WO2014073261A1 - プロセス監視診断装置、プロセス監視診断プログラム - Google Patents

プロセス監視診断装置、プロセス監視診断プログラム Download PDF

Info

Publication number
WO2014073261A1
WO2014073261A1 PCT/JP2013/073998 JP2013073998W WO2014073261A1 WO 2014073261 A1 WO2014073261 A1 WO 2014073261A1 JP 2013073998 W JP2013073998 W JP 2013073998W WO 2014073261 A1 WO2014073261 A1 WO 2014073261A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
unit
abnormality
definition
pattern data
Prior art date
Application number
PCT/JP2013/073998
Other languages
English (en)
French (fr)
Inventor
理 山中
由紀夫 平岡
直人 吉澤
寿治 杉野
Original Assignee
株式会社 東芝
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 東芝 filed Critical 株式会社 東芝
Priority to CN201380058447.8A priority Critical patent/CN104781741B/zh
Publication of WO2014073261A1 publication Critical patent/WO2014073261A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure

Definitions

  • Embodiments of the present invention include a process monitoring and diagnosis device for diagnosing abnormalities occurring in a process system such as a sewage treatment process, a wastewater treatment process, a sludge digestion process, a water purification process, a water supply and distribution process, a chemical process, and a steel process.
  • the present invention relates to a process monitoring diagnosis program used in a process monitoring diagnosis apparatus.
  • a process monitoring device SCADA: Supervisory Control Control And Data Acquisition
  • process data such as flow rate, temperature, water quality and / or manipulated variable obtained by measurement of sensors installed in the process system, for example, Convert to time series data such as a trend graph.
  • a plant manager and / or an operator (operator) grasps the state of the process by monitoring time-series data, and changes or controls the operation of the process.
  • Upper and lower limits called control limits are usually set in the time series data of each process data.
  • the process monitoring device issues an alarm when the value of the time series data exceeds or falls below this control limit.
  • the plant manager and / or operator confirms and reviews the plant operation based on this alarm. Operation management based on such alarms is fundamental to plant operation.
  • the predetermined target corresponds to compliance with the discharged water quality regulations, for example, in the case of a sewage treatment process.
  • concentration in purified water will be below a predetermined upper limit, and / or the absence of the pathogenic microbe represented by Cryptosporidium will respond
  • maintaining the quality (for example, purity and strength) of products (petroleum refined products and steel) within a predetermined range corresponds to a predetermined target.
  • the process status related to the target performance is monitored so that the specified target is not reached. It is important to quickly detect a change in state and / or an abnormal state that hinders achievement of a predetermined target and take measures in advance. Furthermore, it is also important to keep the process state related to the target performance and energy saving / cost saving always in a good state, and to quickly detect a process state change that is likely to deviate from the good state.
  • MSPC Multi-Variate Statistical
  • PCA Principal Component ⁇ Analysis
  • PLS latent variable projection method / Partial Least Square
  • MSPC using a multivariate analysis such as PCA and / or PLS, the first purpose of detecting an abnormal sign of a plant and the second purpose of estimating a process variable that causes an abnormality are mainly achieved. I am doing so.
  • first purpose by using correlation information of a plurality of process variables, a minor abnormality sign that cannot be detected by one variable is detected.
  • second purpose after detecting an abnormality in abnormality detection data (for example, Q statistic and Hotelling T 2 statistic) synthesized from a plurality of process variables, each process data for the abnormality detection data is detected.
  • a process variable that is a candidate for an abnormal factor is estimated by using a contribution amount that represents the degree of contribution.
  • MSPC is compared with conventional monitoring that uses simple control limits for individual process variables (in production line monitoring, it is sometimes referred to as SPC: Statistical Process Control).
  • SPC Statistical Process Control
  • the use of MSPC can achieve the first purpose of detecting an abnormal sign of a plant and the second purpose of estimating a process variable that becomes an abnormality factor.
  • the information obtained when achieving the first and second objectives does not provide sufficient information for the plant manager and / or operator who is the user. I often hear. The reason for this is that the plant manager and / or the operator wants to determine what action should be taken in the event of an abnormality. It is because it is difficult to wake up.
  • the object is to provide a process monitoring diagnosis device capable of giving a guideline for determining what action should be taken in the event of an abnormality to the plant manager and / or operator, and the process monitoring diagnosis used in this device. To provide a program.
  • a process monitoring and diagnosis apparatus that acquires process data measured by a sensor installed in a target process includes a classification unit, a model construction unit having an identification unit and an abnormality detection data definition unit, and an extraction unit And a monitoring diagnosis unit having an abnormal level determination unit.
  • the classification unit holds attribute information classified according to an environment where the target process is placed, and a plurality of time-series data including the process data and past process data of a plurality of preset periods. Are classified based on the attribute information.
  • the identification unit robustly estimates each representative value of the time-series data classified into a plurality of classes, thereby creating daily pattern data for each class, and based on the daily pattern data for each class To create unusual pattern data.
  • the abnormality detection data defining unit is configured to calculate a first definition formula for calculating abnormality detection data based on each of the plurality of extraordinary pattern data, and a second definition for calculating a threshold value of the abnormality detection data. Create a definition formula.
  • the extraction unit extracts a degree of deviation of the classified process data from the plurality of daily pattern data.
  • the abnormality level determination unit calculates the abnormality detection data for each class by applying each of the plurality of divergence degrees to the first definition formula, and each of the plurality of divergence degrees is the second definition formula. Is applied to the threshold value for each class, and the abnormality level is determined for each class by determining whether the abnormality detection data exceeds the threshold value.
  • FIG. 1 is a diagram illustrating a functional configuration of a monitoring system provided with a process monitoring diagnostic apparatus according to the first embodiment.
  • FIG. 2 is a diagram showing time-series data after classification by the classification unit shown in FIG.
  • FIG. 3 is a diagram showing a flowchart when the monitoring / diagnostic unit shown in FIG. 1 determines an abnormal level of process data.
  • FIG. 4 is a diagram showing the determination result of the abnormal level by the abnormal level determination unit shown in FIG.
  • FIG. 5 is a diagram showing a contribution amount plot created based on the contribution amount calculated by the factor separation unit shown in FIG.
  • FIG. 6 is a diagram showing a contribution amount plot created based on the contribution amount calculated by the factor separation unit shown in FIG.
  • FIG. 7 is a block diagram illustrating a functional configuration of the process monitoring diagnosis apparatus according to the second embodiment.
  • FIG. 8 is a diagram showing a matrix registered in the normal data registration unit shown in FIG.
  • FIG. 1 is a configuration diagram illustrating an example of a functional configuration of a monitoring system provided with the process monitoring diagnostic device 30 according to the first embodiment.
  • the monitoring system shown in FIG. 1 targets an advanced sewage treatment process for the purpose of removing nitrogen and phosphorus in order to clarify the implementation image.
  • the monitoring target of the monitoring system is not limited to the advanced sewage treatment process.
  • the monitoring system shown in FIG. 1 includes an advanced sewage treatment process 10, a data collection / storage unit 20, a process monitoring diagnostic device 30, and a user interface 40.
  • the advanced sewage treatment process 10 includes a first sedimentation basin 101, an anaerobic tank 102, an anaerobic tank 103, an aerobic tank 104, and a final sedimentation basin 105.
  • the advanced sewage treatment process 10 includes a drawing pump 1111, a blower 1121, a circulation pump 1131, a return sludge pump 1141, and a drawing pump 1151 as actuators.
  • the extraction pump 1111 extracts the excess sludge from the first settling basin 101.
  • the blower 1121 supplies oxygen to the aerobic tank 104.
  • the circulation pump 1131 circulates the water output from the aerobic tank 104 to the anoxic tank 103.
  • the return sludge pump 1141 returns the excess sludge from the final sedimentation basin 105 to the anaerobic tank 102.
  • the extraction pump 1151 extracts excess sludge from the final sedimentation basin 105.
  • Various actuators 1111 to 1151 operate at a predetermined cycle.
  • the actuators 1111 to 1151 are each provided with an operation amount sensor. That is, the extraction pump 1111 includes an extraction flow sensor 1112, the blower 1121 includes a supply air flow sensor 1122, the circulation pump 1131 includes a circulation flow sensor 1132, the return sludge pump 1141 includes a return flow sensor 1142, and an extraction pump 1151. Comprises a withdrawal flow sensor 1152.
  • the extraction flow rate sensor 1112 measures the flow rate of the sludge extracted by the extraction pump 1111.
  • the supply air flow sensor 1122 measures the flow rate of oxygen supplied by the blower 1121.
  • the circulation flow rate sensor 1132 measures the flow rate of water circulated by the circulation pump 1131.
  • the return flow rate sensor 1142 measures the flow rate of the sludge returned by the return sludge pump.
  • the extraction flow rate sensor 1152 measures the flow rate of the sludge extracted by the extraction pump 1151.
  • Various operation amount sensors 1112 to 1152 measure process data at a predetermined cycle.
  • the sewage altitude treatment process 10 includes a rain sensor 121, a sewage inflow sensor 122 for measuring the inflow sewage amount, an inflow TN sensor 123 for measuring the total nitrogen amount contained in the inflow sewage, and all the inflow sewage.
  • An inflow TP sensor 124 that measures the amount of phosphorus
  • an inflow UV sensor 1251 or an inflow COD sensor 1252 that measures the amount of organic matter contained in the inflow sewage
  • an anaerobic tank ORP sensor 126 that measures the ORP of the anaerobic tank 102
  • the anaerobic tank 102 An anaerobic tank pH sensor 127 for measuring the pH of the anaerobic tank, an anoxic tank ORP sensor 128 for measuring the ORP of the anaerobic tank 103, an anaerobic tank pH sensor 129 for measuring the pH of the anoxic tank 103, and the aerobic tank 104.
  • Sensor 1210 for measuring the concentration of phosphoric acid DO sensor 1211 for measuring the concentration of dissolved oxygen in the aerobic tank 104, and aerobic tank 04, an ammonia sensor 1212 that measures the ammonia concentration, an MLSS sensor 1213 that measures the amount of activated sludge in at least one of the anaerobic tank 102, the anaerobic tank 103, and the aerobic tank 104, an anaerobic tank 102, and an anaerobic tank From the water temperature sensor 1214 for measuring the water temperature in at least one of the tank 103 and the aerobic tank 104, the excess sludge SS sensor 1215 for measuring the solid matter concentration of the amount of sludge extracted from the final sedimentation basin 105, and the final sedimentation basin 105
  • a discharge SS sensor 1216 that measures the SS concentration of discharged water
  • a sludge interface sensor 1217 that measures the sludge interface level of the final sedimentation basin 105
  • a sewage discharge sensor 1218 that measures the amount of discharge
  • TP sensor 1220 comprises a process sensor and a discharge UV sensor 12211 or discharged COD sensor 12212 measures the amount of organic matter contained in the sewage effluent.
  • Various process sensors 121 to 12212 measure process data at a predetermined cycle.
  • FIG. 1 shows a case where the inflow UV sensor 1251 is installed in the inflow UV sensor 1251 and the inflow COD sensor 1252, and the outflow UV sensor 12211 is installed out of the outflow UV sensor 12211 and the outflow COD sensor 12212. Yes.
  • the data collection / storage unit 20 collects process data obtained from the various operation amount sensors 1112 to 1152 at a predetermined cycle and process data obtained from the various process sensors 121 to 12212 at a predetermined cycle.
  • the data collection / storage unit 20 outputs the collected process data to the process monitoring / diagnosis device 30.
  • the data collection / storage unit 20 converts the collected process data into time-series data according to a preset format and stores it.
  • the data collection / storage unit 20 outputs the stored time-series data to the process monitoring diagnostic device 30 in response to a request from the process monitoring diagnostic device 30.
  • the process monitoring / diagnostic device 30 includes, for example, a CPU (Central Processing Unit), a ROM (Read Only Memory), a RAM (Random Access Memory), a program for executing processing, a data storage area, and the like. .
  • the process monitoring / diagnosis device 30 realizes the functions of the classification unit 31, the model construction unit 32, and the monitoring / diagnosis unit 33 by causing the CPU to execute a program.
  • the classification unit 31 includes an attribute supply unit 311 and an attribute determination unit 312.
  • the attribute supply unit 311 includes monthly information on which process data is collected, season (spring (March to May), summer (June to August), autumn (September to November), and winter (December to 2). (Month)) Holds attribute information such as information, weather information, temperature or water temperature information, and operation mode information.
  • the attribute determination unit 312 requests the data collection / storage unit 20 for past time-series data for a preset period.
  • the attribute determination unit 312 classifies the time series data supplied from the data collection / storage unit 20 using the attribute information held in the attribute supply unit 311.
  • the attribute information is information about attributes that are easily classified according to the external conditions where the process is placed. Examples of the attributes include the month, season, weather, temperature, water temperature, and operation mode. is there.
  • the attribute determination unit 312 determines the time series data based on the attribute information, such as monthly data, data for each season, data for each weather such as sunny, cloudy, rainy or snowy, temperature or water temperature, etc. at a plurality of levels.
  • the data is classified into data for each temperature or water temperature and data for each operation such as a difference in operation mode.
  • the attribute determination unit 312 outputs the time series data classified into each class to the model construction unit 32.
  • the attribute determination unit 312 uses the attribute information held in the attribute supply unit 311 when the monitoring diagnosis unit 33 diagnoses the process data at the current time (online) and collects it by the data collection / storage unit 20. To classify online process data as described above. The attribute determination unit 312 outputs the process data classified into each class to the monitoring diagnosis unit 33.
  • the model construction unit 32 includes an identification unit 321, an abnormality detection data definition unit 322, and a contribution amount definition unit 323.
  • the model construction unit 32 uses the identification unit 321 to create a plurality of daily pattern data and extraordinary pattern data based on each of these daily pattern data. Further, the model construction unit 32 uses the abnormality detection data definition unit 322 to define abnormality detection data that serves as an index as to whether or not an abnormality has occurred based on the non-daily pattern data. In addition, the model construction unit 32 uses the contribution amount definition unit 323 to define a contribution amount indicating how much the process variable representing the operation amount sensor and the process sensor contributes to the generated abnormality.
  • the identification unit 321 creates daily pattern data and extraordinary pattern data based on the daily pattern data based on the time-series data classified into each class by the classification unit 31.
  • Daily pattern data for example, the same time in time series data, that is, daily pattern data in daily units, and / or the same day and time in time series data, that is, daily pattern data in day units, etc.
  • a plurality of items are created according to the definition relating to the calendar.
  • the identification unit 321 when creating daily pattern data on a daily basis, the identification unit 321 first removes information when the process behavior is specific based on weather information, day of the week information, and the like, and then receives the received time-series data. Based on the measured values at the same time, a representative value that is robustly estimated at each time is calculated.
  • the representative values that are robustly estimated are an average value, a trim average value, a median, a mode value, and the like of measured values at the same time.
  • the average value is not set as a representative value, but a value having low sensitivity to the abnormal value, such as median, is set as the representative value.
  • the identification unit 321 when creating daily pattern data in units of days of the week, performs the same process as described above on the measurement values at the same time and the same day of the week in the time series data.
  • the identification unit 321 may continuously perform the process of calculating the representative value and creating the daily pattern data.
  • the identification unit 321 calculates how much the measurement value used when creating the daily pattern data out of the time series data differs from the value in the generated daily pattern data, and the calculation result is extraordinary. Use pattern data.
  • the identification unit 321 When the number of daily pattern data to be defined is m and the number of classes classified by the classification unit 31 is l, the identification unit 321 performs m ⁇ l daily pattern data and m ⁇ 1 by the above processing. 1 extraordinary pattern data is created.
  • daily pattern data and extraordinary pattern data based on time series data can be created using a digital filter such as a low-pass filter or discrete wavelet transform, for example.
  • a digital filter such as a low-pass filter or discrete wavelet transform
  • the anomaly detection data definition unit 322 receives the extraordinary pattern data created by the identification unit 321. At this time, the extraordinary pattern data is provided as l ⁇ m data sets corresponding to the l classes classified by the classification unit 31 and the definition number m of the everyday pattern data.
  • ⁇ Xk> is a matrix indicating a deviation value of the process data measured by the operation amount sensor and the process sensor in the row direction with respect to the non-daily data, and indicating a time series in the column direction. That is, in ⁇ Xk>, the divergence value for the extraordinary data calculated from the r-th sensor measurement value at time s is stored in the element ⁇ Xk> (r, s) in the r-th row and the s-th column. It is a matrix.
  • ⁇ Xk> includes data of Q ⁇ n, where n is the number of operation amount sensors and process sensors, and Q is the number of time-series data.
  • n the number of operation amount sensors and process sensors
  • Q the number of time-series data.
  • k 1, 2,..., L ⁇ m.
  • the only difference is that the input unusual pattern data is supplied from different classes. Since there is only one method of defining abnormality detection data, ⁇ Xk> is simply written as ⁇ X> and the subscript k is omitted unless there is a possibility of confusion.
  • the abnormality detection data definition unit 322 generates abnormality detection data by applying various methods such as multivariate analysis or machine learning to ⁇ X>.
  • the method applied to ⁇ X> is a method often used as a process diagnostic technique, and is called MSPC (multivariate statistical process management).
  • MSPC multivariate statistical process management
  • PCA principal component analysis
  • PLS latent variable projection method
  • ⁇ T a > (in formula (1), bold T a ) ⁇ R q ⁇ n is a matrix called a score matrix consisting of q samples and n principal component numbers. . ⁇ P a > (In the formula (1), bold P a ) ⁇ R n ⁇ n is a matrix called a loading matrix indicating the relationship between n component variables and n principal components.
  • ⁇ T> (in equation (1), bold T) ⁇ R q ⁇ p is a submatrix of ⁇ T a > truncated by p ⁇ n principal components, and is usually called a score matrix .
  • ⁇ P> ((1) In the formula, bold letters P) ⁇ R n ⁇ p represents the relationship between the main component has been aborted by the p ⁇ n number for n variables ⁇ P It is a submatrix of a > and is usually called a loading matrix.
  • ⁇ E> (in equation (1), bold E) ⁇ R q ⁇ n is an error matrix composed of q samples and n variables, and the principal component is truncated at p ⁇ n. Represents the error in the case of
  • ⁇ T a > and ⁇ T>, ⁇ P a > and ⁇ P> are clearly distinguished, ⁇ T a > and ⁇ P a > are referred to as a score matrix and a loading matrix, respectively, and ⁇ T> and ⁇ P>P> is referred to as a main score matrix and a main loading matrix, respectively.
  • ⁇ > in formula (3), bold ⁇ is a matrix having the main component variance as a diagonal element, and means that the variance is normalized.
  • ⁇ I> in formula (2), bold I is a unit matrix of an appropriate size.
  • X (t) is the t-th element of the matrix ⁇ X>.
  • Abnormality detection data definition section 322, (2) sets the threshold as a criterion for identifying the abnormal and normal relative to (3) Q statistic and T 2 statistics as defined in formula. Since the threshold value is greatly related to the detection of a state change and / or an abnormal sign, the setting method is important. However, since it is not related to the idea of this embodiment, only a typical setting method is described.
  • p is the number of variables left in the model.
  • ⁇ i is a diagonal element of ⁇ > (that is, ⁇ i is a sum of i powers of components included in the error term).
  • the anomaly detection data definition unit 322 defines equations (1) to (5) for each l ⁇ m pieces of unusual pattern data.
  • the abnormality detection data definition unit 322 is, for example, robust to outliers such as Non-Patent Document 3 and Non-Patent Document 4.
  • Various robust PCA algorithms that take into account may be used. Alternatively, this may be expanded and used as a robust PLS.
  • the abnormality detection data definition unit 322 may be a non-linear such as a kernel PCA described in Non-Patent Document 5, Non-Patent Document 6, and the like. PCA in consideration of the characteristics may be used. Alternatively, this may be extended and used as a kernel PLS.
  • the abnormality detection data definition unit 322 can use a method in which the robust PCA and the kernel PCA are combined.
  • abnormality detection data may be generated using the Mahalanobis distance, such as Taguchi method used in the field of quality engineering.
  • the contribution amount definition unit 323 sets a definition equation for the contribution amount of the process variable representing the operation amount sensor and the process sensor for the abnormality detection data defined by the equations (2) and (3). There are a plurality of methods for defining the contribution amount. For example, the contribution amount can be defined as follows.
  • n means the nth process variable
  • t is a variable representing a certain time.
  • the definition formulas shown in the formulas (6) and (7) are defined for each l ⁇ m pieces of extraordinary pattern data.
  • the contribution amount definition unit 323 is a definition formula that can calculate how much each process variable contributes to the value of the abnormality detection data. Can be provided to the monitoring diagnosis unit 33.
  • the contribution amount definition unit 323 ranks which process variable is likely to cause an abnormality when the abnormality detection data calculated by the monitoring diagnosis unit 33 based on the supplied process data is input. Any mechanism may be used as long as it has a mechanism capable of adding and outputting.
  • the model construction unit 32 defines the formulas (1) to (7) for each of the definitions for creating the class such as the month or season and the daily pattern data, so that the online process data A plurality of abnormality diagnosis models for evaluating the degree of deviation from daily pattern data is constructed.
  • the monitoring diagnosis unit 33 includes an extraction unit 331, an abnormality level determination unit 332, a factor separation unit 333, and an abnormality identification unit 334.
  • the monitoring diagnosis unit 33 extracts extraordinary data pattern data in online process data by the extraction unit 331. Further, the monitoring diagnosis unit 33 uses the abnormality level determination unit 332 to determine the abnormality level of the abnormality that has occurred using the abnormality detection data calculated based on the extracted extraordinary data pattern. Further, the monitoring diagnosis unit 33 calculates the contribution amount of each process variable to the abnormality that has occurred by the factor separation unit 333. Further, the monitoring diagnosis unit 33 uses the abnormality identification unit 334 to identify, based on the calculated contribution amount, whether the abnormality that has occurred is due to an abnormality in the production sensor or the process sensor or an abnormality in the process.
  • the extraction unit 331 receives online process data classified into each class by the classification unit 31.
  • the extraction unit 331 requests the model construction unit 32 for daily pattern data relating to the received class of process data.
  • the extraction unit 331 extracts the non-daily pattern data in the process data by taking the difference between the daily pattern data provided from the identification unit 321 and the process data supplied from the classification unit 31 in response to a request.
  • the abnormality level determination unit 332 substitutes the extraordinary pattern data extracted by the extraction unit 331 into l ⁇ m equations (2) and (3) defined by the abnormality detection data definition unit 322, and Q It calculates the statistic and T 2 statistics.
  • the abnormality level determination unit 332 is a threshold value by which the Q statistic and T 2 statistic calculated for a plurality of abnormality diagnosis models are calculated based on the expressions (4) and (5) in each abnormality diagnosis model. It is judged whether or not.
  • the plurality of abnormality diagnosis models are abnormality diagnosis models suitable for evaluating the abnormality level of online process data, and are preset. These abnormality diagnosis models, for example, belong to adjacent classes among the same type of classes and are created based on daily pattern data having the same definition. Note that the situation where online process data is acquired belongs to the same class as any one of the abnormality diagnosis models.
