JP6060261B2

JP6060261B2 - 状態監視装置

Info

Publication number: JP6060261B2
Application number: JP2015523670A
Authority: JP
Inventors: 智昭蛭田; 鈴木　英明; 英明鈴木; 藤原　淳輔; 淳輔藤原; 内田　貴之; 貴之内田
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 2013-06-24
Filing date: 2013-06-24
Publication date: 2017-01-11
Anticipated expiration: 2033-06-24
Also published as: JPWO2014207789A1; US20160169771A1; WO2014207789A1

Description

本発明は、機械の状態を監視するための状態監視装置に関する。

鉱山等で使用されているショベルやダンプトラック等の作業機械や、発電用のガスタービンなどの社会インフラ向け機械は、１日２４時間稼働することが要求されている。機械の高い稼働率を維持するためには、機械の計画外停止を防がねばならない。このためには、従来の機械の稼働時間に基づいた定期保守から，機械の状態に基づいて予防保全を適切に行う状態監視保守への移行が必要である。状態監視保守を実現するためには、状態監視装置で、機械に設けられた各種センサからセンサデータを収集、分析することで、機械の異常や故障の予兆を診断することが重要である。この状態監視装置の診断の精度を向上させるためには、診断の誤報、失報を抑制するように、技術者が診断モデルを定期的に更新し続けることが重要である。誤報とは、機械の正常な状態を異常と診断したケースである。失報とは、機械の異常な状態を正常と診断したケースである。また診断モデルとは、診断に使用するセンサデータ、診断方式、及び判定条件である。例えば、判定条件とは対象のセンサデータの閾値などがある。

診断の精度を向上させるために、診断モデルを更新する技術として、例えば、〔特許文献１〕が存在する。〔特許文献１〕には、統計量データに含まれる異常データと正常データとの割合に関する事前情報を生成する事前情報生成手段５１と、前記事前情報を使用して、前記統計量データの異常状態と正常状態の判定を行うための閾値を決定する閾値決定手段５２と、閾値及び前記統計量データを使用して、前記対象プロセスの異常を診断する異常診断手段７とを備えたプロセス異常診断装置が開示されている。

特開２００８―５９２７０号公報

には、判定の閾値を設定する手法が記載されている。しかしこの手法では、機械の状態を考慮していないため、診断の精度は低くなる。機械の状態は、機械が安定して動いている定常状態と、定常状態になる前の過渡状態に分けられる。例えば、エンジンは、起動直後はエンジンが温まっていないため、安定して動作しない過渡状態であるが、一定時間を経過すると定常状態になる。全ての機械の状態を対象に、〔特許文献１〕の手法を適用した場合、過渡状態時に診断の誤報が多くなる可能性がある。

このため機械の定常状態を、センサデータを使って予め分離して、診断することが精度向上につながる。この機械の定常状態の抽出を状態分離という。状態分離のためには、状態分離をするためのセンサとその条件を決める必要がある。状態分離をするためのセンサとその条件を状態分離条件と定義する。この状態分離条件も診断モデルの一部である。例えば、エンジンの定常状態を抽出するために、エンジンオイルの温度センサが６０度以上という状態分離条件を採用する。しかし、この状態分離条件を決めるためには、機械に関する専門知識が必須である。機械の専門知識があれば、多くのセンサの中から、状態を分離するセンサを選択し、その条件を決めることができる。このため機械の専門家しか、診断モデルの作成を行うことができないという課題がある。

本発明は、上記した課題を解決するためになされたものであり、その目的は、機械の専門知識の依存度を軽減しながら、診断対象となる機械の状態を抽出する条件を作り、高精度な診断モデルを作成することができる状態監視装置を提供することにある。

上記目的を達成するため、本発明は、複数のセンサで取得した機械の稼働データに基づいて機械の異常を診断する状態監視装置であって、前記状態監視装置は、機械の複数のセンサデータを収集するデータ収集部と、前記センサデータと機械の異常を診断する条件である診断モデルを記憶するデータ記憶部から、予め設定した時間のセンサデータ群を取得し、前記診断モデルを使って、診断機械の異常を診断する診断部と、前記センサデータ群からセンサ毎にデータの頻度を予めセンサの性能から設定したビン数または幅で集計した第１の分布を作成する第１分布作成部と、前記診断部で異常と診断された時刻のセンサデータを前記センサデータ群から抽出し、センサ毎に抽出したデータの頻度を、前記第１の分布と同じビン数または幅を使って集計した第２の分布を作成する第２分布作成部と、センサ毎に前記第１の分布と前記第２の分布を画面に表示する表示部と、ユーザーが新しい診断モデルを入力する入力部と、前記新しい診断モデルを前記データ記憶部に書き込む更新部とを備えたことを特徴としている。

更に、本発明は状態監視装置において、前記診断モデルは、診断に使用するセンサ群と、使用する診断アルゴリズムと、診断対象の機械の状態を抽出するセンサデータと前記センサデータの閾値の条件から構成される状態分離条件と、診断アルゴリズムで計算できる異常の度合いを表す指標の閾値である判定条件で構成されることを特徴とするものである。

更に、本発明は状態監視装置において、前記第１の分布と前記第２の分布の異なる度合いをセンサ毎に計算し、前記異なる度合いの大きい順でセンサに優先順位を付ける表示前処理部を備え、前記表示部では、前記優先順位でセンサ名または前記第１の分布と第２の分布を表示することを特徴とするものである。

更に、本発明は状態監視装置において、表示前処理部は、前記第１の分布と前記第２の分布のビン毎の誤差を計算し、ビンに対応する値の低い順または大きい順から累積誤差率を計算し、前記表示部では、前記第１の分布と前記第２の分布とともに累積誤差率を表示することを特徴とするものである。

更に、本発明は状態監視装置において、表示前処理部は、前記第１の分布と前記第２の分布のビン毎の誤差を計算し、ビンに対応する値の低い順または大きい順から累積誤差率を計算し、前記累積誤差率を予めセンサの性能から設定される条件と比較し、前記条件に該当するビンに対応する値を使って、新しい診断モデルの前記状態分離条件を設定し、前記状態分離条件を前記表示部で表示することを特徴とするものである。

