WO2014207789A1 - 状態監視装置 - Google Patents

状態監視装置 Download PDF

Info

Publication number
WO2014207789A1
WO2014207789A1 PCT/JP2013/067169 JP2013067169W WO2014207789A1 WO 2014207789 A1 WO2014207789 A1 WO 2014207789A1 JP 2013067169 W JP2013067169 W JP 2013067169W WO 2014207789 A1 WO2014207789 A1 WO 2014207789A1
Authority
WO
WIPO (PCT)
Prior art keywords
sensor
unit
data
distribution
diagnosis
Prior art date
Application number
PCT/JP2013/067169
Other languages
English (en)
French (fr)
Inventor
智昭 蛭田
鈴木　英明
藤原　淳輔
内田　貴之
Original Assignee
株式会社 日立製作所
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 株式会社 日立製作所 filed Critical 株式会社 日立製作所
Priority to PCT/JP2013/067169 priority Critical patent/WO2014207789A1/ja
Priority to JP2015523670A priority patent/JP6060261B2/ja
Priority to US14/392,158 priority patent/US20160169771A1/en
Publication of WO2014207789A1 publication Critical patent/WO2014207789A1/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
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M15/00—Testing of engines
    • G01M15/14—Testing gas-turbine engines or jet-propulsion engines
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]

