JP2024028148A - 異常監視方法及び異常監視装置 - Google Patents

Abstract

【課題】モデル更新が必要な場合に根拠を示し、自動的なモデル更新も可能にする異常監視方法及び異常監視装置が提供される。【解決手段】異常監視方法は、モデルを用いてプロセスの異常を監視する異常監視方法であって、過去の正常操業時である第１の評価期間における操業データ及び観測値を含む第１の操業実績データと、現在又は現在直近を含む第２の評価期間における操業データ及び観測値を含む第２の操業実績データと、を取得する取得ステップ（Ｓ２）と、第１の操業実績データ、第２の操業実績データ及びモデルを用いて、予測値又は異常度について、第１の評価期間と第２の評価期間での分布の違いを示すドリフト量を算出し、ドリフト量に基づいて影響の度合いを示す影響度を算出する影響度算出ステップ（Ｓ７）と、影響度に基づいて、予測誤差の要因を特定する要因特定ステップ（Ｓ８）と、を含む。【選択図】図２

Description

本開示は、異常監視方法及び異常監視装置に関する。本開示は、特に製造プロセスの状態を監視して、予測値が異常になった場合又は異常度が高い場合に要因を提示し、予測モデル又は異常検知モデルを改善する異常監視方法及び異常監視装置に関する。

従来、製造プロセスなどで異常状態を診断する方法が提案されている。従来のプロセス操業監視は、例えば特許文献１及び特許文献２のように、予測モデルを構築し、予測モデルによる予測と現在の状態との誤差を逸脱度として評価するものである。

特開２０１０－０４９３５９号公報 国際公開第２０１８／２３５８０７号

ここで、製造プロセスなどの異常検知を行う場合には、上記のように、正常な状態を学習して予測モデルを作成し、逸脱具合から異常と診断することが一般に行われる。しかし、製造プロセスなどの状態が正常であるが、設備の変更（例えばメンテナンス及び修理など）があった場合に、学習した正常状態から逸脱していると診断する問題が生じている。設備の変更によってプロセスの状態変化が生じた場合に、直ちに予測モデルを更新する対応があり得る。しかし、人間がモデルを管理する場合に、プロセスの状態変化に直ちに対応できず、更新するタイミングが難しいという課題がある。また、モデルの精度をもとに、システムにおいて自動でモデルを更新する方法も提案されているが、モデル更新の根拠がブラックボックスとなるため、モデルの信頼性が低下する問題も生じる。

以上の問題を解決すべくなされた本開示の目的は、モデル更新が必要な場合に根拠を示し、自動的なモデル更新も可能にする異常監視方法及び異常監視装置を提供することにある。

（１）本開示の一実施形態に係る異常監視方法は、
モデルを用いてプロセスの異常を監視する異常監視方法であって、
過去の正常操業時である第１の評価期間における操業データ及び観測値を含む第１の操業実績データと、現在又は現在直近を含む第２の評価期間における前記操業データ及び前記観測値を含む第２の操業実績データと、を取得する取得ステップと、
前記第１の操業実績データ、前記第２の操業実績データ及び前記モデルを用いて、予測値又は異常度について、前記第１の評価期間と前記第２の評価期間での分布の違いを示すドリフト量を算出し、前記ドリフト量に基づいて影響の度合いを示す影響度を算出する影響度算出ステップと、
前記影響度に基づいて、予測誤差の要因を特定する要因特定ステップと、を含む。

（２）本開示の一実施形態として、（１）において、
前記影響度が所定の閾値以上の場合に、前記モデルの再構築を実施するモデル再構築ステップを含む。

（３）本開示の一実施形態として、（２）において、
影響度算出ステップは正規化された前記影響度を算出し、前記所定の閾値は１つである。

（４）本開示の一実施形態として、（２）又は（３）において、
前記モデル再構築ステップは、
前記第２の操業実績データが前記モデルの再構築が可能な数のデータを含む場合に、前記モデルの再構築を実施し、
前記第２の操業実績データが前記モデルの再構築が可能な数のデータを含まない場合に、前記モデルの継続使用を中断する。

（５）本開示の一実施形態として、（２）から（４）のいずれかにおいて、
前記モデル再構築ステップは、
前記影響度が所定の閾値以上であって、かつ、操業異常でないことを示す情報を取得した場合に、前記モデルの再構築を実施する。

（６）本開示の一実施形態として、（１）から（５）のいずれかにおいて、
前記モデルは、操業データを説明変数とし、プロセスの状態を示す状態量の観測値を目的変数とする予測モデルである。

（７）本開示の一実施形態として、（６）において、
前記モデルが重回帰モデルであって、前記影響度は、前記重回帰モデルの回帰係数である重要度及び前記ドリフト量に基づいて算出される。

