JP5301717B1 - 設備状態監視方法およびその装置 - Google Patents

Abstract

【課題】プラントなどの設備における事例ベースの異常検知において、学習データ全体から新しい観測データに近いデータを探索するデータ検索の時間を短縮して短時間での設備の異常診断を可能にする。
【解決手段】予め学習データをクラスタリングしてクラスタ中心とクラスタに属するデータ１０６を記憶しておき、新しい観測データに近いクラスタに属する学習データから新しい観測データに近いデータを選択し、この選択したデータ１０７から正常モデル１０８を作成し、異常測度１０９を求めてしきい値１１０を決め、新しい観測データと正常モデルから異常測度を求め、これをしきい値と比較して設備の異常を検知する。
【選択図】図１

Description

本発明は、プラントや設備などの出力する多次元時系列データをもとに異常を早期に検知する設備状態監視方法およびその装置に関する。

電力会社では、ガスタービンの廃熱などを利用して地域暖房用温水を供給したり、工場向けに高圧蒸気や低圧蒸気を供給したりしている。石油化学会社では、ガスタービンなどを電源設備として運転している。このようにガスタービンなどを用いた各種プラントや設備において、設備の不具合あるいはその兆候を検知する予防保全は、社会へのダメージを最小限に抑えるためにも極めて重要である。

ガスタービンや蒸気タービンのみならず、水力発電所での水車、原子力発電所の原子炉、風力発電所の風車、航空機や重機のエンジン、鉄道車両や軌道、エスカレータ、エレベータ、機器・部品レベルでも、搭載電池の劣化・寿命など、上記のような予防保全を必要とする設備は枚挙に暇がない。

このため、対象設備やプラントに複数のセンサを取り付け、センサ毎の監視基準に従って正常か異常かを判断することが行われている。米国特許第６,９５２,６６２号明細書（特許文献１）や米国特許第６,９７５,９６２号明細書（特許文献２）には、おもにエンジンを対象とした異常検知方法が開示されている。これは、過去のデータ例えば時系列センサ信号をデータベースとしてもっておき、観測データと過去の学習データとの類似度を独自の方法で計算し、類似度の高いデータの線形結合により推定値を算出して、推定値と観測データのはずれ度合いを出力するものである。

また、特開２０１１―７０６３５号公報（特許文献３）には、過去の正常データから作成されたモデルとの比較によって算出される異常測度に基づいて異常の有無を検知する異常検知方法において、正常モデルを局所部分空間法によって作成することが開示されている。

米国特許第６,９５２,６６２号明細書 米国特許第６,９７５,９６２号明細書 特開２０１１―７０６３５号公報

Stephan W. Wegerich；Nonparametric modeling of vibration signal features for equipment health monitoring、Aerospace Ｃonference, 2003. Procee dings. 2003 IEEE，Volume 7, Issue, 2003 Page(s):3113−3121

特許文献１や特許文献２に記載の方法によれば、学習データとして正常時のデータを与えることにより、学習にない観測データが観察されると、これらを異常として検出することができる。しかし、その異常検知性能は学習データの質に大きく左右されるため、正常な学習データを正確かつ網羅的に収集する必要がある。多様な正常状態を有する設備に対してこのような学習データ収集を行うことは非常に負荷が高く、さらに、たとえ質の良い学習データを収集可能であっても、計算負荷の高い方法であるため、実現可能な計算時間で処理するのに許容されるデータ量が小さく、その結果網羅性が確保できなくなる場合が多い。特許文献３に記載の方法によれば、学習データとして正常時のデータを覚えておき、観測データから近い数個のデータを用いて正常モデルを作成するため、高感度に異常検知可能であるが、全学習データからの探索を行うため計算時間がかかる。

そこで、本発明では、上記課題を解決し、高感度かつ高速な異常検知方法を備えた設備状態監視方法およびその装置を提供する。

上記課題を解決するために、本発明では、設備または装置の状態を監視する方法を、設
備または装置に装着された複数のセンサから出力されるセンサ信号から特徴ベクトルを抽
出し、この抽出した特徴ベクトルをクラスタリングして得られる各クラスタの中心とクラ
スタに属する特徴ベクトルを学習データとして蓄積しておき、設備または装置に装着され
た複数のセンサから出力された新たなセンサ信号から特徴ベクトルを抽出し、この新たな
センサ信号から抽出した特徴ベクトルに応じて学習データとして蓄積しておいたクラスタの中から１個または数個のクラスタを選択し、学習データとして蓄積しておいたクラスタの中から選択した前記クラスタに属する特徴ベクトルの中から前記新たなセンサ信号から抽出した特徴ベクトルに応じて所定数の特徴ベクトルを選択し、この選択した所定数の特徴ベクトルを用いて正常モデルを作成し、新たに観測された特徴ベクトルと作成した正常モデルに基づき異常測度を算出し、算出した異常測度に基づき設備または装置の状態が異常か正常かを判定するようにした。

また、上記課題を解決するために、本発明では、設備または装置に装着された複数のセ
ンサから出力されるセンサ信号をもとに学習データを作成して蓄積する工程と、設備また
は装置に装着された複数のセンサから新たに出力されたセンサ信号の異常識別を行う工程
とを含む設備の状態を監視する方法を、学習データを作成して蓄積する工程は、センサ信
号から特徴ベクトルを抽出する工程と、この抽出した特徴ベクトルをクラスタリングする
工程と、このクラスタリングによって得られる各クラスタの中心とクラスタに属する特徴
ベクトルを学習データとして蓄積する工程と、抽出した特徴ベクトルのおのおのについて
、学習データとして蓄積されたクラスタの中から抽出した特徴ベクトルに応じて１個また
は数個のクラスタを選択する工程と、この選択されたクラスタに属する特徴ベクトルの中
から抽出した特徴ベクトルに応じて所定数選択する工程と、この所定数選択した選択されたクラスタに属する特徴ベクトルを用いて正常モデルを作成する工程と、特徴ベクトルと正常モデルに基づき異常測度を算出する工程と、この算出した異常測度に基づきしきい値を算出する工程とを有し、センサ信号の異常識別を行う工程は、新たに観測されたセンサ信号から特徴ベクトルを抽出する工程と、学習データとして蓄積されたクラスタの中から新たに観測された特徴ベクトルに応じて１個または数個のクラスタを選択する工程と、この選択されたクラスタに属する特徴ベクトルの中から新たに観測された特徴ベクトルに応じて所定数選択する工程と、この所定数選択した選択されたクラスタに属する特徴ベクトルを用いて正常モデルを作成する工程と、新たに観測された特徴ベクトルと正常モデルに基づき異常測度を算出する工程と、この算出した異常測度としきい値に基づきセンサ信号が異常か正常かを判定する工程とを有する方法とした。

