JP6896380B2 - 故障予兆判定方法、故障予兆判定装置および故障予兆判定プログラム - Google Patents

Description

開示の実施形態は、故障予兆判定方法、故障予兆判定装置および故障予兆判定プログラムに関する。

従来、機械設備につき、機械設備に設けられたセンサのセンサ値を監視することで故障予兆を検出する技術が知られている（たとえば、特許文献１参照）。

特許文献１に開示の技術は、車両に搭載されたセンサのセンサ値と正常閾値とを比較し、この比較結果に基づいて、センサに異常が発生しているか否かを判断する。そして、センサに異常が発生していると判断された場合に、異常発生継続時間と、センサ値と正常閾値との差を用いて、センサの故障予兆を評価するための評価指標を算出し、算出された評価指標を用いて、センサの故障予兆を検出するものである。

特開２０１１−２３０６３４号公報

しかしながら、上述した従来技術には、機械設備の故障予兆を示す正常状態からのずれを簡便に且つ精度よく捉えるうえで、さらなる改善の余地がある。

具体的には、たとえば、機械設備が、大型冷凍機やプラントといった大型メカトロニクス機械（以下、「大型機械」と言う）などである場合、センサの数は膨大なものとなる。このため、かかる大型機械に上述の従来技術を適用した場合、たとえば各センサそれぞれへの閾値の対応付けを要する点だけをとってみても、システムを複雑化させてしまうことは想像に難くない。

また、上述した従来技術は、閾値を超える明確な異常状態を検出することには向いているものの、たとえば各構成部品の経年変化などによりシステム全体の挙動に現れはするが閾値を超えるまでのセンサ値は示さない不明確な異常状態を検出することには不向きである。すなわち、機械設備の故障予兆を示す正常状態からのずれを精度よく捉えることができない。

実施形態の一態様は、上記に鑑みてなされたものであって、機械設備の故障予兆を示す正常状態からのずれを簡便に且つ精度よく捉えることができる故障予兆判定方法、故障予兆判定装置および故障予兆判定プログラムを提供することを目的とする。

実施形態の一態様に係る故障予兆判定方法は、収集工程と、抽出工程と、設定工程と、生成工程と、算出工程と、判定工程とを含む。前記収集工程は、機械設備に設けられた複数のセンサの検出値の集まりであるデータセットを所定の周期で収集する。前記抽出工程は、前記収集工程において収集された複数の前記データセットのうちから、前記機械設備が正常状態にあった正常期間において収集された前記データセットの集まりである正常期間分と、前記正常期間よりも後の任意の故障予兆判定タイミングを基準とする直近の過去の所定期間において収集された前記データセットの集まりである直近期間分とを抽出する。前記設定工程は、前記正常期間分の前記データセットのそれぞれに対し、故障でないことを示す付加情報である第１付加情報を対応付けるとともに、前記直近期間分の前記データセットのそれぞれに対し、故障であることを示す第２付加情報を無条件に対応付けたうえで、該正常期間分の前記データセットおよび該直近期間分の前記データセットをともに混在させた２つのグループを設定する。前記生成工程は、前記２つのグループのうちの一方のグループを用いた学習により、入力データとして任意の前記データセットが入力された場合に該入力データに対応する前記付加情報を予測する予測モデルを生成する。前記算出工程は、前記２つのグループのうちの他方のグループの前記データセットのそれぞれを前記予測モデルの前記入力データとすることによって得られる前記付加情報の予測結果に基づいて、前記付加情報が前記第２付加情報であると予測される確率を前記他方のグループの前記データセットのそれぞれについて算出する。前記判定工程は、前記確率に基づいて前記機械設備の故障予兆を判定する。

実施形態の一態様によれば、機械設備の故障予兆を示す正常状態からのずれを簡便に且つ精度よく捉えることができる。

図１Ａは、実施形態に係る故障予兆判定方法の概要説明図（その１）である。 図１Ｂは、実施形態に係る故障予兆判定方法の概要説明図（その２）である。 図１Ｃは、実施形態に係る故障予兆判定方法の概要説明図（その３）である。 図１Ｄは、実施形態に係る故障予兆判定方法の概要説明図（その４）である。 図１Ｅは、実施形態に係る故障予兆判定方法の概要説明図（その５）である。 図１Ｆは、実施形態に係る故障予兆判定方法の概要説明図（その６）である。 図２Ａは、実施形態に係る故障予兆判定システムのブロック図である。 図２Ｂは、評価部のブロック図である。 図３Ａは、抽出部によるデータ整形処理の説明図（その１）である。 図３Ｂは、抽出部によるデータ整形処理の説明図（その２）である。 図３Ｃは、タグ設定部によるタグ設定処理の説明図である。 図４Ａは、実施形態に係る故障予兆判定装置による効果の一例を示す図（その１）である。 図４Ｂは、実施形態に係る故障予兆判定装置による効果の一例を示す図（その２）である。 図５は、故障予兆判定装置が実行する処理手順を示すフローチャートである。 図６は、故障予兆判定装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。

以下、添付図面を参照して、本願の開示する故障予兆判定方法、故障予兆判定装置および故障予兆判定プログラムの実施形態を詳細に説明する。なお、以下に示す実施形態によりこの発明が限定されるものではない。

