WO2011024382A1 - 設備状態監視方法およびその装置 - Google Patents

設備状態監視方法およびその装置 Download PDF

Info

Publication number
WO2011024382A1
WO2011024382A1 PCT/JP2010/004789 JP2010004789W WO2011024382A1 WO 2011024382 A1 WO2011024382 A1 WO 2011024382A1 JP 2010004789 W JP2010004789 W JP 2010004789W WO 2011024382 A1 WO2011024382 A1 WO 2011024382A1
Authority
WO
WIPO (PCT)
Prior art keywords
abnormality
feature vector
learning data
event
data
Prior art date
Application number
PCT/JP2010/004789
Other languages
English (en)
French (fr)
Inventor
渋谷久恵
前田俊二
Original Assignee
株式会社日立製作所
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 株式会社日立製作所 filed Critical 株式会社日立製作所
Priority to US13/383,841 priority Critical patent/US8682824B2/en
Publication of WO2011024382A1 publication Critical patent/WO2011024382A1/ja

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
    • G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
    • G05B23/021—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system adopting a different treatment of each operating region or a different mode of the monitored system, e.g. transient modes; different operating configurations of monitored system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Definitions

  • the present invention relates to a state monitoring method and apparatus for detecting an abnormality early and diagnosing a phenomenon based on multi-dimensional time series data output from a plant or equipment.
  • Patent Document 1 US Pat. No. 6,952,662 (Patent Document 1) and US Pat. No. 6,975,962 (Patent Document 2) disclose an abnormality detection method mainly for an engine. This is based on past data such as time-series sensor signals as a database, and the similarity between observation data and past learning data is calculated by an original method, and the estimated value is calculated by linear combination of data with high similarity. Thus, the degree of deviation between the estimated value and the observation data is output.
  • case data is registered in a database, the degree of similarity of the input data to the case data is evaluated, and an event name associated with the highest case in advance with the highest degree of similarity. Is disclosed.
  • Patent Literature 1 and Patent Literature 2 do not disclose a method for comprehensive data collection and abnormality elimination, and the user bears such a load. Since it is necessary to meticulously cope with changes over time, surrounding environmental changes, and the presence or absence of maintenance work such as parts replacement, it is practically difficult and impossible in many cases to perform such correspondence manually.
  • an object of the present invention is to solve the above-mentioned problem, and to detect an abnormal sign with high sensitivity without increasing the user load even if learning data is insufficient, and an abnormal sign detection method, and To provide a facility state monitoring method and system including an abnormality diagnosis method capable of explaining not only detection but also abnormality and anomaly sign, that is, what state of a sensor signal is the basis for abnormality determination It is in.
  • an object of the present invention is to provide an abnormality that can create a high-accuracy normal model using only correct learning data without increasing the load on the user even when there is an abnormality in the learning data. It is to provide a predictive detection method.
  • Patent Document 1 and Patent Document 2 do not describe a method for selecting a sensor item, and the effort of the user is made. It will be.
  • an object of the present invention is to provide an abnormality sign detection method capable of creating a high-accuracy normal model by excluding sensor items that inhibit sensitivity without increasing the load on the user.
  • the present invention performs mode division according to the operating state based on the event signal in the equipment state monitoring based on the time-series sensor signal and event signal output from the equipment or the manufacturing apparatus or the measuring apparatus, A normal model is created for each mode based on the sensor signal, an abnormal measure is calculated by comparing the normal model with the sensor signal, the sufficiency of the learning data used to create the normal model is checked for each mode, and the sufficiency of the learning data Anomaly identification based on the anomaly measure is performed after setting the sensitivity according to.
  • the sensor signals that have been judged to be all events or abnormalities are quantized into cause events, and failure events that have occurred between the occurrence of the cause events and the elapse of a certain period of time are taken as result events, and a frequency matrix of cause events and result events is created. Based on the matrix, a failure that occurs within a certain time when an event occurs is predicted.
  • the facility state monitoring method includes a time-series sensor that outputs a time-series event signal output from the facility or apparatus according to a mode division according to an operating state of the facility or apparatus, and is output from the facility or apparatus.
  • a feature vector is obtained from the signal, a normal model is created for each mode divided using the mode division information and feature vector information obtained from the sensor signal, and the feature vector is abnormal for each mode divided using the created normal model.
  • the measure is calculated, the calculated anomaly measure is compared with a preset threshold value, an anomaly is judged, and the equipment or device anomaly is diagnosed using the information on the judged anomaly and the sensor signal.
  • the equipment state monitoring device includes a mode dividing means for inputting a time-series event signal output from the equipment or device and mode-dividing the event signal according to the operating state of the equipment or device, and equipment
  • a feature vector calculation means for obtaining a feature vector from a sensor signal inputted by inputting a time-series sensor signal output from the apparatus, and a feature of the sensor signal obtained by the mode division information from the mode division means and the feature vector calculation means
  • Normal model creation means for creating a normal model for each mode divided using vector information, and feature vector abnormality obtained by the feature vector calculation means for each mode divided using the normal model created by the normal model creation means
  • Set the anomaly measure calculating means for calculating the measure and the anomaly measure calculated by the anomaly measure calculating means in advance.
  • An abnormality determining means for determining an abnormality in comparison with the above, an abnormality diagnosis means for diagnosing an abnormality of the facility or apparatus using information on the abnormality determined by the abnormality determining means and a time-series sensor signal output from the facility or apparatus And configured.
  • the present invention extracts a feature vector based on a sensor signal and selects a feature to be used based on a data check of the feature vector in facility state monitoring based on a time-series sensor signal output from the facility, a manufacturing apparatus, or a measuring device.
  • Select the learning data to be used based on the feature vector data check create a normal model based on the feature vector, calculate the anomaly measure by comparing the normal model and the sensor signal, and use the learning data used to create the normal model. Sufficiency is checked, sensitivity is set according to the sufficiency of the learning data, and abnormality identification is performed based on the abnormality measure.
  • a facility state monitoring method for detecting an abnormality based on a time-series sensor signal output from a facility or apparatus is used to extract a feature vector based on the sensor signal and to use the feature vector based on data check Select the learning data to be used based on the feature vector data check, create a normal model based on the feature vector, check the sufficiency of the learning data used to create the normal model, Learning process to set the threshold according to the detection, feature vector is extracted based on the sensor signal, abnormality measure is calculated by comparing the normal model and feature vector, and abnormality detection is performed by comparing abnormality measure and threshold And a process.
  • mode division is performed for each operating state, and a normal model is created for each mode. Therefore, a highly accurate normal model corresponding to various states can be created. Furthermore, by checking the sufficiency of the learning data for each mode and performing identification by reducing the sensitivity if the data is insufficient, it is possible to suppress misjudgment caused by the lack of data, and the reliability of abnormality detection Can be improved.
  • the feature and learning data to be used are automatically selected based on the feature vector data check, the user only has to input the entire sensor signal without examining the use features and the learning data. It is possible to create a high-precision normal model, and realize highly sensitive abnormality detection with less effort.
  • FIG. 1A shows a configuration example of a system that realizes the equipment state monitoring method of the present invention.
  • the sensor signal analysis unit receives the sensor signal 102 output from the facility 101 and performs feature selection, feature extraction, and feature conversion of the signal to obtain a feature vector, and an event signal 103 output from the facility 101.
  • the mode division unit 104, the feature extraction unit 105, and the mode that divide the time according to the change in the operation state of the equipment 101 (in the following description, this division is referred to as mode division and the type of operation state is referred to as mode).
  • a normal model creation unit 106 that creates a normal model in response to an output from the division unit 104, and an abnormality that calculates an abnormality measure from the sensor signal extracted by the feature extraction unit 105 using the normal model created by the normal model creation unit 106 Based on the abnormality measure calculated by the abnormality measure calculation unit 107 for the normal model created by the measure calculation unit 107 and the normal model creation unit 106
  • a learning data check unit 108 for checking a normal model
  • an abnormality identification unit 109 for identifying an abnormality based on the data of the normal model checked by the learning data check unit 108 and the abnormality measure calculated from the sensor signal 102 by the abnormality measure calculation unit 107
  • an abnormality diagnosis unit 110 that diagnoses an abnormality of the equipment 101 from the sensor signal 102 and the determination result of the abnormality identification unit 109.
  • the mode division unit 104 receives the event signal 103 output from the facility 101 (S101), and mode-divides the operation time of the facility 101 according to the change in the operation state (S102).
  • the feature extraction unit 105 receives the sensor signal 102 output from the facility 101 (S103), performs feature selection, feature extraction, and feature conversion to obtain a feature vector (S104).
  • the mode division information from the mode division unit 104 and the feature vector information from the feature extraction unit 105 are input to the normal model creation unit 106, and learning data is selected from the feature vector (S105), and this is used for each mode. Learning is performed to create a normal model (S106).
  • the created normal model is input to the abnormality measure calculation unit 107 together with the feature vector information from the feature extraction unit 104, and the abnormality measure is calculated (S107).
  • the learning data check unit 108 checks the sufficiency of the learning data used for creating the normal model for each mode based on the information of the abnormality measure calculated by the abnormality measure calculation unit 107 (S108). That is, it is checked whether the created normal model can properly express the normal state in that mode.
  • a threshold value used for abnormality identification is set according to the check result (S109). That is, when the learning data is insufficient, the threshold value is increased in order to prevent an erroneous determination to determine that the learning data is abnormal although it is normal.
  • the mode division unit 104 receives the event signal 103 output from the equipment 101 (S111), and mode-divides the operating time of the equipment 101 according to the change in the operating state (S112).
  • the feature extraction unit 105 receives the sensor signal 102 output from the facility 101 (S113), performs feature selection, feature extraction, and feature conversion to obtain a feature vector (S114).
  • the mode division information from the mode division unit 104 and the feature vector information from the feature extraction unit 105 are input to the anomaly measure calculation unit 107, and the feature vectors are classified for each mode and created by the normal model creation unit 106 during learning.
  • the abnormal measure is calculated by comparing with the stored normal model (S115).
  • the calculated abnormality measure is input to the abnormality identification unit 109, and abnormality determination is performed by comparing with the threshold value set during learning (S116).
  • the result of the abnormality determination is sent to the abnormality diagnosis unit 110, and the abnormality is detected at the time of evaluation based on the information stored by learning the relationship between the event signal 103 at the time of learning and the sensor signal 102 at the time of abnormality determination.
  • a diagnosis is performed with the sensor signal 102 at the determined time as an input (S117).
  • FIG. 2A An example of the event signal 103 is shown in FIG. 2A. This is an irregularly output signal indicating operation / failure / warning of equipment, and consists of a time and a character string representing operation / failure / warning. As shown in FIG. 2B, this event signal 103 is input (S201), and a start sequence and a stop sequence are cut out by searching for a predetermined character string (S202).
  • the “steady OFF” mode 211 from the end time of the stop sequence to the start time of the start sequence, the “start” mode 212 in the start sequence, and from the end time of the start sequence to the start time of the stop sequence
  • the operation is divided into four operating states of “steady ON” mode 213 and “stop” mode 214 in the stop sequence (S203).
  • FIG. 2C An example is shown in FIG. 2C.
  • a start event and an end event of a sequence are designated in advance, and the event signal 103 is cut out while scanning from the beginning to the end in the following manner.
  • search for a start event When it is found, the sequence starts.
  • search for an end event If found, end the sequence.
  • the end event is a specified end event, a failure, a warning, or a specified start event. If it is terminated at a non-specified end event, it is recorded as an abnormal end.
  • a sequence that is sequentially cut out in this way and a period that is not in the sequence will be referred to as a “cluster”.
  • the first embodiment is an example in which the start and end of the start sequence and the stop sequence can be specified, and four modes appear in order.
  • an example in which such specification cannot be performed is shown.
  • the event signal 103 is input (S301), and when the time interval becomes equal to or greater than the threshold value, a separation process is performed (S302), and an event sequence is created.
  • S303 all unique event sequences are listed (S303), and the similarity between the event sequences is examined (S304). For example, if the length of each event sequence is L1, L2, the number of events required to change one to the other is deleted, and the number of additions is C
  • FIG. 1 An example of the sensor signal 102 is shown in FIG. A plurality of time series signals, where signal 1 corresponding to time series / XX1, signal 2 corresponding to time series / XX2, signal 3 corresponding to time series / XX3, and time series / Four types of signals, ie, signal 4 corresponding to xx4 are shown. Actually, the number is not limited to four, and the number may be hundreds to thousands.
  • Each signal corresponds to the output from a plurality of sensors provided in the equipment 101. For example, the temperature of the cylinder, oil, cooling water, the pressure of the oil or cooling water, the rotational speed of the shaft, the room temperature, the operation time, etc. Are observed at regular intervals.
  • all clusters in the same mode may be collected to create an affine subspace.
  • the abnormality measure calculation is basically a real-time process.
  • the local subspace method is a method of creating a k ⁇ 1 dimensional affine subspace using k-neighbor data of the evaluation data q.
  • the point b on the affine subspace closest to the evaluation data q may be obtained.
  • the matrix Q with k q arranged and the matrix X with xi arranged
  • the normal model creation unit 106 selects the learning data shown in FIG.
  • a kd tree for searching is constructed for each mode.
  • the kd-tree is a space division data structure that classifies points in the k-dimensional Euclidean space. The segmentation is performed using only a plane perpendicular to one of the coordinate axes, and one point is stored in each leaf node.
  • the anomaly measure calculation unit 107 obtains k-neighbor data of the evaluation data using a kd tree belonging to the same mode as the evaluation data, obtains the aforementioned point b from them, and calculates the distance between the evaluation data and the point b. An anomaly measure.
  • a normal model can be created using various methods such as Mahalanobis Taguchi method, regression analysis method, nearest neighbor method, similarity base model, and one-class SVM.
  • FIG. 8 shows an example in which an abnormal measure is calculated based on the sensor signal 102 and the event signal 103 using the above-described projection distance method.
  • a graph 801 represents an abnormality measure
  • a graph 802 represents the number of occurrences of a failure
  • the horizontal axis represents time. It can be seen that a failure has occurred at the time of 803 and the abnormality measure has increased. However, the abnormal measure is large in other parts, and it is difficult to determine the threshold value so as not to give false information.
  • the abnormal measure increases despite normality in the transition period from one steady state in the “start” mode or “stop” mode to the other steady state.
  • the state of the mode cannot be expressed sufficiently. Accordingly, the sufficiency of the learning data is obtained for each mode, and the threshold value is determined for each mode accordingly.
  • Sufficiency check is performed, for example, by cross-validation of learning data.
  • This method is called k-fold cross validation, in which data is divided into k groups, one of which is evaluated data and the rest is used as learning data, and a model is created to calculate an abnormal measure. If the same processing is performed for all k groups while replacing the evaluation data, the abnormality measure can be calculated for all data.
  • k is increased, a model closer to the model of the entire learning data can be obtained. However, since the calculation time becomes longer, it is necessary to select an appropriate k.
  • ⁇ After calculating the abnormal measure for all data, create a frequency distribution (histogram) of the abnormal measure for each mode. Based on this, a cumulative histogram is created, and a value reaching a ratio close to 1 specified in advance is obtained. It can be said that the larger this value, the less the learning data.
  • the threshold is determined for each mode by processing such as adding an offset or multiplying by a constant based on this value.
  • the identification unit 109 determines that there is an abnormality when the abnormality measure is equal to or greater than the threshold value thus determined.
  • FIG. 9 shows an example of a GUI related to the learning data check.
  • the signal display screen, the feature display screen, the signal enlargement display screen, the feature enlargement display screen, the abnormal measure display screen, and the abnormal measure cumulative histogram screen can be switched by selecting a menu (selecting a tab displayed at the top of each screen).
  • FIG. 9A shows a signal display screen 901.
  • the signal display screen 901 is composed of a plurality of signal display windows 902. In each window, the sensor signal 102 for a period previously designated as learning data is displayed as time-series data for each sensor (for each signal). The period of learning data is displayed in a period display window 903, and designation can be made in this window.
  • FIG. 9A shows a state in which signals 1 to 4 are maximized and displayed and signals 5 to 7 are minimized.
  • a cursor 906 represents a starting point for enlarged display and can be moved by a mouse operation or a keyboard operation.
  • FIG. 9B shows a feature display screen 907.
  • the feature display screen 907 includes a plurality of feature display windows 908, and the feature vectors output from the feature extraction unit 105 are displayed in each window as time-series data according to dimensions.
  • the display / non-display selection and the display order operation are the same as those on the signal display screen 901.
  • the cursor 909 is displayed at the same time as the cursor 906 on the signal display screen 901, but can be moved on this screen.
  • FIG. 9C shows a signal enlargement display screen 910.
  • the signal enlargement display screen 910 is composed of a plurality of signal enlargement display windows 911. In each window, an enlarged display of the signal is performed starting from the time indicated by the cursor 906 on the signal display screen 901.
  • the signal display / non-display and the display order follow the signal display screen 901.
  • the period designation window 912 the period from the display start point to the end point is specified in units of hours or days. It is also possible to change the display start point with the scroll bar 913, and this change is reflected in the positions of the cursor 906 and the cursor 909.
  • FIG. 9D shows an abnormal measure display screen 915.
  • the anomaly measure display screen 915 includes an anomaly measure display window 916 and an anomaly measure enlarged display window 917.
  • the anomaly measure display window 916 displays an anomaly measure calculated by cross-validation.
  • the cursor 918 is synchronized with the cursor 906 and the cursor 909, but can also be moved on this screen.
  • the abnormal measure enlarged display window 917 performs enlarged display similar to the signal enlarged display screen 910 starting from the time indicated by the cursor 918.
  • a threshold value 924 for identification is also displayed.
  • the period designation window 919 and the scroll bar 920 also function in the same manner as the signal enlargement display screen 910.
  • FIG. 9E shows an abnormal measure cumulative histogram screen 921.
  • the abnormal measure cumulative histogram screen 921 includes a histogram display window 922 and a parameter display screen 923 for the number of modes.
  • the histogram display window 922 displays a cumulative histogram of abnormal measures for each mode, and threshold values calculated according to the parameters shown on the parameter display screen 923 are indicated by dotted lines 924-1 to 294-4. This threshold value is used for abnormality identification in the identification unit 109.
  • abnormality identification is performed by the above-described abnormality identification method based on the sensor signal 102 and the event signal 103 (S1012).
  • Anomaly identification is performed using a threshold value calculated by an appropriate parameter after calculating an anomaly measure by cross-validation. Alternatively, it is performed using a normal model and a threshold value learned in advance using different data.
  • the feature vector at the time determined to be abnormal is picked up (S1013), and vector quantization is performed by applying an unsupervised clustering method such as k-means or EM algorithm (S1014).
  • Vector quantization is to collect similar vectors, group them, and calculate the average of them as a representative vector of the group.
  • a label representing the group is attached to each representative vector.
  • a list is created using the labeled vector as a cause event (S1015).
  • the failure occurrence notice after abnormality detection has been described, but by adding processing, it is possible to predict the time until failure occurrence.
  • the frequency matrix 1005 When the frequency matrix 1005 is created, a time difference matrix of the same cause event and result event is created. However, the column “Nothing happens” is deleted. First, all elements are reset to 0. If a failure event is extracted between the occurrence time of the abnormality and the lapse of the specified time, the elapsed time from the occurrence time of the abnormality is calculated, and the value is added to the crossing element of the corresponding cause event and the extracted failure event. As a result, the total time from the occurrence of a cause event to the occurrence of a result event of a case where a result has occurred due to a certain event is calculated.
  • FIG. 11 is a flowchart of abnormality diagnosis processing based only on the event signal 103.
  • the event signal 103 for a certain period is input to the abnormality diagnosis unit 110 (S1101). Since it is necessary to learn many cases in which failures occur, set as long a period as possible. Cases may be increased using data from a plurality of devices.
  • the failure event 1001 is extracted from the event signal 103 (S1102), and “nothing happens” is added to create a result event list (S1103).
  • S1104 all types of events are extracted from the event signal 103 (S1104), and a cause event list is created (S1105).
  • a frequency matrix 1120 as shown in FIG. 11B is created with the result event 1103 on the horizontal axis and the cause event 1115 on the vertical axis (S1106).
  • learning data is generated using the frequency matrix 1120, as in the case described with reference to FIG. 10B, all elements of the matrix are first reset to 0, and the event signal 103 is sequentially processed in time series.
  • FIG. 12A shows a configuration example of a second embodiment relating to a system for realizing the equipment state monitoring method of the present invention.
  • This system is obtained by modifying the sensor signal analysis unit 100 described in FIG. 1A in the first embodiment into a sensor signal analysis unit 1200 as illustrated in FIG. 12A.
  • learning refers to offline processing in which a model used for abnormality sign detection is created in advance.
  • the learning data selection unit 1203 performs data check of the feature vector composed of the selected features, and selects learning data used for normal model creation (S1204).
  • the selected learning data is divided into k groups (S1205), except for one group, which is input to the normal model creation unit 1204.
  • the normal model creation unit 1204 performs learning using this, and the normal model Is created (S1206).
  • the anomaly measure calculation unit 1205 calculates the anomaly measure by using the created normal model and inputting the data of the group removed in S1206 (S1207). If the calculation of the abnormal measure has not been completed for the data of all groups (S1208), the steps of normal model creation (S1206) and abnormal measure calculation (S1207) are repeated for the other groups (S1209). When the calculation of the abnormality measure is completed for the data of all groups (S1208), the process proceeds to the next step.
  • the learning data check unit 1206 sets a threshold value for identifying an abnormality based on the abnormality measure calculated for the data of all groups (S1209).
  • the normal model creation unit 1204 learns using all selected learning data, and creates a normal model (S1210).
  • Evaluation time refers to a process of detecting an abnormal sign based on a model created by learning and an input signal. Although it is basically online processing, it may be configured to be offline processing.
  • the feature extraction unit 1201 receives the sensor signal 102 (S1212), performs feature extraction similar to that during learning, and obtains a feature vector (S1213).
  • the feature selection unit 1202 creates a feature vector composed of features selected during learning based on the feature vector output from the feature extraction unit 1201 (S1214).
  • the feature vector created by the feature selection unit 1202 is input to the anomaly measure calculation unit 1205, and the anomaly measure is calculated using the normal model created by the normal model creation unit 1204 during learning (S1210) (S1215). .
  • the calculated abnormality measure is input to the abnormality identification unit 1207, and abnormality determination is performed by comparing with the threshold value set during learning (S1209) (S1216).
  • each unit shown in FIG. 12A For feature extraction in the feature extraction unit 1201, it is conceivable to use the sensor signal as it is. However, a window of ⁇ 1, ⁇ 2,... Is provided for a certain time, and the window width (3, 5,. It is conceivable to extract a feature representing a time change of data using a feature vector. Also, discrete wavelet transform (DWT: Discrete Wavelet Transform) may be applied to decompose into frequency components. Each feature may be canonically converted using an average and standard deviation so that the average is 0 and the variance is 1. The average and standard deviation of each feature is stored so that the same conversion can be performed at the time of evaluation. Or you may normalize using the maximum value and minimum value, or the preset upper limit and lower limit.
  • DWT Discrete Wavelet Transform
  • the average and variance for each period are calculated for each feature of all learning data, and features with large variations are excluded.
  • data for a period in which it is known in advance that an abnormality has occurred cannot be taken into consideration.
  • FIG. 13 shows an example in which the average and variance are calculated and plotted every day.
  • the feature A is stable in both mean and variance, whereas the feature B has a large variation and should be excluded.
  • the average and variance may be calculated by cutting out data for a fixed period, that is, every day. The same applies even if the period is not one day.
  • the average and variance may be calculated by cutting out a period that can be regarded as steady operation, and this method can be applied even if the operation cycle is irregular.
  • the number of deviations Ci of the waveform xi (t) is represented by the following equation.
  • a representative value Df of the abnormal measure of the abnormal part is obtained from the obtained abnormal measure.
  • the method for obtaining Df is the average of all abnormally labeled data, the maximum value, the value that reaches the specified ratio by arranging the data in ascending order, the minimum value, the maximum value after applying the minimum value filter with a certain width, and the certain width.
  • the minimum value after applying the maximum value filter, the average of data exceeding a predetermined ratio by arranging the data in ascending order, and the like can be considered.
  • the above is calculated for each continuous section with an abnormal label, and the minimum value of the values calculated in all the sections is Df. Finally, the ratio Df / Dn of the abnormal measure between the normal part and the abnormal part is used as the evaluation value.
  • n the number of features being evaluated.
  • the evaluation value E (n) is calculated by the above method using n features (S1602). Each feature is extracted one by one and n evaluation values are calculated (S1603). Next, it is determined whether any of those evaluation values is E (n) or more (S1604). If there is a value equal to or greater than E (n), one feature is extracted so that the evaluation value becomes the highest, and the evaluation value at that time is set to E (n-1) (S1605). n is decremented by 1 (S1606), and the process returns to step S1603.
  • one cycle of data is determined as a check target (S1803), and normal models are created by sampling for several cycles at random from the remainder excluding the check target to create k1 models. (S1804).
  • the model creation method at this time is the same as the method used in the normal model creation unit 1204.
  • the abnormality measure to be checked is calculated using k1 normal models, respectively (S1805).
  • k1 abnormality measures are calculated at each time.
  • k2 out of k1 abnormal measures at each time are selected from the smaller ones, an average is calculated, and this is used as the abnormal measure at that time (S1806).
  • the average value of the calculated abnormal measure in one cycle is obtained, and this is set as the representative value of the abnormal measure in that cycle (S1807). If the calculation of representative values has not been completed for all cycles (S1808), the data of the next cycle is determined as a check target (S1809), and the processing from step S1804 is repeated. If completed, data having a period with a large representative value of the abnormality measure is excluded from the learning data (S1810).
  • a normal sequence ends with a pre-designated end event, and if it ends with a failure or warning event or a pre-designated sequence start event, it is determined as an abnormal sequence. Also, it is determined whether it is normal or abnormal based on knowledge about the normal sequence such as the number of specific events in the sequence and the order of events. For the check of (5), the frequency of the event or event sequence is checked in advance. However, the frequency of event sequences may be counted as similar event sequences by the method shown in FIG.
  • FIG. 19 shows a configuration example of a system that realizes the facility state monitoring method according to the third embodiment.
  • the system for monitoring the equipment state of the present embodiment includes a sensor signal analysis unit 1900 corresponding to the sensor signal analysis unit 1200 of FIG. 12 described in the second embodiment and a mode corresponding to the mode division unit 104 described in the first embodiment.
  • the dividing unit 1908 is combined.
  • the sensor signal 102 output from the facility 101 is accumulated for learning in advance.
  • the feature extraction unit 1901 receives the accumulated sensor signal 102 and performs feature extraction to obtain a feature vector.
  • the feature selection unit 1902 performs data check on the feature vector output from the feature extraction unit 1901 and selects the feature to be used.
  • the learning data selection unit 1903 performs data check of the feature vector composed of the selected feature and the event signal 103, and selects learning data to be used for normal model creation.
  • the mode division unit 1908 performs mode division that divides the time for each operating state based on the event signal 103.
  • the selected learning data is divided into k groups, one of which is input to the normal model creation unit 1904 except for one group, and the normal model creation unit 1904 learns using this to create a normal model. .
  • a normal model is created for each mode.
  • the anomaly measure calculating unit 1905 calculates the anomaly measure by using the created normal model and inputting the data of the group removed when creating the normal model. If the calculation of the anomaly measure has not been completed for the data of all groups, the normal model creation and the anomaly measure calculation steps are repeated for the other groups. When the calculation of the abnormality measure is completed for all groups of data, the process proceeds to the next step.
  • the learning data check unit 1906 sets a threshold value for identifying an abnormality for each mode based on the abnormality measure calculated for the data of all groups.
  • the normal model creation unit 1904 learns using all selected learning data, and creates a normal model.
  • the conditions for determining an abnormality are as follows, for example. (1) A failure or warning event occurs, (2) An abnormal start sequence is included, (3) The number of start sequences is different from the others, (4) The interval between the start sequence and the end sequence is different from the others, (5 ) Infrequent events or event sequences occur.
  • To check (1) it is only necessary to search for a failure / warning from the event signal and check the date and time.
  • the start sequence and the end sequence are cut out by the method described with reference to FIG. 2, and it is determined whether the cut out sequence is normal.
  • the normal model creation method processed by the normal model creation unit 1904 is the same as the method described with reference to FIGS.
  • the abnormality measure calculation method processed by the abnormality measure calculation unit 1905 is the same as the method described with reference to FIGS.

