JP2017033470A - Abnormality sign diagnostic device and abnormality sign diagnostic method - Google Patents
Abnormality sign diagnostic device and abnormality sign diagnostic method Download PDFInfo
- Publication number
- JP2017033470A JP2017033470A JP2015155487A JP2015155487A JP2017033470A JP 2017033470 A JP2017033470 A JP 2017033470A JP 2015155487 A JP2015155487 A JP 2015155487A JP 2015155487 A JP2015155487 A JP 2015155487A JP 2017033470 A JP2017033470 A JP 2017033470A
- Authority
- JP
- Japan
- Prior art keywords
- cluster
- sensor
- sensor data
- learning
- feature
- 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.)
- Granted
Links
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
Description
本発明は、機械設備の異常予兆の有無を診断する異常予兆診断システム等に関する。 The present invention relates to an abnormality sign diagnosis system for diagnosing the presence or absence of an abnormality sign of mechanical equipment.
機械設備に設置されたセンサの検出値等に基づいて、機械設備の異常予兆の有無を診断する技術が知られている。 A technique for diagnosing the presence or absence of an abnormality sign of a mechanical facility based on a detection value of a sensor installed in the mechanical facility or the like is known.
例えば、特許文献1には、機械設備の運転スケジュールを複数の時間帯に分割し、各時間帯ごとに時系列データをクラスタリングすることによって、機械設備の正常範囲を示すクラスタを学習し、このクラスタに基づいて機械設備の異常予兆の有無を診断する異常予兆診断装置について記載されている。 For example, in Patent Document 1, a machine facility operation schedule is divided into a plurality of time zones, and a time series data is clustered for each time zone, thereby learning a cluster indicating a normal range of the machine equipment. An abnormal sign diagnostic apparatus for diagnosing the presence / absence of an abnormal sign of mechanical equipment is described.
また、特許文献2には、監視対象プラントの温度分布を示す画像データを15分間隔で学習データとして取得し、これらの学習データに基づき、ニューラルネットワークを用いて温度変化の正常パターンを学習し、さらに、前記した正常パターンに基づいて監視対象プラントの異常の有無を識別するプラント監視装置について記載されている。
Further, in
特許文献1に記載の技術では、前記した複数の時間帯に含まれるそれぞれの時間帯において、クラスタが一括で学習される。したがって、例えば、ひとつの時間帯において所定範囲内の大きさで時系列データが急激に変動する波形でも、また、前記した所定範囲内の大きさで時系列データが緩やかに波形する波形でも、これらを区別することなく「異常予兆なし」と診断する可能性がある。 In the technique described in Patent Document 1, clusters are learned in a lump in each time zone included in the plurality of time zones described above. Therefore, for example, even in a waveform in which the time series data suddenly fluctuates with a size within a predetermined range in one time zone, or a waveform in which the time series data has a gentle waveform with a size within the predetermined range, these There is a possibility of diagnosing “no abnormal signs” without distinguishing between them.
しかしながら、特に化学プラントや製薬プラントでは、時系列データの大きさに加えて、その波形も重要視されている。時系列データの波形には、化学反応の過程や反応速度が反映されるからである。前記した2種類の波形(急激な変動、緩やかな変動)の一方が「異常予兆なし」であるならば、他方は「異常予兆あり」と診断されるべきである。したがって、特許文献1に記載の技術は、診断精度をさらに高める余地がある。 However, especially in chemical plants and pharmaceutical plants, in addition to the size of time series data, the waveform is also regarded as important. This is because the time series data waveform reflects the chemical reaction process and reaction rate. If one of the two types of waveforms (abrupt fluctuation, gentle fluctuation) is “no abnormal sign”, the other should be diagnosed as “abnormal sign”. Therefore, the technique described in Patent Document 1 has room for further improving the diagnostic accuracy.
また、特許文献2に記載の技術では、前記したように、15分間隔で取得される画像データに基づき、正常パターンが学習される。しかしながら、監視対象プラントの温度分布は時々刻々と変動しており、その時系列的な波形を正常パターンに正確に反映させようとすると、ニューラルネットワークにおける計算量が膨大になる。したがって、特許文献2に記載の技術についても、診断精度をさらに高める余地がある。
In the technique described in
そこで、本発明は、機械設備の異常予兆の有無を高精度で診断できる異常予兆診断システム等を提供することを課題とする。 Then, this invention makes it a subject to provide the abnormal sign diagnostic system etc. which can diagnose the presence or absence of the abnormal sign of a mechanical installation with high precision.
前記課題を解決するために、本発明に係る異常予兆診断システムは、所定の運転プロセスが繰り返される機械設備に設置されたセンサの検出値を含むセンサデータを取得するセンサデータ取得手段と、前記機械設備が正常であることが既知である期間のセンサデータの時系列的な波形の極値点を特徴点として抽出し、前記特徴点における前記センサの検出値と、前記特徴点のそれぞれに対応する前記運転プロセスの開始時からの経過時間と、に基づいて、前記波形の正常モデルを前記特徴点ごとに学習する学習手段と、診断対象のセンサデータにおいて、前記運転プロセスの開始時から、前記正常モデルの前記経過時間が経ったときの前記センサの検出値を特定し、当該検出値と、前記正常モデルと、の比較に基づいて、前記機械設備の異常予兆の有無を診断する診断手段と、を備えることを特徴とする。 In order to solve the above-mentioned problem, an abnormality sign diagnosis system according to the present invention includes a sensor data acquisition unit that acquires sensor data including a detection value of a sensor installed in a machine facility in which a predetermined operation process is repeated, and the machine An extreme point of a time-series waveform of sensor data in a period in which the equipment is known to be normal is extracted as a feature point, and corresponds to each of the detected value of the sensor at the feature point and the feature point. Based on the elapsed time from the start of the driving process, learning means for learning a normal model of the waveform for each feature point, and in the sensor data to be diagnosed, from the start of the driving process, the normal Identify the detected value of the sensor when the elapsed time of the model has passed, and based on the comparison between the detected value and the normal model, And diagnosis means for diagnosing the presence or absence of trillion, characterized in that it comprises a.
本発明によれば、機械設備の異常予兆の有無を高精度で診断する異常予兆診断システム等を提供できる。 ADVANTAGE OF THE INVENTION According to this invention, the abnormality sign diagnostic system etc. which diagnose with high precision the presence or absence of the abnormality sign of a mechanical installation can be provided.
≪実施形態≫
図1は、本実施形態に係る異常予兆診断システム1の構成図である。
異常予兆診断システム1は、機械設備2に設置されたセンサ(図示せず)の検出値を含むセンサデータに基づいて、機械設備2の異常予兆の有無を診断するシステムである。前記した「異常予兆」とは、機械設備2の異常が発生する前触れであり、「異常予兆診断」とは、異常予兆の有無を診断することである。
<Embodiment>
FIG. 1 is a configuration diagram of an abnormality sign diagnosis system 1 according to the present embodiment.
