WO2013024613A1 - 異常検知・診断方法、および異常検知・診断システム - Google Patents

異常検知・診断方法、および異常検知・診断システム Download PDF

Info

Publication number
WO2013024613A1
WO2013024613A1 PCT/JP2012/063879 JP2012063879W WO2013024613A1 WO 2013024613 A1 WO2013024613 A1 WO 2013024613A1 JP 2012063879 W JP2012063879 W JP 2012063879W WO 2013024613 A1 WO2013024613 A1 WO 2013024613A1
Authority
WO
WIPO (PCT)
Prior art keywords
abnormality
data
equipment
plant
sign
Prior art date
Application number
PCT/JP2012/063879
Other languages
English (en)
French (fr)
Inventor
前田　俊二
渋谷　久恵
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 US14/239,114 priority Critical patent/US20140195184A1/en
Publication of WO2013024613A1 publication Critical patent/WO2013024613A1/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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
    • G01D18/002—Automatic recalibration
    • G01D18/006—Intermittent recalibration
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • 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
    • G05B21/00—Systems involving sampling of the variable controlled
    • G05B21/02—Systems involving sampling of the variable controlled electric
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold

Definitions

  • the present invention relates to an abnormality detection / diagnosis method and an abnormality detection / diagnosis system for detecting and diagnosing an abnormality in a plant or equipment at an early stage.
  • Electric power companies use waste heat from gas turbines to supply hot water for district heating and supply high-pressure steam and low-pressure steam to factories.
  • Petrochemical companies operate gas turbines and other power sources. In various plants and facilities using gas turbines, it is extremely important to discover the abnormality at an early stage, diagnose the cause, and take countermeasures to minimize damage to society. is there.
  • Patent Document 1 and Patent Document 2 describe that abnormality detection is performed mainly for the engine.
  • the past data is stored as a database (DB)
  • the similarity between the observation data and the past learning data is calculated by an original method
  • the estimated value is calculated by linear combination of the data with high similarity
  • Patent Document 3 describes an example in which abnormality detection is detected by k-means clustering.
  • Non-Patent Document 2 and Patent Document 4 describe that failure histories and work histories are stored in a database and can be searched, thereby obtaining useful knowledge about maintenance.
  • Non-Patent Document 3 describes the Gaussian process.
  • a system that monitors observation data and compares it with a set threshold value to detect an abnormality is often used.
  • the threshold value is set by paying attention to the physical quantity of the measurement object that is each observation data, it can be said that it is design-based abnormality detection.
  • This method is difficult to detect anomalies that are not intended by the design, and may be missed.
  • the set threshold value cannot be said to be appropriate due to the operating environment of the equipment, the state change due to the operating years, operating conditions, the influence of parts replacement, and the like.
  • an estimated value is calculated by linear combination of observation data and data having high similarity for the learning data, and the estimated value and observation are calculated. Since the degree of data divergence is output, depending on the preparation of the learning data, it is possible to consider the operating environment of the equipment, state changes depending on the operating years, operating conditions, influence of parts replacement, and the like.
  • a failure history and work history are stored in a database and can be searched, and through this, a useful knowledge regarding maintenance is acquired (according to Patent Document 4, a maintenance medical record).
  • a maintenance medical record System to display).
  • information relating to a failure history or work history can be linked (associated) with each other through a search, and is provided in a form in which the information can be seen.
  • Patent Document 6 describes a maintenance plan that takes into account risks and costs.
  • association between the abnormality detection and the maintenance history information is unclear, and it is difficult to say that the maintenance information stored in the system can be used effectively.
  • a simple search function does not always succeed in linking failure histories and work histories themselves.
  • Such maintenance information is generally a variety of information distributed in many cases and is often a list of ambiguous words.
  • the method that depends only on the search from the detected anomaly including the sign of the anomaly, the past information is investigated, the cause is identified, what countermeasures are taken, what should be done this time, etc.
  • an object of the present invention is to detect abnormality (including a sign) newly generated using abnormality detection information targeting sensing data and maintenance history information including past cases such as work history and replacement part information. To provide an abnormality detection / diagnosis method and system capable of accurately diagnosing.
  • the purpose is to present a method of visualizing the diagnosis results and rotating the PDCA cycle for improving the sensitivity of abnormality detection and improving the accuracy of diagnosis.
  • the present invention associates maintenance history information consisting of past cases such as work history and replacement parts information with the appearance frequency of keywords, the connection relationship between keywords, and the frequency thereof.
  • maintenance history information consisting of past cases such as work history and replacement parts information with the appearance frequency of keywords, the connection relationship between keywords, and the frequency thereof.
  • Keywords paired with other keywords either before or after are called composite keywords
  • maintenance history associated with detected anomalies based on anomaly detection for multidimensional sensor output signals added to equipment
  • keywords the connection relationship between keywords and their appearance frequency are treated as context patterns.
  • the context-oriented abnormality diagnosis that utilizes the context by acquiring the context that considers the actual usage situation from the main keywords that represent the work related to maintenance, including anomaly detection, etc. Realize.
  • abnormality detection is performed using operation information such as equipment operation time and the output signals of multiple sensors added to the equipment, and past measures such as work history and replacement parts information are used.
  • operation information such as equipment operation time and the output signals of multiple sensors added to the equipment
  • past measures such as work history and replacement parts information are used.
  • the detected anomalies are linked (associated) with countermeasures, and the anomalies that require action while linking the anomaly detection with past maintenance histories and referring to the equipment chart.
  • the maintenance history information includes any of operation information such as on-call data, work report, adjustment / replacement part code, image information, sound information, and operation time, and the appearance frequency of a keyword determined from the maintenance history information.
  • operation information such as on-call data, work report, adjustment / replacement part code, image information, sound information, and operation time, and the appearance frequency of a keyword determined from the maintenance history information.
  • an abnormality detection / diagnosis system for detecting an abnormality or a sign of a plant or equipment and diagnosing the plant or equipment is acquired from a plurality of sensors attached to the plant or equipment.
  • Maintenance history information consisting of information such as countermeasures for the plant or equipment
  • an abnormality detection unit that detects abnormalities or signs of abnormalities in the plant or equipment for the sensor data and / or operation data such as operation time and operation time
  • the abnormality detection part associates the abnormality of the plant or equipment or the previous measure with the past countermeasure, and the result of the association
  • a diagnosis unit for classifying and presenting abnormalities or signs of abnormalities that require countermeasures.
  • the maintenance history information stored in the database unit includes any of operation information such as on-call data, work report, adjustment / replacement part code, image information, sound information, and operation time.
  • the appearance frequency of the keyword determined from the maintenance history information and the number and frequency of connection with other keywords are calculated to obtain a pattern with a high appearance frequency, and the obtained pattern with a high appearance frequency is used as a category to be detected by the plant or equipment.
  • sensor data and operation data indicating abnormalities or abnormal signs are classified, and abnormalities or abnormal signs requiring countermeasures are classified and presented based on the classified results.
  • a huge amount of maintenance history information existing in the field can be organized in relation to an abnormality, and a quick response can be determined from the viewpoint of necessary countermeasures and adjustments for the anomalies and signs that have occurred.
  • An appropriate instruction can be given to the maintenance worker. Since the situation where the maintenance history information is used can be accurately expressed as a context pattern and can be collated, the accumulated maintenance history information can be reused.
  • the abnormality that requires action is classified and presented while linking the detected abnormality with the past maintenance history and referring to the equipment chart of the corresponding equipment, so that the accuracy of diagnosis can be improved.
  • the drill blade breakage (chipping) during drilling such as deterioration and life of the mounted battery, early detection of abnormalities in various facilities / parts, high accuracy, and diagnosis / treatment to be performed are clear. It becomes.
  • the present invention can also be applied to the case of measuring and diagnosing a human body.
  • FIG. 1 is a block diagram showing an example of equipment, a multidimensional time series signal, and an event signal targeted by the abnormality detection system of the present invention.
  • FIG. 2 is a signal waveform graph showing an example of a multidimensional time series signal.
  • FIG. 3A is a block diagram illustrating an example of detailed information of the maintenance history.
  • FIG. 3B is a block diagram illustrating an example of an association between a phenomenon, a cause, and a treatment.
  • FIG. 4A shows an embodiment of the present invention, in which maintenance history information consisting of past cases such as work history and replacement parts information is associated with each other on a keyword basis, and an output signal of a multidimensional sensor added to equipment is targeted.
  • FIG. 5 is an example showing a flow of processing for detecting an abnormality based on the abnormality detection described above, and linking the detected abnormality with maintenance history information associated with the detected abnormality.
  • FIG. 4B is a graph showing a frequency pattern of a failure phenomenon that has led to valve replacement.
  • FIG. 4C is a block diagram illustrating that the signs detected during learning are classified according to phenomena and countermeasures.
  • FIG. 4D is a block diagram illustrating that the signs detected during operation are classified according to phenomena and countermeasures.
  • FIG. 4E is a graph showing a joint histogram of countermeasures against abnormal events and showing countermeasures with higher frequency in descending order of frequency.
  • FIG. 5 is a table showing an example of occurrence of alarm, presence / absence of field survey, contents of treatment, reset, adjustment, parts replacement, take-out survey, and the like.
  • FIG. 6 is a parts table, which is an example of a unit, a part number, and a part name.
  • FIG. 7A is a correspondence table between phenomena and objects of adjustment / replacement parts, and represents a frequency based on linking (association).
  • FIG. 7B is a correspondence table between phenomena and objects of adjustment / replacement parts, and is a graph showing the frequency based on pegging.
  • FIG. 8A is a flowchart showing a processing flow of a method for detecting an abnormality based on a case base.
  • FIG. 8B is a errata table for representing the performance of abnormality sign detection.
  • FIG. 9A is a graph showing the cumulative value of the operating time of two facilities.
  • FIG. 9B is a graph showing the accumulated time values of sensor signals of two facilities.
  • FIG. 10A is a graph obtained by normalizing the accumulated time value of the sensor signal with the operation time.
  • FIG. 10B is a graph showing the relationship between the operating time correction value and the operating time.
  • FIG. 11A is a block diagram showing the configuration of the abnormality detection system of the present invention.
  • FIG. 11B is a table showing an example of an equipment chart created by the abnormality detection system of the present invention.
  • FIG. 12 is a block diagram for explaining a case-based anomaly detection method using a plurality of discriminators.
  • FIG. 12 is a block diagram for explaining a case-based anomaly detection method using a plurality of discriminators.
  • FIG. 13A is a diagram for explaining the projection distance method in the subspace method which is an example of a classifier.
  • FIG. 13B is a diagram for explaining the local subspace method among the subspace methods which are examples of the classifier.
  • FIG. 13C is a diagram for explaining the mutual subspace method among the subspace methods which are examples of the classifier.
  • FIG. 14A is a diagram for explaining selection of learning data by the subspace method.
  • FIG. 14B is a graph showing the frequency distribution of the distance of the learning data viewed from the observation data.
  • FIG. 15 is a table illustrating various feature conversions as a list.
  • FIG. 16 is a diagram of a three-dimensional space for explaining the trajectory of the residual vector calculated by the subspace method.
  • FIG. 17 is a block diagram showing a configuration around a processor for executing the present invention.
  • FIG. 18A is a block diagram illustrating a configuration in which an abnormality is detected by processing a sensor signal with a processor and performing feature extraction / classification of a time-series signal.
  • FIG. 18B is a block diagram showing the configuration of the abnormality prediction / diagnosis system 100.
  • FIG. 19 is a diagram illustrating a network relationship of each sensor signal.
  • FIG. 20 is a flowchart showing the details of the maintenance history information and the association of the maintenance history information according to the present invention.
  • FIG. 21A is a diagram illustrating an appearance of a drill for drilling, which is another object of the present invention.
  • FIG. 21B is a block diagram showing a schematic configuration of a system that monitors with a camera and a microphone the state of processing a sample with a drill for drilling, which is another object of the present invention.
  • the present invention relates to an abnormality detection / diagnosis system that detects and diagnoses an abnormality of a plant or equipment at an early stage or diagnoses it, and when performing abnormality detection, generates substantially normal learning data, The abnormal measure of the observation data by the method etc. is calculated, the abnormality is judged, the type of abnormality is specified, and the occurrence time of the abnormality is estimated.
  • compound keywords of a group of documents such as maintenance history are extracted and associated with the combined keywords through image classification and the like.
  • a diagnosis model that expresses the association between the abnormality and the composite keyword as a frequency pattern is generated, and the diagnosis / treatment to be performed for the detected abnormality sign is clarified using the diagnosis model.
  • FIG. 1 shows an overall configuration including an abnormality detection / diagnosis system 100 of the present invention.
  • an abnormality includes not only an abnormality but also a sign of the abnormality.
  • Reference numerals 101 and 102 denote facilities targeted by the abnormality detection / diagnosis system 100 of the present invention, and each of the facilities 101 and 102 is provided with a multidimensional time series signal acquisition unit 103 composed of various sensors.
  • the sensor signal 104 acquired by the multi-dimensional time series signal acquisition unit 103 and the event signal 105 indicating an alarm or power on / off are input to the abnormality detection / diagnosis system 100 according to the present invention and processed.
  • the multidimensional time series sensing data 106 and the event signal 107 are obtained from the sensor signal 104 acquired by the multidimensional time series signal acquisition unit 103, and these data are processed and the equipment 101 is processed. Detects and diagnoses abnormalities in and. There are tens to tens of thousands of types of sensor signals 104 acquired by the multidimensional time series signal acquisition unit 103. The type of sensor signal 104 acquired by the multidimensional time-series signal acquisition unit 103 is determined in consideration of various costs depending on the scale of the equipment 101 and 102, social damage when the equipment breaks down, and the like.
  • the object to be handled by the abnormality detection / diagnosis system 100 is the multi-dimensional / time-series sensor signal 104 acquired by the multi-dimensional time-series signal acquisition unit 103, and the generated voltage, exhaust gas temperature, cooling water temperature, cooling water pressure, operation For example, operating hours including time.
  • the installation environment is also monitored. There are various sensor sampling timings ranging from several tens of ms to several tens of seconds.
  • the event signal 104 and the event data 105 are composed of the operating state of the equipment 101 or 102, failure information, maintenance information, and the like.
  • FIG. 2 shows sensor signals 104-1 to 104-4 arranged with time on the horizontal axis.
  • FIG. 3A shows the details 301 of the maintenance history information of the abnormality detection / diagnosis system 100.
  • the alarm notification 302 the on-call data 303, the maintenance work history data 304, and the parts arrangement data 305 are maintained. It is shown in association with history information.
  • on-call data 303 means telephone contact data. These pieces of information are stored in a database (DB) (121 in FIG. 17).
  • DB database
  • 3A indicates that information is linked from upstream to downstream. This arrow can be traced from downstream.
  • a search based on keywords is used.
  • search is an effective technique, it is necessary to have a searchable database (DB) structure.
  • DB searchable database
  • the search situation is a simple collation, it can be used easily.
  • FIG. 3B is a diagram showing the association of maintenance history information, and shows work keywords such as phenomenon 321, cause 322, and action 323 searched from case data 320 stored in a database (DB) (121 in FIG. 17).
  • the phenomenon 321 includes an alarm 3211, a malfunction (such as image quality) 3212, and an operation defect 3213, and has a more detailed classification.
  • the cause 322 corresponds to the failure part identification 3221.
  • the treatments 323 include those that have been corrected by restarting (not completely corrected) 3231, those that require adjustment 3232, and those that have led to component replacement 3233. In this case as well, the correspondence can be expressed using arrows.
  • FIG. 4A shows maintenance history information consisting of past cases such as work history and replacement part information, which are associated with each other on a keyword basis, and based on anomaly detection targeting an output signal of a multidimensional sensor added to equipment.
  • This is an example of a mechanism that detects an abnormality, links maintenance history information associated with the detected abnormality, evaluates the accuracy of the combined result, and improves diagnosis accuracy.
  • the relationship between keywords and their appearance frequency are treated as context patterns.
  • the bug-of-words method is a technique that should be referred to as feature packaging, and ignores the order of occurrence of information (features), positional relationship, and the like.
  • keywords, codes, word occurrence frequencies, and histograms are created from alarm reports, work reports, replacement part codes, etc., and the distribution shape of the histogram is regarded as a feature and classified into categories.
  • the feature of this method is that, unlike the one-to-one search described in Non-Patent Document 2, a plurality of information can be handled simultaneously. It can also handle free descriptions, can easily handle changes such as information additions and deletions, and is strong against format changes such as work reports. Even if a plurality of treatments are performed or wrong treatments are included, the robustness is high because attention is paid to the distribution shape of the histogram. Similarly, sensor signals are also classified into a plurality of categories. This category becomes a keyword.
  • connectivity is considered for the order of multiple keywords. That is, in a normal morphological analysis, only nouns are extracted from a text document by dividing it into words, and for each word, the types of words connected before and after are counted, and WL type and WR type are used, respectively (WL + 1) X (WR + 1) is regarded as the importance of the word, and the importance of the compound word is obtained by multiplying the product of the importance of the words constituting the compound word by (1 / word number) and multiplying the frequency as the compound word. Calculate as a thing. This also makes it possible to rank by the importance of keywords. Examples of countermeasures can be extracted in the maintenance history document according to the symptoms of the equipment.
  • Such an expression represents a situation where maintenance has been performed since the occurrence of an abnormal sign, and is also referred to as “context”. What is context? Under what circumstances was the information useful? What did you use to solve it? What is the reason for using it? What are you focusing on? What is the relationship with other information? And so on.
  • the example shown in FIG. 4A is an example of linking with attention to the frequency. This will be explained using an example of parts replacement.
  • the replacement part record 405 (corresponding to the part replacement 3233 in FIG. 3B) is automatically accessed as the details 402 of the maintenance history information.
  • the details 402 of the maintenance history information For example, consider an example in which a valve is replaced.
  • the name of the replacement valve (part name), the part code (part number), the date, etc. are used as keywords.
  • a parts table or the like is normally prepared. Therefore, the parts table is accessed, and a keyword is added to the name of the unit to which the replacement part belongs.