また、以下では、故障予兆判定の対象となる機械設備を「対象機械１００」と記載する。対象機械１００は、大型メカトロニクス機械であるものとする。

まず、本実施形態に係る故障予兆判定方法の概要について、図１Ａ〜図１Ｆを参照して説明する。図１Ａ〜図１Ｆは、実施形態に係る故障予兆判定方法の概要説明図（その１）〜（その６）である。

図１Ａに示すように、対象機械１００は、センサＳ−１〜Ｓ−ｎのセンサ群を備える。本実施形態では、かかるセンサ群からの検出値を、対象機械１００の稼働に関する１つのデータセットとして取り扱う。

このように、センサ群からの検出値を１まとまりに取り扱い、データセット単位で評価することによって、稼働時におけるセンサＳ−１〜Ｓ−ｎ間の相関関係を含んだ対象機械１００全体の挙動の変化を把握することが可能となる。なお、ここでは、センサ群を例に挙げているが、出力値を出力可能な構成部品であればよい。

また、以下の各図では、かかるデータセットを図１Ａに示すように丸印で示すこととする。また、かかる丸印の中が塗りつぶされたり、丸印の中に文字が記載されたりする場合があるが、この点は都度説明する。

そして、図１Ｂに示すように、本実施形態では、かかるデータセットを対象機械１００の運用中、所定の周期で収集し、収集したデータセットのうち、「正常期間分」と「直近期間分」とを抽出して用いる。

ここで、「正常期間分」とは、対象機械１００が運用初期段階において正常状態にあった所定期間分を指す。なお、対象機械１００のような大型メカトロニクス機械は通常、運用初回時から数年は安定稼働することが見込まれるが、正常期間は、対象機械１００の環境要因や個体差要因が平均化されると想定される、運用初回から数十日間程度に設定されることが好ましい。本実施形態では、正常期間は、運用初回から３０日間であるものとする。

また、「直近期間分」とは、故障予兆を判定しようとする予兆判定日から過去の直近期間を指す。本実施形態では、直近期間は、２週間であるものとする。

なお、図１Ｂに示す「直近期間分」のデータセットのうち、丸印の中が塗りつぶされているものは、「正常期間」とは異なる対象機械１００の挙動を含むデータセットを指す。かかるデータセットは、図１Ｆを用いた説明で後述する。

そして、本実施形態では、かかる「正常期間分」と「直近期間分」とをあわせたうえで、「正常期間分」および「直近期間分」を混在させた２グループに分け、そのうちの一方を「タグ予測モデルの生成用」に用い、他方を「タグ予測モデルを用いた評価用」に用いる。

ここで、「タグ」について説明する。図１Ｃに示すように、本実施形態では、「正常期間分」の各データセットに対し、故障でないことを示す「Ｎ」（正常）のタグを付与する。一方、「直近期間分」の各データセットに対しては、無条件に故障と仮定する「Ｆ」（故障）のタグを付与する。

かかる「直近期間分」の各データセットに対し、無条件に付与される「Ｆ」のタグが、後述するタグ予測モデル１２ｄ（図１Ｄ参照）の生成、および、タグ予測モデル１２ｄによる評価において生きてくる。引き続き、順次説明する。なお、以下では、タグ付けされたデータセットについては、丸印の中にタグの「Ｎ」や「Ｆ」の文字を記載して図中に示す。

図１Ｄに示すように、本実施形態では、前述の「生成用」のグループの各データセットを用いたたとえば機械学習により、入力される「正常期間分」あるいは「直近期間分」に対応するタグを予測するタグ予測モデル１２ｄを生成する。

なお、本実施形態では、機械学習のアルゴリズムとしてランダムフォレストを用いる。ランダムフォレストについては公知のため、詳細な説明は省略する。

そして、本実施形態では、前述の「評価用」のグループの各データセットが入力されたタグ予測モデル１２ｄの予測結果に基づき、タグが「Ｆ」であると予測される確率Ｐ_ｉを算出する。

ここで、確率Ｐ_ｉは、図１Ｅに示すように、たとえば予兆判定日からの「直近期間」と「正常期間」とが近い場合では、そもそも経年変化などの影響による差異は、「正常期間」のデータセットと「直近期間」のデータセットとの間で現れにくい。

こうした場合、生成されるタグ予測モデル１２ｄの中でも、「Ｎ」のタグのデータセットの基準空間、および、「Ｆ」のタグのデータセットの基準空間にも差ができづらくなる。したがって、かかる場合のタグ予測モデル１２ｄによっては、「Ｎ」のタグのデータセットが「Ｆ」のタグと予測されたり、「Ｆ」のタグのデータセットが「Ｎ」のタグと予測されたりで、「正常期間」と「直近期間」とで、タグが「Ｆ」であると予測される確率Ｐ_ｉに差が出づらい。

一方、図１Ｆに示すように、たとえば予兆判定日からの「直近期間」と「正常期間」とが遠い場合、「Ｆ」付きで丸印の中が塗りつぶされた「正常期間とは異なる挙動を含むデータセット」の存在が示すように、経年変化などの影響による差異が「正常期間」のデータセットと「直近期間」のデータセットとの間で現れてきやすい。

