしながら、従来技術１においては、当該機器の故障要因を推定するためには、当該機器について十分な知識と技能を持ったオペレータが必要不可欠であるが、このようなオペレータの確保、育成を短時間で行うことは難しく、十分な知識と技能を持ったオペレータを確保できなかった場合には誤ったアクションをとってしまい前記不具合による損害を拡大させてしまう可能性がある。
　さらに、従来技術２についても同様であり、当該機器の故障要因を推定するためには、当該機器について十分な知識と技能を持ったプラントメーカ保守専門家が必要不可欠であるが、このようなプラントメーカ保守専門家の確保、育成を短時間で行うことは難しく、十分な知識と技能を持ったプラントメーカ保守専門家を確保できなかった場合には誤ったアクションをとってしまい前記不具合による損害を拡大させてしまう可能性がある。
　また、プラントの機器ではなく、プリンタの自動診断の技術ではあるが、特許文献１にはベイジアンネットワークを利用して、不具合の原因を確率推論し、これを解決できる可能性のあるアクションをその効果とコストに応じてオペレータに提示する方法が開示されている。
　しかしながら、特許文献１に開示された技術においては、プリンタについて十分な知識と技能を有する専門家の知識をベイジアンネットワーク化して収集しているものの、該ベイジアンネットワークには不具合状態にあるプリンタの定量化しにくいが不具合の原因の推論をするために有用な音響、形態などの情報については採用されておらず、推論結果が充分な精度を有さない可能性がある。
　また、プラントなどに使用される大型機器の場合には、１度機器を停止するとその費用が高額になるためできる限り長期間運転継続する必要があり、該当機器を即座に停止して不具合を補修すべきか、例えば稼動日外である週末まで運転可能であるか、さらには定期的なオーバーホールまで運転条件を制限した上での運転が可能であるかなどの情報が重要であるが、特許文献１には不具合に対する具体的なアクションは示されているが、小型機器であるプリンタに関する技術であるため、前記大型機器において重要な停止タイミングに関する情報については提案されていない。
　さらに、前記不具合に対する具体的なアクションは示されているが、該アクションをとった不具合と同時又は以降に発生する可能性がある不具合に至る劣化症状を推論し、次の定期検査時にこれらの劣化状態を確認する方法は記載されていない。
　以上のことから、プリンタの自動診断の技術である特許文献１に開示された技術を、プラントに用いられる機器等の大型機器に採用することは難しい。
特開２００１－７５８０８号公報
　従って、本発明はかかる従来技術の問題に鑑み、推論結果が充分な精度を有し、不具合の補修に最適な補修時期や、ある不具合と同時又は以降に発生しうる他の不具合を推測することができ、プラントに用いられる大型機器に採用することが可能な設備の不具合管理方法を提供することを目的とする。
　上記課題を解決するため本発明においては、設備の動作状態を監視手段により監視し、前記設備の不具合発生時に前記監視手段が得た設備の運転状態に関する計測値のデータをノードとして推論手段によって設備の不具合原因の推論を行なう設備の不具合管理方法において、予め用意された複数の音響データの中から、前記不具合が発生した設備より発せられる音に最も近い音響データを選択するとともに、予め用意された複数の形態データの中から、前記不具合が発生した設備の形態に最も近い形態データを選択し、前記選択された音響データ及び形態データを前記ノードに追加し、該ノードに基づいて第１のベイジアンネットワークによって設備の不具合原因の推論を行うことを特徴とする。
　具体的な機器の不具合に対して、数値化しにくいが前記不具合の原因を解明するために役立つデータとして、不具合箇所から発せられる音、不具合箇所における色彩、燃焼状況などを含む形態が挙げられる。
　前記音に関する情報について、発生している機器の音が、予め用意された発生原因の異なる複数の音響データの中のどの音響データに近いかを、前記発生している音を実際に聞いたオペレータに選択させることによって、オペレータの主観を極力排除して音響に関する情報を収集することができる。
　また、前記形態に関する情報について、不具合箇所における機器の形態が、予め用意された発生原因の異なる複数の形態データの中のどの形態データに近いかを、前記不具合箇所の機器の形態を実際に見たオペレータに選択させることによって、オペレータの主観を極力排除して形態に関する情報を収集することができる。
　このようにして、主観を極力排除して収集した音響及び形態のデータを観測ノードに追加し、該音響、形態のデータ及びその他の前記監視手段が得た不具合値に基づいて推論手段であるベイジアンネットワークを用いて設備の不具合原因の推論を行うことで、不具合原因の推定精度を向上させることが可能となる。
　また、前記設備における過去の不具合原因の推論結果と、該推論結果に対する設備の改修の実績との相関について第２のベイジアンネットワークを構築し、該第２のベイジアンネットワークによって前記第１のベイジアンネットワークで不具合原因の推論が成された設備に対して実施する可能性が高い設備の改修方法の推論を行うことが好ましい。
