JP2023094895A - Malfunction prediction device, control method for malfunction prediction device and program - Google Patents

Abstract

To predict a malfunction of an internal combustion power generator.SOLUTION: A malfunction prediction device for predicting a malfunction of an internal combustion power generator, includes: a learning model storage unit that stores a learning model for outputting a probability that the internal combustion power generator may malfunctions within a first period, the learning model being generated as learning data by using past time-series data of a predetermined physical quantity related to an operating state of the internal combustion power generator; a time-series data acquisition unit that acquires new time-series data of the physical quantity; a malfunction probability acquisition unit that acquires a probability that the internal combustion power generator may malfunction within the first period, by inputting the new time-series data to the learning model, and a failure probability output unit that outputs information based on the probability.SELECTED DRAWING: Figure 1

Description

Translated fromJapanese

本発明は、故障予測装置、故障予測装置の制御方法及びプログラムに関する。 The present invention relates to a failure prediction device, a control method for the failure prediction device, and a program.

機械や設備の故障を検知する技術として、例えば特許文献１に記載されている診断装置が知られている。 As a technique for detecting failures in machinery and equipment, for example, a diagnostic device described inPatent Literature 1 is known.

この診断装置は、動力機械が発生する動力によって駆動する第一駆動体の動作状態を検出し、第一駆動体の動作状態に応じた第一検出信号を出力する第一センサと、第一駆動体を介して伝達された動力によって駆動する第二駆動体の動作状態を検出し、第二駆動体の動作状態に応じた第二検出信号を出力する第二センサと、第二駆動体の正常状態を表す診断モデルであって、第一センサによって予め取得された第一駆動体の過去の動作状態に応じた第一検出信号と第二センサによって予め取得された第二駆動体の過去の動作状態に応じた第二検出信号とに基づいて生成されたモデル生成用データを用いて生成される診断モデルと、少なくとも第二検出信号に基づいて生成された診断用データとに基づいて、第二駆動体の動作状態を診断し、診断の結果に基づいて、第二駆動体の動作異常に関する動作異常信号を生成して出力する状態検知部と、を備える。 The diagnostic device includes a first sensor for detecting an operating state of a first driving body driven by power generated by the power machine and outputting a first detection signal corresponding to the operating state of the first driving body; a second sensor for detecting the operating state of the second driving body driven by the power transmitted through the body and outputting a second detection signal corresponding to the operating state of the second driving body; A diagnostic model representing a state, comprising: a first detection signal corresponding to a past operating state of the first driving body preliminarily acquired by a first sensor; and a past motion of the second driving body preliminarily acquired by a second sensor; Based on a diagnostic model generated using model generation data generated based on a second detection signal corresponding to the state, and diagnostic data generated based on at least the second detection signal, a second a state detection unit that diagnoses the operating state of the driver, and based on the result of the diagnosis, generates and outputs an operation abnormality signal regarding the operation abnormality of the second driver.

特開２０２１－８２０２５号公報Japanese Patent Application Laid-Open No. 2021-82025

ところで、離島のような他の地域から地理的に分離した地域では、ディーゼルエンジンやガスタービンエンジンなどの内燃機関により発電機を駆動する内燃力発電機を用いて地域内への電力供給が行われている。 By the way, in an area geographically separated from other areas, such as a remote island, electric power is supplied to the area using an internal combustion generator driven by an internal combustion engine such as a diesel engine or a gas turbine engine. ing.

そしてこのような地域では、内燃力発電機が故障した場合には、他の地域から電力の融通を受けることができないため、予備機を起動して対処している。 In such areas, if the internal combustion power generator fails, it is not possible to receive electric power from other areas, so a standby machine is activated to deal with the problem.

しかしながら、内燃力発電機が故障した際には、予備機が発電を開始するまでに相応の時間を要する上、その間、電力供給量が減少するので地域内の電力の需給バランスが変化し電力設備に悪影響を与える可能性がある。 However, if the internal combustion generator fails, it will take a considerable amount of time for the backup generator to start generating power, and during that time, the amount of power supply will decrease, changing the supply and demand balance of power within the area, and the power facility will be damaged. may adversely affect

そのため、内燃力発電機の故障を事前に予測して、予備機への切り替えを円滑に行うことを可能にする技術が求められている。 Therefore, there is a demand for a technology that predicts a failure of the internal combustion power generator in advance and enables smooth switching to a spare machine.

本発明は上記課題を鑑みてなされたものであり、内燃力発電機の故障を予測することが可能な故障予測装置、故障予測装置の制御方法及びプログラムを提供することを目的とする。 SUMMARY OF THE INVENTION The present invention has been made in view of the above problems, and it is an object of the present invention to provide a failure prediction device capable of predicting failure of an internal combustion generator, a control method for the failure prediction device, and a program.

上記課題を解決するための手段の一つは、内燃力発電機の故障を予測する故障予測装置であって、前記内燃力発電機の運転状態と関連性を有する所定の物理量の過去の時系列データを学習データとして生成された、前記内燃力発電機が第１期間内に故障する確率を出力する学習モデルを記憶する学習モデル記憶部と、前記物理量の新たな時系列データを取得する時系列データ取得部と、前記新たな時系列データを前記学習モデルに入力することによって、第１期間内に前記内燃力発電機が故障する確率を取得する故障確率取得部と、前記確率に基づく情報を出力する故障確率出力部と、を備える。 One of the means for solving the above problems is a failure prediction device for predicting failure of an internal combustion generator, comprising: A learning model storage unit that stores a learning model that outputs a probability that the internal combustion power generator will fail within a first period, generated using data as learning data, and a time series that acquires new time series data of the physical quantity. a data acquisition unit, a failure probability acquisition unit that acquires a probability that the internal combustion generator will fail within a first period by inputting the new time-series data into the learning model, and information based on the probability. and a failure probability output unit for outputting.

その他、本願が開示する課題、およびその解決方法は、発明を実施するための形態の欄、および図面により明らかにされる。 In addition, the problem disclosed by the present application and its solution will be made clear by the description of the mode for carrying out the invention and the drawings.

本発明によれば、内燃力発電機の故障を予測することが可能になる。 According to the present invention, it becomes possible to predict a failure of an internal combustion generator.

故障予測システムの全体構成を示す図である。It is a figure which shows the whole structure of a failure prediction system.内燃力発電機の構成を示す図である。It is a figure which shows the structure of an internal-combustion generator.故障予測装置の構成を示す図である。It is a figure which shows the structure of a failure prediction apparatus.記憶装置を示す図である。FIG. 3 is a diagram showing a storage device;運転状況管理テーブルを示す図である。It is a figure which shows a driving|running condition management table.故障予測一覧表を示す図である。It is a figure which shows a failure prediction list.学習モデルを示す図である。It is a figure which shows a learning model.故障予測装置の機能構成を示す図である。It is a figure which shows the functional structure of a failure prediction apparatus.学習モデルを生成する際の処理の流れを示すフローチャートである。4 is a flowchart showing the flow of processing when generating a learning model;故障予測装置の処理の流れを示すフローチャートである。It is a flowchart which shows the flow of a process of a failure prediction apparatus.故障予測結果を表示する画面例を示す図である。FIG. 10 is a diagram showing an example of a screen displaying a failure prediction result;

本明細書および添付図面の記載により、少なくとも以下の事項が明らかとなる。以下、本発明をその一実施形態に即して添付図面を参照しつつ説明する。 At least the following matters will become apparent from the description of the present specification and the accompanying drawings. DESCRIPTION OF THE PREFERRED EMBODIMENTS The present invention will now be described in accordance with one embodiment thereof with reference to the accompanying drawings.

＝＝全体構成＝＝
本発明の実施形態に係る故障予測システム１０００の全体構成を図１に示す。== Overall configuration ==
FIG. 1 shows the overall configuration of afailure prediction system 1000 according to an embodiment of the present invention.

故障予測システム１０００は、故障予測装置１００と内燃力発電機２００とが、インターネットやＬＡＮ（Local Area Network）、電話網等のネットワーク５００を介して通信可能に接続されて構成される。 Afailure prediction system 1000 is configured by connecting afailure prediction device 100 and an internalcombustion power generator 200 so as to be able to communicate via anetwork 500 such as the Internet, a LAN (Local Area Network), or a telephone network.

内燃力発電機２００は、内燃機関により発電機４３０を駆動することで発電を行う装置である。本実施形態に係る内燃力発電機２００は、ディーゼルエンジン２１０により発電機４３０を駆動する。 The internalcombustion power generator 200 is a device that generates power by driving agenerator 430 with an internal combustion engine. The internalcombustion power generator 200 according to this embodiment drives thegenerator 430 with thediesel engine 210 .

図１には、２台の内燃力発電機２００が示されているが、内燃力発電機２００は１台でもよく３台以上でもよい。また内燃力発電機２００が複数台ある場合は、そのうち少なくとも１台は、他の内燃力発電機２００が故障や点検等により運転を停止した際に運転を行う予備機としてもよい。 Although two internalcombustion power generators 200 are shown in FIG. 1, the number of internalcombustion power generators 200 may be one or three or more. Further, when there are a plurality of internalcombustion power generators 200, at least one of them may be used as a spare machine that operates when other internalcombustion power generators 200 stop operating due to failure, inspection, or the like.

内燃力発電機２００は、内燃力発電機２００の運転状態と関連性を有する所定の物理量（例えば発電量や燃料油の圧力など）の時系列データを、ネットワーク５００を介して故障予測装置１００に送信する。 The internalcombustion power generator 200 transmits time-series data of a predetermined physical quantity (for example, power generation amount, fuel oil pressure, etc.) related to the operating state of the internalcombustion power generator 200 to thefailure prediction device 100 via thenetwork 500. Send.

