JP6699012B2 - 異常予兆検出システムおよび異常予兆検出方法 - Google Patents

Description

本発明は、機械設備の異常予兆検出システム、方法に関し、特に機械設備の状態監視における正常パターン学習方法および異常予兆検知方法に関する。

従来の異常検知の考え方は、予め人間の経験などにより測定値に対して閾値を設定しておく方法が主であったが、各設備の仕様個体差や測定誤差が精度悪化を招いていた。

昨今ではネットワークやストレージなどのデータ収集インフラが発達したことにより、設備に取付けられたセンサから常時データが容易に収集できるようになった。その集められた大量のデータをもとに、直接異常・正常のより精度の高い判定基準を構築することが可能になっている。

ただし、機械設備のあらゆる異常データを集めることは通常困難である。そこで、正常データのみをもって、正常な範囲の境界面を構築する方法が考えられる。

正常データに基づいた異常予兆診断方法として、例えば特許文献１がある。特許文献１では、主に正常学習データの収集方法（異常発生時・メンテナンス時のデータを除外する方法）、および運転パターンの変動を考慮した方法（特定のセンサの変化率でパターンを判別する方法）が提案されている。また、ｋ−ｍｅａｎｓ法により求めたクラスタ重心を元に異常度を算出している。

また特許文献２では、良品から得た正常データに基づくモデルに従って異常判定を行っている。また特許文献３では、正常であるが、異常と判定してしまうデータ（誤報）に対する解決策が記載されている。

特開２０１３−８０９２号公報 特開２００６−２５８５３５号公報 特開２００６−１６３５１７号公報

特許文献１は、機械設備に保守作業が施された場合においての異常予兆診断方法をメインにしている。具体的な正常パターンの学習方法、異常検出のアルゴリズムについては言及されていない。また、運転モードによる正常パターンの判別方法をセンサデータの変化率で行うとしている。この方法では、定常状態および過渡状態のような明らかに大きな変動があるようなパターンは判別できるかもしれないが、同じ定常状態においても挙動の異なる運転パターンが存在するようなケースも考えられ、その場合には判別ができない。

特許文献２では、製品製造過程において得られるデータの量や良品・不良品の割合によってパラメトリックな手法とノンパラメトリックな手法を併用・使い分けることをメインにしている。

特許文献３では、ニューラルネットワークによる識別において、正常なパターンを異常と判定したケースにおいて、直近のデータを用いてネットワークを更新する手法を提案しているが、ネットワークの更新により過去の判定結果に影響がでる可能性がある。

本発明は上記課題を解決するものであり、その目的は、異常予兆のための判定基準となる正常パターンが複数存在するケースでも対応することができる異常予兆検出システムおよび異常予兆検出方法を提供することにある。

上記課題を解決するための請求項１に記載の異常予兆検出システムは、機械設備の状態を検出した状態検出情報に基づいて機械設備の異常予兆を検出する異常予兆検出システムであって、
異常予兆検出対象の機械設備の状態を検出した状態検出情報を収集して記録するデータ収集部と、
前記データ収集部により収集された状態検出情報のうち、ある一定時間に収集された時系列のセグメントデータについて、正常であると判定された情報が正常クラスデータとして登録される正常クラステーブルと、
前記セグメントデータから、セグメントデータの収集時間を設定時間に分割したフレーム毎の特徴量であるフレーム単位の特徴量を抽出する特徴量抽出部と、
前記正常クラステーブルに登録された正常クラスデータを判別器として、前記特徴量抽出部により抽出されたフレーム単位の特徴量が、正常か異常かを判定する第１の判定処理を行った後、当該判定処理の判定結果から、前記セグメントデータが正常か異常かを判定する第２の判定処理を行う正常・異常判定部と、
設定した学習期間中に、前記正常・異常判定部の第２の判定処理により正常であると判定されたデータに該当する正常クラスが、前記正常クラステーブルに存在するか否かを判定し、存在しない場合に、当該正常であると判定されたデータを新たな正常クラスとして生成し前記正常クラステーブルに登録する正常パターン学習部と、
を備えたことを特徴としている。

