JP2019012473A - データフィルタリング装置および方法 - Google Patents

Abstract

【課題】人の経験の度合いに依存せず、高い精度の診断が可能な解析対象データの絞り込みを可能にする技術を提供する。【解決手段】教師データ生成部は、複数の時系列信号の中から診断に有用であることが予め分かっている時系列信号を判定信号とし、過去に取得された判定信号のデータに基づいて監視対象が正常である正常期間と監視対象が異常である異常期間とを決定し、正常期間および異常期間に基づいて、過去に取得された複数の時系列信号のデータから正常データおよび異常データを含む教師データを生成する。モデル生成部は、教師データの機械学習を行うことにより、複数の時系列信号の１つ以上を入力とし監視対象が正常か異常かを示す信号を出力するモデルを生成する。入力削減部は、モデルの構造に基づいて複数の時系列信号の中から無用信号を抽出する。【選択図】 図１

Description

本発明は、データ解析を行う情報処理技術に関する。

プロセスデータの解析により異常の予兆を検出する予兆診断に関する技術を開示した文献として特許文献１がある。特許文献１には、診断対象装置から得られる複数のパラメータのパラメータ間の相関の変化から異常の予兆をとらえる手法が記載されている。

また、故障診断において、診断対象の機器に関する事前知識によって、診断に用いるデータの範囲を絞り込むアルゴリズムを診断処理に組み込むことにより、診断の精度を向上する手法が特許文献２に開示されている。

非特許文献１は可塑型ニューラルネットワークについて開示している。

特開２０１４−２３８８５２号公報 特開２０１６−１６１４７５号公報

瀧田他、"パルスニューラルネットワークにおけるネットワーク拡張型強化学習アルゴリズム"、信学技報、ＮＣ９９−１１６（２０００−０３）、電子情報通信学会

特許文献１に開示された、相関の変化にから異常の予兆をとらえる手法では診断対象のシステムが大規模であると診断の精度があがらない。これは発電プラントのような大規模プラントから得られるデータは、検出すべき異常に関係のないデータが大半を占めるためである。

また、特許文献２の手法では、解析対象データを絞り込むアルゴリズムの診断処理への組み込みは人がその経験に基づいて行う作業である。そのため、解析対象データの絞り込みの精度はアルゴリズムの組み込みを実施した人の経験の度合いに依存する。経験の浅い人がアルゴリズムの組み込みを実施した場合、診断に有用なデータまでも解析対象から除外してしまう可能性がある。有用なデータを解析対象から除外してしまうと、例えば、診断において異常を見落としてしまう恐れもある。

本発明の目的は、人の経験の度合いに依存せず、高い精度の診断が可能な解析対象データの絞り込みを可能にする技術を提供することである。

本発明に一態様によるデータフィルタリング装置は、監視対象に関連して取得される複数の時系列信号を用いて前記監視対象が正常か異常かの診断を行う診断システムにおいて前記診断に用いない無用信号を抽出するデータフィルタリング装置であって、前記複数の時系列信号の中から前記診断に有用であることが予め分かっている時系列信号を判定信号とし、過去に取得された前記判定信号のデータに基づいて前記監視対象が正常である正常期間と前記監視対象が異常である異常期間とを決定し、前記正常期間および前記異常期間に基づいて、過去に取得された前記複数の時系列信号のデータから正常データおよび異常データを含む教師データを生成する教師データ生成部と、前記教師データの機械学習を行うことにより、前記複数の時系列信号の１つ以上を入力とし前記監視対象が正常か異常かを示す信号を出力するモデルを生成するモデル生成部と、前記モデルの構造に基づいて前記複数の時系列信号の中から前記無用信号を抽出する入力削減部と、を有する。

本発明によれば、人の経験の度合いに依存せず、高い精度の診断が可能な解析対象データの絞り込みが可能になる。

実施例１によるデータフィルタリング装置のブロック図である。 実施例１によるデータフィルタリング処理のフローチャートである。 プロセスデータの一例が示されている。 操作表示部１６００のＧＵＩの一例を示す図である。 プロセスデータの１つの属性項目のトレンドグラフの一例である。 教師データ生成処理のフローチャートである。 教師データ生成処理について説明するための図である。 実施例１におけるＮＮモデルの構造のを示す模式図である。 入力層と属性項目との対応関係を示す模式図である。 実施例１におけるＮＮ学習処理を説明するためのフローチャートである。 実施例１によるＮＮの更新ルールの一例を示す図である。 中間層にニューロンを追加するための条件の一例を示す図である。 新たに生成された中間層ニューロンを理解するための概念図である。 無用信号抽出処理を理解するための概念図である。 実施例２におけるＮＮの学習処理のループ処理に用いる一次元ベクトルＹ（ｎ，ｍ）について説明するための図である。 実施例２におけるＮＮ学習処理により生成されたＮＮの一例を示す図である。 実施例２における無用信号表示画面の中央下画面の表示例を示す図である。 実施例３による診断システムのブロック図である。 診断テスト画面の一例を示す図である。

本発明のいくつかの実施例について図面を参照して説明する。

図１は、実施例１によるデータフィルタリング装置のブロック図である。データフィルタリング装置１０００は、演算処理部１１００、データ入力部１５００、操作表示部１６００、正常異常判定条件格納部１４００、作業用ニューラルネットワーク（ＮＮ）モデル格納部１３００、および無用信号リスト格納部１２００を有している。演算処理部１１００は教師データ生成部１１１０、ニューラルネットワーク（ＮＮ）構造生成部１１２０、および入力削減部１１３０を有している。

本実施例によるデータフィルタリング装置１０００は、不図示のプラントを診断対象とする不図示の診断システムに利用される。診断システムはプラントから得られる入力信号に基づいてプラントの状態を診断する。例えば、診断システムはプラントが正常な状態か異常な状態かを検知する。プラントから得られる入力信号には様々な信号がある。診断システムにおける診断精度を高めるために、プラントの状態診断に用いる入力信号（有用信号）を予め絞り込んでおくこと、つまり、プラントの状態診断に用いない無用信号を予め抽出しておくことが有効である。データフィルタリング装置１０００は、プラントから得られる複数の入力信号の中からプラントの状態診断に用いない入力信号（無用信号）を抽出する装置である。

データ入力部１５００は、演算処理部１１００で処理する教師データの生成に用いる元データを入力する入力部である。元データには、診断対象のプラントから過去に時系列に取得された各種入力信号が含まれる。元データに属性項目として含まれる信号には、例えば、プラントに含まれる機器や設備あるいはプラントに関連する機器や設備にて測定された各種の温度、圧力、流量、水位、電圧、電流など測定値を示す測定信号が含まれる。

操作表示部１６００は、演算処理部１１００による元データに対する演算処理に用いるデータ条件を設定するオペレータによる操作を受け付け、また演算処理部１１００による演算処理の結果を画面に表示する装置である。ここでいう演算処理とは、上述した教師データ生成部１１１０、ＮＮ構造生成部１１２０、および入力削減部１１３０により実行される処理である。データ条件には、例えば、測定信号が示す測定値が異常な値か正常な値かを判断するための正常異常判定条件が含まれる。操作表示部１６００から設定された正常異常判定条件の情報は正常異常判定条件格納部１４００に格納され、演算処理部１１００による演算処理に利用される。

