JPH03293523A - 故障診断装置 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 〔産業上の利用分野〕 本発明は、例えば熟練者の操業上のノウハウや制御理論
等を適用するエキスパートシステムを用いてオンライン
・リアルタイムに故障診断を行う故障診断装置に係り、
詳しくは、センサあるいは制御部か、らの出力信号を読
み取り、該出力信号の観測事象を抽出すると共に、当該
観測事象毎の所定の閾値に基づき異常を検出し、上記抽
出された観測事象及び検出された異常に係る出力データ
をそれぞれ用いて故障診断を行う故障診断装置に関する
。

〔従来技術〕

上記したような故障診断装置としては、例えば本発明者
らにより特願平１−７７５５０号として出願中のものが
挙げられる。上記故障診断装置は、例えば熟練者の操業
上のノウハウあるいは制御理論を適用したエキスパート
システムによりオンライン・リアルタイムに推論処理を
行って、プロセスの一例となるストッパ式連続鋳造機の
故障診断を行うもので、センサあるいは制御部からの出
力信号の異常を所定閾値に基づき検出する異常検出手段
と、所定時間間隔で、例えばデータサンプリング間隔で
上記出力信号を読み取り、この出力信号の特性、即ち観
測事象を抽出する特性抽出手段と、上記異常検出手段及
び上記特性抽出手段からの出力データを用いて故障診断
を行う故障診断手段と含具備してなることを特徴として
構成されている。

上記ストッパ式連続鋳造機では、センサあるいは制御部
からの出力信号として、例えば第１６図の図中Ｂで示す
ような出力データが出現することがある。そこで、上記
故障診断装置によれば、特性抽出手段によりデータサン
プリング間隔毎に上記出力データＢが読み取られ、この
出力信号の特性（観測事象）の内、例えば限界値に係る
特性「上記出力データＢが上昇しすぎ」等の観測事象が
抽出される。即ち、上記異常検出手段には、上記出力デ
ータＢに対し上限値に係る閾値Ｃ１ｚ及び下限値に係る
閾値Ｃ１３４が設定されている。従って、上記出力デー
タＢが上昇して上記閾値Ｃ１３を超えた時、異常検出手
段により異常と判定される。この時、故障診断手段が、
例えば起動され、上記異常検出手段及び上記特性抽出手
段からの出力データを用いて、検出された異常の判定及
び出力信号の各特性（各観測事象）の双方に基づいて、
例えば熟練者の操業上のノウハウ及び制御理論をルール
として格納した知識ヘースを適用し、例えば「コンドロ
ーラネ良」等の故障診断がなされるようになっている。

それにより、上記故障診断装置は、複雑な因果関係に基
づく故障診断を的確に行うことができるものである。

〔発明が解決しようとする課題〕

ところが、上記したような従来の故障診断装置では、故
障診断手段により故障診断が行われる際に、抽出された
観測事象に係る出力データ及び異常判定に係る出力デー
タとが通用され、推論処理に供されるが、例えば「モー
ルド内の溶鋼の湯面レヘル（出力データＢ）が極めて大
きな上昇度合にある上昇トレンドであって上記閾値Ｃ１
３を超えた」ような場合にも、従来の手法によれば、上
記上昇トレンドの上昇度合が考慮されていないので、当
該アクションが間に合わず、上記溶鋼がモールドから溢
れ出るといった大事故につながる危険性があった。

また、オンライン・リアルタイムの推論処理により故障
診断を的確に行うためには、データサンプリング間隔毎
に読み取られる時系列データとしての出力データＢを適
切に扱わなければならない。

そして、このような時系列データは、ノイズデータを含
むことが多く、上記観測事象の度合（上記確信度）は時
々刻々と変化し、あるいは当該観測事象の度合の変化又
は出力データＢ自体の変化が早い場合がある。そのため
、上記したような故障診断装置において時系列データを
扱う場合には、ノイズデータの排除、観測事象の度合の
変化傾向の把握、良好な応答性といった機能が要求され
る。

特に、重大事故等に繋がるような誤診断を防止するため
には、上記出力データＢからノイズデータを排μするこ
とが重要となる。

上記したようなノイズデータの一例を第１７図（ａ）に
示す。同図において、縦軸は、上記出力信号Ｂのデータ
サイプリング間隔毎の変化量ｖ１が観測事象：「出力信
号Ｂの変化量が０である（安定し過ぎ）」の観測事象デ
ータとして用いられている。ここで、上記変化量ｖ、の
時ａｔ力方向向けてｌで示す直線部分は、センサあるい
は制御部からの出力データＢが何らかの理由で読み取ら
れなかったデータ欠損のノイズデータを示している。

このようなノイズデータは比較的短時間に発生する場合
が多い、他方、第１７図Ｑ：Ｉ）に示す変化量ｖ１のｍ
で示す直線部分は、例えば当該センサの断線による故障
によって、上記出力データＢが読み取られなかったこと
を示すものである。このような場合、上記データ欠損に
係るノイズデータ（第１７図（６）の！で示す）と、故
障に係るデータ（第１７図（ハ）のｍで示す）とは、区
別して判断されなければならない、しかしながら、上記
したような従来の故障診断装置では、このようなノイズ
データを出力データＢから排除することはできなかった
。

従って、本発明の第１の目的とするところは、センサ等
からの出力信号に関して抽出された観測事象の度合を示
す確信度を把握することにより、複雑な因果関係に基づ
く機器の故障をより的確に検出することのできる故障診
断装置を提供することにある。

更に、本発明の第２の目的とするところは、上記出力信
号からノイズデータを排除することにより上記出力信号
を時系列データとして的確に把握することが可能で、複
雑な関係に基づく機器の故障をより一層的確に検出する
ことができる故障診断装置を提供することにある。

［８を解決するための手段〕 上記第１の目的を達成するために、本発明が採用する主
たる手段は、その要旨とするところが、センサあるいは
制御部からの出力信号を読み取り、該出力信号の観測事
象を抽出する観測事象抽出手段と、上記観測事象毎の所
定の閾値に基づき異常を検出する異常検出手段とを備え
、上記観測事象抽出手段及び上記異常検出手段からの出
力データを用いて故障診断を行う故障診断装置において
、各観測事象に係る出力データから当該観測事象の確信
度を演算する第１の確信度演算手段と、上記観測事象毎
の確信度を用いて故障診断を行う第１の故障診断手段と
を具備してなる点シこ係る故障診断装置である。

