JP2009076056A - 異常集約方法 - Google Patents

Abstract

【課題】 異常値を同定する方法を提供する。
【解決手段】 異常値を集約する方法を提供する。本方法は、１以上の機械から作動データを取得するステップと、取得した作動データから、１以上の例外的異常スコアを計算するステップとを含む。この例外的異常スコアを集約して、急性又は慢性の異常値を同定することができる。例外的異常スコアは、１以上の絶対値異常測度を計算することによって集約することができる。絶対値異常測度は、所定の時間幅での例外的異常スコアの平均値を示す。例外的異常スコアは、１以上の頻度異常測度を計算することによって集約することもできる。頻度異常測度は、所定の時間幅のうちの異常値を有する時間幅の百分率を示す。
【選択図】 図２

Description

本発明のシステム及び方法は概して異常値の集約に関する。具体的には、本発明のシステム及び方法は、関連する工学又は作動データの小さな集合と比較したときに、外れ（すなわち、異常）工学又は作動データを集約する統計的手法に関する。

発電設備（例えば、タービン、圧縮機、発電機など）の稼働及び保守において、機械の様々な属性に対応するセンサ読み取り値が、受信及び記憶される。これらのセンサ読み取り値はしばしば「タグ」と呼ばれ、タグには様々な種類がある（例えば、振動タグ、効率タグ、温度タグ、圧力タグなど）。

これらのタグを経時的に注意深く監視することは、機械の劣化特性（例えば、装置の内部損傷、圧縮機の事象、計画的トリップと予定外のトリップ）を認識するのに多大な利点がある。例えば、圧縮機のロータ振動の値の（経時的な）増大は、深刻な問題の徴候である可能性がある。機械の劣化について、より詳細な情報が得られれば、機械事象の先行指標として動作する組み込みルール又は警報のセットによる故障診断能力がさらに向上する。すべてのタグ異常を、設計済みルール−警報とともに、同時に表示すれば、機械の監視及び診断、並びに新たなルール／警報の作成が、非常に効率的かつ効果的になる。監視及び診断の担当者は、クリティカルな逸脱に即座に注意を向けることが可能である。

しかし、センサデータには、かなりの量のノイズが含まれる。ノイズを取り除いて、観測結果を経時的又は機械間で比較できるようにするには、種々異なる補正を施す必要があり、種々異なる制御因子を用いることが必要である。仮にそうしたとしても、（数百から数千にもなる可能性がある）多数のタグを同時に監視して、データ中の異常を診断することは非常に困難である。

データからノイズを取り除き、異常を利用可能形式（例えば、絶対値及び方向）で把握又は同定し、その異常情報をルール又はモデルの構築に用いることは、様々なビジネス、テクノロジ、及び分野において必要とされるプロセスである。工業用途では、典型的には、監視及び診断チームが、制御チャート、ヒストグラム、散布図などを用いて、問題を、定例的にアドホック形式で報告する。しかし、このアプローチは、所与のタグが異常に高い（又は低い）か否かについての主観的評価を必要とする。

特定の値が、集団においてどの程度の外れ値（すなわち、異常値）であるのかを評価するために、Ｚスコアを始めとする統計手法が知られている。典型的なＺスコアは、集団の平均及び標準偏差の計算に基づく。Ｚスコアは、十分な員数の集団において単一の観測結果がどの程度異常であるのかを評価する場合には効果的でありうるが、値の数がわずかでしかないデータ集合に用いた場合には、異常の指標としてさほど効果的でないことが示されている。

異常スコアを計算する場合、処理すべき値がわずかしかないことはよくあることである。例えば、ある機械（例えば、タービン）を同等の機械（例えば、類似のタービン）の集合と比較する際に、対象機械と同等であると正当に見なされる機械を一握り以上同定するのが困難であるのは、よくあることである。さらに、多くの場合は、限られた期間内て現在の構成の下で作動していた可能性のある機械のみのパフォーマンスを評価することが望ましい。結果として、標準的なＺスコアは、データ集合が小規模の場合にはロバストでないため、異常スコアの測定に用いることは望ましくないか、正確でない場合が多い。
米国特許出願公開第２００６／００１５３７７号明細書 米国特許出願公開第２００６／００３１１５０号明細書 米国特許出願公開第２００６／００５９０６３号明細書

そこで、当技術分野では、様々な種類の発電設備において発生した異常を容易に同定、定量化、集約及び表示することができるプロセス、方法及び／又はツールが必要とされている。さらに、このプロセス、方法及び／又はツールは、異常情報を、関心対象事象の先行指標のような、意味のある情報へと変換できるものであるべきである。

本発明は、異常値を同定する方法を提供する。当該方法は、１以上の機械から作動データを取得するステップと、取得した作動データから１以上の例外的異常スコアを計算するステップとを含む。この例外的異常スコアを集約すれば、異常値を同定することができる。

本発明は、異常値を集約する方法を提供する。当該方法は、１以上の機械から作動データを取得するステップと、取得した作動データから１以上の例外的異常スコアを計算するステップとを含む。この例外的異常スコアは、１以上の絶対値異常測度を計算することによって、集約することができる。絶対値異常測度は、所定の時間幅での例外的異常スコアの平均値を示す。また、この例外的異常スコアは、１以上の頻度異常測度を計算することによって、集約することもできる。頻度異常測度は、任意の所定の時間幅のうちの、異常値を有する時間幅の百分率を示す。

