KR20220098202A - 진단 장치, 진단 방법 및 프로그램 - Google Patents

진단 장치, 진단 방법 및 프로그램 Download PDF

Info

Publication number
KR20220098202A
KR20220098202A KR1020227019404A KR20227019404A KR20220098202A KR 20220098202 A KR20220098202 A KR 20220098202A KR 1020227019404 A KR1020227019404 A KR 1020227019404A KR 20227019404 A KR20227019404 A KR 20227019404A KR 20220098202 A KR20220098202 A KR 20220098202A
Authority
KR
South Korea
Prior art keywords
value
abnormality
samples
distribution
cumulative probability
Prior art date
Application number
KR1020227019404A
Other languages
English (en)
Inventor
이치로 나가노
마유미 사이토
게이지 에구치
구니아키 아오야마
Original Assignee
미츠비시 파워 가부시키가이샤
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 미츠비시 파워 가부시키가이샤 filed Critical 미츠비시 파워 가부시키가이샤
Publication of KR20220098202A publication Critical patent/KR20220098202A/ko

Links

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
    • 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
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • 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
    • G05B23/0235—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 a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
    • 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
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • 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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure

Abstract

데이터가 적은 경우나 데이터수가 변동하는 경우여도 양호한 정밀도로 이상을 검출할 수 있는 진단 장치, 진단 방법 및 프로그램을 제공한다.　진단 장치는, 검출값의 마할라노비스 거리(이하, MD값이라고 한다.)를 산출하는 마할라노비스 거리 산출부와, MD값에 근거하여 이상의 유무를 판정하는 이상 판정부를 구비하고, 이상 판정부는, 단위 공간의 샘플수가 적을수록, 샘플수가 보다 많은 경우와 비교하여 이상이 없다고 판정되기 쉬워지도록 하여, 이상의 유무를 판정한다.

