JP4832609B1 - Abnormal sign diagnosis device and abnormality sign diagnosis method - Google Patents

Abnormal sign diagnosis device and abnormality sign diagnosis method Download PDF

Info

Publication number
JP4832609B1
JP4832609B1 JP2011138941A JP2011138941A JP4832609B1 JP 4832609 B1 JP4832609 B1 JP 4832609B1 JP 2011138941 A JP2011138941 A JP 2011138941A JP 2011138941 A JP2011138941 A JP 2011138941A JP 4832609 B1 JP4832609 B1 JP 4832609B1
Authority
JP
Japan
Prior art keywords
diagnosis
abnormality
sensor data
data
sign
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.)
Active
Application number
JP2011138941A
Other languages
Japanese (ja)
Other versions
JP2013008111A (en
Inventor
尚 藤村
統治郎 野田
忠志 鈴木
双午 阿部
義瑞 飯田
Original Assignee
株式会社日立エンジニアリング・アンド・サービス
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 株式会社日立エンジニアリング・アンド・サービス filed Critical 株式会社日立エンジニアリング・アンド・サービス
Priority to JP2011138941A priority Critical patent/JP4832609B1/en
Application granted granted Critical
Publication of JP4832609B1 publication Critical patent/JP4832609B1/en
Publication of JP2013008111A publication Critical patent/JP2013008111A/en
Active legal-status Critical Current

Links

Images

Abstract

【課題】異常予兆の有無の診断を適切に行うことができる異常予兆診断装置および異常予兆診断方法を提供する。
【解決手段】異常予兆診断装置1は、機械設備2に設置された複数のセンサによって測定された多次元センサデータを取得するセンサデータ取得手段11と、診断対象データについて、機械設備2が正常に稼動しているときのセンサデータを学習データとして作成された事例モデルからの乖離の度合いを示す異常度に基づいて異常予兆の有無を診断する第1診断手段16と、個別のセンサデータの値が、予め定められた所定の範囲内にあるか否かに基づいて、異常予兆の有無を診断する第2診断手段15とを備え、第1診断手段16によって異常予兆があると診断された場合に、第2診断手段15による異常予兆診断のために参照する個別のセンサデータを、異常度に対する寄与の大きさを示す寄与度に基づいて選択する。
【選択図】図1
An abnormality sign diagnosis apparatus and an abnormality sign diagnosis method that can appropriately diagnose whether or not there is an abnormality sign.
An abnormality sign diagnosis apparatus includes a sensor data acquisition unit for acquiring multidimensional sensor data measured by a plurality of sensors installed in a machine facility, and the machine facility is normally used for diagnosis target data. First diagnosis means 16 for diagnosing the presence / absence of an abnormality sign based on an abnormality degree indicating a degree of deviation from a case model created by using sensor data as learning data at the time of operation, and values of individual sensor data The second diagnostic means 15 for diagnosing the presence or absence of an abnormal sign based on whether or not the predetermined sign is within a predetermined range, and when the first diagnostic means 16 diagnoses that there is an abnormal sign Individual sensor data to be referred to for abnormality sign diagnosis by the second diagnosis means 15 is selected based on the contribution indicating the magnitude of the contribution to the abnormality.
[Selection] Figure 1

