JP7469991B2 - 診断装置及びパラメータ調整方法 - Google Patents
診断装置及びパラメータ調整方法 Download PDFInfo
- Publication number
- JP7469991B2 JP7469991B2 JP2020140179A JP2020140179A JP7469991B2 JP 7469991 B2 JP7469991 B2 JP 7469991B2 JP 2020140179 A JP2020140179 A JP 2020140179A JP 2020140179 A JP2020140179 A JP 2020140179A JP 7469991 B2 JP7469991 B2 JP 7469991B2
- Authority
- JP
- Japan
- Prior art keywords
- diagnostic
- data
- evaluation index
- model
- series 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
Links
- 238000000034 method Methods 0.000 title claims description 94
- 238000003745 diagnosis Methods 0.000 title description 29
- 238000011156 evaluation Methods 0.000 claims description 235
- 230000005856 abnormality Effects 0.000 claims description 90
- 230000002159 abnormal effect Effects 0.000 claims description 71
- 238000010276 construction Methods 0.000 claims description 57
- 238000010586 diagram Methods 0.000 claims description 56
- 230000008569 process Effects 0.000 claims description 38
- 238000004364 calculation method Methods 0.000 claims description 27
- 238000001514 detection method Methods 0.000 claims description 23
- 238000003860 storage Methods 0.000 claims description 16
- 230000006866 deterioration Effects 0.000 claims description 15
- IYLGZMTXKJYONK-ACLXAEORSA-N (12s,15r)-15-hydroxy-11,16-dioxo-15,20-dihydrosenecionan-12-yl acetate Chemical compound O1C(=O)[C@](CC)(O)C[C@@H](C)[C@](C)(OC(C)=O)C(=O)OCC2=CCN3[C@H]2[C@H]1CC3 IYLGZMTXKJYONK-ACLXAEORSA-N 0.000 claims description 7
- 238000002790 cross-validation Methods 0.000 claims description 7
- 238000000059 patterning Methods 0.000 claims description 7
- IYLGZMTXKJYONK-UHFFFAOYSA-N ruwenine Natural products O1C(=O)C(CC)(O)CC(C)C(C)(OC(C)=O)C(=O)OCC2=CCN3C2C1CC3 IYLGZMTXKJYONK-UHFFFAOYSA-N 0.000 claims description 7
- 238000005259 measurement Methods 0.000 description 59
- 238000010801 machine learning Methods 0.000 description 20
- 238000012545 processing Methods 0.000 description 20
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000010606 normalization Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 230000007257 malfunction Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000002939 conjugate gradient method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 239000013067 intermediate product Substances 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
