JP7217593B2 - 予兆診断システム - Google Patents

Description

本発明は、製造設備や製造装置の異常の予兆を診断する予兆診断システムに関する。

製造設備や製造装置などに配置された多数のセンサが出力する検知信号に基づいて得られた多次元時系列データに基づいて異常の予兆を検知する予兆診断システムが、例えば特許文献１により知られている。このような予兆診断システムは、製造管理システムやデータ管理システムとともに、製造設備等の運転を高度に支援する。製造設備等の保全業務は、設備の故障等を事前に察知することを目的とした予防保全と、事故の発生後の対処に係る事後保全とに大別される。予兆診断システムは、製造設備の状態を総合的且つ全体的に監視することで、製造設備の異常の予兆を捉え、これをオペレータに報知する。これにより、事後保全の割合を減らし、これにより製造設備等の運転を高度に支援することができる。

製造設備や製造装置において、その製造設備や製造装置自体に故障、破損、劣化などの異常が発生し、これにより製造設備の運転が中止を余儀なくされて製品の製造の進捗に影響を与えたり、製品の品質に影響を与えたりする場合がある。また、製造設備等自体には異常がなくても、運転環境等に異常が発生し、この異常が製品の品質に影響を与える場合がある。このため、特許文献１のシステムでは、過去の正常データから作成された正常モデルとの比較によって算出される異常測度に基づいて異常の有無を検知する。学習データから異常測度が高い区間を除外して正常モデルが計算される。正常モデルに基づく異常検知では、感度が学習データの質に影響されるため、網羅的かつ正確に正常データを収集する必要がある。網羅性については学習期間を長くすることで対応可能であるが、正確性については、異常データを適切に除外する必要がある。異常データが混入していると、正常モデルに従った適正な閾値の設定ができず感度が低下する。このため、学習データから異常データを除外する必要がある。

特許文献１の予兆診断システムで生成される正常モデルは、上記のように学習データから異常測度が高い区間を除外して正常モデルを計算するので、適切に正常モデルを計算することができる。しかし、特許文献１の正常モデルは、単に正常運転の結果であるか否かに従って作成されており、必ずしも様々に変化する製造設備等の運転条件を正確に反映したものではなかった。

特開２０１５－１１４９６７号公報

本発明は、様々に変化する運転条件に応じた予兆診断を行うことを可能にした予兆診断システムを提供することを目的とするものである。

上記の課題を解決するため、本発明の第一の態様に係る予兆診断システムは、製造設備又は製造装置に配置されたセンサから出力される検知信号に基づき多次元時系列データを取得し、前記多次元時系列データに基づき正常モデルを作成する正常モデル作成部と、前記製造設備又は前記製造装置に供給される複数種類の原料の品質の組合せと、当該原料の品質の組合せが前記製造設備又は前記製造装置に供給された場合における前記正常モデルとの関係を記憶する正常モデル記憶部と、前記製造設備又は前記製造装置に新たな原料の組合せが供給された場合に、前記正常モデル記憶部の中から、前記新たな原料の組合せに対応する正常モデルを選択する選択部と、前記選択部で選択された前記正常モデルと、前記新たな原料の組合せが前記製造設備又は前記製造装置に供給された場合に前記センサから得られる多次元時系列データとを比較して予兆診断を行う比較部とを備える。

本発明の第二の態様に係る予兆診断システムは、製造設備又は製造装置に配置されたセンサから出力される検知信号に基づき多次元時系列データを取得し、前記多次元時系列データに基づき正常モデルを作成する正常モデル作成部と、前記製造設備又は前記製造装置における製造ロットと、その製造ロットにおいて得られた製品の品質に関する品質スコアとの関係を示す品質データを取得する品質データ取得部と、前記品質データ取得部で取得された品質データの中から、前記製品の品質として第１の品質に係る品質データに対応する前記正常モデルを高品質正常モデルとして記憶させる高品質正常モデル記憶部と、前記高品質正常モデルと、前記センサから得られる多次元時系列データとを比較して予兆診断を行う比較部とを備える。

