JP2017187820A - プロセス診断装置、プロセス診断方法及びコンピュータプログラム - Google Patents

Abstract

【課題】異常診断モデルをより適切なタイミングで更新することができるプロセス診断装置、プロセス診断方法及びコンピュータプログラムを提供することである。
【解決手段】実施形態のプロセス診断装置は、異常診断モデル構築部と、更新判定部と、モデル更新部と、を持つ。異常診断モデル構築部は、前記時系列データに基づいて前記異常診断モデルを所定の構築周期で構築する。更新判定部は、前記プロセスの異常検出に用いられている異常診断モデルであるアクティブモデルと、前記異常診断モデル構築部によって前記アクティブモデルが構築された後に構築された異常診断モデルである適用前モデルとの乖離度を前記構築周期より短い更新周期で算出し、算出された前記乖離度に基づいて前記アクティブモデルの更新要否を判定する。モデル更新部は、前記更新判定部の判定結果に応じて、前記適用前モデルで前記アクティブモデルを更新する。
【選択図】図２

Description

本発明の実施形態は、プロセス診断装置、プロセス診断方法及びコンピュータプログラムに関する。

下水処理プロセス、汚泥消化プロセス、浄水プロセス及び給配水プロセスなどの水処理又は水運用プロセスや、石油化学プロセス、鉄鋼プロセス、あるいは半導体製造プロセスといったプロセス系のプラントでは、複数の観点でプロセスの状態を監視するために種々のセンサが設置されている。プロセス監視装置（ＳＣＡＤＡ：Supervisory Control And Data Acquisition）は、プロセス系に設置されたセンサ群により取得される計測データ（例えば、流量、温度、水質、操作量などを示すデータであり、以下、「プロセスデータ」という。）を時系列に取得する。プラント管理者やオペレータは、この時系列のプロセスデータを監視することによってプロセスの状態を把握し、プロセスの運転変更や制御を行っている。時系列に取得された各々のプロセスデータには、通常、管理限界と呼ばれる上下限値が設定されており、この管理限界を超えた場合にアラームが発報される。このアラームに基づいてプラント管理者やオペレータはプラント状態を確認するとともに、プラント運用の見直しを行う。この様なアラームの発報に基づく運転管理はプラント運用の基本である。

さらに一歩進んだプラントの運転管理では、プラントの所定の性能指標に関する異常兆候を迅速にとらえて早めの対策をとることにより、生産性の向上やリスクの回避を行うことが求められる。ここでいう所定の性能指標とは、例えば、下水処理プロセスにおける放流水質、浄水プロセスにおける配水の水質、石油化学プラントや鉄鋼プラントにおける品質性能（例えば、歩留り）などである。プラント運用では、この性能指標を所望の目標値に保ち、目標値から乖離することがないようにプロセスを制御することが求められる。そのため、プラントの性能指標に関するプロセスの状態を監視し、目標とする性能指標の実現を阻害する様な状態変化や異常を素早く検知し、検知された状態変化や異常に対して迅速な対策をとることが運転管理上の重要なポイントとなる。加えて、目標とする性能指標の実現を制約とした上で省エネや省コストにつながる運用を行うためには、目標性能や省エネ、省コストに関するプロセス状態を常に良好な状態に保ち、良好な状態から逸脱しそうなプロセス状態の変化を素早く検知することも求められる。

このようなプロセス状態の変化や異常を診断する方法として、主に石油化学プロセスや鉄鋼プラントの分野で利用されてきた多変量統計解析手法に基づくＭＳＰＣ（Multi-Variate Statistical Process Control：多変量統計的プロセス管理）と呼ばれる方法が知られている。ＭＳＰＣの中で最も良く利用される手法として、ＰＣＡ（Principal Component Analysis：主成分分析）や潜在変数射影法、ＰＬＳ（Projection to Latent Structure/Partial Least Square：部分最小二乗法）などが知られている。ＭＳＰＣの主な目的は、ＰＣＡやＰＬＳなどの多変量解析手法を用いて、プラントの異常兆候の検出（Fault Detection）と、異常の要因となっているプロセスデータの種別（以下、「プロセス変数」という。）の推定（Fault Isolation）と、を行うことである。異常兆候の検出については、複数のプロセス変数の相関情報を利用することにより、一つのプロセス変数では検出できない軽微な異常の兆候を検出することが可能になる。また、異常要因の推定については、異常検出用データに対する各プロセス変数の寄与度に基づいて推定することが可能である。異常検出用データは、異常の検出に用いられるデータであり、複数のプロセス変数に基づいて取得される。例えば異常検出用データにはＱ統計量やHotellingのＴ^２統計量などが用いられる。このようなＭＳＰＣを用いた監視手法では、従来の個々のプロセス変数の管理限界に基づく単純な監視手法（例えば、生産ライン等の監視手法はＭＳＰＣに対比してＳＰＣ（Statistical Process Control）と呼ばれる場合がある）と比較して、プラント管理者やオペレータにとってより有用な監視や診断を行うことができる。

しかしながら、ＭＳＰＣを用いたプロセスの診断には、まず、ＰＣＡやＰＬＳ等の統計手法を用いて異常検出用データ（例えば、Ｑ統計量やＴ^２統計量など）を計算するための数式モデル（以下、「異常診断モデル」という。）を通常運用時のプロセスデータに基づいて構築する必要がある。この異常診断モデルは、取得されたプロセスデータを異常と判定するための基準を規定するものである。そのため、異常診断モデルは、プロセスが正常な状態で運用されている状況下（通常運用時）で取得されるプロセスデータを用いて構築されるのが一般的である。しかしながら、プラント運用においては、監視対象のプロセスデータの中にアウトライアと呼ばれる異常データが数多く含まれている場合も多い。そのため、異常診断モデルの構築においては、アウトライアを除去する前処理や、ロバスト統計を用いた、アウトライアの影響を受けにくい異常診断モデルを構築する手法を用いる必要がある。

しかしながら、実際のプラント運用では、アウトライアの影響が除去又は低減された異常診断モデルを構築することができたとしても、プラントの通常運用自体を一意的に定義することが難しい場合が多い。それは、実際のプラント運用では、プラントの運用が変更されることは珍しくなく、また、プラントの状態が季節によって変化する場合があるためである。そのため、実際のプラント運用では、どのような運転状態が通常運用であるかを一意的に定義することが本質的に困難な場合が多い。このような場合、適切なタイミングで異常診断モデルが更新されないと、運用変更や季節に応じて変化したプラント状態を適切に診断できなくなる可能性がある。具体的には、異常診断モデルが実際のプラント状態に適さなくなってくると、Ｑ統計量やＴ^２統計量が常に異常値を示す様になり、適切な異常診断を継続することができなくなる可能性がある。

このような問題を解決する方法として、逐次的又は適応的に異常診断モデルを更新する方法や、ＪＩＴ（Just in Time）モデリングと呼ばれる方法が研究されている。ＪＩＴモデリングは、直近のプロセスデータから適切なデータだけを抽出して異常診断モデルを構築する局所的な方法である。逐次的な手法や局所的な手法が有効であるケースも多いが、過度にこのような手法に依存すると、本来異常として検出すべきプロセス状態を正常として誤検出してしまう可能性がある。例えば、センサのドリフトや、プラントの異常状態への緩やかな移行などを適切に検出できなくなる可能性がある。これは、異常検出用データが局所的なプロセスデータに基づいて生成されるためであり、換言すれば、プラントの通常状態が局所的なプロセスデータに基づいて常に更新され続けることに起因する。つまり、プラントの異常状態は、通常状態に対して相対的に定義されるべきものであり、基準となる通常状態を常に更新し続けることは、異常状態の適切な検出を阻害する可能性がある。

特開２００４−３０３００７号公報 特開平０８−２４１１２１号公報

本発明が解決しようとする課題は、異常診断モデルをより適切なタイミングで更新することができるプロセス診断装置、プロセス診断方法及びコンピュータプログラムを提供することである。

実施形態のプロセス診断装置は、診断対象のプロセスの状態を示す種々の時系列データの多変量解析によって構築される異常診断モデルに基づいて、前記プロセスの異常を所定の診断周期で検出するプロセス診断装置である。プロセス診断装置は、異常診断モデル構築部と、更新判定部と、モデル更新部と、を持つ。異常診断モデル構築部は、前記時系列データに基づいて前記異常診断モデルを所定の構築周期で構築する。更新判定部は、前記プロセスの異常検出に用いられている異常診断モデルであるアクティブモデルと、前記異常診断モデル構築部によって前記アクティブモデルが構築された後に構築された異常診断モデルである適用前モデルとの乖離度を前記構築周期より短い更新周期で算出し、算出された前記乖離度に基づいて前記アクティブモデルの更新要否を判定する。モデル更新部は、前記更新判定部の判定結果に応じて、前記適用前モデルで前記アクティブモデルを更新する。

第１の実施形態のプロセス診断装置２の構成の概略を示す図。 第１の実施形態のプロセス診断装置２の機能構成の詳細を示すブロック図。 第２の実施形態のプロセス診断装置２ａの機能構成の詳細を示すブロック図。 第３の実施形態のプロセス診断装置２ｂの機能構成の詳細を示すブロック図。 運用変更によるプロセスデータの変化の具体例を示す図。 第４の実施形態のプロセス診断装置２ｃの機能構成の詳細を示すブロック図。

