KR20230030044A

KR20230030044A - 시스템 조작 및 수행 데이터 모델링에 기초한 미래 신뢰도 예측 개선

Info

Publication number: KR20230030044A
Application number: KR1020237006120A
Authority: KR
Inventors: 리챠드 존스
Original assignee: 하트포드 스팀 보일러 인스펙션 앤드 인슈어런스 컴퍼니
Priority date: 2014-04-11
Filing date: 2015-04-11
Publication date: 2023-03-03
Also published as: US10409891B2; KR102503653B1; US20200004802A1; JP6795488B2; US20150294048A1; CN115186844A; KR102357659B1; WO2015157745A3; CA2945543A1; CN106471475B; WO2015157745A2; EP3129309A4; EP3129309A2; US11550874B2; KR20220017530A; US20230169146A1; CA3116974A1; CN106471475A; CA2945543C; KR20170055935A

Abstract

측정가능 시스템과 관련된 입력 인터페이스를 통해 유지보수 비용 데이터, 제1원칙 데이터, 자산 신뢰성 데이터와 같은, 조작 및 수행 데이터를 수신함으로써, 측정 시스템의 미래 신뢰성 예측을 개선하기 위한 시스템. 방법 및 장치에 대한 것이다. 측정가능 시스템과 관련된 하나 이상의 상대적인 분석 모델로부터 발생된 유지보수 기준을 사용하여 지정된 간격으로 유지보수 비용 데이터를 분류하는 다수의 카테고리 값이 발생 된다. 측정가능 시스템의 추정된 미래 신뢰도가 자산 신뢰성 데이터 그리고 다수의 카테고리 값에 기초하여 결정되며 그리고 미래 신뢰도의 결과가 출력 인터페이스상에서 디스플레이된다.

Description

시스템 조작 및 수행 데이터 모델링에 기초한 미래 신뢰도 예측 개선{Improving Future Reliability Prediction based on System operational and performance Data Modelling}

본 발명 출원은 2014년 4월 11일, "히스토리에 의한 유지보수 비용에 기초한 미래 신뢰도 추정 시스템 및 방법"이라는 명칭으로 출원된 미국 가출원 61/978,683호를 우선권 주장의 기초로한다.

본 발명은 유지보수 장비와 관련된 생산 및/또는 비용에 대한 현재 및 히스토리 데이터와 같은, 조작 및 수행 데이터에 기초하여 측정가능 시스템의 미래 신뢰도를 모델링하고 예측하는 분야에 대한 것이다. 특히, 본 발명의 실시 예는 비교 수행 분석을 수행하고 하나 이상의 측정가능 시스템의 미래 신뢰도를 모델링하고 추정하도록 사용된 모델 계수를 결정한다.

일반적으로, 수선가능 시스템의 경우, 수선가능 시스템을 유지보수하기 위해 사용된 방법론 및 처리와 시스템의 미래 신뢰도 사이에 일반적인 상관관계가 있다. 예를 들면, 자전거, 자동차, 및/또는 다른 운송 차량을 소유한 개인은 운송 차량의 운전 컨디션 및 신뢰도가 어느 정도는 운송 차량을 유지하기 위한 활동의 정도 및 퀄리티에 의존할 수 있다는 것을 알고 있다. 그러나 유지보수 퀄리티와 미래 신뢰도 사이에 상관 관계가 존재한다 하여도, 이 같은 관계를 정량화하고 모델링하는 것은 쉽지 않다. 수선가능한 시스템 이외에도, 유사한 관계 및/또는 상관 관계가 운전 및/또는 수행 데이터가 이용가능하거나 시스템을 평가하기 위해 사용된 데이터가 측정될 수 있는 광범위한 측정가능한 시스템에서 마찬가지 이다.

불행하게도, 유지보수 비용은 수선가능 시스템의 미래 신뢰도를 예측하기 위한 정확한 인디케이터라 볼 수 없다. 개인은 미래 신뢰도를 개선하는 데 상대적으로 최소의 영향을 미치는 작업 아이템에 소비된 유지보수 비용을 누적할 수 있다. 가령, 과도한 유지보수 비용은 예방의 유지보수 관련 작업을 수행하지 않고 실재 시스템 고장으로부터 발생될 수 있다. 일반적으로, 시스템 오류, 고장 및/또는 계획되지 않은 유지보수는 포괄적인 유지 보수 일정을 이용하는 예방 및/또는 예측 유지보수 프로그램보다 더 많은 비용이 든다. 따라서, 측정 가능한 시스템의 미래 신뢰도를 모델링하고 예측하기 위한 정확도를 향상시킬 필요가 있다.

본원 명세서에서 개시된 본원 발명의 일부 특징에 대한 기본적인 이해를 제공하기 위해 다음 설명에서 간단한 요약을 제공한다. 이 같은 요약은 본원 명세서에서 개시된 기술에 대한 철저한 개괄이 아니다. 다음 설명은 본 발명의 범위를 제한하는 것이 아니다. 이 같은 요약의 목적은 본 발명의 일부 개념을 상세한 설명이전에 사전에 간단한 형태로서 소개하고자 함이다.

한 실시 예에서, 조작 및 수행 데이터에 기초하여 시설의 미래 신뢰도를 모델링하기 위한 시스템은 시설에 해당하는 유지비용 데이터를 수신하고; 시설에 해당하는 제1원칙 데이터를 수신하며; 그리고 시설에 해당하는 자산 신뢰도 데이터를 수신하도록 구성된 입력 인터페이스를 포함한다. 이 같은 시스템은 지속적인 컴퓨터 판독가능 매체에 결합된 처리기를 또한 포함하며, 상기 지속적인 컴퓨터 판독가능 매체가 처리기에 의해 실행되는 때 장치가 시설과 관련된 하나 이상의 비교 분석을 얻고, 적어도 유지보수 비용 데이터, 제1원칙 데이터 그리고 하나 이상의 비교 분석 모델에 기초하여 지정된 간격에 의해 유지보수 비용 데이터를 분류하는 다수의 카테고리 값을 발생시키는 유지보수 기준을 얻으며, 자산 신뢰도 데이터 및 다수의 카테고리 값에 기초하여 시설의 추정된 미래 신뢰도를 결정한다. 상기 컴퓨터 노드는 또한 미래 신뢰도 결과를 디스플레이하는 사용자 인터페이스를 포함한다.

또 다른 실시 예에서, 조작 및 수행 데이터에 기초하여 측정 가능 시스템의 미래 신뢰도를 모델링하기 위한 방법에 있어서, 측정가능 시스템과 관련된 입력 인터페이스를 통하여 유지보수 비용 데이터를 수신하고; 측정가능 시스템과 관련된 입력 인터페이스를 통하여 제1원칙 데이터를 수신하며; 측정가능 시스템과 관련된 입력 인터페이스를 통하여 자산 신뢰도 데이터를 수신하고; 처리기를 사용하여, 측정가능 시스템과 관련된 하나 이상의 비교분석으로부터 발생된 유지보수 기준을 사용하여 지정 간격으로 유지보수 비용 데이터를 분류하는 다수의 카테고리 값을 발생시키고; 처리기를 사용하여, 자산 신뢰도 데이터 그리고 다수의 카테고리 값에 기초하여 측정가능 시스템의 추정된 미래 신뢰도를 결정하며; 그리고 출력 인터페이스를 사용하여 추정된 미래 신뢰도 결과를 출력하는, 측정 가능 시스템의 미래 신뢰도를 모델링하기 위한 방법이 제공된다.

또 다른 실시 예에서, 조작 및 수행 데이터에 기초하여 장비 자산의 미래 신뢰도를 모델링하기 위한 장치 있어서, 장비 자산에 해당하는 유지보수 비용 데이터를 수신하고; 장비 자산에 해당하는 제1원칙 데이터를 수신하며, 그리고 장비 자산에 해당하는 자산 신뢰도 데이터를 수신하도록 구성된 수신 장치를 포함하는 입력 인터페이스; 지속적인 컴퓨터 판독가능 매체가 처리기에 의해 실행되는 때 장치가 다음을 수행할 명령을 포함하는 지속적인 컴퓨터 판독가능 매체에 결합된 처리기,

- 다음 -

유지보수 기준으로부터 지정된 간격에 의해 유지보수 비용 데이터를 분류하는 다수의 카테고리 값을 발생시키며, 그리고 자산 신뢰도 데이터 및 다수의 카테고리 값에 기초하여 추정된 미래 신뢰도를 포함하는 시설의 추정된 미래 신뢰도를 결정함; 그리고

상기 처리된 데이터 세트에 기초하여 상이한 장비 자산을 비교하기 위해 추정된 미래 신뢰도 데이터를 포함하는 처리된 데이터 세트를 컨트롤 센터로 전송하도록 구성된 전송 장치를 포함하는 출력 인터페이스를 포함하는 장비 자산의 미래 신뢰도를 모델링하기 위한 장치가 제공된다.

도 1은 파워 발전 플랜트와 같은 측정가능 시스템과 관련된 하나 이상의 다양한 데이터 소스로부터 데이터를 수신하는 데이터 분석 방법의 한 실시 예 흐름도.
도 2는 도 1에서 설명된 데이터 분석 방법의 데이터 편집에서 발생된 데이터 편집테이블 실시 예 개략도.
도 3은 도 1에서 설명된 데이터 분석 방법의 분류된 시간 기반 유지보수 데이터에서 발생된 분류된 유지보수 테이블의 한 실시 예 개략도.
도 4는 도 1에서 설명된 데이터 분석 방법의 분류된 시간 기반 신뢰도 데이터에서 발생된 분류된 신뢰도 테이블의 한 실시 예 개략도.
도 5는 도 1에서 설명된 데이터 분석 방법의 미래 신뢰도 예측에서 발생된 미래 신뢰도 데이터의 한 실시 예 개략도.
도 6은 도 1에서 설명된 데이터 분석 방법의 미래 신뢰도 예측에서 발생된 미래 신뢰도 통계 테이블의 한 실시 예 개략도.
도 7은 도 1에서 설명된 데이터 분석 방법을 사용하여 미래 신뢰도 예측을 결정하기 위해 사용자가 입력하기 위해 필요한 정보를 디스플레이하도록 구성된 사용자 인터페이스 입력 스크린의 한 실시 예 개략도.
도 8은 도 1에서 설명된 데이터 분석 방법을 사용하여 EFOR 예측을 위해 구성된 사용자 인터페이스 입력 스크린의 한 실시 예 개략도.
도 9는 하나 이상의 실시 예를 실시하기 위한 컴퓨팅 노드의 한 실시 예 개략도.
도 10은 파워 발전 플랜트와 같은 측정가능 시스템의 비교 성능 분석에서 사용하기 위한 모델 게수를 결정하기 위한 방법의 한 실시 예 흐름도.
도 11은 도 10에서 설명된 최선의 제1 원칙 특징을 결정학 위한 방법 한 실시 흐름도.
도 12는 도 10에서 설명된 비교 분석 모델을 해결하는 데 사용하기 위한 제한을 개발하기 위한 방법의 한 실시 예 흐름도.
도 13은 도 10-12에서 설명된 모델 계수를 결정하기 위한 모델 계수 매트릭스의 한 실시 예 개략도.
도 14는 도 10-12에서 도시된 비교 성능 분석에서 사용하기 위한 모델 계수를 결정하기 위해 유동상 촉매 분해시설(fluidized catalytic cracking unit)(Cat Cracker)와 관련 모델 계수 매트릭스의 한 실시 예 개략도.
도 15는 도 10-12에서 도시된 비교 성능 분석에서 사용하기 위한 모델 계수를 결정하기 위한 파이프라인 및 석유 탱크 집합 지역과 관련 모델 계수 매트릭스 한 실시 예 개략도.
도 16은 하나 이상의 실시 예를 위한 컴퓨팅 노드의 또 다른 실시 예 개략도.
일정 실시 예가 도시된 바람직한 실시예와 관련하여 설명되지만, 이는 이들 실시 예로 본원 발명을 제한하기 위함이 아니다. 따라서 청구범위에서 한정한 본 발명의 사상의 범위에서 본 발명에 대한 모든 양자택일, 수정 및 등가 실시가 가능한 것이다. 도면에서는, 실척으로 도시되지 않으며, 동일 부호가 같은 구조의 동일 부분에 대하여 전체 도면에 걸쳐 사용되며, 프라임 표시가 없는 부호의 부분과 유사 기능 및 구조를 갖는 부분에 대하여 프라임 도면 부호가 사용된다.

하나 이상의 실시 예가 하기에서 제공되지만, 당업자에게 알려진 다수의 기술을 사용하여 다양한 특정 실시 예가 실시될 수 있다. 본원 발명의 개시 내용은 어떤 방법으로도 본원 명세서에서 도시되고 설명된 예시적인 디자인 및 실시를 포함한, 설명된 실시 예, 도면, 및/또는 설명된 기술로 한정되지 않는다. 또한, 개시된 내용은 균등 발명을 포함하여 첨부 청구범위 내에서 수정될 수 있다.

본원 명세서에서 측정가능 시스템의 미래 신뢰도를 평가하기 위한 하나 이상의 실시 예가 개시된다. 특히, 하나 이상의 실시 예는 표적 변수 각각에 대한 하나 이상의 표적 변수 및 하나 이상의 특징을 결정함에 의해 비교 수행 분석에서 사용하기 위한 모델 계수를 얻을 수 있다. 표적 변수는 측정가능 시스템에대한 각기 다른 파라미터를 대표한다. 한 표적 변수의 특징이 데이터 수집 분류에 따라 수집되고 분류될 수 있다. 데이터 수집 분류는 특징에서의 차이를 양적으로 측정하도록 사용될 수 있다. 데이터를 수집하고 유효하게 한 뒤에, 비교 분석 모델이 개발되어서 하나 이상의 측정가능 시스템에 대하여 예측된 표적 변수를 실제 표적 변수와 비교하도록 한다. 상기 비교 분석 모델은 모델 내 예측된 것과 실제 표적 변수 값 사이 차이를 최소화하도록 하는 한 세트의 복잡성 인수(complexity factor선형 복잡도s)를 얻도록 사용될 수 있다. 상기 비교 분석 모델은 다음에 미래 신뢰도를 예측하기 위해 측정가능 시스템에서 주기적으로 수행된 활동에 대한 대표값을 개발하도록 사용된다.