本発明に係る予兆診断システムによれば、様々に変化する運転設備等の運転条件に応じた予兆診断を行うことが可能になる。

第１の実施の形態の高度運転支援システム１を説明するブロック図である。 製造設備６００とセンサ群５００の一例を説明する図である。 予兆診断システム１００のより詳細な構成を説明するブロック図である。 ＬＳＣ法による正常モデルの作成方法を説明する概略図である。 比較部１１５の動作を説明するグラフである。 予兆診断システム１００における診断データの表示方法の一例を示す図である。 予兆診断システム１００における診断データの表示方法の一例を示す図である。 第１の実施の形態の予兆診断システムの技術的意義について説明する図である。 第１の実施の形態の動作を示す概略図である。 第１の実施の形態の変形例を示す概略図である。 第２の実施の形態に係る予兆診断システム１００の構成を説明するブロック図である。 第２の実施の形態の動作を示す概略図である。 第３の実施の形態に係る予兆診断システム１００の構成を説明するブロック図である。 第３の実施の形態の動作を示す概略図である。

以下、添付図面を参照して本実施形態について説明する。添付図面では、機能的に同じ要素は同じ番号で表示される場合もある。なお、添付図面は本開示の原理に則った実施形態と実装例を示しているが、これらは本開示の理解のためのものであり、決して本開示を限定的に解釈するために用いられるものではない。本明細書の記述は典型的な例示に過ぎず、本開示の特許請求の範囲又は適用例を如何なる意味においても限定するものではない。

本実施形態では、当業者が本開示を実施するのに十分詳細にその説明がなされているが、他の実装・形態も可能で、本開示の技術的思想の範囲と精神を逸脱することなく構成・構造の変更や多様な要素の置き換えが可能であることを理解する必要がある。従って、以降の記述をこれに限定して解釈してはならない。

[第１の実施の形態]
図１のブロック図を参照して、第１の実施の形態の高度運転支援システム１を説明する。この高度運転支援システム１は、多数のセンサからなるセンサ群５００の検知信号に基づき、製造設備６００の運転を監視し、故障の予兆を判断して故障等を事前に回避しつつ製造設備６００の安全且つ円滑な運転を支援するシステムである。高度運転支援システム１は、一例として、予兆診断システム１００、検査データ管理システム２００、製造管理システム３００、及び制御部４００を含む。

予兆診断システム１００は、制御部４００から、センサ群５００から出力された検知信号に基づく各種データを受信し、製造設備６００自体の状況、製造環境などに関する診断を行い、製造設備６００における異常の予兆を診断するシステムである。その詳細な機能及び構造に関しては後述する。

検査データ管理システム２００は、例えば原料ロット毎、又は製造ロット毎に測定・検査された原料又は最終製品の品質に関するデータを管理する。具体的に検査データ管理システム２００は、原料又は最終製品の品質を分析する分析装置（図示せず）からの分析結果を取り込んで管理する機能を有する。また、検査データ管理システム２００は、製造管理システム３００から原料ロット、製造ロットに関するデータの供給を受け、このデータに従って原料ロット毎又は製造ロット毎に品質に関するデータを管理する。

製造管理システム３００は、製造設備６００における製造に用いられる原料の管理、原料ロット及び製造ロットの管理、在庫の管理、最終製品の管理、製造設備６００の制御に関する情報の管理等を司るシステムである。

制御部４００は、センサ群５００からの検知信号に基づき製造設備６００を制御する機能を有する。また、制御部４００は、製造管理システム３００で管理される各種情報に従い、製造設備６００を制御する。また、制御部４００は、予兆診断システム１００との間でデータを送受信可能に構成されており、例えばセンサ群５００の検知信号を予兆診断システム１００に送信する一方で、予兆診断システム１００における診断結果を受信して、その診断結果に従って製造設備６００を制御する。

図２に、製造設備６００とセンサ群５００の一例を説明する。製造設備６００は、一例として、貯蔵タンク６０１、投入タンク６０２、反応タンク６０３、製品貯蔵タンク６０４を備えており、原料Ａ～Ｃを材料として最終製品Ｄを製造するための製造設備である。タンク６０１～６０４は、それぞれ配管で接続されており、配管を通じて原料、中間生成物、及び最終生成物が搬送される。投入タンク６０２からは、原料Ａ及びＢが投入され、貯蔵タンク６０１には原料Ｃが貯蔵され、原料Ａ～Ｃは所定の割合で反応タンク６０３に投入される。反応タンク６０３での原料Ａ～Ｃの撹拌、加熱、加圧等により原料Ａ～Ｃは反応し最終製品Ｄが生成される。