Description

진단 장치, 진단 방법 및 프로그램
본 개시는, 진단 장치, 진단 방법 및 프로그램에 관한 것이다. 본원은, 2020년 1월 6일에 일본에 출원된 특허출원 2020-000427호에 근거하여 우선권을 주장하며, 그 내용을 여기에 원용한다.
발전 설비나 원격 감시 시스템에서의 이상 검지 시스템에서는, 마할라노비스 거리를 이용한 MT법(Maharanobis Taguchi System)이 널리 이용되고 있다(예를 들면 특허문헌 1). 특허문헌 1에 기재되어 있는 바와 같이, 마할라노비스 거리는, 정상 데이터가 정규 분포에 따르는 것을 전제로 한 수법이며, 현실의 데이터에 있어서는, 정규 분포에 따르지 않는 경우가 많이 있다. 따라서, 특허문헌 1에 기재되어 있는 이상 검출 전처리 장치에서는, 정상 시에 측정된 소정 기간 내의 2변수에 관한 분포 데이터가, 정규 분포에 따른 분포로 되는지 아닌지가 판정되고, 정규 분포에 따르는 분포가 아니라고 판정된 분포 데이터 중 소정수 선정된 분포 데이터가 임시의 비선형 모델에 피팅되며, 임시의 비선형 모델과 회귀 직선의 차에 의하여, 분포 데이터를 보정하는 보정항이 산출된다. 이 보정항에 의하여 보정된 분포 데이터가, 가장 정규 분포에 따르는 분포를 야기하는 임시의 비선형 모델이, 이상 검출에서 사용하는 경우의 이상 검출 모델로서 선정되고, 이상 검출 모델에 근거하여 산출된 보정항을 이상 검출에 이용하는 보정항으로서 선정된다.
또, 특허문헌 1에 기재되어 있는 이상 검출 장치는, 이상 검출 전처리 장치에 의하여 선정된 보정항에 근거하여, 정상 이상의 판정 대상이 되는 측정 데이터인 판정 데이터를 보정한 보정 판정 데이터를 산출하고, 보정 판정 데이터를 마할라노비스 거리에 근거하여, 이상인지 아닌지를 판정한다. 특허문헌 1에 기재되어 있는 이상 검출 전처리 장치 및 이상 검출 장치에 의하면, 정상 데이터의 정규 분포성을 정량적으로 평가하고, 정상 시에 측정된 분포 데이터에 근거하여, 이상 검출 모델 및 이상 검출에 이용하는 보정항이 선정되므로, 정상 시에 얻어지는 측정 데이터로부터 벗어난 데이터(즉, 이상 데이터)를 양호한 정밀도로 검출할 수 있다.
특허문헌 1: 일본 특허공보 제 6129508호
상술한 바와 같이, 특허문헌 1에 기재되어 있는 이상 검출 전처리 장치에서는, 데이터의 분포가 정규 분포에 따르고 있는지 아닌지를 판정한 결과에 근거하여 보정항이 선출된다. 그 때문에, 정규 분포에 따르고 있는지 아닌지를 판정할 수 있을 정도의 복수의 데이터가 필요하다. 그러나, 특허문헌 1에 일례로서 나타나 있는 가스 터빈 설비와 같이, 한번 기동하면 한동안(예를 들면 수개월) 계속하여 운전하는 것 같은 경우가 있는 설비에서는, 1회의 기동으로 하나의 데이터밖에 계측할 수 없는 것 같은 데이터(예를 들면, 기동 시에 있어서의 소정의 상태 변화에 필요로 하는 시간, 기동 시에 있어서의 데이터의 최댓값, 최솟값, 평균값이나 합곗값 등)에 대해서는, 복수 데이터의 수집에 장기간을 필요로 하게 된다고 하는 과제가 있었다.
본 개시는, 상기 과제를 해결하기 위하여 이루어진 것이며, 데이터가 적은 경우나 데이터수가 변동하는 경우여도 양호한 정밀도로 이상을 검출할 수 있는 진단 장치, 진단 방법 및 프로그램을 제공하는 것을 목적으로 한다.
상기 과제를 해결하기 위하여, 본 개시에 관한 진단 장치는, 검출값의 마할라노비스 거리(이하, MD값이라고 한다.)를 산출하는 마할라노비스 거리 산출부와, 상기 MD값에 근거하여 이상의 유무를 판정하는 이상 판정부를 구비하고, 상기 이상 판정부는, 단위 공간의 샘플수가 적을수록, 상기 샘플수가 보다 많은 경우와 비교하여 이상이 없다고 판정되기 쉬워지도록 하여, 상기 이상의 유무를 판정한다.
또, 본 개시에 관한 진단 방법은, 검출값의 MD값을 산출하는 스텝과, 단위 공간의 샘플수가 적을수록, 상기 샘플수가 보다 많은 경우와 비교하여 이상이 없다고 판정되기 쉬워지도록 하여, 상기 MD값에 근거하여 이상의 유무를 판정하는 스텝을 갖는다.
또, 본 개시에 관한 프로그램은, 검출값의 MD값을 산출하는 스텝과, 단위 공간의 샘플수가 적을수록, 상기 샘플수가 보다 많은 경우와 비교하여 이상이 없다고 판정되기 쉬워지도록 하여, 상기 MD값에 근거하여 이상의 유무를 판정하는 스텝을 컴퓨터에 실행시킨다.
본 개시의 진단 장치, 진단 방법 및 프로그램에 의하면, 데이터가 적은 경우나 데이터수가 변동하는 경우여도 양호한 정밀도로 이상을 검출할 수 있다.
도 1은 본 개시의 제1 실시형태에 관한 진단 장치의 구성예를 나타내는 도이다.
도 2는 본 개시의 제1 실시형태에 관한 진단 장치의 동작예를 나타내는 플로차트이다.
도 3은 본 개시의 제2 실시형태에 관한 진단 장치를 설명하기 위한 모식도이다.
도 4는 본 개시의 제2 실시형태에 관한 진단 장치의 동작예를 나타내는 플로차트이다.
도 5는 본 개시의 제2 실시형태에 관한 진단 장치의 동작예를 나타내는 시스템 플로도이다.
도 6은 본 개시의 제3 실시형태에 관한 진단 장치를 설명하기 위한 모식도이다.
도 7은 본 개시의 제3 실시형태에 관한 진단 장치의 동작예를 나타내는 플로차트이다.
도 8은 본 개시의 제3 실시형태에 관한 진단 장치의 동작예를 나타내는 시스템 플로도이다.
도 9는 본 개시의 제4 실시형태에 관한 진단 장치의 동작예를 나타내는 시스템 플로도이다.
