JPWO2018083720A1

JPWO2018083720A1 - 異常分析方法、プログラムおよびシステム

Info

Publication number: JPWO2018083720A1
Application number: JP2018548472A
Authority: JP
Inventors: 理史藤塚
Original assignee: NEC Corp
Current assignee: NEC Corp
Priority date: 2016-11-07
Filing date: 2016-11-07
Publication date: 2019-07-25
Anticipated expiration: 2036-11-07
Also published as: US20190243349A1; JP6818242B2; WO2018083720A1

Abstract

本発明は、導入の手間が小さく、かつ異常の真の要因の特定を容易にする異常分析方法、プログラムおよびシステムを提供する。本発明の一実施形態に係る異常分析システム（１００）は、設備に設けられる複数のセンサによって測定された測定値に基づいて、測定値に影響を与える主要因であるセンサを抽出する主要因抽出部（１２０）と、主要因であるセンサによって測定された測定値に加えて、測定値に影響を与える副要因を示す値を用いて、設備の正常な状態を示すモデルを生成する副要因補正部（１３０）と、を備える。副要因を示す値は、センサとは異なる手段によって測定される。

Description

本発明は、センサの測定値を用いて異常の分析を行うための異常分析方法、プログラムおよびシステムに関する。

工場（プラント）において、石油、石炭、天然ガス等の燃料をエネルギー源として生産設備の稼動が行われることが多い。一般的に設備には温度、圧力、流量等を測定する様々な種類のセンサが設けられており、監視システムによってセンサの測定値が監視される。センサの測定値に異常が検出された場合には、異常の要因を速やかに分析し、該要因を解消することが求められる。

ところで、設備の稼動に用いられる燃料は、産出場所や産出時期によってその組成が異なる。そのため燃料を入れ替える際には、同じ種類の燃料を用いる場合であっても、入れ替えの時点の前後においてセンサの測定値の傾向が変化する。燃料の組成の差違は異常の直接的原因ではないことが多いため、その影響を除いて異常分析を行うことが望ましい。燃料の差違のような副要因を考慮せずに異常の要因を分析すると、センサの測定値に異常の真の要因および副要因の影響が混在して含まれるため、真の要因を特定することが難しい場合がある。

特許文献１に記載の技術は、燃料の産地ごとに蓄えられた運転実績データに加えて、プラントの設計および運用条件を模擬して複数の燃料組成について数値解析を行うことによって生成された数値解析データを用いて、モデルを生成する。このようなモデルを用いることによって、燃料の差違による影響を考慮して設備の制御を行うことができる。

特開２００７−２７１１８７号公報

しかしながら、特許文献１に記載の技術は、予め様々な燃料組成について数値解析を行う必要があり、また数値解析の前提としてプラントの設計および運用条件等を正確に設定する必要がある。そのため、該技術の導入には大きな手間が掛かり得る。

本発明は、上述の問題に鑑みて行われたものであって、導入の手間が小さく、かつ異常の真の要因の特定を容易にする異常分析方法、プログラムおよびシステムを提供することを目的とする。

本発明の第１の態様は、異常分析方法であって、設備に設けられる複数のセンサによって測定された測定値に基づいて、前記測定値に影響を与える主要因であるセンサを抽出する工程と、前記主要因であるセンサによって測定された前記測定値に加えて、前記測定値に影響を与える副要因を示す値を用いて、前記設備の正常な状態を示すモデルを生成する工程と、を含み、前記副要因を示す値は、前記センサとは異なる手段によって測定されることを特徴とする。

本発明の第２の態様は、異常分析プログラムであって、コンピュータに、設備に設けられる複数のセンサによって測定された測定値に基づいて、前記測定値に影響を与える主要因であるセンサを抽出する工程と、前記主要因であるセンサによって測定された前記測定値に加えて、前記測定値に影響を与える副要因を示す値を用いて、前記設備の正常な状態を示すモデルを生成する工程と、を実行させ、前記副要因を示す値は、前記センサとは異なる手段によって測定されることを特徴とする。

本発明の第３の態様は、異常分析システムであって、設備に設けられる複数のセンサによって測定された測定値に基づいて、前記測定値に影響を与える主要因であるセンサを抽出する主要因抽出部と、前記主要因であるセンサによって測定された前記測定値に加えて、前記測定値に影響を与える副要因を示す値を用いて、前記設備の正常な状態を示すモデルを生成する副要因補正部と、を備え、前記副要因を示す値は、前記センサとは異なる手段によって測定されることを特徴とする。

