JP2018014071A - センサログ推定による予知保全プログラム - Google Patents

Abstract

【課題】計測機器等のログデータを分析し、その結果から将来の状態を高い精度で予測する予知保全システムを提供する。【解決手段】学習データ（既存のログデータ等）に対しクラスタリングを行う。分類した結果それぞれについて回帰分析を行い、分析結果を元に尤度関数を定義する。データ全体ではなく、分類毎に分析を行うことで精度の高い分析結果を得ることが可能となる。また、新しいデータに対してナイーブベイズによる判定を行うことで、どの状態かを判別し、クラスタが持つ回帰結果を使うことで将来の値を予測する。【選択図】なし

Description

本発明は、ログデータ解析による予知保全方法及びプログラムに関する。

工場における製造設備の故障は、大きな損失を出すだけでなく、人的被害をもたらす危険性も含んでいる。

上記の問題を解決する従来の方法は定期的な予防保全である。この方法では機器や部品の耐用期間を定めておき、その期間使用したら機器や部品の交換を実施する。これにより、経年劣化による故障を防ぐことが可能となる。しかし、この方法では耐用期間内の故障は防ぐことができない上、部品の交換を頻繁に行う為無駄が多くなってしまう。

最近では予防保全に代わって予知保全を行う例も増えている。予知保全では各機器の稼動状態を計測し、その計測結果から故障の兆候を検知した際に部品の交換を行う。

故障の兆候を検知し、保全業務を行うためには計測機器から収集したデータを分析し、将来の状態を正確に予測することが重要である。

本発明は製造装置や計測機器から収集したデータ（ログ等）を解析し、将来の状態を高い精度で予測する方法及びプログラムを提供することを目的とする。

上記課題を解決するために、本発明は２つの機能を有する。ひとつは装置の状態を判別するための学習機能、もうひとつは新しいデータに対して将来の状態を判定する予測機能である。

学習機能は以下の特徴を有する。
第一に、学習データ（既存の計測機器等から得られたログデータ等）に対し、クラスタリングを行い、状態を定義する。
第二に、クラスタした状態それぞれについて回帰分析を実施する。回帰分析には単回帰分析を用いる。
第三に、回帰分析の結果を使って尤度関数を決定する。

予測機能は以下の特徴を有する。
第一に、入力データ（リアルタイムのログ等）がどの状態に属するか判定する。事前分布と回帰分析の結果から得た尤度関数を用いてナイーブベイズによる判定を行うことで状態を判別する。
第二に、新しい状態の追加を行う。入力データが既存のどのクラスタにもならない場合、新しい状態として定義する。既存のクラスタに分類される場合は状態の追加は行わない。
第三に、将来の状態を予測する。回帰分析の結果と現在の状態から将来の状態を判定する。

本発明によれば、予知保全のために既存のログデータ等を活用することができる。また、クラスタリングによりいくつかの状態に分けてから回帰分析を行うことで、より精度の高い予測を行うことが可能となる。

入力フォーマットの形式 センサログ投入後の散布図イメージ 状態予測アルゴリズムのフローチャート センサログの散布図にクラスタリング結果を色分けで区別させたもの 解析対象区間の決定方法

本発明の状態予測アルゴリズムをソフトウェアプログラムとして実装する。ＰＣ、ディスプレイを用意する。製造装置や計測機器等からログデータ（センサログ）を収集し、図１のような指定のデータ形式に変換する。最新の時刻から指定されたＴ以内に収まるログデータを入力データ、それ以前を学習データとし、本発明のアルゴリズムを実装したソフトウェアプログラムを実行することで、機器の将来の状態を予測することが可能となる。

本発明の学習機能及び予測機能のアルゴリズムについて、添付図面を参照しながら説明する。

図２はログデータを投入した後のセンサログをグラフで表した散布図のイメージになる。時系列の情報（センサログ取得日時）を軸にセンサログの値を表示している。全てのセンサログの値については各センサログの最大値に対する割合で正規化されており、解析においても正規化されたデータを使用する。

図３は、本発明のセンサログ推定におけるアルゴリズムのフローチャートである。図３に示されるように、本発明のアルゴリズムはクラスタリングを実施し、生成したクラスタの特徴を学習し、状態として定義する工程と、入力データがどの状態に属するかを判定する工程、判定した状態の特徴から将来のセンサログの値を推定する工程を含む流れで構成されている。

クラスタリングを実施し、生成したクラスタの特徴を学習し、状態として定義する工程では最初にクラスタリングを実施する。図４はセンサログの散布図に対し、生成したクラスタを色分けで表したものになる。

クラスタを生成した後、クラスタの特徴を定義する為に解析対象区間を決定する。離れて同じクラスタが存在する場合、値が最も大きい時間ｔの区間のクラスタを解析対象区間とする。図５は解析対象区間の決定についてのイメージ図となる。

解析対象区間を定義した後は、それぞれのセンサログの特徴を示す関数を定義する。クラスタ内のそれぞれのセンサログの値は時間を変数とする単回帰分析により決定される。単回帰分析は解析対象区間に対して行われる。数１はセンサログの特徴を表す目的関数の式になる。

センサログの各変数に関する目的変数を元に尤度関数を数２で表す。尤度関数は目的関数が取った値と実際の値の誤差で表現される。

クラスタの状態の変化についても学習する。それぞれのクラスタにおいて、時間ｔ後にどのクラスタに属しているかの確率分布を数３で表す。

入力データがどの状態に属するかを判定する工程ではナイーブベイズによる判定を行う。ナイーブベイズの式を数４で表す。入力データをＸ、入力データが属する状態をＹとするとＰ（Ｘ）は固定値であるため、どのクラスタに属するかを判定する確率は事前分布Ｐ（Ｙ）と尤度関数Ｐ（Ｘ｜Ｙ）の積を比較することで求めることができる。ここで、事前分布Ｐ（Ｙ）についてはクラスタ内のセンサログの平均値と入力データの平均値によるＪａｃｃａｒｄ係数で表している。

事後確率が最も大きいクラスタが属するクラスタとなる。但し、他のクラスタと比較して事後確率が突出していない場合はどの状態にも属さない新しい状態と判断する。事後確率が突出しているかどうかの判定式を数５で表す。指定した最低分散が事後確率の分散より小さい場合はどのクラスタにも属さない新しい状態と判定する。

どの状態にも属さない新しい状態であった場合、入力データの集合を１つのクラスタとみなし、特徴の学習（センサログの目的関数の取得）を行う。

判定した状態（クラスタ）からセンサログの値を推定する工程では、クラスタにおけるセンサログの目的関数と時間α後に属する状態（クラスタ）についての確率分布から決定する。時間α後のセンサログの値を数６で表す。

Claims (4)

1. 入力したデータから将来の状態を予測するシステムにおける、以下のステップ。
   ・学習データの入力及び、クラスタリングを実施するステップ
   ・生成したクラスタ毎の尤度関数を定義するステップ
   ・入力データが属する状態を判定するステップ
   ・入力データがどのような値を取るかを予測するステップ
2. 請求項１記載のシステムにおいて、前記生成したクラスタ毎の尤度関数を定義するステップで、クラスタリングと回帰分析を用いて尤度関数を定義する方法。
3. 請求項１記載のシステムにおいて、前記入力データが属する状態を判定するステップで、ナイーブベイズと事後確率の分散を利用した状態判定を行う方法。
4. 請求項１記載のシステムにおいて、前記将来の状態を判定するステップで、推定した状態から将来の値を推測する方法。