  • the work report 404 describes the circumstances leading to the replacement of the above parts, and the alarm name, symptom name, confirmation location, adjustment location, etc. described in the action details (restart, adjustment, parts replacement) are keywords. Added. Moreover, the information of the on-call data 403 is also used as needed. The details 402 of the maintenance history information are used to create the table 420 in association with the information of the maintenance parts management 406 as necessary.
  • the alarm name is issued by remote monitoring of the equipment.
  • the information belongs to the sensor signal / operation data 410 shown on the left side.
  • the alarm name refers to a name indicating an abnormality such as a decrease in water pressure, an increase in pressure, an excessive number of revolutions, an abnormal sound, or a poor image quality. It is also expressed in codes such as numbers.
  • the phenomenon diagnosis is performed on the remote monitoring side, the result of the phenomenon diagnosis performed at 411 is also added to the keyword.
  • the phenomenon diagnosis result represents the presence or absence of correlation between the monitored sensor signals and the phase relationship. These are converted into keywords or quantified (which can also be referred to as quantification of the grounds) and used as diagnosis results.
  • the subject is not anomalous and may be in its predictive stage.
  • the histograms of the plurality of keywords, that is, codebooks are tabulated in a table format 420 as shown in FIG. 4A.
  • the appearance frequency becomes high in the column of the valve 421 that has been exchanged in the table.
  • the lower total column 425 is 21% for valves.
  • the frequency is normalized and expressed as a percentage (%), but the frequency itself may be used.
  • a more reliable table can be generated by summing up the cases that resulted in the same type of valve replacement. In this way, a diagnostic model reflecting past cases is completed. In the bug of words method (bag of words), this frequency pattern is regarded as a feature amount.
  • the frequency pattern in the valve column represents the frequency for a plurality of phenomena when the valve is replaced.
  • the keywords and codebook are given by the designers and maintenance workers and stored in the maintenance history information 401. However, weights may be given in view of their importance. Weights may be given using a time relationship between keywords such as early and late, or a selection criterion. As described above, regarding the order of a plurality of keywords, for each word, the type and frequency of the word connected before and the word connected later are counted, and the connectivity and relationship are taken into consideration. As described above, when keywords are combined, it is possible to extract more accurate countermeasure examples in accordance with the symptom of the facility in the maintenance history document.
  • the abnormality type is determined from the sensor signal viewpoint.
  • the abnormality name is a pressure drop.
  • the probability of valve replacement is 10%, which indicates that the rate is higher than others. Will be confirmed.
  • the table 420 is further used.
  • the phenomenon is complicated, and even if the abnormal name is pressure drop, it is considered that there are many cases where parts other than the valve are replaced. Therefore, focusing on the frequency pattern representing the failure phenomenon 427 (the frequency 420 of the water temperature decrease 426 and the pressure increase 424 in the model 420 of FIG. 4A) (for each phenomenon, as shown in FIG. 4B, the valve was replaced.
  • the frequency pattern 430 of the failure phenomenon is generated.
  • the vertical axis represents the frequency
  • the horizontal axis represents the type of the failure phenomenon, and the degree of contribution to the failure phenomenon.
  • the valve frequency pattern that is, the valve 421 is selected.
  • the horizontal axis represents the failure phenomenon that resulted in the valve replacement, but it is also possible to make the content of countermeasures, confirmation points, adjustment points, etc. items on the horizontal axis.
  • the degree of contribution to the failure phenomenon is the degree of deviation from the normal state of each sensor signal (104 in FIG. 2).
  • the observed and diagnosed data has a certain pattern, not frequency.
  • information can be used not only as the contribution level but also as the frequency of the contribution level, which is a temporal count. If attention is paid to the time series change of the residual vector shown in FIG. 16 described later and this is handled as the occurrence frequency within a certain time window, it can be handled as frequency information / frequency pattern.
  • the method based on the frequency pattern described above is not a simple process such as “Yes” or “None”, but pays attention to the form of distribution. Therefore, the method based on a simple search has extremely high flexibility and robustness compared to a method based on simple search.
  • the on-site diagnostic work can be carried out smoothly and the working time can be greatly reduced.
  • the equipment restoration time can be greatly shortened.
  • the frequency pattern is the type of failure phenomenon, but any information can be used as long as it can be used, such as the confirmation site, adjustment location, on-call information, replacement parts, and the cause that was found. This is also why the bug of words method (bag of words) focusing on frequency can be used. Also, when there are many items on the horizontal axis, it can be said that the dimension is high, so it is effective to reduce the dimension. It can be said that normal pattern recognition methods such as principal component analysis, independent component analysis, and feature quantity selection can be used effectively. Normalization techniques such as whitening can also be used.
  • a replacement part is shown as a classification viewpoint, but there may be other classification viewpoints, and other definition categories, for example, confirmation points of numerical values and states
  • a table (diagnostic model) 420 may be created with the adjustment points such as setting dials such as resistance values and setting times as horizontal axes. That is, a plurality of diagnosis models divided into a plurality of sheets are used according to the purpose, situation, and user. Pattern statistics methods other than the bug of words method can also be used.
  • the hit rate evaluation 429 of the countermeasure instruction in FIG. 4A evaluates whether or not the diagnosis result actually matches.
  • the hit rate is displayed so that the abnormality detection and diagnosis can be improved so that the hit rate increases.
  • the determination threshold value is adjusted in the sensitivity of abnormality detection, for example, in the if then format in which the sensor signal is compared with the determination threshold value. The same applies to case-based abnormality detection.
  • the pattern recognition method described later if overdetection occurs, it can be taught that these are normal data.
  • the accuracy of diagnosis can be visualized for abnormalities for which countermeasures are meaningless or where the effects of countermeasures are small, so that improvement can be achieved.
  • the PDCA cycle of abnormality detection and diagnosis can be turned based on objective numerical values.
  • This diagnostic model can also be used as educational information for beginners. Furthermore, based on the diagnostic model, it can be reflected in the maintenance work procedure manual.
  • the phenomenon classification 432 is also important.
  • the phenomenon classification referred to here is to define a keyword (category) for an abnormality obtained from the sensor signal 410 from the viewpoint of treatment such as adjustment or replacement.
  • the defined keyword (category) is added or modified and used in the diagnostic model 413.
  • keywords (categories) are added to abnormalities and their signs according to the result of the phenomenon classification. If there is an increase in water pressure, the simplest case is to add the keyword (category) of water pressure increase.
  • keywords (categories) can be automatically added according to classification based on decision trees such as C4.5. A keyword is added according to a phenomenon, but when a type of adjustment or exchange is found, the keyword (category) is grouped or subdivided to add a new keyword (category).
  • the phenomenon classification needs to be editable.
  • the maintenance history information 401 shown in FIG. 4A should be called EAM related to maintenance.
  • EAM is an acronym for enterprise asset management and is also called enterprise asset management / equipment asset management.
  • 4A refers to a business improvement solution that visualizes, standardizes, and streamlines the asset itself and the business related to it by centrally managing various information related to equipment assets held by the company throughout its life cycle.
  • EAM Such maintenance EAM includes not only document management such as maintenance history information 401 but also abnormality sign detection, diagnosis, and maintenance part plan. Note that the maintenance parts plan optimizes inventory management of maintenance parts when performing maintenance based on the diagnosis result.
  • FIG. 4 is a block diagram showing that the feature extraction classification 442, 442 ′ is generated in accordance with 444 and the identification rule 443 or the classification result 445 is created.
  • FIG. 4C is a learning time
  • FIG. 4D is an operation time
  • the sensor data 310 is subjected to feature extraction classification 442, 442 'according to the phenomenon and countermeasure information 444.
  • the classification can use a normal classifier such as a support vector machine, k-NN, or decision tree.
  • the section is determined so as to include the abnormal sign. However, from the abnormal sign time point, a section such as 1/2 including the abnormal sign time point and 1/4 including the abnormal sign time point is selected.
  • FIG. 4E is a graph in which a joint histogram of countermeasures against abnormal events is acquired to represent the relationship between abnormality and countermeasures, and countermeasures (categories) with higher frequency are shown on the horizontal axis in descending order of frequency.
  • the vertical axis represents frequency.
  • sensor data when an abnormality occurs is acquired and learned by the method shown in FIG. 4C (determining device parameters are determined).
  • FIG. 4E alone leads to the priority order of measures, and it is meaningful to display this. In the illustrated example, there are not a few measures that are less frequent. It is meaningful to be able to cover these and have a bird's-eye view.
  • FIG. 5 shows the alarm occurrence 502 for each alarm number 501, presence / absence of field investigation 503, and the contents 504 of the treatment.
  • the treatment content 504 indicates reset 5041, adjustment 5042, parts replacement 5043, take-out survey 5044, and the like.
  • FIG. 6 shows a parts table 600, which is an example of a unit 601, a part number 602, and a part name 603.
  • FIG. 7A is a correspondence table 700 between the phenomenon 710 and the target of the adjustment / replacement part 720, and represents the frequency based on the association.
  • the keywords 721 to 725 described therein are extracted, and the total frequency 726 of these keywords is totaled and used to create a diagnostic model.
  • the phenomenon 710 includes a water pressure drop 711, a pressure rise 712, an excessive rotation speed 713, an abnormal sound 714, an image quality defect 715, and the like. You may divide these for every site
  • FIG. 7B shows a frequency pattern 730 for each part corresponding to the phenomenon.
  • Occurrence frequency of phenomenon that occurred when pump A731 or power supply 732 was adjusted or replaced (actually, the frequency of keywords described in the work report may be used, or a camera added to the operator)
  • the extracted keywords may be tabulated.
  • This frequency pattern is the feature quantity of the bag of words method (bag of words). Adjustments and exchanges may be divided and tabulated separately, or tabulated independently. Each frequency pattern item can be added and edited.
  • FIG. 7A shows the result of the adjustment and exchange
  • the co-occurrence concept is used to regard the phenomenon that occurs simultaneously as a pair or two or more groups, and this group is regarded as one group. It can also be regarded as a phenomenon. This belongs to the phenomenon classification 412 described in FIG. 4A.
  • “simultaneous” refers to a phenomenon that occurs within a predetermined time, and may or may not consider the order of occurrence. When considering the order of occurrence, causality is in mind.
  • each item of the frequency pattern 730 includes the number of inquiries from the maintenance staff to the maintenance center and the contents (described by keywords).
  • Such a frequency pattern 730 of various keywords can be said to be a “context” representing the situation of installation, the state of occurrence of an abnormality, the situation of maintenance, the situation leading to parts replacement, past cases, and the like.
  • search in a sense for a single keyword search plus context and the situation In other words, until now, it was written in the form of if then, and the usage status was unsuccessful in the search, and as a result, the diagnosis and measures of the then part often ended in vain.
  • Such an invalid keyword expression / usage state is expressed more flexibly by the frequency pattern, and it is considered that the target format has been obtained. This makes it possible to carry out diagnosis with much higher reliability than diagnosis and countermeasures based on if then.
  • FIG. 8A shows an example of case-based anomaly detection: multivariate analysis targeting a multidimensional sensor signal in a method for detecting an anomaly based on an example base.
  • the sensor data 1 to N: 104 acquired by the multi-dimensional time-series sensor signal acquisition unit 103 shown in FIG. 1 and operation data 108 such as operation time are received by the abnormality detection / diagnosis system 100 according to the present embodiment, and feature extraction is performed.
  • Selection / conversion 1112, clustering 1116, and learning data selection (update) 1115 are performed, and the discriminating unit 1113 performs multivariate analysis on the multidimensional time-series sensor data 104, and the outlier value as viewed from normal data.
  • the observed sensor data or the synthesized value thereof is output to the integration unit 1114.
  • the integration unit 1114 detects an abnormality or a sign thereof, the above-described diagnosis, that is, the contribution to the failure phenomenon (not only the contribution but also the frequency as a frequency that is a temporal aggregation) and the frequency based on past cases Start diagnosis such as pattern matching.
  • Clustering 1116 divides sensor data into several categories for each mode according to operating conditions and the like.
  • event data equipment ON / OFF control, various alarms, periodic inspection / adjustment of equipment, etc.
  • the event data 105 can be divided into several categories for each mode based on the event data 105 as an input to the clustering 1116.
  • the analysis and interpretation of the event data 105 is performed by the analysis unit 1117.
  • a threshold value that is an input to the identification unit 1113 is a threshold value for determining an abnormality sign.
  • the abnormality explanation message is output in the integration unit 1114.
  • FIG. 8B shows a errata table called Confusion Matrix for representing the performance of abnormal sign detection and an F value as an index of performance, and TP, TN, FP, FN defined in the table.
  • F 2 ⁇ Precision ⁇ Recall / (Precision + Recall)
  • Precision (matching rate) TP / (TP + FP)
  • Recall (recall rate) TP / (TP + FN).
  • the hit rate is defined as FN / (FP + TN) or the like.
  • a false report (false report) with an abnormal normal period is defined as FN / (TP + FN) or the like.
  • FIG. 9A An example of operation data is shown in FIG. 9A.
  • the example shown in FIG. 9A is a graph showing the cumulative value of the operation time in units of each equipment for the equipment 1081 and 1082 of the same model with different sites.
  • the horizontal axis represents the date (relative value), and the vertical axis represents the cumulative operating time (relative value).
  • the two facilities have almost the same operating time, that is, the same usage and operation.
  • the operating time of the equipment has various operating times such as the excavating time and the turning time.
  • the total engine operation time, the total engine speed, the total engine coolant temperature time, and the like are examples of the total engine operation time, the total engine speed, the total engine coolant temperature time, and the like.
  • Latitude, longitude, altitude, etc. are also input information for reference in detecting anomalies.
  • FIG. 9B shows the accumulated value of the temperature of the engine coolant of the shovel as an example of the accumulated value of the sensor signal of the equipment 1081 and 1082 of the same model with different sites.
  • the two facilities 1081 and 1082 have a tendency that the accumulated values of the sensor signals are different. Without knowing the operating time of the two facilities 1081 and 1082 as shown in FIG. 9A, it is not possible to judge whether this difference in tendency is good or bad.
  • the cumulative value of the sensor signal shows a different tendency. However, if the same tendency is shown even though the operation time is different, it is necessary to judge whether it is good or bad according to the operation. .
  • FIG. 10A and 10B show the concept of calibration of the accumulated value of the sensor signal. By calibrating with the operating time, it is possible to more accurately determine the state of the facility of interest from the magnitude relationship with respect to the reference. This calibration value is treated as observation data or learning data.
  • FIG. 10A shows an example in which the accumulated value of the sensor signal is normalized by the operating time.
  • An upper limit curve 1002 and a lower limit curve 1003 are set for the reference curve 1001, and when the upper limit curve 1002 is exceeded or below the lower limit curve 1003. It is determined that the characteristics have deteriorated.
  • FIG. 10B shows how the operation time itself is corrected.
  • the correction is made non-linear 1006 to emphasize outliers (late year emphasis).
  • the sensitivity can be changed according to the bathtub curve representing the so-called failure characteristic. This curve data is stored in a table or the like and referred to for each facility.
  • both the operation time and the sensor signal may be combined as a multidimensional vector and handled as observation data or learning data.
  • comprehensive anomaly detection can be realized in consideration of the natural environment and man-made environment where the equipment is located.
  • the tonnage cumulative value such as the target soil volume is considered to be comparable to the operation time, and can be an element of the multidimensional vector.
  • FIG. 11A shows an overall image of maintenance work from abnormality sign detection to countermeasures executed by the abnormality detection / diagnosis system 100.
  • a plurality of sensor signals 104 added to the facility and operation information 108 such as operation time are input to a sign detection unit 1101 (corresponding to 1530 in FIG. 18B described later), and the presence / absence of an abnormality sign is determined.
  • the sign detection unit 1101 uses the learning data managed by the learning data management unit 1102 and the threshold value managed by the threshold value management unit 1103 as described above with reference to FIG. Monitor for presence.
  • 1110 including the sign detection unit 1101, the learning data management unit 1102, and the threshold value management unit 1103 corresponds to a part that executes the processing described with reference to FIG. 8A.
  • a maintenance work trigger 11011 is output to the diagnosis unit 1104.
  • a waveform display instruction signal 11012 is output to the waveform display unit 1105 as to which sensor signal / operation information data and waveform should be viewed, and the sensor signal / operation information data and waveform instructed to the waveform display unit 1105 are displayed. Is displayed.
  • the diagnosis performed by the diagnosis unit 1104 to which the maintenance work trigger 11011 is input is performed by the method described with reference to FIG. 4A. Of course, information is also output to the worker for confirmation.
  • a countermeasure candidate 11041 is presented and instructed on the display screen, and the countermeasure instruction unit 1106 takes countermeasures based on this instruction. Since the quality of the instructed countermeasure plan can be grasped, it can be evaluated as a target ratio by the target ratio target evaluation unit 1107.
  • Fig. 11B shows an example of equipment chart. Includes software version information and replacement parts information for each facility. This equipment chart is also used for examination and confirmation of countermeasures.
  • the hit rate of the measure instruction calculated by the hit rate evaluation unit 1107 of the measure instruction is used to update or correct the learning data for the sign detection in the learning data management unit 1102 or to correct the threshold value in the threshold value management unit 1103.
  • the sign detection unit 1101 performs sign detection sensitivity correction. For example, in the case of an abnormal sign that does not require countermeasures, the threshold is increased to suppress sensitivity.
  • a threshold value that is an input to the identification unit 1113 in FIG. 8A is controlled.
  • a learning data selection (update) unit 1115 adds learning data.
  • the waveform display unit 1105 stores a valid sensor signal for each failure and displays it preferentially.
  • FIG. 12 shows an internal configuration of the abnormality detection / diagnosis system 100 that executes the abnormality detection processing based on the case base.
  • a feature extraction / selection / conversion unit 912 receives and processes a multidimensional time series signal 911 based on the signals 104 of various sensors acquired by the multidimensional time series signal acquisition unit 103.
  • Reference numeral 913 denotes a discriminator
  • reference numeral 914 denotes an integrated processing unit (global abnormality measure)
  • reference numeral 915 denotes a learning data storage unit mainly composed of normal cases.
  • the dimension of the multidimensional time series signal input from the multidimensional time series signal acquisition unit 911 is reduced by the feature extraction / selection / conversion unit 12, and a plurality of discriminators 913-1, 913-2,. Identified by 913-n, and the global anomaly measure is determined by the integrated processing unit (global anomaly measure) 914.
  • Learning data mainly composed of normal cases stored in the learning data storage unit 915 is also identified by a plurality of classifiers 913-1, 913-2,... 913-n and used for determination of the global abnormality measure.
  • the learning data itself mainly composed of normal cases stored in the learning data storage unit 915 is also selected and stored and updated in the learning data storage unit 915 to improve accuracy.
  • the update of the learning data evaluates the similarity between the data.Similar data is considered to be duplicated and is removed.If normal data that is not similar is observed, it is added. Do.
  • FIG. 12 also shows a screen 920 of the operation PC displayed on the input unit 123 where the user inputs parameters.
  • Parameters input by the user from the input unit 123 are a data sampling interval 1231, an observation data selection 1232, an abnormality determination threshold value 1233, and the like.
  • the data sampling interval 1231 indicates, for example, how many seconds to acquire data.