（８）本開示の一実施形態として、（１）から（５）のいずれかにおいて、
前記モデルは、異常検知を行う異常検知モデルである。

（９）本開示の一実施形態として、（１）から（８）のいずれかにおいて、
イベント情報を取得するステップを含み、
前記影響度算出ステップは、前記ドリフト量及び前記イベント情報に基づいて前記影響度を算出する。

（１０）本開示の一実施形態として、（１）から（９）のいずれかにおいて、
前記第１の評価期間及び前記第２の評価期間は変化点検出の手法によって設定される。

（１１）本開示の一実施形態に係る異常監視装置は、
モデルを用いてプロセスの異常を監視する異常監視装置であって、
過去の正常操業時である第１の評価期間における操業データ及び観測値を含む第１の操業実績データと、現在又は現在直近を含む第２の評価期間における前記操業データ及び前記観測値を含む第２の操業実績データと、を取得する取得部と、
前記第１の操業実績データ、前記第２の操業実績データ及び前記モデルを用いて、予測値又は異常度について、前記第１の評価期間と前記第２の評価期間での分布の違いを示すドリフト量を算出し、前記ドリフト量に基づいて影響の度合いを示す影響度を算出する影響度算出部と、
前記影響度に基づいて、予測誤差の要因を特定する要因特定部と、を備える。

本開示によれば、モデル更新が必要な場合に根拠を示し、自動的なモデル更新も可能にする異常監視方法及び異常監視装置を提供することができる。

図１は、一実施形態に係る異常監視装置の構成例を示す図である。 図２は、一実施形態に係る異常監視方法を例示するフローチャートである。 図３は、実施例の操業実績データの分布を示す図である。 図４は、実施例の予測誤差を示す図である。 図５は、実施例の長期間におけるデータ変動を示す図である。 図６は、イベント情報の例を示す図である。 図７は、異常スコアの推移例を示す図である。 図８は、要因の表示例を示す図である。

以下、図面を参照して本開示の一実施形態に係る異常監視方法及び異常監視装置が説明される。

（異常監視装置）
図１は本実施形態に係る異常監視装置１０の構成例を示す図である。異常監視装置１０は、通信部１１と、記憶部１２と、制御部１３と、表示部１４と、を備える。制御部１３は、期間設定部２１と、取得部２２と、影響度算出部２３と、要因特定部２４と、モデル再構築部２５と、を備える。異常監視装置１０の各構成要素の詳細については後述する。

異常監視装置１０はプロセスの異常を監視する。本実施形態において、プロセスとは製造プロセスであって、具体的には鉄鋼業の連続鋳造プロセスであるが、これに限定されない。異常監視装置１０は、例えば各種工業製品の製造における加熱、冷却、成形などのプロセスの異常監視に使用され得る。

異常監視装置１０が用いられるプロセスでは、モデルを用いて操業状態の監視が行われる。モデルは、操業状態の監視するものであれば限定されないが、例えば予測値を出力する予測モデル及び異常検知を行う異常検知モデルを含む。異常検知モデルは例えばＰＣＡ（主成分分析）の手法によって異常度（異常スコア）を算出可能にするモデルである。以下の説明において特に明記しない限り、モデルは操業データを説明変数とし、プロセスの状態を示す状態量の観測値を目的変数とする予測モデルであるとして説明する。ただし、モデルは異常検知モデルであってよく、以下の「予測モデル」を「異常検知モデル」に、「予測値」を「異常度」に置き換えることによって、異常検知モデルでの実施形態の説明となる。操業データは、プロセスの操業において測定されるデータであって、特定のものに限定されない。また、プロセスの状態を示す状態量の観測値は、例えばオペレータによるプロセスの正常操業の確認などのために観測されるデータであって、観測可能なものであれば特に限定されない。また、状態量は物理量であるが、特定のものに限定されない。プロセスの状態を示す状態量の観測値は、例えば操業データの一部のデータであってよいし、例えば操業データと同種類の物理量であってよいし、例えば操業データと全く異なる測定値であってよい。例えば連続鋳造プロセスにおいて複数のモータによってスラブが搬送される場合に、特定のモータの電流値が上記の観測値に設定されてよい。また、特定のモータと連携して動作する他のモータの電流値が上記の操業データとして測定されてよい。そして、操業データから観測値を予測する予測モデルが生成されており、連続鋳造プロセスの操業において、予測モデルの予測値に基づいて操業パラメータ（設備の設定値）などが調整されてよい。

本実施形態において、異常監視装置１０は、連続鋳造プロセスを管理するプロセスコンピュータを含む上位システムと通信して、上位システムが記憶装置に記憶している、操業データ及び観測値を含む操業実績データ並びに予測モデルなどを取得する。別の例として、異常監視装置１０はプロセスコンピュータ又は上位システムの一部であってよい。

