JP2023121127A - 流体技術のシステムにおける異常の認識 - Google Patents

Abstract

【課題】流体技術のシステム（１０）における異常を認識するためのセンサ装置（１８、２０）を提示する。【解決手段】該装置は、システム（１０）の配管（１４）内の目下の流量の測定値を決定する少なくとも１つのセンサ（１８）と、少なくとも１つの測定値に基づいて異常が存在するか確認するように構成された制御及び評価ユニット（２０）とを備える。制御及び評価ユニット（２０）は更に、測定値の時系列を評価することで、まず周期長を特定し、前記時系列のうち少なくとも１つの前記周期長の区間について少なくとも１つの特徴量を特定し、該特徴量を基準特徴量と比較し、許容差を超える逸脱がある場合に異常が存在すると確定するように構成されている。【選択図】図１

Description

本発明は、請求項１又は１５のプレアンブルに記載の、流体技術のシステムにおける異常を認識するためのセンサ装置及び方法に関する。

圧縮空気の生成と処理は工業的な電力需要に少なからず寄与している。圧縮空気は重要且つ高価なエネルギーの担い手である。それ故、圧縮空気システムにおける異常をできるだけ早く発見してエネルギー消費と運転コストを効果的に抑えることが重要である。圧縮空気システムのエネルギー効率を評価する際のやり方及び文書化の基礎が非特許文献１に提示されている。

そのため、従来技術において、圧縮空気設備の異常、特に漏れを調べるために様々なアプローチが追求されている。閉じた系から圧縮空気が漏れると内部の圧力が低下する。故に、例えば非特許文献２に記載されているように、既知の体積を持つ閉じた圧搾系に圧力を印加し、熱平衡状態に到達させた後、一定時間の間、圧力低下を測定することが考えられる。予想される圧力低下に対する変化を通じて漏れは高い感度で確認されるものの、場所は突き止められない。しかも、圧縮空気設備を数時間、非運転状態にしなければならないし、検査できるのは設備のうち静的な状態でも圧力がかかる支流のみである。漏れ以外の異常は検出されない。

特許文献１は圧力室の圧力制御のために設けられたバルブ装置を監視する診断装置を開示している。圧力制御は圧力設定値が達成又は維持されるようにするものである。圧力制御・調整信号から圧縮流体の漏れが推定される。従って、この診断は言わば圧力制御と連結されている。また、圧力制御装置がどのように所要の圧力制御・調整信号を得るのかは記載されていないし、いずれにせよ圧力に基づく異常検出の欠点は克服されない。

圧縮空気システム内で漏れの位置の特定まで行う別のアプローチとして、気体の噴出により生じる超音波の測定に基づくものがある。それにはそのような超音波を探り出して人間の耳に聞こえるようにする特別な測定技術が必要である。圧力変化法と同様にこのような超音波測定もコストが高く、時間がかかる。超音波技術を用いた専門的な漏れ位置探知は、経済的に見ると、システムに漏れが存在することが前段階で既に分かっている場合にのみ合理性がある。超音波によっても漏れ以外の異常は検出されない。

一方、統合的に漏れを検出できる流量測定センサが提供されている。この監視は、測定される質量流が第１の閾値を下回ったときに取られる静止状態の段階で行われ、静止状態においてもまだ質量流が検出されている場合に漏れとして認識される。これは第２の閾値を用いて調べられる。しかし、一方で漏れが比較的大きくてもなお静止状態を認識できるようにしつつ、他方で通常運転時の僅かな質量流を漏れと取り違えないように、各閾値を適正に設定することは、非常に慎重な配慮を要する。その上、漏れは静止状態において圧縮空気の力が加わる部品内でしか検出されないが、静止状態においては設備の多くの部分を無圧に切り替えることが普通であり、そうなると当該部分は漏れ検出において全く考慮されなくなる。

従来技術では、圧縮空気システム内の異常を発見するためにセンサデータを評価する人工知能の方法も用いられている。例えば、ニューラルネットワークが既知のデータから圧縮空気アクチュエータの制御信号とそれに対応する質量流との関係を学習し、訓練の終了後、将来的なプロセス進行に対して期待される流れ量を予測する。測定された質量流と予測された質量流の間に過大な不一致があれば漏れがあると推定される。これは個々の具体的な圧縮空気システムにおいては実に良好に機能するが、任意の設備への一般化は難しく、個々のシステムに対する個別の訓練は大抵、コストがかかりすぎる。しかも、現場には十分な計算能力と作業メモリを持つ大規模な技術的インフラストラクチャがないことがしばしばある。なぜなら、センサ自身には推定に必要なハードウェアどころかニューラルネットワークの訓練に必要となるハードウェアさえないことが典型的だからである。