Description
上記した以外の課題、構成及び効果は、以下の実施の形態の説明により明らかにされる。
始めに、各実施の形態で共通する構成及び動作を説明する。ここでは、実施の形態を特定しない場合に、「本実施の形態」とも言う。本実施形態で取り扱う機器は、例えば熱交換器やタービン、エンジン、ポンプ、ファン、攪拌槽、回転機器などを想定している。一般的な産業用プラントは、これら複数の機器が配管で接続されており、原料や中間生産物が移送されて連続的に処理されることで、最終製品を製造する。また、各機器が一つの設備に組み合わさった状態で機能する場合もある。
異常とは、設備が安定して稼働できていない状態と定義する。ここで安定して稼働できていない状態とは、設備の稼働性能や生産物の品質が、当初規定されている範囲に収まらない場合である。また、規定の範囲内にある場合でも、性能や品質を示す指標が規定範囲外に向かって次第に変化していく状況についても異常と見なすことにする。
物理モデルは、物理現象を数式で表したものである。物理モデルは各変数の物理的な関係性が明らかであるため、信頼性や説明性が高い点が特徴である。また、ある診断対象で発生した現象を説明するための物理モデルがある場合、この現象と同様の現象が他の類似案件の診断対象にも発生するのであれば、他の類似案件の診断対象にも同じ物理モデルを展開可能という利点がある。ただし、診断モデルの作りこみが複雑であり、各種の運転状態に対する基礎データを予め取得する必要があるという欠点がある。
ここで、本実施形態に係る診断装置の構成例について説明する。
図1は、診断装置100の構成例を示すブロック図である。
診断装置100は、条件入力部1、条件決定部2、評価指標決定部3、データ取得部4、計測値データベース5、モデル構築部6、異常判定部7、評価指標計算部8、パラメータ調整部9及び結果出力部10を備える。
次に、条件入力部1の内容を説明する。
診断装置100の構成要素として用いられる条件入力部1は、ユーザが、少なくとも診断目的及びデータ条件を診断装置100に入力する機能を有する。このため、条件入力部1には、診断対象の状態を診断する診断モデルの診断目的、及び診断モデルの構築に利用される時系列データのデータ条件が入力される。時系列データは、計測部2が計測した計測値データが時系列で計測値データベース5に格納されたものである。条件入力部1を通じて入力された内容は、条件決定部2、評価指標決定部3及びデータ取得部4に出力される。
条件入力部1の内容は、条件決定部2の動作に影響する。ここで、条件入力部1の内容と、条件決定部2の動作の例について、図2を参照して説明する。
図2は、前提条件入力と、モデル化方法決定の関係を示す図である。
項目優先度とは、パラメータ調整部9が探索するパラメータ項目の優先順位を決定するものである。
パターン化とは、あるパラメータ項目における探索範囲をいくつかのパターンに集約することであり、パターン化により探索範囲が削減される。例えば、探索条件のパターン化として、正規化範囲をパターン化する処理が挙げられる。この処理では、正規化するため入力データを0~1に変換する際に、最大値及び最小値を与える条件を、学習期間のデータからとるか、全取得期間のデータからとるか、などが予め決定されるので、余計な範囲でデータを取得しなくてすむ。
利用データ範囲の項目には、診断モデルの構築に要する学習期間、正常期間及び異常期間が区別して設定される評価期間、診断対象に異常又は劣化が生じる異常期間が含まれる。
学習期間は、診断モデルの構築のために、計測値データを学習用入力データとしてモデル構築部6に与える期間をユーザへ設定するように指示される期間である。
評価期間は、先ほど定義した学習期間と同様であるが、データ条件に応じて、正常期間の設定の有無、さらには正常期間と異常期間を区別して設定するようにユーザへの指示を変更することを定める期間である。図中に、評価期間(正常)と書かれた項目は、正常期間を設定するようにユーザに指示する内容を定めている。
評価期間(異常/劣化)は、診断対象に異常又は劣化が生じる異常期間(図中では評価期間と記載する)を設定するようにユーザに指示する内容を定めている。
評価指標の項目には、診断モデルが診断対象の異常を検知する性能を表す検知性能が含まれる。
検知性能は、診断装置100が最も有力な診断モデルを自動選択するための評価指標として、ユーザへ設定するように指示する内容を定めている。この検知性能は、診断モデルが診断対象の異常を検知する性能を表す指標である。
次に図1を参照して、評価指標決定部3の動作を説明する。
評価指標決定部3は、診断目的及びデータ条件を含む条件入力部1から条件決定部2への入力内容に応じて、評価指標の項目で規定される特定の評価指標を決定する。本実施の形態では、特定の評価指標を、診断モデルの評価指標(「モデル評価指標」と呼ぶ)とする。ここで評価指標とは、構築される診断モデルの良し悪しを判断するための指標であり、診断モデルの最適化には必須となる。良い診断モデルとは、診断対象である設備の異常を的確に捉えていること、異常の兆候を早期に検知できること、誤報が少ないこと、などを挙げることができる。従って、診断モデルの評価指標とは、診断モデルの異常判定結果に対する正解率や適合率、再現率、誤報率などを挙げることができる。