도 10은 적어도 하나의 실시형태에 관한 컴퓨터의 구성을 나타내는 개략 블록도이다.
<제1 실시형태>
(진단 장치의 구성)
이하, 본 개시의 실시형태에 관한 진단 장치에 대하여, 도 1 및 도 2를 참조하여 설명한다. 또한, 각 도면에 있어서 동일하거나 대응하는 구성에는 동일한 부호를 이용하여 설명을 적절히 생략한다. 또한, 본 실시형태에서는, 진단 장치(10)를, 가스 터빈을 감시하는 감시 센터에 마련하고, 가스 터빈의 이상의 검출에 이용하는 경우를 상정하여 설명하지만, 본 발명은 이에 한정되지 않는다.
도 1은, 본 개시의 제1 실시형태에 관한 진단 장치(10)의 구성예를 나타내는 도이다. 도 1에 나타내는 진단 장치(10)는, 예를 들면, 발전소에 마련되는 가스 터빈 설비(31)를 감시하여, 이상의 유무를 진단하는 장치이다. 가스 터빈 설비(31)와 진단 장치(10)는, 정보가 전달 가능하게 네트워크(32)를 통하여 접속되어 있다. 예를 들면, 진단 장치(10)는, 가스 터빈 설비(31)로부터 소정의 타이밍에 송신되는 가스 터빈의 운전 데이터, 알람 정보, 및 문의 정보 등을 수신한다. 진단 장치(10)는, 취득한 각종 정보를 기억부(13)(상세는 후술한다)에 기억시킨다. 본 실시형태에 있어서는, 가스 터빈 설비(31)로부터 네트워크(32)를 통한 원격지에 진단 장치(10)를 마련하는 것으로 하여 설명하고 있지만, 진단 장치(10)의 위치는 이에 한정되지 않는다.
진단 장치(10)는, 예를 들면, 서버, 퍼스널 컴퓨터 등의 컴퓨터와 그 주변 장치 등을 이용하여 구성할 수 있다. 진단 장치(10)는, 컴퓨터와 그 주변 장치 등의 하드웨어와, 컴퓨터가 실행하는 프로그램 등의 소프트웨어의 조합으로 구성되는 기능적 구성으로서, 마할라노비스 거리 산출부(11)와, 이상 판정부(12)와, 기억부(13)를 구비한다.
기억부(13)에는, 가스 터빈 설비(31)의 복수 개소에 마련되는 계측기로부터 얻어진 소정 기간 내의 측정 데이터(운전 데이터 등)가 기억되어 있다. 측정 데이터에는, 예를 들면, 가스 터빈의 기동 시 등, 정상 데이터가 특히 불균일해지는 비정상적인 상태로 측정된 소정 기간 내의 측정 데이터와, 가스 터빈 설비의 정상 이상의 판정 대상이 되는 측정 데이터가 포함된다. 또, 본 실시형태에 있어서, 가스 터빈 설비의 복수 개소란, 예를 들면, 연소기, 압축기 등이고, 측정 데이터는, 그들 복수 개소로부터 얻어지는 온도, 전압, 전류, 회전 속도, 압력값, 기동 시 등에 있어서의 소정의 상태 변화에 필요로 하는 시간, 기동 시 등에 있어서의 데이터의 최댓값, 최솟값, 평균값이나 합곗값 등의 정보이다. 또, 기억부(13)는, MT법에 있어서 단위 공간에 관한 샘플수(데이터수), 평균값, 표준 편차, 상관 행렬의 역행렬, 이상 판정의 임곗값 등의 값을 기억한다.
마할라노비스 거리 산출부(11)는, 측정 데이터(검출값)의 MD값을 산출한다. 마할라노비스 거리 산출부(11)는, k차원의 MD값을, 이하의 식에 의하여 구한다. 여기에서, k는 항목 수, i, j는 1~k, αij는 상관 행렬의 역행렬의 i, j성분, mi, mj, σi, σj는 각각 단위 공간에 있어서의 평균값 및 표준 편차이다. 단위 공간은, 정상 시의 측정 데이터에 근거하는 복수의 MD값으로 이루어지는 기준 데이터군이고, k항목의 측정 데이터의 조합의 복수의 샘플에 근거하여 산출된다. 단위 공간은, 예를 들면 마할라노비스 거리 산출부(11)에 의하여, 새로운 측정 데이터에 근거하여 갱신된다.
Figure pct00001
또한, 마할라노비스 거리를 이용한 판정이란, 소정 집단의 특징량(다변수)을 하나의 파라미터(마할라노비스 거리)로 나타내어, 소정 측정 데이터의 양호·불량을, 건전한 집단(정상 시의 측정 데이터)의 기본 데이터로부터의 거리로 평가하는 방법이다. 소정 측정 데이터가 불량이면, 건전한 집단으로부터의 거리는 커지고, 측정 데이터가 양호하면 건전한 집단으로부터의 거리는 작아진다.
이상 판정부(12)는, 마할라노비스 거리 산출부(11)가 산출한 MD값에 근거하여 이상의 유무를 판정한다. 그때, 이상 판정부(12)는, 단위 공간의 샘플수가 적을수록, 샘플수가 보다 많은 경우와 비교하여 이상이 없다고 판정되기 쉬워지도록 하여, 이상의 유무를 판정한다. 이상 판정부(12)는, 예를 들면, 마할라노비스 거리에 임곗값(MD 임곗값이라고도 한다)을 마련하여, 임곗값 이하이면 정상으로 하고, 임곗값보다 큰 경우에는 이상으로서 판정한다.
(진단 장치의 동작)
다음으로, 도 2를 참조하여, 도 1에 나타내는 진단 장치(10)의 기본적인 동작에 대하여 설명한다. 도 2는, 본 개시의 제1 실시형태에 관한 진단 장치의 동작예를 나타내는 플로차트이다.
도 2에 나타내는 처리는, 예를 들면 오퍼레이터의 소정의 조작 입력에 따라 개시된다. 또한, 기억부(13)에는, 가스 터빈 설비(31)로 측정된 가스 터빈의 운전에 관한 측정 데이터가 기억되어 있는 것으로 한다. 진단 장치(10)에서는, 먼저, 마할라노비스 거리 산출부(11)가, 측정 데이터(검출값)의 MD값을 산출한다(스텝 S11). 다음으로, 이상 판정부(12)가, 단위 공간의 샘플수가 적을수록, 샘플수가 보다 많은 경우와 비교하여 이상이 없다고 판정되기 쉬워지도록 하여, 이상의 유무를 판정한다(스텝 S12).