また、請求項６に記載の異常予兆検出方法は、機械設備の状態を検出した状態検出情報に基づいて機械設備の異常予兆を検出する異常予兆検出方法であって、
データ収集部が、異常予兆検出対象の機械設備の状態を検出した状態検出情報を収集して記録するデータ収集ステップと、
特徴量抽出部が、前記データ収集部により収集された状態検出情報のうち、ある一定時間に収集された時系列のセグメントデータから、セグメントデータの収集時間を設定時間に分割したフレーム毎の特徴量であるフレーム単位の特徴量を抽出する特徴量抽出ステップと、
正常・異常判定部が、前記データ収集部により収集された状態検出情報のうち、ある一定時間に収集された時系列のセグメントデータについて、正常であると判定された情報が正常クラスデータとして登録される正常クラステーブル内に登録された正常クラスデータを判別器として、前記特徴量抽出ステップにより抽出されたフレーム単位の特徴量が、正常か異常かを判定する第１の判定ステップと、
正常・異常判定部が、前記第１の判定ステップの判定結果から、前記セグメントデータが正常か異常かを判定する第２の判定ステップと、
正常パターン学習部が、設定した学習期間中に、前記第２の判定ステップにより正常であると判定されたデータに該当する正常クラスが、前記正常クラステーブルに存在するか否かを判定し、存在しない場合に、当該正常であると判定されたデータを新たな正常クラスとして生成し前記正常クラステーブルに登録する正常パターン学習ステップと、
を備えたことを特徴としている。

上記構成において、正常クラステーブルに現在登録されている正常クラスデータを判別器として、フレーム単位の特徴量（状態検出情報）を判定（第１の判定処理）した結果が異常であるが、第２の判定処理にてセグメントデータとして正常であると判定された場合を考える。

この場合、学習期間中に正常パターン学習部は、第２の判定処理にて正常であると判定されたデータに該当する正常クラスが正常クラステーブルに存在するか否かを判定し、存在しない（第１の判定処理にて異常と判定された）ので、当該第２の判定処理にて正常であると判定されたデータを新たな正常クラスとして生成し、正常クラステーブルに登録する。

このため、現時点における正常クラステーブル内の判別器を用いては正常クラスと判定することができなかった正常パターンが学習され、新たな正常クラスとして正常クラステーブルに追加登録され、正常クラステーブル内の判別器（正常クラスデータ）が複数用意されることになる。これによって、例えば機械設備の運転パターンの変動により、異常予兆のための判定基準となる正常パターンが複数存在するケースに十分に対応することができる。

また、請求項２に記載の異常予兆検出システムは、請求項１において、前記正常・異常判定部により異常であると判定されたデータの異常度を示す数値を算出する異常度算出部を備えたことを特徴としている。

また、請求項３に記載の異常予兆検出システムは、請求項２において、前記異常度算出部は１クラスサポートベクターマシンを用いて異常度を算出することを特徴としている。

また、請求項７に記載の異常予兆検出方法は、請求項６において、異常度算出部が、前記第１の判定ステップおよび第２の判定ステップにより異常であると判定されたデータの異常度を示す数値を算出する異常度算出ステップを備えたことを特徴としている。

上記構成によれば、異常であると判定されたデータの異常度が判明する。

また、請求項４に記載の異常予兆検出システムは、請求項２又は３において、前記異常度算出部により算出された異常度が記録される異常度履歴テーブルを備えたことを特徴としている。

上記構成によれば、異常度履歴テーブル内の異常度の傾向を監視することができ、例えば急激な異常度変化が見られた場合に判別器が故障である等を認識することができる。

また、請求項５に記載の異常予兆検出システムは、請求項１ないし４のいずれか１項において、前記状態検出情報は、前記機械設備が運転中であるか否かを示す情報を含んでおり、
前記運転中であるか否かを示す情報から、機械設備が運転中か停止中かを判定し、停止中であれば前記正常パターン学習部および正常・異常判定部を動作させない運用中判別部を備えたことを特徴としている。

また、請求項８に記載の異常予兆検出方法は、請求項６又は７において、前記状態検出情報は、前記機械設備が運転中であるか否かを示す情報を含んでおり、
運用中判別部が、前記運転中であるか否かを示す情報から、機械設備が運転中か停止中かを判定し、停止中であれば前記正常パターン学習部および正常・異常判定部の動作を禁止するステップを備えたことを特徴としている。

