JP2020067953A - 異常検知装置及び異常検知方法 - Google Patents

Abstract

【課題】特性変動や線形関係維持を考慮した異常検知を実現すること。【解決手段】特性変動が存在する連続系プロセスについてセンサを用いてセンシングしたセンサ情報を入力する入力部と、過去のセンサ情報のうち、前記入力部が入力したセンサ情報の近傍となるセンサ情報を抽出する抽出部と、前記抽出部が抽出したセンサ情報を学習データとしてモデルを構築するモデル構築部と、前記モデル構築部が構築したモデルと、前記入力部が入力したセンサ情報とを用いて、前記連続系プロセスでの異常の発生有無を評価する評価部と、を有することを特徴とする。【選択図】図４

Description

本発明は、異常検知装置及び異常検知方法に関する。

近年、センシング機器（以降、単に「センサ」とも表す。）の発達や通信費の低下等を理由としてセンサデータの収集が容易になってきており、収集されたセンサデータを用いて設備や機械の異常を検知することへのニーズが高まっている。複数のデータから異常を検知する技術の１つとして、主成分分析（ＰＣＡ：Principal Component Analysis）が幅広く利用されている。ＰＣＡは教師無し学習の統計的手法であるため実運用で得ることが困難な場合がある異常データが不要であり、正常モデルからのズレを表すＱ統計量やＴ^２統計量を算出することで異常原因が説明可能な利点がある。

例えば、特許文献１では、回転機械の異常を検知する技術として、正常な振動情報を加工した上でＰＣＡにより正常モデルを構築し、新しい振動情報が与えられた際に正常モデルで評価することで統計量を算出することが開示されている。

特許第４３１２４７７号公報

ここで、プラント等の連続系プロセスを異常検知の対象とした場合、連続系プロセスには特性変動が存在するため、適切な異常検知が行えないことがある。

例えば、図１（ａ）に示すように、季節等の期間に応じて周期的にセンサ値が変動するような特性変動（これは、「周期的変動」とも称される。）が存在する場合には、異なる季節等の期間のデータを学習データに用いると、異常有無の検知対象の期間のデータが正常データであっても統計量（Ｑ統計量やＴ^２統計量）が学習時よりも高くなり、異常と誤検知されてしまうことがある。具体的には、図１（ａ）に示すように、期間１のセンサ値を学習データとして正常モデルを構築した場合、期間２のセンサ値が正常データであっても学習時よりも統計量が高くなり、異常と誤検知されてしまうことがある。

また、図１（ｂ）に示すように、例えば設備点検による部品交換等でセンサ値が不連続に変動するような特性変動（これは、「不連続変動」とも称される。）が存在する場合には、設備点検前のデータを学習データに用いると、設備点検後のデータが正常データであっても統計量が学習時よりも高くなり、異常と誤検知されてしまうことがある。具体的には、図１（ｂ）に示すように、設備点検前のセンサ値を学習データとして正常モデルを構築した場合、設備点検後のセンサ値が正常データであっても学習時よりも統計量が高くなり、異常と誤検知されてしまうことがある。

また、図１（ｃ）に示すように、例えば経年劣化等の影響によってセンサ値が変動するような特性変動（これは、「長期的変動」とも称される。）が存在する場合には、経年劣化前のデータを学習データに用いると、経年劣化後のデータが正常データであっても統計量が学習時よりも高くなり、異常と誤検知されてしまうことがある。具体的には、図１（ｃ）に示すように、経年劣化前のセンサ値を学習データとして正常モデルを構築した場合、経年劣化後のセンサ値が正常データであっても学習時よりも統計量が高くなり、異常と誤検知されてしまうことがある。

更に、センサを数十台から数百台以上も用いる大規模な連続系プロセスでは、センサの組み合わせによっては線形関係が維持できないため、適切な異常検知ができない場合がある。例えば、大規模な連続系プロセスでは、図２に示すように、センサ１のセンサ値とセンサ２のセンサ値との間には線形関係がある一方で、センサ９のセンサ値とセンサ１のセンサ値との間には線形関係がない、という事態が発生し得る。このため、センサ間の線形関係が維持できなくなり、連続系プロセスの全てのセンサ値を用いてＰＣＡを適用した場合に、Ｑ統計量やＴ^２統計量の値が不安定となって誤検知が発生する場合がある。なお、以降では、線形関係を維持することを「線形関係維持」とも表す。

以上の特性変動及び線形関係維持に対して、例えばプラント等の運用者がデータ分析を行って、特性変動や線形関係維持を考慮して正常モデルを更新したり、事前に異常検知対象の物理的位置に基づいて運用者がプロセスの分割を行ったりしていた。例えば、プロセス分割として、図３に示すように、互いに線形関係を有するセンサ同士を１つのプロセスとして、連続系プロセスを分割することが行われていた。しかしながら、このように運用者がデータ分析を行ったり、プロセス分割を行ったりすることは、コスト（すなわち、エンジニアリングコスト）が高くなる場合があった。

本発明の実施の形態は、上記の点に鑑みてなされたもので、特性変動や線形関係維持を考慮した異常検知を実現することを目的とする。

上記目的を達成するため、本発明の実施の形態における異常検知装置は、特性変動が存在する連続系プロセスで発生した異常を検知する異常検知装置であって、前記連続系プロセスについてセンサを用いてセンシングしたセンサ情報を入力する入力部と、過去のセンサ情報のうち、前記入力部が入力したセンサ情報の近傍となるセンサ情報を抽出する抽出部と、前記抽出部が抽出したセンサ情報を学習データとして主成分分析によりモデルを構築するモデル構築部と、前記モデル構築部が構築したモデルと、前記入力部が入力したセンサ情報とを用いて、前記連続系プロセスでの異常の発生有無を評価する評価部と、を有することを特徴とする。

また、本発明の実施の形態における異常検知装置は、前記過去のセンサ情報を用いて、前記連続系プロセスを、各センサ間のセンサ情報が線形関係を維持した１以上のプロセスとして分割する分割部を有し、前記抽出部は、前記分割部が分割したプロセス毎に、前記入力部が入力したセンサ情報の近傍となる過去のセンサ情報を抽出し、前記モデル構築部は、前記分割部が分割したプロセス毎に、前記モデルを構築し、前記評価部は、前記分割部が分割したプロセス毎に、前記モデルと、前記入力部が入力したセンサ情報とを用いて、前記連続系プロセスでの異常の発生有無を評価する、ことを特徴とする。

特性変動や線形関係維持を考慮した異常検知を実現することができる。

特性変動による誤検知の一例を説明するための図である。 線形関係が維持できない場合における各センサ間の関係の一例を説明するための図である。 プロセス分割の一例を説明するための図である。 本実施形態に係る異常検知装置の機能構成の一例を示す図である。 同一プロセスにおける特性変動前後でのデータの分布の一例を説明するための図である。 本実施形態に係る異常検知装置のハードウェア構成の一例を示す図である。 本実施形態に係るプロセス分割処理の一例を示すフローチャートである。 本実施形態に係る異常検知処理の一例を示すフローチャートである。

以下、本発明の実施の形態（以降、「本実施形態」と表す。）について詳細に説明する。本実施形態では、特性変動や線形関係維持を考慮した異常検知が可能な異常検知装置１０について説明する。本実施形態に係る異常検知装置１０は、連続系プロセスの異常検知の対象として、この連続系プロセスの特性変動や線形関係維持を考慮して、プロセス分割を行うと共にＰＣＡによる正常モデル（以降、「ＰＣＡモデル」とも表す。）を構築することで、当該特性変動や線形関係維持を考慮した異常検知を実現する。

＜異常検知装置１０の機能構成＞
まず、本実施形態に係る異常検知装置１０の機能構成について、図４を参照しながら説明する。図４は、本実施形態に係る異常検知装置１０の機能構成の一例を示す図である。

図４に示すように、本実施形態に係る異常検知装置１０は、機能部として、入力部１０１と、プロセス分割部１０２と、近傍データ抽出部１０３と、モデル構築部１０４と、評価部１０５と、出力部１０６とを有する。また、本実施形態に係る異常検知装置１０は、記憶部１０７を有する。

入力部１０１は、所定の時間毎（例えば、センシング機器２０のセンシング周期毎）に、複数のセンシング機器２０のセンサ値が含まれるセンサ情報を入力（収集）する。なお、本実施形態では、簡単のため、センサ情報には複数のセンシング機器２０それぞれのセンサ値が含まれるものとするが、入力部１０１は、各センシング機器２０からセンサ値をそれぞれ収集した上で、これら収集したセンサ値を含むセンサ情報を作成しても良い。そして、入力部１０１は、収集したセンサ情報を記憶部１０７に保存する。これにより、記憶部１０７には、センサ情報が時系列データとして記憶される。

また、入力部１０１は、連続系プロセスの設備情報を入力して、入力された設備情報を記憶部１０７に保存する。ここで、設備情報とは、例えば、連続系プロセスのプロセス種別や正常範囲、異常範囲、イベント情報（例えば、操業日、操業周期、設備点検日、設備点検周期等）、設備の物理的な位置等が含まれる情報である。

なお、入力部１０１は、設備情報が変更されない限りは、設備情報の入力及び保存を再度行う必要はない。入力部１０１は、設備情報に含まれる各情報のうちの少なくとも１つの情報が変更された場合に、変更後の設備情報を入力し、入力した設備情報を記憶部１０７に保存（上書き）する。

以降では、複数のセンシング機器２０の各々について、「センサ１」、「センサ２」、「センサ３」等とも表す。より一般に、ｉを１以上の整数として、「センサｉ」とも表す。なお、センサの総数をＩ、センサｉのセンサ値をｘ_ｉ、各センサ情報のインデックスをｎ（つまり、時刻インデックス）とすれば、ｎ番目のセンサ情報は、（ｘ_１（ｎ），・・・，ｘ_Ｉ（ｎ））と表すことができる。

プロセス分割部１０２は、記憶部１０７に記憶されているセンサ情報を用いて、複数のセンシング機器２０をプロセス分割する。すなわち、プロセス分割部１０２は、同一プロセスに属するセンシング機器２０のセンサ値間で線形関係を有するように連続系プロセスを分割する。連続系プロセスの分割結果は、記憶部１０７に記保存される。

近傍データ抽出部１０３は、プロセス分割部１０２によって分割されたプロセス毎に、評価時点データの近傍となるデータ群を抽出する。評価時点データとは、連続系プロセスでの異常発生有無を評価する時点におけるセンサ情報のことである。

ここで、例えば、或るプロセスにセンサ１とセンサ２とが有し、特性変動の前後で、センサ１のセンサ値とセンサ２のセンサ値との関係の分布が図５に示すようなものであったとする。また、特性変動前の分布を「データ群１」、特性変動後のデータ群を「データ群２」として、評価時点データに含まれるセンサ１のセンサ値とセンサ２のセンサ値とを「クエリ」とする。このとき、評価時点データの近傍となるデータ群を抽出するとは、上記のデータ群２を抽出することを意味する。評価時点データと近傍となるデータ群を抽出することで、当該評価時点データと同一の特性変動のデータ群を得ることができる。

以降では、評価時点データに含まれる各センサ値のうち、該当のプロセスに属するセンシング機器２０のセンサ値を「クエリ」と表す。つまり、クエリとは、評価時点データに含まれる各センサ値の中から、該当のプロセスに属するセンシング機器２０のセンサ値のみを抽出したベクトル（又はスカラー）である。

モデル構築部１０４は、プロセス分割部１０２によって分割されたプロセス毎に、近傍データ抽出部１０３によって抽出されたデータ群を学習データ（より正確には、学習データ群）としてＰＣＡモデルを作成する。そして、モデル構築部１０４は、作成したＰＣＡモデルと、当該データ群に含まれる各データとを用いて、所定の統計量（Ｑ統計量及びＴ^２統計量の少なくとも一方）を算出する。以降では、このとき算出されるＱ統計量及びＴ^２統計量をそれぞれ「モデル構築時のＱ統計量」及び「モデル構築時のＴ^２統計量」とも表す。なお、当該データ群を構成する各々のデータに対して所定の統計量（モデル構築時のＱ統計量及びモデル構築時のＴ^２統計量の少なくとも一方）が算出される。

また、モデル構築部１０４は、所定の統計量（モデル構築時のＱ統計量及びモデル構築時のＴ^２統計量の少なくとも一方）を記憶部１０７に保存する。

評価部１０５は、モデル構築部１０４によって作成されたＰＣＡモデルと、評価時点データとを用いて、所定の統計量（Ｑ統計量及びＴ^２統計量の少なくとも一方）を算出する。以降では、このとき算出されるＱ統計量及びＴ^２統計量をそれぞれ「評価時のＱ統計量」及び「評価時のＴ^２統計量」とも表す。