また、上記第２の目的を達成するために、本発明が採用
する主たる手段は、その要旨とするところが、センサあ
るいは制御部からの出力信号を読み取り、該出力信号の
観測事象を抽出する観測事象抽出手段と、上記観測事象
毎の所定の第１閾値に基づき異常を検出する異常検出手
段とを備え、上記観測事象抽出手段及び上記異常検出手
段からの出力データを用いて故障診断を行う故障診断装
置において、上記異常検出手段からの出力データにより
起動され、上記観測事象抽出手段により抽出された観測
事象の継続性及び／若しくは経時的な減衰性を反映させ
て、上記第１ｉｉ値よりも出力データを更に絞り込むた
めの第２閾値を決定する第２閾値決定手段と、該第２閾
値決定手段により決定された第２閾値と上記観測事象に
係る出力データとに基づいて、当該観測事象の確信度を
演算する第２の確信度演算手段と、上記観測事象毎の確
信度を用いて故障診断を行う第２の故障診断手段とを具
備してなる点に係る故障診断袋！である。

２作用〕 上記第１の発明によれば、センサあるいは制御部からの
出力信号の観測事象が抽出され、この観測事象毎の所定
の閾値に基づき異常が検出される。

この時、上記各観測事象に係る出力データから当該観測
事象の確信度、即ち上記出力データが当該観測事象に帰
属する度合も演算され、この確信度を加味した故障診断
が行われる。それにより、複雑な因果関係に基づく機器
の故障を、例えば従来と比べてより的確に検出すること
ができる。

また、上記第２の発明によれば、異常を検出するために
異常検出手段に付与された観測事象毎の所定の第１Ｈ値
よりも、上記出力データを更に絞り込むための第２Ｈ値
が上記抽出された観測事象の継続性及び／若しくは経時
的な減衰性を反映させて決定されるので、例えばデータ
欠損あるいは偶発的なノイズデータを排除することがで
きる。

更に、上記ノイズデータの排除された出力データに基づ
いて当該観測事象の確信度が演算され、上記観測事象毎
の確信度を加味して故障診断が行われるので、複雑な因
果関係に基づく機器の故障をより一層的確に検出するこ
とができる。

〔実施例〕

以下、添付した図面を参照しつつ、本発明を具体化した
実施例につき説明し、本発明の理解に供する。尚、下記
する実施例は、本発明を具体化した一例に過ぎず、本発
明の技術的範囲を限定する性格のものではない。

ここに、第１図は本発明の一実施例に係るストッパ式連
続鋳造機の故障診断装置を示す概略構成図、第２図は同
ストッパ式連続鋳造機の湯面レヘル制扉の一例を示すブ
ロック図、第３図は上記故障診断装置の故障診断部にプ
ログラムとして備えられ、観測事象データとしての変化
量を評価するための数学モデルの内第２閾値の採択度を
示すグラフ、第４図は上記数学モデルの内忘却性評価関
数の足し込み量を示すグラフ、第５図は上記数学モデル
の内継続性評価関数を示すグラフ、第６図は上記数学モ
デルの内トリガ回数足し込み量を示すグラフ、第７図は
上記数学モデルの内当該観測事象に係る確信度を演算す
るためのグラフ、第８図は上記故障診断装置のメインル
ーチンとしての処理手順を示すフローチャート、第９図
は第８図の故障診断ステップ（Ｓ５）における処理手順
を示すフローチャート、第１０図は上記ストッパ式連続
鋳造機の故障診断装置におけるトリガ挙動、観測事象デ
ータ、当該観測事象に係る確信度を時系列的にそれぞれ
示す状態説明図、第１１図は観測事象［出力信号が閾値
を越えている」に係る変化量を評価するための数学モデ
ルの内第２閾値の採択度を示すグラフ、第１２図は第１
１図で述べた数学モデルの内忘却性評価関数の足し込み
量を示すグラフ、第１３図は第１１図で述べた数学モデ
ルの内継続性評価関数を示すグラフ、第１４図は第１１
図で述べた数学モデルの内トリガ回数足し込み量を示す
グラフ、第１５図は第１１図で述べた数学モデルの内当
該観測事象に係る確信度を演算するためのグラフである
。

第１図は本発明の一実施例に係る故障診断装置１を用い
てストッパ式連続鋳造機２の故障診断を行っている状況
を示している。

上記ストッパ式連続鋳造１１２では、第１図及び第２図
に示すように、シードル３内の溶鋼４は、タンデイツシ
ュ５に一時貯留されてストシバ６により流量制御され、
モールド（鋳型）７に流れ込む。この時、上記モールド
７内の溶鋼の湯面レヘル８は小型渦流式のレベル計９に
より検出されるようになっている。

第２回は上記場面レベル８の制御の一例をブロック図で
示している。上記した場面レベル８が変動すれば鋳鋼２
５の品質を著しく劣化させる原因、例えば、上記鋳鋼２
５の表面傷の発生や介在物の巻き込み等の原因となるの
で、上記場面レベル８の変動を極力抑えるように制御が
行われる。通常の場合、上記場面レベル８のレベル変動
の目標値はある範囲内に収まるように設定されており、
通常の操業時は上記目標値が達成されている。上記場面
レベル８はレベル計９により計測され、目標場面レベル
（目標値）となるように、ＰｒＤ制御を行うコントロー
ラ１１がストッパ６の開度を指示し、この指示に基づい
て制御精度の優れた油圧シリンダ１２が駆動され、上記
ストッパ６の開度が制御される。この時、上記ストッパ
６はその開度が開度計２７により検出される。上記油圧
シリンダ１２は図示せぬステッピングモータにより高精
度に駆動されるようになっている。即ち、上記コントロ
ーラ１１．油圧シリンダ１２及びステッピングモータに
より上記湯面レベル８を制御する制御部１３が構成され
る。

上記したように、モールド場面制御系ムこは、精密機械
部品が数多く採用され、それらの構造が複雑であると共
に、当該機械部品が高温・粉塵等の悪環境下に曝される
ため、故障が発生する可能性が高い。そのため、電気的
・機械的な異常や操業上の不具合によって上記場面レベ
ル８の変動が大きくなったり、或いは上記機械部品に故
障が発生してもその原因が判明しにくく、当該原因をつ
きとめるまでに長時間を要することがある。

