JP2019028565A - 故障予知方法、故障予知装置および故障予知プログラム - Google Patents

Abstract

【課題】機械設備の故障予知精度を向上させること。【解決手段】機械設備に設けられた複数のセンサのセンサデータを収集する収集工程と、センサデータのうち、機械設備が正常状態にあった所定期間分、および、任意の評価時における評価分を抽出する抽出工程と、正常期間分を用いた機械学習の実行によって、機械設備における相関モデルを生成する生成工程と、正常期間分を相関モデルへの入力によって得られる相関モデルの出力値より正常期間分のサンプルデータを導出する導出工程と、評価分を相関モデル入力によって得られる相関モデル出力値により機械設備の正常状態からの乖離度を評価する評価工程と、乖離度に基づいて機械設備の故障予兆を判定する判定工程と、抽出工程で抽出される誤検知に対応するセンサデータを含む追加学習分、および、正常期間分のサンプルデータがともに反映されるよう機械学習の実行によって、相関モデルを更新する更新工程。【選択図】図２

Description

開示の実施形態は、故障予知方法、故障予知装置および故障予知プログラムに関する。

従来、機械設備につき、機械設備に設けられたセンサのセンサ値を監視することで故障予兆を検出することにより、故障の発生を予知する技術が知られている（たとえば、特許文献１参照）。

また、従来、機械設備につき、過去の介入操作実績に基づく機械学習を実行することで介入操作を行う条件を含むルール情報を生成し、かかるルール情報と現在の機械設備の状況とに基づいて行うべき介入操作を決定し、指示する技術が知られている（たとえば、特許文献２参照）。前述のルール情報は、いわゆる予測モデルに対応する。

ここで、特許文献２に開示の技術を特許文献１に開示の技術に応用し、たとえば故障発生時においてセンサが示すセンサ値を機械学習することで、予測モデルによる故障予知が可能になると考えられる。

特開２０１１−２３０６３４号公報 特開２０１７−０４９８０１号公報

しかしながら、上述した従来技術には、機械設備の故障予知精度を向上させるうえで、さらなる改善の余地がある。

具体的には、予測モデルを生成する最初の段階で、すべての故障の状況を示す機械学習用データを収集し、網羅することは事実上困難である。特に、機械設備が、たとえば大型冷凍機やプラントといった大型メカトロニクス機械である場合には、設けられているセンサの数は膨大であるため、より困難と言える。

また、仮にデータが収集できて機械学習を実行し、予測モデルが生成できたとしても、実際の運用データにやはり想定外のパターンが存在してしまえば、かかる想定外のパターンにより誤検知が生じてしまうおそれがある。

実施形態の一態様は、上記に鑑みてなされたものであって、機械設備の故障予知精度を向上させることができる故障予知方法、故障予知装置および故障予知プログラムを提供することを目的とする。

実施形態の一態様に係る故障予知方法は、収集工程と、抽出工程と、生成工程と、導出工程と、評価工程と、判定工程と、更新工程とを含む。前記収集工程は、機械設備に設けられた複数のセンサのセンサデータを収集する。前記抽出工程は、前記センサデータのうち、前記機械設備が正常状態にあった所定の正常期間分、および、任意の評価時における評価分を抽出する。前記生成工程は、前記正常期間分を用いた機械学習を実行することによって、前記機械設備における正常状態の相関性をモデル化した相関モデルを生成する。前記導出工程は、前記正常期間分を前記相関モデルへ入力することによって得られる該相関モデルの出力値に基づいて前記正常期間分のサンプルデータを導出する。前記評価工程は、前記評価分を前記相関モデルへ入力することによって得られる該相関モデルの出力値に基づいて前記機械設備の正常状態からの乖離度を評価する。前記判定工程は、前記乖離度に基づいて前記機械設備の故障予兆を判定する。前記更新工程は、前記判定工程によって前記乖離度の誤検知が推定される場合に、前記抽出工程によって抽出される前記誤検知に対応する前記センサデータを含む追加学習分、および、前記正常期間分のサンプルデータがともに反映されるように機械学習を実行することによって、前記相関モデルを更新する。

実施形態の一態様によれば、機械設備の故障予知精度を向上させることができる。

図１Ａは、実施形態に係る故障予知方法の概要説明図（その１）である。 図１Ｂは、実施形態に係る故障予知方法の概要説明図（その２）である。 図１Ｃは、実施形態に係る故障予知方法の概要説明図（その３）である。 図１Ｄは、実施形態に係る故障予知方法の概要説明図（その４）である。 図１Ｅは、実施形態に係る故障予知方法の概要説明図（その５）である。 図２は、実施形態に係る故障予知システムのブロック図である。 図３Ａは、追加学習要否判定処理の説明図（その１）である。 図３Ｂは、追加学習要否判定処理の説明図（その２）である。 図４Ａは、故障予知装置が実行する処理手順を示すフローチャート（その１）である。 図４Ｂは、故障予知装置が実行する処理手順を示すフローチャート（その２）である。 図５は、故障予知装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。

以下、添付図面を参照して、本願の開示する故障予知方法、故障予知装置および故障予知プログラムの実施形態を詳細に説明する。なお、以下に示す実施形態によりこの発明が限定されるものではない。

また、以下では、故障予兆判定の対象となる機械設備を「対象機械１００」と記載する。対象機械１００は、発電所プラントなどの大型メカトロニクス機械であるものとする。

まず、本実施形態に係る故障予知方法の概要について、図１Ａ〜図１Ｅを参照して説明する。図１Ａ〜図１Ｅは、実施形態に係る故障予知方法の概要説明図（その１）〜（その５）である。

図１Ａに示すように、対象機械１００は、センサＳ−１〜Ｓ−ｎのセンサ群を備える。そして、本実施形態に係る故障予知方法は、かかるセンサ群からのセンサデータに基づき、センサＳ−１〜Ｓ−ｎ間の相関性を把握し、かかる相関性の変化に基づいて対象機械１００全体の挙動の変化を把握するものである。

具体的には、図１Ｂに示すように、本実施形態に係る故障予知方法では、「正常期間分」の相関性を示す各センサＳ−１〜Ｓ−ｎのセンサデータを用いて機械学習を実行し（ステップＳ１）、相関モデル１２ｃを生成する。なお、本実施形態では、機械学習のアルゴリズムとして、ランダムフォレストやディープラーニングなど公知の手法を用いることができる。

ここで、「正常期間分」とは、対象機械１００が運用初期段階などにおいて正常状態にあった所定期間分を指す。なお、本実施形態では、正常期間分は、「３０日間」分であるものとする。

かかる正常期間分のセンサＳ−１〜Ｓ−ｎ間の相関性に基づいて生成される相関モデル１２ｃにより、言わば対象機械１００の正常状態をモデル化することができる。そして、本実施形態に係る故障予知方法では、図１Ｂに示すように、かかる相関モデル１２ｃに対し、「評価分」の相関性を示す各センサＳ−１〜Ｓ−ｎのセンサデータを入力し、その結果得られる相関モデル１２ｃの出力値（回帰値）から相関の誤差を算出する。そして、かかる相関の誤差に基づき、正常状態からの乖離度を評価する（ステップＳ２）。

かかる正常状態からの乖離度が大きければ、故障予兆を示すとして、対象機械１００の故障を予知することができる。なお、ここで「評価分」とは、たとえば対象機械１００から現在進行形で出力されるリアルタイムデータに基づく分を指す。

このように、本実施形態に係る故障予知方法では、対象機械１００全体の挙動をセンサＳ−１〜Ｓ−ｎ間の相関性によって把握し、その挙動の変化は、正常状態の相関性をモデル化した相関モデル１２ｃの出力値により得ることができる。そして、かかる出力値に基づく正常状態からの乖離度の大きさにより、対象機械１００の故障を予知する。たとえば、正常状態からの乖離度が故障予兆ありを示す所定の判定閾値以上であれば、アラートを報知する。

したがって、本実施形態に係る故障予知方法によれば、たとえば故障発生時のセンサデータに基づく機械学習により生成される予測モデルを用いた故障予知方法であれば必要となってくる、すべての故障現象のモデル化の実施などといった煩雑な工程は不要となる。すなわち、本実施形態に係る故障予知方法によれば、対象機械１００の故障予兆を簡便に捉えることが可能となる。

なお、１時点でのセンサＳ−１〜Ｓ−ｎ間の相関性に限らず、本実施形態に係る故障予知方法では、図１Ａに示すように、各センサＳ−１〜Ｓ−ｎのセンサデータの時間変動、すなわち時系列の相関性を特徴ベクトル（以下、単に「ベクトル」と言う）に含めた機械学習を行い、センサデータの時間変動に現れる故障の予兆を把握可能にしている。これにより、対象機械１００の故障予兆を精度よく捉えることができる。

また、本実施形態に係る故障予知方法ではさらに、図１Ａに示すように、対象機械１００の周囲状況、たとえば気温データの時間変動をベクトルに含めた機械学習を行うことができる。たとえばセンサＳ−１〜Ｓ−ｎのセンサデータには、気温との相関性が高いものがあり、したがって、センサデータは季節変動の影響を受ける場合がある。

そこで、気温データの時間変動をベクトルに含めた機械学習を行うことにより、季節変動による影響を低減させることができる。なお、気温データもセンサデータの場合と同様に時間変動を抽出するのは、気温変化の影響は、センサデータに対して時間遅れで作用するためである。これにより、対象機械１００の故障予兆を精度よく捉えることが可能となる。

ところで、「正常期間分」につき、最初からすべての正常状態を示すデータ（以下、「正常データ」と言う）を収集し、網羅することは事実上困難である。したがって、生成初期の、言わば熟（こな）れていない相関モデル１２ｃを用いて「評価分」を評価する場合、相関モデル１２ｃの生成時には網羅されていなかった正常データが「評価分」に含まれていると、正常状態にも関わらず故障予兆ありとして誤検知してしまうおそれがある。

具体的に、図１Ｃを用いて説明する。図１Ｃは、図中に示す「正常期間分」の正常データを用いて生成した相関モデル１２ｃに対し、時間ｄ０からの稼働データを「評価分」として入力し、その出力値に基づいて得た各センサＳ−１〜Ｓ−ｎの正常状態からの乖離度を時間軸に沿ってプロットしたものである。説明の便宜上、乖離度を判定するための閾値は０．４程度としているが、実運用上の閾値を限定するものではない。

ここで、本来、実際に故障予兆ありとして検知されるべき「アラート適正時点」は、時間ｄ４であるものとする。なお、図１Ｃに示す例の場合、かかる時間ｄ４の他に閾値を超える時点は時間ｄ１や時間ｄ３など各所に存在しており、そのためにたとえば時間ｄ１において故障予兆ありとして「アラート誤報」がなされたものとする。

かかる誤検知に対応するためには、誤検知された稼働データを正常状態を示すものとして再度学習することで、誤検知されたパターンの稼働データが入力された場合の正常状態からの乖離度を低下させることが考えられる。

ただし、相関モデル１２ｃを新規で作り直す場合、当初の正常データに追加学習用の追加データを加えて最初から機械学習をやり直すので、モデルの生成に時間がかかり過ぎるおそれがある。この点に対処するため、既存の相関モデル１２ｃに追加学習用の追加データを反映させることによって相関モデル１２ｃを更新することが考えられるが、この場合、元のモデルのベクトル空間を崩してしまい、元の正常状態を表現できなくなるおそれがある。

そこで、本実施形態に係る故障予知方法では、追加学習用の追加データだけでなく、元の正常データの一部を抽出した正常サンプルデータを加味して反映させることによって相関モデル１２ｃを更新することとした。

具体的には、本実施形態に係る故障予知方法では、図１Ｃに示すように、まず誤検知されたパターンの稼働データが含まれ、かつ、追加すべき正常期間とみなされる追加期間（たとえば時間ｄ０〜時間ｄ２）から追加学習用の追加データを抽出する（ステップＳ３）。

そして、さらに本実施形態に係る故障予知方法では、「正常期間分」の正常データから、その一部である正常サンプルデータを抽出する（ステップＳ４）。ここで、正常サンプルデータは、たとえば正常データの１０％程度分（すなわち、３日程度分）が抜き出されたデータである。正常サンプルデータは、たとえば正常データのうち、正常状態からの乖離度が高いもの（異常状態に近いもの）から上位１０％程度が選定される。

このように選定される正常サンプルデータは、元のモデルのベクトル成分を含み、元のモデルのベクトル空間の特徴を示すものでありつつ、かつ、乖離度が高いことから追加データが示す特徴をも併せ持つものである。したがって、追加データとともに元のモデルへ反映されれば、元のモデルと追加データとの間で橋渡し的な役割を果たし、元のモデルを崩しにくくする。

すなわち、本実施形態に係る故障予知方法では、図１Ｄに示すように、追加学習前の正常状態による更新前モデルに対し、ステップＳ３で抽出した追加データと、ステップＳ４で抽出した正常サンプルデータとを反映させることによって更新後モデルを生成する追加学習を実行する（ステップＳ５）。これにより、相関モデル１２ｃは、元の傾向を保ちながら新たな傾向が学習されたものへと更新されることとなる。

このように更新された相関モデル１２ｃに対し、図１Ｃと同様に、時間ｄ０からの稼働データを「評価分」として入力し、その出力値に基づく正常状態からの乖離度をプロットしたものを図１Ｅに示す。

図１Ｅによれば、図１Ｃの「アラート誤報」に基づいて機械学習の追加期間として指定された時間ｄ０〜時間ｄ２については、更新された相関モデル１２ｃにより正常状態からの乖離度が低下し、アラート誤報された時間ｄ１では「アラート誤報なし」となることが分かる。

また、元の時間ｄ０〜時間ｄ２と似たようなパターンを示していたその他の期間についても、更新後の相関モデル１２ｃによって、総じて正常状態からの乖離度が閾値未満に低下することが分かる。そして、本来、実際に故障予兆ありとして検知されるべき時間ｄ４が、閾値以上の乖離度を示し、「適正にアラート可能」となることが分かる。

このように、本実施形態に係る故障予知方法では、相関モデル１２ｃの追加学習が必要となる場合に、追加学習用の追加データだけでなく、元の正常データの一部を抽出した正常サンプルデータを加味して反映させることによって相関モデル１２ｃを更新することとした。

したがって、本実施形態に係る故障予知方法によれば、元の傾向を保ちながら新たな傾向が学習されたものへと相関モデル１２ｃを適宜更新することができ、誤検知を防止して、対象機械１００の故障予知精度を向上させることができる。

また、本実施形態に係る故障予知方法によれば、相関モデル１２ｃを新たに作り直さないので、モデルの更新に時間がかかり過ぎるのを防ぐことができる。したがって、運用上の時間的ロスを低減することができる。

なお、相関モデル１２ｃの追加学習が必要か否かは、たとえば運用中に導出される正常状態からの乖離度などに応じてシステムが自動的に判定してもよいし、オペレータなどの人の知見により判断されてもよい。この点については、図３Ａおよび図３Ｂを用いて後述する。

以下、上述した故障予知方法を適用した故障予知システム１の構成について、さらに具体的に説明する。

図２は、本実施形態に係る故障予知システム１のブロック図である。なお、図２では、本実施形態の特徴を説明するために必要な構成要素を機能ブロックで表しており、一般的な構成要素についての記載を省略している。

換言すれば、図２に図示される各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。たとえば、各機能ブロックの分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況等に応じて、任意の単位で機能的または物理的に分散・統合して構成することが可能である。

なお、図２を用いた説明では、これまでに既に述べた構成要素については、説明を簡略化するか、省略する場合がある。

図２に示すように、故障予知システム１は、故障予知装置１０と、対象機械１００と、周囲状況提供部２００とを備える。故障予知装置１０と、対象機械１００および周囲状況提供部２００とは、ネットワーク接続されて通信可能に設けられ、故障予知装置１０は、対象機械１００からのセンサデータおよび周囲状況提供部２００からの周囲状況データを適宜収集可能に設けられている。

周囲状況提供部２００は、周囲状況データを提供する施設やデバイスなどである。周囲状況データは、たとえば気温データである。かかる場合、周囲状況提供部２００は、たとえば公営や民間の気象情報提供施設や温度センサなどに対応する。また、周囲状況提供部２００は、入力装置を介したオペレータの手入力により、周囲状況を提供するものであってもよい。

故障予知装置１０は、制御部１１と、記憶部１２とを備える。制御部１１は、収集部１１ａと、抽出部１１ｂと、生成部１１ｃと、正常サンプル導出部１１ｄと、評価部１１ｅと、判定部１１ｆと、報知部１１ｇと、更新部１１ｈとを備える。

記憶部１２は、ハードディスクドライブや不揮発性メモリ、レジスタといった記憶デバイスであって、収集データ１２ａと、学習データセット１２ｂと、相関モデル１２ｃと、正常サンプルデータ１２ｄと、評価データセット１２ｅと、評価情報１２ｆと、追加学習データセット１２ｇとを記憶する。評価情報１２ｆは、乖離度１２ｆａと、寄与率１２ｆｂとを含む。

制御部１１は、故障予知装置１０の全体制御を行う。収集部１１ａは、対象機械１００のセンサ群からのセンサデータを所定の周期で収集して、収集データ１２ａへ格納する。収集する所定の周期は、経年変化等による故障予兆を示す緩やかな挙動の変化を検知するうえでは、１５分〜１時間程度であってもよい。また、収集部１１ａは、あわせて周囲状況提供部２００からの周囲状況データを所定の周期で収集して、収集データ１２ａへ格納する。

抽出部１１ｂは、運用初回時に設定される正常期間に基づき、収集データ１２ａから正常期間分のデータセットを抽出し、学習データセット１２ｂへ格納する。また、抽出部１１ｂは、収集データ１２ａから評価分のデータセットを抽出し、評価データセット１２ｅへ格納する。

また、抽出部１１ｂは、判定部１１ｆから追加期間分の追加データ抽出の指示を受け付けた場合に、収集データ１２ａから追加期間分のデータセットを抽出し、追加学習データセット１２ｇへ格納する。

生成部１１ｃは、運用初回時において、学習データセット１２ｂを用いた機械学習を実行し、相関モデル１２ｃを生成する。

正常サンプル導出部１１ｄは、学習データセット１２ｂを入力とした相関モデル１２ｃの出力値に基づいて正常状態からの乖離度を算出する。また、正常サンプル導出部１１ｄは、算出した正常状態からの乖離度が高いものから順に上位１０％程度の正常データを学習データセット１２ｂから選定し、正常サンプルデータ１２ｄへ格納する。また、正常サンプル導出部１１ｄは、追加学習時にも正常サンプルを導出する。この点については後述する。

評価部１１ｅは、抽出部１１ｂによって抽出された評価データセット１２ｅを相関モデル１２ｃへ入力し、相関モデル１２ｃによる出力結果を受け取る。そして、評価部１１ｅは、受け取った出力結果に基づいて故障予兆を判定するための各種評価値を算出し、評価情報１２ｆへ格納する。評価値は、乖離度１２ｆａ、寄与率１２ｆｂに対応する。

具体的には、評価部１１ｅは、評価データセット１２ｅを相関モデル１２ｃへ入力したときの入力と出力の誤差、すなわち相関の誤差に基づいて正常状態からの乖離度を算出し、乖離度１２ｆａへ格納する。

また、評価部１１ｅは、相関モデル１２ｃから各センサＳ−１〜Ｓ−ｎの寄与度を取得し、式「寄与率ｉ＝寄与度ｉ／Σ寄与度ｉ」によって各センサＳ−１〜Ｓ−ｎごとの寄与率を算出する。また、評価部１１ｅは、算出した寄与率を評価情報１２ｆの寄与率１２ｆｂへ格納する。

判定部１１ｆは、乖離度１２ｆａを参照して、正常状態からの乖離度が所定の閾値以上である場合に、故障予兆ありと判定し、報知部１１ｇに対し報知要求指示を行う。

報知部１１ｇは、判定部１１ｆから故障予兆ありの報知要求指示を受け付けた場合に、表示部などの外部装置へアラートを報知する。また、このとき報知部１１ｇは、乖離度１２ｆａおよび寄与率１２ｆｂを参照して、正常状態からの乖離度と、たとえば寄与率上位の各センサＳ−１〜Ｓ−ｎの名称などをあわせて報知することができる。

オペレータは、たとえば正常状態からの乖離度を確認することで、対象機械１００全体の異常度合いを知ることができる。また、たとえば寄与率上位センサを確認することで、異常の原因を推定することができる。

なお、判定部１１ｆは、正常状態からの乖離度が所定の閾値以上ではあるが、これが誤検知と推定される場合に、追加学習が必要であると判定し、抽出部１１ｂに追加期間分の追加データ抽出を指示する。

ここで、図３Ａおよび図３Ｂを用いて、追加学習要否判定処理について説明する。図３Ａおよび図３Ｂは、追加学習要否判定処理の説明図（その１）および（その２）である。なお、図３Ａは、判定部１１ｆにより追加学習要否判定処理が実行される場合の一例である。また、図３Ｂは、オペレータの知見により追加学習要否判定処理が判断される場合の一例である。

まず、図３Ａには、正常状態からの乖離度を模式的な波形で表し、かかる波形がいわゆるインパルスノイズ状のピークを有する場合を示している。かかる場合、ピークが故障予知判定閾値ＴＨ１以上であれば、通常なら故障予兆ありとしてアラートが報知されることとなるが、判定部１１ｆは次に説明する条件が満たされるならばこれを誤検知と推定し、追加学習が必要であると判定する。

具体的には、図３Ａに示すように、判定部１１ｆは、たとえば故障予知判定閾値ＴＨ１よりも小さいインパルス状判定閾値ＴＨ２を設け、ピーク前後の所定区間ｉ１，ｉ２がかかるインパルス状判定閾値ＴＨ２未満ならば、ピークはインパルスノイズ状であり、誤検知につき追加学習要と判定する（ステップＳ３１）。そして、判定部１１ｆは、かかるピークを含む区間Ｉ分を追加データとして抽出させる（ステップＳ３２）。すなわち、図３Ａに示す例によれば、自動の追加学習により、対象機械１００の故障予知精度を向上させることができる。

なお、図３Ａに示したのはあくまで一例であって、追加学習要否判定処理の処理手順を限定するものではない。たとえば他にも、図３Ａの区間Ｉについての乖離度の積分値が所定値未満ならば、誤検知であると推定してもよい。

また、図３Ｂに示すように、表示部などへの報知結果から、オペレータの知見により誤検知を推定して追加学習要と判断し（ステップＳ３１’）、オペレータが図示略の入力部などを介して追加データを指定し、追加学習を指示するようにしてもよい（ステップＳ３２’）。すなわち、図３Ｂに示す例によれば、人の知見の追加学習により、対象機械１００の故障予知精度を向上させることができる。

図２の説明に戻り、つづいて更新部１１ｈについて説明する。更新部１１ｈは、追加学習データセット１２ｇおよび正常サンプルデータ１２ｄをともに反映させる追加学習により相関モデル１２ｃを更新する。

また、更新部１１ｈにより相関モデル１２ｃが更新された場合、正常サンプル導出部１１ｄは、追加学習データセット１２ｇを入力とした相関モデル１２ｃの出力値に基づいて正常状態からの乖離度を算出する。また、正常サンプル導出部１１ｄは、算出した正常状態からの乖離度が高いものから順に上位１０％程度の追加データを追加学習データセット１２ｇから選定し、正常サンプルデータ１２ｄへ追加して保持させる。

すなわち、正常サンプルデータ１２ｄには、相関モデル１２ｃの初期生成時の正常データに基づく正常サンプル、および、追加学習ごとの追加データに基づく正常サンプルが蓄積されてゆくこととなる。

次に、故障予知装置１０が実行する処理手順について、図４Ａおよび図４Ｂを用いて説明する。図４Ａおよび図４Ｂは、故障予知装置１０が実行する処理手順を示すフローチャート（その１）および（その２）である。なお、ここに示す処理手順では、判定部１１ｆが上述の追加学習要否判定処理を実行するものとする。

図４Ａに示すように、まず制御部１１が、運用初回であるか否かを判定する（ステップＳ１０１）。ここで、運用初回である場合（ステップＳ１０１，Ｙｅｓ）、つづいて制御部１１は、正常期間を設定する（ステップＳ１０２）。

ステップＳ１０２では、正常期間（たとえば「○月×日から３０日間」）の他、サンプルデータとして抽出されるデータの割合（たとえば「１０％」）などがシステム上設定される。

つづいて、生成部１１ｃが、抽出部１１ｂによって抽出された学習データセット１２ｂ、すなわち正常期間分の正常データから機械学習アルゴリズムにより相関モデル１２ｃを生成する（ステップＳ１０３）。

そして、正常サンプル導出部１１ｄが、正常データを入力とした相関モデル１２ｃの出力値に基づいて正常状態からの乖離度を算出する（ステップＳ１０４）。また、正常サンプル導出部１１ｄは、算出した正常状態からの乖離度が高い順に上位の正常データを抽出し、正常サンプルデータ１２ｄとして保持する（ステップＳ１０５）。

なお、ステップＳ１０１で運用初回でない場合（ステップＳ１０１，Ｎｏ）、ステップＳ１０６へ制御を移す。

つづいて、評価部１１ｅが、抽出部１１ｂによって抽出された評価データセット１２ｅ、すなわち評価データを入力とした相関モデル１２ｃの出力値に基づいて正常状態からの乖離度を算出する（ステップＳ１０６）。また、評価部１１ｅは、各センサＳ−１〜Ｓ−ｎの寄与率を算出する（ステップＳ１０７）。

そして、判定部１１ｆが、評価部１１ｅにより算出された乖離度が所定の判定閾値以上であるか否かを判定する（ステップＳ１０８）。ここで、乖離度が判定閾値以上である場合（ステップＳ１０８，Ｙｅｓ）、報知部１１ｇが、正常状態からの乖離度と寄与率上位のセンサＳ−１〜Ｓ−ｎを報知する（ステップＳ１０９）。ステップＳ１０８の判定条件を満たさない場合（ステップＳ１０８，Ｎｏ）、ステップＳ１１０へ制御を移す。

次に、図４Ｂに示すよう、判定部１１ｆが、追加学習の要否を判定する（ステップＳ１１０）。ここで、追加学習要と判定される場合（ステップＳ１１０，Ｙｅｓ）、判定部１１ｆは追加期間を設定し（ステップＳ１１１）、抽出部１１ｂに追加学習データセット１２ｇを抽出させる。なお、追加学習不要と判定される場合は（ステップＳ１１０，Ｎｏ）、そのまま処理を終了する。

つづいて、更新部１１ｈが、抽出部１１ｂによって抽出された追加学習データセット１２ｇ（すなわち追加期間分の追加データ）および保持していた正常サンプルデータ１２ｄから相関モデル１２ｃを更新する（ステップＳ１１２）。

そして、正常サンプル導出部１１ｄが、追加データを入力とした相関モデル１２ｃの出力値に基づいて正常状態からの乖離度を算出する（ステップＳ１１３）。

また、正常サンプル導出部１１ｄは、算出した正常状態からの乖離度が高い順に上位の追加データを抽出し、正常サンプルデータ１２ｄへ追加して保持させる（ステップＳ１１４）。そして、処理を終了する。

なお、実施形態に係る故障予知装置１０は、たとえば図５に示すような構成のコンピュータ６０によって実現される。図５は、故障予知装置１０の機能を実現するコンピュータの一例を示すハードウェア構成図である。コンピュータ６０は、ＣＰＵ（Central Processing Unit）６１、ＲＡＭ（Random Access Memory）６２、ＲＯＭ（Read Only Memory）６３、ＨＤＤ（Hard Disk Drive）６４、通信インタフェース（Ｉ／Ｆ）６５、入出力インタフェース（Ｉ／Ｆ）６６、およびメディアインタフェース（Ｉ／Ｆ）６７を備える。

ＣＰＵ６１は、ＲＯＭ６３またはＨＤＤ６４に格納されたプログラムに基づいて動作し、各部の制御を行う。ＲＯＭ６３は、コンピュータ６０の起動時にＣＰＵ６１によって実行されるブートプログラムや、コンピュータ６０のハードウェアに依存するプログラム等を格納する。

ＨＤＤ６４は、ＣＰＵ６１によって実行されるプログラムおよび当該プログラムによって使用されるデータ等を格納する。通信インタフェース６５は、対象機械１００との通信部（図示略）に対応し、通信ネットワークを介して他の機器からデータを受信してＣＰＵ６１へ送り、ＣＰＵ６１が生成したデータを、通信ネットワークを介して他の機器へ送信する。

ＣＰＵ６１は、入出力インタフェース６６を介して、ディスプレイやプリンタ等の出力装置、および、キーボードやマウス等の入力装置を制御する。ＣＰＵ６１は、入出力インタフェース６６を介して、入力装置からデータを取得する。また、ＣＰＵ６１は、生成したデータを、入出力インタフェース６６を介して出力装置へ出力する。

メディアインタフェース６７は、記録媒体６８に格納されたプログラムまたはデータを読み取り、ＲＡＭ６２を介してＣＰＵ６１に提供する。ＣＰＵ６１は、当該プログラムを、メディアインタフェース６７を介して記録媒体６８からＲＡＭ６２上にロードし、ロードしたプログラムを実行する。記録媒体６８は、たとえばＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。

コンピュータ６０が故障予知装置１０として機能する場合、コンピュータ６０のＣＰＵ６１は、ＲＡＭ６２上にロードされたプログラムを実行することにより、収集部１１ａ、抽出部１１ｂ、生成部１１ｃ、正常サンプル導出部１１ｄ、評価部１１ｅ、判定部１１ｆ、報知部１１ｇおよび更新部１１ｈの各機能を実現する。また、ＨＤＤ６４は、記憶部１２の機能を実現し、収集データ１２ａ等が格納される。

コンピュータ６０のＣＰＵ６１は、これらのプログラムを、記録媒体６８から読み取って実行するが、他の例として、他の装置から、通信ネットワークを介してこれらのプログラムを取得してもよい。

上述してきたように、実施形態に係る故障予知装置１０は、収集部１１ａと、抽出部１１ｂと、生成部１１ｃと、正常サンプル導出部１１ｄ（「導出部」の一例に相当）と、評価部１１ｅと、判定部１１ｆと、更新部１１ｈとを含む。

収集部１１ａは、対象機械１００（「機械設備」の一例に相当）に設けられた複数のセンサＳ−１〜Ｓ−ｎのセンサデータを収集する。抽出部１１ｂは、センサデータのうち、対象機械１００が正常状態にあった所定の正常期間分、および、任意の評価時における評価分を抽出する。

生成部１１ｃは、正常期間分を用いた機械学習を実行することによって、対象機械１００における正常状態の相関性をモデル化した相関モデル１２ｃを生成する。正常サンプル導出部１１ｄは、正常期間分を相関モデル１２ｃへ入力することによって得られる相関モデル１２ｃの出力値に基づいて正常期間分のサンプルデータを導出する。

評価部１１ｅは、評価分を相関モデル１２ｃへ入力することによって得られる相関モデル１２ｃの出力値に基づいて対象機械１００の正常状態からの乖離度を評価する。判定部１１ｆは、かかる乖離度に基づいて対象機械１００の故障予兆を判定する。

更新部１１ｈは、判定部１１ｆによって上記乖離度の誤検知が推定される場合に、抽出部１１ｂによって抽出される上記誤検知に対応するセンサデータを含む追加学習分、および、正常期間分のサンプルデータがともに反映されるように機械学習を実行することによって、相関モデル１２ｃを更新する。

したがって、本実施形態に係る故障予知装置１０によれば、対象機械１００の故障予知精度を向上させることができる。

なお、上述した実施形態では、機械学習のアルゴリズムとしてランダムフォレストやディープラーニングを例に挙げたが、アルゴリズムを限定するものではない。したがって、ＳＶＭ（Support Vector Machine）のようなパターン識別器を用いたサポートベクタ回帰等の回帰分析手法により機械学習を実行し、相関モデル１２ｃを生成してもよい。また、ここで、パターン識別器はＳＶＭに限らず、たとえばアダブースト（AdaBoost）などであってもよい。

また、上述した実施形態では、正常期間が「３０日間」であり、サンプルデータとして抽出されるデータの割合が「１０％」であるものとしたが、無論、あくまで一例であり、たとえばシステムの運用上、最適となるように調整された設定値を用いるようにしてもよい。

さらなる効果や変形例は、当業者によって容易に導き出すことができる。このため、本発明のより広範な態様は、以上のように表しかつ記述した特定の詳細および代表的な実施形態に限定されるものではない。したがって、添付の特許請求の範囲およびその均等物によって定義される総括的な発明の概念の精神または範囲から逸脱することなく、様々な変更が可能である。

１ 故障予知システム
１０ 故障予知装置
１１ 制御部
１１ａ 収集部
１１ｂ 抽出部
１１ｃ 生成部
１１ｄ 正常サンプル導出部
１１ｅ 評価部
１１ｆ 判定部
１１ｇ 報知部
１１ｈ 更新部
１２ 記憶部
１２ａ 収集データ
１２ｂ 学習データセット
１２ｃ 相関モデル
１２ｄ 正常サンプルデータ
１２ｅ 評価データセット
１２ｆ 評価情報
１２ｆａ 乖離度
１２ｆｂ 寄与率
１２ｇ 追加学習データセット
１００ 対象機械
２００ 周囲状況提供部
Ｓ−１〜Ｓ−ｎ センサ

Claims (6)

1. 機械設備に設けられた複数のセンサのセンサデータを収集する収集工程と、
   前記センサデータのうち、前記機械設備が正常状態にあった所定の正常期間分、および、任意の評価時における評価分を抽出する抽出工程と、
   前記正常期間分を用いた機械学習を実行することによって、前記機械設備における正常状態の相関性をモデル化した相関モデルを生成する生成工程と、
   前記正常期間分を前記相関モデルへ入力することによって得られる該相関モデルの出力値に基づいて前記正常期間分のサンプルデータを導出する導出工程と、
   前記評価分を前記相関モデルへ入力することによって得られる該相関モデルの出力値に基づいて前記機械設備の正常状態からの乖離度を評価する評価工程と、
   前記乖離度に基づいて前記機械設備の故障予兆を判定する判定工程と、
   前記判定工程によって前記乖離度の誤検知が推定される場合に、前記抽出工程によって抽出される前記誤検知に対応する前記センサデータを含む追加学習分、および、前記正常期間分のサンプルデータがともに反映されるように機械学習を実行することによって、前記相関モデルを更新する更新工程と
   を含むことを特徴とする故障予知方法。
2. 前記導出工程は、
   前記更新工程によって前記相関モデルが更新された場合に、前記追加学習分を前記相関モデルへ入力することによって得られる該相関モデルの出力値に基づいて前記追加学習分のサンプルデータを導出し、前記正常期間分のサンプルデータへ追加すること
   を特徴とする請求項１に記載の故障予知方法。
3. 前記導出工程は、
   前記正常期間分または前記追加学習分を前記相関モデルへ入力することによって得られる該相関モデルの出力値に基づいて前記乖離度を算出し、該乖離度の大きい方が優先的に選定されるように前記正常期間分のサンプルデータまたは前記追加学習分のサンプルデータを導出すること
   を特徴とする請求項１または２に記載の故障予知方法。
4. 前記更新工程は、
   前記抽出工程によって前記追加学習分が新たに抽出されるごとに前記相関モデルを更新し、
   前記導出工程は、
   前記更新工程によって前記相関モデルが更新されるごとに前記追加学習分のサンプルデータを導出し、前記正常期間分のサンプルデータへ追加すること
   を特徴とする請求項２または３に記載の故障予知方法。
5. 機械設備に設けられた複数のセンサのセンサデータを収集する収集部と、
   前記センサデータのうち、前記機械設備が正常状態にあった所定の正常期間分、および、任意の評価時における評価分を抽出する抽出部と、
   前記正常期間分を用いた機械学習を実行することによって、前記機械設備における正常状態の相関性をモデル化した相関モデルを生成する生成部と、
   前記正常期間分を前記相関モデルへ入力することによって得られる該相関モデルの出力値に基づいて前記正常期間分のサンプルデータを導出する導出部と、
   前記評価分を前記相関モデルへ入力することによって得られる該相関モデルの出力値に基づいて前記機械設備の正常状態からの乖離度を評価する評価部と、
   前記乖離度に基づいて前記機械設備の故障予兆を判定する判定部と、
   前記判定部によって前記乖離度の誤検知が推定される場合に、前記抽出部によって抽出される前記誤検知に対応する前記センサデータを含む追加学習分、および、前記サンプルデータがともに反映されるように機械学習を実行することによって、前記相関モデルを更新する更新部と
   を備えることを特徴とする故障予知装置。
6. 機械設備に設けられた複数のセンサのセンサデータを収集する収集手順と、
   前記センサデータのうち、前記機械設備が正常状態にあった所定の正常期間分、および、任意の評価時における評価分を抽出する抽出手順と、
   前記正常期間分を用いた機械学習を実行することによって、前記機械設備における正常状態の相関性をモデル化した相関モデルを生成する生成手順と、
   前記正常期間分を前記相関モデルへ入力することによって得られる該相関モデルの出力値に基づいて前記正常期間分のサンプルデータを導出する導出手順と、
   前記評価分を前記相関モデルへ入力することによって得られる該相関モデルの出力値に基づいて前記機械設備の正常状態からの乖離度を評価する評価手順と、
   前記乖離度に基づいて前記機械設備の故障予兆を判定する判定手順と、
   前記判定手順によって前記乖離度の誤検知が推定される場合に、前記抽出手順によって抽出される前記誤検知に対応する前記センサデータを含む追加学習分、および、前記サンプルデータがともに反映されるように機械学習を実行することによって、前記相関モデルを更新する更新手順と
   をコンピュータに実行させることを特徴とする故障予知プログラム。

Images