JP6411769B2

JP6411769B2 - 状態監視装置

Info

Publication number: JP6411769B2
Application number: JP2014082425A
Authority: JP
Inventors: 智昭蛭田; 内田　貴之; 貴之内田; 晋也湯田; 藤城　孝宏; 孝宏藤城
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 2014-04-14
Filing date: 2014-04-14
Publication date: 2018-10-24
Anticipated expiration: 2034-04-14
Also published as: JP2015203936A; WO2015159577A1

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、タービン機械システム及びこれに類するものに対する統一品質評価を作成し、自動故障診断ツールを提供するための方法が開示されている。この内容は「コンピュータで実施されるプロセスは、機械ユニットシグネチャ、機械サイトシグネチャ、及び機械フリートシグネチャを作成して追跡し、種々の動作事象を評定し、故障検出を提供する。動作事象中に機械システムから収集されたセンサデータは、周囲条件及び燃料品質によって引き起こされるデータのばらつきを補正又は低減するよう変換される。変換データは、統計的方法を使用して分析されて動作事象が予想通常動作に一致するかを判定する。この情報は、事象の単一の総合品質評価を作成するために使用される。経時的に動作事象評価をセーブし、追跡し、更に更新することによって、機械／構成要素の劣化が任意の早期の段階で認識する」という技術内容である。

特開２００５−３３９５５８号公報

機械の異常を検知するモデルを考える。（特許文献１）には、周囲条件及び燃料品質によって引き起こされるデータのばらつきを補正するモデルのパラメータと診断の閾値を機械単独に設定する手法が記載されている。つまり更新の対象項目がパラメータと閾値に固定されている。しかし、診断の精度を向上させるための方法は、パラメータと閾値を設定することだけではない。例えば、新しい故障を検知するためのモデルを追加する場合は、機械のセンサ群の中から、使用するセンサを選択しなければならない。さらに他の機械に既存のモデルを適用する場合は、既存のモデルを共通で使用する項目と、機械の個体差を無くすために個別に設定する項目に分けて設定する必要がある。以上のように、モデルの追加および更新作業を行う理由に応じて、モデルの更新対象の項目は変化する。（特許文献１）のように、モデルの更新対象項目が固定されていると、モデルの更新作業は、固有の機械に特化したモデルの診断精度向上を目的としたものになり、用途が限定されてしまう。また、モデルを自由に更新する場合は、ユーザー自身がモデルの更新対象項目を判断しなければならず、モデルの更新に工数がかかってしまう。

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、ユーザーの診断モデルの追加および更新作業をサポートしながら、高精度な診断モデルを作成する工数を削減できる状態監視装置を提供することである。

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センサデータと、機械の異常を判断する条件である診断モデルに基づいて機械の異常を診断し、機械の状態を表示する状態監視装置であって、前記診断モデルを追加または更新する際に起動されるトリガ入力部と、複数の機械の前記診断モデルを記憶する記憶部と、前記トリガ入力部から入力された診断モデル更新および追加の理由の選択結果、元の診断モデル、新しく追加する診断モデルに基づいて類似事例を前記記憶部から検索する検索部と、前記検索部で検索した診断モデル、変更テーブルと候補診断モデルを記憶する一時記憶部と、前記一時記憶部の変更テーブルを反映した診断モデルと前記候補診断モデルを表示する表示部と、前記表示部を閲覧しながら、追加または更新対象の診断モデルの変更部をユーザーが入力し、前記一時記憶部の候補診断モデルを選択する入力部と、前記候補診断モデルが反映された新しい診断モデルを検証する評価部と、前記評価部の結果に基づいて、前記一時記憶部の新しい診断モデルを前記記憶部に書き込む更新部を備えることを特徴とする。

更に、本発明の状態監視装置において、前記診断モデルは、診断モデルＩＤを備えたヘッダ情報、センサ情報、アルゴリズム情報、及び前記アルゴリズムの前後に適用する前処理情報と後処理情報を備えたモデル情報、前記モデル情報に記載された診断モデルを使って検証した結果を表す検証結果情報を備えたことを特徴とする。

