WO2013030984A1 - 設備状態監視方法およびその装置 - Google Patents

設備状態監視方法およびその装置 Download PDF

Info

Publication number
WO2013030984A1
WO2013030984A1 PCT/JP2011/069791 JP2011069791W WO2013030984A1 WO 2013030984 A1 WO2013030984 A1 WO 2013030984A1 JP 2011069791 W JP2011069791 W JP 2011069791W WO 2013030984 A1 WO2013030984 A1 WO 2013030984A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
operation pattern
label
learning data
state
Prior art date
Application number
PCT/JP2011/069791
Other languages
English (en)
French (fr)
Inventor
渋谷　久恵
前田　俊二
Original Assignee
株式会社日立エンジニアリング・アンド・サービス
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 株式会社日立エンジニアリング・アンド・サービス filed Critical 株式会社日立エンジニアリング・アンド・サービス
Priority to US14/241,780 priority Critical patent/US9659250B2/en
Priority to EP11871424.5A priority patent/EP2752722B1/en
Priority to PCT/JP2011/069791 priority patent/WO2013030984A1/ja
Publication of WO2013030984A1 publication Critical patent/WO2013030984A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—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
    • G05B23/0243—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 model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—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 model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32201—Build statistical model of past normal proces, compare with actual process
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Definitions

