JP6398383B2

JP6398383B2 - 異常診断装置

Info

Publication number: JP6398383B2
Application number: JP2014135819A
Authority: JP
Inventors: ニコラシュミット
Original assignee: IHI Corp
Current assignee: IHI Corp
Priority date: 2014-07-01
Filing date: 2014-07-01
Publication date: 2018-10-03
Anticipated expiration: 2034-07-01
Also published as: JP2016014961A

Description

本発明は、スパース構造学習を利用して異常を診断する異常診断装置に関する。

近年、異常の診断にＭＴシステムの一種であるＭＴ法（マハラノビス・タグチ法）の利用が普及している。ＭＴ法は、診断対象のデータと正常データとの分布を比較し、その関連性から、診断対象のデータにおける異常を検出することができる（例えば、非特許文献１参照）。このＭＴ法は、新しく取得したデータから瞬時に異常を検出することができる特徴がある。

しかしながら、ＭＴ法で検出されにくい異常もある。例えば、センサが取り付け箇所から外れかけている等、正常時と比較してセンサ値の平均値は変わらないが分散が小さくなるような異常が発生した場合、ＭＴ法の異常診断で通常、異常の場合に大きくなるマハラノビス距離は大きくならず、ＭＴ法での検出が難しい。具体的には、ガスタービンのケースに設置される振動センサがケースから外れた場合、センサ値の平均値は変化せず、分散が小さくなる。このように、理論上で分散が小さくなる異常は、ＭＴ法で検出することが困難である。

このような異常の診断に、スパース構造学習を利用することができる。スパース構造学習は、正常データの確率分布と診断対象のデータの確率分布とを比較し、各センサの測定値等の変数の異常度をＫＬ距離（期待Kullback-Leibler距離）を用いて評価し、異常を診断する方法である（例えば、非特許文献２参照）。

このスパース構造学習では、正常データの平均値と診断対象のデータの平均値がそれぞれ０に標準化されていると仮定されている。スパース構造学習で使用するＫＬ距離は、変数の分散の変化と変数間との相関関係を図るものであるが、非特許文献２で示されているように一般的な方法では、変数の平均値の変化を考慮しない。したがって、ＫＬ距離に表れる正常データの確率分布と診断対象のデータの確率分布とは変化しないが、変数の平均値のみが変化する異常については検出することができない。

立林、手島、長谷川、「入門ＭＴシステム」、日科技連出版社、2008年、43−44頁井手剛、「疎な相関グラフの学習による相関異常の検出」、京都: 第9回データマイニングと統計数理研究会、2009年、SIG-DMSM-A803.

上述したように、従来の方法では、スパース構造学習を利用しても、変数の平均値のみが変化する異常を検出することができなかった。

上記課題に鑑み、本発明は、スパース構造学習を利用した異常診断において、異常検出の精度を向上させることを目的とする。

上記目的を達成するために、第１の発明は、診断対象を特定する複数のパラメータ値を入力し、各パラメータ値について異常を診断する異常診断装置であって、第１式により第１ＫＬ距離を算出し、第２式により第２ＫＬ距離を算出し、第３式により第３ＫＬ距離を算出し、第４式により第４ＫＬ距離を算出する算出手段と、
前記算出手段により求められた第１ＫＬ距離、第２ＫＬ距離、第３ＫＬ距離及び第４ＫＬ距離の和が予め定められる閾値以上であるとき診断対象に異常が発生したと判定する判定手段とを備える。

第２の発明は、前記判定手段で異常が発生したと判定されると、第１乃至第４ＫＬ距離毎にそれぞれ平均値を求めるとともに、求めたＫＬ距離の平均値と各パラメータ値のＫＬ距離との差を求め、平均値との差が最も大きくなるＫＬ距離が第１ＫＬ距離又は第２ＫＬ距離であるとき相関異常と特定し、平均値との差が最も大きくなるＫＬ距離が第３ＫＬ距離であるとき分布異常と特定し、平均値との差が最も大きくなるＫＬ距離が第４ＫＬ距離であるとき平均値異常と特定する特定手段を備える。

本発明によれば、スパース構造学習を利用した異常診断において、異常検出の精度を向上させることができる。

図１は、実施形態に係る異常診断装置を説明するブロック図である。図２は、各パラメータのＫＬ距離のグラフである。

〈スパース構造学習〉
まず、以下に、一般的なスパース構造学習を利用した異常診断の方法を説明する。

上述した式（１−４）で求めた値d_i ^ABが所定の閾値以上になったとき、診断対象で異常が発生したと判定することができる。また、値d_i ^ABが所定の閾値以上になったとき、式（２−１）〜式（２−３）の各値を利用して、異常の原因を特定することができる。ここで、式（２−１）及び式（２−２）を相関異常を特定する相関異常特定式とし、式（２−３）を分布異常を特定する分布異常特定式とする。

具体的には、いずれかのパラメータの式（２−１）の値（第１ＫＬ距離）が、全てのパラメータの第１ＫＬ距離の平均値と比較して所定の割合以上大きいとき、このパラメータは貢献度が大きいとし、このパラメータに相関異常が発生していると特定することができる。また、いずれかのパラメータの式（２−２）の値（第２ＫＬ距離）が、全てのパラメータの第２ＫＬ距離の平均値と比較して所定の割合以上大きいとき、このパラメータに相関異常が発生していると特定することができる。

一方、いずれかのパラメータの式（２−３）の値（第３ＫＬ距離）が、全てのパラメータの第３ＫＬ距離の平均値と比較して、所定の割合以上大きいとき、このパラメータに分布異常が発生していると特定することができる。

