WO2016195092A1 - 異常検知装置 - Google Patents

異常検知装置 Download PDF

Info

Publication number
WO2016195092A1
WO2016195092A1 PCT/JP2016/066652 JP2016066652W WO2016195092A1 WO 2016195092 A1 WO2016195092 A1 WO 2016195092A1 JP 2016066652 W JP2016066652 W JP 2016066652W WO 2016195092 A1 WO2016195092 A1 WO 2016195092A1
Authority
WO
WIPO (PCT)
Prior art keywords
measurement data
behavior model
prediction
model
abnormality
Prior art date
Application number
PCT/JP2016/066652
Other languages
English (en)
French (fr)
Inventor
和夫 武藤
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 US15/579,462 priority Critical patent/US20180157249A1/en
Priority to JP2017522293A priority patent/JPWO2016195092A1/ja
Publication of WO2016195092A1 publication Critical patent/WO2016195092A1/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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G05B23/0278—Qualitative, e.g. if-then rules; Fuzzy logic; Lookup tables; Symptomatic search; FMEA
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/289—Object oriented databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Automation & Control Theory (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Fuzzy Systems (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Human Computer Interaction (AREA)
  • Social Psychology (AREA)
  • Psychiatry (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Wind Motors (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

【課題】　検知対象の異常の有無および、その原因を推定すること。 【解決手段】　検知対象の種々の状態を計測する一つ以上のセンサと、センサから予測演算用計測データと推定演算用計測データを取得する計測データ取得部と、検知対象の正常時の挙動を表す正常挙動モデルと、様々な原因による異常発生時の検知対象の挙動を表す複数の異常挙動モデルを格納するモデルデータベースと、予測演算用計測データと正常挙動モデルとから、検知対象の正常状態における推定演算用計測データの予測値を計算する正常挙動モデル予測手段と、予測演算用計測データと複数の異常挙動モデルとから、検知対象の様々な原因による異常状態における推定演算用計測データの予測値を計算する異常挙動モデル予測手段と、推定演算用計測データと正常挙動モデル予測手段の予測値及び異常挙動モデル予測手段の予測値を基に検知対象の異常の有無とその原因を推定する異常原因推定手段を有する。