  • the present invention relates to a facility state monitoring method and apparatus for detecting an abnormality at an early stage based on multi-dimensional time series data output from a plant or facility.
  • 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.
  • preventive maintenance for detecting malfunctions or signs of facilities is extremely important for minimizing damage to society.
  • Patent Document 1 discloses an abnormality detection method mainly for an engine. . This is based on past data such as time-series sensor signals as a database, and the similarity between observation data and past learning data is calculated by an original method, and the estimated value is calculated by linear combination of data with high similarity. Thus, the degree of deviation between the estimated value and the observation data is output.
  • JP 2010-191556 A Patent Document 3
  • a compact learning data set similar to observation data is extracted from past normal data, the extracted learning data is modeled in a subspace, and observation data
  • An anomaly detection method for detecting an anomaly based on the distance between the partial spaces is disclosed.
  • the quality of learning data is equally important, but a compact learning data set similar to observation data is extracted, so that the calculation load can be reduced and the completeness can be reduced. It becomes easy to secure.
  • the data for a certain period is used as learning data, if the target is equipment with a complicated pattern of operation and stoppage, there is a case in which similar data cannot be found due to lack of learning data, resulting in a false report that determines normality as abnormal. Will occur. If the learning data period is lengthened until the shortage of learning data is resolved, the memory capacity and calculation time increase, making execution difficult. Even if the operation pattern does not change, when the state changes greatly due to maintenance work or the like, if the data for a certain period is used as learning data, the state change may be detected as an abnormality and erroneously reported.
  • the object of the present invention is to solve the above-mentioned problems, and to a facility having a complicated operation and stop pattern in a plant, facility, manufacturing device, measuring device (hereinafter collectively referred to as facility) or the like.
  • Another object of the present invention is to provide an equipment state monitoring method and system including an abnormality detection method capable of detecting an abnormality with high sensitivity while keeping a calculation load low.
  • an abnormality detection method capable of detecting an abnormality with high sensitivity while keeping a calculation load low.
  • there is also a facility status monitoring method and apparatus that can realize highly sensitive abnormality detection by selecting appropriate learning data when there is a change in state due to maintenance work. It is to provide.
  • an operation pattern label is assigned every fixed period based on the time-series signal, Learning data is selected based on each driving pattern label, a normal model is created based on the selected learning data, an anomaly measure is calculated based on the time series signal and the normal model, and an equipment measure is calculated based on the calculated anomaly measure.
  • the status was identified as abnormal or normal.
  • the operation pattern label for assigning the operation pattern label categorized in a finite number to the time series signal for every fixed period
  • a learning data selection step that selects a predetermined number of data based on the driving pattern label and sets it as learning data
  • a normal model creation step that creates a normal model using the learning data selected in this learning data selection step
  • this normal Anomaly measurement that calculates an anomaly measure of time series signals based on comparison with normal models created in the model creation process A calculating step, and to include an abnormality identification step of identifying an abnormality based on the abnormality measure calculated in this anomaly measure calculating step.
  • a sensor signal analysis unit that inputs and analyzes a time-series signal output from the facility or apparatus, and an abnormality of the facility is diagnosed by receiving the result analyzed by the sensor signal analysis unit and the time-series signal.
  • An apparatus for monitoring an equipment state having an abnormality diagnosis unit, an input / output unit for inputting and outputting data connected to the sensor signal analysis unit and the abnormality diagnosis unit, and the sensor signal analysis unit outputs from the facility or the apparatus Based on the time-series signal, driving pattern label attaching means for giving driving pattern labels every predetermined period, and learning data is selected based on driving pattern labels for every predetermined period given by the driving pattern label attaching means
  • Learning data creation means normal model creation means for creating a normal model based on the learning data created by the learning data creation means, and the normal model
  • An abnormal measure calculating means for calculating an abnormal measure of the time series signal output from the equipment or device based on the normal model created by the generating means, and whether the equipment state is abnormal based on the abnormal measure calculated by the abnormal measure calculating
  • the time-series signal is input and externally input and categorized into a finite number of fixed time intervals.
  • the operation pattern label attaching means for assigning the operated pattern label
  • the data storage means for accumulating the time series signal given the operation pattern label by the operation pattern label attaching means, and the time series signal by the operation pattern label attaching means
  • a learning data selecting means for selecting learning data by selecting a predetermined number of data of the same driving pattern label or a driving pattern label in a similar state from the data accumulated in the data accumulating means based on the given label, and the learning data Normal model creation means for creating a normal model using the learning data selected by the selection means;
  • the abnormal measure calculating means for calculating the abnormal measure of the time series signal by comparing the time series signal given the driving pattern label by the pattern label attaching means with the normal model created by the normal model creating means, and the abnormal measure calculating means And an abnormality identifying
  • an operation pattern label is assigned to data every fixed period, and when an abnormality is detected, a predetermined number of data of the same label or a label with a similar state is collected as learning data, thereby increasing the calculation load. Therefore, it is possible to create a normal model with high accuracy and reduce false alarms that determine normality as abnormal.
  • a macro feature representing a macro variation of sensor data is calculated, and a predetermined number of data of the same label or a label having a similar state and a similar period of the macro feature are collected and used as learning data. Even when the state changes greatly due to the above, it becomes possible to select similar learning data and create a normal model with high accuracy, and to reduce false alarms for determining normality as abnormal.
  • FIG. 1 shows a configuration example of a system for realizing the equipment state monitoring method of the present invention.
  • the system includes a sensor signal analysis unit 100, an abnormality diagnosis unit 120, and an input / output unit 130.
  • the sensor signal analysis unit 100 of this system includes an operation pattern label assigning unit 104 that assigns an operation pattern label every predetermined period based on the sensor signal 102 and the event signal 103 output from the equipment 101, and a sensor to which the operation pattern label is assigned.
  • a normal model creation unit 107 that creates a normal model using the selected learning data
  • an abnormal measure calculation unit 108 that calculates an abnormal measure based on the normal model and the sensor signal
  • an abnormality identification that detects an abnormality based on the calculated abnormal measure Part 109.
  • the abnormality diagnosis unit 120 receives the sensor signal 102, the event signal 103, and the output from the abnormality identification unit 109, and diagnoses the abnormality of the equipment 101.
  • the input / output unit 130 is connected to the operation pattern label assigning unit 104, the abnormality identifying unit 109, the abnormality diagnosing unit 120, etc., and inputs diagnostic conditions and outputs diagnostic results.
  • the equipment 101 subject to state monitoring is equipment or a plant such as a gas turbine or a steam turbine.
  • the facility 101 outputs a sensor signal 102 and an event signal 103 representing the state.
  • FIG. 2A An example of the sensor signal 102 is shown in FIG. 2A. It is a time-series signal that consists of time and data of a plurality of sensor values provided at 101 and is acquired at regular intervals. There are cases where the number of types of sensors is from hundreds to thousands, for example, the temperature of cylinders, oil, cooling water, etc., the pressure of oil or cooling water, the rotational speed of the shaft, the room temperature, the operating time, etc. is there. In addition to representing an output or state, there may be a control signal for controlling something to a certain value.
  • FIG. 2B An example of the event signal 103 is shown in FIG. 2B.
  • This is an irregularly output signal indicating operation / failure / warning of equipment, and consists of a time, a unique code indicating operation / failure / warning, and a message string.
  • the configuration and operation of the sensor signal analysis unit will be described with reference to FIGS.
  • the flow of processing in the driving pattern label assigning unit 104 will be described with reference to FIGS. 3A and 3B.
  • the event signal 103 is input (S301), and a start sequence and a stop sequence are cut out by searching for a predetermined character string or code (S302). Based on the result, as shown in FIG.
  • the operation is divided into four operating states: a “steady ON” mode 313 up to the start time of the stop sequence and a “stop” mode 314 in the stop sequence (S303).
  • this division is referred to as mode division, and the type of operating state is referred to as mode.
  • a start event and an end event of a sequence are designated in advance, and the event signal 103 is cut out while scanning from the beginning to the end in the following manner.
  • search for a start event When it is found, the sequence starts.
  • search for an end event If found, end the sequence.
  • the end event is a specified end event, a failure, a warning, or a specified start event. If it is terminated at a non-specified end event, it is recorded as an abnormal end.
  • State transition means a transition between steady ON and steady OFF. That is, the number of start sequences and stop sequences may be counted.
  • an operation pattern label is assigned based on the calculated number of state transitions, the initial state of a predetermined period and its duration (S306).
  • FIG. 4A is a time series graph representing information on equipment ON / OFF and one sensor signal. It can be seen that the sensor value varies greatly depending on the state duration and the state transition pattern as well as the sensor value varies depending on whether it is ON or OFF. Since the purpose of operation pattern labeling is to select data with similar equipment conditions as learning data, for example, the same label is assigned to the data surrounded by the solid line, dotted line, broken line, and alternate long and short dash line shown in FIG. 4A. To do. For this purpose, the number of state transitions calculated in S304 and S305, the initial state of a predetermined period, and its duration are used.
  • FIG. 4B shows an example of the relationship between the information and the operation pattern label.
  • Different labels are assigned. However, in order to make the types of labels finite, they are treated the same for a predetermined number of times. In this example, five or more times are combined into one. Further, since the continuous time is continuous data, the data is classified by providing an appropriate delimiter so that a different label is assigned to each. Further, different labels are assigned depending on whether the initial state is ON or OFF. Look at the corresponding columns for the number of state transitions and the duration of the first state. If the first state is ON, the number on the left (1 to 36 in the example of FIG. 4B) is labeled. In the example of 4B, labels 37 to 72) are given.
  • shaft may be made finer or coarse, and it is not necessary to use all the information. Further, other information may be added for classification. Moreover, it is not necessary to assign different labels to all the columns.
  • the sensor signal includes a signal indicating ON / OFF of the facility or other operation state.
  • the information may be used to calculate other information related to whether the number of state transitions, the initial state of a predetermined period, and the duration or state of equipment are similar.
  • the sensor signal 102 and the event signal 103 given the operation pattern label are stored in the database 105.
  • An example of a data management method in the database 105 will be described with reference to FIGS. 5A to 5D.
  • FIG. 5A is an example of management data for operation pattern labels.
  • the above-mentioned predetermined period is from 0 o'clock to 24 o'clock in the day, and for each date, site (code indicating the installation location), and unit (ID for distinguishing a plurality of facilities in the same location) Has one piece of data.
  • This data includes date 501, site 502, unit 503, operation pattern label 504, initial state 506 used to assign key code 505 and operation pattern label to sensor signal data and event signal data, continuation of initial state It consists of time 507, state transition count 508, and warning presence / absence information 509. Items 506 to 508 vary depending on the method of applying the operation pattern label. Further, when there is one facility connected to the system, the items of the site 502 and the number machine 503 are unnecessary.
  • FIG. 5B shows sensor signal data. Although having the same information as the output 102 from the facility 101, a key code 511 associated with the key code 505 to the sensor signal data and event signal data of the management data shown in FIG. 5A is added. Since the date is uniquely determined when the key code is determined, the date information may not be included. The time information 512 is necessary for association with the event signal. However, when it is guaranteed that the data is at regular intervals, serial numbers in the order of acquisition may be used instead of the time information.
  • FIG. 5C shows event signal data. It consists of the same code 523 and message 524 as the output 103 from the equipment 101, the key code 521 associated with the key code 505 of the management data, and time information 522. Since the date is uniquely determined when the key code is determined, the date information may not be included.
  • the operation pattern label management period does not always start at 0 o'clock, and may be divided at an arbitrary time.
  • the length of the period is not limited to one day.
  • a power generation facility using a gas engine is appropriately set to one day because it is operated in accordance with the operation cycle of the facility where the facility is installed, but every 12 hours or every 8 hours may be considered.
  • the number of states will decrease and it will be easier to collect data in the same state.
  • the number of pieces of sensor data to be learned is kept constant, the number of management data to be searched and the number of pieces of management data to be collected when selecting the sensor data to be learned increase.
  • it is possible to lengthen the period but it should be noted that the number of states may increase and it may be difficult to collect data in the same state.
  • FIG. 5D shows an example of operation pattern label management data in that case.
  • This data includes date 531, site 532, number 533, operation pattern label 534, key code 535 to sensor signal data and event signal data, and warning presence / absence information 539 as in the example shown in FIG. 5A. Since new data is created when there is a state transition, the data used for labeling has information on the state 536 before the management period, the duration 537 of the state, and the state 538 of the management period.
  • the number of classes in the duration of the previous state is 6, which is the same as above, the number of classes in the previous state and the current state is 2, so the number of labels can be managed as small as 24.
  • the number of sensor signal data associated with each management data is different, the number of sensor signals should be set to a predetermined number instead of the number of management data when selecting learning data. There is a demerit that the process becomes complicated.
  • FIG. 6A to 6D show examples of GUIs for determining the length of the period for applying the operation pattern label and the rule for labeling.
  • the GUI is displayed on the display screen 131 of the input / output unit 130.
  • a sensor signal and an event signal to be used as a reference for determining a labeling rule are selected and loaded.
  • the information classification method used for labeling is determined.
  • FIG. 6A is an example of an input screen for selecting information used for operation pattern label assignment.
  • the operation pattern label addition reference information input window 601 includes a cycle information input window 602, a cycle unit input window 603, reference information selection windows 604A to 604C, class number input windows 607A to 607C, and the like.
  • period information input window 602 a numerical value is input for a period during which an operation pattern label is assigned.
  • the unit of the period is selected and input from time, day, and week.
  • reference information selection windows 604A to 604C information used for labeling is input.
  • a list of referenceable information 606 is displayed when the list display buttons 605A to 605C are clicked.
  • the class number input windows 607A to 607C the number of classes to which different labels should be assigned based on the referenced information is input.
  • the detail buttons 608A to 608C are inactivated.
  • the label definition button 610 is pressed. By this operation, the label confirmation screen shown in FIG. 6C is displayed.
  • FIG. 6B is an example of a class boundary input screen for reference information corresponding to one of the pressed detail buttons 608A to 608C. Since continuous data is targeted, class boundary values are entered.
  • the operation pattern label addition reference information detail input window 611 includes a reference information display window 612, a numerical value range display window 613, and class boundary value input windows 614A to 614E.
  • the reference information display window 612 the name of the reference information corresponding to any of the pressed detail buttons 608A to 608C is displayed.
  • the details button 608B is pressed in the driving pattern label addition reference information input window 601 is shown.
  • the numerical value range display window 613 the range of the value of the operation pattern label addition reference information calculated for the event signal 103 loaded in advance under the condition of the inputted cycle is displayed.
  • the class boundary value input windows 614A to 614E are displayed by a number one less than the numerical value input in the class number input windows 607A to 607C.
  • a numerical value is input for x which is a condition for determining a state of class N (N is 1 to 5).
  • N is 1 to 5
  • the example in the figure is class 1 if it is less than 1, that is, class 1 if the number of state transitions is 0. If it is 1 or more and less than 2, it is class 2, that is, if the number of state transitions is 1, it is class 2.
  • up to class 5 is defined, and the condition of class 6 is other cases, that is, the case where the number of state transitions is 5 or more.
  • FIG. 6C is an example of a confirmation screen for a label defined according to the input result of FIG. 6A.
  • the operation pattern label confirmation window 621 includes label display windows 622A and 622B and a class boundary condition display window 626.
  • the label display windows 622A and 622B are two-dimensional matrices, and display the label numbers corresponding to the information classes shown in the horizontal axis items 624A and 624B and the vertical axis items 625A and 625B when the conditions are 623A and 623B. It is.
  • the number of windows 622 can be minimized by selecting and setting two reference information items having a large number of classes.
  • the conditions 623A and 623B all the remaining combinations of reference information classes are described separately.
