JPWO2020152741A1 - 異常要因推定装置、異常要因推定方法、及びプログラム - Google Patents

異常要因推定装置、異常要因推定方法、及びプログラム Download PDF

Info

Publication number
JPWO2020152741A1
JPWO2020152741A1 JP2020567675A JP2020567675A JPWO2020152741A1 JP WO2020152741 A1 JPWO2020152741 A1 JP WO2020152741A1 JP 2020567675 A JP2020567675 A JP 2020567675A JP 2020567675 A JP2020567675 A JP 2020567675A JP WO2020152741 A1 JPWO2020152741 A1 JP WO2020152741A1
Authority
JP
Japan
Prior art keywords
abnormality
sensor data
unit
factor
tendency
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.)
Granted
Application number
JP2020567675A
Other languages
English (en)
Other versions
JP7012888B2 (ja
Inventor
泰弘 遠山
泰弘 遠山
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
Original Assignee
Mitsubishi Electric 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
Application filed by Mitsubishi Electric Corp filed Critical Mitsubishi Electric Corp
Publication of JPWO2020152741A1 publication Critical patent/JPWO2020152741A1/ja
Application granted granted Critical
Publication of JP7012888B2 publication Critical patent/JP7012888B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F24F11/32—Responding to malfunctions or emergencies
    • F24F11/38—Failure diagnosis
    • 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
    • G05B23/0232—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 qualitative trend analysis, e.g. system evolution
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Signal Processing (AREA)
  • Combustion & Propulsion (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Automation & Control Theory (AREA)
  • General Physics & Mathematics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

異常要因装置（１）は、対象機器に設置されたセンサからセンサデータを取得するセンサデータ取得部（６）と、センサデータ取得部（６）が取得したセンサデータを、センサデータの正常値域を示す正常モデルと比較することにより、センサデータの異常傾向を検出する異常傾向検出部（８）と、異常傾向検出部（８）が検出した異常傾向を、過去のセンサデータの異常傾向と対象機器の異常要因とが対応付けられた異常要因モデルと比較することにより、対象機器の異常要因を推定する異常要因推定部（９）と、を備えている。

