JP5868331B2 - 圧縮機を診断するための方法およびシステム - Google Patents

Description

本明細書で開示する主題の実施形態は、一般には機械を、詳細には圧縮機を診断するための、一般には方法およびシステムに、より詳細には機構および技法に関する。

今日、様々な施設に設置され、石油およびガスを処理するために使用される多数の機械（例えば圧縮機のような産業機械）が存在する。そのような機械は、障害（ｆａｕｌｔ）または故障（ｆａｉｌｕｒｅ）のモードを指し示す徴候に遭遇する場合がある。これらの機械の技術的複雑性によって、機械のユーザは、これらの徴候に対処する能力を有さない場合がある。したがって、機械に影響を与える事柄を判定する技術的能力を有する機械の製造業者が、機械が、監視され、動作の適切な状態に維持されることを保証するために、保守および診断の協定をユーザと結ぶ。この理由で、機械の製造業者は、機械の「健全性」を監視するために、複数のセンサをユーザの場所に設置する場合がある。同一の製造業者が、多数の取引先との複数の契約を有する場合がある。

予防診断および健全性管理（Ｐｒｏｇｎｏｓｔｉｃｓ ａｎｄ Ｈｅａｌｔｈ Ｍａｎａｇｅｍｅｎｔ）（ＰＨＭ）は、機関車、医療用スキャナ、航空機エンジン、タービン、および圧縮機などの資産に対する契約サービス協定（ｃｏｎｔｒａｃｔｕａｌ ｓｅｒｖｉｃｅ ａｇｒｅｅｍｅｎｔ）（ＣＳＡ）の効率的な履行を支援する新興の技術である。ＰＨＭの１つの目的は、これらの資産の動作性能を経時的に維持し、それらの稼働率を向上させ、一方でそれらの保守費を最小限に抑えることである。ＰＨＭは、資産の保証期間の間の本来の設備製造業者のサービスのコストを低減するための、または、ＣＳＡのもとでサービスをより効率的に提供するための、製品を差別化するものとして使用され得る。

図１は、従来のＰＨＭシステム１０を示す。この図によれば、センサ妥当性確認ユニット１２でのセンサ妥当性確認、および処理ユニット１４での入力データ前処理などの従来の準備タスクを実行した後で、ＰＨＭシステム１０は、ユニット１６での異常検出および特定、ユニット１８での診断分析、ユニット２０での予防診断分析、ユニット２２での障害適応、およびユニット２４でのロジスティクス意思決定を実行する。これらの処置は、当業者には既知であり、この理由で、それらの詳細な説明は本明細書では省略する。

異常検出ユニットは、クラスタリングなどの教師なし学習技法を活用する。その目的は、根底にある構造的情報をデータから抽出し、標準構造を定義し、そのような標準構造からの逸脱を特定することである。診断ユニットは、分類などの教師あり学習技法を活用する。その目的は、異なる障害／故障モードｓを認識するために使用され得る、潜在的な識別特性をデータから抽出することである。予防診断ユニットは、残存耐用年数（ＲＵＬ）の推定をもたらす。その目的は、資産健全性指数（ａｓｓｅｔ ｈｅａｌｔｈ ｉｎｄｅｘ）を維持かつ予想することである。本来、この指数は、正常動作条件のもとでの予測される劣化を反映する。後に、この指数は、異常／故障の発生頻度により修正され、より速いＲＵＬの低減を反映する。

上記で考察した機能は、機械の状態の解釈である。これらの解釈は、プラットフォーム上での制御処置、およびプラットフォーム外でのロジスティクス、修理および計画策定の処置をもたらす。プラットフォーム上での制御処置は、通常、性能または安全マージンを維持することに集中され、リアルタイムで実行される。プラットフォーム外での保守／修理の処置は、より複雑なオフラインの意思決定を包含する。それらは、最良の意思決定のトレードオフを生成するために、多目的最適化を実行し、修正処置の境界を探査し、それらを選好の集合と組み合わせる意思決定支援システム（ＤＳＳ）を必要とする。

米国特許第２００９／０３７７７２Ａ１号

しかしながら、圧縮機の現存する徴候に対する決定された診断の関連性を算出するための従来のアルゴリズムは、常に正確であるとは限らず、それらはあいまいであることもある。したがって、これらの問題および欠点を回避する、システムおよび方法を提供することが望ましいことになる。

ある一例の実施形態（ａｎ ｅｘｅｍｐｌａｒｙ ｅｍｂｏｄｉｍｅｎｔ）により、圧縮機を診断するための方法が存在する。その方法は、圧縮機の様々な部分の状態を説明する成分を含む圧縮機の特徴ベクトルを生成するステップ、ファジィ制約に基づいて、特徴ベクトルに対応する集約異常ベクトル（ａｇｇｒｅｇａｔｅｄ ａｎｏｍａｌｙ ｖｅｃｔｏｒ）を決定するステップ、圧縮機の考えられる障害／故障モードのプリセットリスト用の規則を定義するステップ、集約異常ベクトルと規則との間の補強尺度（ｃｏｒｒｏｂｏｒａｔｉｎｇ ｍｅａｓｕｒｅ）を算出するステップ、ならびに、補強尺度の結果に基づいて、圧縮機の障害／故障モードを特定するステップを含む。

別の一例の実施形態により、圧縮機を診断するためのシステムが存在する。そのシステムは、圧縮機に関する測定データを受信するように構成されるインターフェース、および、測定データを受信するように構成されるプロセッサを含む。プロセッサは、測定データに基づいて、圧縮機の様々な部分の状態を説明する成分を含む圧縮機の特徴ベクトルを生成するように、ファジィ制約に基づいて、特徴ベクトルに対応する集約異常ベクトルを決定するように、圧縮機の考えられる障害／故障モードのプリセットリスト用の規則を検索するように、集約異常ベクトルと規則との間の補強尺度を算出するように、かつ、補強尺度の結果に基づいて、圧縮機の障害／故障モードを特定するように構成される。

