JP4859328B2

JP4859328B2 - 動力装置の状態監視

Info

Publication number: JP4859328B2
Application number: JP2002508056A
Authority: JP
Inventors: アニューズィス、ポール; キング、スティーブ、ピー．; キング、デニス、エム．; タラッセンコ、ライオネル; ヘイトン、ポール; ウテテ、シムカイ
Original assignee: オプティマイズドシステムズアンドソリューションズリミテッド
Priority date: 2000-07-05
Filing date: 2001-07-05
Publication date: 2012-01-25
Anticipated expiration: 2021-07-05
Also published as: WO2002003041A1; EP1297313A1; GB0016561D0; ATE441836T1; EP1297313B1; DE60139778D1; US6928370B2; DK1297313T3; US20020040278A1; AU2001267749A1; JP2004502932A; ES2332874T3

Description

【０００１】
発明の分野
本発明は、システムの状態（health）を監視する方法およびデータ処理システムに関する。本発明の方法およびデータ処理システムは、必ずしも限定されないが、特にガスタービンエンジン、火花点火内燃エンジン、圧縮点火内燃エンジンの状態を監視するのに適している。
【０００２】
従来技術
システムの状態は期待される基準に対するシステムの状態を測定することで考察することができる。正常な（healthy）システムとは、期待する状態にきわめて近い状態になっているシステムのことである。正常でない（unhealthy）システムとは、期待とは異なる状態になっているシステムのことであり、例えば、システムの悪化やある問題の可能性を示すシステムのことである。システムの状態を監視することができれば、そのような悪化および（／または）問題を検出でき、必要に応じて、初期の段階でその悪化および（／または）問題に対処することが可能となる。
【０００３】
例えば、米国特許第５６８４７１８号公報は、発電機の動作の監視用非リアルタイムシステムを開示している。そのシステムでは、振動データと負荷データが結合されて単一の信号を生成し、その信号を、その二つのパラメータに関する許容される最大の組み合わせ（maximum acceptable combinations）を表す記憶されたデータと比較する。本質的に、そのシステムは自動化された「ルックアップテーブル」であり、振動が許容限界値を超えた場合に警告を発する。
【０００４】
システムの状況すなわち状態を判定するために、一般的に、そのシステムの状態の諸様相を反映する一連の測定可能な指標値（indicators）を監視し分析することが行われる。ガスタービンを例にとると、タービンおよび圧縮機の動作温度および動作圧力、スプール速度等の動作パラメータが監視されるであろう。エンジンの状態に関するより完全な全体像を得ようとすると、これらのパラメータに加え、さらに振動測定値、潤滑油内の微粒子物質の測定値等を含む状態の指標値で補うことが可能である。
【０００５】
特にガスタービンのような複雑な機械システムでは、システムの有益な全体像を把握するために監視しなければならない指標値の数は多くなる。これは、言い換えると、エンジンの状態を判定するために完全な一連の指標値を分析する作業は複雑であり、特にオフラインでデータを分析するためには熟練した専門家が必要となる。
【０００６】
再度ガスタービンの場合を例に挙げると、例えば、一人または複数の専門家が、オフラインで分析する動作データおよび振動データを長期間に渡りエンジンから収集することが知られている。特に動作データは同じエンジンをシミュレートしたデータと比較され、この比較結果に基づき、専門家はエンジンの状態に関する考察を得るであろう。さらに、少量の振動データが検討され、エンジンの動作における大きな変化に対する表面的な考察を得ることになる。もし問題が見つかれば、振動データは、しばしば他の専門家によってより詳細に分析され、状態および動作性を低下させる潜在的な機械的問題の兆候となる異常な指標値を探す試みがなされる。
【０００７】
発明の要旨
本発明の主たる目的は、あるシステムの全体的な状態がより容易に評価可能なように状態指標値の取得および分析を簡便にする方法およびデータ処理システムを提供することにある。
【０００８】
従って、総括的に、本発明の第１の実施の形態によれば、システムから得られる複数の状態指標値から状態特性を生成する工程と、
正常なシステムの特性に対応する正常特性と前記状態特性を比較する工程と、
前記状態特性と前記正常特性との差が所定の閾値を超えている場合にイベント（event）を記録する工程と、
を含むシステムの状態監視方法が提供される。
【０００９】
ここで用いられる用語「特性（signature）」とは、融合させられる（merged）かまたは連合化されて（fused）、集合、ベクトル、スカラーのような一つのユニットまたは量となった複数の状態指標値（condition indicators）に関する。ベクトル特性の例として、指標値をベクトルの各々の要素に対応させてもよい。スカラー特性の例として、指標値に作用する数学的関数によってスカラーの大きさを決定するようにしてもよい。
【００１０】
このように状態指標値を一つの特性に融合または連合化し、連合化されたデータと比較できる正常特性を与えることにより、システムの状態を評価するという課題が大きく単純化される。特に、イベントの検出が潜在的な問題あるいは正常でないシステム（すなわち、通常期待されるものと異なるシステム状態）を示すことになるので、状態の監視が十分に自動化される。よって、監視過程中、専門家の入力に対する要求を減ずることができ、または、少なくとも最小化することが可能となる。このことは、言い換えれば、システムを連続してモニタすることが可能となり、システム動作中にリアルタイムでシステムの状態についての有益な情報を提供することが可能となる。
【００１１】
システム状態特性を形成するために結合される状態指標値は、運転時のパラメータ、すなわち機械的なシステムの場合、速度、圧力（例えばガス圧やオイル圧）、温度等を含むことが好ましい。他の有益なパラメータとしては、従来的には制御パラメータあるいは状態パラメータが考えられる。便宜上、このようなパラメータは、以下において動作パラメータ（performance parameter）という単一の名称で言及することとする。