人工知能の方法を用いて圧縮空気システムにおける漏れを検出するアプローチは、例えば非特許文献３及び非特許文献４に見られる。

特許文献２では、洗浄装置において、流体を通すことにより生じる騒音をマイクロホンで収録し、その音情報を洗浄装置の図と重ねることにより流量異常が認識される。騒音が想定外の箇所で生じると、それは漏れによるものとみなされる。

DE 20 2019 210 600 B4 DE 10 2020 100 347 A1

DIN EN ISO 11011:2015-08 DIN EN 13184:2001-07 Santolamazza, A., V. Cesarotti, und V. Introna, "Evaluation of machine learning techniques to enact energy consumption control of compressed air generation in production plants", 23rd Summer School "Francesco Turco" - Industrial Systems Engineering 2018, Vol. 2018, AIDI-Italian Association of Industrial Operations Professors, 2018 Desmet, Antoine und Matthew Delore, "Leak detection in compressed air systems using unsupervised anomaly detection techniques," Annual Conference of the PHM Society, Vol. 9. No. 1. 2017

故に本発明の課題は冒頭で述べた種類のシステムにおける異常の認識を改善することである。

この課題は請求項１又は１５に記載の、流体技術のシステムにおける異常を認識するためのセンサ装置及び方法により解決される。流体技術は流体を用いたエネルギー伝送のための様々な方法、特に空気又は圧縮空気システム（ここでは任意のガスを用いることができる）を包含しており、空気の代わりに油圧作動油を用いる油圧システムも含む。異常には、漏れに加えて、例えば消耗したフィルタや折れ曲がったゴム管等、監視対象システムにおける他の望ましくない状態も含まれる。

少なくとも１つのセンサが、システムの配管内の目下の流量の測定値を決定する。センサの原理によっては元々の測定値が流量とは異なる可能性あるが、流量が直接測定されない場合はその測定値を流量に換算すればよい。制御及び評価ユニットが少なくとも１つのそのような測定値に基づいてシステム内に異常があるか確認する。制御及び評価ユニットはセンサの一部でもよいし、メモリプログラミング可能な制御装置、エッジデバイス、クラウド又は他の計算装置等としてセンサに接続されていてもよいし、センサとそれに接続された装置とに分けて実装してもよい。

本発明の出発点となる基本思想は、測定値の時系列を収集し、システムに異常のない完全な状態の場合の予想と比較することである。時系列は、その都度の最新の測定値で終わる直近の全測定値の直接的な履歴であることが好ましいが、間引いた時系列、及び／又は、少なくともやや長めに過去に遡った測定値も考えられる。最初に時系列から周期長が特定される。なぜなら、実践では加工及び製造のサイクルが繰り返すため、システムは運転中に周期的に用いられるということが前提となるからである。

その後、時系列から得た周期長の区間又は複数のそのような区間を観察することにより、単一の周期又は多数のそのような周期を評価する。そのために、特に各々の周期の統計的な特徴を表す一又は複数の特徴量を特定する。この少なくとも１つの特徴量をそれぞれ対応する基準特徴量、即ちシステムに異常のない完全な状態の場合の当該特徴量の予想と比較する。それが許容差の枠内で一致しない場合、異常があるものとみなされる。許容差は、後で様々な実施形態において説明するように、特徴量毎に個々に決定することが好ましいが、代わりに絶対的又は相対的な偏差として設定しておくこともできる。認識された異常は、例えば上位の設備制御装置への信号、独自の表示、警告及び／又はメンテナンス要請として報告されることが好ましい。

本発明には、確実にシステム全体にわたって異常が認識されるという利点がある。短い時間しか作用しない僅かな漏れも検出される。閾値を用いる従来の評価の場合、平均又は最大の質量流量のような全体的な量が大きく影響されることはほとんどないため、それは見つからないままのことが多い。漏れ以外にも、同様にシステムのエネルギー効率及び機能性に作用するものの従来技術では検出されない他の異常も検出される。このような異常は最終製品の品質をも損ねる可能性があるため、本発明は品質保証にも貢献する。周期性を独自に測定するおかげで、当該システムにより支えられる製造工程に関する情報を伝える必要がないから、センサをより深く設備制御に組み入れる必要はない。人工知能の方法を放棄しているためハードウェア要求も非常に低いものに留まる。