そこで、上記ストッパ型連続鋳造機２の故障部位を早期
に発見し、当該設備を正常に復旧させることが鋳鋼２５
の安定した生産及びその品質を確保する上で重要となる
。そのような事情に応えるべく、本発明者らは、上記ス
トッパ式連続鋳造機２の鋳造状Ｍ（観測事象）を抽出す
ると共に当該状態の異常を検出し、故障原因の推定をオ
ンライン・リアルタイムに行うエキスパートシステムに
よる故障診断装置１（第１図）を開発した。上記故障診
断装置１は、上記場面レベル８の如くの時系列データを
扱うために、該時系列データを扱う上で重要となるデー
タの観測事象にかかる変化傾向を的確に把握し、誤診断
を避けるためにデータ欠損等のノイズデータを排除し、
更に応答性を向上させることを目標として開発された。

以下、上記故障診断装置１につき説明する。

上記故障診断装置ｌは、第１図に示すように、ストッパ
式連続鋳造機２からの操業上の実績データやセンサの一
例となるレベル計９或いは制御部１３からの出力信号を
含むレベル制御系からのデータ’ｅ　１００−ｓｅｃ〜
１．０　ｓｅｃのサンプリング周期で読み取るデータ採
取部２６と、該データ採取部２６からのレベル計９ある
いは制御部１３の出力信号の制御状態を示す観測事象を
抽出する観測事象抽出部１７と、上記観測事象毎に予め
設定された所定の閾値に基づき異常を検出する異常検出
部１４と、上記観測事象に係る出力データからその時の
出力データが当該観測事象に帰属する度合を示す確信度
を演算すると共に、上記検出された異常、上記抽出され
た観測事象、上記演算された当該観測事象の確信度に係
る各出力データを用いて前向き推論処理により故障診断
を行う故障診断部１６と、上記レベル計９あるいは制御
部１３からの出力信号、異常検出部１４及び観測事象抽
出部１７からの出力データ、故障診断部１６からの診断
結果に係るデータ等を保存するデータ保存機能と故障診
断に係る熟練者のノウハウ及び制御理論等の知識をルー
ル化し知識ベースとして保存する知識保存機能とを備え
た記憶部２０とから主としてなっている。

上記故Ｗ［診断装置１は、上記観測事象抽出部１７から
の出力データをグラフ表示のためにデータ処理を行うデ
ータ処理部１９と、該データ処理部１９からの出力デー
タに基づいて上記グラフを表示し鋳造状況の判断情報を
操業者に提供す−るための、例えばプリンタ等よりなる
出力部１５とによるデータ監視機能も合わせて備えてい
る。このようなデータ採取機能、異常データ判断機能、
データ監視機能及び故障診断機能は、推論処理をリアル
タイムで行うように、それぞれプログラムとして各タス
クとして分割されている。それにより上記故障診断部１
６は、データ採取部２６のデータ読み取りのサイクルと
は非同期に起動することが可能で、システム全体として
早い周期の診断が可能である。

尚、上記データ採取部２６は、データ採取サイクルの頻
度を確保するために、上記した各タスクの中ではその処
理優先順位が最も高く設定されている。また、異常デー
タ判断機能としては、上記観測事象抽出部１７がデータ
採取部２６からの出力データに対し所定期間内の出力デ
ータの経時的な傾きや上記出力データのサンプリング間
隔毎の変化量等を演算し当該出力データに係る観測事象
を抽出する。そして、異常検出部１４において予め設定
された上記出力データの閾値に基づいて異常判定が行わ
れる。そして、この時上記出力データが上記異常判定用
の閾値を越えた場合には、異常検出部１４が上記故障診
断部１６を起動させるトリガ信号を発するようになって
いる。

引き続き、上記故障診断部１６に付き詳述する。

一般に、時系列データを扱う際に考えられ得る観測事象
としては、次の４つのものが挙げられる。

観測事象Ｆ１：「出力信号の変化量が０である（安定し
過ぎ）」 観測事象Ｆ２：「出力信号が閾値を越えている」観測事
象Ｆ３：「上昇（又は下ＩＩ）　トレンドにある」 観測事象Ｆ４：「正常である」 尚、上記観測事象Ｆ１は該観測事象Ｆ１に係る出力デー
タである変化量Ｖ、に対する事象判定用の閾値δ＋　　
（＜０）を下回っていると解釈され、上記観測事象Ｆ２
に係る閾値が、例えばＦｌの閾値δ、である場合には、
上記観測事象Ｆ２と関連すると考えられるが、便宜上上
記観測事象Ｆ２とは区別して評価される。この場合、上
記変化量ｖ１とは、データサンプリング間隔の間に変化
した、例えばレベル計９あるいは制御部１３からの出力
信号の変化量を示す。

上記故障診断部１６には、時系列データとしてのレベル
計９或いは制御部１３からの出力信号の観測事象を的確
に把握するための複数の数学モデルが上記観測事象毎に
プログラムとして格納されている。例えば、観測事象Ｆ
１に係る各数学モデルを第３図乃至第７図のグラフに示
す。以下、上記各数学モデルに付き説明する。

上記故障診断装置１に、第１７図（ａ）に示す如くのデ
ータ欠損を含む変化量Ｖ＋　のデータが入力された場合
に、上記異常検出部１４は上記データ欠損に係るノイズ
データを含む変化量ｖ、について、第１７図（ｂ）に示
す如くのレベル計９の断線による変化量Ｖ、が０のデー
タと同じように、観測事象Ｆ１：　「出力信号の変化量
が０である（安定し過ぎ）」を真と判定する。このよう
な上記レベル計９の故障による変化量ｖ、がＯのデータ
と、上記データ欠損に係るノイズデータとは区別されな
ければならない。そこで、上記ノイズデータを無視する
ために、上記故障診断部１６において次の手法が採用さ
れている。

■異常検出部１４に予め設定された第１閾値ＣＩ＋より
も上記変化量ｖ１をより絞り込むための、即ち上記変化
量ｖ１の値に対しより厳しい第２閾値Ｃ２＋を、第３図
に示すように、上記故障診断部１６に設定する。

■異常検出部１４からのトリガ信号が続けて発せられた
時のトリガ累積回数ｎに基づいて上記トリガ信号の有効
性を考慮する。

そこで、■の手法によれば、上記変化量ｖ１が上記第２
閾［Ｃ２，を下回らない限り、上記異常検出部１４から
トリガ信号が発せられても、例えば上記レベル計９から
の出力信号が異常であるとは判定されない。また、上記
変化量ｖ、が上記第１及び第２閾値Ｃ１，、Ｃ２，の間
にあって、上記トリガ信号が連続して発せられるような
場合には、このトリガ信号の重要性を考慮して、その時
のトリガ累積回数ｎに応して上記第２閾値Ｃ２を変化さ
せる必要がある。即ち、それにより観測事象Ｆ１の継続
性を考慮することになる。上記第２閾値Ｃ２，がトリガ
累積回数ｎによって変化する状態を第３図に示す。上記
故障診断部１６には、上記第２閾値Ｃ２，の初期値とし
て固定値であるＣ２．。が設定されている。そこで、上
記したようにトリガ信号が連続して発せられた場合には
、上記第２閾値Ｃ２，は、初期値Ｃ２，。からトリガ累
積回数ｎに応して上記異常検出部１４の第１閾値Ｃ１，
に近づくように変化する。

即ち、「出力信号の変化量が０である」の観測事象Ｆ１
に係る出力データである変化量ｖ１に対し、上記第２閾
＋ＩＬＣ２，が妥当であるかを示す採択層を縦軸とする
と、上記採択層＝１．０の直線と上記変化量ｖｌ＝ｃ２
＋　の直線及び各座標軸により囲まれた領域、即ち観測
事象Ｆ１に係る変化量Ｖ、のデータ集合が上記トリガ累
積回数ｎに応じて増大するようになっている。又、上記
第２閾値Ｃ２，は、あるトリガ発生時刻から次のトリガ
発生時刻までの経過時間△ｔをも考慮して変更設定され
、決定されなければならない。

従って、上記トリガ累積回数かｎ回目であって、今回の
トリガ信号が時刻ｔ、、に発生され、前回のトリガ信号
が時刻も、に発せられたとすると、上記トリガ信号間に
経過時間ΔＬ（Δ１＝１．。

ｔｍ）が経過していることになる。

そこで、上記第２閾値Ｃ２＋　は、次の（１）式のよう
に表すことができる。

Ｃ２，＝Ｃ２＋。十ｆｌ　（ΔＬ。

Ｃ２，。、ＣＩ＋　）・・・（１） ここで、上記忘却性評価関数ｆ、（Δｔ、Ｃ２＋。

Ｃ１，）は、当該観測事象Ｆ１の経時的な減衰性を上記
第２閾（ｌｉＩＣ２Ｉに反映させるための関数であって
、上記経過時間Δｔが極めて長い時には０となり、比較
的短い時にはεずつ増加する関数として設定されている
。従って、このεを忘却係数（ε〉０）と呼ぶ、この時
の上記忘却性評価間数ｆ１の足し込み量Δｆ、の数学モ
デルを第４図に示す。

従って、上記忘却性評価関数ｆ、は、トリガ累積回数ｎ
の関数としては、次の（２）式のように、表すこともで
きる。

ｆ　ｒ　　（ｎ　＋　１　）　＝　ｒ　＋　　（ｎ　）
＋Δｆ、　　（ｎ＋１）・・・（２） 但し、ｎ：トリガ累積回数 ｆ、（０）＝Ｏ ｆ、　　≦ＣＬ　　　Ｃ２＋。（リミング）とする。

ところが、上記（１）式において、１回目のトリガ信号
出力時に、上記したようなデータ欠損に係る変化量Ｖ、
の値が上記初期の第２閾値Ｃ２，、以下の値として入力
された場合には、レベル計９からの出力信号が観測事象
Ｆｌ（変化量が０）として判定される。そこで、上記（
１）式の第１項（Ｃ２，。）をトリガ累積回数ｎに関す
る関数である、継続性評価関数ｇｌとして扱わなければ
ならない。

この継続性評価関数ｇ＋の数学モデルを第５図のグラフ
に示す。

第５図において、ｎ、はトリガ累積回数ｎが極めて小さ
い場合に上記データ欠損に係るノイズデータを排除する
ためのトリガ累積回数ｎに係る閾値である。即ち、上記
トリガ信号がｎ０回まで発せられても、これらのトリガ
信号は無視され、上記レベル計９からの出力信号が上記
観測事象Ｆｌであると判定されることはない。

また、上記継続性評価間数ｇｌを（１）式に適用すると
、次の（３）式を得る。

Ｃ２＋　＝ｇｒ　　（Ｃ２ｔ＊、ｎ） ＋ｆ１　（Δｔ、Ｃ２□、ＣＩ＋）−・・（３）一方、
上記トリガ累積回数ｎはトリガ信号の出力毎に単純に累
積されていれば、上記トリガ発生時刻間の経過時間Δｔ
が極めて長い場合でも当該トリガ累積回数ｎが逐次増大
して行くことになるため、上記トリガ累積回数ｎは単純
に累積されるものとされず、上記経過時間Δｔの関数と
して設定されなければならない。

即ち、上記経過時間Δｔが充分に大きい場合にはこの累
積回数を忘却させるように、０の値にクリアし、上記経
過時間Δｔが小さい場合には、トリガ回数足し込み量と
してそれぞれ１回ずつ累積するように設定されている。

即ち、上記トリガ累積回数ｎに対するトリガ回数足し込
み量Δｎは、数学モデルとして第６図に示すグラフの如
く設定されている。

従って、上記トリガ累積回数ｎは次の（４）式により与
えられる。

ｎ＝ｎ＋Δｎ・・・（４） このように、上記トリガ累積回数ｎに基づいて当該観測
事象Ｆｌの継続性を評価する継続性評価間数ｇ１と、上
記トリガ発注時刻間の経過時間Δｔに基づき当該観測事
象Ｆ１の経時的な減衰性を評価する忘却性評価関数ｆ１
とを反映させて、上記第２閾値Ｃ２，が適切に決定され
る。この時決定された第２閾値Ｃ２，は、上記記憶部２
０に格納される。

第７図に示す数学モデルは、上記決定された第２閾値Ｃ
２，と当該観測事象Ｆ１に係る変化量Ｖ。

とに基づいて、例えばレベル計９の出力信号が当該観測
事象Ｆ１に帰属する度合を示す確信度ＣＦ　＋を演算す
るためのものである０図中において、上記第２閾値Ｃ２
，はトリガ累積回数ｎが４回目の時の場合を示している
。そこで、上記変化量Ｖ。

