JP2013143009A - 設備状態監視方法およびその装置 - Google Patents

Abstract

【課題】
設備状態監視方法およびその装置において、計算負荷を低く抑えたまま異常を高感度に検知することを可能にし、また、ある時刻のセンサ値のみではなく、ある時刻から別の時刻までのセンサ値の変化が正常なのか異常なのかを時間変化のしかたの違いによらず判定可能にする。
【解決手段】
設備に装着されたセンサから出力されるセンサ信号を入力し、入力したセンサ信号をある時間方向のスケールで変換して観測データを得、この観測データを処理して各時刻の異常度を算出し、算出した各時刻の異常度に基づいて設備の異常な期間を検知する設備の状態を監視する方法及びその装置において、予め記憶しておいた学習データの中から観測データに近い所定数の学習データを選定し、選定した学習データを用いて正常モデルを作成し、観測データと正常モデルとを用いて観測データの異常度を算出するようにした。
【選択図】図１

Description

本発明は、プラントや設備などの出力する多次元時系列データをもとに異常を早期に検知する状態監視方法およびその装置に関する。

電力会社では、ガスタービンの廃熱などを利用して地域暖房用温水を供給したり、工場向けに高圧蒸気や低圧蒸気を供給したりしている。石油化学会社では、ガスタービンなどを電源設備として運転している。このようにガスタービンなどを用いた各種プラントや設備において、設備の不具合あるいはその兆候を検知する予防保全は、社会へのダメージを最小限に抑えるためにも極めて重要である。

ガスタービンや蒸気タービンのみならず、水力発電所での水車、原子力発電所の原子炉、風力発電所の風車、航空機や重機のエンジン、鉄道車両や軌道、エスカレータ、エレベータ、機器・部品レベルでも、搭載電池の劣化・寿命など、上記のような予防保全を必要とする設備は枚挙に暇がない。

このため、対象設備やプラントに複数のセンサを取り付け、センサ毎の監視基準に従って正常か異常かを判断することが行われている。米国特許第６,９５２,６６２号明細書（特許文献１）や米国特許第６,９７５,９６２号明細書（特許文献２）には、おもにエンジンを対象とした異常検知方法が開示されている。これは、過去のデータ例えば時系列センサ信号をデータベースとしてもっておき、観測データと過去の学習データとの類似度を独自の方法で計算し、類似度の高いデータの線形結合により推定値を算出して、推定値と観測データのはずれ度合いを出力するものである。

また、特開２０１１−１４５８４６号明細書（特許文献３）には、過去の正常データから作成されたモデルとの比較によって算出される異常測度と、時系列変化を予測する線形予測の誤差とを用いて異常の有無を検知する異常検知方法が開示されている。

米国特許第６,９５２,６６２号明細書 米国特許第６,９７５,９６２号明細書 特開２０１１−１４５８４６号公報

Stephan W. Wegerich；Nonparametric modeling of vibration signal features for equipment health monitoring、Aerospace Conference, 2003. Proceedings. 2003 IEEE，Volume 7, Issue, 2003 Page(s):3113 − 3121

特許文献１や特許文献２に記載の方法によれば、学習データとして正常時のデータを与えることにより、学習にない観測データが観察されると、これらを異常として検出することができる。しかし、その異常検知性能は学習データの質に大きく左右されるため、正常な学習データを正確かつ網羅的に収集する必要である。多様な正常状態を有する設備に対してこのような学習データ収集を行うことは非常に負荷が高く、さらに、たとえ質の良い学習データを収集可能であっても、計算負荷の高い方法であるため、実現可能な計算時間で処理するのに許容されるデータ量が小さく、その結果網羅性が確保できなくなる場合が多い。また、正常か異常かの判定は、ある時刻のセンサ値に基づいて行われており、時系列変化は考慮されていない。

特許文献３に記載の方法によれば、線形予測誤差に基づいて異常を検知するため、時系列的な振る舞いの異常を検知することが可能であるが、異常の種類によって時間変化のしかたが異なるため、予測に用いる時間幅の設定が難しい。

そこで、本発明の目的は、上記課題を解決し、計算負荷を低く抑えたまま異常を高感度に検知することが可能な異常検知方法を備えた設備状態監視方法およびその装置を提供することにある。また、ある時刻のセンサ値のみではなく、ある時刻から別の時刻までのセンサ値の変化が正常なのか異常なのかを時間変化のしかたの違いによらず判定可能な設備状態監視方法およびその装置を提供することにある。

上記目的を達成するために、本発明では、設備に装着されたセンサから出力されるセンサ信号を入力し、この入力したセンサ信号をある時間方向のスケールで変換して観測データを得、この時間方向のスケールで変換して得た観測データを処理して各時刻の異常度を算出し、この算出した各時刻の異常度に基づいて設備の異常な期間を検知する設備の状態を監視する方法において、各時刻の異常度を算出することを、予め記憶しておいた学習データの中から観測データに近い所定数の学習データを選定し、この選定した学習データを用いて正常モデルを作成し、観測データと正常モデルとを用いて観測データの異常度を算出するようにした。

また、上記目的を達成するために、本発明では、設備または装置に装着された複数のセンサから出力される多次元時系列信号をもとに学習データを作成して蓄積する工程と、設備または装置に装着された複数のセンサから新たに出力された多次元時系列信号の異常識別を行う工程とを含む設備の状態を監視する方法において、学習データを作成して蓄積する工程において、多次元時系列信号から時間方向のスケールで変換した後入力ベクトルと出力ベクトルを抽出し、この抽出した入力ベクトルと出力ベクトルのうち正常なものを学習データとして蓄積し、新たに出力された多次元時系列信号の異常識別を行う工程は、新たに出力された多次元時系列信号から時間方向のスケールで変換した後入力ベクトルと出力ベクトルを観測データとして抽出し、蓄積した学習データの中から抽出した観測データの入力ベクトルに近い学習データを所定数選定し、この選定された所定数の学習データを用いて回帰モデルを作成し、この作成した回帰モデルを用いて観測データの異常度を算出し、この算出した異常度および観測データの入力ベクトルと学習データとの類似度に基づいて学習データを更新し、複数の異なるスケールにおいて算出した異常度に基づき観測データの異常識別するようにした。