  • the observation data selection 1232 indicates which sensor signal is mainly used.
  • the abnormality determination threshold value 1233 is a threshold value for binarizing the value of anomaly that is expressed as a deviation / deviation from the model, an outlier value, a deviation degree, an abnormality measure, and the like.
  • the hit rate 1234 of abnormality detection is a numerical value (output) indicating whether or not an abnormal sign detected in the past has been hit. As described with reference to FIG. 8B, in addition to the hit ratio, a false alarm rate can also be displayed. Performance indicators such as hit rate and false alarm rate are used for updating or correcting the learning data for predictive detection, correcting the threshold value, etc., and sensitivity correction for predictive detection is performed.
  • the classifier 913 shown in FIG. 12 prepares several classifiers (913-1, 913-2,... 913-n), and the integration processing unit 914 takes a majority vote (integration). Is possible. That is, ensemble (group) learning using different classifier groups (913-1, 913-2,... 913-n) can be applied.
  • the first classifier 913-1 is a projection distance method
  • the second classifier 913-2 is a local subspace method
  • the third classifier 913-3 is a linear regression method
  • the fourth classifier 913-4 Is the Gaussian process method which is a nonlinear regression method. Any classifier can be applied as long as it is based on case data.
  • the Gaussian process is described in Non-Patent Document 3.
  • FIG. 13A to FIG. 13C show examples of identification methods in the classifier 913.
  • FIG. 13A shows the projection distance method.
  • the projection distance method is a method for identifying learning data by a projection distance to a partial space that approximates the learning data.
  • an average mi and a covariance matrix ⁇ i for each cluster of learning patterns ⁇ x j ⁇ are obtained by the following equations.
  • n i is the number of learning patterns belonging to the cluster ⁇ i .
  • the minimum value of the projection distance to the affine subspace is defined as the abnormal measure of the unknown pattern x.
  • the learning data itself includes different states such as operation ON / OFF, so the k-neighboring data close to the observation data is a single cluster for the learning data. Is generated. At this time, learning data whose distance from the observation data is within a predetermined range is selected (RS method: Range Search).
  • a subspace is also generated using L pieces of learning data before and after the selected data (time t-t1 to t + t2, t1, and t2 take sampling into account) (time expansion) RS method). Furthermore, the projection distance is selected from the minimum number to the selected number that has the smallest value.
  • ⁇ ⁇ ⁇ Determine the minimum window section of the observation data based on the dimension n of the subspace spanned by the learning data.
  • the number of dimensions n is calculated from the cumulative contribution rate, and the window interval length M of the observation data is determined exploratively based on the number of dimensions under the condition that the observation data has a maximum of n + 1 pieces, thereby generating a subspace. Then, the angle cos ⁇ formed by the subspaces or the square thereof is obtained.
  • the planning method is characterized by first generating a minimal learning subspace for time series data, then selecting observation data appropriately from the viewpoint of similarity and time windows, and generating similar subspaces sequentially. is there.
  • the center of gravity of each class is used as the origin.
  • the eigenvector obtained by applying KL expansion to the covariance matrix of each class is used as a basis.
  • Various subspace methods have been proposed, but if there is a distance scale, the degree of deviation can be calculated. In the case of the density, the degree of deviation can be determined based on the magnitude.
  • the projection distance method is a similarity measure because it determines the length of the orthogonal projection.
  • Subspace methods such as the projection distance method are discriminators based on distance, and as a learning method when abnormal data can be used, vector quantization that updates dictionary patterns and metric learning that learns distance functions can be used. .
  • FIG. 13B shows another example of the identification method in the classifier 913.
  • This method is called a local subspace method.
  • the local subspace method is a method of identifying by the projection distance onto the subspace spanned by the distance neighborhood data, and k multidimensional time series signals close to the unknown pattern q (latest observation pattern) are obtained.
  • a linear manifold is generated such that the nearest neighbor pattern is the origin, and the unknown pattern is classified into a class having a minimum projection distance to the linear manifold.
  • Local subspace method is also a kind of subspace method.
  • k is a parameter.
  • the abnormality detection the distance from the unknown pattern q (latest observation pattern) to the normal class is obtained, and this is used as a deviation (residual) and compared with a threshold value.
  • an orthogonal projection point from an unknown pattern q (latest observation pattern) to a partial space formed using k multi-dimensional time series signals can be calculated as an estimated value.
  • k estimated multi-dimensional time-series signals can be rearranged in order of increasing proximity to the unknown pattern q (latest observed pattern), and weighting inversely proportional to the distance can be performed to calculate the estimated value of each signal.
  • the estimated value can be calculated in the same manner by the projection distance method or the like.
  • the parameter k is usually set to one type. However, if the parameter k is changed and executed several times, the target data will be selected according to the similarity, and a comprehensive judgment will be made based on those results. Is.
  • learning data whose distance from the observation data is within a predetermined range is selected as the value of k in the local subspace method so as to be an appropriate value for each observation data, and further learning is performed.
  • Data with the smallest projection distance may be selected by sequentially increasing the data from the minimum number to the selected number.
  • the threshold value th is experimentally determined from the frequency distribution of distances.
  • the distribution in FIG. 14B represents the frequency distribution of learning data distance as viewed from the observation data. In this example, the frequency distribution of learning data distances is bimodal depending on whether the equipment is turned on or off. Two mountain valleys represent the transition period from ON to OFF of the equipment or vice versa.
  • Range Search This idea is a concept called Range Search (RS), which is applied to learning data selection.
  • the range search type learning data selection concept can also be applied to the methods disclosed in Patent Documents 1 and 2. In the local subspace method, even if anomalous values are slightly mixed, the influence is greatly reduced when the local subspace is used.
  • the centroid of k-neighbor data is defined as a local subspace. Then, the distance from the unknown pattern q (latest observation pattern) to the center of gravity is obtained, and this is set as a deviation (residual).
  • FIG. 13C shows a technique called a mutual subspace method.
  • Model observation data as well as learning data in subspace.
  • the observation data is N time-series data that goes back in the past.
  • the eigenvalue problem of the autocorrelation matrix A of the data expressed by (Expression 2) is solved.
  • A 1 / N ( ⁇ T ) (Equation 2)
  • ⁇ and ⁇ indicate the orthonormal definition of the subspace.
  • cos ⁇ represents the similarity, and the observation data is evaluated based on the similarity, and an abnormal sign is detected by comparing with the threshold value.
  • the example of the identification method in the classifier 913 shown in FIG. 12 is provided as a program.
  • a classifier such as a one-class support vector machine is also applicable if it is simply considered as a problem of one-class identification.
  • kernelization such as radial ⁇ basis function that maps to higher-order space can be used.
  • the side near the origin is an outlier, that is, an abnormality.
  • the support vector machine can cope with a large dimension of the feature amount, there is a drawback that the calculation amount becomes enormous as the number of learning data increases.
  • FIG. 15 shows an example of a feature transformation 1200 for reducing the dimensions of sensor data 1 to N: 104, which are multidimensional time series signals acquired by the multidimensional time series sensor signal acquisition unit 103 used in FIG. 11A. It is.
  • the type 1260 in addition to the principal component analysis 1201, several methods such as an independent component analysis 1202, a non-negative matrix factorization 1203, a latent structure projection 1204, and a canonical correlation analysis 1205 are applicable.
  • FIG. 15 shows a scheme diagram 1210 and a function 1220 together.
  • the principal component analysis 1201 is called PCA, and linearly transforms an M-dimensional multidimensional time-series signal into an r-dimensional multidimensional time-series signal having a dimension number r to generate an axis that maximizes variation.
  • KL conversion may be used.
  • the number of dimensions r is determined based on a value that is a cumulative contribution ratio obtained by arranging eigenvalues obtained by principal component analysis in descending order and dividing the eigenvalue added from the larger one by the sum of all eigenvalues.
  • the independent component analysis 1202 is called ICA (Independent Component Analysis), and is effective as a technique for revealing a non-Gaussian distribution.
  • Non-negative matrix factorization is called NMF ((Non-negative Matrix Factorization), and decomposes a sensor signal given by a matrix into non-negative components.
  • the one without the teacher in the column of the function 1220 is an effective conversion method when there are few abnormal cases and it cannot be used as in this embodiment.
  • an example of linear transformation is shown. Nonlinear transformation is also applicable.
  • the above-mentioned feature conversion is performed simultaneously with learning data and observation data arranged, including canonicalization normalized by standard deviation. In this way, learning data and observation data can be handled in the same row.
  • FIG. 16 is an explanatory diagram of an anomaly sign detection technique based on a residual pattern.
  • FIG. 16 shows a method for calculating the similarity of residual patterns.
  • FIG. 16 corresponds to the normal centroid of each observation data obtained by the local subspace method, and the deviations from the normal centroid of the sensor signal A, the sensor signal B, and the sensor signal C at each time point are expressed as a locus in the space. ing. To be precise, each axis represents the main principal component.
  • the residual series of the observation data after time t ⁇ 1, time t, and time t + 1 is indicated by a dotted line with an arrow.
  • the similarity between the observation data and the abnormal case can be estimated by calculating the inner product (A ⁇ B) of each deviation. It is also possible to divide the inner product (A ⁇ B) by the size (norm) and estimate the similarity by the angle ⁇ . The similarity is obtained for the residual pattern of the observation data, and an abnormality that is predicted to occur is estimated from the locus.
  • FIG. 16 shows a deviation 1301 of the abnormal case A and a deviation 1302 of the abnormal case B.
  • the deviation series pattern of the observation data including time t-1, time t, and time t + 1 indicated by dotted lines with arrows, it is close to the abnormal case B at the time t, but from the locus, the abnormal case B Instead, the occurrence of the abnormal case A can be predicted. If there is no corresponding abnormality in the past, it can be determined as a new abnormality.
  • the space shown in FIG. 16 can be divided into conical sections whose vertices coincide with the origin, and abnormalities can be identified by this section.
  • the deviation (residual) time series trajectory data until an abnormal case occurs is stored in a database, and the deviation (residual) time series pattern of observation data and the trajectory accumulated in the trajectory database It is possible to detect a sign of occurrence of abnormality by calculating the similarity of the time series pattern of data.
  • FIG. 16 is viewed as occurrence of a residual vector within a certain time window, it can be expressed as a frequency. If it can be handled as a frequency, the frequency distribution information in the form shown in FIG. 7B can be acquired, and this can be handled as the appearance frequency of the keyword of the phenomenon. That is, it can be used for diagnosis.
  • a frequency distribution can be created by dividing each axis of FIG. 16 into a certain width and entering a section of each cube.
  • the frequency distribution is three-dimensional, usually multi-dimensional, but it can be made one-dimensional (vectorized) by arranging it in a vertical row and can be handled as a normal frequency distribution or frequency pattern. it can.
  • FIG. 17 shows a hardware configuration of the abnormality detection / diagnosis system 100 of the present invention.
  • the system includes a processor 120, a database (DB) 121, a display unit 122, and an input unit (I / F) 123.
  • Sensor data 104 such as a target engine is input to the processor 120 that performs abnormality detection, and missing values are repaired and stored in the database DB 121.
  • the processor 120 performs abnormality detection using the acquired observation sensor data 104 and DB data of a database (DB) 121 composed of learning data.
  • the display unit 122 performs various displays and outputs the presence / absence of an abnormal signal. It is also possible to display a trend. The interpretation result of the event can also be displayed.
  • the processor 120 accesses a database (DB) 121 in which maintenance history information and the like are stored, extracts / searches keywords, generates a diagnostic model, performs an abnormality diagnosis, and displays the diagnosis result on a display unit Displayed at 122.
  • DB database
  • the processor 120 accesses a database (DB) 121 in which maintenance history information and the like are stored, extracts / searches keywords, generates a diagnostic model, performs an abnormality diagnosis, and displays the diagnosis result on a display unit Displayed at 122.
  • DB database
  • Diagnostic results include the diagnostic models shown in FIGS. That is, as a result of phenomenon diagnosis, a result of phenomenon classification, a diagnosis model, and the like are displayed. Various information shown in FIGS. 5, 6, 7A, and 7B is also displayed. In particular, the frequency histogram shown in FIG. 7B is an important display factor for visualizing the frequency pattern of FIG. 7A. A part of the “context” that represents the status of the equipment, the status of occurrence of an abnormality, the status of maintenance, the status of parts replacement, past cases, etc. is selectively displayed. These can be edited from the viewpoint of merging items.
  • the program installed in the hardware can be provided to customers through media and online services.
  • the database (DB) 121 can be operated by skilled engineers. In particular, abnormal cases and countermeasure cases can be taught and stored. (1) Learning data (normal), (2) abnormal data, (3) countermeasure content, (4) fault tree (diagnostic procedure expressed in a tree structure like if then) information is stored. By making the database (DB) 121 a structure that can be manipulated by skilled engineers, a refined and useful database can be created. Further, the data operation is performed by automatically moving learning data (individual data, the position of the center of gravity, etc.) with the occurrence of an alarm or part replacement. It is also possible to automatically add acquired data. If there is abnormal data, a method such as generalized vector quantization can be applied to the movement of the data.
  • a method such as generalized vector quantization can be applied to the movement of the data.
  • the trajectories of the past abnormal cases A and B described with reference to FIG. 16 are stored in the database (DB) 121 and collated with these to identify (diagnose) the type of abnormality.
  • the trajectory is expressed and stored as data in the N-dimensional space. Processing of data by the processor 120 and instruction of data to be displayed on the display unit 122 are performed by an input unit (I / F) 123.
  • a time series signal feature extraction / classification 1524 is executed by performing signal processing inside the processor 120 from the time series signal (sensor signal) 104 from the equipment 1501 sent from the time series data acquisition unit 103.
  • the abnormality is detected.
  • the equipment 1501 is not limited to one. Multiple facilities may be targeted.
  • maintenance events 105 of each facility (alarms, work results, etc., specifically, start and stop of facilities, operation condition setting, various failure information, various warning information, periodic inspection information, operating environment such as installation temperature, Acquire incidental information such as accumulated operation time, parts replacement information, adjustment information, cleaning information, etc.) and detect abnormalities with high sensitivity.
  • a waveform 1525 of time-series data shown in the feature extraction / classification 1524 of the time-series signal 104 represents an observation signal, and an abnormality detected in the present embodiment is indicated by a circle 1526 as a precursor.
  • This sign is determined to be abnormal when the abnormality measure is equal to or greater than a predetermined threshold value (or when the abnormality measure exceeds the threshold value for the set number of times or more). In this example, an abnormal sign can be detected before the equipment is stopped, and appropriate measures can be taken.
  • a sign detection unit 1530 in the processor 120 of the abnormality prediction / diagnosis system 100 can detect it as a sign at an early stage, some countermeasure is taken before the operation is stopped due to a failure. Then, the sensor data 104 is processed to detect a sign by the subspace method (1531), and the event data 105 is input to determine whether it is a sign comprehensively by adding an event string collation (1532). Based on the method shown in FIG. 4A to FIG. 4E, the abnormality diagnosis unit 1540 performs abnormality diagnosis, and identifies a failure candidate component, and estimates when the component will cause a failure stop. Then, necessary parts are arranged at a necessary timing.
  • the abnormality diagnosis unit 1540 includes a phenomenon diagnosis that identifies a sensor that includes a sign, a phenomenon diagnosis unit 1541 that classifies the sign from a countermeasure and adjustment viewpoint, and a cause diagnosis unit that identifies a part that may cause a failure 1542 is easy to think.
  • the sign detection unit 1530 outputs information related to the feature amount to the abnormality diagnosis unit 1540 in addition to a signal indicating the presence or absence of abnormality.
  • the abnormality diagnosis unit 1540 performs a phenomenon diagnosis with the phenomenon diagnosis unit 1541 using information stored in the database 121 based on these pieces of information. Also classify phenomena.
  • the sensor data is classified from the viewpoints of adjustment and countermeasures. That is, based on the method shown in FIGS. 4A to 4E, using the information stored in the database 121 in the cause diagnosing unit 1542, recommending a check location, specifying an adjustment location, and specifying a component to be replaced Diagnosis is performed.
  • FIG. 19 shows an example in which a network of each sensor signal is created from the obtained information on the degree of influence of each sensor signal on abnormality.
  • sensor signals such as basic temperature 1601, pressure 1602, motor rotation speed 1603, power 1604, and the like
  • weights can be given between sensor signals based on the ratio of the degree of influence on abnormality.
  • the network can be generated using measures such as correlation, similarity, distance, causal relationship, phase advance / delay.
  • FIG. 20 further shows the configuration of the abnormality detection and cause diagnosis part. 20, a sensor data acquisition unit 1701 (corresponding to the time-series data acquisition unit 103 in FIG. 1) that acquires data from a plurality of sensors, learning data 1704 that is substantially normal data, and a model generation unit 1702 that models the learning data.
  • a sensor data acquisition unit 1701 (corresponding to the time-series data acquisition unit 103 in FIG. 1) that acquires data from a plurality of sensors, learning data 1704 that is substantially normal data, and a model generation unit 1702 that models the learning data.
  • An abnormality detection unit 1703 that detects the presence / absence of an abnormality in the observation data based on the similarity between the observation data and the modeled learning data, a sensor signal influence evaluation unit 1705 that evaluates the influence of each signal, and the relevance of each sensor signal
  • a sensor signal network generation unit 1706 for creating a network diagram representing the relationship, a related database 1707 consisting of abnormality cases, the influence degree of each sensor signal, selection results, etc., a design information database 1708 from the facility design information, a cause diagnosis unit 1709, a diagnosis Related database 1710 for storing results, and input / output unit 1711 Ranaru. Keywords obtained through these processes are also used in the diagnostic models of FIGS. 4A to 4E. In other words, these processes can also be viewed as a keyword generation unit.
  • the design information database includes information other than design information.
  • the engine model, parts list (BOM), past maintenance information (on-call contents, sensor signal data when an error occurs, adjustment date and time) , Captured image data, abnormal sound information, replacement part information, etc.), operating status information, inspection data during transportation / installation, and the like.
  • BOM parts list
  • past maintenance information on-call contents, sensor signal data when an error occurs, adjustment date and time
  • Captured image data Captured image data, abnormal sound information, replacement part information, etc.
  • operating status information inspection data during transportation / installation, and the like.
  • FIG. 21A shows the appearance of a drill 2100 for drilling.
  • the left side of FIG. FIG. 21B shows a state where the sample 2110 is processed with the drill 2100.
  • the cutting edge 2101 of the drill 2100 may be damaged, and this state management is important. Therefore, a power signal is obtained from a servo amplifier (not shown) of a drilling motor (not shown), and the presence or absence of the chip 2101 is detected from this power waveform.
  • the detection method is as shown in FIG. 8A.
  • the Fourier transform is suitable.
  • the appearance of the blade edge 2101 may be checked by detecting an image with the camera 2120. Check the appearance after every drilling, or check the appearance after processing a certain number of holes.
  • how the facet 2111 comes out from the sample 2110 to be drilled can also be a target of image detection by the camera 2120, and the abnormality detection is performed on the image by the method shown in FIG. 8A. It is also possible to perform.
  • the present invention can be used for detecting abnormalities in plants and equipment.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