  • the label to be displayed is automatically determined by the following method based on the combination of each information class.
  • the class C1 of information 1, the class C2 of information 2, and the class C3 of information 3 are written as (C1, C2, C3), (1, 1, 1) starts from (1, 1, 2), (1 , 1, 3),... (1, 1, 6), (1, 2, 1),..., (2, 6, 6), a serial number starting from 1 is assigned as a label.
  • the number of classes of information 1 is 2
  • the number of classes of information 3 is 6, the total number of labels is 72.
  • all combinations of (C1, C2, C3, C4) are sequentially counted and given serial numbers. The same applies when referring to other information.
  • the class boundary condition display window 626 the item name of the reference information and the condition for defining the class corresponding thereto are displayed.
  • each name is individually assigned to a class and displayed.
  • the reference information is continuous data Displays the class boundary condition input in the operation pattern label addition reference information detailed input window 611 shown in FIG. 6B as it is.
  • the graph display button 627 is pressed, a graph display window 631 shown in FIG. 6D is displayed.
  • the registration button 628 By depressing the registration button 628, the labeling conditions are confirmed and registered.
  • the return button 629 is pressed, the operation pattern label addition reference information input window 601 shown in FIG.
  • FIG. 6D is an example of a graph display screen for confirming the label assigned based on the input condition in association with the sensor data.
  • the graph display window 631 includes a label addition reference information display window 632, an ON / OFF information display window 633, and a sensor signal display window 634.
  • an operation pattern label is given by the processing flow shown in FIG. 3A using the sensor signal and the event signal loaded in advance.
  • the label addition reference information display window 632 information referred to for label assignment, that is, the class number of the initial state, the number of state transitions, and the initial state duration is displayed in a line graph, and the label number is displayed in an overlapping manner. .
  • ON / OFF information display window 633 ON / OFF information obtained by the mode division (S303) is displayed as a time series graph.
  • the sensor signal display window 634 the sensor signal selected by the sensor selection window 637 is displayed as a time series graph.
  • the period of data displayed in the window is changed by moving the scroll bar 635.
  • the period display window 636 displays the period of the data being displayed.
  • the scroll bar 635 moves according to the input by the user, and the display of the windows 631, 632, 633 is changed.
  • the return button 638 is pressed, the graph display window 631 is deleted and the operation pattern label confirmation window 621 shown in FIG. 6C is returned to.
  • the learning data selection unit 106 performs learning data selection processing according to the following procedure.
  • the same label as the assigned label is set as a search target (S703), and operation pattern label management data of the same machine at the same site is loaded from the database 105 (S704).
  • the search target label is searched (S705), and the search result is recorded (S706). However, data with warning is not searched.
  • an exclusion date may be specified by a file or a user interface so that it can be removed from the search target. Further, it is confirmed whether or not the number of searched data has reached a predetermined number (S707), and if not, a search target label is set (S708), and the process returns to step S705.
  • step S708 For each operation pattern label, other labels expected to contain similar equipment states are determined in advance with priorities, and in step S708, the search target label is determined according to the priorities. This is repeated until the learning data reaches a predetermined number, and sensor signal data and event signal data associated with the key code described in the searched driving pattern label management data are loaded in chronological order (S709). However, the amount exceeding the predetermined number in the last search is selected in order from the newest label in the last search target label so that the total becomes the predetermined number.
  • learning data similar to the input data can be selected from all the accumulated data. As a result, it is possible to identify anomalies with high accuracy, and to reduce misinformation caused by a lack of learning data. At this time, since the number of learning data is limited to a predetermined number, the calculation time does not increase.
  • the sensor signal data and event signal data selected by the learning data selection unit 106 are input as learning data (S801).
  • feature extraction is performed to create a feature vector (S802), which is divided into separate groups according to the key codes of sensor signal data and event signal data (S803), and learning is performed using data excluding one group.
  • the normal model is created (S804).
  • the abnormal measure is calculated by inputting the data of one group removed in step S804 (S805). It is checked whether the calculation of the abnormal measure has been completed for the data of all groups (S806).
  • the normal model is created (S804) and the abnormal measure is calculated.
  • the step of (S805) is repeated.
  • a threshold value for identifying abnormality is set based on the calculated abnormality measure (S808).
  • a normal model is created using all the learning data (S809).
  • step S801 a sensor signal is input, and in step S802, feature extraction is performed to obtain a feature vector.
  • feature extraction it is conceivable to use the sensor signal as it is, but a window of ⁇ 1, ⁇ 2, ... is provided for a certain time, and the feature vector of window width (3, 5, ...) x number of sensors, It is also possible to extract features that represent changes in data over time.
  • discrete wavelet transform DWT: Discrete Wavelet Transform
  • Each feature may be canonically converted using an average and standard deviation so that the average is 0 and the variance is 1. The average and standard deviation of each feature is stored so that the same conversion can be performed at the time of evaluation. Or you may normalize using the maximum value and minimum value, or the preset upper limit and lower limit.
  • step S802 dimension reduction may be performed by various feature conversion methods such as principal component analysis, independent component analysis, non-negative matrix factorization, latent structure projection, and canonical correlation analysis.
  • step S803 the learning data is divided into groups in step S803, a normal model is created in step S804, and the abnormal measure is calculated by the abnormal measure calculation unit 108 in step S805.
  • the projection distance method is a method of creating a subspace having an original origin for learning data, that is, an affine subspace (space with maximum variance).
  • FIG. 9 shows an example in which a one-dimensional affine subspace is created in a three-dimensional feature space.
  • the dimension of the feature space may be larger, and the dimension of the affine subspace is also smaller than the dimension of the feature space. Any number of dimensions may be used as long as it is smaller than the number of learning data.
  • a method for calculating the affine subspace will be described.
  • the mean ⁇ of the learning data and the covariance matrix ⁇ are obtained, then the eigenvalue problem of ⁇ is solved, and a matrix U in which eigenvectors corresponding to r eigenvalues designated in advance from the larger one are arranged in the affine subspace.
  • the abnormality measure calculated based on this normal model is defined as the minimum value of d of the projection distance to the affine subspace of each cluster.
  • the cluster is a collection of data of each section divided into modes as shown in FIG. 3B, for example.
  • an unsupervised clustering method represented by the k-average method may be used.
  • the local subspace method is a method of creating a k ⁇ 1 dimensional affine subspace using k-neighbor data of the evaluation data q.
  • a kd tree for efficiently searching for k-neighbor data is constructed for each mode in steps S804 and S809.
  • the kd-tree is a space division data structure that classifies points in the k-dimensional Euclidean space. The segmentation is performed using only a plane perpendicular to one of the coordinate axes, and one point is stored in each leaf node.
  • step S805 k-neighbor data of the evaluation data is obtained using a kd tree belonging to the same mode as the evaluation data, the point b is obtained therefrom, the distance between the evaluation data and the point b is calculated, and the anomaly measure is calculated. To do.
  • a normal model can be created using various methods such as Mahalanobis Taguchi method, regression analysis method, nearest neighbor method, similarity base model, and one-class SVM.
  • a threshold value is set based on the abnormality measure. Specifically, the abnormal measures corresponding to the learning data calculated in S805 are sorted in ascending order, and a value that reaches a predesignated ratio is set as a threshold value. That is, when the number of data is N and the specified ratio is p, the Np-th smallest value is set as the threshold value.
  • the learning unit is composed of normal data
  • p should be set to 1.0.
  • the maximum value of the abnormal measure is set as a threshold value.
  • the threshold value it is preferable to set the threshold value by dividing the data for each mode and performing the same process.
  • the mode division processing may be performed by the normal model creation unit 107 by the method described above, or based on the result obtained by the operation pattern label assignment unit 104, a mode is added to the sensor signal data shown in FIG. You may keep it.
  • the abnormality measure calculation unit 108 calculates the abnormality measure based on the input sensor signal 102. After extracting the feature vectors by the same method as in step S802, the abnormal measure is calculated by the same method as in step S805 based on the normal model created in step S809. Next, in the abnormality identification unit 109, the abnormality measure calculated by the abnormality measure calculation unit 108 is compared with the threshold value set in step S808, and if the value is equal to or greater than the threshold value, it is detected as an abnormality.
  • an operation pattern label is given to the data every predetermined period, and when an abnormality is detected, a predetermined number of data of the same label or near-state label periods are collected and used as learning data.
  • a high-accuracy normal model can be created without increasing the number, and false alarms for determining normality as abnormal can be reduced.
  • the sensor signal 102 and the event signal 103 from the equipment 101 are input, and the sensor signal 102 and the event signal 103 given the operation pattern label are analyzed by the sensor signal analysis unit 100.
  • the signal output from the abnormality identification unit 109 is received, the cause event of the abnormality is estimated from the event determined to be abnormal by the abnormality identification unit 109, and the result event caused by this cause event is detected by the abnormality diagnosis unit 120.
  • the method of selecting learning data based on the operation pattern label has been described on the assumption that the state of the facility changes according to the ON / OFF switching pattern, that is, the operation pattern.
  • the state may change greatly before and after maintenance work, and there is a possibility that appropriate learning data cannot be selected by the method described above.
  • FIG. 11 is a diagram showing the system configuration of the second embodiment for realizing the equipment state monitoring method of the present invention.
  • the system includes a sensor signal analysis unit 1100, an abnormality diagnosis unit 1120, and an input / output unit 1130.
  • the sensor signal analysis unit 1100 of the present system includes an operation pattern label assigning unit 104 that assigns an operation pattern label at regular intervals based on the sensor signal 102 and the event signal 103 output from the equipment 101, and an operation pattern label assigning unit 104.
  • the macro feature calculation unit 1101 that calculates a macro feature from the sensor signal 102 and the event signal 103 to which the label is attached
  • the database 1105 that accumulates the sensor signal 102 and the event signal 103 to which the operation pattern label is attached
  • the operation pattern label A learning data selection unit 1106 for selecting learning data from the sensor signal 102 and the event signal 103 accumulated, a normal model generation unit 1107 for generating a normal model using the selected learning data, and an abnormal measure based on the normal model and the sensor signal.
  • the abnormality diagnosis unit 1120 receives the sensor signal 102, the event signal 103, and the output from the abnormality identification unit 1109, and diagnoses the abnormality of the equipment 101.
  • the input / output unit 1130 is connected to the driving pattern label attaching unit 104, the abnormality identifying unit 1109, the abnormality diagnosing unit 1120, etc., and inputs diagnostic conditions and outputs diagnostic results.
  • the input / output unit 1130 includes a display screen 1131.
  • a macro feature calculation unit 1101 that calculates a feature representing a macro variation of the sensor signal 102 is added.
  • the driving pattern label assigning unit 104 assigns the driving pattern label every predetermined period, for example, every day, and then the macro feature calculating unit 1101 cuts out the sensor signal for every same period and calculates the feature amount.
  • the feature amount an average, variance, maximum value, minimum value, average of time of steady ON during the period, variance, average of time of steady OFF during the period, variance, etc. can be considered.
  • FIG. 12 shows an example of the management data.
  • This management data includes the above-described feature values, that is, the average, variance, maximum value, and minimum value over the entire period, in the operation pattern label management data 1201 to 1209 (respectively corresponding to 501 to 509 in FIG. 5A) shown in FIG. 5A. 1210, average of time of steady ON during period, variance: 1211, average of time of steady OFF during period, variance: 1212 are added. However, it is not always necessary to add all three items, and any one or two combinations may be added.
  • learning data selection processing method in the learning data selection unit 106 will be described. Basically, learning data is selected in the same way as in the first embodiment, but if there is a possibility that the status of maintenance work etc. will change significantly, learning will be performed using macro features in addition to operation pattern labels. Select data.
  • the sensor signal 102 and the event signal 103 are input to the driving pattern label assigning unit 104 to the driving pattern label assigning unit 104 (S1301), and predetermined.
  • a driving pattern label is assigned for each period, a macro feature is calculated by the macro feature calculation unit 1101, and stored in association with the driving pattern label (S1302).
  • the learning data selection unit 1106 performs learning data selection processing in the following procedure.
  • the operation pattern label is set as a search target on the screen described with reference to FIGS. 6A to 6D (S1303), and the operation pattern label management data of the same unit at the same site is obtained from the database 1105. Load (S1304).
  • the same driving pattern label as the driving pattern label given during the evaluation target period and data having similar macro features are searched (S1305), and the search result is recorded. (S1306). Whether or not the macro features are similar is determined based on a preset threshold value. However, data with warning is not searched. In addition, an exclusion date may be specified by a file or a user interface so that it can be removed from the search target.
  • the search target label is set according to the preset priority. Change and set a new target label (S1308), and return to S1305 to search for data with similar label and macro features. This is repeated until the learning data reaches a predetermined number, and sensor signal data and event signal data associated with the key code described in the searched driving pattern label management data are loaded in chronological order (S1309). For the part exceeding the predetermined number in the last search, the last search target label is selected in order from the similar feature so that the total becomes the predetermined number.
  • the first method is to always select a learning pattern using macro features without switching. This method can be easily realized because the determination condition is unnecessary.
  • the second method is a method of determining the presence or absence of maintenance work based on an event signal and selecting a learning pattern using macro features if there is a maintenance work. This method may be adopted if the event signal includes a signal indicating the start and end of maintenance work. If there is no maintenance work, it is only necessary to search from the newer data, so the search can be terminated when the predetermined number is reached. When there is a main operation pattern and there are a large number of the same labels, it is expected that the search efficiency is improved as compared with the first method.
  • the third method is a method in which transition of macro features is examined to determine whether or not maintenance work is performed, and if there is maintenance work, a learning pattern is selected using the macro features. For example, if the average ⁇ and standard deviation ⁇ of each feature is calculated for several cycles before the evaluation target period, and there is one feature whose feature value exceeds the range of ⁇ ⁇ n ⁇ , a large change in state such as maintenance work Judge that there was.
  • the number of periods to be examined and n are parameters.
  • the distance on the feature space with the previous cycle is calculated for several cycles before the evaluation target period, and the distance on the feature space with the previous cycle of the evaluation target period is the maximum value thereof. If it is larger, it is determined that there has been a large change in state such as maintenance work.
  • the center of gravity and covariance of the macro feature space may be calculated for several cycles before the evaluation target period, and the Mahalanobis distance may be used to determine the number of cycles before the evaluation target period.
  • a one-class identification method may be used.
  • Whether or not it has changed due to maintenance work is determined by calculating the average ⁇ and standard deviation ⁇ of each feature as described above and determining whether or not the feature value of the evaluation period exceeds the range of ⁇ ⁇ n ⁇ . Alternatively, the difference from the previous period of each feature is calculated, and it is determined whether or not the difference from the previous period of the feature in the evaluation period is the maximum so far.
  • ⁇ Basically, delete data with little impact even if it is excluded. That is, it is deleted after confirming that there is other similar data or that the result does not change even if it is actually removed.
  • the abnormal measure is calculated by cross-validation using all the data of the same label as the learning data except for the evaluation target data, and the data in the period in which the maximum value of the abnormal measure is minimum is deleted.
  • the abnormal measure calculation by the above cross validation may be performed by excluding one period at a time from the data of the same label, and the data of the exclusion period with the smallest change of the abnormal measure calculation result may be deleted.
  • the sensor signal data and event signal data linked to the management data are completely deleted from the database.
  • the management data is not deleted, and a numerical value indicating that the data has been deleted, for example, 0 is entered in the key code column.
  • the above method makes it possible to create a normal model with high accuracy without increasing the calculation load and also to reduce the database capacity.
  • the present invention includes a power supply facility such as a gas turbine, a facility for supplying hot water for district heating using waste heat of the gas turbine, a facility for supplying high-pressure steam and low-pressure steam to a factory, a water turbine in a hydroelectric power plant, Early detection of abnormalities based on multi-dimensional time-series data output from nuclear power plant reactors, wind turbines, wind turbines, aircraft and heavy machinery engines, railway vehicles, tracks, escalators, elevators, and other plants and equipment It can be used for preventive maintenance.