Description

異常検知装置
　本発明は、機械システムを含む検知対象の異常を検知するための異常検知装置に関する。
　風車や建設機械などの機械システムの運用においては、メンテナンスや故障などで機械システムが利用不可能となるダウンタイムを短縮することが重要である。このような理由から、機械システムが健全な状態であるかないかに関わらず、機械システムの運用を中止し、メンテナンスを行う時間基準保全から、機械システムの状態に基づいて適切なメンテナンスを行う状態基準保全が行われるようになっている。
　状態基準保全では、機械システムに設けられた各種センサの値などから、異常の有無を検出し、メンテナンス作業の内容や時期が決定される。しかし、異常の有無は検出できても、その原因が分からない場合、原因究明に時間を要し、ダウンタイムを短縮できないという課題があった。
　これに対して、機械システムに設けられた各種センサの値から異常原因を推定し、推定された原因に対応するプラントの特性モデルによるシミュレーション結果と、センサの値とを比較することにより、異常原因の推定結果の妥当性を検証できる装置が提案されている（特許文献１）。
　また、機械システムに設けられた各種センサの値から正常時の機械システムの挙動を表す予測モデルを構築し、予測モデルによる予測値と、センサ値との誤差の傾向から、異常の有無、異常の原因を推定する装置が提案されている（特許文献２）。
特開平０２－１２９７９６号公報 特開２００５－１４９１３７号公報
　特許文献１の方法では、センサ値を用いて異常原因の推定し、推定された異常原因に対応するプラントの特性モデルを用いたシミュレーションにより、推定された異常原因の妥当性を検証する。この方法では、推定された異常原因が間違っていた時は、もう一度異常原因の推定を行い、再度推定された異常原因に対応する特性モデルを用いてシミュレーションを行う必要が生じる。また、プラントの特性モデルがプラントの挙動を良く表現していない場合は、推定された異常原因の妥当性の検証が正確にできない可能性がある。
　また、特許文献２の方法では、正常時の機械システムの挙動を表す予測モデルを、センサの値から作成するために、正常時の様々な運転条件でのセンサ値を利用しないと、正確な予測モデルを構築することができない。その結果、正常な状態であっても、異常であると判断されてしまうことがある。
　本発明は、このような事情を鑑みて成されたもので、検知対象の異常の有無および、その原因を推定することを目的とする。
　上記課題を解決するために、本発明は、検知対象の種々の状態を計測する一つ以上のセンサと、前記センサの計測による計測データとして、予測演算用計測データと推定演算用計測データを前記センサから取得する計測データ取得部と、前記検知対象の正常時の挙動を表す正常挙動モデルと、様々な原因による異常発生時の前記検知対象の挙動を表す複数の異常挙動モデルを格納するモデルデータベースと、前記計測データ取得部により取得された予測演算用計測データと、前記モデルデータベースに格納された正常挙動モデルとから、前記検知対象の正常状態における推定演算用計測データの予測値を計算する正常挙動モデル予測手段と、前記計測データ取得部により取得された予測演算用計測データと、前記モデルデータベースに格納された複数の異常挙動モデルとから、前記検知対象の様々な原因による異常状態における推定演算用計測データの予測値を計算する異常挙動モデル予測手段と、前記計測データ取得部により取得された推定演算用計測データと、前記正常挙動モデル予測手段の予測値及び前記異常挙動モデル予測手段の予測値を基に前記検知対象の異常の有無とその原因を推定し、この推定結果を出力する異常原因推定手段と、を有することを特徴とする。
　本発明によれば、検知対象の異常の有無および、その原因を推定することができる。
本発明による異常検知装置の第１実施例を示す構成図である。 演算処理部の処理をデータの流れで説明するための構成図である。 風車の概要を説明するための構成図である。 推定結果表示手段の表示画面の構成図である。 本発明による異常検知装置の第２実施例を示す構成図である。 第２実施例における演算処理部の処理をデータの流れで説明するための構成図である。
　次に、本発明を実施するための形態について、適宜図面を参照しながら詳細に説明する。
　（第１実施例）
　図１は、本発明による異常検知装置の第１実施例を示す構成図である。図１において、異常検知装置は、複数の機械システム１０１と、各機械システム１０１に配置される複数のセンサ１０２と、各機械システム１０１に接続される複数の通信部１０３と、各通信部１０３に接続される計測データ取得部１０４と、入力部１０５と、出力部１０６と、演算処理部１０７と、記憶部１０８とから構成される。計測データ取得部１０４と、入力部１０５と、出力部１０６及び記憶部１０８は、それぞれ演算処理部１０７に接続される。なお、各部は、互いにインターネットやイントラネットなどネットワークを介して接続されていても良い。