演算処理部１１００は、元データに含まれる信号を有用信号と無用信号に分け、無用信号のリストを無用信号リスト格納部１２００に記録する。その際、演算処理部１１００は、教師データ生成部１１１０により元データから教師データを生成し、ＮＮ構造生成部１１２０により作業用のＮＮモデルを生成し、入力削減部１１３０によりＮＮモデルを用いて入力信号から無用信号を抽出する。教師データとは、説明変数を入力とし目的変数を出力とする予測モデルを機械学習により生成するためのデータである。ここでいう教師データは作業用ＮＮモデルを生成するためのデータである。教師データおよびその生成方法については図６および図７等を用いて後述する。作用用ＮＮモデルとは入力信号を絞り込む作業、すなわち、無用信号を抽出する作業に用いる予測モデルである。作業用ＮＮモデルおよびその生成方法については、図８、図９、および図１０等を用いて後述する。無用信号の抽出方法については図１４等を用いて後述する。

無用信号リスト格納部１２００は、演算処理部１１００の演算処理の結果である無用信号のリストを記憶する記憶部である。

作業用ＮＮモデル格納部１３００は、演算処理部１１００による処理の過程で生成される作業用ＮＮモデルを記憶する。

正常異常判定条件格納部１４００は、操作表示部１６００から入力された正常異常判定条件の情報を記憶する記憶部である。

図２は、実施例１によるデータフィルタリング処理のフローチャートである。以下、発明の第１の実施形態を図２の処理手順にしたがって、逐次説明する。

図２を参照すると、まずステップ２０２０にて、データフィルタリング装置１０００は教師データ生成用の設定値と、教師データ生成用のプロセスデータを入力する。次にステップ２０３０にて、データフィルタリング装置１０００は教師データ生成用の設定値と教師データ生成用のプロセスデータを用いて教師データを生成する。続いてステップ２０４０にて、データフィルタリング装置１０００は教師データを用いてＮＮ学習を行い、作業用のＮＮモデルを生成する。続いてステップ２０５０にて、データフィルタリング装置１０００はＮＮモデルの構造解析を行い、無用信号を抽出する。最後にステップ２０６０にて、データフィルタリング装置１０００は無用信号のリストを記録する。

以下、図２の各ステップについて詳細に説明する。

＜ステップ２０２０＞
ステップ２０２０では、データフィルタリング装置１０００は、データフィルタリング処理に用いる教師データ生成用の設定値（１）と教師データ生成用のプロセスデータ（２）を取得する。

（１）教師データ生成用のプロセスデータ
教師データ生成用のプロセスデータは、オペレータの操作によりデータ入力部１５００が入力する。プロセスデータには、複数の属性項目のそれぞれについて一定時間間隔で取得された時系列値（信号）が含まれている。属性項目は取得される情報の種類である。図３は、プロセスデータの一例が示されている。図３の例では、Ｐ１〜Ｐ１１という１１個の属性項目がある。例えば、日時２０１６／１２／１１／１：００に取得された属性項目Ｐ１の値は１７．８であり、属性項目Ｐ２の値は１１３００である。また、日時２０１６／１２／１２／１：００に取得された属性項目Ｐ１の値は１９．２であり、属性項目Ｐ２の値は１０８２０である。

（２）教師データ生成用の設定値
操作表示部１６００が、オペレータの操作により教師データ生成用の設定値を入力する。教師データ生成用の設定値は、教師データの生成において、プロセスデータの各属性項目の値が異常か正常かを判定する閾値である。閾値は属性項目ごとに設けられている。図４は、操作表示部１６００のＧＵＩの一例を示す図である。図４には、無用信号を抽出するときにオペレータが利用する無用信号抽出画面が表示されている。無用信号抽出画面には、左画面１４１００、中央上画面１４２００、中央下画面１４３００、および右画面１４４００が含まれている。左画面１４１００が教師データ生成用の設定値を入力する画面である。左画面１４１００には、診断内容を入力するテキストボックス、閾値等を設定するプロセスデータの属性項目を入力する「決定プロセス量」ボックス、教師データの生成に用いる閾値を入力する「閾値」ボックス、教師データに用いる閾値を入力する「教師データ用閾値」ボックス、教師データの生成に用いるデータ範囲を入力する「教師データ生成用データ範囲」ボックスが設置されている。これらのボックスは、オペレータがテキストや数値を入力するテキストボックスであってもよいし、オペレータが複数の候補の中からいずれかを選択するドロップダウンリストであっても良いし、テキストボックスとドロップダウンリストを兼ねたコンボボックスであっても良い。

オペレータは「診断内容」ボックスに診断すべき内容を入力する。診断すべき内容がＮＮモデルの目的変数となる。オペレータは「決定プロセス量」ボックスにデータ条件等を設定する属性項目を入力する。図３の例ではＰ１〜Ｐ１１のいずれか１つが入力される。ここで入力される属性項目は作業用のＮＮモデルの説明変数となる。更に、オペレータは、「閾値」ボックスに、教師データの生成において、プラントが正常か異常かを判断するための閾値を入力する。「教師データ用閾値」ボックスに教師データが正常か異常かを判定するための閾値を入力する。「教師データ生成用データ範囲」ボックスに教師データの生成に用いるデータ範囲を入力する。「決定プロセス量」ボックスに入力された属性項目の時系列値のうち、どの範囲を教師データの生成に用いるかが設定される。ここでは、「決定プロセス量」ボックスに入力された属性項目と、「閾値」ボックスに入力された教師データ生成用の閾値とを対応付けて、正常異常判定条件格納部１４００に記録される。

再び図３を詳しく見ると、１行目には属性項目の項目名が記載され、２行目以降に各日時に取得された属性項目の値が記載されている。１列目にはデータが取得された日時が記載され、２列以降に、各属性項目の項目名とその１日間隔で取得された時系列の値とが記載されている。２列目以降のＰ１〜Ｐ１１の１１項の属性項目は、プラントの各測定点で測定された温度、圧力、流量、水位、電圧、電流などの測定値である。

図５は、プロセスデータの１つの属性項目のトレンドグラフの一例である。図５は、図３における属性項目Ｐ１のトレンドグラフが示されている。ここでは属性項目Ｐ１には閾値「２５」が設定されているものとする。図５には閾値の「２５」が破線で示されている。測定値が閾値を超えた期間が括弧で囲って示されている。例えば、２０１６／１２／２０から２０１６／１２／２２までの測定値が閾値「２５」を超えていることが［２０１６／１２／２０，２０１６／１２／２２］と示されている。

＜ステップ２０３０＞
ステップ２０３０では、データフィルタリング装置１０００は教師データ生成部１１１０により教師データを生成する。

図６は、教師データ生成処理のフローチャートである。図７は、教師データ生成処理について説明するための図である。

図６を参照すると、まずステップ６０２０にて、教師データ生成部１１１０は、プラントが正常か異常かの判定に必ず用いることが予め分かっている属性項目（判定信号）を選択し、データ入力部１５００から入力された過去のプロセスデータが取得された期間を、選択した属性項目の時系列の測定値が連続して閾値を超えている期間（異常期間）と、測定値が連続して閾値を超えていない期間（正常期間）に分割する。ここではプロセスデータが取得された過去の全体の期間のプロセスデータを教師データの生成に用いる例を示すが、本発明がこれに限定されることはない。他の例として、教師データの生成に用いる過去の期間をオペレータが指定することにしてもよい。

