JP7134051B2 - 劣化検知システム - Google Patents

劣化検知システム Download PDF

Info

Publication number
JP7134051B2
JP7134051B2 JP2018186643A JP2018186643A JP7134051B2 JP 7134051 B2 JP7134051 B2 JP 7134051B2 JP 2018186643 A JP2018186643 A JP 2018186643A JP 2018186643 A JP2018186643 A JP 2018186643A JP 7134051 B2 JP7134051 B2 JP 7134051B2
Authority
JP
Japan
Prior art keywords
model
deterioration
normal
unit
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2018186643A
Other languages
English (en)
Other versions
JP2020057144A (ja
JP2020057144A5 (ja
Inventor
優一 若林
浩司 脇本
泉 大塚
親人 石飛
武久 原口
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mitsubishi Electric Corp
Mitsubishi Electric Plant Engineering Corp
Original Assignee
Mitsubishi Electric Corp
Mitsubishi Electric Plant Engineering Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority to JP2018186643A priority Critical patent/JP7134051B2/ja
Application filed by Mitsubishi Electric Corp, Mitsubishi Electric Plant Engineering Corp filed Critical Mitsubishi Electric Corp
Priority to PCT/JP2019/034731 priority patent/WO2020071039A1/ja
Priority to CN201980063005.XA priority patent/CN112771462B/zh
Priority to DE112019004928.3T priority patent/DE112019004928T5/de
Priority to KR1020217008240A priority patent/KR102495422B1/ko
Publication of JP2020057144A publication Critical patent/JP2020057144A/ja
Priority to US17/214,274 priority patent/US12079303B2/en
Publication of JP2020057144A5 publication Critical patent/JP2020057144A5/ja
Application granted granted Critical
Publication of JP7134051B2 publication Critical patent/JP7134051B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Automation & Control Theory (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Computing Systems (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Description

