JP6896432B2 - 故障予知方法、故障予知装置および故障予知プログラム - Google Patents

Description

開示の実施形態は、故障予知方法、故障予知装置および故障予知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ことにより、故障の発生を予知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、センサ値および正常閾値間の差の積算値や、異常発生継続時間などを用いて、センサの故障予兆を評価するための評価指標を算出し、かかる評価指標を用いてセンサの故障予兆を検出する。

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、機械設備が、たとえば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）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、たとえばこの膨大な数のセンサ各々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、センサの瞬時値と閾値との比較結果に基づいて故障予兆を検出するため、たとえばセンサ値が閾値を超えるまでの振る舞いは示さないものの、センサ値の時間変動に現れるような故障予兆を検出することはできない。

また、同じ機械設備でも、各センサのセンサ値の変動は、機械設備の設置場所や気象条件など、周囲環境の影響を受けた振る舞いを示す場合がある。上述した従来技術を用いた場合、かかる周囲環境の違いや変化に応じて随時閾値などを調整する必要があり、故障予兆の検出の精度を確保するうえで、煩雑な手順を踏まねばならない。

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簡便に且つ精度よく捉えることができる故障予知方法、故障予知装置および故障予知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知方法は、収集工程と、抽出工程と、第１学習工程と、第２学習工程と、評価工程と、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センサデータを収集する。前記抽出工程は、前記収集工程によって収集されたセンサデータから、前記機械設備が正常状態にあった正常期間のセンサデータを抽出する。前記第１学習工程は、前記正常期間に対し学習対象となる基準日時を設定し、前記正常期間において前記基準日時を変化させつつ、該基準日時から過去の所定の直近期間のセンサデータの時間変動が特徴ベクトルに含まれるように機械学習を実行することで、任意の日時のセンサデータが入力された場合に当該任意の日時のセンサデータに対する予測値を出力する回帰モデルを前記センサごとに生成する。前記第２学習工程は、前記正常期間において前記基準日時を変化させつつ、前記基準日時のセンサデータが前記回帰モデルのそれぞれへ入力された場合の前記予測値に対する回帰残差である予測誤差の前記正常期間分をデータセットとした機械学習を実行することで、前記予測誤差に基づく前記センサ間の相関性を示す相関モデルを生成する。前記評価工程は、前記正常期間よりも後の任意の評価日時を基準とする前記直近期間のセンサデータを前記回帰モデルへ入力することによって前記評価日時における前記予測誤差を少なくとも一部の前記センサについて取得し、該予測誤差を前記相関モデルへ入力することによって得られる該相関モデルの出力値に基づいて前記機械設備の正常状態からの乖離度を算出する。

実施形態の一態様によれば、機械設備の故障予兆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知方法の概要説明図（その１）である。 図１Ｂは、実施形態に係る故障予知方法の概要説明図（その２）である。 図１Ｃは、実施形態に係る故障予知方法の概要説明図（その３）である。 図１Ｄは、実施形態に係る故障予知方法の概要説明図（その４）である。 図２Ａは、実施形態に係る故障予知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、第１学習工程に係る処理の流れの説明図である。 図３Ｂは、第２学習工程に係る処理の流れの説明図である。 図４は、報知部による報知例を示す図である。 図５Ａは、故障予知装置が実行する処理手順を示すフローチャート（その１）である。 図５Ｂは、故障予知装置が実行する処理手順を示すフローチャート（その２）である。 図６は、故障予知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知方法、故障予知装置および故障予知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、発電所プラントなどの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知方法の概要について、図１Ａ〜図１Ｄを参照して説明する。図１Ａ〜図１Ｄは、実施形態に係る故障予知方法の概要説明図（その１）〜（その４）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。本実施形態に係る故障予知方法では、かかるセンサ群からのセンサデータに基づき、センサＳ−１〜Ｓ−ｎ間の相関性（以下、「センサ相関性」と言う場合がある）を把握し、かかるセンサ相関性の変化に基づいて対象機械１００全体の挙動の変化を把握することとした。

具体的には、図１Ｂに示すように、本実施形態に係る故障予知方法では、「正常期間分」のセンサ相関性を示す各センサＳ−１〜Ｓ−ｎのセンサデータを用いて機械学習を実行し（ステップＳ１）、センサ相関モデル１２ｅ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ディープラーニングを用いる。ディープラーニングについては公知のため、詳細な説明は省略する。