【００１２】
さらに、機械的なシステムの状態についてより充実した挙動（picture）を得るために、特に、前記特性がシステムの振動に関する一以上の状態指標値を含むことが好ましい。
【００１３】
より一般的には、システム状態特性を生成する前記状態指標値は、二つ以上の別個なデータソースから導出される。これは、異なった形式を有する非常に様々な状態指標値データがシステム状態特性に含まれるという点において、このアプローチの著しい強さを示すものであり、複合分析を除きそれまで可能であったシステム状態の測定方法と比べてより包括的な測定方法を提供することになる。
【００１４】
少なくとも３種の状態指標値を用いて状態特性を生成することが好ましい。好適には、少なくとも１０種、より好適には、少なくとも２０種の状態指標値を用いて状態特性を生成することが好ましい。
【００１５】
好ましい実施例では、システムはガスタービンエンジンを含む。
【００１６】
システムの正常特性は、モニタされるシステムの所定のモデルから導出される。このモデルは、それ自体オフラインで発展（develop）させることが可能であり、その後状態監視方法が行われる間、固定される。しかしながら、前記モデルは、特定のシステムにより一層適合するように、前記方法が行われるにつれて調整されるように設計されることが好ましい。
【００１７】
いずれのアプローチが採用されてもよいが、特にモデルがデータドリブンによって発展した「学習（された）モデル（learnt model）」であるか、または、少なくとも部分的にデータドリブンによって発展したものであることが好ましい。すなわち、学習モデルは、場合に応じて正常（状態）か異常（状態）か区別された一連の状態指標値を含むトレーニングデータから学習する。実際のところ、しばしば正常データが異常データより簡単に取得可能であり、トレーニングデータが正常データの例だけを含んでもよい。この場合でも、続いて起こるイベントは正常な学習モデルからの逸脱と判断されるため、結果として効果的なモデルとなる。
【００１８】
正常なシステムの正常特性は、前記状態指標値間で一以上の相互依存性を定義するモデルから予測してもよい。これは、モデルがＮ次元空間（各々の次元がＮ個の状態指標値の一つに関係する空間）で正常なシステム動作に対応する連続した境界を定めることを可能とする。これは、正常なシステム動作の限度を設定するための「ルックアップテーブル」アプローチと対比される。前記「ルックアップテーブル」アプローチでは、（しばしば複雑な）状態指標値間の相互関係性および相関性を捕らることができない。
【００１９】
従って、例えば、あるシステムの問題や故障の開始において、多くの状態指標値が個々に、それぞれの許容範囲において変化することが多く見られる。「ルックアップテーブル」アプローチは、個々のパラメータの大きな変化のみを検出することが可能なため、問題や故障が起きていることを認識することができないであろう。これに対し、正常なシステムの状態特性が前記状態指標値間で一以上の相互依存性を定義するモデルから予測されている場合、状態指標値のいくつかの小さな変化は、蓄積されて状態特性をＮ次元空間の正常な境界外とする効果を有する。
【００２０】
所定の閾値が、正常特性によって定義される正常性からの統計的に有意な逸脱または差異に対応することが好ましい。従って、学習モデルによって与えられる正常特性の例では、（例えば、より多くのトレーニングデータの入力によって）モデルがさらに発展すると、所定の閾値が対応して変化することになるであろう。
【００２１】
ある実施例では、本発明は、複数の時間においてそれぞれ所定の工程を行うことを特徴とするシステムの状態を監視する方法であって、（ａ）前記システムから得られる複数の振動測定値、または、（ｂ）前記システムから得られる一以上の振動測定値と一以上の動作パラメータ測定値、を含む複数の状態指標値から状態特性を生成する工程と、
前記状態指標値間で一以上の相互依存性を定義するモデルから、正常なシステムの状態特性に対応する正常特性を予測する工程と、
前記状態特性を前記正常特性と比較する工程と、
前記状態特性と前記正常特性との差が所定の閾値を超えている場合にイベント（event）を記録する工程と、
を含むことを特徴とするシステムの状態監視方法を提供する。
【００２２】
前記モデルは、前記相互依存性を定義する一つ以上のゼロでない非対角項を有する行列（例えば、共分散行列）を含んでいてもよい。前記状態特性を前記正常特性と比較する工程は、以下の「実施の形態の詳細な説明」で定義される正規化された二乗イノベーション（normalized innovations squared）（ＮＩＳ）の値の計算を含んでいてもよい。
【００２３】
あるいは、モデルはニューラルネットワークを含んでもよい。Ｎ個の状態指標値がある場合、ある実施例は、Ｎ番目の値を他のＮ−１個の指標値で予測するように調整されるニューラルネットワークである。前記状態特性を前記正常特性と比較する工程は、さらに予測誤差の計算を含んでもよい。前記予測誤差の計算は、例えば、Ｎに対する予測値と実際の値との差の二乗となる。各々の状態指標値のため、これら予測ネットワークのうちのＮ個が平列に動作する。この場合、全体の予測誤差は、各々のネットワークの予測誤差の総和とすることが可能である。他の実施例では、ニューラルネットワークが調整され、Ｎ１＋Ｎ２＝Ｎとするとき、Ｎ２個の状態指標値（動作パラメータ等）のサブセットからＮ１個の状態指標値（たくさんのキー周波数における振動値等）のサブセットを予測する。
【００２４】
複数の時間は、１秒以下の連続する時間間隔を定義することが好ましい（すなわち、１Ｈｚの繰返し周波数）。さらに、時間は、０．２秒以下の連続する時間間隔を定義することがより好ましい（すなわち、５Ｈｚの繰返し周波数）。また、時間は、０．１秒以下の連続する時間間隔を定義することがより一層好ましい（すなわち、１０Ｈｚの繰返し周波数）。状態指標値データをこのようなレートで状態指標値を取得し処理することにより、システムの状態をリアルタイムに監視することができる。従って、もし異常なイベントが記録された場合、システム操作者は、いつでも迅速に適切な行動を起こすことができる。これは、航空ガスタービンエンジン等の安全性が非常に重要な装置（plant）の操作に大変有利である。
【００２５】
しかしながら、データ取得レートは、処理レートに比べて著しく速くすることが可能である。例えば、データ取得レートは、２０〜８０ｋＨｚの範囲に設定してもよい。取得したデータの一部だけを処理するようにしてもよい。
