JP5669553B2 - Abnormality detection device, abnormality detection method and abnormality detection program - Google Patents

Abnormality detection device, abnormality detection method and abnormality detection program Download PDF

Info

Publication number
JP5669553B2
JP5669553B2 JP2010278444A JP2010278444A JP5669553B2 JP 5669553 B2 JP5669553 B2 JP 5669553B2 JP 2010278444 A JP2010278444 A JP 2010278444A JP 2010278444 A JP2010278444 A JP 2010278444A JP 5669553 B2 JP5669553 B2 JP 5669553B2
Authority
JP
Japan
Prior art keywords
data
input
change
output
time
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
JP2010278444A
Other languages
Japanese (ja)
Other versions
JP2012128583A (en
Inventor
誠 今村
誠 今村
益史 川上
益史 川上
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mitsubishi Electric Corp
Original Assignee
Mitsubishi Electric Corp
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 Mitsubishi Electric Corp filed Critical Mitsubishi Electric Corp
Priority to JP2010278444A priority Critical patent/JP5669553B2/en
Publication of JP2012128583A publication Critical patent/JP2012128583A/en
Application granted granted Critical
Publication of JP5669553B2 publication Critical patent/JP5669553B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Testing And Monitoring For Control Systems (AREA)

Description

この発明は、プラントを構成する機器等の故障や性能劣化等の異常の予兆を検知する技術に関する。   The present invention relates to a technique for detecting a sign of an abnormality such as a failure or performance deterioration of a device constituting a plant.

火力、水力、原子力等の発電プラント、化学プラント、鉄鋼プラント、上下水道プラント等では、プラントのプロセスを制御するための計装システムが導入されている。その計装システムには、装置に取り付けられたセンサが取得した種々の時系列データが蓄積されている。この時系列データを用いて、プラントの監視や保守に役立てたいというニーズがある。   In power plants such as thermal power, hydropower, and nuclear power, chemical plants, steel plants, and water and sewage plants, instrumentation systems for controlling plant processes are introduced. In the instrumentation system, various time-series data acquired by sensors attached to the device are accumulated. There is a need to use this time-series data for plant monitoring and maintenance.

特許文献１には、時系列データを主成分分析によりクラスタに分割して、クラスタ毎に対象をモデル化することにより、プラントを構成する機器の性能劣化状態を定常的に評価する方法が記載されている。
特許文献２には、主成分分析とウェーブレット変換を組み合わせて、抽出した特性毎に対象をモデル化することにより、異常検知精度を向上することが記載されている。 Patent Document 1 describes a method of constantly evaluating the performance degradation state of equipment constituting a plant by dividing time-series data into clusters by principal component analysis and modeling the target for each cluster. ing.
Patent Document 2 describes that abnormality detection accuracy is improved by combining principal component analysis and wavelet transform and modeling an object for each extracted characteristic.

特開２０１０−０９２３５５号公報JP 2010-092355 A 特開２００７−０６５８８３号公報JP 2007-065883 A

従来技術では、推定値や平均値からの偏差が許容値を超えた場合に外れ値を検出する。しかし、外れ値を算定する数学的な推定方法や平均値の算出方法が直感的にわかりにくいことが多い。また、単一の時系列データを分析しているので、時系列データ間の相関に関する異常は検知できない。そのために、現場でどのような対応をとるかを決める際の情報が不足しているという課題がある。
この発明は、プラントを構成する機器等の異常や劣化の判断を容易にすることを目的とする。 In the prior art, an outlier is detected when a deviation from an estimated value or an average value exceeds an allowable value. However, mathematical estimation methods for calculating outliers and average calculation methods are often difficult to understand intuitively. Further, since single time series data is analyzed, an abnormality relating to the correlation between the time series data cannot be detected. Therefore, there is a problem that there is a lack of information when deciding what kind of response to take at the site.
An object of the present invention is to facilitate the determination of abnormality and deterioration of equipment and the like constituting a plant.

この発明に係る異常検知装置は、
時間の経過に従って順次観測して得た２つの時系列データの一方を入力データとして、前記入力データの値の変化の仕方を表す変化種別毎に、前記入力データを時間で区分した区分データであって、その変化種別が表す値の変化の仕方となる区分データを前記入力データから入力区分データとして処理装置により抽出する区分データ抽出部と、
前記２つの時系列データの他方を出力データとして、前記区分データ抽出部が抽出した入力区分データに対応する前記出力データにおける区分データを出力区分データとして処理装置により特定する対応データ特定部と、
前記区分データ抽出部が抽出した入力区分データと、前記対応データ特定部が特定した出力区分データとから、前記入力区分データの値から前記出力区分データの値を推定する推定モデルを前記変化種別毎に処理装置により生成する推定モデル生成部と、
前記変化種別毎に、前記推定モデル生成部が生成した推定モデルにより、前記入力区分データの値から推定される前記出力区分データの値を計算して、計算した前記出力区分データの値から得られる所定の情報と、前記対応データ特定部が特定した出力区分データの値から得られる前記所定の情報との差について、その差の平均値からの偏差が所定の値よりも大きい前記対応データ特定部が特定した出力区分データと、その出力区分データに対応する入力区分データとの少なくともいずれかを異常データ候補として処理装置により検出する外れ値検出部と
を備えることを特徴とする。 The abnormality detection device according to the present invention is:
One of the two time-series data obtained by observing sequentially as time passes is input data, and the input data is divided data for each change type indicating how the value of the input data changes. A classification data extracting unit that extracts classification data as a method of changing a value represented by the change type from the input data as input classification data by a processing device;
The other of the two time-series data as output data, a corresponding data specifying unit for specifying by the processing device, as output segment data, segment data in the output data corresponding to the input segment data extracted by the segment data extraction unit;
An estimation model for estimating the value of the output classification data from the value of the input classification data from the input classification data extracted by the classification data extraction unit and the output classification data specified by the corresponding data specification unit An estimated model generation unit generated by the processing device;
For each change type, the estimated model generated by the estimated model generation unit calculates the value of the output segment data estimated from the value of the input segment data, and is obtained from the calculated value of the output segment data Regarding the difference between the predetermined information and the predetermined information obtained from the value of the output classification data specified by the corresponding data specifying unit, the corresponding data specifying unit having a deviation from an average value of the difference larger than a predetermined value And an outlier detection unit that detects at least one of the output category data identified by the above and the input category data corresponding to the output category data as an abnormal data candidate.

この発明に係る異常検知装置では、因果関係があると想定される入力データと出力データの応答特性に関する情報を抽出し、抽出した情報が基準から外れた場合に異常データ候補として検出する。これにより、プラントを構成する機器等の異常や劣化の判断を容易にすることができる。   In the abnormality detection apparatus according to the present invention, information related to response characteristics of input data and output data assumed to have a causal relationship is extracted, and when the extracted information deviates from the reference, it is detected as an abnormal data candidate. As a result, it is possible to easily determine abnormality or deterioration of the devices constituting the plant.

実施の形態１に係るプラント異常検知装置１００の構成を示すブロック図。1 is a block diagram showing a configuration of a plant abnormality detection device 100 according to Embodiment 1. FIG. 入力時系列データと出力時系列データの区分毎の対応関係の説明図。Explanatory drawing of the correspondence for every division of input time series data and output time series data. 応答時間特性（または、応答量特性）の外れ値検出の説明図。Explanatory drawing of outlier detection of a response time characteristic (or response amount characteristic). 外れ値視覚化部１１２の視覚化結果の一例を示す図。The figure which shows an example of the visualization result of the outlier visualization part 112. FIG. プラント異常検知装置１００の処理の全体の流れを示すフローチャート。The flowchart which shows the flow of the whole process of the plant abnormality detection apparatus 100. FIG. Ｓ５０２のデータ変化区分切り出し処理の全体の流れを示すフローチャート。The flowchart which shows the whole flow of the data change division | segmentation extraction process of S502. Ｓ６０１の定常区分を切り出す処理の流れを示すフローチャート。The flowchart which shows the flow of the process which cuts out the regular division of S601. Ｓ６０２の上昇区分と下降区分を切り出す処理の流れを示すフローチャート。The flowchart which shows the flow of the process which cuts out the rising division and the falling division of S602. Ｓ６０３の補正処理と振動区分の切り出しの処理との流れを示すフローチャート。The flowchart which shows the flow of the correction process of S603, and the process of extraction of a vibration classification. Ｓ５０６の応答時間特性の外れ値を検出する処理の流れを示すフローチャート。The flowchart which shows the flow of the process which detects the outlier of the response time characteristic of S506. Ｓ５０７の応答曲線形状の外れ値を検出する処理の流れを示すフローチャート。The flowchart which shows the flow of the process which detects the outlier of the response curve shape of S507. プラント異常検知装置１００のハードウェア構成の一例を示す図。The figure which shows an example of the hardware constitutions of the plant abnormality detection apparatus 100.

実施の形態１．
図１は、実施の形態１に係るプラント異常検知装置１００の構成を示すブロック図である。
プラント異常検知装置１００は、プラント時系列データベース１０１（時系列データ記憶部）、入出力データ候補対推定部１０２（関連データ抽出部）、データ変化区分切出部１０３（区分データ抽出部）、区分対応同定部１０４（対応データ特定部）、変化種別毎時系列データベース１０５、変化種別毎データベース構成部１０６、モデル構築部１０７（推定モデル生成部）、外れ値検出部１０８、外れ値視覚化部１１２、外れ値データ表示部１１３（異常データ候補表示部）を備える。また、外れ値検出部１０８は、応答時間特性外れ値検出部１０９、応答量特性外れ値検出部１１０、応答曲線形状外れ値検出部１１１を備える。 Embodiment 1 FIG.
FIG. 1 is a block diagram showing a configuration of a plant abnormality detection device 100 according to the first embodiment.
The plant abnormality detection device 100 includes a plant time series database 101 (time series data storage unit), an input / output data candidate pair estimation unit 102 (related data extraction unit), a data change segment extraction unit 103 (segment data extraction unit), a classification Correspondence identification unit 104 (corresponding data identification unit), change type time series database 105, change type database construction unit 106, model construction unit 107 (estimated model generation unit), outlier detection unit 108, outlier visualization unit 112, An outlier data display unit 113 (abnormal data candidate display unit) is provided. The outlier detection unit 108 includes a response time characteristic outlier detection unit 109, a response amount characteristic outlier detection unit 110, and a response curve shape outlier detection unit 111.

プラント時系列データベース１０１は、異常検知の対象となるプラントの機器等について、時間の経過に従って順次観測して得た複数の時系列データを格納するデータベースである。   The plant time-series database 101 is a database that stores a plurality of time-series data obtained by sequentially observing the equipment and the like of an abnormality detection target over time.

入出力データ候補対推定部１０２は、プラント時系列データベース１０１に記憶された各時系列データ間の類似度（関連度）を判定することにより、入力データと出力データとの組となる時系列データ対の候補を処理装置により抽出する。   The input / output data candidate pair estimation unit 102 determines the similarity (relevance) between each time series data stored in the plant time series database 101, thereby making the time series data as a pair of the input data and the output data. Pair candidates are extracted by the processing device.

データ変化区分切出部１０３は、入出力データ候補対推定部１０２が抽出した時系列データ対のうち、入力となる時系列データを入力時系列データとして受け付ける。データ変化区分切出部１０３は、入力時系列データの値の変化の仕方を表す変化種別毎に、入力時系列データを時間で区分した区分データであって、その変化種別が表す値の変化の仕方となる区分データを入力区分データとして処理装置により切り出す。
変化種別とは、値が上昇する上昇変化、値が下降する下降変化、値が変化しない定常状態、値が上昇と下降とを繰り返す振動変化等である。 The data change segment cutout unit 103 receives input time-series data as input time-series data among the time-series data pairs extracted by the input / output data candidate pair estimation unit 102. The data change segment extraction unit 103 is segment data in which the input time series data is segmented by time for each change type indicating how the value of the input time series data changes, and the change of the value represented by the change type is changed. The classification data to be used is cut out as input classification data by the processing device.
The change type is an increase change in which the value increases, a decrease change in which the value decreases, a steady state in which the value does not change, a vibration change in which the value repeatedly increases and decreases, and the like.

