JP2019153018A - 診断装置および診断方法 - Google Patents

Abstract

【課題】診断の都度、学習データを処理して正常クラスタを生成することなく、失報の発生を抑制し得る診断装置および診断方法を提供する。【解決手段】設備の運転データに基づいて設備における異常を診断する診断装置であって、既存のクラスタに設備の運転データを分類できるか否かを判定し、分類できないと判定した場合、属性を異常としたクラスタを既存のクラスタに追加するクラスタリング部と、クラスタリング部による処理結果に基づいて、設備における異常を診断する診断部と、所定の期間における設備の運転データに基づいて、既存のクラスタの属性を設定するクラスタ属性設定部と、を設けるようにした。【選択図】図１

Description

本発明は診断装置および診断方法に関し、例えば設備の運転データを用いて設備における異常を診断する診断装置および診断方法に適用して好適なものである。

近年、ＩＣＴ（Information and Communication Technology）、ＩｏＴ（Internet of Thing）の技術革新に伴い、高速な計算機、ネットワーク通信、大容量なデータ保存装置を利用できる環境が整いつつある。多くの産業分野で大量に蓄積されたデータの利活用に注目が集まるなか、例えば発電事業の分野でも、発電プラントの計測データ、点検・保全データなどの現地サイトで収集されたデータと、企業の経営および資産情報とを管理するシステムの統合により、より効率的な経営方針の策定が求められている。

発電事業の分野では、風力発電、太陽光発電などの再生可能エネルギーの利用増加に伴う発電量の変動が電力系統の安定性を低下させるという懸念から、バックアップ電源としての火力発電プラントの重要性が増している。そのため、火力発電プラントには、稼働率、環境性能、効率などの重要業績評価指標（ＫＰＩ：Key Performance Indicators）を考慮した運用が求められている。

火力発電プラントのＫＰＩを改善するため、診断対象に異常状態が発生する前の異常兆候を検知する装置、その方法が多数検討されている。例えば、適応共鳴理論（ＡＲＴ：Adaptive Resonance Theory）を用いた診断装置が開示されている（特許文献１参照）。ここで、ＡＲＴとは、多次元の時系列データをその類似度に応じてクラスタに分類する理論である。

特許文献１に記載の技術においては、まずＡＲＴを用いて正常時の運転データを複数のクラスタ（正常クラスタ）に分類する。次に、現在の運転データをＡＲＴに入力してクラスタに分類する。運転データが正常クラスタに分類できないときは、新しいクラスタ（新規クラスタ）を生成する。新規クラスタの発生は、診断対象の状態が新しい状態（新状態）に変化したことを意味する。そこで、特許文献１に記載の診断装置では、異常兆候の発生を新規クラスタの発生で判断している。また、特許文献１には、クラスタ番号と各クラスタの出現回数とを用いて、異常診断、原因推定する技術が開示されている。

また、例えば、外部環境の状態変化が大きい場合の診断方法として、直近の所定の期間に取得した運転データを学習データとして正常クラスタを構築する技術が公開されている（特許文献２参照）。そして、特許文献２に記載の診断装置では、対象データから正常クラスタまでの距離が所定の値を超えた場合、異常兆候の発生を検知している。

特開２０１０-２３７８９３号公報 特開２０１５-０１８３８９号公報

経年変化、定期検査等により、プラントの特性が変化すると、正常、異常のデータ傾向が共に変化するため、過去に正常として学習していたクラスタに属するデータであっても、現在では異常となる可能性がある。このような場合、特許文献１に記載の技術では、異常の発生を検知することができず、失報が発生する。また、特許文献２に記載の技術では、診断の都度、学習データを処理して正常クラスタを生成するための労力、時間が必要となる問題がある。

本発明は以上の点を考慮してなされたもので、診断の都度、学習データを処理して正常クラスタを生成することなく、失報の発生を抑制し得る診断装置および診断方法を提案しようとするものである。

かかる課題を解決するため本発明においては、設備の運転データに基づいて前記設備における異常を診断する診断装置であって、既存のクラスタに前記設備の運転データを分類できるか否かを判定し、分類できないと判定した場合、属性を異常としたクラスタを前記既存のクラスタに追加するクラスタリング部と、前記クラスタリング部による処理結果に基づいて、前記設備における異常を診断する診断部と、所定の期間における前記設備の運転データに基づいて、前記既存のクラスタの属性を設定するクラスタ属性設定部と、を設けるようにした。

また本発明においては、設備の運転データに基づいて前記設備における異常を診断する診断方法であって、クラスタリング部が、既存のクラスタに前記設備の運転データを分類できるか否かを判定し、分類できないと判定した場合、属性を異常としたクラスタを前記既存のクラスタに追加する第１のステップと、診断部が、前記クラスタリング部による処理結果に基づいて、前記設備における異常を診断する第２のステップと、クラスタ属性設定部が、所定の期間における前記設備の運転データに基づいて、前記既存のクラスタの属性を設定する第３のステップと、を設けるようにした。

上記構成によれば、所定の期間における設備の運転データに基づいて、既存のクラスタの属性が設定されるので、診断の都度、学習データを処理して正常クラスタを生成する必要がなく、失報の発生を抑制することができる。

