JP6931615B2 - センサ選択装置およびセンサ選択方法 - Google Patents

Description

本発明は、機器や各種設備等の故障予兆を診断するための予兆診断モデルの構築にセンシングデータを用いるセンサを選択する技術に関する。

設備や機器（診断対象）の故障や不具合の予兆（故障予兆）を検知することが求められる。診断対象に設置されたセンサで取得されるセンシングデータを分析し、機械学習などを用いることにより、診断対象の故障や不具合の予兆を検知するための予兆診断モデルを構築することができる。予兆診断モデルによる故障予兆の検知に基づき、診断対象の構成部品を事前に交換したり修理したりすることで、設備や機器の保守／メンテナンスにかかるコストを削減したり、設備や機器により得られる機会の損失を回避したりが可能となる。このような背景から故障予兆を高い精度で検知することを可能にする予兆診断モデルを構築することが求められる。

特許第６１４０３３１号公報（特許文献１）には、予兆診断モデルによる故障予兆の検知精度を向上する技術が開示されている。特許文献１に開示された技術では、診断対象の予兆診断モデルを、診断対象と同一機種の既に実績のある予兆診断モデルと同等の精度にするための技術である。診断対象の予兆診断モデルにおけるセンサの重みづけを、同一機種の他機器に対して構築された実績のある予兆診断モデルにおけるセンサの重みづけに基づいて調整する。それにより診断対象の予兆診断モデルの精度の向上が図られる。

特許第６１４０３３１号公報

特許文献１に開示された技術は、同一機種の機器に対して構築済みの予兆診断モデルを基準として用いるものである。そのため、対象機器と同一機種の機器に対する予兆診断モデルが未だ構築されたことがない場合や、同一機種の機器における対象とする故障の予兆を検知するための予兆診断モデルが構築されたことがない場合には、特許文献１の技術を適用できない。

対象とする機器の対象とする故障の予兆を精度よく検知するためには、予兆診断モデルを構築する場合に診断対象のどのセンサが対象とする故障の故障予兆の検知に適しているかを評価し、選択する必要がある。

本発明の目的は、診断対象と同一機種で構築された予兆診断モデルがなくても故障予兆の検知に適したセンサを選択することを可能にする技術を提供することである。

本発明の一態様によれば、センサ選択装置は、予兆の検知に利用可能な対象センサ群の各センサについて正常期間と異常期間の特徴の差分を正常異常差として算出する正常異常差算出部と、対象センサ群に含まれる故障予兆が現れる注目センサと正常異常差の傾向が一致するセンサを選択するセンサ選択部と、を有している。

本発明の一態様によれば、正常期間と異常期間の特徴の差分に基づいてセンサを選択するので、同一機種の機器で構築された予兆診断モデルを利用することなく、故障の予兆を検知するためのセンサを選択することができる。

実施例１のセンサ再選択システム１００の構成例を示す図である。 センシングデータの構造を示す図である。 設備稼働情報のデータ構造を示す図である。 センサ群情報のデータ構造を示す図である。 予兆診断結果情報のデータ構造を示す図である。 全てのセンサの全体期間のセンシングデータに対する主成分分析により算出された各主成分の因子負荷量を示すセンサ特徴データのデータ構造を示す図である。 予兆検知の可能性のあるセンサ群とその近傍に存在する複数のセンサを含むセンサ群（対象センサ群）のみの正常期間のセンシングデータに対する主成分分析により算出された各主成分の因子負荷量を示すセンサ特徴データのデータ構造を示す図である。 予兆検知の可能性のあるセンサ群とその近傍に存在する複数のセンサを含むセンサ群（対象センサ群）のみの異常期間のセンシングデータに対する主成分分析により算出された各主成分の因子負荷量を示すセンサ特徴データのデータ構造を示す図である。 予兆検知の可能性のあるセンサ群とその近傍に存在する複数のセンサのみの正常期間のセンシングデータに対する主成分分析により算出された各主成分の因子負荷量と、異常期間のセンシングデータに対する主成分分析により算出された各主成分の因子負荷量との差分を示すセンサ特徴差分データのデータ構造を示す図である。 予兆検知の可能性のあるセンサ群とその近傍に存在する複数のセンサを含むセンサ群（対象センサ群）のみの正常期間のセンシングデータに対する主成分分析により算出された各主成分の因子負荷量と、因子負荷量のクラスタリングにより各因子負荷量に対するラベリングで付加されたラベルと、を示すラベリングデータのデータ構造を示す図である。 センサ再選択結果のデータ構造を示す図である。 センサ特徴算出再選択部１２１が実行するセンサ再選択処理のフローチャートである。 センサ特徴算出再選択部１２１内のブロック図である。 予兆診断結果表示部１２４で表示される全センサ群画面の一例を示す図である。 実施例２において、予兆診断結果表示部１２４で表示される個別センサ群画面の一例を示す図である。 実施例２において、予兆診断結果表示部１２４に表示される個別センサ群画面の他の例を示す図である。 実施例２において、予兆診断結果表示部１２４に表示される個別センサ群画面の更に他の例を示す図である。 実施例２において、予兆診断結果表示部１２４で表示される個別センサ群画面の更に他の例を示す図である。 実施例２によるセンサ再選択結果表示画面の一例を示す図である。

以下に本発明の実施形態について図面を用いて詳細に説明する。

図１は実施例１のセンサ再選択システム１００の構成例を示す図である。

実施例１のセンサ再選択システム１００は、機器や設備などの診断対象に設置されたセンサ群の中から診断対象の故障予兆を診断するための予兆診断モデルの構築に用いるセンサを再選択するコンピュータシステムである。ここでいう再選択は、良好な予兆診断モデルを構築するために、予兆診断モデルに用いるセンサを決定しなおす処理である。センサ再選択システム１００は、センサ群の中から故障予兆を検知しているセンサ（注目センサ）を見つけ出し、注目センサの正常期間と異常期間の因子負荷量の差分を用いて故障予兆となっている主成分（注目主成分）を発見する。なお、正常期間とは、診断対象が正常状態の期間のみを含むように任意に設定された期間である。異常期間とは、診断対象の異常の予兆が存在する期間を含むように任意に設定された期間である。本実施例では、異常期間は正常期間と同じ期間長に設定される。本実施例では、正常期間および異常期間は予め定められた条件に基づいて自動的に決定される。そして、その注目主成分よりも上位の主成分の傾向が注目センサと一致するセンサ（診断用センサ）を選択し、診断用センサを予兆診断モデルの構築に用いる。これにより、故障予兆をより顕著に検出できる予兆診断モデルを作成することが可能となる。センサ再選択システム１００はネットワーク１４０に接続され、ネットワーク１４０経由でクライアント端末１５０とデータ通信を行うことができる。