が上記決定された第２Ｈ値Ｃ２，に対してどの程度下回
っているかに基づいて、当該観測事象Ｆｌに係る確信度
ＣＦ、が決定される０例えば、この場合の変化量が第２
閾値Ｃ２＋よりも小さなり８であれば、異常と判定され
確信度としてＣＦ、が決定される。そして、上記変化量
ｖＸが変わらず、トリガ累積回数ｎが５回目になると、
確信度の値は増大しＣＦ、となる、そして、この確信度
ＣＦを用いて前向き推論処理により、故障診断が行われ
るようになっている。尚、本実施例においては、上記演
算された確信度ＣＦ、に対し、前回の推論時に通用され
た確信度ＣＦ１．に忘却性を考慮したものが加味されて
、今回の推論に通用される確信度ＣＦＩ＋　とじて演算
されるようになっている。

そして、推論に適用された確信度ＣＦＩ、は上記記憶部
２０に格納され、次回のトリガ信号により起動された推
論処理時に参照される。

従って、上記したように構成される故障診断装置ｌによ
る故Ｉｌｌ断に係る処理動作につき第８図のフローチャ
ートを用いて以下説明する。

先ず、ストッパ式連続鋳造機２の各種センサ、例えばレ
ベル計９又は制御部１３からの出力信号が所定間隔のデ
ータサンプリング時刻毎にデータ採取部２６により読み
取られる（ステップＳ１）。

そして、上記出力信号は、観測事象抽出部１７において
、上記出力信号の観測事象、例えば「出力信号の変化量
が０である（安定し過ぎ）」が当該観測事象に係る事象
判定用の閾値δ１に基づいて抽出される（ステップＳ２
）。

続いて、異常検出部１４において上記観測事象Ｆ１〜Ｆ
４毎に予め設定された所定の第１閾値Ｃ１１〜Ｃ１４に
基づき異常が検出される（ステップＳ３）、この時、ス
テップＳ４において異常が検出されれば、上記異常検出
部１４からのトリガ信号が故障診断部１６に与えられ、
故障診断部１６において上記異常判定及び抽出された観
測事象に基づいて故障の診断が行われる（ステップＳ５
）そして、上記故障診断部１６による診断結果が出力部
Ｉ５により出力されるようになっている（Ｓ６）。

上記Ｓ５に示す故障診断ステップは、第９図に示す処理
手順に基づいて実行される。上記異常検出部１４が異常
を判定し故障診断部１６に向けてトリガ信号を発すると
、該故障診断部１６が起動する。そこで、故障診断部１
６は上記レベル計９からの出力信号の状態に応じて、使
用すべき適切な知識ベースを記憶部２０から選択する。

尚、当該記憶部２０において、知識ベースは、ある限ら
れた時間の範囲だけに通用する知識を適時に用いるよう
に、非定常時（例えば自動運転投入直後）。

定常時（例えば製造工程がシードル３杯以下の通常の連
続鋳造）、定常時（上記レードルが３杯以上の厳しい連
続鋳造）の３つの知識ベースに分割されている。そこで
、その時の操業条件に応して上記した知識ベースの中か
ら適宜のものが選択される（ステップ５５１）。

そして、ある時刻において、データ採取部２６からの出
力データに対し、観測事象抽出部１７がある観測事象を
抽出し、同時に異常検出部１４が当該異常検出部１４に
観測事象Ｆ１〜Ｆ４毎に予め設定されている第１閾値Ｃ
１＋〜Ｃ１，に基づいて上記出力信号が上記観測事象に
係る第１閾値を越えた場合にトリガ信号を故障診断部１
６に向けて出力する。そこで、故障診断部１６は、前回
のトリガ発生時刻から今回のトリガ発生時刻までの経通
時間Δｔを計算する（ステップ５５２）。

続いて、上記算出された経過時間ΔＬに応した過去の当
該観測事象の忘却係数として、第４図の忘却性評価関数
の足し込み量Δｆ１の数学モデルを用いて計算する（ス
テップ５５３）。

更に、上記トリガ信号が比較的短時間の間に連続して発
せられた場合には、トリガ回数足し込み量Δｎ（第６図
）、継続性評価間数ｇ＋　　（第５図）の各数学モデル
が適用され、上記計算された忘却性評価関数の足し込み
量Δｒと合わせて今回の当該観測事象に係る第２閾値Ｃ
２が（３）式を用いて決定される（ステップ５５４）。

即ち、上記ステップ３５２〜Ｓ５４が、上記異常検出部
１４からのトリガ信号により起動され、上記観測事象抽
出部１７により抽出された観測事象の継続性及び経時的
な減衰性を反映させて、当該観測事象に係る第１閾値Ｃ
１よりも当該観測事象データを更番こ絞り込むための第
２閾値Ｃ２を決定する機能を実現する第２閾値決定手段
である。

そして、上記ステップＳ５４において、決定された第２
Ｐ１１値Ｃ２により現時点の当該観測事象データが当該
観測事象に帰属する度合を示す確信度ＣＦが、第７図に
示す確信度を演算するための数学モデルに基づいて計算
される（ステップ５５５）即ち、このステップＳ５５が
、上記ステ、プＳ５２〜３５４において決定された第２
閾値Ｃ２と上記観測事象データとに基づいて、当該観測
事象の確信度ＣＦを演算する機能を実現する第２の確信
度演算手段である。

尚、上記確信度ＣＦは、観測事象Ｆ１〜Ｆ４毎に得られ
、そのまま推論に適用しても良く、それにより、より精
度のよい故障診断を行うことができるが、次のステップ
Ｓ５６に示す如く、Ｓ５５において計算された確信度Ｃ
Ｆに対し、前回の推論に用いた確信度ＣＦＩを経時的な
忘却性を考慮しつつ加味しても良い。

そこで、今回の推論に通用される確信度ＣＦＩは次の（
５）弐に示される通りである。

確信度（ＣＦＩ）−前回の推論に適用された確信度（Ｃ
ＦＩ）ｘ忘却係数（ε） ＋今回計算された確信度（ＣＦ）・・・（５）ただし、 ε：本実施例では第４図に示すεと 同じ値を適用 上記確信度ＣＦを算出するための第２閾値Ｃ２は、上記
トリガ信号が発せられる毎に上記第１閾値Ｃ１に向けて
変更設定され、当該観測事象データに対して順次甘く設
定される（第７図）、従って、トリガ発生時刻間の経過
時間Δむが短い時には、前回の推論に適用されたＣＦＩ
が太き（影響してくる。逆に、上記経過時間Δｔが長い
時には、当該経過時間Δｔに応じて、前回の推論に適用
された確信度ＣＦＩは忘却されると共に、今回演算され
るべき確信度ＣＦも小さな値として演算され、ひいては
０の値になる。即ち、上記（５）式により当該事象の過
去の変化傾向が反映され、この変化傾向を把握すること
ができる。

以上述べたステップ３５２〜Ｓ５６は、全ての観測事象
Ｆ１〜Ｆ４について実行され、各観測事象毎に今回の推
論に適用される確信度ＣＦＩが決定される（ステップ５
５７）。

そこで、上記したように決定された確信度ＣＦＩが故障
診断のための推論に適用される。この故障診断は前向き
推論により演算され、その時適用するための、上記記憶
部２０の知識ベースに格納されているルールは、例えば
次のように表される。

「もし、制御パルスが正常に（Ｆ４）Ｌこ出力、且つシ
リンダストロークが当該第２閾値を越え　（Ｆ２）、且
つ湯面レヘルが上昇傾向で（Ｆ３）ある。

ならば、ステンピングモータのケーブル断線あるいはマ
イクロカンプリングの連結不良である。」 この場合、上記ルールの条件部に記載された観測事象（
例えばＦ２．Ｆ３．Ｆ４）に関しては、それぞれ確信度
ＣＦ　Ｉｔ　、ＣＦ　Ｉｓ　、ＣＦ　Ｉａが演算されて
いるが、該確信度のうち１例えば最も値の大きな確信度
を有する観測事象が、抽出されて故障診断に係る推論が
実行される（ステップ５５８）。

即ち、ステップＳ５８が、観測事象毎に演算された確信
度を用いて故障診断を行う機能を実現する第２の故ｗ１
診断手段である。

尚、上記ステップ５８において、演算された確信度のう
ち最も値の大きな確信度を有する観測事象を抽出したが
、例えば最も小さな確信度の観測事象を考慮するような
ルールを適用することもできる。即ち、演算された全て
の観測事象の確信度の内、最小の確信度の演算された観
測事象が、複数の観測事象を論理積（且つ）で備えたル
ールの条件部に存在すれば、当該ルールの結論部を実行
しないような場合である。

そして、今回の推論に適用された観測事象毎の確信度Ｃ
ＦＩは、上記記憶部２ｏに保存され、次回のトリガ信号
受信時に上記（５）式の演算に適用される。

一方、ルールを用いた推論において、観測事象の確信度
を適用する例としては、上記したものに限定されず、例
えばルール中の条件部に確信度の閾値を付帯条件として
設定することのできる。

もちろん、ルール中の閾値判断を行わず、全ての観測事
象について確信度付きの条件を付することも可能である
。

このようなルールとしては、次に示すルール例が挙げら
れる。

「もし、制御パルスが正常に（Ｆ４）に出力、且つシリ
ンダストロークが当該第２閾値を越え　（Ｆ２）その確
信度が０．３以下、且つ場面レベルが上昇傾向で（Ｆ３
）その確信度が０．６以上、 ならば、ステッピングモータのケーブル断線あるいはマ
イクロカップリングの連結不良である。」 このような各ルールを用いた推論処理によれば、抽出さ
れた観測事象のみならずその観測事象に帰属する度合を
も加味した推論が行われる。

従って、複雑な因果間係に基づく機器の故障を、例えば
従来の閾値判断のみによる場合と比べて、極めて的確に
検出することができる。

即ち、各観測事象に係る出力データから演算された当該
観測事象の確信度を用いて、故障診断を行う機能を実現
するのが第１の故障診断手段である。

上記故障診断装置１を用いてス）７バ式連続鋳造機２の
故障診断を行った具体例を第１０図及び表１を用いて説
明する。

それによれば、レベル計９の出力データＢの変化量ｖ、
が時系列的に示めされている。この変化量Ｖ、に時刻１
．において図中２で示すデータ欠損のノイズデータが出
現すると、観測事象抽出部１７が上記観測事象Ｆ１を抽
出し、上記変化量Ｖが当該観測事象Ｆ１に係る第１閾値
Ｃ１，より小さくなった時、異常検出部１４がトリガ信
号を発し故障診断部１６に向けて出力する。そして、そ
の時のトリガ累積回数ｎとしては１がカウントされる。

ところが、上記時刻Ｌ１以降、短期間の間に次のトリガ
信号が発せられることがなく、時刻ｔ４において上記レ
ベル計９に何らかの理由で故障が生じたため、時刻Ｌ２
において次のトリガ信号が発せられた。しかしながら、
この間の経過時間Δｔｌｚは比較的長いので、時刻ｔ２
までの間にトリガ回数足し込み量Δｎ（第６図）は減衰
しＯの値にクリアされる。この時、継続性評価間数ｇ（
第５図）及び忘却性評価関数ｆ、（第４図及び（２）式
）はそれぞれ０であるから、この時の第２閾値Ｃ２，は
（３）式よりＯに決定される。従って、その時の観測事
象Ｆ１に係る変化量ｖ１の確信度ＣＦｌ、は０と演算さ
れ、上記レベル計９の出力データＢの変化量Ｖ、がＯで
ある可能性は皆無となる。これは、図中の経過時間Δｔ
＋ｚの間に示される変化量Ｖ、の挙動により明らかであ
る。

上記したように、時刻ｔ４から上記レベル計９の断線に
よる故障が継続したとすると、直後の時刻ｔ２において
時刻ｔ１の時と同様に観測事象Ｆ１が抽出されると共に
トリガ信号が発せられ、この時のトリガ累積回数ｎに１
がカウントされる。

この時の第２閾値Ｃ２，及び確信度ＣＦＩ、も時刻Ｌ１
の時と同様に０である。

続いて、比較的短い経過時間Δｔ２３．△ｔｊ４Δｔａ
ｓの間の、時刻ｔ３．ｔａ、Ｌｓにおいて上記トリガ信
号が次々と発せられているので、上記時刻ｔ３以降、各
時刻Ｌ３＋　　Ｆ４．Ｆ５において上記継続性評価関数
ｇ１及び忘却性評価関数ｆは逐次増大し、それぞれの時
刻毎に上記第２閾値Ｃ２，も逐次増大して決定される。

