JPH09305224A - 予防保全方法及び装置 - Google Patents
予防保全方法及び装置Info
- Publication number
- JPH09305224A JPH09305224A JP12305096A JP12305096A JPH09305224A JP H09305224 A JPH09305224 A JP H09305224A JP 12305096 A JP12305096 A JP 12305096A JP 12305096 A JP12305096 A JP 12305096A JP H09305224 A JPH09305224 A JP H09305224A
- Authority
- JP
- Japan
- Prior art keywords
- data
- target data
- determination target
- abnormality
- determination
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Alarm Systems (AREA)
- Feedback Control In General (AREA)
Abstract
(57)【要約】
【課題】異常の判定を高精度に行う予防保全装置を提供
する。 【解決手段】機器設備の計測データから機器の異常を検
出する予防保全装置４は、判定対象データと判定対象デ
ータに影響を及ぼす影響因子との関係を予め学習する相
関関係学習部３０と、この相関関係学習部３０の学習結
果に基づき判定対象データの正常値を推定する正常値推
定部４０と、この正常値推定部４０により推定した推定
値に基づき異常判定のしきい値を決定するしきい値決定
部５０と、このしきい値決定部５０により求めたしきい
値と判定対象データを比較し機器の異常を判定する判定
部６０とを備えており、影響因子と判定対象データとを
学習させることにより高精度な異常判定を行うことがで
きる。
する。 【解決手段】機器設備の計測データから機器の異常を検
出する予防保全装置４は、判定対象データと判定対象デ
ータに影響を及ぼす影響因子との関係を予め学習する相
関関係学習部３０と、この相関関係学習部３０の学習結
果に基づき判定対象データの正常値を推定する正常値推
定部４０と、この正常値推定部４０により推定した推定
値に基づき異常判定のしきい値を決定するしきい値決定
部５０と、このしきい値決定部５０により求めたしきい
値と判定対象データを比較し機器の異常を判定する判定
部６０とを備えており、影響因子と判定対象データとを
学習させることにより高精度な異常判定を行うことがで
きる。
Description
【０００１】
【発明の属する技術分野】本発明は、プラント，発電設
備，通信設備などの機器設備の状態を測定または観測
し、その結果に基づいて対象機器の異常を検出する予防
保全方法及び装置に関する。
備，通信設備などの機器設備の状態を測定または観測
し、その結果に基づいて対象機器の異常を検出する予防
保全方法及び装置に関する。
【０００２】
【従来の技術】機器の異常状態を検出したり、事前に異
常状態を予測したりする予防保全方法では、機器設備の
電圧、電流、温度などの判定対象データを各々センサー
で測定し、各々の値が予め定めた値（この基準値をしき
い値と称する）と比較して、その大小関係により「正
常」か「異常」かを判定する。
常状態を予測したりする予防保全方法では、機器設備の
電圧、電流、温度などの判定対象データを各々センサー
で測定し、各々の値が予め定めた値（この基準値をしき
い値と称する）と比較して、その大小関係により「正
常」か「異常」かを判定する。
【０００３】
【発明が解決しようとする課題】しかしながら、機器設
備の特性は製造メーカー及びその型式によって異なるこ
とがほとんどである。また、同じ機器を対象とした場合
でも、動作条件や経年変化などのため、正常状態であっ
ても、機器設備の電圧、電流、温度などの判定対象デー
タが変化する場合がある。（ここで、これら判定対象デ
ータに影響を及ぼす因子を「影響因子」と称する。） 従来技術では、動作条件、経年変化などに応じて、しき
い値を決定する方法はとられておらず、そのため、判定
精度が低下する場合があった。
備の特性は製造メーカー及びその型式によって異なるこ
とがほとんどである。また、同じ機器を対象とした場合
でも、動作条件や経年変化などのため、正常状態であっ
ても、機器設備の電圧、電流、温度などの判定対象デー
タが変化する場合がある。（ここで、これら判定対象デ
ータに影響を及ぼす因子を「影響因子」と称する。） 従来技術では、動作条件、経年変化などに応じて、しき
い値を決定する方法はとられておらず、そのため、判定
精度が低下する場合があった。
【０００４】本発明では、異常の判定の対象となる計測
データとその計測データが正常である場合の周囲の環境
（影響因子）との相関に基づいて、異常の判定を行うた
めのしきい値を決定するようにし、異常の判定を高精度
に行う予防保全装置並びに方法を提供することを目的と
している。
データとその計測データが正常である場合の周囲の環境
（影響因子）との相関に基づいて、異常の判定を行うた
めのしきい値を決定するようにし、異常の判定を高精度
に行う予防保全装置並びに方法を提供することを目的と
している。
【０００５】
【課題を解決するための手段】上記目的は、機器設備の
計測データから機器の異常を検出する予防保全方法にお
いて、予め測定した判定対象データと判定対象データに
影響を及ぼす影響因子データとの関係を予め学習する段
階と、計測される影響因子データと該学習した結果に基
づき判定対象データを推定する段階と、該推定した判定
対象データの推定値に基づいて異常判定のしきい値を決
定する段階と、前記機器設備から計測される判定対象デ
ータと該決定したしきい値により前記機器設備の異常を
判定する段階とを具備することにより達成することがで
きる。
計測データから機器の異常を検出する予防保全方法にお
いて、予め測定した判定対象データと判定対象データに
影響を及ぼす影響因子データとの関係を予め学習する段
階と、計測される影響因子データと該学習した結果に基
づき判定対象データを推定する段階と、該推定した判定
対象データの推定値に基づいて異常判定のしきい値を決
定する段階と、前記機器設備から計測される判定対象デ
ータと該決定したしきい値により前記機器設備の異常を
判定する段階とを具備することにより達成することがで
きる。
【０００６】また上記目的は、機器設備の計測データか
ら機器の異常を検出する予防保全方法において、予め測
定した判定対象データと該判定対象データに影響を及ぼ
す影響因子データとの関係を学習する段階と、計測され
る影響因子データの近傍の影響因子のデータと該近傍の
影響因子データに対応する第１の判定対象データを抽出
する段階と、前記学習した結果に基づいて計測される影
響因子データに対する第２の判定対象データと、近傍の
影響因子データに対応する第３の判定対象データとを推
定する段階と、前記抽出した第１の判定対象データと該
推定した第３の判定対象データから偏差を決定する段階
と、該決定された偏差と該推定された第２の判定対象デ
ータからしきい値の上限値及び下限値を求める段階と、
該求めた上限値及び下限値により該設備から計測された
判定対象データの異常を判定する段階とを具備すること
により達成することができる。
ら機器の異常を検出する予防保全方法において、予め測
定した判定対象データと該判定対象データに影響を及ぼ
す影響因子データとの関係を学習する段階と、計測され
る影響因子データの近傍の影響因子のデータと該近傍の
影響因子データに対応する第１の判定対象データを抽出
する段階と、前記学習した結果に基づいて計測される影
響因子データに対する第２の判定対象データと、近傍の
影響因子データに対応する第３の判定対象データとを推
定する段階と、前記抽出した第１の判定対象データと該
推定した第３の判定対象データから偏差を決定する段階
と、該決定された偏差と該推定された第２の判定対象デ
ータからしきい値の上限値及び下限値を求める段階と、
該求めた上限値及び下限値により該設備から計測された
判定対象データの異常を判定する段階とを具備すること
により達成することができる。
【０００７】また上記目的は機器設備の計測データから
機器の異常を検出する予防保全装置において、前記機器
設備から計測される複数種類の計測データを記憶する記
憶手段と、該記憶手段に記憶された複数種類の計測デー
タから前記機器の異常を判定するための判定対象データ
及び該判定対象データに影響を及ぼす影響因子を選択す
るデータ選択手段と、該選択された判定対象データ及び
影響因子との関係を予め学習し、前記機器設備から計測
された影響因子に対する判定対象データを推定する推定
手段と、前記機器設備から計測される判定対象データと
該推定手段により推定された該判定対象データに基づい
て前記機器設備の異常を判定する判定手段とを備えるこ
とにより達成することができる。
機器の異常を検出する予防保全装置において、前記機器