評価指標の決定方法として、その都度ユーザが評価指標の候補から選択して決定する方法がある。このため、評価指標決定部3は、候補となる評価指標の一覧を表示装置等のユーザインターフェイスに出力して、ユーザが評価指標を選択可能な画面を提示する。ここで、条件入力部1に各種の条件を設定するための条件設定画面の詳細な構成例について、図3を参照して説明する。
図3は、条件設定画面20の構成例を示す図である。
診断目的の項目には、故障検知及び劣化検知のうち、少なくともいずれか一つをユーザが選択可能なチェックボックスが表示される。
モデル評価指標の項目には、再現率、適合率、F値、又はAUCのいずれかをユーザが選択可能なプルダウンメニューが表示される。
データ取得部4は、時系列データの利用範囲に従って、診断対象の状態を表す時系列データを取得する。例えば、データ取得部4は、ユーザが選定した、又は条件決定部2が決定したデータ項目情報(「Tag情報」と呼ぶ)、及び時系列データの取得対象期間(図2に示した利用データ範囲)に基づき、各信号の時系列データが蓄積されている計測値データベース5から、対象Tagの時系列データ11を取得する。データ取得部4が取得した信号データは、後に診断モデルの構築時に入力データとして用いられる。この入力データは、機械学習のための学習データ、機械学習モデルの性能を評価するための評価データとして用いられる。また、診断装置100の運用時に異常診断が行われる入力信号についても、診断モデルの構築時に付されたTag情報と同一のTag情報が選定される。Tag情報は、条件入力部1に対してユーザが直接指定してもよいし、予め規定されたパラメータ項目の一つと見なしてもよい。
モデル構築部6は、前段の処理で決定されたモデル化方法に従って、時系列データから診断モデルを構築する。この際、モデル構築部6は、学習モードと診断モードの2つの処理を実行し、診断モデルを構築する。モデル構築に利用される機械学習アルゴリズムはARTに限定されるものではなく、クラスタリング、分類、回帰など適用可能である。さらに、クラスタリングアルゴリズムの中でも、ART、マハラノビス・タグチ法(MT法)、ベクトル量子化、KMeans、スペクトラルクラスタリングなどを適用可能である。
図4は、ARTの動作を説明する図である。図4の上側に2種類の計測値A,Bの時間変化が示され、図4の下側に、クラスタNoが示される。
図5は、計測値1,2をクラスタリングした図である。
図5には、横軸に計測値1の値をとり、縦軸に計測値2の値をとり、同じ時刻に計測された計測値1,2の交わる点がプロットされたグラフが示される。図中の白抜きされた丸印は学習データを表し、黒塗りされた丸印は診断データを表す。上述したように入力データを評価データとして用いて診断モデルの評価が行われる場合、図5に示す診断データは、評価データに置き換えられる。
次に図1を参照して、異常判定部7の動作を説明する。
異常判定部7は、モデル構築部6により構築された診断モデルに入力される、データ取得部4が評価期間で取得した時系列データの異常有無を判定する。この際、異常判定部7は、決められたルールに基づいて、診断データを異常と見なすかどうかを判定している。ここで、異常判定部7の動作について、図6を参照して説明する。
次に図1を参照して、評価指標計算部8の動作を説明する。
評価指標計算部8は、時系列データの異常有無の判定結果に基づいて、特定の評価指標を計算する。例えば、評価指標計算部8は、評価指標決定部3が決定した診断モデルの評価指標(例えば、正答率)を、異常判定部7が実行した異常判定結果に基づいて計算する。評価指標計算部8が評価指標を計算するためには、診断モデルが出力する異常判定結果に対応する正解ラベルが必要となる。
次に、パラメータ調整部9の動作を説明する。
パラメータ調整部9は、条件入力部1に入力された診断目的及びデータ条件に基づいて、パラメータ項目、時系列データの利用範囲の項目、及び評価指標の項目のうち、少なくとも一つ以上を含むモデル化方法に従って構築され、評価指標で評価される診断モデルのパラメータを自動的に調整する。パラメータ調整部9により調整されたパラメータは、データ取得部4及び異常判定部7に出力される。
そして、モデル構築部6、異常判定部7、評価指標計算部8、及びパラメータ調整部9は、一連の処理を所定回数だけ繰り返す。
次に、結果出力部10の動作を説明する。
結果出力部10は、モデルの評価指標に基づき最適化した診断モデルを表示する部位である。この際、結果出力部10は、評価指標計算部8により計算された特定の評価指標を出力する。ここで、結果出力部10は、評価指標計算部8により所定回数だけ繰り返し計算された特定の評価指標を出力することが可能である。そこで、診断モデルの表示例について、図7を参照して説明する。
図8に示す診断モデル表示画面22を構成する項目は、図7に示した診断モデル表示画面21と同様であるが、画面左端のレコードNoの代わりに、RANKの項目が追加され、画面右端のファイルリンクの代わりに、グラフの項目が追加された点が異なる。RANKは、診断モデルの評価順位を表しており、特定の評価指標が最良の診断モデルを「1」で表す。また、図8では、ユーザが、グラフの項目のグラフNo.2の文字にカーソルを合わせると、診断モデル表示画面22に重ねて、レコードNo.2のトレンド図が自動で表示される様子が表されている。