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。

かかる正常期間分のセンサ相関性に基づいて生成されるセンサ相関モデル１２ｅにより、言わば対象機械１００の正常状態をモデル化することができる。そして、本実施形態に係る故障予知方法では、図１Ｂに示すように、かかるセンサ相関モデル１２ｅに対し、「評価日時分」のセンサ相関性を示す各センサＳ−１〜Ｓ−ｎのセンサデータを入力し、その結果得られるセンサ相関モデル１２ｅの出力値（回帰値）に基づいて、正常状態からの乖離度を評価する（ステップＳ２）。かかる乖離度が大きければ、故障予兆を示すとして、対象機械１００の故障を予知することができる。なお、ここで「評価日時分」とは、たとえば対象機械１００のユーザが、故障予兆の判定、すなわち故障の予知を実施する日時分を指す。

このように、本実施形態に係る故障予知方法では、対象機械１００全体の挙動をセンサ相関性によって把握し、その挙動の変化は、正常状態のセンサ相関性をモデル化したセンサ相関モデル１２ｅの出力値により得ることができる。そして、かかる出力値に基づく正常状態からの乖離度の大きさにより、対象機械１００の故障を予知する。

したがって、本実施形態に係る故障予知方法によれば、たとえば故障発生時のセンサデータから機械学習により生成した故障モデルに基づく故障予知方法であれば必要となる、すべての故障現象のモデル化の実施など、煩雑な工程を必要としない。したがって、対象機械１００の故障予兆を簡便に且つ精度よく捉えることが可能となる。

また、さらに、本実施形態に係る故障予知方法では、図１Ａに示すように、各センサＳ−１〜Ｓ−ｎのセンサデータの時間変動、すなわち時系列の相関性を特徴ベクトル（以下、単に「ベクトル」と言う）に含めた機械学習を行い、センサデータの時間変動に現れる故障の予兆を把握可能にしている。

具体的には、図１Ｃに示すように、センサデータの波形があったとして、たとえば時刻ｔ１と時刻ｔ２で波形値が同じであるものとする。かかる場合、図１Ｃの左側の図に示すように、センサデータを瞬時値のみで学習すると、時刻ｔ１および時刻ｔ２それぞれの波形地に至るまでのセンサデータの振る舞いの違いを把握することはできない。すなわち、センサデータの時間変動に故障の予兆が現れても、故障を予知することができない。

これに対し、図１Ｃの右側の図に示すように、かかるセンサデータを、たとえば図中の所定直近時間分の時間変動を含めて学習すると、所定直近時間分の幅を持つ窓Ｗ１，Ｗ２それぞれにおけるセンサデータの振る舞いの違いを把握することができる。すなわち、センサデータの時間変動に故障の予兆が現れた場合に、故障を予知することができる。本実施形態に係る故障予知方法では、センサデータのかかる所定直近時間分の時間変動を含めた機械学習をディープラーニングにより、実行する。これにより、対象機械１００の故障予兆を精度よく捉えることが可能となる。なお、本実施形態では、所定直近時間は「３時間」であるものとして説明を進める。

また、図１Ａに戻り、本実施形態に係る故障予知方法では、さらに対象機械１００の周囲状況、たとえば気温データの時間変動をベクトルに含めた機械学習を行う。たとえばセンサＳ−１〜Ｓ−ｎのセンサデータには、気温との相関性が高いものがある。したがって、かかるセンサデータは季節変動の影響を受けることとなり、たとえば上述の正常期間が１年間に満たなければ、かかる正常期間外において上述の正常状態からの乖離度の精度が低下するおそれがある。

そこで、本実施形態に係る故障予知方法では、気温データの時間変動をベクトルに含めた機械学習を行うことにより、季節変動による影響を低減させる。なお、気温データもまた、センサデータと同様に時間変動を抽出するのは、気温変化の影響は、センサデータに対して時間遅れで作用するためである。これにより、対象機械１００の故障予兆を精度よく捉えることが可能となる。なお、本実施形態では、気温データもまた直近「３時間」分を抽出するものとする。

このようなセンサデータおよび気温データの時間変動をベクトルに反映させた機械学習を経て、上述のセンサ相関モデル１２ｅにより評価日時分のセンサ相関性を評価するにあたり、本実施形態では、２段階の学習工程を踏む。この点の概要について、図１Ｄを用いて説明する。