  • Abnormal level determination unit 332 based on the comparison result between the Q statistic and T 2 statistic and thresholds, abnormal online process data to determine the abnormal level indicating whether the occurred. For example, the abnormality level determination unit 332 determines whether the Q statistic and the T 2 statistic calculated for the abnormality diagnosis model having the highest compatibility with the process data exceed the threshold calculated for the abnormality diagnosis model. First judge. The degree of conformity between the abnormality diagnosis models is defined in advance, and the abnormality diagnosis model having the highest relevance is, for example, an abnormality diagnosis model belonging to the same class as the situation where the process data is acquired. If Q statistic and T 2 statistic is less than the threshold value, the abnormal level judging unit 332, the process data is normal, it is determined that the abnormal level is 0%. Although the abnormal level value is evaluated as a percentage here, the evaluation is not limited to the percentage.
  • the abnormal level judging unit 332 determines that the process data is abnormal, and sets the V% to the process data.
  • V% is an arbitrary numerical value that can evaluate the abnormal level.
  • the abnormality level determination unit 332 determines whether the Q statistic and the T 2 statistic calculated for the abnormality diagnosis model having the next highest compatibility with the process data exceed the threshold calculated for the abnormality diagnosis model. Judge whether or not.
  • the abnormality diagnosis model having the next highest suitability is, for example, an abnormality diagnosis model of a class adjacent to the class to which the process data belongs. If Q statistic and T 2 statistic is less than the threshold value, the abnormal level judging unit 332 determines V% being set and the abnormal level. If Q statistic and T 2 statistic exceeds the threshold, the abnormal level judging unit 332 determines that the process data is abnormal, and V '% increases the V% being set.
  • the abnormal level determination unit 332 switches the abnormality diagnosis model until the Q statistic and the T 2 statistic become less than the threshold, and the Q statistic And repeat the comparison of the T 2 statistic with the threshold. Further, even if the abnormality level determination unit 332 compares the Q statistic and the T 2 statistic with the threshold values for all the plurality of preset abnormality diagnosis models, the Q statistic and the T 2 statistic When the threshold value is exceeded, it is determined that the process data is 100% abnormal.
  • the factor separating unit 333 applies the Q statistic calculated by the abnormal level determining unit 332 and the T 2 statistic.
  • the amount of contribution is calculated using equations (6) and (7).
  • the factor separating unit 333 uses a definition formula for the abnormality diagnosis model having the highest compatibility with the online process data.
  • the factor separating unit 333 creates a contribution amount plot based on the calculated contribution amount, and displays the created contribution amount plot on the user interface 40. Thereby, the user of the user interface 40 can estimate the process variable that causes the abnormality.
  • the abnormality identification unit 334 identifies whether the type of abnormality is caused by an abnormality in the operation amount sensor and the process sensor or a process abnormality based on the process variable estimated as the cause of the abnormality by the factor separation unit 333. .
  • the abnormality identification unit 334 displays the identification result on the user interface 40.
  • the abnormality identification unit 334 estimates that the sensor is abnormal when only one process variable data indicates a protruding abnormal value.
  • the abnormality identification unit 334 estimates that the process is abnormal when the contribution amounts of a plurality of process variables indicate abnormal values.
  • the contribution of the failed process variable often shows a relatively extreme abnormal value, so it may be possible to distinguish between a sensor abnormality and a process abnormality. Many.
  • the following methods can be considered as a method for quantitatively performing such identification.
  • the abnormality identification unit 334 regards data including the contribution amount of each process variable as one data set, and performs abnormality diagnosis for this data.
  • an abnormality has already been detected, so it must be premised that some abnormality data is mixed therein.
  • the anomaly identification unit 334 uses a robust estimation method instead of the average and variance. For example, instead of averaging, median and pruning averages can be used. Further, instead of the standard deviation, a median absolute deviation (MAD) and a trimmed standard deviation can be used.
  • the threshold value Kmax is set.
  • the abnormality identification unit 334 determines that there is a sensor abnormality, and when none is extracted or when a plurality of process variables are extracted, Judge that the process is abnormal.
  • the following method may be adopted.
  • the contribution amount and the statistic there is a property that the sum of the contribution amounts of each process variable matches the statistic. That is, when the sum of equations (6) is taken for each process variable, equation (2) is obtained, or when the sum of equations (7) is taken for each process variable, equation (3) is obtained.
  • equation (3) is obtained.
  • a method for determining a sensor abnormality can be employed.
  • 0.75 (75%) is set as the set value, and the contribution amount of the maximum abnormality factor candidate at the time of abnormality detection t (equation (6) or (7)) ⁇ statistic at the time of abnormality detection ((2 When the value of the expression (3) or the expression (3)) exceeds the set value 0.75, the abnormality identification unit 334 determines that the sensor is abnormal.
  • the process variable contains multiple pieces of measurement information of the same type of sensor, this identification accuracy can be further improved.
  • a case where a plurality of DO sensors 1211 having different principles are installed a case where a plurality of DO sensors 1211 are installed at positions that are slightly different in location but in different directions of flow is assumed.
  • the contribution amount of only a measured value of a certain DO sensor is remarkably high and the contribution amount of other DO sensors is not high, it is strongly suspected that the DO sensor having a high contribution amount has failed. In such a case, it can be determined that the sensor is abnormal.
  • the abnormality identification unit 334 detects the target sensor in the daily pattern data defined by the identification unit 321 until the process data measured by the sensor in which the abnormality is determined is notified of the completion of the sensor repair. Enter the target time data.
  • the abnormality identification unit 334 searches several samples of data of the same day of the past in the latest past, and inputs the median and the like of the acquired sample to the process data measured by the sensor determined to be abnormal.
  • the abnormality identification unit 334 can continue the abnormality diagnosis even after the sensor failure is diagnosed. Further, the abnormality identification unit 334 can identify a sensor failure and a process abnormality as long as a plurality of sensors fail, as long as they do not fail at the same time.
  • FIG. 2 is a diagram illustrating an example of time-series data in which June data is classified.
  • the identification unit 321 creates daily pattern data for June by calculating the representative value as described above at each time.
  • the anomaly detection data definition unit 322 refers to the extraordinary pattern data created by the identification unit 321 and defines the definition formula of the Q statistic shown in the equation (2) and the definition formula of the T2 statistic shown in the equation (3) Create The anomaly detection data definition unit 322 calculates a statistical confidence limit value related to the Q statistic based on the formula (4), and calculates a statistical confidence limit value related to the T 2 statistic based on the formula (5). To do.
  • the contribution amount definition unit 323 defines a definition equation of the contribution amount of the process variable measured by the operation amount sensor and the process sensor with respect to the Q statistic and the T 2 statistic defined by the equations (2) and (3) ( 6) Set as shown in equations (7) and (7).
  • model construction unit 32 constructs the abnormality diagnosis model for June based on the daily pattern data for June has been described, but the model construction unit 32 evaluates the abnormality level of the online process data. Assume that a monthly abnormality diagnosis model is constructed from January to December. That is, the model construction unit 32 creates daily pattern data for each month from January to December, and creates definition formulas (2) to (5) based on these daily pattern data.
  • FIG. 3 is a diagram illustrating a flowchart when the monitoring diagnosis unit 33 determines an abnormal level of the process data.
  • the process data supplied from the data collection / storage unit 20 is collected at time 0:00 on June xx and is classified into June by the attribute determination unit 312. Will be described as an example.
  • the abnormal level determination unit 332 substitutes the extraordinary pattern data created in step S31 into the equations (2) and (3) defined for the June abnormality diagnosis model, and calculates the Q statistic and the T 2 statistic. Is calculated.
  • the abnormality level determination unit 332 substitutes the extraordinary pattern data created in step S31 into the equations (4) and (5) defined for the abnormality diagnosis model for June, A threshold value for the T 2 statistic is calculated (step S32).
  • the abnormal level determination unit 332 compares the Q statistic and the T 2 statistic calculated in step S32 with the threshold of the Q statistic and the T 2 statistic calculated in step S32 (step S33). ), It is determined whether or not the Q statistic and the T 2 statistic are less than the threshold (step S34). If Q statistic and T 2 statistic is less than the threshold value (Yes in step S34), the abnormal level judging unit 332, the abnormal level is 0%, i.e. the process data is determined to be normal (step S35) The process is terminated.
  • the abnormality level determination unit 332 determines that the abnormality diagnosis model to be compared is the last abnormality diagnosis model set in advance. It is determined whether the model is an abnormality diagnosis model (step S36). Since the class to which the process data belongs is June, the last abnormality diagnosis model here is the abnormality diagnosis model for December. Since the abnormality diagnosis model to be compared in step S34 is the abnormality diagnosis model for June (No in step S36), the abnormality level determination unit 332 temporarily sets the abnormality level to 10% (step S37). .
  • the monitoring diagnosis unit 33 diagnoses process data based on the June abnormality diagnosis model, the May abnormality diagnosis model whose class is adjacent, and the July abnormality diagnosis model. That is, the extraction unit 331 increments the abnormality diagnosis model to be compared from June to May and July (step S38). The extraction unit 331 calculates how much the process data classified by the classification unit 31 deviates from the May and July daily pattern data created by the identification unit 321, so that the data for May and July can be calculated. Unusual pattern data is created (step S39).
  • the abnormality level determination unit 332 substitutes the May and July unusual pattern data created in Step S39 into the expressions (2) and (3) defined for the abnormality diagnosis models for May and July, respectively. Then, the Q statistic and the T 2 statistic for May and July are calculated (step S310). The abnormality level determination unit 332 compares the Q statistic and T 2 statistic calculated in step S310 with the threshold values calculated by the abnormality detection data definition unit 322 in the abnormality diagnosis models for May and July. (Step S311), the process proceeds to Step S34. When the Q statistic and the T 2 statistic for the abnormality diagnosis model in May or July are less than the threshold (Yes in step S34), the abnormality level determination unit 332 indicates that the process data is in May or July.
  • the abnormality level determination unit 332 indicates that the abnormality diagnosis model to be compared is It is determined whether or not the abnormality diagnosis model is in December (step S36). Since the abnormality diagnosis model to be compared in step S34 is the abnormality diagnosis model for May and July (No in step S36), the abnormality level determination unit 332 temporarily sets the abnormality level to 30% ( Step S37).
  • the monitoring diagnosis unit 33 performs a process based on the May abnormality diagnosis model and the April abnormality diagnosis model adjacent to the class, and the July abnormality diagnosis model and the August abnormality diagnosis model adjacent to the class. Diagnose the data.
  • the monitoring diagnosis unit 33 determines in Step S34 that the Q statistic and the T 2 statistic for the April or August abnormality diagnosis model are less than the threshold (Step S34). Yes), the abnormal level determination unit 332 determines that the process data is compatible with the April or August abnormal diagnosis model, and determines that the abnormal level is tentatively set to 30% (step S35). ), The process is terminated.
  • the abnormality level determination unit 332 When the Q statistic and the T 2 statistic for both the April and August abnormality diagnosis models exceed the threshold (No in step S34), the abnormality level determination unit 332 indicates that the abnormality diagnosis model to be compared is It is determined whether or not the abnormality diagnosis model is in December (step S36). Since the abnormality diagnosis model to be compared in step S34 is the abnormality diagnosis model for April and August (No in step S36), the abnormality level determination unit 332 temporarily sets the abnormality level to 50% ( Step S37).
  • the abnormal level determination unit 332 repeats the processing from step S34 to step S311.
  • the abnormality level determination unit 332 sets the abnormality level. 100% is set (step S312), and the process proceeds to step S35.
  • FIG. 4 is a diagram showing the determination result of the abnormal level by the abnormal level determination unit 332.
  • the horizontal axis in FIG. 4 indicates the class of process data to be diagnosed. In this description, since the process data collected at time 0:00 on June xx is targeted for diagnosis, attention is focused on the data in the column indicated by the diagonal lines in FIG.
  • the vertical axis in FIG. 4 means an abnormality diagnosis model for each month.
  • the numerical value described in each table indicates an abnormal level when the model indicated by the vertical axis is not matched.
  • the determination result is output to the user interface 40.
  • the monitoring diagnosis unit 33 determines an abnormality level of the process data as 100% as an example. However, it is of course possible to set the abnormality level to 100% if it does not conform to some abnormality diagnosis models.
  • the monitoring / diagnostic unit 33 identifies whether the type of abnormality is due to a sensor abnormality or a process abnormality.
  • the factor separation unit 333 calculates the amount of contribution to the abnormality diagnosis model for June using Equations (6) and (7).
  • To do. 5 and 6 are contribution amount plots created based on the contribution amount calculated by the factor separation unit 333.
  • FIG. The horizontal axis in FIGS. 5 and 6 is a process variable input to the MSPC, and the vertical axis is a contribution amount to the Q statistic or the T 2 statistic.
  • the abnormality identification unit 334 estimates that the sensor is abnormal when only the contribution amount of a certain process variable exceeds the threshold value Kmax. Further, as shown in FIG. 6, the abnormality identification unit 334 estimates that the process is abnormal when the contribution amounts of the plurality of process variables exceed the threshold value Kmax.
  • the identification unit 321 creates a plurality of types of daily pattern data using representative values that are robustly estimated from past time-series data.
  • the identification unit 321 creates a plurality of types of unusual pattern data based on the created types of everyday pattern data.
  • the abnormality detection data definition unit 322 creates a plurality of abnormality diagnosis models based on the plurality of types of unusual pattern data created.
  • the extraction unit 331 creates non-daily pattern data for diagnosis by calculating the degree of deviation of the process data supplied from the classification unit 31 from the daily pattern data.
  • the abnormality level determination unit 332 creates abnormality detection data by applying the diagnostic extraordinary pattern data to the plurality of abnormality diagnosis models constructed by the model construction unit 32.
  • the abnormality level determination unit 332 determines the abnormality level of the process data by determining, for each of a plurality of abnormality diagnosis models, whether or not the generated abnormality detection data indicates an abnormal value.
  • the process monitoring / diagnosis device 30 can provide not only a binary determination of abnormality or normality but also the degree of abnormality.
  • the conventional MSPC monitoring system can only detect abnormal signs and separate the factor variables, whereas the process monitoring and diagnosis apparatus 30 according to the present embodiment generates almost no abnormality in the plant without causing engineering. It becomes possible to provide information on the detailed level of the state mechanically.
  • the identification unit 321 robustly calculates the representative value using the trim average value, median, mode value, and the like at each time based on the measured value at the same time of the received time series data. Then, the identification unit 321 creates daily pattern data using the representative value, and creates unusual pattern data based on the created daily pattern data. As described above, the identification unit 321 can automatically identify the daily pattern and the unusual pattern by performing relatively simple statistical processing on the time-series data. For this reason, the user of the monitoring system can easily identify whether it is an abnormal value due to deviation from the daily pattern data or a sudden abnormal value in the abnormality diagnosis.
  • the identification unit 321 can automatically learn a gradual change in the daily pattern data by continuously performing the process of calculating the representative value and creating the daily pattern data. Become. Thereby, it becomes possible to facilitate the maintenance of the process monitoring diagnostic apparatus.
  • the identification unit 321 uses each method HL estimation, MCD, Bootstrap method, sub-sampling method, etc. of trim average, median, or more advanced robust statistics, Even when a large amount of abnormal values are included, it is possible to synthesize daily patterns robustly.
  • the contribution amount defining unit 323 defines a contribution amount to an abnormality for each of a plurality of process variables included in a plurality of abnormality diagnosis models.
  • the factor separation unit 333 calculates the contribution amount to the abnormality for each of the plurality of process variables by inputting the extraordinary pattern data for diagnosis to the definition equation of the contribution amount. Thereby, the process monitoring / diagnosis device 30 can provide information for estimating the cause of the abnormality.
  • the abnormality identification unit 334 estimates that the process is abnormal when there are a plurality of contribution amounts exceeding the threshold value among the contribution amounts calculated by the factor separation unit 333, and sets the threshold value. When the contribution amount exceeds one, it is estimated that the sensor is abnormal. Thereby, the process monitoring / diagnosis apparatus 30 can provide information for estimating whether the cause of the abnormality is a process abnormality or a sensor abnormality. In particular, in the case of a redundant system in which the same type of sensor is installed in the plant, it is possible to more accurately identify a sensor abnormality and a process abnormality. Therefore, the abnormality identification unit 334 can clearly identify a sensor failure and a process abnormality. In the case of a sensor failure, the abnormality identification unit 334 prompts a response such as sensor maintenance and / or replacement of the sensor. In this case, it becomes possible to quickly cope with an abnormal state of the process.
  • the process monitoring and diagnosis apparatus 30 it is possible to give a guideline for determining what action should be taken in the event of an abnormality to the plant manager and / or the operator. This makes it easier for the user of the monitoring system to take action when there is an abnormality.
  • the functions of the process monitoring diagnosis device 30, that is, the functions of the classification unit 31, the model construction unit 32, and the monitoring diagnosis unit 33 are realized on the cloud server, the abnormality level determination, the abnormality factor estimation, and the sensor / process abnormality identification This information may be provided to a necessary user remotely.
  • the monitoring / diagnostic unit 33 sends an abnormal level to the sensor manufacturer's office that supplies the operation amount sensors 1112 to 1152 and the process sensors 121 to 12212 that are measured in the plant, or to the mobile terminals of the sensor manufacturer's maintenance personnel. Provides information on determination, anomaly factor estimation, and sensor process anomaly identification.
  • the sensor manufacturer can determine whether maintenance of the sensor is necessary or not based on the information on the abnormality level determination, the abnormality factor estimation, and the sensor / process abnormality identification, thereby improving the maintenance efficiency.
  • the monitoring and diagnosis unit 33 realized on the cloud server transmits information on abnormality level determination, abnormality factor estimation, and sensor / process abnormality identification to a mobile terminal of a remote plant operator, If any abnormality is recognized in the process that is not a sensor failure, the plant operator can quickly cope with the abnormality.
  • a form such as a cloud it becomes possible to provide information to a plurality of users remotely.
  • FIG. 7 is a block diagram illustrating an example of a functional configuration of the process monitoring diagnostic apparatus 50 according to the second embodiment.
  • the process monitoring diagnostic device 50 shown in FIG. 7 includes a classification unit 31, an abnormality monitoring diagnostic unit 33, a model construction unit 51, and a normal data registration unit 52.
  • the same reference numerals are given to the portions common to FIG.
  • the normal data registration unit 52 receives the time series data classified into each class by the classification unit 31.
  • the normal data registration unit 52 registers the received time series data, and outputs the registered time series data to the model construction unit 51 in accordance with a request from the model construction unit 51.
  • the abnormal level is determined to be 0% in the determination result by the abnormal level determination unit 332, that is, when the data set that is the diagnosis target is determined to be normal, the normal data registration unit 52 Since it is considered that abnormal data is not included in the set, the data set is registered.
  • the normal data registration unit 52 prepares a matrix (table) having process variables in the row direction and having time (diagnosis period) in the column direction. If it is determined that the data set to be diagnosed is normal, the normal data registration unit 52 writes the data set in the prepared matrix. When it is determined that the abnormal level is not 0%, the normal data registration unit 52 writes, for example, ⁇ 99999 to the matrix instead of the data set.
  • FIG. 8 shows an example of a matrix recorded in the normal data registration unit 52. Data other than -999999 is registered normal data. The registered normal data is modeled when a preset condition such as starting on the day of the month is given in a predetermined cycle, or when a user calls the model. Is output to the unit 51.
  • the model construction unit 51 includes an identification unit 511, an abnormality detection data definition unit 512, and a contribution amount definition unit 513.
  • the identification unit 511 reads the normal data from the normal data registration unit 52 and adds the read normal data to the matrix ⁇ X> defining the abnormality detection data. Alternatively, the identification unit 511 discards the information of the old time in the matrix ⁇ X> and takes in normal data instead.
  • the anomaly detection data definition unit 512 updates the equations (1) to (5) using the matrix ⁇ X> to redefine the anomaly detection data.
  • the contribution amount definition unit 513 updates the equations (6) to (7) using the matrix ⁇ X>, and redefines the contribution amount.
  • the identification unit 511 may update the daily pattern data using normal data as necessary.
  • the pattern identification device originally generates patterns using various methods of robust estimation from past time-series data, even if this normal data is not used, it can be updated at a predetermined cycle. good.
  • the normal data registration unit 52 registers normal data when the abnormal level determination unit 332 determines that the process data is normal.
  • the model construction unit 51 updates the abnormality diagnosis model with the registered data.
  • the process monitoring / diagnosis device 50 can automatically update the abnormality diagnosis model while extracting only normal data from the result of the abnormality diagnosis.
  • the abnormality diagnosis model is automatically updated at a predetermined cycle to determine whether the data is normal or abnormal. not going. Therefore, when abnormal data is included, the abnormal diagnosis model is adapted to the abnormal data, and the diagnosis accuracy may be deteriorated.
  • the process monitoring and diagnosis apparatus 50 according to the second embodiment only the data determined to be normal in the initial abnormality diagnosis model is extracted and the abnormality diagnosis model is updated. While improving, it becomes possible to adapt to the slowly changing characteristics of the plant. This eliminates the need for maintenance of an abnormality diagnosis model that becomes a bottleneck in the realization of a diagnosis system.
  • the functions of the process monitoring diagnostic device 50 that is, the functions of the classification unit 31, the model construction unit 51, the monitoring diagnostic unit 33, and the normal data registration unit 52 are realized on the cloud server, the abnormal level determination, the abnormal factor estimation, and The sensor process abnormality identification information may be remotely provided to a necessary user.
  • process monitoring diagnosis program which is a program executed by the process monitoring diagnosis devices 30 and 50, may be recorded on a computer-readable recording medium.
  • Inflow TN sensor 124 ... Inflow TP sensor, 1251 ... Inflow UV sensor, 1252 ... Inflow COD sensor, 126 ... Anaerobic tank ORP sensor, 127 ... Anaerobic tank pH sensor, 128 ... Anoxic tank ORP sensor, 129 ... Anoxic tank pH sensor, 1210 ... Phosphate sensor, 1211 ... DOsen , 1212 ... Ammonia sensor, 1213 ... MLSS sensor, 1214 ... Water temperature sensor, 1215 ... Excess sludge SS sensor, 1216 ... Discharge SS sensor, 1217 ... Sludge interface sensor, 1218 ... Sewage discharge sensor, 1219 ... Discharge TN sensor, 1220 ...