さらに別の一例の実施形態により、コンピュータ実行可能命令を含むコンピュータ可読媒体が存在し、その命令は、実行される場合に、圧縮機を診断するための方法を実装する。その方法は、圧縮機の様々な部分の状態を説明する成分を含む圧縮機の特徴ベクトルを生成するステップ、ファジィ制約に基づいて、特徴ベクトルに対応する集約異常ベクトルを決定するステップ、圧縮機の考えられる障害／故障モードのプリセットリスト用の規則を定義するステップ、集約異常ベクトルと規則との間の補強尺度を算出するステップ、ならびに、補強尺度の結果に基づいて、圧縮機の障害／故障モードを特定するステップを含む。

本明細書に組み込まれ、本明細書の一部を構成する添付の図面は、１つまたは複数の実施形態（ｏｎｅ ｏｒ ｍｏｒｅ ｅｍｂｏｄｉｍｅｎｔｓ）を例示し、説明とともに、これらの実施形態を解説する。

従来の圧縮機診断システムの概略図である。 ある一例の実施形態による、圧縮機診断システムの概略図である。 ある一例の実施形態による、ファジィしきい値を示すグラフである。 ある一例の実施形態による、ファジィしきい値を示すグラフである。 ある一例の実施形態による、圧縮機の障害／故障モードを検出するための処理を例示するフローチャートである。 ある典型の実施形態による、圧縮機の様々な障害／故障モードを順位付けするための方法を例示するフローチャートである。 圧縮機を診断するための方法を実装可能な一例のシステムである。

一例の実施形態の以下の説明は、添付の図面について言及する。異なる図面中の同一の参照番号は、同一の、または類似の要素を特定する。以下の詳細な説明は、本発明を限定しない。その代わりに、本発明の範囲は、添付の特許請求の範囲により定義される。話を簡単にするために、以下の実施形態を、遠心圧縮機の専門用語および構造に関して考察する。しかしながら、次に考察することになる実施形態は、これらの圧縮機に限定されず、特定する必要がある様々なものに遭遇し得る他の圧縮機または複雑な構造に適用され得る。

明細書全体を通して、「１つの実施形態」または「ある実施形態」に対する言及は、ある実施形態に関連して説明する特定の特徴、構造、または特性が、開示する主題の少なくとも１つの実施形態に含まれることを意味する。したがって、明細書全体を通して様々な場所で、「１つの実施形態で」または「ある実施形態で」の句が出現することは、必ずしも、同一の実施形態に言及することではない。さらに、特定の特徴、構造、または特性は、１つまたは複数の実施形態で、任意の適した様式で組み合わされ得る。

ある一例の実施形態によれば、システムは、少なくとも１つの圧縮機から測定値を受信するように、圧縮機の様々な部分の状態を説明する成分を含む、少なくとも１つの圧縮機の特徴ベクトルを生成するように、ファジィ制約に基づいて、特徴ベクトルに対応する集約異常ベクトルを決定するように、圧縮機の考えられる診断のプリセットリスト用の規則を定義するように、集約異常ベクトルと規則との間の補強尺度を算出するように、かつ、補強尺度の結果に基づいて、圧縮機の障害／故障モードを特定するように構成される。

そのようなシステム３０が、図２に示され、複数の圧縮機を監視するように構成され得る。１つの一例の実施形態では、システム３０は、データ取得ユニット３２を介して、数百ではないにしても数十もの圧縮機に接続される集中型システムである。圧縮機は、様々な顧客に属する場合があり、集中型システムは、これらの顧客に対して保守および技術サポートを提供する。そのようなシステムの概略図を、後で図７に関して考察する。収集したデータは、データベース３４に記憶され、収集したデータは、圧縮機の様々なパラメータ（温度、圧力、速度、ガス組成など）に関する場合がある。

ジョブスケジューラ３６は、収集したデータを入力として受信するように、かつ、タイマに傾注する、またはタイマによりアプリケーションを起動するように構成される。ジョブスケジューラ３６は、複数の圧縮機から受信されるデータを、順次および所与の時間区間でチェックするように、かつ、異常特定処理が開始されるべきかどうかを判定するように構成され得る。ジョブスケジューラ３６は、データ前処理ユニット３８と通信するように構成される。データ前処理ユニット３８は、収集したデータをデータベース３４から受信するように、かつ、その収集したデータに関して様々な動作を実行するように構成される。例えば、前処理ユニット３８は、収集したデータに対する基準値を検索することができる、所定のアルゴリズムに基づいて特徴抽出を実行することができる、収集したデータに基づいて圧縮機の様々なパラメータ（特徴）を算出することができる、などである。前処理ユニット３８により実行される算出は、圧縮機の熱力学モデルに基づく場合がある。前処理ユニット３８は、機械固有のパラメータ、それらのパラメータのデフォルト値、それらのパラメータの正常値、それらのパラメータに対する容認可能な境界などを含む、機械構成ユニット４０からデータを受信している場合がある。

前処理ユニット３８により決定される導出された特徴は、後で考察するような異常行列および異常ベクトルを算出するように構成される、異常通知ユニット４２に提供される。異常通知ユニット４２は、機械構成ユニット４０にも接続され、このユニットから所望のデータを検索することができる。異常通知ユニット４２からの出力は、ケースマネージャユニット４４に提供される。ケースマネージャユニット４４は、他のものとともに、異常を呈する圧縮機に対する新しい症例を暴露するように構成される。

診断推論ユニット４６が、ケースマネージャユニット４４に接続され、ケースマネージャユニット４４に、圧縮機が呈した徴候に対する考えられる診断（障害／故障モード）の順位付けしたリストを提供する。考えられる診断の順位付けしたリストを生成するための詳細は、後で考察する。より多くのデータが必要である場合、ケースマネージャユニット４４は、圧縮機５０と通信可能であるデータ要求ユニット４８に必要なデータを要求することができる。順位付けしたリストを有して、ケースマネージャ４４は、データをデータベース５２に記憶することができる、または、例えば専用のユーザインターフェース５４を介して、ユーザ５６にデータを提示することができる。代替方法として、またはさらに、ケースマネージャ４４は、分析の結果を、通信ユニット６０を介して顧客５８に提示することができる。したがって、顧客５８には、ケースマネージャ４４にフィードバックを提供する機会がある。

ある一例の実施形態によって、異常通知ユニット４２に関してさらなる詳細が提供される。複数のセンサ（図示せず）が圧縮機上に分布し、これらのセンサが、例えば、圧縮機の様々な場所での温度、圧力、速度などのような、圧縮機の様々なパラメータを測定するものとする。このデータを含むベクトルは、本明細書では特徴ベクトルＦと関係する。ベクトルＦは、（測定されたｋ個のパラメータに対応する）ｋ個の成分を有し得るものであり、各成分は、タイムスタンプを有する、すなわち、各成分は、対応するパラメータが測定される時間に関連付けられる。このベクトルは、データ前処理ユニット３８により処理されるような、ジョブスケジューラ３６から受信されるデータを含み得る。

ベクトルおよびそれらの成分のための専用の数学的表記を使用すると、特徴ベクトルは、

により与えられる。ベクトルＦの各成分は、例えば、測定された値、測定された値と基準値との間の差、しきい値のパーセンテージ、測定されたパラメータの傾向などのような、動的な特徴を表す。特徴ベクトルＦの成分１からｋが、時間的なサンプリング点で測定および／または導出される。これらの成分の測定は、所与の時間区間で反復され、これらの測定／算出された成分は、さらなる処理のためにデータベースに記憶され得る。

ある一例の実施形態によれば、成分は、過渡モードでない成分のみを維持するためにフィルタリングされる、すなわち、定常状態のシステムを分析することが望まれている。次いで、１つまたは複数の成分が、２つの値、注意値（ａｔｔｅｎｔｉｏｎ ｖａｌｕｅ）および危険値（ｒｉｓｋ ｖａｌｕｅ）を含む、対応するファジィしきい値と比較される。注意値は、圧縮機が望ましくない様式での挙動を開始する可能性があるので、それぞれのパラメータを観測すべきであるということを、操作者に気付かせる。危険値は、圧縮機が不全の危険性があり得るものであり、このしきい値を超えているパラメータを修正するための対策を行う必要があるということを指示する。

本発明者の知見に基づけば、ファジィしきい値は、圧縮機を診断する当分野において以前に使用されていなかったということに留意されたい。この理由で、次に、ファジィしきい値をより詳細に考察する。ベクトルＦの各成分ｆ_i（ｔ）に対して、低い方のしきい値ＬＴ_i（ｆ_i）および／または高い方のしきい値ＵＴ_i（ｆ_i）が、領域変数ｆ_iを区間［０，１］に写像するように定義され得る。例えば、低い方のしきい値は、

であり得るとともに、高い方のしきい値は、

であり得る。図３は、低い方のファジィしきい値を例示し、図４は、高い方のファジィしきい値を例示する。図３および４は、ファジィしきい値の具体例を提示することに留意されたい。しかしながら、開示した一例の実施形態は、他のファジィしきい値と互換性があり、図３および４に示す具体的なファジィしきい値は、単に例示的な目的のためのものである。

図３は、注意値ｃ_iおよび危険値ａ_iを示し、一方で図４は、注意値ａ_iおよび危険値ｃ_iを示す。図３は、圧縮機のパラメータｆ_iの値０を超える変化が、注意値ｃ_iを超えるきっかけとなり、一方で、パラメータｆ_iの値１に向かう変化が、危険値ａ_iを超えるきっかけとなることを示す。同様の解説が、図４に対して有効である。監視されるパラメータｆ_iは、上限または下限のいずれかを有するので、適切な高い方のファジィしきい値または低い方のファジィしきい値を使用する必要がある。

さらに、Ｔ_i（ｆ_i）が、臨界性の方向に応じて、ＬＴ_i（ｆ_i）またはＵＴ_i（ｆ_i）のいずれかにより置換されることになるという条件で、Ｔ_i（ｆ_i）が、特徴ｆ_iの一般的ファジィしきい値を定義するものとする。しきい値Ｔ_i（ｆ_i）は、圧縮機の正常動作状態を維持するために満たす必要がある制約とみなされる。ファジィ制約と従来の制約との間の違いは、従来の制約が型通りにステップ関数であり、一方でファジィ制約が非ステップ関数により表されるという事実に反映される。

特徴ベクトルＦは、ｋ×Ｎ行列Ｍであるとみなされ得るものであり、ただし、ｋは、特徴の数であり、Ｎは、時間の窓にわたって得られる成分ｆのサンプルの数である。時間の窓は、その間にわたって成分ｆの測定値が得られる所定の量の時間である。話を簡単にするために、圧縮機のｋ＝２０のパラメータのｆ_iが、２時間の時間の窓にわたって毎分測定されていることを考えてみる。圧縮機および必要性に基づいて、他の数を使用してもよい。このデータは、行列Ｍとして集成される場合に、（ｉ，ｊ）要素を有し、表１に示すように表すことができる。

ベクトル形式でのしきい値Ｔ_i（ｆ_i）を行列Ｍの列に適用することにより、表２に示す行列を得る。

表２での結果は、行列Ｍの各要素が、対応する正常性の制約を満たす程度を指示するｋ×Ｎ行列Ｅであり、制約は、上記で考察したファジィ制約である。行列Ｅの各要素Ｅ（ｉ，ｊ）は、区間［０，１］内の値を有する

により与えられる。要素Ｅ（ｉ，ｊ）の０からの逸脱は、対応するパラメータｆに関する正常性からの起こり得る逸脱を指示する。例えば、表２での行列Ｅは、パラメータｆ₁に対する値が、サンプリング点ｊでは注意値に達しており、それが、サンプリング点Ｎでは危険値に達したことを示す。

しかしながら、サンプリング点の数が大きくなる場合があるので、行列Ｅで示す数を集約することが望まれる場合がある。したがって、各特徴に対する異常の程度が、特徴に関するサンプリングレートおよび時定数に対して適切である時間窓にわたって集約され得る。１つの用途では、窓は長さがＮである場合がある。より一般には、集約は、行列ＭのＮ個の列にわたる移動窓を使用して実現され得る。

集約は、窓に含まれる要素にわたって実行される必要がある場合がある。集約の１つの例は、最近の値とのより高い関連性を与える指数移動平均であり得る。例えば一般的な重み付け平均のような、他の既知の集約関数を使用してもよい。そのような集約の結果が、ベクトルＡであり、その第ｉの要素は、特徴ｆ_iの異常の全体的な程度、すなわちＡ（ｆ_i）を指示する。例えば、測定時間の組に対する異常の最大値が、表３に示すように選択され得る。別の用途では、複数の測定時間にわたって測定される様々な異常の平均が、Ａ（ｆ_i）とみなされ得る。表３に示す一例の実施形態では、集約の後、特徴ｆ₁に異常が存在し、特徴ｆ_iに部分的な異常が存在するが、特徴ｆ_kには異常は存在しないということが推定される。この情報は、異常検出の他の発生源（例えば、エラーメッセージとして符号化された情報）と統合され得る。そのようなエラーメッセージが、ブールデータ（すなわち、強度１での異常）として扱われる一方で、行列Ｅによって、異常強度が進展する間を完全に視認することができる。

概略的に、制約を特徴ｆ_iに適用し、異常を集約する処理を表４に示す。

ある一例の実施形態によれば、診断ユニット４６が、外部記憶ユニットからの圧縮機に関するデータを格納する場合があり、またはそれを要求する場合がある。

診断処理は、ベクトルＡにより表される各特徴の異常の程度を、特定の障害／故障モードが存在する場合に予測される異常と照合することにより、起こり得る障害／故障モードにわたる（部分的な）順序を生出することができる。この領域の知識は、表５に示す行列に取り込まれ、そこでは、第１の列が、考えられる障害／故障モードを表し、残りの列は、対応する障害／故障モードに対する異常の強度の対応する予測される程度を表す。この状況では、異常強度のベクトルＡは、診断システムを推進している徴候のベクトルとみなされる。換言すれば、表５内の列には、圧縮機の操作者の経験および予測に基づいて、高、中、低、間接的結果および影響なしを表す、項目Ｈ、Ｌ、Ｍ、ｉｃ、またはｎｉｌが加えられる。これらの値は、圧縮機の製造業者および／または操作者により手動で入力され得るものであり、これらの値は、ある決まった障害／故障モードが圧縮機に存在する場合の、予測される異常およびそれらの強度に対応する。所与の障害／故障モードは、異常を呈する圧縮機の２つ以上の部分を規定する場合があることに留意されたい。表５は遠心圧縮機に固有のデータを含むが、他の表は、診断すべき別の機械に関連するデータを含み得る。

例として、表５の第１の行に記される徴候が、様々な成分ｆ_iを表し、障害ｉの行が、圧縮機の１つの障害／故障モードであると考えてみる。この一例の実施形態によれば、そのような障害／故障モードに対して、徴候１および徴候ｋに対する値がＬであることが予測される。換言すれば、マイクロプロセッサ上に実装されるアルゴリズムは、２つのパラメータ徴候１およびｋがしきい値の外側にあり、他のすべてのパラメータが重要でないならば、障害／故障モードの障害ｉを、低（Ｌ）の信頼度を用いて特定する。これは例であり、各圧縮機は、必要に応じて、それ自体のパラメータおよび特性が監視され得ることに留意されたい。

表５の第１の列に記される障害／故障モードは、それぞれの障害／故障モードに対して定義される規則に基づいて特定され得る。項目Ｈ、Ｌ、Ｍ、およびｉｃは、それぞれの対応する障害／故障モードに対する徴候の予測される強度と解釈され得る。

表４に示す行列は、次式による、要素Ｒｕｌｅ_iを有する結合規則の組と解釈され得る。

ただし、Ｙ_iは、例えば表５内の第１の列に列挙される要素である、障害／故障モードであり、Ｘ_iは、例えば表５内の各行内の項目である、複数の徴候を表す。

異常ベクトルＡは、行列内の各障害／故障モードと照合され、表５の行列内の第ｉの行が、結合規則Ｒｕｌｅｉと解釈される。ただし、Ｒｕｌｅ_iは、次式により与えられる。

Ｘ_i、結合規則Ｒｕｌｅ_iの左手側（ＬＨＳ）は、次式により与えられる。

および式中、Ｘ_iの各成分ｘ_i,jは、５つの値Ｈ、Ｍ、Ｌ、ｉｃまたはｎｉｌの１つを有し、ｎｉｌは０である。ベクトルＸ_iはｋ個の成分を有し、ｋは表５内の列の数に等しく、ｉは表５内の行の数であることに留意されたい。

各障害／故障モードＹ_i（表５内の行）に対して、診断ユニット４６は、補強証拠の尺度Ｃ（Ｙ_i，Ａ）（異常ベクトルＡと一致するＹ_iに対する予測される徴候）、および反論証拠（ｒｅｆｕｔｉｎｇ ｅｖｉｄｅｎｃｅ）の尺度Ｒ（Ｙ_i，Ａ）（Ｙ_iに対する予測される徴候と異常ベクトルＡとの間の一致の不足）を計算するように構成され得る。これらの２つの尺度を計算する、複数の方法が存在する。より良い理解のために、ＣおよびＲに対する一例の関数を次に考察する。

診断処理に対する入力である異常ベクトルは、次式のように定義される。

ただし、各値Ａ_iは、０から１の間の値を有する。

入力の、それらの対応する基準との部分的な一致を確認するために、その徴候を観測する、高（Ｈ）、中（Ｍ）、もしくは低（Ｌ）の確率、または、それが間接的結果（ｉｃ）である可能性があるという事実を考慮して、結合規則Ｒｕｌｅ_iのＬＨＳ

が、次式に分解され得る。

さらに、入力を表５の項目Ｈ、Ｍ、Ｌ、ｉｃ、ｎｉｌと一致させる重要度を反映する重み付けの組Ｗを、次式のように導入する。

ここで、Ｗは、例えば、｛０．８，０．５，０．２，０．１，０．０｝である。この例に基づいて、補強証拠尺度Ｃが、障害／故障モードＹ_iおよび異常Ａに対して予測される証拠の量を確認するために計算され得る。換言すれば、Ｃは、次式により与えられるように、異常ベクトルＡと、Ｘ_i、規則Ｒｕｌｅ_iのＬＨＳとの間の重み付けされた、部分的な一致であり得る。

ただし、内積

は、従来のスカラ積を使用して実装される。

であり、一方で、

であることに留意されたい。

障害／故障モードＹ_iの算出の一例を示すために、表６に示す例を次に考察する。異常ベクトルＡは、表６の第１の行に示す値を有するものとする。さらに、規則（表５に示さない行）が、表６の第２の行に示すように、Ｘ_iにより与えられるものとする。第２の行内の規則Ｘ_iは、表６の第３、第４、および第５の行に示すように、Ｈ、Ｍ、およびＬの値に対応する下位規則に分解される。障害／故障モードＹ_iに対するｉｃまたはｎｉｌの値は存在しないので、対応する規則は表６に示されない。異常ベクトルＡの値が、（ｉ）圧縮機の測定されたパラメータおよび（ｉｉ）表１〜４に関して上記で考察したような所定の制約に基づいて算出される一方で、規則Ｘ_iは、おそらく、圧縮機の操作者および／または圧縮機の製造業者の経験に基づいて決定される。上記で定義した補強証拠尺度Ｃおよび上記で記した重み付けを使用すると、障害／故障モードＹ_iに対して値８２％が決定される。

より多くの徴候を有する別の例を、表７に示す。ここでは、高Ｈおよび中Ｍの値に加えて、低の値Ｌを伴う徴候が存在する。同一の重み付け係数および同一の補強証拠尺度Ｃが、表７に対して使用され、それにより、障害／故障モードＹ_iと異常ベクトルＡとの間の５０．７％の一致に達する。

やはり上記で考察したように、異常ベクトルＡから欠損している障害／故障モードＹ_iに対して、確認すべき予測される証拠の量を算出することが妥当である場合がある。Ｒ（Ｙ_i，Ａ）＝１−Ｃ（Ｙ_i，Ａ）のような、Ｃに対する相補的な測定基準が使用され得る。しかしながら、この測定基準Ｒは、少しも付加的な情報を提供しない。

より良い尺度は、予測される徴候を観測することなしに、障害／故障モードの原因であるＹ_iの確率に基づいて、割引係数を計算することである。計算を簡単にするために、すべての徴候は相互に無関係であるものとする。これは、それぞれがその対応する重み付けにより重み付けられた、異常の各程度での欠損値の確率和の否定（すなわち、１に対する補数）をとることと等価である。確率和は、和集合を評価するために使用され得る多数の三角コノルム（Ｔ−コノルム）の１つであり、それは、Ｓ（ａ，ｂ）＝ａ＋ｂ−ａ・ｂと定義される。すべてのＴ−コノルムと同様に、この関数には結合性がある。これは、３つ以上の引数が存在する場合、関数が再帰的に計算され得る、すなわち、Ｓ（ａ，ｂ，ｃ）＝Ｓ（Ｓ（ａ，ｂ），ｃ）であることを意味する。

例えば、表６に提示する例では、以下の欠損値が存在する。すなわち、高強度異常（Ｗ_H＝０．８）に対しては、Ａ₂に０．１、およびＡ₃に０．２が、ならびに、低強度異常（Ｗ_L＝０．２）に対しては、Ａ₅に０．８、およびＡ₆に０．２が存在する。これらの値に基づいて、反論証拠の尺度Ｒ（Ｙ_i，Ａ）が、
Ｓ（ａ，ｂ）＝ａ＋ｂ−ａ・ｂである場合、Ｓ（Ｓ（Ｓ（０．８・０．１，０．８・０．２），０．２・０．８），０．２・０．５）＝０．４１５
のように算出され得る。Ｓ（ａ，ｂ）＝Ｍａｘ（ａ，ｂ）のような異なるＴ−コノルムが使用されるならば、上記の式は、
Ｓ（Ｓ（Ｓ（０．８・０．１，０．８・０．２），０．２・０．８），０．２・０．５）＝０．１６
となる。

確率和の代わりに最大演算子を使用して反論証拠の尺度を計算することにより、欠損情報のより極端ではない見方が得られる。

当技術分野で既知である、Ｔ−コノルムの多数のパラメータ化した族が存在する。他のＴ−コノルムが、反論尺度を計算するのに適している場合がある。最も適切なＴ−コノルムの選択は、全体的な診断処理で欠損情報の影響を格付けする際に、とることが望まれる、用心深い、または厳格でない立場により行われる。ある一例の実施形態によれば、診断方法が実装されるプロセッサが、プロセッサの操作者に、反論尺度のためにどの関数を選択すべきかを提案するように構成され得る。当業者なら認識するであろうが、上記で説明した処理は、ハードウェア、ソフトウェアまたはそれらの組み合わせで実装され得る。

ある一例の実施形態によれば、ＣおよびＲの尺度は、組み合わされる場合があり、全体的な結果が、［Ｃ（Ｙ_i，Ａ），ｍａｘ（Ｃ（Ｙ_i，Ａ），１−Ｒ（Ｙ_i，Ａ））］により、すなわち、１−Ｒ（Ｙ_i，Ａ）がＣ（Ｙ_i，Ａ）を割引するために使用される、これらの２つの尺度ＣおよびＲの集約により形成される区間として提示され得る。

例えば、表６に示す例に関して、Ｃ（Ｙ_i，Ａ）＝０．８２、Ｒ（Ｙ_i，Ａ）＝０．４１５（Ｓ（ａ，ｂ）＝ａ＋ｂ−ａ・ｂを使用する場合）、および１−Ｒ（Ｙ_i，Ａ）＝０．５８５である。上記で記した区間は、実際は点［０．８２，０．８２］であり、割引されたスコアは、Ｃ（Ｙ_i，Ａ）・（１−Ｒ（Ｙ_i，Ａ））＝０．４８である。この区間または割引された係数を使用して、順序付きリストを形成するために、起こり得る障害／故障モードを順位付けすることが可能であり、そのリストに基づいて、最も可能性がある障害／故障モードに対して修正処置を提案することが可能である。