　例えば本発明による不具合管理方法をプラントメーカ保守専門家が使用する場合、不具合のあった機器を含むプラントのオペレータから前記機器の不具合の症状の情報を収集し、本発明を用いて不具合原因を推論し、該推論した原因をオペレータに連絡することとなる。該当プラントについて、プラントを構成する設備における過去の不具合原因の推論結果と、該推論結果に対する設備の改修の実績との相関について第２のベイジアンネットワークを構築し、該第２のベイジアンネットワークを用いることで、プラントを構成する設備に対して実施する可能性が高い改修工事を推定することができる。
　即ち、プラントを構成する設備毎に、プラントのユーザが潜在的に実施したいと考えている設備改善工事や改修工事を推定することができ、不具合原因の推論結果とともに当該設備の改善工事や改修工事に関する情報をプラントユーザに提供することができる。
　これにより、プラントのユーザは、不具合原因の推論結果とともに設備の改善工事や改修工事に関する情報を入手することで、前記不具合に対して迅速な処置を行うことができる。
　また、プラントメーカ保守専門家は、不具合原因の推論結果とともに設備の改善工事や改修工事について精度よく推測し、該推測の結果をプラントユーザに提供することができるため、プラントユーザに対して改善に必要な部品等、時機を得たマーケティングを実施することができる。
　また、前記設備又は類似の設備における過去の不具合原因の推論結果に関して、適切な処置を施さなかった場合に生じた故障を補修するために必要なコストを前記推論結果とともにデータベース化し、前記データベースを用いて、前記設備の不具合を放置した場合に該不具合が原因による故障が発生する確率を前記第１のベイジアンネットワークを用いて推論し、前記推論された確率と前記故障を補修するために必要な前記コストとを掛け合わせたリスクを計算して提示することが好ましい。
　これにより、前記設備の不具合を放置した場合に担うコストに関するリスクが数値として提示されるため、不具合が発生した機器を即座に停止して不具合を補修すべきか、稼動日外である週末まで運転するか、定期的なオーバーホールまで運転を継続するかなど、補修のタイミングを決める際の一助となる。
　また、前記不具合原因を補修するために必要なコストを計算し、該コストと前記リスクとを比較することが好ましい。
　前記設備の不具合原因を補修するために必要なコストを計算し、前記設備の不具合を放置した場合に担うリスクと比較することで、発生している不具合を早期に補修すべきか否かの判断が容易となるとともに定量的に判断することができる。
　特に、本発明をプラントメーカの保守専門家が使用する場合においては、発生している不具合を早期に補修することが設備のライフサイクルコストを考えると最適であるか否かを定量的に顧客に説明することができるため、プラントメーカの保守専門家の信頼性も向上する。
　また、前記設備において発生した不具合の原因の推論結果の時系列データを作成し、該時系列データを前記第１のベイジアンネットワークに入力し、前記設備において次に発生する確率が高い不具合原因をその発生確率とともに推論することが好ましい。
　前記推論結果の時系列に並べて時系列データを作成し、前記第１のベイジアンネットワークに入力することで、ある不具合が発生したときに次に生じる可能性が高い不具合事象を推論することができる。これにより推論された不具合が発生しそうであるかどうかを例えば定修時などに検査することで、不具合の未然の対策をとることができる。従って、ある不具合事象が生じたら、次に生じやすい不具合事象を推論することができることから、定期検査時等における設備の検査項目を設備の不具合の実績にあったものとすることができ、効率的に検査を行うことができる。
　以上記載のごとく本発明によれば、推論結果が充分な精度を有し、不具合の補修に最適な補修時期や、ある不具合と同時又は以降に発生しうる他の不具合を推測することができ、プラントに用いられる大型機器に採用することが可能な設備の不具合管理方法を提供することができる。
本発明になる設備の不具合管理方法を実施するための遠隔管理システムの概略構成図である。 音声のデータ入力のフローチャートである。 燃焼状況のデータ入力のフローチャートである。 全ユニットの不具合とその後の設備改修実績のデータベースの入力と結果の出力を示すフローチャートである。 事故データの入力とその活用の説明図である。 全ユニットの不具合の時系列データの活用の説明図である。
　以下、図面を参照して本発明の好適な実施例を例示的に詳しく説明する。但しこの実施例に記載されている構成部品の寸法、材質、形状、その相対的配置等は特に特定的な記載がない限りは、この発明の範囲をそれに限定する趣旨ではなく、単なる説明例に過ぎない。
　図１は、本発明になる設備の不具合管理方法を実施するための遠隔管理システムの概略構成図である。本実施例においては、設備を遠隔管理にて不具合を管理する方法を例示して説明する。具体的には、プラントメーカ保守専門家が、プラントを構成する設備の運転状態を前記プラントとは離れた場所で監視し、不具合が発生した場合にその原因を推測して前記プラントのユーザ（顧客）に情報を提供する管理方法について説明する。
