JP5946572B1 - 異常予兆診断システム及び異常予兆診断方法 - Google Patents

Abstract

【課題】機械設備の異常予兆の有無を高精度で診断する異常予兆診断システム等を提供する。【解決手段】異常予兆診断システム１は、センサデータを取得するセンサデータ取得手段１２と、機械設備２が正常であることが既知である期間のセンサデータの時系列的な波形の極値点を特徴点として抽出し、特徴点におけるセンサの検出値と、特徴点のそれぞれに対応する運転プロセスの開始時からの経過時間と、に基づいて、波形の正常モデルを特徴点ごとに学習する学習手段と、診断対象のセンサデータにおいて、運転プロセスの開始時から、正常モデルの特徴点を与える経過時間が経ったときのセンサの検出値を特定し、当該検出値と、経過時間に対応する正常モデルと、の比較に基づいて、機械設備２の異常予兆の有無を診断する診断手段と、を備える。【選択図】図１

Description

本発明は、機械設備の異常予兆の有無を診断する異常予兆診断システム等に関する。

機械設備に設置されたセンサの検出値等に基づいて、機械設備の異常予兆の有無を診断する技術が知られている。

例えば、特許文献１には、機械設備の運転スケジュールを複数の時間帯に分割し、各時間帯ごとに時系列データをクラスタリングすることによって、機械設備の正常範囲を示すクラスタを学習し、このクラスタに基づいて機械設備の異常予兆の有無を診断する異常予兆診断装置について記載されている。

また、特許文献２には、監視対象プラントの温度分布を示す画像データを１５分間隔で学習データとして取得し、これらの学習データに基づき、ニューラルネットワークを用いて温度変化の正常パターンを学習し、さらに、前記した正常パターンに基づいて監視対象プラントの異常の有無を識別するプラント監視装置について記載されている。

特許５６８４９４１号公報 特開平６−２５９６７８号公報

特許文献１に記載の技術では、前記した複数の時間帯に含まれるそれぞれの時間帯において、クラスタが一括で学習される。したがって、例えば、ひとつの時間帯において所定範囲内の大きさで時系列データが急激に変動する波形でも、また、前記した所定範囲内の大きさで時系列データが緩やかに波形する波形でも、これらを区別することなく「異常予兆なし」と診断する可能性がある。

しかしながら、特に化学プラントや製薬プラントでは、時系列データの大きさに加えて、その波形も重要視されている。時系列データの波形には、化学反応の過程や反応速度が反映されるからである。前記した２種類の波形（急激な変動、緩やかな変動）の一方が「異常予兆なし」であるならば、他方は「異常予兆あり」と診断されるべきである。したがって、特許文献１に記載の技術は、診断精度をさらに高める余地がある。

また、特許文献２に記載の技術では、前記したように、１５分間隔で取得される画像データに基づき、正常パターンが学習される。しかしながら、監視対象プラントの温度分布は時々刻々と変動しており、その時系列的な波形を正常パターンに正確に反映させようとすると、ニューラルネットワークにおける計算量が膨大になる。したがって、特許文献２に記載の技術についても、診断精度をさらに高める余地がある。

そこで、本発明は、機械設備の異常予兆の有無を高精度で診断できる異常予兆診断システム等を提供することを課題とする。

前記課題を解決するために、本発明に係る異常予兆診断システムは、所定の運転プロセスが繰り返される機械設備に設置されたセンサの検出値を含むセンサデータを取得するセンサデータ取得手段と、前記機械設備が正常であることが既知である期間のセンサデータの時系列的な波形の極値点を特徴点として抽出し、前記特徴点における前記センサの検出値と、前記特徴点のそれぞれに対応する前記運転プロセスの開始時からの経過時間と、に基づいて、前記波形の正常モデルを前記特徴点ごとに学習する学習手段と、診断対象のセンサデータにおいて、前記運転プロセスの開始時から、前記正常モデルの前記経過時間が経ったときの前記センサの検出値を特定し、当該検出値と、前記正常モデルと、の比較に基づいて、前記機械設備の異常予兆の有無を診断する診断手段と、を備えることを特徴とする。

本発明によれば、機械設備の異常予兆の有無を高精度で診断する異常予兆診断システム等を提供できる。

本発明の一実施形態に係る異常予兆診断システムの構成図である。 センサの検出値の変化を示す波形図である。 異常予兆診断システムが備えるデータマイニング手段の構成図である。 センサデータの波形の特徴点に関する説明図である。 特徴点記憶部に格納されているデータの例を示す説明図である。 クラスタ学習部によって学習されるクラスタの説明図である。 特徴点とクラスタとの関係を示す説明図である。 異常予兆診断システムの処理を示すフローチャートである。 学習手段が実行する学習処理のフローチャートである。 診断手段が実行する診断処理のフローチャートである。 （ａ）は機械設備の正常時・異常予兆発生時におけるセンサの検出値の時系列的な変化を示す実験データであり、（ｂ）は機械設備の正常時・異常予兆発生時におけるセンサの検出値の時系列的な変化を示す別の実験データである。

≪実施形態≫
図１は、本実施形態に係る異常予兆診断システム１の構成図である。
異常予兆診断システム１は、機械設備２に設置されたセンサ（図示せず）の検出値を含むセンサデータに基づいて、機械設備２の異常予兆の有無を診断するシステムである。前記した「異常予兆」とは、機械設備２の異常が発生する前触れであり、「異常予兆診断」とは、異常予兆の有無を診断することである。

以下では、異常予兆診断システム１の説明に先立って、機械設備２について簡単に説明する。機械設備２は、例えば、化学プラントであり、図示はしないが、反応器や、この反応器に化学物質を投入する装置を備えている。そして、機械設備２において所定の「運転プロセス」が繰り返されることで、各工程において所定の化学物質が生成されるようになっている。なお、機械設備２の種類はこれに限定されず、製薬プラント、生産ライン、ガスエンジン、ガスタービン、発電設備、医療設備、通信設備等であってもよい。

