JP2023141677A - 監視装置、監視方法およびプログラム - Google Patents

Abstract

【課題】判定対象データの測定値と推定値の差に基づいて異常を判定する手法において、精度よく異常判定を行うことができる監視装置を提供する。【解決手段】監視装置は、プロセッサを備え、前記プロセッサが、監視対象装置の稼働状況を示すパラメータの時系列の測定値および推定値を収集し、前記測定値と前記推定値の差を計算し、前記測定値の変動と前記推定値の変動の相関性を示すバイアス評価指数を算出し、前記差と前記バイアス評価指数とに基づいて前記監視対象装置の状態を判定する処理を実行する。【選択図】図１

Description

本発明は、監視装置、監視方法およびプログラムに関する。

製油所では、発電タービンに複数設置されるバーナーの燃焼状態を監視するために温度計が設置されており、温度計が検出したバーナーの火炎の温度が、所定の閾値以上となると異常と判定する。また、機械学習によって訓練された推定モデルを用いて火炎の温度を推定し、温度計が測定した火炎の温度の測定値と比較し、その差が所定の閾値以上の場合に異常と判定している。

関連する技術として、特許文献１には、ガスタービンの運転データを取得して、その中の幾つかの測定データを推定モデルに入力して、判定対象とするデータの値を推定し、運転データに含まれる判定対象データの測定値と、推定モデルによって推定した判定対象データの推定値の差が閾値以上となると、異常と判定する予兆検知システムが開示されている。

このような異常判定手法の場合、判定対象データの測定値と推定値の差の大きさが判定対象となるが、例えば、ある方向にバイアスがかかった推定値を算出する性質を推定モデルが有しているような場合、測定値と推定値には常に一定の差が生じる可能性がある。このような場合に、両者の差が異常を表しているのか、推定モデルの性質によるものなのかを見分けて異常判定を行わなければ誤報につながる。例えば、測定値と推定値に閾値以上の差が生じていたとしても、両者の動きが同様の傾向を示せば、両者の差は、異常を示すものではない可能性がある。

特開２０１８－１６９７６９号公報

判定対象データの推定値と測定値の差に基づいて異常を判定する手法において、測定値と推定値に差がある場合に、その差が、異常を示しているのか、又は、推定モデルに由来する差なのかを判別して、異常判定を行う技術が求められている。

そこでこの発明は、上述の課題を解決することのできる監視装置、監視方法およびプログラムを提供することを目的としている。

本発明の一態様によれば、監視装置は、プロセッサを備え、前記プロセッサが、監視対象装置の稼働状況を示すパラメータの時系列の測定値および推定値を収集し、前記測定値と前記推定値の差を計算し、前記測定値の変動と前記推定値の変動の相関性を示すバイアス評価指数を算出し、前記差と前記バイアス評価指数とに基づいて前記監視対象装置の状態を判定する処理を実行する。

本発明の一態様によれば、監視方法は、監視対象装置の稼働状況を示すパラメータの時系列の測定値および推定値を収集し、前記測定値と前記推定値の差を計算し、前記測定値の変動と前記推定値の変動の相関性を示すバイアス評価指数を算出し、前記差と前記バイアス評価指数とに基づいて前記監視対象装置の状態を判定する。

本発明の一態様によれば、プログラムは、コンピュータに、監視対象装置の稼働状況を示すパラメータの時系列の測定値および推定値を収集し、前記測定値と前記推定値の差を計算し、前記測定値の変動と前記推定値の変動の相関性を示すバイアス評価指数を算出し、前記差と前記バイアス評価指数とに基づいて前記監視対象装置の状態を判定する処理を実行させる。

本発明によれば、判定対象データの測定値と推定値の差に基づいて異常を判定する手法において、精度よく異常判定を行うことができる。

実施形態に係る監視システムの一例を示す図である。 判定対象データの測定値および推定値の一例を示す第１の図である。 判定対象データの測定値および推定値の一例を示す第２の図である。 バイアス評価指数の算出方法を示す第１の図である。 バイアス評価指数の算出方法を示す第２の図である。 バイアス評価指数の算出方法を示す第３の図である。 判定対象データの測定値の一例を示す図である。 判定対象データの推定値の一例を示す図である。 符号付き距離の２次元プロット図の一例を示す図である。 第１のテストデータの測定値および推定値の一例を示す図である。 第２のテストデータの測定値および推定値の一例を示す図である。 第１のテストデータに係る符号付き距離の２次元プロット図の一例を示す図である。 第２のテストデータに係る符号付き距離の２次元プロット図の一例を示す図である。 実際のデータの測定値および推定値の一例を示す図である。 実際のデータの測定値および推定値の２次元プロット図の一例を示す図である。 実際のデータに係る符号付き距離の２次元プロット図の一例を示す図である。 判定対象データの測定値、推定値およびバイアス評価指数の一例を示す第１の図である。 判定対象データの測定値、推定値およびバイアス評価指数の一例を示す第２の図である。 実施形態に係る監視処理の一例を示すフローチャートである。

