WO2011145496A1 - 監視診断装置および監視診断方法 - Google Patents

監視診断装置および監視診断方法 Download PDF

Info

Publication number
WO2011145496A1
WO2011145496A1 PCT/JP2011/060839 JP2011060839W WO2011145496A1 WO 2011145496 A1 WO2011145496 A1 WO 2011145496A1 JP 2011060839 W JP2011060839 W JP 2011060839W WO 2011145496 A1 WO2011145496 A1 WO 2011145496A1
Authority
WO
WIPO (PCT)
Prior art keywords
time
abnormality
physical quantity
data
state
Prior art date
Application number
PCT/JP2011/060839
Other languages
English (en)
French (fr)
Inventor
玉置　研二
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 US13/699,018 priority Critical patent/US9378183B2/en
Publication of WO2011145496A1 publication Critical patent/WO2011145496A1/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
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions

Definitions

  • the present invention relates to a monitoring diagnosis apparatus and a monitoring diagnosis method for monitoring an operation abnormality of an apparatus having a plurality of parts and diagnosing the cause of the operation abnormality.
  • energy conversion devices that convert fuel into at least kinetic energy, thermal energy, or electrical energy
  • cogeneration devices multiple sensors (measurements) are used to measure the state of the device.
  • Equipment the sensor state is measured and grasped every moment by the sensor, and the normal or abnormal state of the device is determined based on the measurement data (referred to as device state measurement data, sensor data, etc.).
  • CBM condition-based maintenance
  • condition-based maintenance In order to effectively carry out condition-based maintenance (CBM), it is necessary to capture signs of anomalies prior to failure.
  • CBM condition-based maintenance
  • the data of a plurality of state measurement sensors is statistically analyzed, the data of the state measurement sensor in the normal state of the apparatus is obtained as a reference, and the data measured every moment is A method of matching with the standard is effective.
  • Patent Documents 1 and 2 are not examples of equipment state-based maintenance (CBM), but describe a method for analyzing a causal relationship between product quality and process data of a production line using a graphical model. Yes.
  • Non-Patent Document 1 describes a general statistical mathematical algorithm method for analyzing causal relationships using a graphical model.
  • Non-Patent Document 1 when performing cause diagnosis using the graphical model disclosed in Non-Patent Document 1, it is necessary to calculate an inverse matrix, but if the number of data items that change in conjunction is included, the inverse matrix is calculated. There was a problem that became unstable. In addition, when the cause is not sufficiently narrowed down, there is a problem that it is difficult for the maintenance worker who is presented with the cause diagnosis result of the large-scale apparatus to judge the contents.
  • an object of the present invention is to provide a monitoring diagnostic apparatus and a monitoring diagnostic method capable of improving the accuracy of abnormality detection and efficiently estimating the cause of the abnormality. .
  • the monitoring / diagnosis apparatus obtains time-series physical quantities (sensor data in the embodiment, the same applies hereinafter) representing the time transition of each physical state of the plurality of parts from the monitoring target apparatus constituted by the plurality of parts.
  • a third processing unit for diagnosing the cause of the abnormality (cause diagnosis processing unit in the embodiment, the same applies hereinafter), and the second processing unit is configured as described above.
  • a data item group classification process for classifying data items for identifying time-series physical quantities of a plurality of parts into a plurality of groups, and a time system of the parts identified by the data items belonging to the group for each classified group
  • An abnormality determination process (transient state abnormality determination process and steady state abnormality determination process in the embodiment) that performs abnormality determination is executed based on the physical quantity and the statistical data of the time-series physical quantity of the part, and the third process
  • the data item link model that represents the dependency between the time-series physical quantities of the parts identified by the data items belonging to the group, and the dependency between the representative values of the group.
  • An inter-group link model a link model construction process for constructing a link model, a link model constructed based on a time-series physical quantity of the part before an abnormality is detected in the abnormality judgment process, and the abnormality judgment
  • a difference link model (differentiated in the embodiment) between the link model constructed based on the time-series physical quantity of the component when an abnormality is detected in the processing. Based on the difference link model), and executes a a abnormality cause estimation process for estimating the cause of the abnormality.
  • the second processing unit further detects, for each of the time-series physical quantities of the plurality of parts, a state-mode transition point detection process that detects a transition point of the state mode of the time-series physical quantity, Based on the detected transition point, the time series physical quantity of the part is divided for each state mode, and the divided time series physical quantity of each of the parts is extracted as a time series physical quantity for each state mode. And a time-series physical quantity extraction process.
  • the present invention it is possible to provide a monitoring diagnostic apparatus and a monitoring diagnostic method capable of improving the accuracy of abnormality detection and efficiently estimating the cause of the abnormality.
  • FIG. 1 is a diagram illustrating an example of a configuration of an abnormality monitoring / diagnosis apparatus according to an embodiment of the present invention and an example of a schematic configuration of an entire system to which the abnormality monitoring / diagnosis apparatus is applied.
  • FIG. 6 is a diagram schematically illustrating how a state-mode-specific sensor data extraction processing unit cuts out “raw” sensor data as state-mode-specific sensor data, where (a) is an example of “raw” sensor data; Is an example of sensor data by state mode.
  • the figure which showed typically a mode that the data item of sensor data was classified using BOM.
  • the figure which showed typically a mode that a data item was classified based on the cluster analysis of the sensor data between data items.
  • FIG. 6 is a diagram schematically showing how transient state multivariate data or steady state multivariate data is generated from sensor data by state mode, where (a) is an example of generating transient state multivariate data from start data; ) Is an example of generating transient state multivariate data from stop data, and (c) is an example of generating steady state multivariate data from operation data.
  • FIG. 1 is a diagram illustrating an example of the configuration of an abnormality monitoring / diagnostic device according to an embodiment of the present invention and an example of a schematic configuration of an entire system to which the abnormality monitoring / diagnosis device is applied.
  • a monitoring target device 8 is a device that is a target of abnormality monitoring and diagnosis by the abnormality monitoring / diagnosis device (monitoring diagnosis device) 100 according to the embodiment of the present invention.
  • the monitoring target device 8 is, for example, an energy conversion device (a combined heat and power device, an electric device, a power device, a heat source device, etc.), and is usually configured by a plurality of modules, and each module is configured by a plurality of components. (Hereinafter, in this specification, the components of the monitoring target device 8 including the modules are collectively referred to as “parts”).
  • a sensor 81 for measuring a physical quantity representing the physical state of the part is provided at or near the part at a predetermined part of the predetermined part. In the example of FIG. 1, it is assumed that n (n ⁇ 2) sensors 81 (# 1 to #n) are provided in the monitoring target apparatus 8 or in the vicinity of the outside.
  • the sensors 81 are connected to the abnormality monitoring / diagnostic apparatus 100 via a communication network 7 such as a LAN (Local Area Network), and each measured physical quantity is transmitted to the abnormality monitoring / diagnosis apparatus 100.
  • a communication network 7 such as a LAN (Local Area Network)
  • sensor data time-series data of various physical quantities measured by the sensors 81 (# 1 to #n), that is, data of time transitions are collectively referred to as “sensor data”.
  • an abnormality monitoring / diagnosis device 100 includes a sensor data collection processing unit 1, an abnormality monitoring processing unit 2, a cause diagnosis processing unit 3, a monitoring / diagnosis information output processing unit 4, a storage unit 5, and a sensor data DB (Database). 11 and the like.
  • the abnormality monitoring / diagnostic apparatus 100 is configured by one or more computers configured to include a CPU (Central Processing Unit) (not shown), a storage device, an input / output device, a communication interface, and the like.
  • the storage device includes a semiconductor memory such as a RAM (Random Access Memory), a hard magnetic disk device, or the like.
  • each function of the sensor data collection processing unit 1, the abnormality monitoring processing unit 2, the cause diagnosis processing unit 3, and the monitoring / diagnosis information output processing unit 4 is configured to perform abnormality monitoring / diagnosis.
  • This is realized by executing a predetermined program stored in the storage device by any one of the one or more computers constituting the device 100. That is, the operation subject of each functional block is the CPU of the computer. Therefore, unless otherwise specified in the following description of the present specification, the description “XX processing unit ...” means that “the CPU of the computer executes the program of the XX processing unit. ,...
  • the abnormality monitoring / diagnosis apparatus 100 When the abnormality monitoring / diagnosis apparatus 100 is configured by a plurality of computers, the plurality of computers are connected to each other via a dedicated communication line or communication network 7 so as to be able to communicate with each other. . And the data memorize
  • the sensor data collection processing unit 1 performs a predetermined time (for example, every 0.1 second: this “predetermined time” is a time determined depending on the operation characteristics of the abnormality monitoring / diagnostic device 100).
  • Sensor data is collected from the sensors 81 (# 1 to #n), and the collected sensor data is stored in the sensor data DB 11 in association with each sensor 81 (# 1 to #n). Therefore, sensor data of each sensor 81 (# 1 to #n) is accumulated in the sensor data DB 11 in time series. That is, the sensor data is time-series data of physical quantities representing the state of parts.
  • the abnormality monitoring processing unit 2 monitors the sensor data collected by the sensor data collection processing unit 1 in real time, and detects sensor data that behaves differently from normal ones. Details will be described later. In general, when a certain component fails, the sensor data of the sensor 81 included in the component not only behaves abnormally but also the sensor 81 included in another component affected by the operation result of the component. Often sensor data also behaves abnormally. That is, a plurality of sensor data indicating abnormal behavior is usually detected.
  • the cause diagnosis processing unit 3 analyzes the mutual temporal and spatial (structural) dependence of the sensor data having a plurality of abnormal behaviors detected by the abnormality monitoring processing unit 2, and based on the results, The cause of the abnormal behavior of the sensor data is estimated, that is, which part is faulty is diagnosed.
  • the specific diagnosis process will be described later.
  • the monitoring / diagnosis information output processing unit 4 displays on the display unit 41 sensor data indicating abnormal behavior obtained as described above, information on a part diagnosed as a failure, and the like.
  • the abnormality detection initial action manager 42 can obtain information necessary for the initial action of abnormality recovery from the display.
  • the monitoring / diagnosis information output processing unit 4 transmits information on a component diagnosed as a failure to the maintenance support device 6 via the communication network 7.
  • the maintenance support device 6 receives information on the parts diagnosed as having the failure, and displays, on the display unit 61, information on actions to be performed by the maintenance worker 62 such as parts replacement and parts adjustment based on the received information. To do. As a result, the maintenance worker 62 can easily perform the maintenance work.
  • FIG. 2 is a diagram illustrating an example of a schematic processing flow of abnormality monitoring / diagnosis processing in the abnormality monitoring processing unit 2 and the cause diagnosis processing unit 3.
  • the CPU (hereinafter simply referred to as CPU) of the abnormality monitoring / diagnostic apparatus 100 collects sensor data by the sensor data collection processing unit 1 and stores it in the sensor data DB 11 or at predetermined time intervals.
  • the processing of the state mode transition point detection processing unit 21 is executed. That is, the CPU detects the state mode transition point from the sensor data accumulated in time series (step S1).
  • the data of the detected state mode transition point is stored in the state mode transition point DB 51 of the storage unit 5.
  • the state mode refers to a transient state and a steady state
  • the transient state refers to a state in the course of transition from one steady state to another steady state.
  • the rising period from the start of the monitoring target device 8 to the rated operating state and the falling period from the rated operating state at the stop to the stopped state are in a transient state, and after the start-up is completed at the start,
  • the rated operation state before the start of falling is a steady state.
  • the CPU converts the state mode sensor data from the sensor data stored in the sensor data DB 11 with the detected state mode transition point as a boundary point. Are extracted (step S2), and the extracted state mode sensor data is stored in the state mode sensor data storage 52 (see FIG. 5 described later).
  • the CPU classifies the data items of the sensor data into a plurality of (for example, p) groups as processing of the data item group classification processing unit 23 (step S3).
  • the data item here is identification information of the sensor data identified by each sensor 81 (that is, the name of the sensor data).
  • Information for identifying data items belonging to each of the p groups classified here is stored in the group classification data storage unit 53.
  • the CPU performs the group (# 1) to (#) from the state mode-specific sensor data storage unit 52 for each group (# 1) to (#p). p) is extracted as transient state sensor data (steps S5 (# 1) to (#p)), the data items are collected as transient state multivariate data having column names, and the transient state multivariate data storage unit 54 is extracted.
  • the CPU stores the group (# 1) from the state mode-specific sensor data storage unit 52 for each group (# 1) to (#p).
  • step S5 ′ (# 1) to (#p) the steady state sensor data is extracted (steps S5 ′ (# 1) to (#p)), and the data items are grouped as steady state multivariate data with column item names. Multiple changes Stored in the data storage unit 55 (see FIG. 8 described in later).
  • the sensor data is cut out in the two-dimensional direction of the time series direction and the data item direction, and the transient state multivariate data and the steady state multivariate data are generated.
  • the order of cutting out in the time series direction and the data item direction may be reversed.
  • step S6 the CPU performs transient state abnormality determination for each of the groups (# 1) to (#p) (steps S6 (# 1) to (#p)).
  • step S7 the process is terminated.
  • the CPU performs a steady-state abnormality determination (steps S6 ′ (# 1) to (#p)), and if there is no abnormality (No in steps S7 ′ (# 1) to (#p)). ), The process is terminated.
  • Step S7 (# 1) to (#p) the CPU executes each group (# 1) as the process of the link model construction processing unit 31.
  • a link model representing the interrelationship of data items in the group is constructed using the transient multivariate data of the group (steps S8 (# 1) to (#p))
  • a link model representing the interrelationship between the p groups is constructed (step S9).
  • the CPU processes each group (#) as the process of the link model construction processing unit 31.
  • a link model representing the mutual relationship of data items in the group is constructed using the sensor data in the steady state of the group (steps S8 ′ (# 1) to (#p)
  • a link model representing the interrelationship between the p groups is constructed (step S9 ′).
  • the CPU performs a link model between data items in each group for transient data, a link model between groups, and between data items in each group for steady state data. Based on the link model and the link model between groups, the cause of the abnormality is estimated and diagnosed (step S10).
  • the state mode transition point detection process is a process in the state mode transition point detection processing unit 21 and detects a state mode transition point for each sensor data collected by the sensor data collection processing unit 1 and accumulated in the sensor data DB 11. It is processing. Details of the state mode transition point detection process will be described below with reference to FIGS. 3 and 4.
  • FIG. 3 is a diagram illustrating an example of a detailed processing flow of the state mode transition point detection processing.
  • FIG. 4 is a diagram showing an example of the time transition of sensor data at the time of starting and stopping of the monitoring target device 8, (a) is an example of a start sequence, and (b) is an example of a stop sequence. It is.
  • some of the monitoring target devices 8 are configured to include a computer (not shown) that controls a start or stop sequence.
  • Some computers have a function of outputting event data (data in which a time and an event are paired) such as a start sequence start command and a stop sequence start command at a sequence switching point.
  • event data data in which a time and an event are paired
  • the abnormality monitoring / diagnostic device 100 can detect the state mode transition point using the time included in the event data.
  • the abnormality monitoring / diagnostic device 100 changes the behavior of the sensor data over time. Based on this, the state mode transition point is obtained. Even if the monitoring target device 8 has a function of outputting a start sequence start command or a stop sequence start command, it often does not have a start sequence end command or a stop sequence end command. In that case, the abnormality monitoring / diagnostic apparatus 100 obtains the start sequence end point and the stop sequence end point based on the behavior of the sensor data over time.
  • the CPU first determines whether or not a start sequence start command is included in the event data output from the monitoring target device 8 (step S21), and the start sequence start command is not included. In this case (No in step S21), the start sequence start point (time t1 in FIG. 4A) is detected from the rising behavior of the sensor data (step S22), and the detected mode is used as the start sequence start point in the state mode. Record in the transition point DB 51.
  • the CPU starts the start sequence at the time (t1) when the sensor data exceeds the stop state fluctuation range (A1 + ⁇ ) obtained from the past time series average value (A1) and the one-side fluctuation width ( ⁇ ). It is recorded in the state mode transition point DB 51 as a point.
  • step S21 when the start sequence start command is included in the determination in step S21 (Yes in step S21), the CPU detects the start sequence start command (step S23), and starts the detected time. Recorded in the state mode transition point DB 51 as a sequence start point.
  • the CPU determines whether or not a start sequence end command is included in the event data output from the monitoring target device 8 (step S24). If the start sequence end command is not included (step S24). No), the start sequence end point (time t2 in FIG. 4A) is detected from the rising behavior of the sensor data (step S25), and the detected time is recorded in the state mode transition point DB 51 as the start sequence end point. .
  • the CPU sets the time (t2) when the sensor data is settled in the operating state fluctuation range (A2 ⁇ ⁇ ) obtained from the time series average value (A2) and the one-side fluctuation range ( ⁇ ) of the past driving state. Then, it is recorded in the state mode transition point DB 51 as the start sequence end point.
  • step S24 if it is determined in step S24 that a start sequence end command is included (Yes in step S24), the CPU detects the start sequence end command (step S26), and starts the detected time. Recorded in the state mode transition point DB 51 as a sequence end point.
  • the CPU determines whether or not a stop sequence start command is included in the event data output from the monitoring target device 8 (step S27), and when the stop sequence start command is not included (step S27). No), the stop sequence start point (time t3 in FIG. 4B) is detected from the falling behavior of the sensor data (step S28), and the detected time is recorded in the state mode transition point DB 51 as the stop sequence start point. To do.
  • the CPU time (t3) when the sensor data exceeds the operating state fluctuation range (A2- ⁇ ) obtained from the time-series average value (A2) and the one-side fluctuation width ( ⁇ ) of the sensor data in the past driving state Is recorded in the state mode transition point DB 51 as a stop sequence start point.
  • step S27 if it is determined in step S27 that a stop sequence start command is included (Yes in step S27), the CPU detects the stop sequence start command (step S29) and stops the detected time. Recorded in the state mode transition point DB 51 as a sequence start point.
  • the CPU determines whether or not a stop sequence end command is included in the event data output from the monitoring target device 8 (step S30), and when the stop sequence start command is not included (step S30). No), the stop sequence end point (time t4 in FIG. 4B) is detected from the falling behavior of the sensor data (step S31), and the detected time is recorded in the state mode transition point DB 51 as the stop sequence end point. To do.
  • the CPU sets the time (t4) when the sensor data settled in the stop state fluctuation range (A1 ⁇ ⁇ ) obtained from the time series average value (A1) of the past stop state and the one-side fluctuation width ( ⁇ ).
  • the state mode transition point DB 51 is recorded as the stop sequence end point.
  • the sensor data extraction process for each state mode is a process in the sensor data extraction processing unit 22 for each state mode, and is stored in the sensor data DB 11 using the time information of the state mode transition points recorded in the state mode transition point DB 51. In this process, each sensor data is cut out for each state mode of start, operation, and stop in the time series direction and stored in the sensor data storage unit 52 for each state mode.
  • FIG. 5 is a diagram schematically illustrating how the state-mode-specific sensor data extraction processing unit 22 cuts out “raw” sensor data as state-mode-specific sensor data.
  • “SS11” is information representing a data item of sensor data (name of sensor data). Accordingly, FIG. 5 shows that three types of sensor data by state mode of “start data”, “operation data”, and “stop data” are obtained from “raw” time series data of one sensor data designated by the data item SS11. This means that it is cut out and extracted.
  • the CPU starts the start sequence detected by the state mode transition point detection processing unit 21 with respect to time-series data of “raw” sensor data (for example, sensor data whose data item is SS11) accumulated in the sensor data DB 11.
  • time-series data of “raw” sensor data for example, sensor data whose data item is SS11
  • start point t1 the start sequence end point t2
  • stop sequence start point t3 the stop sequence end point t4 as boundaries
  • “pause”, “start”, “run”, “stop”, and “pause” status flags are added. (See FIG. 5 (a)).
  • the CPU divides the “raw” sensor data into the added status flags, and sets the data with the “start”, “run”, and “stop” status flags to “start data”, Cut out as “operation data” and “stop data” (see FIG. 5B). Then, the extracted “start data”, “operation data”, and “stop data” are stored in the sensor data storage unit 52 by state mode.