制御及び評価ユニットは周期長の間の流量の分布の統計的な特徴量を特定するように構成されていることが好ましい。統計的な特徴量には測定の不正確さによる僅かな一時的な逸脱等の影響がほとんどないという利点がある。特別に流量の分布を統計的に評価することにより、時間的な順序の違いが問題にならなくなるため、より一層高い頑強性が達成される。１周期内の測定値の出現度数を分析すると測定値が時間から切り離される。そのため測定値のタイムスタンプも不要である。全ての実施形態にあるように、基準特徴量は適切に選ばれる。即ち、ここでも同じく、完全な状態のシステムの流量の分布の統計的な特徴量が選ばれる。同じく全ての実施形態にあるように、正確に１周期を評価してもよいし、複数の周期を評価してもよい。

制御及び評価ユニットは、周期長の間の流量のヒストグラムを作り、該ヒストグラムの１つのビンに入っている合計数から少なくとも１つの特徴量を特定するように構成されていることが好ましい。ヒストグラムは測定された流量の分布を離散化したものであり、従って非常に簡単に扱うことができる。特徴量としてヒストグラムのビンの１つに入っている合計数を利用することができ、好ましくは複数のそのような特徴量を複数の又は全てのビンについて特定する。ここでもまた、基準特徴量を同様に、つまり、異常のない完全な状態のシステムの場合に記録されるヒストグラムから特定することが好ましい。

制御及び評価ユニットは、時系列の測定値の、基準時系列に対する累積的な差を特定するように構成されていることが好ましい。この評価もちょうど１周期にわたって行ってもよいし、複数の周期にわたってもよい。基準時系列は異常のない完全なシステムの測定値に相当する。この実施形態ではいわば各測定値自身が特徴量であり、基準時系列はそれらに対応する基準特徴量をもたらす。後述する時系列の解像度低減により特徴量の数を減らすことができる。測定値の時系列と基準時系列との間で点毎に特定された差は、１周期又は複数の平均周期にわたる測定曲線と基準測定曲線の間の差分面積と理解することもできる。計算的にはそれは測定曲線と基準測定曲線の差の大きさの積分に相当する。

制御及び評価ユニットはシステムの運転中に測定値の時系列を取得して評価するように構成されていることが好ましい。即ち、この異常の認識はオンラインで若しくは通常運転中に行われ、設備の電源遮断又は一時停止は必要ない。これは、システムが停止状態にあるときにしか異常を検出できなかったり、それどころかそのために例えばシステム内部を圧力に関して特別な状態に調節する必要があったりするような、冒頭で説明した従来技術の方法の多くとは違っている。

制御及び評価ユニットは、時系列の自己相関、フーリエ変換、又は大きさの差の計算することによって周期長を特定するように構成されていることが好ましい。時系列の自己相関又は付属するスペクトルには周期性に応じたピークが現れる。時系列の周期長を特定するためのこのような方法自体は公知であるが、これまで流体技術のシステムにおける異常の認識には用いられていない。自己相関の特定の好ましい一実施形態は、互いにシフトさせた時系列同士の差の累積的な大きさを求め、そのシフトの間隔を反復的に増大させることである。そして大きさの差の合計をシフトに対してプロットすれば、周期長及びその倍数付近で極点が得られる。冒頭で述べたような従来の方法では周期長は関心の対象ではなかった。

制御及び評価ユニットは周期長の区間同士の相互の時間的なずれを認識して補正するように構成されていることが好ましい。システム内での個々の作業サイクルは基本的には周期長と一致するものの、やや小さい時間的なシフトが生じることがあり得る。周期間のこのような変動又は位相シフトは異常の検出と間違われる可能性があるから、その時間的なずれを補償することが有利である。そうすれば評価対象の区間は可能な限り似た推移で重なり合うように互いに調整される。これは例えば該当区間を対にして相関を計算することにより成される。

制御及び評価ユニットは測定値の時系列をより時間解像度の低い時系列に変換するように構成されていることが好ましい。このような解像度低減（「ダウンサンプリング」）を行った後は、その後の評価をより低コストで実行することができる。最も簡単な場合、単にｉ番目毎の測定値を保持し、好ましくはその後で平滑化又は低域通過フィルタ処理を行う。より複雑な補間を任意の時間倍率で行うことも考えられる。更に、低減させた解像度に基づくのは一部のステップのみとし、他のステップでは完全な解像度で作業を行うことも考えられる。例えば、周期長の特定と周期長の区間同士の相互の位相ずれの補正を完全な解像度で行う一方、特徴量はその後に解像度を低減させてから特定することができる。

