JP2011243118A - 監視診断装置および監視診断方法 - Google Patents

Abstract

【課題】異常検知の精度を向上させ、その異常の原因を効率よく推定する。
【解決手段】異常監視処理部２は、センサデータ収集処理部１により監視対象装置８の複数のセンサ８１から収集されたセンサデータを、状態モード遷移点検出処理部２１で検出された状態モード遷移点に基づき複数の状態モード別センサデータに分割し、さらに、その分割されたセンサデータを、データ項目グループ分類処理部２３により複数のグループに分類する。そして、各状態モードおよびグループごとに、各センサデータを過去の統計データと比較することによって、その異常を検知する。また、原因診断処理部３は、その異常の検知前と検知時それぞれについて、各状態モードおよびグループごとの各センサデータ同士の相関係数によりセンサデータ間およびグループ間のリンクモデルを構築し、異常検知前のリンクモデルと異常検知時のリンクモデルとの差分に基づき、異常原因を診断する。
【選択図】図１

Description

本発明は、複数の部品を有する装置の動作異常を監視するとともに、その動作異常の原因を診断する監視診断装置および監視診断方法に関する。

熱電併給（コージェネレーション）装置に代表される、燃料を少なくとも運動エネルギー、熱エネルギー、または電気エネルギーに変換するエネルギー変換装置（設備）などにおいては、装置の状態を計測するために複数のセンサ（計測器）を備え付け、そのセンサにより装置の状態を時々刻々と計測して把握し、その計測データ（装置状態計測データ、センサデータなどと称する）に基づいて、装置の正常または異常の状態を判定し、異常状態を捉えて保守を行う、状態基準保全（ＣＢＭ：Condition Based Maintenance）の技術がある。

状態基準保全（ＣＢＭ）を有効に実施するためには、故障に至る前の異常の兆候を捉える必要がある。その異常の兆候を捉える方法としては、複数の状態計測センサのデータを統計的に解析して、装置の正常状態における状態計測センサのデータを基準として求めておき、時々刻々計測されるデータをその基準と照合する方法が有効である。

また、エネルギー変換装置などにおいては、装置を構成するモジュールやそのモジュールを構成する部品の多くは、装置がエネルギー変換などの目的を達成するために連動して動作する。よって、装置を構成する複数の部品などに設置された複数のセンサの出力の多くも、連動して変化する。そこで、正常状態時に連動して変化するセンサの出力の関係と、異常状態時に連動して変化するセンサの出力の関係を比較してモデル化すれば、異常状態を検知後に異常（故障）の原因を診断することができる。

例えば、特許文献１，２には、装置の状態基準保全（ＣＢＭ）の例ではないが、グラフィカルモデルによって、製造ラインの製品品質と工程データの間の因果関係の解析を行う方法が述べられている。また、非特許文献１には、グラフィカルモデルによって因果関係の解析を行う統計数理的な一般的アルゴリズムの方法が述べられている。

特開２００６−６５５９８号公報 米国特許第７２０９８４６号明細書（ＵＳ ７,２０９,８４６ Ｂ２）

Christopher M. Bishop, "Pattern Recognition and Machine Learning", USA, Springer, 2006, Chapter 8 (Graphical Models), ISBN 978-0387310732

従来の状態基準保全（ＣＢＭ）技術や特許文献１に記載されている技術では、次に示すような課題が解決されていない。

（課題１：装置状態の変化への対応）
一般に、装置の状態は、故障以外の要因によっても変化する。装置には、連続定常稼働しているもの以外に、工場や店舗の操業に合わせて、始動、定常運転、停止の運転サイクルを繰り返すものがある。このサイクル運転装置では、始動と停止の過渡状態において状態変化が発生する。また、連続定常稼働している装置であっても、定期メンテナンスのときには停止し、メンテナンス終了後に始動するため状態変化が発生する。従来技術では、このような状態変化をも捉えて異常（異常兆候）発生と報告していた、すなわち、虚報が発報されるという問題があった。

とくに、連続定常稼働中の定常状態では、装置に作用する外乱の影響を抑制するためのフィードバック制御が働いており、その制御システムを構成する制御器とアクチュエータとセンサが正常に働いているか否かを監視する必要がある。従って、定常状態の状態変化は、制御によって過渡状態の状態変化よりも十分小さな値に抑制されている。従って、その定常状態を精度良く監視する判定基準を、過渡状態の監視に適用すると、過渡状態の状態変化を検知して直ちに虚報を発報してしまうことになる。このように、従来技術では、虚報の発報に対する対応技術は、何ら用意されていない。

（課題２：原因診断）
また、異常状態が検知されたときには、その異常状態の原因を診断する必要がある。その場合、診断の対象となる計測データの項目数（設置センサ数）が多くなると、原因診断の精度が低下する、あるいは、原因診断に長時間を要するという問題が生じる。とくに、エネルギー変換装置などにおいては、その装置を構成するほとんどの部品についての計測データがエネルギー変換の目的のために連動して変化するため、その連動関係を解析することが困難になり、データ項目数が多くなればなるほど、その中から真の原因を絞り込むことが困難になるという問題があった。

特に、非特許文献１に開示されているグラフィカルモデルを用いて原因診断を行う際には、逆行列の計算が必要になるが、連動して変化するデータ項目数が含まれると逆行列の計算が不安定になるという問題があった。また、原因の絞り込みが不十分な場合には、大規模装置の原因診断結果を提示された保守作業員がその内容を判断することが困難になるという問題があった。

以上の従来技術の課題に鑑み、本発明は、異常検知の精度を向上させるとともに、その異常の原因を効率よく推定することが可能な監視診断装置および監視診断方法を提供することを目的とする。

本発明に係る監視診断装置は、複数の部品で構成された監視対象装置から、その複数の部品のそれぞれの物理状態の時間推移を表す時系列物理量（実施形態でいうセンサデータ、以下同じ）を収集する第１の処理部と、その第１の処理部（実施形態でいう異常監視処理部、以下同じ）によって収集された複数の部品の時系列物理量を用いて、監視対象装置における異常を検知する第２の処理部と、その異常の原因を診断する第３の処理部（実施形態でいう原因診断処理部、以下同じ）と、を含んで構成され、前記第２の処理部が、前記複数の部品の時系列物理量を識別するデータ項目を複数のグループに分類するデータ項目グループ分類処理と、その分類したグループごとに、そのグループに属するデータ項目で識別される前記部品の時系列物理量と当該部品の時系列物理量の統計データとに基づき、異常判定を行う異常判定処理（実施形態でいう過渡状態異常判定処理および定常状態異常判定処理）と、を実行し、前記第３の処理部が、前記分類したグループごとに、そのグループに属するデータ項目で識別される部品の時系列物理量相互の依存関係を表したデータ項目間リンクモデルと、そのグループの代表値相互の依存関係を表したグループ間リンクモデルと、からなるリンクモデルを構築するリンクモデル構築処理と、前記異常判定処理で異常が検知される前の前記部品の時系列物理量に基づき構築されたリンクモデルと、前記異常判定処理で異常が検知されたときの前記部品の時系列物理量に基づき構築されたリンクモデルと、の差分リンクモデル（実施形態でいう異常差分リンクモデル）に基づき、異常の原因を推定する異常原因推定処理と、を実行することを特徴とする。

また、本発明に係る監視診断装置は、第２の処理部が、さらに、複数の部品の時系列物理量それぞれについて、その時系列物理量の状態モードの遷移点を検出する状態モード遷移点検出処理と、その検出した遷移点に基づき、前記部品の時系列物理量をそれぞれの状態モードごとに分割するとともに、その分割したそれぞれの前記部品の時系列物理量を状態モード別の時系列物理量として抽出する状態モード別時系列物理量抽出処理と、を実行することを特徴とする。