一般にプラントなどの診断対象あるいはその関連設備からは様々な属性に関する測定値など複数の属性項目の測定値が得られる。その複数の属性項目の中には診断対象が正常か異常かを判定するのに必ず用いられることが予め分かっている項目が含まれているのが通常である。本実施例では、プラントが正常か異常かの判定に必ず用いることが予め分かっている属性項目としてＰ１が選択された例を示す。閾値は、例えば、判定信号として選択した属性項目に基づきプラントが正常か異常かを判定するための判定条件として適切な値に設定すればよい。

ここで分割によって生成された期間をＴｉとする。図７を参照すると、プロセスデータが取得された全体の期間は期間Ｔ１〜Ｔ７という７つの期間に分割される。ここでは判定信号である属性項目Ｐ１の測定値は値が大きいほど異常の程度が高いものとする。期間Ｔ１、Ｔ３、Ｔ５、Ｔ７は測定値が閾値を超えない期間つまり正常期間である。期間Ｔ２、Ｔ４、Ｔ６は測定値が閾値を超える期間つまり異常期間である。

各期間には、測定値が閾値を超えない期間であるか否かを示すラベルが付加される。測定値が閾値を超えない正常期間にはラベル「０」が付加され、測定値が閾値を超える異常期間にはラベル「１」が付加される。図７の例では、測定値が閾値を超えない期間Ｔ１、Ｔ３、Ｔ５、Ｔ７にはラベル「０」が付加され、測定値が閾値を超える期間Ｔ２、Ｔ４、Ｔ６にはラベル「１」が付加される。期間ＴｘのラベルをＬ（Ｔｘ）と表すことにすると、Ｌ（Ｔ１）＝Ｌ（Ｔ３）＝Ｌ（Ｔ５）＝Ｌ（Ｔ７）＝０であり、Ｌ（Ｔ２）＝Ｌ（Ｔ４）＝Ｌ（Ｔ６）＝１である。Ｌ（Ｔｉ）＝０ならＬ（Ｔｉ＋１）＝１となり、Ｌ（Ｔｉ）＝１ならＬ（Ｔｉ＋１）＝０となる。

次にステップ６０３０にて、教師データ生成部１１１０は学習用の教師データのうちの正常データを生成する。

期間Ｔｉのうち０にラベル付けされた正常期間の集合をＲとする。図７の例では、Ｒ＝｛１，３，５，７｝となる。Ｒに属するｉに対応する期間Ｔｉに含まれるプロセスデータをまとめて１つの正常データとする。図７の例では、期間Ｔ１、Ｔ３、Ｔ５、Ｔ７のそれぞれについて１つずつ正常データが生成され、合計ｐ＝４個の正常データができる。各正常データの期間はそれぞれに長さが異なる。例えば、期間Ｔ１には２０１６／１２／１１と２０１６／１２／１２の２つの測定日時が含まれる。期間Ｔ１に含まれる測定日時の個数は２である。期間Ｔ３には２０１６／１２／１４から２０１６／１２／１９までの６つの測定日時が含まれる。このように期間に含まれる測定日時の個数を時間点数と呼ぶことにする。ここで述べた正常データおよび後述する異常データのうち最も長いつまり時間点数が最も多いものの期間に含まれる測定日時の個数を最大時間点数と呼ぶことにする。ここで最大時間点数−１＝Δを定義する。Δは期間の長さあるいは時間幅を表す。なお、異常データの期間については説明の都合上、後述することにする。

属性項目Ｐｉの測定値をｐｉとし、各期間Ｔｉに含まれる最後の測定日時をｔとし、その１つ前の測定日時をｔ−１とし、…、最初の測定日時をｔ−Δとすると、各期間Ｔｉにおける各測定日時の各属性項目Ｐ１〜Ｐ１１の測定値ｐ１（ｔ），ｐ２（ｔ），…，ｐ１１（ｔ），ｐ１（ｔ−１），ｐ２（ｔ−１），…，ｐ１１（ｔ−１），…，ｐ１（ｔ−Δ），ｐ２（ｔ−Δ），ｐ３（ｔ−Δ），…，ｐ１１（ｔ−Δ）が１つの正常データとなる。つまり、正常データｄ（ｉ）＝〔ｐ１（ｔ），ｐ２（ｔ），…，ｐ１１（ｔ），ｐ１（ｔ−１），ｐ２（ｔ−１），…，ｐ１１（ｔ−１），…，ｐ１（ｔ−Δ），ｐ２（ｔ−Δ），ｐ３（ｔ−Δ），…，ｐ１１（ｔ−Δ）〕という正常データの一次元ベクトルが定義される。なお、正常データの一次元ベクトルは最大時間点数×属性項目数に相当するサイズ（要素数）なので、その一次元ベクトルには測定値が存在しない要素がある。ここでは正常データの一次元ベクトルにおいて測定値が存在しない要素には値「０」を入れるものとする。

次にステップ６０４０にて、教師データ生成部１１１０は学習用の教師データのうちの異常データを生成する。

測定値が閾値を超えるにはそれ以前に原因あるいは予兆が起きている可能性があるので、本実施例では、測定値が閾値を超えた異常期間とその直前の測定値が閾値を超えない正常期間を合わせた期間を異常データの期間とする。図７の例では、ｅ１，ｅ２，ｅ３の３つの期間にそれぞれ対応するｑ＝３個の異常データが生成される。異常データは、正常データと同様の一次元ベクトルで表される。

図７の例では、ｅ２の期間では測定日時は閾値を超えた測定値と閾値を超えない測定値を合わせて９個である。このｅ２の期間が、正常データおよび異常データの期間の中で最も長い期間である。そのため最大時間点数は９であり、Δ＝９−１＝８である。上述した正常データの一次元ベクトルおよび異常データの一次元ベクトルにおいてΔ＝８である。

図７の例では、それぞれが９（最大時間点数）×１１（属性項目数）の要素からなる、ｐ＝４個の正常データと、ｑ＝３個の異常データが生成される。その正常データと異常データとを合わせて教師データとなる。

＜ステップ２０４０＞
図２のステップ２０４０では、ステップ２０３０で生成された教師データを用いてＮＮの機械学習を実行し、作業用のＮＮモデルを生成する。ＮＮモデルは、可塑型ニューラルネットワークの構造を有するモデルである。この可塑型ニューラルネットワークのＮＮモデルは、機械学習の過程において必要に応じてニューロン（ノード）およびシナプス（リンク）が追加される。また、リンクの結合荷重が時間的に変化する。作業用のＮＮモデルは、プラントの診断に用いない無用信号を抽出する作業に用いるＮＮモデルである。

図８は、本実施例におけるＮＮモデルの構造の一例を示す模式図である。図８を参照すると、ＮＮモデルには入力層と中間層と出力層がある。入力層は図中のＩｎｐｕｔ Ｌａｙｅｒであり、出力層は図中のＯｕｔｐｕｔ Ｌａｙｅｒである。中間層は隠れ層とも呼ばれ、図中のＨｉｄｄｅｎ Ｌａｙｅｒである。中間層は、１層であってもよいし、複数層であってもよい。本実施例では説明を簡単にするために、中間層が１層である例を用いて説明する。各層に存在するニューロンが図中では丸印で示されている。

入力層には教師データの属性項目数分だけニューロンを準備する。図９に示すように、本実施例では入力層のニューロン数は１１である。図９は、入力層と属性項目との対応関係を示す模式図である。本実施例は、プラントが異常か否かを診断することを目的とする診断システムが対象なので、出力層のニューロンはプラントの異常の有無を出力する１個のニューロンだけとする。中間層はまず初期状態ではニューロンなしに設定する。

各ニューロンｉに対して、時刻ｔにおける内部電位Ｖｉ（ｔ）について閾値θｖが定められている。内部電位Ｖｉ（ｔ）が閾値θｖ以上のときニューロンｉの出力Ｏｉ（ｔ）は１となり、内部電位Ｖｉ（ｔ）が閾値θｖより小さいときニューロンｉの出力Ｏｉ（ｔ）は０となる。

図１０は、実施例１におけるＮＮ学習処理を説明するためのフローチャートである。このＮＮ学習処理はＮＮ構造生成部１１２０が実行する。なお、以下の説明において、属性項目のそれぞれはプラントの各種属性を示す。

ステップ８０２０では、ＮＮ構造生成部１１２０は、教師データ生成部１１１０が生成した正常データおよび異常データを含む教師データを、属性数×最大時間点数Ｔｍａｘの長さ（要素数）を有するベクトルＸｉ（ｉ＝１，…，ｐ＋ｑ）の形式で不図示の記憶領域に格納する。本実施例では、４個の正常データの一次元ベクトルと３個の異常データの一次元ベクトルが記憶領域に格納される。また、本実施例では、属性数は１１であり、最大時間点数Ｔｍａｘは９であるので、一次元ベクトルの要素数は９９である。各教師データは期間がそれぞれ異なるが、測定値を左寄せして要素に当て嵌め、当て嵌める測定値の存在しない要素の値は０とする。

また、ＮＮ構造生成部１１２０は、正常データＸｉにはラベル０を付加する。これをＬＴ（Ｘｉ）＝０と略記する。また、ＮＮ構造生成部１１２０は、異常データＸｊにラベル１を付加する。これをＬＴ（Ｘｊ）＝１と略記する。つまり、各Ｘｉにおいて、ｉ＝１，…，ｐではＬＴ（Ｘｉ）＝０となり、ｉ＝ｐ＋１，…，ｐ＋ｑではＬＴ（Ｘｉ）＝１となる。

ステップ８０３０では、ＮＮ構造生成部１１２０は、ステップ８０２０で不図示の記憶領域に格納した教師データのベクトルＸｉ（ｉ＝１，…，ｐ＋ｑ）のうち、先頭にあるｐ個のベクトルと末尾にあるｑ個のベクトルとを入れ替える。これにより、不図示の記憶領域において教師データは、先頭のｑ個のベクトルが異常データであり、末尾のｐ個のベクトルが正常データであるという配置となる。ベクトルがあらたな順序で配置された教師データをＹｉ（ｉ＝１，…，ｐ＋ｑ）とする。ここで前後のベクトルを入れ替えるのは機械学習を効率よく行うためである。ここでｐ＋ｑ回の繰り返し処理における繰り返し回数をカウントするカウンタを初期値ｎ＝１に設定する。

ステップ８０４０において、ＮＮ構造生成部１１２０は、１から最大時間点数Ｔｍａｘまでの時間ステップの区切りをＴとし、ステップ８０３０で生成された各教師データの一次元ベクトルＹ（ｎ）＝〔ｐ（１），ｐ（２），…，ｐ（１１×Ｔｍａｘ）〕を、対応するプロセスデータの測定日時が早い順番に、属性項目数に等しい要素数を有するＴｍａｘ個のベクトルＹ（ｎ，Ｔ）（Ｔ＝１，…，Ｔｍａｘ）に分割する。

以下のステップ８０５０から８１４０までの一連の処理は、ｎ、Ｔ、ｔを更新しながら各データＹ（ｎ，Ｔ）を読み込んで行う学習処理である。

ステップ８０５０では、ＮＮ構造生成部１１２０はループのカウンタ変数と内部処理に用いる変数とを初期値に設定する。つまり、ｎ＝１、Ｔ＝１、ｔ＝１を設定する。Ｔは、プロセスデータから必要な教師データの要素を抽出するための引数となる。ｔは、プロセスデータ全体における経過時間であり、ＮＮ学習の内部処理に用いられる。ループ処理の中でＴはステップ８１１０において最大値Ｔｍａｘまで更新される。またｎはステップ８１３０において最大値ｐ＋ｑまで更新される。

ステップ８０６０では、ＮＮ構造生成部１１２０は、ベクトルＹ（ｎ，Ｔ）の各要素ｐ（１），…，ｐ（１１）の値を入力層の各ニューロンＩ（１），…，Ｉ（１１）の入力値に設定し、各ニューロンの出力値を閾値にしたがって決定し、ＮＮの結合に従ってニューロン間で信号を伝達することを出力層ニューロンＯの出力値が得られるまで行う。

ステップ８０７０では、ＮＮ構造生成部１１２０は、教師データが報酬を得られるものであるか否か判定する。具体的には、ＮＮ構造生成部１１２０は、ラベルＬＴ（Ｙ（ｎ））＝１の教師データつまり異常データを入力層ニューロンに入力して出力層ニューロンの出力値として１が得られた場合またはラベルＬＴ（Ｙ（ｎ））＝０の教師データつまり正常データを入力層ニューロンに入力し出力層ニューロンの出力値として０が得られた場合にＹｅｓと判定し、それ以外の場合をＮｏと判定する。

ステップ８０７０にてＹｅｓと判定された場合には、ＮＮ構造生成部１１２０は、ステップ８０８０にてＮＮモデルに報酬１を付与する。つまり、時刻ｔにおける報酬値Ｓ（ｔ）＝１を設定する。一方、ステップ８０７０にてＮｏと判定された場合には、ＮＮ構造生成部１１２０は、ステップ８０９０にてＮＮモデルに報酬０を付与する。つまり、時刻ｔにおける報酬値Ｓ（ｔ）＝０を設定する。

そして、ＮＮ構造生成部１１２０はステップ８１００にてＮＮの拡張処理を行った後、ステップ８１１０にて所定の更新ルールに従ってＮＮを更新する。ＮＮの拡張処理については後述する。

以下、ステップ８１１０におけるＮＮの更新について説明する。

ニューラルネットワークにおけるニューロンｉの時刻ｔにおける内部電圧Ｖｉ（ｔ）は、外部からの入力の影響Ｐｉ（ｔ）と、不応性による影響Ｒｉ（ｔ）と、フラストレーション値Ｆ（ｔ）に依存したパルスの影響λｉ（ｔ）の和により、Ｖｉ（ｔ）＝Ｐｉ（ｔ）＋Ｒｉ（ｔ）＋λｉ（ｔ）と表すことができる。Ｐｉ（ｔ）、Ｒｉ（ｔ）、λｉ（ｔ）はそれぞれの直前の時刻ｔ−１における値Ｐｉ（ｔ−１）、Ｒｉ（ｔ−１）、λｉ（ｔ−１）、およびニューロンｉ自身の出力値Ｏｉ（ｔ−１）によって決まる。その関係を示す式が、時刻ｔ−１にから時刻ｔへＮＮの状態を更新する更新ルールである。図１１は実施例１によるＮＮの更新ルールの一例を示す図である。図１１の更新ルールは、Ｖｉ（ｔ）＝Ｐｉ（ｔ）＋Ｒｉ（ｔ）＋λｉ（ｔ）という関係式と、その関係式に登場するＰｉ（ｔ）、Ｒｉ（ｔ）、λｉ（ｔ）のそれぞれを表す関係式とを含んでいる。

ここでｄｖとｄｒは、内部遷移と不応性の減衰率とである。ｋｄは、パルス伝搬の遅延を表す。Ｗｉｊ（ｔ−ｋｄ）は、時刻ｔ−ｋｄにおけるニューロンｉからｊへの結合荷重である。ｒ（Ｆｉ（ｔ））は、−Ｆｉ（ｔ）〜Ｆｉ（ｔ）の範囲を一様分布するランダムパルスの大きさを示す。また、ｆｉ（ｔ）は、時刻ｔにおけるフラストレーション値Ｆｉ（ｔ）の時刻ｔ−１での値Ｆｉ（ｔ−１）と比べた増加量を示す。隠れ層ニューロンと出力層ニューロンではｆｉ（ｔ）の初期値を正の微少値ｋｆに設定し、入力層ニューロンではｆｉ（ｔ）の初期値を０に設定する。また、Ｄ（ｔ）は、時刻ｔにおけるフラストレーション値Ｆｉ（ｔ）の解消を調整する変数である。Ｄ（ｔ）は、初期値をＤｉｎｉｔ（例えば０．０５）とし、所定時間の経過と共に少しずつ（例えば０．０１ずつ）増加していくように設定する。

以下、ステップ８１００におけるＮＮの拡張処理について説明する。

拡張処理では、ＮＮ構造生成部１１２０は中間層のニューロンを追加する。図１２は、中間層にニューロンを追加するための条件の一例を示す図である。図１２には中間層にニューロンを追加するための４つの条件が示されている。ＮＮ構造生成部１１２０は条件１〜４の全てが満たされたら中間層にニューロンを追加する。

条件１は、時刻ｔにおいて、正の報酬が与えられていることである。本実施例では条件１はＳ（ｔ）＝１であることである。条件２は、出力層ニューロンｋの時刻ｔにおける不反性の値Ｒｋｏ（ｔ）の絶対値が閾値θｒより大きいことである。条件３は、いずれかの入力層ニューロンｊの不反性の値Ｒｋｉ（ｔ）の絶対値が閾値θｒより大きいことである。条件４は、出力層ニューロンと結合する隠れ層ニューロンｊの中に、ＲｊＨ（ｔ）の絶対値が閾値θｒより大きく、かつ、ニューロンｊと接続するすべての入力層ニューロンについて条件３がなりたつ隠れ層ニューロンｊが存在しないことである。

条件１〜４がなりたつと、ＮＮ構造生成部１１２０は、条件３を満たす全ての入力層ニューロンおよび出力層ニューロンとの間に結合をもつ新たな隠れ層ニューロンを生成する。生成されたニューロンｍの入力層との結合荷重ＷＩＨは定数ＷＩＨとする。ニューロンｍと出力層ニューロンとの結合荷重ＷＨＯはＷＨＯ＝θｖとする。ｆｍ（ｔ）の初期値は、ｋｆとする。

図１３は、新たに生成された中間層ニューロンを理解するための概念図である。図１３を参照すると、新たに生成された中間層ニューロン（新規生成中間層ニューロン）は、２つの入力層ニューロンおよび出力層ニューロンと結合されている。新規生成中間層ニューロンと結合された２つの入力層ニューロンが条件３を満たした入力層ニューロンである。新規生成中間層ニューロンは、入力層ニューロンと結合荷重ＷＩＨで結合され、出力層ニューロンと結合荷重ＷＨＯで結合されている。

以上説明したステップ８０６０〜８１４０の一連の処理は、各Ｙ（ｎ，Ｔ）（ｎ＝１，…，ｐ＋ｑ，Ｔ＝１，…，Ｔｍａｘ）のそれぞれに対して行われる。この繰り返し処理おいては、Ｙ（ｎ，Ｔ）の値を読み込んで一連の処理を行うたびに、ＮＮの内部処理のための時刻ｔは１ずつ増加してくことに注意を要する。これら一連の処理により生成され、更新されるＮＮは、作業用ＮＮモデル格納部１３００に逐次、格納され、更新される。
＜ステップ２０５０＞
ステップ２０５０では、データフィルタリング装置１０００は、ステップ２０４０で生成したＮＮモデルの構造解析を行い、無用信号を抽出する。その際、入力削減部１１３０が無用信号抽出処理を実行する。図１４は、無用信号抽出処理を理解するための概念図である。図９に示したように、入力層ニューロンのそれぞれがプロセスデータの属性項目Ｐ１〜Ｐ１１のそれぞれに対応している。一方、生成されたＮＮモデルにおいては全ての入力層ニューロンが中間層ニューロンと結合しているわけではない。中間層ニューロンと結合されていない入力層ニューロンに対応する属性項目の信号はＮＮモデルの処理に利用されないものとして無用信号とすることができる。このようにして入力削減部１１３０は無用信号を抽出する。
＜ステップ２０６０＞
ステップ２０６０では、データフィルタリング装置１０００は、ステップ２０５０で抽出した無用信号のリストを無用信号リスト格納部１２００に記録するとともに、ステップ２４０で生成されたＮＮモデルを作業用ＮＮモデル格納部１３００に格納する。また、操作表示部１６００は抽出された無用信号の情報を画面に表示する。

図４には無用信号を表示する画面の一例が示されている。中央上画面１４２００には、ＮＮモデルの模式図が表示されている。中央下画面１４３００には、無用信号リストが表示されている。無用信号リストには、無用信号の名称または識別情報が表示される。本実施例では、オペレータは中央下画面１４３００のＧＵＩにより無用信号リストの中からいずれかの無用信号を選択することができる。図４の例では、無用信号Ｐｘ１１１が選択されており、選択された無用信号Ｐｘ１１１が中央下画面１４３００において破線で囲われている。右画面１４４００にはプラント系統図が示され、そのプラント系統図中にオペレータにより選択された無用信号の測定位置が×（バツ印）で示されている。

以上説明したように、本実施例によれば、教師データ生成部１１１０が、複数の時系列信号の中から診断に有用であることが予め分かっている時系列信号を判定信号とし、過去に取得された判定信号のデータに基づいて監視対象（プラント）が正常である正常期間と監視対象が異常である異常期間とを決定し、正常期間および異常期間に基づいて、過去に取得された複数の時系列信号のデータから正常データおよび異常データを含む教師データを生成する。モデル生成部（ＮＮ構造生成部）１１２０は、教師データの機械学習を行うことにより、複数の時系列信号の１つ以上を入力とし監視対象が正常か異常かを示す信号を出力するモデルを生成する。入力削減部１１３０は、モデルの構造に基づいて複数の時系列信号の中から無用信号を抽出する。このように、機械学習で生成したモデルの構造に基づいて無用信号を抽出するので、作業する人の経験の有無に依存せず、高い精度の診断が可能な解析対象データの絞り込みが可能となる。

また、入力削減部１１３０は、複数の時系列信号のうち、モデルにて算出される監視対象の異常の程度を示す指標値の変動に関わらない信号を無用信号とする。モデルにおいて算出される監視対象の異常を示す指標値の変動に関わらない時系列信号を無用信号とするので、モデルの構造から無用信号を簡単に抽出することができる。

また、モデル生成部１１２０は、可塑型ニューラルネットワークによる機械学習を行うことによりモデルを生成する。可塑型ニューラルネットワークの機械学習により時系列信号を用いて、モデルにニューロンやリンクを追加して更新するので、高精度のモデルにより高精度で無用信号を抽出することができる。

また、モデル生成部１１２０は、複数の時系列信号のそれぞれに対応する複数の入力層ニューロンを初期設定して機械学習を行い、入力削減部１１３０は、機械学習により生成されたモデルにおいて中間層ニューロンと結合の無い入力層ニューロンに対応する時系列信号を無用信号として抽出する。複数の時系列信号に対応する入力層ニューロンを初期設定して機械学習を行うので、複数の時系列信号の異常検知への関わりの有無を、中間層ニューロンとの結合の有無により評価して、無用信号を決めることができ、作業する人の経験の有無に依存せずに無用信号を決めることができる。

また、教師データ生成部１１１０は、過去に取得された判定信号の値を閾値と比較することにより、複数の時系列信号の過去の値が取得された期間を、連続して監視対象が正常であった正常期間と、連続して監視対象が異常であった異常期間とに分割し、正常期間および異常期間に基づいて正常データおよび異常データを生成する。診断に有用であることが予め分かっている判定信号により正常期間と異常期間を区分けするので、適切に正常期間と異常期間を設定して機械学習を行い、無用信号を適切に抽出することができる。

また、異常データは、異常期間に取得された複数の時系列信号の値と、その異常期間の直前の正常期間に取得された複数の時系列信号の値を含む。異常期間のデータとその原因が含まれている可能性のある正常期間とを合わせて異常データとして機械学習に用いるので、異常検知の精度を高く維持しながら無用信号を抽出することができる。

実施例２は実施例１とは教師データの一次元ベクトルの構成が異なる。実施例２では、実施例１のものと構成の異なる教師データを用いて、実施例１と同様の処理により無用信号を抽出する。その結果、実施例２では、無用信号の抽出において時間の遅れ幅も考慮される。

プラントから得られるプロセスデータの解析においては、各属性項目の測定値を、どの時間範囲の分まで用いるかがデータ処理の効率および精度の観点から重要である。実施例１では、教師データの一次元ベクトルの長さ（要素数）は、（属性項目数）×（最大時間点数）であるが、ＮＮ学習処理におけるループ処理に用いる教師データの一次元ベクトルの長さ（要素数）は属性項目数である。最大時間点数というのは正常データおよび異常データの期間に含まれる測定日時の最大数である。一方、実施例２では、ＮＮ学習のループ処理に用いる教師データの一次元ベクトルの長さが実施例１のものと異なり、（属性項目数）×（最大時間点数）である。

実施例２によるデータフィルタリング装置の基本的な構成は図１に示した実施例１のものと同様である。また、実施例２によるデータフィルタリング装置が実行するデータフィルタリング処理も基本的には、図２に示した実施例１のものと同様であるが、図１０に示したＮＮ学習処理におけるステップ８０４０の処理が異なる。

図１５は、実施例２におけるＮＮの学習処理のループ処理に用いる一次元ベクトルＹ（ｎ，ｍ）について説明するための図である。実施例１では、図１０のステップ８０４０に示したように、ステップ８０３０で生成された属性数×最大時間点数の要素数を有する一次元ベクトルベクトルＹ（ｎ）を、属性数に等しい要素数を有する最大時間点数個の一次元ベクトルＹ（ｎ，ｍ）に分割したが、実施例２では、ステップ８０３０で生成された属性数×最大時間点数の要素数を有する一次元ベクトルＹ（ｎ）から、そのＹ（ｎ）と同じ要素数（属性数×最大時間点数）の一次元ベクトルＹ（ｎ，ｍ）を最大時間点数個分だけ生成する。

図１５に示すように、実施例２ではＮＮ学習処理に用いるＮＮモデルとして入力層に教師データの属性項目数×最大時間点数分だけのニューロンを準備する。各測定値の測定時刻の教師データ内での時間位置毎にニューロンを設けることで、各測定値の測定時刻の教師データ内での時間位置がＮＮ学習処理に反映され、最新の測定日時（例えば現在時刻）Ｔ＊から最大時点数に相当する遅れ時間の日時までの測定値の必要性を評価することが可能となる。

ステップ８０３０で生成される一次元ベクトルＹ（ｎ）は入力層ニューロンに対応する属性項目数×最大時間点数の要素を有している。以下、入力層ニューロンに対応する要素を有する一次元ベクトルＹ（ｎ）から、ＮＮ学習のループ処理に用いるＹ（ｎ，ｍ）を生成する処理について説明する。

まず、一次元ベクトルＹ（ｎ，１）は、最初の属性項目数（１１個）の各属性項目Ｐ１〜Ｐ１１に相当する要素へはＹ（ｎ）における同じ位置の要素の値を設定し、それ以外の要素へは０を設定する。例えば、一次元ベクトルＹ（ｎ）の最初の属性項目数（１１個）の各属性項目Ｐ１〜Ｐ１１に相当する要素以外の要素をマスクすることにより生成することができる。次の一次元ベクトルＹ（ｎ，２）は、Ｙ（ｎ）のうち、１２番目から２２番目の各属性項目Ｐ１〜Ｐ１１に相当する要素へはＹ（ｎ）における同じ位置の要素の値を設定し、それ以外の要素へは０を設定する。同様に、一次元ベクトルＹ（ｎ，ｋ）は、（ｋ−１）＊１１＋１番目からｋ＊１１番目の各属性項目Ｐ１−Ｐ１１に相当する要素へはＹ（ｎ）における同じ位置の要素の値を設定し、それ以外の要素へは０を設定する。このようにしてＹ（ｎ，１）からＹ（ｎ，Ｔｍａｘ）までの一次元ベクトルを作成する。

実施例２のＮＮ学習処理は、図１０に示した実施例１のものと同様である。実施例２では、図１０に示したＮＮ学習処理において、上述したように作成した一次元ベクトルＹ（ｎ，１）〜Ｙ（ｎ，Ｔｍａｘ）を用いる。

図１６は、実施例２におけるＮＮ学習処理により生成されたＮＮの一例を示す図である。入力層の各ニューロンに対応する属性項目の必要性は中間層のニューロンとのリンクに基づいて判断される。図１６を参照すると、属性項目ｐ２については、最新の測定日時から時間遅れ（Ｔｍａｘ−１）までのすべての測定値が必要である。一方、属性項目ｐ１については、最新の測定日時の測定値のみが必要とされる。このように属性項目ｐ１と属性項目ｐ２とではプラントの診断における必要性の程度が異なる。本実施例の入力削減部１１３０は、この必要性の程度に基づいて無用信号であるか否かを判定することにしてもよい。また、入力削減部１１３０は、無用信号リストにおいて、各無用信号の信号名だけでなく、不要とされた遅れ時間の範囲の情報も記録することにしてもよい。更に、操作表示部１６００は、無用信号リストを表示するとき、不要とされた遅れ時間の範囲の情報も表示することにしてもよい。

図１７は、実施例２における無用信号表示画面の中央下画面の表示例を示す図である。実施例１では図４の中央下画面１４３００の無用信号リストには、無用信号の信号名のみが表示されているが、本実施例では図１７に示すように、無用信号の信号名とともに、不要な遅れ時間の範囲を表示することにしてもよい。

本実施例によれば、モデル生成部（ＮＮ構造生成部）１１２０は、複数の時系列信号の複数時刻分に対応する複数の入力層ニューロンを設けて機械学習を行い、入力削減部１１３０は、機械学習により生成されたモデルにおける入力層ニューロンと中間層ニューロンとの結合の程度に基づいて複数の時系列信号から無用信号を抽出する。時系列信号の複数時刻分に対応する入力層ニューロンを初期設定して機械学習を行い、得られたモデルの構造から無用信号を決めるので、作業する人の経験の有無に依存せず、時間遅れも考慮して、無用信号を決めることができる。

実施例１では、プラントから得られる様々な時系列信号からプラントの診断に用いる信号を絞り込むデータフィルタリング装置を例示した。それに対し、実施例３では、実施例１と同様の構成および方法で絞り込んだ信号を用いてプラントを診断する診断処理を実行し、その診断の性能を評価することが可能なデータフィルタリング装置について説明する。絞り込んだ時系列信号を用いた診断の性能を評価することにより、時系列信号の絞り込みが適切に行われたかどうかを知ることができる。

図１８は、実施例３によるデータフィルタリング装置のブロック図である。データフィルタリング装置２０００は、演算処理部１８１００、データ入力部１５００、評価用データ入力部１８７００、操作表示部１８８００、正常異常判定条件格納部１４００、作業用ＮＮモデル格納部１３００、および無用信号リスト格納部１２００を有している。演算処理部１８１００は、教師データ生成部１８１１０、ＮＮ構造生成部１８１２０、入力削減部１８１３０、診断処理部１８１４０、および診断性能評価部１８１５０を有している。データ入力部１５００、正常異常判定条件格納部１４００、作業用ＮＮモデル格納部１３００、および無用信号リスト格納部１２００は図１に示した実施例１のものと同じである。

また、教師データ生成部１８１１０、ＮＮ構造生成部１８１２０、および入力削減部１８１３０は、図１に示した実施例１の教師データ生成部１１１０、ＮＮ構造生成部１１２０、および入力削減部１１３０と同様の機能を有し、更に操作表示部１８８００からオペレータの操作により入力された指示に基づきインタラクティブに処理を実行することができる。

本実施例の評価システムでは、診断処理部１８１４０は、教師データ生成部１８１１０、ＮＮ構造生成部１８１２０、および入力削減部１８１３０の処理により無用信号が除かれ絞り込まれた属性項目の信号を用いて診断を行う。

評価用データ入力部１８７００は、評価用データを入力する入力部である。評価用データ入力部１８７００は、元データを入力するデータ入力部１５００と同様の構成を有してもよいし、データ入力部１５００と共用されてもよい。評価用データは、元データと同様の属性項目の信号を含んでいる。

診断性能評価部１８１５０は、評価用データを用いて、無用信号を除いた診断処理と、無用信号を除かない診断処理とを実行し、それらの診断結果を比較することで、無用信号を除いた場合の診断性能を評価する。無用信号を除いた診断処理の結果が、無用信号を除かない診断処理の結果とどの程度一致したかにより、診断性能を評価することができる。

診断処理部１８１４０によるプラントの診断処理の結果に基づいて診断処理の性能を評価する。

教師データ生成部１８１１０、ＮＮ構造生成部１８１２０、および入力削減部１８１３０による無用信号の抽出と、診断処理部１８１４０による評価用データを用いた診断処理と、診断性能評価部１８１５０による診断性能の評価とが、操作表示部１８８００を操作するオペレータへの情報の表示を伴い、またオペレータによる操作入力に基づき、インタラクティブに連動する。

操作表示部１８８００は、図１に示した実施例１の操作表示部１６００と同様に図４に例示した無用信号抽出画面を表示し、また診断処理の性能を評価するための診断テスト画面を表示することができる。

図１９は、診断テスト画面の一例を示す図である。図１９を参照すると、診断テスト画面には、オペレータが診断用データ範囲を指定するための「評価用データ」ボックスが表示されている。例えば、評価用データの範囲を測定日時で指定することができる。また、診テスト画面には、診断性能の評価結果として、「検知率」、「誤検知率」、および「事前検知時間」が表示されている。

検知率は、プラントに発生した異常の回数に対する検知された異常の回数の割り合いである。検知率は高いほど診断性能が高いと言える。誤検知率は、プラントに発生した異常を検知した回数に対する、プラントの異常が発生していないのに異常を検知した回数の割合である。誤検知率は低いほど診断性能が高いと言える。

事前検知時間は、異常の程度を示す信号が実際の閾値が超える時点よりもどれだけ早く異常を検知ができたかの評価値である。評価用データ入力部１８７００から入力された評価用データと決定プロセスの閾値とに基づき指標値が閾値が超える時刻を探索し、その時刻と、無用信号を除いた診断処理において異常を検知した時刻とを比較して、事前検知時間を評価することができる。

なお、診断処理部１８１４０における診断処理には、無用信号を抽出する処理で生成された作業用のＮＮモデルをそのまま用いてもよいし、他の診断アルゴリズムを用いてもよい。

オペレータは、診断テスト画面の表示を見て十分な診断性能が得られているか否か検討し、必要に応じて、図４に示した無用信号抽出画面に移動して閾値の設定を調整するなどが可能である。インタラクティブに無用信号の抽出と診断性能の表示を繰り返しながら、適切な無用信号の抽出が可能である。

本実施例によれば、実施例１のデータフィルタリング装置の構成に加え、入力削減部１１３０により抽出された無効信号を除いた前記時系列信号を用いて前記監視対象における異常の有無を診断する診断処理部１８１４０と、診断処理部１８１４０による診断の性能を評価する診断性能評価部１８１５０と、診断性能評価部１８１５０による評価結果を画面表示し、操作入力に基づき、教師データ生成部１８１１０、モデル生成部（ＮＮ構造生成部）１８１２０、および入力削減部１８１３０を制御する操作表示部１８８００と、を更に有する。無用信号を除いた時系列信号を用いて診断処理を行って診断性能を評価し、画面表示および操作入力を経て、インタラクティブに無用信号の抽出精度を向上させることができる。

また、診断性能評価部１８１５０は、無用信号を除いた時系列信号を用いた診断処理における、発生した異常の回数に対する検知された異常の回数の割り合いである検知率、発生した異常を検知した回数に対する、異常が発生していないのに異常を検知した回数の割合である誤検知率、および、異常の程度を示す信号が実際の閾値が超える時点よりもどれだけ早く異常を検知ができたかを示す事前検知時間を算出する。操作表示部１８８００は、検知率、誤検知率、および事前検知時間を表示する。発生した異常を確実に検知でき、また異常でないときに異常を検知せず、しかも十分に早い段階で異常を検知できるようにしながら、診断に用いる時系列信号を削減することができる。

なお、本発明は上記した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。また、各実施例の構成の一部について、他の構成の追加・削除・置換をすることが可能である。また、上記の各構成、機能、処理部、処理手段等は、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、上記の各構成、機能等は、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、テーブル、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、または、ICカード、SDカード、DVD等の記録媒体に置くことができる。

１０００…データフィルタリング装置、１１００…演算処理部、１１１０…教師データ生成部、１１２０…ニューラルネットワーク構造生成部（モデル生成部）、１１３０…入力削減部、１２００…無用信号リスト格納部、１３００…作業用ニューラルネットワークモデル格納部、１４００…正常異常判定条件格納部、１５００…データ入力部、１６００…操作表示部、２０００…データフィルタリング装置、１４１００…左画面、１４２００…中央上画面、１４３００…中央下画面、１４４００…右画面、１８１００…演算処理部、１８１１０…教師データ生成部、１８１２０…ニューラルネットワーク構造生成部、１８１３０…入力削減部、１８１４０…診断処理部、１８１５０…診断性能評価部、１８７００…評価用データ入力部、１８８００…操作表示部

Claims (12)

1. 監視対象に関連して取得される複数の時系列信号を用いて前記監視対象が正常か異常かの診断を行う診断システムにおいて前記診断に用いない無用信号を抽出するデータフィルタリング装置であって、
   前記複数の時系列信号の中から前記診断に有用であることが予め分かっている時系列信号を判定信号とし、過去に取得された前記判定信号のデータに基づいて前記監視対象が正常である正常期間と前記監視対象が異常である異常期間とを決定し、前記正常期間および前記異常期間に基づいて、過去に取得された前記複数の時系列信号のデータから正常データおよび異常データを含む教師データを生成する教師データ生成部と、
   前記教師データの機械学習を行うことにより、前記複数の時系列信号の１つ以上を入力とし前記監視対象が正常か異常かを示す信号を出力するモデルを生成するモデル生成部と、
   前記モデルの構造に基づいて前記複数の時系列信号の中から前記無用信号を抽出する入力削減部と、
   を有するデータフィルタリング装置。
2. 前記入力削減部は、前記複数の時系列信号のうち、前記モデルにて算出される前記監視対象の異常の程度を示す指標値の変動に関わらない信号を前記無用信号とする、請求項１に記載のデータフィルタリング装置。
3. 前記モデル生成部は、可塑型ニューラルネットワークによる機械学習を行うことにより前記モデルを生成する、請求項１に記載のデータフィルタリング装置。
4. 前記モデル生成部は、前記複数の時系列信号のそれぞれに対応する複数の入力層ニューロンを初期設定して前記機械学習を行い、
   前記入力削減部は、前記機械学習により生成された前記モデルにおいて中間層ニューロンと結合の無い入力層ニューロンに対応する時系列信号を前記無用信号として抽出する、
   請求項３に記載のデータフィルタリング装置。
5. 前記モデル生成部は、前記複数の時系列信号の複数時刻分に対応する複数の入力層ニューロンを設けて前記機械学習を行い、
   前記入力削減部は、前記機械学習により生成された前記モデルにおける前記入力層ニューロンと中間層ニューロンとの結合の程度に基づいて前記複数の時系列信号から前記無用信号を抽出する、
   請求項３に記載のデータフィルタリング装置。
6. 前記教師データ生成部は、前記過去に取得された前記判定信号の値を閾値と比較することにより、前記複数の時系列信号の過去の値が取得された期間を、連続して前記監視対象が正常であった正常期間と、連続して前記監視対象が異常であった異常期間とに分割し、前記正常期間および前記異常期間に基づいて前記正常データおよび前記異常データを生成する、請求項１に記載のデータフィルタリング装置。
7. 前記異常データは、前記異常期間に取得された前記複数の時系列信号の値と、該異常期間の直前の正常期間に取得された前記複数の時系列信号の値を含む、請求項６に記載のデータフィルタリング装置。
8. 前記入力削減部により抽出された前記無効信号を除いた前記時系列信号を用いて前記監視対象における異常の有無を診断する診断処理部と、
   前記診断処理部による前記診断の性能を評価する診断性能評価部と、
   前記診断性能評価部による評価結果を画面表示し、操作入力に基づき、前記教師データ生成部、前記モデル生成部、および入力削減部を制御する操作表示部と、
   を更に有する、
   請求項１に記載のデータフィルタリング装置。
9. 前記診断性能評価部は、前記無用信号を除いた時系列信号を用いた診断処理における、発生した異常の回数に対する検知された異常の回数の割り合いである検知率、発生した異常を検知した回数に対する、異常が発生していないのに異常を検知した回数の割合である誤検知率、および、異常の程度を示す信号が実際の閾値が超える時点よりもどれだけ早く異常を検知ができたかを示す事前検知時間を算出し、
   前記操作表示部は、前記検知率、前記誤検知率、および前記事前検知時間を表示する、
   請求項８に記載のデータフィルタリング装置。
10. 監視対象に関連して取得される複数の時系列信号を用いて前記監視対象が正常か異常かの診断を行う診断システムにおいて前記診断に用いない無用信号を抽出するためのデータフィルタリング方法であって、
    教師データ生成手段が、前記複数の時系列信号の中から前記診断に有用であることが予め分かっている時系列信号を判定信号とし、過去に取得された前記判定信号のデータに基づいて前記監視対象が正常である正常期間と前記監視対象が異常である異常期間とを決定し、前記正常期間および前記異常期間に基づいて、過去に取得された前記複数の時系列信号のデータから正常データおよび異常データを含む教師データを生成し、
    モデル生成手段が、前記教師データの機械学習を行うことにより、前記複数の時系列信号の１つ以上を入力とし前記監視対象が正常か異常かを示す信号を出力するモデルを生成し、
    入力削減手段が、前記モデルの構造に基づいて前記複数の時系列信号の中から前記無用信号を抽出する、
    データフィルタリング方法。
11. 前記入力削減手段は、前記複数の時系列信号のうち、前記モデルにて算出される前記監視対象の異常の程度を示す指標値の変動に関わらない信号を前記無用信号とする、請求項１０に記載のデータフィルタリング方法。
12. 前記モデル生成手段は、可塑型ニューラルネットワークによる機械学習を行うことにより前記モデルを生成する、請求項１０に記載のデータフィルタリング方法。

Images