　プラント等の設備において、異常を高感度、早期に検知することが可能な異常検知・診断方法およびシステムにおいて、設備の運転時間などの稼動情報と、設備に付加した複数センサの出力信号とを用いて異常検知を行い、作業履歴や交換部品情報などの過去の対策事例からなる作業報告書などの保守履歴などを対象に、検知した異常と対策の紐付けを行い、異常検知と過去の保守履歴を結び付け、設備カルテも参照しながら、アクションが必要な異常を分類、提示することにより、診断の精度向上を図るようにした。

Description

異常検知・診断方法、および異常検知・診断システム
　本発明は、プラントや設備などの異常を早期に検知し、診断する異常検知・診断方法、異常検知・診断システムに関する。
　電力会社では、ガスタービンの廃熱などを利用して地域暖房用温水を供給したり、工場向けに高圧蒸気や低圧蒸気を供給したりしている。石油化学会社では、ガスタービンなどを電源設備として運転している。このようにガスタービンなどを用いた各種プラントや設備において、その異常を早期に発見し、原因を診断し、対策を行うことは、社会へのダメージを最小限に抑えることができ、極めて重用である。
　ガスタービンや蒸気タービンのみならず、水力発電所での水車、原子力発電所の原子炉、風力発電所の風車、航空機や重機のエンジン、鉄道車両や軌道、エスカレータ、エレベータ、ＭＲＩなどの医療機器、半導体やフラットパネルディスプレイ向けの製造・検査装置、機器・部品レベルでも、搭載電池の劣化・寿命など、早期に異常を発見し、診断しなければならない設備は枚挙に暇がない。最近では、健康管理のため、脳波測定・診断に見られるように、人体に対する異常（各種症状）検知も重要になりつつある。
　このため、例えば特許文献１や特許文献２には、おもにエンジンを対象に、異常検知を行うことが記載されている。そこでは、過去のデータをデータベース（ＤＢ）としてもっておき、観測データと過去の学習データとの類似度を独自の方法で計算し、類似度の高いデータの線形結合により推定値を算出して、推定値と観測データのはずれ度合いを出力する。General Electric社のように、特許文献３には、異常検知をｋ－ｍｅａｎｓクラスタリングにより検出する例が記載されている。
　また、非特許文献２や特許文献４には、故障履歴や作業履歴をデータベースに蓄え、検索を可能とし、これを通して、保守に関する有益な知見を獲得することについて記載されている。
　更に、非特許文献３には、ガウシアンプロセスについて記載されている。
米国特許第６，９５２，６６２号明細書 米国特許第６，９７５，９６２号明細書 米国特許第６，２１６，０６６号明細書 特開２００９－１１００６６号公報 特開２００９－２５１８２２号公報 特開２００３―３０３０１４号公報
Stephan W．Wegerich；Nonparametric modeling of vibration signal features for equipment health monitoring、Aerospace Conference，2003．Proceedings．2003 IEEE，Volume 7，Issue，2003 Page（s）:3113－3121 永野和俊、佐藤淳；的確で迅速な対応を支える遠隔保守ソリューション「TMSTATION」、東芝ソリューションテクニカルニュース、2008年秋季号、Vol．15 尾崎 晋作，和田 俊和，前田 俊二，渋谷 久恵；異常検出におけるSimilarity Based ModelingとGaussian Processesの関連に関して；パターン認識・メディア理解研究会（PRMＵ），画像工学（IE），133－138（2011．5）
　一般には、観測データをモニタし、設定したしきい値と比較して、異常を検知するシステムがよく用いられている。この場合は、各観測データであるところの測定対象の物理量などに着目してしきい値を設定するため、設計ベースの異常検知であると言える。
　この方法は、設計が意図しない異常は検知が困難であり、見逃しが発生し得る。例えば、設備の稼動環境や、稼動年数による状態変化、運転条件、部品交換の影響などにより、設定したしきい値が妥当とは言えなくなる。
　一方、特許文献１および２に開示されている事例ベースの異常検知に基づく手法では、学習データを対象に、観測データと類似度の高いデータの線形結合により推定値を算出し、推定値と観測データのはずれ度合いを出力するため、学習データの準備次第で、設備の稼動環境や、稼動年数による状態変化、運転条件、部品交換の影響などを考慮できる。
　しかし、特許文献１および２に開示されている手法では、データをスナップショットとして扱っており、時間的な振舞いを考慮していない。さらに、観測データになぜ異常が含まれるのかは、別途説明が必要である。特許文献３に記載されているｋ－ｍｅａｎｓクラスタリングのような、物理的意味が希薄な特徴空間内での異常検知では、さらに異常の説明は困難である。説明が困難な場合は、誤検出として扱われることになる。
　また、特許文献４に記載されている方法では、故障履歴や作業履歴をデータベースに蓄え、検索を可能とし、これを通して、保守に関する有益な知見を獲得するシステム（特許文献４によれば、保守カルテを表示するシステム）を構築している。ここでは、故障履歴や作業履歴に関する情報が、検索を通して、互いに紐付け（関連付け）でき、情報が見える形で提供されている。
　また、特許文献５に記載されている方法では、対象設備と、診断のためのセンサ双方の故障リスクを考慮し、総合的な診断・保守計画を提供されている。
　また、特許文献６に記載されている方法では、リスクとコストを考慮した保守計画が述べられている。
　しかし、異常検知と上記保守履歴情報の紐付け（関連付け）は不明瞭であり、システムに格納されている保守情報が有効に活用できるとは言いがたい。単純な検索機能では、故障履歴や作業履歴自体の紐付けさえも成功するとは限らない。このような保守情報は一般に、多様な情報が分散され、また、あいまいな言葉の羅列であることが多く、検索のかなめであるキーワードをかなり工夫しないと、うまく付き合わない。すなわち、検索のみに依存した方法では、異常の予兆も含め、検知された異常から、過去情報のどこを調査して原因を付き止め、どのような対策したのか、今回は何をすべきかなどを明確にすることはできず、異常検知の段階で、即座に診断したくても、現象や原因、交換すべき部品などが不明瞭なままであり、なすべき処置が分からない。従って、熟練保守員の現場での調査に依存しているのが実態である。
　そこで、本発明の目的は、センシングデータを対象にした異常検知情報と、作業履歴や交換部品情報などの過去の事例からなる保守履歴情報を用いて、新たに発生した異常（予兆を含む）を的確に診断することが可能な異常検知・診断方法およびシステムを提供することである。
　更に、診断結果を可視化し、異常検知の感度向上、診断精度の向上のＰＤＣＡサイクルをまわす方法を提示することを目的とする。
　上記目的を達成するために、本発明は、作業履歴や交換部品情報などの過去の事例からなる保守履歴情報を、キーワードの出現頻度や、キーワード間の連結関係やその頻度で相互に関連付けておき（前後いずれかに、ほかのキーワードとペアになったキーワードを複合キーワードと呼ぶ）、設備に付加した多次元センサの出力信号を対象とした異常検知に基づき、検知した異常と関連付けられた保守履歴情報とを結びつけることにより、予兆を検知した時点で、部品交換や調整、再立上げなどの対策との関連性を付与し、発生した異常に対しなすべき診断・処置を明らかにし、対策が必要な異常の場合、作業指示を実施するようにした（様子見ならば、そのように指示）。
　特に、保守履歴情報が使われた状況（以下、文脈とも言う）を表現するため、キーワードや、キーワード間の連結関係やその出現頻度を、文脈パターンと見なして取り扱う。すなわち、異常検知を含め、保守にまつわる作業などを表した主要なキーワードから、実際に使われた状況を考慮した文脈を、後述の頻度パターンとして獲得し、その文脈を活用する文脈志向の異常診断を実現する。
　具体的には、異常検知では、設備の運転時間などの稼動情報と、設備に付加した複数センサの出力信号とを用いて異常検知を行い、作業履歴や交換部品情報などの過去の対策事例からなる作業報告書などの保守履歴などを対象に、検知した異常と対策の紐付け（関連付け）を行い、異常検知と過去の保守履歴を結び付け、設備カルテも参照しながら、アクションが必要な異常を分類、提示することにより、診断の精度向上を図る。
　また、上記目的を達成するために、本発明では、プラント又は設備の異常或いはその予兆を早期に検知し、プラント又は設備を診断する異常検知・診断方法において、プラント又は設備に装着した複数のセンサから取得したセンサデータ、および／あるいは運転時間や操作時間などの稼動データを対象にプラント又は設備の異常或いは異常の予兆を検知し、プラント又は設備の保守履歴情報を用いてプラント又は設備の異常或いは異常の予兆と過去の対策を紐付けし、この紐付け結果に基づいて、対策が必要な異常或いは異常の予兆を分類、提示するようにした。
　そして、保守履歴情報は、オンコールデータ、作業報告書、調整・交換部品コード、画像情報、音情報、稼動時間などの稼動情報の内の何れかを含み、保守履歴情報から定めたキーワードの出現頻度と他のキーワードとの連結回数や頻度を算出して高出現頻度のパターンを得、得た高出現頻度のパターンをカテゴリとして、プラント又は設備で検知された異常或いは異常の予兆のセンサデータや稼動データを分類し、分類した結果に基づいて、対策が必要な異常或いは異常の予兆を分類、提示するようにした。
　また、上記目的を達成するために、本発明では、プラントまたは設備の異常或いはその予兆を検知し、プラント又は設備を診断する異常検知・診断システムを、プラント又は設備に装着した複数のセンサから取得したセンサデータ、および／あるいは運転時間や操作時間などの稼動データを対象にプラント又は設備の異常或いは異常の予兆を検知する異常検知部と、プラント又は設備に対する対策などの情報からなる保守履歴情報を蓄積したデータベース部と、このデータベース部に蓄積されたプラント又は設備の保守履歴情報を用いて異常検知部によりプラント又は設備の異常或いは異常の予兆と過去の対策を紐付けし、該紐付けした結果に基づいて、対策が必要な異常或いは異常の予兆を分類、提示する診断部とを備えて構成した。
　そして、データベース部に蓄積する保守履歴情報は、オンコールデータ、作業報告書、調整・交換部品コード、画像情報、音情報、稼動時間などの稼動情報の内の何れかを含み、診断モデル生成部は保守履歴情報から定めたキーワードの出現頻度と他のキーワードとの連結回数や頻度を算出して高出現頻度のパターンを得、この得た高出現頻度のパターンをカテゴリとして、プラント又は設備で検知された異常或いは異常の予兆のセンサデータや稼動データを分類し、この分類した結果に基づいて、対策が必要な異常或いは異常の予兆を分類、提示するようにした。
　本発明によれば、現場に存在する膨大な保守履歴情報を、異常との関係で整理でき、発生した異常や予兆に対して、必要な対策や調整などの視点で、迅速に対応を決定できる。そして、保守作業員に適切な指示を与えることができる。保守履歴情報が使われた状況を文脈パターンとして的確に表現でき、またこれを照合することができるため、蓄積された保守履歴情報の再利用が可能となる。
　また、検知した異常と過去の保守履歴を結び付け、該当設備の設備カルテも参照しながら、アクションが必要な異常を分類、提示するので、診断の精度を向上させることができる。
　これらによって、ガスタービンや蒸気タービンなどの設備のみならず、水力発電所での水車、原子力発電所の原子炉、風力発電所の風車、航空機や重機のエンジン、鉄道車両や軌道、エスカレータ、エレベータ、そして機器・部品レベルでは、搭載電池の劣化・寿命など、穴あけ加工中のドリル刃の破損（チッピング）、種々の設備・部品において異常の早期・高精度な発見、実行すべき診断・処置が明らかとなる。勿論、人体を対象に計測し、診断する場合にも適用できる。
図１は本発明の異常検知システムが対象とする設備、多次元時系列信号、及びイベント信号の一例を示すブロック図である。 図２は多次元時系列信号の一例を示す信号波形のグラフである。 図３Ａは保守履歴の詳細情報の一例を示すブロック図である。 図３Ｂは現象と原因と処置の関連付けの一例を示すブロック図である。 図４Ａは本発明の実施例を示し、作業履歴や交換部品情報などの過去の事例からなる保守履歴情報を、キーワードベースで相互に関連付けておき、設備に付加した多次元センサの出力信号を対象とした異常検知に基づき、異常を検知し、検知した異常と関連付けられた保守履歴情報とを結びつける処理の流れを示す例である。 図４Ｂは、バルブ交換に至った故障現象の頻度パターンを示すグラフである。 図４Ｃは、学習時に検知された予兆を現象や対策に応じて分類することを示すブロック図である。 図４Ｄは、運用時に検知された予兆を現象や対策に応じて分類することを示すブロック図である。 図４Ｅは、異常事象に対する対策のジョイントヒストグラムを取得してこれの頻度上位の対策を頻度が高い順に示したグラフである。 図５はアラーム発生、現地調査の有無、処置の内容である、リセット、調整、部品交換、持ち帰り調査などの一例を示す表である。 図６は部品表であり、ユニット、パーツ番号、パーツ名称の一例を示す表である。 図７Ａは現象と、調整・交換部品の対象間の対応表であり、紐付け（関連付け）に基づいて頻度を表す表である。 図７Ｂは現象と、調整・交換部品の対象間の対応表であり、紐付けに基づいて頻度を表すグラフである。 図８Ａは事例ベースに基づいて異常を検知する方法の処理の流れを示すフロー図である。 図８Ｂは異常予兆検知の性能を表すための正誤表である。 図９Ａは２台の設備の稼動時間の累積値を示すグラフである。 図９Ｂは２台の設備のセンサ信号の時間累積値を示すグラフである。 図１０Ａはセンサ信号の時間累積値を稼動時間で正規化したグラフである。 図１０Ｂは稼動時間補正値と稼働時間の関係を示すグラフである。 図１１Ａは本発明の異常検知システムの構成を示すブロック図である。 図１１Ｂは本発明の異常検知システムで作成された設備カルテの一例を示す表である。 図１２は複数の識別器を用いた、事例ベースの異常検知手法を説明するブロック図である。 図１３Ａは識別器の一例である部分空間法のうち投影距離法を説明する図である。 図１３Ｂは識別器の一例である部分空間法のうち局所部分空間法を説明する図である。 図１３Ｃは識別器の一例である部分空間法のうち相互部分空間法を説明する図である。 図１４Ａは部分空間法にて学習データの選択を説明する図である。 図１４Ｂは観測データから見た学習データの距離の頻度分布を示すグラフである。 図１５は各種の特徴変換を一覧にして説明した表である。 図１６は部分空間法にて算出した残差ベクトルの軌跡を説明する３次元空間の図である。 図１７は本発明を実行するプロセッサ周辺の構成を示すブロック図である。 図１８Ａは、センサ信号をプロセッサで処理して時系列信号の特徴抽出・分類を実行することにより異常を検知する構成を示すブロック図である。 図１８Ｂは、異常予知・診断システム１００の構成を示すブロック図である。 図１９は、各センサ信号のネットワーク関係を示す図である。 図２０は、本発明の保守履歴情報の詳細および保守履歴情報の関連付けを示すフロー図である。 図２１Ａは、本発明の別の対象である穴明け加工用ドリルの外観を示す図である。 図２１Ｂは、本発明の別の対象である穴明け加工用ドリルで試料を加工している状態をカメラとマイクロホンとでモニタするシステムの概略の構成を示すブロック図である。
　本発明は、プラントや設備の異常或いはその予兆を早期に検知して診断する異常検知・診断システムに関するものであって、異常検知を行う際には、ほぼ正常な学習データを生成し、部分空間法などによる観測データの異常測度を算出し、異常を判定し、異常の種類を特定し、異常の発生時期の推定を行う。
　また、保守履歴情報を相互に関連付ける際には、保守履歴などのドキュメント群の複合キーワードを抽出し、画像の分類などを通して複合キーワードの関連付けを行う。
　そして、異常と複合キーワードの関連付けを頻度パターンとして表現する診断モデルを生成し、診断モデルを用いて、検知した異常予兆に対しなすべき診断・処置を明らかにするものである。
　以下に、本発明の実施の形態について、図面を参照して説明する。
　図１は本発明の異常検知・診断システム１００を含む全体の構成を示す。以下、異常は、異常のみならず、異常の予兆も含むものとする。１０１，１０２は本発明の異常検知・診断システム１００が対象とする設備であり、各設備１０１，１０２には各種のセンサで構成される多次元時系列信号取得部１０３が付設されている。この多次元時系列信号取得部１０３で取得されたセンサ信号１０４や、アラームや電源のオンオフを示すイベント信号１０５は本発明による異常検知・診断システム１００に入力されて処理される。本発明による異常検知・診断システム１００では、多次元時系列信号取得部１０３で取得されたセンサ信号１０４から多次元時系列センシングデータ１０６やイベント信号１０７を得、これらのデータを処理して設備１０１や１０２の異常検知・診断を行う。多次元時系列信号取得部１０３で取得するセンサ信号１０４の種類は、数十から数万個存在する。設備１０１や１０２の規模、設備が故障したときの社会的ダメージなどにより、種々のコストを勘案して多次元時系列信号取得部１０３で取得するセンサ信号１０４の種類が決まる。
　異常検知・診断システム１００で取り扱う対象は，多次元時系列信号取得部１０３で取得された多次元・時系列のセンサ信号１０４であり，発電電圧，排ガス温度，冷却水温度、冷却水圧力、運転時間を含む稼動時間などである。設置環境のたぐいもモニタされる。センサのサンプリングタイミングも、数十ｍｓから数十秒程度まで、いろいろなものがある。イベント信号１０４及びイベントデータ１０５は、設備１０１や１０２の運転状態、故障情報、保守情報などからなる。図２は、センサ信号１０４－１～１０４－４を、時刻を横軸に並べたものである。
　図３Ａは、異常検知・診断システム１００の保守履歴情報の詳細３０１を示すもので、センサデータ３１０を受けて、アラーム発報３０２、オンコールデータ３０３、保守作業履歴データ３０４、部品手配データ３０５を保守履歴情報と関連付けて示したものである。図３Ａにおいて、オンコールデータ３０３は、電話連絡のデータを意味している。これらの情報は、データベース（ＤＢ）（図１７の１２１）に格納されている。
　図３Ａの矢印は、上流から下流に情報がリンクしていることを表している。この矢印は、下流からもたどることができる。この場合、キーワードに基づく検索という手段が使われる。検索は有効な手法であるが、検索可能なデータベース（ＤＢ）の構造にしておくことが必要である。また、キーワードの決め方には工夫が必要であり、部位の上下関係や現象の上下関係などを吸収する柔軟性も求められる。しかし、検索事態は、簡単な照合であるため、容易に使うことができる。
　図３Ｂは、保守履歴情報の関連付けを示す図で、データベース（ＤＢ）（図１７の１２１）に記憶されている事例データ３２０から検索する現象３２１、原因３２２、処置３２３といった作業のキーワードを示す。現象３２１は、アラーム３２１１、機能不良（画質など）３２１２、動作不良３２１３などであり、より詳細な分類をもつ。原因３２２は、故障部位の特定３２２１にあたる。処置３２３には、再起動でなおるもの（完全に直ったわけではない）３２３１、調整を要したもの３２３２、部品交換に至ったもの３２３３がある。この図の場合も、矢印を用いて、対応関係が表現できる。
図４Ａ乃至図４Ｅに、本発明による異常検知・診断システム１００の実施例を示す。
　図４Ａは、作業履歴や交換部品情報などの過去の事例からなる保守履歴情報を、キーワードベースで相互に関連付けておき、設備に付加した多次元センサの出力信号を対象とした異常検知に基づき、異常を検知し、検知した異常と関連付けられた保守履歴情報とを結びつけ、さらにその結びつけた結果の的中率を評価し、診断精度向上をまわす仕組みの例である。保守履歴情報が使われ、記録された状況（文脈）を表現するため、キーワード間の関係とその出現頻度を、文脈パターンと見なして取り扱う例を示している。
　キーワード間の関係とその出現頻度を、文脈パターンと見なして取り扱う例として、バグオブワーズ法（bag of words）の概念を用いる方法について説明する。バグオブワーズ法は、特徴の袋詰めとでも言うべき手法であり、情報（特徴）の発生順序、位置関係などを無視して扱うものである。ここでは、アラーム発報、作業報告書、交換部品のコードなどから、キーワードやコードや言葉の発生頻度、ヒストグラムを作成し、このヒストグラムの分布形状を特徴とみなして、カテゴリに分類する。
　この方法の特徴は、非特許文献２に記載されているような一対一の検索とは異なり、複数の情報を同時に扱うことができる点にある。また、フリー記述にも対応でき、情報の追加や削除と言った変更にも対応しやすく、作業報告書などのフォーマット変更にも強い。複数の処置をしても、あるいは間違った処置が含まれていても、ヒストグラムの分布形状に着目するため、ロバスト性が高い。同様に、センサ信号も、複数のカテゴリに分類する。このカテゴリが、キーワードとなる。
　なお、複数キーワードの順序については、連結性を考慮しておくものとする。すなわち、通常の形態素分析でテキスト文書に対し、単語に分けて名詞のみ抽出し、各単語について前に接続する言葉と後に接続する言葉の種類を数え、それぞれＷＬ種類とＷＲ種類とすると（ＷＬ＋１）×（ＷＲ＋１）をその単語の重要度と考え、複合語の重要度は、複合語を構成する単語の重要度の積を（１／単語数）乗じたものに複合語としての頻度をかけたものとして算出する。これにより、キーワードの重要性で順位付けすることも可能となる。保守履歴文書のなかで、設備の症状に合わせて、対策の事例を抽出できることになる。
　たとえば、現象として、「１０／１２起動し、運転中に１０番気筒の排気温度低下、１番気筒の排気温度上昇」、対策として「○○部に水が混入したため、△△部の□□部品交換」などの文書において、「排気」と「温度」は、重要な複合キーワードとなる。保守履歴文書の中で、これらの発生頻度も考慮し、「部品交換」という複合キーワードと結びつけるものである。
　こういった表現は、異常予兆発生から保守を行った状況を表しており、「文脈」とでも言うものである。文脈とは、
その情報は、どういった状況で有効だったのか？
何を解決するために使ったのか？
それを使用した理由はなにか？
何に着目しているのか？
ほかの情報との関係は？
などを指している。
　説明のための仮説やそれに対する根拠を与えるものである。
  こういった文脈を表すのが、上述した複合キーワードや、その出現頻度であり、これらの関係である。順序性や同時性（共起性）といった視点でも、複合キーワードの関係を見ることができる。
　図４Ａに示した例は、頻度に着目して紐付けする例である。部品交換の事例にて説明する。同図Ａにおいて、保守履歴情報４０１（図３Ｂの事例データ３２０の相当）のなかから、保守履歴情報の詳細４０２として交換部品の記録４０５（図３Ｂの部品交換３２３３に相当）を自動アクセスする。例えば、バルブ交換をした例について考える。この交換バルブの名称（パーツ名称）、部品コード（パーツ番号）、日時などがキーワードにされる。保守履歴情報４０１の周辺情報として、部品表などが通常準備されているため、この部品表にアクセスされ、交換部品が属しているユニットの名称などもキーワードが追加される。
　次に、この交換にいたる経緯にアクセスされる。作業報告書４０４には上記部品を交換するに至った経緯が記載されており、アラーム名称、現象名称、処置内容（再起動、調整、部品交換）に記載の確認箇所、調整箇所などがキーワードとして追加される。また、必要に応じて、オンコールデータ４０３の情報も用いられる。保守履歴情報の詳細４０２は、必要に応じて保守パーツ管理４０６の情報と対応付けられてテーブル４２０の作成に用いられる。
　アラーム名称は、設備の遠隔監視によって発報されたものである。図４Ａでは、左側に示すセンサ信号・稼動データ４１０に属す情報である。アラーム名称は、水圧低下、圧力上昇、回転数超過、異音、画質不良など、異常を表す名称をさす。番号などのコードでも表現されている。現象診断が遠隔監視側でなされていれば、４１１にて実施される現象診断結果もキーワードに追加される。ここで、現象診断結果とは、監視しているセンサ信号の間の相関の有無や、位相関係を表している。これらをキーワード化したり、数量化して（根拠の数値化とも言える）、診断結果とする。対象は、異常でなく、その予兆の段階の場合もある。