　各機械システム１０１は、例えば、風車や建設機械などから構成され、各機械システム１０１には、複数のセンサ１０２が取り付けられる。各センサ１０２は、各機械システム１０１を検知対象として、各機械システム１０１の種々の状態を計測する。
　通信部１０３は、通信ケーブルや、無線、インターネットなどの通信手段であり、各センサ１０２で計測された計測データを計測データ取得部１０４に送る。
　計測データ取得部１０４は、各通信部１０３から送られた計測データをアナログデジタル変換し、変換された計測データ（デジタル）を演算処理部１０７に出力するインターフェース（アナログデジタル変換器）として構成される。
　入力部１０５は、キーボード、マウス等の種々の入力装置であり、利用者が本異常検知装置に関してなんらかの情報を入力する際に用いられる。
　出力部１０６は、ディスプレイ装置等の出力デバイスであり、演算処理部１０７による処理の過程や結果、あるいは異常検知装置の利用者のための対話的な処理のための画面を表示する。
　演算処理部１０７は、例えば、ＣＰＵ（Central　Processing　Unit）、メモリ、入出力インターフェース等を有するコンピュータ装置であり、本異常検知装置における情報処理を実行する。メモリには、複数のコンピュータプログラムが格納されている。ＣＰＵが、メモリに格納された各コンピュータプログラムを実行することによって、演算処理部１０７は、正常挙動モデル予測手段１１０、異常挙動モデル予測手段１１１、異常原因推定手段１１２、推定結果表示手段１１３として機能する。
　記憶部１０８は、例えば、ハードディクスなどの記憶手段で構成され、この記憶部１０８には、モデルデータベース１０９などが記憶される。モデルデータベース１０９には、機械システム１０１の正常時の挙動を表す正常挙動モデルと、様々な原因による異常発生時の機械システム１０１の挙動を表す異常挙動モデルが格納されている。
　正常挙動モデル予測手段１１０は、計測データ取得部１０４から得られる計測データの一部（予測演算用計測データ）と、モデルデータベース１０９に保存されている正常挙動モデルを用いて、機械システム１０１の正常状態における計測データの一部（予測演算用計測データと因果関係を有する推定演算用計測データであって、機械システム１０１の運用時における計測データ）の予測値を計算する。
　異常挙動モデル予測手段１１１は、計測データ取得部１０４から得られる計測データの一部（予測演算用計測データ）と、モデルデータベース１０９に保存されている複数の異常挙動モデルを用いて、機械システム１０１の様々な原因による異常状態における計測データの一部（予測演算用計測データと因果関係を有する推定演算用計測データ）の予測値を計算する。
　異常原因推定手段１１２は、計測データ取得部１０４から得られる計測データのうち、正常挙動モデル予測手段１１０と異常挙動モデル予測手段１１１にそれぞれ入力される計測データ（予測演算用計測データ）とは異なる計測データ（推定演算用計測データ）と、正常挙動モデル予測手段１１０の予測値と、異常挙動モデル予測手段１１１の予測値とから、機械システム（検知対象）１０１の異常の有無とその原因を推定する。
　推定結果表示手段１１３は、異常原因推定手段１１２により推定された、機械システム（検知対象）１０１の異常の有無とその原因を、出力部１０６の画面上に表示する。
　図２は、演算処理部の処理をデータの流れで説明するための構成図である。図２において、正常挙動モデル予測手段１１０は、計測データから得られる計測データの内、機械システム１０１の外部環境を表す計測データ（例えば、風速）の一部（予測演算用第１の計測データ）ベクトルXe,in(t)、機械システム１０１の状態を表す計測データ（例えば、風車の回転力、ロータのひずみ）の一部（予測演算用第２の計測データ）ベクトルXs,in(t)から、機械システム１０１の状態を表す計測データの一部（推定演算用計測データ）ベクトルXs,out(t)の正常状態における予測値ベクトルXs t ,out(t)を、正常挙動モデルｇｔを用いて計算する（数１式）。
Figure JPOXMLDOC01-appb-M000001
 　ここで、θtはモデルパラメータである。正常挙動モデルは、ベクトルXe,in(t)とベクトルXs,in(t)、ベクトルXs,out(t)間の物理的関係から導出しても良い。また、機械システム１０１の正常時のシミュレーションを行い、ベクトルXe,in(t)、ベクトルXs,in(t)、ベクトルXs,out(t)の値を計算し、これらの計算結果からシステム同定の技術などを用い正常挙動モデルを構築しても良い（非特許文献１：「足立修一、「制御のための上級システム同定」、東京電機大学出版局」）。
　一方、異常モデル予測手段１１２は、計測データから得られる計測データの内、機械システム１０１の外部環境を表す計測データの一部（予測演算用第１の計測データ）ベクトルXe,in(t)、機械システム１０１の状態を表す計測データの一部（予測演算用第２の計測データ）ベクトルXs,in(t)から、機械システム１０１の状態を表す計測データの一部（推定演算用計測データ）ベクトルXs,out(t)の、様々な原因の異常状態における予測値ベクトルXs fi ,out(t)を、異常挙動モデルｇi fを用いて計算する（数２式）。