  • the sensor data portion to which “pause” is added is in a non-operating state, such as when the monitoring target device 8 itself is not energized. Therefore, here, the sensor data is not cut out and is subject to abnormality monitoring / diagnosis. I'm outside. However, sensor data whose status flag is “pause” may be cut out and used as an object of abnormality monitoring / diagnosis as “pause data”.
  • the data item group classification process is a process in the data item group classification processing unit 23, and is a process of classifying the data items of the sensor data into a plurality of groups. That is, among the data items of a plurality of sensor data, it is a process of collecting and grouping the ones having a high correlation with the behavior of the sensor data identified by the data item.
  • a method of using a BOM (Bill of Materials) of the monitoring target device 8 or a cluster analysis of sensor data is performed.
  • BOM Bill of Materials
  • cluster analysis of sensor data There are methods, but any method may be used.
  • a method of using the BOM and a method of performing cluster analysis will be briefly described.
  • FIG. 6 is a diagram schematically showing how the data items of the sensor data are classified using the BOM.
  • the BOM 82 is information that hierarchically represents the inclusion relationship of each component that configures the monitoring target device 8.
  • the mutual dependence of the behavior of the sensor data of the data items SS11 to SS13 output from the sensor 81 attached to the parts P11 to P13 included in a certain module M1 is often related to the other modules M2 and M3. It can be considered that the dependency is larger than the sensor data of the data items SS21 to SS33 output from the sensor 81 attached to the included components P21 to P33. Therefore, here, the data items SS11 to SS33 of the sensor data are grouped according to the modules M1 to M3 represented in the BOM.
  • the data item SSij is identification information of sensor data output from the sensor 81 (#ij) attached to the component Pij, and the BOM 82, that is, the monitoring target device 8, the modules M1 to M3, and the component P11 to When inclusion relation information about P33 is given, the CPU can easily classify the data items SSij into groups G1 to G3 corresponding to the modules M1 to M3 based on the information.
  • the BOM 82 is stored in, for example, a design database server (not shown) connected to the communication network 7 in FIG. 1, and the CPU of the abnormality monitoring / diagnostic device 100 is designed via the communication network 7. It is assumed that the BOM 82 for the monitoring target device 8 is appropriately acquired from the database server.
  • the data items are also classified into multi-hierarchies, but there is no particular problem even if the data items are classified into multi-hierarchies.
  • the hierarchical structure of the classification group it is not necessary for the hierarchical structure of the classification group to correspond one-to-one with the hierarchical structure of the BOM 82 module.
  • a plurality of modules may be appropriately integrated into one classification group so that the number of parts included in each classification group (however, the number of parts including the sensor 81) falls within a predetermined number range. .
  • FIG. 7 is a diagram schematically showing how data items are classified based on a cluster analysis of sensor data between data items.
  • cluster analysis a process of obtaining a square distance between clusters and merging two clusters having the smallest square distance is repeatedly performed. Again, cluster analysis is performed according to that procedure.
  • the CPU calculates the cross-correlation coefficient R ij between the sensor data of the two clusters i and j, that is, the two data items (#ij), and further uses the calculated cross-correlation coefficient R ij .
  • the square distance D ij between the sensor data of the two data items (ij) is calculated.
  • the square distance D ij is given by the following equation (1).
  • the CPU obtains the minimum value from the square distance D ij between the sensor data of the two data items (#ij), merges the sensor data of the data item (#uv) at that time, Combine into one cluster. As a result, the number of clusters is reduced by one.
  • the CPU calculates a square distance D sh between the cluster h obtained by merging the cluster u and the cluster v and the other cluster s (s ⁇ u, s ⁇ v) by the equation (2).
  • the CPU obtains the dendrogram (dendrogram) 83 shown in FIG. 7 by repeating the above processing until the number of clusters becomes one.
  • the vertical axis of the dendrogram 83 is the square distance between clusters or between merged clusters.
  • the CPU sets a cluster hierarchy threshold value 84 in the obtained dendrogram 83, divides the dendrogram 83 by a cluster configuration equal to or less than the cluster hierarchy threshold value 84, and forms a divided dendrogram 85. Based on this, the data items SS11 to SS33 are grouped. In the example of FIG. 7, data items SS11 to SS13 are grouped into group G1, data items SS21 to SS23 are grouped into group G2, and data items SS31 to SS33 are grouped into group G3.
  • the CPU obtains the cluster hierarchy threshold value 84 used at this time, for example, by the following procedure. That is, the CPU sequentially calculates a correlation coefficient matrix between each cluster representative value (sensor data in the lowest hierarchy) from the lower hierarchy of the dendrogram, and uses the diagonal elements of the inverse matrix of the correlation coefficient matrix. An index called Variance Inflation Factor is calculated. Then, the square distance between clusters in the hierarchy when the VIF becomes smaller than a predetermined value (for example, 10) is set as the cluster hierarchy threshold value 84.
  • a predetermined value for example, 10
  • the CPU calculates the VIF from the sensor data of the data items SS11 to SS33 in the lowest hierarchy of the dendrogram 83, and the VIF includes elements of a predetermined value (for example, 10) or more. If it is determined that the cluster division is insufficient, the process of calculating the VIF and determining the VIF is repeated while sequentially moving up to the upper layer until all the elements of the VIF become smaller than 10. .
  • a predetermined value for example, 10
  • the cluster hierarchy threshold 84 is set. Yes.
  • the data items SS11 to SS33 are classified into three groups G1, G2, and G3 according to the cluster configuration up to a hierarchy of the cluster hierarchy threshold 84 or less.
  • the information of the data items classified into a plurality of groups by using the BOM 82 or cluster analysis is stored as group classification data as information in which the identification information of the group and the data items belonging to the group are associated with each other. Stored in the unit 53.
  • the transient state abnormality determination process is a process in the transient state abnormality determination processing unit 24, and sensor data for each state mode stored in the state-mode-specific sensor data storage unit 52 (in the example of FIG. 8, start data and stop data). This is a process for determining whether or not there is an abnormality in the transient state based on the above.
  • the steady-state abnormality determination process is a process in the steady-state abnormality determination processing unit 25, and the state-mode sensor data stored in the state-mode-specific sensor data storage unit 52 (operation data in the example of FIG. 8). This is a process for determining the presence or absence of abnormality in the steady state.
  • the CPU collects the sensor data of the transient state belonging to the group from the sensor data storage unit 52 for each state mode for each data item group classified by the data item group process.
  • the transient state multivariate data having the data item as the column item name is extracted and stored in the transient state multivariate data storage unit 54.
  • the CPU determines, for each data item group classified by the data item group process, from the state-mode-specific sensor data storage unit 52 that belongs to the group. Data is extracted, steady state multivariate data having the data item as the column item name is generated, and stored in the steady state multivariate data storage unit 55.
  • FIG. 8 is a diagram schematically showing a state in which transient state multivariate data or steady state multivariate data is generated from state mode sensor data.
  • FIG. 8 shows only an example in which transient state multivariate data and steady state multivariate data are generated for the data items SS11 to SS13 of the group G1, but the same applies to other groups.
  • the CPU classifies the data items SS11, SS12, and SS13 so as to belong to the group G1 by the data item group classification process (see FIGS. 6 and 7). Therefore, as shown in FIG. 8A, the CPU extracts the start data of the data item SS11, the start data of the data item SS12, and the start data of the data item SS13 from the state-mode-specific sensor data storage unit 52.
  • Group G1 start data as transient state multivariate data is generated in one table.
  • the CPU extracts stop data of the data item SS11, stop data of the data item SS12, and stop data of the data item SS13 from the sensor data storage unit 52 by state mode.
  • Group G1 stop data as transient state multivariate data is generated in one table.
  • the CPU may concatenate the group G1 start data and the group G1 stop data to form group G1 transient state data (not shown).
  • the CPU extracts the operation data of the data item SS11, the operation data of the data item SS12, and the operation data of the data item SS13 from the state-mode-specific sensor data storage unit 52.
  • Group G1 operation data as steady state multivariate data is generated in one table.
  • FIG. 9 is an example of a scatter diagram of data obtained by sampling the sensor data of the data item SS11 (horizontal axis) and the data item SS12 (vertical axis) in a transient state and a steady state at a predetermined time interval
  • FIG. It is an example of the time-sequential transition figure of the sensor data (sampling point is not shown) of data item SS11 and data item SS12.
  • FIGS. 9 is an example of a scatter diagram of data obtained by sampling the sensor data of the data item SS11 (horizontal axis) and the data item SS12 (vertical axis) in a transient state and a steady state at a predetermined time interval
  • FIG. It is an example of the time-sequential transition figure of the sensor data (sampling point is not shown) of data item SS11 and data item SS12.
  • FIGS. 9 is an example of a scatter diagram of data obtained by sampling the sensor data of the data item SS11 (horizontal axis
  • the data item SS11 is sampling data of a signal related to the control set value
  • the data item SS12 is sampling data of a signal related to the control response value.
  • the scale of the vertical axis in FIG. 10 is adjusted so that the time-series sensor data of the two data items SS11 and SS12 overlap.
  • the dead time delay 91 normally falls within a predetermined range. However, when the dead time delay 91 becomes larger than the predetermined range, the dead time delay abnormality 92 is caused. Further, if the data item SS12 responds excessively to the change of the data item SS11, a transient vibration abnormality 93 is generated.
  • Such transient abnormalities can be detected by detecting deviations from the normal transient scatter diagram of the sensor data, as shown in FIG.
  • an overshoot transient vibration abnormality 93 occurs when the spray point deviates above a predetermined transient state distribution width 94
  • an undershoot transient vibration abnormality (not shown) occurs when it deviates below.
  • the response of the data item SS12 is not accompanied (when the value of the sensor data is 0)
  • the dead time delay abnormality 92 occurs.
  • the CPU creates a scatter diagram between each data item based on the previously obtained transient state multivariate data and steady state multivariate data for each group, and whether each scatter point is included in a predetermined range. Determine whether or not. If each of the scattered points deviates from the predetermined range, it is determined that the sensor data of the data item is abnormal.
  • the number of data items is not limited to two, and may be three or more.
  • the link model construction process is a process in the link model construction processing unit 31, and uses a transient state multivariate data and a steady state multivariate data for each group to represent a link model that represents an interrelation between data items in the group, It is a process of building a link model that represents the interrelationship between groups.
  • the process of constructing such a link model can be realized by using the concept of the graphical model disclosed in Non-Patent Document 1, for example.
  • the presence or absence of a causal relationship can be determined from the correlation coefficient between the sensor data of two data items, and the direction of the causality from the time precedence information about the occurrence of the change point of both behaviors. Can be determined. That is, it is determined that the data item that started to change first in time is “cause”, and the data item that started to change later is “result”.
  • a link model between the data items in the group can be constructed.
  • FIG. 11 is a diagram showing an example of a link model between data items and between groups constructed by the link model construction process.
  • a solid line connecting data items or groups indicates that there is a causal relationship between them, and an arrow indicates the direction of the cause and effect.
  • a broken line indicates that there is no causal relationship.
  • FIG. 11 only the link model in the transient state is shown, but the link model in the steady state is the same.
  • a bias that excludes the influence of other variables is used instead of the correlation coefficient. It is preferable to use a correlation coefficient.
  • the process of excluding the influence of other variables by calculating the partial correlation coefficient between minute noises, the process of excluding the influence of other variables in order to prevent an erroneous causal relationship from being derived. It is preferable to calculate the rate of change in signal strength before and after, and use the product of the partial correlation coefficient and the rate of change in signal strength as an indicator of causality.
  • the link model construction process plays a role as a pre-process for the abnormality cause estimation process to be executed next. For this reason, the link building process does not simply build a link model, but compares the link model built at normal time, that is, the link model built at the time of abnormality detection, and the abnormal difference that is the difference between them. Build a link model.
  • FIG. 12 is a diagram illustrating an example of a processing flow of link model construction processing as pre-processing of abnormality cause estimation processing.
  • the CPU first extracts transient state multivariate data or steady state multivariate data before abnormality detection from the storage unit 5 (step S41).
  • the CPU constructs a normal link model based on the transient state multivariate data or the steady state multivariate data (step S42).
  • the CPU constructs a link model at the time of abnormality detection based on the transient state multivariate data or steady state multivariate data created by the transient state abnormality determination processing unit 24 or the steady state abnormality determination processing unit 25 at that time ( Step S43).
  • the CPU takes the difference between the link model at the normal time and the link model at the time of detecting the abnormality, and constructs an abnormal difference link model (step S44).
  • the above processing is performed for each state mode and for each group.
  • FIG. 13 is a diagram showing an example of an abnormal difference link model constructed by the link model construction process, where (a) is an example of an abnormal difference link model in a transient state, and (b) is an abnormal difference link in a steady state. It is an example of a model. Since the abnormal difference link model is a difference between the link model at the time of abnormality and the link model at the time of normality, it can be said that the arrow connecting the data items or between the groups represents the propagation path of the abnormality.
  • the abnormality cause estimation processing is processing in the abnormality cause estimation processing unit 32, and is processing for estimating the cause of the abnormality based on the abnormality difference link model constructed in the link model construction processing.
  • the CPU can determine the source of the abnormality by tracing the data item or group on the upstream side of the arrow.
  • the data item SS31 is upstream of the data item SS32 of the group G3.
  • the group G1 is an upstream group for the group G3. Therefore, referring to the group G1, the data item SS11 exists upstream of the data item SS12 and the data item SS13. At this time, there is nothing upstream of the data item SS11 and the group G1. Therefore, it can be understood that the data item SS11 of the group G1 is the cause of the abnormality. That is, it can be seen that the root cause of the abnormal behavior that appears in the transient sensor data of the data item SS32 of the group G3 is the abnormality of the transient sensor data of the data item SS11.
  • the steady-state abnormal difference link model in FIG. This means that the same link model is constructed for normal and abnormal times. Therefore, it indicates that no abnormality has occurred in the steady state.
  • the abnormality monitoring / diagnosis device 100 detects an abnormality of the monitoring target device 8 by the transient state abnormality determination processing unit 24 or the steady state abnormality determination processing unit 25, and the abnormality cause estimation processing unit 32 detects the abnormality.
  • the root cause (failure location) can be obtained.
  • a plurality of root causes obtained by the abnormality cause estimation processing unit 32 may appear. In that case, the abnormality cause estimation processing unit 32 presents the plurality of root causes as candidates for the root cause (failure location).
  • the abnormality of the monitoring target device 8 is detected by the transient state abnormality determination processing unit 24 or the steady state abnormality determination processing unit 25 and the root cause is obtained, the result is output as monitoring / diagnosis information.
  • the image is displayed on the display unit 41 by the processing unit 4.
  • the abnormal difference link model at this time is accumulated as an abnormal case in a diagnosis history DB (not shown), and an abnormal case in which the same or similar abnormal differential link model in the past is appropriately constructed, such as its occurrence time. It should be possible to search and display together with the accompanying information.
  • the abnormality monitoring / diagnostic device 100 detects the transition point of the state mode (starting transient state, steady operation state, and stopping transient state) of the monitoring target device 8 and detects the sensor 81. Since the sensor data obtained from the above is extracted for each state mode and an abnormality is determined, an appropriate abnormality determination criterion can be set for each state mode. Furthermore, by classifying the data items for identifying the sensor data into groups, it becomes possible to manage appropriate abnormality determination criteria for each group. Therefore, in the present embodiment, the accuracy of abnormality determination can be improved, and an abnormality can be detected at an early stage of occurrence without being overlooked. Moreover, since the determination criterion is appropriate and highly accurate, it is possible to prevent the occurrence of a false report that determines a normal state as abnormal.
  • the abnormality monitoring / diagnostic apparatus 100 constructs a data item link model within the group for each group from the sensor data of the data item for each state mode.
  • the link model between groups is constructed for the representative data of each group. Therefore, it is possible to quickly trace the cause of the abnormality of the detected data item and quickly diagnose the root cause (failure location).
  • an energy conversion device typified by a combined heat and power supply device has been assumed as the monitoring target device 8, but a device to which the present invention can be applied is limited to an energy conversion device such as a combined heat and power supply device. It is not a thing.
  • the present invention can also be applied to, for example, an apparatus that converts wind power or wave power into at least one of kinetic energy or electric energy instead of burning fuel.
  • the data items to be measured include wind speed, machine part motion speed, machine part vibration, machine part acceleration, machine part distortion, machine part sound, machine part wear, lubricant component, Lubricating oil pressure, lubricating oil temperature, electrical component voltage, electrical component current, electrical component frequency, environmental temperature, environmental humidity, environmental atmospheric pressure, power system voltage, power system current, equipment operation It includes at least part of time, operation time of parts, motion output and power output of the energy conversion device, energy conversion efficiency, and the like.
  • the present invention can also be applied to an apparatus that converts geothermal heat into at least one of kinetic energy, thermal energy, or electrical energy.
  • the data items to be measured include water vapor supply volume, water vapor temperature, water vapor pressure, machine part motion speed, machine part vibration, machine part acceleration, machine part distortion, machine part sound, machine part Wear amount, composition of lubricant, lubricant pressure, lubricant temperature, electrical component power, electrical component reactive power, electrical component voltage, electrical component current, electrical component frequency, environmental temperature, environmental temperature Includes at least a portion of humidity, atmospheric pressure, power system voltage, power system current, equipment operating time, component operating time, motion output in energy conversion equipment, heat output, power output, energy conversion efficiency, etc. .
  • the present invention can be applied to an electric motor device that converts electric energy into mechanical energy.
  • electric motor devices include elevators and escalators represented by elevators, plant devices represented by pumps and compressors, and machine tools represented by lathes, drilling machines, milling machines, and grinding machines.
  • the data items to be measured include the motion speed of the machine part, the vibration of the machine part, the acceleration of the machine part, the distortion of the machine part, the sound of the machine part, the wear amount of the machine part, the component of the lubricant, the lubricant Pressure, lubricant temperature, electrical component power, electrical component reactive power, electrical component voltage, electrical component current, electrical component frequency, ambient temperature, ambient humidity, ambient pressure, equipment uptime At least, such as part operation time, machine part work, machine part movement speed, machine part vibration, machine part acceleration, machine part distortion, machine part acoustics, machine part wear, energy conversion efficiency Some are included.
  • the present invention can be applied to a semiconductor processing apparatus that converts electrical energy into mechanical energy or plasma energy.
  • the semiconductor processing apparatus include a semiconductor CMP (chemical mechanical polishing) apparatus, a semiconductor etching apparatus, and a semiconductor film forming apparatus.
  • the data items to be measured include the wear amount of mechanical parts, the electric power of electric parts, the reactive power of electric parts, the voltage of electric parts, the current of electric parts, the frequency of electric parts, the impedance of electric parts, and the semiconductor wafer.
  • Temperature of the processing chamber environment, pressure of the processing chamber environment, light emission of the processing chamber environment, equipment operation time, component operation time, semiconductor processing amount, film formation amount, processing uniformity within the semiconductor wafer surface, At least part of film uniformity, energy conversion efficiency, etc. is included.
  • Sensor data collection processing unit (first processing unit) 2 Abnormality monitoring processing unit (second processing unit) 3 Cause diagnosis processing section (third processing section) 4 Monitoring / diagnosis information output processing unit 5 Storage unit 6 Maintenance support device 7 Communication network 8 Monitored device 11 Sensor data DB DESCRIPTION OF SYMBOLS 21 State mode transition point detection processing part 22 Sensor data extraction processing part classified by state mode 23 Data item group classification