　上記複数のキーワード、すなわちコードブックは、図４Ａに示すように、テーブル形式４２０で、ヒストグラムが集計される。バルブ交換をした例においては、テーブル中、交換に至ったバルブ４２１の欄のところで出現頻度が高くなる。テーブル形式４２０では、下側の合計欄４２５がバルブで２１％になっている。バルブ４２１以外のヒータ４２２やポンプ４２３も、同時に交換した場合は、その出現頻度も高くなる。また、現象診断４１１として、圧力低下が報告されているため、テーブル４２０中、バルブ４２１と圧力低下４２４の交差する箇所（テーブル４２０でハッチングした部分）の頻度が高くなる。
　図４Ａでは、頻度でなく、正規化してパーセンテージ（％）で表現しているが、頻度そのものでも良い。同種のバルブ交換に至った事例を、集計すれば、より確かなテーブルが生成できる。このようにして、過去事例を反映した診断モデルができあがる。バグオブワーズ法（bag of words）では、この頻度パターンを特徴量としてとらえる。バルブの欄の頻度パターンが、バルブ交換に至ったときの、複数の現象に対する頻度を表している。
　なお、キーワード、コードブックは設計者、保守作業者らから与えられ、保守履歴情報４０１に格納されているが、それらの重要性に鑑み、重みを付与してもよい。時間が早い、遅いといったキーワード相互の時間関係を用いて、重みを付与してもよいし、選択基準としてもよい。先に説明したように、複数キーワードの順序については、各単語について前に接続する言葉と後に接続する言葉の種類や頻度を数え、連結性や関係性を考慮しておくものとする。このように、キーワードを複合化して考えると、保守履歴文書のなかで、設備の症状に合わせて、より的確な対策の事例を抽出できることになる。
　次に、新たに異常が発生した場合を考える。現象診断４１２にて、センサ信号視点で異常種類が決まり、たとえば異常名称は圧力低下であったとする。この場合、上記診断モデルに従えば、バルブ交換の確率が１０％であり、ほかと比べると高い率であることが分かるため、このバルブ交換をするかどうかを、まずこの診断モデルにて現場にて確認することになる。勿論、センサ信号をさらにくわしく分析し、故障部位を特定することもあり得る。
　本実施例では、さらに上記テーブル４２０を活用する。通常は、現象は複雑であり、異常名称が圧力低下であるとしても、バルブ以外の部品を交換するケースの方も多いと考えられる。そこで、故障現象４２７を表した頻度パターン（図４Ａのモデル４２０において、水温低下４２６や圧力上昇４２４の頻度４３０）に着目し（現象ごとに、図４Ｂに示したように、バルブ交換に至った故障現象の頻度パターン４３０を生成。縦軸は頻度、横軸は故障現象の種類や、故障現象への寄与度を表す）、この頻度パターン４３０を特徴量とみなして、この特徴に合うものとして、バルブの頻度パターン、すなわちバルブ４２１を選択する。
　図４Ｂに示した例では、横軸をバルブ交換に至った故障現象をとっているが、対策内容や確認箇所、調整箇所などを横軸の項目にすることも可能である。なお、故障現象への寄与度は、各センサ信号（図２の１０４）の正常状態からの乖離度である。
　従って、診断開始時は、観測され診断されるデータに関しては、頻度でなく、ある種のパターンとなっていることに注意が必要である。勿論、診断開始時に、寄与度のみならず、その時間的集計である寄与度の頻度として情報を利用できることもある。後述の図１６に示す残差ベクトルの時系列変化に着目し、それを一定の時間ウィンドウ内の発生頻度として扱えば、頻度情報・頻度パターンとして扱うこともできる。いずれにせよ、上述した頻度パターンに基づく方法は、ある・なしと言った単純な処理でなく、分布の形態に着目するため、単なる検索に基づく手法に比べ、柔軟性、ロバスト性が極めて高い。
　このように、診断モデルを使えば、現場での診断作業が円滑に実施でき、大幅に作業時間を短縮できる。また、交換部品候補を事前に準備できるため、設備復旧時間も大幅に短縮できる。
　上記例では、頻度パターンを故障現象の種類としたが、確認部位、調整箇所、オンコールにて取得した情報、交換部品、持ち帰って判明した原因など、利用できる情報ならば何でもよい。頻度に着目したバグオブワーズ法（bag of words）が活用できる所以でもある。また、横軸の項目が多いときは、次元が高いとも言えるため、次元削減をしておくことも有効である。主成分分析や独立成分分析、特徴量の選択など、通常のパターン認識手法が有効に使えるとも言える。白色化などの正規化手法も使うことができる。
　図４Ａの異常検知・診断システムにおいては、分類視点としては、交換部品の例が示されているが、これ以外の分類視点もあり得、ほかの定義のカテゴリ、例えば、数値や状態の確認箇所や抵抗値や設定時間などの設定ダイヤルなどの調整箇所を横軸にテーブル（診断モデル）４２０を作成してもよい。すなわち、目的、状況、使用者に応じて、複数のシートに分かれた、複数の診断モデルを使う。なお、バグオブワーズ法（bag of words）以外のパターン統計手法も使うことができる。
　さらに、これらの診断結果について、的中率を評価し、診断精度向上をまわす仕組みを構築できる。図４Ａの対策指示の的中率評価４２９は、診断結果が実際にあっているかどうかを評価するものである。この的中率が上がるように、異常検知と診断を改善できるよう、的中率を表示するものである。対策が不要な異常予兆については、異常検知自体の過検出の恐れがある。そのため、この場合は、異常検知の感度、たとえばセンサ信号を判定しきい値と比較するif then形式では、その判定しきい値を調整する。事例ベースによる異常検知でも同様であるが、後述するパターン認識手法では、過検出が起きた場合、これらを正常データであると教示することもできる。このように、対策が必要であるが、対策が無意味であったり、対策の効果が小さい異常については、診断の精度が可視化できるため、その向上を図ることができる。いずれの場合も、異常検知と診断のＰＤＣＡサイクルを客観的数値に基づいて、まわすことが可能になる。
　この診断モデルは、初学者向けの教育用の情報としても活用できる。さらに、診断モデルをもとに、保守の作業手順書に反映することもできる。
　図４Ａにおいて、現象分類４３２も重要である。ここで言う現象分類は、調整や交換といった処置の視点で、センサ信号４１０を対象に得られた異常に対してキーワード（カテゴリ）を定義しておくことである。定義されたキーワード（カテゴリ）は追加され、或いは修正され、診断モデル４１３に使われる。具体的には、異常やその予兆に、現象分類の結果に従い、キーワード（カテゴリ）を付加する。水圧上昇があったなら、水圧上昇というキーワード（カテゴリ）をつけるのが最も簡単なケースである。また、C4．5などの決定木にもとづく分類に従えば、自動的にキーワード（カテゴリ）を付加できる。現象に応じて、キーワードを付加するが、調整や交換の種類が判明した段階で、キーワード（カテゴリ）をグルーピングしたり、細分化して、新たなキーワード（カテゴリ）を付加する。このように現象分類は編集できることが必要である。
　図４Ａに示した保守履歴情報４０１は、保守に関するＥＡＭとでも言うべきものである。一般に、ＥＡＭは、enterprise asset managementの頭文字であり、企業資産管理・設備資産管理とも呼ばれる。企業が保有する設備資産に関するさまざまな情報を、そのライフサイクルを通じて一元管理することで、資産自体とそれにかかわる業務を可視化・標準化・効率化する業務改善ソリューションをさすが、図４Ａは、保守に特化したＥＡＭである。このような保守ＥＡＭでは、保守履歴情報４０１などの文書管理以外に、異常予兆検知、診断、保守パーツ計画からなる。なお、保守パーツ計画は、診断結果に基づき、保守を実施する場合の保守部品の在庫管理を適正化するものである。
　図４Ｃ及び図４Ｄは、センサデータ３１０を入力してイベントデータ１０５を用いて区間切出し４４１，４４１’を行い検知された予兆を、学習時教示した現象や対策情報（部品交換、調整、再立上げなど）４４４に応じて、特徴抽出分類４４２，４４２’して識別ルール４４３又は分類結果４４５を作成することを示すブロック図である。
　図４Ｃが学習時、図４Ｄが運用時である。センサデータ３１０を、現象や対策情報４４４に応じて特徴抽出分類４４２，４４２’する。これにより、新規に検知した予兆を、すみやかに対処に導くことができる。分類は、サポートベクターマシン、ｋ－ＮＮ、決定木のような通常の識別器を使うことができる。図４Ｃ及び図４Ｄに示した例においては、異常予兆を含むように区間を決める。ただし、異常予兆時点からすべて、異常予兆時点を含む１／２、異常予兆時点を含む１／４など区間を選択する。
　図４Ｅは、さらに、異常と対策の関係を表すため、異常事象に対する対策のジョイントヒストグラムを取得し、これの頻度上位の対策（カテゴリ）を頻度が高い順に横軸に示したグラフである。縦軸は頻度を表す。ここでは、ある異常を例にとり、実際に行われた対策を示している。このような関係から、異常が発生した時のセンサデータを取得し、これを図４Ｃに示した方法により学習する（識別器のパラメータを決める）。そして、異常予兆が検知されたときに、センサデータを、上記学習データを用いてカテゴリに分類すれば、予兆の段階で、なすべき対策をイメージできることになる（今までは、異常の種類が特定できるが、対策までは思い浮かばない）。
　また、図４Ｅは、単独でも、対策の優先順位につながるものであり、これを表示することは有意義である。図示した例では、頻度が少ない対策も少なからずある。これらを網羅し、俯瞰できることに意味がある。
　図５に、アラーム番号５０１ごとのアラーム発生５０２、現地調査の有無５０３、処置の内容５０４を示す。処置内容５０４は、リセット５０４１、調整５０４２、部品交換５０４３、持ち帰り調査５０４４などを示している。図６は部品表６００であり、ユニット６０１、パーツ番号６０２、パーツ名称６０３の一例である。
　図７Ａは現象７１０と、調整・交換部品７２０の対象間の対応表７００であり、紐付けに基づいて頻度を表すものである。これらに記載のキーワード７２１～７２５を抽出しそれらの頻度の合計７２６を集計して、診断モデル作成に使用する。なお、現象７１０には、水圧低下７１１、圧力上昇７１２、回転数超過７１３、異音７１４、画質不良７１５などがある。これらは、設備の部位ごとに、分けてもよい。また、画質不良７１５には、設備ごとに、機能不良などにより、さらに細かい分類がなされているのが普通である。
　図７Ｂに、現象に対応する、部品毎の頻度パターン７３０を示す。ポンプＡ７３１や電源７３２に対し、調整や交換を行った場合に発生していた現象の発生頻度（実際には、作業報告書に記載されたキーワードの頻度でもよいし、作業者に付加されたカメラ等により記録された画像を分析した結果に基づき、抽出されたキーワードでもよい）を集計したものである。この頻度のパターンが、バグオブワーズ法（bag of words）の特徴量となる。調整や交換を分けて、それぞれ集計してもよいし、独立に集計してもよい。頻度パターンの各項目は、追加、編集可能な形態とする。
　なお、図７Ａは調整や交換の結果を集計した結果であるが、共起性の考えを用いて、現象が同時に起きるものをペア、あるいは２組以上のグループとみなして、このグループをひとつの現象と見なすこともできる。これは、図４Ａに記載している現象分類４１２に属する。なお、同時とは、定めた時間内に起きる現象を指しており、発生順序を考慮する場合と発生順序を考慮しない場合がある。発生順序を考慮する場合は、因果律を念頭に置いたものとなる。
　さらに、図７Ｂでは、頻度パターン７３０の各項目は、保守員から保守センターへの問合せの回数やその内容（キーワードにて記述）を含むものとする。
　こういった各種キーワード類の頻度パターン７３０は、設備のおかれた状況、異常発生の状況、保守の状況、部品交換にいたる状況、過去の事例などを表す「文脈」とも言えるものである。いままで、キーワード単独での検索に、前後関係、おかれた状況などを加えたものを、ある意味、検索できるようになると考えられる。言い方を変えると、今までは、if thenと言った形式で書かれており、使用状況が検索では、的を得ず、結果として、then部の診断や対策が無駄に終わることが多かったが、このような無効なキーワード表現・使用状況が、頻度パターンにより、より柔軟に表現され、的を得た形式になったと考えられる。これにより、if thenに基づく診断・対策に比べ、はるかに信頼性の高い診断が実施できるようになった。
　図８Ａは、事例ベースに基づいて異常を検知する方法で、多次元センサ信号を対象にした事例ベース異常検知：多変量解析の例を示したものである。図１に示した多次元時系列センサ信号取得部１０３で取得したセンサデータ１～Ｎ：１０４、および稼動時間などの稼動データ１０８を、本実施例による異常検知・診断システム１００受け取って、特徴抽出・選択・変換１１１２、クラスタリング１１１６、学習データ選択（更新）１１１５を行い、多次元時系列のセンサデータ１０４に対して、多変量解析により識別部１１１３にて、正常データから見て、はずれ値となる観測センサデータ、あるいはその合成値を統合部１１１４に出力する。統合部１１１４において異常あるいは、その予兆が検知されると、上述した診断、すなわち故障現象への寄与度（寄与度のみならず、その時間的集計である頻度としてのパターン）と過去事例に基づく頻度パターンの照合動作などの診断を開始する。
　クラスタリング１１１６では、運転状態などに応じて、モード別にいくつかのカテゴリにセンサデータを分ける。センサデータ以外に、イベントデータ（設備のON／OFF制御、各種アラーム、設備の定期検査・調整など）１０５を用いて、その分析結果に基づき、学習データの選択や異常診断を行うこともある。イベントデータ１０５は、クラスタリング１１１６への入力として、イベントデータ１０５に基づいてモード別にいくつかのカテゴリにデータを分けることもできる。イベントデータ１０５の分析と解釈は、分析部１１１７にて行われる。
　さらには、識別部１１１３において、複数の識別器を用いた識別を行い、結果を統合部１１１４において統合することにより、よりロバストな異常検知も実現できる。識別部１１１３への入力であるしきい値は、異常予兆の判定用しきい値である。異常の説明メッセージは、統合部１１１４において出力される。
　図８Ｂは、異常予兆検知の性能を表すためのConfusion Matrixと呼ばれる正誤表と、性能の指標であるF値などを示したものであり、表の中で定義されるＴＰ，ＴＮ，ＦＰ，ＦＮを用いて、Ｆ＝２× Precision× Recall／（Precision＋ Recall）、Precision（適合率）＝ＴＰ／（ＴＰ＋ＦＰ）、Recall（再現率）＝ＴＰ／（ＴＰ＋ＦＮ） と定義される。的中率は、ＦＮ／（ＦＰ＋ＴＮ）などと定義される。同様に、正常期間を異常とする虚報（誤報）は、ＦＮ／（ＴＰ＋ＦＮ）などと定義される。これらの性能指標が、異常予兆検知の性能向上に使用される。
　稼動データの例を図９Ａに示す。図９Ａに示した例は、サイトが異なる同一機種の設備１０８１、１０８２についてそれぞれの設備の日単位での稼働時間の累積値を示したグラフである。横軸が日付け（相対値）、縦軸が稼動時間の累計（相対値）を表す。この図では、二つの設備は、ほぼ同じ稼動時間であり、すなわち同じ使われ方、運用がされていることがわかる。設備の稼働時間は、たとえば、鉱山用のマイニングに使われる大型のショベルのケースでは、ショベルの走行時間、旋回時間など、いろいろな稼働時間がある。たとえば、エンジン稼働合計時間、エンジン回転数合計時間、エンジン冷却水温度合計時間などである。街中で使われる中・小型のショベルや振動ローラでも同様であるが、その用途はさらに多様である。これらの稼動時間は、基本的にショベルの劣化と関係性をもつ。したがって、稼働時間に対する劣化の早いショベルは、保守に対する注意がより必要と考えられる。
　もちろん、設備の劣化は、部品交換を実施した、オーバーホールを実施したといった過去の経歴に依存するものである。
緯度、経度、高度なども異常検知をする上で、参考となる入力情報である。
　図９Ｂには、サイトが異なる同一機種の設備１０８１、１０８２のセンサ信号の累積値の例として、ショベルのエンジン冷却材の温度の累積値を示したものである。この例では、二つの設備１０８１と１０８２は、センサ信号の累積値が異なる傾向を示している。二つの設備１０８１と１０８２の図９Ａに示したような稼動時間を知らなければ、この傾向の違いの良否は判断できない。この例では、センサ信号の累積値が異なる傾向を示したが、稼動時間が異なるにも拘らず、同じ傾向を示しているならば、そこには、また稼動に合わせた良否判断が必要である。
　図１０Ａ及びＢに、センサ信号の累積値の校正の考え方を示す。稼動時間で校正することにより、基準に対する大小関係から、着目設備の状態をより的確に判断可能となる。この校正値を観測データまたは学習データとして扱う。図１０Ａは、センサ信号の累積値を稼動時間で正規化した例を示し、基準曲線１００１に対して上限曲線１００２と下限曲線１００３を設定し、上限曲線１００２を上回ったとき又は下限曲線１００３を下回ったときに特性が劣化したものと判断される。
　一方、図１０Ｂは、稼動時間自体をどのように補正するかを示したものである。ノーマル補正曲線（直線）１００５に対して、ライフサイクルの後半など、設備状態にケアが必要な場合、補正を非直線化１００６して、はずれを強調（晩年強調）することを示している。初期不良を強調したい場合、稼動初期を非直線化することも可能である。いわゆる故障の特性を表すバスタブ曲線に応じて、感度を変えることが可能になる。この曲線データは、テーブルなどに格納し、設備ごとに参照する。
　もちろん稼働時間とセンサ信号の双方を多次元ベクトルとしてまとめ、観測データや学習データとして扱ってもよい。その場合、学習データには、稼働時間のレンジをカバーする設備のデータを準備する必要がある。言い方を換えれば、運転や操作のパターンが異なったり、過去の稼動時間が異なる複数の設備のデータを一緒に扱え、これが故に、個々の設備の異常度合いを、より多くのデータで、より客観的に、設備が置かれた自然環境・人為環境も考慮して、総合的な異常検知が実現できる。一義的には稼動時間ではないが、ショベルやダンプの場合、対象とした土量などのトン数累積値なども、稼動時間に匹敵するものと考えられ、上記多次元ベクトルの一要素となりえる。さらには、定期点検の回数、交換部品の点数なども、上記多次元ベクトルの一要素となりえる
　稼動時間について述べたが、種々の時間を考慮する、その結果として、設備のライフサイクルも考慮した、異常検知が行えることになる。
　図１１Ａに、異常検知・診断システム１００で実行される異常予兆検知から対策に至る保守作業の全体像を示す。設備に付加した複数のセンサ信号１０４と稼動時間などの稼動情報１０８を、予兆検知部１１０１（後述する図１８Ｂの１５３０に相当）に入力し、異常予兆の有無を判断する。予兆検知部１１０１では、学習データ管理部１１０２で管理されている学習データやしきい値管理部１１０３で管理されているしきい値を用いて、図８Ａで説明したように正常状態からの逸脱の有無を監視する。予兆検知部１１０１と学習データ管理部１１０２及びしきい値管理部１１０３で構成される１１１０は、図８Ａで説明した処理を実行する部分に相当する。
　予兆検知部１１０１で複数のセンサ信号１０４と稼動情報１０８とを処理して異常予兆が認められた場合、保守作業のトリガ１１０１１が診断部１１０４へ出力される。同時に、どのセンサ信号・稼動情報のデータ、波形を見るべきか、波形の表示指示信号１１０１２が波形表示部１１０５へ出力され、波形表示部１１０５に指示されたセンサ信号・稼動情報のデータ、波形が表示される。
　保守作業のトリガ１１０１１が入力された診断部１１０４で行われる診断は、図４Ａを用いて説明した方法でなされる。もちろん、作業者にも、確認のため、情報が出力される。診断部１１０４で診断した結果得られた情報として、対策候補１１０４１が表示画面上に提示、指示され、この指示に基づいて、対策指示部１１０６で対策がなされる。指示した対策案の良否は、把握可能なため、対策指示の的中率評価部１１０７で的中率として評価できる。
　異常予兆検知の場合は、図８Ｂにて説明した通りであるが、ここでは、これを対策に広げている。対策においては、的中率は、３レベル程度あれば、妥当であると考える。すなわち、設備動作は改善され、的中したと考えられるもの、動作を正常に戻すことはなかったため、的中せずと考えられるもの、対策が不要であったものである。保守履歴情報は保守履歴情報管理部１１０９で管理され、その設備の既往症などが分かるカルテなどが設備カルテ作成部１１０９で生成される。
　図１１Ｂに、設備カルテの例を示す。各設備における、ソフトウェアのバージョン情報や交換部品情報などを含む。この設備カルテも、対策検討や確認に使用される。
　対策指示の的中率評価部１１０７で算出した対策指示の的中率は、学習データ管理部１１０２における予兆検知の学習データの更新や是正、しきい値管理部１１０３におけるしきい値の修正などに使われ、予兆検知部１１０１における予兆検知の感度補正が実施される。たとえば、対策が不要な異常予兆の場合は、しきい値を上げて感度を抑制する。図８Ａの識別部１１１３への入力であるしきい値を制御する。学習データ不足で異常予兆が検知されたときは、学習データを追加する。図８Ａにおいて、学習データ選択（更新）部１１１５において、学習データの追加を行う。
　また、波形表示部１１０５では、有効なセンサ信号を、故障ごとに記憶しておき、それを優先的に表示する。
　図１２に事例ベースに基づく異常検知処理を実行する異常検知・診断システム１００の内部の構成を示す。この異常検知において、９１２は特徴抽出／選択／変換部で多次元時系列信号取得部１０３で取得された各種センサの信号１０４に基づく多次元時系列信号９１１を受けて処理する。９１３は識別器、９１４は統合処理部（グローバル異常測度）、９１５は主に正常事例からなる学習データ記憶部を示している。
　多次元時系列信号取得部９１１から入力された多次元時系列信号は、特徴抽出／選択／変換部１２で次元が削減され、識別器９１３の複数の識別器９１３－１，９１３－２・・・９１３－ｎにより識別され、統合処理部（グローバル異常測度）９１４によりグローバル異常測度が判定される。学習データ記憶部９１５に記憶されている主に正常事例からなる学習データも複数の識別器９１３－１，９１３－２・・・９１３－ｎにより識別されて、グローバル異常測度の判定に用いられると共に、学習データ記憶部９１５に記憶されている主に正常事例からなる学習データ自体も取捨選択され、学習データ記憶部９１５での蓄積・更新が行われて精度の向上が図られる。
　学習データの更新は、データ間の類似度を評価し、類似したデータは重複があると考えられ、取り除くことを行い、類似していない正常データが観測された時は、これを追加することを行う。
　このように、学習データは自動的に追加・削除を行うことができ、異常判定に要する時間の短縮を図ることもできる。
　具体的には、下記手順にて行う。
■準備作業（オフライン）
（ｉ）学習データを取得（No．１～M）
（ｉｉ）すべての学習データに対し、相互に距離計算
（ｉｉｉ）学習データの個々に対し、距離順に順位付け
　（各学習データが、それに近いものから順に番号の入ったテーブルをもつ）
（ｉｖ）遠いものは、妥当性確認
　（重要ならば、学習データ不足の恐れあり）
（ｖ）上記順位をテーブルとして保持
■診断開始
観測データ1（ｊ＝1）点目（観測クエリ）に対し、
（ｉ）学習データの距離を計算
（ｉｉ）上位N個を探索データとする
（ｉｉｉ）部分空間方LSCにて、ｋ個を選ぶ
観測データ２（ｊ＝2）点目以降
（ｉｖ）観測データｊ－1点目とｊ点目の距離ｄ（ｊ）を算出
（ｖ）観測データｊ－1点目で選ばれた最近傍学習データから、距離min｛d（ｊ），th｝離れた学習データまでを選択（thは、上限を与えるしきい値）
（ｖｉ）上記選択された学習データそれぞれから、近傍のN個の学習データをさらに選択
（ｖｉｉ）上記N＋α個をカバーする学習データを、探索対象データとする
  （N＋αが小さければ、高速化可能）
（ｖｉｉｉ）LSCにて、ｋ個を選ぶ（最近傍学習データを記憶し、次回ｊ＋1点目にて使う）
（ｉｘ）上記手順（ｉｖ）～（ｖｉｉ）を繰り返す
（ｘ）活用された学習データは使い、活用頻度の低いデータは削除
  （学習データの更新自体を繰り返す診断対象では、（ｘ）は不要）
