JP2016012263A - 異常診断装置 - Google Patents

Abstract

【課題】異常診断において、検出精度を向上させる。
【解決手段】各パラメータの正常時の値である正常データと、診断用の各パラメータの値である診断データとを使用してマハラノビス距離を算出する第１算出手段１２と、前記正常データと、前記診断データとを使用して再構成誤差を算出する第２算出手段１３と、前記第１算出手段が算出したマハラノビス距離が所定の第１閾値より大きくなった場合又は前記第２算出手段が算出した再構成誤差が所定の第２閾値より大きくなった場合、異常が発生したと判定する判定手段１４とを備える。
【選択図】図１

Description

本発明は、異常を診断する異常診断装置に関する。

近年、異常の診断にＭＴシステムの一種であるＭＴ法（マハラノビス・タグチ法）の利用が普及している。ＭＴ法では、まず、診断対象の装置やシステム等から正常時に測定した複数のパラメータ値である正常データで形成される単位空間の基準点を決定する。その後、異常診断の対象時に同一のパラメータの値を測定してこれらの値と正常データから求めた基準点との距離を用いて異常を診断する。

このＭＴ法は、様々な分野に利用可能である点で有用な方法である。一方、ＭＴ法で検出しにくい異常がある。例えば、異なる複数のパラメータ値間に多重共線性（冗長性、または強い相関関係）がある場合、これらのパラメータの相関関係が崩れる異常は検出されにくい。また、正常なときにはパラメータの値が一定である（一定値項目である）場合、これらのパラメータの値が診断時に正常時のパラメータの値から変化した異常は理論上では検出できない。

この他、異常の診断に利用される技術として、再構成誤差も注目されている（例えば、非特許文献１参照）。再構成誤差を利用した場合、多重共線性の崩れや一定値項目の変化がある場合に異常を検出することができるが、全ての種類の異常を検出することはできない。ここで、具体的には、多重共線性と一定値項目はデータの特徴であり、それ自体は異常ではなく、異常として検出すべき対象は、データの特徴の変化である。

矢入健久 他３名、「次元削減とクラスタリングによる宇宙機テレメトリ監視法」、日本航空宇宙学論文集、59巻、 691号、 197-205頁、 2011年8月

上述したように、マハラノビス距離を利用した異常診断及び再構成誤差を利用した異常診断では、それぞれ検出しにくい種類の異常があり、これらにより異常の検出精度が低下する課題があった。

上記課題に鑑み、本発明は、異常診断において、検出精度を向上させることを目的とする。

上記目的を達成するために、第１の発明は、診断対象の複数のパラメータ値が入力され、異常を診断する異常診断装置であって、各パラメータの正常時の値である正常データと、診断用の各パラメータの値である診断データとを使用してマハラノビス距離を算出する第１算出手段と、前記正常データと、前記診断データとを使用して再構成誤差を算出する第２算出手段と、前記第１算出手段が算出したマハラノビス距離が所定の第１閾値より大きくなった場合又は前記第２算出手段が算出した再構成誤差が所定の第２閾値より大きくなった場合、異常が発生したと判定する判定手段とを備える。

上記目的を達成するために、第２の発明は、診断対象の複数のパラメータ値が入力され、異常を診断する異常診断装置であって、正常時に測定された複数回分の各パラメータの値で形成される正常データ行列のうち、値が一定である一定値項目のパラメータについては０に置き換えて正規化して相関行列を求め、求めた相関行列から特異値分解を計算し、予め定められる全特異値の総和に対する上位特異値の累積値の割合から求めた上位特異値数の上位特異値から擬似逆行列を求める前処理手段と、診断時に測定された複数回分の各パラメータの値で形成される診断データ行列のうち、正常時において一定値項目のパラメータに対応する列を標準偏差で割らず正規化し、正規化した診断データ及び前記前処理手段で求められた擬似逆行列を利用してマハラノビス距離を算出する第１算出手段と、前記第１算出手段で正規化された診断データを利用して、正規化された診断データを構成する各ベクトルの再構成誤差を算出する第２算出手段と、前記第１算出手段が算出したマハラノビス距離が所定の第１閾値より大きくなった場合又は前記第２算出手段が算出した再構成誤差が所定の第２閾値より大きくなった場合、異常が発生したと判定する判定手段とを備える。

本発明によれば、異常診断の検出精度を向上することができる。

図１は、実施形態に係る異常診断装置を説明するブロック図である。 図２は、図１の異常診断装置によって算出される異常度（マハラノビス距離と再構成誤差）を表示するグラフである。 図３は、図１の異常診断装置におけるマハラノビス距離と再構成誤差それぞれが監視する情報を説明する図である。 図４は、図１の異常診断装置によって表示される診断結果の一例を説明する図である。 図５は、マハラノビス距離と再構成誤差の関係を説明する図である。

以下に、図面を用いて本発明の実施形態に係る異常診断装置について説明する。実施形態に係る異常診断装置は、多数のセンサによって各パラメータ値が測定されるガスタービン、真空炉、航空エンジン等を診断対象として各パラメータ値を利用して診断対象の異常を診断するものである。

図１に示すように、実施形態に係る異常診断装置１は、正常な各パラメータの値を利用して、診断処理に利用する擬似逆行列および主成分行列を求める前処理手段１１と、各パラメータの値を利用してマハラノビス距離（ＭＤ値）を算出する第１算出手段１２と、各パラメータの値を利用して再構成誤差（ＲＥ値）を算出する第２算出手段１３と、算出されたマハラノビス距離及び再構成誤差を利用して異常の有無を判定する判定手段１４と、判定結果を出力する出力手段１５とを有する。

異常診断装置１は、図１に示すように、ＣＰＵ１０、記憶装置２０、操作の入力等に利用される入力装置３０及び処理結果等の出力に利用される出力装置４０等を備える情報処理装置である。記憶装置２０に記憶される異常診断プログラムＰが実行されることで、ＣＰＵ２０が前処理手段１１、第１算出手段１２、第２算出手段１３、判定手段１４及び出力手段１５として処理を実行する。

記憶装置２０は、異常診断プログラムＰの他、前処理で利用される正常データＤ１、前処理の結果として得られ、異常診断の演算に利用される演算データＤ２、異常診断の対象期間に計測されたデータである診断データＤ３及び異常診断の結果である結果データＤ４を記憶する。

正常データＤ１は、正常時の各パラメータ値である。ここで、正常データＤ１は、正常時に、測定された複数回分のパラメータ値を含んでいる。また、診断データＤ３は、診断の対象期間に測定された各パラメータ値である。診断データＤ３も、対象期間に測定された複数回分のパラメータ値を含んでいる。異常診断装置１では、この正常データＤ１と診断データＤ３とを用いて診断対象の異常を診断する。例えば、異常診断装置１は、診断対象の装置やシステムの各パラメータを測定するセンサと接続されており、これら複数のセンサから入力したパラメータ値を蓄積して正常データＤ１や診断データＤ３とすることができる。

前処理手段１１は、前処理を実行するタイミングで、記憶装置２０から正常データＤ１を読み出し、診断処理に利用する擬似逆行列および主成分行列を求める。具体的には、異常診断で利用するパラメータの数（センサ数）がｋであり、正常データＤ１に測定回数ｎ回分の各パラメータ値が含まれるとする。測定した単位データのサンプルを行に持つ行列をx、正規化した単位データ行列をXとする。

まず、前処理手段１１は、式（１−１）を用いて、正規化した正常データ行列Ｘを求める。正常データ行列Ｘは、行の数がｎ、列の数がｋである。従来、一定値項目のパラメータ値については、単位データにおいて、その列を除去していたが、異常診断装置１では、一定値項目の列についても除去する必要はない。

続いて、前処理手段１１は、正規化した正常データ行列Ｘの相関行列を式（１−３）で計算する。

Ｒ＝（Ｘ^TＸ）/ｎ・・・（１−３）
具体的には、式（１−３）で求められる相関行列は、擬似相関行列である。求められる行列の成分は、一定値項目でないパラメータについては相関係数であり、一定値項目のパラメータについては０である。