Description

本発明は、プラントや設備などの異常予兆を診断する異常予兆診断装置および異常予兆診断方法に関する。   The present invention relates to an abnormality sign diagnosis apparatus and an abnormality sign diagnosis method for diagnosing an abnormality sign such as a plant or facility.
様々な機器から構成されるプラントや各種の設備は、長期間に渡り正常に稼動することが要求される。しかし、運転条件の変化などに基づく負荷の変動や多くの要因によって、プラントや設備を構成する機器には様々なトラブルが発生する。通常、これらの機器には、その稼働状態を把握することや異常状態を検知することを目的として、様々なセンサが設置され、運転状態を監視している。   Plants and various facilities composed of various devices are required to operate normally over a long period of time. However, various troubles occur in the equipment constituting the plant and equipment due to load fluctuations based on changes in operating conditions and many other factors. Usually, these devices are provided with various sensors for monitoring the operating state for the purpose of grasping the operating state and detecting an abnormal state.
また、これらのセンサによる測定データに基づいてプラントや機械設備を遠隔から監視し、診断する方法が種々提案されている。一般的には、センサによる測定データに対して、経験的に上下限の閾値を定め、測定データが上下限の閾値の範囲から外れた場合に、そのセンサによって特定される部位の異常を検知する。例えば、特許文献1には、部位と、その部位の異常を検出するための複数のセンサを予め対応付けておき、対応付けられたセンサによる測定データに基づいて当該部位の異常を診断する診断方法が記載されている。   In addition, various methods for remotely monitoring and diagnosing a plant or mechanical equipment based on measurement data obtained by these sensors have been proposed. In general, the upper and lower thresholds are set empirically for the measurement data from the sensor, and when the measurement data falls outside the upper and lower threshold ranges, the abnormality of the part specified by the sensor is detected. . For example, in Patent Document 1, a diagnosis method for diagnosing abnormality of a part based on measurement data obtained by associating a part and a plurality of sensors for detecting abnormality of the part in advance in advance. Is described.
一方、複数のセンサによる測定データに対して、統計的処理を施して異常予兆を検知するデータマイニングの手法を用いた診断方法が提案されている。例えば、特許文献2には、複数のセンサによる測定データから特徴量を抽出し、その特徴量の変化を監視することにより異常を診断する診断方法が記載されている。独自の特徴量を用い、過去の測定データを用いて学習した事例モデルからの乖離の度合いを監視することにより、個々のセンサによる測定データの監視のみの場合と比較して、早期に異常の検知を可能にするものである。   On the other hand, a diagnostic method using a data mining method that detects statistical signs by performing statistical processing on measurement data obtained by a plurality of sensors has been proposed. For example, Patent Document 2 describes a diagnostic method for diagnosing an abnormality by extracting feature amounts from measurement data obtained by a plurality of sensors and monitoring changes in the feature amounts. By detecting the degree of deviation from case models learned using past measurement data using unique features, it is possible to detect abnormalities at an early stage compared to the case where only individual sensors monitor the measurement data. Is possible.
特開2011−76334号公報JP 2011-76334 A 特開2007−198918号公報JP 2007-198918 A
しかしながら、特許文献1に記載された診断方法では、診断対象となる部位とセンサとの対応関係が予め定められており、予め部位と異常予兆を検知するためのセンサとの適切な対応が既知である必要がある。このため、新規なシステムなどでこの対応関係が十分に把握できていない場合には、適切な診断を行えない場合が生じるおそれがあった。   However, in the diagnostic method described in Patent Document 1, the correspondence between the part to be diagnosed and the sensor is determined in advance, and the appropriate correspondence between the part and the sensor for detecting the abnormal sign is known in advance. There must be. For this reason, when this correspondence is not sufficiently grasped by a new system or the like, there is a possibility that an appropriate diagnosis cannot be performed.
また、特許文献2に記載された診断方法にように、複数のセンサによる測定データに対して統計的な処理を施して作成した事例モデルを用いるデータマイニング手法による診断方法では、個別のセンサによる測定データによっては検知が困難な異常予兆を早期に検知できる場合があるものの、検知した異常予兆に対応する異常内容の解釈が難しく、異常部位を特定したり、トリップ(異常による機械設備の停止)時期を適切に判断したりすることが難しかった。   Further, as in the diagnosis method described in Patent Document 2, in the diagnosis method based on the data mining method using the case model created by performing statistical processing on the measurement data obtained by a plurality of sensors, measurement by individual sensors is performed. Although some abnormal signs that are difficult to detect can be detected early depending on the data, it is difficult to interpret the abnormal contents corresponding to the detected abnormal signs, and it is difficult to identify the abnormal part or to trip (stop mechanical equipment due to an abnormality) It was difficult to judge properly.
本発明は、前記した問題に鑑みて創案されたものであり、異常予兆の有無の診断を適切に行うことができる異常予兆診断装置および異常予兆診断方法を提供することを課題とする。   The present invention has been made in view of the above-described problems, and an object of the present invention is to provide an abnormality sign diagnosis device and an abnormality sign diagnosis method that can appropriately diagnose the presence or absence of an abnormality sign.
前記した課題を解決するために、本発明の異常予兆診断装置は、機械設備に設置された複数のセンサによって測定された多次元センサデータを取得するセンサデータ取得手段と、異常予兆の診断対象となる多次元センサデータである診断対象データについて、そのプラントまたは設備が正常に稼動しているときに取得した多次元センサデータを学習データとして用い、当該学習データをクラスタ化して作成された事例モデルからの診断対象データの乖離の度合いを示す異常度の大きさに基づいて異常予兆の有無を診断する第1診断手段と、診断対象データを構成する1または2以上の個別(一次元)のセンサデータの値が、それぞれ予め定められた所定の範囲内にあるか否かに基づいて、異常予兆の有無を診断する第2診断手段と、を備え、第1診断手段によって異常予兆があると診断された場合に、第2診断手段による異常予兆診断のために参照する1または2以上の個別のセンサデータを、異常度に対する寄与の大きさを示す寄与度に基づいて診断対象データの中から選択する。   In order to solve the above-described problem, the abnormality sign diagnosis apparatus of the present invention includes a sensor data acquisition unit that acquires multidimensional sensor data measured by a plurality of sensors installed in a mechanical facility, and an abnormality sign diagnosis target. From the case model created by clustering the learning data, using the multidimensional sensor data acquired when the plant or facility is operating normally as learning data. First diagnosis means for diagnosing the presence / absence of an abnormality sign based on the degree of abnormality indicating the degree of deviation of the diagnosis object data, and one or more individual (one-dimensional) sensor data constituting the diagnosis object data Second diagnosis means for diagnosing the presence or absence of an abnormality sign based on whether each of the values is within a predetermined range, respectively, The degree of contribution indicating the degree of contribution to the degree of abnormality of one or more individual sensor data to be referred to for abnormality sign diagnosis by the second diagnosis means when the diagnosis means diagnoses that there is an abnormality sign Based on the above, the diagnosis target data is selected.
本発明によれば、異常予兆の有無の診断を適切に行うことができる異常予兆診断装置および異常予兆診断方法を提供することができる。   According to the present invention, it is possible to provide an abnormality sign diagnosis apparatus and an abnormality sign diagnosis method that can appropriately diagnose the presence or absence of an abnormality sign.
本発明の実施形態に係る異常予兆診断装置の構成を示すブロック図である。It is a block diagram which shows the structure of the abnormality sign diagnostic apparatus which concerns on embodiment of this invention. 本発明の実施形態に係る異常予兆診断装置のリモートモニタリング部の構成を示すブロック図である。It is a block diagram which shows the structure of the remote monitoring part of the abnormality sign diagnostic apparatus which concerns on embodiment of this invention. 本発明の実施形態に係る異常予兆診断装置のデータマイニング部の構成を示すブロック図である。It is a block diagram which shows the structure of the data mining part of the abnormality sign diagnostic apparatus which concerns on embodiment of this invention. 本発明の実施形態に係る異常予兆診断装置のデータマイニング部において、測定データをモードに対応した区間に分割した例を示す図である。It is a figure which shows the example which divided | segmented the measurement data into the area corresponding to a mode in the data mining part of the abnormality sign diagnostic apparatus which concerns on embodiment of this invention. 本発明の実施形態に係る異常予兆診断装置のデータマイニング部で用いるクラスタの説明をするための説明図である。It is explanatory drawing for demonstrating the cluster used by the data mining part of the abnormal sign diagnostic apparatus which concerns on embodiment of this invention. 本発明の実施形態に係る異常予兆診断装置のデータマイニング部において、診断データの属するクラスタの判定の方法を説明するための説明図である。It is explanatory drawing for demonstrating the determination method of the cluster to which diagnostic data belongs in the data mining part of the abnormality sign diagnostic apparatus which concerns on embodiment of this invention. 本発明の実施形態に係る異常予兆診断装置のデータマイニング部で用いる学習データおよびコードブックのデータ構成の例を示す図であり、(a)は学習データ、(b)はコードブックを示す。It is a figure which shows the example of the data structure of the learning data and codebook which are used in the data mining part of the abnormal sign diagnostic apparatus which concerns on embodiment of this invention, (a) shows learning data, (b) shows a codebook. 本発明の実施形態に係る異常予兆診断装置のデータマイニング部による診断結果のデータ構成の例を示す図である。It is a figure which shows the example of the data structure of the diagnostic result by the data mining part of the abnormality sign diagnostic apparatus which concerns on embodiment of this invention. 本発明の実施形態に係る異常予兆診断装置による診断結果の表示例を示す図である。It is a figure which shows the example of a display of the diagnostic result by the abnormality sign diagnostic apparatus which concerns on embodiment of this invention. 本発明の実施形態に係る異常予兆診断装置による寄与度の表示例を示す図である。It is a figure which shows the example of a display of the contribution by the abnormality sign diagnostic apparatus which concerns on embodiment of this invention. 本発明の実施形態に係る異常予兆診断装置による異常予兆診断の処理の流れを示すフローチャートである。It is a flowchart which shows the flow of a process of the abnormal sign diagnosis by the abnormal sign diagnostic apparatus which concerns on embodiment of this invention. 本発明の実施形態に係る異常予兆診断装置による事例モデルの作成の処理の流れを示すフローチャートである。It is a flowchart which shows the flow of a process of preparation of the example model by the abnormality sign diagnostic apparatus which concerns on embodiment of this invention.
以下、本発明の実施の形態について、図面を参照して説明する。
[異常予兆診断装置の構成]
まず、図1を参照して、本発明の実施形態に係る異常予兆診断装置の構成について説明する。
Embodiments of the present invention will be described below with reference to the drawings.
[Configuration of abnormal sign diagnosis device]
First, with reference to FIG. 1, the structure of the abnormality sign diagnostic apparatus which concerns on embodiment of this invention is demonstrated.
図1に示すように、本実施形態の異常予兆診断装置1は、プラントなどの機械設備2と通信ネットワークNを介して接続され、機械設備2に設置された複数のセンサ(不図示)によって測定された多次元のセンサデータおよび保守情報を取得し、取得した多次元のセンサデータおよび保守情報に基づいて機械設備2の異常予兆の有無を診断するものである。なお、異常予兆の診断対象である機械設備2は、図1に示した例では複数台であるが、1台であってもよい。また、センサデータや保守情報は、機械設備2から直接取得するのではなく、機械設備2を管理するための管理用コンピュータが設けられている場合は、この管理用コンピュータから取得するようにしてもよい。なお、保守情報とは、機械設備2についての保守計画、保守履歴、機械設備2自体に備えられた異常検知手段(不図示)によって発報された警報履歴などの情報のことである。但し、この異常検知手段は、異常予兆診断装置1とは別個のものである。   As shown in FIG. 1, the abnormality sign diagnosis apparatus 1 of the present embodiment is connected to mechanical equipment 2 such as a plant via a communication network N, and is measured by a plurality of sensors (not shown) installed in the mechanical equipment 2. The obtained multidimensional sensor data and maintenance information are acquired, and the presence or absence of an abnormality sign of the mechanical equipment 2 is diagnosed based on the acquired multidimensional sensor data and maintenance information. In the example shown in FIG. 1, there are a plurality of mechanical equipments 2 that are diagnosis targets of an abnormality sign, but there may be one. In addition, sensor data and maintenance information are not acquired directly from the machine facility 2 but, if a management computer for managing the machine facility 2 is provided, it may be acquired from this management computer. Good. The maintenance information refers to information such as a maintenance plan for the machine facility 2, a maintenance history, and an alarm history issued by an abnormality detection means (not shown) provided in the machine facility 2 itself. However, this abnormality detection means is separate from the abnormality sign diagnosis apparatus 1.
本実施形態に係る異常予兆診断装置1は、図1に示すように、通信手段10と、センサデータ取得手段11と、センサデータ記憶手段12と、保守情報取得手段13と、保守情報記憶手段14と、リモートモニタリング部15と、データマイニング部16と、モデルデータ記憶手段17と、診断結果記憶手段18と、表示制御手段19と、表示手段20と、を備えて構成されている。   As shown in FIG. 1, the abnormality sign diagnosis apparatus 1 according to the present embodiment includes a communication unit 10, a sensor data acquisition unit 11, a sensor data storage unit 12, a maintenance information acquisition unit 13, and a maintenance information storage unit 14. A remote monitoring unit 15, a data mining unit 16, a model data storage unit 17, a diagnosis result storage unit 18, a display control unit 19, and a display unit 20.
通信手段10は、通信ネットワークNを介して、機械設備2と通信するためのものである。通信手段10は、LAN(Local Area Network)やWAN(Wide Area Network)によって機械設備2と通信するものでもよく、電話回線によって機械設備2と直接に通信するものでもよい。また、機械設備2から入力する情報として、機械設備2のセンサデータのほかに、機械設備2の保守計画や保守履歴などの保守情報を入力する場合において、入力する情報によって通信経路が異なってもよい。この場合は、それぞれの情報を取得するために複数の異なる通信手段を備えればよい。
また、通信手段10は、機械設備2から入力したセンサデータをセンサデータ取得手段11に出力し、機械設備2から入力した保守情報を保守情報取得手段13に出力する。
The communication means 10 is for communicating with the machine facility 2 via the communication network N. The communication means 10 may communicate with the machine facility 2 via a LAN (Local Area Network) or WAN (Wide Area Network), or may communicate directly with the machine facility 2 via a telephone line. Further, when inputting maintenance information such as a maintenance plan and a maintenance history of the mechanical equipment 2 in addition to the sensor data of the mechanical equipment 2 as information input from the mechanical equipment 2, even if the communication path differs depending on the input information. Good. In this case, what is necessary is just to provide several different communication means in order to acquire each information.
The communication unit 10 outputs the sensor data input from the machine facility 2 to the sensor data acquisition unit 11, and outputs the maintenance information input from the machine facility 2 to the maintenance information acquisition unit 13.
センサデータ取得手段11は、機械設備2から、通信手段10を介して、それぞれの機械設備2に設置されたセンサ(不図示)によって計測された多次元のセンサデータを取得し、その多次元のセンサデータの取得元である機械設備2に対応付けてセンサデータ記憶手段12に記憶する。なお、機械設備2から取得するセンサデータには、測定時刻とセンサ種別と測定値とが含まれるものとする。また、センサデータには、例えば、冷却水温度や回転速度のようなセンサによる測定値のほかに、機械設備2の運転状態を制御するための、例えば、冷却水温度設定値や回転速度設定値などの制御データを含めるようにしてもよい。   The sensor data acquisition means 11 acquires multidimensional sensor data measured by a sensor (not shown) installed in each mechanical equipment 2 from the mechanical equipment 2 via the communication means 10, and the multidimensional sensor data is obtained. The sensor data is stored in the sensor data storage unit 12 in association with the mechanical equipment 2 from which the sensor data is acquired. Note that the sensor data acquired from the mechanical equipment 2 includes a measurement time, a sensor type, and a measurement value. The sensor data includes, for example, a cooling water temperature setting value and a rotation speed setting value for controlling the operation state of the mechanical equipment 2 in addition to the measurement value by the sensor such as the cooling water temperature and the rotation speed. Such control data may be included.
また、各センサによる測定は、機械設備2が発電プラントの場合は、例えば、30秒周期とすることができる。この場合は、1日当りで、2880点の測定データを取得することになる。この測定周期は常に一定である必要はなく、起動や停止時のように機械設備2の状態が急激に変化する過渡期には短周期で測定し、運転中や運転休止中で状態が安定した定常期には長周期で測定するようにしてもよい。   Moreover, the measurement by each sensor can be made into a 30 second period, for example, when the mechanical installation 2 is a power plant. In this case, 2880 points of measurement data are acquired per day. This measurement cycle does not always have to be constant, it is measured in a short period during the transitional period when the state of the mechanical equipment 2 changes abruptly, such as when starting and stopping, and the state is stable during operation and suspension of operation. You may make it measure in a long period in a stationary phase.
なお、本実施形態では、センサデータ取得手段11は、取得したセンサデータをセンサデータ記憶手段12に記憶するようにしたが、各機械設備2から送出されるセンサデータをセンサデータ収集用のサーバ(不図示)を設けて一括して蓄積するようにしてもよい。この場合は、センサデータ取得手段11は、随時に、このセンサデータ収集用サーバ(不図示)から通信手段10を介してセンサデータを取得し、取得したセンサデータをリモートモニタリング部15、データマイニング部16および表示制御手段19に出力するようにすればよい。   In the present embodiment, the sensor data acquisition unit 11 stores the acquired sensor data in the sensor data storage unit 12, but the sensor data sent from each mechanical facility 2 is stored in a sensor data collection server ( (Not shown) may be provided and accumulated together. In this case, the sensor data acquisition unit 11 acquires sensor data from the sensor data collection server (not shown) via the communication unit 10 as needed, and the acquired sensor data is transmitted to the remote monitoring unit 15 and the data mining unit. 16 and display control means 19 may be outputted.
また、センサデータ取得手段11は、通信手段10を介したオンラインでのセンサデータの取得に限定されず、オフラインでセンサデータを取得するようにしてもよい。例えば、光ディスク、磁気ディスク、フラッシュメモリなどの記録媒体に記録されたセンサデータを、異常予兆診断装置1にこれらの記録媒体に対応する読取装置(不図示)を接続して、当該読取装置を介してセンサデータを取得するようにしてもよい。   Further, the sensor data acquisition unit 11 is not limited to online sensor data acquisition via the communication unit 10, and may acquire sensor data offline. For example, sensor data recorded on a recording medium such as an optical disk, a magnetic disk, or a flash memory is connected to the abnormality predictor diagnosis apparatus 1 by a reading device (not shown) corresponding to these recording media, and the sensor data is transmitted through the reading device. Sensor data may be acquired.