【００２６】
従って、他の実施例では、１秒以下の連続する時間間隔を定義する複数の時間においてそれぞれ所定の工程を行うことによってシステムの状態を監視する方法であって、前記所定の工程は、
（ａ）システムから得られる複数の振動測定値、または、（ｂ）システムから得られる一以上の振動測定値と一以上の動作パラメータ測定値、を含む複数の状態指標値から状態特性を生成する工程と、
正常なシステムの状態特性に対応する正常特性を予測する工程と、
前記状態特性を前記正常特性と比較する工程と、
前記状態特性と前記正常特性との差が所定の閾値を超えている場合にイベントを記録する工程と、
を含むことを特徴とするシステムの状態監視方法が提供される。
【００２７】
前記状態特性が、別個のデータソースから得られたデータ、例えば、動作および振動データである場合、データが時間内にちょうどよく同期しない問題が生じる。もしこの非同期データが特性を形成するために結合されれば、得られるシステムの状態像が歪んだものとなってしまうおそれがある。同様の理由により、正常システム動作のモデルを発展させるために用いられるトレーニングデータも、モデルの歪みを避けるためには同期していなければならない。
【００２８】
したがって、状態指標値は、１秒以下の同期誤差（synchronisation imprecision）でシステムから同期して取得されることが好ましい。さらに、０．１秒、０．０７５秒、０．０６２５秒、または、０．０２秒以下の同期誤差であることがより好ましい。「同期誤差」とは、特定の状態特性を形成する各々の状態指標値の対における取得時点の最大時間差を意味する。システムから取得される測定値は、連続する時間間隔より小さい同期誤差、例えば、もし時間間隔が０．２秒であれば、０．０７５秒以下であることが望ましい。
【００２９】
本発明は、上述した方法を実施するために適したあるシステムの状態を監視するためのデータ処理システムも提供する。総括的に、前記データ処理システムは、あるシステムから測定される複数の状態指標値を取得するデータ取得手段と、
前記測定された複数の状態指標値からシステム状態特性を生成する処理手段と、
正常なシステムの特性に対応する所定の正常特性を前記システム状態特性と比較する比較手段と、
前記比較手段が、前記システム状態特性と前記正常特性との差が所定の閾値を超えていることを示す場合にイベントを記録する記録手段と、
を備える。
【００３０】
前記データ処理システムは、さらに、（ａ）一以上の状態指標値、（ｂ）前記システム状態特性と前記正常特性との比較結果、および（／または）、（ｃ）前記比較手段が所定の閾値を超えた（すなわち、イベントが記録された）ことを示す場合の警告信号を表示する表示手段を備えていてもよい。
【００３１】
ある実施例において、本発明は、あるシステムの状態を監視するためのデータ処理システムにおいて、
複数の時間においてそれぞれ前記システムから複数の状態指標値を取得するデータ取得手段と、
前記状態指標値から状態特性を生成し、正常なシステムの状態特性に対応する正常特性を予測する処理手段と、
前記状態特性を前記正常特性と比較する比較手段と、
前記比較手段が、前記状態特性と前記正常特性との差が所定の閾値を超えていることを示す場合にイベントを記録する記録手段と、
を備え、
前記状態指標値は、（ａ）前記システムから得られる複数の振動測定値、または、（ｂ）前記システムから得られる一以上の振動測定値と一以上の動作パラメータ測定値、を含み、
前記正常特性は、前記状態指標値間で一以上の相互依存性を定義するモデルから予測される
ことを特徴とするデータ処理システムを提供する。
【００３２】
他の実施例において、本発明は、あるシステムの状態を監視するためのデータ処理システムにおいて、
１秒以下の連続する時間間隔を定義する各々の複数時間において前記システムから複数の状態指標値を取得するデータ取得手段と、
前記状態指標値から状態特性を生成し、正常なシステムの状態特性に対応する正常特性を予測する処理手段と、
前記状態特性を前記正常特性と比較する比較手段と、
前記比較手段が、前記状態特性と前記正常特性との差が所定の閾値を超えていることを示す場合にイベントを記録する記録手段と、
を備え、
前記状態指標値は、（ａ）前記システムから得られる複数の振動測定値、または、（ｂ）前記システムから得られる一以上の振動測定値と一以上の動作パラメータ測定値、を含む
ことを特徴とするデータ処理システムを提供する。
【００３３】
本発明の更なる実施の形態は、状態指標値を同期して取得する問題を取り扱う。本発明では、タイムスタンプ（共通な時計に基づく）を取得したデータと関連付け、このタイムスタンプを基に前記データを同期させることを提案している。
【００３４】
従って、この実施の形態では、本発明は、連続して取得される一連のデータ要素を含む（例えば、前述の実施の形態における各々の状態指標値に関係する）二つ以上のデータストリームを同期させる方法において、
各々のストリームの各々のデータ要素とタイムスタンプを関連付ける工程と、
第１ストリームから第１データ要素を選択しそのタイムスタンプを検査する工程と、
他のストリームでデータ要素のサーチを行い、前記第１ストリーム中の選択されたデータ要素のタイムスタンプに最も近いタイムスタンプを有する前記他のデータ要素中の前記データ要素を特定する工程と、
前記他のストリームで特定された前記データ要素と前記第１ストリーム中の前記選択された要素とが互いに同期しているとマーク（mark）する工程と、
を含み、
前記タイムスタンプは、前記データ要素の取得時間を全てのデータストリームに共通な時計に基づいて特定する
ことを特徴とする方法を提供する。
【００３５】
データ要素の相対的な取得時間は絶対的な取得時間より一般的に重要なので、前記共通な時計は、絶対的あるいは相対的なフレームワーク（framework）に基づいている。絶対的フレームワークでは、一つの時計が各々のデータストリームのデータ要素に対するタイムスタンプを与える。相対的フレームワークでは、各々のデータストリームが独自の時計を有し、複数の時計の一つが基準時計として選ばれ、これに対し他のデータストリームの取得時間が測定される。絶対的フレームワークと相対的なフレームワークを混合して用いることも好適である。例えば、データストリームが動作パラメータおよび振動測定値に関連している場合、動作パラメータ測定値に対し一方の時計によってタイムスタンプが付与され、振動測定値に対し別の時計によってタイムスタンプを付与するようにしてもよい。
