JP2020197980A

JP2020197980A - 時系列信号のトリガ条件決定方法、監視対象設備の異常診断方法および時系列信号のトリガ条件決定装置

Info

Publication number: JP2020197980A
Application number: JP2019104547A
Authority: JP
Inventors: 啓庄村; Kei Shomura
Original assignee: JFE Steel Corp
Current assignee: JFE Steel Corp
Priority date: 2019-06-04
Filing date: 2019-06-04
Publication date: 2020-12-10
Anticipated expiration: 2039-06-04
Also published as: JP7003970B2

Abstract

【課題】監視対象信号から監視対象区間を切り出すための時系列信号のトリガ条件決定方法、監視対象設備の異常診断方法を提供する。【解決手段】監視対象設備に関する１以上の監視対象信号と、トリガ条件となりうるトリガ候補信号とを収集する収集工程Ｓ１と、収集した監視対象信号の監視対象区間を切り出す切り出し工程Ｓ３と、監視対象区間の開始時刻に対応する監視対象信号およびトリガ候補信号の値に対してトリガＯＮのラベルを付与し、開始時刻以外の時刻に対応する監視対象信号およびトリガ候補信号の値にトリガＯＦＦのラベルを付与しＳ６、各々のラベルが付与された信号の値を入力とし、各々のラベルを出力として機械学習して学習モデルを生成するモデル生成工程Ｓ７と、トリガ条件を決定するトリガ条件決定工程Ｓ８と、を含む。【選択図】図２

Description

本発明は、時系列信号のトリガ条件決定方法、監視対象設備の異常診断方法および時系列信号のトリガ条件決定装置に関する。

工場等の生産設備および研究所等の実験設備において、設備の異常診断を行う方法の一つとして以下のような方法がある。まず監視対象となる設備（以下、「監視対象設備」という）が正常に動作しているときの監視対象設備の状態を示す時系列信号のデータ（以下、「監視対象信号」という）を多数収集し、それらの監視対象信号を用いて監視対象設備が正常に動作しているときのモデルを作成する。そして、監視対象設備の異常診断を行う際に、前記したモデルからの距離を算出し、その距離が予め定めた閾値を超えた場合に異常と判定する。例えば特許文献１には、前記したモデルに主成分平面を採用した異常診断方法が開示されている。

国際公開第２０１７／１０４３０５号

特許文献１を始めとする従来の異常診断方法では、具体的には以下のような手順で異常診断を行っていた。
（１）収集した監視対象信号からＮ点の時系列信号を切り出す。
（２）切り出した時系列信号をＮ次元空間の一点に表現し、基準を作成する。
（３）異常診断の対象となる信号について、Ｑ統計量（主成分平面との距離）を算出する。
（４）Ｑ統計量が予め定めた閾値を超えた場合に異常と判定する。

従来の異常診断方法では、上記（１）に示すように、監視対象信号から監視対象区間を切り出し、監視対象設備が正常に動作しているときのモデルを作成する。また、監視対象設備の異常診断を行う際にも、監視対象信号から監視対象区間を切り出し、正常動作時の監視対象信号から作成したモデルとの距離を計算する。ここでは簡単のため、監視対象信号から監視対象区間を切り出すタイミングを指定する条件のことを「トリガ条件」と呼び、このトリガ条件となり得る時系列信号のことを「トリガ候補信号」と呼ぶ。

監視対象設備が正常に動作しているときの適切なモデルを作成するためには、監視対象設備に関して収集した複数の監視対象信号からそれぞれ監視対象区間を切り出して重ねた際に、切り出した波形がある程度重ならなければならない。従来の異常診断方法では、具体的には以下のような手順で監視対象区間の波形の重ね合わせを行う。
（１）トリガ条件を用いて複数の監視対象信号からそれぞれ監視対象区間を切り出す。
（２）それぞれの監視対象区間の横軸を変換する（例えば横軸の時間をクランク角等に変換する）。
（３）それぞれの監視対象区間の縦軸を変換する（例えば正規化する）。