なお図１には記載されていないが、内燃力発電機２００は、これらの時系列データをネットワーク５００を介して故障予測装置１００に送信するためのコンピュータを備えている。つまり、図１には便宜上内燃力発電機２００が故障予測装置１００と通信可能であるように記載されているが、より正確には、この不図示のコンピュータが故障予測装置１００と通信可能に接続されている。 Although not shown in FIG. 1, theinternal combustion generator 200 includes a computer for transmitting these time-series data to thefailure prediction device 100 via thenetwork 500. FIG. In other words, FIG. 1 shows that theinternal combustion generator 200 can communicate with thefailure prediction device 100 for the sake of convenience. It is

故障予測装置１００は、これらの時系列データを元に、内燃力発電機２００の故障を予測する情報処理装置である。 Thefailure prediction device 100 is an information processing device that predicts failure of theinternal combustion generator 200 based on these time-series data.

故障予測装置１００は、内燃力発電機２００から様々な物理量の時系列データを取得すると、これらの時系列データを後述する運転状況管理テーブル６００に記憶する。また故障予測装置１００は、内燃力発電機２００の故障の有無および故障が起こった際に行った対応策（修理内容など）についても運転状況管理テーブル６００に記録している。故障の有無や対応策については、内燃力発電機２００の管理を行っている担当者が別途運転状況管理テーブル６００に入力する。 When acquiring time-series data of various physical quantities from theinternal combustion generator 200, thefailure prediction apparatus 100 stores the time-series data in an operating condition management table 600, which will be described later. Thefailure prediction device 100 also records in the operation status management table 600 whether or not there is a failure in theinternal combustion generator 200 and countermeasures taken when the failure occurs (repair details, etc.). A person in charge of managing the internalcombustion power generator 200 separately enters the presence or absence of a failure and countermeasures into the operation status management table 600 .

そして故障予測装置１００は、これらの情報を解析することで後述する学習モデル６２０（ＡＩモデル）を生成する。学習モデル６２０は、内燃力発電機２００の運転状態と関連性を有する所定の物理量の過去の時系列データを学習データ６１０として生成されている。 Thefailure prediction device 100 analyzes this information to generate a learning model 620 (AI model), which will be described later.Learning model 620 is generated aslearning data 610 from past time-series data of a predetermined physical quantity that is related to the operating state of internalcombustion power generator 200 .

そのため故障予測装置１００は、運転中の内燃力発電機２００の時系列データを学習モデル６２０に入力することで、この内燃力発電機２００が第１期間内（例えば現在から３時間以内）に故障する確率を出力することができる。 Therefore, thefailure prediction device 100 inputs the time-series data of theinternal combustion generator 200 in operation to thelearning model 620, and predicts that theinternal combustion generator 200 will fail within the first period (for example, within three hours from now). You can output the probability that

このような態様により、内燃力発電機２００の運転状態と関連性を有する所定の物理量の時系列データに基づいて、内燃力発電機２００の故障を予測することが可能になる。これにより、例えば内燃力発電機２００が実際に故障する前に予備機への切り替えを行っておき、地域への電力供給を安定的に継続することが可能になる。 This aspect makes it possible to predict failure of the internalcombustion power generator 200 based on the time-series data of the predetermined physical quantity that is related to the operating state of the internalcombustion power generator 200 . As a result, for example, before the internalcombustion power generator 200 actually breaks down, it is possible to switch to a standby machine and continue to stably supply electric power to the area.

詳細は後述する。 Details will be described later.

＝＝内燃力発電機＝＝
次に、本実施形態に係る内燃力発電機２００について、図２を参照しながら説明する。== internal combustion generator ==
Next, the internalcombustion power generator 200 according to this embodiment will be described with reference to FIG.

内燃力発電機２００は、ディーゼルエンジン２１０と発電機４３０とを備えている。ディーゼルエンジン２１０は、燃料油を燃焼させることにより運動エネルギーを発生させ、発電機４３０はこの運動エネルギーを電力に変換することで発電を行う。Internal combustion generator 200 includesdiesel engine 210 andgenerator 430 .Diesel engine 210 generates kinetic energy by burning fuel oil, andgenerator 430 converts this kinetic energy into electric power to generate power.

内燃力発電機２００は、燃料タンク２２０、燃料ポンプ２３０、燃料フィルタ２４０、及び燃料噴射ポンプ２５０を備えている。Internal combustion generator 200 includesfuel tank 220 ,fuel pump 230 ,fuel filter 240 andfuel injection pump 250 .

燃料タンク２２０は、重油や軽油などの燃料油を貯蔵する装置である。燃料ポンプ２３０は、燃料タンク２２０から燃料油をくみ上げる装置である。燃料フィルタ２４０は、燃料油内に混入している異物を除去する装置である。燃料噴射ポンプ２５０は、ディーゼルエンジン２１０内の不図示の燃焼室へ燃料油を高圧噴射する装置である。Fuel tank 220 is a device that stores fuel oil such as heavy oil and light oil.Fuel pump 230 is a device that pumps up fuel oil fromfuel tank 220 . Thefuel filter 240 is a device that removes foreign matter mixed in the fuel oil. Thefuel injection pump 250 is a device that injects fuel oil at high pressure into a combustion chamber (not shown) within thediesel engine 210 .

また内燃力発電機２００は、吸気フィルタ２６０、過給機２７０、インタークーラー２９０、給気ファン２８０、排気温度センサ３００を備えている。 The internalcombustion power generator 200 also includes anintake filter 260 , asupercharger 270 , anintercooler 290 , anair supply fan 280 and anexhaust temperature sensor 300 .

吸気フィルタ２６０は、ディーゼルエンジン２１０に取り込まれる外気（給気）から異物を取り除く装置である。過給機２７０は、ディーゼルエンジン２１０からの排気を利用して不図示のタービンを回転させることで、給気を圧縮する装置である。インタークーラー２９０は、圧縮されて温度が上昇した給気を冷却する装置である。給気ファン２８０は、インタークーラー２９０を冷却する装置である。排気温度センサ３００は、ディーゼルエンジン２１０から排出される排気ガスの温度を計測する。 Intakefilter 260 is a device that removes foreign matter from outside air (supply air) taken intodiesel engine 210 . Thesupercharger 270 is a device that compresses supply air by rotating a turbine (not shown) using exhaust from thediesel engine 210 . Theintercooler 290 is a device that cools the supply air that has been compressed and raised in temperature.Air supply fan 280 is a device that cools intercooler 290 .Exhaust temperature sensor 300 measures the temperature of the exhaust gas discharged fromdiesel engine 210 .

また内燃力発電機２００は、主潤滑油タンク３７０、主潤滑油ポンプ３８０、主潤滑油フィルタ３９０、第３熱交換器３３０を有している。 The internalcombustion power generator 200 also has a mainlubricating oil tank 370 , a mainlubricating oil pump 380 , a mainlubricating oil filter 390 and athird heat exchanger 330 .

主潤滑油タンク３７０は、ディーゼルエンジン２１０内を潤滑する主潤滑油を貯蔵する装置である。主潤滑油ポンプ３８０は、主潤滑油タンク３７０から主潤滑油をくみ上げる装置である。主潤滑油フィルタ３９０は、主潤滑油内に混入している異物を除去する装置である。第３熱交換器３３０は、ディーゼルエンジン２１０から主潤滑油タンク３７０に戻ってくる主潤滑油を冷却する装置である。なお第３熱交換器３３０は、主潤滑油と中間冷却水（後述）とを熱交換することで、主潤滑油を冷却する。 Mainlubricating oil tank 370 is a device for storing main lubricating oil for lubricating insidediesel engine 210 . The mainlubricating oil pump 380 is a device that pumps up the main lubricating oil from the mainlubricating oil tank 370 . The mainlubricating oil filter 390 is a device for removing foreign matter mixed in the main lubricating oil. Thethird heat exchanger 330 is a device that cools the main lubricating oil returning from thediesel engine 210 to the mainlubricating oil tank 370 . Thethird heat exchanger 330 cools the main lubricating oil by exchanging heat between the main lubricating oil and intermediate cooling water (described later).

また内燃力発電機２００は、動弁潤滑油タンク３５０、動弁潤滑油ポンプ３６０、第４熱交換器３４０を有している。 Theinternal combustion generator 200 also has a valvegear lubricant tank 350 , a valvegear lubricant pump 360 and afourth heat exchanger 340 .

動弁潤滑油タンク３５０は、ディーゼルエンジン２１０の動弁機構を潤滑する動弁潤滑油を貯蔵する装置である。動弁潤滑油ポンプ３６０は、動弁潤滑油タンク３５０から動弁潤滑油をくみ上げる装置である。第４熱交換器３４０は、ディーゼルエンジン２１０から動弁潤滑油タンク３５０に戻ってくる動弁潤滑油を冷却する装置である。なお第４熱交換器３４０は、動弁潤滑油と中間冷却水（後述）とを熱交換することで、動弁潤滑油を冷却する。 Valve train lubricatingoil tank 350 is a device that stores valve train lubricating oil that lubricates the valve train ofdiesel engine 210 . The valve gear lubricatingoil pump 360 is a device that pumps up the valve gear lubricating oil from the valve gear lubricatingoil tank 350 . Thefourth heat exchanger 340 is a device that cools the valve lubricant that returns from thediesel engine 210 to thevalve lubricant tank 350 . Thefourth heat exchanger 340 cools the valve lubricant by exchanging heat between the valve lubricant and intermediate cooling water (described later).

また内燃力発電機２００は、中間冷却水ポンプ４００、第２熱交換器３２０を有している。 The internalcombustion power generator 200 also has an intermediatecooling water pump 400 and asecond heat exchanger 320 .

中間冷却水ポンプ４００は、主潤滑油及び動弁潤滑油を冷却する中間冷却水を循環させる装置である。第２熱交換器３２０は、中間冷却水を冷却する装置である。なお第２熱交換器３２０は、中間冷却水を二次水（後述する海水）と熱交換することで、中間冷却水を冷却する。 The intermediatecooling water pump 400 is a device that circulates intermediate cooling water that cools the main lubricating oil and the valve gear lubricating oil. Thesecond heat exchanger 320 is a device that cools the intermediate cooling water. Thesecond heat exchanger 320 cools the intermediate cooling water by heat-exchanging the intermediate cooling water with secondary water (seawater, which will be described later).