更に、本発明は状態監視装置において、前記表示部は、センサの時系列データを表示し、前記表示前処理部で計算した前記状態分離条件に該当する部分を強調して表示することを特徴するものである。

更に、本発明は状態監視装置において、前記表示部は、前記表示前処理部した前記状態分離条件を新しい診断モデルとして反映した際の前記診断部の診断結果を表示することを特徴とするものである。

更に、本発明は状態監視装置において、前記表示部は、センサの時系列データを表示し、前記入力部で入力された新しい診断モデルの前記状態分離条件に該当する部分を強調して表示することを特徴するものである。

更に、本発明は状態監視装置において、前記表示部は、前記入力部で入力された新しい診断モデルを反映した際の前記診断部の診断結果を表示することを特徴とするものである。

本発明によれば、機械のセンサデータの頻度分布（第１の分布）と、異常時の機械のセンサデータの頻度分布（第２の分布）を比較して表示することで、診断モデルの状態分離条件に相応しいセンサの候補を絞ることができるので機械の診断の精度を向上できる。

状態監視装置１００、機械１、管理者２、作業者３の間の情報の流れを表す概略図である。状態監視装置１００のブロック図である。状態監視装置１００の記憶部１２０の詳細図である。状態監視装置１００の診断部１３０の処理手順を示すフローチャートである。診断部１３０で出力される診断結果のデータフォーマットの具体例を示す図である。状態監視装置１００の第１分布作成部１４０の処理手順を示すフローチャートである。状態監視装置１００の第２分布作成部１５０の処理手順を示すフローチャートである。態監視装置１００の第１分布作成部１４０および第２分布作成部１５０の出力結果のデータフォーマットの具体例を示す図である。状態監視装置１００の優先順位計算部１６０の処理手順を示すフローチャートである。状態監視装置１００の優先順位計算部１６０の処理結果のデータフォーマットの具体例を示す図である。状態監視装置１００の表示部１７０の画面１の具体例を示す図である。状態監視装置１００の表示部１７０の画面２の具体例を示す図である。状態監視装置１００の表示部１７０の画面３の具体例を示す図である。状態監視装置１００の比較部１８０の処理手順を示すフローチャートである。状態監視装置１００の学習部２００の処理手順を示すフローチャートである。状態監視装置１００の優先順位計算部１６０の変形例の処理手順を示すフローチャートである。状態監視装置１００の優先順位計算部１６０の変形例で計算した第１確率分布と第２確率分布と累積誤差率の具体例を示す図である。状態監視装置１００の優先順位計算部１６０の変形例で計算した結果のデータフォーマットの具体例を示す図である。状態監視装置１００の表示部１７０の画面３の変形例の具体例を示す図である。自動車１０００と状態監視装置１００の関係を表す図である。建設機械２０００と状態監視装置１００の関係を表す図である。医療機器３０００と状態監視装置１００の関係を表す図である。

以下、本発明を機械の状態を監視する装置に適用した実施の形態例について、図面を用いて説明する。

図１は、監視対象となる機械１と状態監視装置１００と管理者２と作業者３の間の情報の流れを示す図である。

図１に示すように、状態監視装置１００は、有線または無線通信システム（図示せず）を介して機械１のセンサデータを定期的に集計している。機械１には、各種センサ（図示せず）が搭載されている。管理者２は、状態監視装置１００を使って、機械１から遠隔で機械の状態を監視している。さらに、管理者２は、状態監視装置１００が機械の異常を診断したとき、機械１の現場にいる作業者３に連絡して、機械１の保守作業を行うように指示する。

状態監視装置１００は、機械１の診断結果に関する情報を表示する画面を有しており、管理者２は、この画面を見ながら機械１の状態を監視する。管理者２は、例えば、特定の機械１の診断結果で異常が頻発する現象が起きている場合、診断モデルが適切に設定されているか否かをその画面を見て判断する。管理者２は、診断モデルが適切に設定されていないと判断したとき、状態監視装置１００の画面を介して、該当する機械１の診断モデルを再度設定し直す。そして、状態監視装置１００は、記憶されている診断モデルを、新たに設定した診断モデルに更新する。

次に、図２に本発明の実施の形態例に係る状態監視システムに用いられる状態監視装置１００の詳細構成を説明する。図２に示すように、状態監視装置１００は、主に収集部１１０、記憶部１２０、診断部１３０、第１分布作成部１４０、第２分布作成部１５０、優先順位計算部１６０、表示部１７０、比較部１８０、更新部１９０、及び学習部２００で構成される。
収集部１１０、診断部１３０、第１分布作成部１４０、第２分布作成部１５０、優先順位計算部１６０、比較部１８０、更新部１９０、及び学習部２００は、状態監視装置１００に搭載されているマイクロプロセッサや、ＲＡＭ、ＲＯＭ(図示せず)などによって実行されるソフトウェア処理手段である。記憶部１２０は、ハードディスク、フラッシュメモリ等の記録装置である。表示部１７０は、液晶ディスプレイなどの表示画面である。

収集部１１０は、機械１と有線または無線通信システム（図示せず）を介して接続され、機械１の各種センサのデータを収集し、記憶部１２０に書き込む。収集部１１０は、予め決められたタイミングでセンサデータを収集する。

記憶部１２０は、収集部１１０から提供される機械のセンサデータを格納するセンサテーブル（図３（ａ））、学習部２００から提供される診断モデルを格納する診断モデルテーブル（図３（ｂ））、及び診断を管理する管理テーブル（図３（ｃ））で構成される。以下、各テーブルの詳細について説明する。