即ち、上記第２閾値Ｃ２，はトリガ発生毎に上記変化量
ｖ１に対し甘く設定変更されるので、観測事象Ｆ１に係
る確信度ＣＦＩは経時的に増大し、１の値に落ち着く。

この場合、上記経過時間Δｔａｓは経過時間ΔＬ２１．
Δｔ３４に対し比較的長いのでトリガ回数足し込み量Δ
ｎは減衰しているため（第６図）、時刻ｔ、のトリガ累
積回数ｎは３．５の値になっている。

尚、時刻も、以降において、レベル計９の出力データＢ
の観測事象Ｆ１に係る変化量ｖ１が当該第１閾値Ｃｔ、
より大きくなり、異常検出部１４からトリガ信号が発せ
られなくなると、上記確信度ＣＦ！、は図中ｐで示す二
点鎖線の如く減衰して行く。これにより、観測事象Ｆ１
の経時的な変化挙動を知ることができる。

上記した具体例では観測事象Ｆ１に関して述べたが、上
記故障診断部１６は他の観測事象Ｆ２〜Ｆ４についても
同様の各数学モデルを備えている。

ここでは、観測事象Ｆ２の各数学モデルを示す。

上記したように、観測事象Ｆ１は、δＩ　（＞ｏ）とい
う変化量Ｖ、に対する事象判定用の閾値δ１を下回った
ものと考えられる。観測事象Ｆ２ｒ出力信号が閾値を越
えている」は、センサからの生データや加工データ（変
化量、変化率等）を含む出力信号が各データの所定の閾
値を超えた事象を示している。そして、当該閾値が、例
えば観測事象Ｆ１の閾値δ□である場合には、上記観測
事象Ｆ１と関連することになるが、便宜上上記観測事象
Ｆ１とＦ２とは区別して考える。従って、上記閾値δ１
を越えているという観測事象Ｆ２の判定は観測事象Ｆ１
の変化量Ｖｌの軸の正負を反転したものと考えられる。

そこで、上記観測事象Ｆ２に係る第２閾値Ｃ２□を決定
するための、当該第２閾値Ｃ２□の採択度を表す数学モ
デルの例を第１１図に示す、この場合、トリガ信号が発
せられる毎に上記第２閾値Ｃ２ｔはその初期値Ｃ２□。

よりも観測事象Ｆ２に係る変化量ｖ２の値を小さくする
ように移動する。即ち、上記第２閾値Ｃ２□は変化量Ｖ
ｔをより絞り込むために観測事象Ｆ２に係る第１閾値Ｃ
１ｚに向けて移動して決定される。以下、上記観測事象
Ｆ２に係る忘却性評価関数の足し込み量Δｆｔ、継続性
評価関数ｇ、、トリガ回数足し込み量Δｎ、確信度ＣＦ
、をそれぞれ演算するための各数学モデルを第１２図乃
至第１５図に示す。この場合、上記（３）式は、式中の
Ｃ２、−１−Ｃ２，に、ｇ＋　　（Ｃ２＋ａ、　ｎ）を
ｇｔ　　（Ｃ２ｇｏ、ｎ）に、ｒｔ　　（Δｔ、Ｃ２＋
ａ、ＣＩ＋　）をｆ２　　（Δｔ、Ｃ２ｔｏ、ＣＩ□）
にそれぞれ変更して適用され得る。

また、この場合忘却性評価関数ｆｔ′ｃ）リミッタとし
では、次式が与えられる。

ｆ２≧Ｃ１，−Ｃ２□。

上記したように、本実施例に係る故障診断装置１によれ
ば、各観測事象毎に観測事象の継続性及び経時的な減衰
性を反映した観測事象に係る出力データを評価するため
の数学モデルが設けられているので、偶発的な出力信号
或いはデータ欠損等のノイズデータを排除することがで
きる。また、上記観測事象の変化傾向を経時的に把握す
ることが可能となる。

更に、故障診断処理を実行するためのプログラムが機能
別にタスクとして分割されていること、記憶部２０内の
知識ベースが操業条件別に分割されその時の操業条件に
応じて適用できること、あるいは上記数学モデルのパラ
メータとなる経過時間Δ１．）リガ累積回数ｎやその都
度決定された第２閾値Ｃ２，推論に適用された確信度Ｃ
ＦＩをトリガ毎に格納すれば良いことから、センサがら
の生の出力データの全てを格納する必要がなくデータの
圧縮化が図れることのそれぞれにより、上記故障診断装
置１は、ストッパ式連続鋳造１１２からの時系列データ
を的確に把握することが可能で、それに基づいて応答性
の良い推論処理をオンラインリアルタイムに行うことが
できる。特に、観測事象毎の確信度をも用いて故障診断
を行うので、複雑な因果関係に基づく機器の故障をより
的確に検出することができる。

尚、上記実施例では、観測事象に係る出力データを評価
するための第２閾値の決定に際し、観測事象の継続性及
び経時的な減衰性を反映させたが、かならずしもこれら
の両者を一緒に反映させる必要はない。前者は継続的に
発生する事象を抽出する手段であるのに対し後者は逆に
偶発的な事象を無視するための手法で本来両者の相関は
希薄だからである。例えば、経時的な減衰性、即ちトリ
ガ発生時刻間の経過時間のみを反映させてもよい。

この場合、第３図を用いて説明すると、あるトリガ発生
時刻に上記第２閾値Ｃ２＋を第１閾値Ｃ１゜に向けて移
動させ、時間経過とともに初期値Ｃ２，。

に向けて戻すように構成し、ある時刻における第２閾値
Ｃ２，の値を第７図の数学モデルに通用して確信度ＣＦ
、を演算することもできる。

又、観測事象の継続性のみを反映させる場合には、第３
図において、第２閾値Ｃ２，がトリガ発生毎に初期（ｉ
ｃ２＋ｏから第１閾値Ｃ１，に向けて段階毎に移動し、
最終的に上記第１閾値Ｃ１，に収束するようにすればよ
い。ただし、前回のトリガ発生時から所定時間が経過し
た後にも次のトリガが発生しない場合、上記第２閾値Ｃ
２，は初期値Ｃ２＋。にリセットされるように構成して
おくとよい。