また、上記課題を解決するために、本発明では、設備または装置に装着された複数のセ
ンサから出力されるセンサ信号をもとに学習データを作成して蓄積する工程と、前記設備
または装置に装着された複数のセンサから新たに出力された前記センサ信号の異常識別を
行う工程とを含む設備の状態を監視する方法を、学習データを作成して蓄積する工程は、
設備または装置から出力されるイベント信号に基づいて稼動状態別のモード分割を行う工
程と、センサ信号から特徴ベクトルを抽出する工程と、この抽出した特徴ベクトルをクラ
スタリングする工程と、このクラスタリングによって得られる各クラスタの中心とクラス
タに属する特徴ベクトルを学習データとして蓄積する工程と、抽出した特徴ベクトルのお
のおのについて学習データとして蓄積されたクラスタの中から抽出した特徴ベクトルに応
じて１個または数個のクラスタを選択する工程と、この選択されたクラスタに属する特徴
ベクトルの中から抽出した特徴ベクトルに応じて所定数選択する工程と、この所定数選択した選択されたクラスタに属する特徴ベクトルを用いて正常モデルを作成する工程と、抽出した特徴ベクトルと正常モデルに基づき異常測度を算出する工程と、この算出した異常測度に基づきモード毎にしきい値を算出する工程とを有し、センサ信号の異常識別を行う工程は、イベント信号に基づいて稼動状態別のモード分割を行う工程と、新たに観測されたセンサ信号から特徴ベクトルを抽出する工程と、学習データとして蓄積されたクラスタの中から新たに観測された特徴ベクトルに応じて１個または数個のクラスタを選択する工程と、この選択されたクラスタに属する特徴ベクトルの中から新たに観測された特徴ベクトルに応じて所定数選択する工程と、この所定数選択した選択されたクラスタに属する特徴ベクトルを用いて正常モデルを作成する工程と、新たに観測された特徴ベクトルと正常モデルに基づき異常測度を算出する工程と、この算出した異常測度とモードとモード別に算出したしきい値に基づきセンサ信号が異常か正常かを判定する工程とを有する方法とした。

更に、上記課題を解決するために、本発明では、設備または装置に装着されたセンサか
ら出力されるセンサ信号に基づいて設備または装置の状態を監視する装置を、設備または
装置に装着されたセンサから出力されるセンサ信号を蓄積する生データ蓄積手段と、セン
サ信号から特徴ベクトルを抽出する特徴ベクトル抽出手段と、この特徴ベクトル抽出手段
により抽出された特徴ベクトルをクラスタリングするクラスタリング手段と、このクラス
タリング手段でクラスタリングした結果得られたクラスタの中心とクラスタに属する特徴
ベクトルを蓄積する学習データ蓄積手段と、この学習データ蓄積手段に蓄積された学習デ
ータの中から特徴ベクトルに応じて１個または数個のクラスタを選択するクラスタ選択手段と、このクラスタ選択手段により選択されたクラスタに属する特徴ベクトルの中から抽出した特徴ベクトルに応じて所定数選択した特徴ベクトルを用いて正常モデルを作成する正常モデル作成手段と、所定数選択した特徴ベクトルと正常モデル作成手段で作成した正常モデルに基づき異常測度を算出する異常測度算出手段と、この異常測度算出手段で算出した学習データ蓄積手段に蓄積された学習データに含まれる特徴ベクトルの異常測度に基づきしきい値を設定するしきい値設定手段と、異常測度算出手段で算出した異常測度としきい値設定手段で設定したしきい値とを用いて設備または装置が異常か正常かを判定する異常識別手段とを備えて構成した。

本発明によれば、新たに観測されたデータの異常判定において、観測データに近い所定数の学習データを用いて正常モデルを作成するため、高感度な異常検知が可能である。学習データをクラスタリングしておき、新たに観測された特徴ベクトルに応じて選択したクラスタに属するデータから所定数のデータを選択して正常モデルを作成するため、探索の対象となるデータ数が少なくなり、計算時間を大幅に削減することができる。

以上により、ガスタービンや蒸気タービンなどの設備のみならず、水力発電所での水車、原子力発電所の原子炉、風力発電所の風車、航空機や重機のエンジン、鉄道車両や軌道、エスカレータ、エレベータ、そして機器・部品レベルでは、搭載電池の劣化・寿命など、種々の設備・部品において高感度かつ高速な異常検知を可能とするシステムが実現できる。

本発明の一実施例における設備状態監視システムの概略の構成を示すブロック図である。 本発明の一実施例におけるセンサ信号の例を示す信号リストの表である。 本発明の一実施例におけるセンサ信号入力から学習データ保存までの処理の流れを示すフロー図である。 本発明の一実施例におけるクラスタ中心の初期位置を決める処理の流れを示すフロー図である。 本発明の一実施例におけるクラスタリングの処理の流れを示すフロー図である。 本発明の一実施例におけるクラスタを再分割する処理の流れを示すフロー図である。 本発明の一実施例におけるクラスタのメンバ数を調整する処理の流れを示すフロー図である。 本発明の一実施例における異常測度に基づいてしきい値を設定する処理の流れを示すフロー図である。 局所部分空間法を説明する図である。 本発明の一実施例における異常検知処理の流れを説明するフロー図である。 本発明の一実施例におけるイベント信号の例を示す信号リストの表である。 本発明の一実施例におけるイベント信号に基づくモード分割処理の流れを示すフロー図である。 本発明の一実施例における設備の可動状態を分割して４種のモードの何れかに分類した状態を示すイベント信号の模式図である。 本発明の一実施例におけるレシピ設定のためのＧＵＩの１例を表す表示画面の正面図である。 本発明の一実施例におけるテストの結果を表示するためのＧＵＩの一例で、センサ信号表示ウィンドウ１３０７にセンサ信号を表示した表示画面の正面図である。 本発明の一実施例におけるテストの結果を表示するためのＧＵＩの一例で、センサ信号表示ウィンドウ１３０７に選択クラスタ番号を表示した表示画面の正面図である。 本発明の一実施例におけるテストの結果を表示するためのＧＵＩの一例で、拡大表示した画面を示す表示画面の正面図である。 本発明の一実施例におけるテストの結果を表示するためのＧＵＩの一例で、クラスタ情報表示画面を示す表示画面の正面図である。 本発明の一実施例における結果表示画面の例で、テスト結果の一覧を表示した画面の正面図である。 本発明の一実施例における表示対象を指定するためのＧＵＩの一例を示す表示画面の正面図である。 本発明の一実施例における異常判定処理の結果を表示する画面の例で、結果の全体を表示した表示画面の正面図である。 本発明の一実施例における異常判定処理の結果を表示する画面で、結果の一部を拡大して表示した表示画面の正面図である。

本発明は、プラントなどの設備における事例ベースの異常検知において、学習データ全体から新しい観測データに近いデータを探索する必要があるため、計算時間が長くかかるという問題を解決するもので、設備または装置に装着された複数のセンサから出力されるセンサ信号から特徴ベクトルを抽出し、この抽出した特徴ベクトルをクラスタリングし、このクラスタリングした各クラスタの中心とクラスタに属する特徴ベクトルを学習データとして蓄積しておき、新しい観測データが入力したときに、学習データからこの新しい観測データに近いクラスタに属するデータを選択し、この選択したデータから正常モデルを作成し異常測度を求めてしきい値を決め、新しい観測データと正常モデルから異常測度を求め、これをしきい値と比較して設備の異常を検知する方法及び装置に関するものであり、学習データをクラスタ化してきおくし、新しい観測データに近いクラスタに属する学習データを用いて正常モデルを作成することにより、データ検索の時間を短縮して短時間での設備の異常診断を可能にしたものである。
以下、図面を用いて本発明の内容を詳細に説明する。
図１に、本発明の設備状態監視方法を実現するシステムの一構成例を示す。
本システムは、設備１０１から出力されるセンサ信号１０２を蓄積するセンサ信号蓄積部１０３、センサ信号１０２をもとに特徴ベクトルを抽出する特徴ベクトル抽出部１０４、特徴ベクトルをクラスタリングするクラスタリング部１０５、クラスタリング結果をもとに学習データを蓄積する学習データ蓄積部１０６、蓄積された学習データから新たな観測データに近いクラスタを選択するクラスタ選択部１０７、選択したクラスタに属する学習データから観測データの近傍データを所定数探索し、それらを用いて正常モデルを作成する正常モデル作成部１０８、正常モデルに基づき新たな観測データの異常測度を算出する異常測度算出部１０９、学習データの異常測度に基づきしきい値を算出するしきい値算出部１１０、新たな観測データが正常か異常かを判定する異常判定部１１１を備えて構成される。