Abstract

　プロセス監視診断装置は、分類部と、識別部及び異常検出用データ定義部を有するモデル構築部と、抽出部及び異常レベル判定部を有する監視診断部とを具備する。分類部は、プロセスデータ又は時系列データを属性情報に基づいてクラス分けする。識別部は、クラス分けされた時系列データから日常パターンデータと非日常パターンデータとを作成する。異常検出用データ定義部は、非日常パターンデータに基づき、異常診断モデルを作成する。抽出部は、クラス分けされたプロセスデータの日常パターンデータに対する乖離度を抽出する。異常レベル判定部は、乖離度を異常診断モデルに適用し、異常検出用データとしきい値とを算出し、異常検出用データがしきい値を超えるか否かに基づいて異常レベルを判定する。

Description

プロセス監視診断装置、プロセス監視診断プログラム
　本発明の実施形態は、下水処理プロセス、排水処理プロセス、汚泥消化プロセス、浄水プロセス、給配水プロセス、化学プロセス、及び鉄鋼プロセス等のプロセス系で発生する異常を診断するプロセス監視診断装置と、このプロセス監視診断装置で用いられるプロセス監視診断プログラムとに関する。
　下水処理プロセス、汚泥消化プロセス、浄水プロセス、及び給配水プロセス等の水処理／水運用プロセス、石油化学プロセス、鉄鋼プロセス、及び半導体製造プロセス等のプロセス系のプラントでは、複数のプロセス状態を測定する複数のオンラインセンサが設置されている。プロセス監視装置（SCADA: Supervisory Control And Data Acquisition）は、通常、プロセス系に設置されたセンサ群の計測により得られる、例えば、流量、温度、水質及び／又は操作量等のプロセスデータを、例えば、トレンドグラフ等の時系列データへ変換する。プラント管理者（マネージャー）及び／又は運転員（オペレータ）は、時系列データを監視することで、プロセスの状態を把握し、プロセスの運転変更や制御を行う。
　各々のプロセスデータの時系列データには、通常、管理限界等と呼ばれる上下限値が設定されている。プロセス監視装置は、時系列データの値がこの管理限界を上回った場合、又は、下回った場合、アラームを発報する。プラント管理者及び／又は運転員は、このアラームに基づいてプラント運用の確認・見直しを行う。この様なアラーム発報に基づく運転管理はプラント運用の基本である。
　さらに一歩進んだプラントの運転管理では、単純なプロセス非定常時の対応だけでなく、プロセスの所定目標性能を達成した上で省エネルギー・省コストに繋がる運用が求められる。ここで所定目標とは、例えば下水処理プロセスであれば、放流水質規制の遵守等に対応する。また、浄水処理プロセスであれば、浄水中の残留塩素濃度が所定上限以下であること、及び／又は、クリプトスポリジウムに代表される病原性微生物が存在しないこと等が所定目標に対応する。また、化学プロセス及び鉄鋼プロセスであれば、製品（石油精製品及び鉄鋼）の品質（例えば純度及び強度等）を所定の範囲に維持することが所定目標に対応する。プラントの運転管理を、プロセスの所定目標性能を達成した上で省エネルギー・省コストに繋がるように運用しようとする際、所定目標の未達状態に陥らないように目標性能に関するプロセスの状態を監視し、所定目標の達成を阻害する様な状態変化及び／又は異常状態を素早く検知し、事前に対策をとることが重要なポイントとなる。さらに、目標性能及び省エネ・省コストに関するプロセス状態を常に良好な状態に保ち、良好な状態から逸脱しそうなプロセス状態変化を素早く検知することも重要なポイントとなる。
　ところで、プロセスの状態変化及び異常を診断する方法として、石油化学プロセス及び鉄鋼プラントの分野で利用されてきた「多変量統計解析手法」を用いた多変量統計的プロセス監視（ＭＳＰＣ：Multi-Variate Statistical Process Control）と呼ばれる方法が知られている。ＭＳＰＣの中で最も良く利用される手法として、主成分分析（ＰＣＡ：Principal Component Analysis）と潜在変数射影法／部分最小二乗法（ＰＬＳ：Projection to Latent Structure/Partial Least Square）が知られている。
　ＭＳＰＣでは、ＰＣＡ及び／又はＰＬＳ等の多変量解析を用いて、主に、プラントの異常兆候を検出する第１の目的と、異常要因となるプロセス変数を推定する第２の目的とを達成させるようにしている。第１の目的に対しては、複数のプロセス変数の相関情報を利用することで、一つの変数では検出できない軽微な異常の兆候を検出するようにしている。第２の目的に対しては、複数のプロセス変数から合成した異常検出用データ（例えば、Ｑ統計量及びＨｏｔｅｌｌｉｎｇのＴ２統計量）で異常を検出した後に、この異常検出用データに対する各プロセスデータの寄与度を表す寄与量というものを利用することで、異常要因の候補となるプロセス変数を推定するようにしている。このように、ＭＳＰＣを用いると、従来の個別のプロセス変数に対する単純な管理限界を用いる監視（生産ライン等の監視では、ＭＳＰＣと対比してＳＰＣ：Statistical Process Controlと呼ばれることもある）と比較して、よりプラント管理者及び／又は運転員にとって有用なアドバンストな監視・診断を行うことができる。
　以上のように、ＭＳＰＣを用いると、プラントの異常兆候の検出する第１の目的と、異常要因となるプロセス変数を推定する第２の目的とを達成することができるが、ＭＳＰＣをＳＣＡＤＡの中に組み込んでプラント監視システムとして実現する場合、第１及び第２の目的を達成する際に得られる情報だけではユーザであるプラント管理者及び／又は運転員にとって十分な情報提供にならないという現場の声を聞くことが多い。その理由は、プラント管理者及び／又は運転員は、最終的に異常時にどのようなアクションを起こせば良いかという判断をしたいが、異常兆候の検出及びその要因推定だけでは、異常時に即座にアクションを起こすことは難しいためである。
特開平８－２４１１２１号公報 特開２００４－３０３００７号公報 特開２００７－６５８８３号公報
http://tech.chase-dream.com/spc.html C. Rosen, "Monitoring Wastewater Treatment Systems", Lic. Thesis, Dept. of Industrial Electrical Engineering and Automation, Lund University, Lund, Sweden, 1998. Mia Hubert, Peter J. Rousseeuw, Karlien V, "ROBPCA: a New Approach to Robust Principal Component Analysis (2005)", Technometrics. C Croux, A Ruiz-Gazen, "High breakdown estimators for principal components: the projection-pursuit approach revisited", Journal of Multivariate Analysis. K.-R. Muller, S. Mika, G. Ratsch, K. Tsuda, and B. Scholkopf, "An introduction to kernel-based learning algorithms", IEEE Trans. Pattern Anal. Machine Intell., 12(2):181-201, March, 2001. B. Scholkopf, A.J. Smola, and K.-R. Muller, "Nonlinear component analysis as a kernel eigenvalue problem", Neural Computation, 10(5):1299-1319, 1998.
　以上のように、ＭＳＰＣを組み込んだ従来の装置では、プラントの異常兆候の検出及びその要因推定は可能であるが、これらの情報のみでは、プラント管理者及び／又は運転員が異常時にどのようなアクションを起こせば良いか判断するのが困難であった。
　そこで、目的は、プラント管理者及び／又は運転員へ、異常時にどのようなアクションを起こせば良いかの判断の指針を与えることが可能なプロセス監視診断装置と、この装置で用いられるプロセス監視診断プログラムとを提供することにある。
　実施形態によれば、対象プロセスに設置されるセンサにより計測されるプロセスデータを取得するプロセス監視診断装置は、分類部と、識別部及び異常検出用データ定義部を有するモデル構築部と、抽出部及び異常レベル判定部を有する監視診断部とを具備する。前記分類部は、前記対象プロセスが置かれている環境に応じて分類される属性情報を保持し、前記プロセスデータと、予め設定される複数の期間の過去のプロセスデータからなる複数の時系列データとを前記属性情報に基づいてクラス分けする。前記識別部は、複数のクラスにクラス分けされた前記時系列データのそれぞれの代表値をロバストに推定することで、前記クラス毎の日常パターンデータを作成し、前記クラス毎の日常パターンデータに基づいて非日常パターンデータを作成する。前記異常検出用データ定義部は、前記複数の非日常パターンデータそれぞれに基づいて、異常検出用データを算出する第１の定義式と、前記異常検出用データのしきい値を算出する第２の定義式とを作成する。前記抽出部は、前記クラス分けされたプロセスデータの前記複数の日常パターンデータに対する乖離度を抽出する。前記異常レベル判定部は、前記複数の乖離度それぞれを前記第１の定義式に適用することで前記クラス毎に異常検出用データを算出し、前記複数の乖離度それぞれを前記第２の定義式に適用することで前記クラス毎にしきい値を算出し、前記クラス毎に前記異常検出用データが前記しきい値を超えるか否かを判断することで異常レベルを判定する。
図１は、第１の実施形態に係るプロセス監視診断装置が備えられる監視システムの機能構成を示す図である。 図２は、図１に示す分類部による分類後の時系列データを示す図である。 図３は、図１に示す監視診断部がプロセスデータの異常レベルを判定する際のフローチャートを示す図である。 図４は、図１に示す異常レベル判定部による異常レベルの判定結果を示す図である。 図５は、図１に示す要因分離部により算出される寄与量に基づいて作成される寄与量プロットを示す図である。 図６は、図１に示す要因分離部により算出される寄与量に基づいて作成される寄与量プロットを示す図である。 図７は、第２の実施形態に係るプロセス監視診断装置の機能構成を示すブロック図である。 図８は、図７に示す正常データ登録部に登録される行列を示す図である。
　以下、実施の形態について、図面を参照して説明する。
　（第１の実施形態）　
　図１は、第１の実施形態に係るプロセス監視診断装置３０が備えられる監視システムの機能構成の例を示す構成図である。図１に示す監視システムは、実施イメージをより明確にするため、窒素及びリン除去を目的とした下水高度処理プロセスを監視対象としている。しかしながら、監視システムの監視対象は、下水高度処理プロセスに限定される訳ではない。
　図１に示す監視システムは、下水高度処理プロセス１０、データ収集・保存部２０、プロセス監視診断装置３０及びユーザインタフェース４０を具備する。
　下水高度処理プロセス１０は、最初沈澱池１０１、嫌気槽１０２、無酸素槽１０３、好気槽１０４及び最終沈澱池１０５を備える。
　また、下水高度処理プロセス１０は、引抜ポンプ１１１１、ブロワ１１２１、循環ポンプ１１３１、返送汚泥ポンプ１１４１及び引抜ポンプ１１５１をアクチュエータとして備える。引抜ポンプ１１１１は、最初沈澱池１０１の余剰汚泥を引き抜く。ブロワ１１２１は、好気槽１０４に酸素を供給する。循環ポンプ１１３１は、好気槽１０４から出力される水を無酸素槽１０３へ循環させる。返送汚泥ポンプ１１４１は、最終沈殿池１０５の余剰汚泥を嫌気槽１０２へ返送する。引抜ポンプ１１５１は、最終沈澱池１０５の余剰汚泥を引き抜く。各種アクチュエータ１１１１～１１５１は、所定の周期で動作する。
　また、アクチュエータ１１１１～１１５１は各々操作量センサを備える。すなわち、引抜ポンプ１１１１は引抜流量センサ１１１２を備え、ブロワ１１２１は供給空気流量センサ１１２２を備え、循環ポンプ１１３１は循環流量センサ１１３２を備え、返送汚泥ポンプ１１４１は返送流量センサ１１４２を備え、引抜ポンプ１１５１は引抜流量センサ１１５２を備える。
　引抜流量センサ１１１２は、引抜ポンプ１１１１により引き抜かれた汚泥の流量を計測する。供給空気流量センサ１１２２は、ブロワ１１２１により供給される酸素の流量を計測する。循環流量センサ１１３２は、循環ポンプ１１３１により循環される水の流量を計測する。返送流量センサ１１４２は、返送汚泥ポンプにより返送される汚泥の流量を計測する。引抜流量センサ１１５２は、引抜ポンプ１１５１により引き抜かれる汚泥の流量を計測する。各種操作量センサ１１１２～１１５２は所定の周期でプロセスデータを計測する。
　また、下水高度処理プロセス１０は、雨量センサ１２１と、流入下水量を計測する下水流入量センサ１２２と、流入下水に含まれる全窒素量を計測する流入ＴＮセンサ１２３と、流入下水に含まれる全リン量を計測する流入ＴＰセンサ１２４と、流入下水に含まれる有機物量を計測する流入ＵＶセンサ１２５１又は流入ＣＯＤセンサ１２５２と、嫌気槽１０２のＯＲＰを計測する嫌気槽ＯＲＰセンサ１２６と、嫌気槽１０２のｐＨを計測する嫌気槽ｐＨセンサ１２７と、無酸素槽１０３のＯＲＰを計測する無酸素槽ＯＲＰセンサ１２８と、無酸素槽１０３のｐＨを計測する無酸素槽ｐＨセンサ１２９と、好気槽１０４のリン酸濃度を計測するリン酸センサ１２１０と、好気槽１０４の溶存酸素濃度を計測するＤＯセンサ１２１１と、好気槽１０４のアンモニア濃度を計測するアンモニアセンサ１２１２と、嫌気槽１０２、無酸素槽１０３及び好気槽１０４の少なくとも１ヶ所の槽で活性汚泥量を計測するＭＬＳＳセンサ１２１３と、嫌気槽１０２、無酸素槽１０３及び好気槽１０４の少なくとも１ヶ所の槽で水温を計測する水温センサ１２１４と、最終沈澱池１０５から引き抜かれる汚泥量の固形物濃度を計測する余剰汚泥ＳＳセンサ１２１５と、最終沈殿池１０５から放流される放流水のＳＳ濃度を計測する放流ＳＳセンサ１２１６と、最終沈殿池１０５の汚泥界面レベルを計測する汚泥界面センサ１２１７と、放流下水量を計測する下水放流量センサ１２１８と、放流下水に含まれる全窒素量を計測する放流ＴＮセンサ１２１９と、放流下水に含まれる全リン量を計測する放流ＴＰセンサ１２２０と、放流下水に含まれる有機物量を計測する放流ＵＶセンサ１２２１１又は放流ＣＯＤセンサ１２２１２とをプロセスセンサとして備える。各種プロセスセンサ１２１～１２２１２は所定の周期でプロセスデータを計測する。なお、図１では、流入ＵＶセンサ１２５１及び流入ＣＯＤセンサ１２５２のうち、流入ＵＶセンサ１２５１が設置され、放流ＵＶセンサ１２２１１及び放流ＣＯＤセンサ１２２１２のうち、放流ＵＶセンサ１２２１１が設置される場合を示している。