クライアント端末１５０は、キーボードやマウスなどの入力インタフェースとディスプレイなどの出力インタフェースを備え、診断対象の診断を行う分析者による操作に基づいて、センサ再選択システム１００を動作させるコンピュータ端末である。クライアント端末１５０は、センサ再選択システム１００にアクセスし、入力インタフェースにて分析者からの操作を受け付け、センサ再選択システム１００を動作させ、センサ再選択システム１００から得られた予兆診断結果やセンサ特徴を出力インタフェースにより表示する処理などの各種処理を行う。

図１には、センサ再選択システム１００のハードウェア構成が示されている。センサ再選択システム１００は、ハードウェア要素として、ハードディスクドライブなどの不揮発性記憶装置で構成されプログラムおよびデータを保持する記憶装置１１５と、ＲＡＭなどの揮発性記憶装置で構成されているメモリ１１３と、記憶装置１１５からプログラムをメモリ１１３に読み出して実行しセンサ再選択システム１００自体の統括制御を行うと共に各種判定および演算といった予備制御処理を行うＣＰＵ１１４（演算装置）と、センサ再選択システム１００をネットワーク１４０と接続し他の装置との通信処理を担う通信装置１１２と、データの入出力を行うＩ／Ｏ装置１１１と、を備える。

ＣＰＵ１１４が記憶装置１１５からプログラムをメモリ１１３に読み込み実行することにより、センサ特徴算出再選択部１２１、センサ特徴表示部１２２、予兆診断部１２３、および予兆診断結果表示部１２４として動作する。記憶装置１１５には、プログラム他に、センシングデータ１３１、予兆診断結果１３２、センサ特徴算出結果１３３、およびセンサ再選択結果１３４が格納される。これらのデータはプログラムによって書き込みあるいは参照される。

センサ特徴算出再選択部１２１は、診断対象に設置されたセンサ群の中から診断対象の故障予兆を診断するための予兆診断モデルの構築に用いるセンサを再選択する。センサ特徴表示部１２２は、センサの特徴を示すデータなどセンサを再選択する過程で算出されるデータをＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）で表示する。

予兆診断部１２３は、センサ特徴算出再選択部１２１が指定したセンサ群に含まれるセンサのセンシングデータを用いて診断対象における故障の予兆の有無を診断する。診断結果のデータはセンサ特徴算出再選択部１２１によるセンサの再選択に利用される。予兆診断結果表示部１２４は、予兆診断部１２３による診断結果をＧＵＩで表示する。

なお、本実施例では、分析者がクライアント端末１５０からセンサ再選択システム１００にセンシングデータ１３１を入力し、センサ再選択システム１００で得られた予兆診断結果１３２およびセンサ特徴算出結果１３３がクライアント端末１５０に出力され、クライアント端末１５０がそれらのデータを表示することを想定している。しかしながら、これに限定されることはない。他の例として、センサ再選択システム１００が、入力インタフェースと出力インタフェースを備え、入力インタフェースによりセンシングデータ１３１を自身へ入力し、出力インタフェースにより自身で予兆診断結果１３２およびセンサ特徴算出結果１３３を表示するものであってもよい。また他の例として、複数のクライアント端末１５０がセンサ再選択システム１００に接続可能であり、それらのクライアント端末１５０が同一の診断対象に関する処理、あるいはそれぞれ別個の診断対象に関する処理を行うものであってもよい。

続いて、本実施例のセンサ再選択システム１００が用いるデータについて説明する。

図２は、センシングデータの構造を示す図である。センシングデータ１３１は、診断対象に取り付けられたセンサが一定間隔ごとに計測した値を蓄積したデータである。図２を参照すると、センシングデータ１３１の各レコード２０６〜２０８には、時刻２０１、センサ１ ２０２、センサ２ ２０３、…、センサＮ−１ ２０４、およびセンサＮ ２０５というデータフィールドで構成される。時刻２０１は、計測が行われた時刻が入るフィールドである。センサ１ ２０２、センサ２ ２０３、…、センサＮ−１ ２０４、センサＮ ２０５は、各センサで計測された値が入るフィールドである。

予兆診断結果１３２には、設備稼働情報（図３）、センサ群情報（図４）、および予兆診断結果情報（図５Ｄ）が含まれる。設備稼働情報は、診断対象の故障内容、診断対象が正常に稼働していた正常期間の開始日時および終了日時、診断対象に故障が発生した日時を記録したテーブルである。センサ群情報は、診断対象の故障を検知する予兆診断モデルを構築するのに適していると考えられる複数のセンサ群の情報を記録されたテーブルである。予兆診断結果情報は、各センサ群に対して構築された各予兆診断モデルによりセンシングデータが存在するすべての期間に対し予兆診断を行った結果が記録されたテーブルである。

図３は設備稼働情報のデータ構造を示す図である。稼働情報２１０の各レコード２１５は、故障モード２１１、正常期間開始２１２、正常期間終了２１３、および異常発生日時２１４というデータフィールドから構成されている。故障モード２１１は、診断対象の故障内容が入るフィールドである。正常期間開始２１２は、診断対象が正常に稼働していた正常期間の開始日時が入るフィールドである。正常期間終了２１３は、診断対象が正常に稼働していた正常期間の終了日時が入るフィールドである。異常発生日時２１４は、診断対象に故障が発生した日時が入るフィールドである。