Description

本発明は、機器の異常要因を推定する異常要因推定装置に関する。
プラント装置、製造装置、昇降機、空調機等の対象機器における故障、動作不良等の異常発生時に対象機器の保守作業を効率化するために、対象機器の異常要因を特定すること、及び対象機器の異常発生を予測し、予防することは有用である。そのような技術に関する文献として、例えば、特許文献１が挙げられる。
特許文献１には、プラントにおいて、プラント管理者又は運転員へ、対象機器の異常発生時にどのようなアクションを起こせば良いかの判断の指針を与えることを目的としたプロセス監視診断装置が記載されている。
当該プロセス監視診断装置は、対象プロセスに設置されているセンサにより計測されたプロセスデータを取得し、当該プロセスデータに基づいて算出した異常検出用データが、当該プロセスデータの乖離度に基づいて算出した閾値を超えるか否かを判断することで異常レベルを判定する。また、当該プロセス監視診断装置は、当該異常検出用データについての、プロセス変数ごとの寄与量を算出する。当該プロセス変数は、操作量センサ及びプロセスセンサを表し、当該寄与量は、プロセス変数が、発生する異常に対してどれだけ寄与するかを示す。プロセス監視診断装置は、このような寄与量が閾値を超えるプロセス変数がいくつ抽出されるかを判定することにより、異常の種類が操作量センサ及びプロセスセンサの異常によるものか、又は、プロセスの異常によるものなのかを識別する。
特開２０１４−９６０５０号公報
上記の特許文献１に記載の発明のように、従来の手法では、プラント装置、製造装置、昇降機、空調機等の対象機器に対して異常要因を特定するとき、正常データから一定以上外れた信号をもとに、対象機器の異常要因を推定する。当該手法では、信号が正常データから外れたか否かの判定が、単純に信号が閾値を超えたか否かの閾値判定であり、複数の信号が閾値を超えた場合、閾値を超えた信号の組み合わせと対象機器の異常要因とが１対１で対応付けられる。
しかし、上記のような手法では、信号が閾値を超えた場合と信号が閾値を超えない場合との２つの場合分けしかできないため、複数の異常要因の候補を推定する場合がある。その場合、異常要因の候補を複数示すのみであり、異常要因を特定できない。
この発明は、上記のような問題点を解決するためになされたものであり、対象機器の異常要因を推定する技術において、閾値判定による異常要因の推定よりも異常要因を特定することができる技術を提供することを目的とする。
この発明に係る異常要因推定装置は、対象機器に設置されたセンサからセンサデータを取得するセンサデータ取得部と、センサデータ取得部が取得したセンサデータを、センサデータの正常値域を示す正常モデルと比較することにより、センサデータの異常傾向を検出する異常傾向検出部と、異常傾向検出部が検出した異常傾向を、過去のセンサデータの異常傾向と対象機器の異常要因とが対応付けられた異常要因モデルと比較することにより、対象機器の異常要因を推定する異常要因推定部と、を備えている。
対象機器の異常要因を推定する技術において、閾値判定による異常要因の推定よりも異常要因を特定することができる。
実施の形態１に係る異常要因推定装置の構成を示すブロック図である。 実施の形態１に係る異常要因推定方法を示すフローチャートである。 実施の形態１に係る異常要因推定装置が用いるセンサデータを説明するための表である。 実施の形態１に係る異常要因推定装置がセンサデータをフェーズごとに分割する工程の例を説明するためのグラフである。 図５Ａ及び図５Ｂは、それぞれ、実施の形態１に係る異常要因推定装置が生成及び使用する正常モデルの例を説明するためのグラフである。 実施の形態１に係る異常要因推定装置が生成及び使用する異常要因モデルの例を説明するためのグラフである。 実施の形態１に係る異常要因推定装置が対象機器の異常要因を推定する工程の例を説明するための図である。 実施の形態２に係る異常要因推定装置の構成を示すブロック図である。 実施の形態２に係る異常要因推定方法を示すフローチャートである。 図１０Ａは、実施の形態１、２に係る空調制御装置の機能を実現するハードウェア構成を示すブロック図である。図１０Ｂは、実施の形態１、２に係る空調制御装置の機能を実現するソフトウェアを実行するハードウェア構成を示すブロック図である。
以下、この発明をより詳細に説明するため、この発明を実施するための形態について、添付の図面に従って説明する。
実施の形態１．
図１は、実施の形態１に係る異常要因推定装置１の構成を示すブロック図である。図１が示すように、異常要因推定装置１は、通信部２、処理部３、記憶部４、及び出力部５を備えている。処理部３は、センサデータ取得部６、フェーズ分割部７、異常傾向検出部８、異常要因推定部９、正常モデル生成部１０、及び異常要因モデル生成部１１を備えている。記憶部４は、センサデータ格納部１２、正常モデル格納部１３、及び異常要因モデル格納部１４を備えている。
通信部２は、図示しない対象機器に設置されたセンサから、センサデータを受信する。通信部２は、当該対象機器から、対象機器の動作に関する設定値、対象機器が正しく動作したか否かを示すＯＫ／ＮＧ判定情報等をさらに受信してもよい。通信部２は、受信したセンサデータをセンサデータ取得部６に出力する。なお、本願では、異常要因推定装置１が異常要因を推定する対象である機器を「対象機器」と呼称する。対象機器の例として、プラント装置、製造装置、昇降機、及び空調機等が挙げられる。
センサデータ取得部６は、通信部２からセンサデータを取得する。センサデータ取得部６は、取得したセンサデータをフェーズ分割部７に出力するか、又は、センサデータ格納部１２に格納する。センサデータの項目の例として、気温、湿度、振動、回転速度、電流、及び電圧等が挙げられる。センサデータ取得部６は、センサデータを収集し、収集したセンサデータをこれらの項目ごとに分類してもよい。
フェーズ分割部７は、センサデータ取得部６からセンサデータを取得するか、センサデータ格納部１２からセンサデータを読み出し、取得又は読み出したセンサデータを、フェーズごとに分割することで分割センサデータを生成する。フェーズ分割部７は、生成した分割センサデータを異常傾向検出部８又は正常モデル生成部１０に出力する。フェーズ分割部７は、生成した分割センサデータを記憶部４に格納してもよい。フェーズの例として、センサデータの値が対象機器の動作の設定によって区別されるフェーズ、センサデータの波形の特徴によって区別されるフェーズ等が挙げられる。より具体的には、フェーズの例として、ロボットによる部品ピックアップのフェーズ、ロボットによる部品はめ込みのフェーズ、アームの伸び動作のフェーズ、アームの縮み動作のフェーズ、アームの回転動作のフェーズ、上昇している波形のフェーズ、及び下降している波形のフェーズ等が挙げられる。フェーズ分割部７は、センサデータをこのようなフェーズごとに分割する際に、対象機器の動作に関する設定値、対象機器の動作の特徴等を参照してもよい。
異常傾向検出部８は、センサデータの正常値域を示す正常モデルを正常モデル格納部１３から読み出し、センサデータ取得部６が取得したセンサデータを、当該正常モデルと比較することにより、センサデータの異常傾向を検出する。より詳細には、異常傾向検出部８は、フェーズ分割部７が分割した分割センサデータを、当該分割センサデータのフェーズに対応する正常モデルと比較することにより、分割センサデータの異常傾向を検出する。異常傾向検出部８は、分割センサデータの異常傾向を検出する際に、比較に用いる分割センサデータを記憶部４から読み出してもよい。異常傾向検出部８は、検出した異常傾向と、検出に用いた分割センサデータのフェーズとを対応付けたデータセットを生成し、当該データセットを異常要因推定部９又は異常要因モデル生成部１１に出力する。異常傾向検出部８は、当該データセットを記憶部４に格納してもよい。なお、本願において、センサデータの異常傾向とは、センサデータの正常値域を基準とした、センサデータの値の外れ方を意味する。よって、センサデータの異常傾向は、正常値域に対して大きい又は小さいという指標のみならず、センサデータの値と正常値域の値との差の程度を示し得る。また、センサデータの異常傾向は、
所定の期間における、センサデータの波形と正常値域の波形との差異を示し得る。より具体的には、センサデータの異常傾向の例として、正常値域に対して値が大きい、正常値域に対して値がさらに大きい、正常値域に対して値が小さい、正常値域に対して値がさらに小さい、正常値域の上限値及び下限値の平均値よりも振動増加、正常値域の上限値及び下限値の平均値よりもパルス状などが挙げられる。例えば、センサデータの異常傾向は、これらの異常傾向を数値化したものであってもよい。正常モデルの詳細については後述する。
異常要因推定部９は、過去のセンサデータの異常傾向と対象機器の異常要因とが対応付けられた異常要因モデルを異常要因モデル格納部１４から読み出し、異常傾向検出部８が検出した異常傾向を、当該異常要因モデルと比較することにより、対象機器の異常要因を推定する。より詳細には、異常要因推定部９は、異常傾向検出部８が検出に用いた分割センサデータのフェーズと異常傾向検出部８が検出した異常傾向とが対応付けられたデータセットを、当該フェーズと同一のフェーズと過去のセンサデータの異常傾向と対象機器の異常要因とが対応付けられた異常要因モデルと比較することにより、対象機器の異常要因を推定する。異常要因推定部９は、対象機器の異常要因を推定する際に、比較に用いる異常傾向を記憶部４から読み出してもよい。異常要因推定部９は、推定した異常要因を出力部５に出力する。異常要因推定部９は、推定した異常要因を記憶部４に格納してもよい。なお、本願において、対象機器の異常要因とは、対象機器における故障、動作不良等の異常発生の基となった要因を意味する。より具体的には、対象機器の異常要因の例として、対象機器の特定の動作に関する特定の設定値の不良、対象機器における特定の設備の故障等が挙げられる。対象機器の異常要因は、これらの情報を示すコードであってもよい。その場合、異常要因モデル格納部１４は，当該コードと、当該コードが示す異常要因の情報とが対応付けられた表を格納していてもよい。異常要因モデルの詳細については後述する。
出力部５は、異常要因推定部９が推定した異常要因を出力する。出力部５は、異常傾向検出部８が検出した異常傾向をさらに出力してもよい。出力部５の例として、対象機器の異常要因を表示するディスプレイ等が挙げられる。