こうした場合、生成されるタグ予測モデル１２ｄの中では、「Ｎ」のタグのデータセットの基準空間、および、「Ｆ」のタグのデータセットの基準空間に差がつきやすくなる。したがって、かかる場合のタグ予測モデル１２ｄによっては、「Ｆ」のタグのデータセットが「Ｆ」と予測される可能性は高くなるので、「正常期間」と「直近期間」とで、タグが「Ｆ」であると予測される確率Ｐ_ｉに差が出てくることになる。

図１Ｄの説明に戻る。そして、本実施形態では、つづいて「正常期間分」と「直近期間分」との確率Ｐ_ｉの差を正常状態からの乖離度として算出する。乖離度は、言わば「直近期間分」のデータセットが「正常期間分」のデータセットからどれだけずれたかの指標となる。したがって、かかる乖離度をたとえば判定閾値により判定することによって、故障予兆を示す正常状態からのずれを精度よく捉えることができる。

また、本実施形態では、各センサＳ−１〜Ｓ−ｎごとのセンサ値に対する閾値の対応付けなどを行う必要がない。このため、システムを複雑化させることなく簡便に、故障予兆を示す正常状態からのずれを捉えることができる。

なお、本実施形態では、上述のようにタグ予測モデル１２ｄの生成にランダムフォレストを用いることとしたが、かかる場合、タグ予測モデル１２ｄからセンサＳ−１〜Ｓ−ｎそれぞれの寄与度を取得することができる。したがって、乖離度により、故障予兆ありとの判定がなされる場合には、その故障予兆にセンサＳ−１〜Ｓ−ｎのいずれが寄与しているかにより、故障予兆を示す真因となっている特定部位を推定することができる。また、これにより、対象機械１００に対するメンテナンス性を向上させることができる。

以下、上述した故障予兆判定方法を適用した故障予兆判定システム１の構成について、さらに具体的に説明する。

図２Ａは、本実施形態に係る故障予兆判定システム１のブロック図である。なお、図２Ａでは、本実施形態の特徴を説明するために必要な構成要素を機能ブロックで表しており、一般的な構成要素についての記載を省略している。

換言すれば、図２Ａに図示される各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。たとえば、各機能ブロックの分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況等に応じて、任意の単位で機能的または物理的に分散・統合して構成することが可能である。

なお、図２Ａを用いた説明では、これまでに既に述べた構成要素については、説明を簡略化するか、省略する場合がある。また、図２Ｂは、評価部１１ｅのブロック図である。

図２Ａに示すように、故障予兆判定システム１は、故障予兆判定装置１０と、対象機械１００とを備える。故障予兆判定装置１０と対象機械１００とは、ネットワーク接続されて通信可能に設けられ、故障予兆判定装置１０は、対象機械１００からのデータセットを適宜収集可能に設けられている。

故障予兆判定装置１０は、制御部１１と、記憶部１２とを備える。制御部１１は、収集部１１ａと、抽出部１１ｂと、タグ設定部１１ｃと、モデル生成部１１ｄと、評価部１１ｅと、判定部１１ｆと、報知部１１ｇとを備える。

記憶部１２は、ハードディスクドライブや不揮発性メモリ、レジスタといった記憶デバイスであって、収集データ１２ａと、正常期間データ群１２ｂと、直近期間データ群１２ｃと、タグ予測モデル１２ｄと、評価情報１２ｅとを記憶する。評価情報１２ｅは、確率１２ｅａと、乖離度１２ｅｂと、寄与率１２ｅｃとを含む。

制御部１１は、故障予兆判定装置１０の全体制御を行う。収集部１１ａは、対象機械１００のセンサ群からのデータセットを所定の周期で収集して、収集データ１２ａへ格納する。収集する所定の周期は、経年変化等による故障予兆を示す緩やかな挙動の変化を検知するうえでは、１５分〜１時間程度であってもよい。

抽出部１１ｂは、運用初回時に設定される正常期間および予兆判定日からの過去の直近期間に基づき、収集データ１２ａから正常期間分のデータセットと、直近期間分のデータセットとを抽出し、順にそれぞれ正常期間データ群１２ｂ、直近期間データ群１２ｃへ格納する。

なお、抽出部１１ｂは、各データセットを抽出する際、対象機械１００の挙動を正確に判定するうえで、データ上、不要となる部分を削除するなどのデータ整形を行うことができる。この点について、図３Ａおよび図３Ｂを用いて具体的に説明しておく。図３Ａおよび図３Ｂは、抽出部１１ｂによるデータ整形処理の説明図（その１）および（その２）である。

図３Ａの上段に示すように、抽出部１１ｂは、正常期間および直近期間のそれぞれにつき、停止中のデータセット、すなわち対象機械１００が稼働していなかったり、アイドリング状態にあったりしたときのデータセットがある場合、これを図３Ａの下段に示すように、間引く処理を行う。

これにより、言わば、故障予兆の判定を行うにあたり、対象機械１００の稼働時の挙動を把握するうえではノイズ成分となりうるデータセットをカットすることができるので、たとえば上述したタグ予測モデル１２ｄの予測精度を向上させられるなど、故障予兆判定の精度を高めるのに資することができる。