図１Ｄに示すように、本実施形態に係る故障予知方法では、第１学習工程から第２学習工程の順で、２段階の機械学習を実行する。

第１学習工程では、まず各センサＳ−１〜Ｓ−ｎにつき、「学習対象日時」の直近３時間分のセンサデータおよび気温データ（以下、単に「学習データ」と言う場合がある）をベクトルとした正常期間分のデータセットを第１学習データセット１２ｂとして抽出する。そして、これを入力とした機械学習を実行することで（ステップＳ１１）、回帰モデル１２ｃを生成する。なお、ｉを離散時間のインデックスとしたとき、「学習対象日時」はＴｉで表され、ステップＳ１１は、正常期間に対してｉを変化させつつ実行される。また、ここで用いる機械学習のアルゴリズムもディープラーニングである。

生成された回帰モデル１２ｃには、学習対象日時Ｔｉの学習データが再度入力されて、回帰値である正常期間における学習対象日時Ｔｉごとの予測値、ならびに、回帰残差である正常期間における学習対象日時Ｔｉごとの予測誤差が算出される。

第２学習工程では、各センサＳ−１〜Ｓ−ｎについての、正常期間における学習対象日時Ｔｉごとの予測誤差を第２学習データセット１２ｄとして抽出する。そして、これを入力とした機械学習を実行することで（ステップＳ１２）、上述のセンサ相関モデル１２ｅを生成する。

かかる２段階の学習工程により、回帰モデル１２ｃおよびセンサ相関モデル１２ｅを生成し、これらを用いて評価日時分の評価データを評価することにより、センサデータや気温データの時間変動が与える影響が考慮された対象機械１００の挙動の変化を捉えることが可能となる。すなわち、本実施形態によれば、対象機械１００の故障予兆を簡便に且つ精度よく捉えることができる。

以下、上述した故障予知方法を適用した故障予知システム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知システム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１１ｆのブロック図である。

図２Ａに示すように、故障予知システム１は、故障予知装置１０と、対象機械１００と、周囲状況提供部２００とを備える。故障予知装置１０と、対象機械１００および周囲状況提供部２００とは、ネットワーク接続されて通信可能に設けられ、故障予知装置１０は、対象機械１００からのセンサデータおよび周囲状況提供部２００からの周囲状況データを適宜収集可能に設けられている。

周囲状況提供部２００は、周囲状況データを提供する施設やデバイスなどである。周囲状況データは、たとえば気温データである。したがって、周囲状況提供部２００は、たとえば公営や民間の気象情報提供施設や温度センサなどである。また、周囲状況提供部２００は、入力装置を介した人間の手入力により、周囲状況を提供するものであってもよい。

故障予知装置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、第１学習部１１ｃと、予測誤差算出部１１ｄと、第２学習部１１ｅと、評価部１１ｆと、判定部１１ｇと、報知部１１ｈ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、第１学習データセット１２ｂと、回帰モデル１２ｃと、第２学習データセット１２ｄと、センサ相関モデル１２ｅと、評価データセット１２ｆと、評価情報１２ｇとを記憶する。評価情報１２ｇは、予測誤差１２ｇａと、乖離度１２ｇｂと、寄与率１２ｇｃとを含む。

制御部１１は、故障予知装置１０の全体制御を行う。収集部１１ａは、対象機械１００のセンサ群からのセンサデータ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。また、収集部１１ａは、あわせて周囲状況提供部２００からの周囲状況データを所定の周期で収集して、収集データ１２ａへ格納する。

抽出部１１ｂは、運用初回時に設定される正常期間および所定直近時間に基づき、各センサＳ−１〜Ｓ−ｎにつき、収集データ１２ａから学習対象日時の直近３時間分のセンサデータおよび気温データをベクトルとした正常期間分のデータセットを抽出し、第１学習データセット１２ｂへ格納する。

また、抽出部１１ｂは、各センサＳ−１〜Ｓ−ｎにつき、収集データ１２ａから評価日時の直近３時間分のセンサデータおよび気温データをベクトルとしたデータセットを抽出し、評価データセット１２ｆへ格納する。

以下、第１学習工程に係る各処理部および第２学習工程に係る各処理部について説明するが、説明を分かりやすくするために、第１学習工程に係る処理の流れおよび第２学習工程に係る処理の流れについて、図３Ａおよび図３Ｂを用いて先に説明しておく。

図３Ａは、第１学習工程に係る処理の流れの説明図である。また、図３Ｂは、第２学習工程に係る処理の流れの説明図である。なお、図３Ａおよび図３Ｂでは、回帰モデル１２ｃおよびセンサ相関モデル１２ｅをそれぞれニューラルネットワークのイメージで模式的に図示している。