従来の異常診断方法では、上記（１）のトリガ条件を、例えば監視対象信号とトリガ候補信号とを見比べて、切り出した波形が重なるように、人の手で決定しているため、トリガ条件を決定する際に手間と時間を要していた。

本発明は、上記に鑑みてなされたものであって、監視対象信号から監視対象区間を切り出すためのトリガ条件を自動的に決定することができる時系列信号のトリガ条件決定方法、監視対象設備の異常診断方法および時系列信号のトリガ条件決定装置を提供することを目的とする。

上述した課題を解決し、目的を達成するために、本発明に係る時系列信号のトリガ条件決定方法は、監視対象設備の異常診断を行う際に、前記監視対象設備の状態を示す時系列信号である監視対象信号から、前記異常診断の対象となる監視対象区間を切り出すための条件であるトリガ条件を決定する時系列信号のトリガ条件決定方法において、前記監視対象設備に関する１以上の監視対象信号と、前記監視対象設備に関連し、かつ前記監視対象信号と同時刻に検出された時系列信号であって、前記トリガ条件となりうる時系列信号を示すトリガ候補信号と、からなる信号群を収集する収集工程と、前記信号群について、所定の基準に基づいて、前記監視対象信号の監視対象区間を切り出す切り出し工程と、前記信号群について、切り出した前記監視対象区間の開始時刻に対応する前記監視対象信号の値および前記トリガ候補信号の値に対してトリガＯＮのラベルを付与し、切り出した前記監視対象区間の開始時刻以外の時刻に対応する前記監視対象信号の値および前記トリガ候補信号の値にトリガＯＦＦのラベルを付与し、各々のラベルが付与された前記トリガ候補信号の値を入力とし、各々のラベルを出力として機械学習することにより、学習モデルを生成するモデル生成工程と、前記異常診断を行う監視対象信号について、前記学習モデルを用いて前記トリガ条件を決定するトリガ条件決定工程と、を含むことを特徴とする。

また、本発明に係る時系列信号のトリガ条件決定方法は、上記発明において、前記切り出し工程が、前記収集工程で収集された複数の監視対象信号の中から選択した第一の監視対象信号について、前記監視対象設備の設備特性に基づいて監視対象区間を切り出し、前記複数の監視対象信号のうちの前記第一の監視対象信号以外の監視対象信号について、前記第一の監視対象信号の監視対象区間に含まれる波形との相関係数が最も大きい区間を探索することにより、監視対象区間をそれぞれ切り出すことを特徴とする。

また、本発明に係る時系列信号のトリガ条件決定方法は、上記発明において、前記学習モデルが、決定木であることを特徴とする。

また、本発明に係る時系列信号のトリガ条件決定方法は、上記発明において、前記モデル生成工程において、前記トリガ候補信号が１パルス信号である場合、前記トリガ候補信号をのこぎり波に変換した後に機械学習することを特徴とする。

また、本発明に係る時系列信号のトリガ条件決定方法は、上記発明において、前記モデル生成工程において機械学習の際にエラーが発生した場合、前記切り出し工程に戻り、前回切り出した監視対象区間を前後にシフトさせ、前記監視対象信号の監視対象区間を新たに切り出した後、前記モデル生成工程を再度行うことを特徴とする。

上述した課題を解決し、目的を達成するために、本発明に係る監視対象設備の異常診断方法は、前記した時系列信号のトリガ条件決定方法によって決定されたトリガ条件に従って、監視対象設備の状態を示す時系列信号である監視対象信号から、前記異常診断の対象となる監視対象区間の信号を切り出して蓄積し、蓄積した信号に基づいて前記監視対象設備の異常診断を行うことを特徴とする。