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Debugging And Monitoring (AREA)

Abstract

　プラントなどの設備における異常予兆検知では、正常状態をモデル化しモデルとの比較により異常判定を行うが、設備は運転条件などの違いにより多様な正常状態を持つため、従来の手法ではモデル化が困難であり、正常を異常と判定する誤報が発生する場合があった。また、異常診断では、異常判定の根拠の説明や、異常予兆と事象の関連付けが困難であった。本発明による異常予兆検知では、設備から出力されるイベント信号をもとに運転状態別にモード分割し、モード毎に正常モデルを作成し、モード毎に学習データの十分性をチェックし、その結果に応じて設定したしきい値を用いて異常識別を行うようにした。また、診断では、横軸を結果事象、縦軸を原因事象とする頻度マトリクスに作成しておきそれを利用して故障の発生を予測する。結果事象は故障イベント、原因事象は、異常測度がしきい値を超えたセンサ信号を量子化したものとする原因事象の入力とした。

Description

設備状態監視方法およびその装置
　本発明は、プラントや設備などの出力する多次元時系列データをもとに異常を早期に検知し、現象の診断を行う状態監視方法およびその装置に関する。
　電力会社では、ガスタービンの廃熱などを利用して地域暖房用温水を供給したり、工場向けに高圧蒸気や低圧蒸気を供給したりしている。石油化学会社では、ガスタービンなどを電源設備として運転している。このようにガスタービンなどを用いた各種プラントや設備において、設備の不具合あるいはその兆候を検知する予防保全は、社会へのダメージを最小限に抑えるためにも極めて重用である。また、検知のみではなく異常の現象を説明する異常診断も、適切なアクションを起こすために重要である。
　ガスタービンや蒸気タービンのみならず、水力発電所での水車、原子力発電所の原子炉、風力発電所の風車、航空機や重機のエンジン、鉄道車両や軌道、エスカレータ、エレベータ、機器・部品レベルでも、搭載電池の劣化・寿命など、上記のような予防保全を必要とする設備は枚挙に暇がない。最近では、健康管理のため、脳波測定・診断に見られるように、人体に対する異常（各種症状）検知も重要になりつつある。
　このため、米国特許第６,９５２,６６２号（特許文献１）や米国特許第６,９７５,９６２号（特許文献２）には、おもにエンジンを対象とした異常検知方法が開示されている。
これは、過去のデータ例えば時系列センサ信号をデータベースとしてもっておき、観測データと過去の学習データとの類似度を独自の方法で計算し、類似度の高いデータの線形結合により推定値を算出して、推定値と観測データのはずれ度合いを出力するものである。
　また、特許第３,６３１,１１８号公報には、事例データをデータベースに登録しておき、入力データの事例データに対する類似度を評価し、類似度と最も高い事例と予め対応付けられた事象名を出力する異常診断方法が開示されている。
米国特許第６,９５２,６６２号 米国特許第６,９７５,９６２号 特許第３６３１１１８号公報
Stephan W. Wegerich；Nonparametric modeling of vibration signal features for equipment health monitoring、Aerospace Conference, 2003. Proceedings. 2003 IEEE，Volume 7, Issue, 2003 Page(s):3113 - 3121
　特許文献１や特許文献２に記載の方法では、もし、学習データにない観測データが観察されると、これらはすべて学習データには包含されないものとして扱われ、はずれ値と判断され、正常信号においても異常と判定されてしまい、検査の信頼性が著しく低下してしまう。このため、ユーザは、学習データとして過去の多様な状態のデータを網羅的にデータベースに格納する必要がある。
　一方で、学習データに異常が混入されている場合、異常を表している観測データとの乖離度が低くなり、これを見逃してしまう。このため、学習データに異常が含まれないよう、十分なチェックが必要である。ところが、特許文献１や特許文献２には、網羅的なデータ収集と異常の排除についての方法は示されておらず、ユーザがこのような負荷を背負うことになる。経時変化や、周囲の環境変動、部品交換などの保守作業の有無などにきめこまかく対応する必要があるため、このような対応を人手で行うことは、実質難しく、不可能な場合が多い。
　特許文献３に記載の方法では、事象に対応付けられた事例をそのままデータベースに記録しているため、異常判定の根拠を説明できず、ユーザを納得させることが難しい。また、異常予兆と事象の関連付けはされていない。
　そこで、本発明の目的は、上記課題を解決し、学習データが不十分であっても、ユーザ負荷を増加させることなく、異常予兆を高感度に検知することが可能な異常予兆検知方法、および、検知のみではなく異常および異常予兆の説明、つまりセンサ信号のどのような状態を異常判定の根拠とするのかの説明を可能とする異常診断方法を含む、設備状態監視方法およびシステムを提供することにある。
　また、本発明の目的は、学習データに異常が混入されている場合にも、ユーザの負荷を増加させることなく、正しい学習データのみを用いた高精度な正常モデルを作成することが可能な異常予兆検知方法を提供することにある。
　また、異常予兆を高感度に検知するためには使用するセンサ項目の吟味が必要であるが、特許文献１や特許文献２にはセンサ項目の選択方法に関する記載はなく、ユーザの努力によってなされることになる。
　そこで、本発明の目的は、ユーザの負荷を増加させることなく、感度を阻害するセンサ項目を除外して高精度な正常モデルを作成することが可能な異常予兆検知方法を提供することにある。
　上記目的を達成するために、本発明は、設備あるいは製造装置，計測装置の出力する時系列のセンサ信号およびイベント信号に基づく設備状態監視において、イベント信号に基づき稼動状態別のモード分割を行い、センサ信号に基づきモード毎に正常モデルを作成し、正常モデルとセンサ信号の比較により異常測度を算出し、モード毎に正常モデル作成に用いた学習データの十分性をチェックし、学習データの十分性に応じて感度を設定した上で異常測度に基づく異常識別を行う。
　また、全イベントあるいは異常判定されたセンサ信号を量子化して原因事象とし、原因事象発生から一定時間経過までに発生した故障イベントを結果事象とし、原因事象と結果事象の頻度マトリクスを作成しておき、マトリクスに基づきある事象が発生したときに一定時間内に発生する故障を予測する。
　即ち、本発明では、設備または装置の出力する時系列のセンサ信号およびイベント信号に基づいて異常を検知する設備状態監視方法において、イベント信号に基づき稼動状態別のモード分割を行い、センサ信号に基づき特徴ベクトルを抽出し、特徴ベクトルに基づきモード毎に正常モデルを作成し、モード毎に正常モデル作成に用いた学習データの十分性をチェックし、学習データの十分性に応じてしきい値を設定する学習工程と、イベント信号に基づき稼動状態別のモード分割を行い、センサ信号に基づき特徴ベクトルを抽出し、正常モデルと特徴ベクトルの比較により異常測度を算出し、異常測度としきい値の比較により異常識別を行う異常検知工程とを備えて構成した。
　また、本発明では、設備状態監視方法を、設備または装置から出力される時系列のイベント信号を前記設備又は装置の稼動状態に応じてモード分割し、設備または装置から出力される時系列のセンサ信号から特徴ベクトルを求め、モード分割情報とセンサ信号から求めた特徴ベクトルの情報を用いて分割したモード毎に正常モデルを作成し、作成した正常モデルを用いて分割したモード毎に特徴ベクトルの異常測度を算出し、算出した異常測度を予め設定しておいたしきい値と比較して異常を判定し、判定した異常の情報とセンサ信号とを用いて設備または装置の異常を診断するようにした。
　さらに、本発明では、設備状態監視装置を、設備または装置から出力される時系列のイベント信号を入力して設備又は装置の稼動状態に応じて該イベント信号をモード分割するモード分割手段と、設備または装置から出力される時系列のセンサ信号を入力して入力したセンサ信号から特徴ベクトルを求める特徴ベクトル算出手段と、モード分割手段からのモード分割情報と特徴ベクトル算出手段で求めたセンサ信号の特徴ベクトルの情報を用いて分割したモード毎に正常モデルを作成する正常モデル作成手段と、正常モデル作成手段で作成した正常モデルを用いて分割したモード毎に特徴ベクトル算出手段で求めた特徴ベクトルの異常測度を算出する異常測度算出手段と、異常測度算出手段で算出した異常測度を予め設定しておいたしきい値と比較して異常を判定する異常判定手段と、異常判定手段で判定した異常の情報と設備または装置から出力される時系列のセンサ信号とを用いて設備または装置の異常を診断する異常診断手段とを備えて構成した。
　また、本発明は、設備あるいは製造装置，計測装置の出力する時系列のセンサ信号に基づく設備状態監視において、センサ信号に基づき特徴ベクトルを抽出し、特徴ベクトルのデータチェックに基づき使用する特徴を選択し、特徴ベクトルのデータチェックに基づき使用する学習データを選択し、特徴ベクトルに基づき正常モデルを作成し、正常モデルとセンサ信号の比較により異常測度を算出し、正常モデル作成に用いた学習データの十分性をチェックし、学習データの十分性に応じて感度を設定した上で異常測度に基づく異常識別を行う。
　即ち、本発明では、設備または装置の出力する時系列のセンサ信号に基づいて異常を検知する設備状態監視方法を、センサ信号に基づき特徴ベクトルを抽出し、特徴ベクトルのデータチェックに基づき使用する特徴を選択し、特徴ベクトルのデータチェックに基づき使用する学習データを選択し、特徴ベクトルに基づき正常モデルを作成し、正常モデル作成に用いた学習データの十分性をチェックし、学習データの十分性に応じてしきい値を設定する学習工程と、センサ信号に基づき特徴ベクトルを抽出し、正常モデルと特徴ベクトルの比較により異常測度を算出し、異常測度としきい値の比較により異常識別を行う異常検知工程とを備えて構成した。
　本発明によれば、稼動状態別のモード分割を行い、モード毎に正常モデルを作成するため、多様な状態に対応した高精度な正常モデルの作成が可能になる。さらに、モード毎に学習データの十分性をチェックし、データが不十分な場合は感度を低下させて識別を行うことにより、データ不足に起因する誤判定を抑制することができ、異常検知の信頼性を向上することができる。
　また、原因事象と結果事象の頻度マトリクスを作成することにより事象間の因果関係を学習することが可能となり、特にセンサ信号を量子化して原因事象とすることにより、センサ信号の状態と異常とを関連付けることが可能となる。また、原因事象発生から一定時間経過までに発生した故障イベントを結果事象とすることにより、異常予兆と故障発生の関連付けが可能となり、したがってセンサ信号の状態に基づく故障発生の予測が可能となる。
　以上により、ガスタービンや蒸気タービンなどの設備のみならず、水力発電所での水車、原子力発電所の原子炉、風力発電所の風車、航空機や重機のエンジン、鉄道車両や軌道、エスカレータ、エレベータ、そして機器・部品レベルでは、搭載電池の劣化・寿命など、種々の設備・部品において異常および異常予兆の高精度な検知および診断を可能とする。
　また、本発明によれば、特徴ベクトルのデータチェックに基づき使用する特徴および学習データの選択を自動的に行うため、ユーザは使用特徴および学習データの吟味することなくセンサ信号を丸ごと入力するだけで高精度な正常モデルを作成することが可能となり、少ない手間で感度の高い異常検知が実現できる。
本発明の設備状態監視システムの概略の構成を示すブロック図である。 学習時の処理の流れを示すフロー図である。 異常検知時の処理の流れを示すフロー図である。 イベント信号の例を示す信号リストである。 イベント信号を受けてモード分割を行い処理の流れを示すフロー図である。 設備の可動状態を分割して４種のモードの何れかに分類した状態を示すイベント信号の模式図である。 イベント情報に基づくモード分割方法の第二の実施例の処理の流れを説明するフロー図である。 センサ信号の例を示す信号波形図である。 正常モデル作成処理手順の例を示すフロー図である。 投影距離法を説明する図３次元座標のグラフである。 局所部分空間法を説明する図である。 異常測度算出結果の例を示すグラフである。 学習データチェックにおける表示画面の例で複数の信号波形を表示した画面の正面図である。 学習データチェックにおける表示画面の例で複数の特徴ベクトルを表示した画面の正面図である。 学習データチェックにおける表示画面の例で複数の信号波形を拡大表示した画面の正面図である。 学習データチェックにおける表示画面の例で異常測度とその部分拡大図を表示した画面の正面図である。 学習データチェックにおける表示画面の例で書くモード毎のモードの累積ヒストグラム一覧表示し、その脇にしきい値パラメータを表示した画面の正面図である。 頻度マトリクスを作成する手順を示すフロー図である。 頻度マトリクスの表である。 頻度マトリクスを用いた評価時の処理の流れを示すフロー図である。 センサ信号を用いずにイベント信号だけを用いて頻度マトリクスを作成する手順を示すフロー図である。 頻度マトリクスの表である。 本発明の設備状態監視システムの概略の構成を示すブロック図である。 学習時の処理の流れを示すフロー図である。 異常検知時の処理の流れを示すフロー図である。 １日毎の平均と分散のプロット図である。 １日の波形モデルを表す図である。 データにラベルをつける方法を説明する図である。 学習時の特徴選択処理の流れを示すフロー図である。 １日毎の平均と分散のプロット図である。 学習時の学習データ選択処理の流れを示すフロー図である。 実施例３における設備状態監視システムの概略の構成を示すブロック図である。
　以下、図面を用いて本発明の内容を詳細に説明する。
　図1Ａに、本発明の設備状態監視方法を実現するシステムの一構成例を示す。
　本システムは、大きくは、センサ信号解析部１００と異常診断部１１０とを備えて構成される。
　センサ信号解析部は、設備１０１から出力されるセンサ信号１０２を受けて信号の特徴選択、特徴抽出、特徴変換を行い、特徴ベクトルを得る特徴抽出部１０５、設備１０１から出力されるイベント信号１０３を受けて設備１０１の稼動状態の変化に応じて時間を分割（以下の説明ではこの分割をモード分割と呼び、稼動状態の種類をモードと呼ぶ。）するモード分割部１０４、特徴抽出部１０５とモード分割部１０４との出力を受けて正常モデルを作成する正常モデル作成部１０６、正常モデル作成部１０６で作成した正常モデルを用いて特徴抽出部１０５で抽出されたセンサ信号から異常測度を算出する異常測度算出部１０７、正常モデル作成部１０６で作成した正常モデルについて異常測度算出部１０７で算出した異常測度に基づいて正常モデルをチェックする学習データチェック部１０８、学習データチェック部１０８でチェックした正常モデルのデータと異常測度算出部１０７でセンサ信号１０２から算出した異常測度に基づいて異常を識別する異常識別部１０９、及びセンサ信号１０２と異常識別部１０９の判定結果とから設備１０１の異常を診断する異常診断部１１０とを備えて構成される。
　本システムの動作には、異常予兆検知や診断に用いるモデルを予め作成しておく「学習」とモデルと入力信号に基づき実際に異常予兆検知や診断を行う「評価」の二つのフェーズがある。基本的に前者はオフラインの処理、後者はオンラインの処理である。以下の説明では、それらを学習時、評価時という言葉で区別する。 
　状態監視の対象とする設備１０１は、ガスタービンや蒸気タービンなどの設備やプラントである。設備１０１は、その状態を表すセンサ信号１０２とイベント信号１０３を出力する。
　学習時の処理の流れを図１Ｂを用いて説明する。モード分割部１０４は、設備１０１から出力されたイベント信号１０３を入力し（Ｓ１０１）、稼動状態の変化に応じて設備１０１の稼働時間をモード分割する（Ｓ１０２）。一方、特徴抽出部１０５は、設備１０１から出力されたセンサ信号１０２を入力し（Ｓ１０３）、特徴選択、特徴抽出、特徴変換を行い、特徴ベクトルを得る（Ｓ１０４）。
　モード分割部１０４からのモード分割情報と特徴抽出部１０５からの特徴ベクトル情報とは正常モデル作成部１０６に入力されて、特徴ベクトルから学習データを選択し（Ｓ１０５）、これを用いてモード毎に学習を行い、正常モデルを作成する（Ｓ１０６）。作成された正常モデルは特徴抽出部１０４からの特徴ベクトルの情報とともに異常測度算出部１０７に入力されて異常測度が算出される（Ｓ１０７）。
　次に、学習データチェック部１０８において、異常測度算出部１０７で算出された異常測度の情報に基づいてモード毎に正常モデル作成に使用された学習データの十分性を調べる（Ｓ１０８）。つまり、作成された正常モデルがきちんとそのモードにおける正常状態を表現できているかを調べる。学習データチェック部１０８で対応するモードにおける正常状態を表現できている判定された学習データは、チェック結果に応じて異常識別に用いるしきい値が設定される（Ｓ１０９）。つまり、学習データが不十分であるときは、正常にもかかわらず異常と判定する誤判定を防ぐため、しきい値を高くする。
　次に、評価時の処理の流れを図１Ｃを用いて説明する。モード分割部１０４は、設備１０１から出力されたイベント信号１０３を入力し（Ｓ１１１）、稼動状態の変化に応じて設備１０１の稼働時間をモード分割する（Ｓ１１２）。一方、特徴抽出部１０５は、設備１０１から出力されたセンサ信号１０２を入力し（Ｓ１１３）、特徴選択、特徴抽出、特徴変換を行い、特徴ベクトルを得る（Ｓ１１４）。モード分割部１０４からのモード分割情報と特徴抽出部１０５からの特徴ベクトル情報とは異常測度算出部１０７に入力されて、特徴ベクトルがモード毎に分類され、学習時に正常モデル作成部１０６で作成されて記憶されていた正常モデルと比較されて異常測度が算出される（Ｓ１１５）。
　この算出された異常測度は異常識別部１０９に入力され、学習時に設定されたしきい値と比較することにより異常判定が行われる（Ｓ１１６）。この異常判定の結果は異常診断部１１０に送られて、学習時にイベント信号１０３と異常判定された時刻のセンサ信号１０２との関連を学習して記憶しておいた情報に基づいて、評価時に異常判定された時刻のセンサ信号１０２を入力として診断が行われる（Ｓ１１７）。
　次に、図１Ａに示した各部の動作について順に詳細に説明する。
  モード分割部１０４における、モード分割方法の第一の実施例を、図２Ａ～Ｃを用いて説明する。イベント信号１０３の例を図２Ａに示す。不定期に出力される設備の操作・故障・警告を表す信号であり、時刻と操作・故障・警告を表す文字列からなる。図２Ｂに示すように、このイベント信号１０３を入力し（Ｓ２０１）、所定の文字列の検索により起動シーケンスと停止シーケンスの切り出しを行う（Ｓ２０２）。その結果をもとに、停止シーケンスの終了時刻から起動シーケンスの開始時刻までの「定常OFF」モード２１１、起動シーケンス中の「起動」モード２１２、起動シーケンスの終了時刻から停止シーケンスの開始時刻までの「定常ON」モード２１３、停止シーケンス中の「停止」モード２１４の４つの稼動状態に分割する（Ｓ２０３）。
　図２Ｃに例を示す。シーケンス切り出しのためには、予めシーケンスの開始イベントおよび終了イベントを指定しておき、イベント信号１０３の先頭から最後まで以下の要領でスキャンしながら切り出していく。
(1)シーケンスの途中でない場合は、開始イベントを探索する。見つかったらシーケンスの開始とする。
(2)シーケンスの途中の場合は、終了イベントを探索する。見つかったらシーケンスの終了とする。
ここで終了イベントとは、指定の終了イベントのほか、故障、警告、指定の開始イベントとする。指定の終了イベント以外で終了した場合は、異常終了として記録しておく。以下、このように順次切り出したシーケンス中およびシーケンス中でない期間を「クラスタ」と呼ぶこととする。
　モード分割方法の第二の実施例を、図３を用いて説明する。第一の実施例は、起動シーケンスおよび停止シーケンスの開始と終了を指定可能で、４種のモードが順序良く現れる場合の例であるが、ここでは、そのような指定ができない場合の例を示す。まずイベント信号１０３を入力し（Ｓ３０１）、時刻の間隔がしきい値以上となったとき切り離す処理を行い（Ｓ３０２）、イベント列を作成していく。次にユニークなイベント列をすべてリストアップし（Ｓ３０３）、イベント列間の類似度を調べる（Ｓ３０４）。類似度は例えば、各イベント列の長さをL1、L2、一方をもう一方に変化させるために必要なイベントの削除、追加の数をCとすると
Figure JPOXMLDOC01-appb-M000001
で表される。
　例えば一方のイベント列をaabc、もう一方をabbとすると、L1=4、 L2=3、 C=3（前者からaとcを削除してbを追加すると後者になる）となるため類似度は4/7=0.571となる。次に、イベント列間の類似度に基づいて類似したイベント列同士をグループ化し、全てのイベント列にグループのラベルをつける（Ｓ３０５）。センサ信号１０２からイベント列の最初の時刻から最後の時刻までのイベント発生期間、イベント列にはさまれたイベント間期間を順次切り出していく。この処理により前述と同様のクラスタが得られる。イベント発生期間はグループのラベルに対応したモード、イベント間期間は前後のグループの組合せに対応したモードに分類する（Ｓ３０６）。
　以上のように、イベント情報を利用することにより、多様な稼動状態を正確に分けることができ、個々のモード別にみると単純な状態になるため、後に続く正常状態のモデル作成を精度良く行うことが可能となる。
　特徴抽出部１０５および正常モデル作成部１０６における学習時のデータ処理方法、および異常測度算出部１０７における異常測度算出方法について図４ないし図７を用いて説明する。
　センサ信号１０２の例を図４に示す。複数の時系列信号であり、ここでは、時系列／××１に対応する信号１、時系列／××２に対応する信号２、時系列／××３に対応する信号３及び時系列／××４に対応する信号４という４種類の信号を表している。実際には、４種類に限るものではなく、数百から数千と言った数になる場合もある。各信号は、設備１０１に設けられた複数のセンサからの出力に相当し、例えば、シリンダ、オイル、冷却水などの温度、オイルや冷却水の圧力、軸の回転速度、室温、運転時間などが、一定間隔で観測されるものである。出力や状態を表すのみならず、何かをある値に制御するための制御信号の場合もある。本発明ではこれらのデータを、多次元時系列信号として扱う。
　図５に、特徴量抽出部１０５及び正常モデル作成部１０６で処理する正常モデル作成処理フローを示す。この処理フローにおいては、先ず、特徴量抽出部１０５にセンサ信号１０２を入力し（Ｓ５０１）、特徴量抽出・変換・選択処理を行う（Ｓ５０２）。次にこの処理されたデータを正常モデル作成部１０６に入力して学習データを選別し（Ｓ５０３）、モード分割部１０４から出力されたモード分割情報を参照してモード別に学習データを分類し（Ｓ５０４）、各モード毎に正常モデルを作成する（Ｓ５０５）。
　次に、各ステップについて詳細に説明する。
先ず、ステップＳ５０１において、特徴抽出部１０５は、センサ信号１０２を入力する。