Abstract

　異常監視処理部（２）は、監視対象装置（８）から収集したセンサデータを、状態モード遷移点検出処理部（２１）で検出した状態モード遷移点に基づき複数の状態モード別のセンサデータに分割し、その分割したセンサデータをさらに複数のグループに分類する。そして、各状態モードおよびグループごとに、各センサデータを過去の統計データと比較することによって、その異常を検知する。また、原因診断処理部（３）は、各グループのセンサデータ同士の相関係数に基づき構築される異常検知前後のリンクモデルを用いて異常原因を診断する。

Description

監視診断装置および監視診断方法
　本発明は、複数の部品を有する装置の動作異常を監視するとともに、その動作異常の原因を診断する監視診断装置および監視診断方法に関する。
　熱電併給（コージェネレーション）装置に代表される、燃料を少なくとも運動エネルギー、熱エネルギー、または電気エネルギーに変換するエネルギー変換装置（設備）などにおいては、装置の状態を計測するために複数のセンサ（計測器）を備え付け、そのセンサにより装置の状態を時々刻々と計測して把握し、その計測データ（装置状態計測データ、センサデータなどと称する）に基づいて、装置の正常または異常の状態を判定し、異常状態を捉えて保守を行う、状態基準保全（ＣＢＭ：Condition Based Maintenance）の技術がある。
　状態基準保全（ＣＢＭ）を有効に実施するためには、故障に至る前の異常の兆候を捉える必要がある。その異常の兆候を捉える方法としては、複数の状態計測センサのデータを統計的に解析して、装置の正常状態における状態計測センサのデータを基準として求めておき、時々刻々計測されるデータをその基準と照合する方法が有効である。
　また、エネルギー変換装置などにおいては、装置を構成するモジュールやそのモジュールを構成する部品の多くは、装置がエネルギー変換などの目的を達成するために連動して動作する。よって、装置を構成する複数の部品などに設置された複数のセンサの出力の多くも、連動して変化する。そこで、正常状態時に連動して変化するセンサの出力の関係と、異常状態時に連動して変化するセンサの出力の関係を比較してモデル化すれば、異常状態を検知後に異常（故障）の原因を診断することができる。
　例えば、特許文献１，２には、装置の状態基準保全（ＣＢＭ）の例ではないが、グラフィカルモデルによって、製造ラインの製品品質と工程データの間の因果関係の解析を行う方法が述べられている。また、非特許文献１には、グラフィカルモデルによって因果関係の解析を行う統計数理的な一般的アルゴリズムの方法が述べられている。
特開２００６－６５５９８号公報 米国特許第７２０９８４６号明細書（ＵＳ ７,２０９,８４６ Ｂ２）
Christopher M. Bishop, "Pattern Recognition and Machine Learning", USA, Springer, 2006, Chapter 8 (Graphical Models), ISBN 978-0387310732
　従来の状態基準保全（ＣＢＭ）技術や特許文献１に記載されている技術では、次に示すような課題が解決されていない。
（課題１：装置状態の変化への対応）
　一般に、装置の状態は、故障以外の要因によっても変化する。装置には、連続定常稼働しているもの以外に、工場や店舗の操業に合わせて、始動、定常運転、停止の運転サイクルを繰り返すものがある。このサイクル運転装置では、始動と停止の過渡状態において状態変化が発生する。また、連続定常稼働している装置であっても、定期メンテナンスのときには停止し、メンテナンス終了後に始動するため状態変化が発生する。従来技術では、このような状態変化をも捉えて異常（異常兆候）発生と報告していた、すなわち、虚報が発報されるという問題があった。
　とくに、連続定常稼働中の定常状態では、装置に作用する外乱の影響を抑制するためのフィードバック制御が働いており、その制御システムを構成する制御器とアクチュエータとセンサが正常に働いているか否かを監視する必要がある。従って、定常状態の状態変化は、制御によって過渡状態の状態変化よりも十分小さな値に抑制されている。従って、その定常状態を精度良く監視する判定基準を、過渡状態の監視に適用すると、過渡状態の状態変化を検知して直ちに虚報を発報してしまうことになる。このように、従来技術では、虚報の発報に対する対応技術は、何ら用意されていない。
（課題２：原因診断）
　また、異常状態が検知されたときには、その異常状態の原因を診断する必要がある。その場合、診断の対象となる計測データの項目数（設置センサ数）が多くなると、原因診断の精度が低下する、あるいは、原因診断に長時間を要するという問題が生じる。とくに、エネルギー変換装置などにおいては、その装置を構成するほとんどの部品についての計測データがエネルギー変換の目的のために連動して変化するため、その連動関係を解析することが困難になり、データ項目数が多くなればなるほど、その中から真の原因を絞り込むことが困難になるという問題があった。
　特に、非特許文献１に開示されているグラフィカルモデルを用いて原因診断を行う際には、逆行列の計算が必要になるが、連動して変化するデータ項目数が含まれると逆行列の計算が不安定になるという問題があった。また、原因の絞り込みが不十分な場合には、大規模装置の原因診断結果を提示された保守作業員がその内容を判断することが困難になるという問題があった。
　以上の従来技術の課題に鑑み、本発明は、異常検知の精度を向上させるとともに、その異常の原因を効率よく推定することが可能な監視診断装置および監視診断方法を提供することを目的とする。
　本発明に係る監視診断装置は、複数の部品で構成された監視対象装置から、その複数の部品のそれぞれの物理状態の時間推移を表す時系列物理量（実施形態でいうセンサデータ、以下同じ）を収集する第１の処理部と、その第１の処理部によって収集された複数の部品の時系列物理量を用いて、監視対象装置における異常を検知する第２の処理部（実施形態でいう異常監視処理部、以下同じ）と、その異常の原因を診断する第３の処理部（実施形態でいう原因診断処理部、以下同じ）と、を含んで構成され、前記第２の処理部が、前記複数の部品の時系列物理量を識別するデータ項目を複数のグループに分類するデータ項目グループ分類処理と、その分類したグループごとに、そのグループに属するデータ項目で識別される前記部品の時系列物理量と当該部品の時系列物理量の統計データとに基づき、異常判定を行う異常判定処理（実施形態でいう過渡状態異常判定処理および定常状態異常判定処理）と、を実行し、前記第３の処理部が、前記分類したグループごとに、そのグループに属するデータ項目で識別される部品の時系列物理量相互の依存関係を表したデータ項目間リンクモデルと、そのグループの代表値相互の依存関係を表したグループ間リンクモデルと、からなるリンクモデルを構築するリンクモデル構築処理と、前記異常判定処理で異常が検知される前の前記部品の時系列物理量に基づき構築されたリンクモデルと、前記異常判定処理で異常が検知されたときの前記部品の時系列物理量に基づき構築されたリンクモデルと、の差分リンクモデル（実施形態でいう異常差分リンクモデル）に基づき、異常の原因を推定する異常原因推定処理と、を実行することを特徴とする。
　また、本発明に係る監視診断装置は、第２の処理部が、さらに、複数の部品の時系列物理量それぞれについて、その時系列物理量の状態モードの遷移点を検出する状態モード遷移点検出処理と、その検出した遷移点に基づき、前記部品の時系列物理量をそれぞれの状態モードごとに分割するとともに、その分割したそれぞれの前記部品の時系列物理量を状態モード別の時系列物理量として抽出する状態モード別時系列物理量抽出処理と、を実行することを特徴とする。
　本発明によれば、異常検知の精度を向上させるとともに、その異常の原因を効率よく推定することが可能な監視診断装置および監視診断方法を提供することができる。
本発明の実施形態に係る異常監視・診断装置の構成の例およびその異常監視・診断装置が適用される全体のシステムの概略構成の例を示した図。 異常監視処理部および原因診断処理部における異常監視・診断処理の概略処理フローの例を示した図。 状態モード遷移点検出処理の詳細な処理フローの例を示した図。 監視対象装置の始動時および停止時のセンサデータの時間推移の例を示した図で、（ａ）は、始動シーケンスの例、（ｂ）は、停止シーケンスの例。 状態モード別センサデータ抽出処理部が「生の」センサデータを状態モード別センサデータとして切り出す様子を模式的に示した図で、（ａ）は、「生の」センサデータの例、（ｂ）は、状態モード別センサデータの例。 ＢＯＭを用いてセンサデータのデータ項目を分類する様子を模式的に示した図。 データ項目間のセンサデータのクラスタ分析に基づき、データ項目を分類する様子を模式的に示した図。 状態モード別センサデータから過渡状態多変量データまたは定常状態多変量データを生成する様子を模式的に示した図で、（ａ）は、始動データから過渡状態多変量データを生成する例、（ｂ）は、停止データから過渡状態多変量データを生成する例、（ｃ）は、運転データから定常状態多変量データを生成する例。 過渡状態および定常状態におけるデータ項目ＳＳ１１（横軸）およびデータ項目ＳＳ１２（縦軸）のセンサデータを所定の時間間隔でサンプリングしたデータの散布図の例。 データ項目ＳＳ１１およびデータ項目ＳＳ１２のセンサデータの時系列推移図の例。 リンクモデル構築処理で構築されるデータ項目間およびグループ間のリンクモデルの例を示した図。 異常原因推定処理の前処理としてのリンクモデル構築処理の処理フローの例を示した図。 リンクモデル構築処理によって構築された異常差分リンクモデルの例を示した図で、（ａ）は、過渡状態の異常差分リンクモデルの例、（ｂ）は、定常状態の異常差分リンクモデルの例。
　以下、本発明の実施形態について、図面を参照して詳細に説明する。なお、実施形態を説明するためのすべての図面において、同一の構成要素には同一符号を付し、その繰り返しの説明を省略する。
＜全体構成および機能の概要＞
　図１は、本発明の実施形態に係る異常監視・診断装置の構成の例およびその異常監視・診断装置が適用される全体のシステムの概略構成の例を示した図である。
　図１において、監視対象装置８は、本発明の実施形態に係る異常監視・診断装置（監視診断装置）１００による異常監視および診断の対象となる装置である。監視対象装置８は、例えば、エネルギー変換装置（熱電併給装置、電気装置、動力装置、熱源装置など）であり、通常、複数のモジュールで構成され、また、各モジュールは、複数の部品で構成されている（以下、本明細書では、モジュールを含め、監視対象装置８の構成要素を「部品」と総称する）。そして、所定の部品の所定の部位には、その部位の物理状態を表す物理量を計測するためのセンサ８１が、その部位またはその部位近傍に具備されている。なお、図１の例では、ｎ個（ｎ≧２）のセンサ８１（＃１～＃ｎ）が監視対象装置８の内部または外部近傍に設けられているとしている。
　センサ８１（＃１～＃ｎ）は、ＬＡＮ（Local Area Network）などの通信ネットワーク７を介して異常監視・診断装置１００に接続されており、それぞれ計測した物理量を異常監視・診断装置１００へ送信する。なお、本明細書では、センサ８１（＃１～＃ｎ）が計測する様々な物理量の時系列データ、つまり、時間推移のデータを「センサデータ」と総称する。
　図１において、異常監視・診断装置１００は、センサデータ収集処理部１、異常監視処理部２、原因診断処理部３、監視・診断情報出力処理部４、記憶部５、センサデータＤＢ（Database）１１などの機能ブロックを含んで構成される。また、ハードウエア的には、異常監視・診断装置１００は、図示しないＣＰＵ（Central Processing Unit）、記憶装置、入出力装置、通信インタフェースなどを含んで構成された１つ以上のコンピュータによって構成される。なお、記憶装置は、ＲＡＭ（Random Access Memory）などの半導体メモリやハード磁気ディスク装置などによって構成される。
　このように構成された異常監視・診断装置１００において、センサデータ収集処理部１、異常監視処理部２、原因診断処理部３および監視・診断情報出力処理部４の各機能は、異常監視・診断装置１００を構成する１つ以上のコンピュータのいずれかのＣＰＵが記憶装置に記憶された所定のプログラムを実行することによって実現される。すなわち、各機能ブロックの動作主体は、コンピュータのＣＰＵである。そこで、本明細書の以下の説明においてとくに断らない場合には、「○○処理部が、・・・する」という記載は、「コンピュータのＣＰＵが、○○処理部のプログラムを実行することによって、・・・する」ことを意味するものとする。
　また、異常監視・診断装置１００が複数のコンピュータによって構成される場合には、これら複数のコンピュータは、専用の通信線または通信ネットワーク７を介して、相互に通信可能に接続されているものとする。そして、記憶部５やセンサデータＤＢ１１に記憶されているデータは、これら複数のコンピュータ間で、適宜、相互に送受信されるか、または、共有されるものとする。
　さらに、図１を参照して、異常監視・診断装置１００の各機能ブロックの機能について説明する。