更に、本発明の状態監視装置において、前記一時記憶部に記憶されている類似の診断モデルから診断モデルの変更部の優先順位をつけ、前記一時記憶部に格納されている変更テーブルに反映する変更部分決定部を備えることを特徴とする。

更に、本発明の状態監視装置において、前記一時記憶部に記憶している変更テーブルの情報を使って、類似の診断モデルの変更部の情報を組み合わせて、診断モデルの候補を作成する候補生成部を備えることを特徴とする。

本発明によれば、過去の作成した類似の診断モデルを閲覧しながら、ユーザーは診断モデルの追加または更新作業を行うことで、作業の工数を減らすことができる。

さらに、診断モデルの項目で固定部分と変更部分を分けて表示することで、ユーザーは診断モデルの更新項目を決定する作業の手間を省くことが実現できる。

状態監視装置１００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。稼働データ記憶部１１０のデータフォーマットの一例を表す図である。診断部１２０の処理フローの一例を表す図である。機械の異常判定の概要を表す図である。診断結果表示部１３０の表示の一例を表す図である。トリガ入力部１４０の画面の一例を表す図である。記憶部１６０のデータフォーマットの一例を表す図である。一時記憶部１７０のデータフォーマットの一例を表す図である。変更部分決定部１８０の処理フローの一例を表す図である。変更部分決定部１８０の処理の一例を表す図である。候補生成部１９０の処理フローの一例を表す図である。表示部２１０の表示例を表す図である。表示部２１０の表示例を表す図である。

以下、本発明の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、主に稼動データ記憶部１１０、診断部１２０、診断結果表示部１３０、トリガ入力部１４０、検索部１５０、記憶部１６０、一時記憶部１７０、変更部分決定部１８０、候補生成部１９０、評価部２００、表示部２１０、入力部２２０、更新部２３０、ユーザーインターフェース２４０で構成される。

診断部１２０、診断結果表示部１３０、トリガ入力部１４０、検索部１５０、変更部分決定部１８０、候補生成部１９０、評価部２００、表示部２１０、入力部２２０、更新部２３０は、状態監視装置１１０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構成している。

稼動データ記憶部１１０、記憶部１６０、一時記憶部１７０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。ユーザーインターフェース２４０は、液晶ディスプレイなどの表示機能と、マウス、キーボードなどの入力機能を備えている。ユーザーは、診断結果表示部１３０、トリガ入力部１４０、表示部２１０、入力部２２０、更新部２３０と、ユーザーインターフェース２４０を介してやり取りする。

稼働データ記憶部１１０は、機械１と有線または無線通信システム（図示せず）を介して収集した各種センサデータを記憶している。センサデータは、予め決められたタイミングで収集される。また、稼動データ記憶部１１０には、複数の種類の機械のセンサデータが格納されている。稼働データ記憶部１１０のデータフォーマットを図３に示す。データフォーマットは、図３（ａ）に示した機械の種類を定義したマシンテーブルと、図３（ｂ）に示した各マシンのセンサデータを格納しているセンサテーブルで構成される。マシンテーブルの項目は、カテゴリ、機種、ＩＤ、センサテーブルＩＤで構成されている。これらの項目はユーザーが設定する。カテゴリとは対象の機械の種類を表す。例えば、鉱山機械、タービン、医療機械などがある。機種とは、機械の種類を表す。ＩＤとは、カテゴリ、機種固有のＩＤを表す。機械は、機種とＩＤの組み合わせでユニークに識別される。図３（ａ）では、機種：Ａ―ＩＤ：００１と、機種：Ａ―ＩＤ：００２の同じ機種の鉱山機械が２つ定義されている。センサテーブルＩＤは、センサテーブルを識別するためのＩＤである。センサテーブルは、センサデータを記憶するテーブルで、機械毎に定義されている。図３（ｂ）は、カテゴリ：鉱山機械―機種：Ａ―ＩＤ：００１のセンサテーブル「ＫＡ００１」のフォーマットである。センサテーブルは、時刻と各種センサの項目で構成される。このセンサ項目は、カテゴリと機種で異なる。

診断部１２０は、稼働データ記憶部１１０に格納されているセンサデータと、記憶部１６０に格納されている診断モデルを使って、機械の異常を判定し、判定結果を診断結果表示部１３０に提供する。診断部１２０は、予め決められたタイミングで起動する。