Landscapes

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

Abstract

　設備における事例ベースの異常予兆検知においては、多様な正常状態を網羅的に集める必要があるが、停止時間の長さなど運転パターンによって状態が大きく異なるために学習データ不足による誤報が発生するという問題や、学習データ不足が解消されるまで学習データ期間を長くした場合にメモリ容量と計算時間が増大して実行困難になるという問題を解決するために、設備の出力する時系列信号に基づいて設備の状態を監視する方法において、時系列信号に基づいて一定期間毎に運転パターンラベルを付与し、一定期間毎の運転パターンラベルに基づいて学習データを選定し、この選定した学習データに基づき正常モデルを作成し、時系列信号と正常モデルに基づき異常測度を算出し、この算出した異常測度に基づき設備の状態が異常か正常かの識別を行うようにした。

Description

設備状態監視方法およびその装置
　本発明は、プラントや設備などの出力する多次元時系列データをもとに異常を早期に検知する設備状態監視方法およびその装置に関する。
　電力会社では、ガスタービンの廃熱などを利用して地域暖房用温水を供給したり、工場向けに高圧蒸気や低圧蒸気を供給したりしている。石油化学会社では、ガスタービンなどを電源設備として運転している。このようにガスタービンなどを用いた各種プラントや設備において、設備の不具合あるいはその兆候を検知する予防保全は、社会へのダメージを最小限に抑えるためにも極めて重要である。
　ガスタービンや蒸気タービンのみならず、水力発電所での水車、原子力発電所の原子炉、風力発電所の風車、航空機や重機のエンジン、鉄道車両や軌道、エスカレータ、エレベータ、機器・部品レベルでも、搭載電池の劣化・寿命など、上記のような予防保全を必要とする設備は枚挙に暇がない。
　このため、対象設備やプラントに複数のセンサを取り付け、センサ毎の監視基準に従って正常か異常かを判断することが行われている。米国特許第６,９５２,６６２号明細書（特許文献１）や米国特許第６,９７５,９６２号明細書（特許文献２）には、おもにエンジンを対象とした異常検知方法が開示されている。これは、過去のデータ例えば時系列センサ信号をデータベースとしてもっておき、観測データと過去の学習データとの類似度を独自の方法で計算し、類似度の高いデータの線形結合により推定値を算出して、推定値と観測データのはずれ度合いを出力するものである。また、特開２０１０－１９１５５６号公報（特許文献３）には、過去の正常データから、観測データに類似したコンパクトな学習データセットを抽出し、抽出した学習データを部分空間でモデル化し、観測データと部分空間の距離に基づいて異常を検知する異常検知方法が開示されている。
米国特許第６,９５２,６６２号明細書 米国特許第６,９７５,９６２号明細書 特開２０１０－１９１５５６号公報
Stephan W. Wegerich；Nonparametric modeling of vibration signal features for equipment health monitoring、Aerospace Conference, 2003. Proceedings. 2003 IEEE，Volume 7, Issue, 2003 Page(s):3113 - 3121
　特許文献１や特許文献２に記載の方法によれば、学習データとして正常時のデータを与えることにより、学習にない観測データが観察されると、これらを異常として検出することができる。しかし、その異常検知性能は学習データの質に大きく左右される。すなわち、学習データにない観測データは正常であっても異常と判断され、一方、学習データに誤って異常が混入されていると異常であっても正常と判断される可能性が生じる。そのため、学習データは正常な状態のみを正確にかつ網羅的に収集しなければ、異常検知の信頼性が著しく低下してしまうが、多様な正常状態を有する設備に対してこのような学習データ収集を行うことは非常に負荷が高く、これを人手で行うことは実質不可能である場合が多い。さらに、質の良い学習データを収集可能であっても、計算負荷の高い方法であるため、実現可能な計算時間で処理するのに許容されるデータ量が小さく、その結果網羅性が確保できなくなる場合が多い。
　特許文献３に記載の方法によれば、同様に学習データの質が重要であるが、観測データに類似したコンパクトな学習データセットを抽出するため、計算負荷を低くすることができ、網羅性を確保しやすくなる。しかし、一定期間のデータを学習データとした場合、運転と停止のパターンが複雑な設備を対象とすると、学習データの不足により類似データが見つからずに正常を異常と判定する誤報となってしまうケースが発生する。学習データ不足を解消されるまで学習データの期間を長くするとメモリ容量と計算時間が増大し、実行困難になる。また、運転パターンが変化しない場合でも、保守作業などにより状態が大きく変化した場合、一定期間のデータを学習データとしていると、その状態変化を異常として検知し誤報となってしまうケースが発生する。
　また、設備における従来の事例ベースの異常予兆検知においては、多様な正常状態を網羅的に集める必要があるが、停止時間の長さなど運転パターンによって状態が大きく異なるため、学習データ不足により誤報が発生するという課題がある。また、学習データ不足が解消されるまで学習データ期間を長くすると、メモリ容量と計算時間が増大し、実行困難になるという課題もある。
　そこで、本発明の目的は、上記課題を解決し、プラントや設備あるいは製造装置，計測装置（以下、これらを総称して設備と記す）などで運転と停止のパターンが複雑な設備に対しても、計算負荷を低く抑えたまま異常を高感度に検知することが可能な異常検知方法を備えた設備状態監視方法およびシステムを提供することにある。さらに、運転と停止のパターンの変化のほか、保守作業による状態の変化があった場合にも、適切な学習データを選択して高感度な異常検知を実現可能な設備状態監視方法およびその装置を提供することにある。
　上記目的を達成するために、本発明では、設備の出力する時系列信号に基づいて設備の状態を監視する方法において、時系列信号に基づいて一定期間毎に運転パターンラベルを付与し、一定期間毎の運転パターンラベルに基づいて学習データを選定し、この選定した学習データに基づき正常モデルを作成し、時系列信号と正常モデルに基づき異常測度を算出し、この算出した異常測度に基づき設備の状態が異常か正常かの識別を行うようにした。
　また、本発明では、設備または装置の出力する時系列信号に基づいて設備の状態を監視する方法において、時系列信号に一定期間毎に有限個にカテゴライズされた運転パターンラベルを付与する運転パターンラベル付与工程と、この運転パターンラベル付与工程により運転パターンラベルが付与された時系列信号をデータとして蓄積するデータ蓄積工程と、このデータ蓄積工程で蓄積されたデータの中から時系列信号に付与された運転パターンラベルに基づいて所定数のデータを選択して学習データとする学習データ選択工程と、この学習データ選択工程で選択した学習データを用いて正常モデルを作成する正常モデル作成工程と、この正常モデル作成工程で作成した正常モデルとの比較に基づいて時系列信号の異常測度を算出する異常測度算出工程と、この異常測度算出工程で算出した異常測度に基づき異常を識別する異常識別工程とを含むようにした。
　また、本発明では、設備または装置から出力される時系列信号を入力して解析するセンサ信号解析部と、このセンサ信号解析部で解析した結果と時系列信号とを受けて設備の異常を診断する異常診断部と、センサ信号解析部及び異常診断部と接続してデータの入出力を行う入出力部とを備えた設備状態を監視する装置において、センサ信号解析部は、設備または装置から出力された時系列信号に基づいて一定期間毎に運転パターンラベルを付与する運転パターンラベル付与手段と、この運転パターンラベル付与手段で付与された一定期間毎の運転パターンラベルに基づいて学習データを選定する学習データ作成手段と、この学習データ作成手段で作成された学習データに基づき正常モデルを作成する正常モデル作成手段と、この正常モデル作成手段で作成した正常モデルに基づいて設備または装置から出力された時系列信号の異常測度を算出する異常測度算出手段と、この異常測度算出手段で算出した異常測度に基づき設備の状態が異常か正常かの識別を行う異常識別手段とを有するように構成した。
　更に、本発明では、設備または装置から出力される時系列信号を入力して設備状態を監視する装置において、時系列信号を入力して外入力した時系列信号に一定期間毎に有限個にカテゴライズされた運転パターンラベルを付与する運転パターンラベル付与手段と、この運転パターンラベル付与手段により運転パターンラベルを付与された時系列信号を蓄積するデータ蓄積手段と、運転パターンラベル付与手段により時系列信号に付与されたラベルに基づいてデータ蓄積手段に蓄積されたデータの中から同じ運転パターンラベルあるいは状態の近い運転パターンラベルのデータを所定数選択して学習データとする学習データ選択手段と、この学習データ選択手段で選択した学習データを用いて正常モデルを作成する正常モデル作成手段と、運転パターンラベル付与手段により運転パターンラベルを付与された時系列信号を正常モデル作成手段で作成した正常モデルと比較して時系列信号の異常測度を算出する異常測度算出手段と、この異常測度算出手段で算出した異常測度に基づき運転パターンラベルを付与された時系列信号の異常識別をする異常識別手段とを備えて構成した。
　本発明によれば、一定期間毎にデータに運転パターンラベルを付与しておき、異常検知時には同じラベルあるいは状態の近いラベルの期間のデータを所定数集めて学習データとするため、計算負荷を増やさずに高精度な正常モデルを作成することができ、正常を異常と判定する誤報を低減できる。
　さらに本発明によれば、センサデータのマクロな変動を表すマクロ特徴を算出し、同じラベルあるいは状態の近いラベルかつマクロ特徴の類似した期間のデータを所定数集めて学習データとするため、保守作業などにより状態が大きく変化した場合にも、類似した学習データを選択して高精度な正常モデルを作成することが可能となり、正常を異常と判定する誤報を低減できる。
　以上により、ガスタービンや蒸気タービンなどの設備のみならず、水力発電所での水車、原子力発電所の原子炉、風力発電所の風車、航空機や重機のエンジン、鉄道車両や軌道、エスカレータ、エレベータ、そして機器・部品レベルでは、搭載電池の劣化・寿命など、種々の設備・部品において高感度な異常検知および容易な異常説明を両立するシステムが実現できる。
本発明の第１の実施例における設備状態監視システムの概略の構成を示すブロック図である。 本発明の第１の実施例におけるセンサ信号の例を示す信号リストである。 本発明の第１の実施例におけるイベント信号の例を示す信号リストである。 本発明の第１の実施例における運転パターンラベル付与の処理の流れを示すフロー図である。 本発明の第１の実施例における設備の可動状態を分割して４種のモードの何れかに分類した状態を示すモード分割の模式図である。 本発明の第１の実施例における運転パターンラベル付与の概念を説明する図である。 本発明の第１の実施例におけるイベント信号から算出されたデータと運転パターンラベルの関係の例を示す図である。 本発明の第１の実施例における運転パターンラベルの管理データの例を示すデータリストである。 本発明の第１の実施例におけるセンサ信号データの例を示すデータリストである。 本発明の第１の実施例におけるイベント信号データの例を示すデータリストである。 本発明の第１の実施例における運転パターンラベルの管理データの別の例を示すデータリストである 本発明の第１の実施例におけるラベル付与の条件を決めるための情報入力画面の例である。 本発明の第１の実施例におけるラベル付与の条件を決めるための詳細情報入力画面の例である。 本発明の第１の実施例における参照情報とラベルの関係を確認する画面の例である。 本発明の第１の実施例におけるラベルとラベル付与参照情報とセンサ信号をグラフ表示する画面の例である。 本発明の第１の実施例における学習データ選択の処理の流れを示すフロー図である。 本発明の第１の実施例における正常モデル生成の処理の流れを示すフロー図である。 投影距離法を説明するグラフである。 局所部分空間法を説明するアフィン部分空間図である。 本発明の第２の実施例における設備状態監視システムの概略の構成を示すブロック図である。 本発明の第２の実施例におけるラベル付与の条件を決めるための情報入力画面の例である。 本発明の第２の実施例における学習データ選択の処理の流れを示すフロー図である。
　以下、図面を用いて本発明の内容を詳細に説明する。
　図1に、本発明の設備状態監視方法を実現するシステムの一構成例を示す。本システムは、センサ信号解析部１００と異常診断部１２０、入出力部１３０とを備えて構成されている。
　本システムのセンサ信号解析部１００は、設備１０１から出力されるセンサ信号１０２とイベント信号１０３に基づき一定期間毎に運転パターンラベルを付与する運転パターンラベル付与部１０４と運転パターンラベルを付与されたセンサ信号１０２とイベント信号１０３を蓄積するデータベース１０５、センサ信号１０２とイベント信号１０３を受けて、運転パターンラベルに基づいて蓄積されたセンサ信号１０２とイベント信号１０３から学習データを選択する学習データ選択部１０６、選択した学習データを用いて正常モデルを作成する正常モデル作成部１０７、正常モデルとセンサ信号に基づき異常測度を算出する異常測度算出部１０８、算出された異常測度に基づき異常を検知する異常識別部１０９とを備えて構成される。
　異常診断部１２０は、センサ信号１０２とイベント信号１０３及び異常識別部１０９からの出力を受けて、設備１０１の異常を診断する。
　入出力部１３０は、運転パターンラベル付与部１０４、異常識別部１０９、異常診断部１２０などと接続して診断条件の入力や診断結果の出力を行う。
　状態監視の対象とする設備１０１は、ガスタービンや蒸気タービンなどの設備やプラントである。設備１０１は、その状態を表すセンサ信号１０２とイベント信号１０３を出力する。
　センサ信号１０２の例を図２Ａに示す。時刻と１０１に設けられた複数のセンサ値のデータからなり、一定間隔毎に取得される時系列信号である。センサの種類は、数百から数千と言った数になる場合もあり、例えば、シリンダ、オイル、冷却水などの温度、オイルや冷却水の圧力、軸の回転速度、室温、運転時間などである。出力や状態を表すのみならず、何かをある値に制御するための制御信号の場合もある。
　イベント信号１０３の例を図２Ｂに示す。不定期に出力される設備の操作・故障・警告を表す信号であり、時刻と操作・故障・警告を表すユニークなコードとメッセージ文字列からなる。
　次に、センサ信号解析部の構成及び動作について、図１から図１０を用いて説明する。まず、運転パターンラベル付与部１０４における処理の流れを図３Ａおよび図３Ｂを用いて説明する。まず、イベント信号１０３を入力し（Ｓ３０１）、所定の文字列またはコードの検索により起動シーケンスと停止シーケンスの切り出しを行う（Ｓ３０２）。その結果をもとに、図３Ｂに示すように、停止シーケンスの終了時刻から起動シーケンスの開始時刻までの「定常OFF」モード３１１、起動シーケンス中の「起動」モード３１２、起動シーケンスの終了時刻から停止シーケンスの開始時刻までの「定常ON」モード３１３、停止シーケンス中の「停止」モード３１４の４つの稼動状態に分割する（Ｓ３０３）。以下の説明ではこの分割をモード分割と呼び、稼動状態の種類をモードと呼ぶこととする。
　シーケンス切り出しのためには、予めシーケンスの開始イベントおよび終了イベントを指定しておき、イベント信号１０３の先頭から最後まで以下の要領でスキャンしながら切り出していく。
（１）シーケンスの途中でない場合は、開始イベントを探索する。見つかったらシーケンスの開始とする。
（２）シーケンスの途中の場合は、終了イベントを探索する。見つかったらシーケンスの終了とする。
ここで終了イベントとは、指定の終了イベントのほか、故障、警告、指定の開始イベントとする。指定の終了イベント以外で終了した場合は、異常終了として記録しておく。
　次に、予め定めた期間毎、例えば１日毎に状態遷移数をカウントする（Ｓ３０４）。状態遷移とは定常ONと定常OFFの間の遷移のことを意味する。つまり起動シーケンスと停止シーケンスの回数を数えればよい。次に、予め定めた期間の初めの状態がONかOFFのどちらであるかをチェックしその時点までのその状態の継続時間を算出する（Ｓ３０５）。その時点より以前で一番近い起動シーケンスまたは停止シーケンスを探し、それが起動シーケンスであれば状態はON、停止シーケンスであれば状態はOFFである。継続時間はそのシーケンス終了からの時間を計算すればよい。次に算出した状態遷移回数と予め定めた期間の初めの状態とその継続時間をもとに運転パターンラベルを付与する（Ｓ３０６）。
　運転パターンラベルの付与方法について図４Ａおよび図４Ｂを用いて説明する。図４Ａは設備のON/OFFの情報と１つのセンサ信号を時系列グラフとして表した図である。ONかOFFかによってセンサ値が変化することはもちろんのこと、状態の継続時間、状態遷移のパターンによってもセンサ値が大きく変化することが分かる。運転パターンラベル付与の目的は、設備状態が類似するものを学習データとして選択することであるため、例えば、図４Ａに示した実線、点線、破線、一点鎖線で囲んだデータにそれぞれ同じラベルを付与する。そのために、Ｓ３０４、Ｓ３０５で算出した状態遷移回数と予め定めた期間の初めの状態とその継続時間を利用する。