本発明によれば、設備における異常を迅速かつ適切に診断することができる。

第１の実施の形態による診断システムに係る構成の一例を示す図である。 第１の実施の形態によるデータベース（ＤＢ）に保存されるデータの一例を示す図である。 第１の実施の形態による診断処理に係る処理手順の一例を示す図である。 第１の実施の形態によるクラスタリング部に係る構成の一例を示す図である。 第１の実施の形態によるデータの分類結果および異常度の計算方法の一例を示す図である。 第１の実施の形態による属性自動変更処理に係る処理手順の一例を示す図である。 第１の実施の形態によるクラスタ属性設定部による処理内容の一例を示す図である。 第１の実施の形態による属性変更後処理に係る処理手順の一例を示す図である。 第１の実施の形態によるクラスタの重み係数を調整した結果の一例を示す図である。 第１の実施の形態による異常度が再計算された結果の一例を示す図である。

以下図面について、本発明の一実施の形態を詳述する。

（１）第１の実施の形態
図１において、１は全体として第１の実施の形態による診断システムを示す。診断システム１では、クラスタの属性を適切に自動変更することにより、失報の発生を抑制する。また、診断システム１では、既存のクラスタの属性の設定を変更することにより、診断の都度、学習データを処理して正常クラスタを生成させる処理は不要となる。以下では、かかる構成について、適宜に例を挙げて説明する。

診断システム１は、プラント１００と、プラント１００の運転状況（例えば、プラント１００における異常（異常兆候））を診断する診断装置２００と、診断装置２００に記憶された各種の情報を参照、更新などを行うための外部装置３００とを含んで構成される。診断装置２００は、プラント１００および外部装置３００と通信可能に接続される。

プラント１００は、プラント１００を構成する機器１１０と機器１１０を制御するための制御装置１２０とを含んで構成される。制御装置１２０は、機器１１０から送信される計測信号を受信し、制御信号を送信する。

診断装置２００は、プラント１００の運転データに基づいてプラント１００における異常を診断する。診断装置２００は、サーバ装置、タブレット端末などの計算機であり、図示は省略するＣＰＵ（Central Processing Unit）、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、ＨＤＤ（Hard Disk Drive）、通信部などを含んで構成される。

診断装置２００の機能（外部入力インターフェイス部２１０、外部出力インターフェイス部２２０、クラスタリング部２３０、診断部２４０、計算結果補正部２５０など）は、例えば、ＣＰＵがＲＯＭに格納されたプログラムをＲＡＭに読み出して実行すること（ソフトウェア）により実現されてもよいし、専用の回路などのハードウェアにより実現されてもよいし、ソフトウェアとハードウェアとが組み合わされて実現されてもよい。また、診断装置２００の機能の一部は、診断装置２００と通信可能な他のコンピュータにより実現されてもよい。なお、通信部は、例えば、ＮＩＣ（Network Interface Card）から構成され、外部装置３００との通信時におけるプロトコル制御を行う。

診断装置２００は、ＤＢとして運転データＤＢ２６０および計算結果ＤＢ２７０を備える。ＤＢには、電子化された情報が保存され、電子ファイル（電子データ）と呼ばれる形態で情報が保存される。

外部入力インターフェイス部２１０は、プラント１００にて収集している運転データと、外部装置３００に備えられている外部入力装置３１０（キーボード３１１およびポインティングデバイス３１２）の操作で作成する外部入力信号とを診断装置２００に取り込む。例えば、診断装置２００に取り込まれた運転データは、運転データＤＢ２６０に保存される。

外部出力インターフェイス部２２０は、運転データＤＢ２６０に保存されている運転データ、計算結果ＤＢ２７０に保存されている計算結果を出力（送信、印刷、表示など）する。

クラスタリング部２３０は、既存のクラスタにプラント１００の運転データを分類できるか否かを判定し、分類できないと判定した場合、属性を異常としたクラスタ（異常クラスタ）を既存のクラスタに追加する。

より具体的には、クラスタリング部２３０は、適応共鳴理論を用いた技術（クラスタリング技術）を搭載し、運転データＤＢ２６０に保存されている運転データを、その類似度に応じてクラスタに分類する。

例えば、クラスタリング部２３０は、まず正常時の運転データを分類して複数のクラスタを生成し、生成した複数のクラスタの属性を正常に設定（正常クラスタと定義）する。クラスタリング部２３０は、現在の運転データをクラスタに分類した結果が正常クラスタに属さないと判定した場合、クラスタリング技術で新しいクラスタ（新規クラスタ）を生成する。クラスタリング部２３０は、クラスタリング結果を計算結果ＤＢ２７０に格納する。なお、クラスタリング部２３０については、図４を用いて後述する。ただし、適応共鳴理論については、特許文献１等の公知文献に開示されているものを用いてもよい。付言するならば、クラスタリング部２３０については、本実施の形態で説明する構成に限定されるものではなく、他のクラスタリング技術を搭載して構成してもよい。

診断部２４０では、クラスタリング部２３０による処理結果（クラスタリング結果）に基づいて、プラント１００における異常を診断する。クラスタリング部２３０による新規クラスタの発生は、診断対象の状態が新しい状態（新状態）に変化したことを意味する。よって、診断部２４０は、例えば、異常の発生を新規クラスタの発生により判断することができる。また、診断部２４０は、対象データから最近傍の正常クラスタまでの距離を異常度として計算する。

診断部２４０による診断結果は、例えば、外部出力インターフェイス部２２０を介して表示装置３２０に送信され、診断結果が運転員に通知される。

計算結果補正部２５０は、クラスタ属性設定部２５１とクラスタ属性変更後処理部２５２を備え、所定の期間におけるプラント１００の運転データに基づいて、計算結果ＤＢ２７０に保存されている既存のクラスタの属性を設定したり、異常度の計算結果を補正したりする。例えば、クラスタ属性設定部２５１は、既存のクラスタついて、所定の期間におけるプラント１００の運転データが分類されるクラスタの属性を正常に設定し、正常に設定したクラスタ以外のクラスタの属性を異常に設定する。なお、クラスタ属性設定部２５１の処理については、図６を用いて後述する。また、例えば、クラスタ属性変更後処理部２５２は、クラスタ属性設定部２５１により既存のクラスタの属性が変更された際に、過去の運転データについて、運転データと正常クラスタとの距離である異常度を再計算する。なお、クラスタ属性変更後処理部２５２の処理については、図８を用いて後述する。

なお、診断装置２００においては、診断装置２００の機能およびＤＢが診断装置２００の内部に備えられる例を示したが、これらの一部を診断装置２００の外部に配置し、データのみを装置間で通信するようにしてもよい。また、各ＤＢに保存されている信号（データ）であるＤＢ情報は、その全ての情報を外部出力インターフェイス部２２０を介して表示装置３２０に表示でき、これらの情報は、外部入力装置３１０を操作して生成する外部入力信号により修正できる。

また、本実施の形態では、外部入力装置３１０をキーボード３１１とポインティングデバイス３１２とで構成しているが、音声入力のためのマイク、タッチパネルなど、データを入力するための装置を適宜に採用することができる。また、外部装置３００は、ノートパソコン、タブレット端末などの計算機により実現可能であるが、計算機に限られるものではない。例えば、外部入力装置３１０と表示装置３２０とが別装置として設けられてもよい。また、診断システム１には、表示装置３２０に加えてまたは替えて、印刷装置、プロジェクタ装置など、その他の装置が設けられていてもよい。

また、診断システム１においては、オフラインで運転データを解析する装置として診断装置２００を実施可能であることは言うまでもない。また、診断システム１では、診断装置２００の適用対象をプラント１００としているが、適用対象は限定されるものではなく、様々な設備に適用可能であることは言うまでもない。

図２は、診断装置２００に設けられているＤＢに保存されるデータの一例を示す図である。

図２の（Ａ）は、運転データＤＢ２６０に保存されるデータの一例を示す。図２の（Ａ）に示すテーブルには、プラント１００に設けられる各センサ（センサＡ、センサＢ、センサＣ、・・・）で計測した各計測値（運転データ）がサンプリング周期毎に各項目（項目Ａ、項目Ｂ、項目Ｃ、・・・）に保存される。

図２の（Ｂ）および（Ｃ）は、クラスタリング部２３０等を動作させることで得られるデータであり、計算結果ＤＢ２７０に保存されるデータの一例を示す。図２の（Ｂ）のテーブルには、クラスタ毎の属性、クラスタ毎の重み係数のデータが保存される。図２の（Ｃ）のテーブルには、運転データの分類結果（運転データと、時刻、クラスタ番号などとの関係を示すデータ）が保存される。

ここで、属性とは、各クラスタが正常クラスタであるか、異常クラスタであるかを定義（識別）するための情報である。また、重み係数とは、各クラスタの中心座標を定義するための係数情報である。さらに、異常クラスタについては、クラスタ毎に自動または手動で定義される事象が保存されている。

ここで、運転データが複数のグループに分割される場合、図２の（Ｂ）に示すテーブルおよび図２の（Ｃ）に示すテーブルは、グループごとに設けられる。より具体的には、複数のセンサにおける複数のデータ（例えば、第１データ〜第６データ）を含む運転データが機器毎に複数のグループに分割される場合（例えば、第１機器に第１データおよび第２データ（第１グループのデータ）が入力され、第１機器の下流に設けられる第２機器に第１機器からの出力データ、第３データおよび第４データ（第２グループのデータ）が入力され、第１機器と並列に設けられる第３機器に第５データおよび第６データ（第３グループのデータ）が入力される場合）、クラスタリング部２３０については、それぞれのグループに対してクラスタを生成するように構成してもよい。

図３は、診断装置２００が行う診断処理に係る処理手順の一例を示す図である。

ステップＳ１０では、外部入力インターフェイス部２１０は、制御装置１２０から運転データを取り込み（収集し）、運転データＤＢ２６０に保存する。

ステップＳ１１では、診断部２４０は、動作モードが学習モードであるか診断モードであるかを判定する。診断部２４０は、学習モードであると判定した場合、ステップＳ１２に処理を移し、診断モードであると判定した場合、ステップＳ１３に処理を移す。本実施の形態では、フローチャートの繰り返しが１回目（初回）のときに学習モードが動作し、２回目以降は、診断モードが動作するように処理が行われる。

ステップＳ１２では、クラスタリング部２３０は、学習データを処理し、正常状態におけるクラスタを生成し、ステップＳ１０に処理を移す。

ステップＳ１３では、診断部２４０は、計算結果補正の要否（所定のタイミングであるか否か）を判定する。診断部２４０は、計算結果の補正が必要であると判定した場合、ステップＳ１４に処理を移し、計算結果の補正が不要であると判定した場合、ステップＳ１６に処理を移す。

ここで、計算結果を補正する所定のタイミングとしては、定期検査の後などのプラント１００の特性が変化したタイミング、前回計算結果を補正してから所定の期間が経過したタイミング、運転員より計算結果の補正を実行するための信号が入力されたタイミングなど、任意のタイミングを設定できる。

ステップＳ１４では、計算結果補正処理が行われる。なお、計算結果補正処理の詳細については、図６、図８などを用いて後述するが、計算結果補正処理では、属性自動変更処理および属性変更後処理が実行され、クラスタの属性の補正、異常度の計算結果の補正、重み係数の補正などが行われる。

ステップＳ１５では、外部出力インターフェイス部２２０は、計算結果補正処理の結果を出力する。例えば、外部出力インターフェイス部２２０は、クラスタ属性設定部２５１によりクラスタの属性が変更された結果を確認するための画面に係る画面情報（例えば、図５の（Ｂ）に示すテーブルの一部または全ての情報を含む画面情報）を外部装置３００に送信する。また、例えば、外部出力インターフェイス部２２０は、クラスタ属性変更後処理部２５２による処理結果を確認するための画面に係る画面情報（例えば、図５の（Ｂ）に示すテーブルの一部または全ての情報を含む画面情報、図１０のような異常度を示す画面情報）を外部装置３００に送信する。

なお、計算結果補正処理の結果を出力する契機は、外部装置３００からの要求であってもよいし、月次処理などの定期処理であってもよいし、その他の契機であってもよい。

ステップＳ１６では、クラスタリング部２３０は、運転データを処理する。より具体的には、クラスタリング部２３０は、運転データをクラスタに分類する。また、クラスタリング部２３０は、運転データをクラスタに分類した結果が既存のクラスタに属さないと判定した場合、クラスタリング技術で新しいクラスタ（新規クラスタ）を生成する。また、クラスタリング部２３０は、新規クラスタの情報（クラスタ番号、属性、事象、重み係数など）、重み係数を再計算した結果、運転データの分類結果（時刻、クラスタ番号、異常度など）をクラスタリング結果として計算結果ＤＢ２７０に格納する。

ステップＳ１７では、診断部２４０は、プラント１００に異常が発生しているか否か（分類されたクラスタの属性が異常であるか否か）を判定する。診断部２４０は、異常が発生していると判定した場合、ステップＳ１７に処理を移し、異常が発生していないと判定した場合、ステップＳ１８に処理を移す。

ステップＳ１８では、外部出力インターフェイス部２２０は、「異常を検知しました。」など、異常を検知した旨の情報を含む画面情報を生成して表示装置３２０に送信する（画面表示）。

なお、本実施の形態では、異常が発生した場合にクラスタリング結果に係る情報が出力される例を示したが、これに限られるものではなく、異常の発生の有無にかかわらず、クラスタリング結果に係る情報が出力されるようにしてもよい。

ステップＳ１９では、診断部２４０は、運転員から停止の指示があったか否かを判定する。診断部２４０は、停止の指示があったと判定した場合、診断処理を終了し、指示がないと判定した場合、ステップＳ１０に処理を移す。

図４は、クラスタリング部２３０の一例として、適応共鳴理論（ＡＲＴ）を用いた場合の構成の一例を示す図である。

ＡＲＴには、運転データ、および原料情報データを設定した正規化範囲に基づいて「０」から「１」の範囲に正規化したデータＮｘｉ（ｎ）および正規化したデータの補数ＣＮｘｉ（ｎ）（＝１−Ｎｘｉ（ｎ））を含むデータが入力データＩｉ（ｎ）として入力される。

ＡＲＴモジュール４１０は、Ｆ０レイヤー４１１、Ｆ１レイヤー４１２、Ｆ２レイヤー４１３、メモリ４１４、および選択サブシステム４１５を備え、これらは相互に結合している。Ｆ１レイヤー４１２およびＦ２レイヤー４１３は、重み係数を介して結合している。

重み係数は、入力データが分類されるクラスタのプロトタイプ（原型）を表している。ここで、プロトタイプとは、クラスタの代表値を表すものである。

次に、ＡＲＴモジュール４１０のアルゴリズムについて説明する。

ＡＲＴモジュール４１０に入力データが入力された場合のアルゴリズムの概要は、下記の（処理１）〜（処理５）のようになる。

（処理１）
Ｆ０レイヤー４１１により、入力ベクトルを正規化し、ノイズを除去する。

（処理２）
Ｆ１レイヤー４１２に入力された入力データと重み係数との比較により、ふさわしいクラスタの候補を選択する。

（処理３）
選択サブシステム４１５により選択されたクラスタの妥当性がパラメータρとの比により評価される。妥当であると判断された場合、入力データは、そのクラスタに分類され、（処理４）に進む。一方、妥当であると判断されない場合、そのクラスタはリセットされ、他のクラスタからふさわしいクラスタの候補を選択する（（処理２）を繰り返す）。パラメータρの値を大きくするとクラスタの分類が細かくなる。すなわち、クラスタサイズが小さくなる。逆に、ρの値を小さくすると分類が粗くなる。クラスタサイズが大きくなる。このパラメータρをビジランス（vigilance）パラメータと呼ぶ。

（処理４）
（処理２）において、全ての既存のクラスタがリセットされると、入力データが新規クラスタに属すると判断され、新規クラスタのプロトタイプを表す新しい重み係数が生成される。

（処理５）
入力データがクラスタＪに分類されると、クラスタＪに対応する重み係数ＷＪ（ｎｅｗ）は、過去の重み係数ＷＪ（ｏｌｄ）および入力データｐ（または入力データから派生したデータ）を用いて下記の（式１）により更新される。

ここで、Ｋｗは、学習率パラメータ（０＜Ｋｗ＜１）であり、入力ベクトルを新しい重み係数に反映させる度合いを決定する値である。なお、（式１）および後述する（式２）〜（式１２）の各演算式は、ＡＲＴモジュール４１０に組み込まれている。

ＡＲＴモジュール４１０のデータ分類アルゴリズムの特徴は、上記の（処理４）にある。（処理４）においては、学習したときのパターンと異なる入力データが入力された場合、記録されているパターンを変更せずに新しいパターンを記録することができる。このため、過去に学習したパターンを記録しながら、新たなパターンを記録することが可能となる。

このように、入力データとして予め与えた運転データを与えると、ＡＲＴモジュール４１０は、与えられたパターンを学習する。したがって、学習済みのＡＲＴモジュール４１０に新たな入力データが入力されると、上記アルゴリズムにより、過去におけるどのパターンに近いかを判定することができる。また、過去に経験したことのないパターンであれば、新規クラスタに分類される。

図４の（Ｂ）は、Ｆ０レイヤー４１１の構成の一例を示す図である。Ｆ０レイヤー４１１では、入力データＩ_iを各時刻で再度正規化し、Ｆ１レイヤー４１２および選択サブシステム４１５に入力する正規化入力ベクトルｕ_ｉ ^０を作成する。

はじめに、入力データＩ_ｉから、（式２）に従ってＷ_ｉ ^０を計算する。ここでａは、定数である。

次に、Ｗ_ｉ ^０を正規化したＸ_ｉ ^０を、（式３）を用いて計算する。ここで、||Ｗ^０||は、Ｗ^０のノルムを表す。

そして、（式４）を用いて、Ｘ_ｉ ^０からノイズを除去したＶ_ｉ ^０を計算する。ただし、θは、ノイズを除去するための定数である。（式４）の計算により、微小な値は、「０」となるため、入力データのノイズが除去される。

最後に、（式５）を用いて正規化入力ベクトルｕ_ｉ ^０を求める。ｕ_ｉ ^０は、Ｆ１レイヤー４１２の入力となる。

図４の（Ｃ）は、Ｆ１レイヤー４１２の構成の一例を示す図である。Ｆ１レイヤー４１２では、（式５）で求めたｕ_ｉ ^０を短期記憶として保持し、Ｆ２レイヤー４１３に入力するＰ_ｉを計算する。Ｆ１レイヤー４１２の計算式をまとめて（式６）〜（式１２）に示す。ただし、ａ、ｂは、定数、ｆは、（式４）で示した関数、Ｔ_ｊは、Ｆ２レイヤー４１３で計算する適合度、ｚ_ｊ ^ｉは、クラスタ番号ｊの入力データＩ_ｉに対する重み係数である。
ただし、ｇは、下記のようになる。

図５は、クラスタリング部２３０におけるデータの分類結果、および診断部２４０における異常度の計算方法の一例を示す図である。

図５の（Ａ）は、運転データをクラスタに分類した分類結果の一例を示す。図５の（Ａ）では、一例として、運転データのうちの２項目を示したものであり、２次元のグラフで表記している。また、縦軸および横軸は、それぞれの項目の運転データを規格化して示している。

運転データは、ＡＲＴモジュール４１０によって複数のクラスタ５００（図５の（Ａ）に示す円）に分割される。１つの円が、１つのクラスタに相当する。

図５の（Ａ）の例では、運転データは、４つのクラスタに分類されている。クラスタ番号「１」のクラスタ５００Ａは、相対的に、項目Ａの値が大きく、項目Ｂの値が小さいクラスタである。クラスタ番号「２」のクラスタ５００Ｂは、相対的に、項目Ａおよび項目Ｂの値が共に小さいクラスタである。クラスタ番号「３」のクラスタ５００Ｃは、相対的に、項目Ａの値が小さく、項目Ｂの値が大きいクラスタである。クラスタ番号「４」のクラスタ５００Ｄは、相対的に、項目Ａおよび項目Ｂの値が共に大きいクラスタである。

図５の（Ｂ）は、運転データをクラスタに分類した結果、および運転データの一例を示す図である。横軸は、時間、縦軸は、運転データ（計測信号）またはクラスタ番号である。図５の（Ｂ）に示すように、運転データは、クラスタ番号「１」〜「４」のクラスタに分類されている。

図５の（Ｂ）の例では、学習の期間においては、クラスタ番号「１」〜「３」のクラスタが生成される。よって、診断の期間において、運転データがクラスタ番号「１」〜「３」のクラスタに分類されない場合、クラスタ番号「４」のクラスタ（正常時に経験していない新状態）が生成される。これにより、図３のステップＳ１７において、プラント１００に異常が発生したこと（異常の発生）がクラスタ番号に基づいて判定できるようになる。

図５の（Ｃ）を用いて、診断部２４０における異常度の計算方法の一例を説明する。診断部２４０は、運転データ５０１を新規クラスタ（本例では、クラスタ番号「４」のクラスタ）に分類した場合、当該運転データ５０１と最近傍の正常クラスタの重心５０２との距離５０３を異常度として計算する。異常度を計算することにより、運転データ５０１が正常クラスタとどの程度乖離しているかを評価することが可能となる。

図６は、クラスタ属性設定部２５１が実行する属性自動変更処理に係る処理手順の一例を示す図である。なお、属性自動変更処理は、図３のステップＳ１４で動作する。クラスタ属性設定部２５１には、複数の属性変更方式が実装され、ユーザは、使用する属性変更方式をオプションとして選択可能である。

ステップＳ２０では、クラスタ属性設定部２５１は、第１の属性変更オプションを使用するか否か判定する。クラスタ属性設定部２５１は、使用すると判定した場合、ステップＳ２１に処理を移し、使用しないと判定した場合、ステップＳ２２に処理を移す。

ステップＳ２１では、クラスタ属性設定部２５１は、第１の属性変更オプションの属性変更方式として、現在から予め定められた一定期間前まで（所定の期間の一例）の運転データを処理したときに出現（発生）したクラスタを正常クラスタに設定し、正常クラスタ以外のクラスタを異常クラスタに設定する。より具体的には、クラスタ属性設定部２５１は、図２の（Ｂ）に示すテーブルの属性の値（属性値）を変更する。例えば、図２の（Ｂ）に示すテーブルにおいて、所定の期間にクラスタ番号「１」のクラスタの運転データが出現しなかった場合、「正常」から「異常」に属性値を変更する。

なお、所定の期間として、現在から予め定められた一定期間前までの期間を例に挙げて説明したが、これに限られるものではなく、例えば、定期検査後から一定期間前までなど、他の期間を採用してもよい。付言するならば、図２の（Ｂ）に示すテーブルの事象については、自動で更新される構成としてもよいし、手動で更新される構成としてもよいし、自動および手動により更新される構成としてもよい。

ステップＳ２２では、クラスタ属性設定部２５１は、第２の属性変更オプションを使用するか否かを判定する。クラスタ属性設定部２５１は、使用すると判定した場合、ステップＳ２３に処理を移し、使用しないと判定した場合、属性自動変更処理を終了する。

ステップＳ２３では、クラスタ属性設定部２５１は、定期検査にて調整された機器の情報を抽出する。例えば、クラスタ属性設定部２５１は、定期検査で調整した機器として、定期検査の計画書、結果報告書などのデータを参照して機器の情報を抽出する。

ステップＳ２４では、クラスタ属性設定部２５１は、ステップＳ２３で抽出した機器に入力するデータに関わるグループを特定し、当該グループについて、定期検査から一定期間（所定の期間の一例）の運転データを処理したときに出現したクラスタを正常クラスタに設定し、正常クラスタ以外のクラスタを異常クラスタに設定する。

このように、定期検査にて調整された機器による影響があるグループ（例えば、当該グループの下流に位置するグループも含まれる。）を特定して処理することで、処理量を低減することができる。

属性自動変更処理によれば、正常クラスタと異常クラスタとが適切に再設定されるので、失報および誤報の発生を抑制することができる。

図７は、クラスタ属性設定部２５１による処理内容の一例を示す図である。

ここで、図７に示すように、クラスタリング部２３０により学習期間の運転データ（学習データ）が処理されてクラスタ番号「１」〜「３」のクラスタが正常クラスタとして生成される。定期検査後は、プラントの特性が変化し、クラスタ番号「３」のクラスタのみが生成されるようになり、定期検査後は、クラスタ番号「３」のクラスタのみが正常クラスタであると考えられる。

その後、異常が発生して、運転データがクラスタ番号「１」のクラスタに分類された場合、従来の方法では、クラスタ番号「１」〜「３」のクラスタを正常であると学習しているため、異常の発生を検知できず、失報が発生する。しかしながら、診断装置２００では、クラスタ属性設定部２５１を動作させて診断することで、クラスタ番号「３」のクラスタのみが正常クラスタ（正常状態）とする設定が自動変更され、失報を回避して異常（異常予兆）を検知できる。

このように、経年変化、定期検査等により、プラントの特性が変化すると過去に正常として学習していた範囲が、現在では異常となるケースについて、診断装置２００を用いることで、異常を検知できるようになる。

図８は、クラスタ属性変更後処理部２５２が実行する属性変更後処理に係る処理手順の一例を示す図である。なお、属性変更後処理は、図３のステップＳ１４にて、クラスタ属性設定部２５１を動作させた後の後処理として動作する。また、クラスタ属性変更後処理部２５２には、複数の後処理方式が実装され、ユーザは使用する後処理方式をオプションとして選択可能である。

ステップＳ３０では、クラスタ属性変更後処理部２５２は、第１の後処理オプションを使用するか否かを判定する。クラスタ属性変更後処理部２５２は、使用すると判定した場合、ステップＳ３１に処理を移し、使用しないと判定した場合、ステップＳ３２に処理を移す。

