JP7098494B2 - 状態監視装置およびこれを用いた風力発電装置 - Google Patents

Description

本発明は、状態監視装置およびこれを用いた風力発電装置に関する。

風力発電装置等の発電装置、産業用機械、鉄道、車両などの状態を監視する状態監視装置が知られている。このような状態監視装置は、例えば、監視対象の振動、温度等を観測し、振動が異常であれば、異常の発生を報知する。

このような状態監視装置において、観測信号にはスパイクノイズが発生することがある。観測信号にスパイクノイズがのっていると、監視対象が異常であることを誤って検知してしまう可能性がある。

特開２００８－１４０１００号公報（特許文献１）には、時系列データにおいてスパイクノイズの判別を行なう情報処理装置が開示されている。

特開２００８－１４０１００号公報

吉村卓也、他２名、「メモリベースパーティクルフィルタに基づく太陽光発電予測モデルの提案」、情報処理学会研究報告、研究報告知能システム（ICS）、第2013-ICS-172巻、第８号、ｐ１－７、２０１３年１１月１２日

状態監視システムで得られた時系列データでは、ノイズ等の影響で取得値が一時的に上昇する場合があり、時系列データの変化がノイズか否かを判定する必要がある。

特開２００８－１４０１００号公報に開示された方法では、時系列情報処理装置によって、過去データを用いて予測した予測値に対して、その予測値に対応する実測値が得られたときに実測値と予測値とを比較することによってノイズだったかどうかを判別する。そして、ノイズだった場合は、実測値を正常データに置き換える。

しかしながら、上記の方法では、スパイク状ノイズの候補データの取得時刻より先の時刻の実測値を必要とし、候補データを取得した時点では、スパイク状ノイズかどうかを判定できない。例えば、風力発電装置に設置された状態監視装置等で取得される時系列データは、設備が常時運転しているとは限らず、データを定期的に取得できない場合がある。このため、取得したデータの次のデータは、いつ得られるかわからない。したがって、この方法では、スパイク状ノイズの候補データの取得時刻よりも先の時刻の実測値が得られるまでは判定処理が行なわれないので、対応にも遅れが生じるという問題がある。なお、定期的にデータを取得できる場合でも、そのデータの取得間隔が長い場合は、同様な問題がある。

本発明は、このような課題を解決するためのものであって、その目的は、スパイク状のノイズを早期に判定可能な状態監視装置およびそれを備える風力発電装置を提供することである。

本開示は、状態監視装置に関する。状態監視装置は、計測装置と、計測装置からデータを収集する計測データ収集部と、計測データ収集部から得られたデータを保存する計測データ記憶部と、計測データ記憶部から得られたデータを演算する計測データ演算部とを備える。計測データ演算部は、計測データ記憶部から得られたデータが、計測データ記憶部に保存されたデータに基づいて設定されたしきい値を超えない場合には、時系列データの予測計算を行なわず、計測データ記憶部から得られたデータが、しきい値を超えた場合に、時系列予測モデルを用いて時系列データの予測計算を行なう。

好ましくは、状態監視装置は、計測データ収集部が収集したデータに基づいて監視対象の状態を診断する診断部をさらに備える。診断部は、計測データ演算部が実行した予測計算の結果に基づいて、処理の内容を切り替える。

より好ましくは、計測データ演算部は、計測データ記憶部から得られたデータがしきい値を超えた場合に限定して、しきい値を超えたデータを初期値とし、しきい値を超えたデータが計測された時刻を初期時刻として、予測計算を実行する。

好ましくは、時系列予測モデルは、メモリベースパーティクルフィルタである。計測データ演算部は、計測データ記憶部に保存されたデータを参照し、メモリベースパーティクルフィルタを用いて、初期時刻から所定時間後の確率密度分布を算出し、算出した確率密度分布に基づいて初期時刻から所定時間後の予測値を演算する。

ここで予測値とは、点推定や区間推定の演算結果である。
さらに好ましくは、計測データ演算部は、初期値と計測データ記憶部に保存された各データとの類似度を求める。計測データ演算部は、類似度の高い時刻を探索し、探索によって得られた時刻から所定時間後のデータを参照することにより、初期時刻から所定時間後の時系列データを予測する。