次に、ステップＳ５０２において特徴量抽出部１０５で特徴選択、特徴抽出、特徴変換を行い、特徴ベクトルを得る。図示はしていないが、センサ信号１０２は予め蓄積されており、指定された期間の信号を入力とする。また、モード分割のため、イベント信号１０３も同期間蓄積されているものとする。
　特徴選択は、最低限の処理として、分散が非常に小さいセンサ信号および単調増加するセンサ信号を除く必要がある。また、相関解析による無効信号を削除することも考えられる。これは、多次元時系列信号に対して相関解析を行い、相関値が１に近い複数の信号があるなど、極めて類似性が高い場合に、これらは冗長だとして、この複数の信号から重複する信号を削除し、重複しないものを残す方法である。このほか、ユーザが指定するようにしてもよい。評価時に同じセンサ信号を使用できるよう、選択したセンサを記憶しておく。
　特徴抽出としては、センサ信号をそのまま用いることが考えられるが、ある時刻に対して±1,±2,…のウィンドウを設け，ウィンドウ幅（3,5,…）×センサ数の特徴ベクトルにより、データの時間変化を表す特徴を抽出することもできる。また、離散ウェーブレット変換(DWT: Discrete Wavelet Transform)を施して、周波数成分に分解してもよい。なお、各特徴は平均と標準偏差を用いて、平均を０、分散を１となるように変換する正準化を行うとよい。評価時に同じ変換ができるよう、各特徴の平均と標準偏差を記憶しておく。
あるいは、最大値と最小値または予め設定した上限値と下限値を用いて正規化を行ってもよい。これらの処理は、単位およびスケールの異なるセンサ信号を同時に扱うためのものである。
　特徴変換には、主成分分析(PCA: Principal Component Analysis)、独立成分分析(ICA: Independent Component Analysis)、非負行列因子分解(NMF: Non-negative Matrix Factorization)、潜在構造射影(PLS: Projection to Latent Structure)、正準相関分析(CCA: Canonical Correlation Analysis)など様々な手法があるが、何を用いてもよく、組み合わせて用いても、変換をしなくてもよい。主成分分析、独立成分分析、非負行列因子分解は、目的変数設定が不要のため利用しやすい。評価時に正常モデル作成時と同じ変換がなされるよう、変換行列など、変換に必要なパラメータを記憶しておく。
　次に、ステップＳ５０３において、特徴変換されたデータを正常モデル作成部１０６に入力し、正常モデル作成部１０６において、学習データの選択を行う。まず、取得した多次元時系列信号が、欠損している場合があるため、そのようなデータは削除する。例えば、大部分のセンサ信号が同時に０を出力した場合、対応する時刻の全信号データを削除する。次に、正常ではない信号データを除去する。具体的には、イベント信号１０３から警告または故障の発生した時刻を調べ、その時刻を含むクラスタ（前述のモード分割において順次切り出した期間）の全信号データを除去する。
　次に、ステップＳ５０４において正常モデル作成部１０６はモード分割部１０４で分割したモード別にステップＳ５０３で選択した学習データを分類し、ステップＳ５０５において各モード毎に正常モデルを作成する。
　正常モデル作成手法としては、投影距離法(PDM: Projection Distance Method)や局所部分空間法(LSC: Local Sub-space Classifier)が考えられる。投影距離法は、学習データに対し独自の原点をもつ部分空間すなわちアフィン部分空間（分散最大の空間）を作成する方法である。クラスタ毎に、図６に示すようにアフィン部分空間を作成する。図では、３次元の特徴空間において、１次元のアフィン部分空間を作成する例を示しているが、特徴空間の次元はもっと大きくてもよく、アフィン部分空間の次元も特徴空間の次元より小さくかつ学習データ数より小さければ何次元でもかまわない。
　アフィン部分空間の算出方法について説明する。まず、学習データの平均μと共分散行列Σ を求め、次にΣの固有値問題を解いて値の大きい方から予め指定したr個の固有値に対応する固有ベクトルを並べた行列Ｕをアフィン部分空間の正規直交基底とする。異常測度算出部１０７において算出する異常測度は、センサ信号１０２から特徴抽出部１０５を経て得られた評価データと同じモードに属する各クラスタのアフィン部分空間への投影距離のdの最小値と定義する。ここで、クラスタ毎にアフィン部分空間を作成するかわりに、同じモードのクラスタを全て集めてアフィン部分空間を作成してもよい。この方法よれば、投影距離を計算する回数を少なくすることができ、高速に異常測度を算出することができる。なお、異常測度算出は、基本的にリアルタイムの処理とする。
　一方、局所部分空間法は、評価データqのk-近傍データを用いてｋ－１次元のアフィン部分空間を作成する方法である。図７にｋ＝３の場合の例を示す。図７に示すように、異常測度は図に示す投影距離で表されるため、評価データqに最も近いアフィン部分空間上の点bを求めればよい。評価データqとそのk-近傍データxi( i = 1,…,k )からbを算出するには、qをk個並べた行列Qとxiを並べた行列Xから
Figure JPOXMLDOC01-appb-M000002
により相関行列Cを求め、
Figure JPOXMLDOC01-appb-M000003
によりbを計算する。
　この方法は、評価データを入力しないとアフィン部分空間を作成できないため、正常モデル作成部１０６においては、図５に示す学習データの選択、モード別データ分類を行い、さらにk-近傍データを効率的に探すためのｋｄ木をモード別に構築する。ｋｄ木とは、k次元のユークリッド空間にある点を分類する空間分割データ構造である。座標軸の1つに垂直な平面だけを使って分割を行い、各葉ノードには1つの点が格納されるよう構成する。異常測度算出部１０７では、評価データと同じモードに属するｋｄ木を利用して評価データのk-近傍データを求め、それらから前述の点ｂを求め、評価データと点ｂの距離を算出して異常測度とする。
　このほか、マハラノビスタグチ法、回帰分析法、最近傍法、類似度ベースモデル、１クラスＳＶＭなど様々な方法を用いて正常モデルの作成が可能である。
　次に、学習データチェック部１０８における学習データの十分性チェック方法について図８ないし図９を用いて説明する。図８は、センサ信号１０２とイベント信号１０３をもとに、前述の投影距離法を利用して異常測度を算出した例を示す。グラフ８０１は異常測度、グラフ８０２は故障発生回数を表しており、横軸は時間を表す。８０３の時期に故障が発生しており、異常測度が大きくなっていることがわかる。しかしながら、その他の部分でも異常測度が大きくなっており、誤報を出さないようにしきい値を決めるのは困難である。
　正常にもかかわらず異常測度が大きくなるのは、「起動」モードまたは「停止」モードの一方の定常状態からもう一方の定常状態への過渡期であることがわかっている。つまり、学習データが不足しているためそのモードの状態を十分表現できていないのである。したがって、モード別に学習データの十分性を求め、それに応じてモード別にしきい値を定めればよい。
　十分性のチェックは、例えば学習データの交差検証によって行う。k-fold cross validation と呼ばれる方法であり、データをk個のグループに分け、うち１個を評価データ、残りを学習データとしてモデルを作成し、異常測度を算出する。評価データを取り替えながらｋ個のグループ全てについて同様の処理を行えば、全データについて異常測度を算出することができる。ここで、ｋを大きくした方が、学習データ全体のモデルに近いモデルができるが、計算時間は長くなるため、適切なｋを選ぶ必要がある。
　全データについて異常測度を算出したら、モード別に異常測度の頻度分布（ヒストグラム）を作成する。これをもとに累積ヒストグラムを作成し、予め指定した１に近い比率に到達する値を求める。この値が大きいほど、学習データが不十分であると言える。この値を基準としてオフセットを加える、定数倍するなどの処理によりモード別にしきい値を定める。識別部１０９では、異常測度がこのように定めたしきい値以上となった場合、異常であると判断する。
　図９は、学習データチェックにかかわるＧＵＩの例である。信号表示画面、特徴表示画面、信号拡大表示画面、特徴拡大表示画面、異常測度表示画面、異常測度累積ヒストグラム画面が、メニューの選択（各画面の上部に表示されたタブを選択）により切り替えられる。　
　図９(a)には、信号表示画面９０１を示す。信号表示画面９０１は、複数の信号表示ウィンドウ９０２で構成され、各ウィンドウには予め学習データとして指定された期間のセンサ信号１０２をセンサ別（信号ごと）に時系列データとして表示する。学習データの期間は、期間表示ウィンドウ９０３に表示され、指定もこのウィンドウでできるようにしておく。即ち、表示させたい期間を期間表示ウィンドウで指定して期間指定ボタン９１２をクリックすることにより、信号表示ウィンドウ９０２に現在表示されている期間のデータから指定された期間のデータに切替えて表示される。各ウィンドウ９０２の表示・非表示は最小化ボタン９０４・最大化ボタン９０５により選択可能であり、ドラッグアンドドロップ操作により表示順の変更も可能である。図９（ａ）には、信号１～４を最大化して表示し、信号５～７を最小化した状態を示している。カーソル９０６は、拡大表示の時の起点を表し、マウス操作、キーボード操作により移動できる。
　図９(ｂ)には、特徴表示画面９０７を示す。特徴表示画面９０７は、複数の特徴表示ウィンドウ９０８で構成され、各ウィンドウには特徴抽出部１０５から出力される特徴ベクトルを次元別に時系列データとして表示する。表示・非表示の選択、表示順の操作は、信号表示画面９０１と同様である。カーソル９０９は信号表示画面９０１のカーソル９０６と同じ時刻に表示されるが、こちらの画面で移動することもできる。
　図９(ｃ)には、信号拡大表示画面９１０を示す。信号拡大表示画面９１０は、複数の信号拡大表示ウィンドウ９１１で構成される。各ウィンドウには、信号表示画面９０１においてカーソル９０６で示された時刻を起点として、信号の拡大表示を行う。信号の表示・非表示および表示順序は、信号表示画面９０１に倣う。期間指定ウィンドウ９１２で、表示の起点から終点までの期間を時間単位あるいは日単位で指定する。スクロールバー９１３で表示の起点を変更することも可能であり、この変更はカーソル９０６およびカーソル９０９の位置に反映される。スクロールバー表示領域９１３１の全体の長さは信号表示画面９０１又は特徴表示画面９０７の期間表示ウィンドウ９０３で指定された期間に相当する。また、スクロールバー９１３の長さは期間指定ウィンドウ９１２で指定された期間に相当しスクロールバー９１３の左端部が信号拡大表示ウィンドウ９１１に表示されるそれぞれの信号の起点に対応する。モード表示部９１４には同時に前述の運転状態を表すモードが色分けして表示される。特徴拡大表示画面は、図示しないが、特徴表示画面９０７に表示された情報が、信号拡大表示画面９１０と同様に表示される。
　図９(ｄ)には、異常測度表示画面９１５を示す。異常測度表示画面９１５は、異常測度表示ウィンドウ９１６と異常測度拡大表示ウィンドウ９１７からなり、異常測度表示ウィンドウ９１６には、交差検証により算出された異常測度が表示される。カーソル９１８は、カーソル９０６およびカーソル９０９と同期しているが、この画面でも移動可能である。異常測度拡大表示ウィンドウ９１７には、カーソル９１８で示された時刻を起点として、信号拡大表示画面９１０と同様の拡大表示を行う。重ねて識別のためのしきい値９２４も表示される。期間指定ウィンドウ９１９およびスクロールバー９２０も、信号拡大表示画面９１０と同様の働きをする。　
　図９(ｅ)には、異常測度累積ヒストグラム画面９２１を示す。異常測度累積ヒストグラム画面９２１は、モード数分のヒストグラム表示ウィンドウ９２２と、パラメータ表示画面９２３を含む。ヒストグラム表示ウィンドウ９２２にはモード別の異常測度の累積ヒストグラムが表示され、パラメータ表示画面９２３に示されたパラメータに従って算出されたしきい値が点線９２４－１～４で示される。このしきい値は、識別部１０９において異常識別に利用されるものである。
　パラメータ表示画面９２３に表示されるパラメータは、上記で説明したしきい値算出方法において、基準値を決める比率と、しきい値算出に用いるオフセットと定数倍する倍率である。パラメータ表示画面９２３上でパラメータ変更も可能であり、変更に伴って、ヒストグラム表示ウィンドウ９２２および異常測度拡大表示ウィンドウ９１７に表示されるしきい値が変化する。
　以上に説明したようなＧＵＩにより、センサ信号、抽出した特徴、モード、異常測度、しきい値を視覚的に確認することができるため、モデルの良し悪しを判断でき、その結果よりよい正常モデルを作成することが可能になる。
　次に、異常診断部１１０における処理について説明する。
図１０Ａ及びＢは、異常診断部１１０における、因果関係学習方法を示す。まず、図１０Ｂに示す頻度マトリクス１０２０を作成する手順を図１０Ａのフロー図を用いて説明する。先ず異常診断部１１０に一定期間のセンサ信号１０２およびイベント信号１０３を入力する（Ｓ１００１及びＳ１０１１）。故障が起こる事例を多く学習する必要があるため、正常モデル作成のための学習データより長い期間を要する。複数の装置のデータを用いて事例を増やすことも考えられる。次に、イベント信号１０３から故障イベントを抜き出して（Ｓ１００２）結果事象リストを作成する（Ｓ１００３）。結果事象リストに「何も起こらない」を加える。
　一方、センサ信号１０２およびイベント信号１０３をもとに前述の異常識別方法により、異常識別を行う（Ｓ１０１２）。異常識別は、交差検証により異常測度を算出後、適当なパラメータにより算出されたしきい値を用いて行う。あるいは、予め別のデータを用いて学習された正常モデルおよびしきい値を用いて行う。異常と判定された時刻の特徴ベクトルをピックアップし（Ｓ１０１３）、k平均法やＥＭアルゴリズムなどの教師なしクラスタリング手法を適用してベクトル量子化する（Ｓ１０１４）。ベクトル量子化とは類似したベクトルを集めてグルーピングし、それらの平均をそのグループの代表ベクトルとして算出することである。各代表ベクトルにグループをあらわすラベルをつける。ラベルを付けられたベクトルを原因事象としてリストを作成する（Ｓ１０１５）。
　次に横軸を結果事象、縦軸を原因事象とする頻度マトリクス１０２０を作成する（Ｓ１０２０）。頻度マトリクス１０２０を用いて学習データを作成する場合、はじめにマトリクスの全ての要素を０にリセットしておく。時系列に沿って異常測度をスキャンし、しきい値を超える異常発生時刻を調べる。因果関係を認める時間を予め指定しておき、異常発生時刻から指定時間経過までの間のイベント信号１０３を調べ、故障イベントを抽出する。異常発生時刻のセンサ信号１０２あるいはそれをもとに抽出された特徴から、最近傍の代表ベクトルを求める。求められた代表ベクトルと抽出された故障イベントのクロスする要素をカウントアップする。故障イベントが１個も抽出されない場合は、代表ベクトルと「何も起こらない」がクロスする要素をカウントアップする。指定された全期間に亘ってこの操作を行う。また、各代表ベクトルの頻度も調べておく。
　次に、評価時の処理の流れを図１０Ｃを用いて説明する。まず、センサ信号１０２を特徴量抽出部１０５に入力し（Ｓ１５１）、イベント信号１０３をモード分割部１０４に入力して（Ｓ１５２），前述と同様に異常識別部１０９で異常識別を行う（Ｓ１５３）。異常と判定された時刻の特徴ベクトルと上記代表ベクトルおのおのとの距離を調べ、もっとも近いベクトルに対応する原因事象Xを抽出する（Ｓ１５４）。上記頻度マトリクス１０２０上でこの原因事象Xに対応する行を調べ、頻度の高い順に結果事象Y1、Y2、Y3…を抽出し（Ｓ１５５），抽出した結果を提示（画面上に表示）する（Ｓ１５６）。この提示は、これらの結果事象が発生するかもしれないという予告である。同時に、原因事象Xかつ結果事象Y1、Y2、Y3…である頻度を原因事象Xの頻度で割ったものを結果事象発生の確率として提示する。さらに、評価時の異常発生時のデータをもとに頻度マトリクス１００５を更新するようにしてもよい。なお、診断処理は基本的にリアルタイム処理である。
　診断においては、原因事象を分かりやすく提示することも重要である。すなわち、センサ信号がどのような状態で異常が発生したのかを説明する必要がある。そのためには、異常の前後の一定時間について、正常な信号と実際の信号を重ねて表示するとよい。例えば投影距離法や局所部分空間法により異常測度を算出している場合は、正常な信号として、評価データからアフィン部分空間への垂線の足の座標（図６、図７のb）を表示する。時系列情報として表示することにより、正常と外れた動きであることの確認が容易になる。また、異常発生時に偏差の大きい信号が、異常判定に寄与していると考えられるため、偏差の大きい順に信号を上から表示すると、どのセンサ信号の異常なのかの確認が容易になる。また、提示した結果事象について過去の原因事象の事例を同様の方法で表示すれば、同じ現象であることを納得しやすく、結果事象の予告を信頼することができる。
　以上により、センサ信号１０２をもとに異常を検知した後センサ信号を量子化することにより、情報を絞ってマトリクスの入力にすることができ、事象間の因果関係の学習を実現する。因果関係の学習において原因事象発生から一定時間経過後までの結果事象をカウントすることにより、時間差のある因果関係をも抽出することができ、その結果、事象に基づく故障の予測が可能となる。すなわち、故障の予兆を検知することが可能となる。
　ここで得られた原因事象と結果事象の頻度マトリクス１００５は、診断以外に、前述した学習データの十分性チェックに利用することも可能である。具体的には、発生頻度が高くかつ「何も起こらない」確率が高い信号ベクトルを調べて、それに係わる場合のしきい値を高くすればよい。
　以上、異常検知後の故障発生予告について説明したが、処理の追加により、故障発生までの時間予測を行うことができる。上記頻度マトリクス１００５作成時に同様の原因事象と結果事象の時間差マトリクスを作成する。ただし、「何も起こらない」の列は削除する。はじめにすべての要素を０にリセットしておく。異常発生時刻から指定時間経過までの間に故障イベントを抽出したら、異常発生時刻からの経過時間を算出し、対応する原因事象と抽出した故障イベントのクロスする要素にその値を加算する。これにより、ある事象を原因としてある結果が発生した事例の原因事象発生から結果事象発生までの時間の合計が算出される。評価時には、異常検知後に原因事象を特定し、頻度マトリクスに基づいて抽出した結果事象について時間差マトリクスの要素を頻度で割ることにより、事象間の時間差の実績平均が求められる。この時間の提示がすなわち発生時刻の予測となる。
　以下に、図１０Ａで説明した処理方法の変形例として、センサ信号１０２を用いない異常診断方法の実施例を図１１を用いて説明する。図１１は、イベント信号１０３のみに基づく異常診断処理のフローである。学習時、一定期間のイベント信号１０３を異常診断部１１０に入力する（Ｓ１１０１）。故障が起こる事例を多く学習する必要があるため、できるだけ長い期間を設定する。複数の装置のデータを用いて事例を増やしてもよい。次に、イベント信号１０３から故障イベント１００１を抜き出し（Ｓ１１０２）、「何も起こらない」を加えて結果事象リストを作成する（Ｓ１１０３）。一方、イベント信号１０３から全種類のイベントを抜き出し（Ｓ１１０４）、原因事象リストを作成する（Ｓ１１０５）。
　次に横軸を結果事象１１０３、縦軸を原因事象１１１５とする図１１Ｂに示すような頻度マトリクス１１２０を作成する（Ｓ１１０６）。頻度マトリクス１１２０を用いて学習データを作成する場合、図１０Ｂで説明した場合と同様に、はじめにマトリクスの全ての要素を０にリセットしておき、時系列に沿ってイベント信号１０３を順次処理する。
　因果関係を認める時間を予め指定しておき、あるイベント発生から指定時間経過までの間に発生する故障イベントを抽出する。前者のイベントすなわち原因事象と抽出された故障イベントがクロスする要素をカウントアップする。故障イベントが１個も抽出されない場合は、原因事象と「何も起こらない」がクロスする要素をカウントアップする。入力された全てのイベント信号１０３についてこの処理を行う。また、各イベントの頻度も調べておく。
　評価時には、イベント信号１０３をリアルタイムで取得し、ただちに処理を行う。イベントすなわち原因事象Xが発生したら、上記頻度マトリクスの対応する行を調べ、頻度の高い順に結果事象Y1、Y2、Y3…を発生確率とともに提示する。本方法によれば、イベント信号１０３の解析のみで、故障の発生を予測できる。
　以上の説明では、イベント信号は装置が自動的に出力するものとしていたが、原因事象と結果事象の頻度マトリクス１００５の結果事象として、定期点検において判明した不具合の項目を併せて用いてもよい。また、原因事象として定期点検で取得された画像、音、におい、振動などのデータを量子化して用いてもよい。
　また、状態監視対象の設備が画像診断装置や計測装置や製造装置のような間歇的に使用される装置である場合、使用時に得られるデータを原因事象あるいは結果事象とすることもできる。例えば、画像診断装置であれば、得られた画像の不具合および画質をもとに予め決められたカテゴリに分類する。計測装置であれば、定期的に基準物を計測しその結果を量子化する。製造装置であれば、処理後の中間製造物の出来具合を、検査あるいは計測の結果に応じて予め決められたカテゴリに分類する。
　図１２Ａに、本発明の設備状態監視方法を実現するシステムに関する第２の実施例の構成例を示す。
　本システムは、実施例１において図１Ａで説明したセンサ信号解析部１００を図１２Ａに示したようなセンサ信号解析部１２００に変形したものである。
　センサ信号解析部１２００は、設備１０１から出力されるセンサ信号１０２を受けて信号の特徴抽出を行い、特徴ベクトルを得る特徴抽出部１２０１、特徴抽出部１２０１の出力を受けて特徴選択を行う特徴選択部１２０２、特徴選択部１２０２の出力を受けて使用する学習データを選択する学習データ選択部１２０３、学習データ選択部１２０３の出力を受けて正常モデルを作成する正常モデル作成部１２０４、正常モデル作成部１２０４で作成した正常モデルを用い、特徴抽出部１２０１と特徴選択部１２０２を経て得られる特徴ベクトルから異常測度を算出する異常測度算出部１２０５、正常モデル作成部１２０４で作成した正常モデルについて異常測度算出部１２０５で算出した異常測度に基づいて正常モデルをチェックする学習データチェック部１２０６、学習データチェック部１２０６でチェックした正常モデルのデータと異常測度算出部１２０５でセンサ信号１０２から徴抽出部１２０１と特徴選択部１２０２を経て得られる特徴ベクトルから算出した異常測度に基づいて異常を識別する異常識別部１２０７とを備えて構成される。
　本システムの学習時の処理の流れを図１２Ｂを用いて説明する。学習時とは、異常予兆検知に用いるモデルを予め作成しておくオフラインの処理のことをさす。
　設備１０１から出力されたセンサ信号１０２は、図示していないが予め学習用に蓄積されている。特徴抽出部１２０１は、蓄積されたセンサ信号１０２を入力し（Ｓ１２０１）、特徴抽出を行って特徴ベクトルを得る（Ｓ１２０２）。
　特徴選択部１２０２は、特徴抽出部１２０１から出力された特徴ベクトルのデータチェックを行い、使用する特徴を選択する（Ｓ１２０３）。