センサデータ記憶手段12は、センサデータ取得手段11が取得したセンサデータを記憶するものであり、磁気ディスク装置、光ディスク装置、半導体記憶装置などを用いることができる。また、センサデータ記憶手段12に記憶されたセンサデータは、リモートモニタリング部15、データマイニング部16および表示制御手段19によって参照される。   The sensor data storage unit 12 stores the sensor data acquired by the sensor data acquisition unit 11, and a magnetic disk device, an optical disk device, a semiconductor storage device, or the like can be used. The sensor data stored in the sensor data storage unit 12 is referred to by the remote monitoring unit 15, the data mining unit 16, and the display control unit 19.
保守情報取得手段13は、機械設備2から、通信手段10を介して、それぞれの機械設備2についての保守計画、保守履歴、機械設備2自体に備えられた異常検知手段(不図示)によって発報された警報履歴などの保守情報を取得し、その保守情報の取得元である機械設備2に対応付けて保守情報記憶手段14に記憶する。   The maintenance information acquisition means 13 is notified from the machine equipment 2 via the communication means 10 by a maintenance plan for each machine equipment 2, a maintenance history, and an abnormality detection means (not shown) provided in the machine equipment 2 itself. The maintenance information such as the alarm history is acquired and stored in the maintenance information storage unit 14 in association with the machine facility 2 from which the maintenance information is acquired.
なお、保守情報は、通信手段10を介して機械設備2から取得するものに限定されず、異常予兆診断装置1に接続されたキーボード(不図示)などの入力手段を介して取得するようにしてもよい。   The maintenance information is not limited to the information acquired from the mechanical equipment 2 via the communication means 10, but is acquired via an input means such as a keyboard (not shown) connected to the abnormality sign diagnosis apparatus 1. Also good.
保守情報記憶手段14は、保守情報取得手段13が取得した保守情報を記憶するものであり、磁気ディスク装置、光ディスク装置、半導体記憶装置などを用いることができる。また、保守情報記憶手段14に記憶された保守情報は、データマイニング部16および表示制御手段19によって参照される。   The maintenance information storage unit 14 stores the maintenance information acquired by the maintenance information acquisition unit 13, and a magnetic disk device, an optical disk device, a semiconductor storage device, or the like can be used. The maintenance information stored in the maintenance information storage unit 14 is referred to by the data mining unit 16 and the display control unit 19.
リモートモニタリング部(第2診断手段)15は、機械設備2から取得したセンサデータに対して、異常予兆の診断のための上限および下限の閾値を設定し、設定した上限または下限の閾値を超えた場合に、異常予兆があると診断する遠隔診断手段である。この閾値は個別(一次元)のセンサデータごとに予め定められる。なお、本実施形態におけるリモートモニタリング部15は、センサデータ記憶手段12に記憶されているセンサデータを参照して診断する。また、本実施形態においては、データマイニング部16によって算出される寄与度に基づいて、1または2以上の個別(一次元)のセンサデータを用いて診断された結果に基づく、リモートモニタリング部15における異常予兆の診断ルールが適宜に変更される。なお、寄与度の詳細については後記する。   The remote monitoring unit (second diagnostic means) 15 sets the upper and lower thresholds for the diagnosis of an anomaly sign for the sensor data acquired from the mechanical equipment 2, and exceeds the set upper or lower thresholds. In some cases, it is a remote diagnosis means for diagnosing that there is an abnormal sign. This threshold is predetermined for each individual (one-dimensional) sensor data. Note that the remote monitoring unit 15 in this embodiment makes a diagnosis with reference to the sensor data stored in the sensor data storage unit 12. In the present embodiment, in the remote monitoring unit 15 based on the result of diagnosis using one or more individual (one-dimensional) sensor data based on the contribution calculated by the data mining unit 16. The diagnostic rule for abnormal signs is changed as appropriate. Details of the contribution will be described later.
ここで、図2を参照して、リモートモニタリング部15の詳細な構成について説明する。
図2に示すように、本実施形態のリモートモニタリング部15は、多次元(N次元;Nは2以上の整数)のセンサデータを構成するN個の個別(一次元)のセンサデータのそれぞれに対応した個別診断手段15111〜1512Nと、総合診断手段152〜152とを備えている。なお、個別(一次元)のセンサデータとは、機械設備2における「冷却水圧力」、「冷却水温度」、「回転速度」などの、個々のセンサによる測定データのことであり、多次元のセンサデータとは、これらの個別のセンサデータを要素とするセンサデータのことである。
Here, a detailed configuration of the remote monitoring unit 15 will be described with reference to FIG.
As shown in FIG. 2, the remote monitoring unit 15 of the present embodiment applies each of N individual (one-dimensional) sensor data constituting multidimensional (N dimensions; N is an integer of 2 or more) sensor data. Corresponding individual diagnosis means 151 11 to 151 2N and comprehensive diagnosis means 152 1 to 152 2 are provided. The individual (one-dimensional) sensor data refers to data measured by individual sensors such as “cooling water pressure”, “cooling water temperature”, “rotational speed”, etc. in the mechanical equipment 2. The sensor data is sensor data having these individual sensor data as elements.
個別診断手段15111〜1511Nおよび個別診断手段15121〜1512Nは、それぞれ対応する個別(一次元)のセンサデータを入力し、それぞれ予め定められた上限および下限の閾値と比較し、上限または下限の閾値を超えた場合、すなわち予め定められた正常範囲から外れた場合に異常予兆があり、上限および下限の閾値以内である場合に異常予兆なし、と個別に診断し、この個別診断結果をそれぞれ総合診断手段152および総合診断手段152に出力する。この上限および下限の閾値は、経験的に定めることができる。 The individual diagnosis means 151 11 to 151 1N and the individual diagnosis means 151 21 to 151 2N respectively input the corresponding individual (one-dimensional) sensor data, and respectively compare the predetermined upper limit and lower limit thresholds. When the lower threshold is exceeded, that is, when there is an abnormal sign when it falls outside the predetermined normal range, and when it is within the upper and lower thresholds, there is no abnormal sign. respectively output to the overall diagnosis means 152 1 and overall diagnosis unit 152 2. The upper and lower thresholds can be determined empirically.
総合診断手段152および総合診断手段152は、それぞれ個別診断手段15111〜1511Nおよび個別診断手段15121〜1512Nから個別診断結果を入力し、それぞれ診断すべき異常種別に対応する異常予兆の有無を総合診断するものである。ここで、異常種別とは、例えば「冷却水圧力上昇」、「出力低下」、「回転速度低下」など、予め分類された異常事象の種類のことである。図2に示した例では、リモートモニタリング部15は、複数種類の異常種別(異常1、異常2など)を診断するため、それぞれの異常種別に対応する総合診断手段152〜152を備えている。 Overall diagnosis means 152 1 and overall diagnosis unit 152 2, the abnormality indication respectively enter the individual diagnostic results from the individual diagnostic means 151 11 ~151 1N and the individual diagnostic means 151 21 ~151 2N, corresponding to abnormal kind to be diagnosed, respectively A comprehensive diagnosis of the presence or absence of Here, the abnormal type is a type of abnormal event classified in advance, such as “cooling water pressure increase”, “output decrease”, “rotational speed decrease”, and the like. In the example illustrated in FIG. 2, the remote monitoring unit 15 includes comprehensive diagnosis units 152 1 to 152 2 corresponding to each abnormality type in order to diagnose a plurality of types of abnormality (such as abnormality 1 and abnormality 2). Yes.
なお、個別診断手段15111〜1511Nおよび総合診断手段152、個別診断手段15121〜1512Nおよび総合診断手段152は、それぞれを1組として、それぞれの異常種別に対応した異常予兆の有無を診断するものである。また、この組の数は特に限定されず、2個以上であっても、1つであってもよい。
また、同じセンサデータ(センサ1、センサ2など)に対応する個別診断手段15111と個別診断手段15121、個別診断手段15112と個別診断手段15122、個別診断手段1511Nと個別診断手段1512Nなどは、それぞれ、同じ閾値を用いて個別診断するようにしてもよく、組となる総合診断手段152〜152が診断すべき異常種別に応じて、異なる閾値を用いるようにしてもよい。また、総合診断手段152〜152は、診断すべき異常種別に応じて、それぞれ参照するセンサデータを選別するようにしてもよい。
The individual diagnosis means 151 11 to 151 1N, the comprehensive diagnosis means 152 1 , the individual diagnosis means 151 21 to 151 2N, and the comprehensive diagnosis means 152 2 are each set as a set, and whether or not there is an abnormality sign corresponding to each abnormality type Is to diagnose. The number of sets is not particularly limited, and may be two or more or one.
Also, individual diagnosis means 151 11 and individual diagnosis means 151 21 , individual diagnosis means 151 12 and individual diagnosis means 151 22 , individual diagnosis means 151 1 N and individual diagnosis means 151 corresponding to the same sensor data (sensor 1, sensor 2 etc.) etc. 2N, respectively, using the same threshold may be individually diagnosed, depending on the overall diagnosis means 152 1 to 152 2 abnormality to be diagnosed type to be set may be used with different thresholds . Further, the comprehensive diagnosis means 152 1 to 152 2 may select sensor data to be referred to according to the abnormality type to be diagnosed.
総合診断手段152〜152は、データマイニング部16(図1参照)によって算出されて診断結果記憶手段18(図1参照)に記憶されている寄与度を参照して、その寄与度に基づき複数の個別診断結果を用いた診断ルールを構築し、この診断ルールに基づいて異常予兆の有無を診断するものである。なお、診断ルールの詳細については後記する。 The comprehensive diagnosis units 152 1 to 152 2 refer to the contributions calculated by the data mining unit 16 (see FIG. 1) and stored in the diagnosis result storage unit 18 (see FIG. 1), and based on the contributions. A diagnosis rule using a plurality of individual diagnosis results is constructed, and the presence or absence of an abnormality sign is diagnosed based on the diagnosis rule. Details of the diagnostic rule will be described later.
総合診断手段152〜152による診断結果は、機械設備2に対応付けて、診断したセンサデータの測定時刻とともに診断結果記憶手段18(図1参照)に記憶される。なお、診断結果記憶手段18(図1参照)に記憶されるリモートモニタリング部15による診断結果としては、総合診断手段152〜152による最終的な異常予兆の有無に加えて、個別診断結果を記憶するようにしてもよい。 Overall diagnosis means 152 1 to 152 2 diagnosis result by in association with the machinery 2, it is stored together with the measurement time of the sensor data to diagnose the diagnosis result storage means 18 (see FIG. 1). The diagnosis results by the remote monitoring unit 15 stored in the diagnosis result storage means 18 (see FIG. 1) include individual diagnosis results in addition to the presence / absence of a final abnormality sign by the comprehensive diagnosis means 152 1 to 152 2. You may make it memorize | store.
なお、寄与度とは、学習した事例モデルからの乖離の度合いを示す指数である異常度に対する寄与の程度を示す指数である。詳細は後記する。   The contribution degree is an index indicating the degree of contribution to the degree of abnormality, which is an index indicating the degree of deviation from the learned case model. Details will be described later.
また、総合診断手段152〜152は、データマイニング部16による異常予兆診断によって、異常予兆があると診断された場合に、その際にデータマイニング部16によって算出された寄与度に基づいて、複数の個別診断結果を用いた診断ルールを再構築する。
なお、総合診断手段152〜152における診断ルールは、データマイニング部16の診断結果に関わらず、キーボードやマウスなどの入力手段(不図示)を介した操作者の指示があった場合に、再構築するようにしてもよい。
Further, when it is diagnosed that there is an abnormal sign by the abnormal sign diagnosis by the data mining unit 16, the comprehensive diagnosis units 152 1 to 152 2 , based on the contribution calculated by the data mining unit 16 at that time, Reconstruct diagnosis rules using multiple individual diagnosis results.
Note that the diagnosis rules in the comprehensive diagnosis means 152 1 to 152 2 are based on an operator's instruction via an input means (not shown) such as a keyboard or a mouse regardless of the diagnosis result of the data mining unit 16. You may make it rebuild.
ここで、診断ルールとは、どの個別診断結果を用いて診断するか、あるいは、複数の個別診断結果からどのようにして診断を行うかを定めるルールである。例えば、総合診断手段152〜152は、異常度に対する寄与度の最も高いセンサデータによる個別診断結果を1個選択して、その結果を総合的な診断結果とすることができる。また、例えば、総合診断手段152〜152は、寄与度の高い上位の2個以上のセンサデータによる個別診断結果を用いて、個別診断結果の多数決によって異常予兆の診断を行ったり、選択した個別診断結果の内、2個以上で異常予兆があると診断した場合に、総合的に異常予兆があると診断したりするようにしてもよい。また、複数個の個別診断結果を選択する際に、予め定めた個数を選択してもよいし、累積寄与度が予め定めた値(例えば、0.8など)になるまでの、寄与度の高い順にセンサデータによる個別診断結果を選択するようにしてもよい。また、個別診断結果が異常予兆ありの場合を「1」、異常予兆なしの場合を「0」とした場合に、すべての個別診断結果に対して寄与度によって重み付けした平均値を算出し、その重み付き平均値が予め定めた閾値(例えば、0.5)を超えた場合に異常予兆があると診断するようにしてもよい。 Here, the diagnosis rule is a rule that determines which individual diagnosis result is used for diagnosis or how diagnosis is performed from a plurality of individual diagnosis results. For example, the comprehensive diagnosis means 152 1 to 152 2 can select one individual diagnosis result based on sensor data having the highest contribution to the degree of abnormality, and make the result a comprehensive diagnosis result. Further, for example, the comprehensive diagnosis means 152 1 to 152 2 perform diagnosis or selection of abnormal signs by majority decision of individual diagnosis results using individual diagnosis results of two or more sensor data with higher contributions. When it is diagnosed that there is an abnormality sign in two or more of the individual diagnosis results, it may be diagnosed that there is an abnormality sign comprehensively. In addition, when selecting a plurality of individual diagnosis results, a predetermined number may be selected, or the degree of contribution until the cumulative contribution reaches a predetermined value (for example, 0.8). Individual diagnosis results based on sensor data may be selected in descending order. In addition, when the individual diagnosis result is “1” when there is an abnormality sign and “0” when there is no abnormality sign, an average value weighted by the contribution to all the individual diagnosis results is calculated, When the weighted average value exceeds a predetermined threshold (for example, 0.5), it may be diagnosed that there is an abnormal sign.
なお、総合診断手段152〜152は、それぞれ診断すべき異常種別に対応して、異なる診断ルールを構築してもよい。なお、データマイニング部16(図1参照)によって検知された異常予兆の異常種別は、例えば、各センサデータの寄与度の分布から特定することができる。また、機械設備2の本体に設けられたシーケンサ(不図示)によって、各種センサデータを用いて特定し、その特定結果を保守情報として、保守情報取得手段13(図1参照)によって取得するようにしてもよい。また、データマイニング部16(図1参照)やシーケンサ(不図示)などによって異常予兆や何らかの異常が検知されない場合でも、例えば、センサデータ記憶手段11(図1参照)に蓄積されたセンサデータや診断結果記憶手段18(図1参照)に蓄積された異常度のグラフ表示に基づいて、操作者が診断したい異常種別を経験的に選択し、診断すべき異常種別としてキーボードやマウスなどの入力手段(不図示)を介して入力するようにしてもよい。そして、特定(または選択)された異常種別に対応する総合診断手段152〜152が、その診断ルールを再構築するものとする。 The comprehensive diagnosis means 152 1 to 152 2 may construct different diagnosis rules corresponding to the abnormality types to be diagnosed. Note that the abnormality type of the abnormality sign detected by the data mining unit 16 (see FIG. 1) can be specified from, for example, the distribution of contribution of each sensor data. In addition, a sequencer (not shown) provided in the main body of the mechanical facility 2 is specified using various sensor data, and the specified result is acquired as maintenance information by the maintenance information acquisition means 13 (see FIG. 1). May be. Further, even when no abnormality sign or any abnormality is detected by the data mining unit 16 (see FIG. 1) or a sequencer (not shown), for example, sensor data and diagnosis accumulated in the sensor data storage unit 11 (see FIG. 1). Based on the graph display of the degree of abnormality accumulated in the result storage means 18 (see FIG. 1), the operator selects an abnormality type to be diagnosed empirically, and input means (such as a keyboard or a mouse) as the abnormality type to be diagnosed. It is also possible to input via (not shown). Then, it is assumed that the comprehensive diagnosis means 152 1 to 152 2 corresponding to the specified (or selected) abnormality type reconstructs the diagnosis rule.
このように、異常度に対する寄与度に基づいて、総合診断手段152〜152における個別診断結果を用いた診断ルールを再構築することは、診断対象となる機械設備2(図1参照)が新規に設計されたシステムである場合に特に有用である。新規なシステムでは、機械設備2(図1参照)の異常内容(異常事象)とセンサデータとの対応が十分に把握されていないことも多く、複数のセンサデータが複雑に絡み合って関連する場合もある。このような場合において、異常内容とセンサデータとが固定されている場合は、当初に定めた診断ルールでは機械設備2(図1参照)がトリップする時期の予測や異常部位の特定を適切に行うことが困難となることもある。そこで、データマイニング部16(図1参照)で算出された寄与度に基づいて、寄与度の高いセンサデータによる個別診断結果を選択して、リモートモニタリング部15で異常予兆診断を行うことにより、適切にトリップ時期を予測でき、異常部位の特定も容易になる。 Thus, based on the degree of contribution to the degree of abnormality, reconstructing the diagnostic rule using the individual diagnostic results in the comprehensive diagnostic means 152 1 to 152 2 means that the machine facility 2 (see FIG. 1) to be diagnosed This is particularly useful when the system is newly designed. In the new system, the correspondence between the abnormal content (abnormal event) of the mechanical equipment 2 (see FIG. 1) and the sensor data is often not sufficiently grasped, and there are cases where a plurality of sensor data are complicatedly intertwined and related. is there. In such a case, when the abnormality content and the sensor data are fixed, the diagnosis rule defined at the beginning appropriately predicts when the mechanical equipment 2 (see FIG. 1) trips and identifies the abnormal part. Can be difficult. Therefore, by selecting an individual diagnosis result based on sensor data having a high contribution based on the contribution calculated by the data mining unit 16 (see FIG. 1), the remote monitoring unit 15 performs an abnormal sign diagnosis, thereby appropriately In addition, it is possible to predict the trip time and to identify the abnormal part.
例えば、前記した機械設備2(図1参照)に設けられたシーケンサ(不図示)によって、異常種別が特定された場合であっても、対応する異常種別に対応する総合診断手段152〜152の診断ルールを、寄与度に基づいて再構築し、異常予兆を診断することで、より適切にトリップ時期の予測や異常部位の特定を容易にすることができる。 For example, even when the abnormality type is specified by a sequencer (not shown) provided in the above-described mechanical equipment 2 (see FIG. 1), the comprehensive diagnosis means 152 1 to 152 2 corresponding to the corresponding abnormality type. The diagnosis rule is reconstructed based on the contribution degree, and the abnormality sign is diagnosed, so that it is possible to more easily predict the trip time and identify the abnormal part.
図1に戻って、異常予兆診断装置1の構成について説明を続ける。
データマイニング部(第1診断手段)16は、機械設備2から取得した多次元のセンサデータを参照して、統計的処理を施して事例モデルを作成し、作成した事例モデルを用いたデータマイニング手法により異常予兆の診断を行うものである。なお、本実施形態におけるデータマイニング部16は、センサデータ記憶手段12に記憶されているセンサデータを参照して診断する。また、データマイニング部16は、診断結果を機械設備2に対応付けて、診断したセンサデータの測定時刻とともに診断結果記憶手段18に記憶する。なお、本実施形態においては、データマイニング部16は、診断結果として異常予兆の有無に加えて、寄与度および異常度を含めて診断結果記憶手段18に記憶する。
Returning to FIG. 1, the description of the configuration of the abnormality sign diagnosis apparatus 1 will be continued.
The data mining unit (first diagnosis means) 16 refers to the multidimensional sensor data acquired from the mechanical equipment 2 and creates a case model by performing statistical processing, and a data mining method using the created case model Is used to diagnose abnormal signs. The data mining unit 16 in the present embodiment makes a diagnosis with reference to the sensor data stored in the sensor data storage unit 12. Further, the data mining unit 16 stores the diagnosis result in the diagnosis result storage unit 18 together with the measurement time of the diagnosed sensor data in association with the mechanical equipment 2. In the present embodiment, the data mining unit 16 stores the contribution result and the abnormality degree in the diagnosis result storage unit 18 in addition to the presence / absence of the abnormality sign as the diagnosis result.