正常モデル生成部１０は、センサデータ取得部６が取得したセンサデータに基づいて、センサデータの正常値域を示す正常モデルを生成する。より詳細には、正常モデル生成部１０は、フェーズ分割部７が生成した分割センサデータに基づいて、当該分割センサデータのフェーズに対応する正常モデルを生成する。正常モデル生成部１０は、生成した正常モデルを正常モデル格納部１３に格納する。正常モデルの詳細については後述する。
異常要因モデル生成部１１は、異常傾向検出部８が検出した異常傾向と、対象機器の異常要因とを対応付けることにより、過去のセンサデータの異常傾向と対象機器の異常要因とが対応付けられた異常要因モデルを生成する。より詳細には、異常要因モデル生成部１１は、異常傾向検出部８が検出に用いた分割センサデータのフェーズと、異常傾向検出部８が検出した異常傾向と、対象機器の異常要因とを対応付けることにより、異常要因モデルを生成する。異常要因モデル生成部１１は、生成した異常要因モデルを異常要因モデル格納部１４に格納する。異常要因モデル生成部１１は、このように異常要因モデルを生成する際に、異常傾向検出部８が検出に用いた分割センサデータのフェーズと、異常傾向検出部８が検出した異常傾向とから、当該対象機器の異常要因を推測してもよい。又は、異常要因推定装置１のユーザが、異常要因モデル生成部１１が異常要因モデルを生成できるように、異常傾向検出部８が検出に用いた分割センサデータのフェーズと異常傾向検出部８が検出した異常傾向とに対応する異常要因を、異常要因モデル生成部１１に予め入力してもよい。異常要因モデルの詳細については後述する。
次に、実施の形態１に係る衝突回避装置１の動作について図面を参照して説明する。
図２は、実施の形態１に係る異常要因推定装置１による異常要因推定方法を示すフローチャートである。
図２が示すように、センサデータ取得部６は、通信部２からセンサデータを取得する（ステップＳＴ１）。センサデータ取得部６は、取得したセンサデータをフェーズ分割部７又は記憶部４に出力する。
次に、フェーズ分割部７は、センサデータ取得部６からセンサデータを取得するか、記憶部４からセンサデータを読み出し、取得又は読み出したセンサデータを、フェーズごとに分割することで分割センサデータを生成する（ステップＳＴ２）。フェーズ分割部７は、生成した分割センサデータを異常傾向検出部８に出力する。なお、本実施形態では、フェーズ分割部７がステップＳＴ２を実行する構成について説明するが、フェーズ分割部７がステップＳＴ２を実行せずに、異常要因推定装置１は、ステップＳＴ３に処理を進めてもよい。
次に、フェーズ分割部７は、異常要因推定装置１の現行の動作モードが、対象機器の異常要因を推定する異常要因推定モードであるか否かを判定する（ステップＳＴ３）。フェーズ分割部７が現行の動作モードが異常要因推定モードであると判定した場合（ステップＳＴ３のＹＥＳ）、異常要因推定装置１は、ステップＳＴ４に処理を進める。フェーズ分割部７が現行の動作モードが異常要因推定モードではないと判定した場合（ステップＳＴ３のＮＯ）、現行の動作モードが正常モデル及び異常要因モデル生成モードであるとして、異常要因推定装置１は、ステップＳＴ６に処理を進める。ステップＳＴ３における異常要因推定装置１の現行の動作モードは、異常要因を推定する必要があるとき、又は正常モデル及び異常要因モデルを生成又は更新する必要があるときに、異常要因推定装置１が予め自動的に設定してもよいし、ユーザが予め設定してもよい。
ステップＳＴ４において、異常傾向検出部８は、フェーズ分割部７が分割した分割センサデータのフェーズに対応する正常モデルを正常モデル格納部１３から読み出し、当該分割センサデータを、当該正常モデルと比較することにより、分割センサデータの異常傾向を検出する。異常傾向検出部８は、異常傾向の検出に用いた分割センサデータのフェーズと、当該分割センサデータの異常傾向とを対応付けたデータセットを生成し、当該データセットを異常要因推定部９に出力する。なお、フェーズ分割部７が上述のステップＳＴ２を実行しなかった場合、異常傾向検出部８は、ステップＳＴ４において、正常モデルを正常モデル格納部１３から読み出し、センサデータ取得部６が取得したセンサデータを、当該正常モデルと比較することにより、センサデータの異常傾向を検出する。
次に、異常要因推定部９は、過去のセンサデータのフェーズと当該過去のセンサデータの異常傾向と対象機器の異常要因とが対応付けられた異常要因モデルを異常要因モデル格納部１４から読み出し、異常傾向検出部８が検出に用いた分割センサデータのフェーズと異常傾向検出部８が検出した異常傾向とのデータセットを、当該異常要因モデルと比較することにより、対象機器の異常要因を推定する（ステップＳＴ５）。異常要因推定部９は、推定した異常要因を出力部５に出力し、出力部５は、当該異常要因を出力する。異常要因推定部９は、ステップＳＴ５において、入力した分割センサデータのフェーズと異常傾向とのデータセットが一組しかない場合であっても、異常要因モデルと比較することにより、対象機器の異常要因を推定し得る。なお、フェーズ分割部７が上述のステップＳＴ２を実行しなかった場合、異常要因推定部９は、ステップＳＴ５において、過去のセンサデータの異常傾向と対象機器の異常要因とが対応付けられた異常要因モデルを異常要因モデル格納部１４から読み出し、異常傾向検出部８が検出した異常傾向を、当該異常要因モデルと比較することにより、対象機器の異常要因を推定する。
なお、異常要因推定装置１は、以上のステップＳＴ１からステップＳＴ５までの工程を行うことにより、対象機器の稼働中にセンサがリアルタイムで計測したセンサデータに基づいて、異常要因推定を逐次実行し得る。
一方、ステップＳＴ６において、正常モデル生成部１０は、フェーズ分割部７が生成した分割センサデータに基づいて、当該分割センサデータのフェーズに対応する正常モデルを生成する。ステップＳＴ６において、正常モデル生成部１０は、フェーズ分割部７が予め生成し、記憶部４に格納した分割センサデータを、記憶部４から読み出し、当該分割センサデータに基づいて、正常モデルを生成してもよい。
次に、正常モデル生成部１０は、生成した正常モデルを正常モデル格納部１３に格納する（ステップＳＴ７）。例えば、正常モデル生成部１０は、生成した正常モデルを正常モデル格納部１３に格納する際に、前回生成した過去の正常モデルが正常モデル格納部１３に格納されていた場合は、当該過去の正常モデルを削除する。又は、正常モデル生成部１０は、不正な分割センサデータを誤って用いて正常モデルを生成してしまった場合のために、当該過去の正常モデルをロールバック可能とするために削除しなくてもよい。正常モデル生成部１０が正常モデル格納部１３に格納した正常モデルは、次のステップＳＴ８で異常傾向検出部８に用いられ、さらに、後に再度、上述のステップＳＴ１から異常要因推定方法を実行する場合に上述のステップＳＴ４で異常傾向検出部８によって用いられる。
次に、異常傾向検出部８は、フェーズ分割部７が分割した分割センサデータのフェーズに対応する正常モデルを正常モデル格納部１３から読み出し、フェーズ分割部７が分割した分割センサデータを、当該正常モデルと比較することにより、分割センサデータの異常傾向を検出する（ステップＳＴ８）。異常傾向検出部８は、分割センサデータのフェーズと当該分割センサデータの異常傾向とを対応付けたデータセットを生成し、当該データセットを異常要因モデル生成部１１に出力する。異常傾向検出部８は、ステップＳＴ８において、分割センサデータのフェーズと当該分割センサデータの異常傾向とを対応付けたデータセットを生成し、当該データセットを記憶部４に格納してもよい。
次に、異常要因モデル生成部１１は、異常傾向検出部８がステップＳＴ８で異常傾向の検出に用いた分割センサデータのフェーズと、異常傾向検出部８が検出した異常傾向と、対象機器の異常要因とを対応付けることにより、異常要因モデルを生成する（ステップＳＴ９）。異常要因モデル生成部１１は、異常傾向検出部８が予め記憶部４に格納した分割センサデータのフェーズと当該分割センサデータの異常傾向とを、記憶部４から読み出し、当該フェーズ及び当該異常傾向と、対象機器の異常要因とを対応付けることにより、異常要因モデルを生成してもよい。
次に、異常要因モデル生成部１１は、生成した異常要因モデルを異常要因モデル格納部１４に格納する（ステップＳＴ１０）。例えば、異常要因モデル生成部１１は、生成した異常要因モデルを異常要因モデル格納部１４に格納する際に、前回生成した過去の異常要因モデルが異常要因モデル格納部１４に格納されていた場合は、当該過去の異常要因モデルを削除する。又は、正常モデル生成部１０は、不正な分割センサデータに基づいた異常傾向を用いて異常要因モデルを生成してしまった場合のために、当該過去の異常要因モデルをロールバック可能とするために削除しなくてもよい。異常要因モデル生成部１１が異常要因モデル格納部１４に格納した異常要因モデルは、後に再度、上述のステップＳＴ１から異常要因推定方法を実行する場合に上述のステップＳＴ５で異常要因推定部９によって用いられる。
なお、本実施形態では、上記のステップＳＴ６からステップＳＴ１０において、異常要因推定装置１は、正常モデル及び異常要因モデルを生成し、これらを記憶部４に格納したが、このような構成に限定されない。例えば、異常要因推定装置１は、正常モデル及び異常要因モデルの何れか１つを生成し、生成したモデルを記憶部４に格納してもよい。その場合、上述のステップＳＴ３において、フェーズ分割部７が現行の動作モードが異常要因推定モードではないと判定した場合、現行の動作モードが正常モデル生成モードであるとして、異常要因推定装置１は、上述のステップＳＴ６及びステップＳＴ７を実行し、ステップＳＴ８からステップＳＴ１０を実行しなくてもよい。又は、上述のステップＳＴ３において、フェーズ分割部７が現行の動作モードが異常要因推定モードではないと判定した場合、現行の動作モードが異常要因モデル生成モードであるとして、異常要因推定装置１は、上述のステップＳＴ８からステップＳＴ１０を実行し、ステップＳＴ６及びステップＳＴ７を実行しなくてもよい。