Definitions

  • the present invention relates to a state monitoring device for monitoring the state of a machine.
  • a false alarm is a case where the normal state of the machine is diagnosed as abnormal.
  • Misreporting is a case where an abnormal state of the machine is diagnosed as normal.
  • the diagnosis model is sensor data, a diagnosis method, and determination conditions used for diagnosis.
  • the determination condition includes a threshold value of target sensor data.
  • Patent Document 1 exists as a technique for updating a diagnosis model in order to improve diagnosis accuracy.
  • prior information generation means 51 for generating prior information on the ratio between abnormal data and normal data included in statistical data, and abnormalities in the statistical data using the prior information
  • Process abnormality diagnosis comprising threshold determination means 52 for determining a threshold for determining a state and a normal state, and an abnormality diagnosis means 7 for diagnosing an abnormality of the target process using the threshold and the statistics data
  • this method does not take into account the state of the machine, so the accuracy of diagnosis is low.
  • the state of the machine is divided into a steady state where the machine is moving stably and a transient state before the steady state is reached.
  • the engine is in a transient state that does not operate stably because the engine is not warmed immediately after startup, but becomes steady after a certain period of time.
  • Patent Document 1 is applied to all machine states, there is a possibility that misdiagnosis of diagnosis is increased in a transient state.
  • state separation it is necessary to determine a sensor and its conditions for state separation.
  • a sensor for separating a state and its condition are defined as a state separation condition.
  • This state separation condition is also a part of the diagnostic model. For example, in order to extract the steady state of the engine, a state separation condition in which the temperature sensor of the engine oil is 60 degrees or more is employed. However, in order to determine this condition separation condition, specialized knowledge about the machine is essential. If there is a specialized knowledge of the machine, it is possible to select a sensor for separating the state from many sensors and determine the condition. For this reason, there is a problem that only a machine expert can create a diagnostic model.
  • the present invention has been made to solve the above-described problems, and its purpose is to create a condition for extracting the state of a machine to be diagnosed while reducing the degree of dependence on machine expertise, and to achieve high accuracy.
  • An object of the present invention is to provide a state monitoring apparatus that can create a simple diagnostic model.
  • the present invention provides a state monitoring device for diagnosing a machine abnormality based on machine operation data acquired by a plurality of sensors, wherein the state monitoring device stores a plurality of sensor data of a machine.
  • a sensor data group for a preset time is acquired from a data collection unit to collect and a data storage unit that stores a diagnosis model that is a condition for diagnosing the sensor data and machine abnormality, and diagnosis is performed using the diagnosis model.
  • a diagnosis unit for diagnosing an abnormality of the machine a first distribution creation unit for creating a first distribution in which the frequency of data for each sensor from the sensor data group is tabulated in advance according to the number of bins or the width set from the sensor performance; The sensor data at the time when the diagnosis unit diagnoses the abnormality is extracted from the sensor data group, and the frequency of the data extracted for each sensor is set to the same bin number or width as the first distribution.
  • a second distribution creating unit that creates a second distribution that has been tabulated, a display unit that displays the first distribution and the second distribution for each sensor, and an input for a user to input a new diagnostic model And an update unit for writing the new diagnostic model into the data storage unit.
  • the diagnosis model includes a sensor group used for diagnosis, a diagnosis algorithm used, sensor data for extracting a state of a machine to be diagnosed, and threshold conditions for the sensor data. And a determination condition that is a threshold value of an index representing the degree of abnormality that can be calculated by the diagnostic algorithm.
  • the present invention includes a display preprocessing unit that calculates, for each sensor, different degrees of the first distribution and the second distribution and prioritizes the sensors in descending order of the different degrees.
  • the display unit displays the sensor name or the first distribution and the second distribution in the priority order.
  • the display preprocessing unit calculates an error for each bin of the first distribution and the second distribution, and accumulates errors in ascending order of values corresponding to the bins. A rate is calculated, and the display unit displays a cumulative error rate together with the first distribution and the second distribution.
  • the display preprocessing unit calculates an error for each bin of the first distribution and the second distribution, and accumulates errors in ascending order of values corresponding to the bins. A rate is calculated, the cumulative error rate is compared with a condition set in advance from the performance of the sensor, a value corresponding to a bin corresponding to the condition is used to set the state separation condition of a new diagnostic model, and The state separation condition is displayed on the display unit.
  • the present invention is the state monitoring device, wherein the display unit displays time-series data of the sensor, and highlights and displays a portion corresponding to the state separation condition calculated by the display preprocessing unit. Is.
  • the present invention is characterized in that in the state monitoring device, the display unit displays a diagnosis result of the diagnosis unit when the state separation condition that has been processed by the display preprocessing unit is reflected as a new diagnosis model. is there.
  • the display unit displays time-series data of the sensor, and highlights and displays a portion corresponding to the state separation condition of the new diagnostic model input by the input unit. It is a characteristic.
  • the present invention is characterized in that, in the state monitoring apparatus, the display unit displays a diagnosis result of the diagnosis unit when a new diagnosis model input by the input unit is reflected.
  • the state of the diagnostic model is displayed. Since sensor candidates suitable for the separation conditions can be narrowed down, the accuracy of machine diagnosis can be improved.
  • FIG. 2 is a schematic diagram illustrating a flow of information in the state monitoring system 100.
  • FIG. 1 is a block diagram of a state monitoring system 100.
  • FIG. 3 is a detailed diagram of a storage unit 120 of the state monitoring device 100.
  • FIG. 4 is a flowchart illustrating a processing procedure of a diagnosis unit 130 of the state monitoring device 100. It is a figure which shows the specific example of the data format of the diagnostic result output by the diagnostic part.
  • 5 is a flowchart illustrating a processing procedure of a first distribution creation unit 140 of the state monitoring device 100.
  • 4 is a flowchart illustrating a processing procedure of a second distribution creation unit 150 of the state monitoring device 100.
  • FIG. 4 is a flowchart illustrating a processing procedure of a priority order calculation unit 160 of the state monitoring apparatus 100. It is a figure which shows the specific example of the data format of the process result of the priority order calculation part 160 of the state monitoring apparatus 100.
  • FIG. It is a figure which shows the specific example of the screen 1 of the display part 170 of the state monitoring apparatus. It is a figure which shows the specific example of the screen 2 of the display part 170 of the state monitoring apparatus. It is a figure which shows the specific example of the screen 3 of the display part 170 of the state monitoring apparatus.
  • 4 is a flowchart illustrating a processing procedure of a comparison unit 180 of the state monitoring apparatus 100.
  • 4 is a flowchart illustrating a processing procedure of a learning unit 200 of the state monitoring device 100.
  • 10 is a flowchart illustrating a processing procedure of a modification of the priority order calculation unit 160 of the state monitoring device 100. It is a figure which shows the specific example of the 1st probability distribution calculated by the modification of the priority calculation part 160 of the state monitoring apparatus 100, the 2nd probability distribution, and a cumulative error rate. It is a figure which shows the specific example of the data format of the result calculated in the modification of the priority order calculation part 160 of the state monitoring apparatus 100.
  • FIG. 1 is a diagram illustrating a relationship between an automobile 1000 and a state monitoring system 100.
  • FIG. 2 is a diagram illustrating a relationship between a construction machine 2000 and a state monitoring system 100.
  • FIG. 2 is a diagram illustrating a relationship between a medical device 3000 and a state monitoring system 100.
  • FIG. 1 is a diagram illustrating a relationship between an automobile 1000 and a state monitoring system 100.
  • FIG. 2 is a diagram illustrating a relationship between a construction machine 2000 and a state monitoring system 100.
  • FIG. 2 is a diagram illustrating a relationship between a medical device 3000 and a state monitoring system 100.
  • FIG. 1 is a diagram illustrating a flow of information among the machine 1 to be monitored, the state monitoring device 100, the administrator 2, and the worker 3.
  • the state monitoring device 100 periodically aggregates sensor data of the machine 2 via a wired or wireless communication system (not shown). Various sensors (not shown) are mounted on the machine 1.
  • the manager 2 uses the state monitoring device 100 to monitor the state of the machine remotely from the machine 1. Furthermore, when the state monitoring apparatus 100 diagnoses an abnormality in the machine, the manager 2 contacts the worker 3 at the site of the machine 2 and instructs the maintenance work of the machine 2 to be performed.
  • the state monitoring device 100 has a screen that displays information related to the diagnosis result of the machine 1, and the administrator 2 monitors the state of the machine 1 while viewing this screen. For example, when a phenomenon in which abnormality frequently occurs in the diagnosis result of a specific machine 1, the administrator 2 determines whether or not the diagnosis model is appropriately set by looking at the screen. When the administrator 2 determines that the diagnostic model is not properly set, the administrator 2 sets the diagnostic model of the corresponding machine 1 again via the screen of the state monitoring apparatus 100. Then, the state monitoring apparatus 100 updates the stored diagnostic model to a newly set diagnostic model.
  • FIG. 2 illustrates a detailed configuration of the state monitoring device 100 used in the state monitoring system according to the embodiment of the present invention.
  • the state monitoring apparatus 100 mainly includes a collection unit 110, a storage unit 120, a diagnosis unit 130, a first distribution creation unit 140, a second distribution creation unit 150, a priority calculation unit 160, and a display unit 170.
  • the collection unit 110, the diagnosis unit 130, the first distribution creation unit 140, the second distribution creation unit 150, the priority order calculation unit 160, the comparison unit 180, the update unit 190, and the learning unit 200 are mounted on the state monitoring device 100.
  • Software processing means executed by a microprocessor, RAM, ROM (not shown) or the like.
  • the storage unit 120 is a recording device such as a hard disk or a flash memory.
  • the display unit 170 is a display screen such as a liquid crystal display.
  • the collecting unit 110 is connected to the machine 1 via a wired or wireless communication system (not shown), collects data of various sensors of the machine 1, and writes the data in the storage unit 120.
  • the collection unit 110 collects sensor data at a predetermined timing.
  • the storage unit 120 includes a sensor table (FIG. 3A) that stores sensor data of the machine provided from the collection unit 110, and a diagnostic model table (FIG. 3B) that stores the diagnostic model provided from the learning unit 200. ) And a management table (FIG. 3C) for managing diagnosis. Details of each table will be described below.
  • FIG. 3A shows details of the sensor table.
  • the sensor table is created for each ID (machine ID) for identifying a machine.
  • the machine ID is a unique ID (for example, 001, 002, 003...) Defined in the state monitoring apparatus 100 to identify the machine.
  • FIG. 3A shows an example of a sensor table with a machine ID 001. This sensor table stores the time at which various sensors acquire data and the value for each sensor at that time.
  • FIG. 3B shows details of the diagnostic model table.
  • the diagnostic model table is created for each ID (diagnostic model ID) that identifies the diagnostic model.
  • the diagnosis model ID is a unique ID (for example, M001, M002, M003...) Defined in the state monitoring apparatus 100 to identify the diagnosis model.
  • the 3B shows a diagnostic model whose diagnostic model ID is M001. At least one or more names of sensors used for diagnosis are stored in the used sensor item of the diagnosis model table.
  • the diagnosis model M001 stores sensors A, B, and C as used sensors.
  • the diagnostic model of the diagnostic model M001 assumes the “K-means method” in multivariate analysis using a plurality of sensor data.
  • the K-average method is a data classification method that classifies multivariate data without teaching data. By using this method, each input data is regarded as a point in the multivariate space, and a cluster of data can be found based on the closeness of the Euclidean distance of each point.
  • the state separation condition of the diagnosis model table stores the state separation condition of the diagnosis model.
  • the diagnosis model M001 stores a state separation condition that the sensor D is 100 or more.
  • the state separation condition may be composed of a plurality of sensor data conditions. If there is no state separation condition, “no setting” is stored.
  • the data used as the reference of diagnosis is stored in the item of reference data of the diagnosis model table.