【００３６】
前記処理は、第１ストリームのデータ要素を全て処理するまで繰り返すことができる。同期したデータストリームの使用に依存する如何なる後続のデータ処理においても、互いに同期しているとマークされたデータ要素のみが用いられる。
【００３７】
データストリームの取得レートが互いに異なっている場合、他のストリームが同期する前記第１ストリームを、一番低い取得レートを有しているストリームとして選択する。
【００３８】
本発明は、さらに、連続して取得される一連のデータ要素を含む二つ以上のデータストリームを同期させるデータ処理システムにおいて、
各々のストリームの各々のデータ要素とタイムスタンプを関連付ける手段と、
第１ストリームから第１データ要素を選択しそのタイムスタンプを検査する手段と、
他のストリームでデータ要素のサーチを行い、前記第１ストリーム中の選択されたデータ要素のタイムスタンプに最も近いタイムスタンプを有する前記他のデータ要素中の前記データ要素を特定する手段と、
前記ストリームあるいは他のストリームで特定された前記データ要素と前記第１ストリーム中の前記選択された要素とが互いに同期しているとマークする手段と、
を備え、
前記タイムスタンプは、前記データ要素の取得時間を全てのデータストリームに共通な時計に基づいて特定する
ことを特徴とするデータ処理システムを提供する。
【００３９】
実施の形態の詳細な説明
本発明の様々な実施の形態について、例として添付の図面を参照してさらに詳しく説明する。
【００４０】
以下に記載される実施例は、上記の本発明の第１および第２の実施の形態を用いたデータ処理システムの一例である。一層詳細には、動力装置（power plant）（例、ガスタービン）からの、当該動力装置の状態を監視するための動作パラメータおよび振動データの同期的な取得（synchronous acquisition）、分析、表示のためのシステムである。
【００４１】
本発明の第２の実施の形態の好ましい実施例によれば、動作および振動データストリームは、リアルタイムに同期し、本発明の第１の実施の形態の好ましい実施例によれば、これらのデータは、あるシステムの特性を生成するために結合あるいは連合化され、その特性を正常な動力装置を示すモデルの特性と比較し、異常／事故（イベント）（event）の検出および故障診断に用いられる。
【００４２】
以下の議論は航空ガスタービンエンジンの状態を監視するシステムの応用に焦点を合わせるが、例えば、地上および海洋ガスタービン内燃エンジン、火花点火内燃エンジンおよび圧縮点火内燃エンジン、あるいは、他の機械式、熱力学式、流体式、電気式および電子式システムを含む他の動力装置に適応可能であることが理解されよう。そのシステムは、ガスタービンからイーサネット（登録商標）リンクを介して２０〜４０Ｈｚのレートでデジタルな動作パラメータを得る。典型的な動作パラメータとしては、圧力、温度、スラスト、高度、マッハ数の測定値が挙げられる。振動データは、ＡＤコンバータを介してユーザが選択可能なサンプリングレート（６２５Ｈｚ〜８０ｋＨｚ）でサンプルされたアナログ振動トランスデューサによって得られる。振動データの振幅スペクトルは、高速フーリエ変換を用いて０．２秒毎に生成される。
【００４３】
動作および振動データストリームは、非同期であり対応するタイムスタンプとともに個別のファイルに記憶される。検討時において、データがメモリにロードされ、ラインごとに動作データとスペクトルデータとの間で同期がとられる。マーカ１０、１２（図１参照）は、振動および動作データリングバッファ（ring buffers）１４、１６において最後に同期したラインを記録しており、当該マーカ１０、１２が保持される。メモリ内で新しいデータが得られる際、次の振動スペクトルラインのタイムスタンプが検査される。動作データ中で最後に同期した場所から同期アルゴリズムが開始され、動作データのタイムスタンプに基づいて（精度（accurate to）０．０５秒）前後にサーチし、動作データリングバッファ１６内のタイムスタンプで一番近いマッチングを示すタイムスタンプが特定される。動作データリングバッファ内のこの場所が振動リングバッファ１４のラインと同期した動作データとして記録される。アルゴリズムは、さらに振動リングバッファ１４の次のラインに進み（０．２秒後）、同期するためのデータがなくなるまで続けられる。
【００４４】
従って、動作パラメータが２０Ｈｚ（すなわち０．０５秒間隔）で得られた場合、同期精度は０．０７５秒であり（すなわちデータ取得間隔の半分がタイムスタンプの精度に加えられる）、動作パラメータが４０Ｈｚ（すなわち０．０２５秒間隔）で得られた場合、同期精度は０．０６２５秒となることは明らかである。
【００４５】
同期アルゴリズムをより詳細に検討すると、図１から諒解されるように、アルゴリズムは、各々の振動データラインにマッチする動作データ入力のインデックスを付与する同期テーブル１８を保持している。このアルゴリズムは、各々のバッファで最後に同期したデータを特徴付けるために変数を使用する。このアルゴリズムの動作は、以下の擬似コードにまとめることができる。
【００４６】
１．最後に同期したマーカを振動および動作データの開始として初期化する。
２．両リングバッファに更なるデータがある間以下を反復する。
（ａ）各々のリングバッファ中の最後の同期データアイテムから始め、振動リングバッファに次の入力があった際、タイムスタンプｔを検査する。
（ｂ）タイムスタンプｔより大きなタイムスタンプが見つかるまで、動作リングバッファを前方にサーチする。この動作リングバッファへの入力と以前の入力とのいずれかにおいてタイムスタンプｔにもっとも近いものを選択し、同期テーブルにマッチングを記録する。
【００４７】
一旦同期がとれると、この動作および振動データの分析を左右するものは、正常なジェットエンジン動作のモデルの構築、および、これらのモデルに関するイベントまたは異常の検出である。
【００４８】
従来の飛行機のエンジン監視システムは、二つの別個なプロセスに基づく。その二つのプロセスとは、エンジンの状態を示す振動特性（vibration signatures）の使用と、別個な手続きであるガス経路分析（gas-path analysis）である。ガス経路分析は動作パラメータからの状態判断に用いられる。ここに述べられたアプローチにおいては、圧力や温度等の動作パラメータは振動データと連合化される（例えば、追跡順ベクトル（tracked order vectors）がある−その要素は、タービンの各々の軸に対する主振動周波数を中心とする狭い幅における信号の振幅に対応している）。その目的は、異種のデータを利用して、正常動作時のエンジン状態のより総合的な挙動を得ることにある。これは、言い換えれば、より様々な種類の偏差を特定することが可能となる。