The abnormality sign diagnosis system 1 is a system for diagnosing presence / absence of an abnormality sign of the
以下では、異常予兆診断システム1の説明に先立って、機械設備2について簡単に説明する。機械設備2は、例えば、化学プラントであり、図示はしないが、反応器や、この反応器に化学物質を投入する装置を備えている。そして、機械設備2において所定の「運転プロセス」が繰り返されることで、各工程において所定の化学物質が生成されるようになっている。なお、機械設備2の種類はこれに限定されず、製薬プラント、生産ライン、ガスエンジン、ガスタービン、発電設備、医療設備、通信設備等であってもよい。
Hereinafter, prior to the description of the abnormality sign diagnosis system 1, the
機械設備2には、図示はしないが、所定の物理量(温度、圧力、流量、電流、電圧等)を検出するセンサが設置されている。センサによって検出された物理量は、センサデータとして、ネットワークNを介して異常予兆診断システム1に送信される。なお、センサデータには、センサの検出値、物理量を検出した日付・時刻の他に、機械設備2の識別情報、センサの識別情報、機械設備2において繰り返される「運転プロセス」の開始・終了を示す信号も含まれる。
Although not shown, the
以下では、一例として、機械設備2に設置されている複数のセンサのうち、機械設備2の異常予兆が敏感に反映される1つのセンサの検出値に基づいて、機械設備2の異常予兆の有無を診断する構成について説明する。
In the following, as an example, the presence or absence of an abnormality sign of the
図2は、センサの検出値の変化を示す波形図である。なお、図2の横軸は時刻であり、縦軸は、機械設備2に設置されているセンサ(図示せず)の検出値である。
図2に示す例では、時刻t01から時刻t02の時間帯で、機械設備2において1回目の運転プロセスが実行され、時刻t02から時刻t03の時間帯で2回目の運転プロセスが実行されている。このように所定の運転プロセスが繰り返されるため、機械設備2が正常であれば、各運転プロセスにおいてセンサの検出値が同様の(つまり、非常に似通った)波形になる。
FIG. 2 is a waveform diagram showing changes in the detection value of the sensor. Note that the horizontal axis in FIG. 2 is time, and the vertical axis is a detection value of a sensor (not shown) installed in the
In the example illustrated in FIG. 2, the first operation process is executed in the
本実施形態では、機械設備2が正常であることが既知である所定の学習期間(図2参照)に取得したセンサデータに基づき、センサデータの時系列的な波形(運転プロセスごとの波形)を正常モデルとして学習し、この正常モデルに基づいて、機械設備2の異常予兆の有無を判定するようにしている。なお、正常モデルの詳細については後記する。
In this embodiment, based on sensor data acquired during a predetermined learning period (see FIG. 2) in which the
<異常予兆診断システムの構成>
図1に示すように、異常予兆診断システム1は、通信手段11と、センサデータ取得手段12と、センサデータ記憶手段13と、データマイニング手段14と、診断結果記憶手段15と、表示制御手段16と、表示手段17と、を備えている。
<Configuration of abnormal sign diagnosis system>
As shown in FIG. 1, the abnormality sign diagnosis system 1 includes a
通信手段11は、機械設備2からネットワークNを介して、センサデータを含む情報を受信するものである。通信手段11として、例えば、TCP/IPの通信プロトコルに従って情報を受信するルータを用いることができる。
The communication means 11 receives information including sensor data from the
センサデータ取得手段12は、ネットワークNを介して通信手段11が受信した情報に含まれるセンサデータを取得し、取得したセンサデータをセンサデータ記憶手段13に格納する。
センサデータ記憶手段13には、センサデータ取得手段12によって取得されたセンサデータが、例えば、データベースとして格納されている。なお、センサデータ記憶手段13として、磁気ディスク装置、光ディスク装置、半導体記憶装置等を用いることができる。
The sensor
The sensor
データマイニング手段14は、統計的なデータ分類手法であるデータマイニングによって、センサの検出値の波形の正常モデルを学習し、この正常モデルに基づいて、機械設備2の異常予兆の有無を診断する。なお、データマイニング手段14の詳細については後記する。
The data mining means 14 learns a normal model of the waveform of the detection value of the sensor by data mining, which is a statistical data classification technique, and diagnoses the presence / absence of an abnormality sign of the
診断結果記憶手段15には、データマイニング手段14による診断結果が格納されている。この診断結果には、機械設備2の識別情報、及び異常予兆の有無が含まれる。
表示制御手段16は、データマイニング手段14の診断結果を表示するための制御信号を表示手段17に出力する。例えば、表示制御手段16は、各機械設備2の名称を行とし、診断日の日付を列として、診断結果をマトリクス形式で表示手段17に表示する。
表示手段17は、例えば、液晶ディスプレイであり、表示制御手段16から入力される制御信号に従って診断結果を表示する。
The diagnosis result storage means 15 stores the diagnosis result by the data mining means 14. This diagnosis result includes the identification information of the
The
The
図3は、異常予兆診断システム1が備えるデータマイニング手段14の構成図である。図3に示すように、データマイニング手段14は、学習手段141と、診断手段142と、を備えている。
学習手段141は、統計的なデータ分類手法の一つであるクラスタリングによって、センサの検出値の波形の正常モデルであるクラスタを生成(学習)する。前記したクラスタとは、多次元ベクトル空間においてクラスタ中心c(図6参照)及びクラスタ半径r(図6参照)で特定される領域であり、機械設備2が正常である学習期間(図2参照)に取得したセンサデータに基づいて学習される。
FIG. 3 is a configuration diagram of the data mining means 14 provided in the abnormality sign diagnosis system 1. As shown in FIG. 3, the
The learning unit 141 generates (learns) a cluster that is a normal model of the waveform of the detection value of the sensor by clustering, which is one of statistical data classification methods. The above-described cluster is an area specified by a cluster center c (see FIG. 6) and a cluster radius r (see FIG. 6) in a multidimensional vector space, and a learning period in which the
図3に示すように、学習手段141は、学習対象データ取得部141aと、特徴点抽出部141bと、特徴点記憶部141cと、クラスタ学習部141dと、学習結果記憶部141eと、を備えている。
学習対象データ取得部141aは、学習対象のセンサデータ(つまり、学習対象データ)を、センサデータ記憶手段13から取得する。すなわち、学習対象データ取得部141aは、機械設備2が正常であることが既知である学習期間(図2参照)に取得されたセンサデータを、機械設備2で繰り返される運転プロセスごとに取得する。
As shown in FIG. 3, the learning unit 141 includes a learning target
The learning target
特徴点抽出部141bは、センサデータの時系列的な波形の「特徴点」を抽出する。前記した「特徴点」には、センサデータの時系列的な波形の極大点・極小点の他に、運転プロセスの開始時・終了時の点も含まれる。なお、極大点・極小点をまとめて「極値点」ともいう。
The feature
図4は、センサデータの波形の特徴点に関する説明図である。なお、図4では、図2に示す1回目の運転プロセスにおけるセンサの検出値を図示している。
特徴点抽出部141b(図3参照)は、検出値の波形の極大点M1,M2及び極小点mを特定するとともに、1回目の運転プロセスの開始時である始点s、及び1回目の運転プロセスの終了時である終点eを特定する。そして、特徴点抽出部141bは、始点s・極大点M1・極小点m・極大点M2・終点eのそれぞれについて、センサの検出値、及び運転プロセスが開始された時刻t01からの経過時間を特定する。つまり、特徴点抽出部141bは、図4に示す検出値p1〜p5、及び経過時間Δt1〜Δt5を特定する。
FIG. 4 is an explanatory diagram regarding the feature points of the waveform of the sensor data. FIG. 4 shows the detection values of the sensors in the first operation process shown in FIG.
The feature
前記したように、センサデータには、運転プロセスの開始・終了を示す信号も含まれているため、この信号に基づいて始点s及び終点eが特定される。また、極大点M1,M2及び極小点mは、時々刻々と変化する検出値の変化速度に基づいて特定される。つまり、センサの検出値の変化速度が正から負に転じた箇所を極大点とし、負から正に転じた箇所を極小点とすればよい。 As described above, since the sensor data includes a signal indicating the start / end of the operation process, the start point s and the end point e are specified based on this signal. In addition, the local maximum points M1 and M2 and the local minimum point m are specified based on the change rate of the detected value that changes every moment. That is, a point where the change rate of the detection value of the sensor changes from positive to negative may be a maximum point, and a point where the change speed of the sensor value changes from negative to positive may be a minimum point.
特徴点抽出部141bは、図3に示す5つの特徴点の検出値p1〜p5及び経過時間Δt1〜Δt5を特徴点記憶部141cに格納する。同様にして、特徴点抽出部141bは、学習期間(図2参照)に含まれる2回目〜n回目の運転プロセスについても特徴点を抽出し、特徴点のデータ(センサの検出値、運転プロセスの開始時からの経過時間)を特徴点記憶部141cに格納する。
The feature
図5は、特徴点記憶部141cに格納されているデータの説明図である。なお、図5では、運転プロセスの始点s(図4参照)を「第1の特徴点」としている。また、極大点M1・極小点m・極大点M2・終点eについても同様に、「第2の特徴点」・「第3の特徴点」・「第4の特徴点」・「第5の特徴点」としている。
FIG. 5 is an explanatory diagram of data stored in the feature
特徴点記憶部141cには、特徴点抽出部141bによって抽出された特徴点の情報がデータベースとして格納されている。1回目の運転プロセス(図5:左端の列を参照)における特徴点のデータは、検出値p1〜p5(図4参照)及び経過時間Δt1〜Δt5(図4参照)を含んで構成される。2回目〜n回目についても同様である。これらのデータは、次に説明するクラスタ学習部141d(図3参照)において、クラスタを学習する際に用いられる。
The feature
図3に示すクラスタ学習部141dは、特徴点抽出部141bによって抽出された特徴点のそれぞれについて、クラスタを個別で学習する。例えば、機械設備2の各運転プロセスにおいて、それぞれ、始点s・極大点M1・極小点m・極大点M2・終点e(図4参照)が特徴点として抽出された場合、クラスタ学習部141dは、5つの特徴点について、それぞれ、クラスタを学習する。
The
図6は、クラスタ学習部141dによって学習されるクラスタの説明図である。なお、図6に示す軸αは、センサの検出値の正規化後の値を示す軸であり、軸βは、運転プロセスが開始されてからの経過時間の正規化後の値を示す軸である。
一回の運転プロセスにおけるセンサの検出値の波形は、2次元のベクトル空間上で、センサの検出値及び経過時間に正規化処理を施した値を成分とする特徴ベクトルで表される。ここで「正規化処理」とは、センサの検出値及び経過時間を代表値(平均値、標準偏差等)で除算するなどして無次元量化して、互いに比較可能とする処理である。
FIG. 6 is an explanatory diagram of clusters learned by the
The waveform of the detection value of the sensor in one driving process is represented by a feature vector having as a component a value obtained by normalizing the detection value of the sensor and the elapsed time in a two-dimensional vector space. Here, the “normalization process” is a process in which the detection value and elapsed time of the sensor are made dimensionless by dividing them by a representative value (average value, standard deviation, etc.) and can be compared with each other.