스텝 S12에 있어서, 이상 판정부(12)는, 예를 들면, 단위 공간의 샘플수가 적을수록, MD값에 대한 이상 판정의 임곗값을 크게 하여, 이상의 유무를 판정한다. 임곗값이 커지면, MD값이 큰 경우에 이상 있음으로 판정되는 경우가 적어진다. 혹은, 이상 판정부(12)는, 예를 들면, 단위 공간의 샘플수가 적을수록, 마할라노비스 거리 산출부(11)가 산출한 MD값에 대하여, 값이 작아지는 계수를 승산하는 등 하여, MD값이 작아지도록 보정해도 된다. MD값이 작아지면, 이상 판정의 임곗값이 변화하지 않아도, 이상 있음으로 판정되는 경우가 적어진다. 혹은, 이상 판정부(12)는, 임곗값의 보정과, MD값의 보정을 조합해도 된다.
샘플수가 적으면, 단위 공간의 기준이 된 MD값의 분포가 정규 분포에 따르지 않는 경우가 많아진다. 이 경우, 예를 들면, 정규 분포를 가정하여 임곗값을 설정한 경우, 정상임에도 불구하고 MD값이 임곗값을 초과해 버리는 경우가 많아져 버린다고 생각된다. 이에 대하여, 단위 공간의 샘플수가 적을수록, 샘플수가 보다 많은 경우와 비교하여 이상이 없다고 판정되기 쉬워지도록 함으로써, 본 실시형태에서는, 정상임에도 불구하고 이상이라고 오검출해 버리는 경우를 줄일 수 있다. 즉, 오검출의 발생을 억제하여, 이상 검출의 정밀도를 향상시킬 수 있다. 또한, 이상 판정부(12)는, 예를 들면 특허문헌 1에 기재되어 있는 이상 검출의 수법을 조합하여 이용함으로써, 이상임에도 불구하고, 정상이라고 판정되는 오검출의 발생을 방지할 수 있다.
이상 판정부(12)에 의한 이상의 유무의 판정 결과는, 예를 들면, 기억부(13)에 기억하거나, 진단 장치(10)가 구비하는 도시하고 있지 않은 표시 장치, 인쇄 장치, 음향 출력 장치 등으로부터 출력하거나, 진단 장치(10)가 구비하는 도시하고 있지 않은 통신 장치를 통하여 외부의 단말에 송신하거나 할 수 있다.
<제2 실시형태>
도 3~도 5를 참조하여, 본 개시의 제2 실시형태에 대하여 설명한다. 도 3은, 본 개시의 제2 실시형태에 관한 진단 장치를 설명하기 위한 모식도이다. 도 4는, 본 개시의 제2 실시형태에 관한 진단 장치의 동작예를 나타내는 플로차트이다. 도 5는, 본 개시의 제2 실시형태에 관한 진단 장치의 동작예를 나타내는 시스템 플로도이다.
제2 실시형태의 진단 장치의 기본적인 구성은, 도 1에 나타내는 제1 실시형태의 진단 장치(10)와 동일하다. 제2 실시형태는, 제1 실시형태와 비교하여, 도 1에 나타내는 이상 판정부(12)의 동작의 일부가 상세화되어 있다.
도 3은, 마할라노비스 거리 MD의 확률 분포를 정규 분포와 n(또는 Student's t-distribution)으로 모식적으로 나타낸 도이다. 또, 도 3은, 망점에 의하여, MD≥3의 정규 분포 누적 확률(정규 분포의 역누적 분포 함수)과, MD≥5의 t 분포 누적 확률(t 분포의 역누적 분포 함수)을 나타내고 있다.
수학적으로 옳은 확률 밀도 함수는, 표본이 적으면 t 분포이고, 많으면 정규 분포에 가까워진다. 샘플수가 무한대이면 t 분포와 정규 분포는 일치한다. 또, 센서 수가 적은 1의 경우, t-검정과 동일해진다. 동일한 MD여도, 가정하는 확률 밀도 함수에 의하여 누적 확률은 바뀐다. 특히, t 분포는 정규 분포보다 넓게 분포한다. "3<MD값으로 이상"이라고 진단하는 경우에, 데이터수가 적어, t 분포일 때는 "3<MD값"인 것도 비교적 흔한 사상(事象)임에도 불구하고 "이상"으로 해 버리는 오검지가 많다.
따라서, 제2 실시형태에서는, 이상 판정부(12)가, 샘플수에 따른 자유도의 t 분포의 누적 확률(이하, t 분포 누적 확률이라고 한다.)과, t 분포 누적 확률에 대응하는 정규 분포의 누적 확률에 근거하여 마할라노비스 거리 산출부(11)가 산출한 MD값을 MD'값(제2 MD값)으로 보정하고, MD'값과 소정의 임곗값을 비교한 결과에 근거하여, 이상의 유무를 판정한다.
도 4에 나타내는 바와 같이, 제2 실시형태에서는, 먼저, 마할라노비스 거리 산출부(11)가, 측정 데이터(검출값)의 MD값을 산출한다(스텝 S21). 이 경우, MD값은 "5"였다고 한다.
다음으로, 이상 판정부(12)가, 마할라노비스 거리 산출부(11)가 MT법으로 산출한 MD값에 대하여, t 분포로 MD값("5")까지의 t 분포 누적 확률을 구한다(스텝 S22).
다음으로, 이상 판정부(12)가, 정규 분포에 있어서, 구한 t 분포 누적 확률과, 동일한 누적 확률(정규 분포 누적 확률)이 되는 것 같은 MD'값을 구한다(스텝 S23). 이 경우, MD'값은 "3"이었다고 한다.
다음으로, 이상 판정부(12)가, MD'값과 임곗값을 비교하여 이상 진단한다(스텝 S24).
또한, 이상 판정부(12)는, 예를 들면 하기 식을 이용하여 보정 후의 MD값인 MD'값을 구할 수 있다.
Figure pct00002
여기에서, tcdf는 t 분포의 누적 분포 함수, erfinv는 오차 함수의 역함수, v는 자유도이고(N-A), N은 단위 공간의 샘플수(데이터수), A는 센서 수이다.
또한, 도 5에 나타내는 바와 같이, 이상 판정부(12)는, MD 마할라노비스 거리 산출부(11)가 MT법으로 산출한 MD값(101)과, 샘플수(표본수)(102)에 근거하여, t 분포 누적 확률(103)을 산출한다. 또, 이상 판정부(12)는, 동일한 누적 확률이 되는 정규 분포에서의 MD'값(104)을 산출한다. 그리고, 이상 판정부(12)는, MD'값(104)과 MD 임곗값(105)을 비교한다.
