JP2012048616A

JP2012048616A - 特徴量抽出装置および特徴量抽出方法

Info

Publication number: JP2012048616A
Application number: JP2010192131A
Authority: JP
Inventors: Hirokazu Ota; 啓和太田; Keiji Sato; 恵二佐藤; Mitsutoshi Susumago; 光俊煤孫
Original assignee: Yokogawa Electric Corp
Current assignee: Yokogawa Electric Corp
Priority date: 2010-08-30
Filing date: 2010-08-30
Publication date: 2012-03-08

Abstract

【課題】標本線を適切かつ迅速に設定できる特徴量抽出装置等を提供する。
【解決手段】分布算出手段は、解析対象となるデータのデータ値の累積度数分布を算出する。標本線設定手段は、前記分布算出手段により算出された前記累積度数分布に基づいて、前記データ値の累積度数の高い領域ほど小さな階級幅を与えるように標本線を設定する。抽出手段は、前記標本線設定手段により設定された前記標本線を用いて前記データの特徴量を抽出する。
【選択図】図１

Description

本発明は、マハラノビス・タグチ・メソッドを適用する際の特徴量を抽出する特徴量抽出装置等に関する。

プロセスオートメーションにおけるプロセスの状態を解析する方法として、プロセスオートメーションに関連するプロセスデータによって統計解析を行う方法があり、その一つに、マハラノビス・タグチ・メソッドがある。プロセスオートメーションに関連するプロセスデータには、プロセスに接続している計器の信号、制御動作の設定値、工程情報、保全情報、及び外乱情報などの時系列データがある。

マハラノビス・タグチ・メソッドでは、これらのプロセスデータの値に対して、基準を設定し、基準と解析対象の差をマハラノビス距離として算出する。ここで正常を基準にすれば、算出されたマハラノビス距離に基づいて、解析対象の正常と異常を判別できる。例えば、注目すべきプロセスデータに対してマハラノビス・タグチ・メソッドを適用すれば運転状態を定量的に把握することができるため、マハラノビス・タグチ・メソッドはプラント運転状態の解析および改善に対して極めて有効な手段となる。

マハラノビス・タグチ・メソッドを適用する際には、その前段で解析対象となるプロセスデータの特徴量をいかに適切に抽出するかが重要である。特徴量の抽出には、解析対象となるプロセスデータに対し「標本線」が使用される。

一般的には、標本線を等間隔で設ける。標本線の間隔は、波形の特性（変動周期や振幅）に応じて調整される。例えば、変動周期が高いほど、あるいは振幅が小さくなるほど、標本線を密にする必要がある。

波形の特性に偏在がある場合に、より精度（ＳＮ比）を高く特徴量を抽出するために、標本線を不等間隔に設定する手法がとられる。

一つの手法としては、ＧＡ（Genetic Algorithm）法と呼ばれる遺伝子アルゴリズムを応用したものがある。これは、コンピュータの内部に人工的に定義された「遺伝子」が、交互・淘汰・突然変異を繰り返しながら、よりスコアの高い解を選んでゆく手法である。

別の手法としては、モンテカルロ法がある。これは、予め「最も異常な状態」を代表するデータを用意しておき、これを基準に「正常状態」のデータとのＭＤ値が最も遠くなるパターンを、乱数を利用しつつ総当り的に求める手法である。

特開２００９−００９３００号公報

しかし、標本線の間隔が一定の場合、すべての期間においてデータ値の軸方向のサンプル数の密度と無関係に標本線が設定されることになる。標本線の間隔が広く設定された場合には、変動周期が高い箇所や振幅が小さな箇所の特徴量が不足し、マハラノビス・タグチ・メソッドを適用する際の精度（ＳＮ比）が低下する。逆に、標本線の間隔が狭く設定された場合は、変動周期が低い箇所や振幅が大きな箇所ではパフォーマンス低下の要因となる。

また、ＧＡ法やモンテカルロ法を用いる場合には、適切な間隔を求めるために必要な演算量が非常に多くなり、結果が求まるまでに長時間を要する。また、モンテカルロ法を用いる場合に、「最も異常な状態」を定義することは一般的に難しく、そのデータを用意することは容易でない。