区分対応同定部１０４は、入出力データ候補対推定部１０２が抽出した時系列データ対のうち、出力となる時系列データを出力時系列データとして受け付ける。区分対応同定部１０４は、データ変化区分切出部１０３が切り出した入力時系列データの区分データ毎に、出力時系列データにおいて対応する区分データを出力区分データとして処理装置により切り出す。   The classification correspondence identifying unit 104 receives time-series data to be output from the time-series data pairs extracted by the input / output data candidate pair estimation unit 102 as output time-series data. The category correspondence identifying unit 104 extracts, for each category data of the input time series data extracted by the data change category extraction unit 103, the category data corresponding to the output time series data as output category data by the processing device.

変化種別毎時系列データベース１０５は、入力データの変化種別毎に、入力区分データと、その入力区分データに対応する出力区分データとの区分データ対が格納されるデータベースである。
ここでは、変化種別毎時系列データベース１０５には、上昇変化区分、下降変化区分、定常変化区分、振動変化区分毎に、入力区分データと出力区分データとの区分データ対が格納される。 The change type time-series database 105 is a database in which, for each change type of input data, a category data pair of input category data and output category data corresponding to the input category data is stored.
Here, the change type time series database 105 stores a pair of classification data of input classification data and output classification data for each of the ascending change classification, the descending change classification, the steady change classification, and the vibration change classification.

変化種別毎データベース構成部１０６は、入力データの変化種別毎に、入力区分データと、その入力区分データに対応する出力区分データとの区分データ対を、変化種別毎時系列データベース１０５における対応する変化種別の集合に格納する。   For each change type database configuration unit 106, for each change type of the input data, the change data corresponding to the change type in the time series database 105 corresponding to the input data and the output data corresponding to the input data is displayed. Store in a set of

モデル構築部１０７は、変化種別毎時系列データベース１０５の変化種別毎に、入力区分データの値から出力区分データの値を推定するモデルを処理装置により構築する。   The model construction unit 107 constructs a model for estimating the value of the output category data from the value of the input category data for each type of change in the time series database 105 for each type of change.

外れ値検出部１０８は、変化種別毎時系列データベース１０５の変化種別毎に、モデル構築部１０７が構築したモデルからの偏差の大きい区分データ対を異常データ候補（外れ値）として検出する。
応答時間特性外れ値検出部１０９は、入力区分データの値が変化する変化時間に対して、出力区分データの値が変化する変化時間を表す応答時間特性に関する外れ値を検出する。
応答量特性外れ値検出部１１０は、入力区分データの値が変化する変化量に対して、出力区分データの値が変化する変化量を表す応答量特性に関する外れ値を検出する。
応答曲線形状外れ値検出部１１１は、入力区分データの値の変化に対して、出力区分データの値の時間経過に対する変化を表した応答曲線の形状特性に関する外れ値を検出する。 The outlier detection unit 108 detects, as an abnormal data candidate (outlier), a segment data pair having a large deviation from the model constructed by the model construction unit 107 for each change type in the change type time series database 105.
The response time characteristic outlier detection unit 109 detects an outlier relating to a response time characteristic representing a change time when the value of the output segment data changes with respect to the change time when the value of the input segment data changes.
The response amount characteristic outlier detection unit 110 detects an outlier related to the response amount characteristic representing the amount of change in which the value of the output category data changes with respect to the amount of change in which the value of the input category data changes.
The response curve shape outlier detection unit 111 detects an outlier relating to the shape characteristic of the response curve that represents the change of the value of the output segment data with the lapse of time with respect to the change of the value of the input segment data.

外れ値視覚化部１１２は、外れ値検出部１０８が検出した、応答時間特性に関する外れ値と、応答量特性に関する外れ値と、応答曲線形状特性に関する外れ値との少なくともいずれかを軸としたグラフに、対応する区分データ対を点として表すことにより、外れ値の傾向の推移を視覚化して提示する。   The outlier visualization unit 112 is a graph centered on at least one of outliers related to response time characteristics, outliers related to response amount characteristics, and outliers related to response curve shape characteristics, detected by the outlier detection unit 108. In addition, by representing the corresponding segment data pairs as points, the trend of outlier trends is visualized and presented.

外れ値データ表示部１１３は、外れ値視覚化部１１２が提示した外れ値の傾向の推移を示すグラフ上で、点として表現される区分データ対を指定すると、その区分データ対の元データである入力区分データと出力区分データとを表示する。   The outlier data display unit 113 is the original data of a segmented data pair when a segmented data pair expressed as a point is specified on the graph showing the trend of outlier trend presented by the outlier visualization unit 112. Displays input category data and output category data.

図２は、入力時系列データと出力時系列データの区分毎の対応関係の説明図である。
入力時系列データと出力時系列データとは、相関関係や因果関係のあるデータの対である。例えば、火力発電プラントであれば、ボイラーの重油投入量と、ボイラーの発生蒸気量とが、入力時系列データと出力時系列データの対の例である。また、制御システムでは、設定値と実測値とが、入力時系列データと出力時系列データの対の例である。 FIG. 2 is an explanatory diagram of a correspondence relationship for each category of input time-series data and output time-series data.
The input time series data and the output time series data are a pair of data having a correlation or a causal relationship. For example, in the case of a thermal power plant, the amount of boiler heavy oil input and the amount of steam generated by the boiler are examples of a pair of input time series data and output time series data. In the control system, the set value and the actually measured value are an example of a pair of input time series data and output time series data.

符号２０１で示す区分データは、変化種別が上昇変化区分である入力区分データの一例である。
変化情報２０２は、入力区分データ２０１の情報である。変化情報２０２には、ＩＤ、変化種別、変化開始時刻、変化時間、変化開始値、変化量、単位時間あたりの平均変動量（平均変動量）が含まれる。ＩＤは、区分データを識別する識別子である。変化種別は、区分データの変化種別を示す識別子である。変化開始時刻は、その区分データにおいて値の変化が開始された時刻である。変化時間は、その区分データにおいて値の変化が続いた時間である。変化開始値は、その区分データにおいて値の変化が開始した際の値である。変化量は、その区分データにおいて値が変化した量の絶対値の和である。平均変動量は、その区分データにおける変化量の絶対値の和を、変化時間で割った値である。
符号２０３で示す区分データは、入力区分データ２０１に対応する出力区分データである。変化情報２０４は、出力区分データ２０３の情報である。
符号２０５で示す区分データは、変化種別が下降変化区分である入力区分データの一例である。変化情報２０６は、入力区分データ２０５の情報である。符号２０７で示す区分データは、入力区分データ２０５に対応する出力区分データである。変化情報２０８は、出力区分データ２０７に対応する情報である。 The category data indicated by reference numeral 201 is an example of input category data whose change type is an ascending change category.
The change information 202 is information on the input classification data 201. The change information 202 includes an ID, a change type, a change start time, a change time, a change start value, a change amount, and an average change amount (average change amount) per unit time. The ID is an identifier for identifying the division data. The change type is an identifier indicating the change type of the category data. The change start time is the time when the change of the value is started in the division data. The change time is the time when the value change continues in the segment data. The change start value is a value when the change of the value starts in the division data. The amount of change is the sum of the absolute values of the amounts of change in the segment data. The average fluctuation amount is a value obtained by dividing the sum of the absolute values of the change amounts in the division data by the change time.
The division data indicated by reference numeral 203 is output division data corresponding to the input division data 201. The change information 204 is information on the output classification data 203.
The segment data indicated by reference numeral 205 is an example of input segment data whose change type is a descending change segment. The change information 206 is information on the input classification data 205. The division data indicated by reference numeral 207 is output division data corresponding to the input division data 205. The change information 208 is information corresponding to the output classification data 207.

図３は、応答時間特性（または、応答量特性）の外れ値検出の説明図である。図３では、横軸が、入力区分データの「変化量」及び「単位時間あたりの平均変動量」と、入力区分データに対応する出力区分データの変化開始値との３次元のデータである。なお、図中では、３次元のデータを１次元で表現している。また、縦軸が、出力区分データの変化時間（または、変化量）である。
図３に示すグラフ中の線分３０１は、モデル構築部１０７が構築したモデル（関数）であって、横軸の値から縦軸の値を推定するモデルである。なお、線分３０１は、実際には、４次元空間上の３次元の超曲面である。
点３０２は、入力区分データとその入力区分データに対応した出力区分データとの対を表現している。点３０２から線分３０１に落とした垂線の長さが、応答時間特性（または、応答量特性）の外れ度である。点３０２が線分３０１の上側にあれば、変化時間がモデルを用いて計算された値に比べて長いことを意味し、点３０２が線分３０１の下側にあれば、変化時間がモデルを用いて計算された値に比べて短いことを意味する。また、線分３０３ａ，ｂはそれぞれ閾値を表している。この閾値の外側（線分３０３ａの下側及び線分３０３ｂの上側）にある点３０２が異常データ候補となる外れ値である。 FIG. 3 is an explanatory diagram of detection of outliers in response time characteristics (or response amount characteristics). In FIG. 3, the horizontal axis represents three-dimensional data including “change amount” of input segment data and “average variation per unit time” and change start value of output segment data corresponding to input segment data. In the figure, three-dimensional data is represented in one dimension. The vertical axis represents the change time (or change amount) of the output segment data.
A line segment 301 in the graph shown in FIG. 3 is a model (function) constructed by the model construction unit 107 and is a model for estimating the value on the vertical axis from the value on the horizontal axis. Note that the line segment 301 is actually a three-dimensional hypersurface in a four-dimensional space.
A point 302 represents a pair of input segment data and output segment data corresponding to the input segment data. The length of the perpendicular line dropped from the point 302 to the line segment 301 is the degree of deviation of the response time characteristic (or response amount characteristic). If the point 302 is above the line segment 301, it means that the change time is longer than the value calculated using the model, and if the point 302 is below the line segment 301, the change time is Means shorter than the value calculated using. Line segments 303a and 303b each represent a threshold value. A point 302 outside the threshold value (below the line segment 303a and above the line segment 303b) is an outlier that becomes an abnormal data candidate.

図４は、外れ値視覚化部１１２の視覚化結果の一例を示す図である。図４では、横軸が応答曲線形状の外れ度であり、縦軸が応答時間特性の外れ度である。
点４０１は、入力区分データとその入力区分データに対応した出力区分データとの対を表現している。領域４０２（ハッチングが入っていない領域）は、応答時間特性と応答曲線形状の外れ値が共に閾値内にある正常な値を示す領域である。領域４０３ａ，ｂ（横線のハッチングが入った領域）は応答時間特性の外れ値が閾値を越えている領域であり、領域４０３ａが応答時間特性の遅れが閾値を超えている領域、領域４０３ｂが応答時間の早さが閾値を超えている領域である。領域４０４（縦線のハッチングが入った領域）は、応答曲線形状の外れ値が閾値を超えている領域である。
例えば、点４０１が時間とともにどのように移動していくかの軌跡を見ることにより、設備の劣化や故障の兆候を把握しやすくなる。
なお、図４では、軸に、応答曲線の外れ度と、応答時間特性の外れ度とを選択したが、どちらかの外れ度に代えて応答量特性の外れ度を選択してもよい。また、３つの外れ度を軸に選択して、３次元のグラフにしてもよい。 FIG. 4 is a diagram illustrating an example of a visualization result of the outlier visualization unit 112. In FIG. 4, the horizontal axis represents the degree of deviation of the response curve shape, and the vertical axis represents the degree of deviation of the response time characteristic.
A point 401 represents a pair of input segment data and output segment data corresponding to the input segment data. A region 402 (a region without hatching) is a region showing a normal value in which both the response time characteristic and the outlier of the response curve shape are within the threshold value. Regions 403a and 403b (regions with horizontal line hatching) are regions where the outlier of the response time characteristic exceeds the threshold, region 403a is a region where the delay of the response time characteristic exceeds the threshold, and region 403b is the response This is a region where the speed of time exceeds the threshold. A region 404 (a region with vertical line hatching) is a region where the outlier of the response curve shape exceeds the threshold value.
For example, by looking at the locus of how the point 401 moves with time, it becomes easier to grasp the signs of equipment deterioration and failure.
In FIG. 4, the degree of deviation of the response curve and the degree of deviation of the response time characteristic are selected as the axes, but the degree of deviation of the response amount characteristic may be selected instead of either degree of deviation. Further, a three-dimensional graph may be selected by selecting three degrees of deviation as axes.

