CN110858262A - 异常检测装置、异常检测方法及非暂时性计算机可读介质 - Google Patents

异常检测装置、异常检测方法及非暂时性计算机可读介质 Download PDF

Info

Publication number
CN110858262A
CN110858262A CN201910743333.6A CN201910743333A CN110858262A CN 110858262 A CN110858262 A CN 110858262A CN 201910743333 A CN201910743333 A CN 201910743333A CN 110858262 A CN110858262 A CN 110858262A
Authority
CN
China
Prior art keywords
vector
abnormality detection
singular
processor
detection device
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910743333.6A
Other languages
English (en)
Other versions
CN110858262B (zh
Inventor
广江隆治
井手和成
井川芳克
佐濑辽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mitsubishi Heavy Industries Ltd
Original Assignee
Mitsubishi Heavy Industries Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Mitsubishi Heavy Industries Ltd filed Critical Mitsubishi Heavy Industries Ltd
Publication of CN110858262A publication Critical patent/CN110858262A/zh
Application granted granted Critical
Publication of CN110858262B publication Critical patent/CN110858262B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01K—STEAM ENGINE PLANTS; STEAM ACCUMULATORS; ENGINE PLANTS NOT OTHERWISE PROVIDED FOR; ENGINES USING SPECIAL WORKING FLUIDS OR CYCLES
    • F01K13/00—General layout or general methods of operation of complete plants
    • F01K13/003—Arrangements for measuring or testing
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02C—GAS-TURBINE PLANTS; AIR INTAKES FOR JET-PROPULSION PLANTS; CONTROLLING FUEL SUPPLY IN AIR-BREATHING JET-PROPULSION PLANTS
    • F02C9/00—Controlling gas-turbine plants; Controlling fuel supply in air- breathing jet-propulsion plants
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0751—Error or fault detection not based on redundancy
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mechanical Engineering (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明提供异常检测装置、异常检测方法及非暂时性计算机可读介质，异常检测装置具备：处理器；及连接于所述处理器的存储部。所述处理器执行：误差向量取得处理，取得误差向量，该误差向量表示以在判定时刻计测到的多个种类的计测值为要素的计测值向量与以所述存储部存储的所述计测值的平均值为要素的平均值向量之差；分量取得处理，取得在奇异向量的方向上分解所述误差向量而得到的多个分量；对比处理，将在所述奇异向量的方向上分解所述误差向量而得到的分量各自的平方值与对应的所述奇异向量的方向上的方差按照所述奇异向量的各方向来分别进行对比；及判定处理，基于所述对比处理中的多个对比结果来进行异常判定。

