CN108572880B - 设备机器的异常诊断系统 - Google Patents

Abstract

在使用数据聚类处理进行设备机器的异常诊断时，即使在关于设备机器的数据而用于学习处理的正常数据不明确而无法定义的情况下也能够实现异常诊断。一种设备机器的异常诊断系统，其处于如下情况：根据来自设备机器的多个数据，使用包括利用正常数据的学习处理和利用在学习处理中制作出的模型的诊断处理的解析方法来进行异常诊断，并且关于来自所述设备机器的多个数据，设备机器的正常动作时的数据并非已知，其中具备：第一处理部，对来自设备机器的多个数据进行聚类处理；第二处理部，根据与各群组相符的数据数来定义正常群组；第三处理部，将与正常群组相符的数据作为正常数据抽出；及第四处理部，使用抽出的正常数据来进行学习处理。

Description

设备机器的异常诊断系统

技术领域

本发明涉及利用数据聚类处理的设备机器的异常诊断系统。

背景技术

在各种整套设备中，在警报被输出之前，对整套设备的异常状态的早期检测在提高运转可靠性这方面是有效的。作为早期检测整套设备的异常的方法，通过预先学习整套设备的正常时的数据模式并将其与测量数据的模式进行比较来检测状态变化的方法是有效的。作为这样的数据解析之一，可以举出数据聚类技术。

聚类解析是指根据数据模式将输入的数据分类为多个群组(＝分组)的方法。群组表示在数据模式中具有类似性的数据的集合。在聚类解析中，将多个输入数据映射在多维空间上，根据空间上的位置关系定义群组。以利用正常数据定义的群组为基准，进行针对诊断数据的异常判定。图2示出该处理的概要。

图2示出了在横轴中采用来自传感器1的输入信号、在纵轴中采用来自传感器1的输入信号的二维面，示出对从传感器1和传感器2形成的2个输入信号进行聚类的情况。在该例子中，在二维面进行聚类，将传感器1和传感器2的测量值描绘为各轴的值，作为聚类的结果而得到群组1、群组2、群组3。在各群组中，×标记表示范畴的重心位置。此外，在图2中，作为简单的例子，示出了在二维面的聚类，但通常将在设备机器中测量出的多个传感器信号作为输入，所以一般在多维空间中进行处理。

另外，在图2中，描绘了白点的学习数据和黑点的诊断数据这两方，图示了利用学习数据制作出的3个群组。在此，学习数据是指由用户定义为正常的数据。在通过聚类进行设备机器的异常诊断的情况下，事先使用学习数据来制作群组，将其设为正常状态的基准。接下来，在同空间中描绘诊断数据，根据与利用学习数据制作出的群组的位置关系来进行异常判定。如群组1、群组3所例示的那样，如果诊断数据与正常时的数据模式类似，则描绘点包含于3个群组中的任意群组。另一方面，如群组2所例示的那样，如果诊断数据与正常时的数据模式大幅不同，则被描绘在脱离群组的位置。

作为异常判定的1个方法，考虑表示与正常相背离的程度的异常度的概念。考虑若干异常度的定义，如图所示，对各诊断数据利用与最近的群组的重心相距的距离的方法是1个方法。例如，在群组2中，判断由×标记表示的范畴的重心位置与诊断数据之间的距离，根据与群组区域相距的距离来判定以上度。诊断数据与在学习数据中包含的数据模式越大幅不同，则该距离越大。另一方面，即使在诊断数据包含于表示正常的群组的情况下，异常度也不为0。由于在数据中包含偏差，其相当于与群组重心相距的距离。通常的异常判定通过对异常度进行阈值判定来实施。

作为在设备机器的异常判定中活用聚类的例子，可以举出专利文献1。专利文献1记载了针对时间序列的波形数据的诊断方法，但异常判定的基本考虑方式与上述相同。如专利文献1的图6所示，根据诊断数据与群组中心的距离来判定异常。在专利文献1中，如公式1所示，将把空间上的距离除以群组的半径而得到的值设为异常度。

现有技术文献

专利文献1：日本特开2017-33471号公报

发明内容

如上所述，提出了使用各种聚类方法来进行设备机器的异常诊断的方法、系统。然而，这些方法需要事先使用被定义为正常的数据的学习处理。即，将从学习数据生成的群组设为正常时的数据模式的基准，以与该基准进行比较的方式进行异常判定。