  • the diagnosis model M001 is a diagnosis method in which the data of the sensors A, B, and C are classified into clusters by the “K average method”.
  • the reference data datafile0 stores cluster information calculated in advance from the time-series data of the sensors A, B, and C at normal times. This reference data is provided from the learning unit 200.
  • the determination condition item of the diagnosis model table stores a determination condition for determining an abnormality by comparing the diagnosis data with the reference data.
  • the diagnosis model M001 stores the Euclidean distance condition between the diagnosis data and the cluster. When the Euclidean distance is 5 or more, it is determined as abnormal.
  • FIG. 3B shows details of the management table.
  • the management table includes items of machine ID, learning period, diagnosis period, and diagnosis model ID. A management table is created for each machine ID and diagnostic model ID. By using the management table, the machine and the diagnostic model can be matched.
  • diagnosis period processed by the diagnosis unit 130 and the learning period processed by the learning unit 200 can be referred to in the management table.
  • the manager 2 reviews the management table at a predetermined timing.
  • the diagnosis unit 130 uses the data stored in the storage unit 120 to perform machine abnormality diagnosis for each machine and each diagnosis model.
  • FIG. 4 shows a processing flow of the diagnosis unit 130. This processing flow is executed at a predetermined timing.
  • step S001 a diagnosis period corresponding to the diagnosis target machine ID and diagnosis model ID is acquired from the management table of the storage unit 120.
  • step S002 from the diagnostic model table in the storage unit 120, a use sensor and a sensor with a state separation condition corresponding to the diagnostic model ID to be diagnosed are acquired.
  • step S003 the data of the use sensor acquired in step S002 and the sensor of the state separation condition are acquired from the sensor table of the storage unit 120 for the diagnosis period acquired in step S001 with the machine ID to be diagnosed.
  • step S004 the state separation condition of the diagnosis model ID to be diagnosed is acquired from the sensor table in the storage unit 120, and the state is separated using the sensor data acquired in step S003.
  • the diagnosis model M001 the state is within the diagnosis period (diagnosis period 2012/2/28 00:00:00 to 2012/2/28 23:59:59 in the management table in FIG. 3C).
  • the data of the sensors A, B, and C at the same time when the data of the sensor D that is the separation condition is 100 or more are extracted.
  • step S005 the reference data and determination conditions of the diagnosis model ID to be diagnosed are extracted from the diagnosis model table in the storage unit 120, and the machine abnormality is determined according to the diagnosis method.
  • step S006 the result of step S005 is stored in the temporary storage area, and the process ends.
  • FIG. 5 shows the data format stored in the temporary storage area in step S005.
  • FIG. 5 is created for each machine ID and diagnosis model ID to be diagnosed.
  • FIG. 5 shows a data format of the diagnosis result of the machine ID 001 and the diagnosis model IDM001.
  • the contents of the data format in FIG. 5 are composed of a determination result (denoted as “determination” in FIG.
  • the determination result and sensor data are stored in one record with respect to the time.
  • the determination result is composed of three types of data of 1, 0, and -1.
  • the determination result “1” is the result determined as abnormal in step S005.
  • the determination result “0” in FIG. 5 is a result determined to be normal in step S005.
  • the determination result “ ⁇ 1” in FIG. 5 is data at a time that is state-separated in step S004 and is not input in step S005, and represents a non-diagnosis target.
  • the sensor data (sensor A, sensor B, sensor C in FIG. 5) used for diagnosis stores the sensor data used in the diagnostic model table of the storage unit 120 acquired in step S002 as it is. As described above, the processes in steps S001 to S006 are repeatedly executed for each record of the management table in the storage unit 120.
  • the first distribution creation unit 140 creates a frequency distribution (first frequency distribution) and a probability distribution (first probability distribution) of all sensor data in the diagnosis period for each machine and each diagnosis model.
  • FIG. 6 shows a processing flow of the first distribution creation unit 140.
  • step S201 the time when the diagnosis result is “1” (abnormal) and “0” (normal) is acquired from the diagnosis result (the data format shown in FIG. 5) output by the diagnosis unit 130. At this time, the time when the diagnosis result is “ ⁇ 1” is not acquired because it is not a diagnosis target.
  • the processing of step S203 and step S204 between step S202s and step S202e is repeated until the processing of all the sensors stored in the sensor table of the machine ID to be diagnosed in the storage unit 120 is completed.
  • FIG. 6 ends the processing flow in which all the sensors have been processed.
  • step S203 the sensor selected in step S202s obtains the time data acquired in step S201 from the sensor table of the storage unit 120, and sensor data is calculated in advance in consideration of the performance of various sensors.
  • the aggregation unit is a width for dividing the sensor data by a predetermined number.
  • the frequency of data is tabulated for each tabulation unit. This aggregation result is the first frequency distribution.
  • the existence probability is calculated for each aggregation unit. This probability is obtained by dividing the frequency of the aggregation unit by the total value of the frequencies. This calculation result is the second probability distribution.
  • the aggregated data is written in the temporary storage area.
  • FIG. 8A shows an example of the data format at this time.
  • the data format of FIG. 8A is created for each machine ID and diagnostic model ID, and is a format in which not only the first distribution but also information on the second distribution can be written.
  • the aggregated sensor names are stored.
  • information on the first distribution and the second distribution for all the sensors in the sensor table of the storage unit 120 is stored.
  • the total result of the sensor M is stored.
  • information about the total unit used in step S203 is stored.
  • five aggregation units of the sensor M are defined.
  • Each aggregation unit is 0 or more and less than 100, 100 or more and less than 200, 200 or more and less than 300, 300 or more and less than 400, or 500 or more.
  • information on the first frequency distribution and the first probability distribution collected in step S203 is stored.
  • the second distribution creation unit 150 includes a frequency distribution (second frequency distribution) and a probability distribution (second frequency) of all sensor data at a time when the determination result is “1” (abnormal) for each machine and each diagnostic model. Probability distribution).
  • FIG. 7 shows a processing flow of the second distribution creation unit 150.
  • step S301 the time when the diagnosis result is “1” (abnormal) is acquired from the diagnosis result output by the diagnosis unit 130 (data format shown in FIG. 5). At this time, the time when the diagnosis result is “ ⁇ 1” is not acquired because it is not a diagnosis target.
  • the processes in steps S303 and S304 between step S302s and step S302e are repeated until the processes of all the sensors corresponding to the machine IDs to be diagnosed in the sensor table of the storage unit 120 are completed. When all the sensors have been processed, the processing flow of FIG. 7 is ended.
  • step S303 with the sensor selected in step S302s, the time data acquired in step S301 is acquired from the sensor table of the storage unit 120, and the sensor data is aggregated in the aggregation unit of the first distribution aggregated in step S203.
  • This aggregation result is the second frequency distribution.
  • step S304 the tabulated data is written to the second distribution item in the temporary storage area.
  • the frequency 20 of the sensor M aggregation unit of 0 or more and less than 100 means that there are 20 data of the sensor M that is 0 or more and less than 100 of the abnormal time. ing.
  • the total number of frequencies of the second frequency distribution is smaller than the total number of first frequency distributions. This is because the second frequency distribution sums up the sensor data at the time when it was abnormal.
  • Fig. 8 (b) shows a graph comparing the first probability distribution and the second probability distribution for explanation.
  • FIG. 8 (b) shows the totaling result of the sensor M in the machine ID001 and the diagnostic model IDM001, where the horizontal axis represents the totaling unit and the vertical axis represents the probability.
  • a graph 8b1 represents the first probability distribution, and a graph 8a2 represents the second probability distribution.
  • the second probability distribution represents the probability that a false report exists.
  • the false alarms can be divided into those that are issued in the steady state and those that are issued in the transient state.
  • the first probability distribution and the second probability distribution of all sensor data are considered. If the sensor data is not related to the transient state, the second probability distribution is the same shape as the first probability distribution. On the other hand, when the sensor data is related to a transient state, the second probability distribution and the first probability distribution are different in distribution.
  • FIG. 8B shows shapes in which the first distribution and the second distribution are different, the sensor M is likely to be employed as a sensor for state separation conditions.
  • the administrator 2 determines whether or not the diagnosis result is a false report on the display unit 170.
  • the priority order calculation unit 160 calculates the degree of difference between the first distribution and the second distribution as the fitness level, and gives priority to the sensors in descending order of the fitness level. This process is executed for each machine and each diagnostic model.
  • FIG. 9 shows a processing flow of the priority order calculation unit 160. Steps S402 to S403 sandwiched between steps S401s to S401e are repeated for all sensors. All the sensors are all sensors stored in the data format of FIG. In step S402, the fitness of the first distribution and the second distribution in the data format of FIG. 8A is calculated.
  • the probability of the first probability distribution of the kth aggregation unit is P1k
  • the frequency of the second probability distribution is E2k.
  • E1k M ⁇ P1k
  • step S403 the calculated fitness is written in the data format of the temporary storage area.
  • Fig. 10 shows an example of this data format.
  • the machine ID and diagnosis model ID that are calculated by the priority calculation unit 160 are stored.
  • the sensor item the sensor name processed in step S401s is stored (here, from sensor A to sensor Z).
  • the fitness value calculated in step S402 is stored in the fitness value item.
  • the ranking item stores the result processed in step S404.
  • the priorities are assigned in the descending order of suitability by referring to the suitability of all sensors in the data format of FIG. For example, in the example of FIG. 10, the degree of matching of the sensor M is the highest, so the priority is 1. When all the sensors have been ranked, the process ends.
  • the display unit 170 includes a screen 1 for displaying a diagnosis result to the administrator 2, a screen 2 for updating a diagnostic model, and a screen 3 for assisting in setting a state separation condition by updating the diagnostic model.
  • the screen 1 is a screen for displaying a diagnosis result to the administrator 2. If the manager 2 determines from the machine operation information and site information that there are many misreports in the diagnosis result, the manager 2 inputs a period of the misreport and moves to the diagnostic model update screen 2.
  • FIG. 11 shows an example of the screen 1.
  • the display data 11a displays a diagnosis period, a diagnosis model ID, and a machine ID. In the example of FIG. 11, machine ID001 and diagnostic model IDM001 are shown.
  • the display data 11b displays a value obtained by counting the number of diagnosis results “1” stored in the data format of FIG. In the example of FIG. 11, the number of abnormal cases is 100.
  • the trend data 11f represents the diagnosis results stored in the data format of FIG. 5 and the sensors used for diagnosis.
  • a graph 11f1 at the top of the trend data 11f is a graph representing the diagnostic results 1, 0, and -1 in terms of time.
  • the other graph 11f2 is the trend data of the used sensors.
  • trend data of sensors A, B, and C are displayed.
  • a shaded portion 11f3 of the trend data 11f2 is a time zone extracted under the state separation condition. In the example of FIG.
  • the display data 11c is a box for inputting a target period (misinformation period) when the manager 2 determines that there is a misinformation in the diagnosis period. When the misreporting period is input, the button 11e is displayed. In the display data 11c of FIG.
  • FIG. 12 shows an example of the screen 2.
  • Screen 2 is a screen that assists administrator 2 in updating the diagnostic model.
  • the screen 2 is divided into upper and lower stages, with the upper part representing the diagnostic model before update and the lower part representing the diagnostic model after update.
  • the display data 12a displays the contents of the diagnostic model IDM001 in the diagnostic model table of the storage unit 120 used in the diagnostic unit 130.
  • the display data 12d represents the updated diagnostic model.
  • the administrator 2 can directly input the display data 12d.
  • the contents of the diagnostic model of the display data 12a are copied, and the contents are corrected while referring to the display data 12a.
  • the display data 12b displays the number of abnormal cases in the display data 11b of the erroneous reporting period input on the screen 1 as the number of erroneous reports.
  • the display data 12c displays the display data 11f of the screen 1.
  • the display data 12e displays the number of erroneous reports of the updated diagnostic model.
  • the display data 12e is updated when the display data 12h button is pressed.
  • the number of erroneous reports of the updated diagnostic model is displayed.
  • the updated diagnostic model in FIG. 12 is obtained by adding a condition that the data of the sensor M is 100 or more to the state separation condition of the diagnostic model before the update.
  • the corresponding diagnosis result and the trend of the sensor used are displayed as trend data 12f.
  • the trend data 12f is displayed with the state separation time zone highlighted.
  • the trend data 12f is displayed with emphasis on the time zone in which the sensor D data is 100 or more and the sensor M data is 100 or more.
  • the button 12g is pressed, the screen 3 is displayed.
  • the button 12i is pressed, the updated diagnostic model is confirmed as a new diagnostic model. Information on the confirmed new diagnosis model is provided to the update unit 190.
  • the diagnostic model can be updated while referring to the diagnostic model before the update.
  • Fig. 13 shows an example of screen 3.
  • Screen 3 is a screen that supports the setting of state separation conditions.
  • the display data 13a shows a list of sensors in the descending order of priority of the sensor data in the data format of FIG. By expressing the magnitude of the degree of fitness with a star, it is possible to visually display candidate sensors for the state separation condition.
  • the sensor M is displayed at the head of the display data 13 a because the sensor M has the highest fitness.
  • the display data 13b is a button for displaying a comparison screen 13c of the first distribution and the second distribution of the sensor.
  • the comparison screen 13 c shows the comparison state of the sensor M. This distribution is displayed using the items of the first probability distribution and the second probability distribution in the data format of FIG.
  • the display data 13d is a window for inputting state separation conditions. This is input manually by the administrator 2 while confirming the display data 13a and 13c.
  • FIG. 13 shows a situation in which the administrator 2 inputs a condition of data 100 or more of the sensor M.
  • the input state separation condition is reflected in the updated diagnostic model of the display data 12d on the screen 2, and the screen 2 is returned to.
  • the condition that the data of the sensor M is 100 or more is added as the state separation condition.
  • the button 13f means cancel, and has a function of returning to the screen 2 without doing anything.
  • the comparison unit 180 calculates the number of false alarms in the updated diagnostic model in order to compare the number of false alarms in the diagnostic model before and after updating the screen 2.
  • FIG. 14 shows a processing flow of the comparison unit.
  • step S501 the updated diagnosis model information is provided to the learning unit 200, and the reference data of the diagnosis model is calculated. Details will be described later.
  • step S502 the diagnosis unit 130 makes a diagnosis using the reference data calculated in step S501 and the updated diagnosis model.
  • the diagnosis result is stored in the temporary storage area in the same format as the data format of FIG. 5 and provided to the screen 2 of the display unit 170.
  • the update unit 190 creates new reference data of the diagnostic model using the new diagnostic model received from the screen 2 and the learning unit 200, and uses the diagnostic model of the corresponding diagnostic model ID in the diagnostic model table of the storage unit 120.
  • a function for overwriting the sensor, condition condition, determination condition and reference data is provided.
  • the learning unit 200 creates reference data for a new diagnostic model acquired from the comparison unit 180 or the update unit 190. When acquired from the comparison unit 180, reference data is provided to the comparison unit 180.
  • FIG. 15 shows a processing flow of the learning unit 200.
  • step S601 the learning period of the management table in the storage unit 120 of the target new model is acquired.
  • step S602 the sensor data of the sensor used in the new diagnostic model and the learning period data acquired in step S601 are acquired from the sensor table of the target machine ID in the storage unit 120.
  • step S603 state separation of a new diagnostic model is performed. In this process, similarly to step S004 of FIG. 4, using the sensor and condition of the diagnostic separation condition, the data of the used sensor at the same time that satisfies the condition is extracted.
  • step S604 reference data is calculated based on the employed diagnostic method and provided to the comparison unit 180 or the update unit 190.
  • the described priority order calculation unit 160 it is possible to acquire the sensor and the condition separation condition by using the cumulative error rate of each aggregation unit of the first distribution and the second distribution. This eliminates the need for the administrator 2 to manually set the sensor conditions directly on the screen 3, displays the sensor for separation of the state acquired by the priority calculation unit 160 and the candidate for the condition, and displays the administrator 2 This makes it possible to further reduce the degree of dependence on the expertise of the manager 2.
  • FIG. 16 shows a processing flow of the priority order 160.
  • Steps S702 to S705 sandwiched between steps S701s and S701e execute processing for the sensor of the target machine included in the sensor table of the storage unit 120.
  • the process proceeds to step S706.
  • step S702 the fitness is calculated in the same manner as in step S402 in FIG.
  • step S703 cumulative error rates are calculated in ascending order of sensor values. Specifically, this calculates a cumulative error based on the fitness obtained in step 702.
  • the cumulative error rate Rk of the kth aggregation unit is obtained by the following equation.
  • FIG. 17 shows an example of the first probability distribution and the second probability distribution reflecting the cumulative error rate (the machine 001 and the sensor M of the diagnostic model M001).
  • Graph 17a is the first probability distribution
  • graph 17b is the second probability cloth
  • graph 17c is the cumulative error rate. From this cumulative error rate graph, it is possible to estimate a sensor value from which a difference between the first probability distribution and the second probability distribution tends to occur.
  • step S704 a threshold value of a cumulative error rate set in advance from the reliability of the sensor, for example, 0.9 is used, and a value corresponding to a total unit in which the cumulative error rate exceeds 0.9 is extracted as a state separation condition.
  • the boundary line 17d indicates the boundary of the cumulative error rate 0.9, and the sensor value 17e corresponding to the cumulative error rate 0.9 is adopted as the threshold value of the state separation condition (here, the data of the sensor M is 100 or more).
  • Table 17f is the original data of the graph of the cumulative error rate, and stores the cumulative error rate.
  • step S705 the results from steps S702 to S704 are written in the temporary storage area.
  • FIG. 18 shows an example of a data format to be written at this time.
  • step S706 priorities are assigned according to the items of fitness of the data format in FIG. This process is the same as step S404 in FIG.
  • FIG. 19 further shows an example of the screen 3 of the display unit 170 using the priority order calculation unit 160.
  • a difference from the example of the screen 3 in FIG. 13 is that the threshold of the state separation condition obtained by the priority calculation unit 160 is displayed as the display data 19a (corresponding to 13a in FIG. 13).
  • the manager 2 selects a sensor and a condition for state separation considered to be optimal from the sensor list 19a. When this sensor is selected, the selected state separation sensor name and condition are directly reflected on the state separation condition input screen 19d (corresponding to 13d in FIG. 13).
  • FIG. 19 shows a situation where the sensor M is selected. For this reason, the condition that the data of the sensor M is 100 or more is automatically input to 19d.
  • buttons 19e and 19f in FIG. 19 have the same functions as the buttons 13e and 13f in FIG.
  • the state monitoring apparatus 100 compares and displays the frequency distribution (first distribution) of the sensor data of the machine and the frequency distribution (second distribution) of the sensor data of the machine at the time of abnormality, thereby displaying the state separation.
  • Sensor candidates suitable for the conditions can be narrowed down, so that the degree of dependence on machine expertise can be reduced and diagnostic accuracy can be improved.
  • FIG. 20 shows an outline of the CAN network of the automobile and the state monitoring apparatus 1000.
  • CAN is a controller area network and is a network standard for connecting electronic circuits and devices inside a machine.
  • control information and sensor data information of devices connected to the network flows.
  • An engine 1002, an ABS 1003, a controller 1004, and a data collection unit 1005 are connected to the CAN network 1001 of the automobile 1000 in FIG.
  • the engine 1002 transmits information of sensors attached to the engine to the control controller 1004 via the CAN network.
  • the ABS 1003 is an anti-lock brake system, and activates the anti-lock brake system when receiving a command for operating the anti-lock brake system from the controller 1004 via the CAN network.
  • the control controller 1004 receives sensor data from another device and control information from another control controller (not shown).
  • the automobile is controlled by a plurality of control controllers.
  • the data collection unit 1005 collects control information and sensor data information flowing in the CAN network 1001 at a fixed timing, and accumulates data for a certain period.
  • the collected data is transmitted to the state monitoring apparatus 100 via the data transmission unit 1006.
  • the data transmission unit 1006 and the collection unit 110 of the state monitoring device 100 are connected via a wired or wireless communication system (not shown).
  • 3B are an engine speed sensor (corresponding to sensor A), an engine exhaust temperature sensor (corresponding to sensor B), and fuel consumption. Sensor (corresponding to sensor C). Sensors for the state separation condition are an engine oil temperature sensor (corresponding to sensor D) and an engine coolant temperature sensor (corresponding to sensor M of the updated diagnostic model in FIG. 12).
  • FIG. 21 shows an outline of the construction machine 2000 and the state monitoring device 100.
  • the construction machine 2000 includes a hydraulic pump system 2001, an operation unit 2002, a data collection unit 2003, and a data transmission unit 2004. Each device is connected by a wired network.
  • the construction machine 2000 includes a plurality of devices (not shown) in addition to the hydraulic pump system 2001 and the operation unit 2002.
  • the hydraulic pump system 2001 is controlled according to a command value input from the operation unit 2002.
  • the hydraulic pump system 2001 periodically transmits information of sensors attached to the hydraulic pump system 2001 to the data collection unit 2003.
  • Specific sensor information includes the pump pressure value and the temperature of oil inside the pump.
  • the operation unit 2002 converts information input by the operator of the construction machine 2000 into a command value and transmits the command value to each device.
  • the data collection unit 2003 collects information on devices mounted on the construction machine 2000 at a fixed timing, and accumulates data for a certain period.
  • the collected data is transmitted to the state monitoring apparatus 100 via the data transmission unit 2004.
  • the data transmission unit 2004 and the collection unit 110 of the state monitoring apparatus 100 are connected via a wired or wireless communication system (not shown).
  • the sensor used in the diagnostic model table in FIG. 3B is a pressure value sensor (corresponding to sensor A) of the first hydraulic pump
  • 2 is a pressure value sensor (corresponding to sensor B) of the second hydraulic pump
  • the sensors of the state separation conditions are oil temperature sensors (corresponding to the sensor D) of the hydraulic pump, and command values for operating the hydraulic pump of the operation unit 2002 (corresponding to the updated diagnostic model sensor M in FIG. 12). .
  • FIG. 22 shows an outline of the medical device 3000 and the state monitoring device 100.
  • the medical device 3000 here is, for example, an MRI apparatus.
  • An MRI apparatus is an apparatus that captures an image by applying magnetism to a human body.
  • the medical device 3000 includes a magnetism generator 3001, an operation unit 3002, a data collection unit 3003, and a data transmission unit 3004. Each device is connected by a wired network.
  • the medical device 3000 includes a plurality of devices (not shown) in addition to the magnetism generation unit 3001 and the operation unit 3002.
  • the magnetism generation unit 3001 is controlled according to a command value input from the operation unit 3002.
  • the magnetism generator 3001 is equipped with a sensor that measures the magnitude of magnetism and a vibration sensor that measures the vibration of the magnetism generator.
  • the magnetic idea generation unit 3001 transmits sensor information to the data collection unit 3003.
  • the operation unit 3002 converts information input by the operator of the medical device 3000 into a command value and transmits the command value to each device.
  • the data collection unit 3003 collects information on devices mounted on the medical device 3000 at a fixed timing and accumulates data for a certain period.
  • the collected data is transmitted to the state monitoring apparatus 100 via the data transmission unit 3004.
  • the data transmission unit 3004 and the collection unit 110 of the state monitoring device 100 are connected via a wired or wireless communication system (not shown).
  • the sensor used in the diagnostic model table in FIG. 3B is a magnetic sensor (corresponding to the sensor A) that detects the magnitude of magnetism, and the measured vibration amplitude value is A vibration sensor to detect (corresponding to sensor B) and a vibration sensor (corresponding to sensor C) to detect a specific frequency band for obtaining the intensity of the specific frequency band of the measured vibration data.
  • the sensor of the state separation condition is a magnetic sensor (corresponding to the sensor D) for detecting the magnitude of magnetism, and a command value for operating the medical device 3000 of the operation unit 2002 (corresponding to the sensor M of the updated diagnostic model in FIG. 12). ).
  • the state of the diagnostic model is displayed. Since it is possible to narrow down sensor candidates suitable for the separation conditions, it is possible to improve the accuracy of general machine diagnosis.

Abstract

　状態監視装置は、機械の複数のセンサデータを収集するデータ収集部と、前記センサデータと機械の異常を診断する条件である診断モデルを記憶するデータ記憶部から、予め設定した時間のセンサデータ群を取得し、前記診断モデルを使って、診断機械の異常を診断する診断部と、前記センサデータ群からセンサ毎にデータの頻度を予めセンサの性能から設定したビン数または幅で集計した第１の分布を作成する第１分布作成部と、前記診断部で異常と診断された時刻のセンサデータを前記センサデータ群から抽出し、センサ毎に抽出したデータの頻度を、前記第１の分布と同じビン数または幅を使って集計した第２の分布を作成する第２分布作成部と、センサ毎に前記第１の分布と前記第２の分布を画面に表示する表示部と、ユーザーが新しい診断モデルを入力する入力部と、前記新しい診断モデルを前記データ記憶部に書き込む更新部とを備えることを特徴とする。

Description

状態監視装置
　本発明は、機械の状態を監視するための状態監視装置に関する。
　鉱山等で使用されているショベルやダンプトラック等の作業機械や、発電用のガスタービンなどの社会インフラ向け機械は、１日２４時間稼働することが要求されている。機械の高い稼働率を維持するためには、機械の計画外停止を防がねばならない。このためには、従来の機械の稼働時間に基づいた定期保守から，機械の状態に基づいて予防保全を適切に行う状態監視保守への移行が必要である。状態監視保守を実現するためには、状態監視装置で、機械に設けられた各種センサからセンサデータを収集、分析することで、機械の異常や故障の予兆を診断することが重要である。この状態監視装置の診断の精度を向上させるためには、診断の誤報、失報を抑制するように、技術者が診断モデルを定期的に更新し続けることが重要である。誤報とは、機械の正常な状態を異常と診断したケースである。失報とは、機械の異常な状態を正常と診断したケースである。また診断モデルとは、診断に使用するセンサデータ、診断方式、及び判定条件である。例えば、判定条件とは対象のセンサデータの閾値などがある。
　診断の精度を向上させるために、診断モデルを更新する技術として、例えば、〔特許文献１〕が存在する。〔特許文献１〕には、統計量データに含まれる異常データと正常データとの割合に関する事前情報を生成する事前情報生成手段５１と、前記事前情報を使用して、前記統計量データの異常状態と正常状態の判定を行うための閾値を決定する閾値決定手段５２と、閾値及び前記統計量データを使用して、前記対象プロセスの異常を診断する異常診断手段７とを備えたプロセス異常診断装置が開示されている。
特開２００８―５９２７０号公報
には、判定の閾値を設定する手法が記載されている。しかしこの手法では、機械の状態を考慮していないため、診断の精度は低くなる。機械の状態は、機械が安定して動いている定常状態と、定常状態になる前の過渡状態に分けられる。例えば、エンジンは、起動直後はエンジンが温まっていないため、安定して動作しない過渡状態であるが、一定時間を経過すると定常状態になる。全ての機械の状態を対象に、〔特許文献１〕の手法を適用した場合、過渡状態時に診断の誤報が多くなる可能性がある。
　このため機械の定常状態を、センサデータを使って予め分離して、診断することが精度向上につながる。この機械の定常状態の抽出を状態分離という。状態分離のためには、状態分離をするためのセンサとその条件を決める必要がある。状態分離をするためのセンサとその条件を状態分離条件と定義する。この状態分離条件も診断モデルの一部である。例えば、エンジンの定常状態を抽出するために、エンジンオイルの温度センサが６０度以上という状態分離条件を採用する。しかし、この状態分離条件を決めるためには、機械に関する専門知識が必須である。機械の専門知識があれば、多くのセンサの中から、状態を分離するセンサを選択し、その条件を決めることができる。このため機械の専門家しか、診断モデルの作成を行うことができないという課題がある。
　本発明は、上記した課題を解決するためになされたものであり、その目的は、機械の専門知識の依存度を軽減しながら、診断対象となる機械の状態を抽出する条件を作り、高精度な診断モデルを作成することができる状態監視装置を提供することにある。
　上記目的を達成するため、本発明は、複数のセンサで取得した機械の稼働データに基づいて機械の異常を診断する状態監視装置であって、前記状態監視装置は、機械の複数のセンサデータを収集するデータ収集部と、前記センサデータと機械の異常を診断する条件である診断モデルを記憶するデータ記憶部から、予め設定した時間のセンサデータ群を取得し、前記診断モデルを使って、診断機械の異常を診断する診断部と、前記センサデータ群からセンサ毎にデータの頻度を予めセンサの性能から設定したビン数または幅で集計した第１の分布を作成する第１分布作成部と、前記診断部で異常と診断された時刻のセンサデータを前記センサデータ群から抽出し、センサ毎に抽出したデータの頻度を、前記第１の分布と同じビン数または幅を使って集計した第２の分布を作成する第２分布作成部と、センサ毎に前記第１の分布と前記第２の分布を画面に表示する表示部と、ユーザーが新しい診断モデルを入力する入力部と、前記新しい診断モデルを前記データ記憶部に書き込む更新部とを備えたことを特徴としている。
　更に、本発明は状態監視装置において、前記診断モデルは、診断に使用するセンサ群と、使用する診断アルゴリズムと、診断対象の機械の状態を抽出するセンサデータと前記センサデータの閾値の条件から構成される状態分離条件と、診断アルゴリズムで計算できる異常の度合いを表す指標の閾値である判定条件で構成されることを特徴とするものである。
　更に、本発明は状態監視装置において、前記第１の分布と前記第２の分布の異なる度合いをセンサ毎に計算し、前記異なる度合いの大きい順でセンサに優先順位を付ける表示前処理部を備え、前記表示部では、前記優先順位でセンサ名または前記第１の分布と第２の分布を表示することを特徴とするものである。
　更に、本発明は状態監視装置において、表示前処理部は、前記第１の分布と前記第２の分布のビン毎の誤差を計算し、ビンに対応する値の低い順または大きい順から累積誤差率を計算し、前記表示部では、前記第１の分布と前記第２の分布とともに累積誤差率を表示することと特徴とするものである。
　更に、本発明は状態監視装置において、表示前処理部は、前記第１の分布と前記第２の分布のビン毎の誤差を計算し、ビンに対応する値の低い順または大きい順から累積誤差率を計算し、前記累積誤差率を予めセンサの性能から設定される条件と比較し、前記条件に該当するビンに対応する値を使って、新しい診断モデルの前記状態分離条件を設定し、前記状態分離条件を前記表示部で表示することを特徴とするものである。
　更に、本発明は状態監視装置において、前記表示部は、センサの時系列データを表示し、前記表示前処理部で計算した前記状態分離条件に該当する部分を強調して表示することを特徴するものである。
　更に、本発明は状態監視装置において、前記表示部は、前記表示前処理部した前記状態分離条件を新しい診断モデルとして反映した際の前記診断部の診断結果を表示することを特徴とするものである。
　更に、本発明は状態監視装置において、前記表示部は、センサの時系列データを表示し、前記入力部で入力された新しい診断モデルの前記状態分離条件に該当する部分を強調して表示することを特徴するものである。
　更に、本発明は状態監視装置において、前記表示部は、前記入力部で入力された新しい診断モデルを反映した際の前記診断部の診断結果を表示することを特徴とするものである。
本発明によれば、機械のセンサデータの頻度分布（第１の分布）と、異常時の機械のセンサデータの頻度分布（第２の分布）を比較して表示することで、診断モデルの状態分離条件に相応しいセンサの候補を絞ることができるので機械の診断の精度を向上できる。
状態監視システム１００の情報の流れを表す概略図である。 状態監視システム１００のブロック図である。 状態監視装置１００の記憶部１２０の詳細図である。 状態監視装置１００の診断部１３０の処理手順を示すフローチャートである。 診断部１３０で出力される診断結果のデータフォーマットの具体例を示す図である。 状態監視装置１００の第１分布作成部１４０の処理手順を示すフローチャートである。 状態監視装置１００の第２分布作成部１５０の処理手順を示すフローチャートである。 態監視装置１００の第１分布作成部１４０および第２分布作成部１５０の出力結果のデータフォーマットの具体例を示す図である。 状態監視装置１００の優先順位計算部１６０の処理手順を示すフローチャートである。 状態監視装置１００の優先順位計算部１６０の処理結果のデータフォーマットの具体例を示す図である。 状態監視装置１００の表示部１７０の画面１の具体例を示す図である。 状態監視装置１００の表示部１７０の画面２の具体例を示す図である。 状態監視装置１００の表示部１７０の画面３の具体例を示す図である。 状態監視装置１００の比較部１８０の処理手順を示すフローチャートである。 状態監視装置１００の学習部２００の処理手順を示すフローチャートである。 状態監視装置１００の優先順位計算部１６０の変形例の処理手順を示すフローチャートである。 状態監視装置１００の優先順位計算部１６０の変形例で計算した第１確率分布と第２確率分布と累積誤差率の具体例を示す図である。 状態監視装置１００の優先順位計算部１６０の変形例で計算した結果のデータフォーマットの具体例を示す図である。 状態監視装置１００の表示部１７０の画面３の変形例の具体例を示す図である。 自動車１０００と状態監視システム１００の関係を表す図である。 建設機械２０００と状態監視システム１００の関係を表す図である。 医療機器３０００と状態監視システム１００の関係を表す図である。
　以下、本発明を機械の状態を監視する装置に適用した実施の形態例について、図面を用いて説明する。
　図１は、監視対象となる機械１と状態監視装置１００と管理者２と作業者３の間の情報の流れを示す図である。
　図１に示すように、状態監視装置１００は、有線または無線通信システム（図示せず）を介して機械２のセンサデータを定期的に集計している。機械１には、各種センサ（図示せず）が搭載されている。管理者２は、状態監視装置１００を使って、機械１から遠隔で機械の状態を監視している。さらに、管理者２は、状態監視装置１００が機械の異常を診断したとき、機械２の現場にいる作業者３に連絡して、機械２の保守作業を行うように指示する。
　状態監視装置１００は、機械１の診断結果に関する情報を表示する画面を有しており、管理者２は、この画面を見ながら機械１の状態を監視する。管理者２は、例えば、特定の機械１の診断結果で異常が頻発する現象が起きている場合、診断モデルが適切に設定されているか否かをその画面を見て判断する。管理者２は、診断モデルが適切に設定されていないと判断したとき、状態監視装置１００の画面を介して、該当する機械１の診断モデルを再度設定し直す。そして、状態監視装置１００は、記憶されている診断モデルを、新たに設定した診断モデルに更新する。
　次に、図２に本発明の実施の形態例に係る状態監視システムに用いられる状態監視装置１００の詳細構成を説明する。図２に示すように、状態監視装置１００は、主に収集部１１０、記憶部１２０、診断部１３０、第１分布作成部１４０、第２分布作成部１５０、優先順位計算部１６０、表示部１７０、比較部１８０、更新部１９０、及び学習部２００で構成される。
収集部１１０、診断部１３０、第１分布作成部１４０、第２分布作成部１５０、優先順位計算部１６０、比較部１８０、更新部１９０、及び学習部２００は、状態監視装置１００に搭載されているマイクロプロセッサや、ＲＡＭ、ＲＯＭ(図示せず)などによって実行されるソフトウェア処理手段である。記憶部１２０は、ハードディスク、フラッシュメモリ等の記録装置である。表示部１７０は、液晶ディスプレイなどの表示画面である。
　収集部１１０は、機械１と有線または無線通信システム（図示せず）を介して接続され、機械１の各種センサのデータを収集し、記憶部１２０に書き込む。収集部１１０は、予め決められたタイミングでセンサデータを収集する。
　記憶部１２０は、収集部１１０から提供される機械のセンサデータを格納するセンサテーブル（図３（ａ））、学習部２００から提供される診断モデルを格納する診断モデルテーブル（図３（ｂ））、及び診断を管理する管理テーブル（図３（ｃ））で構成される。以下、各テーブルの詳細について説明する。
　図３（ａ）にセンサテーブルの詳細を示す。センサテーブルは、機械を識別するＩＤ（機械ＩＤ）毎に作られる。機械ＩＤとは、機械を識別するために状態監視装置１００内で定義されたユニークなＩＤ（例えば、００１、００２、００３・・・）である。図３（ａ）には、機械ＩＤ００１のセンサテーブルの例を示している。このセンサテーブルには、各種センサがデータを取得した時刻と、その時のセンサ毎の値が格納されている。
図３（ｂ）に診断モデルテーブルの詳細を示す。診断モデルテーブルは、診断モデルを識別するＩＤ（診断モデルＩＤ）毎に作られる。診断モデルＩＤとは、診断モデルを識別するために状態監視装置１００内で定義されたユニークなＩＤ（例えば、Ｍ００１、Ｍ００２、Ｍ００３・・・）である。図３（ｂ）に示した診断モデルテーブルは、診断モデルＩＤがＭ００１の診断モデルを示している。
診断モデルテーブルの使用センサの項目には、診断に使用されるセンサの名称が少なくとも１つ以上格納されている。診断モデルＭ００１には、使用センサとしてセンサＡ，センサＢ、センサＣが格納されている。診断モデルＭ００１の診断モデルは、複数のセンサデータを用いた多変量解析で「Ｋ平均法」を仮定している。Ｋ平均法は、多変量データを教示データなしで分類するデータ分類方法である。この手法を使用することで、それぞれの入力データを多変量空間における点とみなし、その各点のユークリッド距離の近さを基準としてデータのクラスタを見つけることができる。
診断モデルテーブルの状態分離条件の項目には、診断モデルの状態分離条件が格納されている。診断モデルＭ００１には、センサＤが１００以上という状態分離条件が格納されている。状態分離条件は、複数のセンサデータの条件で構成してもよい。また状態分離条件がない場合は、「設定なし」が格納される。
　診断モデルテーブルの基準データの項目には、診断の基準となるデータが格納されている。診断モデルＭ００１は、センサＡ、センサＢ、センサＣのデータを「Ｋ平均法」でクラスタに分類する診断方式である。このとき基準データのdatafile0には、正常時のセンサＡ，センサＢ、センサＣの時系列データから予め計算したクラスタの情報が格納されている。この基準データは学習部２００から提供される。
　診断モデルテーブルの判定条件の項目には、診断データと基準データを比較して異常と判定する判定条件が格納されている。診断モデルＭ００１は、診断データとクラスタとのユークリッド距離の条件が格納されており、ユークリッド距離が５以上の場合は、異常と判定する。
　図３（ｂ）の診断モデルでは、複数センサを使った「Ｋ平均法」による診断方式を示したが、診断方式はこれに限るものではない。また複数センサではなく、１つのセンサデータと閾値を比較して、異常を判定するモデルでもよい。この場合、基準データの項目は空欄になり、判定条件の項目に閾値を使った判定条件が格納される。
図３（ｃ）に管理テーブルの詳細を示す。管理テーブルは、機械ＩＤ、学習期間、診断期間、診断モデルＩＤの項目で構成される。管理テーブルは、機械ＩＤと診断モデルＩＤ毎に作られる。管理テーブルを使うことで、機械と診断モデルの対応をとることができる。また診断部１３０で処理する診断期間や、学習部２００で処理する学習期間を、管理テーブルで参照できる。管理テーブルは、予め決められたタイミングで管理者２が見直す。
診断部１３０は、記憶部１２０に記憶されたデータを使って、機械毎、診断モデル毎に機械の異常診断を行う。
図４に診断部１３０の処理フローを示す。この処理フローは、予め決められたタイミングで実行される。
ステップＳ００１では、記憶部１２０の管理テーブルから、診断対象の機械ＩＤと診断モデルＩＤに該当する診断期間を取得する。次に、ステップＳ００２では、記憶部１２０の診断モデルテーブルから、診断対象の診断モデルＩＤに対応する使用センサと状態分離条件のセンサを取得する。次に、ステップＳ００３では、記憶部１２０のセンサテーブルから、診断対象の機械ＩＤで、ステップＳ００２で取得した使用センサと状態分離条件のセンサのデータを、ステップＳ００１で取得した診断期間分取得する。次に、ステップＳ００４では、記憶部１２０のセンサテーブルから診断対象の診断モデルＩＤの状態分離条件を取得し、ステップＳ００３で取得したセンサデータを使って状態分離する。具体的には、診断モデルＭ００１の場合、診断期間内（図３（ｃ）の管理テーブルの診断期間２０１２／２／２８　００：００：００～２０１２／２／２８　２３：５９：５９）で状態分離条件であるセンサＤのデータが１００以上となる同時刻の使用センサＡ，Ｂ、Ｃのデータを抽出する。状態分離条件を満たさない使用センサのデータは削除、又は使用しない。
次に、ステップＳ００５では、記憶部１２０の診断モデルテーブルから、診断対象の診断モデルＩＤの基準データと判定条件を抽出し、診断方式に従って、機械の異常を判定する。次に、ステップＳ００６では、ステップＳ００５の結果を一時記憶領域に保存し、処理を終了する。
図５にステップＳ００５の一時記憶領域に記憶されているデータフォーマットを示す。図５は、診断対象の機械ＩＤ、診断モデルＩＤ毎に作られる。図５は、機械ＩＤ００１、診断モデルＩＤＭ００１の診断結果のデータフォーマットを示している。図５のデータフォーマットの中身は、診断対象の時刻と対応する判定結果（図５では判定と記載）と診断に使用したセンサデータ（センサＡ，センサＢ、センサＣ）で構成される。また判定結果とセンサデータは、時刻に対して１レコードで記憶される。また判定結果は、１、０、－１の３種類のデータで構成される。判定結果「１」は、ステップＳ００５で異常と判定した結果である。図５の判定結果「０」は、ステップＳ００５で正常と判定した結果である。図５の判定結果「－１」は、ステップＳ００４で状態分離され、ステップＳ００５に入力されていない時刻のデータであり、診断対象外を表している。また診断に使用したセンサデータ（図５では、センサＡ、センサＢ、センサＣ）は、ステップＳ００２で取得した記憶部１２０の診断モデルテーブルの使用センサデータをそのまま格納する。
以上、ステップＳ００１からＳ００６の処理は、記憶部１２０の管理テーブルの１レコード毎に繰り返し実行される。
　第１分布作成部１４０は、機械毎、診断モデル毎に診断期間の全センサデータの頻度分布（第１頻度分布）と確率分布（第１確率分布）を作成する。
図６に第１分布作成部１４０の処理フローを示す。
　ステップＳ２０１では、診断部１３０で出力した診断結果（図５に示したデータフォーマットは）から、診断結果が「１」（異常）、「０」（正常）の時刻を取得する。このとき診断結果が「―１」となる時刻は、診断対象外のため取得しない。
ステップＳ２０２ｓとステップＳ２０２ｅに挟まれたステップＳ２０３、ステップＳ２０４の処理は、記憶部１２０の診断対象の機械ＩＤのセンサテーブルに格納されている全てのセンサの処理が終わるまで繰り返す。
図６にすべてのセンサの処理を終了した処理フローを終了する。ステップＳ２０３では、ステップＳ２０２ｓで選択されたセンサで、ステップＳ２０１で取得した時刻のデータを記憶部１２０のセンサテーブルから取得し、予め各種センサの性能を考慮して決められた集計単位でセンサデータを集計する。
集計単位とは、センサデータを、決められた数で分割するための幅のことである。この集計単位毎にデータの度数を集計する。この集計結果が第１頻度分布である。また、集計単位毎に存在確率も計算する。この確率は、集計単位の頻度を、頻度の合計値で割ることで求められる。この計算結果が第２確率分布である。
ステップＳ２０４では、集計したデータを一時記憶領域に書き込む。
図８(a)にこのときのデータフォーマットの一例を示す。図８（ａ）のデータフォーマットは、機械ＩＤ、診断モデルＩＤ毎に作られ、第１分布だけでなく、第２分布の情報も書き込めるフォーマットになっている。図８（ａ）のセンサ名の項目には、集計したセンサ名が格納されている。このデータフォーマットには、記憶部１２０のセンサテーブルの全センサ分の第１分布と第２分布の情報が格納される。
そして、この図８（ａ）では、センサＭの集計結果が格納されている。集計幅の項目には、ステップＳ２０３で使用した集計単位の情報が格納されている。ここでは、センサＭの集計単位は５つ定義されている。それぞれの集計単位は、０以上１００未満、１００以上２００未満、２００以上３００未満、３００以上４００未満、５００以上である。第１分布の項目には、ステップＳ２０３で集計した第１頻度分布と第１確率分布の情報が格納されている。例えば、図８(a)の第１頻度分布におけるセンサＭの集計単位０以上１００未満の頻度１０は、センサＭの０以上１００未満であるデータが１０個あることを意味している。さらにこの確率は０．０１３（＝１０／７８０）である。
　第２分布作成部１５０は、機械毎、診断モデル毎に診断期間で判定結果が「１」（異常）であった時刻の全センサデータの頻度分布（第２頻度分布）と確率分布（第２確率分布）を作成する。
　図７に第２分布作成部１５０の処理フローを示す。
　ステップＳ３０１では、診断部１３０で出力した診断結果（データフォーマットは図５に示した）から、診断結果が「１」（異常）の時刻を取得する。このとき診断結果が「―１」となる時刻は、診断対象外のため取得しない。ステップＳ３０２ｓとステップＳ３０２ｅに挟まれた、ステップＳ３０３、ステップＳ３０４の処理は、記憶部１２０のセンサテーブルの診断対象の機械ＩＤに該当する全てのセンサの処理が終わるまで繰り返し処理する。すべてのセンサの処理を終了したら、図７の処理フローを終了する。
ステップＳ３０３では、ステップＳ３０２ｓで選択されたセンサで、ステップＳ３０１で取得した時刻のデータを記憶部１２０のセンサテーブルから取得し、ステップＳ２０３で集計した第１分布の集計単位でセンサデータを集計する。この集計結果が第２頻度分布である。ステップＳ３０４では、集計したデータを一時記憶領域の第２分布の項目に書き込む。例えば、図８の第２頻度分布におけるセンサＭの集計単位０以上１００未満の頻度２０は、異常であった時刻の内、センサＭの０以上１００未満であるデータが２０個あることを意味している。さらにこの確率は０．６２５（＝２０／３２）である。第２頻度分布の頻度の総数は、第１頻度分布の総数よりも小さくなる。これは第２頻度分布が、異常であった時刻のセンサデータを集計しているためである。
　図８（ｂ）に解説のために第１確率分布と第２確率分布を比較したグラフを示す。
　図８（ｂ）は、機械ＩＤ００１、診断モデルＩＤＭ００１におけるセンサＭの集計結果であり、横軸に集計単位、縦軸に確率を表している。グラフ８ｂ１は、第１確率分布を表しており、グラフ８a２は第２確率分布を表している。
　ステップＳ３０１で処理した診断結果が誤報であった場合、第２確率分布は、誤報の存在する確率を表している。誤報は、定常状態時に発報したものと過渡状態に発報したものに分けられるが、ここでは機械の過渡状態に誤報が集中していると仮定する。ここで定常状態と過渡状態を分離するために、全センサデータの第１確率分布と第２確率分布を考える。センサデータが過渡状態と関連なければ、第２確率分布は、第１確率分布と同じ形の分布になる。逆に、センサデータが、過渡状態と関連する場合は、第２確率分布と第１確率分布は異なる形の分布になる。この異なる度合いが高いほど、定常状態と過渡状態を分離するセンサ（状態分離条件のセンサ）として適している可能性が高い。図８（ｂ）は、第１分布と第２分布が異なる形状を示しているため、センサＭは、状態分離条件のセンサとして採用される可能性が高い。診断結果が誤報か否かの判定は、表示部１７０で管理者２が行う。
　優先順位計算部１６０は、第１分布と第２分布の異なる度合いを適合度として計算し、適合度の大きい順にセンサに優先順位を付ける。この処理は、機械毎、診断モデル毎に実行される。
　図９に優先順位計算部１６０の処理フローを示す。ステップＳ４０１ｓからステップＳ４０１ｅに挟まれたステップＳ４０２からＳ４０３を全センサについて繰り返し処理する。この全センサとは、図８（ａ）のデータフォーマットに格納されている全てのセンサである。ステップＳ４０２は、図８（ａ）のデータフォーマットの第１分布と第２分布の適合度を計算する。ｋ番目の集計単位の第１確率分布の確率をＰ１ｋ、第２確率分布の頻度をＥ２ｋとする。また第２頻度分布の和、つまり異常と判定した件数、をＭ（＝ΣＥ２ｋ）とする。異常件数Ｍを仮定した時の第１頻度分布のｋ番目の集計単位の頻度の期待値は、Ｅ１ｋ（＝Ｍ×Ｐ１ｋ）で表現できる。このＥ１ｋとＥ２ｋの差分を使って、以下の式で適合度Ｚを計算する。Σは全ての集計単位ｋの総和を表している。
　　　　　　　Ｚ＝Σ（（Ｅ２ｋ－Ｅ１ｋ）^2 ／Ｅ１ｋ）
　第１確率分布と第２確率分布が同じであるほど、適合度は０に近づき、異なるほど適合度は大きくなる。ステップＳ４０３では、計算した適合度を一時記憶領域のデータフォーマットに書き込む。
　図１０にこのデータフォーマットの一例を示す。図１０のデータフォーマットの機械ＩＤおよび診断モデルＩＤの項目には、優先順位計算部１６０で計算の対象にした機械ＩＤと診断モデルＩＤを格納する。またセンサの項目には、ステップＳ４０１ｓで処理したセンサ名を格納する（ここではセンサＡからセンサＺまでとする）。また適合度の項目には、ステップＳ４０２で計算した適合度の値を格納する。また順位の項目は、ステップＳ４０４で処理した結果を格納する。ステップＳ４０４では、図１０のデータフォーマットの全てのセンサの適合度を参照し、大きな適合度の順に優先順位をつける。例えば、図１０の例では、センサＭの適合度が最も大きいため、優先順位は１となる。全てのセンサの順位をつけ終わったら処理を終了する。
　表示部１７０は、管理者２に診断結果を表示する画面１、診断モデルを更新する画面２、診断モデルの更新で状態分離条件の設定を支援する画面３で構成される。
始めに表示部１７０の画面１の一例を説明する。画面１は、管理者２に診断結果を表示する画面である。また、管理者２が、機械の稼働情報や現場の情報から、診断結果に誤報が多いと判断したら、その誤報がある期間を入力し、診断モデル更新の画面２へ移動する。図１１に画面１の一例を示す。表示データ１１ａは、診断した期間、診断モデルＩＤ，機械ＩＤを表示している。図１１の例では、機械ＩＤ００１、診断モデルＩＤＭ００１を示している。また表示データ１１ｂは、図５のデータフォーマットに格納されている診断結果「１」の数をカウントした値を表示している。図１１の例では、異常件数は１００件である。トレンドデータ１１ｆは、図５のデータフォーマットに格納されている診断結果と、診断に使用した使用センサを表している。トレンドデータ１１ｆの最上位にあるグラフ１１ｆ１は、診断結果の１、０、―１を時間で表したグラフである。他のグラフ１１ｆ２は、使用センサのトレンドデータである。図１１の例では、センサＡ，センサＢ、センサＣのトレンドデータを表示している。トレンドデータ１１ｆ２の網かけの部分１１ｆ３は、状態分離条件で抽出された時間帯である。図１１の例では、状態分離条件がセンサＤのデータが１００以上と定義されているので、センサＤのデータが１００以上の時間帯を、診断した時間帯として強調して表示している。この網かけするか否かは、図５のデータフォーマットの同時刻の診断結果が０または１であるかどうかで判断する。診断結果が０または１であれば、診断対象の期間であるため、トレンドデータのグラフの対象の時間を網かけで強調して表示する。これにより管理者２は、診断対象の時間帯を視覚的に確認することができる。表示データ１１ｃは、管理者２が診断期間に誤報があると判断した時、その対象期間（誤報期間）を入力するボックスである。誤報期間を入力すると、ボタン１１ｅが表示される。図１１の表示データ１１ｃには、誤報期間として、２０１２／２／２８　１０：００：００から２０１２／２／２８　１１：００：００の期間が、管理者２から入力されている。診断モデルを更新したい場合はボタン１１ｅを押し、画面２に移動する。管理者が誤報はないと判断した場合、または、診断モデルを更新しない場合、診断結果の確認が終わった場合は、ボタン１１ｄを押して画面を閉じる。
図１２に画面２の一例を示す。画面２は、管理者２が診断モデルの更新を支援する画面である。画面２は上下段に分けられており、上段が更新前の診断モデル、下段が更新後の診断モデルを表している。表示データ１２ａは、診断部１３０で使用した記憶部１２０の診断モデルテーブルの診断モデルＩＤＭ００１の内容を表示している。一方、表示データ１２ｄは、更新後の診断モデルを表している。管理者２は、表示データ１２ｄを直接入力することができる。始めは、表示データ１２ａの診断モデルの内容をコピーし、表示データ１２ａを参照しながら、その中身を修正する。表示データ１２ｂは、画面１の入力した誤報期間の表示データ１１ｂの異常件数を誤報件数として表示する。表示データ１２ｃは、画面１の表示データ１１ｆを表示する。表示データ１２ｅは、更新した診断モデルの誤報件数を表示する。この表示データ１２ｅの表示の更新は表示データ１２ｈのボタンを押した際に行う。具体的には、更新した診断モデル（表示データ１２ｄに表示もの）の情報を比較部１８０に入力することで、更新した診断モデルの誤報件数を表示する。図１２の更新した診断モデルは、更新前の診断モデルの状態分離条件に、センサＭのデータが１００以上であるという条件を追加したものである。さらに対応した診断結果及び使用センサのトレンドをトレンドデータ１２ｆで表示する。このトレンドデータ１２ｆも画面１のトレンドデータ１１ｆと同様に、状態分離の時間帯を強調して表示する。トレンドデータ１２ｆは、センサＤのデータが１００以上かつセンサＭのデータが１００以上となる時間帯を強調して表示している。ボタン１２ｇを押すと、画面３を表示する。ボタン１２ｉを押すと、更新した診断モデルが新しい診断モデルとして確定される。確定した新しい診断モデルの情報は、更新部１９０へ提供される。以上のように画面２では、更新前の診断モデルを参照しながら、診断モデルの更新作業を行うことができる。