別の例では、上述のステップＳＴ４の後に、異常要因モデル生成部１１は、異常傾向検出部８がステップＳＴ４で異常傾向の検出に用いた分割センサデータのフェーズと、異常傾向検出部８がステップＳＴ４で検出した異常傾向と、対象機器の異常要因とを対応付けることにより、異常要因モデルを生成してもよい。その場合、上述のステップＳＴ３において、フェーズ分割部７が現行の動作モードが異常要因推定モードではないと判定した場合、現行の動作モードが正常モデル生成モードであるとして、異常要因推定装置１は、上述のステップＳＴ６及びステップＳＴ７を実行し、ステップＳＴ８からステップＳＴ１０を実行しなくてもよい。
次に、実施形態１に係る異常要因推定装置１による異常要因推定方法の具体例について図面を参照して説明する。
図３は、上述のステップＳＴ１でセンサデータ取得部６が取得するセンサデータを説明するための表である。図３が示すように、当該例におけるセンサデータのデータ項目は、計測した時刻毎の、気温、振動、回転速度、接点１電流、接点１電圧、接点２電流、接点２電圧である。例えば、センサデータ取得部６は、通信部２から取得したセンサデータを、取得した時刻毎に、これらのデータ項目に分類する。センサデータのデータ項目は、当該例に限定されず、これらのデータ項目以外のデータ項目であってもよい。その場合、センサデータ取得部６は、実際の対象機器に設置されたセンサの種類に応じて、データ項目を新たに設けてもよい。また、異常要因推定装置１が複数の対象機器の各異常要因を推定する場合、センサデータ取得部６は、複数の対象機器からセンサデータを取得し、対象機器ごとのセンサデータの表を生成してもよい。また、その場合、センサデータ取得部６は、気温、湿度等の、各対象機器共通のデータ項目のデータについては、対象機器ごとのセンサデータの表に含めずに、対象機器共通の別の表に含めてもよい。センサデータ取得部６は、生成した表をフェーズ分割部７に出力するか、又は、センサデータ格納部１２に格納する。
図４は、上述のステップＳＴ２においてフェーズ分割部７がセンサデータをフェーズごとに分割する工程の例を説明するためのグラフである。図４において、縦軸は、センサデータが示す任意の値であるセンサ値を示し、横軸は、時間を示す。図４が示すグラフにおけるセンサ値は、対象機器が１回分のシーケンスを実行した際に当該対象機器に設置されたセンサが計測したセンサ値を示している。当該センサ値は、波形の形状に応じて、６つのフェーズに分割されている。なお、対象機器は、このようなシーケンスを繰り返し実行するものとする。
例えば、フェーズ分割部７は、上述のステップＳＴ２において、対象機器による１回分のシーケンスに伴って変化するセンサ値を、当該センサ値の波形の特徴によって区別されるフェーズごとに分割することで、分割センサデータを生成する。例えば、センサが設置されたロボットのアームが、１回のシーケンス内で部品ピックアップ及び部品はめ込みの２つの動作を行う場合は、フェーズ分割部７は、当該２つの動作に伴ったセンサ値の波形の特徴を検出して、当該２つの動作にそれぞれ対応するフェーズごとにセンサ値を分割してもよい。例えば、フェーズ分割部７は、センサが設置されているロボットのアームの動きの特徴に合わせて、伸び、縮み、回転等の動作にそれぞれ対応するフェーズごとにセンサ値を分割してもよい。例えば、フェーズ分割部７は、対象機器の動作に関する設定値の信号を取得し、当該設定値に基づいて、センサ値をフェーズごとに分割してもよい。又は、例えば、フェーズ分割部７は、データの特徴から変化点を検出する方法などの機械学習の手法に基づいて、センサ値をフェーズごとに分割してもよい。
図５Ａ及び図５Ｂは、それぞれ、上述のステップＳＴ６において正常モデル生成部１０が生成し、上述のステップＳＴ４及びステップＳＴ８において異常傾向検出部８が用いる正常モデルの例を説明するためのグラフである。図５Ａ及び図５Ｂにおいて、縦軸は、センサ値を示し、横軸は、時間を示す。図５Ａは、対象機器が特定のシーケンスを繰り返し実行した際に、当該対象機器に設置されたセンサが計測したセンサ値に基づいて、当該特定のシーケンスの各試行に対応する、１つのフェーズの分割センサデータの折れ線グラフを同一の座標にプロットしたものである。例えば、正常モデル生成部１０は、上述のステップＳＴ６において、図５Ａが示す複数の折れ線グラフを取得し、当該複数の折れ線グラフ同士を比較し、時刻毎のセンサ値のばらつきを算出する。
次に、正常モデル生成部１０は、当該ばらつきに基づいて、正常モデルとして、図５Ｂが示すバンドモデルを生成する。より詳細には、例えば、正常モデル生成部１０は、時刻ごとにセンサ値の平均値及び標準偏差を算出し、当該平均値及び標準偏差に基づいて、図５Ｂの網掛け部分が示すような正常値域を算出する。より詳細には、例えば、当該正常値域は、時刻ごとの標準偏差に所定の倍数かけたものを、時刻ごとの平均値に対して加算した値を上限値とし且つ減算した値を下限値とした時刻毎の正常値域である。例えば、正常モデル生成部１０は、図５Ｂが示すように、時刻ｔ１において、センサ値の平均値Ｍ（ｔ１）と、センサ値の標準偏差のＷ（ｔ１）とに基づき、Ｍ（ｔ１）−Ｗ（ｔ１）以上であり且つＭ（ｔ１）＋Ｗ（ｔ１）以下の範囲を時刻ｔ１の正常値域として算出する。
上述のステップＳＴ６において正常モデル生成部１０が正常モデルを生成する方法は、上記の例に限定されない。当該方法の別の例として、One Class SVM、主成分分析及びニューラルネットなどの機械学習の手法が挙げられる。
また、異常傾向検出部８は、上述のステップＳＴ４及びステップＳＴ８において、フェーズ分割部７が分割した分割センサデータを、上記のように正常モデル生成部１０が予め生成した正常モデルと比較することにより、分割センサデータの異常傾向を検出する。例えば、異常傾向検出部８は、上述のステップＳＴ４及びステップＳＴ８において、上記のように算出された正常値域から分割センサデータのセンサ値が外れた場合に異常傾向を検出する。
図６は、上述のステップＳＴ９において異常要因モデル生成部１１が生成し、上述のステップＳＴ５において異常要因推定部９が用いる異常要因モデルの例を説明するための表である。図６が示すように、異常要因モデル生成部１１は、上述のステップＳＴ９において、異常傾向検出部８が上述のステップＳＴ８で異常傾向の検出に用いた分割センサデータの「フェーズ」と、異常傾向検出部８が上述のステップＳＴ８で異常傾向を検出した分割センサデータの識別名を示す「検出信号」と、異常傾向検出部８が上述のステップＳＴ８で検出した「異常傾向」と、対象機器の「異常要因」とを対応付けることにより、異常要因モデルの表を生成する。より具体的には、図６が示すように、異常要因モデル生成部１１は、上述のステップＳＴ９において、フェーズとしての「起動」と、検出信号としての「信号１」と、異常傾向としての「過大」と、異常要因としての「設定不良」とを対応付ける。また、異常要因モデル生成部１１は、上述のステップＳＴ９において、フェーズとしての「定常」と、検出信号としての「信号２」と、異常傾向としての「振動」と、異常要因としての「設備故障」とをさらに対応付ける。異常要因モデル生成部１１は、上記の項目のような、対象機器の異常に関するデータ以外に別の情報を対応付けてもよい。例えば、異常要因モデル生成部１１は、異常傾向と異常要因との組み合わせについてFTA（Fault Tree Analysis）を別途実施し、当該FTA（Fault Tree Analysis）の結果を当該異常傾向及び当該異常要因に対応付けてもよい。
図７は、上述のステップＳＴ５において異常要因推定部９が対象機器の異常要因を推定する工程の例を説明するための図である。図７が示すように、異常要因推定部９は、上述のステップＳＴ５において、異常傾向検出部８が上述のステップＳＴ４で異常傾向の検出に用いた分割センサデータの「フェーズ」と、異常傾向検出部８が上述のステップＳＴ４で異常傾向を検出した分割センサデータの識別名を示す「検出信号」と、異常傾向検出部８が上述のステップＳＴ４で検出した「異常傾向」とが対応付けられた現行のデータセットの表を、過去の分割センサデータのフェーズと検出信号と異常傾向と異常要因とが対応付けられた異常要因モデルの表と比較することにより、対象機器の異常要因を推定する。
より詳細には、図７が示すように、異常要因推定部９が上述のステップＳＴ５で対象機器の異常要因を推定するために用いる現行のデータセットの表は、分割センサデータのフェーズの項目が「定常」を示し、検出信号の項目が「信号２」を示し、異常傾向の項目が「振動」を示している。また、異常要因推定部９が上述のステップＳＴ５で対象機器の異常要因を推定するために用いる異常要因モデルの表は、フェーズの項目が「起動」を示し、検出信号の項目が「信号１」を示し、異常傾向の項目が「過大」を示し、異常要因の項目が「設定不良」を示している１行目と、フェーズの項目が「定常」を示し、検出信号の項目が「信号２」を示し、異常傾向の項目が「振動」を示し、異常要因の項目が「設備故障」を示している２行目とを含む。異常要因推定部９は、現行のデータセットと異常要因モデルとを比較し、現行のデータセットと異常要因モデルの表の２行目とが、フェーズの項目と検出信号の項目と異常傾向の項目とにおいて一致していると判定する。異常要因推定部９は、当該判定に基づいて、異常要因モデルの表の２行目に含まれる異常要因の項目が示す「設備故障」を対象機器の異常要因と推定する。
上記の例のように、異常要因推定部９は、現行のデータセットの表と異常要因モデルの表における特定の行とが、現行のデータセットに含まれる全ての項目において一致していると判定した場合に、当該異常要因モデルの表における特定の行に含まれる異常要因を、対象機器の異常要因と推定する。又は、異常要因推定部９は、現行のデータセットの表と、異常要因モデルの表に含まれる全ての行とを比較し、現行のデータセットと異常要因モデルの表に含まれる複数の行とが、現行のデータセットのうちの一部の項目において一致していると判定した場合に、当該複数の行を、対象機器の異常要因を示す異常要因モデルの表における行の候補として抽出してもよい。その場合、異常要因推定部９は、抽出した候補に対して一般的なテキスト分析などを行うことにより、現行のデータセットとの類似度を算出して、最も類似度が高い候補が示す異常要因を、対象機器の異常要因と推定してもよい。