考え方は、学習データを最小限にしながら、変動には追従しようと言うもので、前回探索した範囲から、観測データのふらつき分は、範囲を拡大するというものである。
　図１２には、ユーザがパラメータを入力する入力部１２３に表示される操作ＰＣの画面９２０も図示している。入力部１２３からユーザが入力するパラメータは、データサンプリング間隔１２３１、観測データ選択１２３２、異常判定しきい値１２３３などである。データサンプリング間隔１２３１は、例えば、何秒おきにデータを取得するかを指示するものである。
　観測データ選択１２３２は、センサ信号のどれをおもに使うかを指示するものである。異常判定しきい値１２３３は、算出した、モデルからの偏差・逸脱、はずれ値、乖離度、異常測度などと表現した、異常らしさの値を２値化するためのしきい値である。
　異常検知の的中率１２３４は、過去検知した異常予兆が、的中したかどうかを表す数値（出力）である。図８Ｂにて説明したが、的中率以外に、虚報率なども表示可能である。的中率、虚報率などの性能指標は、予兆検知の学習データの更新や是正、しきい値の修正などに使われ、予兆検知の感度補正が実施される。
　図１２に示された識別器９１３はいくつかの識別器（９１３－１，９１３－２、・・・９１３－ｎ）を準備し、統合処理部９１４でそれらの多数決をとる（統合）ことが可能である。即ち、異なる識別器群（９１３－１，９１３－２、・・・９１３－ｎ）を用いたアンサンブル（集団）学習が適用できる。例えば、第一の識別器９１３－１は投影距離法、第二の識別器９１３－２は局所部分空間法、第三の識別器９１３－３は線形回帰法、第四の識別器９１３－４は非線形回帰法であるガウシアンプロセス法と言ったものである。事例データに基づくものならば、任意の識別器が適用可能である。ガウシアンプロセスについては、非特許文献３に記載がある。
　図１３Ａ乃至図１３Ｃは、識別器９１３における識別手法の例を示したものである。図１３Ａに、投影距離法を示す。投影距離法は、学習データを近似する部分空間への投影距離により識別する方法である。
　投影距離法においては、先ず、学習パターン｛ｘｊ｝のクラスタ毎の平均miと共分散行列Σiを次式により求める。
Figure JPOXMLDOC01-appb-M000001
ここで，niはクラスタωiに属する学習パターンの個数である。
　次に，Σiの固有値問題を解き，累積寄与率に基づき値の大きい方からr個の固有値に対応する固有ベクトルを並べた行列Ｕiを，クラスタωiのアフィン部分空間の正規直交基底とする。アフィン部分空間への投影距離 の最小値を未知パターンxの異常測度と定義する。正常学習データのみを使う１クラス分類であるが，学習データ自体が運転ON／OFFなど異なる状態を含むため，学習データに対して，観測データに近いk－近傍のデータを一つのクラスタとして部分空間を生成する。この時，観測データからの距離が所定範囲内にある学習データを選ぶ（RS法:Range Search）。また，過渡期の変動に対応すべく，選択したデータの時間的前後のL個（時刻t－t1～t＋t2，t1，t2はサンプリング考慮）の学習データも用いて部分空間を生成する（時間拡張RS法）。さらに，投影距離は，最低個数から選択個数までのうち，値が最小になるものを選ぶ。
　観測データ１点に対して，最小限の学習データを選択するが，観測データ1点のみで最高感度かどうかは不明であり，後述するように（図１３Ｃ、相互部分空間法）、観測データについても部分空間を生成する。学習データでは，時間拡張Range Search法で選択したL個×k組（以下）のデータからなる部分空間を生成するが、観測データは窓区間の長さが自由度になり、その選択が鍵になる。窓区間を長くとると，データの変動を捉えることになるが，時刻に独立な扱いのため変化を検知できない恐れが増し，さらに学習データも対応しなくなる。
　学習データが張る部分空間の次元数nに基づき，観測データの最小の窓区間を決める。次元数nは累積寄与率から算出し，観測データが最大n＋1個となる条件で，次元数をもとに観測データの窓区間長Ｍを探索的に定め，部分空間を生成する。そして，部分空間同士のなす角度cosθあるいはその二乗を求める。立案手法は，時系列データに対し，最小限の学習部分空間をまず生成し，次に類似性と時間窓の観点で観測データを適切に選択し，類似部分空間を逐次生成することに特徴がある。
　なお、投影距離法では、各クラスの重心を原点とする。各クラスの共分散行列にＫＬ展開を適用して得られた固有ベクトルを基底として用いる。いろいろな部分空間法が立案されているが、距離尺度を有するものならば、はずれ度合いが算出可能である。なお、密度の場合も、その大小により、はずれ度合いを判断可能である。投影距離法は、正射影の長さを求めることから、類似度尺度である。
　このように、部分空間にて距離や類似度を計算し、はずれ度合いを評価し、しきい値との比較により、異常予兆の有無を判断することになる。投影距離法などの部分空間法は、距離に基づく識別器のため、異常データが利用できる場合の学習法として、辞書パターンを更新するベクトル量子化や距離関数を学習するメトリック学習を使うことができる。
　図１３Ｂに、識別器９１３における識別手法の別の例を示す。局所部分空間法と呼ばれる方法である。局所部分空間法は、距離近傍データが張る部分空間への投影距離により識別する方法であって、未知パターンｑ（最新の観測パターン）に近いｋ個の多次元時系列信号を求め、各クラスの最近傍パターンが原点となるような線形多様体を生成し、その線形多様体への投影距離が最小となるクラスに未知パターンを分類する。局所部分空間法も部分空間法の一種である。ｋは、パラメータである。異常検知では、未知パターンｑ（最新の観測パターン）から正常クラスまでの距離を求めて、これを偏差（残差）とし、しきい値と比較する。
　この手法では、例えば、ｋ個の多次元時系列信号を用いて形成される部分空間への、未知パターンｑ（最新の観測パターン）からの正射影した点を推定値として算出することもできる。
　また、ｋ個の多次元時系列信号を、未知パターンｑ（最新の観測パターン）に近い順に並べ替え、その距離に反比例した重み付けを行って、各信号の推定値を算出することもできる。投影距離法などでも、同様に推定値を算出できる。
　パラメータｋは、通常は１種類に定めるが、パラメータｋをいくつか変えて実行すると、類似度に応じて対象データを選択することになり、それらの結果から総合的な判断となるため、一層効果的である。
　さらには、図１４Ａに示すように、局所部分空間法におけるｋの値として、観測データごとに適切な値とすべく、観測データからの距離が所定範囲内にある学習データを選択し、しかも学習データを最低個数から選択個数まで順次増やして投影距離が最小になるものを選んでもよい。
　これは、投影距離法にも適用できる。具体的手順は、下記の通りである。
１．観測データと学習データの距離を算出し、昇順に並替え。
２．距離　d＜th　かつ　個数k以下となる学習データを選択。
３．ｊ＝1～k個の範囲で投影距離を算出し、最小値を出力。
　ここで、しきい値thは、距離の頻度分布から、実験的に定める。図１４Ｂの分布が、観測データから見た、学習データの距離の頻度分布を表している。この例では、設備のＯＮ，ＯＦＦに応じて、学習データの距離の頻度分布が双峰的になっている。二つの山の谷が、設備のＯＮからＯＦＦへ、または逆のＯＦＦからＯＮへの過渡期を表している。
　この考えは、レンジサーチ（Range Search:ＲＳ）と呼ばれる概念であり、これを学習データ選択に応用したと考える。特許文献１および２に開示されている方法にも、このレンジサーチ形の学習データ選択の概念は適用可能である。なお、局所部分空間法では、異常値が若干混ざっていても、局所部分空間にした時点で、その影響が大きく緩和される。
　なお、図示していないが、ＬＡＣ（Local Average classifier）法と呼ぶ識別では、ｋ近傍データの重心を局所部分空間と定義する。そして、未知パターンｑ（最新の観測パターン）から重心までの距離を求めて、これを偏差（残差）とする。
　図１３Ｃは相互部分空間法と呼ばれる手法である。学習データのみならず、観測データも部分空間でモデル化する。この場合、観測データは、過去に遡るN個の時系列データである。相互部分空間法においては、（数２）で表されるデータの自己相関行列Ａの固有値問題を解く。
Ａ＝１／Ｎ（ΣφφＴ）　　・・・（数２）
　図１３Ｃにおいて、φ及びψは、部分空間の正規直交規定を示す。また、cosθが類似度を表し、この類似度により観測データを評価し、しきい値と比較して、異常予兆を検知する。相互部分空間やその拡張は、たとえば「堀田政二， 河原智一，山口修，坂野 鋭，''核非線形相互部分空間法の振る舞いについて，''信学技報，PRMＵ2010，vol．110，no．187，pp．1－6，Sep．2010．」に述べられている。
　図１２に示した、識別器９１３における識別手法の例は、プログラムとして提供される。なお、単に、１クラス識別の問題と考えれば、１クラスサポートベクターマシンなどの識別器も適用可能である。この場合、高次空間に写像する、radial basis functionなどのカーネル化が使えることになる。
　１クラスサポートベクターマシンでは、原点に近い側が、はずれ値、即ち異常になる。ただし、サポートベクターマシンは、特徴量の次元は大きくても対応できるが、学習データ数が増えると計算量が膨大となるという欠点もある。
　このため、ＭＩＲＵ２００７（画像の認識・理解シンポジウム、Meeting on Image Recognition and Ｕnderstanding 2007）にて発表されている、「ＩＳ－２－１０　加藤丈和，野口真身，和田俊和（和歌山大），酒井薫，前田俊二（日立）；パターンの近接性に基づく１クラス識別器」などの手法も適用可能であり、この場合、学習データ数が増えても、計算量は膨大なものとならないというメリットがある。
　このように、低次元モデルで多次元時系列信号を表現することにより、複雑な状態を分解でき、簡単なモデルで表現できるため、現象を理解しやすいという利点がある。また、モデルを設定するため、特許文献１および２に開示されている方法のように完全に、データを完備する必要はない。
　図１５は、図１１Ａにて使われる多次元時系列センサ信号取得部１０３で取得した多次元時系列信号であるセンサデータ１～Ｎ：１０４の次元を削減する特徴変換１２００の例を示したものである。種類１２６０としては、主成分分析１２０１以外にも、独立成分分析１２０２、非負行列因子分解１２０３、潜在構造射影１２０４、正準相関分析１２０５など、いくつかの手法が適用可能である。図１５には、方式図１２１０と機能１２２０を併せて示した。
　主成分分析１２０１は、ＰＣＡと呼ばれ、Ｍ次元の多次元時系列信号を、次元数ｒのｒ次元多次元時系列信号に線形変換し、ばらつき最大となる軸を生成するものである。ＫＬ変換でも構わない。次元数ｒは、主成分分析により求めた固有値を降順に並べ、大きい方から加算した固有値を全固有値の和で割り算した累積寄与率なる値に基づいて決める。
　独立成分分析１２０２は、ＩＣＡ（Independent Component Analysis）と呼ばれ、非ガウス分布を顕在化する手法として効果がある。非負行列因子分解は、ＮＭＦ（（Non－negative Matrix Factorization）と呼ばれ、行列で与えられるセンサ信号を、非負の成分に分解する。
　機能１２２０の欄で教師なしとしたものは、本実施例のように、異常事例が少なく、活用できない場合に、有効な変換手法である。ここでは、線形変換の例を示した。非線形の変換も適用可能である。
　上述した特徴変換は、標準偏差で正規化する正準化なども含め、学習データと観測データを並べて同時に実施する。このようにすれば、学習データと観測データを同列に扱うことができる。
　図１６は、残差パターンによる異常発生の予兆検知技術の説明図である。図１６は、残差パターンの類似度算出の手法を示している。図１６は、局所部分空間法により求めた各観測データの正常重心に対応し、各時点でのセンサ信号Ａとセンサ信号Ｂとセンサ信号Ｃの正常重心からの偏差が空間内の軌跡として表現されている。正確には、各軸は主要な主成分を表している。
　図１６では、時刻ｔ－１、時刻ｔ、時刻ｔ＋１を経過する観測データの残差系列が矢印のついた点線で示されている。観測データ及び異常事例それぞれの類似度は、それぞれの偏差の内積（Ａ・Ｂ）を算出して推定することができる。また、内積（Ａ・Ｂ）を大きさ（ノルム）で割って、角度θで類似度を推定することも可能である。観測データの残差パターンに対して類似度を求め、その軌跡により、発生すると予測される異常を推測する。
　具体的には、図１６には、異常事例Ａの偏差１３０１、異常事例Ｂの偏差１３０２が示されている。矢印のついた点線で示されている時刻ｔ－１、時刻ｔ、時刻ｔ＋１を含む観測データの偏差系列パターンを見ると、時刻ｔでは異常事例Ｂに近いが、その軌跡からは、異常事例Ｂではなく、異常事例Ａの発生を予測することができる。該当するものが過去の異常異例になければ、新規な異常と判定することもできる。また、図１６に示した空間を、頂点が原点に一致する円錐状の区間で分け、この区間により、異常を識別することもできる。
　異常事例を予測するために、異常事例が発生するまでの偏差（残差）時系列の軌跡データをデータベース化しておき、観測データの偏差（残差）時系列パターンと軌跡データベースに蓄積された軌跡データの時系列パターンの類似度を算出して異常発生の予兆を検知することができる。
　このような軌跡を、ＧＵＩ（Graphical Ｕser Interface）にてユーザに表示すると、異常の発生状況が視覚的に表現でき、対策などにも反映しやすい。
　総合的な残差のみを時間的経緯を無視して追跡していると、異常現象を理解しづらいが、残差ベクトルの時間経緯を追えると、現象が手に取るように分かる。理論的には、複合事象の各事象のベクトル加算演算を行うことにより、複合事象の異常発生の予兆を検知することができ、残差ベクトルが、的確に異常を表現することが分かる。過去の異常事例Ａ，Ｂなどの軌跡が既知としてデータベースにあれば、これらと照合して、異常の種類を特定（診断）できる。
　また、図１６を、一定の時間ウィンドウ内で残差ベクトルの発生として眺めれば、それを頻度として表現することもできる。頻度として扱うことができれば、図７Ｂに示したような形態の頻度分布情報を取得でき、これを現象のキーワードの出現頻度として扱うことができる。すなわち、診断に使うことができる。図１６の残差ベクトルを頻度として扱うには、図１６の各軸を一定幅に区切り、各立方体の区間に入るかどうかで、頻度分布を作成できる。図１６では、３次元、通常は多次元の頻度分布になるが、縦一列に並べるなどして１次元化（ベクトル化）することが可能であり、通常の頻度分布、頻度パターンとして扱うことができる。
　図１７に、本発明の異常検知・診断システム１００のハードウェア構成を示す。本システムは、プロセッサ１２０、データベース（ＤＢ）１２１、表示部１２２及び入力部（Ｉ／Ｆ）１２３を備えて構成される。異常検知を実行するプロセッサ１２０に、対象とするエンジンなどのセンサデータ１０４を入力し、欠損値の修復などを行って、データベースＤＢ１２１に格納する。プロセッサ１２０は、取得した観測センサデータ１０４、学習データからなるデータベース（ＤＢ）１２１のＤＢデータを用いて、異常検知を行う。表示部１２２では、各種表示を行い、異常信号の有無を出力する。トレンドを表示することも可能とする。イベントの解釈結果も表示可能とする。さらに、プロセッサ１２０は、保守履歴情報などが格納されているデータベース（ＤＢ）１２１をアクセスし、キーワードを抽出・検索し、診断モデルを生成することにより、異常診断を行い、その診断結果を表示部１２２にて表示する。現場での点検作業を記したフォールトツリー（診断手順書）では、センサデータを対策や調整視点で分類し、予兆を検知した段階で、最初に設備のチェックすべき分岐点などを指示するものである。
　診断結果は、図４Ａ乃至Ｅにて示した診断モデルを含む。即ち、現象診断の結果、現象分類の結果、診断モデルなどを表示するものである。また、図５、図６、図７Ａ及び図７Ｂに示した各種情報も表示する。特に、図７Ｂに示した頻度ヒストグラムは、図７Ａの頻度パターンを可視化するものとして重要な表示ファクタである。設備のおかれた状況、異常発生の状況、保守の状況、部品交換にいたる状況、過去の事例などを表す「文脈」として、その一部を、選択表示する。これらは、項目のマージなどの観点で編集可能である。
　さらに、診断結果のみならず、その的中率も表示部１２２にて表示する。これにより、診断結果の可視化が可能となり、ＰＤＣＡサイクルをまわすことが可能となる。
的中率は、たとえば、的中率＝有効であった対策／提示した対策案と言ったものである。
　上記ハードウェアとは別に、これに搭載するプログラムを、メディア媒体やオンラインサービスにより顧客に提供することもできる。
　データベース（ＤＢ）１２１は、熟練エンジニアらがＤＢを操作できる。特に、異常事例や対策事例を教示でき、格納できる。（１）学習データ（正常）、（２）異常データ、（３）対策内容、（４）フォールトツリー（診断手順を、if thenのように、木構造表現したもの）情報が、格納される。データベース（ＤＢ）１２１を、熟練エンジニアらが手を加えられる構造にすることにより、洗練された、有用なデータベースができあがることになる。また、データ操作は、学習データ（個々のデータや重心位置など）を、アラームの発生や部品交換に伴い、自動的に移動させることにより行う。また、取得データを自動的に追加することも可能である。異常データがあれば、データの移動に、一般化ベクトル量子化などの手法も適用できる。
　また、図１６にて説明した過去の異常事例Ａ、Ｂなどの軌跡を、データベース（ＤＢ）１２１に格納し、これらと照合して、異常の種類を特定（診断）する。この場合、軌跡をN次元空間内のデータとして表現し、格納する。プロセッサ１２０によるデータの処理や表示部１２２で表示するデータの指示は、入力部（Ｉ／Ｆ）１２３で行う。
　図１８Ａ及び図１８Ｂに、異常検知、及び異常検知後の診断を示す。図１８Ａにおいて、時系列データ取得部１０３から送られてくる設備１５０１からの時系列信号（センサ信号）１０４から、プロセッサ１２０の内部で信号処理して時系列信号の特徴抽出・分類１５２４を実行することにより、異常を検知する。設備１５０１は、１台のみとは限らない。複数台の設備を対象にしてもよい。同時に、各設備の保守のイベント１０５（アラームや作業実績など。具体的には、設備の起動、停止、運転条件設定、各種故障情報、各種警告情報、定期点検情報、設置温度などの運転環境、運転累積時間、部品交換情報、調整情報、清掃情報など）などの付帯情報を取り込み、異常を高感度に検知する。
　図１８Ａにおいて、時系列信号１０４の特徴抽出・分類１５２４に示した時系列データの波形１５２５が、観測信号を表し、本実施例にて検知した異常を、丸印１５２６で予兆として示している。この予兆は、異常測度が定めたしきい値以上になり（あるいは、設定した回数以上、異常測度がしきい値を超えれば）、異常ありと判定されたものである。この例では、設備停止に至る前に、異常予兆を検知でき、しかるべき対策が実施できる。
　図１８Ｂに示すように、異常予知・診断システム１００のプロセッサ１２０における予兆検知部１５３０により早期に予兆として発見できれば、故障となって稼動停止となる前に、何らかの対策がうてることになる。そして、センサデータ１０４を処理して部分空間法などにより予兆検知し（１５３１）、イベントデータ１０５を入力してイベント列照合なども加えて総合的に予兆かどうか判断し（１５３２）、この予兆に基づき、図４Ａ乃至図４Ｅにて示した方法にて異常診断部１５４０で異常診断を行い、故障候補の部品の特定やいつ当該部品が故障停止に至るかなどを推測する。そして、必要な部品の手配を、必要なタイミングで行う。
　異常診断部１５４０は、予兆を内包しているセンサを特定する現象診断と対策や調整視点で予兆を分類することによる現象診断部１５４１と、故障を引き起こす可能性のあるパーツを特定する原因診断部１５４２に分けると考えやすい。予兆検知部１５３０では、異常診断部１５４０に対して、異常の有無という信号のほか、特徴量に関する情報を出力する。異常診断部１５４０は、これらの情報をもとにデータベース１２１に記憶してある情報を用いて現象診断部１５４１で現象診断を行う。また、現象を分類する。さらには、センサデータを調整や対策などの視点で分類する。すなわち、図４Ａ乃至図４Ｅにて示した方法に基づき、原因診断部１５４２においてデータベース１２１に記憶してある情報を用いてチェック箇所の推奨や調整箇所の特定、交換すべき部品の特定としての原因診断が行われる。
　図１９に、得られた、各センサ信号の異常への影響度の情報から、各センサ信号のネットワークを作成した例を示す。基本的な温度１６０１、圧力１６０２、モータなどの回転数１６０３、電力１６０４などのセンサ信号に関して、異常への影響度の割合に基づき、センサ信号間に重みを付与できる。これらの関係も、キーワードとして、図４Ａ乃至図４Ｅの診断モデルで活用される。
　こういった関連性ネットワークができると、設計者が意図しない信号間の連動性、共起性、相関性などが明示でき、異常の診断時にも有用である。ネットワークの生成は、各センサ信号の異常への影響度のほか、相関、類似度、距離、因果関係、位相の進み／遅れなどの尺度で、これを生成することができる。
　＜対象設備のモデル；選択されたセンサ信号のネットワーク＞
図２０に異常検知、原因診断の部分に関して、さらにその構成を示す。図２０において、複数のセンサからデータを取得するセンサデータ取得部１７０１（図１の時系列データ取得部１０３に相当）、ほぼ正常データからなる学習データ１７０４、学習データをモデル化するモデル生成部１７０２、観測データとモデル化した学習データの類似度により観測データの異常の有無を検知する異常検知部１７０３、各信号の影響度を評価するセンサ信号の影響度評価部１７０５、各センサ信号の関連性を表すネットワーク図を作成するセンサ信号ネットワーク生成部１７０６、異常事例、各センサ信号の影響度、選択結果などからなる関連データベース１７０７、設備の設計情報からなら設計情報データベース１７０８、原因診断部１７０９、診断結果を格納する関連データベース１７１０、および入出力部１７１１からなる。これらの処理を通して得られたキーワードも、図４Ａ乃至図４Ｅの診断モデルで活用される。言い換えれば、これらの処理は、キーワード生成部としてみることも可能である。
　設計情報データベースには、設計情報以外の情報も含み、エンジンを例にとると、年式、モデル、部品表（BOM）、過去の保守情報（オンコール内容、異常発生時のセンサ信号データ、調整日時、撮像画像データ、異音情報、交換部品情報など）、稼動状況情報、輸送・据付時の検査データなどを含む。
　最後に、別の対象例を図２１Ａ及びＢに示す。図２１Ａは、穴明け加工用のドリル２１００の外観を示したものである。同図左側が刃先２１０１である。図２１Ｂは、ドリル２１００で試料２１１０を加工している状態を示す。試料２１１０を加工中に、ドリル２１００の刃先２１０１に欠損が生じることがあり、この状態管理が重要である。そこで、穴明け加工用モータ（図示せず）のサーボアンプ（図示せず）から電力信号を得て、この電力波形から、刃先２１０１の欠損の有無を検知する。検知方法は、図８Ａに示したものである。別に、振動測定用センサを付加して、高次の多次元センサ信号とし、検知感度をさらに高めることも可能である。さらには、マイクロホン２１３０にて、穴あけ加工中に音を拾い、この音信号を対象に、欠損検知することも可能である。特徴変換としては、フーリエ変換のたぐいが適している。
　また、予兆検知した場合、カメラ２１２０による画像検出によって、刃先２１０１の外観チェックを実施してもよい。穴あけごとに、外観チェックを行うか、一定数量の穴加工後に、外観チェックを行う。
　なお、図２１Ｂに示すように、穴あけ対象の試料２１１０から、切子２１１１がどのように出るかも、カメラ２１２０による画像検出の対象となり得、画像を対象に、図８Ａに示した方法で、異常検知を行うことも可能である。
　ドリル以外には、カッターなども対象に刃先の異常検知が可能である。さらには、穴あけ対象製品のできばえ（穴の開き具合）をカメラ２１２０で観察することも可能である。
　本発明は、プラント、設備の異常検知として利用することが出来る。
１００・・・異常予知・診断システム　　１０３・・・多次元時系列信号取得部　　１２０・・・プロセッサ　　１２１・・・データベース部　　１２２・・・表示部　　１２３・・・入力部。