本発明によれば、異常検知の精度を向上させるとともに、その異常の原因を効率よく推定することが可能な監視診断装置および監視診断方法を提供することができる。

本発明の実施形態に係る異常監視・診断装置の構成の例およびその異常監視・診断装置が適用される全体のシステムの概略構成の例を示した図。 異常監視処理部および原因診断処理部における異常監視・診断処理の概略処理フローの例を示した図。 状態モード遷移点検出処理の詳細な処理フローの例を示した図。 監視対象装置の始動時および停止時のセンサデータの時間推移の例を示した図。 状態モード別センサデータ抽出処理部が「生の」センサデータを状態モード別センサデータとして切り出す様子を模式的に示した図。 ＢＯＭを用いてセンサデータのデータ項目を分類する様子を模式的に示した図。 データ項目間のセンサデータのクラスタ分析に基づき、データ項目を分類する様子を模式的に示した図。 状態モード別センサデータから過渡状態多変量データまたは定常状態多変量データを生成する様子を模式的に示した図。 過渡状態および定常状態におけるデータ項目ＳＳ１１（横軸）およびデータ項目ＳＳ１２（縦軸）のセンサデータを所定の時間間隔でサンプリングしたデータの散布図の例。 データ項目ＳＳ１１およびデータ項目ＳＳ１２のセンサデータの時系列推移図の例。 リンクモデル構築処理で構築されるデータ項目間およびグループ間のリンクモデルの例を示した図。 異常原因推定処理の前処理としてのリンクモデル構築処理の処理フローの例を示した図。 リンクモデル構築処理によって構築された異常差分リンクモデルの例を示した図で、（ａ）は、過渡状態の異常差分リンクモデルの例、（ｂ）は、定常状態の異常差分リンクモデルの例。

以下、本発明の実施形態について、図面を参照して詳細に説明する。なお、実施形態を説明するためのすべての図面において、同一の構成要素には同一符号を付し、その繰り返しの説明を省略する。

＜全体構成および機能の概要＞
図１は、本発明の実施形態に係る異常監視・診断装置の構成の例およびその異常監視・診断装置が適用される全体のシステムの概略構成の例を示した図である。

図１において、監視対象装置８は、本発明の実施形態に係る異常監視・診断装置（監視診断装置）１００による異常監視および診断の対象となる装置である。監視対象装置８は、例えば、エネルギー変換装置（熱電併給装置、電気装置、動力装置、熱源装置など）であり、通常、複数のモジュールで構成され、また、各モジュールは、複数の部品で構成されている（以下、本明細書では、モジュールを含め、監視対象装置８の構成要素を「部品」と総称する）。そして、所定の部品の所定の部位には、その部位の物理状態を表す物理量を計測するためのセンサ８１が、その部位またはその部位近傍に具備されている。なお、図１の例では、ｎ個（ｎ≧２）のセンサ８１（＃１〜＃ｎ）が監視対象装置８の内部または外部近傍に設けられているとしている。

センサ８１（＃１〜＃ｎ）は、ＬＡＮ（Local Area Network）などの通信ネットワーク７を介して異常監視・診断装置１００に接続されており、それぞれ計測した物理量を異常監視・診断装置１００へ送信する。なお、本明細書では、センサ８１（＃１〜＃ｎ）が計測する様々な物理量の時系列データ、つまり、時間推移のデータを「センサデータ」と総称する。

図１において、異常監視・診断装置１００は、センサデータ収集処理部１、異常監視処理部２、原因診断処理部３、監視・診断情報出力処理部４、記憶部５、センサデータＤＢ（Database）１１などの機能ブロックを含んで構成される。また、ハードウエア的には、異常監視・診断装置１００は、図示しないＣＰＵ（Central Processing Unit）、記憶装置、入出力装置、通信インタフェースなどを含んで構成された１つ以上のコンピュータによって構成される。なお、記憶装置は、ＲＡＭ（Random Access Memory）などの半導体メモリやハード磁気ディスク装置などによって構成される。

このように構成された異常監視・診断装置１００において、センサデータ収集処理部１、異常監視処理部２、原因診断処理部３および監視・診断情報出力処理部４の各機能は、異常監視・診断装置１００を構成する１つ以上のコンピュータのいずれかのＣＰＵが記憶装置に記憶された所定のプログラムを実行することによって実現される。すなわち、各機能ブロックの動作主体は、コンピュータのＣＰＵである。そこで、本明細書の以下の説明においてとくに断らない場合には、「○○処理部が、・・・する」という記載は、「コンピュータのＣＰＵが、○○処理部のプログラムを実行することによって、・・・する」ことを意味するものとする。

また、異常監視・診断装置１００が複数のコンピュータによって構成される場合には、これら複数のコンピュータは、専用の通信線または通信ネットワーク７を介して、相互に通信可能に接続されているものとする。そして、記憶部５やセンサデータＤＢ１１に記憶されているデータは、これら複数のコンピュータ間で、適宜、相互に送受信されるか、または、共有されるものとする。

さらに、図１を参照して、異常監視・診断装置１００の各機能ブロックの機能について説明する。

センサデータ収集処理部１は、所定の時間ごとに（例えば、０．１秒ごと：この「所定の時間」は、異常監視・診断装置１００の動作特性に依存して定められる時間である）、センサ８１（＃１〜＃ｎ）からセンサデータを収集して、収集したセンサデータをそれぞれのセンサ８１（＃１〜＃ｎ）に対応付けて、センサデータＤＢ１１に蓄積する。従って、センサデータＤＢ１１には、各センサ８１（＃１〜＃ｎ）のセンサデータが時系列に蓄積される。すなわち、センサデータは、部品の状態を表す物理量の時系列データである。

異常監視処理部２は、センサデータ収集処理部１により収集されたセンサデータをリアルタイムで監視し、その中から通常と異なる挙動をしているセンサデータを検出するが、その検出の具体的な処理内容については後記する。なお、一般に、ある部品が故障した場合、その部品に具備されたセンサ８１のセンサデータが異常な挙動をするだけでなく、その部品の動作結果の影響を受ける他の部品に具備されたセンサ８１のセンサデータも異常な挙動をする場合が多い。すなわち、異常な挙動を示すセンサデータは、通常、複数検出される。

原因診断処理部３は、異常監視処理部２によって検出された複数の異常な挙動をするセンサデータの相互の時間的、空間的（構造的）な依存関係を解析し、その結果に基づき、各センサデータの異常な挙動の原因を推定、つまり、いずれの部品が故障しているかを診断する。その具体的な診断処理については後記する。

監視・診断情報出力処理部４は、以上のようにして求められた異常な挙動をするセンサデータや、故障と診断された部品の情報などを表示部４１に表示する。異常検知初動管理者４２は、その表示により、異常回復の初動に必要な情報を得ることができる。また、監視・診断情報出力処理部４は、故障と診断された部品の情報などを、通信ネットワーク７を介して、保守支援装置６へ送信する。

保守支援装置６は、その故障と診断された部品の情報などを受信し、その受信した情報に基づき、部品交換や部品調整など、保守作業者６２が行うべき処置情報を、表示部６１に表示する。その結果、保守作業者６２は、保守作業を容易に行うことが可能となる。

＜異常監視・診断処理の処理フロー＞
続いて、図２および図１を参照して、異常監視処理部２および原因診断処理部３における処理の概要について説明するとともに、その後、図３以下の図を用いて、図２における各処理の詳細内容について説明する。ここで、図２は、異常監視処理部２および原因診断処理部３における異常監視・診断処理の概略処理フローの例を示した図である。