機械設備２には、図示はしないが、所定の物理量（温度、圧力、流量、電流、電圧等）を検出するセンサが設置されている。センサによって検出された物理量は、センサデータとして、ネットワークＮを介して異常予兆診断システム１に送信される。なお、センサデータには、センサの検出値、物理量を検出した日付・時刻の他に、機械設備２の識別情報、センサの識別情報、機械設備２において繰り返される「運転プロセス」の開始・終了を示す信号も含まれる。

以下では、一例として、機械設備２に設置されている複数のセンサのうち、機械設備２の異常予兆が敏感に反映される１つのセンサの検出値に基づいて、機械設備２の異常予兆の有無を診断する構成について説明する。

図２は、センサの検出値の変化を示す波形図である。なお、図２の横軸は時刻であり、縦軸は、機械設備２に設置されているセンサ（図示せず）の検出値である。
図２に示す例では、時刻ｔ０１から時刻ｔ０２の時間帯で、機械設備２において１回目の運転プロセスが実行され、時刻ｔ０２から時刻ｔ０３の時間帯で２回目の運転プロセスが実行されている。このように所定の運転プロセスが繰り返されるため、機械設備２が正常であれば、各運転プロセスにおいてセンサの検出値が同様の（つまり、非常に似通った）波形になる。

本実施形態では、機械設備２が正常であることが既知である所定の学習期間（図２参照）に取得したセンサデータに基づき、センサデータの時系列的な波形（運転プロセスごとの波形）を正常モデルとして学習し、この正常モデルに基づいて、機械設備２の異常予兆の有無を判定するようにしている。なお、正常モデルの詳細については後記する。

＜異常予兆診断システムの構成＞
図１に示すように、異常予兆診断システム１は、通信手段１１と、センサデータ取得手段１２と、センサデータ記憶手段１３と、データマイニング手段１４と、診断結果記憶手段１５と、表示制御手段１６と、表示手段１７と、を備えている。

通信手段１１は、機械設備２からネットワークＮを介して、センサデータを含む情報を受信するものである。通信手段１１として、例えば、ＴＣＰ／ＩＰの通信プロトコルに従って情報を受信するルータを用いることができる。

センサデータ取得手段１２は、ネットワークＮを介して通信手段１１が受信した情報に含まれるセンサデータを取得し、取得したセンサデータをセンサデータ記憶手段１３に格納する。
センサデータ記憶手段１３には、センサデータ取得手段１２によって取得されたセンサデータが、例えば、データベースとして格納されている。なお、センサデータ記憶手段１３として、磁気ディスク装置、光ディスク装置、半導体記憶装置等を用いることができる。

データマイニング手段１４は、統計的なデータ分類手法であるデータマイニングによって、センサの検出値の波形の正常モデルを学習し、この正常モデルに基づいて、機械設備２の異常予兆の有無を診断する。なお、データマイニング手段１４の詳細については後記する。

診断結果記憶手段１５には、データマイニング手段１４による診断結果が格納されている。この診断結果には、機械設備２の識別情報、及び異常予兆の有無が含まれる。
表示制御手段１６は、データマイニング手段１４の診断結果を表示するための制御信号を表示手段１７に出力する。例えば、表示制御手段１６は、各機械設備２の名称を行とし、診断日の日付を列として、診断結果をマトリクス形式で表示手段１７に表示する。
表示手段１７は、例えば、液晶ディスプレイであり、表示制御手段１６から入力される制御信号に従って診断結果を表示する。

図３は、異常予兆診断システム１が備えるデータマイニング手段１４の構成図である。図３に示すように、データマイニング手段１４は、学習手段１４１と、診断手段１４２と、を備えている。
学習手段１４１は、統計的なデータ分類手法の一つであるクラスタリングによって、センサの検出値の波形の正常モデルであるクラスタを生成（学習）する。前記したクラスタとは、多次元ベクトル空間においてクラスタ中心ｃ（図６参照）及びクラスタ半径ｒ（図６参照）で特定される領域であり、機械設備２が正常である学習期間（図２参照）に取得したセンサデータに基づいて学習される。

図３に示すように、学習手段１４１は、学習対象データ取得部１４１ａと、特徴点抽出部１４１ｂと、特徴点記憶部１４１ｃと、クラスタ学習部１４１ｄと、学習結果記憶部１４１ｅと、を備えている。
学習対象データ取得部１４１ａは、学習対象のセンサデータ（つまり、学習対象データ）を、センサデータ記憶手段１３から取得する。すなわち、学習対象データ取得部１４１ａは、機械設備２が正常であることが既知である学習期間（図２参照）に取得されたセンサデータを、機械設備２で繰り返される運転プロセスごとに取得する。

特徴点抽出部１４１ｂは、センサデータの時系列的な波形の「特徴点」を抽出する。前記した「特徴点」には、センサデータの時系列的な波形の極大点・極小点の他に、運転プロセスの開始時・終了時の点も含まれる。なお、極大点・極小点をまとめて「極値点」ともいう。

図４は、センサデータの波形の特徴点に関する説明図である。なお、図４では、図２に示す１回目の運転プロセスにおけるセンサの検出値を図示している。
特徴点抽出部１４１ｂ（図３参照）は、検出値の波形の極大点Ｍ１，Ｍ２及び極小点ｍを特定するとともに、１回目の運転プロセスの開始時である始点ｓ、及び１回目の運転プロセスの終了時である終点ｅを特定する。そして、特徴点抽出部１４１ｂは、始点ｓ・極大点Ｍ１・極小点ｍ・極大点Ｍ２・終点ｅのそれぞれについて、センサの検出値、及び運転プロセスが開始された時刻ｔ０１からの経過時間を特定する。つまり、特徴点抽出部１４１ｂは、図４に示す検出値ｐ１〜ｐ５、及び経過時間Δｔ１〜Δｔ５を特定する。