Description

异常检测装置、异常检测方法及非暂时性计算机可读介质
技术领域
本发明涉及异常检测装置、异常检测方法及程序。
本申请基于在2018年8月16日向日本提出申请的特愿2018-153060号而主张优先权，并将其内容援引于此。
背景技术
作为对检查对象的健全性进行诊断的技术，已知有使用MT(马田(Maharanobis-Taguchi))法来检测异常的方法。在MT法中，使用基准数据(例如，正常状态下的各种特性项目的计测值的集合)的协方差矩阵的逆矩阵来计算马氏距离。
在MT法中，由于根据基准数据求出的协方差矩阵的性质而马氏距离的计算精度可能会下降。具体而言，例如，在构成基准数据的特性项目间存在强的相关性(相关系数的绝对值接近于1)的情况下，基准数据包含的数据数比特性项目的项目数少的情况下，无法计算协方差矩阵的逆矩阵，马氏距离的计算精度可能会下降。作为其对策，可考虑使用例如在日本特开2003-141306号公报中取代逆矩阵而计算相间矩阵的协因数矩阵、并利用该协因数矩阵来计算马氏距离的方法(MTA法)。由于相间矩阵以协方差矩阵的对角要素成为1的方式被标准化，因此即使被置换成协方差矩阵的协因数矩阵也能得到同样的结果。
在日本特开2003-141306号公报记载的MTA法中，在协方差矩阵的秩比特性值的个数低1个的情况下有效，但是在低2个以上的情况下，可能无法计算马氏距离。因此，作为其他的方法，在日本国专利第5101396号公报中考虑了利用协方差矩阵的奇异值分解来求出近似逆矩阵、使用该近似逆矩阵来计算马氏距离的方法。
然而，在专利文献2记载那样的以往的方法中，为了避免协方差矩阵的奇异值小的分量对马氏距离造成影响而去除该奇异值小的分量来求出近似逆矩阵。因此，在检查对象发生异常且该异常的影响出现在奇异值小的分量中那样的事例中，在以往的利用了近似逆矩阵的方法中，异常检测的灵敏度可能会下降。
发明内容
本发明的至少一形态提供能够提高异常检测的精度的异常检测装置、异常检测方法及程序。
根据本发明的第一形态，检测对象装置中有无异常的异常检测装置具备：处理器；及连接于所述处理器的存储部。所述处理器执行：误差向量取得处理，取得误差向量，该误差向量表示以在判定时刻计测到的多个种类的计测值为要素的计测值向量与以所述存储部存储的所述计测值基准数据(对象装置2为正常状态时取得的计测值)的平均值为要素的平均值向量之差；分量取得处理，取得在奇异向量的方向上分解所述误差向量而得到的多个分量；对比处理，将在所述奇异向量的方向上分解所述误差向量而得到的多个分量各自的平方值与对应的所述奇异向量的方向上的方差按照所述奇异向量的各方向来分别进行对比；及判定处理，基于所述对比处理中的多个对比结果来进行异常判定。
这样，异常检测装置通过按照奇异向量的各方向将分量与方差进行对比，即使奇异向量的方向上的方差为0或小的值，也以不用将它们排除的方式使用于异常判定。其结果是，异常检测装置能够抑制异常检测的灵敏度的下降，并提高异常检测的精度。
根据本发明的第二形态，在第一形态的异常检测装置中，在所述对比处理中，所述处理器输出表示在所述奇异向量的方向上分解所述误差向量而得到的分量各自的平方值与对应的所述奇异向量的方向上的方差之差是否为预定的阈值以上的所述对比结果，在所述判定处理中，所述处理器在表示为所述阈值以上的所述对比结果的数目为预定的上限数以上的情况下，判定为异常。
在以往的使用了MT法的技术中，使用总和来计算马氏距离，因此即使对象装置的状态正常，当与奇异值的值小的情况相关联的计测值发生微小的变化时，受其左右而马氏距离的值也会增大，异常检测的精度可能会下降。而且，即使对象装置的状态异常，仅是与奇异值的值大的情况相关联的计测值存在影响的情况下，也会受其他的正常值左右而无法较大地反映到马氏距离的值中，异常检测的灵敏度可能会降低。
然而，本实施方式的异常检测装置基于奇异向量的各方向的对比结果来判定有无异常，因此能够抑制异常的过检测及遗漏。而且，由于基于表示为阈值以上的对比结果的数目是否超过上限数来判断有无异常，因此通过该上限数能够调整异常检测的灵敏度。
根据本发明的第三形态，在第一或第二形态的异常检测装置中，所述处理器还执行如下的频数分布计算处理：基于根据在所述奇异向量的方向上分解所述误差向量而得到的、所述存储部存储的所述分量而求出的频数分布，来求出与在所述判定时刻取得的所述分量分别对应的百分位数值，在所述对比处理中，所述处理器基于所述百分位数值来校正所述方差。
异常检测装置基于反映了真实的离散程度的高可靠度的数据即百分位数值来校正方差，因此能够进一步提高异常检测的精度。
根据本发明的第四形态，在第一或第二形态的异常检测装置中，所述处理器还执行：频数分布计算处理，基于根据在所述奇异向量的方向上分解所述误差向量而得到的、所述存储部存储的所述分量而求出的频数分布，来求出与在所述判定时刻取得的所述分量分别对应的出现频数；及标准化处理，通过基于所述出现频数对所述频数分布进行标准化而得到的概率分布，求出观测到在所述判定时刻取得的所述分量的概率密度，在所述对比处理中，所述处理器基于所述概率密度来校正所述方差。
由此，异常检测装置与现有技术那样仅将马氏距离作为判定的基准相比能够改善统计可靠性。其结果是，异常检测装置能够进一步提高异常检测的精度。
根据本发明的第五形态，在第一至第四形态中任一形态的异常检测装置中，所述计测值向量包含以在所述判定时刻计测到的计测值为要素的第一计测值向量和以在所述判定时刻之前计测到的计测值为要素的第二计测值向量。
在相对于输入的输出不是即时性的(延迟反应)的动态的系统中，判定时刻的计测值与过去的时刻的计测值有时具有依赖关系。因此，在仅基于判定时刻的计测值进行了异常判定的情况下，无法考虑该依赖关系，因此产生计算误差而异常检测的精度可能会下降。然而，上述的形态的异常检测装置基于判定时刻及过去的时刻的计测值向量进行异常判定，因此减少由动态系统的性质产生的计算误差，能够进一步提高异常检测的精度。
根据本发明的第六形态，在第五形态的异常检测装置中，所述第二计测值向量以种类比所述第一计测值向量的种类少的计测值为要素。
由此，异常检测装置能够抑制关于过去的时刻的追加第二计测值向量引起的计算量的增大。
根据本发明的第七形态，在第一至第六形态中任一形态的异常检测装置中，所述对象装置由多个同一种类的装置构成，在所述误差向量取得处理中，所述处理器取得表示以在多个所述对象装置中分别计测到的计测值为要素的各对象装置的计测值向量与所述存储部存储的各对象装置的平均值向量之差的向量，来作为所述误差向量。
由此，异常检测装置基于多个对象装置中的一对象装置与其他的对象装置的差异能够判定有无异常。由此，异常检测装置能够进一步提高异常检测的精度。
根据本发明的第八形态，在检测对象装置中有无异常的异常检测装置中，具备：处理器；及连接于所述处理器的存储部。所述处理器执行：误差向量取得处理，取得误差向量，该误差向量表示以在判定时刻计测到的多个种类的计测值为要素的计测值向量与以所述存储部存储的所述计测值的平均值为要素的平均值向量之差；分量取得处理，取得以在奇异向量的方向上分解所述误差向量而得到的多个分量为要素的分量向量；马氏距离计算处理，基于所述分量向量、所述奇异向量的方向上的方差及所述奇异向量的各方向的校正系数来算出马氏距离；及判定处理，基于所述马氏距离来判定有无异常。由此，异常检测装置通过校正系数能够调整方差的贡献率，因此能够提高马氏距离的计算精度，并提高异常检测的精度。
根据本发明的第九形态，在第八形态的异常检测装置中，所述处理器还执行如下的频数分布计算处理：基于根据在所述奇异向量的方向上分解所述误差向量而得到的、所述存储部存储的所述分量而求出的频数分布，来求出与在所述判定时刻取得的所述分量分别对应的百分位数值，在所述马氏距离计算处理中，所述处理器基于所述百分位数值来校正所述校正系数。
异常检测装置基于这样反映了真实的离散程度的高可靠度的数据即百分位数值对校正系数进行校正，因此能够进一步提高马氏距离的计算精度。
根据本发明的第十形态，在第八形态的异常检测装置中，所述处理器还执行：频数分布计算处理，基于根据在所述奇异向量的方向上分解所述误差向量而得到的、所述存储部存储的所述分量而求出的频数分布，来求出与在所述判定时刻取得的所述分量分别对应的出现频数；及标准化处理，基于所述出现频数和对所述频数分布进行标准化而得到的概率分布，来求出观测到在所述判定时刻取得的所述分量的概率密度，在所述马氏距离计算处理中，所述处理器基于所述概率密度来校正所述校正系数。
由此，异常检测装置与现有技术那样仅将马氏距离作为判定的基准相比能够改善统计可靠性。其结果是，异常检测装置能够进一步提高马氏距离的计算精度。
根据本发明的第十一形态，异常检测方法包括：误差向量取得步骤，取得误差向量，该误差向量表示以在判定时刻计测到的多个种类的计测值为要素的计测值向量与以存储部存储的所述计测值的平均值为要素的平均值向量之差；分量取得步骤，取得在奇异向量的方向上分解所述误差向量而得到的多个分量；对比步骤，将在所述奇异向量的方向上分解所述误差向量而得到的多个分量各自的平方值与对应的所述奇异向量的方向上的方差按照所述奇异向量的各方向来分别进行对比；及判定步骤，基于所述对比步骤中的多个对比结果来判定有无异常。
根据本发明的第十二形态，异常检测方法包括：误差向量取得步骤，取得误差向量，该误差向量表示以在判定时刻计测到的多个种类的计测值为要素的计测值向量与以存储部存储的所述计测值的平均值为要素的平均值向量之差；分量取得步骤，取得以在奇异向量的方向上分解所述误差向量而得到的多个分量为要素的分量向量；马氏距离计算步骤，基于所述分量向量、所述奇异向量的方向上的方差及所述奇异向量的各方向的校正系数来算出马氏距离；及判定步骤，基于所述马氏距离来判定有无异常。