センサ群５００は、一例としては、原料等の流量を計測する流量センサ、反応タンク６０３等の温度を計測する温度センサ、反応タンク６０３等の圧力を計測する圧力センサ、製品貯蔵タンク６０４等の生成物の貯蔵量を計測するレベルセンサ等を含む。センサの種類はこれに限定されるものではないし、その配置も一例であることは言うまでもない。例えば、温度センサは反応タンク６０３だけでなく、製造設備６００内の複数個所に設置することができる。また、温度センサの測定対象も、原料、中間生成物、最終生成物だけでなく、オイル、冷却水、環境温度などが含まれ得る。このような製造設備６００において、センサ群５００中の複数のセンサの各々は、それぞれ検知信号を出力し、制御部４００は、個々の検知信号の値が所定の範囲（上限、下限）に含まれる正常値であるか、又はこの範囲を超える異常値であるか否かを検知する。

制御部４００は、予兆診断システム１００にセンサ群５００から出力された検知信号に基づく各種データを送信し、予兆診断システム１００は、上記のようにセンサ群５００中の複数のセンサの各々の検知信号の異常性を判定することに加え、センサ群５００の複数のセンサの検知信号群の挙動が正常であるか否かも判定する。この場合予兆診断システム１００は、複数のセンサの各々の検出信号が所定の範囲内にあるか否かではなく、複数のセンサの検知信号群の異常性（通常の場合との違いの度合）を全体として判断することで、製造設備６００の異常の予兆を的確に判断することができる。複数のセンサの検知信号の全体としての異常性の判断は、後述するように、予め生成された正常モデルに基づいて生成される閾値と、検知信号の異常測度との比較に基づいて行われ得る。

次に、図３のブロック図を参照して、予兆診断システム１００の詳細な構成を説明する。予兆診断システム１００は、センサ群５００から出力される検知信号群に基づき多次元時系列データを取得し、多次元時系列データに基づき、学習モデルとしての正常モデルを作成する。後述するように、この予兆診断システム１００は、学習データから異常測度が高い除外区間を除外して異常測度を再計算することを逐次繰り返し、それぞれの再計算の結果に基づいて除外区間と閾値を設定するようにして、適切に学習データから異常な区間を除外して低い異常判定閾値を設定することができるようにする。これにより、高感度な異常検知を実現可能となる。

また、この予兆診断システム１００は、この正常モデルと、センサ群５００から得られる多次元時系列データとを比較して予兆診断を行う。更に、後述するように、本実施の形態の予兆診断システム１００は、上記の正常モデルを、製品の製造に用いられる原料の品質の組合せに応じて複数用意し、適宜対応する正常モデルを選択可能に構成されている。

上記の動作を実行するため、予兆診断システム１００は、一例として、センサ信号蓄積部１０１、特徴ベクトル抽出部１０４、学習データ選別部１０５、正常モデル作成部１０６、異常測度算出部１０７、除外区間設定部１０８、閾値算出部１０９、評価データ作成部１１１、正常モデル記憶部１１２、評価データ記憶部１１３、選択部１１４、比較部１１５、及び診断データ生成部１１６を備える。

センサ信号蓄積部１０１は、センサ群５００から出力された検知信号群を時刻毎に生データとして記憶（蓄積）する記憶部である。特徴ベクトル抽出部１０４は、センサ信号蓄積部１０１に蓄積された検知信号群のうち、指定された期間の検知信号群を用いて、その検知信号群を正準化した後、検知信号群から特徴ベクトルを抽出する。抽出された特徴ベクトルは多次元時系列データであり、正常モデルの生成の元となる学習データである。学習データとしての特徴ベクトルは、除外区間設定部１０８で設定された異常測度に係る除外区間に従い、学習データ選別部１０５において選別される。このようにして、異常測度に係る除外区間が除外・選別された後の特徴ベクトルに基づき、正常モデル作成部１０６において正常モデルが作成される。正常モデルの作成方法としては、例えば局所部分空間法（Local Sub-space Classifier：ＬＳＣ法）が用いられ得る。ＬＳＣ法は、図４に概念的に示すように、正常モデルの生成のために取得済みの学習データと、別途センサ群５００の検知信号群に基づいて得られた評価データＡ、Ｂ、・・・との差異を示す異常指数を特定し、この異常指数に基づき、検知信号群(評価データ)の異常の度合を判定する手法である。異常と判定された評価データが存在する区間は、除外区間設定部１０８において除外区間に設定され、学習データからは除外される。ＬＳＣ法以外にも、例えばマハラノビスタグチ法、ベクトル量子化法等を異常測度の算出に用いることができる。