以上で説明した実施の形態１に係る異常要因推定装置１の用途の例として、製造装置の異常要因を推定する用途が挙げられる。製造装置では、同一の設備を利用して同一の設定値で製品を製造した場合であっても、気温若しくは湿度などの外部環境の変化、又は製造装置の摩耗などによる経年変化などにより、故障、動作不良等の異常が発生する場合がある。このような場合は、設定値のみからは異常要因がわからない。そこで、異常要因推定装置１を使用することで、センサデータをフェーズごとに分割し、分割後の分割センサデータの異常傾向を検出し、当該異常傾向及び当該フェーズと、異常要因モデルが示す異常傾向及びフェーズとを比較して、類似した異常傾向及びフェーズを抽出することにより、異常要因を推定することができる。
以上のように、実施の形態１に係る異常要因推定装置１は、対象機器に設置されたセンサからセンサデータを取得するセンサデータ取得部６と、センサデータ取得部６が取得したセンサデータを、当該センサデータの正常値域を示す正常モデルと比較することにより、センサデータの異常傾向を検出する異常傾向検出部８と、異常傾向検出部８が検出した異常傾向を、過去のセンサデータの異常傾向と対象機器の異常要因とが対応付けられた異常要因モデルと比較することにより、対象機器の異常要因を推定する異常要因推定部９と、を備えている。
上記の構成によれば、センサデータの異常傾向を検出して、当該異常傾向を異常要因モデルと比較することにより、対象機器の異常要因を推定する。これにより、センサデータが閾値を超えたか否かの判定結果しか得られない閾値判定よりも、センサデータの異常傾向に応じて異常要因を精度高く推定することができるため、閾値判定による異常要因の推定よりも異常要因を特定することができる。
実施の形態１に係る異常要因推定装置１は、センサデータ取得部６が取得したセンサデータを、フェーズごとに分割することで分割センサデータを生成するフェーズ分割部７をさらに備え、異常傾向検出部８は、フェーズ分割部７が生成した分割センサデータを、当該分割センサデータのフェーズに対応する正常モデルと比較することにより、分割センサデータの異常傾向を検出し、異常要因推定部９は、分割センサデータのフェーズと異常傾向検出部８が検出した異常傾向とを、当該フェーズと同一のフェーズと当該過去のセンサデータの異常傾向と対象機器の異常要因とが対応付けられた異常要因モデルと比較することにより、対象機器の異常要因を推定する。
上記の構成によれば、分割センサデータのフェーズと異常要因モデルが示すフェーズとをさらに比較する。これにより、分割センサデータのフェーズを用いない場合よりも、異常要因を精度高く推定することができる。
実施の形態１に係る異常要因推定装置１は、異常傾向検出部８が検出した異常傾向と、対象機器の異常要因とを対応付けることにより、異常要因モデルを生成する異常要因モデル生成部１１をさらに備える。
上記の構成によれば、生成した異常要因モデルと、検出した異常傾向とを比較することにより、対象機器の異常要因を推定することができる。これにより、閾値判定による異常要因の推定よりも異常要因を特定することができる。
実施の形態１に係る異常要因推定装置１は、センサデータ取得部６が取得したセンサデータに基づいて、正常モデルを生成する正常モデル生成部１０をさらに備える。
上記の構成によれば、生成した正常モデルと、取得したセンサデータとを比較することにより、センサデータの異常傾向を検出することができ、当該異常傾向を、異常要因モデルと比較することにより、対象機器の異常要因を推定することができる。これにより、閾値判定による異常要因の推定よりも異常要因を特定することができる。
実施の形態２．
実施の形態１では、異常要因推定装置１が、分割センサデータの異常傾向と異常要因モデルが示す異常傾向とを比較するのみならず、分割センサデータのフェーズと異常要因モデルが示すフェーズとをさらに比較することにより、対象機器の異常要因を推定する構成を説明した。実施の形態２では、異常要因推定装置２０が、分割センサデータのグループと異常要因モデルが示すグループとをさらに比較することにより、対象機器の異常要因を推定する構成を説明する。
以下で、実施の形態２について図面を参照して説明する。なお、実施の形態１で説明した構成と同様の機能を有する構成については同一の符号を付し、その説明を省略する。
図８は、実施の形態２に係る異常要因推定装置２０の構成を示すブロック図である。図８が示すように、異常要因推定装置２０は、実施の形態１に係る異常要因推定装置１の構成に加えて、処理部２１が追加データ取得部２２及びグループ分類部２３をさらに備えている。
追加データ取得部２２は、対象機器から通信部２を介して、対象機器に関する追加データを取得する。追加データ取得部２２は、取得した追加データをグループ分類部２３に出力する。例えば、追加データは、対象機器の動作に関する設定値、対象機器周囲の環境値、及び対象機器が製造する製品に関する情報のうちの少なくとも１つ以上のデータを含み得る。対象機器周囲の環境値の例として、温度及び湿度等が挙げられる。
グループ分類部２３は、センサデータ取得部６からセンサデータを取得するか、記憶部４からセンサデータを読み出し、取得又は読み出したセンサデータを、追加データ取得部２２が取得した追加データに応じたグループごとに分類する。グループ分類部２３は、分類したセンサデータをフェーズ分割部７に出力する。当該グループの例として、対象機器の動作に関する設定値が所定の範囲内にあるグループ、対象機器周囲の環境値が所定の範囲内にあるグループ、対象機器が製造する製品が特定の製品であるグループ等が挙げられる。
次に、実施の形態２に係る異常要因推定装置２０の動作について図面を参照して説明する。なお、なお、実施の形態２に係る空調制御方法の説明において、実施の形態１で説明した異常要因推定方法の工程と同様の工程については、その詳細な説明を適宜省略する。
図９は、実施の形態２に係る異常要因推定装置２０による異常要因推定方法を示すフローチャートである。図９が示すように、センサデータ取得部６は、通信部２からセンサデータを取得する（ステップＳＴ２０）。センサデータ取得部６は、取得したセンサデータをグループ分類部２３又は記憶部４に出力する。
次に、追加データ取得部２２は、対象機器から通信部２を介して、対象機器に関する追加データを取得する（ステップＳＴ２１）。
次に、グループ分類部２３は、センサデータ取得部６からセンサデータを取得するか、記憶部４からセンサデータを読み出し、取得又は読み出したセンサデータを、追加データ取得部２２が取得した追加データに応じたグループごとに分類する（ステップＳＴ２２）。グループ分類部２３は、分類したセンサデータをフェーズ分割部７に出力する。
次に、フェーズ分割部７は、グループ分類部２３が分類したセンサデータを、フェーズごとに分割することで分割センサデータを生成する（ステップＳＴ２３）。フェーズ分割部７は、生成した分割センサデータを異常傾向検出部８に出力する。
次に、フェーズ分割部７は、異常要因推定装置１の現行の動作モードが、対象機器の異常要因を推定する異常要因推定モードであるか否かを判定する（ステップＳＴ２４）。フェーズ分割部７が現行の動作モードが異常要因推定モードであると判定した場合（ステップＳＴ２４のＹＥＳ）、異常要因推定装置１は、ステップＳＴ２５に処理を進める。フェーズ分割部７が現行の動作モードが異常要因推定モードではないと判定した場合（ステップＳＴ２４のＮＯ）、異常要因推定装置１は、ステップＳＴ２７に処理を進める。
ステップＳＴ２５において、異常傾向検出部８は、グループ分類部２３が分類したグループと、フェーズ分割部７が分割した分割センサデータのフェーズとに対応する正常モデルを正常モデル格納部１３から読み出し、当該分割センサデータを、当該正常モデルと比較することにより、分割センサデータの異常傾向を検出する。異常傾向検出部８は、異常傾向の検出に用いた分割センサデータのフェーズと、当該分割センサデータの異常傾向とを対応付けたデータセットを生成し、当該データセットを異常要因推定部９に出力する。
次に、異常要因推定部９は、過去のセンサデータのグループと当該過去のセンサデータのフェーズと当該過去のセンサデータの異常傾向と対象機器の異常要因とが対応付けられた異常要因モデルを異常要因モデル格納部１４から読み出し、異常傾向検出部８が検出に用いた分割センサデータのグループ及びフェーズと異常傾向検出部８が検出した異常傾向とのデータセットを、当該異常要因モデルと比較することにより、対象機器の異常要因を推定する（ステップＳＴ２６）。異常要因推定部９は、推定した異常要因を出力部５に出力し、出力部５は、当該異常要因を出力する。
一方、ステップＳＴ２７において、正常モデル生成部１０は、フェーズ分割部７が生成した分割センサデータに基づいて、当該分割センサデータのグループ及びフェーズに対応する正常モデルを生成する。
次に、正常モデル生成部１０は、生成した正常モデルを正常モデル格納部１３に格納する（ステップＳＴ２８）。
次に、異常傾向検出部８は、フェーズ分割部７が分割した分割センサデータのグループ及びフェーズに対応する正常モデルを正常モデル格納部１３から読み出し、分割センサデータを、当該正常モデルと比較することにより、分割センサデータの異常傾向を検出する（ステップＳＴ２９）。異常傾向検出部８は、検出した異常傾向を異常要因モデル生成部１１に出力する。
次に、異常要因モデル生成部１１は、異常傾向検出部８がステップＳＴ８で異常傾向の検出に用いた分割センサデータのグループ及びフェーズと、異常傾向検出部８が検出した異常傾向と、対象機器の異常要因とを対応付けることにより、異常要因モデルを生成する（ステップＳＴ３０）。
次に、異常要因モデル生成部１１は、生成した異常要因モデルを異常要因モデル格納部１４に格納する（ステップＳＴ３１）。
以上のように、実施の形態２に係る異常要因推定装置２０は、対象機器に関する追加データを取得する追加データ取得部２２と、センサデータ取得部６が取得したセンサデータを、追加データ取得部２２が取得した追加データに応じたグループごとに分類するグループ分類部２３をさらに備え、異常傾向検出部８は、グループ分類部２３が分類したセンサデータを、当該センサデータのグループに対応する正常モデルと比較することにより、当該センサデータの異常傾向を検出し、異常要因推定部９は、センサデータのグループと、異常傾向検出部８が検出した異常傾向とを、当該グループと同一のグループと当該過去のセンサデータの異常傾向と対象機器の異常要因とが対応付けられた異常要因モデルと比較することにより、対象機器の異常要因を推定する。