　図１の遠隔管理システムの概略として、遠隔運転監視中の顧客設備（以下プラントと称する）２内に設置された遠隔監視用データサーバにてプラント内計器類４の運転データを収集し、通信回線を利用して運転データを遠隔監視室１２に送信することにより、プラント２の運転状態をプラント２から離れた場所にある遠隔管理室１２にて常時監視する。また、プラント２を構成する機器に不具合が発生した場合に遠隔監視室１２の監視用端末２０より前記運転データの各種信号の状態２２をベイジアンネットワークをシステム内に有するベイジアンネットワークシステム３０にノードとして入力するとともに、顧客用端末３２より後述する方法で不具合箇所の音声、形態のデータをベイジアンネットワークシステム３０にノードとして入力し、前記ノードに基づいてベイジアンネットワークによって前記プラント２の不具合の原因を推論するものである。
　なお、遠隔管理室１２では、通常複数のプラントの遠隔管理を行うが、図１においては１つのプラントのみを図示している。
　前記プラント２内のガスタービンの遠隔監視を行う場合、該ガスタービンに取り付けられた各計器類４より、ガスタービンの回転数、出力、制御信号、各部の温度・流量、各部の信号などの数値による運転データは、まずプラント２内に設置された遠隔監視用データサーバ６に送信される。そして、前記遠隔監視用データサーバ６に送信された運転データは、リアルタイムデータとして、ルータ８、１４を介して専用回線（Ｖｉｒｔｕａｌ　Ｐｒｉｖａｔｅ　Ｎｅｔｗｏｒｋ：ＶＰＮ）１０を通り、前記プラント２とは離れた場所にある遠隔監視室１２内の遠隔監視サーバ１６にリアルタイムで送られるとともに、ヒストリカルデータという形で遠隔監視用データサーバ６に１秒周期で一定期間保存され、該保存されたヒストリカルデータは、１分周期のデータに加工されて、前記ルータ８、１４、ＶＰＮ１０及び遠隔監視用データサーバ６を介して遠隔監視室１２内のデータ保管用サーバ１８に送信されて保管される。
　遠隔監視サーバ１６に送られたリアルタイムデータは、監視用端末２０で遠隔監視室内に駐在しているプラントメーカ保守専門家が常時確認できるようになっている。
　また、前記リアルタイムデータは、管理値が設定されるとともに、傾向監視ロジックによってその値の変化の傾向が監視されており、前記リアルタイムデータが前記管理値を超えるか、前記傾向監視ロジックにより規定以上の変化の傾向があった場合にはアラームが発信される。
　前記アラームが発信されると、前記リアルタイムデータは、ノードとしてベイジアンネットワークシステム３０に入力される。
　さらに、アラームが発信されると、遠隔監視室１２に駐在しているプラントメーカ保守専門家は、前記アラームの発信をプラント２のオペレータに連絡し、該連絡を受けるとプラント２のオペレータは顧客端末３２に後述する方法によって音声、形態のデータを入力する。該入力されたデータは、ＶＮＰ３３によって、ノードとしてベイジアンネットワークシステム３０に入力される。
　前記ノードが入力されると、ベイジアンネットワークシステム３０ではベイジアンネットワークにより前記不具合の原因を推論して出力する。
　なお、前記アラームが発信された際の設備２のオペレータへの連絡は、前述のように遠隔監視室１２に駐在しているプラントメーカ保守専門家が行ってもよいが、専用回線等を通じてアラームの発信を自動的にオペレータへ連絡するようにしておくと、連絡ミス等のヒューマンエラー防止の観点から好ましい。
　前記音声のデータの入力について、図２を用いて説明する。図２は音声のデータ入力のフローチャートである。
　プラント２のオペレータは、前記アラームが発信された旨の連絡を受けると、プラント２付近に設置されている顧客用端末３２を起動し、図２のフローチャートに従って音声データを入力する準備をする。
　前記オペレータは、顧客端末３２を起動し音声データの入力準備が完了すると、ステップＳ１で運転中のガスタービンから異音がするか否か判断して入力する。
　ステップＳ１でいいえ、即ち異音がしないと判断されると音声データは入力せずに終了する。
　ステップＳ１ではい、即ち異音がすると判断されるとステップＳ２に進み、ステップＳ２で異音がする場所を選択する。
　ステップＳ２で異音がする場所が選択されると、ステップＳ３で、予め用意したガスタービンの各部品ごとの異音のデータベースから、前記選択した場所にある部品における異音サンプルを参照する。
　ステップＳ３で異音のデータベースが参照されると、ステップＳ４で「異音の種類をサンプルから選択ください」と、顧客端末３２上にメッセージが表示されるとともに、複数（本実施例においては５つ）のアイコンが表示される。なおステップＳ３及びステップＳ４は顧客端末３２内部で行われる処理であり、ステップＳ２が終了してからステップ４が終了するまでオペレータは待っていればよい。
　ステップＳ４で前記メッセージ及びアイコンが表示されると、ステップＳ５でオペレータは１つずつ前記アイコンをクリックする。前記アイコンはクリックするとそれぞれステップＳ３で参照したデータベース内の異音のサンプルが再生されるようになっており、オペレータは表示された全てのアイコンを１つずつクリックして全ての異音のサンプルを聴き、どの異音サンプルがガスタービンから発せられている異音と１番近いか選択する。