なお、正常モデル作成部１０６は、後述するように、最終製品Ｄの製造に使用される複数種類の原料の品質の組合せ毎に正常モデルを生成する。正常モデル記憶部１１２は、この複数種類の原料の品質の組合せ毎に記憶された複数種類の正常モデルを記憶する。

異常測度算出部１０７は、正常モデル作成部１０６で作成され正常モデル記憶部１１２に記憶された正常モデルのいずれかと、特徴ベクトル抽出部１０４で抽出された特徴ベクトルとに基づき異常測度を算出する。算出された異常測度に基づき、閾値算出部１０９において異常検出のための閾値が算出される。異常測度の算出結果は、前述の除外区間設定部１０８にも出力され、除外区間の設定の際のファクタとされる。

評価データ作成部１１１は、最終製品Ｄが製造設備６００において製造される場合に、製造中の製造設備６００をセンサ群５００により計測することにより得られた検出信号群の特徴ベクトルを特徴ベクトル抽出部１０４を介して取得し、これに基づいて評価データを作成する。評価データ記憶部１１３は、作成された評価データを記憶する。

選択部１１４は、検査データ管理システム２００から、最終製品Ｄの製造に使用される複数種類の原料の品質の組合せに関するデータを受信する。そして、選択部１１４は、そのデータに基づいて、正常モデル記憶部１１２の中から、当該品質の組合せのデータに対応する１つの正常モデルを選択する。

比較部１１５は、図５に示すように、選択部１１４で選択された正常モデルに基づいて閾値算出部１０９で算出された閾値と、評価データ記憶部１１３に記憶された評価データとを比較して評価データの異常測度を算出する。診断データ生成部１１６は、生成された異常測度のデータに基づき、評価データの異常の程度を示す診断データを生成し出力する。評価データと閾値との差異が異常測度として算出され、この異常測度の程度に基づき、評価データの異常の程度が判定される（例えば高／中／検知なし）。

図６及び図７は、予兆診断システム１００における診断結果の表示方法の一例を示す。図６は、製造設備６００に含まれる設備Ａ、Ｂ、Ｃ、Ｄ（Ａ～Ｄは、例えば各種タンクや配管等を示す）と、その設備における異常の予兆の度合を色分けされたブロックにより示している。図６において、縦方向に並ぶブロックが、ある時点における複数の設備Ａ～Ｄの状態を示しており、横軸は時間を示している。異常の予兆の報知を、設備毎に行うことで、異常の予兆に対する対処が可能になる。図７は、異常の予兆を示す指標を縦軸とし、横軸を時間で示したグラフである。図７は、後の時刻において製造設備に故障が発生したことを示しているが、それよりも前（例えば数日前）において、異常の予兆があることが検知されたことを示している。本件システムのオペレータは、このような異常の予兆の報知があった場合に、システムの大規模な故障が生じる前に、予兆の報知の内容に応じて各種点検や修理等、部品交換等を行うことができ、大規模な故障の発生を未然に防止することが可能になる。

図８を参照して、この第１の実施の形態の予兆診断システムの技術的意義について説明する。図８に示すように、ある最終製品Ｄを製造するために、３種類の原料Ａ、Ｂ及びＣを使用する場合を考える。同じ原料Ａ、Ｂ、Ｃを使用する場合であっても、同じ品質の最終製品Ｄが得られるとは限らず、原料Ａ、Ｂ、Ｃの品質には、その生産地や生産時期等によりバラつきが生じることがある。この場合、原料Ａ、Ｂ、及びＣの品質の組合せにより、最終製品Ｄの品質が変化する。本件発明者は、このような複数種類の原料の品質の組合せ毎に、異なる正常モデルを適用することにより、正常モデルによる予兆診断を一層正確に行うことができることを見出した。原料の品質の組合せ毎に複数種類の正常モデルを生成しておき、製造段階において、正常モデル記憶部１１２に記憶されている複数の正常モデルの中から、使用中の原料の品質の組合せに適合する正常モデルを選択的に使用する。これによれば、原料Ａ、Ｂ、Ｃの品質のバラつきが生じる場合においても、そのばらついた品質に最も適合した正常モデルを選択的に使用することができ、より正確に正常モデルに基づく予兆の判断を行うことが可能になる。