本発明によれば、まずセンサの測定値から主要因を抽出し、抽出された主要因に加えて副要因を用いて補正されたモデルを生成するため、異常分析において副要因の影響を考慮して主要因の分析ができ、真の要因の特定が容易になる。また、センサの測定値および副要因を示す値を用いて分析を行うため、プラントの設計やおよび運用条件等に基づく数値解析を行う必要がなく、導入の手間が小さい。

例示的な燃料値およびセンサ値のグラフを示す図である。実施形態に係る異常分析システムのブロック図である。実施形態に係る異常分析システムの概略構成図である。実施形態に係る異常分析方法のフローチャートを示す図である。実施形態に係る主要因抽出処理のフローチャートを示す図である。実施形態に係る副要因補正処理のフローチャートを示す図である。実施形態に係る異常分析システムのブロック図である。

以下、図面を参照して、本発明の実施形態を説明するが、本発明は本実施形態に限定されるものではない。なお、以下で説明する図面で、同機能を有するものは同一符号を付け、その繰り返しの説明は省略することもある。

（実施形態）
図１は、例示的な燃料値のグラフＡおよびセンサ値のグラフＢを示す図である。燃料値のグラフＡの横軸は時間（任意単位）であり、縦軸は燃料値（任意単位）である。燃料値は、燃料の特性を表す数値であり、例えば燃料として石炭を用いる場合には水素、炭素、窒素、酸素、硫黄等の元素含有率、水分、湿分、発熱量、粉砕性、燃料比である。グラフＡは、例示的ないずれか１種類の燃料値を表している。

センサ値のグラフＢの横軸は時間（任意単位）であり、縦軸はセンサ値（任意単位）である。センサ値は、センサによって測定される値であり、例えば燃料を用いて稼動される設備の所定の位置に設けられる温度センサ、圧力センサ、空気量センサである。グラフＢは、例示的ないずれか１種類のセンサ値を表している。図１において、グラフＡおよびグラフＢの横軸の時間は一致している。

グラフＡにおいて、ある時点Ｃの前後で燃料値が変化している。このような離散的な変化は、例えばある産地の燃料から別の産地の燃料に入れ替える場合に発生する。これは、同じ種類の燃料であっても、その産出場所や産出時期によって燃料の組成が異なっており、上述の元素含有率等の燃料値にばらつきがあるためである。

グラフＢにおいて、センサ値は時系列で変化している。このような時系列の変化Ｄは何らかの要因や誤差によって複合的に形成される。異常分析においては、グラフＢの時系列の変化Ｄが正常とみなす状態（モデル）から所定の基準を超えて逸脱した場合に異常であると判定される。ここでは異常の直接的な原因になる要素を特に主要因という。主要因としては、設備の劣化や物質の堆積等が挙げられる。

グラフＢにおいて、燃料値が変化する時点Ｃの前後で、センサ値の傾向が変化している。このような傾向の変化Ｅは、燃料値の変化によってもたらされたものである。しかしながら、燃料値の変化は、異常の直接的な原因にならないことが多い。異常の直接的な原因ではない要素（ここでは燃料値）を特に副要因という。副要因は、異常分析において異常の原因である主要因の特定を阻害する場合があるため、除去されることが望ましい。

従来、センサ値に対する外乱の影響を除去するために、回帰分析が用いられ得る。その場合には、センサ値を目的変数とし、外乱を説明変数として回帰を行う。そして、回帰結果として得られた外乱の影響をセンサ値から除外してモデルを生成することができる。しかしながら、燃料値がセンサ値の変動をもたらす主要因でない状況では、単純に燃料値を説明変数として回帰を行ったとしても、他に主要因が存在するために適切に回帰を行うことができないおそれがある。そのため、従来の単純な回帰を用いても、異常分析において副要因（燃料値）の影響を適切に除外することができない。

それに対して、本実施形態によれば、後述する主要因抽出処理および副要因補正処理において、主要因および副要因の存在を考慮することによって従来よりも正確に回帰を行い、モデルに対する副要因の影響を低減することができる。

図２は、本実施形態に係る異常分析システム１００のブロック図である。図２において、矢印は主なデータの流れを示しており、図２に示したもの以外のデータの流れがあってよい。図２において、各ブロックはハードウェア（装置）単位の構成ではなく、機能単位の構成を示している。そのため、図２に示すブロックは単一の装置内に実装されてよく、あるいは複数の装置内に別れて実装されてよい。ブロック間のデータの授受は、データバス、ネットワーク、可搬記憶媒体等、任意の手段を介して行われてよい。