【００４９】
さらに、正常なエンジンをモデル化するために学習されたデータドリブンモデルを使用することが提案される。従って、エンジンシステムの複数のモデルが使用されるが、これらは固定されたものではない。むしろ、取得されたトレーニングデータで発展する。このことはロバスト性に重要な利点をもたらす。
【００５０】
以下に記載されるデータ分析の手法は「新規検出（novelty detection）」と呼ばれる。この方法においては、専門家はトレーニングデータが異常（すなわち新規）か正常かを分類するときにのみ必要とされることが利点である。カルマンフィルタリングシステム（Kalman filtering systems）を新規検出に用いることは、例えば、１９７４年にＭＩＴＰｒｅｓｓにより出版されたＭ．Ｇｅｌｂによる「応用最適化推定（Applied Optimal Estimation）」に記載されている。
【００５１】
二つの代替的なデータ分析方法が以下に記載される。それらの方法はシステムをセットアップするために必要となる予備知識の量によって特徴付けられる。両方法とも、専門家はトレーニングデータが新規か正常かを分類するときにのみ必要とされる。
【００５２】
第１の方法は、前述した正常な学習モデルによる。例えば、正常な振動追跡順形状（tracked order shapes）は、正常なデータの簡単なクラスタリングモデルを用いることにより学習される。例えば検査されるエンジンの振動特性の新規性（novelty）は、正常なクラスタリングモデルにおける原型パターンと追跡順特性の近似度合いとを比較することにより検証される。これは、例えば、正常なモデルにおける（原型パターンの）クラスタ中心のいずれかに形成される追跡順を符号化するベクトルの正規化された最短ユークリッド距離を計算することによってなされる（Nairac et al、「ジェットエンジン振動データの分析システム（A System for the Analysis of Jet Engine Vibration Data）」、Integrated Computer-Aided Engineering、６（１）：５３−６５、１９９９年参照）。もしこの距離が予め定められた閾値を超えている場合、その追跡順によって示される振動特性は、正常の範囲外にあるとみなされる。振動追跡順に加え、振動スペクトルのための正常モデルは、側波帯、多重高調波、フラクタル高調波、およびブロードバンドパワー（broadband power）を含む。
【００５３】
上記モデルの説明には、学習モデルとして、図２に示される構成を有するニューラルネットワークが構築された例を用いる。
【００５４】
ニューラルネットワークは、状態特性として四つのノードを備える入力層３０を有した。四つのノードは、複数のシャフトを有するテストエンジンの一つのシャフトに関連して測定された四つの状態指標値からなる。状態指標値は、特定の時間における振幅、位相、シャフト速度、および、前記特定の時間後ある時間経過した時のシャフト速度であった。
【００５５】
ニューラルネットワークの出力層３２は二つのノードを有し、それぞれ振幅変化、時間経過後の位相変化を予想するためのものであった。
【００５６】
ニューラルネットワークは一つの隠れ層３４を有し、各々のノードは、ガウシアン基底関数（Gaussian radial basis function）が含まれていた。
【００５７】
ニューラルネットワークのトレーニングフェーズは、テストエンジンの長時間に渡る正常な動作状態から得られたトレーニングデータを用いた。ガウシアンの中心および広がりは、上記のクラスタ分析を用いて固定され、ノード間の結合の重みはモデルが収束するまで反復して調整された。
【００５８】
図３は、エンジンの正常動作状態の期間に対応するテストデータセットにおけるモデルの予測誤差（すなわち、振幅の変化と位相変化の予測誤差の和）のグラフを示す。このグラフは、新規の事故（イベント）を判断することが可能な予測誤差変量のベースライン（baseline）を規定するものである。
【００５９】
図４は、更なるエンジン動作期間における予測誤差のグラフである。この場合、エンジンにバードストライク（bird strike）が起きた。グラフの一番大きなピークが鳥の衝突の瞬間に対応している。明らかにモデルはこの事故を認識できていた。しかしながら、（図３のベースラインと比較して）事故後の変化した予測誤差信号は、モデルが衝突後の異常エンジン動作も検出できることを示した。このことは、モデルがバードストライクのような主要な事故だけでなく、正常な状態からのより小さな偏差も検出できることに確信を与えた。
【００６０】
第２の方法は、状態ベクトルを有するプロセスモデルを用いる。状態ベクトルはプロセスモデルに関連している（以下参照）。観察ベクトル（すなわち状態特性）は、計測された動作パラメータおよび振動情報に対応する要素を有し、２種類のデータがモデル内で連合化される。データの連合化は、１秒に数回システムによって生成される新たな出力とリアルタイムに行われる。
【００６１】
システム内のこのモデルの使用における重要な側面は、学習の使用である。最初のオフライン学習フェーズにおいて、エンジンの一般的なモデルが学習される。学習は、予測最大化（Expectation-Maximisation）のようなアルゴリズムを用いてデータドリブンで行われ、トレーニングデータを与えられた学習モデルの尤度（likelihood）が最大になるようにする。このような一般的なモデルがある特定の種類のエンジンに対してオフラインで学習されれば、学習内容は、パスオフ検査（pass-off test）および整備のすぐ後にそのモデルを調整（tune）するためにオンラインで個々のエンジンに適用することができる。エンジン劣化もオンラインで学習することができる。学習モデルは、航行あるいは着陸等の異なった飛行条件に調整することができ、より一層感度よく、個々の状況に応じて新規検出することができる。
【００６２】
データドリブン学習モデルは、熱力学や計算流体力学の法則に依存する既存の動作モデル（知識ベースモデル）と統合されてもよい。そのようなモデルは、学習モデルと知識ベースモデルとを統合していることからハイブリッドモデルと表現される。
【００６３】