以下、実施形態のプロセス診断装置、プロセス診断方法及びコンピュータプログラムを、図面を参照して説明する。

（第１の実施形態）
図１は、第１の実施形態のプロセス診断装置２の構成の概略を示す図である。図１は、プロセス診断装置２の診断対象が下水高度処理プロセス１である具体例を示している。下水高度処理プロセス１は、下水から窒素及びリンを除去することを目的としたプロセスである。下水高度処理プロセス１は、最初沈澱池１０１、嫌気槽１０２、無酸素槽１０３、好気槽１０４及び最終沈澱池１０５を有する。処理対象の下水（以下、「被処理水」という。）は、最初沈澱池１０１、嫌気槽１０２、無酸素槽１０３、好気槽１０４、最終沈澱池１０５の順に送水され処理される。

最初沈澱池１０１は、下水高度処理プロセス１に送られてくる被処理水の貯水池である。最初沈澱池１０１では、沈殿により比重の重い固形物が被処理水から分離される。嫌気槽１０２は、有機物を分解する微生物を被処理水に投入するとともに、微生物の脱リンを行うための水槽である。嫌気槽１０２において、被処理水は空気が供給されない状態で攪拌される。これにより、微生物に体内のリンを吐き出させる。一般にこの処理をリン吐出という。嫌気槽でのリン吐出と、後述する好気槽でのリンの吸収とにより微生物の体内にリンを蓄積させ、リンを蓄積した微生物を含む汚泥の分離によりリンを除去する一連の課程を脱リンという。無酸素槽１０３は、被処理水から窒素を除去するための水槽である。具体的には、無酸素槽１０３では、後段の好気槽１０４から戻された被処理水が嫌気槽１０２から送られてきた被処理水に混ぜられ、空気を供給されない状態で攪拌される。無酸素槽１０３では、微生物の働きにより被処理水中の硝酸が窒素に分解され、大気に放出される。一般にこの処理を脱窒という。

好気槽１０４は、被処理水中の有機物の分解と、リンの除去及びアンモニアの硝化とを行うための水槽である。具体的には、被処理水に空気を供給して微生物を活性化させ、微生物に有機物を分解させるとともに、微生物に被処理水中のリンを吸収させる。脱リン状態の微生物は活性化されることにより脱リンで吐き出した以上のリンを吸収するため、被処理水中のリンが除去される。また、好気槽１０４では、被処理水に空気が供給されることによりアンモニアが硝酸に分解される。一般にこの処理を硝化という。

最終沈殿池１０５は、リンの除去及びアンモニアの硝化が行われた被処理水の貯水池である。最終沈澱池１０５では沈殿によって被処理水に残存する固形物が分離され、上澄みの清澄水が処理済みの水として放流される。

最初沈澱池余剰汚泥引き抜きポンプ１１１は、最初沈澱池１０１から沈殿した汚泥を引き抜いて除去するポンプである。最初沈澱池余剰汚泥引き抜きポンプ１１１は、引き抜いた汚泥の流量を計測する流量センサを有する。

ブロワ１１２は、好気槽１０４に酸素を供給する送風機である。ブロワ１１２は、供給した空気の流量を計測する流量センサを有する。

循環ポンプ１１３は、被処理水を好気槽１０４から無酸素槽１０３に返送するポンプである。循環ポンプ１１３は、返送した被処理水の流量を計測する流量センサを有する。

返送汚泥ポンプ１１４は、最終沈澱池１０５から沈殿した汚泥の一部を引き抜いて嫌気槽１０２に返送するポンプである。返送汚泥ポンプ１１４は、返送した汚泥の流量を計測する流量センサを有する。

最終沈澱池余剰汚泥引き抜きポンプ１１５は、最終沈澱池１０５から沈殿した汚泥を引き抜いて除去するポンプである。最終沈澱池余剰汚泥引き抜きポンプ１１５は、引き抜いた汚泥の流量を計測する流量センサを有する。

雨量センサ１２１は、下水高度処理プロセス１に流入する付近の雨量を計測するセンサである。下水流入量センサ１２２は、下水高度処理プロセス１に流入する下水（以下、「流入下水」という。）の流量を計測するセンサである。流入ＴＮセンサ１２３は、流入下水に含まれる全窒素量（ＴＮ）を計測するセンサである。流入ＴＰセンサ１２４は、流入下水に含まれる全リン量（ＴＰ）を計測するセンサである。流入有機物センサ１２５は、流入下水に含まれる有機物量を計測するＵＶ（吸光度）センサ又はＣＯＤ（化学的酸素要求量）センサである。

ＯＲＰセンサ１２６は、嫌気槽１０２のＯＲＰ（酸化−還元電位）を計測するセンサである。嫌気槽ｐＨセンサ１２７は、嫌気槽１０２のｐＨを計測するセンサである。無酸素槽ＯＲＰセンサ１２８は、無酸素槽１０３のＯＲＰを計測するセンサである。無酸素槽ｐＨセンサ１２９は、無酸素槽１０３のｐＨを計測するセンサである。リン酸センサ１３０は、好気槽１０４のリン酸濃度を計測するセンサである。ＤＯセンサ１３１は、好気槽１０４の溶存酸素濃度（ＤＯ）を計測するセンサである。アンモニアセンサ１３２は、好気槽１０４のアンモニア濃度を計測するセンサである。ＭＬＳＳセンサ１３３は、嫌気槽１０２、無酸素槽１０３又は好気槽１０４の少なくとも一箇所で活性汚泥濃度（ＭＬＳＳ）を計測するセンサである。

水温センサ１３４は、無酸素槽１０３又は好気槽１０４の少なくとも一箇所で水温を計測するセンサである。余剰汚泥ＳＳセンサ１３５は、最終沈澱池１０５から引き抜かれる汚泥の固形物（ＳＳ）濃度を計測するセンサである。放流ＳＳセンサ１３６は、最終沈殿池１０５から放流される水のＳＳ濃度を計測するセンサである。汚泥界面センサ１３７は、最終沈殿池１０５の汚泥界面レベルを計測するセンサである。下水放流量センサ１３８は、放流水の流量を計測するセンサである。放流ＴＮセンサ１３９は、放流水に含まれる全窒素量を計測するセンサである。放流ＴＰセンサ１４０は、放流水に含まれる全リン量を計測するセンサである。放流有機物センサ１４１は、放流水に含まれる有機物量を計測するＵＶセンサ又はＣＯＤセンサである。

なお、上記の最初沈澱池余剰汚泥引き抜きポンプ１１１、ブロワ１１２、循環ポンプ１１３、返送汚泥ポンプ１１４及び最終沈澱池余剰汚泥引き抜きポンプ１１５のそれぞれは所定周期の制御で動作する。また、最初沈澱池余剰汚泥引き抜きポンプ１１１、ブロワ１１２、循環ポンプ１１３、返送汚泥ポンプ１１４及び最終沈澱池余剰汚泥引き抜きポンプ１１５のそれぞれが有する流量センサを含む上記の各センサは、所定周期でセンシング対象を計測する。以下、最初沈澱池余剰汚泥引き抜きポンプ１１１、ブロワ１１２、循環ポンプ１１３、返送汚泥ポンプ１１４及び最終沈澱池余剰汚泥引き抜きポンプ１１５のそれぞれが有する流量センサを総称して操作量センサと称し、その他のセンサを総称してプロセスセンサと称する。各操作量センサ及び各プロセスセンサは、所定周期のセンシングによって得られた計測データをプロセスデータとしてプロセス診断装置２に送信する。

プロセス診断装置２は、バスで接続されたＣＰＵ（Central Processing Unit）やメモリや補助記憶装置などを備え、診断装置プログラムを実行する。プロセス診断装置２は、診断装置プログラムの実行によってデータ収集部２０１、収集データ保存部２０２、データ抽出部２０３、異常診断モデル構築部２０４、最新モデルバッファ部２０５、診断モデル保存部２０６、アクティブモデルバッファ部２０７、異常診断部２０８、診断結果保存部２０９、異常診断モデル更新部２１０及び診断結果提供部２１１を備える装置として機能する。なお、プロセス診断装置２の各機能の全て又は一部は、ＡＳＩＣ（Application Specific Integrated Circuit）やＰＬＤ（Programmable Logic Device）やＦＰＧＡ（Field Programmable Gate Array）等のハードウェアを用いて実現されてもよい。診断装置プログラムは、コンピュータ読み取り可能な記録媒体に記録されてもよい。コンピュータ読み取り可能な記録媒体とは、例えばフレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ−ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置である。診断装置プログラムは、電気通信回線を介して送信されてもよい。

データ収集部２０１は、各操作量センサ及び各プロセスセンサからプロセスデータを取得する。データ収集部２０１は、取得されたプロセスデータを収集データ保存部２０２に保存する。
収集データ保存部２０２は、磁気ハードディスク装置や半導体記憶装置などの記憶装置を用いて構成される。収集データ保存部２０２は、データ収集部２０１によって収集されたプロセスデータを記憶する。

データ抽出部２０３は、収集データ保存部２０２に保存されたプロセスデータから、異常診断に必要なデータ（以下、「診断用データ」という。）と、異常診断モデルの構築に必要なデータ（以下、「構築用データ」という。）と、を抽出する。具体的には、診断用データは過去の所定期間ごとに抽出されるプロセスデータであり、構築用データは過去の所定期間のプロセスデータがよりリアルタイムに近い周期で抽出されるプロセスデータである。データ抽出部２０３は、抽出した構築用データを異常診断モデル構築部２０４に出力し、抽出した診断用データを異常診断部２０８に出力する。

異常診断モデル構築部２０４は、データ抽出部２０３から出力された構築用データに基づいて異常診断モデルを構築する。異常診断モデル構築部２０４は、構築した異常診断モデルを最新モデルバッファ部２０５に出力する。