制御及び評価ユニットは、測定値の時系列を取得して評価し、該時系列から周期長を特定し、前記時系列のうち少なくとも１つの前記周期長の区間について少なくとも１つの特徴量を特定して該特徴量を基準特徴量として記憶する、という学習モードのために構成されていることが好ましい。即ち、学習モードでは基準特徴量が得られ、故にこれは異常がないことが確実である段階で行う必要がある。学習モードにおいて既に存在する異常は後で認識されず、正常なものとみなされる。基準特徴量を特定する方法は、上述のように本来の運転中に特徴量を特定するための方法と基本的に同じである。学習の場合は状況をそのまま捕らえる必要があるから、比較は行わない。学習モードのおかげで新たなシステム及びプロセスへの適合化を柔軟に且つ簡単な操作で行うことができる。

学習モードにおいて、各特徴量を複数の区間にわたり何度も特定することで、基準特徴量としての統計的な尺度、及び／又は、保存された基準特徴量に対する許容差としての変動度、を特定することが好ましい。このように複数の周期を観察しての統計的な学習を通じて、頑強な予想の他、適切な許容差も学習することができる。統計的な尺度としては例えば平均値、重心、メジアン、又は他の分位点が適している。統計的な尺度は既に得られた中間結果（ヒストグラムのビン等）に関連付けることができる。これにより予想が定まる。変動度（例えば分散、標準偏差、高次のモーメント、又はそれらの組み合わせ若しくは倍数）は前記予想に付属する許容差を決める。従来技術の一部にあるような固定的な閾値の設定は行わない。

学習モードにおいて、周期長の間の流量のヒストグラムを作成し、基準特徴量をヒストグラムの１つのビンに入っている合計数から特定する、及び／又は、１つのビンに入っている合計数の変動度から該合計数に付属する許容差を特定することが好ましい。ヒストグラムを通じた特徴量及び基準特徴量の特定は非常に容易であると同時に非常に信頼性の高い異常認識につながる。個々のビン、複数のビン又は全てのビンに対する予想が立てられ、運転中には逆に検査される。ここで予想は各ビンに入っている合計数を複数の周期にわたって評価した統計的な尺度（平均値等）に相当する一方、許容差は変動度（例えば当該ビン内で複数の周期の間に特定された合計数の標準偏差の倍数）により与えられる。

制御及び評価ユニットは周期長が変化した場合に一時的に学習モードに切り替わるように構成されていることが好ましい。この実施形態では、監視対象のプロセスに変化があると、センサ装置が自動的に新たな周期長を認識し、以て別の処理又はプロセスのサイクルを認識する。その場合、その変化は異常ではなく意図的な変更と解釈され、基準特徴量が新たに適切に学習される。その新たな基準特徴量を用いてセンサ装置は引き続きその変化後のプロセスの異常を監視することができる。もっとも、新たな周期長は安定している必要があり、さもなければそれはむしろ異常とみなすことが好ましい。自動的な変更を警告と結びつけ、場合によっては、意図的な変更が本当に行われたことの確認を求める、というようにしてもよい。

制御及び評価ユニットは少なくとも１つの基準量を持つ複数のセットの間で切り替わるように構成されていることが好ましい。これにより、このセンサ装置はシステムの様々なプロセスに対して備えができる。少なくとも１つの基準量（好ましくは付属する許容差も含む）を持つそれぞれ適切なセットを用いることにより、そのときに作動しているプロセスにおいて異常が認識される。

制御及び評価ユニットはセンサ内に統合されていることが好ましい。その場合、本センサ装置はセンサである、若しくは異常認識部を統合したインテリジェントなセンサである。その場合、システムの異常を調べるために他の技術的なインフラストラクチャは不要である。或いは、制御及び評価ユニットを複数のセンサに分けて実装したり、独自の評価部を持つ少なくとも１つのインテリジェントなセンサと、それに接続された、単に測定値を出力する少なくとも１つの別のセンサとを設けたりしてもよいし、任意の混合形態にすることもできる。

本発明に係る方法は、前記と同様のやり方で仕上げていくことが可能であり、それにより同様の効果を奏する。そのような効果をもたらす特徴は、例えば本願の独立請求項に続く従属請求項に模範的に記載されているが、それらに限られるものではない。