　センサデータ収集処理部１は、所定の時間ごとに（例えば、０．１秒ごと：この「所定の時間」は、異常監視・診断装置１００の動作特性に依存して定められる時間である）、センサ８１（＃１～＃ｎ）からセンサデータを収集して、収集したセンサデータをそれぞれのセンサ８１（＃１～＃ｎ）に対応付けて、センサデータＤＢ１１に蓄積する。従って、センサデータＤＢ１１には、各センサ８１（＃１～＃ｎ）のセンサデータが時系列に蓄積される。すなわち、センサデータは、部品の状態を表す物理量の時系列データである。
　異常監視処理部２は、センサデータ収集処理部１により収集されたセンサデータをリアルタイムで監視し、その中から通常と異なる挙動をしているセンサデータを検出するが、その検出の具体的な処理内容については後記する。なお、一般に、ある部品が故障した場合、その部品に具備されたセンサ８１のセンサデータが異常な挙動をするだけでなく、その部品の動作結果の影響を受ける他の部品に具備されたセンサ８１のセンサデータも異常な挙動をする場合が多い。すなわち、異常な挙動を示すセンサデータは、通常、複数検出される。
　原因診断処理部３は、異常監視処理部２によって検出された複数の異常な挙動をするセンサデータの相互の時間的、空間的（構造的）な依存関係を解析し、その結果に基づき、各センサデータの異常な挙動の原因を推定、つまり、いずれの部品が故障しているかを診断する。その具体的な診断処理については後記する。
　監視・診断情報出力処理部４は、以上のようにして求められた異常な挙動をするセンサデータや、故障と診断された部品の情報などを表示部４１に表示する。異常検知初動管理者４２は、その表示により、異常回復の初動に必要な情報を得ることができる。また、監視・診断情報出力処理部４は、故障と診断された部品の情報などを、通信ネットワーク７を介して、保守支援装置６へ送信する。
　保守支援装置６は、その故障と診断された部品の情報などを受信し、その受信した情報に基づき、部品交換や部品調整など、保守作業者６２が行うべき処置情報を、表示部６１に表示する。その結果、保守作業者６２は、保守作業を容易に行うことが可能となる。
＜異常監視・診断処理の処理フロー＞
　続いて、図２および図１を参照して、異常監視処理部２および原因診断処理部３における処理の概要について説明するとともに、その後、図３以下の図を用いて、図２における各処理の詳細内容について説明する。ここで、図２は、異常監視処理部２および原因診断処理部３における異常監視・診断処理の概略処理フローの例を示した図である。
　異常監視・診断装置１００のＣＰＵ（以下、単に、ＣＰＵという）は、センサデータがセンサデータ収集処理部１により収集され、センサデータＤＢ１１に蓄積されるたびに、あるいは、所定の時間間隔ごとに、状態モード遷移点検出処理部２１の処理を実行する。すなわち、ＣＰＵは、時系列に蓄積されたセンサデータの中から、状態モード遷移点を検出する（ステップＳ１）。なお、検出された状態モード遷移点のデータは、記憶部５の状態モード遷移点ＤＢ５１に格納される。
　ここで、状態モードとは、過渡状態および定常状態を指し、過渡状態とは、ある定常状態から他の定常状態へ遷移途上にある状態をいう。例えば、監視対象装置８の始動時から定格運転状態までの立ち上がり期間や、停止時の定格運転状態から停止状態に到る立ち下り期間は、過渡状態であり、始動時の立ち上がり完了後、停止時の立ち下り開始前までの定格運転状態は、定常状態である。
　次に、ＣＰＵは、状態モード別センサデータ抽出処理部２２の処理として、前記検出した状態モード遷移点を境界点として、センサデータＤＢ１１に蓄積されたセンサデータから状態モード別センサデータを時系列方向に切出して、抽出し（ステップＳ２）、抽出した状態モード別センサデータを状態モード別センサデータ記憶部５２に格納する（後記にて説明する図５参照）。
　次に、ＣＰＵは、データ項目グループ分類処理部２３の処理として、センサデータのデータ項目を複数（例えば、ｐ個）のグループに分類する（ステップＳ３）。なお、ここでいうデータ項目とは、各センサ８１によって識別されるセンサデータの識別情報（すなわち、センサデータの名称）である。そして、ここで分類されたｐ個のグループそれぞれに属するデータ項目を識別する情報は、グループ分類データ記憶部５３に格納される。
　次に、ＣＰＵは、過渡状態異常判定処理部２４の処理として、それぞれのグループ（＃１）～（＃ｐ）ごとに、状態モード別センサデータ記憶部５２から当該グループ（＃１）～（＃ｐ）に属する過渡状態のセンサデータを抽出し（ステップＳ５（＃１）～（＃ｐ）、データ項目を列の項目名とする過渡状態多変量データとしてまとめ、過渡状態多変量データ記憶部５４に格納する。同様に、ＣＰＵは、定常状態異常判定処理部２５の処理として、それぞれのグループ（＃１）～（＃ｐ）ごとに、状態モード別センサデータ記憶部５２から当該グループ（＃１）～（＃ｐ）に属する定常状態のセンサデータを抽出し（ステップＳ５’（＃１）～（＃ｐ））、データ項目を列の項目名とする定常状態多変量データとしてまとめ、定常状態多変量データ記憶部５５に格納する（後記にて説明する図８参照）。
　ここまでの処理によって、センサデータが時系列方向とデータ項目方向の２次元の方向で切出され、過渡状態多変量データおよび定常状態多変量データが生成されたことになる。なお、時系列方向とデータ項目方向に切出す順番は逆であってもよい。
　次に、ＣＰＵは、それぞれのグループ（＃１）～（＃ｐ）ごとに、過渡状態の異常判定を実施し（ステップＳ６（＃１）～（＃ｐ））、異常がない場合には（ステップＳ７（＃１）～（＃ｐ）でＮｏ）、処理を終了する。同様に、ＣＰＵは、定常状態の異常判定を実施し（ステップＳ６’（＃１）～（＃ｐ））、異常がない場合には（ステップＳ７’（＃１）～（＃ｐ）でＮｏ）、処理を終了する。
　一方、過渡状態の異常判定で異常があった場合には（ステップＳ７（＃１）～（＃ｐ）でＹｅｓ）、ＣＰＵは、リンクモデル構築処理部３１の処理として、それぞれのグループ（＃１）～（＃ｐ）ごとに、そのグループの過渡状態多変量データを用いて、グループ内におけるデータ項目の相互関係を表したリンクモデルを構築し（ステップＳ８（＃１）～（＃ｐ））、さらに、ｐ個のグループ間の相互関係を表したリンクモデルを構築する（ステップＳ９）。
　また、定常状態の異常判定で異常があった場合には（ステップＳ７’（＃１）～（＃ｐ）でＹｅｓ）、ＣＰＵは、リンクモデル構築処理部３１の処理として、それぞれのグループ（＃１）～（＃ｐ）ごとに、そのグループの定常状態のセンサデータを用いて、グループ内におけるデータ項目の相互関係を表したリンクモデルを構築し（ステップＳ８’（＃１）～（＃ｐ））、さらに、ｐ個のグループ間の相互関係を表したリンクモデルを構築する（ステップＳ９’）。
　次に、ＣＰＵは、異常原因推定処理部３２の処理として、過渡状態のデータに対する各グループにおけるデータ項目間のリンクモデルと、グループ間のリンクモデルと、定常状態のデータに対する各グループにおけるデータ項目間のリンクモデルと、グループ間のリンクモデルと、に基づき、異常の原因を推定、診断する（ステップＳ１０）。
＜状態モード遷移点検出処理＞
　状態モード遷移点検出処理は、状態モード遷移点検出処理部２１における処理であり、センサデータ収集処理部１によって収集され、センサデータＤＢ１１に蓄積された各センサデータについて、状態モード遷移点を検出する処理である。以下、図３および図４を参照して、状態モード遷移点検出処理の詳細について説明する。ここで、図３は、状態モード遷移点検出処理の詳細な処理フローの例を示した図である。また、図４は、監視対象装置８の始動時および停止時のセンサデータの時間推移の例を示した図であり、（ａ）は、始動シーケンスの例、（ｂ）は、停止シーケンスの例である。
　ところで、監視対象装置８の中には、始動あるいは停止のシーケンスを制御する図示しないコンピュータを含んで構成されるものがある。そして、そのコンピュータは、シーケンスの切換点で始動シーケンス開始命令や停止シーケンス開始命令などのイベントデータ（時刻とイベントが対になったデータ）を出力する機能を有するものがある。その場合には、異常監視・診断装置１００は、そのイベントデータに含まれる時刻を利用して状態モード遷移点を検出することができる。
　それに対し、監視対象装置８が始動シーケンス開始命令や停止シーケンス開始命令などのイベントデータを出力する機能を有していない場合には、異常監視・診断装置１００は、センサデータの時間推移の挙動に基づいて、状態モード遷移点を求めることになる。また、監視対象装置８が始動シーケンス開始命令や停止シーケンス開始命令を出力する機能を有するものであっても、始動シーケンス終了命令や停止シーケンス終了命令を有していないことが多い。その場合には、異常監視・診断装置１００は、センサデータの時間推移の挙動に基づいて、その始動シーケンス終了点や停止シーケンス終了点を求めることになる。
　図３に示すように、ＣＰＵは、まず、監視対象装置８からのイベントデータ出力に始動シーケンス開始命令が含まれているか否かを判定し（ステップＳ２１）、始動シーケンス開始命令が含まれていない場合には（ステップＳ２１でＮｏ）、センサデータの立ち上がり挙動から始動シーケンス開始点（図４（ａ）の時刻ｔ１）を検出し（ステップＳ２２）、その検出した時刻を始動シーケンス開始点として状態モード遷移点ＤＢ５１に記録する。
　具体的には、監視対象装置８が始動シーケンスを開始すると、速度、温度、圧力などのセンサデータは、立ち上がり変動を示す（図４（ａ）参照）。そこで、ＣＰＵは、当該センサデータが過去の始動前の時系列平均値（Ａ１）と片側変動幅（σ）から得られる停止状態変動域（Ａ１＋σ）を超過した時刻（ｔ１）を、始動シーケンス開始点として状態モード遷移点ＤＢ５１に記録する。
　一方、ステップＳ２１の判定において、始動シーケンス開始命令が含まれている場合には（ステップＳ２１でＹｅｓ）、ＣＰＵは、その始動シーケンス開始命令を検出し（ステップＳ２３）、その検出した時刻を、始動シーケンス開始点として状態モード遷移点ＤＢ５１に記録する。
　次に、ＣＰＵは、監視対象装置８からのイベントデータ出力に始動シーケンス終了命令が含まれているか否かを判定し（ステップＳ２４）、始動シーケンス終了命令が含まれていない場合には（ステップＳ２４でＮｏ）、センサデータの立ち上がり挙動から始動シーケンス終了点（図４（ａ）の時刻ｔ２）を検出し（ステップＳ２５）、その検出した時刻を始動シーケンス終了点として状態モード遷移点ＤＢ５１に記録する。
　具体的には、監視対象装置８が始動シーケンスを終了すると、速度、温度、圧力などのセンサデータは、ほぼ立ち上がり終えて、運転状態への整定を示す（図４（ａ）参照）。そこで、ＣＰＵは、当該センサデータが過去の運転状態の時系列平均値（Ａ２）と片側変動幅（σ）から得られる運転状態変動域（Ａ２±σ）の中に整定した時刻（ｔ２）を、始動シーケンス終了点として状態モード遷移点ＤＢ５１に記録する。
　一方、ステップＳ２４の判定において、始動シーケンス終了命令が含まれている場合には（ステップＳ２４でＹｅｓ）、ＣＰＵは、その始動シーケンス終了命令を検出し（ステップＳ２６）、その検出した時刻を、始動シーケンス終了点として状態モード遷移点ＤＢ５１に記録する。
　次に、ＣＰＵは、監視対象装置８からのイベントデータ出力に停止シーケンス開始命令が含まれているか否かを判定し（ステップＳ２７）、停止シーケンス開始命令が含まれていない場合には（ステップＳ２７でＮｏ）、センサデータの立ち下がり挙動から停止シーケンス開始点（図４（ｂ）の時刻ｔ３）を検出し（ステップＳ２８）、その検出した時刻を停止シーケンス開始点として状態モード遷移点ＤＢ５１に記録する。
　具体的には、監視対象装置８が停止シーケンスを開始すると、速度、温度、圧力などのセンサデータが運転状態からの立ち下がり変動を示す（図４（ｂ）参照）。そこで、ＣＰＵは、当該センサデータが過去の運転状態のセンサデータの時系列平均値（Ａ２）と片側変動幅（σ）から得られる運転状態変動域（Ａ２－σ）を超過した時刻（ｔ３）を、停止シーケンス開始点として状態モード遷移点ＤＢ５１に記録する。
　一方、ステップＳ２７の判定において、停止シーケンス開始命令が含まれている場合には（ステップＳ２７でＹｅｓ）、ＣＰＵは、その停止シーケンス開始命令を検出し（ステップＳ２９）、その検出した時刻を、停止シーケンス開始点として状態モード遷移点ＤＢ５１に記録する。
　次に、ＣＰＵは、監視対象装置８からのイベントデータ出力に停止シーケンス終了命令が含まれているか否かを判定し（ステップＳ３０）、停止シーケンス開始命令が含まれていない場合には（ステップＳ３０でＮｏ）、センサデータの立ち下がり挙動から停止シーケンス終了点（図４（ｂ）の時刻ｔ４）を検出し（ステップＳ３１）、その検出した時刻を停止シーケンス終了点として状態モード遷移点ＤＢ５１に記録する。
　具体的には、監視対象装置８が停止シーケンスを終了すると、速度、温度、圧力などのセンサデータは、ほぼ立ち下がり終えて、停止状態への整定を示す（図４（ｂ）参照）。そこで、ＣＰＵは、当該センサデータが過去の停止状態の時系列平均値（Ａ１）と片側変動幅（σ）から得られる停止状態変動域（Ａ１±σ）の中に整定した時刻（ｔ４）を、停止シーケンス終了点として状態モード遷移点ＤＢ５１に記録する。
＜状態モード別センサデータ抽出処理＞
　状態モード別センサデータ抽出処理は、状態モード別センサデータ抽出処理部２２における処理であり、状態モード遷移点ＤＢ５１に記録された状態モード遷移点の時刻情報を用いて、センサデータＤＢ１１に蓄積された各センサデータを時系列方向の始動、運転、停止の各状態モード別に切り出し、状態モード別センサデータ記憶部５２に格納する処理である。