最新モデルバッファ部２０５は、磁気ハードディスク装置や半導体記憶装置などの記憶装置を備え、異常診断モデル構築部２０４によって構築された最新の異常診断モデル（以下、「最新モデル」という。）を記憶するとともに、診断モデル保存部２０６に保存する。最新モデルバッファ部２０５は、自身が記憶する最新モデルを異常診断モデル更新部２１０に出力する。

診断モデル保存部２０６は、磁気ハードディスク装置や半導体記憶装置などの記憶装置を用いて構成される。診断モデル保存部２０６は、最新モデルバッファ部２０５から出力された最新モデルを記憶する。診断モデル保存部２０６は、所定期間ごとの構築用データに基づいて構築された最新モデルを時系列に蓄積していく。

アクティブモデルバッファ部２０７は、磁気ハードディスク装置や半導体記憶装置などの記憶装置を備え、現在の異常診断に用いられている異常診断モデル（以下、「アクティブモデル」という。）を記憶するとともに、自身が記憶するアクティブモデルを異常診断部２０８及び異常診断モデル更新部２１０に出力する。なお、アクティブモデルの初期値には、自装置の動作開始後に最初に構築された異常診断モデルが設定されてもよいし、自装置においてアクティブモデルの初期値として予め登録された異常診断モデルが設定されてもよい。

異常診断部２０８は、データ抽出部２０３によって抽出されたリアルタイムの診断用データと、アクティブモデルバッファ部２０７から出力されたアクティブモデルとに基づいて、所定の監視周期で診断対象のプロセス状態を診断する。異常診断部２０８は、プロセス状態の診断結果を診断結果保存部２０９に保存する。

診断結果保存部２０９は、磁気ハードディスク装置や半導体記憶装置などの記憶装置を用いて構成される。診断結果保存部２０９は、異常診断部２０８の診断結果を記憶する。診断結果保存部２０９は、リアルタイムの診断用データに基づく診断結果を時系列に蓄積していく。

異常診断モデル更新部２１０は、最新モデルバッファ部２０５から出力された最新モデルと、アクティブモデルバッファ部２０７から出力されたアクティブモデルとに基づいて、アクティブモデルを更新すべきか否かを判定する。異常診断モデル更新部２１０は、アクティブモデルを更新すべきと判定した場合、アクティブモデルを最新モデルで更新する。

診断結果提供部２１１は、診断結果保存部２０９に蓄積された診断結果をユーザ（プラント管理者やオペレータ）に提供する。プロセス診断装置２がＣＲＴ（Cathode Ray Tube）ディスプレイや液晶ディスプレイ、有機ＥＬ（Electro-Luminescence）ディスプレイ等の表示部を有する場合、診断結果提供部２１１は表示部に診断結果を表示させてもよい。また、プロセス診断装置２がユーザ端末との通信が可能な通信部を備える場合、診断結果提供部２１１は通信部を介して診断結果をユーザ端末に送信してもよい。この場合、診断結果提供部２１１は、所定のタイミングで診断結果を送信してもよいし、ユーザ端末からの要求に応じて診断結果を送信してもよい。

図２は、第１の実施形態のプロセス診断装置２の機能構成の詳細を示すブロック図である。異常診断モデル構築部２０４は、正規化部２２１と、モデル構築部２２２とを備える。正規化部２２１は、データ抽出部２０３によって抽出された所定期間のごとの構築用データを、各プロセス変数ごと位置母数（平均やメジアンなど）及び尺度母数（標準偏差やＭＡＤ（Median Absolute Deviation）など）に基づいて正規化する。

モデル構築部２２２は、多変量統計的プロセス管理（ＭＳＰＣ）手法により、各プロセス変数ごとに正規化された構築用データに基づいて異常診断モデルを構築する。具体的には、異常診断モデルは、構築用データについてローディング行列やスコア行列などを求める数式の集合として構築される。

また、異常診断モデル更新部２１０は、更新判定部２３１と、モデル更新部２３２とを備える。更新判定部２３１は、最新モデルとアクティブモデルとに基づいてアクティブモデルを更新すべきか否かを判定する。モデル更新部２３２は、更新判定部２３１がアクティブモデルを更新すべきと判定した場合に、アクティブモデルを最新モデルで更新する。

具体的には、更新判定部２３１は、アクティブモデルを更新すべきか否かを４つの判定部（第１判定部２４１、第２判定部２４２、第３判定部２４３及び第４判定部２４４）を備える。更新判定部２３１が備える４つの判定部は、いずれも異常診断モデルに関する所定の指標値に基づいて算出される最新モデルとアクティブモデルとの乖離度に基づいてアクティブモデルの更新要否を判定する。

第１判定部２４１は、各プロセス変数の位置母数のずれに基づいて乖離度を算出する。第２判定部２４２は、各プロセス変数の尺度母数のずれに基づいて乖離度を算出する。第３判定部２４３は、多変量解析手法によって算出されるローディング行列のずれに基づいて乖離度を算出する。第４判定部２４４は、多変量解析手法によって算出される寄与量ベクトル（スコア行列に相当）のずれに基づいて乖離度を算出する。更新判定部２３１は、上記４つの判定部によって算出された乖離度に基づいてアクティブモデルの更新要否を判定しモデル更新部２３２に出力する。モデル更新部２３２は、更新判定部２３１から出力されたアクティブモデルの更新要否に応じてアクティブモデルを最新モデルで更新する。

以下、第１の実施形態のプロセス診断装置２における異常診断モデルの更新方法について詳細に説明する。

［異常診断モデルの構築］
始めに、異常診断モデルの構築方法について説明する。まず、データ抽出部２０３は、所定周期Ｔ_Ｌごとに、蓄積されたプロセスデータの中から所定期間Ｌに取得されたプロセスデータを取得する。例えば、プロセスを過去１週間の傾向に基づいて１日ごとに制御する場合、Ｔ_Ｌ＝１日、Ｌ＝７日（１週間）となる。構築用データの抽出を毎日０時に実行するように指定した場合、毎日０時に過去１週間分のプロセスデータが構築用データとして抽出される。このように抽出されるデータセットをＺ_ｋ（ｋ＝１、２、…）として識別する。ここで、ｋは周期Ｔ_Ｌで時系列に収集されたプロセスデータの識別番号である。例えば、動作開始初日がｋ＝１に対応し、翌日がｋ＝２に対応する。

例えば、このＺ_ｋは行列で表され、変数の数に応じた列数と時系列に応じた行数とを持つ。診断対象を上記の下水高度処理プロセス１とした場合、上記行列の列数は操作量センサで計測されるプロセス変数の数（５）とプロセスセンサで計測されるプロセス変数の数（２１）を合わせた２６となる。また、例えば、各センサの計測周期が１分の場合、上記行列の行数は１００８０（＝６０［分］×２４［時間］×７［日］）となる。以下の説明では、行列Ｚ_ｋの行数をｎ、列数をｍと記載する。
また、以下の説明では、周期Ｔ_Ｌで収集されるプロセスデータを識別する必要が無い場合は、行列Ｚ_ｋを添え字ｋを省略したＺと記載する場合がある。

続いて、異常診断モデル構築部２０４は、多変量解析手法（例えば、ＰＣＡやＰＬＳ）により構築用データＺから異常診断モデルを構築する。具体的には、ＰＣＡやＰＬＳにより、構築用データＺからＱ統計量やＴ^２統計量などの異常検出用データを生成する。なお、構築用データＺにおいてアウトライア等の異常データが多数含まれる場合には、ロバスト性を考慮して拡張されたロバストＰＣＡやロバストＰＬＳなどの手法が用いられても良い。

また、各プロセス変数間に強い非線形の相関が想定される場合には、データ間の非線形を考慮して拡張されたカーネルＰＣＡやカーネルＰＬＳなどの手法が用いられても良い。また、プロセス変数の数mが極めて大きくなる場合には、診断に必要なプロセス変数を選択可能なスパースＰＣＡやスパースＰＬＳなどの手法が用いられても良い。このように、ＰＣＡやＰＬＳには、その目的に応じて多様なバリエーションがあるが、本実施形態に用いられる多変量解析手法としては、以下に述べるローディング行列及びスコア行列を定義することができる手法であれば他のどのような手法であってもよい。以下では、一例として、一般的なＰＣＡを用いた異常検出用データの生成方法について説明する。

まず、ＰＣＡの適用の前処理として、正規化部２２１がプロセス変数ごとの構築用データＺを正規化する。例えば、構築用データＺを正規化は次の式（１）によって表される。

式（１）において、ｉは行列Ｚの列数を表し、ｘ_ｉは正規化後の行列の列ベクトルを表す。ｚ_ｉは行列Ｚの列ベクトルを表す。すなわち行列Ｚ＝［ｚ_１、ｚ_２、…、ｚ_ｍ］と表せる。μ_ｉ及びσ_ｉは列ベクトルｚ_ｉの位置母数及び尺度母数であり、典型的には平均及び標準偏差である。なお、構築用データに異常データが含まれることを想定する場合には、位置母数として中央値（メジアン）などが用いられてもよいし、尺度母数として中央値絶対偏差（ＭＡＤ）などが用いられても良い。また、この場合、ある割合のデータを除去して平均や標準偏差を求める刈り込み平均や刈り込み標準偏差などが用いても良い。以上のようにして正規化された構築用データＸを次の式（２）で定義する。