ステップＳ３１では、クラスタ属性変更後処理部２５２は、過去の運転データについて、運転データと正常クラスタとの距離である異常度を再計算する。異常度の計算方法については、診断部２４０での計算方法と同様であるので、その説明を省略する。なお、再計算した結果については、図１０を用いて後述する。

ステップＳ３２では、クラスタ属性変更後処理部２５２は、第２の後処理オプションを使用するか否かを判定する。クラスタ属性変更後処理部２５２は、使用すると判定した場合、ステップＳ３３に処理を移し、使用しないと判定した場合、ステップＳ３４に処理を移す。

ステップＳ３３では、クラスタ属性変更後処理部２５２は、事象と関連付けしていたクラスタの重み係数を調整する。クラスタ属性変更後処理部２５２は、正常クラスタとの変化幅が過去に異常が発生したときの運転データの変化幅と一致するように調整するが、具体的な調整方法については、図９の（Ａ）を用いて後述する。

ステップＳ３４では、クラスタ属性変更後処理部２５２は、第３の後処理オプションを使用するか否かを判定し、使用すると判定した場合、ステップＳ３５に処理を移し、使用しないと判定した場合、属性変更後処理を終了する。

ステップＳ３５では、クラスタ属性変更後処理部２５２は、属性を正常に変更したクラスタについて、異常との境界を考慮して重み係数を調整する。クラスタ属性変更後処理部２５２は、正常クラスタに変更したクラスタに属する運転データと、最近接の既存の正常クラスタとの距離を計算し、距離が最大となる運転データが正常と異常との境界となるようにクラスタの重み係数を調整するが、具体的な調整方法については、図９の（Ｂ）を用いて後述する。

属性変更後処理によれば、異常度が再計算されるので、過去のデータを適切に把握できるようになる。また、属性変更後処理によれば、重み係数が調整されてクラスタがより適切に定義されるようになるので、プラント１００における異常をより精度よく検知できるようになる。

図９は、クラスタ属性変更後処理部２５２の動作により、クラスタの重み係数を調整した結果の一例を示す図である。ステップＳ３３による重み係数の調整内容を図９の（Ａ）に示し、ステップＳ３５による重み係数の調整内容を図９の（Ｂ）に示す。

図９の（Ａ）では、クラスタ番号「１」，「２」のクラスタが正常クラスタ、クラスタ番号「３」，「４」のクラスタが異常クラスタであり、クラスタ番号「４」のクラスタは、センサドリフト異常（センサの調子が悪くなり、一定の値がかさ上げされる異常）が、事象として関連付けられている（図９の（Ａ）の左図参照）。この状態から、クラスタ番号「３」のクラスタを正常クラスタに変更した場合、最近傍の正常クラスタ（本例では、クラスタ番号「３」のクラスタ）との変化幅９０２がセンサドリフト発生時の運転データの変化幅９０１となるように、クラスタ番号「４」の重み係数を調整する（図９の（Ａ）の右図参照）。

換言するならば、クラスタ属性変更後処理部２５２は、運転データの値がかさ上げされるドリフト異常により、既存のクラスタ（クラスタ番号「１」，「２」，「３」のクラスタ）に第１のクラスタ（クラスタ番号「４」のクラスタ）が追加され、かつ、第１のクラスタに対応するドリフト異常前の第２のクラスタ（クラスタ番号「３」）の属性がクラスタ属性設定部２５１により正常に変更された場合、第１のクラスタと第２のクラスタに対応するドリフト異常前の属性が正常である第３のクラスタ（クラスタ番号「２」のクラスタ）とにおける変化幅（変化幅９０１）と、第１のクラスタの中心を示す重み係数の調整後のクラスタと第２のクラスタとにおける変化幅（変化幅９０２）とが等しくなるように、第１のクラスタの重み係数を調整する。

このように、クラスタの重み係数を調整することで、ドリフト異常を加味して、プラント１００における異常を適切に診断できるようになる。

図９の（Ｂ）では、クラスタ番号「１」，「２」，「３」のクラスタが正常クラスタであり、クラスタ番号「４」のクラスタが異常クラスタである（図９の（Ｂ）の左図参照）。この状態から、クラスタ属性設定部２５１によりクラスタ番号「４」のクラスタが正常クラスタに変更された場合、クラスタ属性変更後処理部２５２は、当該正常クラスタに属する各データと最近接の既存の正常クラスタとの距離を計算し、距離が最大となるデータ（本例では、データ９０３）が正常と異常との境界となるように、クラスタの重み係数を調整する（図９の（Ｂ）の右図参照）。

このように、クラスタの重み係数を調整することで、クラスタ番号「４」に属するデータの数が少ない場合に、正常であるかが疑わしいデータ（今までは異常であると判定されるデータ９０４）を正常であると識別してしまう事態を回避できるようになる。

図１０は、クラスタ属性変更後処理部２５２の動作により、異常度が再計算された結果（クラスタ属性変更後処理部２５２による処理結果を確認するための画面）の一例を示す図である。

図１０では、クラスタ番号「２」のクラスタが異常クラスタから正常クラスタに属性が変更された後、クラスタ属性変更後処理部２５２により、第１の後処理オプションを用いて異常度が再計算された結果を示す。