　図５は、状態モード別センサデータ抽出処理部２２が「生の」センサデータを状態モード別センサデータとして切り出す様子を模式的に示した図である。なお、図５において、「ＳＳ１１」は、センサデータのデータ項目（センサデータの名称）を表す情報である。従って、図５は、データ項目ＳＳ１１によって指定される１つのセンサデータの「生の」時系列データから、「始動データ」、「運転データ」、「停止データ」という３つの状態モード別センサデータが切り出され、抽出されることを表している。
　以下、簡単に、状態モード別センサデータ抽出処理部２２における処理フロー（図示省略）について説明する。
　ＣＰＵは、まず、センサデータＤＢ１１に蓄積された「生の」センサデータ（例えば、データ項目がＳＳ１１のセンサデータ）の時系列データに対し、状態モード遷移点検出処理部２１によって検出された始動シーケンス開始点ｔ１、始動シーケンス終了点ｔ２、停止シーケンス開始点ｔ３、停止シーケンス終了点ｔ４を境界として、「休止」、「始動」、「運転」、「停止」、「休止」の状態フラグを付加する（図５（ａ）参照）。
　次に、ＣＰＵは、「生の」センサデータを、その付加した状態フラグ別に分割し、それぞれ、「始動」、「運転」、「停止」の状態フラグが付加されたデータを「始動データ」、「運転データ」、「停止データ」として切り出す（図５（ｂ）参照）。そして、切り出した「始動データ」、「運転データ」、「停止データ」を、状態モード別センサデータ記憶部５２に格納する。
　なお、「休止」が付加されたセンサデータ部分は、監視対象装置８自体に通電がされていないなど、非稼働状態であるので、ここでは、そのセンサデータを切り出さず、異常監視・診断の対象外としている。ただし、状態フラグが「休止」のセンサデータを切り出し、「休止データ」として異常監視・診断の対象としてもよい。
＜データ項目グループ分類処理＞
　データ項目グループ分類処理は、データ項目グループ分類処理部２３における処理であり、センサデータのデータ項目を複数のグループに分類する処理である。すなわち、複数のセンサデータのデータ項目の中から、そのデータ項目で識別されるセンサデータの挙動の相互の関連性が大きいもの同士を集めてグループ化する処理である。
　関連性の大きいセンサデータ（のデータ項目）同士を集めてグループ化する方法としては、監視対象装置８のＢＯＭ（Bill of Materials：部品構成表）を利用する方法や、センサデータのクラスタ分析を行う方法などがあるが、いずれを利用してもよい。以下、ＢＯＭを利用する方法、および、クラスタ分析を行う方法について、簡単に説明をする。
　図６は、ＢＯＭを用いてセンサデータのデータ項目を分類する様子を模式的に示した図である。図６に示すように、ＢＯＭ８２は、監視対象装置８を構成する各部品について、その包含関係を階層的に表した情報である。図６では、監視対象装置８は、例えば、３つのモジュールＭ１～Ｍ３によって構成され、各々のモジュールＭｉ（ｉ＝１～３）は、それぞれ３つの部品Ｐｉ１～Ｐｉ３（ｉ＝１～３）によって構成されている。さらに、各部品Ｐｉｊ（ｉ＝１～３，ｊ＝１～３）には、それぞれセンサ８１（＃ｉｊ）が具備され、それぞれのセンサ８１（＃ｉｊ）からは、データ項目ＳＳｉｊのセンサデータが出力される。
　一般に、あるモジュールＭ１に含まれる部品Ｐ１１～Ｐ１３に付されたセンサ８１から出力されるデータ項目ＳＳ１１～ＳＳ１３のセンサデータ同士の挙動の相互依存関係は、多くの場合、他のモジュールＭ２，Ｍ３に含まれる部品Ｐ２１～Ｐ３３に付されたセンサ８１から出力されるデータ項目ＳＳ２１～ＳＳ３３のセンサデータとの間の依存関係よりも大きいとみなすことができる。そこで、ここでは、センサデータのデータ項目ＳＳ１１～ＳＳ３３を、ＢＯＭに表されているモジュールＭ１～Ｍ３に従ってグループ化する。
　すなわち、データ項目ＳＳｉｊを部品Ｐｉｊに付されたセンサ８１（＃ｉｊ）から出力されるセンサデータの識別情報であるとし、ＢＯＭ８２、つまり、監視対象装置８、モジュールＭ１～Ｍ３、および、部品Ｐ１１～Ｐ３３についての包含関係情報が与えられた場合には、ＣＰＵは、それらの情報に基づき、データ項目ＳＳｉｊをモジュールＭ１～Ｍ３に対応するグループＧ１～Ｇ３に容易に分類することができる。
　なお、ＢＯＭ８２は、例えば、図１において、通信ネットワーク７に接続された図示しない設計データベースサーバなどに保管されているものとし、異常監視・診断装置１００のＣＰＵは、通信ネットワーク７を介して、設計データベースサーバから当該監視対象装置８についてのＢＯＭ８２を、適宜、取得するものとする。
　また、この場合、ＢＯＭ８２が多階層のモジュールで表現されていた場合には、データ項目も多階層に分類されるが、データ項目が多階層に分類されてもとくに問題はない。また、分類グループの階層構成がＢＯＭ８２のモジュールの階層構成に１対１に対応する必要もない。例えば、各分類グループに含まれる部品数（ただし、センサ８１を具備する部品の部品数）が所定の数の範囲に収まるように、適宜、複数のモジュールを１つの分類グループに統合してもよい。
　図７は、データ項目間のセンサデータのクラスタ分析に基づき、データ項目を分類する様子を模式的に示した図である。一般に、クラスタ分析では、クラスタ間の平方距離を求め、その平方距離が最小になる２つのクラスタを併合するという処理が繰り返して行われる。ここでも、その手順に従って、クラスタ分析を行う。
　そこで、データ項目ｉのセンサデータＸｉ＝（ｘｉ１，ｘｉ２，・・・，ｘｉｎ）を１つのクラスタとする。そして、ＣＰＵは、２つのクラスタｉ，ｊ、すなわち、２つのデータ項目（＃ｉｊ）のセンサデータ間の相互相関係数Ｒｉｊを計算し、さらに、その計算した相互相関係数Ｒｉｊを用いて、２つのデータ項目（ｉｊ）のセンサデータ間の平方距離Ｄｉｊを計算する。このとき、センサデータＸｉが規格化されているものとすれば、その平方距離Ｄｉｊは、次に示す式（１）によって与えられる。
Figure JPOXMLDOC01-appb-M000001
　次に、ＣＰＵは、２つのデータ項目（＃ｉｊ）のセンサデータ間の平方距離Ｄｉｊの中から最小値を求め、そのときのデータ項目（＃ｕｖ）のセンサデータ同士を併合して、１つのクラスタにまとめる。その結果、クラスタ数は１つ減る。
　次に、ＣＰＵは、クラスタｕとクラスタｖとを併合して得られたクラスタｈと、他のクラスタｓ（ｓ≠ｕ，ｓ≠ｖ）との間の平方距離Ｄｓｈを、式（２）に従って算出する。
Figure JPOXMLDOC01-appb-M000002
　ここで、係数αｕ、αｖ、β、γは、クラスタ分析のアルゴリズムに依存する数値であり、例えば、最短距離法には、αｕ＝０．５、αｖ＝０．５、β＝０、γ＝－０．５、と定められている。また、併合後のクラスタｈのセンサデータは、平均を計算したり、主成分を計算したりすることによって求められ、クラスタ代表値とする。
　ＣＰＵは、以上の処理をクラスタが１つになるまで繰り返すことによって、図７に示したデンドログラム（樹状図）８３を得る。なお、デンドログラム８３の縦軸は、各クラスタ間または併合されたクラスタ間の平方距離である。
　ＣＰＵは、この得られたデンドログラム８３の中に、クラスタ階層しきい値８４を設定し、デンドログラム８３をそのクラスタ階層しきい値８４以下のクラスタ構成によって分割し、分割されたデンドログラム８５に基づき、データ項目ＳＳ１１～ＳＳ３３のグループ化を行う。図７の例では、データ項目ＳＳ１１～ＳＳ１３がグループＧ１に、データ項目ＳＳ２１～ＳＳ２３がグループＧ２に、データ項目ＳＳ３１～ＳＳ３３がグループＧ３にグループ化されている。
　なお、ＣＰＵは、このとき用いるクラスタ階層しきい値８４を、例えば、次の手順で求める。すなわち、ＣＰＵは、デンドログラムの下位の階層から、順次、各クラスタ代表値（最下位階層ではセンサデータ）間の相関係数行列を計算し、その相関係数行列の逆行列の対角要素によって定義される分散拡大要因（ＶＩＦ：Variance Inflation Factor）と呼ばれる指標を計算する。そして、そのＶＩＦが所定の値（例えば、１０）より小さくなったときの階層におけるクラスタ間の平方距離をクラスタ階層しきい値８４とする。
　例えば、図７において、ＣＰＵは、デンドログラム８３の最下位階層のデータ項目ＳＳ１１～ＳＳ３３のセンサデータからＶＩＦを計算し、そのＶＩＦにあらかじめ定められた値（例えば、１０）以上の要素が含まれている場合には、クラスタ分割が不十分であるとして、ＶＩＦのすべての要素が１０より小さくなるまで、順次、上の階層へ移行しつつ、ＶＩＦを計算し、ＶＩＦを判定するという処理を繰り返す。
　図７ではデータ項目ＳＳ３１のセンサデータのクラスタが、データ項目ＳＳ３２＋ＳＳ３３のセンサデータのクラスタに併合された時点でＶＩＦのすべての要素が１０より小さくなったとして、クラスタ階層しきい値８４が設定されている。そして、クラスタ階層しきい値８４以下の階層までのクラスタ構成により、データ項目ＳＳ１１～ＳＳ３３が３つのグループＧ１，Ｇ２，Ｇ３が分類されている。
　以上のように、ＢＯＭ８２の利用や、クラスタ分析などによって複数のグループに分類されたデータ項目の情報は、グループの識別情報とそのグループに属するデータ項目とを対応付けた情報として、グループ分類データ記憶部５３に格納される。
　＜過渡状態異常判定処理、定常状態異常判定処理＞
　過渡状態異常判定処理は、過渡状態異常判定処理部２４における処理であり、状態モード別センサデータ記憶部５２に格納された状態モード別のセンサデータ（図８の例では、始動データおよび停止データ）に基づき、過渡状態における異常の有無を判定する処理である。また、定常状態異常判定処理は、定常状態異常判定処理部２５における処理であり、状態モード別センサデータ記憶部５２に格納された状態モード別のセンサデータ（図８の例では、運転データ）に基づき、定常状態における異常の有無を判定する処理である。
　ＣＰＵは、過渡状態異常判定処理の冒頭部において、前記のデータ項目グループ分処理で分類されたデータ項目のグループごとに、状態モード別センサデータ記憶部５２から当該グループに属する過渡状態のセンサデータを抽出し、データ項目を列の項目名とする過渡状態多変量データを生成し、過渡状態多変量データ記憶部５４に格納する。また、ＣＰＵは、定常状態異常判定処理の冒頭部において、前記のデータ項目グループ分処理で分類されたデータ項目のグループごとに、状態モード別センサデータ記憶部５２から当該グループに属する定常状態のセンサデータを抽出し、データ項目を列の項目名とする定常状態多変量データを生成し、定常状態多変量データ記憶部５５に格納する。
　図８は、状態モード別センサデータから過渡状態多変量データまたは定常状態多変量データを生成する様子を模式的に示した図である。なお、図８では、グループＧ１のデータ項目ＳＳ１１～ＳＳ１３について過渡状態多変量データおよび定常状態多変量データを生成する例だけが示されているが、他のグループでも同様である。
　ＣＰＵは、データ項目グループ分類処理によって、データ項目ＳＳ１１，ＳＳ１２，ＳＳ１３がグループＧ１に属するように分類した（図６、図７参照）。そこで、図８（ａ）に示すように、ＣＰＵは、状態モード別センサデータ記憶部５２から、データ項目ＳＳ１１の始動データと、データ項目ＳＳ１２の始動データと、データ項目ＳＳ１３の始動データを抽出し、１つのテーブルにまとめて過渡状態多変量データとしてのグループＧ１始動データを生成する。
　また、図８（ｂ）に示すように、ＣＰＵは、状態モード別センサデータ記憶部５２から、データ項目ＳＳ１１の停止データと、データ項目ＳＳ１２の停止データと、データ項目ＳＳ１３の停止データを抽出し、１つのテーブルにまとめて過渡状態多変量データとしてのグループＧ１停止データを生成する。このとき、ＣＰＵは、グループＧ１始動データとグループＧ１停止データとを連結して、グループＧ１過渡状態データ（図示せず）としてもよい。
　さらに、図８（ｃ）に示すように、ＣＰＵは、状態モード別センサデータ記憶部５２から、データ項目ＳＳ１１の運転データと、データ項目ＳＳ１２の運転データと、データ項目ＳＳ１３の運転データを抽出し、１つのテーブルにまとめて定常状態多変量データとしてのグループＧ１運転データを生成する。
　続いて、図９および図１０を参照して、過渡状態異常判定処理および定常状態異常判定処理における制御性能の異常を判定する方法について説明する。ここで、図９は、過渡状態および定常状態におけるデータ項目ＳＳ１１（横軸）およびデータ項目ＳＳ１２（縦軸）のセンサデータを所定の時間間隔でサンプリングしたデータの散布図の例、図１０は、データ項目ＳＳ１１およびデータ項目ＳＳ１２のセンサデータ（サンプリング点は図示せず）の時系列推移図の例である。なお、図９および図１０の例では、データ項目ＳＳ１１は、制御設定値に係る信号のサンプリングデータ、データ項目ＳＳ１２は、制御応答値に係る信号のサンプリングデータであるとする。また、図１０の縦軸は、２つのデータ項目ＳＳ１１，ＳＳ１２の時系列のセンサデータが重なるようにスケールが調整されている。
　図９および図１０に示すように、２つのデータ項目ＳＳ１１，ＳＳ１２のセンサデータ間には、むだ時間遅れ９１が存在する。そのむだ時間遅れ９１は、通常、所定の範囲内に収まる。しかしながら、むだ時間遅れ９１がその所定の範囲内から逸脱した大きさになった場合には、むだ時間遅れ異常９２となる。また、データ項目ＳＳ１１の変化に対して、データ項目ＳＳ１２が過度に応答すると、過渡振動異常９３を生じる。