図３（ａ）にセンサテーブルの詳細を示す。センサテーブルは、機械を識別するＩＤ（機械ＩＤ）毎に作られる。機械ＩＤとは、機械を識別するために状態監視装置１００内で定義されたユニークなＩＤ（例えば、００１、００２、００３・・・）である。図３（ａ）には、機械ＩＤ００１のセンサテーブルの例を示している。このセンサテーブルには、各種センサがデータを取得した時刻と、その時のセンサ毎の値が格納されている。
図３（ｂ）に診断モデルテーブルの詳細を示す。診断モデルテーブルは、診断モデルを識別するＩＤ（診断モデルＩＤ）毎に作られる。診断モデルＩＤとは、診断モデルを識別するために状態監視装置１００内で定義されたユニークなＩＤ（例えば、Ｍ００１、Ｍ００２、Ｍ００３・・・）である。図３（ｂ）に示した診断モデルテーブルは、診断モデルＩＤがＭ００１の診断モデルを示している。
診断モデルテーブルの使用センサの項目には、診断に使用されるセンサの名称が少なくとも１つ以上格納されている。診断モデルＭ００１には、使用センサとしてセンサＡ，センサＢ、センサＣが格納されている。診断モデルＭ００１の診断モデルは、複数のセンサデータを用いた多変量解析で「Ｋ平均法」を仮定している。Ｋ平均法は、多変量データを教示データなしで分類するデータ分類方法である。この手法を使用することで、それぞれの入力データを多変量空間における点とみなし、その各点のユークリッド距離の近さを基準としてデータのクラスタを見つけることができる。
診断モデルテーブルの状態分離条件の項目には、診断モデルの状態分離条件が格納されている。診断モデルＭ００１には、センサＤが１００以上という状態分離条件が格納されている。状態分離条件は、複数のセンサデータの条件で構成してもよい。また状態分離条件がない場合は、「設定なし」が格納される。

診断モデルテーブルの基準データの項目には、診断の基準となるデータが格納されている。診断モデルＭ００１は、センサＡ、センサＢ、センサＣのデータを「Ｋ平均法」でクラスタに分類する診断方式である。このとき基準データのdatafile0には、正常時のセンサＡ，センサＢ、センサＣの時系列データから予め計算したクラスタの情報が格納されている。この基準データは学習部２００から提供される。

診断モデルテーブルの判定条件の項目には、診断データと基準データを比較して異常と判定する判定条件が格納されている。診断モデルＭ００１は、診断データとクラスタとのユークリッド距離の条件が格納されており、ユークリッド距離が５以上の場合は、異常と判定する。

図３（ｂ）の診断モデルでは、複数センサを使った「Ｋ平均法」による診断方式を示したが、診断方式はこれに限るものではない。また複数センサではなく、１つのセンサデータと閾値を比較して、異常を判定するモデルでもよい。この場合、基準データの項目は空欄になり、判定条件の項目に閾値を使った判定条件が格納される。
図３（ｃ）に管理テーブルの詳細を示す。管理テーブルは、機械ＩＤ、学習期間、診断期間、診断モデルＩＤの項目で構成される。管理テーブルは、機械ＩＤと診断モデルＩＤ毎に作られる。管理テーブルを使うことで、機械と診断モデルの対応をとることができる。また診断部１３０で処理する診断期間や、学習部２００で処理する学習期間を、管理テーブルで参照できる。管理テーブルは、予め決められたタイミングで管理者２が見直す。
診断部１３０は、記憶部１２０に記憶されたデータを使って、機械毎、診断モデル毎に機械の異常診断を行う。
図４に診断部１３０の処理フローを示す。この処理フローは、予め決められたタイミングで実行される。
ステップＳ００１では、記憶部１２０の管理テーブルから、診断対象の機械ＩＤと診断モデルＩＤに該当する診断期間を取得する。次に、ステップＳ００２では、記憶部１２０の診断モデルテーブルから、診断対象の診断モデルＩＤに対応する使用センサと状態分離条件のセンサを取得する。次に、ステップＳ００３では、記憶部１２０のセンサテーブルから、診断対象の機械ＩＤで、ステップＳ００２で取得した使用センサと状態分離条件のセンサのデータを、ステップＳ００１で取得した診断期間分取得する。次に、ステップＳ００４では、記憶部１２０のセンサテーブルから診断対象の診断モデルＩＤの状態分離条件を取得し、ステップＳ００３で取得したセンサデータを使って状態分離する。具体的には、診断モデルＭ００１の場合、診断期間内（図３（ｃ）の管理テーブルの診断期間２０１２／２／２８００：００：００〜２０１２／２／２８２３：５９：５９）で状態分離条件であるセンサＤのデータが１００以上となる同時刻の使用センサＡ，Ｂ、Ｃのデータを抽出する。状態分離条件を満たさない使用センサのデータは削除、又は使用しない。
次に、ステップＳ００５では、記憶部１２０の診断モデルテーブルから、診断対象の診断モデルＩＤの基準データと判定条件を抽出し、診断方式に従って、機械の異常を判定する。次に、ステップＳ００６では、ステップＳ００５の結果を一時記憶領域に保存し、処理を終了する。
図５にステップＳ００５の一時記憶領域に記憶されているデータフォーマットを示す。図５は、診断対象の機械ＩＤ、診断モデルＩＤ毎に作られる。図５は、機械ＩＤ００１、診断モデルＩＤＭ００１の診断結果のデータフォーマットを示している。図５のデータフォーマットの中身は、診断対象の時刻と対応する判定結果（図５では判定と記載）と診断に使用したセンサデータ（センサＡ，センサＢ、センサＣ）で構成される。また判定結果とセンサデータは、時刻に対して１レコードで記憶される。また判定結果は、１、０、−１の３種類のデータで構成される。判定結果「１」は、ステップＳ００５で異常と判定した結果である。図５の判定結果「０」は、ステップＳ００５で正常と判定した結果である。図５の判定結果「−１」は、ステップＳ００４で状態分離され、ステップＳ００５に入力されていない時刻のデータであり、診断対象外を表している。また診断に使用したセンサデータ（図５では、センサＡ、センサＢ、センサＣ）は、ステップＳ００２で取得した記憶部１２０の診断モデルテーブルの使用センサデータをそのまま格納する。
以上、ステップＳ００１からＳ００６の処理は、記憶部１２０の管理テーブルの１レコード毎に繰り返し実行される。

第１分布作成部１４０は、機械毎、診断モデル毎に診断期間の全センサデータの頻度分布（第１頻度分布）と確率分布（第１確率分布）を作成する。
図６に第１分布作成部１４０の処理フローを示す。