上記構成によれば、機械設備の停止中の誤ったデータによって、正常パターン学習部および正常・異常判定部を動作させることがない。

（１）請求項１〜８に記載の発明によれば、学習期間において判別器による判定結果に基づいて正常パターンを逐次的に追加することで、正常パターンが複数存在するケースに対応できる。また、正常データのみで判定基準をつくることで、事前に異常パターンを考慮する必要なく異常検出が可能である。
（２）請求項２、３、７に記載の発明によれば、異常であると判定されたデータの異常度が判明する。
（３）請求項４に記載の発明によれば、異常度履歴テーブル内の異常度の傾向を監視することができる。
（４）請求項５、８に記載の発明によれば、機械設備の停止中の誤ったデータによって正常パターン学習部および正常・異常判定部を動作させることがない。

本発明の一実施形態例による異常予兆検出システムの構成図。 本発明の一実施形態例による正常パターン学習処理のフローチャート。 本発明の一実施形態例によるフレーム分割およびフレームクラス判定・セグメントクラス判定の様子を示す説明図。 本発明の一実施形態例で用いる１クラスＳＶＭの異常／正常判定の様子を示す２次元データでのイメージ図。 本発明の一実施形態例による異常度算出方法を示す２次元データでのイメージ図。

以下、図面を参照しながら本発明の実施の形態を説明するが、本発明は下記の実施形態例に限定されるものではない。本実施形態例では、予め設定した学習期間（正常データが収集できる期間）において、正常クラステーブルに用意した判別器により正常と判断しないものを新たな正常クラスとしてテーブルに逐次追加していくことで、正常クラス数を想定することなく正常クラステーブルを構築することができる。また、正常クラス判別器を複数用意することで、正常パターンが複数存在するようなケースに対応できる。また、異常と判定したデータについて算出した異常度の傾向を監視することで、判別結果の妥当性を考慮する。

図１は本実施形態例による異常予兆検出システムの全体構成を示している。図１において、診断対象（異常予兆検出対象）の機械設備１０（１台又は複数台設けられ、図１では２台を図示している）は、例えば電力設備や発電所内の各種機器で構成され、この機械設備１０には、例えば電圧、電流、モータ回転速度、圧力、温度等を検出するセンサ（図示省略）が設けられている。

機械設備１０の運転状態（運転又は停止状態）は図示省略の検出手段により検出され、その運転データは、前記センサのデータとともに通信手段２０によって異常予兆検出装置１００に送信される。

尚、前記センサデータ、運転データが本発明の状態検出情報を構成している。また、前記データのセンシングはある間隔（例えば１時間に１回）で、ある一定時間（例えば１０秒）行われる。

前記通信手段２０を介して送信されたセンサデータおよび運転データは、異常予兆検出装置１００内のデータ記録部１１０に蓄積される（異常予兆検出装置１００のデータ収集機能（データ収集部）がデータ記録部１１０に記録する）。

１２０は、データ記録部１１０に蓄積されたセンサデータから後述するフレーム単位で特徴量を抽出する特徴量抽出部であり、例えば振動のような周期性を伴うデータであればＦＦＴ、ケプストラムなどを計算する。

１３０は、後述の正常クラス記録部１５１に構築された正常クラステーブル１５１Ｔに登録された正常クラスデータを判別器として、前記特徴量抽出部１２０により抽出されたフレーム単位の特徴量が、正常か異常かを判定するフレームクラス判定（第１の判定処理）を行った後、当該判定処理の判定結果から、後述するセグメントデータが正常か異常かを判定するセグメントクラス判定（第２の判定処理）を行うフレーム・セグメント異常判定部（正常・異常判定部）である。

１４０は、フレーム・セグメント異常判定部１３０により異常であると判定されたデータの異常度を算出する異常度計算部（異常度算出部）である。この異常度計算部１４０で算出された異常度は後述の図２に示す異常度履歴テーブル１４０Ｔに記録される。

１５０は、異常予兆検出装置１００で予め設定された学習期間中に、前記フレーム・セグメント異常判定部１３０のセグメントクラス判定により正常であると判定されたデータに該当する正常クラスが、前記正常クラステーブル１５１Ｔに存在するか否かを判定し、存在しない場合に、当該正常であると判定されたデータを新たな正常クラスとして生成し正常クラステーブル１５１Ｔに登録する正常パターン学習部である。