　図４Ｂに、それらの情報と運転パターンラベルの関係の例を示す。状態遷移回数は0回から1,2，…と増えるに従い異なるラベルが付与されるようにする。ただし、ラベルの種類を有限個にするため、所定の回数以上は同じものとして扱う。この例では５回以上をひとつにまとめている。また、継続時間は連続データであるため、適当な区切りを設けて分類し、それぞれが異なるラベルが付与されるようにする。さらに、初めの状態がONかOFFかによって異なるラベルが付与されるようにする。状態遷移の回数および初めの状態の継続時間の対応する欄を見、初めの状態がONならば左の番号（図４Bの例では、１～３６）のラベル、OFFならば右の番号（図４Bの例では、３７～７２）のラベルを付与する。
　なお、横軸、縦軸の分け方はより細かくしても粗くしてもよいし、全ての情報を用いなくてもよい。また、さらに他の情報を加えて分類に用いてもよい。また、全ての欄に異なるラベルを割り当てなくてもよい。また、この例では初めの状態がONかOFFかの２種類であるが、OFFの中でも完全停止とアイドリングの状態を区別したり、ONの中でも異なる運転モードを区別したりすることも考えられる。設備の状態が類似するか否かに関連のある情報を用いることが重要であり、ここであげた項目に限定するものではない。例えば保守作業の有無や警告の有無をラベルに反映することが考えられる。
　また、本実施例では、イベント信号を用いてモード分割する例を示したが、センサ信号に設備のON／OFFあるいはその他の運転状態を表す信号が含まれる場合も考えられる。その場合は、その信号を用いて状態遷移回数と予め定めた期間の初めの状態とその継続時間あるいは設備の状態が類似するか否かに関連のある他の情報を算出してもよい。
　運転パターンラベルを付与されたセンサ信号１０２とイベント信号１０３はデータベース１０５に蓄積される。データベース１０５における、データの管理方法の例を図５Ａないし図５Dを用いて説明する。
　図５Ａは、運転パターンラベルの管理データの例である。この例では、前述の予め定めた期間を１日の0時から24時までとしており、日付、サイト（設置場所を表すコード）、号機（同じ場所にある複数の設備を区別するＩＤ）毎に１個のデータを持つ。このデータは日付５０１、サイト５０２、号機５０３の他に運転パターンラベル５０４、センサ信号データおよびイベント信号データへのキーコード５０５と運転パターンラベルを付与するために用いた初期状態５０６、初期状態の継続時間５０７、状態遷移回数５０８と警告の有無情報５０９からなる。５０６から５０８の項目は、運転パターンラベルの付与方法に応じて変化する。また、システムに接続された設備が１台の場合はサイト５０２および号機５０３の項目は不要である。
　図５Ｂは、センサ信号データである。設備１０１からの出力１０２と同様の情報を持つが、図５Ａに示す管理データのセンサ信号データおよびイベント信号データへのキーコード５０５に紐付けられたキーコード５１１が付加されている。キーコードが決まれば日付も一意に決まるため、日付の情報は含まなくてもよい。時刻情報５１２は、イベント信号との対応付けのため必要である。ただし、一定間隔データであることが保証されている場合は、時刻情報の替わりに取得順の通し番号を用いてもよい。図５Ｃは、イベント信号データである。設備１０１からの出力１０３と同様のコード５２３とメッセージ５２４と、管理データのキーコード５０５に紐付けられたキーコード５２１と時刻情報５２２からなる。キーコードが決まれば日付も一意に決まるため、日付の情報は含まなくてもよい。
　なお、運転パターンラベル管理の期間は０時を開始とするとは限らず、任意の時刻で区切ってよい。また、期間の長さを１日とするとも限らない。ラベル付与が煩雑になるのを防ぐため、主要な繰り返しの周期にそろえるとよい。例えばガスエンジンによる発電設備などは、設備が設置された施設の操業周期に合わせて運転されるため１日とするのが適切であるが、１２時間毎、８時間毎とすることも考えられる。周期を短くすることにより、状態数は少なくなって同じ状態のデータを集めやすくなると思われる。ただし、学習するセンサデータ数を一定の量に保とうとすると、学習するセンサデータを選択する際に探索する管理データ数および集めるべき管理データ数が増えるため、短くしすぎてもいけない。逆に周期を長くすることも可能であるが、状態数が増加し同じ状態のデータを集めるのが困難になる可能性がある点に留意する必要がある。
　さらに、運転パターンラベル管理の期間を定時刻のみではなく、状態遷移のタイミングでも区切ることも考えられる。その場合の運転パターンラベル管理データの例を図５Ｄに示す。このデータは、日付５３１、サイト５３２、号機５３３、運転パターンラベル５３４、センサ信号データおよびイベント信号データへのキーコード５３５と警告の有無情報５３９を図５Ａに示す例と同様に含む。状態遷移があるときに新しくデータを作成するため、ラベル付与に用いるデータとして、その管理期間の前の状態５３６、その状態の継続時間５３７、その管理期間の状態５３８の情報を持つ。前の状態の継続時間のクラス数を上記と同じ６とすると、前の状態と今の状態のクラス数はそれぞれ２なのでラベル数は２４と少ない数で管理することが可能となる。ただし、各管理データに紐付けられるセンサ信号データの数がそれぞれ異なるため、学習データ選択の際に、管理データの個数ではなく、センサ信号の数が所定数になるようにするべきであり、そのための処理が煩雑になるというデメリットがある。
　運転パターンラベルを付与する期間の長さおよびラベル付与のルールを決めるためのＧＵＩの例を、図６Ａから図６Ｄに示す。ＧＵＩは、入出力部１３０の表示画面１３１に表示される。はじめに、図示はしないが、ラベル付与のルールを決めるために参考にするセンサ信号とイベント信号を選んでロードしておく。次に、図６Ａに示す入力画面を用いて、ラベル付与に使用する情報の分類方法を決定する。図６Ａは、運転パターンラベル付与に使用する情報を選択するための入力画面の例である。運転パターンラベル付与参照情報入力ウィンドウ６０１には、周期情報入力ウィンドウ６０２、周期単位入力ウィンドウ６０３、参照情報選択ウィンドウ６０４Ａ～６０４Ｃ、クラス数入力ウィンドウ６０７Ａ～６０７Ｃなどが含まれている。周期情報入力ウィンドウ６０２には、運転パターンラベルを付与する期間を数値入力する。また、周期単位入力ウィンドウ６０３には、期間の単位を時間、日、週から選択入力する。参照情報選択ウィンドウ６０４Ａ～６０４Ｃには、ラベル付与のために使用する情報を入力する。
　使用可能な情報は予め決まっているものとし、リスト表示ボタン６０５Ａ～６０５Ｃのクリックにより参照可能情報リスト６０６が表示されるので、リストから選択入力する。クラス数入力ウィンドウ６０７Ａ～６０７Ｃには、参照した情報をもとに異なるラベルを付与すべきクラス数を入力する。参照可能情報には、連続データと名義データの２種類があり、名義データの場合は、名義数がクラス数としてクラス数入力ウィンドウ６０７Ａ～６０７Ｃに入力され、ユーザ入力を受け付けないようにする。また詳細ボタン６０８Ａ～６０８Ｃは不活性にする。
　連続データの場合は、クラス数入力ウィンドウ６０７Ａ～６０７Ｃにクラス数を数値入力する。２以上の整数値であり、上限は特に決まりはないが、例えば１０、１００など適当な数値に定めておく。連続データの場合は、詳細ボタン６０８Ａ～６０８Ｃの何れかの押下により、図６Ｂに示す運転パターンラベル付与参照情報詳細入力ウィンドウ６１１が表示され、クラスの境界を定義するための詳細情報を入力する。追加ボタン６０９は、参照する情報を４以上にするためのボタンであり、追加ボタン６０９の押下により情報４、情報５、・・・に対応する参照情報選択ウィンドウ６０４、リスト表示ボタン６０５、クラス数入力ウィンドウ６０７、詳細ボタン６０８が順次表示される。詳細情報も含めて入力が終了したら、ラベル定義ボタン６１０を押下する。この操作により、図６Ｃに示すラベル確認画面が表示される。
　図６Ｂは、押下された詳細ボタン６０８Ａ～６０８Ｃの何れかに対応する参照情報のクラス境界入力画面の例である。連続データを対象とするため、クラス境界の値を入力する形とする。運転パターンラベル付与参照情報詳細入力ウィンドウ６１１には、参照情報表示ウィンドウ６１２、数値範囲表示ウィンドウ６１３、クラス境界値入力ウィンドウ６１４Ａ～６１４Ｅが含まれる。参照情報表示ウィンドウ６１２には、押下された詳細ボタン６０８Ａ～６０８Ｃの何れかに対応する参照情報の名前が表示される。図には、運転パターンラベル付与参照情報入力ウィンドウ６０１において、詳細ボタン６０８Ｂが押下された場合の例を示している。数値範囲表示ウィンドウ６１３には、予めロードしておいたイベント信号１０３について、入力された周期の条件のもとで算出された、運転パターンラベル付与参照情報の値の範囲を表示する。
　クラス境界値入力ウィンドウ６１４Ａ～６１４Ｅは、クラス数入力ウィンドウ６０７Ａ～６０７Ｃで入力された数値より１個少ない数だけ表示される。クラス数６個の場合、ｘ未満ならばクラスＮである（Ｎは１から５）という状態を決定する条件のｘを数値入力する。図の例は１未満ならばクラス１、すなわち状態遷移回数が０回の場合はクラス１である。また１以上２未満ならばクラス２、すなわち状態遷移回数が１回の場合はクラス２である。以下同様にクラス５までが定義され、クラス６の条件はその他すなわち状態遷移回数５回以上の場合である。入力終了後、終了ボタン６１５の押下により、運転パターンラベル付与参照情報入力ウィンドウ６０１に戻る。
　図６Ｃは、図６Ａの入力結果に従って定義されたラベルの確認画面の例である。運転パターンラベル確認ウィンドウ６２１は、ラベル表示ウィンドウ６２２Ａ、６２２Ｂとクラス境界条件表示ウィンドウ６２６を備えている。ラベル表示ウィンドウ６２２Ａ、６２２Ｂは２次元のマトリクスであり、条件６２３Ａ、６２３Ｂのときに、横軸項目６２４Ａ、６２４Ｂ、縦軸項目６２５Ａ、６２５Ｂに示した情報のクラスに対応するラベル番号を表示したものである。横軸項目６２４Ａ、６２４Ｂと縦軸項目６２５Ａ、６２５Ｂには、参照情報のうちクラス数の多いものから２個を選択して設定するとウィンドウ６２２の数を最小にできる。条件６２３Ａ、６２３Ｂには残りの参照情報のクラスの組合せを別々に全て記述する。
　表示されるラベルは、各情報のクラスの組合せをもとに以下に示す方法で自動的に決められる。情報１のクラスＣ１、情報２のクラスＣ２、情報３のクラスＣ３を（Ｃ１，Ｃ２，Ｃ３）と表記すると、（１，１，１）から開始して（１，１，２）、（１，１，３）、・・・（１，１，６）、（１，２，１）、・・・（２，６，６）までの全ての組合せに１から始まる通し番号をラベルとして付与する。この場合、情報１のクラス数が２、情報２のクラス数が６、情報３のクラス数が６なのでラベル総数は７２となる。情報４を参照する場合は（Ｃ１，Ｃ２，Ｃ３，Ｃ４）の全ての組合せを順に数え上げて通し番号をつける。さらに他の情報を参照する場合も同様である。クラス境界条件表示ウィンドウ６２６には参照情報の項目名とそれに対応するクラスを定義する条件が表示される。
　図６Ａに示す運転パターンラベル付与参照情報入力ウィンドウ６０１で設定された参照情報に対し、参照情報が名義データの場合はそれぞれの名義を個別にクラスに割り当てて表示し、参照情報が連続データの場合は、図６Ｂに示す運転パターンラベル付与参照情報詳細入力ウィンドウ６１１で入力されたクラス境界条件をそのまま表示する。グラフ表示ボタン６２７押下により、図６Ｄに示すグラフ表示ウィンドウ６３１が表示される。登録ボタン６２８押下によりラベル付与条件を確定し、登録する。戻るボタン６２９押下により、図６Ａに示す運転パターンラベル付与参照情報入力ウィンドウ６０１に戻る。
　図６Ｄは、入力された条件に基づき付与されたラベルをセンサデータと関連付けて確認するためのグラフ表示画面の例である。グラフ表示ウィンドウ６３１は、ラベル付与参照情報表示ウィンドウ６３２、ＯＮ／ＯＦＦ情報表示ウィンドウ６３３、センサ信号表示ウィンドウ６３４を含む。
　グラフ表示に先立ち、予めロードされたセンサ信号とイベント信号を用い、図３Ａに示す処理フローにより、運転パターンラベルを付与する。ラベル付与参照情報表示ウィンドウ６３２には、ラベルを付与するために参照された情報すなわち初期状態、状態遷移回数、初期状態継続時間のクラス番号が折れ線グラフで表示され、重ねてラベル番号が表示される。
　ＯＮ／ＯＦＦ情報表示ウィンドウ６３３には、モード分割（Ｓ３０３）によって得られるＯＮ／ＯＦＦの情報が時系列グラフとして表示される。センサ信号表示ウィンドウ６３４には、センサ選択ウィンドウ６３７により選択されたセンサ信号が時系列グラフとして表示される。スクロールバー６３５の移動によりウィンドウに表示されるデータの期間が変更される。期間表示ウィンドウ６３６には、表示中のデータの期間が表示される。
　逆にユーザによる入力に従って、スクロールバー６３５が移動し、ウィンドウ６３１，６３２，６３３の表示が変更される。戻るボタン６３８の押下により、グラフ表示ウィンドウ６３１を消去し、図６Ｃに示す運転パターンラベル確認ウィンドウ６２１に戻る。
　以上説明したＧＵＩにより、ラベル付与の条件を簡便に入力することが可能である。決定した条件を用いて付与したラベルとセンサデータを対応付けて観察することが可能であるため、同一ラベルが付与された期間の設備の状態が互いに類似しているか否かを確認でき、これによりラベル付与条件の妥当性を確認することが可能である。
　次に、学習データ選択部１０６における処理の流れを、図７を用いて説明する。まず、運転パターンラベル付与部１０４にセンサ信号１０２とイベント信号１０３とを入力し（Ｓ７０１）、予め定められた期間毎に、運転パターンラベル付与部１０４で運転パターンラベルを付与する（Ｓ７０２）。次に、学習データ選択部１０６において、以下のような手順で学習データ選択処理を行う。先ず、付与されたラベルと同一のラベルを探索対象とし（Ｓ７０３）、データベース１０５から、同一サイト同一号機の運転パターンラベル管理データをロードする（Ｓ７０４）。次に、探索対象ラベルを探索し（Ｓ７０５）、探索結果を記録する（Ｓ７０６）。ただし、警告有りのデータは探索の対象としない。また、ファイルまたはユーザインターフェースにより除外日を指定しておき、これも探索の対象からはずすことが可能なようにしておくとよい。更に、探索されたデータ数が予め定めた数に達しているかどうか確認し（Ｓ７０７）、達していなければ探索対象ラベルを設定し（Ｓ７０８）、ステップＳ７０５に戻る。
　各運転パターンラベルについて、類似した設備状態が含まれることが期待される他のラベルを優先順位つきで予め定めておき、ステップＳ７０８においては、その優先順位に従って探索対象ラベルを決める。学習データが所定数に達するまでこれを繰り返し、探索された運転パターンラベル管理データに記載されたキーコードに紐付けられるセンサ信号データとイベント信号データを時系列順にロードする（Ｓ７０９）。ただし、最後の探索で所定数を超えた分については、最後の探索対象ラベルの中で、新しいものから順に選択して合計が所定数になるようにする。
　以上の処理により、蓄積した全てのデータの中から入力データに類似した学習データを選択することができる。その結果、高精度に異常識別が可能となり、学習データ不足に起因する誤報を低減することができる。このとき、学習データ数を所定の数に制限するため、計算時間が増えることがない。
　次に、正常モデル作成部１０７における処理の流れを、図８を用いて説明する。はじめに、学習データ選択部１０６において選択されたセンサ信号データとイベント信号データを学習データとして入力する（Ｓ８０１）。次に、特徴抽出を行って特徴ベクトルを作成し（Ｓ８０２）、センサ信号データとイベント信号データのキーコードに従って別々のグループに分割し（Ｓ８０３）、そのうち１グループを除いたデータを用いて学習を行い、正常モデルを作成する（Ｓ８０４）。作成された正常モデルを用い、ステップＳ８０４で除かれた１グループのデータを入力して異常測度を算出する（Ｓ８０５）。すべてのグループのデータについて異常測度の算出が終了したかをチェックし（Ｓ８０６）、終了していなければまだ異常測度を算出していないグループについて（Ｓ８０７）、正常モデル作成（Ｓ８０４）と異常測度算出（Ｓ８０５）のステップを繰り返す。すべてのグループのデータについて異常測度の算出が終了したら（Ｓ８０６）、算出された異常測度に基づいて異常を識別するしきい値を設定する（Ｓ８０８）。最後に、すべての学習データを用いて正常モデルを作成する（Ｓ８０９）。
　次に、各ステップについて詳細に説明する。　
  先ず、ステップＳ８０１において、センサ信号を入力し、次に、ステップＳ８０２において特徴抽出を行い、特徴ベクトルを得る。特徴抽出としては、センサ信号をそのまま用いることが考えられるが、ある時刻に対して±1,±2,…のウィンドウを設け，ウィンドウ幅（3,5,…）×センサ数の特徴ベクトルにより、データの時間変化を表す特徴を抽出することもできる。また、離散ウェーブレット変換(DWT: Discrete Wavelet Transform)を施して、周波数成分に分解してもよい。なお、各特徴は平均と標準偏差を用いて、平均を０、分散を１となるように変換する正準化を行うとよい。評価時に同じ変換ができるよう、各特徴の平均と標準偏差を記憶しておく。あるいは、最大値と最小値または予め設定した上限値と下限値を用いて正規化を行ってもよい。