また内燃力発電機２００は、一次水ポンプ４１０、第１熱交換器３１０を有している。一次水ポンプ４１０は、ディーゼルエンジン２１０を冷却する一次水を循環させる装置である。第１熱交換器３１０は、一次水を冷却する装置である。なお第１熱交換器３１０は、一次水を二次水（後述する海水）と熱交換することで、一次水を冷却する。 The internalcombustion power generator 200 also has a primary water pump 410 and afirst heat exchanger 310 . Primary water pump 410 is a device that circulates primary water that coolsdiesel engine 210 . Thefirst heat exchanger 310 is a device that cools the primary water. Thefirst heat exchanger 310 cools the primary water by heat-exchanging the primary water with secondary water (seawater, which will be described later).

また内燃力発電機２００は、二次水フィルタ４２０を有している。二次水フィルタ４２０は、一次水及び中間冷却水を冷却する海水（二次水）内の異物を除去する装置である。この二次水は、第１熱交換器３１０において一次水と熱交換を行うことで一次水を冷却し、第２熱交換器３２０において中間冷却水と熱交換を行うことで中間冷却水を冷却する。 Theinternal combustion generator 200 also has a secondary water filter 420 . The secondary water filter 420 is a device that removes foreign matter in seawater (secondary water) that cools the primary water and the intermediate cooling water. This secondary water cools the primary water by exchanging heat with the primary water in thefirst heat exchanger 310, and cools the intermediate cooling water by exchanging heat with the intermediate cooling water in thesecond heat exchanger 320. do.

また図２には示されていないが、内燃力発電機２００及び内燃力発電機２００が設置されている建屋（不図示）の内部及び外部には、内燃力発電機２００の運転状態と関連性を有する各種の物理量を計測するための様々なセンサ及びこれらのセンサによって検出されたデータを故障予測装置１００に送信するコンピュータを備えている。 In addition, although not shown in FIG. 2, inside and outside the internalcombustion power generator 200 and the building (not shown) in which the internalcombustion power generator 200 is installed, there is an operating state of the internalcombustion power generator 200 and a , and a computer that transmits data detected by these sensors to thefailure prediction device 100 .

なお内燃力発電機２００は、図２に示した装置以外にも様々な装置及びセンサを具備して構成されており、これらのセンサからの時系列データも故障予測装置１００に送信されているが、詳細な説明は省略する。 Theinternal combustion generator 200 is configured with various devices and sensors in addition to the devices shown in FIG. , detailed description is omitted.

＝＝故障予測装置＝＝
次に、故障予測装置１００について説明する。== Failure prediction device ==
Next, thefailure prediction device 100 will be described.

故障予測装置１００のハードウェア構成の一例を図３に示す。故障予測装置１００は、ＣＰＵ（Central Processing Unit）１１０、メモリ１２０、通信装置１３０、記憶装置１４０、入力装置１５０、出力装置１６０及び記録媒体読取装置１７０を有して構成されるコンピュータである。 An example of the hardware configuration of thefailure prediction device 100 is shown in FIG. Thefailure prediction device 100 is a computer comprising a CPU (Central Processing Unit) 110 , amemory 120 , acommunication device 130 , astorage device 140 , aninput device 150 , anoutput device 160 and arecording medium reader 170 .

ＣＰＵ１１０は故障予測装置１００の全体の制御を司るもので、記憶装置１４０に記憶される本実施形態に係る各種の動作を行うためのコードから構成される故障予測装置制御プログラム７００や各種データをメモリ１２０に読み出して実行あるいは処理することにより、故障予測装置１００としての各種機能を実現する。 TheCPU 110 controls the entirefailure prediction apparatus 100, and stores a failure predictionapparatus control program 700 composed of codes for performing various operations according to the present embodiment and various data stored in thestorage device 140. Various functions of thefailure prediction device 100 are realized by reading the data to 120 and executing or processing the data.

例えば、ＣＰＵ１１０により故障予測装置制御プログラム７００及び各種データが実行あるいは処理され、メモリ１２０や通信装置１３０、記憶装置１４０等のハードウェア機器と協働することにより、後述する学習モデル記憶部１０１、時系列データ取得部１０２、故障確率取得部１０３、故障確率出力部１０４などの各機能が実現される。 For example, the failure predictiondevice control program 700 and various data are executed or processed by theCPU 110, and by cooperating with hardware devices such as thememory 120, thecommunication device 130, and thestorage device 140, the learningmodel storage unit 101, which will be described later, and time Functions such as the sequencedata acquisition unit 102, the failureprobability acquisition unit 103, the failureprobability output unit 104, etc. are realized.

故障予測装置制御プログラム７００は、故障予測装置１００が有する機能を実現するためのプログラムを総称しており、例えば、故障予測装置１００上で動作するアプリケーションプログラムやＯＳ（Operating System）、種々のライブラリ等を含む。 The failure predictiondevice control program 700 is a general term for programs for realizing the functions of thefailure prediction device 100. For example, thefailure prediction device 100 includes an application program, an OS (Operating System), various libraries, and the like. including.

メモリ１２０は例えば半導体記憶装置により構成することができる。 Thememory 120 can be composed of, for example, a semiconductor memory device.

記憶装置１４０は例えばハードディスクドライブやＳＳＤ（Solid State Drive）、フラッシュメモリ等の各種プログラムやデータ、テーブル等を記憶するための物理的な記憶領域を提供する装置である。本実施形態では、図４に示すように、記憶装置１４０には故障予測装置制御プログラム７００の他、運転状況管理テーブル６００、学習データ６１０、学習モデル６２０、推定結果６３０などの各種データが記憶されている。 Thestorage device 140 is, for example, a hard disk drive, SSD (Solid State Drive), flash memory, or other device that provides a physical storage area for storing various programs, data, tables, and the like. In this embodiment, as shown in FIG. 4, thestorage device 140 stores various data such as a failure predictiondevice control program 700, an operating situation management table 600, learningdata 610, alearning model 620, and anestimation result 630. ing.

運転状況管理テーブル６００の一例を図５に示す。 An example of the driving situation management table 600 is shown in FIG.

故障予測装置１００には、内燃力発電機２００から様々な物理量の時系列データが送信されてくるが、故障予測装置１００はこれらの時系列データを取得すると、所定時間ごとに（例えば１０分毎に）これらの時系列データを運転状況管理テーブル６００に記憶する。また故障予測装置１００は、内燃力発電機２００が故障した場合には、故障した旨の情報と、故障した場所（故障した装置）、故障の対応策を含む故障情報を取得し、運転状況管理テーブル６００に記憶する。故障情報は、故障発生後に行われた調査によって判明する内容が含まれており、内燃力発電機２００の修理などの故障対応を行った担当者によって故障予測装置１００に入力される。 Time-series data of various physical quantities are transmitted from theinternal combustion generator 200 to thefailure prediction device 100. When thefailure prediction device 100 acquires these time-series data, thefailure prediction device 100 acquires the time-series data at predetermined time intervals (for example, every 10 minutes). d) These time-series data are stored in the driving situation management table 600 . In addition, when theinternal combustion generator 200 fails, thefailure prediction device 100 acquires failure information including failure information, failure location (failed device), and failure countermeasures, and manages the operating status. Store in table 600 . The failure information includes information clarified by an investigation conducted after the occurrence of the failure, and is input to thefailure prediction apparatus 100 by the person in charge of repairing theinternal combustion generator 200 and taking other measures.

故障予測装置１００は、図５に示すように、所定時間毎（例えば１０分毎）に時系列データと故障情報を記録している。なお故障予測装置１００は、故障情報を取得していない場合は、故障が発生していない旨の情報を運転状況管理テーブル６００に記録する。 As shown in FIG. 5, thefailure prediction device 100 records time-series data and failure information every predetermined time (every 10 minutes, for example). Note that thefailure prediction apparatus 100 records information indicating that no failure has occurred in the driving situation management table 600 when failure information has not been acquired.

なお所定時間毎に運転状況管理テーブル６００に記録される時系列データは、所定時間内の計測値の平均値であってもよいし、最大値あるいは最小値であってもよい。あるいは、平均値、最大値及び最小値を含んでもよい。あるいは、所定時間内にセンサで計測されたすべての計測値を含んでもよい（例えばセンサの計測周期が０．１秒である場合は、１０分間に計測される６０００個の計測値）。 The time-series data recorded in the driving situation management table 600 every predetermined time may be the average value of the measured values within the predetermined time, or may be the maximum or minimum value. Alternatively, average, maximum and minimum values may be included. Alternatively, it may include all measured values measured by the sensor within a predetermined time (for example, if the sensor measurement cycle is 0.1 seconds, 6000 measured values measured in 10 minutes).

また図５に列挙されている時系列データは一例であり、他の種類の時系列データが含まれていてもよいし、一部の時系列データは含まれていなくてもよい。 Also, the time-series data listed in FIG. 5 is an example, and other types of time-series data may be included, or part of the time-series data may not be included.

また故障予測装置１００は、所定種類の気象情報を時系列データとして取得して、運転状況管理テーブル６００に記憶してもよい。例えば気象情報の種類として、天候（晴れ、曇り、雨、雪、雷、ひょうなど）、気温、湿度、降水量、風速、風向、気圧などのような、内燃力発電機２００の運転状態と関連性を有するものが含まれている。この場合、故障予測装置１００は、ネットワーク５００を介して通信可能に接続されている不図示の気象情報提供装置から、これらの気象情報を取得してもよい。 Further, thefailure prediction device 100 may acquire a predetermined type of weather information as time-series data and store it in the driving situation management table 600 . For example, as types of weather information, weather (clear, cloudy, rain, snow, thunder, hail, etc.), temperature, humidity, amount of precipitation, wind speed, wind direction, air pressure, etc. It contains things that have sex. In this case, thefailure prediction device 100 may acquire such weather information from a weather information providing device (not shown) communicably connected via thenetwork 500 .