学習モデルのアプローチについてより詳細に検討すると、それは予測最大化（ＥＭ）を線形な動的システムのパラメータ予測に適用すること（GhahramaniおよびHinton、「線形動的システムのためのパラメータ予測（Parameter Estimation for Linear Dynamical Systems）」、テクニカルレポートＣＲＧ−ＴＲ−９６−２、トロント大学、１９９６年参照）、および、非線型システムに適用すること（RoweisおよびGhahramani、「線形ガウシアンモデルの統一的考察（A Unifying Review of Linear Gaussian Models）」、ニューラル計算（Neural Compuration）、１１、３０５−３４５、１９９９年、ならびに、GhahramaniおよびRoweis、「ＥＭアルゴリズムを用いた非線形動的システムにおける学習（Learning in Nonlinear Dynamical Systems Using an EM Algorithm）」、Kearns et al.（編）、神経情報処理システムの進歩（Advances in Neural Information Processing Systems）、１１巻、ＭＩＴＰｒｅｓｓ、１９９９年参照）に基づく。
【００６４】
ＥＭ学習アルゴリズムはカルマンフィルタモデルに適用される。線形の場合、これは以下の計測処理を有するシステムである。
【００６５】
【数１】

【００６６】
ここでｙ（ｉ）は隠れ状態ｘ（ｉ）の観測結果のセット、Ｃは共分散行列、測定ノイズｖ（ｉ）は、平均ゼロ、共分散行列Ｒで正規分布している。ｙ（ｉ）およびｘ（ｉ）は、同じ次元となることができる。Ｃのゼロでない非対角項は、モデルにおいて状態特性および正常特性の動作パラメータと振動測定値との間の相互依存性をもたらす。状態方程式は、
【００６７】
【数２】

【００６８】
で表され、ｗ（ｉ）は平均ゼロ、共分散行列Ｑで正規分布している。
【００６９】
トレーニングフェーズの最初に、ＡおよびＣは小さな乱数（例えば、行列の要素がおよそ１０^-5）に初期化され、ＲおよびＱは例えばＩに初期化される。それから、トレーニングフェーズの間、トレーニングセットの各々の状態特性ｙ（ｉ）に対し、ＲｏｗｅｉｓおよびＧｈａｈｒａｍａｎｉの方法が数式（２）に適用され、ｘ（ｉ）の要素に最も近い値が導き出される。また、Ｃ、Ｒ、ｖ（ｉ）の要素は反復的に調整され、Ｃｘ（ｉ）＋ｖ（ｉ）がそれぞれの状態特性に収束する（ＲおよびＱは対角行列に制約することができる）。モデルに与えられた観測結果のセットの対数尤度によって収束が判定される。
【００７０】
Ａの要素を小さな乱数に初期化する代わりに、エンジンの運転状態の既存の動作モデルを表す初期値を採用してもよい。トレーニングフェーズの後、モデルは知識ベースモデルとデータドリブンモデルをハイブリッドしたものとなる。これら二つのデータ分析の手法を連合化することにより、それまでの専門家の知識の正確さがデータドリブンアプローチのロバスト性と結合されることになる。
【００７１】
トレーニングフェーズが終わってモデルに一連の状態特性からなるリアルタイムデータを入力する際、カルマンフィルタが再び用いられ、各々の状態特性ｙ（ｉ）に対するｘ（ｉ）の要素に最も近い値が導き出される。しかしながら、Ｃおよびｖ（ｉ）の要素はその時点で固定されているため、Ｃｘ（ｉ）＋ｖ（ｉ）は、状態特性との比較のために用いられる正常な特性を提供する。
【００７２】
例えば、正常な特性と状態特性との比較は、正規化された二乗イノベーション（ＮＩＳ）に基づいてなされることが可能である。イノベーションシーケンスνは正常な特性と状態特性との間の差となる。すなわち、
【００７３】
【数３】

【００７４】
となる。イノベーションは、平均ゼロで、あらゆる周波数を含む（white）ものである。
【００７５】
ＮＩＳは個々のイノベーションシーケンスを結合する。
【００７６】
【数４】

【００７７】
個々のシーケンスはＳ（ｋ）^-1項で重み付けられ、イノベーション共分散の逆
行列は、Ｐ（ｋ｜ｋ−１）を予測共分散とすると、
【００７８】
【数５】

【００７９】
と表される。
【００８０】
モデルはまず簡単な例（振動測定値を使用しない例）で示される。観測結果は、航行中のテストエンジンの３本のシャフトのスピードから構成される。観測されたデータｙは、ノイズを含む状態ｘであるので、
【００８１】
【数６】

【００８２】
と表される。観測結果は、学習過程の間、Ａ、Ｃ、ＱおよびＲをデータから学習する動的システムモデルを生成するために用いられる。トレーニングフェーズの最初に、ＡおよびＣは小さな乱数に初期化され、ＲおよびＱは例えばＩに初期化された。
【００８３】
図５は、システムの学習（対数尤度）プロットを示す。図６は、ＥＭアルゴリズムを用いた際のシャフト１の速度の予測値の発展を示す。示された例において、学習段階は、最初の２５回の反復の間持続している。２５回以降、システムの動的特性は学習された行列によって決定される（さらに、固定される）。
【００８４】
一旦トレーニングが終了した後、システムは、事故（イベント）や異常、すなわち、正常な学習モデルからの逸脱を検出するために用いられる。特に関心のあるイベントとは、予期しない、例えば、おそらくエンジンの問題を表すイベントである。しかしながら、特にモデルが航行エンベロープ（flight envelope）中、「定常状態（steady state）」の部分だけ（例えば、加速、航行、減速）から学習されている場合は、エンジンの動作中のある一時的な状態も、予期されるイベントであっても事故として警告される。例えば、抽気弁（bleed valve）が開閉する場合、エンジンの動作状態は、このイベントを含んでいない正常な定常状態の学習モデルから大きな差異を示すことになる。
【００８５】
従って、そのような定常状態モデルを用いる際、測定値は、このような一時的な出来事を回避するために使用することができる。例えば、抽気弁は、ある決まった時点に開くので、その時点およびその時点から若干前後する時間（例えば、前後２秒）にエンジンから収集したデータは、状態監視システムによって分析されるデータから削除することができる。
【００８６】
次に、動作パラメータおよび振動データを用いたより複雑な例について説明する。この例において、モデルは、ベッド装着型（bed-mounted）であり、複数のシャフトを有するテスト航空ガスタービンエンジンから得られるデータに適用される。このエンジンは、中間的な（intermediate）圧力タービンロックプレート（lock-plate）イベントを経験した際に周期的な加速−減速テストを受けたものを使用した。このようなテストは、過酷な条件下のエンジン動作をテストするために用いられる。データは、上記したように同期的に得られたものであった。