図４はセンサ群情報のデータ構造を示す図である。センサ群情報２２０の各レコード２２３〜２２５は、センサ群番号２２１およびセンサ名２２２というデータフィールドから構成される。センサ群番号２２１は、予兆診断モデルを構築するのに適していると考えられる各センサ群の番号が入るフィールドである。センサ名２２２は、当該センサ群に含まれるセンサのセンサ名が入るフィールドである。

図５は予兆診断結果情報のデータ構造を示す図である。予兆診断結果情報２３０の各レコード２３０６〜２３１１は、時刻２３０１、異常度２３０２、異常寄与度（センサ１）２３０３、異常寄与度（センサ３）２３０４、および異常寄与度（センサ５）２３０５というデータフィールドから構成されている。時刻２３０１は対象日時が入るフィールドである。異常度２３０２は、対象日時の故障予兆の程度である異常度が入るフィールドである。異常寄与度（センサ１）２３０３は、対象日時の異常度に対してセンサ１のセンシングデータがどの程度相関するかを示す異常寄与度が入るフィールドである。異常寄与度（センサ３）２３０４は、対象日時の異常度に対してセンサ３のセンシングデータがどの程度相関するかを示す異常寄与度が入るフィールドである。異常寄与度（センサ５）２３０５は、対象日時の異常度に対してセンサ５のセンシングデータがどの程度相関するかを示す異常寄与度が入るフィールドである。

センサ特徴算出結果１３３は、センサで取得されたセンシングデータに対する主成分分析により得られた因子負荷量を示すセンサ特徴データが記録されたテーブルである。センサ特徴算出結果１３３には、複数の異なるデータのテーブルが含まれている。

具体的には、センサ特徴算出結果１３３には、全てのセンサの対象期間全体のセンシングデータに対する主成分分析により算出された各主成分の因子負荷量を示すセンサ特徴データが記録されたテーブル（図６）が含まれる。また、センサ特徴算出結果１３３には、予兆検知の可能性のあるセンサ群とその近傍に存在する複数のセンサのみの正常期間のセンシングデータに対する主成分分析により算出された各主成分の因子負荷量を示すセンサ特徴データが記録されたテーブル（図７）が含まれる。また、センサ特徴算出結果１３３には、予兆検知の可能性のあるセンサ群とその近傍に存在する複数のセンサのみの異常期間のセンシングデータに対する主成分分析により算出された各主成分の因子負荷量を示すセンサ特徴データが記録されたテーブル（図８）が含まれる。また、センサ特徴算出結果１３３には、予兆検知の可能性のあるセンサ群とその近傍に存在する複数のセンサのみの正常期間のセンシングデータに対する主成分分析により算出された各主成分の因子負荷量と、異常期間のセンシングデータに対する主成分分析により算出された各主成分の因子負荷量との差分を示すセンサ特徴差分データが記録されたテーブル（図９）が含まれる。また、センサ特徴算出結果１３３には、予兆検知の可能性のあるセンサ群とその近傍に存在する複数のセンサのみの正常期間のセンシングデータに対する主成分分析により算出された各主成分の因子負荷量と、因子負荷量のクラスタリングにより各因子負荷量に対するラベリングで付加されたラベルと、を示すラベリングデータが記録されたテーブル（図１０）が含まれる。

図６は、全てのセンサの全体期間のセンシングデータに対する主成分分析により算出された各主成分の因子負荷量を示すセンサ特徴データのデータ構造を示す図である。センサ特徴データ２４０には、全てのセンサ（センサ１~Ｎ（Ｎは自然数））についてのレコードが記録されている。各レコード２４６〜２４９は、センサ名２４１、因子負荷量（第１主成分）２４２、因子負荷量（第２主成分）２４３、…、因子負荷量（第Ｎ−１主成分）２４４、および因子負荷量（第Ｎ主成分）２４５というデータフィールドから構成される。センサ名２４１は、対象とするセンサのセンサ名が入るフィールドである。因子負荷量（第１主成分）２４２、因子負荷量（第２主成分）２４３、…、因子負荷量（第Ｎ−１主成分）２４４、および因子負荷量（第Ｎ主成分）２４５は、各主成分の因子負荷量が入るフィールドである。

図７は、予兆検知の可能性のあるセンサ群とその近傍に存在する複数のセンサを含むセンサ群（対象センサ群）のみの正常期間のセンシングデータに対する主成分分析により算出された各主成分の因子負荷量を示すセンサ特徴データのデータ構造を示す図である。センサ特徴データ２５０には、対象センサ群の各センサ（センサ１，３、５、１１、１３）についてのレコードが記録されている。各レコード２５０９〜２５１３は、センサ名２５０１、ＦＬ（ＰＣ１）２５０２、ＦＬ（ＰＣ２）２５０３、ＦＬ（ＰＣ３）２５０４、ＦＬ（ＰＣ４）２５０５、ＦＬ（ＰＣ５）２５０６、異常寄与度最大値（学習期間）２５０７、および異常寄与度最大値（全期間）２５０８というデータフィールドから構成される。センサ名２５０１は、対象とするセンサのセンサ名が入るフィールドである。ＦＬ（ＰＣ１）２５０２、ＦＬ（ＰＣ２）２５０３、ＦＬ（ＰＣ３）２５０４、ＦＬ（ＰＣ４）２５０５、およびＦＬ（ＰＣ５）２５０６は、各主成分（ＰＣ（Ｐｒｉｎｃｉｐａｌ Ｃｏｍｐｏｎｅｎｔ）１〜５）の因子負荷量（ＦＬ（Ｆａｃｔｏｒ Ｌｏａｄｉｎｇ））が入るフィールドである。異常寄与度最大値（学習期間）２５０７は、センシングデータを予兆診断モデルの機械学習に用いる期間（学習期間）における異常寄与度の最大値が入るフィールドである。異常寄与度最大値（全期間）２５０８は、全体期間における異常寄与度の最大値が入るフィールドである。