設備から計測される複数種類の計測データを記憶する記
憶手段と、該記憶手段に記憶された複数種類の計測デー
タから前記機器の異常を判定するための判定対象データ
及び該判定対象データに影響を及ぼす影響因子を選択す
るデータ選択手段と、該選択された判定対象データ及び
影響因子との関係を予め学習し、前記機器設備から計測
された影響因子に対する判定対象データを推定する推定
手段と、前記機器設備から計測される判定対象データと
該推定手段により推定された該判定対象データに基づい
て前記機器設備の異常を判定する判定手段とを備えるこ
とにより達成することができる。
【０００８】また上記目的は機器設備の計測データから
機器の異常を検出する予防保全装置において、前記機器
設備から計測される複数種類の計測データを記憶する記
憶手段と、該記憶手段に記憶された複数種類の計測デー
タから前記機器の異常を判定するための判定対象データ
及び該判定対象データに影響を及ぼす影響因子データを
選択するデータ選択手段と、該影響因子データの近傍の
影響因子データ及び該近傍の影響因子データに対応した
第１の判定対象データを抽出する近傍データ抽出手段
と、該データ選択手段により選択された該判定対象デー
タ及び該影響因子データとの関係を予め学習し、前記機
器設備から計測された影響因子データに対す第２の判定
対象データと該近傍データ抽出手段により抽出された影
響因子データに対する第３の判定対象データとを推定す
る推定手段と、前記近傍データ抽出手段により抽出され
た第１の判定対象データと該推定された第３の判定対象
データとから偏差を決定する手段と該決定された偏差と
該推定された第２の判定対象データから上限値及び下限
値を決定する手段と、該決定された上限値及び下限値と
前記機器設備から計測される判定対象データにより該設
備機器の異常を判定する判定部とを備えることにより達
成することができる。
機器の異常を検出する予防保全装置において、前記機器
設備から計測される複数種類の計測データを記憶する記
憶手段と、該記憶手段に記憶された複数種類の計測デー
タから前記機器の異常を判定するための判定対象データ
及び該判定対象データに影響を及ぼす影響因子データを
選択するデータ選択手段と、該影響因子データの近傍の
影響因子データ及び該近傍の影響因子データに対応した
第１の判定対象データを抽出する近傍データ抽出手段
と、該データ選択手段により選択された該判定対象デー
タ及び該影響因子データとの関係を予め学習し、前記機
器設備から計測された影響因子データに対す第２の判定
対象データと該近傍データ抽出手段により抽出された影
響因子データに対する第３の判定対象データとを推定す
る推定手段と、前記近傍データ抽出手段により抽出され
た第１の判定対象データと該推定された第３の判定対象
データとから偏差を決定する手段と該決定された偏差と
該推定された第２の判定対象データから上限値及び下限
値を決定する手段と、該決定された上限値及び下限値と
前記機器設備から計測される判定対象データにより該設
備機器の異常を判定する判定部とを備えることにより達
成することができる。
【０００９】
【発明の実施の形態】本発明では、相関関係学習部によ
り、判定対象データと影響因子との正常時の相関関係を
学習し、その学習結果に基づいて、正常値推定部で判定
対象データの正常値を推定する。状態判定のためのしき
い値は、この推定値を基準として決定する。従って、判
定対象データの正常値が運転条件によって変化する場合
でも、運転条件を影響因子として正常値との関係を相関
関係学習部で学習しておけば、判定時の運転条件に応じ
た正常値を推定することができる。また、機器特性の経
年変化によって正常値が変化した場合でも、最近のデー
タを用いて学習し直すことで対応できる。
り、判定対象データと影響因子との正常時の相関関係を
学習し、その学習結果に基づいて、正常値推定部で判定
対象データの正常値を推定する。状態判定のためのしき
い値は、この推定値を基準として決定する。従って、判
定対象データの正常値が運転条件によって変化する場合
でも、運転条件を影響因子として正常値との関係を相関
関係学習部で学習しておけば、判定時の運転条件に応じ
た正常値を推定することができる。また、機器特性の経
年変化によって正常値が変化した場合でも、最近のデー
タを用いて学習し直すことで対応できる。
【００１０】すなわち、本発明によれば、運転条件や機
器特性の経年変化によって判定対象データの正常値が変
化しても、その場合に応じたしきい値を適切に決定する
ことができ、判定精度が向上する。
器特性の経年変化によって判定対象データの正常値が変
化しても、その場合に応じたしきい値を適切に決定する
ことができ、判定精度が向上する。
【００１１】また、前記しきい値幅決定部では、学習に
用いたデータ数及び学習した相関関係と、学習データと
の偏差（学習誤差）に基づいて推定値の信頼性を評価す
る。この信頼性が高い場合、すなわち推定値の確からし
さが大きい場合は、しきい値間隔を小さく設定し、信頼
性が低い場合には、しきい値間隔を大きくするように、
しきい値を決定する。
用いたデータ数及び学習した相関関係と、学習データと
の偏差（学習誤差）に基づいて推定値の信頼性を評価す
る。この信頼性が高い場合、すなわち推定値の確からし
さが大きい場合は、しきい値間隔を小さく設定し、信頼
性が低い場合には、しきい値間隔を大きくするように、
しきい値を決定する。
【００１２】これにより、学習状態の良否に応じて、し
きい値間隔を設定するので誤判定を少なくすることがで
きる。
きい値間隔を設定するので誤判定を少なくすることがで
きる。
【００１３】（実施例１）以下、図面に従って説明す
る。
る。
【００１４】航空機の安全な運行を管理するための運行
管理システムに本発明を適用したものを図１に示す。
管理システムに本発明を適用したものを図１に示す。
【００１５】運行管理システムは航空機の位置をレーダ
により検出するレーダサイト１ａ〜１ｎ、レーダサイト
１ａ〜１ｎより検出されたデータに基づいて航空機の運
行管理又はレーダサイト１ａ〜１ｎのレーダを制御する
中央監視センター３から構成されている。そして、レー
ダサイト１ａ〜１ｎは通常、山頂や離島などの遠隔地に
分散して設置されているため、無人の施設が多い。その
ため、機器の保守・点検用に使われる機器の運転状態を
表わすデータ、及び気温などの計測条件を表わすデータ
は、電話回線２を介して中央監視センタ３へ転送するよ
うになっている。中央監視センタ３では、分散設置され
た各レーダサイト１ａ〜１ｎの運転状態をモニタリング
し、通信装置の制御を行うとともに、中央監視センタ３
の中に設置された予防保全装置４でサイト内の機器のデ
ータを統括管理し、機器の状態を判定する。レーダサイ
ト１ａ〜１ｎは航空機の安全な運行を保障するために必
要不可欠の設備である。よって、設備の異常による機能
の低下及び停止は重大事故を意味する。とりわけ、電力
供給の停止はダメージが大きいため、停電に対する安全
対策は重要である。従って、レーダサイト１ａ〜１ｎに
は、電波を発信または受信する通信機器の他に、停電時
の電源確保のために非常用発電機や無停電電源が設置さ
れている。本発明では、この非常用発電機の異常を検出
するためのもので、中央監視センター３に予防保全装置
４を備えたものである。予防保全装置４では予め非常用
発電機のデータを収集しておき、非常用発電機が実際に
起動した際のデータと比較して異常の有無を判定するも
のである。そこで、予防保全装置４ではデータを収集す
る立ち上げモード、収集したデータから判定を行うため
の基準を生成する学習モード、実際に起動しているデー
タを収集して異常の有無を判定する判定モードの３通り
の運転モードがある。具体的に説明すると立ち上げモー
ドとは学習モードにて学習を行う際に使用するデータを
収集するためのモードである。レーダサイト１ａ〜１ｎ
より、送られてきた計測データは、データ前処理部１０
にて、センサーの故障または通信時のエラーなどによる
異常なデータであるか否かを判定する。そして異常なデ
ータと判断した場合には運転実績データベース２０中の
異常データ格納ファイルに格納する。一方、異常なデー
タとして判断されない、つまり正常なデータに対しては
正常データ格納ファイルに格納する。
により検出するレーダサイト１ａ〜１ｎ、レーダサイト
１ａ〜１ｎより検出されたデータに基づいて航空機の運
行管理又はレーダサイト１ａ〜１ｎのレーダを制御する
中央監視センター３から構成されている。そして、レー
ダサイト１ａ〜１ｎは通常、山頂や離島などの遠隔地に
分散して設置されているため、無人の施設が多い。その
ため、機器の保守・点検用に使われる機器の運転状態を
表わすデータ、及び気温などの計測条件を表わすデータ
は、電話回線２を介して中央監視センタ３へ転送するよ
うになっている。中央監視センタ３では、分散設置され
た各レーダサイト１ａ〜１ｎの運転状態をモニタリング
し、通信装置の制御を行うとともに、中央監視センタ３
の中に設置された予防保全装置４でサイト内の機器のデ
ータを統括管理し、機器の状態を判定する。レーダサイ