根据本发明的第十三形态，使具备处理器和连接于所述处理器的存储部的异常检测装置的计算机发挥功能的程序使所述处理器执行：误差向量取得处理，取得误差向量，该误差向量表示以在判定时刻计测到的多个种类的计测值为要素的计测值向量与以所述存储部存储的所述计测值的平均值为要素的平均值向量之差；分量取得处理，取得在奇异向量的方向上分解所述误差向量而得到的多个分量；对比处理，将在所述奇异向量的方向上分解所述误差向量而得到的多个分量各自的平方值与对应的所述奇异向量的方向上的方差按照所述奇异向量的各方向来分别进行对比；及判定处理，基于所述对比处理中的多个对比结果来判定有无异常。
根据本发明的第十四形态，使具备处理器和连接于所述处理器的存储部的异常检测装置的计算机发挥功能的程序使所述处理器执行：误差向量取得处理，取得误差向量，该误差向量表示以在判定时刻计测到的多个种类的计测值为要素的计测值向量与以所述存储部存储的所述计测值的平均值为要素的平均值向量之差；分量取得处理，取得以在奇异向量的方向上分解所述误差向量而得到的多个分量为要素的分量向量；马氏距离计算处理，基于所述分量向量、所述奇异向量的方向上的方差及所述奇异向量的各方向的校正系数来算出马氏距离；及判定处理，基于所述马氏距离来判定有无异常。
根据上述的任一形态的异常检测装置、异常检测方法及程序，能够提高异常检测的精度。
附图说明
图1是表示第一实施方式的异常检测系统的整体结构的图。
图2是表示第一实施方式的异常检测装置的处理器的功能结构的图。
图3是表示第一实施方式的变形例的异常检测装置的处理器的功能结构的图。
图4是表示第二实施方式的异常检测装置的处理器的功能结构的图。
图5是表示第二实施方式的变形例的异常检测装置的处理器的功能结构的图。
图6是表示第三实施方式的异常检测装置的处理器的功能结构的图。
图7是表示第三实施方式的变形例的异常检测装置的处理器的功能结构的图。
图8是表示第四实施方式的异常检测装置的处理器的功能结构的图。
图9是表示第五实施方式的异常检测装置的处理器的功能结构的图。
图10是表示第六实施方式的异常检测装置的处理器的功能结构的图。
图11是表示至少一个实施方式的异常检测装置的硬件的结构的一例的图。
图12是表示第六实施方式的异常检测装置的适用例的图。
具体实施方式
<第一实施方式>
以下，关于本发明的第一实施方式的异常检测系统1，参照图1～图2进行说明。
(异常检测系统的整体结构)
图1是表示第一实施方式的异常检测系统的整体结构的图。
如图1所示，异常检测系统1具备对象装置2、控制装置3、异常检测装置10。
对象装置2是在异常检测系统1中成为异常判定的对象的装置。本实施方式的对象装置2是例如燃气涡轮、蒸汽涡轮、锅炉等构成燃气涡轮复合循环发电设备的装置。而且，对象装置2可以是构成例如环境设备、化学设备等其他的发电设备的装置。
控制装置3生成用于控制对象装置2的控制信号。对象装置2按照控制装置3的控制信号进行动作。
异常检测装置10检测对象装置2有无异常。
而且，异常检测装置10在检测到对象装置2的异常的情况下，向控制装置3通知检测结果。控制装置3基于异常检测装置10的检测结果，进行将对象装置2的异常状态解消的控制。
另外，如图1所示，异常检测装置10具备输入输出部11、处理器12、存储部13。
输入输出部11每隔预定的采样周期，受理与对象装置2相关的多个种类的计测值的输入。而且，输入输出部11将异常检测装置10的检测结果向控制装置3输出。
计测值包含对象装置2的状态量的值。状态量是例如大气温度、大气压力、压缩机入口及出口处的空气温度及压力、燃烧器中的燃料的压力及温度、燃气涡轮的入口及出口处的燃烧气体温度及压力、燃气涡轮的输出、旋转轴的旋转速度、振动等。
另外，计测值也可以包含控制装置3向对象装置2发送的控制信号。
处理器12管理异常检测装置10的整个动作。
本实施方式的处理器12进行基于经由输入输出部11取得的计测值来检测对象装置2有无异常的处理。
存储部13连接于输入输出部11及处理器12。在存储部13时序地存储有按照各采样周期而取得的计测值的束。
(异常检测装置的功能结构)
图2是表示第一实施方式的异常检测装置的处理器的功能结构的图。
如图2所示，异常检测装置10的处理器12具有误差向量取得部120、分量取得部121、对比处理部122、判定处理部123。处理器12通过按照预定的程序进行动作而发挥作为上述功能部的功能。
误差向量取得部120进行“误差向量取得处理S1”，该“误差向量取得处理S1”取得表示以在判定时刻t计测到的多个种类的计测值为要素的计测值向量yt与以存储于存储部13的计测值的平均值为要素的平均值向量y0之差的误差向量δyt。
计测值向量yt是例如包含对于m种类的项目的计测值(x1,x2,…,xm)作为要素的向量。
平均值向量y0是包含根据对象装置2为正常状态时取得的计测值(以下，也记载为“基准数据y”)而算出的各项目的计测值的平均值(μ1,μ2,…,μm)作为要素的向量。
误差向量δyt是包含计测值向量yt的各要素与平均值向量y0所对应的各要素的误差(x1-μ1,x2-μ2,…,xm-μm)作为要素的向量，由以下的式(1)表示。
【数学式1】
δyt＝(yt-y0)…(i)
分量取得部121进行“分量取得处理S2”，该“分量取得处理S2”取得在奇异向量的方向上分解误差向量δyt而得到的多个分量ρi。具体而言，分量取得部121如以下所述取得分量ρi。
首先，分量取得部121求出存储部13存储的基准数据y(以下，也记作“单位空间”)的协方差矩阵Q0。协方差矩阵Q0由以下的式(2)表示。在式(2)中，右上的记号T表示倒置。
【数学式2】
Q0＝E[(y-y0)T(y-y0)]…(2)
接下来，分量取得部121将协方差矩阵Q0如以下的式(3)那样进行奇异值分解。
【数学式3】
Figure BDA0002164723880000121
另外，如上述的式(2)所示，协方差矩阵Q0是进行平方而求到的值，因此具有对称性。因此，式(3)可以置换为以下的式(4)。
【数学式4】
Figure BDA0002164723880000122
接下来，分量取得部121使用以下的式(5)求出在奇异向量ui T(i＝1,2,…,m)的方向上分解误差向量δyt而得到的分量ρi。ui只要不变更基准数据y则值就不会改变。因此，如果将ui与基准数据y同样地存储于存储部13，则不需要在各时刻求解数学式(4)。
【数学式5】
Figure BDA0002164723880000123
需要说明的是，本实施方式的分量取得部121将在奇异向量ui T的方向上分解误差向量δyt而得到的分量ρi的平方值ρi 2向对比处理部122输出。
对比处理部122进行“对比处理S3”，该“对比处理S3”将在奇异向量ui T的方向上分解误差向量δyt而得到的各分量ρi与对应的奇异向量ui T的方向上的方差σi 2按照奇异向量的各方向分别进行对比。
奇异向量的方差σi 2(i＝1,2,…,m)是上述的式(4)所示的协方差矩阵Q0(单位空间)的奇异值(σ1 2,σ2 2,…,σm 2)，表示对象装置2为正常状态时的奇异向量的各方向的离散程度。
在此，从分量取得部121输入的分量ρi(i＝1,2,…,m)分别平方后的值ρi 2(i＝1,2,…,m)表示判定时刻t的奇异向量的各方向的离散程度。因此，如果判定时刻t的对象装置2的状态正常，则分量ρi各自的平方值ρi 2应该成为与方差σi 2相近的值。基于这样的前提，对比处理部122将分量ρi各自的平方值ρi 2与方差σi 2按照奇异向量的各方向分别进行对比，并将其对比结果向判定处理部123输出。
例如，对比处理部122将分量ρi各自的平方值ρi 2与对应的方差σi 2进行对比，将表示其差是否为预定的阈值以上的对比结果向判定处理部123输出。需要说明的是，如果分量ρi的离散程度为正态分布，则阈值至少设为σi 2的9倍左右的值比较适当。
另外，在以往的使用了MT法的技术中，计测时刻t的马氏距离DM(yt)通过以下的式(6)求出。
【数学式6】
Figure BDA0002164723880000131
这样，在以往的使用了MT法的技术中，在计算协方差矩阵Q0的逆矩阵Q0 -1时如果奇异值(方差σi 2)包含0，则由于除数为零而马氏距离的计算精度可能会下降。
因此，本实施方式的对比处理部122取代马氏距离的计算，进行将在奇异向量的方向上分解误差向量而得到的分量ρi的平方值ρi 2与方差σi 2进行对比的对比处理S3，由此抑制除数为零的发生。
判定处理部123进行“判定处理S4”，该“判定处理S4”基于对比处理部122的对比结果来判定有无异常。
例如，在表示分量ρi各自的平方值ρi 2与对应的方差σi 2的差异为阈值以上的对比结果的数目为预定的上限数以上的情况下，判定处理部123判定为对象装置2发生异常。需要说明的是，上限数设定为1以上的任意的数。
异常检测装置10以预定的定时反复进行上述的处理S1～S4，检测对象装置2有无异常。
在处理器12检测到对象装置2的异常的情况下，输入输出部11向控制装置3通知检测结果。控制装置3基于异常检测装置10的检测结果，进行用于解消对象装置2的异常状态的控制。例如，在对象装置2为燃气涡轮的情况下，控制装置3可以进行为了使燃气涡轮的输出下降而使燃料供给下降的控制。
另外，控制装置3可以进行将检测到异常的情况向对象装置2的操作员通知的控制。在此，通知的控制是例如向操作员地址发送检测到异常的意旨的消息的控制、在操作员的操作画面上进行检测到异常的意旨的显示的控制等。
(作用效果)
如以上所述，本实施方式的异常检测装置10是检测对象装置2中有无异常的异常检测装置10，具备处理器12和与处理器12连接的存储部13。处理器12执行：误差向量取得处理S1，取得表示以在判定时刻t计测到的多个种类的计测值为要素的计测值向量yt与以存储于存储部13的计测值的平均值为要素的平均值向量y0之差的误差向量δyt；分量取得处理S2，取得在奇异向量ui T的方向上分解误差向量δyt而得到的多个分量ρi；对比处理S3，将在奇异向量的方向上分解误差向量δyt而得到的多个分量ρi各自的平方值ρi 2与对应的奇异向量的方向上的方差σi 2按照奇异向量的各方向来分别进行对比；及判定处理S4，基于对比处理S3中的多个对比结果来进行异常判定。