図８は、予兆検知の可能性のあるセンサ群とその近傍に存在する複数のセンサを含むセンサ群（対象センサ群）のみの異常期間のセンシングデータに対する主成分分析により算出された各主成分の因子負荷量を示すセンサ特徴データのデータ構造を示す図である。センサ特徴データ２６０には、対象センサ群の各センサ（センサ１，３、５、１１、１３）についてのレコードが記録されている。各レコード２６０９〜２６１３は、センサ名２６０１、ＦＬ（ＰＣ１）２６０２、ＦＬ（ＰＣ２）２６０３、ＦＬ（ＰＣ３）２６０４、ＦＬ（ＰＣ４）２６０５、ＦＬ（ＰＣ５）２６０６、異常寄与度最大値（学習期間）２６０７、および異常寄与度最大値（全期間）２６０８というデータフィールドから構成される。センサ名２６０１は、対象とするセンサのセンサ名が入るフィールドである。ＦＬ（ＰＣ１）２６０２、ＦＬ（ＰＣ２）２６０３、ＦＬ（ＰＣ３）２６０４、ＦＬ（ＰＣ４）２６０５、およびＦＬ（ＰＣ５）２６０６は、各主成分（ＰＣ（Ｐｒｉｎｃｉｐａｌ Ｃｏｍｐｏｎｅｎｔ）１〜５）の因子負荷量（ＦＬ（Ｆａｃｔｏｒ Ｌｏａｄｉｎｇ））が入るフィールドである。異常寄与度最大値（学習期間）２６０７は、センシングデータを予兆診断モデルの機械学習に用いる期間（学習期間）における異常寄与度の最大値が入るフィールドである。異常寄与度最大値（全期間）２６０８は、全体期間における異常寄与度の最大値が入るフィールドである。

図９は、予兆検知の可能性のあるセンサ群とその近傍に存在する複数のセンサのみの正常期間のセンシングデータに対する主成分分析により算出された各主成分の因子負荷量と、異常期間のセンシングデータに対する主成分分析により算出された各主成分の因子負荷量との差分を示すセンサ特徴差分データのデータ構造を示す図である。特徴差分データ２７０には、対象センサ群の各センサ（センサ１、３、５、１１、１３）についてのレコードが記録されている。各レコード２７０９〜２７１３は、センサ名２７０１、ＦＬ差分（ＰＣ１）２７０２、ＦＬ差分（ＰＣ２）２７０３、ＦＬ差分（ＰＣ３）２７０４、ＦＬ差分（ＰＣ４）２７０５、ＦＬ差分（ＰＣ５）２７０６、異常寄与度最大値（学習期間）２７０７、および異常寄与度最大値（全期間）２７０８というデータフィールドから構成される。センサ名２７０１は、対象とするセンサのセンサ名が入るフィールドである。ＦＬ差分（ＰＣ１）２７０２、ＦＬ差分（ＰＣ２）２７０３、ＦＬ差分（ＰＣ３）２７０４、ＦＬ差分（ＰＣ４）２７０５、およびＦＬ差分（ＰＣ５）２７０６は、正常期間と異常期間の各主成分（ＰＣ１〜５）の因子負荷量（ＦＬ）の差分（ＦＬ差分）が入るフィールドである。異常寄与度最大値（学習期間）２７０７は、センシングデータを予兆診断モデルの機械学習に用いる期間（学習期間）における異常寄与度の最大値が入るフィールドである。異常寄与度最大値（全期間）２７０８は、全体期間における異常寄与度の最大値が入るフィールドである。

図１０は、予兆検知の可能性のあるセンサ群とその近傍に存在する複数のセンサを含むセンサ群（対象センサ群）のみの正常期間のセンシングデータに対する主成分分析により算出された各主成分の因子負荷量と、因子負荷量のクラスタリングにより各因子負荷量に対するラベリングで付加されたラベルと、を示すラベリングデータのデータ構造を示す図である。ラベリングデータ２８０には、対象センサ群の各センサ（センサ１，３、５、１１、１３）についてのレコードが記録されている。各レコード２８１２〜２８１６は、センサ名２８０１、ＦＬ（ＰＣ１）２８０２、ラベル（ＰＣ１）２８０３、ＦＬ（ＰＣ２）２８０４、ラベル（ＰＣ２）２８０５、ＦＬ（ＰＣ３）２８０６、ラベル（ＰＣ３）２８０７、ＦＬ（ＰＣ４）２８０８、ラベル（ＰＣ４）２８０９、ＦＬ（ＰＣ５）２８１０、およびラベル（ＰＣ５）２８１１というデータフィールドから構成される。センサ名２８０１は、対象とするセンサのセンサ名が入るフィールドである。ＦＬ（ＰＣ１）２８０２、ＦＬ（ＰＣ２）２８０４、ＦＬ（ＰＣ３）２８０６、ＦＬ（ＰＣ４）２８０８、およびＦＬ（ＰＣ５）２８１０は、各主成分（ＰＣ１〜５）の因子負荷量（ＦＬ）が入るフィールドである。ラベル（ＰＣ１）２８０３、ラベル（ＰＣ２）２８０５、ラベル（ＰＣ３）２８０７、ラベル（ＰＣ４）２８０９、およびラベル（ＰＣ５）２８１１は、各主成分（ＰＣ１〜５）のラベルが入るフィールドである。ラベルは、各主成分における因子負荷量のクラスタリングにより生成された部分集合（クラスタ）に付与される。ラベリングデータ２８０において各センサの各主成分には、その因子負荷量が属するクラスタのラベルが設定される。

図１１は、センサ再選択結果のデータ構造を示す図である。センサ再選択結果１３４には、選択されたセンサ（センサ３、５、１３）についてのレコードが記録されている。各レコード２９７〜２９９は、センサ名２９１、ＦＬ（ＰＣ１）２９２、ＦＬ（ＰＣ２）２９３、ＦＬ（ＰＣ３）２９４、ＦＬ（ＰＣ４）２９５、およびＦＬ（ＰＣ５）２９６というデータフィールドから構成される。センサ名２９１は、対象とするセンサのセンサ名が入るフィールドである。ＦＬ（ＰＣ１）２９２、ＦＬ（ＰＣ２）２９３、ＦＬ（ＰＣ３）２９４、ＦＬ（ＰＣ４）２９５、およびＦＬ（ＰＣ５）２９６は、各主成分（ＰＣ１〜５）の因子負荷量（ＦＬ）が入るフィールドである。