監視及び診断（Ｍ＆Ｄ）においては、データからノイズを取り除くことが重要な概念である。これは、毎秒同時に監視する必要のある変数が多数ある場合には重要になり、条件調節（例えば、温度、動作モード、圧力など）が必要とされる場合にはさらに重要になる。本明細書では、監視及び診断にとって非常に有用かつ画期的な異常検出及び集約のプロセス並びにヒートマップツールについて説明する。本発明で具体化されるプロセス、方法、及びツールは、特に、発電設備（圧縮機、発電機、タービンなど）に適用される場合に有用である。しかし、本プロセス、方法及びツールは、監視する必要のある任意の機械又はシステムに適用できる。例えば、本発明で使用できる他の機械として、ガスタービン、水力発電タービン、蒸気タービン、バイオ燃料タービン、風力タービン、エンジン、ディーゼル発電機、機関車などがある。本プロセス、方法及びツールは、次の５つの主要な特徴を含む。

（１）技術データ（例えば、作動センサデータ）について例外的異常スコア（ＥＡＳ）を計算する。例外的異常スコアは、関連するデータの小さな集合との比較により、外れデータを定量化する。ＥＡＳの性能は、異常観測結果の同定に関して、Ｚスコア及び制御チャート統計より優れている。

（２）タグ及び時点の所与の集合の全体をユーザが効果的かつ効率的に監視できるデータの割合をユーザが定義できるように、例外的異常スコアについて複数の感度設定を作成する。さらに、これらの様々な感度設定を用いて診断を加える（例えば、警報を作成する）ことが可能である。

（３）データ粒度の異なる（例えば、時単位であったり日単位であったりする）様々な異常観測結果を集約する方法体系を提供する。これらの様々な異常観測結果は、互いに結合されたり、互いに変換可能であったりしてよい。時単位の異常観測結果を、日単位の異常観測結果に変換することが可能である。

（４）警報を作成する。これらの警報は、ルールベースのトリガであって、エンドユーザによって定義されることが可能であるか、事象（例えば、圧縮機事象）を同定する解析手段に基づき、リードタイムを経て提供されることが可能である。警報は、例外的異常スコア及びローセンサデータに基づく。警報はまた、例外的異常スコアの感度設定調節及び集約特性を利用することが可能である。

（５）データを情報に変換するヒートマップを作成する。ヒートマップは、外れ値検出可視化ツールであって、指定された各機械装置ごとに、多数の時点で、多数の選択されたタグについて、実行されることが可能である。ヒートマップは、「対象観測結果」の異常強度及び方向を示す。ヒートマップはまた、警報の可視表示を含むことが可能であり、所与の機械の異常なセンサ値に即座に注意を向けさせる。ヒートマップはまた、同等物との比較による解析を提供することが可能であり、これによって、運営チームは、稼働中に、様々な時間尺度（例えば、毎秒、毎分、毎時、毎日など）の間で進捗並びにマーケティング機会を高い精度で同定することが可能である。

例外的異常スコアの計算
装置／機械及び環境のばらつきを考慮して、ある対象装置の、あるタグの所与の値が予想範囲外にあるか否か（すなわち、異常か否か）を決定するために、その対象装置のタグデータを解析するためのベースを、コンテキスト情報を用いて形成することが可能である。このコンテキスト情報は、２つの主要ソース、すなわち、対象装置の過去のパフォーマンス、及び対象装置の同等物のパフォーマンスから取得可能である。そのようなコンテキスト情報を用いて、集団内、又はその装置自身のパフォーマンスに存在するばらつきの代表的な量を定量化することにより、現在のタグのデータとコンテキストデータとを系統的かつ厳密に比較して、対象装置のタグ値における異常データのレベルを正確に評価することが可能である。

前述のように、所与のタグが異常である度合いを適正に評価するために、コンテキスト情報が用いられる。評価を効果的にするためには、そのコンテキストデータを適切に選択しなければならない。時間領域において適切なコンテキストデータを選択する場合に、一般的に望ましいのは、関心対象期間において利用可能な最も近いデータを調べることである。関心対象期間は、通常は、利用可能な最近のデータなので、考慮対象として適切な時間範囲は、その装置にとって利用可能な、最近のデータのシーケンス（例えば、最近２週間（暦週）に対応するデータ）である。これによって、季節因子の影響が緩和される。

集団及び全体環境の挙動を考慮するための適切なコンテキストデータは、対象装置と「同等」の装置の適切な集団を用いることにより、求められる。例えば、対象タービンと同等の、適切な集団として、フレームサイズが同じであり、同じ地理的領域にあるタービンの集団が選択される。

上述のコンテキスト考慮に加えて、コンテキストデータは、同等の作動条件も含む。この実装の場合は（あくまで一例として）、過去において、１０のウィンドウの中で装置が同じＯＰＭＯＤＥ値、ＤＷＡＴＴ値、及びＣＴＩＭ値を有する任意の期間を意味するように、同等の作動条件を定義することが可能である。ＯＰＭＯＤＥは、稼働モードとして定義されてよい（例えば、低速クランキング時、最大出力時、又は５０パーセント出力時）。ＤＷＡＴＴは、電力のメトリックであってよい（例えば、メガワット出力）。ＣＴＩＭは、温度のメトリック（例えば、吸気温度）として定義されてよい。例えば、対象観測結果のＯＰＭＯＤＥ値が１であり、ＤＷＡＴＴ値が９５である場合は、ＯＰＭＯＤＥが１であって、ＤＷＡＴＴが９０と１００との間であった過去の期間だけが使用可能である。このような同等の作動条件は、システム構成の一部として定義される。