本システムの動作には、蓄積されたデータを用いて学習データの生成、保存を行う「学習」と入力信号に基づき実際に異常検知を行う「異常検知」の二つのフェーズがある。基本的に前者はオフラインの処理、後者はオンラインの処理である。ただし、後者をオフラインの処理とすることも可能である。以下の説明では、それらを学習時、異常検知時という言葉で区別する。

状態監視の対象とする設備１０１は、ガスタービンや蒸気タービンなどの設備やプラントである。設備１０１は、その状態を表すセンサ信号１０２を出力する。センサ信号１０２はセンサ信号蓄積部１０３に蓄積されている。センサ信号１０２をリスト化して表形式に表した例を図２に示す。センサ信号１０２は一定間隔毎に取得される多次元時系列信号であり、それをリスト化した表は、図２に示すように、日時の欄２０１と設備１０１に設けられた複数のセンサ値のデータの欄２０２からなる。センサの種類は、数百から数千といった数になる場合もあり、例えば、シリンダ、オイル、冷却水などの温度、オイルや冷却水の圧力、軸の回転速度、室温、運転時間などである。出力や状態を表すのみならず、何かをある値に制御するための制御信号の場合もある。

学習時の処理の流れを図３ないし図８を用いて説明する。学習時はセンサ信号蓄積部１０３に蓄積されたデータのうち指定された期間のデータを用いて、特徴ベクトルを抽出してクラスタリングし、クラスタの中心とクラスタに属する特徴ベクトルを学習データとして蓄積する。各クラスタに属する特徴ベクトルのことを、以降クラスタメンバと呼ぶこととする。さらに、学習時には、交差検証によって学習データの異常測度を算出し、全学習データの異常測度に基づき異常判定のしきい値を算出する。

まず、特徴ベクトル抽出部１０４、クラスタリング部１０５、学習データ蓄積部１０６における処理の流れを図３を用いて説明する。はじめに、特徴ベクトル抽出部１０４において、センサ信号蓄積部１０３から学習期間として指定された期間のセンサ信号１０２を入力し（Ｓ３０１）、センサ信号毎に正準化した後（Ｓ３０２）、特徴ベクトルの抽出を行う（Ｓ３０３）。次に、クラスタリング部１０５において、抽出された特徴ベクトルに基づいて、クラスタ中心の初期位置を設定し（Ｓ３０４）、クラスタリングを行い（Ｓ３０５）、各クラスタのメンバの調整を行う（Ｓ３０６）。次に、学習データ蓄積部１０６において、各クラスタの中心とクラスタメンバを記録する（Ｓ３０７）。

次に、各ステップについて詳細に説明する。
ステップＳ３０２においては、各センサ信号の正準化を行う。例えば、指定された期間の平均と標準偏差を用いて、平均を０、分散を１となるように変換する。異常検知時に同じ変換ができるよう、各センサ信号の平均と標準偏差を記憶しておく。あるいは、各センサ信号の指定された期間の最大値と最小値を用いて最大が１、最小が０となるように変換する。あるいは、最大値と最小値の代わりに予め設定した上限値と下限値を用いてもよい。異常検知時に同じ変換ができるよう、各センサ信号の最大値と最小値または上限値と下限値を記憶しておく。センサ信号の正準化は、単位およびスケールの異なるセンサ信号を同時に扱うためのものである。

ステップＳ３０３においては、時刻毎に特徴ベクトル抽出を行う。センサ信号を正準化したものをそのまま並べることが考えられるが、ある時刻に対して±1,±2,…のウィンドウを設け，ウィンドウ幅（3,5,…）×センサ数の特徴ベクトルにより、データの時間変化を表す特徴を抽出することもできる。また、離散ウェーブレット変換(DWT: Discrete Wavelet Transform)を施して、周波数成分に分解してもよい。さらに、ステップＳ３０３において、特徴選択を行う。最低限の処理として、分散が非常に小さいセンサ信号および単調増加するセンサ信号を除く必要がある。

また、相関解析による無効信号を削除することも考えられる。これは、多次元時系列信号に対して相関解析を行い、相関値が１に近い複数の信号があるなど、極めて類似性が高い場合に、これらは冗長だとして、この複数の信号から重複する信号を削除し、重複しないものを残す方法である。このほか、ユーザが指定するようにしてもよい。また、長期変動が大きい特徴を除くことも考えられる。長期変動が大きい特徴を用いることは正常状態の状態数を多くすることにつながり、学習データの不足を引き起こすためである。例えば、１周期期間毎の平均と分散を算出し、それらのばらつきによって長期変動の大きさを推定できる。また、ステップＳ３０３において、主成分分析、独立成分分析、非負行列因子分解、潜在構造射影、正準相関分析など様々な特徴変換手法により、次元削減を行ってもよい。

ステップＳ３０４においては、クラスタ中心の初期位置を設定する。処理フローを、図４を用いて説明する。始めにクラスタ数を指定する（Ｓ４０１）。次に、指定された学習期間の最初の特徴ベクトルを最初のクラスタ中心とする（Ｓ４０２）。次に、設定済みのクラスタ中心と学習期間の全特徴ベクトルとの類似度を算出する（Ｓ４０３）。次に、全特徴ベクトルについてクラスタ中心との類似度の最大値を求め（Ｓ４０４）、この値が最も小さい特徴ベクトルを次のクラスタ中心とする（Ｓ４０５）。つまり、最も近いクラスタ中心まで最も遠い特徴ベクトルをクラスタ中心とする。１回目の処理では最も近いクラスタ中心はＳ４０２で設定したクラスタ中心となる。次にステップＳ４０６においてクラスタ数がＳ４０1で指定したクラスタ数に達していれば（Ｓ４０６でＹＥＳの場合）、処理を終了する（Ｓ４０７）。そうでなければ（Ｓ４０６でＮＯの場合）、Ｓ４０３〜Ｓ４０６の処理を繰り返す。

クラスタリングの初期中心位置設定は、一般的にランダムに設定する場合が多く、本発明においてもランダムに設定してもよい。しかし、運転、停止の切り替えがある設備において、その過渡状態のデータは定常状態のデータより少ないため、ランダムに選択すると初期中心位置に選ばれにくい。すると、過渡状態のデータがクラスタ中心算出に与える影響が相対的に小さくなってしまう。上記で説明したクラスタ中心初期位置設定処理の方法は、クラスタ中心初期位置をお互いに遠くに配置することを狙ったものであり、これにより、過渡状態のクラスタを増やすことができる。

ステップＳ３０５においては、クラスタリングを行う。クラスタリングの処理フローを、図５および図６を用いて説明する。図５は、ｋ平均法によるクラスタリングのフローを説明する図である。ステップＳ３０４において、クラスタ中心初期位置が設定されている（Ｓ５０１）。次に、指定された学習期間の全特徴ベクトルと各クラスタ中心ベクトルとの距離を算出し、各特徴ベクトルを最も近いクラスタのメンバとする（Ｓ５０２）。各クラスタについて、全クラスタメンバの特徴ベクトルの平均を新しいクラスタ中心ベクトルとする（Ｓ５０３）。次に、全てのクラスタについてメンバの変化がないか、又はＳ５０２とＳ５０３との処理を所定回数以上繰り返しているかをチェックし（Ｓ５０４），全てのクラスタについてメンバの変化がない場合、又はＳ５０２とＳ５０３との処理を所定回数以上繰り返している場合には（Ｓ５０４でＹＥＳの場合）、処理を終了する（Ｓ５０５）。一方、何れかのクラスタについてメンバが変化した場合、又はＳ５０２とＳ５０３との処理が所定回数以下の場合（Ｓ５０４でＮＯの場合）、ステップＳ５０２〜Ｓ５０４の処理を繰り返す。