次に、本実施例によるセンサ再選択の手順について説明する。

図１２は、センサ特徴算出再選択部１２１が実行するセンサ再選択処理のフローチャートである。センサ特徴算出再選択部１２１は、まず、ステップ３０１で、予兆診断モデルの構築に使用するセンサ群の候補を複数作成し、予兆診断結果１３２のセンサ群情報２２０に格納する。このとき、分析者が故障との関連が強いと思われるセンサを予兆診断に用いるセンサ群の候補に選択してもよいし、任意の方法で機械的に予兆診断に用いるセンサ群の候補を選択してもよい。

次に、センサ特徴算出再選択部１２１は、ステップ３０２で、複数のセンサ群のセンシングデータを用い、所定の予兆診断アルゴリズムに基づいて予兆診断を実施し、診断結果を予兆診断結果１３２の予兆診断結果情報２３０に格納する。予兆診断はセンサ群ごとに実行し、各センサ群による診断結果を予兆診断結果情報２３０に格納する。

センサ特徴算出再選択部１２１は、ステップ３０１、３０２と並行して、ステップ３１１で、全てのセンサのセンシングデータが取得されている期間の中から、主成分の算出にデータを用いる期間を決定する。主成分の算出にデータを用いる期間は任意に決定してよい。例えば、センサ特徴算出再選択部１２１は、稼働情報２１０を参照し、正常期間開始２１２と正常期間終了２１３の間を、主成分の算出にデータを用いる期間として採用してもよい。

次に、センサ特徴算出再選択部１２１は、ステップ３１２で、診断対象に設置された全てのセンサに関して、ステップ３１１で決定した全体期間のセンシングデータを用いて各主成分の因子負荷量を算出する。そして、センサ特徴算出再選択部１２１は、全てのセンサについて各主成分の因子負荷量をセンサ特徴データ２４０に格納する。

次に、センサ特徴算出再選択部１２１は、ステップ３０３で、複数のセンサ群ごとの予兆診断の診断結果を参照し、複数のセンサ群の中に故障の予兆が現れている可能性のあるセンサ群（予兆現出センサ群）があるか否か判定する。

ステップ３０３にて予兆現出センサ群を発見できなかった、センサ特徴算出再選択部１２１は、ステップ３０１に戻りセンサ群の作成をやり直す。ステップ３０３にて予兆現出センサ群が発見できた場合、センサ特徴算出再選択部１２１は、ステップ３０４で、予兆現出センサ群に含まれるセンサの中から最も異常寄与度の高いセンサ（注目センサ）を見つける。またそれと並行して、センサ特徴算出再選択部１２１は、ステップ３１３で、予兆現出センサ群の各センサについて、ステップ３１２で算出した因子負荷量の空間における当該センサの近傍にあるセンサ（類似センサ）を抽出する。予兆現出センサ群に含まれるセンサと類似センサとを合わせて分析対象のセンサ群（対象センサ群）とする。

このとき、例えば、抽出する類似センサの個数を指定し、空間上における予兆現出センサ群のセンサとの距離が近いセンサから指定された個数までのセンサを類似センサとして抽出することにしてもよい。また、他の例として、抽出する類似センサの予兆現出センサ群のセンサとの距離を指定し、空間上での予兆現出センサ群のセンサとの距離が指定された距離以下のセンサを類似センサとして抽出することにしてもよい。

続いて、センサ特徴算出再選択部１２１は、ステップ３１４で、診断対象が正常な状態にあった期間（正常期間）と、診断対象が異常な状態にあった期間を含む期間（異常期間）とを決定する。このとき例えば、稼働情報２１０に記録されている正常期間開始２１２の時刻から正常期間終了２１３の時刻までを正常期間とし、稼働情報２１０において異常発生日時２１５４を終了日時とし、正常期間と同等の期間長の期間を異常期間とすればよい。

続いて、センサ特徴算出再選択部１２１は、ステップ３１５で、対象センサ群に含まれる複数のセンサについて、異常期間に取得されたセンシングデータを用いて因子負荷量を算出し、センサ特徴データ２６０に格納する。それと並行して、センサ特徴算出再選択部１２１は、ステップ３２１で、対象センサ群に含まれる複数のセンサについて、正常期間に取得されたセンシングデータを用いて因子負荷量を算出し、センサ特徴データ２５０に格納する。

その後、センサ特徴算出再選択部１２１は、ステップ３１６で、正常期間のセンサ特徴データ２５０と異常期間のセンサ特徴データ２６０の差分を算出し、センサ特徴差分データ２７０に格納する。

次に、センサ特徴算出再選択部１２１は、ステップ３１７で、センサ特徴差分データ２７０を参照し、ステップ３０４で決定した注目センサにおいて正常期間と異常期間とで最も値が大きく変化している主成分（Ｘ：注目主成分）を見つける。

更に、センサ特徴算出再選択部１２１は、ステップ３２２で、正常期間のセンサ特徴データ２５０における主成分毎に因子負荷量のクラスタリングを行い、得られた各クラスタにラベルを付加し、各主成分の各センサの因子負荷量とラベルとをラベリングデータ２８０に格納する。ここで用いるクラスタリングの方法は特に限定されない。例えば、ｘ−ｍｅａｎｓ法によりクラスタ数を自動で決定するアルゴリズムを用いてもよいし、ｋ−ｍｅａｎｓ法を用いて、主成分ごとにクラスタ数を与える方法を用いてもよい。あるいは、ステップ３０４で発つけた注目センサを基準として各主成分の因子負荷量ごとに閾値を設けても、閾値範囲内の因子負荷量をクラスタとしてもよい。

続いて、センサ特徴算出再選択部１２１は、ステップ３２３で、ステップ３１７で見つけた注目主成分（Ｘ）よりも上位の主成分（Ｘ−１）のラベル（例えば、ラベル（ＰＣ１）２８０３、ラベル（ＰＣ２）２８０５）が、ステップ３０４で発つけた注目センサのものと一致するセンサを抽出し、センサ再選択結果２９０に格納する。注目主成分よりも上位の主成分（傾向判定対象主成分）のラベルが注目センサのものと一致するということは、傾向判定対象主成分の傾向が注目センサと類似していることを意味する。つまり、注目センサと挙動が類似するセンサが抽出される。