Figure JPOXMLDOC01-appb-M000002
 　ここで、添え字iは、i番目の原因の対応する異常挙動モデルであることを示す。また、θi fはモデルパラメータである。異常挙動モデルは、想定される異常原因ごとに作成する。異常挙動モデルは、異常発生時のベクトルXe,in(t)とベクトルXs,in(t)、ベクトルXs,out(t)間の物理的関係から導出しても良いし、機械システム１０１の異常発生時のシミュレーションを行い、ベクトルXe,in(t)、ベクトルXs,in(t)、ベクトルXs,out(t)の値を計算し、これらの計算結果からシステム同定の技術などを用い異常挙動モデルを構築しても良い（非特許文献１）。
　次に、異常原因推定手段１１２は、機械システム１０１の状態を表す計測データの一部（推定演算用計測データ）ベクトルXs,out(t)と、その正常挙動モデルの予測値ベクトルXs t ,out(t)および異常挙動モデルの予測値ベクトルXs fi ,out(t)を用いることにより、機械システム１０１の異常の有無と、異常がある場合は、その原因が何であるかを推定する。例えば、推定演算用計測データベクトルXs,out(t)と最も近い予測値を与えるモデルが、現在の機械システム１０１の状態を表しているモデルであると考え、そのモデルが正常挙動モデルであれば、その機械システム１０１は、正常状態であると判断し、そのモデルが異常挙動モデルであれば、その機械システム１０１は異常状態にあり、その原因は、その異常挙動モデルに対応する異常原因であるとする。
　次に、推定結果表示手段１１３は、異常原因推定手段１１２で推定された、機械システム１０１の異常の有無、および異常である場合は、その原因を少なくとも出力部１０６の画面上に表示する。このことにより、本異常検知装置の利用者は、機械システム１０１の異常の有無と、異常がある場合は、その原因を知ることができる。
　図３は、風車の概要を説明するための構成図である。図３において、風車は、機械システム１０１の一例として、タワー３０１と、タワー３０１の頭部に固定されたナセル３０２と、ナセル３０２に回転自在に固定されたロータ３０３から構成される。タワー３０１とナセル３０２の各部には、加速度センサやＧＰＳ（Global　Positioning　System）など、各部の変位を検出可能なセンサ３０４が設置される。ここでは、風車に取り付けられているｎ個のセンサ３０４の内、ｋ個のセンサの計測値（予測演算用計測データ）から、残りのｎ-ｋ個のセンサの計測値（推定演算用計測データ）を予測し、この予測値が正常モデルもしくはいずれかの異常モデルと最も適合するかを判定し、風車の状態を検知する。なお、本適用事例では風車の外部環境のデータは用いないが、風車の外部環境のデータ（例えば、風速、波の高さ）を用いることもできる。以下、処理の流れを説明する。
　まず、正常挙動モデル予測手段１１０は、センサ３０４から得られる各部の変位のデータベクトルX1(t),ベクトルX2(t),…,ベクトルXn(t)とした時、この一部のデータ（予測演算用計測データ）ベクトルX1(t),ベクトルX2(t),…,ベクトルXk(t)から、風車が正常に稼動していると仮定した場合の残りのデータ（推定演算用計測データ）ベクトルXk+1(t),ベクトルX2(t),…,ベクトルXn(t)の予測値ベクトルXk+1 t(t),ベクトルXk+2 t(t),…,ベクトルXn t(t)を、正常挙動モデルｇｔを用いて計算する（数３式）。
Figure JPOXMLDOC01-appb-M000003
 　ここで、θｔはモデルパラメータである。正常挙動モデルｇｔは、例えば有限要素法に基づき、風車のタワー３０１、ナセル３０２、ロータ（ブレード）３０３を梁要素によりモデル化し、ベクトルX1(t),ベクトルX2(t),…,ベクトルXk(t)とベクトルXk+1(t),ベクトルX2(t),…,ベクトルXn(t)間の動的関係式を導出することにより得られる（非特許文献２：「ファムバンフック、石原孟、「セミサブ浮体洋上風力発電システムの動的応答予測モデルの開発と実験による検証」、土木学会論文集A、Vol.65,No3,601-617,2009.7」）。
　同時に異常挙動モデル予測手段１１１は、センサ３０４から得られる各部分の変位のデータベクトルX1(t),ベクトルX2(t),…,ベクトルXn(t)の内、一部のデータ（予測演算用計測データ）ベクトルX1(t),ベクトルX2(t),…,ベクトルXk(t)から、風車がある原因で故障していると仮定した時の残りのデータ（推定演算用計測データ）ベクトルXk+1(t),ベクトルX2(t),…,ベクトルXn(t)の予測値ベクトルXk+1 fi(t),ベクトルXk+2 fi(t),…,ベクトルXn fi(t)を、異常挙動モデルｇi fを用いて計算する（数４式）。
Figure JPOXMLDOC01-appb-M000004