この発明は、機器の経年劣化の検知を行う劣化検知システムに関する。
鉄道関連機器、発電プラント装置又は工場ライン設備等の様々な機器において、機器の予防保全を図るニーズがあり、機器の劣化を検知する技術（劣化検知技術）が研究されている。
一般に、機器の劣化検知を高精度に行うためには、対象となる機器（以下、対象機器と称す）毎に、正常状態及び劣化状態の両方での稼動データの収集が必要となる。しかしながら、実機では、劣化の進行の遅い機器が多く、また、異常発生開始時期を正確に特定できないことも多いため、十分な量の劣化状態での稼動データを収集することが難しい。
そこで、機器の仕様に基づいて機種等によって機器をグルーピングしておき、同一のグループ内の全機器の稼動データを用いて、グループ毎に診断モデルを構築する方法がある（例えば特許文献１参照）。そして、対象機器の劣化検知の際には、まず、仕様から対象機器が属するグループを特定し、そのグループの診断モデルを用いて劣化検知を行う。これにより、機器個別の稼動データの量が少ない場合でも劣化検知が可能となる。
特開２０１６－０９１３７８号公報
上記のように、従来技術では、対象機器と同じグループに属する全機器のデータを用いて診断モデルを構築している。よって、この従来技術では、対象機器を正確に表す診断モデルを得るためには、グループ内の各機器の稼動データと対象機器の稼動データが同じような稼動データである必要がある。仮に、対象機器と同じグループ内の各機器の稼動データ中に対象機器の稼動データと異なる挙動をするデータが含まれる場合、構築された診断モデルは、対象機器の振舞いを正しく表現しないものとなり、正確な劣化検知ができない。
また、一般に、同機種であっても、個体差、設置条件の差又は環境条件の差等の大きい機器では、同機種の稼動データを用いて構築された診断モデルを個別の機器に適用しても、正確な劣化検知ができない。
更に、個体差、設置条件又は環境条件等を考慮して、条件を細かく分割し、条件毎に診断モデルを構築しようとすると、各診断モデルを構築するために膨大な量と種類の稼動データが必要となる。
この発明は、上記のような課題を解決するためになされたもので、対象機器の劣化状態での稼動データを用いることなく、対象機器の劣化検知を可能とする劣化検知システムを提供することを目的としている。
この発明に係る劣化検知システムは、対象機器とは異なる他機器の正常状態での稼動データである正常データに基づいて構築されたモデルであって当該他機器の正常状態でのモデルである正常モデル及び対象機器の正常状態での稼動データである正常データに基づいて、当該対象機器の正常状態でのモデルである正常モデルを構築する正常モデル再構築部と、他機器の正常データ及び劣化状態での稼動データである劣化データに基づいて構築されたモデルであって当該他機器の稼動データから当該他機器の劣化を判定するためのモデルである劣化判定モデル、並びに正常モデル再構築部により構築された正常モデルに基づいて、当該対象機器の稼動データから当該対象機器の劣化を判定するためのモデルである劣化判定モデルを構築する劣化判定モデル再構築部と、対象機器の稼動データ及び劣化判定モデル再構築部により構築された劣化判定モデルに基づいて、当該対象機器の劣化を判定する劣化判定部とを備え、劣化判定モデルは、正常データに正常モデルを適用することで得られる当該正常データの異常度を表す劣化度と、劣化データに正常モデルを適用することで得られる当該劣化データの異常度を表す劣化度とを識別するためのモデルであり、劣化判定モデル再構築部は、他機器の正常状態での稼働データに他機器の正常モデルを適用して得られる劣化度の分布と対象機器の正常状態での稼働データに対象機器の正常モデルを適用して得られる劣化度の分布とを比較し、両者の分布の差異に応じて、他機器の劣化判定モデルにおける識別器の識別面を更新することにより、対象機器の劣化判定モデルを構築することを特徴とする。
この発明によれば、上記のように構成したので、対象機器の劣化状態での稼動データを用いることなく、対象機器の劣化検知が可能となる。
この発明の実施の形態１に係る劣化検知システムの構成例を示す図である。 この発明の実施の形態１における劣化判定モデル構築部の構成例を示す図である。 この発明の実施の形態１における正常モデル再構築部の構成例を示す図である。 この発明の実施の形態１における劣化判定モデル再構築部の構成例を示す図である。 この発明の実施の形態１に係る劣化検知システムの動作例を示すフローチャートである。 この発明の実施の形態１における正常モデル構築部の動作例を示すフローチャートである。 この発明の実施の形態１における劣化判定モデル構築部の動作例を示すフローチャートである。 この発明の実施の形態１における正常モデル再構築部の動作例を示すフローチャートである。 この発明の実施の形態１における劣化判定モデル再構築部の動作例を示すフローチャートである。 この発明の実施の形態１における劣化判定部の動作例を示すフローチャートである。 この発明の実施の形態２に係る劣化検知システムの構成例を示す図である。 この発明の実施の形態２におけるモデル評価部の構成例を示す図である。 この発明の実施の形態２に係る劣化検知システムによる劣化判定モデルの評価及び修正の動作例を示すフローチャートである。 この発明の実施の形態２におけるモデル評価部の動作例を示すフローチャートである。 この発明の実施の形態２におけるモデル修正部の動作例を示すフローチャートである。 この発明の実施の形態１，２に係る劣化検知システムのハードウェア構成例を示す図である。
以下、この発明の実施の形態について図面を参照しながら詳細に説明する。
実施の形態１．
図１はこの発明の実施の形態１に係る劣化検知システム１の構成例を示す図である。
劣化検知システム１は、対象となる機器（以下、対象機器と称す）の劣化検知を行う。なお、対象機器としては、例えば、プラットホームドア等の鉄道関連機器、ブレーキ等の列車搭載機器、発電プラント装置又は工場ライン設備等が挙げられる。この劣化検知システム１は、図１に示すように、劣化特徴抽出部１０１、正常モデル構築部１０２、正常モデル記憶部１０３、劣化判定モデル構築部１０４、劣化判定モデル記憶部１０５、正常モデル再構築部１０６、劣化判定モデル再構築部１０７、劣化判定モデル記憶部１０８、劣化判定部１０９及び検知結果出力部１１０を備えている。
劣化特徴抽出部１０１は、入力された稼動データから特徴量を抽出する。ここで、劣化特徴抽出部１０１に入力される稼動データは、対象機器とは異なる他の機器（以下、他機器と称す）から収集される正常状態での稼動データ（正常データ）及び劣化状態での稼動データ（劣化データ）、対象機器から収集される正常状態での稼動データ（正常データ）、及び、対象機器から収集される稼動データ（検知対象データ）のうちの何れかである。なお、対象機器の正常データ及び検知対象データは、逐次収集される。また、劣化特徴抽出部１０１が抽出する特徴量は、劣化を反映する可能性のある特徴量である。
この劣化特徴抽出部１０１は、まず、他機器から収集された正常データ及び劣化データから特徴量を抽出する。次に、劣化特徴抽出部１０１は、対象機器の稼動開始直後に対象機器から逐次収集された正常データから特徴量を抽出する。次に、劣化特徴抽出部１０１は、対象機器から逐次収集された検知対象データから特徴量を抽出する。
なお、劣化を反映する可能性のある特徴量の抽出方法は、設計、物理知識又は事前の分析等によって決定される。以後、劣化特徴抽出部１０１により正常データから抽出された特徴量を、正常特徴量データと呼ぶ。また、劣化特徴抽出部１０１により劣化データから抽出された特徴量を、劣化特徴量データと呼ぶ。また、劣化特徴抽出部１０１により検知対象データから抽出された特徴量を、検知対象特徴量データと呼ぶ。また、他機器としては、試験装置、又は、別の環境で事前にデータ収集を行った機器等が考えられる。
なお図１では、劣化検知システム１が劣化特徴抽出部１０１を有する場合を示している。しかしながら、これに限らず、劣化検知システム１は劣化特徴抽出部１０１を有していなくてもよい。
正常モデル構築部１０２は、劣化特徴抽出部１０１により抽出された他機器の正常特徴量データに基づいて、当該他機器の正常状態でのモデル（正常モデル）を構築する。なお、正常モデルとしては、正常特徴量データが取得る挙動、正常特徴量データが取得るパターン、当該挙動の範囲又は当該パターンの範囲、並びに、等式、グラフ又はネットワークで表される１つ以上の正常特徴量データから抽出した特徴量間の相関関係等を用いることができる。なお、特徴量間の相関関係を表すグラフ構造を用いて正常モデルを構築する場合、グラフ構造は特徴ベクトルの共分散行列又はその逆数である精度行列等で表すことができる。
正常モデル記憶部１０３は、正常モデル構築部１０２により構築された他機器の正常モデルを示すデータを記憶する。
劣化判定モデル構築部１０４は、劣化特徴抽出部１０１により抽出された他機器の正常特徴量データ及び劣化特徴量データに基づいて、当該他機器の稼動データから当該他機器の劣化を判定するためのモデル（劣化判定モデル）を構築する。なおこの際、劣化判定モデル構築部１０４は、上記他機器の正常特徴量データ及び劣化特徴量データに加えて正常モデル記憶部１０３から読出した当該他機器の正常モデルに基づいて、当該他機器の劣化判定モデルを構築してもよい。この劣化判定モデル構築部１０４の詳細については後述する。
劣化判定モデル記憶部１０５は、劣化判定モデル構築部１０４により構築された他機器の劣化判定モデルを示すデータを記憶する。
なお、劣化検知システム１は、対象機器のモデル構築及び劣化判定を行う前に、他機器の正常モデル及び他機器の劣化判定モデルを構築する。
正常モデル再構築部１０６は、正常モデル記憶部１０３から読出した他機器の正常モデル及び劣化特徴抽出部１０１により抽出された対象機器の正常特徴量データに基づいて、当該対象機器の正常状態でのモデル（正常モデル）を構築する。この正常モデル再構築部１０６の詳細については後述する。
劣化判定モデル再構築部１０７は、劣化判定モデル記憶部１０５から読出した他機器の劣化判定モデル及び正常モデル再構築部１０６により構築された対象機器の正常モデルに基づいて、当該対象機器の稼動データから劣化を判定するためのモデル（劣化判定モデル）を構築する。なおこの際、劣化判定モデル再構築部１０７は、上記他機器の劣化判定モデル及び対象機器の正常モデルに加えて劣化特徴抽出部１０１により抽出された対象機器の正常特徴量データに基づいて、当該対象機器の劣化判定モデルを構築してもよい。この劣化判定モデル再構築部１０７の詳細については後述する。