ステップＳ２０１では、診断部１３０で出力した診断結果（図５に示したデータフォーマットは）から、診断結果が「１」（異常）、「０」（正常）の時刻を取得する。このとき診断結果が「―１」となる時刻は、診断対象外のため取得しない。
ステップＳ２０２ｓとステップＳ２０２ｅに挟まれたステップＳ２０３、ステップＳ２０４の処理は、記憶部１２０の診断対象の機械ＩＤのセンサテーブルに格納されている全てのセンサの処理が終わるまで繰り返す。
図６にすべてのセンサの処理を終了した処理フローを終了する。ステップＳ２０３では、ステップＳ２０２ｓで選択されたセンサで、ステップＳ２０１で取得した時刻のデータを記憶部１２０のセンサテーブルから取得し、予め各種センサの性能を考慮して決められた集計単位でセンサデータを集計する。
集計単位とは、センサデータを、決められた数で分割するための幅のことである。この集計単位毎にデータの度数を集計する。この集計結果が第１頻度分布である。また、集計単位毎に存在確率も計算する。この確率は、集計単位の頻度を、頻度の合計値で割ることで求められる。この計算結果が第２確率分布である。
ステップＳ２０４では、集計したデータを一時記憶領域に書き込む。
図８(a)にこのときのデータフォーマットの一例を示す。図８（ａ）のデータフォーマットは、機械ＩＤ、診断モデルＩＤ毎に作られ、第１分布だけでなく、第２分布の情報も書き込めるフォーマットになっている。図８（ａ）のセンサ名の項目には、集計したセンサ名が格納されている。このデータフォーマットには、記憶部１２０のセンサテーブルの全センサ分の第１分布と第２分布の情報が格納される。
そして、この図８（ａ）では、センサＭの集計結果が格納されている。集計幅の項目には、ステップＳ２０３で使用した集計単位の情報が格納されている。ここでは、センサＭの集計単位は５つ定義されている。それぞれの集計単位は、０以上１００未満、１００以上２００未満、２００以上３００未満、３００以上４００未満、４００以上である。第１分布の項目には、ステップＳ２０３で集計した第１頻度分布と第１確率分布の情報が格納されている。例えば、図８(a)の第１頻度分布におけるセンサＭの集計単位０以上１００未満の頻度１０は、センサＭの０以上１００未満であるデータが１０個あることを意味している。さらにこの確率は０．０１３（＝１０／７８０）である。

第２分布作成部１５０は、機械毎、診断モデル毎に診断期間で判定結果が「１」（異常）であった時刻の全センサデータの頻度分布（第２頻度分布）と確率分布（第２確率分布）を作成する。

図７に第２分布作成部１５０の処理フローを示す。

ステップＳ３０１では、診断部１３０で出力した診断結果（データフォーマットは図５に示した）から、診断結果が「１」（異常）の時刻を取得する。このとき診断結果が「―１」となる時刻は、診断対象外のため取得しない。ステップＳ３０２ｓとステップＳ３０２ｅに挟まれた、ステップＳ３０３、ステップＳ３０４の処理は、記憶部１２０のセンサテーブルの診断対象の機械ＩＤに該当する全てのセンサの処理が終わるまで繰り返し処理する。すべてのセンサの処理を終了したら、図７の処理フローを終了する。
ステップＳ３０３では、ステップＳ３０２ｓで選択されたセンサで、ステップＳ３０１で取得した時刻のデータを記憶部１２０のセンサテーブルから取得し、ステップＳ２０３で集計した第１分布の集計単位でセンサデータを集計する。この集計結果が第２頻度分布である。ステップＳ３０４では、集計したデータを一時記憶領域の第２分布の項目に書き込む。例えば、図８の第２頻度分布におけるセンサＭの集計単位０以上１００未満の頻度２０は、異常であった時刻の内、センサＭの０以上１００未満であるデータが２０個あることを意味している。さらにこの確率は０．６２５（＝２０／３２）である。第２頻度分布の頻度の総数は、第１頻度分布の総数よりも小さくなる。これは第２頻度分布が、異常であった時刻のセンサデータを集計しているためである。

図８（ｂ）に解説のために第１確率分布と第２確率分布を比較したグラフを示す。

図８（ｂ）は、機械ＩＤ００１、診断モデルＩＤＭ００１におけるセンサＭの集計結果であり、横軸に集計単位、縦軸に確率を表している。グラフ８ｂ１は、第１確率分布を表しており、グラフ８a２は第２確率分布を表している。

ステップＳ３０１で処理した診断結果が誤報であった場合、第２確率分布は、誤報の存在する確率を表している。誤報は、定常状態時に発報したものと過渡状態に発報したものに分けられるが、ここでは機械の過渡状態に誤報が集中していると仮定する。ここで定常状態と過渡状態を分離するために、全センサデータの第１確率分布と第２確率分布を考える。センサデータが過渡状態と関連なければ、第２確率分布は、第１確率分布と同じ形の分布になる。逆に、センサデータが、過渡状態と関連する場合は、第２確率分布と第１確率分布は異なる形の分布になる。この異なる度合いが高いほど、定常状態と過渡状態を分離するセンサ（状態分離条件のセンサ）として適している可能性が高い。図８（ｂ）は、第１分布と第２分布が異なる形状を示しているため、センサＭは、状態分離条件のセンサとして採用される可能性が高い。診断結果が誤報か否かの判定は、表示部１７０で管理者２が行う。

優先順位計算部１６０は、第１分布と第２分布の異なる度合いを適合度として計算し、適合度の大きい順にセンサに優先順位を付ける。この処理は、機械毎、診断モデル毎に実行される。