本開示は、他の局面では、上記いずれかに記載の状態監視装置を備える、風力発電装置に関する。

本開示の状態監視装置は、しきい値を超えた取得データを検出した場合、その時刻よりも未来の実績値がなくても、そのデータが一時的な上昇の可能性が高いか否かを、初期時刻から所定時間後の予測値とともに通知できる。例えば、スパイク状ノイズ候補データを検出した場合、その時刻以降の未来の実績値がなくても、所定時間後の予測結果に基づいて装置の診断を実施できる。

本実施の形態の状態監視装置の構成概略図である。 検討例のスパイクノイズ判定処理の概要を説明するための図である。 本実施の形態のスパイクノイズ判定処理の概要を説明するための図である。 図１の計測データ演算部の処理を説明するためのフローチャートである。 図１の計測データ演算部の詳細処理と診断部の処理を説明するためのフローチャートである。 計測データ演算部で予測された時系列データの予測例を示す図である。 図６の予測値Ｄ（Ｔ０＋Δｔ）を決定するための予測計算で演算された確率密度分布結果の典型例を示す図である。 確率密度分布結果（標準偏差が大きい場合で予測値の確度が低い場合）の一例を示す図である。 確率密度分布結果（分布に多峰性があり、１つの予測値に定めることが妥当でない場合）の一例を示す図である。 予測結果のカテゴライズ例を示す図である。 時系列予測計算を開始する条件を満たした場合の概念図である。 メモリベースパーティクルフィルタ予測計算時における、初期粒子発生の概念図である。 メモリベースパーティクルフィルタ予測計算時における、粒子の尤度計算処理の概念図である。 初期時刻から所定時間後Ｔ０＋Δｔでの確率密度分布結果の出力例を示す図である。 初期時刻から所定時間後Ｔ０＋Δｔでの予測値（点推定値）の出力例を示す図である。

以下、本発明の実施の形態について図面を参照しつつ説明する。なお、以下の図面において同一または相当する部分には同一の参照番号を付し、その説明は繰返さない。

図１は、本実施の形態の状態監視装置の構成概略図である。本実施の形態の状態監視装置の監視対象は、図１の例では風力発電装置１０である。なお、監視対象は風力発電装置１０以外であっても良い。本実施の形態の状態監視装置は、例えば、風力発電装置以外の発電装置、産業用機械、鉄道、車両などを監視するものであっても良い。

本実施の形態の状態監視装置１は、計測装置２０と、計測データ収集部３０と、計測データ記憶部４０と、計測データ演算部５０と、診断部６０とを備える。計測装置２０は、風力発電装置１０の設備に取り付けられた振動センサ、温度センサ、その他のセンサなどである。

計測データ収集部３０は、計測装置２０からデータを収集する。計測データ収集部３０は、計測装置２０から定期的もしくは不定期にデータを取得するように構成される。なお取得は、自動取得、手動取得のどちらであってもよい。

計測データ記憶部４０は、計測データ収集部３０から得られたデータを保存する。計測データ記憶部４０は、計測データ収集部３０から取得したデータをメモリまたはハードディスクなどのデータベースに蓄積する。

計測データ演算部５０は、計測データ記憶部４０から得られたデータを演算する。計測データ演算部５０は、計測データ記憶部４０に蓄積されたデータを読出し、必要に応じて時系列データの予測を行ない、スパイクノイズの判定を行なう。計測データ演算部５０は、計測データ記憶部４０から得られたデータが、計測データ記憶部４０に保存されたデータに基づいて設定されたしきい値を超えない場合には、時系列データの予測計算を行なわず、計測データ記憶部４０から得られたデータがしきい値を超えた場合に、時系列予測モデルを用いて時系列データの予測計算を行なう。

診断部６０は、計測データ演算部５０が実行した予測計算の結果に基づいて、処理の内容を切り替える。診断部６０は、計測データ演算部５０の判定結果に対応する監視対象の異常診断を実行する。

本実施の形態に示す状態監視装置１の第１の特徴は、スパイク状ノイズ候補データを検出した場合など、特異なデータを検出した場合にだけ、そのデータ取得時刻を初期時刻、その取得値を初期値として、初期時刻から所定時間後の予測計算を行なうことである。