次に、行列ＸにＰＣＡを適用することにより次の式（３）を満たすローディング行列Ｐ_ａ及びスコア行列Ｔ_ａを取得する。

スコア行列Ｔ_ａは実数集合であり（Ｔ_ａ∈Ｒ）、ｎ行ｍ列の行列となる。スコア行列Ｔ_ａの行数ｎは構築用データのサンプル数に対応し、列数ｍは主成分の数に対応する。ローディング行列Ｐ_ａは実数集合であり（Ｐ_ａ∈Ｒ）、ｍ行ｍ列の行列となる。ローディング行列Ｐ_ａの行数ｍはプロセス変数の数に対応し、列数ｍは主成分の数に対応する。ローディング行列Ｐ_ａはプロセス変数と主成分との関係を示す。行列Ｔは、スコア行列Ｔ_ａのｍ個の列のうちのｐ（＜＜ｍ）個からなる部分行列である。同様に、行列Ｐは、ローディング行列Ｐ_ａのｍ個の列のうちのｐ（＜＜ｍ）個からなる部分行列である。このｐは、ローディング行列Ｐ_ａが有するｍ個の列のうち、Ｑ統計量及びＴ^２統計量の算出にどれだけの量のプロセスデータを使用するかを調整するためのパラメータである。具体的には、この場合、Ｑ統計量及びＴ^２統計量の算出にはｐ列分のプロセスデータが使用され、ｍ−ｐ列分のプロセスデータは切り捨てられる。このように、取得されるプロセスデータを一部切り捨てて算出することにより、Ｑ統計量及びＴ^２統計量の算出に要する計算負荷を低減することができる。このようなデータの切り捨ては多変量解析の分野で一般的に用いられる手法であり、この調整パラメータｐは打ち切り次数と呼ばれる。

また、誤差行列Ｅは実数集合であり（Ｅ∈Ｒ）、ｎ行ｍ列の行列である。誤差行列Ｅの行数ｎは上記のサンプル数に対応し、列数ｍはプロセス変数の数に対応する。以下では、スコア行列Ｔ_ａとその部分行列Ｔとを区別するため、前者を全スコア行列と称し、後者をスコア行列と称する。同様に、行列Ｐ_ａを全ローディング行列と称し、行列Ｐをローディング行列と称する。

ここで、異常診断モデルの構成要素となるＱ統計量及びＴ^２統計量は、上記のローディング行列Ｐと、スコア行列Ｔから導出されるΛとを用いて次の式（４）及び式（５）のように定義される。

式（４）におけるＱ（ｘ（ｔ））は行列Ｘのｔ（１≦ｔ≦ｍ）番目の要素であるｘ（ｔ）に関するＱ統計量を表し、Ｉは適当なサイズの単位行列である。また、式（５）におけるＴ^２（ｘ（ｔ））はｘ（ｔ）に関するＴ^２統計量を表し、Λはその対角要素がＴ^Ｔ×Ｔの固有値の集合からなる対角行列である。これらの固有値は、主成分分析における各主成分方向の分散を表す。ｔ（ｔ）及びＳは次の式（６）及び式（７）によって得られる値である。

このように、Ｑ統計量及びＴ^２統計量は、ローディング行列Ｐとスコア行列Ｔとに基づいて算出される。一方で、式（５）が示すように、Ｔ^２統計量は構築用データｘ（ｔ）と、ローディング行列Ｐと、Λとで表すことができる。一般に、主成分分析において、固有値は各主成分の説明能力（説明力ともいう）の高さを表すとされており、この固有値に基づいて、各主成分が現象に寄与している度合いを示す寄与率が求められる。この寄与率の算出のため、固有値を示すΛの対角成分のみを抽出した寄与量ベクトルλを次の式（６）のように定義する。

以上のことから、異常診断モデルには少なくともローディング行列Ｐと寄与量ベクトルλが算出可能であればよいことが分かる。そのため、異常診断モデルの構築手法には、ローディング行列Ｐ及びスコア行列Ｔを算出可能であれば、ＰＣＡやＰＬＳに限らず他のどのような多変量解析手法が用いられても良い。なお、本実施形態のプロセス診断装置２では、アクティブモデルの更新要否の判断にプロセスデータの位置母数及び尺度母数を用いる。そのため、異常診断モデル構築部２０４は、ローディング行列Ｐ、寄与量ベクトルλ、位置母数μ及び尺度母数σを異常診断モデルの構成要素として取得する。ここで、位置母数μ及び尺度母数σを次の式（７）及び式（８）のように定義する。

式（７）において、μ_ｔ（１≦ｔ≦ｍ）は構築用データＸのｔ番目の要素についての位置母数を表す。式（８）において、σ_ｔ（１≦ｔ≦ｍ）は構築用データＸのｔ番目の要素についての尺度母数を表す。

［異常診断モデルを用いた異常診断］
次に、異常診断モデルを用いた異常診断方法について説明する。異常診断部２０８は、データ抽出部２０３からリアルタイムに出力される診断用データと、アクティブモデルバッファ部２０７に保持されているアクティブモデルとに基づいて対象プロセスの異常診断を行う。具体的には、異常診断部２０８は、診断用データから取得されるＱ統計量及びＴ^２統計量を、予め設定された所定の閾値と比較することによりプロセスの異常を診断する。この閾値は、プロセスの状態変化の検出や異常兆候の検出に大きく関わるパラメータであるため、その設定方法は重要である。以下、この閾値の設定方法について説明する。

この閾値の代表的な設定方法として、Ｑ統計量の統計的信頼限界値とＴ^２統計量に関する統計的信頼限界値を用いる方法がある。この場合、Ｑ統計量の統計的信頼限界値Ｑ_{ｌｉｍｉｔ}は次の式（９）のように表される。

式（９）におけるｐは構築用データの打ち切り次数である。ｃ_αは、信頼区間の限界が１−αである場合における標準正規分布の標準偏差のずれである。例えば、α＝０．０１の場合のｃ_αは２．５３であり、α＝０．０５の場合のｃ_αは１．９６である。また、λ_ｉは上述の寄与量ベクトルの各要素を表す。すなわち、上記のΘ_ｉは打ち切られた構築用データに対応する寄与量ベクトルの要素のｉ乗和である。一方、Ｔ^２統計量の統計的信頼限界値Ｔ^２ _{ｌｉｍｉｔ}は次の式（１０）のように表される。

式（９）同様に、式（１０）におけるｐは構築用データの打ち切り次数である。ｎは構築用データの全データ数である。Ｆ（ｐ，ｎ−ｐ，α）は、自由度が（ｐ，ｎ−ｐ）であり、信頼限界をαとした場合のＦ分布である。一般的には、α＝０．０１又は０．０５とされることが多い。

ＭＳＰＣを用いたプロセスの異常診断では、構築用データに代えて診断用データを式（４）及び式（５）に適用して得られるＱ統計量及びＴ^２統計量を、式（９）及び式（１０）で予め決定された統計的信頼限界値と比較することによりプロセスの異常が検出される。さらに、異常が検出された場合には、異常診断に用いられたプロセス変数が、検出された異常に与える影響力（すなわち説明能力）の大きさを示す寄与量を算出することで、検出された異常に大きな影響を与えているプロセス変数の推定や、異常検出の妥当性の判断などが行われる。なお、寄与量は式（４）及び式（５）から取得することが可能であるが、このような寄与量の取得は多変量解析の分野で一般的な手法である。そのため、ここでは寄与量の算出方法の詳細な説明を省略する。

以上により、ＭＳＰＣに基づく異常診断モデルは、各プロセス変数の正規化パラメータである位置母数及び尺度母数と、Ｑ統計量及びＴ^２統計量と、Ｑ統計量及びＴ^２統計量の統計的信頼限界値と、各統計的信頼限界値に対する各プロセス変数の寄与量と、で構成されることが分かる。Ｑ統計量、Ｔ^２統計量、各統計量の統計的信頼限界値及び各プロセス変数の寄与量の取得には、式（４）、式（５）、式（９）及び式（１０）から、ローディング行列Ｐと、Λと、データ数ｎと、プロセス変数の数ｍと、打ち切り次数ｐとが必要であることが分かる。これらのうち、データ数ｎ及びプロセス変数の数ｍは通常、変化しない固定値である。また一般に、打ち切り次数ｐはΛに基づいて決定される。すなわち、異常診断モデルに必要な情報は、ローディング行列Ｐ及びΛということになる。

［異常診断モデルの更新］
最新モデルバッファ部２０５は、周期Ｔ_Ｌごとに構築される最新の異常診断モデル（最新モデル）を保持するとともに、診断モデル保存部２０６に保存する。診断モデル保存部２０６には、構築された最新モデルが順次保存されていくことにより、過去に構築された異常診断モデルが蓄積される。異常診断モデル更新部２１０は、最新モデルバッファ部２０５からその時点における最新モデルを取得するとともに、アクティブモデルバッファ部２０７からその時点におけるアクティブモデルを取得し、更新判定部２３１に出力する。更新判定部２３１は、取得された最新モデル及びアクティブモデルを第１判定部２４１〜第４判定部２４４にそれぞれ出力する。

＜１．位置母数に基づく判定＞
第１判定部２４１は、最新モデルの位置母数とアクティブモデルの位置母数との乖離度を算出し、算出された乖離度を所定の閾値と比較することによりアクティブモデルの更新要否を判定する。位置母数は、各プロセス変数の物理的な次元の異なりにより、各要素の大きさや符号などが異なる場合がある。そのため、第１判定部２４１は、まず、位置母数の正規化を行う。ここで、以下の説明のためアクティブモデルの位置母数をμ_ａ、最新モデルの位置母数をμ_ｂと定義する。

なお、正規化には種々の方法がある。例えば、アクティブモデルの位置母数を基準とする方法が挙げられる。この場合、正規化後の位置母数μ_ａ’及びμ_ｂ’は次の式（１１）及び式（１２）のように表される。