ここで、図3を参照(適宜図1参照)して、データマイニング部16の詳細な構成について説明する。
図3に示すように、本実施形態のデータマイニング部16は、学習部161と診断部162とを備えている。また、学習部161は、学習データ取得手段161aと、モード分割手段161bと、モデル作成手段161cとを備え、診断部162は、診断対象データ取得手段162aと、異常度算出手段162bと、診断手段162cと、寄与度算出手段162dとを備えている。
Here, the detailed configuration of the data mining unit 16 will be described with reference to FIG. 3 (refer to FIG. 1 as appropriate).
As shown in FIG. 3, the data mining unit 16 of this embodiment includes a learning unit 161 and a diagnosis unit 162. The learning unit 161 includes a learning data acquisition unit 161a, a mode division unit 161b, and a model creation unit 161c. The diagnosis unit 162 includes a diagnosis target data acquisition unit 162a, an abnormality degree calculation unit 162b, and a diagnosis unit. 162c and contribution calculation means 162d.
学習部161は、センサデータ記憶手段12に記憶されている診断対象となる機械設備2に対応する過去に測定されたセンサデータを参照し、機械設備2の運転状態を示すモードごとに学習して事例モデルを作成する手段である。作成した事例モデルのデータであるコードブックは、モデルデータ記憶手段17に、機械設備2に対応付けて、モードごとに記憶される。   The learning unit 161 refers to sensor data measured in the past corresponding to the machine equipment 2 to be diagnosed stored in the sensor data storage unit 12 and learns for each mode indicating the operating state of the machine equipment 2. It is a means to create a case model. The code book which is the data of the created case model is stored in the model data storage unit 17 for each mode in association with the machine facility 2.
学習データ取得手段161aは、センサデータ記憶手段12に記憶されているセンサデータから、事例モデル作成のための学習に用いる学習データとして、所定の期間のセンサデータを取得し、取得した学習データをモード分割手段161bに出力する。   The learning data acquisition unit 161a acquires sensor data for a predetermined period from the sensor data stored in the sensor data storage unit 12 as learning data used for learning for creating a case model, and uses the acquired learning data as a mode. It outputs to the dividing means 161b.
学習データとして用いるセンサデータの期間は、診断対象となる機械設備2の性質に応じて定められるものである。例えば、発電プラントにおけるガスタービンを診断対象とする場合には、1〜2週間程度の期間に蓄積されたセンサデータを学習データとして用いることができる。学習データとして用いるセンサデータの測定日が、診断対象となるセンサデータの測定日に近過ぎると、異常部位の劣化がゆっくりと進行するような場合、センサデータの変化が少なく、異常予兆を検知し難い場合がある。このような場合には、1週間前を最新データとして、それ以前の1週間ないし2週間程度の期間に測定されたセンサデータを学習データとして用いるようにすればよい。   The period of the sensor data used as learning data is determined according to the property of the machine equipment 2 to be diagnosed. For example, when a gas turbine in a power plant is to be diagnosed, sensor data accumulated in a period of about 1 to 2 weeks can be used as learning data. If the measurement date of the sensor data used as learning data is too close to the measurement date of the sensor data to be diagnosed, if the deterioration of the abnormal part progresses slowly, the sensor data changes little and an abnormal sign is detected. It may be difficult. In such a case, it is sufficient to use the sensor data measured during the previous one to two weeks as learning data, one week before as the latest data.
また、学習データ取得手段161aは、保守情報記憶手段14に記憶されている保守情報を参照して、これらの学習データの取得対象となる期間において、例えば、故障や異常警報の発報などの異常なイベントが発生した日がある場合には、その日のセンサデータは学習データからは除外し、機械設備2が正常に運転されていた日に取得されたセンサデータのみを選択するようにしてもよい。正常な状態におけるセンサデータのみを用いて事例モデルを作成することにより、異常予兆の診断の感度を向上することができる。   In addition, the learning data acquisition unit 161a refers to the maintenance information stored in the maintenance information storage unit 14, and in the period for which the learning data is to be acquired, for example, an abnormality such as a failure or an abnormality alarm is issued. If there is a day when an event has occurred, the sensor data for that day may be excluded from the learning data, and only the sensor data acquired on the day when the machine facility 2 is operating normally may be selected. . By creating a case model using only sensor data in a normal state, it is possible to improve the sensitivity of diagnosis of an abnormal sign.
モード分割手段161bは、学習データ取得手段161aから学習データを入力し、この学習データを、機械設備2の運転状態に応じてモード分割する。モード分割手段161bは、モード分割した学習データを、モードに対応付けて、モデルデータ記憶手段17に記憶する。   The mode dividing unit 161b receives the learning data from the learning data acquiring unit 161a, and mode-divides the learning data according to the operation state of the machine facility 2. The mode dividing unit 161b stores the learning data subjected to the mode division in the model data storage unit 17 in association with the mode.
ここで、モード分割について、図4を参照(適宜図3参照)して説明する。
図4は、3つのセンサデータ(センサ1〜センサ3)を例として、センサデータの値の変化の様子と、機械設備2の運転状態(モード)との関係を示したものである。
Here, the mode division will be described with reference to FIG. 4 (refer to FIG. 3 as appropriate).
FIG. 4 shows the relationship between the change in the value of the sensor data and the operation state (mode) of the mechanical equipment 2 using three sensor data (sensor 1 to sensor 3) as an example.
図4に示すように、定常状態で運転中である「運転中モード」においては、各センサデータは若干の上下変動を伴うものの、狭い範囲で安定している。また、定常状態である「運転休止モード」においては、各センサデータは、急激な変化はないが、経時的になだらかに変化をし、「運転中モード」とは異なる値を示している。   As shown in FIG. 4, in the “in-operation mode” that is operating in a steady state, each sensor data is stable in a narrow range, although with some vertical fluctuations. Further, in the “operation stop mode” which is a steady state, each sensor data does not change suddenly but changes gradually with time and shows a value different from the “operation mode”.
一方、「運転休止モード」から「運転中モード」への過渡状態である「起動モード」および「運転中モード」から「運転休止モード」への過渡状態である「停止モード」では、それぞれセンサデータの値が急激に変化している。   On the other hand, in the “start mode” that is a transition state from the “operation stop mode” to the “operation stop mode” and the “stop mode” that is a transition state from the “operation stop mode” to the “operation stop mode”, the sensor data The value of is changing rapidly.
このように、運転状態によってセンサデータの値が大きく異なるため、事例モデルを作成するに当り、運転状態に応じてモード分割をし、複数のセンサデータによって規定される多次元空間において、互いに近接したセンサデータを用いることが好ましい。   In this way, the sensor data values differ greatly depending on the driving state, so when creating a case model, mode division is performed according to the driving state, and in a multidimensional space defined by a plurality of sensor data, they are close to each other It is preferable to use sensor data.
そこで、本実施形態では、センサデータを運転状態に応じたモードごとに、学習データとして用いるセンサデータを分割し、モードごとに、対応するセンサデータを用いて学習し、事例モデルを作成する。図4に示した例では、運転状態を4つのモードに分割しているが、さらに細かくモード分割するようにしてもよい。特にセンサデータが急激に変化する起動モードおよび停止モードにおいては、さらに細かくモード分割することが好ましい。なお、センサデータが急激に変化するこれらの過渡状態においては、異常予兆の検知が難しく、誤診断をする可能性が高くなる。このため、過渡状態については、異常予兆の診断を行わないようにしてもよい。これによって、誤診断による誤報の発生を抑制することができる。   Therefore, in the present embodiment, sensor data used as learning data is divided for each mode according to the driving state, and learning is performed using the corresponding sensor data for each mode to create a case model. In the example shown in FIG. 4, the operating state is divided into four modes. However, the mode may be further finely divided. In particular, in the start mode and the stop mode in which the sensor data changes rapidly, it is preferable to further divide the mode. In these transient states where the sensor data changes abruptly, it is difficult to detect an abnormal sign and the possibility of misdiagnosis increases. For this reason, in the transient state, the abnormality sign may not be diagnosed. As a result, it is possible to suppress the occurrence of misinformation due to erroneous diagnosis.
また、機械設備2の起動や停止の操作をした時刻である起動時刻や停止時刻を基準として、予め定めた期間ごとにモード分割することができるが、センサデータの変化に基づいて、自動的にモード分割することもできる。   In addition, mode division can be performed for each predetermined period with reference to the start time and stop time, which are times when the mechanical equipment 2 is started and stopped, but automatically based on changes in sensor data. It is also possible to divide the mode.
例えば、区間開始を判断するために、起動時に早くに変化するセンサデータを参照する。そして、最も早くに変化するセンサデータの変化開始点を区間開始と判断することができる。   For example, in order to determine the start of a section, sensor data that changes early at the time of activation is referred to. The change start point of the sensor data that changes the earliest can be determined as the section start.
また、区間終了を判断するために、定常状態になるのが遅いセンサデータを参照する。そして、最も定常状態になるのが遅いセンサデータを参照し、そのセンサデータが定常状態になった時点を区間終了と判断することができる。   Further, in order to determine the end of the section, reference is made to sensor data that is late in the steady state. Then, it is possible to determine the end of the section by referring to the sensor data that is the slowest in the steady state and the sensor data is in the steady state.
すなわち、モードの変わり目において変化の早いセンサデータおよび最も定常状態になるのが遅いセンサデータを参照することにより、自動的にモード分割をすることができる。   That is, the mode can be automatically divided by referring to the sensor data that changes quickly at the change of mode and the sensor data that becomes the slowest in the steady state.
図3に戻って、データマイニング部16の構成について説明を続ける。
モデル作成手段161cは、モデルデータ記憶手段17に記憶されているモード分割された学習データを用いて、モードごとに事例モデルを作成し、作成した事例モデルのデータであるコードブックをモデルデータ記憶手段17に記憶する。
Returning to FIG. 3, the description of the configuration of the data mining unit 16 will be continued.
The model creation means 161c creates a case model for each mode using the mode-divided learning data stored in the model data storage means 17, and stores a code book which is data of the created case model as model data storage means 17 stored.
事例モデルの作成について詳細に説明すると、モデル作成手段161cは、まず、モード分割されたセンサデータを学習データとして、多次元のセンサデータによって規定される多次元空間において、互いに近接するセンサデータ同士をクラスタ化する。クラスタ化の方法としては、例えば、k−means法を用いることにより、学習データをk個のクラスタに分類することができる。次に、クラスタごとに、そのクラスタに属するセンサデータの代表値を算出し、クラスタの範囲を示す指標としてクラスタ半径を算出する。そして、全クラスタについてクラスタ代表値とクラスタ半径とを算出することで、事例モデルを構成するクラスタのクラスタ代表値とクラスタ半径とからなるコードの集合であるコードブックが作成される。   The creation of the case model will be described in detail. First, the model creation unit 161c uses the sensor data that has been mode-divided as learning data, and in the multidimensional space defined by the multidimensional sensor data, Cluster. As a clustering method, for example, the learning data can be classified into k clusters by using a k-means method. Next, for each cluster, a representative value of sensor data belonging to the cluster is calculated, and a cluster radius is calculated as an index indicating the cluster range. Then, by calculating the cluster representative value and the cluster radius for all the clusters, a code book that is a set of codes including the cluster representative value and the cluster radius of the clusters constituting the case model is created.
ここで、図5を参照して、個々のクラスタの構成について説明する。図5に示すように、本実施形態では、個々のクラスタCはクラスタCの代表値μと、クラスタCの範囲を示す指標であるクラスタ半径rとによって規定される。代表値μとしては、例えば、そのクラスタに属する学習データの重心を用いることができる。また、クラスタ半径rとしては、例えば、そのクラスタに属する学習データの中で、代表値μから最も離れた学習データまでの距離とすることができる。また、そのクラスタに属する学習データの標準偏差σを求め、2σや3σをクラスタ半径rとして用いるようにしてもよい。   Here, the configuration of each cluster will be described with reference to FIG. As shown in FIG. 5, in this embodiment, each cluster C is defined by a representative value μ of the cluster C and a cluster radius r that is an index indicating the range of the cluster C. As the representative value μ, for example, the centroid of learning data belonging to the cluster can be used. The cluster radius r can be, for example, the distance to the learning data farthest from the representative value μ among the learning data belonging to the cluster. Alternatively, the standard deviation σ of learning data belonging to the cluster may be obtained and 2σ or 3σ may be used as the cluster radius r.
図3に戻って、データマイニング部16の構成について説明を続ける。
診断部162は、モデルデータ記憶手段17に記憶されている事象モデルの学習結果であるコードブックを用いて、センサデータ記憶手段12に記憶されている診断対象となるセンサデータである診断対象データについて、異常度に基づいて異常予兆の有無を診断するものである。また、診断部162は、異常度に対する各センサデータの寄与度を算出する。診断部162は、異常予兆の有無、異常度、寄与度を含む診断結果を診断結果記憶手段18に、機械設備2に対応付けて、診断対象となるセンサデータの測定時刻とともに記憶する。
Returning to FIG. 3, the description of the configuration of the data mining unit 16 will be continued.
The diagnosis unit 162 uses the code book that is the learning result of the event model stored in the model data storage unit 17 to perform diagnosis target data that is sensor data that is a diagnosis target stored in the sensor data storage unit 12. The presence / absence of an abnormality sign is diagnosed based on the degree of abnormality. Further, the diagnosis unit 162 calculates the contribution degree of each sensor data to the degree of abnormality. The diagnosis unit 162 stores a diagnosis result including the presence / absence of an abnormality sign, an abnormality degree, and a contribution degree in the diagnosis result storage unit 18 in association with the mechanical equipment 2 together with the measurement time of sensor data to be diagnosed.
診断対象データ取得手段162aは、センサデータ記憶手段12から、診断対象となる機械設備2についての診断対象日時のセンサデータを診断対象データとして取得し、同時刻に複数のセンサによって測定された一組のセンサデータである多次元センサデータごとに、順次に異常度算出手段162bおよび寄与度算出手段162dに出力する。   The diagnosis target data acquisition unit 162a acquires, from the sensor data storage unit 12, sensor data of the diagnosis target date and time for the machine facility 2 to be diagnosed as diagnosis target data, and a set of data measured by a plurality of sensors at the same time. Each of the multi-dimensional sensor data, which is the sensor data, is sequentially output to the abnormality degree calculating means 162b and the contribution degree calculating means 162d.
なお、診断対象データ取得手段162aは、診断対象データを、前記した学習データのモード分割と同様に、モード分割することが好ましい。これによって、後記する異常度算出手段162bによって異常度を算出する際に、その診断対象データの属するモードに対応する事例モデルのクラスタの中から個々の診断対象データが属するクラスタを判定することができ、他のモードに対応する事例モデルのクラスタを参照することが不要となる。   Note that the diagnosis target data acquisition unit 162a preferably performs mode division on the diagnosis target data in the same manner as the mode division of the learning data described above. As a result, when the degree of abnormality is calculated by the degree-of-abnormality calculating means 162b described later, the cluster to which the individual diagnosis target data belongs can be determined from the cluster of the case model corresponding to the mode to which the diagnosis target data belongs. It becomes unnecessary to refer to a cluster of case models corresponding to other modes.
また、本実施形態では、診断対象データは、センサデータ記憶手段12から取得するようにしたが、センサデータ記憶手段12を介さずに、センサデータ取得手段11(図1参照)から直接取得するようにしてもよい。   In the present embodiment, the diagnosis target data is acquired from the sensor data storage unit 12, but is directly acquired from the sensor data acquisition unit 11 (see FIG. 1) without using the sensor data storage unit 12. It may be.
異常度算出手段162bは、診断対象データ取得手段162aから入力した診断対象データについて、モデルデータ記憶手段17に記憶されている診断対象となる機械設備2についてのコードブックを用いて、診断対象データの異常度を算出する。異常度算出手段162bは、算出した異常度を診断手段162cに出力するとともに、診断結果の一部として診断結果記憶手段18に記憶する。   The degree-of-abnormality calculation means 162b uses the code book for the machine equipment 2 to be diagnosed stored in the model data storage means 17 for the diagnosis object data input from the diagnosis object data acquisition means 162a. Calculate the degree of abnormality. The abnormality degree calculation means 162b outputs the calculated abnormality degree to the diagnosis means 162c and stores it in the diagnosis result storage means 18 as a part of the diagnosis result.
ここで、図5および図6を参照(適宜図3参照)して、異常度の算出方法について説明する。
異常度算出手段162bは、順次に診断対象データ取得手段162aから入力される個々の診断対象データについて、コードブックに含まれる複数のクラスタの何れに属するかを判定し、診断対象データが属するクラスタに対応するコードを用いて異常度を算出する。なお、診断対象データは、すべてのクラスタの中で、診断対象データとの距離が最も小さいクラスタに属するものと判定する。
Here, a method for calculating the degree of abnormality will be described with reference to FIGS. 5 and 6 (see FIG. 3 as appropriate).
The degree-of-abnormality calculation means 162b determines which of the plurality of clusters included in the codebook belongs to each diagnosis object data sequentially input from the diagnosis object data acquisition means 162a, and assigns to the cluster to which the diagnosis object data belongs. The degree of abnormality is calculated using the corresponding code. The diagnosis target data is determined to belong to the cluster having the smallest distance from the diagnosis target data among all the clusters.
まず、図5を参照して、診断対象データとクラスタとの距離について説明する。図5に示すように、診断対象データpとクラスタCとの距離として、診断対象データpとクラスタCの代表値μとの距離である誤差距離dを定義する。そして、診断対象データpは、この誤差距離dが最小となるクラスタCに属するものとする。   First, the distance between the diagnosis target data and the cluster will be described with reference to FIG. As shown in FIG. 5, an error distance d, which is the distance between the diagnosis target data p and the representative value μ of the cluster C, is defined as the distance between the diagnosis target data p and the cluster C. The diagnosis target data p is assumed to belong to the cluster C in which the error distance d is minimum.
例えば、図6に示すように、3つのクラスタC〜Cがあったとして、それぞれのクラスタ重心μ〜μと診断対象データpとの距離である誤差距離d〜dの中で、誤差距離dが最も小さい場合は、クラスタCが診断対象データpの属するクラスタであると判定する。 For example, as shown in FIG. 6, assuming that there are three clusters C 1 to C 3 , among the error distances d 1 to d 3 that are the distances between the cluster centroids μ 1 to μ 3 and the diagnosis target data p. When the error distance d 1 is the smallest, it is determined that the cluster C 1 is a cluster to which the diagnosis target data p belongs.
図5に戻って、診断対象データpがクラスタCに属すると判定された場合、クラスタCの代表値μで規定される点(クラスタ重心)と、診断対象データpで規定される点との距離を誤差距離dとして、異常度は式(1)によって算出される。
異常度 = (誤差距離d)/(クラスタ半径r) ・・・ 式(1)
異常度は、クラスタの代表値μで規定されるクラスタ重心から距離が大きいほど、すなわち、クラスタから乖離しているほど大きな値となる。
Returning to FIG. 5, when it is determined that the diagnosis target data p belongs to the cluster C, the distance between the point (cluster centroid) defined by the representative value μ of the cluster C and the point defined by the diagnosis target data p. Is an error distance d, and the degree of abnormality is calculated by the equation (1).
Abnormality = (error distance d) / (cluster radius r) Expression (1)