＜実施形態＞
以下、本開示の一実施形態による監視システムについて図１～図１３を参照して説明する。
図１は、実施形態に係る監視システムの一例を示す図である。
図１に示すように監視システム１００は、監視対象装置１と、推定装置２と、監視装置１０と、を含む。監視対象装置１、推定装置２、監視装置１０は、互いに通信可能に接続されている。監視対象装置１は、例えば、発電タービン、圧縮機、ボイラ、製油所などの各種プラント設備である。監視対象装置１には、温度計、圧力計、振動計、流量計、回転計、電流計などの監視対象装置の稼働状況を示す状態量を測定する計器類が設けられている。これらの計器類が測定した、温度、圧力、振動、流量、回転数、電流値などの測定値や、起動、停止、運転負荷などの監視対象装置１の稼働状況を示す各種の信号は、監視対象装置１から推定装置２および監視装置１０へ時々刻々と送信される。各種の測定値、各種の信号をプロセスデータと呼ぶ。推定装置２は、監視対象装置１から各種のプロセスデータを受信し、１つ又は複数のプロセスデータから他のプロセスデータの値を推定する。例えば、推定装置２は、監視対象装置１が正常な状態で運転しているときに収集された各種のプロセスデータを学習データとして機械学習によって訓練された、ある時刻に測定されたプロセスデータ１～Ｎを入力すると、その時刻のプロセスデータＮ＋１の推定値を出力する推定モデル２１を有している。推定装置２は、推定モデル２１によって、監視対象となるプロセスデータの値を推定し、その値を監視装置１０へ送信する。監視装置１０では、推定装置２から取得したプロセスデータのうちの監視対象のパラメータ（例えば、温度）の推定値と、監視対象装置１から取得した監視対象のパラメータの測定値と、に基づいて、監視対象のパラメータが正常か異常かの判定を行う。以下、監視対象のパラメータを判定対象データと呼ぶ。

具体的には、判定対象データの測定値と推定値の差が所定の第１閾値未満であれば、監視装置１０は、判定対象データ又は監視対象装置１が正常であると判定する。また、判定対象データの測定値と推定値のトレンドが似通っている、つまり、測定値と推定値の時系列的な変動の相関性が強ければ、両者に第１閾値以上の差がある場合であっても、監視装置１０は、その差は推定モデル２１のバイアスによるもので必ずしも異常ではない、注意を要する状態であると判定する。また、測定値と推定値の差が第１閾値以上であって、且つ、測定値と推定値の時系列的な変動の相関性が強くない場合には、監視装置１０は、判定対象データ又は監視対象装置１が異常であると判定する。このように、監視装置１０は、判定対象データの測定値と推定値に差がある場合に、その差が、異常を示しているのか、又は、推定モデルに由来する差なのかを判別して、異常の判定を行う。

図１に示すように、監視装置１０は、データ収集部１１と、時系列解析部１２と、異常解析部１３と、記憶部１４と、出力部１５と、を備える。
データ収集部１１は、プロセスデータの測定値を監視対象装置１から取得し、プロセスデータの推定値を推定装置２から取得する。判定対象データの測定値はプロセスデータの測定値に含まれ、判定対象データの推定値はプロセスデータの推定値に含まれている。データ収集部１１は、取得したプロセスデータの測定値および推定値を記憶部１４に書き込んで保存する。

時系列解析部１２は、判定対象データの測定値の時系列的な変動の傾向と判定対象データの推定値の時系列的な変動の傾向との相関性を解析してバイアス評価指数を算出する。バイアス評価指数の算出方法については、後述する。

異常解析部１３は、判定対象データの測定値と推定値の差およびバイアス評価指数に基づいて、判定対象データ又は監視対象装置１が正常、異常および注意を要する状態の何れであるかを判定する。

記憶部１４は、データ収集部１１が取得したプロセスデータの測定値および推定値、異常判定に用いる第１閾値（判定対象データの測定値および推定値の差の判定に用いる閾値）、第２閾値（バイアス評価指数の判定に用いる閾値）などを記憶する。