　データ収集・保存部２０は、各種操作量センサ１１１２～１１５２から所定の周期で得られるプロセスデータと、各種プロセスセンサ１２１～１２２１２から所定の周期で得られるプロセスデータとを収集する。データ収集・保存部２０は、収集したプロセスデータをプロセス監視診断装置３０へ出力する。また、データ収集・保存部２０は、収集したプロセスデータを、予め設定されるフォーマットに従って時系列データに変換して保存する。データ収集・保存部２０は、保存した時系列データをプロセス監視診断装置３０からの要請に応じ、プロセス監視診断装置３０へ出力する。
　プロセス監視診断装置３０は、例えば、ＣＰＵ（Central Processing Unit）と、ＲＯＭ（Read Only Memory）及びＲＡＭ（Random Access Memory）等のＣＰＵが処理を実行するためのプログラムやデータの格納領域等とを含む。プロセス監視診断装置３０は、ＣＰＵにプログラムを実行させることで、分類部３１、モデル構築部３２及び監視診断部３３の機能を実現する。
　分類部３１は、属性供給部３１１及び属性判断部３１２を備える。
　属性供給部３１１は、プロセスデータが収集される月情報、季節（春（３月～５月）、夏（６月～８月）、秋（９月～１１月）、冬（１２月～２月））情報、天候情報、気温又は水温情報、運転モード情報等の属性情報を保持する。
　属性判断部３１２は、データ収集・保存部２０に対して、予め設定した期間の過去の時系列データを要求する。属性判断部３１２は、属性供給部３１１に保持される属性情報を用い、データ収集・保存部２０から供給される時系列データを分類する。属性情報は、プロセスが置かれている外的な条件に応じて容易に分類される属性についての情報であり、属性には、例えば、月、季節、天気、気温、水温、及び運転モード等がある。例えば、属性判断部３１２は、時系列データを、属性情報に基づき、月毎のデータ、四季毎のデータ、晴れ、曇り、雨又は雪等の天候毎のデータ、気温又は水温等を複数のレベルに分割した気温又は水温毎のデータ、及び運転モードの違い等の運転毎のデータ等に分類する。属性判断部３１２は、各クラスに分類した時系列データをモデル構築部３２へ出力する。
　また、属性判断部３１２は、監視診断部３３で現在時刻（オンライン）のプロセスデータの診断をする際には、属性供給部３１１に保持される属性情報を用い、データ収集・保存部２０で収集されるオンラインのプロセスデータを上記と同様に分類する。属性判断部３１２は、各クラスに分類したプロセスデータを監視診断部３３へ出力する。
　モデル構築部３２は、識別部３２１、異常検出用データ定義部３２２及び寄与量定義部３２３を備える。モデル構築部３２は、識別部３２１により、複数の日常パターンデータと、これらの日常パターンデータのそれぞれに基づいて非日常パターンデータを作成する。また、モデル構築部３２は、異常検出用データ定義部３２２により、異常が発生しているか否かの指標となる異常検出用データ等を非日常パターンデータに基づいて定義する。また、モデル構築部３２は、寄与量定義部３２３により、操作量センサ及びプロセスセンサを表すプロセス変数が、発生する異常に対してどれだけ寄与するかを示す寄与量を定義する。
　識別部３２１は、分類部３１で各クラスに分類された時系列データに基づいて、日常パターンデータ及び当該日常パターンデータに基づいた非日常パターンデータを作成する。日常パターンデータは、例えば、時系列データにおける同一時刻、すなわち日単位の日常パターンデータ、及び／又は、時系列データにおける同一曜日かつ同一時刻、すなわち曜日単位の日常パターンデータ等、傾向を確認したい対象に応じて暦に係る定義に応じて複数作成される。
　例えば、日単位の日常パターンデータを作成する場合、識別部３２１は、天候情報及び曜日情報等に基づいてプロセス挙動が特異的になる場合の情報を予め除去した上で、受け取った時系列データの同一時刻における計測値に基づき、各時刻においてロバストに推定された代表値を算出する。ここで、ロバストに推定された代表値は、同一時刻における計測値の平均値、トリム平均値、メジアン、モード値等である。時系列データに異常値が含まれている可能性がある場合には、平均値を代表値とするのではなく、メジアン等、異常値に対して感度の低い値を代表値とする。また、曜日単位の日常パターンデータを作成する場合、識別部３２１は、時系列データにおける同一時刻かつ同一曜日の計測値に対して上記と同様の処理を行う。識別部３２１は、代表値を算出して日常パターンデータを作成する処理を継続的に行うようにしても構わない。
　なお、代表値をロバストに推定する方法はその他にもいくつも知られている。例えばＨＬ（Hodges-Lehmann）推定、ＭＣＤ（Minimum Covariance Determinant）、ブーストラップ法又はサブサンプリング法等の方法を用いると、もっと複雑に異常データが混入している場合でも典型的な代表値を推定することができる。
　識別部３２１は、時系列データのうち、日常パターンデータを作成する際に用いられた計測値が、作成した日常パターンデータにおける値に対してどのくらい乖離しているかを算出し、算出結果を非日常パターンデータとする。
　識別部３２１は、定義する日常パターンデータの数をｍ個とし、分類部３１により分類されたクラスの数をｌ個とした場合、上記の処理により、ｍ×ｌ個の日常パターンデータとｍ×ｌ個の非日常パターンデータとを作成する。
　なお、時系列データに基づく日常パターンデータ及び非日常パターンデータの作成は、例えば、ローパスフィルタ又は離散ウェーブレット変換等のディジタルフィルタを用いて実施することも可能である。しかしながら、異常データの混入を想定すると、ロバスト統計で知られている各種の手法を用いてロバストに代表値を推定する方が、信頼性の高い日常パターンの作成が可能になる。
　異常検出用データ定義部３２２は、識別部３２１で作成された非日常パターンデータを受け取る。このとき、非日常パターンデータは、分類部３１で分類されたｌ個のクラスと、日常パターンデータの定義数ｍ個に対応してｌ×ｍ個のデータセットとして提供される。
　なお、以下の説明では、非日常パターンデータのデータセットに含まれる、予め設定した期間の過去の時系列データについての乖離値を＜Ｘｋ＞，ｋ＝１，２，…，ｌ×ｍと記載することにする。＜Ｘｋ＞は、行方向に操作量センサ及びプロセスセンサにより計測されるプロセスデータの非日常データに対する乖離値を示し、列方向に時系列を示す行列である。すなわち、＜Ｘｋ＞は、第ｒ行、第ｓ列の要素＜Ｘｋ＞（ｒ，ｓ）に、時刻ｓにおける第ｒ番目のセンサ計測値から算出された非日常データに対する乖離値が格納されている行列である。操作量センサ及びプロセスセンサの数をｎとし、時系列のデータ数をＱとすると、＜Ｘｋ＞は、Ｑ×ｎのデータを含む。なお、以下では、＜Ｘｋ＞，ｋ＝１，２，…，ｌ×ｍの異常検出用データを定義する必要がある。ただし、入力される非日常パターンデータが異なるクラスから供給される点に相違があるだけである。異常検出用データの定義方法は一つであるので、混同の恐れが無い限り、＜Ｘｋ＞を単に＜Ｘ＞と記載し、添え字のｋを省略する。
　異常検出用データ定義部３２２は、＜Ｘ＞に対して多変量解析又は機械学習等の様々な方法を適用することで、異常検出用データを生成する。＜Ｘ＞に適用する方法は、プロセス診断技術として良く使われている方法であり、ＭＳＰＣ（多変量統計的プロセス管理）と呼ばれる。ＭＳＰＣでは、通常主成分分析（ＰＣＡ）又は潜在変数射影法（ＰＬＳ）を利用してＱ統計量及びＨｏｔｅｌｌｉｎｇのＴ２統計量と呼ばれる異常検出用データを生成する。
　以下では、ＰＣＡを用いて異常検出用データを生成する場合の具体的な計算式を記載する。ＰＣＡを用いると、＜Ｘ＞は以下の様に分解される。なお、（１）式では、＜Ｘ＞を、太文字のＸで記載する。
Figure JPOXMLDOC01-appb-M000001
ここで、＜Ｔａ＞（（１）式においては、太文字のＴａ）∈Ｒｑ×ｎは、ｑ個のサンプルと、ｎ個の主成分数とからなるスコア行列と呼ばれる行列である。＜Ｐａ＞（（１）式においては、太文字のＰａ）∈Ｒｎ×ｎは、ｎ個の構成変数と、ｎ個の主成分との関係を示すローディング行列と呼ばれる行列である。＜Ｔ＞（（１）式においては、太文字のＴ）∈Ｒｑ×ｐは、ｐ＜＜ｎ個の主成分で打ち切った＜Ｔａ＞の部分行列であり、通常はスコア行列と呼ばれる。同様に、＜Ｐ＞（（１）式においては、太文字のＰ）∈Ｒｎ×ｐは、ｎ個の変量に対してｐ＜＜ｎ個で打ち切った主成分との関係を表す＜Ｐa＞の部分行列であり、通常はローディング行列と呼ばれる。また、＜Ｅ＞（（１）式においては、太文字のＥ）∈Ｒｑ×ｎは、ｑ個のサンプルとｎ個の変量からなる誤差行列であり、ｐ＜＜ｎで主成分を打ち切った場合の誤差を表す。
　以下では、＜Ｔａ＞と＜Ｔ＞、＜Ｐａ＞と＜Ｐ＞を明確に区別し、＜Ｔａ＞及び＜Ｐａ＞をそれぞれスコア行列及びローディング行列と称し、＜Ｔ＞及び＜Ｐ＞をそれぞれ主要スコア行列及び主要ローディング行列と称する。
　これらを用いて異常検出用データとして以下のＱ統計量とＴ２統計量とを定義する。
Figure JPOXMLDOC01-appb-M000002
Figure JPOXMLDOC01-appb-M000003
　ここで、＜Λ＞（（３）式においては、太文字のΛ）は主成分の分散を対角要素として持つ行列であり、分散を正規化していることを意味する。また、＜Ｉ＞（（２）式においては、太文字のＩ）は適当なサイズの単位行列である。また、ｘ（ｔ）は、行列＜Ｘ＞のｔ番目の要素である。なお、監視診断部３３による異常監視・診断の際には、このｘ（ｔ）に、オンラインで計測されるプロセスデータの日常パターンデータに対する乖離値が代入されて計算される。
　異常検出用データ定義部３２２は、（２）、（３）式で定義したＱ統計量及びＴ２統計量に対して異常と正常とを識別する判断基準としてのしきい値を設定する。しきい値は状態変化及び／又は異常兆候の検出に大きく関わるため、その設定方法は重要である。しかしながら、本実施形態のアイデアとは関係しないため、典型的な設定方法のみを記載しておく。
　もし、予め設定した期間の過去の時系列データに対して何ら事前情報が無い場合には、デフォルトの設定法として、Ｑ統計量に関する統計的信頼限界値と、ＨｏｔｅｌｌｉｎｇのＴ２統計量に関する統計的信頼限界値とを用いることができる（非特許文献２参照）。Ｑ統計量に関する統計的信頼限界値と、ＨｏｔｅｌｌｉｎｇのＴ２統計量に関する統計的信頼限界値とは、以下の様に書くことができる。
Figure JPOXMLDOC01-appb-M000004
　ここで、ｐはモデルの中に残された変数の数である。ｃａは、信頼区間の限界が１－ａである場合の標準正規分布の標準偏差のずれ（例：ａ＝０．０１の場合、ｃａ＝２．５３であり、ａ＝０．０５の場合、ｃａ＝１．９６）である。また、λｉは、＜Λ＞の対角要素である（つまり、Θｉは、誤差項に含まれる各成分のｉ乗和である。）。
Figure JPOXMLDOC01-appb-M000005
　ここで、ｐはモデルの中に残された変数の数であり、ｑは全変数の数である。Ｆ（ｐ，ｑ－ｐ，ａ）は、自由度が（ｐ，ｑ－ｐ）であり、信頼限界をａとした場合のＦ分布である。なお、ａ＝０．０１又は０．０５とすることが多い。
　異常検出用データ定義部３２２は、（１）～（５）式をｌ×ｍ個の非日常パターンデータ毎に定義しておく。
　なお、データの中にアウトライア等が多量に含まれることが想定される場合には、異常検出用データ定義部３２２は、例えば、非特許文献３及び非特許文献４等のアウトライアに対するロバスト性を考慮した様々なロバストＰＣＡアルゴリズムを用いてもよい。あるいは、これを拡張してロバストＰＬＳとして用いても良い。
　さらに、データ間に強い非線形の相関が想定される様な場合には、異常検出用データ定義部３２２は、例えば、非特許文献５及び非特許文献６等に記載されているカーネルＰＣＡ等の非線形性を考慮したＰＣＡを用いてもよい。あるいは、これを拡張してカーネルＰＬＳとして用いても良い。
　さらに、非線形性とアウトライアとの問題が両方存在している場合には、異常検出用データ定義部３２２は、ロバストＰＣＡとカーネルＰＣＡとを組み合わせた方法を用いることも可能である。
　また、ＭＳＰＣと類似の技術として、品質工学の分野で用いられるタグチ法等、マハラノビス距離を用いて異常検出用データを生成しても良い。
　寄与量定義部３２３は、（２）式及び（３）式で定義された異常検出用データに対する、操作量センサ及びプロセスセンサを表すプロセス変数の寄与量の定義式を設定する。寄与量の定義方法も複数あるが、例えば、以下の様に定義することができる。
Figure JPOXMLDOC01-appb-M000006
Figure JPOXMLDOC01-appb-M000007
　ここで、ｎはｎ番目のプロセス変数であることを意味し、ｔはある時刻を表す変数である。（６）式及び（７）式に示す定義式は、ｌ×ｍ個の非日常パターンデータ毎に定義される。（６）式及び（７）式を用いることで、寄与量定義部３２３は、プロセス変数各々が異常検出用データの値に対してどの程度寄与しているかを計算することが可能な定義式を、監視診断部３３へ提供することができる。
　なお、寄与量定義部３２３は、供給されるプロセスデータに基づいて監視診断部３３が算出する異常検出用データが入力されると、どのプロセス変数が異常の要因となる可能性が高いかを順位付けして出力できるような仕組みを有していれば、どのような仕組みであっても構わない。
　以上のように、モデル構築部３２は、月又は季節等のクラス、及び日常パターンデータを作成する際の定義それぞれについて、（１）～（７）式を定義することで、オンラインのプロセスデータの日常パターンデータからの乖離度を評価するための複数の異常診断モデルを構築する。
　監視診断部３３は、抽出部３３１、異常レベル判定部３３２、要因分離部３３３及び異常識別部３３４を備える。監視診断部３３は、抽出部３３１により、オンラインのプロセスデータにおける非日常データパターンデータを抽出する。また、監視診断部３３は、異常レベル判定部３３２により、抽出した非日常データパターンに基づいて算出する異常検出用データを用い、発生した異常の異常レベルを判定する。また、監視診断部３３は、要因分離部３３３により、発生した異常に対する各プロセス変数の寄与量を算出する。また、監視診断部３３は、異常識別部３３４により、算出した寄与量に基づき、発生した異常が作量センサ及びプロセスセンサの異常によるものか、又は、プロセスの異常によるものなのかを識別する。
　抽出部３３１は、分類部３１で各クラスに分類されたオンラインのプロセスデータを受け取る。抽出部３３１は、受け取ったプロセスデータのクラスに係る日常パターンデータをモデル構築部３２に対して要求する。抽出部３３１は、要求に応じて識別部３２１から提供される日常パターンデータと、分類部３１から供給されるプロセスデータとの差分を取ることで、プロセスデータにおける非日常パターンデータを抽出する。
　異常レベル判定部３３２は、抽出部３３１で抽出された非日常パターンデータを、異常検出用データ定義部３２２で定義されたｌ×ｍ個の（２）式及び（３）式に代入し、Ｑ統計量及びＴ２統計量を算出する。
　異常レベル判定部３３２は、複数の異常診断モデルについて算出されたＱ統計量及びＴ２統計量が、それぞれの異常診断モデルにおいて（４）式及び（５）式に基づいて算出されるしきい値を超えるか否かを判断する。複数の異常診断モデルは、オンラインのプロセスデータの異常レベルを評価するのに適した異常診断モデルであり、予め設定される。これらの異常診断モデルは、例えば、同一種類のクラスのうち、隣接するクラスに属し、同一の定義の日常パターンデータに基づいて作成される。なお、オンラインのプロセスデータが取得される状況は、複数の異常診断モデルのうちいずれかの異常診断モデルと同一のクラスに属するものとする。
