JP2023115740A - 異常検知装置、異常検知方法およびプログラム - Google Patents

Abstract

【課題】プラントにおける連続測定信号に正常時とは異なる特徴が継続的に現れる異常を確実に予知して操業のトラブルを事前に検知する。【解決手段】対象プラントで過去の異常発生前の一定時間に測定された物理量の、異常発生時点を終点とし、第１の時間だけ遡った時刻を始点とする時間分の時系列を第１のデータベクトルとして、当該第１のデータベクトルを複数の物理量について並べた第１のデータ行列の時間を表す方向において物理量の間に共通する特徴を抽出する特徴データ算出部と、対象プラントで新たに測定された物理量の第１の時間分の時系列を第２のデータベクトルを第１のデータ行列と同じ順序で並べた第２のデータ行列から抽出された特徴と第１のデータ行列に共通する特徴との類似度を算出する異常度算出部と、類似度の時間変化が所定の条件を満たす場合に対象プラントの異常を検知する異常検知部とを備える異常検知装置が提供される。【選択図】図１

Description

本発明は、異常検知装置、異常検知方法およびプログラムに関する。

連続鋳造機では、凝固シェルの成長不良（凝固不良）が継続した後に、溶鋼が凝固シェルを破って流出するブレークアウトが生じる場合がある。ブレークアウトの発生は、鋳造の停止、鋳片の引き抜き、流出した溶鋼地金の除去、セグメント交換等を伴うため正常な操業に戻るまでには長い時間を要し、生産性を低下させる要因になる。従って、凝固不良が発生していることをブレークアウトに至る前に検知することが重要である。ブレークアウトの発生は、凝固シェルの破断に至る前に鋳型短辺に設置した温度計（熱電対等）により測定された測温値が長時間にわたり上昇することを検出することにより事前に検知することができる。これは、プラントにおける連続測定信号に正常時とは異なる特徴が継続的に現れることが異常時の特徴である例といえる。しかしながら、鋳型の温度のような連続測定信号には様々な周期のノイズが含まれるため、上記のような場合に継続的に現れている異常時の特徴を検出することは必ずしも容易ではない。

上記のような状況下でブレークアウトを検知するための技術の例として、特許文献１では、正常状態で得た鋳型温度の測温データから感度係数ベクトルを算出し、新たな測温データにおける感度係数ベクトルに垂直な方向の成分の大きさを逸脱度と定義し、逸脱度が閾値を超える温度計が存在する領域が一定の大きさ以上であることを条件としてブレークアウトを予知する方法が記載されている。

特開２０１２－１３９７１３号公報

特許文献１の方法では、ｎ本の温度計（熱電対等）により測定された測温値について非連動性の評価値を算出して、その評価値がある閾値を超えた場合に初めてその熱電対に対して温度変化の隣接性の判定をしてブレークアウトを検出している。しかし、ｎ本の熱電対の測温値において連動したノイズが観察される場合には、特許文献１の方法では非連動性の評価値が大きくならないため、逸脱度が閾値を超えることがなく、ブレークアウトを事前に検出することが困難である。

そこで、本発明は、プラントにおける連続測定信号に正常時とは異なる特徴が継続的に現れることが異常時の特徴である場合に、そのような異常を確実に予知して操業のトラブルを事前に検知することが可能な異常検知装置、異常検知方法およびプログラムを提供することを目的とする。

本発明のある観点によれば、対象プラントで過去の異常発生前の一定時間に測定された物理量の、上記対象プラントにおける異常発生時点を終点とし、上記異常発生時点から所定の区間分の第１の時間だけ遡った時刻を始点とする時系列を第１のデータベクトルとして、当該第１のデータベクトルを複数の物理量について並べた第１のデータ行列を作成し、上記第１のデータ行列の時間を表す方向において上記物理量の間に共通する特徴を抽出する特徴データ算出部と、上記対象プラントで新たに測定された上記物理量の上記第１の時間分の時系列を第２のデータベクトルとして、上記第１のデータ行列と同じ順序で並べて第２のデータ行列を作成し、上記第２のデータ行列から抽出された特徴と上記第１のデータ行列の時間を表す方向において上記物理量の間に共通する特徴との類似度を算出する異常度算出部と、上記類似度の時間変化が所定の条件を満たす場合に上記対象プラントの異常を検知する異常検知部とを備える異常検知装置が提供される。

本発明の別の観点によれば、対象プラントで過去の異常発生前の一定時間に測定された物理量の、上記対象プラントにおける異常発生時点を終点とし、上記異常発生時点から所定の区間分の第１の時間だけ遡った時刻を始点と時系列を第１のデータベクトルとして、当該第１のデータベクトルを複数の物理量について並べた第１のデータ行列を作成し、上記第１のデータ行列の時間を表す方向において上記物理量の間に共通する特徴を抽出するステップと、上記対象プラントで新たに測定された上記物理量の上記第１の時間分の時系列を第２のデータベクトルとして、上記第１のデータ行列と同じ順序で並べて第２のデータ行列を作成し、上記第２のデータ行列から抽出された特徴と上記第１のデータ行列の時間を表す方向において上記物理量の間に共通する特徴との類似度を算出する異常度算出部と、上記類似度の時間変化が所定の条件を満たす場合に上記対象プラントの異常を検知するステップとを含む異常検知方法が提供される。

本発明のさらに別の観点によれば、対象プラントで過去の異常発生前の一定時間に測定された物理量の、上記対象プラントにおける異常発生時点を終点とし、上記異常発生時点から所定の区間分の第１の時間だけ遡った時刻を始点する時間分の時系列を第１のデータベクトルとして、当該第１のデータベクトルを複数の物理量について並べた第１のデータ行列を作成し、上記第１のデータ行列の時間を表す方向において前記物理量の間に共通する特徴を抽出する特徴データ算出部と、上記対象プラントで新たに測定された上記物理量の上記第１の時間分の時系列を第２のデータベクトルとして、上記第１のデータ行列と同じ順序で並べて第２のデータ行列を作成し、上記第２のデータ行列から抽出された特徴と上記第１のデータ行列の時間を表す方向において上記物理量の間に共通する特徴との類似度を算出する異常度算出部と、上記類似度の時間変化が所定の条件を満たす場合に上記対象プラントの異常を検知する異常検知部とを備える異常検知装置としてコンピュータを機能させるためのプログラムが提供される。

上記の構成によれば、対象プラントに異常が発生する前兆を含み得る第１の特徴と、対象時刻の対象プラントの状態を表す第２の特徴を抽出し、これらの第１の特徴と第２の特徴の類似度に基づき対象プラントの異常を検知（予知）するため、対象プラントにおいて測定された物理量（測定結果）に正常時とは異なる特徴が継続的に現れることが異常時の特徴である場合には、その異常を確実に予知して操業のトラブルを事前に検知することができる。