正常クラス記録部１５１には、機械設備の状態検出情報に関し、正常であると判定された情報が正常クラスデータとして登録される正常クラステーブル１５１Ｔが構築されている。

クラス履歴記録部１５２には、前記フレーム・セグメント異常判定部１３０により正常であると判定されたデータに該当する正常クラスが、前記正常クラステーブル１５１Ｔに存在する場合に、正常パターン学習部１５０によって正常クラスのシンボルが登録されるクラス履歴テーブル１５２Ｔが構築されている。

１６０は、データ記録部１１０に蓄積された運転データから、機械設備１０が運転中か停止中かを判定し、停止中であればフレーム・セグメント異常判定部１３０および正常パターン学習部１５０を動作させない運用中判別部である。

図１の異常予兆検出装置１００は、例えばコンピュータにより構成され、通常のコンピュータのハードウェアリソース、例えばＲＯＭ、ＲＡＭ、ＣＰＵ、入力装置、出力装置、通信インターフェース、ハードディスク、記録媒体およびその駆動装置を備えている。

このハードウェアリソースとソフトウェアリソース（ＯＳ、アプリケーションなど）との協働の結果、異常予兆検出装置１００は、図１に示すように、データ記録部１１０（データ収集部）、特徴量抽出部１２０、フレーム・セグメント異常判定部１３０、異常度計算部１４０、正常パターン学習部１５０、正常クラス記録部１５１、クラス履歴記録部１５２および運用中判別部１６０を実装する。

前記データ記録部１１０、正常クラス記録部１５１、クラス履歴記録部１５２はハードディスクあるいはＲＡＭなどの保存手段・記憶手段に構築される。

次に、上記のように構成された異常予兆検出システムの動作を図２〜図５とともに説明する。図２は異常予兆検出装置１００が行う異常判定処理および正常パターン学習処理の手順を示し、図３はフレーム分割およびフレームクラス判定・セグメントクラス判定の様子を示している。図３のグラフは例として加速度振動センサで計測した振動データを表しており、横軸は時間（ミリ秒）、縦軸は加速度振幅（G)である。

これらの図において、特徴量抽出部１２０は、データ記録部１１０に蓄積されたセンサデータ、すなわち図３上段のようにある一定時間収集されたセンサ時系列データ（セグメントと呼ぶ）を必要に応じてフレームに分割してフレーム毎の特徴量を抽出する（ステップＳ１）。

次にステップＳ２において、フレーム・セグメント異常判定部１３０は、前記分割された各フレーム毎に、正常クラステーブル１５１Ｔに登録されている判別器（正常クラスデータ）によりフレームクラス判定を行う（第１の判定処理）。図３中段の例は、３つのフレームクラスの判定結果が正常、正常、異常である例を示している。

次にステップＳ３において、フレーム・セグメント異常判定部１３０は、フレームクラス判定（ステップＳ２）の判定結果から、セグメントのクラス判定を行う（第２の判定処理）。このセグメントクラス判定は、例えばフレームクラス判定結果が正常２に対し異常が１であるため、図３の下段のようにセグメントとして正常であると判定している。

ただし、ある時刻の判定結果割合のみでは、たまたま異常と判断されてしまう可能性があるため、ステップＳ２におけるフレームクラス判定の判定結果割合を常に記録しておき、ある所定の回数異常と判定した場合、あるいは割合の変化率が極端に大きい場合は異常とみなす。

クラス判定は通常、異常データを集めることが困難であるため、正常データのみをもって、異常／正常の判定基準を設ける必要がある。１クラスのみのデータから外れ値（異常）を検出する手法として、例えば１クラスサポートベクターマシン（１クラスＳＶＭ)がある。１クラスＳＶＭはカーネル法を併用することにより非線形な分類境界面（判別器）を構築することも可能である。図４は２次元データでの１クラスＳＶＭの異常／正常判定の様子を表した図である。グラフは例として２次元データを表しており、軸の単位はない。○プロットが学習期間に収集したデータ、□プロットが運用中に収集したデータである。点線が異常と正常を分ける境界面、斜線部が異常と判定する領域である。