　ステップＳ５でガスタービンから発せられている異音と１番近い異音サンプルが選択されると、前記選択されたサンプルのデータが図１に示したＶＰＮ３３を介してベイジアンネットワーク３０に送信される。
　前記異音サンプルのデータが送信されると、ステップＳ６で、予め用意した各部品の異音の種類と故障原因との因果関係のデータ、その他の警報データと故障原因の因果関係のデータ及び後述する各部品の燃焼の形態と故障原因との因果関係のデータを参照して、ベイジアンネットワークによって故障の原因を推定し、顧客端末３２に推定結果を折り返し送信する。
　次に、前記形態のデータの入力について、図３を用いて説明する。なおここで本実施例における形態とは燃焼状況のことをいう。図３は燃焼状況のデータ入力のフローチャートである。
　プラント２のオペレータは、前記アラームが発信された旨の連絡を受けると、プラント２付近に設置されている顧客用端末３２を起動し、図３のフローチャートに従って形態データを入力する準備を行う。
　前記オペレータは、顧客端末３２を起動し形態データの入力準備が完了すると、ステップＳ１１で運転中のガスタービンで燃焼状況が観察できるか否か判断して入力する。
　ステップＳ１１でいいえ、即ち燃焼状況が観察できないと判断されると形態データは入力せずに終了する。
　ステップＳ１１ではい、即ち燃焼状況が観察できる判断されるとステップＳ２に進み、ステップＳ２で燃焼状況が観察できる場所を選択する。
　ステップＳ１２で異音がする場所が選択されると、ステップＳ１３で、予め用意したガスタービンの各部品ごとの燃焼炎の動画データベースから、前記選択した場所にある部品における燃焼炎の動画サンプルを参照する。
　ステップＳ１３で燃焼炎の動画データベースが参照されると、ステップＳ１４で「観察される燃焼状況をサンプルから選択下さい」と、顧客端末３２上にメッセージが表示されるとともに、複数（本実施例においては５つ）のアイコンが表示される。なおステップＳ１３及びステップＳ１４は顧客端末３２内部で行われる処理であり、ステップＳ１２が終了してからステップ１４が終了するまでオペレータは待っていればよい。
　ステップＳ１４で前記メッセージ及びアイコンが表示されると、ステップＳ１５でオペレータは１つずつ前記アイコンをクリックする。前記アイコンはクリックするとそれぞれステップＳ１３で参照した燃焼炎の動画データベース内の動画サンプルが再生されるようになっており、オペレータは表示された全てのアイコンを１つずつクリックして全ての動画サンプルを見て、どの動画サンプルがガスタービンで観察される燃焼状況と１番近いか選択する。
　ステップＳ１５でガスタービンで観察される燃焼状況と１番近い動画サンプルが選択されると、前記選択されたサンプルのデータが図１に示したＶＰＮ３３を介してベイジアンネットワーク３０に送信される。
　前記燃焼炎の動画サンプルのデータが送信されると、ステップＳ１６で、予め用意した各部品の燃焼状況の種類と故障原因との因果関係のデータ、その他の警報データと故障原因の因果関係のデータ、及び各部品の異音の種類と故障原因との因果関係のデータを参照して、ベイジアンネットワークによって故障の原因を推定し、顧客端末３２に推定結果を折り返し送信する。
　なお、ステップＳ１６は図２に示したフローチャートにおけるステップＳ６と共通である。
　このようにして、異音サンプルや燃焼動画サンプルを用意し、実際の異音や燃焼状況と近いサンプルをオペレータに選択させることで、具体的な機器の不具合に対して数値化しにくいが不具合原因解明のために役立つ異音や燃焼状況のデータを、主観を極力排除して収集することができる。
　このようにして、主観を極力排除して収集した異音及び燃焼状況のデータをノードに追加し、該異音、燃焼状況のデータ及びその他の前記監視手段が得た不具合値に基づいてベイジアンネットワークによって設備の不具合原因の推論を行うことで、不具合原因の推定精度を向上させることが可能となる。
　さらに、前記ベイジアンネットワークシステム３０には、全ユニットの不具合とその後の設備改修実績のデータベース３４が入力される。ここでいうユニットとはプラント２内のガスタービンを構成する部品をさしている。
　全ユニットの不具合とその後の設備改修実績のデータベース３４について図４を用いて説明する。図４は、全ユニットの不具合とその後の設備改修実績のデータベースの入力と結果の出力を示すフローチャートである。なお、図４におけるフローチャートは全て遠隔管理室１２側における手順である。
　ステップＳ２１で、ベイジアンネットワークシステム３０に、遠隔管理室１２で管理する複数のプラントそれぞれで発生した不具合事象の原因と、その後当該プラントで各プラントユーザが実施した設備改善工事や改修工事のデータ４２を入力し、不具合事象の原因と、プラントユーザが実施した改善工事や設備改修との相関についてベイジアンネットワークを構築しておく。なお、ここで構築するベイジアンネットワークは、前記不具合原因を推論するために用いたベイジアンネットとは別に構築するものであり、以降では第２のベイジアンネットワークと称する。
　遠隔管理室１２で管理するプラント（顧客設備）で不具合が生じ、図２、図３で説明したようにして前記不具合の原因が推測されると、ステップＳ２２で前記推測された不具合原因を第２のベイジアンネットワークに入力する。