 　ここで、θi fは、モデルパラメータである。異常挙動モデルとしては、例えば、風車ナセル内に格納されている発電機のギアボックスが破損した際の風車の挙動を表すモデルｇ1 fや、タワー３０１の接続部のボルト等が破損もしくは緩んだ時の風車の挙動を表すモデルｇ2 fなどをあらかじめ用意する。なお、異常挙動ｇi fモデルも、ギアボックスが破損した場合の状態や、タワー３０１の接続部のボルトが破損もしくは緩んだ状態を、例えば、有限要素法に基づき、風車のタワー３０１、ナセル３０４、ロータ（ブレード）３０３を梁要素によりモデル化し、ベクトルX1(t),ベクトルX2(t),…,ベクトルXk(t)とベクトルXk+1(t),ベクトルX2(t),…,ベクトルXn(t)間の動的関係式を導出することにより得られる（非特許文献２）。
　次に、異常原因推定手段１１２は、正常挙動モデルの予測値ベクトルXk+1 t(t),ベクトルXk+2 t(t),…,ベクトルXn t(t)異常挙動モデルｇ1 fの予測値ベクトルXk+1 f1(t),ベクトルXk+2 f1(t),…,ベクトルXn f1(t)異常挙動モデルｇ2 fの予測値ベクトルXk+1 f2(t),ベクトルXk+2 f2(t),…,ベクトルXn f2(t)と、センサ３０４により計測されたベクトルXk+1(t),ベクトルXk+2,…,ベクトルXn(t)の値を比較することにより、機械システム１０１の異常の有無、その原因を推定する。例えば、以下の（数５式）～（数７式）を用いて、ベクトルXk+1(t),ベクトルXk+2(t),…,ベクトルXn(t)とベクトルXk+1 t(t),ベクトルXk+2 t(t),…,ベクトルXn t(t)、ベクトルXk+1 f1(t),ベクトルXk+2 f1(t),…,ベクトルXn f1(t)、ベクトルXk+1 f2(t),ベクトルXk+2 f2(t),…,ベクトルXn f2(t)との差の時刻ｔｃ－Ｔから時刻ｔｃまでの積分値ｅt(tc)、ｅ1 f(tc)、ｅ2 f(tc)を計算する。
Figure JPOXMLDOC01-appb-M000005
Figure JPOXMLDOC01-appb-M000006
Figure JPOXMLDOC01-appb-M000007
 　ここで、
Figure JPOXMLDOC01-appb-M000008
Figure JPOXMLDOC01-appb-M000009
Figure JPOXMLDOC01-appb-M000010
Figure JPOXMLDOC01-appb-M000011
 　である。またベクトルの大きさはベクトルXのノルムを表している。この時、積分値ｅt(tc)が最も小さい場合は、風車は正常状態であると判断される。一方、積分値ｅ1 f(tc)が最も小さい場合は、風車は異常状態であり、その理由はギアボックスの故障であると推定される。また、積分値ｅ2 f(tc)が最も小さい場合は、風車は異常状態であり、その理由はタワーの接続部のボルト等が破損もしくは緩んでいるためだと推定される。
　次に、推定結果表示手段１１３は、異常原因推定手段１１２で推定された、風車の異常の有無と、異常がある場合はその原因を、出力部１０６の画面上に表示する。
　図４は、推定結果表示手段の表示画面の構成図である。図４において、推定結果表示手段１１３の表示画面４０１は、状態表示領域４０２と、モデル表示領域４０３から構成される。状態表示領域４０２には、検知対象の異常の有無として、例えば、風車の異常の有無が表示される。この際、風車が正常である場合、「正常」が表示され、風車が異常である場合、「異常」が表示される。
　モデル表示領域４０３は、Ｎｏ．４０４と、モデル名４０５と、誤差４０６と、時系列データ４０７から構成される。Ｎｏ．４０４には、風車の異常検知に採用された正常挙動モデル又は異常挙動モデルの番号が表示される。モデル名４０５には、風車の異常検知に採用された正常挙動モデル又は異常挙動モデルの名称が表示される。モデル名４０５に異常挙動モデルの名称が表示される場合、風車の異常原因の情報も表示される。誤差４０６には、計測データ（推定演算用計測データ）と各モデルの予測値（正常挙動モデル予測手段１１０の予測値又は異常挙動モデル予測手段１１１の予測値）との誤差が表示される。この際、各モデルの誤差のうち正常挙動モデルの誤差が最小である場合、状態表示領域４０２には、「正常」が表示される。一方、各モデルのうち、ある異常挙動モデルの誤差が最小である場合、例えば、Ｎｏ．２の異常挙動モデル（ギアボックス破損の異常挙動モデルとして採用されたモデル）の誤差が最小である場合、状態表示領域４０２には、「異常」が表示される。この場合、モデル名４０５に、異常原因として、「ギアボックス破損」が表示される。時系列データ４０７には、風車の異常検知に採用された正常挙動モデル又は異常挙動モデルの予測値と計測データ（推定演算用計測データ）の時系列データが表示される。
　本実施例によれば、検知対象である機械システム１０１又は風車の異常の有無だけでなく、その原因も同時に推定することができ、結果として、原因究明に時間を要することなく、機械システム１０１又は風車のメンテナンスができると共に、機械システム１０１又は風車のダウンタイムを短縮することができる。