同様に、図３Ｂに示すように、１つのデータセットの中でもノイズ成分となりうる部分を間引いたり、間隔を詰めたりすることができる。図３Ｂはたとえば、対象機械１００における「Ａ液流速」の検出センサの検出データ例であるが、図３Ｂの上段に示すＭ１部以外のレベル値は、たとえばアイドリング時などに対応する部分であるので、抽出部１１ｂは、かかるＭ１部以外の部分を取り除くことができる。

また、そのうえで、図３Ｂの下段に示すように、抽出部１１ｂは、Ｍ１部において横軸方向で間隔の空いていた部分を詰めることができる。これによっても、対象機械１００の稼働時の挙動を示す部分にデータを絞り込むことができ、故障予兆判定の精度を高めるのに資することができる。

図２Ａの説明に戻り、つづいてタグ設定部１１ｃについて説明する。タグ設定部１１ｃは、正常期間データ群１２ｂに格納された各データセットに対し、故障でないことを示す「Ｎ」のタグを対応付ける（付与する）。また、タグ設定部１１ｃは、直近期間データ群１２ｃに格納された各データセットに対しては、故障であることを示す「Ｆ」のタグを無条件に対応付ける。

また、そのうえで、タグ設定部１１ｃは、正常期間分の各データセット、および、直近期間分の各データセットを混在させた２グループを形成する。これらの点について、図３Ｃを用いて具体的に説明しておく。図３Ｃは、タグ設定部１１ｃによるタグ設定処理の説明図である。

図３Ｃに示すように、タグ設定部１１ｃは、正常期間分の各データセットに対し、「Ｎ」のタグを対応付ける。また、タグ設定部１１ｃは、直近期間分の各データセットに対しては、それらが正常期間とは異なる挙動を含むものであるか否かを問わず、無条件に「Ｆ」のタグを対応付ける。

そのうえで、タグ設定部１１ｃは、「Ｎ」のタグの各データセットと、「Ｆ」のタグの各データセットを混在させた２グループ、タグ予測モデル１２ｄの「生成用」と、タグ予測モデル１２ｄによる「評価用」とを設定する。

なお、正常期間分においても、直近期間分においても、どのデータセットを「生成用」および「評価用」のいずれへ振り分けるかはランダムで構わない。また、「生成用」および「評価用」に対して、「Ｎ」および「Ｆ」のタグの各データセットを、個数がそれぞれ均等となるように振り分けなくともよい。

ただし、タグ予測モデル１２ｄがある程度の予測精度を有するものになるように、「生成用」のグループの各データセットの個数は、「評価用」のグループの各データセットの個数以上であることが好ましい。また、１つのグループにおける「Ｎ」および「Ｆ」のタグのデータセット個数の比率は、「「Ｎ」のタグのデータセット個数＞「Ｆ」のタグのデータセット個数×２」相当が好ましい。

図２Ａの説明に戻り、つづいてモデル生成部１１ｄについて説明する。モデル生成部１１ｄは、タグ設定部１１ｃにおいて形成された「生成用」のグループの各データセットを用いてタグ予測モデル１２ｄを生成する。

評価部１１ｅは、タグ設定部１１ｃにおいて形成された「評価用」のグループの各データセットをタグ予測モデル１２ｄへ入力し、タグ予測モデル１２ｄによる予測結果を受け取る。

そして、評価部１１ｅは、その予測結果に基づいて故障予兆を評価するための各種評価値を算出し、評価情報１２ｅへ格納する。評価値は、確率１２ｅａ、乖離度１２ｅｂ、寄与率１２ｅｃに対応する。

ここで、評価部１１ｅについてさらに具体的に説明する。図２Ｂに示すように、評価部１１ｅは、モデル入力部１１ｅａと、確率算出部１１ｅｂと、乖離度算出部１１ｅｃと、寄与率算出部１１ｅｄとを備える。

モデル入力部１１ｅａは、図中に「タグ付きデータ群」として示した、上述の「評価用」のグループの各データをタグ予測モデル１２ｄへ入力する。確率算出部１１ｅｂは、タグ予測モデル１２ｄが出力する予測結果に基づき、各データセットにおいてタグが「Ｆ」と予測される確率Ｐ_ｉを算出する。また、確率算出部１１ｅｂは、算出した確率Ｐ_ｉを評価情報１２ｅの確率１２ｅａへ格納する。

乖離度算出部１１ｅｃは、確率１２ｅａに基づき、正常期間分と直近期間分との確率Ｐ_ｉの差を正常状態からの乖離度として算出する。

具体的には、乖離度算出部１１ｅｃは、評価情報１２ｅの確率１２ｅａから、たとえば正常期間分における確率Ｐ_ｉの最小値と、直近期間分における確率Ｐ_ｉの最小値とを取り出し、これらの差分を正常状態からの乖離度として算出する。また、乖離度算出部１１ｅｃは、算出した乖離度を評価情報１２ｅの乖離度１２ｅｂへ格納する。