障害／故障モードを検出する処理を、図５に示すように表すことができる。ステップ５００では、処理が実装されるプロセッサが、測定データを受信する。測定データは、圧縮機の様々なパラメータを指し示す。特徴ベクトルＦが、ステップ５０２で生成される。特徴ベクトルＦは、ｋ個の成分を有し得る。成分の数は、圧縮機の操作者により変更され得る。成分の一部は、測定されたデータであり、他の一部の成分は、測定されたデータに基づいて算出される。ステップ５００および５０２の前に実行される場合があるステップ５０４では、上記で考察したようなファジィしきい値が、特徴ベクトルＦの各成分に対して定義される。状況に応じて、ファジィしきい値は、成分の増大または減少の原因となる場合がある。１つの用途では、ファジィしきい値とステップしきい値との組み合わせが、特徴ベクトルＦの成分に対して使用され得る。

ファジィしきい値および特徴ベクトルＦに基づいて、異常ベクトルＡがステップ５０６で算出される。異常ベクトルを算出するための手順は、すでに上記で考察したように、用途ごとに異なる場合がある。規則の組が、ステップ５０８で、データベースから検索される。規則の組は、データベースに前もって記憶される、または、操作者により作動中に変更され得る。規則の組は、障害／故障モードの組を対応する徴候に写像する。例えば、表５に示すように、第１の列が複数の障害／故障モードを特定し、各障害／故障モードに対して、（対応する行に列挙される）徴候の組が予測される。考慮される徴候が、表５の第１の行に列挙され、行「ｎ」内の所与の障害／故障モードに対するそれらの予測が、行「ｎ」に列挙される。表５でわかるように、所与の障害／故障モードに対してすべての徴候が存在するわけではなく、一部は高い予測を有し、一部は低い予測を有し、一部は、存在はするが、障害／故障モードと直接関係しないものを有する。これらの理由で、所与の障害／故障モードに対する徴候を確認するための予測は、高、中、低、無、および間接的に関係すると定量化される。ある一例の実施形態によれば、規則の組は、圧縮機の動作および故障に精通している技術員により、手動で入力されることに留意されたい。

規則および異常ベクトルＡに基づいて、補強証拠尺度Ｃがステップ５１０で算出される。この尺度は、検出される徴候に対応するための、特定された障害／故障モードに関する信頼を提供する。この尺度は、１００％が完全に信頼できる結果であるパーセンテージとして表現することができる。しかしながら、適宜のステップ５１２により、反論証拠尺度Ｒが算出される場合もあり、この尺度は、特定された障害／故障モードの信頼性の不足を指示する。別の適宜のステップ５１４により、２つの尺度ＣおよびＲは、ステップ５１６で、検出される徴候の組に対応する、考えられる障害／故障モードのより信頼性の高い順位付けをもたらすために組み合わされ得る。

図６に例示するある一例の実施形態により、圧縮機を診断するための方法が存在する。この方法は、圧縮機の様々な構成要素の状態を説明する成分を含む圧縮機の特徴ベクトルを生成するステップ６００、ファジィ制約に基づいて、特徴ベクトルに対応する集約異常ベクトルを決定するステップ６０２、圧縮機の考えられる診断のプリセットリスト用の規則を定義するステップ６０４、集約異常ベクトルと規則との間の補強尺度を算出するステップ６０６、ならびに、補強尺度の結果に基づいて、圧縮機の診断を特定するステップ６０８を含む。

適宜のステップが、障害／故障モードに対して欠損している証拠の量を定量化する反論証拠の尺度Ｒを算出するステップであって、反論証拠の尺度Ｒが三角コノルム関数に基づき得るステップ、または、圧縮機の各障害／故障モードを順位付けするために、補強尺度Ｃを反論証拠の尺度Ｒと組み合わせるステップを含む場合がある。

ある一例の実施形態によれば、プロセッサを含むシステムが、所定の時間窓にわたって特徴ベクトルの成分の値を受信するように、所定の時間窓の間のある決まった時間での対応する時点の異常を決定するために、ファジィ制約を特徴ベクトルの成分に適用するように、かつ、所定の時間窓全体に対して、および特徴ベクトルのすべての成分に対して集約異常ベクトルを生成するために、ある決まった時間での対応する時点の異常を集約するように構成され得る。

別の一例の実施形態によれば、プロセッサは、各規則を下位規則に分割するように、各下位規則と集約異常ベクトルとの間のスカラ積を算出するように、かつ、補強尺度を形成する算出されたスカラ積に基づいて、圧縮機が遭遇する障害／故障モードを指し示すパーセンテージ値を決定するようにさらに構成される。

さらに、または代替方法として、プロセッサは、各規則と集約異常ベクトルとの間の補強尺度Ｃを使用するようにさらに構成され、Ｃは、

のように定義され、Ａは集約異常ベクトルであり、Ｙ_iは障害／故障モードを表し、Ｘ_iは規則「ｉ」を表し、ｗ_h、ｗ_m、ｗ_l、およびｗ_icは重み付け係数であり、Ｘ_i ^H、Ｘ_i ^M、Ｘ_i ^LおよびＸ_i ^icは規則Ｘ_iの下位規則である。

別の一例の実施形態によれば、プロセッサは、障害／故障モードに対して欠損している証拠の量を定量化する反論証拠の尺度Ｒを算出するようにさらに構成され、反論証拠の尺度Ｒは三角コノルム関数に基づく。プロセッサは、圧縮機の各障害／故障モードを順位付けするために、補強尺度Ｃを反論証拠の尺度Ｒと組み合わせるようにさらに構成され得る。

ある一例の実施形態によれば、コンピュータ可読媒体がコンピュータ実行可能命令を含み、その命令は、実行される場合に、圧縮機を診断するための方法を実装する。その方法は、圧縮機の様々な部分の状態を説明する成分を含む圧縮機の特徴ベクトルを生成するステップ、ファジィ制約に基づいて、特徴ベクトルに対応する集約異常ベクトルを決定するステップ、圧縮機の考えられる障害／故障モードのプリセットリスト用の規則を定義するステップ、集約異常ベクトルと規則との間の補強尺度を算出するステップ、ならびに、補強尺度の結果に基づいて、圧縮機の障害／故障モードを特定するステップを含む。