また運転状況管理テーブル６００には、内燃力発電機２００の各構成要素（例えば主潤滑油フィルタ３９０）の使用期間や使用開始年月が時系列データとして記録されていてもよい。 The operation status management table 600 may record the period of use and the date of start of use of each component of the internal combustion power generator 200 (for example, the main lubricating oil filter 390) as time-series data.

そして時系列データの中にこれらの情報を含めることにより、学習モデル６２０の精度が一層向上し、故障予測装置１００はより正確な故障の発生確率を出力することが可能となる。 By including these pieces of information in the time-series data, the accuracy of thelearning model 620 is further improved, and thefailure prediction apparatus 100 can output more accurate failure occurrence probabilities.

図４に戻って、故障予測装置１００は、運転状況管理テーブル６００に記録されている過去の第２期間（２４時間、１週間、１か月等。以下、「時間区間」と称する。）の時系列データ及び故障情報に基づいて学習データ６１０を生成する。 Returning to FIG. 4 ,failure prediction apparatus 100 detects the past second period (24 hours, 1 week, 1 month, etc., hereinafter referred to as “time period”) recorded in driving situation management table 600 .Learning data 610 is generated based on the time-series data and the failure information.

この学習データ６１０を用いて学習モデル６２０（機械学習モデル）の学習を行うことにより、学習モデル６２０は、内燃力発電機２００が第１期間内（例えば現在から３時間以内）に故障する確率を出力することが可能となる。 By learning the learning model 620 (machine learning model) using thislearning data 610, thelearning model 620 calculates the probability that theinternal combustion generator 200 will fail within the first period (for example, within three hours from now). can be output.

故障予測装置１００は、時間区間の時系列データを説明変数（特徴量）とし、時間区間内の故障情報を目的変数（ラベル）とすることにより学習データ６１０を生成する。 Thefailure prediction apparatus 100 generates learningdata 610 by using time-series data in a time interval as an explanatory variable (feature amount) and failure information in the time interval as an objective variable (label).

上記の時間区間は、例えば、故障の頻度等に基づき、故障の予測精度が向上するような長さに経験的に設定される。また、長さの異なる複数の時間区間に対してそれぞれ学習モデル６２０を生成し、これらの学習モデル６２０を用いて故障の発生確率を算出するようにしてもよい。このような態様により、例えば時間区間の長さによって異なる故障予測精度を平準化することが可能となる。 The above-mentioned time interval is empirically set to a length that improves the failure prediction accuracy based on, for example, the frequency of failures. Alternatively, learningmodels 620 may be generated for a plurality of time intervals of different lengths, and the failure occurrence probability may be calculated using these learningmodels 620 . With this aspect, it is possible to equalize failure prediction accuracy that varies depending on, for example, the length of the time interval.

あるいは故障予測装置１００は、内燃力発電機２００が複数ある場合、内燃力発電機２００毎に学習データ６１０及び学習モデル６２０を生成してもよい。このような態様により、それぞれの内燃力発電機２００に特有の学習モデル６２０を生成することができ、故障の発生確率の精度向上を図ることが可能となる。 Alternatively,failure prediction device 100 may generate learningdata 610 andlearning model 620 for each internalcombustion power generator 200 when there are a plurality of internalcombustion power generators 200 . With such an aspect, it is possible to generate thelearning model 620 specific to each internalcombustion power generator 200, and to improve the accuracy of the failure occurrence probability.

また同様に、故障予測装置１００は学習データ６１０を生成する際に、特定の時期（例えば特定の季節や特定の月など）のデータを用いて学習データ６１０を生成してもよい。このような態様により、その時期に特有の学習モデル６２０を生成することができ、故障の発生確率の精度向上を図ることが可能となる。 Similarly,failure prediction apparatus 100 may generate learningdata 610 using data from a specific period (for example, a specific season or a specific month) when generating learningdata 610 . With such a mode, it is possible to generate alearning model 620 specific to that period, and to improve the accuracy of the failure occurrence probability.

さらに故障予測装置１００は学習データ６１０を生成する際に、特定の時期のデータを用いて内燃力発電機２００毎に学習データ６１０を生成してもよい。このような態様により、その時期に特有の学習モデル６２０を内燃力発電機２００毎に生成することができ、故障の発生確率の精度向上を図ることが可能となる。 Furthermore, when generating learningdata 610,failure prediction device 100 may generate learningdata 610 for eachinternal combustion generator 200 using data from a specific period. In this manner, thelearning model 620 specific to the period can be generated for each internalcombustion power generator 200, and it is possible to improve the accuracy of the failure occurrence probability.

学習モデル６２０は、本実施形態ではＤＮＮ（Deep Neural Network）であるものとするが、勾配ブースティング（ＧＢＤＴ（Gradient Boosting Decision Tree））やオートエンコーダ等の他の種類のモデルで実現してもよい。 Thelearning model 620 is assumed to be a DNN (Deep Neural Network) in this embodiment, but may be realized by other types of models such as gradient boosting (GBDT (Gradient Boosting Decision Tree)) and autoencoders. .

なお、オートエンコーダを用いた学習モデル６２０の場合は、故障情報を用いることなく、時系列データの変化をとらえることで内燃力発電機２００の異変を検出することができる。 In the case of thelearning model 620 using an autoencoder, it is possible to detect an abnormality of theinternal combustion generator 200 by capturing changes in time-series data without using failure information.

図７に学習モデル６２０の一例（ニューラルネットワークの構造）を示す。図７に示すように、学習モデル６２０の入力層６２１には時間区間内の時系列データが入力される。中間層６２２は、学習によって調整されるパラメータを含む一つ以上のノードからなる一つ以上の隠れ層を含む。中間層６２２は、入力層６２１に与えられた時系列データに基づき、出力層６２３の一つ以上の予測値（第１期間内に故障が起こる確率）を求める。出力層６２３は、一つ以上の予測値（故障が起こる確率）を出力する。 FIG. 7 shows an example of the learning model 620 (neural network structure). As shown in FIG. 7, aninput layer 621 of alearning model 620 receives time series data within a time interval. Thehidden layer 622 includes one or more hidden layers of one or more nodes containing parameters that are adjusted by learning. Thehidden layer 622 obtains one or more predicted values (the probability of a failure occurring within the first period) for theoutput layer 623 based on the time-series data provided to theinput layer 621 . Theoutput layer 623 outputs one or more prediction values (probability of failure).

図４に戻って、推定結果６３０は、学習モデル６２０から出力された第１期間内に故障が起こる確率に基づく情報を含む。また本実施形態に係る学習モデル６２０は、現在から３時間以内に故障が起こる確率と、２４時間以内に故障が起こる確率と、のように複数の期間に故障が起こる確率を出力することができる。このような態様により、例えば、故障の対応策の策定や、故障対応に必要な人員や機材の準備、予備機の起動などをより効率よく行うことが可能となる。 Returning to FIG. 4,estimation result 630 includes information based on the probability of a failure occurring within the first time period output from learningmodel 620 . Also, thelearning model 620 according to the present embodiment can output the probability of failure occurring in multiple periods, such as the probability of failure occurring within 3 hours from the present time and the probability of failure occurring within 24 hours. . With this aspect, for example, it is possible to more efficiently formulate countermeasures against failures, prepare personnel and equipment necessary for dealing with failures, and activate standby machines.

また推定結果６３０には、内燃力発電機２００が第１期間内に故障が起こる確率の他に、故障が予想される場所（装置）や、故障が起こった場合の対応策などが含まれていてもよい。このような態様により、内燃力発電機２００のメンテナンス作業を効率化することが可能となる。 In addition to the probability thatinternal combustion generator 200 will fail within the first period,estimation result 630 includes locations (devices) where failure is expected, measures to be taken in the event of failure, and the like. may This aspect makes it possible to improve the efficiency of the maintenance work for the internalcombustion power generator 200 .

図３に戻って、記憶装置１４０は、故障予測装置１００に内蔵されている形態とすることもできるし、外付されている形態とすることもできる。 Returning to FIG. 3, thestorage device 140 can be built in thefailure prediction device 100 or can be externally attached.

記録媒体読取装置１７０は、ＣＤ－ＲＯＭやＤＶＤ等の記録媒体８００に記録されたプログラムやデータを読み取り、記憶装置１４０に格納する。 The recordingmedium reading device 170 reads programs and data recorded on arecording medium 800 such as a CD-ROM and DVD, and stores them in thestorage device 140 .

通信装置１３０は、インターネットやＬＡＮ（Local Area Network）等のネットワーク５００を介して内燃力発電機２００や、不図示の他のコンピュータとデータやプログラムの授受を行う。例えば不図示の他のコンピュータに、上述した故障予測装置制御プログラム７００を格納しておき、故障予測装置１００がこのコンピュータから故障予測装置制御プログラム７００をダウンロードして実行するようにすることができる。 Thecommunication device 130 exchanges data and programs with the internalcombustion power generator 200 and other computers (not shown) via anetwork 500 such as the Internet or a LAN (Local Area Network). For example, the above-described failure predictiondevice control program 700 may be stored in another computer (not shown), and thefailure prediction device 100 may download and execute the failure predictiondevice control program 700 from this computer.