異常分析システム１００は、処理部として、センサ値取得部１１０、主要因抽出部１２０、副要因補正部１３０、モデル出力部１４０および異常分析部１５０を備える。また、異常分析システム１００は、記憶部として、副要因変数記憶部１６１およびモデル記憶部１６２を備える。

センサ値取得部１１０は、分析対象の設備に設けられている２つ以上のセンサ１１１によって測定された時系列の測定値（センサ値）を示す情報を取得する。センサ値取得部１１０は、センサ１１１からセンサ値を逐次受け取ってよく、あるいは所定の時間分のセンサ値をまとめて受け取ってよい。また、センサ値取得部１１０は、予めセンサ１１１から受け取って異常分析システム１００内に記録されたセンサ値を読み出してもよい。センサ１１１は、温度センサ、圧力センサ、空気量センサ等の任意のセンサである。センサ１１１は１つ又は複数の種類のセンサを含んでよく、また同じ種類のセンサが複数の場所に設けられてよい。各センサ１１１は、その種類および設置場所によって識別および管理される。

主要因抽出部１２０は、センサ値取得部１１０によって取得されたセンサ値に対して後述の主要因抽出処理を行うことによって、センサ１１１の組を１つ以上、主要因として抽出する。

副要因補正部１３０は、副要因変数記憶部１６１に予め記録された副要因を示す変数（値）を用いて、主要因抽出部１２０によって抽出された主要因であるセンサ１１１の組に対して後述の副要因補正処理を行うことによって、副要因で補正されたモデルを生成する。副要因を示す変数は、センサ１１１とは異なる方法によって予め測定され、時系列のデータとして副要因変数記憶部１６１に記録される。本実施形態において、副要因を示す変数として燃料値が用いられる。燃料値は、例えば燃料中の水素、炭素、窒素、酸素、硫黄等の元素含有率、水分、湿分、発熱量、粉砕性、燃料比であり、燃料に対して工業分析等を行うことによって測定される。副要因を示す変数は任意のデータ形式（ファイル形式）で表されてよく、例えばバイナリデータ又はテキストデータでよい。また、副要因を示す変数はバイナリファイル又はテキストファイルとして副要因変数記憶部１６１に記録されてよく、あるいはデータベースのテーブルとして副要因変数記憶部１６１に記録されてよい。

モデル出力部１４０は、副要因補正部１３０によって補正された補正モデルを出力し、モデル記憶部１６２に記録する。補正モデルは任意のデータ形式（ファイル形式）で表されてよく、例えばバイナリデータ又はテキストデータでよい。また、補正モデルはバイナリファイル又はテキストファイルとしてモデル記憶部１６２に記録されてよく、あるいはデータベースのテーブルとしてモデル記憶部１６２に記録されてよい。

異常分析部１５０は、センサ値取得部１１０によって取得されたセンサ値と、モデル記憶部１６２に記録された補正モデルとを比較することによって、異常に関連する要因の分析を行う。

図３は、本実施形態に係る異常分析システム１００の例示的な機器構成を示す概略構成図である。異常分析システム１００は、ＣＰＵ（ＣｅｎｔｒａｌＰｒｏｃｅｓｓｉｎｇ
Ｕｎｉｔ）１０１と、メモリ１０２と、記憶装置１０３と、通信インターフェース１０４とを備える。異常分析システム１００は独立した装置でよく、あるいは他の装置と一体に構成されてよい。

通信インターフェース１０４は、データの送受信を行う通信部であり、有線通信および無線通信の少なくとも一方の通信方式を実行可能に構成される。通信インターフェース１０４は、該通信方式に必要なプロセッサ、電気回路、アンテナ、接続端子等を含む。通信インターフェース１０４は、ＣＰＵ１０１からの信号に従って、該通信方式を用いて通信を行う。通信インターフェース１０４は、例えばセンサ１１１の測定値を示す情報をセンサ１１１から受信する。

記憶装置１０３は、異常分析システム１００が実行するプログラムや、プログラムによる処理結果のデータ等を記憶する。記憶装置１０３は、読み取り専用のＲＯＭ（Ｒｅａｄ
ＯｎｌｙＭｅｍｏｒｙ）や、読み書き可能のハードディスクドライブ又はフラッシュメモリ等を含む。また、記憶装置１０３は、ＣＤ−ＲＯＭ等のコンピュータ読取可能な可搬記憶媒体を含んでもよい。メモリ１０２は、ＣＰＵ１０１が処理中のデータや記憶装置１０３から読み出されたプログラムおよびデータを一時的に記憶するＲＡＭ（ＲａｎｄｏｍＡｃｃｅｓｓＭｅｍｏｒｙ）等を含む。