在以往的使用了MT法的技术中，如上所述，在基准数据间的相关性强的情况下，无法计算协方差矩阵的逆矩阵，马氏距离的计算精度可能会下降。因此，例如在专利文献2中，在计算了协方差矩阵的逆矩阵之后，使用将奇异值(即，方差)小的分量置换为0后的矩阵作为近似逆矩阵。这在本质上与对于奇异值小的分量将其奇异值的值相反地置换为无穷大的情况相同。关于奇异值小的分量，与其近似不如忽略。因此，在检查对象发生异常且该异常的影响出现在奇异值小的分量中那样的事例中，在以往的代用近似逆矩阵的方法中，异常检测的灵敏度可能会下降。
然而，本实施方式的异常检测装置10将在奇异向量的方向上分解误差向量而得到的分量ρi与方差σi 2进行对比，由此，不是基于根据各向量而计算出的作为标量值的马氏距离来进行异常判定，而是可以将向量其本身使用于异常判定。由此，不需要考虑除数为零引起的计算精度的劣化，因此即使奇异向量的方向上的方差σi 2为0或小的值，也不将它们排除地使用于异常判定。其结果是，异常检测装置10能够抑制异常检测的灵敏度的下降，并提高异常检测的精度。
另外，处理器12在对比处理S3中，输出表示在奇异向量的方向上分解误差向量而得到的分量ρi各自的平方值ρi 2与对应的奇异向量的方向上的方差σi 2之差是否为预定的阈值以上的对比结果，在判定处理S4中，在表示为阈值以上的对比结果的数目为预定的上限数以上的情况下，判定为异常。
在以往的使用了MT法的技术中，使用总和来计算马氏距离，因此即使对象装置的状态正常，当与奇异值的值小的情况关联的计测值发生微小的变化时，受其左右而马氏距离的值也变大，异常检测的精度可能会下降。而且，即使对象装置的状态异常，在仅仅是与奇异值的值大的情况关联的计测值存在影响的情况下，被其他的正常值左右而未较大地反映到马氏距离的值，异常检测的灵敏度可能会降低。
然而，本实施方式的异常检测装置10基于奇异向量的各方向的对比结果来判定有无异常，因此能够抑制异常的过检测及遗漏。而且，基于表示为阈值以上的对比结果的数目是否超过上限数来判断有无异常，因此通过该上限数能够调整异常检测的灵敏度。例如，异常检测装置10通过将上限数设为1，若存在即使为1个也成为阈值以上的对比结果则判定为异常，因此能够大幅提高异常检测的灵敏度。
<第一实施方式的变形例>
以上，说明了第一实施方式的异常检测装置10，但是异常检测装置10的具体形态没有限定为上述的结构，在不脱离主旨的范围内能够施加各种设计变更等。
以下，参照图3，说明第一实施方式的变形例。需要说明的是，对于与第一实施方式共用的构成要素，标注同一附图标记而省略详细说明。
(异常检测装置的功能结构)
图3是表示第一实施方式的变形例的异常检测装置的处理器的功能结构的图。
如图3所示，本变形例的异常检测装置10的处理器12取代第一实施方式的对比处理部122而具有马氏距离计算部126。
本变形例的误差向量取得部120的功能(“误差向量取得处理S1”)与第一实施方式相同。
分量取得部121进行“分量取得处理S20”，该“分量取得处理S20”取得以在奇异向量的方向上分解误差向量δyt而得到的多个分量ρi为要素的分量向量ρ。
具体而言，分量取得部121首先进行与第一实施方式的“分量取得处理S2”同样的处理，求出在奇异向量ui T的方向上分解误差向量δyt而得到的分量ρi。并且，分量取得部121将以在奇异向量ui T的方向上分解误差向量δyt而得到的多个分量ρi(i＝1,2,…,m)为要素的分量向量ρ向马氏距离计算部126输出。
马氏距离计算部126进行“马氏距离计算处理S50”，该“马氏距离计算处理S50”基于分量向量ρ、奇异向量的方向上的方差σi 2及奇异向量的各方向的校正系数ki(i＝1,2,…,m)，算出马氏距离DM(yt)。
另外，在本变形例中，校正系数ki用于校正分量ρi的实际的分布与正态分布的差异。如果为正态分布，则ρi包含于±3σi以下的范围的概率为99.73％，因此在ρi脱离±3σi的范围的情况下自然会怀疑异常。在根据基准数据y而研究ρi的实际的分布时，例如，如果相当于上述的99.73％的值为±5σi的范围，则推定为ρi是下部比正态分布量多的分布，即与正态分布的情况相比ρi的离散程度大，因此将ki的值设定为比1小，例如(3/5)2，将离散程度打折地考虑的情况比较合理。
具体而言，马氏距离计算部126使用以下的式(7)来算出马氏距离DM(yt)。
【数学式7】
Figure BDA0002164723880000181
判定处理部123进行“判定处理S40”，该“判定处理S40”基于马氏距离DM(yt)来判定有无异常。
具体而言，例如判定处理部123在马氏距离DM(yt)为根据单位空间而求出的预定的值以上的情况下，判定为对象装置2发生异常。
(作用效果)
如以上所述，在本变形例的异常检测装置10中，处理器12取代对比处理S3而执行马氏距离计算处理S50。而且，处理器12在分量取得处理S20中，取得以在奇异向量ui T的方向上分解误差向量δyt而得到的多个分量ρi为要素的分量向量ρ，在马氏距离计算处理S50中，基于分量向量ρ、奇异向量的方向上的方差σi 2及奇异向量的各方向的校正系数ki来算出马氏距离，在判定处理S40中，基于马氏距离来判定有无异常。
另外，校正系数ki按照奇异向量的各方向而预先设定任意的值。
由此，异常检测装置10通过校正系数ki能够调整方差σi 2的贡献率，因此能够提高马氏距离的计算精度。例如，根据单位空间而求出的某方差σ1 2的值小(离散程度小)。在此，尽管对象装置2的状态正常，但是操作员操作了对象装置2等的现象成为起因，与该方差σ1 2对应的分量ρ1可能会暂时性地变动。这种情况下，在以往的使用了MT法的技术中，这样的分量ρ1的变动会影响马氏距离的值，异常检测的精度可能会降低。然而，本变形例的异常检测装置10在经验规律上预先可知这样的分量ρ1的变动的情况下，能够根据该变动的幅度来设定校正系数k1的值。这样，异常检测装置10通过根据对象装置2的特性来调整校正系数ki，能够提高异常检测的精度。
<第二实施方式>
接下来，关于本发明的第二实施方式的异常检测系统1，参照图4进行说明。需要说明的是，关于与上述的实施方式及变形例共用的构成要素，标注同一附图标记而省略详细说明。
(异常检测装置的功能结构)
图4是表示第二实施方式的异常检测装置的处理器的功能结构的图。
如图4所示，本实施方式的异常检测装置10的处理器12除了第一实施方式的各功能部之外，还具有频数分布计算部127。
本实施方式的误差向量取得部120的功能(“误差向量取得处理S1”)、分量取得部121的功能(“分量取得处理S2”)及判定处理部123的功能(“判定处理S4”)与第一实施方式相同。需要说明的是，在本实施方式中，分量取得部121取得的在奇异向量的方向上分解误差向量δyt而得到的分量ρi各自的平方值ρi 2向频数分布计算部127输出，并存储于存储部13。即，从异常检测装置10基于基准数据y开始了异常检测的时刻t-n至最新的判定时刻t为止的值ρi 2作为履历而时时刻刻地存储于存储部13。
频数分布计算部127进行“频数分布计算处理S60”，该“频数分布计算处理S60”基于根据在所述奇异向量的方向上分解误差向量δyt而得到的、存储部13存储的所述分量ρi的平方值ρi 2而求出的频数分布D1，求出与在判定时刻t取得的分量ρi(值ρi 2)分别对应的百分位数值。
具体而言，频数分布计算部127读出存储部13存储的值ρi 2的履历，求出从开始了异常检测的时刻t-n至当前的判定时刻t的一个步骤前的时刻t-1为止的值ρi 2的频数分布D1。频数分布D1中，横轴表示ρi 2的值，纵轴表示ρi 2的出现频数。
并且，频数分布计算部127基于频数分布D1，求出与从分量取得部121输出的判定时刻t的值ρi 2建立了关联的百分位数值，向对比处理部122输出。
对比处理部122进行“对比处理S30”，该“对比处理S30”将在奇异向量ui T的方向上分解误差向量δyt而得到的分量ρi各自的平方值ρi 2与对应的奇异向量ui T的方向上的方差σi 2按照奇异向量的各方向来分别进行对比。
此时，本实施方式的对比处理部122基于从频数分布计算部127输出的百分位数值，对方差σi 2进行校正。
关于对比处理部122将值ρi 2与校正后的方差σi 2进行对比的具体的处理的内容，与第一实施方式相同。
(作用效果)
如以上所述，在本实施方式的异常检测装置10中，处理器12还执行基于根据在所述奇异向量的方向上分解误差向量δyt而得到的、存储部存储的分量ρi而求出的频数分布D1来求出与在判定时刻t取得的分量ρi分别对应的百分位数值的频数分布计算处理S60，在对比处理S30中，基于百分位数值对方差σi 2进行校正。
单位空间基于在对象装置2为正常状态时取得的基准数据y，但是该基准数据y包含的采样数为恒定(例如计测值的项目数m的3倍)。另一方面，在异常检测装置10的存储部13，异常检测装置10的运转时间越长，则存储有越多的采样数。因此，如果存储部13存储的采样数比单位空间的采样数多，则存储部13存储的采样的统计性的可靠度升高。
具体而言，例如，判定时刻t的某值ρ1 2与对应的方差σ1 2的对比结果超过阈值，但是根据实际的值ρ1 2的百分位数值，有时会读取为出现可能性高。而且，值ρ1 2与对应的方差σ1 2的对比结果小于阈值，但是根据实际的值ρ1 2的百分位数值，有时会读取为出现可能性低。这样，真实的离散程度可能会比根据单位空间而推测的离散程度小(或大)。
本实施方式的异常检测装置10基于这样反映了真实的离散程度的高可靠度的数据即百分位数值来校正方差σ1 2，因此能够进一步提高异常检测的精度。
需要说明的是，在本实施方式中，说明了频数分布计算部127求出值ρi 2的频数分布D1的形态，但是并不局限于此。在其他的实施方式中，频数分布计算部127可以求出例如将值ρi 2(i＝1,2,…,m)包含的多个要素中的至少2个进行相加(ρ1 2+ρ2 2)、相减(ρ1 2-ρ2 2)或相乘(ρ1 2×ρ2 2)后的值的频数分布。而且，频数分布计算部127可以不使用值ρi 2而使用分量ρi来求出频数分布。