上述した課題を解決し、目的を達成するために、本発明に係る時系列信号のトリガ条件決定装置は、監視対象設備の異常診断を行う際に、前記監視対象設備の状態を示す時系列信号である監視対象信号から、前記異常診断の対象となる監視対象区間を切り出すための条件であるトリガ条件を決定する時系列信号のトリガ条件決定装置において、前記監視対象設備に関する１以上の監視対象信号と、前記監視対象設備に関連し、かつ前記監視対象信号と同時刻に検出された時系列信号であって、前記トリガ条件となりうる時系列信号を示すトリガ候補信号と、からなる信号群を収集する収集する収集手段と、前記信号群について、所定の基準に基づいて、前記監視対象信号の監視対象区間を切り出す切り出し手段と、前記信号群について、切り出した前記監視対象区間の開始時刻に対応する前記監視対象信号の値および前記トリガ候補信号の値に対してトリガＯＮのラベルを付与し、切り出した前記監視対象区間の開始時刻以外の時刻に対応する前記監視対象信号の値および前記トリガ候補信号の値にトリガＯＦＦのラベルを付与し、各々のラベルが付与された前記トリガ候補信号の値を入力とし、各々のラベルを出力として機械学習することにより、学習モデルを生成するモデル生成工程と、前記異常診断を行う監視対象信号について、前記学習モデルを用いて前記トリガ条件を決定するトリガ条件決定手段と、を備えることを特徴とする。

本発明によれば、監視対象信号およびトリガ候補信号がどのような条件のときにトリガＯＮとなるかを学習させた学習モデルを用いることにより、監視対象信号から監視対象区間を切り出すためのトリガ条件を自動的に決定することができる。

図１は、本発明の実施形態に係る時系列信号のトリガ条件決定装置の概略的な構成を示すブロック図である。図２は、本発明の実施形態に係る時系列信号のトリガ条件決定方法の流れを示すフローチャートである。図３は、本発明の実施形態に係る時系列信号のトリガ条件決定方法の切り出し工程の内容を模式的に示す図である。図４は、本発明の実施形態に係る時系列信号のトリガ条件決定方法の切り出し工程の内容を模式的に示す図である。図５は、本発明の実施形態に係る時系列信号のトリガ条件決定方法のモデル生成工程の内容を模式的に示す図である。図６は、本発明の実施形態に係る時系列信号のトリガ条件決定方法のモデル生成工程で生成する決定木を模式的に示す図である。図７は、本発明の実施形態に係る時系列信号のトリガ条件決定方法のモデル生成工程において、１パルス信号をのこぎり波に変換する様子を模式的に示す図である。図８は、本発明の実施形態に係る時系列信号のトリガ条件決定方法のモデル生成工程で変換したのこぎり波を模式的に示す図である。図９は、本発明の実施形態に係る時系列信号のトリガ条件決定方法の実施例において、監視対象信号およびトリガ候補信号を示す図である。図１０は、本発明の実施形態に係る時系列信号のトリガ条件決定方法の実施例において、切り出した監視対象区間の波形を重ね合わせた様子を示す図である。図１１は、本発明の実施形態に係る時系列信号のトリガ条件決定方法の実施例において、決定木を用いたトリガ条件の決定方法を示す図である。図１２は、本発明の実施形態に係る時系列信号のトリガ条件決定方法の実施例において、切り出した監視対象区間の波形を重ね合わせた様子を示す図である。

本発明の実施形態に係る時系列信号のトリガ条件決定方法、監視対象設備の異常診断方法および時系列信号のトリガ条件決定装置（以下、「学習装置」という）について、図面を参照しながら説明する。

（トリガ条件決定装置）
トリガ条件決定装置は、工場等の生産設備および研究所等の実験設備において、監視対象設備の異常診断を行う際に、監視対象信号から監視対象区間を切り出すための条件であるトリガ条件を決定する装置である。

ここで、監視対象信号とは、前記したように、監視対象信号の状態を示す時系列信号のことを示している。監視対象信号は、監視対象設備の種類によって異なり、例えば監視対象設備が「モータ」である場合、監視対象信号としてはモータの電流や速度等が用いられる。トリガ条件決定装置では、１以上の監視対象信号とこれに対応するトリガ候補信号を常時収集している。トリガ候補信号は、監視対象設備に関連した時系列信号であって、監視対象信号と同時刻に検出された時系列信号のことを示している。また、トリガ候補信号は、対象プロセスや設備等の異常とは直接関係しない信号が望ましく、各種指令値や特定のイベントのＯＮ／ＯＦＦを表す信号等が候補となる。

また、監視対象区間とは、監視対象信号のうち異常診断を行うために切り出す区間のことを示している。監視対象信号から監視対象区間を切り出す場合、当該監視対象信号の切り出しを開始する時刻（以下、「切り出し開始時刻」という）と、切り出しの幅を指定する。その際、切り出し開始時刻は、監視対象信号と同時に収集しているトリガ候補信号の値によって指定する。また、切り出しの幅は、監視対象設備の種類によって異なり、例えば監視対象設備が「モータ」である場合、モータが加速する区間を切り出しの幅として指定する。

また、トリガ条件とは、監視対象信号から、異常診断の対象となる監視対象区間を切り出すための条件であり、具体的には、前記した監視対象信号の切り出し開始時刻および切り出しの幅のことを示している。

トリガ条件決定装置１は、パーソナルコンピュータやワークステーション等の汎用の情報処理装置によって実現されるものであり、入力部１０と、出力部２０と、記憶部３０と、演算部４０と、を備えている。

入力部１０は、演算部４０に対する入力手段であり、データ収集装置、キーボード、ポインティングデバイス等によって実現される。また、出力部２０は、液晶ディスプレイ等によって実現される。記憶部３０は、ハードディスク装置等によって実現される。記憶部３０には、例えば演算部４０によって処理されたデータ（監視対象信号、トリガ候補信号、トリガ条件、学習モデル等）が蓄積される。

演算部４０は、例えばＣＰＵ（Central Processing Unit）等からなるプロセッサと、ＲＡＭ（Random Access Memory）やＲＯＭ（Read Only Memory）等からなるメモリ（主記憶部）と、によって実現される。演算部４０は、プログラムを主記憶部の作業領域にロードして実行し、プログラムの実行を通じて各構成部等を制御することにより、所定の目的に合致した機能を実現する。

また、演算部４０は、前記したプログラムの実行を通じて、収集部（収集手段）４１、切り出し部（切り出し手段）４２、モデル生成部（モデル生成手段）４３およびトリガ条件決定部（トリガ条件決定手段）４４として機能する。なお、各部の詳細は後記する（図２〜図８参照）。

（トリガ条件決定方法）
本実施形態に係るトリガ条件決定方法について、図２〜図８を参照しながら説明する。トリガ条件決定方法は、収集工程と、切り出し工程と、モデル生成工程と、トリガ条件決定工程と、をこの順で行う。また、トリガ条件決定方法では、後記するように、必要に応じて切り出し工程およびモデル生成工程を繰り返す。

＜収集工程＞
収集工程では、収集部４１が、監視対象信号およびトリガ候補信号からなる信号群を収集する（ステップＳ１）。なお、ここでは収集部４１が複数の監視対象信号を収集する場合について説明するが、収集部４１が収集する監視対象信号は１つでもよい。

＜切り出し工程＞
切り出し工程では、切り出し部４２が、収集工程で収集された信号群について、所定の基準に基づいて、監視対象信号の監視対象区間を切り出す。以下、切り出し工程の詳細について説明する。

切り出し部４２は、まず図３に示すように、信号群の粗切り出しを行う（ステップＳ２）。例えばコイルの圧延設備等の繰り返し動作を行う設備では、連続して流れてくるコイルについて、監視対象信号およびトリガ候補信号を切れ目なく連続して取得している。そこで、ステップＳ２では、例えばコイルごとに監視対象信号およびトリガ候補信号を分割するために、信号群の粗切り出しを行う。なお、信号群の粗切り出しは、監視対象設備の種類に応じて予め設定したタイミングで行ってもよく、あるいは同図に示すように、複数のトリガ候補信号の中から粗切り出し用信号を選択し、当該粗切り出し用信号が立ち上がったタイミングで行ってもよい。

なお、図３において、符号Ｓｇは粗切り出し前の信号群、符号Ｓｓは粗切り出し前の監視対象信号、符号Ｓｔは粗切り出し前のトリガ候補信号、符号Ｓｇ１，Ｓｇ２，Ｓｇ３は粗切り出し後の信号群、符号Ｓｓ１，Ｓｓ２，Ｓｓ３は粗切り出し後の監視対象信号、符号Ｓｔ１，Ｓｔ２，Ｓｔ３は粗切り出し後のトリガ候補信号、を示している。

次に、切り出し部４２は、図４（ａ）に示すように、ステップＳ２で粗切り出しした複数の監視対象信号の中から監視対象信号（同図では監視対象信号Ｓｓ１）を一つ選択し、選択した監視対象信号Ｓｓ１の監視対象区間Ｓｍ１を切り出す（ステップＳ３）。ステップＳ３で監視対象区間Ｓｍ１を切り出す際の切り出し条件は、監視対象設備の設備特性に基づいて決定する。例えば監視対象設備が「モータ」であり、監視対象信号Ｓｓ１が「モータの電流値」である場合であって、モータが加速する際のモータの電流値の上昇具合が正常か否かを判定する場合、同図に示すように、モータが加速する区間を監視対象区間Ｓｍ１とする。すなわち、監視対象区間Ｓｍ１の切り出し開始時刻としてモータが加速を開始する時点を指定し、切り出しの幅としてモータが加速を開始して加速が終了するまでの区間を指定する。

次に、切り出し部４２は、ステップＳ３で切り出した監視対象区間Ｓｍ１に含まれる波形と、その他の監視対象信号Ｓｓ２，Ｓｓ３に含まれる波形との相関係数を算出する（ステップＳ４）。次に、切り出し部４２は、図４（ｂ）に示すように、その他の監視対象信号Ｓｓ２，Ｓｓ３について、ステップＳ３で切り出した監視対象区間Ｓｍ１に含まれる波形との相関係数が最も大きい区間を探索することにより、監視対象信号Ｓｓ２，Ｓｓ３の監視対象区間Ｓｍ２，Ｓｍ３をそれぞれ切り出す（ステップＳ５）。

このように、ステップＳ４，Ｓ５では、ステップＳ２で粗切り出しした他の時刻の監視対象信号に含まれる波形の中から、ステップＳ３で切り出した監視対象区間Ｓｍ１に含まれる波形に類似した波形を探索する。なお、類似した波形の探索方法は、前記した相関係数の比較の他に、各時系列信号のデータ同士のユークリッド距離等を用いてもよい。

＜モデル生成工程＞
モデル生成工程では、まず図５に示すように、モデル生成部４３が、各信号群について、切り出した監視対象区間Ｓｍ１，Ｓｍ２，Ｓｍ３の開始時刻ｐ１，ｐ２，ｐ３に対応する監視対象信号Ｓｓ１，Ｓｓ２，Ｓｓ３の値およびトリガ候補信号Ｓｔ１，Ｓｔ２，Ｓｔ３の値（以下、「信号群の値」という）に対して「トリガＯＮ」のラベルを付与し、切り出した監視対象区間Ｓｍ１，Ｓｍ２，Ｓｍ３の開始時刻以外の時刻に対応する信号群の値に「トリガＯＦＦ」のラベルを付与する（ステップＳ６）。なお、「トリガＯＮ」のラベルは、このラベルが付与された信号群の値が切り出し開始時刻であるということを示しており、「トリガＯＦＦ」のラベルは、このラベルが付与された信号群の値が切り出し開始時刻ではないということを示している。

次に、モデル生成部４３は、「トリガＯＮ」のラベルが付与された信号群の値および「トリガＯＦＦ」のラベルが付与された信号群の値を入力とし、「トリガＯＮ」のラベルおよび「トリガＯＦＦ」のラベルを出力として機械学習することにより、図６に示すように、決定木を生成する（ステップＳ７）。なお、ステップＳ７で生成する学習モデルは、決定木に限定されず、例えばランダムフォレストまたはニューラルネットワーク等であってもよい。

ここで、モデル生成工程では、信号群に含まれるトリガ候補信号が１パルス信号、すなわち図７の上図に示すように、ＯＮ−ＯＦＦ信号のうち、信号の立ち上がりまたは立ち下がりの１スキャン分のみＯＮする信号である場合、同図の下図に示すように、トリガ候補信号をのこぎり波に変換した後に機械学習を行う。