　図１３に画面３の一例を示す。画面３は状態分離条件の設定を支援する画面である。表示データ１３ａは、図１０のデータフォーマットのセンサデータを優先順位の大きい順にセンサのリストを示している。適合度の大きさを星で表すことで、状態分離条件のセンサの候補を視覚的に表示できる。
　図１３では、センサＭの適合度が最大のセンサであるため、表示データ１３ａの先頭にセンサＭが表示されている。表示データ１３ｂは、センサの第１分布と第２分布の比較画面１３ｃを表示するボタンである。図１３では、センサＭのボタン１３ｂが押された状況を表しているため、比較画面１３ｃはセンサＭの比較状態を示す。この分布は、図８（ａ）のデータフォーマットの第１確率分布と第２確率分布の項目を使って表示する。表示データ１３ｄは、状態分離条件を入力するウィンドウである。これは、管理者２が表示データ１３ａ、１３ｃを確認しながら、手入力で入力する。図１３では、管理者２がセンサＭのデータ１００以上の条件を入力した状況を表している。ボタン１３ｅを押すと、入力した状態分離条件を画面２の表示データ１２ｄの更新後の診断モデルに反映し、画面２に戻る。ここでは、センサＭのデータが１００以上の条件が、状態分離条件として追加される。ボタン１３ｆは、キャンセルを意味し、なにもせずに画面２に戻る機能を備える。
比較部１８０は、画面２の更新前と更新後の診断モデルの誤報件数を比較するために、更新後の診断モデルの誤報件数を計算する。
図１４に比較部の処理フローを示す。ステップＳ５０１は、更新後の診断モデルの情報を学習部２００に提供し、診断モデルの基準データを計算する。詳細は後述する。ステップＳ５０２は、ステップＳ５０１で計算した基準データと更新後の診断モデルを使って、診断部１３０で診断する。診断した結果は、図５のデータフォーマットと同じ形式で一時記憶領域に保存し、表示部１７０の画面２に提供する。
更新部１９０は、画面２から受け取った新しい診断モデルと、学習部２００を使って、診断モデルの新しい基準データを作成し、記憶部１２０の診断モデルテーブルの該当する診断モデルＩＤの診断モデルの使用センサ、状態分条件、判定条件および基準データを上書きする機能を備える。
学習部２００は、比較部１８０または更新部１９０から取得した新しい診断モデルの基準データを作る。比較部１８０から取得した場合は、比較部１８０に基準データを提供する。また、更新部１９０から取得した場合は、更新部１９０に基準データを提供する。
図１５に学習部２００の処理フローを示す。ステップＳ６０１は、対象新モデルの記憶部１２０の管理テーブルの学習期間を取得する。次に、ステップＳ６０２は、新しい診断モデルの使用センサのセンサデータでかつ、ステップＳ６０１で取得した学習期間のデータを、記憶部１２０の対象の機械ＩＤのセンサテーブルから取得する。次に、ステップＳ６０３では、新しい診断モデルの状態分離を実施する。この処理は、図４のステップＳ００４と同様に、診断分離条件のセンサと条件を使って、条件を満たす同時刻の使用センサのデータを抽出する。次にステップＳ６０４では、採用している診断方式に基づいて、基準データを計算し、比較部１８０または更新部１９０へ提供する。
　記述した優先順位計算部１６０では、第１分布と第２分布の各集計単位の累積誤差率を用いることで、状態分離条件のセンサと条件を取得することも可能である。これにより、センサの条件を画面３で管理者２が直接手入力で設定する必要がなく、優先順位計算部１６０で取得した状態分離のためのセンサとその条件の候補を表示し、管理者２が選択することで、管理者２の専門知識への依存度をさらに軽減できる。
　図１６に優先順位１６０の処理フローを示す。ステップＳ７０１ｓとＳ７０１ｅに挟まれるステップＳ７０２からＳ７０５は、記憶部１２０のセンサテーブルに含まれる対象機械のセンサについて処理を実行する。全てのセンサの処理を終了したら、ステップＳ７０６に進む。ステップＳ７０２は、図９のステップＳ４０２と同じ手法で適合度を計算する。次にステップＳ７０３は、センサの値の低い順に累積誤差率を計算する。具体的には、これは、ステップ７０２で求めた適合度を基準とした累積誤差を計算する。ｋ番目の集計単位の累積誤差率Ｒｋは、以下の式で求められる。
　Ｒｋ＝Σ（（Ｅ２ｋ－Ｅ１ｋ）^2 ／Ｅ１ｋ）／Ｚ
Σは１番目からｋ番目までの和をとる。これは１番目からｋ番目までの集計単位の適合度の和をステップＳ７０２で求めた適合度で割った値である。図１７に累積誤差率を反映した第１確率分布と第２確率分布の例（機械００１、診断モデルＭ００１のセンサＭ）を示す。グラフ１７ａは、第１確率分布であり、グラフ１７ｂは、第２確率布であり、グラフ１７ｃが累積誤差率である。この累積誤差率のグラフから、第１確率分布と第２確率分布の差が出やすいセンサ値を推測できる。次にステップＳ７０４は、ここではセンサの信頼性から予め設定した累積誤差率の閾値、例えば０．９を使い、累積誤差率が０．９を超える集計単位に対応する値を状態分離条件として抽出する。境界線１７ｄは、累積誤差率０．９の境界を示し、この累積誤差率０．９に対応するセンサ値１７ｅが状態分離条件の閾値（ここではセンサＭのデータが１００以上）として採用される。表１７ｆは、累積誤差率のグラフの元データであり、累積誤差率が格納されている。次にステップＳ７０５は、ステップＳ７０２からＳ７０４までの結果を一時記憶領域に書き込む。
図１８にこのとき書き込むデータフォーマットの一例を示す。図１８のデータフォーマットは、図８のデータフォーマットと比較して、ステップＳ７０４で抽出した状態分離条件の項目が追加されている。ステップＳ７０６では、図１８のデータフォーマットの適合度の項目に従って、優先順位を付ける。この処理は、図９のステップＳ４０４と同じ処理である。
　図１９にさらにこの優先順位計算部１６０を使った表示部１７０の画面３の一例を示す。
図１３の画面３の例と異なる点は、表示データ１９ａ（図１３の１３ａに相当）として、優先順位計算部１６０で求めた状態分離条件の閾値を表示することである。また、管理者２は、センサのリスト１９ａから、最適と考えられる状態分離用のセンサと条件を選択する。このセンサを選択すると、状態分離条件の入力画面１９ｄ（図１３の１３ｄに相当。）に選択した状態分離用のセンサ名と条件がそのまま反映される。
図１９では、センサＭが選択された状況を表している。このため１９ｄには、センサＭのデータが１００以上であるという条件が自動で入力される。また各センサのボタン１９ｂを押すと、グラフの１９ｃが表示される。グラフ１９ｃは、累積寄与率も付加した前述の図１７で示したグラフである。図１９のボタン１９ｅ、１９ｆは、図１３のボタン１３ｅ、１３ｆと同じ機能である。
　以上説明したように、各実施の形態例によれば、次の作用効果を奏する。即ち、状態監視装置１００は、機械のセンサデータの頻度分布（第１の分布）と、異常時の機械のセンサデータの頻度分布（第２の分布）を比較して表示することで、状態分離条件に相応しいセンサの候補を絞ることができるので、機械の専門知識への依存度を軽減して、診断の精度を向上できる。
　なお、上記した実施形態例は、本発明の説明のための例示であり、本発明の範囲をそれらの実施形態例にのみ限定する趣旨ではない。当業者は、本発明の要旨を逸脱することなしに、他の様々な態様で本発明を実施することができる。
　実施形態例の変形例として、機械１として自動車１０００を想定する。図２０は、自動車のCANネットワークと状態監視装置１０００の概要を示している。CANとは、コントローラー・エリア・ネットワークのことであり、機械の内部で、電子回路や各装置を接続するためのネットワーク規格である。CANネットワークには、ネットワークに接続されている機器の制御情報及びセンサデータの情報が流れている。
図２０の自動車１０００のCANネットワーク１００１には、エンジン１００２、ＡＢＳ１００３、制御コントローラ１００４、データ収集部１００５が接続されている。ここでは図示しないが、実際に自動車のCANネットワークには、多くの機器と制御コントローラが接続されている。
エンジン１００２は、エンジンに取り付けられたセンサの情報をCANネットワークを介して、制御コントローラ１００４に送信する。
ＡＢＳ１００３は、アンチロックブレーキシステムであり、制御コントローラ１００４からCANネットワークを介して、アンチロックブレーキシステムを作動させる指令受けた時に、アンチロックブレーキシステムを作動させる。
制御コントローラ１００４は、他の機器からのセンサデータや、図示しない他の制御コントローラからの制御情報を受信する。自動車は、複数の制御コントローラによって制御されている。
データ収集部１００５は、CANネットワーク１００１に流れている制御情報やセンサデータの情報を決まったタイミングで収集し、一定期間データを蓄積する。収集したデータは、データ送信部１００６を介して、状態監視装置１００に送信される。データ送信部１００６と状態監視装置１００の収集部１１０は有線または無線通信システム（図示せず）を介して接続されている。
エンジンの故障を診断する事例を考えた時、図３（ｂ）診断モデルテーブルの使用センサは、エンジン回転数センサ（センサＡに相当）、エンジン排気温度センサ（センサＢに相当）、燃料消費量センサ（センサＣに相当）である。また状態分離条件のセンサは、エンジンオイル温度センサ（センサＤに相当）やエンジンの冷却水温度センサ（図１２の更新後の診断モデルのセンサＭに相当）である。
　なお、上記した実施形態例の変形例は、本発明の説明のための例示であり、本発明の範囲を自動車のエンジンの状態監視にのみ限定する趣旨ではない。
　実施形態例の変形例として、機械１に油圧ポンプを使う機械（例えば、建設機械）を想定する。図２１は、建設機械２０００と状態監視装置１００の概要を示している。建設機械２０００は、油圧ポンプシステム２００１、操作部２００２、データ収集部２００３、データ送信部２００４を搭載している。各機器は、有線のネットワークで接続されている。建設機械２０００は、油圧ポンプシステム２００１、操作部２００２以外にも、図示しない複数の機器で構成されている。
　油圧ポンプシステム２００１は、操作部２００２から入力される指令値に従って制御されている。また油圧ポンプシステム２００１は、定期的に油圧ポンプシステム２００１に取り付けられたセンサの情報をデータ収集部２００３に送信する。具体的なセンサの情報は、ポンプ圧力値や、ポンプ内部の油の温度である。
　操作部２００２は、建設機械２０００のオペレータの入力された情報を指令値に変換して、各機器に送信する。
　データ収集部２００３は、建設機械２０００に搭載されている機器の情報を決まったタイミングで収集し、一定期間データを蓄積する。収集したデータは、データ送信部２００４を介して、状態監視装置１００に送信される。データ送信部２００４と状態監視装置１００の収集部１１０は有線または無線通信システム（図示せず）を介して接続されている。
複数の油圧ポンプを有する油圧ポンプシステムの故障を診断する事例を考えた時、図３（ｂ）診断モデルテーブルの使用センサは、第１の油圧ポンプの圧力値センサ（センサＡに相当）、第２の油圧ポンプの圧力値センサ（センサＢに相当）、第３の油圧ポンプの圧力値センサ（センサＣに相当）である。また状態分離条件のセンサは、油圧ポンプの油の温度センサ（センサＤに相当）、操作部２００２の油圧ポンプを作動させる指令値（図１２の更新後の診断モデルのセンサＭに相当）である。
　なお、上記した実施形態例の変形例は、本発明の説明のための例示であり、本発明の範囲を油圧ポンプシステムの状態監視にのみ限定する趣旨ではない。
　実施形態例の変形例として、機械１に医療機器３０００を想定する。図２２は、医療機器３０００と状態監視装置１００の概要を示している。ここでの医療機器３０００として、例えばＭＲＩ装置が対象となる。ＭＲＩ装置とは、人体に磁気を当てて画像を撮像する装置である。
　医療機器３０００は、磁気発生部３００１、操作部３００２、データ収集部３００３、データ送信部３００４を搭載している。各機器は、有線のネットワークで接続されている。医療機器３０００は、磁気発生部３００１、操作部３００２以外にも、図示しない複数の機器で構成されている。
　磁気発生部３００１は、操作部３００２から入力される指令値に従って制御されている。また磁気発生部３００１は、磁気の大きさを測定するセンサや、磁気発生部の振動を測定する振動センサが搭載されている。磁気発想部３００１は、センサの情報をデータ収集部３００３に送信する。
　操作部３００２は、医療機器３０００のオペレータの入力された情報を指令値に変換して、各機器に送信する。
　データ収集部３００３は、医療機器３０００に搭載されている機器の情報を決まったタイミングで収集し、一定期間データを蓄積する。収集したデータは、データ送信部３００４を介して、状態監視装置１００に送信される。データ送信部３００４と状態監視装置１００の収集部１１０は有線または無線通信システム（図示せず）を介して接続されている。
医療機器３０００の故障を診断する事例を考えた時、図３（ｂ）診断モデルテーブルの使用センサは、磁気の大きさを検出する磁気センサ（センサＡに相当）、測定した振動の振幅値を検出する振動センサ（センサＢに相当）、測定した振動データの特定周波数帯の強度を求める特定周波数帯を検出する振動センサ（センサＣに相当）である。また状態分離条件のセンサは、磁気の大きさを検出する磁気センサ（センサＤに相当）、操作部２００２の医療機器３０００を作動させる指令値（図１２の更新後の診断モデルのセンサＭに相当）である。
　なお、上記した実施形態例の変形例は、本発明の説明のための例示であり、本発明の範囲を医療機器の状態監視にのみ限定する趣旨ではない。
本発明によれば、機械のセンサデータの頻度分布（第１の分布）と、異常時の機械のセンサデータの頻度分布（第２の分布）を比較して表示することで、診断モデルの状態分離条件に相応しいセンサの候補を絞ることができるので、一般的な機械の診断の精度を向上することを実現できる。
　１　機械
２　管理者
３　作業者
　１００　状態監視装置
　１１０　収集部
　１２０　記憶部
　１３０　診断部
　１４０　第１分布作成部
　１５０　第２分布作成部
　１６０　優先順位計算部
　１７０　表示部
　１８０　比較部
　１９０　更新部
　２００　学習部
１０００　自動車
１００１　ＣＡＮネットワーク
１００２　エンジン
１００３　ＡＢＳ
１００４　制御コントローラ
１００５　データ収集部
１００５　データ送信部
２０００　建設機械
２００１　油圧ポンプシステム
２００２　操作部
２００３　データ収集部
２００４　データ送信部
３０００　医療機器
３００２　操作部
３００３　データ収集部
３００４　データ送信部

Claims (9)

  1. 複数のセンサで取得した機械の稼働データに基づいて機械の異常を診断する状態監視装置であって、
    　前記状態監視装置は、機械の複数のセンサデータを収集するデータ収集部と、
    前記センサデータと、機械の異常を診断する条件である診断モデルを記憶するデータ記憶部から、
    予め設定した時間のセンサデータ群を取得し、前記診断モデルを使って、診断機械の異常を診断する診断部と、
    前記センサデータ群からセンサ毎にデータの頻度を予めセンサの性能から設定したビン数または幅で集計した第１の分布を作成する第１分布作成部と、
    前記診断部で異常と診断された時刻のセンサデータを前記センサデータ群から抽出し、センサ毎に抽出したデータの頻度を、前記第１の分布と同じビン数または幅を使って集計した第２の分布を作成する第２分布作成部と、
    センサ毎に前記第１の分布と前記第２の分布を画面に表示する表示部と、
    ユーザーが新しい診断モデルを入力する入力部と、
    前記新しい診断モデルを前記データ記憶部に書き込む更新部を、備えたことを特徴とする状態監視装置。
  2. 請求項１において、
    　前記診断モデルは、診断に使用するセンサ群と、使用する診断アルゴリズムと、診断対象の機械の状態を抽出するセンサデータと前記センサデータの閾値の条件から構成される状態分離条件と、診断アルゴリズムで計算できる異常の度合いを表す指標の閾値である判定条件で構成されることを特徴とする状態監視装置。
  3. 請求項２において、
    　前記状態監視装置は、前記第１の分布と前記第２の分布の異なる度合いをセンサ毎に計算し、前記異なる度合いの大きい順でセンサに優先順位を付ける表示前処理部を備え、前記表示部では、前記優先順位でセンサ名または前記第１の分布と第２の分布を表示することを特徴とする状態監視装置。
  4. 請求項３において、
    表示前処理部は、前記第１の分布と前記第２の分布のビン毎の誤差を計算し、ビンに対応する値の低い順または大きい順から累積誤差率を計算し、前記表示部では、前記第１の分布と前記第２の分布とともに累積誤差率を表示することと特徴とする状態監視装置。
  5. 請求項３において、
    　表示前処理部は、前記第１の分布と前記第２の分布のビン毎の誤差を計算し、ビンに対応する値の低い順または大きい順から累積誤差率を計算し、前記累積誤差率を予めセンサの性能から設定される条件と比較し、前記条件に該当するビンに対応する値を使って、新しい診断モデルの前記状態分離条件を設定し、前記状態分離条件を前記表示部で表示することを特徴とする状態監視装置。
  6. 請求項５において、
    　表示部は、センサの時系列データを表示し、前記表示前処理部で計算した前記状態分離条件に該当する部分を強調して表示することを特徴する状態監視装置。
  7. 請求項５において、
    　表示部は、前記表示前処理部した前記状態分離条件を新しい診断モデルとして反映した際の前記診断部の診断結果を表示することを特徴とする状態監視装置。
  8. 請求項２において、
    　表示部は、センサの時系列データを表示し、前記入力部で入力された新しい診断モデルの前記状態分離条件に該当する部分を強調して表示することを特徴する状態監視装置。
  9. 請求項２において、
    　表示部は、前記入力部で入力された新しい診断モデルを反映した際の前記診断部の診断結果を表示することを特徴とする状態監視装置。
PCT/JP2013/067169 2013-06-24 2013-06-24 状態監視装置 WO2014207789A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
PCT/JP2013/067169 WO2014207789A1 (ja) 2013-06-24 2013-06-24 状態監視装置
JP2015523670A JP6060261B2 (ja) 2013-06-24 2013-06-24 状態監視装置
US14/392,158 US20160169771A1 (en) 2013-06-24 2013-06-24 Condition Monitoring Apparatus

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2013/067169 WO2014207789A1 (ja) 2013-06-24 2013-06-24 状態監視装置

Publications (1)

Publication Number Publication Date
WO2014207789A1 true WO2014207789A1 (ja) 2014-12-31

Family

ID=52141198

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2013/067169 WO2014207789A1 (ja) 2013-06-24 2013-06-24 状態監視装置

Country Status (3)

Country Link
US (1) US20160169771A1 (ja)
JP (1) JP6060261B2 (ja)
WO (1) WO2014207789A1 (ja)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018181114A1 (ja) * 2017-03-29 2018-10-04 三菱重工業株式会社 情報処理装置、情報処理方法、プログラム、通信装置
JP2018160121A (ja) * 2017-03-23 2018-10-11 株式会社日立パワーソリューションズ 異常検知装置
WO2019031799A1 (ko) * 2017-08-11 2019-02-14 ㈜다이매틱스 딥러닝 기반의 인공지능을 이용한 자동차 진단 방법 및 장치
CN109752504A (zh) * 2019-01-25 2019-05-14 西安科技大学 一种工作面瓦斯传感器调校辅助决策方法
WO2019180778A1 (ja) * 2018-03-19 2019-09-26 日本電気株式会社 情報処理装置、情報処理方法及び記録媒体
WO2020021587A1 (ja) * 2018-07-23 2020-01-30 三菱電機株式会社 時系列データ診断装置、追加学習方法およびプログラム
JP2020047016A (ja) * 2018-09-20 2020-03-26 オムロン株式会社 制御装置および制御システム
JP2021096660A (ja) * 2019-12-17 2021-06-24 株式会社東芝 情報処理装置、情報処理方法、およびプログラム
JP7470766B1 (ja) 2022-11-04 2024-04-18 株式会社日立パワーソリューションズ 異常予兆診断装置およびプログラム

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6072246B2 (ja) * 2013-06-21 2017-02-01 日立建機株式会社 建設機械の異常情報制御装置
CN105074759B (zh) * 2013-09-30 2018-12-21 株式会社久保田 作业机的数据收集装置
JP5875726B1 (ja) * 2015-06-22 2016-03-02 株式会社日立パワーソリューションズ 異常予兆診断装置のプリプロセッサ及びその処理方法
JP6705903B2 (ja) * 2016-09-02 2020-06-03 株式会社日立製作所 診断装置、診断方法及び診断プログラム
JP7008173B2 (ja) * 2017-07-18 2022-01-25 パナソニックＩｐマネジメント株式会社 設備要素保守分析システムおよび設備要素保守分析方法
CN109747680B (zh) * 2017-11-03 2021-04-02 株洲中车时代电气股份有限公司 列车牵引系统的状态评估与故障预警方法、装置、设备
JP7013993B2 (ja) * 2018-03-26 2022-02-01 トヨタ自動車株式会社 診断装置及び診断方法
CN109709908B (zh) * 2018-11-19 2020-07-10 华能伊敏煤电有限责任公司 基于电铲数据分析的电铲生产管控方法及系统
JP7229861B2 (ja) * 2019-06-20 2023-02-28 株式会社日立製作所 故障予兆診断装置およびその方法
JP6795231B1 (ja) * 2020-03-09 2020-12-02 金子産業株式会社 電磁弁
CN116662794B (zh) * 2023-08-02 2023-11-10 成都凯天电子股份有限公司 一种考虑数据分布更新的振动异常监测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008059270A (ja) * 2006-08-31 2008-03-13 Toshiba Corp プロセス異常診断装置及びプロセス監視システム
WO2012057001A1 (ja) * 2010-10-28 2012-05-03 株式会社日立製作所 異常診断装置および産業機械
JP2013061853A (ja) * 2011-09-14 2013-04-04 Toshiba Corp プロセス監視・診断・支援装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040199368A1 (en) * 2001-05-24 2004-10-07 Simmonds Precision Products, Inc. Poor data quality identification

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008059270A (ja) * 2006-08-31 2008-03-13 Toshiba Corp プロセス異常診断装置及びプロセス監視システム
WO2012057001A1 (ja) * 2010-10-28 2012-05-03 株式会社日立製作所 異常診断装置および産業機械
JP2013061853A (ja) * 2011-09-14 2013-04-04 Toshiba Corp プロセス監視・診断・支援装置

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018160121A (ja) * 2017-03-23 2018-10-11 株式会社日立パワーソリューションズ 異常検知装置
WO2018181114A1 (ja) * 2017-03-29 2018-10-04 三菱重工業株式会社 情報処理装置、情報処理方法、プログラム、通信装置
JP2018169749A (ja) * 2017-03-29 2018-11-01 三菱重工業株式会社 情報処理装置、情報処理方法、プログラム、通信装置
US10993002B2 (en) 2017-03-29 2021-04-27 Mitsubishi Heavy Industries, Ltd. Information processing device, information processing method, program, and communication device
WO2019031799A1 (ko) * 2017-08-11 2019-02-14 ㈜다이매틱스 딥러닝 기반의 인공지능을 이용한 자동차 진단 방법 및 장치
JPWO2019180778A1 (ja) * 2018-03-19 2021-02-04 日本電気株式会社 情報処理装置、情報処理方法及びプログラム
WO2019180778A1 (ja) * 2018-03-19 2019-09-26 日本電気株式会社 情報処理装置、情報処理方法及び記録媒体
JP7033262B6 (ja) 2018-03-19 2022-04-18 日本電気株式会社 情報処理装置、情報処理方法及びプログラム
JP7033262B2 (ja) 2018-03-19 2022-03-10 日本電気株式会社 情報処理装置、情報処理方法及びプログラム
US11093314B2 (en) 2018-07-23 2021-08-17 Mitsubishi Electric Corporation Time-sequential data diagnosis device, additional learning method, and recording medium
JP6661839B1 (ja) * 2018-07-23 2020-03-11 三菱電機株式会社 時系列データ診断装置、追加学習方法およびプログラム
CN112449696B (zh) * 2018-07-23 2022-04-29 三菱电机株式会社 时序数据诊断装置、追加学习方法及程序
WO2020021587A1 (ja) * 2018-07-23 2020-01-30 三菱電機株式会社 時系列データ診断装置、追加学習方法およびプログラム
CN112449696A (zh) * 2018-07-23 2021-03-05 三菱电机株式会社 时序数据诊断装置、追加学习方法及程序
WO2020059736A1 (ja) * 2018-09-20 2020-03-26 オムロン株式会社 制御装置および制御システム
JP2020047016A (ja) * 2018-09-20 2020-03-26 オムロン株式会社 制御装置および制御システム
JP7151312B2 (ja) 2018-09-20 2022-10-12 オムロン株式会社 制御システム
CN109752504A (zh) * 2019-01-25 2019-05-14 西安科技大学 一种工作面瓦斯传感器调校辅助决策方法
JP2021096660A (ja) * 2019-12-17 2021-06-24 株式会社東芝 情報処理装置、情報処理方法、およびプログラム
JP7335154B2 (ja) 2019-12-17 2023-08-29 株式会社東芝 情報処理装置、情報処理方法、およびプログラム
JP7470766B1 (ja) 2022-11-04 2024-04-18 株式会社日立パワーソリューションズ 異常予兆診断装置およびプログラム

Also Published As

Publication number Publication date
US20160169771A1 (en) 2016-06-16
JPWO2014207789A1 (ja) 2017-02-23
JP6060261B2 (ja) 2017-01-11

Similar Documents

Publication Publication Date Title
JP6060261B2 (ja) 状態監視装置
US10235658B2 (en) Maintenance management device for operating machinery
JP6411769B2 (ja) 状態監視装置
JP5129725B2 (ja) 装置異常診断方法及びシステム
US8275735B2 (en) Diagnostic system
AU2013245998B2 (en) Efficient health management, diagnosis and prognosis of a machine
CN102999038B (zh) 发电设备的诊断装置、以及发电设备的诊断方法
JP5179086B2 (ja) 工業プロセスの監視方法及び監視システム
CN102870057B (zh) 机械设备的诊断装置、诊断方法及诊断程序
JP5416630B2 (ja) 移動体異常判断支援システム
JP6823576B2 (ja) 異常検出システムおよび異常検出方法
US20170261403A1 (en) Abnormality detection procedure development apparatus and abnormality detection procedure development method
US20200026268A1 (en) Control device and diagnosis system
KR102343752B1 (ko) 프로세스 장치에서 전체 프로세스 섹션의 상태를 자동 모니터링하고 측정하는 컴퓨터 실행 방법 및 시스템
AU2023274062A1 (en) System for analyzing machine data
JP7240248B2 (ja) 車両用空調装置の診断装置及び診断方法
CN112449696A (zh) 时序数据诊断装置、追加学习方法及程序
CN112947356A (zh) 控制方法、控制装置、机械装备和记录介质
KR102073810B1 (ko) 머신러닝을 이용하여 함정 추진 장비의 고장을 예측하는 방법 및 시스템
US20220163942A1 (en) Distributed System and Data Transmission Method
US20170038281A1 (en) Method of predicting life of component of machine
CN105116869B (zh) 大型养路机械电气系统故障实时监测诊断方法
US20160210580A1 (en) Method of determining availability and reliability of facility equipment
US20220128987A1 (en) Cluster Based Classification for Time Series Data
JPH10124134A (ja) 診断システム

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: 13888181

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2015523670

Country of ref document: JP

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 14392158

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 13888181

Country of ref document: EP

Kind code of ref document: A1