異常監視・診断装置１００のＣＰＵ（以下、単に、ＣＰＵという）は、センサデータがセンサデータ収集処理部１により収集され、センサデータＤＢ１１に蓄積されるたびに、あるいは、所定の時間間隔ごとに、状態モード遷移点検出処理部２１の処理を実行する。すなわち、ＣＰＵは、時系列に蓄積されたセンサデータの中から、状態モード遷移点を検出する（ステップＳ１）。なお、検出された状態モード遷移点のデータは、記憶部５の状態モード遷移点ＤＢ５１に格納される。

ここで、状態モードとは、過渡状態および定常状態を指し、過渡状態とは、ある定常状態から他の定常状態へ遷移途上にある状態をいう。例えば、監視対象装置８の始動時から定格運転状態までの立ち上がり期間や、停止時の定格運転状態から停止状態に到る立ち下り期間は、過渡状態であり、始動時の立ち上がり完了後、停止時の立ち下り開始前までの定格運転状態は、定常状態である。

次に、ＣＰＵは、状態モード別センサデータ抽出処理部２２の処理として、前記検出した状態モード遷移点を境界点として、センサデータＤＢ１１に蓄積されたセンサデータから状態モード別センサデータを時系列方向に切出して、抽出し（ステップＳ２）、抽出した状態モード別センサデータを状態モード別センサデータ記憶部５２に格納する（後記にて説明する図５参照）。

次に、ＣＰＵは、データ項目グループ分類処理部２３の処理として、センサデータのデータ項目を複数（例えば、ｐ個）のグループに分類する（ステップＳ３）。なお、ここでいうデータ項目とは、各センサ８１によって識別されるセンサデータの識別情報（すなわち、センサデータの名称）である。そして、ここで分類されたｐ個のグループそれぞれに属するデータ項目を識別する情報は、グループ分類データ記憶部５３に格納される。

次に、ＣＰＵは、過渡状態異常判定処理部２４の処理として、それぞれのグループ（＃１）〜（＃ｐ）ごとに、状態モード別センサデータ記憶部５２から当該グループ（＃１）〜（＃ｐ）に属する過渡状態のセンサデータを抽出し（ステップＳ５（＃１）〜（＃ｐ）、データ項目を列の項目名とする過渡状態多変量データとしてまとめ、過渡状態多変量データ記憶部５４に格納する。同様に、ＣＰＵは、定常状態異常判定処理部２５の処理として、それぞれのグループ（＃１）〜（＃ｐ）ごとに、状態モード別センサデータ記憶部５２から当該グループ（＃１）〜（＃ｐ）に属する定常状態のセンサデータを抽出し（ステップＳ５’（＃１）〜（＃ｐ））、データ項目を列の項目名とする定常状態多変量データとしてまとめ、定常状態多変量データ記憶部５５に格納する（後記にて説明する図８参照）。

ここまでの処理によって、センサデータが時系列方向とデータ項目方向の２次元の方向で切出され、過渡状態多変量データおよび定常状態多変量データが生成されたことになる。なお、時系列方向とデータ項目方向に切出す順番は逆であってもよい。

次に、ＣＰＵは、それぞれのグループ（＃１）〜（＃ｐ）ごとに、過渡状態の異常判定を実施し（ステップＳ６（＃１）〜（＃ｐ））、異常がない場合には（ステップＳ７（＃１）〜（＃ｐ）でＮｏ）、処理を終了する。同様に、ＣＰＵは、定常状態の異常判定を実施し（ステップＳ６’（＃１）〜（＃ｐ））、異常がない場合には（ステップＳ７’（＃１）〜（＃ｐ）でＮｏ）、処理を終了する。

一方、過渡状態の異常判定で異常があった場合には（ステップＳ７（＃１）〜（＃ｐ）でＹｅｓ）、ＣＰＵは、リンクモデル構築処理部３１の処理として、それぞれのグループ（＃１）〜（＃ｐ）ごとに、そのグループの過渡状態多変量データを用いて、グループ内におけるデータ項目の相互関係を表したリンクモデルを構築し（ステップＳ８（＃１）〜（＃ｐ））、さらに、ｐ個のグループ間の相互関係を表したリンクモデルを構築する（ステップＳ９）。

また、定常状態の異常判定で異常があった場合には（ステップＳ７’（＃１）〜（＃ｐ）でＹｅｓ）、ＣＰＵは、リンクモデル構築処理部３１の処理として、それぞれのグループ（＃１）〜（＃ｐ）ごとに、そのグループの定常状態のセンサデータを用いて、グループ内におけるデータ項目の相互関係を表したリンクモデルを構築し（ステップＳ８’（＃１）〜（＃ｐ））、さらに、ｐ個のグループ間の相互関係を表したリンクモデルを構築する（ステップＳ９’）。

次に、ＣＰＵは、異常原因推定処理部３２の処理として、過渡状態のデータに対する各グループにおけるデータ項目間のリンクモデルと、グループ間のリンクモデルと、定常状態のデータに対する各グループにおけるデータ項目間のリンクモデルと、グループ間のリンクモデルと、に基づき、異常の原因を推定、診断する（ステップＳ１０）。

＜状態モード遷移点検出処理＞
状態モード遷移点検出処理は、状態モード遷移点検出処理部２１における処理であり、センサデータ収集処理部１によって収集され、センサデータＤＢ１１に蓄積された各センサデータについて、状態モード遷移点を検出する処理である。以下、図３および図４を参照して、状態モード遷移点検出処理の詳細について説明する。ここで、図３は、状態モード遷移点検出処理の詳細な処理フローの例を示した図、図４は、監視対象装置８の始動時および停止時のセンサデータの時間推移の例を示した図である。

ところで、監視対象装置８の中には、始動あるいは停止のシーケンスを制御する図示しないコンピュータを含んで構成されるものがある。そして、そのコンピュータは、シーケンスの切換点で始動シーケンス開始命令や停止シーケンス開始命令などのイベントデータ（時刻とイベントが対になったデータ）を出力する機能を有するものがある。その場合には、異常監視・診断装置１００は、そのイベントデータに含まれる時刻を利用して状態モード遷移点を検出することができる。

それに対し、監視対象装置８が始動シーケンス開始命令や停止シーケンス開始命令などのイベントデータを出力する機能を有していない場合には、異常監視・診断装置１００は、センサデータの時間推移の挙動に基づいて、状態モード遷移点を求めることになる。また、監視対象装置８が始動シーケンス開始命令や停止シーケンス開始命令を出力する機能を有するものであっても、始動シーケンス終了命令や停止シーケンス終了命令を有していないことが多い。その場合には、異常監視・診断装置１００は、センサデータの時間推移の挙動に基づいて、その始動シーケンス終了点や停止シーケンス終了点を求めることになる。

図３に示すように、ＣＰＵは、まず、監視対象装置８からのイベントデータ出力に始動シーケンス開始命令が含まれているか否かを判定し（ステップＳ２１）、始動シーケンス開始命令が含まれていない場合には（ステップＳ２１でＮｏ）、センサデータの立ち上がり挙動から始動シーケンス開始点（図４（ａ）の時刻ｔ１）を検出し（ステップＳ２２）、その検出した時刻を始動シーケンス開始点として状態モード遷移点ＤＢ５１に記録する。

具体的には、監視対象装置８が始動シーケンスを開始すると、速度、温度、圧力などのセンサデータは、立ち上がり変動を示す（図４（ａ）参照）。そこで、ＣＰＵは、当該センサデータが過去の始動前の時系列平均値（Ａ１）と片側変動幅（σ）から得られる停止状態変動域（Ａ１＋σ）を超過した時刻（ｔ１）を、始動シーケンス開始点として状態モード遷移点ＤＢ５１に記録する。

一方、ステップＳ２１の判定において、始動シーケンス開始命令が含まれている場合には（ステップＳ２１でＹｅｓ）、ＣＰＵは、その始動シーケンス開始命令を検出し（ステップＳ２３）、その検出した時刻を、始動シーケンス開始点として状態モード遷移点ＤＢ５１に記録する。