以下、本発明について、更なる特徴及び利点をも考慮しつつ、模範的な実施形態に基づき、添付の図面を参照しながら詳しく説明する。

システムの異常を監視するためのセンサを有する流体技術のシステムの概略図。 異常のないシステムに対する予想を学習するための模範的なフローチャート。 異常のないシステムの流量の測定値の模範的な時系列を示す図。 図３の時系列を周期によって分割した図。 図４の周期毎の流量の出現度数のヒストグラム。 図５に示した周期毎のヒストグラムの複数分から特定された、ビン毎の合計数の予想を許容範囲と共に示す図。 システムの異常を再検査するための模範的なフローチャート。 監視対象のシステムの流量の測定値の模範的な時系列を示す図。 図８の時系列を周期に従って分割した図。 図９の周期毎の流量の出現度数のヒストグラム。 図１０のヒストグラムでの出現度数と図６の予想との比較結果。 あるシステムにおける、異常のある場合とない場合の２つの時系列の比較図。 代表的な周期を決定する処理を説明するために、測定された流量の複数の時系列を重ねた図。 図１３により決定された代表的な周期を許容帯域とともに分離した図。 あるシステムにおいて異常のある場合の測定値の周期と異常のない場合の周期との間の差分面積を特定することにより異常を認識するための別の評価の説明図。

図１は流体技術のシステム１０の概略的な全体図である。図示した例では圧縮空気システムとして構成されているが、本発明は他の流体技術のシステム、特に空気システムの他に油圧システムも同様に含む。

圧縮空気貯蔵部１２が配管１４を通じて様々な利用者（図では純粋に模範例として複数の作動シリンダ１６を示す）に圧縮空気を供給する。配管１４には圧縮空気の流量を測定するセンサ１８が配置されている。この測定は通常、設備制御部（図示せず）がシステム１０の全体的な監視及び制御の仕事を行うために役立つ。本発明ではセンサ１８の測定データを異常の監視に利用するが、これはセンサ１８の取り付けの主たる目的でもよいし、副次的な目的でもよい。実践では、設備は更に非常に多数の枝に分岐したより複雑なものであることがあり、異常の監視には配管１４の様々な位置に複数のセンサを配置することができる。

センサ１８は流量測定のために任意の測定原理で具現化することができ、特にコリオリ型センサ、磁気誘導流量センサ（導電率が最小である空気以外の流体の場合）、超音波流量センサ、又は渦流センサとすることができる。流量を直接測定することも必須ではなく、例えば差圧測定の場合のように、測定値から流量又はそれと等価な測定量（例えば質量流）を導出できさえすれればよい。センサ１８は利用者、つまりは作動シリンダ１６のできるだけ近くに取り付けることが好ましい。なぜなら、そうすれば実質的に監視される体積が小さくなり、その結果、異常による変化が高感度で検出されるからである。

センサ１８には制御及び評価ユニット２０が接続されて（又は図から離れて、その内部に統合されて）おり、そこでセンサ１８の測定データを評価することで、システム１０が期待通りに作動しているか又はそこに異常があるかを認識する。異常が認識された場合、センサ１８はそれを表示したり、相応の報告を上位にあるシステム１０の制御部（図示せず）に送ったりすることができる。異常とは、まず漏れであるが、消耗したフィルタや折れ曲がった配管１４といった他の異常も考えられる。異常の認識方法についてこれから他の図面を参照しながら説明する。

図２は異常のないシステム１０に対する基準又は予想を学習するための模範的なフローチャートである。後で図７を参照して説明するように、運転中にこの予想と比較することで、重大な逸脱から異常を推定することができる。学習中はシステム１０に異常がないことを前提とするか、若しくはこの時点で既に存在する異常は後でも見つけることができないものとする。

本発明に係る方法は、システム１０内のプロセスが周期的に進行し、従ってある特定の周期長の後で繰り返される、という仮定に基づいている。そしてこの周期性はセンサ１８の測定値に相応に現れる。この仮定は実践において満たされることが通例である。例えば、ある特定の部品を製造する場合、工作物の操作及び工具の交換に圧縮空気が用いられるが、その場合、別の部品毎に新たにサイクルが始まる。

ステップＳ１ではその都度の流量に対するセンサ１８の測定値の時系列がバッファメモリに収集される。この時系列は異常のない学習対象の事例の入力信号であり、図３に一例を示している。測定値を収集する段階は、時系列がシステム１０の監視対象プロセスの複数のサイクル又は周期を含むように、十分に長く選ばれる。

ステップＳ２では時系列からその周期長が特定される。時系列の周期長を特定する方法そのものは公知であり、例えば自己相関やフーリエ変換に基づく。問題の複雑さを低減するため、事前に時系列の解像度を低減させてもよい（「ダウンサンプリング」）。