更に、上記目的を達成するために、本発明では、設備に装着されたセンサから出力されるセンサ信号を入力するセンサ信号入力手段と、このセンサ信号入力手段に入力したセンサ信号をある時間方向のスケールで変換してデータを得るスケール変換手段と、このスケール変換手段で得たデータをもとに学習データを作成して該作成した学習データを蓄積する学習データ蓄積手段と、スケール変換手段で時間方向のスケールで変換して得たデータを観測データとして処理して各時刻の異常度を算出する異常度算出手段と、この異常度算出手段で算出した各時刻の異常度に基づいて設備の異常な期間を検知する異常検知手段とを備えた設備状態監視装置において、異常度算出手段は、学習データ蓄積手段に蓄積した学習データの中から観測データに近い所定数の学習データを選択する学習データ選択部と、この学習データ選択部で選択した学習データを用いて正常モデルを作成する正常モデル作成部と、観測データと正常モデル作成部で作成した正常モデルとを用いて観測データの異常度を算出する異常度算出部とを備えて構成した。

更にまた、上記目的を達成するために、本発明では、設備に装着されたセンサから出力されるセンサ信号に基づいて前記設備の状態を監視する装置を、センサ信号を入力して時間方向のスケールに基づいて各時刻の異常度をそれぞれ算出する複数の異常度算出手段と、 算出された各時刻の異常度に基づいて異常な期間を検知する異常検知手段とを備えて構成し、複数の異常度算出手段はそれぞれ、入力したセンサ信号をある時間方向のスケールで変換するスケール変換部と、このスケール変換部でスケール変換したセンサ信号から回帰モデルの入力となる入力ベクトルと回帰モデルの出力となる出力ベクトルとを抽出する入力出力ベクトル抽出部と、この入力出力ベクトル抽出部で抽出した入力ベクトルと出力ベクトルの中から正常なものを選んで学習データとして蓄積するデータ蓄積部と、このデータ蓄積部に蓄積された学習データの中から入力出力ベクトル抽出部で抽出した入力ベクトルと出力ベクトルからなる観測データのうちの入力ベクトルに近い所定数の学習データを選択する学習データ選択部と、この学習データ選択部で選択した学習データに基づき回帰モデルを作成する回帰モデル作成部と、入力出力ベクトル抽出部で抽出した観測データの入力ベクトルと出力ベクトルと回帰モデル作成部で作成した回帰モデルに基づき観測データの異常度を算出する異常度算出部と、この異常度算出部で算出した異常度と観測データの入力ベクトルとこの入力ベクトルに最近傍の学習データとの類似度との情報に基づいてデータ蓄積部に蓄積した学習データを更新する学習データ更新部とを備えるようにした。

本発明によれば、所定数の学習データを用いて回帰モデルを作成するため、計算時間を削減することが可能である。その際観測データに近いものを選択することにより高精度なモデルが得られるため、正常と異常の誤判定を低減できる。

さらに本発明によれば、回帰モデルの入力ベクトルを時系列データとすることにより、ある時刻から別の時刻までのセンサ値の変化が正常なのか異常なのかを判定可能である。複数の異なる時間方向のスケールでセンサ信号を変換するため、時間変化のしかたの異なる様々な異常を漏れなく捕捉することが可能であり、さらに、複数のスケールにおいて算出された異常度から総合的に判定するため、信頼性の高い異常検知が可能である。

以上により、ガスタービンや蒸気タービンなどの設備のみならず、水力発電所での水車、原子力発電所の原子炉、風力発電所の風車、航空機や重機のエンジン、鉄道車両や軌道、エスカレータ、エレベータ、そして機器・部品レベルでは、搭載電池の劣化・寿命など、種々の設備・部品において高感度かつ高速な異常検知が可能なシステムが実現できる。

本発明の設備状態監視システムの概略の構成を示すブロック図である。 本発明の異常度算出部の構成を示すブロック図である。 センサ信号の例を示す信号リストの表である。 入力・出力ベクトル抽出の処理の流れを示すフロー図である。 入力ベクトルと出力ベクトルの関係の１例を表すグラフである。 入力ベクトルと出力ベクトルの関係の別の１例を表すグラフである。 スケール変換と入力・出力ベクトル抽出の関係の１例を表すグラフである。 イベント信号の例を示す信号リストの表である。 新たに観測されたセンサ信号の異常度算出の流れを示すフロー図である。 学習データ更新の処理の流れを示すフロー図である。 異常検知の処理の流れを示すフロー図である。 レシピ設定のためのＧＵＩの１例を表す表示画面の正面図である。 結果表示対象指定のためのＧＵＩの１例を表す表示画面の正面図である。 結果表示画面の１例を表す表示画面の正面図である。 異常度表示ウィンドウの１例を表す表示画面の正面図である。 結果詳細表示画面の１例を表す表示画面の正面図である。 結果詳細拡大表示画面の１例を表す表示画面の正面図である。

以下、図面を用いて本発明の内容を詳細に説明する。
図1に、本発明の設備状態監視方法を実現するシステムの一構成例、図２にシステムの一部の異常度算出・データ更新部の構成例を示す。

本システムは、図１に示すように、設備１０１から出力されるセンサ信号１０２に基づき、異なるスケールにおける異常度を算出する複数の異常度算出・データ更新部１０３Ａ〜１０３Ｃ、複数の異常度と時間との関係に基づき異常の期間を検知する異常検知部１０４、監視の結果を表示すると共に条件を入力するＧＵＩを備えた入出力部１０５及び監視の結果を記憶する記憶部１０６とを備えて構成される。

異常度算出・データ更新部１０３は、図２に示すように、スケールパラメータｓに従いセンサ信号１０２を時間方向のスケールでスケール変換するスケール変換部２０１、スケール変換後の信号から回帰モデルの入力ベクトルと出力ベクトルを抽出する入力・出力ベクトル抽出部２０２、正常な入力ベクトルと出力ベクトルを蓄積するデータベース２０３、センサ信号１０２から抽出される入力ベクトルとの類似度に基づいて蓄積されたデータから学習データを選択する学習データ選択部２０４、選択した学習データを用いて回帰モデルを作成する回帰モデル作成部２０５、回帰モデルとセンサ信号１０２から抽出される入力ベクトルと出力ベクトルに基づき異常度を算出する異常度算出部２０６、算出された異常度および入力ベクトルと最近傍の学習データとの類似度に基づいて学習データを更新する学習データ更新部２０７とを備えて構成される。

状態監視の対象とする設備１０１は、ガスタービンや蒸気タービンなどの設備やプラントである。設備１０１は、その状態を表すセンサ信号１０２を出力する。

センサ信号１０２をリスト化して表形式に表した例を図３に示す。センサ信号１０２は一定間隔毎に取得される多次元時系列信号であり、それをリスト化した表は、図３に示すように、日時の欄３０１と設備１０１に設けられた複数のセンサ値のデータの欄３０２からなる。センサの種類は、数百から数千といった数になる場合もあり、例えば、シリンダ、オイル、冷却水などの温度、オイルや冷却水の圧力、軸の回転速度、室温、運転時間などである。出力や状態を表すのみならず、何かをある値に制御するための制御信号の場合もある。

