JP2014048697A - 設備状態監視方法及び設備状態監視装置 - Google Patents
設備状態監視方法及び設備状態監視装置 Download PDFInfo
- Publication number
- JP2014048697A JP2014048697A JP2012188649A JP2012188649A JP2014048697A JP 2014048697 A JP2014048697 A JP 2014048697A JP 2012188649 A JP2012188649 A JP 2012188649A JP 2012188649 A JP2012188649 A JP 2012188649A JP 2014048697 A JP2014048697 A JP 2014048697A
- Authority
- JP
- Japan
- Prior art keywords
- sensor data
- time
- data
- sensor
- unit
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/185—Electrical failure alarms
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
【課題】変化の激しい起動や停止シーケンスに対しても、その激しい変化およびその変化の統計確率的特性を監視しながら、異常を検知可能な異常検知方法を提供する。
【解決手段】設備101における取得できないセンサデータを推定することにより、センサのサンプリング時刻が、シーケンスの開始と同期していない場合に発生する異なる時間で取得した同じシーケンスのセンサデータ間にある時間ずれ、および多次元センサを同期してデータを取得できない場合に発生する異なるセンサのセンサデータ間にある時間ずれを解消する。
【選択図】図1A
【解決手段】設備101における取得できないセンサデータを推定することにより、センサのサンプリング時刻が、シーケンスの開始と同期していない場合に発生する異なる時間で取得した同じシーケンスのセンサデータ間にある時間ずれ、および多次元センサを同期してデータを取得できない場合に発生する異なるセンサのセンサデータ間にある時間ずれを解消する。
【選択図】図1A
Description
本発明は、プラントや設備などから出力される多次元時系列データをもとに、変化の激しい起動や停止シーケンス時の設備の不具合あるいはその兆候を早期に検知する、また、コストダウンのため、長くしたサンプリング間隔で取得できない激しい変化を復元してその変化の統計確率的特性を監視する設備状態監視方法及び設備状態監視装置に関する。
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。特に、起動や停止のような変化の激しいシーケンスにおいては、故障が多発し易いため、その期間中の異常を早期に検知することが重要である。
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、また、切削、穴開けなどの加工装置は、不良発生を防ぐため、そのパフォーマンスに異常があれば、ただちに検知することが要求されている。
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の自動判別が行われている。
設備あるいは製造装置や計測装置を対象とした通常運転時の異常検知に有効である一例は特許文献1(特開2011−070635号)に開示されている。特許文献1の開示例においては、設備の多次元センサデータを特徴空間へ写像し、特徴空間で正常モデルを作成してから、新たに入力されたセンサデータが正常モデルへの投影距離を異常測度とし、その異常測度の所定閾値を越えたかどうかによって異常検知を行っている。
また、時系列センサデータの統計確率的特性を同時に監視可能な統計確率的特性を表すパラメータを算出しながら、異常検知する代表的な手法として、非特許文献1および非特許文献2に開示されている方法がある。この方法では、直接にセンサ波形から時刻毎に算出した統計確率的なパラメータを用い、正常モデルを作成し、そのモデルからの離れ度合いを用いて異常を検知する。
センサモデルと投票に基づく発電機の異常検知の検討、情報科学技術フォーラム講演論文集8(3)、139−142、2009
尤度ヒストグラムに基づく異常検出、パターン認識・メディア理解研究会(PRMU)、2011
特許文献1に開示されている技術は、変化の激しい起動や停止シーケンス時、あるいは、負荷変動の大きい加工装置に発生する異常を予兆検知するのが困難である。図12に運転モードの違いによる特徴空間上における特許文献1に記載の方法による局所空間の変化を示す。図からわかるように、(a)の定常運転時の場合、取得した正常センサデータのデータ値は同じレベルであるため、特徴空間上においては、正常なセンサデータから作られた正常な局所空間が小さく、異常が発生する場合に、異常データが正常局所空間から大きく離れ、識別されやすい。
一方、変化の激しいシーケンス、例えば、(b)起動シーケンスの場合に、取得した正常センサデータのデータ値の変化は大きいため、特徴空間上において、正常なセンサデータから作られた正常な局所空間が定常運転時より大きく広がっており、シーケンス期間中、異常が発生する場合に、特徴空間上において異常データが正常な局所空間にあり、異常として検知されることは困難である。
また、非特許文献1および非特許文献2に開示された方法によれば、時刻毎に異常度を算出するため、変化が激しい場合のシーケンスの異常を検知できる。しかし、プラントなどの設備において、コストダウンのため、長いサンプリング間隔のセンサデータしか取得していない場合に、その激しい変化を十分にキャッチできない。また、センサのサンプリング時刻が、シーケンスの開始と同期していない場合、異なる時間で取得した同じシーケンスのセンサデータに時間ずれが発生する。また、多次元センサを同期してデータを取得できない場合に、センサ間のセンサデータにも時間ずれが発生する。このため、上記に示した非特許文献1および非特許文献2に開示されている技術は、時刻毎での統計確率的なパラメータを算出できず、異常検知を行うことができない。
そこで、本発明では、上記した従来技術の課題を解決し、変化の激しい起動や停止シーケンスに対しても、その激しい変化およびその変化の統計確率的特性を監視しながら、異常を検知可能な異常検知方法を備えた設備状態監視方法および設備状態監視装置を提供するものである。
上記課題を解決するために、本発明は、プラント又は設備の異常を検知する方法を、プラント又は設備に取り付けたセンサから間欠的に出力されたセンサ信号及び該センサ信号と同じ期間における前記プラント又は設備の起動シーケンス又は停止シーケンスの開始および終了に対応するイベント信号を入力し、該入力したセンサ信号のうち前記起動シーケンス又は終了シーケンスの開始のイベント信号と終了のイベント信号との間の区間に対応するセンサ信号を切り出し、該切り出したセンサ信号のある時刻における信号値とその確率分布を推定し、該推定した確率分布に基づいて特徴量を抽出し、該抽出した特徴量に基づいて前記プラント又は設備の異常を検知するようにした。
又、上記課題を解決するために、本発明では、プラント又は設備の異常を検知する装置を、プラント又は設備に取り付けたセンサから間欠的に出力されたセンサ信号及び該センサ信号と同じ期間における前記プラント又は設備の起動シーケンス又は停止シーケンスの開始および終了に対応するイベント信号を入力し、該入力したセンサ信号のうち前記起動シーケンス又は終了シーケンスの開始のイベント信号と終了のイベント信号との間の区間に対応するセンサ信号を切り出し、該切り出したセンサ信号を前記起動シーケンス又は終了シーケンスの開始のイベント信号を起点とした時間に合わせる処理を行うデータ前処理部と、該データ前処理部で処理したセンサ信号のある時刻における信号値とその確率分布を推定する確率分布推定部と、該確率分布推定部で推定した確率分布に基づいて特徴量を抽出する特徴量抽出部と、該特徴量抽出部で抽出した特徴量に基づいて前記プラント又は設備の異常を検出する異常検出部と、入出力する情報を表示する画面を有して前記異常検出部で検出した前記プラント又は設備の異常に関する情報を前記画面上に表示する入出力部とを備えて構成した。
本発明によれば、変化の激しいところで機器制限のため取得できないセンサデータを密に推定することによって、そこに発生する異常を捕らえることを可能にしたため、変化の激しいシーケンス時に発生する異常を検知できるようになった。
さらに本発明によれば、取得できないセンサデータを推定することにより、センサのサンプリング時刻が、シーケンスの開始と同期していない場合に発生する異なる時間で取得した同じシーケンスのセンサデータ間にある時間ずれ、および多次元センサを同期してデータを取得できない場合に発生する異なるセンサのセンサデータ間にある時間ずれを解消することを可能にしたため、シーケンス期間中の任意の時刻におけるセンサ波形の統計確率的特性を監視することができるようになった。
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な異常検知および容易な異常説明を両立するシステムが実現できるようになった。
本発明では、プラントなどの設備において、変化の激しい起動時や停止時のシーケンスを実行しているときに発生する設備の不具合或いはその兆候を検知する設備状態監視方法及び設備状態監視装置に関するもので、シーケンスの開始時刻を合わせ、間欠的に出力されたセンサデータの推定時刻を決定し、その時刻におけるセンサデータを推定することにより、時系列推移を考慮した時刻ごとの確率分布に基づいて異常検知を行うものである。
以下に、本発明の実施例を、図を用いて説明する。
以下に、本発明の実施例を、図を用いて説明する。
図1Aに、本実施例における設備状態監視方法を実現するシステムの一構成例を示す。