図１３は、センサ特徴算出再選択部１２１内のブロック図である。センサ特徴算出再選択部１２１は、入力部１１、注目センサ決定部１２、類似センサ抽出部１３、主成分分析部１４、正常異常差算出部１５、注目主成分判定部１６、クラスタリング部１７、およびセンサ選択部１８を有している。入力部１１は、図１２のステップ３０１，３０２，３０３，３１１，３１４の処理を行う。注目センサ決定部１２は、図１２のステップ３０４の処理を行う。類似センサ抽出部１３は、図１２のステップ３１３の処理を行う。主成分分析部１４は、図１２のステップ３１２，３１５，３２１の処理を行う。正常異常差算出部１５は、図１２のステップ３１６の処理を行う。注目主成分判定部１６は、図１２のステップ３１７の処理を行う。クラスタリング部１７は、図１２のステップ３２２の処理を行う。センサ選択部１８は、図１２のステップ３２３の処理を行う。

図１４は、予兆診断結果表示部１２４で表示される全センサ群画面の一例を示す図である。図１４の全センサ群画面には、各センサ群４０１、４０３、４０５、４０７と、各センサ群のそれぞれの予兆診断結果４０２、４０４、４０６、４０８とが表示されている。予兆診断結果４０２、４０４、４０６、４０８には、予兆診断結果情報２３０に記録されたデータがグラフとして表示される。診断対象の故障の予兆が現れているセンサ群は図１４の画面にグラフで表示された異常度が変化する。ステップ３０３の処理では図１４に表示される異常度の変化に基づいてセンサ群を選択することができる。

以上説明したように、本実施例によれば、センサ再選択システム１００は、故障予兆の検知に利用可能な対象センサ群の各センサについて正常期間と異常期間の特徴の差分を正常異常差として算出する正常異常差算出部１５と、対象センサ群に含まれる故障予兆が現れる注目センサと正常異常差の傾向が一致するセンサを選択するセンサ選択部１８と、を有している。これにより、正常期間と異常期間の特徴の差分に基づいてセンサを選択するので、同一機種の機器で構築された予兆診断モデルを利用することなく、故障予兆を検知するためのセンサを選択することができる。なお、ここでいう特徴は一例として上記実施例の説明における因子負荷量に相当する。

また、本実施例によれば、センサ選択部１８は、注目センサと正常異常差の傾向が一致するセンサを、予兆診断モデルの構築にセンシングデータを用いる診断用センサとして選択する。同一機種の機器で構築された予兆診断モデルを利用することなく、予兆診断モデルのセンサを選択することができる。

また、本実施例によれば、センサ再選択システム１００は、対象センサ群の各センサについて、正常期間および異常期間を含む期間における主成分分析を行い、各主成分の因子負荷量を算出する主成分分析部１４と、注目センサの正常期間の因子負荷量と異常期間の因子負荷量の差分が最も大きい主成分を注目主成分として選択する注目主成分判定部１６と、を更に有し、正常異常差算出部１５は、対象センサ群の各センサについて正常期間と異常期間の各主成分の因子負荷量の差分を正常異常差として算出し、センサ選択部１８は、注目主成分より上位の主成分を傾向判定対象主成分とし、対象センサ群から傾向判定対象主成分の因子負荷量の傾向が注目センサと一致するセンサを診断用センサとして選択する。正常期間と異常期間の因子負荷量の差分が大きい主成分より上位の主成分の傾向に基づいてセンサを選択するので、予兆診断モデルのセンサを容易に選択することができる。

また、本実施例によれば、センサ再選択システム１００は、対象センサ群の各センサと因子負荷量が互いに近傍に存在するセンサを類似センサとして抽出する類似センサ抽出部１３を更に有し、主成分分析部１４は、対象センサ群に含まれる各センサと類似センサについて主成分分析を行い、正常異常差算出部１５は、対象センサ群に含まれる各センサと類似センサについて正常異常差を算出し、センサ選択部１８は、対象センサ群に含まれる各センサと類似センサの中から傾向判定対象主成分の因子負荷量の傾向が注目センサと一致するセンサを診断用センサとして選択する。対象とするセンサの範囲を類似センサまで拡張するので、より特徴を表すセンサを確実に選択することが可能となる。

また、本実施例によれば、センサ再選択システム１００は、対象センサ群に含まれる各センサと類似センサとについて各主成分の因子負荷量に基づいて主成分毎にクラスタリングを行い、各主成分の各クラスタにラベルを付加するクラスタリング部１７を更に有し、センサ選択部１８は、傾向判定対象主成分において注目センサと同一のクラスタに含まれるセンサを診断用センサとして選択する。正常異常差の傾向の一致をクラスタリングの結果を用いて判断するので、容易に傾向の一致を判断することができる。

また、本実施例によれば、センサ再選択システム１００は、対象センサ群の中から異常寄与度が最も高いセンサを注目センサとする注目センサ決定部１２を更に有する。異常寄与度により注目センサを決定するので、注目センサを機械的に容易に選択することができる。

以下に実施例２について図面を用いて詳細に説明する。

実施例１では、正常期間および異常期間は予め定められた条件に基づいて自動的に決定され、その正常期間と異常期間の因子負荷量の差分の傾向に基づいてセンサを選択した。これに対して、実施例２では、故障予兆の検知のために因子負荷量を比較する正常期間と異常期間を分析者が設定できるようにする。

これにより、診断対象の故障の予兆を良好に検知できるように正常期間と異常期間を柔軟に設定することができる。故障以外にセンシングデータの変動の要因がある場合に、その要因の影響を避けるように正常期間と異常期間を設定することができ、診断対象の故障の予兆を良好に検知可能にすることができる。例えば、季節的変動が特定の期間のセンシングデータにのみ含まれている場合に、分析者は、季節的変動がキャンセルされるように同じ季節に正常期間と異常期間を設定するといった柔軟な期間設定が可能である。