上記の構成によれば、対象機器に関する追加データに基づいて分類したセンサデータを、当該センサデータのグループに対応する正常モデルと比較する。これにより、センサデータを対象機器の状況に即した正常モデルと比較することができるため、追加データを用いてセンサデータを分類しない場合よりも、センサデータの異常傾向を高精度に検出することができる。また、センサデータのグループと、異常要因モデルが示すグループとをさらに比較することにより、センサデータのグループを用いない場合よりも、異常要因を精度高く推定することができる。
実施の形態２に係る異常要因推定装置２０は、追加データは、対象機器の設定値、対象機器周囲の環境値、及び対象機器が製造する製品に関する情報のうちの少なくとも１つ以上のデータを含む。
上記の構成によれば、センサデータを、対象機器の設定値、対象機器周囲の環境値、及び対象機器が製造する製品に関する情報のうちの少なくとも１つ以上のデータに基づいた対象機器の状況に即した正常モデルと比較することができるため、追加データを用いてセンサデータを分類しない場合よりも、センサデータの異常傾向を高精度に検出することができる。
実施の形態３．
異常要因推定装置１における、センサデータ取得部６、フェーズ分割部７、異常傾向検出部８、異常要因推定部９、正常モデル生成部１０及び異常要因モデル生成部１１のそれぞれの機能は、処理回路により実現される。すなわち、異常要因推定装置１は、図２に示したステップＳＴ１からステップＳＴ１０までの処理を実行するための処理回路を備える。同様に、異常要因推定装置２０における、センサデータ取得部６、フェーズ分割部７、異常傾向検出部８、異常要因推定部９、正常モデル生成部１０、異常要因モデル生成部１１、追加データ取得部２２及びグループ分類部２３のそれぞれの機能は、処理回路により実現される。すなわち、異常要因推定装置２０は、図９に示したステップＳＴ２０からステップＳＴ３１までの処理を実行するための処理回路を備える。これらの処理回路は、専用のハードウェアであってもよいが、メモリに記憶されたプログラムを実行するＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）であってもよい。
図１０Ａは、異常要因推定装置１又は異常要因推定装置２０の機能を実現するハードウェア構成を示すブロック図である。図１０Ｂは、異常要因推定装置１又は異常要因推定装置２０の機能を実現するソフトウェアを実行するハードウェア構成を示すブロック図である。図１０Ａ及び図１０Ｂに示すストレージ１０１は、センサデータ格納部１２、正常モデル格納部１３及び異常要因モデル格納部１４の機能を有し、センサデータ、正常モデル及び異常要因モデルを格納する。また、ストレージ１０１は、異常傾向検出部８が検出した異常傾向、及び異常要因推定部９が推定した異常要因を格納する。通信I/F装置１０２は、通信部２の機能を有し、対象機器からセンサデータ、追加データ等を受信する。また、通信I/F装置１０２は、データサーバと接続している場合、センサデータ取得部６が取得したセンサデータ、正常モデル生成部１０が生成した正常モデル、及び異常要因モデル生成部１１が生成した異常要因モデル、異常傾向検出部８が検出した異常傾向、及び異常要因推定部９が推定した異常要因を当該データサーバに送信して格納してもよい。出力装置１０３は、異常傾向検出部８が検出した異常傾向、及び異常要因推定部９が推定した異常要因を出力する。
上記処理回路が図１０Ａに示す専用のハードウェアの処理回路１００である場合、処理回路１００は、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ−Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）又はこれらを組み合わせたものが該当する。
異常要因推定装置１における、センサデータ取得部６、フェーズ分割部７、異常傾向検出部８、異常要因推定部９、正常モデル生成部１０及び異常要因モデル生成部１１のそれぞれの機能を別々の処理回路で実現してもよいし、これらの機能をまとめて１つの処理回路で実現してもよい。
異常要因推定装置２０における、センサデータ取得部６、フェーズ分割部７、異常傾向検出部８、異常要因推定部９、正常モデル生成部１０、異常要因モデル生成部１１、追加データ取得部２２及びグループ分類部２３のそれぞれの機能を別々の処理回路で実現してもよいし、これらの機能をまとめて１つの処理回路で実現してもよい。
上記処理回路が図１０Ｂに示すプロセッサ１０４である場合、異常要因推定装置１における、センサデータ取得部６、フェーズ分割部７、異常傾向検出部８、異常要因推定部９、正常モデル生成部１０及び異常要因モデル生成部１１のそれぞれの機能は、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って実現される。
また、異常要因推定装置２０における、センサデータ取得部６、フェーズ分割部７、異常傾向検出部８、異常要因推定部９、正常モデル生成部１０、異常要因モデル生成部１１、追加データ取得部２２及びグループ分類部２３のそれぞれの機能についても、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って実現される。
なお、ソフトウェア又はファームウェアは、プログラムとして記述されてメモリ１０５に記憶される。
プロセッサ１０４は、メモリ１０５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、異常要因推定装置１における、センサデータ取得部６、フェーズ分割部７、異常傾向検出部８、異常要因推定部９、正常モデル生成部１０及び異常要因モデル生成部１１のそれぞれの機能を実現する。すなわち、異常要因推定装置１は、プロセッサ１０４によって実行されるときに、図２に示したステップＳＴ１からステップＳＴ１０までの処理が結果的に実行されるプログラムを記憶するためのメモリ１０５を備える。
これらのプログラムは、異常要因推定装置１における、センサデータ取得部６、フェーズ分割部７、異常傾向検出部８、異常要因推定部９、正常モデル生成部１０及び異常要因モデル生成部１１の手順又は方法をコンピュータに実行させる。メモリ１０５は、コンピュータを、センサデータ取得部６、フェーズ分割部７、異常傾向検出部８、異常要因推定部９、正常モデル生成部１０及び異常要因モデル生成部１１として機能させるためのプログラムが記憶されたコンピュータ可読記憶媒体であってもよい。これは、異常要因推定装置２０においても同様である。
メモリ１０５には、例えば、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、フラッシュメモリ、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ−ＥＰＲＯＭ）など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、ＤＶＤなどが該当する。
センサデータ取得部６、フェーズ分割部７、異常傾向検出部８、異常要因推定部９、正常モデル生成部１０及び異常要因モデル生成部１１のそれぞれの機能について一部を専用のハードウェアで実現し、一部をソフトウェア又はファームウェアで実現してもよい。
例えば、センサデータ取得部６、フェーズ分割部７、異常傾向検出部８、及び異常要因推定部９は、専用のハードウェアとしての処理回路で機能を実現する。正常モデル生成部１０及び異常要因モデル生成部１１については、プロセッサ１０４がメモリ１０５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機能を実現してもよい。
これは、異常要因推定装置２０における、センサデータ取得部６、フェーズ分割部７、異常傾向検出部８、異常要因推定部９、正常モデル生成部１０、異常要因モデル生成部１１、追加データ取得部２２及びグループ分類部２３においても同様である。
このように、処理回路は、ハードウェア、ソフトウェア、ファームウェア又はこれらの組み合わせにより上記機能のそれぞれを実現することができる。
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。
この発明に係る異常要因推定装置は、対象機器の異常要因を推定する技術において、閾値判定による異常要因の推定よりも異常要因を特定することができるので、機器の異常要因を推定する異常要因推定装置に利用可能である。
１ 異常要因推定装置、２ 通信部、３ 処理部、４ 記憶部、５ 出力部、６ センサデータ取得部、７ フェーズ分割部、８ 異常傾向検出部、９ 異常要因推定部、１０ 正常モデル生成部、１１ 異常要因モデル生成部、１２ センサデータ格納部、１３ 正常モデル格納部、１４ 異常要因モデル格納部、２０ 異常要因推定装置、２１ 処理部、２２ 追加データ取得部、２３ グループ分類部、１００ 処理回路、１０１ ストレージ、１０２ 通信I/F装置、１０３ 出力装置、１０４ プロセッサ、１０５ メモリ。
この発明に係る異常要因推定装置は、対象機器に設置されたセンサからセンサデータを取得するセンサデータ取得部と、センサデータ取得部が取得したセンサデータを、センサデータの正常値域を示す正常モデルと比較することにより、センサデータの異常傾向を検出する異常傾向検出部と、異常傾向検出部が検出した異常傾向を、過去のセンサデータの異常傾向と対象機器の異常要因とが対応付けられた異常要因モデルと比較することにより、対象機器の異常要因を推定する異常要因推定部と、対象機器に関する追加データを取得する追加データ取得部と、センサデータ取得部が取得したセンサデータを、追加データ取得部が取得した追加データに応じたグループごとに分類するグループ分類部と、を備え、異常傾向検出部は、グループ分類部が分類したセンサデータを、当該センサデータのグループに対応する正常モデルと比較することにより、当該センサデータの異常傾向を検出し、異常要因推定部は、センサデータのグループと、異常傾向検出部が検出した異常傾向とを、当該グループと同一のグループと当該過去のセンサデータの異常傾向と対象機器の異常要因とが対応付けられた異常要因モデルと比較することにより、対象機器の異常要因を推定する。