特異なデータが継続するか否かを予測したい場合において、それ以外の通常時に（データを取得するたび、もしくは定期的に）予測計算することは、計算に関わるプロセッサの使用率およびメモリ容量などのリソースの無駄となる。また、スパイク状ノイズデータなど、一過性の特異なデータを取り扱う場合においては、長期予測を行なう必要はない。特異なデータが検出されたデータの次の計測予定時刻の状態だけ予測すれば、その状態が継続するのか、以前の状態に戻るのかによって、データがノイズか否かを判断することができる。本実施の形態では、このように予測対象に関する時系列予測計算の開始条件や予測期間を考慮した。

また、本実施の形態に示す状態監視装置１の第２の特徴は、初期時刻から所定時間後における時系列データを予測した結果に基づいて、現時刻より後の実測値なしに、スパイク状ノイズである可能性を定量的に示すことである。本実施の形態に示す状態監視装置１は、スパイク状ノイズなどの一時的な上昇か否かを判別する技術において、初期時刻までのデータと時系列予測計算から算出した将来の予測値だけから判別する。これにより、初期時刻以後の実測値を得ることを待たずに、後段の診断を実施できる。

図２は、検討例のスパイクノイズ判定処理の概要を説明するための図である。検討例のスパイクノイズ判定処理（特開２００８－１４０１００号公報の方法）では、時刻Ｎまでのデータを用いて、時刻Ｎ＋１以降の予測値を求める。時刻Ｎ＋１以降の実測値が得られたときに、実測値が予測誤差範囲内かどうかを判定する。そして、時刻Ｎ＋１以降の実測値が予測誤差範囲内であればノイズと判定し、予測誤差範囲外であれば、ノイズではないと判定する。

すなわち、この方法では、時刻Ｎまでの過去データを用いて時刻Ｎ＋１のデータを予測した予測値に対して、その予測時刻（時刻Ｎ＋１）以降における実測値が得られたときに、ノイズだったかどうかを判別する。

この検討例の方法では、時刻Ｎ＋１における実測値がスパイク状のノイズかどうか判定するためには、予測計算後、時刻Ｎ＋１以降の実測値が必要である。したがって、時刻Ｎ＋１以降の実測値が取得できない時刻Ｎ時点では、スパイク状ノイズかどうか判定できない。

図３は、本実施の形態のスパイクノイズ判定処理の概要を説明するための図である。検討例との差異を明確にするために、図２と対比しやすいように作成した図３を用いて説明する。

本実施の形態の方法は、時刻Ｎ時点において、時刻Ｎまでのデータを用いて、メモリベースパーティクルフィルタ法で時刻Ｎ＋１の予測値を求める。すなわち、検討例の手法とは、適用する時系列予測モデルが異なる。メモリベースパーティクルフィルタ法は、過去に現れた観測対象の状態の履歴から、過去の状態が再度出現する確率をモデル化し、これを用いて履歴からのランダムサンプリングにより未来の状態の事前分布を生成する手法である。

次に、時刻Ｎ＋１の予測値だけから、時刻Ｎにおける実測値がスパイク状ノイズか否かを判定する。この点が検討例と大きく異なっている。

本実施の形態の判定方法では、図３の上段で示すように、時刻Ｎ＋１の予測値が、時刻Ｎ－１までと同程度の値である場合には、スパイク状ノイズである可能性が高いと判定する。一方、図３の下段に示すように、時刻Ｎ＋１の予測値が、時刻Ｎ－１までの値よりも非常に大きな値の場合、スパイク状ノイズでない可能性が高いと判定する。

なお、この判定方法は、スパイク状ノイズは一過性のもので、継続的に計測されることは稀であるという前提条件の下に行なわれる。

図２と比較すると図３に示す本実施の形態の判定方法では、スパイク状ノイズの判定には、予測計算を実行すればよく、その後の時刻Ｎ＋１以降の実測値は不要である。つまり、本実施の形態の判定方法は、時刻Ｎ＋１以降の実測値が取得できない時刻Ｎ時点でも、時刻Ｎ＋１の予測値があれば、時刻Ｎにおける実測値がスパイク状ノイズかどうかを判定できる。

