JP2018013914A - 設備監視装置及び設備監視方法 - Google Patents

Abstract

【課題】学習モデルを生成するための学習データから異常検出データを除外し、または、学習データに正常検出データを追加して、学習モデルの精度を向上することである。【解決手段】トレンドデータＴＤにおける警報発生期間ＴＡ１，ＴＡ２，ＴＡ３・・・及び警非警報期間ＴＢ１，ＴＢ２，ＴＢ３・・・をそれぞれ確定し、警報発生期間ＴＡと非警報期間ＴＢとの境界から非警報期間ＴＢ内に向かうマージンσ１１，σ１２，σ１３・・・を設定し、マージンσ１１，σ１２，σ１３・・・を非警報期間ＴＢから除外して学習データＳＤ１１，ＳＤ１２，ＳＤ１３・・・を生成し、学習データＳＤ１１，ＳＤ１２，ＳＤ１３・・・に基づいて学習モデルＳＭを生成する。【選択図】図４

Description

本発明は、設備監視装置及び設備監視方法に関し、特に、設備から収集される情報に基づいて、設備の状態を監視する設備監視装置及び設備監視方法に関する。

発電所等の設備に設けられているセンサの検出データを蓄積して、この蓄積された検出データから設備正常時の検出データを抽出し、設備正常時の検出データをモデル化した学習モデルと設備運用時に検出されるセンサの検出データとを比較して、これらの差が所定の閾値を超える場合には、設備が正常状態ではない、すなわち、設備に異常が発生している可能性があると判断するインバリアント解析技術（ＳＩＡＴ）が知られている（非特許文献１参照）。

このインバリアント解析技術では、設備正常時の学習モデルを作成するために、蓄積されたセンサの検出データから設備が正常であるときの検出データを収集している。このため、設備が正常であるときの検出データの収集の精度を向上することが重要である。換言すると、蓄積データから設備異常時の検出データを高精度に除外することが重要である。

そこで、蓄積データから設備異常時の検出データを取り除く技術として、特許文献１及び特許文献２には、蓄積データに対して、設備に関する異常、故障等による警告が発生した時点から、当該警告が復旧するまでの期間のセンサの検出データを取り除くことが記載されている。

また、特許文献３には、設備に関する複数の警告の発生と、それらの警告の復旧とが時系列において順不同の状態で混在していても、最初の警告から最後の警告の復旧までを正確に把握して、この期間のセンサの検出データを採用しないことが記載されている。

福島慶、外５名、「インバリアント解析技術（ＳＩＡＴ）を用いたプラント故障予兆監視システム」、ＮＥＣ技法、ＮＥＣ株式会社、２０１４年１１月、Ｖｏｌ．６７ Ｎｏ．１、社会の安全・安心を支えるパブリックソリューション特集、ｐ．１１９−１２２

特開２０１０−１９１５５６号公報 特開２０１１−０７０６３５号公報 特開平０８−２９７４６２号公報

設備の警報発生（異常発生）及び警報復旧（異常復旧）とセンサの検出データとは密接に関係している。警報発生及び警報復旧とセンサの検出データとの対応が明確である場合、例えば、設備の警報発生及び警報復旧と略同時に、警報発生及び警報復旧に対応してセンサの検出データが瞬時に変化する場合には、センサの検出データの変化によって、設備の異常やその異常復旧を判断することができる。

しかし、警報発生及び警報復旧とセンサの検出データとの対応が明確ではない場合、例えば、設備の警報発生前からセンサの検出データが警報の兆候（異常の兆候）を検出している場合、すなわち、設備に僅かな異常が発生し、その異常が進行して設備の警報が発生する場合には、警報発生前から検出データが徐々に変化している。また、設備の警報の要因やセンサの特性等によっては、設備の警報復旧後、センサの検出データが安定せず、正常な検出データに戻るまでに所定期間を要することもある。

警報発生等とセンサの検出データの変化との対応が明確である場合には、特許文献１−３に記載の技術により、蓄積されたセンサの検出データから設備異常時のセンサの検出データを取り除くことができる。しかし、警報発生等とセンサの検出データとの対応が明確ではない場合には、異常の兆候を示す検出データや、安定していない検出データが、学習モデルを生成するためのデータに含まれてしまい学習モデルの精度が低下して、その結果、設備異常の判断精度も低下する。