作为无法应用该方法的例子，可以举出如下情况：虽然有在设备机器中测量出的传感器数据，但哪个数据是正常动作时的数据、哪个数据是异常发生时的数据是不明确的。也就是在数据中有可能还包括异常时的数据的情况。如果假设还包括异常时的数据在内地用作学习数据而实施聚类处理，则异常时的数据模式也被处置为正常。因此，即使发生同样的异常，系统也无法进行异常检测。

以上，期望有对正常及异常未知的数据也能够进行诊断异常的处理方法。

根据以上，在本发明中，“一种设备机器的异常诊断系统，其特征在于，是如下情况下的该设备机器的异常诊断系统：根据来自设备机器的多个数据，使用包括利用正常数据的学习处理和利用在学习处理中制作出的模型的诊断处理的解析方法来进行异常诊断，并且关于来自所述设备机器的多个数据，设备机器的正常动作时的数据并非已知，其中所述设备机器的异常诊断系统具备：

第一处理部，针对来自设备机器的多个数据进行聚类处理；

第二处理部，根据与各群组相符的数据数来定义正常群组；

第三处理部，将与正常群组相符的数据作为正常数据抽出；以及

第四处理部，使用抽出的正常数据来进行学习处理。”。

根据本发明的设备机器的异常诊断系统，即使在设备机器正常动作的期间不明确而无法定义用于学习的正常数据的情况下，也能够实现异常诊断。

附图说明

图1是示出实施例1的设备机器的异常诊断系统的结构例的图。

图2是示出基于聚类的异常诊断的概念的图。

图3是示出传感器数据库DB1的结构例的图。

图4是示出标准化数据库DB2的结构例的图。

图5A是示出聚类结果数据库DB3A的结构例的图。

图5B是示出聚类结果数据库DB3B的结构例的图。

图6是示出群组信息数据库DB4的结构例的图。

图7是示出异常度计算结果数据库DB5的结构例的图。

图8是示出设备机器的异常诊断系统的显示画面例的图。

图9是示出在实施例2的设备机器的异常诊断系统的输入输出装置3中显示的显示画面90c的图。

图10是示出实施例3的设备机器的异常诊断系统的结构例的图。

图11是示出正常数据数据库DB6的结构例的图。

图12是示出模型解析结果数据库DB7的结构例的图。

图13是示出在实施例3的设备机器的异常诊断系统的输入输出装置3中显示的显示画面90d的图。

(符号说明)

1：设备机器的异常诊断系统；2：成为诊断的对象的设备机器；3：输入输出装置；11：数据取入部；12：标准化处理部；13：聚类处理部；14：群组信息处理部；15：异常度计算部；16：正常数据抽出部；17：模型解析部；20：存储部；DB1：传感器数据库；DB2：标准化结果数据库；DB3：聚类结果数据库；DB4：群组信息数据库；DB5：异常度计算结果数据库；DB6：正常数据数据库；DB7：模型解析结果数据库；31：输入输出装置控制部。

具体实施方式

以下，参照附图，说明本发明的设备机器的异常诊断系统的结构。

【实施例1】

图1示出了本发明的实施例1的设备机器的异常诊断系统的结构例。在图1中，1是设备机器的异常诊断系统，2是成为异常诊断的对象的设备机器，3是将设备机器的异常诊断系统1输出的诊断信息显示给用户并登记用户所输入的数据的输入输出装置。

设备机器的异常诊断系统1包括多个处理部(11至15)、具备多个数据库(DB1至DB5)的存储部20、以及输入输出装置控制部31。其中，存储部20针对每个数据种类而具备多个数据库DB，构成为能够针对存储部20进行基于构成异常诊断系统1的各处理部(11至15)的数据的写入、读入。

多个处理部(11至15)中的数据取入部11对从设备机器2取入到存储部20内的传感器数据库DB1的传感器数据进行储存、存储。

图3是示出传感器数据库DB1的结构的图。作为传感器数据，来自多个传感器(在此是传感器1、传感器2的数据等)的数据与日期时间信息一起按时间序列被写入并保存。

接下来，在构成异常诊断系统1的标准化处理部12中，从传感器数据库DB1读入数据，进行标准化处理。标准化后的数据被储存到标准化结果数据库DB2。图4示出了标准化结果数据库DB2的结构，通过标准化处理，所有数据例如被标准化为0与1之间的数值。这样，标准化结果数据库DB2按照与上述传感器数据库DB1同样的格式将每个传感器的标准化值与日期时间信息一起储存。