また、別の正規化の方法として、各プロセス変数の尺度母数を基準とする方法が挙げられる。この場合、正規化後の位置母数μ_ａ’及びμ_ｂ’は次の式（１３）〜式（１５）のように表される。

式（１３）において、σ_ａ＿ｉ（「＿」はｉがσ_ａの下付きの添え字であることを表し、以下同様である。）は尺度母数σ_ａのｉ番目の要素を表し、σ_ｂ＿ｉは尺度母数σ_ｂのｉ番目の要素を表す。このように正規化された位置母数μ_ａ’及びμ_ｂ’に基づいて、位置母数の乖離度ｄμを例えば各位置母数ベクトルの距離（又は内積）として定義する。この場合、乖離度ｄμは次の式（１６）のように表される。

式（１６）における「｜｜ベクトル｜｜」の表記はベクトルのノルム（例えばユークリッドノルム、Ｌ２ノルムなど）を表す。式（１６）は、ｄμをμ_ａ’とμ_ｂ’との差のＬ２ノルムと定義した例である。この場合、μ_ａ’とμ_ｂ’が一致する場合にはｄμ＝０となる。また、位置母数を式（１１）及び式（１２）で正規化した場合、μ_ｂがμ_ａのＫ倍となった場合にｄμ＝Ｋ−１となる。また、位置母数を式（１３）及び式（１４）で正規化した場合、｜μ_ａ−μ_ｂ｜がσのＫ倍となった場合にｄμ＝Ｋとなる。したがって、位置母数の乖離度の閾値は、μ_ａやσを基準とするμ_ｂのずれの大きさ（すなわちＫ）で設定することができる。

ただし、Ｌ２ノルムは、ベクトルの各要素の平方二乗和での評価となるため閾値の設定が難しい場合もある。そのような場合、乖離度の閾値は、各要素の絶対値の総和で乖離度を表すＬ１ノルムや、各要素の絶対値の最大値で乖離度を表すＬ∞ノルムで定義されてもよい。この場合、位置母数の乖離度ｄμは次の式（１７）及び式（１８）のように表される。

式（１７）のようにＬ１ノルムで乖離度を定義した場合、ベクトルの各要素の差の絶対値の総和で乖離度が評価されるため、閾値はプロセス変数の数ｍを考慮して設定される必要がある。これに対して式（１８）のようにＬ∞ノルムで乖離度を定義した場合、ベクトルの各要素ごとに評価された差の最大値が乖離度となる。そのため、閾値をより直接的に設定することができる。具体的には、μ_ｂがμ_ａの２倍以上乖離したことを検出しようとする場合や、｜μ_ａ−μ_ｂ｜がσだけ乖離したことを検出しようとする場合には閾値を１とすることができる。

このように、第１判定部２４１は、アクティブモデルと最新モデルとの間の位置母数の乖離度を予め設定された閾値と比較することによってアクティブモデルの更新要否を判定する。具体的には、第１判定部２４１は、位置母数の乖離度が閾値を越えた場合にアクティブモデルの更新が必要であると判定し、位置母数の乖離度が閾値以下である場合にアクティブモデルの更新は不要であると判定する。第１判定部２４１は、位置母数に基づくアクティブモデルの更新要否の判定を最新モデルの構築周期に合わせて実行し、判定結果をモデル更新部２３２に出力する。

＜２．尺度母数に基づく判定＞
第２判定部２４２は、最新モデルの尺度母数とアクティブモデルの尺度母数との乖離度を算出し、算出された乖離度を所定の閾値と比較することによりアクティブモデルの更新要否を判定する。第２判定部２４２による尺度母数に基づく乖離度の判定は、位置母数を尺度母数に置き換えることで第１判定部２４１と同様の方法で行うことができる。この場合、Ｌ２ノルム、Ｌ１ノルム又はＬ∞ノルムで定義した尺度母数の乖離度は次の式（１９）〜式（２１）のように表される。

第２判定部２４２は、第１判定部２４１と同様に、尺度母数の乖離度が閾値を越えた場合にアクティブモデルの更新が必要であると判定し、尺度母数の乖離度が閾値以下である場合にアクティブモデルの更新は不要であると判定する。第２判定部２４２は、尺度母数に基づくアクティブモデルの更新要否の判定を最新モデルの構築周期に合わせて実行し、判定結果をモデル更新部２３２に出力する。

＜３．ローディング行列に基づく判定＞
第３判定部２４３は、最新モデルのローディング行列とアクティブモデルのローディング行列との乖離度を算出し、算出された乖離度を所定の閾値と比較することによりアクティブモデルの更新要否を判定する。ローディング行列の類似性を評価する方法の一つとして、２つのローディング行列の正準角に基づいて乖離度を定義する方法がある。アクティブモデルのローディング行列Ｐ_ａと、最新モデルのローディング行列Ｐ_ｂとの間の正準角は、Ａ＝Ｐ_ａ ^ＴＰ_ｂとして生成される行列Ａを特異値分解することによって取得できることが知られている。このようにして得られる正準角をθ_ｉ（ｉ＝１、２、…、ｐ）とした場合、ローディング行列の乖離度は、正準角θ_ｉの重み付き和で定義することができる。ここで各正準角θ_ｉの重みをｗ_ｉ（ｉ＝１、２、…、ｐ）とすると、ローディング行列の乖離度ｄＰは次の式（２２）のように表される。

ここで、各正準角θ_ｉに対応する重みｗ_ｉは、例えば、主成分の寄与量ベクトルに比例した重みで定義することができる。具体的には、重みｗ_ｉを所定の係数ｋを用いてｗ_ｉ＝ｋ×λ_ｉと定義することができる。なお、式（２２）では、ｄＰの値域が０〜１となるようにローディング行列を正規化しておくことが望ましい。また、このような正準角を用いた乖離度の定義では、行列Ａの特異値分解の複雑さに起因して計算負荷が高くなる可能性がある。そのような場合、位置母数や尺度母数のように乖離度をノルムで定義することも可能である。この場合、最も簡単な例として、ローディング行列のｐ個の列ベクトル（以下、「ローディングベクトル」という。）を並べた１つのベクトルをアクティブモデル及び最新モデルでそれぞれ構成し、それらのベクトル間のノルムを乖離度として定義することができる。この場合の乖離度は、例えばＬ２ノルムを用いて次の式（２３）のように定義することができる。

式（２３）において、ｐ_ａ’及びｐ_ｂ’は、Ｐ_ａ及びＰ_ｂの列ベクトルをそれぞれ縦に並べたベクトルをノルムが１になるように正規化されたベクトルである。式（２３）のように乖離度をノルムで定義した場合、特異値分解などの複雑な処理を行わずに簡単な代数演算のみで乖離度を計算することができる。なお、式（２３）のように乖離度をノルムで定義する場合においても式（２２）と同様に、Ｐ_ａ及びＰ_ｂの各列ベクトルに対して寄与量ベクトルλに応じた重み付けを行っても良い。

第３判定部２４３は、第１判定部２４１及び第２判定部２４２と同様に、ローディング行列の乖離度が閾値を越えた場合にアクティブモデルの更新が必要であると判定し、ローディング行列の乖離度が閾値以下である場合にアクティブモデルの更新は不要であると判定する。第３判定部２４３は、ローディング行列に基づくアクティブモデルの更新要否の判定を最新モデルの構築周期に合わせて実行し、判定結果をモデル更新部２３２に出力する。

＜４．寄与量ベクトルに基づく判定＞
第４判定部２４４は、最新モデルの寄与量ベクトルとアクティブモデルの寄与量ベクトルとの乖離度を算出し、算出された乖離度を所定の閾値と比較することによりアクティブモデルの更新要否を判定する。この場合、寄与量ベクトルの乖離度を、第１判定部２４１及び第３判定部２４３と同様にノルムで定義することも可能であるが、寄与量ベクトルの各要素はローディング行列における各ローディングベクトル方向の分散を表す指標であるため、ベクトルの差で定義されるノルムによる評価が好ましくない場合もある。

ところで、上述のとおり寄与量ベクトルは、異常診断モデルの構築に用いられる構築用データの打ち切り次数ｐの決定にも用いられる。例えば、打ち切り次数は、使用するプロセスデータに対応するプロセス変数の寄与量の総和によって決定される。これは、寄与量の総和（以下、「累積寄与量」という。）が、事象の分析（説明）に必要なプロセス変数の満足度を表すと考えられるためである。このように寄与量は、差よりもむしろ和で比較されることに意味のあるパラメータである。そのため、ここでは、寄与量ベクトルに基づく乖離度を次の式（２４）のように定義する。

式（２４）においてλ_ａ’はアクティブモデルの寄与量ベクトルを表し、λ_ｂ’は最新モデルの寄与量ベクトルを表す。なお、このような乖離度を定義した場合、乖離度の値域が分からず、閾値の設定が難しい場合がある。そのため、そのような場合には、寄与量ベクトルに代えて、累積寄与率で乖離度を定義してもよい。この場合の乖離度は、次の式（２５）のように表される。累積寄与率は、全プロセス変数の累積寄与量に対して、分析に使用するプロセス変数の累積寄与量が占める割合である。

式（２５）においてＣ_λ＿ａ（＿ａは、ａがλの添え字であることを意味する）は、アクティブモデルのローディング行列についての累積寄与率を表し、Ｃ_λ＿ｂは、最新モデルのローディング行列についての累積寄与率を表す。通常、打ち切り次数ｐは、この累積寄与率が０．８〜０．９程度（８０％から９０％）となるように設定される。このように定義される累積寄与率は０〜１の値となるため閾値の設定が容易である。そして、この場合、累積寄与率の乖離度の閾値αを０〜１の範囲の値として設定することができる。例えば、１０％の累積寄与率の乖離を検出しようとする場合にはα＝０．１と設定すればよい。

