JP2016164772A - プロセス監視装置、プロセス監視方法及びプログラム - Google Patents

Abstract

【課題】バッチプロセスの異常を高い精度で検知する。【解決手段】予め蓄積された機器又は設備の複数のバッチの運転データに基づき、該運転データに含まれる複数の状態データのそれぞれについて前記複数のバッチにおける平均と、前記複数のバッチにおける標準偏差とを算出する算出手段１０２、１０３と、前記算出手段により算出された前記平均及び前記標準偏差に基づき、前記複数のバッチの運転データを正規化する第１の正規化手段１０４と、前記第１の正規化手段により正規化された前記複数のバッチの運転データに基づき、前記機器又は設備の異常を検出するための正常モデルを作成するモデル作成手段１０６と、前記モデル作成手段により作成された前記正常モデルと前記機器又は設備から出力された運転データとに基づき、該機器又は設備の異常を検出する異常検出手段１０９とを有することにより、上記課題を解決する。【選択図】図３

Description

本発明は、プロセス監視装置、プロセス監視方法及びプログラムに関する。

鉄鋼、鋳造、食品、半導体等の分野の製造プロセスでは、原料や中間製品の一定量を製造単位としてまとめて、製造単位毎に繰り返し製造処理を行う。このような製造プロセスはバッチプロセスと称される。

また、製造処理を行う設備又は機器の運転状態を監視し、バッチプロセスの異常を検知する技術が知られている（例えば特許文献１参照）。このような技術では、オフラインにおいて、予め蓄積された正常な運転状態を示すデータから正常モデルを作成する。そして、オンラインにおいて、当該正常モデルを用いて算出されたＱ統計量及びＴ^２統計量に基づきバッチプロセスの異常を検知する。

米国特許第６８８５９０７号公報

しかし、上記の従来技術においては、オフラインにおいて作成される正常モデルのモデル化の精度が高くない場合があった。すなわち、例えば主成分分析（ＰＣＡ：Principal Component Analysis）により正常モデルを作成する場合において、モデル化に用いられるデータのサンプリング周期と１つのバッチに要する時間との関係によってはモデル化の精度が高くない場合があった。したがって、オンラインにおいて、高い精度でバッチプロセスの異常を検知できない場合があった。

本発明の実施の形態は、上記の点に鑑みてなされたものであり、バッチプロセスの異常を高い精度で検知することを目的とする。

上記目的を達成するため、本発明の実施の形態は、バッチプロセスにより処理を行う機器又は設備の時系列の運転状態を示す運転データに基づき該機器又は設備の異常を検出するプロセス監視装置であって、予め蓄積された前記機器又は設備の複数のバッチの運転データに基づき、該運転データに含まれる複数の状態データのそれぞれについて前記複数のバッチにおける平均と、前記複数のバッチにおける標準偏差とを算出する算出手段と、前記算出手段により算出された前記平均及び前記標準偏差に基づき、前記複数のバッチの運転データを正規化する第１の正規化手段と、前記第１の正規化手段により正規化された前記複数のバッチの運転データに基づき、前記機器又は設備の異常を検出するための正常モデルを作成するモデル作成手段と、前記モデル作成手段により作成された前記正常モデルと前記機器又は設備から出力された運転データとに基づき、該機器又は設備の異常を検出する異常検出手段とを有することを特徴とする。

本発明の実施の形態によれば、バッチプロセスの異常を高い精度で検知することができる。

第一の実施形態に係るプロセス監視システムの一例のシステム構成図である。 第一の実施形態に係るプロセス監視装置の一例のハードウェア構成図である。 第一の実施形態に係るプロセス監視システムの一例の機能構成図である。 バッチデータの一例を説明するための図である。 第一の実施形態に係るモデル作成処理の一例のフローチャートである。 データの変換処理の一例を説明するための図である。 第一の実施形態に係る異常検知処理の一例のフローチャートである。 オンラインにおけるＱ統計量及びＴ^２統計量の推移を示すグラフの一例のイメージ図である。 第二の実施形態に係るプロセス監視システムの一例の機能構成図である。 第二の実施形態に係る異常検知処理の一例のフローチャートである。 Ｑ統計量の１バッチ分の積算及びＴ^２統計量の１バッチ分の積算を示す一例のイメージ図である。 第三の実施形態に係るプロセス監視システムの一例の機能構成図である。 第三の実施形態に係るモデル作成処理の一例のフローチャートである。 第１の中間系列の一例を説明するための図である。 第三の実施形態に係る異常検知処理の一例のフローチャートである。

次に、本発明の実施の形態について、図面を参照しながら詳細に説明する。

［第一の実施形態］
＜システム構成＞
まず、本実施形態に係るプロセス監視システム１のシステム構成について、図１を用いて説明する。図１は、第一の実施形態に係るプロセス監視システムの一例のシステム構成図である。

図１に示すプロセス監視システム１は、プロセス監視装置１０と、１台以上の機器制御装置２０とが、例えばＬＡＮ（Local Area Network）等のネットワークＮを介して通信可能に接続されている。また、機器制御装置２０には、１台以上の機器３０が接続されている。ここで、機器３０は、機器制御装置２０により制御され、バッチプロセスにより処理を行う設備やプラント等である。

本システムの動作には、機器３０により処理されているバッチプロセスの異常を検知するための正常モデルを作成する「モデル作成」フェーズと、機器３０の運転状態を示すデータに基づきバッチプロセスの異常を検知する「異常検知」フェーズとがある。基本的に「モデル作成」フェーズはオフラインの処理であり、「異常検知」フェーズはオンラインの処理である。

プロセス監視装置１０は、「モデル」作成フェーズにおいて、予め蓄積された正常なバッチプロセスにおける機器３０の運転状態を示すデータ（以降、「運転データ」という。）に基づき、正常モデルを作成する。また、プロセス監視装置１０は、「異常検知」フェーズにおいて、機器制御装置２０から受信した機器３０の運転データと、「モデル作成」フェーズで作成された正常モデルとに基づき、機器３０により処理されているバッチプロセスの異常を検知する。

機器制御装置２０は、機器３０を制御する装置である。機器制御装置２０は、例えば各種センサ等により計測された機器３０の運転状態を運転データとして取得し、プロセス監視装置１０に送信する。ここで、機器３０の運転状態は、各種センサ等により計測された機器３０の所定の部品等の温度、圧力、流量等（これは、「プロセス変数」とも称される）により表される。したがって、運転データは、温度、圧力、流量等の状態を示す複数の状態データにより表されるベクトルデータである。

なお、各種センサ等は、機器３０から運転状態を所定の時間毎に計測する。このような各種センサ等が機器３０の運転状態を計測する所定の時間の間隔は、サンプリング周期と称される。サンプリング周期は、例えば数十ミリ秒ないし数十秒とすればよい。

機器３０は、上述したように、機器制御装置２０により制御され、バッチプロセスにより処理を行う設備やプラント等である。

＜ハードウェア構成＞
次に、本実施形態に係るプロセス監視装置１０のハードウェア構成について、図２を用いて説明する。図２は、第一の実施形態に係るプロセス監視装置の一例のハードウェア構成図である。

図２に示すプロセス監視装置１０は、入力装置１１と、表示装置１２と、外部Ｉ／Ｆ１３と、ＲＡＭ（Random Access Memory）１４と、ＲＯＭ（Read Only Memory）１５とを有する。また、プロセス監視装置１０は、ＣＰＵ（Central Processing Unit）１６と、通信Ｉ／Ｆ１７と、記憶装置１８とを有する。これらの各ハードウェアは、バスＢにより通信可能に接続されている。

入力装置１１は、例えばキーボードやマウス、タッチパネル等であり、ユーザが各操作信号を入力するのに用いられる。表示装置１２は、例えばＬＣＤ（Liquid Crystal Display）等であり、処理結果を表示する。なお、入力装置１１及び／又は表示装置１２は、必要なときにバスＢに接続して利用する形態であってもよい。

外部Ｉ／Ｆ１３は、外部装置とのインタフェースである。外部装置には、記録媒体１３ａ等がある。これにより、プロセス監視装置１０は、外部Ｉ／Ｆ１３を介して記録媒体１３ａの読み取り及び／又は書き込みを行うことができる。記録媒体１３ａには、フレキシブルディスク、ＣＤ、ＤＶＤ、ＳＤメモリカード、ＵＳＢメモリ等がある。なお、記録媒体１３ａには、本実施形態を実現するプログラムが格納されてもよい。

ＲＡＭ１４は、電源を切ってもプログラムやデータを保持することができる不揮発性の半導体メモリである。ＲＯＭ１５には、プロセス監視装置１０の起動時に実行されるＢＩＯＳ（Basic Input/Output System）、ＯＳ（Operating System）設定、及びネットワーク設定等のプログラムやデータが格納されている。

ＣＰＵ１６は、ＲＯＭ１５や記憶装置１８等からプログラムやデータをＲＡＭ１４上に読み出し、処理を実行することで、プロセス監視装置１０全体の制御や機能を実現する演算装置である。

通信Ｉ／Ｆ１７は、プロセス監視装置１０をネットワークＮに接続するためのインタフェースである。これにより、プロセス監視装置１０は、通信Ｉ／Ｆ１７を介してデータ通信を行うことができる。

記憶装置１８は、プログラムやデータを格納している不揮発性のメモリであり、例えばＨＤＤ（Hard Disk Drive）やＳＳＤ（solid state drive）等である。格納されるプログラムやデータには、本実施形態を実現するプログラム、プロセス監視装置１０全体を制御する基本ソフトウェアであるＯＳ、及びＯＳ上において各種機能を提供するアプリケーションソフトウェア等がある。なお、記憶装置１８は、格納しているプログラムやデータを所定のファイルシステム及び／又はＤＢにより管理している。

本実施形態に係るプロセス監視装置１０は、上記のハードウェア構成を有することにより、後述するような各種処理を実現できる。

＜機能構成＞
次に、本実施形態に係るプロセス監視システム１の機能構成について、図３を用いて説明する。図３は、第一の実施形態に係るプロセス監視システムの一例の機能構成図である。

図３に示すように、プロセス監視装置１０は、データ取得部１０１と、平均プロファイル算出部１０２と、標準偏差プロファイル算出部１０３と、第１の正規化部１０４と、データ変換部１０５と、モデル作成部１０６とを有する。また、プロセス監視装置１０は、第２の正規化部１０７と、指標値算出部１０８と、異常検知部１０９と、結果出力部１１０とを有する。これらの各部は、プロセス監視装置１０にインストール又はダウンロードされる１以上のプログラムが、ＣＰＵ１６に実行させる処理により実現される。

さらに、プロセス監視装置１０は、バッチデータ記憶部１２１と、モデル記憶部１２２とを利用する。これら各記憶部は、記憶装置１８又はプロセス監視装置１０にネットワークを介して接続される記憶装置等を用いて実現可能である。

データ取得部１０１は、「モデル作成」フェーズにおいて、例えばユーザ等により正常モデルの作成が指示された場合に、バッチデータ記憶部１２１に予め蓄積されているバッチデータを取得する。ここで、バッチデータとは、詳細は後述するが、バッチプロセスにおけるバッチ毎の運転データである。

平均プロファイル算出部１０２は、「モデル作成」フェーズにおいて、データ取得部１０１により取得されたバッチデータに基づき、平均プロファイルを算出する。平均プロファイルとは、詳細は後述するが、バッチデータに含まれる複数のバッチの運転データについて、バッチ間で平均を算出したものである。なお、平均プロファイル算出部１０２により算出された平均プロファイルは、モデル記憶部１２２に記憶される。

標準偏差プロファイル算出部１０３は、「モデル作成」フェーズにおいて、データ取得部１０１により取得されたバッチデータに基づき、標準偏差プロファイルを算出する。標準偏差プロファイルとは、詳細は後述するが、バッチデータに含まれる複数のバッチの運転データについて、バッチ間で標準偏差を算出したものである。なお、標準偏差プロファイル算出部１０３により算出された標準偏差プロファイルは、モデル記憶部１２２に記憶される。

第１の正規化部１０４は、「モデル作成」フェーズにおいて、平均プロファイル及び標準偏差プロファイルに基づきバッチデータを正規化する。

データ変換部１０５は、「モデル作成」フェーズにおいて、正規化されたバッチデータのデータ変換を行う。データ変換部１０５は、例えば、Ｊ、Ｉ、及びＫを１以上の整数として、正規化されたバッチデータがＩ個のＪ行Ｋ列の行列データとして表される場合、このバッチデータをＪ行ＩＫ列の行列データに変換する。

モデル作成部１０６は、「モデル作成」フェーズにおいて、データ変換部１０５により変換されたバッチデータに基づき、正常モデルを作成する。ここで、モデル作成部１０６は、例えば主成分分析により得られるローディング行列を正常モデルとして作成する。なお、モデル作成部１０６により作成された正常モデルは、モデル記憶部１２２に記憶される。

第２の正規化部１０７は、「異常検知」フェーズにおいて、平均プロファイル及び標準偏差プロファイルに基づき、機器制御装置２０から受信した機器３０の運転データを正規化する。

指標値算出部１０８は、「異常検知」フェーズにおいて、正規化された運転データ及び正常モデルに基づき、異常検知部１０９が異常を検知するための所定の指標値を算出する。ここで、所定の指標値としては、例えば、Ｑ統計量及びＴ^２統計量を算出すればよい。

異常検知部１０９は、「異常検知」フェーズにおいて、指標値算出部１０８により算出された所定の指標値に基づき、機器３０のバッチプロセスにおいて異常が発生したことを検知する。異常検知部１０９は、例えば、指標値算出部１０８により算出された所定の指標値が予め設定された所定の閾値を超えている場合、機器３０のバッチプロセスにおいて異常が発生したと判定し、これを検知する。

結果出力部１１０は、「異常検知」フェーズにおいて、異常検知部１０９により異常が検知された場合に、異常の発生を示す結果を出力する。ここで、結果出力部１１０は、当該結果を、例えばプロセス監視装置１０の表示装置１２に出力してもよいし、予め登録された電子メールアドレス宛に電子メールにより通知してもよい。

モデル記憶部１２２は、平均プロファイル算出部１０２により算出された平均プロファイルと、標準偏差プロファイル算出部１０３により算出された標準偏差プロファイルと、モデル作成部１０６により作成された正常モデルとを記憶する。

バッチデータ記憶部１２１は、機器３０の正常なバッチプロセスにおけるバッチ毎の運転データを示すバッチデータを記憶する。このようなバッチデータは、予め蓄積されているものとする。ここで、バッチデータについて、図４を用いて説明する。

図４（ａ）は、機器３０の運転データの一例を示す。図４（ａ）に示すように、運転データには、例えば温度、圧力、流量等のプロセス変数（以降、単に「変数」とも表す）毎、かつ、サンプリング周期毎に各種センサ等で計測された値を示す状態データが含まれる。そして、バッチプロセスにおいては、各状態データは、バッチ毎に、類似の波形を示す。例えば、図４（ａ）に示すように、バッチ１、バッチ２、及びバッチ３において、温度を示す状態データは、類似の波形を示している。同様に、バッチ１、バッチ２、及びバッチ３において、圧力を示す状態データは、類似の波形を示している。なお、このようなバッチ毎の類似の波形パターンは「プロファイル」と称される。

ここで、各種センサ等で計測された時間として、バッチ毎に、バッチ開始時からの相対時間を用いれば、バッチデータは、運転データを、バッチ毎、変数毎、及び時間毎に記憶（蓄積）したものとして表すことができる。また、時間は、サンプリング周期の自然数倍であるため、時間をｋ（１≦ｋ≦Ｋ）で表す。さらに、運転データに含まれる変数をｊ（１≦ｊ≦Ｊ）、バッチ数をｉ（１≦ｉ≦Ｉ）で表すとすれば、図４（ｂ）に示すように、バッチデータは、Ｊ×Ｋ×Ｊ個のデータとして表すことができる。したがって、以降では、バッチデータをｘ（ｉ，ｊ，ｋ）、（１≦ｉ≦Ｉ，１≦ｊ≦Ｊ，１≦ｋ≦Ｋ）と表す。

＜処理の詳細＞
次に、本実施形態に係るプロセス監視システム１の処理の詳細について、説明する。

≪モデル作成処理≫
まず、「モデル作成」フェーズにおいて、正常モデルを作成する処理について、図５及び図６を用いて説明する。図５は、第一の実施形態に係るモデル作成処理の一例のフローチャートである。

ステップＳ５１において、データ取得部１０１は、バッチデータ記憶部１２１からバッチデータを取得する。これは、例えばユーザ等により入力装置１１を介して、正常モデルの作成が指示された場合に行われる。ここで、上述したように、バッチデータは、ｘ（ｉ，ｊ，ｋ）、（１≦ｉ≦Ｉ，１≦ｊ≦Ｊ，１≦ｋ≦Ｋ）と表される。

ステップＳ５２において、平均プロファイル算出部１０２は、取得されたバッチデータｘ（ｉ，ｊ，ｋ）に基づき、平均プロファイルを算出する。より具体的には、平均プロファイル算出部１０２は、以下の式（１）により平均プロファイルμ_ｊ，ｋを算出する。なお、平均プロファイル算出部１０２は、算出された平均プロファイルμ_ｊ，ｋをモデル記憶部１２２に記憶させる。

ステップＳ５３において、標準偏差プロファイル算出部１０３は、取得されたバッチデータｘ（ｉ，ｊ，ｋ）に基づき、標準偏差プロファイルを算出する。より具体的には、標準偏差プロファイル算出部１０３は、以下の式（２）により標準偏差プロファイルｓ_ｊ，ｋを算出する。なお、標準偏差プロファイル算出部１０３は、算出された標準偏差プロファイルｓ_ｊ，ｋをモデル記憶部１２２に記憶させる。

なお、上記の式（２）において、Ｉで除算している箇所について、Ｉの代わりに、Ｉ−１で除算してもよい。

ステップＳ５４において、第１の正規化部１０４は、上記で算出された平均プロファイル及び標準偏差プロファイルに基づきバッチデータを正規化する。より具体的には、第１の正規化部１０４は、以下の式（３）によりバッチデータｘ（ｉ，ｊ，ｋ）を正規化する。ここで、正規化されたバッチデータｘ（ｉ，ｊ，ｋ）を、ｘ_ｓ（ｉ，ｊ，ｋ）と表す。

なお、上記の式（３）を計算するあたり、ｓ_ｊ，ｋ＝０となる（ｊ，ｋ）が存在する場合、例えば線形補間やスプライン補間等を用いて、当該ｓ_ｊ，ｋを０でない値に置き換えればよい。

ここで、上記の式（３）において、平均プロファイルμ_ｊ，ｋ及び標準偏差プロファイルｓ_ｊ，ｋの代わりに、当該平均プロファイルμ_ｊ，ｋ及び標準偏差プロファイルｓ_ｊ，ｋの移動平均をそれぞれ算出したμ'_ｊ，ｋ及びｓ'_ｊ，ｋをそれぞれ用いてよい。すなわち、上記の式（３）において、μ_ｊ，ｋ及びｓ_ｊ，ｋの代わりに、以下の式（４）及び式（５）で算出されるμ'_ｊ，ｋ及びｓ'_ｊ，ｋをそれぞれ用いてよい。なお、式（４）及び式（５）は、移動平均を算出する計算式の一例であり、これに限られず、他の計算式により移動平均を求めてもよい。

ステップＳ５５において、データ変換部１０５は、正規化されたバッチデータｘ_ｓ（ｉ，ｊ，ｋ）のデータ変換を行う。これについて、図６を用いて説明する。

Ｓｔｅｐ１）データ変換部１０５は、正規化されたバッチデータｘ_ｓ（ｉ，ｊ，ｋ）を、ｉ毎に分解する。すなわち、データ変換部１０５は、バッチデータｘ_ｓ（ｉ，ｊ，ｋ）を、ｘ_ｓ（１，ｊ，ｋ），ｘ_ｓ（２，ｊ，ｋ），・・・，ｘ_ｓ（Ｉ，ｊ，ｋ）と分解する。

Ｓｔｅｐ２）データ変換部１０５は、分解した各ｘ_ｓ（１，ｊ，ｋ），ｘ_ｓ（２，ｊ，ｋ），・・・，ｘ_ｓ（Ｉ，ｊ，ｋ）について、時間ｋで連結して、Ｊ行ＩＫ列の行列データＸ_ｓ（ｉ，ｊ，ｋ）を作成する。すなわち、データ変換部１０５は、各ｋに対して、Ｘ_ｓ（ｊ，ｋ）を以下の式（６）ように定義して、ｘ_ｓ（ｉ，ｊ，ｋ）をＸ_ｓ（ｊ，ｋ）に変換する。

これにより、Ｉ個のＪ行Ｋ列の行列データとして表される正規化されたバッチデータｘ_ｓ（ｉ，ｊ，ｋ）が、Ｊ行ＩＫ列の行列データＸ_ｓ（ｊ，ｋ）に変換される。

ステップＳ５６において、モデル作成部１０６は、上記で変換されたバッチデータＸ_ｓ（ｊ，ｋ）（１≦ｊ≦Ｊ，１≦ｋ≦ＩＫ）に基づき、正常モデルを作成する。ここで、モデル作成部１０６は、Ｘ_ｓ（ｊ，ｋ）について主成分分析を行って得られるローディング行列を正常モデルとして作成したものとする。なお、モデル作成部１０６は、作成された正常モデルをモデル記憶部１２２に記憶させる。

以上により、本実施形態に係るプロセス監視システム１では、オンラインにおいて機器３０により処理されているバッチプロセスの異常を検知するための正常モデルを作成される。

≪異常検知処理≫
次に、「異常検知」フェーズにおいて、正常モデルに基づき機器３０により処理されているバッチプロセスの異常を検知する異常検知処理について、図７及び図８を用いて説明する。図７は、第一の実施形態に係る異常検知処理の一例のフローチャートである。

ステップＳ６１において、プロセス監視装置１０は、機器制御装置２０からバッチプロセスの開始を示すバッチ開始データを受信する。このバッチ開始データは、機器３０においてバッチプロセスの処理が開始されたことを契機として、機器制御装置２０から送信される。すなわち、バッチ開始データは１つのバッチの開始を示すデータであり、プロセス監視装置１０は、バッチ開始データを受信することで、機器３０において１つのバッチのバッチプロセスが開始されたことを検知することができる。したがって、プロセス監視装置１０は、バッチ開始データを受信した時間と、運転データを受信した時間（各種センサ等により計測された時間）とからバッチ内での運転データの相対時間を算出することができる。

ステップＳ６２において、プロセス監視装置１０は、機器制御装置２０から機器３０の運転データを受信する。なお、運転データは、機器制御装置２０からサンプリング周期毎に送信される。ここで、以降では、バッチ開始データを受信してから時間ｋ後に受信した（すなわち、ｋ番目に受信した）運転データをｚ（ｊ，ｋ）、（１≦ｊ≦Ｊ）と表す。換言すれば、サンプリング周期をΔｔとした場合、ｚ（ｊ，ｋ）は、バッチ開始データを受信してからΔｔ×ｋ時間後に受信された運転データである。

ステップＳ６３において、第２の正規化部１０７は、受信した運転データｚ（ｊ，ｋ）から対応する（ｋの値が同一の）平均プロファイルμ_ｊ，ｋを減算した後、対応する（ｋの値が同一の）標準偏差プロファイルｓ_ｊ，ｋで除算する。すなわち、第２の正規化部１０７は、以下の式（７）により正規化した運転データｚ_ｓ（ｊ，ｋ）を算出する。なお、第２の正規化部１０７は、「モデル作成」フェーズにおいてモデル記憶部１２２に記憶させた平均プロファイルμ_ｊ，ｋ及び標準偏差プロファイルｓ_ｊ，ｋを取得する。

ステップＳ６４において、指標値算出部１０８は、上記で正規化した運転データｚ_ｓ（ｊ，ｋ）と、「モデル作成」フェーズにおいて作成した正常モデルとに基づき所定の指標値を算出する。ここで、指標値算出部１０８は、運転データｚ_ｓ（ｊ，ｋ）と、正常モデル（すなわち、Ｘ_ｓ（ｊ，ｋ）について主成分分析を行って得られたローディング行列）とに基づきＱ統計量及びＴ^２統計量を算出したものとする。

ここで、Ｑ統計量は、１以上のＱ統計量の寄与度（これを「Ｑ寄与度」と表す）の和で表される。同様に、Ｔ^２統計量は、１以上のＴ^２統計量の寄与度（これを「Ｔ^２寄与度」と表す）の和で表される。一般に、１以上のＱ寄与度から算出される分散が低い方がＱ統計量は、指標値として精度が高いことが知られている。同様に、１以上のＴ^２寄与度から算出される分散が低い方がＴ^２統計量は、指標値として精度が高いことが知られている。したがって、Ｑ寄与度から算出される分散又はＴ^２寄与度から算出される分散の少なくとも一方が、予め設定された所定の値以上である場合、正常モデルの再作成をユーザ等に促すメッセージ通知を行ってもよい。このようなメッセージ通知は、例えばプロセス監視装置１０の表示装置１２に出力することにより行ってもよいし、予め登録された電子メールアドレス宛に電子メールを送信することにより行ってもよい。なお、寄与度は「寄与プロット」とも称される。

ステップＳ６５において、異常検知部１０９は、上記で算出されたＱ統計量及びＴ^２統計量が、予め設定された所定の閾値を超えているか否かを判定する。そして、異常検知部１０９は、Ｑ統計量及びＴ^２統計量の少なくとも一方が、予め設定された所定の閾値を超えていると判定した場合、機器３０のバッチプロセスにおいて異常が発生したことを検知する。

ステップＳ６６において、結果出力部１１０は、異常検知部１０９により異常が検知された場合に、異常の発生を示す結果を出力する。すなわち、結果出力部１１０は、異常の発生を示す結果を、例えばプロセス監視装置１０の表示装置１２に出力したり、予め登録された電子メールアドレス宛に電子メールにより通知する。

さらに、結果出力部１１０は、上記で算出されたＱ統計量及びＴ^２統計量をサンプリング周期毎にプロットして作成された例えば図８に示すようなグラフを、プロセス監視装置１０の表示装置１２に出力してもよい。図８（ａ）はＱ統計量をサンプリング周期毎にプロットして作成されたグラフを示し、図８（ｂ）はＴ^２統計量をサンプリング周期毎にプロットして作成されたグラフを示している。これにより、例えばプラントのオペレータ等は、Ｑ統計量及びＴ^２統計量のサンプリング周期毎の推移を監視することができる。なお、図８に示すグラフを、所定の時間毎に、予め登録された電子メールアドレス宛に電子メールにより通知してもよいし、例えばプロセス監視装置１０とインターネット等の広域的なネットワークを介してＰＣ等から閲覧することができるようにしてもよい。

＜まとめ＞
以上により、第一の実施形態に係るプロセス監視システム１では、予め蓄積されている正常なバッチプロセスの運転データに基づき、オンラインにおいて異常を検知するための正常モデルを作成する。しかも、このとき、第一の実施形態に係るプロセス監視システム１は、平均プロファイルと標準偏差プロファイルに基づき、予め蓄積されている正常なバッチプロセスの運転データを正規化することで、異常検知の精度が高い正常モデルを作成することができる。このため、第一の実施形態に係るプロセス監視システム１では、機器３０のプロセス変数（例えば、圧力、温度、流量等）の異常な値が計測されたことを高い精度で検知することができる。

［第二の実施形態］
次に、第二の実施形態について説明する。第二の実施形態に係るプロセス監視システム１では、「異常検知」フェーズにおいて、所定の指標値として、１バッチ分のＱ統計量に基づく値と、１バッチ分のＴ^２統計量に基づく値とを用いるものである。これにより、本実施形態に係るプロセス監視システム１では、バッチプロセス単位における異常の発生を高い精度で検知することができるようになる。

なお、以降の本実施形態の説明では、第一の実施形態との相違点について主に説明し、第一の実施形態と同様の機能構成を有する箇所及び同様の処理を行う箇所には、第一の実施形態と同様の符号を付与し、その説明を省略する。

＜機能構成＞
第二の実施形態に係るプロセス監視システム１の機能構成について、図９を用いて説明する。図９は、第二の実施形態に係るプロセス監視システムの一例の機能構成図である。

図９に示すように、第二の実施形態に係るプロセス監視装置１０は、指標値算出部１０８Ａと、異常検知部１０９Ａとを有する。

指標値算出部１０８Ａは、「異常検知」フェーズにおいて、正規化された運転データ及び正常モデルに基づき、異常検知部１０９Ａが異常検知するための所定の指標値を算出する。

ここで、本実施形態における所定の指標値としては、サンプリング周期毎の時系列データとして得られる１バッチ分のＱ統計量の関数値と、サンプリング周期毎の時系列データとして得られる１バッチ分のＴ^２統計量の関数値とを用いる。

例えば、所定の関数をＦ_１、１バッチ分のＱ統計量をＱ（１）、Ｑ（２）、・・・、Ｑ（Ｋ）とすれば、本実施形態における指標値Ｖ（Ｑ）は、Ｖ（Ｑ）＝Ｆ_１（Ｑ（１）、Ｑ（２）、・・・、Ｑ（Ｋ））と表される。

同様に、例えば、所定の関数をＦ_２、１バッチ分のＴ^２統計量をＴ^２（１）、Ｔ^２（２）、・・・、Ｔ^２（Ｋ）とすれば、本実施形態における指標値Ｖ（Ｔ^２）は、Ｖ（Ｔ^２）＝Ｆ_２（Ｔ^２（１）、Ｔ^２（２）、・・・、Ｔ^２（Ｋ））と表される。

異常検知部１０９Ａは、「異常検知」フェーズにおいて、指標値算出部１０８Ａにより算出された指標値Ｖ（Ｑ）及びＶ（Ｔ^２）に基づき、機器３０のバッチプロセスにおいて異常が発生したことを検知する。異常検知部１０９Ａは、例えば、指標値算出部１０８Ａにより算出された指標値Ｖ（Ｑ）及びＶ（Ｔ^２）が予め設定された所定の閾値を超えている場合、機器３０のバッチプロセスにおいて異常が発生したと判定し、これを検知する。

このように、本実施形態に係るプロセス監視システム１では、機器３０により処理されたバッチプロセスについて、このバッチプロセスで異常が発生したことを検知する。

＜処理の詳細＞
次に、本実施形態に係るプロセス監視システム１の処理の詳細について、説明する。なお、「モデル作成」フェーズにおけるモデル作成処理については、第一の実施形態と同様であるため、その説明を省略する。

≪異常検知処理≫
「異常検知」フェーズにおいて、正常モデルに基づき機器３０により処理されたバッチプロセスの異常を検知する異常検知処理について、図１０及び図１１を用いて説明する。図１０は、第二の実施形態に係る異常検知処理の一例のフローチャートである。なお、図１０におけるステップＳ６１〜ステップＳ６３及びステップＳ６６については、第一の実施形態と同様であるため、その説明を省略する。

ステップＳ１０１において、指標値算出部１０８Ａは、ステップＳ６３で正規化した運転データｚ_ｓ（ｊ，ｋ）と、「モデル作成」フェーズにおいて作成した正常モデルとに基づきＱ統計量及びＴ^２統計量を算出する。

ここで、指標値算出部１０８Ａにより算出された１バッチ分のＱ統計量及びＴ^２統計量を、それぞれＱ（ｋ）及びＴ^２（ｋ）、（１≦ｋ≦Ｋ）とする。

すなわち、正規化した運転データｚ_ｓ（ｊ，１）と、正常モデルとに基づき算出されたＱ統計量及びＴ^２統計量を、それぞれＱ（１）及びＴ^２（１）とする。同様に、正規化した運転データｚ_ｓ（ｊ，２）と、正常モデルとに基づき算出されたＱ統計量及びＴ^２統計量を、それぞれＱ（２）及びＴ^２（２）とする。以降、同様に、正規化した運転データｚ_ｓ（ｊ，Ｋ）と、正常モデルとに基づき算出されたＱ統計量及びＴ^２統計量を、それぞれＱ（Ｋ）及びＴ^２（Ｋ）とする。

ステップＳ１０２において、指標値算出部１０８Ａは、１バッチ分のＱ統計量及びＴ^２統計量に基づいて、それぞれ指標値Ｖ（Ｑ）及びＶ（Ｔ^２）を算出する。

ここで、上述したように、指標値Ｖ（Ｑ）は、所定の関数をＦ_１として、Ｖ（Ｑ）＝Ｆ_１（Ｑ（１）、Ｑ（２）、・・・、Ｑ（Ｋ））と表される。同様に、指標値Ｖ（Ｔ^２）は、所定の関数をＦ_２として、Ｖ（Ｔ^２）＝Ｆ_２（Ｔ^２（１）、Ｔ^２（２）、・・・、Ｔ^２（Ｋ））
関数Ｆ_１としては、例えば、以下の式（８）に示すような関数が挙げられる。

また、関数Ｆ_２としては、例えば、以下の式（９）に示すような関数が挙げられる。

ここで、上記の式（８）によれば、Ｖ（Ｑ）は、図１１（ａ）に示すように、１バッチ分のＱ統計量を表すグラフと、定数Ｃ_１とで囲まれた領域であって、Ｑ統計量がＣ_１以下となる部分を除いた領域の面積として表される。

同様に、上記の式（９）によれば、Ｖ（Ｔ^２）は、図１１（ｂ）に示すように、１バッチ分のＴ^２統計量を表すグラフと、定数Ｃ_２とで囲まれた領域の面積として表される。ここで、特に、定数Ｃ_１及び／又は定数Ｃ_２を「０」としてもよい。

なお、関数Ｆ_１及びＦ_２は、上記の式（８）及び式（９）に限られず、任意の関数を用いることができる。また、関数Ｆ_１及びＦ_２として、同一の関数を用いてもよい。

ステップＳ１０３において、異常検知部１０９Ａは、上記で算出された指標値Ｖ（Ｑ）及びＶ（Ｔ^２）が、予め設定された所定の閾値を超えているか否かを判定する。そして、異常検知部１０９Ａは、指標値Ｖ（Ｑ）及びＶ（Ｔ^２）の少なくとも一方が、予め設定された所定の閾値を超えていると判定した場合、機器３０により処理されたバッチプロセスにおいて異常が発生したことを検知する。

＜まとめ＞
以上により、第二の実施形態に係るプロセス監視システム１では、「異常検知」フェーズにおいて、バッチ単位の指標値を用いて異常検知を行う。これにより、第二の実施形態に係るプロセス監視システム１では、機器３０により処理されたバッチプロセス毎に、このバッチプロセスにおいて異常が発生したことを高い精度で検知することができるようになる。

［第三の実施形態］
次に、第三の実施形態について説明する。第三の実施形態に係るプロセス監視システム１では、プロセス変数毎に、過去の計測値との相関を考慮した正常モデルを作成し、異常検知を行う。これにより、本実施形態に係るプロセス監視システム１では、プロセス変数の異常な値が計測されたことを、より高い精度で検知することができるようになる。

なお、以降の本実施形態の説明では、第一の実施形態との相違点について主に説明し、第一の実施形態と同様の機能構成を有する箇所及び同様の処理を行う箇所には、第一の実施形態と同様の符号を付与し、その説明を省略する。

＜機能構成＞
第三の実施形態に係るプロセス監視システム１の機能構成について、図１２を用いて説明する。図１２は、第三の実施形態に係るプロセス監視システムの一例の機能構成図である。

図１２に示すように、第三の実施形態に係るプロセス監視装置１０は、第１のデータ系列作成部１１１と、データ変換部１０５Ａと、第２のデータ系列作成部１１２と、指標値算出部１０８Ｂとを有する。

第１のデータ系列作成部１１１は、「モデル作成」フェーズにおいて、正規化されたバッチデータに基づいて、第１のデータ系列を作成する。

ここで、第１のデータ系列作成部１１１は、正規化されたバッチデータｘ_ｓ（ｉ，ｊ，ｋ）のプロセス変数を示す各ｊに対して、それぞれＮ個の第１の中間系列を作成し、このＮ個の第１の中間系列をリナンバリングすることにより第１のデータ系列を作成する。

第１のデータ系列作成部１１１により作成された第１のデータ系列は、例えば、Ｉ個のＪＮ行（Ｋ−Ｎ＋１）列の行列データとして表すことができる。なお、Ｎは、予め設定された値であり、「多重度」とも称される。

データ変換部１０５Ａは、「モデル作成」フェーズにおいて、第１のデータ系列のデータ変換を行う。データ変換部１０５Ａは、第１のデータ系列がＩ個のＪＮ行（Ｋ−Ｎ＋１）列の行列データとして表される場合、この第１のデータ系列をＪＮ行Ｉ（Ｋ−Ｎ＋１）列の行列データに変換する。

第２のデータ系列作成部１１２は、「異常検知」フェーズにおいて、正規化された運転データに基づいて、第２のデータ系列を作成する。

ここで、第２のデータ系列作成部１１２は、正規化された運転データｚ_ｓ（ｊ，ｋ）のプロセス変数を示す各ｊに対して、それぞれＮ個の第２の中間系列を作成し、このＮ個の第２の中間系列をリナンバリングすることにより第２のデータ系列を作成する。

第２のデータ系列作成部１１２により作成された第２のデータ系列は、例えば、ＪＮ行（Ｋ−Ｎ＋１）列の行列データとして表すことができる。なお、Ｎは、上述した通り、予め設定された多重度である。

指標値算出部１０８Ｂは、「異常検知」フェーズにおいて、第２のデータ系列及び正常モデルに基づき、異常検知部１０９が異常を検知するための所定の指標値を算出する。

ここで、所定の指標値は、例えば、第一の実施形態で説明したＱ統計量及びＴ^２統計量を算出してもよいし、第二の実施形態で説明した１バッチ分のＱ統計量及びＴ^２統計量の関数値Ｖ（Ｑ）及びＶ（Ｔ^２）を算出してもよい。

＜処理の詳細＞
次に、本実施形態に係るプロセス監視システム１の処理の詳細について、説明する。

≪モデル作成処理≫
まず、「モデル作成」フェーズにおいて、正常モデルを作成する処理について、図１３及び図１４を用いて説明する。図１３は、第三の実施形態に係るモデル作成処理の一例のフローチャートである。なお、図１３におけるステップＳ５１〜ステップＳ５４及びステップＳ５６については、第一の実施形態と同様であるため、その説明を省略する。

ステップＳ１３１において、第１のデータ系列作成部１１１は、正規化されたバッチデータｘ_ｓ（ｉ，ｊ，ｋ）のプロセス変数を示す各ｊに対して、それぞれ多重度に応じた第１の中間系列を作成する。

ここで、多重度がＮである場合における第１の中間系列の作成について、図１４を用いて説明する。図１４は、第１の中間系列の一例を説明するための図である。

まず、第１のデータ系列作成部１１１は、各ｉ及びｊに対して、ｘ_ｓ（ｉ，ｊ，ｋ）の時間ｋの値を、例えば、１ずつ減算したデータ系列をＮ個作成する。すなわち、第１のデータ系列作成部１１１は、ｘ_ｓ（ｉ，ｊ，ｋ）、ｘ_ｓ（ｉ，ｊ，ｋ−１）、・・・、ｘ_ｓ（ｉ，ｊ，ｋ−Ｎ＋２）、ｘ_ｓ（ｉ，ｊ，ｋ−Ｎ＋１）のＮ個のデータ系列を作成する。

そして、第１のデータ系列作成部１１１は、ｘ_ｓ（ｉ，ｊ，ｋ）、ｘ_ｓ（ｉ，ｊ，ｋ−１）、・・・、ｘ_ｓ（ｉ，ｊ，ｋ−Ｎ＋２）、ｘ_ｓ（ｉ，ｊ，ｋ−Ｎ＋１）において、ｋの値が共通に定義される範囲（すなわち、Ｎ≦ｋ≦Ｋの範囲）をそれぞれ抽出する。

これにより、ｙ_１（ｉ，ｊ，１）＝ｘ_ｓ（ｉ，ｊ，Ｎ）、ｙ_１（ｉ，ｊ，２）＝ｘ_ｓ（ｉ，ｊ，Ｎ＋１）、・・・、ｙ_１（ｉ，ｊ，Ｋ−Ｎ＋１）＝ｘ_ｓ（ｉ，ｊ，Ｋ）とすることにより、第１の中間系列ｙ_１（ｉ，ｊ，ｋ）、（１≦ｋ≦Ｋ−Ｎ＋１）が作成される。

同様に、ｙ_２（ｉ，ｊ，１）＝ｘ_ｓ（ｉ，ｊ，Ｎ−１）、ｙ_２（ｉ，ｊ，２）＝ｘ_ｓ（ｉ，ｊ，Ｎ）、・・・、ｙ_２（ｉ，ｊ，Ｋ−Ｎ＋１）＝ｘ_ｓ（ｉ，ｊ，Ｋ−１）とすることにより、第１の中間系列ｙ_２（ｉ，ｊ，ｋ）、（１≦ｋ≦Ｋ−Ｎ＋１）が作成される。

以降も同様にして、第１のデータ系列作成部１１１により、Ｎ個の第１の中間系列ｙ_１（ｉ，ｊ，ｋ）、ｙ_２（ｉ，ｊ，ｋ）、・・・、ｙ_Ｎ（ｉ，ｊ，ｋ）が作成される。このように、第１のデータ系列作成部１１１は、各ｉ及びｊに対して、Ｎ個の第１の中間系列ｙ_１（ｉ，ｊ，ｋ）、ｙ_２（ｉ，ｊ，ｋ）、・・・、ｙ_Ｎ（ｉ，ｊ，ｋ）を作成する。

なお、上記のステップＳ１３１では、第１のデータ系列作成部１１１により、ｘ_ｓ（ｉ，ｊ，ｋ）の時間ｋの値を１ずつ減算したＮ個のデータ系列に基づいて第１の中間系列を作成したが、これに限られない。すなわち、第１のデータ系列作成部１１１は、ｘ_ｓ（ｉ，ｊ，ｋ）の時間ｋの値を任意の値（この値を以降では「減算値」と表す。）ずつ減算したＮ個のデータ系列に基づいて第１の中間系列を作成してもよい。また、多重度Ｎは、ｘ_ｓ（ｉ，ｊ，ｋ）のプロセス変数を示すｊ毎に、異なる値としてもよい。

ステップＳ１３２において、第１のデータ系列作成部１１１は、Ｎ個の第１の中間系列ｙ_１（ｉ，ｊ，ｋ）、ｙ_２（ｉ，ｊ，ｋ）、・・・、ｙ_Ｎ（ｉ，ｊ，ｋ）をｊについてリナンバリングすることにより第１のデータ系列ｙ（ｉ，ｊ，ｋ）を作成する。

第１のデータ系列作成部１１１は、ｙ（ｉ，ｊ，ｋ）、（１≦ｋ≦Ｋ−Ｎ＋１）を、各ｊに対して、次のように定義することで、第１のデータ系列を作成する。

すなわち、１≦ｊ≦Ｎの場合、ｙ（ｉ，１，ｋ）＝ｙ_１（ｉ，１，ｋ）、ｙ（ｉ，２，ｋ）＝ｙ_２（ｉ，１，ｋ）、ｙ（ｉ，３，ｋ）＝ｙ_３（ｉ，１，ｋ）、・・・、ｙ（ｉ，Ｎ，ｋ）＝ｙ_Ｎ（ｉ，１，ｋ）とする。

次に、Ｎ＋１≦ｊ≦２Ｎの場合、ｙ（ｉ，Ｎ＋１，ｋ）＝ｙ_１（ｉ，２，ｋ）、ｙ（ｉ，Ｎ＋２，ｋ）＝ｙ_２（ｉ，２，ｋ）、ｙ（ｉ，Ｎ＋３，ｋ）＝ｙ_３（ｉ，２，ｋ）、・・・、ｙ（ｉ，２Ｎ，ｋ）＝ｙ_Ｎ（ｉ，２，ｋ）とする。

以降も同様にして、最後に、（Ｊ−１）Ｎ＋１≦ｊ≦ＪＮの場合、ｙ（ｉ，（Ｊ−１）Ｎ＋１，ｋ）＝ｙ_１（ｉ，Ｊ，ｋ）、ｙ（ｉ，（Ｊ−１）Ｎ＋２，ｋ）＝ｙ_２（ｉ，Ｊ，ｋ）、・・・、ｙ（ｉ，ＪＮ，ｋ）＝ｙ_Ｎ（ｉ，Ｊ，ｋ）とする。

これにより、第１のデータ系列作成部１１１により、第１のデータ系列ｙ（ｉ，ｊ，ｋ）、（１≦ｉ≦Ｉ、１≦ｊ≦ＪＮ、１≦ｋ≦Ｋ−Ｎ＋１）が作成される。

ステップＳ１３３において、データ変換部１０５Ａは、作成された第１のデータ系列ｙ（ｉ，ｊ，ｋ）のデータ変換を行う。

すなわち、データ変換部１０５Ａは、各ｋに対して、Ｙ（ｊ，ｋ）を以下の式（１０）のように定義して、ｙ（ｉ，ｊ，ｋ）をＹ（ｊ，ｋ）に変換する。

これにより、Ｉ個のＪＮ行（Ｋ−Ｎ＋１）列の行列データとして表されるｙ（ｉ，ｊ，ｋ）が、ＪＮ行Ｉ（Ｋ−Ｎ＋１）列の行列データＹ（ｊ，ｋ）に変換される。したがって、以降のステップＳ５６において、モデル作成部１０６により、Ｙ（ｊ，ｋ）について主成分分析を行って得られるローディング行列が正常モデルとして作成される。

≪異常検知処理≫
次に、「異常検知」フェーズにおいて、正常モデルに基づき機器３０により処理されているバッチプロセスの異常を検知する異常検知処理について、図１５を用いて説明する。図１５は、第三の実施形態に係る異常検知処理の一例のフローチャートである。なお、図１５におけるステップＳ６１〜ステップＳ６３及びステップＳ６５〜ステップＳ６６については、第一の実施形態と同様であるため、その説明を省略する。

ステップＳ１５１において、第２のデータ系列作成部１１２は、正規化された運転データｚ_ｓ（ｊ，ｋ）のプロセス変数を示す各ｊに対して、それぞれ多重度Ｎに応じた第２の中間系列を作成する。

ここで、バッチ内における最新のｚ_ｓ（ｊ，ｋ）を、ｚ_ｓ（ｊ，ｋ_１）、（ただし、１≦ｋ_１≦Ｋ）とすると、第２のデータ系列作成１１２は、次のようにして第２の中間系列を作成する。すなわち、第２のデータ系列作成部１１２は、第１の中間系列と同様の方法で、ｗ_１（ｊ，１）＝ｚ_ｓ（ｊ，Ｎ）、ｗ_１（ｊ，２）＝ｚ_ｓ（ｊ，Ｎ＋１）、・・・、ｗ_１（ｊ，ｋ_１−Ｎ＋１）＝ｚ_ｓ（ｊ，ｋ_１）とすることにより、第２の中間系列ｗ_１（ｊ，ｋ）を作成する。同様に、第２のデータ系列作成部１１２は、ｗ_２（ｊ，１）＝ｚ_ｓ（ｊ，Ｎ−１）、ｗ_２（ｊ，２）＝ｚ_ｓ（ｊ，Ｎ）、・・・、ｗ_２（ｊ，ｋ_１−Ｎ＋１）＝ｚ_ｓ（ｊ，ｋ_１−１）とすることにより、第２の中間系列ｗ_２（ｊ，ｋ）を作成する。

以降も同様にして、第２のデータ系列作成部１１２は、Ｎ個の第２の中間系列ｗ_１（ｊ，ｋ）、ｗ_２（ｊ，ｋ）、・・・、ｗ_Ｎ（ｊ，ｋ）、（１≦ｋ≦ｋ_１−Ｎ＋１）を作成する。このように、第２のデータ系列作成部１１２は、時間ｋ＝１からｋ＝ｋ_１までの正規化された運転データｚ_ｓ（ｊ，１）、・・・、ｚ_ｓ（ｊ，ｋ_１）から第２の中間系列ｗ_１（ｊ，ｋ）、ｗ_２（ｊ，ｋ）、・・・、ｗ_Ｎ（ｊ，ｋ）、（１≦ｋ≦ｋ_１−Ｎ＋１）を作成する。

なお、第２のデータ系列作成部１１２は、第１のデータ系列作成部１１１と同様の方法により第２の中間系列を作成する。すなわち、「モデル作成」フェーズにおいて第１のデータ系列１１１が第１の中間系列を作成した際に用いた減算値及び多重度と同様の減算値及び多重度を用いて、第２のデータ系列作成部１１２は、第２の中間系列を作成する。

ステップＳ１５２において、第２のデータ系列作成部１１２は、Ｎ個の第２の中間系列ｗ_１（ｊ，ｋ）、ｗ_２（ｊ，ｋ）、・・・、ｗ_Ｎ（ｊ，ｋ）をｊについてリナンバリングすることにより第２のデータ系列ｗ（ｊ，ｋ）を作成する。

第２のデータ系列作成部１１２は、ｗ（ｊ，ｋ）、（１≦ｋ≦ｋ_１−Ｎ＋１）を、各ｊに対して、次のように定義することで、第２のデータ系列を作成する。

すなわち、１≦ｊ≦Ｎの場合、ｗ（１，ｋ）＝ｗ_１（１，ｋ）、ｗ（２，ｋ）＝ｗ_２（１，ｋ）、ｗ（３，ｋ）＝ｗ_３（１，ｋ）、・・・、ｗ（Ｎ，ｋ）＝ｗ_Ｎ（１，ｋ）とする。

次に、Ｎ＋１≦ｊ≦２Ｎの場合、ｗ（Ｎ＋１，ｋ）＝ｗ_１（２，ｋ）、ｗ（Ｎ＋２，ｋ）＝ｗ_２（２，ｋ）、ｗ（Ｎ＋３，ｋ）＝ｗ_３（２，ｋ）、・・・、ｗ（２Ｎ，ｋ）＝ｗ_Ｎ（２，ｋ）とする。

以降も同様にして、最後に、（Ｊ−１）Ｎ＋１≦ｊ≦ＪＮの場合、ｗ（（Ｊ−１）Ｎ＋１，ｋ）＝ｗ_１（Ｊ，ｋ）、ｗ（（Ｊ−１）Ｎ＋２，ｋ）＝ｗ_２（Ｊ，ｋ）、・・・、ｗ（ＪＮ，ｋ）＝ｗ_Ｎ（Ｊ，ｋ）とする。

これにより、第２のデータ系列作成部１１２により、第２のデータ系列ｗ（ｊ，ｋ）、（１≦ｊ≦ＪＮ、１≦ｋ≦ｋ_１−Ｎ＋１）が作成される。なお、上記において、ｋ_１＜Ｎ＋１である場合には、ステップＳ１５１以降の処理は行わなくもよい。

ステップＳ１５３において、指標値算出部１０８は、第２のデータ系列ｗ（ｉ，ｋ）と、「モデル作成」フェーズにおいて作成した正常モデルとに基づき所定の指標値を算出する。これにより、ステップＳ６５において、異常検知部１０９により、算出された指標値に基づいて異常が発生したか否かが判定される。

＜まとめ＞
以上により、第三の実施形態に係るプロセス監視システム１では、プロセス変数毎に、過去の計測値との相関を考慮した正常モデルが作成され、この正常モデルに基づいて異常検知を行う。これにより、本実施形態に係るプロセス監視システム１では、プロセス変数の異常な値やバッチプロセスにおける異常の発生等を、より高い精度で検知することができるようになる。

なお、本発明は、具体的に開示された上記の実施形態に限定されるものではなく、特許請求の範囲から逸脱することなく、種々の変形や変更が可能である。

１ プロセス監視システム
１０ プロセス監視装置
２０ 機器制御装置
３０ 機器
１０１ データ取得部
１０２ 平均プロファイル算出部
１０３ 標準偏差プロファイル算出部
１０４ 第１の正規化部
１０５ データ変換部
１０６ モデル作成部
１０７ 第２の正規化部
１０８ 指標値算出部
１０９ 異常検知部
１１０ 結果出力部
１２１ バッチデータ記憶部
１２２ モデル記憶部

Claims (13)

1. バッチプロセスにより処理を行う機器又は設備の時系列の運転状態を示す運転データに基づき該機器又は設備の異常を検出するプロセス監視装置であって、
   予め蓄積された前記機器又は設備の複数のバッチの運転データに基づき、該運転データに含まれる複数の状態データのそれぞれについて前記複数のバッチにおける平均と、前記複数のバッチにおける標準偏差とを算出する算出手段と、
   前記算出手段により算出された前記平均及び前記標準偏差に基づき、前記複数のバッチの運転データを正規化する第１の正規化手段と、
   前記第１の正規化手段により正規化された前記複数のバッチの運転データに基づき、前記機器又は設備の異常を検出するための正常モデルを作成するモデル作成手段と、
   前記モデル作成手段により作成された前記正常モデルと前記機器又は設備から出力された運転データとに基づき、該機器又は設備の異常を検出する異常検出手段と
   を有するプロセス監視装置。
2. 前記第１の正規化手段は、
   前記複数のバッチの運転データを、バッチ毎に、それぞれ対応する前記平均で減算した後、それぞれ対応する前記標準偏差で除算することで正規化する、請求項１に記載のプロセス監視装置。
3. 前記モデル作成手段は、
   前記第１の正規化手段により正規化された複数のバッチの運転データに基づき、該バッチ毎の時系列の運転データから得られる第１の行列データを連結して得られる第２の行列から前記正常モデルを作成する、請求項１又は２記載のプロセス監視装置。
4. 前記第１の正規化手段は、
   前記標準偏差が０である場合には、該標準偏差の値を補正する、請求項２又は３に記載のプロセス監視装置。
5. 前記異常検出手段は、
   前記モデル作成手段により作成された前記正常モデルと、前記機器又は設備から出力された運転データとに基づきＱ統計量及びＴ^２統計量を算出し、該Ｑ統計量又は該Ｔ^２統計量が所定の閾値を超えている場合に、前記異常を検出する、請求項１ないし４のいずれか１項に記載のプロセス監視装置。
6. 前記異常検出手段は、
   前記モデル作成手段により作成された前記正常モデルと、前記機器又は設備から出力された運転データとに基づきＱ統計量及びＴ^２統計量を算出し、該算出したＱ統計量及びＴ^２統計量それぞれのバッチ単位のデータ系列に基づいて算出された第１の指標値及び第２の指標値の少なくとも一方が、所定の閾値を超えている場合に、前記異常を検出する、請求項１ないし４のいずれか１項に記載のプロセス監視装置。
7. 前記平均及び前記標準偏差に基づき、前記機器又は設備から出力された運転データを正規化する第２の正規化手段を有し、
   前記異常検出手段は、
   前記正常モデルと、前記第２の正規化手段により正規化された運転データとに基づきＱ統計量及びＴ^２統計量を算出する、請求項５又は６記載のプロセス監視装置。
8. 前記第２の正規化手段は、
   前記運転データを、それぞれ対応する前記平均で減算した後、それぞれ対応する前記標準偏差で除算することで正規化する、請求項７に記載のプロセス監視装置。
9. 前記Ｑ統計量及び前記Ｔ^２統計量は、それぞれ第１の寄与度の和及び第２の寄与度の和で表され、
   前記異常検出手段は、
   前記第１の寄与度から算出される第１の分散又は前記第２の寄与度から算出される第２の分散の少なくとも一方が、予め設定された所定の値以上である場合、前記正常モデルの再作成を促すメッセージを通知する、請求項５ないし８のいずれか１項に記載のプロセス監視装置。
10. 前記モデル作成手段は、
    前記第１の正規化手段により正規化された前記複数のバッチの運転データに含まれる複数の状態データのそれぞれについて、前記状態データと、該状態データを所定の時間ずつ減算した複数の過去状態データとに基づき、複数の部分データ系列を作成し、
    作成された該複数の部分データ系列に基づき、前記正常モデルを作成する、請求項１ないし９のいずれか１項に記載のプロセス監視装置。
11. 前記モデル作成手段は、
    前記過去状態データを、前記状態データを所定の時間ずつ、予め設定された多重度に応じた回数を減算することで作成し、
    前記状態データ及び前記複数の過去状態データで共通に定義される時間の範囲のデータ系列をそれぞれ抽出することで、前記複数の部分データ系列を作成する、請求項１０に記載のプロセス監視装置。
12. バッチプロセスにより処理を行う機器又は設備の時系列の運転状態を示す運転データに基づき該機器又は設備の異常を検出するプロセス監視装置に用いられるプロセス監視方法であって、
    予め蓄積された前記機器又は設備の複数のバッチの運転データに基づき、該運転データに含まれる複数の状態データのそれぞれについて前記複数のバッチにおける平均と、前記複数のバッチにおける標準偏差とを算出する算出手順と、
    前記算出手順により算出された前記平均及び前記標準偏差に基づき、前記複数のバッチの運転データを正規化する第１の正規化手順と、
    前記第１の正規化手順により正規化された前記複数のバッチの運転データに基づき、前記機器又は設備の異常を検出するための正常モデルを作成するモデル作成手順と、
    前記モデル作成手順により作成された前記正常モデルと前記機器又は設備から出力された運転データとに基づき、該機器又は設備の異常を検出する異常検出手順と
    を有するプロセス監視方法。
13. バッチプロセスにより処理を行う機器又は設備の時系列の運転状態を示す運転データに基づき該機器又は設備の異常を検出するプロセス監視装置を、
    予め蓄積された前記機器又は設備の複数のバッチの運転データに基づき、該運転データに含まれる複数の状態データのそれぞれについて前記複数のバッチにおける平均と、前記複数のバッチにおける標準偏差とを算出する算出手段、
    前記算出手段により算出された前記平均及び前記標準偏差に基づき、前記複数のバッチの運転データを正規化する第１の正規化手段、
    前記第１の正規化手段により正規化された前記複数のバッチの運転データに基づき、前記機器又は設備の異常を検出するための正常モデルを作成するモデル作成手段と、
    前記モデル作成手段により作成された前記正常モデルと前記機器又は設備から出力された運転データとに基づき、該機器又は設備の異常を検出する異常検出手段
    として機能させるためのプログラム。

Images