本発明の第１実施形態に係る異常検知装置の構成を示すブロック図である。 特徴抽出データ行列の作成におけるデータベクトルの定義の例を示す図である。 特徴抽出データ行列の作成におけるデータベクトルの定義の別の例を示す図である。 特徴抽出データ行列の定義の例を示す図である。 テンプレート作成処理を示すフローチャートである。 異常検知処理を示すフローチャートである。 本発明の第２実施形態が適用される連続鋳造機の鋳型部分を示す図である。 鋳造中の鋳型銅板の測温装置である熱電対を含めた垂直方向断面図である。 本発明の第２実施形態に係る異常検知装置の構成を示すブロック図である。 連続鋳造機の鋳型短辺において凝固不良によってブレークアウトが発生する直前までの測温値および鋳造速度の時間チャートである。 連続鋳造機の鋳型短辺において凝固不良によってブレークアウトが発生する直前までの測温値および鋳造速度の時間チャートである。 図１０Ａおよび図１０Ｂに示したデータを用いて算出した温度偏差および鋳造速度の時間チャートである。 図１０Ａおよび図１０Ｂに示したデータを用いて算出した平均温度および鋳造速度の時間チャートである。 図１１Ａに示された温度偏差から特徴抽出データ行列を抽出する処理を模式的に示した図である。 図１１Ｂに示された平均温度から特徴抽出データ行列を抽出する処理を模式的に示した図である。 実施例において選択されたテンプレートを示す図である。 凝固不良によるブレークアウトが発生する直前の左側の鋳型短辺における換算温度の時間チャートである。 凝固不良によるブレークアウトが発生する直前の右側の鋳型短辺における換算温度の時間チャートである。 図１４Ａおよび図１４Ｂに示したデータから算出した鋳型短辺の温度偏差の時間チャートである。 図１４Ａおよび図１４Ｂに示したデータから算出した鋳型短辺の平均温度の時間チャートである。 図１４Ａから図１５Ｂに示したデータを用いた左側の鋳型短辺での異常度の算出結果を示す図である。 図１４Ａから図１５Ｂに示したデータを用いた右側の鋳型短辺での異常度の算出結果を示す図である。

以下に添付図面を参照しながら、本発明の好適な実施形態について詳細に説明する。なお、本明細書および図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複した説明を省略する。

＜第１実施形態＞
図１は、本発明の第１実施形態に係る異常検知装置の構成を示すブロック図である。異常検知装置１００は、時間的に連続して操業される装置または設備における異常の検知を目的とし、ＣＰＵ（Central Processing Unit）、記憶装置、通信装置、入出力手段などを備え、プログラムに従って各種の演算を実行するコンピュータである。プログラムは、記憶装置に格納されるか、またはリムーバブル記憶媒体に格納されて異常検知装置１００に読み込まれる。ＣＰＵがプログラムに従って動作することによって実装される機能部分として、異常検知装置１００は、データ取得部１１０、特徴データ算出部１２０、異常度算出部１３０および異常検知部１４０を備える。なお、上記の機能部分は、ＰＬＣ（Programmable Logic Controller）であってもよいし、ＡＳＩＣ（Application Specific Integrated Circuit）などの専用のハードウェアによって実装されてもよい。

（データ取得部）
本実施形態において、検知対象の装置または設備を対象プラント１０とする。対象プラント１０には、対象プラント１０の少なくとも一つの状態を表す物理量を連続的に測定する計測装置が設置されている。データ取得部１１０は、操業中の対象プラント１０の状態を表す物理量の測定結果を所定の周期でサンプルしたデータと、その対象プラント１０の操業に関わる測定結果をサンプリングした時刻における設定値（操業条件値など）とを対応づけて、時刻ｔにおけるレコードとして取得する。これらのデータを、以下の説明では操業データともいう。そして、データ取得部１１０は、操業データ（時刻ｔのレコード）を取得する毎に、当該操業データをデータベース２０に格納する。そのため、データベース２０には、現在（時刻ｔ）および過去（時刻ｔより前）の操業データが蓄積される。

（特徴データ算出部）
特徴データ算出部１２０は、データベース２０に格納された過去の操業データから、対象プラント１０で過去の異常発生時（異常発生前の一定期間を含む期間）に測定された物理量（測定結果）が含まれている操業データを取得する。なお、過去に異常が発生したときの対象プラント１０の操業データをみると、測定された物理量の一部が，異常が発生する前兆となりうる通常とは異なる特徴を長時間示したのちに操業のトラブルに至ることが多い。そのため、過去に異常が発生したときの操業データのうち、異常発生前の一定期間において測定された物理量（測定結果）が含まれている操業データを対象として、異常が発生する前兆を含み得る第１の特徴を抽出する。具体的には、特徴データ算出部１２０は、異常発生前の所定の小区間に測定された物理量の時刻ごとの測定結果をそれぞれ要素としたデータベクトル（第１のデータベクトル）ｙ_ｉｊを作成する。複数の物理量（項目）について測定された場合には、物理量ごとにデータベクトルｙ_ｉｊが作成される。そして、特徴データ算出部１２０は、前述の小区間を過去に遡る方向に所定時刻分（後述するシフト定数ｄに相当し、例えば、１時刻分）ずつシフトして、それら小区間ごと（かつ物理量ごと）にデータベクトルｙ_ｉｊを作成する。また、特徴データ算出部１２０は、作成した複数のデータベクトルｙ_ｉｊを小区間ごとにまとめて並べたデータ行列（第１のデータ行列）Ｙ_ｊを作成し、当該データ行列Ｙ_ｊを時系列で並べた特徴抽出データ行列Ｙを作成する。このとき、特徴データ算出部１２０は、当該特徴抽出データ行列Ｙの時間を表す方向において各物理量の間で共通する特徴を上記の第１の特徴として抽出する。例えば、特異値分解を用いた演算（後述する）により、特徴抽出データ行列Ｙから各物理量（例えば、列ごと）の間で共通する特徴を抽出すればよい。ここで、特徴抽出データ行列Ｙは、以下で説明するように、対象プラント１０における異常発生時点を終点とし、異常発生時点から所定の遡り時間（第１の時間）だけ遡った時点を始点として、上述のデータ行列Ｙ_ｊ（すなわち、データベクトルｙ_ｉｊ）を時系列で並べた行列である。なお、異常発生時点から所定の遡り時間だけ遡った時点を始点として異常発生時点を終点とする期間を、以下では遡り期間と称する。

図２は、特徴抽出データ行列Ｙの作成におけるデータベクトルｙ_ｉｊの定義の例を示す図である。図２に示すグラフおいて、横軸は時間であり、縦軸は対象プラント１０の状態を表すｍ個の物理量（項目）についての測定結果（図２に示す例では４つの測定結果ｘ_１，ｘ_２，ｘ_３，ｘ_４が示されている）である。また、図２に示すグラフは、時刻ｔにおいて対象プラント１０で異常が発生したときの例である。このとき、上述したデータベクトルは、式（１）のｙ_ｉｊ（１≦ｉ≦ｍ，１≦ｊ≦Ｎ）として示すように、予め決定されたｍ個の物理量（項目）のデータを、時間シフトの順序を表す正の整数ｊについて、時刻「ｔ－（ｊ－１）ｄ－Ｍ＋１」から「ｔ－（ｊ－１）ｄ」までの時間的に連続するＭ個のレコードから算出される。ｉは測定した物理量（項目）を識別するための変数であり、Ｎは上述の遡り期間を考慮して決定される。図２および後述の図４に示された例において、ｍ＝４である。ｄは時間シフト定数で、異常データで共通の特徴を取り出すために設定する正の整数である。

図３は、特徴抽出データ行列Ｙの作成におけるデータベクトルｙ_ｉｊの定義の別の例を示す図である。図３に示すグラフおいて、横軸は時間であり、縦軸は対象プラント１０の状態を表すｍ個の物理量（項目）についての測定結果（図３に示す例では４つの測定結果ｘ_１，ｘ_２，ｘ_３，ｘ_４が示されている）である。また、図３に示すグラフは、時刻ｔにおいて対象プラント１０で異常が発生したときの例である。上記の図２の例との違いとして、図３の例では、Ｎ＝１である。この場合、図２に示した小区間は遡り期間に一致する。

図４は、特徴抽出データ行列Ｙの定義の例を示す図である。式（２）および式（３）に示すように、時間シフトｊ－１（ｊ＝１，…，Ｎ）についてデータベクトルｙ_ｉｊ（ｉ＝１，…，ｍ）を左から並べた行列をデータ行列Ｙ_ｊとする。データ行列Ｙ_ｊをｊ＝１，…，Ｎについて列方向に並べた行列を特徴抽出データ行列Ｙとする。つまり、特徴抽出データ行列Ｙは、Ｍ個のレコードに対応する上記の小区間（第２の時間）に連続して測定された物理量を表すデータベクトルｙ_ｉｊを、上記の遡り時間の範囲内で時間シフトさせたものによって構成される。ここで、Ｍ個のレコードに対応する小区間は、上記の遡り期間よりも短い。Ｎ’＝ｍＮとすると、ＹはＭ行Ｎ’列の行列である。

上記のように、本実施形態では、対象プラント１０の異常を精度よく検知するために、特徴データ算出部１２０は、過去の操業データを格納したデータベース２０から、検知対象の異常が発生する直前でその異常の前兆を表す第１の特徴が顕著に表れる区間（例えば、上述の遡り期間）の操業データを用いて、特徴抽出データ行列Ｙを作成する。なお、操業データの各レコード項目が、異なる物理量に対応している場合や、同じ物理量でも計測装置の位置が異なる場合には、項目毎の平均値およびばらつきが異なる場合がある。そのような場合は各項目から平均値を差し引く中心化処理や、中心化後の値を各項目の標準偏差で割る基準化処理などの前処理を施してもよい。

上述した特徴抽出データ行列Ｙは、異常検知に対するノイズとなる短周期のデータ変動が重畳しているため、特徴データ算出部１２０は、特異値分解を用いて異常検知に不要なノイズ成分を除いたテンプレートを作成する。特異値分解は、上述した特徴抽出データ行列Ｙを、式（４）で示されるように３つの行列の積として分解することを意味する。ここで、行列Ｓは特異値行列とよばれるｐ行ｐ列の対角行列（ｐ＝ｍｉｎ（Ｍ，Ｎ’））である。行列Ｓの対角成分（左上から順にσ_１，σ_２，…，σ_ｐ）は特異値と呼ばれ、σ_１≧σ_２≧…≧σ_ｐ≧０である。行列ＵはＭ行ｐ列、行列ＶはＮ’行ｐ列の直交行列であり、各々が式（５）に示される条件を満たす。なお、Ｉ_ｐはｐ行ｐ列の単位行列である。以下の説明では、行列Ｓを特異値行列、行列Ｕを左特異ベクトル行列、行列Ｖを右特異ベクトル行列ともいう。

左特異ベクトル行列Ｕの各列は、特徴抽出データ行列Ｙの定義における各列ベクトルｙ_１１，ｙ_１２，…，ｙ_ＭＮの線形結合による表現に用いる直交基底ベクトルであり、操業データの時間方向に共通の特徴を重要性の高い順に表す。また、式（２），（３）に示されたデータ行列Ｙ_ｊは、右特異ベクトル行列Ｖ^Ｔの（ｊ－１）ｍ＋１列目からｊｍ列目を取り出した行列Ｖ_ｊ ^Ｔを用いて式（６）のように表すことができる。式（６）における行列の積ＳＶ_ｊ ^Ｔを行列Ｗ_ｊで表すと、行列Ｗ_ｊはｐ行ｍ列であり、式（６）は式（７）のように書き換えられる。行列Ｗ_ｊのｉ列目のｋ番目の成分は、データ行列Ｙ_ｊ ^Ｔのｉ列目を左特異ベクトル行列Ｕの線形結合で表した場合においてｋ番目の基底ベクトルに対する荷重係数である。以下の説明では、行列Ｗ_ｊを係数行列ともいう。

左特異ベクトル行列Ｕの左から順にｑ列目までを取り出した行列Ｕ_ｑを、特徴抽出データ行列Ｙにおいて、操業データの時間方向に共通の特徴を重要性の高い順にｑ個取り出したものとする。式（７）において、左特異ベクトル行列Ｕを行列Ｕ_ｑに置き換えるとともに係数行列Ｗ_ｊの１行目からｑ行目を取り出した行列Ｗ_ｑｊを用いて、ｑ次の特徴データ行列Ｙ_ｑｊを式（８）で定義する。行列Ｙ_ｑｊはデータ行列Ｙ_ｊを重要度の高いｑ個の基底ベクトルの線形結合を用いて再現したものであり、行列Ｗ_ｑｊは各基底ベクトルに対する荷重係数を列方向に並べた係数行列である。行列Ｙ_ｑｊは実績データからノイズを除き、異常が発生する前に前兆として現れるの典型的な特徴（第１の特徴）を表すもの（長さＭ）であり、異常発生時データのテンプレート（以下では「テンプレート行列」と称する場合もある）とみなすことができる。本実施形態において、異常発生時データのテンプレートである行列Ｙ_ｑｊはＮｓ（≦Ｎ）個が用意される。例えば、対象プラント１０に関する事前の知識により、異常発生前に前兆として現れる特有のデータの特徴をよく表している行列Ｙ_ｑｊをテンプレートとしてＮｓ個選択してもよい。

（異常度算出部）
異常度算出部１３０は、データ取得部１１０により対象プラント１０で新たに時刻ｔにおける物理量（項目）ｉについての測定結果が取得されると、その時刻ｔ前の所定の小区間（時刻ｔ－Ｍ＋１から時刻ｔまでの区間）に測定された物理量の時刻ごとの測定結果をそれぞれ要素としたデータベクトル（第２のデータベクトル）ｙ_ｉ（ｔ）を作成する。さらに、異常度算出部１３０は、物理量（項目）ｉごとに作成したデータベクトルｙ_ｉ（ｔ）を並べたデータ行列（第２のデータ行列）Ｙ（ｔ）を作成する。ここで、異常度算出部１３０は、作成したデータ行列Ｙ（ｔ）から抽出された特徴、すなわち対象時刻（例えば時刻ｔ）の対象プラント１０の状態を表す第２の特徴と、特徴データ算出部１２０により算出された第１の特徴（上記のテンプレート行列Ｙ_ｑｊ）との類似度を算出する。この類似度は、対象プラント１０において異常が発生している可能性を示す異常度ともいえる。なお、データベクトルｙ_ｉ（ｔ）、およびデータ行列Ｙ（ｔ）は、式（９），（１０）のように示される。

以下では、特徴データ算出部１２０が生成したＮｓ個のテンプレート行列Ｙ_ｑｊに対するデータ行列Ｙ（ｔ）の類似性を表す指標ｓ_ｊ（ｔ）を算出する方法を説明する。類似性の指標として、例えば式（１１）に示す指標ｃのように同じサイズの行列Ａ，Ｂの同一成分の積和trace（Ａ^ＴＢ）を用いることができる。traceは正方行列の対角成分の和を意味し、ベクトルの内積にあたる。指標ｃは、Ａ＝Ｂのとき１になり、Ａ＝－Ｂのとき－１になる。この指標ｃを上記の指標ｓ_ｊ（ｔ）の算出に用いると、指標ｓ_ｊ（ｔ）は式（１２）のようになる。なお、式（１２）の指標ｓ_ｊ（ｔ）は、Ｙ（ｔ）＝Ｙ_ｑｊのとき１になり、Ｙ（ｔ）＝－Ｙ_ｑｊのとき０になるように正規化されている。式（１３）に示すように、異常度算出部１３０は、ｓ_ｊ（ｔ）（ｊ∈Ｊｓ）のうち最大のものを、異常発生時データのテンプレートである行列Ｙ_ｑｊとの類似度ｓ（ｔ）、すなわちデータ行列Ｙ（ｔ）の異常度として選択する。なお、Ｊｓは、テンプレート行列Ｙ_ｑｊのテンプレート番号（上述の時間シフトの順序を示す番号）ｊの集合を表す。

（異常検知部）
異常検知部１４０は、異常度算出部１３０によって算出された類似度の時間変化が所定の条件を満たす場合、具体的には、類似度が所定の閾値ｈｓよりも大きい状態が所定時間ｔｓ以上の時間にわたって継続された場合に、近い将来において対象プラント１０に異常が発生することを検知（予知）する。例えば、異常検知部１４０は、異常発生の予知を示す異常検知結果（警報等）を出力する。

本実施形態に係る異常検知装置１００は、以上のような構成を有する。次に、本実施形態に係る異常検知装置１００の動作について説明する。図５は、テンプレート作成処理を示すフローチャートである。図６は、異常検知処理を示すフローチャートである。

＜テンプレート作成処理＞
まず、図５に示すテンプレート作成処理について説明する。テンプレート作成処理は、所望のタイミングで実施されればよいが、例えば、対象プラント１０の稼働中において定期的に実施されてもよいし、対象プラント１０の休止中に実施されるようにしてもよい。テンプレート作成処理において、特徴データ算出部１２０は、最初に上述の特徴抽出データ行列Ｙを作成する（ステップＳ１０１）。次に、特徴データ算出部１２０は、特徴抽出データ行列Ｙを特異値分解する（ステップＳ１０２）。具体的には、特徴データ算出部１２０は、特徴抽出データ行列Ｙを、式（４）で示されるように３つの行列の積として分解する。次に、特徴データ算出部１２０は、大きい特異値に対応する基底の線形結合を算出する（ステップＳ１０３）。これは上記で説明した行列Ｙ_ｑｊである。特徴データ算出部１２０は、この行列Ｙ_ｑｊをテンプレート化する（ステップＳ１０４）。ここで、テンプレート化とは、上述のテンプレート行列Ｙ_ｑｊを作成し、所定の記憶装置にそのテンプレート行列Ｙ_ｑｊを保存する処理を指す。

＜異常検知処理＞
次に、図６に示す異常検知処理について説明する。異常検知処理は、例えば、対象プラント１０の稼働中において常時繰り返し実施されるようにしてもよいし、対象プラント１０の稼働中において間欠的に（所定の間隔で）実施されてもよい。異常検知処理において、異常度算出部１３０は、最初に上述のデータ行列Ｙ（ｔ）を作成する（ステップＳ２０１）。次に、異常度算出部１３０は、データ行列Ｙ（ｔ）から抽出された特徴と、特徴データ算出部１２０によって算出された特徴、つまりテンプレートとの類似度を算出する（ステップＳ２０２）。異常検知部１４０は、類似度が所定の閾値ｈｓよりも大きい状態が所定時間ｔｓ以上の時間にわたって継続された場合に（ステップＳ２０３）、近い将来において対象プラント１０に異常が発生することを検知する（ステップＳ２０４）。

以上のように、本実施形態に係る異常検知装置１００は、上記のテンプレート作成処理を実行することにより、対象プラント１０において過去に異常が発生したときの操業データのうち、異常発生前の一定期間において測定された物理量（測定結果）が含まれている操業データを対象として、異常が発生する前兆を含み得る第１の特徴（テンプレート行列Ｙ_ｑｊ）を抽出している。また、本実施形態に係る異常検知装置１００は、上記の異常検知処理を実行することにより、対象プラント１０で新たに測定された物理量が含まれている操業データから、対象時刻の対象プラント１０の状態を表す第２の特徴（データ行列Ｙ（ｔ）そのものでもよい）を抽出し、上記の第１の特徴との類似度に基づき対象プラント１０に異常が発生することを検知（予知）する。そのため、本実施形態に係る異常検知装置１００は、対象プラント１０において測定された物理量（測定結果）に正常時とは異なる特徴が継続的に現れることが異常時の特徴である場合に、そのような異常を確実に予知して操業のトラブルを事前に検知することが可能になる。

また、本実施形態に係る異常検知装置１００の特徴データ算出部１２０は、異常発生前の一定期間（対象プラント１０における異常発生時点から所定の遡り時間だけ遡った時点を始点として異常発生時点を終点とする期間）を小区間に区分けして、当該小区間に測定された物理量（時系列に並べられた物理量）を含む第１のデータベクトルｙ_ｉｊを当該小区間ごとに作成し、当該各物理量の間で共通する特徴を上記の第１の特徴として抽出している。また、異常度算出部１３０は、対象プラント１０で新たに測定された物理量を含む第２のデータベクトルｙ_ｉ（ｔ）を当該物理量ごとに作成して並べた第２のデータ行列Ｙ（ｔ）を上記の第２の特徴として作成し、上記の第１の特徴との類似度を算出している。それから、異常検知部１４０は、算出された類似度の時間変化が所定の条件を満たす場合に対象プラント１０の異常を検知（予知）している。このような行列演算により、本実施形態に係る異常検知装置１００は、対象プラント１０の異常を簡単な計算によって検知（予知）できる。

＜第１実施形態の変形例＞
上記の実施形態では、ノイズが除かれていない行列Ｙ（ｔ）そのものを用いて対象プラント１０の異常度を算出しているが、これに限定されない。例えば、上記のテンプレート行列Ｙ_ｑｊと同様に、データ行列Ｙ（ｔ）についてもｑ個の重要度の高い特徴を用いて近似した（すなわち、ノイズが除かれた）再現データ行列Ｙ_ｑ（ｔ）を用いて異常度を算出してもよい。以下では再現データ行列Ｙ_ｑ（ｔ）の算出手順を説明する。データ行列Ｙ（ｔ）は、上記で式（４），（５）を参照して説明した特徴抽出データ行列Ｙの特異値分解における左特異ベクトル行列Ｕ、特異値行列Ｓおよびデータ行列Ｙ（ｔ）によって定まるｍ行ｐ列の行列Ｖ（ｔ）を用いて、式（１４）のように表される。ここで、式（５）に示したようにＵ^ＴＵ＝Ｉ_ｐなので、式（１５）の関係が成り立つ。

式（１６）に示すように、左特異ベクトル行列Ｕを左から順にｑ列目までを取り出した行列Ｕ_ｑと、残りのｑ＋１列目からｐ列目までの行列Ｕ’_ｑに分割する。さらに、式（１７）に示すように、特異値行列Ｓを左上からｑ行ｑ列の対角行列Ｓ_ｑと（ｐ－ｑ）行（ｐ－ｑ）列の対角行列Ｓ’_ｑに分割する。

また、行列Ｖ（ｔ）についても、左からｑ列目までのＶ_ｑ（ｔ）とｑ＋１列目からｐ列目までのＶ’_ｑ（ｔ）に分割する。式（１８）には、転置したＶ^Ｔ（ｔ）を分割する場合が示されている。式（１５）の右辺に式（１７），（１８）を代入すると、式（１９）のようになる。さらに、式（１９）の両辺に式（１６）のＵ’_ｑを同じ大きさの零行列で置き換えた［Ｕ_ｑ ０］を乗じると、式（１６）より、左辺は式（２０）のようになり、右辺は式（２１）のようになる。式（２１）は、式（１４）の右辺と同様に、重要度の高いｑ個の左特異ベクトル行列の線形結合を用いて左辺のデータ行列を再現したものとみなせる。これをｑ次の再現データ行列Ｙ_ｑ（ｔ）と表すと、式（２０），（２１）より、式（２２）に示すように再現データ行列Ｙ_ｑ（ｔ）はデータ行列Ｙ（ｔ）および行列Ｕ_ｑによって算出できる。

ｑ次の再現データ行列Ｙ_ｑ（ｔ）は、式（８）に示した異常発生時データのテンプレート行列Ｙ_ｑｊと同様に、操業データからノイズを除いた特徴を示すものであるため、操業データそのものを用いる場合に比べて、操業データに含まれるノイズによるテンプレートとの類似度のばらつきが小さくなる。従って、例えば異常発生時データの特徴が正常時とは大きく異なる場合、上記のような再現データ行列Ｙ_ｑ（ｔ）は異常データの識別精度を向上させるために有効である。

＜第２実施形態＞
（連続鋳造機の凝固不良検知における実施形態）
次に、第２実施形態について説明する。第２実施形態に係る異常検知装置１００は、上述した第１の実施形態に係る異常検知装置１００を用いて連続鋳造機の凝固不良検知を行う。

図７は、本実施形態が適用される連続鋳造機の鋳型部分を示す図である。図示されるように、連続鋳造機では、鋳型１内に浸漬ノズル２から溶鋼を供給する。溶鋼は、浸漬ノズル２の中心軸対称位置の２か所の吐出孔３から流出する。図示された例において鋳型１は直方体型であり、水平な開口部から、垂直方向に冷却銅板が開口部を囲んで設置される。図示された例において、吐出孔３は開口部形状の短辺方向の銅板（鋳型短辺）を向いて設置される。

上記のような連続鋳造機では、鋳型１内で、溶鋼が反対側から水冷されている鋳型銅板にパウダーフラックスを介して接することで抜熱され、銅板側から凝固する。望ましい凝固シェルの厚みの鋳造方向プロファイルは、操業安定性や品質の面から決定される。しかしながら、浸漬ノズル２で鋳型１内に溶鋼を供給する連続鋳造機では、２つの吐出孔３から流出する溶鋼流量の偏り（鋳型内偏流）のために、偏った側の吐出孔３に対応する鋳型短辺に接する凝固シェルに吐出流が直接衝突する。これによって、凝固シェルへの熱供給が局所的に上昇して鋳型銅板からの冷却による抜熱に対して過剰になり、衝突部の凝固シェルの成長が遅れる凝固不良が発生する可能性がある。

図７には、鋳型内偏流による短辺凝固シェル部の凝固不良が模式的に示されている。鋳型１に向かって左側の吐出孔３に詰まりがあり、右側の吐出孔３からの溶鋼流量が左側にくらべて多くなる偏流状態であることを、両側の吐出孔３付近から延びる２つの矢印の長さで示している。このような場合において、上記のように凝固シェルに吐出流が直接衝突する右側短辺の領域５では凝固不良が発生し、凝固不良によって凝固シェルの成長が遅れた部位が鋳型１から引き抜かれたときに内部の未凝固溶鋼の静圧で破断することによって溶鋼が凝固シェル外に流出するブレークアウトに至る可能性がある。

図８は、鋳造中の鋳型銅板の測温装置である熱電対を含めた垂直方向断面図である。図８に示されるように、鋳型はめっきをした銅板６を筒状に組み合わせることによって形成されている。銅板６の外側に冷却水７を流すことによって、銅板６を介して溶鋼から抜熱され、鋳型内面に凝固シェル８が形成される。なお、凝固シェル８と銅板６との間にはモールドフラックス９が介在している。図７にも示された鋳型の測温装置４は、例えば熱電対、または光ファイバを用いたＦＢＧ（Fiber Bragg Grating）測温装置などの測温素子であり、鋳型の銅板面における温度分布を測定する。図８の例では、銅板６の溶鋼に接する面と反対側から穴をあけて測温装置４として熱電対を埋め込むことによって銅板６の溶鋼に接する面に近い位置での温度を測定する。銅板６に接する凝固シェル８に凝固不良が発生している場合、溶鋼吐出流の流量が過剰であることによる熱供給の増加と凝固シェルが薄くなることによる熱抵抗の低下のために、測温装置４によって測定される温度が正常時よりも上昇する傾向がある。

図９は、本発明の第２実施形態に係る異常検知装置の構成を示すブロック図である。上述したような連続鋳造機の例を図１に示した異常検知装置１００の構成に対応付けると、対象プラント１０は連続鋳造機であり、データ取得部１１０は対象プラント１０の状態を表す物理量として測温装置４（鋳型測温部１０Ａとして図示されている）からの温度測定信号を所定の周期でサンプルしたデータと、対象プラント１０の操業に関わる設定値（操業条件値など）として鋳造速度などの鋳造条件データとを対応づけて、時刻ｔにおけるレコードとして取得する。図９の例において、データ取得部１１０は換算温度算出部１１０Ａおよび特徴データ算出部１１０Ｂとして実装される。また、特徴データ算出部１２０は、異常データ抽出処理１２０Ａ、換算温度算出部１２０Ｂ、および特徴データ算出部１２０Ｃとして実装される。異常度算出部１３０は、左短辺凝固異常度算出部１３０Ａおよび右短辺凝固異常度算出部１３０Ｂとして実装される。異常検知部１４０は、左短辺凝固不良検知部１４０Ａおよび右短辺凝固不良検知部１４０Ｂとして実装される。以下では、連続鋳造機の鋳型短辺で発生する凝固不良を検知（予知）する例について説明する。