さらにステップＳ３では、異常度計算部１４０がセグメントでの異常度を算出し、これを異常度履歴テーブル１４０Ｔに記録する。例えばステップＳ２のフレームクラス判定において異常と判定した割合を異常度とする。あるいは図５のように、斜線部の異常領域に含まれる異常と判定したデータについて１クラスＳＶＭにより求めた異常・正常境界面（判別面）からの距離の平均を異常度とする。

次にステップＳ４において、正常パターン学習部１５０は、ステップＳ３のセグメントクラス判定において正常であると判定されたデータに該当する正常クラスが、前記正常クラステーブル１５１Ｔに存在するか、否かを判定する（セグメントクラス判定で正常と判定されたデータを、正常クラステーブル１５１Ｔ内に登録された判別器により正常と判定するものが存在するか否かを判定する）。

その結果、すでに正常クラステーブル１５１Ｔに登録された判別器で正常と判定できるものがあれば、クラス履歴記録部１５２のクラス履歴テーブル１５２Ｔに、該当する正常クラスのシンボルを登録する。

また、正常クラステーブル１５１Ｔに登録された判別器により正常と判定するものが存在しない場合、ステップＳ５にて異常予兆検出装置１００により予め設定された学習期間中であることを確認した後、正常クラスを追加するステップＳ６に進む。

ステップＳ６では、ステップＳ３のセグメントクラス判定により正常であると判定されたデータに該当する正常クラスが、正常クラステーブル１５１Ｔに存在しない場合（現在登録されている判別器では正常と判断しない場合）に、前記正常であると判定されたデータを新たな正常クラスとして生成し正常クラステーブル１５１Ｔに追加登録する。

例えば図３のように、フレームクラス判定では３つのフレームのうち１つのフレームが「異常」と判定され（正常クラステーブル１５１Ｔ内の判別器では正常と判別されず）、セグメントデータとしては正常と判定されたデータについて、新たな正常クラスとして正常クラステーブル１５１Ｔに追加登録される。

これによって、正常クラステーブル１５１Ｔ内の判別器（正常クラスデータ）が複数用意されることになる。

尚、学習期間ではない期間において、前記センサデータはステップＳ１〜Ｓ３の異常判定処理が施され、セグメントクラス判定で正常であるデータが、ステップＳ４において正常クラステーブル１５１Ｔに存在すると判定された場合もクラス履歴テーブル１５２Ｔに登録される。

また学習期間ではない期間において、ステップＳ４で正常と判定するものがない場合はステップＳ７においてアラート処理（異常通知などの処理）を行う。

したがって、学習期間中は、ステップＳ３のセグメントクラスの判定結果が正常であるデータのみで判定基準を作成する（正常クラステーブル１５１Ｔ内の判別器の作成を行う）ことになる。

尚、運用中判別部１６０は、運転データにより機械設備１０が停止中であると判別した場合、図２のステップＳ１〜Ｓ７を実行させない。

本実施形態例によれば、現時点における正常クラステーブル１５１Ｔ内の判別器を用いては正常クラスと判定することができなかった正常パターンが学習され、新たな正常クラスとして正常クラステーブル１５１Ｔに追加登録され、正常クラステーブル１５１Ｔ内の判別器（正常クラスデータ）が複数用意されることになる。これによって、例えば機械設備１０の運転パターンの変動により、異常予兆のための判定基準となる正常パターンが複数存在するケースに十分に対応することができる。

また、異常度履歴テーブル１４０Ｔ内の異常度の傾向を監視することができ、例えば急激な異常度変化が見られた場合に判別器が故障である等を認識することができる。

また、運用中判別部１６０の動作により、機械設備１０の停止中の誤ったデータによって正常パターン学習部１５０およびフレーム・セグメント異常判定部１３０を動作させることがない。

１０…機械設備
２０…通信手段
１００…異常予兆検出装置
１１０…データ記録部
１２０…特徴量抽出部
１３０…フレーム・セグメント異常判定部
１４０…異常度計算部
１４０Ｔ…異常度履歴テーブル
１５０…正常パターン学習部
１５１…正常クラス記録部
１５１Ｔ…正常クラステーブル
１５２…クラス履歴記録部
１５２Ｔ…クラス履歴テーブル
１６０…運用中判別部

Claims (8)