図6に示す●印のひとつひとつが、センサの検出値の波形に含まれる特徴点を表している。機械設備2では所定の運転プロセスが繰り返されるため、前記したように、各運転プロセスにおいて、センサの検出値の波形が似通ったものになる(図2参照)。したがって、機械設備2が正常であれば、波形を表す特徴ベクトルが密集することが多い。
Each of the ● marks shown in FIG. 6 represents a feature point included in the waveform of the detection value of the sensor. Since the predetermined operation process is repeated in the
クラスタ学習部141d(図3参照)は、(特徴点の個数)×(運転プロセスの回数)個の特徴ベクトルについて、類似する特徴ベクトルごとに複数のクラスタに分類する。以下では、一例として、非階層的クラスタリングであるk平均法を用いてクラスタを学習する場合について説明する。クラスタ学習部141dは、まず、各特徴ベクトルに対してランダムにクラスタを割り振り、割り振ったデータに基づいて各クラスタの中心(クラスタ中心c:図6参照)を算出する。クラスタ中心cは、例えば、クラスタに属する複数の特徴ベクトルの重心である。
The
次に、クラスタ学習部141dは、所定の特徴ベクトルと各クラスタ中心cとの距離を求め、この距離が最も小さくなるクラスタに当該特徴ベクトルを割り当て直す。クラスタ学習部141dは、このような処理を全ての特徴ベクトルについて実行する。そして、クラスタ学習部141dは、クラスタの割り当てが変化しなかった場合にはクラスタの生成処理を終了し、それ以外の場合には、新しく割り振られたクラスタからクラスタ中心cを再計算する。
Next, the
さらに、クラスタ学習部141dは、各クラスタについてクラスタ中心c(図6参照)の座標値と、クラスタ半径r(図6参照)と、を算出する。クラスタ半径rは、例えば、クラスタ中心cと、そのクラスタに属する特徴ベクトルと、の距離の平均値である。なお、クラスタ半径rの算出方法はこれに限定されない。例えば、クラスタに属する特徴ベクトルのうちクラスタ中心cから最も離れている特徴ベクトルを特定し、この特徴ベクトルとクラスタ中心cとの距離をクラスタ半径rとしてもよい。このようにしてクラスタ学習部141dは、センサの検出値の波形を表す正常モデルとして、クラスタを学習する。
Furthermore, the
ちなみに、図6では、一つのクラスタJを図示しているが、次に説明するように、センサの検出値の正常な波形に5つの特徴点が含まれている場合、少なくとも5つのクラスタが生成される。 Incidentally, although one cluster J is illustrated in FIG. 6, as will be described below, when the normal waveform of the detection value of the sensor includes five feature points, at least five clusters are generated. Is done.
図7は、特徴点とクラスタとの関係を示す説明図である。なお、破線は、機械設備2が正常に稼動していることが既知である学習期間(1回分の運転プロセス)に取得されたセンサデータである。実線は、学習期間が終了した後の診断期間(1回分の運転プロセス)に取得されたセンサデータである。
図7に示す例では、始点・2つの極大点・極小点・終点を含む5つの特徴点が抽出され、2次元ベクトル空間上でクラスタJ1〜J5が学習されている。なお、特徴点とクラスタとが1対1で対応している必要はなく、一つの特徴点について複数個のクラスタが学習されることもある。
FIG. 7 is an explanatory diagram showing the relationship between feature points and clusters. In addition, a broken line is the sensor data acquired in the learning period (one operation process) in which it is known that the
In the example shown in FIG. 7, five feature points including the start point, the two maximum points, the minimum point, and the end point are extracted, and the clusters J1 to J5 are learned on the two-dimensional vector space. Note that there is no need for one-to-one correspondence between feature points and clusters, and a plurality of clusters may be learned for one feature point.
図3に示す学習結果記憶部141eには、前記したクラスタに関するクラスタ情報(クラスタ中心c、クラスタ半径r)が、例えば、データベースとして格納されている。
The learning
図3に示す診断手段142は、学習手段141によって学習されたクラスタ(正常モデル)と、診断対象のセンサデータの時系列的な波形と、の比較に基づいて、機械設備2の異常予兆の有無を診断する。図3に示すように、診断手段142は、診断対象データ取得部142aと、検出値特定部142bと、異常測度算出部142cと、診断部142dと、を備えている。
3 is based on a comparison between the cluster (normal model) learned by the learning unit 141 and the time-series waveform of the sensor data to be diagnosed, and whether or not there is a sign of abnormality in the
診断対象データ取得部142aは、診断対象のセンサデータ(つまり、診断対象データ)をセンサデータ記憶手段13から取得する。すなわち、診断対象データ取得部142aは、学習期間が終了した後の診断期間(図2参照)に取得されたセンサデータを、機械設備2で繰り返される運転プロセスごとに取得する。
The diagnosis target
検出値特定部142bは、前記した5つのクラスタJ1〜J5(図7参照)のクラスタ中心を与える経過時間Δt1〜Δt5(図7参照)に基づき、診断対象データにおいて、運転プロセスが開始されてから経過時間Δt1〜Δt5が経ったときの検出値をそれぞれ特定する。例えば、検出値特定部142bは、一つ目の極大点に対応するクラスタJ2(図7参照)のクラスタ情報を読み出し、そのクラスタ中心を与える経過時間Δt2を取得する。そして、検出値特定部142bは、時系列的に変化する診断対象データの波形(実線)において、運転プロセスが開始されてから経過時間Δt2が経ったときの検出値p11を特定する。他のクラスタI1,J3〜J5についても同様にして、検出値特定部142bは、診断対象データの運転プロセスが開始されてから経過時間Δt1,Δt3〜Δt5が経ったときの検出値を特定する。
Based on the elapsed times Δt1 to Δt5 (see FIG. 7) that give the cluster centers of the five clusters J1 to J5 (see FIG. 7), the detection
図3に示す異常測度算出部142cは、検出値特定部142bによって特定された検出値に基づいて、診断対象データの異常測度uを算出する。その一例を挙げると、異常測度算出部142cは、運転プロセスが開始されてからの経過時間Δt2(図7参照)、及び、経過時間Δt2における検出値p11(図7参照)に正規化処理を施して、2次元の特徴ベクトルに変換する。そして、異常測度算出部142cは、この特徴ベクトルと、クラスタJ2(図7参照)のクラスタ情報と、に基づき、診断対象データの異常測度uを算出する。
The abnormality
より詳しく説明すると、異常測度算出部142cは、各クラスタのうち、診断対象データの特徴ベクトルに最も近いクラスタ中心c(図6参照)を有するものを特定する。さらに、異常測度算出部142cは、特定したクラスタのクラスタ中心cと、診断対象データの特徴ベクトルと、の距離d(図6参照)を求める。そして、異常測度算出部142cは、前記した距離dが、クラスタ半径r(特徴ベクトルに最も近いクラスタのクラスタ半径)に対して占める割合である異常測度uを、以下の(数式1)に基づいて算出する。
More specifically, the abnormality
u=d/r・・・(数式1) u = d / r (Equation 1)
異常測度算出部142cは、他のクラスタJ1,J3〜J5に基づく異常測度uについても同様に算出し、その算出結果を診断部142dに出力する。
The abnormality
図3に示す診断部142dは、異常測度算出部142cによって算出された異常測度uに基づき、機械設備2の異常予兆の有無を診断する。例えば、クラスタJ1〜J5に基づく異常測度uがそれぞれ1以下である場合、診断対象データはクラスタJ1〜J5のうちいずれかの領域内(つまり、正常範囲内)に存在している。したがって、診断部142dは、機械設備2について「異常予兆なし」と診断する。また、例えば、異常測度u>1の診断対象データが少なくとも一つ存在する場合、その診断対象データはクラスタの領域外(つまり、正常範囲外)に存在している。したがって、診断部142dは、機械設備2について「異常予兆あり」と診断する。
The
なお、機械設備2で繰り返される運転プロセスにおいて、異常測度uが所定閾値を超える運転プロセスが所定回数に達した場合、機械設備2に「異常予兆あり」と診断するようにしてもよい。
In the operation process repeated in the
図7に示す例では、経過時間Δt2における検出値p11が、クラスタJ2のクラスタ中心を与える検出値よりも大幅に小さくなっている。したがって、経過時間Δt2における検出値の異常測度uが1を超えて、「異常予兆あり」と診断される可能性が高い。診断部142dは、その診断結果を診断対象データに対応付けて、診断結果記憶手段15に格納する。
In the example shown in FIG. 7, the detected value p11 at the elapsed time Δt2 is significantly smaller than the detected value that gives the cluster center of the cluster J2. Therefore, there is a high possibility that the abnormality measure u of the detected value at the elapsed time Δt2 exceeds 1 and that “abnormal sign is present” is diagnosed. The
<異常予兆診断システムの動作>
図8は、異常予兆診断システム1の処理を示すフローチャートである。
ステップS101において異常予兆診断システム1は、学習手段141(図3参照)によって、学習処理を実行する。
<Operation of predictive abnormality diagnosis system>
FIG. 8 is a flowchart showing the processing of the abnormality sign diagnosis system 1.