図９に優先順位計算部１６０の処理フローを示す。ステップＳ４０１ｓからステップＳ４０１ｅに挟まれたステップＳ４０２からＳ４０３を全センサについて繰り返し処理する。この全センサとは、図８（ａ）のデータフォーマットに格納されている全てのセンサである。ステップＳ４０２は、図８（ａ）のデータフォーマットの第１分布と第２分布の適合度を計算する。ｋ番目の集計単位の第１確率分布の確率をＰ１ｋ、第２確率分布の頻度をＥ２ｋとする。また第２頻度分布の和、つまり異常と判定した件数、をＭ（＝ΣＥ２ｋ）とする。異常件数Ｍを仮定した時の第１頻度分布のｋ番目の集計単位の頻度の期待値は、Ｅ１ｋ（＝Ｍ×Ｐ１ｋ）で表現できる。このＥ１ｋとＥ２ｋの差分を使って、以下の式で適合度Ｚを計算する。Σは全ての集計単位ｋの総和を表している。
Ｚ＝Σ（（Ｅ２ｋ−Ｅ１ｋ）^2 ／Ｅ１ｋ）

第１確率分布と第２確率分布が同じであるほど、適合度は０に近づき、異なるほど適合度は大きくなる。ステップＳ４０３では、計算した適合度を一時記憶領域のデータフォーマットに書き込む。

図１０にこのデータフォーマットの一例を示す。図１０のデータフォーマットの機械ＩＤおよび診断モデルＩＤの項目には、優先順位計算部１６０で計算の対象にした機械ＩＤと診断モデルＩＤを格納する。またセンサの項目には、ステップＳ４０１ｓで処理したセンサ名を格納する（ここではセンサＡからセンサＺまでとする）。また適合度の項目には、ステップＳ４０２で計算した適合度の値を格納する。また順位の項目は、ステップＳ４０４で処理した結果を格納する。ステップＳ４０４では、図１０のデータフォーマットの全てのセンサの適合度を参照し、大きな適合度の順に優先順位をつける。例えば、図１０の例では、センサＭの適合度が最も大きいため、優先順位は１となる。全てのセンサの順位をつけ終わったら処理を終了する。

表示部１７０は、管理者２に診断結果を表示する画面１、診断モデルを更新する画面２、診断モデルの更新で状態分離条件の設定を支援する画面３で構成される。
始めに表示部１７０の画面１の一例を説明する。画面１は、管理者２に診断結果を表示する画面である。また、管理者２が、機械の稼働情報や現場の情報から、診断結果に誤報が多いと判断したら、その誤報がある期間を入力し、診断モデル更新の画面２へ移動する。図１１に画面１の一例を示す。表示データ１１ａは、診断した期間、診断モデルＩＤ，機械ＩＤを表示している。図１１の例では、機械ＩＤ００１、診断モデルＩＤＭ００１を示している。また表示データ１１ｂは、図５のデータフォーマットに格納されている診断結果「１」の数をカウントした値を表示している。図１１の例では、異常件数は１００件である。トレンドデータ１１ｆは、図５のデータフォーマットに格納されている診断結果と、診断に使用した使用センサを表している。トレンドデータ１１ｆの最上位にあるグラフ１１ｆ１は、診断結果の１、０、―１を時間で表したグラフである。他のグラフ１１ｆ２は、使用センサのトレンドデータである。図１１の例では、センサＡ，センサＢ、センサＣのトレンドデータを表示している。トレンドデータ１１ｆ２の網かけの部分１１ｆ３は、状態分離条件で抽出された時間帯である。図１１の例では、状態分離条件がセンサＤのデータが１００以上と定義されているので、センサＤのデータが１００以上の時間帯を、診断した時間帯として強調して表示している。この網かけするか否かは、図５のデータフォーマットの同時刻の診断結果が０または１であるかどうかで判断する。診断結果が０または１であれば、診断対象の期間であるため、トレンドデータのグラフの対象の時間を網かけで強調して表示する。これにより管理者２は、診断対象の時間帯を視覚的に確認することができる。表示データ１１ｃは、管理者２が診断期間に誤報があると判断した時、その対象期間（誤報期間）を入力するボックスである。誤報期間を入力すると、ボタン１１ｅが表示される。図１１の表示データ１１ｃには、誤報期間として、２０１２／２／２８１０：００：００から２０１２／２／２８１１：００：００の期間が、管理者２から入力されている。診断モデルを更新したい場合はボタン１１ｅを押し、画面２に移動する。管理者が誤報はないと判断した場合、または、診断モデルを更新しない場合、診断結果の確認が終わった場合は、ボタン１１ｄを押して画面を閉じる。
図１２に画面２の一例を示す。画面２は、管理者２が診断モデルの更新を支援する画面である。画面２は上下段に分けられており、上段が更新前の診断モデル、下段が更新後の診断モデルを表している。表示データ１２ａは、診断部１３０で使用した記憶部１２０の診断モデルテーブルの診断モデルＩＤＭ００１の内容を表示している。一方、表示データ１２ｄは、更新後の診断モデルを表している。管理者２は、表示データ１２ｄを直接入力することができる。始めは、表示データ１２ａの診断モデルの内容をコピーし、表示データ１２ａを参照しながら、その中身を修正する。表示データ１２ｂは、画面１の入力した誤報期間の表示データ１１ｂの異常件数を誤報件数として表示する。表示データ１２ｃは、画面１の表示データ１１ｆを表示する。表示データ１２ｅは、更新した診断モデルの誤報件数を表示する。この表示データ１２ｅの表示の更新は表示データ１２ｈのボタンを押した際に行う。具体的には、更新した診断モデル（表示データ１２ｄに表示もの）の情報を比較部１８０に入力することで、更新した診断モデルの誤報件数を表示する。図１２の更新した診断モデルは、更新前の診断モデルの状態分離条件に、センサＭのデータが１００以上であるという条件を追加したものである。さらに対応した診断結果及び使用センサのトレンドをトレンドデータ１２ｆで表示する。このトレンドデータ１２ｆも画面１のトレンドデータ１１ｆと同様に、状態分離の時間帯を強調して表示する。トレンドデータ１２ｆは、センサＤのデータが１００以上かつセンサＭのデータが１００以上となる時間帯を強調して表示している。ボタン１２ｇを押すと、画面３を表示する。ボタン１２ｉを押すと、更新した診断モデルが新しい診断モデルとして確定される。確定した新しい診断モデルの情報は、更新部１９０へ提供される。以上のように画面２では、更新前の診断モデルを参照しながら、診断モデルの更新作業を行うことができる。

図１３に画面３の一例を示す。画面３は状態分離条件の設定を支援する画面である。表示データ１３ａは、図１０のデータフォーマットのセンサデータを優先順位の大きい順にセンサのリストを示している。適合度の大きさを星で表すことで、状態分離条件のセンサの候補を視覚的に表示できる。

図１３では、センサＭの適合度が最大のセンサであるため、表示データ１３ａの先頭にセンサＭが表示されている。表示データ１３ｂは、センサの第１分布と第２分布の比較画面１３ｃを表示するボタンである。図１３では、センサＭのボタン１３ｂが押された状況を表しているため、比較画面１３ｃはセンサＭの比較状態を示す。この分布は、図８（ａ）のデータフォーマットの第１確率分布と第２確率分布の項目を使って表示する。表示データ１３ｄは、状態分離条件を入力するウィンドウである。これは、管理者２が表示データ１３ａ、１３ｃを確認しながら、手入力で入力する。図１３では、管理者２がセンサＭのデータ１００以上の条件を入力した状況を表している。ボタン１３ｅを押すと、入力した状態分離条件を画面２の表示データ１２ｄの更新後の診断モデルに反映し、画面２に戻る。ここでは、センサＭのデータが１００以上の条件が、状態分離条件として追加される。ボタン１３ｆは、キャンセルを意味し、なにもせずに画面２に戻る機能を備える。
比較部１８０は、画面２の更新前と更新後の診断モデルの誤報件数を比較するために、更新後の診断モデルの誤報件数を計算する。
図１４に比較部の処理フローを示す。ステップＳ５０１は、更新後の診断モデルの情報を学習部２００に提供し、診断モデルの基準データを計算する。詳細は後述する。ステップＳ５０２は、ステップＳ５０１で計算した基準データと更新後の診断モデルを使って、診断部１３０で診断する。診断した結果は、図５のデータフォーマットと同じ形式で一時記憶領域に保存し、表示部１７０の画面２に提供する。
更新部１９０は、画面２から受け取った新しい診断モデルと、学習部２００を使って、診断モデルの新しい基準データを作成し、記憶部１２０の診断モデルテーブルの該当する診断モデルＩＤの診断モデルの使用センサ、状態分条件、判定条件および基準データを上書きする機能を備える。
学習部２００は、比較部１８０または更新部１９０から取得した新しい診断モデルの基準データを作る。比較部１８０から取得した場合は、比較部１８０に基準データを提供する。また、更新部１９０から取得した場合は、更新部１９０に基準データを提供する。
図１５に学習部２００の処理フローを示す。ステップＳ６０１は、対象新モデルの記憶部１２０の管理テーブルの学習期間を取得する。次に、ステップＳ６０２は、新しい診断モデルの使用センサのセンサデータでかつ、ステップＳ６０１で取得した学習期間のデータを、記憶部１２０の対象の機械ＩＤのセンサテーブルから取得する。次に、ステップＳ６０３では、新しい診断モデルの状態分離を実施する。この処理は、図４のステップＳ００４と同様に、診断分離条件のセンサと条件を使って、条件を満たす同時刻の使用センサのデータを抽出する。次にステップＳ６０４では、採用している診断方式に基づいて、基準データを計算し、比較部１８０または更新部１９０へ提供する。

記述した優先順位計算部１６０では、第１分布と第２分布の各集計単位の累積誤差率を用いることで、状態分離条件のセンサと条件を取得することも可能である。これにより、センサの条件を画面３で管理者２が直接手入力で設定する必要がなく、優先順位計算部１６０で取得した状態分離のためのセンサとその条件の候補を表示し、管理者２が選択することで、管理者２の専門知識への依存度をさらに軽減できる。

図１６に優先順位１６０の処理フローを示す。ステップＳ７０１ｓとＳ７０１ｅに挟まれるステップＳ７０２からＳ７０５は、記憶部１２０のセンサテーブルに含まれる対象機械のセンサについて処理を実行する。全てのセンサの処理を終了したら、ステップＳ７０６に進む。ステップＳ７０２は、図９のステップＳ４０２と同じ手法で適合度を計算する。次にステップＳ７０３は、センサの値の低い順に累積誤差率を計算する。具体的には、これは、ステップ７０２で求めた適合度を基準とした累積誤差を計算する。ｋ番目の集計単位の累積誤差率Ｒｋは、以下の式で求められる。
Ｒｋ＝Σ（（Ｅ２ｋ−Ｅ１ｋ）^2 ／Ｅ１ｋ）／Ｚ
Σは１番目からｋ番目までの和をとる。これは１番目からｋ番目までの集計単位の適合度の和をステップＳ７０２で求めた適合度で割った値である。図１７に累積誤差率を反映した第１確率分布と第２確率分布の例（機械００１、診断モデルＭ００１のセンサＭ）を示す。グラフ１７ａは、第１確率分布であり、グラフ１７ｂは、第２確率布であり、グラフ１７ｃが累積誤差率である。この累積誤差率のグラフから、第１確率分布と第２確率分布の差が出やすいセンサ値を推測できる。次にステップＳ７０４は、ここではセンサの信頼性から予め設定した累積誤差率の閾値、例えば０．９を使い、累積誤差率が０．９を超える集計単位に対応する値を状態分離条件として抽出する。境界線１７ｄは、累積誤差率０．９の境界を示し、この累積誤差率０．９に対応するセンサ値１７ｅが状態分離条件の閾値（ここではセンサＭのデータが１００以上）として採用される。表１７ｆは、累積誤差率のグラフの元データであり、累積誤差率が格納されている。次にステップＳ７０５は、ステップＳ７０２からＳ７０４までの結果を一時記憶領域に書き込む。
図１８にこのとき書き込むデータフォーマットの一例を示す。図１８のデータフォーマットは、図１０のデータフォーマットと比較して、ステップＳ７０４で抽出した状態分離条件の項目が追加されている。ステップＳ７０６では、図１８のデータフォーマットの適合度の項目に従って、優先順位を付ける。この処理は、図９のステップＳ４０４と同じ処理である。