図６は、クラスタのメンバ数を所定数以下にするよう、上記処理により得られたクラスタを分割する処理のフローを説明する図である。ただし、この処理は実行しなくてもよい。始めに、クラスタメンバ数を指定する（Ｓ６０１）。１番目のクラスタに注目し（Ｓ６０２）、注目したクラスタのメンバ数と指定したメンバ数とを比較し（Ｓ６０３）、注目したクラスタのメンバ数が指定したメンバ数より少なければ（Ｓ６０３でＹＥＳの場合）、そのクラスタを処理済とする（Ｓ６０４）。全てのクラスタが処理済となっていれば（Ｓ６０５でＹＥＳの場合）、処理を終了する（Ｓ６０９）。

ステップＳ６０３において、注目したクラスタのメンバ数が指定した数以上であれば（Ｓ６０３でＮＯの場合）、クラスタを１個追加する（Ｓ６０６）。次に、注目クラスタのメンバを注目クラスタと追加クラスタに振り分ける（Ｓ６０７）。注目クラスタのメンバから１個の特徴ベクトルをランダムに選んで追加するクラスタの初期中心位置とし、図５で説明したｋ平均法によって、２個のクラスタを作ればよい。ステップＳ６０７を処理後、次の未処理クラスタに注目し（Ｓ６０８）、ステップＳ６０３に戻る。ステップＳ６０５において、未処理クラスタがまだ有る場合にも（Ｓ６０５でＮＯの場合）、同様に次の未処理クラスタに注目し（Ｓ６０８）、ステップＳ６０３に戻る。

ステップＳ３０６においては、各クラスタのメンバ数が一定となるよう調整する。処理フローを、図７を用いて説明する。始めに、クラスタメンバ数を指定する（Ｓ７０１）。図６に示す処理を実行した場合、ここで指定する数は、ステップＳ６０１で指定する数と同じものである。クラスタのメンバ数と指定した数とを比較し(Ｓ７０２)，クラスタのメンバ数が指定した数より少なければ（Ｓ７０２でＹＥＳの場合）、クラスタにメンバを追加して指定された数になるようにする（Ｓ７０３）。追加するメンバは、メンバ以外の特徴ベクトルのうちクラスタ中心から近い順に決める。この処理は、正常モデル作成における近傍データ探索時に探索対象が不足することを防ぐ。同時にクラスタ間に重なりを持たせることにより、クラスタ境界付近のデータについても適切な近傍データ探索を可能にする。

一方、ステップＳ７０２においてクラスタのメンバ数が指定した数以上であれば（Ｓ７０２でＮＯの場合）、ステップＳ７０３をスキップしてステップＳ７０４へ進む。次に、ステップＳ７０４においてクラスタのメンバ数が指定した数より多ければ（Ｓ７０４でＹＥＳの場合）、間引いて指定した数になるようにし（Ｓ７０５）、処理を終了する（Ｓ７０６）。間引くメンバはランダムに決めてよい。クラスタのメンバ数が多いということは、特徴空間上でベクトルの密度が高いということであり、どのメンバを削除しても大差ないからである。この処理の目的は、正常モデル作成における近傍データ探索対象を減らすことにより高速化することである。一方、ステップＳ７０４においてクラスタのメンバ数が指定した数になっていれば（Ｓ７０４でＮＯの場合）、ステップＳ７０５をスキップして処理を終了する（Ｓ７０６）する。以上の処理を全てのクラスタについて実行する。クラスタリングにおいて図６に示す処理を実行した場合、ステップＳ７０５は必ずスキップされる。つまり、図６に示す処理の狙いは、間引かれるメンバをなくして正常モデル作成における近傍データ探索の結果を全学習データから探索した結果に近づけることである。

次に、クラスタ選択部１０７、正常モデル作成部１０８、異常測度算出部１０９およびしきい値算出部１１０における処理の流れを図８を用いて説明する。学習データ蓄積部１０６において、図３のステップＳ３０７に示す処理により、クラスタの中心とメンバが記録されている（Ｓ８０１）。指定された学習期間の全特徴ベクトルに、交差検証用のグループ番号を付与する（Ｓ８０２）。グループは、１日分を１グループとするなど、期間を指定して決めるか、予め指定されたグループ数に等分に分けて決める。クラスタ選択部１０７において、指定された学習期間の１個目の特徴ベクトルに注目し（Ｓ８０３）、その特徴ベクトルにクラスタ中心が最も近いクラスタを選択する（Ｓ８０４）。ここで、近い順に予め指定された複数個のクラスタを選択する方法も考えられる。

正常モデル作成部１０８において、選択されたクラスタのメンバであり、注目ベクトルと異なるグループの特徴ベクトルの中から、注目ベクトルに近い順に予め指定された数の特徴ベクトルを選択し（Ｓ８０５）、それらの特徴ベクトルを用いて正常モデルを作成する（Ｓ８０６）。異常測度算出部１０９において、注目した特徴ベクトルの正常モデルまでの距離に基づいて異常測度を算出する（Ｓ８０７）。最後に、全ベクトルの異常測度算出が終了しているかをチェックし（Ｓ８０８）、全ベクトルの以上測度算出が終了していれば（Ｓ８０８でＹＥＳの場合）、しきい値算出部１１０において、全ベクトルの異常測度に基づいてしきい値を設定する（Ｓ８１０）。ステップＳ８０８において全ての異常測度算出が終了していないと判定したときには（Ｓ８０８でＮＯの場合）、次の特徴ベクトルに注目し（Ｓ８０９）、ステップＳ８０４からＳ８０８の処理を繰り返す。

正常モデル作成手法としては、局所部分空間法(LSＣ: Local Sub−space Ｃlassifier)や投影距離法(PDM: Projection Distance Method)が考えられる。

局所部分空間法は、注目ベクトルqのk−近傍ベクトルを用いてｋ−１次元のアフィン部分空間を作成する方法である。図９にｋ＝３の場合の例を示す。k−近傍ベクトルはすなわちステップＳ８０５において選択された特徴ベクトルである。指定する数は、ｋの値である。図９に示すように、異常測度は図に示す投影距離で表されるため、注目ベクトルqに最も近いアフィン部分空間上の点bを求めればよい。

評価データqとそのk−近傍ベクトルxi( i = 1,…,k )からbを算出するには、qをk個並べた行列Qとxiを並べた行列Xから

により相関行列Ｃを求め、

によりbを計算する。ここまでが、ステップＳ８０６における正常モデル作成にあたる。

異常測度ｄはｑとｂの間の距離であるから次式で表される。

なお、図９ではｋ＝３の場合を説明したが、特徴ベクトルの次元数より十分小さければいくつでもよい。ｋ＝１の場合は、最近傍法と等価の処理になる。

投影距離法は、選択された特徴ベクトルに対し独自の原点をもつ部分空間すなわちアフィン部分空間（分散最大の空間）を作成する方法である。ステップＳ８０５において指定する数はいくつでも良いが、大きすぎるとベクトルの選択、部分空間の算出ともに時間がかかってしまうので数十から数百とするとよい。