次に、プラント異常検知装置１００の動作を説明する。
図５は、プラント異常検知装置１００の処理の全体の流れを示すフローチャートである。 Next, the operation of the plant abnormality detection apparatus 100 will be described.
FIG. 5 is a flowchart showing an overall flow of processing of the plant abnormality detection device 100.

Ｓ５０１は、入出力データ候補対推定部１０２が実行する入出力データ候補対推定処理である。
入出力データ候補対推定部１０２は、プラント時系列データベース１０１から時系列データを取り出し、時系列データ間の類似する度合いを計算し、類似する度合いの強いものを入出力データの候補対として推定する。類似する度合いとは、２つの時系列データの変化が互いに関連する度合いを示す関連度のことである。
この候補対の推定では、因子分析や、特異値分解等の多変量解析や、数学の解析学における関数の距離を算出する方式等の既存の時系列データ間の類似関係を推定する方式を用いる。
また、入力データと出力データとの識別は、「時系列間の類似する部分に時間遅れがある方を出力とする」等とすればよい。時間遅れは、例えば、入力データ候補の時系列データの時間を後ろにずらして、出力データ候補の時系列データと照合した場合に、類似度が向上することにより検出すればよい。 S501 is an input / output data candidate pair estimation process executed by the input / output data candidate pair estimation unit 102.
The input / output data candidate pair estimation unit 102 extracts time-series data from the plant time-series database 101, calculates the degree of similarity between the time-series data, and estimates those having a high degree of similarity as input / output data candidate pairs. . The degree of similarity is the degree of association indicating the degree to which changes in two time-series data are associated with each other.
In this candidate pair estimation, a method of estimating similarity between existing time series data such as factor analysis, multivariate analysis such as singular value decomposition, and a method of calculating the distance of a function in mathematical analysis is used. .
Further, the discrimination between the input data and the output data may be “output the one having a time delay in a similar portion between time series”. The time delay may be detected, for example, by improving the similarity when the time of the time series data of the input data candidate is shifted backward and collated with the time series data of the output data candidate.

次にＳ５０２へ進む。Ｓ５０２は、データ変化区分切出部１０３が実行するデータ変化区分切り出し処理である。
図６は、Ｓ５０２のデータ変化区分切り出し処理の全体の流れを示すフローチャートである。
まず、Ｓ６０１で、データ変化区分切出部１０３が定常区分に該当する入力区分データを切り出す。次に、Ｓ６０２で、データ変化区分切出部１０３が上昇区分と下降区分に該当する入力区分データを切り出す。最後に、Ｓ６０３で、データ変化区分切出部１０３が、Ｓ６０１とＳ６０２とで切り出した区分を併合する補正処理と、上昇と下降を交互に繰り返す振動区分に該当する入力区分データを切り出す処理とを実行する。 Next, the process proceeds to S502. S502 is data change segment cutout processing executed by the data change segment cutout unit 103.
FIG. 6 is a flowchart showing the overall flow of the data change segment cutout process in S502.
First, in S601, the data change segment extraction unit 103 extracts input segment data corresponding to the regular segment. Next, in step S602, the data change segment extraction unit 103 extracts input segment data corresponding to the ascending segment and the descending segment. Finally, in S603, the data change segment extraction unit 103 performs a correction process for merging the segments extracted in S601 and S602, and a process for extracting the input segment data corresponding to the vibration segment that alternately repeats ascending and descending. Run.

図７は、Ｓ６０１の定常区分を切り出す処理の流れを示すフローチャートである。
なお、以下の説明では、データ変化区分切出部１０３が対象とする時系列データの時刻ｎの値をｆ（ｎ）とする。ｆ（ｎ）を離散値に対する関数として説明するが、連続値関数の場合は、サンプリングすることで、離散値に対する関数の場合に帰着することができる。
まず、Ｓ７０１で、データ変化区分切出部１０３が、時系列データｆ（ｎ）が定義されている開始時刻ｓを取得する。次に、Ｓ７０２で、データ変化区分切出部１０３が、変数ｎに時刻ｓを代入する。そして、Ｓ７０３で、データ変化区分切出部１０３が、Δｆ（ｎ）＝ｄｅｆ｜ｆ（ｎ＋１）−ｆ（ｎ）｜が、定常区分判定用閾値α以下かどうか判定する。データ変化区分切出部１０３は、Ｓ７０３の判定結果がＹｅｓの場合は、Ｓ７０４に処理を進め、Ｎｏの場合は、Ｓ７０５に処理を進める。なお、閾値αは、時系列データベース中の時系列データの時間あたりの変動値の平均や標準等の統計値より決められたある値であり、時系列データの種類や時刻に応じて変化する値であってもよい。
Ｓ７０４では、データ変化区分切出部１０３は、変数ｎの値に１を足して、Ｓ７０３に処理を進める。
一方、Ｓ７０５では、データ変化区分切出部１０３は、変数ｎの値を、区分終了時刻ｅに代入する。そして、Ｓ７０６では、データ変化区分切出部１０３は、ｓ≠ｅの場合、時刻ｓから時刻ｅの区間［ｓ，ｅ］を定常区分に該当する入力区分データとして抽出する。Ｓ７０７で、データ変化区分切出部１０３は、時系列データｆ（ｎ）の定義域に区分終了時刻ｅが含まれるうちは、Ｓ７０１に処理を戻し、区分終了時刻ｅを区間開始時刻ｓとして、定常区分の切り出し処理を反復する。 FIG. 7 is a flowchart showing the flow of the process of cutting out the regular section in S601.
In the following description, the value of the time n of the time series data targeted by the data change section extraction unit 103 is assumed to be f (n). Although f (n) is described as a function with respect to a discrete value, in the case of a continuous value function, it can be reduced to a function with respect to a discrete value by sampling.
First, in S701, the data change segment cutout unit 103 acquires the start time s in which the time series data f (n) is defined. Next, in S702, the data change segment cutout unit 103 substitutes the time s for the variable n. In step S < b > 703, the data change segment cutout unit 103 determines whether Δf (n) = def | f (n + 1) −f (n) | is equal to or smaller than the steady segment determination threshold value α. If the determination result in S703 is Yes, the data change segment cutout unit 103 advances the process to S704, and if No, advances the process to S705. The threshold α is a certain value determined from statistical values such as an average or standard of fluctuation values per hour of time series data in the time series database, and a value that changes according to the type and time of the time series data. It may be.
In S704, the data change segment cutout unit 103 adds 1 to the value of the variable n and advances the process to S703.
On the other hand, in S705, the data change segment cutout unit 103 substitutes the value of the variable n for the segment end time e. In S706, when s ≠ e, the data change segment extraction unit 103 extracts the section [s, e] from the time s to the time e as input segment data corresponding to the regular segment. In S707, the data change segment extraction unit 103 returns the process to S701 while the segment end time e is included in the domain of the time-series data f (n), and sets the segment end time e as the segment start time s. Repeat the cut-out process of the steady segment.

図８は、Ｓ６０２の上昇区分と下降区分を切り出す処理の流れを示すフローチャートである。
まず、Ｓ８０１で、データ変化区分切出部１０３が、定常区間の切り出し処理が終了した後の時系列データｆ（ｎ）の定義域で、定常区分の切り出し後に残る区分を順に取り出し、その区分の開始時刻ｓを取得する。次に、Ｓ８０２で、データ変化区分切出部１０３が、変数ｎに開始時刻ｓを代入する。そして、Ｓ８０３で、データ変化区分切出部１０３が、Δｆ（ｎ）が０より大きいか（正か）否か（負か）を判定する。そして、データ変化区分切出部１０３は、Ｓ８０３の判定結果が正の場合は、Ｓ８０４へ処理を進めて上昇区分を抽出し、負の場合は、Ｓ８０８へ処理を進めて下降区分を抽出する。なお、ここでは、定常区分を切り出した後なので、Δｆ（ｎ）は必ず閾値α以上であり、上昇区分か下降区分のいずれかの開始と認識できる。
Δｆ（ｎ）が正の場合は、データ変化区分切出部１０３は、Ｓ８０４で変数ｎの値に１を加えて、Ｓ８０５でΔｆ（ｎ）が０より大きいか（正か）否か（負か）を判定する。Ｓ８０５での判定結果が正の場合、データ変化区分切出部１０３は再び処理をＳ８０４へ進める。一方、判定結果が負の場合、データ変化区分切出部１０３は上昇区分が終了したと判定して、処理をＳ８０６へ進める。そして、データ変化区分切出部１０３は、Ｓ８０６で区分終了時刻ｅにｎを代入し、Ｓ８０７で時刻ｓから時刻ｅの区間［ｓ，ｅ］を上昇区分に該当する入力区分データとして抽出する。
一方、Δｆ（ｎ）が負の場合は、データ変化区分切出部１０３は、Ｓ８０８で変数ｎの値に１を加えて、Ｓ８０９でΔｆ（ｎ）が０より大きいか（正か）否か（負か）を判定する。Ｓ８０９での判定結果が負の場合、データ変化区分切出部１０３は再び処理をＳ８０８へ進める。一方、判定結果が正の場合、データ変化区分切出部１０３は下降区分が終了したと判定して、処理をＳ８１０へ進める。そして、データ変化区分切出部１０３は、Ｓ８１０で区分終了時刻ｅにｎを代入し、Ｓ８１１で時刻ｓから時刻ｅの区間［ｓ，ｅ］を下降区分に該当する入力区分データとして抽出する。
そして、Ｓ８１２で、データ変化区分切出部１０３は、定常区間の切り出し処理が終了した後の時系列データｆ（ｎ）の定義域に区分終了時刻ｅが含まれるうちは、Ｓ８０１に処理を戻し、区分終了時刻ｅを区間開始時刻ｓとして、上昇区分、下降区分の切り出し処理を反復する。 FIG. 8 is a flowchart showing the flow of the process of cutting out the rising segment and the descending segment in S602.
First, in S801, the data change segment extraction unit 103 sequentially extracts segments remaining after segmentation of the regular segments in the domain of the time-series data f (n) after the regular segment segmentation processing is completed. Get the start time s. Next, in S802, the data change segment cutout unit 103 substitutes the start time s for the variable n. In step S803, the data change segment cutout unit 103 determines whether Δf (n) is greater than 0 (positive) or not (negative). Then, if the determination result in S803 is positive, the data change segment cutout unit 103 proceeds to S804 to extract an ascending segment, and if negative, proceeds to S808 to extract a descending segment. Here, since the steady segment is cut out, Δf (n) is always equal to or greater than the threshold value α, and can be recognized as the start of either the rising segment or the descending segment.
If Δf (n) is positive, the data change segment cutout unit 103 adds 1 to the value of the variable n in S804, and whether Δf (n) is greater than 0 (positive) or not (negative) in S805. Is determined. If the determination result in S805 is positive, the data change segment cutout unit 103 advances the process to S804 again. On the other hand, if the determination result is negative, the data change segment cutout unit 103 determines that the ascending segment has ended, and advances the process to S806. Then, the data change segment cutout unit 103 substitutes n for the segment end time e in S806, and extracts the section [s, e] from the time s to the time e as input segment data corresponding to the ascending segment in S807.
On the other hand, if Δf (n) is negative, the data change segment cutout unit 103 adds 1 to the value of the variable n in S808, and whether or not Δf (n) is greater than 0 (positive) in S809. (Negative) is determined. If the determination result in S809 is negative, the data change segment cutout unit 103 advances the process to S808 again. On the other hand, if the determination result is positive, the data change segment cutout unit 103 determines that the descending segment has ended, and advances the process to S810. Then, the data change segment cutout unit 103 substitutes n for the segment end time e in S810, and extracts the section [s, e] from the time s to the time e as input segment data corresponding to the descending segment in S811.
In step S812, the data change segment extraction unit 103 returns the processing to step S801 as long as the segment end time e is included in the domain of the time-series data f (n) after the regular segment extraction processing ends. The segment end time e is set as the segment start time s, and the ascending segment and descending segment extraction processing is repeated.