以下、異常監視装置１０の各構成要素の詳細が説明される。通信部１１は、有線又は無線により通信する機能を有する。通信部１１は、プロセスコンピュータ又は上位システムに対して、必要なデータ及び信号を送受信する。例えば、異常監視装置１０は、通信部１１によって、特定の期間における操業実績データを要求する信号を送信してよいし、操業実績データを受信してよい。通信部１１によって行われる通信方式は、有線通信規格であってよいし、無線通信規格であってよい。例えば無線通信規格は５Ｇ（５ｔｈ Ｇｅｎｅｒａｔｉｏｎ）等のセルラーフォンの通信規格を含んでよい。また、例えば無線通信規格は、ＩＥＥＥ８０２．１１等を含んでよい。通信部１１は、これらの通信規格の１つ又は複数をサポートすることができる。

記憶部１２は、各種の情報を記憶する機能を有してよい。記憶部１２は、例えば制御部１３において実行されるプログラム、制御部１３において実行される処理で用いられるデータ及び処理の結果などを記憶してよい。記憶部１２は、例えば半導体メモリ等により構成することができるが、これに限定されず、任意の記憶装置とすることができる。例えば、記憶部１２は制御部１３として用いられるプロセッサの内部メモリであってよいし、制御部１３からアクセス可能なハードディスクドライブ（ＨＤＤ）であってよい。本実施形態において、記憶部１２は、制御部１３において実行される処理で用いられるデータとして、操業実績データ及び予測モデルなどを記憶してよい。

制御部１３は、異常監視装置１０を構成する各機能部及び異常監視装置１０の全体を制御及び管理する。制御部１３は、種々の機能を制御及び管理するために、例えばＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）のような少なくとも１つのプロセッサを含んで構成される。制御部１３は、１つのプロセッサで構成されてよいし、複数のプロセッサで構成されてよい。制御部１３を構成するプロセッサは、記憶部１２からプログラムを読みだして実行することによって、期間設定部２１、取得部２２、影響度算出部２３、要因特定部２４及びモデル再構築部２５として機能してよい。

期間設定部２１は２つの評価期間を設定する。期間設定部２１は、過去の正常操業時である第１の評価期間と、現在又は現在直近を含む第２の評価期間とを設定する。正常操業時とは、プロセスの操業が正常に行われており、予測モデルが要求される精度で正確な予測値を算出可能な状態であることを意味する。第２の評価期間は、第１の評価期間よりも後の期間であって、一部が重複していてよい。第１の評価期間と第２の評価期間とは、修理、交換、メンテナンス又は実稼働の開始などのプロセスで用いられる設備に関するイベントが生じた前後で設定されてよい。設備に関するイベントは、定期的な管理のための一定期間の空白（不稼働期間）を含んでよい。また、第１の評価期間と第２の評価期間とは同じ長さの期間でなくてよい。例えば第１の評価期間が第２の評価期間より長くてよいし、短くてよい。

取得部２２は、第１の評価期間における操業データ及び観測値を含む第１の操業実績データと、第２の評価期間における操業データ及び観測値を含む第２の操業実績データと、を取得する。異常監視装置１０がプロセスコンピュータ又は上位システムの一部でない場合に、取得部２２は、上位システムから予測モデルも取得する。ここで、第１の操業実績データと第２の操業実績データとを区別しない場合に、これらをまとめて、操業実績データと称することがある。一例として、操業実績データは、ピンチロールを駆動するモータの電流値の時系列データとして取得されてよい。取得部２２は、取得した操業実績データ及び予測モデルを記憶部１２に記憶させてよい。そして、記憶部１２に記憶された操業実績データ及び予測モデルは、影響度算出部２３、要因特定部２４及びモデル再構築部２５によって読みだされてよい。

影響度算出部２３は、第１の操業実績データ、第２の操業実績データ及び予測モデルを用いて、説明変数、目的変数及び予測値について、第１の評価期間と第２の評価期間での分布の違いを示すドリフト量を算出する。また、影響度算出部２３は、説明変数及び目的変数について、ドリフト量に基づいて影響の度合いを示す影響度を算出する。

ここで、説明変数であるｘ_１、ｘ_２及びｘ_３を用いて、目的変数であるｙを予測する予測モデルを例に、ドリフト量及び影響度が具体的に説明される。ただし、説明変数の数は限定されるものでなく、一例として、説明変数が３つである場合を説明する。表２は、以下の説明で用いられる記号を示すものである。例えばＤ_ｙｐは、予測値であるｙ_ｐ又は予測誤差のドリフト量である。ここで、予測誤差は、予測値と観測値（目的変数の実測値）との差の絶対値であって｜ｙ_ｐ－ｙ｜で算出される。

