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

設備状態監視方法およびその装置 Download PDF

Info

Publication number
JP2013143009A
JP2013143009A JP2012003027A JP2012003027A JP2013143009A JP 2013143009 A JP2013143009 A JP 2013143009A JP 2012003027 A JP2012003027 A JP 2012003027A JP 2012003027 A JP2012003027 A JP 2012003027A JP 2013143009 A JP2013143009 A JP 2013143009A
Authority
JP
Japan
Prior art keywords
abnormality
data
learning data
degree
time
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2012003027A
Other languages
English (en)
Inventor
Hisae Shibuya
久恵 渋谷
Shunji Maeda
俊二 前田
Toshikazu Wada
俊和 和田
Shinsaku OZAKI
晋作 尾崎
Original Assignee
Hitachi Ltd
株式会社日立製作所
Wakayama Univ
国立大学法人 和歌山大学
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hitachi Ltd, 株式会社日立製作所, Wakayama Univ, 国立大学法人 和歌山大学 filed Critical Hitachi Ltd
Priority to JP2012003027A priority Critical patent/JP2013143009A/ja
Publication of JP2013143009A publication Critical patent/JP2013143009A/ja
Pending legal-status Critical Current

Links

Images

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xnew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xnew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。
JP2012003027A 2012-01-11 2012-01-11 設備状態監視方法およびその装置 Pending JP2013143009A (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2012003027A JP2013143009A (ja) 2012-01-11 2012-01-11 設備状態監視方法およびその装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2012003027A JP2013143009A (ja) 2012-01-11 2012-01-11 設備状態監視方法およびその装置

Publications (1)

Publication Number Publication Date
JP2013143009A true JP2013143009A (ja) 2013-07-22

Family

ID=49039544

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2012003027A Pending JP2013143009A (ja) 2012-01-11 2012-01-11 設備状態監視方法およびその装置

Country Status (1)

Country Link
JP (1) JP2013143009A (ja)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014115615A1 (ja) * 2013-01-22 2014-07-31 株式会社日立製作所 異常診断方法およびその装置
WO2015029158A1 (ja) * 2013-08-28 2015-03-05 株式会社日立製作所 データ変換装置およびデータ変換方法ならびにデータ変換プログラム
CN105989206A (zh) * 2015-02-15 2016-10-05 国家电网公司 基于快速反应发电机的风电场和光伏电站模型验证方法
US9659250B2 (en) 2011-08-31 2017-05-23 Hitachi Power Solutions Co., Ltd. Facility state monitoring method and device for same
JP2017120647A (ja) * 2015-12-31 2017-07-06 ダッソー システムズDassault Systemes 機械学習システムの更新
WO2018104985A1 (ja) * 2016-12-08 2018-06-14 日本電気株式会社 異常分析方法、プログラムおよびシステム
JP2019095822A (ja) * 2017-11-17 2019-06-20 株式会社日立製作所 パラメータ設定方法、データ分析装置、データ分析システム及びプログラム
WO2020059555A1 (ja) * 2018-09-20 2020-03-26 日本電信電話株式会社 学習装置、推定装置、学習方法、推定方法およびプログラム
WO2020085733A1 (ko) * 2018-10-23 2020-04-30 주식회사 씨티아이랩 데이터 이미지화를 이용한 딥러닝 기반 시스템 이상 행위 분석 기술
US10884841B2 (en) 2018-01-17 2021-01-05 Kabushiki Kaisha Toshiba Information processing device, information processing method, and recording medium

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9659250B2 (en) 2011-08-31 2017-05-23 Hitachi Power Solutions Co., Ltd. Facility state monitoring method and device for same
US9779495B2 (en) 2013-01-22 2017-10-03 Hitachi, Ltd. Anomaly diagnosis method and apparatus
JP2014142697A (ja) * 2013-01-22 2014-08-07 Hitachi Ltd 異常診断方法およびその装置
WO2014115615A1 (ja) * 2013-01-22 2014-07-31 株式会社日立製作所 異常診断方法およびその装置
WO2015029158A1 (ja) * 2013-08-28 2015-03-05 株式会社日立製作所 データ変換装置およびデータ変換方法ならびにデータ変換プログラム
CN105989206A (zh) * 2015-02-15 2016-10-05 国家电网公司 基于快速反应发电机的风电场和光伏电站模型验证方法
CN105989206B (zh) * 2015-02-15 2019-05-21 国家电网公司 基于快速反应发电机的风电场和光伏电站模型验证方法
JP2017120647A (ja) * 2015-12-31 2017-07-06 ダッソー システムズDassault Systemes 機械学習システムの更新
JPWO2018104985A1 (ja) * 2016-12-08 2019-07-25 日本電気株式会社 異常分析方法、プログラムおよびシステム
WO2018104985A1 (ja) * 2016-12-08 2018-06-14 日本電気株式会社 異常分析方法、プログラムおよびシステム
JP2019095822A (ja) * 2017-11-17 2019-06-20 株式会社日立製作所 パラメータ設定方法、データ分析装置、データ分析システム及びプログラム
US11115288B2 (en) 2017-11-17 2021-09-07 Hitachi, Ltd. Parameter setting method, data analysis device and data analysis system
US10884841B2 (en) 2018-01-17 2021-01-05 Kabushiki Kaisha Toshiba Information processing device, information processing method, and recording medium
WO2020059555A1 (ja) * 2018-09-20 2020-03-26 日本電信電話株式会社 学習装置、推定装置、学習方法、推定方法およびプログラム
WO2020085733A1 (ko) * 2018-10-23 2020-04-30 주식회사 씨티아이랩 데이터 이미지화를 이용한 딥러닝 기반 시스템 이상 행위 분석 기술

Similar Documents

Publication Publication Date Title
JP2013143009A (ja) 設備状態監視方法およびその装置
JP6216242B2 (ja) 異常検知方法およびその装置
JP6076751B2 (ja) 異常診断方法およびその装置
WO2013011745A1 (ja) 設備状態監視方法およびその装置
JP5945350B2 (ja) 設備状態監視方法およびその装置
EP2905665B1 (en) Information processing apparatus, diagnosis method, and program
JP5301717B1 (ja) 設備状態監視方法およびその装置
JP5431235B2 (ja) 設備状態監視方法およびその装置
JP5538597B2 (ja) 異常検知方法及び異常検知システム
JP5301310B2 (ja) 異常検知方法及び異常検知システム
US9483049B2 (en) Anomaly detection and diagnosis/prognosis method, anomaly detection and diagnosis/prognosis system, and anomaly detection and diagnosis/prognosis program
JP5364530B2 (ja) 設備状態監視方法、監視システム及び監視プログラム
JP5331774B2 (ja) 設備状態監視方法およびその装置並びに設備状態監視用プログラム
JP5342708B1 (ja) 異常検知方法及びその装置
JP2007249997A (ja) 工業プロセスの監視方法及び監視システム
Lipowsky et al. Application of Bayesian forecasting to change detection and prognosis of gas turbine performance
JP2017142622A (ja) 監視装置及び監視装置の制御方法
JP6247777B2 (ja) 異常診断装置および異常診断方法
JP6831729B2 (ja) 異常検知装置
JP6223936B2 (ja) 異常傾向検出方法およびシステム
JP2019070930A (ja) 異常検知装置および異常検知方法
CN107924182A (zh) 监视装置及监视装置的控制方法
JP2020201890A (ja) 異常検知装置及び異常検知方法