前記したように、センサデータには、運転プロセスの開始・終了を示す信号も含まれているため、この信号に基づいて始点ｓ及び終点ｅが特定される。また、極大点Ｍ１，Ｍ２及び極小点ｍは、時々刻々と変化する検出値の変化速度に基づいて特定される。つまり、センサの検出値の変化速度が正から負に転じた箇所を極大点とし、負から正に転じた箇所を極小点とすればよい。

特徴点抽出部１４１ｂは、図３に示す５つの特徴点の検出値ｐ１〜ｐ５及び経過時間Δｔ１〜Δｔ５を特徴点記憶部１４１ｃに格納する。同様にして、特徴点抽出部１４１ｂは、学習期間（図２参照）に含まれる２回目〜ｎ回目の運転プロセスについても特徴点を抽出し、特徴点のデータ（センサの検出値、運転プロセスの開始時からの経過時間）を特徴点記憶部１４１ｃに格納する。

図５は、特徴点記憶部１４１ｃに格納されているデータの説明図である。なお、図５では、運転プロセスの始点ｓ（図４参照）を「第１の特徴点」としている。また、極大点Ｍ１・極小点ｍ・極大点Ｍ２・終点ｅについても同様に、「第２の特徴点」・「第３の特徴点」・「第４の特徴点」・「第５の特徴点」としている。

特徴点記憶部１４１ｃには、特徴点抽出部１４１ｂによって抽出された特徴点の情報がデータベースとして格納されている。１回目の運転プロセス（図５：左端の列を参照）における特徴点のデータは、検出値ｐ１〜ｐ５（図４参照）及び経過時間Δｔ１〜Δｔ５（図４参照）を含んで構成される。２回目〜ｎ回目についても同様である。これらのデータは、次に説明するクラスタ学習部１４１ｄ（図３参照）において、クラスタを学習する際に用いられる。

図３に示すクラスタ学習部１４１ｄは、特徴点抽出部１４１ｂによって抽出された特徴点のそれぞれについて、クラスタを個別で学習する。例えば、機械設備２の各運転プロセスにおいて、それぞれ、始点ｓ・極大点Ｍ１・極小点ｍ・極大点Ｍ２・終点ｅ（図４参照）が特徴点として抽出された場合、クラスタ学習部１４１ｄは、５つの特徴点について、それぞれ、クラスタを学習する。

図６は、クラスタ学習部１４１ｄによって学習されるクラスタの説明図である。なお、図６に示す軸αは、センサの検出値の正規化後の値を示す軸であり、軸βは、運転プロセスが開始されてからの経過時間の正規化後の値を示す軸である。
一回の運転プロセスにおけるセンサの検出値の波形は、２次元のベクトル空間上で、センサの検出値及び経過時間に正規化処理を施した値を成分とする特徴ベクトルで表される。ここで「正規化処理」とは、センサの検出値及び経過時間を代表値（平均値、標準偏差等）で除算するなどして無次元量化して、互いに比較可能とする処理である。

図６に示す●印のひとつひとつが、センサの検出値の波形に含まれる特徴点を表している。機械設備２では所定の運転プロセスが繰り返されるため、前記したように、各運転プロセスにおいて、センサの検出値の波形が似通ったものになる（図２参照）。したがって、機械設備２が正常であれば、波形を表す特徴ベクトルが密集することが多い。

クラスタ学習部１４１ｄ（図３参照）は、（特徴点の個数）×（運転プロセスの回数）個の特徴ベクトルについて、類似する特徴ベクトルごとに複数のクラスタに分類する。以下では、一例として、非階層的クラスタリングであるｋ平均法を用いてクラスタを学習する場合について説明する。クラスタ学習部１４１ｄは、まず、各特徴ベクトルに対してランダムにクラスタを割り振り、割り振ったデータに基づいて各クラスタの中心（クラスタ中心ｃ：図６参照）を算出する。クラスタ中心ｃは、例えば、クラスタに属する複数の特徴ベクトルの重心である。

次に、クラスタ学習部１４１ｄは、所定の特徴ベクトルと各クラスタ中心ｃとの距離を求め、この距離が最も小さくなるクラスタに当該特徴ベクトルを割り当て直す。クラスタ学習部１４１ｄは、このような処理を全ての特徴ベクトルについて実行する。そして、クラスタ学習部１４１ｄは、クラスタの割り当てが変化しなかった場合にはクラスタの生成処理を終了し、それ以外の場合には、新しく割り振られたクラスタからクラスタ中心ｃを再計算する。

さらに、クラスタ学習部１４１ｄは、各クラスタについてクラスタ中心ｃ（図６参照）の座標値と、クラスタ半径ｒ（図６参照）と、を算出する。クラスタ半径ｒは、例えば、クラスタ中心ｃと、そのクラスタに属する特徴ベクトルと、の距離の平均値である。なお、クラスタ半径ｒの算出方法はこれに限定されない。例えば、クラスタに属する特徴ベクトルのうちクラスタ中心ｃから最も離れている特徴ベクトルを特定し、この特徴ベクトルとクラスタ中心ｃとの距離をクラスタ半径ｒとしてもよい。このようにしてクラスタ学習部１４１ｄは、センサの検出値の波形を表す正常モデルとして、クラスタを学習する。

ちなみに、図６では、一つのクラスタＪを図示しているが、次に説明するように、センサの検出値の正常な波形に５つの特徴点が含まれている場合、少なくとも５つのクラスタが生成される。