図２のスケール変換部２０１および入力・出力ベクトル抽出部２０２における処理の流れを、図４を用いて説明する。まず、センサ信号１０２を入力し（Ｓ４０１）、使用するセンサを選択し（Ｓ４０２）、センサ毎に正規化する（Ｓ４０３）。正規化とはデータの平均が０、標準偏差が１となるように変換することであり、具体的には元のデータから平均を引いて標準偏差で割ることにより計算される。平均および標準偏差は、センサ毎に長期間のデータを用いて予め計算し、記憶しておく。

次に、スケールパラメータｓを入力し（Ｓ４０４）、ｓ個ずつの移動平均を算出する（Ｓ４０５）。最初の時刻を設定し（Ｓ４０６）、そこからその時刻の入力ベクトルを抽出する（Ｓ４０７）。具体的には、指定時刻から一定間隔毎に所定数ピックアップして並べる。使用するセンサ数が複数の場合は、それをセンサ数分続けて並べる。次に対応する出力ベクトルを抽出する。具体的には、入力ベクトル抽出において最後に抽出した時刻のデータをセンサ数分並べる（Ｓ４０８）。使用するセンサが１個の場合はスカラーになるが、ここではベクトルの特殊ケースとして扱い、これ以降もベクトルと呼ぶ。あるいは、入力ベクトル抽出において最後に抽出した時刻の次の時刻のデータをセンサ数分並べてもよい。次の時刻において（Ｓ４０９）ステップＳ４０７とＳ４０８を繰り返し、入力した全てのセンサ信号について処理が終わったら終了する（Ｓ４１０）。

ここで、入力ベクトルと出力ベクトルの関係を図５Ａおよび図５Ｂおよび図６を用いて説明する。まず、図５Ａおよび図５Ｂを用いて、スケールパラメータｓが１、すなわち時間方向のスケール変換なしの場合を説明する。図５Ａおよび図５Ｂにおいて、横軸は時間、縦軸は正規化されたセンサ値を表す。丸印は各時刻で取得された時系列データ５０１を表す。図５Ａは、指定時刻Ａから連続する３個のデータ５０２Ａ１，５０２Ａ２，５０２Ａ３を入力データ５０２Ａとし、その最後の時刻のデータ５０２Ａ３を出力データ５０３とする例である。図５Ｂは、指定時刻Ｂから連続する３個のデータ５０２Ｂ１，５０２Ｂ２，５０２Ｂ３を入力データ５０２Ｂとし、その最後の時刻データ５０２Ｂ３の次のデータを出力データ５０３とする例である。

通常の予測では未来を予測する必要があるため、図５Ｂに示す例が適切であるが、図５Ａ又は図５Ｂのように定常的な変化が多くてまれに大きく変化する場合は、大きく変化するデータを予測できない。そのため、図５Ａに示すように、予測すべきデータを入力ベクトルに含めることにより、大きな変化を予測することが可能となる。これは厳密にいうと予測ではないが、異常検知を行うためには、必ずしも予測の必要はない。予測したいデータが入力に含まれているので、常に最後のデータを選択すれば完全に予測できると思われがちだが、学習データの入力ベクトルをもとに回帰モデルを作成しているためそのようなことは起きず、予測性能の高い回帰モデルを作成することが可能になる。

なお、図５Ａ又は図５Ｂに示した例では、１次元のセンサデータを用いているが、多次元のセンサデータを用いてもよい。また入力データの数は２以上であれば何個でもよい。また、センサ値をそのまま用いるのではなく、主成分分析や独立成分分析を施してデータ変換を行い、成分毎に同様の方法で入力ベクトルおよび出力ベクトルを抽出してもよい。さらに入力ベクトルとして使用するセンサと出力ベクトルとして出力するセンサが異なっていてもよい。

図６は、時間方向のスケールでスケール変換する場合の入力ベクトルと出力ベクトルの関係のｓ＝３の場合の例を示す図である。図６において、横軸は時間、上段のグラフの縦軸は正規化されたセンサ値、下段のグラフの縦軸はｓ個ずつの移動平均を算出した値を表す。上段のグラフの丸印は各時刻で取得された時系列データ５０１を表す。下段のグラフの丸印は各時刻で算出された移動平均データ６０１を表す。これは、時系列データ５０１の連続するｓ個の平均値を算出し最後の時刻の値としたものである。指定時刻Ｃからｓ個毎の３個のデータ６０２Ａ，６０２Ｂ，６０２Ｃを入力データ６０２とし、その最後の時刻のデータ６０２Ｃを出力データ６０３とする時間方向にスケール変換した例である。３個のデータを入力データとすることはスケールパラメータｓとは無関係であり、２以上であれば何個でもよい。

時間方向のスケール変換では、予測に用いる時間幅を広げることに意味があるため、時系列データ５０１をそのまま用いて入力ベクトルの要素数を増やしても目的の解析を実行できる。しかし、入力ベクトルの次元が高くなると必要な学習データ数が増加するため、次元は低い方がよい。したがって、予測に用いる時間幅を広げるためには、ｓ個毎にデータを抽出するとよい。さらに、予めｓ個ずつの移動平均を算出したものを用いることにより、事例どうしの類似性が高くなり、必要な学習データ数が少なくなる。しかし移動平均は必須ではなく、平均をとらずに時系列データ５０１から入力データを抽出してもよいし、ガウシアンフィルタをかけてもよい。また、図５Ｂで示した例と同様、入力データ最後の時刻のｓ個あとのデータを出力データとしてもよい。

このように抽出された入力ベクトルと出力ベクトルのうち正常なデータがデータベース１０４に学習データとして蓄積される。学習データは一定の連続した期間、例えば１ヶ月分を蓄積することとする。正常かどうかは、例えば図７に示す、イベント信号を用いて１日毎に判断するものとする。図７に示した表は、不定期に出力される設備の操作・故障・警告を表す信号を一覧表形式に示したものであり、イベント信号が発生した日時７０１の欄と操作・故障・警告を表すユニークなコード７０２の欄とメッセージ文字列７０３の欄からなる。この場合、故障や警告が発生した日を異常とするほか、特定のイベントが含まれる、あるいは発生状況が予め決められたある条件を満たす日を異常として、学習データとしない。学習データとしない日を予め指定しておいてもよい。