本システムは、設備101から、または、データベース111から出力されるサンプリングセンサデータ1002とイベントデータ1001およびユーザからのユーザ指示1003を受けて異常を検知する異常検知システム10、途中結果や異常検知結果を記憶する記憶媒体11、および途中結果や異常検知結果を表示する表示装置12を備えて構成される。
本システムは、設備101から、または、データベース111から出力されるサンプリングセンサデータ1002とイベントデータ1001およびユーザからのユーザ指示1003を受けて異常を検知する異常検知システム10、途中結果や異常検知結果を記憶する記憶媒体11、および途中結果や異常検知結果を表示する表示装置12を備えて構成される。
また、異常検知システム10は、データを処理するデータ前処理部102、データベース111からのセンサデータ1002およびイベントデータ1001をデータ前処理部102にて処理した後、センサデータ推定時刻を決定する推定時刻決定部112、そして、設備101からのセンサデータ1002およびイベントデータ1001をデータ前処理部102にて処理した後、センサデータ推定時刻決定部112にて決定された時刻におけるセンサデータを推定するセンサデータ推定部103、さらにその時刻において統計確率分布推定を行う統計確率分布推定部104、統計確率分布を用いて特徴量を抽出する特徴量抽出部105、特徴量抽出部105で抽出された特徴量を用いて学習する学習部113、学習後に学習部113から出力される正常空間あるいは識別境界1004を用いて異常を検知する異常検知部106を備えて構成される。
さらに、データ前処理部102は、イベントデータ1001からユーザが指定したシーケンスの開始時刻を探索するイベントデータ解析部1021、指定シーケンスの開始時刻の情報を用いて受け取ったセンサデータ1002からセンササンプリングデータを切出すための開始・終了時刻を算出してセンサデータ1002の切出しを行うセンサデータ切出し部1022、切出したセンサデータの時刻を合わせるセンサデータ時刻合わせ部1023を備えている。
また、学習部113、識別境界1004、及び異常検知部106で、識別部107(107´)を構成している。
本システムの動作には、データベース111に蓄積されたデータを用いてセンサデータ推定時刻を決定する「推定時刻決定」フェーズ、蓄積されたデータを用いて異常検知に用いる正常空間あるいは識別境界1004を決定する「学習」フェーズ、推定時刻において補正を実施した後の入力センサデータと正常空間あるいは識別境界に基づき実際に異常検知を行う「異常検知」フェーズの三つのフェーズがある。基本的に、前の二つのフェーズ「推定時刻決定」フェーズと「学習」フェーズとはオフラインの処理、最後の三つ目のフェーズ「異常検知」はオンラインの処理である。ただし、「異常検知」をオフラインの処理とすることも可能である。以下の説明では、それらを「推定時刻決定時」、「学習時」、「異常検知時」という言葉で区別する。
また、図1Aにおける実線の矢印100は「異常検知」フェーズにおけるデータの流れを示す「異常検知」パス、点線の矢印100’は「学習」フェーズにおけるデータの流れを示す「学習」パス、破線の矢印100”は「推定時刻決定」フェーズにおけるデータの流れを示す「推定時刻決定」パスである。
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データ1002とイベントデータ1001を出力する。
本実施例においては、先ずオフラインで「推定時刻決定」フェーズの処理を行い、次に、「推定時刻決定」フェーズの処理の結果を用いてオフラインで「学習」フェーズの処理を行う。そして、「推定時刻決定」フェーズの処理の結果と「学習」フェーズの結果を用いて、オンライン処理による「異常検知」フェーズを実行する。
センサデータ1002は、設備101に取り付けられた複数のセンサから、一定間隔毎に取得される多次元時系列データである。センサの種類は、設備やプラントの大きさにもよるが、数百から数千と言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データの場合もある。
「推定時刻決定時」における処理の流れについて、図1Eを用いて説明する。本処理は、「推定時刻決定」パス100”に沿ってデータベース111から抽出されたイベントデータ1001とセンサデータ1002とを用いて実施する。
具体的には、データ前処理部102のイベントデータ解析部1021にて、データベース111から出力されたイベントデータ1001およびユーザ指示1003を入力し(S131)、ユーザ指示1003により指定されたシーケンスの開始時刻を入力したイベントデータ1001の中から探索する(S132)。
一方、センサデータ切出し部1022にて、データベース111から出力されたセンサデータ1002を入力し(S134)、イベントデータ解析部1021から得られたシーケンス開始時刻に対応するセンサデータ切出し開始・終了時刻を算出し、データベース111から入力したセンサデータ1002からセンサデータを切出す(S135)。
次に、切り出されたセンサデータは、センサデータ時刻合わせ部1023に送られ、センサデータ時刻合わせ部1023において時刻合わせが行われ(S136)、推定時刻決定部112に送られてセンサデータ推定時刻が決定され(S137)、この決定された推定時刻が保存または出力される(S138)。
「学習時」の処理の流れについて、図1Bと図1Cを用いて説明する。本処理は「推定時刻決定」パス100’に沿ってデータベース111から抽出されたイベントデータ1001とセンサデータ1002とを用いて実施する。
図1Bに示しているのは1クラス識別器107を利用する場合の学習、図1Cに示しているのは多クラス識別器107´を利用する場合の学習である。
図1Bまたは図1Cにおいて、まず、イベントデータ解析部1021は、データベース111から出力されたイベントデータ1001およびユーザ指示1003を入力し(S101)、ユーザ指示1003により指定されたシーケンスの開始時刻を入力したイベントデータ1001の中から探索する(S102)。
一方、センサデータ切出し部1022は、データベース111から出力されたセンサデータ1002を入力し(S104)、イベントデータ解析部1021から得られたシーケンス開始時刻に対応するセンサデータ切出し開始・終了時刻を算出し、データベース111から入力したセンサデータ1002からセンサデータを切出す(S105)。この切り出されたセンサデータは、センサデータ時刻合わせ部1023にて、時刻合わせが行われる(S106)。
次に、得られた時刻合わせ後のセンサデータを用いて学習を行う。推定時刻決定部112から出力されたセンサデータ推定時刻をセンサデータ推定部103へ入力し(S103)、センサデータ推定部103にて入力したセンサデータ推定時刻の情報に基づいてセンサデータの時刻を推定する(S107)。次に、統計確率分布推定部104にて、時刻が推定されたセンサデータの統計確率分布を推定し(S108)、推定された統計確率分布に基づき特徴量抽出部105にて推定したセンサデータの特徴量を抽出する(S109)。
流れの最後に、図1Bの1クラスの識別器107を利用する場合には、特徴量抽出部105で抽出したセンサデータの特徴量を用い、識別器107の学習部113で学習をすることにより正常空間を作り(S110)、この作った正常空間を出力する(S111)。
一方、図1Cの多クラスの識別器107´を利用する場合、ユーザ指示1003によってデータベース111から読み込んだセンサデータの正常か異常かのインディックスがあるファイルを入力してセンサデータが正常か異常かを教示し(S112)、その後、特徴量抽出部105で抽出した特徴量を用い、識別器107´の学習部113で学習をすることにより正常か異常かを識別する識別境界1004を決定し(S110’)、この決定した識別境界1004を出力する(S111’)。
次に、新たに観測されたセンサデータの「異常検知時」の処理の流れについて、図1Dを用いて説明する。本処理は「異常検知」パス100に沿って設備101から抽出されたイベントデータ1001とセンサデータ1002とを用いて実施する。まず初めに、イベントデータ解析部1021は、設備101から出力されたイベントデータ1001およびユーザ指示1003を入力し(S121)、ユーザにより指定されたシーケンスの開始時刻を探索する(S122)。
一方、センサデータ切出し部1022は、設備101から出力されたセンサデータ1002を入力し(S124)、イベントデータ解析部1021から得られたシーケンス開始時刻に対応するセンサデータ切出し開始終了時刻を算出し、センサデータを切出し(S125)、センサデータ時刻合わせ部1023にて、時刻合わせを行う(S126)。
次に、学習時予め推定時刻決定部112にて決定して保存しておいたセンサデータ推定時刻をセンサデータ推定部103に入力し(S123)、センサデータ推定部103にて推定時刻決定部112から入力したセンサデータ推定時刻においてセンサデータ時刻合わせ部1023から入力した時刻合わせしたセンサデータについてセンサデータ推定を行い(S127)、統計確率分布推定部104にて推定したセンサデータの統計確率分布を推定し(S128)、推定された統計確率分布に基づき特徴量抽出部105にて特徴量を抽出する(S129)。
最後に、特徴量抽出部105で抽出した特徴量を用い、識別器107(107´)において学習部113で作成した正常空間又は識別境界1004を用いて異常検知部106で異常識別を行い (S130)、検知結果を出力・表示する(S131)。
次に、図1Aに示した各部の動作について順に詳細に説明する。すなわち、センサデータ切出し部1022における切出し開始・終了時刻の決定、センサデータ時刻合わせ部1023におけるセンサデータの時刻合わせ、推定時刻決定部112におけるセンサデータ推定時刻の決定、センサデータ推定部103におけるセンサデータの推定、統計確率分布推定部104における確率分布の推定、特徴量抽出部105における特徴量抽出について、図2Aないし図8Cを用いて、詳しく説明する。