The degree of abnormality increases as the distance from the cluster center of gravity defined by the cluster representative value μ increases, that is, as the distance from the cluster increases.
また、図6に示したように、最近接のクラスタCとの誤差距離dおよびクラスタ半径に基づいて異常度を算出するため、異常度は診断対象データと事例モデルとの乖離の度合いを示すものということができる。 Further, as shown in FIG. 6, for calculating the degree of abnormality based on the error distance d 1 and cluster radius of the cluster C 1 nearest, the degree of abnormality of the degree of divergence between the diagnostic object data and case model It can be said that it is shown.
図3に戻ってデータマイニング部16の構成について説明を続ける。
診断手段162cは、異常度算出手段162bから入力した異常度に基づいて、異常予兆の有無を診断するものである。診断手段162cは、診断した異常予兆の有無を診断結果の一部として、機械設備2に対応付けて診断結果記憶手段18に記憶する。
Returning to FIG. 3, the description of the configuration of the data mining unit 16 will be continued.
The diagnosis unit 162c diagnoses the presence / absence of an abnormality sign based on the abnormality level input from the abnormality level calculation unit 162b. The diagnosis unit 162c stores, in the diagnosis result storage unit 18, the presence or absence of the diagnosed abnormality sign as a part of the diagnosis result in association with the machine facility 2.
診断手段162cは、異常度が予め定められた閾値を超える場合に異常予兆があると診断する。例えば、誤差距離dがクラスタ半径rより大きい場合は異常予兆がると診断する場合は、閾値は「1」となる。但し、閾値は「1」に限定されるものではなく、例えば、「2」や「5」など、異常予兆診断の感度や誤報の発生頻度などを勘案して定めることができる。   The diagnosis unit 162c diagnoses that there is an abnormality sign when the degree of abnormality exceeds a predetermined threshold. For example, when the error distance d is larger than the cluster radius r, the threshold value is “1” when diagnosing that there is an abnormality sign. However, the threshold value is not limited to “1”, and can be determined in consideration of the sensitivity of abnormality sign diagnosis, the frequency of occurrence of false alarms, and the like, for example, “2” and “5”.
また、診断手段162cによる異常予兆の有無の診断は、例えば、1日分のセンサデータについて診断を行う場合、一点でも異常度が所定の閾値を超えた場合に異常があると判断してもよく、時系列で取得したセンサデータに対して、時間方向に平滑化処理を施した後に、所定閾値と比較して診断するようにしてもよい。また、例えば、予め定めた一定の時間以上、連続して閾値を超えた場合に異常予兆があると診断するようにしてもよい。これによって、例えば、ノイズ発生によりスパイク状に異常度が上昇した場合に、誤診断を防ぐことができる。   Further, the diagnosis of the presence / absence of an abnormality sign by the diagnosis unit 162c may be determined, for example, that when abnormality is detected for one day of sensor data, an abnormality is detected when the degree of abnormality exceeds a predetermined threshold. The sensor data acquired in time series may be subjected to smoothing processing in the time direction and then diagnosed by comparing with a predetermined threshold value. In addition, for example, it may be diagnosed that there is an abnormality sign when the threshold value is continuously exceeded for a predetermined time or more. Accordingly, for example, when the degree of abnormality increases in a spike shape due to noise generation, it is possible to prevent erroneous diagnosis.
寄与度算出手段162dは、異常度算出手段162bで算出される異常度に対して、その異常度の算出に用いた診断対象データを構成する各センサデータの寄与の程度を示す寄与度を算出するものである。寄与度算出手段162dは、モデルデータ記憶手段17に記憶されているコードブックに含まれるクラスタの中で、異常度の算出に用いたクラスタと同じクラスタについての代表値μ(図5参照)を用いて寄与度を算出する。また、寄与度算出手段162dは、算出した寄与度を診断結果の一部として、機械設備2に対応付けて診断結果記憶手段18に記憶する。   The contribution degree calculating unit 162d calculates a contribution degree indicating the degree of contribution of each sensor data constituting the diagnosis target data used for calculating the abnormality degree with respect to the abnormality degree calculated by the abnormality degree calculating unit 162b. Is. The contribution calculation unit 162d uses a representative value μ (see FIG. 5) for the same cluster as the cluster used for calculation of the degree of abnormality among the clusters included in the codebook stored in the model data storage unit 17. To calculate the contribution. Further, the contribution degree calculation unit 162d stores the calculated contribution degree in the diagnosis result storage unit 18 in association with the machine facility 2 as a part of the diagnosis result.
ここで、各センサデータの寄与度は、センサデータと、クラスタ代表値μの当該センサデータに対応する成分との誤差であるセンサ成分誤差を用いて、式(2)によって算出される。
寄与度 = (センサ成分誤差)/(誤差距離d) ・・・ 式(2)
Here, the degree of contribution of each sensor data is calculated by Expression (2) using a sensor component error that is an error between the sensor data and a component corresponding to the sensor data of the cluster representative value μ.
Contribution = (sensor component error) / (error distance d) (2)
なお、異常度および寄与度の算出において、各センサデータは正規化されていることが好ましい。正規化することにより、各センサデータの取り得る値の範囲の違いに影響されることなく、適切に異常度および寄与度を算出することができる。   In calculating the degree of abnormality and the degree of contribution, it is preferable that each sensor data is normalized. By normalizing, the degree of abnormality and the degree of contribution can be appropriately calculated without being affected by the difference in the range of values that each sensor data can take.
また、寄与度の算出は、すべての診断対象データについて算出してもよく、診断手段162cによって異常予兆があると診断された診断対象データについてのみ算出するようにしてもよい。   Further, the contribution degree may be calculated for all diagnosis target data, or may be calculated only for the diagnosis target data diagnosed as having an abnormality sign by the diagnosis unit 162c.
また、一定期間に蓄積されたセンサデータを学習データとして用いて事例モデルを作成する際に、この一定期間に蓄積されたセンサデータを、モードごとに一括して用いるようにしてもよいが、期間を分割して用いてもよい。例えば、2週間分のセンサデータを用いる場合は、1日ごとのセンサデータを用いて事例モデルを作成し、全部で14個の事例モデルを作成するようにしてもよい。そして、2週間分を一括して用いて事例モデルを作成した場合に比べて、14倍の個数のクラスタから、診断対象データが属するクラスタを判定し、そのクラスタを用いて異常予兆を診断することができる。   Further, when creating a case model using sensor data accumulated in a certain period as learning data, the sensor data accumulated in this certain period may be used collectively for each mode. May be used separately. For example, when using sensor data for two weeks, a case model may be created using sensor data for each day, and a total of 14 case models may be created. Compared with the case where a case model is created using two weeks at a time, a cluster to which diagnosis target data belongs is determined from 14 times as many clusters, and an abnormal sign is diagnosed using the cluster. Can do.
2週間での経時変化がある程度大きい場合には、2週間分のセンサデータを一括して用いて事例モデルを作成すると、学習データのバラツキが大きくなるため、クラスタ半径rが大きくなる。そこで、1日ごとの学習データを用いて事例モデルを作成し、その中から最適な事例モデルを選択するようにする。こうすることで、1日分の学習データのバラツキは2週間分の学習データのバラツキに比べて小さいため、1日ごとの学習データを用いて作成される事例モデルに対応するクラスタ半径rが大きくなり過ぎない。従って、前記した式(1)によって算出される異常度の値が小さくなり過ぎず、異常予兆の感度を向上することができる。   When the change over time in two weeks is large to some extent, if the case model is created using sensor data for two weeks at once, the variation in the learning data increases, and the cluster radius r increases. Therefore, a case model is created using the daily learning data, and an optimum case model is selected from the case model. By doing so, the variation in the learning data for one day is smaller than the variation in the learning data for two weeks, so the cluster radius r corresponding to the case model created using the learning data for each day is large. Not too much. Therefore, the value of the degree of abnormality calculated by the above equation (1) does not become too small, and the sensitivity of the abnormality sign can be improved.
モデルデータ記憶手段17は、モード分割手段161bでモードごとに分割された学習データと、モデル作成手段161cで作成されたコードブックを記憶する記憶手段である。また、モデルデータ記憶手段17に記憶される学習データは、モデル作成手段161cによって参照され、コードブックは、異常度算出手段162bおよび寄与度算出手段162dによって参照される。
モデルデータ記憶手段17としては、磁気ディスク装置、光ディスク装置、半導体記憶装置などを用いることができる。
The model data storage means 17 is a storage means for storing the learning data divided for each mode by the mode dividing means 161b and the code book created by the model creating means 161c. The learning data stored in the model data storage unit 17 is referred to by the model creation unit 161c, and the code book is referred to by the abnormality degree calculation unit 162b and the contribution degree calculation unit 162d.
As the model data storage means 17, a magnetic disk device, an optical disk device, a semiconductor storage device, or the like can be used.
ここで、図7を参照(適宜図1参照)して、モデルデータ記憶手段17に記憶される学習データおよびコードブックのデータ構造について説明する。
図7(a)に示すように、学習データは、個々の機械設備2を識別する識別情報である機械設備2が設置されたサイト(場所)およびそのサイトにおける機械No.(「サイト/機械No.」)に対応付けられて、機械設備2の運転状態を示す「モード」ごとの、各センサ(1〜N)のデータ(「センサ1」〜「センサN」)および「測定時刻」から構成されている。
Here, with reference to FIG. 7 (refer to FIG. 1 as appropriate), the data structure of the learning data and code book stored in the model data storage means 17 will be described.
As shown in FIG. 7A, the learning data includes the site (location) where the machine facility 2 is identification information for identifying the individual machine facility 2, and the machine No. at that site. ("Site / Machine No."), the data ("Sensor 1" to "Sensor N") of each sensor (1-N) for each "mode" indicating the operating state of the mechanical equipment 2 and It consists of “measurement time”.
また、図7(b)に示すように、コードブックは、個々の機械設備2を識別する識別情報である機械設備2が設置されたサイト(場所)およびそのサイトにおける機械No.(「サイト/機械No.」)に対応付けられて、学習データ中の各センサデータの「最大値」および「最小値」、クラスタごとのクラスタの代表値であるクラスタ重心の各センサデータに対応する成分値(「センサ1」〜「センサN」)、学習に用いたセンサデータの中で、そのクラスタに属する「所属データ数」、クラスタごとの、所属する学習データのクラスタ重心からの距離の最大値である「最大誤差」などから構成されている。なお、本実施形態では、この「最大誤差」をクラスタ半径r(図4参照)として用いる。また、各センサデータの[最大値]は、対応するセンサデータをその「最大値」で除して各センサデータを正規化するために用いることができる。   Further, as shown in FIG. 7B, the code book includes a site (location) where the machine facility 2 is installed as identification information for identifying the individual machine facility 2, and a machine No. at that site. ("Site / Machine No.") corresponding to each sensor data of the cluster centroid, which is the representative value of the cluster for each cluster, and the "maximum value" and "minimum value" of each sensor data in the learning data Component values ("sensor 1" to "sensor N"), the "number of belonging data" belonging to the cluster among the sensor data used for learning, and the distance from the cluster centroid of the learning data belonging to each cluster It consists of “maximum error” which is the maximum value. In the present embodiment, this “maximum error” is used as the cluster radius r (see FIG. 4). The [maximum value] of each sensor data can be used to normalize each sensor data by dividing the corresponding sensor data by the “maximum value”.
図1に戻って、診断結果記憶手段18は、リモートモニタリング部15およびデータマイニング部16による異常予兆の有無、異常度および寄与度を含む診断結果を記憶する記憶手段である。診断結果記憶手段18に記憶される診断結果は、表示制御手段19およびリモートモニタリング部15によって参照される。
診断結果記憶手段18としては、磁気ディスク装置、光ディスク装置、半導体記憶装置などを用いることができる。
Returning to FIG. 1, the diagnosis result storage means 18 is a storage means for storing a diagnosis result including the presence / absence of an abnormality sign, an abnormality degree, and a contribution degree by the remote monitoring unit 15 and the data mining unit 16. The diagnosis result stored in the diagnosis result storage unit 18 is referred to by the display control unit 19 and the remote monitoring unit 15.
As the diagnosis result storage means 18, a magnetic disk device, an optical disk device, a semiconductor storage device, or the like can be used.
ここで、図8を参照(適宜図1参照)して、診断結果記憶手段18に記憶される診断結果の中の、データマイニング部16による診断結果のデータ構造について説明する。
図8に示すように、診断結果記憶手段18に記憶されるデータマイニング部16による診断結果は、個々の機械設備2を識別する識別情報である機械設備2が設置されたサイト(場所)およびそのサイトにおける機械No.(「サイト/機械No.」)に対応付けられて、「測定時刻」、データマイニング部16で学習データとして用いたセンサデータの測定日を示す「学習データ取得日」、診断対象データが属する「クラスタ番号」、異常予兆の有無を示す「異常フラグ」、機械設備2の運転状態を示す「モード」、「異常度」、各センサ(「センサ1」〜「センサN」)の「測定値」および「学習値」、および各センサ(「センサ1」〜「センサN」)の「寄与度」から構成されている。
Here, referring to FIG. 8 (refer to FIG. 1 as appropriate), the data structure of the diagnosis result by the data mining unit 16 among the diagnosis results stored in the diagnosis result storage means 18 will be described.
As shown in FIG. 8, the diagnosis result by the data mining unit 16 stored in the diagnosis result storage means 18 is a site (location) where the machine equipment 2 which is identification information for identifying each machine equipment 2 is installed, and its site Machine No. at the site (“Site / machine No.”), “measurement time”, “learning data acquisition date” indicating the measurement date of sensor data used as learning data in the data mining unit 16, and “diagnosis target data” “Cluster number”, “abnormal flag” indicating presence / absence of abnormality sign, “mode” indicating operation state of mechanical equipment 2, “abnormality”, “measured value” of each sensor (“sensor 1” to “sensor N”) And “learning value” and “contribution” of each sensor (“sensor 1” to “sensor N”).
なお、「学習値」とは、診断対象データが属すると判定されたクラスタの代表値μ(図4参照)の各センサ成分のことである。
また、図8に示した例では、「学習データ取得日」は、クラスタごとに異なる場合がある。この例では、学習データとして、1〜2週間程度の期間のセンサデータを用いて作成する際に、前記したように、この期間のデータを1日ごとに分割し、1日分の学習データを用いて事例モデルをそれぞれ作成して、作成した複数日分の事例モデルの含まれるクラスタの中から、診断対象データが属するクラスタを判定して用いるようにした。「学習データ取得日」とは、診断対象データが属するクラスタの作成に学習データとして用いたセンサデータの測定日を示すものである。
The “learning value” is each sensor component of the representative value μ (see FIG. 4) of the cluster that is determined to belong to the diagnosis target data.
In the example illustrated in FIG. 8, the “learning data acquisition date” may be different for each cluster. In this example, when creating the learning data using the sensor data for a period of about 1 to 2 weeks, as described above, the data for this period is divided every day, and the learning data for one day is obtained. Each case model was created using the cluster, and the cluster to which the diagnosis target data belongs was determined and used from among the clusters containing the created case models for multiple days. The “learning data acquisition date” indicates the measurement date of sensor data used as learning data for creating a cluster to which diagnosis target data belongs.
表示制御手段19は、リモートモニタリング部15およびデータマイニング部16による異常予兆の診断結果および診断に用いたセンサデータなどを表示手段20に表示させるための制御手段である。表示制御手段19は、診断結果記憶手段18に記憶されている診断結果を参照して、この診断結果を画像データに変換して表示手段20に出力する。   The display control means 19 is a control means for causing the display means 20 to display a diagnosis result of an abnormal sign by the remote monitoring unit 15 and the data mining unit 16 and sensor data used for the diagnosis. The display control unit 19 refers to the diagnosis result stored in the diagnosis result storage unit 18, converts the diagnosis result into image data, and outputs the image data to the display unit 20.
ここで、図9および図10を参照して、診断結果の表示例について説明する。
図9は、上段および中段に、センサデータ選択メニューBで選択された2個のセンサデータについて、測定値(実線)、学習値(破線)および寄与度(点線)の変化の履歴をグラフ表示し、下段に異常度の変化の履歴をグラフ表示したものである。
Here, a display example of the diagnosis result will be described with reference to FIGS. 9 and 10.
FIG. 9 is a graph showing the change history of the measured value (solid line), the learned value (dashed line), and the contribution (dotted line) for the two sensor data selected in the sensor data selection menu B2 in the upper and middle stages. In the lower part, the change history of the degree of abnormality is displayed as a graph.
また、この表示画面では、操作者は、マウスなどの入力手段を介して、前記したセンサデータ選択メニューBのほか、機械設備が設置されたサイト選択(すなわち機械設備の選択)メニューB、表示開始日時指定Bおよび表示終了日時指定Bなどの設定をすることができるようになっている。また、操作者は、下段にグラフ表示した異常度の変化の履歴を参照ながら、マウスなどの入力手段を用いて、異常度の高い区間を指定することができ、指定した区間についての各センサデータの寄与度を算出して、図10に示すように寄与度を棒グラフ化して表示できるようになっている。 In addition, on this display screen, the operator can select a site on which mechanical equipment is installed (ie, selection of mechanical equipment) menu B 1 , in addition to the sensor data selection menu B 2 described above, via an input means such as a mouse. Settings such as display start date / time designation B 3 and display end date / time designation B 4 can be made. In addition, the operator can designate a section with a high degree of abnormality by using an input means such as a mouse while referring to the history of changes in the degree of abnormality displayed in a graph on the lower row, and each sensor data for the designated section. As shown in FIG. 10, the contribution can be displayed as a bar graph.
なお、図9の画面を最初に表示する場合は、初期の選択値として、寄与度の高い上位2個のセンサデータを自動的に選択して表示するようにしてもよい。   When the screen of FIG. 9 is displayed first, the top two sensor data with the highest contribution may be automatically selected and displayed as the initial selection value.
また、図10は、図9に示した表示画面において、下段の異常度グラフにおける指定範囲についての寄与度の計算結果を表示したものである。この例では、寄与度の高い上位5個のセンサデータについて、棒グラフとセンサ種別と寄与度の値とを表示したものである。操作者は、このグラフを参照して、図9に示した表示画面におけるセンサデータ選択メニューBを再設定して、所望のセンサデータの変化の履歴をグラフ表示させることができる。 FIG. 10 shows the calculation result of the degree of contribution for the designated range in the lower abnormality graph in the display screen shown in FIG. In this example, bar graphs, sensor types, and contribution values are displayed for the top five sensor data with the highest contributions. The operator refers to this graph, it is possible to reconfigure the sensor data selection menu B 2 in the display screen illustrated in FIG. 9, is graph display the history of changes in the desired sensor data.
このように、寄与度を表示し、また、寄与度の高いセンサデータを選択して、そのセンサデータの変化の履歴をグラフ表示することで、異常予兆診断装置1(図1参照)の操作者は、視覚的にセンサデータの変化の傾向を把握しやすくなる。このため、操作者は、異常による機械設備2のトリップ時期を容易に予測できるようになり、事前に保守作業や部品交換を行うことができる。   In this way, the operator of the abnormality sign diagnosis apparatus 1 (see FIG. 1) is displayed by displaying the contribution degree, selecting sensor data having a high contribution degree, and displaying the change history of the sensor data in a graph. Makes it easier to visually grasp the trend of changes in sensor data. For this reason, the operator can easily predict the trip time of the mechanical equipment 2 due to an abnormality, and can perform maintenance work and parts replacement in advance.