　ステップＳ２２で不具合の原因が入力されると、該不具合原因とステップＳ２１で構築した第２のベイジアンネットワークから、ステップＳ２３で不具合が生じたプラントのユーザが今後実施する可能性が高い設備改修項目を確率推論する。
　ステップＳ２３で確率推論が成されると、ステップＳ２４で不具合原因の推論結果とともに今後実施する可能性が高い設備改修項目をプラントユーザに提供し、前記改修工事に関する部品などを集中的に販売促進活動を行う。
　これにより、プラントユーザは、不具合原因の推論結果とともに設備の改善工事や改修工事に関する情報を入手することで、前記不具合に対して迅速な処置を行うことができる。
　また、遠隔管理を実施するプラントメーカは、不具合原因の推論結果とともに設備の改善工事や改修工事について精度よく推測し、該推測の結果をプラントユーザに提供することができるため、プラントユーザに対して改善に必要な部品等、時機を得たマーケティングを実施することができる。
　さらに、前記ベイジアンネットワークシステム３０には、事故による停止期間、復旧内容のデータなどを含む事故データ３６が入力される。
　事故データ３６の入力とその活用について図５を用いて説明する。
　計測値１、２・・・ｎの状態（これは図１におけるプラント内計器類４で計測され、遠隔監視用データサーバ６、遠隔監視サーバ１６等を介してベイジアンネットワークシステム３０に送信されるデータである）、図２を用いて説明した異音の状態、図３を用いて説明した燃焼状況の状態をベイジアンネットワークシステム３０に観測モードとして入力すると、前述のように不具合の原因の推測ができ、さらに符号５２で示した表のように推測される不具合の原因Ｃｉ（ｉ＝１、２、３・・・）とＣｉが発生する確率Ｐ（Ｃｉ）（ｉ＝１、２、３・・・）が推論される。
　また、過去に前記不具合の原因Ｃｉを放置した場合に復旧にかかった費用Ｄ（Ｃｉ）（ｉ＝１、２、３・・・）と復旧にかかった期間Ｔ（Ｃｉ）（ｉ＝１、２、３・・・）のデータを過去の不具合データベース５４として予め用意しておく。
　前記ベイジアンネットワークシステム３０での確率推論結果５２と、過去の不具合データベース５４とから警報を放置した場合に担うコストに関するリスク（Ｒｉｓｋ＿ｃｏｓｔ）が数１に表した数式により計算できる。
Figure JPOXMLDOC01-appb-M000001
　前記不具合を補修するために必要な対策費５６を計算し、数１に表した数式で計算されるコストに関するリスク（Ｒｉｓｋ＿ｃｏｓｔ）と比較することで、発生している不具合を早期に補修すべきか否かの判断が容易となるとともに定量的に判断することができる。
　また、前記ベイジアンネットワークシステム３０での確率推論結果５２と、過去の不具合データベース５４とから警報を放置した場合に担う復旧期間に関するリスク（Ｒｉｓｋ＿ｐｅｒｉｏｄ）が数２に表した数式により計算できる。
Figure JPOXMLDOC01-appb-M000002
 　前記不具合を補修するために必要な期間（復旧期間）を計算し、数１に表した数式で計算される復旧期間に関するリスク（Ｒｉｓｋ＿ｐｅｒｉｏｄ）と比較することで、発生している不具合を早期に補修すべきか否かの判断が容易となるとともに定量的に判断することができる。
　これにより遠隔監視を行うプラントメーカは、発生している不具合を早期に補修することが設備のライフサイクルコストを考えると最適であるか否かを定量的に顧客に説明することができるため、プラントメーカの保守専門家の信頼性も向上する。
　さらに、前記ベイジアンネットワークには、前記計測値１、２・・・・ｎの状態、異音の状態及び燃焼の状態とともに、全ユニットの不具合の時系列データ３８が入力される。
　全ユニットの不具合の時系列データについて図６を用いて説明する。
　全ユニットの不具合の時系列データ３８とは、プラント（顧客設備）を形成する各ユニットで過去に発生した不具合を時系列に並べて入力したデータをいう。
　前記過去に発生した不具合を時系列に並べてベイジアンネットワークに入力することで、不具合事象について、発生しているもしくは発生しそうな状態になると次に生じる可能性がある損傷要因が推測される。該推測結果を用いることで、次に生じる可能性がある不具合事象が発生しそうであるかどうかを検査し、早めに対策をとることができる。即ち、ある不具合事象が生じたら、次に生じやすい不具合事象を推論することができることから、定期検査時等における設備の検査項目を設備の不具合の実績にあったものとすることができ、効率的に検査を行うことができる。
　さらに、定修時などに実際に前記不具合の原因を調査して原因調査結果４０をベイジアンネットワークシステム３０に入力し、前記ベイジアンネットワークシステム３０を用いて推論した不具合原因が正しかったかどうかを元に、該ベイジアンネットワークシステム３０の各ノード間の条件付確率表の確率値をアップデートすると、ベイジアンネットワークの条件付確率表がアップデートされ、推論精度が向上する。
　推論結果が充分な精度を有し、不具合の補修に最適な補修時期や、ある不具合と同時又は以降に発生しうる他の不具合を推測することができ、プラントに用いられる大型機器に採用することが可能な設備の不具合管理方法として利用することができる。