　（第２実施例）
　本実施例では、正常挙動モデル、異常挙動モデルを用いて、検知対象の異常の有無と、その原因を推定するのと同時に、正常挙動モデル、異常挙動モデルのモデルパラメータを、計測データを基に調整する異常検知装置の例を説明する。これにより、より高精度で、検知対象の異常の有無と、その原因を推定することができる。
　図５は、本発明による異常検知装置の第２実施例を示す構成図である。なお、本実施例における異常検知装置は、演算処理部１０７にモデルパラメータ調整手段５０１を追加したものであって、他の構成は、第１実施例と同様であり、第１実施例と同一の符号が付された構成と、同一の機能を有する部分については、説明を省略する。
　演算処理部１０７は、正常挙動モデル予測手段１１０、異常挙動モデル予測手段１１１、異常原因推定手段１１２、推定結果表示手段１１３、モデルパラメータ調整手段５０１から構成される。この際、演算処理部１０７は、ＣＰＵが、メモリに格納された各コンピュータプログラムを実行することによって、正常挙動モデル予測手段１１０、異常挙動モデル予測手段１１１、異常原因推定手段１１２、推定結果表示手段１１３、モデルパラメータ調整手段５０１として機能する。
　モデルパラメータ調整手段５０１は、正常挙動モデル、異常挙動モデルのモデルパラメータを計測データに基づき調整し、正常挙動モデル、異常挙動モデルの推定の精度を向上させる。例えば、モデルパラメータ調整手段５０１は、正常挙動モデル予測手段１１０で用いられる正常挙動モデルのモデルパラメータを、計測データ取得部１０４により取得された計測データ（予測演算用計測データ及び推定演算用計測データ）と正常挙動モデル予測手段１１０の予測値との差が最小となるように調整し、異常挙動モデル予測手段１１１で用いられる異常挙動モデルのモデルパラメータを、計測データ取得部１０４により取得された計測データ（予測演算用計測データ及び推定演算用計測データ）と異常挙動モデル予測手段１１１の予測値との差が最小となるように調整する。
　図６は、第２実施例における演算処理部の処理をデータの流れで説明するための構成図である。なお、本実施例では、第１実施例と同一の符号が付された構成と、同一の機能を有する部分については、説明を省略する。
　モデルパラメータ調整手段５０１は、計測データ取得部１０４で取得された計測データから、正常挙動モデルのモデルパラメータθt、異常挙動モデルのパラメータθi fを調整する。具体的には、計測データとの差の時刻ｔｃ－Ｔから時刻ｔｃまでの積分値が、異常原因推定手段１１２により最も小さいと判定された正常挙動モデル、もしくは異常挙動モデルのモデルパラメータを、正常挙動モデル予測値又は異常挙動モデル予測値と計測データとの差が最小になるように調整する。
　この際、モデルパラメータは、正常挙動モデル、異常挙動モデルの種類によって、逐次最小二乗法（非特許文献１）、アンサンブルカルマンフィルタ（非特許文献３：「樋口知之、「データ同化入門」、朝倉書店」）などの手法を用いて修正される。例えば、図３に示す風車の事例では、有限要素モデルで表現された正常挙動モデルや異常挙動モデルの、タワー３０１の部材のヤング率や減衰係数などのパラメータが調整される。
　本実施例によれば、正常挙動モデルのモデルパラメータを、計測データと正常挙動モデル予測手段１１０の予測値との差が最小となるように調整し、異常挙動モデルのモデルパラメータを、計測データと異常挙動モデル予測手段１１１の予測値との差が最小となるように調整するようにしたので、より高精度で、検知対象の異常の有無と、その原因を推定することができる。
　なお、本発明は上記した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、出力部１０６と推定結果表示手段１１３を一体化することもできる。上記した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。また、各実施例の構成の一部について、他の構成の追加・削除・置換をすることが可能である。
　また、上記の各構成、機能等は、それらの一部又は全部を、例えば、集積回路で設計する等によりハードウェアで実現してもよい。また、上記の各構成、機能等は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリや、ハードディスク、ＳＳＤ（Solid State Drive）等の記録装置、または、ＩＣ（Integrated Circuit）カード、ＳＤ（Secure Digital）メモリカード、ＤＶＤ（Digital Versatile Disc）等の記録媒体に記録して置くことができる。
　101　機械システム、102　センサ、103　通信部、104　計測データ取得部、105　入力部、106　出力部、107　演算処理部、108　記憶部、109　モデルデータベース、110　正常挙動モデル予測手段、111　異常挙動モデル予測手段、112　異常原因推定手段、113　推定結果表示手段、501　モデルパラメータ調整手段。