[切出し開始・終了時刻の決定]
センサデータ切出し部1022において、まず、センサデータ切出し開始・終了時刻を算出し、そして、その切出し開始・終了時刻を用いて、その間にあるセンサデータを切出す。
センサデータ切出し部1022において、まず、センサデータ切出し開始・終了時刻を算出し、そして、その切出し開始・終了時刻を用いて、その間にあるセンサデータを切出す。
図2Aは取得したセンサ波形における切出し開始・終了時のイメージを示す図である。図2Aの(a)と(b)の例は、切出しを開始してから終了するまでの間にセンサ波形の立ち上がりと下がりとの両方を含み、開始・終了時におけるセンサデータ値は同じレベルとなるものである。(a)の例では、立ち上がりと下がりの間でセンサ波形は滑らかに変化しているのに対し、(b)の例では、立ち上がりと下がりの間で波形がギザギザとなっている。また(c)の起動シーケンスのみがある例、あるいる(d)の停止シーケンスのみがある例は、切出し開始・終了時のセンサデータ値が別々のレベルになるものである。
次に、図2Bおよび図2Cを用いてセンサデータ切出しを行うため切出し開始・終了時刻を算出する処理の流れおよび切出し開始・終了判定指標について説明する。
図2Bはセンサデータ切出し開始・終了判定の流れを示す図である。センサデータ切出し部1022は、まず、ユーザ指示1003を入力し(S201)、ユーザ指示により、モード(開始or終了)の算出は自動か非自動かを決定する(S202)。次に、イベントデータ解析部1021から得られた指定シーケンスの開始時刻を入力する(S203)。また、設備101、あるいは、データベース111から出力されたセンサデータ1002を入力する(S204)。S203からの指定シーケンスの開始時刻、S204からのセンサデータ、S202からの開始モードの自動か非自動かの決定結果を受け、切出し開始時刻の計算を開始する(S205)。
切出し開始時刻の計算は自動的に実施する場合に、窓で一部センサデータを切出し(S206)、開始判定指標を算出し(S207)、開始判定を行い(S208)、「No」と判定された場合、時刻が増大方向へ窓を移動し(S209)、開始判定(S206〜S208)を繰り返す。「Yes」と判定された場合、センサデータ切出し開始時刻を出力・保存する(S211)。
一方、自動算出を実施しない場合には、指定シーケンスの開始時刻をセンサデータ切出し開始時刻とし(S210)、センサデータ切出し開始時刻を出力する(S211)。
センサデータ切出し開始時刻を算出した後、センサデータ切出し終了時刻の計算を実施する。センサデータ切出し終了時刻の計算は、S211からの切出し開始時刻、S202から終了モードの自動か非自動かの決定結果を受け、切出し終了時刻の計算を開始する(S212)。
切出し終了時刻の計算を自動的に実施する場合には、切出し開始時刻以後のセンサデータを対象とし、窓で一部切出し(S213)、終了判定指標を算出し(S214)、終了判定を行い(S215)、「No」と判定された場合、時刻が増大方向へ窓を移動し(S216)、終了判定(S213〜S215)を繰り返す。「Yes」と判定された場合、センサデータ切出し終了時刻を出力・保存する(S218)。
一方、自動算出を実施しない場合には、センサデータ切出し開始時刻以降の所定センサデータ数の時刻をセンサデータ切出し終了時刻とし(S217)、センサデータ切出し終了時刻を出力する(S218)。
開始・終了判定指標について、図2Cに一例を示す。この例では、前後の2個のセンサデータを直線で繋ぎ、その直線の傾きを開始・終了判定指標とする。指標が所定閾値より大きくなったところの時刻をセンサデータ切出し開始時刻とする。また、指標が所定閾値より小さくなったところの時刻をセンサデータ切出し終了時刻とする。
[センサデータの時刻合わせ]
センサデータの時刻合わせ部1023での処理は、センサデータ切出し部1022から得られた切出し開始時刻を用いて行われる。
センサデータの時刻合わせ部1023での処理は、センサデータ切出し部1022から得られた切出し開始時刻を用いて行われる。
イベントデータ1001の例を図3Aに示す。イベントデータ1001は、不定期に出力される設備の操作・故障・警告を表す信号であり、時刻と操作・故障・警告を表すユニークなコードとメッセージ文字列からなる。例えば、起動シーケンスの開始時および停止シーケンスの開始時に対応しているメッセージ文字列はそれぞれ「Request module on」および「Request module off」である。また、イベントデータ1001において、同じ指定シーケンスが異なる時間で行われるため、その開始時刻は複数個ある。
センサデータ時刻合わせ部1023で実行するイベントデータ1001を用いてセンサデータ1002の時刻合わせ処理の第一の例を図3Bに示す。図には、(a)時刻合わせ前のセンサデータと(b)時刻合わせ後のセンサデータを示す。図示の(a)のように、異なる時間で取得した同指定シーケンスのセンサデータを算出したそれぞれの切出し開始時刻で経過時刻を算出し、(b)に示すように、ゼロ時刻を合わせるように切出したセンサデータを同一時間軸上に時刻を合わせる。開始時刻からの経過時間の時間間隔は一定間隔ではなくてもよい。または、一番短い時間間隔に合わせて一定間隔にしてもよい。(b)の表において、時刻合わせ後のセンサデータの一覧に、表示されている数字は取得したセンサデータ、空白となっているのは取得できないセンサデータである。
センサデータ時刻合わせ部1023で実行するイベントデータ1001を用いたセンサデータの時刻合わせ処理の第二の例を図3Cに示す。本例では、図示のように、(b)の修正センサデータ列の切出し開始時刻ts、correctと切出し終了時刻te、correctを(a)の参照センサデータ列の切出し開始時刻ts、refと切出し終了時刻te、ref合わせるように、参照センサデータ列の時間間隔Δtrefから、(b)の修正センサデータ列の時間間隔Δt’correctを
により変更して、(c)の時刻合わせ後の修正センサデータ列を得る。
[センサデータ推定時刻の決定]
推定時刻決定部(112)で行われるセンサデータ推定時刻の決定処理の流れを、図4を用いて説明する。データベース111からの学習用正常なセンサデータをデータ前処理部102で処理して得られた時刻合わせた後のセンサデータ列をセンサデータの推定時刻決定部112に入力し(S401)、窓(ウィンドウ)で一部センサデータを切出し(S402)、激しさ評価指標を算出し(S403)、激しさ評価指標とサンプリング間隔との関係式を用いて激しさ評価指標からサンプリング間隔を算出し(S405)、終了するかとの判定を行う(S406)。「No」と判定された場合、時刻が増大方向へ窓を移動し(S407)、センサデータの激しさ算出からサンプリング間隔を算出する処理 (S402〜S405)を繰り返す。「Yes」と判定された場合、サンプリング間隔を用いて窓内の推定時刻を算出し(S408)、推定時刻を保存・出力する(S409)。
推定時刻決定部(112)で行われるセンサデータ推定時刻の決定処理の流れを、図4を用いて説明する。データベース111からの学習用正常なセンサデータをデータ前処理部102で処理して得られた時刻合わせた後のセンサデータ列をセンサデータの推定時刻決定部112に入力し(S401)、窓(ウィンドウ)で一部センサデータを切出し(S402)、激しさ評価指標を算出し(S403)、激しさ評価指標とサンプリング間隔との関係式を用いて激しさ評価指標からサンプリング間隔を算出し(S405)、終了するかとの判定を行う(S406)。「No」と判定された場合、時刻が増大方向へ窓を移動し(S407)、センサデータの激しさ算出からサンプリング間隔を算出する処理 (S402〜S405)を繰り返す。「Yes」と判定された場合、サンプリング間隔を用いて窓内の推定時刻を算出し(S408)、推定時刻を保存・出力する(S409)。
本発明では、時系列データの激しさ評価指標は、時系列波形の周波数の高低、および、時系列波形の上昇・降下の落差の大きさにより定量化されるものとして定義する。すなわち、時系列波形の周波数が高い、または、時系列波形の上昇・降下の落差が大きい場合、激しさが大きい、逆に、時系列波形の周波数が低い、または、時系列波形の上昇・降下の落差が小さい場合、激しさが小さい。
具体的に、例えば、窓で切出した一部のデータに対し、フーリエ解析を行い、パワースペクトルを計算し、最大パワースペクトルの周波数値をそのデータ列の周波数とし、ある最大周波数で正規化されたデータ列の周波数を周波数による激しさIfreq(freq)とする。同じデータに対し、前後データの差分の最大値に対し、ある最大データの差分で正規化してデータの差分による激しI|Δy|(|Δy|)とする。ある周波数やあるデータの差分は、例えば、すべてのセンサデータに対して統計的に計算して得られた最大値を利用しても良い。これに限らない。また、次に、このデータ列の激しさは、下式で計算される。
激しさ評価指標はその他の定義を使っても良い。
激しさ評価指標とサンプリング間隔との関係式は別途に予め実験やシミュレーションを通して求めておく(S404)。図示のように、サンプリング間隔の最大値はデータ取得のサンプリング間隔であり、最小値は1秒である。激しさ評価指標とサンプリング間隔との間には反比例の関係を持つ。
激しさ評価指標とサンプリング間隔との関係式は別途に予め実験やシミュレーションを通して求めておく(S404)。図示のように、サンプリング間隔の最大値はデータ取得のサンプリング間隔であり、最小値は1秒である。激しさ評価指標とサンプリング間隔との間には反比例の関係を持つ。
センサデータ推定時刻の決定は予め決められた一定間隔でも良く、指定した個数推定するよう等間隔に決めても良い。