寄与率算出部１１ｅｄは、タグ予測モデル１２ｄから各センサＳ−１〜Ｓ−ｎの寄与度を取得し、式「寄与率_ｉ＝寄与度_ｉ／Σ寄与度_ｉ」から各センサＳ−１〜Ｓ−ｎごとの寄与率を算出する。また、寄与率算出部１１ｅｄは、算出した寄与率を評価情報１２ｅの寄与率１２ｅｃへ格納する。

図２Ａの説明に戻り、つづいて判定部１１ｆについて説明する。判定部１１ｆは、乖離度１２ｅｂを参照して、正常状態からの乖離度が所定の判定閾値以上である場合に、故障予兆ありと判定し、報知部１１ｇに対し、報知要求指示を行う。

報知部１１ｇは、判定部１１ｆから故障予兆ありの報知要求指示を受け付けた場合に、外部装置へアラート通知を報知する。また、このとき報知部１１ｇは、乖離度１２ｅｂおよび寄与率１２ｅｃを参照して、正常状態からの乖離度と、たとえば寄与率上位５位までの各センサＳ−１〜Ｓ−ｎの名称などをあわせて報知することができる。

図４Ａおよび図４Ｂに、本実施形態に係る故障予兆判定装置１０による効果の一例を示した。図４Ａおよび図４Ｂは、実施形態に係る故障予兆判定装置１０による効果の一例を示す図（その１）および（その２）である。

なお、図４Ａおよび図４Ｂには、説明を分かりやすくするために、「故障発生日」に実際に故障が発生した対象機械１００の稼働データに基づき、故障予兆判定装置１０をシミュレーション動作させた場合の図を示している。

具体的には、図４Ａは、横軸右端の「故障発生日」において対象機械１００に故障が発生したが、故障予兆判定装置１０により、「故障発生日」の過去に毎日故障予兆判定処理が行われていたと仮定した場合のシミュレーション結果である。乖離度を判定するための判定閾値は０．１５程度とした。

そうするとまず、故障予兆判定装置１０が算出する正常状態からの乖離度は、累積稼働日数「−１６０」日から「−１２０」日程度まではグラフ上にプロットされていない。これは、正常期間と直近期間とで確率Ｐ_ｉにほとんど差がない、すなわち、「−１６０」日から「−１２０」日においては、対象機械１００全体の挙動について、正常状態からのずれはほぼなかったことを意味している。

ところが、累積稼働日数「−１２０」日あたりから少しずつ乖離度が上がり始め、「−９０」日近辺で乖離度は判定閾値以上となっている（図中の「予兆検知可能日」参照）ことから、実は「故障発生日」よりも９０日も前に、故障予兆の検知が可能であったことが分かる。また、「予兆検知可能日」以降から急速に乖離度が高まっていることも分かる。したがって、本実施形態に係る故障予兆判定装置１０による故障予兆判定処理が行われていれば、今回の「故障発生日」における故障は防ぎ得たことが分かる。

また、図４Ｂに示すのは、図４Ａの「予兆検知可能日」および「故障発生日」における各センサＳ−１〜Ｓ−ｎの寄与率の順位上位５位までである。これを見ると、「予兆検知可能日」および「故障発生日」のそれぞれにおいて、寄与率の高い各センサＳ−１〜Ｓ−ｎは異なっていることが分かる。

これは、経年変化などにより、連動する各センサＳ−１〜Ｓ−ｎ間の相関関係にも日々緩やかに変化が生じることで、故障に繋がり得る要素も日々変化し得ることを示している。また、「予兆検知可能日」に寄与率上位であった各センサＳ−１〜Ｓ−ｎへ対策を打たなかったがために、「故障発生日」においては、別の各センサＳ−１〜Ｓ−ｎに影響が出た可能性も考えられる。

したがって、本実施形態に故障予兆判定装置１０による故障予兆判定処理が行われていれば、「予兆検知可能日」時点において寄与率の高かった各センサＳ−１〜Ｓ−ｎへ対策を打つことができたので、今回の「故障発生日」における故障は防ぎ得たことが分かる。

次に、故障予兆判定装置１０が実行する処理手順について、図５を用いて説明する。図５は、故障予兆判定装置１０が実行する処理手順を示すフローチャートである。

図５に示すように、まず制御部１１が、運用初回であるか否かを判定する（ステップＳ１０１）。ここで、運用初回である場合（ステップＳ１０１，Ｙｅｓ）、つづいて制御部１１は、初期情報設定処理を行う（ステップＳ１０２）。

初期情報設定処理では、たとえば正常期間や直近期間の日数（本実施形態では順に、「３０日間」、「２週間」）がシステム上設定される。運用初回でない場合（ステップＳ１０１，Ｎｏ）、ステップＳ１０３へ制御を移す。

つづいて、抽出部１１ｂが、収集部１１ａにより収集された収集データ１２ａから、正常期間分の各データセット、および、予兆判定日からの直近期間分の各データセットを抽出する（ステップＳ１０３）。このとき、抽出部１１ｂは、抽出した各データセットにつき、故障予兆判定に必要となる部分のみとなるようにデータ整形処理をあわせて行う。

つづいて、たとえばタグ設定部１１ｃが、直近期間分のデータセットの個数が必要最低数以上であるか否かを判定する（ステップＳ１０４）。たとえば本実施形態では、ここでの必要最低数を１４０個程度としている。