　学習データ選択部１２０３は、選択された特徴で構成される特徴ベクトルのデータチェックを行い、正常モデル作成に使用する学習データを選択する（Ｓ１２０４）。選択された学習データは、ｋ個のグループに分割され（Ｓ１２０５）、そのうち１グループを除いて正常モデル作成部１２０４に入力され、正常モデル作成部１２０４は、これを用いて学習を行い、正常モデルを作成する（Ｓ１２０６）。
　異常測度算出部１２０５は、作成された正常モデルを用い、Ｓ１２０６で除かれたグループのデータを入力して異常測度を算出する（Ｓ１２０７）。すべてのグループのデータについて異常測度の算出が終了していなければ（Ｓ１２０８）、他のグループについて（Ｓ１２０９）、正常モデル作成（Ｓ１２０６）と異常測度算出（Ｓ１２０７）のステップを繰り返す。すべてのグループのデータについて異常測度の算出が終了したら（Ｓ１２０８）次のステップに進む。
　学習データチェック部１２０６は、すべてのグループのデータについて算出された異常測度に基づいて異常を識別するしきい値を設定する（Ｓ１２０９）。正常モデル作成部１２０４はすべての選択された学習データを用いて学習を行い、正常モデルを作成する（Ｓ１２１０）。
　次に本システムの評価時の処理の流れを図１２Ｃを用いて説明する。評価時とは、学習により作成されたモデルと入力信号に基づき異常予兆検知を行う処理のことをさす。基本的にオンラインの処理であるが、オフラインの処理とする構成でもよい。
　特徴抽出部１２０１は、センサ信号１０２を入力し（Ｓ１２１２）、学習時と同様の特徴抽出を行って特徴ベクトルを得る（Ｓ１２１３）。
　特徴選択部１２０２は、特徴抽出部１２０１から出力された特徴ベクトルをもとに、学習時に選択された特徴から構成された特徴ベクトルを作成する（Ｓ１２１４）。
　特徴選択部１２０２で作成された特徴ベクトルは異常測度算出部１２０５に入力されて、学習時（Ｓ１２１０）に正常モデル作成部１２０４で作成された正常モデルを用いて異常測度が算出される（Ｓ１２１５）。この算出された異常測度は異常識別部１２０７に入力され、学習時（Ｓ１２０９）に設定されたしきい値と比較することにより異常判定が行われる（Ｓ１２１６）。
　次に、図１２Ａに示す各部の動作について順に詳細に説明する。
特徴抽出部１２０１における特徴抽出は、センサ信号をそのまま用いることが考えられるが、ある時刻に対して±1,±2,…のウィンドウを設け，ウィンドウ幅（3,5,…）×センサ数の特徴ベクトルにより、データの時間変化を表す特徴を抽出することが考えられる。また、離散ウェーブレット変換(DWT: Discrete Wavelet Transform)を施して、周波数成分に分解してもよい。なお、各特徴は平均と標準偏差を用いて、平均を０、分散を１となるように変換する正準化を行うとよい。評価時に同じ変換ができるよう、各特徴の平均と標準偏差を記憶しておく。あるいは、最大値と最小値または予め設定した上限値と下限値を用いて正規化を行ってもよい。
　特徴選択部１２０２における、学習時の特徴選択処理の第一の実施例について説明する。この処理の目的は正常モデルの精度の低下の原因となる特徴を除くことである。このことから、長期変動が大きい特徴を除くことを考える。長期変動が大きい特徴を用いることは正常状態の状態数を多くすることにつながり、学習データの不足を引き起こすためである。ここで、単に運転状態の違いによる変動が大きいだけのものは、大部分の特徴に当てはまることなので、除くべきではない。したがって、設備の運転周期１周期毎にデータチェックすることにより運転状態の違いによる変動の影響を取り除く。
　具体的には、全学習データについて特徴毎に、１周期期間毎の平均と分散を算出し、それらのばらつきが大きい特徴を除く。ただし異常が発生したと予めわかっている期間のデータは考えに入れない。図１３に、１日毎に平均と分散を算出してプロットした例を示す。この例では、特徴Ａは平均、分散とも安定しているのに対し、特徴Ｂはばらつきが大きいため除いた方がよい。このように運転周期が定期的、例えば１日の決まった時刻に運転開始・終了する場合は、固定した期間、つまり１日毎にデータを切り出して平均と分散を算出すればよい。期間が１日でなくても同様である。運転開始・終了時刻がわかっている場合は、定常運転とみなせる期間を切り出して平均と分散を算出してもよく、この方法は運転周期が不定期であっても適用可能である。
　次に、学習時の特徴選択処理の第二の実施例について説明する。１周期分の波形モデルを作成し、モデルからの外れ回数をチェックする方法である。運転周期が定期的の場合、全学習データについて特徴毎に、１周期分の波形を重ね合わせる。それぞれの波形をxi(t)とおいて平均μ（t）と分散σ(t)を次式により計算し、μ（t）±ｋ・σ(t)の範囲外を外れとしてカウントする。
Figure JPOXMLDOC01-appb-M000004
波形xi(t)の外れ回数Ciは、式で表すと次のようになる。
Figure JPOXMLDOC01-appb-M000005
　図１４に、波形モデルの例を示す。横軸が時刻、縦軸が特徴値を表し、実線でμ（t）、点線でμ（t）±ｋ・σ(t)をプロットした。
　運転周期が不定期であっても、運転開始・終了時刻がわかっている場合は、運転開始時刻と終了時刻を合わせてから、定常運転とみなせる区間と、完全停止とみなせる区間を伸縮させて重ね合わせ、同様に平均μ（t）と分散σ(t)を計算する。外れ回数を調べるときも運転開始時刻と終了時刻を合わせて波形を伸縮させて重ね合わせる。
　除外すべき特徴は、外れ回数が全体的に多いものとする。たとえば、外れ回数の平均と分散の比（平均／分散）が小さい場合、外れ回数が全体的に多いと判断できる。あるいは、外れ回数の多い方から所定数除いた場合の平均と全体の平均の比が大きい場合も、外れ回数が全体的に多いと判断できる。これらを算出し適切なしきい値により判定すればよい。
　次に、学習時の特徴選択処理の第三の実施例について図１５および図１６を用いて説明する。本実施例では、蓄積されたセンサ信号１０２に、各時刻の状態が正常か異常かの情報を付加する。これは、図示していないがイベント信号１０３に基づき警告あるいは故障の発生した時刻を基準として前後の時刻のデータに正常か異常かのラベルをつけていく方法である。
　図１５にその方法を示す。図の横軸は時刻であり、警告あるいは故障が発生した時刻Ｔ０を中心に表している。Ｔ０の前後予め決められたt1時間の間の時刻のデータに異常のラベルをつける。時刻T0-t1からそのt2時間前までと時刻T0+t1からそのt2時間後まではラベルをつけない。時刻T0-t1-t2より前と時刻T0+t1+t2より後には正常のラベルをつける。警告または故障が近接して発生している場合は、個々の警告または故障発生時刻を基準にラベルをつけ、複数種類のラベルがつく時刻は、異常、ラベルなし、正常の順の優先順位でラベルを決定する。以上のようにラベルをつけたセンサ信号データを用いて、評価値最大基準で最適化を行う。
　ここで評価値の算出方法を以下に説明する。まず正常ラベルをつけたデータを用いて、正常モデル作成部１２０４で用いる手法と同じ手法を用いて正常モデルを作成する。また、正常ラベルをつけたデータをｋ個のグループに分割し、１グループずつ除いて正常モデルを作成する。これによりｋ個の正常モデルが作成される。次に正常ラベルをつけたデータの異常測度を、そのデータを含まないグループで作成された正常モデルを用いて、異常測度算出部１２０５で用いる手法と同じ手法を用いて算出する。得られた異常測度から正常部の異常測度の代表値Dnを求める。Dnの求め方としては、全データの平均、最大値、データを昇順に並べて所定の比率に達する値、ある幅で最小値フィルタをかけた後の最大値などが考えられる。
　次に異常ラベルをつけたデータの異常測度を、正常ラベルをつけたデータ全体で作成した正常モデルを用いて算出する。得られた異常測度から異常部の異常測度の代表値Dfを求める。Dfの求め方としては、全異常ラベルつきデータの平均、最大値、データを昇順に並べて所定の比率に達する値、最小値、ある幅で最小値フィルタをかけた後の最大値、ある幅で最大値フィルタをかけた後の最小値、データを昇順に並べて所定の比率以上のデータの平均などが考えられる。複数種類の警告あるいは故障に対応するためには、異常ラベルをつけた連続する区間毎に上記を算出し、すべての区間で算出された値の最小値をDfとする。最後に、正常部と異常部の異常測度の比Df/Dnを評価値とする。
　最適化手法としては、総当り、ラッパー法、ランダム選択、遺伝子アルゴリズムなど何を用いてもよいが、１例としてバックワード型ラッパー法を図１６を用いて説明する。これは、全ての特徴からスタートし、除いても評価値が低下しない特徴を1個ずつ除いていく方法である。
　まず、全特徴d個を使用するところからスタートする（Ｓ１６０１）。評価中の特徴数をnとする。n個の特徴を用いて上記の方法で評価値E(n)を算出する（Ｓ１６０２）。特徴を1個ずつ抜いてn通りの評価値を算出する（Ｓ１６０３）。次に、それらの評価値の中でE(n)以上となるものがあるかを判断する（Ｓ１６０４）。E(n)以上のものがあれば、もっとも評価値が高くなるよう1個の特徴を抜きそのときの評価値をE(n-1)とする（Ｓ１６０５）。nを1マイナスし（Ｓ１６０６）、ステップＳ１６０３に戻る。
　ステップＳ１６０４でE(n)以上のものがない場合は、直前に抜いた特徴を戻し（Ｓ１６０７）、特徴を2個ずつ抜いてn×(n-1)通りの評価値を算出する（Ｓ１６０８）。それらの評価値の中でE(n)以上となるものがあるかを判断する（Ｓ１６０９）。E(n)以上のものがあれば、もっとも評価値が高くなるよう2個の特徴を抜きそのときの評価値をE(n-1)とする（Ｓ１６１０）。nを1マイナスし（Ｓ１６０６）、ステップＳ１６０３に戻る。ステップＳ１６０９でE(n)以上のものがなければ、そこで終了してそのときの特徴の組合せを採用する（Ｓ１６１１）。
　ラッパー法にはフォワード型もあり、これは、０個からスタートし、加えると評価値が向上する特徴を1個ずつ加えていく方法である。
　学習データ選択部１２０３における、学習データ選択処理について説明する。この処理の目的は正常モデル作成に使用すべきでない異常なデータを除くことである。そこで、設備の運転周期１周期毎にデータチェックすることにより運転状態の違いによる変動の影響を取り除いた上で、はずれ値となる期間のデータを学習データから取り除く。
　具体的には、全学習データについて特徴毎に、１周期期間毎の平均と分散を算出し、はずれ値を探してこれに対応する周期のデータを取り除く。図１７に、１日毎に平均と分散を算出してプロットした例を示す。２種の特徴についてプロットしたものであり、特徴Ｃ、特徴Ｄについてそれぞれ丸で囲んだデータがはずれ値である。これらを見つけるためには、距離に基づいて階層的クラスタリングを行い、１個ないし少数個で孤立するデータを探す。
　このほか、１周期分の波形モデルを作成し、モデルからの外れ回数をチェックする方法も考えられる。特徴選択の第二の実施例と同様の方法で、平均μ（t）と分散σ(t)を計算し、μ（t）±ｋ・σ(t)の範囲外を外れとしてカウントする。特徴毎に外れ回数の平均を算出し、ある特徴について１周期分の外れ回数が平均と比較して極端に大きい（たとえば数倍以上）ならばその周期のデータを取り除く。あるいは、1周期毎に外れ回数が平均を上回る特徴の数を数え、これが大きい周期のデータを取り除く。
　学習データ選択部１２０３における、学習データ選択処理の別の実施例を、図１８を用いて説明する。初めに、特徴選択部１２０２から出力される、選択特徴から構成される特徴ベクトルを入力する（Ｓ１８０１）。次に入力データを運転周期の１周期分毎に切り分ける（Ｓ１８０２）。運転周期が不明の場合は１日毎など扱いやすい単位でよい。
　次に、１周期分のデータをチェック対象と定め（Ｓ１８０３）、チェック対象を除いた残りからランダムに数周期分サンプリングして正常モデル作成することをk1回実行してk1個のモデルを作成する（Ｓ１８０４）。このときのモデル作成手法は、正常モデル作成部１２０４で用いる手法と同じとする。チェック対象の異常測度を、k1個の正常モデルを用いてそれぞれ算出する（Ｓ１８０５）。これにより各時刻でk1個の異常測度が算出されることになる。次に各時刻のk1個の異常測度のうち小さい方からk2個を選んで平均を算出し、これをその時刻の異常測度とする（Ｓ１８０６）。
　算出された異常測度の平均の１周期中の最大値を求め、これをその周期の異常測度の代表値とする（Ｓ１８０７）。全周期について代表値の算出が終了していなければ（Ｓ１８０８）、次の周期のデータをチェック対象と定め（Ｓ１８０９）、ステップＳ１８０４からの処理を繰り返す。終了していれば、異常測度の代表値が大きい周期のデータを学習データから除外する（Ｓ１８１０）。
　本実施例では、ランダムサンプリングにより複数の正常モデルを作成することにより、データに異常状態が混入していても、いくつかのモデルは異常を含まないデータで作成されることが期待される。チェック対象が正常であれば、正常データで作成されたモデルを用いて算出された異常測度は小さくなるため、小さい方から数個選んだ異常測度の平均は小さくなる。チェック対象が異常であれば、同じ異常を含むデータで作成されたモデルを用いて算出された異常測度は小さくなるが、モデルを数個用いることにより、そのすべてに異常が含まれることはなくなるため、平均をとると異常測度が大きくなる。混入する異常の割合は低いという前提のもとで、この方法により異常なデータを除外することが可能である。
　以上に説明した方法によれば、特徴ベクトルのデータチェックに基づき使用する特徴および学習データの選択を自動的に行うことが可能となる。その結果、ユーザは使用特徴および学習データの吟味をすることなくセンサ信号を丸ごと入力するだけで高精度な正常モデルを作成することが可能となり、少ない手間で感度の高い異常検知が実現できる。
　なお、図１２Ａに示す本実施例では、センサ信号のみを用いた構成としているが、図１Ａに示す実施例と同様に、イベント信号を入力し、それを元にモード分割を行い、モード毎に正常モデルの作成および学習データの十分性チェックによるしきい値設定を行う構成としたものも、本発明に含まれる。
　この場合、学習データ選択部１２０３における、学習データ選択処理にもイベント信号を利用することが考えられる。以下に、イベント信号を利用した学習データ選択処理の実施例について説明する。基本的な方針は、イベント信号に基づき所定の基本単位で異常状態を含むかどうかを判断し、異常状態を含む基本単位ごと学習データから取り除くことである。所定の基本単位とは例えば一日とする。これは、多様な稼動状態を網羅することと、異常状態の影響を余裕を持って取り除くという２つの観点から決定する。
　異常と判断する条件は例えば以下のとおりである。(1)故障あるいは警告のイベントが発生、(2)異常な起動シーケンスを含む、(3)起動シーケンスの回数が他と異なる、(4)起動シーケンスと終了シーケンスの間隔が他と異なる、(5)頻度の低いイベントまたはイベント列が発生などである。(1)のチェックはイベント信号から故障・警告を探索してその日時を調べるだけでよい。(2)および(3)および(4)のチェックのためには、図２を用いて説明した方法によって起動シーケンスと終了シーケンスを切り出し、切り出されたシーケンスが正常かどうかを判断する。
　正常なシーケンスは、予め指定した終了イベントで終了しており、故障あるいは警告イベントまたは予め指定したシーケンスの開始イベントで終了した場合は異常なシーケンスと判断する。また、シーケンス中の特定イベントの回数、イベントの順序など正常なシーケンスに関する知識に基づいて正常か異常か判断する。(5)のチェックのためには、予めイベントまたはイベント列の頻度を調べておく。ただし、イベント列の頻度は図３に示した方法により、類似したイベント列は同じものとしてカウントするとよい。
　図１９に、実施例３における設備状態監視方法を実現するシステムの一構成例を示す。
  本実施例の設備状態を監視するシステムは、実施例２で説明した図１２のセンサ信号解析部１２００に相当するセンサ信号解析部１９００と、実施例１で説明したモード分割部１０４に相当するモード分割部１９０８を組合わせたものである。
　本システムは、設備１０１から出力されるセンサ信号１０２を受けて信号の特徴抽出を行い、特徴ベクトルを得る特徴抽出部１９０１、特徴抽出部１９０１の出力を受けて特徴選択を行う特徴選択部１９０２、設備１０１から出力されるイベント信号１０３と特徴選択部１９０２の出力を受けて使用する学習データを選択する学習データ選択部１９０３、学習データ選択部１９０３の出力を受けて正常モデルを作成する正常モデル作成部１９０４、正常モデル作成部１９０４で作成した正常モデルを用い、特徴抽出部１９０１と特徴選択部１９０２を経て得られる特徴ベクトルから異常測度を算出する異常測度算出部１９０５、正常モデル作成部１９０４で作成した正常モデルについて異常測度算出部１９０５で算出した異常測度に基づいて正常モデルをチェックする学習データチェック部１９０６、学習データチェック部１９０６でチェックした正常モデルのデータと異常測度算出部１９０５でセンサ信号１０２から徴抽出部１９０１と特徴選択部１９０２を経て得られる特徴ベクトルから算出した異常測度に基づいて異常を識別する異常識別部１９０７を備えたセンサ信号解析部１９００と、設備１０１から出力されるイベント信号１０３を受けて設備１０１の稼動状態の変化に応じて時間を分割するモード分割部１９０８とを備えて構成される。
　本システムの学習時の処理の流れを説明する。
  設備１０１から出力されたセンサ信号１０２は、予め学習用に蓄積されている。特徴抽出部１９０１は、蓄積されたセンサ信号１０２を入力し、特徴抽出を行って特徴ベクトルを得る。特徴選択部１９０２は、特徴抽出部１９０１から出力された特徴ベクトルのデータチェックを行い、使用する特徴を選択する。学習データ選択部１９０３は、選択された特徴で構成される特徴ベクトルのデータチェックおよびイベント信号１０３のチェックを行い、正常モデル作成に使用する学習データを選択する。
　一方、モード分割部１９０８は、イベント信号１０３に基づいて、稼動状態毎に時間を分割するモード分割を行う。選択された学習データは、ｋ個のグループに分割され、そのうち１グループを除いて正常モデル作成部１９０４に入力され、正常モデル作成部１９０４は、これを用いて学習を行い、正常モデルを作成する。正常モデルの種類によっては、正常モデル作成をモード毎に行う。
　異常測度算出部１９０５は、作成された正常モデルを用い、正常モデル作成時に除かれたグループのデータを入力して異常測度を算出する。すべてのグループのデータについて異常測度の算出が終了していなければ、他のグループについて正常モデル作成と異常測度算出のステップを繰り返す。すべてのグループのデータについて異常測度の算出が終了したら次のステップに進む。学習データチェック部１９０６は、すべてのグループのデータについて算出された異常測度に基づいてモード毎に異常を識別するしきい値を設定する。
正常モデル作成部１９０４はすべての選択された学習データを用いて学習を行い、正常モデルを作成する。
　次に本システムの評価時の処理の流れを説明する。
  特徴抽出部１９０１は、センサ信号１０２を入力し、学習時と同様の特徴抽出を行って特徴ベクトルを得る、特徴選択部１９０２は、特徴抽出部１９０１から出力された特徴ベクトルをもとに、学習時に選択された特徴から構成された特徴ベクトルを作成する。特徴選択部１９０２で作成された特徴ベクトルは異常測度算出部１９０５に入力されて、学習時に正常モデル作成部１９０４で作成された正常モデルを用いて異常測度が算出される。
モード毎に正常モデルを作成した場合は、すべてのモードの正常モデルを用いて異常測度を算出し、最小値を求める。一方、モード分割部１９０８は、イベント信号１０３に基づいて、稼動状態毎に時間を分割するモード分割を行う。算出された異常測度は異常識別部１９０７に入力され、学習時に設定されたモード毎のしきい値のうち対応するモードのものと比較することにより異常判定が行われる。
　次に、図１９に示した各部の動作について順に詳細に説明する。
モード分割部１９０８における、モード分割方法は図２および図３を用いて説明した方法と同様である。
特徴抽出部１９０１および特徴選択部１９０２における動作は図１２を用いて説明した実施例と同様である。
　学習データ選択部１９０３における学習データ選択処理は、図１２を用いて説明した実施例と同様な方法に加え、イベント信号を利用した方法が考えられる。イベント信号を利用した学習データ選択処理の実施例について説明する。基本的な方針は、イベント信号に基づき所定の基本単位で異常状態を含むかどうかを判断し、異常状態を含む基本単位ごと学習データから取り除くことである。所定の基本単位とは例えば一日とする。これは、多様な稼動状態を網羅することと、異常状態の影響を余裕を持って取り除くという２つの観点から決定する。
　異常と判断する条件は例えば以下のとおりである。(1)故障あるいは警告のイベントが発生、(2)異常な起動シーケンスを含む、(3)起動シーケンスの回数が他と異なる、(4)起動シーケンスと終了シーケンスの間隔が他と異なる、(5)頻度の低いイベントまたはイベント列が発生などである。(1)のチェックはイベント信号から故障・警告を探索してその日時を調べるだけでよい。(2)および(3)および(4)のチェックのためには、図２を用いて説明した方法によって起動シーケンスと終了シーケンスを切り出し、切り出されたシーケンスが正常かどうかを判断する。
　正常なシーケンスは、予め指定した終了イベントで終了しており、故障あるいは警告イベントまたは予め指定したシーケンスの開始イベントで終了した場合は異常なシーケンスと判断する。また、シーケンス中の特定イベントの回数、イベントの順序など正常なシーケンスに関する知識に基づいて正常か異常か判断する。(5)のチェックのためには、予めイベントまたはイベント列の頻度を調べておく。ただし、イベント列の頻度は図３に示した方法により、類似したイベント列は同じものとしてカウントするとよい。
　正常モデル作成部１９０４で処理する正常モデル作成方法は、図５ないし図７を用いて説明した方法と同様である。
　異常測度算出部１９０５で処理する異常測度算出方法は、図６および図７を用いて説明した方法と同様である。
　学習データチェック部１９０６で処理する学習データチェック方法は、図８ないし図９を用いて説明した方法と同様である。
　本発明は、ガスタービンや蒸気タービンなどの設備のみならず、水力発電所での水車、原子力発電所の原子炉、風力発電所の風車、航空機や重機のエンジン、鉄道車両や軌道、エスカレータ、エレベータ、そして機器・部品レベルでは、搭載電池の劣化・寿命など、種々の設備・部品において、それらから出力される多次元時系列データをもとに異常を早期に検知して現象の診断を行う状態監視方法およびその装置に利用することができる。
１０１・・・設備　　１０２・・・センサ信号　　１０３・・・イベント信号　１０４・・・モード分割部　　１０５・・・特徴抽出部　　１０６・・・正常モデル作成部　　１０７・・・異常測度算出部　　１０８・・・学習データチェック部　　１０９・・・異常識別部　　１１０・・・異常診断部　　１２０１・・・特徴抽出部　　１２０２・・・特徴選択部　１２０３・・・学習データ選択部　１２０４・・・正常モデル作成部　　１２０５・・・異常測度算出部　　１２０６・・・学習データチェック部　　１２０７・・・異常識別部。