時間、地理的位置、フレームサイズ、及び作動条件について適切なコンテキストを確定することにより、所与のタグが異常に高い（又は低い）か否かについての主観的評価を不要にすることが可能になり、客観的かつ自動的な計算によって異常を検出及び定量化することが可能になる。Ｚ−Ｗｉｔｈｉｎ（過去との比較）例外的異常スコアを計算するために、（前述の定義のような）同等条件下で装置が作動していた、１０〜１５の観測履歴を使用することが可能である。これらの観測履歴を用いて、平均及び標準偏差を計算することが可能である。次に、観測履歴の平均及び標準偏差を用いて、対象観測結果のｚスコアを計算することが可能である。Ｚ−Ｗｉｔｈｉｎ例外的異常スコアの計算に使用される観測結果の数の最小及び最大は、システム構成の一部として定義される。Ｚ−Ｗｉｔｈｉｎは、特定の機械の現在の作動条件と、その機械の以前の作動条件との比較を提供する。Ｚ−Ｗｉｔｈｉｎの計算に使用される式は、一般に、次式の形式であってよい。

各装置に対して、フレームサイズが同じであって、同様の構成を有し、同じ地理的領域にある、最大８個以上の他の装置を、同等物として同定することが可能である。Ｚ−Ｂｅｔｗｅｅｎ例外的異常スコアは、特定の装置又は機械がその同等物とどれほど異なるかの指標である。例えば、Ｆフレームガスタービンが、他の同様のＦフレームガスタービンと比較される。Ｚ−Ｂｅｔｗｅｅｎ例外的異常スコア（同等物との比較）を計算するために、（前述の定義のような）同等条件下で作動している各同等物から単一の最近の観測結果を選択することが可能である。この結果として、平均及び標準偏差を計算すべき同等物観測結果が最大８個以上得られる。次に、この同等物集団の平均及び標準偏差を用いて、対象装置のｚスコアを計算することが可能である。Ｚ−Ｂｅｔｗｅｅｎ例外的異常スコアの計算に使用される観測結果の数の最小及び最大は、システム構成の一部として定義される。Ｚ−Ｂｅｔｗｅｅｎの計算に使用される式は、一般に、次式の形式であってよい。

値が異常に高くなる場合と異常に低くなる場合とがあることに注意されたい。一般的には、値の、好ましい傾向として認識される特定の方向が存在するが（例えば、一般的には、振動は高いより低いほうがよい）、本手法は、異常の極性に関係なく、異常を同定及び定量化するように設計されることに注意されたい。この実装では、方向は、「良い値」も「悪い値」も意味しない。その代わりに、方向は、異常の方向を表す。例外的異常スコアが過去に比べて高い負の数値である場合、これは、その装置の過去に比べて値が異常に低いことを意味する。例外的異常スコアが高い正の数値である場合、これは、その装置の過去に比べて値が異常に高いことを意味する。この解釈は、同等物異常スコアについても同様である。個々のタグの異常方向は、システム構成の一部として定義されることが可能である。

これらの手法を用いて異常を検出することにより、警報を作成することが可能である。警報は、カスタマイズ可能なしきい値に対する、タグ値のルールベースの組み合わせであってよい。

複数の感度設定の作成
例外的異常スコアについては、スコアとパーセントテール計算との間の変換を行うことが可能である。具体的には、例外的異常スコアの絶対値のレンジが、ローメトリックの分布に対する異常分布の百分率のレンジに対応する。この変換から、アナリストが、ローメトリックについての「アラーム」又は「赤旗」を意味する例外的異常スコアカットオフ値を選択することが可能である。さらに、この変換は、「異常」として判定されるのに十分な高さの百分率を自由に決定できるエンドユーザにとっての使いやすさを提供する。さらに、この変換により、「異常」の定義を、用途ごとに、あるいは事業ごとに、あるいはメトリックごとに、必要に応じて変更することが容易に可能である。

図１（例外的異常スコアカットオフテーブル）は、ローメトリックが正規分布であって、異常定義が２テールである場合（すなわち、ローメトリックの高い絶対値と低い絶対値の両方が、エンドユーザの関心対象である異常レンジを有する場合）に使用されることが可能な変換テーブルである。例えば、サンプルサイズが８であって（行１１０）、ローメトリックが正規分布であると見なされる場合は、全場合の０．１５％（セル１３０）が、例外的異常スコアの−６未満及び６超（列１２０）と予想される。言い換えると、Ｍ＆Ｄチームが、あるメトリックにおいて観測結果の上位０．１５％を「基準外れ」として調査しようとする場合、サンプルサイズが８であって正規であると見なされれば、スコアカットオフとして６を選択しなければならないこのテーブルはさらに、ｚスコアと例外的異常スコアとの関係を示している。サンプルサイズが増えるにつれ（かつ、正規であると見なされると）、ｚスコアと例外的異常スコアは、ほぼ同一になる。

例えば、タービンや圧縮機の場合、センサデータは、様々な形状の分布を有する、３００を超える数の異なるタグを含む可能性がある。タグ間で同じカットオフ値が使用可能か否か、あるいは、異なるタグに対して異なるカットオフ値が必要か否かを知るためには、感度解析が必要である。言い換えると、高次元のセンサデータに対しては、異なる分布間で変換テーブルがどれほどロバストかを検定する必要がある。異なるタグは異なる分布の形状及び大きさを示すことがあるが、これらのタグでのＺ−Ｗｉｔｈｉｎスコア及びＺ−Ｂｅｔｗｅｅｎスコアは、形状の多様性が少なく、大きさの多様性も意図的に少ないことがある。すべてのＺ−Ｗｉｔｈｉｎ分布及びＺ−Ｂｅｔｗｅｅｎ分布にわたって、例外的異常スコアが２、６、１７、５０、及び１５０の場合に自然カットオフが検出された。しかし、カットオフ及び対応する異常分布百分率を決定するためには、系統立った実験的調査をさらに実施する必要がある。

例外的異常スコアは、１１個のバケットにカテゴライズされる（すなわち、（−２，２）＝バケット０、（２，６）＝バケット１、（６，１７）＝バケット２、（１７，５０）＝バケット３、（５０，１５０）＝バケット４、（１５０以上）＝バケット５、（−６，−２）＝バケット−１、（−１７，−６）＝バケット−２、（−５０，−１７）＝バケット−３、（−１５０，−５０）＝バケット−４、（−１５０以下）＝バケット−５）。各バケットに入るＺ−Ｗｉｔｈｉｎスコアのパーセントが、すべてのタグについて計算される。次に、各バケットに対するタグ間のそれらの百分率から分布が引き出され、中央値に対する四分位数並びに９５％信頼区間が計算される。

図２は、異常スコアの記述統計を示し、バケット５についてのこれらの計算の一例である。領域２１０は、ヒストグラムであり、確率値又は百分率値の分布を示す。これらは、Ｚ−Ｗｉｔｈｉｎについて、１５０以上のカットオフで異常スコアを取得する確率である。領域２２０は、やはり１５０以上における異常スコアの確率値又は百分率値の分布を示すボックスプロットである。２３０は、確率値又は百分率値の分布平均値に対する９５％信頼区間を示す。ボックス内の縦線は、平均値を表し、ボックスの両端は、信頼区間における最小値及び最大値を表す。別のボックスプロットが２４０に示されており、これは、確率値又は百分率値の分布中央値に対する９５％信頼区間を示す。このボックス内の線は、中央値を表し、ボックスの両端は、信頼区間における最小値及び最大値を表す。領域２５０にリストされた統計は、図示された分布と、平均値及び中央値のような基本統計量と、報告された基本統計量に対する信頼区間とについての正規性検定を表す。バケット５の分布の中央値は、約０．１％であり、これは、Ｚ−Ｗｉｔｈｉｎスコアの約０．１％がカットオフの１５０以上にあることを示している。この中央値に対する９５％信頼区間は、０．０７％〜１．３％である。

図２の計算と同様の計算が、すべてのバケットについて別々に行われ、したがって、Ｚ−Ｗｉｔｈｉｎ及びＺ−Ｂｅｔｗｅｅｎのすべてのカットオフ値について行われる。解析の結果として、与えられたセンサデータに対して、タグ間で同様のカットオフを用いることが可能であり、したがって、この変換テーブル及び所定のカットオフは、ロータグ分布の違いに対してロバストであることが示される。

図３は、Ｚ−Ｗｉｔｈｉｎについての実験的結果に基づく、カットオフ値と異常分布百分率との間の変換を示す。実験的調査によれば、異常スコアの約６％が、２と６との間の例外的異常スコア値を有すると予想される。実際のデータ集合に基づく、これらの予想される異常百分率は、図１に示すシミュレーション調査に基づく百分率に非常に近いことに注意されたい。具体的には、このデータ集合に対して、全スコアの６．７％がカットオフの２を上回ると予想され、全スコアの１３．４％がカットオフの２を上回るか、カットオフの−２を下回ると予想される。同様に、サンプルサイズが６〜７の場合、図１は、カットオフの２を上回るか−２未満場合について、１２．３１％〜１４．３１％の変換を示す。

上記結果は、発電設備のセンサデータからの実際のデータに対して、例外的異常スコアカットオフについて予想される変換を実証する。提案されたカットオフ及び対応する百分率が、すべてのタグにわたるすべてのＺ−Ｗｉｔｈｉｎに対してだけでなく、サンプルサイズが全体データに比べて相対的に小さい各タグにおいても妥当であることを確認するために、第２の一連の解析を実施した。連続的なＺ−Ｗｉｔｈｉｎスコアを、あらかじめ定義された１１個のバケットを有する、１１カテゴリの順序スコアに変換した。次に、各タグについての分布を、順序スコアから別々に抽出した（図４を参照）。図４のグラフからわかるように、ほとんどのタグが、順序Ｚ−Ｗｉｔｈｉｎスコアに対して、同様の形状の分布を有する。

図５は、各タグについての、順序Ｚ−Ｂｅｔｗｅｅｎスコアに対する分布を示しており、図４と類似している。一部のタグについてはバケット２、３、−２、又は−３に対する形状が若干異なっているが、全体としては、Ｚ−Ｂｅｔｗｅｅｎスコアについての形状は、Ｚ−Ｗｉｔｈｉｎスコアについての形状とあまり異なっていない。したがって、このデータ集合においては、Ｚ−ＷｉｔｈｉｎスコアとＺ−Ｂｅｔｗｅｅｎスコアの両方について、同じタグ間カットオフ値を用いてよいことが結論づけられる。さらに、提案されたカットオフ（すなわち、２、６、１７、５０、１５０、−２、−６、−１７、−５０、−１５０）に対する変換異常百分率は、実験的結果（図３を参照）に基づいて決定されても、シミュレーション調査（図１を参照）に基づいて決定されてもよい。というのも、それらは同等の数値を提示するからである。

様々な異常観測結果の集約
多くの設備ユーザ（例えば、発電所、タービンオペレータなど）は、監視及び診断のための豊富なデータを有する。より重要なことに、このデータは、小さな時間単位（例えば、毎秒や毎分）で存在することが多い。データが豊富であることは有利だが、データの保存や監視に問題が生じないように、かつ、データが有用な情報を持ち続けるように、データの集約を効果的に行わなければならない。