本実施の形態で説明するノイズ判定方法は、時系列データにおけるスパイク状ノイズ等の検知において、しきい値を超えたデータを取得した時点で、メモリベースパーティクルフィルタ法等の時系列予測モデルを用いて初期時刻から所定時間後の予測を行ない、予測結果を出力し、その結果に基づいて早期にノイズ判定を行なうことができる。

図４は、図１の計測データ演算部の処理を説明するためのフローチャートである。図４に示すフローチャートの処理は、図１の計測データ演算部５０で実行される。計測データ演算部５０は、時系列データ生成処理（ステップＳ１）と、予測対象データ検出処理（ステップＳ２）と、予測計算処理（ステップＳ４）と、出力処理（ステップＳ５）を順次実行する。

ステップＳ１において実行される時系列データ生成処理では、計測データ演算部５０は、計測データ記憶部４０に蓄積されたデータを読込み、時系列データを生成する。

続いてステップＳ２で実行される予測対象データ検出処理では、しきい値が設定され、ステップＳ１で取得したデータがしきい値と比較される。そして、ステップＳ３において、計測データ演算部５０は、取得したデータが設定したしきい値を超えたかを検出する。しきい値を超えたデータは、ノイズ判定を行なう予測対象データとなる。

しきい値を設定する方法としては、計測データ記憶部４０のデータに基づいて統計的に設定する方法、経験的に設定する方法などが考えられる。例えば、候補データ検出しきい値を後に説明する図６の破線で示すＹｔｈに設定した場合、直近の実績値Ｄ（Ｔ０）はスパイク状ノイズのデータ候補となる。

ステップＳ４において実行される予測計算処理では、ステップＳ３で検出されたデータ候補を初期値として、時系列予測モデルを用いて初期時刻から所定時間後の予測結果を算出する。「所定時間」は、計測データの取得間隔などから、使用者が定めるものである。

使用する時系列予測モデルの一例として、メモリベースパーティクルフィルタ（非特許文献１参照）を用いることができる。なお、メモリベースパーティクルフィルタ以外の時系列予測モデルや統計的な手法によって、予測値を求めることも可能である。

特に、状態監視システムの時系列予測計算モデルとして、メモリベースパーティクルフィルタ法を適用すると、以下のような利点がある。

例えば、風力発電装置用状態監視システムで取得された振動データは、風車の外的環境や内的環境によって、各風車特有の特異なデータが度々計測される場合がある。このため、その風車で測定された過去のデータに基づいて、近未来を予測するモデルが好ましい。また風車の運転開始直後など参照する過去のデータが少なく、過去の類似事例が少ないなどの場合は、予測値には不確かさが含まれることから、その不確かさが出力されるモデルが好ましい。状態監視システムにメモリベースパーティクルフィルタ法を適用すると、これらの問題を解決することができる。

また、本実施の形態に示すメモリベースパーティクルフィルタ法における類似度算出過程は、風車特有の過去データを考慮し、状態監視システムおける未来の予測値を算出することを目的とした、過去の類似データを探索するための過程である。この過程があることにより、各風車測定データのように、データ自身が持つクセを予測値に反映させることができる。

図５は、図１の計測データ演算部の詳細処理と診断部の処理を説明するためのフローチャートである。図５におけるステップＳ２～Ｓ５は計測データ演算部５０で実行される処理であり図４のステップＳ２～Ｓ５とそれぞれ対応する。また図５のステップＳ６は、診断部６０で実行される処理である。

まずステップＳ１において、計測データ演算部５０は、計測データ記憶部４０に蓄積されたデータを読み込み、時系列データを生成する。続いて、ステップＳ２の予測データ検出処理が実行される。まずステップＳ２１において、計測データ演算部５０は、直近までの時系列データに基づいて、予測計算実施しきい値Ｙｔｈを算出し、予測計算実施しきい値Ｙｔｈを次の処理に引き渡す。

ステップＳ２２では、計測データ演算部５０は、予測対象データ候補を検出する。具体的には、計測データ演算部５０は、直近の時系列データの値が、予測計算実施しきい値Ｙｔｈを超えているか判定する。そして、しきい値を超えているか否かの判定結果（TRUE or FALSE）を次の処理に引き渡す。