例示であり限定ではない目的のために、一例の実施形態による動作を実行可能な代表的なシステムの例を、図７に例示する。診断処理を実装するための上記で考察したプロセッサは、システムの一部であり得る。ハードウェア、ファームウェア、ソフトウェアまたはそれらの組み合わせが、本明細書で説明した様々なステップおよび動作を実行するために使用され得る。

一例の実施形態で説明した活動を実行するのに適した一例のシステム７００は、サーバ７０１を含み得る。そのようなサーバ７０１は、ランダムアクセスメモリ（ＲＡＭ）７０４に、およびリードオンリーメモリ（ＲＯＭ）７０６に結合される中央プロセッサ（ＣＰＵ）７０２を含み得る。ＲＯＭ７０６は、プログラマブルＲＯＭ（ＰＲＯＭ）、消去可能ＰＲＯＭ（ＥＰＲＯＭ）などのような、プログラムを記憶するための他のタイプの記憶媒体である場合もある。プロセッサ７０２は、制御信号等を提供するための入出力（Ｉ／Ｏ）電気回路７０８およびバシング（ｂｕｓｓｉｎｇ）７１０を介して、他の内部および外部の構成要素と通信することができる。例えば、システム７００は、出現する可能性がある何らかの徴候を監視するために複数の圧縮機と通信することができる。複数の圧縮機は、広い地理的領域にわたって分布する場合があり、一方でシステム７００は、集中型システムであり得る。プロセッサ７０２は、ソフトウェアおよび／またはファームウェアの命令により指令されるように、当技術分野で既知であるような種々の機能を実行する。

サーバ７０１は、ハードディスクドライブおよびフロッピー(商標）ディスクドライブ７１２、ＣＤ−ＲＯＭドライブ７１４、ならびに、ＤＶＤなどのような情報の読み出しおよび／または記憶が可能な他のハードウェアを含む、１つまたは複数のデータ記憶デバイスを含む場合もある。１つの実施形態では、上記で考察したステップを実行するためのソフトウェアが、ＣＤ−ＲＯＭ７１６、ディスケット７１８、または情報を携帯用に記憶可能な他の形式の媒体に記憶され、配布され得る。これらの記憶媒体は、ＣＤ−ＲＯＭドライブ７１４、ディスクドライブ７１２などのようなデバイスに挿入され、それらにより読み出され得る。サーバ７０１は、ＬＣＤディスプレイ、プラズマディスプレイ、ブラウン管（ＣＲＴ）などのような、任意のタイプの既知のディスプレイまたは提示スクリーンであり得る、ディスプレイ７２０に結合され得る。マウス、キーボード、マイクロホン、タッチパッド、タッチスクリーン、音声認識システムなどのような、１つまたは複数のユーザインターフェース機構を含む、ユーザ入力インターフェース７２２が設けられる。システム７００の操作者は、例えば、特徴ベクトルＦの成分の数を修正することのような、任意の情報を、インターフェース７２２を介して入力することができる。

サーバ７０１は、固定電話および／またはワイヤレス端末ならびに関連するウォッチャーアプリケーションなどの他のコンピューティングデバイスに、ネットワークを介して結合され得る。サーバは、様々な固定電話および／またはモバイルクライアント／ウォッチャーデバイスに対する究極の接続を可能にする、インターネット７２８などのグローバルエリアネットワーク（ＧＡＮ）内のように、より大きなネットワーク構成の一部であり得る。

開示した一例の実施形態は、圧縮機の障害／故障モードを決定するためのシステム、方法およびコンピュータプログラム製品を提供する。この説明は、本発明を限定することを意図されていないことを理解されたい。それとは反対に、一例の実施形態は、添付の特許請求の範囲により定義されるような、本発明の趣旨および範囲に含まれる、代替物、修正および等価物を包含することが意図される。さらに、一例の実施形態の詳細な説明では、請求する本発明の包括的な理解をもたらすために、数多くの具体的な詳細を記載している。しかしながら、当業者であれば、そのような具体的な詳細がなくとも、様々な実施形態が実施され得ることを理解するであろう。

さらに当業者なら理解するように、一例の実施形態は、方法として、ワイヤレス通信デバイス、電気通信ネットワークの形で、またはコンピュータプログラム製品の形で実施され得る。したがって、一例の実施形態は、完全にハードウェアの実施形態、または、ハードウェアおよびソフトウェアの態様を組み合わせる実施形態の形式をとり得る。さらに、一例の実施形態は、コンピュータ可読命令が媒体内で実施される、コンピュータ可読記憶媒体に記憶されるコンピュータプログラム製品の形式をとり得る。ハードディスク、ＣＤ−ＲＯＭ、デジタルバーサタイルディスク（ＤＶＤ）、光記憶デバイス、またはフロッピー(商標）ディスクもしくは磁気テープなどの磁気記憶デバイスを含む、任意の適したコンピュータ可読媒体が利用され得る。コンピュータ可読媒体の他の非限定的な例には、フラッシュ型メモリまたは他の既知のメモリがある。

本発明の一例の実施形態の特徴および要素を、特定の組み合わせで、実施形態において説明しているが、それぞれの特徴または要素は、実施形態の他の特徴および要素を伴わずに単独で、または、本明細書で開示する他の特徴および要素を伴う、もしくはそれらを伴わない様々な組み合わせで使用され得る。本出願で提供される方法またはフローチャートは、具体的にプログラムされたコンピュータまたはプロセッサによる実行のために、コンピュータ可読記憶媒体内で有形に実施される、コンピュータプログラム、ソフトウェア、またはファームウェアの形で実装され得る。