이상과 같이, 제2 실시형태에 의하면, 제1 실시형태와 동일하게, 정상임에도 불구하고 이상이라고 오검출해 버리는 경우를 적게 할 수 있다. 또, 상기 식을 이용함으로써, 샘플수가 적을 때부터 많을 때까지, 동일한 계산식으로 대응할 수 있다.
<제3 실시형태>
도 6~도 8을 참조하여, 본 개시의 제3 실시형태에 대하여 설명한다. 도 6은, 본 개시의 제3 실시형태에 관한 진단 장치를 설명하기 위한 모식도이다. 도 7은, 본 개시의 제3 실시형태에 관한 진단 장치의 동작예를 나타내는 플로차트이다. 도 8은, 본 개시의 제3 실시형태에 관한 진단 장치의 동작예를 나타내는 시스템 플로도이다.
제3 실시형태의 진단 장치의 기본적인 구성은, 도 1에 나타내는 제1 실시형태의 진단 장치(10)와 동일하다. 제3 실시형태는, 제1 실시형태와 비교하여, 도 1에 나타내는 이상 판정부(12)의 동작의 일부가 상세화되어 있다.
도 6은, 도 3과 동일하게, 마할라노비스 거리 MD의 확률 분포를 정규 분포와 t 분포로 모식적으로 나타낸 도이다. 또, 도 6은, 망점에 의하여, MD≥3의 정규 분포 누적 확률(정규 분포의 역누적 분포 함수)과, MD≥5의 t 분포 누적 확률을 나타내고 있다. 또한, 도 6에서는, 임곗값 MDc의 값이 "3"이다.
제3 실시형태에서는, 이상 판정부(12)가, 정규 분포로 소정의 임곗값 MDc까지의 누적 확률(정규 분포 누적 확률)을 구하고, 정규 분포 누적 확률과 동일한 t 분포 누적 확률이 되는 샘플수에 따른 자유도의 t 분포에서의 임곗값 MDc에 대응하는 대응값 MDt를 구하며, 임곗값 MDc와 대응값 MDt에 근거하여 MD값을 보정한 MD'값(제2 MD값)과, 임곗값 MDc를 비교한 결과에 근거하여, 이상의 유무를 판정한다. 도 6에 나타내는 예에서는, 임곗값 MDc "3"에 대응하는 대응값 MDt는 "5"로 하고 있다. 이 경우, 예를 들면, MD값에 3/5를 곱한 값(MD'값)과, 임곗값 MDc가 비교된다.
도 7에 나타내는 바와 같이, 제3 실시형태에서는, 먼저, 마할라노비스 거리 산출부(11)가, 측정 데이터(검출값)의 MD값을 산출한다(스텝 S31). 다음으로, 이상 판정부(12)가, 정규 분포에서의 임곗값(MDc)까지의 누적 확률을 구한다(스텝 S32). 다음으로, 이상 판정부(12)가, t 분포에 있어서, 구한 정규 분포의 누적 확률과 동일한 누적 확률이 되는 것 같은 대응값(MDt)을 구한다(스텝 S33). 도 6에서는 MDc=3, MDt=5. 여기에서, 정규 분포의 MD=3은, t 분포에서는 사상의 발생 확률적으로는 MD=5 상당이라는 것을 알 수 있다. 단, t 분포의 대응값은, 샘플수에 의하여 변화한다.
다음으로, 이상 판정부(12)는, 마할라노비스 거리 산출부(11)가 MT법으로 산출한 MD값을, MDc/MDt배 하여 MD'값(제2 MD값)으로 한다(스텝 S34). 도 6에 나타내는 예에서는, MD'값=MD값Х3/5가 된다. 다음으로, 이상 판정부(12)는, MD'값과 MD 임곗값(MDc)을 비교하여 이상 진단한다(스텝 S35).
또한, 이상 판정부(12)는, 예를 들면 하기 식을 이용하여 보정 후의 MD값인 MD'값을 구할 수 있다.
Figure pct00003
여기에서, MDc는 MT법의 임곗값, tinv는 t 분포의 역누적 분포 함수, erf는 오차 함수, v는 자유도(N-A), N은 단위 공간의 샘플수(데이터수), A는 센서 수이다.
또한, 도 8에 나타내는 바와 같이, 제3 실시형태의 이상 판정부(12)는, MD 마할라노비스 거리 산출부(11)가 MT법으로 산출한 MD(MD값)(201)와, 샘플수(표본수)(205)에 근거하여 정규 분포용 MD 임곗값(203) 또는 t 분포용 MD 임곗값(204)으로부터 선택한 MD 임곗값을 비교하도록 해도 된다. 이 경우, t 분포용 MD 임곗값(204)은, 정규 분포용 MD 임곗값(203)보다 작고, 샘플수가 적은 경우에 선택된다. 즉, 제3 실시형태에서는, 이상 판정부(12)는, 샘플수가 적은 경우에 MD값과 비교되는 소정의 임곗값을 크게 하여, MD값이 임곗값보다 클 때에 이상이 있다고 판정한다.
이상과 같이, 제3 실시형태에 의하면, 제1 실시형태와 동일하게, 정상임에도 불구하고 이상이라고 오검출해 버리는 경우를 적게 할 수 있다. 또, 상기 식을 이용함으로써, 계산 처리를 간소화할 수 있고(함수의 파라미터를 MD값이 아닌 상수인 임곗값 MDc로 할 수 있고), 제2 실시형태와 비교하여 처리 부하를 저감시킬 수 있다.
<제4 실시형태>
도 9를 참조하여, 본 개시의 제4 실시형태에 대하여 설명한다. 도 9는, 본 개시의 제4 실시형태에 관한 진단 장치의 동작예를 나타내는 시스템 플로도이다. 제4 실시형태의 진단 장치의 기본적인 구성은, 도 1에 나타내는 제1 실시형태의 진단 장치(10)와 동일하다. 제4 실시형태는, 제1 실시형태와 비교하여, 도 1에 나타내는 이상 판정부(12)의 동작의 일부가 상세화되어 있다.
도 9에 나타내는 바와 같이, 제4 실시형태의 이상 판정부(12)는, MD 마할라노비스 거리 산출부(11)가 MT법으로 산출한 MD값(301)과, 샘플수(표본수)(302)에 근거하여, t 분포 누적 확률(303)을 산출하고, t 분포 누적 확률(303)과 미리 정한 임곗값에 대응하는 정규 분포의 누적 확률인 누적 확률 임곗값(304)을 비교하여 이상 판정을 행한다. 즉, 제4 실시형태의 진단 장치(10)는, 마할라노비스 거리 산출부(11)가 측정 데이터(검출값)의 MD값을 산출한다. 그리고, 이상 판정부(12)는, 단위 공간의 샘플수에 따라 구한 MD값까지의 누적 확률과, 소정의 누적 확률 임곗값을 비교하여, 비교한 결과에 근거하여 이상의 유무를 판정함으로써, MD값에 근거하여 이상의 유무를 판정한다.