そして、評価部１０５は、評価時のＱ統計量及び／又は評価時のＴ^２統計量と、記憶部１０７に記憶されているモデル構築時のＱ統計量及び／又はモデル構築時のＴ^２統計量とにより、評価時点において連続系プロセスで異常が発生したか否かを評価する。また、異常が発生したと評価された場合、評価部１０５は、更に、異常原因の分析を行っても良い。

出力部１０６は、評価部１０５による評価結果や異常原因の分析結果を所定の出力先に出力する。異常が発生したことを示す評価結果が出力されることで、異常が検知される。ここで、所定の出力先は任意の出力先とすることができる。所定の出力先としては、例えば、ディスプレイや記憶装置等であっても良いし、ネットワークを介して接続される所定の装置等であっても良い。

記憶部１０７には、センサ情報や設備情報、プロセス分割結果、評価時のＱ統計量、評価時のＴ^２統計量等が記憶される。これらの他にも、任意の処理結果や計算結果等が記憶されても良い。

＜異常検知装置１０のハードウェア構成＞
次に、本実施形態に係る異常検知装置１０のハードウェア構成について、図６を参照しながら説明する。図６は、本実施形態に係る異常検知装置１０のハードウェア構成の一例を示す図である。

図６に示すように、本実施形態に係る異常検知装置１０は、ハードウェアとして、入力装置２０１と、表示装置２０２と、外部Ｉ／Ｆ２０３と、通信Ｉ／Ｆ２０４と、ＲＯＭ（Read Only Memory）２０５と、ＲＡＭ（Random Access Memory）２０６と、ＣＰＵ（Central Processing Unit）２０７と、補助記憶装置２０８とを有する。これら各ハードウェアは、バス２０９により相互に通信可能に接続されている。

入力装置２０１は、例えば各種ボタンやタッチパネル、キーボード、マウス等であり、異常検知装置１０に各種の操作を入力するのに用いられる。表示装置２０２は、例えばディスプレイ等であり、異常検知装置１０による各種の処理結果を表示する。なお、異常検知装置１０は、入力装置２０１及び表示装置２０２の少なくとも一方を有していなくても良い。

外部Ｉ／Ｆ２０３は、外部装置とのインタフェースである。外部装置には、記録媒体２０３ａ等がある。異常検知装置１０は、外部Ｉ／Ｆ２０３を介して、記録媒体２０３ａの読み取りや書き込み等を行うことができる。記録媒体２０３ａには、例えば、ＳＤメモリカード(SD memory card）やＵＳＢメモリ、ＣＤ（Compact Disk）、ＤＶＤ（Digital Versatile Disk）等がある。なお、異常検知装置１０が有する各機能部（例えば、入力部１０１、プロセス分割部１０２、近傍データ抽出部１０３、モデル構築部１０４、評価部１０５及び出力部１０６等）を実現する１以上のプログラムは、記録媒体２０３ａに格納されていても良い。

通信Ｉ／Ｆ２０４は、異常検知装置１０が他の装置や機器（例えば、センシング機器２０等）との間でデータ通信を行うためのインタフェースである。なお、異常検知装置１０が有する各機能部を実現する１以上のプログラムは、通信Ｉ／Ｆ２０４を介して、所定のサーバ等から取得（ダウンロード）されても良い。

ＲＯＭ２０５は、電源を切ってもデータを保持することができる不揮発性の半導体メモリである。ＲＡＭ２０６は、プログラムやデータを一時保持する揮発性の半導体メモリである。ＣＰＵ２０７は、例えば補助記憶装置２０８やＲＯＭ２０５からプログラムやデータをＲＡＭ２０６上に読み出して、各種処理を実行する演算装置である。異常検知装置１０が有する各機能部は、例えば補助記憶装置２０８等に格納された１以上のプログラムがＣＰＵ２０７に実行させる処理により実現される。

補助記憶装置２０８は、例えばＨＤＤ（Hard Disk Drive）やＳＳＤ（Solid State Drive）等であり、プログラムやデータを格納している不揮発性のメモリである。補助記憶装置２０８に格納されているプログラムやデータには、例えば、異常検知装置１０が有する各機能部を実現する１以上のプログラムや基本ソフトウェアであるＯＳ（Operating System）、ＯＳ上で動作する各種アプリケーションプログラム等がある。なお、異常検知装置１０の記憶部１０７は、例えば補助記憶装置２０８を用いて実現可能である。

本実施形態に係る異常検知装置１０は、図６に示すハードウェア構成を有することにより、後述する各種処理を実現することができる。なお、図６では、異常検知装置１０が１台のコンピュータで実現される場合のハードウェア構成例を示したが、これに限られず、異常検知装置１０は複数台のコンピュータで実現されていても良い。

＜プロセス分割処理＞
以降では、連続系プロセスをセンシングするセンシング機器２０を複数のプロセスに分割する（すなわち、互いに線形関係を有するセンシング機器２０同士を同一プロセスとして、連続系プロセスを分割する）ためのプロセス分割処理について、図７を参照しながら説明する。図７は、本実施形態に係るプロセス分割処理の一例を示すフローチャートである。なお、図７に示すプロセス分割処理は、例えば、所定の時間毎に定期的に実行される。

以降では、記憶部１０７にはＮ個のセンサ情報が記憶されているものとして、各センサ情報のインデックスをｎ（１≦ｎ≦Ｎ）とする。

まず、プロセス分割部１０２は、記憶部１０７に記憶されているＮ個のセンサ情報を取得する（ステップＳ１０１）。

次に、プロセス分割部１０２は、各センサ同士の相関係数を以下の式（１）により算出する（ステップＳ１０２）。

次に、プロセス分割部１０２は、相関係数ｒ_ｉｊが所定の閾値以上である場合にセンサｉとセンサｊとを同一プロセスとして、連続系プロセスを１以上のプロセスに分割する（ステップＳ１０３）。すなわち、プロセス分割部１０２は、相関係数ｒ_ｉｊが所定の閾値以上である場合にセンサｉとセンサｊとが同一プロセスとなるように、各センサｉを分類する。これにより、連続系プロセスが複数のプロセスに分割される。ここで、プロセス分割部１０２によるプロセス分割結果（すなわち、分割後のどのプロセスにどのセンサｉが属するかを示す情報）は、記憶部１０７に記憶される。

以上のように、本実施形態に係る異常検知装置１０は、連続系プロセスを１以上のプロセスにプロセス分割することができる。このとき、相関係数が所定の閾値以上のセンサ同士（つまり、センサ値間の相関が高いセンサ同士）を同一プロセスとしてプロセス分割を行うことで、線形関係維持を考慮したプロセス分割を行うことができるようになる。これにより、プロセス分割後の各プロセスでは、当該プロセスに属するセンサ同士が線形関係を有するようになる。

なお、上記の所定の閾値としては、例えば、プラント等の運用者が任意の値を設定すれば良い。また、上記では、センサ間の相関係数のみを用いてプロセス分割を行ったが、例えば、記憶部１０７に記憶されている設備情報に含まれるプロセス種別や設備（センサがセンシングする設備）の物理的な位置等も更に考慮して、プロセス分割を行っても良い。

＜異常検知処理＞
以降では、上記のプロセス分割処理が実行済であることを前提として、連続系プロセスで異常が発生した場合に当該異常を検知するための異常検知処理について、図８を参照しながら説明する。図８は、本実施形態に係る異常検知処理の一例を示すフローチャートである。なお、以降では、上記のプロセス分割処理によって連続系プロセスが１以上のプロセスにプロセス分割されているものとする。

まず、入力部１０１は、評価時点データを入力する（ステップＳ２０１）。以降のステップＳ２０２〜ステップＳ２０６は、入力部１０１が評価時点データを入力する度に繰り返し実行される。すなわち、例えば、入力部１０１が所定の時間毎に評価時点データを入力する場合、以降のステップＳ２０２〜ステップＳ２０６は当該所定の時間毎に繰り返し実行される。なお、入力部１０１は、入力した評価時点データをセンサ情報として記憶部１０７に保存する。

次に、近傍データ抽出部１０３は、プロセス分割部１０２によって分割されたプロセス毎に、記憶部１０７に記憶されているセンサ情報から、評価時点データの近傍となるデータ群を抽出する（ステップＳ２０２）。ここで、評価時点データの近傍となるデータ群の抽出方法の例として、「距離関数を用いた抽出」と「クラスタリングを用いた抽出」との２つの方法を以下に説明する。なお、距離関数を用いた抽出では、評価時点データが入力される度に、プロセス毎に、当該評価時点データのクエリの近傍となるデータ群が逐次的に抽出される。一方で、クラスタリングを用いた抽出では、評価時点データが入力された場合、プロセス毎に、予めクラスタリングしておいたデータ群のうち、当該評価時点データのクエリの近傍となるデータ群が選択される。以降で説明する本ステップでは、一例として、或るプロセスを１つ固定した上で、このプロセスに属するセンサを「センサｋ」（１≦ｋ≦Ｋ）と表す。したがって、センサｋのｎ番目のセンサ値は「ｘ_ｋ（ｎ）」と表される。また、記憶部１０７に記憶されているセンサ情報に含まれる各センサ値のうち、センサｋ（１≦ｋ≦Ｋ）それぞれのセンサ値（の組）を単に「データ」と表す（このことは、以降のステップＳ２０５〜Ｓ２０６でも同様とする。）。つまり、ｎ番目のデータは、（ｘ_１（ｎ），・・・，ｘ_Ｋ（ｎ））と表されるものである。

（１）距離関数を用いた抽出
（１−１）まず、距離としてユークリッド距離を用いる場合について説明する。この場合、近傍データ抽出部１０３は、当該プロセスにおいて、評価時点データのクエリと、記憶部１０７に記憶されている各センサ情報に含まれるデータとのユークリッド距離を以下の式（２）により算出する。

次に、近傍データ抽出部１０３は、上記の式（２）により算出した距離ｄ_{Ｅｕｃｌｉｄ}（ｎ）の昇順に各データをソートする。そして、近傍データ抽出部１０３は、昇順にソート後のデータの中から、予め設定された個数のデータを距離が小さい順に取得する。これにより、当該プロセスにおいて、評価時点データのクエリの近傍となるデータ群が抽出される。

なお、単純にユークリッド距離が小さい順にデータを取得すると線形関係が保てなくなり、異常検知の精度が低下する場合があるため、例えば、設備情報に含まれるイベント情報（例えば、操業日、操業周期、設備点検日、設備点検周期等）を参照して、抽出されたデータ群を構成する各データの中から、更に同一操業日（又は同一操業時刻等）のデータのみを抽出して、この抽出したデータを改めてデータ群として抽出しても良い。これにより、仮にクエリと距離が近いデータであっても、例えば操業日が異なる場合には除外することができるため、線形関係を有するデータ群が得られる。

（１−２）
次に、距離としてマハラノビス距離を用いる場合について説明する。なお、マハラノビス距離では、クエリと或るデータの集合との距離を算出するため、一例として、当該プロセスに含まれる各センサのセンサ値を同一操業日でグループ化するものとする。記憶部１０７に記憶されている各センサ情報に含まれるデータを同一操業日でグループ化した場合に、同一のグループ（すなわち、同一操業日）のデータの集合を「同一操業日データ群」と表し、それぞれに番号を付与し、そのインデックスをｊとする。

近傍データ抽出部１０３は、当該プロセスにおいて、評価時点データのクエリと、各同一操業日データ群とのマハラノビスを以下の式（３）により算出する。

次に、近傍データ抽出部１０３は、上記の式（３）により算出した距離ｄ_{Ｍａｈａｌａｎｏｂｉｓ}（ｊ）の昇順に各同一操業日データ群をソートする。そして、近傍データ抽出部１０３は、昇順にソート後の同一操業日データ群の中から、予め設定された個数の同一操業日データ群を距離が小さい順に取得（又は、最も距離が小さい同一操業日データ群を取得）する。これにより、当該プロセスにおいて、評価時点データのクエリの近傍となるデータ群（つまり、同一操業日データ群）が抽出される。

なお、各データを同一操業日でグループ化することは一例であって、他の基準（例えば、センサがセンシングする設備の物理的な計測周期や当該設備で処理等を行う材料の種別等）でグループ化しても良い。

（２）クラスタリングを用いた抽出
クラスタリングを用いた抽出では、近傍データ抽出部１０３は、当該プロセスにおいて、予めクラスタリングしておいたデータ群（クラスタ）のうち、当該評価時点データのクエリの近傍となるクラスタを任意の基準（例えば、クエリとクラスタとの距離の近さ等）で選択する。これにより、当該プロセスにおいて、評価時点データのクエリの近傍となるデータ群が抽出される。

ここで、クラスタリングを用いた抽出を行うためには、例えば、記憶部１０７に記憶されているセンサ情報を用いて、所定の時間毎に定期的に実施し、その結果を当該記憶部１０７等に保存しておく必要がある。クラスタリングの手法としては、任意の手法（例えば、ＥＭ（Expectation-Maximization）アルゴリズム、マハラノビス距離に基づいたｋ−ｍｅａｎｓ法等）を用いることができる。なお、クラスタ数は、プラント等の運用者が任意に設定しても良いし、ＡＩＣ（Akaike's Information Criterion）等の情報基準量を用いて自動的に決定されても良い。

ステップＳ２０２に続いて、モデル構築部１０４は、プロセス分割部１０２によって分割されたプロセス毎に、近傍データ抽出部１０３によって抽出されたデータ群を学習データ（より正確には、学習データ群）としてＰＣＡモデルを作成する。そして、モデル構築部１０４は、作成したＰＣＡモデルと、当該データ群に含まれる各データとを用いて、所定の統計量（Ｑ統計量及びＴ^２統計量の少なくとも一方）を算出する（ステップＳ２０３）。以降では、所定の統計量としてＱ統計量及びＴ^２統計量の両方を算出するものとする。

Ｑ統計量及びＴ^２統計量は、以下の式（４）及び式（５）により算出することができる。

このとき、モデル構築部１０４は、当該ＰＣＡモデルと、当該データ群に含まれる各データとを用いて、当該データ毎に、上記の式（４）及び式（５）によりモデル構築時のＱ統計量及びモデル構築時のＴ^２統計量を算出する。これにより、例えば、当該データ群に含まれるデータ数がＬ個である場合、Ｌ個のモデル構築時のＱ統計量と、Ｌ個のモデル構築時のＴ^２統計量とが算出される。

なお、Ｑ統計量におけるセンサｋ（のセンサ値）の寄与度Ｑ_ｋは以下の式（６）で表される。

すなわち、Ｑ統計量とは、各センサｋの寄与度Ｑ_ｋの和で表される。

なお、モデル構築時のＱ統計量及びモデル構築時のＴ^２統計量は、記憶部１０７に保存される。

次に、評価部１０５は、プロセス毎に、当該プロセスのＰＣＡモデルと、評価時点データのクエリとを用いて、評価時のＱ統計量及び評価時のＴ^２統計量を算出する。当該プロセスにおける評価時点データのクエリも（ｘ_１，・・・，ｘ_Ｋ）と表されるため、評価時のＱ統計量及び評価時のＴ^２統計量は、上記の式（４）及び式（５）により算出される。

そして、評価部１０５は、評価時のＱ統計量及び評価時のＴ^２統計量と、モデル構築時のＱ統計量及びモデル構築時のＴ^２統計量とを用いて、所定の基準により評価時点において連続系プロセスで異常が発生したか否かを評価する（ステップＳ２０４）。

ここで、所定の基準としては、プラント等の運用者が任意に設定することができる。例えば、評価時のＱ統計量がモデル構築時のＱ統計量の最大値を超えている場合に異常が発生していると評価したり、評価時のＱ統計量がモデル構築時のＱ統計量の３σの範囲内に入っていない場合に異常が発生していると評価したりすること等が挙げられる。同様に、評価時のＴ^２統計量がモデル構築時のＴ^２統計量の最大値を超えている場合に異常が発生していると評価したり、評価時のＴ^２統計量がモデル構築時のＴ^２統計量の３σの範囲内に入っていない場合に異常が発生していると評価したりすること等が挙げられる。

また、異常が発生したと評価された場合、評価部１０５は、更に、異常原因の分析を行っても良い。異常分析としては、例えば、評価時のＱ統計量を寄与度Ｑ_ｋに分解した上で、寄与度Ｑ_ｋが高いセンサｋを異常原因と評価すること等が挙げられる。同様に、評価時のＴ^２統計量を寄与度に分解した上で、寄与度が高いセンサｋを異常原因と評価すること等が挙げられる。