ト１ａ〜１ｎは航空機の安全な運行を保障するために必
要不可欠の設備である。よって、設備の異常による機能
の低下及び停止は重大事故を意味する。とりわけ、電力
供給の停止はダメージが大きいため、停電に対する安全
対策は重要である。従って、レーダサイト１ａ〜１ｎに
は、電波を発信または受信する通信機器の他に、停電時
の電源確保のために非常用発電機や無停電電源が設置さ
れている。本発明では、この非常用発電機の異常を検出
するためのもので、中央監視センター３に予防保全装置
４を備えたものである。予防保全装置４では予め非常用
発電機のデータを収集しておき、非常用発電機が実際に
起動した際のデータと比較して異常の有無を判定するも
のである。そこで、予防保全装置４ではデータを収集す
る立ち上げモード、収集したデータから判定を行うため
の基準を生成する学習モード、実際に起動しているデー
タを収集して異常の有無を判定する判定モードの３通り
の運転モードがある。具体的に説明すると立ち上げモー
ドとは学習モードにて学習を行う際に使用するデータを
収集するためのモードである。レーダサイト１ａ〜１ｎ
より、送られてきた計測データは、データ前処理部１０
にて、センサーの故障または通信時のエラーなどによる
異常なデータであるか否かを判定する。そして異常なデ
ータと判断した場合には運転実績データベース２０中の
異常データ格納ファイルに格納する。一方、異常なデー
タとして判断されない、つまり正常なデータに対しては
正常データ格納ファイルに格納する。
【００１６】学習モードでは、相関関係学習部３０で、
運転実績データベース２０の正常データ格納ファイル
に、蓄積された計測データを取り込み、対象とする機器
の状態を表すデータと、その影響因子（対象とする機器
に影響を与える温度，湿度等のデータ）との相関関係を
ニューラルネットで学習し、正常値推定部４０へ学習し
たニューラルネットワークを移す。
運転実績データベース２０の正常データ格納ファイル
に、蓄積された計測データを取り込み、対象とする機器
の状態を表すデータと、その影響因子（対象とする機器
に影響を与える温度，湿度等のデータ）との相関関係を
ニューラルネットで学習し、正常値推定部４０へ学習し
たニューラルネットワークを移す。
【００１７】判定モードでは、正常値推定部４０で、計
測データとから、判定対象データの正常値を推定し、し
きい値決定部５０で、正常値推定部４０で求めた推定値
を基準として、正常範囲の上・下限値、すなわちしきい
値を決定する。そして、判定部６０で、しきい値決定部
５０で決定したしきい値と計測データを比較し、しきい
値の範囲内であれば「正常」、範囲外であれば「異常」
と判定する。判定結果は中央監視センタ３のモニタ画面
に表示される。
測データとから、判定対象データの正常値を推定し、し
きい値決定部５０で、正常値推定部４０で求めた推定値
を基準として、正常範囲の上・下限値、すなわちしきい
値を決定する。そして、判定部６０で、しきい値決定部
５０で決定したしきい値と計測データを比較し、しきい
値の範囲内であれば「正常」、範囲外であれば「異常」
と判定する。判定結果は中央監視センタ３のモニタ画面
に表示される。
【００１８】次に、本実施例の詳細を説明する。
【００１９】レーダサイト１ａ〜１ｎは、停電となり商
用電力の供給が停止した場合、非常用発電機により電源
を確保するが、停電が起こってから非常用発電機が定常
運転に達するまでの間は電力供給ができない。そこで、
通信機器は常時無停電電源に接続されており、停電直後
は無停電電源より電力を得る。本実施例では、これらサ
イト内の機器の中で非常用発電機を対象として異常判定
を行った場合について説明する。
用電力の供給が停止した場合、非常用発電機により電源
を確保するが、停電が起こってから非常用発電機が定常
運転に達するまでの間は電力供給ができない。そこで、
通信機器は常時無停電電源に接続されており、停電直後
は無停電電源より電力を得る。本実施例では、これらサ
イト内の機器の中で非常用発電機を対象として異常判定
を行った場合について説明する。
【００２０】まず、非常用発電機の概要について図２を
用いて説明する。
用いて説明する。
【００２１】この非常用発電機はディーゼルエンジン駆
動の３相交流発電機であり、ディーゼルエンジン１０
０，発電部１１０，蓄電池１２０，整流器１３０，起動
装置１４０からなる。そして停電により商用電力が停止
した場合、及び中央監視センター３からの起動信号を受
信した場合に起動装置１４０により、ディーゼルエンジ
ン１００を起動する。
動の３相交流発電機であり、ディーゼルエンジン１０
０，発電部１１０，蓄電池１２０，整流器１３０，起動
装置１４０からなる。そして停電により商用電力が停止
した場合、及び中央監視センター３からの起動信号を受
信した場合に起動装置１４０により、ディーゼルエンジ
ン１００を起動する。
【００２２】次に、この非常用発電機による電圧の供給
過程について説明する。起動指令があると、起動装置１
４０中のスイッチ１４１がオンとなり、起動用蓄電池１
４３からセルモータ１４２に電力が供給され、セルモー
タが駆動する。セルモータ１４２により初期回転を与え
られると、ディーゼルエンジン１００は燃料に着火させ
ることが可能となる。定格回転数の２０％に達すると自
力回転が可能となるため、起動装置１４０を切り離す。
以降は自力で速度上昇し、調速機により定格速度に調整
される。電機子１１１は、ディーゼルエンジン１００と
同じ回転数で回転しており、ディーゼルエンジン１００
の起動と同時に、界磁用蓄電池１２０から界磁巻線１１
２に界磁電流が供給され、発電が開始され、ディーゼル
エンジン１００の回転数の上昇と共に発電電圧は上昇す
る。発電した電力はスイッチ１５０を介して通信機器１
６０に送られる系統と、整流器１３０で直流に変換され
て蓄電池１２０及び起動用蓄電池１４３に送られる系統
がある。ただし、発電電圧が定格に達するまでの間は、
スイッチ１５０はオフであり、通信機器１６０に電力は
供給されない。
過程について説明する。起動指令があると、起動装置１
４０中のスイッチ１４１がオンとなり、起動用蓄電池１
４３からセルモータ１４２に電力が供給され、セルモー
タが駆動する。セルモータ１４２により初期回転を与え
られると、ディーゼルエンジン１００は燃料に着火させ
ることが可能となる。定格回転数の２０％に達すると自
力回転が可能となるため、起動装置１４０を切り離す。
以降は自力で速度上昇し、調速機により定格速度に調整
される。電機子１１１は、ディーゼルエンジン１００と
同じ回転数で回転しており、ディーゼルエンジン１００
の起動と同時に、界磁用蓄電池１２０から界磁巻線１１
２に界磁電流が供給され、発電が開始され、ディーゼル
エンジン１００の回転数の上昇と共に発電電圧は上昇す
る。発電した電力はスイッチ１５０を介して通信機器１
６０に送られる系統と、整流器１３０で直流に変換され
て蓄電池１２０及び起動用蓄電池１４３に送られる系統
がある。ただし、発電電圧が定格に達するまでの間は、
スイッチ１５０はオフであり、通信機器１６０に電力は
供給されない。
【００２３】このような非常用発電機では、ディーゼル
エンジン１００が起動しないことが一番重大な故障とな
る。したがって起動装置１４０の電源部である起動用蓄
電池１４３の電圧を計測し、起動用蓄電池が正常である
か否かを判定している。以下に蓄電池電圧を判定対象デ
ータとした例について説明する。
エンジン１００が起動しないことが一番重大な故障とな
る。したがって起動装置１４０の電源部である起動用蓄
電池１４３の電圧を計測し、起動用蓄電池が正常である
か否かを判定している。以下に蓄電池電圧を判定対象デ
ータとした例について説明する。
【００２４】レーダサイト１ａ〜１ｎに設置されている
非常用発電機には、蓄電池電圧，発電機機関回転数，発
電機電圧，発電機電流，発電機界磁電流，蓄電池総電
圧、及び蓄電池液温及びレーダサイト内の気温，湿度を
計測するためのセンサーが設置されている。これらセン
サーは計測レンジを設定することができ、計測値が計測
レンジに入らない場合には“計測レンジオーバー”の信
号を発生するものである。尚、このように計測レンジが
設定できるセンサーでなくとも予め計測値として使用す
る領域を設定し、センサーからの計測値がこの設定した
領域を越えている場合に“計測レンジオーバー”の信号
を発生する装置をセンサーに備えるようにしてもよい。
そして各レーダサイト１ａ〜１ｎは、それら各種センサ
ーからの計測データを電話回線を介して中央監視センタ
３の予防保全装置４へ送る。尚、計測データを判定した
結果、“計測レンジオーバー”の信号が発生した場合に
は、この信号を計測データに付加して中央監視センタ３
の予防保全装置４へ送る。
非常用発電機には、蓄電池電圧，発電機機関回転数，発
電機電圧，発電機電流，発電機界磁電流，蓄電池総電
圧、及び蓄電池液温及びレーダサイト内の気温，湿度を
計測するためのセンサーが設置されている。これらセン
サーは計測レンジを設定することができ、計測値が計測
レンジに入らない場合には“計測レンジオーバー”の信
号を発生するものである。尚、このように計測レンジが