Claims (5)

  1. 　検知対象の種々の状態を計測する一つ以上のセンサと、
    　前記センサの計測による計測データとして、予測演算用計測データと推定演算用計測データを前記センサから取得する計測データ取得部と、
    　前記検知対象の正常時の挙動を表す正常挙動モデルと、様々な原因による異常発生時の前記検知対象の挙動を表す複数の異常挙動モデルを格納するモデルデータベースと、
    　前記計測データ取得部により取得された予測演算用計測データと、前記モデルデータベースに格納された正常挙動モデルとから、前記検知対象の正常状態における推定演算用計測データの予測値を計算する正常挙動モデル予測手段と、
    　前記計測データ取得部により取得された予測演算用計測データと、前記モデルデータベースに格納された複数の異常挙動モデルとから、前記検知対象の様々な原因による異常状態における推定演算用計測データの予測値を計算する異常挙動モデル予測手段と、
    　前記計測データ取得部により取得された推定演算用計測データと、前記正常挙動モデル予測手段の予測値及び前記異常挙動モデル予測手段の予測値を基に前記検知対象の異常の有無とその原因を推定し、この推定結果を出力する異常原因推定手段と、を有することを特徴とする異常検知装置。
  2. 　請求項１に記載の異常検知装置であって、
    　前記異常原因推定手段の推定結果を表示する推定結果表示手段を有することを特徴とする異常検知装置。
  3. 　請求項１に記載の異常検知装置であって、
    　前記正常挙動モデル予測手段で用いられる前記正常挙動モデルのモデルパラメータを、前記計測データ取得部により取得された予測演算用計測データ及び推定演算用計測データと前記正常挙動モデル予測手段の予測値との差を最小となるように調整し、前記異常挙動モデル予測手段で用いられる前記異常挙動モデルのモデルパラメータを、前記計測データ取得部により取得された予測演算用計測データ及び推定演算用計測データと前記異常挙動モデル予測手段の予測値との差を最小となるように調整するモデルパラメータ調整手段を有することを特徴とする異常検知装置。
  4. 　請求項１、２又は３のうちいずれか１項に記載の異常検知装置であって、
    　前記計測データ取得部により取得された予測演算用計測データは、前記検知対象の外部環境を表す計測データと、前記検知対象の状態を表す計測データであり、
    　前記計測データ取得部により取得された推定演算用計測データは、前記予測演算用計測データのうち前記検知対象の状態を表す計測データと因果関係を有する計測データであることを特徴とする異常検知装置。
  5. 　請求項１、２又は３のうちいずれか１項に記載の異常検知装置であって、
    　前記異常原因推定手段は、
    　前記計測データ取得部により取得された推定演算用計測データと、前記正常挙動モデル予測手段の予測値との差、及び前記推定演算用計測データと前記異常挙動モデル予測手段の予測値との差のうち、前記推定演算用計測データと前記異常挙動モデル予測手段の予測値との差が最小である場合、当該異常挙動モデル予測手段の予測値の計算に採用された異常挙動モデルから、前記検知対象の異常原因を推定することを特徴とする異常検知装置。
PCT/JP2016/066652 2015-06-05 2016-06-03 異常検知装置 WO2016195092A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US15/579,462 US20180157249A1 (en) 2015-06-05 2016-06-03 Abnormality Detecting Apparatus
JP2017522293A JPWO2016195092A1 (ja) 2015-06-05 2016-06-03 異常検知装置