図７は、特徴点とクラスタとの関係を示す説明図である。なお、破線は、機械設備２が正常に稼動していることが既知である学習期間（１回分の運転プロセス）に取得されたセンサデータである。実線は、学習期間が終了した後の診断期間（１回分の運転プロセス）に取得されたセンサデータである。
図７に示す例では、始点・２つの極大点・極小点・終点を含む５つの特徴点が抽出され、２次元ベクトル空間上でクラスタＪ１〜Ｊ５が学習されている。なお、特徴点とクラスタとが１対１で対応している必要はなく、一つの特徴点について複数個のクラスタが学習されることもある。

図３に示す学習結果記憶部１４１ｅには、前記したクラスタに関するクラスタ情報（クラスタ中心ｃ、クラスタ半径ｒ）が、例えば、データベースとして格納されている。

図３に示す診断手段１４２は、学習手段１４１によって学習されたクラスタ（正常モデル）と、診断対象のセンサデータの時系列的な波形と、の比較に基づいて、機械設備２の異常予兆の有無を診断する。図３に示すように、診断手段１４２は、診断対象データ取得部１４２ａと、検出値特定部１４２ｂと、異常測度算出部１４２ｃと、診断部１４２ｄと、を備えている。

診断対象データ取得部１４２ａは、診断対象のセンサデータ（つまり、診断対象データ）をセンサデータ記憶手段１３から取得する。すなわち、診断対象データ取得部１４２ａは、学習期間が終了した後の診断期間（図２参照）に取得されたセンサデータを、機械設備２で繰り返される運転プロセスごとに取得する。

検出値特定部１４２ｂは、前記した５つのクラスタＪ１〜Ｊ５（図７参照）のクラスタ中心を与える経過時間Δｔ１〜Δｔ５（図７参照）に基づき、診断対象データにおいて、運転プロセスが開始されてから経過時間Δｔ１〜Δｔ５が経ったときの検出値をそれぞれ特定する。例えば、検出値特定部１４２ｂは、一つ目の極大点に対応するクラスタＪ２（図７参照）のクラスタ情報を読み出し、そのクラスタ中心を与える経過時間Δｔ２を取得する。そして、検出値特定部１４２ｂは、時系列的に変化する診断対象データの波形（実線）において、運転プロセスが開始されてから経過時間Δｔ２が経ったときの検出値ｐ１１を特定する。他のクラスタＩ１，Ｊ３〜Ｊ５についても同様にして、検出値特定部１４２ｂは、診断対象データの運転プロセスが開始されてから経過時間Δｔ１，Δｔ３〜Δｔ５が経ったときの検出値を特定する。

図３に示す異常測度算出部１４２ｃは、検出値特定部１４２ｂによって特定された検出値に基づいて、診断対象データの異常測度ｕを算出する。その一例を挙げると、異常測度算出部１４２ｃは、運転プロセスが開始されてからの経過時間Δｔ２（図７参照）、及び、経過時間Δｔ２における検出値ｐ１１（図７参照）に正規化処理を施して、２次元の特徴ベクトルに変換する。そして、異常測度算出部１４２ｃは、この特徴ベクトルと、クラスタＪ２（図７参照）のクラスタ情報と、に基づき、診断対象データの異常測度ｕを算出する。

より詳しく説明すると、異常測度算出部１４２ｃは、各クラスタのうち、診断対象データの特徴ベクトルに最も近いクラスタ中心ｃ（図６参照）を有するものを特定する。さらに、異常測度算出部１４２ｃは、特定したクラスタのクラスタ中心ｃと、診断対象データの特徴ベクトルと、の距離ｄ（図６参照）を求める。そして、異常測度算出部１４２ｃは、前記した距離ｄが、クラスタ半径ｒ（特徴ベクトルに最も近いクラスタのクラスタ半径）に対して占める割合である異常測度ｕを、以下の（数式１）に基づいて算出する。

ｕ＝ｄ／ｒ・・・（数式１）

異常測度算出部１４２ｃは、他のクラスタＪ１，Ｊ３〜Ｊ５に基づく異常測度ｕについても同様に算出し、その算出結果を診断部１４２ｄに出力する。

図３に示す診断部１４２ｄは、異常測度算出部１４２ｃによって算出された異常測度ｕに基づき、機械設備２の異常予兆の有無を診断する。例えば、クラスタＪ１〜Ｊ５に基づく異常測度ｕがそれぞれ１以下である場合、診断対象データはクラスタＪ１〜Ｊ５のうちいずれかの領域内（つまり、正常範囲内）に存在している。したがって、診断部１４２ｄは、機械設備２について「異常予兆なし」と診断する。また、例えば、異常測度ｕ＞１の診断対象データが少なくとも一つ存在する場合、その診断対象データはクラスタの領域外（つまり、正常範囲外）に存在している。したがって、診断部１４２ｄは、機械設備２について「異常予兆あり」と診断する。

なお、機械設備２で繰り返される運転プロセスにおいて、異常測度ｕが所定閾値を超える運転プロセスが所定回数に達した場合、機械設備２に「異常予兆あり」と診断するようにしてもよい。

図７に示す例では、経過時間Δｔ２における検出値ｐ１１が、クラスタＪ２のクラスタ中心を与える検出値よりも大幅に小さくなっている。したがって、経過時間Δｔ２における検出値の異常測度ｕが１を超えて、「異常予兆あり」と診断される可能性が高い。診断部１４２ｄは、その診断結果を診断対象データに対応付けて、診断結果記憶手段１５に格納する。

＜異常予兆診断システムの動作＞
図８は、異常予兆診断システム１の処理を示すフローチャートである。
ステップＳ１０１において異常予兆診断システム１は、学習手段１４１（図３参照）によって、学習処理を実行する。

図９は、学習手段１４１が実行する学習処理のフローチャートである。
ステップＳ１０１１において学習手段１４１は、学習対象データ取得部１４１ａによって、センサデータ記憶手段１３から学習対象データを取得する。つまり、学習手段１４１は、機械設備２が正常に稼動していることが既知である所定の学習期間（図２参照）に取得されたセンサデータのうち、１回目の運転プロセスのセンサデータを学習対象として取得する。

ステップＳ１０１２において学習手段１４１は、特徴点抽出部１４１ｂによって、学習対象データの時系列的な波形の特徴点を抽出する。つまり、学習手段１４１は、各特徴点（図４に示す始点ｓ・極大点Ｍ１・極小点ｍ・極大点Ｍ２・終点ｅ）における検出値ｐ１〜ｐ５及び経過時間Δｔ１〜Δｔ５を特定する。これらの検出値ｐ１〜ｐ５及び経過時間Δｔ１〜Δｔ５が、センサデータの正常な波形を表すデータである。

ステップＳ１０１３において学習手段１４１は、ステップＳ１０１２で抽出した特徴点の情報を特徴点記憶部１４１ｃに格納する。
ステップＳ１０１４において学習手段１４１は、学習期間（図２参照）において、特徴点が抽出されていない他の運転プロセスが存在するか否かを判定する。特徴点が抽出されていない他の運転プロセスが存在する場合（Ｓ１０１４：Ｙｅｓ）、学習手段１４１の処理はステップＳ１０１１に戻る。一方、学習期間に含まれる運転プロセスの全てについて特徴点を抽出した場合（Ｓ１０１４：Ｎｏ）、学習手段１４１の処理はステップＳ１０１５に進む。

ステップＳ１０１５において学習手段１４１は、クラスタ学習部１４１ｄによって、それぞれの特徴点についてクラスタＪ１〜Ｊ５（図７参照）を個別で学習する。つまり、学習手段１４１は、学習対象データの特徴点における検出値及び経過時間に基づき、２次元の特徴ベクトルを生成し、それぞれの特徴点についてクラスタＪ１〜Ｊ５を生成する。
ステップＳ１０１６において学習手段１４１は、学習結果であるクラスタ情報（クラスタ中心ｃ、クラスタ半径ｒ）を学習結果記憶部１４１ｅに格納し、一連の学習処理を終了する（ＥＮＤ）。

図８に示すステップＳ１０１の学習処理を行ったのち、ステップＳ１０２において異常予兆診断システム１は、診断手段１４２（図３参照）によって、診断処理を実行する。

図１０は、診断手段１４２が実行する診断処理のフローチャートである。
ステップＳ１０２１において診断手段１４２は、診断対象データ取得部１４２ａによって、センサデータ記憶手段１３から診断対象データを取得する。つまり、診断手段１４２は、学習期間が終了した後の診断期間（図２参照）に取得されたセンサデータのうち、１回目の運転プロセスのセンサデータを診断対象として取得する。

ステップＳ１０２２において診断手段１４２は、学習結果記憶部１４１ｅに格納されているクラスタ情報を参照し、複数のクラスタうち一つを選択する。例えば、診断手段１４２は、図７に示す５つのクラスタＪ１〜Ｊ５のうち、波形の始点に対応するクラスタＪ１を選択する。

ステップＳ１０２３において診断手段１４２は、ステップＳ１０２２で選択したクラスタのクラスタ中心を与える経過時間Δｔ（図７参照）を、学習結果記憶部１４１ｅから読み出す。例えば、診断手段１４２は、図７に示すクラスタＪ１のクラスタ中心を与える経過時間Δｔ１を学習結果記憶部１４１ｅから読み出す。

ステップＳ１０２４において診断手段１４２は、検出値特定部１４２ｂによって、ステップＳ１０２３で読み出した経過時間Δｔにおける診断対象データの検出値を特定する。例えば、診断手段１４２は、図７の実線で示す診断対象データについて、経過時間Δｔ１における検出値を特定する。

ステップＳ１０２５において診断手段１４２は、異常測度算出部１４２ｃによって、診断対象データの異常測度ｕを算出する。つまり、診断手段１４２は、ステップＳ１０２３で読み出した経過時間Δｔ、及びステップＳ１０２４で特定した検出値を正規化して２次元の特徴ベクトルを生成し、学習結果記憶部１４１ｅに格納されているクラスタ情報に基づいて異常測度ｕを算出する。

ステップＳ１０２６において診断手段１４２は、ステップＳ１０２５で算出した異常測度ｕを、ステップＳ１０２２で選択したクラスタに対応付けて記憶する。
ステップＳ１０２７において診断手段１４２は、１回分の運転プロセスで、診断に用いていないクラスタが他に存在するか否を判定する。診断に用いていないクラスタが他に存在する場合（Ｓ１０２７：Ｙｅｓ）、診断手段１４２の処理はステップＳ１０２２に戻る。一方、診断に用いていないクラスタが存在しない場合（Ｓ１０２７：Ｎｏ）、診断手段１４２の処理はステップＳ１０２８に進む。

ステップＳ１０２８において診断手段１４２は、診断部１４２ｄによって、機械設備２の異常予兆の有無を診断する。つまり、診断手段１４２は、前記したように、ステップＳ１０２５で算出した複数の異常測度ｕに基づいて、機械設備２の異常予兆の有無を診断する。
ステップＳ１０２９において診断手段１４２は、ステップＳ１０２８の診断結果を診断結果記憶手段１５に格納し、一連の診断処理を終了する（ＥＮＤ）。
なお、診断結果記憶手段１５に格納された情報は、表示制御手段１６（図１参照）によって、表示手段１７（図１参照）に表示される。

＜効果＞
本実施形態によれば、繰り返される運転プロセスについて、始点・極大点・極小点・終点を含む特徴点を抽出し、各特徴点において個別でクラスタを生成することで、センサの検出値の正常な波形を学習できる。また、診断対象データにおいて、クラスタ中心ｃを与える経過時間でのセンサの検出値に基づき、その波形が異常であるか否か（つまり、機械設備２に異常予兆が発生しているか否か）を高精度で診断できる。

さらに、診断対象データの異常測度が所定閾値を超えている場合、その診断に用いられたクラスタを特定することで、異常予兆が発生したタイミングを特定できるとともに、正常時を基準とする位相ずれの時間も特定できる。