また、設備の警報の要因やセンサの特性によっては、警報発生や警報復旧の前後において、センサの検出データの変化が僅かなものもあり、このような僅かな変化の検出データを学習モデルに使用することが可能な場合もある。

そこで、本発明では、学習モデルを生成するための学習データから異常検出データを除外し、または、学習データに正常検出データを追加して、学習モデルの精度を向上することを目的とする。

本発明の設備監視装置は、設備に設けられたセンサの検出データに基づいて前記設備の状態を監視する設備監視装置であって、前記検出データ、設備異常による警報の発生情報及び当該警報の復旧情報を時系列においてそれぞれ蓄積するデータ蓄積部と、時系列の前記検出データと前記発生情報及び前記復旧情報とを対応させて、前記検出データにおける警報発生から警報復旧までの第１のデータ期間と、前記検出データにおける警報復旧から警報発生までの第２のデータ期間とをそれぞれ確定し、第１のデータ期間と第２データの期間との境界から第２のデータ期間内に向かう所定期間の第３のデータ期間と、前記境界から第１のデータ期間内に向かう所定期間の第４のデータ期間とをそれぞれ設定し、第３のデータ期間を第２のデータ期間から除外して学習データを生成し、または、第４のデータ期間を第２のデータ期間に追加して学習データを生成する学習データ生成部と、前記学習データに基づいて、前記設備が正常運用されているときの前記センサの前記検出データを示す学習モデルを生成する学習モデル生成部と、前記学習モデルと、前記設備の運用時に検出される前記センサの前記検出データとを比較して設備状態を判断する設備状態判断部と、を備えることを特徴とする。

また、前記学習データ生成部は、第３のデータ期間の検出データが異常なデータである場合、第３のデータ期間を第２のデータ期間から除外することを特徴とする。

また、前記学習データ生成部は、第４のデータ期間の検出データが正常なデータである場合、第４のデータ期間を第２のデータ期間に追加することを特徴とする。

また、前記設備状態判断部は、生成された前記学習モデルと、前記設備の運用時に検出される前記センサの前記検出データとを比較して、前記学習モデルと当該検出データとの差が所定の閾値を超えたときに、前記設備異常の判断に用いる特異点として抽出する特異点抽出部を備えることを特徴とする。

また、本発明の設備監視方法は、設備に設けられたセンサの検出データに基づいて前記設備の状態を監視する設備監視方法であって、前記検出データ、設備異常による警報の発生情報及び当該警報の復旧情報を時系列においてそれぞれ蓄積し、時系列の前記検出データと前記発生情報及び前記復旧情報とを対応させて、前記検出データにおける警報発生から警報復旧までの第１のデータ期間と、前記検出データにおける警報復旧から警報発生までの第２のデータ期間とをそれぞれ確定し、第１のデータ期間と第２データの期間との境界から第２のデータ期間内に向かう所定期間の第３のデータ期間と、前記境界から第１のデータ期間内に向かう所定期間の第４のデータ期間とをそれぞれ設定し、第３のデータ期間を第２のデータ期間から除外して学習データを生成し、または、第４のデータ期間を第２のデータ期間に追加して学習データを生成し、前記学習データに基づいて、前記設備が正常運用されているときの前記センサの前記検出データを示す学習モデルを生成し、前記学習モデルと、前記設備の運用時に検出される前記センサの前記検出データとを比較して設備状態を判断することを特徴とする。

本発明によれば、学習モデルを生成するための学習データから異常検出データを除外し、または、学習データに正常検出データを追加することによって、学習モデルの精度を向上でき、その結果、設備異常の判断精度も向上することができる。

設備監視装置を含むシステムのブロック構成図である。 設備監視装置のコンピュータのハードウェア構成図である。 第１の実施形態における学習モデルを設定する処理を示すフローチャートである。 第１の実施形態におけるヒストリーデータ、トレンドデータ、学習モデル、特異点抽出の関係を示す特性図であり、（Ａ）はヒストリーデータ、トレンドデータ、学習モデルの関係を示す特性図を、（Ｂ）は生成された学習モデルの特性図を、（Ｃ）は特異点を抽出する特性図をそれぞれ示す。 第１の実施形態において学習モデルの評価値を算出する際の各マージンの模式図であり、（Ａ）はマージンが未調整である状態の模式図を、（Ｂ）は最初のマージンを小さくした状態の模式図を、（Ｃ）は次のマージンを小さくした状態の模式図を、（Ｄ）はさらに次のマージンを小さくした状態の模式図をそれぞれ示す。 第１の実施形態における学習モデルを使用した特異点抽出処理を示すフローチャートである。 第１の実施形態の変形例を示すヒストリーデータ、トレンドデータ、学習モデルの特性図である。 第２の実施形態におけるヒストリーデータ、トレンドデータ、学習モデルの特性図である。 第２の実施形態の変形例を示すヒストリーデータ、トレンドデータ、学習モデルの特性図である。