設定できるセンサーでなくとも予め計測値として使用す
る領域を設定し、センサーからの計測値がこの設定した
領域を越えている場合に“計測レンジオーバー”の信号
を発生する装置をセンサーに備えるようにしてもよい。
そして各レーダサイト１ａ〜１ｎは、それら各種センサ
ーからの計測データを電話回線を介して中央監視センタ
３の予防保全装置４へ送る。尚、計測データを判定した
結果、“計測レンジオーバー”の信号が発生した場合に
は、この信号を計測データに付加して中央監視センタ３
の予防保全装置４へ送る。
【００２５】次に、予防保全装置４の各処理部について
説明する。
説明する。
【００２６】先に説明したように予防保全装置４は立ち
上げモード，学習モード，判定モードの３通りの運転モ
ードが存在する。
上げモード，学習モード，判定モードの３通りの運転モ
ードが存在する。
【００２７】まず、立ち上げモードについて説明する。
立ち上げモードでは、学習モードで使用する正常データ
をレーダサイト１ａ〜１ｎから収集し蓄えるための処理
を行う。通常、非常用発電機は停止しているため、これ
らの計測は、中央監視センタ３から起動命令をかけて、
収集する時間と収集する間隔を指定して行う。従って、
例えば非常用発電機の起動時に０.１ 秒間隔で６０秒と
すると６００点、停止時に０.５ 秒間隔で６０秒とする
と１２０点、定常運転時に３０秒間隔で３００秒とする
と１０点といったように収集する計測データ数が決定す
る。そしてレーダサイト１ａ〜１ｎから転送されてきた
計測データはデータ前処理部１０により計測データの異
常及び欠損をチェックする。計測データの異常の判定
は、レーダサイト１ａ〜１ｎから送られてくる計測デー
タに“計測レンジオーバー”の信号が付加されているか
否かで判定を行い、計測データの欠損については予め収
集する時間と間隔を指定しているため収集するデータ数
が決定されるので実際に転送されてきた計測データの数
と比較することにより行う。このようにして異常か否か
を判定し、異常であると判定された計測データは運転実
績データベース２０の異常データ格納ファイルに格納す
る。一方、異常と判定されない場合には運転実績データ
ベース２０の正常データ格納ファイルに格納する。そし
て、次に時系列に収集した計測データから異常の判定を
行うための特徴量を抽出する。
立ち上げモードでは、学習モードで使用する正常データ
をレーダサイト１ａ〜１ｎから収集し蓄えるための処理
を行う。通常、非常用発電機は停止しているため、これ
らの計測は、中央監視センタ３から起動命令をかけて、
収集する時間と収集する間隔を指定して行う。従って、
例えば非常用発電機の起動時に０.１ 秒間隔で６０秒と
すると６００点、停止時に０.５ 秒間隔で６０秒とする
と１２０点、定常運転時に３０秒間隔で３００秒とする
と１０点といったように収集する計測データ数が決定す
る。そしてレーダサイト１ａ〜１ｎから転送されてきた
計測データはデータ前処理部１０により計測データの異
常及び欠損をチェックする。計測データの異常の判定
は、レーダサイト１ａ〜１ｎから送られてくる計測デー
タに“計測レンジオーバー”の信号が付加されているか
否かで判定を行い、計測データの欠損については予め収
集する時間と間隔を指定しているため収集するデータ数
が決定されるので実際に転送されてきた計測データの数
と比較することにより行う。このようにして異常か否か
を判定し、異常であると判定された計測データは運転実
績データベース２０の異常データ格納ファイルに格納す
る。一方、異常と判定されない場合には運転実績データ
ベース２０の正常データ格納ファイルに格納する。そし
て、次に時系列に収集した計測データから異常の判定を
行うための特徴量を抽出する。
【００２８】本実施例では、非常用発電機の起動用蓄電
池の電圧降下率を判定の対象とし、この場合には図３に
示すように、運転実績データベース２０の正常データ格
納ファイルに格納した蓄電池の電圧の時系列データから
「電圧降下率」を特徴量として抽出する。
池の電圧降下率を判定の対象とし、この場合には図３に
示すように、運転実績データベース２０の正常データ格
納ファイルに格納した蓄電池の電圧の時系列データから
「電圧降下率」を特徴量として抽出する。
【００２９】ここで、「電圧降下率」とは初期電圧をＶ
ｓ、最低電圧をＶmin とすると、
ｓ、最低電圧をＶmin とすると、
【００３０】
【数１】 電圧降下率＝（Ｖｓ−Ｖmin）／Ｖｒ …（１） により与えられる。そして、この抽出した特徴量を運転
実績データベース２０の正常データ格納ファイルに格納
する。尚、計測データの収集時間，間隔の設定，特徴量
の決定については入力部から運転員が設定することがで
きる。
実績データベース２０の正常データ格納ファイルに格納
する。尚、計測データの収集時間，間隔の設定，特徴量
の決定については入力部から運転員が設定することがで
きる。
【００３１】次に学習モードについて説明する。学習モ
ードでは、相関関係学習部３０によって計測データ間の
相関関係を学習する。相関関係学習部３０について、図
４を用いて説明する。相関関係学習部３０では、まず、
学習項目選定部３１０で、判定の対象となる計測データ
と相関関係があると考えられる影響因子を選定し、それ
を学習項目とする。次に学習データ選定部３２０で蓄積
された学習データの中から学習に用いるデータを選定す
る。最後に学習部３３０で選択したデータの相関関係を
学習する。
ードでは、相関関係学習部３０によって計測データ間の
相関関係を学習する。相関関係学習部３０について、図
４を用いて説明する。相関関係学習部３０では、まず、
学習項目選定部３１０で、判定の対象となる計測データ
と相関関係があると考えられる影響因子を選定し、それ
を学習項目とする。次に学習データ選定部３２０で蓄積
された学習データの中から学習に用いるデータを選定す
る。最後に学習部３３０で選択したデータの相関関係を
学習する。
【００３２】学習項目選定部３１０が起動されると図５
に示すように正常，異常の判定に利用するデータ項目を
モニターに表示する。図５に示した項目は、一例であり
その他の計測可能なデータとして、「発電機機関回転
数」，「発電機電圧」，「発電機電流」，「発電機界磁
電流」，「蓄電池総電圧」，「蓄電池液温」，レーダサ
イト内の「室温」，「湿度」等がある。また、「蓄電池
の電圧降下率」のように計測データから求めるものにつ
いは、その計算式と共に項目名を登録することによりモ
ニターに表示することができる。
に示すように正常，異常の判定に利用するデータ項目を
モニターに表示する。図５に示した項目は、一例であり
その他の計測可能なデータとして、「発電機機関回転
数」，「発電機電圧」，「発電機電流」，「発電機界磁
電流」，「蓄電池総電圧」，「蓄電池液温」，レーダサ
イト内の「室温」，「湿度」等がある。また、「蓄電池
の電圧降下率」のように計測データから求めるものにつ
いは、その計算式と共に項目名を登録することによりモ
ニターに表示することができる。
【００３３】そしてオペレータはモニターを見ながら異
常の判定を行う判定対象データとこの判定対象データに
影響を及ぼすと考えられる、つまり相関関係がある影響
因子データを決定する。本実施例の場合では、オペレー
タは判定対象データとして「蓄電池の電圧降下率」を、
そして「蓄電池の電圧降下率」と相関関係がある項目と
して「蓄電池液温」を選択する。
常の判定を行う判定対象データとこの判定対象データに
影響を及ぼすと考えられる、つまり相関関係がある影響
因子データを決定する。本実施例の場合では、オペレー
タは判定対象データとして「蓄電池の電圧降下率」を、
そして「蓄電池の電圧降下率」と相関関係がある項目と
して「蓄電池液温」を選択する。
【００３４】尚、このように項目の選択をオペレータに
単に任せるとした場合、熟練したオペレータであれば問
題ないが、経験がない場合には適切な項目を選択するこ
とができない場合が生ずる。そこで、全てのデータ項目
の中から、（システム／情報／制御，vol.39，No4，pp.
185〜190，1995）に記載されているデータマイニング技
術によって相関関係がある項目を選択し、そこで選択し
た項目をオペレータがチェックし、必要な項目を選択す
る方法をとってもよい。データマイニング技術は、デー
タ間の隠れた相関関係を見つける方法であり、一般にデ
ータ項目の物理的な意味を考慮せず、単なる数値として
データ間の相関を見つける方法である。従って、オペレ
ータが気がつかないようなデータ間の相関関係を見つけ
ることが可能である。しかし、反面、物理的には全く関
係がないと考えられるデータ項目に、偶然相関関係があ
った場合、誤ってその項目を選択する恐れがある。そこ
で、データマイニングで見つけた相関関係のなかから、
妥当であると考えられる項目をオペレータが選択する方
法をとる。
単に任せるとした場合、熟練したオペレータであれば問
題ないが、経験がない場合には適切な項目を選択するこ
とができない場合が生ずる。そこで、全てのデータ項目
の中から、（システム／情報／制御，vol.39，No4，pp.