劣化判定モデル記憶部１０８は、劣化判定モデル再構築部１０７により構築された対象機器の劣化判定モデルを示すデータを記憶する。
劣化判定部１０９は、劣化特徴抽出部１０１により抽出された検知対象特徴量データ及び劣化判定モデル記憶部１０８から読出した対象機器の劣化判定モデルに基づいて、当該対象機器の劣化を判定する。この際、劣化判定部１０９は、検知対象特徴量データに対して対象機器の劣化判定モデルを適用することで、対象機器が正常又は劣化の何れであるかを判定する。
検知結果出力部１１０は、劣化判定部１０９による判定結果を示すデータを外部に出力する。
次に、劣化判定モデル構築部１０４の構成例について、図２を参照しながら説明する。
劣化判定モデル構築部１０４は、図２に示すように、劣化度算出部１０４１及び識別器構築部１０４２を有する。
劣化度算出部１０４１は、他機器の正常特徴量データ及び劣化特徴量データに他機器の正常モデルをそれぞれ適用し、当該正常特徴量データの劣化度及び当該劣化特徴量データの劣化度を算出する。
識別器構築部１０４２は、劣化度算出部１０４１により算出された正常特徴量データの劣化度と劣化特徴量データの劣化度とを識別可能な識別器を構築し、当該識別器を劣化判定モデルとする。
次に、正常モデル再構築部１０６の構成例について、図３を参照しながら説明する。
正常モデル再構築部１０６は、図３に示すように、モデル保持部１０６１、パラメータ更新部１０６２及び収束判定部１０６３を有する。
モデル保持部１０６１は、他機器の正常モデルを対象機器の正常モデルとして保持する。
パラメータ更新部１０６２は、対象機器の正常特徴量データを用いてモデル保持部１０６１により保持されている当該対象機器の正常モデルのパラメータを更新する。パラメータ更新部１０６２は、収束判定部１０６３によりパラメータが収束したと判定されるまで、対象機器の正常データが逐次収集される度に、対象機器の正常モデルのパラメータを更新する。
他機器と対象機器との間には、機器の個体差、設置条件又は環境条件の違いがあるため、他機器のデータと対象機器のデータは一般に異なる傾向を持つ。そのため、他機器のデータを用いて構築したモデルを、そのまま対象機器に適用しても、対象機器で発生した劣化を正しく検知することは難しい。
そこで、劣化検知システム１は、他機器で構築したモデルのパラメータを、対象機器の正常データを用いて更新する。これにより、劣化検知システム１は、対象機器に適したモデルを再構築することができる。
また、全対象機器で学習に十分な量のデータを事前に収集するのは難しいことが多い。そこで、劣化検知システム１は、対象機器から逐次収集するデータを用いて、他機器で事前に構築したモデルのパラメータを更新し、対象機器のモデルをオンラインで取得する。これにより、劣化検知システム１は、事前に対象機器のデータが十分にない場合でも、精度の高いモデルを再構築することができる。
収束判定部１０６３は、パラメータ更新部１０６２により更新されたパラメータが収束したかを判定する。収束判定部１０６３は、対象機器の正常データが逐次収集される度に、パラメータ更新部１０６２で更新された正常モデルのパラメータが収束したかを判定する。収束判定部１０６３は、パラメータが収束したと判定するまでこの動作を繰り返す。
なお、例えば一定回数のパラメータ更新を実施したら更新を終了するという方法もあるが、この方法だとパラメータが収束する前に、つまりモデルの再構築前に、更新が終了する可能性がある。そのため、収束判定部１０６３はパラメータの収束判定を行い、劣化検知システム１は正確なモデル構築を可能とする。
また、パラメータ更新部１０６２及び収束判定部１０６３は、対象機器から正常稼働時のデータが収集され始めたら、パラメータの更新及びパラメータの収束判定を開始する。
また、パラメータ更新部１０６２は、パラメータが収束したと判定されるまで、又は対象機器が一定時間稼働し、収集されるデータが正常データでない可能性が高くなってきた場合に、パラメータの更新を終了する。ここで、収集データが正常でない可能性が高いかどうかは、機器の設計知識又は物理知識等から決定される。
次に、劣化判定モデル再構築部１０７の構成例について、図４を参照しながら説明する。
劣化判定モデル再構築部１０７は、図４に示すように、モデル保持部１０７１、劣化度算出部１０７２、劣化判定部（第２劣化判定部）１０７３及びモデル更新部１０７４を有する。
モデル保持部１０７１は、他機器の劣化判定モデルを対象機器の劣化判定モデルとして保持する。
劣化度算出部１０７２は、対象機器の正常特徴量データに当該対象機器の正常モデルを適用し、当該正常特徴量データの劣化度を算出する。劣化度算出部１０７２は、正常モデル再構築部１０６における構築が完了するまで劣化度の算出を行う。劣化度算出部１０７２は、対象機器の正常データが逐次収集される度に、パラメータ更新部１０６２で更新された正常モデルのパラメータを用いて、正常特徴量データの劣化度を算出する。
劣化判定部１０７３は、劣化度算出部１０７２により算出された劣化度に対してモデル保持部１０７１により保持されている対象機器の劣化判定モデルを適用し、劣化判定を行う。
モデル更新部１０７４は、劣化判定部１０７３による判定結果に基づいて、モデル保持部１０７１により保持されている対象機器の劣化判定モデルを更新する。
次に、実施の形態１に係る劣化検知システム１の動作例について、図５を参照しながら説明する。
ここで、従来技術では、対象機器の機種情報しか用いていないため、機器に特有の個体差等の要因により正確な劣化検知ができない。一方、実機で対象機器の劣化データを収集することは難しいが、対象機器の正常データを逐次収集することは可能な場合がある。そこで、実施の形態１に係る劣化検知システム１では、対象機器の正常データを用いて他機器の正常モデル及び劣化判定モデルを修正することで、対象機器をより正確に表現できる正常モデル及び劣化判定モデルを構築する。これにより、実施の形態１に係る劣化検知システム１では、劣化検知の精度が向上する。
実施の形態１に係る劣化検知システム１の動作例では、図５に示すように、まず、劣化特徴抽出部１０１は、入力された稼動データから特徴量を抽出する（ステップＳＴ５０１）。
次いで、正常モデル構築部１０２は、劣化特徴抽出部１０１により抽出された他機器の正常特徴量データに基づいて、当該他機器の正常モデルを構築する（ステップＳＴ５０２）。この正常モデル構築部１０２により構築された他機器の正常モデルを示すデータは、正常モデル記憶部１０３に記憶される。正常モデル構築部１０２の詳細な動作例は後述する。
次いで、劣化判定モデル構築部１０４は、劣化特徴抽出部１０１により抽出された他機器の正常特徴量データ及び劣化特徴量データ並びに正常モデル記憶部１０３から読出した当該他機器の正常モデルに基づいて、当該他機器の劣化判定モデルを構築する（ステップＳＴ５０３）。この劣化判定モデル構築部１０４により構築された他機器の劣化判定モデルを示すデータは、劣化判定モデル記憶部１０５に記憶される。劣化判定モデル構築部１０４の詳細な動作例は後述する。
次いで、正常モデル再構築部１０６は、正常モデル記憶部１０３から読出した他機器の正常モデル及び劣化特徴抽出部１０１により抽出された対象機器の正常特徴量データに基づいて、当該対象機器の正常モデルを構築する（ステップＳＴ５０４）。正常モデル再構築部１０６の詳細な動作例は後述する。
次いで、劣化判定モデル再構築部１０７は、劣化判定モデル記憶部１０５から読出した他機器の劣化判定モデル、正常モデル再構築部１０６により構築された対象機器の正常モデル、及び、劣化特徴抽出部１０１により抽出された対象機器の正常特徴量データに基づいて、当該対象機器の劣化判定モデルを構築する（ステップＳＴ５０５）。この劣化判定モデル再構築部１０７により構築された対象機器の劣化判定モデルを示すデータは、劣化判定モデル記憶部１０８に記憶される。劣化判定モデル再構築部１０７の詳細な動作例は後述する。
次いで、劣化判定部１０９は、劣化特徴抽出部１０１により抽出された検知対象特徴量データ及び劣化判定モデル記憶部１０８から読出した対象機器の劣化判定モデルに基づいて、当該対象機器の劣化を判定する（ステップＳＴ５０６）。
次いで、検知結果出力部１１０は、劣化判定部１０９による判定結果を示すデータを外部に出力する（ステップＳＴ５０７）。
次に、正常モデル構築部１０２の動作例について、図６を参照しながら説明する。
正常モデル構築部１０２の動作例では、図６に示すように、まず、正常モデル構築部１０２は、劣化特徴抽出部１０１により抽出された他機器の正常特徴量データを取得する（ステップＳＴ６０１）。
次いで、正常モデル構築部１０２は、他機器の正常特徴量データに基づいて、当該他機器の正常モデルを構築する（ステップＳＴ６０２）。
次いで、正常モデル構築部１０２は、他機器の正常モデルを示すデータを出力する（ステップＳＴ６０３）。
次に、劣化判定モデル構築部１０４の動作例について、図７を参照しながら説明する。
劣化判定モデル構築部１０４の動作例では、図７に示すように、まず、劣化判定モデル構築部１０４は、劣化特徴抽出部１０１により抽出された他機器の正常特徴量データ及び劣化特徴量データを取得する（ステップＳＴ７０１）。
また、劣化判定モデル構築部１０４は、正常モデル記憶部１０３に記憶されている他機器の正常モデルを読込む（ステップＳＴ７０２）。
次いで、劣化度算出部１０４１は、他機器の正常特徴量データ及び劣化特徴量データに他機器の正常モデルをそれぞれ適用し、当該正常特徴量データの劣化度及び当該劣化特徴量データの劣化度を算出する（ステップＳＴ７０３）。
なお、劣化度の算出方法としては、例えば正常モデルが特徴量間の相関関係を表すグラフ構造である場合、下式（１）を用いた算出方法が考えられる。なお、式（１）において、ｘ（ｋ）∈Ｒｒは全特徴量データ中におけるｋ番目のｒ次元の特徴ベクトルを表し、ａ（ｋ）はｘ（ｋ）に対する異常度（劣化度）を表し、Ｐ（ｘ）はｘの確率分布を表す。ｋはデータが取得された時刻を表し、データが取得される度にｋの値は逐次更新される。

