JP2016045853A - 異常診断装置及び異常診断方法 - Google Patents

Abstract

【課題】機械設備の状態の診断を良好な信頼性で行うことを可能とする。【解決手段】異常診断装置１は、機械設備に設置した複数のセンサからのセンサデータを時系列データとして取得する時系列データ取得部１０と、時系列データを学習データとした統計的手法により、機械設備の性能を示す指標である性能測度を算出する性能測度算出部１２と、過去に取得した時系列データに基づいて算出した性能測度の推移を、多項式により近似した近似式を算出する近似式算出部１３と、近似式を用いて、将来の所定の時点までの性能測度を推定する性能測度推定部１４と、を備え、時系列データを取得するごとに、最新の時系列データについての性能測度を算出し、最新の時系列データについての性能測度を前記推移に加えた近似式を算出し、その近似式を用いて将来の性能測度を推定する。【選択図】図１

Description

本発明は、機械設備の異常を診断する異常診断装置及び異常診断方法に関する。

建設機械、医療機器、風力・太陽光や火力などの発電設備、水処理、プラント等の各種の機械設備において、機械設備の異常による稼働率低下や、性能や品質の劣化による最終仕様の未達、信頼性の不足など、顧客への悪影響を未然に防止するため、定期保守が行われている。しかしながら、定期保守を実施していても、故障による機械設備のダウンや性能の劣化は避けられず、機械設備に付加したセンサのデータに基づく異常の早期発見（異常予兆検知）は言うに及ばず、性能や品質のモニタ（監視）といった概念も重要になってきている。

しかし、多くのセンサデータや膨大な機械設備情報、保守履歴情報があるなかで、機械設備の状態を把握し、あとどれくらい故障しないで稼働可能なのか（設備の稼働継続可能時間）を予測することは、設計及び現場の両知識と、多くのデータ解析を必要とし、難易度が高く困難を伴うものであった。

例えば、特許文献１には、機械設備から取得した多次元のセンサデータにガウシアンプロセス、ｋ−ＮＮ（k-Nearest Neighbor）法、粒子フィルタ法などを適用して、当該機械設備の異常測度を推定し、更にはＲＵＬ（Remaining Useful Life）を推定する異常診断手法が開示されている。

特開２０１３−１５２６５５号公報

しかしながら、機械設備の状態は時々刻々と変化するため、例えば、特許文献１に開示されたように、保守作業を行うごとに診断するのでは、異常測度の推定やＲＵＬの推定などの異常診断を、十分な信頼性で行うことが難しい場合がある。
そこで、本発明は、機械設備の状態について信頼性に優れた診断を行うことができる異常診断装置及び異常診断方法を提供することを課題とする。

前記課題を解決するために、本発明の異常診断装置は、機械設備の状態を当該機械設備の性能によって診断する異常診断装置であって、前記機械設備に設置した複数のセンサからのセンサデータを時系列データとして取得する時系列データ取得部と、前記時系列データを学習データとした統計的手法により、前記機械設備の性能を示す指標である性能測度を算出する性能測度算出部と、過去に取得した前記時系列データに基づいて算出した前記性能測度の推移を、多項式により近似した近似式を算出する近似式算出部と、前記近似式を用いて、将来の所定の時点までの性能測度を推定する性能測度推定部と、を備え、前記時系列データ取得部によって前記時系列データを取得するごとに、前記性能測度算出部によって前記最新の時系列データについての性能測度を算出し、前記近似式算出部によって前記最新の時系列データについての性能測度を前記推移に加えた前記近似式を算出し、前記性能測度推定部によって前記近似式を用いて将来の性能測度を推定するように構成される。

本発明によれば、機械設備の状態について信頼性に優れた診断を行うことができる。

本発明の実施形態に係る異常診断装置の構成を示すブロック図である。 本発明の実施形態に係る異常診断装置における性能測度算出部の構成を示すブロック図である。 本発明の実施形態において用いられる性能測度の算出手法の例として、ｋ−ＮＮ法を説明する図である。 本発明の実施形態において用いられる性能測度の算出手法の例として、局所部分空間法を説明する図である。 本発明の実施形態において用いられる性能測度の算出手法の他の例を説明する図である。 本発明の実施形態において用いられる性能測度の例を模式的に示すグラフ図である。 本発明の実施形態において用いられるフィルタ処理後の性能測度の例を模式的に示すグラフ図である。 本発明の実施形態において、異常診断の手法を説明するための説明図である。 本発明の実施形態に係る異常診断装置において、異常診断処理の流れを示すフローチャートである。 図９に示したフローチャートにおける性能測度算出処理の流れを示すフローチャートである。

本発明の実施形態について、適宜図面を参照しながら詳細に説明する。なお、各図において、共通する部分には同一の符号を付し、重複した説明は適宜に省略する。

本発明の実施形態に係る異常診断装置は、工場、商業施設、工事現場、病院などで使用される機械設備の稼働率を維持・向上するため、機械設備の性能を示す指標である性能測度を把握して、異常診断のための情報を提供するものである。そのために、診断対象となる機械設備からセンサデータ、又はセンサデータに加えて、稼働情報、イベント情報、設備負荷、作業報告書などに関する情報を取得し、取得した情報を用いて、現在から将来にかけての機械設備の性能測度を推定し、更には機械設備の稼働継続可能時間（ＲＵＬ；余寿命）を推定する。

なお、本明細書において、機械設備の「性能」には、機械設備が有する機能以外の出力形態や、機械設備が製造する製品などの出来具合などに関連する量や質的な変数が対応している。また、例えば、ガスエンジンの燃費が悪くなることや、プレス機の対象加工品の精度が劣化した程度を指すものである。
また、「ＲＵＬ」は、診断対象である機械設備としては正常な範囲で稼働することができるが、性能が所定のレベル（例えば、最大性能の６０％など）よりも低下する状態に到達するまでの期間をいうものである。これによって、機械設備の性能が低下し過ぎる前に、計画的に保守作業を実行して、機械設備の生産性を高く維持することが可能となる。
更にまた、「異常診断」とは、機械設備が稼働不能な異常な状態に達するかどうかを診断することに限らず、正常な状態の範囲で稼働可能ではあるが、機械設備の性能の低下の程度を診断することも含むものである。

［異常診断装置の構成］
まず、図１を参照して、本実施形態に係る異常診断装置１の構成について説明する。
図１に示すように、異常診断装置１は、時系列データ取得部１０と、時系列データ記憶部１１と、性能測度算出部１２と、近似式算出部１３と、性能測度推定部１４と、ＲＵＬ算出部（稼働継続可能時間算出部）１５と、異常予兆検知部１６と、出力部１７と、センサデータ抽出部１８と、参照期間設定部１９とを備えて構成されている。

時系列データ取得部１０は、インターネット網などを介して、診断対象である機械設備から出力される多次元のセンサデータを取得する手段である。センサデータは、取得時刻（又はセンサで測定された時刻）と対応付けられた時系列データとして取り扱われる。時系列データ取得部１０は、取得した最新の、すなわち現在の時系列データを取得するごとに、時系列データ記憶部１１に順次に記憶させることで蓄積する。
なお、現在の時系列データについては、時系列データ取得部１０から性能測度算出部１２に直接出力するようにしてもよい。

時系列データ記憶部１１は、時系列データ取得部１０から入力された時系列データを記憶するものである。また、時系列データ記憶部１１に記憶される時系列データは、性能測度算出部１２及びセンサデータ抽出部１８によって、過去及び現在の時系列データとして適宜に参照される。

なお、時系列データ記憶部１１に、新たに取得した時系列データを追加する場合は、不図示の評価手段によって、データとしての妥当性（異常ではないこと、既に時系列データ記憶部１１に格納されているデータとの類似性）を評価した後に蓄積され、正常状態における過去の時系列データとして活用できる形態になっている。
また、診断対象となる機械設備が複数である場合は、時系列データは、診断対象の単位となる各機械設備に対応付けて記憶される。

時系列データ記憶部１１に記憶される時系列データには、センサデータの他に、環境データとしてイベントデータ、稼働データ、負荷データ、保守履歴データなどが含まれるようにしてもよい。これらのデータは、何れもそれぞれが取得された時刻に対応付けられている。

ここで、イベントデータとは、機械設備の運転状態を示すものであり、例えば、機械設備の起動や停止などの運転パターンの制御状態を示すものである。
稼働データとは、機械設備の運転時間や操作時間などの稼働時間やその累積時間を示すものである。例えば、ショベルなどでは、走行時間や旋回動作の時間などの動作の詳細時間が該当する。
負荷データとは、機械設備にかかる負荷状態を示すものであり、例えば、エンジンにかかる負荷の状況や燃費、医療設備における患者数、工作機械における被加工物の硬さなどが該当する。
保守履歴データとは、機械設備に関して過去の故障内容、部品交換などの作業履歴を示すものであり、保守作業として行われた作業項目のリストが含まれている。

性能測度算出部１２は、時系列データ記憶部１１に記憶されている現在及び過去の時系列データを参照して、この時系列データを学習データとした統計的手法により、機械設備の性能を示す指標である性能測度を算出するものである。また、性能測度算出部１２は、センサデータ抽出部１８から性能測度を算出する際に用いるセンサデータの種別を入力して、当該特定の種別のセンサデータからなる多次元センサデータを用いて性能測度を算出する。性能測度算出部１２は、算出した性能測度を近似式算出部１３、異常予兆検知部１６及び参照期間設定部１９に出力する。また、性能測度算出部１２は、算出した性能測度を時系列データとして不図示の記憶手段に蓄積しておき、近似式算出部１３などからの要求に応じた期間についての性能測度の時系列データを出力するように構成してもよい。

また、性能測度算出部１２は、図２に示すように、第１性能測度算出部１２１と、第２性能測度算出部１２２と、性能測度統合部１２３と、フィルタ処理部１２４とを備えている。第１性能測度算出部１２１及び第２性能測度算出部１２２は、互いに異なる手法により性能測度を算出するものである。第１性能測度算出部１２１及び第２性能測度算出部１２２は、それぞれが算出した性能測度を性能測度統合部１２３に出力する。
性能測度を算出する手法としては、ベクトル量子化法や局所部分空間法などを用いることができる。これらの性能測度を算出する手法の説明については後記する。

なお、第１性能測度算出部１２１及び第２性能測度算出部１２２は、それぞれ、多次元のセンサデータをそのまま多次元ベクトルとして用いてもよいが、特徴変換を施した特徴量を用いるようにしてもよい。特徴変換の手法としては、例えば、主成分分析、独立成分分析、ウェーブレット変換などを用いることができる。特徴変換を施すことによって、時系列データの次元数を低減したり、性能測度の感度を向上させたりすることが可能となる。

性能測度統合部１２３は、第１性能測度算出部１２１及び第２性能測度算出部１２２から、それぞれが算出した性能測度を入力し、２つの性能測度を１つの値に統合して、フィルタ処理部１２４に出力する。
２つの性能測度を統合する方法としては、調和平均、加重平均などを用いることができる。特に、異なる手法によって算出された性能測度を、それぞれの性能測度の特性を損なわずに、かつ、それぞれの性能測度の特性が強調され過ぎないように統合するには、調和平均を用いることが好ましい。

なお、性能測度を算出するために用いる手法は、２つに限定されるものではなく、１つであってもよいし、３つ以上であってもよい。また、３つ以上の手法で性能測度を算出する場合は、調和平均することで１つの値に統合することが好ましい。

フィルタ処理部１２４は、性能測度統合部１２３から１つに統合された性能測度を入力し、性能診断の感度又は信頼性を向上させたり、ノイズを除去するために、時間軸方向に所定のフィルタ処理を施すものである。フィルタ処理部１２４によるフィルタ処理後の性能測度は、図１に示す近似式算出部１３、異常予兆検知部１６及び参照期間設定部１９に出力される。
なお、本実施形態では、統合した性能測度にフィルタ処理を施すようにしたが、各手法により算出された性能測度にフィルタ処理を施した後に、統合するようにしてもよい。

フィルタ処理の方法としては、例えば、所定の時間幅についての移動平均を算出する移動平均フィルタや、所定の時間幅についての最小値を算出する最小値フィルタ、所定の時間幅についての最大値を算出する最大値フィルタなどを用いることができる。

フィルタ処理として最大値フィルタを用いた場合は、例えば、図７に示すように、上下に大きく振動しながら変化する性能測度の波形２００が、細かいピークの上限値を接続したような波形２０１に変換される。最大値フィルタを用いることで、ノイズの重畳によって性能測度の低下が過大に評価されることを抑制することができる。このため、高い確度で異常診断を行うことができる。
また、フィルタ処理として最小値フィルタを用いた場合は、性能測度の低下の下限値を逃さずに把握することができる。このため、高い感度で異常診断を行うことができる。
また、フィルタ処理として移動平均フィルタを用いた場合は、最大値フィルタと最小値フィルタとの中間的な特性の異常診断を行うことができる。
なお、これのらフィルタ処理において、フィルタサイズである時間幅は、性能測度の周波数特性や性能測度に含まれるノイズ成分の周波数特性などに応じて、適宜に定めることができる。

ここで、性能測度を算出する手法の例として、３つの手法について説明する。
本実施形態では、何れの手法においても、診断対象である機械設備が正常に稼働している間にセンサで測定することで得られた時系列データ（以下、「正常データ」ともいう）を用いるものである。
なお、前記したように、センサデータを特徴変換した特徴量の時系列データを用いるようにしてもよい。

（ベクトル量子化法）
まず、図３を参照して、ベクトル量子化法について説明する。
ベクトル量子化法においては、正常データを学習データとして予めクラスタリングをしておき、診断対象となる現在の時系列データ（以下、「診断データ」ともいう）と、当該診断データが所属するクラスタとの距離に基づいて性能測度を算出するものである。
ベクトル量子化法によれば、予め生成したクラスタを用いることで、高速に、また安定した精度で性能測度を算出することができる。

クラスタリングの方法としては、例えば、ｋ平均法を用いることができる。また、診断データが所属するクラスタの判定には、例えば、ｋ−ＮＮ法を用いることができる。
図３に示すように、学習データが、クラスタＡ（黒丸「●」で示した学習データをメンバｘ_Ａとするクラスタ）とクラスタＢ（黒四角「■」で示した学習データをメンバｘ_Ｂとするクラスタ）とにクラスタリングされているとする。ｋ−ＮＮ法によれば、図３に破線の円で示したように、まず、診断データｑの最近傍のｋ個（図３の例では５個）のメンバｘＡ，ｘＢを抽出する。そして、各クラスタについて抽出されたメンバ数を計数して、抽出されたメンバ数の最も多いクラスタが、診断データｑの所属クラスタであると判定する。図３に示した例では、クラスタＢの所属するメンバｘ_Ｂが３個と最も多く抽出されたため、診断データｑの所属クラスタはクラスタＢと判定される。

次に、診断データｑと所属クラスタであるクラスタＢの代表値ｃ（例えば、所属メンバの重心を用いることができる）との距離ｄを用いることで、機械設備の正常状態からの乖離の大きさを示す指標である異常測度を算出する。
なお、異常測度は、診断データｑと所属クラスタの代表値ｃとの距離ｄをそのまま用いてもよいが、正規化することが好ましい。ここで正規化は、距離ｄを、所属クラスタの広がりを示す半径で除することで行うことができる。クラスタの半径は、特に限定されるものではないが、例えば、代表値ｃから各メンバまでの距離の平均値、代表値ｃから最遠に位置するメンバまでの距離、メンバの標準偏差又は標準偏差を定数倍したもの、などを用いることができる。

なお、診断データｑの所属クラスタの判定は、ｋ−ＮＮ法に限定されるものではない。例えば、診断データｑと各クラスタの代表値ｃとの距離が最も近いクラスタを所属クラスタであると判定することもできる。

前記したように、異常測度は、機械設備の正常状態（代表値ｃに対応）からの乖離度の大きさを示すものであるため、診断データｑと代表値ｃとの距離ｄが大きくなるほど異常測度も大きくなる。すなわち、異常測度は、機械設備が理想的な好ましい状態から離れるほど大きな値となる。従って、性能測度は、異常測度は、その値が逆の方向に変化する指標である。つまり、距離ｄが大きくなるほど、性能測度は小さくなる。
そこで、本実施形態では、性能測度を、異常測度と値が逆の方向に変化する（異常測度が大きくなるほど性能測度が小さくなるような）異常測度の関数として算出する。

このような関数としては、性能測度をｙ、異常測度をｚとすると、例えば、式（１．１）〜式（１．３）を挙げることができる。
ｙ＝１／ｚ （但し、ｃ＞０として、ｚ＜ｃのときは、ｙ＝ｃ） ・・・（１．１）
ｙ＝１／（ｚ＋ｃ） （但し、ｃ＞０） ・・・（１．２）
ｙ＝ｃ−ｚ （ｃは例えば、ｚの最大値）・・・（１．３）
但し、式（１．１）〜式（１．３）において、ｃは正の定数である。
式（１．１）は、異常測度ｚの逆数であり、式（１．２）は、式（１．１）において異常測度ｚが「０」となる場合を考慮して、分母が「０」とならないように正の定数ｃを換算した関数であり、式（１．３）は、定数ｃから異常測度ｚを減じる関数である。

（局所部分空間法）
次に、図４を参照して、局所部分空間法について説明する。
局所部分空間法では、診断データｑの最近傍のｋ個の正常データを抽出し、診断データｑから、抽出されたｋ個の正常データで定められる（ｋ−１）次元の部分空間へ降ろした垂線の長さに基づいて性能測度を算出するものである。
局所部分空間法によれば、蓄積された正常データから、診断データに類似する正常データを抽出して用いるため、機械設備の状態変化が激しい場合でも、精度を保った性能測度の算出が可能である。
なお、本手法でも、前記したベクトル量子化法と同様に、異常測度を算出し、式（１．１）〜式（１．３）など用いて、異常測度を用いて性能測度を算出する。

図４に示した例では、ｋ＝３として、３個の正常データｘ_１，ｘ_２，ｘ_３が抽出されている。ここで、３個の正常データで定められる２次元の部分空間ＳＳは平面である。そして、診断データｑから部分空間ＳＳに降ろした垂線の足Ｘｂまでの距離ｄを算出する。当該距離ｄをそのまま異常測度として用いてもよいが、正規化することが好ましい。ここで正規化は、例えば、距離ｄを抽出したｋ個の正常データの標準偏差で除することで行うことができる。
そして、算出した異常測度を用いて、式（１．１）〜式（１．３）などにより性能測度を算出することができる。

（性能劣化クラスタを用いる手法）
次に、図５を参照して、性能劣化クラスタを用いる手法について説明する。
本手法では、機械設備が正常な状態の範囲で稼働しているが、性能が所定のレベルよりも低下した状態で稼働しているときに取得されたセンサデータの時系列データを学習データとして用いて、性能が劣化した状態の範囲を示す性能劣化クラスタを生成する。なお、時系列データを取得するごとに別途に機械設備の性能を評価しておき、当該性能の評価データを参照して、正常データの内で、性能が劣化した状態のときに取得したデータを学習データとして抽出することができる。
性能劣化クラスタは、前記したｋ平均法などのクラスタリング手法を用いて生成することができる。性能劣化クラスタは、１個の限定されず、２個以上にクラスタリングされるものであってもよい。

図５に示すように、診断データｑと、当該診断データｑに最近接する性能劣化クラスタの代表値ｃとの距離ｄに基づいて、性能測度を算出するものである。当該距離ｄをそのまま性能測度として用いてもよいし、例えば、性能劣化クラスタの半径で除して正規化した値を用いるようにしてもよい。

前記したベクトル量子化法のように異常測度に基づく性能測度の算出方法と異なり、性能劣化クラスタとの距離ｄが小さいほど、性能が低いことが示される。従って、例えば、診断データｑと性能劣化クラスタの代表値ｃとの距離ｄが、性能劣化クラスタの外縁を示すクラスタ半径又はクラスタ半径にマージンを持たせた所定の閾値ＴＨよりも小さくなると、機械設備を保守すべき状態まで性能が劣化したと診断することができる。

また、性能測度は、診断データｑと、性能劣化クラスタの代表値ｃ（例えば、クラスタメンバの重心）との距離ｄに基づいて算出されるものに限らず、性能劣化クラスタの外縁と診断データｑとの距離に基づいて性能測度を算出するようにしてもよい。
更にまた、性能劣化クラスタを生成せずに、機械設備が劣化した状態のときに取得した時系列データを用いて、前記した局所部分空間法により劣化状態を示す時系列データと診断データとの距離を算出し、当該距離を性能測度として用いるようにしてもよい。

なお、本実施形態では、第１性能測度算出部１２１が前記した手法の内の一手法を用い、第２性能測度算出部１２２が前記した手法の内の他の一手法を用いて、それぞれ前記した手順で性能測度を算出する。

図１に戻って、異常診断装置１の構成について説明を続ける。
近似式算出部１３は、性能測度算出部１２から入力した過去及び現在の性能測度（フィルタ処理部１２４によってフィルタ処理を施された性能測度）を用いて、当該性能測度の推移を示す多項式による近似式を算出するものである。また、近似式算出部１３は、参照期間設定部１９から、近似式を算出する際に参照する性能測度の時系列データの参照期間についての情報を入力する。近似式算出部１３は、当該情報で指示された参照期間の性能測度の時系列データにフィットする近似式を算出する。ここで、近似式を算出するとは、近似式である多項式の各係数を算出することである。また、近似式算出部１３は、算出した近似式を、性能測度推定部１４に出力する。
更にまた、近似式算出部１３は、近似式の係数の誤差についても算出することが好ましい。これによって、近似式の信頼性を、誤差の大きさで示すことができる。近似式算出部１３が係数の誤差を算出する場合は、当該係数の誤差も性能測度推定部１４に出力する。

なお、近似式である多項式の次数は特に限定されるものではなく、１次以上の多項式を用いことができる。また、多項式の次数を、オペレータからの指示に応じて適宜に選択可能なように構成してもよい。例えば、図７に示すように、性能測度の推移（実線で示した波形２０１）と選択した次数の近似式を用いて描画した曲線（破線で示した波形２０２）とを表示装置や印刷装置などにグラフ表示して、オペレータが当該グラフ表示された性能測度の推移を示す曲線にフィットする適切な次数が決まるまで、次数の選択と近似式の再計算とを繰り返すことができるようにしてもよい。

ここで、性能測度の多項式近似について、３次関数で近似する場合を例に説明する。
性能測度をｙ、時刻をｘとしたとき、性能測度ｙは、時刻ｘの３次関数として、係数ａ，ｂ，ｃ，ｄを用いて式（２．１）のように表すことができる。
ｙ＝ａｘ^３＋ｂｘ^２＋ｃｘ＋ｄ ・・・（２．１）
係数ａ，ｂ，ｃ，ｄは、実測データである（ｘ，ｙ）の時系列データを用いて、最小二乗法を適用することで算出することができる。多項式の次数が１次、２次又は４次以上の場合も、係数の数が増減するが、最小二乗法により算出することができる。

また、係数ａ，ｂ，ｃ，ｄの各最確値についての誤差は、測定値である（ｘ，ｙ）の近似式からの誤差の分布から統計的な手法で求めることができる。すなわち、ｘ，ｙの近似式からの誤差が正規分布に従うと仮定した場合に、ｘ，ｙの誤差の標準偏差などから、係数ａ，ｂ，ｃ，ｄについて、標準誤差を算出することができる。

更に簡単な例として、性能測度ｙを、時刻ｘの１次関数で近似する場合について説明する。この場合は、近似式は、係数ａ，ｂを用いて、式（２．２）のように表すことができる。
ｙ＝ａｘ＋ｂ ・・・（２．２）
また、係数ａ，ｂは、次のような手順で算出される。すなわち、測定値の個数をＮとし、ｘ，ｙについての個々の実測値を、添字ｉを用いて、ｙ_ｉ，ｘ_ｉのように表し、測定値ｘ_ｉにほとんど誤差がないと仮定すると、係数ａ，ｂは、それぞれ式（３．１），式（３．２）のように表され、更に、係数ａ，ｂの標準誤差σ_ａ，σ_ｂは、式（４．３）で表されるｙの誤差の標準偏差σ_ｙを用いて、それぞれ式（４．１），式（４．２）のように表される。

性能測度推定部１４は、近似式算出部１３から近似式として多項式の係数及び係数の誤差を入力し、当該近似式を用いて、現時点から将来にかけての所定の期間を推定期間（図８では、時刻ｔ０から時刻ｔ２までの期間）とし、将来の性能測度を推定する。ここで、将来の性能測度を推定するとは、例えば、近似式として前記した式（１）を用いた場合は、係数ａ，ｂ，ｃ，ｄと、推定期間について適宜な間隔（例えば、時系列データのサンプリングと同じ間隔）で、各時刻ｘについての性能測度ｙを算出することである。性能測度推定部１４は、推定期間について算出した性能測度を、ＲＵＬ算出部１５及び出力部１７に出力する。

なお、性能測度の推定期間は、予め定められた一定の長さの期間であってもよく、オペレータにより、キーボードやポインティングデバイスなどの適宜な入力手段を用いて指定されるようにしてもよい。

ＲＵＬ算出部（稼働継続可能時間算出部）１５は、性能測度推定部１４から推定期間について算出された性能測度を入力して、当該推定期間の性能測度の推移に基づいて、ＲＵＬ（稼働継続可能時間）を算出する。ＲＵＬ算出部１５は、算出したＲＵＬを、出力部１７に出力する。

ここで、図８を参照して、ＲＵＬを算出する方法について説明する。
なお、図８において、波形２０１は性能測度の実測値を示し、実線で示した波形２０２は近似式を用いて算出された現在の時刻までの性能測度を示し、破線で示した波形２０３は近似式を用いて算出された推定期間の性能測度の最確値を示している。また、過去の時刻ｔ１から現在の時刻ｔ０までの期間が、近似式を算出する際に参照される参照期間である。
また、閾値ＴＨは、機械設備が所定の性能レベルで稼働可能な限界となる性能測度の下限値を示すものである。すなわち、推定された性能測度の波形２０３が閾値ＴＨに達する時刻までは、前記した所定の性能レベル以上で機械設備を稼働させることができる。従って、現在の時刻ｔ０から推定された性能測度が当該閾値ＴＨに達する時刻までの時間を、ＲＵＬの推定値（図８参照）として算出することができる。

更に、近似式を算出する際に、近似式の誤差、すなわち、近似式である多項式の係数の誤差を算出することで、当該誤差を用いて、近似式の上限値と下限値とを推定することができる。図８に示すように、推定期間において波形２０３は、推定された性能測度の最確値を示し、波形２０３の上下に点線で示した波形は、性能測度の推定値の上下限値を示すものである。
このように、推定された性能測度の最確値に加えて、例えば、式（２．２）において、係数ａ，ｂを最確値から標準誤差σ_ａ、σ_ｂの１．９６倍変化させた近似式を用いて、９５％の信頼区間における性能測度の上下限値を算出することで、推定値の信頼性を把握することができる。また、性能測度の推定誤差に加えて、又は代えて、性能測度の上下限値の波形が閾値ＴＨを超える時刻を用いてＲＵＬの推定誤差を算出するようにしてもよい。