Claims (5)

  1. 　設備の動作状態を監視手段により監視し、前記設備の不具合発生時に前記監視手段が得た設備の運転状態に関する計測値のデータをノードとして推論手段によって設備の不具合原因の推論を行なう設備の不具合管理方法において、
    　予め用意された複数の音響データの中から、前記不具合が発生した設備より発せられる音に最も近い音響データを選択するとともに、
    　予め用意された複数の形態データの中から、前記不具合が発生した設備の形態に最も近い形態データを選択し、
    　前記選択された音響データ及び形態データを前記ノードに追加し、
    　該ノードに基づいて第１のベイジアンネットワークによって設備の不具合原因の推論を行うことを特徴とする設備の不具合管理方法。
  2. 　前記設備における過去の不具合原因の推論結果と、該推論結果に対する設備の改修の実績との相関について第２のベイジアンネットワークを構築し、該第２のベイジアンネットワークによって前記第１のベイジアンネットワークで不具合原因の推論が成された設備に対して実施する可能性が高い設備の改修方法の推論を行うことを特徴とする請求項１記載の設備の不具合管理方法。
  3. 　前記設備又は類似の設備における過去の不具合原因の推論結果に関して、適切な処置を施さなかった場合に生じた故障を補修するために必要なコストを前記推論結果とともにデータベース化し、
    　前記データベースを用いて、前記設備の不具合を放置した場合に該不具合が原因による故障が発生する確率を前記第１のベイジアンネットワークを用いて推論し、
    　前記推論された確率と前記故障を補修するために必要な前記コストとを掛け合わせたリスクを計算して提示することを特徴とする請求項１記載の設備の不具合管理方法。
  4. 　前記不具合原因を補修するために必要なコストを計算し、該コストと前記リスクとを比較することを特徴とする請求項３記載の設備の不具合管理方法。
  5. 　前記設備において発生した不具合の原因の推論結果の時系列データを作成し、該時系列データを前記第１のベイジアンネットワークに入力し、前記設備において次に発生する確率が高い不具合原因をその発生確率とともに推論することを特徴とする請求項１記載の設備の不具合管理方法。
PCT/JP2009/065768 2008-11-25 2009-09-09 設備の不具合管理方法 WO2010061681A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
MX2010010750A MX2010010750A (es) 2008-11-25 2009-09-09 Metodo para la resolucion de problemas del equipo.
CN200980111139.0A CN101981421B (zh) 2008-11-25 2009-09-09 设备不良情况的管理方法
US12/921,494 US9696718B2 (en) 2008-11-25 2009-09-09 Method for trouble managing of equipment
GB1018260.8A GB2471805B (en) 2008-11-25 2009-09-09 Method for trouble managing of equipment

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2008-299451 2008-11-25
JP2008299451A JP5101465B2 (ja) 2008-11-25 2008-11-25 設備の不具合管理方法

Publications (1)

Publication Number Publication Date
WO2010061681A1 true WO2010061681A1 (ja) 2010-06-03

Family

ID=42225561

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2009/065768 WO2010061681A1 (ja) 2008-11-25 2009-09-09 設備の不具合管理方法

Country Status (7)

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

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014127093A (ja) * 2012-12-27 2014-07-07 Yokogawa Electric Corp イベント解析装置およびコンピュータプログラム
WO2016121689A1 (ja) * 2015-01-27 2016-08-04 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
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

Families Citing this family (22)

* 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
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
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
DE102012024392A1 (de) * 2012-12-13 2014-06-18 Heidelberger Druckmaschinen Ag Vorrausschauende Servicebenachrichtigung
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
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
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
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
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"
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
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
KR102337873B1 (ko) 2021-08-31 2021-12-09 농업회사법인 주식회사 고은 빅데이터 수집을 위한 레일 이용형 작물 생육 측정장치
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

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6435237A (en) * 1987-07-30 1989-02-06 Anritsu Corp Abnormality diagnosis for rotary machine
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
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
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
JP2007074290A (ja) * 2005-09-06 2007-03-22 Fuji Xerox Co Ltd 故障診断システム、画像形成装置及び故障診断方法
JP2007188287A (ja) * 2006-01-13 2007-07-26 Nippon Telegr & Teleph Corp <Ntt> 類似状況検索システムおよび類似状況検索方法