本実施の形態では、このような複数種類の原料の品質の組合せｉ毎に正常モデルＭｉを生成し、複数の正常モデルＭｉを正常モデル記憶部１１２に記憶させておく。ここでは、原料がＡ、Ｂ、Ｃの３種類であり、品質は高、中、低の３通りに分類し、原料Ａ、Ｂ、Ｃの品質の組合せｉの全て（ここでは、３×３×３＝２７通り）について正常モデルＭｉを生成し、正常モデル記憶部１１２に記憶させる。原料の種類の数（３種類）や、品質の分類数（３つ）は、あくまでも例示であって、これに限られるものではないことは言うまでもない。

図９は、第１の実施の形態の動作を示す概略図である。
正常モデル記憶部１１２は、図９に示すように、異なる原料Ａ、Ｂ、Ｃの品質を示す原料品質スコア（高、中、低）の組合せと、その組合せにより最終製品Ｄを製造した場合における正常モデルＭｉとを関連付けて記憶している。なお、正常モデルＭｉと併せて、最終製品Ｄの品質を示す品質スコアＳｉを関連付けて記憶していてもよい。このような複数通りの正常モデルＭｉは、原料Ａ、Ｂ、Ｃを製造設備６００に供給し、その際のセンサ群５００の検出信号群に基づいて生成し、以後、原料Ａ、Ｂ、Ｃの品質の組合せを異ならせて製造設備６００に供給することを繰り返すことで得ることができる。

このような正常モデル記憶部１１２での正常モデルの取得がされた後において、製造設備６００において、新たに原料Ａｐ、Ｂｐ、Ｃｐが投入されて最終製品Ｄの製造が開始される。検査データ管理システム２００は、この原料Ａｐ、Ｂｐ、Ｃｐの品質の組合せに関するデータを選択部１１４に入力させる。選択部１１４は、入力された品質の組合せに対応する正常モデルＭｉを正常モデル記憶部１１２から読み出す。読み出された正常モデル
Ｍｉは、比較部１１５において、投入された原料Ａｐ、Ｂｐ、Ｃｐにより最終製品Ｄを生成中の製造設備６００をセンサ群５００により計測して得られた評価データと比較することができる。このように、この第１の実施の形態では、複数種類の原料の品質の組合せに応じて複数種類の正常モデルＭｉを記憶しており、製造に使用している原料の品質の組合せに適合した正常モデルを選択して使用することができる。原料の品質の組合せ毎に用意された正常モデルが使用されることで、異常の予兆の検知の精度が向上し、製造設備６００のより的確な運転を担保することができ、また、最終製品Ｄの品質を安定させることが可能になる。

図１０は、第１の実施の形態の変形例を示している。この変形例では、原料Ａ、Ｂ、Ｃの品質（Ｈ、Ｍ、Ｌ）を示す原料品質スコアが、最終製品の製造ロット番号と、原料Ａ、Ｂ、Ｃが供給される原料ロットの番号と関連付けて検査データ管理システム２００から提供される。正常モデルＭｉの作成時においては、製造設備６００には製造ロット番号及び原料ロット番号に従って原料Ａ、Ｂ、及びＣが投入され、最終製品Ｄの製造が行われる。その際、センサ群５００からの検知信号に基づき正常モデルＭｉが生成される。この正常モデルＭｉは、製造ロット番号、原料ロット番号、及び原料品質データとともに正常モデル記憶部１１２に記憶される。

その後、製品の製造時には、製造設備６００に対し、製造ロット毎に、指定された原料ロット番号に係る原料Ａ、Ｂ、Ｃが供給されて最終製品Ｄの製造が行われる。このとき、正常モデル記憶部１１２からは、当該製造ロット番号に対応する正常モデルＭｉが選択部１１４により読み出される。以降は、第１の実施の形態と同様にして異常の予兆が判定される。

［第２の実施の形態］
次に、本発明の第２の実施の形態に係る高度運転支援システム１を図１１を参照して説明する。この第２の実施の形態の全体構成は、図１と同様であるが、予兆診断システム１００の構成及び動作が第１の実施の形態とは異なっている。図１１は、第２の実施の形態の高度運転支援システム１中の、予兆診断システム１００の構成の一例を示すブロック図である。図１１において、図３と同一の構成要素については、図３中の参照符号と同一の符号で示し、以下では重複する説明は省略する。