(그 외의 실시형태)
이상, 본 개시의 실시형태에 대하여 도면을 참조하여 상세하게 설명했지만, 구체적인 구성은 이 실시형태에 한정되는 것은 아니고, 본 개시의 요지를 벗어나지 않는 범위의 설계 변경 등도 포함된다.
<컴퓨터 구성>
도 10은, 적어도 하나의 실시형태에 관한 컴퓨터의 구성을 나타내는 개략 블록도이다.
컴퓨터(90)는, 프로세서(91), 메인 메모리(92), 스토리지(93), 인터페이스(94)를 구비한다.
상술한 진단 장치(10)는, 컴퓨터(90)에 실장된다. 그리고, 상술한 각 처리부의 동작은, 프로그램의 형식으로 스토리지(93)에 기억되어 있다. 프로세서(91)는, 프로그램을 스토리지(93)로부터 독출하여 메인 메모리(92)에 전개하고, 당해 프로그램에 따라 상기 처리를 실행한다. 또, 프로세서(91)는, 프로그램에 따라, 상술한 각 기억부에 대응하는 기억 영역을 메인 메모리(92)에 확보한다.
프로그램은, 컴퓨터(90)에 발휘시키는 기능의 일부를 실현하기 위한 것이어도 된다. 예를 들면, 프로그램은, 스토리지에 이미 기억되어 있는 다른 프로그램과의 조합, 또는 다른 장치에 실장된 다른 프로그램과의 조합에 의하여 기능을 발휘시키는 것이어도 된다. 또한, 다른 실시형태에 있어서는, 컴퓨터는, 상기 구성에 더하여, 또는 상기 구성 대신에 PLD(Programmable Logic Device) 등의 커스텀 LSI(Large Scale Integrated Circuit)를 구비해도 된다. PLD의 예로서는, PAL(Programmable Array Logic), GAL(Generic Array Logic), CPLD(Complex Programmable Logic Device), FPGA(Field Programmable Gate Array)를 들 수 있다. 이 경우, 프로세서에 의하여 실현되는 기능의 일부 또는 전부가 당해 집적 회로에 의하여 실현되어도 된다.
스토리지(93)의 예로서는, HDD(Hard Disk Drive), SSD(Solid State Drive), 자기(磁氣) 디스크, 광자기 디스크, CD-ROM(Compact Disc Read Only Memory), DVD-ROM(Digital Versatile Disc Read Only Memory), 반도체 메모리 등을 들 수 있다. 스토리지(93)는, 컴퓨터(90)의 버스에 직접 접속된 내부 미디어여도 되고, 인터페이스(94) 또는 통신 회선을 통하여 컴퓨터(90)에 접속되는 외부 미디어여도 된다. 또, 이 프로그램이 통신 회선에 의하여 컴퓨터(90)에 전송되는 경우, 전송을 받은 컴퓨터(90)가 당해 프로그램을 메인 메모리(92)에 전개하여, 상기 처리를 실행해도 된다. 적어도 하나의 실시형태에 있어서, 스토리지(93)는, 일시적이지 않은 유형의 기억 매체이다.
<부기>
각 실시형태에 관한 진단 장치(10)는, 예를 들면 이하와 같이 파악된다.
(1) 제1 양태에 관한 진단 장치(10)는, 측정 데이터(검출값)의 MD값을 산출하는 마할라노비스 거리 산출부(11)와, MD값에 근거하여 이상의 유무를 판정하는 이상 판정부(12)를 구비하고, 이상 판정부(12)는, 단위 공간의 샘플수가 적을수록, 샘플수가 보다 많은 경우와 비교하여 이상이 없다고 판정되기 쉬워지도록 하여, 이상의 유무를 판정한다.
(2) 제2 양태의 진단 장치(10)는, (1)의 진단 장치(10)로서, 이상 판정부(12)는, 샘플수에 따른 자유도의 t 분포 누적 확률과, t 분포 누적 확률에 대응하는 정규 분포의 누적 확률에 근거하여 MD값을 MD'값(제2 MD값)으로 보정하고, MD'값(제2 MD값)과 소정의 임곗값을 비교한 결과에 근거하여, 이상의 유무를 판정한다.
(3) 제3 양태의 진단 장치는, (1)의 진단 장치(10)로서, 이상 판정부(12)는, 정규 분포로 소정의 임곗값 MDc까지의 누적 확률을 구하고, 그 누적 확률과 동일한 누적 확률이 되는 샘플수에 따른 자유도의 t 분포에서의 임곗값에 대응하는 대응값 MDt를 구하며, 임곗값 Mdc와 대응값 MDt에 근거하여 MD값을 보정한 MD'값(제2 MD값)과, 임곗값 MDc를 비교한 결과에 근거하여, 이상의 유무를 판정한다.
(4) 제4 양태의 진단 장치는, (1)의 진단 장치(10)로서, 이상 판정부(12)는, 샘플수가 적은 경우에 MD값과 비교되는 소정의 임곗값을 크게 하여, MD값이 임곗값보다 클 때에, 이상이 있다고 판정한다.
(5) 제4 양태의 진단 장치는, 측정 데이터(검출값)의 마할라노비스 거리를 산출하는 마할라노비스 거리 산출부(11)와, MD값에 근거하여 이상의 유무를 판정하는 이상 판정부(12)를 구비하고, 이상 판정부(12)는, 단위 공간의 샘플수에 따라 구한 MD값까지의 누적 확률(303)과, 소정의 누적 확률 임곗값(304)을 비교하여, 비교한 결과에 근거하여 이상의 유무를 판정한다.
상기 각 양태에 의하면, 샘플수(단위 공간의 산출에 이용하는 데이터)가 적은 경우에 정상값을 이상값이라고 판정하는 오검출을 적게 하여, 검출 정밀도를 향상시킬 수 있다.
10 진단 장치
11 마할라노비스 거리 산출부
12 이상 판정부