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2015115009 2015-06-05
JP2015-115009 2015-06-05

Publications (1)

Publication Number Publication Date
WO2016195092A1 true WO2016195092A1 (ja) 2016-12-08

Family

ID=57441351

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2016/066652 WO2016195092A1 (ja) 2015-06-05 2016-06-03 異常検知装置

Country Status (3)

Country Link
US (1) US20180157249A1 (ja)
JP (1) JPWO2016195092A1 (ja)
WO (1) WO2016195092A1 (ja)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021144433A (ja) * 2020-03-11 2021-09-24 ポート・アンド・アンカー株式会社 構造物の異常判別方法及び異常判別システム
WO2022181574A1 (ja) * 2021-02-26 2022-09-01 三菱重工業株式会社 発電プラントの異常要因推定方法
WO2023218550A1 (ja) * 2022-05-11 2023-11-16 三菱電機株式会社 補正装置、処理方法、及び処理プログラム
WO2023243179A1 (ja) * 2022-06-16 2023-12-21 株式会社日立インダストリアルプロダクツ 異常原因推定装置、異常原因推定方法、および、異常原因推定プログラム

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SG11202009619SA (en) * 2018-03-28 2020-10-29 L&T Tech Services Limited System and method for monitoring health and predicting failure of an electro-mechanical machine
CN108737222A (zh) * 2018-06-29 2018-11-02 山东汇贸电子口岸有限公司 一种基于数据析取的服务器异常实时监测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06187030A (ja) * 1992-12-17 1994-07-08 Hitachi Ltd 時系列モデルによる制御系異常診断方法、及び表示方法
JP2006343063A (ja) * 2005-06-10 2006-12-21 Daikin Ind Ltd 設備機器の異常予知システム、設備機器の異常予知装置および設備機器の異常予知方法
JP2010262630A (ja) * 2009-05-05 2010-11-18 Yokogawa Electric Corp 工業プロセスを監視する装置および方法
JP2011242981A (ja) * 2010-05-18 2011-12-01 Yamatake Corp 関数生成装置、及び関数生成方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06187030A (ja) * 1992-12-17 1994-07-08 Hitachi Ltd 時系列モデルによる制御系異常診断方法、及び表示方法
JP2006343063A (ja) * 2005-06-10 2006-12-21 Daikin Ind Ltd 設備機器の異常予知システム、設備機器の異常予知装置および設備機器の異常予知方法
JP2010262630A (ja) * 2009-05-05 2010-11-18 Yokogawa Electric Corp 工業プロセスを監視する装置および方法
JP2011242981A (ja) * 2010-05-18 2011-12-01 Yamatake Corp 関数生成装置、及び関数生成方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021144433A (ja) * 2020-03-11 2021-09-24 ポート・アンド・アンカー株式会社 構造物の異常判別方法及び異常判別システム
WO2022181574A1 (ja) * 2021-02-26 2022-09-01 三菱重工業株式会社 発電プラントの異常要因推定方法
WO2023218550A1 (ja) * 2022-05-11 2023-11-16 三菱電機株式会社 補正装置、処理方法、及び処理プログラム
WO2023243179A1 (ja) * 2022-06-16 2023-12-21 株式会社日立インダストリアルプロダクツ 異常原因推定装置、異常原因推定方法、および、異常原因推定プログラム

Also Published As

Publication number Publication date
US20180157249A1 (en) 2018-06-07
JPWO2016195092A1 (ja) 2018-03-22

Similar Documents

Publication Publication Date Title
WO2016195092A1 (ja) 異常検知装置
KR101903283B1 (ko) 발전 설비의 자동 진단 시스템 및 자동 진단 방법
TWI607328B (zh) Operational auxiliary device and wind power generation system
US10380277B2 (en) Application of virtual monitoring of loads
JP5901140B2 (ja) システムの高い可用性のためにセンサデータを補間する方法、コンピュータプログラム、システム。
TWI683058B (zh) 故障機率評估系統
EP3859455B1 (en) Learning apparatus, learning method, learning program, determination apparatus, determination method, determination program, and computer readable medium
RU2584373C2 (ru) Способ обнаружения ухудшения рабочих характеристик датчика аэродинамических углов с помощью мониторинга вибрации
Perišić et al. Cost‐effective shaft torque observer for condition monitoring of wind turbines
KR20190025474A (ko) 플랜트 데이터 예측 장치 및 방법
US11604447B2 (en) Condition monitoring system
KR20190025473A (ko) 플랜트 데이터 예측 장치 및 방법
JP6989398B2 (ja) 故障診断装置、故障診断方法、および故障診断プログラム
JP5490277B2 (ja) プラント運転状態監視方法
JP2013140588A (ja) 発電所の代表センサセットを選択するためのシステムおよび方法
JP5771317B1 (ja) 異常診断装置及び異常診断方法
US20180054085A1 (en) Power generation systems with monitoring for anomaly detection via nonlinear relationship modeling
TW201606685A (zh) 風力發電設備之應力推定裝置及風力發電設備之應力推定方法、風力發電系統
JP6803788B2 (ja) 情報処理装置、情報処理方法およびプログラム
US10845792B2 (en) Failure diagnosis apparatus, monitoring apparatus, failure diagnosis method and recording medium
Zapico-Valle et al. Rotor crack identification based on neural networks and modal data
JP2015518104A (ja) 過渡状態期間における発電装置の不具合の分類および検出
JP6129508B2 (ja) 異常検出前処理装置および方法ならびにプログラム、それを備えた異常検出装置
JP7469828B2 (ja) 構造物診断システム、構造物診断方法、および構造物診断プログラム
JP7281394B2 (ja) 異常診断装置およびプログラム

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: 16803523

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2017522293

Country of ref document: JP

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 15579462

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: 16803523

Country of ref document: EP

Kind code of ref document: A1