次に、異常度算出・データ更新部１０３における新たに観測されたセンサ信号の異常度算出の処理の流れを、図８を用いて説明する。

初めに、観測されたセンサ信号１０２をスケール変換部２０１に入力し（Ｓ８０１）、スケール変換部２０１において、スケール変換を行う（Ｓ８０２）。変換後の信号から、入力・出力ベクトル抽出部２０２において、入力ベクトルと出力ベクトルを抽出する（Ｓ８０３）。ここまでは、前述した図４および図６で説明した処理の流れと同様である。使用するセンサ、正規化に用いる平均と分散、入力ベクトルと出力ベクトルの要素間の関係は、蓄積された学習データと同様にする。この入力ベクトルと出力ベクトルを学習データと区別するために観測データと呼ぶこととする。

次に、学習データ選択部２０４にデータベース２０３から観測データと同じスケールの学習データを読み込む（Ｓ８０４）。次に、学習データ選択部２０４において、読込んだ学習データの中から観測データに類似した学習データを選択する（Ｓ８０５）。具体的には、観測データの入力ベクトルと全ての学習データの入力ベクトルの間の距離を計算し、距離が近いものから所定数を選択する。次に、回帰モデル作成部２０５において、学習データ選択部２０４で選択した学習データを用いて、ガウシアンプロセスにより回帰モデルを作成する（Ｓ８０６）。

この作成した回帰モデルに基づき、異常度算出部２０６において、観測データの入力ベクトルから予測される出力ベクトルの確率分布を算出し（Ｓ８０７）、観測データの出力ベクトルおよび予測される出力ベクトルの平均と分散から異常度を算出する（Ｓ８０８）。観測データの出力値、予測値の平均、誤差、異常度は、図示はしていないが、時刻情報とともに記録しておく。

次に、回帰モデル作成部２０５において実行するガウシアンプロセスについて、詳細に説明する。以下の説明では出力はベクトルではなくスカラーとしている。ガウシアンプロセスは次式(数１)のように入力を非線形高次元写像により高次元化した場合の線形予測計算法であると見なすことが出来る。

ｘは入力ベクトルであり、非線形写像φ（ｘ）によって高次元化されている。ｗは重みベクトルであり、φ（ｘ）との線形結合にガウシアン分布に従うノイズεを加えて、出力ｙを計算するというものである。

ガウシアンプロセスでは、入力ベクトルｘと出力ｙの学習データがＮ個与えられているとき、観測データの入力ベクトルｘ_newに対する出力は、確定的な値ではなく確率分布として与えられる。この分布は次の(数２)及び(数３) に示す平均μと分散σ^２を持つガウス分布に従う。

ここで、βはノイズの変動幅を表すハイパーパラメータ、ｙは出力ｙの学習データＮ個を並べたベクトルである。ｋ及びＫはそれぞれ次式(数４)及び(数５)で表される。

すなわち、ｋは学習データの入力ベクトルと観測データの入力データを引数に持つカーネル関数を要素に持つベクトルであり、Ｋは学習データ同士のカーネル関数を要素に持つグラム行列である。

カーネル関数は、入力ベクトルを非線形写像φ（ｘ）によって高次元化したベクトルの間の内積を求めるものであり、データ間の類似度とみなすことができる。以下の(数６)と(数７)にカーネル関数の例を示す。

（数６）はＲＢＦカーネルでありガウシアンプロセスでよく使用される。σ_ｈは分散パラメータである。

異常度は（数２）および（数３）で求めた平均μと分散σ^２を用いて、｜ｙ−μ｜/σで算出する。出力がベクトルの場合は、平均μを要素毎に求め、異常度としては和または２乗和を求めればよい。

回帰モデルとしてガウシアンプロセスを用いることにより、観測データと類似していない学習データの寄与は非常に小さくなるため、そのようなデータは最初から計算に含めなくても問題がない。そのため、観測データに類似した学習データを用いる限り、回帰モデルに使用する学習データ数が少なくても精度に影響はない。以上より、高速かつ高精度な異常識別が実現可能となる。

しかしながら、回帰モデルとして必ずしもガウシアンプロセスを用いる必要はなく、例えば線形回帰を用いることができる。その場合でも、観測データに類似した学習データを用いることにより線形近似誤差を小さくすることができる。ガウシアンプロセスより精度は低下するが高速になると思われる。線形回帰の場合、観測データの入力ベクトルｘ_newに対する出力は、確率分布ではなく一つの予測値が算出されるので、予測誤差を異常度とする。

次に、学習データ更新部２０７において、学習データの更新を行う。学習データ更新の処理の流れを、図９を用いて説明する。

初めに入力・出力ベクトル抽出部２０２から観測データを入力し（Ｓ９０１）、図８で説明した処理フローに従って処理されて異常度算出部２０６において算出された異常度を第一のしきい値と比較する（Ｓ９０２）。異常度がしきい値以下であれば、正常と予測される観測データとみなして次のステップに進む。異常度がしきい値以下であれば、入力した観測データは異常な観測データとみなして学習データ更新の処理を終了する（Ｓ９０９）。

次に、異常度がしきい値以下であった場合、学習データ選択部２０４において、データベース２０３から過去の正常データを学習データとして入力し（Ｓ９０３）、回帰モデル作成部２０５において、学習データ選択部２０４で選択した学習データとステップＳ９０２で正常と予測された観測データの類似度を算出する（Ｓ９０４）。回帰モデル作成部２０５で回帰モデルを作成するのにガウシアンプロセスを利用した場合は、（数４）に示すｋとしてすでに算出されている。回帰モデルとして異なる方式を使用した場合は、ここで（数４）および(数６)または(数７)に従って算出する。

次に、異常度算出部２０６において最も類似した学習データを探索する（Ｓ９０５）。つまり，ｋの要素の最大値を探す。この値が第二のしきい値以上の場合（Ｓ９０６）、学習データ更新部２０７において対応する最も類似した学習データをデータベース２０３から削除する（Ｓ９０７）。次に、Ｓ９０２で入力した観測データを学習データとしてデータベース２０３に追加する（Ｓ９０８）。一方、ステップＳ９０６でｋの要素の最大値が第二のしきい値よりも小さいと判定された場合には、観測データを新たな学習データとしてデータベース２０３に追加する（Ｓ９０８）。

ステップＳ９０８により、新しい観測データが正常と予想される場合には、そのデータは学習データに追加される。これにより、学習データは新しい正常状態に応じて更新されるが、ステップＳ９０２にてしきい値を設けることにより異常状態に追従することを防ぐ。ステップＳ９０７により、蓄積された学習データの中に追加される学習データに類似しているものがあればそれを学習データから削除する。これにより、学習データが際限なく増加するのを防ぐ。

以上に説明したとおり、異常度算出・データ更新部１０３においては、センサ信号１０２を入力として、指定されたスケールパラメータにてスケール変換を行った上で各時刻の異常度を算出し、学習データを更新する。複数の異常度算出・データ更新部１０３においてそれぞれ異なるスケールで算出された異常度は、異常検知部１０４に集められる。異常検知部１０４において、複数のスケールにおいて算出された異常度に基づき、異常を検知する。

異常検知部１０４における異常検知方法の処理の流れを、図１０を用いて説明する。始めに、異常度算出・データ更新部（１）、（２）、（３）：１０３ａ，１０３ｂ，１０３ｃから出力された異なるスケールで算出された異常度の時系列のデータを入力する（Ｓ１００１）。次に、異常度がしきい値以上のデータを抽出する（Ｓ１００２）。このしきい値は、学習データ更新の処理で用いた第一のしきい値と同じとするとよい。次に、抽出されたデータから同時刻の異なるスケールのものを合わせてグループ化する（Ｓ１００３）。さらに、連続する時刻のものを合わせてグループ化する（Ｓ１００４）。次に、異常度からステップＳ１００２で用いたしきい値を引いた値の総和をグループ毎に算出する（Ｓ１００５）。最後に、算出した総和が第三のしきい値以上のグループについて、対応する期間が異常であると判定する（Ｓ１００６）。

以上の処理により、異常度が高く、複数のスケールで検出されたり、連続して検出されたりする異常が異常として検知される。しきい値をわずかに超えた状態があっても、それだけでは信頼度が十分ではないとして、異常と判定しないという考えに基づいている。

上記処理フローの詳細については、様々なバリエーションが考えられ、それらはすべて本発明の範囲に含まれる。例えば、ステップＳ１００４において、ある時間より小さい断絶は無視して連続するとみなしてもよい。あるいはステップＳ１００５において、異常度の総和を算出する、しきい値以上のデータの個数をカウントするなどの方法でもよい。また、ステップＳ１００３で同時刻に抽出されたデータの個数をカウントしたり、連続して抽出された時間の長さを算出したりしてもよい。それら全てまたは一部を組み合わせて異常判定することも考えられる。しきい値を用いるのではなく、任意の識別器で学習によって設定した境界に基づいて判定してもよい。

なお、複数のセンサを扱う場合、上記実施例では、入力ベクトルと出力ベクトルを複数のセンサから抽出してひとつの異常度を算出するように異常度算出・データ更新部１０３を構成している。この他、センサ毎に異常度算出・データ更新部１０３を構成してもよい。つまり、センサ毎、スケール毎に異常度を算出する。この場合の異常検知部１０４における異常検知の処理は、２通りの方法が考えられる。第一の方法は、ステップＳ１００１において、各センサ、各スケールで算出された異常度の時系列のデータをそれぞれ入力し、ステップＳ１００２以下の処理を行う。第二の方法では、センサ毎に別々にステップＳ１００１からＳ１００６までを実行し、少なくともひとつのセンサで異常と判定された時刻は異常と判定するようにする。あるいはセンサの個数のしきい値を設け、しきい値以上の個数のセンサで異常と判定された時刻は異常と判定するようにする。

学習期間および処理パラメータ設定のためのＧＵＩの例を、図１１に示す。以下の説明ではこの設定のことを単にレシピ設定と呼ぶことにする。また、過去のセンサ信号１０２は設備ＩＤおよび時刻と対応付けられてデータベースに保存されているものとする。レシピ設定画面１１０１では、対象装置、学習期間、使用センサ、スケール、入力・出力ベクトル抽出方法、しきい値を入力する。

設備ＩＤ入力ウィンドウ１１０２には、対象とする設備のＩＤを入力する。設備リスト表示ボタン１１０３押下により図示はしていないがデータベースに保存されているデータの装置ＩＤのリストが表示されるので、リストから選択入力する。学習期間入力ウィンドウ１１０４には、学習データを抽出したい期間の開始日と終了日を入力する。センサ選択ウィンドウ１１０５には、入力ベクトルに使用するセンサと出力ベクトルに使用するセンサを入力する。リスト表示ボタン１１０６Ａ、１１０６Ｂのクリックによりセンサリスト１１０７が表示されるので、リストから選択入力する。

図１１では、リスト表示ボタン１１０６Ｂをクリックして、出力ベクトルに使用するセンサのリストを表示させ、その中からセンサｃを選択した状態を示している。リストから複数選択することも可能である。スケール設定ウィンドウ１１０８には、異常度を算出するスケールの範囲を入力する。具体的には、予め何通りかのスケールを準備しておき、リストからの選択により最小スケールと最大スケールを選択する。ベクトル抽出パラメータ設定ウィンドウ１１０９には、入力ベクトルとして抽出する個数を入力し、出力ベクトルとして図５Ａに示すように入力ベクトルの最後の要素を設定するのか、図５Ｂに示すように入力ベクトルで抽出したデータの次のデータを設定するのかを、ラジオボタンで選択する。

処理パラメータ設定ウィンドウ１１１０には、図９のステップＳ９０２で使用する第一のしきい値（正常判定しきい値と呼ぶ）ステップＳ９０６で使用する第二のしきい値（学習更新しきい値と呼ぶ）と図１０のステップＳ１００６で使用する第三のしきい値（異常判定しきい値と呼ぶ）を入力する。レシピ名入力ウィンドウ１１１１には、入力された情報に対応付けるユニークな名前を入力する。全ての情報を入力したら登録ボタン１１１２を押下する。

この操作により、指定した期間のセンサ信号１０２から指定された範囲のスケール毎に入力・出力ベクトル抽出部２０２で入力ベクトルと出力ベクトルが抽出され、レシピ名とスケールパラメータに対応付けて保存される。具体的には、指定した期間のセンサ信号１０２をロードし、図４に示すフローに従って、スケールパラメータを入力し、スケール変換部２０１でスケール変換し、入力・出力ベクトル抽出部２０２で入力ベクトルと出力ベクトルを抽出し、学習データとしてデータベース２０３に保存する。

図４で説明したステップＳ４０３の正規化においては、指定期間の全データを用いて平均と標準偏差を求める。この平均と標準偏差の値もセンサ毎にレシピ名とスケールパラメータに対応付けてデータベース２０３に保存しておく。その他、レシピ設定画面１１０１上で設定した装置ＩＤ情報、使用センサ情報、学習期間、スケール情報、入力・出力ベクトル抽出時に使用する情報、正常判定しきい値、学習更新しきい値、異常判定しきい値をレシピ名と対応付けてデータベース２０３に保存する。キャンセルボタン１１１３が押下された場合は、何も保存しないで終了する。