図１９にさらにこの優先順位計算部１６０を使った表示部１７０の画面３の一例を示す。
図１３の画面３の例と異なる点は、表示データ１９ａ（図１３の１３ａに相当）として、優先順位計算部１６０で求めた状態分離条件の閾値を表示することである。また、管理者２は、センサのリスト１９ａから、最適と考えられる状態分離用のセンサと条件を選択する。このセンサを選択すると、状態分離条件の入力画面１９ｄ（図１３の１３ｄに相当。）に選択した状態分離用のセンサ名と条件がそのまま反映される。
図１９では、センサＭが選択された状況を表している。このため１９ｄには、センサＭのデータが１００以上であるという条件が自動で入力される。また各センサのボタン１９ｂを押すと、グラフの１９ｃが表示される。グラフ１９ｃは、累積寄与率も付加した前述の図１７で示したグラフである。図１９のボタン１９ｅ、１９ｆは、図１３のボタン１３ｅ、１３ｆと同じ機能である。

以上説明したように、各実施の形態例によれば、次の作用効果を奏する。即ち、状態監視装置１００は、機械のセンサデータの頻度分布（第１の分布）と、異常時の機械のセンサデータの頻度分布（第２の分布）を比較して表示することで、状態分離条件に相応しいセンサの候補を絞ることができるので、機械の専門知識への依存度を軽減して、診断の精度を向上できる。

なお、上記した実施形態例は、本発明の説明のための例示であり、本発明の範囲をそれらの実施形態例にのみ限定する趣旨ではない。当業者は、本発明の要旨を逸脱することなしに、他の様々な態様で本発明を実施することができる。

実施形態例の変形例として、機械１として自動車１０００を想定する。図２０は、自動車のCANネットワークと状態監視装置１０００の概要を示している。CANとは、コントローラー・エリア・ネットワークのことであり、機械の内部で、電子回路や各装置を接続するためのネットワーク規格である。CANネットワークには、ネットワークに接続されている機器の制御情報及びセンサデータの情報が流れている。
図２０の自動車１０００のCANネットワーク１００１には、エンジン１００２、ＡＢＳ１００３、制御コントローラ１００４、データ収集部１００５が接続されている。ここでは図示しないが、実際に自動車のCANネットワークには、多くの機器と制御コントローラが接続されている。
エンジン１００２は、エンジンに取り付けられたセンサの情報をCANネットワークを介して、制御コントローラ１００４に送信する。
ＡＢＳ１００３は、アンチロックブレーキシステムであり、制御コントローラ１００４からCANネットワークを介して、アンチロックブレーキシステムを作動させる指令を受けた時に、アンチロックブレーキシステムを作動させる。
制御コントローラ１００４は、他の機器からのセンサデータや、図示しない他の制御コントローラからの制御情報を受信する。自動車は、複数の制御コントローラによって制御されている。
データ収集部１００５は、CANネットワーク１００１に流れている制御情報やセンサデータの情報を決まったタイミングで収集し、一定期間データを蓄積する。収集したデータは、データ送信部１００６を介して、状態監視装置１００に送信される。データ送信部１００６と状態監視装置１００の収集部１１０は有線または無線通信システム（図示せず）を介して接続されている。
エンジンの故障を診断する事例を考えた時、図３（ｂ）診断モデルテーブルの使用センサは、エンジン回転数センサ（センサＡに相当）、エンジン排気温度センサ（センサＢに相当）、燃料消費量センサ（センサＣに相当）である。また状態分離条件のセンサは、エンジンオイル温度センサ（センサＤに相当）やエンジンの冷却水温度センサ（図１２の更新後の診断モデルのセンサＭに相当）である。

なお、上記した実施形態例の変形例は、本発明の説明のための例示であり、本発明の範囲を自動車のエンジンの状態監視にのみ限定する趣旨ではない。

実施形態例の変形例として、機械１に油圧ポンプを使う機械（例えば、建設機械）を想定する。図２１は、建設機械２０００と状態監視装置１００の概要を示している。建設機械２０００は、油圧ポンプシステム２００１、操作部２００２、データ収集部２００３、データ送信部２００４を搭載している。各機器は、有線のネットワークで接続されている。建設機械２０００は、油圧ポンプシステム２００１、操作部２００２以外にも、図示しない複数の機器で構成されている。

油圧ポンプシステム２００１は、操作部２００２から入力される指令値に従って制御されている。また油圧ポンプシステム２００１は、定期的に油圧ポンプシステム２００１に取り付けられたセンサの情報をデータ収集部２００３に送信する。具体的なセンサの情報は、ポンプ圧力値や、ポンプ内部の油の温度である。

操作部２００２は、建設機械２０００のオペレータの入力された情報を指令値に変換して、各機器に送信する。

データ収集部２００３は、建設機械２０００に搭載されている機器の情報を決まったタイミングで収集し、一定期間データを蓄積する。収集したデータは、データ送信部２００４を介して、状態監視装置１００に送信される。データ送信部２００４と状態監視装置１００の収集部１１０は有線または無線通信システム（図示せず）を介して接続されている。
複数の油圧ポンプを有する油圧ポンプシステムの故障を診断する事例を考えた時、図３（ｂ）診断モデルテーブルの使用センサは、第１の油圧ポンプの圧力値センサ（センサＡに相当）、第２の油圧ポンプの圧力値センサ（センサＢに相当）、第３の油圧ポンプの圧力値センサ（センサＣに相当）である。また状態分離条件のセンサは、油圧ポンプの油の温度センサ（センサＤに相当）、操作部２００２の油圧ポンプを作動させる指令値（図１２の更新後の診断モデルのセンサＭに相当）である。

なお、上記した実施形態例の変形例は、本発明の説明のための例示であり、本発明の範囲を油圧ポンプシステムの状態監視にのみ限定する趣旨ではない。

実施形態例の変形例として、機械１に医療機器３０００を想定する。図２２は、医療機器３０００と状態監視装置１００の概要を示している。ここでの医療機器３０００として、例えばＭＲＩ装置が対象となる。ＭＲＩ装置とは、人体に磁気を当てて画像を撮像する装置である。