まず、図３Ａに示すように、第１学習工程に係る処理では、上でも述べたがセンサＳ−１〜Ｓ−ｎごとに、センサデータおよび気温データの時間変動をベクトルに反映させる機械学習を実行する。具体的には、センサＳ−１〜Ｓ−ｎごとの正常期間分の時系列データを対象とし、たとえばここで、学習対象日時ＴｉのセンサデータがＹｉ、直近３時間のセンサデータがＸｉであるものとする。

かかる場合に、第１学習工程に係る処理では、正常期間に対しインデックスｉを変化させつつ（図中の矢印３０１参照）、ディープラーニングによる機械学習を実行し、ＹとＸの関係をモデル化して回帰モデル１２ｃを生成する。なお、回帰モデル１２ｃでは、隣り合うデータは連続すると仮定できるため、たとえば「再帰型ニューラルネットワーク」のほか、「畳み込みニューラルネットワーク」を用いることができる。

そして、回帰モデル１２ｃの生成後、かかる回帰モデル１２ｃへ再度Ｘｉを入力したときの予測値ＹＹｉから（図中の「正常期間」における「予測」参照）、予測誤差Ｅｉ（＝Ｙｉ−ＹＹｉ）を算出して保持する。ここで保持される予測誤差Ｅｉは、上述した第２学習データセット１２ｄへ含まれることとなる。

なお、図３Ａの右側に示すように、評価日時においては、評価日時の直近３時間分のセンサデータおよび気温データをベクトルとした評価データセットが回帰モデル１２ｃへ入力され、そのときの予測値から（図中の「評価日時」側における「予測」参照）、予測誤差が算出されて保持される。ここで保持される予測誤差は、上述した正常状態からの乖離度の評価に際してセンサ相関モデル１２ｅへ入力されることとなる。

次に、図３Ｂに示すように、第２学習工程に係る処理では、上でも述べたが、各センサＳ−１〜Ｓ−ｎについての、正常期間における学習対象日時Ｔｉごとの予測誤差を第２学習データセット１２ｄとしてディープラーニングによる機械学習を実行し、センサ相関モデル１２ｅを生成する。

図３Ｂのニューラルネットワークに図示するように、センサ相関モデル１２ｅには、正常のみを学習する分析方法として、たとえば「オートエンコーダ」を用いることができる。センサ相関モデル１２ｅの生成後、入力値とエンコーダ出力値の誤差（再構成誤差）を演算することで、正常状態からの乖離度を示すパラメータを得ることができる。

すなわち、図３Ｂの右側に示すように、評価日時においては、評価日時における各センサＳ−１〜Ｓ−ｎの予測誤差がセンサ相関モデル１２ｅへ入力され、その入力値とセンサ相関モデル１２ｅの出力値との誤差により乖離度が算出されることとなる（図中の矢印３０２参照）。かかる乖離度を所定の判定閾値により判定することで、対象機械１００の故障予兆を判定することができる。

図２の説明に戻り、第１学習部１１ｃについて説明する。第１学習部１１ｃは、各センサＳ−１〜Ｓ−ｎにつき、第１学習データセット１２ｂを入力としたディープラーニングにより、回帰モデル１２ｃを生成する。

予測誤差算出部１１ｄは、各センサＳ−１〜Ｓ−ｎにつき、生成された回帰モデル１２ｃへ第１学習データセット１２ｂを再度入力して得られる正常期間における学習対象日時Ｔｉごとの予測値から、学習対象日時Ｔｉごとの予測誤差を算出し、第２学習データセット１２ｄへ格納する。

第２学習部１１ｅは、第２学習データセット１２ｄを入力としたディープラーニングにより、センサ相関モデル１２ｅを生成する。

評価部１１ｆは、各センサＳ−１〜Ｓ−ｎにつき、抽出部１１ｂによって抽出された評価データセット１２ｆを回帰モデル１２ｃへ入力し、回帰モデル１２ｃによる予測結果を受け取る。また、評価部１１ｆは、受け取った予測結果をセンサ相関モデル１２ｅへ入力し、センサ相関モデル１２ｅによる出力結果を受け取る。

そして、評価部１１ｆは、受け取った予測結果および出力結果に基づいて故障予兆を判定するための各種評価値を算出し、評価情報１２ｇへ格納する。評価値は、予測誤差１２ｇａ、乖離度１２ｇｂ、寄与率１２ｇｃに対応する。

ここで、評価部１１ｆ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１１ｆは、予測誤差算出部１１ｆａと、乖離度算出部１１ｆｂと、寄与率算出部１１ｆｃとを備える。

