JP2005345154A - 異常予兆検出方法および装置 - Google Patents

Abstract

【課題】、正常運転時のデータのみから通常とは異なる例外的な状況を発見できる正常運転時データからの異常予兆検出方法および装置を提供する。
【解決手段】
正常運転状態にある被検出装置について複数のセンサ１１で測定された複数の正常状態のセンサ情報を1クラスサポートベクターマシンで演算して例外的なセンサ情報の組合せを例外状態抽出装置１３で抽出して例外的なセンサ情報の組合せパターンから異常予兆を検出する。
【選択図】図２

Description

本発明は、水力発電機の軸受など機械装置の異常予兆を正常運転時データから検出する正常運転時データからの異常予兆検出方法および装置に関する。

機械装置の効率的な保守および保守費用の削減を目指して、従来のメーカに推奨された保証期間前に機器を点検するという時間ベースの設備保守管理方式から、機械装置をその劣化状態等によって点検するという状態ベースの設備管理保守方式とすることが知られている。例えば、回転機などの機械装置の異常を診断する方式が多く提案されている。これらの方式は、回転機の異常を検出する場合、予めその回転機の正常状態にあるときの所定物理量のデータと、回転機から得られるデータを比較し、正常範囲を外れると異常と診断するものである（例えば、特許文献１、２、３など参照）。
特許第３０２０３４９号 特開平１０−２７４５５８号公報 特開２００１−３３０５１０号公報

前記状態ベースでの設備管理保守を実践するためには、機器の正常状態のデータ、異常状態のデータ、および正常状態から異常状態へ移行途中のデータなどの収集が重要となり、これらのデータが多く蓄積されている場合は前記の異常診断は有効である。

しかしながら、例えば、発電プラントの運転データについては、正常状態のデータは沢山あり、また、新たな測定が比較的容易であるものの、発電プラント等の設備は頑健に設計されているため異常事例が殆どないので、異常状態および正常状態から異常状態へ移行している途中のデータの蓄積が殆どないのが実状である。また、異常状態に関係するデータの測定は容易なことではない。

発電プラントの運転データからの異常予兆の発見、水力発電所水車軸振動からの異常予兆の発見などの設備異常予兆発見に必要な異常、故障時のデータ発生は、非常に稀であるとともに、実験による異常状態の生成が困難である。そのため、現実の設備で異常状態のデータが蓄積できるまで、大量に収集可能な正常状態のデータのみから設備異常の予兆を発見できる方法があれば非常に有益である。しかしながら、水車軸受振動と各種センサ情報、気象情報との因果関係は複雑であること、異常な軸受振動の事例が取得できないことにより、軸受振動、気象情報など各種センサ情報との因果関係の整理に基づく総合的な異常検出は困難であった。

そこで、本発明は、正常運転時のデータのみから通常とは異なる例外的な状況を発見できる正常運転時データからの異常予兆検出方法および装置を提供するものである。

本発明の正常運転時データからの異常予兆検出方法は、正常運転状態にある被検出装置について複数のセンサで測定された複数の正常状態のセンサ情報を１クラスサポートベクターマシンで演算して例外的なセンサ情報の組合せを抽出して異常予兆を検出することを特徴とする。

また、本発明の正常運転時データからの異常予兆検出装置は、正常運転状態の被検出装置について正常状態の複数のセンサ情報を測定する複数のセンサと、前記複数のセンサで測定された複数のセンサ情報を１クラスサポートベクターマシンで演算して例外的なセンサ情報の組合せパターンを抽出する例外状態抽出装置と、前記例外状態抽出装置で抽出された例外的なセンサ情報の組合せパターンを出力する出力装置を備えたことを特徴とする。

通常、異常予兆の発見とは、異常事例に対し、その異常事例が起こる前に現れる特異な事例を発見することである。しかし、前述のとおり、水力発電所の軸受振動データについても異常事例が少なく、そのため異常事例が起こる前に現れる特異な事例を直接発見することは困難である。

そこで、本発明においては、異常事例の起こる前の特異事例(以下「異常予兆事例」と呼ぶ)と通常とは異なる例外的な事例との関係を次式のように考えることにする。

異常予兆事例 ≒通常とは異なる例外的な事例
上式のように考えることで、異常予兆事例発見を、正常状態データ中から仲間外れ事例を発見することに代替させることができる。つまり、正常状態データ中で発生確率が低い事例ほど、異常予兆を表している可能性が高いと考えるのである。

図１は正常状態事例から仲間外れを発見するイメージ図である。図１中、斜線で示す円１の内部の領域にあるデータは、すべて正常状態事例である。本発明では、この正常状態事例から仲間外れ事例を発見する、つまり、例外状態事例を発見することが目的である。図１にあるように、正常状態データの９９％を覆う円を発見し、その領域を通常状態とすれば、この通常状態領域から外れた１％のデータを例外状態データと考えることができる。図１では、円２の内部が正常状態データ中の通常状態領域を表し、星印３が例外状態データを表す。つまり、正常状態データをα％覆う境界を正確に発見することができれば、正常状態データのα％に属さない例外状態データを抽出することができるのである。

上述したように、正常運転中のデータより、正常状態パターンとは異なる例外状態パターンを抽出するには、正常状態データをα％覆う境界を正確に発見する必要がある。この境界を正確に見つける方法の一つとして、１クラスサポートベクターマシン(以下「１クラスＳＶＭ」と呼ぶ)がある。

異常予兆検出のため、例えば、継続的に異常予兆事例の発生頻度を管理することにより、正常状態から異常状態へ移行していることを検出することができ、またしきい値管理することにより、異常の検出をすることができる。

本発明の異常予兆検出方法および装置により、被検出装置から得られた複数項目にわたる通常運転中のデータから例外的な状況を発見できるとともに、被検出装置から得られた複数項目にわたる通常運転中のデータを用いてあらかじめ設定した１クラスＳＶＷにより、異常予兆事例、異常予兆事例発生頻度を容易に検出することができるため、被検出装置が正常運転状態から異常運転状態へ進展していることを検出することができる。また、抽出された例外的な状況に基づく運転員の教育支援に利用できる。

本発明の実施例を水力発電所の水車発電機の軸振動について説明する。

図２は本発明の異常予兆検出装置の一例を示すブロック図である。図２において、複数のセンサ１１により測定した複数のセンサ情報信号が入力情報処理装置１２に入力され、入力情報処理装置１２次段の例外状態抽出装置１３に入力するための信号処理が行われる。

入力情報処理装置１２から出力された信号を入力した例外状態抽出装置１３では１クラスＳＶＭに基づいて演算を行い例外状態を抽出する。

例外状態抽出装置１３で抽出された信号は、出力情報処理装置１４で処理され例外状態や例外状態発生頻度を出力し、希にしか起こらない例外的なセンサ情報の組合せパターンや各月の例外状態発生頻度などをプリンタやディスプレイなどの主力装置１５で出力する。

前記のセンサにより測定するセンサ情報は、例えば、水力発電所の発電機の軸振動について異常予兆の場合は表１に示すとおり、１６項目を選定した。

また、事例の少ない発電機起動開始、停止開始部分を例外状態として抽出しないよう、発電機の回転数が２００ｒｐｍ（定格回転数は２４０ｒｐｍ）以上のデータを分析対象とした。

なお、本発明の実施例においては、５秒間隔の測定データでは、データ量が膨大となるため、１分間隔の測定データを分析対象とした。

以上の操作によって、約３．５ヶ月の１分値データより、１１１１０６データを分析対象データとして抽出した。また、項目ごとの測定単位の違いによる影響をなくすため、抽出した１１１１０６データを各測定項目で平均０分散１に正規化した。

上述のデータに対し、１クラスＳＶＭを例外状態データの割合約０．０１％として適用し、例外状態データの抽出を行った。ただし、分析の際には、観測データを高次元表現するカーネル関数を使用しなかった。

前記例外状態抽出装置で演算に用いる１クラスＳＶＭは次のとおりで、これ自体は公知の演算方法である（Ｂ．Ｓｃｏ１ｋｏｐｆ，Ｊ．Ｃ．Ｐｌａｔｔ，Ｊ．Ｓｈａｗｅ−Ｔａｙｌｏｒ，Ｊ．Ｓｍｏ１ａ Ａ，ａｎｄ Ｒ．Ｃ．Ｗｉ１１ｉａｍｓｏｎ．Ｅｓｔｉｍａｔｉｏｎ ｓｕｐｐｏｒｔ ｏｆｈｉｇｈ−ｄｉｍｅｎｓｉｏｎａｌ ｄｉｓｔｒｉｂｕｔｉｏｎ．Ｔｅｃｈｎｉｃａｌ Ｒｅｐｏｒｔ ＭＳＲ−ＴＲ−９９−８７，Ｍｉｃｒｏｓｏｆｔ Ｒｅｓｅａｒｃｈ，１９９９参照）。以下、簡単に説明する。

まず、学習データが以下の式で表現されるとする。

ｘ_１，．．．，ｘ_n∈Ｘ （１）
ここで、n∈Ｎであり、Ｘ∈Ｒ^Ｎである。

今、Φを特徴写像Ｘ→Ｆであるとする。この特徴写像は、学習データをある特徴空間へと写像する。また、この写像Φによる特徴空間での内積は、元の学習データ空間上の簡単なカーネル関数で表現される。つまり、次式が成り立つ。
ｋ（ｘ，ｙ）＝（Φ（ｘ）・Φ（ｙ）） （２）
なお、カーネル関数を使用する場合、式（２）を満たすようなカーネル関数としては、ガウスカーネル関数
ｋ（Ｘ_ｉ，ｙ_ｊ）＝ｅｘｐ（一‖Ｘ_ｉ−ｙ_ｊ‖^２／ｃ）
が有名である。

インデックスｉとｊは、１，．．．，ｎを表す。簡単のため以下では、ｉ，ｊ∈［n］の表現を採る。

１クラスＳＶＭでは、ほとんどの学習データが入る小さな領域内で＋１（正常状態パターン）の値を採り、それ以外の領域で−１を採るような関数ｆを、以下の考えによって生成する。

１．カーネル関数によって特徴空間ヘデータを写像する。

２．特徴空間へ写像されたデータ中の原点に最も近いデータと特徴空間上に写像データ中の最も原点に近いデータと原点との間の距離を最大化することによって分類する判別関数f(x)＝sign(w・Φ(x_i))-ρ)を求めるため、以下の２次計画問題を解く。

数１でnはデータ数、ξ_iは緩和変数を表す。

この２次計画法を解くことで、原点に最も近いデータと原点との距離を最大化するような分類超平面を見つけることができる。つまり、正常状態データと正常状態でないデータを分ける超平面を見つけることができる。ここで、νは、ν∈（０，１）となるパラメータであり、νnは例外データ数を表す。概念図を図４に示す。

次に抽出された結果の評価について説明する。
図３は各データの累積発生確率を示すグラフである。図３の横軸は測定データｘを代入したときの識別値である。

表２及び表３は抽出された例外パターンを示す表である。

表４は計算機が例外状態であるとの可能性が高いと判断した順に抽出した事例１３件を示す。例外状態データとして抽出された１３件は、図３の識別値が１以下の場合に相当する。図３より、識別値が１以下の場合のセンサ、気象情報値の組み合わせデータは、その発生確率が０．００００１よりも低い値となり、非常に希な事例であることがわかる。

表４において、事例１、３、４、６、７については、フル出力の約１０％で運転している低負荷運転が、軸振れ発生に起因していると判断した。効率の悪い状態での運転時は、振動・軸振れが発生しやすい。

事例２については、前後１分値データから系統事故などにより周波数が変動し、ガイドベーンを閉め込んでいたため、これにより水車軸振れが発生したと判断される。

事例５については、発生出力は５０％で低負荷運転ではなく、起動後１０分後であり、サージタンク水位変動は見えないが、電気的あるいは機械的に何らかのサージングがあったものと考えられると判断される。

事例８、９については、 フル出力に近く連続運転中のデータであり、発電機回転数、サージタンク水位も安定していて、何が原因で振動発生したか不明であるが、異物混入による一時的な振動発生が考えられるという判断がされる。

事例１０、１１については、発電機の回転数が２００ｒｐｍを越えているものの、停止時から起動したばかりのデータであり、軸振れが現れるデータであると判断される。本分析では、発電機の回転数２００ｒｐｍ以上を定常運転状態としているが、事例１２、１３が定常運転状態になる前のデータであるとしているので、発電機の回転数２００ｒｐｍ以上と発生電力などの他の測定項目との組み合わせによる定常運転状態の抽出が必要なことを示唆している。

事例１２、１３については、起動時から１０分後にフル出力となる場合であるが、測定しているセンサ、気象情報に異常そうな値は見えないと、判定した。

ここで抽出された例外状態データは、水力発電所の知識を利用せずに選択されたセンサ、気象情報値の組み合わせデータであるが、１３件の例外状態データのうち、７件が水車・発電機軸受の振動が大きくなる低負荷運転時、２件が水車・発電機軸受の振動が大きい、起動したばかりの事例であることがわかった。これは、今回分析対象としたデータ全体中に、低負荷運転時が占める割合が少なかったこと、および２００ｒｐｍ以上という回転数だけで定常状態を切り出すことができなかったことに起因する。

抽出された１３件の例外状態データのうち、低負荷運転時および起動したばかりのデータ９件を抜いた４件の例外状態データに対するベテラン運転員の見解は、次のようになった。ここでのベテラン運転員の見解とは、ベテラン運転員がセンサ情報以外の資料等（例えば、日報など）と運転経験に基づいて行った、例外データに対する評価である。

（１）前後１分間のデータから系統事故などにより、周波数が変動し、ガイドベーンを閉め込んでいる。これにより水車軸振が発生（１件）。

（２）発生電力は５０％で低負荷運転ではない。起動して１０分後であり、サージタンク水位も安定しており、何が原因で振動発生したか不明。異物混入による一時的な振動発生が考えられる（１件）。

（３）フル出力に近く連続運転中のデータ、回転数、サージタンク水位も安定しており、何が原因で振動発生したか不明。異物混入による一時的な振動発生が考えられる（２件）。

抽出した例外状態データに対する、ベテラン運転員の経験からの評価を総括すると以下のようになつた。

（１）抽出された例外状態データは、正常動作であることの説明が可能である。

（２）例外状態抽出装置の抽出した例外状態データは、非常に希な事例を抽出できている。

（３）ベテラン運転員も気付かなかった特異事例を例外状態データとして抽出しており、正常動作であることを説明するために、様々な資料等を見直すきっかけが提供できている。

本発明は、異常状態および正常状態から異常状態へ移行している途中のデータの蓄積は殆んどなく、異常事例のデータが殆どなく、また、異常状態に関係するデータの測定が容易でない機械装置、プラントの異常予兆検出に利用することができる。

正常状態事例から仲間外れを発見するイメージ図である。 本発明の異常予兆検出装置の一例を示すブロック図である。 各データの累積発生確率を示すグラフである。 概念図である。

符号の説明

１：斜線で示す円（すべて正常状態事例）
２：太線で表される円（正常状態データ中の通常状態）
３：星印（例外状態データ）
１１：センサ
１２：入力情報処理装置
１３：例外状態抽出装置
１４：出力情報処理装置
１５：主力装置

Claims (2)

1. 正常運転状態にある被検出装置について複数のセンサで測定された複数の正常状態のセンサ情報を1クラスサポートベクターマシンで演算して例外的なセンサ情報の組合せの値を抽出して異常予兆を検出することを特徴とする正常運転時データからの異常予兆検出方法。
2. 正常運転状態の被検出装置について正常状態の複数のセンサ情報を測定する複数のセンサと、
   前記複数のセンサで測定された複数のセンサ情報を1クラスサポートベクターマシンで演算して例外的なセンサで測定されたセンサ情報の組合せパターンを抽出する例外状態抽出装置と、
   前記例外状態抽出装置で抽出された例外的なセンサ情報の組合せパターンを出力する出力装置を備えたことを特徴とする正常運転時データからの異常予兆検出装置。

Images