図４に診断部１２０の処理フローを示す。ステップ１０１ｓ(以下、S101sと称する)とＳ１０１ｅで挟まれたＳ１０２，Ｓ１０３、Ｓ１０４、Ｓ１０５の処理は、稼働データ記憶部１１０のマシンテーブルに格納されている全てのカテゴリ―機種―ＩＤの処理が終わるまで繰り返す。Ｓ１０２は、Ｓ１０１ｓで選択されたカテゴリ―機種―ＩＤの診断モデルを記憶部１６０から取得する。Ｓ１０３ｓとＳ１０３ｅで挟まれたＳ１０４とＳ１０５は、Ｓ１０２で取得した全ての診断モデルの処理が終わるまで繰り返す。Ｓ１０４は、Ｓ１０３ｓで選択された診断モデルと、Ｓ１０１ｓで選択されたカテゴリ―機種―ＩＤの稼働データを使って、機械の異常を判定する処理である。Ｓ１０５は、Ｓ１０４の診断結果を集約する処理である。Ｓ１０４の機械の異常を判定する処理の一例として、複数のセンサデータを用いた多変量解析の「Ｋ平均法」がある。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。クラスタの情報は、診断モデルに含まれる。

図５に、カテゴリ：鉱山機械、機種：Ａ，ＩＤ：００１の診断モデルの１つで、Ｋ平均法を使った異常判定の例を示す。図５（ａ）では、負荷率，温度、圧力のトレンドデータ（２０１３／７／１００：００から２０１３／７／１２３：５９）と診断モデルに記載されているクラスタ情報を使って、Ｋ平均法で異常を診断する。具体的には、負荷率，温度、圧力の時刻順に近傍クラスタを見つけ、そのユークリッド距離を計算する。Ｋ平均法では、ユークリッド距離が異常度となる。この異常度のトレンドデータを図５（ｂ）に示す。異常度が、診断モデルで設定した閾値を超えた場合は、機械の異常であると判定する。Ｓ１０５は、閾値を超えた時刻と、異常度の平均値、閾値を超えている継続時間を計算する。

診断結果表示部１３０は、診断部１２０から提供される診断結果を、ユーザーインターフェース２４０の画面に表示する。

図６に表示例を示す。図６（ａ）は、ユーザーインターフェース２４０で示したディスプレイの機械の状態の一覧を示している。具体的には、機械毎にカテゴリ、機種、ＩＤ、故障モード、時刻、異常度、継続時間の項目と、詳細ボタン６ａ１、更新ボタン６ａ２、追加ボタン６ａ３が表示されている。カテゴリ、機種、ＩＤは、稼動データ記憶部１１０のマシンテーブルで定義されている項目と同じである。故障モードとは、記憶部１６０の診断モデルの項目のものと同じである。時刻、異常度、継続時間は、診断部１２０のＳ１０５で計算した項目である。詳細ボタンを押すと、図６（ｂ）に示すように診断部１２０で計算した異常度のトレンドデータと、診断した期間のセンサのトレンドデータが表示される。また異常と判定した時刻の位置を矢印６ｂ１で強調して表示する。これは、大量のトレンドデータの中から、異常と判定された時刻を素早く検索するための機能である。この図６（ｂ）は、カテゴリ：鉱山機械、機種：Ａ、ＩＤ：００１、故障モード：部品Ａ故障、時刻：２０１３／７／１１９：００の詳細ボタンを押した際の例である。矢印６ｂ１は、異常が検知された最初の時刻２０１３／７／１１９：００を指し示す。また診断モデルで定義した異常度の閾値６ｂ２も異常度のトレンドグラフに表示する。ユーザーが異常判定結果に満足できない場合、更新ボタン６ａ２を押し、診断モデルを更新する画面に推移する。また新しい故障モードの追加、新しい機械の追加をしたい場合、追加ボタン６ａ３を押し、対応する診断モデルをベースに、診断モデルを追加する画面に推移する。この診断モデル更新画面は、トリガ入力部１４０の説明の段落で説明する。