影響度算出部２３は、第１の評価期間及び第２の評価期間のそれぞれについて、第１の操業実績データの操業データ（説明変数）、第２の操業実績データの操業データ（説明変数）及び予測モデルを用いて、予測値（ｙ_ｐ）を算出する。以下、第１の評価期間を「Ｔ１」、第２の評価期間を「Ｔ２」と称することがある。また、本実施形態において、影響度算出部２３は、Ｔ１及びＴ２のそれぞれにおける予測誤差（｜ｙ_ｐ－ｙ｜）をさらに算出する。

影響度算出部２３は、説明変数（ｘ_１、ｘ_２、ｘ_３）、目的変数（ｙ）、予測誤差（｜ｙ_ｐ－ｙ｜）のそれぞれについて、Ｔ１とＴ２での分布の違いを示すドリフト量を算出する。ドリフト量の算出には、具体的な計算方法として、ＪＳ情報量（Ｊｅｎｓｅｎ－Ｓｈａｎｎｏｎ ｄｉｖｅｒｇｅｎｃｅ）又はＫＬ情報量が用いられてよい。また、ドリフト量の算出には、別の計算方法として、Ｈｉｓｔｇｒａｍ Ｉｎｔｅｒｓｅｃｔｉｏｎ、Ｌ１ノルム、Ｌ２ノルム、Ｐｏｐｕｌａｔｉｏｎ Ｓｔａｂｉｌｉｔｙ Ｉｎｄｅｘ、Ｗａｓｓｅｒｓｔｅｉｎ ｄｉｓｔａｎｃｅなどが用いられてよい。ドリフト量によって、説明変数、目的変数及び予測誤差のそれぞれの分布に関するＴ１とＴ２での差異が示される。

また、影響度算出部２３は、説明変数（ｘ_１、ｘ_２、ｘ_３）及び目的変数（ｙ）の重要度を取得する。重要度の算出方法は予測モデルによって異なる。例えば、同水準の値又は正準化した値を用いて作成された重回帰モデルであれば、回帰係数を対応する説明変数の重要度と扱うことができる。つまり、予測モデルが下記の式（１）で示される重回帰モデルであれば、説明変数であるｘ_１、ｘ_２、ｘ_３に対応する重要度はそれぞれ回帰係数のａ_１、ａ_２、ａ_３である。また、このような重回帰モデルであれば、目的変数の重要度を「１」とすることができる。

ここで、予測モデルは重回帰モデルに限定されない。例えば予測モデルは機械学習モデルであってよい。予測モデルが機械学習モデルである場合に、例えばＳＨＡＰ（ＳＨａｐｌｅｙ Ａｄｄｉｔｉｖｅ ｅｘＰｌａｎａｔｉｏｎｓ）などの手法によって、予測結果に対する各説明変数の寄与を計算することができる。このように、影響度算出部２３は、予測モデルに応じた算出方法によって、説明変数（ｘ_１、ｘ_２、ｘ_３）及び目的変数（ｙ）の重要度を取得する。

影響度算出部２３は、説明変数（ｘ_１、ｘ_２、ｘ_３）及び目的変数（ｙ）について、ドリフト量に基づいて影響の度合いを示す影響度を算出する。影響度は、具体的にはドリフト量と重要度とを用いて、例えば式（２）～式（５）によって計算される。

ここで、式（２）～式（５）のパラメータは表１の通りである。影響度はドリフト量と重要度を用いた演算であれば式（２）～式（５）に限られず、例えば後述するイベント情報（イベントの重要度）を含む演算で求められてよい。式（２）～式（５）の別の例として、影響度の算出は、予測誤差のドリフト量（Ｄ_ｙｐ）で割ることを省略した式を用いてよい。ただし、予測誤差のドリフト量（Ｄ_ｙｐ）で割ることによって、Ｔ１及びＴ２の期間設定によらず、影響度を比較可能なように正規化することができる。後述するように、少なくとも１つの影響度が所定の閾値以上である場合に予測モデルの再構築が実施されるが、正規化によって所定の閾値を１つだけ設定して、同じ基準で予測モデルの再構築の要否を判定することができる。よって、影響度算出部２３は、正規化された影響度を算出することが好ましい。影響度算出部２３は、算出したドリフト量及び影響度を記憶部１２に記憶させてよい。