尚、本実施例において、ノイズデータを排除すると共に
より的確な推論処理をオンラインリアルタイムに実行す
るように構成したが、当然ながらオフラインの推論処理
においても通用することができる。

〔発明の効果〕

第１の発明は、上記したように、センサあるいは制御部
からの出力信号を読み取り、該出力信号の観測事象を抽
出する観測事象抽出手段と、上記観測事象毎の所定の閾
値に基づき異常を検出する異常検出手段とを備え、上記
観測事象抽出手段及び上記異常検出手段からの出力デー
タを用いて故障診断を行う故障診断装置において、各観
測事象に係る出力データから当該観測事象の確信度を演
算する第１の確信度演算手段と、上記観測事象毎の確信
度を用いて故障診断を行う第１の故障診断手段とを具備
してなることを特徴とする故障診断装置であるから、上
記出力信号に関して抽出された観測事象の確信度を把握
することができる。それにより、８Ｍな因果関係に基づ
く機器の故障をより的確に検出することができる。

また、第２の発明は、上記したように、センサあるいは
制御部からの出力信号を読み取り、該出力信号の観測事
象を抽出する観測事象抽出手段と、上記観測事象毎の所
定の第１閾値に基づき異常を検出する異常検出手段とを
備え、上記観測事象抽出手段及び上記異常検出手段から
の出力データを用いて故障診断を行う故障診断装置にお
いて、上記異常検出手段からの出力データにより起動さ
れ、上記観測事象抽出手段により抽出された観測事象の
継続性及び／若しくは経時的な減衰性を反映させて、上
記第１閾値よりも出力データを更に絞り込むための第２
閾値を決定する第２閾値決定手段と、該第２閾値決定手
段により決定された第２閾値と上記観測事象に係る出力
データとに基づいて、当該観測事象の確信度を演算する
第２の確信度演算手段と、上記観測事象毎の確信度を用
いて故障診断を行う第２の故障診断手段とを具備してな
ることを特徴とする故障診断装置であるから、上記出力
信号から、例えばノイズデータを排除することが可能で
上記出力信号を時系列データとして的確に把握すること
ができる。それにより複雑な因果関係に基づく故障をよ
り一層的確に検出することが可能となる。

【図面の簡単な説明】

第１図は本発明の一実施例に係るストッパ式連続鋳造機
の故障診断装置を示す概略構成図、第２図は同ストッパ
式連続鋳造機の場面レベル制御の一例を示すブロック図
、第３図は上記故障診断装置の故障診断部にプログラム
として備えられ、観測事象データとしての変化量を評価
するための数学モデルの内第２閾値の採択度を示すグラ
フ、第４図は上記数学モデルの内忘却性評価関数の足し
込み量を示すグラフ、第５図は上記数学モデルの内継続
性評価関数を示すグラフ、第６図は上記数学モデルの内
トリガ回数足し込み量を示すグラフ、第７図は上記数学
モデルの内当該観測事象に係る確信度を演算するための
グラフ、第８図は上記故障診断装置のメインルーチンと
しての処理手順を示すフローチャート、第９図は第８図
の故障診断ステップ（Ｓ５）における処理手順を示すフ
ローチャート、第１０図は上記ストッパ式連続鋳造機の
故障診断装置におけるトリガ挙動、観測事象データ、当
該観測事象に係る確信度を時系列的にそれぞれ示す状態
説明図、第１１図は観測事象「出力信号が閾値を越えて
いる」に係る変化量を評価するだめの数学モデルの内第
２閾値の採択度を示すグラフ、第１２図は第１１図で述
べた数学モデルの内忘却性評価関数の足し込み量を示す
グラフ、第１３図は第１１図で述べた数学モデルの内継
続性評価関数を示すグラフ、第１４図は第１１図で述べ
た数学モデルの内トリガ回数足し込み量を示すグラフ、
第１５図は第１１図で述べた数学モデルの内当該観測事
象に係る確信度を演夏するためのグラフ、第１６図は上
記ストッパ式連続鋳造機のセンサから出力された出力信
号の時系列的変化を示すグラフ、第１７図（ａ）は観測
事象「出力信号の変化量が０である（安定し過ぎ）」に
係る変化量においてデータ欠損が生じた場合を示すグラ
フ、同図（ロ）は同図（ａ）の変化量に係る出力信号を
出力するセンサに故障が生じた場合を示すグラフである
。 〔符号の説明〕 ｌ・・・故障診断装置　　　９・・・レベル計１３・・
・制御部　　　　　１４・・・異常検出部１６・・・故
障診断部 １７・・・観測事象抽出部

Claims (2)

【特許請求の範囲】
1. （１）センサあるいは制御部からの出力信号を読み取り
   、該出力信号の観測事象を抽出する観測事象抽出手段と
   、上記観測事象毎の所定の閾値に基づき異常を検出する
   異常検出手段とを備え、上記観測事象抽出手段及び上記
   異常検出手段からの出力データを用いて故障診断を行う
   故障診断装置において、 各観測事象に係る出力データから当該観測 事象の確信度を演算する第１の確信度演算手段と、 上記観測事象毎の確信度を用いて故障診断 を行う第１の故障診断手段とを具備してなることを特徴
   とする故障診断装置。
2. （２）センサあるいは制御部からの出力信号を読み取り
   、該出力信号の観測事象を抽出する観測事象抽出手段と
   、上記観測事象毎の所定の第１閾値に基づき異常を検出
   する異常検出手段とを備え、上記観測事象抽出手段及び
   上記異常検出手段からの出力データを用いて故障診断を
   行う故障診断装置において、 上記異常検出手段からの出力データにより 起動され、上記観測事象抽出手段により抽出された観測
   事象の継続性及び／若しくは経時的な減衰性を反映させ
   て、上記第１閾値よりも出力データを更に絞り込むため
   の第２閾値を決定する第２閾値決定手段と、 該第２閾値決定手段により決定された第２ 閾値と上記観測事象に係る出力データとに基づいて、当
   該観測事象の確信度を演算する第２の確信度演算手段と
   、 上記観測事象毎の確信度を用いて故障診断 を行う第２の故障診断手段とを具備してなることを特徴
   とする故障診断装置。