アフィン部分空間の算出方法について説明する。まず、選択された特徴ベクトルの平均μと共分散行列Σ を求め、次にΣの固有値問題を解いて値の大きい方から予め指定したr個の固有値に対応する固有ベクトルを並べた行列Ｕをアフィン部分空間の正規直交基底とする。ｒは特徴ベクトルの次元より小さくかつ選択データ数より小さい数とする。あるいはｒを固定した数とせず、固有値の大きい方から累積した寄与率が予め指定した割合を超えたときの値としてもよい。異常測度は、注目ベクトルのアフィン部分空間への投影距離とする。

この他、注目ベクトルqのk−近傍ベクトルの平均ベクトルまでの距離を異常測度とする局所平均距離法や、マハラノビスタグチ法、ガウシアンプロセスなどを用いてもよい。

ステップＳ８１０におけるしきい値を設定する方法について説明する。全特徴ベクトルの異常測度の頻度分布すなわちヒストグラムを作成し、これをもとに累積ヒストグラムを作成し、予め指定した１に近い比率に到達する値を求める。この値を基準としてオフセットを加える、定数倍するなどの処理によりしきい値を算出する。オフセット０、倍率を１とすれば、この値がしきい値となる。算出したしきい値は、図示していないが、学習データと対応付けて記録しておく。

異常検知時の処理の流れを図１０を用いて説明する。異常検知時はセンサ信号蓄積部１０３に蓄積されたデータのうち指定された期間のデータあるいは新たに観測されたデータの異常測度を算出し、正常か異常かの判定を行う。始めに、特徴ベクトル抽出部において、センサ信号蓄積部１０３または設備１０１からセンサ信号を入力し（Ｓ１００１）、センサ信号毎に正準化した後（Ｓ１００２）、特徴ベクトルの抽出を行う（Ｓ１００３）。センサ信号の正準化には、図３のステップＳ３０２に示す処理において、学習データの正準化に用いたものと同じパラメータを用いる。特徴ベクトルの抽出は、ステップＳ３０３の処理と同じ方法で行う。したがって、ステップＳ３０３において特徴選択を実行した場合は同じ特徴を選択し、ＰＣＡなどの特徴変換を実行した場合は同じ変換式を用いて変換を行う。ここで抽出された特徴ベクトルを、学習データと区別するために評価ベクトルと呼ぶこととする。

次に、クラスタ選択部１０７において、学習データとして記録されたクラスタの中心とメンバから、評価ベクトルにクラスタ中心が最も近いクラスタあるいは近い順に予め指定された複数個のクラスタを選択する（Ｓ１００４）。正常モデル作成部１０８において、選択されたクラスタのメンバである特徴ベクトルの中から、評価ベクトルに近い順に予め指定された数の特徴ベクトルを選択し（Ｓ１００５）、それらの特徴ベクトルを用いて正常モデルを作成する（Ｓ１００６）。異常測度算出部１０９において、評価ベクトルの正常モデルまでの距離に基づいて異常測度を算出する（Ｓ１００７）。異常判定部１１１において、学習時に算出したしきい値と異常測度を比較して、異常測度がしきい値より大きければ異常、そうでなければ正常と判定する（Ｓ１００８）。

以上、設備から出力されるセンサ信号に基づき異常検知する方法の実施例を説明したが、別の実施例として、さらに、設備から出力されるイベント信号も利用して異常検知する方法を説明する。この方法は、イベント信号に基づき設備の稼動状態を表すモードに分割し、ステップＳ８１０のしきい値設定をモード別の処理とし、ステップＳ１００８の異常判定を、対応するモードのしきい値を用いて行うものである。

上記以外は、全て前述の方法と同様であるため、イベント信号に基づくモード分割方法の実施例を図１１Ａ〜Ｃを用いて説明する。イベント信号の例を図１１Ａに示す。イベント信号は不定期に出力される設備の操作・故障・警告を表す信号であり、時刻と操作・故障・警告を表す文字列またはコードからなる。図１１Ｂに示すように、このイベント信号を入力し（Ｓ１１０１）、所定の文字列またはコードの検索により起動シーケンスと停止シーケンスの切り出しを行う（Ｓ１１０２）。その結果をもとに、図１１Ｃに示すように、停止シーケンスの終了時刻から起動シーケンスの開始時刻までの「定常ＯＦＦ」モード１１１１、起動シーケンス中の「起動」モード１１１２、起動シーケンスの終了時刻から停止シーケンスの開始時刻までの「定常ＯＮ」モード１１１３、停止シーケンス中の「停止」モード１１１４の４つの稼動状態に分割する（Ｓ１１０３）。

シーケンス切り出しのためには、予めシーケンスの開始イベントおよび終了イベントを指定しておき、イベント信号の先頭から最後まで以下の要領でスキャンしながら切り出していく。
（１）シーケンスの途中でない場合は、開始イベントを探索する。見つかったらシーケンスの開始とする。
（２）シーケンスの途中の場合は、終了イベントを探索する。見つかったらシーケンスの終了とする。ここで終了イベントとは、指定の終了イベントのほか、故障、警告、指定の開始イベントとする。

以上のように、イベント情報を利用することにより、多様な稼動状態を正確に分けることができ、モード別にしきい値を設定することにより、「起動」モード１１１２および「停止」モード１１１４の過渡期において学習データ不足により感度を落とす必要がある場合でも、「定常ＯＦＦ」モード１１１１および「定常ＯＮ」モード１１１３では高感度な異常検知が可能になる。

学習期間および処理パラメータ設定のためのＧＵＩの例を、図１２に示す。以下の説明ではこの設定のことを単にレシピ設定と呼ぶことにする。また、過去のセンサ信号１０２は設備ＩＤおよび時刻と対応付けられてデータベースに保存されているものとする。レシピ設定画面１２０１では、対象装置、学習期間、使用センサ、クラスタリングパラメータ、正常モデルパラメータ、しきい値設定パラメータを入力する。設備ＩＤ入力ウィンドウ１２０２には、対象とする設備のＩＤを入力する。設備リスト表示ボタン１２０３押下により図示はしていないがデータベースに保存されているデータの装置ＩＤのリストが表示されるので、リストから選択入力する。学習期間入力ウィンドウ１２０４には、学習データを抽出したい期間の開始日と終了日を入力する。センサ選択ウィンドウ１２０５には、使用するセンサを入力する。リスト表示ボタン１２０６のクリックによりセンサリスト１２０７が表示されるので、リストから選択入力する。リストから複数選択することも可能である。

クラスタリングパラメータ設定ウィンドウ１２０８には、クラスタリング部１０５における処理で指定するクラスタ数および各クラスのタメンバ数を入力する。また、図６に示すクラスタ再分割の処理を行うかどうかの選択をチェックボタンにより行う。また、クラスタ選択部１０７における処理で指定するクラスタ選択数を入力する。正常モデルパラメータ入力ウィンドウ１２０９には、正常モデル作成において指定するパラメータを入力する。図は正常モデルとして局所部分空間を採用した場合の例であり、モデル作成に使う近傍ベクトル数（近傍数）と正則化パラメータを入力する。正則化パラメータは、数式２において相関行列Ｃの逆行列が求められないことを防ぐため、対角成分に加算する小さい数である。

しきい値設定パラメータ入力ウィンドウ１２１０には、図８に示す処理における交差検証のグループをどのように決めるかをラジオボタンで選択する。１日を１グループとするか、指定された数のグループに分割するかを選び、後者の場合はグループ数を入力する。また、ステップＳ８１０のしきい値設定処理において累積ヒストグラムに適用する比率（比率パラメータ）を値入力する。レシピ名入力ウィンドウ１２１１には、入力された情報に対応付けるユニークな名前を入力する。

全ての情報を入力したらテスト期間入力ウィンドウ１２１２にテスト対象期間を入力し、テストボタン１２１３の押下により、レシピのテストを行う。この操作により、同じレシピ名で実行したテストの通し番号が採番され、次に、特徴ベクトル抽出部１０４において、指定した学習期間のセンサ信号１０２から特徴ベクトルの抽出を行い、クラスタリング部１０５において、クラスタリングを行い、学習データ蓄積部１０６において、各クラスタの中心とクラスタメンバをレシピ名およびテスト番号と対応付けて記録する。

図３で説明したステップＳ３０２の正準化においては、指定した学習期間の全データを用いて平均と標準偏差を求める。この平均と標準偏差の値もセンサ毎にレシピ名およびテスト番号に対応付けて学習データ蓄積部１０６に保存しておく。図８に示す処理により、異常判定しきい値を算出し、レシピ名およびテスト番号と対応付けて学習データ蓄積部１０６に保存する。その他、装置ＩＤ情報、使用センサ情報、学習期間、特徴ベクトル抽出に用いるパラメータ、クラスタリングパラメータ、正常モデルパラメータをレシピ名およびテスト番号と対応付けて学習データ蓄積部１０６に保存する。次に、指定したテスト期間のセンサ信号１０２を入力として、図１０に示す異常検知の処理を行う。

テストの結果をユーザに示すためのＧＵＩの例を図１３Ａおよび図１３Ｂおよび図１３Ｃに示す。各画面の上部に表示されたタブを選択することにより、結果表示画面１３０１と結果拡大表示画面１３０２とクラスタ情報表示画面１３０３を切り換えることができる。

図１３Ａには、結果表示画面１３０１を示す。結果表示画面１３０１には、指定された全期間の異常測度、しきい値、判定結果とセンサ信号の時系列グラフを表示する。期間表示ウィンドウ１３０４には、指定された学習期間およびテスト期間が表示される。処理時間表示ウィンドウ１３０５には、異常検知の処理にかかる時間つまり図１０に示す処理にかかる時間が表示される。図の例では１日あたりの処理時間が表示されているが、全期間の処理時間でもよいし、１時刻あたりの処理時間でもよい。異常測度表示ウィンドウ１３０６には、指定された学習期間およびテスト期間の異常測度としきい値と判定結果が表示される。センサ信号表示ウィンドウ１３０７には、指定された期間の指定されたセンサの出力値が表示される。

センサの指定は、センサ名選択ウィンドウ１３０８への入力によって行う。ただし、ユーザが指定する前は、先頭のセンサが選択されている。カーソル１３０９は、拡大表示の時の起点を表し、マウス操作により移動できる。カーソル位置の日付が、日付表示ウィンドウ１３１０に表示される。終了ボタン１３１１押下により結果表示画面１３０１、結果拡大表示画面１３０２、クラスタ情報表示画面１３０３とも消去し終了する。

センサ名選択ウィンドウ１３０８で、クラスタ選択番号を選ぶことも可能である。図１３Ｂに、センサ信号表示ウィンドウ１３０７にクラスタ選択番号を表示した例を示す。図中、グラフの縦軸がクラスタ番号を表す。

図１３Ｃには、結果拡大表示画面１３０２を示す。結果拡大表示画面１３０２には、図１３Ａで説明した結果表示画面１３０１において、カーソル１３０９で示された日付を起点として、指定された日数の異常測度、しきい値、判定結果とセンサ信号の時系列グラフを表示する。期間表示ウィンドウ１３０４および処理時間表示ウィンドウ１３０５には、結果表示画面１３０１と同じ情報が表示される。異常測度表示ウィンドウ１３０６およびセンサ信号表示ウィンドウ１３０７には、図１３Ａで説明した結果表示画面１３０１と同様の情報が、拡大表示される。日付表示ウィンドウ１３１０には、拡大表示の起点の日付が表示されている。拡大表示日数指定ウィンドウ１３１４で、拡大表示の起点から終点までの日数を指定する。スクロールバー１３１３で表示の起点を変更することも可能であり、この変更はカーソル１３０９の位置と日付表示ウィンドウ１３１０の表示に反映される。スクロールバー表示領域１３１２の全体の長さは結果表示画面１３０１に表示されている全期間に相当する。また、スクロールバー１３１３の長さは拡大表示日数指定ウィンドウ１３１４で指定された日数に相当し、スクロールバー１３１３の左端部が拡大表示の起点に対応する。終了ボタン１３１１押下により終了する。

図１３Ｄには、クラスタ情報表示画面１３０３の例を示す。この画面にはクラスタ分布、調整前のクラスタメンバ数、調整前後のクラスタ半径、もっとも近いクラスタまでの距離を表示する。クラスタリングパラメータ表示ウィンドウ１３１５には、図１２に示すクラスタリングパラメータ設定ウィンドウ１２０８で入力したクラスタ数、クラスタメンバ数と再分割するかしないかを表示する。

クラスタ分布表示ウィンドウ１３１６には、学習データおよびクラスタ中心を第一主分と第二主成分の散布図にプロットしたものを表示する。図の例では学習データをドットで、クラスタ中心を三角で表している。このグラフにより、クラスタが学習データ全体にくまなくちらばっているかどうかをチェックすることができる。データ密度の低い部分にクラスタ中心が少ない場合、クラスタ数が不足していると判断できる。さらにテストデータを重ねて表示してもよい。また、この例では2次元の主成分で表示したが、３次元表示でもよい。また、任意の２つまたは３つのセンサを選択してプロットするようにしてもよく、特徴空間上での学習データとクラスタ中心の分布を示すどのような方法でもよい。

クラスタメンバ数表示ウィンドウ１３１７には、図７に示すメンバ数調整処理の前の各クラスタのメンバ数を棒グラフで表示する。グラフの横軸はクラスタ番号、縦軸はメンバ数を表す。このグラフにより、クラスタメンバ数の偏りをチェックすることができる。メンバ数が非常に多いクラスタがある場合、クラスタ数を増やすまたは図６に示す再分割処理を行うことを試すとよい。クラスタ半径表示ウィンドウ１３１８には、メンバ数調整前後のクラスタ中心から最も遠いクラスタメンバまでの距離および最も近い他のクラスタ中心までの距離を折れ線グラフで表示する。グラフの横軸はクラスタ番号、縦軸は距離を表す。調整の前後では、元のメンバ数が多いクラスタは半径が小さくなり、元のメンバ数が少ないクラスタは半径が大きくなる。調整後のクラスタ半径が最も近いクラスタ中心までの距離より大きければ、終了ボタン１３１１押下により終了する。以上の表示に必要な情報はレシピ名およびテスト番号と対応づけて保存しておく。

図１３Ａ〜Ｄに示すいずれかの画面で、終了ボタン１３１１押下によりテスト結果およびクラスタ情報の確認が終了したら、図１２に示すレシピ設定画面１２０１の表示に戻る。テスト番号表示ウィンドウ１２１４には、上記のテストで採番された番号が表示されている。確認した内容に問題があれば、クラスタリングパラメータを変更し、テストボタン１２１３の押下により、再度テストを行う。あるいは、一度行ったテストの結果を再度確認することもできる。テスト番号表示ウィンドウ１２１４からテスト番号を選択入力し、表示ボタン１２１５を押下する。この操作により、レシピ名とテスト番号に対応付けて保存された情報をロードし結果表示画面１３０１を表示する。タブの切り替えにより結果拡大表示画面１３０２またはクラスタ情報表示画面１３０３を表示させることもできる。確認が済んだら終了ボタン１３１１押下により、レシピ設定画面１２０１の表示に戻る。