本発明の目的は、標本線を適切かつ迅速に設定できる特徴量抽出装置等を提供することにある。

本発明の特徴量抽出装置は、マハラノビス・タグチ・メソッドを適用する際の特徴量を抽出する特徴量抽出装置において、解析対象となるデータのデータ値の累積度数分布を算出する分布算出手段と、前記分布算出手段により算出された前記累積度数分布に基づいて、前記データ値の累積度数の高い領域ほど小さな階級幅を与えるように標本線を設定する標本線設定手段と、前記標本線設定手段により設定された前記標本線を用いて前記データの特徴量を抽出する抽出手段と、を備えることを特徴とする。
この特徴量抽出装置によれば、データ値の累積度数の高い領域ほど小さな階級幅を与えるように標本線を設定するので、標本線を適切かつ迅速に設定できる。

前記標本線設定手段は、各前記階級幅に属する前記データ値をもつデータ数が一定または一定の範囲となるように、前記標本線を設定してもよい。

前記データはプロセスデータであってもよい。

本発明の特徴量抽出方法は、マハラノビス・タグチ・メソッドを適用する際の特徴量を抽出する特徴量抽出方法において、解析対象となるデータのデータ値の累積度数分布を算出する分布算出ステップと、前記分布算出ステップにより算出された前記累積度数分布に基づいて、前記データ値の累積度数の高い領域ほど小さな階級幅を与えるように標本線を設定する標本線設定ステップと、前記標本線設定ステップにより設定された前記標本線を用いて前記データの特徴量を抽出する抽出ステップと、を備えることを特徴とする。
この特徴量抽出方法によれば、データ値の累積度数の高い領域ほど小さな階級幅を与えるように標本線を設定するので、標本線を適切かつ迅速に設定できる。

本発明の特徴量抽出装置によれば、データ値の累積度数の高い領域ほど小さな階級幅を与えるように標本線を設定するので、標本線を適切かつ迅速に設定できる。

本発明の特徴量抽出方法によれば、データ値の累積度数の高い領域ほど小さな階級幅を与えるように標本線を設定するので、標本線を適切かつ迅速に設定できる。

一実施形態の特徴量抽出装置が適用されるフィールド制御システムの構成を示すブロック図。解析装置の動作を示すフローチャート。標本線の設定例を示す図であり、（ａ）は階級幅Δ₁〜Δ₁₀に設定された標本線を示す図、（ｂ）は階級幅Δ₉を示す図、（ｃ）は階級幅Δ₅を示す図。４つのプロセスデータＡ〜Ｄに対してステップＳ１〜ステップＳ５の処理を行う例を示す図。

以下、本発明による特徴量抽出装置の一実施形態について説明する。

図１は、本実施形態の特徴量抽出装置が適用されるフィールド制御システムの構成を示すブロック図である。

図１に示すように、フィールド制御システムは、プラントに分散配置されたフィールドコントローラ２，２，・・・と、フィールドバス４を介してフィールドコントローラ２，２，・・・と接続され、フィールドコントローラ２，２，・・・に接続されたフィールド機器群の操作、監視を行うための操作監視装置３と、を備える。

また、フィールドバス４には、本実施形態の特徴量抽出装置としての解析装置１が接続される。

図１に示すように、解析装置１は、フィールドバス４を介してプロセスデータを逐次、収集する格納部１１と、格納部１１に格納されたプロセスデータに基づいて、マハラノビス・タグチ・メソッドを適用する際に必要な特徴量を抽出する特徴量抽出部１２と、特徴量抽出部１２により抽出された特徴量を用いてマハラノビス距離や貢献度の算出を行う算出部１３と、特徴量抽出部１２および算出部１３で取り扱う情報を表示する表示部１５と、を備える。

また、特徴量抽出部１２は、解析対象となるデータの累積度数分布を算出する分布算出手段１２ａと、分布算出手段１２ａにより算出された累積度数分布に基づいて、累積度数の高い領域ほど小さな階級幅を与えるように標本線を設定する標本線設定手段１２ｂと、標本線設定手段１２ｂにより設定された標本線を用いてデータの特徴量を抽出する抽出手段１２ｃと、を構成する。