ここで、ステップＳ１０４の判定条件を満たす場合（ステップＳ１０４，Ｙｅｓ）、つづいて予兆判定日の当日のデータセット数が必要最低数以上であるか否かを判定する（ステップＳ１０５）。たとえば本実施形態では、ここでの必要最低数を１０個程度としている。

なお、ステップＳ１０４またはＳ１０５の判定条件を満たさない場合（ステップＳ１０４，Ｎｏ／ステップＳ１０５，Ｎｏ）、各必要最低数を満たさないということで、生成されるタグ予測モデル１２ｄの予測精度などにも影響することから、処理を終了する。

一方、ステップＳ１０５の判定条件を満たす場合（ステップＳ１０５，Ｙｅｓ）、つづいてタグ設定部１１ｃが、正常期間分の各データセットに対しては「Ｎ」のタグを、直近期間分の各データセットに対しては「Ｆ」のタグを、それぞれ付与する（ステップＳ１０６）。

つづいて、タグ設定部１１ｃは、「Ｎ」のタグのデータセットと「Ｆ」のタグのデータセットとがそれぞれ混在するように、タグ付きデータを２つのグループにグループ分けする（ステップＳ１０７）。

そして、モデル生成部１１ｄが、グループ分けされた一方の「生成用」の各データセットを用いて、タグ予測モデル１２ｄを生成する（ステップＳ１０８）。

つづいて、評価部１１ｅが、グループ分けされた他方の「評価用」の各データセットをタグ予測モデル１２ｄへ入力し、タグ予測モデル１２ｄが返す予測結果に基づき、タグが「Ｆ」と予測される確率Ｐ_ｉを算出する（ステップＳ１０９）。

そして、評価部１１ｅが、正常期間分における確率Ｐ_ｉの最小値と、直近期間分における確率Ｐ_ｉの最小値とを取り出し、これらの差分を正常状態からの乖離度として算出する（ステップＳ１１０）。なお、ここで、必ずしも確率Ｐ_ｉの最小値である必要はなく、平均値であってもよい。すなわち、代表値であればよい。

そして、評価部１１ｅが、各センサＳ１〜Ｓｎの寄与率を算出する（ステップＳ１１１）。つづいて、判定部１１ｆが、評価部１１ｅにより算出された乖離度が所定の判定閾値以上であるか否かを判定する（ステップＳ１１２）。

ここで、乖離度が判定閾値以上である場合（ステップＳ１１２，Ｙｅｓ）、報知部１１ｇが、故障予兆を報知し（ステップＳ１１３）、処理を終了する。また、ステップＳ１１２の判定条件を満たさない場合（ステップＳ１１２，Ｎｏ）、処理を終了する。なお、この場合において、故障予兆なしを意味する旨を報知部１１ｇにより報知させてもよい。

なお、実施形態に係る故障予兆判定装置１０は、たとえば図６に示すような構成のコンピュータ６０によって実現される。図６は、故障予兆判定装置１０の機能を実現するコンピュータの一例を示すハードウェア構成図である。コンピュータ６０は、ＣＰＵ（Central Processing Unit）６１、ＲＡＭ（Random Access Memory）６２、ＲＯＭ（Read Only Memory）６３、ＨＤＤ（Hard Disk Drive）６４、通信インタフェース（Ｉ／Ｆ）６５、入出力インタフェース（Ｉ／Ｆ）６６、およびメディアインタフェース（Ｉ／Ｆ）６７を備える。

ＣＰＵ６１は、ＲＯＭ６３またはＨＤＤ６４に格納されたプログラムに基づいて動作し、各部の制御を行う。ＲＯＭ６３は、コンピュータ６０の起動時にＣＰＵ６１によって実行されるブートプログラムや、コンピュータ６０のハードウェアに依存するプログラム等を格納する。

ＨＤＤ６４は、ＣＰＵ６１によって実行されるプログラムおよび当該プログラムによって使用されるデータ等を格納する。通信インタフェース６５は、対象機械１００との通信部（図示略）に対応し、通信ネットワークを介して他の機器からデータを受信してＣＰＵ６１へ送り、ＣＰＵ６１が生成したデータを、通信ネットワークを介して他の機器へ送信する。

ＣＰＵ６１は、入出力インタフェース６６を介して、ディスプレイやプリンタ等の出力装置、および、キーボードやマウス等の入力装置を制御する。ＣＰＵ６１は、入出力インタフェース６６を介して、入力装置からデータを取得する。また、ＣＰＵ６１は、生成したデータを、入出力インタフェース６６を介して出力装置へ出力する。

メディアインタフェース６７は、記録媒体６８に格納されたプログラムまたはデータを読み取り、ＲＡＭ６２を介してＣＰＵ６１に提供する。ＣＰＵ６１は、当該プログラムを、メディアインタフェース６７を介して記録媒体６８からＲＡＭ６２上にロードし、ロードしたプログラムを実行する。記録媒体６８は、たとえばＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。

コンピュータ６０が故障予兆判定装置１０として機能する場合、コンピュータ６０のＣＰＵ６１は、ＲＡＭ６２上にロードされたプログラムを実行することにより、収集部１１ａ、抽出部１１ｂ、タグ設定部１１ｃ、モデル生成部１１ｄ、評価部１１ｅ、判定部１１ｆおよび報知部１１ｇの各機能を実現する。また、ＨＤＤ６４は、記憶部１２の機能を実現し、収集データ１２ａ等が格納される。