以上のように、センサデータ推定時刻の決定を行うことにより、処理コストをダウンし、高効率に処理を実施することが可能となる。
[センサデータの推定]
センサデータ推定部でのセンサデータの推定(推定センサデータの算出)について、図5A、図5Bと図5Cを用いて説明する。推定センサデータは同じ取得センサデータ列の取得センサデータおよび推定センサデータの近傍における同指定シーケンスの異なる時間で取得した他の取得センサデータから重み付き加算の形で算出される。
センサデータ推定部でのセンサデータの推定(推定センサデータの算出)について、図5A、図5Bと図5Cを用いて説明する。推定センサデータは同じ取得センサデータ列の取得センサデータおよび推定センサデータの近傍における同指定シーケンスの異なる時間で取得した他の取得センサデータから重み付き加算の形で算出される。
図5Aはセンサデータ推定の第一の例を示す。第一の例では、各取得センサデータ間のセンサデータ推定値はその両側にある取得センサデータから線形的に算出される。y(x)は取得できないデータの推定値、yxは取得したセンサデータ値、jは時刻合わせた後データが0秒から取得時のサンプリング間隔でカウントしたサンプリング番号(j=1〜n)、iは異なる時間で取得した同じ指定シーケンスの番号(i=1〜m)とすると、y(x)は
により算出される。
また、図5Bで示す第二の例では、推定センサデータと同じ取得センサデータ列のすべての取得センサデータを用いて非線形的に推定センサデータを算出する。センサデータの推定値y(x)は、
と表わされる。ここで、αは重み係数であり、αは下記のように高次元写像されたxにより求められる。
高次元写像関数は下式
を用いる。λは経験により決めた係数である。
また、β1iとβ2iは重み係数であり、これらは周辺取得センサデータの分散から計算される。
センサデータの推定には、スプライン法やバイキュービック法等もある。いくつかの手法のどちらか一方を使っても良いし、切り替えても良い。切り替えには、例えば激しさ指標を使う。
取得センサデータで区切られたそれぞれの区間におけるセンサデータを推定する際に、用いられる手法が異なる場合に、手法の切り替わるところにおいて、垂直な段差のようなデータのずれが発生する。
図5Cはサンプリング点における段差を補正する一例を示す。この例では、推定line1と推定line2の点xj における段差に対し、サンプリング点の前後に補正スペース2l (1≦データ取得時のサンプリング間隔)を設け、補正スペースxj-l からxj+l 内で、補正曲線y´(x)ように二つのセンサデータを線形的につなげる。すなわち、推定した二つのセンサデータの境界(繋ぎ目)に発生する垂直な段差を斜めの段差に変更することによって、段差のような不連続な繋がりから、滑らかな繋がりにすることである。
このように、補正スペース内での補正センサデータy’ (x) は下式で求められる。
重み係数w(x) は
により計算される。
以上のように、センサデータ推定を行うことにより、機器制限のために取得できないデータを推定し、特に、実際にデータを取得できないシーケンスの激しい変化を再現することが可能となる。
[統計確率分布の推定]
統計確率分布推定部104における統計確率分布の推定について、各推定時刻において、複数の同指定シーケンスの異なる時間で取得したセンサデータの推定後の値を用い、各推定時刻における確率分布の推定方法について、図6Aと図6Bを用いて説明する。
統計確率分布推定部104における統計確率分布の推定について、各推定時刻において、複数の同指定シーケンスの異なる時間で取得したセンサデータの推定後の値を用い、各推定時刻における確率分布の推定方法について、図6Aと図6Bを用いて説明する。
図6Aに示している例は、通常に各推定時刻におけるセンサデータが正規分布に従う場合の確率分布Gである。この場合に、確率分布Gはガウス関数で表され、その時刻におけるセンサデータの平均μと標準偏差σを用いて下式のようになる。
一方、図6Bに示した例は、各推定時刻におけるセンサデータが正規分布に従わない場合の確率分布Gの一例である。この場合に、例えば、マルチガウス関数で近似しても良い。その他の関数で近似しても良い。マルチガウス関数で近似する場合には、下式のようになる。
以上の統計確率分布Gの推定により、各時刻におけるセンサデータの分布状況を把握することが可能となる。また、各時刻における新たに観測されたセンサデータについて、正常・異常の割合がどのぐらいあるかを見て確認することが可能となる。
[特徴量抽出]
特徴量抽出部105で実施する特徴量抽出処理の流れを図7Aを用いて説明する。まず、統計確率分布推定部104からの各推定時刻における統計確率分布Gを入力する(S701)。
特徴量抽出部105で実施する特徴量抽出処理の流れを図7Aを用いて説明する。まず、統計確率分布推定部104からの各推定時刻における統計確率分布Gを入力する(S701)。
次に、各推定時刻における統計確率分布Gを用いてその時刻の異常度v(t)を(数10)を用いて算出する(S702)。
そして、後で説明する特徴量抽出部105において実施するセンサ波形の収束判定から得られたシーケンス収束時刻を入力し(S703)、センサデータの開始時刻からシーケンスの収束時刻まで(数11)で累積することで特徴量である尤度を算出する(S704)。
すべてのセンサに対し、S701〜S703を実施し、最後に、すべてのセンサの尤度を統合すれば、(数12)で表す尤度ヒストグラムが得られる。添字s1〜snはセンサ番号である。
図7Bには抽出した特徴量である尤度ヒストグラムを示す。
図7Aの処理S703にて入力したシーケンス収束時刻は、センサデータを切出す時に、ユーザ指示により「自動算出を実施しない」ことを選択した際、デフォルトの所定数まで切出したセンサデータを対象として、センサ波形の収束判定を行うことにより求めたものである。
図7Aの処理S703にて入力したシーケンス収束時刻は、センサデータを切出す時に、ユーザ指示により「自動算出を実施しない」ことを選択した際、デフォルトの所定数まで切出したセンサデータを対象として、センサ波形の収束判定を行うことにより求めたものである。
図8Aには、その収束時刻を求める処理の流れを示す。まず、切出した正常サンプリングセンサデータを入力する(S801)。次に、窓で一部センサデータを切出し(S802)、収束判定指標を算出し(S803)、収束判定を行う(S804)。「No」と判定された場合、時刻が増大方向へ窓を移動し(S805)、収束判定(S802〜S804)を繰り返し、「Yes」と判定された場合、センサデータ収束時刻を出力する(S806)。
シーケンス収束時とは、シーケンスが開始してから、該シーケンスのセンサデータが一定値に収束し始める時刻、あるいは、一定値を中心に振動し始める時刻のことである。前者の収束判定指標を示すイメージは図8Bとなり、後者の収束判定指標を示すイメージは図8Cとなる。
図8Bに一定値に収束するケースの収束判定指標を示す。収束判定指標は窓で切出したサンプリングセンサデータを対象とする主成分分析により得られた第一主軸、あるいは線形回帰により得られた回帰直線の傾きである。また、最後の一部のサンプリングデータの[最小値、最大値]範囲内に到達し、最大値と最小値との差分が所定閾値以下との制約条件を加え、収束判定指標が所定の閾値より小さいいくつかの時刻のうち、最初の時刻はシーケンス収束時刻とする。
図8Cに一定値を中心に振動するケースの収束判定指標を示す。この場合の収束判定指標も窓で切出したサンプリングセンサデータを対象とする主成分分析により得られた第一主軸の傾き(図8Cに示したように、第一主軸が水平軸とのなす角度)である。また、最後の一部のサンプリングデータの頂点に余弦波で合わせた後、類似度を算出し、類似度が所定閾値以上に達することを制約条件にさらに加え、収束判定指標が所定の閾値より小さくなったいくつかの時刻のうち、最初の時刻をシーケンス収束時刻とする。
[GUI]
次に、各処理をすることにあたって使用するGUIについて、図9Aないし図11Bを用いて説明する。
次に、各処理をすることにあたって使用するGUIについて、図9Aないし図11Bを用いて説明する。
図9A及び図9Bは、図1B〜Dに示したフロー図におけるイベントデータおよびユーザ指示を入力する処理ステップS101(S121)、学習センサデータを入力する処理ステップS104(S124)、図1Cにおける正常・異常指示を入力する処理ステップS112、図1B又は図1Cの出力処理ステップである正常空間あるいは正常・異常識別境界を出力する処理ステップS111(S111’)、図1Eに示したフロー図における推定時刻を出力する処理ステップS138、図2Bに示したフロー図における切出し開始・終了時刻を出力する処理ステップS211、S218、図4に示したフロー図における推定時刻を出力する処理ステップS409、図7Aに示したフロー図における特徴量を出力する処理ステップS705、図8Aに示したフロー図におけるセンサデータ収束時刻を出力する処理ステップS806、図1Dに示したフロー図における異常検知結果を出力する処理ステップS131に係わるGUI、また、異常検知テスト結果や異常検知結果の表示に係わるGUIである。