この第２の実施の形態の予兆診断システム１００は、いわゆるゴールデンバッチ（最良品質が得られるバッチ）の正常モデルが、高品質正常モデルとして自動的に高品質正常モデル記憶部１１２Ｂに記憶される。この予兆診断システム１００は、この高品質正常モデルに従って異常の予兆を判断するよう構成されている。同じ品質の原料Ａ、Ｂ、Ｃの使用を継続して最終製品Ｄを複数の製造ロットに亘って製造する場合であっても、製造設備の変化や製造環境の変化により、最終製品の品質は変化し得る。このため、この第２の実施の形態では、複数の製造ロットのうち最高の品質（又は、一定の基準以上の品質（第１の品質））が得られた製造ロットを特定し、このときに得られた正常モデルを高品質正常モデルとして取り込む。それ以後は、高品質正常モデルを用いて異常の予兆が判断される。この点、第１の実施の形態が、複数の原料の品質の組合せに応じて複数の正常モデルを記憶し、使用される原料の品質に適合する正常モデルを選択する方式とされているのと異なっている。

第２の実施の形態の動作を、図１２の概略図を参照して説明する。
まず、高品質正常モデルは、次のようにして生成される。原料Ａ、Ｂ及びＣを製造設備６００に供給して最終製品Ｄを製造する製造ロット１、２、３・・・を実行し（原料Ａ、Ｂ、Ｃの品質は複数の製造ロット間で略同一であるとする）、検査データ管理システム２００は、それぞれの製造ロットについて、最終製品Ｄの品質を検査し、品質スコアＱｉとして算出する。そして、図１２の左側に示すように、製造ロット番号と、その製造ロットにおいて得られた最終製品Ｄの品質に関する品質スコアＱ（Ｑ１、Ｑ２、Ｑ３・・・）との関係を示す品質データを取得する。すなわち、この第２の実施の形態の検査データ管理システム２００は、記製造設備又は製造装置における製造ロットと、その製造ロットにおいて得られた製品の品質に関する品質スコアとの関係を示す品質データを取得する品質データ取得部として機能する。

また、製造ロット１、２、３・・・の各々における最終製品Ｄの製造中において、センサ群５００から得られた検知信号群を分析して正常モデルＭｉを正常モデル作成部１０６において作成する。作成された正常モデルＭｉは、製造ロット番号と対応させて正常モデル記憶部１１２Ａに記憶される。

製造ロット番号ｉで算出された最終製品Ｄの品質スコアＱｉが、過去に取得済みの品質スコアＱｊ（ｊ＜ｉ）よりも高い値である場合（ｂｅｓｔ）、その品質スコアＱｉに係る正常モデルＭｉを高品質正常モデルとして更新し、高品質正常モデル記憶部１１２Ｂに記憶させる。この高品質正常モデルが、いわゆるゴールデンバッチに相当する。

図１２の例では、製造ロット番号１において品質スコアＱ１が得られ、まずこの品質スコアＱ１に係る正常モデルＭ１が高品質正常モデルとして高品質正常モデル記憶部１１２Ｂに記憶される。その後、製造ロット番号２において品質スコアＱ２が得られ、このＱ２の値がＱ１よりも高い値であれば、この品質スコアＱ２に係る正常モデルＭ２が新たに高品質正常モデル記憶部１１２Ｂに上書き（更新）される。

こうして、製造ロット番号の若い順から順に製造ロットを実行し、全ての製造ロットにおいて同様に品質スコアＱｉを計算し、それが最高値であれば高品質正常モデル記憶部１１２Ａの記憶データを更新する。

このようにして、複数の製造ロット１、２、３・・・の中で最も高い品質スコアＱｉに係る正常モデルＭｉが高品質正常モデル記憶部１１２Ｂに記憶される。この高品質正常モデル記憶部１１２Ｂに記憶された正常モデルＭｉ（高品質正常モデル）が、それぞれ評価データと第１の実施の形態と同様にして比較され、診断データが生成される。

以上説明したように、この第の実施の形態によれば、いわゆるゴールデンバッチに相当する高品質正常モデルＭｉが自動的に生成され、この高品質正常モデルＭｉが予兆診断において使用される。これにより、異常の予兆の検知の精度が向上し、製造設備６００のより的確な運転を担保することができ、また、最終製品Ｄの品質を安定させることが可能になる。