あるいは通信装置１３０は、内燃力発電機２００から時系列データを定期的に（例えば１０分おきに）受信するようにしてもよい。また故障予測装置１００は記憶装置１４０を備えずに、ネットワーク５００を通じて通信可能に接続された不図示の他のコンピュータに記憶されている上記のプログラムやテーブル等の各種データを用いて故障予測装置１００としての機能を実現する形態も可能である。 Alternatively, thecommunication device 130 may receive time-series data from the internalcombustion power generator 200 periodically (for example, every 10 minutes). Further, thefailure prediction apparatus 100 does not include thestorage device 140, but uses various data such as the above programs and tables stored in other computers (not shown) communicatively connected through thenetwork 500. It is also possible to realize the function as

入力装置１５０は、担当者等による故障予測装置１００へのデータ入力等のために用いられる装置でありユーザインタフェースとして機能する。入力装置１５０としては例えばキーボードやマウス、マイク等を用いることができる。 Theinput device 150 is a device used for data input to thefailure prediction device 100 by a person in charge, etc., and functions as a user interface. As theinput device 150, for example, a keyboard, mouse, microphone, or the like can be used.

出力装置１６０は、情報を外部に出力するための装置でありユーザインタフェースとして機能する。出力装置１６０としては例えばディスプレイやプリンタ、スピーカ等を用いることができる。 Theoutput device 160 is a device for outputting information to the outside and functions as a user interface. A display, a printer, a speaker, or the like can be used as theoutput device 160 .

＜機能構成＞
図８に、本実施形態に係る故障予測装置１００の機能ブロック図を示す。故障予測装置１００は、学習モデル記憶部１０１、時系列データ取得部１０２、故障確率取得部１０３、故障確率出力部１０４の各機能を備える。これらの機能は、図３に示したハードウェアによって本実施形態に係る故障予測装置制御プログラム７００や各種のデータが実行あるいは処理されることにより実現される。<Functional configuration>
FIG. 8 shows a functional block diagram of thefailure prediction device 100 according to this embodiment. Thefailure prediction device 100 has functions of a learningmodel storage unit 101 , a time-seriesdata acquisition unit 102 , a failureprobability acquisition unit 103 , and a failureprobability output unit 104 . These functions are realized by executing or processing the failure predictiondevice control program 700 and various data according to the present embodiment by the hardware shown in FIG.

学習モデル記憶部１０１は、内燃力発電機２００の運転状態と関連性を有する所定の物理量の過去の時系列データを学習データ６１０として生成された、内燃力発電機２００が第１期間内に故障する確率を出力する学習モデル６２０を記憶する。 The learningmodel storage unit 101 generates past time-series data of a predetermined physical quantity that is related to the operating state of the internalcombustion power generator 200 as learningdata 610. Stores alearning model 620 that outputs the probability that

例えば学習モデル６２０は、直近の過去の第２期間（２４時間、１か月間、１年間等の時間区間）の時系列データを学習データ６１０として生成される。 For example, thelearning model 620 is generated as the learningdata 610 from time-series data of the most recent past second period (a time interval such as 24 hours, one month, one year, etc.).

あるいは学習モデル６２０は、過去の第２期間の物理量の時系列データと、内燃力発電機２００の故障有無と、を学習データ６１０として生成される。 Alternatively, thelearning model 620 is generated as the learningdata 610 from the time-series data of the physical quantity in the past second period and the presence/absence of failure of theinternal combustion generator 200 .

あるいは学習モデル６２０は、過去の第２期間の物理量の時系列データと、内燃力発電機２００の故障有無と、故障発生時に行った対応策の内容と、を学習データ６１０として生成される。この場合学習モデル６２０は、内燃力発電機２００が第１期間内に故障する確率と、故障した場合の対応策と、を出力することができる。このような態様により、内燃力発電機２００の故障対応に不慣れな担当者でも対応方法が判断できるようになる。 Alternatively, learningmodel 620 is generated as learningdata 610 from time-series data of physical quantities in the past second period, the presence or absence of a failure ininternal combustion generator 200, and details of countermeasures taken when the failure occurred. In this case, thelearning model 620 can output the probability that theinternal combustion generator 200 will fail within the first period and the countermeasures to be taken in the event of failure. With such a mode, even a person in charge who is inexperienced in dealing with a failure of the internalcombustion power generator 200 can determine how to deal with it.

あるいは学習モデル６２０は、過去の第２期間の物理量の時系列データと、内燃力発電機２００の故障有無と、故障した部位と、故障発生時に行った対応策の内容と、を学習データ６１０として生成される。この場合学習モデル６２０は、内燃力発電機２００の部位別に、第１期間内に故障する確率と、故障した場合の対応策と、を出力することができる。このような態様によれば、故障確率が部位別に得られる上、故障対応が不慣れな担当者でも対応方法が判断できるようになる。 Alternatively, thelearning model 620 uses time-series data of the physical quantity in the second period in the past, the presence or absence of a failure in theinternal combustion generator 200, the part of the failure, and the content of countermeasures taken when the failure occurred as learningdata 610. generated. In this case, thelearning model 620 can output, for each part of the internalcombustion power generator 200, the probability of failure within the first period and countermeasures against failure. According to this aspect, the failure probability can be obtained for each part, and even a person in charge who is unfamiliar with failure handling can determine the handling method.

学習モデル記憶部１０１は、本実施形態では記憶装置１４０として具現化されている。 The learningmodel storage unit 101 is embodied as astorage device 140 in this embodiment.

故障予測装置１００は、例えば、学習データ６１０を学習モデル６２０に入力し、それにより学習モデル６２０が出力する結果と入力した学習データ６１０との差分に基づき、学習モデル６２０を定義するパラメータを、例えば、誤差逆伝搬法（backpropagation）等の方法で調整することにより学習モデル６２０の学習を行う。 For example,failure prediction apparatus 100inputs learning data 610 to learningmodel 620, and sets parameters defininglearning model 620 based on the difference between the result output by learningmodel 620 and theinput learning data 610, for example, Thelearning model 620 is trained by adjusting methods such as error backpropagation.

時系列データ取得部１０２は、上記物理量の新たな時系列データを取得する。例えば直近の過去第３期間（例えば直近の１時間）の時系列データを運転状況管理テーブル６００から取得する。 The time-seriesdata acquisition unit 102 acquires new time-series data of the physical quantity. For example, time-series data for the most recent past third period (for example, the most recent hour) is acquired from the driving situation management table 600 .

そして故障確率取得部１０３は、この新たな時系列データを学習モデル６２０に入力することによって、第１期間内（例えば３時間以内）に内燃力発電機２００が故障する確率を取得する。 Then, the failureprobability acquisition unit 103 inputs this new time-series data to thelearning model 620 to acquire the probability that theinternal combustion generator 200 will fail within the first period (for example, within 3 hours).

なお学習モデル６２０から故障発生確率を出力する際の期間（第１期間）は、一つでも良いし複数でも良い。このような態様により、短期、中期、長期などのように、長さの異なる複数の期間における故障発生確率を担当者に提示することができる。 Note that the period (first period) for outputting the failure occurrence probability from thelearning model 620 may be one or plural. According to this aspect, it is possible to present the failure occurrence probabilities in a plurality of periods of different lengths, such as short term, medium term, and long term, to the person in charge.

あるいは、内燃力発電機２００が第１期間内に故障する確率と、故障した場合の対応策と、を学習モデル６２０が出力できる場合は、故障確率取得部１０３は、故障発生確率と共に、故障した場合の対応策を取得する。 Alternatively, if thelearning model 620 can output the probability that the internalcombustion power generator 200 will fail within the first period and the measures to be taken in the event of failure, the failureprobability acquisition unit 103 will obtain the failure occurrence probability and the failure occurrence probability. Get a workaround for the case.

あるいは、学習モデル６２０から出力される故障発生確率が、内燃力発電機２００の部位別である場合には、故障確率取得部１０３は、例えば、故障燃料噴射ポンプ２５０の故障発生確率、吸気ファン２８０の故障発生確率、主潤滑油ポンプ３８０の故障発生確率、などのように、部位別に故障発生確率を取得できる。 Alternatively, when the failure occurrence probability output from thelearning model 620 is for each part of the internalcombustion power generator 200, the failureprobability acquisition unit 103 obtains, for example, the failure occurrence probability of the failedfuel injection pump 250, theintake fan 280 , the failure occurrence probability of the mainlubricating oil pump 380, and so on.

故障確率出力部１０４は、確率に基づく情報を出力する。確率に基づく情報は、例えば確率の値そのものでも良いし、確率の値を所定の判定値と比較した結果に応じて、例えば故障の起こりやすさを複数段階の数値（例えば「１」「２」「３」）あるいは言葉（「問題なし」「要注意」「至急対応が必要」など）で表した情報でもよい。 The failureprobability output unit 104 outputs information based on probability. The information based on the probability may be, for example, the value of the probability itself, or, for example, numerical values of multiple stages (eg, "1", "2", etc.) indicating the probability of failure according to the result of comparing the probability value with a predetermined judgment value. "3") or information expressed in words (such as "no problem", "caution", "need urgent action").

また故障確率取得部１０３が、故障発生確率と共に、故障した場合の対応策を取得した場合には、故障確率取得部１０４は、内燃力発電機２００が故障する確率と故障した場合の対応策とを確率に基づく情報として出力する。 When the failureprobability acquisition unit 103 acquires the failure occurrence probability and the countermeasures against failure, the failureprobability acquisition unit 104 acquires the failure probability of theinternal combustion generator 200 and the countermeasures against the failure. as information based on probability.

そして故障予測装置１００は、例えば図１１に示すような画面を出力装置１６０に表示することにより故障の確率に基づく情報を出力する。図１１に示す例は、５台の内燃力発電機２００のうち４台が稼働中である場合に、各内燃力発電機２００について個別に故障発生確率を表示する場合の例である。 Then, thefailure prediction device 100 outputs information based on the probability of failure by displaying a screen as shown in FIG. 11 on theoutput device 160, for example. The example shown in FIG. 11 is an example in which the failure occurrence probability is displayed individually for eachinternal combustion generator 200 when four of the fiveinternal combustion generators 200 are in operation.