異常度の計算結果が修正され、属性が正常に変更されたクラスタに対応する異常度が低下する。すなわち、過去のデータを参照したときに、正常クラスタの異常度が高い、異常クラスタの異常度が低いということがなくなる。

なお、表示装置３２０には、属性変更前の診断結果と属性変更後の診断結果の両方を表示できるようにしてもよいし、何れか一方を表示できるようにしてもよい。

以上のように、診断装置２００によれば、診断の都度、学習データを処理して正常クラスタを生成するための時間が不要となり、失報の発生を抑制できるようになる。

（２）他の実施の形態
なお上述の実施の形態においては、本発明を診断装置２００に適用するようにした場合について述べたが、本発明はこれに限らず、この他種々の診断装置および診断方法に広く適用することができる。

また上述の実施の形態においては、説明の便宜上、ＸＸテーブル、ＸＸＤＢを用いて各種のデータを説明したが、データ構造は限定されるものではなく、ＸＸ情報などと表現してもよい。

また、上記の説明において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）等の記憶装置、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。

また上述した構成については、本発明の要旨を超えない範囲において、適宜に、変更したり、組み替えたり、組み合わせたり、省略したりしてもよい。

１……診断システム、１００……プラント、２００……診断装置、２１０……外部入力インターフェイス部、２２０……外部出力インターフェイス部、２３０……クラスタリング部、２４０……診断部、２５０……計算結果補正部、２５１……クラスタ属性設定部、２５２……クラスタ属性変更後処理部、２６０……運転データＤＢ、２７０……計算結果ＤＢ、３００……外部装置。

Claims (9)

1. 設備の運転データに基づいて前記設備における異常を診断する診断装置であって、
   既存のクラスタに前記設備の運転データを分類できるか否かを判定し、分類できないと判定した場合、属性を異常としたクラスタを前記既存のクラスタに追加するクラスタリング部と、
   前記クラスタリング部による処理結果に基づいて、前記設備における異常を診断する診断部と、
   所定の期間における前記設備の運転データに基づいて、前記既存のクラスタの属性を設定するクラスタ属性設定部と、
   を備えることを特徴とする診断装置。
2. 前記クラスタ属性設定部は、前記既存のクラスタついて、前記所定の期間における前記設備の運転データが分類されるクラスタの属性を正常に設定し、正常に設定したクラスタ以外のクラスタの属性を異常に設定する、
   ことを特徴とする請求項１に記載の診断装置。
3. 前記設備を構成する各機器に入力するデータのグループごとに既存のクラスタが設けられ、
   前記クラスタ属性設定部は、定期検査から一定期間または現在から一定期間前までにおける前記設備の運転データに基づいて、前記定期検査にて調整した機器に入力するデータに関わるグループにおける既存のクラスタの属性を設定する、
   ことを特徴とする請求項１に記載の診断装置。
4. 前記クラスタ属性設定部により前記既存のクラスタの属性が変更された際に、過去の運転データについて、運転データと属性が正常であるクラスタとの距離である異常度を再計算するクラスタ属性変更後処理部を備える、
   ことを特徴とする請求項１に記載の診断装置。
5. 運転データの値がかさ上げされるドリフト異常により、前記既存のクラスタに第１のクラスタが追加され、かつ、前記第１のクラスタに対応する前記ドリフト異常前の第２のクラスタの属性が前記クラスタ属性設定部により正常に変更された場合、前記第１のクラスタと前記第２のクラスタに対応する前記ドリフト異常前の属性が正常である第３のクラスタとにおける変化幅と、前記第１のクラスタの中心を示す重み係数の調整後のクラスタと前記第２のクラスタとにおける変化幅とが等しくなるように、前記重み係数を調整するクラスタ属性変更後処理部を備える、
   ことを特徴とする請求項１に記載の診断装置。
6. 前記クラスタ属性設定部により属性が正常に変更されたクラスタに属する複数の運転データの各々と、前記既存のクラスタのうち最近接の属性が正常であるクラスタとの距離を計算し、前記複数の運転データのうち距離が最大となる運転データが正常と異常との境界に位置するように、前記正常に変更されたクラスタの中心を示す重み係数を調整するクラスタ属性変更後処理部を備える、
   ことを特徴とする請求項１に記載の診断装置。
7. 前記クラスタ属性設定部によりクラスタの属性が変更された結果を確認するための画面に係る画面情報を出力する外部出力インターフェイス部を備える、
   ことを特徴とする請求項１に記載の診断装置。
8. 前記クラスタ属性変更後処理部による処理結果を確認するための画面に係る画面情報を出力する外部出力インターフェイス部を備える、
   ことを特徴とする請求項４から６の何れか１項に記載の診断装置。
9. 設備の運転データに基づいて前記設備における異常を診断する診断方法であって、
   クラスタリング部が、既存のクラスタに前記設備の運転データを分類できるか否かを判定し、分類できないと判定した場合、属性を異常としたクラスタを前記既存のクラスタに追加する第１のステップと、
   診断部が、前記クラスタリング部による処理結果に基づいて、前記設備における異常を診断する第２のステップと、
   クラスタ属性設定部が、所定の期間における前記設備の運転データに基づいて、前記既存のクラスタの属性を設定する第３のステップと、
   を備えることを特徴とする診断方法。