トリガ入力部１４０は、診断モデルを追加または更新する際に起動される。更新トリガをかけるタイミングは２つ存在する。１つは、図６の診断結果表示部１３０の更新ボタン６ａ２を押したときである。これは判定結果に管理者が満足できなかったときに押し、診断モデルを更新することで、診断精度向上を目的とする。もう一つは、図６の診断結果表示部１３０の追加ボタン６ａ３を押したときである。これは、新しい故障モード、新しい機械を追加することを目的とする。

図７にトリガ入力部１４０の画面を示す。図７（ａ）に図６の更新ボタン６ａ２を押したときの画面を示す。図７（ａ）には、ユーザーインターフェース２４０で示したディスプレイの元の診断モデルを表示するウィンドウ７ａ１も表示している。更新の際には、なぜ診断モデルを更新するかの理由を選択画面から選択する。図７（ａ）には、「誤報が多い」、「失報が多い」、「その他」がある。誤報とは、機械が正常な状態であるにも関わらず、異常と判定したケースである。失報とは、機械が異常な状態であるにも関わらず、正常と判定したケースである。診断モデルの精度向上とは、誤報と失報の件数を０に近づけることである。また「誤報が多い」、「失報が多い」以外の理由の場合は、「その他」を選択する。図７（ｂ）に図６の追加ボタン６ａ３を押したときの画面を示す。ここでは、追加の際の理由を選択画面７ｂ２から選択する。図７（ｂ）には、「故障モードを追加したい」、「同じカテゴリ、機種で新しいＩＤの診断モデルを追加したい」、「同じカテゴリ、新しい機種、ＩＤの診断モデルを追加したい」、「新しいカテゴリ、機種、ＩＤの診断モデルを追加したい」がある。「故障モードを追加したい」とは、同じカテゴリ、機種、ＩＤの機械で、新しい故障モードに対応した診断モデルを追加するケースである。「同じカテゴリ、機種で新しいＩＤの診断モデルを追加したい」とは、同じカテゴリ、同じ機種の機械で、異なるＩＤの診断モデルを追加するケースである。「同じカテゴリ、新しい機種、ＩＤの診断モデルを追加したい」とは、同じカテゴリ、新しい機種、ＩＤの機械の診断モデルを追加したいケースである。「新しいカテゴリ、機種、ＩＤの診断モデルを追加したい」とは、新しいカテゴリ、新しい機種、ＩＤの診断モデルを追加したいケースである。

図７（ｂ）のユーザーインターフェース２４０で示したディスプレイの画面には、新しく追加する診断モデルの情報を入力するボックス７ｂ３と、元の診断モデルを表示するウィンドウ７ｂ１も表示している。新しく追加する診断モデルの情報とは、追加したい故障モード、カテゴリ、機種、ＩＤに関する情報である。ユーザーは、新しく追加する診断モデルの情報をボックス７ｂ３に入力する。図７の診断モデル更新および追加の理由のリストは、ユーザーが予め定義している。トリガ入力部１４０は、選択された理由、元の診断モデル、新しく追加する診断モデルの情報を、検索部１５０に送信する。

検索部１５０は、トリガ入力部１４０から入力された診断モデル更新および追加の理由の選択結果、元の診断モデル、新しく追加する診断モデルの情報を使って、類似事例を記憶部１６０から検索し、検索結果を一時記憶部１７０に格納する。類似事例の検索には、同じカテゴリであること、同じカテゴリかつ機種であること、同じ故障モードであること、診断モデル更新および追加の理由が同じであることなどがある。また完全一致検索だけでなく、前方一致検索、後方一致検索などの検索方法であっても構わない。このように過去に作成した診断モデルを使うことで、診断モデルの更新および追加作業の工数を減らすことができる。

記憶部１６０は、診断モデルを記憶している。記憶部１６０は、診断部１２０に対象の機械の診断モデルを提供する。また検索部１５０の検索対象になる。また更新部２３０から、新しい診断モデルが書き込まれる。

図８に記憶部１６０のデータフォーマットを示す。診断モデルは、図８（ａ）に示すヘッダ情報、図８（ｂ）に示すモデル情報、図８（ｃ）に示す検証結果情報、図８（ｄ）に示す更新情報で構成される。