185〜190，1995）に記載されているデータマイニング技
術によって相関関係がある項目を選択し、そこで選択し
た項目をオペレータがチェックし、必要な項目を選択す
る方法をとってもよい。データマイニング技術は、デー
タ間の隠れた相関関係を見つける方法であり、一般にデ
ータ項目の物理的な意味を考慮せず、単なる数値として
データ間の相関を見つける方法である。従って、オペレ
ータが気がつかないようなデータ間の相関関係を見つけ
ることが可能である。しかし、反面、物理的には全く関
係がないと考えられるデータ項目に、偶然相関関係があ
った場合、誤ってその項目を選択する恐れがある。そこ
で、データマイニングで見つけた相関関係のなかから、
妥当であると考えられる項目をオペレータが選択する方
法をとる。
【００３５】次に、学習データ選定部３２０では、十分
蓄積された学習データの中からデータ項目選定部３１０
に基づいて学習に用いるデータを選定する。
蓄積された学習データの中からデータ項目選定部３１０
に基づいて学習に用いるデータを選定する。
【００３６】尚、以上では判定対象データとそれに対応
する影響因子により学習を行ったが、学習データ選定部
３２０では、判定時の影響因子と類似した影響因子をも
つデータを抽出し、学習データとする方法をとってもよ
い。判定時の影響因子と類似している条件を「蓄電池液
温」の場合、±５度として類似データを選択する。した
がって、判定時の影響因子である「蓄電池液温」が２５
度であると、「蓄電池液温」２０度〜３０度という条件
を満足するデータのみを抽出し学習データとする。
する影響因子により学習を行ったが、学習データ選定部
３２０では、判定時の影響因子と類似した影響因子をも
つデータを抽出し、学習データとする方法をとってもよ
い。判定時の影響因子と類似している条件を「蓄電池液
温」の場合、±５度として類似データを選択する。した
がって、判定時の影響因子である「蓄電池液温」が２５
度であると、「蓄電池液温」２０度〜３０度という条件
を満足するデータのみを抽出し学習データとする。
【００３７】学習部３３０では学習項目選定部３１０，
学習データ選択部３２０で選択した学習データから判定
対象データと影響因子との相関関係を学習する。学習に
は入力層，中間層，出力層の３層からなるラメールハー
ト型のニューラルネットワークを使った。各層のノード
数は入力層：１つ，中間層：３つ，出力層：１つであ
る。学習方法は、パックプロパゲーション法で行った。
これは、影響因子である「蓄電池液温」の値を入力層の
ノード与え、出力層の出力が「蓄電池の電圧降下率」の
値に等しくなるように、ニューラルネットワークの内部
の「重み係数」を調整する方法である。なお、バックプ
ロパゲーション法による学習については、文献「Learni
ng international representations by error propagat
ion」,Parallel Distributed Processing：Exploration
s in the Microstructures ofCongnition,Vol.1,D.E.Ru
melhart and J.L.McClelland(Eds.) ,Cambridge, MA,：
MIT Press,pp318−362に記載されている。学習データと
して、影響因子と判定対象データを１組として、複数組
のデータを与え、学習を繰り返すと、相関関係はニュー
ロ内部の「重み係数」に記憶される。学習が終了する
と、学習部３３０と同一の形式のニューラルネットを有
する正常値推定部へ重み係数を移す。
学習データ選択部３２０で選択した学習データから判定
対象データと影響因子との相関関係を学習する。学習に
は入力層，中間層，出力層の３層からなるラメールハー
ト型のニューラルネットワークを使った。各層のノード
数は入力層：１つ，中間層：３つ，出力層：１つであ
る。学習方法は、パックプロパゲーション法で行った。
これは、影響因子である「蓄電池液温」の値を入力層の
ノード与え、出力層の出力が「蓄電池の電圧降下率」の
値に等しくなるように、ニューラルネットワークの内部
の「重み係数」を調整する方法である。なお、バックプ
ロパゲーション法による学習については、文献「Learni
ng international representations by error propagat
ion」,Parallel Distributed Processing：Exploration
s in the Microstructures ofCongnition,Vol.1,D.E.Ru
melhart and J.L.McClelland(Eds.) ,Cambridge, MA,：
MIT Press,pp318−362に記載されている。学習データと
して、影響因子と判定対象データを１組として、複数組
のデータを与え、学習を繰り返すと、相関関係はニュー
ロ内部の「重み係数」に記憶される。学習が終了する
と、学習部３３０と同一の形式のニューラルネットを有
する正常値推定部へ重み係数を移す。
【００３８】これにより学習部３３０と正常値推定部４
０は同一のニューラルネットワークとなる。また、本実
施例では相関関係の学習にニューロを利用したが、判定
対象データを影響因子の線形結合で近似し、その係数に
相関関係を学習させる方法を利用してもよい。
０は同一のニューラルネットワークとなる。また、本実
施例では相関関係の学習にニューロを利用したが、判定
対象データを影響因子の線形結合で近似し、その係数に
相関関係を学習させる方法を利用してもよい。
【００３９】次に、判定モードについて説明する。判定
モードではレーダサイト１ａ〜１ｎから送られてくる計
測データを収集して非常用発電機の異常を判定する。レ
ーダサイト１ａ〜１ｎから送られてきた計測データは、
データ前処理部１０により特徴抽出が行われる。そし
て、「蓄電池の電圧降下率」を判定部６０へ送り、影響
因子データ「蓄電池液温」を正常値推定部４０へ送る。
正常値推定部４０では、影響因子データ「蓄電池液温」
により判定の対象となるデータ「蓄電池の電圧降下率」
の推定値をニューラルネットワークにより決定する。決
定された「蓄電池の電圧降下率」の推定値は、しきい値
決定部５０により正常状態の範囲を決定する値Ｃ（定
数）から次式に従ってしきい値を決定する。
モードではレーダサイト１ａ〜１ｎから送られてくる計
測データを収集して非常用発電機の異常を判定する。レ
ーダサイト１ａ〜１ｎから送られてきた計測データは、
データ前処理部１０により特徴抽出が行われる。そし
て、「蓄電池の電圧降下率」を判定部６０へ送り、影響
因子データ「蓄電池液温」を正常値推定部４０へ送る。
正常値推定部４０では、影響因子データ「蓄電池液温」
により判定の対象となるデータ「蓄電池の電圧降下率」
の推定値をニューラルネットワークにより決定する。決
定された「蓄電池の電圧降下率」の推定値は、しきい値
決定部５０により正常状態の範囲を決定する値Ｃ（定
数）から次式に従ってしきい値を決定する。
【００４０】
【数２】 しきい値＝推定値±Ｃ …（２） そして判定部６０では、しきい値決定部５０で決定した
しきい値と計測データである「蓄電池の電圧降下率」と
を比較し、この「蓄電池の電圧降下率」がしきい値の間
に入っていれば「正常」、範囲外であれば「異常」と判
定する。判定が「異常」であった場合には、中央監視セ
ンタ３のモニタ画面に「蓄電池異常」の表示を行う。
しきい値と計測データである「蓄電池の電圧降下率」と
を比較し、この「蓄電池の電圧降下率」がしきい値の間
に入っていれば「正常」、範囲外であれば「異常」と判
定する。判定が「異常」であった場合には、中央監視セ
ンタ３のモニタ画面に「蓄電池異常」の表示を行う。
【００４１】（実施例２）次に第１の実施例に加えて近
傍データ抽出部７０と、しきい値幅決定部８０を追加し
たものを図６に示す。これら近傍データ抽出部７０，し
きい値幅決定部８０は、判定モードで動作するものであ
る。
傍データ抽出部７０と、しきい値幅決定部８０を追加し
たものを図６に示す。これら近傍データ抽出部７０，し
きい値幅決定部８０は、判定モードで動作するものであ
る。
【００４２】近傍データ抽出部７０では、データ前処理
部１０から送られてくる影響因子データに基づいて近傍
の影響因子データと、相関関係学習部３０でこの近傍の
影響因子データと対にして学習に使用した判定対象デー
タ（以下、「近傍の判定対象データ」という。）を抽出
する。例えば、先と同様に判定対象データを「蓄電池電
圧降下率」、影響因子データを「蓄電池液温」とした場
合に、データ前処理部１０から影響因子データとして
「蓄電池液温」２０度が送られてくると、「蓄電池液
温」２０度の近傍の蓄電池液温とこれに対応して学習に
利用した「蓄電池電圧降下率」を抽出する。そして、抽
出した「蓄電池液温」を正常値推定部４０に渡し、抽出
した「蓄電池の電圧降下率」をしきい値幅決定部８０に
渡す。ここで、近傍データの決定について説明する。近
傍データの決定は、影響因子データｘとすると、ｘの最
大値、最小値をｘmax，ｘmin、とし、 {ｘ−βΔｘL≦ｘi≦ｘ＋βΔｘL} の範囲とする。
部１０から送られてくる影響因子データに基づいて近傍