集約は非常に望ましいが、タスクによってはリスクがある。異常集約は、それ自体、矛盾した表現である。すべての異常は、１つ１つのデータ点の特異性及びそれぞれへの集中を含意するが、集約は、詳細及び異常を除外して要約することを含意する。しかし、その矛盾する性質に関係なく、異常集約は必要とされる。というのも、長時間にわたる、多数のタグについての、毎秒又は毎時のデータを保存することができないからであり、さらに重要なこととして、特定のタイプの事象については、毎秒の監視では、あるいは毎時の監視であっても、情報が多すぎる場合があるからである。さらに具体的には、ほとんどの設備ユーザは、機械装置の「急性」の異常と「慢性」の異常とを対比して把握することに関心がある。急性の異常は、まれにしか起こらない、高い絶対値の異常である。慢性の異常は、特定のメトリックについて、機械間及び経時的に頻繁に起こる。

図６は、２つの装置の、経時的なＺ−Ｗｉｔｈｉｎ測定値を示す。Ｘ軸は、各装置における時間である。縦の点線６３０は、２つの装置のデータを区切っている。第１の装置のデータは、点線６３０の左側にあり、６１０で示される。第２の装置のデータは、点線６３０の右側にあり、６２０で示される。このグラフからわかるように、第２の装置（領域６２０）は、−１００未満の外れ値と、１００を上回る外れ値とを、１つずつ有する。このようなレンジの出現は、このメトリック及びこれらの装置の場合にはまれにしか起こらないため、これら２つの外れ値は「急性」とされる。図７のグラフは、図６のグラフと同様に読み取られてよく、「慢性の異常」の概念を示している。慢性の異常は、定義上は、特定のメトリックについて、機械間及び経時的に頻繁に起こる（すなわち、例外的異常スコアの絶対値が２超）キャプチャ異常である。

前述のように、データを集約するには、様々な方法がある。統計は、定義上、集約を含む。データを、いくつかの数値（例えば、平均、中央値、標準偏差、分散など）で示すことは、「統計」又は「分析」を、極めて単純化した定義である。しかし、これらの、昔からある方法のどれもが、異常集約のソリューションを提供しない。日単位の平均が、時単位の異常を確実に示すことはできない。「例外的異常スコア」の集約は、本発明によって実施される、新しい方法である。以前は、時単位の異常を同定するには、時単位のデータを監視することが唯一の方法であり、データ監視は、異常が検出される必要がある粒度において、行われなければならなかった。言い換えると、最高粒度で（例えば、毎秒又は毎時に）行われなければならなかった。このような粒度においては、長期的傾向を調べたり、異装置間で効果的に比較対照したりすることは困難である。

例外的異常スコアの集約に用いることが可能な２つの測度、すなわち、絶対値異常測度及び頻度異常測度について、本発明の実施形態に従って説明する。絶対値異常測度は、平均のような、中心的傾向の測度を用いる。頻度異常測度は、比又は百分率を用いる。

絶対値異常測度は、急性の異常を同定することが可能であり、平均のような、中心的傾向の測度を用いてよい。（図８の左側に示す）日単位絶対平均は、絶対値異常測度の一例である。絶対平均は、所定の時間幅（例えば、秒、分、時、日、週、月、又は年）の間に高絶対値の異常が負又は正の方向に１つ以上存在するか否かを示すことが可能である。例えば、日単位絶対平均は、一日の間に高絶対値の異常が負又は正の方向に１つ以上存在するか否かを示す。

頻度異常測度は、慢性の異常を同定するために用いられることが可能であり、比又は百分率を用いてよい。（図８の右側に示す）日単位パーセント異常は、頻度異常測度の一例である。日単位パーセント異常は、一日の間の異常時間数、又は一月の間の異常日数を示すことができるという意味において、日単位絶対値平均を補完する。一般に、頻度異常測度は、より大きな時間帯（例えば、分、時、日など）における異常時間帯（例えば、秒、分、時など）の数を示すために用いられることが可能である。

これら２つのスコア（すなわち、日単位絶対平均及び日単位パーセント異常）は同時に用いられるので、これらは、異常時間がある日を示すとともに、急性の異常と慢性の異常とを区別する。（まれにしか起こらない）急性の異常は、日単位絶対平均が高く、日単位パーセント異常が低い。急性の異常は、１つ又は２つの高絶対値異常によって示されることが可能である。一方、（しばしば起こる）慢性の異常は、日単位絶対平均が低いか高く、日単位パーセント異常が高い。慢性の異常は、一日の間のいくつかの、又は一連の異常によって示されることが可能である。しかし、慢性の異常は、例外的異常スコアの絶対値が高いことが必ずしも必要ではない。

図８は、絶対値異常測度及び頻度異常測度の一使用例を示す。図８の左側のグラフは、絶対値異常測度（日単位絶対平均）を示している。右側のグラフは、頻度異常測度（パーセント異常）を示している。これらの絶対値異常スコア及び頻度異常スコアは、Ｚ−Ｂｅｔｗｅｅｎ及びＺ−Ｗｉｔｈｉｎの両方について計算可能である。さらに、各次元について、絶対値スコア及び頻度スコアの両方を、タグ間、時間帯間、及び機械装置間で別々にランク付けすることが可能である。次に、これらのランクをパーセンタイルに変換して、絶対値異常スコアのパーセンタイルと、頻度異常スコアのパーセンタイルとを与えることが可能である。さらに、各スコアについてのこれらのパーセンタイルを、「最大値」関数を用いて、Ｚ−Ｂｅｔｗｅｅｎ及びＺ−Ｗｉｔｈｉｎのそれぞれに関して別々に組み合わせることが可能である。さらに具体的には、Ｚ−Ｂｅｔｗｅｅｎ異常スコア又はＺ−Ｗｉｔｈｉｎ異常スコアの最大パーセンタイルが、急性の異常、慢性の異常、又はその両方を表す。

図９は、最大パーセンタイルＺ−Ｂｅｔｗｅｅｎ及び最大パーセンタイルＺ−Ｗｉｔｈｉｎのグラフ及びデータ集合を示す。例えば、グラフの右上の点線ボックス内の点は、同じタービンが「ＣＳＧＶ」タグに関して４日間連続で異常を引き起こしていることを表す。ＣＳＧＶタグは、ＩＧＶ（入口案内翼）角度に関連するメトリックであってよい。（図１０のデータエントリ９２、９３、９４、９５に対応する）これら４個のデータ点は、その装置の過去及び同等物の両方と比較して異常である。ＣＳＧＶタグに関して、この装置のそれら４日間をさらに調査すると、その４日間中に何時間も、同等物と比較して異常があることがわかる。一方、時単位Ｚ−Ｗｉｔｈｉｎ異常は、数的には時単位Ｚ−Ｂｅｔｗｅｅｎ異常と比較するとまれであるが、絶対値が高い。この結論のすべてを、図１０のデータ表から読み取ることが可能であり、この表には、Ｚ−Ｂｅｔｗｅｅｎ及びＺ−Ｗｉｔｈｉｎについての日単位絶対値異常スコア、頻度異常スコア、及び日単位パーセンタイルが含まれる。

警報作成とヒートマップ作成
本発明の一実施形態によれば、異常検出プロセス及びヒートマップツールは、計算エンジン（Ｃａｌｃｕｌａｔｉｏｎ Ｅｎｇｉｎｅ）及び可視化ツール（Ｖｉｓｕａｌｉｚａｔｉｏｎ Ｔｏｏｌ）と呼ばれる２つのＪａｖａプログラム（ｊａｖａは、登録商標）により、ソフトウェアの形で実装されることが可能である。計算エンジンは、例外的異常スコアを計算し、異常スコアを集約し、Ｏｒａｃｌｅデータベースを更新し、ルールがトリガされたときに警報を送る。計算エンジンは、毎時に実行されるコマンドラインバッチプロセスから周期的に呼び出されることが可能である。可視化ツールは、要求に応じて異常スコアをヒートマップ（図１１を参照）のかたちで表示し、ユーザがルールを作成することを可能にする。可視化ツールは、Ｗｅｂアプリケーションとして実行されることが可能である。これらのプログラムは、Ｌｉｎｕｘ、Ｗｉｎｄｏｗｓ（登録商標）、その他のオペレーティングシステムで動作するアプリケーションプロセッサにおいて実行可能である。

計算エンジンのコマンドライン呼び出しの一例を示す。

ｊａｖａ −Ｘｍｘ２７００ｍ −ｊａｒ ｐｏｐｕｌａｔｅ．ｊａｒ −−ｕｐｄａｔｅ ｔ７ ｎ （ｊａｖａは、登録商標）
これは、周期的更新を実施し、最大７個以上の同時スレッドを利用し、データベース内に新しいセンサデータがあれば、それを同定してから先に進むことを、計算エンジンに指示する。プログラムは、まず、可視化ツールのユーザによって作成された、すべての新しいカスタム警報、及びすべての新しい、機械装置のカスタム同等物について、ルールを計算する。次にプログラムは、新着のローセンサデータをサーバから取り出し、その新たなデータをＯｒａｃｌｅデータベースに格納し、その新たに追加されたデータについて例外的異常スコア及びカスタム警報を計算する。プログラムは、これらすべての計算結果をデータベースに格納して、可視化ツールが例外的異常スコア及びカスタム警報のヒートマップを表示することを可能にする。この計算によって、機械劣化事象を検出する可能性が高いルールを有するカスタム警報が、リードタイムを経てトリガされる場合は、監視及び診断チームのメンバに警告信号を送信するように、計算エンジンを構成することが可能である。警報は、チームのコンピュータ／ノートブックによって提示される可聴信号及び／又は可視信号、あるいは、チームの通信装置（例えば、携帯電話、ページャ、ＰＤＡなど）に送信される信号であってよい。

可視化ツールの主要な用途は、特定の機械装置についてのヒートマップを、監視及び診断チームのメンバに提示することである。可視化ツールのユーザは、日付範囲を変更することが可能であり、同等物集団を変更することが可能であり、個々のタグのデータの時間系列グラフの詳細データにアクセスすることが可能である。可視化ツールは、そのプレゼンテーション層及びユーザインターフェースにＪａｖａ Ｓｅｒｖｅｒ Ｐａｇｅｓ（ｊａｖａは、登録商標）を利用することが可能である。Ｊａｖａ Ｓｅｒｖｅｒ Ｐａｇｅｓ（ｊａｖａは、登録商標）は、ＭＶＣアーキテクチャにおける表示であり、ビジネスロジックを含まない。この実施例の場合、サーバマシン及びクライアントマシンの唯一の要件は、Ｊａｖａ準拠（ｊａｖａは、登録商標）のサーブレットコンテナ及びＷｅｂブラウザである。

可視化ツールはさらに、他のいくつかのユースケースをサポートする。可視化ツールのユーザは、同等物ヒートマップを表示し、同様の警報を有する機械を見つけ、カスタム同等物集団を作成し、カスタム警報を作成し、何種類かのレポートを表示することが可能である。同等物ヒートマップは、各マシンのヒートマップを単一のヒートマップにマージし、隣接する列が、各マシン自身の前の時点及び後の時点におけるヒートマップセルを示すのではなく、同じ時点における同等マシンのヒートマップセルを示すようにする。ユーザは、日付を変更することが可能であり、特定タグに関して同等物のデータを比較する時間系列グラフの詳細データにアクセスすることが可能であり、各機械ヒートマップの詳細データにアクセスすることが可能である。他のページに対しては、ユーザはさらに、カスタム警報を指定し、それらの警報をトリガした機械を検索することが可能である。ユーザは、カスタム警報のルールを作成、修正、及び削除することが可能である。また、レポートによって、監視対象の装置、（装置によって異なる）装置のローセンサデータの待ち時間、及びトリガされる警報の精度に関する情報を評価することが可能である。

例えば、本発明によって実施される異常検出手法を、重大な故障事象が発生した一連のタービンに適用した。この故障事象は、履歴センサデータが使用可能であった４か月間に１０台のタービンでしか起こらない、まれなものであった。その事象が発生した各タービン（事象装置）について、最大２か月分の履歴データを収集した。比較のために、その事象が発生しなかった２００台のタービン（非事象装置）についての４か月分の履歴データを取得した。

各事象装置に対し、同じ地理的領域において作動している、同様の構成の、６〜８台の他のタービンからなる同等物集団を作成した。次に、事象装置及び非事象装置について、Ｚ−Ｗｉｔｈｉｎ及びＺ−Ｂｅｔｗｅｅｎの例外的異常スコアを計算した。Ｚ−Ｗｉｔｈｉｎは、装置が、作動モード、出力ワット数、及び周囲温度によって設定された同様の条件の下で作動していたときの過去の観測結果と比較して、どれほど異なっていたかを示した。Ｚ−Ｂｅｔｗｅｅｎは、装置が、同様の条件の下で作動していた同等物と比較して、どれほど異なっていたかを示した。次に、図１１に示されるように、これらの偏差を、ヒートマップにより可視化した。

図１１に示すヒートマップの各列は、時間帯を表す。各時間帯は、数日、数時間、数分、数秒などであってよく、あるいは、これらより長くても短くても良い。各行は、例えば振動やパフォーマンスの測度など、関心対象メトリックを表す。各メトリックにつき、２つ以上の行の色付きセルがあってよいが、図１１では１つの行だけが示されており、それらのセルは、区別のために、様々なパターンで濃淡が付けられている。白色のセルは、正常又は非異常と見なされてよい。ＡＦＰＡＰ行の、淡い縦線で埋められたセルは、小さな負の値と見なされてよく、ＧＲＳ＿ＰＷＲ＿ＣＯＲ（補正された総発電電力（ｃｏｒｒｅｃｔｅｄ ｇｒｏｓｓ ｐｏｗｅｒ））行の、濃い縦線で埋められたセルは、大きな負の値と見なされてよい。ＣＳＧＶ行の淡い横線は、小さな正の値と見なされてよく、同じ行の、濃い横線で埋められたセルは、大きな正の値と見なされてよい。低い警報の行は、特定のセルにクロスハッチパターンがある。これは、小さな値、大きな値、及び正常な値を視覚的に区別する一例に過ぎず、様々なパターン、色、及び／又は色の強さを用いることが可能である。

ヒートマップの各セルは、データの、異なるレベル又は絶対値及び／又は方向／極性を区別するために、様々な色又は様々な濃淡又はパターンを表示することが可能である。行が２つある実施形態では、上側の行がＺ−Ｂｅｔｗｅｅｎ例外的異常スコアの絶対値を表し、下側の行がＺ−Ｗｉｔｈｉｎ例外的異常スコアの絶対値を表すことが可能である。異常スコアが負の（異常に低い値を表す）場合、セルは青色であってよい。小さな負の値は淡い青色であってよく、大きな負の値は濃い青色であってよい。異常スコアが正の場合（異常に高い値を表す）、セルは橙色であってよい。小さな正の値は淡い橙色であってよく、大きな正の値は濃い橙色であってよい。ユーザは、特定の色強度を達成するのに必要な絶対値を指定することが可能である。必要に応じて様々な色レベルを表示することが可能であり、例えば、３つの色レベルの代わりに、１、２、又は４、又はそれ以上の色強度レベルを表示することが可能である。この例では、カットオフは、感度解析によって決定された。

図１２に示すヒートマップは、最近２４時間のシステム全体の状態の１つのスナップショットを示す。各セルは、そのタービンの過去又は同等物と比較して異常であるメトリックを示している。監視チームのメンバは、ヒートマップにより、システムの状態を閲覧して、異常なセンサ値を同定することを素早く行うことが可能である。この故障事象装置の場合、ヒートマップは、タービンにおいて、（ＢＢ及びＢＲメトリックで測定されるように）振動が大幅に増加したのと同時に、多くのパフォーマンス測度（ＧＲＳ＿ＰＷＲ＿ＣＯＲ（補正された総発電電力（ｃｏｒｒｅｃｔｅｄ ｇｒｏｓｓ ｐｏｗｅｒ））などが著しく低下したことを示している。事象タービンと非事象タービンのヒートマップを検査したところ、この痕跡は、１０台の事象装置のうちの４台に、事象に先立つ数時間にわたって存在したが、非事象装置にはまったく存在しなかったことがわかった。検査チームは、事象装置と非事象装置のヒートマップを目視検査することにより、この故障状態の警戒標識として動作するルールを作成することが可能である。次に、これらのルールを、ルールベースの赤旗という形式でシステムにプログラムすることが可能である。その後、システムは、タービンを監視し、それらの赤旗がトリガされた場合には、監視チームに信号又は警報を送る。