次に、特異値分解を用いて、Ｒを式（１−４）で表す。

Ｒ＝ＵＳＵ^T・・・（１−４）
ここで、Ｕは、Ｒの主成分を列に持つ正規直交行列である。また、Ｓは、Ｒの特異値を対角成分に持つ対角行列である。

その後、前処理手段１１は、Ｓから、Ｒのｑ個の上位特異値を対角成分に持つ対角行列Ｓ_qを計算する。ここで、上位特異値の数ｑは、予め入力装置３０を介して入力される「全特異値の総和に対する上位特異値の累積値の割合」から求められる。例えば、上位特異値の総和と全特異値の総和が９９％を超える特異値数を上位特異値数とする条件を定めたとする。この場合は、仮に、全特異値の数が１０００（降順で並べた特異値をそれぞれａ1、ａ2、…ａ1000とする）、降順で１３４個目までの特異値の総和と全特異値の総和の割合（（ａ1＋ａ2＋…＋ａ134）÷（ａ1＋ａ2＋…＋ａ1000））が９８．５％、降順で１３５個目までの特異値の総和と全特異値の総和の割合（（ａ1＋ａ2＋…＋ａ135）÷（ａ1＋ａ2＋…＋ａ1000））が９９．１％である場合、上位特異値数qは１３５となる。

また、前処理手段１１は、式（１−６）を用いてＲの擬似逆行列Ｒ_q ^-1を求める。

第１算出手段１２は、診断処理を実行するタイミングで、記憶装置２０から演算データＤ２及び診断データＤ３を読み出し、マハラノビス距離（ＭＤ値）を求める。異常診断で利用するパラメータの数（センサ数）がｋであり、診断データＤ３にそれぞれｍ回分のパラメータ値が含まれ、診断データの行列をｙとしたとき、まず、第１算出手段１２は、式（２−１）を用いて、正規化した診断データ行列Ｙを求める。

その後、第１算出手段１２は、診断データ行列Ｙを利用して、式（２−２）により、診断データ行列Ｙの各ベクトルＹ_iのマハラノビス距離ＭＤ²（Ｙ_i）を求める。

第２算出手段１３は、診断処理を実行するタイミングで、記憶装置２０から演算データＤ２及び診断データＤ３を読み出し、再構成誤差（ＲＥ値）を求める。具体的には、第２算出手段１３は、式（３−１）により、再構成したデータＹ^pを求める。

続いて、第２算出手段１３は、式（３−２）を用いて再構成誤差ベクトルＹ^hを求める。

Ｙ^h＝Ｙ−Ｙ^p・・・（３−２）

また、第２算出手段１３は、求めた再構成誤差ベクトルＹ^hを用いて、式（３−３）により、診断データ行列Ｙの各ベクトルＹ_iの再構成誤差ＲＥ²（Ｙ_i）を求める。

判定手段１４は、第１算出手段１２で算出された各マハラノビス距離を、所定の第１閾値と比較し、図２（ａ）に示すように、マハラノビス距離が第１閾値以上の場合、診断対象に異常が発生したと判定する。また、判定手段１４は、第２算出手段１３で算出された各再構成誤差を、所定の第２閾値と比較し、図２（ｂ）に示すように、再構成誤差が第２閾値以上の場合、診断対象に異常が発生したと判定する。

第１閾値は、マハラノビス距離から診断対象の異常を検出するために予め定められる値である。また、第２閾値は、再構成誤差から診断対象の異常を検出するために予め定められる値である。この第１閾値及び第２閾値は、例えば、前処理のタイミングで、前処理手段１１によって求められて設定されてもよいし、入力装置３０を介して入力された値で設定されてもよい。

判定手段１４は、マハラノビス距離を利用した判定結果及び再構成誤差を利用した判定結果を合わせて、異常を検出する。具体的には、いずれかの判定結果で異常が発生したと判定されると、診断対象に異常が発生したとし、いずれの判定結果でも異常が発生しないと判定されると、異常は発生していないと判定する。また、判定手段１４は、判定結果を結果データＤ４として記憶装置２０に記憶する。

出力手段１５は、判定手段１４による判定結果を出力装置４０に出力する。例えば、出力手段１５は、図６に示すようなグラフを利用して結果を出力する。図６（ａ）に示すように、マハラノビス距離では検出することのできない異常データが、図６（ｂ）に示すように、再構成誤差で検出することができる。

例えば、パラメータ間に多重共線性がある場合、または一定値項目のパラメータがある場合、正常データＤ１は、パラメータの次元数ｋよりも小さい線形部分空間に分布していることになる。特異値分解を実施すると、上位主成分は、この部分空間の基底となり、下位主成分はこの部分空間と直交している空間の基底となる。したがって、図５に示すように、擬似逆行列に基づくマハラノビス距離（ＭＤ値）Ｙ^pは、正常データＤ１が分布している空間内で、正常データＤ１の分布と診断データＤ３との距離を意味する。これに対し、再構成誤差（ＲＥ値）Ｙ^hは、正常データＤ１が分布している部分空間と、診断データＤ３との垂直距離を意味する。異常が発生したときには、異常の種類によって、マハラノビス距離と再構成誤差のいずれか又は両方が大きくなる。

なお、図５は、ｋ＝３の場合のマハラノビス距離（ＭＤ値）と再構成誤差（ＭＤ値）の幾何学的な意味を示す図である。図５では、正常データＤ１が分布している部分空間の次元が２、それと直交している部分空間の次元が１だとする。正規化した診断データ行列Ｙと正常状態との距離を２つの成分に分けると、正常データが分布している部分空間内での距離はマハラノビス距離で表され、正常データが分布している部分空間との垂直距離が再構成誤差で表される。

例えば、正常期間で一定値であったパラメータ値（一定値項目のパラメータ値）が変化した場合、または、相関行列の下位主成分に現れる相関関係が崩れた場合、再構成誤差が大きくなる。一方、相関行列の上位主成分に現れる相関関係が崩れた場合、または、経年劣化や気候の変動等に応じて診断対象のパラメータ値の状態が正常データに含まれる平衡点からずれたとき、マハラノビス距離が大きくなる。

上述したように、異常診断装置１では、図３に示すように、マハラノビス距離（ＭＤ値）を利用して検出することができない異常を、再構成誤差（ＲＥ値）を利用して検出することができる。したがって、マハラノビス距離と再構成誤差を併用することで、全ての異常を検出することが可能となり、異常の検出効率が向上する。
以上、実施形態を用いて本発明を詳細に説明したが、本発明は本明細書中に説明した実施形態に限定されるものではない。本発明の範囲は、特許請求の範囲の記載及び特許請求の範囲の記載と均等の範囲により決定されるものである。

１ 異常診断装置
１１ 前処理手段
１２ 第１算出手段
１３ 第２算出手段
１４ 判定手段
１５ 出力手段
２０ 記憶装置
Ｄ１ 正常データ
Ｄ２ 演算データ
Ｄ３ 診断データ
Ｄ４ 結果データ
Ｐ 異常診断プログラム
３０ 入力装置
４０ 出力装置

Claims (3)

1. 診断対象の複数のパラメータ値が入力され、異常を診断する異常診断装置であって、
   各パラメータの正常時の値である正常データと、診断用の各パラメータの値である診断データとを使用してマハラノビス距離を算出する第１算出手段と、
   前記正常データと、前記診断データとを使用して再構成誤差を算出する第２算出手段と、
   前記第１算出手段が算出したマハラノビス距離が所定の第１閾値より大きくなった場合又は前記第２算出手段が算出した再構成誤差が所定の第２閾値より大きくなった場合、異常が発生したと判定する判定手段と、
   を備えることを特徴とする異常診断装置。
2. 診断対象の複数のパラメータ値が入力され、異常を診断する異常診断装置であって、
   正常時に測定された複数回分の各パラメータの値で形成される正常データ行列のうち、値が一定である一定値項目のパラメータについては０に置き換えて正規化して相関行列を求め、求めた相関行列から特異値分解を計算し、予め定められる全特異値の総和に対する上位特異値の累積値の割合から求めた上位特異値数の上位特異値から擬似逆行列を求める前処理手段と、
   診断時に測定された複数回分の各パラメータの値で形成される診断データ行列から正常時平均値を引き、正常時において一定値項目のパラメータに対応する列は標準偏差で割らず、それ以外の列は正常時標準偏差で割ることで正規化し、正規化した診断データ及び前記前処理手段で求められた擬似逆行列を利用してマハラノビス距離を算出する第１算出手段と、
   前記第１算出手段で正規化された診断データを利用して、正規化された診断データを構成する各ベクトルの再構成誤差を算出する第２算出手段と、
   前記第１算出手段が算出したマハラノビス距離が所定の第１閾値より大きくなった場合又は前記第２算出手段が算出した再構成誤差が所定の第２閾値より大きくなった場合、異常が発生したと判定する判定手段と、
   を備えることを特徴とする異常診断装置。
3. 前記判定手段による判定結果を出力する出力装置に出力する出力手段をさらに備えることを特徴とする請求項１又は２に記載の異常診断装置。

Images