図９は、Ｓ６０３の補正処理と振動区分の切り出しの処理との流れを示すフローチャートである。
補正処理と振動区分の切り出しの処理とでは、Ｓ６０１とＳ６０２とで切り出した、定常区分、上昇区分、下降区分を併合することにより、新たな定常区分、上昇区分、下降区分、振動区分を切り出していく。具体的には、Ｓ９０１からＳ９０４までの処理を新たな区分の変更がなくなるまで、繰り返し実行する。
Ｓ９０１では、データ変化区分切出部１０３は、時系列データｆ（ｎ）の区分を時刻の小さい区分から大きい区分に順に並べる。そして、データ変化区分切出部１０３は、上昇区分、定常区分、上昇区分の連続で、定常区分の時間が閾値β（振動判定用の許容時間の閾値）以内であれば、区間をまとめて、上昇区分に該当する入力区分データとする。
Ｓ９０２では、データ変化区分切出部１０３は、下降区分、定常区分、下降区分の連続で、定常区分の時間が閾値γ以内であれば、区間をまとめて、下降区分に該当する入力区分データとする。
Ｓ９０３では、データ変化区分切出部１０３は、「上昇区分、下降区分の連続」、「上昇区分、定常区分、下降区分の連続で、定常区分の時間が閾値δ以内」、「下降区分、上昇区分の連続」、「下降区分、定常区分、上昇区分の連続で、定常区分の時間が閾値ε以内」であれば、区間をまとめて、振動区分に該当する入力区分データとする。
Ｓ９０４では、データ変化区分切出部１０３は、「振動区分、振動区分の連続」、「振動区分、定常区分、振動区分の連続で、定常区分の時間がζ以内」であれば、区間をまとめて、振動区分に該当する入力区分データとする。
Ｓ９０５では、データ変化区分切出部１０３は、Ｓ９０１からＳ９０４までで、新たな区分の追加・変更があったかどうかを判定する。データ変化区分切出部１０３は、Ｓ９０５での判定結果がＹｅｓの場合は、Ｓ９０１に処理を戻し、Ｎｏの場合は、補正処理と振動区分の切り出し処理とを終了する。
ここで、閾値β，γ，δ，ε，ζは、時系列データベース中の時系列データの時間あたりの変動値の平均や標準等の統計値より決められたある値であり、時系列データの種類や時刻に応じて変化する値であってもよい。 FIG. 9 is a flowchart showing the flow of the correction process in S603 and the process of extracting the vibration classification.
In the correction process and the vibration segment cut-out process, a new steady segment, an ascending segment, a descending segment, and a vibration segment are extracted by merging the steady segment, the rising segment, and the descending segment extracted in S601 and S602. Go. Specifically, the processing from S901 to S904 is repeatedly executed until there is no change in the new category.
In S901, the data change segment cutout unit 103 arranges the segments of the time series data f (n) in order from the segment having the smallest time to the segment having the largest time. Then, the data change segment cutout unit 103 is continuous in the ascending segment, the steady segment, and the ascending segment, and if the stationary segment time is within the threshold value β (threshold value for vibration determination), collects the sections, Input category data corresponding to the rising category.
In S902, the data change segment cutout unit 103, when the descending segment, the steady segment, and the descending segment are continuous, and the regular segment time is within the threshold γ, the segments are grouped together with the input segment data corresponding to the descending segment, To do.
In S903, the data change segment extraction unit 103 performs “continuous ascending segment and descending segment”, “continuous ascending segment, steady segment, descending segment, and time of steady segment within threshold δ”, “decreasing segment, ascending segment” If the “continuation of category”, “continuation of descending category, steady category, and ascending category and the duration of the regular category is within the threshold ε”, the segments are grouped together as input category data corresponding to the vibration category.
In S904, the data change segment cutout unit 103 summarizes the sections if “vibration segment, vibration segment continuous”, “vibration segment, steady segment, vibration segment continuous and steady segment time within ζ”. Therefore, the input classification data corresponding to the vibration classification is used.
In step S905, the data change section extraction unit 103 determines whether a new section has been added or changed in steps S901 to S904. If the determination result in S905 is Yes, the data change segment cutout unit 103 returns the process to S901, and if the determination result is No, the data change segment cutout unit 103 ends the correction process and the vibration segment cutout process.
Here, the threshold values β, γ, δ, ε, and ζ are certain values determined from statistical values such as average and standard of fluctuation values per time of the time-series data in the time-series database. The value may vary depending on the type and time.

以上の説明では、定常状態、上昇、下降、振動に変化種別を区分している。しかし、例えば、制御システムにおいてよく用いられるステップ関数のように、上昇の傾きが非常に大きい立ち上がり部分や、下降の傾きが非常に大きい立ち下り部分を新たな変化種別として追加してもよい。   In the above description, the change types are divided into steady state, ascending, descending, and vibration. However, for example, a rising portion having a very large rising slope or a falling portion having a very large falling slope may be added as a new change type, as in a step function often used in a control system.

続いて、図５に戻り、次にＳ５０３へ進む。
Ｓ５０３は、区分対応同定部１０４が実行する区分対応同定処理である。
区分対応同定部１０４は、Ｓ５０２で切り出された入力区分データ毎に、対応する区分データを出力時系列データから出力区分データとして切り出す。
出力区分データの切り出しは、「入力区分データと同時間部分を抽出する」、「出力時系列データにも、Ｓ５０２と同様の変化区分切り出しを行い、入力区分データと時間の共通部分が多い区分データを、その入力区分データに対応する出力区分データとする」等により行う。 Subsequently, returning to FIG. 5, the process proceeds to S503.
S503 is a classification correspondence identification process executed by the classification correspondence identification unit 104.
The classification correspondence identifying unit 104 extracts corresponding classification data from the output time series data as output classification data for each input classification data extracted in S502.
Output segment data is extracted by extracting the same time portion as the input segment data and “output segment data similar to S502 for the output time series data, and segment data having many common portions with the input segment data. Are set as output segment data corresponding to the input segment data ".

次にＳ５０４へ進む。Ｓ５０４は、変化種別毎データベース構成部１０６が実行する変化種別毎データベース構成処理である。
変化種別毎データベース構成部１０６は、入力データの変化種別毎に、入力区分データと対応する出力区分データとの区分データ対を、変化種別毎時系列データベース１０５に登録する。例えば、変化種別毎データベース構成部１０６は、入力区分データの変化種別が定常変化区分であれば、入力区分データと、その入力区分データに対応する出力区分データとの区分データ対を、変化種別毎時系列データベース１０５の「定常変化区分対の集合」に追加する。 Next, the process proceeds to S504. S504 is a database configuration process for each change type executed by the database configuration unit 106 for each change type.
The change type database configuration unit 106 registers, for each change type of input data, a category data pair of the input category data and the corresponding output category data in the change type time series database 105. For example, if the change type of the input category data is a steady change category, the change type-by-change type database configuration unit 106 generates a category data pair of the input category data and the output category data corresponding to the input category data for each change type. It is added to the “set of stationary change category pairs” in the series database 105.

次にＳ５０５へ進む。Ｓ５０５は、モデル構築部１０７が実行するモデル構築処理である。
モデル構築部１０７は、変化種別毎時系列データベース１０５から、変化種別毎の入力区分データと出力区分データの区分データ対の集合を訓練データとして抽出する。そして、モデル構築部１０７は、抽出した区分データ対に基づき、入力区分データから出力区分データを推定するモデルを変化種別毎に構築する。
モデルの構築では、回帰分析等の多変量解析や、サポートベクトルリグレッションやナイーブベイズ等の機械学習の既知の方式に従えばよい。 Next, the process proceeds to S505. S505 is a model construction process executed by the model construction unit 107.
The model construction unit 107 extracts, as training data, a set of category data pairs of input category data and output category data for each type of change from the time series database 105 for each type of change. Then, the model construction unit 107 constructs a model for estimating the output classification data from the input classification data for each change type based on the extracted classification data pairs.
For model construction, a known method of machine learning such as multivariate analysis such as regression analysis or support vector regression or naive Bayes may be used.

次にＳ５０６、Ｓ５０７へ進む。Ｓ５０６とＳ５０７とはいずれも、外れ値検出部１０８が実行する外れ値検出処理であり、それぞれ独立に実行してよい。
Ｓ５０６では、外れ値検出部１０８が、変化種別毎に、Ｓ５０５で構成したモデルを用いて、区分データ対に対して、応答時間特性や応答量特性の外れ値を検出する。Ｓ５０７では、外れ値検出部１０８が、変化種別毎に、区分データ対に対して、応答曲線形状の外れ値を検出する。 Next, the process proceeds to S506 and S507. Both S506 and S507 are outlier detection processing executed by the outlier detection unit 108, and may be executed independently of each other.
In S506, the outlier detection unit 108 detects outliers of the response time characteristic and the response amount characteristic for the segment data pair using the model configured in S505 for each change type. In S507, the outlier detection unit 108 detects an outlier in the response curve shape for the segment data pair for each change type.

図１０は、Ｓ５０６の応答時間特性の外れ値を検出する処理の流れを示すフローチャートである。なお、応答時間特性と応答量特性との外れ値検出方法は類似しているので、以下では応答時間特性の外れ値を検出する流れを説明しながら、応答量特性の外れ値に関しては差分のみを補足する。
Ｓ１００１では、モデル構築部１０７が、変化種別毎に、入力区分データの変化情報の変化量と、平均変動量と、その入力区分データに対応する出力区分データの変化開始量とを入力変数として、出力区分データの変化時間を出力変数として、区分データ対をベクトル空間にマッピングする。応答量特性の外れ値を求める場合は、出力変数を出力区分データの変化量とする。
Ｓ１００２では、モデル構築部１０７が、Ｓ５０５で構築したモデルを用いて、入力区分データから出力区分データを求める。そして、モデル構築部１０７が、入力区分データと、求めた出力区分データとを用いて、回帰分析等の既存のモデル推定方式で、出力変数を入力変数で近似する関数を求める。
Ｓ１００３では、応答時間特性外れ値検出部１０９が、ベクトル空間上で、Ｓ１００１でマッピングした区分データ対の点と、Ｓ１００２で求めた関数を表す面との距離を求め、求めた距離を外れ度とする。応答量特性の外れ値を求める場合は、この動作は応答量特性外れ値検出部１１０の動作となる。
Ｓ１００４では、応答時間特性外れ値検出部１０９が、外れ度の平均からの偏差が、ある閾値より大きい点を、外れ値として検出する。応答量特性の外れ値を求める場合は、この動作は応答量特性外れ値検出部１１０の動作となる。 FIG. 10 is a flowchart showing a flow of processing for detecting an outlier of the response time characteristic in S506. In addition, since the outlier detection method for the response time characteristic and the response amount characteristic are similar, in the following, the flow for detecting the outlier of the response time characteristic will be described. Complement.
In S1001, for each change type, the model construction unit 107 uses the change amount of the change information of the input category data, the average change amount, and the change start amount of the output category data corresponding to the input category data as input variables. The segment data pair is mapped to the vector space using the change time of the output segment data as an output variable. When obtaining an outlier of the response amount characteristic, the output variable is set as the change amount of the output segment data.
In S1002, the model construction unit 107 obtains output classification data from the input classification data using the model constructed in S505. Then, the model construction unit 107 obtains a function that approximates the output variable with the input variable by the existing model estimation method such as regression analysis, using the input segment data and the obtained output segment data.
In S1003, the response time characteristic outlier detection unit 109 obtains the distance between the point of the segmented data pair mapped in S1001 and the surface representing the function obtained in S1002 on the vector space, and determines the obtained distance as the outlier degree. To do. This operation is the operation of the response amount characteristic outlier detection unit 110 when the outlier of the response amount characteristic is obtained.
In S1004, the response time characteristic outlier detection unit 109 detects, as an outlier, a point where the deviation from the average outlier is greater than a certain threshold. This operation is the operation of the response amount characteristic outlier detection unit 110 when the outlier of the response amount characteristic is obtained.