　異常レベル判定部３３２は、Ｑ統計量及びＴ２統計量としきい値との比較結果に基づき、オンラインのプロセスデータで異常が発生したか否かを示す異常レベルを決定する。例えば、異常レベル判定部３３２は、プロセスデータと最も適合性の高い異常診断モデルについて算出したＱ統計量及びＴ２統計量が、この異常診断モデルについて算出されるしきい値を超えるか否かをまず判断する。異常診断モデル間の適合度は予め定義されており、最も適合性の高い異常診断モデルとは、例えば、プロセスデータが取得される状況と同一クラスに属する異常診断モデルをいう。Ｑ統計量及びＴ２統計量がしきい値未満となる場合、異常レベル判定部３３２は、プロセスデータが正常であり、異常レベルは０％であると判定する。なお、ここでは異常レベルの値をパーセントで評価したが、パーセントでの評価に限定される訳ではない。
　Ｑ統計量及びＴ２統計量がしきい値を超える場合、異常レベル判定部３３２は、プロセスデータが異常であると判断し、Ｖ％をプロセスデータに対して設定する。なお、Ｖ％は、異常レベルを評価可能な任意の数値である。次に、異常レベル判定部３３２は、プロセスデータと次に適合性が高い異常診断モデルについて算出されるＱ統計量及びＴ２統計量が、この異常診断モデルについて算出されるしきい値を超えるか否かを判断する。次に適合性が高い異常診断モデルとは、例えば、プロセスデータが属するクラスと隣接するクラスの異常診断モデルをいう。Ｑ統計量及びＴ２統計量がしきい値未満となる場合、異常レベル判定部３３２は、設定されているＶ％を異常レベルと判定する。Ｑ統計量及びＴ２統計量がしきい値を超える場合、異常レベル判定部３３２は、プロセスデータが異常であると判断し、設定されているＶ％を増加させＶ’％とする。
　異常レベル判定部３３２は、Ｑ統計量及びＴ２統計量がしきい値を超える場合、Ｑ統計量及びＴ２統計量がしきい値未満となるまで、異常診断モデルを切り替えて、Ｑ統計量及びＴ２統計量としきい値との比較を繰り返す。また、異常レベル判定部３３２は、Ｑ統計量及びＴ２統計量としきい値との比較を、予め設定された複数の異常診断モデルすべてについて実施しても、Ｑ統計量及びＴ２統計量がしきい値を超える場合、プロセスデータは１００％異常であると判定する。
　要因分離部３３３は、異常レベル判定部３３２で判定された異常レベルが０%でない場合、すなわち、プロセスデータが異常である場合、異常レベル判定部３３２で算出したＱ統計量及びＴ２統計量に対する寄与量を、（６）式及び（７）式を用いて算出する。このとき、要因分離部３３３は、オンラインのプロセスデータと最も適合性の高い異常診断モデルについての定義式を用いる。要因分離部３３３は、算出した寄与量に基づいて寄与量プロットを作成し、作成した寄与量プロットをユーザインタフェース４０に表示する。これにより、ユーザインタフェース４０のユーザは、異常が発生した要因となるプロセス変数を推定することが可能となる。
　異常識別部３３４は、要因分離部３３３で異常の要因と推定したプロセス変数に基づき、異常の種類が操作量センサ及びプロセスセンサの異常によるものか、又は、プロセスの異常によるものなのかを識別する。異常識別部３３４は、識別結果をユーザインタフェース４０へ表示する。
　例えば、寄与量プロットにおいて、ある一つのプロセス変数のデータだけが突出した異常値を示している場合、センサの異常である可能性が高い。特に、複数のプロセス計測情報に相関がある環境において、一つのプロセス変数のデータが検出した異常値を示している場合には、センサ異常である可能性が極めて高い。そこで、異常識別部３３４は、ある一つのプロセス変数のデータだけが突出した異常値を示している場合には、センサ異常であると推定する。
　逆に、複数のプロセス変数の寄与量が異常値を示している場合には、プロセスの異常である可能性が高い。そこで、異常識別部３３４は、複数のプロセス変数の寄与量が異常値を示している場合には、プロセス異常であると推定する。ただし、プロセス異常の状態であってもあるセンサが故障している状態がある。このような場合であっても、故障しているプロセス変数の寄与量が相対的に極端な異常値を示している場合が多いため、センサ異常とプロセス異常を識別することは可能である場合が多い。
　このような識別を定量的に行う方法としては、以下の様な方法が考えられる。
　異常識別部３３４は、各プロセス変数の寄与量からなるデータを一つのデータセットとみなし、このデータに対する異常診断を行う。寄与量プロットで異常要因を推定する際は、既に異常が検出されているため、この中に何らかの異常データが混入していることは前提としなければならない。寄与量データセットに対して、通常の平均又は分散（標準偏差）で異常を計算することができないため、異常識別部３３４は、平均及び分散に替わるロバストな推定法を利用する。例えば、平均の代わりに、メジアン及び刈り込み平均を用いることができる。また、標準偏差の代わりに、メジアン絶対偏差（ＭＡＤ）及び刈り込みを行った標準偏差を利用することができる。異常識別部３３４は、メジアンとメジアン絶対偏差を用いた場合、あるプロセス変数の寄与量Ｘを用いて
　　　Ｋ＝（Ｘ－メジアン）／メジアン絶対偏差
を計算し、このＫの値に例えば５～１０程度のしきい値Ｋｍａｘを設定する。Ｋの値がこのＫｍａｘを超えるプロセス変数が１個だけ抽出される場合、異常識別部３３４は、センサ異常であると判断し、１個も抽出されないか、又は、複数個抽出される場合にはプロセス異常であると判断する。
　また、その他の方法として、次の様な方法を採用しても良い。寄与量と統計量の間には、各プロセス変数の寄与量の総和が統計量に一致するという性質を持つ。すなわち、（６）式を各プロセス変数について総和をとると（２）式となり、又は、（７）式を各プロセス変数について総和をとると（３）式となる。この性質を利用して、異常が検出された時刻における統計量（（２）式又は（３）式）に対する、最大の異常要因候補の寄与量の割合が、所定の設定値を超えた場合にセンサ異常と判断する方法を採用することができる。例えば、設定値として０．７５（７５％）を設定し、異常検出時ｔの最大異常要因候補の寄与量（（６）式又は（７）式）÷異常検出時ｔの統計量（（２）式又は（３）式）の値が設定値０．７５を超えた場合、異常識別部３３４は、センサ異常と判断する。
　プロセス変数の中に同一種類のセンサの計測情報が複数含まれている場合には、この識別の精度をさらに向上させることができる。例えば、それぞれ異なる原理のＤＯセンサ１２１１が複数設置されている場合には、若干場所が異なるが流れる方向の異なる位置で複数のＤＯセンサ１２１１が設置されている場合等が想定される。ここで、あるＤＯセンサの計測値のみの寄与量が著しく高く、それ以外のＤＯセンサの寄与量が高くない場合、寄与量の高いＤＯセンサが故障していることが強く疑われる。このような場合には、センサ異常であることが判断できる。
　また、一度センサ異常が判断されると、異常と判断されたセンサはメンテナンスされて正常に戻るまでは、常に異常を検出し続ける。そのため、監視システムは、センサが正常に戻った後に異常診断を継続することが困難になる。これに対応するため、異常識別部３３４は、異常が判断されたセンサにより計測されるプロセスデータに対して、このセンサの修復完了を通知するまで、識別部３２１で定義した日常パターンデータにおける対象センサの対象時刻のデータを入力する。または、異常識別部３３４は、直近の過去の同一時刻同一曜日のデータを数サンプル探索し、取得したサンプルのメジアン等を、異常が判断されたセンサにより計測されるプロセスデータに対して入力する。これにより、異常識別部３３４は、センサ故障が診断された後も異常診断を継続することが可能になる。また、異常識別部３３４は、複数のセンサが故障した場合にも同時刻に故障しない限りは、センサ故障とプロセス異常を識別することが可能になる。
　次に、以上のように構成されたプロセス監視診断装置３０の動作を具体的に説明する。
　まず、モデル構築部３２が異常診断モデルを構築する場合を説明する。以下の説明では、分類部３１における属性判断部３１２が、データ収集・保存部２０から供給される時系列データを６月のデータとして分類する場合を例に説明する。図２は、６月のデータが分類された時系列データの例を示す図である。図２によれば、分類後の時系列データは、1時間単位のデータが複数の日時に亘って含まれる。例えば、時刻０：００のデータは、Ｘ０＝[５　４　６　６　３　５　１１１　７]というデータセットから構成される。
　識別部３２１は、図２に示す時系列データに基づいて日単位の日常パターンデータを作成する。例えば、時刻０：００の代表値を算出する場合、Ｘ０＝[５　４　６　６　３　５　１１１　７]から、時刻０：００における代表値はおおよそ５，６付近の値になっていると予測される。代表値を計算する最も単純な方法である平均をＸ０に対してとると、Ｘ０の平均値は１８．３７５となる。この値は、予測した代表値とは大きく異なる。これは、８番目のデータが異常値であると考えられるためである。そこで、このような単純な平均化操作ではなく、メジアンを計算すると５．５となり、予測した代表値に近付く。また、例えば、Ｘ０のモード値を計算すると６となり、この値も予測した代表値に近付く。また、トリム平均（刈り込み平均）で最大値と最小値を落として平均をとると５．５となり、この値も予測した代表値に近付く。識別部３２１は、各時刻において上記のように代表値を計算することで、６月の日常パターンデータを作成する。
　識別部３２１は、日常パターンデータを作成する際に用いられた計測値が、作成した日常パターンデータからどれくらい乖離しているかを算出することで、非日常パターンデータを作成する。例えば、日常パターンデータにおける代表値をメジアンで計算した場合、Ｘ０＝[５　４　６　６　３　５　１１１　７]における１番目のデータの日常パターンデータからの乖離は５－５．５＝－０．５であり、７番目のデータの日常パターンデータからの乖離は１１１－５．５＝１０５．５である。
　異常検出用データ定義部３２２は、識別部３２１で作成した非日常パターンデータを参照し、（２）式に示すＱ統計量の定義式と、（３）式に示すＴ２統計量の定義式とを作成する。また、異常検出用データ定義部３２２は、（４）式に基づいてＱ統計量に関する統計的信頼限界値を算出し、（５）式に基づいてＴ２統計量に関する統計的信頼限界値を算出する。
　寄与量定義部３２３は、（２）式及び（３）式で定義されたＱ統計量及びＴ２統計量に対する、操作量センサ及びプロセスセンサにより計測されるプロセス変数の寄与量の定義式を（６）式及び（７）式に示すように設定する。
　以上では、モデル構築部３２が６月の日常パターンデータに基づき、６月の異常診断モデルを構築する場合を説明したが、モデル構築部３２は、オンラインのプロセスデータの異常レベルを評価するため、１月から１２月の月毎の異常診断モデルを構築する場合を想定する。すなわち、モデル構築部３２は、１月から１２月の月毎の日常パターンデータを作成し、これらの日常パターンデータに基づいた（２）～（５）式の定義式を作成する。
　続いて、監視診断部３３がオンラインのプロセスデータを診断する場合を説明する。図３は、監視診断部３３がプロセスデータの異常レベルを判定する際のフローチャートを示す図である。なお、以下の説明では、データ収集・保存部２０から供給されるプロセスデータが６月ｘｘ日の時刻０：００に収集されたものであり、属性判断部３１２により、６月に分類される場合を例に説明する。
　抽出部３３１は、分類部３１で分類されたプロセスデータが、識別部３２１で作成された６月の日常パターンデータからどれくらい乖離しているかを算出することで、非日常パターンデータを作成する（ステップＳ３１）。例えば、収集したプロセスデータの値が８であり、識別部３２１がメジアンを用いて日常パターンデータを作成した場合、非日常パターンデータの値は８－５．５＝２．５と計算される。
　異常レベル判定部３３２は、ステップＳ３１で作成された非日常パターンデータを、６月の異常診断モデルについて定義される（２）式及び（３）式に代入し、Ｑ統計量及びＴ２統計量を算出する。異常レベル判定部３３２は、ステップＳ３１で作成された非日常パターンデータを、６月の異常診断モデルについて定義される（４）式及び（５）式に代入し、Ｑ統計量のしきい値及びＴ２統計量のしきい値を算出する（ステップＳ３２）。異常レベル判定部３３２は、ステップＳ３２で算出したＱ統計量及びＴ２統計量と、ステップＳ３２で算出したＱ統計量のしきい値及びＴ２統計量のしきい値とを比較し（ステップＳ３３）、Ｑ統計量及びＴ２統計量がしきい値未満となるか否かを判断する（ステップＳ３４）。Ｑ統計量及びＴ２統計量がしきい値未満である場合（ステップＳ３４のＹｅｓ）、異常レベル判定部３３２は、異常レベルが０％、つまりプロセスデータは正常であると判定し（ステップＳ３５）、処理を終了する。
　Ｑ統計量及びＴ２統計量がしきい値を超える場合（ステップＳ３４のＮｏ）、異常レベル判定部３３２は、比較対象としている異常診断モデルが、予め設定した複数の異常診断モデルのうち最後の異常診断モデルであるか否かを判断する（ステップＳ３６）。なお、プロセスデータの属するクラスが６月であるため、ここでの最後の異常診断モデルは１２月の異常診断モデルとなる。ステップＳ３４において比較対象となった異常診断モデルは、６月の異常診断モデルであるため（ステップＳ３６のＮｏ）、異常レベル判定部３３２は、異常レベルを暫定的に１０％とする（ステップＳ３７）。
　続いて、監視診断部３３は、６月の異常診断モデルとクラスが隣接する５月の異常診断モデルと、７月の異常診断モデルとに基づいてプロセスデータの診断をする。すなわち、抽出部３３１は、比較対象となる異常診断モデルを６月から、５月及び７月にインクリメントする（ステップＳ３８）。抽出部３３１は、分類部３１で分類されたプロセスデータが、識別部３２１で作成された５月及び７月の日常パターンデータからどれくらい乖離しているかを算出することで、５月及び７月の非日常パターンデータを作成する（ステップＳ３９）。
　異常レベル判定部３３２は、ステップＳ３９で作成された５月及び７月の非日常パターンデータを、５月及び７月の異常診断モデルについて定義される（２）式及び（３）式へそれぞれ代入し、５月及び７月のＱ統計量及びＴ２統計量を算出する（ステップＳ３１０）。異常レベル判定部３３２は、ステップＳ３１０で算出したＱ統計量及びＴ２統計量と、５月及び７月の異常診断モデルにおいて異常検出用データ定義部３２２で算出されたしきい値とを比較し（ステップＳ３１１）、処理をステップＳ３４へ移行する。５月又は７月の異常診断モデルについてのＱ統計量及びＴ２統計量がしきい値未満である場合（ステップＳ３４のＹｅｓ）、異常レベル判定部３３２は、プロセスデータが５月又は７月の異常診断モデルに適合したと判断し、異常レベルを暫定的に設定されている１０％であると判定し（ステップＳ３５）、処理を終了する。５月及び７月の異常診断モデル両方についてのＱ統計量及びＴ２統計量がしきい値を超える場合（ステップＳ３４のＮｏ）、異常レベル判定部３３２は、比較対象としている異常診断モデルが、１２月の異常診断モデルであるか否かを判断する（ステップＳ３６）。ステップＳ３４において比較対象となった異常診断モデルは、５月及び７月の異常診断モデルであるため（ステップＳ３６のＮｏ）、異常レベル判定部３３２は、異常レベルを暫定的に３０％とする（ステップＳ３７）。