図８（ａ）に示すヘッダ情報は、診断モデルＩＤ，カテゴリ、号機、ＩＤ、故障モードで構成される。カテゴリ、号機、ＩＤは、稼働データ記憶部１１０に格納している情報である。診断モデルＩＤとは、診断モデルを識別するためのＩＤである。故障モードとは、診断モデルの検知対象の故障の名称または故障部位の情報である。１つの故障モードに１つの診断モデルが対応する。

図８（ｂ）に示すモデル情報は、診断モデルの中身に関する情報である。図８（ｂ）には、カテゴリ：鉱山機械、号機：Ａ、ＩＤ：００１、故障モード：部品Ａが故障のモデル情報を記載している。モデル情報は、センサ情報、前処理情報、アルゴリズム情報、後処理情報で構成される。センサ情報とは、診断モデルに使用するセンサ名を定義している。ここでは、負荷率、圧力、温度を記載している。前処理情報とは、センサの変換処理と状態分離条件の２つがある。センサの変換処理とは、センサデータを診断アルゴリズムの前に処理するこという。例えば、センサデータにノイズが多く含まれている場合は、移動平均をかける。図８（ｂ）には、負荷率のデータに移動平均をかけるという処理の情報が記載されている。また状態分離条件とは、機械の状態を定義する条件である。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、診断した場合、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。今回は、状態分離条件は記載しない。アルゴリズム情報とは、異常を判定するアルゴリズムの名称とそのパラメータ情報を定義している。診断部１２０の例では、アルゴリズム名は「Ｋ平均法」、パラメータ情報はクラスタ情報である。クラスタ情報は、ファイルで管理され、図８（ｂ）では、Datafile0として記載されている。また主成分分析を使った異常判定のときは、アルゴリズム名は「主成分分析」となり、パラメータ情報は、主成分に関する情報となる。後処理情報とは、診断アルゴリズム適用後に、異常と判定する処理である。例えば、診断部１２０の例では、クラスタとのユークリッド距離を異常度と定義し、閾値と比較することで、機械の異常を判定している。閾値を３とすると、「異常度３以上」が後処理情報に記載される。また後処理は、閾値と継続時間を組み合わせてもよい。例えば「閾値３以上を１分間継続」という条件にしたとき、異常度３が連続して１分間継続したら、機械を異常と判定する。

図８（ｃ）に示す検証結果情報は、モデル情報に記載された診断モデルを使って、検証した結果の情報である。検証結果情報は、学習期間、診断期間、誤報件数、失報件数で構成される。学習期間とは、アルゴリズム情報のアルゴリズムが機械学習である場合、学習した期間を定義している。図８（ｃ）は、学習期間２０１３／６／１００：００から２０１３／６／１２３：５９を記載している。診断期間は、誤報件数、失報件数を算出したときの診断期間を定義している。図８（ｃ）は、診断期間２０１３／７／１００：００から２０１３／７／１２３：５９を記載している。このとき誤報は３件、失報は０件である。この検証結果情報では、診断モデルの性能を確認することができる。

図８（ｄ）に示す更新情報は、診断モデルの更新履歴の情報である。更新履歴情報は、バージョン情報、前回診断モデルＩＤ情報、理由情報で構成される。バージョン情報は、診断モデルのバージョンを表す。このバージョンを付加するルールは、ユーザーが定義する。前回診断モデルＩＤ情報は、この診断モデルを作成するにあたってベースとした元の診断モデルの情報である。この情報には、ヘッダ情報である診断モデルＩＤが記載されている。この前回診断モデルＩＤをたどることで、診断モデルの進化の過程を参照することができる。これは変更部分決定部１８０で使用する。