<第二实施方式的变形例>
另外，可以将第二实施方式的频数分布计算部127的功能(“频数分布计算处理S60”)适用于第一实施方式的变形例的处理器12。
(异常检测装置的功能结构)
图5是表示第二实施方式的变形例的异常检测装置的处理器的功能结构的图。
如图5所示，本变形例的频数分布计算部127进行“频数分布计算处理S61”，该“频数分布计算处理S61”基于根据在所述奇异向量的方向上分解误差向量δyt而得到的、存储部13存储的分量ρi求出的频数分布D1′，求出与在判定时刻t取得的分量ρi分别对应的百分位数值。
另外，马氏距离计算部126在“马氏距离计算处理S51”中，将校正系数ki利用对应的百分位数值进行校正，来计算马氏距离DM(yt)。例如，S61中输出与时刻t的ρi对应的百分位数值。此时，如果对于正态分布赋予ρi，则S61中计算输出的百分位数值。此外，也可以以对于正态分布赋予与S61输出的百分位数值相同的百分位数值的方式对ρi的值进行逆运算。如果将该值记为ri，则校正系数ki的值可以确定为(ρi/ri)2。
(作用效果)
如以上所述，在本变形例的异常检测装置10中，处理器12还执行基于根据在奇异向量的方向上分解误差向量δyt而得到的、存储部13存储的分量ρi而求出的频数分布D1′来求出与在判定时刻t取得的分量ρi分别对应的百分位数值的频数分布计算处理S61，在马氏距离计算处理S51中，基于百分位数值对校正系数ki进行校正。
异常检测装置10在基于这样反映了真实的离散程度的高可靠度的数据即百分位数值而对校正系数ki进行了校正的基础上调整方差σi 2的贡献率，因此能够提高马氏距离的计算精度。
<第三实施方式>
接下来，关于本发明的第三实施方式的异常检测系统1，参照图6进行说明。需要说明的是，关于与上述的实施方式及变形例共同的构成要素，标注同一附图标记而省略详细说明。
(异常检测装置的功能结构)
图6是表示第三实施方式的异常检测装置的处理器的功能结构的图。
如图6所示，本实施方式的异常检测装置10的处理器12除了第二实施方式的各功能部之外，还具有标准化处理部128。
本实施方式的误差向量取得部120的功能(“误差向量取得处理S1”)、分量取得部121的功能(“分量取得处理S2”)及判定处理部123的功能(“判定处理S4”)与第一实施方式相同。
频数分布计算部127进行“频数分布计算处理S62”，该“频数分布计算处理S62”基于根据在奇异向量的方向上分解误差向量δyt而得到的、存储部13存储的分量ρi而求出的频数分布D2，求出与在判定时刻t取得的分量ρi分别对应的出现频数。
另外，频数分布计算部127将与分量分别对应的ρi的出现频数向标准化处理部128输出。
标准化处理部128进行“标准化处理S70”，该“标准化处理S70”基于判定时刻t的ρi的出现频数、对频数分布D2进行标准化而得到的概率分布D3，来求出观测到在判定时刻t取得的分量ρi的概率密度pi。
具体而言，标准化处理部128首先将频数分布D2适用于正态分布、对数正态分布、β分布、γ分布、指数分布等中的任一概率分布。此时，在未适用于单独的概率分布的情况下，可以不适用于多个概率分布之和、差等的组合。标准化处理部128通过进行向这样的概率分布的适用，如图6所示，能够得到回归成平滑的曲线的概率密度函数。需要说明的是，概率分布D3的横轴为出现频数，纵轴为基于概率密度函数而求出的概率密度pi(i＝1,2,…,m)。
另外，标准化处理部128基于从频数分布计算部127输出的判定时刻t的各分量ρi的出现频数、各分量ρi的概率分布D3，将观测到分量ρi的概率密度pi向对比处理部122输出。
对比处理部122进行“对比处理S31”，该“对比处理S31”将在奇异向量ui T的方向上分解误差向量δyt而得到的分量ρi各自的平方值ρi 2与对应的奇异向量ui T的方向上的方差σi 2按照奇异向量的各方向来分别进行对比。
此时，本实施方式的对比处理部122基于从标准化处理部128输出的概率密度pi，对方差σi 2进行校正。
关于对比处理部122将值ρi 2与校正后的方差σi 2进行对比的具体的处理的内容，与第一实施方式相同。
(作用效果)
如以上所述，在本实施方式的异常检测装置10中，处理器12还执行基于根据在奇异向量的方向上分解误差向量δyt而得到的、存储部13存储的分量ρi而求出的频数分布D2来求出与在判定时刻t取得的分量ρi分别对应的出现频数的频数分布计算处理S62、通过基于出现频数对频数分布D2进行标准化而得到的概率分布D3来求出观测到在判定时刻t取得的分量ρi的概率密度pi的标准化处理S70，在对比处理S31中，基于概率密度pi对方差σi 2进行校正。
如上所述，如果异常检测装置10的存储部13存储的采样数比单位空间的采样数多，则存储部13存储的采样的统计性的可靠度升高。因此，通过使用如上所述参照基于存储部13存储的分量ρi的概率分布D3而求出的概率密度pi，与仅将马氏距离作为判定的基准相比能够改善统计可靠性。其结果是，异常检测装置10能够进一步提高异常检测的精度。
需要说明的是，在本实施方式中，说明了对比处理部122基于概率密度对方差σi 2进行校正的形态，但是并不局限于此。在其他的实施方式中，对比处理部122可以进行例如以下那样的对比处理。
对比处理部122首先由于在判定时刻t观测到的ρi(i＝1,2,…,m)的要素相互无相关性，因此假定为独立，利用“p(p1,p2,…,pm)＝p1×p2×…×pm”近似求出观测到该ρi的概率密度p。
该概率密度p(p1,p2,…,pm)的值在某时刻与观测到ρi(i＝1,2,…,m)的概率成比例。因此，对比处理部122可以向判定处理部123输出表示从判定时刻t的概率密度p(p1,p2,…,pm)减去其他的时刻(例如时刻t-1)的概率密度p′(p′1,p′2,…,p′m)所得到的值是否为预定的容许值以上的对比结果。这种情况下，判定处理部123在表示为预定的容许值以上的对比结果为预定的上限数(1以上的任意的值)的情况下，判定为对象装置2的状态异常。
<第三实施方式的变形例>
另外，可以将第三实施方式中的标准化处理部128(“标准化处理S70”)的功能适用于第二实施方式的变形例的处理器12。
(异常检测装置的功能结构)
图7是表示第三实施方式的变形例的异常检测装置的处理器的功能结构的图。
如图7所示，本变形例的标准化处理部128进行“标准化处理S71”，该“标准化处理S71”基于各分量ρi的概率分布D3、从频数分布计算部127输出的判定时刻t的各分量ρi的出现频数，将观测到分量ρi的概率密度pi向马氏距离计算部126输出。
另外，马氏距离计算部126在“马氏距离计算处理S52”中，将校正系数ki利用对应的概率密度pi进行校正，计算马氏距离DM(yt)。
(作用效果)
如以上所述，在本变形例的异常检测装置10中，处理器12还执行基于根据在奇异向量的方向上分解误差向量δyt而得到的、存储部13存储的分量ρi而求出的频数分布D2来求出与在判定时刻t取得的分量ρi分别对应的出现频数的频数分布计算处理S62、通过对频数分布D2进行标准化而得到的概率分布来求出观测到在判定时刻t取得的分量ρi的概率密度pi的标准化处理S71，在马氏距离计算处理S52中，基于概率密度pi对校正系数ki进行校正。
由此，异常检测装置10根据基于存储部13存储的分量ρi的概率分布D3，使用观测到判定时刻t的分量ρi的概率密度pi，由此与仅将马氏距离作为判定的基准相比能够改善统计可靠性。其结果是，异常检测装置10能够进一步提高马氏距离的计算精度。
<第四实施方式>
接下来，关于本发明的第四实施方式的异常检测系统1，参照图8进行说明。需要说明的是，对于与上述的实施方式及变形例共同的构成要素，标注同一附图标记而省略详细说明。
在本实施方式中，误差向量取得部120及分量取得部121的功能与第一实施方式不同。
(异常检测装置的功能结构)
图8是表示第四实施方式的异常检测装置的处理器的功能结构的图。
如图8所示，本实施方式的误差向量取得部120进行“误差向量取得处理S10”，该“误差向量取得处理S10”取得以在多个时刻计测到的计测值为要素的计测值向量的误差向量。
例如，如图8所示，误差向量取得部120关于计测值向量，使用以下的式(8)来取得误差向量，该计测值向量包括以在判定时刻t计测到的计测值为要素的第一计测值向量yt和以在判定时刻t的1步骤前的时刻t-1计测到的计测值为要素的第二计测值向量yt-1。
【数学式8】
第一计测值向量yt及第二计测值向量yt-1分别包含相对于m种类的项目的计测值作为要素时，误差向量取得部120关于包含2m个要素的计测值向量，取得包含2m个要素的误差向量。
需要说明的是，第二计测值向量并不局限于判定时刻t的1步骤前，可以为2步骤前(时刻t-2)的计测值向量yt-2，也可以为更以前的时刻的计测值向量。
另外，第二计测值向量可以包含多个计测值向量。这种情况下，第二计测值向量可以包含时序上相邻的多个计测值向量(例如时刻t-1、时刻t-2及时刻t-3的计测值向量yt-1、yt-2及yt-3)，也可以包含时序上不连续的多个计测值向量(例如时刻t-1、时刻t-4及时刻t-8的计测值向量yt-1、yt-4及yt-8)。
分量取得部121与第一实施方式同样，进行取得在奇异向量的方向上分解误差向量而得到的多个分量ρi的“分量取得处理S21”。在图8的例子中，使用以下的式(9)，取得在奇异向量的方向上分解误差向量δyt而得到的分量ρi(i＝1,2,…,2m)。
【数学式9】
Figure BDA0002164723880000281
关于对比处理部122的功能(“对比处理S3”)及判定处理部123的功能(“判定处理S4”)，与第一实施方式相同。
(作用效果)
如以上所述，在本实施方式的异常检测装置10中，计测值向量包括以在判定时刻t计测到的计测值为要素的第一计测值向量yt和以在判定时刻t之前(例如时刻t-1)计测到的计测值为要素的第二计测值向量yt-1。