まず、本発明の第１の実施形態について図１、４を参照して説明する。図１は、第１の実施形態における設備監視装置１０を含む設備監視システム１の概略構成を示したブロック構成図である。図４は、第１の実施形態におけるヒストリーデータ、トレンドデータ、学習モデル、特異点抽出の関係を示す特性図である。

図１に示すように、設備監視システム１は、ビル２と、このビル２にネットワークを介して接続されて、ビル２を遠隔監視する設備監視装置１０とを備えている。ビル２には、設備としての空調機３が設けられている。また、空調機３には、空調機３から屋内に送り込まれる空気温度を検出する給気センサＳＡ、屋内から空調機３に引き込まれる空気温度を検出する還気センサＲＡがそれぞれ設けられている。図１においては一つの空調機３のみを示しているが、他にも図示しない複数の空調機を備えている。

設備監視装置１０は、ビル２に関する各種データを蓄積するデータ蓄積部１１を備えている。データ蓄積部１１は、給気センサＳＡ、還気センサＲＡ及びこれらセンサＳＡ，ＲＡの比、すなわち、給気センサＳＡ／還気センサＲＡの検出データ（以下、これらデータをトレンドデータＴＤという）を時系列において蓄積するトレンドデータ蓄積部１１Ａと、空調機３の異常により警報が発生したことを示す発生情報及び当該警報が復旧したことを示す復旧情報（以下、ヒストリーデータＨＤという）を時系列において蓄積するヒストリーデータ蓄積部１１Ｂとを備えている。

また、設備監視装置１０は、トレンドデータＴＤ及びヒストリーデータＨＤを用いて、学習データＳＤ１１，ＳＤ１２，ＳＤ１３・・・を生成する学習データ生成部１２と、この学習データＳＤ１１，ＳＤ１２，ＳＤ１３・・・に基づいて学習モデルＳＭを生成する学習モデル生成部１３と、学習モデルＳＭを用いて空調機３の状態を判断する設備状態判断部１４とを備えている。なお、学習データ生成部１２による詳しい学習データＳＤ１１，ＳＤ１２，ＳＤ１３・・・の生成、また、学習モデル生成部１３による学習モデルＳＭの生成については後述する。

設備状態判断部１４は、空調機３の運用時の給気センサＳＡ／還気センサＲＡの検出データと学習モデルＳＭとを比較して、空調機３が正常状態とは異なる動作をしたときを特異点Ｐ（図４参照）として抽出する特異点抽出部１４Ａを備えている。特異点抽出部１４Ａは、空調機３が正常状態とは異なる動作をしたことを判断するための閾値Ｌ（図４参照）を有している。特異点Ｐは、空調機３が異常である場合、または、空調機３に異常が発生する可能性がある場合を示すものである。特異点Ｐとは、空調機３が正常状態とは異なる動作をしていることを示すものであり、特異点Ｐの抽出情報を空調機３の保守点検情報として利用する。

なお、ビル２には、空調機３の給気センサＳＡ及び還気センサＲＡ以外にも多数のセンサが設けられているが、本実施形態においては、一例として給気センサＳＡ／還気センサＲＡの検出データについて説明する。

図２は、設備監視装置１０を形成するコンピュータのハードウェア構成図である。設備監視装置１０を形成するコンピュータは、従前から存在する汎用的なパーソナルコンピュータ（ＰＣ）のハードウェア構成で実現できる。すなわち、コンピュータは、図２に示したようにＣＰＵ２１、ＲＯＭ２２、ＲＡＭ２３、ハードディスクドライブ（ＨＤＤ）２４を接続したＨＤＤコントローラ２５、入力手段として設けられたマウス２６とキーボード２７、及び表示装置として設けられたディスプレイ２８をそれぞれ接続する入出力コントローラ２９、通信手段として設けられたネットワークコントローラ３０を内部バス３１に接続して構成される。