In step S101, the abnormality sign diagnosis system 1 executes a learning process by the learning unit 141 (see FIG. 3).
図9は、学習手段141が実行する学習処理のフローチャートである。
ステップS1011において学習手段141は、学習対象データ取得部141aによって、センサデータ記憶手段13から学習対象データを取得する。つまり、学習手段141は、機械設備2が正常に稼動していることが既知である所定の学習期間(図2参照)に取得されたセンサデータのうち、1回目の運転プロセスのセンサデータを学習対象として取得する。
FIG. 9 is a flowchart of the learning process executed by the learning unit 141.
In step S1011, the learning unit 141 acquires learning target data from the sensor
ステップS1012において学習手段141は、特徴点抽出部141bによって、学習対象データの時系列的な波形の特徴点を抽出する。つまり、学習手段141は、各特徴点(図4に示す始点s・極大点M1・極小点m・極大点M2・終点e)における検出値p1〜p5及び経過時間Δt1〜Δt5を特定する。これらの検出値p1〜p5及び経過時間Δt1〜Δt5が、センサデータの正常な波形を表すデータである。
In step S1012, the learning unit 141 uses the feature
ステップS1013において学習手段141は、ステップS1012で抽出した特徴点の情報を特徴点記憶部141cに格納する。
ステップS1014において学習手段141は、学習期間(図2参照)において、特徴点が抽出されていない他の運転プロセスが存在するか否かを判定する。特徴点が抽出されていない他の運転プロセスが存在する場合(S1014:Yes)、学習手段141の処理はステップS1011に戻る。一方、学習期間に含まれる運転プロセスの全てについて特徴点を抽出した場合(S1014:No)、学習手段141の処理はステップS1015に進む。
In step S1013, the learning unit 141 stores the feature point information extracted in step S1012 in the feature
In step S1014, the learning unit 141 determines whether or not there is another driving process from which feature points are not extracted in the learning period (see FIG. 2). If there is another driving process from which feature points have not been extracted (S1014: Yes), the process of the learning unit 141 returns to step S1011. On the other hand, when the feature points are extracted for all the driving processes included in the learning period (S1014: No), the processing of the learning unit 141 proceeds to step S1015.
ステップS1015において学習手段141は、クラスタ学習部141dによって、それぞれの特徴点についてクラスタJ1〜J5(図7参照)を個別で学習する。つまり、学習手段141は、学習対象データの特徴点における検出値及び経過時間に基づき、2次元の特徴ベクトルを生成し、それぞれの特徴点についてクラスタJ1〜J5を生成する。
ステップS1016において学習手段141は、学習結果であるクラスタ情報(クラスタ中心c、クラスタ半径r)を学習結果記憶部141eに格納し、一連の学習処理を終了する(END)。
In step S1015, the learning unit 141 individually learns the clusters J1 to J5 (see FIG. 7) for each feature point by the
In step S1016, the learning unit 141 stores the cluster information (cluster center c, cluster radius r) as a learning result in the learning
図8に示すステップS101の学習処理を行ったのち、ステップS102において異常予兆診断システム1は、診断手段142(図3参照)によって、診断処理を実行する。 After performing the learning process in step S101 shown in FIG. 8, in step S102, the abnormality sign diagnosis system 1 executes the diagnosis process by the diagnosis unit 142 (see FIG. 3).
図10は、診断手段142が実行する診断処理のフローチャートである。
ステップS1021において診断手段142は、診断対象データ取得部142aによって、センサデータ記憶手段13から診断対象データを取得する。つまり、診断手段142は、学習期間が終了した後の診断期間(図2参照)に取得されたセンサデータのうち、1回目の運転プロセスのセンサデータを診断対象として取得する。
FIG. 10 is a flowchart of the diagnostic process executed by the diagnostic unit 142.
In step S1021, the diagnosis unit 142 acquires diagnosis target data from the sensor
ステップS1022において診断手段142は、学習結果記憶部141eに格納されているクラスタ情報を参照し、複数のクラスタうち一つを選択する。例えば、診断手段142は、図7に示す5つのクラスタJ1〜J5のうち、波形の始点に対応するクラスタJ1を選択する。
In step S1022, the diagnosis unit 142 refers to the cluster information stored in the learning
ステップS1023において診断手段142は、ステップS1022で選択したクラスタのクラスタ中心を与える経過時間Δt(図7参照)を、学習結果記憶部141eから読み出す。例えば、診断手段142は、図7に示すクラスタJ1のクラスタ中心を与える経過時間Δt1を学習結果記憶部141eから読み出す。
In step S1023, the diagnosis unit 142 reads the elapsed time Δt (see FIG. 7) that gives the cluster center of the cluster selected in step S1022 from the learning
ステップS1024において診断手段142は、検出値特定部142bによって、ステップS1023で読み出した経過時間Δtにおける診断対象データの検出値を特定する。例えば、診断手段142は、図7の実線で示す診断対象データについて、経過時間Δt1における検出値を特定する。
In step S1024, the diagnosis unit 142 specifies the detection value of the diagnosis target data at the elapsed time Δt read in step S1023 by the detection
ステップS1025において診断手段142は、異常測度算出部142cによって、診断対象データの異常測度uを算出する。つまり、診断手段142は、ステップS1023で読み出した経過時間Δt、及びステップS1024で特定した検出値を正規化して2次元の特徴ベクトルを生成し、学習結果記憶部141eに格納されているクラスタ情報に基づいて異常測度uを算出する。
In step S1025, the diagnosis unit 142 calculates the abnormality measure u of the diagnosis target data by using the abnormality
ステップS1026において診断手段142は、ステップS1025で算出した異常測度uを、ステップS1022で選択したクラスタに対応付けて記憶する。
ステップS1027において診断手段142は、1回分の運転プロセスで、診断に用いていないクラスタが他に存在するか否を判定する。診断に用いていないクラスタが他に存在する場合(S1027:Yes)、診断手段142の処理はステップS1022に戻る。一方、診断に用いていないクラスタが存在しない場合(S1027:No)、診断手段142の処理はステップS1028に進む。
In step S1026, the diagnosis unit 142 stores the abnormality measure u calculated in step S1025 in association with the cluster selected in step S1022.
In step S1027, the diagnosis unit 142 determines whether there is another cluster that is not used for diagnosis in the operation process for one time. If there is another cluster that is not used for diagnosis (S1027: Yes), the process of the diagnosis unit 142 returns to step S1022. On the other hand, when there is no cluster not used for diagnosis (S1027: No), the process of the diagnosis unit 142 proceeds to step S1028.
ステップS1028において診断手段142は、診断部142dによって、機械設備2の異常予兆の有無を診断する。つまり、診断手段142は、前記したように、ステップS1025で算出した複数の異常測度uに基づいて、機械設備2の異常予兆の有無を診断する。
ステップS1029において診断手段142は、ステップS1028の診断結果を診断結果記憶手段15に格納し、一連の診断処理を終了する(END)。
なお、診断結果記憶手段15に格納された情報は、表示制御手段16(図1参照)によって、表示手段17(図1参照)に表示される。
In step S1028, the diagnosis unit 142 uses the
In step S1029, the diagnosis unit 142 stores the diagnosis result of step S1028 in the diagnosis
The information stored in the diagnosis
<効果>
本実施形態によれば、繰り返される運転プロセスについて、始点・極大点・極小点・終点を含む特徴点を抽出し、各特徴点において個別でクラスタを生成することで、センサの検出値の正常な波形を学習できる。また、診断対象データにおいて、クラスタ中心cを与える経過時間でのセンサの検出値に基づき、その波形が異常であるか否か(つまり、機械設備2に異常予兆が発生しているか否か)を高精度で診断できる。
<Effect>
According to the present embodiment, for a repeated operation process, feature points including a start point, a maximum point, a minimum point, and an end point are extracted, and a cluster is individually generated at each feature point. You can learn the waveform. In the diagnosis target data, whether or not the waveform is abnormal (that is, whether or not an abnormal symptom has occurred in the mechanical equipment 2) is based on the detection value of the sensor at the elapsed time giving the cluster center c. Diagnose with high accuracy.
さらに、診断対象データの異常測度が所定閾値を超えている場合、その診断に用いられたクラスタを特定することで、異常予兆が発生したタイミングを特定できるとともに、正常時を基準とする位相ずれの時間も特定できる。 Furthermore, when the abnormality measure of the diagnosis target data exceeds a predetermined threshold, by identifying the cluster used for the diagnosis, it is possible to identify the timing at which the abnormality sign has occurred, and the phase shift based on the normal time Time can also be specified.
≪変形例≫
以上、本発明に係る異常予兆診断システム1について実施形態により説明したが、本発明はこれらの記載に限定されるものではなく、種々の変更を行うことができる。
例えば、実施形態で説明した構成に、センサデータの時系列的な波形に含まれる高調波を減衰させるフィルタ(図示せず)を追加してもよい。このような構成において、学習対象データの波形に含まれる高調波をフィルタによって減衰させ、減衰後の波形に基づき、学習手段141によってクラスタ(正常モデル)が学習される。そして、診断対象データの波形に含まれる高調波をフィルタによって減衰させ、減衰後の波形に基づき、機械設備2の異常予兆の有無が診断される。これによって、特徴点抽出部141bにおいて、徒に多くの特徴点が抽出されることを抑制できる。
≪Modification≫
As described above, the abnormality sign diagnosis system 1 according to the present invention has been described with the embodiment. However, the present invention is not limited to these descriptions, and various modifications can be made.
For example, you may add the filter (not shown) which attenuates the harmonic contained in the time-sequential waveform of sensor data to the structure demonstrated in embodiment. In such a configuration, harmonics included in the waveform of the learning target data are attenuated by the filter, and the cluster (normal model) is learned by the learning unit 141 based on the attenuated waveform. And the harmonic contained in the waveform of diagnostic object data is attenuated with a filter, and the presence or absence of the abnormality sign of the
また、例えば、特徴点抽出部141bによって、学習対象データの時系列的な波形に含まれる極値点のうち、当該極値点におけるセンサの検出値と、当該極値点を与える時刻よりも所定時間前(又は、所定時間後)におけるセンサの検出値と、の差分の絶対値が所定閾値以上であるものを特徴点として抽出するようにしてもよい。これによって、細かく変動する波形から抽出される特徴点の個数を適度に抑えることができる。
さらに、前記したフィルタ(図示せず)を併用し、フィルタによって高調波を減衰させた後の波形から極大点・極小点等を特定し、さらに、前記した絶対値に基づいて特徴点を抽出するようにしてもよい。
In addition, for example, the feature
Further, the above-described filter (not shown) is used in combination, the maximum point / minimum point is specified from the waveform after the harmonics are attenuated by the filter, and the feature point is extracted based on the absolute value described above. You may do it.
図11(a)は、機械設備2の正常時・異常予兆発生時におけるセンサの検出値の時系列的な変化を示す実験データである。なお、図11(a)の横軸は時刻であり、縦軸は、機械設備2(ガスエンジン:図示せず)に設置されている冷却水温度センサ(図示せず)の検出値である。また、図11(a)の破線は、機械設備2の正常時におけるセンサデータであり、実線は、機械設備2の異常予兆発生時におけるセンサデータである。
FIG. 11A is experimental data showing time-series changes in the detection value of the sensor when the
図11(a)の破線の丸印X1〜X7は、センサの検出値の波形の特徴点を示している。なお、実際には、波形に含まれる高調波をフィルタ(図示せず)によって減衰させ、減衰後の波形に含まれる多数の極値点のうち、その極値点を与える時刻よりも所定時間前のセンサデータと、当該極値点のセンサデータと、の差分の絶対値が所定閾値以上であるものを特徴点として抽出している(後記する図11(b)についても同様)。 Dotted circles X1 to X7 in FIG. 11A indicate the characteristic points of the waveform of the detection value of the sensor. Actually, the harmonics included in the waveform are attenuated by a filter (not shown), and among a number of extreme points included in the attenuated waveform, a predetermined time before the time at which the extreme points are given. In this case, the absolute value of the difference between the sensor data and the sensor data of the extreme point is extracted as a feature point (the same applies to FIG. 11B described later).
図11(a)に示す例では、丸印X3,X4,X6の特徴点において、実線で示すセンサの検出値が、破線で示す正常時よりも大きくなっている。そして、実施形態で説明した方法に基づいて異常測度uを算出した結果、実線で示すセンサデータについて(つまり、機械設備2であるガスエンジンにおいて)、「異常予兆あり」の診断結果が出力された。 In the example shown in FIG. 11A, at the feature points indicated by circles X3, X4, and X6, the detected value of the sensor indicated by the solid line is larger than the normal value indicated by the broken line. Then, as a result of calculating the abnormality measure u based on the method described in the embodiment, the diagnosis result “abnormal sign” is output for the sensor data indicated by the solid line (that is, in the gas engine as the mechanical equipment 2). .
図11(b)は、機械設備2の正常時・異常予兆発生時におけるセンサの検出値の時系列的な変化を示す別の実験データである。図11(b)の破線は、機械設備2の正常時におけるセンサデータであり、実線は、機械設備2の異常予兆発生時におけるセンサデータである。
図11(b)の破線の丸印X11〜X17は、センサの検出値の波形の特徴点を示している。図11(b)に示す例では、実線で示すセンサデータにおいて、丸印X13の特徴点を与える時刻が、破線で示す正常時よりも時間ΔtAだけ早くなっている(つまり、運転プロセスが開始された時刻t11からの経過時間が短い)。また、実線で示すセンサデータにおいて、丸印X17の特徴点を与える時刻が、破線で示す正常時よりも時間ΔtBだけ遅くなっている(つまり、時刻t11からの経過時間が長い)。このようなセンサデータについても、実施形態で説明した方法に基づき、「異常予兆あり」の診断結果が出力された。
FIG. 11B is another experimental data showing a time-series change in the detected value of the sensor when the
The broken circles X11 to X17 in FIG. 11B indicate the characteristic points of the waveform of the detection value of the sensor. In the example shown in FIG. 11B, in the sensor data indicated by the solid line, the time when the characteristic point of the circle X13 is given is earlier by the time Δt A than the normal time indicated by the broken line (that is, the operation process is started). The elapsed time from the time t11 is short). In the sensor data indicated by the solid line, the time at which the feature point indicated by the circle X17 is given is delayed by the time Δt B from the normal time indicated by the broken line (that is, the elapsed time from the time t11 is longer). Also for such sensor data, a diagnosis result “abnormality sign” is output based on the method described in the embodiment.
また、実施形態では、一つのセンサ(図示せず)から得られるセンサデータにおいて、センサの検出値、及び運転プロセスが開始されてからの経過時間に基づいて、2次元の特徴ベクトルを生成する場合について説明したが、これに限らない。例えば、機械設備2に設置されている複数のセンサ(図示せず)から取得されるセンサデータに基づいて、機械設備2の異常予兆の有無を診断してもよい。この場合には、例えば、事前の実験に基づいて、特徴点を抽出しやすい一つのセンサをユーザが選定しておく。そして、前記したセンサから取得されるセンサデータに基づいて、学習手段141によって複数の特徴点を抽出し、これらの特徴点を与える経過時間Δt(運転プロセスの開始時からの経過時間)をそれぞれ特定する。
そして、学習手段141は、前記した経過時間Δtにおける各センサの検出値に基づいて多次元の特徴ベクトル(その次元数は、センサの個数に等しい。)を生成し、各特徴ベクトルをクラスタリングする。つまり、学習手段141は、特徴点を与える複数の経過時間Δtごとにクラスタを学習する。そして、学習手段141は、学習結果であるクラスタの情報を、経過時間Δtに対応付けて学習結果記憶部141eに格納する。
In the embodiment, in sensor data obtained from one sensor (not shown), a two-dimensional feature vector is generated based on a detection value of the sensor and an elapsed time since the start of the driving process. However, the present invention is not limited to this. For example, based on sensor data acquired from a plurality of sensors (not shown) installed in the
The learning unit 141 generates a multidimensional feature vector (the number of dimensions is equal to the number of sensors) based on the detection value of each sensor at the elapsed time Δt, and clusters the feature vectors. That is, the learning unit 141 learns a cluster for each of a plurality of elapsed times Δt giving feature points. Then, the learning unit 141 stores the cluster information as the learning result in the learning
そして、クラスタの学習後、診断手段142は、複数の経過時間Δtのうち一つを学習結果記憶部141eから読み出す。前記したように、複数の経過時間Δtは、それぞれ、センサの検出値の正常な波形の特徴点に対応している。診断手段142は、診断対象データについて、経過時間Δtにおける検出値を各センサについて特定し、それらの検出値を正規化して多次元の特徴ベクトル(その次元数は、センサの個数に等しい。)に変換する。そして、診断手段142は、変換後の特徴ベクトルと、前記した経過時間Δtに対応するクラスタと、に基づいて異常測度uを算出し、機械設備2の異常予兆の有無を診断する。なお、異常測度uの算出方法や、異常予兆の有無の診断方法については、実施形態と同様である。このように複数のセンサを用いることで、機械設備2のどの箇所にどのような異常が発生したのかをユーザが把握できる。
After learning the cluster, the diagnosis unit 142 reads one of the plurality of elapsed times Δt from the learning
また、特徴点を抽出しやすいセンサをユーザが事前に選定することなく、学習期間における1回分の運転プロセスにおいて特徴点の個数が最も多いセンサを学習手段141によって特定し、当該センサを用いて経過時間を設定し、また、当該センサから取得されるセンサデータの特徴点に基づいてクラスタを学習するようにしてもよい。これによって、診断対象データの検出値が正常範囲から外れているか否かを、診断対象データの波形上の多数の点において判定できる。したがって、機械設備2の異常予兆の有無を高精度で診断できる。
In addition, the learning unit 141 identifies the sensor having the largest number of feature points in one driving process in the learning period without selecting a sensor that easily extracts feature points in advance, and the process using the sensor is performed. A time may be set, and a cluster may be learned based on feature points of sensor data acquired from the sensor. Thereby, it can be determined at many points on the waveform of the diagnosis target data whether or not the detection value of the diagnosis target data is out of the normal range. Therefore, the presence / absence of an abnormality sign of the
また、実施形態では、クラスタ学習部141dが非階層的クラスタリングとしてk平均法を用いてクラスタリングを行う場合について説明したが、これに限らない。すなわち、クラスタ学習部141dによる学習処理として、非階層的クラスタリングとしてファジィクラスタリングや混合密度分布法等を用いてもよい。
In the embodiment, the case where the
また、実施形態では、学習手段141が、それぞれの特徴点について、経過時間及び検出値で特定される2次元の特徴ベクトルを生成する場合について説明したが、これに限らない。すなわち、それぞれの特徴点を与える経過時間を記憶するとともに、検出値で特定される1次元の特徴ベクトル(センサが複数存在する場合には、多次元の特徴ベクトル)を生成してもよい。この場合において、特徴ベクトルに基づくクラスタ情報が、前記した経過時間に対応付けて記憶される。そして、クラスタ中心を与える経過時間での診断対象データの検出値に基づき、診断手段142によって、機械設備2の異常予兆の有無が判定される。
In the embodiment, the case where the learning unit 141 generates a two-dimensional feature vector specified by the elapsed time and the detected value for each feature point has been described. However, the present invention is not limited to this. That is, the elapsed time for giving each feature point may be stored, and a one-dimensional feature vector (multi-dimensional feature vector when there are a plurality of sensors) specified by the detection value may be generated. In this case, cluster information based on the feature vector is stored in association with the elapsed time described above. Then, based on the detection value of the diagnosis target data at the elapsed time giving the cluster center, the diagnosis unit 142 determines whether or not there is a sign of abnormality in the
また、各実施形態では、機械設備2の運転プロセスが間断なく繰り返される場合について説明したが、これに限らない。すなわち、機械設備2の運転プロセスの開始・終了が把握できればよく、所定の休止時間を挟んで運転プロセスを行うようにしてもよい。
Moreover, although each embodiment demonstrated the case where the operation process of the
また、実施形態では、「特徴点」として始点・極大点・極小点・終点を抽出する場合について説明したが、これらのうち少なくとも一つ(例えば、極大点及び極小点)を特徴点として抽出してもよい。 In the embodiment, the case where the start point, the maximum point, the minimum point, and the end point are extracted as the “feature point” has been described. However, at least one of these (for example, the maximum point and the minimum point) is extracted as the feature point. May be.
また、実施形態では、学習したクラスタをその後も保持(記憶)する構成について説明したが、これに限らない。すなわち、診断部142dによって「異常予兆なし」と診断されたセンサデータを学習対象データとして追加し、追加後の学習対象データに基づいてクラスタ中心c及びクラスタ半径rを再計算する(つまり、クラスタを再学習する)ようにしてもよい。このようにクラスタを再学習することで、機械設備2の正常状態に関する情報を徐々に増加させ、クラスタ中心c及びクラスタ半径rをより適切な値に更新できる。
また、前記したように、学習対象データを追加するたびに、既存の学習対象データのうち最も古いものを学習対象から除外するようにしてもよい。これによって、季節変化等に伴って機械設備2が経時的に変化した場合でも、この変化に追従してクラスタを更新することができ、ひいては異常予兆の診断精度を高めることができる。
In the embodiment, the configuration in which the learned cluster is retained (stored) after that has been described. However, the present invention is not limited to this. That is, the sensor data diagnosed as “no abnormality sign” by the
Further, as described above, every time learning target data is added, the oldest of the existing learning target data may be excluded from the learning target. As a result, even when the
なお、本発明は、各実施形態で説明した全ての構成を備えるものに限定されない。また、一の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、一の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、他の構成を追加・削除・置換することも可能である。 In addition, this invention is not limited to what is provided with all the structures demonstrated by each embodiment. Further, a part of the configuration of one embodiment can be replaced with the configuration of another embodiment, and the configuration of another embodiment can be added to the configuration of one embodiment. Moreover, it is also possible to add, delete, and replace other configurations for a part of the configuration of each embodiment.
また、図1、図3に示す各構成は、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等の記録媒体に格納することができる。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。 Each of the configurations shown in FIGS. 1 and 3 may be realized by hardware, for example, by designing a part or all of them with an integrated circuit. In addition, each of the above-described configurations may be realized by software by interpreting and executing a program that realizes each function by the processor. Information such as programs, tapes, and files that realize each function can be stored in a recording device such as a memory, a hard disk, or an SSD (Solid State Drive), or a recording medium such as an IC card, an SD card, or a DVD. . Further, the control lines and information lines indicate what is considered necessary for the explanation, and not all the control lines and information lines on the product are necessarily shown. Actually, it may be considered that almost all the components are connected to each other.
1 異常予兆診断システム
11 通信手段
12 センサデータ取得手段
13 センサデータ記憶手段
14 データマイニング手段
15 診断結果記憶手段
16 表示制御手段
17 表示手段
141 学習手段
141a 学習対象データ取得部
141b 特徴点抽出部
141c 特徴点記憶部
141d クラスタ学習部
141e 学習結果記憶部
142 診断手段
142a 診断対象データ取得部
142b 検出値特定部
142c 異常測度算出部
142d 診断部
2 機械設備
DESCRIPTION OF SYMBOLS 1 Abnormal sign
Claims (9)
前記機械設備が正常であることが既知である期間のセンサデータの時系列的な波形の極値点を特徴点として抽出し、前記特徴点における前記センサの検出値と、前記特徴点のそれぞれに対応する前記運転プロセスの開始時からの経過時間と、に基づいて、前記波形の正常モデルを前記特徴点ごとに学習する学習手段と、
診断対象のセンサデータにおいて、前記運転プロセスの開始時から、前記正常モデルの前記経過時間が経ったときの前記センサの検出値を特定し、当該検出値と、前記正常モデルと、の比較に基づいて、前記機械設備の異常予兆の有無を診断する診断手段と、を備えること
を特徴とする異常予兆診断システム。 Sensor data acquisition means for acquiring sensor data including detection values of sensors installed in mechanical equipment in which a predetermined operation process is repeated;
An extreme point of a time-series waveform of sensor data in a period in which the mechanical equipment is known to be normal is extracted as a feature point, and the detected value of the sensor at the feature point and each of the feature points are extracted. Learning means for learning the normal model of the waveform for each feature point based on the elapsed time from the start of the corresponding driving process;
In the sensor data to be diagnosed, the detection value of the sensor when the elapsed time of the normal model has elapsed from the start of the operation process is identified, and based on the comparison between the detection value and the normal model And a diagnostic means for diagnosing the presence or absence of an abnormal sign of the mechanical equipment.
前記学習手段によって抽出される前記特徴点には、前記運転プロセスの開始時における前記波形の始点と、前記運転プロセスの終了時における前記波形の終点と、がさらに含まれること
を特徴とする異常予兆診断システム。 In claim 1,
The feature point extracted by the learning means further includes a start point of the waveform at the start of the operation process and an end point of the waveform at the end of the operation process. Diagnostic system.
前記学習手段は、前記特徴点における前記検出値及び前記経過時間を無次元量化して互いに比較可能とする正規化処理を施した値を成分とする特徴ベクトルをクラスタリングすることによって、クラスタ中心及びクラスタ半径で表されるクラスタを前記正常モデルとして学習し、
前記診断手段は、診断対象のセンサデータにおいて、前記運転プロセスの開始時から、前記正常モデルの前記経過時間が経ったときの前記センサの検出値及び前記経過時間に正規化処理を施して特徴ベクトルに変換し、前記クラスタのうち、当該特徴ベクトルに最も近いクラスタ中心を有するものを特定し、当該クラスタのクラスタ中心と当該特徴ベクトルとの距離がクラスタ半径に対して占める割合を異常測度として算出し、前記異常測度に基づいて、前記機械設備の異常予兆の有無を診断すること
を特徴とする異常予兆診断システム。 In claim 1,
The learning means performs clustering of feature vectors whose components are normalized values that make the detected values and the elapsed time at the feature points non-dimensionally quantified and can be compared with each other, thereby obtaining cluster centers and clusters. A cluster represented by a radius is learned as the normal model,
The diagnostic means performs a normalization process on the sensor detection value and the elapsed time when the elapsed time of the normal model has elapsed from the start of the operation process in the sensor data to be diagnosed, and a feature vector The cluster having the cluster center closest to the feature vector is identified, and the ratio of the cluster center of the cluster and the feature vector to the cluster radius is calculated as an abnormal measure. An abnormality sign diagnosis system characterized by diagnosing the presence or absence of an abnormality sign of the mechanical equipment based on the abnormality measure.
前記機械設備には、複数の前記センサが設置されるとともに、複数の前記センサのうち、前記特徴点の抽出に用いる一つのセンサが選定され、
前記学習手段は、前記特徴点における前記運転プロセスの開始時からの経過時間を特定し、複数の前記センサの前記経過時間における各検出値を無次元量化して互いに比較可能とする正規化処理を施した値を成分とする特徴ベクトルをクラスタリングすることによって、クラスタ中心及びクラスタ半径で表されるクラスタを前記正常モデルとして学習し、
前記診断手段は、診断対象のセンサデータにおいて、前記運転プロセスの開始時から、前記クラスタに対応する前記経過時間が経ったときの複数の前記センサの検出値に正規化処理を施して特徴ベクトルに変換し、前記クラスタのクラスタ中心と当該特徴ベクトルとの距離がクラスタ半径に対して占める割合を異常測度として算出し、前記異常測度に基づいて、前記機械設備の異常予兆の有無を診断すること
を特徴とする異常予兆診断システム。 In claim 1,
In the mechanical equipment, a plurality of sensors are installed, and one sensor used for extracting the feature points is selected from the plurality of sensors.
The learning means identifies a time elapsed from the start of the driving process at the feature point, and performs normalization processing that makes each detected value at the elapsed time of the plurality of sensors dimensionless and can be compared with each other. By clustering feature vectors whose components are applied values, a cluster represented by a cluster center and a cluster radius is learned as the normal model,
The diagnosis means performs normalization processing on the detected values of the plurality of sensors when the elapsed time corresponding to the cluster has elapsed from the start of the driving process in the sensor data to be diagnosed, to obtain feature vectors. Converting, calculating a ratio of the distance between the cluster center of the cluster and the feature vector to the cluster radius as an abnormal measure, and diagnosing the presence or absence of an abnormal sign of the mechanical equipment based on the abnormal measure. Characteristic abnormality sign diagnosis system.
前記学習手段は、複数の前記センサのうち、1回の前記運転プロセスにおいて前記波形の極値点の個数が最も多いセンサを、前記経過時間を設定するために用いるセンサとして選定すること
を特徴とする異常予兆診断システム。 In claim 4,
The learning means selects a sensor having the largest number of extreme points of the waveform in one operation process among a plurality of the sensors as a sensor to be used for setting the elapsed time. An anomaly predictive diagnosis system.
センサデータの時系列的な波形に含まれる高調波を減衰させるフィルタを備え、
前記学習手段は、学習対象のセンサデータに含まれる高調波を前記フィルタによって減衰させた後の波形に基づいて、前記正常モデルを学習すること
を特徴とする異常予兆診断システム。 In claim 1,
With a filter that attenuates harmonics included in the time-series waveform of sensor data,
The abnormal sign diagnosis system characterized in that the learning means learns the normal model based on a waveform after the harmonics included in the sensor data to be learned are attenuated by the filter.
前記学習手段は、
学習対象のセンサデータの時系列的な波形に含まれる極値点のうち、当該極値点における検出値と、当該極値点を与える時刻よりも所定時間前又は所定時間後における検出値と、の差分の絶対値が所定閾値以上であるものを前記特徴点として抽出すること
を特徴とする異常予兆診断システム。 In claim 1,
The learning means includes
Among the extreme points included in the time-series waveform of the sensor data to be learned, the detected value at the extreme point, and the detected value before or after a predetermined time from the time at which the extreme point is given, An abnormality sign diagnosis system characterized in that an absolute value of the difference between the two is extracted as the feature point.
前記学習手段は、前記診断手段によって異常予兆なしと診断されたセンサデータを学習対象として追加し、追加したセンサデータを含めて前記正常モデルを再学習すること
を特徴とする異常予兆診断システム。 In any one of Claims 1-7,
The learning means adds sensor data diagnosed as having no abnormality sign by the diagnosis means as a learning target, and re-learns the normal model including the added sensor data.