在相对于输入的输出不是即时性的(延迟反应)的动态系统中，判定时刻t的计测值与过去的时刻(例如时刻t-1)的计测值有时具有依赖关系。因此，在仅基于判定时刻t的计测值进行异常判定的情况下，无法考虑该依赖关系，因此产生计算误差而异常检测的精度可能会下降。
另外，在以往的使用了MT法的技术中，计测值向量的要素数越增加，则除数为零的可能性越增加而逆矩阵的计算越困难，因此无法进行将多个时刻的计测值彼此的依赖关系加入考虑的异常检测。
然而，本实施方式的异常检测装置10基于分量ρi各自的平方值ρi 2与方差σi 2的对比结果进行异常检测，因此即使要素数增加，也不会发生除数为零引起的计算精度的劣化。而且，异常检测装置10基于多个时刻的计测值向量(第一计测值向量及第二计测值向量)进行异常判定，因此能够减少由动态系统的性质产生的计算误差，进一步提高异常检测的精度。
<第五实施方式>
接下来，关于本发明的第五实施方式的异常检测系统1，参照图9进行说明。需要说明的是，对于与上述的实施方式及变形例共同的构成要素，标注同一附图标记而省略详细说明。
在本实施方式中，误差向量取得部120及分量取得部121的功能与第四实施方式不同。
(异常检测装置的功能结构)
图9是表示第五实施方式的异常检测装置的处理器的功能结构的图。
如图9所示，本实施方式的误差向量取得部120进行“误差向量取得处理S11”，该“误差向量取得处理S11”取得以在多个时刻计测到的计测值为要素的计测值向量的误差向量。
例如，误差向量取得部120如图9所示关于计测值向量，使用以下的式(10)取得误差向量，该计测值向量包括以在判定时刻t计测到的计测值为要素的第一计测值向量yt和以在判定时刻t的1步骤前的时刻t-1计测到的计测值中的预定的数目的计测值为要素的第二计测值向量yR,t-1。
【数学式10】
在本实施方式中，第二计测值向量yR,t-1的要素数mR设定得比第一计测值向量yt的要素数m少。例如，第二计测值向量yR,t-1的要素数mR设定为第一计测值向量yt的要素数m个的二分之一(m/2个)。
因此，误差向量取得部120关于包含m+mR个要素的计测值向量，取得包含m+mR个要素的误差向量。
需要说明的是，作为第二计测值向量yR,t-1的要素，选定将对象装置2的状态建立特征的计测值。在对象装置2为构成发电设备的装置的情况下，例如，选定与电气输出、电气输出指令值等相关的计测值。而且，在对象装置2为汽车等车辆的情况下，选定与速度、速度指令等相关的计测值。
另外，第二计测值向量并不局限于判定时刻t的1步骤前，可以是2步骤前(时刻t-2)的计测值向量yR,t-2，也可以是更以前的时刻的计测值向量。
此外，第二计测值向量可以包含多个计测值向量。这种情况下，第二计测值向量可以包含时序上相邻的多个计测值向量(例如时刻t-1、时刻t-2及时刻t-3的计测值向量yR,t-1、yR,t-2及yR,t-3)，可以包含时序上不连续的多个计测值向量(例如时刻t-1、时刻t-4及时刻t-8的计测值向量yR,t-1、yR,t-4及yR,t-8)。
分量取得部121与第四实施方式同样，进行取得在奇异向量的方向上分解误差向量而得到的多个分量ρi的“分量取得处理S22”。在图9的例子中，使用以下的式(11)，取得在奇异向量的方向上分解误差向量δyt而得到的分量ρi(i＝1,2,…,mR)。
【数学式11】
Figure BDA0002164723880000301
关于对比处理部122的功能(“对比处理S3”)及判定处理部123的功能(“判定处理S4”)，与第一实施方式相同。
(作用效果)
如以上所述，在本实施方式的异常检测装置10中，第二计测值向量以种类比第一计测值向量yt的种类少的计测值为要素。
由此，异常检测装置10能够抑制关于过去的时刻的追加第二计测值向量引起的计算量的增大。
<第六实施方式>
接下来，关于本发明的第六实施方式的异常检测系统1，参照图10进行说明。需要说明的是，对于与上述的实施方式及变形例共同的构成要素，标注同一附图标记而省略详细说明。
本实施方式的对象装置2是将同一种类的装置并列多个的装置组。例如，如风力发电使用的风车组那样同时并行地运转的装置组成为对象装置2。
另外，在本实施方式中，误差向量取得部120及分量取得部121的功能与第一实施方式不同。
(异常检测装置的功能结构)
图10是表示第六实施方式的异常检测装置的处理器的功能结构的图。
如图10所示，本实施方式的误差向量取得部120进行“误差向量取得处理S12”，该“误差向量取得处理S12”取得判定时刻t的多个对象装置2各自的计测值向量的误差向量。
例如在对象装置2由两个风车(第一风车及第二风车)构成的情况下，误差向量取得部120从第一风车取得计测值向量yt，从第二风车取得计测值向量yt′。并且，误差向量取得部120使用以下的式(12)取得误差向量。
【数学式12】
Figure BDA0002164723880000321
平均值向量y0以存储部13存储的第一风车的计测值的平均值为要素。平均值向量y0′以存储部13存储的第二风车的计测值的平均值为要素。
另外，计测值向量yt及yt′的要素数分别设为m个。
与第一实施方式同样，分量取得部121进行取得在奇异向量的方向上分解误差向量而得到的多个分量ρi的“分量取得处理S23”。在图10的例子中，使用以下的式(13)，取得在奇异向量的方向上分解误差向量δyt而得到的分量ρi(i＝1,2,…,m+m)。
【数学式13】
Figure BDA0002164723880000322
关于对比处理部122的功能(“对比处理S3”)及判定处理部123的功能(“判定处理S4”)，与第一实施方式相同。
(作用效果)
如以上所述，在本实施方式的异常检测装置10中，对象装置2由多个相同的装置构成。而且，处理器12在误差向量取得处理S12中，取得表示以在多个对象装置2中分别计测到的计测值为要素的各对象装置的计测值向量yt、yt′与存储部13存储的各对象装置的平均值向量y0、y0′之差的向量，来作为误差向量δyt、δyt′。
由此，异常检测装置10能够基于同时运转的多个对象装置2中的一对象装置2(例如第一风车)与其他的对象装置2(例如第二风车)的差异来判定有无异常。由此，异常检测装置10能够进一步提高异常检测的精度。
需要说明的是，图10示出对象装置2由2个装置(风车)构成的例子，但是并不局限于此。对象装置2可以由3个以上的装置构成。
例如，在对象装置2由100台风车构成的情况下，这些风车以具有统计性的离散程度的状态运转。此时，在判定时刻t，在虽然99台风车为离散程度的范围但是仅1台风车从离散程度的范围偏离的情况下，异常检测装置10能够判断为该1台风车的状态为异常。
图12是表示第六实施方式的异常检测装置的适用例的图。
具体而言，如图12所示，设置多个风车2A、2B、2C…作为对象装置2。需要说明的是，在以下的说明中，也将风车2A、2B、2C…总称地记载为风车2。风车2将风车叶片20的旋转力通过传动系21向发电机22传递，将风力转换成电力。在风车2的运转中，作为可动部分的传动系21的健全性非常重要，对构成传动系21的主轴承23的温度、变速器24的振动等进行监视。例如，异常检测装置10从接近设置的100台风车2分别接收轴承23的温度、变速器24的振动等的信号(计测值)的输入，判定在100台风车2之中是否存在从通常的离散程度的范围偏离的风车。异常检测装置10在判定为至少1台风车2从通常的离散程度的范围偏离的情况下，向操作员通知存在异常发生的可能性的情况。需要说明的是，异常检测装置10可以将该通知向控制装置3通知，由此将异常发生的可能性经由控制装置3向操作员通知。这样，本实施方式的异常检测装置10通过在接近设置的多个风车2之间进行比较，能够更早地检测到异常的征兆。而且，由于自动进行向操作员的通知，因此也能减轻操作员进行的监视、确认等的作业负荷。
另外，图10示出多个对象装置2各自的计测值向量yt、yt′的要素数相同(m个)的例子，但是并不局限于此。计测值向量可以按照各对象装置而要素数不同。而且，计测值向量yt、yt′可以将按照各对象装置而不同种类的计测值作为要素。
(异常检测装置的硬件结构)
图11是表示至少一个实施方式的异常检测装置的硬件的结构的一例的图。
以下，参照图11，说明异常检测装置10的硬件结构的一例。
如图11所示，计算机900具备CPU901、主存储装置902、辅助存储装置903、接口904。
上述的异常检测装置10安装于计算机900。并且，上述的各处理部的动作以程序的形式存储于辅助存储装置903。CPU901(处理器12)将程序从辅助存储装置903读出而向主存储装置902展开，按照该程序执行上述处理。而且，CPU901按照程序，将异常检测装置10在各种处理中使用的存储区域确保于主存储装置902。而且，CPU901按照程序，将存储处理中的数据的存储区域(存储部13)确保于辅助存储装置903。
作为辅助存储装置903的例子，可列举HDD(Hard Disk Drive：硬盘驱动器)、SSD(Solid State Drive：固态驱动器)、磁盘、光磁盘、CD-ROM(Compact Disc Read OnlyMemory：只读光盘存储器)、DVD-ROM(Digital Versatile Disc Read Only Memory：数字多功能光盘只读存储器)、半导体存储器等。辅助存储装置903可以是在计算机900的总线上直接连接的内部媒介，也可以是经由接口904或通信回线而连接于计算机900的外部媒介。而且，在将该程序通过通信回线向计算机900发布的情况下，接收到发布的计算机900可以将该程序向主存储装置902展开，执行上述处理。在至少1个实施方式中，辅助存储装置903是非暂时性的有形的存储介质。
另外，该程序可以是用于实现前述的功能的一部分的程序。此外，该程序可以是通过将前述的功能与已经存储于辅助存储装置903的其他的程序的组合来实现的程序、所谓差分文件(差分程序)。
以上，详细地说明了本发明的实施方式，但是只要不脱离本发明的技术思想，就没有限定于此，可以进行些许的设计变更等。