도 1은 측정가능 시스템과 관련된 하나 이상의 다양한 데이터 소스로부터 데이터를 수신하는 데이터 분석 방법(60)의 한 실시 예 흐름도이다. 데이터 분석 방법(60)은 사용자, 컴퓨터 노드, 또는 이들의 조합에 의해 실시되어서 측정가능 시스템의 미래 신뢰도를 평가하도록 할 수 있다. 한 실시 예에서, 데이터 분석 방법(60)은 다양한 데이터 소스로부터 갱신된 조작 및 수행 데이터와 같은 갱신된 이용 가능한 데이터를 자동으로 수신할 수 있으며, 수신된 갱신 데이터를 사용하여 하나 이상의 비교 비교 분석 모델을 갱신하고, 그리고 뒤이어서 하나 이상의 측정가능 시스템에 대한 미래 신뢰도의 평가에대한 갱신을 제공할 수 있다. 측정가능 시스템은 시스템의 상태를 평가하기 위해 사용된, 성능 데이터, 컨디션 데이터, 조작 데이터, 및/또는 다른 종류의 측정가능 데이터(가령, 양적 및/또는 질적 데이터)와 관련된 시스템이다. 예를 들면, 측정가능 시스템은 파워 플랜트, 시설 또는 상업 빌딩과 같은, 측정가능 시스템의 하나 이상의 컴포넌트와 관련된 다양한 파라미터 및/또는 수행을 사용하여 모니터될 수 있다. 다른 실시 예에서, 측정가능 시스템은 주가, 담보 기록, 및/또는 회사 금융과 같은, 이용가능 수행 데이터와 관련될 수 있다. "측정가능 시스템", "시설", "자산", 또는 "플랜트"는 본원 명세서에서 상호 교환적으로 사용된다.

도 1에서 도시된 바와 같이, 다양한 데이터 소스로부터의 데이터는 모델로 각기 다른 계산 단계에서 적용될 수 있으며, 측정가능 시스템에대한 이용가능 데이터에 기초하여 미래 신뢰도 예측을 개선한다. 한 실시 예에서, 이용가능 데이터는 측정가능 시스템에대한 하나 이상의 측정가능 파라미터와 관련된 현재 및 히스토리 유지보수 데이터일 수 있다. 가령, 유지보수 및 수선가능 장비와 관련하여, 유지보수 품질을 설명하기 위한 한 가지 방법은 장비 자산과 같은, 측정가능 시스템에 대한 연간 또는 주기적인 유지보수 비용을 계산하는 것이다. 연간 또는 주기적인 유지보수 숫자는 정해진 일정 시간동안 지출될 비용을 나타내지만, 이는 미래 신뢰도를 정확히 반영하는 것은 아니다. 가령, 자동차 소유자는 매주 자동차를 청소하기 위해 비용을 소비할 수 있으며, 타이어를 교체하거나 오일 또는 필터를 교체하는 것과 같은, 자동차 미래 신뢰도를 잠정적으로 증가시킬 유지보수에는 상대적으로 비용을 지출하지 않는다. 자동차를 청소하기 위한 연간 유지보수 비용이 상당한 비용에 이른다 하더라도, 자동차 청소의 유지보수 작업 및/또는 활동은 자동차의 신뢰도를 개선하는 데는 상대적으로 아무런 영향을 미치지 못한다.

도 1은 Rankine 및 Brayton 사이클 기반 발전 설비(cycle based power generation plants)에 대한 미래 등가 고장 정지율(Equivalent Forced Outage rate)(EFOR) 데이터 추정치를 예측하도록 사용된다. EFOR은 그와 같은 장치의 이용가능 시간(가령, 계획되지 않은 정지, 계획되지 않은 출력감소, 그리고 서비스 시간)의 퍼센트로 장치 고장의 시간(가령, 계획되지 않은 정지 시간 및 동등한 계획되지 않은 출력감소 시간)이 제공되도록 한다. 도 1에서 도시한 바와 같이, 제1 데이터 수집 단계에서, 데이터 분석 방법(60)은 초기에 자산 유지보수 비용 데이터(62) 그리고 자산 장치 제1원칙 데이터 또는 발전 설비와 같은 측정가능 데이터 시스템과 관련된 다른 자산-레벨 데이터(64)를 얻을 수 있다. 다양한 장비에 대한 자산 유지보수 비용 데이터(62)는 발전소 장비로부터 직접 얻어질 수 있다. 자산 유지보수 비용 데이터(62)는 특정 시간(가령, 초, 분, 시, 월 및 년)동안 측정가능 시스템을 유지보수함과 관련된 비용을 나타낸다. 가령, 자산 유지보수 비용 데이터(62)는 하나 이상의 측정가능 시스템에 대한 연간 또는 주기적인 유지보수 비용일 수 있다. 자산 장치 제1원칙 데이터 또는 다른 자산-레벨 데이터(64)는 측정가능 시스템의 물리적인 또는 기본적인 특징을 나타낼 수 있다. 가령, 자산 장치 제1원칙 데이터 또는 다른 자산-레벨 데이터(64)는 하나 이상의 측정가능 시스템에 해당하는 터빈 입구 온도, 자산의 수명, 규모, 소비 연료량 그리고 실재 출력과 같은, 조작 및 수행 데이터 일 수 있다.

제1 데이터 수집에서 얻어진 데이터는 다음에 유지보수 기준(66)을 생성하도록 수신되거나 입력될 수 있다. 한 실시 예에서, 유지보수 기준(66)은 연간 유집보수 기준일 수 있으며, 이때 사용자는 연간 유지보수 기준을 계산하는 하나 이상의 모델링 방정식을 미리 공급한다. 그 결과는 자산 유지보수 비용 데이터(62)를 정상화하고 유사한 유형의 다른 발전 설비에 비해 비용의 적합성을 측정하기 위한 기준 표시기를 제공하기 위해 사용될 수 있다. 한 실시 예에서, 디바이저 또는 기준이 자산 장비의 제1원칙 데이터 또는 다른 자산-레벨 데이터(104)에 기초하여 계산될 수 있으며, 이는 도 10-12에서 더욱 상세히 설명된다. 선택적인 실시 예는 사용 가능 플랜트 관련 표적 변수로부터의 데이터를 사용하여 단순 회귀 분석으로부터 유지보수 기준(66)을 발생시킬 수 있다.

시간이 지남에 따라 정상적으로 마모되는 컴포넌트의 대체에 대한 유지보수 비용은 상이한 시간 간격으로 발생되며 주기적인 유지보수 비용의 변동을 발생시킨다. 잠재적인 문제를 해결하기 위해, 데이터 분석 방법(60)은 정기적으로 유지보수 작업에대한 대표값을 개발하는 유지보수 기준(66)을 생성할 수있다. 가령, 유지보수 기준(66)을 발생시키기 위해, 데이터 분석 방법(60)은 유지보수 비용을 다른 기간에 대항 정상화 할 수 있다. 다른 실시 예에서, 데이터 분석 방법(60)은 실제 주기적인 유지보수 지출을 정상화하기 위해 주기적인 유지보수 지출 디바이서를 발생시키고 과소(실제비용/디바이서 비율<1) 또는 과다(실제비용/디바이서 비율>1) 지출을 측정하도록 한다. 상기 유지보수 지출 디바이서는 자산 유지보수 비용 데이터(62), 자산 장치 제1원칙 데이터 또는 다른 자산-레벨 데이터(64)(가령, 자산 특징), 및/또는 문서화된 전문가 의견을 사용하여 데이터의 반 경험적인 분석으로부터 계산된 값이다. 이 같은 실시 예에서, 계산된 연간 유지보수 비용과 관련하여, 플랜트 크기, 플랜트 종류, 및/또는 플랜트 출력과 같은 자산 장비 제1원칙 데이터 또는 다른 자산-레벨 데이터(64)가 사용되어서, "산업 장비의 상대적인 수행 분석에서 사용하기 위한 등가 인수를 결정하기 위한 시스템 및 방법(System and Method for Determining Equivalency Factors for use in Comparative Performance Analysis of Industrial Facilities)"이라는 명칭으로 2006년 7월 18일 출원된 미국 특허 7,233,910호에서 설명된 설명된 분석에서 각 자산에 대한 기준 유지보수 비용(디바이서) 값을 계산하도록 한다. 상기 미국 특허는 본원 명세서에서 원용한다. 상기 계산은 현재 분석하에서 자산을 포함하는 히스토리 자산 세트로 수행된다. 이 같은 유지보수 기준 계산은 측정 가능한 시스템의 미래 신뢰도 예측을 모델링하기 위한 하나 이상의 방정식을 포함하는 모델로서 적용될 수 있다. 유지보수 기준 디바이서를 계산하기 위해 사용된 데이터는 사용자에 의해 공급될 수 있으며, 원격 저장 장치로부터 전달되고, 서버 또는 데이터베이스와 같은 원격 네트워크 노드로부터 네트워크를 통하여 수신될 수 있다.

도 1은 제2 데이터 수집 단계에서 자산 신뢰도 데이터(400)를 수신할 수 있다. 상기 자산 신뢰도 데이터(70)는 측정가능 시스템 각각에 해당할 수 있다. 자산 신뢰도 데이터(70)는 측정가능 시스템의 신뢰도, 고장 율 및/또는 기대되지 않은 고장 시간을 결정함에 해당하는 모든 데이터일 수 있다. 데이터 분석 방법(60)이 측정가능 시스템 각각에 대한 자산 신뢰도 데이터(70)를 수신하면, 데이터 분석 방법(60)이 측정가능 시스템의 유지보수 지출 비율로 컴파일되고 링크될 수 있으며, 이는 다른 측정가능 시스템 또는 시간 특정 데이터와 같은 라인상에 도시될 수 있다. 발전 플랜트의 경우, 자산 신뢰도 데이터(70)는 National American Electric Reliability Corporation's Generating Availability Database(국립 미국 전기 신뢰성 공사 생성의 가용성 데이터베이스)(NERC-GADS)로부터 얻어질 수 있다. 다른 종류의 측정가능 시스템은 또한 유사한 데이터베이스로부터 자산 신뢰도 데이터(70)를 얻을 수 있기도 하다.

데이터 편집(68)에서, 데이터 분석 방법(60)은 계산된 유지보수 기준(66), 자산 유지보수 비용 데이터(62), 그리고 자산 신뢰도 데이터(70)를 한 공통 파일 내로 편집한다. 한 실시 예에서, 데이터 분석 방법(60)은 상기 공통 파일 내 데이터 배열로 추가 칼럼을 추가시킬 수 있다. 상기 추가 칼럼은 실제 연간 유지보수 비용 및 측정가능 시스템에대한 계산된 기준 값을 나타낸다. 상기 데이터 분석 방법(60)은 또한 예측가능 간격 또는 카테고리에 의해 나눠진 유지보수 지출 비율을 분류하는 데이터 편집(68) 내 또 다른 칼럼을 추가할 수도 있다. 가령, 데이터 분석 방법(60)은 9개의 상이한 간격 또는 카테고리를 사용하여 유지보수 지출 비율을 분류할 수 있다.

분류된 시간 기반 유지보수 데이터(72)에서, 데이터 분석 방법(60)은 유지보수 카테고리 값을 2x2 매트릭스와 같은, 매트릭스 내로 위치시키며, 발전 플랜트 및 시간 장치와 같은, 측정 가능한 시스템을 각각 규정한다. 분류된 시간 기반 신뢰도 데이터(74)에서, 데이터 분석 방법(60)은 분류된 시간 기반 유지보수 데이터(72)에서 설명된 바와 같은 동일한 매트릭스 구조를 사용하여 측정가능 시스템 각각에 대하여 신뢰도를 할당한다. 미래 신뢰도 예측(76)에서, 분류된 시간 기반 유지보수 데이터(72) 그리고 분류된 시간 기반 신뢰도 데이터(74)로부터 데이터가 통계적으로 분석되며, 평균 및/또는 다른 통계적 계산을 계산하여 측정가능 시스템의 미래 신뢰도를 결정하도록 한다. 미래의 계산된 시간 또는 년도의 숫자가 자산 유지보수 비용 데이터(62), 자산 신뢰도 데이터(70), 그리고 자산 제1원칙 데이터 또는 다른 자산-레벨 데이터와 같은, 이용가능 데이터의 함수 일 수 있다. 예를 들면, 미래 시간 간격은 이용가능 데이터 때문에 1년 이전 일 수 있으나, 다른 실시 예는 이용가능 데이터 세트에 따라 2년 혹은 3년의 선택을 사용할 수 있다. 또한, 다른 실시 예는 년도 이외, 초, 분, 시간, 일, 및/또는 달과 같이 이용가능 데이터의 단위에 따라 다른 시간 간격을 사용할 수 있다.

도 1을 포함하는 논의가 전력 발전 플랜트 및 산업에 특정된 것이나, 상기 데이터 분석 방법(60)은 유사한 유지보수 및 신뢰도 데이터베이스가 존재하는 다른 산업에도 적용될 수 있다. 가령, 정제 및 석유 화학 산업 분야에서, 유지보수 및 신뢰도 데이터는 다년간 처리 플랜트 및/또는 다른 측정가능 시스템을 위해 존재한다. 따라서, 데이터 분석 방법(60)은 현재 및 이전 연도 유지보수 지출 비율 값을 사용하여 처리 플랜트 및/또는 다른 측정가능 시스템에 대한 미래 신뢰도를 예측할 수 있기도 하다. 데이터 분석 방법(60)의 다른 실시 예는 또한 파이프라인 산업 및 빌딩 유지보수(가령, 오피스 빌딩) 및 다른 구조로 적용될 수 있다.