〈異常診断装置〉
以下に、図面を用いて本発明の実施形態に係る異常診断装置について説明する。実施形態に係る異常診断装置は、スパース構造学習を利用して、多数のセンサによって各パラメータ値が測定されるガスタービン、真空炉、航空エンジン等を診断対象として異常を診断するものである。

図１に示すように、実施形態に係る異常診断装置１は、ＣＰＵ１０、記憶装置２０、操作の入力等に利用される入力装置３０及び処理結果等の出力に利用される出力装置４０等を備える情報処理装置である。

異常診断装置１は、記憶装置２０に記憶される異常診断プログラムＰが実行されることで、図１に示すように、ＣＰＵ２０が複数のＫＬ距離を算出するＫＬ距離算出手段１１と、複数のＫＬ距離から相違度を算出する相違度算出手段１２と、相違度を用いて異常の有無を判定する判定手段１３と、異常が判定されると、異常の原因を特定する特定手段１４として処理を実行する。

記憶装置２０は、異常診断プログラムＰの他、各パラメータの正常時の値である正常データＡ、各パラメータの診断対象の期間の値である診断データＢ、診断結果に関する結果データＣを記憶する。

ＫＬ距離算出手段１１は、各パラメータについて、相関異常特定式を利用して相関異常を特定する相関異常特定値（第１ＫＬ距離及び第２ＫＬ距離）を求め、分布異常特定式を利用して分布異常特定値（第３ＫＬ距離）を求め、平均値異常特定式を利用して平均値異常特定値（第４ＫＬ距離）を求める。相関異常特定式は、上述した式（２−１）及び式（２−２）である。また、分布異常特定式は、上述した式（２−３）である。さらに、平均値異常特定式は、式（２−４）である。

相違度算出手段１２は、ＫＬ距離算出手段１１が算出した第１ＫＬ距離乃至第４ＫＬ距離の和を相違度d_i ^ABとして求める。

相違度算出手段１２による相違度の算出について、以下の式（３−２）で説明する。

判定手段１３は、相違度算出手段１２で算出された相違度を、所定の閾値と比較し、相違度が閾値以上であるとき、診断対象において異常が発生したと判定する。

特定手段１４は、判定手段１３で異常が発生したと判定されると、その原因を特定する。また、特定した結果を出力装置４０に出力するとともに、結果データＣとして記憶装置２０に記憶させる。

具体的には、特定手段１４は、第１乃至第４ＫＬ距離について、ＫＬ距離毎に、各パラメータについて求めたＫＬ距離と、全てのパラメータのＫＬ距離の平均値との差を求める。また、特定手段１４は、第１ＫＬ距離又は第２ＫＬ距離について、いずれかのパラメータのＫＬ距離と平均値との差が最も大きくなるとき、当該パラメータについて相関異常が発生していると判定する。さらに、特定手段１４は、第３ＫＬ距離について、いずれかのパラメータのＫＬ距離と平均値との差が最も大きくなるとき、当該パラメータについて分布異常が発生していると判定する。また、特定手段１４は、第４ＫＬ距離について、いずれかのパラメータのＫＬ距離と平均値との差が最も大きくなるとき、当該パラメータについて平均値異常が発生していると判定する。

図２は、各パラメータのＫＬ距離のグラフである。図２において、縦軸はＫＬ距離であり、横軸はパラメータの値を計測したセンサの番号である。具体的には、図２（ａ）が第１ＫＬ距離、図２（ｂ）が第２ＫＬ距離、図２（ｃ）が第３ＫＬ距離、図２（ｄ）が第４ＫＬ距離のグラフである。図２は、センサ１０６の第４ＫＬ距離（図２（ｄ））の貢献度が大きく、異常が検出される一例である。したがって、図２に示す例では、判定手段１３は、平均値異常が発生したと判定する。

上述したように、実施形態に係る異常診断装置１では、スパース構造学習に平均値異常特定式を組み合わせることにより、相関異常及び分布異常に加え、平均値異常を検出することができる。したがって、スパース構造学習では検出することができない変数の平均値のみが変化する異常を検出することができる。

〈平均値異常特定式及び相違度算出式の導き方〉

以上、実施形態を用いて本発明を詳細に説明したが、本発明は本明細書中に説明した実施形態に限定されるものではない。本発明の範囲は、特許請求の範囲の記載及び特許請求の範囲の記載と均等の範囲により決定されるものである。

１異常診断装置
１１ＫＬ距離算出手段
１２相違度算出手段
１３判定手段
１４特定手段
２０記憶装置
３０入力装置
４０出力装置
Ａ正常データ
Ｂ診断データ
Ｃ結果データ
Ｐ異常診断プログラム

Claims

診断対象を特定する複数のパラメータ値を入力し、各パラメータ値について異常を診断する異常診断装置であって、
第１式により第１ＫＬ距離を算出し、第２式により第２ＫＬ距離を算出し、第３式により第３ＫＬ距離を算出し、第４式により第４ＫＬ距離を算出する算出手段と、
前記算出手段により求められた第１ＫＬ距離、第２ＫＬ距離、第３ＫＬ距離及び第４ＫＬ距離の和が予め定められる閾値以上であるとき診断対象に異常が発生したと判定する判定手段と、
前記判定手段で異常が発生したと判定されると、第１乃至第４ＫＬ距離毎にそれぞれ平均値を求めるとともに、求めたＫＬ距離の平均値と各パラメータ値のＫＬ距離との差を求め、平均値との差が最も大きくなるＫＬ距離が第１ＫＬ距離又は第２ＫＬ距離であるとき相関異常と特定し、平均値との差が最も大きくなるＫＬ距離が第３ＫＬ距離であるとき分布異常と特定し、平均値との差が最も大きくなるＫＬ距離が第４ＫＬ距離であるとき平均値異常と特定する特定手段と、
を備えることを特徴とする異常診断装置。