Claims (14)

1.一种异常检测装置，检测对象装置中有无异常，其中，
所述异常检测装置具备：
处理器；及
连接于所述处理器的存储部，
所述处理器执行：
误差向量取得处理，取得误差向量，所述误差向量表示以在判定时刻计测到的多个种类的计测值为要素的计测值向量与以所述存储部存储的所述计测值的平均值为要素的平均值向量之差；
分量取得处理，取得在奇异向量的方向上分解所述误差向量而得到的多个分量；
对比处理，将在所述奇异向量的方向上分解所述误差向量而得到的多个分量各自的平方值与对应的所述奇异向量的方向上的方差按照所述奇异向量的各方向来分别进行对比；及
判定处理，基于所述对比处理中的多个对比结果来判定有无异常。
2.根据权利要求1所述的异常检测装置，其中，
在所述对比处理中，所述处理器输出表示在所述奇异向量的方向上分解所述误差向量而得到的分量各自的平方值与对应的所述奇异向量的方向上的方差之差是否为预定的阈值以上的所述对比结果，
在所述判定处理中，所述处理器在表示为所述阈值以上的所述对比结果的数目为预定的上限数以上的情况下判定为异常。
3.根据权利要求1所述的异常检测装置，其中，
所述处理器还执行如下的频数分布计算处理：基于根据在所述奇异向量的方向上分解所述误差向量而得到的、所述存储部存储的所述分量而求出的频数分布，来求出与在所述判定时刻取得的所述分量分别对应的百分位数值，
在所述对比处理中，所述处理器基于所述百分位数值来校正所述方差。
4.根据权利要求1所述的异常检测装置，其中，
所述处理器还执行：
频数分布计算处理，基于根据在所述奇异向量的方向上分解所述误差向量而得到的、所述存储部存储的所述分量而求出的频数分布，来求出与在所述判定时刻取得的所述分量分别对应的出现频数；及
标准化处理，基于所述出现频数和对所述频数分布进行标准化而得到的概率分布，来求出观测到在所述判定时刻取得的所述分量的概率密度，
在所述对比处理中，所述处理器基于所述概率密度来校正所述方差。
5.根据权利要求1所述的异常检测装置，其中，
所述计测值向量包含以在所述判定时刻计测到的计测值为要素的第一计测值向量和以在所述判定时刻之前计测到的计测值为要素的第二计测值向量。
6.根据权利要求5所述的异常检测装置，其中，
所述第二计测值向量以种类比所述第一计测值向量的种类少的计测值为要素。
7.根据权利要求1～6中任一项所述的异常检测装置，其中，
所述对象装置由多个同一种类的装置构成，
在所述误差向量取得处理中，所述处理器取得表示以在多个所述对象装置中分别计测到的计测值为要素的各对象装置的计测值向量与所述存储部存储的各对象装置的平均值向量之差的向量，来作为所述误差向量。
8.一种异常检测装置，检测对象装置中有无异常，其中，
所述异常检测装置具备：
处理器；及
连接于所述处理器的存储部，
所述处理器执行：
误差向量取得处理，取得误差向量，所述误差向量表示以在判定时刻计测到的多个种类的计测值为要素的计测值向量与以所述存储部存储的所述计测值的平均值为要素的平均值向量之差；
分量取得处理，取得以在奇异向量的方向上分解所述误差向量而得到的多个分量为要素的分量向量；
马氏距离计算处理，基于所述分量向量、所述奇异向量的方向上的方差及所述奇异向量的各方向的校正系数来算出马氏距离；及
判定处理，基于所述马氏距离来判定有无异常。
9.根据权利要求8所述的异常检测装置，其中，
所述处理器还执行如下的频数分布计算处理：基于根据在所述奇异向量的方向上分解所述误差向量而得到的、所述存储部存储的所述分量而求出的频数分布，来求出与在所述判定时刻取得的所述分量分别对应的百分位数值，
在所述马氏距离计算处理中，所述处理器基于所述百分位数值来校正所述校正系数。
10.根据权利要求8所述的异常检测装置，其中，
所述处理器还执行：
频数分布计算处理，基于根据在所述奇异向量的方向上分解所述误差向量而得到的、所述存储部存储的所述分量而求出的频数分布，来求出与在所述判定时刻取得的所述分量分别对应的出现频数；及
标准化处理，基于所述出现频数和对所述频数分布进行标准化而得到的概率分布，来求出观测到在所述判定时刻取得的所述分量的概率密度，
在所述马氏距离计算处理中，所述处理器基于所述概率密度来校正所述校正系数。
11.一种异常检测方法，包括：
误差向量取得步骤，取得误差向量，所述误差向量表示以在判定时刻计测到的多个种类的计测值为要素的计测值向量与以存储部存储的所述计测值的平均值为要素的平均值向量之差；
分量取得步骤，取得在奇异向量的方向上分解所述误差向量而得到的多个分量；
对比步骤，将在所述奇异向量的方向上分解所述误差向量而得到的多个分量各自的平方值与对应的所述奇异向量的方向上的方差按照所述奇异向量的各方向来分别进行对比；及
判定步骤，基于所述对比步骤中的多个对比结果来判定有无异常。
12.一种异常检测方法，包括：
误差向量取得步骤，取得误差向量，所述误差向量表示以在判定时刻计测到的多个种类的计测值为要素的计测值向量与以存储部存储的所述计测值的平均值为要素的平均值向量之差；
分量取得步骤，取得以在奇异向量的方向上分解所述误差向量而得到的多个分量为要素的分量向量；
马氏距离计算步骤，基于所述分量向量、所述奇异向量的方向上的方差及所述奇异向量的各方向的校正系数来算出马氏距离；及
判定步骤，基于所述马氏距离来判定有无异常。
13.一种非暂时性计算机可读介质，存储有使具备处理器和连接于所述处理器的存储部的异常检测装置的计算机发挥功能的程序，其中，
所述程序使所述处理器执行：
误差向量取得处理，取得误差向量，所述误差向量表示以在判定时刻计测到的多个种类的计测值为要素的计测值向量与以所述存储部存储的所述计测值的平均值为要素的平均值向量之差；
分量取得处理，取得在奇异向量的方向上分解所述误差向量而得到的多个分量；
对比处理，将在所述奇异向量的方向上分解所述误差向量而得到的多个分量各自的平方值与对应的所述奇异向量的方向上的方差按照所述奇异向量的各方向来分别进行对比；及
判定处理，基于所述对比处理中的多个对比结果来判定有无异常。
14.一种非暂时性计算机可读介质，存储有使具备处理器和连接于所述处理器的存储部的异常检测装置的计算机发挥功能的程序，其中，
所述程序使所述处理器执行：
误差向量取得处理，取得误差向量，所述误差向量表示以在判定时刻计测到的多个种类的计测值为要素的计测值向量与以所述存储部存储的所述计测值的平均值为要素的平均值向量之差；
分量取得处理，取得以在奇异向量的方向上分解所述误差向量而得到的多个分量为要素的分量向量；
马氏距离计算处理，基于所述分量向量、所述奇异向量的方向上的方差及所述奇异向量的各方向的校正系数来算出马氏距离；及
判定处理，基于所述马氏距离来判定有无异常。
CN201910743333.6A 2018-08-16 2019-08-13 异常检测装置、异常检测方法及非暂时性计算机可读介质 Active CN110858262B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018-153060 2018-08-16
JP2018153060A JP7029362B2 (ja) 2018-08-16 2018-08-16 異常検出装置、異常検出方法、及びプログラム