1. 機械設備の状態を検出した状態検出情報に基づいて機械設備の異常予兆を検出する異常予兆検出システムであって、
   異常予兆検出対象の機械設備の状態を検出した状態検出情報を収集して記録するデータ収集部と、
   前記データ収集部により収集された状態検出情報のうち、ある一定時間に収集された時系列のセグメントデータについて、正常であると判定された情報が正常クラスデータとして登録される正常クラステーブルと、
   前記セグメントデータから、セグメントデータの収集時間を設定時間に分割したフレーム毎の特徴量であるフレーム単位の特徴量を抽出する特徴量抽出部と、
   前記正常クラステーブルに登録された正常クラスデータを判別器として、前記特徴量抽出部により抽出されたフレーム単位の特徴量が、正常か異常かを判定する第１の判定処理を行った後、当該判定処理の判定結果から、前記セグメントデータが正常か異常かを判定する第２の判定処理を行う正常・異常判定部と、
   設定した学習期間中に、前記正常・異常判定部の第２の判定処理により正常であると判定されたデータに該当する正常クラスが、前記正常クラステーブルに存在するか否かを判定し、存在しない場合に、当該正常であると判定されたデータを新たな正常クラスとして生成し前記正常クラステーブルに登録する正常パターン学習部と、
   を備えたことを特徴とする異常予兆検出システム。
2. 前記正常・異常判定部により異常であると判定されたデータの異常度を示す数値を算出する異常度算出部を備えたことを特徴とする請求項１に記載の異常予兆検出システム。
3. 前記異常度算出部は１クラスサポートベクターマシンを用いて異常度を算出することを特徴とする請求項２に記載の異常予兆検出システム。
4. 前記異常度算出部により算出された異常度が記録される異常度履歴テーブルを備えたことを特徴とする請求項２又は３に記載の異常予兆検出システム。
5. 前記状態検出情報は、前記機械設備が運転中であるか否かを示す情報を含んでおり、
   前記運転中であるか否かを示す情報から、機械設備が運転中か停止中かを判定し、停止中であれば前記正常パターン学習部および正常・異常判定部を動作させない運用中判別部を備えたことを特徴とする請求項１ないし４のいずれか１項に記載の異常予兆検出システム。
6. 機械設備の状態を検出した状態検出情報に基づいて機械設備の異常予兆を検出する異常予兆検出方法であって、
   データ収集部が、異常予兆検出対象の機械設備の状態を検出した状態検出情報を収集して記録するデータ収集ステップと、
   特徴量抽出部が、前記データ収集部により収集された状態検出情報のうち、ある一定時間に収集された時系列のセグメントデータから、セグメントデータの収集時間を設定時間に分割したフレーム毎の特徴量であるフレーム単位の特徴量を抽出する特徴量抽出ステップと、
   正常・異常判定部が、前記データ収集部により収集された状態検出情報のうち、ある一定時間に収集された時系列のセグメントデータについて、正常であると判定された情報が正常クラスデータとして登録される正常クラステーブル内に登録された正常クラスデータを判別器として、前記特徴量抽出ステップにより抽出されたフレーム単位の特徴量が、正常か異常かを判定する第１の判定ステップと、
   正常・異常判定部が、前記第１の判定ステップの判定結果から、前記セグメントデータが正常か異常かを判定する第２の判定ステップと、
   正常パターン学習部が、設定した学習期間中に、前記第２の判定ステップにより正常であると判定されたデータに該当する正常クラスが、前記正常クラステーブルに存在するか否かを判定し、存在しない場合に、当該正常であると判定されたデータを新たな正常クラスとして生成し前記正常クラステーブルに登録する正常パターン学習ステップと、
   を備えたことを特徴とする異常予兆検出方法。
7. 異常度算出部が、前記第１の判定ステップおよび第２の判定ステップにより異常であると判定されたデータの異常度を示す数値を算出する異常度算出ステップを備えたことを特徴とする請求項６に記載の異常予兆検出方法。
8. 前記状態検出情報は、前記機械設備が運転中であるか否かを示す情報を含んでおり、
   運用中判別部が、前記運転中であるか否かを示す情報から、機械設備が運転中か停止中かを判定し、停止中であれば前記正常パターン学習部および正常・異常判定部の動作を禁止するステップを備えたことを特徴とする請求項６又は７に記載の異常予兆検出方法。

Images