Claims (21)

  1. 　設備または装置の出力する時系列のセンサ信号に基づいて異常を検知する設備状態監視方法であって、
    前記センサ信号に基づき特徴ベクトルを抽出し、前記特徴ベクトルのデータチェックに基づき使用する特徴を選択し、前記特徴ベクトルのデータチェックに基づき使用する学習データを選択し、前記選択された学習データに基づき正常モデルを作成し、前記正常モデル作成に用いた学習データの十分性をチェックし、前記学習データの十分性に応じてしきい値を設定する学習工程と、
    前記センサ信号に基づき特徴ベクトルを抽出し、前記正常モデルと前記特徴ベクトルの比較により異常測度を算出し、前記異常測度と前記しきい値の比較により異常識別を行う異常検知工程とを有することを特徴とする設備状態監視方法。
  2. 前記特徴の選択および前記学習データの選択における前記データチェックは、前記特徴ベクトルの特徴毎の１運転周期分の平均および分散に基づいて行うことを特徴とする請求項１記載の設備状態監視方法。
  3. 前記特徴の選択および前記学習データの選択における前記データチェックは、前記特徴ベクトルの特徴毎の１運転周期分の波形モデルからの外れ回数に基づいて行うことを特徴とする請求項１記載の設備状態監視方法。
  4. 前記特徴の選択は、前記設備または装置の警告あるいは故障時刻の情報を入力し、前記警告あるいは故障時刻の情報に基づいて、前記特徴ベクトルに正常または異常のラベルを付加し、前記異常のラベルが付加された特徴ベクトルの異常測度の前記正常のラベルが付加された特徴ベクトルの異常測度に対する比が最大となる基準で特徴の組合せを探索することによってなされることを特徴とする請求項２記載の設備状態監視方法。
  5. 前記特徴の選択は、前記設備または装置の警告あるいは故障時刻の情報を入力し、前記警告あるいは故障時刻の情報に基づいて、前記特徴ベクトルに正常または異常のラベルを付加し、前記異常のラベルが付加された特徴ベクトルの異常測度の前記正常のラベルが付加された特徴ベクトルの異常測度に対する比が最大となる基準で特徴の組合せを探索することによってなされることを特徴とする請求項３記載の設備状態監視方法。
  6. 前記学習データの選択は、全学習データについて、１運転周期毎に対象とする周期のデータを除いた残りのデータからランダムサンプリングにより複数の正常モデルを作成し、前記複数の正常モデルすべてを用いて前記対象とする周期のデータの異常測度を複数個算出し、各データの前記複数個の異常測度から所定の個数の平均を算出し、前記対象とする周期中の前記平均の最大値を求めておき、前記平均の最大値が所定のしきい値より大きい周期のデータを学習データから除外することによってなされることを特徴とする請求項２記載の設備状態監視方法。
  7. 前記学習データの選択は、全学習データについて、１運転周期毎に対象とする周期のデータを除いた残りのデータからランダムサンプリングにより複数の正常モデルを作成し、前記複数の正常モデルすべてを用いて前記対象とする周期のデータの異常測度を複数個算出し、各データの前記複数個の異常測度から所定の個数の平均を算出し、前記対象とする周期中の前記平均の最大値を求めておき、前記平均の最大値が所定のしきい値より大きい周期のデータを学習データから除外することによってなされることを特徴とする請求項３記載の設備状態監視方法。
  8. 設備または装置の出力する時系列のセンサ信号およびイベント信号に基づいて異常を検知する設備状態監視方法であって、
    前記イベント信号に基づき稼動状態別のモード分割を行い、前記センサ信号に基づき特徴ベクトルを抽出し、前記特徴ベクトルのデータチェックに基づき使用する特徴を選択し、前記特徴ベクトルのデータチェックに基づき使用する学習データを選択し、前記選択された学習データに基づき前記モード毎に正常モデルを作成し、前記モード毎に前記正常モデル作成に用いた学習データの十分性をチェックし、前記学習データの十分性に応じてしきい値を設定する学習工程と、
    前記イベント信号に基づき稼動状態別のモード分割を行い、前記センサ信号に基づき特徴ベクトルを抽出し、前記正常モデルと前記特徴ベクトルの比較により異常測度を算出し、前記異常測度と前記しきい値の比較により異常識別を行う異常検知工程と
    を有することを特徴とする設備状態監視方法。
  9. 前記学習データの選択は、前記イベント信号に基づき警告または故障の情報と、起動および停止シーケンスの情報と、頻度の低いイベントあるいはイベント列発生の情報を得、それらに基づき所定の基本単位毎に除外するか否かを決定することによってなされることを特徴とする請求項８記載の設備状態監視方法。
  10. 設備または装置の出力する時系列のセンサ信号およびイベント信号に基づいて異常を検知する設備状態監視方法であって、
    前記イベント信号に基づき稼動状態別のモード分割を行い、前記センサ信号に基づき特徴ベクトルを抽出し、前記特徴ベクトルに基づき前記モード毎に正常モデルを作成し、前記モード毎に前記正常モデル作成に用いた学習データの十分性をチェックし、前記学習データの十分性に応じてしきい値を設定する学習工程と、
    前記イベント信号に基づき稼動状態別のモード分割を行い、前記センサ信号に基づき特徴ベクトルを抽出し、前記正常モデルと前記特徴ベクトルの比較により異常測度を算出し、前記異常測度と前記しきい値の比較により異常識別を行う異常検知工程と
    を有することを特徴とする設備状態監視方法。
  11. 前記学習工程において、前記異常識別により異常判定された時刻の前記特徴ベクトルを量子化して原因事象とし、前記異常判定の時刻から一定時間経過までに発生した故障イベントを結果事象とし、前記原因事象と前記結果事象の組合せの頻度マトリクスを作成し、
    前記診断工程において、前記学習工程において作成した頻度マトリクスと、前記異常識別により異常判定された時刻の前記特徴ベクトルに基づき前記結果事象発生を予測する
    ことを特徴とする請求項１０記載の設備状態監視方法。
  12. 　前記結果事象発生の予測時に、異常判定の前後の一定時間について、前記正常モデルと前記特徴ベクトルに基づいて算出される正常なセンサ信号と実際のセンサ信号を重ねて表示することを特徴とする請求項１１記載の設備状態監視方法。
  13. 前記結果事象発生の予測時に、予測した結果事象および入力した原因事象が一致する学習データについて、前記正常モデルと前記特徴ベクトルに基づいて算出される正常なセンサ信号と実際のセンサ信号を重ねて表示することを特徴とする請求項１１記載の設備状態監視方法。
  14. 設備または装置から出力される時系列のイベント信号を前記設備又は装置の稼動状態に応じてモード分割し、
    前記設備または装置から出力される時系列のセンサ信号から特徴ベクトルを求め、
    前記モード分割情報と前記センサ信号から求めた特徴ベクトルの情報を用いて前記分割したモード毎に正常モデルを作成し、
    該作成した正常モデルを用いて前記分割したモード毎に前記特徴ベクトルの異常測度を算出し、　
    該算出した異常測度を予め設定しておいたしきい値と比較して異常を判定し、
    該判定した異常の情報と前記センサ信号とを用いて前記設備または装置の異常を診断することを特徴とする設備状態監視方法。
  15. 前記正常モデルを作成する工程において、
    前記求めた特徴ベクトルから前記分割したモード毎に学習データを選択し、
    該モード毎に選択した学習データを用いて正常モデルを求める
    ことを特徴とする請求項１４記載の設備状態監視方法。
  16. 　前記選択した分割したモード毎の学習データの十分性をチェックする工程を更に有し、
    該工程において前記分割したモード毎の学習データの十分性をチェックした結果に応じて前記分割したモード毎に前記異常を判定する異常測度のしきい値を設定することを特徴とする請求項１５記載の設備状態監視方法。　　
  17. 　前記算出した異常測度と前記設定した異常測度のしきい値とを画面上に表示することを特徴とする請求項１５記載の設備状態監視方法。
  18. 設備または装置から出力される時系列のイベント信号を入力して前記設備又は装置の稼動状態に応じて該イベント信号をモード分割するモード分割手段と、
    前記設備または装置から出力される時系列のセンサ信号を入力して該入力したセンサ信号から特徴ベクトルを求める特徴ベクトル算出手段と、
    前記モード分割手段からのモード分割情報と前記特徴ベクトル算出手段で求めたセンサ信号の特徴ベクトルの情報を用いて前記分割したモード毎に正常モデルを作成する正常モデル作成手段と、
    該正常モデル作成手段で作成した正常モデルを用いて前記分割したモード毎に特徴ベクトル算出手段で求めた特徴ベクトルの異常測度を算出する異常測度算出手段と、
    該異常測度算出手段で算出した異常測度を予め設定しておいたしきい値と比較して異常を判定する異常判定手段と、　
    該異常判定手段で判定した異常の情報と前記設備または装置から出力される時系列のセンサ信号とを用いて前記設備または装置の異常を診断する異常診断手段とを備えたことを特徴とする設備状態監視装置。
  19. 前記正常モデル作成手段は、
    前記特徴ベクトル算出手段で求めた特徴ベクトルから前記モード分割手段で分割したモード毎に学習データを選択する学習データ選択部と、
    該学習データ選択部でモード毎に選択した学習データを用いて正常モデルを求める正常モデル作成部と
    を備えていることを特徴とする請求項１８記載の設備状態監視装置。
  20. 　前記正常モデル作成手段の学習データ選択部で選択した前記分割したモード毎の学習データの十分性をチェックする学習データチェック手段を更に備え、該学習データチェック手段において前記分割したモード毎の学習データの十分性をチェックした結果に応じて前記分割したモード毎に前記異常を判定する異常測度のしきい値を設定することを特徴とする請求項１９記載の設備状態監視装置。
  21. 　前記しきい値を設定する手段で算出した異常測度と前記設定した異常測度のしきい値とを画面上に表示する表示手段を更に備えたことを特徴とする請求項２０記載の設備状態監視装置。
PCT/JP2010/004789 2009-08-28 2010-07-28 設備状態監視方法およびその装置 WO2011024382A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US13/383,841 US8682824B2 (en) 2009-08-28 2010-07-28 Method and device for monitoring the state of a facility

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
JP2009198561 2009-08-28
JP2009-198561 2009-08-28
JP2010090286A JP5431235B2 (ja) 2009-08-28 2010-04-09 設備状態監視方法およびその装置
JP2010-090286 2010-04-09

Publications (1)

Publication Number Publication Date
WO2011024382A1 true WO2011024382A1 (ja) 2011-03-03

Family

ID=43627504

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2010/004789 WO2011024382A1 (ja) 2009-08-28 2010-07-28 設備状態監視方法およびその装置

Country Status (3)

Country Link
US (1) US8682824B2 (ja)
JP (1) JP5431235B2 (ja)
WO (1) WO2011024382A1 (ja)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013030984A1 (ja) * 2011-08-31 2013-03-07 株式会社日立エンジニアリング・アンド・サービス 設備状態監視方法およびその装置
CN103176128A (zh) * 2013-03-28 2013-06-26 华南理工大学 一种风力发电机组状态预报及智能故障诊断方法及系统
JPWO2013030984A1 (ja) * 2011-08-31 2015-03-23 株式会社日立パワーソリューションズ 設備状態監視方法およびその装置
WO2015129512A1 (ja) * 2014-02-27 2015-09-03 株式会社日立製作所 移動体の診断装置
WO2016117086A1 (ja) * 2015-01-22 2016-07-28 三菱電機株式会社 時系列データ検索装置および時系列データ検索プログラム
WO2018042616A1 (ja) * 2016-09-02 2018-03-08 株式会社日立製作所 診断装置、診断方法及び診断プログラム
CN110866661A (zh) * 2018-08-27 2020-03-06 中国石油化工股份有限公司 石化生产工艺的风险量化管理方法
CN112685216A (zh) * 2021-02-04 2021-04-20 三门核电有限公司 基于趋势分析的设备异常监测系统及方法
JPWO2021171387A1 (ja) * 2020-02-26 2021-09-02
WO2022024991A1 (ja) * 2020-07-31 2022-02-03 株式会社デンソー 異常検出装置、異常検出方法および異常検出プログラム
TWI756628B (zh) * 2019-02-26 2022-03-01 日商三菱重工業股份有限公司 營運評估裝置、營運評估方法、及程式
WO2022049701A1 (ja) * 2020-09-03 2022-03-10 三菱電機株式会社 機器分析装置、機器分析方法および機器分析プログラム
CN116629706A (zh) * 2023-07-19 2023-08-22 山东新中鲁建设有限公司 一种基于bim的绿色节能建筑施工质量评估方法
JP7459161B2 (ja) 2022-03-31 2024-04-01 本田技研工業株式会社 モデル評価装置、フィルタ生成装置、モデル評価方法、フィルタ生成方法及びプログラム