作为标准化方法，存在根据设计值或者传感器数据的最大及最小定义上限/下限并将这些值分别变换为1.0/0.0的方法、或者除以传感器数据的标准偏差的方法等多种方法。标准化处理的目的是为了在聚类处理中等价地处置因传感器而具有不同尺度的数据。例如，即使将以几百的等级发生变化的传感器数据和以小数点以下的位数发生变化的传感器数据直接以原始值来进行聚类处理，也得不到有意义的结果。在该情况下，以空间上的距离定义的异常度会大幅依赖于具有几百的等级的传感器数据的变化幅度。为了避免这样的情形，一般将对传感器数据标准化后的值作为输入来进行聚类处理。

接下来，在聚类处理部13中，从标准化结果数据库DB2取入标准化后的传感器数据来作为时间序列数据，将其作为输入来进行聚类处理。关于聚类方法，已知有多个考虑方式的聚类方法，在本发明的实施例的系统中，不论聚类方法是什么，都能够通过任意的方法来应用。聚类处理部13中的聚类处理的结果被储存到聚类结果数据库DB3。

聚类结果数据库DB3包括关于图5A所示的群组的识别编号的数据库DB3A和关于图5B所示的群组信息的数据库DB3B。

其中，关于数据库DB3A的群组的识别编号，以与在标准化结果数据库DB2中储存的日期时间信息对应的形式按时间序列储存有群组的识别编号。如果该编号相同，则表示由多个传感器数据构成的数据模式是类似的。数据库DB3B的群组信息储存各群组的重心坐标。针对每个群组编号，储存有由各输入信号(在实施例1中为各传感器)表示的坐标值。在后述的异常度的计算中利用该数据。

接下来，在群组信息处理部14中，从聚类结果数据库DB3取入上述图5A所示的聚类编号的判定结果，对每个群组编号的数据数进行计数。其结果被储存到群组信息数据库DB4。

图6示出群组信息数据库DB4的结构。记载每个群组编号的数据数。进而，群组信息处理部14除了进行每个群组的数据数的计数以外，还进行以数据数为基础的正常群组的选定。在此，预先设置有定义为正常的数据数的阈值，将超过该阈值的群组定义为正常群组。在此阈值既可以是数据数，也可以是相对整体数的比率。在假设将阈值设定为10的情况下，如图6的群组信息数据库DB4所示，数据数超过10的群组编号1、3被定义为“正常”。此时，在群组信息数据库DB4中，在表示正常群组的栏中设定“真(True)”。除此以外，设定“假(False)”。

在实施例1的设备机器的异常诊断系统中，将相符的数据数多的群组定义为“正常”。其成立前提在于：成为诊断的对象的设备机器通常正常动作，例外地在短期间发生异常。也就是如下状态：在传感器数据库DB1中储存的传感器数据的大部分是正常时的数据，其中的极小一部分包括异常时的数据。在这样的情况下，在通过聚类处理对数据模式进行分类时包括许多数据的群组是“正常”的推测成立。以在此定义的正常的群组为基准，根据多维空间上的正常群组与各数据的位置关系来实施异常判定的处理。

接下来，在异常度计算部15中，计算各数据的异常度。在实施例1的设备机器的异常诊断系统中，通过群组信息处理部14定义正常群组。因此，作为异常度的计算方法，能够利用如图2所示的公知的方法。异常度计算部15首先从图6所示的群组信息数据库DB4中获取被定义为正常的群组编号的信息。接下来，从图5B所示的聚类结果数据库DB3B中获取与正常群组相符的群组重心坐标的数据。接下来，从图4所示的标准化结果数据库DB2中获取每个日期时间的传感器数据的标准化值来计算异常度。关于异常度，选择在多维空间上最近的正常群组的重心坐标，计算为与该重心相距的距离。异常度的计算结果被储存到异常度计算结果数据库DB5。

图7示出异常计算结果数据库DB5的结构。在异常计算结果数据库DB5中，每个日期时间的异常度的计算值被储存为时间序列数据。

图8示出了输入输出装置3中的显示部90的显示例。在显示部90中设定2种显示画面，显示不同种类的内容。在显示画面90a中，显示成为聚类处理的输入的来自设备机器1的传感器(传感器1、传感器2、传感器3)的数据的时间序列的走向。在显示画面90b中，示出与在显示画面90a中示出的传感器数据对应的异常诊断的结果。这些用于图表显示的数据被储存到存储部20。用户通过输入输出装置3请求特定的数据的图表显示，输入输出装置控制部31取出所请求的数据，输出到输入输出装置3。