Publications (2)

Publication Number Publication Date
CN110858262A true CN110858262A (zh) 2020-03-03
CN110858262B CN110858262B (zh) 2023-04-28

Family

ID=69320658

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910743333.6A Active CN110858262B (zh) 2018-08-16 2019-08-13 异常检测装置、异常检测方法及非暂时性计算机可读介质

Country Status (4)

Country Link
US (1) US11093316B2 (zh)
JP (1) JP7029362B2 (zh)
CN (1) CN110858262B (zh)
DE (1) DE102019005710A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114020971A (zh) * 2021-11-05 2022-02-08 光大科技有限公司 一种异常数据检测方法及装置
CN114459752A (zh) * 2020-11-09 2022-05-10 株式会社富士 异常预测装置、送出装置以及异常预测方法

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6678182B2 (ja) * 2015-10-09 2020-04-08 株式会社日立製作所 異常検知装置
JP7029362B2 (ja) * 2018-08-16 2022-03-03 三菱重工業株式会社 異常検出装置、異常検出方法、及びプログラム
US11334414B2 (en) * 2019-03-04 2022-05-17 Mitsubishi Heavy Industries, Ltd. Abnormality detecting apparatus, rotating machine, abnormality detection method, and non- transitory computer readable medium
JP7401499B2 (ja) * 2021-10-01 2023-12-19 株式会社安川電機 異常判定システム、異常判定装置、異常判定方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006112996A (ja) * 2004-10-18 2006-04-27 Yokogawa Electric Corp 近赤外分光分析装置
JP2009288100A (ja) * 2008-05-29 2009-12-10 Mitsubishi Heavy Ind Ltd 健全性診断方法及びプログラム並びに風車の健全性診断装置
JP2010166428A (ja) * 2009-01-16 2010-07-29 Nec Corp 受信装置、及び信号受信方法
US20100198555A1 (en) * 2008-02-27 2010-08-05 Mitsubishi Heavy Industries, Ltd. Plant state monitoring method, plant state monitoring computer program, and plant state monitoring apparatus
CN102112933A (zh) * 2008-10-09 2011-06-29 株式会社日立制作所 异常检测方法及系统
CN102640066A (zh) * 2009-12-25 2012-08-15 三菱重工业株式会社 控制参数调整方法及调整装置
US20120278477A1 (en) * 2009-04-08 2012-11-01 The University Of North Carolina At Chapel Hill Methods, systems, and computer program products for network server performance anomaly detection
JP2016012263A (ja) * 2014-06-30 2016-01-21 株式会社Ihi 異常診断装置
JP2016031568A (ja) * 2014-07-28 2016-03-07 株式会社Ihi 異常診断装置、異常診断方法及び異常診断プログラム
CN106645856A (zh) * 2017-01-03 2017-05-10 电子科技大学 基于奇异谱熵的数字示波器异常信号检测方法及系统
CN108400972A (zh) * 2018-01-30 2018-08-14 北京兰云科技有限公司 一种异常检测方法和装置

Family Cites Families (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10260722A (ja) 1997-03-19 1998-09-29 Yaskawa Electric Corp 異常値検出装置
US6341257B1 (en) * 1999-03-04 2002-01-22 Sandia Corporation Hybrid least squares multivariate spectral analysis methods
TW499702B (en) * 2000-07-04 2002-08-21 Tokyo Electron Ltd Method for monitoring operation of processing apparatus
JP4570736B2 (ja) 2000-07-04 2010-10-27 東京エレクトロン株式会社 運転状態の監視方法
JP2003141306A (ja) 2001-10-30 2003-05-16 Ohken:Kk 評価システム
JP4289602B2 (ja) 2003-03-31 2009-07-01 三菱化学株式会社 プロセス監視方法
US7203431B2 (en) * 2003-12-26 2007-04-10 Ricoh Company, Ltd. Abnormality determining method, abnormality determining apparatus, and image forming apparatus
US8676538B2 (en) * 2004-11-02 2014-03-18 Advanced Micro Devices, Inc. Adjusting weighting of a parameter relating to fault detection based on a detected fault
JP4697879B2 (ja) * 2006-05-09 2011-06-08 東京エレクトロン株式会社 サーバ装置、およびプログラム
CN101523307B (zh) * 2006-09-28 2011-06-15 三菱电机株式会社 故障检测装置以及故障检测方法
JP4413915B2 (ja) * 2006-12-13 2010-02-10 株式会社東芝 異常兆候検出装置および方法
JP5610695B2 (ja) 2009-02-17 2014-10-22 三菱重工業株式会社 プラント監視用の方法、プログラム及び装置
JP4730451B2 (ja) * 2009-03-16 2011-07-20 富士ゼロックス株式会社 検出データ処理装置及びプログラム
JP6354755B2 (ja) * 2013-06-25 2018-07-11 日本電気株式会社 システム分析装置、システム分析方法、及びシステム分析プログラム
US9355007B1 (en) * 2013-07-15 2016-05-31 Amazon Technologies, Inc. Identifying abnormal hosts using cluster processing
JP6415335B2 (ja) * 2015-01-27 2018-10-31 三菱重工業株式会社 不具合診断方法及び不具合診断システム
WO2016132717A1 (ja) * 2015-02-17 2016-08-25 日本電気株式会社 ログ分析システム、ログ分析方法およびプログラム記録媒体
US10592328B1 (en) * 2015-03-26 2020-03-17 Amazon Technologies, Inc. Using cluster processing to identify sets of similarly failing hosts
US10410135B2 (en) * 2015-05-21 2019-09-10 Software Ag Usa, Inc. Systems and/or methods for dynamic anomaly detection in machine sensor data
JP6587950B2 (ja) 2016-02-02 2019-10-09 Kddi株式会社 スカラ特徴量によって時系列変化点を検出可能なプログラム、装置及び方法
JP6597453B2 (ja) 2016-03-30 2019-10-30 株式会社Ｉｈｉ 異常診断方法、異常診断装置、及び異常診断プログラム
JP7029362B2 (ja) * 2018-08-16 2022-03-03 三菱重工業株式会社 異常検出装置、異常検出方法、及びプログラム

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006112996A (ja) * 2004-10-18 2006-04-27 Yokogawa Electric Corp 近赤外分光分析装置
US20100198555A1 (en) * 2008-02-27 2010-08-05 Mitsubishi Heavy Industries, Ltd. Plant state monitoring method, plant state monitoring computer program, and plant state monitoring apparatus
JP2009288100A (ja) * 2008-05-29 2009-12-10 Mitsubishi Heavy Ind Ltd 健全性診断方法及びプログラム並びに風車の健全性診断装置
CN102112933A (zh) * 2008-10-09 2011-06-29 株式会社日立制作所 异常检测方法及系统
JP2010166428A (ja) * 2009-01-16 2010-07-29 Nec Corp 受信装置、及び信号受信方法
US20120278477A1 (en) * 2009-04-08 2012-11-01 The University Of North Carolina At Chapel Hill Methods, systems, and computer program products for network server performance anomaly detection
CN102640066A (zh) * 2009-12-25 2012-08-15 三菱重工业株式会社 控制参数调整方法及调整装置
JP2016012263A (ja) * 2014-06-30 2016-01-21 株式会社Ihi 異常診断装置
JP2016031568A (ja) * 2014-07-28 2016-03-07 株式会社Ihi 異常診断装置、異常診断方法及び異常診断プログラム
CN106645856A (zh) * 2017-01-03 2017-05-10 电子科技大学 基于奇异谱熵的数字示波器异常信号检测方法及系统
CN108400972A (zh) * 2018-01-30 2018-08-14 北京兰云科技有限公司 一种异常检测方法和装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114459752A (zh) * 2020-11-09 2022-05-10 株式会社富士 异常预测装置、送出装置以及异常预测方法
CN114459752B (zh) * 2020-11-09 2023-08-29 株式会社富士 异常预测装置、送出装置以及异常预测方法
CN114020971A (zh) * 2021-11-05 2022-02-08 光大科技有限公司 一种异常数据检测方法及装置

Also Published As

Publication number Publication date
US20200057690A1 (en) 2020-02-20
JP7029362B2 (ja) 2022-03-03
DE102019005710A1 (de) 2020-02-20
JP2020027532A (ja) 2020-02-20
CN110858262B (zh) 2023-04-28
US11093316B2 (en) 2021-08-17

Similar Documents

Publication Publication Date Title
CN110858262A (zh) 异常检测装置、异常检测方法及非暂时性计算机可读介质
US9465387B2 (en) Anomaly diagnosis system and anomaly diagnosis method
US7280941B2 (en) Method and apparatus for in-situ detection and isolation of aircraft engine faults
EP3130976B1 (en) Failure detection device
US7216061B2 (en) Apparatus and methods for detecting system faults using hidden process drivers
CN108108852B (zh) 基于故障预警技术的火电机组短期可靠性评估方法及装置
US20190264573A1 (en) Monitoring device, method for monitoring target device, and program
CN109073508B (zh) 测试涡轮单元期间的故障诊断
WO2016133121A1 (ja) 異常診断方法及び異常診断システム
EP3458697A1 (en) Controlling a gas turbine considering a sensor failure
CN107710089B (zh) 工厂设备诊断装置以及工厂设备诊断方法
WO2017138238A1 (ja) 監視装置及び監視装置の制御方法
Tadić et al. Particle filtering for sensor fault diagnosis and identification in nonlinear plants
US20200285531A1 (en) Abnormality detecting apparatus, rotating machine, abnormality detection method, and non-transitory computer readable medium
US6502018B1 (en) Method for diagnosis of equipment
JP2018163645A (ja) 故障診断装置、監視装置、故障診断方法、および故障診断プログラム
US20200410042A1 (en) Abnormality detection device, abnormality detection method, and non-transitory computer-readable medium
WO2019124367A1 (ja) 単位空間生成装置、プラント診断システム、単位空間生成方法、プラント診断方法、及びプログラム
CN111550429B (zh) 一种离心压缩机转子系统稳定性综合控制方法及装置
KR101838857B1 (ko) 열화 트랜드를 이용한 기계 열화 추이 추정 방법
US11789436B2 (en) Diagnosing device, diagnosing method, and program
KR101787604B1 (ko) 기계 열화 추이 추정 장치 및 방법
Liu et al. Novel unknown input observer for fault estimation of gas turbine dynamic systems
Dietel et al. Fault detection in rotating machinery using spectral modeling
CN113340262B (zh) 叶片零位漂移的检测方法、系统、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant