JP6685124B2 - 診断装置及び診断方法 - Google Patents

Description

本発明は、診断対象から取得した時系列データを用いて、診断対象の状態を診断する診断装置及び診断方法に関する。

火力や原子力に代表される発電プラントや、通信設備などの機器には、機器の安定的な運用のために、多くの時系列データを監視対象としている。

例えば、発電プラントではプラントの状態を把握するために、圧力・温度・流量・水位などを計測する計測器を各部に設置している。通信設備ではデータ通信量を計測する計測器が設置されている。計測器から得られた時系列データの値は、機器の管理員に表示する。また、ほとんどの機器では、異常や不具合対策、あるいは、保守の観点から、得られた信号値を専用の計算機であるデータ収録装置に保存する。

管理員は機器の状態に変化があった場合、関連する時系列データの値にも変化がないかどうかを確認するため、監視画面上に該当時系列データの値を表示する。通常は、機器の運転制御装置と監視装置が一体になっており、リアルタイムで機器状態の監視や制御が実施できるようになっている。

最近は、診断対象に異常状態が発生する前の異常兆候を検知する装置やその方法が多数検討されている。特許文献１には、適応共鳴理論（Adaptive Resonance Theory：ART）を用いた診断装置が開示されている。ここでARTとは、多次元の時系列データをその類似度に応じてカテゴリに分類する理論である。

特許文献１の技術においては、まずARTを用いて正常時の計測データを複数のカテゴリ（正常カテゴリ）に分類する。次に、現在の時系列データをARTに入力してカテゴリに分類する。この時系列データが正常カテゴリに分類できない時は、新しいカテゴリ（新規カテゴリ）を生成する。新規カテゴリの発生は、診断対象の状態が変化したことを意味する。そこで、特許文献１の診断装置では、異常兆候の発生を新規カテゴリの発生で判断している。

適応共鳴理論などの手法を用いて時系列データを分類する際には、データの分解能を決める分解能パラメータを診断の内容に合わせて設定する必要がある。このパラメータを適切に選定しないと、異常を発見できない見逃しや、正常状態であるにも関わらず異常と検知する誤検知が発生する可能性がある。そこで、特許文献１では、正常状態の時系列データを用いて、異常検知に適する分解能パラメータを自動的に調整する技術を公開している。

尚、データを分類して診断する手法としては、上記で述べた手法に限らず、多数の手法が提案されている。

特開２０１１-０７０３３４号公報

適応共鳴理論などの手法を用いて時系列データを分類する際には、分解能パラメータだけでなく、診断に用いるデータ項目や、データの正規化範囲など、分解能パラメータ以外にも多くのパラメータを調整する必要がある。

また、取得した時系列データには、正常データのみである場合だけでなく、異常時のデータが含まれている場合がある。また、時系列データに異常時のデータが含まれる場合でも、異常が発生した日時が判明している場合、異常が発生した日時が特定できない場合など、様々な状況が想定される。このような状況に応じて、多数のパラメータを調整するには設計工数を多く必要とするため、パラメータ調整を自動化する技術が求められている。

そこで、本発明では上記状況を鑑みて、取得した時系列データの条件に応じて、診断に適するパラメータを自動的に調整することが可能な診断装置を提供することを目的とする。

上記課題を解決する為に本発明では、 診断対象から収集した時系列データに基づいて、対象の状態を診断する診断装置において、前記診断装置は、設定パラメータに基づいて前記時系列データを分類するための前処理を実行して前処理データを生成する前処理手段と、前記前処理データをデータの類似性に応じて複数のカテゴリに分類した分類結果を生成する分類手段と、前記分類結果を分類されたカテゴリ数の経時変化パターンに応じて評価した評価結果を生成する分類結果評価手段と、前記評価結果が所望の値となるように前記前処理手段で用いる設定パラメータを調整する設定値調整手段と、を備え、前記設定パラメータは、診断に用いる時系列データのデータ項目パラメータ、前記時系列データのデータ項目の正規化範囲パラメータ、データの分解能を決定するパラメータの内少なくとも一つを含み、前記分類結果評価手段は、カテゴリ数が増加した後で一定数を維持し、その後再上昇した場合は高評価とする評価結果を生成することを特徴とする。

本発明の診断装置を用いることにより、取得した時系列データの条件に応じて設定パラメータを自動的に調整することができ、設計工数を削減できる。

本発明の第１の実施例である診断装置を説明するブロック図である。 診断装置の動作フローチャート図である。 学習モードおよび診断モードを動作させるタイミングを説明する図である。 信号データベースに保存されるデータの態様を説明する図である。 分類手段の実施例として、ＡＲＴを用いた場合のブロック図を説明する図である。 時系列データの分類結果を説明する図である。 異常発生時刻が判明しているときの学習モードの動作を説明する図である。 後処理手段にて分類結果と事象を関連付ける方法について説明する図である。 本発明の第２の実施例である診断装置を説明するブロック図である。 分類結果評価手段における評価基準を説明する図である。 異常発生日時特定部の動作を説明する図である。 本発明の第３の実施例である診断装置を説明するブロック図である。 保守データ収録装置を備える診断対象として、発電プラントの実施例を説明する図である。 保守データ収録装置、及び信号データベースに保存される保守データの態様を説明する図である。

図１は本発明の第１の実施例である診断装置を説明するブロック図である。診断装置３００は、診断装置の診断対象１００で収集した時系列データ１が収録されている時系列データ収録装置２００と、外部装置９００と接続している。

診断装置３００は、演算装置として診断手段３４０と画像表示情報生成手段３５０を備えている。診断手段３４０は、前処理手段４００、分類手段５００、後処理手段６００、分類結果評価手段７００、設定値調整手段８００を備えている。

また、診断装置３００はデータベースとして信号データベース３３０を備える。尚、図１ではデータベースをＤＢと略記している。信号データベース３３０には、電子化された情報が保存されており、通常電子ファイル(電子データ)と呼ばれる形態で情報が保存される。

また、診断装置３００は、外部とのインターフェイスとして外部入力インターフェイス３１０及び外部出力インターフェイス３２０を備えている。

そして、外部入力インターフェイス３１０を介して時系列データ収録装置２００に収録されている時系列データ２と、外部装置９００に備えられている外部入力装置９１０(キーボード９１０及びマウス９２０)の操作で作成する外部入力信号３が診断装置３００に取り込まれる。また、外部出力インターフェイス３２０を介して、画像表示情報９を画面表示装置９４０に出力する。尚、画像表示装置９４０には、データ収録装置情報１０を表示することも可能である。

図１に示した診断装置３００において、時系列データ２と外部入力信号３は外部入力インターフェイス２１０を介して取り込まれる。診断装置３００に取り込まれた計測信号３は、信号データベース３３０に保存する。

診断装置３００は、学習モードと診断モードの二つの処理モードを持つ。学習モードと診断モードのフローチャートと、診断手段３４０と画像表示情報生成手段３５０の動作については、図２、３を引用しながら後述する。診断手段３４０では、信号データベース３３０に保存されている時系列データを含む信号データベース情報５の入力に対して、前処理手段４００、分類手段５００、後処理手段６００、分類結果評価手段７００、設定値調整手段８００を動作させる。診断手段３４０を動作させた結果として得られる信号は、信号データベース情報６として信号データベース３３０に送信し、保存する。

なお、本実施例の診断装置３００においては、信号データベース３３０、診断手段３４０、画像表示情報生成手段３５０が診断装置３００の内部に備えられているが、これらの一部の装置を診断装置３００の外部に配置し、データのみを装置間で通信するようにしてもよい。

また、診断装置３００に設置された信号データベース３３０に保存されている信号データベース情報５０は、その全ての情報を外部出力インターフェイス３２０を介して画面表示装置９４０に表示でき、これらの情報は外部入力装置９１０を操作して生成する外部入力信号３で修正することができる。

本実施例では、外部入力装置９１０をキーボード９２０とマウス９３０で構成しているが、音声入力のためのマイク、タッチパネルなど、データを入力するための装置であれば良い。

また、本発明の実施形態として、診断方法、診断装置３００を動作させて得られた情報を提供する情報提供サービスとしても実施可能であることは言うまでもない。

図２は診断装置３００の動作フローチャート図である。図２(a)は学習モード、図２(b)は診断モードのフローチャート図である。

まず、図２(a)を用いて学習モードについて説明する。ステップ１０００では、時系列データ収録装置２００に保存されている時系列データ２を診断装置３００に取り込み、信号データベース３３０に保存する。

ステップ１０１０では、前処理手段４００にて信号データベース３３０から学習に用いる信号データベース情報５を抽出し、対象の診断に必要な前処理を実施する。前処理手段４００は、少なくともデータ項目設定部４１０、正規化範囲設定部４２０、分解能設定部４３０を備えている。データ項目設定部４１０では、診断に用いる時系列データの項目（例えば、温度、圧力などのセンサ情報）を設定し、前処理手段４００ではデータ項目設定部４１０で設定した項目の時系列データを信号データベース４００から抽出する。正規化範囲設定部４２０では、抽出した時系列データの正規化範囲を設定する。設定した正規化範囲に基づいて、時系列データを例えば0から1の範囲に正規化する。前処理手段４００では、時系列項目毎にデータを正規化する。時系列データを正規化したデータＮｘｉ（ｎ）及び正規化したデータの補数ＣＮｘｉ（ｎ）（＝１−Ｎｘｉ（ｎ））を含むデータを入力データＩｉ（ｎ）とする。また、分解能設定部４３０では、分類手段５００にてデータを分類する際の分解能を設定する。

前処理手段４００を動作して得られた前処理データ２０は、分類手段５００に送信する。

前処理手段４００では、抽出するデータ項目、正規化範囲、分解能などの設定パラメータに基づいて上記の処理を実行する。この設定パラメータは、後述する設定値調整手段８００で調整する。尚、設定パラメータの初期値は、異常が発生した位置に近い計測器で計測したデータ項目を抽出する、などの方法で任意に設定できる。

ステップ１０２０では、分類手段５００を動作させて、信号データベース３３０から抽出した時系列データをクラスタリング技術により分類し、分類結果２１を出力する。クラスタリング技術としては、ＡＲＴ５１０（適応共鳴理論（Ａｄａｐｔｉｖｅ Ｒｅｓｏｎａｎｃｅ Ｔｈｅｏｒｙ））、ＭＴ５２０（マハラノビスタクチ法）、ＶＱＣ５３０（ベクトル量子化）などの手法が知られている。本実施例では、ＡＲＴ５１０を用いた場合を中心に述べるが、分類手段５００に用いる手法についての限定はない。

ステップ１０３０では、分類結果評価手段７００を動作させて分類結果２１を評価する。分類結果の評価結果２２は、設定値調整手段８００に送信する。

ステップ１０４０では、終了判定を実施する。ステップ１０１０〜１０５０の繰り返し回数が閾値を超えた場合、分類結果の評価結果２２が基準を超えた場合など、予め定められた終了判定条件を満足した場合はステップ１０６０に進み、満足しない場合はステップ１０５０に進む。

ステップ１０５０では、設定値調整手段８００を動作させて前処理手段４００を動作させるのに必要な設定パラメータを調整する。設定値調整手段８００では、評価結果２２が所望の値となるように、データ項目設定部４１０、正規化範囲設定部４２０、分解能設定部４３０で設定するパラメータを調整する手段であり、遺伝的アルゴリズムや強化学習などの任意の最適化手法を適用する。

ステップ１０６０では後処理手段６００を動作させて、ステップ１０１０〜１０５０を繰り返して評価結果２２が最良となった分類結果２１の情報を信号データベース情報６として信号データベース３３０に送信して保存する。尚、評価結果２２が最良となった結果だけでなく、ステップ１０１０〜１０５０を繰り返す過程で得られた任意の情報を信号データベース３３０に送信して保存しても良い。

ステップ１０７０では、画像表示情報生成手段３５０において信号データベース３３０から信号データベース情報７を画像表示情報８に変換して外部出力インターフェイス３２０に送信する。外部出力インターフェイスでは、画像表示情報９を画像表示装置９４０に送信して、画面（モニタ）上に情報を表示する。

次に、図２(b)を用いて診断モードについて説明する。ステップ１１００では、時系列データ収録装置２００に保存されている時系列データ２を診断装置３００に取り込み、信号データベース３３０に保存する。

ステップ１１１０では、前処理手段４００にて信号データベース３３０から診断に用いる信号データベース情報５を抽出し、学習の時と同様に必要な前処理を実施する。前処理手段４００を動作して得られた前処理データ２０は、分類手段５００に送信する。

ステップ１１２０では、分類手段５００を動作させて、信号データベース３３０から抽出した時系列データをクラスタリング技術により分類し、分類結果２１を出力する。

ステップ１１３０では、後処理手段６００を動作させて分類結果２１の情報を信号データベース情報６として信号データベース３３０に送信して保存する。

ステップ１１４０では、画像表示情報生成手段３５０において信号データベース３３０から信号データベース情報７を画像表示情報８に変換して外部出力インターフェイス３２０に送信する。外部出力インターフェイスでは、画像表示情報９を画像表示装置９４０に送信して画面（モニタ）上に情報を表示する。

図３は、学習モードおよび診断モードを動作させるタイミングを説明する図である。

図３（ａ）に示す方法では、一定期間運転データを蓄積した後、学習モードを１回動作させて、診断モードを一定周期で動作する。

図３（ｂ）に示す方法では、学習モードを一定間隔で動作させて分類結果を更新した上で、診断モードを動作させる。

図３（ｃ）に示す方法では、ユーザーからの指示があったときに、学習モードを動作させる。任意のタイミングで学習モードを実行して分類結果を更新した上で、診断モードを動作させる。

尚、本実施例で述べたタイミング以外にも、学習モードと診断モードを動作させるタイミングは任意に設定することが可能である。

図４は信号データベース３３０に保存されるデータの態様を説明する図である。

図４（ａ）に示すように、信号データベース３３０には、時系列データ（図では、データ項目Ａ、Ｂ、Ｃを記載）の値が、サンプリング周期（縦軸の時刻）毎に保存される。表示画面３０１において縦横に移動可能なスクロールボックス３０２及び３０３を用いることにより、広範囲のデータをスクロール表示することができる。

図４（ｂ）（c）に示すように、信号データベース３３０には前処理手段４００での設定値と分類結果が保存される。

また、図４（d）に示すように、信号データベース３３０には、学習モードにおける繰り返し回数と、その時の設定値および評価結果が保存される。

図５は、分類手段５００の実施例として、ＡＲＴ５１０を用いた場合のブロック図を説明する図である。

ＡＲＴ５１０においては、入力データである時系列データを複数のカテゴリに分類する。

ＡＲＴモジュール５１０は、Ｆ０レイヤー５１１、Ｆ１レイヤー５１２、Ｆ２レイヤー５１３、メモリ５１４及び選択サブシステム５１５を備え、これらは相互に結合している。Ｆ１レイヤー５１２及びＦ２レイヤー５１３は、重み係数を介して結合している。重み係数は、入力データが分類されるカテゴリのプロトタイプ（原型）を表している。ここで、プロトタイプとは、カテゴリの代表値を表すものである。

次に、ＡＲＴ５１０のアルゴリズムについて説明する。

ＡＲＴ５１０に入力データが入力された場合のアルゴリズムの概要は、下記の処理１〜処理５のようになる。

処理１：Ｆ０レイヤー５１１により入力ベクトルを正規化し、ノイズを除去する。

処理２：Ｆ１レイヤー５１２に入力された入力データと重み係数との比較により、ふさわしいカテゴリの候補を選択する。

処理３：選択サブシステム５１５で選択したカテゴリの妥当性がパラメータρとの比により評価される。妥当と判断されれば、入力データはそのカテゴリに分類され、処理４に進む。一方、妥当と判断されなければ、そのカテゴリはリセットされ、他のカテゴリからふさわしいカテゴリの候補を選択する（処理２を繰り返す）。パラメータρの値を大きくするとカテゴリの分類が細かくなる。すなわち、カテゴリサイズが小さくなる。逆に、ρの値を小さくすると分類が粗くなる。カテゴリサイズが大きくなる。このパラメータρをビジランス（ｖｉｇｉｌａｎｃｅ）パラメータと呼ぶ。先に述べた分解能設定部４３０では、ビジランスパラメータの値を設定している。

処理４：処理２において全ての既存のカテゴリがリセットされると、入力データが新規カテゴリに属すると判断され、新規カテゴリのプロトタイプを表す新しい重み係数を生成する。

処理５：入力データがカテゴリＪに分類されると、カテゴリＪに対応する重み係数ＷＪ（ｎｅｗ）は、過去の重み係数ＷＪ（ｏｌｄ）及び入力データｐ（又は入力データから派生したデータ）を用いて数１により更新される。

ここで、Ｋｗは、学習率パラメータ（０＜Ｋｗ＜１）であり、入力ベクトルを新しい重み係数に反映させる度合いを決定する値である。

尚、数１及び後述する数２乃至数１２の各演算式は前記ＡＲＴ５１０に組み込まれている。

ＡＲＴ５１０のデータ分類アルゴリズムの特徴は、上記の処理４にある。

処理４においては、学習した時のパターンと異なる入力データが入力された場合、記録されているパターンを変更せずに新しいパターンを記録することができる。このため、過去に学習したパターンを記録しながら、新たなパターンを記録することが可能となる。

このように、入力データとして予め与えた運転データを与えると、ＡＲＴ５１０は与えられたパターンを学習する。したがって、学習済みのＡＲＴ５１０に新たな入力データが入力されると、上記アルゴリズムにより、過去におけるどのパターンに近いかを判定することができる。また、過去に経験したことのないパターンであれば、新規カテゴリに分類される。

図５（ｂ）は、Ｆ０レイヤー５１１の構成を示すブロック図である。Ｆ０レイヤー５１１では、入力データＩ_iを各時刻で再度正規化し、Ｆ１レイヤー５１２、及び選択サブシステム５１５に入力する正規化入力ベクトルｕ_i ⁰作成する。

始めに、入力データＩ_ｉから、数２に従ってＷ_i ⁰を計算する。ここでａは定数である。

次に、Ｗ_i ⁰を正規化したＸ_i ⁰を、数３を用いて計算する。ここで、||Ｗ^０||は、Ｗ^０のノルムを表す。

そして、数４を用いて、Ｘ_i ⁰からノイズを除去したＶ_i ⁰を計算する。ただし、θはノイズを除去するための定数である。数４の計算により、微小な値は０となるため、入力データのノイズが除去される。

最後に、数５を用いて正規化入力ベクトルｕ_i ⁰を求める。ｕ_i ⁰はＦ１レイヤーの入力となる。

図５（ｃ）は、Ｆ１レイヤー５１２の構成を示すブロック図である。Ｆ１レイヤー５１２では、数５で求めたｕ_i ⁰を短期記憶として保持し、Ｆ２レイヤー５１３に入力するＰ_iを計算する。Ｆ２レイヤーの計算式をまとめて数６乃至数１２に示す。ただし、ａ、ｂは定数、ｆ（・）は数４で示した関数、Ｔ_jはＦ２レイヤー５１３で計算する適合度である。

但し、

図６は時系列データの分類結果を説明する図である。

図６（ａ）は、時系列データを、カテゴリに分類した分類結果の一例を示す図である。

図６（ａ）は、一例として、時系列データのうちの２項目を表示したものであり、２次元のグラフで表記した。また、縦軸及び横軸は、それぞれの項目の時系列データを規格化して示した。

時系列データは、ＡＲＴモジュール５１０によって複数のカテゴリ５１９（図６（a）に示す円）に分割される。１つの円が、１つのカテゴリに相当する。

本実施例では、計測信号は４つのカテゴリに分類されている。カテゴリ番号１は、項目Ａの値が大きく、項目Ｂの値が小さいグループ、カテゴリ番号２は、項目Ａ、項目Ｂの値が共に小さいグループ、カテゴリ番号３は項目Ａの値が小さく、項目Ｂの値が大きいグループ、カテゴリ番号４は項目Ａ、項目Ｂの値が共に大きいグループである。

図６（ｂ）は、時系列データを、カテゴリに分類した結果を説明する図である。横軸は、時間、縦軸は計測信号、カテゴリ番号である。

図６（ｂ）に示すように、診断開始前の学習期間のデータは、カテゴリ１〜３に分類された。監視開始後の前半のデータはカテゴリ２に分類されており、モデルデータと同じカテゴリである。この場合、データの傾向が同じであることから、状態は変化していないと判断する。一方、監視開始後の後半のデータはカテゴリ４に分類されており、学習期間のデータと異なるカテゴリに分類されている。データの傾向が異なることから、診断対象の状態が変化したと判断する。

このように、クラスタリング技術を用いた診断技術では、データ傾向の変化を検知する特徴がある。図６では、学習データが正常データである場合について述べた。

以下、時系列データに異常時のデータが含まれている条件での学習モードの動作について、図７を用いて説明する。この条件では、学習モードは異常を検知するための前処理パラメータを探索するように動作する。

ユーザーは、画像表示装置９４０に表示される画面から、外部入力装置９１０を用いて異常発生時刻を入力する。図７（a）は、異常発生時刻の入力画面の実施例である。時系列データのトレンド情報などを表示して、異常発生時刻を入力することを支援するようにしても良い。

分類手段５００でＡＲＴ５１０を用いるときは、異常発生時刻に新しいカテゴリが発生した時に評価値が高くなるように分類結果評価手段７００は動作する。分類結果評価手段７００は、強化学習法、遺伝的アルゴリズムなどの最適化手法を適用して実装する。尚、本発明の分類結果評価手段７００は、最適化の手法についての限定はない。

評価値Ｒの計算式を数１３に示す。

ここで、Ｔ１は異常発生時刻、Ｔ２は新規カテゴリが発生して異常を検知した時刻、αはゼロ割を防止するための微小値である。

尚、本実施例では分類手段５００がＡＲＴである場合について述べたが、分類手段５００はＡＲＴに限定されない。

また、本実施例では、新規カテゴリの発生状況で分類結果を評価したが、正常状態からの乖離度合いや、乖離しているデータ量の割合など、分類手段を動作させて得られる情報に基づいたデータの経時変化パターンであれば、分類結果の評価方法についての限定はない。

図７（b）は分類結果を画像表示装置９４０に表示させたときの実施例を説明する図である。図４（b）の情報と図７（a）で入力した異常発生時刻を表示して、所望の分類結果が得られたかどうか確認できる。

図７（c）は信号データベース３３０に保存されている学習モードの繰り返し回数と、その時の評価結果を画像表示装置９４０に表示させたときの実施例を説明する図である。評価結果の推移を確認できる。

図８は、後処理手段６００にて分類結果と事象を関連付ける方法について説明する図である。

図８(a)は、分類結果と事象を関連付ける実施例を説明する図である。
番号登録とは、事象とカテゴリ番号を関連付けて登録する方法である。例えば、カテゴリ番号４、５、６を事象Ａとして登録する。そして、次回、時系列データがカテゴリ番号が４、５、６のいずれかに分類された場合に事象Ａを異常事象として表示する。

頻度登録とは、事象とカテゴリ出現頻度を関連付けて登録する方法である。例えば、ある連続する６０点のカテゴリ番号４、５、６の出現頻度がそれぞれ３０〜４０％、３０〜５０％、１０〜４０％の範囲であることを、事象Ｂとして登録する。そして、次回、ある連続する６０点のカテゴリ番号の出現頻度が上記の範囲内になった場合に、事象Ｂを異常事象として表示する。