在显示画面90b中，在上部示出识别出的群组的编号，在下部通过走向而示出异常度。在两个图表中，将与在群组信息处理部14中被定义为正常的群组编号相符的数据作为正常期间，利用分色而区分显示。如图的异常度的图表所示，与正常群组相符的数据处于异常度的值变低的倾向，但未必为0。其原因为，如上所述，在传感器数据中包含偏差，在聚类中的多维空间中产生与各群组的重心相距的距离。另一方面，异常度变高的数据相比于被定义为正常群组的数据，数据模式大幅不同，即意味着异常的可能性高。这样，能够根据异常度的图表来检测在传感器数据中包含的异常。

根据实施例1，即使在诊断对象的数据中无法定义用于学习正常时的特性的学习数据的情况下，也能够通过聚类处理自动地定义正常期间来进行以此为基准的异常诊断。

【实施例2】

本发明的实施例2的设备机器的异常诊断系统的结构是与实施例1所示的系统基本上相同的结构。与实施例1的不同点在于群组信息处理部14的处理内容、向群组信息数据库DB4的写入处理以及经由输入输出装置3的输入输出装置控制部31的处理内容。在此，仅说明不同点。

在实施例1中，群组信息处理部14自动地进行与正常群组的定义相关的处理。即，从各群组中筛选相符的数据数超过预先设定的阈值的群组而定义为“正常”的群组，在图6所示的群组信息数据库DB4中写入该数据。

相对于此，在实施例2的设备机器的异常诊断系统中，用户在视觉上确认聚类结果，根据其信息来定义“正常”的群组。

图9示出了在实施例2的设备机器的异常诊断系统的输入输出装置3中显示的显示画面90c。显示画面90c的图表示出了在图6所示的群组信息数据库DB4中储存的每个群组的相符数据数。用户根据该图表来定义成为正常群组的判断基准的数据数。图9的300是用于调整其基准值的条。在图的例子中，将数据数10以上的群组作为“正常”的群组。输入输出装置控制部31取入用户所设定的基准值，据此写入图6所示的群组信息数据库DB4的栏“正常群组”的数据。即，数据数10以上的群组成为异常诊断中的“正常”的基准，所以将该数据设为“真”，将其以外设为“假”。

之后的处理与实施例1相同。异常度计算部15以用户所设定的“正常群组”为基准，计算各数据的异常度。

根据实施例2，即使在诊断对象的数据中无法定义用于学习正常时的特性的学习数据的情况下，也能够通过用户在视觉上确认聚类的结果并根据该信息定义“正常群组”来进行异常诊断。

【实施例3】

图10示出了本发明的实施例3的设备机器的异常诊断系统的结构例。与图1所示的实施例1的设备机器的异常诊断系统的差异点在于追加有正常数据抽出部16、正常数据数据库DB6、模型解析部17、模型解析结果数据库DB7。在此，仅说明与实施例1的不同点。

正常数据抽出部16参照在图7所示的异常度计算结果数据库DB5中储存的异常度的时间序列数据。在此，正常数据抽出部16针对异常度的值进行与预先设定的阈值的比较，获取成为阈值以下的日期时间数据，输出到正常数据数据库DB6。图11示出正常数据数据库DB6的结构例。储存有满足异常度为阈值以下的条件的日期时间数据。

接下来，在模型解析部17中，参照在正常数据数据库DB6中储存的日期时间数据，进而从上述图4所示的标准化结果数据库DB2中读入与该日期时间相符的标准化数据。此时，读入的标准化数据仅为异常度为阈值以下的数据、即被推测为正常的数据。模型解析部17将读入的数据作为学习数据来进行学习处理。接下来，模型解析部17读入在标准化结果数据库DB2中储存的与所有日期时间相符的数据，进行诊断处理。

模型解析部17中的解析方法只要是包括学习和诊断这2个步骤的解析方法，则对方法不作特别限定。在聚类处理部13和模型解析部17中也能够使用不同的聚类方法。更具体而言，在模型解析部17中可使用的解析方法只要是聚类解析以外的神经网络模型、统计模型等利用学习数据构筑正常时的模型的解析方法，就是可应用的。