　これらの処理は、単位およびスケールの異なるセンサ信号を同時に扱うためのものである。このとき、最低限の処理として、分散が非常に小さいセンサ信号および単調増加するセンサ信号を除く必要がある。
　また、相関解析による無効信号を削除することも考えられる。これは、多次元時系列信号に対して相関解析を行い、相関値が１に近い複数の信号があるなど、極めて類似性が高い場合に、これらは冗長だとして、この複数の信号から重複する信号を削除し、重複しないものを残す方法である。このほか、ユーザが指定するようにしてもよい。さらに、ステップＳ８０２において、主成分分析、独立成分分析、非負行列因子分解、潜在構造射影、正準相関分析など様々な特徴変換手法により、次元削減を行ってもよい。
　次に、ステップＳ８０３において学習データをグループに分割し、ステップＳ８０４において正常モデル作成を行い、ステップＳ８０５において異常測度算出部１０８で異常測度の算出を行う。
　正常モデル作成手法としては、投影距離法(ＰＤＭ: Projection Distance Method)や局所部分空間法(ＬＳＣ: Local Sub-space Classifier)が考えられる。投影距離法は、学習データに対し独自の原点をもつ部分空間すなわちアフィン部分空間（分散最大の空間）を作成する方法である。
　クラスタ毎に、図９に示すようにアフィン部分空間を作成する。図９では、３次元の特徴空間において、１次元のアフィン部分空間を作成する例を示しているが、特徴空間の次元はもっと大きくてもよく、アフィン部分空間の次元も特徴空間の次元より小さくかつ学習データ数より小さければ何次元でもかまわない。
　アフィン部分空間の算出方法について説明する。まず、学習データの平均μと共分散行列Σ を求め、次にΣの固有値問題を解いて値の大きい方から予め指定したr個の固有値に対応する固有ベクトルを並べた行列Ｕをアフィン部分空間の正規直交基底とする。この正常モデルに基づいて算出する異常測度は、各クラスタのアフィン部分空間への投影距離のdの最小値と定義する。ここで、クラスタとは、例えば図３Ｂに示すようにモードに分割された各区間のデータを集めたものとする。あるいは、ｋ平均法に代表される教師なしクラスタリング手法を利用してもよい。
　一方、局所部分空間法は、評価データqのk-近傍データを用いてｋ－１次元のアフィン部分空間を作成する方法である。
　図１０にｋ＝３の場合の例を示す。図１０に示すように、異常測度は図に示す投影距離で表されるため、評価データqに最も近いアフィン部分空間上の点bを求めればよい。
　評価データqとそのk-近傍データxi( i = 1,…,k )からbを算出するには、qをk個並べた行列Qとxiを並べた行列Xから　
◎
Figure JPOXMLDOC01-appb-M000001
により相関行列Cを求め、　
◎
Figure JPOXMLDOC01-appb-M000002
によりbを計算する。
　この方法は、評価データを入力しないとアフィン部分空間を作成できないため、ステップＳ８０４およびステップＳ８０９においては、k-近傍データを効率的に探すためのｋｄ木をモード別に構築しておく。ｋｄ木とは、k次元のユークリッド空間にある点を分類する空間分割データ構造である。座標軸の1つに垂直な平面だけを使って分割を行い、各葉ノードには1つの点が格納されるよう構成する。ステップＳ８０５では、評価データと同じモードに属するｋｄ木を利用して評価データのk-近傍データを求め、それらから前述の点ｂを求め、評価データと点ｂの距離を算出して異常測度とする。
　このほか、マハラノビスタグチ法、回帰分析法、最近傍法、類似度ベースモデル、１ク
ラスＳＶＭなど様々な方法を用いて正常モデルの作成が可能である。
　次に、ステップＳ８０８において、異常測度をもとにしきい値を設定する。具体的には、Ｓ８０５において算出した学習データに対応する異常測度を昇順にソートし、予め指定した比率に到達する値をしきい値とする。すなわち、データ数をＮ個、指定した比率をｐとするとＮｐ番目に小さい値をしきい値とする。
　学習部は正常データから構成されると考えればｐを1.0に設定すべきであり、この場合は異常測度の最大値をしきい値とする。このとき、全ての学習データに対する異常測度のを用いずに、異常識別の対象とする入力データに付与された運転パターンラベルと同じラベルを付与された学習データに対する異常測度のデータのみを用いるとなおよい。また、モード別にデータを分けて同様の処理によりしきい値設定を行うとよい。モード分割処理は正常モデル作成部１０７で前述の方法で行ってもよいし、運転パターンラベル付与部１０４で得られる結果をもとに、図５Ｂに示すセンサ信号データにモードを付加して保存しておいてもよい。
　正常モデル作成部１０７で正常モデル作成後、異常測度算出部１０８において、入力センサ信号１０２に基づき異常測度を算出する。ステップＳ８０２と同様の方法で特徴ベクトルを抽出したあと、ステップＳ８０９で作成された正常モデルに基づき、ステップＳ８０５と同様の方法で異常測度を算出する。次に、異常識別部１０９において、異常測度算出部１０８で算出された異常測度をステップＳ８０８で設定されたしきい値と比較し、しきい値以上の値の場合は異常として検知する。
　上記に説明した方法により、一定期間毎にデータに運転パターンラベルを付与しておき、異常検知時には同じラベルあるいは状態の近いラベルの期間のデータを所定数集めて学習データとするため、計算負荷を増やさずに高精度な正常モデルを作成することができ、正常を異常と判定する誤報を低減できる。
　次に、異常診断部１２０においては、設備１０１からのセンサ信号１０２とイベント信号１０３とを入力すると共に、運転パターンラベルを付与されたセンサ信号１０２とイベント信号１０３とをセンサ信号解析部１００で解析した結果として異常識別部１０９から出力される信号を受けて、異常識別部１０９において異常と判定された事象から異常の原因事象を推定し、この原因事象によってもたらされる結果事象を異常診断部１２０の表示画面（図示せず）上に表示する。この結果事象が複数あるときには、発生確率の高い順に並べて画面上に表示する。運転パターンラベルを付与されたセンサ信号１０２とイベント信号１０３とを処理することによりセンサ信号解析部１００では比較的早い処理が実現でき、異常診断部１２０での診断処理は基本的にリアルタイム処理で行うことができる。
　実施例１においては、設備の状態は、ON/OFFの切り換えパターンすなわち運転パターンに応じて変化するという仮定のもと、運転パターンラベルに基づいて学習データを選択する方法について説明してきた。しかし、同じ運転パターンラベルであっても保守作業の前後などには状態が大きく変化する場合があり、上記説明した方法では、適切な学習データを選択することができない可能性がある。
　このような場合に対応するための機能を追加した第二の実施例について図１１を用いて説明する。図１１は、本発明の設備状態監視方法を実現する第二の実施例のシステム構成を表す図である。本システムは、センサ信号解析部１１００と異常診断部１１２０、入出力部１１３０とを備えて構成されている。
　本システムのセンサ信号解析部１１００は、設備１０１から出力されるセンサ信号１０２とイベント信号１０３に基づき一定期間毎に運転パターンラベルを付与する運転パターンラベル付与部１０４と、運転パターンラベル付与部１０４でラベルが付与されたセンサ信号１０２とイベント信号１０３とからマクロ特徴を算出するマクロ特徴算出部１１０１、運転パターンラベルを付与されたセンサ信号１０２とイベント信号１０３を蓄積するデータベース１１０５、運転パターンラベルに基づいて蓄積されたセンサ信号１０２とイベント信号１０３から学習データを選択する学習データ選択部１１０６、選択した学習データを用いて正常モデルを作成する正常モデル作成部１１０７、正常モデルとセンサ信号に基づき異常測度を算出する異常測度算出部１１０８、算出された異常測度に基づき異常を検知する異常識別部１１０９とを備えて構成される。
　異常診断部１１２０は、センサ信号１０２とイベント信号１０３及び異常識別部１１０９からの出力を受けて、設備１０１の異常を診断する。
　入出力部１１３０は、運転パターンラベル付与部１０４、異常識別部１１０９、異常診断部１１２０などと接続して診断条件の入力や診断結果の出力を行う。入出力部１１３０は表示画面１１３１を備えている。
　図１に示した第一の実施例の構成との違いは、センサ信号１０２のマクロな変動を表す特徴を算出するマクロ特徴算出部１１０１を追加した点である。運転パターンラベル付与部１０４において、予め定めた期間毎、例えば１日毎に運転パターンラベルを付与した後、マクロ特徴算出部１１０１において、同じ期間毎にセンサ信号を切り出して、特徴量を算出する。特徴量としては、期間全体に亘る平均、分散、最大値、最小値、期間中の定常ONの時刻の平均、分散、期間中の定常OFFの時刻の平均、分散などが考えられる。
　図１２に、その管理データの一例を示す。この管理データは、図５Ａに示す運転パターンラベル管理データ１２０１～１２０９（それぞれ図５Ａの５０１～５０９に対応）に、上記した特徴量、即ち、期間全体に亘る平均、分散、最大値、最小値：１２１０、期間中の定常ONの時刻の平均、分散：１２１１、期間中の定常OFFの時刻の平均、分散：１２１２の項目を付加したものである。但し付加するのは必ずしもこれら３つの項目全てではなくても良く、何れか一つ又は二つの組合せであってもよい。
　次に、学習データ選択部１０６における、学習データ選択処理方法を説明する。基本的には第一の実施例と同様の方法で学習データを選択するが、保守作業などの状態が大きく変化する可能性がある場合には、運転パターンラベルに加え、マクロ特徴も用いて学習データを選択する。
　具体的には、図１３のフロー図に示すように、まず、運転パターンラベル付与部１０４にセンサ信号１０２とイベント信号１０３とを運転パターンラベル付与部１０４に入力し（Ｓ１３０１）、予め定められた期間毎に運転パターンラベルを付与し、マクロ特徴算出部１１０１でマクロ特徴を算出して運転パターンラベルに対応付けて保存する（Ｓ１３０２）。次に、学習データ選択部１１０６において、以下のような手順で学習データ選択処理を行う。
　先ず、実施例１の場合と同様に、図６Ａ乃至図６Ｄで説明した画面上で運転パターンラベルを探索対象として設定し（Ｓ１３０３）、データベース１１０５から、同一サイト同一号機の運転パターンラベル管理データをロードする（Ｓ１３０４）。
　次に、保存された運転パターンラベル管理データから、評価対象の期間に付与された運転パターンラベルと同一の運転パターンラベルかつマクロ特徴が類似しているデータを探索し（Ｓ１３０５）、探索結果を記録する（Ｓ１３０６）。マクロ特徴が類似しているか否かは予め設定したしきい値に基づいて判断するものとする。ただし、警告有りのデータは探索の対象としない。また、ファイルまたはユーザインターフェースにより除外日を指定しておき、これも探索の対象からはずすことが可能なようにしておくとよい。
　更に、探索されたデータ数が予め定めた数に達しているかどうか確認し（Ｓ１３０７）、探索されたデータ数が予め定めた数に達していなければ、予め設定された優先順位に従って探索対象ラベルを変更して新たな対象ラベルを設定し（Ｓ１３０８）、Ｓ１３０５に戻って、そのラベルかつマクロ特徴が類似しているデータを探索する。学習データが所定数に達するまでこれを繰り返し、探索された運転パターンラベル管理データに記載されたキーコードに紐付けられるセンサ信号データとイベント信号データを時系列順にロードする（Ｓ１３０９）。最後の探索で所定数を超えた分については、最後の探索対象ラベルの中で、特徴が類似したものから順に選択して合計が所定数になるようにする。
　マクロ特徴を用いるかどうかの処理の切り換え方法については、何通りかの方法が考えられる。第一の方法は、切り換えを行わず、常にマクロ特徴を用いて学習パターンを選択することである。この方法は、判定条件が不要のため簡便に実現可能である。
　第二の方法は、イベント信号に基づき保守作業の有無を判定し、保守作業があったならばマクロ特徴を用いて学習パターンを選択する方法である。イベント信号に保守作業の開始、終了を表す信号が含まれているならば、この方法を採用するとよい。保守作業がない場合はデータの新しい方から探索していけばよいため、所定数に達した時点で探索を打ち切ることが可能である。メインの運転パターンがあって、同じラベルが大量にある場合には、第一の方法と比較して探索の効率が良くなることが期待される。
　第三の方法は、マクロ特徴の推移を調べて保守作業の有無を判定し、保守作業があったならばマクロ特徴を用いて学習パターンを選択する方法である。例えば評価対象期間の前の数周期について各特徴の平均μと標準偏差σを算出し、評価期間の特徴値がμ±ｎσの範囲を超える特徴が一つでもあれば、保守作業など大きな状態変化があったものと判断する。
　ここで、調べる周期数とｎはパラメータである。あるいは、評価対象期間の前の数周期について１つ前の周期との特徴空間上での距離を算出し、評価対象期間の１つ前の周期との特徴空間上での距離がそれらの最大値より大きい場合、保守作業など大きな状態変化があったものと判断する。
　そのほか、評価対象期間の前の数周期についてマクロ特徴空間の重心と共分散を算出し、マハラノビス距離で判断してもよく、評価対象期間の前の数周期分を正事例の学習データとして既存の１クラス識別手法を利用してもよい。
　以上の処理により、保守作業など設備の大きな状態があった場合にも、設備状態が近い学習データを選択することが可能となり、精度の高い正常モデルを作成することが可能となり、その結果学習データ不足に起因する誤報を低減することができるようになる。
　ただし、上記方法では、運転パターンラベルが同じまたは状態が近いラベルかつセンサ信号から抽出したマクロ特徴が類似したデータ数が所定数に満たない場合が生じることが想定される。この場合に対応するため、マクロ特徴が類似したデータ数が少ない場合には、保守作業によって変化したと考えられるセンサを除外して、学習データ選択以降の処理を実行する。
　保守作業によって変化したか否かは、前述のように各特徴の平均μと標準偏差σを算出し評価期間の特徴値がμ±ｎσの範囲を超えるか否かによって判断する。あるいは、各特徴の一つ前の周期との差を算出し、評価期間の特徴の一つ前の周期との差がそれまでの最大となるか否かで判断する。
　上記に説明した実施例１及び２では、設備から出力されたセンサ信号およびイベント信号を、全て運転パターンラベルを付与して保存しておくことを想定している。しかし、この方法では、年月を経るに従いデータベースの容量が増大するという問題が生じる。この問題を解決するため、冗長なデータを削除することを考える。削除対象とするのは、同じラベルで、学習データとして選択する数より大きい予め設定された数を超えるものとし、運転パターンラベル管理データの単位で、削除してよいかどうか判断する。
　基本的には除いても影響の小さいデータを削除する。すなわち類似したデータが他にあることや実際に除いても結果が変わらないことを確認した上で削除する。
　例えば、マクロ特徴の特徴空間上の最近傍データまでの距離が最小のもののうち二番目に近いデータまでの距離が小さい方を削除する。あるいは、同じラベルのデータを用い、マクロ特徴を用いてクラスタリングを行い、所属データが多いクラスタの中から日付の古いものを削除する。あるいは、同じラベルのデータを全て用いて評価対象データを除いて学習データとする交差検証により異常測度を算出し、異常測度の最大値が最小となる期間のデータを削除する。
　また、同じラベルのデータから１期間ずつ除いて上記交差検証による異常測度算出を行い、異常測度算出結果の変化が最も小さい除外期間のデータを削除してもよい。
　削除対象が確定したら、その管理データに紐付けられたセンサ信号データおよびイベント信号データをデータベース上から完全に削除する。管理データは削除せずに、キーコード欄にデータを削除したことを示す数値、例えば０を入力しておく。
　上記方法により、計算負荷を増加させずに高精度な正常モデルを作成可能な上、データベース容量を削減する効果も得られる。
　本発明は、ガスタービンなどの電源設備、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する設備、工場向けに高圧蒸気や低圧蒸気を供給する設備、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、エレベータなどのプラントや設備などが出力する多次元時系列データをもとに異常を早期に検知する予防保全に利用可能である。
１００、１１００…センサ信号解析部　　１０１…設備　　１０２…センサ信号　　１０３…イベント信号　１０４…運転パターンラベル付与部　　１０５、１１０５…データベース　　１０６、１１０６…学習データ選択部　　１０７、１１０７…正常モデル作成部　　１０８、１１０８…異常測度算出部　　１０９、１１０９…異常識別部　１２０、１１２０…異常診断部