　このような過渡状態の異常は、図９に示すように、センサデータの正常な過渡状態の散布図からの逸脱を検出することによって検知することができる。例えば、当該散布点が、所定の過渡状態の分布幅９４より上に逸脱すればオーバシュートの過渡振動異常９３であり、下に逸脱すればアンダーシュートの過渡振動異常（図示せず）である。また、データ項目ＳＳ１２の応答を伴わない場合（センサデータの値が０の場合）がむだ時間遅れ異常９２となる。
　同様に、定常状態のデータ項目ＳＳ１１，ＳＳ１２のセンサデータ（運転データ）の散布図（図９参照）において、当該散布点が所定の定常状態の分布幅９５から逸脱した場合には、制御性能異常（図示せず）となる。
　以上のように、通常時、つまり、正常動作時の散布図があれば、過渡状態あるいは定常状態にかかわらず、その散布図から得られる統計的な分布幅などにより、センサデータの異常を検知することができる。従って、ＣＰＵは、先に求めたグループごとの過渡状態多変量データおよび定常状態多変量データに基づき、各データ項目間で散布図を作成し、その各散布点が所定の範囲に含まれているか否かを判定する。そして、その各散布点が所定の範囲から逸脱していた場合には、当該、データ項目のセンサデータは、異常であると判定する。
　以上、２つのデータ項目を用いて過渡状態および定常状態の散布図から異常を判定する方法を説明したが、データ項目数は２つに限定されるものではなく３つ以上であってもよい。
＜リンクモデル構築処理＞
　リンクモデル構築処理は、リンクモデル構築処理部３１における処理であり、グループごとの過渡状態多変量データおよび定常状態多変量データを用いて、グループ内におけるデータ項目間の相互関係を表したリンクモデル、および、グループ間の相互関係を表したリンクモデルを構築する処理である。
　このようなリンクモデルを構築する処理は、例えば、非特許文献１に示されているグラフィカルモデルの概念を利用することによって実現することができる。そのグラフィカルモデルによれば、２つのデータ項目のセンサデータ間の相関係数から因果関係の有無を決定することができ、また、両者の挙動の変化点発生についての時間先行性情報から因果の方向を決定することができる。すなわち、時間的に先に変化し始めたデータ項目が「因」で、後に変化し始めたデータ項目が「果」と判断する。これら２つのデータ項目間の因果関係および因果の方向をグループ内のすべてのデータ項目間で求めることによって、グループ内におけるデータ項目間のリンクモデルを構築することができる。
　図１１は、リンクモデル構築処理で構築されるデータ項目間およびグループ間のリンクモデルの例を示した図である。図１１において、データ項目またはグループ間を結ぶ実線は、両者に因果関係があることを表し、その矢印は、因果の方向を表している。また、破線は、因果関係がないことを表している。なお、図１１では、過渡状態のリンクモデルのみが示されているが、定常状態のリンクモデルも同様である。
　なお、以上のリンクモデル構築処理において、多数のデータ項目が相互に関係を持つ場合は、相関係数の代わりに、他の変数（信号成分、つまり、センサデータの値）の影響を除外する偏相関係数を用いるのが好ましい。また、他の変数の影響を除外する処理過程で、微小ノイズ同士の偏相関係数を計算することによって、誤った因果関係を導くことを防止するため、他の変数の影響を除外する処理の前後で信号強度の変化率を計算し、偏相関係数と信号強度変化率との積を因果関係の指標とするのが好ましい。
　本実施形態の場合、リンクモデル構築処理は、次に実行される異常原因推定処理の前処理としての役割を担う。そのため、リンク構築処理では、単に、リンクモデルを構築するだけではなく、通常時、つまり、正常時に構築されたリンクモデルと異常検出時に構築されたリンクモデルとを比較し、その差分である異常差分リンクモデルを構築する。
　図１２は、異常原因推定処理の前処理としてのリンクモデル構築処理の処理フローの例を示した図である。図１２に示すように、ＣＰＵは、まず、記憶部５から異常検知前の過渡状態多変量データまたは定常状態多変量データを抽出する（ステップＳ４１）。次に、ＣＰＵは、過渡状態多変量データまたは定常状態多変量データに基づき、正常時のリンクモデルを構築する（ステップＳ４２）。一方、ＣＰＵは、そのとき過渡状態異常判定処理部２４または定常状態異常判定処理部２５で作成された過渡状態多変量データまたは定常状態多変量データに基づき、異常検知時のリンクモデルを構築する（ステップＳ４３）。次に、ＣＰＵは、正常時のリンクモデルと異常検知時のリンクモデルとの差分をとって、異常差分リンクモデルを構築する（ステップＳ４４）。
　以上の処理は、それぞれの状態モードごと、グループごとに行われる。また、グループ間でモデル構築を行う場合には、各グループ内に含まれる複数のデータ項目の時系列のセンサデータの項目間平均値の時系列データ、あるいは、項目間主成分値の時系列データを用いる。
　図１３は、リンクモデル構築処理によって構築された異常差分リンクモデルの例を示した図で、（ａ）は、過渡状態の異常差分リンクモデルの例、（ｂ）は、定常状態の異常差分リンクモデルの例である。異常差分リンクモデルは、異常時のリンクモデルと正常時のリンクモデルの差分であるから、そのデータ項目間あるいはグループ間を結ぶ矢印は、異常の伝播経路を表しているといえる。
＜異常原因推定処理＞
　異常原因推定処理は、異常原因推定処理部３２における処理であり、前記のリンクモデル構築処理で構築された異常差分リンクモデルに基づき、当該異常の原因を推定する処理である。図１３において、矢印は、原因と結果を結びつける情報であるから、ＣＰＵは、その矢印の上流側のデータ項目またはグループをトレースすることによって、異常の発生源を求めることができる。
　ちなみに、図１３（ａ）の過渡状態の異常差分リンクモデルでは、グループＧ３のデータ項目ＳＳ３２の上流は、データ項目ＳＳ３１である。データ項目ＳＳ３１の上流のデータ項目は存在しないが、グループＧ３に対しては、グループＧ１が上流のグループとなっている。そこで、グループＧ１の中を参照すると、データ項目ＳＳ１２およびデータ項目ＳＳ１３の上流として、データ項目ＳＳ１１が存在する。このとき、データ項目ＳＳ１１およびグループＧ１の上流となるものは存在しない。従って、グループＧ１のデータ項目ＳＳ１１が当該異常の原因であることが分かる。すなわち、グループＧ３のデータ項目ＳＳ３２の過渡状態のセンサデータに現れた異常挙動の根本原因は、データ項目ＳＳ１１の過渡状態のセンサデータの異常であることが分かる。
　一方、図１３（ｂ）の定常状態の異常差分リンクモデルには、因果関係を表す矢印が存在しない。これは、正常時と異常時とで同じリンクモデルが構築されたことを意味する。従って、定常状態では、異常が発生していないことを表している。
　なお、このように、状態モードごとに、あるいは、グループごとにリンクモデルを構築し、異常の根本原因をトレースする処理は、計算量や計算時間を低減する上で、大きな効果がある。
　以上のようにして、異常監視・診断装置１００は、過渡状態異常判定処理部２４または定常状態異常判定処理部２５により監視対象装置８の異常を検知し、異常原因推定処理部３２により、その異常の根本原因（故障箇所）を求めることができる。ただし、監視対象装置８の規模が大きくなった場合や、検知された異常の種類によっては、異常原因推定処理部３２により求められる根本原因が複数現れることがある。その場合には、異常原因推定処理部３２は、その複数の根本原因を根本原因（故障箇所）の候補として提示する。
　以上のようにして、監視対象装置８の異常が、過渡状態異常判定処理部２４または定常状態異常判定処理部２５により検知され、その根本原因が求められると、その結果は、監視・診断情報出力処理部４によって表示部４１に表示される。また、このときの異常差分リンクモデルを異常事例として、図示しない診断履歴ＤＢなどに蓄積しておき、適宜、過去の同一または類似の異常差分リンクモデルを構築した異常事例を、その発生時期などの付帯情報と共に検索して表示できるようにしておくとよい。
＜実施形態の効果＞
　以上、本発明の実施の形態によれば、異常監視・診断装置１００は、監視対象装置８の状態モード（始動過渡状態、運転定常状態、停止過渡状態）の遷移点を検出して、センサ８１から得られるセンサデータを、状態モード別に抽出して異常の判定を行うため、状態モード別に適切な異常判定基準を設定することができる。さらに、センサデータを識別するデータ項目を、グループに分類することにより、グループごとに適切な異常の判定基準を管理できるようになる。従って、本実施形態では、異常判定の精度を向上することができ、異常を発生初期の段階で見逃すことなく検知できる。また、その判定基準が適切かつ高精度であるため、正常状態を異常と判定する誤報の発生を防止することができる。
　また、異常検知に続いて行う故障原因の推定では、異常監視・診断装置１００は、状態モード別のデータ項目のセンサデータからそれぞれのグループごとに、グループ内でのデータ項目間リンクモデルを構築し、各グループの代表データに対するグループ間のリンクモデルを構築する。従って、異常検知したデータ項目の異常の原因を高速にトレースし、迅速にその根本原因（故障箇所）を診断することができる。
　＜適用可能な装置など＞
　以上に説明した実施形態では、監視対象装置８として熱電併給装置に代表されるエネルギー変換装置を想定してきたが、本発明が適用可能な装置は、熱電併給装置などのエネルギー変換装置に限定されるものではない。
　本発明は、例えば、燃料を燃焼させる代わりに、風力あるいは波力を運動エネルギーまたは電気エネルギーの少なくとも１つに変換する装置にも適用できる。この場合、計測すべきデータ項目には、風速、機械部品の運動速度、機械部品の振動、機械部品の加速度、機械部品の歪み、機械部品の音響、機械部品の摩耗量、潤滑油の成分、潤滑油の圧力、潤滑油の温度、電気部品の電圧、電気部品の電流、電気部品の周波数、環境の温度、環境の湿度、環境の気圧、電力系統の電圧、電力系統の電流、装置の稼働時間、部品の稼働時間、エネルギー変換装置の運動出力や電力出力、エネルギー変換効率などの少なくとも一部が含まれる。
　また、本発明は、地熱を運動エネルギー、熱エネルギー、または電気エネルギーの少なくとも１つに変換する装置にも適用できる。この場合、計測すべきデータ項目には、水蒸気供給量、水蒸気温度、水蒸気圧力、機械部品の運動速度、機械部品の振動、機械部品の加速度、機械部品の歪み、機械部品の音響、機械部品の摩耗量、潤滑油の成分、潤滑油の圧力、潤滑油の温度、電気部品の電力、電気部品の無効電力、電気部品の電圧、電気部品の電流、電気部品の周波数、環境の温度、環境の湿度、環境の気圧、電力系統の電圧、電力系統の電流、装置の稼働時間、部品の稼働時間、ネルギー変換装置における運動出力、熱出力、電力出力、エネルギー変換効率などの少なくとも一部が含まれる。
　また、本発明は、電気エネルギーを機械エネルギーに変換する電動機装置に適用できる。電動機装置の例としては、エレベータやエスカレータを代表とする昇降機、あるいは、ポンプや圧縮機を代表とするプラント装置、あるいは、旋盤やボール盤やフライス盤や研削盤を代表とする工作機械などがある。この場合、計測すべきデータ項目には、機械部品の運動速度、機械部品の振動、機械部品の加速度、機械部品の歪み、機械部品の音響、機械部品の摩耗量、潤滑油の成分、潤滑油の圧力、潤滑油の温度、電気部品の電力、電気部品の無効電力、電気部品の電圧、電気部品の電流、電気部品の周波数、環境の温度、環境の湿度、環境の気圧、装置の稼働時間、部品の稼働時間、機械部品の仕事量、機械部品の運動速度、機械部品の振動、機械部品の加速度、機械部品の歪み、機械部品の音響、機械部品の摩耗量、エネルギー変換効率などの少なくとも一部が含まれる。
　また、本発明は、電気エネルギーを機械エネルギーあるいはプラズマエネルギーに変換する半導体加工装置に適用できる。半導体加工装置の例として、半導体ＣＭＰ（化学的機械的研磨）装置や半導体エッチング装置や半導体成膜装置がある。この場合、計測すべきデータ項目には、機械部品の摩耗量、電気部品の電力、電気部品の無効電力、電気部品の電圧、電気部品の電流、電気部品の周波数、電気部品のインピーダンス、半導体ウェハの温度、処理室内環境の温度、処理室内環境の圧力、処理室内環境の発光、装置の稼働時間、部品の稼働時間、半導体の加工量、成膜量、半導体ウェハ面内の加工均一性、成膜均一性、エネルギー変換効率などの少なくとも一部が含まれる。
　１　　　センサデータ収集処理部（第１の処理部）
　２　　　異常監視処理部（第２の処理部）
　３　　　原因診断処理部（第３の処理部）
　４　　　監視・診断情報出力処理部
　５　　　記憶部
　６　　　保守支援装置
　７　　　通信ネットワーク
　８　　　監視対象装置
　１１　　センサデータＤＢ
　２１　　状態モード遷移点検出処理部
　２２　　状態モード別センサデータ抽出処理部
　２３　　データ項目グループ分類処理部
　２４　　過渡状態異常判定処理部
　２５　　定常状態異常判定処理部
　３１　　リンクモデル構築処理部
　３２　　異常原因推定処理部
　４１　　表示部
　４２　　異常検知初動管理者
　５１　　状態モード遷移点ＤＢ
　５２　　状態モード別センサデータ記憶部
　５３　　グループ分類データ記憶部
　５４　　過渡状態多変量データ記憶部
　５５　　定常状態多変量データ記憶部
　６１　　表示部
　６２　　保守作業者
　８１　　センサ
　８２　　ＢＯＭ
　８３　　デンドログラム
　８４　　クラスタ階層しきい値
　８５　　分割されたデンドログラム
　９１　　むだ時間遅れ
　９２　　むだ時間遅れ異常
　９３　　過渡振動異常
　１００　異常監視・診断装置（監視診断装置）
 