次に、ＣＰＵは、監視対象装置８からのイベントデータ出力に始動シーケンス終了命令が含まれているか否かを判定し（ステップＳ２４）、始動シーケンス終了命令が含まれていない場合には（ステップＳ２４でＮｏ）、センサデータの立ち上がり挙動から始動シーケンス終了点（図４（ａ）の時刻ｔ２）を検出し（ステップＳ２５）、その検出した時刻を始動シーケンス終了点として状態モード遷移点ＤＢ５１に記録する。

具体的には、監視対象装置８が始動シーケンスを終了すると、速度、温度、圧力などのセンサデータは、ほぼ立ち上がり終えて、運転状態への整定を示す（図４（ａ）参照）。そこで、ＣＰＵは、当該センサデータが過去の運転状態の時系列平均値（Ａ２）と片側変動幅（σ）から得られる運転状態変動域（Ａ２±σ）の中に整定した時刻（ｔ２）を、始動シーケンス終了点として状態モード遷移点ＤＢ５１に記録する。

一方、ステップＳ２４の判定において、始動シーケンス終了命令が含まれている場合には（ステップＳ２４でＹｅｓ）、ＣＰＵは、その始動シーケンス終了命令を検出し（ステップＳ２６）、その検出した時刻を、始動シーケンス終了点として状態モード遷移点ＤＢ５１に記録する。

次に、ＣＰＵは、監視対象装置８からのイベントデータ出力に停止シーケンス開始命令が含まれているか否かを判定し（ステップＳ２７）、停止シーケンス開始命令が含まれていない場合には（ステップＳ２７でＮｏ）、センサデータの立ち下がり挙動から停止シーケンス開始点（図４（ｂ）の時刻ｔ３）を検出し（ステップＳ２８）、その検出した時刻を停止シーケンス開始点として状態モード遷移点ＤＢ５１に記録する。

具体的には、監視対象装置８が停止シーケンスを開始すると、速度、温度、圧力などのセンサデータが運転状態からの立ち下がり変動を示す（図４（ｂ）参照）。そこで、ＣＰＵは、当該センサデータが過去の運転状態のセンサデータの時系列平均値（Ａ２）と片側変動幅（σ）から得られる運転状態変動域（Ａ２−σ）を超過した時刻（ｔ３）を、停止シーケンス開始点として状態モード遷移点ＤＢ５１に記録する。

一方、ステップＳ２７の判定において、停止シーケンス開始命令が含まれている場合には（ステップＳ２７でＹｅｓ）、ＣＰＵは、その停止シーケンス開始命令を検出し（ステップＳ２９）、その検出した時刻を、停止シーケンス開始点として状態モード遷移点ＤＢ５１に記録する。

次に、ＣＰＵは、監視対象装置８からのイベントデータ出力に停止シーケンス終了命令が含まれているか否かを判定し（ステップＳ３０）、停止シーケンス開始命令が含まれていない場合には（ステップＳ３０でＮｏ）、センサデータの立ち下がり挙動から停止シーケンス終了点（図４（ｂ）の時刻ｔ４）を検出し（ステップＳ３１）、その検出した時刻を停止シーケンス終了点として状態モード遷移点ＤＢ５１に記録する。

具体的には、監視対象装置８が停止シーケンスを終了すると、速度、温度、圧力などのセンサデータは、ほぼ立ち下がり終えて、停止状態への整定を示す（図４（ｂ）参照）。そこで、ＣＰＵは、当該センサデータが過去の停止状態の時系列平均値（Ａ１）と片側変動幅（σ）から得られる停止状態変動域（Ａ１±σ）の中に整定した時刻（ｔ４）を、停止シーケンス終了点として状態モード遷移点ＤＢ５１に記録する。

＜状態モード別センサデータ抽出処理＞
状態モード別センサデータ抽出処理は、状態モード別センサデータ抽出処理部２２における処理であり、状態モード遷移点ＤＢ５１に記録された状態モード遷移点の時刻情報を用いて、センサデータＤＢ１１に蓄積された各センサデータを時系列方向の始動、運転、停止の各状態モード別に切り出し、状態モード別センサデータ記憶部５２に格納する処理である。

図５は、状態モード別センサデータ抽出処理部２２が「生の」センサデータを状態モード別センサデータとして切り出す様子を模式的に示した図である。なお、図５において、「ＳＳ１１」は、センサデータのデータ項目（センサデータの名称）を表す情報である。従って、図５は、データ項目ＳＳ１１によって指定される１つのセンサデータの「生の」時系列データから、「始動データ」、「運転データ」、「停止データ」という３つの状態モード別センサデータが切り出され、抽出されることを表している。

以下、簡単に、状態モード別センサデータ抽出処理部２２における処理フロー（図示省略）について説明する。

ＣＰＵは、まず、センサデータＤＢ１１に蓄積された「生の」センサデータ（例えば、データ項目がＳＳ１１のセンサデータ）の時系列データに対し、状態モード遷移点検出処理部２１によって検出された始動シーケンス開始点ｔ１、始動シーケンス終了点ｔ２、停止シーケンス開始点ｔ３、停止シーケンス終了点ｔ４を境界として、「休止」、「始動」、「運転」、「停止」、「休止」の状態フラグを付加する（図５（ａ）参照）。

次に、ＣＰＵは、「生の」センサデータを、その付加した状態フラグ別に分割し、それぞれ、「始動」、「運転」、「停止」の状態フラグが付加されたデータを「始動データ」、「運転データ」、「停止データ」として切り出す（図５（ｂ）参照）。そして、切り出した「始動データ」、「運転データ」、「停止データ」を、状態モード別センサデータ記憶部５２に格納する。

なお、「休止」が付加されたセンサデータ部分は、監視対象装置８自体に通電がされていないなど、非稼働状態であるので、ここでは、そのセンサデータを切り出さず、異常監視・診断の対象外としている。ただし、状態フラグが「休止」のセンサデータを切り出し、「休止データ」として異常監視・診断の対象としてもよい。

＜データ項目グループ分類処理＞
データ項目グループ分類処理は、データ項目グループ分類処理部２３における処理であり、センサデータのデータ項目を複数のグループに分類する処理である。すなわち、複数のセンサデータのデータ項目の中から、そのデータ項目で識別されるセンサデータの挙動の相互の関連性が大きいもの同士を集めてグループ化する処理である。

関連性の大きいセンサデータ（のデータ項目）同士を集めてグループ化する方法としては、監視対象装置８のＢＯＭ（Bill of Materials：部品構成表）を利用する方法や、センサデータのクラスタ分析を行う方法などがあるが、いずれを利用してもよい。以下、ＢＯＭを利用する方法、および、クラスタ分析を行う方法について、簡単に説明をする。

図６は、ＢＯＭを用いてセンサデータのデータ項目を分類する様子を模式的に示した図である。図６に示すように、ＢＯＭ８２は、監視対象装置８を構成する各部品について、その包含関係を階層的に表した情報である。図６では、監視対象装置８は、例えば、３つのモジュールＭ１〜Ｍ３によって構成され、各々のモジュールＭｉ（ｉ＝１〜３）は、それぞれ３つの部品Ｐｉ１〜Ｐｉ３（ｉ＝１〜３）によって構成されている。さらに、各部品Ｐｉｊ（ｉ＝１〜３，ｊ＝１〜３）には、それぞれセンサ８１（＃ｉｊ）が具備され、それぞれのセンサ８１（＃ｉｊ）からは、データ項目ＳＳｉｊのセンサデータが出力される。