Claims (15)

  1. 　設備の出力する時系列信号に基づいて設備の状態を監視する方法であって、前記時系列信号に基づいて一定期間毎に運転パターンラベルを付与し、前記一定期間毎の運転パターンラベルに基づいて学習データを選定し、該選定した学習データに基づき正常モデルを作成し、前記時系列信号と前記正常モデルに基づき異常測度を算出し、該算出した異常測度に基づき前記設備の状態が異常か正常かの識別を行うことを特徴とする設備状態監視方法。
  2. 　前記運転パターンラベルとして、前記設備の定常オフの状態、前記設備の定常オンの状態、前記設備の起動動作の状態、前記設備の停止動作の状態に対して異なる運転パターンラベルを付与することを特徴とする請求項１記載の設備状態監視方法。
  3. 　前記正常モデルを、前記運転パターンラベルごとに作成することを特徴とする請求項１記載の設備状態監視方法。
  4. 　設備の出力する時系列信号に基づいて設備の状態を監視する方法であって、前記時系列信号に一定期間毎に有限個にカテゴライズされた運転パターンラベルを付与する運転パターンラベル付与工程と、該運転パターンラベル付与工程により運転パターンラベルが付与された時系列信号をデータとして蓄積するデータ蓄積工程と、該データ蓄積工程で蓄積されたデータの中から前記時系列信号に付与された運転パターンラベルに基づいて所定数のデータを選択して学習データとする学習データ選択工程と、該学習データ選択工程で選択した学習データを用いて正常モデルを作成する正常モデル作成工程と、該正常モデル作成工程で作成した正常モデルとの比較に基づいて前記時系列信号の異常測度を算出する異常測度算出工程と、該異常測度算出工程で算出した異常測度に基づき異常を識別する異常識別工程とを含むことを特徴とする設備状態監視方法。
  5. 　前記学習データ選択工程において、前記蓄積されたデータの中から、前記時系列信号に付与された運転パターンラベルと同じ運転パターンラベルあるいは状態の近い運転パターンラベルの所定数のデータを選択して学習データとすることを特徴とする請求項４記載の設備状態監視方法。
  6. 　前記運転パターンラベル付与工程は、一定期間毎に前記設備の定常オフの状態、前記設備の定常オンの状態、前記設備の起動動作の状態、前記設備の停止動作の状態を含む複数の運転パターン特徴を算出する工程と、前記複数の運転パターン特徴の組合せに基づき運転パターンラベルを付与するラベル付与工程からなることを特徴とする請求項４記載の設備状態監視方法。
  7. 　さらに前記時系列信号の一定期間毎にマクロな変動を表す特徴を算出するマクロ特徴算出工程を備え、前記学習データ選択工程において、前記時系列信号に付与された運転パターンラベルと前記算出されたマクロ特徴に基づいて前記蓄積されたデータの中から所定数のデータを選択して学習データとすることを特徴とする請求項４記載の設備状態監視方法。
  8. 　前記学習データ選択工程において、前記蓄積されたデータの中から、前記時系列信号に付与された運転パターンラベルと同じ運転パターンラベルあるいは状態の近い運転パターンラベルかつ前記時系列信号に関連するマクロ特徴が類似している所定数のデータを選択して学習データとすることを特徴とする請求項７記載の設備状態監視方法。
  9. 　前記学習データ選択工程において、前記時系列信号に基づき顕著な状態変化の有無を判断し、前記顕著な状態変化がない場合は、前記蓄積されたデータの中から、前記時系列信号に付与された運転パターンラベルと同じ運転パターンラベルあるいは状態の近い運転パターンラベルの所定数のデータを選択して学習データとし、前記顕著な状態変化がある場合は、前記蓄積されたデータの中から、前記時系列信号に付与された運転パターンラベルと同じ運転パターンラベルあるいは状態の近い運転パターンラベルかつ前記時系列信号に関連するマクロ特徴が類似している所定数のデータを選択して学習データとすることを特徴とする請求項７記載の設備状態監視方法。
  10. 　前記マクロ特徴が、センサ信号の期間全体に亘る平均、分散、最大値、最小値、又は、期間中の定常オンの時刻の平均、分散又は期間中の定常オフの時刻の平均、分散のうちの少なくとも何れか一つを含むことを特徴とする請求項７記載の設備状態監視方法。
  11. 　前記顕著な状態変化の有無の判定は、前記マクロ特徴の変化に基づいて行うことを特徴とする請求項９記載の設備状態監視方法。
  12. 　設備から出力される時系列信号を入力して解析するセンサ信号解析部と、該センサ信号解析部で解析した結果と前記時系列信号とを受けて前記設備の異常を診断する異常診断部と、前記センサ信号解析部及び前記異常診断部と接続してデータの入出力を行う入出力部とを備えた設備状態を監視する装置であって、
    　前記センサ信号解析部は、前記設備から出力された時系列信号に基づいて一定期間毎に運転パターンラベルを付与する運転パターンラベル付与手段と、該運転パターンラベル付与手段で付与された一定期間毎の運転パターンラベルに基づいて学習データを選定する学習データ作成手段と、該学習データ作成手段で作成された学習データに基づき正常モデルを作成する正常モデル作成手段と、該正常モデル作成手段で作成した正常モデルに基づいて前記設備から出力された時系列信号の異常測度を算出する異常測度算出手段と、該異常測度算出手段で算出した異常測度に基づき前記設備の状態が異常か正常かの識別を行う異常識別手段とを有することを特徴とする設備状態監視装置。
  13. 　前記運転パターンラベル付与部で運転パターンラベルを付与した時系列信号を記憶するデータベース手段を更に備え、前記学習データ作成手段は、前記運転パターンラベル付与手段により前記時系列信号に付与された前記運転パターンラベルに基づいて前記データベース手段に蓄積されたデータの中から同じ運転パターンラベルあるいは状態の近い運転パターンラベルのデータを所定数選択して学習データとすることを特徴とする請求項１２記載の設備状態監視装置。
  14. 　設備から出力される時系列信号を入力して設備状態を監視する装置であって、前記時系列信号を入力して外入力した時系列信号に一定期間毎に有限個にカテゴライズされた運転パターンラベルを付与する運転パターンラベル付与手段と、該運転パターンラベル付与手段により運転パターンラベルを付与された時系列信号を蓄積するデータ蓄積手段と、前記運転パターンラベル付与手段により前記時系列信号に付与された前記ラベルに基づいて前記データ蓄積手段に蓄積されたデータの中から同じ運転パターンラベルあるいは状態の近い運転パターンラベルのデータを所定数選択して学習データとする学習データ選択手段と、該学習データ選択手段で選択した学習データを用いて正常モデルを作成する正常モデル作成手段と、前記運転パターンラベル付与手段により運転パターンラベルを付与された時系列信号を前記正常モデル作成手段で作成した正常モデルと比較して前記時系列信号の異常測度を算出する異常測度算出手段と、該異常測度算出手段で算出した異常測度に基づき前記運転パターンラベルを付与された時系列信号の異常識別をする異常識別手段とを備えたことを特徴とする設備状態監視装置。　
  15. 　前記運転パターンラベル付与手段に前記運転パターンラベルを付与するための条件を入力する入力手段を更に備えたことを特徴とする請求項１４記載の設備状態監視装置。

    　
PCT/JP2011/069791 2011-08-31 2011-08-31 設備状態監視方法およびその装置 WO2013030984A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
US14/241,780 US9659250B2 (en) 2011-08-31 2011-08-31 Facility state monitoring method and device for same
EP11871424.5A EP2752722B1 (en) 2011-08-31 2011-08-31 Facility state monitoring method and device for same
PCT/JP2011/069791 WO2013030984A1 (ja) 2011-08-31 2011-08-31 設備状態監視方法およびその装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2011/069791 WO2013030984A1 (ja) 2011-08-31 2011-08-31 設備状態監視方法およびその装置

Publications (1)

Publication Number Publication Date
WO2013030984A1 true WO2013030984A1 (ja) 2013-03-07

Family

ID=47755533

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2011/069791 WO2013030984A1 (ja) 2011-08-31 2011-08-31 設備状態監視方法およびその装置

Country Status (3)

Country Link
US (1) US9659250B2 (ja)
EP (1) EP2752722B1 (ja)
WO (1) WO2013030984A1 (ja)

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2869153A1 (en) * 2013-11-01 2015-05-06 Hitachi Power Solutions Co., Ltd. Health management system, fault diagnosis system, health management method, and fault diagnosis method
JP2015085437A (ja) * 2013-10-30 2015-05-07 富士通株式会社 判定装置、判定方法、および判定プログラム
JP2015108990A (ja) * 2013-12-05 2015-06-11 株式会社日立ソリューションズ 異常検出装置及び異常検出方法
EP2930579A2 (en) 2014-03-28 2015-10-14 Hitachi High-Technologies Corporation State monitoring system, state monitoring method and state monitoring program
JP2016057924A (ja) * 2014-09-10 2016-04-21 株式会社Ｎｔｔファシリティーズ 情報処理システム、情報処理方法、及びプログラム
WO2016132396A1 (ja) * 2015-02-19 2016-08-25 三菱電機株式会社 手順抽出システム
CN106292622A (zh) * 2016-07-21 2017-01-04 中国人民解放军军械工程学院 基于小波特征值容差阈值随机统计模拟的故障判别方法
WO2017126481A1 (ja) * 2016-01-18 2017-07-27 日本電気株式会社 表示制御装置、安全率の表示方法及びプログラム記録媒体
JP2017146299A (ja) * 2016-02-15 2017-08-24 ゼネラル・エレクトリック・カンパニイ エンジン試験セル解析および診断を生成するための自動化されたシステムおよび方法
JP2017204017A (ja) * 2016-05-09 2017-11-16 公益財団法人鉄道総合技術研究所 プログラム、生成装置及び予兆検知装置
WO2018150550A1 (ja) * 2017-02-17 2018-08-23 株式会社日立製作所 学習データ管理装置及び学習データ管理方法
US10157113B2 (en) 2014-05-16 2018-12-18 Nec Corporation Information processing device, analysis method, and recording medium
EP3451245A1 (en) 2017-09-05 2019-03-06 Omron Corporation Information processing device and information processing method
WO2019097784A1 (ja) * 2017-11-16 2019-05-23 ソニー株式会社 情報処理装置、情報処理方法、およびプログラム
JP2019128934A (ja) * 2018-01-22 2019-08-01 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカＰａｎａｓｏｎｉｃ Ｉｎｔｅｌｌｅｃｔｕａｌ Ｐｒｏｐｅｒｔｙ Ｃｏｒｐｏｒａｔｉｏｎ ｏｆ Ａｍｅｒｉｃａ 異常判定装置、異常検知モデル作成サーバ及びプログラム
JP2020035281A (ja) * 2018-08-31 2020-03-05 株式会社日立パワーソリューションズ 異常予兆診断システム、管理装置、及び異常予兆診断方法
US10613487B2 (en) 2016-11-09 2020-04-07 Kabushiki Kaisha Toshiba Data collection system, processing system, and storage medium
WO2021132281A1 (ja) * 2019-12-27 2021-07-01 川崎重工業株式会社 訓練データ選別装置、ロボットシステム及び訓練データ選別方法
JP2021117722A (ja) * 2020-01-27 2021-08-10 三菱電機株式会社 プラント設備の異常兆候検知システムおよびプラント設備の異常兆候検知方法
WO2021171387A1 (ja) * 2020-02-26 2021-09-02 三菱電機株式会社 関係分析装置、関係分析方法、及び、関係分析プログラム
JPWO2022054256A1 (ja) * 2020-09-11 2022-03-17
CN115374866A (zh) * 2022-08-26 2022-11-22 呼伦贝尔安泰热电有限责任公司海拉尔热电厂 一种集中供热中用户异常用热行为辨识方法