Claims (8)

  1. 　複数の部品で構成された監視対象装置から、前記複数の部品のそれぞれの物理状態の時間推移を表す時系列物理量を収集する第１の処理部と、
    　前記第１の処理部によって収集された前記複数の部品の時系列物理量を用いて、前記監視対象装置における異常を検知する第２の処理部と、
    　前記異常の原因を診断する第３の処理部と、
    　を含んで構成された監視診断装置であって、
    　前記第２の処理部は、
    　前記複数の部品の時系列物理量を識別するデータ項目を複数のグループに分類するデータ項目グループ分類処理と、
    　前記分類したグループごとに、そのグループに属するデータ項目で識別される前記部品の時系列物理量と当該部品の時系列物理量の統計データとに基づき、異常判定を行う異常判定処理と、
    　を実行し、
    　前記第３の処理部は、
    　前記分類したグループごとに、そのグループに属するデータ項目で識別される前記部品の時系列物理量相互の依存関係を表したデータ項目間リンクモデルと、前記グループの代表値相互の依存関係を表したグループ間リンクモデルと、からなるリンクモデルを構築するリンクモデル構築処理と、
    　前記異常判定処理で異常が検知される前の前記部品の時系列物理量に基づき構築されたリンクモデルと、前記異常判定処理で異常が検知されたときの前記部品の時系列物理量に基づき構築されたリンクモデルと、の差分リンクモデルに基づき、前記異常の原因を推定する異常原因推定処理と、
    　を実行すること
    　を特徴とする監視診断装置。
  2. 　前記第２の処理部は、さらに、
    　前記複数の部品の時系列物理量それぞれについて、その時系列物理量の状態モードの遷移点を検出する状態モード遷移点検出処理と、
    　前記検出した遷移点に基づき、前記部品の時系列物理量をそれぞれの状態モードごとに分割するとともに、その分割したそれぞれの前記部品の時系列物理量を状態モード別の時系列物理量として抽出する状態モード別時系列物理量抽出処理と、
    　を実行し、
    　前記リンクモデル構築処理および前記異常判定処理を、前記状態モード別時系列物理量抽出処理によって抽出された状態モード別の時系列物理量それぞれに対して実行し、
    　前記第３の処理部は、
    　前記リンクモデル構築処理および前記異常原因推定処理を、前記状態モード別時系列物理量抽出処理によって抽出された状態モード別の時系列物理量それぞれに対して実行すること
    　を特徴とする請求の範囲第１項に記載の監視診断装置。
  3. 　前記状態モード遷移点検出処理によって区分される状態モードは、始動中期間および停止中期間の過渡状態と、運転中期間の定常状態であること
    　を特徴とする請求の範囲第２項に記載の監視診断装置。
  4. 　前記リンクモデル構築処理において、２つのデータ項目または２つのグループ間の相互依存関係の有無を、それぞれのデータ項目で指定される時系列物理量同士、または、それぞれのグループの代表値同士の偏相関係数に基づき、判定すること
    　を特徴とする請求の範囲第１項に記載の監視診断装置。
  5. 　複数の部品で構成された監視対象装置から、前記複数の部品のそれぞれの物理状態の時間推移を表す時系列物理量を収集する第１の処理部と、
    　前記第１の処理部によって収集された前記複数の部品の時系列物理量を用いて、前記監視対象装置における異常を検知する第２の処理部と、
    　前記異常の原因を診断する第３の処理部と、
    　を含んで構成された監視診断装置における監視診断方法であって、
    　前記第２の処理部は、
    　前記複数の部品の時系列物理量を識別するデータ項目を複数のグループに分類するデータ項目グループ分類処理と、
    　前記分類したグループごとに、そのグループに属するデータ項目で識別される前記部品の時系列物理量と当該部品の時系列物理量の統計データとに基づき、異常判定を行う異常判定処理と、
    　を実行し、
    　前記第３の処理部は、
    　前記分類したグループごとに、そのグループに属するデータ項目で識別される前記部品の時系列物理量相互の依存関係を表したデータ項目間リンクモデルと、前記グループの代表値相互の依存関係を表したグループ間リンクモデルと、からなるリンクモデルを構築するリンクモデル構築処理と、
    　前記異常判定処理で異常が検知される前の前記部品の時系列物理量に基づき構築されたリンクモデルと、前記異常判定処理で異常が検知されたときの前記部品の時系列物理量に基づき構築されたリンクモデルと、の差分リンクモデルに基づき、前記異常の原因を推定する異常原因推定処理と、
    　を実行すること
    　を特徴とする監視診断方法。
  6. 　前記第２の処理部は、さらに、
    　前記複数の部品の時系列物理量それぞれについて、その時系列物理量の状態モードの遷移点を検出する状態モード遷移点検出処理と、
    　前記検出した遷移点に基づき、前記部品の時系列物理量をそれぞれの状態モードごとに分割するとともに、その分割したそれぞれの前記部品の時系列物理量を状態モード別の時系列物理量として抽出する状態モード別時系列物理量抽出処理と、
    　を実行し、
    　前記リンクモデル構築処理および前記異常判定処理を、前記状態モード別時系列物理量抽出処理によって抽出された状態モード別の時系列物理量それぞれに対して実行し、
    　前記第３の処理部は、
    　前記リンクモデル構築処理および前記異常原因推定処理を、前記状態モード別時系列物理量抽出処理によって抽出された状態モード別の時系列物理量それぞれに対して実行すること
    　を特徴とする請求の範囲第５項に記載の監視診断方法。
  7. 　前記状態モード遷移点検出処理によって区分される状態モードは、始動中期間および停止中期間の過渡状態と、運転中期間の定常状態であること
    　を特徴とする請求の範囲第６項に記載の監視診断方法。
  8. 　前記リンクモデル構築処理において、２つのデータ項目または２つのグループ間の相互依存関係の有無を、それぞれのデータ項目で指定される時系列物理量同士、または、それぞれのグループの代表値同士の偏相関係数に基づき、判定すること
    　を特徴とする請求の範囲第５項に記載の監視診断方法。
     
PCT/JP2011/060839 2010-05-20 2011-05-11 監視診断装置および監視診断方法 WO2011145496A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US13/699,018 US9378183B2 (en) 2010-05-20 2011-05-11 Monitoring diagnostic device and monitoring diagnostic method

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2010-116606 2010-05-20
JP2010116606A JP5427107B2 (ja) 2010-05-20 2010-05-20 監視診断装置および監視診断方法

Publications (1)

Publication Number Publication Date
WO2011145496A1 true WO2011145496A1 (ja) 2011-11-24

Family

ID=44991602

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2011/060839 WO2011145496A1 (ja) 2010-05-20 2011-05-11 監視診断装置および監視診断方法

Country Status (3)

Country Link
US (1) US9378183B2 (ja)
JP (1) JP5427107B2 (ja)
WO (1) WO2011145496A1 (ja)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5666757B1 (ja) * 2011-12-07 2015-02-12 タカドゥ リミテッド リソースネットワークモニタリングシステム内の関連事象を識別するためのシステム及び方法
RU2570486C1 (ru) * 2013-09-06 2015-12-10 Кизан Электроникс Ко., Лтд. Система анализа и оценки состояния устройства обработки банкнот
CN106462150A (zh) * 2014-05-20 2017-02-22 东芝三菱电机产业系统株式会社 制造设备诊断辅助装置
CN107949813A (zh) * 2016-02-03 2018-04-20 东芝三菱电机产业系统株式会社 制造设备诊断辅助装置及制造设备诊断辅助方法
JP2018073316A (ja) * 2016-11-04 2018-05-10 日立Ｇｅニュークリア・エナジー株式会社 プラントの診断システム及び診断方法
WO2018207225A1 (ja) * 2017-05-08 2018-11-15 株式会社日立製作所 時系列データの分析制御方法および分析制御装置
WO2019163141A1 (ja) * 2018-02-26 2019-08-29 株式会社日立情報通信エンジニアリング 状態予測装置および状態予測制御方法
US20210240174A1 (en) * 2018-09-27 2021-08-05 Hitachi, Ltd. Monitoring System and Monitoring Method
JP2021526675A (ja) * 2018-06-04 2021-10-07 セロニス エスイー 機械データについてプロセスプロトコルを提供する方法およびシステム
CN113826128A (zh) * 2019-05-20 2021-12-21 三菱电机株式会社 状态推定装置及状态推定方法
TWI765001B (zh) * 2017-04-05 2022-05-21 日商荏原製作所股份有限公司 半導體製造裝置、半導體製造裝置之故障預測方法、及半導體製造之故障預測程序
CN114881934A (zh) * 2022-04-13 2022-08-09 华南理工大学 一种基于神经网络的柔性ic基板表面缺陷分层分类方法
WO2023190458A1 (ja) * 2022-03-29 2023-10-05 住友重機械工業株式会社 支援装置、支援方法及び支援プログラム
JP7358679B1 (ja) * 2022-02-24 2023-10-10 株式会社日立ハイテク 診断装置及び診断方法並びに半導体製造装置システム及び半導体装置製造システム
US11914346B2 (en) 2018-06-04 2024-02-27 Celonis Se Method and system for providing process protocols for physical objects