コンピュータ６０のＣＰＵ６１は、これらのプログラムを、記録媒体６８から読み取って実行するが、他の例として、他の装置から、通信ネットワークを介してこれらのプログラムを取得してもよい。

上述してきたように、実施形態に係る故障予兆判定装置１０は、収集部１１ａと、抽出部１１ｂと、タグ設定部１１ｃ（「設定部」の一例に相当）と、モデル生成部１１ｄ（「生成部」の一例に相当）と、評価部１１ｅ（「算出部」の一例に相当）と、判定部１１ｆとを備える。

収集部１１ａは、対象機械１００（「機械設備」の一例に相当）に設けられた複数のセンサＳ−１〜Ｓ−ｎの検出値を含むデータセットを収集する。抽出部１１ｂは、データセットのうち、対象機械１００が正常状態にあった所定の正常期間分と、過去の所定の直近期間分とを抽出する。

タグ設定部１１ｃは、正常期間分に対し、故障でないことを示すタグ（「付加情報」の一例に相当）である「Ｎ」のタグ（「第１付加情報」の一例に相当）を対応付けるとともに、直近期間分に対し、故障であることを示す「Ｆ」のタグ（「第２付加情報」の一例に相当）を無条件に対応付けたうえで、正常期間分および直近期間分を混在させた２グループを設定する。

モデル生成部１１ｄは、２グループのうちの一方を用いた学習により、入力データに対応するタグを予測するタグ予測モデル１２ｄ（「予測モデル」の一例に相当）を生成する。

評価部１１ｅは、２グループのうちの他方を入力データとすることによって得られるタグ予測モデル１２ｄの予測結果において、タグが「Ｆ」のタグであると予測される確率Ｐ_ｉを算出する。判定部１１ｆは、確率Ｐ_ｉに基づいて対象機械１００の故障予兆を判定する。

したがって、本実施形態に係る故障予兆判定装置１０によれば、対象機械１００の故障予兆を示す正常状態からのずれを簡便に且つ精度よく捉えることができる。

なお、上述した実施形態では、機械学習のアルゴリズムとしてランダムフォレストを用いるものとしたが、機械学習の手法を限定するものではない。したがって、ＳＶＭ（Support Vector Machine）のようなパターン識別器を用いたサポートベクタ回帰等の回帰分析手法により機械学習を実行し、タグ予測モデル１２ｄを生成してもよい。また、ここで、パターン識別器はＳＶＭに限らず、たとえばアダブースト（AdaBoost）などであってもよい。また、ディープラーニングなどを用いてもよい。

さらなる効果や変形例は、当業者によって容易に導き出すことができる。このため、本発明のより広範な態様は、以上のように表しかつ記述した特定の詳細および代表的な実施形態に限定されるものではない。したがって、添付の特許請求の範囲およびその均等物によって定義される総括的な発明の概念の精神または範囲から逸脱することなく、様々な変更が可能である。

１ 故障予兆判定システム
１０ 故障予兆判定装置
１１ 制御部
１１ａ 収集部
１１ｂ 抽出部
１１ｃ タグ設定部
１１ｄ モデル生成部
１１ｅ 評価部
１１ｅａ モデル入力部
１１ｅｂ 確率算出部
１１ｅｃ 乖離度算出部
１１ｅｄ 寄与率算出部
１１ｆ 判定部
１１ｇ 報知部
１２ 記憶部
１２ａ 収集データ
１２ｂ 正常期間データ群
１２ｃ 直近期間データ群
１２ｄ タグ予測モデル
１２ｅ 評価情報
１００ 対象機械
Ｓ−１〜Ｓ−ｎ センサ

Claims (9)