また、図８に示すように、各波形２０１，２０２，２０３、閾値ＴＨ、ＲＵＬ推定値、ＲＵＬ推定誤差などを表示してオペレータに提示することにより、性能測度の将来の推移やその信頼性（妥当性）を、オペレータが容易に把握することができる。

更に、本実施形態では、新たな診断データ（時系列データ）を取得するごとに、性能測度を算出し、当該最新の性能測度を加えた参照期間を設定し直して、逐次に近似式を算出し、更には、ＲＵＬを算出し直すものである。
このように、時系列データを取得するごとに参照期間を設定し直して性能測度の近似式を再計算するため、最新の近似式に基づいてＲＵＬを推定することができる。また、近似式やＲＵＬなどの再計算に伴い、図８に示した波形等の表示内容も更新される。このため、ＲＵＬの推定などの機械設備の異常診断を、常に高い精度で行うことができる。また、近似式として多項式を用いるため、非常に短いで間隔で時系列データを取得する場合でも、時系列データを取得するごとに容易に近似式を算出することができる。

図１に戻って、異常診断装置１の構成について説明を続ける。
異常予兆検知部１６は、性能測度算出部１２から、最新の時系列データについて算出された性能測度を入力し、当該性能測度が所定の閾値より低下しているかどうかを判定することで、異常予兆の有無を検知する。性能測度が所定の閾値より低下している場合は、異常予兆検知部１６は、機械設備に「異常予兆あり」と診断し、当該診断結果を出力部１７に出力する。
なお、異常予兆を検知するための閾値は、ＲＵＬを算出するために用いた閾値ＴＨを用いることもできるが、当該閾値ＴＨよりも更に高いレベルの性能測度に対する閾値を用いて、ＲＵＬで推定される時期よりも早期に異常予兆を検知するようにしてもよい。

出力部１７は、性能測度推定部１４から推定期間について算出された性能測度の時系列データを入力し、ＲＵＬ算出部１５からＲＵＬを入力し、異常予兆検知部１６から異常予兆の有無の診断結果を入力し、これらの入力データを表示するものである。また、出力部１７は、これらの入力データの表示に代えて、又は加えて、不図示の上位システムであるＡＨＭ（asset health management）やＥＡＭ（enterprise asset management）にこれらのデータを出力する。また、出力部１７は、更に、性能測度算出部１２から過去の性能測度を入力し、近似式算出部１３から近似式を入力して、図８に示すように、性能測度に関するデータをグラフ表示するようにしてもよい。

センサデータ抽出部１８は、時系列データ記憶部１１に蓄積された多次元のセンサデータから、性能測度に大きく影響する１又は２以上のセンサデータを抽出し、抽出したセンサデータの種別を性能測度算出部１２に出力する。性能測度を算出するために用いるセンサデータの次元数を低減することで、性能測度の算出のための処理負荷を低減することができる。なお、センサデータ抽出を行わないで、性能測度算出部１２は、すべての種別のセンサデータを用いて性能測度を算出するようにしてもよい。

センサデータの抽出方法としては、例えば、各センサデータ間のインパルス応答を利用することができる。すなわち、時系列データ記憶部１１に蓄積されている過去に取得された時系列データを用いて各センサデータの性能測度に対するインパルス応答を調べておき、性能測度の変化に大きな影響を与えるセンサデータを予め抽出しておくことができる。
また、他の抽出方法として、性能測度が大きく変化した際に、性能測度に対する寄与度の大きなセンサデータを予め抽出するようにしてもよい。
また、センサデータ抽出部１８は、評価したい性能の種別が複数種類ある場合は、性能種別ごとに適したセンサデータを抽出しておき、オペレータの指示などによって選択された性能の種別に対応するセンサデータの種別情報を性能測度算出部１２に出力するようにすればよい。

参照期間設定部１９は、性能測度算出部１２から過去の性能測度の時系列データを入力し、近似式算出部１３が近似式を算出するために参照する性能測度の時系列データの期間を決定するものである。参照期間設定部１９は、決定した過去の性能測度の参照期間を近似式算出部１３の出力する。

参照期間設定部１９は、過去の性能測度の推移を解析し、例えば、性能測度の変化の勾配が所定の閾値以上となった時点（例えば、図８の時刻ｔ１）を始点とし、現時点（図８の時刻ｔ０）を終点とする期間を、近似式算出のための参照期間（図８参照）として決定する。また、参照期間設定部１９は、性能測度の推移を示すグラフにおいて、勾配が正の変曲点に対応する時刻を参照期間の始点とするようにしてもよい。
また、参照期間設定部１９は、キーボードやマウスなどの入力手段を介してオペレータからの指示による参照期間を入力し、当該入力した参照期間を近似式算出部１３に出力するようにしてもよい。

［異常診断装置の動作］
次に、図９及び図１０を参照（適宜図１及び図２参照）して、実施形態に係る異常診断装置１が異常診断処理を行う動作について説明する。
図１０に示すように、異常診断装置１は、時系列データ取得部１０によって、機械設備に設置されたセンサの測定値であるセンサデータを時系列データとして取得する（ステップＳ１０）。時系列データ取得部１０によって取得された時系列データは、時系列データ記憶部１１に正常データのデータベースとして蓄積される。なお、機械設備が正常でない状態、例えば、不図示の評価手段によってデータの妥当性が否定された時系列データは、時系列データ記憶部１１に蓄積されない。
また、時系列データ記憶部１１には、予め、性能測度の算出に必要な量の正常データが蓄積されているものとする。

次に、異常診断装置１は、性能測度算出部１２によって、ステップＳ１０で取得された最新の時系列データを診断データとして、過去の正常データを適宜に参照して、当該診断データについての性能測度を算出する（ステップＳ１１）。

ここで、図１０を参照して、性能測度算出部１２によって行われる性能測度算出処理ステップ（Ｓ１１）について説明する。
性能測度算出部１２は、第１性能測度算出部１２１によって、第１の手法（例えば、ベクトル量子化法）を用いて性能測度を算出する（ステップＳ２１）。
次に、性能測度算出部１２は、第２性能測度算出部１２２によって、第２の手法（例えば、局所部分空間法）を用いて性能測度を算出する（ステップＳ２２）。
なお、ステップＳ２１とステップＳ２２とは、何れを先に行ってもよく、並行して行ってもよい。
また、ステップ２１及びステップＳ２２で用いられるセンサデータの種別は、予め、センサデータ抽出部１８によって抽出されているものとする。

次に、性能測度算出部１２は、性能測度統合部１２３によって、ステップＳ２１及びステップＳ２２で算出された性能測度を１つの値に統合する（ステップＳ２３）。
次に、性能測度算出部１２は、フィルタ処理部１２４によって、ステップＳ２３で１つの値に統合された性能測度について、最新の性能測度を含む性能測度の時系列データに最小値フィルタなどの所定のフィルタ処理を施す（ステップＳ２４）。なお、性能測度算出部１２が算出した性能測度の時系列データは、性能測度算出部１２内の記憶手段に蓄積されているものとする。

図９に戻って、異常診断装置１の動作について説明を続ける。
異常診断装置１は、参照期間設定部１９によって、近似式を算出するために用いる性能測度の時系列データの参照期間を設定する（ステップＳ１２）。

次に、異常診断装置１は、近似式算出部１３によって、ステップＳ１２で設定された参照期間の時系列データを用いて、性能測度の推移を示す近似式を算出する（ステップＳ１３）。
次に、異常診断装置１は、ステップＳ１３で算出された近似式を用いて、推定期間である所定の将来の期間について、所定の時間間隔（例えば、時系列データのサンプリング間隔）で、性能測度を算出（推定）する（ステップＳ１４）。

次に、異常診断装置１は、ＲＵＬ算出部１５によって、ステップＳ１４で算出された性能測度の推定値を用いて、ＲＵＬを算出する（ステップＳ１５）。
次に、異常診断装置１は、異常予兆検知部１６によって、ステップＳ１１で算出された診断データについての性能測度を用いて、異常予兆の有無を診断する（ステップＳ１６）。なお、ステップＳ１６は、ステップＳ１１以降の何れのタイミング行ってもよい。

次に、異常診断装置１は、出力部１７によって、ステップＳ１５で算出されたＲＵＬ、ステップＳ１６で診断された異常予兆の有無、ステップＳ１４で算出された性能測度の推定値などの診断結果を、不図示の表示装置に表示し、又は／及び外部の上位システムに出力する。

また、異常診断装置１は、ステップＳ１０からステップＳ１７までの処理を、診断データとして新たな時系列データを取得するごとに実行する。

なお、本発明は前記した実施形態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、前記した実施形態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、ある実施形態の構成の一部を他の実施形態の構成に置き換えることが可能であり、また、ある実施形態の構成に他の実施形態の構成を加えることも可能である。また、各実施形態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。

また、前記の各構成、機能、処理部、処理手段等は、それらの一部又は全部を、例えば集積回路で設計する等によりハードウェアで実現してもよい。また、前記の各構成、機能等は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現してもよい。各機能を実現するプログラム、テープ、ファイル等の情報は、メモリや、ハードディスク、ＳＳＤ（Solid State Drive）等の記録装置、又は、ＩＣカード、ＳＤカード、ＤＶＤ等の記録媒体に置くことができる。
また、制御線や情報線は説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線や情報線を示しているとは限らない。実際には殆ど全ての構成が相互に接続されていると考えてもよい。

１ 異常診断装置
１０ 時系列データ取得部
１１ 時系列データ記憶部
１２ 性能測度算出部
１３ 近似式算出部
１４ 性能測度推定部
１５ 異常予兆検知部
１６ ＲＵＬ算出部（稼働継続可能時間算出部）
１７ 出力部
１８ センサデータ抽出部
１９ 参照期間設定部
１２１ 第１性能測度算出部
１２２ 第２性能測度算出部
１２３ 性能測度統合部
１２４ フィルタ処理部
２００ 性能測度の波形
２０１ フィルタ処理後の性能測度の波形
２０２ 近似式の波形
２０３ 推定期間の近似式の波形
ＴＨ 閾値

前記課題を解決するために、本発明の異常診断装置は、機械設備の状態を当該機械設備の性能によって診断する異常診断装置であって、前記機械設備に設置した複数のセンサからのセンサデータを時系列データとして取得する時系列データ取得部と、前記時系列データを学習データとした統計的手法により、前記機械設備の性能を示す指標である性能測度を算出する性能測度算出部と、前記性能測度に対して、所定の時間幅における最大値を算出する最大値フィルタ処理、所定の時間幅における最小値を算出する最小値フィルタ処理、又は所定の時間幅についての移動平均を算出する移動平均フィルタ処理の内の何れか１つのフィルタ処理を施すフィルタ処理部と、過去に取得した前記時系列データに基づいて算出した前記性能測度の推移を、前記フィルタ処理が施された性能測度を用いて、多項式により近似した近似式を算出する近似式算出部と、前記近似式を用いて、将来の所定の時点までの性能測度を推定する性能測度推定部と、を備え、前記時系列データ取得部によって前記時系列データを取得するごとに、前記性能測度算出部によって前記最新の時系列データについての性能測度を算出し、前記近似式算出部によって前記最新の時系列データについての性能測度を前記推移に加えた前記近似式を算出し、前記性能測度推定部によって前記近似式を用いて将来の性能測度を推定するように構成される。

本発明によれば、機械設備の状態について信頼性に優れた診断を行うことができる。
なお、前記した以外の課題、構成及び効果は、以下の実施形態の説明により明らかにされる。

前記課題を解決するために、本発明の異常診断装置は、機械設備の状態を当該機械設備の性能によって診断する異常診断装置であって、前記機械設備に設置した複数のセンサからのセンサデータを時系列データとして取得する時系列データ取得部と、前記時系列データを学習データとした統計的手法により、前記機械設備の性能を示す指標である性能測度を算出する性能測度算出部と、前記性能測度に対して、所定の時間幅における最大値を算出する最大値フィルタ処理又は所定の時間幅における最小値を算出する最小値フィルタ処理の内の何れかのフィルタ処理を施すフィルタ処理部と、過去に取得した前記時系列データに基づいて算出した前記性能測度の推移を、前記フィルタ処理が施された性能測度を用いて、多項式により近似した近似式を算出する近似式算出部と、前記近似式を用いて、将来の所定の時点までの性能測度を推定する性能測度推定部と、を備え、前記時系列データ取得部によって前記時系列データを取得するごとに、前記性能測度算出部によって前記最新の時系列データについての性能測度を算出し、前記近似式算出部によって前記最新の時系列データについての性能測度を前記推移に加えた前記近似式を算出し、前記性能測度推定部によって前記近似式を用いて将来の性能測度を推定するように構成される。

Claims (7)

1. 機械設備の状態を当該機械設備の性能によって診断する異常診断装置であって、
   前記機械設備に設置した複数のセンサからのセンサデータを時系列データとして取得する時系列データ取得部と、
   前記時系列データを学習データとした統計的手法により、前記機械設備の性能を示す指標である性能測度を算出する性能測度算出部と、
   過去に取得した前記時系列データに基づいて算出した前記性能測度の推移を、多項式により近似した近似式を算出する近似式算出部と、
   前記近似式を用いて、将来の所定の時点までの性能測度を推定する性能測度推定部と、を備え、
   前記時系列データ取得部によって前記時系列データを取得するごとに、前記性能測度算出部によって前記最新の時系列データについての性能測度を算出し、前記近似式算出部によって前記最新の時系列データについての性能測度を前記推移に加えた前記近似式を算出し、前記性能測度推定部によって前記近似式を用いて将来の性能測度を推定することを特徴とする異常診断装置。
2. 前記性能測度算出部は、２以上の手法により性能測度を算出し、
   前記２以上の手法により算出した性能測度を統合する性能測度統合部を更に備え、
   前記性能測度統合部は、２以上の手法による性能測度の調和平均を算出することで前記性能測度を統合することを特徴とする請求項１に記載の異常診断装置。
3. 前記性能測度に対して、所定の時間幅における最大値を算出する最大値フィルタ処理を施すフィルタ処理部を更に備え、
   前記近似式算出部は、当該最大値フィルタ処理が施された性能測度を用いて前記近似式を算出することを特徴とする請求項１に記載の異常診断装置。
4. 前記性能測度推定部は、性能測度の最確値に加えて、統計的手法により算出される所定の前記性能測度の信頼区間の上限値又は／及び下限値を算出することで前記推定を行うことを特徴とする請求項１乃至請求項４の何れか一項に記載の異常診断装置。
5. 前記最新の時系列データを取得した時点から前記性能測度の推定値が所定の閾値よりも低下するまでの期間を、前記機械設備が継続して稼働可能な時間を示す稼働継続可能時間として算出する稼働継続可能時間算出部を更に備えることを特徴とする請求項１乃至請求項４の何れか一項に記載の異常診断装置。
6. 前記性能測度算出部が前記性能測度を算出する手法、又は前記性能測度算出部が２以上の手法で前記性能測度を算出する場合においては少なくとも１つの手法が、
   前記機械設備の性能が所定レベルよりも低下した状態で取得した前記時系列データを前記機械設備が性能劣化した状態の範囲を示す前記学習データとして用いることで、当該性能劣化した状態からの乖離の大きさに基づいて前記性能測度を算出することを特徴とする請求項１乃至請求項５の何れか一項に記載の異常診断装置。
7. 機械設備の状態を当該機械設備の性能によって診断する異常診断方法であって、
   前記機械設備に設置した複数のセンサからのセンサデータを時系列データとして取得する時系列データ取得処理ステップと、
   前記時系列データを学習データとした統計的手法により、前記機械設備の性能を示す指標である性能測度を算出する性能測度算出処理ステップと、
   過去に取得した前記時系列データに基づいて算出した前記性能測度の推移を、多項式により近似した近似式を算出する近似式算出処理ステップと、
   前記近似式を用いて、将来の所定の時点までの性能測度を推定する性能測度推定処理ステップと、を含み、
   前記時系列データを取得するごとに、当該最新の時系列データについての性能測度を算出し、当該最新の時系列データについての性能測度を前記推移に加えた前記近似式を算出し、その近似式を用いて将来の性能測度を推定することを特徴とする異常診断方法。

Images