≪変形例≫
以上、本発明に係る異常予兆診断システム１について実施形態により説明したが、本発明はこれらの記載に限定されるものではなく、種々の変更を行うことができる。
例えば、実施形態で説明した構成に、センサデータの時系列的な波形に含まれる高調波を減衰させるフィルタ（図示せず）を追加してもよい。このような構成において、学習対象データの波形に含まれる高調波をフィルタによって減衰させ、減衰後の波形に基づき、学習手段１４１によってクラスタ（正常モデル）が学習される。そして、診断対象データの波形に含まれる高調波をフィルタによって減衰させ、減衰後の波形に基づき、機械設備２の異常予兆の有無が診断される。これによって、特徴点抽出部１４１ｂにおいて、徒に多くの特徴点が抽出されることを抑制できる。

また、例えば、特徴点抽出部１４１ｂによって、学習対象データの時系列的な波形に含まれる極値点のうち、当該極値点におけるセンサの検出値と、当該極値点を与える時刻よりも所定時間前（又は、所定時間後）におけるセンサの検出値と、の差分の絶対値が所定閾値以上であるものを特徴点として抽出するようにしてもよい。これによって、細かく変動する波形から抽出される特徴点の個数を適度に抑えることができる。
さらに、前記したフィルタ（図示せず）を併用し、フィルタによって高調波を減衰させた後の波形から極大点・極小点等を特定し、さらに、前記した絶対値に基づいて特徴点を抽出するようにしてもよい。

図１１（ａ）は、機械設備２の正常時・異常予兆発生時におけるセンサの検出値の時系列的な変化を示す実験データである。なお、図１１（ａ）の横軸は時刻であり、縦軸は、機械設備２（ガスエンジン：図示せず）に設置されている冷却水温度センサ（図示せず）の検出値である。また、図１１（ａ）の破線は、機械設備２の正常時におけるセンサデータであり、実線は、機械設備２の異常予兆発生時におけるセンサデータである。

図１１（ａ）の破線の丸印Ｘ１〜Ｘ７は、センサの検出値の波形の特徴点を示している。なお、実際には、波形に含まれる高調波をフィルタ（図示せず）によって減衰させ、減衰後の波形に含まれる多数の極値点のうち、その極値点を与える時刻よりも所定時間前のセンサデータと、当該極値点のセンサデータと、の差分の絶対値が所定閾値以上であるものを特徴点として抽出している（後記する図１１（ｂ）についても同様）。

図１１（ａ）に示す例では、丸印Ｘ３，Ｘ４，Ｘ６の特徴点において、実線で示すセンサの検出値が、破線で示す正常時よりも大きくなっている。そして、実施形態で説明した方法に基づいて異常測度ｕを算出した結果、実線で示すセンサデータについて（つまり、機械設備２であるガスエンジンにおいて）、「異常予兆あり」の診断結果が出力された。

図１１（ｂ）は、機械設備２の正常時・異常予兆発生時におけるセンサの検出値の時系列的な変化を示す別の実験データである。図１１（ｂ）の破線は、機械設備２の正常時におけるセンサデータであり、実線は、機械設備２の異常予兆発生時におけるセンサデータである。
図１１（ｂ）の破線の丸印Ｘ１１〜Ｘ１７は、センサの検出値の波形の特徴点を示している。図１１（ｂ）に示す例では、実線で示すセンサデータにおいて、丸印Ｘ１３の特徴点を与える時刻が、破線で示す正常時よりも時間Δｔ_Ａだけ早くなっている（つまり、運転プロセスが開始された時刻ｔ１１からの経過時間が短い）。また、実線で示すセンサデータにおいて、丸印Ｘ１７の特徴点を与える時刻が、破線で示す正常時よりも時間Δｔ_Ｂだけ遅くなっている（つまり、時刻ｔ１１からの経過時間が長い）。このようなセンサデータについても、実施形態で説明した方法に基づき、「異常予兆あり」の診断結果が出力された。

また、実施形態では、一つのセンサ（図示せず）から得られるセンサデータにおいて、センサの検出値、及び運転プロセスが開始されてからの経過時間に基づいて、２次元の特徴ベクトルを生成する場合について説明したが、これに限らない。例えば、機械設備２に設置されている複数のセンサ（図示せず）から取得されるセンサデータに基づいて、機械設備２の異常予兆の有無を診断してもよい。この場合には、例えば、事前の実験に基づいて、特徴点を抽出しやすい一つのセンサをユーザが選定しておく。そして、前記したセンサから取得されるセンサデータに基づいて、学習手段１４１によって複数の特徴点を抽出し、これらの特徴点を与える経過時間Δｔ（運転プロセスの開始時からの経過時間）をそれぞれ特定する。
そして、学習手段１４１は、前記した経過時間Δｔにおける各センサの検出値に基づいて多次元の特徴ベクトル（その次元数は、センサの個数に等しい。）を生成し、各特徴ベクトルをクラスタリングする。つまり、学習手段１４１は、特徴点を与える複数の経過時間Δｔごとにクラスタを学習する。そして、学習手段１４１は、学習結果であるクラスタの情報を、経過時間Δｔに対応付けて学習結果記憶部１４１ｅに格納する。

そして、クラスタの学習後、診断手段１４２は、複数の経過時間Δｔのうち一つを学習結果記憶部１４１ｅから読み出す。前記したように、複数の経過時間Δｔは、それぞれ、センサの検出値の正常な波形の特徴点に対応している。診断手段１４２は、診断対象データについて、経過時間Δｔにおける検出値を各センサについて特定し、それらの検出値を正規化して多次元の特徴ベクトル（その次元数は、センサの個数に等しい。）に変換する。そして、診断手段１４２は、変換後の特徴ベクトルと、前記した経過時間Δｔに対応するクラスタと、に基づいて異常測度ｕを算出し、機械設備２の異常予兆の有無を診断する。なお、異常測度ｕの算出方法や、異常予兆の有無の診断方法については、実施形態と同様である。このように複数のセンサを用いることで、機械設備２のどの箇所にどのような異常が発生したのかをユーザが把握できる。

また、特徴点を抽出しやすいセンサをユーザが事前に選定することなく、学習期間における１回分の運転プロセスにおいて特徴点の個数が最も多いセンサを学習手段１４１によって特定し、当該センサを用いて経過時間を設定し、また、当該センサから取得されるセンサデータの特徴点に基づいてクラスタを学習するようにしてもよい。これによって、診断対象データの検出値が正常範囲から外れているか否かを、診断対象データの波形上の多数の点において判定できる。したがって、機械設備２の異常予兆の有無を高精度で診断できる。

また、実施形態では、クラスタ学習部１４１ｄが非階層的クラスタリングとしてｋ平均法を用いてクラスタリングを行う場合について説明したが、これに限らない。すなわち、クラスタ学習部１４１ｄによる学習処理として、非階層的クラスタリングとしてファジィクラスタリングや混合密度分布法等を用いてもよい。

また、実施形態では、学習手段１４１が、それぞれの特徴点について、経過時間及び検出値で特定される２次元の特徴ベクトルを生成する場合について説明したが、これに限らない。すなわち、それぞれの特徴点を与える経過時間を記憶するとともに、検出値で特定される１次元の特徴ベクトル（センサが複数存在する場合には、多次元の特徴ベクトル）を生成してもよい。この場合において、特徴ベクトルに基づくクラスタ情報が、前記した経過時間に対応付けて記憶される。そして、クラスタ中心を与える経過時間での診断対象データの検出値に基づき、診断手段１４２によって、機械設備２の異常予兆の有無が判定される。

また、各実施形態では、機械設備２の運転プロセスが間断なく繰り返される場合について説明したが、これに限らない。すなわち、機械設備２の運転プロセスの開始・終了が把握できればよく、所定の休止時間を挟んで運転プロセスを行うようにしてもよい。

また、実施形態では、「特徴点」として始点・極大点・極小点・終点を抽出する場合について説明したが、これらのうち少なくとも一つ（例えば、極大点及び極小点）を特徴点として抽出してもよい。

また、実施形態では、学習したクラスタをその後も保持（記憶）する構成について説明したが、これに限らない。すなわち、診断部１４２ｄによって「異常予兆なし」と診断されたセンサデータを学習対象データとして追加し、追加後の学習対象データに基づいてクラスタ中心ｃ及びクラスタ半径ｒを再計算する（つまり、クラスタを再学習する）ようにしてもよい。このようにクラスタを再学習することで、機械設備２の正常状態に関する情報を徐々に増加させ、クラスタ中心ｃ及びクラスタ半径ｒをより適切な値に更新できる。
また、前記したように、学習対象データを追加するたびに、既存の学習対象データのうち最も古いものを学習対象から除外するようにしてもよい。これによって、季節変化等に伴って機械設備２が経時的に変化した場合でも、この変化に追従してクラスタを更新することができ、ひいては異常予兆の診断精度を高めることができる。

なお、本発明は、各実施形態で説明した全ての構成を備えるものに限定されない。また、一の実施形態の構成の一部を他の実施形態の構成に置き換えることが可能であり、また、一の実施形態の構成に他の実施形態の構成を加えることも可能である。また、各実施形態の構成の一部について、他の構成を追加・削除・置換することも可能である。

また、図１、図３に示す各構成は、それらの一部又は全部を、例えば集積回路で設計する等によりハードウェアで実現してもよい。また、前記の各構成は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現してもよい。各機能を実現するプログラム、テープ、ファイル等の情報は、メモリや、ハードディスク、ＳＳＤ（Solid State Drive）等の記録装置、又は、ＩＣカード、ＳＤカード、ＤＶＤ等の記録媒体に格納することができる。また、制御線や情報線は説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線や情報線を示しているとは限らない。実際には殆ど全ての構成が相互に接続されていると考えてもよい。

１ 異常予兆診断システム
１１ 通信手段
１２ センサデータ取得手段
１３ センサデータ記憶手段
１４ データマイニング手段
１５ 診断結果記憶手段
１６ 表示制御手段
１７ 表示手段
１４１ 学習手段
１４１ａ 学習対象データ取得部
１４１ｂ 特徴点抽出部
１４１ｃ 特徴点記憶部
１４１ｄ クラスタ学習部
１４１ｅ 学習結果記憶部
１４２ 診断手段
１４２ａ 診断対象データ取得部
１４２ｂ 検出値特定部
１４２ｃ 異常測度算出部
１４２ｄ 診断部
２ 機械設備

Claims (8)