予測誤差算出部１１ｆａは、各センサＳ−１〜Ｓ−ｎにつき、評価データセット１２ｆを取得して回帰モデル１２ｃへ入力し、回帰モデル１２ｃから出力される予測値から評価日時分の予測誤差を算出し、評価情報１２ｇの予測誤差１２ｇａへ格納する。

乖離度算出部１１ｆｂは、予測誤差１２ｇａ中のセンサＳ−１〜Ｓ−ｎそれぞれの予測誤差をセンサ相関モデル１２ｅへ入力し、センサ相関モデル１２ｅの出力値から、正常状態からの乖離度を算出する。また、乖離度算出部１１ｆｂは、算出した乖離度を評価情報１２ｇの乖離度１２ｇｂへ格納する。

寄与率算出部１１ｆｃは、予測誤差１２ｇａから評価日時における各センサＳ−１〜Ｓ−ｎの予測誤差を寄与率として算出する。また、寄与率算出部１１ｆｃは、算出した寄与率を評価情報１２ｇの寄与率１２ｇｃへ格納する。

図２Ａの説明に戻り、つづいて判定部１１ｇについて説明する。判定部１１ｇは、乖離度１２ｇｂ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１１ｈに対し、報知要求指示を行う。

報知部１１ｈは、判定部１１ｇ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１１ｈは、乖離度１２ｇｂおよび寄与率１２ｇｃ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４に、かかる報知例を示した。図４は、報知部１１ｈによる報知例を示す図である。図４に示すように、報知部１１ｈは、たとえば「評価日時」と、「正常状態からの乖離度」と、「寄与率上位５センサ」とを表示装置などに報知することができる。

ユーザは、たとえば「正常状態からの乖離度」を確認することで、対象機械１００全体の異常度合いを知ることができる。また、たとえば「寄与率上位５センサ」を確認することで、異常の原因を推定することができる。

次に、故障予知装置１０が実行する処理手順について、図５Ａおよび図５Ｂを用いて説明する。図５Ａおよび図５Ｂは、故障予知装置１０が実行する処理手順を示すフローチャート（その１）および（その２）である。

図５Ａ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、たとえば正常期間の日数や所定直近時間（本実施形態では順に、「３０日間」、「３時間」）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Ｓ１０５（図５Ｂ参照）へ制御を移す。

つづいて制御部１１は、ステップＳ１０３のループ処理を実行する。ステップＳ１０３は、第１学習工程に対応し、センサ数分が繰り返される。

ステップＳ１０３では、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、学習対象日時の直近３時間分のセンサデータおよび気温データをベクトルとした正常期間分の学習データセットを抽出し（ステップＳ１０３１）、第１学習データセット１２ｂへ格納する。

そして、第１学習部１１ｃが、第１学習データセット１２ｂを入力として、ディープラーニングにより、回帰モデル１２ｃを生成する（ステップＳ１０３２）。

そして、予測誤差算出部１１ｄが、学習対象日時の学習データ（直近３時間分のセンサデータおよび気温データ）を入力とした回帰モデル１２ｃの予測値から学習対象日時分の予測誤差を算出し（ステップＳ１０３３）、第２学習データセット１２ｄへ格納する。なお、ステップＳ１０３３は、学習対象日時をずらしながら正常期間分が繰り返される。

ステップＳ１０３のループ処理が終了すると、つづいてステップＳ１０４が実行される。ステップＳ１０４は、第２学習工程に対応する。

ステップＳ１０４では、第２学習部１１ｅが、各センサＳ−１〜Ｓ−ｎの予測誤差をベクトルとした正常期間分の学習データセット（すなわち、第２学習データセット１２ｄ）から、ディープラーニングにより、センサ相関モデル１２ｅを生成する。

つづいて、図５Ｂに示すように、制御部１１が、ステップＳ１０５のループ処理を実行する。ステップＳ１０５は、センサ数分が繰り返される。

ステップＳ１０５では、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、評価日時の直近３時間分のセンサデータおよび気温データをベクトルとした評価データセットを抽出し（ステップＳ１０５１）、評価データセット１２ｆへ格納する。

そして、評価部１１ｆの予測誤差算出部１１ｆａが、抽出した評価データセット（評価日時の直近３時間分のセンサデータおよび気温データ）を入力とした回帰モデル１２ｃの予測値から評価日時分の予測誤差を算出し（ステップＳ１０５２）、評価情報１２ｇの予測誤差１２ｇａへ格納する。