出力部１５は、異常解析部１３による判定結果を表示装置、電子ファイル等に出力したり、他の装置へ送信したりする。

図２Ａ、図２Ｂに判定対象データの測定値および推定値の一例を示す。図２Ａ、図２Ｂの縦軸は温度（判定対象データ）、横軸は時間である。グラフＬ１（破線）は判定対象データの測定値の推移を表し、グラフＬ２（実線）は判定対象データの推定値の推移を表す。図２Ａでは、グラフＬ１（破線）とグラフＬ２（実線）が示す各時刻における温度の差はほとんど無く正常と判定される。図２Ｂでは、グラフＬ１（破線）とグラフＬ２（実線）が示す各時刻における温度に差があり、この差が第１閾値以上であれば異常と判定されるが、時系列的な変動の傾向は類似している。このような場合、判定対象データの推定値には、推定モデル２１のバイアスの影響が存在すると考えると、測定値と推定値の差は、一概に異常を示しているとは言い切れない。このような現象に対し、時系列解析部１２は、測定値と推定値の差が異常を示しているのか、又は推定モデル２１のバイアスを示しているのかを見極めるために、バイアス評価指数を算出する。バイアス評価指数は、その値が大きければ、測定値と推定値の差は、監視対象装置１の異常を示唆する可能性が高いことを示し、値が小さければ、測定値と推定値の差は、推定モデル２１のバイアスの影響によるものである可能性が高いことを示す。

図３～図５にバイアス評価指数の算出方法を示す。図３の縦軸は測定値、横軸は時間を表している。点Ｐ１１～Ｐ１６は、それぞれ時刻ｔ１～ｔ６における判定対象データの測定値を示している。例えば、時刻ｔ６の後に、バイアス評価指数を算出する場合、時系列解析部１２は、直前に取得された時刻ｔ６のＰ１６を起点データとして、過去に遡って所定個分（図の例では５個）の測定値を任意に選択し、Ｐ１６を起点として選択した各測定値が示す点までの符号付き距離を算出する。ここで、符号付き距離とは、起点データから対象となる測定値に対応する点までの距離にプラス符号（＋１）又はマイナス符号（－１）を乗じた値である。対象とする点の測定値が、起点データの測定値よりも大きければ＋１を乗じ、小さければ－１を乗じる。起点データの測定値と対象とする点の測定値が等しい場合には＋１を乗じる（－１を乗じてもよい。）。例えば、時系列解析部１２は、起点データＰ１６からＰ１２までの距離Ｄ１６２を算出し、Ｐ１２がＰ１６より小さいので－１を乗じて－Ｄ１６２を、起点データＰ１６からＰ１２への符号付き距離として算出する。点Ｐ１１についても同様である。例えば、時系列解析部１２は、起点データＰ１６からＰ１５までの距離Ｄ１６５を算出し、Ｐ１５がＰ１６より大きいので＋１を乗じて＋Ｄ１６５を、起点データＰ１６からＰ１５への符号付き距離として算出する。点Ｐ１３、Ｐ１４についても同様である。時系列解析部１２は、Ｐ１６を起点データとして、選択したＰ１１～Ｐ１５までの符号付き距離を算出し、算出した符号付き距離を、それぞれ時刻ｔ１～ｔ５と対応付けて記憶部１４に書き込んで保存する。

同様にして、時系列解析部１２は、推定値についても、直前に取得された時刻ｔ６における推定値Ｐ２６を起点データとして設定し、測定値のＰ１１～Ｐ１５に対応する時刻ｔ１～ｔ５の推定値Ｐ２１～２５を選択して、符号付き距離を算出する。

図４の縦軸は推定値、横軸は時間を表している。点Ｐ２１～Ｐ２６は、それぞれ時刻ｔ１～ｔ６における判定対象データの推定値を示している。時系列解析部１２は、時刻ｔ６のＰ２６を起点データとして、過去に遡って、測定値について選択した点Ｐ１１～Ｐ１５と同じ時刻の推定値である点Ｐ２１～Ｐ２５を選択し、Ｐ２６を起点として選択した各推定値が示す点までの符号付きの距離を算出する。例えば、時系列解析部１２は、起点データＰ２６とＰ２２の距離Ｄ２６２を算出し、Ｐ２２がＰ２６より小さいので－１を乗じて－Ｄ２２６を、起点データＰ２６からＰ２２への符号付き距離として算出する。点Ｐ２１についても同様である。例えば、時系列解析部１２は、起点データＰ２６とＰ２５の距離Ｄ２６５を算出し、Ｐ２５がＰ２６より大きいので＋１を乗じて＋Ｄ２６５を、起点データＰ２６からＰ２５への符号付き距離として算出する。点Ｐ２３、Ｐ２４についても同様である。時系列解析部１２は、Ｐ２６を起点データとして、選択したＰ２１～Ｐ２５の符号付き距離を算出し、算出した値を記憶部１４に書き込んで保存する。