Families Citing this family (242)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8930331B2 (en) 2007-02-21 2015-01-06 Palantir Technologies Providing unique views of data based on changes or rules
US8429194B2 (en) 2008-09-15 2013-04-23 Palantir Technologies, Inc. Document-based workflows
US9084937B2 (en) * 2008-11-18 2015-07-21 Gtech Canada Ulc Faults and performance issue prediction
JP5431235B2 (ja) 2009-08-28 2014-03-05 株式会社日立製作所 設備状態監視方法およびその装置
WO2012086443A1 (ja) * 2010-12-24 2012-06-28 日本電気株式会社 監視データ分析装置、監視データ分析方法および監視データ分析プログラム
WO2012086444A1 (ja) 2010-12-24 2012-06-28 日本電気株式会社 監視データ分析装置、監視データ分析方法および監視データ分析プログラム
US8725676B1 (en) * 2011-03-31 2014-05-13 Rockwell Collins, Inc. State change detection
JP4832609B1 (ja) * 2011-06-22 2011-12-07 株式会社日立エンジニアリング・アンド・サービス 異常予兆診断装置および異常予兆診断方法
US9547693B1 (en) 2011-06-23 2017-01-17 Palantir Technologies Inc. Periodic database search manager for multiple data sources
US8799240B2 (en) 2011-06-23 2014-08-05 Palantir Technologies, Inc. System and method for investigating large amounts of data
US9092482B2 (en) 2013-03-14 2015-07-28 Palantir Technologies, Inc. Fair scheduling for mixed-query loads
JP5803006B2 (ja) * 2011-08-24 2015-11-04 長野県 概周期性を持つデジタルデータに対する異常信号検出システムの初期設定の自動化方法および装置
US8732574B2 (en) 2011-08-25 2014-05-20 Palantir Technologies, Inc. System and method for parameterizing documents for automatic workflow generation
US8504542B2 (en) 2011-09-02 2013-08-06 Palantir Technologies, Inc. Multi-row transactions
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
JP5856446B2 (ja) * 2011-11-17 2016-02-09 株式会社日立製作所 鉄道車両用保守システム
JP5762257B2 (ja) * 2011-11-18 2015-08-12 三菱電機株式会社 プラント監視制御装置
US9946232B2 (en) * 2012-06-19 2018-04-17 Gkn Aerospace Sweden Ab Determining a machine condition
JP2014048697A (ja) * 2012-08-29 2014-03-17 Hitachi Ltd 設備状態監視方法及び設備状態監視装置
US9348677B2 (en) 2012-10-22 2016-05-24 Palantir Technologies Inc. System and method for batch evaluation programs
US10860683B2 (en) 2012-10-25 2020-12-08 The Research Foundation For The State University Of New York Pattern change discovery between high dimensional data sets
JP5960029B2 (ja) * 2012-10-31 2016-08-02 住友重機械工業株式会社 異常原因特定システム
US9355479B2 (en) * 2012-11-15 2016-05-31 International Business Machines Corporation Automatic tuning of value-series analysis tasks based on visual feedback
US9183649B2 (en) * 2012-11-15 2015-11-10 International Business Machines Corporation Automatic tuning of value-series analysis tasks based on visual feedback
JP6076751B2 (ja) 2013-01-22 2017-02-08 株式会社日立製作所 異常診断方法およびその装置
US9380431B1 (en) 2013-01-31 2016-06-28 Palantir Technologies, Inc. Use of teams in a mobile application
JP6135192B2 (ja) * 2013-03-01 2017-05-31 株式会社明電舎 時系列データの異常監視装置、異常監視方法及びプログラム
US10037314B2 (en) 2013-03-14 2018-07-31 Palantir Technologies, Inc. Mobile reports
US8917274B2 (en) 2013-03-15 2014-12-23 Palantir Technologies Inc. Event matrix based on integrated data
US8937619B2 (en) 2013-03-15 2015-01-20 Palantir Technologies Inc. Generating an object time series from data objects
US10275778B1 (en) 2013-03-15 2019-04-30 Palantir Technologies Inc. Systems and user interfaces for dynamic and interactive investigation based on automatic malfeasance clustering of related data in various data structures
US8909656B2 (en) 2013-03-15 2014-12-09 Palantir Technologies Inc. Filter chains with associated multipath views for exploring large data sets
US9965937B2 (en) 2013-03-15 2018-05-08 Palantir Technologies Inc. External malware data item clustering and analysis
US8930897B2 (en) 2013-03-15 2015-01-06 Palantir Technologies Inc. Data integration tool
US8855999B1 (en) 2013-03-15 2014-10-07 Palantir Technologies Inc. Method and system for generating a parser and parsing complex data
US8818892B1 (en) 2013-03-15 2014-08-26 Palantir Technologies, Inc. Prioritizing data clusters with customizable scoring strategies
US8868486B2 (en) 2013-03-15 2014-10-21 Palantir Technologies Inc. Time-sensitive cube
US8903717B2 (en) 2013-03-15 2014-12-02 Palantir Technologies Inc. Method and system for generating a parser and parsing complex data
US8799799B1 (en) 2013-05-07 2014-08-05 Palantir Technologies Inc. Interactive geospatial map
JP6094387B2 (ja) * 2013-06-06 2017-03-15 株式会社デンソー 制御装置
US8601326B1 (en) * 2013-07-05 2013-12-03 Palantir Technologies, Inc. Data quality monitors
US9335897B2 (en) 2013-08-08 2016-05-10 Palantir Technologies Inc. Long click display of a context menu
US9223773B2 (en) 2013-08-08 2015-12-29 Palatir Technologies Inc. Template system for custom document generation
US8713467B1 (en) 2013-08-09 2014-04-29 Palantir Technologies, Inc. Context-sensitive views
US20150067153A1 (en) * 2013-08-28 2015-03-05 Kentucky State University Remote monitoring of data facility in real-time using wireless sensor network
US9785317B2 (en) 2013-09-24 2017-10-10 Palantir Technologies Inc. Presentation and analysis of user interaction data
US8938686B1 (en) 2013-10-03 2015-01-20 Palantir Technologies Inc. Systems and methods for analyzing performance of an entity
US8812960B1 (en) 2013-10-07 2014-08-19 Palantir Technologies Inc. Cohort-based presentation of user interaction data
US9116975B2 (en) 2013-10-18 2015-08-25 Palantir Technologies Inc. Systems and user interfaces for dynamic and interactive simultaneous querying of multiple data stores
US8924872B1 (en) 2013-10-18 2014-12-30 Palantir Technologies Inc. Overview user interface of emergency call data of a law enforcement agency
JP2015085437A (ja) * 2013-10-30 2015-05-07 富士通株式会社 判定装置、判定方法、および判定プログラム
US9021384B1 (en) 2013-11-04 2015-04-28 Palantir Technologies Inc. Interactive vehicle information map
US8868537B1 (en) 2013-11-11 2014-10-21 Palantir Technologies, Inc. Simple web search
JP6152788B2 (ja) 2013-12-02 2017-06-28 富士通株式会社 障害予兆検知方法、情報処理装置およびプログラム
JP6082341B2 (ja) * 2013-12-05 2017-02-15 株式会社日立ソリューションズ 異常検出装置及び異常検出方法
US9105000B1 (en) 2013-12-10 2015-08-11 Palantir Technologies Inc. Aggregating data from a plurality of data sources
JP6216242B2 (ja) 2013-12-13 2017-10-18 株式会社日立ハイテクノロジーズ 異常検知方法およびその装置
US10025834B2 (en) 2013-12-16 2018-07-17 Palantir Technologies Inc. Methods and systems for analyzing entity performance
US9552615B2 (en) 2013-12-20 2017-01-24 Palantir Technologies Inc. Automated database analysis to detect malfeasance
US9576188B2 (en) * 2013-12-23 2017-02-21 Atheer, Inc. Method and apparatus for subject identification
US10356032B2 (en) 2013-12-26 2019-07-16 Palantir Technologies Inc. System and method for detecting confidential information emails
US9338013B2 (en) 2013-12-30 2016-05-10 Palantir Technologies Inc. Verifiable redactable audit log
US9043696B1 (en) 2014-01-03 2015-05-26 Palantir Technologies Inc. Systems and methods for visual definition of data associations
US8832832B1 (en) 2014-01-03 2014-09-09 Palantir Technologies Inc. IP reputation
US9009827B1 (en) 2014-02-20 2015-04-14 Palantir Technologies Inc. Security sharing system
US9483162B2 (en) 2014-02-20 2016-11-01 Palantir Technologies Inc. Relationship visualizations
US9727376B1 (en) 2014-03-04 2017-08-08 Palantir Technologies, Inc. Mobile tasks
US20150271030A1 (en) * 2014-03-18 2015-09-24 Vmware, Inc. Methods and systems for detection of data anomalies
US8935201B1 (en) 2014-03-18 2015-01-13 Palantir Technologies Inc. Determining and extracting changed data from a data source
US20150308920A1 (en) * 2014-04-24 2015-10-29 Honeywell International Inc. Adaptive baseline damage detection system and method
US9857958B2 (en) 2014-04-28 2018-01-02 Palantir Technologies Inc. Systems and user interfaces for dynamic and interactive access of, investigation of, and analysis of data objects stored in one or more databases
US9009171B1 (en) 2014-05-02 2015-04-14 Palantir Technologies Inc. Systems and methods for active column filtering
JP5751731B1 (ja) * 2014-05-23 2015-07-22 株式会社テイエルブイ 蒸気使用設備の監視システム
US9535974B1 (en) 2014-06-30 2017-01-03 Palantir Technologies Inc. Systems and methods for identifying key phrase clusters within documents
US9619557B2 (en) 2014-06-30 2017-04-11 Palantir Technologies, Inc. Systems and methods for key phrase characterization of documents
US9021260B1 (en) 2014-07-03 2015-04-28 Palantir Technologies Inc. Malware data item analysis
US9785773B2 (en) 2014-07-03 2017-10-10 Palantir Technologies Inc. Malware data item analysis
US10572496B1 (en) 2014-07-03 2020-02-25 Palantir Technologies Inc. Distributed workflow system and database with access controls for city resiliency
US9202249B1 (en) 2014-07-03 2015-12-01 Palantir Technologies Inc. Data item clustering and analysis
US9256664B2 (en) 2014-07-03 2016-02-09 Palantir Technologies Inc. System and method for news events detection and visualization
JP5771318B1 (ja) * 2014-08-26 2015-08-26 株式会社日立パワーソリューションズ 異常診断装置及び異常診断方法
JP5771317B1 (ja) * 2014-08-26 2015-08-26 株式会社日立パワーソリューションズ 異常診断装置及び異常診断方法
EP3190519B1 (en) * 2014-09-03 2022-04-06 Nec Corporation Monitoring device and monitoring method thereof, monitoring system, and recording medium in which computer program is stored
US9454281B2 (en) 2014-09-03 2016-09-27 Palantir Technologies Inc. System for providing dynamic linked panels in user interface
WO2016040085A1 (en) * 2014-09-10 2016-03-17 Siemens Aktiengesellschaft Gas turbine failure prediction utilizing supervised learning methodologies
JP6223936B2 (ja) * 2014-09-12 2017-11-01 株式会社日立ハイテクノロジーズ 異常傾向検出方法およびシステム
JP6301791B2 (ja) * 2014-09-17 2018-03-28 株式会社東芝 配電網の故障予兆診断システムおよびその方法
US9501851B2 (en) 2014-10-03 2016-11-22 Palantir Technologies Inc. Time-series analysis system
US9767172B2 (en) 2014-10-03 2017-09-19 Palantir Technologies Inc. Data aggregation and analysis system
JP6417175B2 (ja) * 2014-10-06 2018-10-31 アズビル株式会社 評価装置および評価方法
US9785328B2 (en) 2014-10-06 2017-10-10 Palantir Technologies Inc. Presentation of multivariate data on a graphical user interface of a computing system
US9984133B2 (en) 2014-10-16 2018-05-29 Palantir Technologies Inc. Schematic and database linking system
US9229952B1 (en) 2014-11-05 2016-01-05 Palantir Technologies, Inc. History preserving data pipeline system and method
US9043894B1 (en) 2014-11-06 2015-05-26 Palantir Technologies Inc. Malicious software detection in a computing system
US9348920B1 (en) 2014-12-22 2016-05-24 Palantir Technologies Inc. Concept indexing among database of documents using machine learning techniques
US10362133B1 (en) 2014-12-22 2019-07-23 Palantir Technologies Inc. Communication data processing architecture
US10552994B2 (en) 2014-12-22 2020-02-04 Palantir Technologies Inc. Systems and interactive user interfaces for dynamic retrieval, analysis, and triage of data items
US9367872B1 (en) 2014-12-22 2016-06-14 Palantir Technologies Inc. Systems and user interfaces for dynamic and interactive investigation of bad actor behavior based on automatic clustering of related data in various data structures
US9870205B1 (en) 2014-12-29 2018-01-16 Palantir Technologies Inc. Storing logical units of program code generated using a dynamic programming notebook user interface
US9817563B1 (en) 2014-12-29 2017-11-14 Palantir Technologies Inc. System and method of generating data points from one or more data stores of data items for chart creation and manipulation
US9335911B1 (en) 2014-12-29 2016-05-10 Palantir Technologies Inc. Interactive user interface for dynamic data analysis exploration and query processing
US10372879B2 (en) 2014-12-31 2019-08-06 Palantir Technologies Inc. Medical claims lead summary report generation
WO2016113911A1 (ja) * 2015-01-16 2016-07-21 三菱電機株式会社 データ判定装置、データ判定方法及びプログラム
WO2016117358A1 (ja) * 2015-01-21 2016-07-28 三菱電機株式会社 検査データ処理装置および検査データ処理方法
US10387834B2 (en) 2015-01-21 2019-08-20 Palantir Technologies Inc. Systems and methods for accessing and storing snapshots of a remote application in a document
FR3032273B1 (fr) * 2015-01-30 2019-06-21 Safran Aircraft Engines Procede, systeme et programme d'ordinateur pour phase d'apprentissage d'une analyse acoustique ou vibratoire d'une machine
US9727560B2 (en) 2015-02-25 2017-08-08 Palantir Technologies Inc. Systems and methods for organizing and identifying documents via hierarchies and dimensions of tags
US9891808B2 (en) 2015-03-16 2018-02-13 Palantir Technologies Inc. Interactive user interfaces for location-based data analysis
US9886467B2 (en) 2015-03-19 2018-02-06 Plantir Technologies Inc. System and method for comparing and visualizing data entities and data entity series
JP5849167B1 (ja) * 2015-04-09 2016-01-27 株式会社日立パワーソリューションズ 異常検知方法およびその装置
JP5818337B1 (ja) * 2015-04-13 2015-11-18 株式会社テイエルブイ 蒸気使用設備の監視システム
JP6627258B2 (ja) * 2015-05-18 2020-01-08 日本電気株式会社 システムモデル生成支援装置、システムモデル生成支援方法、及び、プログラム
JP6276732B2 (ja) 2015-07-03 2018-02-07 横河電機株式会社 設備保全管理システムおよび設備保全管理方法
JP6076421B2 (ja) * 2015-07-23 2017-02-08 株式会社日立パワーソリューションズ 設備状態監視方法およびその装置
US9454785B1 (en) 2015-07-30 2016-09-27 Palantir Technologies Inc. Systems and user interfaces for holistic, data-driven investigation of bad actor behavior based on clustering and scoring of related data
US9996595B2 (en) 2015-08-03 2018-06-12 Palantir Technologies, Inc. Providing full data provenance visualization for versioned datasets
JP5845374B1 (ja) * 2015-08-05 2016-01-20 株式会社日立パワーソリューションズ 異常予兆診断システム及び異常予兆診断方法
US9456000B1 (en) 2015-08-06 2016-09-27 Palantir Technologies Inc. Systems, methods, user interfaces, and computer-readable media for investigating potential malicious communications
US10489391B1 (en) 2015-08-17 2019-11-26 Palantir Technologies Inc. Systems and methods for grouping and enriching data items accessed from one or more databases for presentation in a user interface
US9600146B2 (en) 2015-08-17 2017-03-21 Palantir Technologies Inc. Interactive geospatial map
US10127289B2 (en) 2015-08-19 2018-11-13 Palantir Technologies Inc. Systems and methods for automatic clustering and canonical designation of related data in various data structures
US10102369B2 (en) 2015-08-19 2018-10-16 Palantir Technologies Inc. Checkout system executable code monitoring, and user account compromise determination system
JP6638260B2 (ja) * 2015-08-24 2020-01-29 富士電機株式会社 情報提供装置、情報提供方法、及びプログラム
US10853378B1 (en) 2015-08-25 2020-12-01 Palantir Technologies Inc. Electronic note management via a connected entity graph
US11150917B2 (en) 2015-08-26 2021-10-19 Palantir Technologies Inc. System for data aggregation and analysis of data from a plurality of data sources
US9485265B1 (en) 2015-08-28 2016-11-01 Palantir Technologies Inc. Malicious activity detection system capable of efficiently processing data accessed from databases and generating alerts for display in interactive user interfaces
US10706434B1 (en) 2015-09-01 2020-07-07 Palantir Technologies Inc. Methods and systems for determining location information
US9576015B1 (en) 2015-09-09 2017-02-21 Palantir Technologies, Inc. Domain-specific language for dataset transformations
US9824243B2 (en) * 2015-09-11 2017-11-21 Nxp Usa, Inc. Model-based runtime detection of insecure behavior for system on chip with security requirements
US9772934B2 (en) 2015-09-14 2017-09-26 Palantir Technologies Inc. Pluggable fault detection tests for data pipelines
JP6419046B2 (ja) * 2015-09-15 2018-11-07 本田技研工業株式会社 蓄電システムの故障形態判定装置
US10296617B1 (en) 2015-10-05 2019-05-21 Palantir Technologies Inc. Searches of highly structured data
JP6623228B2 (ja) * 2015-11-11 2019-12-18 株式会社日立製作所 制御装置及び診断システム
US9542446B1 (en) 2015-12-17 2017-01-10 Palantir Technologies, Inc. Automatic generation of composite datasets based on hierarchical fields
US9823818B1 (en) 2015-12-29 2017-11-21 Palantir Technologies Inc. Systems and interactive user interfaces for automatic generation of temporal representation of data objects
US10089289B2 (en) 2015-12-29 2018-10-02 Palantir Technologies Inc. Real-time document annotation
US9612723B1 (en) 2015-12-30 2017-04-04 Palantir Technologies Inc. Composite graphical interface with shareable data-objects
WO2017116627A1 (en) * 2016-01-03 2017-07-06 Presenso, Ltd. System and method for unsupervised prediction of machine failures
WO2017120579A1 (en) * 2016-01-10 2017-07-13 Presenso, Ltd. System and method for validating unsupervised machine learning models
WO2017139046A1 (en) 2016-02-09 2017-08-17 Presenso, Ltd. System and method for unsupervised root cause analysis of machine failures
CN108885443A (zh) * 2016-02-25 2018-11-23 东芝三菱电机产业系统株式会社 制造设备的异常诊断装置
US10698938B2 (en) 2016-03-18 2020-06-30 Palantir Technologies Inc. Systems and methods for organizing and identifying documents via hierarchies and dimensions of tags
JP7139946B2 (ja) * 2016-06-08 2022-09-21 日本電気株式会社 システム分析装置、システム分析方法及びプログラム
US9678850B1 (en) 2016-06-10 2017-06-13 Palantir Technologies Inc. Data pipeline monitoring
US10007674B2 (en) 2016-06-13 2018-06-26 Palantir Technologies Inc. Data revision control in large-scale data analytic systems
US10324609B2 (en) 2016-07-21 2019-06-18 Palantir Technologies Inc. System for providing dynamic linked panels in user interface
US10719188B2 (en) 2016-07-21 2020-07-21 Palantir Technologies Inc. Cached database and synchronization system for providing dynamic linked panels in user interface
US10621314B2 (en) 2016-08-01 2020-04-14 Palantir Technologies Inc. Secure deployment of a software package
US10133782B2 (en) 2016-08-01 2018-11-20 Palantir Technologies Inc. Techniques for data extraction
US11106692B1 (en) 2016-08-04 2021-08-31 Palantir Technologies Inc. Data record resolution and correlation system
US10437840B1 (en) 2016-08-19 2019-10-08 Palantir Technologies Inc. Focused probabilistic entity resolution from multiple data sources
JP6636883B2 (ja) 2016-09-06 2020-01-29 株式会社東芝 評価装置、評価方法、および評価プログラム
JP2018063545A (ja) * 2016-10-12 2018-04-19 横河電機株式会社 情報処理装置、情報処理方法、情報処理プログラム及び記録媒体
JP6658462B2 (ja) * 2016-11-08 2020-03-04 東芝三菱電機産業システム株式会社 プラント設備劣化診断装置
US10318630B1 (en) 2016-11-21 2019-06-11 Palantir Technologies Inc. Analysis of large bodies of textual data
US10304263B2 (en) 2016-12-13 2019-05-28 The Boeing Company Vehicle system prognosis device and method
JP6468313B2 (ja) * 2017-06-08 2019-02-13 オムロン株式会社 制御装置、制御プログラムおよび制御方法
JP6919186B2 (ja) 2016-12-14 2021-08-18 オムロン株式会社 制御システム、制御プログラムおよび制御方法
JP6834446B2 (ja) * 2016-12-14 2021-02-24 オムロン株式会社 制御システム、制御プログラムおよび制御方法
WO2018110259A1 (ja) * 2016-12-14 2018-06-21 オムロン株式会社 制御装置、制御プログラムおよび制御方法
FR3061324B1 (fr) * 2016-12-22 2019-05-31 Electricite De France Procede de caracterisation d'une ou plusieurs defaillances d'un systeme
US10460602B1 (en) 2016-12-28 2019-10-29 Palantir Technologies Inc. Interactive vehicle information mapping system
JP6656592B2 (ja) * 2017-01-16 2020-03-04 横河電機株式会社 波形表示装置
JP2018116545A (ja) * 2017-01-19 2018-07-26 オムロン株式会社 予測モデル作成装置、生産設備監視システム、及び生産設備監視方法
US10890507B2 (en) 2017-01-25 2021-01-12 Ntn Corporation State monitoring method and state monitoring apparatus
JP6661559B2 (ja) 2017-02-03 2020-03-11 株式会社東芝 異常検出装置、異常検出方法およびプログラム
JP6986358B2 (ja) * 2017-03-29 2021-12-22 三菱重工業株式会社 情報処理装置、情報処理方法およびプログラム
US10526992B2 (en) * 2017-04-05 2020-01-07 GM Global Technology Operations LLC Method and system to detect and mitigate sensor degradation
US10503574B1 (en) 2017-04-10 2019-12-10 Palantir Technologies Inc. Systems and methods for validating data
KR101937831B1 (ko) * 2017-04-12 2019-04-11 한국원자력연구원 원자로의 인공 지능형 사고 대응 장치 및 방법
JP7081593B2 (ja) * 2017-04-20 2022-06-07 日本電気株式会社 機器管理システム、モデル学習方法およびモデル学習プログラム
US11132620B2 (en) * 2017-04-20 2021-09-28 Cisco Technology, Inc. Root cause discovery engine
US10956406B2 (en) 2017-06-12 2021-03-23 Palantir Technologies Inc. Propagated deletion of database records and derived data
WO2018235123A1 (ja) 2017-06-19 2018-12-27 日本電気株式会社 情報処理装置、情報処理システム、情報処理方法、及び記録媒体
JP7311480B2 (ja) 2017-06-19 2023-07-19 日本電気株式会社 情報処理システム、及び、情報処理方法
JP6922983B2 (ja) * 2017-07-13 2021-08-18 日本電気株式会社 分析システム、分析方法及びプログラム
US10403011B1 (en) 2017-07-18 2019-09-03 Palantir Technologies Inc. Passing system with an interactive user interface
US11611574B2 (en) * 2017-08-02 2023-03-21 Code42 Software, Inc. User behavior analytics for insider threat detection
US10599857B2 (en) * 2017-08-29 2020-03-24 Micro Focus Llc Extracting features for authentication events
US10984099B2 (en) 2017-08-29 2021-04-20 Micro Focus Llc Unauthorized authentication events
JP6961424B2 (ja) 2017-08-30 2021-11-05 株式会社日立製作所 故障診断システム
JP6981113B2 (ja) 2017-09-05 2021-12-15 オムロン株式会社 情報処理装置および情報処理方法
WO2019073512A1 (ja) 2017-10-10 2019-04-18 日本電気株式会社 システム分析方法、システム分析装置、および、プログラム
KR101937350B1 (ko) * 2017-10-26 2019-01-11 한국전기안전공사 Ict 기반의 전기안전 자동화 시스템 및 방법
US10672204B2 (en) * 2017-11-15 2020-06-02 The Boeing Company Real time streaming analytics for flight data processing
JP7062923B2 (ja) * 2017-11-21 2022-05-09 富士通株式会社 可視化方法、可視化装置及び可視化プログラム
JP6796092B2 (ja) 2018-01-17 2020-12-02 株式会社東芝 情報処理装置、情報処理方法及びプログラム
JP6791892B2 (ja) 2018-01-18 2020-11-25 ファナック株式会社 異常検知パラメータ調整表示装置
JP6698715B2 (ja) 2018-01-23 2020-05-27 三菱重工業株式会社 設備状態監視装置および設備状態監視方法
US11036715B2 (en) * 2018-01-29 2021-06-15 Microsoft Technology Licensing, Llc Combination of techniques to detect anomalies in multi-dimensional time series
US11972178B2 (en) * 2018-02-27 2024-04-30 Falkonry Inc. System and method for explanation of condition predictions in complex systems
US11599369B1 (en) 2018-03-08 2023-03-07 Palantir Technologies Inc. Graphical user interface configuration system
US11113168B2 (en) * 2018-03-09 2021-09-07 Toyota Motor Engineering & Manufacturing North America, Inc. Distributed architecture for fault monitoring
US10866792B1 (en) 2018-04-17 2020-12-15 Palantir Technologies Inc. System and methods for rules-based cleaning of deployment pipelines
US10754822B1 (en) 2018-04-18 2020-08-25 Palantir Technologies Inc. Systems and methods for ontology migration
JP7042152B2 (ja) * 2018-04-18 2022-03-25 Ｉｈｉ運搬機械株式会社 機器交換時期提案方法及び装置
US10496529B1 (en) 2018-04-18 2019-12-03 Palantir Technologies Inc. Data unit test-based data management system
US11122064B2 (en) 2018-04-23 2021-09-14 Micro Focus Llc Unauthorized authentication event detection
US10885021B1 (en) 2018-05-02 2021-01-05 Palantir Technologies Inc. Interactive interpreter and graphical user interface
JP2019204232A (ja) * 2018-05-22 2019-11-28 株式会社ジェイテクト 情報処理方法、情報処理装置、及びプログラム
JP6763910B2 (ja) * 2018-05-30 2020-09-30 横河電機株式会社 異常検出装置、異常検出方法、異常検出プログラム及び記録媒体
JP7113668B2 (ja) * 2018-06-08 2022-08-05 Ntn株式会社 状態監視システム
US11782395B2 (en) 2018-06-18 2023-10-10 Mitsubishi Electric Corporation Diagnostic device, diagnostic method and program
US11119630B1 (en) 2018-06-19 2021-09-14 Palantir Technologies Inc. Artificial intelligence assisted evaluations and user interface for same
JP6600857B1 (ja) * 2018-06-27 2019-11-06 株式会社クロスコンパス 出力変数値算出システム、出力変数算出装置、及び、出力変数値算出方法
JP2020004081A (ja) * 2018-06-28 2020-01-09 アズビル株式会社 イベント解析装置およびこれを用いた予告アラーム生成方法
US11640459B2 (en) 2018-06-28 2023-05-02 Nec Corporation Abnormality detection device
JP7007243B2 (ja) 2018-07-04 2022-01-24 株式会社日立製作所 異常検知システム
CN109144835A (zh) * 2018-08-02 2019-01-04 广东浪潮大数据研究有限公司 一种应用服务故障的自动预测方法、装置、设备及介质
JP7132021B2 (ja) 2018-08-07 2022-09-06 三菱重工業株式会社 通知装置、通知方法及びプログラム
JP2020027342A (ja) * 2018-08-09 2020-02-20 富士電機株式会社 情報処理装置、監視装置、及び情報処理方法
US10967514B2 (en) 2018-08-22 2021-04-06 Abb Schweiz Ag Apparatus and method to monitor robot mechanical condition
KR102194352B1 (ko) * 2018-08-31 2020-12-23 도시바 미쓰비시덴키 산교시스템 가부시키가이샤 제조 프로세스 감시 장치
JP7036697B2 (ja) * 2018-09-27 2022-03-15 株式会社日立製作所 監視システム及び監視方法
JP2020057165A (ja) * 2018-10-01 2020-04-09 株式会社椿本チエイン 異常判定装置、信号特徴量予測器、異常判定方法、学習モデルの生成方法及び学習モデル
JP7103134B2 (ja) * 2018-10-04 2022-07-20 富士通株式会社 出力プログラム、および出力方法
US11119504B2 (en) * 2018-11-08 2021-09-14 International Business Machines Corporation Machine learning based airflow sensing for aircraft
JP7059903B2 (ja) * 2018-11-14 2022-04-26 富士通株式会社 通信装置、及び通信方法
EP3879370B1 (en) * 2018-12-05 2022-12-21 Mitsubishi Electric Corporation Abnormality detection device and abnormality detection method
WO2020125929A1 (en) * 2018-12-17 2020-06-25 Huawei Technologies Co., Ltd. Apparatus and method for detecting an anomaly among successive events and computer program product therefor
JP7184636B2 (ja) * 2018-12-27 2022-12-06 三菱重工業株式会社 データ選別装置及び方法、ならびに監視診断装置
JP7310137B2 (ja) * 2018-12-28 2023-07-19 株式会社Ｇｓユアサ データ処理装置、データ処理方法、及びコンピュータプログラム
JP7101265B2 (ja) 2019-01-15 2022-07-14 株式会社東芝 異常要因診断装置及びその方法、並びに異常要因診断システム
JP7282195B2 (ja) * 2019-03-05 2023-05-26 シーメンス インダストリー ソフトウェア インコーポレイテッド 組み込みソフトウェアアプリケーションのための機械学習ベースの異常検出
US11763195B2 (en) * 2019-03-25 2023-09-19 Synchrony Bank Systems and methods for estimating stability of a dataset
JP7320368B2 (ja) * 2019-04-09 2023-08-03 ナブテスコ株式会社 故障予測装置、故障予測方法およびコンピュータプログラム
JP7437784B2 (ja) 2019-04-22 2024-02-26 パナソニックＩｐマネジメント株式会社 学習済みモデルの生成方法、保全表示装置、及びプログラム
CN112188534B (zh) * 2019-07-05 2023-11-03 中兴通讯股份有限公司 一种异常检测方法和装置
US11740592B2 (en) 2019-12-10 2023-08-29 Canon Kabushiki Kaisha Control method, control apparatus, mechanical equipment, and recording medium
JP2021096639A (ja) * 2019-12-17 2021-06-24 キヤノン株式会社 制御方法、制御装置、機械設備、制御プログラム、記録媒体
JP7106020B2 (ja) * 2020-03-06 2022-07-25 三菱電機株式会社 異常判定装置、異常判定方法及び異常判定プログラム
US11782430B2 (en) 2020-04-27 2023-10-10 Mitsubishi Electric Corporation Abnormality diagnosis method, abnormality diagnosis device and non-transitory computer readable storage medium
EP4123402A4 (en) * 2020-06-05 2023-05-24 Mitsubishi Electric Corporation FAILURE PREDICTOR DETECTION DEVICE, FAILURE PREDICTOR DETECTION METHOD, FAILURE PREDICTOR DETECTION PROGRAM, LEARNING DEVICE, TRAINED LEARNING MODEL GENERATION METHOD, AND TRAINED LEARNING MODEL GENERATION PROGRAM
JP7108806B2 (ja) * 2020-08-11 2022-07-28 中国電力株式会社 評価装置及び評価システム
EP4261639A4 (en) * 2020-12-08 2024-01-31 Jfe Steel Corp METHOD FOR DETERMINING A TIME SERIES SIGNAL TRIGGER CONDITION, METHOD FOR DIAGNOSIS OF AN ANOMALY IN A MONITORED INSTALLATION, AND DEVICE FOR DETERMINING A TIME SERIES SIGNAL TRIGGER CONDITION
US11429472B1 (en) * 2021-03-26 2022-08-30 International Business Machines Corporation Automated cognitive software application error detection
JP7052914B1 (ja) 2021-08-05 2022-04-12 富士電機株式会社 異常診断システム、異常診断装置、異常診断方法、及びプログラム
WO2023148834A1 (ja) * 2022-02-02 2023-08-10 三菱電機株式会社 機器状態監視装置および機器状態監視方法
WO2024047859A1 (ja) * 2022-09-02 2024-03-07 三菱電機株式会社 異常検知装置、異常検知方法、および、異常検知プログラム
CN116088412B (zh) * 2023-04-10 2023-06-20 深圳华龙讯达信息技术股份有限公司 一种基于plc工业网关的可移动设备监测系统
CN116772944B (zh) * 2023-08-25 2023-12-01 克拉玛依市燃气有限责任公司 配气站的智能监控系统及其方法
CN117390501B (zh) * 2023-12-13 2024-02-13 骊阳(广东)节能科技股份有限公司 基于人工智能的工业燃气发电机组系统状态监测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6312093A (ja) * 1986-07-02 1988-01-19 三菱電機株式会社 発電プラントの異常診断装置
JPH11338848A (ja) * 1998-05-26 1999-12-10 Ffc:Kk データ異常検出装置
JP2002182736A (ja) * 2000-12-12 2002-06-26 Yamatake Sangyo Systems Co Ltd 設備診断装置および設備診断プログラム記憶媒体
JP2003114294A (ja) * 2001-10-04 2003-04-18 Toshiba Corp 発電プラントの監視・診断・検査・保全システム
JP2009070071A (ja) * 2007-09-12 2009-04-02 Toshiba Corp 学習型プロセス異常診断装置、およびオペレータ判断推測結果収集装置

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6952662B2 (en) 2000-03-30 2005-10-04 Smartsignal Corporation Signal differentiation system using improved non-linear operator
JP3631118B2 (ja) 2000-09-21 2005-03-23 株式会社東芝 プラント診断装置
US6975962B2 (en) 2001-06-11 2005-12-13 Smartsignal Corporation Residual signal alert generation for condition monitoring using approximated SPRT distribution
JP5048625B2 (ja) 2008-10-09 2012-10-17 株式会社日立製作所 異常検知方法及びシステム
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
JP5431235B2 (ja) 2009-08-28 2014-03-05 株式会社日立製作所 設備状態監視方法およびその装置
JP5363927B2 (ja) 2009-09-07 2013-12-11 株式会社日立製作所 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム
JP5364530B2 (ja) 2009-10-09 2013-12-11 株式会社日立製作所 設備状態監視方法、監視システム及び監視プログラム
JP2011145846A (ja) 2010-01-14 2011-07-28 Hitachi Ltd 異常検知方法、異常検知システム、及び異常検知プログラム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6312093A (ja) * 1986-07-02 1988-01-19 三菱電機株式会社 発電プラントの異常診断装置
JPH11338848A (ja) * 1998-05-26 1999-12-10 Ffc:Kk データ異常検出装置
JP2002182736A (ja) * 2000-12-12 2002-06-26 Yamatake Sangyo Systems Co Ltd 設備診断装置および設備診断プログラム記憶媒体
JP2003114294A (ja) * 2001-10-04 2003-04-18 Toshiba Corp 発電プラントの監視・診断・検査・保全システム
JP2009070071A (ja) * 2007-09-12 2009-04-02 Toshiba Corp 学習型プロセス異常診断装置、およびオペレータ判断推測結果収集装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
KENTA KUROKAWA: "Heterogeneous Defect Detection of Metal Surface using SVM", IEICE TECHNICAL REPORT, vol. 109, no. 55, 21 May 2009 (2009-05-21), pages 87 - 92 *

Cited By (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9659250B2 (en) 2011-08-31 2017-05-23 Hitachi Power Solutions Co., Ltd. Facility state monitoring method and device for same
JPWO2013030984A1 (ja) * 2011-08-31 2015-03-23 株式会社日立パワーソリューションズ 設備状態監視方法およびその装置
EP2752722A4 (en) * 2011-08-31 2015-07-22 Hitachi Power Solutions Co Ltd METHOD FOR MONITORING INSTALLATION STATUS AND DEVICE THEREFOR
WO2013030984A1 (ja) * 2011-08-31 2013-03-07 株式会社日立エンジニアリング・アンド・サービス 設備状態監視方法およびその装置
CN103176128A (zh) * 2013-03-28 2013-06-26 华南理工大学 一种风力发电机组状态预报及智能故障诊断方法及系统
WO2015129512A1 (ja) * 2014-02-27 2015-09-03 株式会社日立製作所 移動体の診断装置
JP2015162032A (ja) * 2014-02-27 2015-09-07 株式会社日立製作所 移動体の診断装置
WO2016117086A1 (ja) * 2015-01-22 2016-07-28 三菱電機株式会社 時系列データ検索装置および時系列データ検索プログラム
JPWO2016117086A1 (ja) * 2015-01-22 2017-04-27 三菱電機株式会社 時系列データ検索装置および時系列データ検索プログラム
CN107111643A (zh) * 2015-01-22 2017-08-29 三菱电机株式会社 时间序列数据检索装置和时间序列数据检索程序
CN107111643B (zh) * 2015-01-22 2018-12-28 三菱电机株式会社 时间序列数据检索装置
US10223069B2 (en) 2015-01-22 2019-03-05 Mitsubishi Electric Corporation Time-series data search device and computer readable medium
WO2018042616A1 (ja) * 2016-09-02 2018-03-08 株式会社日立製作所 診断装置、診断方法及び診断プログラム
JPWO2018042616A1 (ja) * 2016-09-02 2019-06-24 株式会社日立製作所 診断装置、診断方法及び診断プログラム
US11131988B2 (en) 2016-09-02 2021-09-28 Hitachi, Ltd. Diagnostic apparatus, diagnostic method, and diagnostic program
CN110866661A (zh) * 2018-08-27 2020-03-06 中国石油化工股份有限公司 石化生产工艺的风险量化管理方法
CN110866661B (zh) * 2018-08-27 2024-03-22 中国石油化工股份有限公司 石化生产工艺的风险量化管理方法
TWI756628B (zh) * 2019-02-26 2022-03-01 日商三菱重工業股份有限公司 營運評估裝置、營運評估方法、及程式
JPWO2021171387A1 (ja) * 2020-02-26 2021-09-02
WO2021171387A1 (ja) * 2020-02-26 2021-09-02 三菱電機株式会社 関係分析装置、関係分析方法、及び、関係分析プログラム
WO2022024991A1 (ja) * 2020-07-31 2022-02-03 株式会社デンソー 異常検出装置、異常検出方法および異常検出プログラム
WO2022049701A1 (ja) * 2020-09-03 2022-03-10 三菱電機株式会社 機器分析装置、機器分析方法および機器分析プログラム
JPWO2022049701A1 (ja) * 2020-09-03 2022-03-10
JP7214054B2 (ja) 2020-09-03 2023-01-27 三菱電機株式会社 機器分析装置、機器分析方法および機器分析プログラム
CN112685216A (zh) * 2021-02-04 2021-04-20 三门核电有限公司 基于趋势分析的设备异常监测系统及方法
JP7459161B2 (ja) 2022-03-31 2024-04-01 本田技研工業株式会社 モデル評価装置、フィルタ生成装置、モデル評価方法、フィルタ生成方法及びプログラム
CN116629706A (zh) * 2023-07-19 2023-08-22 山东新中鲁建设有限公司 一种基于bim的绿色节能建筑施工质量评估方法
CN116629706B (zh) * 2023-07-19 2023-09-22 山东新中鲁建设有限公司 一种基于bim的绿色节能建筑施工质量评估方法

Also Published As

Publication number Publication date
US20120290879A1 (en) 2012-11-15
US8682824B2 (en) 2014-03-25
JP2011070635A (ja) 2011-04-07
JP5431235B2 (ja) 2014-03-05

Similar Documents

Publication Publication Date Title
JP5945350B2 (ja) 設備状態監視方法およびその装置
JP5431235B2 (ja) 設備状態監視方法およびその装置
JP5331774B2 (ja) 設備状態監視方法およびその装置並びに設備状態監視用プログラム
JP5538597B2 (ja) 異常検知方法及び異常検知システム
JP5301310B2 (ja) 異常検知方法及び異常検知システム
JP5364530B2 (ja) 設備状態監視方法、監視システム及び監視プログラム
JP5048625B2 (ja) 異常検知方法及びシステム
JP5753286B1 (ja) 情報処理装置、診断方法、およびプログラム
JP6216242B2 (ja) 異常検知方法およびその装置
JP5301717B1 (ja) 設備状態監視方法およびその装置
JP5363927B2 (ja) 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム
JP5501903B2 (ja) 異常検知方法及びそのシステム
JP5342708B1 (ja) 異常検知方法及びその装置
WO2013030984A1 (ja) 設備状態監視方法およびその装置
JP6076421B2 (ja) 設備状態監視方法およびその装置
JP6076751B2 (ja) 異常診断方法およびその装置
WO2011086805A1 (ja) 異常検知方法及び異常検知システム
JP5498540B2 (ja) 異常検知方法及びシステム
JP5151556B2 (ja) 工程解析装置、工程解析方法および工程解析プログラム
JPWO2013030984A1 (ja) 設備状態監視方法およびその装置

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 10811441

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 13383841

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 10811441

Country of ref document: EP

Kind code of ref document: A1