ステップＳ１０５のループ処理が終了すると、つづいてステップＳ１０６が実行される。ステップＳ１０６では、評価部１１ｆの乖離度算出部１１ｆｂが、予測誤差１２ｇａ中の各センサＳ−１〜Ｓ−ｎの予測誤差を入力としたセンサ相関モデル１２ｅの出力値から、正常状態からの乖離度を算出する。

そして、評価部１１ｆの寄与率算出部１１ｆｃが、各センサＳ−１〜Ｓ−ｎの予測誤差に基づき、各センサＳ−１〜Ｓ−ｎの寄与率を算出する（ステップＳ１０７）。

つづいて、判定部１１ｇが、評価部１１ｆ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Ｓ１０８）。ここで、乖離度が判定閾値以上である場合（ステップＳ１０８，Ｙｅｓ）、報知部１１ｈが、正常状態からの乖離度と寄与率上位のセンサＳ−１〜Ｓ−ｎを報知し（ステップＳ１０９）、処理を終了する。

また、ステップＳ１０８の判定条件を満たさない場合（ステップＳ１０８，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１１ｈにより報知させてもよい。

なお、実施形態に係る故障予知装置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、故障予知装置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が故障予知装置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、第１学習部１１ｃ、予測誤差算出部１１ｄ、第２学習部１１ｅ、評価部１１ｆ、判定部１１ｇおよび報知部１１ｈ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知装置１０は、収集部１１ａと、抽出部１１ｂと、第１学習部１１ｃと、第２学習部１１ｅと、評価部１１ｆと、判定部１１ｇとを含む。

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のセンサデータを収集する。抽出部１１ｂは、センサデータのうち、対象機械１００が正常状態にあった所定の正常期間分を抽出する。

第１学習部１１ｃは、正常期間分に対し学習対象となる学習対象日時（「基準日時」の一例に相当）を設定し、学習対象日時から過去の所定の直近期間分の時間変動が特徴ベクトルに含まれるように、学習対象日時を正常期間分に対して変化させながら機械学習を実行することで、学習対象日時のセンサデータに対する予測値を出力する回帰モデル１２ｃを生成する。

第２学習部１１ｅは、センサＳ−１〜Ｓ−ｎごとで予測値に基づいて算出された学習対象日時ごとの予測誤差が特徴ベクトルに含まれるように機械学習を実行することで、センサ相関モデル１２ｅ（「センサ間の相関モデル」の一例に相当）を生成する。

評価部１１ｆは、正常期間分における正常期間よりも後の任意の評価日時から過去の直近期間分のセンサデータを回帰モデル１２ｃへ入力することによって評価日時における予測誤差をすべてのセンサＳ−１〜Ｓ−ｎについて取得し、予測誤差をセンサ相関モデル１２ｅへ入力することによって得られるセンサ相関モデル１２ｅの出力値に基づいて対象機械１００の正常状態からの乖離度を算出する。判定部１１ｇは、乖離度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知装置１０によれば、対象機械１００の故障予兆を簡便に且つ精度よく捉えることができる。

（その他の実施形態）
ところで、上述した実施形態では、評価部１１ｆが、対象機械１００の備えるすべてのセンサＳ−１〜Ｓ−ｎの予測誤差を取得する場合を例に挙げたが、センサＳ−１〜Ｓ−ｎのうちの一部のセンサのみから予測誤差を取得するようにしてもよい。

具体的には、センサＳ−１〜Ｓ−ｎは、評価対象として予め選択可能であるものとしたうえで、評価部１１ｆは、かかる評価対象として予め選択されたセンサについて予測誤差を取得する。また、評価部１１ｆは、評価対象でないセンサについては予測誤差に対応する所定の指定値、たとえば人手による指令値を取得する。そして、評価部１１ｆは、取得した予測誤差および指定値をセンサ相関モデル１２ｅへ入力することによってセンサ相関モデル１２ｅの出力値を得ることとなる。すなわち、評価対象でないセンサについては、予測誤差に対応するリファレンスデータが直接入力される。

これは、センサデータの中には、明らかに故障とは関係のないデータが含まれる場合があり、このような場合にあえて予測誤差を取得するセンサを限定的にすることで、対象機械１００の故障予兆を精度よく捉えるのに資するものである。別の言い方をすれば、たとえば運用上やメンテナンス等の都合により、一部のセンサが故障とは関係のないセンサデータを出力することが明らかである場合に、かかる一部のセンサについては予測誤差を取得せずに人手等による指令値をリファレンスデータとしてセンサ相関モデル１２ｅへ入力可能とすることで、故障予兆を捉える精度を保つのに資することができる。

このように、評価部１１ｆは、正常期間分における正常期間よりも後の任意の評価日時から過去の直近期間分のセンサデータを回帰モデル１２ｃへ入力することによって評価日時における予測誤差を少なくとも一部のセンサについて取得し、予測誤差をセンサ相関モデル１２ｅへ入力することによって得られるセンサ相関モデル１２ｅの出力値に基づいて対象機械１００の正常状態からの乖離度を算出してもよい。これにより、対象機械１００の故障予兆を簡便に且つ精度よく捉えるのに資することができる。

また、上述した実施形態では、機械学習のアルゴリズムとしてディープラーニングを用いるものとしたが、用いるアルゴリズム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、回帰モデル１２ｃやセンサ相関モデル１２ｅ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、ランダムフォレストなどを用いてもよい。

また、上述した実施形態では、各センサＳ−１〜Ｓ−ｎのセンサデータに気温データを対応付ける場合を例に挙げたが、たとえばセンサデータと気温データの相関係数を求め、気温データと相関性の高いセンサについてのみ気温データを対応付けることとしてもよい。また、センサデータと気温データを必ずしも同一時間軸上で対応付ける必要はなく、気温変化の影響が時間遅れで作用することを考慮し、時間をずらして対応付けるなどしてもよい。

また、上述した実施形態では、周囲状況データが気温データである場合を例に挙げたが、無論これに限られるものではない。たとえば、湿度データであってもよいし、気圧データや風力データなどであってもよい。また、気象に係る条件に限らず、周囲状況データは、機械設備の設置箇所などに係るものであってもよい。たとえば、機械設備が海上プラントなどである場合は、水位データなどを含んでもよい。また、機械設備の位置を特定する位置データ（緯度、経度、高度など）が含まれてもよい。

また、上述した実施形態では、正常期間が「３０日間」であり、所定直近時間が「３時間」であるものとしたが、無論、あくまで一例であり、たとえばシステムの運用上、最適となるように調整された設定値を用いるようにしてもよい。

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 故障予知システム
１０ 故障予知装置
１１ａ 収集部
１１ｂ 抽出部
１１ｃ 第１学習部
１１ｅ 第２学習部
１１ｆ 評価部
１１ｇ 判定部
１１ｈ 報知部
１２ｃ 回帰モデル
１２ｅ センサ相関モデル
１２ｇ 評価情報
１２ｇａ 予測誤差
１２ｇｂ 乖離度
１２ｇｃ 寄与率
１００ 対象機械
Ｓ−１〜Ｓ−ｎ センサ

Claims (10)