1. 所定の運転プロセスが繰り返される機械設備に設置されたセンサの検出値を含むセンサデータを取得するセンサデータ取得手段と、
   前記機械設備が正常であることが既知である期間のセンサデータの時系列的な波形を学習対象とし、前記波形の極大点及び極小点を含む複数の極値点を特徴点として抽出し、前記特徴点における前記センサの正常検出値と、前記特徴点のそれぞれに対応する前記運転プロセスの開始時からの経過時間との組合せを、前記運転プロセスの開始時からの経過時間ごとに検出値をクラスタリングして、前記特徴点の正常モデルとして学習する学習手段と、
   診断対象のセンサデータにおいて、前記運転プロセスの開始時から、前記正常モデルの前記経過時間が経ったときの前記センサの検出値を特定し、当該検出値と、前記正常モデルと、の比較に基づいて、前記機械設備の異常予兆の有無を診断する診断手段と、を備えること
   を特徴とする異常予兆診断システム。
2. 請求項１において、
   前記学習手段は、前記特徴点における前記検出値及び前記経過時間を無次元量化して互いに比較可能とする正規化処理を施した値を成分とする特徴ベクトルをクラスタリングすることによって、クラスタ中心及びクラスタ半径で表されるクラスタを前記正常モデルとして学習し、
   前記診断手段は、診断対象のセンサデータにおいて、前記運転プロセスの開始時から、前記正常モデルの前記経過時間が経ったときの前記センサの検出値及び前記経過時間に正規化処理を施して特徴ベクトルに変換し、前記クラスタのうち、当該特徴ベクトルに最も近いクラスタ中心を有するものを特定し、当該クラスタのクラスタ中心と当該特徴ベクトルとの距離がクラスタ半径に対して占める割合を異常測度として算出し、前記異常測度に基づいて、前記機械設備の異常予兆の有無を診断すること
   を特徴とする異常予兆診断システム。
3. 所定の運転プロセスが繰り返される機械設備に設置されたセンサの検出値を含むセンサデータを取得するセンサデータ取得手段と、
   前記機械設備が正常であることが既知である期間のセンサデータの時系列的な波形を学習対象とし、前記運転プロセスの開始時における前記波形の始点、前記波形の極大点及び極小点を含む複数の極値点、並びに前記運転プロセスの終了時における前記波形の終点を特徴点として抽出し、前記特徴点における前記センサの正常検出値と、前記特徴点のそれぞれに対応する前記運転プロセスの開始時からの経過時間との組合せを、前記運転プロセスの開始時からの経過時間ごとに検出値をクラスタリングして、前記特徴点の正常モデルとして学習する学習手段と、
   診断対象のセンサデータにおいて、前記運転プロセスの開始時から、前記正常モデルの前記経過時間が経ったときの前記センサの検出値を特定し、当該検出値と、前記正常モデルと、の比較に基づいて、前記機械設備の異常予兆の有無を診断する診断手段と、を備え、
   前記機械設備には、複数の前記センサが設置されており、複数の前記センサのうち、前記経過時間を設定するために用いる一つのセンサが選定され、
   前記学習手段は、前記選定された一つのセンサのセンサデータを用いて、前記特徴点における前記運転プロセスの開始時からの前記経過時間を特定し、複数の前記センサの前記経過時間における各検出値を無次元量化して互いに比較可能とする正規化処理を施した値を成分とする特徴ベクトルをクラスタリングすることによって、クラスタ中心及びクラスタ半径で表されるクラスタを前記正常モデルとして学習し、
   前記診断手段は、診断対象のセンサデータにおいて、前記運転プロセスの開始時から、前記クラスタに対応する前記経過時間が経ったときの複数の前記センサの検出値に正規化処理を施して特徴ベクトルに変換し、前記クラスタのクラスタ中心と当該特徴ベクトルとの距離がクラスタ半径に対して占める割合を異常測度として算出し、前記異常測度に基づいて、前記機械設備の異常予兆の有無を診断すること
   を特徴とする異常予兆診断システム。
4. 請求項３において、
   前記学習手段は、複数の前記センサのうち、１回の前記運転プロセスにおいて前記波形の極値点の個数が最も多いセンサを、前記経過時間を設定するために用いるセンサとして選定すること
   を特徴とする異常予兆診断システム。
5. 請求項１又は請求項３のいずれかにおいて、
   センサデータの時系列的な波形に含まれる高調波を減衰させるフィルタを備え、
   前記学習手段は、学習対象のセンサデータに含まれる高調波を前記フィルタによって減衰させた後の波形に基づいて、前記正常モデルを学習すること
   を特徴とする異常予兆診断システム。
6. 所定の運転プロセスが繰り返される機械設備に設置されたセンサの検出値を含むセンサデータを取得するセンサデータ取得手段と、
   前記機械設備が正常であることが既知である期間のセンサデータの時系列的な波形の極値点を特徴点として抽出し、前記特徴点における前記センサの検出値と、前記特徴点のそれぞれに対応する前記運転プロセスの開始時からの経過時間と、に基づいて、前記波形の正常モデルを前記特徴点ごとに学習する学習手段と、
   診断対象のセンサデータにおいて、前記運転プロセスの開始時から、前記正常モデルの前記経過時間が経ったときの前記センサの検出値を特定し、当該検出値と、前記正常モデルと、の比較に基づいて、前記機械設備の異常予兆の有無を診断する診断手段と、を備え、
   前記学習手段は、
   学習対象のセンサデータの時系列的な波形に含まれる極値点のうち、当該極値点における検出値と、当該極値点を与える時刻よりも所定時間前又は所定時間後における検出値と、の差分の絶対値が所定閾値以上であるものを前記特徴点として抽出すること
   を特徴とする異常予兆診断システム。
7. 請求項１から請求項６のいずれか一項において、
   前記学習手段は、前記診断手段によって異常予兆なしと診断されたセンサデータを学習対象として追加し、追加したセンサデータを含めて前記正常モデルを再学習すること
   を特徴とする異常予兆診断システム。
8. 所定の運転プロセスが繰り返される機械設備に設置されたセンサの検出値を含むセンサデータを取得し、
   前記機械設備が正常であることが既知である期間のセンサデータの時系列的な波形を学習対象とし、前記波形の極大点及び極小点を含む複数の極値点を特徴点として抽出し、前記特徴点における前記センサの正常検出値と、前記特徴点のそれぞれに対応する前記運転プロセスの開始時からの経過時間との組合せを、前記運転プロセスの開始時からの経過時間における検出値ごとにクラスタリングして、前記特徴点の正常モデルを学習し、
   診断対象のセンサデータにおいて、前記運転プロセスの開始時から、前記正常モデルの前記経過時間が経ったときの前記センサの検出値を特定し、当該検出値と、前記正常モデルと、の比較に基づいて、前記機械設備の異常予兆の有無を診断すること
   を特徴とする異常予兆診断方法。

Images