設備監視装置１０による設備監視方法を実行するプログラムは、通信手段により提供することはもちろん、ＣＤ−ＲＯＭやＤＶＤ−ＲＯＭ等のコンピュータ読み取り可能な記録媒体に格納して提供することも可能である。通信手段や記録媒体から提供されたプログラムはコンピュータにインストールされ、コンピュータのＣＰＵがプログラムを順次実行することで各種処理が実現される。

次に、設備監視装置１０の制御、特に、学習データＳＤ１１，ＳＤ１２，ＳＤ１３・・・及び学習モデルＳＭの生成について図３〜６を参照して説明する。図３に示すフローチャートの処理は、学習データ生成部１２及び学習モデル生成部１３において行われる。図３に示すフローチャートのステップＳ１０１において、ヒストリーデータ蓄積部１１Ｂに蓄積されている警報に関する発生情報及び復旧情報に基づいて、警報発生から警報復旧までの第１のデータ期間（以下、警報発生期間ＴＡ１，ＴＡ２，ＴＡ３・・・という）、警報復旧から警報発生までの第２のデータ期間（以下、非警報期間ＴＢ１，ＴＢ２，ＴＢ３・・・という）をそれぞれ確定してステップＳ１０２に進む。なお、換言すると、第１のデータ期間（警報発生期間ＴＡ１，ＴＡ２，ＴＡ３・・・）と第２のデータ期間（非警報期間ＴＢ１，ＴＢ２，ＴＢ３・・・）との境界に警報発生または警報復旧が存在することになる。

ステップＳ１０２では、まず、トレンドデータＴＤに基づいて、給気センサＳＡ／還気センサＲＡの検出データの特性を判断する。給気センサＳＡ／還気センサＲＡの検出データの特性はセンサ種類等によって予め略決まっている。

本実施形態における給気センサＳＡ／還気センサＲＡの検出データの特性は、空調機３の警報発生前から給気センサＳＡ／還気センサＲＡのトレンドデータＴＤが警報の兆候（異常の兆候）を検出する特性を有している。例えば、空調機３に僅かな異常が発生し、その異常が進行して空調機３の警報が発生する場合には、警報発生前から（異常の発生時から）トレンドデータＴＤが徐々に変化する。すなわち、トレンドデータＴＤは警報発生前の異常の兆候を示すデータを含んでいる。このような、検出データの特性は予め把握できるので、この特性に基づいて以下の制御を行う。なお、上述したように、本実施形態では、トレンドデータＴＤが警報発生前の異常の兆候を示すデータを含んでいる場合について説明する。

ステップＳ１０２では、図４（Ａ）に示すように、警報発生期間ＴＡ１，ＴＡ２，ＴＡ３・・・と非警報期間ＴＢ１，ＴＢ２，ＴＢ３・・・との境界、すなわち、警報発生時点の前の所定期間に第３のデータ期間としてのマージンσ１１，σ１２，σ１３・・・を設定する。このマージンσ１１，σ１２，σ１３・・・は、警報発生前の異常の兆候を示す検出データを含んでいる期間に相当する。次に、非警報期間ＴＢ１，ＴＢ２，ＴＢ３・・・から、マージンσ１１，σ１２，σ１３・・・を除外して、学習データＳＤ１１，ＳＤ１２，ＳＤ１３・・・を生成し、ステップＳ１０３に進む。学習データＳＤ１１，ＳＤ１２，ＳＤ１３・・・は、警報発生前の異常の兆候を示すデータを除外されたものである。

ステップＳ１０３では、ステップＳ１０２において生成した学習データＳＤ１１，ＳＤ１２，ＳＤ１３・・・に基づいて学習モデルＳＭを生成する。学習データＳＤ１１，ＳＤ１２，ＳＤ１３・・・に基づく学習モデルＳＭの生成方法は公知であるためその詳細な説明は省略する。学習データＳＤ１１，ＳＤ１２，ＳＤ１３・・・をモデル化することによって、空調機３が正常な状態であるときに検出される給気センサＳＡ／還気センサＲＡの検出データを予測するモデルを生成して、ステップＳ１０４に進む。