実施例２によるセンサ再選択システムの基本的な構成は図１に示した実施例１のものと同様である。また、実施例２によるセンサ再選択システムの基本的な動作は図１２に示した実施例１のものと同様である。また、実施例２のセンサ特徴算出再選択部１２１の基本的な構成は図１３に示した実施例１のものと同様である。ただし、センサ特徴算出再選択部１２１の入力部１１は、ステップ３１４で、正常期間と異常期間とを決定するとき、分析者の操作入力に基づいてそれらの期間を決定することができる。

図１５は、実施例２において、予兆診断結果表示部１２４で表示される個別センサ群画面の一例を示す図である。個別センサ群画面５００は、例えば、図１４に示した全センサ群画面４００にて、いずれかのセンサ群（予兆現出センサ群：図１５ではセンサ群＃２）を選択することで表示される。個別センサ群画面５００には、選択したセンサ群のセンサ群番号（センサ群＃２）５０１と、主成分を計算した期間（正常期間）５０２と、予兆診断結果５０３と、選択したセンサ群に含まれるセンサ（センサ１、３、５）のそれぞれの特徴５０４と、が表示されている。選択したセンサ群に含まれるセンサのそれぞれの特徴５０４には、各センサの因子負荷量をヒートマップなどの手法を用いてグラフィカルに可視化した表示と、正常期間における各センサの異常寄与度の最大値および全体期間におけるセンサの異常寄与度の最大値の表示と、が含まれる。主成分を計算した期間５０２は、時間軸方向に操作が可能なバーにより表示されている。バーの長さおよび位置を時間軸に操作することにより、主成分を計算する期間を変更することができる。主成分を計算する期間５０２が変更されると、変更後の期間により主成分が計算し直され、計算結果は、選択したセンサ群に含まれるセンサのそれぞれの特徴５０４に反映される。

また、選択したセンサ群に含まれるセンサのそれぞれの特徴５０４には、当該センサ群に含まれるセンサの他に、当該センサ群に含まれるセンサの近傍に存在するセンサを追加することが可能である。

図１６は、実施例２において、予兆診断結果表示部１２４に表示される個別センサ群画面の他の例を示す図である。図１６の個別センサ群画面５１０には、選択したセンサ群のセンサ群番号（センサ群＃２）５１１と、主成分を計算した期間（正常期間）５１２と、予兆診断結果５１３と、選択したセンサ群に含まれるセンサおよびその近傍のセンサ（センサ１、３、５、１１、１３）のそれぞれの特徴５１４と、が表示されている。選択したセンサ群に含まれるセンサおよびその近傍のセンサ（センサ１、３、５、１１、１３）のそれぞれの特徴５１４に表示される各因子負荷量は、選択したセンサ群のセンサおよび近傍のセンサによるセンシングデータを用いて再度計算された値である。

選択したセンサ群に含まれるセンサの近傍のセンサ（センサ１１、１３）は、新たに追加されたものであり未だ故障予兆の診断に使用されていないため、正常期間における各センサの異常寄与度の最大値および全体期間におけるセンサの異常寄与度の最大値の表示と、が記載されていない。選択したセンサ群の近傍のセンサは様々な抽出方法で抽出することができる。例えば、追加するセンサの個数を指定し距離の近いセンサから当該個数だけを抽出してもよい。また例えば、近傍に含まれる距離を指定し、その距離以内の全てのセンサを抽出してもよい。

図１５、図１６に示した個別センサ群画面には異常期間に関する情報も表示することができる。

図１７は、実施例２において、予兆診断結果表示部１２４に表示される個別センサ群画面の更に他の例を示す図である。図１７の個別センサ群画面５２０には異常期間の情報も表示されている。個別センサ群画面５２０には、選択したセンサ群のセンサ群番号（センサ群＃２）５２１と、主成分を計算した期間（正常期間）５２２と、主成分を計算した期間（異常期間）５２４と、予兆診断結果５２３と、選択したセンサ群に含まれるセンサおよびその近傍のセンサ（センサ１、３、５、１１、１３）のそれぞれの正常期間における特徴５２５と、選択したセンサ群に含まれるセンサおよびその近傍のセンサ（センサ１、３、５、１１、１３）のそれぞれの異常期間における特徴５２６と、が表示されている。

選択したセンサ群に含まれるセンサおよびその近傍のセンサ（センサ１、３、５、１１、１３）のそれぞれの正常期間における特徴５２５には、正常期間５２２に取得されたセンシングデータを用いて算出した各センサの各主成分の因子負荷量がヒートマップでグラフィカルに可視化されている。同様に、選択したセンサ群に含まれるセンサおよびその近傍のセンサ（センサ１、３、５、１１、１３）のそれぞれの異常期間における特徴５２６には、異常期間５２４に取得されたセンシングデータを用いて算出した各センサの各主成分の因子負荷量がヒートマップでグラフィカルに可視化されている。

図１８は、実施例２において、予兆診断結果表示部１２４で表示される個別センサ群画面の更に他の例を示す図である。図１８の個別センサ群画面５３０には、選択したセンサ群のセンサ群番号（センサ群＃２）５３１と、主成分を計算した期間（正常期間）５３２と、主成分を計算した期間（異常期間）５３４と、予兆診断結果５３３と、選択したセンサ群に含まれるセンサおよびその近傍のセンサ（センサ１、３、５、１１、１３）のそれぞれの特徴５３５と、が表示されている。

選択したセンサ群に含まれるセンサおよびその近傍のセンサ（センサ１、３、５、１１、１３）のそれぞれの特徴５３５には、正常期間５２２に取得されたセンシングデータを用いて算出した各センサの各主成分の因子負荷量と、異常期間５２４に取得されたセンシングデータを用いて算出した各センサの各主成分の因子負荷量との差分が、グラフィカルに可視化されている。