　続いて、監視診断部３３は、５月の異常診断モデルとクラスが隣接する４月の異常診断モデルと、７月の異常診断モデルとクラスが隣接する８月の異常診断モデルとに基づいてプロセスデータの診断をする。監視診断部３３は、ステップＳ３８～ステップＳ３１１を実施した後、ステップＳ３４において、４月又は８月の異常診断モデルについてのＱ統計量及びＴ２統計量がしきい値未満である場合（ステップＳ３４のＹｅｓ）、異常レベル判定部３３２は、プロセスデータが４月又は８月の異常診断モデルに適合したと判断し、異常レベルを暫定的に設定されている３０％であると判定し（ステップＳ３５）、処理を終了する。４月及び８月の異常診断モデル両方についてのＱ統計量及びＴ２統計量がしきい値を超える場合（ステップＳ３４のＮｏ）、異常レベル判定部３３２は、比較対象としている異常診断モデルが、１２月の異常診断モデルであるか否かを判断する（ステップＳ３６）。ステップＳ３４において比較対象となった異常診断モデルは、４月及び８月の異常診断モデルであるため（ステップＳ３６のＮｏ）、異常レベル判定部３３２は、異常レベルを暫定的に５０％とする（ステップＳ３７）。
　異常レベル判定部３３２は、ステップＳ３４～ステップＳ３１１の処理を繰り返す。ステップＳ３４において１２月の異常診断モデルについてのＱ統計量及びＴ２統計量がしきい値を超える場合（ステップＳ３４のＮｏ、及び、ステップＳ３６のＹｅｓ）、異常レベル判定部３３２は、異常レベルを１００％に設定し（ステップＳ３１２）、処理をステップＳ３５へ移行する。
　図４は、異常レベル判定部３３２による異常レベルの判定結果を示す図である。図４の横軸は、診断対象となるプロセスデータのクラスを意味する。本説明では、６月ｘｘ日の時刻０：００に収集されたプロセスデータを診断対象としているため、図４中の斜線で示した列のデータに着目する。図４の縦軸は、各月の異常診断モデルを意味する。各表に記載されている数値は、縦軸で示すモデルに適合しなかった場合の異常レベルを示す。判定結果は、ユーザインタフェース４０へ出力される。
　なお、図３及び図４では、プロセスデータが１月～１２月の全ての異常診断モデルに適合しなかった場合、監視診断部３３は、プロセスデータの異常レベルを１００％と判定する場合を例に示したが、いくつかの異常診断モデルに適合しなければ異常レベルを１００％とする様に設定することももちろん可能である。
　続いて、監視診断部３３が異常の種類がセンサ異常によるものか、又は、プロセス異常によるものかを識別する場合を説明する。
　要因分離部３３３は、６月ｘｘ日の時刻０：００に収集されたプロセスデータが供給された場合、６月の異常診断モデルに対する寄与量を（６）式及び（７）式を用いて算出する。図５及び図６は、要因分離部３３３により算出される寄与量に基づいて作成される寄与量プロットである。図５及び図６の横軸はＭＳＰＣに入力するプロセス変数であり、縦軸はＱ統計量又はＴ２統計量に対する寄与量である。
　異常識別部３３４は、図５に示すように、ある一つのプロセス変数の寄与量だけがしきい値Ｋｍａｘを超える場合、センサ異常であると推定する。また、異常識別部３３４は、図６に示すように、複数のプロセス変数の寄与量がしきい値Ｋｍａｘを超える場合、プロセス異常であると推定する。
　以上のように、本実施形態に係る識別部３２１は、過去の時系列データからロバストに推定される代表値を用いて複数種類の日常パターンデータを作成する。識別部３２１は、作成した複数種類の日常パターンデータに基づいて複数種類の非日常パターンデータを作成する。異常検出用データ定義部３２２は、作成した複数種類の非日常パターンデータに基づいて複数の異常診断モデルを作成する。抽出部３３１は、分類部３１から供給されるプロセスデータの、日常パターンデータに対する乖離度を算出することで診断用の非日常パターンデータを作成する。異常レベル判定部３３２は、診断用の非日常パターンデータを、モデル構築部３２で構築された複数の異常診断モデルに適用することで異常検出用データを作成する。異常レベル判定部３３２は、作成した異常検出用データが異常値を示すか否かを複数の異常診断モデル毎に判断することで、プロセスデータの異常レベルを決定するようにしている。これにより、プロセス監視診断装置３０は、単に異常か正常かの２値的な判断だけでなく、異常の程度を提供することが可能となる。従来のＭＳＰＣによる監視システムでは、異常兆候の検出と要因変数の分離だけしか行えないのに対し、本実施形態に係るプロセス監視診断装置３０によれば、ほとんどエンジニアリングを発生させることなく、プラントの異常状態の詳細レベルの情報を機械的に提供することが可能となる。
　また、本実施形態に係る識別部３２１は、受け取った時系列データの同一時刻における計測値に基づき、各時刻において、トリム平均値、メジアン、モード値等を用いてロバストに代表値を算出する。そして、識別部３２１は、代表値を利用して日常パターンデータを作成すると共に、作成した日常パターンデータに基づいて非日常パターンデータを作成するようにしている。このように、識別部３２１は、時系列データに対して比較的簡単な統計処理を施すことにより、自動的に日常パターンと非日常パターンとを識別することが可能となる。このため、監視システムのユーザは、異常診断において、日常パターンデータからの逸脱による異常値であるか、突発的な異常値であるかの識別を容易にすることが可能となる。
　また、本実施形態に係る識別部３２１は、代表値を算出して日常パターンデータを作成する処理を継続的に行うことで、日常パターンデータの緩やかな変化を自動的に学習することが可能となる。これにより、プロセス監視診断装置のメンテナンスを容易にすることが可能となる。
　また、本実施形態に係る識別部３２１は、代表値計算において、トリム平均、メジアン、又はさらに高度なロバスト統計の各手法ＨＬ推定、ＭＣＤ、ブーストラップ法又はサブサンプリング法等を利用することにより、異常値が多量に含まれている場合でもロバストに日常パターンを合成することが可能になる。
　また、本実施形態に係る寄与量定義部３２３は、複数の異常診断モデルに含まれる複数のプロセス変数毎の異常に対する寄与量を定義する。要因分離部３３３は、診断用の非日常パターンデータを寄与量の定義式へ入力することで、複数のプロセス変数毎の異常に対する寄与量を算出するようにしている。これにより、プロセス監視診断装置３０は、異常が発生した要因を推定するための情報を提供することが可能となる。
　また、本実施形態に係る異常識別部３３４は、要因分離部３３３で算出された寄与量のうち、しきい値を超える寄与量が複数ある場合、プロセス異常であると推定し、しきい値を超える寄与量が１つである場合、センサ異常であると推定するようにしている。これにより、プロセス監視診断装置３０は、異常の要因がプロセス異常であるか、センサ異常であるかを推定するための情報を提供することが可能となる。特に、プラントで同一種類のセンサが設置されている冗長系の場合には、センサ異常とプロセス異常とをさらに正確に識別することが可能となる。このため、異常識別部３３４は、センサ故障とプロセス異常とを明確に識別することが可能となり、センサ故障の場合には、センサのメンテナンス及び／又はセンサの取り換え等の対応を促し、プロセス異常の場合には、プロセスの異常状態に迅速に対応することが可能になる。
　したがって、本実施形態に係るプロセス監視診断装置３０によれば、プラント管理者及び／又は運転員へ、異常時にどのようなアクションを起こせば良いかの判断の指針を与えることができる。これにより、監視システムのユーザは、異常時のアクションをとりやすくなる。
　なお、本実施形態に係る異常診断の一連の動作は、監視システムにおけるプロセス監視診断装置３０の中で実現することを想定しているが、これに限定される訳ではない。例えば、プロセス監視診断装置３０の機能、すなわち、分類部３１、モデル構築部３２及び監視診断部３３の機能をクラウドサーバ上に実現し、異常レベル判定、異常要因推定、及び、センサ・プロセス異常識別の情報を遠隔で必要なユーザへ提供するようにしても構わない。
　例えば、監視診断部３３は、プラントで計測している操作量センサ１１１２～１１５２と、プロセスセンサ１２１～１２２１２とを供給するセンサメーカのオフィス、又は、センサメーカのメンテナンス要員の携帯端末へ、異常レベル判定、異常要因推定、及び、センサ・プロセス異常識別の情報を提供する。そして、センサメーカが、異常レベル判定、異常要因推定、及び、センサ・プロセス異常識別の情報に基づき、センサのメンテナンスの要否を判断することにより、メンテナンス効率の向上を図ることが可能となる。
　また、クラウドサーバ上に実現される監視診断部３３が、異常レベル判定、異常要因推定、及び、センサ・プロセス異常識別の情報を、遠隔にいるプラントオペレータの携帯端末へ送信するようにすれば、センサ故障ではないプロセスでの何らかの異常が認められた場合、プラントオペレータは、異常に対して早急に対処することが可能になる。このように、クラウド等の形態を利用することにより、複数のユーザへ遠隔で情報を提供することが可能となる。
　（第２の実施形態）　
　図７は、第２の実施形態に係るプロセス監視診断装置５０の機能構成の例を示すブロック図である。図７に示すプロセス監視診断装置５０は、分類部３１、異常監視診断部３３、モデル構築部５１及び正常データ登録部５２を具備する。なお、図７において図１と共通する部分には同じ符号を付している。
　正常データ登録部５２は、分類部３１で各クラスに分類された時系列データを受け取る。正常データ登録部５２は、受け取った時系列データを登録し、モデル構築部５１からの要求に従い、登録している時系列データをモデル構築部５１へ出力する。
　また、正常データ登録部５２は、異常レベル判定部３３２による判定結果において、異常レベルが０％と判定された場合、つまり、診断対象であるデータセットが正常であると判定された場合、そのデータセットの中には異常なデータが含まれていないと考えられるため、そのデータセットを登録する。
　正常なデータの登録方法としては、任意の方法を用いて良い。例えば、正常データ登録部５２は、行方向にプロセス変数を有し、列方向に時間（診断周期）を有する行列（表）を準備する。そして、診断対象のデータセットが正常と判断された場合、正常データ登録部５２は、データセットを準備した行列へ書き込む。また、異常レベルが０％でないと判断された場合、正常データ登録部５２は、データセットではなく、例えば、－９９９９９を行列へ書きこむ。図８に、正常データ登録部５２に記録される行列の例を示す。－９９９９９以外のデータは、登録済みの正常データである。そして、登録された正常データは、予め指定した所定の周期で、○月○日に起動する等の予め設定した条件のトリガが与えられた場合に、又は、ユーザがコールした場合に、モデル構築部５１へ出力される。
　モデル構築部５１は、識別部５１１、異常検出用データ定義部５１２及び寄与量定義部５１３を備える。
　識別部５１１は、正常データ登録部５２から正常データを読み込み、異常検出用データを定義する行列＜Ｘ＞に読み込んだ正常データを追加する。または、識別部５１１は、行列＜Ｘ＞の中の古い時刻の情報を廃棄し、その代わりに正常データを取り込む。
　異常検出用データ定義部５１２は、行列＜Ｘ＞を用いて（１）式～（５）式を更新し、異常検出用データを再定義する。
　寄与量定義部５１３は、行列＜Ｘ＞を用いて（６）式～（７）式を更新し、寄与量を再定義する。
　なお、識別部５１１は、必要に応じて正常データを用いて、日常パターンデータを更新しても良い。ただし、パターン識別装置は、もともと過去の時系列データの中からロバスト推定の各種手法を用いてパターンを生成しているので、この正常データを使わずに、所定の周期で更新し続けていても良い。
　以上のように、第２の実施形態に係る正常データ登録部５２は、異常レベル判定部３３２でプロセスデータが正常であると判定された場合、正常なデータを登録する。そして、モデル構築部５１は、登録されたデータにより、異常診断モデルを更新するようにしている。これにより、プロセス監視診断装置５０は、異常診断の結果から正常データのみを抽出しながら異常診断モデルを自動更新することが可能となる。
　異常診断モデルの更新は適応型ＭＳＰＣ等、既に知られている方法もあるが、適応型ＭＳＰＣでは、所定の周期で異常診断モデルを自動的に更新していき、データの正常・異常の判断を行っていない。そのため、異常データが含まれる場合、異常診断モデルが異常データに適応することになり、診断精度が劣化してしまう場合がある。第２の実施形態に係るプロセス監視診断装置５０では、初期の異常診断モデルで正常と判断されたデータのみを抽出して、異常診断モデルを更新していくため、異常診断の性能を自動的に向上させながら、緩やかに変化するプラントの特性に適合していくことが可能になる。そのため、診断システムの実現においてボトルネックとなる異常診断モデルのメンテナンスが不要になる。
　なお、本実施形態に係る異常診断の一連の動作は、監視システムにおけるプロセス監視診断装置５０の中で実現することを想定しているが、これに限定される訳ではない。例えば、プロセス監視診断装置５０の機能、すなわち、分類部３１、モデル構築部５１、監視診断部３３及び正常データ登録部５２の機能をクラウドサーバ上に実現し、異常レベル判定、異常要因推定、及び、センサ・プロセス異常識別の情報を遠隔で必要なユーザへ提供するようにしても構わない。
　また、プロセス監視診断装置３０，５０で実行されるプログラムであるプロセス監視診断プログラムは、コンピュータにより読み取り可能な記録媒体に記録されるようにしても構わない。
　本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。
　１０…下水高度処理プロセス、１０１…最初沈殿池、１０２…嫌気槽、１０３…無酸素槽、１０４…好気槽、１０５…最終沈殿池、１１１１…引抜ポンプ、１１１２…引抜流量センサ、１１２１…ブロワ、１１２２…供給空気流量センサ、１１３１…循環ポンプ、１１３２…循環流量センサ、１１４１…返送汚泥ポンプ、１１４２…返送流量センサ、１１５１…引抜ポンプ、１１５２…引抜流量センサ、１２１…雨量センサ、１２２…下水流入量センサ、１２３…流入ＴＮセンサ、１２４…流入ＴＰセンサ、１２５１…流入ＵＶセンサ、１２５２…流入ＣＯＤセンサ、１２６…嫌気槽ＯＲＰセンサ、１２７…嫌気槽ｐＨセンサ、１２８…無酸素槽ＯＲＰセンサ、１２９…無酸素槽ｐＨセンサ、１２１０…リン酸センサ、１２１１…ＤＯセンサ、１２１２…アンモニアセンサ、１２１３…ＭＬＳＳセンサ、１２１４…水温センサ、１２１５…余剰汚泥ＳＳセンサ、１２１６…放流ＳＳセンサ、１２１７…汚泥界面センサ、１２１８…下水放流量センサ、１２１９…放流ＴＮセンサ、１２２０…放流ＴＰセンサ、１２２１１…放流ＵＶセンサ、１２２１２…放流ＣＯＤセンサ、２０…データ収集・保存部、３０，５０…プロセス監視診断装置、３１…分類部、３１１…属性供給部、３１２…属性判断部、３２，５１…モデル構築部、３２１，５１１…識別部、３２２，５１２…異常検出用データ定義部、３２３，５１３…寄与量定義部、３３…監視診断部、３３１…抽出部、３３２…異常レベル判定部、３３３…要因分離部、３３４…異常識別部、４０…ユーザインタフェース、５２…正常データ登録部