Claims (14)

  1. 　プラント又は設備の異常或いは異常の予兆を検知し、前記プラント又は設備を診断する異常検知・診断方法であって、
    　前記プラント又は設備に装着した複数のセンサから取得したセンサデータ、および／あるいは運転時間や操作時間などの稼動データを対象に前記プラント又は設備の異常或いは異常の予兆を検知し、
    　前記プラント又は設備の保守履歴情報を用いて前記プラント又は設備の異常或いは異常の予兆と過去の対策を紐付けし、
    　該紐付け結果に基づいて、対策が必要な異常或いは異常の予兆を分類、提示する
    ことを特徴とする異常検知・診断方法。
  2. 　前記保守履歴情報は、オンコールデータ、作業報告書、調整・交換部品コード、画像情報、音情報の内の何れかを含み、前記保守履歴情報から定めたキーワードの出現頻度と他のキーワードとの連結回数や頻度を算出して高出現頻度のパターンを得、該得た高出現頻度のパターンをカテゴリとして、前記プラント又は設備で検知された異常或いは異常の予兆のセンサデータや稼動データを分類し、該分類した結果に基づいて、対策が必要な異常或いは異常の予兆を分類、提示することを特徴とする請求項１に記載の異常検知・診断方法。
  3. 　前記プラント又は設備の稼動データを取得し、また前記複数のセンサからセンサデータを取得し、該取得したセンサデータおよび／あるいは稼動データのうち、ほぼ正常データからなるデータを学習データとしてモデル化し、該モデル化した学習データを用いて前記取得したセンサデータ、稼動データの異常測度をベクトルとして算出し、該算出した異常測度ベクトルの大きさ或いは角度に基づいて、前記プラント又は設備の異常を検知することを特徴とする請求項１又は２に記載の異常検知・診断方法。
  4. 　前記稼動データを用いて、前記取得したセンサデータを校正し、校正したセンサデータを対象に、ほぼ正常データからなるデータを学習データとしてモデル化し、該モデル化した学習データを用いて前記校正したセンサデータの異常測度をベクトルとして算出し、該算出した異常測度ベクトルの大きさ或いは角度に基づいて、前記プラント又は設備の異常を検知することを特徴とする請求項１又は２又は３に記載の異常検知・診断方法。
  5. 　対策結果に基づいて指示対策案の的中率を算出することを更に含み、この算出した的中率に基づいて予兆検知の感度を調整可能なことを特徴とする請求項１に記載の異常検知・診断方法。
  6. 　設備カルテを生成し、出力することを更に含むことを特徴とする請求項１に記載の異常検知・診断方法。
  7. 　プラント又は設備の異常或いは異常の予兆を検知し、前記プラント又は設備を診断する異常検知・診断方法であって、
    　前記プラント又は設備に装着した複数のセンサから取得したセンサデータ、および／あるいは運転時間や操作時間などの稼動データを対象に前記プラント又は設備の異常或いは異常の予兆を検知し、
    　対象を撮像して得た画像を用いて状態監視を行う
    ことを特徴とする異常検知・診断方法。
  8. 　プラント又は設備の異常或いは異常の予兆を検知し、前記プラント又は設備を診断する異常検知・診断システムであって、
    　前記プラント又は設備に装着した複数のセンサから取得したセンサデータおよび／あるいは運転時間や操作時間などの稼動データを対象に前記プラント又は設備の異常或いは異常の予兆を検知する異常検知部と、
    　前記プラント又は設備に対する対策などの情報からなる保守履歴情報を蓄積したデータベース部と、
    　該データベース部に蓄積された前記プラント又は設備の保守履歴情報を用いて前記異常検知部により前記プラント又は設備の異常或いは異常の予兆と過去の対策とを紐付けし、該紐付け結果に基づいて対策が必要な異常或いは異常の予兆を分類、提示する診断部と
    を備えたことを特徴とする異常検知・診断システム。
  9. 前記データベース部に蓄積する保守履歴情報は、オンコールデータ、作業報告書、調整・交換部品コード、画像情報、音情報の内の何れかを含み、前記診断モデル生成部は前記保守履歴情報から定めたキーワードの出現頻度と他のキーワードとの連結回数や頻度を算出して高出現頻度のパターンを得、該得た高出現頻度のパターンをカテゴリとして、前記プラント又は設備で検知された異常或いは異常の予兆のセンサデータや稼動データを分類し、該分類した結果に基づいて、対策が必要な異常或いは異常の予兆を分類、提示することを特徴とする請求項８に記載の異常検知・診断システム。
  10. 前記診断モデル生成部は、前記プラント又は設備の稼動データを取得し、また前記複数のセンサからセンサデータを取得し、該取得したセンサデータおよび／あるいは稼動データのうち、ほぼ正常データからなるデータを学習データとしてモデル化し、該モデル化した学習データを用いて前記取得したセンサデータ、稼動データの異常測度をベクトルとして算出し、該算出した異常測度ベクトルの大きさ或いは角度に基づいて、前記プラント又は設備の異常を検知することを特徴とする請求項８又は９に記載の異常検知・診断システム。
  11. 　前記診断モデル生成部は、前記稼動データを用いて、前記取得したセンサデータを校正し、校正したセンサデータを対象に、ほぼ正常データからなるデータを学習データとしてモデル化し、該モデル化した学習データを用いて前記校正したセンサデータの異常測度をベクトルとして算出し、該算出した異常測度ベクトルの大きさ或いは角度に基づいて、前記プラント又は設備の異常を検知することを特徴とする請求項８又は９に記載の異常検知・診断システム。
  12. 　前記診断モデル生成部は、前記稼動データを用いて、前記取得したセンサデータを校正し、校正したセンサデータを対象に、ほかのプラントや設備も対象に、ほぼ正常データからなるデータ群を学習データとしてモデル化し、該モデル化した学習データを用いて前記校正したセンサデータの異常測度をベクトルとして算出し、該算出した異常測度ベクトルの大きさ或いは角度に基づいて、前記プラント又は設備の異常を検知することを特徴とする請求項１１に記載の異常検知・診断システム。
  13. 　対策案を提示する対策案指示部と、
    　対策結果に基づいて指示対策案の的中率を算出する的中率評価部と
    を更に含み、該的中率評価部で算出した的中率に基づいて、予兆検知の感度を調整可能なことを特徴とする請求項８に記載の異常検知・診断システム。
  14. 　プラント又は設備の異常或いは異常の予兆を検知し、前記プラント又は設備を診断する異常検知・診断システムであって、
    　前記プラント又は設備に装着した複数のセンサから取得したセンサデータ、および／あるいは運転時間や操作時間などの稼動データを対象に前記プラント又は設備の異常或いは異常の予兆を検知する異常検知部と、
    　前記プラント又は設備の保守履歴情報を用いて前記プラント又は設備の異常或いは異常の予兆と過去の対策を紐付けし、該紐付け結果に基づいて対策が必要な異常或いは異常の予兆を分類し提示する診断部と、
    　設備カルテを生成するカルテ生成部と
    を有することを特徴とする異常検知・診断システム。
PCT/JP2012/063879 2011-08-17 2012-05-30 異常検知・診断方法、および異常検知・診断システム WO2013024613A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US14/239,114 US20140195184A1 (en) 2011-08-17 2012-05-30 Anomaly Detection/Diagnostic Method and Anomaly Detection/Diagnostic System

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2011-178316 2011-08-17
JP2011178316A JP5808605B2 (ja) 2011-08-17 2011-08-17 異常検知・診断方法、および異常検知・診断システム

Publications (1)

Publication Number Publication Date
WO2013024613A1 true WO2013024613A1 (ja) 2013-02-21

Family

ID=47714942

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2012/063879 WO2013024613A1 (ja) 2011-08-17 2012-05-30 異常検知・診断方法、および異常検知・診断システム

Country Status (3)

Country Link
US (1) US20140195184A1 (ja)
JP (1) JP5808605B2 (ja)
WO (1) WO2013024613A1 (ja)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015019499A1 (ja) * 2013-08-09 2015-02-12 株式会社日立製作所 センサ健全性判定装置
AT515033A1 (de) * 2013-10-23 2015-05-15 Ge Jenbacher Gmbh & Co Og Verfahren zum Betreiben einer mit einem Energieversorgungsnetz verbundenen Kraftanlage
CN107456369A (zh) * 2016-06-03 2017-12-12 发美利稻田株式会社 按摩机以及按摩机的诊断系统
CN114112409A (zh) * 2021-11-05 2022-03-01 上海中联重科桩工机械有限公司 发动机水温异常诊断方法、终端及计算机可读存储介质
CN114297255A (zh) * 2021-12-17 2022-04-08 中电信数智科技有限公司 一种基于日志分析的网络品质工单故障预警方法
TWI768606B (zh) * 2020-12-18 2022-06-21 日月光半導體製造股份有限公司 感測器監測系統及方法
US11402825B2 (en) 2016-03-25 2022-08-02 Nec Corporation Information processing device, control method thereof, and control program
US11598693B2 (en) 2020-02-21 2023-03-07 Kabushiki Kaisha Toshiba Information processing apparatus, information processing method, and non-transitory computer readable medium
CN116109633A (zh) * 2023-04-12 2023-05-12 山东金帝精密机械科技股份有限公司 一种轴承保持器的窗口检测方法及设备