ＣＰＵ１０１は、処理に用いる一時的なデータをメモリ１０２に一時的に記録し、記憶装置１０３に記録されたプログラムを読み出し、該プログラムに従って該一時的なデータに対して種々の演算、制御、判別などの処理動作を実行する処理部としてのプロセッサである。また、ＣＰＵ１０１は、記憶装置１０３に処理結果のデータを記録し、また通信インターフェース１０４を介して処理結果のデータを外部に送信する。

本実施形態においてＣＰＵ１０１は、記憶装置１０３に記録されたプログラムを実行することによって、図２のセンサ値取得部１１０、主要因抽出部１２０、副要因補正部１３０、モデル出力部１４０および異常分析部１５０として機能する。また、本実施形態において記憶装置１０３は、図２の副要因変数記憶部１６１およびモデル記憶部１６２として機能する。

異常分析システム１００は、図３に示す具体的な構成に限定されない。異常分析システム１００は、１つの装置に限られず、２つ以上の物理的に分離した装置が有線又は無線で接続されることにより構成されていてもよい。異常分析システム１００に含まれる各部は、それぞれ電気回路構成により実現されていてもよい。ここで、電気回路構成とは、単一のデバイス、複数のデバイス、チップセット又はクラウドを概念的に含む文言である。

また、異常分析システム１００の少なくとも一部がＳａａＳ（Ｓｏｆｔｗａｒｅａｓ
ａＳｅｒｖｉｃｅ）形式で提供されてよい。すなわち、異常分析システム１００を実現するための機能の少なくとも一部が、ネットワーク経由で実行されるソフトウェアによって実行されてよい。

図４は、本実施形態に係る異常分析システム１００を用いる異常分析方法のフローチャートを示す図である。異常分析方法は、例えばユーザが異常分析システム１００に対して所定の操作を行うことによって開始される。

まず、センサ値取得部１１０は、分析対象の設備に設けられている２つ以上のセンサ１１１によって測定された時系列の測定値（センサ値）を示す情報を取得する（ステップＳ１１０）。ステップＳ１１０においてセンサ値を取得するセンサ１１１は、設備に設けられているセンサのうち、全てのセンサ又は異常分析の対象として指定された一部のセンサでよい。センサ値取得部１１０は、センサ１１１から通信インターフェース１０４を介してセンサ値を取得してよく、あるいは異常分析システム１００のメモリ１０２又は記憶装置１０３に記録されたセンサ値を読み出して取得してよい。

次に、主要因抽出部１２０は、ステップＳ１１０において取得されたセンサ値に対して図５を用いて後述する主要因抽出処理を行うことによって、センサ１１１の組を１つ以上、主要因として抽出する（ステップＳ１２０）。主要因として抽出されたセンサ１１１の組は、メモリ１０２又は記憶装置１０３に記録される。

次に、副要因補正部１３０は、ステップＳ１２０において抽出された主要因であるセンサ１１１の組に対して図６を用いて後述する副要因補正処理を行うことによって、副要因を用いて補正されたモデルを生成する（ステップＳ１３０）。副要因を用いて補正されたモデルは、補正モデルとしてモデル記憶部１６２に記録される。

最後に、異常分析部１５０は、センサ値取得部１１０によって取得されたセンサ値と、モデル記憶部１６２に記録された補正モデルとを比較することによって、異常に関連する要因の分析を行う（ステップＳ１４０）。モデルを用いた異常要因の分析には、公知の方法を用いてよい。

図４のフローチャートでは異常要因分析（ステップＳ１４０）は主要因抽出処理（ステップＳ１２０）および副要因補正処理（ステップＳ１３０）の後に行われるが、異常要因分析の開始タイミングは任意に設定されてよい。例えば本発明とは別の監視システム等によって異常の発生（又は予兆）が検出されたことをトリガとして、異常要因分析が開始されてよい。あるいは、ユーザによって異常分析システム１００に対して所定の操作が行われたことをトリガとして、異常要因分析が開始されてよい。

図５は、本実施形態に係る異常分析システム１００において実行される主要因抽出処理のフローチャートを示す図である。主要因抽出処理は、図４のフローチャート中のステップＳ１２０において実行される。