要因特定部２４は、影響度に基づいて、予測誤差の要因を特定する。要因特定部２４は、影響度を、影響度算出部２３から直接的に取得してよいし、記憶部１２経由で取得してよい。要因特定部２４は、具体的には影響度を高い順にソートして（並び替えを行って）、上位の影響度が高い説明変数を予測誤差の要因として特定してよい。また、影響度が高いものに目的変数が含まれる場合に、要因特定部２４は、予測モデル自体がプロセスの現在の操業に合わなくなったことが予測誤差の要因であると特定してよい。要因特定部２４は、高い順にソートした影響度を表示部１４に出力して表示させてよい。要因特定部２４は、特定した予測誤差の要因も表示部１４に出力して表示させてよい。

モデル再構築部２５は、影響度が所定の閾値以上の場合に、予測モデルの再構築を実施する。上記のように複数の説明変数及び目的変数について影響度が算出されるが、モデル再構築部２５は、少なくとも１つの影響度が所定の閾値以上である場合に予測モデルの再構築を実施する。また、影響度算出部２３によって正規化された影響度が算出される場合に、所定の閾値は１つであってよい。別の例として、モデル再構築部２５は、複数の説明変数及び目的変数について、それぞれの閾値を設定してよい。モデル再構築部２５は、影響度を、影響度算出部２３から直接的に取得してよいし、記憶部１２経由で取得してよい。

ここで、モデル再構築部２５は、影響度が所定の閾値以上であって、かつ、操業異常でないことを示す情報を取得した場合に、予測モデルの再構築を実施してよい。予測誤差が操業異常に起因するものであって、予測モデル自体に問題がない場合に、誤って予測モデルを再構築することを回避することができる。操業異常でないことを示す情報は、例えば製造プロセスにおける作業者（オペレータ）からの再構築実施の指示であってよい。オペレータは、表示部１４に表示された影響度を確認して、操業に異常がなく、予測モデルの再構築を進めてよいと判断する場合に、再構築実施を指示してよい。モデル再構築部２５は、再構築実施の指示を、プロセスコンピュータが有する入力装置から通信部１１を介して取得してよい。

モデル再構築部２５は、予測モデルの再構築を実施する場合に、第２の操業実績データすなわち現在又は現在直近を含むＴ２の操業データ及び観測値を用いる。予測モデルが重回帰モデルである場合に、再構築は、Ｔ２の操業データ及び観測値に基づく回帰係数の調整であってよい。また、予測モデルが学習モデルである場合に、再構築は、Ｔ２の操業データ及び観測値を学習用データとする再学習であってよい。モデル再構築部２５は、第２の操業実績データが予測モデルの再構築が可能な数のデータを含む場合に、予測モデルの再構築を実施する。ただし、モデル再構築部２５は、第２の操業実績データが予測モデルの再構築が可能な数のデータを含まない場合に、予測モデルの継続使用を中断させてよい。つまり、モデル再構築部２５は、予測誤差が大きい状態で、再構築されていない予測モデルが引き続きプロセスの操業に使用されることを停止させてよい。予測モデルの継続使用を中断した場合に、モデル再構築部２５は、予測モデルの再構築が可能な数のデータが得られるまで待機して、十分な数のデータが得られてから予測モデルの再構築を実施してよい。また、別の例として、第２の操業実績データが予測モデルの再構築が可能な数のデータを含まない場合でも、モデル再構築部２５は、予測モデルの出力（予測値）を補正して、予測モデルを用いたプロセスの操業が続けられるようにしてよい。例えば予測モデルが線形回帰モデルである場合などに、補正は、各説明変数に対して影響度の逆数を乗じるなどの操作であってよい。

モデル再構築部２５は、予測モデルの再構築を実施した場合に、再構築後の予測モデルを上位システムに出力して、自動的なモデル更新を行うことができる。自動的なモデル更新が行われる場合であっても、モデル更新前に影響度が表示部１４に表示されている。そのため、モデル更新の根拠がブラックボックスとなってモデルの信頼性が低下する問題は生じない。

表示部１４は、制御部１３の制御に従って、高い順にソートした影響度を表示する。また、表示部１４は、制御部１３の制御に従って、特定された予測誤差の要因も表示してよい。このような情報が表示されることで、オペレータは予測誤差に影響している要因を把握することが可能である。表示部１４は、液晶ディスプレイ（Ｌｉｑｕｉｄ Ｃｒｙｓｔａｌ Ｄｉｓｐｌａｙ）又は有機ＥＬパネル（Ｏｒｇａｎｉｃ Ｅｌｅｃｔｒｏ－Ｌｕｍｉｎｅｓｃｅｎｃｅ Ｐａｎｅｌ）などの表示装置であってよい。

（異常監視方法）
図２は、本実施形態に係る異常監視方法を例示するフローチャートである。上記の異常監視装置１０は、図２のフローチャートに従って処理を実行する。

異常監視装置１０は、評価期間を設定する（ステップＳ１）。具体的に述べると、評価期間は２つであって、上記のように、過去の正常操業時である第１の評価期間と現在又は現在直近を含む第２の評価期間が設定される。