の影響因子データと、相関関係学習部３０でこの近傍の
影響因子データと対にして学習に使用した判定対象デー
タ（以下、「近傍の判定対象データ」という。）を抽出
する。例えば、先と同様に判定対象データを「蓄電池電
圧降下率」、影響因子データを「蓄電池液温」とした場
合に、データ前処理部１０から影響因子データとして
「蓄電池液温」２０度が送られてくると、「蓄電池液
温」２０度の近傍の蓄電池液温とこれに対応して学習に
利用した「蓄電池電圧降下率」を抽出する。そして、抽
出した「蓄電池液温」を正常値推定部４０に渡し、抽出
した「蓄電池の電圧降下率」をしきい値幅決定部８０に
渡す。ここで、近傍データの決定について説明する。近
傍データの決定は、影響因子データｘとすると、ｘの最
大値、最小値をｘmax，ｘmin、とし、 {ｘ−βΔｘL≦ｘi≦ｘ＋βΔｘL} の範囲とする。
【００４３】ただし、 ΔｘL＝ｘmax−ｘmin で与え、近傍データ数が、予め定めた数となるようβを
決定する。
決定する。
【００４４】例えば、図７に示したように学習データの
蓄電池液温の範囲が（１０〜３５）、判定時入力データ
が、図７の黒点で示したように、蓄電池液温：２０度で
あるとする。このとき、近傍データ数が３０になるよう
に近傍の幅を決定するとβは０.２ となる。
蓄電池液温の範囲が（１０〜３５）、判定時入力データ
が、図７の黒点で示したように、蓄電池液温：２０度で
あるとする。このとき、近傍データ数が３０になるよう
に近傍の幅を決定するとβは０.２ となる。
【００４５】正常値推定部４０では、データ前処理部１
０より受けた影響因子データに基づいて判定対象データ
を推定すると共に、近傍データ抽出部７０から受け取っ
た近傍の影響因子データに基づいて判定対象データを推
定する（以下、「推定した近傍の判定対象データ」とい
う。）。そして、正常値推定部４０は、影響因子データ
に基づいて推定した判定対象データをしきい値決定部５
０へ、近傍の影響因子データに基づいて推定した近傍の
判定対象データをしきい値幅決定部８０へそれぞれ渡
す。
０より受けた影響因子データに基づいて判定対象データ
を推定すると共に、近傍データ抽出部７０から受け取っ
た近傍の影響因子データに基づいて判定対象データを推
定する（以下、「推定した近傍の判定対象データ」とい
う。）。そして、正常値推定部４０は、影響因子データ
に基づいて推定した判定対象データをしきい値決定部５
０へ、近傍の影響因子データに基づいて推定した近傍の
判定対象データをしきい値幅決定部８０へそれぞれ渡
す。
【００４６】しきい値幅決定部８０では、近傍データ抽
出部７０から得た判定対象データと正常値推定部４０か
ら得た推定した近傍の判定対象データから後述する方法
でしきい値の幅である偏差±ασを決定する。σは近傍
データから求めた標準偏差、αはしきい値幅決定係数で
ある。
出部７０から得た判定対象データと正常値推定部４０か
ら得た推定した近傍の判定対象データから後述する方法
でしきい値の幅である偏差±ασを決定する。σは近傍
データから求めた標準偏差、αはしきい値幅決定係数で
ある。
【００４７】そしてしきい値決定部５０では、正常値推
定部４０から得た判定対象データとしきい値幅決定部８
０から得た偏差により、判定の基準となる判定対象デー
タの上限値と下限値を決定し判定部６０へ渡す。
定部４０から得た判定対象データとしきい値幅決定部８
０から得た偏差により、判定の基準となる判定対象デー
タの上限値と下限値を決定し判定部６０へ渡す。
【００４８】判定部６０では、データ前処理部１０から
得た判定対象データがしきい値決定部５０から得た上限
値と下限値の範囲内にある場合には正常と判定し、上限
値，下限値の範囲外にある場合には異常と判定する。
得た判定対象データがしきい値決定部５０から得た上限
値と下限値の範囲内にある場合には正常と判定し、上限
値，下限値の範囲外にある場合には異常と判定する。
【００４９】ここで、しきい値幅決定部８０での偏差±
ασの決定について説明する。近傍データ抽出部７０で
抽出された近傍データの数をｍ、近傍データ抽出部７０
で抽出された近傍の判定対象データをｚi、正常値推定
部４０で推定した近傍の判定対象データをｚi *とする
と、標準偏差σは次式により決定される。
ασの決定について説明する。近傍データ抽出部７０で
抽出された近傍データの数をｍ、近傍データ抽出部７０
で抽出された近傍の判定対象データをｚi、正常値推定
部４０で推定した近傍の判定対象データをｚi *とする
と、標準偏差σは次式により決定される。
【００５０】
【数３】 σ＝Σ（ｚi−ｚi *）2／ｍ …（３） また、αは近傍データ数と所望の判定精度(正常データ
を異常と誤診する確率)から求める。所望の判定精度と
なるようにαを決定する方法を以下に述べる。
を異常と誤診する確率)から求める。所望の判定精度と
なるようにαを決定する方法を以下に述べる。
【００５１】本実施例では、推定した近傍の判定対象デ
ータｚi *と近傍の判定対象データｚiとの誤差の分布は
正規分布になると仮定して、上記誤診率(正常データの
誤診率)としきい値幅決定係数αとの関係を導出する。
ータｚi *と近傍の判定対象データｚiとの誤差の分布は
正規分布になると仮定して、上記誤診率(正常データの
誤診率)としきい値幅決定係数αとの関係を導出する。
【００５２】一般に、データｘの発生確率が正規分布Ｎ
(ｍ，σ2）に従う場合、データｘが
(ｍ，σ2）に従う場合、データｘが
【００５３】
【数４】 ｍ−ασ≦ｘ≦ｍ＋ασ …（４） の範囲から逸脱する確率はαの関数として求められる。
例えば、α＝３とした場合、その確率は、０.３％ 以下
となる。
例えば、α＝３とした場合、その確率は、０.３％ 以下
となる。
【００５４】ただし、σが既知でなく、与えられたｎ個
のデータから算出する場合、算出したσn は、選んだデ
ータによってばらつきが生じる。すなわち、算出するσ
n は分布をもつ。また、この分布はデータ数ｎによって
異なり、ｎが大きいほど分布の幅は狭くなる。したがっ
て、ｎ個のデータで算出したσnで決定する。
のデータから算出する場合、算出したσn は、選んだデ
ータによってばらつきが生じる。すなわち、算出するσ
n は分布をもつ。また、この分布はデータ数ｎによって
異なり、ｎが大きいほど分布の幅は狭くなる。したがっ
て、ｎ個のデータで算出したσnで決定する。
【００５５】
【数５】 ｍ−ασn≦ｘ≦ｍ＋ασn …（５） の範囲から、データが逸脱する確率はデータ数ｎとαの
関数となる。
関数となる。
【００５６】以下にその確率Ｐn (α）の導出について
説明する。
説明する。
【００５７】母集団が平均：０，標準偏差：１の正規分
布に従う場合、この母集団より取り，出された標本編量
ｘ1，ｘ2，ｘ3，…，ｘnについて、それらの２乗和は自
由度ｎのχ2 分布に従う。ただし、χ2 分布は式（５）
に示した確率分布に従う分布である。
布に従う場合、この母集団より取り，出された標本編量
ｘ1，ｘ2，ｘ3，…，ｘnについて、それらの２乗和は自
由度ｎのχ2 分布に従う。ただし、χ2 分布は式（５）
に示した確率分布に従う分布である。
【００５８】
【数６】
【００５９】ただし、
【００６０】
【数７】
【００６１】そして、計測値ｘを異常であると判定する
確率は σ≦（ｘ／α）である時；１ （ｘ／α）≦σである時；０ である。従って、計測値ｘを異常であると誤診する確率
はσ≦（ｘ／α）である確率と等しくなる。
確率は σ≦（ｘ／α）である時；１ （ｘ／α）≦σである時；０ である。従って、計測値ｘを異常であると誤診する確率
はσ≦（ｘ／α）である確率と等しくなる。
【００６２】その確率をＰn(σ≦ｘ／α)、とすると、
【００６３】
【数８】
【００６４】ただし、（ａ，０，ｚ）は第一種不完全ガ
ンマ関数であり、
ンマ関数であり、
【００６５】
【数９】
【００６６】また、ｔはｘの２乗和をデータ数ｎで除し
たもの（分散）である。
たもの（分散）である。
【００６７】計測値ｘは正規分布Ｎ（１，０）に従うた
め、値がｘとなる確率Ｑ（ｘ）は、
め、値がｘとなる確率Ｑ（ｘ）は、
【００６８】
【数１０】
【００６９】となる。よって、データ数がｎであった場
合の誤診率Ｐ（ｎ）は、計測値がｘとなり、かつその計
測値ｘを異常と判定する確率を全てのｘについて積分す
れば良い。すなわち
合の誤診率Ｐ（ｎ）は、計測値がｘとなり、かつその計
測値ｘを異常と判定する確率を全てのｘについて積分す
れば良い。すなわち
【００７０】
【数１１】
【００７１】で求めることができる。
【００７２】式（１１）を数値積分し、データ数ｎと誤
診率Ｐ（ｎ，α）の関係を求めることができる。
診率Ｐ（ｎ，α）の関係を求めることができる。
【００７３】この誤診率は、近傍データ数ｎとαの関数
として表わされることがわかる（Ｐ（ｎ，α）とす
る）。一例としてデータ数３０のＰ（ｎ，α）とαの関
係を図８に示す。図８に示したように、データ数が多い
ほうが誤診率は小さく、またαが大きくなるにしたが
い、誤診率は小さくなる。したがって、所望の判定精度
（誤診率）を与えるとこの関係を利用し、しきい値幅決
定係数αを求めることができる。例えば、誤診率が０.