続いて、時系列解析部１２は、記憶部１４に保存した符号付き距離を用いて、バイアス評価指数を算出する。図５の縦軸は推定値、横軸は測定値を示している。時系列解析部１２は、測定値と推定値の符号付き距離を２次元座標空間にプロットする。例えば、時刻ｔの測定値の符号付き距離が＋５、時刻ｔの推定値の符号付き距離が＋４であれば、時系列解析部１２は、図５の２次元座標空間の座標位置（５、４）に時刻ｔにおける測定値と推定値の関係性を示す点をプロットする。ここで、ある時刻ｔの測定値の符号付き距離と推定値の符号付き距離が同じ値であれば、これらの関係性を示す点は、ｙ＝ｘの直線上にプロットされる。つまり、測定値と推定値が、時系列的に全く同じ変動をしていれば、各時刻における推定値と測定値の差に関係なく、測定値の符号付き距離と推定値の符号付き距離の関係性を表す点は、ｙ＝ｘの直線上にプロットされる。反対に、測定値と推定値の変動の傾向に差があれば、この直線から外れる。図５のＰ３１は、図３のＰ１１と図４のＰ２１の符号付き距離に基づいてプロットした点である。同様に、Ｐ３２、Ｐ３３、Ｐ３４、Ｐ３５はそれぞれ、Ｐ１２とＰ２２、Ｐ１３とＰ２３、Ｐ１４とＰ２４、Ｐ１５とＰ２５の符号付き距離に基づいてプロットした点である。時系列解析部１２は、同時刻の対応する測定値の符号付き距離と推定値の符号付き距離を、記憶部１４から読み出して、２次元座標空間にプロットする。なお、推定値と測定値の座標軸をどちらの方向に取るかについては、任意に設定することができる。

上述の通り、測定値の時系列的な変動の傾向と推定値の時系列的な変動の傾向が同じであれば、Ｐ３１～Ｐ３５はｙ＝ｘ上に乗る。言い換えれば、Ｐ３１～Ｐ３５のｙ＝ｘからの距離（垂線の長さ）が、測定値と推定値の変動の傾向の違いを表す。時系列解析部１２は、Ｐ３１～Ｐ３５のｙ＝ｘからの距離Ｄ３１～Ｄ３５を算出し、算出した距離Ｄ３１～Ｄ３５の平均値を計算する。計算された平均値がバイアス評価指数である。バイアス評価指数が大きい場合は、推定値と測定値の時系列的な変動の傾向に違いがあることを示す。バイアス評価指数の算出方法は、距離Ｄ３１～Ｄ３５の平均値に限定されない。時系列解析部１２は、距離Ｄ３１～Ｄ３５のＲＭＳ（Root Mean Square：二乗平均平方根）を算出して、この値をバイアス評価指数としてもよい。

なお、バイアス評価指数の算出にあたり、起点データから過去に遡って選択するデータのデータ点数は任意であってよい。例えば、発電タービンのように複数のバーナーが存在するような場合、各バーナーについて測定値と推定値のバイアス評価指数を算出するのであれば、１つのバーナーあたりのデータ点数を少なくして計算負荷を低減するようにしてもよい。また、運転員など知見を有する者が、判定対象データの特性に基づいてデータ点数を決定してもよい。例えば、長期の変動の傾向を見る必要がある場合には、比較的多くのデータ点数を選択するようにして長期的な変動に基づいてバイアス評価指数を算出する。短期の変動を見るだけで良い場合には、なるべく少ないデータ点数の符号付き距離を算出し、バイアス評価指数を算出するようにしてもよい。データ点数を適切に設定することで、異常判定するためのデータ点数（測定必要時間）を少なくすることができ、異常判定のために蓄積しなければならない時系列データを少なくすることができる。

また、時系列解析部１２は、次のようにして、バイアス評価指数を算出してもよい。即ち、時系列解析部１２は、図３において、起点データＰ１６からＰ１１～Ｐ１５までの符号付き距離－Ｄ１６１、－Ｄ１６２、＋Ｄ１６３、＋Ｄ１６４、＋Ｄ１６５を算出し、－Ｄ１６１～＋Ｄ１６５を要素とする５次元ベクトルｖ１を生成する。時系列解析部１２は、図４において、起点データＰ２６からＰ２１～Ｐ２５までの符号付き距離－Ｄ２６１、－Ｄ２６２、＋Ｄ２６３、＋Ｄ２６４、＋Ｄ２６５を算出し、－Ｄ２６１～＋Ｄ２６５を要素とする５次元ベクトルｖ２を生成する。そして、時系列解析部１２は、ベクトルｖ１とベクトルｖ２のベクトル距離を算出して、算出したベクトル距離をバイアス評価指数としてもよい。又は、時系列解析部１２は、起点データＰ１６からＰ１１～Ｐ１５までの５つのベクトル、起点データＰ２６からＰ２１～Ｐ２５までの５つのベクトルを生成し、Ｐ１６からＰ１１へのベクトルと、Ｐ２６からＰ２１へのベクトルのベクトル距離を算出し、他の４つのベクトルについても同様に対応する時刻に関するベクトル同士のベクトル距離を算出し、５つのベクトル距離の平均値やＲＭＳを算出して、この値をバイアス評価指数としてもよい。