당업자라면 도 1에서 적용된 전력 산업의 EFOR 측정과는 다른 산업 신뢰도가 자산 신뢰도 데이터(70)에 대한 광범위한 메트릭스 또는 파라미터를 사용할 수 있음을 이해할 것이다. 가령, 데이터 분석 방법(60)에서 사용될 수 있는 다른 적절한 자산 신뢰도 데이터(70)는 "이용 불가능", "이용가능", "상업상 이용 불가능" 및 "고장 사이의 평균 시간을 포함한다. 이들 매트릭스 또는 파라미터는 정해진 상황에대한 고유한 정의를 가지며, 그러나 이들의 일반적인 해석은 신뢰도 분석 및 신뢰도 예측 분야에서 당업자에게 알려져 있다.

도 2는 도 1에서 설명된 데이터 분석 방법(60)의 데이터 편집(68)에서 발생된 데이터 편집테이블(250) 실시 예 개략도이다. 데이터 편집 테이블(250)은 그래픽 사용자 인터페이스와 같은 출력 인터페이스를 사용하여 디스플레이되거나 전송될 수 있으며 혹은 또는 프린팅 장치로 전송될 수 있다. 도 2는 데이터 편집 테이블(250)이 자산 소유자를 나타내는 클라이언트 번호 칼럼(252), 측정가능 시스템을 나타내며 데이터가 수집되는 플랜트 명칭 칼럼(254), 그리고 연구 년도 칼럼(256)을 포함함을 도시한다. 도 2에서 도시한 바와 같이, 테이블(200) 내 자산 소유자 각각은 단일의 측정가능 시스템을 소유한다. 다시 말해서, 측정가능 시스템 각각은 상이한 자산 소유자에 의해 소유된다. 데이터 편집 테이블(250)의 다른 실시 예는 동일한 자산 소유자에 의해 소유된 다수의 측정가능 시스템을 갖는다. 연구년도 칼럼(256)은 데이터가 수집되고 측정가능 시스템으로부터 분석되는 시기를 말하는 것이다.

데이터 편집 테이블(250)은 데이터 분석 방법(60)을 사용하여 계산된 추가 칼럼을 포함한다. 계산된 유지보수(Mx) 기준 칼럼(258)은 도 1에서 유지보수 기준(66)으로 설명된 유지보수 기준의 계산결과를 나타내는 데이터 값을 포함할 수 있다. 한 실시 예에서, 유지보수 기준(66)은 미국 특허 7,233,910호에서 설명한 바와 같이 발생될 수 있다. 다른 실시 예는 당업자에 의해 알려진 유지보수 기준의 결과를 계산할 수 있다. 실제 연간 Mx 비용 칼럼(260)은 도 1에서 유지보수 기준(66)에서 설명된 바와 같은 유지보수 기준에 기초하여 정상화된 실제 유지보수 데이터를 대표하는 계산된 데이터 값을 포함한다. 실제 유지보수 데이터는 여러 연도에 걸쳐(예를 들면약 5년) 유효한 연간 비용일 수 있다. 실재(Act) Mx/기준(Std) Mx 칼럼(262)의 비율은 미래 신뢰도와의 관계에서 유지보수 지출의 적합성 또는 효율성을 평가하기 위해 사용된 정상화된 유지보수 지출 비율을 대표하는 데이터 값을 포함할 수 있다. 마지막 칼럼, EFOR 칼럼(266)은 신뢰도 또는 본원 발명에서, 현재시간 비-신뢰도 값을 나타내는 데이터 값을 포함한다. EFOR 칼럼(266)의 데이터 값은 운영 기간 시간에 의해 나눠진 계획되지 않은 정지 및 디-레이트(de-rate) 시간 합산이다. 이 같은 예에서 EFOR 정의는 NERC-GADS 문헌에서 문서화된 표시에 따른다. 가령, 9.7의 EFOR 값은 측정가능 시스템이 계획되지 않은 정지 이벤트로 인해 운영 기간 중 약 9.7%가 효과적으로 다운되었음을 나타내는 것이다.

Act Mx/Std Mx: 데실(Decile) 칼럼(265)은 도 1에서 데이터 편집(68)에서 설명된 구분이 명확한 레인지에 대한 값 간격으로 분류된 유지보수 지출 비율을 나타내는 데이터 값을 포함할 수 있다. 듀오-데실, 데실, 섹스타일(sextiles), 퀸타일(quintile퀸타일s퀸타일퀸타일), 또는 쿼타일(quartiles)이 사용될 수 있으며, 이 경우에 데이터는 Act Mx/Std mx 칼럼(262)에서 발견된 유지보수 지출 비율 데이터 값의 퍼센트 랭킹에 기초하여 9개 카테고리로 나눠진다. 유지보수 지출 비율을 나누기 위해 사용된 간격 또는 카테고리의 수는 데이터세트 크기에의해 결정되며, 통계적으로 가능한 더욱 상세한 분할이 상대적으로 큰 데이터 세트 크기로 발생될 수 있다. 당업자에게 알려진 다양한 방법 또는 알고리즘이 사용되어 데이터 세트 크기에 기초하여 간격의 수를 결정하도록 한다. 순서 분류 내로 유지보수 지출 비율의 변환은 실제로 달성된 미래 EFOR 신뢰도 값을 할당하기 위한 기준으로 사용될 수 있다.

도 3은 도 1에서 설명된 데이터 분석 방법(60)의 분류된 시간 기반 유지보수 데이터에서 발생된 분류된 유지보수 테이블(350)의 한 실시 예 개략도이다. 분류된 유지보수 테이블(350)은 그래픽 사용자 인터페이스와 같은 출력 인터페이스를 사용하여 디스플레이되거나 전송될 수 있으며 혹은 프린팅 장치로 전송될 수 있다. 특히, 분류된 유지보수 테이블(350)은 도 2의 데이터 편집 테이블(250) 내에서 발견된 유지보수 지출 비율 순서 분류 데이터 값의 변환이다. 도 3은 플랜트 명칭 칼럼(352)이 각기 다른 측정가능 시스템을 식별할 수 있음을 설명한다. 연도 칼럼(354-382)은 측정가능 시스템 각각에 대한 각기다른 년도 또는 시기를 대표한다. 일례로서 도 3을 사용하여, 플랜트 1 및 2는 1999-2013으로부터의 데이터 값을 가지며 플랜트 3 및 4는 2002-2013으로부터의 데이터 값을 갖는다. 년도 칼럼(354-382) 내에서 발견된 데이터 타입은 Act Mx/Std Mx: 도 2에서 데실 칼럼(264) 내 데이터 타입과 상당히 유사하다. 특히, 년도 칼럼 (354-382) 내 데이터 타입은 유지보수 지출 비율의 별개의 범위에 관한 간격을 나타내며 일반적으로 유지보수 지출 비율 순서 카테고리로서 언급된다. 가령, 년도 1999의 경우, 플랜트 1은 "5"로 분류된 유지보수 지출 비율을 가지며 플랜트 2는 "1"로 분류된 유지보수 지출 비율을 갖는다.

도 4는 도 1에서 설명된 데이터 분석 방법의 분류된 시간 기반 신뢰도 데이터에서 발생된 분류된 신뢰도 테이블의 한 실시 예 개략도이다. 분류된 신뢰도 테이블(400)은 그래픽 사용자 인터페이스와 같은 출력 인터페이스를 사용하여 디스플레이되거나 전송되며 혹은 프린팅 장치로 전송될 수 있다. 분류된 신뢰도 테이블(400)은 도 2는 데이터 편집 테이블(250) 내에서 발견된 EFOR 테이터 값의 변환이다. 도 4는 플랜트 명칭 칼럼(452)이 상이한 측정가능 시스템을 나타낸다. 년도 칼럼(404-432)은 측정가능 시스템 각각에 대한 상이한 년도를 나타낸다. 도 4를 한 실시 예로 이용하여, 플랜트 1 및 2는 1999-2013으로부터 데이터 값을 가지며 2002-2013으로부터 데이터 값을 갖는다. 년도 칼럼(345-382) 내에서 발견된 데이터의 타입은 도 2에서 EFOR 칼럼(266) 내 데이터 타입과 상당히 유사하다. 특히, 년도 칼럼(354-382) 내 데이터 타입은 계획되지 않은 정치 이벤트의 퍼센트를 나타내는 EFOR 값을 나타낸다. 가령, 년도 1999의 경우, 플랜트 1은 EFOR 2.4를 가지며, 이는 플랜트 1이 계획되지 않은 정지 이벤트로 인해 운영 기간의 약 2.4% 다운되었음을 나타내며 플랜트 2는 계획되지 않은 정지 이벤트로 인해 운영 기간의 약 5.5% 다운되었음을 나타낸다.

도 5는 도 1에서 설명된 데이터 분석 방법(60)의 미래 신뢰도 예측(76)에서 발생된 미래 신뢰도 데이터의 한 실시 예 개략도이다. 미래 신뢰도 데이터 테이블(500)은 그래픽 사용자 인터페이스와 같은 출력 인터페이스를 사용하여 디스플레이되거나 전송될 수 있으며 혹은 또는 프린팅 장치로 전송될 수 있다. 미래 신뢰도를 계산하는 처리는 미래 신뢰도 간격을 선택함으로 시작되며, 예를 들면도 5에서 이 같은 간격은 약 2년이다. 미래 신뢰도 간격을 선택한 후에, 도 3에서 도시된 데이터가 분류된 유지보수 테이블(350) 내에서 수평으로 또는 열별로 스캔 되며, 분류된 유지보수 테이블(350) 내 선택된 열에 대한 엔트리가 약 1년씩 만으로 분리된 열을 결정한다. 예를 들면 도 3을 사용하여, 플랜트 1과 관련된 열은 약 1년의 데이터 분리를 만족시키며, 그러나 플랜트 II는 분류된 유지보수 테이블(350) 내 플랜트 II가 2006년도와 2008년도 사이 테이터 공간을 가지므로 이 같은 약 1년의 데이터 분리를 만족시키지 않는다. 다시 말해서, 플랜트 II는 2007년에 데이터를 포함하지 않으며, 따라서, 플랜트 II에 대한 엔트리는 약 1년으로 분리되지 않는다. 다른 실시 예는 초, 분, 시간, 날, 및/또는 달로 측정된 상이한 시간 간격을 갖는 미래 신뢰도 간격을 선택할 수 있다. 미래 신뢰도를 결정하기 위해 사용된 시간 간격은 데이터 단위 레벨에 의존한다.

분리된 열 각각에 대한 유지보수 지출 비율 순서 분류는 주문된 쌍을 형성하기 위해 분류된 신뢰도 데이터 테이블(400)로부터 시간 포워드 RFOR 값으로 쌍이 이루어질 수 있다. 생성된 주문 쌍들은 유지보수 지출 비율 순서 분류 및 시간 포워드 EFOR 값을 포함한다. 선택된 미래 신뢰도 간격이 약 2년이므로, 유지보수 지출 비율 순서 카테고리와 관련된 년도 그리고 발생된 오더 쌍 내 EFOR 값에 대한 년도가 2년씩 떨어져 있을 수 있다. 미리 약 2년씩 미래를 분석하기 위한 동일한 플랜트 또는 동일한 열에 대한 이들 주문된 쌍의 예는 다음과 같다:

첫 번째 오더 쌍:(1999년 유지보수 지출 비율 순서 카테고리, EPOR 값 2001)

두 번째 오더 쌍:(2000년 유지보수 지출 비율 순서 카테고리, EPOR 값 2002)

세 번째 오더 쌍:(2003년 유지보수 지출 비율 순서 카테고리, EPOR 값 2003)

네 번째 오더 쌍:(2002년 유지보수 지출 비율 순서 카테고리, EPOR 값 2004)

상기 도시된 바와 같이, 오더 쌍 각각에서, 유지보수 지출 비율 순서 카테고리와 EFOR 값을 분리시키는 년도는 약 2년인 미래 신뢰도 간격에 기반을 둔다. 오더 쌍을 형성하기 위해, 도 3 및 도 4의 매트릭스가 2년 (예를 들면1999 및 2001)씩 분리된 가능한 데이터 쌍에 대하여 스캔될 수 있다. 이 같은 경우, 중간 년도 데이터는 데이터 쌍을 위해 사용되지 않는다(가령, 2000). 이 같은 처리는 다른 미래 신뢰도 간격(가령, 사용자의 재량으로 그리고 분석으로부터 요청된 정보로 보전율 순서 값 1년 전)에 대하여 반복될 수 있다. 또한 상기 주문 쌍들은 유지보수 지출 비율(maintenance spending ratio) 순서 카테고리 및 EFOR 값이 주문 쌍 각각에 대하여 하나씩 증가 됨을 도시한다. 예를 들면, 제1 주문 쌍은 1999년에 한 유지보수 지출 비율 순서 카테고리를 가지며 제2 주문 쌍은 2000년에 한 유지보수 지출 비율 순서 카테고리를 갖는다.