Families Citing this family (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
EP2854045B1 (de) * 2013-09-27 2016-04-06 Deutsche Telekom AG Verfahren und System zum Bewerten von erhobenen Messwerten eines Systems
WO2016035338A1 (ja) * 2014-09-03 2016-03-10 日本電気株式会社 監視装置及びその監視方法、監視システム、並びにコンピュータ・プログラムが格納された記録媒体
FR3032273B1 (fr) * 2015-01-30 2019-06-21 Safran Aircraft Engines Procede, systeme et programme d'ordinateur pour phase d'apprentissage d'une analyse acoustique ou vibratoire d'une machine
US10303697B1 (en) * 2015-06-25 2019-05-28 National Technology & Engineering Solutions Of Sandia, Llc Temporal data system
JP5845374B1 (ja) * 2015-08-05 2016-01-20 株式会社日立パワーソリューションズ 異常予兆診断システム及び異常予兆診断方法
US10021130B2 (en) * 2015-09-28 2018-07-10 Verizon Patent And Licensing Inc. Network state information correlation to detect anomalous conditions
FR3048527B1 (fr) * 2016-03-02 2021-01-01 Snecma Systeme d'analyse de donnees d'essais d'un moteur d'aeronef
JP6618846B2 (ja) * 2016-04-12 2019-12-11 公益財団法人鉄道総合技術研究所 管理装置および制御方法
EP3258333A1 (en) * 2016-06-17 2017-12-20 Siemens Aktiengesellschaft Method and system for monitoring sensor data of rotating equipment
US20190213328A1 (en) * 2016-08-24 2019-07-11 Ran Yahalom Model for detection of anomalous discrete data sequences
JP6424874B2 (ja) * 2016-10-12 2018-11-21 オムロン株式会社 動作状態監視装置、学習データ生成装置、方法およびプログラム
JP6150934B1 (ja) * 2016-10-17 2017-06-21 三菱重工業株式会社 情報処理方法、情報処理装置、プログラム、及び情報処理システム
KR102362136B1 (ko) * 2016-10-26 2022-02-11 가부시끼가이샤 도시바 정보 관리 시스템
US10380280B2 (en) * 2016-11-17 2019-08-13 Baker Hughes, A Ge Company, Llc Optimal storage of load data for lifetime prediction for equipment used in a well operation
DE112017006528T5 (de) 2017-01-25 2019-09-26 Mitsubishi Electric Corporation Angriff/abnormalität-detektionsvorrichtung, angriff/abnormalität-detektionsverfahren und angriff/abnormalität-detektionsprogramm
EP3591484A4 (en) * 2017-03-03 2020-03-18 Panasonic Intellectual Property Management Co., Ltd. ADDITIONAL LEARNING PROCEDURE FOR A DEGRADATION DIAGNOSTIC SYSTEM
DE112017007606T5 (de) * 2017-06-30 2020-02-27 Mitsubishi Electric Corporation Instabilitätsdetektionvorrichtung, instabilitätsdetektionssystem und instabilitätsdetektionsverfahren
WO2019012654A1 (ja) * 2017-07-13 2019-01-17 日本電気株式会社 分析システム、分析方法及び記憶媒体
JP6796092B2 (ja) * 2018-01-17 2020-12-02 株式会社東芝 情報処理装置、情報処理方法及びプログラム
DE102018205871A1 (de) * 2018-04-18 2019-10-24 Robert Bosch Gmbh Betriebsüberwachungsverfahren
CN112567306A (zh) * 2018-08-31 2021-03-26 东芝三菱电机产业系统株式会社 制造过程监视装置
CN112601934B (zh) 2018-09-03 2023-02-17 三菱电机株式会社 信号显示控制装置以及计算机可读取的记录介质
JP6975188B2 (ja) * 2019-02-07 2021-12-01 ファナック株式会社 状態判定装置及び状態判定方法
JP7248103B2 (ja) * 2019-03-26 2023-03-29 日本電気株式会社 異常検知方法、異常検知装置、プログラム
WO2020245980A1 (ja) * 2019-06-06 2020-12-10 日本電気株式会社 時系列データ処理方法
US20210080928A1 (en) * 2019-09-16 2021-03-18 Aveva Software, Llc Intelligent process anomaly detection and trend projection system
US11119671B2 (en) * 2020-02-14 2021-09-14 Elite Semiconductor Memory Technology Inc. Method for facilitating a memory system operable in advance during power-up, memory controller therefor, and memory system capable of being operable in advance during power-up
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
JP7558741B2 (ja) * 2020-10-01 2024-10-01 キヤノン株式会社 情報処理方法、情報処理装置、表示方法、表示装置、プログラム、記録媒体、物品の製造方法
CN112949490A (zh) * 2021-03-01 2021-06-11 创新奇智(青岛)科技有限公司 设备动作检测方法、装置、电子设备及可读存储介质
US11599104B2 (en) * 2021-03-07 2023-03-07 Mitsubishi Electric Research Laboratories, Inc. System control based on time-series data analysis
US11971796B2 (en) * 2021-05-18 2024-04-30 International Business Machines Corporation Goal seek analysis based on status models
CN114091702A (zh) * 2021-11-24 2022-02-25 广东电网有限责任公司 一种事件监测方法、装置、电子设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011024382A1 (ja) * 2009-08-28 2011-03-03 株式会社日立製作所 設備状態監視方法およびその装置
JP2011081697A (ja) * 2009-10-09 2011-04-21 Hitachi Ltd 設備状態監視方法、監視システム及び監視プログラム

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7693626B2 (en) * 2000-09-08 2010-04-06 Automotive Technologies International, Inc. Vehicular tire monitoring based on sensed acceleration
US6952662B2 (en) 2000-03-30 2005-10-04 Smartsignal Corporation Signal differentiation system using improved non-linear operator
US6609036B1 (en) * 2000-06-09 2003-08-19 Randall L. Bickford Surveillance system and method having parameter estimation and operating mode partitioning
US6975962B2 (en) 2001-06-11 2005-12-13 Smartsignal Corporation Residual signal alert generation for condition monitoring using approximated SPRT distribution
JP5048625B2 (ja) 2008-10-09 2012-10-17 株式会社日立製作所 異常検知方法及びシステム
JP2010096873A (ja) 2008-10-14 2010-04-30 Konica Minolta Business Technologies Inc 定着装置
JP5301310B2 (ja) 2009-02-17 2013-09-25 株式会社日立製作所 異常検知方法及び異常検知システム
JP5363927B2 (ja) 2009-09-07 2013-12-11 株式会社日立製作所 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム
US8180105B2 (en) * 2009-09-17 2012-05-15 Behavioral Recognition Systems, Inc. Classifier anomalies for observed behaviors in a video surveillance system
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
WO2011087927A1 (en) * 2010-01-14 2011-07-21 Venture Gain LLC Multivariate residual-based health index for human health monitoring
JP2011170724A (ja) 2010-02-22 2011-09-01 Hitachi Ltd 故障診断システム、故障診断装置および故障診断プログラム
JP5501903B2 (ja) 2010-09-07 2014-05-28 株式会社日立製作所 異常検知方法及びそのシステム
JP5331774B2 (ja) 2010-10-22 2013-10-30 株式会社日立パワーソリューションズ 設備状態監視方法およびその装置並びに設備状態監視用プログラム
JP2012137934A (ja) 2010-12-27 2012-07-19 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・診断プログラム並びに企業資産管理・設備資産管理システム
JP2013025367A (ja) 2011-07-15 2013-02-04 Wakayama Univ 設備状態監視方法およびその装置
JP5808605B2 (ja) 2011-08-17 2015-11-10 株式会社日立製作所 異常検知・診断方法、および異常検知・診断システム
JP2013143009A (ja) 2012-01-11 2013-07-22 Hitachi Ltd 設備状態監視方法およびその装置
JP2013152655A (ja) 2012-01-26 2013-08-08 Hitachi Ltd プラント又は設備の異常診断方法及びヘルスマネージメント方法
JP5498540B2 (ja) 2012-07-19 2014-05-21 株式会社日立製作所 異常検知方法及びシステム
JP5538597B2 (ja) 2013-06-19 2014-07-02 株式会社日立製作所 異常検知方法及び異常検知システム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011024382A1 (ja) * 2009-08-28 2011-03-03 株式会社日立製作所 設備状態監視方法およびその装置
JP2011081697A (ja) * 2009-10-09 2011-04-21 Hitachi Ltd 設備状態監視方法、監視システム及び監視プログラム

Cited By (39)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015085437A (ja) * 2013-10-30 2015-05-07 富士通株式会社 判定装置、判定方法、および判定プログラム
US9933338B2 (en) 2013-11-01 2018-04-03 Hitachi Power Solutions Co., Ltd. Health management system, fault diagnosis system, health management method, and fault diagnosis method
EP2869153A1 (en) * 2013-11-01 2015-05-06 Hitachi Power Solutions Co., Ltd. Health management system, fault diagnosis system, health management method, and fault diagnosis method
JP2015108990A (ja) * 2013-12-05 2015-06-11 株式会社日立ソリューションズ 異常検出装置及び異常検出方法
EP2930579A2 (en) 2014-03-28 2015-10-14 Hitachi High-Technologies Corporation State monitoring system, state monitoring method and state monitoring program
EP2930579A3 (en) * 2014-03-28 2016-06-22 Hitachi High-Technologies Corporation State monitoring system, state monitoring method and state monitoring program
US10157113B2 (en) 2014-05-16 2018-12-18 Nec Corporation Information processing device, analysis method, and recording medium
JP2016057924A (ja) * 2014-09-10 2016-04-21 株式会社Ｎｔｔファシリティーズ 情報処理システム、情報処理方法、及びプログラム
JPWO2016132396A1 (ja) * 2015-02-19 2017-06-22 三菱電機株式会社 手順抽出システム
WO2016132396A1 (ja) * 2015-02-19 2016-08-25 三菱電機株式会社 手順抽出システム
US10769322B2 (en) 2015-02-19 2020-09-08 Mitsubishi Electric Corporation Procedure extraction system
WO2017126481A1 (ja) * 2016-01-18 2017-07-27 日本電気株式会社 表示制御装置、安全率の表示方法及びプログラム記録媒体
JPWO2017126481A1 (ja) * 2016-01-18 2018-10-11 日本電気株式会社 表示制御装置、安全率の表示方法及びコンピュータプログラム
JP2017146299A (ja) * 2016-02-15 2017-08-24 ゼネラル・エレクトリック・カンパニイ エンジン試験セル解析および診断を生成するための自動化されたシステムおよび方法
US10809156B2 (en) 2016-02-15 2020-10-20 General Electric Company Automated system and method for generating engine test cell analytics and diagnostics
JP2017204017A (ja) * 2016-05-09 2017-11-16 公益財団法人鉄道総合技術研究所 プログラム、生成装置及び予兆検知装置
CN106292622A (zh) * 2016-07-21 2017-01-04 中国人民解放军军械工程学院 基于小波特征值容差阈值随机统计模拟的故障判别方法
US11567462B2 (en) 2016-11-09 2023-01-31 Kabushiki Kaisha Toshiba Data collection system, processing system, and storage medium
US10613487B2 (en) 2016-11-09 2020-04-07 Kabushiki Kaisha Toshiba Data collection system, processing system, and storage medium
JPWO2018150550A1 (ja) * 2017-02-17 2019-07-25 株式会社日立製作所 学習データ管理装置及び学習データ管理方法
WO2018150550A1 (ja) * 2017-02-17 2018-08-23 株式会社日立製作所 学習データ管理装置及び学習データ管理方法
US11029674B2 (en) 2017-09-05 2021-06-08 Omron Corporation Information processing device and information processing method
EP3451245A1 (en) 2017-09-05 2019-03-06 Omron Corporation Information processing device and information processing method
WO2019097784A1 (ja) * 2017-11-16 2019-05-23 ソニー株式会社 情報処理装置、情報処理方法、およびプログラム
JPWO2019097784A1 (ja) * 2017-11-16 2020-10-01 ソニー株式会社 情報処理装置、情報処理方法、およびプログラム
JP7118757B2 (ja) 2018-01-22 2022-08-16 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ サーバ、プログラム、及び、方法
JP2019128934A (ja) * 2018-01-22 2019-08-01 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカＰａｎａｓｏｎｉｃ Ｉｎｔｅｌｌｅｃｔｕａｌ Ｐｒｏｐｅｒｔｙ Ｃｏｒｐｏｒａｔｉｏｎ ｏｆ Ａｍｅｒｉｃａ 異常判定装置、異常検知モデル作成サーバ及びプログラム
JP2020035281A (ja) * 2018-08-31 2020-03-05 株式会社日立パワーソリューションズ 異常予兆診断システム、管理装置、及び異常予兆診断方法
WO2021132281A1 (ja) * 2019-12-27 2021-07-01 川崎重工業株式会社 訓練データ選別装置、ロボットシステム及び訓練データ選別方法
JP2021107970A (ja) * 2019-12-27 2021-07-29 川崎重工業株式会社 訓練データ選別装置、ロボットシステム及び訓練データ選別方法
JP7460366B2 (ja) 2019-12-27 2024-04-02 川崎重工業株式会社 訓練データ選別装置、ロボットシステム及び訓練データ選別方法
JP2021117722A (ja) * 2020-01-27 2021-08-10 三菱電機株式会社 プラント設備の異常兆候検知システムおよびプラント設備の異常兆候検知方法
JP7313292B2 (ja) 2020-01-27 2023-07-24 三菱電機株式会社 プラント設備の異常兆候検知システムおよびプラント設備の異常兆候検知方法
WO2021171387A1 (ja) * 2020-02-26 2021-09-02 三菱電機株式会社 関係分析装置、関係分析方法、及び、関係分析プログラム
JPWO2021171387A1 (ja) * 2020-02-26 2021-09-02
JPWO2022054256A1 (ja) * 2020-09-11 2022-03-17
JP7158624B2 (ja) 2020-09-11 2022-10-21 三菱電機株式会社 異常検知装置
CN115374866A (zh) * 2022-08-26 2022-11-22 呼伦贝尔安泰热电有限责任公司海拉尔热电厂 一种集中供热中用户异常用热行为辨识方法
CN115374866B (zh) * 2022-08-26 2023-08-11 呼伦贝尔安泰热电有限责任公司海拉尔热电厂 一种集中供热中用户异常用热行为辨识方法

Also Published As

Publication number Publication date
US20140279795A1 (en) 2014-09-18
EP2752722B1 (en) 2019-11-06
EP2752722A4 (en) 2015-07-22
US9659250B2 (en) 2017-05-23
EP2752722A1 (en) 2014-07-09

Similar Documents

Publication Publication Date Title
WO2013030984A1 (ja) 設備状態監視方法およびその装置
JP6076421B2 (ja) 設備状態監視方法およびその装置
JP5364530B2 (ja) 設備状態監視方法、監視システム及び監視プログラム
JP5945350B2 (ja) 設備状態監視方法およびその装置
JP5431235B2 (ja) 設備状態監視方法およびその装置
JP5331774B2 (ja) 設備状態監視方法およびその装置並びに設備状態監視用プログラム
JP5501903B2 (ja) 異常検知方法及びそのシステム
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
JP5342708B1 (ja) 異常検知方法及びその装置
JP5048625B2 (ja) 異常検知方法及びシステム
JP5301717B1 (ja) 設備状態監視方法およびその装置
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
JP5778305B2 (ja) 異常検知方法及びそのシステム
WO2011145496A1 (ja) 監視診断装置および監視診断方法
JP5498540B2 (ja) 異常検知方法及びシステム
EP2477086A1 (en) Anomaly detection and diagnostic method, anomaly detection and diagnostic system, and anomaly detection and diagnostic program
JP2011145846A (ja) 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
JP2014056598A (ja) 異常検知方法及びそのシステム
Pirasteh et al. Interactive feature extraction for diagnostic trouble codes in predictive maintenance: A case study from automotive domain
CN113994340A (zh) 异常检测装置以及异常检测方法
JPWO2013030984A1 (ja) 設備状態監視方法およびその装置

Legal Events

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

Ref document number: 11871424

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2013530960

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 14241780

Country of ref document: US