まず主要因抽出部１２０は、センサ値が取得されたセンサ１１１のうち、まだステップＳ１２２での回帰が行われていない２つのセンサ１１１の組を１つ選択する（ステップＳ１２１）。次に主要因抽出部１２０は、ステップＳ１２１で選択されたセンサ１１１の組に対して、回帰を実行する（ステップＳ１２２）。回帰には、例えばインバリアントモデル、すなわちＡＲＸ（Ａｕｔｏ−ＲｅｇｒｅｓｓｉｖｅｗｉｔｈｅＸｏｇｅｎｏｕｓ
ｉｎｐｕｔ）モデルによる最小二乗法を用いる。インバリアントモデルでは、変数間（ここでは２つのセンサ間）の正常時の関係（不変関係）をモデルとして定義し、該モデルと測定値とを比較することによって異常分析を行う。

具体的な計算式には限定されないが、例として以下の式（１）を用いて回帰を行う。

式（１）において、ｙ_ｉは目的変数、ｘ_ｉは説明変数、ａ_ｉおよびｂ_ｉは回帰係数である。ｉはセンサ１１１の組を識別する番号である。本実施形態では、ｘ_ｉとしてセンサ１１１の組の一方のセンサ値を用い、ｙ_ｉとして他方のセンサ値を用いる。

主要因抽出部１２０は、ステップＳ１１０で取得された時系列のセンサ値を用いて式（１）に対する回帰を行うことによって、ステップＳ１２１で選択されたセンサ１１１の組についての回帰係数を算出する。

ステップＳ１１０でセンサ値が取得されたセンサ１１１の全ての組について回帰が終了していない場合には（ステップＳ１２３のＮＯ）、次のセンサ１１１の組についてステップＳ１２１〜Ｓ１２２を繰り返す。ステップＳ１１０でセンサ値が取得されたセンサ１１１の全ての組について回帰が終了した場合には（ステップＳ１２３のＹＥＳ）、ステップＳ１２４に進む。このとき、ステップＳ１１０でセンサ値が取得されたセンサ１１１の全ての組について式（１）の回帰係数が算出されている。

主要因抽出部１２０は、ステップＳ１２２において取得した回帰結果から、回帰の適合度を算出する。そして、主要因抽出部１２０は、センサ１１１の各組の適合度に従って、主要因とみなすセンサ１１１の組を１つ以上抽出する（ステップＳ１２４）。本実施形態では、回帰の適合度を表す指標として決定係数（寄与率ともいう）を用いる。

決定係数Ｒ^２は、具体的な計算式には限定されないが、例えば以下の式（２）から算出される。

式（２）において、ｙ_ｊは測定値、ｆ_ｊは回帰式による推定値、Ｙはｙ_ｊの平均値である。本実施形態では、ｙ_ｊとしてセンサ値を用い、ｆ_ｊとしてステップＳ１２２において取得した回帰結果を用いる。

式（２）によって算出された決定係数Ｒ^２は、その値が大きいほど（すなわち１に近いほど）回帰結果がより測定値に適合していることを示す。そのため、主要因抽出部１２０は、決定係数Ｒ^２を適合度として用いることができる。回帰結果が測定値に適合している度合を示せるものであれば、決定係数Ｒ^２に限らずその他の指標を用いてよい。

主要因抽出部１２０は、適合度が所定の基準を満たすセンサ１１１の組を１つ以上、主要因として抽出する。具体的な抽出基準として、例えば適合度が所定の値より大きい全ての組を主要因として抽出してよく、あるいは適合度が大きい順に所定の数の組を主要因として抽出してよい。また、適合度が高いセンサ１１１の組を選択可能なその他の抽出基準を用いてよい。

主要因抽出部１２０は、ステップＳ１２４で抽出した主要因であるセンサ１１１の組を出力する（ステップＳ１２５）。主要因として抽出されたセンサ１１１の組は、メモリ１０２又は記憶装置１０３に一時的に記録される。

図６は、本実施形態に係る異常分析システム１００において実行される副要因補正処理のフローチャートを示す図である。副要因補正処理は、図４のフローチャート中のステップＳ１３０において実行される。

まず副要因補正部１３０は、主要因として抽出されたセンサ１１１の組のうち、まだステップＳ１３２での回帰が行われていない２つのセンサ１１１の組を１つ選択する（ステップＳ１３１）。次に副要因補正部１３０は、ステップＳ１３１で選択されたセンサ１１１の組に対して、副要因を示す変数（値）を加えて改めて回帰を実行する（ステップＳ１３２）。副要因の変数は、主要因の他に存在し得る除去したい要因であり、センサ１１１によるとは異なる方法によって予め測定される。本実施形態では副要因の変数は燃料の特性を示す燃料値であり、予め燃料に対して工業分析等を行うことによって測定され、時系列のデータとして副要因変数記憶部１６１に記録される。燃料値の種類は、例えば燃料中の水素、炭素、窒素、酸素、硫黄等の元素含有率、水分、湿分、発熱量、粉砕性、燃料比である。回帰の方法としては、主要因抽出処理と同じ方法を用いてよい。