次に、解析装置１の動作について説明する。

格納部１１はフィールドバス４を介して、フィールド機器に対する設定値（操作値）、フィールド機器から得られるセンサ値、その他、時系列データであるプロセスデータを逐次、取得し、蓄積する。解析装置１は、格納部１１に蓄積されたプロセスデータを用いて後述する解析を行う。

図２は、解析装置１の動作を示すフローチャートである。

図２のステップＳ１〜ステップＳ６は、特徴量抽出部１２および算出部１３の処理を示している。

図２のステップＳ１では、特徴量抽出部１２において、解析対象となるプロセスデータの比較対象となるプロセスデータ群（履歴データ群）を格納部１１から取得し、標本線を設定する。

図２のステップＳ１１〜ステップＳ１２は、標本線を設定する処理（ステップＳ１）を示している。

図２のステップＳ１１では、格納部１１から取得されたプロセスデータ群のデータ値の累積度数分布を分布算出手段１２ａにおいて算出する。

次に、ステップＳ１２では、標本線設定手段１２ｂにおいて、算出されたデータ値の累積度数分布（ステップＳ１１）に基づいて、データ値の累積度数の高い領域ほど小さな階級幅を与えるように標本線を設定し、リターンする。

図３（ａ）は、標本線の設定例を示す図である。図３（ａ）に示すように、標本線は等間隔ではなく、隣り合った標本線に挟まれた階級幅Δ₁〜Δ₁₀にそれぞれ属するデータ値のデータ数が等しくなる、あるいは一定の範囲となるように設定される。

例えば、図３（ｂ）に示すように、階級幅Δ₉に対応する範囲のデータの度数分布は比較的小さいため、階級幅Δ₉は比較的大きく設定される。これに対して、図３（ｃ）に示すように、階級幅Δ₅に対応する範囲のデータの度数分布はより大きいため、階級幅Δ₅はより小さく設定される。

このように、データの度数分布に応じた階級幅とすることにより、各階級に属するデータのデータ数を等しく、あるいはほぼ等しくすることができる。

次に、ステップＳ２では、特徴量抽出部１２において、ステップＳ１において設定された標本線を適用し、特徴量を抽出する。これにより、プロセスデータ群の時系列変化を数値化することができる。例えば、過去の正常時におけるプロセスデータ群について特徴量を抽出することにより、後述するように正常時の基準空間を作成することができる。

次に、ステップＳ３では、ステップＳ２で抽出された特徴量に基づく基準空間を作成する。例えば、過去の正常時におけるプロセスデータ群について基準空間を作成することにより、解析対象となるプロセスデータを正常時のプロセスデータ群と比較することが可能となる。

次に、ステップＳ４では、解析対象となるプロセスデータを格納部１１から取得し特徴量を抽出する。ここでは、解析対象となるプロセスデータに、標本線設定手段１２ｂにより設定された標本線を適用し、特徴量を抽出する。

次に、ステップＳ５では、算出部１３において、ステップＳ４で抽出された特徴量に対してマハラノビス・タグチ・メソッドを適用し、上記の基準空間からのマハラノビス距離を計算する。

次に、ステップＳ６では、算出部１３において、ステップＳ５で算出されたマハラノビス距離に対する、解析対象となる各プロセスデータの貢献度を算出し、処理を終了する。

図４は、４つのプロセスデータＡ〜Ｄに対してステップＳ１〜ステップＳ５の処理を行う例を示す図である。

図４の例では、正常時におけるプロセスデータＡ〜Ｄの履歴データ群に基づいて基準空間を作成し、この基準空間と、解析対象データであるプロセスデータＡ〜Ｄとの間のマハラノビス距離を算出している。また、解析対象データであるプロセスデータＡ〜Ｄのそれぞれについて貢献度を算出している。算出されたマハラノビス距離あるいは貢献度は、それぞれ表示部１５により表示される。