【００８７】
テスト日１５２−００に、ロックプレートイベントがエンジンに生じた。トレーニングデータは、そのイベントの前までの期間の１５２−００データであり、検査データは、そのイベントを含む期間の１５２−００データであった。この例では、１４次元のモデル（すなわち、ｙ（ｉ）およびｘ（ｉ）のそれぞれが１４種類の要素を有する）が用いられ、入力された状態指標値は以下の通りであった。
【００８８】
−低圧力シャフトの追跡順（ｔｏｌ）、中間圧力シャフトの追跡順（ｔｏｉ）、高圧力シャフトの追跡順（ｔｏｈ）
−低圧力シャフトのシャフトスピード（Ｎ１Ｖ）、中間圧力シャフトのシャフトスピード（Ｎ２Ｖ）、高圧力シャフトのシャフトスピード（Ｎ３Ｖ）
−環境圧力値（Ｐ０Ｖ）、全インレット圧力値（Ｐ２０Ｖ）、高圧力圧縮機送出圧力値（Ｐ３０Ｖ）、排出圧力値（ＰＥＸＶ）
−全インレット温度（Ｔ２０Ｖ）、高圧力圧縮機送出温度（Ｔ３０Ｖ）
−調整タービンガス温度（ＴＧＴＴＲＭ）
−要求燃料流量（ＷＦＤＥＭ）
【００８９】
トレーニングフェーズの最初に、ＡおよびＣは小さな乱数に初期化され、ＲおよびＱはＩに初期化された。
【００９０】
図７は、テストデータ期間の一部において測定された低圧力シャフトスピード（Ｎ１Ｖ）であり、図８は、同じ期間にトレーニングされたモデルによって計算されたＮＩＳの値を示す。
【００９１】
Ｎ１Ｖの記録における最初の急な二つの谷は、計画された連続する周期的な減速によるものであった。これらの谷に関係するものは、二つのＮＩＳのピークである。これらのピークは、エンジンが、周期的なテスト中に正常に動作していなかったことを示していた。実際は、ロックプレートがテストの初期において外れ、その結果異常なブレード摩擦が各々の減速周期の間に生じたことが後の検査で明らかになった。
【００９２】
図７および図８でカバーされる期間における３回目の計画された減速周期（すなわち、およそデータ点１２８５０）で、エンジンは、ブレード損害を被り結果として鋭いＮＩＳのピークとなりＮ１Ｖの低下となった。
【００９３】
しかしながら、（小さいものであるが）初期のＮＩＳピークは、監査システムが実質的なブレード損害を被る前にロックプレート離脱の影響をリアルタイムで検出することができるということを示している。もしそのような離脱が稼動中の航空エンジンで起これば、即時に警告を発することができ、タイムリーな措置（例えば、エンジン検査や保守）を取ることが可能であったであろう。対照的に、Ｎ１Ｖにおける突然の変動は、通常起こるので、Ｎ１Ｖの値単独では異常動作の確かな指標値とはならない。
【００９４】
更なる例でも、動作パラメータと振動データの両方を用いる。再びモデルはベッド装着型であり、複数のシャフトを有するテスト航空ガスタービンエンジンから得られるデータに適用された。しかし、この場合エンジンにオイルシール漏れが生じていた。
【００９５】
故障がデータ点５０４１０付近でエンジンに起こった。トレーニングデータは故障の前の期間のもので、テストデータは、故障を含む期間のものであった。この例では、入力状態指標値がｔｏｌ、ｔｏｉ、ｔｏｈ、Ｎ１Ｖ、Ｎ２Ｖ、Ｎ３Ｖ、Ｐ０Ｖ、Ｐ２０Ｖ、Ｐ３０Ｖ、ＰＥＸＶ、Ｔ２０Ｖ、ＴＧＴＴＲＭ、ＷＦＤＥＭである１３次元のモデルが用いられた。
【００９６】
図９は、その事故を含む期間について１３種類の状態指標値およびＮＩＳ（最下部のグラフ）を示したものである。データ点５０４１０における急なＮＩＳのピークは、再度、監査システムが故障の瞬間を検出することができることを示していた。他の状態指標値のうちのいくつかは、この時間でピークを迎えていたが、それらの値自身で異常（新規）動作と関連があることを確実に関連付けることはできなかった。
【００９７】
続く検査において、エンジンオイルが燃焼室に進入することを可能とするオイルシール漏れがあったことが判明した。この漏れにより、エンジン制御システムは燃焼室に入るエンジンオイルの量を減らし（すなわちＷＦＤＥＭの低下）、エンジンのスラスト（ＰＥＸＶ／Ｐ２０で与えられる）を一定にしようとした。
【００９８】
このイベントの後、燃料室にオイルが漏れたため、エンジンは正常動作の範囲外で動作した。ＮＩＳを追跡すると、データ点５０４１０の後でイベント前のレベルに戻らなかったのでこのことをうまく検出することができた。
【００９９】
次に、上記モデルが盛り込まれた状態監査システムがどのように運行中の航空ガスタービンの分析に導入されるのかについて考察する。
【０１００】
図１０に模式的に示されるエンジン上（on the engine）システムにおいて、運行ごとにおよそ１Ｇｂの振動および（主に圧力、温度、シャフトスピードからなる）動作データを生成することができた。振動データは通常周波数領域で分析される。振動および動作データは、データ取得手段２０にて生成され、一時的にリングバッファ２２に記憶される。データは同期化されて、プロセッサおよび比較手段２４にて新規検出が施される。比較手段２４はデータ取得手段２０から同期信号を受け取る。新規イベントに対応するデータの部分は、タグが付され、情報の損失なく記録手段（registation means）２６に記録される（すなわち、高帯域データが記録される）。記録手段２６は、半永久オンライン記憶装置および／またはハードディスク記録装置を有する。航行が完了した際、記憶されたデータがダウンロードされてさらに集中的な地上での分析を施すようにしてもよい。
【０１０１】
システムは、表示装置を含んでいてもよい。表示装置は、情報の取得時に当該情報を表示するか、取得周期が完了した際に確認のために当該情報を表示する。表示装置は、以下の機能を含むことが好ましい。
【０１０２】
−状態指標値と正常な指標値の比較結果を、例えば、ＮＩＳあるいは予測誤差の形式で表示すること。異常な（unhealthy）イベントは、例えば、警告信号によって強調される。
−同期化した振動スペクトル、追跡順、ブロードバンドパワー、動作パラメータのうち二つの組み合わせを表示すること。
−エンジンスピードに対する振動スペクトルを抽出しプロットすること。
−振動スペクトル、追跡順、ブロードバンドパワー、動作パラメータのいずれかの問い合わせを行い印刷すること。
−振動スペクトル（側波帯、高調波等）の特徴を自動に検出し表示すること。
【図面の簡単な説明】
【図１】本発明における第２の実施の形態に用いられることが可能なデータ構造の例を模式的に示す説明図である。
【図２】本発明における第１の実施の形態に用いられることが可能な学習モデル用のニューラルネットワークの構成図である。
【図３】エンジンの正常動作条件の期間に対応するテストデータのセットに対する学習モデルの予測誤差のグラフである。
【図４】エンジンにバードストライクが起きた更なるエンジン動作期間に対応する学習モデルの予測誤差のグラフである。
【図５】本発明における第１の実施の形態に用いられるシステムモデルの簡単な例に対する学習曲線を示す図である。
【図６】シャフトスピードの測定値に対する観測結果とモデル化された推定値の比較であり、図５のモデルの発展を表す図である。
【図７】テストデータの期間に、より複雑なシステムモデルから得られる観測された低圧力シャフトスピード（Ｎ１Ｖ）を示す図である。
【図８】図７で表された期間と同じ期間のＮＩＳ値を示す図である。
【図９】同じ期間に、更なるシステムモデルの例から得られたＮＩＳ値と、１３種類の状態指標値を示す図である。
【図１０】エンジンに搭載された状態監視システムの概略例を示す図である。

Claims

複数の時間のそれぞれにおいて所定の工程を行うことによってシステムの状態を監視する方法であって、前記所定の工程は、
（ａ）前記システムから得られる一つ以上の振動測定値及び一つ以上の動作パラメータ測定値と、（ｂ）前記システムから得られる複数の振動測定値とのうちのいずれかを含む複数の状態指標値から、現在の状態特性を生成する工程と、
過去の前記振動測定値に関係する前記状態指標値と、現在の前記振動測定値に関係する前記状態指標値の変化との間の相互依存性を定義する学習モデルから、状態特性を表す正常特性を予測する工程であって、前記正常特性が、現在の正常なシステムの状態特性に対応しており、前記モデルが、隠れ層を有するニューラルネットワークを含む工程と、
現在の前記状態特性を前記正常特性と比較する工程と、
現在の前記状態特性と前記正常特性との差が所定の閾値を超えている場合にイベントを記録する工程と、
を含むことを特徴とするシステムの状態監視方法。
請求項１記載の方法において、比較する前記工程が、予測誤差を計算する工程を含むことを特徴とする、システムの状態監視方法。
複数の時間のそれぞれにおいて所定の工程を行うことによってシステムの状態を監視する方法であって、前記所定の工程が、
（ａ）前記システムから得られる一つ以上の振動測定値及び一つ以上の動作パラメータ測定値と、（ｂ）前記システムから得られる複数の振動測定値とのうちのいずれかを含む複数の状態指標値から、現在の状態特性を生成する工程と、
過去の前記振動測定値に関係する前記状態指標値と、現在の前記振動測定値に関係する前記状態指標値の変化との間の相互依存性を定義する学習モデルから、状態特性を表す正常特性を予測する工程であって、前記正常特性が、現在の正常なシステムの状態特性に対応しており、前記モデルが、ｙ（ｉ）＝Ｃｘ（ｉ）＋ｖ（ｉ）の形式の測定プロセスとｘ（ｉ＋１）＝Ａｘ（ｉ）＋ｗ（ｉ）の形式の状態方程式とに対するカルマンフィルタモデルであり、iは時間であり、ｙ（ｉ）は前記状態特性であり、ｘ（ｉ）は隠れ状態であり、Ｃ及びＡは行列であり、ｖ（ｉ）とｗ（ｉ）は平均ゼロで正規分布し、Ｃにおける一つ以上のゼロでない非対角項が前記相互依存性を規定する工程と、
現在の前記状態特性を前記正常特性と比較する工程と、
現在の前記状態特性と前記正常特性との差が所定の閾値を超えている場合にイベントを記録する工程と、
を含むことを特徴とするシステムの状態監視方法。
請求項３記載の状態監視方法において、前記状態特性を前記正常特性と比較する前記工程は、正規化された二乗イノベーションの値の計算を含むことを特徴とする方法。
請求項１〜４のいずれか１項に記載の状態監視方法において、前記時間が、１秒以下の連続する時間間隔を定義することを特徴とする方法。
請求項１〜５のいずれか１項に記載の状態監視方法において、前記測定値は、１秒以下の同期誤差で前記システムから同期的に取得されることを特徴とする方法。
請求項１〜６のいずれか１項に記載の状態監視方法において、前記システムは、ガスタービンエンジンを含むことを特徴とする方法。
システムの状態を監視するためのデータ処理システムにおいて、
複数の時間のそれぞれにおいて前記システムから、（ａ）前記システムから得られる一つ以上の振動測定値及び一つ以上の動作パラメータ測定値と、（ｂ）前記システムから得られる複数の振動測定値とのうちのいずれかを含む複数の状態指標値を取得するデータ取得手段と、
前記状態指標値から現在の状態特性を生成し、正常なシステムの状態特性に対応する正常特性を予測する処理手段であって、前記正常特性が、過去の前記振動測定値に関係する前記状態指標値と、現在の前記振動測定値に関係する前記状態指標値の変化との間の相互依存性を定義する学習モデルよって予測され、前記正常特性が、現在の正常なシステムの状態特性に対応しており、前記モデルが、隠れ層を有するニューラルネットワークを含む処理手段と、
現在の前記状態特性を前記正常特性と比較する比較手段と、
前記比較手段が、前記状態特性と前記正常特性との差が所定の閾値を超えていることを示す場合に、イベントを記録する記録手段と、
を備えることを特徴とするデータ処理システム。
システムの状態を監視するためのデータ処理システムにおいて、
複数の時間のそれぞれにおいて前記システムから、（ａ）前記システムから得られる一つ以上の振動測定値及び一つ以上の動作パラメータ測定値と、（ｂ）前記システムから得られる複数の振動測定値とのうちのいずれかを含む複数の状態指標値を取得するデータ取得手段と、
前記状態指標値から現在の状態特性を生成し、正常なシステムの状態特性に対応する正常特性を予測する処理手段であって、前記正常特性が、過去の前記振動測定値に関係する前記状態指標値と、現在の前記振動測定値に関係する前記状態指標値の変化との間の相互依存性を定義する学習モデルよって予測され、前記正常特性が、現在の正常なシステムの状態特性に対応しており、前記モデルが、ｙ（ｉ）＝Ｃｘ（ｉ）＋ｖ（ｉ）の形式の測定プロセスとｘ（ｉ＋１）＝Ａｘ（ｉ）＋ｗ（ｉ）の形式の状態方程式とに対するカルマンフィルタモデルであり、iは時間であり、ｙ（ｉ）は前記状態特性であり、ｘ（ｉ）は隠れ状態であり、Ｃ及びＡは行列であり、ｖ（ｉ）とｗ（ｉ）は平均ゼロで正規分布し、Ｃにおける一つ以上のゼロでない非対角項が前記相互依存性を規定する処理手段と、
現在の前記状態特性を前記正常特性と比較する比較手段と、
前記比較手段が、前記状態特性と前記正常特性との差が所定の閾値を超えていることを示す場合に、イベントを記録する記録手段と、
を備えることを特徴とするデータ処理システム。