登録されたレシピは、活性か不活性かのラベルをつけて管理され、新しく観測されたデータに対しては、装置ＩＤが一致する活性なレシピの情報を用いて別々に異常度算出・データ更新部１０３にて異常度算出および学習データ更新処理を行い、結果をレシピ名およびスケールパラメータと対応付けて記憶部１０６に保存しておく。さらに、異常検知部１０４にて異常判定処理を行い、結果をレシピ名と対応付けて記憶部１０６に保存しておく。

複数のセンサを扱い、センサ毎に入力ベクトルと出力ベクトルを抽出し異常度算出・データ更新部１０３を構成する場合の、学習期間および処理パラメータ設定のためのＧＵＩの、上記と異なる点を説明する。設備ＩＤ入力ウィンドウ１１０２、学習期間入力ウィンドウ１１０４は、上記と同様である。センサ選択ウィンドウ１１０５は、入力ベクトルと出力ベクトルに使用するセンサを別々に設定するようにしていたが、入力欄は１個だけとし、その中で複数のセンサをリストから選択、設定するようにする。スケール設定ウィンドウ１１０８、ベクトル抽出パラメータ設定ウィンドウ１１０９は、レシピ名入力ウィンドウ１１１１は、上記と同様である。

処理パラメータ設定ウィンドウ１１１０は、上記と同様に入力情報に加え、センサ毎に異常判定を行いしきい値以上の個数のセンサで異常と判定された時刻を異常と判定する場合に、さらにセンサの個数のしきい値を入力するようにする。センサ選択ウィンドウ１１０５にて選択されたセンサそれぞれについて別々に、異常度算出・データ更新部１０３において入力ベクトルと出力ベクトルを抽出し、異常度を算出、異常検知部１０４において複数のセンサおよびスケールで算出された異常度に基づき異常検知を行う。抽出された入力ベクトルと出力ベクトルは、レシピ名とスケールパラメータとセンサ名に対応付けて保存される。

異常検知部１０４で実行された異常判定処理の結果をユーザに示すためのＧＵＩの例を、図１２および図１３Ａおよび図１３Ｂに示す。

図１２は、表示対象を指定するＧＵＩの例である。表示対象指定画面１２０１から表示対象の設備、レシピおよび期間を指定する。初めに、装置ＩＤ選択ウィンドウ１２０２により装置ＩＤを選択する。次に、レシピ名選択ウィンドウ１２０３により、装置ＩＤを対象としたレシピのリストから表示対象のレシピを選択する。データ記録期間表示部１２０４には、入力されたレシピを用いて処理され、記録が残されている期間の開始日と終了日が表示される。結果表示期間指定ウィンドウ１２０５には、結果を表示したい期間の開始日と終了日を入力する。表示ボタン１２０６押下により図１３に示す結果表示画面１３０１を表示する。終了ボタン１２０７押下により終了する。

図１３Ａは、結果表示にかかわるＧＵＩの例である。結果表示画面１３０１には、異常検知結果表示バー１３０２、異常度表示ウィンドウ１３０３、設備ＩＤ表示ウィンドウ１３０４、期間表示ウィンドウ１３０５が含まれる。また、詳細表示ボタン１３０６と詳細表示の内容を指定するためセンサ名選択ウィンドウ１３０７、スケール選択ウィンドウ１３０８が含まれる。異常検知結果表示バー１３０２および異常度表示ウィンドウ１３０３は、横軸は時刻を表し、全体の長さが指定された期間を表す。異常が検知された期間が異常検知結果表示バー１３０２に黒く標示される。異常度表示ウィンドウ１３０３の縦軸はスケールを表し、レシピに記録されたスケールの範囲を表す。異常度表示ウィンドウ１３０３には、各時刻、各スケールにおける異常度を濃淡値または色に変換して作成した異常度時系列画像を表示する。図の例では、異常度が低いほど白く、高いほど黒くなるように変換している。

詳細表示ボタン１３０６押下により、後述する図１４Ａ及び図１４Ｂに示すような異常度およびセンサ信号の波形を表示する結果詳細表示画面１４０１，１４０２が表示される。予めセンサ名選択ウィンドウ１３０７、スケール選択ウィンドウ１３０８で表示対象とするセンサおよびスケールをリストから選択しておく。終了ボタン１３０９押下により結果表示画面１３０１を消去し終了する。

図１３Ｂは、異常度表示ウィンドウ１３０３に表示する内容の別の例である。横軸は時刻、縦軸はスケールを表し、各時刻、各スケールにおける異常度が予め与えられた基準値を超えた場合にマークが表示されている。

複数のセンサを扱い、センサ毎に入力ベクトルと出力ベクトルを抽出し異常度算出・データ更新部１０３を構成する場合、表示対象指定画面１２０１にセンサ名選択ウィンドウを加え、センサ名を選択するようにする。異常度表示ウィンドウ１３０３には、対象とするセンサの複数のスケールでの異常度を表示する。異常検知結果表示バー１３０２には、対象とするセンサの複数のスケールでの異常検知期間を黒く表示するとともに、複数のセンサによる異常検知期間を別の色で表示する。センサ名選択ウィンドウ１３０７からの入力により、表示対象のセンサを切り換える。

図１４Ａ及びＢは、センサおよびスケール毎の結果詳細表示にかかわるＧＵＩの例である。このＧＵＩは、図１３Ａで説明したＧＵＩ上で、詳細表示ボタン１３０６をクリックすることにより表示される。このＧＵＩでは、結果詳細表示画面１４０１、結果詳細拡大表示画面１４０２を各画面の上部に表示されたタブを選択することにより切り替えられる。

図１４Ａには、結果詳細表示画面１４０１を示す。結果詳細表示画面１４０１には、異常度表示ウィンドウ１４０３、センサ信号表示ウィンドウ１４０５が含まれる。異常度表示ウィンドウ１４０３には、指定された期間の異常度が表示される。センサ信号表示ウィンドウ１４０４には、指定された期間の指定されたセンサの指定されたスケール変換後の出力値と回帰モデルに基づく予測値（確率分布の平均）が表示される。表示対象の期間は、期間表示ウィンドウ１４０５に表示される。カーソル１４０６は、拡大表示の時の起点を表し、マウス操作により移動できる。カーソル位置の日付が、日付表示ウィンドウ１４０７に表示される。センサ表示ウィンドウ１４０８には、センサ信号表示ウィンドウ１４０４に表示中のセンサ信号名が表示される。スケール表示ウィンドウ１４０９にはスケールが表示される。表示対象をこれらのウィンドウでの選択で切り換えることもできる。終了ボタン１４１０押下により結果詳細表示画面１４０１、結果詳細拡大表示画面１４０２とも消去し終了する。