比較の為、判定対象データの測定値と推定値に変動が無い場合のバイアス評価指数について説明する。図６に、判定対象データの測定値の一例を示す。図７に判定対象データの推定値の一例を示す。測定値と推定値のそれぞれについて、上述したように符号付き距離を計算し、２次元座標空間にプロットすると図８に例示するように、Ｐ３１～Ｐ３５がｙ＝ｘの直線状に乗るような結果となる。この場合のバイアス評価指数は、０に近い値である。

製油所では、短時間では、ほとんどプロセスデータが変化しないことが多い。このような場合に、単純に各時刻の測定値と推定値を、測定値と推定値を座標軸とする２次元座標空間にプロットしても、測定値と推定値の関係性を示す点は概ね１点に集中してしまい、測定値の挙動と、推定データの挙動の相関性を解析することができない。これに対し、本実施形態のバイアス評価指数によれば、起点データからの距離によって、それぞれの測定値や推定値を表すので、たとえ、測定値や推定値に変動が無くても、図８のようにｙ＝ｘの直線上に各時刻の測定値および推定値を展開して表すことができ、ｙ＝ｘからの距離によって、測定値と推定値の時系列的な変動の相関性を解析することができる。

本実施形態のバイアス評価指数についてさらに考察する。図９Ａに第１のテストデータに係る測定値Ｌ３（実線）および推定値Ｌ４（破線）の推移の一例を示す。図９Ｂに第２のテストデータに係る測定値Ｌ３（実線）および推定値Ｌ４（破線）の推移の一例を示す。測定値をＬ３（実線）、推定値をＬ４（破線）とするのは便宜上のことであって、逆であってもよい。図９Ａに示す第１のテストデータの場合、測定値Ｌ３（実線）と推定値Ｌ４（破線）の時系列的な変動の傾向は一致している。これに対し、図９Ｂに示す第２のテストデータの場合、測定値Ｌ３（実線）と推定値Ｌ４（破線）の時系列的な変動の傾向は一致せず、変動部分の波形は同一であっても時間差がある。しかし、図９Ａ、図９Ｂの何れの場合であっても、測定値Ｌ３（実線）および推定値Ｌ４（破線）のデータ群の標準偏差は０．７である。図９Ａに例示する測定値Ｌ３（実線）および推定値Ｌ４（破線）に関して、符号付き距離を算出し、２次元座標空間へプロットすると、図１０Ａに示すようにｙ＝ｘの直線上に乗る。図９Ｂに例示する測定値Ｌ３（実線）および推定値Ｌ４（破線）に関して、符号付き距離を算出し、２次元座標空間へプロットすると、図１０Ｂに示すように若干ではあるが、ｙ＝ｘの直線から外れる点が発生する。これより、図９Ｂの２つのデータは異なる変動の傾向を有することを把握することができる。

図１１Ａに、監視システム１００にて収集された実際の判定対象データの測定値と推定値を示す。グラフＬ１（破線）は測定値の推移を示し、グラフＬ２（実線）は推定値の推移を示す。この判定対象データの場合、測定値と推定値の間に差がみられる。図１１Ｂに、対応する時刻の測定値と推定値を２次元座標空間にプロットした図を示す。図示するように概ね１か所に集中的にプロットされる。この図では、プロットされた点が集中する為、測定値の変動の傾向と推定値の変動の傾向の間にどのような関係があるのかを把握することが難しい。図１１Ｃに、測定値と推定値の符号付き距離を２次元座標空間にプロットした図を示す。図１１Ｃに示すように本実施形態の方法であれば、ｙ＝ｘの直線に沿って各点が分散して配置され、測定値と推定値の関係性はｙ＝ｘの直線からの距離となって表現されるため、両者の関係性を把握しやすい。このように、本実施形態の２次元プロット図によれば、測定値の時系列的な変動と推定値の時系列的な変動の相関性を分かりやすく可視化することができる。また、バイアス評価指数は、図１１Ｃに例示する２次元プロット図に基づいて算出される為、測定値の時系列的な変動と推定値の時系列的な変動の相関性を端的に表すことができる。

図１２Ａ、図１２Ｂに、判定対象データの測定値および推定値と、それぞれについて算出したバイアス評価指数の一例を示す。図１２Ａ、図１２Ｂの縦軸は温度、横軸は時間である。グラフＬ１（破線）は測定値、グラフＬ２（実線）は推定値、グラフＬ５はバイアス評価指数の推移を表す。図１２Ａでは、グラフＬ１（破線）とグラフＬ２（実線）が示す各時刻における温度差はほとんど無く、温度差に関する第１閾値を適切に設定すると正常と判定される。さらに、図１２ＡのグラフＬ１（破線）とグラフＬ２（実線）の時系列的な変動の傾向は概ね一致しており、グラフＬ５を参照すると、バイアス評価指数の値は概ね１５以下で安定している。

図１２Ｂでは、グラフＬ１（破線）とグラフＬ２（実線）の時系列的な変動の傾向は概ね一致しているが、各時刻における温度差が存在し、温度差に関する第１閾値に基づいて判定すると、異常と判定される場合が発生する。バイアス評価指数のグラフＬ５を参照すると、その値は、概ね１５以下であるが上下に変動している。この例の場合、実際には、監視対象装置１に異常は発生しておらず、グラフＬ１（破線）とグラフＬ２（実線）の温度差は推定モデル２１によるものであると推測される。図１２Ａ、図１２Ｂの解析結果から、例えば、バイアス評価指数の値が概ね１５以下に抑えられている状況では、異常は発生していないと評価される。例えば、バイアス評価指数の第２閾値を１５に設定することによって、測定値と推定値に差がある場合に、その差が異常を示しているのか、推定モデル２１のバイアスに由来する差なのかを判別して異常判定を行うことができる。

なお、第２閾値については、ユーザが、所定期間に算出されたバイアス評価指数の標準偏差から、何σの変動があるかをみて設定してもよい。例えば、平均値と標準偏差に基づいて第２閾値を設定してよい。一例として、第２閾値を、所定期間におけるバイアス評価指数の平均値＋３σとしてもよい。あるいは、時系列解析部１２が、第２閾値を、所定期間におけるバイアス評価指数の平均値＋３σとして設定し、その値を記憶部１４に保存してもよい。

（動作）
次に図１３を参照して、本実施形態の監視処理について説明する。
図１３は、実施形態に係る監視処理の一例を示すフローチャートである。
データ収集部１１が、ある時刻ｔの判定対象データの測定値と推定値を取得する（ステップＳ１）。データ収集部１１は、監視対象装置１から、時刻ｔに測定された判定対象データの測定値（以下、時刻ｔの測定値のように記載する。）を取得し、推定装置２からは、時刻ｔに測定等された所定のプロセスデータと推定モデル２１とに基づいて推定された判定対象データの推定値（以下、時刻ｔの推定値のように記載する。）を取得する。データ収集部１１は、取得した測定値と推定値を記憶部１４に書き込んで保存する。次に異常解析部１３が、時刻ｔの測定値と推定値を記憶部１４から読み出して取得し、測定値と推定値の差を算出する（ステップＳ２）。異常解析部１３は、算出した差が、第１閾値未満かどうかを判定する（ステップＳ３）。測定値と推定値の差が第１閾値未満の場合（ステップＳ３；Ｙｅｓ）、異常解析部１３は、判定対象データ又は監視対象装置１が正常であると判定する（ステップＳ１０）。出力部１５は、監視対象装置１が正常な状態であることを表示装置に出力する。

測定値と推定値の差が第１閾値以上の場合（ステップＳ３；Ｎｏ）、時系列解析部１２が、符号付き距離を算出する（ステップＳ４）。時系列解析部１２は、記憶部１４に保存された時刻ｔより過去の判定対象データの測定値の中から所定個（例えばｎ個）を選択し、時刻ｔの測定値を起点データとして、選択した所定個の測定値までの符号付き距離をそれぞれ算出する。所定個の測定値が測定された時刻をそれぞれ時刻ｔ１～ｔｎのように表すと、時系列解析部１２は、記憶部１４に保存された判定対象データの推定値の中から、時刻ｔ１～ｔｎの推定値を選択し、時刻ｔの推定値を起点データとして、選択したｎ個の推定値までの符号付き距離をそれぞれ算出する。

時系列解析部１２は、ステップＳ４で算出した測定値と推定値の符号付き距離を２次元座標空間にプロットする（ステップＳ５）。例えば、時系列解析部１２は、縦軸（Ｙ軸）を推定値、横軸（Ｘ軸）を測定値とする２次元座標空間の（時刻ｔの起点データから時刻ｔ１の測定値までの符号付き距離、時刻ｔの起点データから時刻ｔ１の推定値までの符号付き距離）で表される座標位置に時刻ｔ１に関する点をプロットし、他の時刻ｔ２～ｔｎについても同様にプロットする。これにより、図１１Ｃ等に例示するような２次元プロット図が算出される。次に時系列解析部１２は、バイアス評価指数を算出する（ステップＳ６）。例えば、時系列解析部１２は、２次元座標空間にプロットした各点とｙ＝ｘの直線までの距離を算出して、それらの平均値やＲＭＳを算出することにより、バイアス評価指数を算出する。あるいは、時系列解析部１２は、測定値の起点データから選択したｎ個の測定値へのベクトルと、推定値の起点データから選択したｎ個の推定値へのベクトルとを生成し、対応するベクトル（それぞれの起点データから同じ時刻の測定値又は推定値へのベクトル）同士のベクトル距離を算出することによって、バイアス評価指数を算出する。時系列解析部１２は、算出したバイアス評価指数を記憶部１４に書き込んで保存する。

次に異常解析部１３は、バイアス評価指数が、バイアス評価指数判定用の第２閾値以上かどうかを判定する（ステップＳ７）。異常解析部１３は、時系列解析部１２によって算出されたバイアス評価指数と第２閾値を記憶部１４から読み込んで、両者を比較し判定を行う。バイアス評価指数が、第２閾値以上の場合（ステップＳ７；Ｙｅｓ）、つまり、時刻ｔの測定値と推定値の差が第１閾値以上であって、時刻ｔの測定値と推定値について算出したバイアス評価指数が第２閾値以上の場合、異常解析部１３は、判定対象データ又は監視対象装置１が異常であると判定する。出力部１５は、監視対象装置１にて異常と判定されたことを表示装置に出力する。

バイアス評価指数が、第２閾値未満の場合（ステップＳ７；Ｎｏ）、つまり、時刻ｔの測定値と推定値の差が第１閾値以上であって、時刻ｔの測定値と推定値について算出したバイアス評価指数が第２閾値未満の場合、判定対象データ又は監視対象装置１は注意を要する状態であると判定する。ここで注意を要する状態とは、測定値と推定値の時系列的な変動の傾向は概ね一致しているので測定値と推定値の差は推定モデル２１によるものであって、おそらく異常ではないが、推定モデル２１を用いた判定結果の信頼度が十分でない可能性がある（例えば、経年変化などにより、推定モデル２１を構築したときの監視対象装置１と現在の監視対象装置１の特性に乖離がある。）ことを意味している。出力部１５は、監視対象装置１にて注意を要する状態と判定されたことを表示装置に出力する。

上記説明したように、本実施形態によれば、監視対象のパラメータの推定値と測定値の差に基づいて異常を判定する手法において、測定値と推定値に差がある場合に、その差が、監視対象の異常を示しているのか、又は、推定モデルに由来する差なのかを判別して、異常判定を行うことができる。

監視装置１０における各処理の過程は、例えば監視装置１０が有するＣＰＵ（Central Processing Unit）等のプロセッサがプログラムを実行することによって実現できる。監視装置１０によって実行されるプログラムは、コンピュータが読み取り可能な記録媒体に記録され、この記録媒体に記録されたプログラムを読み出して実行することによって実現してもよい。なお、監視装置１０は、ＯＳ（Operating System）や周辺機器等のハードウェアを含むものとする。また、コンピュータが読み取り可能な記録媒体は、例えば、フレキシブルディスク、光磁気ディスク、ＲＯＭ（Read Only Memory）、ＣＤ－ＲＯＭ（Compact Disk Read Only Memory）等の可搬媒体、監視装置１０に内蔵されるハードディスク等の記憶装置である。また、コンピュータが読み取り可能な記録媒体には、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含んでもよい。また上記プログラムは、前述した機能の一部を実現するためのものであってもよく、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよい。

その他、本発明の趣旨を逸脱しない範囲で、上記した実施の形態における構成要素を周知の構成要素に置き換えることは適宜可能である。また、この発明の技術範囲は上記の実施形態に限られるものではなく、本発明の趣旨を逸脱しない範囲において種々の変更を加えることが可能である。
図３を参照して説明した測定値に関する符号付き距離や、起点データＰ１６からＰ１１～Ｐ１５までの符号付き距離を要素とするベクトル、起点データＰ１６からＰ１１～Ｐ１５までの５つのベクトルは、「前記測定値グラフにおける前記所定の時刻よりも過去の複数の時刻における前記測定値それぞれと前記第１の起点データとの位置関係に基づく量」の一例である。図４を参照して説明した推定値に関する符号付き距離や、起点データＰ２６からＰ２１～Ｐ２５までの符号付き距離を要素とするベクトル、起点データＰ２６からＰ２１～Ｐ２５までの５つのベクトルは、「前記推定値グラフにおける前記過去の複数の時刻における前記推定値それぞれと前記第２の起点データとの位置関係に基づく量」の一例である。これらの値を用いて前記バイアス評価指数を計算してもよい。

１・・・監視対象装置
２・・・推定装置
１０・・・監視装置
１１・・・データ収集部
１２・・・時系列解析部
１３・・・、異常解析部
１４・・・記憶部
１５・・・出力部
１００・・・監視システム

Claims (10)

1. プロセッサを備え、
   前記プロセッサが、
   監視対象装置の稼働状況を示すパラメータの時系列の測定値および推定値を収集し、
   前記測定値と前記推定値の差を計算し、
   前記測定値の変動と前記推定値の変動の相関性を示すバイアス評価指数を算出し、
   前記差と前記バイアス評価指数とに基づいて前記監視対象装置の状態を判定する処理、
   を実行する監視装置。
2. 前記プロセッサは、前記バイアス評価指数を算出する処理において、
   時系列の前記測定値を、一方の軸を時間、他方の軸を前記測定値とした測定値グラフに表し、時系列の前記推定値を、一方の軸を時間、他方の軸を前記推定値とした推定値グラフに表し、前記測定値グラフにおける所定の時刻の前記測定値を第１の起点データ、前記推定値グラフにおける前記所定の時刻の前記推定値を第２の起点データとして決定し、
   前記測定値グラフにおける前記所定の時刻よりも過去の複数の時刻における前記測定値それぞれと前記第１の起点データとの位置関係に基づく量と、前記推定値グラフにおける前記過去の複数の時刻における前記推定値それぞれと前記第２の起点データとの位置関係に基づく量と、を用いて前記バイアス評価指数を計算する、
   請求項１に記載の監視装置。
3. 前記プロセッサは、前記バイアス評価指数を算出する処理において、
   前記測定値グラフにおいて、前記第１の起点データから前記過去の複数の時刻における前記測定値までの距離をそれぞれ計算し、前記複数の時刻それぞれの前記測定値について、当該測定値が前記第１の起点データより大きい場合は当該測定値に係る前記距離にプラス１を乗じ、小さい場合は当該測定値に係る前記距離にマイナス１を乗じ、等しい場合にはプラス１又はマイナス１を乗じて前記複数の時刻の前記測定値ごとに符合付き距離を計算し、
   前記推定値グラフにおいて、前記第２の起点データから前記過去の複数の時刻における前記推定値までの距離をそれぞれ計算し、前記複数の時刻それぞれの前記推定値について、当該推定値が前記第２の起点データより大きい場合は当該推定値に係る前記距離にプラス１を乗じ、小さい場合は当該推定値に係る前記距離にマイナス１を乗じ、等しい場合にはプラス１又はマイナス１を乗じて前記複数の時刻の前記推定値ごとに符合付き距離を計算し、
   ある時刻の前記測定値の前記符合付き距離を、ｘ軸ｙ軸で規定される２次元座標空間の一方の軸の座標、前記ある時刻における前記推定値の前記符合付き距離を他方の軸の座標として、同じ時刻の前記測定値の前記符合付き距離および前記推定値の前記符合付き距離を前記２次元座標空間にプロットする処理を、前記複数の時刻に係る前記測定値の前記符合付き距離および前記推定値の前記符合付き距離のそれぞれについて実行し、プロットされた各点からｙ＝ｘを示す直線までの距離の平均値又は二乗平均平方根を、前記測定値の変動と前記推定値の変動の相関性を示すバイアス評価指数として計算する、
   請求項２に記載の監視装置。
4. 前記プロセッサは、前記バイアス評価指数を算出する処理において、
   前記第１の起点データから前記過去の複数の時刻における前記測定値への第１のベクトルを算出し、
   前記第２の起点データから前記過去の複数の時刻における前記推定値への第２のベクトルを算出し、
   前記第１のベクトルと前記第２のベクトルのベクトル距離の平均値又は二乗平均平方根を、前記測定値の変動と前記推定値の変動の相関性を示すバイアス評価指数として計算する、
   請求項２に記載の監視装置。
5. 前記プロセッサは、
   前記測定値と前記推定値の差が第１閾値以上で、かつ前記バイアス評価指数が第２閾値以上の場合に、異常と判定する、
   請求項１から請求項４の何れか１項に記載の監視装置。
6. 前記プロセッサは、
   前記測定値と前記推定値の差が第１閾値以上で、かつ前記バイアス評価指数が第２閾値未満の場合に、注意を要する状態にあると判定する、
   請求項１から請求項５の何れか１項に記載の監視装置。
7. 前記プロセッサは、
   前記第２閾値を、前記バイアス評価指数の平均値および標準偏差に基づいて設定する、
   請求項５または請求項６に記載の監視装置。
8. 前記プロセッサは、
   前記測定値と前記推定値の差が第１閾値未満の場合に、正常と判定する、
   請求項１から請求項７の何れか１項に記載の監視装置。
9. 監視対象装置の稼働状況を示すパラメータの時系列の測定値および推定値を収集し、
   前記測定値と前記推定値の差を計算し、
   前記測定値の変動と前記推定値の変動の相関性を示すバイアス評価指数を算出し、
   前記差と前記バイアス評価指数とに基づいて前記監視対象装置の状態を判定する、
   監視方法。
10. コンピュータに、
    監視対象装置の稼働状況を示すパラメータの時系列の測定値および推定値を収集し、
    前記測定値と前記推定値の差を計算し、
    前記測定値の変動と前記推定値の変動の相関性を示すバイアス評価指数を算出し、
    前記差と前記バイアス評価指数とに基づいて前記監視対象装置の状態を判定する処理、
    を実行させるプログラム。

Images