ステップＳ３では時系列が周期長の区間又は周期に分割される。図４は、単に見ただけで計８つの周期を含む図３の時系列のうち上記のような周期を３つ、個別に上下に示している。周期の類似性が明らかに認識できるから、異常に基づいて重大な逸脱が検出可能であろうことは既に納得できるように思われる。

ステップＳ４では図４の周期の各々が統計的に評価される。好ましい実施形態ではそのために各流量又は質量流の出現度数のヒストグラムが作られる。図５に図４の周期の１つに対する模範例を示している。そのために、現れ得る流量又は質量流が間隔又はビンに（好ましくは均一なビンに）分けられ、Ｘ軸上に積み上げられ、Ｙ軸上ではビン毎にそこに合う測定値が何回測定されたかが数えられる。このようなヒストグラムが、好ましくは時系列の少なくとも数周期、好ましくは全周期の間、繰り返し生成される。ヒストグラムは非常に好適な統計的な手段であるが、図４に示した区間内での測定値の推移を記述できる特徴量は他にも考えられる。

ステップＳ５では、異なる周期におけるヒストグラムの互いに対応するビンに入っている合計数（カウント）から統計的な尺度（特に各合計数の平均値と標準偏差）が計算される。その尺度から流量又は質量流の分布に対する予想が許容差も含めて得られる。許容範囲は、回廊状の領域により、平均値を中心として上及び下に標準偏差の複数倍（例えば３倍）の距離に定めることができる。図６は、得られる基準量をビンの平均値付近の短い黒色の横線で示し、付属する許容範囲をグレーの背景で示している。

図７は、運転中に記録された測定値の時系列と学習した基準量及びそれに付属する許容差とを比較することによりシステム１０内の異常を確認することができる模範的なフローチャートを示している。図２と図７のフローは似ているが、これは、基準特徴量と比較できる特徴量を得るために、運転時に得られる測定値の各時系列が学習時と同じように処理されるからである。ただし、図２のフローはシステム１０に異常がないと仮定した場合の基準特徴量の学習に関わるものであり、その基準特徴量は評価されるのではなく予想として保存される。今度の図７のフローではシステム１０の状態が分からない場合の特徴量が得られ、基準特徴量と比較される。

ステップＳ６において、その都度の流量に応じたセンサ１８の測定値の時系列がバッファメモリに収集される。この時系列が入力信号となる。図８に一例を示している。この時系列については、図３の時系列とは違って、システム１０に異常があるかどうか事前には分かっていない。時系列のための測定値を収集する段階は、システム１０の監視対象プロセスの少なくとも１周期、好ましくは複数の周期を含むように、十分に長く選ばれる。

ステップＳ７では時系列からその周期長が特定される。そのやり方については図２のステップＳ２を参照されたいが、ここでは特に同一の方法を適用することができる。なお、周期長は学習から分かっているから、ステップＳ７は任意選択である。他方で、変動を吸収するために、あるいは信頼性検査としても、周期長を実際に最新の時系列に関連付けることは有意義である。なぜなら、学習時に特定された周期長と運転時の周期長との間のずれが大きくなるということは、既にそれ自体、システム１０に異常があること又は少なくとも安定した周期的なプロセスという前提が損なわれていることを示唆しているからである。ステップＳ７において、ステップＳ２における学習時の周期長と異なる周期長が繰り返し且つ安定的に特定された場合、それは、システム１０内のプロセスが、新たに基準特徴量を学習することなく切り替えられたことによる可能性もある。

ステップＳ８ではステップＳ３と同様に時系列が区間又は周期に分割される。図９は図８の時系列の上記のような周期を３つ、個別に上下に示している。単に見ただけでも、図４との比較から、既に異常が存在していると推測される。

ステップＳ９では、ステップＳ４と同様に図９の個々の周期が統計的に評価される。そのために、好ましい実施形態では各流量又は質量流の出現度数のヒストグラムが作られる。図１０に図９の周期の１つに対する例を模範的に示している。ヒストグラムは１周期又は複数の周期から作ることができる。複数の周期を用いる場合は、ヒストグラムから得られる特徴量（特にビンに入っている合計数）を基準量と比較できるようにするために、正規化を行うことが好ましい。異常を認識する方法は、複数の周期を用いると反応がやや緩慢になり、それに関連する全ての利点及び欠点が伴う。ヒストグラムは非常に好適な統計的な手段であるが、図９に示した区間内での測定値の推移を記述できる特徴量は他にも考えられる。