以上のような態様により、内燃力発電機２００の運転状態と関連性を有する所定の物理量の時系列データに基づいて、内燃力発電機２００の故障を予測することが可能になる。これにより、内燃力発電機２００の緊急停止の頻度が減少でき、電力供給の信頼度を向上させることが可能となる。例えば内燃力発電機２００が実際に故障する前に予備機への切り替えを行っておき、電力供給を停止させないようにすることが可能になる。また内燃力発電機２００の修理等の対応を、定例の点検等のタイミングに同調させることができ、作業手続きの効率化を図ることが可能となる。 With the above aspect, it is possible to predict a failure of the internalcombustion power generator 200 based on the time-series data of the predetermined physical quantity related to the operating state of the internalcombustion power generator 200 . As a result, the frequency of emergency shutdown of theinternal combustion generator 200 can be reduced, and the reliability of power supply can be improved. For example, before the internalcombustion power generator 200 actually fails, it is possible to switch to the standby machine so as not to stop the power supply. In addition, the response such as repair of the internalcombustion power generator 200 can be synchronized with the timing of the regular inspection, etc., and it is possible to improve the efficiency of the work procedure.

＜故障予測の例＞
次に、本実施形態に係る故障予測装置１００が内燃力発電機２００の故障予測を行う例を、図６に示す故障予測一覧表６４０を参照しながら説明する。<Example of failure prediction>
Next, an example of failure prediction of theinternal combustion generator 200 by thefailure prediction device 100 according to this embodiment will be described with reference to afailure prediction list 640 shown in FIG.

故障予測一覧表６４０は、故障予測装置１００が予測対象とする故障を例示的に列挙したものであり、故障予測する部位や、故障を予測するために用いる物理量などを示したものである。 Thefailure prediction list 640 exemplarily lists failures to be predicted by thefailure prediction device 100, and indicates parts for which failure is to be predicted, physical quantities used for failure prediction, and the like.

図６に示す故障予測一覧表６４０には、「故障項目」「判断要素」「比較対象」「故障判定要素」「故障予測」「対応策判定」「備考」の各欄の情報が記載されている。 Thefailure prediction list 640 shown in FIG. 6 contains information in each column of "failure item", "determination element", "comparison object", "failure determination element", "failure prediction", "countermeasure determination", and "remarks". there is

「故障項目」は、故障予測対象となる部位を示す。例えばＮｏ１で示される故障予測では、内燃力発電機２００が具備する吸気ファン２８０及び吸気フィルタ２６０が故障予測の対象である。 "Failure item" indicates a portion to be subjected to failure prediction. For example, in the failure prediction indicated by No. 1, theintake fan 280 and theintake filter 260 included in the internalcombustion power generator 200 are subject to failure prediction.

「判断要素」は、故障予測を行うために学習モデル６２０に時系列データが入力される物理量の種類を示す。例えばＮｏ１で示される故障予測では、「外気温度」「室内温度」「発電機出力」「発電機電流」の各時系列データが学習モデル６２０に入力される。なお、外気温度は、内燃力発電機２００が設置される建屋の外の温度であり、室内温度は、内燃力発電機２００が設置される建屋内の温度である。外気温度は、建屋の外に設置されている温度センサにより計測されたデータでもよいし、上述した気象情報提供装置から取得したデータでもよい。 “Determination element” indicates the type of physical quantity for which time-series data is input to thelearning model 620 for failure prediction. For example, in the failure prediction indicated by No. 1, thelearning model 620 receives time-series data of "outside temperature," "indoor temperature," "generator output," and "generator current." The outdoor temperature is the temperature outside the building in which the internalcombustion power generator 200 is installed, and the room temperature is the temperature in the building in which the internalcombustion power generator 200 is installed. The outside air temperature may be data measured by a temperature sensor installed outside the building, or may be data acquired from the weather information providing device described above.

「比較対象」は、各時系列データをどのデータと比較することで故障を予測するのかを示す。「過去データ」と記載されているのは、過去の時系列データと比較することで故障を予測することを示す。したがって、ＤＮＮやオートエンコーダなどのように、過去の時系列データによって学習した学習モデル６２０を用いて故障を予測する場合が該当する。 "Comparison target" indicates which data to compare each time-series data to predict a failure. “Past data” indicates that failures are predicted by comparison with past time-series data. Therefore, such as DNN and autoencoder, it corresponds to the case of predicting a failure using alearning model 620 learned from past time-series data.

「故障判定要素」は、「判断要素」欄に記載されている物理量のうち、故障との関連性が最も高い物理量と、その時系列データの変化の傾向を示している。Ｎｏ１に示す例では、室内温度が上昇傾向にあることと、吸気ファン２８０あるいは吸気フィルタ２６０の故障との相関関係が高いことを示している。 "Failure Determining Factor" indicates the physical quantity having the highest relationship with failure among the physical quantities described in the "Determining Element" column, and the trend of change in the time-series data thereof. In the example shown in No. 1, there is a high correlation between the fact that the indoor temperature tends to rise and the failure of theintake fan 280 or theintake filter 260 .

「故障予測」は、具体的に想定される故障の内容を示す。Ｎｏ１に示す例では、吸気ファン２８０の性能低下、あるいは吸気フィルタ２６０の詰まりが故障として想定されることを示している。 "Failure prediction" indicates details of a failure that is specifically assumed. In the example shown in No. 1, it is assumed that the performance degradation of theintake fan 280 or the clogging of theintake filter 260 is assumed to be the failure.

「対応策判定」は、故障が起こった場合の対応策を示す。Ｎｏ１に示す例では、吸気ファン２８０の点検及び吸気フィルタ２６０の点検が記載されている。 "Countermeasure determination" indicates a countermeasure when a failure occurs. In the example shown in No. 1, inspection of theintake fan 280 and inspection of theintake filter 260 are described.

図６に示す故障予測一覧表６４０には、Ｎｏ１からＮｏ１６まで１６種類の故障予測が例示的に列挙されているが、本実施形態に係る故障予測装置１００は、それぞれの故障に対して学習モデル６２０を生成して故障予測を行っている。 In thefailure prediction list 640 shown in FIG. 6, 16 kinds of failure predictions from No. 1 to No. 16 are exemplarily listed. 620 is generated for failure prediction.

例えばＮｏ１の故障を予測するための学習モデル６２０は、外気温度と、内燃力発電機２００が設置されている建屋内の温度（室内温度）と、内燃力発電機２００の出力と、内燃力発電機２００の電流と、の各物理量の時系列データを入力とし、吸気ファン２８０及び吸気フィルタ２６０の少なくとも一方が第１期間内に故障する確率を出力する。 For example, thelearning model 620 for predicting No. 1 failure includes the outside air temperature, the temperature in the building where the internalcombustion power generator 200 is installed (indoor temperature), the output of the internalcombustion power generator 200, and the internal combustion power generation Time-series data of each physical quantity such as the electric current of theair conditioner 200 is input, and the probability that at least one of theintake fan 280 and theintake filter 260 will fail within the first period is output.

同様に、例えばＮｏ２の故障を予測するための学習モデル６２０は、外気温度と、内燃力発電機２００が設置されている建屋内の温度（室内温度）と、内燃力発電機２００の出力と、内燃力発電機２００の電流と、燃料ポンプ２３０によって供給される燃料油の圧力と、の各物理量の時系列データを入力とし、燃料ポンプ２３０が第１期間内に故障する確率を出力する。 Similarly, thelearning model 620 for predicting No. 2 failure, for example, includes the outside air temperature, the temperature in the building where the internalcombustion power generator 200 is installed (indoor temperature), the output of the internalcombustion power generator 200, Time-series data of the physical quantities of the current of theinternal combustion generator 200 and the pressure of the fuel oil supplied by thefuel pump 230 are input, and the probability that thefuel pump 230 will fail within the first period is output.

また例えばＮｏ３の故障を予測するための学習モデル６２０は、外気温度と、内燃力発電機２００が設置されている建屋内の温度（室内温度）と、内燃力発電機２００の出力と、燃料ポンプ２３０によって供給される燃料油の圧力と、燃料油から不純物を除去する燃料フィルタ（燃料濾器）２４０の上流側及び下流側の差圧と、の各物理量の時系列データを入力とし、燃料フィルタ２４０が第１期間内に故障する確率を出力する。 Further, for example, thelearning model 620 for predicting failure No. 3 includes the outside air temperature, the temperature in the building where the internalcombustion power generator 200 is installed (indoor temperature), the output of the internalcombustion power generator 200, thefuel pump 230 and the pressure difference between the upstream and downstream sides of a fuel filter (fuel filter) 240 that removes impurities from the fuel oil. fails within the first period.

また例えばＮｏ４の故障を予測するための学習モデル６２０は、外気温度と、内燃力発電機２００が設置されている建屋内の温度（室内温度）と、内燃力発電機２００の出力と、内燃力発電機２００の電流と、主潤滑油ポンプ３８０によって供給される主潤滑油の圧力と、主潤滑油の温度と、の各物理量の時系列データを入力とし、主潤滑油ポンプ３８０が第１期間内に故障する確率を出力する。 Further, for example, thelearning model 620 for predicting failure No. 4 includes the outside air temperature, the temperature in the building where the internalcombustion power generator 200 is installed (indoor temperature), the output of the internalcombustion power generator 200, and the internal combustion power The current of thegenerator 200, the pressure of the main lubricating oil supplied by the mainlubricating oil pump 380, and the temperature of the main lubricating oil, the time-series data of each physical quantity are input, and the mainlubricating oil pump 380 is in the first period output the probability of failure within

以下、Ｎｏ１６まで同様であるため詳細な説明は省略するが、このように、内燃力発電機２００を構成する部位別に学習モデル６２０を生成することにより、その部位に故障が発生する際の特徴をより的確にとらえることができ、より正確に故障を予測することが可能となる。 Hereinafter, since the same is true up to No. 16, a detailed description will be omitted, but by generating thelearning model 620 for each part constituting the internalcombustion power generator 200 in this way, the characteristics when a failure occurs in that part can be identified. It is possible to grasp more accurately and predict failures more accurately.