異常監視装置１０は、操業実績データを取得する（ステップＳ２）。具体的に述べると、第１の評価期間における操業データ及び観測値を含む第１の操業実績データと、第２の評価期間における操業データ及び観測値を含む第２の操業実績データと、が取得される。ここで、ステップＳ２は取得ステップに対応する。

異常監視装置１０は、予測モデルを取得する（ステップＳ３）。また、異常監視装置１０は、第１の評価期間及び第２の評価期間のそれぞれについて、第１の操業実績データの操業データ（説明変数）、第２の操業実績データの操業データ（説明変数）及び予測モデルを用いて、予測値を算出する（ステップＳ４）。

異常監視装置１０は、説明変数、目的変数及び予測誤差のそれぞれについて、第１の評価期間と第２の評価期間での分布の違いを示すドリフト量を算出する（ステップＳ５）。予測誤差に代えて、予測値が用いられてよい。

異常監視装置１０は、説明変数及び目的変数の重要度を取得する（ステップＳ６）。異常監視装置１０は、ドリフト量と重要度とを用いて、説明変数及び目的変数の影響度を算出する（ステップＳ７）。ここで、ステップＳ７は影響度算出ステップに対応する。

異常監視装置１０は、影響度を高い順にソートして、ソートした影響度を表示部１４に表示する（ステップＳ８）。異常監視装置１０は、表示部１４に、特定した予測誤差の要因も表示してよい。ここで、ステップＳ８は要因特定ステップに対応する。

異常監視装置１０は、少なくとも１つの影響度が所定の閾値以上である場合に（ステップＳ９のＹＥＳ）、ステップＳ１０の処理に進む。異常監視装置１０は、全ての影響度が所定の閾値未満である場合に（ステップＳ９のＮＯ）、一連の処理を終了する。

異常監視装置１０は、操業異常でないことを示す情報を取得した場合に（ステップＳ１０のＹＥＳ）、ステップＳ１１の処理に進む。異常監視装置１０は、操業異常でないことを示す情報を取得しない場合に（ステップＳ１０のＮＯ）、一連の処理を終了する。

異常監視装置１０は、予測モデルの再構築が可能な数のデータがある場合に（ステップＳ１１のＹＥＳ）、予測モデルを再構築する（ステップＳ１２）。異常監視装置１０は、予測モデルの再構築が可能な数のデータがない場合に（ステップＳ１１のＮＯ）、予測モデルの継続使用を中断させる（ステップＳ１３）。ここで、ステップＳ１２はモデル再構築ステップに対応する。

（変化点検出）
ここで、第１の評価期間である「Ｔ１」、第２の評価期間である「Ｔ２」は、変化点検出の手法によって自動的に設定されてよい。変化点は「Ｔ１」と「Ｔ２」とを区切る時刻である。変化点（τ）は、式（Ａ）で算出され、右辺を最大化する時刻として与えられる。

ここで、ＪＳはジェンセンシャノン情報量を示す。ｚは異常指標であって、τを１からｎまで変動（ドリフト）させて計算する。この項は変化点検知の手法であればＪＳ情報量に限られず、例えば分布の尤度比又は尤度の差分であってよい。ｆ（ｘ）は空白時間のペナルティを示す。「Ｔ_τ－Ｔ_τ－１」は時系列データにおいて前のデータが得られた時刻と現在の時刻の差を表しており、データのない空白時間を意味する。ペナルティは、例えば空白時間に比例した関数で示されてよいが、この例においてロジスティック関数が用いられている。ロジスティック関数は、製造プロセスに適した時間関数である。製造プロセスにおいて、例えば１～３時間程度の空白時間で設備交換等の大きなイベントが生じることは考えにくい。そこで、例えばａが１、Ｋが０．５、ｘ_０が６であるように設定する。この場合に、空白時間が３時間以下であればペナルティ（ｆ（ｘ）の値）が十分小さく（例えば０．１程度）なる。例えば空白時間が６時間であればペナルティは０．２５程度まで増大する。また、空白時間が１２時間以上であればペナルティは０．５を超える。

また、式（Ａ）では、空白時間のペナルティについて、イベントの重要度（Ｅ_ｒ）が掛け算される。例えば取得部２２が上位システムなどからイベント情報を取得する。影響度算出部２３は、取得されたイベント情報から空白時間に起こったイベントを特定して、そのイベントの重要度によりペナルティにさらなる補正を行ってよい。つまり、ドリフト量及びイベント情報に基づいて影響度が算出されるようにしてよい。例えば大規模な修理など、大きな変化が想定されるものは重要度を高く設定し、高いペナルティを与えることができる。また、重要でない設備の休止などのイベントでは、重要度を低く設定し、空白時間のペナルティを小さく又は考慮しないようにすることが可能である。図６はイベント情報の例を示す。例えばイベント毎に重要度が定義されてよい。ここで、図６のｘ_１～ｘ_３は説明変数である。