連番登録とは、事象とカテゴリ出現番号の並びを関連付けて登録する方法である。例えば、カテゴリ番号が４→５→４→６の順番で出現したことを、事象Ｃとして登録する。カテゴリ番号が４→５→４→６の順番で出現した場合に事象Ｃを異常事象として表示する。

図８(b)は、分類結果と事象を関連付ける第２の実施例を説明する図である。

検知グループ登録とは、事象と異常を検知したグループ（新規カテゴリが発生した診断グループ）を関連付けて登録する方法である。例えば、監視グループ３と監視グループ９で異常を検知した場合を事象Ｆとして登録する。次に監視グループＤと監視グループＥで異常を検知した場合、 事象Ｆを異常事象として表示する。

図８(c)は、異常事象を表示する画面の実施例である。診断モードおいて、登録したパターンに分類されたときには図８(c)に示すように、推定要因を画面に表示する。

このように、本発明の第一の実施例では、設定調整手段８００によって、異常発生時に新規カテゴリが発生するように、前処理手段４００を動作させるための設定パラメータを決定できる。

この新しいカテゴリと異常事象を関連付けして登録しておくことで、次回同じデータ傾向となったときに登録した異常事象を推定要因としてユーザーに情報提供できる効果が得られる。

本実施例では、時系列データに異常時のデータが含まれるが、異常発生日時を特定できていない条件の時に、設定値調整手段８００を用いて前処理手段４００の設定パラメータを調整することにより、異常発生日時を特定する診断装置について述べる。

図９は、本発明の第２の実施例である診断装置を説明するブロック図である。

実施例１とは、後処理手段６００に異常発生日時特定部６１０が備えられている点で異なり、異常発生日時特定部６１０は図２（a）に示した学習モードのステップ１０６０で動作する。また、分類結果評価手段７００での評価基準が実施例１と異なる。

以下、図１０を用いて分類結果評価手段７００での評価基準を説明し、図１１を用いて異常発生日時特定部６１０の動作を述べる。

図１０は分類結果評価手段７００での評価基準の実施例を説明する図である。

図１０のＮＯ１に示すように、時間の経過と共にカテゴリ数が増加し続けた場合は、低評価とする。これは、ノイズ、変動の大きいデータ項目を選定した、分解能が細かいなどの理由によって異常を検知できていないためである。

図１０のＮＯ２に示すように、最初にカテゴリ数が増加し、その後一定数を維持した場合は低評価とする。これは、正常状態の学習中はカテゴリ数が増加するが、分解能が粗いなどの理由によって異常を検知できていないためである。

図１０のＮＯ３に示すように、最初にカテゴリ数が増加した後で一定数を維持し、その後再上昇した場合は高評価とする。これは、正常状態の学習中にカテゴリ数増加が増加し、その後カテゴリ数が再上昇した時刻に異常が発生したと判断できるためである。このように、分類結果評価手段７００では、カテゴリ総数の増加パターンに基づいて、分類結果を評価する。

尚、本実施例ではカテゴリ数に着目して評価する方法を説明したが、分類結果の特徴量の経時変化パターンに基づいて分類結果を評価する方法であれば本実施例の範囲内である。

図１１は異常発生日時特定部６１０の動作を説明する図である。

異常発生日時特定部６１０では、２回目にカテゴリ数が増加するするタイミングを異常発生日時とする。特定した結果は、画像表示装置９４０に表示する。

このように、本発明における実施例２の診断装置３００を用いることで、異常発生日時が不明な場合において、異常検知に適する前処理用の設定パラメータを決定できる。また、実施例１で述べた効果に加えて、異常発生日時を特定する効果が得られる。

本実施例では、診断結果と異常発生時に実施した保守データを関連付けることにより、過去と同じ異常事象が発生した時に、関連付けた保守データを画面に表示することで異常への対処方法の候補案をガイダンスする診断装置について述べる。

図１２は、本発明の第３の実施例である診断装置を説明するブロック図である。

実施例１、２とは、後処理手段６００に分類結果と保守データの関連付け部６２０が備えられており、また保守データ収録装置２１０と診断装置３００との間でデータを送受信できる点で異なる。保守データ収録装置２１０には、ユーザが外部入力装置９１０を用いて保守データ３０を入力して保存する。また、保守データ収録装置２１０に保存された保守データ３１は外部入力インターフェイス３１０を介して診断装置３００の信号データベース３３０に取り込むことできる。

図１３は、保守データ収録装置２１０を備える診断対象として、発電プラントの実施例を説明する図である。

図１３（a）に示すように、診断対象はプラント１１０と制御装置１２０で構成する。制御装置１２０は、プラント１１０に備えられているセンサで計測した計測信号６１を受信し、プラント１１０に備えられている操作端を操作するための操作信号６２を送信する。

計測信号６１、操作信号６２の値は、時系列データ１として時系列データ収録装置２００に送信される。

図１３（ｂ）は、プラント１１０の実施例であるＣ／Ｃプラントの機器構成を示す図である。ガスタービン２０８０は、圧縮機２０１０、膨張機２０２０、燃焼器２０３０で構成する。ガスタービン２０８０では、圧縮機２０１０が空気を取り込んで圧縮し、次いで、燃焼器２０３０が圧縮空気と燃料を取り込んで燃焼ガスを生成し、膨張機２０２０が燃焼ガスを取り込んで動力を得る。ガスタービン２０８０の出力は、膨張機２０２０が出力した動力と、圧縮機２０１０が使用した動力の差分である。排熱回収ボイラ２０５０には熱交換器２０６０が備えられており、ガスタービン２０８０からの高温排ガスを用いて高温蒸気を生成する。蒸気タービン２０７０では、排熱回収ボイラ２０５０が生成した高温蒸気を取り込み動力を得る。復水器２０９０では、蒸気タービン２０７０の排気を取り込んで、冷却水と熱交換させることにより、蒸気を水に凝縮させる。発電機２０４０では、ガスタービン２０８０と蒸気タービン２０７０の出力を用いて発電する。

図１４は保守データ収録装置２１０、及び信号データベース３３０に保存される保守データの態様を説明する図である。

また、図１４（a）に示すように、保守データ収録装置２１０、及び信号データベース３３０には発生した異常事象、保守内容、保守に要する費用、保守に要する日数、保守による機会損失額などの保守情報が保存される。

実施例１で述べた方法で関連付けた事象と保守データの異常事象が同じである場合、本発明における分類結果と保守データの関連付け部６２０では、これらを関連付けする。すわなち、分類結果、事象、保守データの３つが関連付けられる。その結果、リアルタイムで分類した結果に基づいて、図１４(b)に示すように、関連付けられた事象と保守データを画面表示装置９４０に表示できる。本表示結果に基づいてプラントの運転員はどのような保守を実施するかを判断するための情報を取得できる。

本発明は、時系列データに基づいて診断対象の状態を診断する診断装置として、火力発電プラント、原子力発電プラントなどの各種プラントの異常検知、通信機器の異常検知などに適用可能である。また、心電図などの時系列データを処理して健康状態を診断するなど、様々な用途に適用可能である。

１、２ 時系列データ
３ 外部入力信号
４ 入力データ
５、６、７、５０ 信号ＤＢ情報
８、９ 画像表示情報
１０ データ収録装置情報
２０ 前処理データ
２１、２５ 分類結果
２２ 評価結果
２３、２４ 分類設定値
１００ 診断対象
２００ 時系列データ収録装置
３００ 診断装置
３１０ データ入力インターフェイス
３２０ データ出力インターフェイス
３３０ 信号データベース
３４０ 診断手段
４００ 前処理手段
４１０ データ項目設定部
４２０ 正規化範囲設定部
４３０ 分解能設定部
５００ 分類手段
５１０ ＡＲＴ
５２０ ＭＴ
５３０ ＶＱＣ
６００ 後処理手段
７００ 分類結果評価手段
８００ 設定値調整手段
９００ 外部装置
９１０ 外部入力装置
９２０ キーボード
９３０ マウス
９４０ 画像表示装置

Claims (21)