続いて、ステップＳ３において、しきい値超えの判定結果がFALSEである場合、このフローチャートの処理は終了し、ノイズ判定も診断も実行されない。一方、ステップＳ３において計測データ演算部５０は、しきい値超えの判定結果がTRUEである場合、予測対象データ候補を予測対象データＤ（Ｔ０）であると決定し、ステップＳ４１以降に処理を進める。

ステップＳ４１では、計測データ演算部５０は、初期設定を実行する。初期設定では、直近の時系列データと、メモリベースパーティクルフィルタの初期条件（粒子数等）が入力データとされる。計測データ演算部５０は、候補データの周りに粒子を多数配置し、初期分布を生成する。その結果、初期粒子データが得られる（後述の図１２のＰ１に対応する）。

続いて、ステップＳ４２では尤度（ゆうど）計算処理が実行される。尤度計算では、類似事例の探索と参照データの決定が行なわれる。尤度計算における入力データは、直近までの時系列データと、参照データ数（類似度の上位何位までを参照するか）などである。尤度計算処理の処理内容は、１）過去の時系列データとの類似度を算出、２）類似度の上位となった時刻を参照時刻Ｔｒｅｆとする、３）参照時刻Ｔｒｅｆから所定時間後の次回の計測タイミングＴｒｅｆ＋Δｔでの値を参照値Ｄ（Ｔｒｅｆ＋Δｔ）として、初期粒子に対して重みをつける、の３つである。そして尤度計算の結果、各粒子の尤度が得られる。

ここで、類似度は、初期値と各時系列データとのユークリッド距離などで算出する。参照するデータ種類や参照するデータ範囲の調整も可能である。

続いてステップＳ４３では、重み計算処理が実行される。重みとは、粒子の重み付けのことである。重み計算処理の入力データは、各粒子の尤度である。重み計算処理では、各粒子の尤度を正規化し、粒子の重みを算出する。計測データ演算部５０は、その重みをプロットし、確率密度分布を生成する。重み計算処理の結果、各粒子の重み値、および確率密度分布が得られる。

すなわち、重み計算処理では、計測データ演算部５０は、参照時刻から所定時間後のデータを用いて、初期分布の各粒子の重みを算出する。

その後、ステップＳ４４において予測値算出処理が実行される。予測値算出処理の入力データは、各粒子の重み値である。予測値算出処理では、計測データ演算部５０は、各粒子の重み値から、点推定値を算出する。この算出方法の１つとして、点推定値を各粒子の重み値の重み平均とする方法などがある。予測値算出処理の結果、初期時刻から所定時間後の点推定値が得られる。

すなわち、予測値算出処理では、計測データ演算部５０は、各粒子の重みから初期時刻から所定時間後の確率密度分布を算出し、これに基づいて初期時刻から所定時間後の予測値（点推定値）を求める。

続いて、ステップＳ５１において、予測値区分設定処理が実行される。予測値区分設定処理の入力データは、直近までの時系列データである。計測データ演算部５０は、直近までの時系列データから、予測値をカテゴライズするための区切り値を決定する。予測値区分設定処理の結果、出力データとして予測値区分用の区切り値が得られる。

続いて、ステップＳ５２において、予測値加工処理が実行される。予測値加工処理の入力データは、初期時刻から所定時間後の点推定値、予測値区分用の区切り値、および確率密度分布である。計測データ演算部５０は、初期時刻から所定時間後の点推定値と予測値区分用の区切り値とを比較し、予測値をカテゴライズする（レベル分け）。ただし、確率密度分布から、点推定値の信頼性が低い場合は、カテゴライズしない。予測値加工処理の結果、出力データとして、初期時刻から所定時間後の予測値レベルが得られる。

本実施の形態のメモリベースパーティクルフィルタの予測計算では、初期時刻を予測データ候補である条件を満たしたデータを測定した時刻Ｔ０とし、初期値をそのデータの値Ｙ（Ｔ０）とする。

以下は、図１の診断部６０で実行される診断処理Ｓ６の詳細内容である。図５を参照して、まずステップＳ６１において、診断部６０は、初期値が一時的な上昇と予測されたか否かを判断する。