1. 機械設備に設けられた複数のセンサの検出値の集まりであるデータセットを所定の周期で収集する収集工程と、
   前記収集工程において収集された複数の前記データセットのうちから、前記機械設備が正常状態にあった正常期間において収集された前記データセットの集まりである正常期間分と、前記正常期間よりも後の任意の故障予兆判定タイミングを基準とする直近の過去の所定期間において収集された前記データセットの集まりである直近期間分とを抽出する抽出工程と、
   前記正常期間分の前記データセットのそれぞれに対し、故障でないことを示す付加情報である第１付加情報を対応付けるとともに、前記直近期間分の前記データセットのそれぞれに対し、故障であることを示す第２付加情報を無条件に対応付けたうえで、該正常期間分の前記データセットおよび該直近期間分の前記データセットをともに混在させた２つのグループを設定する設定工程と、
   前記２つのグループのうちの一方のグループを用いた学習により、入力データとして任意の前記データセットが入力された場合に該入力データに対応する前記付加情報を予測する予測モデルを生成する生成工程と、
   前記２つのグループのうちの他方のグループの前記データセットのそれぞれを前記予測モデルの前記入力データとすることによって得られる前記付加情報の予測結果に基づいて、前記付加情報が前記第２付加情報であると予測される確率を前記他方のグループの前記データセットのそれぞれについて算出する算出工程と、
   前記確率に基づいて前記機械設備の故障予兆を判定する判定工程と
   を含むことを特徴とする故障予兆判定方法。
2. 前記算出工程はさらに、
   前記他方のグループの前記データセットのうち、前記正常期間分の前記データセットについて算出された前記確率の代表値と、前記直近期間分の前記データセットについて算出された前記確率の代表値との差分を、前記機械設備の正常状態からの乖離度として算出し、
   前記判定工程は、
   前記乖離度が所定の判定閾値以上である場合に、前記機械設備に故障予兆ありと判定すること
   を特徴とする請求項１に記載の故障予兆判定方法。
3. 前記代表値は、前記正常期間分の前記データセットについて算出された前記確率のうちの最小値、および、前記直近期間分の前記データセットについて算出された前記確率のうちの最小値であること
   を特徴とする請求項２に記載の故障予兆判定方法。
4. 前記算出工程はさらに、
   前記予測モデルから前記予測結果に対する前記センサそれぞれの寄与度を取得し、該寄与度に基づいて前記センサそれぞれの寄与率を算出すること
   を特徴とする請求項１、２または３に記載の故障予兆判定方法。
5. 前記判定工程において前記故障予兆ありと判定された場合に、外部装置へのアラート通知を行う報知工程
   をさらに含み、
   前記判定工程は、
   前記故障予兆ありと判定した場合に、前記算出工程により算出された前記寄与率が高い前記センサに関する情報を前記報知工程の前記アラート通知へ含ませること
   を特徴とする請求項４に記載の故障予兆判定方法。
6. 前記機械設備が正常状態にあった所定期間は、
   前記機械設備の運用初回時から、前記機械設備の環境要因や個体差要因が平均化されると想定されるまでの期間が設定されること
   を特徴とする請求項１〜５のいずれか一つに記載の故障予兆判定方法。
7. 前記抽出工程は、
   前記正常期間分の前記データセットおよび前記直近期間分の前記データセットのそれぞれにつき、前記機械設備のアイドリング状態に対応するデータ部分を取り除くデータ整形を行うこと
   を特徴とする請求項１〜６のいずれか一つに記載の故障予兆判定方法。
8. 機械設備に設けられ複数のセンサの検出値の集まりであるデータセットを所定の周期で収集する収集部と、
   前記収集部によって収集された複数の前記データセットのうちから、前記機械設備が正常状態にあった正常期間において収集された前記データセットの集まりである正常期間分と、前記正常期間よりも後の任意の故障予兆判定タイミングを基準とする直近の過去の所定期間において収集された前記データセットの集まりである直近期間分とを抽出する抽出部と、
   前記正常期間分の前記データセットのそれぞれに対し、故障でないことを示す付加情報である第１付加情報を対応付けるとともに、前記直近期間分の前記データセットのそれぞれに対し、故障であることを示す第２付加情報を無条件に対応付けたうえで、該正常期間分の前記データセットおよび該直近期間分の前記データセットをともに混在させた２つのグループを設定する設定部と、
   前記２つのグループのうちの一方のグループを用いた学習により、入力データとして任意の前記データセットが入力された場合に該入力データに対応する前記付加情報を予測する予測モデルを生成する生成部と、
   前記２つのグループのうちの他方のグループの前記データセットのそれぞれを前記予測モデルの前記入力データとすることによって得られる前記付加情報の予測結果に基づいて、前記付加情報が前記第２付加情報であると予測される確率を前記他方のグループの前記データセットのそれぞれについて算出する算出部と、
   前記確率に基づいて前記機械設備の故障予兆を判定する判定部と
   を備えることを特徴とする故障予兆判定装置。
9. コンピュータに、
   機械設備に設けられ複数のセンサの検出値の集まりであるデータセットを所定の周期で収集する収集手順と、
   前記収集手順において収集された複数の前記データセットのうちから、前記機械設備が正常状態にあった正常期間において収集された前記データセットの集まりである正常期間分と、前記正常期間よりも後の任意の故障予兆判定タイミングを基準とする直近の過去の所定期間において収集された前記データセットの集まりである直近期間分とを抽出する抽出手順と、
   前記正常期間分の前記データセットのそれぞれに対し、故障でないことを示す付加情報である第１付加情報を対応付けるとともに、前記直近期間分の前記データセットのそれぞれに対し、故障であることを示す第２付加情報を無条件に対応付けたうえで、該正常期間分の前記データセットおよび該直近期間分の前記データセットをともに混在させた２つのグループを設定する設定手順と、
   前記２つのグループのうちの一方のグループを用いた学習により、入力データとして任意の前記データセットが入力された場合に該入力データに対応する前記付加情報を予測する予測モデルを生成する生成手順と、
   前記２つのグループのうちの他方のグループの前記データセットのそれぞれを前記予測モデルの前記入力データとすることによって得られる前記付加情報の予測結果に基づいて、前記付加情報が前記第２付加情報であると予測される確率を前記他方のグループの前記データセットのそれぞれについて算出する算出手順と、
   前記確率に基づいて前記機械設備の故障予兆を判定する判定手順と
   を実行させることを特徴とする故障予兆判定プログラム。

Images