図７の上図に示すように、１パルス信号は短い時間のみＯＮする信号である。そのため、前記した切り出し工程において、波形の類似度の高い箇所を探索している際に、本来であれば「トリガＯＮ」時に１パルス信号もＯＮすべきなのに対して、「トリガＯＮ」となる時刻が、１パルス信号がＯＮする時刻の前後にずれてしまう場合がある。一方、同図に示すように、１パルス信号をのこぎり波に変換することにより、１パルス信号のＯＮ、ＯＦＦ遅れによる不具合を解消することができる。

変換後のこぎり波の傾きは、例えば１パルス信号がＯＮしてから何秒後までチェックしたいかにより決定し、次の信号の立ち上がりと重ならないような傾きに設定する。また、１パルス信号をのこぎり波に変換する際には、図７のＡ部に示すように、切り出し開始点のズレにより、１パルス信号がＯＮするよりも先に監視対象区間の切り出しを開始してしまうことに対する余裕分（例えば５ｓｃａｎ程度）を持たせることが望ましい。

また、のこぎり波の形状は、図８に示すように、パラメータｔｆ，ｔｂにより定義されるが、当該パラメータｔｆ，ｔｂの関係を、ｔｂ＜ｔｆとすることが望ましい。また、のこぎり波では、同図に示すように、変換後の信号の値ｚがＢで示す範囲内であれば、トリガＯＮと判断する。

モデル生成工程では、機械学習の際にトリガ条件が正常に生成できないエラーが発生した場合、前記した切り出し工程に戻り、前回切り出した監視対象区間を前後にシフトさせ、監視対象信号の監視対象区間を新たに切り出した後、モデル生成工程を再度行う。すなわち、監視対象信号の監視対象区間の切り出しをやり直した後、再度決定木の構築を行う。そして、機械学習の際にトリガ条件が正常に生成できた場合はモデル生成工程を終了し、正常に生成できなかった場合は再度切り出し工程に戻り、切り出し工程およびモデル生成工程をやり直す。

本実施形態に係るトリガ条件決定方法は、図４で示したように、切り出し工程で最初に指定した監視対象区間（監視対象区間Ｓｍ１）の開始時刻におけるトリガ候補信号の状態を学習する手法である。そのため、例えば最初に指定する監視対象区間の開始時刻におけるトリガ候補信号の状態に特徴がないような場合には、うまく学習を行うことができない。そこで、前記したように、モデル生成工程でエラーが発生した場合は、切り出し工程で最初に指定した監視対象区間を前後にシフトさせ、監視対象区間を指定し直すことにより、学習の際の不具合を解消することができる。

＜トリガ条件決定工程＞
トリガ条件決定工程では、トリガ条件決定部４４が、異常診断を行う監視対象信号について、決定木を用いてトリガ条件を決定する。すなわち、トリガ条件決定部４４は、異常診断を行う監視対象信号およびトリガ候補信号を決定木に入力することにより、この決定木の分岐条件からトリガ条件を決定する（ステップＳ８）。このように、ステップＳ７で生成した決定木を用いることにより、監視対象信号およびトリガ候補信号がどのような条件のときにトリガＯＮになるのかを容易に把握することができる。

（監視対象設備の異常診断方法）
監視対象設備の異常診断方法は、前記したトリガ条件決定方法によって決定されたトリガ条件に従って、監視対象信号から監視対象区間の信号を切り出して記憶部３０に蓄積し、蓄積した信号に基づいて監視対象設備の異常診断を行う。

以上説明したような本実施形態に係るトリガ条件決定装置、トリガ条件決定方法および監視対象設備の異常診断方法によれば、監視対象信号およびトリガ候補信号がどのような条件のときにトリガＯＮとなるかを学習させた学習モデルを用いることにより、監視対象信号から監視対象区間を切り出すためのトリガ条件を自動的に決定することができる。また、本実施形態に係るトリガ条件決定装置、トリガ条件決定方法および監視対象設備の異常診断方法によれば、監視対象信号の開始対象区間を切り出すトリガ条件を自動的に決定することができるため、トリガ条件を人の手で検討、決定する必要がなくなり、監視対象設備の異常診断の際に必要な事前準備を簡略化することができる。

本発明に係る操業結果予測方法の実施例について、図９〜図１２を参照しながら説明する。本実施例では、サイジングプレス設備を監視対象設備とし、当該サイジングプレス設備の主電動機の速度実績に対して本発明を適用した。本実施例における監視対象信号およびトリガ候補信号を図９に示す。

図９において、監視対象信号は主電動機の速度実績であり、トリガ候補信号は以下の５つを選定した。
ｖ１：プレス在荷でＯＮ
ｖ２：主電動機の速度指令値
ｖ３：幅アジャスト電動機（ドライブ下側）の速度指令値
ｖ４：プレス中にＯＮ
ｖ５：プレスロードセルの和荷重

図９に示すように、信号の立ち上がりを見るために２５００〜２８００ｓｃａｎの区間を監視対象区間Ｓｍとして初めに指定した。また、他の時刻の監視対象信号に含まれる波形の中から相関係数が極大となる部分を切り出して重ねたグラフを図１０に、モデル生成工程で構築した決定木を図１１に、切り出し条件決定工程で決定木から抽出したトリガ条件に基づいて監視対象信号（主電動機の速度実績）を切り出して重ねたグラフを図１２に示す。

図１１に示すように、モデル生成工程で構築した決定木から、「ｖ５＜−５．５」、「１３２９０≦ｖ２＜１４３７０」という２つの条件を抽出した。そして、監視対象信号が主電動機の速度実績であることを考慮して、主電動機の速度指令値ｖ２を含む後者の条件を選定し、「主電動機の速度指令値ｖ２＝１３８３０」をトリガ条件として決定した。そして、このトリガ条件に基づいて、異常診断を行う監視対象信号の監視対象区間を切り出した結果、図１２に示すように、切り出した波形を重ね合せることができた。また、図１２では、他の波形とは逸脱した波形（波形Ｃ参照）が含まれるが、このような波形が、Ｑ統計量等の統計量を用いた解析により、異常の候補として判断される可能性がある。

このようにトリガ条件を決定し、収集した実績データから、例えば正常データを抽出して主成分分析等を行い、異常診断のための正常時のモデルを構築することができる。また、通常の操業時においては、上記トリガ条件にて抽出した信号に対して、正常モデルに基づいたＱ統計量等の統計量を求めることで、異常診断が可能となる。

なお、本実施例では、監視対象設備が、製鉄プロセス、特に熱間圧延工場におけるサイジングプレス設備である場合について説明したが、本発明の適用範囲はこの分野に限定されず、石油関連製品、化学薬品等のあらゆる製造プロセスの生産設備や研究機関の実験設備等に対して適用可能である。

以上、本発明に係る時系列信号のトリガ条件決定方法、監視対象設備の異常診断方法および時系列信号のトリガ条件決定装置について、発明を実施するための形態および実施例により具体的に説明したが、本発明の趣旨はこれらの記載に限定されるものではなく、特許請求の範囲の記載に基づいて広く解釈されなければならない。また、これらの記載に基づいて種々変更、改変等したものも本発明の趣旨に含まれることはいうまでもない。

１トリガ条件決定装置
１０入力部
２０出力部
３０記憶部
４０演算部
４１収集部（収集手段）
４２切り出し部（切り出し手段）
４３モデル生成部（モデル生成手段）
４４トリガ条件決定部（トリガ条件決定手段）