医療機器３０００は、磁気発生部３００１、操作部３００２、データ収集部３００３、データ送信部３００４を搭載している。各機器は、有線のネットワークで接続されている。医療機器３０００は、磁気発生部３００１、操作部３００２以外にも、図示しない複数の機器で構成されている。

磁気発生部３００１は、操作部３００２から入力される指令値に従って制御されている。また磁気発生部３００１は、磁気の大きさを測定するセンサや、磁気発生部の振動を測定する振動センサが搭載されている。磁気発生部３００１は、センサの情報をデータ収集部３００３に送信する。

操作部３００２は、医療機器３０００のオペレータの入力された情報を指令値に変換して、各機器に送信する。

データ収集部３００３は、医療機器３０００に搭載されている機器の情報を決まったタイミングで収集し、一定期間データを蓄積する。収集したデータは、データ送信部３００４を介して、状態監視装置１００に送信される。データ送信部３００４と状態監視装置１００の収集部１１０は有線または無線通信システム（図示せず）を介して接続されている。
医療機器３０００の故障を診断する事例を考えた時、図３（ｂ）診断モデルテーブルの使用センサは、磁気の大きさを検出する磁気センサ（センサＡに相当）、測定した振動の振幅値を検出する振動センサ（センサＢに相当）、測定した振動データの特定周波数帯の強度を求める特定周波数帯を検出する振動センサ（センサＣに相当）である。また状態分離条件のセンサは、磁気の大きさを検出する磁気センサ（センサＤに相当）、操作部２００２の医療機器３０００を作動させる指令値（図１２の更新後の診断モデルのセンサＭに相当）である。

なお、上記した実施形態例の変形例は、本発明の説明のための例示であり、本発明の範囲を医療機器の状態監視にのみ限定する趣旨ではない。

本発明によれば、機械のセンサデータの頻度分布（第１の分布）と、異常時の機械のセンサデータの頻度分布（第２の分布）を比較して表示することで、診断モデルの状態分離条件に相応しいセンサの候補を絞ることができるので、一般的な機械の診断の精度を向上することを実現できる。

１機械
２管理者
３作業者
１００状態監視装置
１１０収集部
１２０記憶部
１３０診断部
１４０第１分布作成部
１５０第２分布作成部
１６０優先順位計算部
１７０表示部
１８０比較部
１９０更新部
２００学習部
１０００自動車
１００１ＣＡＮネットワーク
１００２エンジン
１００３ＡＢＳ
１００４制御コントローラ
１００５データ収集部
１００５データ送信部
２０００建設機械
２００１油圧ポンプシステム
２００２操作部
２００３データ収集部
２００４データ送信部
３０００医療機器
３００２操作部
３００３データ収集部
３００４データ送信部

Claims

複数のセンサで取得した機械の稼働データに基づいて機械の異常を診断する状態監視装置であって、
前記状態監視装置は、機械の複数のセンサデータを収集するデータ収集部と、
前記センサデータと、機械の異常を診断する条件である診断モデルを記憶するデータ記憶部から、
予め設定した時間のセンサデータ群を取得し、前記診断モデルを使って、診断機械の異常を診断する診断部と、
前記センサデータ群からセンサ毎にデータの頻度を予めセンサの性能から設定したビン数または幅で集計した第１の分布を作成する第１分布作成部と、
前記診断部で異常と診断された時刻のセンサデータを前記センサデータ群から抽出し、センサ毎に抽出したデータの頻度を、前記第１の分布と同じビン数または幅を使って集計した第２の分布を作成する第２分布作成部と、
センサ毎に前記第１の分布と前記第２の分布を画面に表示する表示部と、
ユーザーが新しい診断モデルを入力する入力部と、
前記新しい診断モデルを前記データ記憶部に書き込む更新部を、備えたことを特徴とする状態監視装置。
請求項１において、
前記診断モデルは、診断に使用するセンサ群と、使用する診断アルゴリズムと、診断対象の機械の状態を抽出するセンサデータと前記センサデータの閾値の条件から構成される状態分離条件と、診断アルゴリズムで計算できる異常の度合いを表す指標の閾値である判定条件で構成されることを特徴とする状態監視装置。
請求項２において、
前記状態監視装置は、前記第１の分布と前記第２の分布の異なる度合いをセンサ毎に計算し、前記異なる度合いの大きい順でセンサに優先順位を付ける表示前処理部を備え、前記表示部では、前記優先順位でセンサ名または前記第１の分布と第２の分布を表示することを特徴とする状態監視装置。
請求項３において、
表示前処理部は、前記第１の分布と前記第２の分布のビン毎の誤差を計算し、ビンに対応する値の低い順または大きい順から累積誤差率を計算し、前記表示部では、前記第１の分布と前記第２の分布とともに累積誤差率を表示することを特徴とする状態監視装置。
請求項３において、
表示前処理部は、前記第１の分布と前記第２の分布のビン毎の誤差を計算し、ビンに対応する値の低い順または大きい順から累積誤差率を計算し、前記累積誤差率を予めセンサの性能から設定される条件と比較し、前記条件に該当するビンに対応する値を使って、新しい診断モデルの前記状態分離条件を設定し、前記状態分離条件を前記表示部で表示することを特徴とする状態監視装置。
請求項５において、
表示部は、センサの時系列データを表示し、前記表示前処理部で計算した前記状態分離条件に該当する部分を強調して表示することを特徴する状態監視装置。
請求項５において、
表示部は、前記表示前処理部した前記状態分離条件を新しい診断モデルとして反映した際の前記診断部の診断結果を表示することを特徴とする状態監視装置。
請求項２において、
表示部は、センサの時系列データを表示し、前記入力部で入力された新しい診断モデルの前記状態分離条件に該当する部分を強調して表示することを特徴する状態監視装置。
請求項２において、
表示部は、前記入力部で入力された新しい診断モデルを反映した際の前記診断部の診断結果を表示することを特徴とする状態監視装置。