一時記憶部１７０は、検索部１５０の検索結果、変更部分決定部１８０の診断モデルの固定部と変更部の変更テーブル、候補生成部１９０の診断モデル候補、評価部２００の評価結果を格納する。図９にこのときのデータフォーマットを示す。図９（ａ）に示した診断モデル一時フォーマットは、図８の診断モデルのデータフォーマットに、一時ＩＤを付加したものである。診断モデル一時フォーマットを使用するのは、検索部１５０の検索結果、候補生成部１９０の診断モデル候補である。一時ＩＤは、どの処理部によって入力されたかを表すＩＤである。検索部１５０から入力された場合は、一時ＩＤは１５０となる。また候補生成部１９０から入力された場合は、一時ＩＤは１９０となる。評価部２００の評価結果は、一時記憶部１７０に記憶されている図８（ｃ）に示した検証結果情報に格納する。図９（ｂ）に示した変更テーブルは、診断モデルの固定部と変更部を定義したテーブルである。診断モデルの変更部は「１」、固定部は「０」が記載されている。これはトリガ入力部１４０から入力された診断モデル追加、更新の理由に応じて、変更される。予め決められた診断モデル変更テーブルは以下がある。理由が「誤報が多い」、「失報が多い」場合は、モデル情報のセンサ、前処理、アルゴリズム、後処理、学習期間が変更部になり、他は固定部になる。

図９（ｂ）には、この例を表示している。「故障モードを追加したい」場合は、故障モード、モデル情報全体、検証結果情報全体が更新対象になる。「同じカテゴリ、機種で新しいＩＤの診断モデルを追加したい」場合は、カテゴリと機種は固定部になり、その他は変更部になる。「同じカテゴリ、新しい機種、ＩＤの診断モデルを追加したい」場合は、カテゴリは固定になり、その他は変更部になる。「新しいカテゴリ、機種、ＩＤの診断モデルを追加したい」場合は、全ての項目が変更部になる。また、変更部分決定部１８０で変更部の優先度を計算し、変更テーブルに反映することも可能である。この場合は、変更部の数値は優先度が高いほど大きくなる。例えば、誤報が多い場合、後処理の効果が大きいと変更部分決定部１８０で判断した場合、後処理の変更部の数値は、他の項目よりも大きく設定される。

図９（ｃ）に示す候補診断モデルのデータフォーマットは、変更部の情報、変更部の詳細情報、評価結果情報で構成される。この図９（ｃ）には、後処理を変更部としたケースを記している。変更部の情報には、「後処理」と記載している。さらに変更部の詳細情報には、候補診断モデルの後処理を記載している。ここでは、異常度の閾値の情報である。さらに、評価結果情報では、詳細情報の後処理を反映した時の診断モデルの評価結果を表示している。このときの評価結果は、誤報件数、失報件数というように、図８の診断モデルデータフォーマットの検証結果情報の項目と同じである。

変更部分決定部１８０は、一時記憶部１７０に記憶されている類似の診断モデルから、診断モデルの変更部の優先順位をつけ、一時記憶部１７０に格納されている変更テーブルに反映する。図１０に変更部分決定部１８０の処理フローを示す。Ｓ２０１ｓとＳ２０１eに挟まれたＳ２０２、Ｓ２０３、Ｓ２０４は、一時記憶部１７０に格納されている類似診断モデル分だけ繰り返し処理する。Ｓ２０２は、Ｓ２０１で選択した診断モデルの履歴情報を使って、一時記憶１７０に記憶されている類似の診断モデルから過去Ｎ回分の診断モデルを検索部１５０を介して取得する。このＮは、ユーザーが予め定義しておく。Ｎが０のときは、一時記憶部１７０に格納されている診断モデルを指す。Ｓ２０３ｓとＳ２０３eに挟まれたＳ２０４は、過去Ｎ回分の過去の診断モデルにさかのぼって繰り返し計算する。Ｓ２０３ｓは、過去Ｎ回目の診断モデルと過去Ｎ＋１回目の診断モデルの差分をとり、変更項目を特定する。さらにＳ２０４では過去Ｎ回目の診断モデルと過去Ｎ＋１回目の診断モデルの検証結果情報を参照に改善率α(n)を計算する。改善率α（ｎ）の計算は例えば、以下がある。

α（ｎ） =（Ｎ＋１回目の診断モデルの検証結果情報の失報件数と誤報件数の和）／（Ｎ回目の診断モデルの検証結果情報の失報件数と誤報件数の和）
この定義では、改善率が大きいほど、診断項目変更の効果が高いということになる。Ｓ２０５では、これまで計算した類似診断モデルと改善率α（ｎ）を集計して、変更部の効果を集計する。具体的には、変更項目と改善率をセットで扱い、同じ変更項目毎に改善率の和をとる。この改善率の和が、変更テーブルの優先度になる。

図１１に変更部分決定部１８０の処理の例を示す。（Ｎ＋１）回目の診断モデルからＮ回目の診断モデルに変更した項目は、後処理のパラメータである。具体的には、閾値を１０から２０に変更した。この変更により、誤報件数は１００件から１０件に改善された。このときの改善率は１０である。以上のように、変更項目と改善率をセットで扱い、集計することで変更テーブルの優先度になる。

候補生成部１９０は、一時記憶部１７０に記憶している変更テーブルの情報を使って、類似の診断モデルの変更部の情報を組み合わせて、診断モデルの候補を作成する。図１２に候補生成部１９０の処理フローを示す。Ｓ３０１は、一時記憶部１７０の変更テーブルで優先度の高い変更部を抽出する。ここで予め定めた優先度の閾値を使って変更部を抽出してもよいし、予め定めた変更部の個数を使って抽出してもよい。Ｓ３０２ｓとＳ３０２ｅに挟まれたＳ３０３、Ｓ３０４、Ｓ３０５は、Ｓ３０１で抽出した変更部の個数分繰り返し処理する。Ｓ３０３は、変更部分について、一時記憶部１７０の記憶している類似の診断モデルの項目を組み合わせて複数の候補を作成する。例えば、変更部が後処理の異常度の閾値の場合、類似の診断モデルの後処理の異常度の閾値を抽出し、更新対象の診断モデルの後処理に反映する。類似の診断モデルが複数個ある場合は、候補の診断モデルは複数個できる。変更テーブルの変更部は、診断モデルを更新する理由や、効果のある優先度に応じて変わる。全ての組み合わせについて、候補診断モデルを作成するのではなく、変更部のみを入れ替えて候補診断モデルを作成するので、組み合わせの数を減らすことができる。これにより、計算時間を短縮し、診断モデルの更新および追加の工数を削減できる。Ｓ３０４は、Ｓ３０３で作成した候補診断モデルを評価部２００で評価する。Ｓ３０４は、Ｓ３０３で作成した候補診断モデルの項目と、診断モデル更新および追加の対象の機械が合わない場合は、候補診断モデルを削除する。例えば、変更部がセンサであり、候補診断モデルのセンサに「大気温度」のセンサが含まれているとする。しかし、対象の機械には大気温度を計測するセンサがない。この場合は、「大気温度」のセンサを提示した候補診断モデルを削除する。Ｓ３０５は、候補診断モデルの情報と、評価結果の情報を一時記憶部１７０の図９（ｃ）に示す候補診断モデルのデータフォーマットに書き込む。

評価部２００は、候補生成部１９０で作成した候補診断モデルの性能を評価する。具体的には、診断モデルの更新および追加対象の診断モデルの学習期間と診断期間を使用して、候補診断モデルの性能を評価する。診断モデルの更新の場合は、更新対象の診断モデルのデータフォーマットの検証結果情報の学習期間と診断期間を使って、誤報、失報件数を評価する。この処理は、診断部１２０と同じである。診断モデルの追加の場合は、元になる診断モデルがないので、ユーザーが学習期間および診断期間を入力して設定する。

表示部２１０は、一時記憶部１７０の変更テーブルを反映した診断モデルと、候補診断モデルを表示する。図１３に表示部２１０の表示例を示す。図１３（ａ）は、更新対象の診断モデルについて、変更テーブルの情報を反映した表示例である。変更テーブルの固定部は、黒く染め、入力部２２０で入力できないようになっている。図１３（ｂ）は、変更テーブルの変更部は、変更部の優先順位に応じて、優先順位（１〜５）を付けている。図１３（ｂ）は、優先順位の項目に、変更テーブルの優先順位に応じて、１３ｂ１にランク付けしている。図１３の強調する表示は、色を染めて強調する方法や、下線を引くという手法の他に、点滅させる、周辺の文字よりも大きく表示する等が可能であり１つに限定されるものではない。