각기 다른 유지보수 지출 비율 순서 카테고리 값이 사용되어 상응하는 시간 포워드 EFOR 값을 미래 신뢰도 데이터 테이블(500) 내 올바른 칼럼 내로 위치시키도록 한다. 도 5에서 도시한 바와 같이, 칼럼(502)은 유지보수 지출 비율 순서 카테고리 "1"을 갖는 EFOR 값들이다; 칼럼(504)은 유지보수 지출 비율 순서 카테고리 "2"를 갖는 EFOR 값들이다; 칼럼(506)은 유지보수 지출 비율 순서 카테고리 "3"을 갖는 EFOR 값들이다; 칼럼(508)은 유지보수 지출 비율 순서 카테고리 "4"를 갖는 EFOR 값들이다; 칼럼(510)은 유지보수 지출 비율 순서 카테고리 "5"를 갖는 EFOR 값들이다; 칼럼(512)은 유지보수 지출 비율 순서 카테고리 "6"을 갖는 EFOR 값들이다; 칼럼(514)은 유지보수 지출 비율 순서 카테고리 "7"을 갖는 EFOR 값들이다; 칼럼(516)은 유지보수 지출 비율 순서 카테고리 "8"을 갖는 EFOR 값들이다; 칼럼(518)은 유지보수 지출 비율 순서 카테고리 "9"를 갖는 EFOR 값들이다;

도 6은 도 1에서 설명된 데이터 분석 방법(600)의 미래 신뢰도 예측(76)에서 발생된 미래 신뢰도 통계 테이블(600)의 한 실시 예 개략도이다. 미래 신뢰도 통계 테이블(600)은 그래픽 사용자 인터페이스와 같은 출력 인터페이스를 사용하여 디스플레이 되거나 전송되며 혹은 프린팅 장치로 전송된다. 도 6에서, 미래 신뢰도 통계 테이블(600)은 유지보수 지출 비율 순서 카테고리 칼럼(602-618)을 포함한다. 도 6에서 도시한 바와 같이, 유지보수 지출 비율 순서 카테고리 칼럼(602-618) 각각은 유지보수 지출 비율 순서 카테고리에 해당한다. 예를 들면, 유지보수 지출 비율 순서 카테고리 칼럼(602)은 유지보수 지출 비율 순서 카테고리 "1"에 해당하고 그리고 유지보수 지출 비율 순서 카테고리 칼럼(604)은 유지보수 지출 비율 순서 카테고리 "2"에 해당한다. 보전율 순서 값 칼럼(602-618) 각각에 있는 편집된 데이터는 미래 신뢰도 데이터 테이블(500) 내 데이터를 사용하여 분석되어서 미래 신뢰도 정보를 나타내는 다양한 통계를 계산하도록 한다. 도 6에서 도시한 바와 같이, 열(620, 622, 624)은 보전율 순서 값 각각에 대하여 미래 신뢰도 데이터에 대한 평균, 중간 그리고 90번째 백분위수 분포를 나타낸다. 도 6에서, 미래 신뢰도 정보는 현 연도(current year)가 특정 유지보수 지출 비율 순서 값을 갖는 측정가능 시스템에 대한 미래 신뢰도 예측 또는 EFOR로서 해석된다.

미래 EFOR 예측은 현재 및 전년도 유지보수 지출 비율을 사용하여 계산된다. 다년도 경우, 유지보수 지출 비율은 연도에 대한 매년 비용을 추가하고 전년도에 대한 유지보수 기준의 합산으로 나눔에 의해 계산된다. 이와 같이 하여, 지출 비율이 해당 년도 각각에 대하여 계산된 기준의 합산인 일반 기준과 관련하여 여려 연도에 대한 성능에서 반영된다.

도 7은 도 1에서 설명된 데이터 분석 방법을 사용하여 미래 신뢰도 예측(76)을 결정하기 위해 사용자가 입력하기 위해 필요한 정보를 디스플레이하도록 구성된 사용자 인터페이스 입력 스크린(700)의 한 실시 예 개략도이다. 사용자 인터페이스 입력 스크린(700)이 사용자가 측정가능 시스템의 타입을 선택하기 위해 사용하는 측정가능 시스템 선택 칼럼(702)을 포함한다. 한 예로서 도 7을 사용하여, 사용자는 전력 발전 설비 또는 측정가능 시스템의 타입으로서 "Coal-Rankine" 플랜트를 선택할 수 있다. 도 7에서 도시된 다른 선택은 "Gas-Rankine(가스-랭킨)" and "Combustion Turbine(연소 터빈)"을 포함한다. 측정가능 시스템의 타입이 선택되면, 사용자 인터페이스 입력 스크린(700)은 사용자가 선택한 측정가능 시스템의 타입과 관련된 필요한 데이터 아이템(704)을 발생시킬 수 있다. 사용자 인터페이스 입력 스크린(700) 내에 나타나는 이 같은 데이터 아이템(704)은 측정가능 시스템 선택 칼럼(702) 내 선택된 측정가능 시스템에 따라 변동될 수 있다. 도 7은 사용자가 Coal-Rankine 플랜트를 선택하였으며 사용자가 밑줄 블랭크로 도시된 모든 필드에 들어갈 수 있음을 도시한다. 도면은 또한 특정 연도에 대하여 연도별 유지보수 비용을 포함할 수 있다. 다른 실시 예에서, 블랭크 필드는 원격 데이터 저장으로부터 수신된 또는 네트워크를 통하여 수신된 정보를 사용하여 입력될 수 있다. 현 모델은 또한 필요하다면 사용자가 미래 신뢰도 예측을 위한 보다 많은 정보를 추가하기 위해 이전 연도 데이터를 입력할 것을 허용할 수있다. 다른 실시 예는 저장 매체로부터의 또는 네트워크를 통하여 추가 정보를 임포트하고 얻을 수 있다.

이 같은 정보가 입력되면, 사용자 인터페이스 입력 스크린(700)의 저부에서, 연간 유지보수 기준(k$) 필드 및 리스크 수정 요인 필드와 같은, 계산 필드(706)가 사용자에 의해 입력된 정보에 기초하여 자동으로 채워질 수 있다. 연간 유지보수 기준(k$) 필드는 도 6에서 도시된 계산된 MX 기준(258)과 상당히 유사하게 계산될 수 있다. 리스크 수정 요인 필드는 비교 분석 모델을 위한 전체 리스크 수정 요인을 대표하며 전체 평균 EFOR에 대한 계산된 미래 1년 평균 EFOR 비율일 수 있다. 다시 말해서, 리스크 수정 요인 필드 내에서 자동으로 발생된 데이터 결과는 전체 평균과 비교하여 특정 측정가능 시스템의 상대적인 신뢰도 리스크를 나타낸다.

도 8은 도 1에서 설명된 데이터 분석 방법(60)을 사용하여 EFOR 예측을 위해 구성된 사용자 인터페이스 입력 스크린(800)의 한 실시 예 개략도이다. 도 8에서, 사용자에 의해 고려할 여러 결과가 있다. 곡선(802)은 유지보수 지출 비율의 분포를 나타내는 랭킹 곡선이고, 곡선(802)에서 삼각형(804) 표시는 현재 측정가능 시스템 또는 사용자(가령, 도 7에서 선택된 "Coal-Rankine" 플랜트)에 의해 고려되는 측정가능 시스템의 위치를 도시한다. 사용자 인터페이스 입력 스크린(800)은 알려진 성능의 레인지 그리고 고려 중인 특정 측정가능 시스템이 이 같은 레인지 내 어느 곳에서 고장인가를 모두 사용자게 설명한다. 이 같은 곡선 아래의 숫자는 유지보수 지출 비율의 분위수 값이며, 유지보수 지출 비율은 5개의 각기 다른 값 간격 내로 분류된다. 도 8에서 설명된 데이터 결과는 이 같은 실시 예에서 퀸타일에 대하여 계산되었다; 그러나 다른 분할이 이용가능한 데이터 양 및 분석가 및 사용자의 목적에 기초하여 가능하다.

히스토그램(806)은 유지보수 지출 비율이 실패한 특정 퀸타일에 따라 평균 1년 미래 EFOR을 나타낸다. 예를 들면, 가장 낮은 1년 미래 EFOR은 제2 퀸타일(분위수) 내 유지보수 지출 비율을 갖거나 약 0.8 및 약 0.92의 유지보수 지출 비율을 갖는 플랜트에서 나타난다. 지출에 대한 이 같은 레벨은 장비가 장기간 신뢰도를 보장하는 더욱 좋은 실시로 자산을 성공적으로 관리함을 암시한다. 제1 퀸타일은 또는 약 제로에서 약 0.8의 유지보수 지출 비율을 갖는 플랜트는 실제로 더욱 높은 EFOR 값을 나타내며, 운전자가 장기간 신뢰도를 제공하도록 필요한 또는 충분한 유지보수를 수행하지 않음을 암시한다. 플랜트가 제5 퀸타일에 오게되면, 이에 대한 한가지 해석은 운전자가 고장 때문에 지나친 지출을 하고 있음을 나타내는 것이다. 계획되지 않은 유지보수 이벤트로부터의 유지보수 비용이 계획된 유지보수 비용보다 클 수 있으므로, 높은 유지보수 지출 비율은 높은 EFOR 값을 발생시킬 수 있다.

점선(810)은 현재 측정가능 시스템에 대하여 분석된 모든 데이터에 대한 평균 EFOR을 나타낸다. 다이아몬드(812)는 삼각형(804) 위에서 위치하고 표시된 실제 1년 미래 EFOR을 나타내며, 이는 유지보수 지출 비율을 나타낸다. 두 기호는 현재의 유지보수 지출 레벨, 삼각형(804)을 EFOR의 미래 1년 추정치, 다이아몬드(812)와 상관시키거나 연결시킨다.

도 10은 전력 발전 플랜트와 같은 측정가능 시스템의 비교 성능 분석에서 사용하기 위한 모델 게수를 결정하기 위한 방법(100)의 한 실시 예 흐름도이다. 방법(100)은 도 1에서 설명된 유지보수 기준(66) 내에서 사용된 하나 이상의 비교 분석 모델을 발생시키도록 사용될 수 있다. 특히, 방법(100)은 유지보수 품질과 미래 신뢰도 사이 상관관계를 설명하는 하나 이상의 비교 분석 모델과 관련된 사용 가능 특징 및 모델 계수를 결정한다. 방법(100)은 사용자를 사용하고, 모델 계수를 결정하기 위해 입력된 데이터를 수신하도록 구성된 노드를 계산하여 실시될 수 있다. 예를 들면, 한 계산 노드는 데이터를 자동으로 수신할 수 있으며 수신된 업데이트 데이터에 기초하여 모델 계수를 갱신할 수 있다.

방법(100)은 단계(102)에서 시작하며 하나 이상의 표적 변수("표적 변수")를 선택한다. 이 같은 표적 변수는 총 운영 비용, 재무 결과, 자본 비용, 운영 비용, 인력, 제품 수율, 배출, 에너지 소비, 또는 성능의 다른 정량화 할 수있는 속성과 같은, 측정가능 시스템과 관련된 정량화 속성이다. 표적 변수는 제조 시, 정제, 석유 화학, 유기 및 무기 화학제품, 플라스틱, 농약 및 의약품, 올레핀 플랜트, 화학 제조, 파이프 라인, 발전, 유통 및 기타 산업 시설을 포함한다. 표적 변수의 다른 실시 예는 다른 환경적 측면 경우, 건물 및 기타 구조물의 유지보수 및 다른 형태의 산업 및 상업 산업의 유형이 될 수 있다.

단계(104)에서, 방법(100)은 제1원칙 특징을 식별한다. 제1원칙 특징은 표적 변수를 결정하기 위해 기대되는 측정가능 시스템 또는 처리의 물리적인 또는 근본적인 특징일 수 있다. 한 실시 예에서, 제1원칙 특징은 자산 설비 제1원칙 데이터 또는 도 1에서 설명된 다른 자산-레벨 데이터(64)일 수 있다. 일반적인 브레인스토밍 또는 팀 지식 관리 기술은 표적 변수에대한 가능한 특징의 첫 번째 목록을 개발하는데 사용될 수 있다. 일 실시 예에서, 산업 시설과 같은 각기 다른 측정가능 시스템을 비교하는 때 표적 변수 내 변동을 일으킬 수 있는 산업 시설의 모든 측징은 제1원칙 특징으로 표시된다.

단계(106)에서, 방법(100)은 단계(104)에서 식별된 모든 제1원칙 특징으로부터 일차적인 제1원칙 특징을 결정한다. 당업자에게 알려진 바와 같이, 일차적인 제1원칙 특징을 결정하기 위해 많은 각기 다른 옵션이 이용될 수 있다. 이 같은 옵션이 도 11에 도시되며, 하기에서 더욱 상세히 설명될 것이다. 다음에, 방법(100)은 단계(108)로 진행되며, 일차적인 특징을 분류한다. 일차적인 특징에 대한 잠정적인 특징은 이산, 연속 또는 순서적임을 포함한다. 이산 특징은 예를 들면 "예" 또는 "아니오"와 같이, 이진법의 결정과 같은 둘 또는 그 이상의 상태 사이의 선택을 사용하여 측정될 수 있는 특징들이다. 한 실시 예 이산 특징은 "중복 장비"일 수 있다. "중복 장비"의 결정은 "예, 시설이 중복 장비를 가진다" 이거나, "아니오, 중복 장비가 없다."이다. 연속 특징은 직접 측정 가능하다. 연속 특징의 예는 연속 변수로서 직접 측정될 수 있기 때문에 "피드 공동(Feed Capacity)"일 수 있다. 순서 특징(Ordinal characteristics)쉽게 측정될 수 없는 특징이다. 대신에 순서 특징은 직접 측정할 수 없는 물리적인 차이를 반영하는 순서 척도를 따라 스코어 될 수 있다. 또한 측정 가능하거나 이진법인 변수에 대하여 순서 특징을 생성하는 것이 가능하다. 순서 측정의 한 예는 세 개의 전형적인 주요 산업 옵션 사이 정련 구성일 수 있다. 이들은 장비 복잡성에 의해 순서 척도로 제공된다.

1.0 대기압 증류(Atmospheric Distillation)

2.0 촉매작용 분해 장치(Catalytic Cracking Unit)

3.0 코르크 유닛(Coking Unit)

상기 측정가능 시스템은 순서 변수에 기초하여 순서대로 랭크되며 측정에 대한 정량화 품질에 대한 정보를 포함하지 않는다. 상기 실시 예에서, 1.0 측정가능 시스템 또는 대기압 증류와 2.0 측정가능 시스템 또는 접촉 분해 장치 사이의 차이는, 측정 가능 시스템 또는 코르크 단위와 2.0 측정가능 시스템 또는 접촉 분해 장치 사이의 차이와 동일할 필요가 없다.