以上のように、本実施形態の特徴量抽出装置では、データの度数分布に応じて階級幅を変化させているため、効果的な標本線を設定することができる。例えば、解析対象のプロセスデータについて変動周期が長い、あるいは振幅が小さな箇所は累積度数が大きく、変動周期が短い、あるいは振幅が大きな箇所は累積度数が小さくなる。前者に対しては標本線が細かな間隔で設定され、後者に対しては標本線が疎らに設定されることになるため、波形に応じた適切な頻度で標本線を配置することができる。

また、ＧＡ法やモンテカルロ法を用いる場合と比べて、標本線の設定に要する演算量が非常に少なく、標本線間隔を迅速に決定することができる。さらに、「最も異常な状態」を代表するデータなどを用意する必要もない。

本発明による特徴量抽出装置は、プラントの運転状態を解析するオフライン解析装置やプラントの運転状態をオンラインで監視するオンライン監視装置に適用することができる。

本発明による特徴量抽出装置をオフライン解析装置に適用した場合、プラント改善作業において、プラント改善スタッフは履歴データとして蓄積された操業時のプロセスデータの波形に基づいて、運転状態の正常、異常等を判断することができる。また、運転状態を判断するための注目すべきプロセスデータを選択し、過去に正常（または異常）に運転された際のデータと比較するなどして、運転状態を解析することができる。この場合、マハラノビス・タグチ・メソッドを適用することにより、運転状態の判定を定量的に行うことができる。本発明による特徴量抽出装置を用いることにより、標本線を迅速かつ効果的に設定できるため、精度の高いオフライン解析を行うことができる。

本発明による特徴量抽出装置をオンライン監視装置に適用した場合、プラント操業時においてプラント運転員は操作監視装置を介してプロセスデータの挙動を監視し、運転状態の正常、異常を判断する。その際に、プロセスデータに対してリアルタイムにマハラノビス・タグチ・メソッドを適用することにより、運転状態を定量的に判断することができる。この場合、本発明による特徴量抽出装置を用いることにより、標本線を迅速かつ効果的に設定できるため、リアルタイムでの効果的な監視が可能となり、例えば、過去に発生したものと同様の異常が再度発生する前兆などを捉え、その再発を未然に防止することなども可能となる。

以上説明したように、本発明の特徴量抽出装置および特徴量抽出方法によれば、データ値の累積度数の高い領域ほど小さな階級幅を与えるように標本線を設定するので、標本線を適切かつ迅速に設定できる。

本発明の適用範囲は上記実施形態に限定されることはない。本発明は、マハラノビス・タグチ・メソッドを適用する際の特徴量を抽出する特徴量抽出装置等に対し、広く適用することができる。

１２特徴量抽出部
１２ａ分布算出手段
１２ｂ標本線設定手段
１２ｃ抽出手段

Claims

マハラノビス・タグチ・メソッドを適用する際の特徴量を抽出する特徴量抽出装置において、
解析対象となるデータのデータ値の累積度数分布を算出する分布算出手段と、
前記分布算出手段により算出された前記累積度数分布に基づいて、前記データ値の累積度数の高い領域ほど小さな階級幅を与えるように標本線を設定する標本線設定手段と、
前記標本線設定手段により設定された前記標本線を用いて前記データの特徴量を抽出する抽出手段と、
を備えることを特徴とする特徴量抽出装置。
前記標本線設定手段は、各前記階級幅に属する前記データ値をもつデータ数が一定または一定の範囲となるように、前記標本線を設定することを特徴とする請求項１に記載の特徴量抽出装置。
前記データはプロセスデータであることを特徴とする請求項１または２に記載の特徴量抽出装置。
マハラノビス・タグチ・メソッドを適用する際の特徴量を抽出する特徴量抽出方法において、
解析対象となるデータのデータ値の累積度数分布を算出する分布算出ステップと、
前記分布算出ステップにより算出された前記累積度数分布に基づいて、前記データ値の累積度数の高い領域ほど小さな階級幅を与えるように標本線を設定する標本線設定ステップと、
前記標本線設定ステップにより設定された前記標本線を用いて前記データの特徴量を抽出する抽出ステップと、
を備えることを特徴とする特徴量抽出方法。