一般に、あるモジュールＭ１に含まれる部品Ｐ１１〜Ｐ１３に付されたセンサ８１から出力されるデータ項目ＳＳ１１〜ＳＳ１３のセンサデータ同士の挙動の相互依存関係は、多くの場合、他のモジュールＭ２，Ｍ３に含まれる部品Ｐ２１〜Ｐ３３に付されたセンサ８１から出力されるデータ項目ＳＳ２１〜ＳＳ３３のセンサデータとの間の依存関係よりも大きいとみなすことができる。そこで、ここでは、センサデータのデータ項目ＳＳ１１〜ＳＳ３３を、ＢＯＭに表されているモジュールＭ１〜Ｍ３に従ってグループ化する。

すなわち、データ項目ＳＳｉｊを部品Ｐｉｊに付されたセンサ８１（＃ｉｊ）から出力されるセンサデータの識別情報であるとし、ＢＯＭ８２、つまり、監視対象装置８、モジュールＭ１〜Ｍ３、および、部品Ｐ１１〜Ｐ３３についての包含関係情報が与えられた場合には、ＣＰＵは、それらの情報に基づき、データ項目ＳＳｉｊをモジュールＭ１〜Ｍ３に対応するグループＧ１〜Ｇ３に容易に分類することができる。

なお、ＢＯＭ８２は、例えば、図１において、通信ネットワーク７に接続された図示しない設計データベースサーバなどに保管されているものとし、異常監視・診断装置１００のＣＰＵは、通信ネットワーク７を介して、設計データベースサーバから当該監視対象装置８についてのＢＯＭ８２を、適宜、取得するものとする。

また、この場合、ＢＯＭ８２が多階層のモジュールで表現されていた場合には、データ項目も多階層に分類されるが、データ項目が多階層に分類されてもとくに問題はない。また、分類グループの階層構成がＢＯＭ８２のモジュールの階層構成に１対１に対応する必要もない。例えば、各分類グループに含まれる部品数（ただし、センサ８１を具備する部品の部品数）が所定の数の範囲に収まるように、適宜、複数のモジュールを１つの分類グループに統合してもよい。

図７は、データ項目間のセンサデータのクラスタ分析に基づき、データ項目を分類する様子を模式的に示した図である。一般に、クラスタ分析では、クラスタ間の平方距離を求め、その平方距離が最小になる２つのクラスタを併合するという処理が繰り返して行われる。ここでも、その手順に従って、クラスタ分析を行う。

そこで、データ項目ｉのセンサデータＸ_ｉ＝（ｘ_ｉ１，ｘ_ｉ２，・・・，ｘ_ｉｎ）を１つのクラスタとする。そして、ＣＰＵは、２つのクラスタｉ，ｊ、すなわち、２つのデータ項目（＃ｉｊ）のセンサデータ間の相互相関係数Ｒ_ｉｊを計算し、さらに、その計算した相互相関係数Ｒ_ｉｊを用いて、２つのデータ項目（ｉｊ）のセンサデータ間の平方距離Ｄ_ｉｊを計算する。このとき、センサデータＸ_ｉが規格化されているものとすれば、その平方距離Ｄ_ｉｊは、次に示す式（１）によって与えられる。

次に、ＣＰＵは、２つのデータ項目（＃ｉｊ）のセンサデータ間の平方距離Ｄ_ｉｊの中から最小値を求め、そのときのデータ項目（＃ｕｖ）のセンサデータ同士を併合して、１つのクラスタにまとめる。その結果、クラスタ数は１つ減る。

次に、ＣＰＵは、クラスタｕとクラスタｖとを併合して得られたクラスタｈと、他のクラスタｓ（ｓ≠ｕ，ｓ≠ｖ）との間の平方距離Ｄ_ｓｈを、式（２）に従って算出する。

ここで、係数α_ｕ、α_ｖ、β、γは、クラスタ分析のアルゴリズムに依存する数値であり、例えば、最短距離法には、α_ｕ＝０．５、α_ｖ＝０．５、β＝０、γ＝−０．５、と定められている。また、併合後のクラスタｈのセンサデータは、平均を計算したり、主成分を計算したりすることによって求められ、クラスタ代表値とする。

ＣＰＵは、以上の処理をクラスタが１つになるまで繰り返すことによって、図７に示したデンドログラム（樹状図）８３を得る。なお、デンドログラム８３の縦軸は、各クラスタ間または併合されたクラスタ間の平方距離である。

ＣＰＵは、この得られたデンドログラム８３の中に、クラスタ階層しきい値８４を設定し、デンドログラム８３をそのクラスタ階層しきい値８４以下のクラスタ構成によって分割し、分割されたデンドログラム８５に基づき、データ項目ＳＳ１１〜ＳＳ３３のグループ化を行う。図７の例では、データ項目ＳＳ１１〜ＳＳ１３がグループＧ１に、データ項目ＳＳ２１〜ＳＳ２３がグループＧ２に、データ項目ＳＳ３１〜ＳＳ３３がグループＧ３にグループ化されている。

なお、ＣＰＵは、このとき用いるクラスタ階層しきい値８４を、例えば、次の手順で求める。すなわち、ＣＰＵは、デンドログラムの下位の階層から、順次、各クラスタ代表値（最下位階層ではセンサデータ）間の相関係数行列を計算し、その相関係数行列の逆行列の対角要素によって定義される分散拡大要因（ＶＩＦ：Variance Inflation Factor）と呼ばれる指標を計算する。そして、そのＶＩＦが所定の値（例えば、１０）より小さくなったときの階層におけるクラスタ間の平方距離をクラスタ階層しきい値８４とする。

例えば、図７において、ＣＰＵは、デンドログラム８３の最下位階層のデータ項目ＳＳ１１〜ＳＳ３３のセンサデータからＶＩＦを計算し、そのＶＩＦにあらかじめ定められた値（例えば、１０）以上の要素が含まれている場合には、クラスタ分割が不十分であるとして、ＶＩＦのすべての要素が１０より小さくなるまで、順次、上の階層へ移行しつつ、ＶＩＦを計算し、ＶＩＦを判定するという処理を繰り返す。

図７ではデータ項目ＳＳ３１のセンサデータのクラスタが、データ項目ＳＳ３２＋ＳＳ３３のセンサデータのクラスタに併合された時点でＶＩＦのすべての要素が１０より小さくなったとして、クラスタ階層しきい値８４が設定されている。そして、クラスタ階層しきい値８４以下の階層までのクラスタ構成により、データ項目ＳＳ１１〜ＳＳ３３が３つのグループＧ１，Ｇ２，Ｇ３が分類されている。

以上のように、ＢＯＭ８２の利用や、クラスタ分析などによって複数のグループに分類されたデータ項目の情報は、グループの識別情報とそのグループに属するデータ項目とを対応付けた情報として、グループ分類データ記憶部５３に格納される。

＜過渡状態異常判定処理、定常状態異常判定処理＞
過渡状態異常判定処理は、過渡状態異常判定処理部２４における処理であり、状態モード別センサデータ記憶部５２に格納された状態モード別のセンサデータ（図８の例では、始動データおよび停止データ）に基づき、過渡状態における異常の有無を判定する処理である。また、定常状態異常判定処理は、定常状態異常判定処理部２５における処理であり、状態モード別センサデータ記憶部５２に格納された状態モード別のセンサデータ（図８の例では、運転データ）に基づき、定常状態における異常の有無を判定する処理である。

ＣＰＵは、過渡状態異常判定処理の冒頭部において、前記のデータ項目グループ分処理で分類されたデータ項目のグループごとに、状態モード別センサデータ記憶部５２から当該グループに属する過渡状態のセンサデータを抽出し、データ項目を列の項目名とする過渡状態多変量データを生成し、過渡状態多変量データ記憶部５４に格納する。また、ＣＰＵは、定常状態異常判定処理の冒頭部において、前記のデータ項目グループ分処理で分類されたデータ項目のグループごとに、状態モード別センサデータ記憶部５２から当該グループに属する定常状態のセンサデータを抽出し、データ項目を列の項目名とする定常状態多変量データを生成し、定常状態多変量データ記憶部５５に格納する。