３０％となるようにαを求めると、α＝３.３２とな
る。このようにしてしきい値幅を求めると、σの値が判
定データ近傍のデータの分布状態によって異なるため、
分布状態に合わせた判定が可能となる。
として表わされることがわかる（Ｐ（ｎ，α）とす
る）。一例としてデータ数３０のＰ（ｎ，α）とαの関
係を図８に示す。図８に示したように、データ数が多い
ほうが誤診率は小さく、またαが大きくなるにしたが
い、誤診率は小さくなる。したがって、所望の判定精度
（誤診率）を与えるとこの関係を利用し、しきい値幅決
定係数αを求めることができる。例えば、誤診率が０.
３０％となるようにαを求めると、α＝３.３２とな
る。このようにしてしきい値幅を求めると、σの値が判
定データ近傍のデータの分布状態によって異なるため、
分布状態に合わせた判定が可能となる。
【００７４】以上、実施例１及び２により説明してきた
が、実施例１で説明した内容と実施例２で説明した内容
は全く異なったものではなく、例えば予防保全装置４は
実施例１と実施例２との両方の機能を持っており、それ
ぞれ切り替えて利用できるようにしてもよく、また並列
に利用できるようにしてもよい。
が、実施例１で説明した内容と実施例２で説明した内容
は全く異なったものではなく、例えば予防保全装置４は
実施例１と実施例２との両方の機能を持っており、それ
ぞれ切り替えて利用できるようにしてもよく、また並列
に利用できるようにしてもよい。
【００７５】
【発明の効果】以上のように、相関関係学習手段によ
り、判定対象データと影響因子との相関関係を学習し、
正常値推定手段で、学習結果に基づき、データ計測時の
影響因子から判定対象データの正常値を推定し、その推
定値を基準としてしきい値を決定すると、運転条件や、
経年変化に応じて、適切にしきい値を決定することがで
きる。
り、判定対象データと影響因子との相関関係を学習し、
正常値推定手段で、学習結果に基づき、データ計測時の
影響因子から判定対象データの正常値を推定し、その推
定値を基準としてしきい値を決定すると、運転条件や、
経年変化に応じて、適切にしきい値を決定することがで
きる。
【００７６】また、運転条件によって学習データのバラ
ツキが異なり、その結果、推定値の信頼性が異なる場合
であっても、しきい値決定部により最適なしきい値幅を
決定するため、判定精度が向上する。
ツキが異なり、その結果、推定値の信頼性が異なる場合
であっても、しきい値決定部により最適なしきい値幅を
決定するため、判定精度が向上する。
【図１】本発明の第１の実施例を表す図。
【図２】非常用発電機の概略を表す図。
【図３】時間と蓄電池電圧の特性を表わす図。
【図４】相関関係学習部を表す図。
【図５】学習項目選定部の表示内容を表す図。
【図６】本発明の第２の実施例を表す図。
【図７】近傍データを説明するための図。
【図８】誤診率を説明するための図。
１ａ，１ｂ，１ｎ…レーダサイト、２…電話回線、３…
中央監視センタ、４…予防保全装置、１０…データ前処
理部、２０…運転実績データベース、３０…相関関係学
習部、４０…正常値推定部、５０…しきい値決定部、６
０…判定部、７０…近傍データ抽出部、８０…しきい値
幅決定部。
中央監視センタ、４…予防保全装置、１０…データ前処
理部、２０…運転実績データベース、３０…相関関係学
習部、４０…正常値推定部、５０…しきい値決定部、６
０…判定部、７０…近傍データ抽出部、８０…しきい値
幅決定部。
───────────────────────────────────────────────────── フロントページの続き (72)発明者 中原 正二 茨城県日立市大みか町五丁目２番１号 株 式会社日立製作所大みか工場内 (72)発明者 吉岡 正博 茨城県日立市大みか町五丁目２番１号 株 式会社日立製作所大みか工場内 (72)発明者 神永 正教 茨城県日立市大みか町五丁目２番１号 株 式会社日立製作所大みか工場内
Claims (5)
- 【請求項１】機器設備の計測データから機器の異常を検
出する予防保全方法において、 予め測定した判定対象データと判定対象データに影響を
及ぼす影響因子データとの関係を予め学習する段階と、 計測される影響因子データと該学習した結果に基づき判
定対象データを推定する段階と、 該推定した判定対象データの推定値に基づいて異常判定
のしきい値を決定する段階と、 前記機器設備から計測される判定対象データと該決定し
たしきい値により前記機器設備の異常を判定する段階と
を具備することを特徴とする予防保全方法。 - 【請求項２】機器設備の計測データから機器の異常を検
出する予防保全方法において、 予め測定した判定対象データと該判定対象データに影響
を及ぼす影響因子データとの関係を学習する段階と、 計測される影響因子データの近傍の影響因子のデータと
該近傍の影響因子データに対応する第１の判定対象デー
タを抽出する段階と、 前記学習した結果に基づいて計測される影響因子データ
に対する第２の判定対象データと、近傍の影響因子デー
タに対応する第３の判定対象データとを推定する段階
と、 前記抽出した第１の判定対象データと該推定した第３の
判定対象データから偏差を決定する段階と、 該決定された偏差と該推定された第２の判定対象データ
からしきい値の上限値及び下限値を求める段階と、 該求めた上限値及び下限値により該設備から計測された
判定対象データの異常を判定する段階とを具備すること
を特徴とする予防保全方法。 - 【請求項３】機器設備の計測データから機器の異常を検
出する予防保全装置において、 前記機器設備から計測される複数種類の計測データを記
憶する記憶手段と、 該記憶手段に記憶された複数種類の計測データから前記
機器の異常を判定するための判定対象データ及び該判定
対象データに影響を及ぼす影響因子を選択するデータ選
択手段と、 該選択された判定対象データ及び影響因子との関係を予
め学習し、前記機器設備から計測された影響因子に対す
る判定対象データを推定する推定手段と、 前記機器設備から計測される判定対象データと該推定手
段により推定された該判定対象データに基づいて前記機
器設備の異常を判定する判定手段とを備えたことを特徴
とする予防保全装置。 - 【請求項４】請求項３において、 前記推定手段はニューラルネットで構成され、前記判定
対象データと前記影響因子とを入力データとして該判定
対象データと影響因子との関係を学習することを特徴と
する予防保全装置。 - 【請求項５】機器設備の計測データから機器の異常を検
出する予防保全装置において、 前記機器設備から計測される複数種類の計測データを記
憶する記憶手段と、 該記憶手段に記憶された複数種類の計測データから前記
機器の異常を判定するための判定対象データ及び該判定
対象データに影響を及ぼす影響因子データを選択するデ
ータ選択手段と、 該影響因子データの近傍の影響因子データ及び該近傍の
影響因子データに対応した第１の判定対象データを抽出
する近傍データ抽出手段と、 該データ選択手段により選択された該判定対象データ及
び該影響因子データとの関係を予め学習し、前記機器設
備から計測された影響因子データに対す第２の判定対象
データと該近傍データ抽出手段により抽出された影響因
子データに対する第３の判定対象データとを推定する推
定手段と、 前記近傍データ抽出手段により抽出された第１の判定対
象データと該推定された第３の判定対象データとから偏
差を決定する手段と、 該決定された偏差と該推定された第２の判定対象データ
から上限値及び下限値を決定する手段と、 該決定された上限値及び下限値と前記機器設備から計測
される判定対象データにより該設備機器の異常を判定す
る判定部とを備えたことを特徴とする予防保全装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP12305096A JP3624546B2 (ja) | 1996-05-17 | 1996-05-17 | 予防保全方法及び装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP12305096A JP3624546B2 (ja) | 1996-05-17 | 1996-05-17 | 予防保全方法及び装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH09305224A true JPH09305224A (ja) | 1997-11-28 |
| JP3624546B2 JP3624546B2 (ja) | 2005-03-02 |
Family
ID=14850969
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP12305096A Expired - Fee Related JP3624546B2 (ja) | 1996-05-17 | 1996-05-17 | 予防保全方法及び装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3624546B2 (ja) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005258384A (ja) * | 2003-11-14 | 2005-09-22 | Ricoh Co Ltd | 異常判定方法、並びにこれを用いる異常判定装置及び画像形成装置。 |
| JP2005267241A (ja) * | 2004-03-18 | 2005-09-29 | Toshiba Corp | 運転データ管理装置および運転データ管理方法 |
| SG121730A1 (en) * | 2001-12-05 | 2006-05-26 | Hitachi Ltd | Electric power generating facility operation remote supporting method and electric power generating facility operation remote supporting system |
| JP2008097254A (ja) * | 2006-10-11 | 2008-04-24 | Toshiba Corp | プラント運転データ監視装置 |
| WO2010113561A1 (ja) * | 2009-03-31 | 2010-10-07 | 日立建機株式会社 | 作業機械の学習診断システム、状態診断装置及び状態学習装置 |
| JP2012089057A (ja) * | 2010-10-22 | 2012-05-10 | Hitachi Engineering & Services Co Ltd | 設備状態監視方法およびその装置並びに設備状態監視用プログラム |
| CN102928690A (zh) * | 2012-09-28 | 2013-02-13 | 珠海德百祺科技有限公司 | 用于电子器件的异常检测方法 |
| EP3009801A1 (en) * | 2014-09-17 | 2016-04-20 | Kabushiki Kaisha Toshiba | Failure sign diagnosis system of electrical power grid and method thereof |
| JP2017102826A (ja) * | 2015-12-04 | 2017-06-08 | 株式会社Ihi | 異常診断装置、異常診断方法、及び、異常診断プログラム |
| JP2017524851A (ja) * | 2014-04-03 | 2017-08-31 | サフラン・エアクラフト・エンジンズ | ロケットエンジンのパラメータを監視するための方法および装置 |
| JP2019027814A (ja) * | 2017-07-26 | 2019-02-21 | 株式会社ディーゼルユナイテッド | 振動音響解析方法及び装置と機器異常部位推定方法及び装置 |
| KR20200077475A (ko) * | 2018-05-10 | 2020-06-30 | 에이에스티인터내셔널 주식회사 | 설비의 결함을 예측하는 모듈형 예지 보전 장치 및 방법 |
| KR102136141B1 (ko) * | 2019-10-29 | 2020-07-22 | 에너젠(주) | 인공지능 알고리즘을 이용한 고장 예방 기능을 구비한 비상 발전기 |
| WO2020202567A1 (ja) * | 2019-04-05 | 2020-10-08 | 株式会社Ｉｈｉ原動機 | 振動音響解析方法及び装置と機器異常部位推定方法及び装置 |
| WO2021005721A1 (ja) * | 2019-07-09 | 2021-01-14 | 三菱電機株式会社 | 制御プログラム改良装置、制御プログラム改良方法及び制御プログラム改良システム |