図１２に示すヒートマップの最上行は、異なるレンジの値同士を視覚的に区別するために、様々なパターン、色、及び色強度を表示できる。この例では、大きな負の値が、濃い横線で示され、中程度の負の値が中程度の横線で示され、小さな負の値が、淡い横線で示されることが可能である。同様に、大きな正の値が、濃い縦線で示され、中程度の正の値が中程度の縦線で示され、小さな正の値が、淡い縦線で示されることが可能である。色を用いる実施形態では、図１２に示すヒートマップの最上行の各矩形は、様々な色及び強度を示すことが可能である。例えば、濃い横線で埋められたボックスは、無地の濃い青色に置き換え可能であり、中程度の横線で埋められたボックスは、無地の青色に置き換え可能であり、淡い横線で埋められたボックスは、無地の淡い青色に置き換え可能である。濃い縦線で埋められたボックスは、無地の濃い橙色に置き換え可能であり、中程度の縦線で埋められたボックスは、無地の橙色に置き換え可能であり、淡い縦線で埋められたボックスは、無地の淡い橙色に置き換え可能である。これらは、様々な異常値又は異常スコアを区別するために用いられることが可能な、様々な色、パターン、及び強度のうちの数例に過ぎない。

本明細書記載の様々な実施形態において、要素のその他様々な組み合わせ、変形又は改良が可能であり、それらも本発明の精神に含まれることを、本明細書から理解されたい。

例外的異常スコアカットオフテーブルである。 例外的異常スコアの記述統計を示す図である。 Ｚ−Ｗｉｔｈｉｎについての実験的結果に基づく、カットオフ値と異常分布百分率との間の変換を示す図である。 Ｚ−Ｗｉｔｈｉｎ値の分布を示す図である。 Ｚ−Ｂｅｔｗｅｅｎ値の分布を示す図である。 ２台の別々の機械についての、経時的なＺ−Ｗｉｔｈｉｎの値を示す図である。 ３１台の別々の機械についての、経時的なＺ−Ｗｉｔｈｉｎの値を示す図である。 経時的な日単位絶対平均値及びパーセント異常値を示す図である。 最大パーセンタイルＺ−Ｂｅｔｗｅｅｎ及び最大パーセンタイルＺ−Ｗｉｔｈｉｎのグラフ及びデータ集合を示す図である。 Ｚ−Ｂｅｔｗｅｅｎ及びＺ−Ｗｉｔｈｉｎについての日単位絶対値異常スコア、頻度異常スコア、及び日単位パーセンタイルの表である。 複数の行列からなるヒートマップを示す図である。このヒートマップの列は、時間帯を表し、行は、関心対象メトリック（例えば、振動やパフォーマンスの測度）を表す。 一例の機械の２４時間のうちの一スナップショットを示す、別のヒートマップを示す図である。

符号の説明

１１０ サンプルサイズの行
１２０ 例外的異常スコアの列
１３０ テーブルのセル
２１０ ヒストグラム
２２０ ボックスプロット
２３０ ボックスプロット
２４０ ボックスプロット
２５０ 正規性検定に関する統計
６１０ 第１の装置のデータ
６２０ 第２の装置のデータ
６３０ 点線

Claims (10)

1. 異常値を同定する方法であって、
   １以上の機械から作動データを取得するステップと、
   上記作動データから１以上の例外的異常スコアを計算するステップと、
   １以上の例外的異常スコアを集約するステップと
   を含んでなる方法。
2. 所定の時間幅における前記作動データ又は１以上の例外的異常スコアの平均値を特定する１以上の絶対値異常測度を計算するステップステップをさらに含む、請求項１記載の方法。
3. 異常値を有する所定の時間幅を示す頻度異常測度を求めるステップをさらに含む、請求項１又は請求項２記載の方法。
4. 前記所定の時間幅が、秒、分、時、日、週、月及び年からなる群から選択される、請求項２又は請求項３記載の方法。
5. 前記集約ステップが、
   異常値を有する所定の時間幅の数を特定する１以上の頻度異常測度を計算するステップをさらに含んでおり、
   上記所定の時間幅が、秒、分、時、日、週、月、及び年の１以上からなる群から選択される、請求項１乃至請求項４のいずれか１項記載の方法。
6. 前記１以上の機械が、
   圧縮機、ガスタービン、水力発電タービン、蒸気タービン、風力タービン、エンジン、ディーゼル発電機、機関車及び発電機からなる群から選択されるターボ機械である、請求項１乃至請求項５のいずれか１項記載の方法。
7. 前記作動データを取得するステップが、
   複数の機械から作動データを取得するステップであって、各機械が構成、容量、サイズ、出力及び地理的位置のうちの１以上において類似しているステップをさらに含む、請求項１乃至請求項６のいずれか１項記載の方法。
8. １以上の絶対値異常測度及び１以上の頻度異常測度を、グラフィカル形式又は表形式の少なくともいずれかで結合するステップであって、１以上の例外的異常スコアの中に急性又は慢性の異常が存在するか否かを示すように結合するステップをさらに含む、請求項２乃至請求項８のいずれか１項記載の方法。
9. 前記急性の異常が、
   １以上の絶対値異常測度の高い値、１以上の頻度異常測度の低い値、及びまれにしか起こらない異常値の１以上によって示される、請求項２乃至請求項８のいずれか１項記載の方法。
10. 前記慢性の異常は、
    １以上の絶対値異常測度の低い値か高い値、及び１以上の頻度異常測度の高い値によって示される、請求項２乃至請求項９のいずれか１項記載の方法。