図８は、状態モード別センサデータから過渡状態多変量データまたは定常状態多変量データを生成する様子を模式的に示した図である。なお、図８では、グループＧ１のデータ項目ＳＳ１１〜ＳＳ１３について過渡状態多変量データおよび定常状態多変量データを生成する例だけが示されているが、他のグループでも同様である。

ＣＰＵは、データ項目グループ分類処理によって、データ項目ＳＳ１１，ＳＳ１２，ＳＳ１３がグループＧ１に属するように分類した（図６、図７参照）。そこで、図８（ａ）に示すように、ＣＰＵは、状態モード別センサデータ記憶部５２から、データ項目ＳＳ１１の始動データと、データ項目ＳＳ１２の始動データと、データ項目ＳＳ１３の始動データを抽出し、１つのテーブルにまとめて過渡状態多変量データとしてのグループＧ１始動データを生成する。

また、図８（ｂ）に示すように、ＣＰＵは、状態モード別センサデータ記憶部５２から、データ項目ＳＳ１１の停止データと、データ項目ＳＳ１２の停止データと、データ項目ＳＳ１３の停止データを抽出し、１つのテーブルにまとめて過渡状態多変量データとしてのグループＧ１停止データを生成する。このとき、ＣＰＵは、グループＧ１始動データとグループＧ１停止データとを連結して、グループＧ１過渡状態データ（図示せず）としてもよい。

さらに、図８（ｃ）に示すように、ＣＰＵは、状態モード別センサデータ記憶部５２から、データ項目ＳＳ１１の運転データと、データ項目ＳＳ１２の運転データと、データ項目ＳＳ１３の運転データを抽出し、１つのテーブルにまとめて定常状態多変量データとしてのグループＧ１運転データを生成する。

続いて、図９および図１０を参照して、過渡状態異常判定処理および定常状態異常判定処理における制御性能の異常を判定する方法について説明する。ここで、図９は、過渡状態および定常状態におけるデータ項目ＳＳ１１（横軸）およびデータ項目ＳＳ１２（縦軸）のセンサデータを所定の時間間隔でサンプリングしたデータの散布図の例、図１０は、データ項目ＳＳ１１およびデータ項目ＳＳ１２のセンサデータ（サンプリング点は図示せず）の時系列推移図の例である。なお、図９および図１０の例では、データ項目ＳＳ１１は、制御設定値に係る信号のサンプリングデータ、データ項目ＳＳ１２は、制御応答値に係る信号のサンプリングデータであるとする。また、図１０の縦軸は、２つのデータ項目ＳＳ１１，ＳＳ１２の時系列のセンサデータが重なるようにスケールが調整されている。

図９および図１０に示すように、２つのデータ項目ＳＳ１１，ＳＳ１２のセンサデータ間には、むだ時間遅れ９１が存在する。そのむだ時間遅れ９１は、通常、所定の範囲内に収まる。しかしながら、むだ時間遅れ９１がその所定の範囲内から逸脱した大きさになった場合には、むだ時間遅れ異常９２となる。また、データ項目ＳＳ１１の変化に対して、データ項目ＳＳ１２が過度に応答すると、過渡振動異常９３を生じる。

このような過渡状態の異常は、図９に示すように、センサデータの正常な過渡状態の散布図からの逸脱を検出することによって検知することができる。例えば、当該散布点が、所定の過渡状態の分布幅９４より上に逸脱すればオーバシュートの過渡振動異常９３であり、下に逸脱すればアンダーシュートの過渡振動異常（図示せず）である。また、データ項目ＳＳ１２の応答を伴わない場合（センサデータの値が０の場合）がむだ時間遅れ異常９２となる。

同様に、定常状態のデータ項目ＳＳ１１，ＳＳ１２のセンサデータ（運転データ）の散布図（図９参照）において、当該散布点が所定の定常状態の分布幅９５から逸脱した場合には、制御性能異常（図示せず）となる。

以上のように、通常時、つまり、正常動作時の散布図があれば、過渡状態あるいは定常状態にかかわらず、その散布図から得られる統計的な分布幅などにより、センサデータの異常を検知することができる。従って、ＣＰＵは、先に求めたグループごとの過渡状態多変量データおよび定常状態多変量データに基づき、各データ項目間で散布図を作成し、その各散布点が所定の範囲に含まれているか否かを判定する。そして、その各散布点が所定の範囲から逸脱していた場合には、当該、データ項目のセンサデータは、異常であると判定する。

以上、２つのデータ項目を用いて過渡状態および定常状態の散布図から異常を判定する方法を説明したが、データ項目数は２つに限定されるものではなく３つ以上であってもよい。

＜リンクモデル構築処理＞
リンクモデル構築処理は、リンクモデル構築処理部３１における処理であり、グループごとの過渡状態多変量データおよび定常状態多変量データを用いて、グループ内におけるデータ項目間の相互関係を表したリンクモデル、および、グループ間の相互関係を表したリンクモデルを構築する処理である。

このようなリンクモデルを構築する処理は、例えば、非特許文献４に示されているグラフィカルモデルの概念を利用することによって実現することができる。そのグラフィカルモデルによれば、２つのデータ項目のセンサデータ間の相関係数から因果関係の有無を決定することができ、また、両者の挙動の変化点発生についての時間先行性情報から因果の方向を決定することができる。すなわち、時間的に先に変化し始めたデータ項目が「因」で、後に変化し始めたデータ項目が「果」と判断する。これら２つのデータ項目間の因果関係および因果の方向をグループ内のすべてのデータ項目間で求めることによって、グループ内におけるデータ項目間のリンクモデルを構築することができる。

図１１は、リンクモデル構築処理で構築されるデータ項目間およびグループ間のリンクモデルの例を示した図である。図１１において、データ項目またはグループ間を結ぶ実線は、両者に因果関係があることを表し、その矢印は、因果の方向を表している。また、破線は、因果関係がないことを表している。なお、図１１では、過渡状態のリンクモデルのみが示されているが、定常状態のリンクモデルも同様である。

なお、以上のリンクモデル構築処理において、多数のデータ項目が相互に関係を持つ場合は、相関係数の代わりに、他の変数（信号成分、つまり、センサデータの値）の影響を除外する偏相関係数を用いるのが好ましい。また、他の変数の影響を除外する処理過程で、微小ノイズ同士の偏相関係数を計算することによって、誤った因果関係を導くことを防止するため、他の変数の影響を除外する処理の前後で信号強度の変化率を計算し、偏相関係数と信号強度変化率との積を因果関係の指標とするのが好ましい。

本実施形態の場合、リンクモデル構築処理は、次に実行される異常原因推定処理の前処理としての役割を担う。そのため、リンク構築処理では、単に、リンクモデルを構築するだけではなく、通常時、つまり、正常時に構築されたリンクモデルと異常検出時に構築されたリンクモデルとを比較し、その差分である異常差分リンクモデルを構築する。

図１２は、異常原因推定処理の前処理としてのリンクモデル構築処理の処理フローの例を示した図である。図１２に示すように、ＣＰＵは、まず、記憶部５から異常検知前の過渡状態多変量データまたは定常状態多変量データを抽出する（ステップＳ４１）。次に、ＣＰＵは、過渡状態多変量データまたは定常状態多変量データに基づき、正常時のリンクモデルを構築する（ステップＳ４２）。一方、ＣＰＵは、そのとき過渡状態異常判定処理部２４または定常状態異常判定処理部２５で作成された過渡状態多変量データまたは定常状態多変量データに基づき、異常検知時のリンクモデルを構築する（ステップＳ４３）。次に、ＣＰＵは、正常時のリンクモデルと異常検知時のリンクモデルとの差分をとって、異常差分リンクモデルを構築する（ステップＳ４４）。

以上の処理は、それぞれの状態モードごと、グループごとに行われる。また、グループ間でモデル構築を行う場合には、各グループ内に含まれる複数のデータ項目の時系列のセンサデータの項目間平均値の時系列データ、あるいは、項目間主成分値の時系列データを用いる。

図１３は、リンクモデル構築処理によって構築された異常差分リンクモデルの例を示した図で、（ａ）は、過渡状態の異常差分リンクモデルの例、（ｂ）は、定常状態の異常差分リンクモデルの例である。異常差分リンクモデルは、異常時のリンクモデルと正常時のリンクモデルの差分であるから、そのデータ項目間あるいはグループ間を結ぶ矢印は、異常の伝播経路を表しているといえる。

＜異常原因推定処理＞
異常原因推定処理は、異常原因推定処理部３２における処理であり、前記のリンクモデル構築処理で構築された異常差分リンクモデルに基づき、当該異常の原因を推定する処理である。図１３において、矢印は、原因と結果を結びつける情報であるから、ＣＰＵは、その矢印の上流側のデータ項目またはグループをトレースすることによって、異常の発生源を求めることができる。

ちなみに、図１３（ａ）の過渡状態の異常差分リンクモデルでは、グループＧ３のデータ項目ＳＳ３２の上流は、データ項目ＳＳ３１である。データ項目ＳＳ３１の上流のデータ項目は存在しないが、グループＧ３に対しては、グループＧ１が上流のグループとなっている。そこで、グループＧ１の中を参照すると、データ項目ＳＳ１２およびデータ項目ＳＳ１３の上流として、データ項目ＳＳ１１が存在する。このとき、データ項目ＳＳ１１およびグループＧ１の上流となるものは存在しない。従って、グループＧ１のデータ項目ＳＳ１１が当該異常の原因であることが分かる。すなわち、グループＧ３のデータ項目ＳＳ３２の過渡状態のセンサデータに現れた異常挙動の根本原因は、データ項目ＳＳ１１の過渡状態のセンサデータの異常であることが分かる。

一方、図１３（ｂ）の定常状態の異常差分リンクモデルには、因果関係を表す矢印が存在しない。これは、正常時と異常時とで同じリンクモデルが構築されたことを意味する。従って、定常状態では、異常が発生していないことを表している。

なお、このように、状態モードごとに、あるいは、グループごとにリンクモデルを構築し、異常の根本原因をトレースする処理は、計算量や計算時間を低減する上で、大きな効果がある。

以上のようにして、異常監視・診断装置１００は、過渡状態異常判定処理部２４または定常状態異常判定処理部２５により監視対象装置８の異常を検知し、異常原因推定処理部３２により、その異常の根本原因（故障箇所）を求めることができる。ただし、監視対象装置８の規模が大きくなった場合や、検知された異常の種類によっては、異常原因推定処理部３２により求められる根本原因が複数現れることがある。その場合には、異常原因推定処理部３２は、その複数の根本原因を根本原因（故障箇所）の候補として提示する。

以上のようにして、監視対象装置８の異常が、過渡状態異常判定処理部２４または定常状態異常判定処理部２５により検知され、その根本原因が求められると、その結果は、監視・診断情報出力処理部４によって表示部４１に表示される。また、このときの異常差分リンクモデルを異常事例として、図示しない診断履歴ＤＢなどに蓄積しておき、適宜、過去の同一または類似の異常差分リンクモデルを構築した異常事例を、その発生時期などの付帯情報と共に検索して表示できるようにしておくとよい。

＜実施形態の効果＞
以上、本発明の実施の形態によれば、異常監視・診断装置１００は、監視対象装置８の状態モード（始動過渡状態、運転定常状態、停止過渡状態）の遷移点を検出して、センサ８１から得られるセンサデータを、状態モード別に抽出して異常の判定を行うため、状態モード別に適切な異常判定基準を設定することができる。さらに、センサデータを識別するデータ項目を、グループに分類することにより、グループごとに適切な異常の判定基準を管理できるようになる。従って、本実施形態では、異常判定の精度を向上することができ、異常を発生初期の段階で見逃すことなく検知できる。また、その判定基準が適切かつ高精度であるため、正常状態を異常と判定する誤報の発生を防止することができる。

また、異常検知に続いて行う故障原因の推定では、異常監視・診断装置１００は、状態モード別のデータ項目のセンサデータからそれぞれのグループごとに、グループ内でのデータ項目間リンクモデルを構築し、各グループの代表データに対するグループ間のリンクモデルを構築する。従って、異常検知したデータ項目の異常の原因を高速にトレースし、迅速にその根本原因（故障箇所）を診断することができる。

＜適用可能な装置など＞
以上に説明した実施形態では、監視対象装置８として熱電併給装置に代表されるエネルギー変換装置を想定してきたが、本発明が適用可能な装置は、熱電併給装置などのエネルギー変換装置に限定されるものではない。

本発明は、例えば、燃料を燃焼させる代わりに、風力あるいは波力を運動エネルギーまたは電気エネルギーの少なくとも１つに変換する装置にも適用できる。この場合、計測すべきデータ項目には、風速、機械部品の運動速度、機械部品の振動、機械部品の加速度、機械部品の歪み、機械部品の音響、機械部品の摩耗量、潤滑油の成分、潤滑油の圧力、潤滑油の温度、電気部品の電圧、電気部品の電流、電気部品の周波数、環境の温度、環境の湿度、環境の気圧、電力系統の電圧、電力系統の電流、装置の稼働時間、部品の稼働時間、エネルギー変換装置の運動出力や電力出力、エネルギー変換効率などの少なくとも一部が含まれる。

また、本発明は、地熱を運動エネルギー、熱エネルギー、または電気エネルギーの少なくとも１つに変換する装置にも適用できる。この場合、計測すべきデータ項目には、水蒸気供給量、水蒸気温度、水蒸気圧力、機械部品の運動速度、機械部品の振動、機械部品の加速度、機械部品の歪み、機械部品の音響、機械部品の摩耗量、潤滑油の成分、潤滑油の圧力、潤滑油の温度、電気部品の電力、電気部品の無効電力、電気部品の電圧、電気部品の電流、電気部品の周波数、環境の温度、環境の湿度、環境の気圧、電力系統の電圧、電力系統の電流、装置の稼働時間、部品の稼働時間、ネルギー変換装置における運動出力、熱出力、電力出力、エネルギー変換効率などの少なくとも一部が含まれる。

また、本発明は、電気エネルギーを機械エネルギーに変換する電動機装置に適用できる。電動機装置の例としては、エレベータやエスカレータを代表とする昇降機、あるいは、ポンプや圧縮機を代表とするプラント装置、あるいは、旋盤やボール盤やフライス盤や研削盤を代表とする工作機械などがある。この場合、計測すべきデータ項目には、機械部品の運動速度、機械部品の振動、機械部品の加速度、機械部品の歪み、機械部品の音響、機械部品の摩耗量、潤滑油の成分、潤滑油の圧力、潤滑油の温度、電気部品の電力、電気部品の無効電力、電気部品の電圧、電気部品の電流、電気部品の周波数、環境の温度、環境の湿度、環境の気圧、装置の稼働時間、部品の稼働時間、機械部品の仕事量、機械部品の運動速度、機械部品の振動、機械部品の加速度、機械部品の歪み、機械部品の音響、機械部品の摩耗量、エネルギー変換効率などの少なくとも一部が含まれる。