ステップＳ１０４では、生成した学習モデルＳＭの評価値を算出してステップＳ１０５に進み、ステップＳ１０５においてマージンσ１１，σ１２，σ１３・・・を最適化する。すなわち、マージンσ１１，σ１２，σ１３・・・の期間を長くすると、警報発生前の異常の兆候を示す検出データを確実に除外することができるが、正常な検出データも除外されてしまう。また、逆に、マージンσ１１，σ１２，σ１３・・・の期間を短くすると、警報発生前の異常の兆候を示す検出データを除外することができなくなり、異常の兆候を示す検出データを含んでしまう可能性がある。よって、マージンσ１１，σ１２，σ１３・・・の最適化を行う。マージンσ１１，σ１２，σ１３・・・の最適化を行うには、メタヒューリスティックスと呼ばれる最適化アルゴリズムを用いる。特に、本実施形態では、近傍探索法の山登り法の最適化アルゴリズムを用いてマージンσ１１，σ１２，σ１３・・・を最適化する。

マージンσ１１，σ１２，σ１３・・・の最適化について、図５を参照して説明する。マージンσ１１，σ１２，σ１３・・・の最適化は、各マージンσ１１，σ１２，σ１３・・・の値を少しづつ減少させて、その中から最適なものを選択する。図５（Ａ）において、最初は、マージンσ１１，σ１２，σ１３・・・の最適値が設定されていないので、各マージンσ１１，σ１２ ，σ１３・・・を十分大きな値にそれぞれ設定する。この設定に基づいて学習モデルＳＭを生成する。生成した学習モデルＳＭと、この学習モデルＳＭを評価するための評価データ（正常データ）とを比較して、当該学習モデルＳＭに対する評価値を算出する。

評価データとは、設備監視装置１０の操作員が正常なデータであると判断した給気センサＳＡ／還気センサＲＡの検出データであり、評価値の指標となるものである。また、評価値とは、学習モデルＳＭが、評価データに近似する尺度を示すものであり、評価値が高い程、学習モデルＳＭと評価データとが近似していることを示す。すなわち、評価値が高い学習モデルＳＭは、正常な検出データに近似していることを示す。

評価値の算出後、ステップＳ１０５では、その学習モデルＳＭが最適であるかを判断する。最適な学習モデルＳＭを判断する方法として、本実施形態では、ステップＳ１０２〜ステップＳ１０４をマージン数に応じて繰り返して、その中で、最も高い評価値が得られる学習モデルＳＭを選択する。

図５（Ａ）で示すように、最初の評価値を算出した後に、ステップＳ１０２〜ステップＳ１０４を繰り返して、次に、図５（Ｂ）に示すように、マージンσ１１のみを小さくした値に設定し、学習データＳＤ１１，ＳＤ１２，ＳＤ１３・・・を生成して学習モデルＳＭを生成する。この学習モデルＳＭと評価データとを比較して、当該学習モデルＳＭの評価値を算出する。さらに、ステップＳ１０２〜ステップＳ１０４を繰り返して、図５（Ｃ）に示すように、マージンσ１２のみを小さくした値に設定し、学習データＳＤ１１，ＳＤ１２，ＳＤ１３・・・を生成して学習モデルＳＭを生成する。この学習モデルＳＭと評価データとを比較して、当該学習モデルＳＭの評価値を算出する。同様に、図５（Ｄ）に示すように、マージンσ１３のみを小さくした値に設定して、学習モデルＳＭを作成して評価値を算出する。

このように、ステップＳ１０２〜ステップＳ１０４をマージン数に応じて繰り返して、その結果、得られた評価値のうち、最も高い評価値が得られる学習モデルＳＭを、最適な学習モデルＳＭとして設定する。すなわち、最も評価データに近い学習モデルＳＭを設定する。図５においては、マージンσ１２を小さい値に設定したとき、評価値が評価値８０となり、この学習モデルＳＭが、他の学習モデルＳＭに比べて評価データに最も近い学習モデルＳＭであることを示している。この結果、ステップＳ１０６において、マージンσ１２を小さい値に設定したときの学習モデルＳＭ、ここでは、評価値８０の学習モデルＳＭを、空調機３の運用時に使用する学習モデルＳＭに設定して、学習モデルＳＭの設定を終了する。この設定された学習モデルＳＭを図４（Ｂ）に示す。

なお、学習モデルＳＭの目標評価値を予め設定して、算出した評価値が目標評価値に近づくまで、ステップＳ１０２〜Ｓ１０５を繰り返してもよい。また、最適化アルゴリズムとして、本実施形態で使用した山登り法以外に、焼きなまし法、タブーサーチ等の近傍探索法や、遺伝的アルゴリズム、進化戦略、進化的プログラミング、遺伝的プログラミング、蟻コロニー最適化、粒子群最適化等の進化的計算法も適用することができる。また、シミュレーテッド、エボリューション、人工免疫システム、ニューラルネットワーク等のアルゴリズムを適用することもできる。