図１０Ａおよび図１０Ｂは、連続鋳造機の鋳型短辺において凝固不良によってブレークアウトが発生する直前までの、鋳型短辺に設置された熱電対（上記の測温装置４）の測温値および鋳造速度の時間チャートである。図１０Ａには鋳型の左側短辺の測温値が示され、図１０Ｂには鋳型の右側短辺の測温値が示されている。鋳造速度の時間チャートは図１０Ａおよび図１０Ｂで共通である。鋳型の左側短辺でブレークアウトが発生した場合の測温値は、上から１段目から４段目までのすべてにおいて約６００ｓｅｃにわたり上昇している。しかしながら、十数秒程度の短周期の変動が重なっているため、単純に測温値を時間微分しただけでは上記のような長時間にわたる温度上昇を見逃す可能性がある。ローパスフィルタなどで短周期の変動を平滑化した後に時間微分を計算することも考えられるが、この場合は時間微分値が小さくなり、正常状態との区別が困難である可能性がある。

（特徴データ算出）
そこで、本実施形態に係る異常検知装置２００では、図９に示すように、特徴データ算出部１２０Ｃが、両方の鋳型短辺について、凝固不良によるブレークアウトが発生した操業における測温値の特徴抽出の処理を実行する。より具体的には、特徴データ算出部１２０Ｃは、鋳型短辺で鋳型の深さ方向に配列された熱電対の測温値について、上記で式（１）～式（８）を参照して説明したような特徴抽出の処理を実行する。

鋳型内での凝固不良は、溶鋼の材質、温度、鋳造速度、および鋳型幅等に関わらず発生する可能性がある。しかしながら、操業データとして取得される測温値は、同じ測温位置のデータであっても上記のような条件の違いによって値が変動する。そこで、測温値を操業条件、具体的には溶鋼温度、鋳造速度、鋳型幅および測温位置の深さで回帰するモデルを用いて標準温度を算出する。図９に示す換算温度算出部１１０Ａ，１２０Ｂでは操業データとして取得される測温値と各熱電対の標準温度との差を換算温度として算出し、この換算温度について特徴抽出の処理を実行する。

さらに、本実施形態では、吐出流の偏流側短辺での測温値だけがブレークアウト発生前に上昇するという傾向を特徴抽出に反映するために、両短辺間で同じ深さにある熱電対による測温値同士を用いて、両者の温度偏差ｙ_ｄｉおよび平均温度ｙ_ｍｉを式（２３）および式（２４）のように定義する。ここで、Ｔ_{ｉ＿ｒｉｇｈｔ}は右側短辺のｉ段目換算温度であり、Ｔ_{ｉ＿ｌｅｆｔ}は左側短辺のｉ段目換算温度である。

凝固不良によるブレークアウト発生時の鋳型短辺における測温値の特徴は、一方の側の短辺における測温値が反対側の短辺に比べて継続的に上昇することである。この特徴を上記の温度偏差ｙ_ｄｉおよび平均温度ｙ_ｍｉを用いて表現すると、温度偏差ｙ_ｄｉが増加または減少の一方向に継続的に変化すること、および平均温度ｙ_ｍｉが温度偏差ｙ_ｄｉの変化速度の絶対値に比べて小さい速度で上昇することである。式（２３）の定義による場合、右側短辺で凝固不良が発生すると温度偏差ｙ_ｄｉは継続的に増加し、左側短辺で凝固不良が発生すると温度偏差ｙ_ｄｉは継続的に減少する。

特徴データ算出部１２０Ｃは、データベース２０から検索した操業データから算出される、ブレークアウト発生時の鋳型短辺における測温値の温度偏差ｙ_ｄｉおよび平均温度ｙ_ｍｉの各々について、上述した式（１）から式（３）の手順にしたがって特徴抽出データ行列Ｙ_ｄ，Ｙ_ｍを作成する。この処理は、図５を参照して説明したステップＳ１０１の処理に対応する。ただし、特徴抽出データ行列Ｙ_ｄ，Ｙ_ｍの作成にあたっては、データベクトルを時間方向に並べた特徴抽出データ行列Ｙ_ｄの数値の変化方向が同じになるように、適切にデータベクトルの符号を反転させる。さらに、特徴データ算出部１２０Ｃは、式（２５）および式（２６）に示されるように、特徴抽出データ行列Ｙ_ｄ，Ｙ_ｍの特異値分解を実行する。この処理は、図５を参照して説明したステップＳ１０２の処理に対応する。

ここで、式（２５）および式（２６）における左特異ベクトル行列Ｕ_ｄ，Ｕ_ｍに対する係数行列をＷ_ｄ＝Ｓ_ｄＶ_ｄ ^ＴおよびＷ_ｍ＝Ｓ_ｍＶ_ｍ ^Ｔと定義する。また、左特異ベクトル行列Ｕ_ｄ，Ｕ_ｍの左から順にｑ列目までを取り出した行列Ｕ_ｑｄ，Ｕ_ｑｍ、および係数行列Ｗ_ｄ，Ｗ_ｍの左から順にｑ列目までを取り出した行列Ｗ_ｑｄ，Ｗ_ｑｍを用いて、ｑ次の特徴データ行列Ｙ_ｑｄ，Ｙ_ｑｍを式（２７）および式（２８）で定義する。なお、特徴データ行列Ｙ_ｑｄ，Ｙ_ｑｍにおいても、操業データの項目数ｍごとに分割し、（ｊ－１）ｍ＋１列目からｊｍ列目の列ベクトルからなる行列を各々Ｙ_ｑｄｊ，Ｙ_ｑｍｊで表す。

凝固不良によるブレークアウト発生時の鋳型短辺における測温値の特徴は、温度偏差ｙ_ｄｉが増加または減少の一方向に継続的に変化し、かつ平均温度ｙ_ｍｉが温度偏差ｙ_ｄｉの変化速度の絶対値に比べて小さい速度で上昇することである。そこで、後述するように左短辺凝固異常度算出部１３０Ａおよび右短辺凝固異常度算出部１３０Ｂで用いる異常発生時データのテンプレートとしては、温度偏差の特徴データ行列Ｙ_ｑｄｊの中から一方向に変化する特徴がよく表れているものを選択し、平均温度については同じｊに対応する特徴データ行列Ｙ_ｑｍｊを選択する。選択されたｊの集合をＪｓとする（ｊ∈Ｊｓ）。テンプレート番号ｊのテンプレート行列Ｙ_ｑｊは、特徴データ行列Ｙ_ｑｄｊ，Ｙ_ｑｍｊを列方向に並べて式（２９）のように定義される。この処理は、図５を参照して説明したステップＳ１０３の処理に対応する。特徴データ算出部１２０Ｃは、図５を参照して説明したステップＳ１０４と同様に行列Ｙ_ｑｊをテンプレート化する。

上記の特徴データ行列Ｙ_ｑｄｊの選択については、例えば以下のようにすることができる。式（３０）に示すように特徴抽出データ行列Ｙ_ｄの各列ベクトルが左基底ベクトルｕ_ｄｉｌと荷重係数ｗ_ｄｌｋとの線形結合とすると、荷重係数の第１成分ｗ_ｄ１ｋ ^２の荷重係数２乗値の合計に対する比率ｒ_ｄｋが式（３１）のように定義できる。ただし、ｗ_ｄｉｊは行列Ｗ_ｄの（ｉ，ｊ）成分を表す。

式（３２）に示すように特徴抽出データ行列Ｙ_ｄの時間シフトｊに対応するデータ行列ｊに関してｒ_ｄｋを平均したＲ_ｄｊは、データ行列Ｙ_ｄｊを構成するベクトルである温度偏差ｙ_ｄｉが共通して一方向に変化していることを表す指標であるため、Ｒ_ｄｊが大きい順にｊをあらかじめ定めた個数だけ選択したデータ行列Ｙ_ｄｊを、温度偏差の異常時テンプレートとすることができる。短辺偏差データのテンプレートは前記Ｙ_ｑｄｊ（ｊ＝１，…，Ｎ’）からｊ∈Ｋｄに該当するｋを選択する。

（異常度算出）
左短辺凝固異常度算出部１３０Ａおよび右短辺凝固異常度算出部１３０Ｂでは、連続鋳造機の操業中に逐次サンプリングされる鋳型短辺における測温値のデータから、上記の式（２３）および式（２４）に示した温度偏差ｙ_ｄｉおよび平均温度ｙ_ｍｉの算出、データ行列作成ならびに式（２２）に示したｑ次の再現データ行列の作成を繰り返す。時刻ｔにおいては、温度偏差および平均温度のデータ行列Ｙ_ｄ（ｔ），Ｙ_ｍ（ｔ）について、ｑ次の再現データ行列Ｙ_ｑｄ（ｔ），Ｙ_ｑｍ（ｔ）を式（３３）および式（３４）のように算出する。この処理は、図６を参照して説明したステップＳ２０１の処理に対応する。さらに、再現データ行列Ｙ_ｑｄ（ｔ），Ｙ_ｑｍ（ｔ）を列方向に並べた行列Ｙ_ｑ（ｔ）を式（３５）のように定義して、上記で式（１２）および式（１３）を参照して説明したように異常度ｓ（ｔ）を算出する。この処理は、図６を参照して説明したステップＳ２０２の処理に対応する。なお、上記の式（２９）のテンプレート行列Ｙ_ｑｊでは２つのうち片側の短辺で発生する凝固不良しか検知できないため、式（２９）の右辺で行列Ｙ_ｑｄｊの符号を反転した別のテンプレート行列Ｙ_２ｑｊを式（３６）に示すように定義し、左短辺凝固異常度算出部１３０Ａでは式（３５）を用いて、また右短辺凝固異常度算出部１３０Ｂでは，式（３６）を用いて異常度ｓ_２（ｔ）を同様に算出する。

（異常検知）
左短辺凝固不良検知部１４０Ａおよび右短辺凝固不良検知部１４０Ｂは、左短辺凝固異常度算出部１３０Ａおよび右短辺凝固異常度算出部１３０Ｂによって算出された異常度ｓ（ｔ），ｓ_２（ｔ）のいずれかが、所定時間ｔｓよりも長い時間にわたって所定の閾値ｈｓよりも大きい状態が継続された場合に、凝固不良異常検知を示す警報等を出力する。この処理は、図６を参照して説明したステップＳ２０３，Ｓ２０４の処理に対応する。上記の条件が左短辺に関する異常度ｓ（ｔ）で満たされた場合は左短辺凝固不良検知部１４０Ａが、また右短辺に関する異常度ｓ２（ｔ）で満たされた場合は右短辺凝固不良検知部１４０Ｂがそれぞれ異常を検知する。どちらの凝固不良検知部が異常を検知するかによって、凝固不良が発生したのがどちら側の短辺であるかを特定することができる。

以下では、連続鋳造機の凝固不良を検知する場合の実施例について説明する。本実施例では測温装置である熱電対を鋳型の深さ方向に４段、等間隔で設置した。従って、鋳型の片側の短辺について、データ項目数ｍ＝４である。また、本実施例では凝固不良によるブレークアウト発生時の実例データを２ケース用いてテンプレートを作成した。具体的には、まず、測温値を溶鋼温度、鋳造速度、鋳型幅および測温位置の深さで回帰するモデルを用いて標準温度を算出し、操業データとして取得される測温値と各熱電対の標準温度との差を換算温度として算出した。

図１１Ａおよび図１１Ｂは、上記で図１０Ａおよび図１０Ｂに示した凝固不良によるブレークアウト発生時のデータを用いて算出した鋳型の左側および右側の短辺の温度偏差、平均温度および鋳造速度の時間チャートである。図１１Ａには温度偏差が示され、図１１Ｂには平均温度が示されている。鋳造速度の時間チャートは図１１Ａおよび図１１Ｂで共通である。図１２Ａおよび図１２Ｂは、図１１Ａおよび図１１Ｂに示された温度偏差および平均温度から特徴抽出データ行列Ｙ_ｄ，Ｙ_ｍを抽出する処理を模式的に示した図である。本実施例では、操業データを１ｓｅｃ周期でサンプリングし、特徴抽出データ行列Ｙ_ｄ，Ｙ_ｍの時間長を１２０ｓｅｃ（Ｍ＝１２０）とした。また、左特異ベクトル行列Ｕ_ｄ，Ｕ_ｍの左から順にｑ列目までを取り出した行列Ｕ_ｑｄ，Ｕ_ｑｍを作成するときのｑ＝２とした。

図１３は、実施例において選択されたテンプレートを示す図である。温度偏差の特徴データ行列Ｙ_ｑｄｊの中から一方向に変化する特徴がよく表れているものを選択し、平均温度については同じｊに対応する特徴データ行列Ｙ_ｑｍｊを選択する。本実施例において、ｊ＝１，２，・・・，６である。

図１４Ａおよび図１４Ｂは、検知対象の操業データで凝固不良によるブレークアウトが発生する直前の左側および右側の鋳型短辺における換算温度の時間チャートである。なお、検知対象の操業データは、テンプレートとは別の、過去の操業においてブレークアウトが発生したときの操業データである。時間チャートは、左側の鋳型短辺で凝固不良によるブレークアウトが発生した時刻を時刻０として示されている。換算温度の時間チャートからは、時刻－１００ｓｅｃ前後から左短辺の温度が上昇していることが読み取れる。図１５Ａおよび図１５Ｂは、図１４Ａおよび図１４Ｂに示したデータから算出した鋳型短辺の温度偏差および平均温度の時間チャートである。温度偏差の時間チャートからは、－１００ｓｅｃ以降で特に３段目と４段目で顕著な下降傾向が見られる。また、平均温度の時間チャートでも、－１００ｓｅｃ以降に上昇傾向が見られる。

図１６は、図１４Ａから図１５Ｂに示したデータを用いた異常度の算出結果を示す図である。本実施例では、上記のように選択されたテンプレートを用いて、左側の鋳型短辺での凝固不良を検知する異常度ｓ（ｔ）の算出を２ｓｅｃごとに繰り返した。異常検知条件になる異常度ｓ（ｔ）の閾値ｈｓ＝０．８、継続時間ｔｓ＝１６ｓｅｃに設定したところ、本データに対してはブレークアウト発生の８ｓｅｃ前に条件を満たし（図１６に示す（１）から（２）までの間、異常度ｓ（ｔ）が閾値を超える状態が継続された）、異常が検知されることによって警報等の出力が可能になることが判明した。８ｓｅｃの余裕があれば、例えば鋳造速度を低下させることで凝固不良部分を健全化させ、ブレークアウトを予防することが可能である。