Claims (7)

  1. 검출값의 마할라노비스 거리를 산출하는 마할라노비스 거리 산출부와,
    상기 MD값에 근거하여 이상의 유무를 판정하는 이상 판정부를 구비하고,
    상기 이상 판정부는, 단위 공간의 샘플수가 적을수록, 상기 샘플수가 보다 많은 경우와 비교하여 이상이 없다고 판정되기 쉬워지도록 하여, 상기 이상의 유무를 판정하는 진단 장치.
  2. 청구항 1에 있어서,
    상기 이상 판정부는, 상기 샘플수에 따른 자유도의 t 분포의 누적 확률과, 상기 t 분포의 누적 확률에 대응하는 정규 분포의 누적 확률에 근거하여 상기 MD값을 제2 MD값으로 보정하고, 상기 제2 MD값과 소정의 임곗값을 비교한 결과에 근거하여, 상기 이상의 유무를 판정하는 진단 장치.
  3. 청구항 1에 있어서,
    상기 이상 판정부는, 정규 분포로 소정의 임곗값까지의 누적 확률을 구하고, 상기 누적 확률과 동일한 누적 확률이 되는 상기 샘플수에 따른 자유도의 t 분포에서의 상기 임곗값에 대응하는 대응값을 구하며, 상기 임곗값과 상기 대응값에 근거하여 상기 MD값을 보정한 제2 MD값과, 상기 임곗값을 비교한 결과에 근거하여, 상기 이상의 유무를 판정하는 진단 장치.
  4. 청구항 1에 있어서,
    상기 이상 판정부는, 상기 샘플수가 적은 경우에 상기 MD값과 비교되는 소정의 임곗값을 크게 하고, 상기 MD값이 상기 임곗값보다 클 때에, 상기 이상이 있다고 판정하는 진단 장치.
  5. 검출값의 마할라노비스 거리를 산출하는 마할라노비스 거리 산출부와,
    상기 MD값에 근거하여 이상의 유무를 판정하는 이상 판정부를 구비하고,
    상기 이상 판정부는, 단위 공간의 샘플수에 따라 구한 상기 MD값까지의 누적 확률과, 소정의 누적 확률 임곗값을 비교하여, 비교한 결과에 근거하여 상기 이상의 유무를 판정하는 진단 장치.
  6. 검출값의 마할라노비스 거리를 산출하는 스텝과,
    단위 공간의 샘플수가 적을수록, 상기 샘플수가 보다 많은 경우와 비교하여 이상이 없다고 판정되기 쉬워지도록 하여, 상기 MD값에 근거하여 이상의 유무를 판정하는 스텝을 갖는 진단 방법.
  7. 검출값의 마할라노비스 거리를 산출하는 스텝과,
    단위 공간의 샘플수가 적을수록, 상기 샘플수가 보다 많은 경우와 비교하여 이상이 없다고 판정되기 쉬워지도록 하여, 상기 MD값에 근거하여 이상의 유무를 판정하는 스텝을 컴퓨터에 실행시키는 프로그램.
KR1020227019404A 2020-01-06 2020-12-24 진단 장치, 진단 방법 및 프로그램 KR20220098202A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2020000427A JP7437163B2 (ja) 2020-01-06 2020-01-06 診断装置、診断方法およびプログラム
JPJP-P-2020-000427 2020-01-06
PCT/JP2020/048494 WO2021140942A1 (ja) 2020-01-06 2020-12-24 診断装置、診断方法およびプログラム

Publications (1)

Publication Number Publication Date
KR20220098202A true KR20220098202A (ko) 2022-07-11

Family

ID=76788426

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020227019404A KR20220098202A (ko) 2020-01-06 2020-12-24 진단 장치, 진단 방법 및 프로그램

Country Status (6)

Country Link
US (1) US11789436B2 (ko)
JP (1) JP7437163B2 (ko)
KR (1) KR20220098202A (ko)
CN (1) CN114746821A (ko)
DE (1) DE112020006451T5 (ko)
WO (1) WO2021140942A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116111731B (zh) * 2023-04-13 2023-06-20 东莞先知大数据有限公司 一种分布式储能设备异常确定方法、装置、设备和介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6129508B2 (ko) 1977-10-04 1986-07-07 Dainippon Printing Co Ltd

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6129508U (ja) 1984-07-25 1986-02-22 松下電工株式会社 アンテナ構造
JP2003172567A (ja) * 2001-04-24 2003-06-20 Fuji Electric Co Ltd 故障診断方法、故障診断装置、店舗内機器管理システム、及び記録媒体
JP4211706B2 (ja) * 2004-07-28 2009-01-21 株式会社日立製作所 交通情報提供装置
GB2456567B (en) 2008-01-18 2010-05-05 Oxford Biosignals Ltd Novelty detection
US10648888B2 (en) 2008-02-27 2020-05-12 Mitsubishi Hitachi Power Systems, Ltd. Plant state monitoring method, plant state monitoring computer program, and plant state monitoring apparatus
US8423484B2 (en) * 2009-01-23 2013-04-16 Oxfordian, Llc Prognostics and health management method for aging systems
JP5301310B2 (ja) * 2009-02-17 2013-09-25 株式会社日立製作所 異常検知方法及び異常検知システム
JP2011170518A (ja) * 2010-02-17 2011-09-01 Nec Corp 状態監視装置及び方法
JP6129508B2 (ja) 2012-10-04 2017-05-17 三菱重工業株式会社 異常検出前処理装置および方法ならびにプログラム、それを備えた異常検出装置
JP6018106B2 (ja) 2014-02-28 2016-11-02 中国電力株式会社 予測システム、予測方法
JP6520228B2 (ja) 2015-03-05 2019-05-29 中国電力株式会社 電力需要量予測システム、電力需要量予測方法及びプログラム
JP6770802B2 (ja) * 2015-12-28 2020-10-21 川崎重工業株式会社 プラント異常監視方法およびプラント異常監視用のコンピュータプログラム
JP6511702B2 (ja) * 2016-06-01 2019-05-15 三菱日立パワーシステムズ株式会社 監視装置、対象装置の監視方法、およびプログラム
JP6655595B2 (ja) 2017-12-21 2020-02-26 三菱日立パワーシステムズ株式会社 単位空間生成装置、プラント診断システム、単位空間生成方法、プラント診断方法、及びプログラム
JP7181711B2 (ja) 2018-06-27 2022-12-01 東芝ライフスタイル株式会社 衣類処理装置
US20200074269A1 (en) * 2018-09-05 2020-03-05 Sartorius Stedim Data Analytics Ab Computer-implemented method, computer program product and system for data analysis

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6129508B2 (ko) 1977-10-04 1986-07-07 Dainippon Printing Co Ltd

Also Published As

Publication number Publication date
US20230004153A1 (en) 2023-01-05
JP7437163B2 (ja) 2024-02-22
WO2021140942A1 (ja) 2021-07-15
DE112020006451T5 (de) 2022-10-27
CN114746821A (zh) 2022-07-12
US11789436B2 (en) 2023-10-17
JP2021110977A (ja) 2021-08-02

Similar Documents

Publication Publication Date Title
JP4071449B2 (ja) センサ異常検出方法及びセンサ異常検出装置
US8751423B2 (en) Turbine performance diagnostic system and methods
CN107710089B (zh) 工厂设备诊断装置以及工厂设备诊断方法
US10581665B2 (en) Content-aware anomaly detection and diagnosis
KR20190025474A (ko) 플랜트 데이터 예측 장치 및 방법
EP2613207A2 (en) Adaptive trend-change detection and function fitting system and method
JP2004240642A (ja) プラント機器の保守支援装置
US7949497B2 (en) Machine condition monitoring using discontinuity detection
US20230280240A1 (en) Abnormality diagnosis device and abnormality diagnosis method
KR20220098202A (ko) 진단 장치, 진단 방법 및 프로그램
US8285514B2 (en) Sensor fault detection systems and methods thereof
CN110458713B (zh) 模型监控方法、装置、计算机设备及存储介质
US20210248899A1 (en) Notification device, notification method, and program
CN113434823B (zh) 数据采集任务异常预警方法、装置、计算机设备和介质
KR102574567B1 (ko) 고로의 이상 판정 장치, 고로의 이상 판정 방법, 및 고로의 조업 방법
JP7026012B2 (ja) 機器状態監視システム及び機器状態監視方法
JP7347953B2 (ja) 機器予兆監視装置、および、機器予兆監視方法
CN113869373A (zh) 设备异常检测方法、装置、计算机设备和存储介质
US11676477B2 (en) Fire alarm system
JP2023103096A (ja) 補修推定装置、補修推定方法
CN115345190A (zh) 信号异常的检测方法、装置及服务器
CN117537447A (zh) 空调管路检测方法、装置、空调器及存储介质
CN116893649A (zh) 故障诊断装置、非暂时性计算机可读记录介质以及故障诊断方法
JP2022155028A (ja) 機器状態監視装置、プログラムおよび機器状態監視方法
CN114945879A (zh) 预测装置、预测方法及程序