第４判定部２４４は、第１判定部２４１〜第３判定部２４３と同様に、寄与量ベクトルに基づく乖離度が閾値を越えた場合にアクティブモデルの更新が必要であると判定し、寄与量ベクトルに基づく乖離度が閾値以下である場合にアクティブモデルの更新は不要であると判定する。第４判定部２４４は、寄与量ベクトルに基づくアクティブモデルの更新要否の判定を最新モデルの構築周期に合わせて実行し、判定結果をモデル更新部２３２に出力する。

以上、アクティブモデルと最新モデルとの間の乖離度を、主にベクトルのノルムで定義して評価する方法を説明したが、乖離度の定義はベクトルのノルムによるもの限定されるものではない。乖離度は、データセット間の乖離の度合いを示す指標値として定義されるものであれば、他のどのような方法で定義されたものであってもよい。例えば、乖離度は、機械学習や多変量統計解析の分野で知られている種々の類似度や異常度を示す指標値を用いて定義されてもよい。いずれにせよ、乖離度は、処理に求められる精度や性能、ユーザにとっての分かりやすさなど、診断対象のプロセスに応じて要求される諸事項が満たされるよう任意に設計されてよい。

モデル更新部２３２は、第１判定部２４１〜第４判定部２４４の判定結果に基づいて、アクティブモデルの更新要否について最終的な判定（以下、「最終判定」という。）を行う。モデル更新部２３２は、最終判定においてアクティブモデルの更新が必要であることが判定された場合にアクティブモデルを最新モデルで更新する。なお、モデル更新部２３２が、第１判定部２４１〜第４判定部２４４の判定結果に基づいてどのような最終判定結果を出すかは任意である。例えば、モデル更新部２３２は、第１判定部２４１〜第４判定部２４４の全てがアクティブモデルの更新が必要であると判定した場合にアクティブモデルを更新してもよいし、第１判定部２４１〜第４判定部２４４のうちの少なくとも一つがアクティブモデルの更新が必要であると判定した場合にアクティブモデルを更新してもよい。

このように構成された第１の実施形態のプロセス診断装置２は、構築用データに基づいて異常診断モデルを所定の構築周期で構築するモデル構築部２２２と、アクティブモデルと、最新モデルとの乖離度を構築周期より短い更新周期で算出し、算出された乖離度に基づいてアクティブモデルの更新要否を判定する更新判定部２３１と、更新判定部２３１の判定結果に応じて最新モデルでアクティブモデルを更新するモデル更新部２３２とを備える。このような構成を備えることにより、プロセス診断装置２は、異常診断モデルをより適切なタイミングで更新することができる。

（第２の実施形態）
図３は、第２の実施形態のプロセス診断装置２ａの機能構成の詳細を示すブロック図である。プロセス診断装置２ａは、適用前モデルバッファ部２１２及び前回モデルバッファ部２１３をさらに備える点、更新判定部２３１に代えて更新判定部２３１ａを備える点、モデル更新部２３２に代えてモデル更新部２３２ａを備える点で第１の実施形態のプロセス診断装置２と異なる。

適用前モデルバッファ部２１２及び前回モデルバッファ部２１３は、磁気ハードディスク装置や半導体記憶装置などの記憶装置を備えて構成される。適用前モデルバッファ部２１２は、所定の条件を満たす最新モデルを適用前モデルとして記憶する。適用前モデルの初期値には、自装置の動作開始後の最初の構築周期で構築された最新モデルが設定されてもよいし、アクティブモデルの初期値が設定されてもよい。前回モデルバッファ部２１３は、現在のアクティブモデルに更新される直前のアクティブモデルを前回モデルとして記憶する。前回モデルの初期値にはアクティブモデルの初期値が設定される。

更新判定部２３１ａは、最新モデルと適用前モデルとに基づいて適用前モデルの更新要否を判定するとともに、適用前モデルとアクティブモデルとに基づいてアクティブモデルの更新要否を判定する。更新判定部２３１ａは、第１の実施形態と同様に、比較対象となるモデル間での各指標値（具体的には、位置母数、尺度母数、ローディング行列及び寄与量ベクトル）の乖離度に基づいて適用前モデル及びアクティブモデルの更新要否を判定する。

モデル更新部２３２ａは、適用前モデルの更新要否の判定結果に応じて適用前モデルを最新モデルで更新するとともに、アクティブモデルの更新要否の判定結果に応じてアクティブモデルを適用前モデルで更新する。また、モデル更新部２３２ａは、所定の条件に基づいてアクティブモデルを前回モデルで更新する機能を有する。モデル更新部２３２ａがアクティブモデルを前回モデルに更新する条件は、アクティブモデルを前回モデルに戻す必要性に応じて任意に設定されてよい。例えば、モデル更新部２３２ａは、前回モデルへのアクティブモデルの更新をユーザの更新操作に応じて実行してもよいし、適用前モデルでのアクティブモデルの更新後における異常診断部２０８の異常検出頻度が所定の閾値を越えたことを契機に実行してもよい。

このように構成された第２の実施形態のプロセス診断装置２ａは、アクティブモデルと最新モデルとの乖離度に応じて最新モデルに更新される適用前モデルと、アクティブモデルとの乖離度に基づいてアクティブモデルの更新要否を判定する更新判定部２３１ａを備える。このような構成を備えることにより、プロセス診断装置２ａは、より長期的なプロセス状態の変化に応じて異常診断モデルを更新することが可能となる。さらに、プロセス診断装置２ａは、アクティブモデルを、最新モデルではなく適用前モデルで更新することにより、異常診断モデルによる異常診断の基準を、プロセス状態の変化に対してより緩やかに変更することができる。そのため、プロセス診断装置２ａは、診断対象のプロセスの異常が過剰に検出されることを抑制することができる。

また、プロセス診断装置２ａは、所定の条件に基づいてアクティブモデルを前回モデルで更新するモデル更新部２３２ａを備える。このような構成を備えることにより、プロセス診断装置２ａは、アクティブモデルを前回モデルに戻すことにより、アクティブモデルの更新に起因して生じた不具合を迅速に解消することができる。

（第３の実施形態）
図４は、第３の実施形態のプロセス診断装置２ｂの機能構成の詳細を示すブロック図である。プロセス診断装置２ｂは、運用変更監視部２１４をさらに備える点で第３の実施形態のプロセス診断装置２ａと異なる。運用変更監視部２１４は、診断対象のプロセスについての運用の変更を監視する機能を有する。具体的には、運用変更監視部２１４は、位置母数の変化を監視することにより対象プロセスの運用の変更を検出する。

例えば、プラントなどで意図的に運用変更を行う場合、プロセスの操作量となるプロセス変数が急激に変化する場合が多い。特に、上記の下水高度処理プロセスでは、最初沈澱池余剰汚泥引き抜きポンプ１１１、ブロワ１１２、循環ポンプ１１３、返送汚泥ポンプ１１４及び最終沈澱池余剰汚泥引き抜きポンプ１１５が有する操作量センサの計測値に大きな変化が現れることが多い。例えば、下水高度処理プロセスにおいて、汚泥の返送率の設定値を変更した場合、返送汚泥ポンプ１１４の流量センサで計測される返送流量はステップ状に大きく変化する。このような設定変更によってプロセスの状態は徐々に変化していく。そのため、第１の実施形態や第２の実施形態で説明した更新方法により、プロセスの異常診断モデルはプロセスの状態の変化に応じて更新される。

しかしながら、運用が変更された直後においては返送流量だけが変化し、プロセスの状態はそれまでとあまり変わらない状況が継続される場合がある。例えば、上述した下水高度処理プロセスのような水処理プロセスを実現するプラントでは、被処理水の処理状況はＭＬＳＳ等で計測される汚泥の性状等で判断される場合が多く、この汚泥の性状等の変化は極めて緩やかな変化である。具体的には、汚泥の性状等は日単位又は週単位で変化する。そのため、このようにプロセスの状態の変化に長い時間を要するプラントでは、プロセスの状態に大きな変化がなく、操作量（返送流量）の位置母数だけが大きく変化した状態がしばらく継続する。

そのため、このようなプラントにおいて、同じアクティブモデルが継続して使用され続けると、Ｑ統計量やＴ^２統計量が継続して異常として検出されてしまう場合がある。このような運用変更に起因して検出される異常は、上述の更新方法で異常診断モデルが更新されていくことにより、時間の経過に応じて検出されなくなっていくものであるが、異常診断モデルに用いられる位置母数μは所定のデータ抽出期間Ｌのプロセスデータの平均や代表値であるため、異常が検出されないようになるまでには少なくともデータ抽出期間Ｌ程度の時間が必要となる。そのため、運用が変更されてから期間Ｌ程度の時間が経過するまでの間は、継続的に異常が検出されることになる。このような理由により、プロセス状態の診断においては、異常を検出することに加えて、運用変更の有無を検出できることが望ましい。また、このような異常の検出が運用変更に起因したものであるか否かを判断するためには、運用変更の有無は期間Ｌよりも短い周期で検出されることが望ましい。