図１４Ｂには、結果詳細拡大表示画面１４０２を示す。結果詳細拡大表示画面１４０２には、異常度表示ウィンドウ１４０３、センサ信号表示ウィンドウ１４０４が含まれる。各ウィンドウには、結果詳細表示画面１４０１において、カーソル１４０６で示された時刻を起点として、結果詳細表示画面１４０１と同種の情報の拡大表示を行う。日付表示ウィンドウ１４０７には、拡大表示の起点の日付が表示されている。拡大表示期間指定ウィンドウ１４１１で、拡大表示の起点から終点までの期間を日単位で指定する。スクロールバー１４１２で表示の起点を変更することも可能であり、この変更はカーソル１４０６の位置と日付表示ウィンドウ１４０７の表示に反映される。スクロールバー表示領域１４１３の全体の長さは結果詳細表示画面１４０１に表示されている全期間に相当する。また、スクロールバー１４１２の長さは拡大表示期間指定ウィンドウ１４１１で指定された期間に相当し、スクロールバー１４１２の左端部が拡大表示の起点に対応する。センサ表示ウィンドウ１４０８と、スケール表示ウィンドウ１４０９には、結果詳細表示画面１４０１と同様の内容が表示される。終了ボタン１４１０押下により終了する。

上記実施例は学習データ設定をオフライン、異常識別処理をリアルタイム、結果表示をオフラインでそれぞれ処理するものであるが、結果表示もリアルタイムに行うことが可能である。その場合、表示期間の長さ、表示対象とするレシピ、表示対象とする情報を予め定めておき、一定時間毎に最新の情報を表示するよう構成すればよい。

逆に、任意の期間を設定し、レシピを選択して、オフラインで異常識別処理を行う機能を付加したものも本発明の範囲に含まれる。その場合、データベース２０３のデータを書き換えぬよう、学習データを別の場所にコピーして処理を行うとよい。

以上が発明の説明であるが、本発明は上記した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。また、各実施例の構成の一部について、他の構成の追加・削除・置換をすることが可能である。

１０１…設備 １０２…センサ信号 １０３…異常度算出・データ更新部 ２０１…スケール変換部 ２０２… 入力・出力ベクトル抽出部 ２０３…データベース ２０４…学習データ選択部 ２０５…回帰モデル作成部 ２０６…異常度算出部 ２０７…学習データ更新部 ５０１…時系列データ ５０２…入力データ ５０３…出力データ ６０１…移動平均データ ６０２…入力データ ６０３…出力データ １１０１…レシピ設定画面 １１０２…装置ＩＤ選択ウィンドウ １１０３…装置リスト表示ボタン １１０４…学習期間入力ウィンドウ １１０５…センサ選択ウィンドウ １１０６…センサリスト表示ボタン １１０７…センサリスト １１０８…スケールパラメータ設定ウィンドウ １１０９…ベクトル抽出パラメータ設定ウィンドウ １１１０…処理パラメータ入力ウィンドウ １１１１…レシピ名入力ウィンドウ １１１２…登録ボタン １１１３…キャンセルボタン １２０１…表示対象指定画面 １２０２…装置選択ウィンドウ １２０３…レシピ名選択ウィンドウ １２０４…データ記録期間表示部 １２０５…結果表示期間指定ウィンドウ １２０６…表示ボタン １２０７…終了ボタン １３０１…結果表示画面 １３０２…異常検知結果表示バー １３０３…異常度表示ウィンドウ １３０４…設備ＩＤ表示ウィンドウ １３０５…期間表示ウィンドウ １３０６…詳細表示ボタン １３０７…センサ名選択ウィンドウ １３０８…スケール選択ウィンドウ １３０９…終了ボタン １４０１…結果詳細表示画面 １４０２…結果詳細拡大表示画面 １４０３…異常度表示ウィンドウ １４０４…センサ信号表示ウィンドウ １４０５…期間表示ウィンドウ １４０６…カーソル １４０７…日付表示ウィンドウ １４０８…センサ表示ウィンドウ １４１１…スケール表示ウィンドウ １４１０…終了ボタン １４１１…拡大表示期間指定ウィンドウ １４１２…スクロールバー １４１３…スクロールバー表示領域。

Claims (17)