図1に示す表示手段20は、表示制御手段19から入力された診断結果などの情報を表示する画像表示手段である。表示手段20としては、例えば、液晶ディスプレイやCRT(Cathode Ray Tube)ディスプレイなどを用いることができる。   The display means 20 shown in FIG. 1 is an image display means for displaying information such as a diagnosis result input from the display control means 19. As the display means 20, for example, a liquid crystal display, a CRT (Cathode Ray Tube) display, or the like can be used.
以上、異常予兆診断装置1の構成について説明したが、異常予兆診断装置1は、各構成手段を専用のハードウェアを用いて構成することができるが、これに限定されるものではない。例えば、異常予兆診断装置1は、一般的なコンピュータにプログラムを実行させ、コンピュータ内の演算装置や記憶装置を動作させることにより実現することができる。このプログラム(異常予兆診断プログラム)は、通信回線を介して配布することも可能であるし、CD−ROMなどの記録媒体に書き込んで配布することも可能である。   Although the configuration of the abnormality sign diagnosis apparatus 1 has been described above, the abnormality sign diagnosis apparatus 1 can be configured by using dedicated hardware for each constituent unit, but is not limited thereto. For example, the abnormality sign diagnosis apparatus 1 can be realized by causing a general computer to execute a program and operating an arithmetic device or a storage device in the computer. This program (abnormality sign diagnosis program) can be distributed via a communication line, or can be distributed on a recording medium such as a CD-ROM.
[異常予兆診断装置の動作]
次に、図11を参照(適宜図1ないし図3参照)して、本実施形態における異常予兆診断装置1による異常予兆診断の動作について説明する。
なお、ここでは、所定期間以上に渡って、機械設備2に設置された複数のセンサによって測定されたセンサデータおよび機械設備2の保守情報が、それぞれセンサデータ記憶手段12および保守情報記憶手段14に蓄積されているものとする。
また、この異常予兆診断処理を行うタイミングは、診断対象となる機械設備2の性質や運用状況に応じて定められるべきものである。例えば、発電プラントなどの機械設備2を診断するためには、この処理は、例えば、1日に1回、定められた時刻に行われるものである。
[Operation of the abnormal sign diagnosis device]
Next, referring to FIG. 11 (refer to FIGS. 1 to 3 as appropriate), the operation of the abnormal sign diagnosis by the abnormal sign diagnosis apparatus 1 in the present embodiment will be described.
Here, sensor data measured by a plurality of sensors installed in the mechanical equipment 2 and maintenance information of the mechanical equipment 2 are stored in the sensor data storage means 12 and the maintenance information storage means 14 respectively for a predetermined period or more. It is assumed that it has been accumulated.
In addition, the timing for performing the abnormality sign diagnosis process should be determined according to the nature and operation status of the machine equipment 2 to be diagnosed. For example, in order to diagnose the mechanical equipment 2 such as a power plant, this process is performed, for example, once a day at a predetermined time.
図11に示すように、異常予兆診断装置1は、データマイニング部16の学習部161によって、センサデータ記憶手段12から、予め定められた所定期間に測定されたセンサデータを参照して、このセンサデータを学習データとして用いて事例モデルを作成し、作成した事例モデルのデータであるコードブックをモデルデータ記憶手段17に記憶する(ステップS10)。なお、事例モデルの作成処理の詳細については後記する。   As shown in FIG. 11, the abnormality sign diagnosis apparatus 1 refers to the sensor data measured during a predetermined period from the sensor data storage unit 12 by the learning unit 161 of the data mining unit 16. A case model is created using the data as learning data, and a code book which is data of the created case model is stored in the model data storage means 17 (step S10). Details of the case model creation process will be described later.
次に、異常予兆診断装置1は、診断対象データ取得手段162aによって、センサデータ記憶手段12から診断対象データを取得する(ステップS11)。例えば、1日に1回診断する場合は、前日のセンサデータを取得する。   Next, the abnormality sign diagnosis apparatus 1 acquires diagnosis target data from the sensor data storage unit 12 by the diagnosis target data acquisition unit 162a (step S11). For example, when making a diagnosis once a day, the sensor data of the previous day is acquired.
次に、異常予兆診断装置1は、異常度算出手段162bによって、ステップS11で取得した診断対象データについて、ステップS10で作成され、モデルデータ記憶手段17に記憶されている事例モデルのデータであるコードブックを用いて、異常度を算出する(ステップS12)。なお、異常予兆診断装置1は、異常度算出手段162bによって、算出した異常度を診断結果の一部として診断結果記憶手段18に記憶する。   Next, the abnormality sign diagnosis device 1 uses the abnormality degree calculation unit 162b to generate the code that is the data of the case model created in step S10 and stored in the model data storage unit 17 for the diagnosis target data acquired in step S11. The degree of abnormality is calculated using the book (step S12). The abnormality sign diagnosis apparatus 1 stores the calculated abnormality degree in the diagnosis result storage means 18 as a part of the diagnosis result by the abnormality degree calculation means 162b.
そして、異常予兆診断装置1は、診断手段162cによって、異常度が所定の閾値を超えているか否かによって異常予兆の有無を診断する(ステップS13)。また、異常予兆診断装置1は、診断手段162cによって、診断した異常予兆の有無を診断結果の一部として診断結果記憶手段18に記憶する。   Then, the abnormality sign diagnosis apparatus 1 diagnoses the presence / absence of an abnormality sign by the diagnosis unit 162c based on whether or not the degree of abnormality exceeds a predetermined threshold (step S13). Further, the abnormality sign diagnostic apparatus 1 stores the presence / absence of the diagnosed abnormality sign in the diagnosis result storage means 18 as a part of the diagnosis result by the diagnosis means 162c.
異常予兆診断装置1は、診断手段162cによって、異常予兆があると診断した場合は(ステップS13でYes)、寄与度算出手段162dによって、寄与度を算出する(ステップS14)。なお、異常予兆診断装置1は、寄与度算出手段162dによって、算出した寄与度を診断結果の一部として診断結果記憶手段18に記憶する。   When the diagnosis unit 162c diagnoses that there is an abnormality sign (Yes in step S13), the abnormality sign diagnosis device 1 calculates the contribution degree by the contribution degree calculation unit 162d (step S14). The abnormality sign diagnosis device 1 stores the calculated contribution degree in the diagnosis result storage means 18 as a part of the diagnosis result by the contribution degree calculation means 162d.
なお、本実施形態では、データマイニング部16の診断手段162cによって異常予兆があると診断した場合に、寄与度を算出(ステップS14)するようにしたが、診断結果に関わらず、異常度の算出(ステップS12)の後に、または並行して、寄与度を算出するようにしてもよい。   In this embodiment, when the diagnosis unit 162c of the data mining unit 16 diagnoses that there is an abnormality sign, the contribution degree is calculated (step S14). However, the abnormality degree calculation is performed regardless of the diagnosis result. You may make it calculate a contribution after (step S12) or in parallel.
次に、異常予兆診断装置1は、総合診断手段152〜152によって、ステップS14で算出した寄与度に基づいて、個別診断手段15111〜1511Nおよび個別診断手段15121〜1512Nよる個別診断結果を用いた異常予兆の総合診断のための診断ルールを修正する(ステップS15)。
なお、データマイニング部16によって異常予兆があると診断した場合に、診断すべき異常種別に係る総合診断手段152〜152における診断ルールを再構築するものとする。ここでは、診断すべき異常種別に対応する総合診断手段が、総合診断手段152であるとして以下の説明をする。
Next, the abnormality sign diagnosis apparatus 1 uses the individual diagnosis means 151 11 to 151 1N and the individual diagnosis means 151 21 to 151 2N based on the contribution calculated in step S14 by the comprehensive diagnosis means 152 1 to 152 2 . The diagnosis rule for the comprehensive diagnosis of the abnormal sign using the diagnosis result is corrected (step S15).
In addition, when the data mining unit 16 diagnoses that there is an abnormality sign, the diagnosis rules in the comprehensive diagnosis units 152 1 to 152 2 relating to the abnormality type to be diagnosed are reconstructed. Here, overall diagnosis means corresponding to the abnormal kind to be diagnosed, the following described as a comprehensive diagnostic means 152 1.
次に、異常予兆診断装置1は、診断対象データ取得手段162aによって、センサデータ記憶手段12から診断対象データを取得する(ステップS16)。なお、ステップS16で取得する診断対象データは、ステップS11で取得する診断対象データと同様である。   Next, the abnormality sign diagnosis apparatus 1 acquires diagnosis target data from the sensor data storage unit 12 by the diagnosis target data acquisition unit 162a (step S16). Note that the diagnosis target data acquired in step S16 is the same as the diagnosis target data acquired in step S11.
次に、異常予兆診断装置1は、個別診断手段15111〜1511Nによって、ステップS16で取得した診断対象データについて、それぞれ異常予兆の有無を個別診断する(ステップS17)。 Next, the abnormality sign diagnosis apparatus 1 individually diagnoses the presence or absence of an abnormality sign with respect to the diagnosis target data acquired in step S16 by the individual diagnosis units 151 11 to 151 1N (step S17).
次に、異常予兆診断装置1は、総合診断手段152によって、ステップS17で診断された個別診断の結果に対してステップS15で修正された診断ルールを適用して、異常予兆の有無を総合診断する(ステップS18)。なお、異常予兆診断装置1は、総合診断手段152によって、総合診断の結果を診断結果の一部として診断結果記憶手段18に記憶する。 Next, the abnormality indication diagnostic apparatus 1 overall by the diagnostic means 152 1, by applying the diagnostic rule corrected in step S15 the result of the diagnosed individual diagnosed in step S17, overall diagnosis the presence or absence of an abnormality indication (Step S18). Incidentally, abnormality indication diagnostic apparatus 1, the overall diagnosis unit 152 1 is stored in the diagnosis result storage means 18 as part of the diagnosis result The results of overall diagnosis.
そして、異常予兆診断装置1は、表示制御手段19によって、診断結果記憶手段18に記憶された診断結果を表示手段20に表示させる(ステップS19)。このとき、例えば、マウスやキーボードなどの入力手段(不図示)を介して入力される操作者の指示に応じて、診断結果として異常予兆の有無に加えて、あるいは異常予兆の有無に替えて、例えば、図9に示した表示例のように、寄与度を表示したり、図10に示した表示例のように、異常度や寄与度の高いセンサデータの変化の履歴をグラフ表示したりすることができる。   Then, the abnormality sign diagnosis apparatus 1 causes the display control means 19 to display the diagnosis result stored in the diagnosis result storage means 18 on the display means 20 (step S19). At this time, for example, in accordance with an operator instruction input via an input means (not shown) such as a mouse or a keyboard, in addition to the presence or absence of an abnormal sign as a diagnosis result, or in place of the presence or absence of an abnormal sign, For example, the degree of contribution is displayed as in the display example shown in FIG. 9, or the history of changes in sensor data with a high degree of abnormality or contribution is displayed in a graph as in the display example shown in FIG. be able to.
一方、異常予兆診断装置1は、診断手段162cによって、例えば、診断対象となる1日分のセンサデータについて異常予兆がないと診断した場合は(ステップS13でNo)、リモートモニタリング部15の総合診断手段152における診断ルールを修正することなく、診断対象データ取得手段162aによって診断対象データを取得し(ステップS16)、個別診断手段15111〜1511Nよる個別診断(ステップS17)および総合診断手段152による(ステップS18)総合診断を行い、表示制御手段19により診断結果を表示手段20に表示させる(ステップS19)。なお、総合診断手段152による総合診断(ステップS18)では、前回までに設定された診断ルールに基づいて総合診断を行う。 On the other hand, when the abnormality sign diagnosis apparatus 1 diagnoses that there is no abnormality sign for the sensor data for one day to be diagnosed by the diagnosis unit 162c (No in step S13), the comprehensive diagnosis of the remote monitoring unit 15 is performed. The diagnosis target data is acquired by the diagnosis target data acquisition unit 162a without correcting the diagnosis rule in the unit 152 1 (step S16), the individual diagnosis (step S17) by the individual diagnosis units 151 11 to 151 1N and the comprehensive diagnosis unit 152. 1 (step S18), comprehensive diagnosis is performed, and the display control means 19 displays the diagnosis result on the display means 20 (step S19). In comprehensive diagnosis by overall diagnosis means 152 1 (step S18), and a comprehensive diagnosis based on the diagnosis rules set up to the previous time.
なお、本実施形態では、データマイニング部16の診断手段162cによって異常予兆があると診断した場合に、総合診断手段152〜152における診断ルールを修正するようにしたが、データマイニング部16の診断手段162cによって異常予兆があると診断した場合に加えて、保守情報記憶手段14に記憶された診断対象の期間における保守情報を参照し、機械設備2の故障や警報の発報がある場合にも診断ルールの変更を行うようにしてもよい。 In the present embodiment, when the diagnosis unit 162c of the data mining unit 16 diagnoses that there is an abnormality sign, the diagnosis rule in the comprehensive diagnosis units 152 1 to 152 2 is corrected. In addition to the case where the diagnosis unit 162c diagnoses that there is a sign of abnormality, the maintenance information stored in the maintenance information storage unit 14 is referred to and maintenance information for the period to be diagnosed is referred to. Also, the diagnostic rule may be changed.
次に、図12を参照(適宜図1および図3参照)して、事例モデルの作成処理について説明する。なお、この処理は、図11におけるステップS10の処理に相当する。
図12に示すように、異常予兆診断装置1は、まず、学習データ取得手段161aによって、センサデータ記憶手段12から、予め定められた所定期間に測定されたセンサデータを学習データとして取得する(ステップS20)。
Next, with reference to FIG. 12 (refer to FIG. 1 and FIG. 3 as appropriate), an example model creation process will be described. This process corresponds to the process of step S10 in FIG.
As shown in FIG. 12, the abnormality sign diagnosis apparatus 1 first acquires, as learning data, sensor data measured in a predetermined period from the sensor data storage unit 12 by the learning data acquisition unit 161a (Step S1). S20).
この際に、異常予兆診断装置1は、学習データ取得手段161aによって、保守情報記憶手段14に記憶されている診断対象となる機械設備2についての保守情報を参照して、学習データを取得すべき期間において、故障や異常警報の発報などの異常を示すイベントが発生している区間がある場合は、その区間のセンサデータを学習データから除外する。すなわち、学習データ取得手段161aは、機械設備2が正常に運転されている状態において測定されたセンサデータのみを学習データとして用いるようにする。   At this time, the abnormality sign diagnosis apparatus 1 should acquire learning data by referring to the maintenance information about the machine equipment 2 to be diagnosed stored in the maintenance information storage unit 14 by the learning data acquisition unit 161a. In the period, when there is a section in which an event indicating an abnormality such as a failure or an abnormal alarm is generated, the sensor data of the section is excluded from the learning data. That is, the learning data acquisition unit 161a uses only sensor data measured in a state where the machine facility 2 is operating normally as learning data.
次に、異常予兆診断装置1は、モード分割手段161bによって、ステップS20で取得した学習データについて、機械設備2の運転状態を示すモードごとに分割して(ステップS21)、分割した学習データをモードごとにモデルデータ記憶手段17に記憶する(ステップS22)。   Next, the abnormality sign diagnosis apparatus 1 divides the learning data acquired in step S20 by the mode dividing unit 161b for each mode indicating the operation state of the mechanical equipment 2 (step S21), and the divided learning data is set to the mode. Every time, it is stored in the model data storage means 17 (step S22).
次に、異常予兆診断装置1は、モデル作成手段161cによって、モードごとに学習データを用いて事例モデルを作成するために、最初に学習するモードを選択する(ステップS23)。なお、学習するモードの順序は任意に選択してよい。   Next, in order to create a case model using the learning data for each mode, the abnormality sign diagnosis apparatus 1 selects a mode to be first learned by the model creation unit 161c (step S23). Note that the order of learning modes may be arbitrarily selected.
次に、異常予兆診断装置1は、モデル作成手段161cによって、ステップS23で選択したモードに対応する学習データを、モデルデータ記憶手段17から取得し、取得した学習データを用いて学習して事例モデルを作成する(ステップS24)。より具体的には、学習データをクラスタ化して、各クラスタの代表値とクラスタ半径とからなるコードの集合であるコードブックを作成する。   Next, the abnormality sign diagnosis apparatus 1 acquires learning data corresponding to the mode selected in step S23 from the model data storage unit 17 by the model creation unit 161c, learns using the acquired learning data, and learns the case model. Is created (step S24). More specifically, the learning data is clustered to create a code book that is a set of codes including the representative value of each cluster and the cluster radius.
次に、異常予兆診断装置1は、モデル作成手段161cによって、ステップS24で学習した結果であるコードブックをモデルデータ記憶手段17に記憶する(ステップS25)。   Next, the abnormality sign diagnosis apparatus 1 stores, in the model data storage unit 17, the code book that is the result of learning in step S24 by the model creation unit 161c (step S25).
次に、異常予兆診断装置1は、モデル作成手段161cによって、事例モデルを未作成の他のモードがあるかを確認し(ステップS26)、ある場合は(ステップS26でYes)、未作成の他のモードについて事例モデルの作成を選択する(ステップS23)。   Next, the abnormality sign diagnosis apparatus 1 confirms whether there is another mode in which the case model has not been created by the model creation unit 161c (step S26), and if there is (Yes in step S26), The creation of the case model is selected for the mode (step S23).
一方、未作成の他のモードがない場合は(ステップS26でNo)、異常予兆診断装置1は、処理を終了する。 On the other hand, when there is no other uncreated mode (No in step S26), the abnormality sign diagnosis apparatus 1 ends the process.
以上説明したように、データマイニング手法、すなわち、多次元センサデータを用いた学習により作成した事例モデルを用いて異常予兆を診断することにより、個別にセンサデータを用いた異常予兆の診断によるよりも早期に異常予兆を検知することができ、さらに、異常度に対する寄与度に応じて個別(一次元)のセンサデータによる個別診断結果を用いた診断ルールを修正することで、より適切に異常予兆を検知することができる。   As explained above, by diagnosing an abnormal sign using a data mining technique, that is, a case model created by learning using multidimensional sensor data, rather than by diagnosing an abnormal sign individually using sensor data It is possible to detect abnormal signs at an early stage, and to correct abnormal signs more appropriately by correcting diagnostic rules using individual diagnosis results based on individual (one-dimensional) sensor data according to the degree of contribution to the degree of abnormality. Can be detected.
また、寄与度や、異常度に対する寄与度の高いセンサデータの変化の履歴をグラフ表示することにより、操作者は、異常部位の特定や異常による機械設備2のトリップ時期の予測を容易に行うことができるようになる。そのため、操作者は、機械設備2がトリップする前に保守作業や部品交換などを適切に行うことができる。   In addition, by displaying the history of changes in sensor data having a high contribution to the degree of contribution and the degree of abnormality, the operator can easily identify the abnormal part and predict the trip time of the mechanical equipment 2 due to the abnormality. Will be able to. Therefore, the operator can appropriately perform maintenance work and parts replacement before the mechanical equipment 2 trips.
1 異常予兆診断装置
2 機械設備
10 通信手段
11 センサデータ取得手段
12 センサデータ記憶手段
13 保守情報取得手段
14 保守情報記憶手段
15 リモートモニタリング部(第2診断手段)
16 データマイニング部(第1診断手段)
17 モデルデータ記憶手段
18 診断結果記憶手段
19 表示制御手段
20 表示手段
15111〜1512N 個別診断手段
152〜152 総合診断手段
161 学習部
161a 学習データ取得手段
161b モード分割手段
161c モデル作成手段
162 診断部
162a 診断対象データ取得手段
162b 異常度算出手段
162c 診断手段
162d 寄与度算出手段
DESCRIPTION OF SYMBOLS 1 Abnormality sign diagnostic apparatus 2 Mechanical equipment 10 Communication means 11 Sensor data acquisition means 12 Sensor data storage means 13 Maintenance information acquisition means 14 Maintenance information storage means 15 Remote monitoring part (2nd diagnosis means)
16 Data mining department (first diagnostic means)
17 Model Data Storage Unit 18 Diagnosis Result Storage Unit 19 Display Control Unit 20 Display Unit 151 11 to 151 2N Individual Diagnosis Unit 152 1 to 152 2 Total Diagnosis Unit 161 Learning Unit 161a Learning Data Acquisition Unit 161b Mode Division Unit 161c Model Creation Unit 162 Diagnosis unit 162a Diagnosis target data acquisition unit 162b Abnormality calculation unit 162c Diagnosis unit 162d Contribution calculation unit