初期値が、一時的な上昇と予測された場合（Ｓ６１でＹＥＳ）、ステップＳ６２において、診断部６０は、スパイクノイズ判定用の診断処理を実行する。スパイクノイズ判定用の診断処理は、直近の時系列データとその関連データを入力データとする。そして、診断部６０は、直近の時系列データのノイズ診断を実施する。風力発電装置に取り付けられた状態監視装置であれば、その直近データの振動データを分析し、振動データにノイズが含まれているか診断する。

一方で、初期値が、一時的な上昇と予測されなかった場合（Ｓ６１でＮＯ）、ステップＳ６３において、診断部６０は、非スパイクノイズ判定用の診断処理を実行する。非スパイクノイズ判定用の診断処理は、直近の時系列データとその関連データを入力データとする。風力発電装置に取り付けられた状態監視装置であれば、診断部６０は、その直近データに対する振動分析等を実施する。

ステップＳ３で直近の時系列データが予測対象候補でないと判断された場合およびステップＳ６２またはＳ６３で診断が行なわれた場合、その後このフローチャートの処理は終了する。

以下では、具体的な観測例を示しながら、本実施の形態の状態監視装置で行なわれる処理について説明する。

図６は、計測データ演算部で予測された時系列データの予測例を示す図である。図６の時系列データは、風力発電装置の振動データから算出したものであり、縦軸が振動の実効値［ｍ／ｓ^２］、横軸が観測日時を示している。なお、図６では風力発電装置で測定された時系列の振動データを例示したが、本実施の形態に示す診断方法は、スパイク状ノイズが混じる可能性がある、あらゆる時系列データに適用できる。

図６の△印に粒子の重み平均値を予測値とした予測結果Ｄ（Ｔ０＋Δｔ）を示す。急上昇したＤ（Ｔ０）の前の実績値まで予測結果Ｄ（Ｔ０＋Δｔ）が急降下し、時系列データは、スパイク状の変化をすることが予測された。

図７は、図６の予測値Ｄ（Ｔ０＋Δｔ）を決定するための予測計算で演算された確率密度分布結果の典型例を示す図である。図７の縦軸は、確率密度を示す。図７の横軸は、図６の縦軸と同様な時系列データの値を示す。

図６の予測値Ｄ（Ｔ０＋Δｔ）は、図７にプロットした各確率値を重みつき平均したものである。

図７のプロットの１つ１つは、各粒子のデータであり、その横軸は初期粒子を発生させた値によって決まる。図７では、初期粒子の発生させた値（＝予測値がとりうる範囲）を０．０～０．０７に定め、予測計算させた結果が示されている。すなわち、予測値の取りうる範囲は、図７の横軸において、プロットしてある範囲となる。後述する図１２で示すように、初期値と初期粒子の発生方法で予測値が取りうる範囲が計算する度に異なる。

ステップＳ６の出力処理においては、予測計算された結果を加工および出力するが、パーティクルフィルタのように計算結果として確率密度分布が算出される時系列モデルであれば、予測値に確率密度分布を併せて通知することにより、予測値が取りうる範囲を定量的に示すことができる。

図７で示すグラフ（確率密度分布）は、典型例であるが、グラフ形状がどのような形状だとしても、１つの予測値を出力することができる。この予測値が信頼できるか否かをサポートする出力結果として、図８、図９で示す確率密度分布を用いることができる。

図８は、確率密度分布結果（標準偏差が大きい場合で予測値の確度が低い場合）の一例を示す図である。図９は、確率密度分布結果（分布に多峰性があり、１つの予測値に定めることが妥当でない場合）の一例を示す図である。

計測データ演算部５０は、確率密度分布のグラフの形状に基づいて観測者が予測値の信頼性を判断できる（１つの予測値に定めることが妥当か判断できる）場合においては、グラフの提示のみを行なう。一方、計測データ演算部５０は、観測者がグラフのみで判断できない場合は、統計値を別途出力し、観測者が判断できるようにする。

「１つの予測値に定めることが妥当でない」場合は信頼性に欠けるため、計測データ演算部５０は、スパイク状ノイズか否かの判定結果を「不明」という結果とする。

特に標準偏差が大きい場合で予測値の確度が低い場合（図８）や、分布に多峰性（図９）があり１つの予測値に定めることが妥当でない場合などでは、確率密度分布の出力は、観測者にとって有益な通知となる。

図１０は、予測結果のカテゴライズ例を示す図である。図１０に示すように、予め実績値が取りうる範囲を段階別に定めておくことで、予測値を加工し、カテゴライズした結果を出力することもできる。図１０ではＬｅｖｅｌ１とＬｅｖｅｌ２の２区分に分けているが、区分数や区分けの分割方法は、これに限定されない。

このような予測結果を出力することにより、ステップＳ２の予測対象データ検出処理で検出されたデータＤ（Ｔ０）以降の未来の実績値を待つことなく、診断部６０において予測値に基づいた診断を実施することができる。

診断部６０では、図１０に示したように計測データ演算部５０から出力された予測値に応じた診断を実施する。

例えば、風力発電装置に取り付けられた状態監視診断の場合であれば、図１０で示したように、予測値をカテゴライズし予測値がＬｅｖｅｌ１で示す範囲内であった場合、初期値が一時的な上昇の可能性が高いと推定し、ノイズ判定処理等のスパイクノイズ判定用診断を実施する。

一方、予測値がＬｅｖｅｌ２の範囲であったならば、上昇した値が初期値から継続する可能性が高いと推定し、設備の振動分析等の非スパイクノイズ判定用診断が実施される。

もちろんカテゴライズされていない予測値や確率密度分布結果に基づいて、実施する診断方法または診断処理を切り替えてもよい。

図１１は、時系列予測計算を開始する条件を満たした場合の概念図である。図１１によって予測計算の開始条件を説明する。本実施の形態のメモリベースパーティクルフィルタの予測計算では、初期時刻をその条件を満たしたデータを測定した時刻Ｔ０とし、初期値をそのデータの値Ｙ（Ｔ０）とする。

計測データ記憶部４０に保存されたデータに基づいて、しきい値Ｙｔｈが得られる。データＤ（Ｔ０）の初期値Ｙ（Ｔ０）がしきい値Ｙｔｈを超えたとする。

この場合、初期値Ｙ（Ｔ０）がしきい値Ｙｔｈを超えていることから、予測計算を実施する条件を満たす。

図１２は、メモリベースパーティクルフィルタ予測計算時における、初期粒子発生の概念図である。図１２には、メモリベースパーティクルフィルタ予測計算時に、初期粒子をばら撒いた図の一例が示される。初期値Ｙ（Ｔ０）を与えるデータＤ（Ｔ０）の周辺に、同じ大きさの粒子をばら撒き、初期粒子を発生させる。

図１３は、メモリベースパーティクルフィルタ予測計算時における、粒子の尤度計算処理の概念図である。

粒子の尤度計算処理では、はじめに類似度を算出する。類似度は、データＤ（Ｔ０）の初期値Ｙ（Ｔ０）と、過去の時系列各データとの類似度を非特許文献１の式１４に記載の方法などで算出し、その類似度の高い時刻を参照時刻Ｔｒｅｆとする。なお、図１３の参照時刻Ｔｒｅｆは、初期値に最も類似したデータＤ（Ｔｒｅｆ）を測定した時刻とした。

参照時刻Ｔｒｅｆから所定時間後の時刻Ｔｒｅｆ＋ΔｔにおけるデータＹ（Ｔｒｅｆ＋Δｔ）を参照し、初期粒子に対して重みをつけ、初期時刻から所定時間後のＴ０＋Δｔの重み分布Ｐ２とする。

図１４は、初期時刻から所定時間後のＴ０＋Δｔでの確率密度分布結果の出力例を示す図である。図１４の縦軸は、図１３で示した粒子の尤度を正規化した値を粒子の重みを示し、横軸は、その粒子の予測値（例えば実効値）を示している。

図１５は、初期時刻から所定時間後のＴ０＋Δｔでの予測値（点推定値）の出力例を示す図である。図１５においてこの予測値は、Ｄ（Ｔ０＋Δｔ）で示される。図１４に示した初期時刻から所定時間後の確率密度分布に基づいて、初期時刻から所定時間後のＴ０＋Δｔでの予測値（点推定値）Ｄ（Ｔ０＋Δｔ）が演算される。なお、この点推定値は、粒子の重み平均値である。