具体的な計算式には限定されないが、例として以下の式（３）を用いて回帰を行う。

式（３）において、ｙ_ｋは目的変数、ｘ_ｋは主要因の説明変数、ｚ_ｌは副要因の説明変数、ａ_ｋ、ｂ_ｋおよびｃ_ｋｌは回帰係数である。ｋはセンサ１１１の組を識別する番号である。本実施形態では、ｘ_ｋとしてセンサ１１１の組の一方のセンサ値を用い、ｙ_ｋとして他方のセンサ値を用いる。ｚ_ｌは副要因を示す変数である各種類の燃料値（水分、湿分、発熱量等）であり、ｌは燃料値の種類を識別する番号である。

副要因補正部１３０は、ステップＳ１１０で取得された時系列のセンサ値および副要因変数記憶部１６１から読み出された副要因を示す変数を用いて式（３）に対する回帰を行うことによって、ステップＳ１３１で選択されたセンサ１１１の組についての回帰係数を算出する。このように先に抽出された主要因を示す変数に副要因を示す変数を加えて回帰を行うことにより、副要因を示す変数によって補正された回帰結果が得られる。

主要因として抽出されたセンサ１１１の全ての組について回帰が終了していない場合には（ステップＳ１３３のＮＯ）、次のセンサ１１１の組についてステップＳ１３１〜Ｓ１３２を繰り返す。主要因として抽出されたセンサ１１１の全ての組について回帰が終了した場合には（ステップＳ１３３のＹＥＳ）、ステップＳ１３４に進む。このとき、主要因として抽出されたセンサ１１１の全ての組について式（３）の回帰係数が算出されている。

副要因補正部１３０は、ステップＳ１３２で副要因を示す変数によって補正された回帰結果を、補正モデルとして出力する（ステップＳ１３４）。補正モデルは、モデル記憶部１６２に記録され、異常分析に用いられる。

式（３）に対して公知の変数選択手法を適用してよい。例えば変数選択手法としてＬ１正則化を用いると、回帰への影響が小さい項の回帰係数（ｃ_ｋｌ）をゼロにすることができる。回帰への影響が小さい項が存在すると、過剰な推定による誤差が発生する場合がある。すなわち、モデル構築の際に回帰への影響が小さい項が多数存在する学習データに過剰に適合してしまい、他のデータに対しては推定精度が悪くなるおそれがある。それに対して、変数選択手法を適用して回帰への影響が小さい項をゼロにすることによって、過剰な推定を抑制し、推定精度を向上させることができる。また、式（３）では副要因の説明変数の数が多い場合に計算量が大きくなるが、このような変数選択手法を適用することによって説明変数を減らすことができるため、計算量を削減することができる。

本実施形態において異常分析システム１００のＣＰＵ１０１は、図４〜６に示す処理に含まれる各ステップ（工程）の主体となる。すなわち、ＣＰＵ１０１は、図４〜６に示す処理を実行するためのプログラムをメモリ１０２又は記憶装置１０３から読み出し、該プログラムを実行して異常分析システム１００の各部を制御することによって図４〜６に示す処理を実行する。また、図４〜６に示す処理の少なくとも一部が、ＣＰＵ１０１ではなく、専用の装置又は電気回路によって行われてもよい。

本実施形態では、主要因抽出部１２０による主要因の抽出に２つのセンサ１１１間の関係（すなわちインバリアントモデル）を用いたが、センサ値を用いて主要因を抽出できればこれに限られない。例えば、主要因の抽出に１つのセンサ１１１を用いてよい。この場合には、回帰に１つのセンサ１１１の自己回帰モデル、すなわちＡＲ（Ａｕｔｏ−Ｒｅｇｒｅｓｓｉｖｅ）モデルを用いる。主要因抽出部１２０は、自己回帰モデルを用いた回帰結果から各センサ１１１の適合度を算出し、該適合度に従って主要因とみなすセンサ１１１を１つ以上抽出することができる。