また、本発明は、電気エネルギーを機械エネルギーあるいはプラズマエネルギーに変換する半導体加工装置に適用できる。半導体加工装置の例として、半導体ＣＭＰ（化学的機械的研磨）装置や半導体エッチング装置や半導体成膜装置がある。この場合、計測すべきデータ項目には、機械部品の摩耗量、電気部品の電力、電気部品の無効電力、電気部品の電圧、電気部品の電流、電気部品の周波数、電気部品のインピーダンス、半導体ウェハの温度、処理室内環境の温度、処理室内環境の圧力、処理室内環境の発光、装置の稼働時間、部品の稼働時間、半導体の加工量、成膜量、半導体ウェハ面内の加工均一性、成膜均一性、エネルギー変換効率などの少なくとも一部が含まれる。

１ センサデータ収集処理部（第１の処理部）
２ 異常監視処理部（第２の処理部）
３ 原因診断処理部（第３の処理部）
４ 監視・診断情報出力処理部
５ 記憶部
６ 保守支援装置
７ 通信ネットワーク
８ 監視対象装置
１１ センサデータＤＢ
２１ 状態モード遷移点検出処理部
２２ 状態モード別センサデータ抽出処理部
２３ データ項目グループ分類処理部
２４ 過渡状態異常判定処理部
２５ 定常状態異常判定処理部
３１ リンクモデル構築処理部
３２ 異常原因推定処理部
４１ 表示部
４２ 異常検知初動管理者
５１ 状態モード遷移点ＤＢ
５２ 状態モード別センサデータ記憶部
５３ グループ分類データ記憶部
５４ 過渡状態多変量データ記憶部
５５ 定常状態多変量データ記憶部
６１ 表示部
６２ 保守作業者
８１ センサ
８２ ＢＯＭ
８３ デンドログラム
８４ クラスタ階層しきい値
８５ 分割されたデンドログラム
９１ むだ時間遅れ
９２ むだ時間遅れ異常
９３ 過渡振動異常
１００ 異常監視・診断装置（監視診断装置）

Claims (8)

1. 複数の部品で構成された監視対象装置から、前記複数の部品のそれぞれの物理状態の時間推移を表す時系列物理量を収集する第１の処理部と、
   前記第１の処理部によって収集された前記複数の部品の時系列物理量を用いて、前記監視対象装置における異常を検知する第２の処理部と、
   前記異常の原因を診断する第３の処理部と、
   を含んで構成された監視診断装置であって、
   前記第２の処理部は、
   前記複数の部品の時系列物理量を識別するデータ項目を複数のグループに分類するデータ項目グループ分類処理と、
   前記分類したグループごとに、そのグループに属するデータ項目で識別される前記部品の時系列物理量と当該部品の時系列物理量の統計データとに基づき、異常判定を行う異常判定処理と、
   を実行し、
   前記第３の処理部は、
   前記分類したグループごとに、そのグループに属するデータ項目で識別される前記部品の時系列物理量相互の依存関係を表したデータ項目間リンクモデルと、前記グループの代表値相互の依存関係を表したグループ間リンクモデルと、からなるリンクモデルを構築するリンクモデル構築処理と、
   前記異常判定処理で異常が検知される前の前記部品の時系列物理量に基づき構築されたリンクモデルと、前記異常判定処理で異常が検知されたときの前記部品の時系列物理量に基づき構築されたリンクモデルと、の差分リンクモデルに基づき、前記異常の原因を推定する異常原因推定処理と、
   を実行すること
   を特徴とする監視診断装置。
2. 前記第２の処理部は、さらに、
   前記複数の部品の時系列物理量それぞれについて、その時系列物理量の状態モードの遷移点を検出する状態モード遷移点検出処理と、
   前記検出した遷移点に基づき、前記部品の時系列物理量をそれぞれの状態モードごとに分割するとともに、その分割したそれぞれの前記部品の時系列物理量を状態モード別の時系列物理量として抽出する状態モード別時系列物理量抽出処理と、
   を実行し、
   前記リンクモデル構築処理および前記異常判定処理を、前記状態モード別時系列物理量抽出処理によって抽出された状態モード別の時系列物理量それぞれに対して実行し、
   前記第３の処理部は、
   前記リンクモデル構築処理および前記異常原因推定処理を、前記状態モード別時系列物理量抽出処理によって抽出された状態モード別の時系列物理量それぞれに対して実行すること
   を特徴とする請求項１に記載の監視診断装置。
3. 前記状態モード遷移点検出処理によって区分される状態モードは、始動中期間および停止中期間の過渡状態と、運転中期間の定常状態であること
   を特徴とする請求項２に記載の監視診断装置。
4. 前記リンクモデル構築処理において、２つのデータ項目または２つのグループ間の相互依存関係の有無を、それぞれのデータ項目で指定される時系列物理量同士、または、それぞれのグループの代表値同士の偏相関係数に基づき、判定すること
   を特徴とする請求項１に記載の監視診断装置。
5. 複数の部品で構成された監視対象装置から、前記複数の部品のそれぞれの物理状態の時間推移を表す時系列物理量を収集する第１の処理部と、
   前記第１の処理部によって収集された前記複数の部品の時系列物理量を用いて、前記監視対象装置における異常を検知する第２の処理部と、
   前記異常の原因を診断する第３の処理部と、
   を含んで構成された監視診断装置における監視診断方法であって、
   前記第２の処理部は、
   前記複数の部品の時系列物理量を識別するデータ項目を複数のグループに分類するデータ項目グループ分類処理と、
   前記分類したグループごとに、そのグループに属するデータ項目で識別される前記部品の時系列物理量と当該部品の時系列物理量の統計データとに基づき、異常判定を行う異常判定処理と、
   を実行し、
   前記第３の処理部は、
   前記分類したグループごとに、そのグループに属するデータ項目で識別される前記部品の時系列物理量相互の依存関係を表したデータ項目間リンクモデルと、前記グループの代表値相互の依存関係を表したグループ間リンクモデルと、からなるリンクモデルを構築するリンクモデル構築処理と、
   前記異常判定処理で異常が検知される前の前記部品の時系列物理量に基づき構築されたリンクモデルと、前記異常判定処理で異常が検知されたときの前記部品の時系列物理量に基づき構築されたリンクモデルと、の差分リンクモデルに基づき、前記異常の原因を推定する異常原因推定処理と、
   を実行すること
   を特徴とする監視診断方法。
6. 前記第２の処理部は、さらに、
   前記複数の部品の時系列物理量それぞれについて、その時系列物理量の状態モードの遷移点を検出する状態モード遷移点検出処理と、
   前記検出した遷移点に基づき、前記部品の時系列物理量をそれぞれの状態モードごとに分割するとともに、その分割したそれぞれの前記部品の時系列物理量を状態モード別の時系列物理量として抽出する状態モード別時系列物理量抽出処理と、
   を実行し、
   前記リンクモデル構築処理および前記異常判定処理を、前記状態モード別時系列物理量抽出処理によって抽出された状態モード別の時系列物理量それぞれに対して実行し、
   前記第３の処理部は、
   前記リンクモデル構築処理および前記異常原因推定処理を、前記状態モード別時系列物理量抽出処理によって抽出された状態モード別の時系列物理量それぞれに対して実行すること
   を特徴とする請求項５に記載の監視診断方法。
7. 前記状態モード遷移点検出処理によって区分される状態モードは、始動中期間および停止中期間の過渡状態と、運転中期間の定常状態であること
   を特徴とする請求項６に記載の監視診断方法。
8. 前記リンクモデル構築処理において、２つのデータ項目または２つのグループ間の相互依存関係の有無を、それぞれのデータ項目で指定される時系列物理量同士、または、それぞれのグループの代表値同士の偏相関係数に基づき、判定すること
   を特徴とする請求項５に記載の監視診断方法。

Images