순서 척도에서 놓이는 변수는 모델 계수의 개발을 위한 간격 스케일로 변환될 수 있다. 순서 변수를 간격 변수로 변환하는 것은 유닛들 사이 차이를 설명하기 위해 개발된 스케일을 사용할 수 있으며 측정 가능한 스케일이다. 순서 특징에 대한 간격 스케일을 개발하기 위한 처리는 특징의 과학 드라이버(scientific drivers)에 대한 전문가팀(a team of experts)의 이해에 의존할 수 있다. 전문가팀은 먼저, 측정되고 있는 처리 및 과학 원칙의 이해에 기초하여, 각기 다른 물리적인 특징과 표적 변수 사이 관계 타입을 결정한다. 상기 관계는 선형, 대수, 전력 함수, 차 함수 또는 다른 수학적 관계 일 수 있다. 다음에는, 전문가 임의로 표적 변수의 특성과 변화 사이의 관계를 반영하여 복잡도 계수를 추정할 수 있다. 복잡성 요인은 순서 변수와 표적 변수 사이의 관계를 선형을 만들도록 사용된 지수함수 파워일 수 있으며 간격 변수 스케일을 만들도록 한다. 또한, 데이터가 존재하지않는 상황에서, 기본 특성의 결정은 전문가의 경험에 기초할 수 있다.

단계(110)에서, 방법(100)은 분류 장치를 개발할 수 있다. 방법(100)은 데이터가 일관된 방법으로 수집되도록 분류된 특징들을 연속적으로 정량화할 수 있다. 이진법으로 분류된 특징의 경우, 단순한 예/아니오 질문이 사용되어 데이터를 수집하도록 한다. 정의 시스템이 개발되어서 데이터를 일관된 방법으로 수집될 필요가 있다. 순서로서 분류된 특징 경우, 측정 스케일이 상기 설명한 바와 같이 개발될 수 있다.

순서 특징에 대한 측정 스케일을 개발하기 위해, 방법(100)은 일치된 기능을 개발하기 위해 적어도 4개의 방법을 사용할 수 있다. 한 실시 예에서, 전문가 또는 전문가팀이 사용되어서 특징들과 표적 변수 내 변화 사이에 존재하는 관계 타입을 결정하도록 한다. 또 다른 실시 예에서, 순서 특징은 스케일 될 수 있다 (가령, n 구성의 경우 1, 2, 3, .... n). 표적 값 대 구성을 도시함에 의해, 구성이 영향의 점진적인 영향의 순서로 위치하게된다. 임의의 스케일링 방법을 사용하여, 순서 특징에 대한 표적 변수 값 관계의 결정이 하기에서 더욱 상세히 설명하는 바와 같이, 최적화 분석으로 강제된다. 이 같은 경우, 방정식 1.0에서 설명된 일반적인 최적화 모델이 수정되어서 잠정적인 비선형 관계를 수용하도록 한다. 또 다른 실시 예에서, 상기 순서 측정은 상기 설명된 바와 같이 스케일 될 수 있으며, 다음에 표적 변수 대 순서 특징의 그래프가 가능한 한 거의 선형 이도록 만들기 위해 데이터로 회귀 된다. 또 다른 실시 예에서, 이전의 실시 예 조합이 사용되어서 이용 가능한 전문가 경험, 그리고 데이터의 이용 가능한 데이터 품질 및 데이터양을 사용하도록 한다.

일단 방법(100)이 상호관계를 만들면, 방법(100)은 단계(110)에서 측정 스케일을 개발할 수 있다. 가령, 단일 특징이 5개의 상이한 물리적인 구성 형태를 취할 수 있다. 표적 변수에서 변동에대한 가장 낮은 영향을 일으키는 물리적인 특징을 갖는 특징은 스케일 세팅 스코어를 갖는다. 이 같은 값은 비-제로 값(non-zero value)으로 할당된다. 이 같은 실시 예에서, 할당된 값은 1.0이다. 표적 변수 내 변동에 대한 두 번째로 가장 큰 영향을 갖는 특징은 일관된 기능에 의해 결정되는, 스케일 세팅 값의 기능이 될 것이다. 이 같은 일관된 기능은 상기 설명된 바와 같은 순서 특징에대한 측정 스케일을 사용하여 도달된다. 이는 적용가능 물리적 특징에 대한 스케일이 도달될 때까지 반복된다.

단계(112)에서, 방법(100)은 데이터를 수집하기 위해 단계(110)에서 개발된 분류 시스템을 사용한다. 데이터 수집 처리는 데이터 입력 형태 및 명령이 개발과 함께 시작될 수 있다. 여러 경우에, 데이터 트레이닝 세미나가 수행되어서 데이터 수집을 위해 도움이 될 수 있다. 트레이닝 세미나는 데이터 제출의 일관성과 정확성을 개선할 수 있다. 데이터 수집에서 고려할 사항으로 산업 시설, 분석된 경계와 같은 측정가능 시스템의 정의를 포함할 수 있다. 데이터 입력 명령은 어떤 측정가능 시스템의 비용과 스태프 비용이 데이터 수집에서 포함될 것인가에 대한 정의를 제공할 수 있다. 데이터 수집 입력 형태는 많은 보고 목록이 엔트리를 위해 데이터를 준비하는 데 도움이 되도록 하는 작업 계획표를 제공할 수 있다. 수집된 데이터는 여러 소스로부터 발생될 수 있으며, 기존 히스토리 데이터, 기존 시설 및 처리로부터 새롭게 수집된 히스토리 데이터, 모델로부터의 시뮬레이션 데이터, 또는 필드에서 전문가로부터 유도된 합성된 경험 데이터를 포함한다.

단계(114)에서, 방법(100)은 데이터를 유효하게 할 수 있다. 많은 데이터 체크가 방법(100)의 단계(114)에서 프로그램될 수 있으며, 방법(100)이 유효성 체크를 통과시킨 데이터를 받아들이거나 혹은 체크가 적절한 권한으로 거절된다. 유효성 루틴은 다음과 같은 여러 형태를 취한다. (1) 허용가능 데이터 범위가 하나의 데이터 포인트의 다른 데이터 포인트에대한 명시된 비율이다; (2) 적용가능 데이터는 또 다른 조사에 대한 이상점 데이터 포인트(outlier data points)를 결정하기 위해 제출된 모든 다른 유사한 데이터에 대하여 크로스 체크된다; 그리고 (3) 데이터가 전문가의 모든 이전 데이터 제출 판단에 대하여 크로스 참조된다. 모든 입력 데이터 유효성이 만족된 후에, 데이터가 광범위 "크로스-연구" 유효성으로 수집된 모든 데이터와 관련하여 시험 된다. 이 같은 "크로스-연구" 유효성은 시험을 필요로하는 또 다른 영역을 강조하며 결국 입력 데이터로의 변경을 일으킨다.

단계(116)에서, 방법(100)은 비교 분석 모델을 해결하는 데에 사용하기 위한 제한을 개발할 수 있다. 이들 제한은 모델 계수 값에대한 제한을 포함할 수 있다. 이들은 최소 또는 최대값, 또는 값들의 그룹핑 에 대한 제한일 수 있으며, 모든 다른 수학적 제한 형태일 수 있다. 이 같은 제한을 결정하는 한 방법이 도 12에서 도시되며 하기에서 더욱 상세히 설명된다. 나중에, 단계(118)에서, 방법(100)은 수집된 데이터가 특징에 대한 표적 변수와 관련된 요인들의 최적 세트를 결정하도록 하여, 선형 회귀와 같은, 최적 선택 방법을 적용함에 의해 비교 분석 모델을 해결한다. 한 실시 예에서, 일반화 유도된 경사도 비선형 최적화 방법이 사용된다. 그러나 방법(100)은 많은 다른 최적화 방법을 사용한다.

단계(120)에서, 방법(100)은 개발된 특징으로 결정할 수 있다. 개발된 특징은 하나 이상의 제1원칙 특징 사이에 존재하는 수학적 관계의 결과이며 이와 같은 수학적 관계에 의해 대표되는 정보를 나타내기 위해 사용될 수 있다. 또한, 선형의 일반적인 최적화 모델이 사용되면, 그러면 특징에서의 비선형 정보가 개발된 특징에서 캡쳐될 수 있다. 개발된 특징 형태의 결정은 전문가, 모델링 전문가와의 논의에 의해, 그리고 시도 및 개선에 의해 달성될 수 있다. 단계(122)에서, 방법(100)은 최적화 모델을 중요한 제1원칙 특징 및 개발된 특징에 적용하여 모델 계수를 결정하도록 한다. 한 실시 예에서, 개발된 특징이 사용된다면, 단계(116) 내지 단계(122)가 방법(100)이 모델 정확도 레벨을 달성할 때까지 반복적인 방식으로 반복된다.

도 11은 도 10에서 설명한 바와 같은 중요한 제1원칙 특징(106)을 결정하기 위한 방법(200)의 한 실시 예 흐름도이다. 단계(202)에서, 방법(200)은 측정가능 시스템 사이 표적 변수 내 변동에 대한 특징 각각의 영향을 결정한다. 한 실시 예에서, 이 같은 방법은 반복적으로 반복되며, 비교 분석 모델이 사용되어서 각 특징의 영향을 결정하도록 한다. 또 다른 실시 예에서, 방법(200)은 교정 매트릭스를 사용할 수 있다. 특징 각각의 영향은 초기 데이터 세트 내 표적 변수의 총 변동의 퍼센트로서 표시될 수 있다. 단계(204)에서, 방법(200)은 표적 변수에 대한 영향에 기초하여 가장 높은 영향으로부터 가장 낮은 영향으로 특징 각 각을 순위 할 수 있다. 당업자라면 이 같은 방법(200)은 다른 순위 기준을 사용할 수 있음을 알 수 있을 것이다.

단계(206)에서, 특징은 하나 이상의 카테고리로 그룹으로 될 수 있다. 한 실시 예에서, 특징은 세 개의 카테고리로 그룹 된다. 제1 카테고리는 낮은 한계(가령, 약 5 퍼센트)보다 적은 퍼센트로 표적 변수에 영향을 미치는 특징을 포함한다. 제2 카테고리는 낮은 퍼센트와 제2 한계(가령, 약 5% 및 약 20%) 사이 퍼센트를 갖는 하나 이상의 특징을 포함할 수 있다. 제3 카테고리는 제2 한계(가령, 약 20%) 이상의 퍼센트를 갖는 하나 이상의 특징을 포함할 수 있다. 단계(206)에서 방법(200)의 다른 실시 예는 추가의 또는 더욱 적은 카테고리 및/또는 다른 레인지를 포함할 수 있다.

단계(208)에서, 방법(200)은 특징 리스트로부터 특정 한계 이하의 표적 변수 평균 변동을 갖는 특징들을 제거할 수 있다. 가령, 방법(200)은 단계(206)에서 상기 설명된 제1 카테고리를 포함하는 특징(가령, 약 5 페센트 이하의 퍼센트를 갖는 특징)들을 제거할 수 있다. 당업자라면 다른 한계가 사용될 수 있으며, 다수의 카테고리가 특징들의 리스트로부터 제거될 수 있음을 이해할 것이다. 한 실시 예에서, 특징들이 제거되면, 처리는 단계(202) 위에서 반복될 수 있다. 또 다른 실시 예에서, 단계(212) 이하에서 설명된 바와 같이, 또 다른 공동-변형 관계가 존재하는가를 결정할 때까지 어떠한 특징도 제거되지 않는다.

단계(210)에서, 방법(200)은 중간-레벨 특징들 사이 관계를 결정한다. 중간-레벨 특징들은 표적 변수에 대한 일정한 레벨의 영향을 갖는 특징들이며, 그러나 개별적으로는 표적 변수에 상당한 정도로 영향을 미치지 않는다. 설명적인 카테고리를 사용하여, 제2 카테고리 내 이들 특징들은 중간-레벨 특징들이다. 특징들 사이의 실시 예 관계는 공동 변형, 의존 및 독립형이다. 공동 변형 관계는 하나의 특징이 표적 변수가 변동하게 하는 때, 그러나 다른 특징이 존재하는 때 발생한다. 예를 들면, 표적 변수가 변동하게 하는, 그러나 특징 "B"가 존재하는 때, 특징 "A"가 변경되는 시나리오에서, "A"와 "B"가 공동 변동 관계를 갖는다. 종속적인 관계는 한 특징이 다른 특징의 유도체 또는 직접 관련되는 때 발생 된다. 가령, 특징 "A"는 특징 "B"가 존재하는 때에만 존재하며, 이때 A와 B는 종속적인 관계이다. 공동 변경이 아니거나 종속적이지 않은 특징 경우, 이들은 독립적인 관계를 갖는 것으로 분류된다.

단계(212)에서, 방법(200)은 서로 종속임을 나타내는 특징을 분해하기 위해 종속관계 및 높은 상호 관계를 제거할 수 있다. 종속적 관계를 분해하기 위한 여러 잠정적인 방법이 있다. 이들 중 몇가지는 다음과 같다:

(i) 다중 종속 특징을 단일 특징으로 그룹화한다, (ii) 하나를 제외한 모든 종속 특징을 제거한다, 그리고 (iii) 종속 특징 중 하나를 유지하고, 유지된 특징과 다른 특징 사이의 차이인 새로운 특징을 발생시킨다. 방법(200)이 종속임을 제거한 뒤에, 처리가 단계(202)로부터 반복된다. 한 실시 예에서, 이 같은 차이 변수가 심각하지 않다면, 반복된 단계(208)에서 분석으로부터 제거될 수 있다.

단계(214)에서, 방법(200)은 상호-관계의 범위를 결정하기 위해 특징을 분석할 수 있다. 한 실시 예에서, 이전의 어느 단계가 처리 반복을 발생시키면, 반복이 단계(214) 이전에 수행되어야 한다. 일정 실시 예에서, 이 같은 처리는 단계(214)로 진행되기 전에 여러 번 반복될 수 있다. 단계(216)에서 또 다른 특징에 의해 발생된 표적 변수 변동에 대한 영향의 최소 한계 변경 이하를 발생시킨 특징들은 잠정적인 특징들 목록에서 탈락된다. 한 설명적인 한계는 약 10 퍼센트 일 수 있다. 가령, 특징 "A"에 의해 발생된 표적 변수의 변동이 특징 "B"가 존재하는 때 증가 된다면, 특징 "B"의 존재에 의해 발생된 표적 변수 변동의 퍼센트 증가가 추정되어야 한다. 만약 특징 "B"의 변동이 약 10% 이하의 특징 "A" 만에 의해 발생된 증가에 의해 표적 변수 내 변동을 증가시키는 것으로 추정된다면, 특징 "B"는 잠정적인 특징의 목록으로부터 제거될 수 있다. 특징 "A" 또한 표적 변수에 심각하지 않은 영향을 미치는 것으로 간주 될 수 있다. 나머지 특징들은 중요한 특징인 것으로 간주 된다.