本実施形態では副要因を示す変数として燃料値を用いたが、主要因の他に存在し得る除去したい要因を示すその他の値を用いてよい。例えば、副要因を示す変数として、気温又は気圧を用いてよい。気温又は気圧は季節的な変動によってセンサ値の傾向を変動させ得るが、異常の直接的な原因でないことが多いためである。本実施形態を適用すると、気温又は気圧によるセンサ値への影響を除去できるため、異常の真の要因の分析が容易になる。

本実施形態に係る異常分析システム１００は、回帰によって主要因を抽出した後に、副要因を示す変数を加えて改めて回帰を行うことによって、副要因によって補正されたモデルを生成する。このような構成により、主要因とは異なる副要因の影響を考慮してモデルを得ることができるため、異常分析において真の要因の特定を容易にすることができる。また、異常分析システム１００は、センサ値とともに副要因の時系列の情報を取得するだけで分析を行うことができるため、プラントの設計やおよび運用条件等に基づく数値解析を行う必要がなく、導入の手間が小さい。

（その他の実施形態）
図７は、上述の各実施形態に係る異常分析システム１００のブロック図である。図７には、異常分析システム１００がセンサの測定値から主要因を抽出し、さらに主要因を示す値に加えて副要因を示す値を用いて補正されたモデルを生成する装置として機能するための構成例が示されている。異常分析システム１００は、設備に設けられる複数のセンサによって測定された測定値に基づいて、前記測定値に影響を与える主要因であるセンサを抽出する主要因抽出部１２０と、前記主要因であるセンサによって測定された前記測定値に加えて、前記測定値に影響を与える副要因を示す値を用いて、前記設備の正常な状態を示すモデルを生成する副要因補正部１３０と、を備え、前記副要因を示す値は、前記センサとは異なる手段によって測定される。

本発明は、上述の実施形態に限定されることなく、本発明の趣旨を逸脱しない範囲において適宜変更可能である。

上述の実施形態の機能を実現するように該実施形態の構成を動作させるプログラム（より具体的には、図４〜６に示す処理をコンピュータに実行させるログ分析プログラム）を記録媒体に記録させ、該記録媒体に記録されたプログラムをコードとして読み出し、コンピュータにおいて実行する処理方法も各実施形態の範疇に含まれる。すなわち、コンピュータ読取可能な記録媒体も各実施形態の範囲に含まれる。また、上述のプログラムが記録された記録媒体はもちろん、そのプログラム自体も各実施形態に含まれる。

該記録媒体としては例えばフロッピー（登録商標）ディスク、ハードディスク、光ディスク、光磁気ディスク、ＣＤ−ＲＯＭ、磁気テープ、不揮発性メモリカード、ＲＯＭを用いることができる。また該記録媒体に記録されたプログラム単体で処理を実行しているものに限らず、他のソフトウェア、拡張ボードの機能と共同して、ＯＳ上で動作して処理を実行するものも各実施形態の範疇に含まれる。

上述の実施形態の一部又は全部は、以下の付記のようにも記載されうるが、以下には限られない。

（付記１）
設備に設けられる複数のセンサによって測定された測定値に基づいて、前記測定値に影響を与える主要因であるセンサを抽出する工程と、
前記主要因であるセンサによって測定された前記測定値に加えて、前記測定値に影響を与える副要因を示す値を用いて、前記設備の正常な状態を示すモデルを生成する工程と、
を含み、
前記副要因を示す値は、前記センサとは異なる手段によって測定されることを特徴とする異常分析方法。

（付記２）
前記主要因を抽出する工程は、２つの前記センサの組の前記測定値に基づいて、前記主要因である前記センサの組を抽出し、
前記モデルを生成する工程は、前記主要因であるセンサの組によって測定された前記測定値を用いて、前記モデルを生成することを特徴とする、付記１に記載の異常分析方法。

（付記３）
前記主要因を抽出する工程は、前記測定値に対して回帰を行うことによって、前記主要因であるセンサを抽出することを特徴とする、付記１又は２に記載の異常分析方法。

（付記４）
前記主要因を抽出する工程は、前記測定値を説明変数として、前記回帰を行うことを特徴とする、付記３に記載の異常分析方法。

（付記５）
前記主要因を抽出する工程は、前記回帰の適合度に従って、前記主要因であるセンサを抽出することを特徴とする、付記３又は４に記載の異常分析方法。

（付記６）
前記モデルを生成する工程は、前記主要因であるセンサによって測定された前記測定値および前記副要因を示す前記値に対して回帰を行うことによって、前記モデルを生成することを特徴とする、付記１〜５のいずれか一項に記載の異常分析方法。