そのため、運用変更監視部２１４は、位置母数の変化を最新モデルの構築周期Ｔ_Ｌより短く、かつ異常診断の周期Ｔ_Ｈ以上の長さの周期Ｔ_Ｍで位置母数の変化を監視する。すなわち、Ｔ_Ｈ≦Ｔ_Ｍ＜Ｔ_Ｌである。例えばＴ_Ｈ＝１分、Ｔ_Ｌ＝１日とした場合、位置母数の監視は１分〜１日の範囲の周期で実行される。なお、この監視周期は、可能な限り異常診断の周期Ｔ_Ｈに近いほうが好ましい。そのため、以下の説明では、Ｔ_Ｍ＝Ｔ_Ｈと仮定する。

具体的には、運用変更監視部２１４は、最新モデルの構築の際、構築用データの抽出期間である期間Ｌについての位置母数μに加えて、最新モデルの構築周期である期間Ｔ_Ｌについての位置母数μ_ｃを算出する。例えば、位置母数μをＬ＝７日の平均値とした場合、位置母数μ_ｃをＴ_Ｌ＝１日の平均値として算出する。

一方で、運用変更監視部２１４は、異常診断の周期Ｔ_Ｈ（＝監視周期Ｔ_Ｍ）ごとに、周期Ｔ_Ｈの間に取得されたプロセスデータと位置母数μ_ｃとの乖離度を判定する。具体的には、運用変更監視部２１４は、次の式（２６）で位置母数の乖離度を判定する。

式（２６）において、ｘ（ｔ）は周期Ｔ_Ｈにおいて取得されたプロセスデータのうちのｔ番目のプロセスデータを意味している。ここで、ｘ（ｔ）は瞬時値であり、ばらつきが大きいと考えられるため、例えばｋの値はｋ＝３〜６程度に設定されるとよい。

そして、プロセスデータと位置母数とが十分に乖離している（すなわち、式（２６）が真である）場合、運用変更監視部２１４は運用変更が行われた可能性があると判定する。ただし、ｘ（ｔ）は瞬時値であるため異常値などの影響を受けやすく、瞬間的に式（２６）が成立してしまう状況が発生しうる。そのため、式（２６）のみで運用変更の発生を推定すると、運用変更の発生が誤検出される可能性がある。そこで、運用変更監視部２１４は、式（２６）を満たす状況（以下、「乖離状態」という。）が所定期間以上継続されているか否かで運用変更の発生有無を判定する。

ここで、乖離状態の継続時間の閾値をＴ_Ｊ＝Ｃ_ｍａｘ×Ｔ_Ｍと定義する。これはすなわち、乖離状態が、Ｃ_ｍａｘ回の診断周期Ｔ_Ｍ（＝Ｔ_Ｈ）の間継続して検出された場合に運用変更が発生したと判定することを意味している。この場合、運用変更監視部２１４は、乖離状態が未検出の状態から初めて検出された時点でカウンタＣをＣ＝１に初期化し、その後の診断周期で継続して乖離状態が検出されるごとにカウンタＣをインクリメントしていく。なお、運用変更監視部２１４は、初回検出後の乖離状態の判定を式（２６）とは異なる次の式（２７）で判定する。

式（２７）において、μ_ｄは各監視周期Ｔ_Ｍにおけるプロセスデータの位置母数である。ここで重要なことは、式（２６）では位置母数の乖離度が閾値ｋを越えたことを判定しているのに対し、式（２７）では位置母数の乖離度が所定の閾値ｋ’を越えないことを判定していることである。この所定の閾値ｋ’は式（２６）の閾値ｋ以下に設定される必要があり、ｋ’＝０．５ｋ程度に設定されることが望ましい。この理由を図５を参照して説明する。

図５は、運用変更によるプロセスデータの変化の具体例を示す図である。図５の横軸は時間を表し、縦軸はプロセスデータの値（計測値）を表す。上述したとおり、運用変更の前後では位置母数が大きく変化する。図５は、時刻ｔ_０における運用変更により位置母数μが、位置母数μ_ｄに変化した様子を表している。また、時間軸に示した時刻ｔ_１、ｔ_２及びｔ_３は位置母数μの更新タイミング（すなわち構築周期）の例を表している。この場合、時刻ｔ_０に行われた運用変更による乖離状態の発生は、式（２６）に基づいて、例えば時刻ｔ_４のタイミングで検出される。この場合、計測値の乖離度を、乖離状態の初回検出以降も同じ位置母数μで判定したのでは、位置母数μの次の更新タイミング（図５ではｔ_３）が到来するまでの間、常に運用変更が発生したと判定されてしまう。そのため、運用変更監視部２１４は、乖離状態の初回検出以降については、計測値の乖離度を、監視周期ごとの位置母数μ_ｄとの比較によって判定する。

また、ここで仮に初回検出以降における乖離度の閾値ｋ’をｋ’＝ｋとした場合、初回検出以降の計測値の乖離度は、運用変更前と同様の振れ幅（すなわちｋσ）を閾値として判定されることになる。この場合、瞬間的な計測値の変動が運用変更と誤検出されてしまう可能性がある。そのため、運用変更が行われた（すなわち位置母数が変化した）ということをより確実に判定するためには、ｋ’をｋ’＝０．５ｋ程度とするのが好ましい。初回検出以降の閾値ｋ’がこのように設定されることにより、運用変更監視部２１４は、初回検出以降の計測値が位置母数μよりも位置母数μ_ｄに近い位置に存在し続けない限り運用変更とは判定せず、運用変更が行われたことをより正確に検出することが可能となる。なお、運用変更監視部２１４によって監視周期ごとに更新されるμ_ｄは次の式（２８）のように算出される。

式（２８）は、初回検出以降の計測値の位置母数が、初回検出以降の計測値で逐次更新されることを表している。運用変更監視部２１４は、上述の判定を監視周期Ｔ_Ｍごとに繰り返し実行した結果、Ｃ＝Ｃ_ｍａｘとなった場合に運用変更が行われたと判定する。そして、運用変更監視部２１４は、運用変更の検出に応じて、検出時の位置母数μ_ｄでアクティブモデルの位置母数μを更新する。

なお、監視周期Ｔ_Ｍを、Ｔ_Ｈ＜Ｔ_Ｍ＜Ｔ_Ｌの間で任意に設定することも可能である。この場合、式（２６）及び式（２７）のｘ（ｔ）を監視周期Ｔ_Ｍの平均値に置き換えることにより、上記同様の手法で運用変更を検出することができる。ここで、Ｔ_Ｍ＞Ｔ_Ｌ／２となるような監視周期Ｔ_Ｍを設定する場合、カウンタＣが初期値から変動しない可能性がある。そのため、このような場合には式（２７）による乖離度の判定を行わず、式（２６）のみで乖離度を判定してもよい。

また、構築周期Ｔ_Ｌごとに算出されるμ_ｃをμ_ｃ＝μとして位置母数の監視を行っても良いが、この場合μ_ｃの更新周期が長くなってしまうため、計測値の乖離が、ドリフト現象のように緩やかに変化する現象と、運用変更のように急激に変化する現象とのいずれの現象によるものかを識別することが困難になる。一般にドリフト現象が異常とみなされるのに対して運用変更は意図されたプロセスの変化である。そのため、上述のように更新周期Ｔ_Ｍを可能な限り診断周期Ｔ_Ｈに近づけることで、運用変更をドリフト現象から分離して検出可能とする方が望ましい。ただし、運用変更をドリフト現象から分離して検出する必要がない場合においては、μ_ｃ＝μとして位置母数の監視を行っても良い。

なお、ドリフト現象は、構築周期Ｔ_Ｌでの異常診断モデルの更新により、異常診断部２０８によって検出可能である。そのため、このような異常診断が可能なプロセス診断装置２ｂにおいては、運用変更は必ずしもドリフト現象から分離して検出されなくてもよい。ただし、異常診断モデルの更新よりも早いタイミングでドリフト現象を検出したい場合には、診断周期Ｔ_Ｈごとに取得されるμ_ｃと構築周期Ｔ_Ｌごとに取得されるμとのずれを次の式（２９）で判定することにより、ドリフト現象を検出するようにしてもよい。

式（２９）の判定を、運用変更の監視周期Ｔ_Ｍに合わせて実行することにより、ドリフト現象をより早いタイミングで検出することができる。なお、式（２９）によってドリフト現象が検出された場合、運用変更監視部２１４は、ドリフト現象を検出した時点の位置母数μ_ｃでアクティブモデルの位置母数μを更新してもよい。

このように構成された第３の実施形態のプロセス診断装置２ｂは、構築周期ごとに更新される最新モデルの位置母数と、構築周期より短い周期ごとに取得される時系列データの位置母数との乖離度に基づいて、プロセスの運用変更等によるプロセスデータの急激な変化を検出する運用変更監視部２１４を備える。このような構成を備えることにより、プロセス診断装置２ｂは、運用変更等によるプロセス状態の変化を、構築周期よりも早く検出することができる。

なお、運用変更やドリフト現象の検出時におけるアクティブモデルの更新は、適用前モデルに対しても行われることが望ましい。適用前モデルの更新をアクティブモデルの更新に合わせて行うことで、異常診断モデルの更新時に、アクティブモデルの位置母数が元の位置母数に戻されてしまうことを防ぐことができる。

（第４の実施形態）
図６は、第４の実施形態のプロセス診断装置２ｃの機能構成の詳細を示すブロック図である。プロセス診断装置２ｃは、妥当性判定部２１５をさらに備える点で、第３の実施形態のプロセス診断装置２ｂと異なる。妥当性判定部２１５は、アクティブモデルの妥当性を判定し、判定結果に応じて前回モデルでアクティブモデルを更新する。

具体的には、妥当性判定部２１５は、最新モデルの構築周期Ｔ_Ｌと同じ周期で、診断結果保存部２０９に蓄積された異常診断結果から構築周期Ｔ_Ｌ分の診断結果を取得する。この診断結果は、具体的には、過去の診断において診断用データから生成されたＱ統計量及びＴ^２統計量である。妥当性判定部２１５は、取得した構築周期Ｔ_Ｌ分のＱ統計量及びＴ^２統計量の位置母数を算出する。上記同様、ここで取得される位置母数も、中央値や刈り込み平均などの代表値である。妥当性判定部２１５は、Ｑ統計量の位置母数をＱ_ｍｅｄ、Ｔ^２統計量の位置母数をＴ^２ _ｍｅｄとして算出する。

一方、妥当性判定部２１５は、最新の構築周期Ｔ_Ｌで算出されたＱ統計量及びＴ^２統計量の位置母数と、自装置に予め設定された各位置母数の閾値（Ｑ_ｌｉｍ及びＴ^２ _ｌｉｍ）との比較を、アクティブモデルの更新に応じて実行する。Ｑ_ｍｅｄ又はＴ^２ _ｍｅｄの少なくともいずれか一方が閾値を超過している場合、多くのプロセスデータが異常値を示していると考えられる。そのためこの場合、妥当性判定部２１５は異常診断に適用中のアクティブモデルが適切でないと判定する。妥当性判定部２１５は、適用中のアクティブモデルが適切でないと判定した場合、アクティブモデルを前回モデルで更新する。なお、妥当性判定部２１５は、旧戻ししたアクティブモデルが、適用前モデルによって再び適切でない異常診断モデルに更新されてしまうことを防ぐため、アクティブモデルの旧戻し時には、適用前モデルについても前回モデルで更新する。

このように構成された第４の実施形態のプロセス診断装置２ｃは、アクティブモデルの更新の前後におけるＱ統計量及びＴ^２統計量の位置母数の乖離度に基づいて、アクティブモデルの妥当性を判定する妥当性判定部２１５を備える。このような構成を備えることにより、プロセス診断装置２ｃは、更新されたアクティブモデルの妥当性を診断することが可能となる。

以下、実施形態のプロセス診断装置の変形例について説明する。
上記の運用変更監視部２１４は、第１の実施形態のプロセス診断装置２に備えられても良い。同様に、妥当性判定部２１５は、第１の実施形態のプロセス診断装置２に備えられても良い。また、第４の実施形態のプロセス診断装置２ｃは、運用変更監視部２１４を備えない装置として構成されてもよい。上述の各実施形態のプロセス診断装置は、必ずしも１台の装置として構成される必要はなく、プロセス診断装置の各機能部を有する複数の装置によってプロセス診断システムとして構成されてもよい。また、実施形態のプロセス診断装置の診断対象となるプロセスは、上記の下水高度処理プロセス１以外のどのようなプロセスであってもよい。

以上説明した少なくともひとつの実施形態によれば、構築用データに基づいて異常診断モデルを所定の構築周期で構築するモデル構築部と、アクティブモデルと、最新モデルとの乖離度を構築周期より短い更新周期で算出し、算出された乖離度に基づいてアクティブモデルの更新要否を判定する更新判定部と、更新判定部の判定結果に応じて最新モデルでアクティブモデルを更新するモデル更新部とを持つことにより、異常診断モデルをより適切なタイミングで更新することができる。

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。

１…下水高度処理プロセス、１０１…最初沈澱池、１０２…嫌気槽、１０３…無酸素槽、１０４…好気槽、１０５…最終沈澱池、１０５…最終沈殿池、１１１…最初沈澱池余剰汚泥引き抜きポンプ、１１２…ブロワ、１１３…循環ポンプ、１１４…返送汚泥ポンプ、１１５…最終沈澱池余剰汚泥引き抜きポンプ、１２１…雨量センサ、１２２…下水流入量センサ、１２３…流入ＴＮセンサ、１２４…流入ＴＰセンサ、１２５…流入有機物センサ、１２６…ＯＲＰセンサ、１２７…嫌気槽ｐＨセンサ、１２８…無酸素槽ＯＲＰセンサ、１２９…無酸素槽ｐＨセンサ、１３０…リン酸センサ、１３１…ＤＯセンサ、１３２…アンモニアセンサ、１３３…ＭＬＳＳセンサ、１３４…水温センサ、１３５…余剰汚泥ＳＳセンサ、１３６…放流ＳＳセンサ、１３７…汚泥界面センサ、１３８…下水放流量センサ、１３９…放流ＴＮセンサ、１４０…放流ＴＰセンサ、１４１…放流有機物センサ、２，２ａ，２ｂ，２ｃ…プロセス診断装置、２０１…データ収集部、２０２…収集データ保存部、２０３…データ抽出部、２０４…異常診断モデル構築部、２２１…正規化部、２２２…モデル構築部、２０５…最新モデルバッファ部、２０６…診断モデル保存部、２０７…アクティブモデルバッファ部、２０８…異常診断部、２０９…診断結果保存部、２１０…異常診断モデル更新部、２１１…診断結果提供部、２１２…適用前モデルバッファ部、２１３…前回モデルバッファ部、２１４…運用変更監視部、２１５…妥当性判定部、２３１，２３１ａ…更新判定部、２３２，２３２ａ…モデル更新部、２４１…第１判定部、２４２…第２判定部、２４３…第３判定部、２４４…第４判定部

Claims (9)

1. 診断対象のプロセスの状態を示す種々の時系列データの多変量解析によって構築される異常診断モデルに基づいて、前記プロセスの異常を所定の診断周期で検出するプロセス診断装置であって、
   前記時系列データに基づいて前記異常診断モデルを所定の構築周期で構築する異常診断モデル構築部と、
   前記プロセスの異常検出に用いられている異常診断モデルであるアクティブモデルと、前記異常診断モデル構築部によって前記アクティブモデルが構築された後に構築された異常診断モデルである適用前モデルとの乖離度を前記構築周期より短い更新周期で算出し、算出された前記乖離度に基づいて前記アクティブモデルの更新要否を判定する更新判定部と、
   前記更新判定部の判定結果に応じて、前記適用前モデルで前記アクティブモデルを更新するモデル更新部と、
   を備えるプロセス診断装置。
2. 前記更新判定部は、前記アクティブモデルと、最新の適用前モデルである最新モデルとの乖離度に基づいて前記アクティブモデルの更新要否を判定する、
   請求項１に記載のプロセス診断装置。
3. 前記更新判定部は、前記アクティブモデルと前記最新モデルとの乖離度に応じて前記最新モデルに更新される適用前モデルと、前記アクティブモデルとの乖離度に基づいて、前記アクティブモデルの更新要否を判定する、
   請求項２に記載のプロセス診断装置。
4. 前記異常診断モデルは、所定期間の時系列データの位置母数を含み、
   前記構築周期ごとに更新される最新モデルの位置母数と、前記構築周期より短い周期ごとに取得される時系列データの位置母数との乖離度に基づいて、前記プロセスの運用変更等による前記時系列データの急激な変化を検出する運用変更監視部をさらに備える、
   請求項１から３のいずれか一項に記載のプロセス診断装置。
5. 前記運用変更監視部は、前記急激な変化が検出された場合、前記時系列データの位置母数で前記アクティブモデル又は前記適用前モデルの位置母数を更新する、
   請求項４に記載のプロセス診断装置。
6. 前記異常診断モデルは、所定期間の時系列データに基づくＱ統計量及びＴ^２統計量を含み、
   前記アクティブモデルの更新の前後における前記Ｑ統計量及び前記Ｔ^２統計量の位置母数の乖離度に基づいて、前記アクティブモデルの妥当性を判定する妥当性判定部をさらに備える、
   請求項１から５のいずれか一項に記載のプロセス診断装置。
7. 前記モデル更新部は、前記妥当性判定部の判定結果に応じて、前記アクティブモデル及び前記適用前モデルを、更新前のアクティブモデルである前回モデルで現在のアクティブモデルを更新する、
   請求項６に記載のプロセス診断装置。
8. 診断対象のプロセスの状態を示す種々の時系列データの多変量解析によって構築される異常診断モデルに基づいて、前記プロセスの異常を所定の診断周期で検出するプロセス診断装置が行うプロセス診断方法であって、
   前記時系列データに基づいて前記異常診断モデルを所定の構築周期で構築するモデル構築ステップと、
   前記プロセスの異常検出に用いられている異常診断モデルであるアクティブモデルと、前記異常診断モデル構築部によって前記アクティブモデルが構築された後に構築された異常診断モデルである適用前モデルとの乖離度を前記構築周期より短い更新周期で算出し、算出された前記乖離度に基づいて前記アクティブモデルの更新要否を判定する更新判定ステップと、
   前記更新判定部の判定結果に応じて、前記適用前モデルで前記アクティブモデルを更新するモデル更新ステップと、
   を有するプロセス診断方法。
9. 診断対象のプロセスの状態を示す種々の時系列データの多変量解析によって構築される異常診断モデルに基づいて、前記プロセスの異常を所定の診断周期で検出するプロセス診断装置として機能するコンピュータに対して、
   前記時系列データに基づいて前記異常診断モデルを所定の構築周期で構築するモデル構築ステップと、
   前記プロセスの異常検出に用いられている異常診断モデルであるアクティブモデルと、前記異常診断モデル構築部によって前記アクティブモデルが構築された後に構築された異常診断モデルである適用前モデルとの乖離度を前記構築周期より短い更新周期で算出し、算出された前記乖離度に基づいて前記アクティブモデルの更新要否を判定する更新判定ステップと、
   前記更新判定部の判定結果に応じて、前記適用前モデルで前記アクティブモデルを更新するモデル更新ステップと、
   を実行させるためのコンピュータプログラム。

Images