JPH08320721A - 故障予知装置の異常内容判定方法 - Google Patents

Abstract

(57)【要約】 【目的】 異常予知時にその内容を的確に判別できる故
障予知装置の異常内容判定方法を提供する。 【構成】 故障予知時にその時点の判定データを記憶し
（Ｓ１２）、既存の関連データに類似のデータがあるか
どうか探索する（Ｓ１３）。既存の関連データに類似し
ている時は異常内容を表示し（Ｓ１４）、実際の異常内
容と合致するか否か判定する（Ｓ１６）。また、類似デ
ータがない時は「異常内容不定」を出力する（Ｓ１
５）。この時と実際の異常内容と合致しなかった時に、
異常内容を入力し（Ｓ１７）、その異常内容と予知時点
の関連データを関連付けて記憶する（Ｓ１８）。これら
のフローを繰り返し、操業中に種々の異常内容とそのデ
ータを記憶、学習しながら、異常内容の特定が可能な予
知を増加させる。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、故障予知装置に故障内
容を記録し、故障予知時にその状態から、記録された内
容より的確なものを判別表示する異常内容判定方法に関
する。

【０００２】

【従来の技術】プラント等の設備において、その故障を
事前に予知することは難しい。個々の装置については、
その特性を活かした予知方法があっても、１００％の予
知は難しく、汎用的に故障の予知を行う装置に至っては
皆無である。

【０００３】このため、故障予知を行うには、設備個々
について何等かの特性を見出だし、それに従って予知ア
ルゴリズムを作成し、個別プログラムを装置に組み込む
必要があるが、それは非常に煩雑なことである。

【０００４】上記問題点の解消策として、カオスを応用
した故障予知装置を提案した。それは、設備または装置
（例えば、変圧器，モータ等）の状態を表す物理的な量
の正常操業時の時系列データを計測手段により求め、時
系列データからデータベクトルを生成するとともに、カ
オス理論による埋め込み操作で時系列データのアトラク
タを再構成し、この再構成アトラクタと実操業時の計測
データを用いて数ステップ先までの値を予測し、予測値
と実測値の誤差を判定することにより故障予知を行うも
のである。その構成の一例（例１）を図２に示す。図
中、１は設備または装置（例えば、変圧器，モータ等）
の状態を表す物理的な量（電圧，電流，油温等）を、正
常操業時に電気信号として計測して時系列データを得る
データ計測手段、２は正常操業時の時系列データからデ
ータベクトルを作るデータベクトル生成手段、３はカオ
ス理論による埋め込み操作でアトラクタを再構成するア
トラクタ再構成手段、４は再構成されたアトラクタを記
憶する記憶部、５は実操業時のデータをリアルタイムで
取り込み、埋め込み操作を行ってデータベクトルを作
り、これと記憶部４のデータから、次の周期（１周期と
する）からｎ周期先までの値をテセレーション法などに
より予測する予測演算手段、６は予測値を格納する予測
結果格納手段、７は（ｎ＋１）の予測値と（ｎ＋１）の
実測値を比較して予測誤差を求める比較手段、８はｎ個
の予測値の各々の予測誤差の平均をとり、その値がｍ回
連続してしきい値ａ以上になった時点で設備異常予測警
報を出す誤差判別手段である。

【０００５】故障予知動作を図３に示すフローチャート
を参照しながら説明する。まず、設備の状態を表す物理
的な量を選択し、電気信号として計測して正常時の時系
列データを収集する（Ｓ１）。この正常操業時の時系列
データは、既に存在する場合にはそのデータを使用し、
存在しない場合には実操業中に収集する。そして、時系
列データの埋め込み理論に基づいてアトラクタを再構成
し、記憶部４に記憶させておく（Ｓ２）。

【０００６】一方、予測演算手段５には、実操業時のデ
ータをリアルタイムで取り込み（Ｓ３）、埋め込み操作
を行ってデータベクトルを作り、これと記憶部４から読
出したアトラクタデータを用いて、次の周期（１周期）
からｎ周期先までの値を予測する（Ｓ４）。最初の予測
ステップの実測値と同ステップの予測値を比較手段７で
比較し、続いて各ステップの実測値と予測値を比較す
る。ｎステップ後に、ｎ個の誤差の平均をとる（Ｓ
５）。この誤差がしきい値ａ以上か否か判定する（Ｓ
６）。予測と比較は、各ステップ毎に行っており、ａ以
上の誤差がｍ回連続したか否か判定する（Ｓ７）。予測
誤差がｍ回連続してａ以上になった時点で誤差判別手段
８から設備異常予測警報が出される（Ｓ８）。

【０００７】上記の動作で、故障が発生する前の設備の
状態を表す物理的な量（データ）の微妙な、表面的には
読み取れない変化が的確に検出されるようになり、予知
精度の高い故障予知が期待できる。

【０００８】なお、設備の状態を表す物理的な量（時系
列データ）は複数種類であってもよい。その場合には、
物理的な量の重要度に従って回数ｍを設定し、各量につ
いての予測警報信号の論理和を取る。

【０００９】誤差判別手段にファジィ理論を応用した例
を例２として図４に示す。この例では、比較手段７で予
測値と実測値を比較し、その差をファジィ理論を応用し
た誤差判別手段１８に入力して誤差の判定を行い、ｍ回
連続して異常判定が出力された時に設備異常予測警報を
出すようにしている。その構成は、ブロック回路的には
実施例１と同様であり、誤差判別手段８，１８の誤差判
定方法が異なる。

【００１０】誤差判別手段１８においては、予測値と実
測値の差（個別誤差Ｅ）を図５に示すようにファジィ理
論におけるメンバーシップ関数で表している。ここで
は、説明を簡単にするために、誤差小ＥＳ，誤差中Ｅ
Ｍ，誤差大ＥＢの三つのメンバーシップ関数で表してい
る。更に、個別データの異常度Ｆも図６に示すようにメ
ンバーシップ関数で表している。この場合には、調整を
容易にするため、クリスプな値とし、異常度小ＦＳ，異
常度中ＦＭ，異常度大ＦＢの三つとしている。ファジィ
推論のルールは以下の通りとする。

【００１１】

【数１】

【００１２】設備の状態を表す物理的な量が１種類の場
合には、上記の個別異常度が基準値以上となった時、設
備に異常発生の可能性がある、と判定し、ｍ回連続した
時に異常予測警報を出すが、設備全体の故障予知を万全
にするためには予知に資する物理的な量を複数種類とす
るのが一般的である。その場合は、複数の個別異常度Ｆ
ｄについて図７に示すように小ＦＳｄ，中ＦＭｄ，大Ｆ
Ｂｄの三つにメンバーシップ関数を設定する。また、設
備全体の異常度Ｆ_Tのメンバーシップ関数を図８に示す
ように小ＦＳＴ，中ＦＭＴ，大ＦＢＴの三つに設定す
る。全体異常度Ｆ_Tについての関数はクリスプな値とす
る。ファジィ推論のルールは以下の通りとする。

【００１３】

【数２】

【００１４】ｍｉｎ−ｍａｘＣＧ法などによって求めた
設備全体の異常度Ｆ_Tｎは、基準値Ｆ_T0と比較し、 Ｆ_T0＜Ｆ_Tｎ の時、「設備全体の異常発生の可能性有り」と判定す
る。この判定がｍ回連続した時点で異常予測警報を出
す。

【００１５】このようにファジィ理論を応用した誤差判
別手段１８では、誤差の大きさを判定要素に組み込むこ
とが可能であり、判定精度、即ち予知精度が高くなる。
また、複数種類の計測量の場合には、個別異常度のメン
バーシップ関数を調整（クリスプな値のＦＢ，ＦＭ，Ｆ
Ｓを調整）することにより、データ間の重み付けが可能
となり、精細な故障予知が期待できる。更に、ファジィ
推論のルールの後件部メンバーシップ関数にクリスプな
値を用いたので、調整が容易になるとともに、演算の高
速化が図れる。

【００１６】

【発明が解決しようとする課題】しかし、上記構成の故
障予知装置では、様々な設備または装置の異常を高精度
に、かつ早い段階で予知できても、その内容を特定する
ことは難しい。従って、故障予知時点で設備全体に対す
る点検または注意態勢が必要になる。

【００１７】そこで本発明は、上記課題を解決し、異常
予知時にその内容を的確に判別できる故障予知装置の異
常内容判定方法を提供することを目的とする。

【００１８】

【課題を解決するための手段及び作用】本発明は、故障
予知装置の異常予測警報出力時に判定時点の判定データ
を記憶する処理段階と、異常予知関連データと異常内容
を関連付けて記憶する処理段階と、既存の記憶異常デー
タと現時点の異常予知判定データを比較し、異常内容を
推定する処理段階と、予知した異常内容が実際の異常内
容と合致するか否かを判定する処理段階とを有すること
を特徴とするものであり、新たな異常内容とその異常予
知関連データを関連付けて記憶、蓄積し、学習効果で異
常内容の特定が可能な予知を増加させる。

【００１９】

【実施例】本発明による故障予知装置の異常内容判定方
法を図１に示すフローチャートを参照しながら説明す
る。

【００２０】（Ｓ１１）；故障予知装置が稼働している
状態で、何等かの異常がある、と判定した時に予知情報
を出力する。予知情報は、ＣＲＴ等に表示する。

【００２１】（Ｓ１２）；その予知判定に関わった、異
常予知時点の計測値と、その各値が埋め込み処理された
座標位置を記録する。

【００２２】（Ｓ１３）；既に記憶されているデータが
あれば、上記のＳ１２で記憶したデータと比較し、類似
データかどうか判定する。比較方法は、各対応データの
誤差または埋め込み処理後の座標位置の場合はその距離
が一定値（ε）以下であるような値がｎ個以上ある、な
どが考えられるが、他の方法でもよい。

【００２３】（Ｓ１４）；上記Ｓ１３の判断により、類
似データがある場合はそのデータ（複数ある場合は最も
近いデータ）に関連付けられている異常内容を表示す
る。

【００２４】（Ｓ１５）；類似データがない場合は、
「異常内容不定」を出力する。

【００２５】（Ｓ１６）；前記Ｓ１４での出力が実際の
異常と合致したかどうかを判定し、オペレータがＣＲＴ
等により入力する。

【００２６】（Ｓ１７）；前記Ｓ１５の出力後、または
上記Ｓ１６で合致しなかった場合は、オペレータがＣＲ
Ｔ等により本当の異常内容を入力する。

【００２７】（Ｓ１８）；上記Ｓ１７で入力した異常内
容と前記Ｓ１２での関連データを関連付けて記憶する。

【００２８】以上のフローを繰り返し、操業中に種々の
異常内容とそのデータを記憶、学習しながら、異常内容
の特定が可能な予知を増加させる。

【００２９】

【発明の効果】以上のように本発明によれば、異常予知
時点の関連データあるいはその類似データを以前の記憶
データから探索して表示したり、新たな異常内容として
記録したりするので、学習効果で異常内容まで予知可能
となり、より的確な異常予知情報をオペレータに提供す
ることができる。

【図面の簡単な説明】

【図１】本発明による故障予知装置の異常内容判定方法
の実施例を示すフローチャート。

【図２】本発明方法の適用例として挙げた、カオスを応
用した故障予知装置の構成（例１）を示すブロック回路
図。

【図３】例１の故障予知装置の動作を説明するためのフ
ローチャート。

【図４】適用例の故障予知装置の誤差判別手段にファジ
ィ理論を用いた場合（例２）の要部の構成を示すブロッ
ク回路図。

【図５】例２のファジィ理論を応用した誤差判別手段に
おける個別誤差についてのメンバーシップ関数を示すグ
ラフ。

【図６】例２のファジィ理論を応用した誤差判別手段に
おける個別異常度についてのメンバーシップ関数を示す
グラフ。

【図７】例２のファジィ理論を応用した誤差判別手段に
おける個別異常度の複数種類についてのメンバーシップ
関数を示すグラフ。

【図８】例２のファジィ理論を応用した誤差判別手段に
おける全体異常度についてのメンバーシップ関数を示す
グラフ。

【符号の説明】

１…正常操業時の時系列データを得る計測手段 ２…データベクトル生成手段 ３…アトラクタ再構成手段 ４…記憶部 ５…予測演算手段 ７…比較手段 ８，１８…誤差判別手段 Ｓ１１〜Ｓ１８…異常内容判定手順のステップ

Claims (1)

【特許請求の範囲】
1. 【請求項１】 故障予知装置の異常予測警報出力時に判
   定時点の判定データを記憶する処理段階と、異常予知関
   連データと異常内容を関連付けて記憶する処理段階と、
   既存の記憶異常データと現時点の異常予知判定データを
   比較し、異常内容を推定する処理段階と、予知した異常
   内容が実際の異常内容と合致するか否かを判定する処理
   段階とを有することを特徴とする故障予知装置の異常内
   容判定方法。