ステップＳ１０ではステップＳ９で得られた特徴量が基準量と比較される。付属する許容差の範囲内にある差は容認され、それより大きな変化から異常が推定される。図１１に、最新の測定値の１周期から作った図１０のヒストグラムを図６の予想と比較した結果を示す。図中の棒の高さは図１０に示した測定された特徴量に当たるが、各棒は比較結果に応じて異なるグレースケール値を呈している。最後から２番目の灰色の棒では比較結果が許容差の範囲内にあった。これに対し、明るい棒では差が許容範囲から下方に外れ、黒い棒では上方に外れる結果となった。従ってこの例では、観察された１周期又は複数の周期内における測定値の平均的な分布が非常に大きく変化しているため、異常があると考えられる。そうでなければ全ての棒が最後から２番目の棒のように許容範囲内の状態を示していなければならない。もっとも、１つのビン又は一定のパーセンテージのビンについてはそれ自体大きな逸脱があっても異常を表示せずに容認するという、追加の包括的な許容差も考えられよう。

図１２は異常のないシステム１０における図４の周期と検査対象のシステム１０における図９の周期とを比較した図を示している。説明した例において基準量と比較して述べた特徴量の評価が正しい結論に至っていることは明らかである。なぜならここには異常があることが見て取れるからである。

前述の異常の認識はヒストグラムを用いた評価に基づいている。１周期又は複数の周期の時系列は、例えばボックスプロット、棒グラフ、Ｑ－Ｑプロット等、他の方法で評価することもできる。統計的な尺度としては平均値の代わりにメジアン又は他の分位点を用いることもでき、同様に変動は標準偏差による代わりに分位点又は高次のモーメントで表すこともできる。更に別の方法は、ヒストグラムのビン毎に低域通過特性と適切な時定数を持つＩＩＲフィルタを選ぶことで、階級内の測定値の度数を近似的に評価することである。その場合、新たな測定値が出現したときに全てのＩＩＲフィルタの新たなサイクルが実行される。その際、各ＩＩＲフィルタの入力値はそのビンに測定値が属さない場合には「０」、そうでなければ「１」である。

更に別の方法では評価を代表的な周期に基づいて行うことができる。この代表的な周期は、全ての周期でまず位相シフトをなくすことで個々の周期をできるだけ互いに一致させることにより計算することができる。続いて１周期内の各時点について、対応する測定値の平均値及び標準偏差を求めることができる。それからその標準偏差に基づいて時点毎に許容差を定めることができる。図１３は元の周期の測定値のなかで代表的な周期を例示している。図１４はその代表的な周期を標準偏差により定義した許容帯域とともに分離した図を示している。個々の点が基準特徴量である。そして運転中に一周期がそれらと比較されるが、その周期はあらゆる箇所で又は所定の部分において許容帯域内になければならない。運転中に測定される周期も同様に複数の周期から代表的な周期として求めることができる。

図１５は更に別の方法を例示している。これは、学習した周期と運転中に異常の認識のために捕らえられた周期との間の面積を測定することを基礎としている。好ましくはそれは代表的な周期同士の間の面積である。計算的にはその面積は差の大きさの積分に相当する。生じる面積は小さいものに留まるべきであり、例えば１周期そのものの積分に対する割合として測定される。

基準特徴量の学習はそれぞれシステム１０における特定の周期的なプロセスに関係している。工業的な製造プロセスは、例えば形式の変更、製品の変化又は製品の入れ替えにより繰り返し変化するから、センサ１８が簡単な学習により対応できることが重要である。好ましくはセンサ１８に将来どの製品が製造されるかが伝えられ、その結果、学習が開始される。センサ１８は、様々な製品の変種に対する基準特徴量のデータベースを自ら構築し、既知のプロセスの場合には新たに学習を行うのではなく単に切り替わるようにすることもできる。

センサ１８が製造プロセスに関する知識を持っていない場合、センサ１８は自ら一時的に学習モードに切り替わり、基準量を取得した後で異常の認識に移行するか、徐々に基準量の集積を作り上げることもできる。異なるプロセスが実行されているか判定する目印は自ら算出した周期長である。例えばセンサ１８は、周期長が既知の場合は以前に算出された基準量を利用し、そうでなければ自動的に必要な基準量を学習することができる。

前述のやり方の拡張版では、異常があることを確認するだけでなく異常の識別も行う。そのためにはそれに応じてより細かく差別化する基準特徴量を学習する必要がある。その上、回路図、スイッチ信号又は機能図等によってシステム１０の構造が分かっていれば、検出された異常の場所を突き止めることも可能になる。