Claims

監視対象設備の異常診断を行う際に、前記監視対象設備の状態を示す時系列信号である監視対象信号から、前記異常診断の対象となる監視対象区間を切り出すための条件であるトリガ条件を決定する時系列信号のトリガ条件決定方法において、
前記監視対象設備に関する１以上の監視対象信号と、前記監視対象設備に関連し、かつ前記監視対象信号と同時刻に検出された時系列信号であって、前記トリガ条件となりうる時系列信号を示すトリガ候補信号と、からなる信号群を収集する収集工程と、
前記信号群について、所定の基準に基づいて、前記監視対象信号の監視対象区間を切り出す切り出し工程と、
前記信号群について、切り出した前記監視対象区間の開始時刻に対応する前記監視対象信号の値および前記トリガ候補信号の値に対してトリガＯＮのラベルを付与し、切り出した前記監視対象区間の開始時刻以外の時刻に対応する前記監視対象信号の値および前記トリガ候補信号の値にトリガＯＦＦのラベルを付与し、各々のラベルが付与された前記監視対象信号の値および前記トリガ候補信号の値を入力とし、各々のラベルを出力として機械学習することにより、学習モデルを生成するモデル生成工程と、
前記異常診断を行う監視対象信号について、前記学習モデルを用いて前記トリガ条件を決定するトリガ条件決定工程と、
を含むことを特徴とする時系列信号のトリガ条件決定方法。
前記切り出し工程は、
前記収集工程で収集された複数の監視対象信号の中から選択した第一の監視対象信号について、前記監視対象設備の設備特性に基づいて監視対象区間を切り出し、
前記複数の監視対象信号のうちの前記第一の監視対象信号以外の監視対象信号について、前記第一の監視対象信号の監視対象区間に含まれる波形との相関係数が最も大きい区間を探索することにより、監視対象区間をそれぞれ切り出すことを特徴とする請求項１に記載の時系列信号のトリガ条件決定方法。
前記学習モデルは、決定木であることを特徴とする請求項１または請求項２に記載の時系列信号のトリガ条件決定方法。
前記モデル生成工程において、前記トリガ候補信号が１パルス信号である場合、前記トリガ候補信号をのこぎり波に変換した後に機械学習することを特徴とする請求項１から請求項３のいずれか一項に記載の時系列信号のトリガ条件決定方法。
前記モデル生成工程において機械学習の際にエラーが発生した場合、前記切り出し工程に戻り、前回切り出した監視対象区間を前後にシフトさせ、前記監視対象信号の監視対象区間を新たに切り出した後、前記モデル生成工程を再度行うことを特徴とする請求項１から請求項４のいずれか一項に記載の時系列信号のトリガ条件決定方法。
請求項１から請求項５のいずれか一項に記載の時系列信号のトリガ条件決定方法によって決定されたトリガ条件に従って、監視対象設備の状態を示す時系列信号である監視対象信号から、前記異常診断の対象となる監視対象区間の信号を切り出して蓄積し、蓄積した信号に基づいて前記監視対象設備の異常診断を行うことを特徴とする監視対象設備の異常診断方法。
監視対象設備の異常診断を行う際に、前記監視対象設備の状態を示す時系列信号である監視対象信号から、前記異常診断の対象となる監視対象区間を切り出すための条件であるトリガ条件を決定する時系列信号のトリガ条件決定装置において、
前記監視対象設備に関する１以上の監視対象信号と、前記監視対象設備に関連し、かつ前記監視対象信号と同時刻に検出された時系列信号であって、前記トリガ条件となりうる時系列信号を示すトリガ候補信号と、からなる信号群を収集する収集する収集手段と、
前記信号群について、所定の基準に基づいて、前記監視対象信号の監視対象区間を切り出す切り出し手段と、
前記信号群について、切り出した前記監視対象区間の開始時刻に対応する前記監視対象信号の値および前記トリガ候補信号の値に対してトリガＯＮのラベルを付与し、切り出した前記監視対象区間の開始時刻以外の時刻に対応する前記監視対象信号の値および前記トリガ候補信号の値にトリガＯＦＦのラベルを付与し、各々のラベルが付与された前記監視対象信号の値および前記トリガ候補信号の値を入力とし、各々のラベルを出力として機械学習することにより、学習モデルを生成するモデル生成手段と、
前記異常診断を行う監視対象信号について、前記学習モデルを用いて前記トリガ条件を決定するトリガ条件決定手段と、
を備えることを特徴とする時系列信号のトリガ条件決定装置。