図9は、評価指標の等値線図である。
第1の実施の形態では、機械学習アルゴリズムの一つであるARTの例を取り上げる。そして、図3に示すように、診断目的を故障検知、データ条件を時系列データに異常時のデータが含まれていると設定された状態で、正確な異常発生時刻が特定できていない場合に、パラメータを自動調整する診断装置100の動作について説明する。
図10は、第1の実施の形態に係る診断装置100の処理の例を示すフローチャートである。ここでは、診断装置100の各部が連携して行う診断モデルのパラメータ調整方法について説明する。
図11は、ユーザがデータ期間を指定する画面の表示例を示す図である。図11では、横軸に時間をとり、縦軸に計測値をとって、計測値A,Bの時間変化の様子がグラフ(トレンド図)で示されている。
処理1:モデル構築部6は、入力ベクトルを正規化する。
処理2:モデル構築部6は、入力データと重み係数との比較により、ふさわしいクラスタの候補を選択する。
処理3:モデル構築部6は、選択したクラスタの妥当性を分解能パラメータとの比較により評価する。
処理5:モデル構築部6は、入力データをクラスタに分類すると、そのクラスタに対応する重み係数を、過去の重み係数及び入力データを用いて更新する。
次に、本発明の第2の実施の形態に係る診断装置の動作例について説明する。第2の実施の形態に係る診断装置として、第1の実施の形態に係る診断装置100を用いる。ここでは、第2の実施の形態に係る診断装置100が、異常データが無い場合にパラメータを自動調整することを可能とする動作を説明する。
次に、本発明の第3の実施の形態に係る診断装置の動作例について説明する。第3の実施の形態に係る診断装置として、第1の実施の形態に係る診断装置100を用いる。ここでは、第3の実施の形態に係る診断装置100が、診断目的として劣化検知が選択された場合にパラメータを自動調整する動作を説明する。
次に、本発明の第4の実施の形態に係る診断装置の動作例について説明する。第4の実施の形態に係る診断装置として、第1の実施の形態に係る診断装置100を用いる。第4の実施の形態に係る診断装置100は、第1の実施の形態に加えて運用性を考慮した動作を行う。
図12は、前提条件入力と、モデル化方法決定の関係を示す図である。
目的選択、異常データ有無、目標クラスタ数及び許容誤差の項目は、図3に示す条件設定画面20を通じてユーザにより設定される。
クラスタ数分類誤差は、目標クラスタ数に対するクラスタ生成数を誤差として換算した値とする。同時に、第1の実施の形態と同様にして、ユーザは、モデル精度を評価するための指標として、F値も選択可能である
次に、本発明の第5の実施の形態に係る診断装置の動作例について説明する。第5の実施の形態に係る診断装置は、第4の実施の形態に係る診断装置の別の形態を表す。第5の実施の形態に係る診断装置においても、ユーザが条件設定画面20を通じて、クラスタ数とクラスタ数許容誤差を入力する。ただし、第5実施の形態に係る診断装置と、第4の実施の形態に係る診断装置との相違点は、図10に示すステップS4の処理にてモデル構築部6が動作する前に、モデル構築部6が交差検証を実施することにより、正常運転時におけるクラスタの生成数を見積もることである。
図13は、第5の実施の形態に係る診断装置100Aの構成例を示すブロック図である。
データ分割部12は、データ取得部4が取得した時系列データを所定数ごとに分割する。例えば、データ分割部12は、データ取得部4が取得したデータをkセットに分割する。kセットのデータのうち、(k-1)セットのデータが学習用データとして利用され、残りの1セットのデータが診断用データとして利用される。データ分割部12は、このような学習用データと診断用データとの組み合わせを、予めk通りの学習用及び診断用として準備することができる。
図14は、探索点ごとに診断モデルの評価指標とクラスタ数とを併記した図である。
次に、本発明の第6の実施の形態に係る診断装置の動作例について説明する。ここでは、第6の実施の形態に係る診断装置の構成例及び動作例と共に、モデルの評価指標の登録方法について、図15を参照して説明する。
図15は、第6の実施の形態に係る診断装置100Bの構成例を示すブロック図である。
次に、各実施の形態に係る診断装置の構成する計算機30のハードウェア構成を説明する。
図16は、計算機30のハードウェア構成例を示すブロック図である。計算機30は、本実施の形態に係る診断装置として動作可能なコンピューターとして用いられるハードウェアの一例である。
本発明は上記各実施形態そのままに限定されるものではなく、その発明の範囲内において、各実施の形態を変形、省略することができる。
また、制御線や情報線は説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線や情報線を示しているとは限らない。実際には殆ど全ての構成が相互に接続されていると考えてもよい。
Claims (7)
- 診断対象の状態を診断する診断モデルの診断目的、及び前記診断モデルの構築に利用され、前記診断対象の状態を表す時系列データのデータ条件が入力される条件入力部と、
入力された前記診断目的及び前記データ条件に基づいて、前記診断モデルを調整するパラメータが定義されたパラメータ項目であって、探索される前記パラメータ項目の優先順位を決定する項目優先度、前記パラメータ項目における探索範囲を所定数のパターンに集約するためのパターン化の項目が含まれる前記パラメータ項目と、前記診断モデルの構築に要する学習期間、正常期間及び異常期間が区別して設定される評価期間、診断対象に異常又は劣化が生じる異常期間が含まれる前記時系列データの利用範囲の項目と、前記診断モデルが前記診断対象の異常を検知する性能を表す検知性能が含まれる前記診断モデルを評価するための評価指標の項目と、のうち、少なくとも一つ以上を含むモデル化方法に従って構築され、前記評価指標で評価される前記診断モデルの前記パラメータを自動的に調整するパラメータ調整部と、
前記条件入力部から入力された前記診断目的及び前記データ条件に基づいて、前記パラメータ項目、前記時系列データの利用範囲の項目の内容を決定する条件決定部と、
前記条件入力部から入力された前記診断目的及び前記データ条件に基づいて、前記評価指標の項目で規定される特定の評価指標を決定する評価指標決定部と、
前記時系列データの利用範囲に従って、前記時系列データを取得し、前記データ条件として前記時系列データに異常データがある場合が選択されると、正解が分かっている期間で取得された前記時系列データに正常であることを示す情報を付し、異常が分かっている期間で取得された前記時系列データに異常であることを示す情報を付すデータ取得部と、
正常であることを示す情報が付された前記時系列データと、異常であることを示す情報が付された前記時系列データとを用いて、前記モデル化方法に従って、前記時系列データから前記診断モデルを構築するモデル構築部と、
前記モデル構築部により構築された前記診断モデルに入力される、前記評価期間に取得された前記時系列データの異常有無を判定する異常判定部と、
前記時系列データの異常有無の判定結果に基づいて、前記特定の評価指標を計算し、前記時系列データに異常が含まれない判定結果である場合に、人為的に作成された異常データを用いて前記特定の評価指標を計算する評価指標計算部と、
計算された前記特定の評価指標として、前記パラメータ調整部が前記パラメータを探索した探索点をプロットした図、又はプロットされた前記探索点のうち、等値である前記探索点を線でつないだ等値線図を出力する結果出力部と、を備える
診断装置。 - 前記データ取得部は、前記データ条件として前記時系列データに異常データがない場合が選択されると、正解が分かっている期間で取得された前記時系列データに正常であることを示す情報を付し、
前記パラメータ調整部は、正常であることを示す情報が付された前記時系列データに対して、前記異常判定部が異常と誤判定した誤報率に基づいて、前記パラメータを調整する
請求項1に記載の診断装置。 - 前記パラメータ調整部は、前記診断目的が、前記診断対象の劣化検知である場合に、前記評価指標として選択された再現率に基づいて、前記パラメータを調整する
請求項1に記載の診断装置。 - 前記条件入力部には、目標クラスタ数及び許容誤差のうち少なくとも一つ以上の項目を含む運用性の項目が追加され、
前記条件決定部は、前記診断目的、前記データ条件及び前記運用性の項目に基づいて、前記モデル化方法を決定する
請求項1に記載の診断装置。 - 前記データ取得部が取得した前記時系列データを所定数ごとに分割するデータ分割部を備え、
前記モデル構築部は、分割された所定数ごとの前記時系列データに基づいて、前記診断モデルの構築前に交差検証を行って、前記診断対象の正常運転時に生成されるクラスタの数を推定し、
前記パラメータ調整部は、推定された前記クラスタの数と、前記条件入力部から入力された前記目標クラスタ数とを比較して、推定された前記クラスタの数と前記目標クラスタ数との差が前記許容誤差の範囲内である場合に、前記評価指標が最適となる条件の前記パラメータを選択する
請求項4に記載の診断装置。 - 評価指標を格納する評価指標格納データベースを備え、
前記評価指標決定部は、前記条件決定部により決定された前記診断目的及び前記データ条件に基づいて、前記評価指標格納データベースから前記評価指標を読み出し、前記評価指標から任意の項目を選択可能に表示する
請求項1に記載の診断装置。 - 診断対象の状態を診断する診断モデルの診断目的、及び前記診断モデルの構築に利用される時系列データのデータ条件が入力される処理と、
入力された前記診断目的及び前記データ条件に基づいて、前記診断モデルを調整するパラメータが定義されたパラメータ項目であって、探索される前記パラメータ項目の優先順位を決定する項目優先度、前記パラメータ項目における探索範囲を所定数のパターンに集約するためのパターン化の項目が含まれる前記パラメータ項目と、前記診断モデルの構築に要する学習期間、正常期間及び異常期間が区別して設定される評価期間、診断対象に異常又は劣化が生じる異常期間が含まれる前記時系列データの利用範囲の項目と、前記診断モデルが前記診断対象の異常を検知する性能を表す検知性能が含まれる前記診断モデルを評価するための評価指標の項目と、のうち、少なくとも一つ以上を含むモデル化方法に従って構築され、前記評価指標で評価される前記診断モデルの前記パラメータを自動的に調整する処理と、
入力された前記診断目的及び前記データ条件に基づいて、前記パラメータ項目、前記時系列データの利用範囲の項目の内容を決定する処理と、
入力された前記診断目的及び前記データ条件に基づいて、前記評価指標の項目で規定される特定の評価指標を決定する処理と、
前記時系列データの利用範囲に従って、前記時系列データを取得し、前記データ条件として前記時系列データに異常データがある場合が選択されると、正解が分かっている期間で取得された前記時系列データに正常であることを示す情報を付し、異常が分かっている期間で取得された前記時系列データに異常であることを示す情報を付す処理と、
正常であることを示す情報が付された前記時系列データと、異常であることを示す情報が付された前記時系列データとを用いて、前記モデル化方法に従って、前記時系列データから前記診断モデルを構築する処理と、
構築された前記診断モデルに入力される、前記評価期間に取得された前記時系列データの異常有無を判定する処理と、
前記時系列データの異常有無の判定結果に基づいて、前記特定の評価指標を計算し、前記時系列データに異常が含まれない判定結果である場合に、人為的に作成された異常データを用いて前記特定の評価指標を計算する処理と、
計算された前記特定の評価指標として、前記パラメータを探索した探索点をプロットした図、又はプロットされた前記探索点のうち、等値である前記探索点を線でつないだ等値線図を出力する処理と、を含む
パラメータ調整方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020140179A JP7469991B2 (ja) | 2020-08-21 | 2020-08-21 | 診断装置及びパラメータ調整方法 |
PCT/JP2021/004723 WO2022038804A1 (ja) | 2020-08-21 | 2021-02-09 | 診断装置及びパラメータ調整方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020140179A JP7469991B2 (ja) | 2020-08-21 | 2020-08-21 | 診断装置及びパラメータ調整方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022035686A JP2022035686A (ja) | 2022-03-04 |
JP7469991B2 true JP7469991B2 (ja) | 2024-04-17 |
Family
ID=80322630
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020140179A Active JP7469991B2 (ja) | 2020-08-21 | 2020-08-21 | 診断装置及びパラメータ調整方法 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7469991B2 (ja) |
WO (1) | WO2022038804A1 (ja) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023175922A1 (ja) * | 2022-03-18 | 2023-09-21 | 日本電気株式会社 | モデル分析装置、モデル分析方法、及び、記録媒体 |
WO2023175921A1 (ja) * | 2022-03-18 | 2023-09-21 | 日本電気株式会社 | モデル分析装置、モデル分析方法、及び、記録媒体 |
JP2023165310A (ja) * | 2022-05-02 | 2023-11-15 | 三菱重工業株式会社 | 学習装置、学習方法及び学習プログラム |
WO2024028979A1 (ja) * | 2022-08-02 | 2024-02-08 | 株式会社アダコテック | ハイパーパラメータ探索システムおよびそのプログラム |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006024195A (ja) | 2004-06-03 | 2006-01-26 | National Cheng Kung Univ | 生産工程の品質予測システムおよびその方法 |
JP2009003517A (ja) | 2007-06-19 | 2009-01-08 | Hitachi Ltd | 保守管理支援装置およびその表示方法 |
JP2012137934A (ja) | 2010-12-27 | 2012-07-19 | Hitachi Ltd | 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム並びに企業資産管理・設備資産管理システム |
-
2020
- 2020-08-21 JP JP2020140179A patent/JP7469991B2/ja active Active
-
2021
- 2021-02-09 WO PCT/JP2021/004723 patent/WO2022038804A1/ja active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006024195A (ja) | 2004-06-03 | 2006-01-26 | National Cheng Kung Univ | 生産工程の品質予測システムおよびその方法 |
JP2009003517A (ja) | 2007-06-19 | 2009-01-08 | Hitachi Ltd | 保守管理支援装置およびその表示方法 |