次に、出力部１０６は、評価部１０５による評価結果や異常原因の分析結果を所定の出力先に出力する（ステップＳ２０５）。

以上のように、本実施形態に係る異常検知装置１０は、評価時点データが入力される度に動的にＰＣＡモデルを構築し、連続系プラントでの異常の発生有無を評価することができる。しかも、このとき、本実施形態に係る異常検知装置１０は、プロセス分割部１０２により分割されたプロセス毎に、ＰＣＡモデルの作成と異常の発生有無の評価とを行うことができる。このため、本実施形態に係る異常検知装置１０によれば、例えばプロセス分割に伴うエンジニアリングコストを抑えつつ、特性変動や線形関係維持を考慮した異常検知を高い精度で実現することができるようになる。

本発明は、具体的に開示された上記の実施形態に限定されるものではなく、特許請求の範囲から逸脱することなく、種々の変形や変更が可能である。

１０ 異常検知装置
２０ センシング機器
１０１ 入力部
１０２ プロセス分割部
１０３ 近傍データ抽出部
１０４ モデル構築部
１０５ 評価部
１０６ 出力部
１０７ 記憶部

Claims (8)

1. 特性変動が存在する連続系プロセスで発生した異常を検知する異常検知装置であって、
   前記連続系プロセスについてセンサを用いてセンシングしたセンサ情報を入力する入力部と、
   過去のセンサ情報のうち、前記入力部が入力したセンサ情報の近傍となるセンサ情報を抽出する抽出部と、
   前記抽出部が抽出したセンサ情報を学習データとして主成分分析によりモデルを構築するモデル構築部と、
   前記モデル構築部が構築したモデルと、前記入力部が入力したセンサ情報とを用いて、前記連続系プロセスでの異常の発生有無を評価する評価部と、
   を有することを特徴とする異常検知装置。
2. 前記過去のセンサ情報を用いて、前記連続系プロセスを、各センサ間のセンサ情報が線形関係を維持した１以上のプロセスとして分割する分割部を有し、
   前記抽出部は、
   前記分割部が分割したプロセス毎に、前記入力部が入力したセンサ情報の近傍となる過去のセンサ情報を抽出し、
   前記モデル構築部は、
   前記分割部が分割したプロセス毎に、前記モデルを構築し、
   前記評価部は、
   前記分割部が分割したプロセス毎に、前記モデルと、前記入力部が入力したセンサ情報とを用いて、前記連続系プロセスでの異常の発生有無を評価する、ことを特徴とする請求項１に記載の異常検知装置。
3. 前記分割部は、
   前記センサ間におけるセンシング値の相関係数を用いて、前記連続系プロセスを、各センサ間のセンサ情報が線形関係を維持した１以上のプロセスとして分割する、ことを特徴とする請求項２に記載の異常検知装置。
4. 前記抽出部は、
   前記入力部が入力したセンサ情報の近傍となる前記過去のセンサ情報を、距離関数を用いて抽出する、ことを特徴とする請求項１乃至３の何れか一項に記載の異常検知装置。
5. 前記抽出部は、
   前記入力部が入力したセンサ情報の近傍となる前記過去のセンサ情報を、予めクラスタリングされたクラスタを選択することで抽出する、ことを特徴とする請求項１乃至３の何れか一項に記載の異常検知装置。
6. 前記評価部は、
   前記モデルを用いて、前記入力部が入力したセンサ情報のＱ統計量又は／及びＴ^２統計量を算出することで、前記連続系プロセスでの異常の発生の有無を評価する、ことを特徴とする請求項１乃至５の何れか一項に記載の異常検知装置。
7. 前記評価部は、
   前記連続系プロセスで異常が発生したと評価された場合、前記異常の原因分析として、前記連続系プロセスをセンシングする各センサの前記Ｑ統計量又は／及びＴ^２統計量に対する寄与度を算出する、ことを特徴とする請求項６に記載の異常検知装置。
8. 特性変動が存在する連続系プロセスで発生した異常を検知する異常検知装置が、
   前記連続系プロセスについてセンサを用いてセンシングしたセンサ情報を入力する入力手順と、
   過去のセンサ情報のうち、前記入力手順が入力したセンサ情報の近傍となるセンサ情報を抽出する抽出手順と、
   前記抽出手順が抽出したセンサ情報を学習データとして主成分分析によりモデルを構築するモデル構築手順と、
   前記モデル構築手順が構築したモデルと、前記入力手順が入力したセンサ情報とを用いて、前記連続系プロセスでの異常の発生有無を評価する評価手順と、
   を実行することを特徴とする異常検知方法。

Images