Claims (16)

  1. 　対象プロセスに設置されるセンサにより計測されるプロセスデータを取得するプロセス監視診断装置において、
    　分類部と、識別部及び異常検出用データ定義部を有するモデル構築部と、抽出部及び異常レベル判定部を有する監視診断部とを具備し、
    　　前記分類部は、前記対象プロセスが置かれている環境に応じて分類される属性情報を保持し、前記プロセスデータと、予め設定される複数の期間の過去のプロセスデータからなる複数の時系列データとを前記属性情報に基づいてクラス分けし、
    　　前記識別部は、複数のクラスにクラス分けされた前記時系列データのそれぞれの代表値をロバストに推定することで、前記クラス毎の日常パターンデータを作成し、前記クラス毎の日常パターンデータに基づいて非日常パターンデータを作成し、
    　　前記異常検出用データ定義部は、前記複数の非日常パターンデータそれぞれに基づいて、異常検出用データを算出する第１の定義式と、前記異常検出用データのしきい値を算出する第２の定義式とを作成し、
    　　前記抽出部は、前記クラス分けされたプロセスデータの前記複数の日常パターンデータに対する乖離度を抽出し、
    　　前記異常レベル判定部は、前記複数の乖離度それぞれを前記第１の定義式に適用することで前記クラス毎に異常検出用データを算出し、前記複数の乖離度それぞれを前記第２の定義式に適用することで前記クラス毎にしきい値を算出し、前記クラス毎に前記異常検出用データが前記しきい値を超えるか否かを判断することで異常レベルを判定するプロセス監視診断装置。
  2. 　前記モデル構築部は、
    　　前記複数の非日常パターンデータそれぞれに基づき、前記異常検出用データについてのプロセス変数毎の寄与量を算出する第３の定義式を作成する寄与量定義部をさらに有し、
    　前記監視診断部は、
    　　前記クラス分けされたプロセスデータと最も高い適合性の日常パターンデータに対する前記クラス分けされたプロセスデータの乖離度を、前記クラス分けされたプロセスデータと最も高い適合性の非日常パターンデータについて作成された前記第３の定義式に適用することで、前記プロセス変数毎の寄与量を算出する要因分離部をさらに有する請求項１記載のプロセス監視診断装置。
  3. 　前記監視診断部は、寄与量しきい値を超える寄与量のプロセス変数が１個である場合、センサに異常が生じたと推定し、前記寄与量しきい値を超える寄与量のプロセス変数が２個以上である場合、前記対象プロセスに異常が生じたと推定する異常識別部をさらに有する請求項２記載のプロセス監視診断装置。
  4. 　前記識別部は、前記日常パターンデータを、暦に係る複数種類の定義で作成し、前記定義毎の日常パターンデータに基づく非日常パターンデータを作成し、
    　前記異常検出用データ定義部は、前記クラス毎及び前記定義毎に作成された非日常パターンデータ毎に前記第１及び第２の定義式を作成し、
    　前記抽出部は、前記乖離度を、前記クラス毎及び前記定義毎に作成された日常パターンデータ毎に抽出し、
    　前記異常レベル判定部は、前記定義が同一、かつ、前記クラスが異なる複数の乖離度それぞれから算出される異常検出用データとしきい値とを比較し、比較結果に基づいて異常レベルを判定する請求項１記載のプロセス監視診断装置。
  5. 　前記異常識別部は、寄与量しきい値を超える寄与量のプロセス変数が１個である場合、前記異常を生じたセンサによる計測値の代わりに、前記異常を生じたセンサが正常時に計測したデータに基づく値を、前記抽出部へ供給する請求項３記載のプロセス監視診断装置。
  6. 　前記異常レベル判定部において、プロセスデータに異常が発生していないと判定されると、前記異常の発生していないプロセスデータを正常データとして登録する正常データ登録部をさらに具備し、
    　前記異常検出用データ定義部は、前記正常データを用いて前記第１及び第２の定義式を更新する請求項１記載のプロセス監視診断装置。
  7. 　前記識別部は、前記クラス分けされた時系列データに前記正常データを組み込み、前記正常データを組み込んだ時系列データの代表値をロバストに推定することで、前記日常パターンデータを更新する請求項６記載のプロセス監視診断装置。
  8. 　前記異常レベル判定部において、プロセスデータに異常が発生していないと判定されると、前記異常の発生していないプロセスデータを正常データとして登録する正常データ登録部をさらに具備し、
    　前記異常検出用データ定義部は、前記正常データを用いて前記第１及び第２の定義式を更新し、
    　前記寄与量定義部は、前記正常データを用いて前記第３の定義式を更新する請求項２記載のプロセス監視診断装置。
  9. 　前記識別部は、前記クラス分けされた時系列データに前記正常データを組み込み、前記正常データを組み込んだ時系列データの代表値をロバストに推定することで、前記日常パターンデータを更新する請求項８記載のプロセス監視診断装置。
  10. 　前記分類部、前記モデル構築部及び前記監視診断部はクラウドサーバ上に実現される請求項１記載のプロセス監視診断装置。
  11. 　対象プロセスに設置されるセンサにより計測されるプロセスデータを取得するプロセス監視診断装置において、
    　分類部と、識別部、異常検出用データ定義部及び寄与量定義部を有するモデル構築部と、抽出部及び要因分離部を有する監視診断部とを具備し、
    　　前記分類部は、前記対象プロセスが置かれている環境に応じて分類される属性情報を保持し、前記プロセスデータと、予め設定される期間の過去のプロセスデータからなる時系列データとを前記属性情報に基づいてクラス分けし、
    　　前記識別部は、前記クラス分けされた時系列データの代表値をロバストに推定することで日常パターンデータを作成し、前記日常パターンデータに基づいて非日常パターンデータを作成し、
    　　前記異常検出用データ定義部は、前記非日常パターンデータに基づき、異常検出用データを算出する第１の定義式を作成し、
    　　前記寄与量定義部は、前記非日常パターンデータに基づき、前記異常検出用データについてのプロセス変数毎の寄与量を算出する第２の定義式を作成し、
    　　前記抽出部は、前記クラス分けされたプロセスデータの前記日常パターンデータに対する乖離度を抽出し、
    　　前記要因分離部は、前記乖離度を前記第１及び第２の定義式に適用することで、前記プロセス変数毎の寄与量を算出するプロセス監視診断装置。
  12. 　前記監視診断部は、寄与量しきい値を超える寄与量のプロセス変数が１個である場合、センサに異常が生じたと推定し、前記寄与量しきい値を超える寄与量のプロセス変数が２個以上である場合、前記対象プロセスに異常が生じたと推定する異常識別部をさらに有する請求項１１記載のプロセス監視診断装置。
  13. 　前記異常識別部は、寄与量しきい値を超える寄与量のプロセス変数が１個である場合、前記異常を生じたセンサによる計測値の代わりに、前記異常を生じたセンサが正常時に計測したデータに基づく値を、前記抽出部へ供給する請求項１２記載のプロセス監視診断装置。
  14. 　前記分類部、前記モデル構築部及び前記監視診断部はクラウドサーバ上に実現される請求項１１記載のプロセス監視診断装置。
  15. 　対象プロセスに設置されるセンサにより計測されるプロセスデータを取得するプロセス監視診断装置で用いられるプロセス監視診断プログラムにおいて、
    　前記プロセスデータと、予め設定される複数の期間の過去のプロセスデータからなる複数の時系列データとを、前記対象プロセスが置かれている環境に応じて分類される属性情報に基づいてクラス分けする分類処理と、
    　複数のクラスにクラス分けされた前記時系列データのそれぞれの代表値をロバストに推定することで、前記クラス毎の日常パターンデータを作成し、前記クラス毎の日常パターンデータに基づいて非日常パターンデータを作成する識別処理と、
    　前記複数の非日常パターンデータそれぞれに基づき、異常検出用データを算出する第１の定義式と、前記異常検出用データのしきい値を算出する第２の定義式とを作成する定義処理と、
    　前記クラス分けされたプロセスデータの前記複数の日常パターンデータに対する乖離度を抽出する抽出処理と、
    　前記複数の乖離度それぞれを前記第１の定義式に適用することで前記クラス毎に異常検出用データを算出し、前記複数の乖離度それぞれを前記第２の定義式に適用することで前記クラス毎にしきい値を算出し、前記クラス毎に前記異常検出用データが前記しきい値を超えるか否かを判断することで異常レベルを判定する判定処理と
    を前記プロセス監視診断装置のコンピュータに実施させるプロセス監視診断プログラム。
  16. 　対象プロセスに設置されるセンサにより計測されるプロセスデータを取得するプロセス監視診断装置で用いられるプロセス監視診断プログラムにおいて、
    　前記プロセスデータと、予め設定される期間の過去のプロセスデータからなる時系列データとを、前記対象プロセスが置かれている環境に応じて分類される属性情報に基づいてクラス分けする分類処理と、
    　前記クラス分けされた時系列データの代表値をロバストに推定することで日常パターンデータを作成し、前記日常パターンデータに基づいて非日常パターンデータを作成する識別処理と、
    　前記非日常パターンデータに基づき、異常検出用データを算出する第１の定義式を作成する第１の定義処理と、
    　前記非日常パターンデータに基づき、前記異常検出用データについてのプロセス変数毎の寄与量を算出する第２の定義式を作成する第２の定義部と、
    　前記クラス分けされたプロセスデータの前記日常パターンデータに対する乖離度を抽出する抽出処理と、
    　前記乖離度を前記第１及び第２の定義式に適用することで、前記プロセス変数毎の寄与量を算出する要因分離処理と
    を前記プロセス監視診断装置のコンピュータに実施させるプロセス監視診断プログラム。
PCT/JP2013/073998 2012-11-09 2013-09-05 プロセス監視診断装置、プロセス監視診断プログラム WO2014073261A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201380058447.8A CN104781741B (zh) 2012-11-09 2013-09-05 工序监视诊断装置及工序监视诊断程序