次に、設定した学習モデルＳＭを使用して、空調機３の運用時に検出される給気センサＳＡ／還気センサＲＡの検出データの状態を判断する制御について説明する。図６に示すフローチャートの処理は、設備状態判断部１４の特異点抽出部１４Ａにおいて行われる。図６に示すフローチャートのステップＳ１１０において、図３のフローチャートのステップＳ１０６で設定した学習モデルＳＭと、空調機３の運用時に検出される給気センサＳＡ／還気センサＲＡの検出データとの差を算出して、ステップＳ１１１に進む。両者の差の特性ＴＭを図４（Ｃ）に示す。

ステップＳ１１１では、両者の差が所定の閾値Ｌを超えているかどうかを判断する。ここで、閾値Ｌとは、学習モデルＳＭと、給気センサＳＡ／還気センサＲＡの検出データとが大きく乖離したことを判断するためのものである。また、特性ＴＭにおいて、両者の差が閾値Ｌを超えている点を特異点Ｐとして抽出する。

図４（Ｃ）に示すように、両者の差が小さい場合には、その差は閾値Ｌを超えることはない。しかし、給気センサＳＡ／還気センサＲＡの検出データが学習モデルＳＭと大きく乖離すると、両者の差が大きくなり、図４（Ｃ）において符号Ｐで示すように閾値Ｌを超える。この符号Ｐが特異点Ｐとして抽出される。この特異点Ｐは、学習モデルＳＭと大きく異なる検出データであり、空調機３に異常が発生する可能性、または、空調機３に異常が発生したことを示している。なお、特異点Ｐは、学習モデルＳＭと、給気センサＳＡ／還気センサＲＡの検出データとの差が閾値Ｌを超えた点であって、必ずしも空調機３の異常発生に直結するものではない。すなわち、空調機３の警報発生に至らなくても、特異点Ｐが抽出されることがある。このため、特異点Ｐが抽出されたときには、この旨を設備監視装置１０の操作員に報知する。

ステップＳ１１１において、特異点Ｐが抽出されない場合（Ｎｏ）、ステップＳ１１０に戻り、再度、給気センサＳＡ／還気センサＲＡの検出データを取得して、ステップＳ１１０、１１１を繰り返す。また、ステップＳ１１１において、特異点Ｐが抽出された場合（Ｙｅｓ）、ステップＳ１１２に進み、抽出された特異点Ｐに関する情報を空調機３の保守点検情報として利用する。その後、再度、給気センサＳＡ／還気センサＲＡの検出データを取得してステップＳ１１０、１１１を繰り返す。

このように、学習モデルＳＭを生成する場合に、警報発生前の空調機３の異常の兆候を示す検出データを除外して、学習データＳＤ１１，ＳＤ１２，ＳＤ１３・・・を生成しているので、正常な検出データに基づき学習モデルＳＭを生成することができる。この結果、学習モデルＳＭの精度を向上することができ、この学習モデルＳＭを用いた空調機３の状態判断の精度も向上することができる。

また、給気センサＳＡ／還気センサＲＡの検出データが、警報復旧後に正常な検出状態に戻るまでに所定期間を要する特性を有する場合、すなわち、給気センサＳＡ／還気センサＲＡの検出データが警報復旧後の安定していない状態の検出データを含む特性である場合には、図７に示すように、警報復旧後の所定期間に第３のデータ期間としてのマージンσ２１，σ２２，σ２３・・・を設定する。

図７において、警報発生期間ＴＡ１，ＴＡ２，ＴＡ３・・・と非警報期間ＴＢ１，ＴＢ２，ＴＢ３・・・との境界、すなわち、警報復旧後の所定期間にマージンσ２１，σ２２，σ２３・・・を設定する。このマージンσ２１，σ２２，σ２３・・・は、警報復旧後の安定していない状態の検出データを含んでいる期間に相当する。次に、非警報期間ＴＢ１，ＴＢ２，ＴＢ３・・・から、マージンσ２１，σ２２，σ２３・・・を除外して、学習データＳＤ２１，ＳＤ２２，ＳＤ２３・・・を生成する。そして、これら学習データＳＤ２１，ＳＤ２２，ＳＤ２３・・・に基づいて、学習モデルＳＭを生成する。なお、マージンσ２１，σ２２，σ２３・・・の最適化や、最適な学習モデルＳＭの設定に関しては上述した実施形態と同様である。