本GUIは、特徴量を表示するパネル900、センサデータ、センサデータの正常異常を示すインディクス、イベントデータ、パラメータ等を保存するファイル一式を格納するフォルダを選択するための「参照」ボタン9012、選択したフォルダを表示するための「入力フォルダ」ボックス9011、S111(S111’)処理ステップから受けた正常空間(正常・異常識別境界)、S138とS409処理ステップから受けた決定した推定時刻、S211とS218処理ステップから受けた切出し開始・終了時刻、S705処理ステップから受けた特徴量である尤度ヒストグラム、S806処理ステップから受けたセンサ波形の収束時刻、また、図示していないが、S107(S127)処理ステップから受けた推定後のセンサデータ、S108(S128)処理ステップから受けた抽出した統計確率分布等の途中結果およびS131処理ステップから受けた異常検知結果のファイル一式を格納するフォルダを選択するための「参照」ボタン9022、選択したフォルダを表示するための「出力フォルダ」ボックス9021、今回の学習および異常検知テストに係わるデータを登録するための「データ期間登録」登録ボックス903、検知手法を選択するための「異常検知手法」選択ボックス904、異常検知のための詳細な設定に係わる「その他の設定」ボタン905、データベース111からのデータを用いて学習および異常検知テストを実行する「学習および異常検知テスト実行」ボタン906、設備101からのデータを対象として異常検知をする「異常検知実行」ボタン907、異常検知結果を表示するデータの「表示期間」ボックス908、特徴量や異常結果の表示等の表示項目を選択する「表示項目」ボックス909、2次元表示をするか3次元表示をするかを選択するための「表示形式」ボックス910、以上の表示の設定に基づき異常検知を実施し、センサデータを推定処理ステップS107(S127)から受けた異常検知結果を表示する「異常検知結果表示」ボタン911、および、統計確率分布ステップS108(S128)から受けた途中結果である推定後センサデータおよび統計確率分布を受け、表示するための「途中結果表示」ボタン912を備えて構成される。
「入力フォルダ」ボックス9011、「出力フォルダ」ボックス9021でそれぞれフォルダを選択し、「データ期間登録」ボックス908でデータ期間を登録し、「異常検知手法」選択ボックス904で異常検知手法を選択し、「その他の設定」ボタン905でその他の設定が終わった後、「学習および異常検知テスト実行」ボタン906を押すことにより、図1B、あるいは、図1Cに示した学習処理、およびデータベース111からのデータを用いて図1Dに示した異常検知流れに沿った異常検知テスト処理が実行される。ボタン906が一旦押されると、異常検知テスト処理が完了するまでは、「異常検知実行」ボタン907、「異常検知結果表示」ボタン911、「途中結果表示」ボタン912が押せない状態になる。
学習処理および異常検知テスト処理が完了したら、「異常検知実行」ボタン907が押せる状態に切り替わる。また、「異常検知結果表示」ボタン911、「途中結果表示」ボタン912も押せる状態に切り替わる。この場合に、「表示期間」ボックス908に学習データ、あるいは、異常検知テストデータの期間を登録し、「表示項目」ボックス909および「表示形式」ボックス910を選択して「異常検知結果表示」ボタン911、あるいは「途中結果表示」ボタン912を押すと、表示期間にある途中結果、あるいは異常検知結果が「表示」パネル900に表示される。
次に、「異常検知実行」ボタン907を押す。これにより、図示していない設備101に繋がっている一時データ保存用の記憶媒体から「データ期間登録」ボックス903に登録されている期間のデータを読み込んで異常検知を行う。異常検知実行が完了したら、「表示期間」ボックス908に異常検知データの期間を登録し、「表示項目」ボックス909および「表示形式」ボックス910を選択して「異常検知結果表示」ボタン911、「途中結果表示」ボタン912を押すと、表示期間にある異常検知データの途中結果、あるいは異常検知結果が「表示」パネル900に表示される。
表示に関連するボタンを押す前には、「表示」パネル900には実行の進捗が表示されている。たとえば、最初に、“設定してください”と表示する。設定がいったん始まったら、すぐに、“設定実施中”と切り替わる。そして、入力フォルダ、出力フォルダ、データ期間登録、異常検知手法の設定が完了し、「学習および異常検知テスト実行」ボタン906を押すと、“学習および異常検知テスト実行中”と表示する。
「学習および異常検知テスト実行」が完了したら、“学習および異常検知テスト実行が済み、「異常検知実行」ボタン907を押して異常検知を実施するか、表示設定をし、表示ボタンを押して、表示してください”と表示する。「異常検知実行」ボタン907を押さず、「表示期間」、「表示項目」、「表示形式」のいずれかの表示設定をいったん開始したら、“表示設定中”と切り替える。表示設定が完了したら、“表示設定が完了し、表示ボタンを押して、表示してください”と表示する。
「異常検知結果表示」ボタン911か「途中結果表示」ボタン912を押したら、設定に従った学習および異常検知テストの結果が表示される。一方、「異常検知実行」ボタン907を押したら、“異常検知テスト実行中”と表示し、「異常検知テスト実行」が完了したら、“異常検知テスト実行が済み、表示設定をしてください”と表示する。表示設定をいったん開始したら、“表示設定中”と切り替える。表示設定が完了したら、“表示設定が完了し、表示ボタンを押して、表示してください”と表示し、「異常検知結果表示」ボタン911か「途中結果表示」ボタン912を押したら、設定に従った異常検知の結果が表示される。
図9Aに本実施例によるGUI表示の一例を示す。この例では、表示パネル900において、特徴量9001、異常バー9002、および表示に係わる表示関連項目9003が表示されている。表示関連項目9003には、表示データの種類(データベースのデータを利用した異常検知テスト結果か、設備からのデータを利用した異常検知の結果かのこと)、表示期間、本結果が得られるための学習期間、評価期間を表示する。異常バー9002は、異常のある特徴量の位置を黒く表示する。
図9Aに示した例では、データベース111からのデータを利用した異常検知テスト結果を示す一例である。また、図示をしていないが、設備101からのデータを利用した異常検知結果を示すことも可能である。また、「表示形式」に3Dと選択すれば、図9Bの「表示」パネル900に示される3Dの特徴量9001’が表示される。
図9A又は図9Bに示したようなGUIを表示することにより、特徴量である尤度ヒストグラムの状況、異常検知の結果を視覚的に確認することができるため、ユーザにとって判断しやすくなる。
図10は、異常検知のための詳細な設定に係わり、図9にある「その他の設定」ボタン905を押すことで呼び出されるGUIである。本GUIは、図1B〜図1Dにおける、センサデータ切出し開始・終了時刻算出し、センサデータを切出し処理ステップS105(S125)、センサデータ推定ステップS107(S127)の設定にも係わる。
本GUIは、「シーケンス設定」領域1001、「センサデータ推定設定」領域1002、「データ設定」領域1003、「識別器設定」領域1004、「設定状況一覧」表示パネル1005、および「保存」ボタン1006を備えて構成される。
「シーケンス設定」領域1001において、「編集」ボタン10016を押すことで、すべての項目を編集することが可能となる。編集項目には、「シーケンス種類」と「シーケンス切出し」がある。それぞれ、「シーケンス種類」にはシーケンス種類を選択するためのボックス10011、「シーケンス切出し」には、シーケンス切出し開始・終了時刻自動算出項目に、「あり」を表示するチェックボックス100121と100123、およびそれぞれの「あり」の後ろに自動算出時使用する指標を選択するためのボックス100122と100124がある。「シーケンス種類」選択ボックス10011にて、起動や停止等異常検知したいシーケンスの種類を選択することができる。「シーケンス切出し」にて、開始・終了時刻を自動算出するかを決めることができる。
自動算出を実施する場合に、それぞれの「あり」チェックボックス100121と100123をチェックし、指標ボックス100122と100124にて、使用指標を選択する。自動算出を実施しない場合に、「あり」チェックボックスをチェックせずに、使用指標選択ボックスを空白にする。この場合には、デフォルトのシーケンス切出し開始・終了時刻を利用する。
図10に示した例では、シーケンス種類を選択するためのボックス10011に起動シーケンスを入力した例を示している。また、この例では、シーケンス切出し開始・終了時刻の自動算出を行わないため、それぞれの「あり」をチェックせず、指標選択用ボックスを空白にしている。「決定」ボタン10017を押すことにより、「シーケンス設定」領域1001で設定された内容が登録される。
「センサデータ推定設定」領域1002において、「編集」ボタン10026を押すことで、すべての項目を編集することが可能となる。編集項目には、「推定手法」、「パラメータ」、「推定間隔」がある。それぞれ、「推定手法」には線形法・非線形法・混合法を選択するためのチェックボックス100211、100213、100215、各分類方法に対応する更なる詳細な方法を選択するためのボックス100212、100214、100216がある。
推定手法を選択する際に、「推定手法」の線形法・非線形法・混合法を選択するためのチェックボックス100211、100213、100215の何れかをチェックし、その後ろに対応する手法選択のボックス100212、100214、100216によって推定手法を決めることができる。「パラメータ」にはパラメータの種類を選択するための選択ボックス100221、選択されたパラメータの具体的な数字を入力するためのボックス100222、および1つのパラメータの種類選択と数値入力が終わった後、次のパラメータの種類選択と数値入力を実施するための「追加」ボタン100223がある。
「推定間隔」には、「指定あり」の場合に表示するチェックボックス100232、および「指定あり」がチェックされたら推定間隔を入力するためのボックス100233がある。推定間隔を指定しない場合に、「指定あり」チェックボックをチェックせず、その後ろの秒数も入力しない。この場合に、自動的に正常な学習データを用いてそれぞれのセンサ波形の激しさによって推定時刻の決定が行われる。指定する場合には、「指定あり」チェックボックスをチェックし、その後ろの秒数も入力する。これにより、指定された秒数間隔に推定時刻が設定される。
図10に示した例では、非線形法のチェックボックス100213がチェックされ、対応する手法選択ボックス100214にカーネルを用いた推定法が選択される。また、「パラメータ」の「種類」選択ボックス100221によってパラメータ1/パラメータ2が選択され、数値が5.0と10.0と入力されている。推定間隔は指定ありで、推定間隔は1秒と設定される。「決定」ボタン10027を押すことにより、「センサデータ推定設定」領域1002で設定された内容が登録される。
「データ設定」領域1003において、「編集」ボタン10036を押すことで、すべての項目を編集することが可能となる。編集項目には、「学習/評価データ切わけ指定」および「除外データ」がある。さらに、「学習/評価データ切わけ指定」には、「あり」のチェックボックス100311、指定「あり」の場合に、それぞれ学習データ期間を入力するボックス100312、評価データ期間を入力するボックス100313、指定「なし」の場合に、「なし」のチェックボックス100321、自動的に学習データ・評価データを分けることに係わる評価手法のfold数を入力するボックス100322がある。「除外データ」には、「あり」のチェックボックス100331、と「あり」の場合に、データ登録するための「データ登録」ボックス100332がある。
図10に示した例では、学習/評価データ切わけ指定の「あり」のチェックボックス100311がチェックされ、それぞれ学習データボックスと評価データボックス100312と100313に指定期間を入力している。また、除外データがないため、「除外データ」の「あり」のチェックボックス100331をチェックせず、「データ登録」ボックス100332にも空白している。「決定」ボタン10037を押すことにより、「データ設定」領域1003で設定された内容が登録される。
「識別器設定」領域1004において、「編集」ボタン10046を押すことで、すべての項目を編集することが可能となる。編集項目には、「識別器種類」および「詳細項目」がある。それぞれの内容に対し、「識別器種類」ボックス10041、および「詳細項目」ボックス10042がある。「識別器種類」ボックス10041では、識別器の種類選択ができる。例えば、サポートベクターマシン、ベイズ識別器、k近傍識別器、ニューラルネットワーク等がある。
「詳細項目」ボックス10042では、「識別器種類」ボックス10041にて選んだ識別器に対応する詳細な項目の選択ができる。例えば、識別器のクラス数について、1クラスや多クラスを選択できる。1クラスを選択した場合、学習時図1Bの処理流れに沿って学習を行い、正常空間を求める。一方、多クラスを選択した場合、学習時図1Cの処理流れに沿って学習を行い、正常・異常識別境界を求める。本実施例では、「識別器種類」ボックス10041には識別器1と選択し、「詳細項目」ボックス10042に多クラスと選択している。「決定」ボタン10047を押すことにより、「識別器設定」領域1004で設定された内容が登録される。
上記入力した内容が入力された時点で、自動的に「設定状況一覧」1005に表示される。それぞれの設定項目を編集している場合に、それぞれの項目名の後ろに「編集中」と表示される。決定が終わった時点、それぞれの「決定」ボタン10016、10026、10036、10046を押したら、それぞれの項目名の後ろに「編集中」が「決定済」と変更される。また修正したい項目があったら、修正したい設定項目がある領域の「編集」ボタンを押して、編集を行い、編集をし終わった後、再度該当する領域の「決定」ボタン10017、10027、10037、10047の何れかを押すことにより修正を完了する。
「設定状況一覧」1005に表示された内容を確認し終わった後、「保存」ボタン1006を押すと、図10で設定した内容が保存され、図10のGUIが消える。
図10のGUIを用いてセンサデータ推定等を行う詳細な設定を実施した後、図9A又は図9Bの「学習&異常検知テスト実行」ボタン906を押して、学習および異常検知テストを実施した後、「異常検知実行」ボタン907を押し、異常検知を実施する。異常検知を実施する際に用いられる正常空間あるいは識別境界は「学習時」求められたものを利用する。
学習、異常検知テスト、異常検知を行った後、得られた途中結果である推定後計測曲線、センサモデル、センサモデルにおけるある時刻の統計確率分布をチェックすることに係わるGUIについて、図11A及び図11Bを用いて説明する。
図11A及び図11Bに示したGUIは、「センサ設定」領域」1101、「表示設定」領域1102、および表示実行のための「表示」ボタン1103、「表示パネル」領域1104を備えて構成される。「センサ設定」1101には「センサ種類」項目があり、種類選択は選択ボックス11011によって実施される。「表示設定」1102には「表示データ日付」、「表示内容」、「確率分布表示」がある。
表示データ日付は、「表示データ日付」ボックス11021によって入力される。表字内容は「表示内容」の選択ボックス110221によって選択される。また選択ボックス下にある「設定プロパティ」110222によって、表示する内容のプロパティを選択する。「確率分布表示」には、「あり」の場合にチェックするチェックボックス110231、および「あり」の場合に、設定用の「設定プロパティ」110232がある。
図11Aは、推定前後計測曲線を表示する一例を示す。図11Aに示した例では、「表示内容」の選択ボックス110221に「推定前&推定後計測曲線」と選択し、またその他の項目に適切な選択肢を選び、「表示」ボタン1103を押すと、「表示パネル」領域1104に時間とセンサ値との関係を示すグラフ1105が表示される。推定前のデータ列11051は離散的であり、推定後のセンサ波形11052は連続的である。
また、本グラフに係わる設定項目は領域11053に表示される。表示項目内容には、図10で説明したGUI上で設定された内容も含み、多次元センサのセンサ番号、計測内容、データ取得時間、データ種類(学習データか評価データか、および、データベースからか設備からか、との内容を含む)、収束時刻、センサデータの推定手法、推定時に用いたパラメータの値、推定時間間隔種類、推定時間間隔、推定前のマーカーの種類、推定後曲線の種類等がある。領域11053の表示はマウスの右クリックにて表示されないように選択できるようにしても良い。
図11Aで、「表示内容」選択ボックス110222で「センサモデル&推定後計測曲線」を選択し、またその他の項目に適切な選択肢を選び、「表示」ボタン1103を押すと、領域1104には図11Bに示すような、センサモデル毎の推定計測曲線を示すグラフ1106が表示される。グラフ1106において、一点鎖線11061はセンサモデルの平均値曲線(μ)、点線11062、11063はセンサモデルの平均値曲線プラスマイナス標準偏差の3倍(μ±3σ)、実線11064は推定後の計測曲線を表す。また、本図形に係わる設定項目は領域11065に表示される。表示項目内容には、それぞれの線形はどんな曲線であるかを示す。領域11065の表示はマウスの右クリックにて表示されないように選択しても良い。
さらに、統計確率分布を見たい時刻にマウスを合わせ(グラフ1106の矢印で示した個所)、右クリックにて表示するように選択すれば、領域1104においてグラフ1106の下に、図11Bに示すように、ある指定時刻における統計確率分布1107が表示される。ある時刻における統計確率分布1107にはガウス曲線11071、観測データ11072、および領域11073に本統計確率分布に関連する項目が表示される。領域11073に表示される表示項目内容には、センサ番号、計測内容、本統計確率分布の経過時刻、平均値の数値、標準偏差の数値、観測データの推定値の該統計確率分布における確率値と異常度がある。領域11073の表示はマウスの右クリックにて表示されないように選択しても良い。
図11A又は図11Bで説明したようなGUIにより、センサデータ推定手法の選択やパラメータの設定等を簡便に入力することが可能である。また、センサデータ推定前後の結果を確認することが可能であるため、選択した手法や設定したパラメータの妥当性を確認することが可能である。さらに、確率分布および新たに観測されたデータの所在位置や異常度を観察し、シーケンスの進行状況を確認することが可能である。
以上、本発明者によってなされた発明を実施例に基づき具体的に説明したが、本発明は前記実施例に限定されるものではなく、その要旨を逸脱しない範囲で種々変更可能であることは言うまでもない。
101・・・設備 100・・・異常検知パス 100’・・・学習パス 100”・・・推定時刻決定パス 1001・・・イベントデータ 1002・・・センサデータ 1003・・・ユーザ指示 1004・・・識別境界or正常空間 102・・・データ前処理部 1021・・・イベントデータ解析部 1022・・・センサデータ切出し部 1023・・・センサデータ時刻合わせ部 103・・・センサデータ推定部 104・・・統計確率分布推定部 105・・・特徴量抽出部 106・・・異常検知部 111・・・データベース 112・・・推定時刻決定部 113・・・学習部。
Claims (10)
- プラント又は設備の異常を検知する方法であって、
プラント又は設備に取り付けたセンサから間欠的に出力されたセンサ信号及び該センサ信号と同じ期間における前記プラント又は設備の起動シーケンス又は停止シーケンスの開始および終了に対応するイベント信号を入力し、
該入力したセンサ信号のうち前記起動シーケンス又は終了シーケンスの開始のイベント信号と終了のイベント信号との間の区間に対応するセンサ信号を切り出し、
該切り出したセンサ信号のある時刻における信号値とその確率分布を推定し、
該推定した確率分布に基づいて特徴量を抽出し、
該抽出した特徴量に基づいて前記プラント又は設備の異常を検知する
ことを特徴とする設備状態監視方法。 - 前記切り出したセンサ信号のある時刻における信号値とその確率分布を推定することを、
前記切り出したセンサ信号を前記起動シーケンス又は終了シーケンスの開始のイベント信号を起点とした時間に合わせ、
該時間を合わせたセンサ信号のデータを推定する時刻を決定し、
該決定した時刻におけるセンサデータを推定し、
該推定したセンサデータの確率分布推定する
ことにより行うことを特徴とする請求項1記載の設備状態監視方法。 - 前記センサデータを推定する手法を画面上に表示された複数の手法の中から選択し、該選択した手法に基づいて前記センサデータを推定することを特徴とする請求項2に記載の設備状態監視方法。
- 前記推定したセンサデータに関する情報を画面上に表示することを特徴とする請求項2記載の設備状態監視方法。
- 前記抽出した特徴量に基づいて前記プラント又は設備の異常を検知することを、前記プラント又は設備が正常に作動しているときの前記センサ信号を用いて前記センサ信号の正常空間或いは識別境界を決定し、前記抽出した特徴量が前記決定した正常空間或いは識別境界の内部にあるか否かを判断して前記プラント又は設備の異常を検知することを特徴とする請求項1記載の設備状態監視方法。
- プラント又は設備の異常を検知する装置であって、
プラント又は設備に取り付けたセンサから間欠的に出力されたセンサ信号及び該センサ信号と同じ期間における前記プラント又は設備の起動シーケンス又は停止シーケンスの開始および終了に対応するイベント信号を入力し、該入力したセンサ信号のうち前記起動シーケンス又は終了シーケンスの開始のイベント信号と終了のイベント信号との間の区間に対応するセンサ信号を切り出し、該切り出したセンサ信号を前記起動シーケンス又は終了シーケンスの開始のイベント信号を起点とした時間に合わせる処理を行うデータ前処理部と、
該データ前処理部で処理したセンサ信号のある時刻における信号値とその確率分布を推定する確率分布推定部と、
該確率分布推定部で推定した確率分布に基づいて特徴量を抽出する特徴量抽出部と、
該特徴量抽出部で抽出した特徴量に基づいて前記プラント又は設備の異常を検出する異常検出部と
入出力する情報を表示する画面を有して前記異常検出部で検出した前記プラント又は設備の異常に関する情報を前記画面上に表示する入出力部と
を備えたことを特徴とする設備状態監視装置。 - 前記確率分布推定部は、
前記切り出したセンサ信号を前記起動シーケンス又は終了シーケンスの開始のイベント信号を起点とした時間に合わせたセンサ信号のデータを推定する時刻を決定する推定時刻決定部と、
該推定時刻決定部で決定した時刻におけるセンサデータを推定するセンサデータ推定部と、
該センサデータ推定部で推定したセンサデータの統計確率分布推定する統計確率分布推定部と、
を備えることを特徴とする請求項6記載の設備状態監視装置。 - 前記入出力部は前記センサデータ推定部でセンサデータを推定するための複数の手法を前記画面上に表示し、前記センサデータ推定部は、前記表示された複数の手法の中から前記画面上で選択された手法に基づいて前記センサデータを推定することを特徴とする請求項7に記載の設備状態監視装置。
- 前記入出力部は、前記センサデータ推定部で推定したセンサデータに関する情報を前記画面上に表示することを特徴とする請求項7記載の設備状態監視装置。
- 前記異常検出部は、前記プラント又は設備が正常に作動しているときの前記センサ信号を用いて前記センサ信号の正常空間或いは識別境界を決定する学習部と、前記特徴量抽出部で抽出した特徴量が前記決定した正常空間或いは識別境界の内部にあるか否かを判断して前記プラント又は設備の異常を検知する異常検知部とを備えていることを特徴とする請求項6記載の設備状態監視装置。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2012188649A JP2014048697A (ja) | 2012-08-29 | 2012-08-29 | 設備状態監視方法及び設備状態監視装置 |
PCT/JP2013/068531 WO2014034273A1 (ja) | 2012-08-29 | 2013-07-05 | 設備状態監視方法及び設備状態監視装置 |
US14/416,466 US20150213706A1 (en) | 2012-08-29 | 2013-07-05 | Facility status monitoring method and facility status monitoring device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2012188649A JP2014048697A (ja) | 2012-08-29 | 2012-08-29 | 設備状態監視方法及び設備状態監視装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2014048697A true JP2014048697A (ja) | 2014-03-17 |
Family
ID=50183095
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2012188649A Pending JP2014048697A (ja) | 2012-08-29 | 2012-08-29 | 設備状態監視方法及び設備状態監視装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20150213706A1 (ja) |
JP (1) | JP2014048697A (ja) |
WO (1) | WO2014034273A1 (ja) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016177676A (ja) * | 2015-03-20 | 2016-10-06 | 株式会社東芝 | 診断装置、診断方法、診断システムおよび診断プログラム |
JP2017045147A (ja) * | 2015-08-24 | 2017-03-02 | 富士電機株式会社 | 情報提供装置、情報提供方法、及びプログラム |
JP2018049390A (ja) * | 2016-09-20 | 2018-03-29 | 株式会社東芝 | 特性値推定装置および特性値推定方法 |
JP2019159843A (ja) * | 2018-03-13 | 2019-09-19 | オムロン株式会社 | 故障予測支援装置、故障予測支援方法及び故障予測支援プログラム |
JP2020087099A (ja) * | 2018-11-28 | 2020-06-04 | 日産自動車株式会社 | 異常表示装置及び異常表示方法 |
JP2020154849A (ja) * | 2019-03-20 | 2020-09-24 | オムロン株式会社 | コントローラ、システム、方法及びプログラム |
JP6834067B1 (ja) * | 2020-06-05 | 2021-02-24 | 三菱電機株式会社 | 異常兆候探索装置 |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPWO2015025380A1 (ja) * | 2013-08-21 | 2017-03-02 | 三菱電機株式会社 | プラント監視装置 |
US10151215B2 (en) * | 2015-06-01 | 2018-12-11 | Solar Turbines Incorporated | High speed recorder for a gas turbine engine |
JP6654119B2 (ja) * | 2016-09-20 | 2020-02-26 | 株式会社日立製作所 | プラントデータ表示処理装置及びプラント制御システム |
GB2554685A (en) * | 2016-10-03 | 2018-04-11 | Airbus Operations Ltd | Component monitoring |
CN107958575A (zh) * | 2016-10-18 | 2018-04-24 | 广东惠州天然气发电有限公司 | 一种电厂运行参数实时报警系统 |
JP6616791B2 (ja) * | 2017-01-04 | 2019-12-04 | 株式会社東芝 | 情報処理装置、情報処理方法およびコンピュータプログラム |
WO2019036273A1 (en) * | 2017-08-14 | 2019-02-21 | Paige Electric Company, Lp | SECURITY EARTH SURVEILLANCE AND ALARM SYSTEMS |
DE102017215341A1 (de) | 2017-09-01 | 2019-03-07 | Siemens Mobility GmbH | Verfahren zur Untersuchung eines Funktionsverhaltens einer Komponente einer technischen Anlage, Computerprogramm und computerlesbares Speichermedium |
EP3511795A1 (en) * | 2018-01-12 | 2019-07-17 | Siemens Aktiengesellschaft | Industrial process data processing |
CN108600704A (zh) * | 2018-05-08 | 2018-09-28 | 深圳市智汇牛科技有限公司 | 一种自动厨房领域的监控系统架构 |
JP7031527B2 (ja) * | 2018-08-07 | 2022-03-08 | 日本電信電話株式会社 | 操作列生成装置、操作列生成方法及びプログラム |
JP7034874B2 (ja) * | 2018-09-26 | 2022-03-14 | 株式会社日立製作所 | プロセス状態解析装置及びプロセス状態表示方法 |
CN110954852B (zh) * | 2018-09-27 | 2022-05-17 | 迈来芯电子科技有限公司 | 传感器设备、系统以及相关方法 |
US10956578B2 (en) * | 2018-10-05 | 2021-03-23 | General Electric Company | Framework for determining resilient manifolds |
US11669080B2 (en) | 2018-10-30 | 2023-06-06 | Japan Aerospace Exploration Agency | Abnormality detection device, abnormality detection method, and program |
US11143055B2 (en) | 2019-07-12 | 2021-10-12 | Solar Turbines Incorporated | Method of monitoring a gas turbine engine to detect overspeed events and record related data |
CN112907911A (zh) * | 2021-01-19 | 2021-06-04 | 安徽数分智能科技有限公司 | 一种基于设备工艺数据的智能异常识别与报警算法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2738732B2 (ja) * | 1988-09-16 | 1998-04-08 | 株式会社日立製作所 | 劣化度予測装置および方法 |
US7010459B2 (en) * | 1999-06-25 | 2006-03-07 | Rosemount Inc. | Process device diagnostics using process variable sensor signal |
FI113410B (fi) * | 2002-05-31 | 2004-04-15 | Ekahau Oy | Probabilistinen malli paikannustekniikkaa varten |
US7191096B1 (en) * | 2004-08-13 | 2007-03-13 | Sun Microsystems, Inc. | Multi-dimensional sequential probability ratio test for detecting failure conditions in computer systems |
JP5431235B2 (ja) * | 2009-08-28 | 2014-03-05 | 株式会社日立製作所 | 設備状態監視方法およびその装置 |
JP5364530B2 (ja) * | 2009-10-09 | 2013-12-11 | 株式会社日立製作所 | 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) * | 2010-10-22 | 2013-10-30 | 株式会社日立パワーソリューションズ | 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 |
WO2013126052A1 (en) * | 2012-02-22 | 2013-08-29 | Hewlett-Packard Development Company, L.P. | Computer infrastructure security management |
-
2012
- 2012-08-29 JP JP2012188649A patent/JP2014048697A/ja active Pending
-
2013
- 2013-07-05 WO PCT/JP2013/068531 patent/WO2014034273A1/ja active Application Filing
- 2013-07-05 US US14/416,466 patent/US20150213706A1/en not_active Abandoned
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016177676A (ja) * | 2015-03-20 | 2016-10-06 | 株式会社東芝 | 診断装置、診断方法、診断システムおよび診断プログラム |
JP2017045147A (ja) * | 2015-08-24 | 2017-03-02 | 富士電機株式会社 | 情報提供装置、情報提供方法、及びプログラム |
JP2018049390A (ja) * | 2016-09-20 | 2018-03-29 | 株式会社東芝 | 特性値推定装置および特性値推定方法 |
JP2019159843A (ja) * | 2018-03-13 | 2019-09-19 | オムロン株式会社 | 故障予測支援装置、故障予測支援方法及び故障予測支援プログラム |
US11314243B2 (en) | 2018-03-13 | 2022-04-26 | Omron Corporation | Failure prediction support device, failure prediction support method and failure prediction support program |
JP2020087099A (ja) * | 2018-11-28 | 2020-06-04 | 日産自動車株式会社 | 異常表示装置及び異常表示方法 |
JP7275546B2 (ja) | 2018-11-28 | 2023-05-18 | 日産自動車株式会社 | 異常表示装置及び異常表示方法 |
JP2020154849A (ja) * | 2019-03-20 | 2020-09-24 | オムロン株式会社 | コントローラ、システム、方法及びプログラム |
JP7029647B2 (ja) | 2019-03-20 | 2022-03-04 | オムロン株式会社 | コントローラ、システム、方法及びプログラム |
JP6834067B1 (ja) * | 2020-06-05 | 2021-02-24 | 三菱電機株式会社 | 異常兆候探索装置 |
WO2021245905A1 (ja) * | 2020-06-05 | 2021-12-09 | 三菱電機株式会社 | 異常兆候探索装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2014034273A1 (ja) | 2014-03-06 |
US20150213706A1 (en) | 2015-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2014034273A1 (ja) | 設備状態監視方法及び設備状態監視装置 | |
JP5301717B1 (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 | |
JP5342708B1 (ja) | 異常検知方法及びその装置 | |
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 | |
EP2752722B1 (en) | Facility state monitoring method and device for same | |
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 | |
JP5501903B2 (ja) | 異常検知方法及びそのシステム | |
EP3055747B1 (en) | Correlation and annotation of time series data sequences to extracted or existing discrete data | |
CN102375452B (zh) | 改善故障代码设定和隔离故障的事件驱动的数据挖掘方法 | |
JP6076421B2 (ja) | 設備状態監視方法およびその装置 | |
EP2950177A1 (en) | Asset condition monitoring | |
JP5778305B2 (ja) | 異常検知方法及びそのシステム | |
EP3477412B1 (en) | System fault isolation and ambiguity resolution | |
WO2013011745A1 (ja) | 設備状態監視方法およびその装置 | |
EP3055746B1 (en) | Correlation and annotation of time series data sequences to extracted or existing discrete data | |
JP2014056598A (ja) | 異常検知方法及びそのシステム | |
JP2020107248A (ja) | 異常判定装置および異常判定方法 | |
EP3303835B1 (en) | Method for windmill farm monitoring | |
JP6798968B2 (ja) | ノイズ発生原因推定装置 | |
KR102602840B1 (ko) | 학습 데이터셋 생성 시스템 및 이를 이용한 학습 데이터셋 생성 방법 | |
Martins et al. | Data Analytics Towards Predictive Maintenance for Industrial Ovens | |
CN117308274A (zh) | 一种基于贝叶斯的空调外机故障在线检测方法及系统 | |
JPWO2013030984A1 (ja) | 設備状態監視方法およびその装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20140908 |