図１９は、実施例２によるセンサ再選択結果表示画面の一例を示す図である。センサ再選択結果表示画面５４０には、選択したセンサ群のセンサ群番号（センサ群＃２）５４１、正常期間５４２、予兆診断結果５４３、およびセンサ再選択結果５４４が表示されている。センサ再選択結果５４４には、センサ特徴算出再選択部１２１が、予兆診断モデルの構築にセンシングデータを用いる診断用センサとして再選択したセンサ（センサ３、５、１３）と、それら各センサの各主成分の因子負荷量をグラフィカルに可視化した表示と、正常期間における各センサの異常寄与度の最大値および全体期間におけるセンサの異常寄与度の最大値の表示と、が含まれる。ここではセンサ３、５、１３が診断用センサとして選択されている。

本実施例では、分析者は、図１５〜図１９の表示を見ながら、故障予兆の検知に適したセンサの再選択の作業を実施することができる。

以上説明したように、本実施例によれば、センサ再選択システム１００のセンサ特徴算出再選択部１２１の入力部１１は、操作入力に基づいて正常期間と異常期間を変更可能に決定する。そのため、正常期間と異常期間を分析者が任意に設定できるので、故障予兆をより良好に検知可能にすることができる。また、本実施例によれば、センサ特徴表示部１２２は、故障予兆の診断により得られた各センサの期間毎の異常寄与度と各センサの特徴とを関連付けて表示することができる。

なお、上述した各実施例によるセンサ再選択システム１００は、センサ再選択システム１００を構成する各部の処理手順を規定したソフトウェアプログラムをコンピュータに実行させることにより実現できることは言うまでもない。

以上、本発明の各実施例について述べてきたが、本発明は、これらの実施例だけに限定されるものではなく、本発明の技術思想の範囲内において、これらの実施例を組み合わせて使用したり、一部の構成を変更したりしてもよい。

１１…入力部、１２…注目センサ決定部、１３…類似センサ抽出部、１４…主成分分析部、１５…正常異常差算出部、１６…注目主成分判定部、１７…クラスタリング部、１８…センサ選択部、１００…センサ再選択システム、１１１…Ｉ／Ｏ装置、１１２…通信装置、１１３…メモリ、１１４…ＣＰＵ、１１５…記憶装置、１２１…センサ特徴算出再選択部、１２２…センサ特徴表示部、１２３…予兆診断部、１２４…予兆診断結果表示部、１３１…センシングデータ、１３２…予兆診断結果、１３３…センサ特徴算出結果、１３４…センサ再選択結果、１４０…ネットワーク、１５０…クライアント端末

Claims (7)

1. 故障予兆の検知に利用可能な対象センサ群の各センサについて正常期間と異常期間の特徴の差分を正常異常差として算出する正常異常差算出部と、
   前記対象センサ群に含まれる前記故障予兆が現れる注目センサと前記正常異常差の傾向が一致するセンサを、予兆診断モデルの構築にセンシングデータを用いる診断用センサとして選択するセンサ選択部と、
   前記対象センサ群の各センサについて、正常期間および異常期間を含む期間における主成分分析を行い、各主成分の因子負荷量を算出する主成分分析部と、
   前記注目センサの正常期間の因子負荷量と異常期間の因子負荷量の差分が最も大きい主成分を注目主成分として選択する注目主成分判定部と、
   を有し、
   前記正常異常差算出部は、前記対象センサ群の各センサについて前記正常期間と前記異常期間の各主成分の因子負荷量の差分を前記正常異常差とし、
   前記センサ選択部は、前記注目主成分より上位の主成分を傾向判定対象主成分とし、前記対象センサ群から前記傾向判定対象主成分の因子負荷量の傾向が前記注目センサと一致するセンサを選択する、
   センサ選択装置。
2. 前記対象センサ群の各センサと因子負荷量が互いに近傍に存在するセンサを類似センサとして抽出する類似センサ抽出部を更に有し、
   前記主成分分析部は、前記対象センサ群に含まれる各センサと前記類似センサについて主成分分析を行い、
   前記正常異常差算出部は、前記対象センサ群に含まれる各センサと前記類似センサについて前記正常異常差を算出し、
   前記センサ選択部は、前記対象センサ群に含まれる各センサと前記類似センサの中から前記傾向判定対象主成分の因子負荷量の傾向が前記注目センサと一致するセンサを選択する、
   請求項１に記載のセンサ選択装置。
3. 前記対象センサ群に含まれる各センサと前記類似センサとについて各主成分の因子負荷量に基づいて前記主成分毎にクラスタリングを行い、各主成分の各クラスタにラベルを付加するクラスタリング部を更に有し、
   前記センサ選択部は、前記傾向判定対象主成分において前記注目センサと同一のクラスタに含まれるセンサを選択する、
   請求項２に記載のセンサ選択装置。
4. 前記対象センサ群の中で異常寄与度が最も高いセンサを前記注目センサとする注目センサ決定部を更に有する、請求項１に記載のセンサ選択装置。
5. 操作入力に基づいて前記正常期間と前記異常期間を変更可能に決定する入力部を更に有する、請求項１に記載のセンサ選択装置。
6. 前記故障予兆の診断により得られた各センサの期間毎の異常寄与度と前記各センサの特徴とを関連付けて表示するセンサ特徴表示部を更に有する、請求項１に記載のセンサ選択装置。
7. 主成分分析手段が、故障予兆の検知に利用可能な対象センサ群の各センサについて、正常期間および異常期間を含む期間における主成分分析を行い、各主成分の因子負荷量を算出し、
   注目主成分判定手段が、前記対象センサ群に含まれる前記故障予兆が現れる注目センサの正常期間の因子負荷量と異常期間の因子負荷量の差分が最も大きい主成分を注目主成分として選択し、
   正常異常差算出手段が、前記対象センサ群の各センサについて前記正常期間と前記異常期間の各主成分の因子負荷量の差分を正常異常差とし、
   センサ選択手段が、前記注目主成分より上位の主成分を傾向判定対象主成分とし、前記対象センサ群から前記傾向判定対象主成分の因子負荷量の傾向が、前記注目センサと一致するセンサを、予兆診断モデルの構築にセンシングデータを用いる診断用センサとして選択する、
   センサ選択方法。
   

Images