図１４（ａ）はこの変更部を、入力部２２０を介して、新規の診断モデルをユーザーが入力する画面を示す。図１４（ｂ）は、一時記憶部１７０の候補診断モデルを示す。このとき効果のある順に候補診断モデルを表示する。この順番は、一時記憶部１７０の候補診断モデルの検証結果の優れている順である。入力部２２０で、候補診断モデルを選択したとき、更新後の診断モデルに候補診断モデルが反映される。図１４（ａ）の評価ボタン１４ａ１は、ユーザーが入力した新しい診断モデルの検証するためのボタンである。このボタンを押すと、評価部２００を使って、新しい診断モデルを検証し、図１４（ａ）の検証結果情報に反映される。図１４（ａ）の更新ボタン１４ａ２は、ユーザーが新しい診断モデルの性能に満足したとき、新しい診断モデルを、記憶部１６０に書き込むためのボタンである。この書き込みは、更新部２３０を介して行われる。また図１４（ａ）は、元の診断モデルの差分を強調して表示する。例えば図１４（ａ）は、後処理情報を変更した例である。このとき後処理情報の変更が行われたことを強調して表示するために、後処理情報に下線を引いている。また図１４（ｃ）は、一時記憶部１７０の類似診断モデルを表示する。類似診断モデルと候補診断モデルと診断モデルの変更部を参照しながら、ユーザーは診断モデルを追加または更新することができる。

更新部２３０は、表示部２１０の更新ボタンが押されたときに、新しい診断モデルを記憶部１６０に書き込む。このとき診断モデルのデータフォーマットの履歴情報のバージョンを付加する。具体的には、元の診断モデルがある場合は、診断モデルのバージョンに数字を追加する。また前の診断モデルＩＤも付加する。さらにトリガ入力部１４０で入力された診断モデル更新の理由も記憶する。元の診断モデルがない新規のケースでは、新しくバージョンを付加する。さらに前の診断モデルＩＤは付加しない。さらにトリガ入力部１４０で入力された診断モデル更新の理由も記憶する。

本発明によれば、過去に作成した診断モデルを参照することで、ユーザーの診断モデルの更新および追加作業をサポートし、作業工数を削減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稼働データ記憶部
１２０診断部
１３０診断結果表示部
１４０トリガ入力部
１５０検索部
１６０記憶部
１７０一時記憶部
１８０変更部分決定部
１９０候補生成部
２００評価部
２１０表示部
２２０入力部
２３０更新部
２４０ユーザーインターフェース

Claims

複数のセンサで取得した機械のセンサデータと、
機械の異常を判断する条件である診断モデルに基づいて機械の異常を診断し、機械の状態を表示する状態監視装置であって、
前記診断モデルを追加または更新する際に起動されるトリガ入力部と、
複数の機械の前記診断モデルを記憶する記憶部と、
前記トリガ入力部から入力された診断モデル更新および追加の理由の選択結果、元の診断モデル、新しく追加する診断モデルに基づいて類似事例を前記記憶部から検索する検索部と、
前記検索部で検索した診断モデル、変更テーブルと候補診断モデルを記憶する一時記憶部と、
前記一時記憶部の変更テーブルを反映した診断モデルと前記候補診断モデルを表示する表示部と、
前記表示部を閲覧しながら、追加または更新対象の診断モデルの変更部をユーザーが入力し、前記一時記憶部の候補診断モデルを選択する入力部と、
前記候補診断モデルが反映された新しい診断モデルを検証する評価部と、
前記評価部の結果に基づいて、前記一時記憶部の新しい診断モデルを前記記憶部に書き込む更新部を備える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、診断モデルＩＤを備えたヘッダ情報、センサ情報、アルゴリズム情報、及び前記アルゴリズムの前後に適用する前処理情報と後処理情報を備えたモデル情報、前記モデル情報に記載された診断モデルを使って検証した結果を表す検証結果情報を備えたことを特徴とする状態監視装置。
請求項２において、
前記一時記憶部に記憶されている類似の診断モデルから診断モデルの変更部の優先順位をつけ、前記一時記憶部に格納されている変更テーブルに反映する変更部分決定部を備えることを特徴とする状態監視装置。
請求項２において、
前記一時記憶部に記憶している変更テーブルの情報を使って、類似の診断モデルの変更部の情報を組み合わせて、診断モデルの候補を作成する候補生成部を備えることを特徴とする状態監視装置。