以上説明した図１１～図１５を用いて、本実施の形態で使用する時系列予測モデルである、メモリベースパーティクルフィルタを用いた手法について総括する。計測データ演算部５０は、計測データ記憶部４０に保存されたデータを参照し、メモリベースパーティクルフィルタを用いて初期時刻から所定時間後Ｔ０＋Δｔでの確率密度分布（図１４）を算出し、算出された確率密度分布に基づいて、初期時刻から所定時間後Ｔ０＋Δｔでの予測値Ｄ（Ｔ０＋Δｔ）を演算する。

より好ましくは、計測データ演算部５０は、計測データ記憶部４０から得られたデータＤ（Ｔ０）がしきい値Ｙｔｈを超えた場合に限定して、しきい値Ｙｔｈを超えたデータＤ（Ｔ０）を初期値とし、しきい値Ｙｔｈを超えたデータＤ（Ｔ０）が計測された時刻Ｔ０を初期時刻Ｔ０として、予測計算を実行する。

さらに好ましくは、計測データ演算部５０は、初期値Ｄ（Ｔ０）と計測データ記憶部４０に保存された各データとの類似度を求め、類似度の高い時刻Ｔｒｅｆを探索し、探索によって得られた時刻から所定時間後Ｔｒｅｆ＋ΔｔでのデータＤ（Ｔｒｅｆ＋Δｔ）を参照することにより、初期時刻Ｔ０から所定時間後Ｔ０＋Δｔでの時系列データＤ（Ｔ０＋Δｔ）を予測する。

以上説明した本実施の形態の状態監視装置によれば、例えば、しきい値を超えた取得データを検出した場合、その時刻以降の実績値がなくても、そのデータが一時的な上昇の可能性が高いか否かを、初期時刻から所定時間後の予測値とともに通知できる。

例えばスパイク状ノイズ候補データを検出した場合、その時刻以降の実績値がなくても、初期時刻から所定時間後の予測結果に基づいた診断を実施できる。

今回開示された実施の形態は、すべての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は、上記した実施の形態の説明ではなくて特許請求の範囲によって示され、特許請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。

１ 状態監視装置、１０ 風力発電装置、２０ 計測装置、３０ 計測データ収集部、４０ 計測データ記憶部、５０ 計測データ演算部、６０ 診断部。

Claims (5)

1. 計測装置と、
   前記計測装置からデータを収集する計測データ収集部と、
   前記計測データ収集部から得られたデータを保存する計測データ記憶部と、
   前記計測データ記憶部から得られたデータを演算する計測データ演算部とを備え、
   前記計測データ演算部は、
   前記計測データ記憶部から得られたデータが、前記計測データ記憶部に保存されたデータに基づいて設定されたしきい値を超えない場合には、時系列データの予測計算を行なわず、
   前記計測データ記憶部から得られたデータが、前記しきい値を超えた場合に、時系列予測モデルを用いて前記時系列データの予測計算を行ない、
   前記しきい値を超えたデータを初期値とし、前記しきい値を超えたデータが計測された時刻を初期時刻とし、
   前記計測データ演算部は、前記初期値と前記計測データ記憶部に保存された各データとの類似度を求め、
   前記計測データ演算部は、前記類似度の高い時刻を探索し、探索によって得られた時刻から所定時間後のデータを参照することにより、前記初期時刻から前記所定時間後の時系列データを予測する、状態監視装置。
2. 前記計測データ収集部が収集したデータに基づいて監視対象の状態を診断する診断部をさらに備え、
   前記診断部は、前記計測データ演算部が実行した予測計算の結果に基づいて、処理の内容を切り替える、請求項１に記載の状態監視装置。
3. 前記時系列予測モデルは、メモリベースパーティクルフィルタであり、
   前記計測データ演算部は、前記計測データ記憶部に保存されたデータを参照し、前記メモリベースパーティクルフィルタを用いて前記初期時刻から前記所定時間後の確率密度分布を算出し、算出した前記確率密度分布に基づいて前記初期時刻から前記所定時間後の予測値を演算する、請求項１に記載の状態監視装置。
4. 前記計測データ演算部は、前記計測データ記憶部から得られたデータが前記しきい値を超えた場合に限定して、前記初期値と、前記初期時刻から予測計算を実行する、請求項１に記載の状態監視装置。
5. 請求項１～４のいずれか１項に記載の状態監視装置を備える、風力発電装置。

Images