1. 設備に装着されたセンサから出力されるセンサ信号を入力し、
   該入力したセンサ信号をある時間方向のスケールで変換して観測データを得、
   該時間方向のスケールで変換して得た観測データを処理して各時刻の異常度を算出し、
   前記算出した各時刻の異常度に基づいて前記設備の異常な期間を検知する
   設備の状態を監視する方法であって、
   前記各時刻の異常度を算出することを、
   予め記憶しておいた学習データの中から前記観測データに近い所定数の学習データを選定し、
   該選定した学習データを用いて正常モデルを作成し、
   前記観測データと前記正常モデルとを用いて前記観測データの異常度を算出する
   ことを特徴とする設備状態監視方法。
2. 前記学習データは、前記設備に装着されたセンサから出力されるセンサ信号を時間方向のスケールで変換して得たデータのうち、正常なデータを蓄積したものであることを特徴とする請求項１記載の設備状態監視方法。
3. 前記算出した観測データの異常度および前記観測データと該観測データに最近傍の学習データとの類似度に基づいて前記学習データを更新することを特徴とする請求項１又は２に記載の設備状態監視方法。
4. 設備または装置に装着された複数のセンサから出力される多次元時系列信号をもとに学習データを作成して蓄積する工程と、前記設備または装置に装着された複数のセンサから新たに出力された前記多次元時系列信号の異常識別を行う工程とを含む設備の状態を監視する方法であって、
   前記学習データを作成して蓄積する工程において、
   前記多次元時系列信号から時間方向のスケールで変換した後入力ベクトルと出力ベクトルを抽出し、
   該抽出した前記入力ベクトルと前記出力ベクトルのうち正常なものを学習データとして蓄積し、
   前記新たに出力された多次元時系列信号の異常識別を行う工程は、
   前記新たに出力された多次元時系列信号から時間方向のスケールで変換した後入力ベクトルと出力ベクトルを観測データとして抽出し、
   前記蓄積した学習データの中から前記抽出した観測データの入力ベクトルに近い学習データを所定数選定し、
   該選定された所定数の学習データを用いて回帰モデルを作成し、
   該作成した回帰モデルを用いて前記観測データの異常度を算出し、
   該算出した異常度および前記観測データの入力ベクトルと学習データとの類似度に基づいて前記学習データを更新し、
   前記複数の異なるスケールにおいて算出した前記異常度に基づき前記観測データの異常識別する
   ことを特徴とする設備状態監視方法。
5. 前記観測データの異常度を算出することを、前記作成した回帰モデルと前記観測データの入力ベクトルとに基づいて出力ベクトルまたはその確率分布を予測し、該予測した出力ベクトルまたはその確率分布をもとに算出することにより行うことを特徴とする請求項４記載の設備状態監視方法。
6. 前記入力ベクトルと出力ベクトルを抽出する工程において、前記入力ベクトルと出力ベクトルを、前記多次元時系列信号から複数の異なる時間方向のスケールで変換した信号から抽出することを特徴とする請求項４又は５に記載の設備状態監視方法。
7. 前記入力ベクトルと出力ベクトルを抽出する工程において前記複数のセンサごとに入力ベクトルと出力ベクトルを抽出し、前記学習データとして蓄積する工程において前記入力ベクトルと前記出力ベクトルのうち正常なものを前記複数のセンサごとに学習データとして蓄積し、前記観測データとして抽出する工程において前記複数のセンサごとに入力ベクトルと出力ベクトルを観測データとして抽出し、前記学習データを所定数選定する工程において前記抽出した観測データと同じセンサの学習データの中から所定数選定し、前記観測データの異常識別する工程において前記観測データの異常を前記複数のセンサごとに識別することを特徴とする請求項４乃至６の何れかに記載の設備状態監視方法。
8. 前記観測データの異常を前記複数のセンサごとに識別した結果に基づいて、前記設備状態が異常か正常かを判定することを特徴とする請求項７記載の設備状態監視方法。
9. さらに各時刻、各スケールにおける異常度を濃淡値または色に変換して作成した異常度時系列画像を表示する工程を備えることを特徴とする請求項４記載の設備状態監視方法。
10. さらに異常度およびスケール変換後のセンサ信号出力値および回帰モデルに基づく予測値の時系列グラフを表示する工程を備えることを特徴とする請求項９記載の設備状態監視方法。
11. 設備に装着されたセンサから出力されるセンサ信号を入力するセンサ信号入力手段と、
    該センサ信号入力手段に入力したセンサ信号をある時間方向のスケールで変換してデータを得るスケール変換手段と、
    該スケール変換手段で得たデータをもとに学習データを作成して該作成した学習データを蓄積する学習データ蓄積手段と、
    前記スケール変換手段で時間方向のスケールで変換して得たデータを観測データとして処理して各時刻の異常度を算出する異常度算出手段と、
    該異常度算出手段で算出した各時刻の異常度に基づいて前記設備の異常な期間を検知する異常検知手段と
    を備えた設備状態監視装置であって、
    前記異常度算出手段は、
    前記学習データ蓄積手段に蓄積した学習データの中から前記観測データに近い所定数の学習データを選択する学習データ選択部と、
    該学習データ選択部で選択した学習データを用いて正常モデルを作成する正常モデル作成部と、
    前記観測データと前記正常モデル作成部で作成した正常モデルとを用いて前記観測データの異常度を算出する異常度算出部と
    を備えたことを特徴とする設備状態監視装置。
12. 前記学習データ蓄積手段は、前記データ取得手段で得たデータのうち、前記設備が正常な状態の時に取得されたセンサ信号から得られたデータを学習データとして蓄積したものであることを特徴とする請求項１１記載の設備状態監視装置。
13. 前記異常度算出手段は学習データ更新部を更に備え、該学習データ更新部において、
    前記異常度算出部で算出した観測データの異常度および前記観測データと該観測データに最近傍の学習データとの類似度に基づいて前記学習データを更新することを特徴とする請求項１１又は１２に記載の設備状態監視装置。
14. 設備に装着されたセンサから出力されるセンサ信号に基づいて前記設備の状態を監視する装置であって、
    前記センサ信号を入力して時間方向のスケールに基づいて各時刻の異常度をそれぞれ算出する複数の異常度算出手段と、
    前記算出された各時刻の異常度に基づいて異常な期間を検知する異常検知手段と
    を備え、前記複数の異常度算出手段はそれぞれ、
    前記入力したセンサ信号をある時間方向のスケールで変換するスケール変換部と、
    該スケール変換部でスケール変換したセンサ信号から回帰モデルの入力となる入力ベクトルと回帰モデルの出力となる出力ベクトルとを抽出する入力出力ベクトル抽出部と、
    該入力出力ベクトル抽出部で抽出した入力ベクトルと出力ベクトルの中から正常なものを選んで学習データとして蓄積するデータ蓄積部と、
    該データ蓄積部に蓄積された学習データの中から、前記入力出力ベクトル抽出部で抽出した前記入力ベクトルと前記出力ベクトルからなる観測データのうちの前記入力ベクトルに近い所定数の学習データを選択する学習データ選択部と、
    該学習データ選択部で選択した学習データに基づき前記回帰モデルを作成する回帰モデル作成部と、
    前記入力出力ベクトル抽出部で抽出した観測データの入力ベクトルと出力ベクトルと前記回帰モデル作成部で作成した回帰モデルに基づき前記観測データの異常度を算出する異常度算出部と、
    該異常度算出部で算出した異常度と前記観測データの入力ベクトルと該入力ベクトルに最近傍の学習データとの類似度との情報に基づいて前記データ蓄積部に蓄積した学習データを更新する学習データ更新部と
    を備えたことを特徴とする設備状態監視装置。
15. 前記複数の異常度算出手段は、それぞれ異なる時間方向のスケールに基づいて各時刻の異常度をそれぞれ異なる時間方向のスケール毎に算出することを特徴とする請求項１４記載の設備状態監視装置。
16. 前記複数の異常度算出手段で算出した異常度を濃淡値または色に変換して作成した異常度時系列画像を表示する異常度時系列画像表示手段を更に備えることを特徴とする請求項１４記載の設備状態監視装置。
17. 前記複数の異常度算出手段で算出した異常度のうち指定されたセンサおよびスケールについて異常度およびスケール変換後のセンサ信号出力値および回帰モデルに基づく予測値の時系列グラフを表示する異常度時系列グラフ表示手段を更に備えることを特徴とする請求項１４記載の設備状態監視装置。

Images