도 12는 도 10의 단계(116)에서 설명된 비교 분석 모델을 해결하는 데 사용하기 위한 제한을 개발하기 위한 방법(300)의 한 실시 예 흐름도이다. 제한(constraints)은 단계(302)에서 모델 계수에 대하여 개발된다. 다시 말해서, 제한은 모델 계수에 위치하는 모든 리미트(limits)이다. 예를 들면, 모델 계수는 표적 변수에 최대 약 20%의 영향을 미친다. 단계(354)에서, 방법(300)의 객관적 기능은 하기 설명하는 바와 같이, 모델 계수의 초기 세트를 결정하기 위해 최적화된다. 단계(306)에서, 방법(300)은 표적 변수에 대한 특징 각각의 퍼센트 기여를 계산할 수 있다. 미국 특허 7,233,910에서 설명한 바와 같이 "평균 방법"과 같은, 특징 각각의 퍼센트 기여를 계산하는 여러 방법이 있다.

개발된 개별 퍼센트 기여로, 방법(300)은 단계(308)로 진행되며, 여기서 퍼센트 기여 각각이 전문가 지식과 비교된다. 영역(domain) 전문가는 전체 표적 값에 대한 중요한 특징에 대한 상대적인 영향에 대하여 직관적이거나 경험적인 느낌을 가질 수 있다. 특징 각각에 대한 기여는 이 같은 전문가 지식에 대하여 판단된다. 단계(310)에서, 방법(300)은 개별 기여의 허용가능성에 대한 결정을 할 수 있다. 상기 기여가 허용가능한 것으로 보이지 않으면, 방법(300)은 단계(312)로 진행된다. 상기 기여가 허용가능한 것으로 보이면, 방법(300)은 단계(316)로 진행된다.

단계(312)에서, 방법(300)은 개별 기여에대한 허용 가능하지 않은 결과를 어떻게 처리할 것인가에 대한 결정을 한다. 단계(312)에서, 옵션은 솔루션에 영향을 미치기 위해 모델 계수에대한 제한을 조정하거나 또는 선택된 특징 세트가 제한 조정을 통해 도와질 수 없음을 결정함을 포함한다. 사용자가 제한 조정을 받아들일 것을 결정하면, 그러면 방법(300)은 단계(316)로 진행한다. 만약 결정이 제한 조정을 통하여 허용가능 결과를 달성하도록 된다면, 그러면 방법(300)은 단계(314)로 진행된다. 단계(314)에서, 제한은 개별 기여로부터 허용가능 결과를 얻어내기 위한 노력으로 개인 특징의 영향을 증가시키거나 감소시키도록 조정된다. 방법(300)은 수정된 제한으로 단계(302)로 진행된다. 단계(316)에서, 개발된 모델 계수에 대한 동료 및 전문가 검토가 수행되어서 개발된 모델 게수의 허용 가능성을 결정하도록 한다. 만약 요인이 전문가 및 동료 검토를 통과하면, 방법(300)은 단계(326)로 진행된다. 만약 모델 계수가 허용 가능하지 않은 것으로 밝혀지면, 방법(300)은 단계(318)로 진행된다.

단계(318)에서, 방법(300)은 특정 영역에서의 전문가와 작업함에 의해 개발된 특징에 대한 수정에 대하여 추가의 방법 및 제안을 얻을 수 있다. 이는 새로운 또는 갱신된 개발된 특징의 생성, 또는 분석 데이터 세트에 대한 새로운 또는 갱신된 제1원칙 특징의 추가를 포함한다. 단계(320)에서, 상기 특징의 수정에 대한 방법 및 제안에 대한 조사를 지원하기 위한 데이터가 존재하는가에 대한 결정이 있다. 만약 데이터가 존재한다면, 방법(300)은 단계(324)로 진행된다. 데이터가 존재하지 않는다면, 방법(300)은 단계(322)로 진행된다. 단계(322)에서, 방법(300)은 만족스런 솔루션을 얻기 위해 필요한 수집을 하기 위해 추가의 데이터를 수집한다. 단계(324)에서, 방법(300)은 새로운 방법 및 제안을 위해 특징 세트를 변경한다. 단계(326)에서, 방법(400)은 특징 선택 논증을 문서화할 수 있다. 이 같은 문서화는 모델 계수의 사용을 위한 결과를 설명하는 데 사용될 수 있다.

도 13은 도 10-12에서 설명된 모델 계수를 결정하기 위한 모델 계수 매트릭스(10)의 한 실시 예 개략도이다. 모델 계수 매트릭스(10)는 다양한 구성으로 표현될 수 있으며, 이 같은 특정 실시 예에서, 모델 계수 매트릭스(10)는 한 축에서 제1원칙 특징(12) 및 제1개발 특징(14)으로 구성될 수 있으며, 다른 한 축에서 데이터가 수집된 다른 시설(16)로 구축될 수있다. 각 시설(16)에서 제1원칙 특징(12) 각각의 경우 실제 데이터 값(18)이 있다. 제1원칙 특징(12) 및 개발된 특징(14) 각각의 경우, 최적화 모델로 계산될 모델 계수(22)가 있다. 제한(20)은 모델 계수(22)의 레인지를 제한한다. 제한은 최소 또는 최대 값일 수 있으며, 혹은 다른 수학적 함수 또는 대수적 관계일 수 있다. 또한, 제한(20)은 그룹으로 될 수 있거나 더욱 제한될 수 있다. 시설 자료에대한 추가 제한(20), 그리고 데이터 유효화 단계에서 사용된 것들과 유사한 데이터 포인트들 사이 관계, 그리고 제한(20)은 입력 데이터에 대한 모든 수학적 관계를 사용할 수 있다. 한 실시 예에서, 최적화 동안 만족 될 제한(20)은 모델 계수에만 적용된다.

표적 변수(실재) 칼럼(24)은 시설 각각에 대하여 측정되는 표적 변수의 실제 값을 포함한다. 표적 변수(예측된) 칼럼(26)은 결정된 모델 계수를 사용하여 계산되는 표적 값에 대한 값을 포함한다. 에러 칼럼(28)은 최적화 모델에 의해 결정되는 시설 각각에 대한 에러 값을 포함한다. 에러 합산(30)은 에러 칼럼(28)에서 에러 값들의 합산이다. 표적 변수 방정식 그리고 거절 함수를 포함하는 최적화 분석은 모델 계수를 해결하여, 에러 합산(30)을 최소화하도록 한다. 최적화 분석에서, 모델 계수

는 전체 시설에서 에러

를 최소화하도록 계산된다. 비선형 최적화 처리는 제1원칙, 제한, 그리고 선택된 값의 정해진 세트에 대하여 이 같은 방정식을 최소화하는 모델 계수 세트를 결정한다.

표적 변수는 특징 그리고 결정될 모델 계수의 함수로서 계산될 수 있다. 표적 변수 방정식은 다음과 같이 표시된다:

여기서 TV _i 는 시설 i에 대한 측정된 표적 변수를 나타내며; 특징 변수는 제1원칙 특징을 나타내고; f는 제1원칙 특징 또는 개발된 원칙 특징의 값이며; i는 시설 숫자이고; j는 특징 숫자이며;

는 j번째 모델 계수로서 j번째 원칙 특징과 일치하고; 그리고

는 실제 표적 변수 값에서 시설 i에대한 예측된 표적 변수 값을 마이너스한 것에 의해 정의되는 모델의 TV 예측 에러를 나타낸다.

목적 함수(objective function)는 다음의 일반 식을 갖는다:

여기서 i는 시설이며; m는 시설의 전체 숫자이고; 그리고 p는 선택된 값이다.

목적 함수에 대한 일반적인 형태의 한가지 공통된 용도는 하기 도시된 바와 같은 p=1 을 사용함에 의해 에러의 절대 합계를 최소화하는 것이다:

목적 함수의 일반적인 형태의 또 다른 공통된 사용은 하기 도시된 바와 같은 p=2 에 해당하는 최소 자승 버젼을 사용한다:

상기 분석은 제1원칙 특징의 한정된 수를 포함하며 목적 함수 형태는 수학적 표준에 해당하기 때문에, 분석 결과는 p의 특정 값에 종속하지 않는다. 분석가는 해결되는 특정 문제에 기초하여 또는 목적 함수에대한 추가의 통계적인 응용에 대하여 한 값을 선택할 수 있다. 예를 들면, p=2는 데이터 그리고 표적 변수 변동과 표적 변수 예측 에러를 측정함에 있어 통계적인 응용 때문에 자주 사용된다.

*세 번째 형태의 목적 함수는 하기 방정식 5로 제공되는 제곱 에러 단순합계를 해결하는 것이다.

여러 형태의 목적 함수가 도시되었으나, 특수한 목적으로 사용하기 위한 다른 형태의 목적 함수가 또한 사용될 수 있다. 최적화 분석 하에서, 결정된 모델 계수는 모델이 시설과 특징 각 각을 통하여 반복하여 이동한 후 표적 변수의 실재 값과 합산 사이의 최소 차이를 발생시켜서, 제한을 받는 잠정적인 모델 계수 각 각이 특정 시설에 대하여 합산되고 상응하는 특징에 대하여 데이터 값에 곱하여지도록 하는, 그러한 모델 계수이다.

설명의 목적을 위해, 도 10-12에서 도시된 바와 같은 비교 성능 분석에서 사용하기 위한 모델 계수를 결정하기 위해 사용된 하나 이상의 특정 실시 예가 하기에서 설명된다. Cat Cracker는 석유 정류장치에서의 처리 장치일 수 있다. Cat Cracker는 가솔린 보일링 레인지 및 라이터 내에서 긴 분자를 짧은 분자로 분쇄한다. 이 같은 처리는 촉매의 존재하에서 상대적으로 높은 온도로 수행된다. 피드(feed)를 분쇄하는 동안, 코크스가 발생되며 촉매 상에서 축적된다. 코크스는 열을 회수하고 촉매를 활성화하기 위해 연소 된다. Cat Cracker는 여러 개의 주요 섹션을 갖는다: 반응기, 재생기, 메인 분별 및 배출 제어 장비. 정유사들은 경쟁 업체가 운영하는 Cat Cracker의 성능에 자신의 Cat Cracker의 성능을 비교하기를 원할 수 있다. 다른 Cat Cracker의 예를 비교하는 예는 이 같은 방법을 Cat Cracker 또는 다른 산업 시설에 적용하는 실재 결과를 대표하지 않을 수 있다. 또한 Cat Cracker 실시 예는 측정가능 시스템을 비교하기 위해 필요한 많은 잠정적인 실시 예의 한 예에 불과하다.

도 10을 한 예로서 사용하면, 방법(100)은 단계(102)에서 시작되며 표적 변수가 Cat Cracker 시설에서 "캐쉬 동작 비용" 또는 "캐쉬 OPEX"가 될 것이다. 단계(104)에서, Cat Cracker에 대한 캐쉬 동작 비용에 영향을 미칠 수 있는 제1원칙 특징은 다음 중 하나 이상을 포함한다: (1) 피드(feed) 품질; (2) 재생기 디자인; (3) 직원의 경험; (4) 위치; (5) 장치의 수명; (6) 촉매 유형; (7) 피드의 용량; (8) 직원 교육; (9) 거래 조합; (10) 반응기 온도; (11) 장비 중복; (12) 원자로 설계; (13) 배출 제어 장비; (14) 메인 분별기 디자인; (15) 유지보수 방법; (16) 재생기 온도; (17) 피드 예열의 정도; (18) 직원 수준.

일차적인 특징을 결정하기 위해, 방법(100)은 단계(106)에서 제1특징의 영향을 결정할 수 있다. 한 실시 예에서, 방법(100)은 도 11에서 도시된 바와 같이 일차적인 특징을 결정함에 의해 단계(106)를 실시할 수 있다. 도 11에서, 단계(202)에서, 방법(200)은 각 특징에대한 변동 퍼센트를 할당할 수 있다. 단계(204)에서, 방법(200)은 Cat Cracker 예로부터 특징들을 순위으로 할 수 있다. 다음의 테이블은 테이블 1에서의 실시 예 적어도 일부에 대한 상대적인 영향 및 순위을 보여준다.

테이블 1

이 같은 실시 예에서, 카테고리는 테이블 2에서 도시한 바와 같이 다음과 같다:

테이블 2

다른 실시 예는 여러 수의 카테고리를 가질 수 있으며 카테고리 사이 윤곽을 그리는 퍼센트 값은 변경될 수 있다.

상기 실시 예 순위에 기초하여, 방법(200)은 단계(206)에서 카테고리에 따른 특징을 그룹으로 나눈다. 단계(208)에서, 방법(200)은 카테고리 3에서의 특징들을 마이너 인 것으로서 버린다. 방법(200)은 카테고리 2에서의 특징들을 분석하여 단계(210)에서 이들이 갖는 다른 특징과의 관계 종류를 결정하도록 한다. 방법(200)은 단계(212)에서 각 특징을 공분산, 종속 또는 독립 어느 하나를 나타내는 것으로 분류한다. 테이블 3은 Cat Cracker 시설의 특징을 분류하는 한 예이다:

테이블 3

단계(214)에서, 방법(200)은 이들 특징들의 관계 정도를 분석한다. Cat Cracker 실시 예에 대한 이같은 실시를 사용하여: 독립 관계를 갖는 것으로 분류된 직원 수준이 분석 처리에 남을 수 있다. 장치의 연령은 직원 트레이닝과 종속 관계를 갖는 것으로 분류된다. 종송 관계란 장치 연령을 의미하며, 직원 경험의 파생물이거나 그 반대이다. 또 추가 고려가 있은 후, 방법(200)은 분석으로부터 장치 특징의 연령을 드롭할 것을 결정하며, 직원 트레이닝의 광범위 특징이 분석에 남아있을 수 있다. 공분산 관계를 갖는 것으로 분류된 3개의 특징, 직원 트레이닝, 배출 장비, 유지보수 관례가 시험되어서 공분산(co-variance) 정도를 결정하도록 한다.