また故障予測装置１００は、内燃力発電機２００の複数の部位の学習モデル６２０のそれぞれの出力結果（確率）を入力とし、内燃力発電機２００全体としての運転状態の予測を行う学習モデル６２０を有してもよい。 Further, thefailure prediction device 100 inputs the output results (probability) of each of the learningmodels 620 of a plurality of parts of the internalcombustion power generator 200, and generates alearning model 620 that predicts the operating state of the internalcombustion power generator 200 as a whole. may have.

この場合、例えば、説明変数（特徴量）が上記の各部位が故障する確率であり、目的変数（ラベル）が内燃力発電機２００の運転状態を示す情報（例えば排気ガス内の特定成分の量、成分比、騒音レベル、騒音のスペクトルなど）であるような学習データ６１０を生成し、この学習データ６１０を用いて学習モデル６２０を生成する。 In this case, for example, the explanatory variable (feature quantity) is the probability of failure of each part described above, and the objective variable (label) is information indicating the operating state of the internal combustion generator 200 (for example, the amount of a specific component in the exhaust gas). , component ratio, noise level, noise spectrum, etc.) is generated, and alearning model 620 is generated using thislearning data 610 .

このような態様により、例えば、排気ガスの成分の変化や、騒音の増加など、故障とまでは言えないような内燃力発電機２００の状態の変化を予測することも可能となる。 Such a mode makes it possible to predict changes in the state of theinternal combustion generator 200 that cannot be said to be failures, such as changes in the components of exhaust gas and increases in noise.

＝＝処理の流れ＝＝
次に、図９～図１０を参照しながら、本実施形態に係る故障予測装置１００が学習データ６１０を用いて学習モデル６２０の学習を行う処理と、この学習モデル６２０を用いて内燃力発電機２００が故障する確率を算出する際の処理の流れを説明する。== Process flow ==
Next, referring to FIGS. 9 and 10, thefailure prediction device 100 according to the present embodiment uses the learningdata 610 to perform learning of thelearning model 620, and thelearning model 620 is used to perform the internal combustion generator The flow of processing when calculating the probability that 200 will fail will be described.

図９は、故障予測装置１００が学習データ６１０を用いて学習モデル６２０の学習を行う際の処理を説明するフローチャートである。尚、故障予測装置１００が学習モデル６２０の学習を実行するタイミングは必ずしも限定されないが、例えば、運転状況管理テーブル６００に新たな時系列データが追加されたタイミングや、ユーザインタフェースを介して担当者から学習の実行指示を受け付けたタイミング、あるいは、所定期間毎（１か月に１回、１年に１回など）に到来する所定のタイミングなどを契機として、故障予測装置１００は学習モデル６２０の学習処理を実行する。 FIG. 9 is a flowchart for explaining processing whenfailure prediction apparatus 100uses learning data 610 to learnlearning model 620 . Although the timing at which thefailure prediction device 100 executes the learning of thelearning model 620 is not necessarily limited, for example, the timing at which new time-series data is added to the driving situation management table 600, or the timing from the person in charge via the user interface. Thefailure prediction apparatus 100 learns thelearning model 620 at the timing of receiving a learning execution instruction, or at a predetermined timing that comes every predetermined period (once a month, once a year, etc.). Execute the process.

まず故障予測装置１００は、時間区間内の時系列データと、故障の有無及び対応策と、を対応づけたデータを学習データ６１０として生成する（Ｓ１０００）。故障予測装置１００は、運転状況管理テーブル６００からこれらの情報を取得することができる。 First, thefailure prediction device 100 generates learningdata 610 that associates time-series data in a time interval with the presence or absence of a failure and countermeasures (S1000). Thefailure prediction device 100 can acquire these pieces of information from the driving situation management table 600 .

次に故障予測装置１００は、学習データ６１０を用いて学習モデル６２０の学習処理を行う（Ｓ１０１０）。 Next, thefailure prediction device 100 performs learning processing of thelearning model 620 using the learning data 610 (S1010).

尚、故障予測装置１００は、学習済の学習モデル６２０について予測精度の検証を行うようにしてもよい。その場合、故障予測装置１００は、学習データ６１０を学習用のデータと検証用のデータに予め分類しておき、学習用のデータを用いて学習モデル６２０の学習を行い、検証用のデータを用いて学習モデル６２０の検証を行うようにする。 Note that thefailure prediction apparatus 100 may verify the prediction accuracy of thelearning model 620 that has been trained. In that case, thefailure prediction apparatus 100 classifies the learningdata 610 into learning data and verification data in advance, uses the learning data to train thelearning model 620, and uses the verification data. to verify thelearning model 620.

図１０は、内燃力発電機２００が故障する確率を故障予測装置１００が算出する際の処理を説明するフローチャートである。 FIG. 10 is a flowchart for explaining the processing when thefailure prediction device 100 calculates the probability that theinternal combustion generator 200 will fail.

まず故障予測装置１００は、運転状況管理テーブル６００を参照し、内燃力発電機２００の運転状態に影響する物理量の時系列データを取得する（Ｓ２０００）。例えば故障予測装置１００は、直近の過去３時間分の時系列データを取得する。 First, thefailure prediction device 100 refers to the operating state management table 600 and acquires time-series data of physical quantities that affect the operating state of the internal combustion generator 200 (S2000). For example, thefailure prediction device 100 acquires time-series data for the most recent three hours.

続いて故障予測装置１００は、この時系列データを学習モデル６２０に入力し、学習モデル６２０から出力される故障の確率を取得する（Ｓ２０１０）。 Subsequently, thefailure prediction device 100 inputs this time-series data to thelearning model 620 and acquires the failure probability output from the learning model 620 (S2010).

そして故障予測装置１００は、図１１に示したような故障の発生確率に基づく情報を記載した画面を生成し、生成した画面を出力装置１６０に出力する（Ｓ２０２０）。 Then, thefailure prediction device 100 generates a screen on which information based on the failure occurrence probability as shown in FIG. 11 is described, and outputs the generated screen to the output device 160 (S2020).

このような態様により、内燃力発電機２００の運転状態と関連性を有する所定の物理量の時系列データに基づいて、内燃力発電機２００の故障を予測することが可能になる。これにより、内燃力発電機２００の緊急停止の頻度が減少でき、電力供給の信頼度を向上させることが可能となる。例えば内燃力発電機２００が実際に故障する前に予備機への切り替えを行っておき、電力供給を停止させないようにすることが可能になる。また内燃力発電機２００の修理等の対応を、定例の点検等のタイミングに同調させることができ、作業手続きの効率化を図ることが可能となる。 This aspect makes it possible to predict failure of the internalcombustion power generator 200 based on the time-series data of the predetermined physical quantity that is related to the operating state of the internalcombustion power generator 200 . As a result, the frequency of emergency shutdown of theinternal combustion generator 200 can be reduced, and the reliability of power supply can be improved. For example, before the internalcombustion power generator 200 actually fails, it is possible to switch to the standby machine so as not to stop the power supply. In addition, the response such as repair of the internalcombustion power generator 200 can be synchronized with the timing of the regular inspection, etc., and it is possible to improve the efficiency of the work procedure.

以上、本実施形態に係る故障予測装置１００、故障予測装置１００の制御方法及びプログラムについて説明したが、本実施形態によれば、内燃力発電機２００の故障を予測することが可能になる。 Thefailure prediction device 100 and the control method and program for thefailure prediction device 100 according to the present embodiment have been described above. According to the present embodiment, failure of theinternal combustion generator 200 can be predicted.

なお上述した実施の形態は本発明の理解を容易にするためのものであり、本発明を限定して解釈するためのものではない。本発明はその趣旨を逸脱することなく変更、改良され得るとともに、本発明にはその等価物も含まれる。 The above-described embodiments are intended to facilitate understanding of the present invention, and are not intended to limit and interpret the present invention. The present invention may be modified and improved without departing from its spirit, and the present invention also includes equivalents thereof.

１００ 故障予測装置
１０１ 学習モデル記憶部
１０２ 時系列データ取得部
１０３ 故障確率取得部
１０４ 故障確率出力部
１１０ ＣＰＵ
１２０ メモリ
１３０ 通信装置
１４０ 記憶装置
１５０ 入力装置
１６０ 出力装置
１７０ 記録媒体読取装置
２００ 内燃力発電機
２１０ ディーゼルエンジン
２２０ 燃料タンク
２３０ 燃料ポンプ
２４０ 燃料フィルタ
２５０ 燃料噴射ポンプ
２６０ 吸気フィルタ
２７０ 過給機
２８０ 給気ファン
２９０ インタークーラー
３００ 排気温度センサ
３１０ 第１熱交換器
３２０ 第２熱交換器
３３０ 第３熱交換器
３４０ 第４熱交換器
３５０ 動弁潤滑油タンク
３６０ 動弁潤滑油ポンプ
３７０ 主潤滑油タンク
３８０ 主潤滑油ポンプ
３９０ 主潤滑油フィルタ
４００ 中間冷却水ポンプ
４１０ 一次水ポンプ
４２０ 二次水フィルタ
４３０ 発電機
５００ ネットワーク
６００ 運転状況管理テーブル
６１０ 学習データ
６２０ 学習モデル
６２１ 入力層
６２２ 中間層
６２３ 出力層
６３０ 推定結果
６４０ 故障予測一覧表
７００ 故障予測装置制御プログラム
８００ 記録媒体
１０００ 故障予測システム100failure prediction device 101 learningmodel storage unit 102 time seriesdata acquisition unit 103 failureprobability acquisition unit 104 failureprobability output unit 110 CPU
120memory 130communication device 140storage device 150input device 160output device 170 recordingmedium reader 200internal combustion generator 210diesel engine 220fuel tank 230fuel pump 240fuel filter 250fuel injection pump 260intake filter 270supercharger 280air supply Fan 290Intercooler 300Exhaust temperature sensor 310First heat exchanger 320Second heat exchanger 330Third heat exchanger 340Fourth heat exchanger 350 Valvegear lubricant tank 360 Valvegear lubricant pump 370Main lubricant tank 380 MainLubricating oil pump 390 Main lubricatingoil filter 400 Intermediate cooling water pump 410 Primary water pump 420Secondary water filter 430Generator 500Network 600 Operation status management table 610Learning data 620Learning model 621Input layer 622Intermediate layer 623Output layer 630Estimation result 640failure prediction list 700 failure predictiondevice control program 800recording medium 1000 failure prediction system