Claims (10)

  1. 機械設備の異常予兆の有無を診断する異常予兆診断装置であって、
    前記機械設備に設置された複数のセンサによって測定された多次元センサデータを取得するセンサデータ取得手段と、
    異常予兆の診断対象となる前記多次元センサデータである診断対象データについて、前記機械設備が正常に稼動しているときに取得した前記多次元センサデータを学習データとして用い、当該学習データをクラスタ化して作成された事例モデルからの前記診断対象データの乖離の度合いを示す異常度の大きさに基づいて、前記異常予兆の有無を診断する第1診断手段と、
    前記診断対象データを構成する1または2以上の個別のセンサデータの値が、それぞれ予め定められた所定の範囲内にあるか否かに基づいて、前記異常予兆の有無を診断する第2診断手段と、を備え、
    前記第1診断手段によって異常予兆があると診断された場合に、前記第2診断手段が異常予兆診断のために参照する前記1または2以上の個別のセンサデータを、前記異常度に対する前記個別のセンサデータの寄与の大きさを示す寄与度の大きさに基づいて、前記診断対象データの中から選択することを特徴とする異常予兆診断装置。
    An abnormality sign diagnosis device for diagnosing the presence or absence of an abnormality sign of mechanical equipment,
    Sensor data acquisition means for acquiring multidimensional sensor data measured by a plurality of sensors installed in the mechanical facility;
    For the diagnosis target data, which is the multi-dimensional sensor data to be diagnosed for an abnormality sign, the multi-dimensional sensor data acquired when the mechanical equipment is operating normally is used as learning data, and the learning data is clustered. First diagnosis means for diagnosing the presence or absence of the abnormality sign based on the magnitude of the degree of abnormality indicating the degree of deviation of the diagnosis target data from the case model created
    Second diagnostic means for diagnosing the presence / absence of the abnormality sign based on whether or not the value of one or more individual sensor data constituting the diagnosis target data is within a predetermined range. And comprising
    When the first diagnostic means diagnoses that there is an abnormality sign, the one or more individual sensor data referred to by the second diagnosis means for abnormality sign diagnosis is the individual sensor data for the degree of abnormality. An abnormality predictor diagnosis apparatus, wherein the diagnosis target data is selected from the diagnosis target data based on a degree of contribution indicating a magnitude of contribution of sensor data.
  2. 前記第2診断手段が異常予兆診断のために参照するセンサデータは、前記寄与度が最も大きいセンサデータであることを特徴とする請求項1に記載の異常予兆診断装置。   2. The abnormality sign diagnosis apparatus according to claim 1, wherein sensor data referred to by the second diagnosis unit for abnormality sign diagnosis is sensor data having the largest contribution.
  3. 前記第1診断手段によって異常予兆があると診断された場合に、前記第2診断手段が診断のために参照したセンサデータの変化の履歴をグラフ表示することを特徴とする請求項1または請求項2に記載の異常予兆診断装置。   The history of changes in sensor data referred to by the second diagnostic unit for diagnosis is displayed in a graph when the first diagnostic unit diagnoses that there is a sign of abnormality. 2. The abnormal sign diagnostic apparatus according to 2.
  4. 前記異常度は、前記診断対象データと、前記事例モデルを構成するクラスタの中で前記診断対象データとクラスタの重心との距離が最も近いクラスタである所属クラスタの重心と、の距離を、当該所属クラスタの広がりを示す指標であるクラスタ半径で除した値であることを特徴とする請求項1ないし請求項3の何れか一項に記載の異常予兆診断装置。   The degree of abnormality is the distance between the diagnosis target data and the centroid of the affiliation cluster that is the closest distance between the diagnosis target data and the centroid of the cluster among the clusters constituting the case model. The abnormality sign diagnosis apparatus according to any one of claims 1 to 3, wherein the abnormality sign diagnosis apparatus is a value divided by a cluster radius that is an index indicating a cluster spread.
  5. 前記寄与度は、前記診断対象データを構成する個別のセンサデータと、前記所属クラスタの重心の当該個別のセンサデータに対応する成分との差の絶対値を、前記診断対象データと前記所属クラスタの重心との距離で除した値であることを特徴とする請求項1ないし請求項4の何れか一項に記載の異常予兆診断装置。   The contribution degree is obtained by calculating an absolute value of a difference between individual sensor data constituting the diagnosis target data and a component corresponding to the individual sensor data of the center of gravity of the belonging cluster, and calculating the contribution of the diagnosis target data and the belonging cluster. The abnormality sign diagnosis apparatus according to any one of claims 1 to 4, wherein the abnormality sign diagnosis apparatus is a value divided by a distance from a center of gravity.
  6. 機械設備の異常予兆の有無を診断する異常予兆診断方法であって、
    前記機械設備に設置された複数のセンサによって測定された多次元センサデータを取得するセンサデータ取得工程と、
    異常予兆の診断対象となる前記多次元センサデータである診断対象データについて、前記機械設備が正常に稼動しているときに取得した前記多次元センサデータを学習データとして用い、当該学習データをクラスタ化して作成された事例モデルからの乖離の度合いを示す異常度の大きさに基づいて、前記異常予兆の有無を診断する第1診断工程と、
    前記診断対象データを構成する1または2以上の個別のセンサデータの値が、それぞれ予め定められた所定の範囲内にあるか否かに基づいて、前記異常予兆の有無を診断する第2診断工程と、を含み、
    前記第1診断工程において異常予兆があると診断された場合に、前記第2診断工程における異常予兆診断のために参照する前記1または2以上の個別のセンサデータを、前記異常度に対する前記個別のセンサデータの寄与の大きさを示す寄与度の大きさに基づいて、前記診断対象データの中から選択することを特徴とする異常予兆診断方法。
    An abnormality sign diagnosis method for diagnosing the presence or absence of an abnormality sign of mechanical equipment,
    A sensor data acquisition step of acquiring multidimensional sensor data measured by a plurality of sensors installed in the mechanical facility;
    For the diagnosis target data, which is the multi-dimensional sensor data to be diagnosed for an abnormality sign, the multi-dimensional sensor data acquired when the mechanical equipment is operating normally is used as learning data, and the learning data is clustered. A first diagnosis step of diagnosing the presence or absence of the abnormality sign based on the magnitude of the degree of abnormality indicating the degree of deviation from the created case model;
    A second diagnosis step of diagnosing the presence / absence of the abnormality sign based on whether or not the value of one or more individual sensor data constituting the diagnosis object data is within a predetermined range, respectively. And including
    When it is diagnosed that there is an abnormality sign in the first diagnosis step, the one or more individual sensor data to be referred to for abnormality sign diagnosis in the second diagnosis step An abnormality sign diagnosis method, wherein the diagnosis target data is selected based on a degree of contribution indicating a magnitude of contribution of sensor data.
  7. 前記第2診断工程において異常予兆診断のために参照するセンサデータは、前記寄与度が最も大きいセンサデータであることを特徴とする請求項6に記載の異常予兆診断方法。   The abnormality sign diagnosis method according to claim 6, wherein sensor data referred to for abnormality sign diagnosis in the second diagnosis step is sensor data having the largest contribution.
  8. 前記第1診断工程において異常予兆があると診断された場合に、前記第2診断工程で診断のために参照したセンサデータの変化の履歴をグラフ表示することを特徴とする請求項6または請求項7に記載の異常予兆診断方法。   The history of changes in sensor data referred to for diagnosis in the second diagnosis step is displayed in a graph when it is diagnosed that there is an abnormality sign in the first diagnosis step. 8. The abnormal sign diagnostic method according to 7.
  9. 前記異常度は、前記診断対象データと、前記事例モデルを構成するクラスタの中で前記診断対象データとクラスタの重心との距離が最も近いクラスタである所属クラスタの重心と、の距離を、当該所属クラスタの広がりを示す指標であるクラスタ半径で除した値であることを特徴とする請求項6ないし請求項8の何れか一項に記載の異常予兆診断方法。   The degree of abnormality is the distance between the diagnosis target data and the centroid of the affiliation cluster that is the closest distance between the diagnosis target data and the centroid of the cluster among the clusters constituting the case model. The abnormality sign diagnosis method according to any one of claims 6 to 8, wherein the abnormality sign diagnosis method is a value divided by a cluster radius which is an index indicating a cluster spread.
  10. 前記寄与度は、前記診断対象データを構成する個別のセンサデータと、前記所属クラスタの重心の当該個別のセンサデータに対応する成分との差の絶対値を、前記診断対象データと前記所属クラスタの重心との距離で除した値であることを特徴とする請求項6ないし請求項9の何れか一項に記載の異常予兆診断方法。   The contribution degree is obtained by calculating an absolute value of a difference between individual sensor data constituting the diagnosis target data and a component corresponding to the individual sensor data of the center of gravity of the belonging cluster, and calculating the contribution of the diagnosis target data and the belonging cluster. The abnormality sign diagnosis method according to claim 6, wherein the abnormality sign diagnosis method is a value divided by a distance from the center of gravity.
JP2011138941A 2011-06-22 2011-06-22 Abnormal sign diagnosis device and abnormality sign diagnosis method Active JP4832609B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2011138941A JP4832609B1 (en) 2011-06-22 2011-06-22 Abnormal sign diagnosis device and abnormality sign diagnosis method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2011138941A JP4832609B1 (en) 2011-06-22 2011-06-22 Abnormal sign diagnosis device and abnormality sign diagnosis method