Families Citing this family (109)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013030984A1 (ja) 2011-08-31 2013-03-07 株式会社日立エンジニアリング・アンド・サービス 設備状態監視方法およびその装置
US10860683B2 (en) 2012-10-25 2020-12-08 The Research Foundation For The State University Of New York Pattern change discovery between high dimensional data sets
JP6162997B2 (ja) * 2013-04-02 2017-07-12 株式会社日立製作所 プラント設備管理システムおよびプラント設備管理システムの制御方法
US9218570B2 (en) 2013-05-29 2015-12-22 International Business Machines Corporation Determining an anomalous state of a system at a future point in time
JP2015073823A (ja) * 2013-10-11 2015-04-20 セイコーエプソン株式会社 運動解析方法、および運動解析装置
JP2015084176A (ja) * 2013-10-25 2015-04-30 日立建機株式会社 故障診断装置および稼働機械
US9785132B2 (en) * 2013-11-07 2017-10-10 Emhart Glass S.A. Target signature closed loop control system and method
WO2015077917A1 (en) * 2013-11-26 2015-06-04 Telefonaktiebolaget L M Ericsson (Publ) Method and apparatus for anomaly detection in a network
JP6285467B2 (ja) * 2014-01-31 2018-02-28 株式会社日立製作所 保守運用支援システム、保守運用支援方法、保守運用支援プログラム
JP5753286B1 (ja) 2014-02-05 2015-07-22 株式会社日立パワーソリューションズ 情報処理装置、診断方法、およびプログラム
US20150271030A1 (en) * 2014-03-18 2015-09-24 Vmware, Inc. Methods and systems for detection of data anomalies
JP6411769B2 (ja) * 2014-04-14 2018-10-24 株式会社日立製作所 状態監視装置
JP6340236B2 (ja) * 2014-04-15 2018-06-06 三菱重工工作機械株式会社 工作機械の診断方法及びシステム
KR101871940B1 (ko) 2014-05-12 2018-06-27 한화에어로스페이스 주식회사 설비 이상 예측 모델의 구축방법 및 시스템
JP6326321B2 (ja) * 2014-08-07 2018-05-16 株式会社日立製作所 データ表示システム
JP6381122B2 (ja) * 2014-11-07 2018-08-29 東芝三菱電機産業システム株式会社 故障推定装置、故障推定データベース装置、故障推定プログラム、故障推定データベースプログラム、および故障推定システム
JP6458055B2 (ja) * 2015-01-21 2019-01-23 株式会社日立製作所 損傷推定装置
US10769322B2 (en) 2015-02-19 2020-09-08 Mitsubishi Electric Corporation Procedure extraction system
JP6509001B2 (ja) * 2015-03-26 2019-05-08 大阪瓦斯株式会社 故障診断システム
JP6328071B2 (ja) * 2015-03-31 2018-05-23 東芝メモリ株式会社 異常予兆検知システム及び半導体デバイスの製造方法
CN104865084B (zh) * 2015-04-30 2017-10-27 国电联合动力技术有限公司 一种风电机组超速试验测试方法
US9268938B1 (en) 2015-05-22 2016-02-23 Power Fingerprinting Inc. Systems, methods, and apparatuses for intrusion detection and analytics using power characteristics such as side-channel information collection
EP3309682B1 (en) * 2015-06-09 2020-04-01 Hitachi, Ltd. Data collection system and method, and method for reducing the quantity of measurement data
JP5875726B1 (ja) * 2015-06-22 2016-03-02 株式会社日立パワーソリューションズ 異常予兆診断装置のプリプロセッサ及びその処理方法
JP6530252B2 (ja) * 2015-06-23 2019-06-12 株式会社東芝 リソース管理システム、及びリソース管理方法
US10579971B1 (en) * 2015-08-10 2020-03-03 State Farm Mutual Automobile Insurance Company Systems and methods for scheduling repair of home equipment
US10217068B1 (en) 2015-08-10 2019-02-26 State Farm Mutual Automobile Insurance Company Systems and methods for pre-scheduling repair of home equipment
US10229394B1 (en) * 2015-08-10 2019-03-12 State Farm Mutual Automobile Insurance Company Systems and methods for sending diagnostic information during scheduling of home equipment repair
JP6572062B2 (ja) * 2015-08-26 2019-09-04 日立建機株式会社 診断装置
JP6472367B2 (ja) * 2015-10-28 2019-02-20 株式会社 日立産業制御ソリューションズ 気付き情報提供装置及び気付き情報提供方法
TWI594835B (zh) 2015-11-06 2017-08-11 財團法人工業技術研究院 加工設備的健康評估方法與健康評估裝置
JP6685124B2 (ja) * 2015-12-22 2020-04-22 株式会社日立製作所 診断装置及び診断方法
JP6890593B2 (ja) * 2015-12-24 2021-06-18 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 関連履歴の長さを決定するためのデバイス及び方法
JP6156566B2 (ja) 2015-12-25 2017-07-05 株式会社リコー 診断装置、診断方法、プログラムおよび診断システム
JP6602399B2 (ja) * 2016-02-05 2019-11-06 株式会社東芝 センサ故障診断装置、方法、及びプログラム
KR101775424B1 (ko) * 2016-03-28 2017-09-06 주식회사 필드솔루션 수 처리 설비의 이상 유무 모니터링 시스템
US10345800B2 (en) 2016-03-30 2019-07-09 3D Signals Ltd. Acoustic monitoring of machinery
WO2018005972A1 (en) * 2016-06-30 2018-01-04 Massachusetts Institute Of Technology Applying motion sensor data to wheel imbalance detection, tire pressure monitoring, and/ or tread depth measurement
US10859609B2 (en) 2016-07-06 2020-12-08 Power Fingerprinting Inc. Methods and apparatuses for characteristic management with side-channel signature analysis
WO2018042616A1 (ja) * 2016-09-02 2018-03-08 株式会社日立製作所 診断装置、診断方法及び診断プログラム
JP2018072968A (ja) * 2016-10-26 2018-05-10 セイコーエプソン株式会社 データ処理装置およびデータ処理方法
JP6881943B2 (ja) * 2016-10-31 2021-06-02 旭有機材株式会社 自動バルブの診断システム及び、自動バルブの診断方法
WO2018084161A1 (ja) * 2016-11-01 2018-05-11 住友建機株式会社 作業機械用安全管理システム、管理装置、安全管理方法
DE102017220140A1 (de) * 2016-11-16 2018-05-17 Fanuc Corporation Abrufvorrichtung, Abrufverfahren und Abrufprogramm
CN106338987B (zh) * 2016-11-28 2019-04-09 清华大学苏州汽车研究院（吴江） 一种实时故障诊断的方法及装置
EP3339995A1 (en) * 2016-12-21 2018-06-27 ABB Schweiz AG Determining current and future states of industrial machines by using a prediction model based on historical data
US10839076B2 (en) * 2016-12-21 2020-11-17 3D Signals Ltd. Detection of cyber machinery attacks
JP6752739B2 (ja) * 2017-02-15 2020-09-09 株式会社日立製作所 保守装置、提示システム及びプログラム
JP6712354B2 (ja) * 2017-02-24 2020-06-17 株式会社日立製作所 異常診断システム
US20180276904A1 (en) * 2017-03-23 2018-09-27 Caterpillar Inc. IoT Service Meter Unit Transmitter
JP2018173948A (ja) * 2017-03-31 2018-11-08 西日本電信電話株式会社 故障診断装置、故障診断方法、及びコンピュータプログラム
JP6860406B2 (ja) * 2017-04-05 2021-04-14 株式会社荏原製作所 半導体製造装置、半導体製造装置の故障予知方法、および半導体製造装置の故障予知プログラム
JP6772963B2 (ja) * 2017-06-05 2020-10-21 トヨタ自動車株式会社 異常診断装置及び異常診断方法
RU178300U1 (ru) * 2017-06-28 2018-03-29 Общество с ограниченной ответственностью "Собственный вектор" Устройство опознавания качественных изменений технических и биологических объектов
JP7035842B2 (ja) * 2017-07-14 2022-03-15 株式会社明電舎 監視システム
JP6762276B2 (ja) * 2017-07-18 2020-09-30 三菱重工業株式会社 移動軌跡成形装置、異常診断システム、移動軌跡成形方法及びプログラム
US10737904B2 (en) 2017-08-07 2020-08-11 Otis Elevator Company Elevator condition monitoring using heterogeneous sources
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
US10747210B2 (en) * 2017-09-11 2020-08-18 Lam Research Corporation System and method for automating user interaction for semiconductor manufacturing equipment
JP6827400B2 (ja) * 2017-10-23 2021-02-10 株式会社日立製作所 制御システム
JP6591509B2 (ja) * 2017-11-06 2019-10-16 株式会社東芝 金型温度異常予兆検知装置及びプログラム
JP6871877B2 (ja) 2018-01-04 2021-05-19 株式会社東芝 情報処理装置、情報処理方法及びコンピュータプログラム
JP6931615B2 (ja) * 2018-01-04 2021-09-08 株式会社日立製作所 センサ選択装置およびセンサ選択方法
DE102018200144A1 (de) * 2018-01-08 2019-07-11 Robert Bosch Gmbh Verfahren und Managementsystem zum Steuern und Überwachen von mehreren Batteriezellen eines Batteriepacks sowie Batteriepack
EP3598437A4 (en) * 2018-01-16 2020-05-13 SONY Corporation INFORMATION PROCESSING DEVICE, INFORMATION PROCESSING SYSTEM, INFORMATION PROCESSING PROCESS AND PROGRAM
JP6698715B2 (ja) 2018-01-23 2020-05-27 三菱重工業株式会社 設備状態監視装置および設備状態監視方法
JP6832890B2 (ja) * 2018-06-01 2021-02-24 西日本電信電話株式会社 監視装置、監視方法、及びコンピュータプログラム
JP7228780B2 (ja) * 2018-08-09 2023-02-27 パナソニックＩｐマネジメント株式会社 設備診断システム及び設備診断方法
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
JP7190502B2 (ja) * 2018-10-10 2022-12-15 旭化成株式会社 計画装置、計画方法、および計画プログラム
US11320813B2 (en) 2018-10-25 2022-05-03 General Electric Company Industrial asset temporal anomaly detection with fault variable ranking
CN109299201B (zh) * 2018-11-05 2020-09-04 远光软件股份有限公司 基于两阶段聚类的电厂生产子系统异常监测方法及装置
CN111340250A (zh) * 2018-12-19 2020-06-26 富泰华工业（深圳）有限公司 设备检修装置、方法及计算机可读存储介质
JP7184636B2 (ja) * 2018-12-27 2022-12-06 三菱重工業株式会社 データ選別装置及び方法、ならびに監視診断装置
JP7229018B2 (ja) * 2018-12-28 2023-02-27 Ｐａｃｒａｆｔ株式会社 不健全性予見装置、不健全性予見方法、プログラム、及びコンピュータ読み取り可能な記録媒体
US10916259B2 (en) 2019-01-06 2021-02-09 3D Signals Ltd. Extracting overall equipment effectiveness by analysis of a vibro-acoustic signal
JP7206985B2 (ja) * 2019-02-08 2023-01-18 コベルコ建機株式会社 損害推定装置及び機械学習装置
JP6897701B2 (ja) * 2019-03-19 2021-07-07 ダイキン工業株式会社 保守作業支援装置、保守作業支援方法及び保守作業支援プログラム
JP7311329B2 (ja) * 2019-07-02 2023-07-19 ファナック株式会社 推定装置およびシステム
JP2021026584A (ja) * 2019-08-07 2021-02-22 ｉ Ｓｍａｒｔ Ｔｅｃｈｎｏｌｏｇｉｅｓ株式会社 改善対策リコメンドシステム
GB2597422B (en) * 2019-08-23 2023-06-14 Landmark Graphics Corp Anomaly detection using hybrid autoencoder and gaussian process regression
JPWO2021054417A1 (ja) * 2019-09-19 2021-03-25
JP7324853B2 (ja) * 2019-09-24 2023-08-10 株式会社Kokusai Electric 基板処理装置、半導体装置の製造方法、及び予兆検知プログラム
KR102136141B1 (ko) * 2019-10-29 2020-07-22 에너젠(주) 인공지능 알고리즘을 이용한 고장 예방 기능을 구비한 비상 발전기
KR102138279B1 (ko) * 2019-11-28 2020-07-28 (주)위세아이텍 딥러닝 기반의 시계열 분석을 이용한 회전설비 진동 상태 감시 장치 및 방법
US11640659B2 (en) * 2020-01-15 2023-05-02 General Electric Company System and method for assessing the health of an asset
IT202000004573A1 (it) * 2020-03-04 2021-09-04 Nuovo Pignone Tecnologie Srl Modello di rischio ibrido per l'ottimizzazione della manutenzione e sistema per l'esecuzione di tale metodo.
JP7449732B2 (ja) * 2020-03-16 2024-03-14 株式会社Ｓｃｒｅｅｎホールディングス 異常検知方法および搬送装置
CN115280255A (zh) * 2020-03-17 2022-11-01 发那科株式会社 异常判定装置
CN115380294A (zh) * 2020-03-31 2022-11-22 Abb瑞士股份有限公司 针对工业机器学习的数据处理
US11543808B2 (en) * 2020-04-08 2023-01-03 Nec Corporation Sensor attribution for anomaly detection
JP7472685B2 (ja) 2020-07-01 2024-04-23 株式会社デンソー 要因分析装置、要因分析方法、及び要因分析プログラム
JP7318612B2 (ja) * 2020-08-27 2023-08-01 横河電機株式会社 監視装置、監視方法、および監視プログラム
JP7537182B2 (ja) 2020-08-27 2024-08-21 横河電機株式会社 異常温度検知装置、異常温度検知方法、及び異常温度検知プログラム
US11776177B2 (en) * 2020-10-01 2023-10-03 Canon Kabushiki Kaisha Methods for displaying recorded physical machine measured state data vs time
JP2022085420A (ja) 2020-11-27 2022-06-08 富士通株式会社 推測プログラム、推測方法および情報処理装置
CN114626400A (zh) * 2020-12-10 2022-06-14 乐金显示有限公司 设备故障诊断装置、设备故障诊断方法、智能工厂系统和应用代理
JP7226424B2 (ja) * 2020-12-14 2023-02-21 横河電機株式会社 異常温度検知装置、異常温度検知方法、及び異常温度検知プログラム
JPWO2022158227A1 (ja) * 2021-01-19 2022-07-28
DE112021006874T5 (de) * 2021-01-19 2023-11-09 Panasonic Intellectual Property Management Co., Ltd. Produktionsgeschoss-Verwaltungssystem, Arbeitsgegenmaßnahmen-Bestimmungsverfahren und Arbeitsgegenmaßnahmen-Bestimmungsprogramm
EP4068026A1 (en) * 2021-03-30 2022-10-05 Siemens Ltd. China Data novelty detection method and apparatus
JP7214780B2 (ja) * 2021-04-06 2023-01-30 日立建機株式会社 性能診断装置、性能診断方法
JP2023043004A (ja) 2021-09-15 2023-03-28 株式会社東芝 機械構造物の応力推定方法および機械構造物の監視方法
JP7241846B1 (ja) 2021-10-29 2023-03-17 日立建機株式会社 鉱山管理システム
CN113959476B (zh) * 2021-12-22 2022-02-25 北京为准智能科技有限公司 一种智能化仪器仪表检定系统及方法
WO2023233745A1 (ja) * 2022-06-01 2023-12-07 三菱電機株式会社 生産システム、生産ライン分析方法、学習装置、推論装置、学習済モデルおよび学習済モデルの生成方法
US20240221924A1 (en) * 2022-12-30 2024-07-04 Cilag Gmbh International Detection of knock-off or counterfeit surgical devices
CN116484306B (zh) * 2023-06-20 2023-09-26 蘑菇物联技术（深圳）有限公司 异常传感器的定位方法、装置、计算机设备和存储介质
CN116950729B (zh) * 2023-09-19 2024-02-27 华能山东发电有限公司烟台发电厂 一种汽轮机叶片故障检测方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07253812A (ja) * 1994-03-16 1995-10-03 Toshiba Corp 校正機能付きプロセス計装ラック
JPH11175134A (ja) * 1997-12-16 1999-07-02 Mitsubishi Electric Corp プラント予防保全システムおよびプラント予防保全方法
JP2003295939A (ja) * 2002-04-05 2003-10-17 Toshiba Corp プラント保守支援システム
JP2009110066A (ja) * 2007-10-26 2009-05-21 Toshiba Corp 保守カルテ表示装置および保守カルテ表示方法
JP2011059790A (ja) * 2009-09-07 2011-03-24 Hitachi Ltd 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム
JP2011145846A (ja) * 2010-01-14 2011-07-28 Hitachi Ltd 異常検知方法、異常検知システム、及び異常検知プログラム

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3240808B2 (ja) * 1993-02-08 2001-12-25 株式会社エフ・エフ・シー マルチメディア・プロセス監視・制御装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07253812A (ja) * 1994-03-16 1995-10-03 Toshiba Corp 校正機能付きプロセス計装ラック
JPH11175134A (ja) * 1997-12-16 1999-07-02 Mitsubishi Electric Corp プラント予防保全システムおよびプラント予防保全方法
JP2003295939A (ja) * 2002-04-05 2003-10-17 Toshiba Corp プラント保守支援システム
JP2009110066A (ja) * 2007-10-26 2009-05-21 Toshiba Corp 保守カルテ表示装置および保守カルテ表示方法
JP2011059790A (ja) * 2009-09-07 2011-03-24 Hitachi Ltd 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム
JP2011145846A (ja) * 2010-01-14 2011-07-28 Hitachi Ltd 異常検知方法、異常検知システム、及び異常検知プログラム

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015019499A1 (ja) * 2013-08-09 2015-02-12 株式会社日立製作所 センサ健全性判定装置
AT515033A1 (de) * 2013-10-23 2015-05-15 Ge Jenbacher Gmbh & Co Og Verfahren zum Betreiben einer mit einem Energieversorgungsnetz verbundenen Kraftanlage
US9739839B2 (en) 2013-10-23 2017-08-22 Ge Jenbacher Gmbh & Co Og Method of operating a stationary electrical power plant connected to a power supply network
AT515033B1 (de) * 2013-10-23 2020-02-15 Innio Jenbacher Gmbh & Co Og Verfahren zum Betreiben einer mit einem Energieversorgungsnetz verbundenen Kraftanlage
US11402825B2 (en) 2016-03-25 2022-08-02 Nec Corporation Information processing device, control method thereof, and control program
CN107456369A (zh) * 2016-06-03 2017-12-12 发美利稻田株式会社 按摩机以及按摩机的诊断系统
US11598693B2 (en) 2020-02-21 2023-03-07 Kabushiki Kaisha Toshiba Information processing apparatus, information processing method, and non-transitory computer readable medium
TWI768606B (zh) * 2020-12-18 2022-06-21 日月光半導體製造股份有限公司 感測器監測系統及方法
CN114112409A (zh) * 2021-11-05 2022-03-01 上海中联重科桩工机械有限公司 发动机水温异常诊断方法、终端及计算机可读存储介质
CN114297255A (zh) * 2021-12-17 2022-04-08 中电信数智科技有限公司 一种基于日志分析的网络品质工单故障预警方法
CN114297255B (zh) * 2021-12-17 2024-04-19 中电信数智科技有限公司 一种基于日志分析的网络品质工单故障预警方法
CN116109633A (zh) * 2023-04-12 2023-05-12 山东金帝精密机械科技股份有限公司 一种轴承保持器的窗口检测方法及设备

Also Published As

Publication number Publication date
JP2013041448A (ja) 2013-02-28
US20140195184A1 (en) 2014-07-10
JP5808605B2 (ja) 2015-11-10

Similar Documents

Publication Publication Date Title
JP5808605B2 (ja) 異常検知・診断方法、および異常検知・診断システム
JP5439265B2 (ja) 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム
WO2012090624A1 (ja) 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム並びに企業資産管理・設備資産管理システム
US9483049B2 (en) Anomaly detection and diagnosis/prognosis method, anomaly detection and diagnosis/prognosis system, and anomaly detection and diagnosis/prognosis program
WO2011086805A1 (ja) 異常検知方法及び異常検知システム
JP5538597B2 (ja) 異常検知方法及び異常検知システム
JP5301310B2 (ja) 異常検知方法及び異常検知システム
JP5501903B2 (ja) 異常検知方法及びそのシステム
JP5778305B2 (ja) 異常検知方法及びそのシステム
JP5431235B2 (ja) 設備状態監視方法およびその装置
CN101770219B (zh) 一种车铣复合机床故障诊断知识库的知识获取方法
JP2013025367A (ja) 設備状態監視方法およびその装置
Eickmeyer et al. Data Driven Modeling for System-Level Condition Monitoring on Wind Power Plants.
Xu et al. New RUL prediction method for rotating machinery via data feature distribution and spatial attention residual network
CN110337640B (zh) 用于问题警报聚合和识别次优行为的方法、系统和介质
Agarwal et al. Machine learning and economic models to enable risk-informed condition based maintenance of a nuclear plant asset
JP2014056598A (ja) 異常検知方法及びそのシステム
Li et al. Intelligent reliability and maintainability of energy infrastructure assets
Daouayry et al. Data-centric helicopter failure anticipation: The mgb oil pressure virtual sensor case
Kovito Fault Detection of Mechanical Equipment Failure Detection Using Intelligent Data Analysis
Vasudevan et al. A systematic data science approach towards predictive maintenance application in manufacturing industry
Medon A framework for a predictive manitenance tool articulated with a Manufacturing Execution System
Siddhartha et al. Artificial Intelligent Approach to Prediction Analysis of Engineering Fault Detection and Segregation Based on RNN
Kang Risk-based maintenance decision-making approaches for drilling and measurement tools
Yusof et al. Knowledge Graph Fusion for Maintenance Management in Cement Production

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: 12824097

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 14239114

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 12824097

Country of ref document: EP

Kind code of ref document: A1