ここで、算出された変化点の時刻が表示部１４に出力されてよい。また、変化点に近いタイミングのイベント及び重要度などが表示部１４に出力されてよい。これらの情報が表示されることによって、より強い根拠を提示することが可能になる。例えば、変化点が生じた時間の直前に長時間の停止が発生していた場合に、修理によって設備の交換又は設定の変更が行われた可能性が高い。そのタイミングでデータのドリフトが発生していた場合に、要因が修理による設定の変更であることが判明すれば、モデルを再構築する有用と根拠となる。

（実施例１）
以下、本開示の効果を実施例に基づいて具体的に説明するが、本開示は実施例の内容に限定されるものではない。

本実施例において、異常監視装置１０は、連続鋳造プロセスにおける鋳片引き抜き用のピンチロールモータの電流（以下、単に「モータ電流」と称されることがある）の異常を監視する。また、本実施例において、３つの説明変数を有する重回帰モデル（重回帰予測式）である予測モデルを用いて連続鋳造プロセスの操業が行われている。予測モデルは下記の式（６）の通りである。

図３は、操業実績データの分布を示す図であって、第１の評価期間（Ｔ１）及び第２の評価期間（Ｔ２）における３つの説明変数及び目的変数の推移が示されている。横軸のスラブ数は、それぞれの期間において製造されたスラブについて製造順に番号を付したものである。Ｔ１及びＴ２のそれぞれで５００のスラブが製造されて、それぞれのスラブの製造時におけるモータ電流の値がプロットされている。後述する図４及び図５におけるスラブ数についても同様であるが、図５ではＴ１、Ｔ２及びその間の期間を含めた長期間において製造された全てのスラブについて順番に番号を付している。ここで、モータ電流の値は、それぞれのスラブの製造時における、対象となるモータの使用時の平均電流が用いられてよいが、これに限定されない。モータ電流の値は、平均電流の他に、最大電流、一点の瞬時値、最小電流、標準偏差又は最大電流と最小電流との差分など、対象となるモータの使用時の状態を示す代表値とできるものであればよい。

上記の式（６）は、Ｔ１の操業実績データに基づいて構築された重回帰予測式である。図４は、Ｔ１及びＴ２のそれぞれにおいて、式（６）を用いて予測値を求めて、予測誤差を算出してプロットしたものである。図４に示すように、Ｔ２において、予測誤差が大きくなっている。原因として目的変数又は説明変数のいずれかにデータドリフトがあり、予測精度が低下したと考えられる。

表２は、上記の実施形態に係る異常監視装置１０によって算出又は取得されたドリフト量、重要度及び影響度を示す。本実施例において、ドリフト量はＫＬ情報量を用いて計算された。また、重要度は重回帰予測式の係数が用いられた。また、影響度は式（２）～式（５）に従って計算された。

表２から、予測誤差が大きくなった要因として説明変数であるｘ_３が主に影響していることがわかる。また、目的変数であるｙについても影響度が大きい。図５は、Ｔ１、Ｔ２及びその間の期間を含めた長期間におけるデータ変動を示すが、スラブ数で約４５００の部分を境にｘ_３の分布が大きく変化していることがわかる。また、ｙの推移も同じタイミングで変化している。したがって、上記の実施形態に係る異常監視装置１０によって、予測誤差の要因が正しく示されることがわかった。ここで、オペレータが図５のようなデータ変動を目視で確認することによっても原因を特定することは可能である。しかし、長期間にわたってオペレータが監視し続けることは現実的ではなく、異常監視装置１０を用いることによって問題を解決できる。ここで、本実施例において、所定の閾値が１に設定されており、Ｔ２において予測モデルの再構築が実施された。

（実施例２）
実施例２として、主成分分析を用いた連続鋳造機における隣接するモータ電流の異常監視が行われた。主成分分析では目的変数は存在せず、Ｑ統計量による異常スコアにより監視が行われる。本実施例では、１１の変数を用いて異常監視を行った。図７は異常スコアの推移を示す。本実施例では、「Ｔ１」と「Ｔ２」が変化点検知によって自動的に決定された変化点の前後で設けられた。表３は、ドリフト量、重要度、イベントの内容、イベントの重要度及び影響度を示す。本実施例において、影響度は「（ドリフト量）×（重要度）×（イベントの重要度）」で計算した。表３に示すように、モータ電流監視の異常は、変数のｘ_８が主な要因であって、修理により部品交換したことで、データのドリフトが発生したことが分かる。要因を例えば図８のように表示することで、多くの根拠を示しつつモデルの更新を行うことが可能である。

以上のように、本実施形態に係る異常監視装置１０及び異常監視方法は、上記の構成及び工程によって、モデル更新が必要な場合に根拠として影響度を示すことができる。また、本実施形態に係る異常監視装置１０及び異常監視方法は、モデル更新の根拠がブラックボックスとなってモデルの信頼性が低下する問題が生じないため、自動的なモデル更新も可能にする。

本開示の実施形態について、諸図面及び実施例に基づき説明してきたが、当業者であれば本開示に基づき種々の変形又は修正を行うことが容易であることに注意されたい。従って、これらの変形又は修正は本開示の範囲に含まれることに留意されたい。例えば、各構成部又は各ステップなどに含まれる機能などは論理的に矛盾しないように再配置可能であり、複数の構成部又はステップなどを１つに組み合わせたり、或いは分割したりすることが可能である。本開示に係る実施形態は装置が備えるプロセッサにより実行されるプログラム又はプログラムを記録した記憶媒体としても実現し得るものである。本開示の範囲にはこれらも包含されるものと理解されたい。

１０ 異常監視装置
１１ 通信部
１２ 記憶部
１３ 制御部
１４ 表示部
２１ 期間設定部
２２ 取得部
２３ 影響度算出部
２４ 要因特定部
２５ モデル再構築部

Claims (11)

1. モデルを用いてプロセスの異常を監視する異常監視方法であって、
   過去の正常操業時である第１の評価期間における操業データ及び観測値を含む第１の操業実績データと、現在又は現在直近を含む第２の評価期間における前記操業データ及び前記観測値を含む第２の操業実績データと、を取得する取得ステップと、
   前記第１の操業実績データ、前記第２の操業実績データ及び前記モデルを用いて、予測値又は異常度について、前記第１の評価期間と前記第２の評価期間での分布の違いを示すドリフト量を算出し、前記ドリフト量に基づいて影響の度合いを示す影響度を算出する影響度算出ステップと、
   前記影響度に基づいて、予測誤差の要因を特定する要因特定ステップと、を含む、異常監視方法。
2. 前記影響度が所定の閾値以上の場合に、前記モデルの再構築を実施するモデル再構築ステップを含む、請求項１に記載の異常監視方法。
3. 影響度算出ステップは正規化された前記影響度を算出し、前記所定の閾値は１つである、請求項２に記載の異常監視方法。
4. 前記モデル再構築ステップは、
   前記第２の操業実績データが前記モデルの再構築が可能な数のデータを含む場合に、前記モデルの再構築を実施し、
   前記第２の操業実績データが前記モデルの再構築が可能な数のデータを含まない場合に、前記モデルの継続使用を中断する、請求項２又は３に記載の異常監視方法。
5. 前記モデル再構築ステップは、
   前記影響度が所定の閾値以上であって、かつ、操業異常でないことを示す情報を取得した場合に、前記モデルの再構築を実施する、請求項２又は３に記載の異常監視方法。
6. 前記モデルは、操業データを説明変数とし、プロセスの状態を示す状態量の観測値を目的変数とする予測モデルである、請求項１から３のいずれか一項に記載の異常監視方法。
7. 前記モデルが重回帰モデルであって、前記影響度は、前記重回帰モデルの回帰係数である重要度及び前記ドリフト量に基づいて算出される、請求項６に記載の異常監視方法。
8. 前記モデルは、異常検知を行う異常検知モデルである、請求項１から３のいずれか一項に記載の異常監視方法。
9. イベント情報を取得するステップを含み、
   前記影響度算出ステップは、前記ドリフト量及び前記イベント情報に基づいて前記影響度を算出する、請求項１から３のいずれか一項に記載の異常監視方法。
10. 前記第１の評価期間及び前記第２の評価期間は変化点検出の手法によって設定される、請求項１から３のいずれか一項に記載の異常監視方法。
11. モデルを用いてプロセスの異常を監視する異常監視装置であって、
    過去の正常操業時である第１の評価期間における操業データ及び観測値を含む第１の操業実績データと、現在又は現在直近を含む第２の評価期間における前記操業データ及び前記観測値を含む第２の操業実績データと、を取得する取得部と、
    前記第１の操業実績データ、前記第２の操業実績データ及び前記モデルを用いて、予測値又は異常度について、前記第１の評価期間と前記第２の評価期間での分布の違いを示すドリフト量を算出し、前記ドリフト量に基づいて影響の度合いを示す影響度を算出する影響度算出部と、
    前記影響度に基づいて、予測誤差の要因を特定する要因特定部と、を備える、異常監視装置。

Images