この記述した説明では、任意のデバイスまたはシステムを作製かつ使用すること、および任意の組み込まれた方法を実行することを含む、同一のことを任意の当業者が実施することを可能にするために、開示する主題の例を使用する。主題の特許的な範囲は、特許請求の範囲により定義され、当業者が想到する他の例を含み得る。そのような他の例は、特許請求の範囲の範囲内にあることが意図される。

３０ システム
３２ データ取得ユニット
３４ データベース
３６ ジョブスケジューラ
３８ データ前処理ユニット
４０ 機械構成ユニット
４２ 異常通知ユニット
４４ ケースマネージャユニット、ケースマネージャ
４６ 診断推論ユニット、診断ユニット
４８ データ要求ユニット
５０ 圧縮機
５２ データベース
５４ ユーザインターフェース
５６ ユーザ
５８ 顧客
６０ 通信ユニット
５００、５０２、５０４、５０６、５０８、５１０、５１２、５１４、５１６、６００、６０２、６０４、６０６、６０８ ステップ
７００ システム
７０１ サーバ
７０２ 中央プロセッサ（ＣＰＵ）、プロセッサ
７０４ ランダムアクセスメモリ（ＲＡＭ）
７０６ リードオンリーメモリ（ＲＯＭ）
７０８ 入出力（Ｉ／Ｏ）電気回路
７１０ バシング
７１２ ディスクドライブ
７１４ ＣＤ−ＲＯＭドライブ
７１６ ＣＤ−ＲＯＭ
７１８ ディスケット
７２０ ディスプレイ
７２２ ユーザ入力インターフェース
７２８ インターネット

Claims (8)

1. 圧縮機を診断するための方法であって、
   前記圧縮機の様々な部分の状態を説明する成分を含む前記圧縮機の特徴ベクトルを生成するステップと、
   ファジィ制約に基づいて、前記特徴ベクトルに対応する集約異常ベクトルを決定するステップと、
   前記集約異常ベクトルと、予め定義された前記圧縮機の起こりうる障害／故障モードの規則とを照合するステップと、
   前記照合の結果に基づいて、前記圧縮機の障害／故障モードを特定するステップと、
   を含み、
   前記ファジィ制約を、基準値からの前記特徴ベクトルの前記成分の偏移に対して定義するステップをさらに含み、
   前記ファジィ制約が、低値から高値まで連続的に変化するしきい値であり、
   前記ファジィ制約の少なくとも１つが、注意値および危険値により定義され、
   前記注意値が、異常が発生する可能性があるので、対応するパラメータを監視する必要があることを指示し、
   前記危険値が、前記異常が発生したことを指示する、
   方法。
2. 特徴ベクトルを生成する前記ステップが、
   前記圧縮機の第１の複数のパラメータを測定するステップと、
   前記第１の複数のパラメータに基づいて、前記圧縮機の第２の複数のパラメータを推定するステップと、
   を含み、
   前記特徴ベクトルが、前記第１の複数のパラメータおよび前記第２の複数のパラメータの一部を含む、
   請求項１に記載の方法。
3. 前記圧縮機の様々な部分が、ベアリングおよびロータを含み、
   前記状態が、圧力、温度、振幅、差圧、質量もしくは体積の流量またはロータ速度の少なくとも１つを含む、
   請求項１または２に記載の方法。
4. 集約異常ベクトルを決定する前記ステップが、
   所定の時間窓にわたって前記特徴ベクトルの前記成分の値を受信するステップと、
   前記所定の時間窓の間のある決まった時間での対応する時点の異常を決定するために、前記ファジィ制約を前記特徴ベクトルの前記成分に適用するステップと、
   前記所定の時間窓全体に対して、および前記特徴ベクトルのすべての前記成分に対して前記集約異常ベクトルを生成するために、前記ある決まった時間での前記対応する時点の異常を集約するステップと、
   を含む、請求項１から３のいずれかに記載の方法。
5. 前記照合するステップが、
   前記圧縮機の起こり得る障害／故障モードに対応する各規則を下位規則に分割するステップと、
   各下位規則と前記集約異常ベクトルとの間のスカラ積を算出するステップと、
   前記算出されたスカラ積に基づいて、前記圧縮機が遭遇する障害／故障モードを指し示すパーセンテージ値を決定するステップと、
   を含む、請求項１から４のいずれかに記載の方法。
6. 各規則と前記集約異常ベクトルとの間の一致度合を示す補強尺度Ｃを使用するステップをさらに含み、補強尺度Ｃが、
   のように定義され、Ａが前記集約異常ベクトルであり、Ｙ_iが障害／故障モードを表し、Ｘ_iが規則「ｉ」を表し、ｗ_h、ｗ_m、ｗ_l、およびｗ_icが重み付け係数であり、Ｘ_i ^H、Ｘ_i ^M、Ｘ_i ^LおよびＸ_i ^icが規則Ｘ_iの前記下位規則である、
   請求項５に記載の方法。
7. 前記特定するステップが、障害／故障モードに対して欠損している証拠の量を定量化する反論証拠の尺度Ｒを算出するステップを含む、請求項１から６のいずれかに記載の方法。
8. 圧縮機を診断するためのシステムであって、
   前記圧縮機に関する測定データを受信するように構成されるインターフェースと、
   前記測定データを受信し、
   前記測定データに基づいて、前記圧縮機の様々な部分の状態を説明する成分を含む前記圧縮機の特徴ベクトルを生成し、
   ファジィ制約に基づいて、前記特徴ベクトルに対応する集約異常ベクトルを決定し、
   前記集約異常ベクトルと、予め定義された前記圧縮機の障害／故障モードの規則とを照合し、
   前記照合の結果に基づいて、前記圧縮機の障害／故障モードを特定する
   ように構成されるプロセッサと、
   を備え、
   前記プロセッサは、前記ファジィ制約を、基準値からの前記特徴ベクトルの前記成分の偏移に対して定義するように構成され、
   前記ファジィ制約が、低値から高値まで連続的に変化するしきい値であり、
   前記ファジィ制約の少なくとも１つが、注意値および危険値により定義され、
   前記注意値が、異常が発生する可能性があるので、対応するパラメータを監視する必要があることを指示し、
   前記危険値が、前記異常が発生したことを指示する、
   システム。