Claims (8)

  1. 対象機器に設置されたセンサからセンサデータを取得するセンサデータ取得部と、
    前記センサデータ取得部が取得したセンサデータを、当該センサデータの正常値域を示す正常モデルと比較することにより、前記センサデータの異常傾向を検出する異常傾向検出部と、
    前記異常傾向検出部が検出した異常傾向を、過去のセンサデータの異常傾向と前記対象機器の異常要因とが対応付けられた異常要因モデルと比較することにより、前記対象機器の異常要因を推定する異常要因推定部と、を備えていることを特徴とする、異常要因推定装置。
  2. 前記センサデータ取得部が取得したセンサデータを、フェーズごとに分割することで分割センサデータを生成するフェーズ分割部をさらに備え、
    前記異常傾向検出部は、前記フェーズ分割部が生成した分割センサデータを、当該分割センサデータのフェーズに対応する正常モデルと比較することにより、前記分割センサデータの異常傾向を検出し、
    前記異常要因推定部は、前記分割センサデータのフェーズと前記異常傾向検出部が検出した異常傾向とを、当該フェーズと同一のフェーズと当該過去のセンサデータの異常傾向と前記対象機器の異常要因とが対応付けられた異常要因モデルと比較することにより、前記対象機器の異常要因を推定することを特徴とする、請求項１に記載の異常要因推定装置。
  3. 前記異常傾向検出部が検出した異常傾向と、前記対象機器の異常要因とを対応付けることにより、前記異常要因モデルを生成する異常要因モデル生成部をさらに備えていることを特徴とする、請求項１又は請求項２に記載の異常要因推定装置。
  4. 前記センサデータ取得部が取得したセンサデータに基づいて、前記正常モデルを生成する正常モデル生成部をさらに備えていることを特徴とする、請求項１又は請求項２に記載の異常要因推定装置。
  5. 前記対象機器に関する追加データを取得する追加データ取得部と、
    前記センサデータ取得部が取得したセンサデータを、前記追加データ取得部が取得した追加データに応じたグループごとに分類するグループ分類部をさらに備え、
    前記異常傾向検出部は、前記グループ分類部が分類したセンサデータを、当該センサデータのグループに対応する正常モデルと比較することにより、当該センサデータの異常傾向を検出し、
    前記異常要因推定部は、前記センサデータのグループと、前記異常傾向検出部が検出した異常傾向とを、当該グループと同一のグループと当該過去のセンサデータの異常傾向と前記対象機器の異常要因とが対応付けられた異常要因モデルと比較することにより、前記対象機器の異常要因を推定することを特徴とする、請求項１又は請求項２に記載の異常要因推定装置。
  6. 前記追加データは、前記対象機器の動作に関する設定値、前記対象機器周囲の環境値、及び前記対象機器が製造する製品に関する情報のうちの少なくとも１つ以上のデータを含むことを特徴とする、請求項５に記載の異常要因推定装置。
  7. 対象機器に設置されたセンサからセンサデータを取得するセンサデータ取得ステップと、
    前記センサデータ取得ステップで取得したセンサデータを、当該センサデータの正常値域を示す正常モデルと比較することにより、前記センサデータの異常傾向を検出する異常傾向検出ステップと、
    前記異常傾向検出ステップで検出した異常傾向を、過去のセンサデータの異常傾向と前記対象機器の異常要因とが対応付けられた異常要因モデルと比較することにより、前記対象機器の異常要因を推定する異常要因推定ステップと、を備えていることを特徴とする、異常要因推定方法。
  8. 対象機器に設置されたセンサからセンサデータを取得するセンサデータ取得部と、
    前記センサデータ取得部が取得したセンサデータを、当該センサデータの正常値域を示す正常モデルと比較することにより、前記センサデータの異常傾向を検出する異常傾向検出部と、
    前記異常傾向検出部が検出した異常傾向を、過去のセンサデータの異常傾向と前記対象機器の異常要因とが対応付けられた異常要因モデルと比較することにより、前記対象機器の異常要因を推定する異常要因推定部
    としてコンピュータを機能させるためのプログラム。
JP2020567675A 2019-01-21 2019-01-21 異常要因推定装置、異常要因推定方法、及びプログラム Active JP7012888B2 (ja)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2019/001638 WO2020152741A1 (ja) 2019-01-21 2019-01-21 異常要因推定装置、異常要因推定方法、及びプログラム

Publications (2)

Publication Number Publication Date
JPWO2020152741A1 true JPWO2020152741A1 (ja) 2021-03-11
JP7012888B2 JP7012888B2 (ja) 2022-01-28

Family

ID=71735941

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020567675A Active JP7012888B2 (ja) 2019-01-21 2019-01-21 異常要因推定装置、異常要因推定方法、及びプログラム

Country Status (6)

Country Link
US (1) US20210310679A1 (ja)
JP (1) JP7012888B2 (ja)
CN (1) CN113330379A (ja)
DE (1) DE112019006255T5 (ja)
TW (1) TW202028901A (ja)
WO (1) WO2020152741A1 (ja)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3715738A1 (en) * 2019-03-29 2020-09-30 Mitsubishi Electric R&D Centre Europe B.V. Air conditioning system, server system, network, method for controlling an air conditioning system and method for controlling a network
DE102021203141A1 (de) 2021-03-29 2022-09-29 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zur Manipulationserkennung für Abgasnachbehandlungseinrichtungen mithilfe Verfahren künstlicher Intelligenz
US11549711B1 (en) * 2021-12-22 2023-01-10 Alexander Tomas System for aggregation and prioritization of diagnostic data for the purpose of mechanical system tuning
DE102022211094A1 (de) 2022-10-20 2024-04-25 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zur Fehlererkennung in einem maschinellen System

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004164023A (ja) * 2002-11-08 2004-06-10 Toshiba Mach Co Ltd 管理支援装置、そのシステム、その方法、そのプログラム、および、そのプログラムを記録した記録媒体
JP2011243118A (ja) * 2010-05-20 2011-12-01 Hitachi Ltd 監視診断装置および監視診断方法
JP2012150721A (ja) * 2011-01-20 2012-08-09 Tokyo Electron Ltd 処理装置の異常診断方法及びその異常診断システム
JP2015103218A (ja) * 2013-11-28 2015-06-04 株式会社日立製作所 プラントの診断装置及び診断方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101414186A (zh) * 2007-03-09 2009-04-22 欧姆龙株式会社 要因估计支持装置及其控制方法
WO2011104760A1 (ja) * 2010-02-26 2011-09-01 株式会社 日立製作所 故障原因診断システムおよびその方法
JP5337853B2 (ja) * 2011-09-12 2013-11-06 株式会社日立製作所 発電プラントの診断装置、及び発電プラントの診断方法
GB2496040B (en) * 2011-10-24 2019-04-03 Fisher Rosemount Systems Inc Predicted fault analysis
JP5996384B2 (ja) 2012-11-09 2016-09-21 株式会社東芝 プロセス監視診断装置、プロセス監視診断プログラム
US10996662B2 (en) * 2014-05-20 2021-05-04 Toshiba Mitsubishi-Electric Industrial Systems Corporation Manufacturing equipment diagnosis support system
JP2016009352A (ja) * 2014-06-25 2016-01-18 株式会社日立製作所 プラントの異常予兆診断装置及び方法
US20170316329A1 (en) * 2015-01-21 2017-11-02 Mitsubishi Electric Corporation Information processing system and information processing method
JP6350554B2 (ja) * 2016-02-03 2018-07-04 横河電機株式会社 設備診断装置、設備診断方法及び設備診断プログラム
WO2017159016A1 (ja) * 2016-03-15 2017-09-21 株式会社日立製作所 異常診断システム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004164023A (ja) * 2002-11-08 2004-06-10 Toshiba Mach Co Ltd 管理支援装置、そのシステム、その方法、そのプログラム、および、そのプログラムを記録した記録媒体
JP2011243118A (ja) * 2010-05-20 2011-12-01 Hitachi Ltd 監視診断装置および監視診断方法
JP2012150721A (ja) * 2011-01-20 2012-08-09 Tokyo Electron Ltd 処理装置の異常診断方法及びその異常診断システム
JP2015103218A (ja) * 2013-11-28 2015-06-04 株式会社日立製作所 プラントの診断装置及び診断方法

Also Published As

Publication number Publication date
WO2020152741A1 (ja) 2020-07-30
JP7012888B2 (ja) 2022-01-28
DE112019006255T5 (de) 2021-09-09
US20210310679A1 (en) 2021-10-07
CN113330379A (zh) 2021-08-31
TW202028901A (zh) 2020-08-01

Similar Documents

Publication Publication Date Title
JP7012888B2 (ja) 異常要因推定装置、異常要因推定方法、及びプログラム
Borgi et al. Data analytics for predictive maintenance of industrial robots
JP4850857B2 (ja) 予測状態監視における変化状態の適応モデリング
AU2012284497B2 (en) Monitoring system using kernel regression modeling with pattern sequences
JP7282184B2 (ja) 工業プロセスで使用されるコンポーネントから発生する信号の異常を検出及び測定するためのシステムと方法
CN110515351A (zh) 异常检测器
JP6880843B2 (ja) 管理装置および管理プログラム
CN107614214B (zh) 故障诊断装置及故障诊断方法
US10684608B2 (en) Abnormality detection apparatus and machine learning device
WO2013012535A1 (en) Monitoring method using kernel regression modeling with pattern sequences
AU2002246994A1 (en) Diagnostic systems and methods for predictive condition monitoring
AU2002246994A2 (en) Diagnostic systems and methods for predictive condition monitoring
CN107729985B (zh) 识别技术设施的过程异常的方法和相应的诊断系统
JP7275062B2 (ja) 時変システム動作における異常検出のためのシステム、方法およびコンピュータ読取可能記憶媒体
US20230367296A1 (en) Industrial system, abnormality detection system, and abnormality detection method
JP6415335B2 (ja) 不具合診断方法及び不具合診断システム
JP2021125266A (ja) 状態推定装置、システム、及び製造方法
JP7158624B2 (ja) 異常検知装置
CN112987682A (zh) 控制方法、控制装置和机械设备
CN112526962A (zh) 用于工艺技术设施的诊断方法和诊断系统以及训练方法
JP2020187516A (ja) 異常診断装置及び方法
JP6798968B2 (ja) ノイズ発生原因推定装置
US11966218B2 (en) Diagnosis device, diagnosis method and program
US20240004379A1 (en) Anomaly classification device
JP7430693B2 (ja) 異常情報推定システム、動作解析システム、モータ制御装置、異常情報推定方法、及びプログラム

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20201208

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20201208

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20201208

A975 Report on accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A971005

Effective date: 20210303

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210309

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210416

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210622

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210805

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20211026

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20211202

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: 20211221

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220118

R150 Certificate of patent or registration of utility model

Ref document number: 7012888

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150