Publications (2)

Publication Number Publication Date
JP4832609B1 true JP4832609B1 (en) 2011-12-07
JP2013008111A JP2013008111A (en) 2013-01-10

Family

ID=45418171

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2011138941A Active JP4832609B1 (en) 2011-06-22 2011-06-22 Abnormal sign diagnosis device and abnormality sign diagnosis method

Country Status (1)

Country Link
JP (1) JP4832609B1 (en)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103198147A (en) * 2013-04-19 2013-07-10 上海岩土工程勘察设计研究院有限公司 Method for distinguishing and processing abnormal automatized monitoring data
JP2013175108A (en) * 2012-02-27 2013-09-05 Mitsubishi Electric Corp Clustering device and clustering program
JP2013214292A (en) * 2012-03-06 2013-10-17 Jfe Steel Corp Abnormality monitoring system and abnormality monitoring method
JP6466617B1 (en) * 2018-07-17 2019-02-06 株式会社日立パワーソリューションズ Abnormal sign diagnosis system and abnormality sign diagnosis method
JP2020061054A (en) * 2018-10-12 2020-04-16 株式会社日立パワーソリューションズ Environmental factor setting system

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6146275B2 (en) * 2013-11-27 2017-06-14 株式会社豊田中央研究所 Fault diagnosis support system, fault diagnosis support apparatus, and fault diagnosis support method
JP5684941B1 (en) * 2014-07-31 2015-03-18 株式会社日立パワーソリューションズ Abnormal sign diagnostic apparatus and abnormal sign diagnostic method
JP6482817B2 (en) * 2014-10-22 2019-03-13 株式会社日立製作所 Plant monitoring support system and plant monitoring support method
US10719577B2 (en) 2014-12-05 2020-07-21 Nec Corporation System analyzing device, system analyzing method and storage medium
JP6297202B2 (en) * 2015-02-19 2018-03-20 三菱電機株式会社 Procedure extraction system
JP6328071B2 (en) * 2015-03-31 2018-05-23 東芝メモリ株式会社 Abnormal sign detection system and semiconductor device manufacturing method
JP5875726B1 (en) 2015-06-22 2016-03-02 株式会社日立パワーソリューションズ Preprocessor for abnormality sign diagnosis apparatus and processing method thereof
JP6599727B2 (en) * 2015-10-26 2019-10-30 株式会社Screenホールディングス Time-series data processing method, time-series data processing program, and time-series data processing apparatus
JP6450858B2 (en) * 2015-11-25 2019-01-09 株式会社日立製作所 Equipment management apparatus and method
JP6467364B2 (en) * 2016-02-24 2019-02-13 日本電信電話株式会社 Monitoring control system and rule generation method
JP6686593B2 (en) 2016-03-23 2020-04-22 日本電気株式会社 Data processing device, data processing system, data processing method and program
JP2018097662A (en) 2016-12-14 2018-06-21 オムロン株式会社 Control device, control program and control method
EP3557354A4 (en) 2016-12-14 2020-03-04 Omron Corporation Control device, control program, and control method
JP2018156151A (en) * 2017-03-15 2018-10-04 ファナック株式会社 Abnormality detecting apparatus and machine learning device
JP2018159981A (en) 2017-03-22 2018-10-11 オムロン株式会社 Control system, control apparatus, control program, and control method
US20200089734A1 (en) * 2017-05-08 2020-03-19 Hitachi, Ltd. Time series data analysis control method and analysis control device
JP6721563B2 (en) 2017-11-28 2020-07-15 ファナック株式会社 Numerical control device
JP2019196036A (en) 2018-05-07 2019-11-14 トヨタ自動車株式会社 Diagnostic apparatus, diagnostic system, and diagnostic method
JP2020046783A (en) * 2018-09-14 2020-03-26 株式会社東芝 Process-monitoring support device, process-monitoring support system, process-monitoring support method, process-monitoring support program, and terminal device

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011070635A (en) * 2009-08-28 2011-04-07 Hitachi Ltd Method and device for monitoring state of facility
JP2011081697A (en) * 2009-10-09 2011-04-21 Hitachi Ltd Facility condition monitoring method, monitoring system, and monitoring program

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011070635A (en) * 2009-08-28 2011-04-07 Hitachi Ltd Method and device for monitoring state of facility
JP2011081697A (en) * 2009-10-09 2011-04-21 Hitachi Ltd Facility condition monitoring method, monitoring system, and monitoring program

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013175108A (en) * 2012-02-27 2013-09-05 Mitsubishi Electric Corp Clustering device and clustering program
JP2013214292A (en) * 2012-03-06 2013-10-17 Jfe Steel Corp Abnormality monitoring system and abnormality monitoring method
CN103198147A (en) * 2013-04-19 2013-07-10 上海岩土工程勘察设计研究院有限公司 Method for distinguishing and processing abnormal automatized monitoring data
CN103198147B (en) * 2013-04-19 2016-05-11 上海顺凯信息技术股份有限公司 The differentiation of automatic monitoring abnormal data and processing method
JP6466617B1 (en) * 2018-07-17 2019-02-06 株式会社日立パワーソリューションズ Abnormal sign diagnosis system and abnormality sign diagnosis method
JP2020012691A (en) * 2018-07-17 2020-01-23 株式会社日立パワーソリューションズ Abnormality sign diagnosing system and abnormality sign diagnosing method
JP2020061054A (en) * 2018-10-12 2020-04-16 株式会社日立パワーソリューションズ Environmental factor setting system

Also Published As

Publication number Publication date
JP2013008111A (en) 2013-01-10

Similar Documents

Publication Publication Date Title
US10545487B2 (en) Interactive diagnostic system and method for managing process model analysis
US9864665B2 (en) Adaptive handling of operating data based on assets' external conditions
US10527520B2 (en) Operating wind motors and determining their remaining useful life
Wilkinson et al. Comparison of methods for wind turbine condition monitoring with SCADA data
US10018007B2 (en) Systems and methods to visualize component health and preventive maintenance needs for subsea control subsystem components
Niu Data-driven technology for engineering systems health management
US5210704A (en) System for prognosis and diagnostics of failure and wearout monitoring and for prediction of life expectancy of helicopter gearboxes and other rotating equipment
US9261862B2 (en) Automation management system and method
JP4850857B2 (en) Adaptive modeling of change states in predictive state monitoring
US7088255B2 (en) Health monitoring display system for a complex plant
JP5306902B2 (en) System and method for high performance condition monitoring of asset systems
JP2014059910A (en) Method for monitoring state of facility
JP5297272B2 (en) Device abnormality monitoring method and system
CN106873548B (en) Plant process management system with standard asset health
US20180365089A1 (en) Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model
US6694286B2 (en) Method and system for monitoring the condition of an individual machine
JP5284503B2 (en) Diagnostic system and method for predictive condition monitoring
US20150220847A1 (en) Information Processing Apparatus, Diagnosis Method, and Program
EP2477086A1 (en) Anomaly detection and diagnostic method, anomaly detection and diagnostic system, and anomaly detection and diagnostic program
US20030216888A1 (en) Predictive maintenance display system
WO2013111397A1 (en) Plant or facility fault determination method and health management method
JP5530020B1 (en) Abnormality diagnosis system and abnormality diagnosis method
JP5179086B2 (en) Industrial process monitoring method and monitoring system
US8803702B2 (en) Instrument status displaying device and instrument status displaying method
JP5684941B1 (en) Abnormal sign diagnostic apparatus and abnormal sign diagnostic method

Legal Events

Date Code Title Description
TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20110920

R150 Certificate of patent or registration of utility model

Ref document number: 4832609

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

Free format text: JAPANESE INTERMEDIATE CODE: R150

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20140930

Year of fee payment: 3

S533 Written request for registration of change of name

Free format text: JAPANESE INTERMEDIATE CODE: R313533

R350 Written notification of registration of transfer

Free format text: JAPANESE INTERMEDIATE CODE: R350