登録ボタン１２１６の押下により、上記レシピ名とテスト番号表示ウィンドウ１２１４に表示中のテスト番号に対応付けて保存されている情報をレシピ名と対応付けて登録し、終了する。キャンセルボタン１２１７が押下された場合は、何も保存しないで終了する。

また、テスト結果一覧ボタン１２１８が押下された場合は、図１４に示す、テスト結果一覧表示画面１４０１を表示する。テスト結果リスト１４０２には、全てのテストの学習期間、テスト期間、クラスタリングパラメータなどのレシピ情報と、計算時間、しきい値、異常検知日数などのテスト結果情報を表示する。リストの左端に選択チェックボタンがあり、いずれか一つのみ選択することができる。詳細表示ボタン１４０３押下により、レシピ名とテスト番号に対応付けて保存された情報をロードし、結果表示画面１３０１を表示する。

図１４に示した例では、番号３の選択チェックボタンにチェックマークが付いているので、詳細表示ボタン１４０３の押下により、テスト番号３に対応づけて記憶された情報が図１３Ａに示した結果表示画面１３０１に表示される。タブの切り替えにより結果拡大表示画面１３０２またはクラスタ情報表示画面１３０３を表示させることもできる。確認が済んだら終了ボタン１３１１押下により、テスト結果一覧表示画面１４０１の表示に戻る。登録ボタン１４０４の押下により、選択中のテスト番号に対応付けて保存されている情報をレシピ名と対応付けて登録し、テスト結果一覧表示画面１４０１の表示およびレシピ設定画面１２０１の表示を終了する。戻るボタン１４０５が押下された場合は、レシピの登録は行わずにレシピ設定画面１２０１の表示に戻る。

登録されたレシピは、活性か不活性かのラベルをつけて管理され、新しく観測されたデータに対しては、装置ＩＤが一致する活性なレシピの情報を用いて図１０を用いて説明した特徴ベクトル抽出（Ｓ１００３）から異常判定（Ｓ１００８）までの処理を行い、結果をレシピ名と対応付けて保存しておく。

次に、異常検知部１０４で実行された異常判定処理の結果をユーザに示すためのＧＵＩの例を、図１５および図１６Ａおよび図１６Ｂに示す。

図１５は、表示対象を指定するＧＵＩの例である。表示対象指定画面１５０１から表示対象の設備、レシピおよび期間を指定する。初めに、装置ＩＤ選択ウィンドウ１５０２により装置ＩＤを選択する。次に、レシピ名選択ウィンドウ１５０３により、装置ＩＤを対象としたレシピのリストから表示対象のレシピを選択する。データ記録期間表示部１５０４には、入力されたレシピを用いて処理され、記録が残されている期間の開始日と終了日が表示される。結果表示期間指定ウィンドウ１５０５には、結果を表示したい期間の開始日と終了日を入力する。表示センサ指定ウィンドウ１５０６には、表示したいセンサの名を入力する。表示ボタン１５０７押下により図１６Ａに示す結果表示画面１６０１を表示する。終了ボタン１５０８押下により終了する。

図１６Ａ及びＢは、結果表示にかかわるＧＵＩの例である。結果表示画面１６０１、結果拡大表示画面１６０２を各画面の上部に表示されたタブを選択することにより切り替えられる。図１６Ａには、結果表示画面１６０１を示す。結果表示画面１６０１には、異常測度表示ウィンドウ１６０３、センサ信号表示ウィンドウ１６０４が含まれる。異常測度表示ウィンドウ１６０３には、指定された期間の異常測度としきい値と判定結果が表示される。センサ信号表示ウィンドウ１６０４には、指定された期間の指定されたセンサの出力値が表示される。センサ名表示ウィンドウ１６０５には、センサ信号表示ウィンドウ１６０４に表示中のセンサ信号名が表示される。ウィンドウ１６０５への入力により、表示対象のセンサを切り換えることもできる。表示対象の期間は、期間表示ウィンドウ１６０６に表示される。カーソル１６０７は、拡大表示の時の起点を表し、マウス操作により移動できる。カーソル位置の日付が、日付表示ウィンドウ１６０８に表示される。終了ボタン１６０９押下により結果表示画面１６０１、結果拡大表示画面１６０２とも消去し終了する。

図１６Ｂには、結果拡大表示画面１６０２を示す。結果詳細拡大表示画面１５０２には、異常測度表示ウィンドウ１６０３、センサ信号表示ウィンドウ１６０４が含まれる。各ウィンドウには、結果表示画面１６０１において、カーソル１６０７で示された時刻を起点として、結果表示画面１６０１と同種の情報の拡大表示を行う。日付表示ウィンドウ１６０８には、拡大表示の起点の日付が表示されている。拡大表示期間指定ウィンドウ１６１２で、拡大表示の起点から終点までの期間を日単位で指定する。スクロールバー１６１１で表示の起点を変更することも可能であり、この変更はカーソル１６０７の位置と日付表示ウィンドウ１６０８の表示に反映される。スクロールバー表示領域１６１０の全体の長さは結果表示画面１６０１に表示されている全期間に相当する。また、スクロールバー１６１１の長さは拡大表示期間指定ウィンドウ１６１２で指定された期間に相当し、スクロールバー１６１１の左端部が拡大表示の起点に対応する。日付表示ウィンドウ１６０８には、結果表示画面１６０１と同様の内容が表示される。終了ボタン１６０９押下により終了する。

上記実施例は学習データ設定をオフライン、異常識別処理をリアルタイム、結果表示をオフラインでそれぞれ処理するものであるが、結果表示もリアルタイムに行うことが可能である。その場合、表示期間の長さ、表示対象とするレシピ、表示対象とする情報を予め定めておき、一定時間毎に最新の情報を表示するよう構成すればよい。

逆に、任意の期間を設定し、レシピを選択して、オフラインで異常判定処理を行う機能を付加したものも本発明の範囲に含まれる。
上記に説明した実施例は本発明の一実施の形態を説明するものであって、本発明はこれに限定されるものではない。すなわち、上記実施例で説明した構成（ステップ）の一部をそれと等価な機能を有するステップ又は手段で置き換えたものも、または、実質的でない機能の一部を省略したものも本発明に含まれる。

１０１…設備 １０２…センサ信号 １０３…センサ信号蓄積部 １０４…特徴ベクトル抽出部 １０５…クラスタリング部 １０６…学習データ蓄積部 １０７…クラスタ選択部 １０８…正常モデル作成部 １０９…異常測度算出部 １１０…しきい値算出部 １１１…異常判定部 １２０１…レシピ設定画面。

Claims (12)