Figure 0007134051000001
ここで、Ｐ（ｘ（ｋ））＝Ｎ（ｘ（ｋ）｜μ，Σ）の正規分布に従うと仮定すると、劣化度は、下式（２）のマハラノビス距離となる。ここで、μはｘの平均、Σはｘの共分散行列を表す。

Figure 0007134051000002
なお上記の劣化度の算出方法は一例であり、他の方法でもよく、劣化度が多次元ベクトルでもよい。
次いで、識別器構築部１０４２は、劣化度算出部１０４１により算出された正常特徴量データの劣化度と劣化特徴量データの劣化度とを識別可能な識別器を構築し、当該識別器を劣化判定モデルとする（ステップＳＴ７０４）。
なお、識別器の構築方法としては、例えば劣化度が式（２）で算出される場合、劣化度に対してＲＯＣ（Ｒｅｃｅｉｖｅｒ Ｏｐｅｒａｔｉｎｇ Ｃｈａｒａｃｔｅｒｉｓｔｉｃ）曲線を適用し、正常特徴量データの劣化度と劣化特徴量データの劣化度とを最も良く識別する閾値を算出することで、識別器とすることができる。
次いで、劣化判定モデル構築部１０４は、他機器の劣化判定モデルを示すデータを出力する（ステップＳＴ７０５）。
次に、正常モデル再構築部１０６の動作例について、図８を参照しながら説明する。
正常モデル再構築部１０６の動作例では、図８に示すように、まず、正常モデル再構築部１０６は、正常モデル記憶部１０３に記憶されている他機器の正常モデルを読込む（ステップＳＴ８０１）。そして、モデル保持部１０６１は、この他機器の正常モデルを対象機器の正常モデルとして保持する。
また、正常モデル再構築部１０６は、対象機器の正常特徴量データを学習データとして取得する（ステップＳＴ８０２）。
次いで、パラメータ更新部１０６２は、学習データを用いてモデル保持部１０６１に保持されている対象機器の正常モデルのパラメータを更新する（ステップＳＴ８０３）。
例えば、モデル保持部１０６１に保持されている正常モデルが特徴量間の相関関係を表すグラフ構造であり、パラメータの更新で得られる標本平均、標本共分散行列及びグラフ構造をそれぞれμ（ハット）、Σ（ハット）、Λ（ハット）とする。
ここで、現時刻の標本平均であるμ（ハット）（ｋ）は、下式（３）のように算出される。式（３）において、μｉはμのｉ成分を表す。

Figure 0007134051000003
また、現時刻の標本共分散行列であるΣ（ハット）（ｋ）は、下式（４）のように算出される。式（４）において、σｉｊ ２はΣ（ハット）の（ｉ，ｊ）成分を表す。

Figure 0007134051000004
また、現時刻のグラフ構造であるΛ（ハット）（ｋ）は、現時刻の標本平均であるμ（ハット）（ｋ）、現時刻の標本共分散行列であるΣ（ハット）（ｋ）、及び、前回のグラフ構造であるΛ（ハット）（ｋ－１）から算出される。なお、μ（ハット），Σ（ハット），Λ（ハット）の初期値には、他機器の正常モデルであるＰの値を用いる。
また、Λ（ハット）（ｋ）は、グラフ構造として共分散行列を用いた場合にはΛ（ハット）（ｋ）＝Σ（ハット）（ｋ）となり、グラフ構造として精度行列を用いた場合にはΛ（ハット）（ｋ）＝Σ（ハット）－１（ｋ）となる。
そして、グラフ構造として疎構造グラフを用いた場合、Ｌ１最適化（下式（５））において、Σ（ハット）＝Σ（ハット）（ｋ）とし、Λの初期値をΛ（ハット）（ｋ－１）として最適化問題を解くことで、Λ（ハット）（ｋ）を得ることができる。式（５）において、ρは正則化パラメータを表す。
Figure 0007134051000005
次いで、正常モデル再構築部１０６は、対象機器の正常モデルを示すデータを出力する（ステップＳＴ８０４）。
次いで、収束判定部１０６３は、パラメータ更新部１０６２により更新されたパラメータが収束したかを判定する（ステップＳＴ８０５）。
このステップＳＴ８０５において、収束判定部１０６３がパラメータは収束していないと判定した場合には、シーケンスはステップＳＴ８０２に戻り上記の動作を繰り返す。一方、ステップＳＴ８０５において、収束判定部１０６３がパラメータは収束したと判定した場合には、シーケンスは終了する。
正常モデル再構築部１０６による正常モデルの更新は、正常モデルのパラメータが収束し、値がほぼ変動しなくなった場合に、終了する。正常モデルのパラメータの収束判定方法としては、例えば正常モデルがｒ×ｒの正方行列であるΛ（ハット）（ｋ）で表される場合、Λ（ハット）（ｋ）が下式（６）を満たすとき、収束したと判定できる。式（６）において、εは十分小さな定数値とし、ｔｒ（・）は行列の対角成分の和（トレース）を表す。
Figure 0007134051000006
また、正常モデル再構築部１０６では、収束判定部１０６３によりパラメータが収束したと判定される前に、対象機器の正常データが得られなくなる場合がある。この場合、正常モデル再構築部１０６は、パラメータが収束していなくても、正常データが得られなくなる直前に算出された対象機器の正常モデルを示すデータを出力する。
次に、劣化判定モデル再構築部１０７の動作例について、図９を参照しながら説明する。
劣化判定モデル再構築部１０７の動作例では、図９に示すように、まず、劣化判定モデル再構築部１０７は、劣化判定モデル記憶部１０５に記憶されている他機器の劣化判定モデルを読込む（ステップＳＴ９０１）。そして、モデル保持部１０７１は、この他機器の劣化判定モデルを対象機器の劣化判定モデルとして保持する。
また、劣化判定モデル再構築部１０７は、対象機器の正常特徴量データを学習データとして取得する（ステップＳＴ９０２）。
また、劣化判定モデル再構築部１０７は、正常モデル再構築部１０６により構築された対象機器の正常モデルを読込む（ステップＳＴ９０３）。
次いで、劣化度算出部１０７２は、学習データに対象機器の正常モデルを適用し、当該学習データの劣化度を算出する（ステップＳＴ９０４）。
この際、劣化判定モデル再構築部１０７は、現時刻に入力された対象機器の正常特徴量データであるｘ（ｋ）に、ｘ（ｋ）を用いて更新された対象機器の正常モデルを適用し、ｘ（ｋ）の劣化度であるａ（ｋ）を算出する。
次いで、劣化判定部１０７３は、劣化度算出部１０７２により算出された劣化度に対してモデル保持部１０７１により保持されている劣化判定モデルを適用し、劣化判定を行う（ステップＳＴ９０５）。
次いで、モデル更新部１０７４は、劣化判定部１０７３による判定結果に基づいて、モデル保持部１０７１により保持されている劣化判定モデルを更新する（ステップＳＴ９０６）。
この際、劣化判定モデル再構築部１０７は、他機器の正常特徴量データの劣化度の確率分布であるＰ’（ａ）と、対象機器の正常特徴量データの劣化度の確率分布であるＰ（ａ）とを比較し、両者の確率分布の差異に応じて識別器の識別面を更新することで劣化判定モデルを更新する。
なお、識別面の更新方法としては、例えば確率分布であるＰ’（ａ）とＰ（ａ）との間で、カルバックライブラー情報量等を用いて確率分布の差異を定量化し、差異が大きいほど識別面も大きく遷移させる、といった方法が考えられる。
また、識別面を遷移させる方向については、例えば、他機器で事前に劣化判定の誤検知率であるＸを算出し、逐次収集される学習データに対して現在の劣化判定モデルで劣化判定を行って劣化判定の誤検知率であるＹを算出する。そして、Ｘ＜Ｙの場合にはＹが小さくなる方向に遷移させ、Ｘ＞Ｙの場合にはＹが大きくなる方向に遷移させる、といった方法が考えられる。
次いで、劣化判定モデル再構築部１０７は、対象機器の正常モデルのパラメータが収束したかを判定する（ステップＳＴ９０７）。
このステップＳＴ９０７において、劣化判定モデル再構築部１０７は、対象機器の正常モデルのパラメータは収束していないと判定した場合には、シーケンスはステップＳＴ９０２に戻り上記の動作を繰り返す。
一方、ステップＳＴ９０７において、劣化判定モデル再構築部１０７は、対象機器の正常モデルのパラメータは収束したと判定した場合、対象機器の劣化判定モデルを示すデータを出力する（ステップＳＴ９０８）。
次に、劣化判定部１０９の動作例について、図１０を参照しながら説明する。
劣化判定部１０９の動作例では、図１０に示すように、まず、劣化判定部１０９は、劣化特徴抽出部１０１により抽出された対象機器の検知対象特徴量データを取得する（ステップＳＴ１００１）。
次いで、劣化判定部１０９は、劣化判定モデル記憶部１０８に記憶されている対象機器の劣化判定モデルを読込む（ステップＳＴ１００２）。
次いで、劣化判定部１０９は、検知対象特徴量データに対して対象機器の劣化判定モデルを適用することで、対象機器の劣化有無を判定する（ステップＳＴ１００３）。
次いで、劣化判定部１０９は、判定結果を示すデータを出力する（ステップＳＴ１００４）。
以上のように、この実施の形態１によれば、劣化検知システム１は、他機器の正常データに基づいて、当該他機器の正常モデルを構築する正常モデル構築部１０２と、他機器の正常データ及び劣化データに基づいて、当該他機器の劣化判定モデルを構築する劣化判定モデル構築部１０４と、正常モデル構築部１０２により構築された正常モデル及び対象機器の正常データに基づいて、当該対象機器の正常モデルを構築する正常モデル再構築部１０６と、劣化判定モデル構築部１０４により構築された劣化判定モデル及び正常モデル再構築部１０６により構築された正常モデルに基づいて、当該対象機器の劣化判定モデルを構築する劣化判定モデル再構築部１０７と、対象機器の稼動データ及び劣化判定モデル再構築部１０７により構築された劣化判定モデルに基づいて、当該対象機器の劣化を判定する劣化判定部１０９とを備えた。これにより、実施の形態１に係る劣化検知システム１は、対象機器の劣化データを用いることなく、対象機器の劣化検知が可能となる。
実施の形態２．
実施の形態１に係る劣化検知システム１では、対象機器の設置及び稼働直後には対象機器に劣化はなく、対象機器から収集される稼動データは正常であることを想定している。しかしながら、対象機器の設置及び稼働直後であっても、初期不良等の要因で機器から収集される稼動データが正常でない場合がある。
そこで、劣化検知システム１において、逐次更新する対象機器の劣化判定モデルから劣化判定の精度を算出し、その精度が許容範囲外の場合に警報を出力し、点検員又は保守員による点検結果に基づいて劣化判定モデルを修正する機能を追加してもよい。以下、上記機能を有する劣化検知システム１について示す。
図１１はこの発明の実施の形態２に係る劣化検知システム１の構成例を示す図である。この図１１に示す実施の形態２に係る劣化検知システム１では、図１に示す実施の形態１に係る劣化検知システム１に対し、モデル評価部１１１、入力受付部１１２、モデル修正部１１３及び正常モデル記憶部１１４を追加している。その他の構成は同様であり、同一の符号を付して異なる部分についてのみ説明を行う。
モデル評価部１１１は、劣化特徴抽出部１０１により抽出された対象機器の正常特徴量データ及び劣化判定モデル再構築部１０７により構築された劣化判定モデルに基づいて、劣化判定の精度が許容範囲外である場合に警報を行う。このモデル評価部１１１の構成例については後述する。
入力受付部１１２は、モデル評価部１１１による警報後、当該警報の正否判断を示す入力を受付ける。
モデル修正部１１３は、入力受付部１１２により受付けられた入力に基づいて、劣化判定モデル再構築部１０７により構築された劣化判定モデルを修正する。この際、例えば、モデル修正部１１３は、正常モデル記憶部１１４から読出した正常モデルに基づいて、劣化判定モデル再構築部１０７により構築された劣化判定モデルを修正してもよい。
なお、劣化判定モデル記憶部１０８は、モデル修正部１１３による修正後の劣化判定モデルを示すデータを記憶する。
正常モデル記憶部１１４は、正常モデル再構築部１０６により構築された対象機器の正常モデルを示すデータを記憶する。なお、正常モデル記憶部１１４は、劣化検知システム１に必須の構成ではなく、用いなくてもよい。
次に、モデル評価部１１１の構成例について、図１２を参照しながら説明する。
モデル評価部１１１は、図１２に示すように、劣化判定部１１１１、精度算出部１１１２、比較部１１１３及び警報出力部１１１４を有している。
劣化判定部１１１１は、対象機器の正常特徴量データに対象機器の劣化判定モデルを適用し、劣化判定を行う。
精度算出部１１１２は、劣化判定部１１１１による劣化判定結果に基づいて、劣化判定の精度を算出する。
比較部１１１３は、精度算出部１１１２により算出された劣化判定の精度が許容範囲内であるかを判定する。なお、許容範囲は、例えば、事前に他機器の劣化判定モデルを他機器の正常特徴量データに適用した際の劣化判定の精度の値に基づいて設定される。
警報出力部１１１４は、比較部１１１３により劣化判定の精度が許容範囲外であると判定された場合に、外部に警報を出力する。
次に、実施の形態２に係る劣化検知システム１による劣化判定モデルの評価及び修正の動作例について、図１３を参照しながら説明する。
実施の形態２に係る劣化検知システム１による劣化判定モデルの評価及び修正の動作例では、図１３に示すように、まず、モデル評価部１１１が、劣化特徴抽出部１０１により抽出された対象機器の正常特徴量データ及び劣化判定モデル再構築部１０７により構築された劣化判定モデルに基づいて、劣化判定の精度が許容範囲外である場合に警報を行う（ステップＳＴ１３０１）。モデル評価部１１１の詳細な動作例は後述する。
次いで、入力受付部１１２は、モデル評価部１１１による警報後、当該警報の正否判断を示す入力を受付ける（ステップＳＴ１３０２）。すなわち、モデル評価部１１１により警報が出力された後、点検員又は保守員は、対象機器を点検して当該警報が誤報であるか否かを示す入力を行う。
次いで、モデル修正部１１３は、入力受付部１１２により受付けられた入力に基づいて、劣化判定モデル再構築部１０７により構築された劣化判定モデルを修正する（ステップＳＴ１３０３）。モデル修正部１１３の詳細な動作例は後述する。
次に、モデル評価部１１１の動作例について、図１４を参照しながら説明する。
モデル評価部１１１の動作例では、図１４に示すように、まず、モデル評価部１１１は、対象機器の正常特徴量データを取得する（ステップＳＴ１４０１）。
また、モデル評価部１１１は、劣化判定モデル再構築部１０７により構築された対象機器の劣化判定モデルを読込む（ステップＳＴ１４０２）。
次いで、劣化判定部１１１１は、対象機器の正常特徴量データに対象機器の劣化判定モデルを適用し、劣化判定を行う（ステップＳＴ１４０３）。
次いで、精度算出部１１１２は、劣化判定部１１１１による劣化判定結果に基づいて、劣化判定の精度を算出する（ステップＳＴ１４０４）。
次いで、比較部１１１３は、精度算出部１１１２により算出された劣化判定の精度が許容範囲内であるかを判定する（ステップＳＴ１４０５）。
このステップＳＴ１４０５において、比較部１１１３が劣化判定の精度は許容範囲内であると判定した場合には、シーケンスはステップＳＴ１４０１に戻り上記の動作を繰り返す。
すなわち、初期不良等によって、正常ラベルがつけられた対象機器のデータが、実際には異常データである場合がある。この場合、劣化検知システム１は、劣化判定の精度が許容範囲内かどうかを判定し、許容範囲外の場合にラベルを修正することで、正確なモデルを構築することができる。
また、比較部１１１３は、対象機器から正常ラベルがつけられたデータが入力されている間、劣化判定の精度が許容範囲内かどうかの判定を、逐次実施し続ける。そして、比較部１１１３は、正常ラベルがつけられたデータの入力がなくなったタイミングで、処理を終了する。
一方、ステップＳＴ１４０５において、比較部１１１３が劣化判定の精度は許容範囲外であると判定した場合には、警報出力部１１１４は外部に警報を出力する（ステップＳＴ１４０６）。
次に、モデル修正部１１３の動作例について、図１５を参照しながら説明する。
モデル修正部１１３の動作例では、図１５に示すように、まず、モデル修正部１１３は、入力受付部１１２により受付けられた入力を取得する（ステップＳＴ１５０１）。
次いで、モデル修正部１１３は、入力が警報の誤りを示しているかを判定する（ステップＳＴ１５０２）。
このステップＳＴ１５０２において、モデル修正部１１３は、入力が警報の誤りを示していると判定した場合に、当該警報の誤りが発生しないように劣化判定モデルを修正する（ステップＳＴ１５０３）。この際、モデル修正部１１３は、例えば、正常特徴量データが正しく正常と判定されるように、劣化判定モデルの識別面を調整してもよい。その後、シーケンスはステップＳＴ１５０５へ進む。
一方、ステップＳＴ１５０２において、モデル修正部１１３は、入力が警報の誤りを示していないと判定した場合には、警報発生期間の対象機器の正常特徴量データ（学習データ）を劣化特徴量データに訂正し、劣化判定モデルを修正する（ステップＳＴ１５０４）。この際、モデル修正部１１３は、例えば、正常モデル記憶部１１４から警報発生期間の直前での正常モデルを取得し、その正常モデルを現在の正常モデルとして利用することで、劣化判定モデルを修正してもよい。
次いで、モデル修正部１１３は、修正後の劣化判定モデルを示すデータを出力する（ステップＳＴ１５０５）。
以上のように、この実施の形態２によれば、劣化検知システム１は、対象機器の正常データ及び劣化判定モデル再構築部１０７により構築された劣化判定モデルに基づいて、劣化判定の精度が許容範囲外である場合に警報を行うモデル評価部１１１と、モデル評価部１１１による警報後、当該警報の正否判断を示す入力を受付ける入力受付部１１２と、入力受付部１１２により受付けられた入力に基づいて、劣化判定モデル再構築部１０７により構築された劣化判定モデルを修正するモデル修正部１１３とを備え、劣化判定部１０９は、対象機器の稼動データ及びモデル修正部１１３による修正後の劣化判定モデルに基づいて、当該対象機器の劣化を判定する。これにより、実施の形態２に係る劣化検知システム１は、対象機器の正常データが正常ではなかった場合でも、対象機器の劣化検知が可能となる。
最後に、図１６を参照して、実施の形態１，２に係る劣化検知システム１のハードウェア構成例を説明する。以下では、実施の形態１に係る劣化検知システム１のハードウェア構成例について示すが、実施の形態２に係る劣化検知システム１のハードウェア構成例についても同様である。
図１６に示すように、劣化特徴抽出部１０１、正常モデル構築部１０２、劣化判定モデル構築部１０４、正常モデル再構築部１０６、劣化判定モデル再構築部１０７及び劣化判定部１０９が行う処理は、メモリ２０１に記憶されたプログラムをＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ、中央処理装置、処理装置、演算装置、マイクロプロセッサ、マイクロコンピュータ、プロセッサ、又はＤＳＰ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒ）ともいう）２０２が読出すことで実行される。
劣化特徴抽出部１０１、正常モデル構築部１０２、劣化判定モデル構築部１０４、正常モデル再構築部１０６、劣化判定モデル再構築部１０７及び劣化判定部１０９の機能は、ソフトウェア、ファームウェア、又はソフトウェアとファームウェアとの組み合わせにより実現される。ソフトウェア及びファームウェアはプログラムとして記述され、メモリ２０１に格納される。ＣＰＵ２０２は、メモリ２０１に記憶されたプログラムを読み出して実行することにより、各部の機能を実現する。すなわち、劣化検知システム１は、ＣＰＵ２０２により実行されるときに、例えば図５～１０に示した各ステップが結果的に実行されることになるプログラムを格納するためのメモリ２０１を備える。また、これらのプログラムは、劣化特徴抽出部１０１、正常モデル構築部１０２、劣化判定モデル構築部１０４、正常モデル再構築部１０６、劣化判定モデル再構築部１０７及び劣化判定部１０９の手順及び方法をコンピュータに実行させるものであるともいえる。
また、正常モデル記憶部１０３に記憶される正常モデルのパラメータ、劣化判定モデル記憶部１０５に記憶される劣化判定モデルのパラメータ、劣化判定モデル記憶部１０８に記憶される劣化判定モデルのパラメータは、それぞれＤＢ入出力Ｉ／Ｆ２０３を通してＤＢ２０４に格納される。
また、検知結果出力部１１０から出力される判定結果を示すデータは、ＤＢ２０４に記憶されてもよいし、また、ディスプレイＩ／Ｆ２０５を通してディスプレイ２０６に表示されてもよい。
また、入力装置２０７は、他機器から収集される正常データ及び劣化データ、対象機器から収集される正常データ及び検知対象データの入力に使用される。入力装置２０７に入力された各種の稼動データは、入力Ｉ／Ｆ２０８を通してＤＢ２０４又はメモリ２０１に記憶される。
なお、メモリ２０１及びＤＢ２０４としては、例えば、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、フラッシュメモリ、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ）、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ ＥＰＲＯＭ）等の不揮発性又は揮発性の半導体メモリ、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ミニディスク、又はＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ）等が該当する。
なお、本願発明はその発明の範囲内において、各実施の形態の自由な組み合わせ、あるいは各実施の形態の任意の構成要素の変形、もしくは各実施の形態において任意の構成要素の省略が可能である。
１ 劣化検知システム、１０１ 劣化特徴抽出部、１０２ 正常モデル構築部、１０３ 正常モデル記憶部、１０４ 劣化判定モデル構築部、１０５ 劣化判定モデル記憶部、１０６ 正常モデル再構築部、１０７ 劣化判定モデル再構築部、１０８ 劣化判定モデル記憶部、１０９ 劣化判定部、１１０ 検知結果出力部、１１１ モデル評価部、１１２ 入力受付部、１１３ モデル修正部、１１４ 正常モデル記憶部、２０１ メモリ、
２０２ ＣＰＵ、２０３ ＤＢ入出力Ｉ／Ｆ、２０４ ＤＢ、２０５ ディスプレイＩ／Ｆ、２０６ ディスプレイ、２０７ 入力装置、２０８ 入力Ｉ／Ｆ、１０４１ 劣化度算出部、１０４２ 識別器構築部、１０６１ モデル保持部、１０６２ パラメータ更新部、１０６３ 収束判定部、１０７１ モデル保持部、１０７２ 劣化度算出部、１０７３ 劣化判定部、１０７４ モデル更新部、１１１１ 劣化判定部（第２劣化判定部）、１１１２ 精度算出部、１１１３ 比較部、１１１４ 警報出力部。