방법(200)은 직원 트레이닝에서 변화에 의해 발생된 Cash Operating 비용 변경이 유지보수 관례(Maintenance Practices) 변경에 의해 30% 이상 수정될 수 있는가를 결정한다. 같은 선상에서, 배출 장비에서 변화에 의해 발생된 Cash Operating 비용 변경이 유지보수 관례를 일으키는 유지보수 관례 변경에 의해 30% 이상 수정될 수 있는가를 결정한다. 직원 트레이닝 및 배출 장비는 분석 처리에 남겨 진다. 방법(200)은 또한 유지보수 관례에서 변동에 의해 발생된 Cash Operating 비용 변경이 직원 경험이 분석으로부터 드롭되도록 하는 직원 경험 변경에 의해 30%의 선택된 임계점 이상 수정되지 않는가를 결정할 수 있다.

Cat Cracker 예를 계속하며, 도 10으로 되돌아가서, 방법(100)은 테이블 4에서 도시한 바와 같은 단계(108)에서 연속된, 오리지널 또는 이진법의 종류 측정으로 남아있는 특징을 분류한다.

테이블 4

이 같은 Cat Cracker 예에서, 유지보수 관례는 Cash Operating 비용(표적 변수)과의 "규모의 경제" 관계를 갖는다. 표적 변수에서의 개선은 유지보수 관례가 개선되는 때 감소하는 등급으로 개선된다. 히스토리 데이터 및 경험에 기초하여, 복잡성 요인이 규모의 경제를 반영하도록 할당된다. 이 같은 특정 예에서, 0.6의 인수가 선택된다. 계수의 한 예로서, 선형 복잡도는 전력 곡선 관계를 따르는 것으로 자주 평가된다. "규모의 경제"를 나타내는 특징의 예로서 Cash Operating 비용을 사용하여, 유지보수 관례의 영향이 다음과 같이 설명된다:

단계(110)에서, 방법(100)은 데이터 수집 분류 시스템을 개발한다. 이 같은 실시 예에서, 10개의 키 유지보수 관례 중 몇 개가 시설 각 각에서 규칙적으로 사용되는 가를 측정하기 위해 질문이 개발된다. 정의 시스템이 사용되어서 데이터가 일관된 방법으로 수집되도록 한다. 규칙적으로 사용되는 유지보수 관례의 수와 관련된 데이터는 테이블 5에서 설명되는 바와 같이 0.6 인수 및 "규모의 경제" 관계를 사용하여 유지보수 관례 스코어로 변환된다.

테이블 5

Cat Cracker 예와 관련하여 설명적 목적으로, 단계(112)에서, 방법(100)은 데이터를 수집하며 단계(114)에서, 방법(100)은 테이블 6에서 도시된 바와 같이 데이터를 유효하게 할 수 있다.

테이블 6

제한 범위(Constraint ranges)가 모델을 제어하기 위해 전문가 팀에 의해 특징 각각에 대하여 개발되어서, 그 결과가 테이블 7에서 도시된 바와 같이 솔루션의 합당한 범위 내에 있도록 한다.

테이블 7

단계(116)에서, 방법(100)은 하기의 테이블 8에서 도시된 바와 같이, 모델 최적화 런(run)의 결과를 발생시킨다.

테이블 8

상기 모델은 배출 장비를 나타내며 유지보수 관례는 여러 다른 Cat Cracker 들 사이에서 Cash Operating 비용에서 변화의 심각한 드라이버가 아니다. 상기 모델은 이들 두 특징에 대한 모델 계수에 대한 약 제로 값을 찾아냄에 의해 이를 표시할 수 있다. 원자로 설계, 직원 트레이닝 및 배출 장비가 중요한 드라이버인 것으로 밝혀진다. 배출 장비 및 유지보수 관례 모두의 경우, 전문가는 이들 특징들이 Cash Operating 비용의 변화를 이끌어내는 데 중요하지 않다는 데 동의할 수 있다. 전문가들은 배출 장비 및 유지보수 관례의 영향을 완전히 보상하는 종속 효과가 이전에 표시되지 않았음을 결정할 수 있다.

도 14는 도 10-12에서 도시된 비교 성능 분석에서 사용하기 위한 모델 계수를 결정하기 위해 Cat Cracker와 관련 모델 계수 매트릭스(10) 한 실시시 예 개략도이다. 설명적인 Cat Cracker에 대한 샘플 모델 구성이 도 14에서 도시된다. 데이터(18), 실제 값(24), 그리고 결과의 모델 계수(22)가 도시된다. 이 같은 실시 예에서, 에러 합산(30)이 상대적으로 작으며, 따라서 개발된 특징이 본 발명의 경우에 필요하지 않다. 다른 실시 예에서, 다른 값의 에러 합산이 중요한 것으로 결정되어서, 결국 개발된 특징을 결정해야 하도록 한다.

추가로 설명 목적을 위해, 도 10-12에서 설명된 바와 같은 비교 성능 분석에서 사용하기 위한 모델 계수를 결정하기 위한 또 다른 예가 하기에서 설명된다. 실시 예는 파이프 라인 및 석유 탱크 집합 지역 터미널과 관련된다. 파이프라인 및 석유 탱크 집합 지역은 액체 및 가스 공급 원료 및 제품을 저장하고 분배하기 위해 산업에 의해 사용된 자산이다. 이 같은 예는 다음에 대한 등가 인수를 개발하기 위한 설명이다: (1) 파이프라인 및 파이브라인 시스템; (2) 석유 탱크 집합 지역 터미널; 그리고 (3) 파이프라인, 파이프라인 시스템 및 석유 탱크 집합 지역 터미널 조합. 이 같은 예는 설명 목적이며 이 같은 방법을 특정 파이프라인 및 석유 탱크 집합 지역 터미널, 또는 다른 산업 시설에 적용하는 실재 결과를 나타내는 것은 아니다.

도 10을 일례로 사용하여, 방법(100)은 단계(102)에서, 필요한 표적 변수가 파이프라인 자산 내 "Cash Operating Costs" 또는 "Cash OPEX"인 것으로 선택한다. 단계(104)의 경우, Cash Operating 비용에 영향을 미치는 제1원칙 특징은 파이프 관련 특징을 위해 다음을 포함할 수 있다: (1) 이송 유체의 타입; (2) 평균 유체 밀도; (3) 유출입 스테이션의 수; (4) 총 설치 용량; (5) 총 메인 펌프 드라이버(KW); (6) 파이프라인의 길이; (7) 파이프라인의 고도 변화; (8) 총 이용 용량; (9) 파이프 대체 값; 그리고 (10) 펌프 스테이션 대체 값. Cash Operating 비용에 영향을 미치는 제1원칙(first principle) 특징은 탱크 관련 특징을 위해 다음을 포함할 수 있다: (1) 유체 클래스; (2) 탱크 번호; (3) 터미널 내 총 밸브 숫자; (4) 전체 공칭 탱크 용량; (5) 탱크 턴 오버 연도; (6) 탱크 터미널 대체 값.

중요한 제1원칙 특징을 결정하기 위해, 방법(100)은 단계(106)에서 제1특징의 영향을 결정한다. 한 실시 예에서, 방법(100)은 도 11에서 도시된 바와 같은 중요한 특징을 결정함에 의해 단계(106)를 실시할 수 있다. 도 11, 단계(202)에서, 방법(100)은 각 특징에 대하여 충격 퍼센트를 할당할 수 있다. 이 같은 분석은 파이프라인 대체 값 그리고 탱크 터미널 대체 값이 산업에서 광범위하게 사용될 수 있으며 더욱더 많은 기본 특징에 종속하는 특징임을 보여준다. 따라서, 본원 발명에서, 이들 값들은 중요한 제1원칙 특징을 위한 고려대상에서 제외된다. 단계(204)에서, 방법(200)은 특징들의 등급과 순위를 정한다. 테이블 9는 실시 예 특징에 대한 상대적인 충격과 순위를 보여주며 방법(200)은 각 특징에 대하여 변동 퍼센트를 할당할 수 있다.

테이블 9

이 같은 실시 예에서, 카테고리는 테이블 10에서 도시된 바와 같이 다음과 같다:

테이블 10

다른 실시 예는 모든 수의 카테고리를 가질 수 있으며 카테고리들 사이 윤곽을 갖는 퍼센트가 값이 변경될 수 있다.

상기 실시 예 순위에 기초하여, 방법(200)은 단계(206)에서 카테고리에 따라 특징을 그룹으로 한다. 단계(208)에서, 방법(200)은 마이너인 것으로서 카테고리(3)에서 이들 특징들을 버린다. 방법(200)은 카테고리(2)에서 특징들을 분석하여 단계(210)에서 이들이 다른 특징들과 갖게 되는 관계의 타입을 결정하도록 한다. 방법(200)은 각 특징을 테이블 11에서 도시한 바와 같이 공분산, 종속 또는 독립을 나타내는 것으로서 특징 각각을 분류한다.

테이블 11

단계(212)에서, 방법(200)은 종속 특징을 해결할 수 있다. 이 같은 실시 예에서, 방법(200)이 해결해야할 필요가 있는 종속 특징은 없다. 단계(214)에서, 방법(200)은 남아있는 특징들의 공분산 정도를 분석하며 어떠한 특징도 드롭 되지 않음을 결정할 수 있다. 방법(200)은 단계(218)에서 남아있는 변수를 중요한 특징으로서 간주한다.

파이프라인 및 석유 탱크 집합 지역 예를 계속하고, 도 10으로 돌아가서, 방법(100)은 테이블(12)에서 보여주는 것과 같이 단계(108)에서 남아있는 특징들을 연속적이고, 오리지널이거나 이진법의 타입 측정으로서 분류할 수 있다.

테이블 12

단계(110)에서, 방법(100)은 데이터 수집 분류 시스템을 개발할 수 있다. 이 같은 예에서, 상기 측정에 대한 참가 시설로부터 정보를 수집하기 위해 질문이 개발될 수 있다. 단계(112)에서, 방법(100)은 데이터를 수집할 수 있으며 단계(114)에서, 방법(100)은 테이블 13 및 14에서 도시된 바와 같은 테이터를 유효하게 할 수 있다.

테이블 13

테이블 14

단계(116)에서, 방법(100)은 하기 테이블 15에서 도시된 바와 같이 전문가에 의해 모델 계수에 대한 제한(constraints)을 개발할 수 있다.

테이블 15

단계(116)에서, 방법(100)은 모델 최적화 실행 결과를 발생시키며, 이는 아래 테이블 16에서 보여주는 것과 같다.

테이블 16

단계(118)에서, 방법(100)은 이 같은 실시 예에서, 개발된 특징에 대하여 어떠한 필요도 없음을 결정할 수 있다. 최종 모델 계수는 상기 비교 분석 모델 단계에서 결정된 모델 계수를 포함할 수 있다.

도 15는 도 10-12에서 도시된 비교 성능 분석에서 사용하기 위해 모델 계수를 결정하기 위한 파이프라인 및 석유 탱크 집합 지역과 관련 모델 계수 매트릭스(10)의 실시 예 개략도이다. 이 같은 예는 파이브라인 및 석유 탱크 집합 지역 산업에 대한 발명의 많은 잠정적인 응용 중 한 응용을 보이는 것이다. 도 10-15에서 도시되고 설명된 방법은 많은 다른 산업 및 시설에서 적용될 수 있다. 예를 들면, 이 같은 방법은 보일러, 증기 터빈 발전기, 연소 터빈 발전기 및 열 회수 증기 발생기의 조합으로부터 전력을 발생시키는 단일 주기 및 혼합 주기 발생 스테이션을 위한 운영 비용을 예측하기 위한 모델 계수를 개발하는 것과 같은, 발전 산업에 적용될 수 있다. 또 다른 예에서, 이 같은 방법은 에틸렌 용광로에서 연속 배출 모니터링 및 보고와 관련된 환경 규정을 준수하는 엘틸렌 제조업체에 대한 연간 비용을 예측하기 위해 모델 계수를 개발하기 위해 적용될 수 있다. 한 실시 예에서, 이 같은 모델 계수는 환경 적용과 화학적 산업 적용 모두에 적용될 것이다.

도 9는 도 1 및 도 10-12 각 각에서 설명된 바의 방법(60, 100, 200, 300)과 같은 본원 발명 명세서에서 설명된 하나 이상의 실시 예를 실시하기 위한 컴퓨팅 노드의 한 실시 예 개략도이다. 이 같은 컴퓨팅 노드는 포터블 컴퓨터, 태블릿 컴퓨터, 노트북 컴퓨터, 휴대용 장치, 워크스테이션, 서버, 메인 프레임, 슈퍼 컴퓨터 및/또는 데이터베이스와 같은, 컴퓨터 및/또는 다른 컴퓨팅 장치의 일부 일 수 있다. 하드웨어는 요구된 수치 계산을 수행하기 위한 적절한 시스템 메모리(905)를 포함하는 처리기(900)로 구성된다. 처리기(900)는 비-일시적인 컴퓨터 판독가능 매체일 수 있는, 시스템 메모리(905) 내에 있는 컴퓨터 프로그램을 실행하여, 도 1 및 10-12 각 각에서 설명된 바와 같은 방법(60, 100, 200, 300)을 수행한다. 비디오 및 저장장치 컨트롤러(910)가 사용되어 디스플레이(915)의 동작이 도 2-8에서 설명된 테이블 및 사용자 인터페이스와 같은, 다양한 정보를 디스플레이하도록 한다. 컴퓨팅 노드는 플로피 디스크 장치(920), 내부/외부 디스크 드라이브(925), 내부의 CD/DVD(930), 테이프 장치(935), 그리고 다른 유형의 전자 저장 매체(940)와 같은 데이터 입력을 위한 다양한 데이터 저장 장치를 포함한다. 상기 언급된 데이터 저장 장치는 설명 및 예시적인 목적만을 갖는 것이다.