Family Cites Families (21)

* 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
JPH0534214Y2 (ja) * 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
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
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
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
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
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

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6435237A (en) * 1987-07-30 1989-02-06 Anritsu Corp Abnormality diagnosis for rotary machine
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
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
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
JP2007074290A (ja) * 2005-09-06 2007-03-22 Fuji Xerox Co Ltd 故障診断システム、画像形成装置及び故障診断方法
JP2007188287A (ja) * 2006-01-13 2007-07-26 Nippon Telegr & Teleph Corp <Ntt> 類似状況検索システムおよび類似状況検索方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014127093A (ja) * 2012-12-27 2014-07-07 Yokogawa Electric Corp イベント解析装置およびコンピュータプログラム
WO2016121689A1 (ja) * 2015-01-27 2016-08-04 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
JP2016139274A (ja) * 2015-01-27 2016-08-04 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
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

Also Published As

Publication number Publication date
CN101981421A (zh) 2011-02-23
GB2471805A (en) 2011-01-12
MX2010010750A (es) 2010-10-15
CN101981421B (zh) 2016-04-20
US9696718B2 (en) 2017-07-04
JP5101465B2 (ja) 2012-12-19
KR101216293B1 (ko) 2012-12-28
US20110046995A1 (en) 2011-02-24
GB2471805B (en) 2015-06-10
KR20100113635A (ko) 2010-10-21
JP2010128553A (ja) 2010-06-10
GB201018260D0 (en) 2010-12-15

Similar Documents

Publication Publication Date Title
JP5101465B2 (ja) 設備の不具合管理方法
JP5627477B2 (ja) プラント安全設計支援装置及びプラント監視保守支援装置
JP5129725B2 (ja) 装置異常診断方法及びシステム
CA2338006C (en) Remote monitoring diagnostic system and method thereof
US10310496B2 (en) Systems and methods for communicating in a predictive maintenance program using remote analysts
US20090096405A1 (en) Method and system for remotely predicting the remaining life of an ac motor system
JP4911080B2 (ja) 品質改善システム
US6901306B2 (en) Semiconductor manufacturing apparatus and its diagnosis apparatus and operating system
JP5468041B2 (ja) プラントの機器維持管理システム
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
WO2018235399A1 (ja) プラント支援評価システム及びプラント支援評価方法
SE502852C2 (sv) Sätt och system för distribuerad övervakning av hårdvara
JP2002062934A (ja) 設備点検端末
JP2022034392A (ja) 故障診断装置、故障診断方法、および学習済みモデル
JP2005071200A (ja) 製造情報管理プログラム
JP2004031381A (ja) 半導体製造装置及びその診断装置ならびに半導体製造装置の運用システム
JP3858887B2 (ja) 故障判定システムとその判定方法
JP4691285B2 (ja) 製品使用環境情報収集分析装置
JP2007115119A (ja) 監視制御装置の保守支援システム
CN111951944A (zh) 一种辅助管理工程师的方法和平台
JP2023154742A (ja) 学習システム、不良予測システム、学習済みモデル、学習方法、及び不良予測方法
WO2024011103A1 (en) Monitoring full emissions profile of a natural gas compressor
CN116910615A (zh) 一种核电厂故障溯源及辅助决策系统
JP5872420B2 (ja) プラント監視システムおよびその更新方法
JP2000209202A (ja) ネットワ―ク障害管理方式

Legal Events

Date Code Title Description
WWE Wipo information: entry into national phase

Ref document number: 200980111139.0

Country of ref document: CN

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 09828930

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 20107020443

Country of ref document: KR

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 6495/DELNP/2010

Country of ref document: IN

WWE Wipo information: entry into national phase

Ref document number: MX/A/2010/010750

Country of ref document: MX

ENP Entry into the national phase

Ref document number: 1018260

Country of ref document: GB

Kind code of ref document: A

Free format text: PCT FILING DATE = 20090909

WWE Wipo information: entry into national phase

Ref document number: 1018260.8

Country of ref document: GB

WWE Wipo information: entry into national phase

Ref document number: 12921494

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 09828930

Country of ref document: EP

Kind code of ref document: A1