Claims (10)

  1. 対象機器とは異なる他機器の正常状態での稼動データである正常データに基づいて構築されたモデルであって当該他機器の正常状態でのモデルである正常モデル及び前記対象機器の正常状態での稼動データである正常データに基づいて、当該対象機器の正常状態でのモデルである正常モデルを構築する正常モデル再構築部と、
    前記他機器の正常データ及び劣化状態での稼動データである劣化データに基づいて構築されたモデルであって当該他機器の稼動データから当該他機器の劣化を判定するためのモデルである劣化判定モデル、並びに前記正常モデル再構築部により構築された正常モデルに基づいて、当該対象機器の稼動データから当該対象機器の劣化を判定するためのモデルである劣化判定モデルを構築する劣化判定モデル再構築部と、
    前記対象機器の稼動データ及び前記劣化判定モデル再構築部により構築された劣化判定モデルに基づいて、当該対象機器の劣化を判定する劣化判定部とを備え、
    前記劣化判定モデルは、前記正常データに前記正常モデルを適用することで得られる当該正常データの異常度を表す劣化度と、前記劣化データに前記正常モデルを適用することで得られる当該劣化データの異常度を表す劣化度とを識別するためのモデルであり、
    前記劣化判定モデル再構築部は、前記他機器の正常状態での稼働データに前記他機器の正常モデルを適用して得られる劣化度の分布と前記対象機器の正常状態での稼働データに前記対象機器の正常モデルを適用して得られる劣化度の分布とを比較し、両者の分布の差異に応じて、前記他機器の劣化判定モデルにおける識別器の識別面を更新することにより、前記対象機器の劣化判定モデルを構築する
    ことを特徴とする劣化検知システム。
  2. 前記他機器の正常状態での稼動データである正常データに基づいて、当該他機器の正常状態でのモデルである正常モデルを構築する正常モデル構築部と、
    前記他機器の正常データ及び劣化状態での稼動データである劣化データに基づいて、当該他機器の稼動データから当該他機器の劣化を判定するためのモデルである劣化判定モデルを構築する劣化判定モデル構築部とを備え、
    前記正常モデル再構築部は、前記正常モデル構築部により構築された正常モデル及び前記対象機器の正常状態での稼動データである正常データに基づいて、当該対象機器の正常状態でのモデルである正常モデルを構築し、
    前記劣化判定モデル再構築部は、前記劣化判定モデル構築部により構築された劣化判定モデル及び前記正常モデル再構築部により構築された正常モデルに基づいて、前記対象機器の稼動データから当該対象機器の劣化を判定するためのモデルである劣化判定モデルを構築する
    ことを特徴とする請求項１記載の劣化検知システム。
  3. 前記正常モデル構築部により構築される正常モデルは、正常データが取得るパターン、又は、１つ以上の正常データから抽出した特徴量間の相関関係を用いて構築される
    ことを特徴とする請求項２記載の劣化検知システム。
  4. 前記劣化判定モデル構築部は、前記他機器の正常データ及び劣化状態での稼動データである劣化データに加えて前記正常モデル構築部により構築された正常モデルに基づいて、当該他機器の稼動データから当該他機器の劣化を判定するためのモデルである劣化判定モデルを構築する
    ことを特徴とする請求項２記載の劣化検知システム。
  5. 前記劣化判定モデル構築部は、
    前記他機器の正常状態での稼働データである正常データ及び劣化状態での稼働データである劣化データに前記正常モデル構築部により構築された正常モデルをそれぞれ適用し、劣化度を算出する劣化度算出部と、
    前記劣化度算出部により正常データから算出された劣化度と劣化データから算出された劣化度とを識別可能な識別器を構築し、当該識別器を劣化判定モデルとする識別器構築部とを有する
    ことを特徴とする請求項２記載の劣化検知システム。
  6. 前記正常モデル再構築部は、
    前記他機器の正常モデルを前記対象機器の正常モデルとして保持するモデル保持部と、
    前記対象機器の正常データを用いて前記モデル保持部により保持されている正常モデルのパラメータを更新するパラメータ更新部と、
    前記パラメータ更新部により更新されたパラメータが収束したかを判定する収束判定部とを有し、
    前記パラメータ更新部は、前記収束判定部によりパラメータが収束したと判定されるまでパラメータの更新を行う
    ことを特徴とする請求項１記載の劣化検知システム。
  7. 前記劣化判定モデル再構築部は、前記他機器の劣化判定モデル及び前記正常モデル再構築部により構築された正常モデルに加えて前記対象機器の正常データに基づいて、当該対象機器の稼動データから当該対象機器の劣化を判定するためのモデルである劣化判定モデルを構築する
    ことを特徴とする請求項１記載の劣化検知システム。
  8. 前記劣化判定モデル再構築部は、
    前記他機器の劣化判定モデルを前記対象機器の劣化判定モデルとして保持するモデル保持部と、
    前記対象機器の正常データに前記正常モデル再構築部により構築された正常モデルを適用し、当該正常データの劣化度を算出する劣化度算出部と、
    前記劣化度算出部により算出された劣化度に対して前記モデル保持部により保持されている劣化判定モデルを適用し、劣化判定を行う第２劣化判定部と、
    前記第２劣化判定部による判定結果に基づいて、前記モデル保持部により保持されている劣化判定モデルを更新するモデル更新部とを有し、
    前記劣化度算出部は、前記正常モデル再構築部における構築が完了するまで劣化度の算出を行う
    ことを特徴とする請求項１記載の劣化検知システム。
  9. 前記対象機器の正常データ及び前記劣化判定モデル再構築部により構築された劣化判定モデルに基づいて、劣化判定の精度が許容範囲外である場合に警報を行うモデル評価部と、
    前記モデル評価部による警報後、当該警報の正否判断を示す入力を受付ける入力受付部と、
    前記入力受付部により受付けられた入力に基づいて、前記劣化判定モデル再構築部により構築された劣化判定モデルを修正するモデル修正部とを備え、
    前記劣化判定部は、前記対象機器の稼動データ及び前記モデル修正部による修正後の劣化判定モデルに基づいて、当該対象機器の劣化を判定する
    ことを特徴とする請求項１記載の劣化検知システム。
  10. 前記対象機器は、プラットホームドアである
    ことを特徴とする請求項１又は請求項９記載の劣化検知システム。
JP2018186643A 2018-10-01 2018-10-01 劣化検知システム Active JP7134051B2 (ja)

Priority Applications (6)

Application Number Priority Date Filing Date Title
JP2018186643A JP7134051B2 (ja) 2018-10-01 2018-10-01 劣化検知システム
CN201980063005.XA CN112771462B (zh) 2018-10-01 2019-09-04 劣化检测系统
DE112019004928.3T DE112019004928T5 (de) 2018-10-01 2019-09-04 System zur verschlechterungserfassung
KR1020217008240A KR102495422B1 (ko) 2018-10-01 2019-09-04 열화 검지 시스템
PCT/JP2019/034731 WO2020071039A1 (ja) 2018-10-01 2019-09-04 劣化検知システム
US17/214,274 US12079303B2 (en) 2018-10-01 2021-03-26 Degradation detection system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2018186643A JP7134051B2 (ja) 2018-10-01 2018-10-01 劣化検知システム

Publications (3)

Publication Number Publication Date
JP2020057144A JP2020057144A (ja) 2020-04-09
JP2020057144A5 JP2020057144A5 (ja) 2021-10-21
JP7134051B2 true JP7134051B2 (ja) 2022-09-09

Family

ID=70054609

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018186643A Active JP7134051B2 (ja) 2018-10-01 2018-10-01 劣化検知システム

Country Status (6)

Country Link
US (1) US12079303B2 (ja)
JP (1) JP7134051B2 (ja)
KR (1) KR102495422B1 (ja)
CN (1) CN112771462B (ja)
DE (1) DE112019004928T5 (ja)
WO (1) WO2020071039A1 (ja)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10898633B2 (en) 2016-09-22 2021-01-26 Michigan Critical Care Consultants, Inc. Devices and methods for extracorporeal conditioning of blood
US11941506B2 (en) * 2020-02-04 2024-03-26 Hubbell Incorporated System and method for monitoring via smart devices
CN111797944B (zh) * 2020-08-04 2024-08-09 上海仁童电子科技有限公司 一种车门异常诊断方法及装置
CN118696282A (zh) * 2022-02-09 2024-09-24 三菱电机株式会社 设备诊断系统、学习装置、已学习模型和已学习模型的生成方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006343063A (ja) 2005-06-10 2006-12-21 Daikin Ind Ltd 設備機器の異常予知システム、設備機器の異常予知装置および設備機器の異常予知方法
JP2013109711A (ja) 2011-11-24 2013-06-06 Yokogawa Electric Corp プラントモデル生成装置およびプラント運転支援システム

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3321487B2 (ja) 1993-10-20 2002-09-03 株式会社日立製作所 機器／設備診断方法およびシステム
JPH09145405A (ja) * 1995-11-22 1997-06-06 Mitsubishi Chem Corp 設備劣化診断システム
JP2008230742A (ja) * 2007-03-19 2008-10-02 Toshiba Elevator Co Ltd エレベータの保守管理システム
JP4369961B2 (ja) * 2007-03-23 2009-11-25 株式会社日立製作所 異常検知装置及び異常検知プログラム
US8339637B2 (en) * 2007-08-03 2012-12-25 Ricoh Company, Ltd. Management apparatus, management system, operation status determination method, and image forming apparatus
US8712929B1 (en) * 2007-11-30 2014-04-29 Intellectual Assets Llc Dynamic data filtering system and method
JP5297272B2 (ja) * 2009-06-11 2013-09-25 株式会社日立製作所 装置異常監視方法及びシステム
US8494826B2 (en) * 2010-01-13 2013-07-23 The United States Postal Service Systems and methods for analyzing equipment failures and maintenance schedules
CN102844721B (zh) * 2010-02-26 2015-11-25 株式会社日立制作所 故障原因诊断系统及其方法
JP5343920B2 (ja) * 2010-04-27 2013-11-13 株式会社デンソー 故障予兆検出装置
AR091412A1 (es) * 2013-06-11 2015-02-04 Ypf Sa Dispositivo y metodo para diagnosticar situaciones anomalas en procesos
JP2016052357A (ja) * 2014-09-02 2016-04-14 キヤノン株式会社 情報処理装置、情報処理装置の制御方法およびプログラム
JP6419534B2 (ja) * 2014-11-06 2018-11-07 株式会社東芝 診断システム、診断方法および診断プログラム
JP2016157206A (ja) 2015-02-23 2016-09-01 株式会社日立製作所 予兆診断システム、予兆診断方法および予兆診断装置
WO2017098601A1 (ja) * 2015-12-09 2017-06-15 三菱電機株式会社 劣化個所推定装置、劣化個所推定方法および移動体の診断システム
JP2018147080A (ja) * 2017-03-02 2018-09-20 富士ゼロックス株式会社 情報処理装置及び情報処理プログラム
JP6564433B2 (ja) * 2017-08-29 2019-08-21 ファナック株式会社 ロボットシステム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006343063A (ja) 2005-06-10 2006-12-21 Daikin Ind Ltd 設備機器の異常予知システム、設備機器の異常予知装置および設備機器の異常予知方法
JP2013109711A (ja) 2011-11-24 2013-06-06 Yokogawa Electric Corp プラントモデル生成装置およびプラント運転支援システム

Also Published As

Publication number Publication date
KR102495422B1 (ko) 2023-02-06
JP2020057144A (ja) 2020-04-09
US20210216609A1 (en) 2021-07-15
US12079303B2 (en) 2024-09-03
WO2020071039A1 (ja) 2020-04-09
CN112771462B (zh) 2023-06-09
KR20210044862A (ko) 2021-04-23
CN112771462A (zh) 2021-05-07
DE112019004928T5 (de) 2021-06-24

Similar Documents

Publication Publication Date Title
JP7134051B2 (ja) 劣化検知システム
US11669080B2 (en) Abnormality detection device, abnormality detection method, and program
CN110121724B (zh) 异常检测装置、异常检测方法及存储介质
KR20140139622A (ko) Ｅｉｆｓ 불확실성을 고려하여 초음파 검사 데이터를 사용한 확률적 피로 수명 예측
US20130317780A1 (en) Probability of failure on demand calculation using fault tree approach for safety integrity level analysis
KR101978569B1 (ko) 플랜트 데이터 예측 장치 및 방법
US11692910B2 (en) Abnormality diagnostic device, abnormality diagnostic method, and program
CN106169124B (zh) 系统级产品可靠性综合评估置信推断方法
CN111104736B (zh) 基于时间序列的异常数据检测方法、装置、介质和设备
WO2019098226A1 (ja) 損傷診断装置、損傷診断方法、及び、損傷診断プログラムが格納された記録媒体
CN115964361B (zh) 一种数据增强方法、系统、设备及计算机可读存储介质
CN111183437A (zh) 判别装置以及机器学习方法
CN114002332A (zh) 一种结构损伤监测预警方法及结构完整性数字孪生系统
JP2024045515A (ja) 構造物診断システム、構造物診断方法、および構造物診断プログラム
KR102575917B1 (ko) 클라우드 기반 가상 센서를 이용한 IoT 센서 이상 진단 방법 및 시스템
CN117930015A (zh) 一种锂电池生产全面质量在线监测方法及系统
CN108226907B (zh) 用于激光测距设备的测距校准方法和装置
Keller et al. Nonparametric estimation of the probability of detection of flaws in an industrial component, from destructive and nondestructive testing data, using approximate bayesian computation
JP7437163B2 (ja) 診断装置、診断方法およびプログラム
JP7455667B2 (ja) センサドリフト診断装置、センサドリフト診断方法およびセンサドリフト診断プログラム
WO2021046723A1 (zh) 传感器模型的生成方法和系统、传感器测量方法和系统
JP5645791B2 (ja) パターン認識装置およびパターン認識方法
CN118229271B (zh) 用于核电安全级设备的寿命评估方法、装置、设备及介质
CN113297773B (zh) 一种结构损伤识别的不确定性定量分析方法及装置
Juarsa et al. Sensor Failure Detection of FASSIP System using Principal Component Analysis

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210630

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210630

RD02 Notification of acceptance of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7422

Effective date: 20210630

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210719

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220215

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220405

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20220802

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220830

R150 Certificate of patent or registration of utility model

Ref document number: 7134051

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150