1. 機械設備に設けられた複数のセンサのセンサデータを収集する収集工程と、
   前記収集工程によって収集されたセンサデータから、前記機械設備が正常状態にあった正常期間のセンサデータを抽出する抽出工程と、
   前記正常期間に対し学習対象となる基準日時を設定し、前記正常期間において前記基準日時を変化させつつ、該基準日時から過去の所定の直近期間のセンサデータの時間変動が特徴ベクトルに含まれるように機械学習を実行することで、任意の日時のセンサデータが入力された場合に当該任意の日時のセンサデータに対する予測値を出力する回帰モデルを前記センサごとに生成する第１学習工程と、
   前記正常期間において前記基準日時を変化させつつ、前記基準日時のセンサデータが前記回帰モデルのそれぞれへ入力された場合の前記予測値に対する回帰残差である予測誤差の前記正常期間分をデータセットとした機械学習を実行することで、前記予測誤差に基づく前記センサ間の相関性を示す相関モデルを生成する第２学習工程と、
   前記正常期間よりも後の任意の評価日時を基準とする前記直近期間のセンサデータを前記回帰モデルへ入力することによって前記評価日時における前記予測誤差を少なくとも一部の前記センサについて取得し、該予測誤差を前記相関モデルへ入力することによって得られる該相関モデルの出力値に基づいて前記機械設備の正常状態からの乖離度を算出する評価工程と、
   前記乖離度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知方法。
2. 前記収集工程は、
   前記機械設備の周囲状況に関する周囲状況データを収集し、
   前記抽出工程は、
   前記正常期間のセンサデータを抽出するに際して、前記正常期間に対応する前記周囲状況データを前記正常期間のセンサデータに含ませて抽出し、
   前記第１学習工程は、
   前記基準日時から過去の前記直近期間のセンサデータおよび前記周囲状況データの時間変動が特徴ベクトルに含まれるように前記機械学習を実行することで、前記回帰モデルを生成すること
   を特徴とする請求項１に記載の故障予知方法。
3. 前記周囲状況データは、気温データであって、
   前記抽出工程は、
   前記気温データと相関性が高いセンサデータにつき、前記気温データを対応付けること
   を特徴とする請求項２に記載の故障予知方法。
4. 前記評価工程は、
   評価対象として予め選択された前記センサについて前記予測誤差を取得するとともに、前記評価対象でない前記センサについては前記予測誤差に相当するリファレンスデータを取得し、前記予測誤差および前記リファレンスデータを前記相関モデルへ入力することによって該相関モデルの出力値を得ること
   を特徴とする請求項１、２または３に記載の故障予知方法。
5. 前記相関モデルは、オートエンコーダであって、
   前記評価工程は、
   前記相関モデルの入力値と出力値との誤差を前記機械設備の正常状態からの前記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１〜４のいずれか一つに記載の故障予知方法。
6. 前記評価工程は、
   前記評価日時における前記センサそれぞれの前記予測誤差を、値が大きいほど前記機械設備の故障予兆に関わる度合いが高いことを示す評価値である前記センサごとの寄与率として算出すること
   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知方法。
7. 前記判定工程によって前記機械設備に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、
   前記機械設備に故障予兆ありと判定した場合に、前記評価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６に記載の故障予知方法。
8. 前記正常期間は、
   前記機械設備の運用初回時から、少なくとも前記機械設備の環境要因および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１〜７のいずれか一つに記載の故障予知方法。
9. 機械設備に設けられた複数のセンサのセンサデータを収集する収集部と、
   前記収集部によって収集されたセンサデータから、前記機械設備が正常状態にあった正常期間のセンサデータを抽出する抽出部と、
   前記正常期間に対し学習対象となる基準日時を設定し、前記正常期間において前記基準日時を変化させつつ、該基準日時から過去の所定の直近期間のセンサデータの時間変動が特徴ベクトルに含まれるように機械学習を実行することで、任意の日時のセンサデータが入力された場合に当該任意の日時のセンサデータに対する予測値を出力する回帰モデルを前記センサごとに生成する第１学習部と、
   前記正常期間において前記基準日時を変化させつつ、前記基準日時のセンサデータが前記回帰モデルのそれぞれへ入力された場合の前記予測値に対する回帰残差である予測誤差の前記正常期間分をデータセットとした機械学習を実行することで、前記予測誤差に基づく前記センサ間の相関性を示す相関モデルを生成する第２学習部と、
   前記正常期間よりも後の任意の評価日時を基準とする前記直近期間のセンサデータを前記回帰モデルへ入力することによって前記評価日時における前記予測誤差を少なくとも一部の前記センサについて取得し、該予測誤差を前記相関モデルへ入力することによって得られる該相関モデルの出力値に基づいて前記機械設備の正常状態からの乖離度を算出する評価部と、
   前記乖離度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知装置。
10. 機械設備に設けられた複数のセンサのセンサデータを収集する収集手順と、
    前記収集手順によって収集されたセンサデータから、前記機械設備が正常状態にあった正常期間のセンサデータを抽出する抽出手順と、
    前記正常期間に対し学習対象となる基準日時を設定し、前記正常期間において前記基準日時を変化させつつ、該基準日時から過去の所定の直近期間のセンサデータの時間変動が特徴ベクトルに含まれるように機械学習を実行することで、任意の日時のセンサデータが入力された場合に当該任意の日時のセンサデータに対する予測値を出力する回帰モデルを前記センサごとに生成する第１学習手順と、
    前記正常期間において前記基準日時を変化させつつ、前記基準日時のセンサデータが前記回帰モデルのそれぞれへ入力された場合の前記予測値に対する回帰残差である予測誤差の前記正常期間分をデータセットとした機械学習を実行することで、前記予測誤差に基づく前記センサ間の相関性を示す相関モデルを生成する第２学習手順と、
    前記正常期間よりも後の任意の評価日時を基準とする前記直近期間のセンサデータを前記回帰モデルへ入力することによって前記評価日時における前記予測誤差を少なくとも一部の前記センサについて取得し、該予測誤差を前記相関モデルへ入力することによって得られる該相関モデルの出力値に基づいて前記機械設備の正常状態からの乖離度を算出する評価手順と、
    前記乖離度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
    をコンピュータに実行させることを特徴とする故障予知プログラム。

Images