Claims (15)

1. 流体技術のシステム（１０）における異常を認識するためのセンサ装置（１８、２０）であって、前記システム（１０）の配管（１４）内の目下の流量の測定値を決定する少なくとも１つのセンサ（１８）と、少なくとも１つの測定値に基づいて異常が存在するか確認するように構成された制御及び評価ユニット（２０）とを備えるセンサ装置（１８、２０）において、
   前記制御及び評価ユニット（２０）が、測定値の時系列を評価することで、まず周期長を特定し、前記時系列のうち少なくとも１つの前記周期長の区間について少なくとも１つの特徴量を特定し、該特徴量を基準特徴量と比較し、許容差を超える逸脱がある場合に異常が存在すると確定するように構成されていることを特徴とするセンサ装置（１８、２０）。
2. 前記制御及び評価ユニット（２０）が前記周期長の間の流量の分布の統計的な特徴量を特定するように構成されている、請求項１に記載のセンサ装置（１８、２０）。
3. 前記制御及び評価ユニット（２０）が、前記周期長の間の流量のヒストグラムを作り、該ヒストグラムの１つのビンに入っている合計数から少なくとも１つの特徴量を特定するように構成されている、請求項１又は２に記載のセンサ装置（１８、２０）。
4. 前記制御及び評価ユニット（２０）が、前記時系列の測定値の、基準時系列に対する累積的な差を特定するように構成されている、請求項１又は２に記載のセンサ装置（１８、２０）。
5. 前記制御及び評価ユニット（２０）が前記システム（１０）の運転中に測定値の時系列を取得して評価するように構成されている、請求項１又は２に記載のセンサ装置（１８、２０）。
6. 前記制御及び評価ユニット（２０）が、時系列の自己相関、フーリエ変換、又は大きさの差を計算することによって前記周期長を特定するように構成されている、請求項１又は２に記載のセンサ装置（１８、２０）。
7. 前記制御及び評価ユニット（２０）が前記周期長の区間同士の相互の時間的なずれを認識して補正するように構成されている、請求項１又は２に記載のセンサ装置（１８、２０）。
8. 前記制御及び評価ユニット（２０）が測定値の時系列をより時間解像度の低い時系列に変換するように構成されている、請求項１又は２に記載のセンサ装置（１８、２０）。
9. 前記制御及び評価ユニット（２０）が、測定値の時系列を取得して評価し、該時系列から周期長を特定し、前記時系列のうち少なくとも１つの前記周期長の区間について少なくとも１つの特徴量を特定して該特徴量を基準特徴量として記憶する、という学習モードのために構成されている、請求項１又は２に記載のセンサ装置（１８、２０）。
10. 前記学習モードにおいて、各特徴量を複数の区間にわたり何度も特定することで、基準特徴量としての統計的な尺度、及び／又は、保存された前記基準特徴量に対する許容差としての変動度、を特定する、請求項９に記載のセンサ装置（１８、２０）。
11. 前記学習モードにおいて、前記周期長の間の流量のヒストグラムを作成し、前記基準特徴量をヒストグラムの１つのビンに入っている合計数から特定する、及び／又は、１つのビンに入っている合計数の変動度から該合計数に付属する許容差を特定する、請求項９に記載のセンサ装置（１８、２０）。
12. 制御及び評価ユニット（２０）が、前記周期長が変化した場合に一時的に前記学習モードに切り替わるように構成されている、請求項９に記載のセンサ装置（１８、２０）。
13. 前記制御及び評価ユニット（２０）が、少なくとも１つの基準量を持つ複数のセットの間で切り替わるように構成されている、請求項１又は２に記載のセンサ装置（１８、２０）。
14. 前記制御及び評価ユニット（２０）が前記センサ（１８）内に統合されている、請求項１又は２に記載のセンサ装置（１８、２０）。
15. 流体技術のシステム（１０）における異常を認識するための方法であって、少なくとも１つのセンサ（１８）が前記システム（１０）の配管（１４）内の目下の流量のその都度の測定値を決定し、少なくとも１つの測定値に基づいて異常が存在するか確認される方法において、
    測定値の時系列を評価することで、まず周期長を特定し、前記時系列のうち少なくとも１つの前記周期長の区間について少なくとも１つの特徴量を特定し、該特徴量を基準特徴量と比較し、許容差を超える逸脱がある場合に異常が存在すると確定することを特徴とする方法。

Images