1. 診断対象から収集した時系列データに基づいて、対象の状態を診断する診断装置において、
   前記診断装置は、設定パラメータに基づいて前記時系列データを分類するための前処理を実行して前処理データを生成する前処理手段と、
   前記前処理データをデータの類似性に応じて複数のカテゴリに分類した分類結果を生成する分類手段と、
   前記分類結果を分類されたカテゴリ数の経時変化パターンに応じて評価した評価結果を生成する分類結果評価手段と、
   前記評価結果が所望の値となるように前記前処理手段で用いる設定パラメータを調整する設定値調整手段と、を備え、
   前記設定パラメータは、診断に用いる時系列データのデータ項目パラメータ、前記時系列データのデータ項目の正規化範囲パラメータ、データの分解能を決定するパラメータの内少なくとも一つを含み、
   前記分類結果評価手段は、カテゴリ数が増加した後で一定数を維持し、その後再上昇した場合は高評価とする評価結果を生成する
   ことを特徴とする診断装置。
2. 請求項１に記載の診断装置は、
   前記分類結果を信号データベース情報として出力する後処理手段と、
   前記信号データベース情報に基づいて画像表示情報を生成する画像表示情報生成手段を更に備えること
   を特徴とする診断装置。
3. 請求項２に記載の診断装置において、
   前記後処理手段は、前記診断装置の利用者によって登録された事象と分類結果の特徴量とを関連付けする処理を実施し、
   次に登録した分類結果が得られた時には、画像表示装置に登録した事象を表示すること
   を特徴とする診断装置。
4. 請求項１に記載の診断装置において、
   前記分類結果評価手段は、前記診断装置の利用者によって入力された異常発生時刻に分類結果の特徴量の経時変化が所望の特性である場合に高評価とすること
   を特徴とする診断装置。
5. 請求項１に記載の診断装置において、
   前記前処理手段では、診断に用いる時系列データのデータ項目のパラメータの初期値として、異常が発生した位置に近い計測器で計測したデータ項目を抽出すること
   を特徴とした診断装置。
6. 請求項２に記載の診断装置において、
   前記後処理手段では、異常発生時刻を特定する異常発生日時特定部を備えること
   を特徴とする診断装置。
7. 請求項２に記載の診断装置において、
   前記後処理手段は、分類結果と保守データの関連付け部を備えること
   を特徴とする診断装置。
8. 請求項１乃至請求項７の何れかに記載の診断装置において、
   前記設定値調整手段は遺伝的アルゴリズムもしくは強化学習法を用いて実装すること
   を特徴とする診断装置。
9. 請求項６に記載の診断装置において、
   前記異常発生日時特定部は、特徴量が２回目に変化し始めた時刻を異常発生時刻として特定すること
   を特徴とする診断装置。
10. 請求項２に記載の診断装置において、
    診断中に分類結果が同じ傾向となったときに関連付けした異常事象を画像表示装置に表示すること
    を特徴とする診断装置。
11. 請求項７に記載の診断装置において、
    診断中に分類結果が同じ傾向となったときに関連付けした異常事象と保守データを画像表示装置に表示すること
    を特徴とする診断装置。
12. 請求項１に記載の診断装置において、
    前記分類手段は、前記前処理データをデータの類似性に応じてカテゴリに分類した分類結果を生成し、
    前記分類結果評価手段は、前記分類結果を前記特徴量の経時変化パターンとしてカテゴリ番号の増加パターンに応じて評価した評価結果を生成すること
    を特徴とする診断装置。
13. 診断対象から収集した時系列データに基づいて、対象の状態を診断する診断方法において、
    前記診断方法は、設定パラメータに基づいて前記時系列データを分類するための前処理を実行して前処理データを生成する前処理ステップと、
    前記前処理データをデータの類似性に応じて複数のカテゴリに分類した分類結果を生成する分類ステップと、
    前記分類結果を分類されたカテゴリ数の経時変化パターンに応じて評価した評価結果を生成する分類結果評価ステップと、
    前記評価結果が所望の値となるように前記前処理ステップで用いる設定パラメータを調整する設定値調整ステップと、を備え、
    前記設定パラメータは、診断に用いる時系列データのデータ項目パラメータ、前記時系列データのデータ項目の正規化範囲パラメータ、データの分解能を決定するパラメータの内少なくとも一つを含み、
    前記分類結果評価ステップは、カテゴリ数が増加した後で一定数を維持し、その後再上昇した場合は高評価とする評価結果を生成する
    ことを特徴とする診断方法。
14. 請求項１３に記載の診断方法は、
    前記分類結果を信号データベース情報として出力する後処理ステップと、
    前記信号データベース情報に基づいて画像表示情報を生成する画像表示情報生成ステップを更に備えること
    を特徴とする診断方法。
15. 請求項１４に記載の診断方法において、
    前記後処理ステップは、前記診断方法の利用者によって登録された事象と分類結果の特徴量とを関連付けする処理を実施し、
    次に登録した分類結果が得られた時には、画像表示装置に登録した事象を表示すること
    を特徴とする診断方法。
16. 請求項１３に記載の診断方法において、
    前記分類結果評価ステップは、前記診断方法の利用者によって入力された異常発生時刻に分類結果の特徴量の経時変化が所望の特性である場合に高評価とすること
    を特徴とする診断方法。
17. 請求項１３に記載の診断方法において、
    前記前処理ステップでは、診断に用いる時系列データのデータ項目のパラメータの初期値として、異常が発生した位置に近い計測器で計測したデータ項目を抽出すること
    を特徴とした診断方法。
18. 請求項１４に記載の診断方法において、
    前記後処理ステップでは、異常発生時刻を特定する異常発生日時特定ステップを備えること
    を特徴とする診断方法。
19. 請求項１４に記載の診断方法において、
    前記後処理ステップは、分類結果と保守データの関連付けステップを備えること
    を特徴とする診断方法。
20. 請求項１３乃至請求項１９の何れかに記載の診断方法において、
    前記設定値調整ステップは遺伝的アルゴリズムもしくは強化学習法を用いられること
    を特徴とする診断方法。
21. 請求項１８に記載の診断方法において、
    前記異常発生日時特定ステップは、特徴量が２回目に変化し始めた時刻を異常発生時刻として特定すること
    を特徴とする診断方法。

Images