| JPWO2021100160A1 (ja) * | 2019-11-20 | 2021-05-27 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH07168619A (ja) * | 1993-10-20 | 1995-07-04 | Hitachi Ltd | 機器／設備診断方法およびシステム |
-
1996
- 1996-05-17 JP JP12305096A patent/JP3624546B2/ja not_active Expired - Fee Related
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH07168619A (ja) * | 1993-10-20 | 1995-07-04 | Hitachi Ltd | 機器／設備診断方法およびシステム |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| SG121730A1 (en) * | 2001-12-05 | 2006-05-26 | Hitachi Ltd | Electric power generating facility operation remote supporting method and electric power generating facility operation remote supporting system |
| JP2005258384A (ja) * | 2003-11-14 | 2005-09-22 | Ricoh Co Ltd | 異常判定方法、並びにこれを用いる異常判定装置及び画像形成装置。 |
| JP2005267241A (ja) * | 2004-03-18 | 2005-09-29 | Toshiba Corp | 運転データ管理装置および運転データ管理方法 |
| JP2008097254A (ja) * | 2006-10-11 | 2008-04-24 | Toshiba Corp | プラント運転データ監視装置 |
| US9074348B2 (en) | 2009-03-31 | 2015-07-07 | Hitachi Construction Machinery Co., Ltd. | Learning diagnostic system, state diagnostic device, and state learning device for working machine |
| JP2010236302A (ja) * | 2009-03-31 | 2010-10-21 | Hitachi Constr Mach Co Ltd | 作業機械の学習診断システム、状態診断装置及び状態学習装置 |
| CN102326066A (zh) * | 2009-03-31 | 2012-01-18 | 日立建机株式会社 | 作业机械的学习诊断系统、状态诊断装置及状态学习装置 |
| AU2010230893B2 (en) * | 2009-03-31 | 2013-08-22 | Hitachi Construction Machinery Co., Ltd. | Learning diagnostic system of a working machine, state diagnostic device, and state learning device |
| WO2010113561A1 (ja) * | 2009-03-31 | 2010-10-07 | 日立建機株式会社 | 作業機械の学習診断システム、状態診断装置及び状態学習装置 |
| JP2012089057A (ja) * | 2010-10-22 | 2012-05-10 | Hitachi Engineering & Services Co Ltd | 設備状態監視方法およびその装置並びに設備状態監視用プログラム |
| CN102928690A (zh) * | 2012-09-28 | 2013-02-13 | 珠海德百祺科技有限公司 | 用于电子器件的异常检测方法 |
| JP2017524851A (ja) * | 2014-04-03 | 2017-08-31 | サフラン・エアクラフト・エンジンズ | ロケットエンジンのパラメータを監視するための方法および装置 |
| EP3009801A1 (en) * | 2014-09-17 | 2016-04-20 | Kabushiki Kaisha Toshiba | Failure sign diagnosis system of electrical power grid and method thereof |
| JP2017102826A (ja) * | 2015-12-04 | 2017-06-08 | 株式会社Ihi | 異常診断装置、異常診断方法、及び、異常診断プログラム |
| JP2019027814A (ja) * | 2017-07-26 | 2019-02-21 | 株式会社ディーゼルユナイテッド | 振動音響解析方法及び装置と機器異常部位推定方法及び装置 |
| KR20200077475A (ko) * | 2018-05-10 | 2020-06-30 | 에이에스티인터내셔널 주식회사 | 설비의 결함을 예측하는 모듈형 예지 보전 장치 및 방법 |
| WO2020202567A1 (ja) * | 2019-04-05 | 2020-10-08 | 株式会社Ｉｈｉ原動機 | 振動音響解析方法及び装置と機器異常部位推定方法及び装置 |
| US12228475B2 (en) | 2019-04-05 | 2025-02-18 | Mitsui E&S Du Co., Ltd. | Vibro-acoustic analysis method and device and equipment-abnormality-location estimation method and device |
| WO2021005721A1 (ja) * | 2019-07-09 | 2021-01-14 | 三菱電機株式会社 | 制御プログラム改良装置、制御プログラム改良方法及び制御プログラム改良システム |
| JPWO2021005721A1 (ja) * | 2019-07-09 | 2021-10-21 | 三菱電機株式会社 | 制御プログラム改良装置、制御プログラム改良方法及び制御プログラム改良システム |
| KR102136141B1 (ko) * | 2019-10-29 | 2020-07-22 | 에너젠(주) | 인공지능 알고리즘을 이용한 고장 예방 기능을 구비한 비상 발전기 |
| JPWO2021100160A1 (ja) * | 2019-11-20 | 2021-05-27 | ||
| CN114730178A (zh) * | 2019-11-20 | 2022-07-08 | 三菱电机株式会社 | 异常预兆检测装置、异常预兆检测系统、异常预兆检测方法及异常预兆检测程序 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP3624546B2 (ja) | 2005-03-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3624546B2 (ja) | 予防保全方法及び装置 | |
| KR102632629B1 (ko) | 배터리 셀 진단 장치 및 방법 | |
| US10302703B2 (en) | Lithium-ion battery safety monitoring | |
| EP1702219B1 (en) | Apparatus and method for estimating state of charge of battery using neural network | |
| KR102368324B1 (ko) | 충전케이블의 온도값을 이용한 전기자동차 충전기 이상상태 모니터링 장치 | |
| CN114977357B (zh) | 电池管理系统、方法和空中运载工具 | |
| CN111823952A (zh) | 电芯温度的诊断方法、存储介质和电子设备 | |
| US20120265397A1 (en) | Method for the continuous measurement of the efficiency of a battery, especially a battery installed in motor vehicles, and a device utilizing this method | |
| JPS6327776A (ja) | 自動車用バッテリの診断方法 | |
| CN114631032A (zh) | 用于监控电池组健康状况的方法和系统 | |
| JP4922597B2 (ja) | 燃料電池システムの診断方法および診断装置 | |
| US11573271B1 (en) | Battery fault detection | |
| CN116923188B (zh) | 一种新能源车的充电保护系统 | |
| JPH11212637A (ja) | 予防保全方法及び装置 | |
| CN120389134A (zh) | 一种储能锂电池的远程监控运维管理装置 | |
| EP4016099B1 (en) | Apparatus and method for diagnosing battery | |
| JPH1020930A (ja) | 予防保全方法 | |
| US20240248138A1 (en) | Method and Apparatus for Predictive Diagnosis of a Device Battery of a Technical Device Using a Trace Graph Model | |
| CN119669949A (zh) | 使用扩展自动编码器创建异常识别模型以识别设备电池的当前或即将的异常的方法和设备 | |
| CN116436124A (zh) | 一种生命支持系统的高可靠供电方法及系统 | |
| CN114280399A (zh) | 一种基于负载特性的电气设备异常诊断方法及装置 | |
| JPH07107667A (ja) | 電力系統監視装置 | |
| JPH10198420A (ja) | 異常診断方法及びその装置 | |
| CN119556154B (zh) | 蓄电池组运行状态确定方法和系统 | |
| CN118432232B (zh) | 智能设备车载充电方法、装置、车辆及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20040519 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20040525 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20040726 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20041109 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20041122 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20071210 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20081210 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20081210 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20091210 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20101210 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20101210 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20111210 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20111210 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121210 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20131210 Year of fee payment: 9 |
|
| LAPS | Cancellation because of no payment of annual fees |