이와 같은 컴퓨팅 노드는 또한 하나 이상의 통신 프로토콜을 사용하는 전기, 광학 및/또는 무선 연결을 통하여 수신하도록 구성된 적어도 하나의 수신 장치를 포함하는 하나 이상의 다른 입력 인터페이스(도 9에서 도시되지 않음)를 포함할 수 있다. 한 실시 예에서, 입력 인터페이스는 네트워크를 통하여 데이터를 수신하거나 송신하도록 구성된 다수의 입력 포트를 포함하는 네트워크 인터페이스 일 수 있다. 특히, 네트워크는 유선 링크, 무선 링크, 및/또는 논리 링크를 통하여 운영 및 성능 데이터를 전송할 수 있다. 입력 인터페이스의 다른 예로는 키보드, 범용 직렬 버스 (USB) 인터페이스 및/또는 그래픽 입력 장치(가령, 온 스크린 및/또는 가상의 키보드)를 포함할 수 있다. 또 다른 실시 예에서, 입력 인터페이스는 도 1에서 설명된 자산 장치 제1원칙 데이터 또는 다른 자산-수준 데이터(64)를 측정하기 위한 하나 이상의 측정 장치 및/또는 감지 장치를 포함할 수 있다. 다시 말해서, 측정 장치 및/또는 감지 장치는 측정가능 시스템의 운영 및 성능과 관련된 다양한 물리적 속성 및/또는 특징을 측정하도록 사용될 수 있다.

이들 저장 매체는 데이터 세트 및 이상점 제거 기준을 컴퓨팅 노드로 입력하고, 이상점 제어 데이터를 저장하며, 계산된 인수를 저장하고, 그리고 시스템-생성(system-produced) 트랜드 라인 및 트랜드 라인 반복 그래프를 저장한다. 계산은 통계적 소프트웨어 패키지를 적용할 수 있거나 예를 들면Microsoft Excel®를 사용하여 스프레드시트 포맷으로 입력된 데이터로부터 수행될 수 있다. Microsoft Excel® 또는 다른 데이터베이스 및 스프레드시트 프로그램과 호환성 있는 상업적으로 이용가능 소프트웨어를 사용하여 또는 회사-특정 시스템 실현을 위해 디자인된 맞춤형 소프트웨어 프로그램을 사용하여 수행된다. 컴퓨팅 노드는 또한 주변 또는 공공 외부 저장 매체(955)와 연결되어서, 현재 유지보수 지출 방법 계산에 기초하여 미래 신뢰도와 함께 사용하기 위해 데이터를 제공하기 위해 다른 데이터베이스와 링크될 수 있다. 한 출력 인터페이스는 데이터를 전송하기 위해 출력 장치를 포함한다. 상기 출력 장치는 통신 장치(945), 전송 장치 및/또는 처리된 미래 신뢰도 데이터를 전송하기 위해 사용된 다른 출력 장치일 수 있으며, 이 같은 출력 장치는, 하나 이상의 네트워크, 인트라넷 또는 인터넷을 통하여 다른 컴퓨팅 노드, 네트워크 노드, 컨트롤 센터, 프린터(950), 입력 장치(920, 925, 930, 935, 940) 및/또는 주변 저장 데이터베이스(960)로서 언급된 것들과 유사한 전자 저장 매체로 계산 데이터 작업 계획표, 그래프 및/또는 리포트와 같은 처리된 미래 신뢰도 데이터를 전송하도록한다.

한 실시 예에서, 시스템 메모리(905)는 컴퓨터 버스 또는 다른 연결과 접속되어서 소프트웨어 프로그램의 실행 중에 처리기(900)로 시스템 메모리(905) 내에 저장된 정보를 통신하고나 전송하도록 하며, 상기 소프트웨어 프로그램으로는 운영 체제, 애플리케이션 프로그램, 장치 드라이버 및 프로그램 코드를 포함하는 소프트웨어 모듈을 포함하고, 예를 들면방법(60, 100, 200, 300)과 같은, 본원 명세서에서 설명된 기능을 포함하는, 컴퓨터 실행가능 처리단계 중에 통신하고나 전송하도록 하기도 한다. 처리기(900)는 먼저 시스템 메모리(905), 저장 매체/매체, 이동식 매체 드라이브, 및/또는 다른 비-일시적 저장 장치와 같은 저장장치로부터 컴퓨터 실행가능 처리 단계를 적재한다. 처리기(900)는 다음에 저장된 처리 단계를 실행할 수 있어서 적재된 컴퓨터 실행가능 처리 단계를 실행하도록 한다. 가령, 저장 장치에 의해 저장된 데이터와 같은 저장된 데이터는, 컴퓨팅 노드 내 하나 이상의 컴퓨터를 명령하기 위해 컴퓨터 실행가능 처리 단계의 실행 중에 처리기(900)에 의해 접근될 수 있다.

시스템 메모리(905) 및/또는 처리기 또는 마이크로프로세서와 같은 하나 이상의 처리 장치로 프로그래밍 및/또는 적재 실행가능 명령을 하여, 컴퓨팅 노드(40)를 특정 머신 또는 장치로 변환하여 측정가능 시스템의 미래 신뢰도를 추정하기 위해 사용된 모델링을 수행하도록 하는 것은 잘 알려져있다. 마이크로프로세서 및/또는 처리기로 실행가능 소프트웨어를 로딩함에 의해, 명령, 실시간 모니터링 및 다른 기능을 실현하는 것은 잘 알려진 설계 규칙에 의해 하드웨어 실현으로 변환될 수 있으며, 범용 처리기를 특정 응용을 위해 프로그램된 처리기로 변환시킬 수 있다. 가령, 소프트웨어 대 하드웨어 콘셉트 실현 사이의 결정은 소프트웨어 영역으로부터 하드웨어 영역으로 변환하는 데 포함된 문제 그리고 생성될 장치의 숫자와 디자인의 안정도를 포함하는 다수의 설계 선택에 따른다. 소프트웨어 형태로 개발되고 테스트 된 설계는 잘 알려진 설계 규칙에 의해 소프트웨어 명령을 하드와이어 할 수 있는 ASIC 또는 특정 응용 하드웨어에서 동등한 하드웨어 실현으로 변환된다. 새로운 ACIC에 의해 컨트롤 된 머신과 같은 방법으로, 프로그램되고 실행가능 명령으로 로딩된 컴퓨터는 특정 머신 또는 장치로서 간주된다.

도 16은 도 1 그리고 도 10-12 각각에서 설명된 방법(60, 100, 200, 300)과 같이, 본원 명세서에서 하나 이상의 실시 예를 실시하기 위한 컴퓨팅 노드(40)의 또 다른 실시 예 개략도이다. 컴퓨팅 노드(40)는 컴퓨터, 워크스테이션, 핸드헬드, 메인 프레임, 임베디드 컴퓨팅 장치, 홀로그램 컴퓨팅 장치, 생물학적 컴퓨팅 장치, 나노기술 컴퓨팅 장치, 가상 컴퓨팅 장치 및/또는 분산 시스템을 포함하는, 컴퓨팅 장치의 모든 형태이다. 컴퓨팅 노드(40)는 마이크로프로세서(42), 입력 장치(44), 기억 장치(46), 비디오 컨트롤러(48), 시스템 메모리(50) 및 디스플레이(54), 그리고 하나 이상의 버스 또는 와이어 또는 다른 통신 경로(52)에 의해 연결되는 통신 장치(56)를 포함한다. 저장 장치(46)는 플로피 드라이브, 하드 드라이브, CD-ROM, 광학 드라이브, 거품 메모리 또는 저장 장치의 임의의 다른 형태일 수 있다. 또한, 저장 장치(42)는 플로피 디스크, CD-ROM, DVD-ROM, 메모리 스틱, 또는 컴퓨터 실행 가능 명령 또는 데이터를 포함할 수 있는 컴퓨터 판독 가능 매체의 임의의 다른 형태일 수 있다. 또 다른 통신 장치(56)는 모뎀, 네트워크 카드, 또는 노드가 인간 또는 다른 노드들과 통신할 수 있도록 하는 임의의 다른 장치일 수 있다.

본원 발명 기술 분야에서 통상의 지식을 가진 사람에 의해 만들어질 수 있는 실시 예의 변경, 조합 및/또는 수정은 본 발명의 범위 내에 있다. 실시 예의 특징들을 결합하고, 통합하며, 또는 생략함으로부터 발생되는 선택적인 실시 예 또한 본원 발명의 범위 내에 있다. 수치 범위 또는 한정이 명시적으로 기재된 경우, 그 같은 명시적인 범위 또는 한정은 반복 범위 또는 명시적으로 언급된 범위 또는 한계 내에 있는 유사 크기의 범위 또는 한계를 포함하는 것으로 해석된다(가령, 약 1로부터 약 10까지는 2, 3, 4, 등을 포함하고; 0.10 보다 크다는 0.11, 0.12, 0.13, 등을 포함한다). "약"이라는 용어의 사용은 달리 언급하지 않으면 뒤이어 오는 숫자의 ±10%를 의미한다.

청구항 중 어느 한 요소와 관련하여 용어 "선택적으로"의 사용은 그 같은 요소가 필요하거나, 혹은 선택적으로 그 같은 요소가 필요하지 않음을 의미하며, 이들 모두는 청구항의 보호범위 내에 있는 것이다. "포함하다 (comprises, includes)"와 같은 더욱 넓은 의미의 용어는 "구성되다(consisting of), , 필수적으로 구성되다 (consisting essentially of, comprised substantially of)"와 같은 좁은 의미를 위한 뒷받침을 제공하는 것으로 이해될 수 있다. 따라서, 보호 범위는 상기 설명 세트에 의해 제한되지 않으며, 청구범위에 의해 한정되는 것이며, 청구항의 모든 균등발명을 포함하는 것이다. 청구범위 각각 그리고 모두는 본원 명세서에서 개시 내용으로서 포함되며 청구범위는 본원 발명의 실시 내용이기도 하다.

여러 실시 예가 본원 명세서에서 제공되었으나, 개시된 실시 예는 본원 발명의 사상 또는 범위를 벗어나지 않는 한도에서 많은 다른 특정 형태로 실시될 수 있다. 본원 발명 실시 예는 설명 목적이며 제한적이지 않으며, 본원 발명은 본원 명세서 상세한 설명으로 한정되지 않는다. 예를 들면, 다양한 요소 또는 컴포넌트는 다른 시스템 내에 결합 되거나 통합될 수 있으며 특정 특징은 생략되거나 실시되지 않을 수 있다. 잘 알려진 요소는 불필요한 세부사항으로 인해 본원 발명을 불명료하게 하지 않도록 상세한 설명 없이 제공된다. 대부분의경우, 본원 발명의 완전한 이해를 얻기 위해 필요하지 않은 상세한 사항은 그와 같은 상세한 설명이 관련 기술 분야 통상의 기술을 가진자에게 잘 알려져 있는 경우 생략되었다.

또한, 이산의 또는 분리된 다양한 실시 예에서 설명된 다양한 실시 예는 본원 발명의 보호범위를 벗어나지 않는 한도에서, 다른 시스템, 모듈, 기술, 또는 방법과 함께 결합 되거나 통합될 수 있다. 서로 결합 되거나 직접 결합 되거나 통신하는 것으로 도시된 부분들은 전기적으로, 기계적으로, 또는 다른 방법으로 인터페이스, 장치 또는 중간 컴포넌트를 통하여 직접 연결되거나 통신 될 수 있다. 본원 발명의 변경, 대체 및 수정의 다른 예 또한 본원 발명의 사상 및 범위를 벗어나지 않는 한도에서 가능하다.

본원 명세서에서 설명된 시스템 및 방법이 상세히 설명되었으나, 다양한 변경, 대체 및 수정이 본원 발명의 사상 및 범위를 벗어나지 않는 한도에서 가능함을 이해하여야 한다. 당업자라면 바람직한 실시 예를 실시할 수 있으며, 본원 명세서에서 정확하게 설명하지 않았다 하여도 본원 발명을 실시할 수 있는 다른 방법을 식별할 수 있다. 본원 발명의 변경 및 균등한 발명 또한 청구범위의 범위 내에 있는 것이며, 본원 명세서, 요약서, 도면은 본원 발명 범위를 제한하도록 사용되지 않는다. 본원발명은 하기 청구항 및 이들의 균등 발명과 같이 가능한 한 넓게 해석되는 것이다.

상세한 설명을 마치면서, 본원 명세서 설명 중 인용문헌, 특히 본원 발명의 우선일 이전 인용발명은 어떤 의미로도 본원 발명에 대한 종래기술로서 해석되지 않아야 한다. 동시에, 하기 각각의 그리고 모든 청구항은 상세한 설명 또는 명세서 기재에포함되는 것이다.

Claims

발전소로부터 수행 데이터를 수신하는 입력 인터페이스;
상기 수행 데이터에 기초하여 모델 계수 매트릭스를 개발하고; 저장 시스템으로부터 상기 발전소의 운전과 관련된 적어도 하나의 준수 규정 관련 준수 데이터에 접근하며; 상기 수행 데이터 및 준수 데이터(compliance data)에 기초하여 발전소의 추정된 미래 준수(estimated future compliance)를 모델화하기 위해 모델 계수 매트릭스를 사용함에 의해 수행 데이터에 기초하여 발전소의 추정된 미래 준수를 결정하는 처리기; 그리고
추정된 미래 준수 개연성을 증가 시키기 위해 발전소의 운전에 영향을 미치도록 적어도 하나의 실행 가능한 명령을 디스플레이 하도록 구성된 사용자 인터페이스를 포함함을 특징으로 하는 시스템.