模型解析部17中的解析结果被储存于模型解析结果数据库DB7。图12示出了模型解析结果数据库DB7的结构例。将异常度高的数据与表示该状态的时刻的信息一起存储。

另外，在上述处理中，根据预先设定的阈值来进行正常数据抽出部16中的正常数据的抽出处理。还能够在用户视觉上确认它的基础上设定阈值。图13是用户设定在正常数据的抽出处理中使用的阈值时的输入输出装置3的显示画面90d的例子。在显示画面90d中，在上述图6所示的群组信息数据库DB4中选择被定义为正常的群组中的编号1。在显示画面90d的图表中，针对与群组1相符的数据而呈现针对异常度的数据数的分布。如上所述，即使是被定义为正常的数据，异常度也不为0。其原因为，由于在数据中包含的偏差而产生与群组重心相距的距离。用户一边使用显示画面90d来确认异常度的分布一边通过条310调整阈值。在该例子中，将阈值设为0.05。即，正常数据抽出部16针对与群组1相符的数据，将异常度小于0.05的数据抽出为正常数据。

根据实施例3，即使在诊断对象的数据中无法定义用于学习正常时的特性的学习数据的情况下，也能够通过聚类处理自动地抽出正常期间。能够进行使用抽出的正常数据的模型的学习处理、接着使用全部数据的诊断处理。实施例3中的模型解析方法不限定于聚类方法，只要是包括学习和诊断处理这2个步骤的方法就是可应用的。

另外，根据实施例3，关于成为正常数据抽出的基准的针对异常度的阈值，用户能够一边在视觉上确认每个群组的异常度的分布一边设定。由此，能够更详细地设定正常数据的抽出条件，能够提高基于模型解析的异常诊断的精度。

产业上的可利用性

根据本发明的系统，能够用于机械设备整体的异常诊断。

Claims (8)

1.一种设备机器的异常诊断系统，其特征在于，是如下情况下的设备机器的异常诊断系统：根据来自设备机器的多个数据，使用包括利用正常数据的学习处理和利用在该学习处理中制作出的模型的诊断处理的解析方法来进行异常诊断，并且关于来自所述设备机器的多个数据，所述设备机器的正常动作时的所述数据并非已知，其中所述设备机器的异常诊断系统具备：

第一处理部，对来自所述设备机器的多个数据进行聚类处理；

第二处理部，根据与各群组相符的数据数来定义正常群组；

第三处理部，将与正常群组相符的数据作为正常数据抽出；

第四处理部，使用抽出的正常数据来进行学习处理，评价来自所述设备机器的多个数据；以及

显示部，将与各群组相符的数据数显示于所述显示部的画面，

所述设备机器的异常诊断系统具有第一阈值设定功能，

在所述显示部的画面中显示与各群组相符的数据数和从所述第一阈值设定功能设定的针对所述数据数的阈值，用户使用所述第一阈值设定功能来设定针对所述数据数的阈值。

2.根据权利要求1所述的设备机器的异常诊断系统，其特征在于，

所述第二处理部对与各群组相符的数据数设定阈值，将超过阈值的群组定义为正常群组。

3.根据权利要求1或者2所述的设备机器的异常诊断系统，其特征在于，

对从聚类处理求出的各数据的异常度设定阈值，抽出与所述正常群组相符且所述异常度为阈值以下的数据来作为正常数据。

4.根据权利要求3所述的设备机器的异常诊断系统，其特征在于，

所述显示部的画面显示与正常群组相符的数据的异常度的分布。

5.根据权利要求4所述的设备机器的异常诊断系统，其特征在于，

所述设备机器的异常诊断系统具有第二阈值设定功能，

所述显示部的画面显示与正常群组相符的数据的异常度的分布和从所述第二阈值设定功能设定的针对异常度的阈值，用户使用所述第二阈值设定功能来设定所述针对异常度的阈值。

6.根据权利要求1或者2所述的设备机器的异常诊断系统，其特征在于，

所述显示部显示作为所述第一处理部中的聚类处理的结果的群组的编号或者异常度。

7.根据权利要求6所述的设备机器的异常诊断系统，其特征在于，

在所述显示部显示群组的编号或者异常度时，区分地显示与正常数据相符的群组的编号或者异常度。

8.根据权利要求1或者2所述的设备机器的异常诊断系统，其特征在于，

所述第三处理部根据抽出的正常群组计算异常度，根据计算出的异常度仅抽出正常数据，所述第四处理部将抽出的正常数据用作模型的学习数据来进行用于异常诊断的解析。

Images