1. 設備または装置の状態を監視する方法であって、
   設備または装置に装着された複数のセンサから出力されるセンサ信号から特徴ベクトルを抽出し、
   該抽出した特徴ベクトルをクラスタリングし、
   該クラスタリングした各クラスタの中心とクラスタに属する特徴ベクトルを学習データとして蓄積し、
   前記設備または装置に装着された前記複数のセンサから出力された新たなセンサ信号から特徴ベクトルを抽出し、
   該新たなセンサ信号から抽出した特徴ベクトルに応じて前記学習データとして蓄積しておいたクラスタの中から１個または数個のクラスタを選択し、
   前記学習データとして蓄積しておいたクラスタの中から選択した前記クラスタに属する特徴ベクトルの中から前記新たなセンサ信号から抽出した特徴ベクトルに応じて所定数の特徴ベクトルを選択し、
   該選択した所定数の特徴ベクトルを用いて正常モデルを作成し、
   前記新たに観測された特徴ベクトルと前記作成した正常モデルに基づき異常測度を算出し、
   該算出した異常測度に基づき前記設備または装置の状態が異常か正常かを判定することを特徴とする設備状態監視方法。
2. 設備または装置に装着された複数のセンサから出力されるセンサ信号をもとに学習データを作成して蓄積する工程と、前記設備または装置に装着された複数のセンサから新たに出力された前記センサ信号の異常識別を行う工程とを含む設備の状態を監視する方法であって、
   前記学習データを作成して蓄積する工程は、
   前記センサ信号から特徴ベクトルを抽出する工程と、
   該抽出した特徴ベクトルをクラスタリングする工程と、
   該クラスタリングによって得られる各クラスタの中心とクラスタに属する特徴ベクトルを学習データとして蓄積する工程と、
   前記抽出した特徴ベクトルのおのおのについて、前記学習データとして蓄積されたクラスタの中から前記抽出した特徴ベクトルに応じて１個または数個のクラスタを選択する工程と、
   該選択されたクラスタに属する特徴ベクトルの中から前記抽出した特徴ベクトルに応じて所定数選択する工程と、
   該所定数選択した前記選択されたクラスタに属する特徴ベクトルを用いて正常モデルを作成する工程と、
   前記抽出した特徴ベクトルと前記正常モデルに基づき異常測度を算出する工程と、
   該算出した異常測度に基づきしきい値を算出する工程とを有し、
   前記センサ信号の異常識別を行う工程は、新たに観測された前記センサ信号から特徴ベクトルを抽出する工程と、
   前記学習データとして蓄積されたクラスタの中から前記新たに観測された特徴ベクトルに応じて１個または数個のクラスタを選択する工程と、
   前記選択されたクラスタに属する特徴ベクトルの中から前記新たに観測された特徴ベクトルに応じて所定数選択する工程と、
   該所定数選択した前記選択されたクラスタに属する特徴ベクトルを用いて正常モデルを作成する工程と、
   前記新たに観測された特徴ベクトルと前記正常モデルに基づき異常測度を算出する工程と、
   該算出した異常測度と前記しきい値に基づき前記センサ信号が異常か正常かを判定する工程とからなることを特徴とする設備状態監視方法。
3. 前記学習データを作成して蓄積する工程において、前記クラスタリングの後、各クラス
   タのメンバを所定数に調整する工程をさらに含むことを特徴とする請求項２に記載の設備
   状態監視方法。
4. 設備または装置に装着された複数のセンサから出力されるセンサ信号をもとに学習データを作成して蓄積する工程と、前記設備または装置に装着された複数のセンサから新たに出力された前記センサ信号の異常識別を行う工程とを含む設備の状態を監視する方法であって、
   前記学習データを作成して蓄積する工程は、
   設備または装置から出力されるイベント信号に基づいて稼動状態別のモード分割を行う工程と、
   前記センサ信号から特徴ベクトルを抽出する工程と、
   該抽出した特徴ベクトルをクラスタリングする工程と、
   該クラスタリングによって得られる各クラスタの中心とクラスタに属する特徴ベクトルを学習データとして蓄積する工程と、
   前記抽出した特徴ベクトルのおのおのについて、前記学習データとして蓄積されたクラスタの中から前記抽出した特徴ベクトルに応じて１個または数個のクラスタを選択する工程と、
   該選択されたクラスタに属する特徴ベクトルの中から前記抽出した特徴ベクトルに応じて所定数選択する工程と、
   該所定数選択した前記選択されたクラスタに属する特徴ベクトルを用いて正常モデルを作成する工程と、
   前記抽出した特徴ベクトルと前記正常モデルに基づき異常測度を算出する工程と、
   該算出した異常測度に基づき前記モード毎にしきい値を算出する工程とを有し、
   前記センサ信号の異常識別を行う工程は、
   前記イベント信号に基づいて稼動状態別のモード分割を行う工程と、
   新たに観測された前記センサ信号から特徴ベクトルを抽出する工程と、
   前記学習データとして蓄積されたクラスタの中から前記新たに観測された特徴ベクトルに応じて１個または数個のクラスタを選択する工程と、
   該選択されたクラスタに属する特徴ベクトルの中から前記新たに観測された特徴ベクトルに応じて所定数選択する工程と、
   該所定数選択した前記選択されたクラスタに属する特徴ベクトルを用いて正常モデルを作成する工程と、
   前記新たに観測された特徴ベクトルと前記正常モデルに基づき異常測度を算出する工程と、
   該算出した異常測度と前記モードと前記モード別に算出したしきい値に基づき前記センサ信号が異常か正常かを判定する工程とを有することを特徴とする設備状態監視方法。
5. クラスタ数とクラスタメンバ数を指定する工程をさらに含むことを特徴とする請求項２
   または請求項４に記載の設備状態監視方法。
6. 異常測度およびしきい値および判定結果の時系列グラフを表示する工程をさらに含むこ
   とを特徴とする請求項２または４に記載の設備状態監視方法。
7. 設備または装置に装着されたセンサから出力されるセンサ信号に基づいて前記設備または装置の状態を監視する装置であって、
   設備または装置に装着されたセンサから出力されるセンサ信号を蓄積する生データ蓄積手段と、
   前記センサ信号から特徴ベクトルを抽出する特徴ベクトル抽出手段と、
   該特徴ベクトル抽出手段により抽出された特徴ベクトルをクラスタリングするクラスタリング手段と、
   該クラスタリング手段でクラスタリングした結果得られたクラスタの中心とクラスタに属する特徴ベクトルを蓄積する学習データ蓄積手段と、
   該学習データ蓄積手段に蓄積された学習データの中から前記特徴ベクトルに応じて１個または数個のクラスタを選択するクラスタ選択手段と、
   該クラスタ選択手段により選択されたクラスタに属する特徴ベクトルの中から前記特徴ベクトル抽出手段で抽出した特徴ベクトルに応じて所定数選択した特徴ベクトルを用いて正常モデルを作成する正常モデル作成手段と、
   前記特徴ベクトルと前記正常モデルに基づき異常測度を算出する異常測度算出手段と、学習データに含まれる前記特徴ベクトルの異常測度に基づきしきい値を設定するしきい値設定手段と、
   前記異常測度算出手段で算出した前記異常測度と前記しきい値設定手段で設定した前記しきい値とを用いて前記設備または装置が異常か正常かを判定する異常識別手段と
   を備えることを特徴とする設備状態監視装置。
8. 前記クラスタリング手段において、クラスタリング後に各クラスタに属する特徴ベクト
   ルを所定数に調整することを特徴とする請求項７に記載の設備状態監視装置。
9. 前記クラスタリング手段において、ｋ平均法によりクラスタリングしたのち、全てのク
   ラスタに属するデータ数が所定数以下になるまで、クラスタに属するデータ数が所定数よ
   り多いクラスタを再分割することを特徴とする請求項７に記載の設備状態監視装置。
10. 設備または装置から出力されるイベント信号に基づいて稼動状態別のモード分割を行う
    モード分割手段をさらに備え、前記しきい値設定手段においては前記モード別にしきい値
    を設定し、前記異常識別手段においては、前記モードに対応する前記しきい値を用いて異
    常識別を行うことを特徴とする請求項７に記載の設備状態監視装置。
11. クラスタ数とクラスタメンバ数を指定するパラメータ入力手段をさらに備えることを特
    徴とする請求項７に記載の設備状態監視装置。
12. 異常測度およびしきい値および判定結果の時系列グラフを表示する表示手段をさらに備
    えることを特徴とする請求項７に記載の設備状態監視装置。

Images