Claims (10)

Translated fromJapanese

内燃力発電機の故障を予測する故障予測装置であって、
前記内燃力発電機の運転状態と関連性を有する所定の物理量の過去の時系列データを学習データとして生成された、前記内燃力発電機が第１期間内に故障する確率を出力する学習モデルを記憶する学習モデル記憶部と、
前記物理量の新たな時系列データを取得する時系列データ取得部と、
前記新たな時系列データを前記学習モデルに入力することによって、第１期間内に前記内燃力発電機が故障する確率を取得する故障確率取得部と、
前記確率に基づく情報を出力する故障確率出力部と、
を備える故障予測装置。A failure prediction device for predicting failure of an internal combustion generator,
A learning model that outputs a probability that the internal combustion power generator will fail within a first period, generated as learning data from past time-series data of a predetermined physical quantity that is related to the operating state of the internal combustion power generator. a learning model storage unit for storing;
a time-series data acquisition unit that acquires new time-series data of the physical quantity;
a failure probability acquisition unit that acquires a probability that the internal combustion generator will fail within a first period by inputting the new time-series data into the learning model;
a failure probability output unit that outputs information based on the probability;
A failure prediction device. 請求項１に記載の故障予測装置であって、
前記学習モデルは、過去の第２期間の前記物理量の時系列データと、前記内燃力発電機の故障有無と、を学習データとして生成されてなる、故障予測装置。The failure prediction device according to claim 1,
The failure prediction device, wherein the learning model is generated from time-series data of the physical quantity for a past second period and whether or not the internal combustion generator has failed as learning data. 請求項１に記載の故障予測装置であって、
前記学習モデルは、過去の第２期間の前記物理量の時系列データと、前記内燃力発電機の故障有無と、故障発生時に行った対応策の内容と、を学習データとして生成されてなり、前記内燃力発電機が第１期間内に故障する確率と、故障した場合の対応策と、を出力し、
前記故障確率取得部は、
前記新たな時系列データを前記学習モデルに入力することによって、第１期間内に前記内燃力発電機が故障する確率と、故障した場合の対応策と、を取得し、
前記故障確率取得部は、
前記確率に基づく情報として、前記内燃力発電機が故障する確率と、故障した場合の対応策と、を出力する、故障予測装置。The failure prediction device according to claim 1,
The learning model is generated as learning data from the time-series data of the physical quantity in the past second period, whether or not there is a failure in the internal combustion power generator, and details of countermeasures taken when the failure occurred, and outputting the probability that the internal combustion generator will fail within the first period and the countermeasures to be taken in the event of failure;
The failure probability acquisition unit,
By inputting the new time-series data into the learning model, obtaining the probability that the internal combustion generator will fail within the first period and countermeasures in case of failure,
The failure probability acquisition unit,
A failure prediction device that outputs, as information based on the probability, a probability that the internal combustion generator will fail and measures to be taken in the event of failure. 請求項１～３のいずれかに記載の故障予測装置であって、
前記物理量には、外気温度と、前記内燃力発電機が設置されている建屋内の温度と、前記内燃力発電機の出力と、前記内燃力発電機の電流と、が含まれ、
前記学習モデルは、前記内燃力発電機が具備する吸気ファン及び吸気フィルタの少なくとも一方が第１期間内に故障する確率を出力する、故障予測装置。The failure prediction device according to any one of claims 1 to 3,
The physical quantity includes an outside air temperature, a temperature in the building where the internal combustion power generator is installed, an output of the internal combustion power generator, and a current of the internal combustion power generator,
The failure prediction device, wherein the learning model outputs a probability that at least one of an intake fan and an intake filter of the internal combustion power generator will fail within a first period. 請求項１～３のいずれかに記載の故障予測装置であって、
前記物理量には、外気温度と、前記内燃力発電機が設置されている建屋内の温度と、前記内燃力発電機の出力と、前記内燃力発電機の電流と、前記内燃力発電機が具備する燃料ポンプによって供給される燃料油の圧力と、が含まれ、
前記学習モデルは、前記燃料ポンプが第１期間内に故障する確率を出力する、故障予測装置。The failure prediction device according to any one of claims 1 to 3,
The physical quantity includes an outside air temperature, a temperature inside the building where the internal combustion power generator is installed, an output of the internal combustion power generator, a current of the internal combustion power generator, and the internal combustion power generator. and the pressure of the fuel oil supplied by the fuel pump to
The failure prediction device, wherein the learning model outputs a probability that the fuel pump will fail within a first period. 請求項１～３のいずれかに記載の故障予測装置であって、
前記物理量には、外気温度と、前記内燃力発電機が設置されている建屋内の温度と、前記内燃力発電機の出力と、前記内燃力発電機が具備する燃料ポンプによって供給される燃料油の圧力と、前記内燃力発電機が具備する前記燃料油から不純物を除去する燃料濾器の上流側及び下流側の差圧と、が含まれ、
前記学習モデルは、前記燃料濾器が第１期間内に故障する確率を出力する、故障予測装置。The failure prediction device according to any one of claims 1 to 3,
The physical quantities include the outside air temperature, the temperature in the building where the internal combustion power generator is installed, the output of the internal combustion power generator, and the fuel oil supplied by the fuel pump provided in the internal combustion power generator. and a differential pressure upstream and downstream of a fuel filter that removes impurities from the fuel oil provided by the internal combustion generator;
The failure prediction device, wherein the learning model outputs a probability that the fuel filter will fail within a first time period. 請求項１～３のいずれかに記載の故障予測装置であって、
前記物理量には、外気温度と、前記内燃力発電機が設置されている建屋内の温度と、前記内燃力発電機の出力と、前記内燃力発電機の電流と、前記内燃力発電機が具備する主潤滑油ポンプによって供給される主潤滑油の圧力と、前記主潤滑油の温度と、が含まれ、
前記学習モデルは、前記主潤滑油ポンプが第１期間内に故障する確率を出力する、故障予測装置。The failure prediction device according to any one of claims 1 to 3,
The physical quantity includes an outside air temperature, a temperature inside the building where the internal combustion power generator is installed, an output of the internal combustion power generator, a current of the internal combustion power generator, and the internal combustion power generator. the pressure of the main lubricant supplied by the main lubricant pump and the temperature of said main lubricant;
The failure prediction device, wherein the learning model outputs a probability that the main lubricating oil pump will fail within a first time period. 請求項１～３のいずれかに記載の故障予測装置であって、
前記物理量には、外気温度と、前記内燃力発電機が設置されている建屋内の温度と、前記内燃力発電機の出力と、前記内燃力発電機の電流と、前記内燃力発電機が具備する主潤滑油ポンプによって供給される主潤滑油の圧力と、前記主潤滑油の温度と、前記内燃力発電機が具備する前記主潤滑油から不純物を除去する主潤滑油濾器の上流側及び下流側の差圧と、が含まれ、
前記学習モデルは、前記主潤滑油濾器が第１期間内に故障する確率を出力する、故障予測装置。The failure prediction device according to any one of claims 1 to 3,
The physical quantity includes an outside air temperature, a temperature inside the building where the internal combustion power generator is installed, an output of the internal combustion power generator, a current of the internal combustion power generator, and the internal combustion power generator. the pressure of the main lubricating oil supplied by a main lubricating oil pump, the temperature of said main lubricating oil, and upstream and downstream of a main lubricating oil filter provided by said internal combustion generator for removing impurities from said main lubricating oil. side differential pressure, and
The failure predictor, wherein the learning model outputs a probability that the main lubricating oil filter will fail within a first time period. 内燃力発電機の故障を予測する故障予測装置の制御方法であって、
前記故障予測装置が、
前記内燃力発電機の運転状態と関連性を有する所定の物理量の過去の時系列データを学習データとして生成された、前記内燃力発電機が第１期間内に故障する確率を出力する学習モデルを記憶し、
前記物理量の新たな時系列データを取得し、
前記新たな時系列データを前記学習モデルに入力することによって、第１期間内に前記内燃力発電機が故障する確率を取得し、
前記確率に基づく情報を出力する、
故障予測装置の制御方法。A control method for a failure prediction device that predicts failure of an internal combustion generator, comprising:
The failure prediction device
A learning model that outputs a probability that the internal combustion power generator will fail within a first period, generated as learning data from past time-series data of a predetermined physical quantity that is related to the operating state of the internal combustion power generator. remember,
Acquiring new time-series data of the physical quantity,
Obtaining the probability that the internal combustion generator will fail within a first period by inputting the new time-series data into the learning model;
outputting information based on said probability;
A control method for a failure prediction device. 内燃力発電機の故障を予測するコンピュータに、
前記内燃力発電機の運転状態と関連性を有する所定の物理量の過去の時系列データを学習データとして生成された、前記内燃力発電機が第１期間内に故障する確率を出力する学習モデルを記憶する機能と、
前記物理量の新たな時系列データを取得する機能と、
前記新たな時系列データを前記学習モデルに入力することによって、第１期間内に前記内燃力発電機が故障する確率を取得する機能と、
前記確率に基づく情報を出力する機能と、
を実現するためのプログラム。A computer that predicts the failure of an internal combustion generator,
A learning model that outputs a probability that the internal combustion power generator will fail within a first period, generated as learning data from past time-series data of a predetermined physical quantity that is related to the operating state of the internal combustion power generator. the ability to remember and
A function of acquiring new time-series data of the physical quantity;
a function of obtaining the probability that the internal combustion generator will fail within a first period by inputting the new time-series data into the learning model;
a function of outputting information based on the probability;
A program to realize

Images