（付記７）
前記モデルを生成する工程は、前記主要因であるセンサによって測定された前記測定値および前記副要因を示す前記値を説明変数として、前記回帰を行うことを特徴とする、付記６に記載の異常分析方法。

（付記８）
前記副要因を示す前記値は前記設備を稼動させる燃料の特性を示す値であることを特徴とする、付記１〜７のいずれか一項に記載の異常分析方法。

（付記９）
前記測定値および前記モデルに基づいて異常分析を行う工程をさらに備えることを特徴とする、付記１〜８のいずれか一項に記載の異常分析方法。

（付記１０）
コンピュータに、
設備に設けられる複数のセンサによって測定された測定値に基づいて、前記測定値に影響を与える主要因であるセンサを抽出する工程と、
前記主要因であるセンサによって測定された前記測定値に加えて、前記測定値に影響を与える副要因を示す値を用いて、前記設備の正常な状態を示すモデルを生成する工程と、
を実行させ、
前記副要因を示す値は、前記センサとは異なる手段によって測定されることを特徴とする異常分析プログラム。

（付記１１）
設備に設けられる複数のセンサによって測定された測定値に基づいて、前記測定値に影響を与える主要因であるセンサを抽出する主要因抽出部と、
前記主要因であるセンサによって測定された前記測定値に加えて、前記測定値に影響を与える副要因を示す値を用いて、前記設備の正常な状態を示すモデルを生成する副要因補正部と、
を備え、
前記副要因を示す値は、前記センサとは異なる手段によって測定されることを特徴とする異常分析システム。

Claims

設備に設けられる複数のセンサによって測定された測定値に基づいて、前記測定値に影響を与える主要因であるセンサを抽出する工程と、
前記主要因であるセンサによって測定された前記測定値に加えて、前記測定値に影響を与える副要因を示す値を用いて、前記設備の正常な状態を示すモデルを生成する工程と、
を含み、
前記副要因を示す値は、前記センサとは異なる手段によって測定されることを特徴とする異常分析方法。
前記主要因を抽出する工程は、２つの前記センサの組の前記測定値に基づいて、前記主要因である前記センサの組を抽出し、
前記モデルを生成する工程は、前記主要因であるセンサの組によって測定された前記測定値を用いて、前記モデルを生成することを特徴とする、請求項１に記載の異常分析方法。
前記主要因を抽出する工程は、前記測定値に対して回帰を行うことによって、前記主要因であるセンサを抽出することを特徴とする、請求項１又は２に記載の異常分析方法。
前記主要因を抽出する工程は、前記測定値を説明変数として、前記回帰を行うことを特徴とする、請求項３に記載の異常分析方法。
前記主要因を抽出する工程は、前記回帰の適合度に従って、前記主要因であるセンサを抽出することを特徴とする、請求項３又は４に記載の異常分析方法。
前記モデルを生成する工程は、前記主要因であるセンサによって測定された前記測定値および前記副要因を示す前記値に対して回帰を行うことによって、前記モデルを生成することを特徴とする、請求項１〜５のいずれか一項に記載の異常分析方法。
前記モデルを生成する工程は、前記主要因であるセンサによって測定された前記測定値および前記副要因を示す前記値を説明変数として、前記回帰を行うことを特徴とする、請求項６に記載の異常分析方法。
前記副要因を示す前記値は前記設備を稼動させる燃料の特性を示す値であることを特徴とする、請求項１〜７のいずれか一項に記載の異常分析方法。
前記測定値および前記モデルに基づいて異常分析を行う工程をさらに備えることを特徴とする、請求項１〜８のいずれか一項に記載の異常分析方法。
コンピュータに、
設備に設けられる複数のセンサによって測定された測定値に基づいて、前記測定値に影響を与える主要因であるセンサを抽出する工程と、
前記主要因であるセンサによって測定された前記測定値に加えて、前記測定値に影響を与える副要因を示す値を用いて、前記設備の正常な状態を示すモデルを生成する工程と、
を実行させ、
前記副要因を示す値は、前記センサとは異なる手段によって測定されることを特徴とする異常分析プログラム。
設備に設けられる複数のセンサによって測定された測定値に基づいて、前記測定値に影響を与える主要因であるセンサを抽出する主要因抽出部と、
前記主要因であるセンサによって測定された前記測定値に加えて、前記測定値に影響を与える副要因を示す値を用いて、前記設備の正常な状態を示すモデルを生成する副要因補正部と、
を備え、
前記副要因を示す値は、前記センサとは異なる手段によって測定されることを特徴とする異常分析システム。