図１１は、Ｓ５０７の応答曲線形状の外れ値を検出する処理の流れを示すフローチャートである。
Ｓ１１０１では、応答曲線形状外れ値検出部１１１が、出力区分データを標準形に変換する。まず、応答曲線形状外れ値検出部１１１は、出力区分データｄｉの上下幅の平均値μ１を求めるとともに、出力区分データｄｉの左右幅の平均値μ２を求める。そして、応答曲線形状外れ値検出部１１１は、出力区分データｄｉの上下幅がμ１、左右幅がμ２となるように、出力区分データｄｉの上下、左右を拡大、縮小することにより、標準形ｓ（ｄｉ）を求める。
Ｓ１１０２では、平均時系列データａｖ＝ｄｅｆ（Σｉ＝１ ｎｓ（ｄｉ））／ｎを求める。
Ｓ１１０３では、応答曲線形状外れ値検出部１１１は、出力区分データｄｉの外れ度を、ｄｉｓｔ（ｓ（ｄｉ），ａｖ）により計算する。ここで、ｄｉｓｔは、関数の距離を計算する関数である。つまり、出力区分データｄｉの外れ度は、数学の解析学における関数の距離を算出する方法を用いて計算する。そして、応答曲線形状外れ値検出部１１１は、外れ度の平均からの偏差が、ある閾値より大きい点を、外れ値として検出する。 FIG. 11 is a flowchart showing a flow of processing for detecting an outlier of the response curve shape in S507.
In S1101, the response curve shape outlier detection unit 111 converts the output segment data into a standard form. First, the response curve shape outlier detection unit 111 calculates an average value μ1 of the vertical width of the output segment data di and calculates an average value μ2 of the horizontal width of the output segment data di. Then, the response curve shape outlier detection unit 111 expands and contracts the top and bottom, left and right of the output section data di so that the top and bottom width of the output section data di is μ1 and the left and right width is μ2, so that the standard form s (Di) is obtained.
In S1102, average time series data av = def (Σ i = 1 n s (di)) / n is obtained.
In S1103, the response curve shape outlier detection unit 111 calculates the outlier of the output segment data di using dist (s (di), av). Here, dist is a function for calculating the distance of the function. In other words, the degree of divergence of the output segment data di is calculated using a method for calculating the distance of a function in mathematical analysis. Then, the response curve shape outlier detection unit 111 detects a point where the deviation from the average of the outliers is larger than a certain threshold value as an outlier.

続いて、図５に戻り、次にＳ５０８へ進む。Ｓ５０８は、外れ値視覚化部１１２が実行する外れ値視覚化処理である。
外れ値視覚化部１１２は、応答時間特性に関する外れ値と、応答量特性に関する外れ値と、応答曲線形状特性に関する外れ値との少なくともいずれかを軸としたグラフに、変化種別毎に区分データ対を点としてマッピングして、表示装置に表示する。例えば、外れ値視覚化部１１２は、応答時間特性を縦軸、応答曲線形状特性を横軸とするグラフ上の点としてマッピングする。図４に示す図は、外れ値視覚化部１１２が表示するグラフの表示例である。 Subsequently, returning to FIG. 5, the process proceeds to S508. S508 is an outlier visualization process executed by the outlier visualization unit 112.
The outlier visualization unit 112 displays a graph of at least one of an outlier relating to the response time characteristic, an outlier relating to the response amount characteristic, and an outlier relating to the response curve shape characteristic. Are mapped as dots and displayed on the display device. For example, the outlier visualization unit 112 maps the response time characteristics as points on a graph with the vertical axis representing response time characteristics and the horizontal axis representing response curve shape characteristics. The diagram shown in FIG. 4 is a display example of a graph displayed by the outlier visualization unit 112.

次に、Ｓ５０９へ進む。Ｓ５０９は、外れ値データ表示部１１３が実行する外れ値データ表示処理である。
外れ値データ表示部１１３は、グラフ上の点がポインティングデバイス等により指定されると、その点に対応する区分データ対を表示装置に表示する。 Next, it progresses to S509. S509 is an outlier data display process executed by the outlier data display unit 113.
When a point on the graph is designated by a pointing device or the like, the outlier data display unit 113 displays the division data pair corresponding to the point on the display device.

以上のように、実施の形態１に係るプラント異常検知装置１００では、図４に示すように、データの上昇傾向（立ち上がり等）、下降傾向（立ち下がり等）、定常傾向、振動傾向等の制御システムに特有データの変化種別毎に、入出力データの対応関係を同定する。これにより、応答時間特性や応答曲線特性等の直感的に理解しやすい異常の指標を提示できる。つまり、因果関係があると想定される入力データと出力データの応答特性に関する情報が自動的に抽出され、わかりやすく提示される。その結果、プラントを構成する機器の異常や劣化の判断をより容易にすることができる。
また、実施の形態１に係るプラント異常検知装置１００では、入力区分データの変化種別毎に、応答時間特性や応答曲線特性を軸とするグラフ上の点として区分データ対を表示する。そして、その点がポインティングデバイス等により指定されると、その点に対応する区分データ対を表示装置に表示する。その結果、プラントの現場の保守員や分析担当者は、設備の異常に関係する時系列データの区分を、入出力の対応関係とともに、すばやく簡単に参照できる。 As described above, in the plant abnormality detection device 100 according to the first embodiment, as shown in FIG. 4, control of data upward tendency (rising, etc.), downward tendency (falling, etc.), steady tendency, vibration tendency, etc. The correspondence relation of input / output data is identified for each type of change of data specific to the system. Thereby, it is possible to present an abnormality index that is easy to understand intuitively, such as response time characteristics and response curve characteristics. That is, information regarding response characteristics of input data and output data assumed to have a causal relationship is automatically extracted and presented in an easy-to-understand manner. As a result, it is possible to make it easier to determine abnormality or deterioration of the equipment constituting the plant.
Further, in the plant abnormality detection device 100 according to the first embodiment, for each change type of the input segment data, the segment data pair is displayed as a point on the graph with the response time characteristic or the response curve characteristic as an axis. When the point is designated by a pointing device or the like, the divided data pair corresponding to the point is displayed on the display device. As a result, plant maintenance personnel and analysts can quickly and easily refer to time-series data classifications related to equipment abnormalities, together with input / output correspondences.

図１２は、プラント異常検知装置１００のハードウェア構成の一例を示す図である。
図１２に示すように、プラント異常検知装置１００は、プログラムを実行するＣＰＵ９１１（Ｃｅｎｔｒａｌ・Ｐｒｏｃｅｓｓｉｎｇ・Ｕｎｉｔ、中央処理装置、処理装置、演算装置、マイクロプロセッサ、マイクロコンピュータ、プロセッサともいう）を備えている。ＣＰＵ９１１は、バス９１２を介してＲＯＭ９１３、ＲＡＭ９１４、ＬＣＤ９０１（Ｌｉｑｕｉｄ Ｃｒｙｓｔａｌ Ｄｉｓｐｌａｙ）、キーボード９０２（Ｋ／Ｂ）、通信ボード９１５、磁気ディスク装置９２０と接続され、これらのハードウェアデバイスを制御する。磁気ディスク装置９２０（固定ディスク装置）の代わりに、光ディスク装置、メモリカード読み書き装置などの記憶装置でもよい。磁気ディスク装置９２０は、所定の固定ディスクインタフェースを介して接続される。 FIG. 12 is a diagram illustrating an example of a hardware configuration of the plant abnormality detection device 100.
As shown in FIG. 12, the plant abnormality detection apparatus 100 includes a CPU 911 (also referred to as a central processing unit, a central processing unit, a processing unit, an arithmetic unit, a microprocessor, a microcomputer, and a processor) that executes a program. . The CPU 911 is connected to the ROM 913, the RAM 914, the LCD 901 (Liquid Crystal Display), the keyboard 902 (K / B), the communication board 915, and the magnetic disk device 920 via the bus 912, and controls these hardware devices. Instead of the magnetic disk device 920 (fixed disk device), a storage device such as an optical disk device or a memory card read / write device may be used. The magnetic disk device 920 is connected via a predetermined fixed disk interface.

磁気ディスク装置９２０又はＲＯＭ９１３などには、オペレーティングシステム９２１（ＯＳ）、ウィンドウシステム９２２、プログラム群９２３、ファイル群９２４が記憶されている。プログラム群９２３のプログラムは、ＣＰＵ９１１、オペレーティングシステム９２１、ウィンドウシステム９２２により実行される。   An operating system 921 (OS), a window system 922, a program group 923, and a file group 924 are stored in the magnetic disk device 920 or the ROM 913. The programs in the program group 923 are executed by the CPU 911, the operating system 921, and the window system 922.

プログラム群９２３には、上記の説明において「入出力データ候補対推定部１０２」、「データ変化区分切出部１０３」、「区分対応同定部１０４」、「変化種別毎データベース構成部１０６」、「モデル構築部１０７」、「外れ値検出部１０８」、「応答時間特性外れ値検出部１０９」、「応答量特性外れ値検出部１１０」、「応答曲線形状外れ値検出部１１１」、「外れ値視覚化部１１２」、「外れ値データ表示部１１３」等として説明した機能を実行するソフトウェアやプログラムやその他のプログラムが記憶されている。プログラムは、ＣＰＵ９１１により読み出され実行される。
ファイル群９２４には、上記の説明において「プラント時系列データベース１０１」、「変化種別毎時系列データベース１０５」に格納される情報やデータや信号値や変数値やパラメータが、「データベース」の各項目として記憶される。「データベース」は、ディスクやメモリなどの記録媒体に記憶される。ディスクやメモリなどの記憶媒体に記憶された情報やデータや信号値や変数値やパラメータは、読み書き回路を介してＣＰＵ９１１によりメインメモリやキャッシュメモリに読み出され、抽出・検索・参照・比較・演算・計算・処理・出力・印刷・表示などのＣＰＵ９１１の動作に用いられる。抽出・検索・参照・比較・演算・計算・処理・出力・印刷・表示のＣＰＵ９１１の動作の間、情報やデータや信号値や変数値やパラメータは、メインメモリやキャッシュメモリやバッファメモリに一時的に記憶される。 The program group 923 includes “input / output data candidate pair estimation unit 102”, “data change segment extraction unit 103”, “category correspondence identification unit 104”, “database configuration unit 106 for each change type”, “ "Model construction unit 107", "outlier detection unit 108", "response time characteristic outlier detection unit 109", "response amount characteristic outlier detection unit 110", "response curve shape outlier detection unit 111", "outlier Stored are software, programs, and other programs that execute the functions described as “visualization unit 112”, “outlier data display unit 113”, and the like. The program is read and executed by the CPU 911.
In the file group 924, information, data, signal values, variable values, and parameters stored in the “plant time series database 101” and “variation type time series database 105” in the above description are stored as items of the “database”. Remembered. The “database” is stored in a recording medium such as a disk or a memory. Information, data, signal values, variable values, and parameters stored in a storage medium such as a disk or memory are read out to the main memory or cache memory by the CPU 911 via a read / write circuit, and extracted, searched, referenced, compared, and calculated. Used for the operation of the CPU 911 such as calculation / processing / output / printing / display. Information, data, signal values, variable values, and parameters are temporarily stored in the main memory, cache memory, and buffer memory during the operation of the CPU 911 for extraction, search, reference, comparison, calculation, calculation, processing, output, printing, and display. Is remembered.