［第３の実施の形態］
次に、本発明の第３の実施の形態に係る高度運転支援システム１を図１３及び図１４を参照して説明する。この第３の実施の形態の全体構成は、図１と同様であるが、予兆診断システム１００の構成及び動作が第１の実施の形態とは異なっている。図１３は、第３の実施の形態の高度運転支援システム１中の、予兆診断システム１００の構成の一例を示すブロック図である。図１３において、図３と同一の構成要素については、図３中の参照符号と同一の符号で示し、以下では重複する説明は省略する。

この第３の実施の形態の予兆診断システム１００は、第１の実施の形態の予兆診断システム１００と、第２の実施の形態の予兆診断システム１００を組み合わせた構造を有している。すなわち、この第３の実施の形態では、複数種類の原料の品質の組合せｉ毎に正常モデルＭｉを生成し、複数の正常モデルＭｉを正常モデル記憶部１１２に記憶させる。更に、複数種類の原料の品質の組合せｉ毎の正常モデルＭｉのそれぞれについて、複数の製造ロットのうち最高の品質（又は、一定の基準以上の品質（第１の品質））が得られた製造ロットを特定し（図１４参照）、このときに得られた正常モデルを高品質正常モデルとして高品質正常モデル記憶部１１２Ｃに取り込む。この第３の実施の形態によれば、第１の実施の形態の効果と、第２の実施の形態の効果とを得ることができ、より一層正確な予兆診断を実行することが可能になる。

［その他］
本発明は上記した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。また、各実施例の構成の一部について、他の構成の追加・削除・置換をすることが可能である。

１…高度運転支援システム、１００…予兆診断システム、１０１…センサ信号蓄積部、１０４…特徴ベクトル抽出部、１０５…学習データ選別部、１０６…正常モデル作成部、１０７…異常測度算出部、１０８…除外区間設定部、１０９…閾値算出部、１１１…評価データ作成部、１１２…正常モデル記憶部、１１２Ｂ、１１２Ｃ…高品質正常モデル記憶部、１１３…評価データ記憶部、１１４…選択部、１１５…比較部、１１６…診断データ生成部、２００…検査データ管理システム、３００…製造管理システム、４００…制御部、５００…センサ群、６０１…貯蔵タンク、６０２…投入タンク、６０３…反応タンク、６０４…製品貯蔵タンク。

Claims (4)

1. 製造設備又は製造装置に配置されたセンサから出力される検知信号に基づき多次元時系列データを取得し、上記多次元時系列データを用いて異常測度算出部の算出結果に基づき除外区間と設定された学習データを除外する学習データ選別部と、
   上記選別された学習データに基づき正常モデルを作成する正常モデル作成部と、
   上記製造設備又は前記製造装置に供給される複数種類の原料と該複数種類の原料の夫々の品質の第１の組合せの原料が前記製造設備又は前記製造装置に供給された場合に製造された製造ロットの品質データを含む学習データにより作成された第１の正常モデルと、上記第１の組合せと同種の複数の原料で前記第１の組合せとは異なる品質の第２の組合せの原料が前記製造設備又は前記製造装置に供給された場合に製造された製造ロットの品質データを含む学習データにより作成された第２の正常モデルとを記憶する正常モデル記憶部と、
   上記製造設備又は上記製造装置に上記第１又は第２の組合せの原料が供給された場合に、上記正常モデル記憶部の中から、上記第１又は第２の組合せの原料に対応する第１又は第２の正常モデルを選択する選択部と、
   上記選択部で選択された上記第１又は第２の正常モデルに基づき算出された閾値と、上記第１又は第２の組合せの原料が前記製造設備又は前記製造装置に供給された場合に前記センサから得られる多次元時系列データを用いて評価データ作成部で作成された評価データとを比較して予兆診断を行う比較部と、
   上記比較部の出力を用いて診断データを生成する診断データ生成部と、
   上記診断データを出力する入出力部と、
   を備えたことを特徴とする予兆診断システム。
2. 上記第１の品質に係る品質データは、上記製造ロットにおいて得られる製品の品質とし
   て最高の品質に係る品質データである、請求項１に記載の予兆診断システム。
3. 上記複数種類の原料は３種類であり、上記複数種類の原料の夫々の品質は３種類であることを特徴とする請求項１又は２に記載の予兆診断システム。
4. 上記入出力部は、上記製造設備又は製造装置毎に上記診断データが示す異常の予兆の度合いを色分けして示すことを特徴とする請求項１～３のいずれか一項に記載の予兆診断システム。

Images