Families Citing this family (52)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5726100B2 (ja) * 2012-02-08 2015-05-27 三菱電機株式会社 制御ロジック管理装置
JP5746128B2 (ja) 2012-12-04 2015-07-08 ファナック株式会社 保守部品の交換時期判断機能を有する工作機械
KR20150002346A (ko) * 2013-06-28 2015-01-07 삼성전기주식회사 사물통신 서버 및 그의 데이터 처리 방법
DE102013110151A1 (de) * 2013-09-16 2015-04-02 Airbus Defence and Space GmbH Verfahren zum Detektieren eines Fehlers in einer Anordnung, Detektionsvorrichtung und Flugkörper
JP2015072512A (ja) * 2013-10-01 2015-04-16 大阪瓦斯株式会社 プラント設備異常診断装置
JP2015076058A (ja) * 2013-10-11 2015-04-20 株式会社日立製作所 設備の監視診断装置
US20150316904A1 (en) * 2014-05-01 2015-11-05 Rockwell Automation Technologies, Inc. Systems and methods for adjusting operations of an industrial automation system based on multiple data sources
CN105653419B (zh) * 2014-11-11 2018-10-09 阿里巴巴集团控股有限公司 基于监控点的溯源实现方法及系统
US20180059656A1 (en) * 2015-03-12 2018-03-01 Hitachi, Ltd. Machine Diagnostic Device and Machine Diagnostic Method
US10122600B1 (en) 2015-05-29 2018-11-06 Alarm.Com Incorporated Endpoint data collection in battery and data constrained environments
JP6472339B2 (ja) * 2015-06-16 2019-02-20 株式会社日立製作所 効率低下要因分析装置及びプログラム
EP3109719A1 (en) * 2015-06-25 2016-12-28 Mitsubishi Electric R&D Centre Europe B.V. Method and device for estimating a level of damage of an electric device
JPWO2017109903A1 (ja) * 2015-12-24 2018-03-22 株式会社東芝 異常原因推定装置及び異常原因推定方法
TWI584232B (zh) * 2016-01-19 2017-05-21 台達電子工業股份有限公司 區域異常偵測系統及區域異常偵測方法
CN106979796B (zh) * 2016-01-19 2019-11-12 台达电子工业股份有限公司 区域异常检测系统及区域异常检测方法
WO2017150286A1 (ja) * 2016-02-29 2017-09-08 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、コンピュータ読み取り可能な記録媒体
JP6386488B2 (ja) * 2016-03-17 2018-09-05 ファナック株式会社 工作機械の稼働管理方法およびプログラム
JP6382892B2 (ja) 2016-07-27 2018-08-29 三菱日立パワーシステムズ株式会社 運転情報分析装置
JP6645934B2 (ja) 2016-08-25 2020-02-14 ファナック株式会社 セルコントロールシステム
JP7183790B2 (ja) * 2016-09-14 2022-12-06 日本電気株式会社 システムの分析支援装置、システムの分析支援方法及びプログラム
JP6105141B1 (ja) 2016-09-30 2017-03-29 株式会社日立パワーソリューションズ プリプロセッサおよび診断装置
JP6973445B2 (ja) * 2016-10-21 2021-11-24 日本電気株式会社 表示方法、表示装置、および、プログラム
WO2018073960A1 (ja) * 2016-10-21 2018-04-26 日本電気株式会社 表示方法、表示装置、および、プログラム
JP6386513B2 (ja) 2016-10-31 2018-09-05 ファナック株式会社 測定システム
JP6774636B2 (ja) * 2016-12-08 2020-10-28 日本電気株式会社 異常分析方法、プログラムおよびシステム
DE112017006733T5 (de) * 2017-02-09 2019-10-31 Mitsubishi Electric Corporation Fehlerfaktor-Schätzvorrichtung und Fehlerfaktor-Schätzverfahren
JP6920828B2 (ja) 2017-02-17 2021-08-18 三菱パワー株式会社 プラントの診断装置および診断方法
DE102017104884B4 (de) * 2017-03-08 2019-02-14 Mts Consulting & Engineering Gmbh System und Verfahren zum Bestimmen von Fehlerbildern aus Sensordaten in Produktvalidierungs- und Fertigungsprozessen
JP6418260B2 (ja) * 2017-03-08 2018-11-07 オムロン株式会社 要因推定装置、要因推定システム、および要因推定方法
WO2018173126A1 (ja) * 2017-03-21 2018-09-27 三菱電機株式会社 監視画面データ生成装置、監視画面データ生成方法、および監視画面データ生成プログラム
US11073825B2 (en) 2017-04-27 2021-07-27 Nec Corporation Causal relationship learning method, program, device, and anomaly analysis system
US10287131B2 (en) * 2017-06-05 2019-05-14 Otis Elevator Company Elevator drive control to protect drive components from moisture
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
JP7010641B2 (ja) * 2017-09-27 2022-01-26 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ 異常診断方法および異常診断装置
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
JP6950481B2 (ja) * 2017-11-17 2021-10-13 株式会社デンソー 診断システム
JP6994366B2 (ja) * 2017-11-28 2022-01-14 株式会社日立製作所 故障モード特定システム、故障モード特定方法、及びプログラム
KR102240993B1 (ko) 2018-03-20 2021-04-15 미쓰비시덴키 가부시키가이샤 표시 장치, 표시 시스템, 및 표시 화면 생성 방법
WO2020044533A1 (ja) * 2018-08-31 2020-03-05 東芝三菱電機産業システム株式会社 製造プロセス監視装置
JP6615963B1 (ja) * 2018-08-31 2019-12-04 株式会社日立パワーソリューションズ 異常予兆診断装置及び異常予兆診断方法
EP3850453A4 (en) * 2018-09-14 2022-06-15 ATS Automation Tooling Systems Inc. SYSTEM AND METHOD FOR MANAGING AUTOMATION EQUIPMENT
US11125653B2 (en) * 2018-10-11 2021-09-21 Palo Alto Research Center Incorporated Motion-insensitive features for condition-based maintenance of factory robots
CN113330379A (zh) * 2019-01-21 2021-08-31 三菱电机株式会社 异常原因推定装置、异常原因推定方法及程序
JP7366562B2 (ja) * 2019-03-22 2023-10-23 日産自動車株式会社 異常判定装置及び異常判定方法
US20220180676A1 (en) * 2019-04-08 2022-06-09 Volvo Truck Corporation System for analyzing data in a vehicle
CN110348536A (zh) * 2019-07-18 2019-10-18 广州大学 数据智能预测方法、装置、计算机设备及存储介质
JP7417376B2 (ja) * 2019-07-31 2024-01-18 アズビル株式会社 バルブメンテナンス支援装置および支援方法
US11548764B2 (en) * 2019-11-15 2023-01-10 Otis Elevator Company Selective wireless escalator data acquisition
JP6801131B1 (ja) * 2020-02-18 2020-12-16 三菱ケミカルエンジニアリング株式会社 診断装置、診断方法、及び診断プログラム
KR20220040695A (ko) * 2020-09-24 2022-03-31 삼성전자주식회사 전자장치 및 그 제어방법
JP2022074890A (ja) * 2020-11-05 2022-05-18 株式会社東芝 異常判定装置、学習装置及び異常判定方法
WO2022185771A1 (ja) * 2021-03-04 2022-09-09 三菱ケミカルエンジニアリング株式会社 診断装置、診断方法、及び診断プログラム

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05256741A (ja) * 1992-03-11 1993-10-05 Toshiba Corp プラント信号監視方法およびその装置
JPH064789A (ja) * 1992-06-22 1994-01-14 Hitachi Ltd 機器の異常監視方法および装置
JP2000311012A (ja) * 1999-04-27 2000-11-07 Toshiba Corp プロセスデータ評価方法および装置、静特性データ抽出方法および装置、ならびにプログラムを記憶した記憶媒体
JP2005165375A (ja) * 2003-11-28 2005-06-23 Hitachi Ltd 設備の診断装置及び診断方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4239932B2 (ja) 2004-08-27 2009-03-18 株式会社日立製作所 生産管理システム
US8176525B2 (en) * 2006-09-29 2012-05-08 Rockstar Bidco, L.P. Method and system for trusted contextual communications
JP5108116B2 (ja) 2009-01-14 2012-12-26 株式会社日立製作所 装置異常監視方法及びシステム
JP5297272B2 (ja) 2009-06-11 2013-09-25 株式会社日立製作所 装置異常監視方法及びシステム
AU2011265563B2 (en) * 2010-12-24 2016-09-22 Commonwealth Scientific And Industrial Research Organisation System and method for detecting and/or diagnosing faults in multi-variable systems

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05256741A (ja) * 1992-03-11 1993-10-05 Toshiba Corp プラント信号監視方法およびその装置
JPH064789A (ja) * 1992-06-22 1994-01-14 Hitachi Ltd 機器の異常監視方法および装置
JP2000311012A (ja) * 1999-04-27 2000-11-07 Toshiba Corp プロセスデータ評価方法および装置、静特性データ抽出方法および装置、ならびにプログラムを記憶した記憶媒体
JP2005165375A (ja) * 2003-11-28 2005-06-23 Hitachi Ltd 設備の診断装置及び診断方法

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5666757B1 (ja) * 2011-12-07 2015-02-12 タカドゥ リミテッド リソースネットワークモニタリングシステム内の関連事象を識別するためのシステム及び方法
RU2570486C1 (ru) * 2013-09-06 2015-12-10 Кизан Электроникс Ко., Лтд. Система анализа и оценки состояния устройства обработки банкнот
CN106462150A (zh) * 2014-05-20 2017-02-22 东芝三菱电机产业系统株式会社 制造设备诊断辅助装置
CN107949813A (zh) * 2016-02-03 2018-04-20 东芝三菱电机产业系统株式会社 制造设备诊断辅助装置及制造设备诊断辅助方法
JP2018073316A (ja) * 2016-11-04 2018-05-10 日立Ｇｅニュークリア・エナジー株式会社 プラントの診断システム及び診断方法
TWI765001B (zh) * 2017-04-05 2022-05-21 日商荏原製作所股份有限公司 半導體製造裝置、半導體製造裝置之故障預測方法、及半導體製造之故障預測程序
US11113364B2 (en) 2017-05-08 2021-09-07 Hitachi, Ltd. Time series data analysis control method and analysis control device
WO2018207225A1 (ja) * 2017-05-08 2018-11-15 株式会社日立製作所 時系列データの分析制御方法および分析制御装置
JPWO2018207225A1 (ja) * 2017-05-08 2020-03-12 株式会社日立製作所 時系列データの分析制御方法および分析制御装置
WO2019163141A1 (ja) * 2018-02-26 2019-08-29 株式会社日立情報通信エンジニアリング 状態予測装置および状態予測制御方法
JPWO2019163141A1 (ja) * 2018-02-26 2020-02-27 株式会社日立情報通信エンジニアリング 状態予測装置および状態予測制御方法
JP2021526675A (ja) * 2018-06-04 2021-10-07 セロニス エスイー 機械データについてプロセスプロトコルを提供する方法およびシステム
JP7150057B2 (ja) 2018-06-04 2022-10-07 セロニス エスイー 機械データについてプロセスプロトコルを提供する方法およびシステム
US11747790B2 (en) 2018-06-04 2023-09-05 Celonis Se Method and system of providing process protocols for machine data
US11914346B2 (en) 2018-06-04 2024-02-27 Celonis Se Method and system for providing process protocols for physical objects
US20210240174A1 (en) * 2018-09-27 2021-08-05 Hitachi, Ltd. Monitoring System and Monitoring Method
US11796989B2 (en) * 2018-09-27 2023-10-24 Hitachi, Ltd. Monitoring system and monitoring method
CN113826128A (zh) * 2019-05-20 2021-12-21 三菱电机株式会社 状态推定装置及状态推定方法
CN113826128B (zh) * 2019-05-20 2023-08-08 三菱电机株式会社 状态推定装置及状态推定方法
JP7358679B1 (ja) * 2022-02-24 2023-10-10 株式会社日立ハイテク 診断装置及び診断方法並びに半導体製造装置システム及び半導体装置製造システム
WO2023190458A1 (ja) * 2022-03-29 2023-10-05 住友重機械工業株式会社 支援装置、支援方法及び支援プログラム
CN114881934A (zh) * 2022-04-13 2022-08-09 华南理工大学 一种基于神经网络的柔性ic基板表面缺陷分层分类方法

Also Published As

Publication number Publication date
JP2011243118A (ja) 2011-12-01
US20130132000A1 (en) 2013-05-23
US9378183B2 (en) 2016-06-28
JP5427107B2 (ja) 2014-02-26

Similar Documents

Publication Publication Date Title
JP5427107B2 (ja) 監視診断装置および監視診断方法
JP5945350B2 (ja) 設備状態監視方法およびその装置
JP5753286B1 (ja) 情報処理装置、診断方法、およびプログラム
JP5431235B2 (ja) 設備状態監視方法およびその装置
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
JP5501903B2 (ja) 異常検知方法及びそのシステム
JP4741172B2 (ja) 予測状態監視における変化状態の適応モデリング
KR101995042B1 (ko) 감독 학습 방법론들을 활용하는 가스 터빈 고장 예측
JP5530020B1 (ja) 異常診断システム及び異常診断方法
JP6076421B2 (ja) 設備状態監視方法およびその装置
JP5530045B1 (ja) ヘルスマネージメントシステム及びヘルスマネージメント方法
WO2010095314A1 (ja) 異常検知方法及び異常検知システム
CN108829933A (zh) 一种半导体制造设备的预测性维护与健康管理的方法
US20120136629A1 (en) Apparatus abnormality monitoring method and system
JP2012089057A (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
JP2015088078A (ja) 異常予兆検知システム及び異常予兆検知方法
JP2015114967A (ja) 異常検知方法およびその装置
JP2014032455A (ja) 設備状態監視方法およびその装置
CN107710089B (zh) 工厂设备诊断装置以及工厂设备诊断方法
Jalali et al. Predicting time-to-failure of plasma etching equipment using machine learning
US20190265088A1 (en) System analysis method, system analysis apparatus, and program
Sanayha et al. Fault detection for circulating water pump using time series forecasting and outlier detection
KR20220164976A (ko) 머신러닝 기반 클린룸 관리 시스템 및 방법
Giannoulidis et al. Investigating thresholding techniques in a real predictive maintenance scenario
King et al. Probabilistic approach to the condition monitoring of aerospace engines

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: 11783430

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 13699018

Country of ref document: US

122 Ep: pct application non-entry in european phase

Ref document number: 11783430

Country of ref document: EP

Kind code of ref document: A1