また、上記の説明におけるフローチャートの矢印の部分は主としてデータや信号の入出力を示し、データや信号値は、ＲＡＭ９１４のメモリ、その他光ディスク等の記録媒体やＩＣチップに記録される。また、データや信号は、バス９１２や信号線やケーブルその他の伝送媒体や電波によりオンライン伝送される。
また、上記の説明において「〜部」として説明するものは、「〜回路」、「〜装置」、「〜機器」、「〜手段」、「〜機能」であってもよく、また、「〜ステップ」、「〜手順」、「〜処理」であってもよい。また、「〜装置」として説明するものは、「〜回路」、「〜機器」、「〜手段」、「〜機能」であってもよく、また、「〜ステップ」、「〜手順」、「〜処理」であってもよい。さらに、「〜処理」として説明するものは「〜ステップ」であっても構わない。すなわち、「〜部」として説明するものは、ＲＯＭ９１３に記憶されたファームウェアで実現されていても構わない。或いは、ソフトウェアのみ、或いは、素子・デバイス・基板・配線などのハードウェアのみ、或いは、ソフトウェアとハードウェアとの組み合わせ、さらには、ファームウェアとの組み合わせで実施されても構わない。ファームウェアとソフトウェアは、プログラムとして、ＲＯＭ９１３等の記録媒体に記憶される。プログラムはＣＰＵ９１１により読み出され、ＣＰＵ９１１により実行される。すなわち、プログラムは、上記で述べた「〜部」としてコンピュータ等を機能させるものである。あるいは、上記で述べた「〜部」の手順や方法をコンピュータ等に実行させるものである。 In the above description, the arrows in the flowchart mainly indicate input / output of data and signals, and the data and signal values are recorded in a memory of the RAM 914, other recording media such as an optical disk, and an IC chip. Data and signals are transmitted online by a bus 912, signal lines, cables, other transmission media, and radio waves.
In addition, what is described as “to part” in the above description may be “to circuit”, “to device”, “to device”, “to means”, and “to function”. It may be “step”, “˜procedure”, “˜processing”. In addition, what is described as “˜device” may be “˜circuit”, “˜device”, “˜means”, “˜function”, and “˜step”, “˜procedure”, “ ~ Process ". Furthermore, what is described as “to process” may be “to step”. That is, what is described as “˜unit” may be realized by firmware stored in the ROM 913. Alternatively, it may be implemented only by software, or only by hardware such as elements, devices, substrates, and wirings, by a combination of software and hardware, or by a combination of firmware. Firmware and software are stored in a recording medium such as ROM 913 as a program. The program is read by the CPU 911 and executed by the CPU 911. That is, the program causes a computer or the like to function as the “˜unit” described above. Alternatively, the computer or the like is caused to execute the procedures and methods of “to part” described above.

１００ プラント異常検知装置、１０１ プラント時系列データベース、１０２ 入出力データ候補対推定部、１０３ データ変化区分切出部、１０４ 区分対応同定部、１０５ 変化種別毎時系列データベース、１０６ 変化種別毎データベース構成部、１０７ モデル構築部、１０８ 外れ値検出部、１０９ 応答時間特性外れ値検出部、１１０ 応答量特性外れ値検出部、１１１ 応答曲線形状外れ値検出部、１１２ 外れ値視覚化部、１１３ 外れ値データ表示部。   DESCRIPTION OF SYMBOLS 100 Plant abnormality detection apparatus, 101 Plant time series database, 102 Input-output data candidate pair estimation part, 103 Data change division | segmentation extraction part, 104 Section corresponding | identification identification part, 105 Change type time series database, 106 Change type database construction part, 107 model construction unit 108 outlier detection unit 109 response time characteristic outlier detection unit 110 response amount characteristic outlier detection unit 111 response curve shape outlier detection unit 112 outlier visualization unit 113 outlier data display Department.

Claims (11)