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2012247560A JP5996384B2 (ja) 2012-11-09 2012-11-09 プロセス監視診断装置、プロセス監視診断プログラム
JP2012-247560 2012-11-09

Publications (1)

Publication Number Publication Date
WO2014073261A1 true WO2014073261A1 (ja) 2014-05-15

Family

ID=50684378

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2013/073998 WO2014073261A1 (ja) 2012-11-09 2013-09-05 プロセス監視診断装置、プロセス監視診断プログラム

Country Status (3)

Country Link
JP (1) JP5996384B2 (ja)
CN (1) CN104781741B (ja)
WO (1) WO2014073261A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020054850A1 (ja) * 2018-09-14 2020-03-19 株式会社東芝 プロセス監視支援装置、プロセス監視支援システム、プロセス監視支援方法、プロセス監視支援プログラム及び端末装置
CN113377078A (zh) * 2021-04-20 2021-09-10 山东师范大学 一种基于核主成分回归的工业过程故障检测方法及系统

Families Citing this family (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9767671B2 (en) * 2014-11-05 2017-09-19 Intel Corporation System for determining sensor condition
JP6514494B2 (ja) * 2014-11-28 2019-05-15 ローム株式会社 センサネットワークシステムおよびその動作方法
US10719577B2 (en) 2014-12-05 2020-07-21 Nec Corporation System analyzing device, system analyzing method and storage medium
CN104731083B (zh) * 2015-02-03 2017-06-20 浙江大学 一种基于自适应特征提取的工业故障诊断方法及应用
JP6595245B2 (ja) * 2015-07-27 2019-10-23 株式会社東芝 監視システム、情報提供方法及びコンピュータプログラム
JP6148316B2 (ja) * 2015-07-31 2017-06-14 ファナック株式会社 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム
DE102016008987B4 (de) 2015-07-31 2021-09-16 Fanuc Corporation Maschinenlernverfahren und Maschinenlernvorrichtung zum Lernen von Fehlerbedingungen, und Fehlervorhersagevorrichtung und Fehlervorhersagesystem, das die Maschinenlernvorrichtung einschließt
JP6504089B2 (ja) * 2016-03-10 2019-04-24 横河電機株式会社 工程監視装置、工程監視システム、工程監視方法、工程監視プログラム及び記録媒体
JP6140331B1 (ja) 2016-04-08 2017-05-31 ファナック株式会社 主軸または主軸を駆動するモータの故障予知を学習する機械学習装置および機械学習方法、並びに、機械学習装置を備えた故障予知装置および故障予知システム
JP6607821B2 (ja) * 2016-04-12 2019-11-20 株式会社神戸製鋼所 高炉のセンサ故障検知方法及び異常状況の予測方法
EP3482266A1 (en) * 2016-07-07 2019-05-15 Aspen Technology Inc. Computer system and method for monitoring key performance indicators (kpis) online using time series pattern model
CN106371939B (zh) * 2016-09-12 2019-03-22 山东大学 一种时序数据异常检测方法及其系统
JP6888291B2 (ja) * 2016-12-16 2021-06-16 富士電機株式会社 プロセス監視装置、プロセス監視システム及びプログラム
CN110226140B (zh) * 2017-01-25 2023-04-11 Ntn株式会社 状态监视方法及状态监视装置
EP3367261A1 (de) * 2017-02-28 2018-08-29 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Verfahren zum klassifizieren von information und klassifizierungsprozessor
JP6915693B2 (ja) * 2017-10-10 2021-08-04 日本電気株式会社 システム分析方法、システム分析装置、および、プログラム
JP7127304B2 (ja) * 2018-03-12 2022-08-30 株式会社リコー 診断装置、診断方法およびプログラム
JP6763910B2 (ja) * 2018-05-30 2020-09-30 横河電機株式会社 異常検出装置、異常検出方法、異常検出プログラム及び記録媒体
JP6760503B2 (ja) * 2018-08-31 2020-09-23 東芝三菱電機産業システム株式会社 製造プロセス監視装置
JP6615963B1 (ja) * 2018-08-31 2019-12-04 株式会社日立パワーソリューションズ 異常予兆診断装置及び異常予兆診断方法
JP7126256B2 (ja) * 2018-10-30 2022-08-26 国立研究開発法人宇宙航空研究開発機構 異常診断装置、異常診断方法、及びプログラム
DE112019006255T5 (de) 2019-01-21 2021-09-09 Mitsubishi Electric Corporation Anomalieursache-schätzeinrichtung, anomalieursache- schätzverfahren und programm
JP7030072B2 (ja) * 2019-03-14 2022-03-04 株式会社日立製作所 時系列データ監視システム、および時系列データ監視方法
KR20240042121A (ko) * 2019-03-26 2024-04-01 제이에프이 스틸 가부시키가이샤 프로세스 상태 감시 장치 및 프로세스 상태 감시 방법
CN110347561B (zh) * 2019-06-11 2022-12-30 平安科技（深圳）有限公司 监控告警方法及终端设备
JP7357494B2 (ja) * 2019-09-13 2023-10-06 住友重機械工業株式会社 診断システム
JP7398270B2 (ja) 2019-12-23 2023-12-14 株式会社トヨタプロダクションエンジニアリング 送信装置、受信装置、送信方法、受信方法、送信プログラム及び受信プログラム
JP2023520066A (ja) * 2020-03-31 2023-05-15 アーベーベー・シュバイツ・アーゲー 産業用機械学習のためのデータ処理
JP7417732B2 (ja) 2020-06-15 2024-01-18 株式会社日立製作所 自動点検システム及び無線子機
JP7052914B1 (ja) 2021-08-05 2022-04-12 富士電機株式会社 異常診断システム、異常診断装置、異常診断方法、及びプログラム
CN114265390B (zh) * 2021-12-22 2024-02-20 苏州华星光电技术有限公司 设备数据采集诊断方法、装置、服务器及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08241121A (ja) * 1995-03-03 1996-09-17 Toshiba Corp プラント異常検知装置
JP2004303007A (ja) * 2003-03-31 2004-10-28 Mitsubishi Chemicals Corp プロセス監視方法
JP2007065883A (ja) * 2005-08-30 2007-03-15 Toshiba Corp プロセス監視装置及びその方法
JP2012141712A (ja) * 2010-12-28 2012-07-26 Toshiba Corp プロセス監視診断装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4762088B2 (ja) * 2006-08-31 2011-08-31 株式会社東芝 プロセス異常診断装置
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
JP5297272B2 (ja) * 2009-06-11 2013-09-25 株式会社日立製作所 装置異常監視方法及びシステム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08241121A (ja) * 1995-03-03 1996-09-17 Toshiba Corp プラント異常検知装置
JP2004303007A (ja) * 2003-03-31 2004-10-28 Mitsubishi Chemicals Corp プロセス監視方法
JP2007065883A (ja) * 2005-08-30 2007-03-15 Toshiba Corp プロセス監視装置及びその方法
JP2012141712A (ja) * 2010-12-28 2012-07-26 Toshiba Corp プロセス監視診断装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
OSAMU YAMANAKA ET AL.: "Application of Multivariate Statistical Process Control Technique for Efficient and Stable Plant Operation of Wastewater Treatment Process", THE JOURNAL OF THE INSTITUTE OF ELECTRONICS, INFORMATION AND COMMUNICATION ENGINEERS, vol. 94, no. 4, 1 April 2011 (2011-04-01), pages 299 - 304 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020054850A1 (ja) * 2018-09-14 2020-03-19 株式会社東芝 プロセス監視支援装置、プロセス監視支援システム、プロセス監視支援方法、プロセス監視支援プログラム及び端末装置
JP2020046783A (ja) * 2018-09-14 2020-03-26 株式会社東芝 プロセス監視支援装置、プロセス監視支援システム、プロセス監視支援方法、プロセス監視支援プログラム及び端末装置
JP7163117B2 (ja) 2018-09-14 2022-10-31 株式会社東芝 プロセス監視支援装置、プロセス監視支援システム、プロセス監視支援方法及びプロセス監視支援プログラム
CN113377078A (zh) * 2021-04-20 2021-09-10 山东师范大学 一种基于核主成分回归的工业过程故障检测方法及系统
CN113377078B (zh) * 2021-04-20 2023-04-07 山东师范大学 一种基于核主成分回归的工业过程故障检测方法及系统

Also Published As

Publication number Publication date
CN104781741A (zh) 2015-07-15
JP2014096050A (ja) 2014-05-22
JP5996384B2 (ja) 2016-09-21
CN104781741B (zh) 2017-07-04

Similar Documents

Publication Publication Date Title
JP5996384B2 (ja) プロセス監視診断装置、プロセス監視診断プログラム
JP5284433B2 (ja) プロセス監視・診断・支援装置
JP4762088B2 (ja) プロセス異常診断装置
JP6214889B2 (ja) プロセス監視診断装置
JP4468269B2 (ja) プロセス監視装置及びその方法
EP2905665B1 (en) Information processing apparatus, diagnosis method, and program
JP5696171B2 (ja) 制御パラメータ調整方法、制御パラメータ調整システム及び制御パラメータ設定装置
JP2009070071A (ja) 学習型プロセス異常診断装置、およびオペレータ判断推測結果収集装置
JP6862190B2 (ja) プロセス診断装置、プロセス診断方法及びプロセス診断システム
JP4604987B2 (ja) 水処理プラントの運転管理方法および装置
JP2012009064A (ja) 学習型プロセス異常診断装置、およびオペレータ判断推測結果収集装置
CN104793605B (zh) 一种利用正态分布判定设备故障的方法
Corona et al. Monitoring nitrate concentrations in the denitrifying post-filtration unit of a municipal wastewater treatment plant
Zhu et al. Dynamic alarm prediction for critical alarms using a probabilistic model
KR20190082715A (ko) 상관도를 고려한 데이터 분류 방법 및 이 방법을 수행하기 위한 프로그램이 저장된 컴퓨터 판독가능한 저장매체
Krupskii et al. Copula-based monitoring schemes for non-Gaussian multivariate processes
CN109643484B (zh) 在预警系统中考虑外部影响来学习最新数据的方法以及用于该方法的系统
KR101960755B1 (ko) 미취득 전력 데이터 생성 방법 및 장치
JP2024001315A (ja) プロセス監視装置、プロセス監視方法及びプログラム
KR101997580B1 (ko) 상관도를 고려한 데이터 분류 방법 및 이 방법을 수행하기 위한 프로그램이 저장된 컴퓨터 판독가능한 저장매체
CN110426996A (zh) 基于大数据及人工智能的环境污染监测方法
Lee et al. Autoencoder-based detector for distinguishing process anomaly and sensor failure
CN117287640B (zh) 供水风险的预警方法、装置、设备及存储介质
WO2020054850A1 (ja) プロセス監視支援装置、プロセス監視支援システム、プロセス監視支援方法、プロセス監視支援プログラム及び端末装置
Rustum et al. Fault detection in the activated sludge process using the kohonen self-organising map

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: 13852510

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: IDP00201503418

Country of ref document: ID

122 Ep: pct application non-entry in european phase

Ref document number: 13852510

Country of ref document: EP

Kind code of ref document: A1