このように、センサ特性に応じて、警報復旧後の安定していない状態の検出データを除外することによって、学習モデルＳＭの精度を向上することができる。また、先に説明した警報発生前の異常の兆候を示す検出データや、警報復旧後の安定していない状態の検出データの両方の検出データを除外してもよいし、いずれか一方の検出データを除外してもよい。

次に、図８を参照して第２の実施形態について説明する。第１の実施形態では、警報発生前にマージンσ１１，σ１２，σ１３・・・を設定していたが、第２の実施形態では、給気センサＳＡ／還気センサＲＡの検出データが、警報発生後の所定時間は正常な検出データを検出している場合、例えば、給気センサＳＡ／還気センサＲＡの検出データが警報発生から所定時間後に変化する場合、つまり、警報発生から少し遅れて変化する場合には、警報発生後に第４のデータ期間としてのマージンσ３１，σ３２，σ３３・・・を設定する。

図８において、第１の実施形態と同様に、ヒストリーデータ蓄積部１１Ｂに蓄積されている警報に関する発生情報及び復旧情報に基づいて、警報発生から警報復旧までの警報発生期間ＴＡ１，ＴＡ２，ＴＡ３・・・と、警報復旧から警報発生までの非警報期間ＴＢ１，ＴＢ２，ＴＢ３・・・とをそれぞれ確定する。

次に、警報発生期間ＴＡ１，ＴＡ２，ＴＡ３・・・と非警報期間ＴＢ１，ＴＢ２，ＴＢ３・・・との境界（ここでは警報発生）の後の所定期間にマージンσ３１，σ３２，σ３３・・・を設定する。このマージンσ３１，σ３２，σ３３・・・は、警報発生前の検出データと殆ど変化していない検出データの期間に相当する。換言すれば、警報発生前の正常な検出データと略同じ検出データであると考えることができる。

そして、非警報期間ＴＢ１，ＴＢ２，ＴＢ３・・・に、マージンσ３１，σ３２，σ３３・・・を追加して、学習データＳＤ３１，ＳＤ３２，ＳＤ３３・・・を生成する。その後、学習データＳＤ３１，ＳＤ３２，ＳＤ３３・・・にそれぞれ対応する学習モデルＳＭを生成する。各学習モデルＳＭの評価、最適化は、第１の実施形態と同様であるので、その説明は省略する。最も評価値が高い学習モデルＳＭを空調機３の運用時に使用する学習モデルＳＭに設定して、この設定された学習モデルＳＭを用いて、空調機３の運用時に検出される給気センサＳＡ／還気センサＲＡの検出データの状態を判断する。検出データの状態判断は特異点Ｐを抽出することによって行う。

このように、学習モデルＳＭを生成する場合に、警報発生後に正常状態と殆ど変らない検出データを学習データＳＤ３１，ＳＤ３２，ＳＤ３３・・・に追加しているので、学習データＳＤ３１，ＳＤ３２，ＳＤ３３・・・のデータ量を増やすことができる。学習データＳＤ３１，ＳＤ３２，ＳＤ３３・・・のデータ量が増えることによって、正確な学習モデルＳＭを生成することができ、その結果、空調機３の状態判断の精度も向上することができる。特に、学習データ量が少ない場合には、学習データ量を増加することができるので有効である。

また、給気センサＳＡ／還気センサＲＡの検出データが、警報復旧前から正常な検出データを検出している場合、例えば、設備異常が解消されるのと同時に検出データが略正常な状態を示し、その後、警報が復旧される場合には、警報復旧前に第４のデータ期間としてのマージンσ４１，σ４２，σ４３・・・を設定する。

図９に示すように、警報復旧前にマージンσ４１，σ４２，σ４３・・・を設定することにより、警報復旧前の給気センサＳＡ／還気センサＲＡの検出データが略正常な状態の検出データも取り込むことができ、学習データＳＤ４１，ＳＤ４２，ＳＤ４３・・・のデータ量を増加することができる。

このように、センサの特性に応じて、警報発生後や警報復旧前の正常状態と略同じ状態を示す検出データを学習データＳＤ４１，ＳＤ４２，ＳＤ４３・・・に取り込むことによって、学習データＳＤ４１，ＳＤ４２，ＳＤ４３・・・のデータ量を増加することができ、正確な学習モデルＳＭを得ることができる。なお、センサ特性に応じて、警報発生後及び警報復旧前の両方の検出データを取り込んでもよいし、いずれか一方の検出データを取り込んでもよい。