図１７は、図１６の例と同様にして、右側の鋳型短辺での凝固不良を検知する異常度ｓ_２（ｔ）を算出した結果を示す図である。異常度ｓ_２（ｔ）については、閾値ｈｓ＝０．８を超える区間はあるが、継続時間ｔｓ＝１６ｓｅｃ超えて異常度ｓ_２（ｔ）が閾値を超えた状態が継続された区間はなく（図１７に示す（１）、（２）および（３）で閾値を超えた異常度ｓ_２（ｔ）は、いずれも１６ｓｅｃ未満で閾値を下回っている）、正常な状態に対して誤検知が発生しないことが判明した。

以上、添付図面を参照しながら本発明の好適な実施形態について詳細に説明したが、本発明はこれらの例に限定されない。本発明の属する技術の分野の当業者であれば、請求の範囲に記載された技術的思想の範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、これらについても、当然に本発明の技術的範囲に属するものと了解される。

１…鋳型、２…浸漬ノズル、３…吐出孔、４…測温装置、５…領域、６…銅板、７…冷却水、８…凝固シェル、９…モールドフラックス、１０…対象プラント、２０…データベース、１００…異常検知装置、１１０…データ取得部、１２０…特徴データ算出部、１３０…異常度算出部、１４０…異常検知部。

Claims (10)

1. 対象プラントで過去の異常発生前の一定期間に測定された物理量の、前記対象プラントにおける異常発生時点を終点とし、前記異常発生時点から所定区間分の第１の時間だけ遡った時刻を始点とする時系列を第１のデータベクトルとして、当該第１のデータベクトルを複数の物理量について並べた第１のデータ行列を作成し、前記第１のデータ行列の時間を表す方向において前記物理量の間に共通する特徴を抽出する特徴データ算出部と
   前記対象プラントで新たに測定された前記物理量の前記第１の時間分の時系列を第２のデータベクトルとして、前記第１のデータ行列と同じ順序で並べて第２のデータ行列を作成し、前記第２のデータ行列から抽出された特徴と前記特徴データ算出部により抽出された前記特徴との類似度を算出する異常度算出部と、
   前記類似度の時間変化が所定の条件を満たす場合に前記対象プラントを異常と判定する異常検知部と
   を備える異常検知装置。
2. 前記第１のデータベクトルおよび前記第２のデータベクトルは、前記第１の時間よりも短い第２の時間分の小区間に連続して測定された前記物理量を示し、前記第１のデータ行列および前記第２のデータ行列は前記第１の時間分の区間の範囲内で前記第２の時間分の小区間を時間シフトさせた前記第１のデータベクトルまたは前記第２のデータベクトルによって構成される、請求項１に記載の異常検知装置。
3. 前記特徴データ算出部は、前記第１のデータ行列を特異値分解することによって前記第１のデータ行列の時間を表す方向において前記物理量の間に共通する特徴を抽出し、
   前記異常度算出部は、前記第２のデータ行列を特異値分解することによって前記第２のデータ行列の特徴を抽出する、請求項１または請求項２に記載の異常検知装置。
4. 前記特徴データ算出部は、前記第１のデータ行列の特異値分解の結果によって重要度が高いことが示される基底ベクトルの線形結合を用いて再構成された前記第１のデータ行列を前記第１のデータ行列の時間を表す方向において前記物理量の間に共通する特徴を示すテンプレートとし、
   前記異常度算出部は、前記第２のデータ行列の特異値分解の結果によって重要度が高いことが示される基底ベクトルの線形結合を用いて再構成された前記第２のデータ行列と前記テンプレートとの類似度を算出する、請求項３に記載の異常検知装置。
5. 前記特徴データ算出部は、複数の前記テンプレートを生成し、
   前記異常度算出部は、複数の前記テンプレートのそれぞれと前記第２のデータ行列との類似度のうち最大のものを選択する、請求項４に記載の異常検知装置。
6. 前記対象プラントは、連続鋳造機であり、
   前記異常は、凝固シェルの凝固不良によるブレークアウトであり、
   前記物理量は、前記連続鋳造機の鋳型温度を含み、
   前記第１のデータベクトルおよび前記第２のデータベクトルは、前記鋳型内で深さ方向に配列された測温装置によって取得される前記鋳型温度に基づく値を含む、請求項１から請求項５のいずれか１項に記載の異常検知装置。
7. 前記鋳型温度は、測温値を溶鋼温度、鋳造速度、鋳型幅および測温位置の深さで回帰するモデルを用いて算出された標準温度と測温値との差である換算温度である、請求項６に記載の異常検知装置。
8. 前記第１のデータベクトルおよび前記第２のデータベクトルは、前記鋳型の対向する面にそれぞれ配置された前記測温装置の間の温度偏差および平均温度を含む、請求項６または請求項７に記載の異常検知装置。
9. 対象プラントで過去の異常発生前の一定時間に測定された物理量の、前記対象プラントにおける異常発生時点を終点とし、前記異常発生時点から所定の区間分の第１の時間だけ遡った時刻を始点とする時系列を第１のデータベクトルとして、当該第１のデータベクトルを複数の物理量について並べた第１のデータ行列を作成し、前記第１のデータ行列の時間を表す方向において前記物理量の間に共通する特徴を抽出するステップと、
   前記対象プラントで新たに測定された前記物理量の前記第１の時間の区間分の時系列を第２のデータベクトルとして、前記第１のデータ行列と同じ順序で並べて第２のデータ行列を作成し、前記第２のデータ行列から抽出された特徴と前記第１のデータ行列の時間を表す方向において前記物理量の間に共通する特徴との類似度を算出する異常度算出部と、
   前記類似度の時間変化が所定の条件を満たす場合に前記対象プラントの異常を検知するステップと
   を含む異常検知方法。
10. 対象プラントで過去の異常発生前の一定時間に測定された物理量の、前記対象プラントにおける異常発生時点を終点とし、前記異常発生時点から第１の区間分の時間だけ遡った時刻を始点とする時間分の時系列を第１のデータベクトルとして、当該第１のデータベクトルを複数の物理量について並べた第１のデータ行列を作成し、前記第１のデータ行列の時間を表す方向において前記物理量の間に共通する特徴を抽出する特徴データ算出部と、
    前記対象プラントで新たに測定された前記物理量の前記第１の区間分の時系列を第２のデータベクトルとして、前記第１のデータ行列と同じ順序で並べて第２のデータ行列を作成し、前記第２のデータ行列から抽出された特徴と前記第１のデータ行列の時間を表す方向において前記物理量の間に共通する特徴との類似度を算出する異常度算出部と、
    前記類似度の時間変化が所定の条件を満たす場合に前記対象プラントの異常を検知する異常検知部と
    を備える異常検知装置としてコンピュータを機能させるためのプログラム。

Images