時間の経過に従って順次観測して得た２つの時系列データの一方を入力データとして、前記入力データの値の変化の仕方を表す変化種別毎に、前記入力データを時間で区分した区分データであって、その変化種別が表す値の変化の仕方となる区分データを前記入力データから入力区分データとして抽出する区分データ抽出部であって、各変化種別について複数の入力区分データを抽出する区分データ抽出部と、
前記２つの時系列データの他方を出力データとして、前記区分データ抽出部が抽出した入力区分データに対応する前記出力データにおける区分データを出力区分データとして特定する対応データ特定部と、
前記区分データ抽出部が抽出した入力区分データと、前記対応データ特定部が特定した出力区分データとから、前記入力区分データの値から前記出力区分データの値を推定する推定モデルを前記変化種別毎に生成する推定モデル生成部と、
各入力区分データについて、その入力区分データの変化種別である対象変化種別に対して前記推定モデル生成部が生成した推定モデルにより、その入力区分データの値から推定される前記出力区分データの値を計算し、計算した値が変化する時間を表す変化時間を計算して、計算した変化時間と、その入力区分データに対応する出力区分データの値の変化時間との差を応答時間差として計算するとともに、各出力区分データについて、その出力区分データの値の時間経過に対する変化を表した曲線である対象曲線の値の変化幅及び前記対象曲線の時間幅が、その出力区分データに対応する入力区分データの変化種別である対象変化種別における出力区分データについての曲線の値の変化幅の平均及び時間幅の平均と一致するように、前記対象曲線を拡大又は縮小して標準形曲線に変換し、変換した標準形曲線を表す関数と、前記対象変化種別における標準形曲線の各時点の値の平均値を結んだ平均変化曲線を表す関数との間の距離を応答曲線差として計算する外れ値検出部と、
前記外れ値検出部が計算した前記応答時間差を第１軸、前記応答曲線差を第２軸とするグラフを描くとともに、各出力区分データを、描いたグラフにおける、その出力区分データから計算された前記応答時間差と前記応答曲線差との位置に点をプロットする視覚化部と
を備えることを特徴とする異常検知装置。 One of the two time-series data obtained by observing sequentially as time passes is input data, and the input data is divided data for each change type indicating how the value of the input data changes. Te, a partitioned data extraction unit to extract the segment data to be how a change in the value represented by the change type as the input divided data from said input data, classification of extracting a plurality of input partitioned data for each change type A data extractor ;
As output data the other of the two time-series data, the corresponding data identifying unit for particular as an output partitioned data partitioned data in the output data corresponding to input classification data the classification data extraction unit and extracted,
An estimation model for estimating the value of the output classification data from the value of the input classification data from the input classification data extracted by the classification data extraction unit and the output classification data specified by the corresponding data specification unit and estimation model generation unit that generates to,
For each input segment data by the estimated estimation model model generation unit has generated for the subject change type is the change type of the input segment data, the value of the output division data estimated from the value of the input division data Calculate the change time that represents the time when the calculated value changes, and calculate the difference between the calculated change time and the change time of the value of the output category data corresponding to the input category data as the response time difference For each output segment data, the change range of the value of the target curve, which is a curve representing the change of the value of the output segment data over time, and the input segment data in which the time width of the target curve corresponds to the output segment data The target so as to coincide with the average of the change width and the average of the time width of the output segment data in the target change type which is the change type of A function that expresses the standard curve by converting the line to a standard curve by enlarging or reducing the line, and a function that expresses an average change curve connecting the average values of the standard curve at each time point in the target change type An outlier detector that calculates the distance between the two as a response curve difference ;
A graph with the response time difference calculated by the outlier detection unit as the first axis and the response curve difference as the second axis is drawn, and each output segment data is calculated from the output segment data in the drawn graph. An abnormality detection apparatus comprising: a visualization unit that plots a point at a position between the response time difference and the response curve difference . 時間の経過に従って順次観測して得た２つの時系列データの一方を入力データとして、前記入力データの値の変化の仕方を表す変化種別毎に、前記入力データを時間で区分した区分データであって、その変化種別が表す値の変化の仕方となる区分データを前記入力データから入力区分データとして抽出する区分データ抽出部であって、各変化種別について複数の入力区分データを抽出する区分データ抽出部と、
前記２つの時系列データの他方を出力データとして、前記区分データ抽出部が抽出した入力区分データに対応する前記出力データにおける区分データを出力区分データとして特定する対応データ特定部と、
前記区分データ抽出部が抽出した入力区分データと、前記対応データ特定部が特定した出力区分データとから、前記入力区分データの値から前記出力区分データの値を推定する推定モデルを前記変化種別毎に生成する推定モデル生成部と、
各入力区分データについて、その入力区分データの変化種別である対象変化種別に対して前記推定モデル生成部が生成した推定モデルにより、その入力区分データの値から推定される前記出力区分データの値を計算し、計算した値が変化する大きさを示す変化量を計算して、計算した変化量と、その入力区分データに対応する出力区分データの値の変化量との差を応答量差として計算するとともに、各出力区分データについて、その出力区分データの値の時間経過に対する変化を表した曲線である対象曲線の値の変化幅及び前記対象曲線の時間幅が、その出力区分データに対応する入力区分データの変化種別である対象変化種別における出力区分データについての曲線の値の変化幅の平均及び時間幅の平均と一致するように、前記対象曲線を拡大又は縮小して標準形曲線に変換し、変換した標準形曲線を表す関数と、前記対象変化種別における標準形曲線の各時点の値の平均値を結んだ平均変化曲線を表す関数との間の距離を応答曲線差として計算する外れ値検出部と、
前記外れ値検出部が計算した前記応答量差を第１軸、前記応答曲線差を第２軸とするグラフを描くとともに、各出力区分データを、描いたグラフにおける、その出力区分データから計算された前記応答量差と前記応答曲線差との位置に点をプロットする視覚化部と
を備えることを特徴とする異常検知装置。 One of the two time-series data obtained by observing sequentially as time passes is input data, and the input data is divided data for each change type indicating how the value of the input data changes. Te, a partitioned data extraction unit to extract the segment data to be how a change in the value represented by the change type as the input divided data from said input data, classification of extracting a plurality of input partitioned data for each change type A data extractor ;
As output data the other of the two time-series data, the corresponding data identifying unit for particular as an output partitioned data partitioned data in the output data corresponding to input classification data the classification data extraction unit and extracted,
An estimation model for estimating the value of the output classification data from the value of the input classification data from the input classification data extracted by the classification data extraction unit and the output classification data specified by the corresponding data specification unit and estimation model generation unit that generates to,
For each input segment data by the estimated estimation model model generation unit has generated for the subject change type is the change type of the input segment data, the value of the output division data estimated from the value of the input division data Calculate the amount of change that indicates how much the calculated value changes, and calculate the difference between the calculated amount of change and the amount of change in the value of the output category data corresponding to the input category data as the response amount difference In addition, for each output segment data, the change width of the target curve, which is a curve representing the change of the value of the output segment data with time, and the time width of the target curve are input corresponding to the output segment data. The target curve is matched with the average of the change width and the average of the time width of the output segment data in the target change type which is the change type of the segment data. Convert between a function that represents a converted standard curve and a function that represents an average change curve connecting the average values of the standard curve at each time point in the target change type. An outlier detector that calculates the distance of
A graph is drawn with the response amount difference calculated by the outlier detection unit as the first axis and the response curve difference as the second axis, and each output segment data is calculated from the output segment data in the plotted graph. And a visualization unit that plots a point at a position between the response amount difference and the response curve difference. 前記異常検知装置は、さらに、
所定のシステムについて、時間の経過に従って順次観測して得た複数の時系列データを記憶装置に記憶する時系列データ記憶部と、
前記時系列データ記憶部が記憶した複数の時系列データそれぞれの間の関連度であって、２つの時系列データの変化が互いに関連する度合いを示す関連度を、所定の方法によって計算し、計算した関連度が予め決められた所定の関連度よりも高い２つの時系列データを抽出する関連データ抽出部と
を備え、
前記区分データ抽出部は、前記関連データ抽出部が抽出した２つの時系列データの一方を入力データとし、
前記対応データ特定部は、前記関連データ抽出部が抽出した２つの時系列データの他方を出力データとする
ことを特徴とする請求項１又は２に記載の異常検知装置。 The abnormality detection device further includes:
For a given system, a time-series data storage unit that stores a plurality of time-series data obtained by sequentially observing over time in a storage device;
A relevance degree between each of the plurality of time series data stored in the time series data storage unit, and a relevance degree indicating a degree to which changes in two time series data are related to each other is calculated by a predetermined method, and a relevant data extraction unit to extract the two time series data is higher than a predetermined degree of association relevance is predetermined that,
The segment data extraction unit uses one of the two time series data extracted by the related data extraction unit as input data,
The corresponding data identifying unit, the abnormality detection apparatus according to claim 1 or 2, characterized in that the other output data of the two time-series data the relevant data extraction unit has extracted. 前記外れ値検出部は、各入力区分データについて、その入力区分データの前記変化種別である対象変化種別に対する前記推定モデルにより、その入力区分データの値から推定された前記出力区分データにおける値を計算し、計算した値が変化する時間を表す変化時間を計算して、計算した変化時間と、前記対応データ特定部が特定した出力区分データの値の変化時間との差について、前記対象変化種別におけるその差の平均値からの偏差が所定の値よりも大きい出力区分データと、その出力区分データに対応する入力区分データとの少なくともいずれかを異常データ候補として検出する
ことを特徴とする請求項１から３までのいずれかに記載の異常検知装置。 The outlier detection unit for each input segment data, by the estimation model against the subject change type is the change in type of the input segment data, the value of estimated the output partitioned data from the value of the input division data Calculating a change time representing a time when the calculated value changes, and regarding the difference between the calculated change time and the change time of the value of the output segment data specified by the corresponding data specifying unit, the target change type deviations from the mean of the difference is characterized and output partitioned data not greater than the predetermined value, detecting at least one of the input segment data corresponding to the output partitioned data as abnormal data candidates in The abnormality detection device according to any one of claims 1 to 3 . 前記外れ値検出部は、各入力区分データについて、その入力区分データの前記変化種別である対象変化種別に対する前記推定モデルにより、その入力区分データの値から推定された前記出力区分データにおける値を計算し、計算した値が変化する大きさを示す変化量を計算して、計算した変化量と、前記対応データ特定部が特定した出力区分データの値の変化量との差について、前記対象変化種別におけるその差の平均値からの偏差が所定の値よりも大きい出力区分データと、その出力区分データに対応する入力区分データとの少なくともいずれかを異常データ候補として検出する
ことを特徴とする請求項１から４までのいずれかに記載の異常検知装置。 The outlier detection unit for each input segment data, by the estimation model against the subject change type is the change in type of the input segment data, the value of estimated the output partitioned data from the value of the input division data calculated, to calculate the amount of change that indicates the size calculated value changes, the calculated amount of change, the difference between the change amount of the corresponding output segment data data identifying unit has identified value, the target change and deviation outputs not greater than the predetermined value classification data from the mean value of the difference in type, and detects at least one of the input segment data corresponding to the output partitioned data as abnormal data candidate The abnormality detection device according to any one of claims 1 to 4 . 前記外れ値検出部は、各出力区分データについて、その出力区分データの値の時間経過に対する変化を表した曲線である対象曲線の値の変化幅及び前記対象曲線の時間幅が、その出力区分データに対応する入力区分データの変化種別である対象変化種別における出力区分データについての曲線の値の変化幅の平均及び時間幅の平均と一致するように、前記対象曲線を拡大又は縮小して標準形曲線に変換し、変換した標準形曲線を表す関数と、前記対象変化種別における標準形曲線の各時点の値の平均値を結んだ平均変化曲線を表す関数との間の距離を差として、その差について、前記対象変化種別におけるその差の平均値からの偏差が所定の値よりも大きい出力区分データと、その出力区分データに対応する入力区分データとの少なくともいずれかを異常データ候補として検出する
ことを特徴とする請求項１から５までのいずれかに記載の異常検知装置。 The outlier detection unit has, for each output segment data, the change width of the value of the target curve, which is a curve representing the change of the value of the output segment data with time, and the time width of the target curve. The target curve is expanded or reduced so that it matches the average of the change width and the average of the time width of the output segment data in the target variation type that is the variation type of the input segment data corresponding to the standard format. A difference between the function representing the converted standard curve and the function representing the average curve connecting the average values of the standard curve at each time point in the target change type, for the difference, Sukunakutomoi of a large output partitioned data even deviation than a predetermined value from the average value of the difference in the subject change type, the input segment data corresponding to the output partitioned data Abnormality detection apparatus according to any one of claims 1 to 5, characterized in that for detecting whether Re as abnormal data candidate. 前記異常検知装置は、さらに、
前記視覚化部がプロットした点を指定すると、その点として表される出力区分データと、その出力区分データに対応する入力区分データとの少なくともいずれかを表示する異常データ候補表示部と
を備えることを特徴とする請求項１から６までのいずれかに記載の異常検知装置。 The abnormality detection device further includes:
When a point plotted by the visualization unit is specified, an abnormal data candidate display unit that displays at least one of output segment data represented as the point and input segment data corresponding to the output segment data is provided. The abnormality detection device according to any one of claims 1 to 6 . 処理装置が、時間の経過に従って順次観測して得た２つの時系列データの一方を入力データとして、前記入力データの値の変化の仕方を表す変化種別毎に、前記入力データを時間で区分した区分データであって、その変化種別が表す値の変化の仕方となる区分データを前記入力データから入力区分データとして抽出する区分データ抽出ステップであって、各変化種別について複数の入力区分データを抽出する区分データ抽出ステップと、
処理装置が、前記２つの時系列データの他方を出力データとして、前記区分データ抽出ステップで抽出した入力区分データに対応する前記出力データにおける区分データを出力区分データとして特定する対応データ特定ステップと、
処理装置が、前記区分データ抽出ステップで抽出した入力区分データと、前記対応データ特定ステップで特定した出力区分データとから、前記入力区分データの値から前記出力区分データの値を推定する推定モデルを前記変化種別毎に生成する推定モデル生成ステップと、
処理装置が、各入力区分データについて、その入力区分データの変化種別である対象変化種別に対して前記推定モデル生成ステップで生成した推定モデルにより、その入力区分データの値から推定される前記出力区分データの値を計算し、計算した値が変化する時間を表す変化時間を計算して、計算した変化時間と、その入力区分データに対応する出力区分データの値の変化時間との差を応答時間差として計算するとともに、各出力区分データについて、その出力区分データの値の時間経過に対する変化を表した曲線である対象曲線の値の変化幅及び前記対象曲線の時間幅が、その出力区分データに対応する入力区分データの変化種別である対象変化種別における出力区分データについての曲線の値の変化幅の平均及び時間幅の平均と一致するように、前記対象曲線を拡大又は縮小して標準形曲線に変換し、変換した標準形曲線を表す関数と、前記対象変化種別における標準形曲線の各時点の値の平均値を結んだ平均変化曲線を表す関数との間の距離を応答曲線差として計算する外れ値検出ステップと、
処理装置が、前記外れ値検出ステップで計算した前記応答時間差を第１軸、前記応答曲線差を第２軸とするグラフを描くとともに、各出力区分データを、描いたグラフにおける、その出力区分データから計算された前記応答時間差と前記応答曲線差との位置に点をプロットする視覚化ステップと
を備えることを特徴とする異常検知方法。 The processing device uses one of the two time-series data obtained by sequentially observing as time passes as input data, and divides the input data by time for each type of change indicating how the value of the input data changes. A classification data extraction step for extracting classification data, which is a method of changing the value represented by the change type, as input classification data from the input data, and extracting a plurality of input classification data for each change type A segment data extraction step to be performed;
A corresponding data specifying step in which the processing device specifies the other of the two time-series data as output data, and specifies the segment data in the output data corresponding to the input segment data extracted in the segment data extraction step as output segment data;
An estimation model for estimating a value of the output classification data from a value of the input classification data from the input classification data extracted in the classification data extraction step and the output classification data specified in the corresponding data identification step. An estimated model generation step for generating each change type;
Processing device, for each input segment data, the estimation model generated by the estimation model generation step for the subject change type is the change type of the input segment data, said output segment is estimated from the value of the input division data Calculate the value of the data , calculate the change time that represents the time when the calculated value changes, and calculate the difference between the calculated change time and the change time of the value of the output segment data corresponding to the input segment data. For each output segment data, the change width of the value of the target curve, which is a curve representing the change of the value of the output segment data with time, and the time width of the target curve correspond to the output segment data. It matches the average of the change width of the curve value and the average of the time width for the output classification data in the target change classification that is the change classification of the input classification data to be As described above, the target curve is enlarged or reduced to be converted into a standard curve, and a function representing the converted standard curve and an average change obtained by connecting the average values of the standard curve at each time point in the target change type An outlier detection step of calculating a distance between the function representing the curve as a response curve difference ;
The processing device draws a graph with the response time difference calculated in the outlier detection step as the first axis and the response curve difference as the second axis, and outputs each output division data in the drawn graph. A visualization step of plotting a point at a position between the response time difference calculated from the response curve difference and the response curve difference . 処理装置が、時間の経過に従って順次観測して得た２つの時系列データの一方を入力データとして、前記入力データの値の変化の仕方を表す変化種別毎に、前記入力データを時間で区分した区分データであって、その変化種別が表す値の変化の仕方となる区分データを前記入力データから入力区分データとして抽出する区分データ抽出ステップであって、各変化種別について複数の入力区分データを抽出する区分データ抽出ステップと、
処理装置が、前記２つの時系列データの他方を出力データとして、前記区分データ抽出ステップで抽出した入力区分データに対応する前記出力データにおける区分データを出力区分データとして特定する対応データ特定ステップと、
処理装置が、前記区分データ抽出ステップで抽出した入力区分データと、前記対応データ特定ステップで特定した出力区分データとから、前記入力区分データの値から前記出力区分データの値を推定する推定モデルを前記変化種別毎に生成する推定モデル生成ステップと、
処理装置が、各入力区分データについて、その入力区分データの変化種別である対象変化種別に対して前記推定モデル生成ステップで生成した推定モデルにより、その入力区分データの値から推定される前記出力区分データの値を計算し、計算した値が変化する大きさを示す変化量を計算して、計算した変化量と、その入力区分データに対応する出力区分データの値の変化量との差を応答量差として計算するとともに、各出力区分データについて、その出力区分データの値の時間経過に対する変化を表した曲線である対象曲線の値の変化幅及び前記対象曲線の時間幅が、その出力区分データに対応する入力区分データの変化種別である対象変化種別における出力区分データについての曲線の値の変化幅の平均及び時間幅の平均と一致するように、前記対象曲線を拡大又は縮小して標準形曲線に変換し、変換した標準形曲線を表す関数と、前記対象変化種別における標準形曲線の各時点の値の平均値を結んだ平均変化曲線を表す関数との間の距離を応答曲線差として計算する外れ値検出ステップと、
処理装置が、前記外れ値検出ステップで計算した前記応答量差を第１軸、前記応答曲線差を第２軸とするグラフを描くとともに、各出力区分データを、描いたグラフにおける、その出力区分データから計算された前記応答量差と前記応答曲線差との位置に点をプロットする視覚化ステップと
を備えることを特徴とする異常検知方法。 The processing device uses one of the two time-series data obtained by sequentially observing as time passes as input data, and divides the input data by time for each type of change indicating how the value of the input data changes. A classification data extraction step for extracting classification data, which is a method of changing the value represented by the change type, as input classification data from the input data, and extracting a plurality of input classification data for each change type A segment data extraction step to be performed;
A corresponding data specifying step in which the processing device specifies the other of the two time-series data as output data, and specifies the segment data in the output data corresponding to the input segment data extracted in the segment data extraction step as output segment data;
An estimation model for estimating a value of the output classification data from a value of the input classification data from the input classification data extracted in the classification data extraction step and the output classification data specified in the corresponding data identification step. An estimated model generation step for generating each change type;
Processing device, for each input segment data, the estimation model generated by the estimation model generation step for the subject change type is the change type of the input segment data, said output segment is estimated from the value of the input division data Calculates the value of the data , calculates the amount of change that indicates how much the calculated value changes, and responds with the difference between the calculated amount of change and the amount of change in the value of the output segment data corresponding to that input segment data While calculating as a quantity difference, for each output segment data, the change width of the value of the target curve, which is a curve representing the change of the value of the output segment data over time, and the time width of the target curve are the output segment data To match the average of the change width and the average of the time width of the output segment data in the target variation type that is the variation type of the input segment data corresponding to The target curve is enlarged or reduced to be converted into a standard curve, and a function representing the converted standard curve and an average change curve connecting the average values of the standard curve at each time point in the target change type An outlier detection step of calculating a distance between the function to be expressed as a response curve difference ;
The processing device draws a graph having the response amount difference calculated in the outlier detection step as the first axis and the response curve difference as the second axis, and outputs each output category data in the output category in the drawn graph. A visualizing step of plotting a point at a position between the response amount difference calculated from data and the response curve difference . 時間の経過に従って順次観測して得た２つの時系列データの一方を入力データとして、前記入力データの値の変化の仕方を表す変化種別毎に、前記入力データを時間で区分した区分データであって、その変化種別が表す値の変化の仕方となる区分データを前記入力データから入力区分データとして抽出する区分データ抽出処理であって、各変化種別について複数の入力区分データを抽出する区分データ抽出処理と、
前記２つの時系列データの他方を出力データとして、前記区分データ抽出処理で抽出した入力区分データに対応する前記出力データにおける区分データを出力区分データとして特定する対応データ特定処理と、
前記区分データ抽出処理で抽出した入力区分データと、前記対応データ特定処理で特定した出力区分データとから、前記入力区分データの値から前記出力区分データの値を推定する推定モデルを前記変化種別毎に生成する推定モデル生成処理と、
各入力区分データについて、その入力区分データの変化種別である対象変化種別に対して前記推定モデル生成処理で生成した推定モデルにより、その入力区分データの値から推定される前記出力区分データの値を計算し、計算した値が変化する時間を表す変化時間を計算して、計算した変化時間と、その入力区分データに対応する出力区分データの値の変化時間との差を応答時間差として計算するとともに、各出力区分データについて、その出力区分データの値の時間経過に対する変化を表した曲線である対象曲線の値の変化幅及び前記対象曲線の時間幅が、その出力区分データに対応する入力区分データの変化種別である対象変化種別における出力区分データについての曲線の値の変化幅の平均及び時間幅の平均と一致するように、前記対象曲線を拡大又は縮小して標準形曲線に変換し、変換した標準形曲線を表す関数と、前記対象変化種別における標準形曲線の各時点の値の平均値を結んだ平均変化曲線を表す関数との間の距離を応答曲線差として計算する外れ値検出処理と、
前記外れ値検出処理で計算した前記応答時間差を第１軸、前記応答曲線差を第２軸とするグラフを描くとともに、各出力区分データを、描いたグラフにおける、その出力区分データから計算された前記応答時間差と前記応答曲線差との位置に点をプロットする視覚化処理と
をコンピュータに実行させることを特徴とする異常検知プログラム。 One of the two time-series data obtained by observing sequentially as time passes is input data, and the input data is divided data for each change type indicating how the value of the input data changes. Segment data extraction processing for extracting segment data as a method of changing the value represented by the change type from the input data as input segment data, and extracting segment data for each change type Processing ,
Corresponding data specifying processing for specifying the other of the two time series data as output data, and specifying the segment data in the output data corresponding to the input segment data extracted in the segment data extraction processing as output segment data;
An estimation model for estimating the value of the output classification data from the value of the input classification data from the input classification data extracted by the classification data extraction process and the output classification data specified by the corresponding data identification process Estimated model generation processing to be generated in
For each input segment data, the estimation model generated by the estimation model generation processing for the object change type is the change type of the input segment data, the value of the output division data estimated from the value of the input division data Calculate the change time that represents the time when the calculated value changes, and calculate the difference between the calculated change time and the change time of the value of the output category data corresponding to the input category data as the response time difference For each output segment data, the change range of the value of the target curve, which is a curve representing the change of the value of the output segment data over time, and the input segment data in which the time width of the target curve corresponds to the output segment data In order to match the average of the change width and the average of the time width of the output segment data in the target change type which is the change type of A function that expresses the standard curve by converting the enlarged or reduced curve to a standard curve, and a function that expresses an average change curve that connects the average values of the standard curve at each time point in the target change type; Outlier detection processing for calculating the distance between the two as a response curve difference ;
A graph with the response time difference calculated in the outlier detection processing as the first axis and the response curve difference as the second axis is drawn, and each output segment data is calculated from the output segment data in the drawn graph. An abnormality detection program causing a computer to execute a visualization process of plotting points at positions of the response time difference and the response curve difference . 時間の経過に従って順次観測して得た２つの時系列データの一方を入力データとして、前記入力データの値の変化の仕方を表す変化種別毎に、前記入力データを時間で区分した区分データであって、その変化種別が表す値の変化の仕方となる区分データを前記入力データから入力区分データとして抽出する区分データ抽出処理であって、各変化種別について複数の入力区分データを抽出する区分データ抽出処理と、
前記２つの時系列データの他方を出力データとして、前記区分データ抽出処理で抽出した入力区分データに対応する前記出力データにおける区分データを出力区分データとして特定する対応データ特定処理と、
前記区分データ抽出処理で抽出した入力区分データと、前記対応データ特定処理で特定した出力区分データとから、前記入力区分データの値から前記出力区分データの値を推定する推定モデルを前記変化種別毎に生成する推定モデル生成処理と、
各入力区分データについて、その入力区分データの変化種別である対象変化種別に対して前記推定モデル生成処理で生成した推定モデルにより、その入力区分データの値から推定される前記出力区分データの値を計算し、計算した値が変化する大きさを示す変化量を計算して、計算した変化量と、その入力区分データに対応する出力区分データの値の変化量との差を応答量差として計算するとともに、各出力区分データについて、その出力区分データの値の時間経過に対する変化を表した曲線である対象曲線の値の変化幅及び前記対象曲線の時間幅が、その出力区分データに対応する入力区分データの変化種別である対象変化種別における出力区分データについての曲線の値の変化幅の平均及び時間幅の平均と一致するように、前記対象曲線を拡大又は縮小して標準形曲線に変換し、変換した標準形曲線を表す関数と、前記対象変化種別における標準形曲線の各時点の値の平均値を結んだ平均変化曲線を表す関数との間の距離を応答曲線差として計算する外れ値検出処理と、
前記外れ値検出処理で計算した前記応答量差を第１軸、前記応答曲線差を第２軸とするグラフを描くとともに、各出力区分データを、描いたグラフにおける、その出力区分データから計算された前記応答量差と前記応答曲線差との位置に点をプロットする視覚化処理と
をコンピュータに実行させることを特徴とする異常検知プログラム。 One of the two time-series data obtained by observing sequentially as time passes is input data, and the input data is divided data for each change type indicating how the value of the input data changes. Segment data extraction processing for extracting segment data as a method of changing the value represented by the change type from the input data as input segment data, and extracting segment data for each change type Processing ,
Corresponding data specifying processing for specifying the other of the two time series data as output data, and specifying the segment data in the output data corresponding to the input segment data extracted in the segment data extraction processing as output segment data;
An estimation model for estimating the value of the output classification data from the value of the input classification data from the input classification data extracted by the classification data extraction process and the output classification data specified by the corresponding data identification process Estimated model generation processing to be generated in
For each input segment data, the estimation model generated by the estimation model generation processing for the object change type is the change type of the input segment data, the value of the output division data estimated from the value of the input division data Calculate the amount of change that indicates how much the calculated value changes, and calculate the difference between the calculated amount of change and the amount of change in the value of the output category data corresponding to the input category data as the response amount difference In addition, for each output segment data, the change width of the target curve, which is a curve representing the change of the value of the output segment data with time, and the time width of the target curve are input corresponding to the output segment data. The target curve so as to match the average of the change width and the average of the time width of the output segment data in the target change type which is the change type of the segment data Enlarged or reduced to convert to a standard curve, between the function representing the converted standard curve and the function representing the average change curve connecting the average values of the standard curve at each time point in the target change type Outlier detection processing to calculate the distance of the response curve difference ,
A graph with the response amount difference calculated in the outlier detection processing as the first axis and the response curve difference as the second axis is drawn, and each output category data is calculated from the output category data in the drawn graph. An abnormality detection program for causing a computer to execute a visualization process for plotting a point at a position between the response amount difference and the response curve difference .
JP2010278444A 2010-12-14 2010-12-14 Abnormality detection device, abnormality detection method and abnormality detection program Active JP5669553B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2010278444A JP5669553B2 (en) 2010-12-14 2010-12-14 Abnormality detection device, abnormality detection method and abnormality detection program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2010278444A JP5669553B2 (en) 2010-12-14 2010-12-14 Abnormality detection device, abnormality detection method and abnormality detection program

Publications (2)

Publication Number Publication Date
JP2012128583A JP2012128583A (en) 2012-07-05
JP5669553B2 true JP5669553B2 (en) 2015-02-12

Family

ID=46645548

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2010278444A Active JP5669553B2 (en) 2010-12-14 2010-12-14 Abnormality detection device, abnormality detection method and abnormality detection program

Country Status (1)

Country Link
JP (1) JP5669553B2 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020119194A (en) * 2019-01-23 2020-08-06 東芝三菱電機産業システム株式会社 Drive response monitoring device

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10520936B2 (en) 2013-07-05 2019-12-31 Fuji Corporation Automated system capable of estimating portion requiring maintenance
EP3144749B1 (en) * 2014-05-12 2020-11-25 Mitsubishi Electric Corporation Time-series data processing device and time-series data processing program
WO2017017785A1 (en) * 2015-07-28 2017-02-02 三菱電機株式会社 Time-series-data processing device
WO2019180801A1 (en) 2018-03-20 2019-09-26 三菱電機株式会社 Display device, display system, display screen generation method
EP3879370B1 (en) * 2018-12-05 2022-12-21 Mitsubishi Electric Corporation Abnormality detection device and abnormality detection method
US20230376727A1 (en) * 2020-10-29 2023-11-23 Nec Corporation Information processing device, information processing method, and recording medium

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0289507U (en) * 1988-12-22 1990-07-16
JPH06102911A (en) * 1992-09-21 1994-04-15 Hitachi Ltd Method and device for predicting inflow water rate in drainage pump place
JP4017272B2 (en) * 1998-12-16 2007-12-05 中国電力株式会社 Plant state estimation / prediction apparatus and method
JP4409658B2 (en) * 1999-04-27 2010-02-03 株式会社東芝 Process data evaluation method

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020119194A (en) * 2019-01-23 2020-08-06 東芝三菱電機産業システム株式会社 Drive response monitoring device
JP7093603B2 (en) 2019-01-23 2022-06-30 東芝三菱電機産業システム株式会社 Drive response monitoring device

Also Published As

Publication number Publication date
JP2012128583A (en) 2012-07-05

Similar Documents

Publication Publication Date Title
JP5669553B2 (en) Abnormality detection device, abnormality detection method and abnormality detection program
JP5868216B2 (en) Clustering apparatus and clustering program
US8620853B2 (en) Monitoring method using kernel regression modeling with pattern sequences
EP3795975B1 (en) Abnormality sensing apparatus, abnormality sensing method, and abnormality sensing program
JP6183450B2 (en) System analysis apparatus and system analysis method
US20120041575A1 (en) Anomaly Detection Method and Anomaly Detection System
JP6053487B2 (en) Time-series data processing device, time-series data processing method, and time-series data processing program
CN111694877B (en) Multi-element time series data search
JP6521096B2 (en) Display method, display device, and program
JP6210867B2 (en) Data relationship analysis system and data management device
JP6183449B2 (en) System analysis apparatus and system analysis method
JP6647473B1 (en) Abnormality detection device and abnormality detection method
JP6677575B2 (en) Diagnostic device and diagnostic method for diagnosing operating state of rotating machine
JP2020194320A (en) Information processing device, prediction discrimination system, and prediction discrimination method
US20190064789A1 (en) System analyzing device, system analyzing method, and computer-readable recording medium
JP2022007859A (en) Driving support device, driving support system and driving support method
JP6915693B2 (en) System analysis method, system analyzer, and program
JP2016177676A (en) Diagnosis device, diagnosis method, diagnosis system and diagnosis program
JP6355849B2 (en) Time-series data processing device
JP6710913B2 (en) Information providing apparatus, information providing method, and program
JP6627258B2 (en) System model generation support device, system model generation support method, and program
Jelali et al. Statistical process control
JP7367866B2 (en) Information processing device, evaluation method, and evaluation program
JP6973445B2 (en) Display method, display device, and program
JP2022015275A (en) Setting management device, setting management method, and setting management program

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20130905

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20140514

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20140520

A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20140701

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

Effective date: 20141118

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20141216

R150 Certificate of patent or registration of utility model

Ref document number: 5669553

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250