１ 設備監視システム、２ ビル、３ 空調機、１０ 設備監視装置、１１ データ蓄積部、１１Ａ トレンドデータ蓄積部、１１Ｂ ヒストリーデータ蓄積部、１２ 学習データ生成部、１３ 学習モデル生成部、１４ 設備状態判断部、１４Ａ 特異点抽出部、ＲＡ 還気センサ、ＳＡ 給気センサ、ＳＤ１１，ＳＤ１２，ＳＤ１３，ＳＤ２１，ＳＤ２２，ＳＤ２３，ＳＤ３１，ＳＤ３２，ＳＤ３３，ＳＤ４１，ＳＤ４２，ＳＤ４３ 学習データ、ＳＭ 学習モデル、ＴＡ 警報発生期間、ＴＢ 非警報期間、σ１１，σ１２，σ１３，σ２１，σ２２，σ２３，σ３１，σ３２，σ３３，σ４１，σ４２，σ４３ マージン。

Claims (5)

1. 設備に設けられたセンサの検出データに基づいて前記設備の状態を監視する設備監視装置であって、
   前記検出データ、設備異常による警報の発生情報及び当該警報の復旧情報を時系列においてそれぞれ蓄積するデータ蓄積部と、
   時系列の前記検出データと前記発生情報及び前記復旧情報とを対応させて、前記検出データにおける警報発生から警報復旧までの第１のデータ期間と、前記検出データにおける警報復旧から警報発生までの第２のデータ期間とをそれぞれ確定し、第１のデータ期間と第２データの期間との境界から第２のデータ期間内に向かう所定期間の第３のデータ期間と、前記境界から第１のデータ期間内に向かう所定期間の第４のデータ期間とをそれぞれ設定し、第３のデータ期間を第２のデータ期間から除外して学習データを生成し、または、第４のデータ期間を第２のデータ期間に追加して学習データを生成する学習データ生成部と、
   前記学習データに基づいて、前記設備が正常運用されているときの前記センサの前記検出データを示す学習モデルを生成する学習モデル生成部と、
   前記学習モデルと、前記設備の運用時に検出される前記センサの前記検出データとを比較して設備状態を判断する設備状態判断部と、
   を備えることを特徴とする設備監視装置。
2. 前記学習データ生成部は、第３のデータ期間の検出データが異常なデータである場合、第３のデータ期間を第２のデータ期間から除外することを特徴とする請求項１に記載の設備監視装置。
3. 前記学習データ生成部は、第４のデータ期間の検出データが正常なデータである場合、第４のデータ期間を第２のデータ期間に追加することを特徴とする請求項１に記載の設備監視装置。
4. 前記設備状態判断部は、生成された前記学習モデルと、前記設備の運用時に検出される前記センサの前記検出データとを比較して、前記学習モデルと当該検出データとの差が所定の閾値を超えたときに、前記設備異常の判断に用いる特異点として抽出する特異点抽出部を備えることを特徴とする請求項１から請求項３のいずれか一項に記載の設備監視装置。
5. 設備に設けられたセンサの検出データに基づいて前記設備の状態を監視する設備監視方法であって、
   前記検出データ、設備異常による警報の発生情報及び当該警報の復旧情報を時系列においてそれぞれ蓄積し、
   時系列の前記検出データと前記発生情報及び前記復旧情報とを対応させて、前記検出データにおける警報発生から警報復旧までの第１のデータ期間と、前記検出データにおける警報復旧から警報発生までの第２のデータ期間とをそれぞれ確定し、
   第１のデータ期間と第２データの期間との境界から第２のデータ期間内に向かう所定期間の第３のデータ期間と、前記境界から第１のデータ期間内に向かう所定期間の第４のデータ期間とをそれぞれ設定し、
   第３のデータ期間を第２のデータ期間から除外して学習データを生成し、または、第４のデータ期間を第２のデータ期間に追加して学習データを生成し、
   前記学習データに基づいて、前記設備が正常運用されているときの前記センサの前記検出データを示す学習モデルを生成し、
   前記学習モデルと、前記設備の運用時に検出される前記センサの前記検出データとを比較して設備状態を判断することを特徴とする設備監視方法。

Images