前記機械設備が正常であることが既知である期間のセンサデータの時系列的な波形の極値点を特徴点として抽出し、前記特徴点における前記センサの検出値と、前記特徴点のそれぞれに対応する前記運転プロセスの開始時からの経過時間と、に基づいて、前記波形の正常モデルを前記特徴点ごとに学習し、
診断対象のセンサデータにおいて、前記運転プロセスの開始時から、前記正常モデルの前記経過時間が経ったときの前記センサの検出値を特定し、当該検出値と、前記正常モデルと、の比較に基づいて、前記機械設備の異常予兆の有無を診断すること
を特徴とする異常予兆診断方法。 Acquire sensor data including the detection value of the sensor installed in the mechanical equipment where the predetermined operation process is repeated,
An extreme point of a time-series waveform of sensor data in a period in which the mechanical equipment is known to be normal is extracted as a feature point, and the detected value of the sensor at the feature point and each of the feature points are extracted. Based on the corresponding elapsed time from the start of the driving process, the normal model of the waveform is learned for each feature point,
In the sensor data to be diagnosed, the detection value of the sensor when the elapsed time of the normal model has elapsed from the start of the operation process is identified, and based on the comparison between the detection value and the normal model An abnormality sign diagnosis method comprising diagnosing the presence or absence of an abnormality sign of the mechanical equipment.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015155487A JP5946572B1 (en) | 2015-08-05 | 2015-08-05 | Abnormal sign diagnosis system and abnormality sign diagnosis method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015155487A JP5946572B1 (en) | 2015-08-05 | 2015-08-05 | Abnormal sign diagnosis system and abnormality sign diagnosis method |
Publications (2)
Publication Number | Publication Date |
---|---|
JP5946572B1 JP5946572B1 (en) | 2016-07-06 |
JP2017033470A true JP2017033470A (en) | 2017-02-09 |
Family
ID=56329468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2015155487A Active JP5946572B1 (en) | 2015-08-05 | 2015-08-05 | Abnormal sign diagnosis system and abnormality sign diagnosis method |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5946572B1 (en) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019133454A (en) * | 2018-01-31 | 2019-08-08 | 大陽日酸株式会社 | Abnormality-of-apparatus detection method |
KR20190123403A (en) * | 2018-04-24 | 2019-11-01 | 현대자동차주식회사 | Apparatus, vehicle comprising the same, and control method of the vehicle |
WO2020144747A1 (en) * | 2019-01-08 | 2020-07-16 | 眞鍋造機株式会社 | Abnormality detection device, crane system, and abnormality detection method |
US11092460B2 (en) | 2017-08-04 | 2021-08-17 | Kabushiki Kaisha Toshiba | Sensor control support apparatus, sensor control support method and non-transitory computer readable medium |
US11353860B2 (en) | 2018-08-03 | 2022-06-07 | Mitsubishi Electric Corporation | Data analysis device, system, method, and recording medium storing program |
JP2022094037A (en) * | 2020-12-14 | 2022-06-24 | 横河電機株式会社 | Abnormal temperature detection device, abnormal temperature detection method, and abnormal temperature detection program |
US20230038415A1 (en) * | 2020-02-07 | 2023-02-09 | Fanuc Corporation | Diagnosis device |
DE112021005441T5 (en) | 2020-12-25 | 2023-08-10 | Fanuc Corporation | ANOMALITY CLASSIFICATION DEVICE |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6621395B2 (en) * | 2016-12-12 | 2019-12-18 | 三菱重工業株式会社 | Evaluation apparatus, evaluation method, computer program, and recording medium |
JP2020057165A (en) * | 2018-10-01 | 2020-04-09 | 株式会社椿本チエイン | Abnormality determination device, signal feature amount predictor, abnormality determination method, learning model generation method, and learning model |
US11504048B2 (en) | 2020-06-10 | 2022-11-22 | Medtronic Monitoring, Inc. | Triggering arrhythmia episodes for heart failure and chronotropic incompetence diagnosis and monitoring |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08263134A (en) * | 1995-03-27 | 1996-10-11 | Oki Electric Ind Co Ltd | Abnormality detecting method for process controller, and process controller |
JP2006073602A (en) * | 2004-08-31 | 2006-03-16 | Omron Corp | Method and device for detecting abnormality in thermal process, temperature controller, and program |
JP5684941B1 (en) * | 2014-07-31 | 2015-03-18 | 株式会社日立パワーソリューションズ | Abnormal sign diagnostic apparatus and abnormal sign diagnostic method |
JP5715288B1 (en) * | 2014-08-26 | 2015-05-07 | 株式会社日立パワーソリューションズ | Dynamic monitoring apparatus and dynamic monitoring method |
-
2015
- 2015-08-05 JP JP2015155487A patent/JP5946572B1/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08263134A (en) * | 1995-03-27 | 1996-10-11 | Oki Electric Ind Co Ltd | Abnormality detecting method for process controller, and process controller |
JP2006073602A (en) * | 2004-08-31 | 2006-03-16 | Omron Corp | Method and device for detecting abnormality in thermal process, temperature controller, and program |
JP5684941B1 (en) * | 2014-07-31 | 2015-03-18 | 株式会社日立パワーソリューションズ | Abnormal sign diagnostic apparatus and abnormal sign diagnostic method |
JP5715288B1 (en) * | 2014-08-26 | 2015-05-07 | 株式会社日立パワーソリューションズ | Dynamic monitoring apparatus and dynamic monitoring method |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11092460B2 (en) | 2017-08-04 | 2021-08-17 | Kabushiki Kaisha Toshiba | Sensor control support apparatus, sensor control support method and non-transitory computer readable medium |
JP2019133454A (en) * | 2018-01-31 | 2019-08-08 | 大陽日酸株式会社 | Abnormality-of-apparatus detection method |
KR20190123403A (en) * | 2018-04-24 | 2019-11-01 | 현대자동차주식회사 | Apparatus, vehicle comprising the same, and control method of the vehicle |
US10515280B2 (en) | 2018-04-24 | 2019-12-24 | Hyundai Motor Company | Apparatus, vehicle including the same, and control method for the same |
KR102605595B1 (en) | 2018-04-24 | 2023-11-23 | 현대자동차주식회사 | Apparatus, vehicle comprising the same, and control method of the vehicle |
US11353860B2 (en) | 2018-08-03 | 2022-06-07 | Mitsubishi Electric Corporation | Data analysis device, system, method, and recording medium storing program |
WO2020144747A1 (en) * | 2019-01-08 | 2020-07-16 | 眞鍋造機株式会社 | Abnormality detection device, crane system, and abnormality detection method |
US20230038415A1 (en) * | 2020-02-07 | 2023-02-09 | Fanuc Corporation | Diagnosis device |
JP2022094037A (en) * | 2020-12-14 | 2022-06-24 | 横河電機株式会社 | Abnormal temperature detection device, abnormal temperature detection method, and abnormal temperature detection program |
DE112021005441T5 (en) | 2020-12-25 | 2023-08-10 | Fanuc Corporation | ANOMALITY CLASSIFICATION DEVICE |
Also Published As
Publication number | Publication date |
---|---|
JP5946572B1 (en) | 2016-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5946573B1 (en) | Abnormal sign diagnosis system and abnormality sign diagnosis method | |
JP5946572B1 (en) | Abnormal sign diagnosis system and abnormality sign diagnosis method | |
JP5845374B1 (en) | Abnormal sign diagnosis system and abnormality sign diagnosis method | |
US20210334656A1 (en) | Computer-implemented method, computer program product and system for anomaly detection and/or predictive maintenance | |
US10977568B2 (en) | Information processing apparatus, diagnosis method, and program | |
JP5480440B1 (en) | Abnormal sign diagnostic apparatus and abnormal sign diagnostic method | |
JP5684941B1 (en) | Abnormal sign diagnostic apparatus and abnormal sign diagnostic method | |
JP4832609B1 (en) | Abnormal sign diagnosis device and abnormality sign diagnosis method | |
JP6361175B2 (en) | Abnormality diagnosis apparatus and program | |
JP6200833B2 (en) | Diagnostic equipment for plant and control equipment | |
JP6482817B2 (en) | Plant monitoring support system and plant monitoring support method | |
WO2016079972A1 (en) | Factor analysis apparatus, factor analysis method and recording medium, and factor analysis system | |
US11657121B2 (en) | Abnormality detection device, abnormality detection method and computer readable medium | |
JPWO2020188696A1 (en) | Anomaly detection device and abnormality detection method | |
US11941495B2 (en) | Information processing device, information processing method, and recording medium | |
JP6915693B2 (en) | System analysis method, system analyzer, and program | |
JP6973445B2 (en) | Display method, display device, and program | |
JP2017045147A (en) | Information provision device, information provision method, and program | |
JP7052914B1 (en) | Abnormality diagnosis system, abnormality diagnosis device, abnormality diagnosis method, and program | |
JP2018190262A (en) | Normality/abnormality discrimination device, normality/abnormality discrimination method, and normality/abnormality discrimination system | |
JP2017076164A (en) | Apparatus monitoring device and alert information management method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20160411 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20160524 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20160531 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5946572 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |