JP2023141677A - 監視装置、監視方法およびプログラム - Google Patents
監視装置、監視方法およびプログラム Download PDFInfo
- Publication number
- JP2023141677A JP2023141677A JP2022048123A JP2022048123A JP2023141677A JP 2023141677 A JP2023141677 A JP 2023141677A JP 2022048123 A JP2022048123 A JP 2022048123A JP 2022048123 A JP2022048123 A JP 2022048123A JP 2023141677 A JP2023141677 A JP 2023141677A
- Authority
- JP
- Japan
- Prior art keywords
- value
- estimated
- measured
- evaluation index
- estimated value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012806 monitoring device Methods 0.000 title claims abstract description 30
- 238000012544 monitoring process Methods 0.000 title claims abstract description 20
- 238000011156 evaluation Methods 0.000 claims abstract description 74
- 230000008569 process Effects 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 25
- 238000005259 measurement Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 230000005856 abnormality Effects 0.000 abstract description 37
- 238000012545 processing Methods 0.000 abstract description 4
- 238000012731 temporal analysis Methods 0.000 description 35
- 238000000700 time series analysis Methods 0.000 description 35
- 238000010586 diagram Methods 0.000 description 25
- 238000004458 analytical method Methods 0.000 description 11
- 238000013480 data collection Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
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。
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>
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。
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。
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。
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。
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
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)
- 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022048123A JP2023141677A (ja) | 2022-03-24 | 2022-03-24 | 監視装置、監視方法およびプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022048123A JP2023141677A (ja) | 2022-03-24 | 2022-03-24 | 監視装置、監視方法およびプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2023141677A true JP2023141677A (ja) | 2023-10-05 |
Family
ID=88206715
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022048123A Pending JP2023141677A (ja) | 2022-03-24 | 2022-03-24 | 監視装置、監視方法およびプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2023141677A (ja) |
-
2022
- 2022-03-24 JP JP2022048123A patent/JP2023141677A/ja active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10747188B2 (en) | Information processing apparatus, information processing method, and, recording medium | |
JP4046309B2 (ja) | プラント監視装置 | |
JP6183450B2 (ja) | システム分析装置、及び、システム分析方法 | |
JP2017194341A (ja) | 異常診断方法、異常診断装置、及び異常診断プログラム | |
JP2014228887A (ja) | 稼働データ分析装置およびその方法、ならびにプログラム | |
JP5669553B2 (ja) | 異常検知装置、異常検知方法及び異常検知プログラム | |
JP2017130100A (ja) | 情報処理装置、情報処理方法、及び、プログラム | |
JP2018163645A (ja) | 故障診断装置、監視装置、故障診断方法、および故障診断プログラム | |
US20230280240A1 (en) | Abnormality diagnosis device and abnormality diagnosis method | |
CN114065627A (zh) | 温度异常检测方法、装置、电子设备和介质 | |
JP7226424B2 (ja) | 異常温度検知装置、異常温度検知方法、及び異常温度検知プログラム | |
CN110462538B (zh) | 信息处理装置、信息处理方法以及存储介质 | |
EP3999983B1 (en) | Time-series data condensation and graphical signature analysis | |
JP2023141677A (ja) | 監視装置、監視方法およびプログラム | |
US10845792B2 (en) | Failure diagnosis apparatus, monitoring apparatus, failure diagnosis method and recording medium | |
JPWO2019026193A1 (ja) | 情報処理装置、情報処理システム、情報処理方法、及び、プログラム | |
US10866163B2 (en) | Anomaly monitoring device and method for producing anomaly signs according to combinations of sensors based on relationship of sensor fluctuations | |
WO2022113501A1 (ja) | 異常検知システム、異常検知方法およびプログラム | |
JP2014074659A (ja) | 異常検出前処理装置および方法ならびにプログラム、それを備えた異常検出装置 | |
WO2021140942A1 (ja) | 診断装置、診断方法およびプログラム | |
JP2023141679A (ja) | モデル再学習判定装置、モデル再学習判定方法およびプログラム | |
JP2018190049A (ja) | 表示装置、表示方法及びプログラム | |
JP6459345B2 (ja) | 変動データ管理システム及びその特異性検出方法 | |
JP6222721B1 (ja) | 信号処理装置、タービンシステム、信号処理方法及びプログラム | |
WO2021229815A1 (ja) | 情報処理装置、評価方法、および評価プログラム |