JP2012137934A (ja) | 2010-12-27 | 2012-07-19 | Hitachi Ltd | 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム並びに企業資産管理・設備資産管理システム |
Also Published As
Publication number | Publication date |
---|---|
WO2022038804A1 (ja) | 2022-02-24 |
JP2022035686A (ja) | 2022-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7469991B2 (ja) | 診断装置及びパラメータ調整方法 | |
CN108628281B (zh) | 异常检测系统及异常检测方法 | |
EP3361343B1 (en) | Event analyzing device, event analyzing system, event analyzing method, and non-transitory computer readable storage medium | |
JP5179086B2 (ja) | 工業プロセスの監視方法及び監視システム | |
JP4832609B1 (ja) | 異常予兆診断装置および異常予兆診断方法 | |
EP1393141B1 (en) | Provision of process related information | |
US20190227504A1 (en) | Computer System And Method For Monitoring Key Performance Indicators (KPIs) Online Using Time Series Pattern Model | |
JP2019521444A (ja) | 予測分析用の動作中心型第一原理プロセスモデルの動的構築及びオンライン配備のためのコンピュータシステム及び方法 | |
US10719577B2 (en) | System analyzing device, system analyzing method and storage medium | |
KR102355777B1 (ko) | 프로세스의 이상 상태 진단 장치 및 이상 상태 진단 방법 | |
JP6326321B2 (ja) | データ表示システム | |
JP2015148867A (ja) | 情報処理装置、診断方法、およびプログラム | |
US20110178963A1 (en) | system for the detection of rare data situations in processes | |
CN102282552A (zh) | 基于模式的智能控制、监测及自动化的系统、方法和计算机程序 | |
JP7239354B2 (ja) | データ分類装置 | |
CN102576227A (zh) | 设备诊断装置 | |
WO2009129042A1 (en) | Automated system for checking proposed human adjustments to operational or planning parameters at a plant | |
WO2011075233A1 (en) | Method and system for diagnosing compressors | |
JP6922983B2 (ja) | 分析システム、分析方法及びプログラム | |
JPWO2018051568A1 (ja) | プラント異常診断装置及びプラント異常診断システム | |
CN114219096A (zh) | 一种机器学习算法模型的训练方法、装置及存储介质 | |
CN110009126A (zh) | 基于pls模型与pca贡献度融合的在线报警分析方法 | |
CN114120470A (zh) | 监视装置、监视方法、以及记录了监视程序的计算机可读介质 | |
WO2019073512A1 (ja) | システム分析方法、システム分析装置、および、プログラム | |
JP2019008681A (ja) | 診断装置及び診断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230207 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231024 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231214 |
|
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: 20240319 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240405 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7469991 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |