WO2018083720A1 - 異常分析方法、プログラムおよびシステム - Google Patents

異常分析方法、プログラムおよびシステム Download PDF

Info

Publication number
WO2018083720A1
WO2018083720A1 PCT/JP2016/004819 JP2016004819W WO2018083720A1 WO 2018083720 A1 WO2018083720 A1 WO 2018083720A1 JP 2016004819 W JP2016004819 W JP 2016004819W WO 2018083720 A1 WO2018083720 A1 WO 2018083720A1
Authority
WO
WIPO (PCT)
Prior art keywords
factor
sensor
measured
value
sub
Prior art date
Application number
PCT/JP2016/004819
Other languages
English (en)
French (fr)
Inventor
理史 藤塚
Original Assignee
日本電気株式会社
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 日本電気株式会社 filed Critical 日本電気株式会社
Priority to JP2018548472A priority Critical patent/JP6818242B2/ja
Priority to PCT/JP2016/004819 priority patent/WO2018083720A1/ja
Priority to US16/344,529 priority patent/US20190243349A1/en
Publication of WO2018083720A1 publication Critical patent/WO2018083720A1/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
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q9/00—Arrangements in telecontrol or telemetry systems for selectively calling a substation from a main station, in which substation desired apparatus is selected for applying a control signal thereto or for obtaining measured values therefrom
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q2209/00—Arrangements in telecontrol or telemetry systems
    • H04Q2209/10—Arrangements in telecontrol or telemetry systems using a centralized architecture

Definitions

  • the present invention relates to an abnormality analysis method, a program, and a system for analyzing an abnormality using a measured value of a sensor.
  • Production facilities are often operated in factories (plants) using fuels such as oil, coal, and natural gas as energy sources.
  • equipment is provided with various types of sensors for measuring temperature, pressure, flow rate, etc., and the measured values of the sensors are monitored by a monitoring system.
  • an abnormality is detected in the measured value of the sensor, it is required to quickly analyze the cause of the abnormality and eliminate the factor.
  • the composition of the fuel used to operate the equipment varies depending on the production location and production time. Therefore, when the fuel is replaced, even if the same type of fuel is used, the tendency of the measured value of the sensor changes before and after the replacement. Since differences in fuel composition are often not the direct cause of anomalies, it is desirable to perform anomaly analysis excluding the effects. If you analyze the cause of an abnormality without taking into account the sub-factors such as fuel differences, the true values of the anomalies and the influence of the sub-factors are mixed in the measured value of the sensor. May be difficult.
  • Patent Document 1 is a numerical analysis generated by performing numerical analysis on a plurality of fuel compositions by simulating plant design and operating conditions in addition to operation performance data stored for each fuel production area.
  • a model is generated using the data.
  • Patent Document 1 needs to perform numerical analysis on various fuel compositions in advance, and it is necessary to accurately set the design and operation conditions of the plant as the premise of numerical analysis. Therefore, introduction of this technique can take a great deal of time.
  • the present invention has been made in view of the above-described problems, and has an object to provide an abnormality analysis method, a program, and a system that are easy to introduce and that can easily identify the true cause of an abnormality. To do.
  • a first aspect of the present invention is an abnormality analysis method, the step of extracting a sensor that is a main factor affecting the measurement value based on measurement values measured by a plurality of sensors provided in the facility; Generating a model indicating a normal state of the equipment using a value indicating a sub-factor affecting the measurement value in addition to the measurement value measured by the sensor which is the main factor. And the value indicating the sub-factor is measured by means different from the sensor.
  • an abnormality analysis program for extracting a sensor, which is a main factor affecting the measurement value, on a computer based on measurement values measured by a plurality of sensors provided in equipment. And a step of generating a model indicating a normal state of the equipment by using a value indicating a sub-factor affecting the measurement value in addition to the measurement value measured by the sensor as the main factor. And the value indicating the sub-factor is measured by means different from the sensor.
  • a third aspect of the present invention is an abnormality analysis system, which is a main factor for extracting a sensor that is a main factor affecting the measurement value based on measurement values measured by a plurality of sensors provided in the facility.
  • a value indicating a sub-factor that affects the measurement value is used to generate a model indicating a normal state of the equipment.
  • a factor correction unit wherein the value indicating the sub-factor is measured by means different from the sensor.
  • the main factor is extracted from the measured value of the sensor, and a model corrected using the sub factor in addition to the extracted main factor is generated. Therefore, the influence of the sub factor is considered in the abnormality analysis. This makes it possible to analyze the main factors and identify the true factors. In addition, since the analysis is performed using the sensor measurement value and the value indicating the sub-factor, it is not necessary to perform numerical analysis based on the plant design, operation conditions, and the like.
  • FIG. 4 is a diagram illustrating an example fuel value and sensor value graph. It is a block diagram of the abnormality analysis system concerning an embodiment.
  • 1 is a schematic configuration diagram of an abnormality analysis system according to an embodiment. It is a figure which shows the flowchart of the abnormality analysis method which concerns on embodiment. It is a figure which shows the flowchart of the main factor extraction process which concerns on embodiment. It is a figure which shows the flowchart of the sub factor correction process which concerns on embodiment. It is a block diagram of the abnormality analysis system concerning an embodiment.
  • FIG. 1 is a diagram illustrating an exemplary fuel value graph A and a sensor value graph B.
  • FIG. The horizontal axis of the fuel value graph A is time (arbitrary unit), and the vertical axis is fuel value (arbitrary unit).
  • the fuel value is a numerical value representing the characteristics of the fuel. For example, when coal is used as the fuel, the content of elements such as hydrogen, carbon, nitrogen, oxygen and sulfur, moisture, moisture, calorific value, grindability, fuel ratio It is.
  • Graph A represents one exemplary fuel value.
  • the horizontal axis of the sensor value graph B is time (arbitrary unit), and the vertical axis is sensor value (arbitrary unit).
  • the sensor value is a value measured by the sensor, and is, for example, a temperature sensor, a pressure sensor, or an air amount sensor provided at a predetermined position of equipment operated using fuel.
  • Graph B represents any one type of sensor values. In FIG. 1, the time on the horizontal axis of the graph A and the graph B is the same.
  • the fuel value changes around a certain point C.
  • Such a discrete change occurs, for example, when a fuel from one production area is replaced with a fuel from another production area. This is because even with the same type of fuel, the composition of the fuel varies depending on the production location and production timing, and the fuel values such as the above-described element content vary.
  • the sensor value changes in time series.
  • Such a time-series change D is formed in a complex manner due to some factor or error.
  • the time-series change D of the graph B deviates from a state (model) regarded as normal exceeding a predetermined reference, it is determined as abnormal.
  • the factors that directly cause abnormalities are called main factors.
  • Major factors include equipment deterioration and material accumulation.
  • regression analysis can be used to remove the effects of disturbances on sensor values.
  • the regression is performed with the sensor value as the objective variable and the disturbance as the explanatory variable.
  • the model can be generated by excluding the influence of the disturbance obtained as the regression result from the sensor value.
  • the fuel value is not the main factor that causes fluctuations in the sensor value
  • the regression is performed simply using the fuel value as an explanatory variable, there is a risk that the regression cannot be performed properly because there are other main factors. There is. Therefore, even if the conventional simple regression is used, the influence of the secondary factor (fuel value) cannot be properly excluded in the abnormality analysis.
  • the main factor extraction process and the sub factor correction process described later perform regression more accurately than before by considering the existence of the main factor and the sub factor, and the sub factor of the model The influence can be reduced.
  • FIG. 2 is a block diagram of the abnormality analysis system 100 according to the present embodiment.
  • arrows indicate main data flows, and there may be data flows other than those shown in FIG.
  • each block represents a functional unit configuration, not a hardware (device) unit configuration. Therefore, the blocks shown in FIG. 2 may be implemented in a single device, or may be separately implemented in a plurality of devices. Data exchange between the blocks may be performed via any means such as a data bus, a network, a portable storage medium, or the like.
  • the abnormality analysis system 100 includes a sensor value acquisition unit 110, a main factor extraction unit 120, a sub factor correction unit 130, a model output unit 140, and an abnormality analysis unit 150 as processing units.
  • the abnormality analysis system 100 includes a sub-factor variable storage unit 161 and a model storage unit 162 as storage units.
  • Sensor value acquisition unit 110 acquires information indicating time-series measurement values (sensor values) measured by two or more sensors 111 provided in the analysis target facility.
  • the sensor value acquisition unit 110 may sequentially receive sensor values from the sensor 111 or may collectively receive sensor values for a predetermined time.
  • the sensor value acquisition unit 110 may read the sensor value received from the sensor 111 and recorded in the abnormality analysis system 100 in advance.
  • the sensor 111 is an arbitrary sensor such as a temperature sensor, a pressure sensor, or an air amount sensor.
  • the sensor 111 may include one or more types of sensors, and the same type of sensors may be provided at multiple locations. Each sensor 111 is identified and managed by its type and installation location.
  • the main factor extracting unit 120 extracts one or more pairs of sensors 111 as main factors by performing a main factor extracting process described later on the sensor value acquired by the sensor value acquiring unit 110.
  • the sub-factor correction unit 130 uses the variable (value) indicating the sub-factor recorded in advance in the sub-factor variable storage unit 161 for the set of sensors 111 that are the main factors extracted by the main factor extraction unit 120. By performing the sub-factor correction process described later, a model corrected by the sub-factor is generated.
  • the variable indicating the sub-factor is measured in advance by a method different from that of the sensor 111 and is recorded in the sub-factor variable storage unit 161 as time-series data.
  • a fuel value is used as a variable indicating a sub-factor.
  • the fuel value is, for example, the element content of hydrogen, carbon, nitrogen, oxygen, sulfur, etc.
  • variable indicating the sub-factor may be expressed in an arbitrary data format (file format), for example, binary data or text data.
  • file format for example, binary data or text data.
  • the variable indicating the sub-factor may be recorded in the sub-factor variable storage unit 161 as a binary file or a text file, or may be recorded in the sub-factor variable storage unit 161 as a database table.
  • the model output unit 140 outputs the correction model corrected by the sub-factor correction unit 130 and records it in the model storage unit 162.
  • the correction model may be expressed in an arbitrary data format (file format), and may be binary data or text data, for example.
  • the correction model may be recorded in the model storage unit 162 as a binary file or a text file, or may be recorded in the model storage unit 162 as a database table.
  • the abnormality analysis unit 150 analyzes a factor related to the abnormality by comparing the sensor value acquired by the sensor value acquisition unit 110 with the correction model recorded in the model storage unit 162.
  • FIG. 3 is a schematic configuration diagram illustrating an exemplary device configuration of the abnormality analysis system 100 according to the present embodiment.
  • the abnormality analysis system 100 includes a CPU (Central Processing Unit) 101, a memory 102, a storage device 103, and a communication interface 104.
  • the abnormality analysis system 100 may be an independent device, or may be integrated with other devices.
  • the communication interface 104 is a communication unit that transmits and receives data, and is configured to be able to execute at least one communication method of wired communication and wireless communication.
  • the communication interface 104 includes a processor, an electric circuit, an antenna, a connection terminal, and the like necessary for the communication method.
  • the communication interface 104 performs communication using the communication method in accordance with a signal from the CPU 101.
  • the communication interface 104 receives information indicating the measurement value of the sensor 111 from the sensor 111, for example.
  • the storage device 103 stores a program executed by the abnormality analysis system 100, data of a processing result by the program, and the like.
  • the storage device 103 includes a read-only ROM (Read Only Memory), a readable / writable hard disk drive, a flash memory, or the like.
  • the storage device 103 may include a computer-readable portable storage medium such as a CD-ROM.
  • the memory 102 includes a RAM (Random Access Memory) that temporarily stores data being processed by the CPU 101, a program read from the storage device 103, and data.
  • the CPU 101 temporarily records temporary data used for processing in the memory 102, reads a program recorded in the storage device 103, and performs various calculations, control, discrimination, etc. on the temporary data according to the program It is a processor as a process part which performs these processing operations.
  • the CPU 101 records processing result data in the storage device 103 and transmits processing result data to the outside via the communication interface 104.
  • the CPU 101 executes the program recorded in the storage device 103, thereby causing the sensor value acquisition unit 110, the main factor extraction unit 120, the sub factor correction unit 130, the model output unit 140, and the abnormality analysis unit in FIG. It functions as 150.
  • the storage device 103 functions as the sub-factor variable storage unit 161 and the model storage unit 162 in FIG.
  • the abnormality analysis system 100 is not limited to the specific configuration shown in FIG.
  • the abnormality analysis system 100 is not limited to a single device, and may be configured by connecting two or more physically separated devices in a wired or wireless manner.
  • Each unit included in the abnormality analysis system 100 may be realized by an electric circuit configuration.
  • the electric circuit configuration is a term that conceptually includes a single device, a plurality of devices, a chipset, or a cloud.
  • At least a part of the abnormality analysis system 100 may be provided in SaaS (Software as a Service) format. That is, at least a part of functions for realizing the abnormality analysis system 100 may be executed by software executed via a network.
  • SaaS Software as a Service
  • FIG. 4 is a diagram showing a flowchart of an abnormality analysis method using the abnormality analysis system 100 according to the present embodiment.
  • the abnormality analysis method is started when the user performs a predetermined operation on the abnormality analysis system 100, for example.
  • the sensor value acquisition unit 110 acquires information indicating time-series measurement values (sensor values) measured by two or more sensors 111 provided in the analysis target facility (step S110).
  • the sensors 111 that acquire the sensor values in step S110 may be all sensors or some of the sensors specified as the target of abnormality analysis among the sensors provided in the facility.
  • the sensor value acquisition unit 110 may acquire a sensor value from the sensor 111 via the communication interface 104, or may read out and acquire a sensor value recorded in the memory 102 or the storage device 103 of the abnormality analysis system 100.
  • the main factor extraction unit 120 extracts one or more pairs of sensors 111 as main factors by performing main factor extraction processing described later with reference to FIG. 5 on the sensor values acquired in step S110. (Step S120).
  • the set of sensors 111 extracted as the main factor is recorded in the memory 102 or the storage device 103.
  • the sub-factor correction unit 130 performs correction using the sub-factor by performing a sub-factor correction process described later with reference to FIG. 6 on the set of sensors 111 that is the main factor extracted in step S120.
  • a generated model is generated (step S130).
  • the model corrected using the sub-factor is recorded in the model storage unit 162 as a correction model.
  • the abnormality analysis unit 150 analyzes the factor related to the abnormality by comparing the sensor value acquired by the sensor value acquisition unit 110 with the correction model recorded in the model storage unit 162 (step) S140).
  • a known method may be used to analyze the abnormal factor using the model.
  • the abnormality factor analysis (step S140) is performed after the main factor extraction process (step S120) and the sub-factor correction process (step S130), but the start timing of the abnormality factor analysis may be arbitrarily set.
  • the abnormality factor analysis may be started with the occurrence of an abnormality (or a sign) being detected by a monitoring system or the like different from the present invention.
  • the abnormality factor analysis may be started with a predetermined operation performed on the abnormality analysis system 100 by the user as a trigger.
  • FIG. 5 is a diagram showing a flowchart of main factor extraction processing executed in the abnormality analysis system 100 according to the present embodiment.
  • the main factor extraction process is executed in step S120 in the flowchart of FIG.
  • the main factor extraction unit 120 selects one set of two sensors 111 that has not been regressed in step S122 from among the sensors 111 whose sensor values have been acquired (step S121).
  • the main factor extraction unit 120 performs regression on the set of sensors 111 selected in step S121 (step S122).
  • a least square method using an invariant model that is, an ARX (Auto-Regressive with eXogenous input) model is used.
  • an invariant model a normal relationship (invariant relationship) between variables (here, between two sensors) is defined as a model, and abnormality analysis is performed by comparing the model with a measured value.
  • regression is performed using the following formula (1) as an example.
  • y i is an objective variable
  • x i is an explanatory variable
  • a i and b i are regression coefficients.
  • i is a number for identifying a set of sensors 111. In the present embodiment, using one of the sensor values of the set of sensors 111 as x i, using the other sensor values as y i.
  • the main factor extraction unit 120 calculates a regression coefficient for the set of sensors 111 selected in step S121 by performing regression on the equation (1) using the time-series sensor values acquired in step S110.
  • step S110 If the regression has not been completed for all the sets of sensors 111 whose sensor values have been acquired in step S110 (NO in step S123), steps S121 to S122 are repeated for the next set of sensors 111.
  • the process proceeds to step S124. At this time, the regression coefficient of Formula (1) is calculated for all the pairs of the sensors 111 whose sensor values have been acquired in step S110.
  • the main factor extraction unit 120 calculates the fitness of regression from the regression result acquired in step S122. Then, the main factor extraction unit 120 extracts one or more sets of sensors 111 regarded as the main factor according to the fitness of each set of sensors 111 (step S124). In the present embodiment, a determination coefficient (also referred to as a contribution rate) is used as an index representing the degree of fitness of regression.
  • the coefficient of determination R 2 is the specific calculation formula, but are not limited to, for example, is calculated from the following equation (2).
  • y j is a measured value
  • f j is an estimated value by a regression equation
  • Y is an average value of y j .
  • the sensor value is used as y j
  • the regression result acquired in step S122 is used as f j .
  • the coefficient of determination R 2 calculated by Equation (2) indicates that the larger the value (i.e. closer to 1) the regression results are compatible with more measurements. Therefore, the main factor extraction unit 120 may use a coefficient of determination R 2 as fit. As long as it can show the degree to which the regression results are compatible with measured values, it may be used other indicators not only the coefficient of determination R 2.
  • the main factor extraction unit 120 extracts one or more pairs of sensors 111 whose conformity satisfies a predetermined standard as main factors.
  • a predetermined standard for example, all pairs having a fitness level greater than a predetermined value may be extracted as the main factor, or a predetermined number of groups may be extracted as the main factor in descending order of the fitness level.
  • other extraction criteria that can select a set of sensors 111 having a high degree of fitness may be used.
  • the main factor extraction unit 120 outputs the set of sensors 111 that are the main factors extracted in step S124 (step S125).
  • the set of sensors 111 extracted as the main factor is temporarily recorded in the memory 102 or the storage device 103.
  • FIG. 6 is a diagram showing a flowchart of the sub-factor correction processing executed in the abnormality analysis system 100 according to the present embodiment.
  • the sub-factor correction process is executed in step S130 in the flowchart of FIG.
  • the sub-factor correction unit 130 selects one set of two sensors 111 that has not been regressed in step S132 from the set of sensors 111 extracted as the main factor (step S131).
  • the sub-factor correction unit 130 adds a variable (value) indicating the sub-factor to the set of sensors 111 selected in step S131, and executes regression again (step S132).
  • the sub-factor variable is a factor to be removed that may exist in addition to the main factor, and is measured in advance by a method different from that by the sensor 111.
  • the sub-factor variable is a fuel value indicating the characteristics of the fuel, which is measured by conducting an industrial analysis or the like on the fuel in advance, and is recorded in the sub-factor variable storage unit 161 as time-series data.
  • the types of fuel values include, for example, the content of elements such as hydrogen, carbon, nitrogen, oxygen, and sulfur in the fuel, moisture, moisture, calorific value, grindability, and fuel ratio.
  • the same method as the main factor extraction process may be used.
  • regression is performed using the following formula (3) as an example.
  • y k is an objective variable
  • x k is an explanatory variable of a main factor
  • z l is an explanatory variable of a sub factor
  • a k , b k and c kl are regression coefficients.
  • k is a number for identifying a set of sensors 111.
  • z l is each type of fuel value (moisture, moisture, calorific value, etc.) that is a variable indicating a sub-factor
  • l is a number that identifies the type of fuel value.
  • the sub-factor correction unit 130 performs the regression on the equation (3) using the time-series sensor value acquired in step S110 and the variable indicating the sub-factor read from the sub-factor variable storage unit 161, thereby performing the step A regression coefficient for the set of sensors 111 selected in S131 is calculated. In this way, by performing the regression by adding the variable indicating the sub-factor to the previously extracted variable indicating the main factor, the regression result corrected by the variable indicating the sub-factor can be obtained.
  • step S133 If the regression has not been completed for all pairs of sensors 111 extracted as the main factor (NO in step S133), steps S131 to S132 are repeated for the next pair of sensors 111.
  • steps S131 to S132 are repeated for the next pair of sensors 111.
  • the process proceeds to step S134. At this time, the regression coefficient of Expression (3) is calculated for all the pairs of sensors 111 extracted as the main factors.
  • the sub-factor correction unit 130 outputs the regression result corrected by the variable indicating the sub-factor in step S132 as a correction model (step S134).
  • the correction model is recorded in the model storage unit 162 and used for abnormality analysis.
  • a known variable selection method may be applied to Equation (3).
  • L1 regularization is used as a variable selection method
  • the regression coefficient (c kl ) of a term having a small influence on the regression can be made zero. If there are terms that have a small impact on regression, errors due to excessive estimation may occur. In other words, when the model is constructed, it is excessively adapted to the learning data in which many terms having a small influence on the regression exist, and the estimation accuracy may be deteriorated for other data.
  • the amount of calculation increases when the number of explanatory variables for sub-factors is large. However, since the explanatory variables can be reduced by applying such a variable selection method, the amount of calculation is reduced. be able to.
  • the CPU 101 of the abnormality analysis system 100 is the main body of each step (process) included in the processing shown in FIGS. That is, the CPU 101 reads out a program for executing the processing shown in FIGS. 4 to 6 from the memory 102 or the storage device 103, and executes the program to control each part of the abnormality analysis system 100, so that FIGS.
  • the process shown is executed. 4 to 6 may be performed not by the CPU 101 but by a dedicated device or an electric circuit.
  • the relationship between the two sensors 111 is used for the extraction of the main factor by the main factor extraction unit 120, but the present invention is not limited to this as long as the main factor can be extracted using the sensor value.
  • one sensor 111 may be used for extracting the main factor.
  • an autoregressive model of one sensor 111 that is, an AR (Auto-Regressive) model is used for the regression.
  • the main factor extraction unit 120 can calculate the fitness of each sensor 111 from the regression result using the autoregressive model, and can extract one or more sensors 111 that are regarded as the main factor according to the fitness.
  • the fuel value is used as a variable indicating the sub-factor, but other values indicating the factor to be removed that may exist in addition to the main factor may be used.
  • air temperature or atmospheric pressure may be used as a variable indicating a secondary factor. This is because temperature or atmospheric pressure can change the tendency of the sensor value due to seasonal fluctuations, but it is often not a direct cause of abnormality.
  • this embodiment is applied, the influence on the sensor value due to the temperature or the atmospheric pressure can be removed, so that the analysis of the true cause of the abnormality becomes easy.
  • the anomaly analysis system 100 generates a model corrected by the sub-factor by extracting the main factor by regression and then performing a regression by adding a variable indicating the sub-factor.
  • a model can be obtained in consideration of the influence of sub-factors different from the main factor, so that it is possible to easily identify the true factor in the abnormality analysis.
  • the abnormality analysis system 100 can perform analysis only by acquiring time-series information of sub-factors together with sensor values, it is not necessary to perform numerical analysis based on plant design and operation conditions, etc. The effort of is small.
  • FIG. 7 is a block diagram of the abnormality analysis system 100 according to each of the above-described embodiments.
  • the abnormality analysis system 100 functions as a device that extracts a main factor from a measured value of a sensor and generates a model corrected by using a value indicating a sub-factor in addition to a value indicating a main factor.
  • An example of the configuration is shown.
  • the abnormality analysis system 100 includes a main factor extraction unit 120 that extracts a sensor that is a main factor affecting the measurement value based on measurement values measured by a plurality of sensors provided in the facility, and the main factor.
  • a sub-factor correction unit 130 that generates a model indicating a normal state of the equipment using a value indicating a sub-factor affecting the measurement value in addition to the measurement value measured by the sensor, and The value indicating the sub-factor is measured by means different from the sensor.
  • a program for operating the configuration of the embodiment to realize the functions of the above-described embodiment (more specifically, a log analysis program that causes a computer to execute the processes illustrated in FIGS. 4 to 6) is recorded on a recording medium,
  • a processing method of reading a program recorded on the recording medium as a code and executing it on a computer is also included in the category of each embodiment. That is, a computer-readable recording medium is also included in the scope of each embodiment.
  • the program itself is included in each embodiment.
  • the recording medium for example, a floppy (registered trademark) disk, a hard disk, an optical disk, a magneto-optical disk, a CD-ROM, a magnetic tape, a nonvolatile memory card, and a ROM can be used.
  • the embodiment is not limited to the processing executed by a single program recorded in the recording medium, and the embodiments that execute processing by operating on the OS in cooperation with other software and the function of the expansion board are also described in each embodiment. Included in the category.
  • Appendix 1 Extracting a sensor that is a main factor affecting the measurement value based on measurement values measured by a plurality of sensors provided in the facility; In addition to the measurement value measured by the sensor that is the main factor, a value indicating a sub-factor that affects the measurement value is used to generate a model that indicates a normal state of the facility; Including The abnormality analysis method characterized in that the value indicating the sub-factor is measured by means different from the sensor.
  • the step of generating the model generates the model by performing regression on the measured value measured by the sensor as the main factor and the value indicating the sub-factor.
  • the abnormality analysis method according to any one of 1 to 5.
  • a main factor extraction unit that extracts a sensor that is a main factor affecting the measurement value based on measurement values measured by a plurality of sensors provided in the facility;
  • a sub-factor correction unit that generates a model indicating a normal state of the equipment using a value indicating a sub-factor that affects the measurement value;
  • the abnormality analysis system characterized in that the value indicating the sub-factor is measured by means different from the sensor.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本発明は、導入の手間が小さく、かつ異常の真の要因の特定を容易にする異常分析方法、プログラムおよびシステムを提供する。本発明の一実施形態に係る異常分析システム（１００）は、設備に設けられる複数のセンサによって測定された測定値に基づいて、測定値に影響を与える主要因であるセンサを抽出する主要因抽出部（１２０）と、主要因であるセンサによって測定された測定値に加えて、測定値に影響を与える副要因を示す値を用いて、設備の正常な状態を示すモデルを生成する副要因補正部（１３０）と、を備える。副要因を示す値は、センサとは異なる手段によって測定される。

Description

異常分析方法、プログラムおよびシステム
　本発明は、センサの測定値を用いて異常の分析を行うための異常分析方法、プログラムおよびシステムに関する。
　工場（プラント）において、石油、石炭、天然ガス等の燃料をエネルギー源として生産設備の稼動が行われることが多い。一般的に設備には温度、圧力、流量等を測定する様々な種類のセンサが設けられており、監視システムによってセンサの測定値が監視される。センサの測定値に異常が検出された場合には、異常の要因を速やかに分析し、該要因を解消することが求められる。
　ところで、設備の稼動に用いられる燃料は、産出場所や産出時期によってその組成が異なる。そのため燃料を入れ替える際には、同じ種類の燃料を用いる場合であっても、入れ替えの時点の前後においてセンサの測定値の傾向が変化する。燃料の組成の差違は異常の直接的原因ではないことが多いため、その影響を除いて異常分析を行うことが望ましい。燃料の差違のような副要因を考慮せずに異常の要因を分析すると、センサの測定値に異常の真の要因および副要因の影響が混在して含まれるため、真の要因を特定することが難しい場合がある。
　特許文献１に記載の技術は、燃料の産地ごとに蓄えられた運転実績データに加えて、プラントの設計および運用条件を模擬して複数の燃料組成について数値解析を行うことによって生成された数値解析データを用いて、モデルを生成する。このようなモデルを用いることによって、燃料の差違による影響を考慮して設備の制御を行うことができる。
特開２００７－２７１１８７号公報
　しかしながら、特許文献１に記載の技術は、予め様々な燃料組成について数値解析を行う必要があり、また数値解析の前提としてプラントの設計および運用条件等を正確に設定する必要がある。そのため、該技術の導入には大きな手間が掛かり得る。
　本発明は、上述の問題に鑑みて行われたものであって、導入の手間が小さく、かつ異常の真の要因の特定を容易にする異常分析方法、プログラムおよびシステムを提供することを目的とする。
　本発明の第１の態様は、異常分析方法であって、設備に設けられる複数のセンサによって測定された測定値に基づいて、前記測定値に影響を与える主要因であるセンサを抽出する工程と、前記主要因であるセンサによって測定された前記測定値に加えて、前記測定値に影響を与える副要因を示す値を用いて、前記設備の正常な状態を示すモデルを生成する工程と、を含み、前記副要因を示す値は、前記センサとは異なる手段によって測定されることを特徴とする。
　本発明の第２の態様は、異常分析プログラムであって、コンピュータに、設備に設けられる複数のセンサによって測定された測定値に基づいて、前記測定値に影響を与える主要因であるセンサを抽出する工程と、前記主要因であるセンサによって測定された前記測定値に加えて、前記測定値に影響を与える副要因を示す値を用いて、前記設備の正常な状態を示すモデルを生成する工程と、を実行させ、前記副要因を示す値は、前記センサとは異なる手段によって測定されることを特徴とする。
　本発明の第３の態様は、異常分析システムであって、設備に設けられる複数のセンサによって測定された測定値に基づいて、前記測定値に影響を与える主要因であるセンサを抽出する主要因抽出部と、前記主要因であるセンサによって測定された前記測定値に加えて、前記測定値に影響を与える副要因を示す値を用いて、前記設備の正常な状態を示すモデルを生成する副要因補正部と、を備え、前記副要因を示す値は、前記センサとは異なる手段によって測定されることを特徴とする。
　本発明によれば、まずセンサの測定値から主要因を抽出し、抽出された主要因に加えて副要因を用いて補正されたモデルを生成するため、異常分析において副要因の影響を考慮して主要因の分析ができ、真の要因の特定が容易になる。また、センサの測定値および副要因を示す値を用いて分析を行うため、プラントの設計やおよび運用条件等に基づく数値解析を行う必要がなく、導入の手間が小さい。
例示的な燃料値およびセンサ値のグラフを示す図である。 実施形態に係る異常分析システムのブロック図である。 実施形態に係る異常分析システムの概略構成図である。 実施形態に係る異常分析方法のフローチャートを示す図である。 実施形態に係る主要因抽出処理のフローチャートを示す図である。 実施形態に係る副要因補正処理のフローチャートを示す図である。 実施形態に係る異常分析システムのブロック図である。
　以下、図面を参照して、本発明の実施形態を説明するが、本発明は本実施形態に限定されるものではない。なお、以下で説明する図面で、同機能を有するものは同一符号を付け、その繰り返しの説明は省略することもある。
（実施形態）
　図１は、例示的な燃料値のグラフＡおよびセンサ値のグラフＢを示す図である。燃料値のグラフＡの横軸は時間（任意単位）であり、縦軸は燃料値（任意単位）である。燃料値は、燃料の特性を表す数値であり、例えば燃料として石炭を用いる場合には水素、炭素、窒素、酸素、硫黄等の元素含有率、水分、湿分、発熱量、粉砕性、燃料比である。グラフＡは、例示的ないずれか１種類の燃料値を表している。
　センサ値のグラフＢの横軸は時間（任意単位）であり、縦軸はセンサ値（任意単位）である。センサ値は、センサによって測定される値であり、例えば燃料を用いて稼動される設備の所定の位置に設けられる温度センサ、圧力センサ、空気量センサである。グラフＢは、例示的ないずれか１種類のセンサ値を表している。図１において、グラフＡおよびグラフＢの横軸の時間は一致している。
　グラフＡにおいて、ある時点Ｃの前後で燃料値が変化している。このような離散的な変化は、例えばある産地の燃料から別の産地の燃料に入れ替える場合に発生する。これは、同じ種類の燃料であっても、その産出場所や産出時期によって燃料の組成が異なっており、上述の元素含有率等の燃料値にばらつきがあるためである。
　グラフＢにおいて、センサ値は時系列で変化している。このような時系列の変化Ｄは何らかの要因や誤差によって複合的に形成される。異常分析においては、グラフＢの時系列の変化Ｄが正常とみなす状態（モデル）から所定の基準を超えて逸脱した場合に異常であると判定される。ここでは異常の直接的な原因になる要素を特に主要因という。主要因としては、設備の劣化や物質の堆積等が挙げられる。
　グラフＢにおいて、燃料値が変化する時点Ｃの前後で、センサ値の傾向が変化している。このような傾向の変化Ｅは、燃料値の変化によってもたらされたものである。しかしながら、燃料値の変化は、異常の直接的な原因にならないことが多い。異常の直接的な原因ではない要素（ここでは燃料値）を特に副要因という。副要因は、異常分析において異常の原因である主要因の特定を阻害する場合があるため、除去されることが望ましい。
　従来、センサ値に対する外乱の影響を除去するために、回帰分析が用いられ得る。その場合には、センサ値を目的変数とし、外乱を説明変数として回帰を行う。そして、回帰結果として得られた外乱の影響をセンサ値から除外してモデルを生成することができる。しかしながら、燃料値がセンサ値の変動をもたらす主要因でない状況では、単純に燃料値を説明変数として回帰を行ったとしても、他に主要因が存在するために適切に回帰を行うことができないおそれがある。そのため、従来の単純な回帰を用いても、異常分析において副要因（燃料値）の影響を適切に除外することができない。
　それに対して、本実施形態によれば、後述する主要因抽出処理および副要因補正処理において、主要因および副要因の存在を考慮することによって従来よりも正確に回帰を行い、モデルに対する副要因の影響を低減することができる。
　図２は、本実施形態に係る異常分析システム１００のブロック図である。図２において、矢印は主なデータの流れを示しており、図２に示したもの以外のデータの流れがあってよい。図２において、各ブロックはハードウェア（装置）単位の構成ではなく、機能単位の構成を示している。そのため、図２に示すブロックは単一の装置内に実装されてよく、あるいは複数の装置内に別れて実装されてよい。ブロック間のデータの授受は、データバス、ネットワーク、可搬記憶媒体等、任意の手段を介して行われてよい。
　異常分析システム１００は、処理部として、センサ値取得部１１０、主要因抽出部１２０、副要因補正部１３０、モデル出力部１４０および異常分析部１５０を備える。また、異常分析システム１００は、記憶部として、副要因変数記憶部１６１およびモデル記憶部１６２を備える。
　センサ値取得部１１０は、分析対象の設備に設けられている２つ以上のセンサ１１１によって測定された時系列の測定値（センサ値）を示す情報を取得する。センサ値取得部１１０は、センサ１１１からセンサ値を逐次受け取ってよく、あるいは所定の時間分のセンサ値をまとめて受け取ってよい。また、センサ値取得部１１０は、予めセンサ１１１から受け取って異常分析システム１００内に記録されたセンサ値を読み出してもよい。センサ１１１は、温度センサ、圧力センサ、空気量センサ等の任意のセンサである。センサ１１１は１つ又は複数の種類のセンサを含んでよく、また同じ種類のセンサが複数の場所に設けられてよい。各センサ１１１は、その種類および設置場所によって識別および管理される。
　主要因抽出部１２０は、センサ値取得部１１０によって取得されたセンサ値に対して後述の主要因抽出処理を行うことによって、センサ１１１の組を１つ以上、主要因として抽出する。
　副要因補正部１３０は、副要因変数記憶部１６１に予め記録された副要因を示す変数（値）を用いて、主要因抽出部１２０によって抽出された主要因であるセンサ１１１の組に対して後述の副要因補正処理を行うことによって、副要因で補正されたモデルを生成する。副要因を示す変数は、センサ１１１とは異なる方法によって予め測定され、時系列のデータとして副要因変数記憶部１６１に記録される。本実施形態において、副要因を示す変数として燃料値が用いられる。燃料値は、例えば燃料中の水素、炭素、窒素、酸素、硫黄等の元素含有率、水分、湿分、発熱量、粉砕性、燃料比であり、燃料に対して工業分析等を行うことによって測定される。副要因を示す変数は任意のデータ形式（ファイル形式）で表されてよく、例えばバイナリデータ又はテキストデータでよい。また、副要因を示す変数はバイナリファイル又はテキストファイルとして副要因変数記憶部１６１に記録されてよく、あるいはデータベースのテーブルとして副要因変数記憶部１６１に記録されてよい。
　モデル出力部１４０は、副要因補正部１３０によって補正された補正モデルを出力し、モデル記憶部１６２に記録する。補正モデルは任意のデータ形式（ファイル形式）で表されてよく、例えばバイナリデータ又はテキストデータでよい。また、補正モデルはバイナリファイル又はテキストファイルとしてモデル記憶部１６２に記録されてよく、あるいはデータベースのテーブルとしてモデル記憶部１６２に記録されてよい。
　異常分析部１５０は、センサ値取得部１１０によって取得されたセンサ値と、モデル記憶部１６２に記録された補正モデルとを比較することによって、異常に関連する要因の分析を行う。
　図３は、本実施形態に係る異常分析システム１００の例示的な機器構成を示す概略構成図である。異常分析システム１００は、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）１０１と、メモリ１０２と、記憶装置１０３と、通信インターフェース１０４とを備える。異常分析システム１００は独立した装置でよく、あるいは他の装置と一体に構成されてよい。
　通信インターフェース１０４は、データの送受信を行う通信部であり、有線通信および無線通信の少なくとも一方の通信方式を実行可能に構成される。通信インターフェース１０４は、該通信方式に必要なプロセッサ、電気回路、アンテナ、接続端子等を含む。通信インターフェース１０４は、ＣＰＵ１０１からの信号に従って、該通信方式を用いて通信を行う。通信インターフェース１０４は、例えばセンサ１１１の測定値を示す情報をセンサ１１１から受信する。
　記憶装置１０３は、異常分析システム１００が実行するプログラムや、プログラムによる処理結果のデータ等を記憶する。記憶装置１０３は、読み取り専用のＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）や、読み書き可能のハードディスクドライブ又はフラッシュメモリ等を含む。また、記憶装置１０３は、ＣＤ－ＲＯＭ等のコンピュータ読取可能な可搬記憶媒体を含んでもよい。メモリ１０２は、ＣＰＵ１０１が処理中のデータや記憶装置１０３から読み出されたプログラムおよびデータを一時的に記憶するＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）等を含む。
　ＣＰＵ１０１は、処理に用いる一時的なデータをメモリ１０２に一時的に記録し、記憶装置１０３に記録されたプログラムを読み出し、該プログラムに従って該一時的なデータに対して種々の演算、制御、判別などの処理動作を実行する処理部としてのプロセッサである。また、ＣＰＵ１０１は、記憶装置１０３に処理結果のデータを記録し、また通信インターフェース１０４を介して処理結果のデータを外部に送信する。
　本実施形態においてＣＰＵ１０１は、記憶装置１０３に記録されたプログラムを実行することによって、図２のセンサ値取得部１１０、主要因抽出部１２０、副要因補正部１３０、モデル出力部１４０および異常分析部１５０として機能する。また、本実施形態において記憶装置１０３は、図２の副要因変数記憶部１６１およびモデル記憶部１６２として機能する。
　異常分析システム１００は、図３に示す具体的な構成に限定されない。異常分析システム１００は、１つの装置に限られず、２つ以上の物理的に分離した装置が有線又は無線で接続されることにより構成されていてもよい。異常分析システム１００に含まれる各部は、それぞれ電気回路構成により実現されていてもよい。ここで、電気回路構成とは、単一のデバイス、複数のデバイス、チップセット又はクラウドを概念的に含む文言である。
　また、異常分析システム１００の少なくとも一部がＳａａＳ（Ｓｏｆｔｗａｒｅ　ａｓ　ａ　Ｓｅｒｖｉｃｅ）形式で提供されてよい。すなわち、異常分析システム１００を実現するための機能の少なくとも一部が、ネットワーク経由で実行されるソフトウェアによって実行されてよい。
　図４は、本実施形態に係る異常分析システム１００を用いる異常分析方法のフローチャートを示す図である。異常分析方法は、例えばユーザが異常分析システム１００に対して所定の操作を行うことによって開始される。
　まず、センサ値取得部１１０は、分析対象の設備に設けられている２つ以上のセンサ１１１によって測定された時系列の測定値（センサ値）を示す情報を取得する（ステップＳ１１０）。ステップＳ１１０においてセンサ値を取得するセンサ１１１は、設備に設けられているセンサのうち、全てのセンサ又は異常分析の対象として指定された一部のセンサでよい。センサ値取得部１１０は、センサ１１１から通信インターフェース１０４を介してセンサ値を取得してよく、あるいは異常分析システム１００のメモリ１０２又は記憶装置１０３に記録されたセンサ値を読み出して取得してよい。
　次に、主要因抽出部１２０は、ステップＳ１１０において取得されたセンサ値に対して図５を用いて後述する主要因抽出処理を行うことによって、センサ１１１の組を１つ以上、主要因として抽出する（ステップＳ１２０）。主要因として抽出されたセンサ１１１の組は、メモリ１０２又は記憶装置１０３に記録される。
　次に、副要因補正部１３０は、ステップＳ１２０において抽出された主要因であるセンサ１１１の組に対して図６を用いて後述する副要因補正処理を行うことによって、副要因を用いて補正されたモデルを生成する（ステップＳ１３０）。副要因を用いて補正されたモデルは、補正モデルとしてモデル記憶部１６２に記録される。
　最後に、異常分析部１５０は、センサ値取得部１１０によって取得されたセンサ値と、モデル記憶部１６２に記録された補正モデルとを比較することによって、異常に関連する要因の分析を行う（ステップＳ１４０）。モデルを用いた異常要因の分析には、公知の方法を用いてよい。
　図４のフローチャートでは異常要因分析（ステップＳ１４０）は主要因抽出処理（ステップＳ１２０）および副要因補正処理（ステップＳ１３０）の後に行われるが、異常要因分析の開始タイミングは任意に設定されてよい。例えば本発明とは別の監視システム等によって異常の発生（又は予兆）が検出されたことをトリガとして、異常要因分析が開始されてよい。あるいは、ユーザによって異常分析システム１００に対して所定の操作が行われたことをトリガとして、異常要因分析が開始されてよい。
　図５は、本実施形態に係る異常分析システム１００において実行される主要因抽出処理のフローチャートを示す図である。主要因抽出処理は、図４のフローチャート中のステップＳ１２０において実行される。
　まず主要因抽出部１２０は、センサ値が取得されたセンサ１１１のうち、まだステップＳ１２２での回帰が行われていない２つのセンサ１１１の組を１つ選択する（ステップＳ１２１）。次に主要因抽出部１２０は、ステップＳ１２１で選択されたセンサ１１１の組に対して、回帰を実行する（ステップＳ１２２）。回帰には、例えばインバリアントモデル、すなわちＡＲＸ（Ａｕｔｏ－Ｒｅｇｒｅｓｓｉｖｅ　ｗｉｔｈ　ｅＸｏｇｅｎｏｕｓ　ｉｎｐｕｔ）モデルによる最小二乗法を用いる。インバリアントモデルでは、変数間（ここでは２つのセンサ間）の正常時の関係（不変関係）をモデルとして定義し、該モデルと測定値とを比較することによって異常分析を行う。
　具体的な計算式には限定されないが、例として以下の式（１）を用いて回帰を行う。
Figure JPOXMLDOC01-appb-M000001
　式（１）において、ｙｉは目的変数、ｘｉは説明変数、ａｉおよびｂｉは回帰係数である。ｉはセンサ１１１の組を識別する番号である。本実施形態では、ｘｉとしてセンサ１１１の組の一方のセンサ値を用い、ｙｉとして他方のセンサ値を用いる。
　主要因抽出部１２０は、ステップＳ１１０で取得された時系列のセンサ値を用いて式（１）に対する回帰を行うことによって、ステップＳ１２１で選択されたセンサ１１１の組についての回帰係数を算出する。
　ステップＳ１１０でセンサ値が取得されたセンサ１１１の全ての組について回帰が終了していない場合には（ステップＳ１２３のＮＯ）、次のセンサ１１１の組についてステップＳ１２１～Ｓ１２２を繰り返す。ステップＳ１１０でセンサ値が取得されたセンサ１１１の全ての組について回帰が終了した場合には（ステップＳ１２３のＹＥＳ）、ステップＳ１２４に進む。このとき、ステップＳ１１０でセンサ値が取得されたセンサ１１１の全ての組について式（１）の回帰係数が算出されている。
　主要因抽出部１２０は、ステップＳ１２２において取得した回帰結果から、回帰の適合度を算出する。そして、主要因抽出部１２０は、センサ１１１の各組の適合度に従って、主要因とみなすセンサ１１１の組を１つ以上抽出する（ステップＳ１２４）。本実施形態では、回帰の適合度を表す指標として決定係数（寄与率ともいう）を用いる。
　決定係数Ｒ２は、具体的な計算式には限定されないが、例えば以下の式（２）から算出される。
Figure JPOXMLDOC01-appb-M000002
　式（２）において、ｙｊは測定値、ｆｊは回帰式による推定値、Ｙはｙｊの平均値である。本実施形態では、ｙｊとしてセンサ値を用い、ｆｊとしてステップＳ１２２において取得した回帰結果を用いる。
　式（２）によって算出された決定係数Ｒ２は、その値が大きいほど（すなわち１に近いほど）回帰結果がより測定値に適合していることを示す。そのため、主要因抽出部１２０は、決定係数Ｒ２を適合度として用いることができる。回帰結果が測定値に適合している度合を示せるものであれば、決定係数Ｒ２に限らずその他の指標を用いてよい。
　主要因抽出部１２０は、適合度が所定の基準を満たすセンサ１１１の組を１つ以上、主要因として抽出する。具体的な抽出基準として、例えば適合度が所定の値より大きい全ての組を主要因として抽出してよく、あるいは適合度が大きい順に所定の数の組を主要因として抽出してよい。また、適合度が高いセンサ１１１の組を選択可能なその他の抽出基準を用いてよい。
　主要因抽出部１２０は、ステップＳ１２４で抽出した主要因であるセンサ１１１の組を出力する（ステップＳ１２５）。主要因として抽出されたセンサ１１１の組は、メモリ１０２又は記憶装置１０３に一時的に記録される。
　図６は、本実施形態に係る異常分析システム１００において実行される副要因補正処理のフローチャートを示す図である。副要因補正処理は、図４のフローチャート中のステップＳ１３０において実行される。
　まず副要因補正部１３０は、主要因として抽出されたセンサ１１１の組のうち、まだステップＳ１３２での回帰が行われていない２つのセンサ１１１の組を１つ選択する（ステップＳ１３１）。次に副要因補正部１３０は、ステップＳ１３１で選択されたセンサ１１１の組に対して、副要因を示す変数（値）を加えて改めて回帰を実行する（ステップＳ１３２）。副要因の変数は、主要因の他に存在し得る除去したい要因であり、センサ１１１によるとは異なる方法によって予め測定される。本実施形態では副要因の変数は燃料の特性を示す燃料値であり、予め燃料に対して工業分析等を行うことによって測定され、時系列のデータとして副要因変数記憶部１６１に記録される。燃料値の種類は、例えば燃料中の水素、炭素、窒素、酸素、硫黄等の元素含有率、水分、湿分、発熱量、粉砕性、燃料比である。回帰の方法としては、主要因抽出処理と同じ方法を用いてよい。
　具体的な計算式には限定されないが、例として以下の式（３）を用いて回帰を行う。
Figure JPOXMLDOC01-appb-M000003
　式（３）において、ｙｋは目的変数、ｘｋは主要因の説明変数、ｚｌは副要因の説明変数、ａｋ、ｂｋおよびｃｋｌは回帰係数である。ｋはセンサ１１１の組を識別する番号である。本実施形態では、ｘｋとしてセンサ１１１の組の一方のセンサ値を用い、ｙｋとして他方のセンサ値を用いる。ｚｌは副要因を示す変数である各種類の燃料値（水分、湿分、発熱量等）であり、ｌは燃料値の種類を識別する番号である。
　副要因補正部１３０は、ステップＳ１１０で取得された時系列のセンサ値および副要因変数記憶部１６１から読み出された副要因を示す変数を用いて式（３）に対する回帰を行うことによって、ステップＳ１３１で選択されたセンサ１１１の組についての回帰係数を算出する。このように先に抽出された主要因を示す変数に副要因を示す変数を加えて回帰を行うことにより、副要因を示す変数によって補正された回帰結果が得られる。
　主要因として抽出されたセンサ１１１の全ての組について回帰が終了していない場合には（ステップＳ１３３のＮＯ）、次のセンサ１１１の組についてステップＳ１３１～Ｓ１３２を繰り返す。主要因として抽出されたセンサ１１１の全ての組について回帰が終了した場合には（ステップＳ１３３のＹＥＳ）、ステップＳ１３４に進む。このとき、主要因として抽出されたセンサ１１１の全ての組について式（３）の回帰係数が算出されている。
　副要因補正部１３０は、ステップＳ１３２で副要因を示す変数によって補正された回帰結果を、補正モデルとして出力する（ステップＳ１３４）。補正モデルは、モデル記憶部１６２に記録され、異常分析に用いられる。
　式（３）に対して公知の変数選択手法を適用してよい。例えば変数選択手法としてＬ１正則化を用いると、回帰への影響が小さい項の回帰係数（ｃｋｌ）をゼロにすることができる。回帰への影響が小さい項が存在すると、過剰な推定による誤差が発生する場合がある。すなわち、モデル構築の際に回帰への影響が小さい項が多数存在する学習データに過剰に適合してしまい、他のデータに対しては推定精度が悪くなるおそれがある。それに対して、変数選択手法を適用して回帰への影響が小さい項をゼロにすることによって、過剰な推定を抑制し、推定精度を向上させることができる。また、式（３）では副要因の説明変数の数が多い場合に計算量が大きくなるが、このような変数選択手法を適用することによって説明変数を減らすことができるため、計算量を削減することができる。
　本実施形態において異常分析システム１００のＣＰＵ１０１は、図４～６に示す処理に含まれる各ステップ（工程）の主体となる。すなわち、ＣＰＵ１０１は、図４～６に示す処理を実行するためのプログラムをメモリ１０２又は記憶装置１０３から読み出し、該プログラムを実行して異常分析システム１００の各部を制御することによって図４～６に示す処理を実行する。また、図４～６に示す処理の少なくとも一部が、ＣＰＵ１０１ではなく、専用の装置又は電気回路によって行われてもよい。
　本実施形態では、主要因抽出部１２０による主要因の抽出に２つのセンサ１１１間の関係（すなわちインバリアントモデル）を用いたが、センサ値を用いて主要因を抽出できればこれに限られない。例えば、主要因の抽出に１つのセンサ１１１を用いてよい。この場合には、回帰に１つのセンサ１１１の自己回帰モデル、すなわちＡＲ（Ａｕｔｏ－Ｒｅｇｒｅｓｓｉｖｅ）モデルを用いる。主要因抽出部１２０は、自己回帰モデルを用いた回帰結果から各センサ１１１の適合度を算出し、該適合度に従って主要因とみなすセンサ１１１を１つ以上抽出することができる。
　本実施形態では副要因を示す変数として燃料値を用いたが、主要因の他に存在し得る除去したい要因を示すその他の値を用いてよい。例えば、副要因を示す変数として、気温又は気圧を用いてよい。気温又は気圧は季節的な変動によってセンサ値の傾向を変動させ得るが、異常の直接的な原因でないことが多いためである。本実施形態を適用すると、気温又は気圧によるセンサ値への影響を除去できるため、異常の真の要因の分析が容易になる。
　本実施形態に係る異常分析システム１００は、回帰によって主要因を抽出した後に、副要因を示す変数を加えて改めて回帰を行うことによって、副要因によって補正されたモデルを生成する。このような構成により、主要因とは異なる副要因の影響を考慮してモデルを得ることができるため、異常分析において真の要因の特定を容易にすることができる。また、異常分析システム１００は、センサ値とともに副要因の時系列の情報を取得するだけで分析を行うことができるため、プラントの設計やおよび運用条件等に基づく数値解析を行う必要がなく、導入の手間が小さい。
（その他の実施形態）
　図７は、上述の各実施形態に係る異常分析システム１００のブロック図である。図７には、異常分析システム１００がセンサの測定値から主要因を抽出し、さらに主要因を示す値に加えて副要因を示す値を用いて補正されたモデルを生成する装置として機能するための構成例が示されている。異常分析システム１００は、設備に設けられる複数のセンサによって測定された測定値に基づいて、前記測定値に影響を与える主要因であるセンサを抽出する主要因抽出部１２０と、前記主要因であるセンサによって測定された前記測定値に加えて、前記測定値に影響を与える副要因を示す値を用いて、前記設備の正常な状態を示すモデルを生成する副要因補正部１３０と、を備え、前記副要因を示す値は、前記センサとは異なる手段によって測定される。
　本発明は、上述の実施形態に限定されることなく、本発明の趣旨を逸脱しない範囲において適宜変更可能である。
　上述の実施形態の機能を実現するように該実施形態の構成を動作させるプログラム（より具体的には、図４～６に示す処理をコンピュータに実行させるログ分析プログラム）を記録媒体に記録させ、該記録媒体に記録されたプログラムをコードとして読み出し、コンピュータにおいて実行する処理方法も各実施形態の範疇に含まれる。すなわち、コンピュータ読取可能な記録媒体も各実施形態の範囲に含まれる。また、上述のプログラムが記録された記録媒体はもちろん、そのプログラム自体も各実施形態に含まれる。
　該記録媒体としては例えばフロッピー（登録商標）ディスク、ハードディスク、光ディスク、光磁気ディスク、ＣＤ－ＲＯＭ、磁気テープ、不揮発性メモリカード、ＲＯＭを用いることができる。また該記録媒体に記録されたプログラム単体で処理を実行しているものに限らず、他のソフトウェア、拡張ボードの機能と共同して、ＯＳ上で動作して処理を実行するものも各実施形態の範疇に含まれる。
　上述の実施形態の一部又は全部は、以下の付記のようにも記載されうるが、以下には限られない。
（付記１）
　設備に設けられる複数のセンサによって測定された測定値に基づいて、前記測定値に影響を与える主要因であるセンサを抽出する工程と、
　前記主要因であるセンサによって測定された前記測定値に加えて、前記測定値に影響を与える副要因を示す値を用いて、前記設備の正常な状態を示すモデルを生成する工程と、
　を含み、
　前記副要因を示す値は、前記センサとは異なる手段によって測定されることを特徴とする異常分析方法。
（付記２）
　前記主要因を抽出する工程は、２つの前記センサの組の前記測定値に基づいて、前記主要因である前記センサの組を抽出し、
　前記モデルを生成する工程は、前記主要因であるセンサの組によって測定された前記測定値を用いて、前記モデルを生成することを特徴とする、付記１に記載の異常分析方法。
（付記３）
　前記主要因を抽出する工程は、前記測定値に対して回帰を行うことによって、前記主要因であるセンサを抽出することを特徴とする、付記１又は２に記載の異常分析方法。
（付記４）
　前記主要因を抽出する工程は、前記測定値を説明変数として、前記回帰を行うことを特徴とする、付記３に記載の異常分析方法。
（付記５）
　前記主要因を抽出する工程は、前記回帰の適合度に従って、前記主要因であるセンサを抽出することを特徴とする、付記３又は４に記載の異常分析方法。
（付記６）
　前記モデルを生成する工程は、前記主要因であるセンサによって測定された前記測定値および前記副要因を示す前記値に対して回帰を行うことによって、前記モデルを生成することを特徴とする、付記１～５のいずれか一項に記載の異常分析方法。
（付記７）
　前記モデルを生成する工程は、前記主要因であるセンサによって測定された前記測定値および前記副要因を示す前記値を説明変数として、前記回帰を行うことを特徴とする、付記６に記載の異常分析方法。
（付記８）
　前記副要因を示す前記値は前記設備を稼動させる燃料の特性を示す値であることを特徴とする、付記１～７のいずれか一項に記載の異常分析方法。
（付記９）
　前記測定値および前記モデルに基づいて異常分析を行う工程をさらに備えることを特徴とする、付記１～８のいずれか一項に記載の異常分析方法。
（付記１０）
　コンピュータに、
　設備に設けられる複数のセンサによって測定された測定値に基づいて、前記測定値に影響を与える主要因であるセンサを抽出する工程と、
　前記主要因であるセンサによって測定された前記測定値に加えて、前記測定値に影響を与える副要因を示す値を用いて、前記設備の正常な状態を示すモデルを生成する工程と、
　を実行させ、
　前記副要因を示す値は、前記センサとは異なる手段によって測定されることを特徴とする異常分析プログラム。
（付記１１）
　設備に設けられる複数のセンサによって測定された測定値に基づいて、前記測定値に影響を与える主要因であるセンサを抽出する主要因抽出部と、
　前記主要因であるセンサによって測定された前記測定値に加えて、前記測定値に影響を与える副要因を示す値を用いて、前記設備の正常な状態を示すモデルを生成する副要因補正部と、
　を備え、
　前記副要因を示す値は、前記センサとは異なる手段によって測定されることを特徴とする異常分析システム。

Claims (11)

  1. 　設備に設けられる複数のセンサによって測定された測定値に基づいて、前記測定値に影響を与える主要因であるセンサを抽出する工程と、
    　前記主要因であるセンサによって測定された前記測定値に加えて、前記測定値に影響を与える副要因を示す値を用いて、前記設備の正常な状態を示すモデルを生成する工程と、
    　を含み、
    　前記副要因を示す値は、前記センサとは異なる手段によって測定されることを特徴とする異常分析方法。
  2. 　前記主要因を抽出する工程は、２つの前記センサの組の前記測定値に基づいて、前記主要因である前記センサの組を抽出し、
    　前記モデルを生成する工程は、前記主要因であるセンサの組によって測定された前記測定値を用いて、前記モデルを生成することを特徴とする、請求項１に記載の異常分析方法。
  3. 　前記主要因を抽出する工程は、前記測定値に対して回帰を行うことによって、前記主要因であるセンサを抽出することを特徴とする、請求項１又は２に記載の異常分析方法。
  4. 　前記主要因を抽出する工程は、前記測定値を説明変数として、前記回帰を行うことを特徴とする、請求項３に記載の異常分析方法。
  5. 　前記主要因を抽出する工程は、前記回帰の適合度に従って、前記主要因であるセンサを抽出することを特徴とする、請求項３又は４に記載の異常分析方法。
  6. 　前記モデルを生成する工程は、前記主要因であるセンサによって測定された前記測定値および前記副要因を示す前記値に対して回帰を行うことによって、前記モデルを生成することを特徴とする、請求項１～５のいずれか一項に記載の異常分析方法。
  7. 　前記モデルを生成する工程は、前記主要因であるセンサによって測定された前記測定値および前記副要因を示す前記値を説明変数として、前記回帰を行うことを特徴とする、請求項６に記載の異常分析方法。
  8. 　前記副要因を示す前記値は前記設備を稼動させる燃料の特性を示す値であることを特徴とする、請求項１～７のいずれか一項に記載の異常分析方法。
  9. 　前記測定値および前記モデルに基づいて異常分析を行う工程をさらに備えることを特徴とする、請求項１～８のいずれか一項に記載の異常分析方法。
  10. 　コンピュータに、
    　設備に設けられる複数のセンサによって測定された測定値に基づいて、前記測定値に影響を与える主要因であるセンサを抽出する工程と、
    　前記主要因であるセンサによって測定された前記測定値に加えて、前記測定値に影響を与える副要因を示す値を用いて、前記設備の正常な状態を示すモデルを生成する工程と、
    　を実行させ、
    　前記副要因を示す値は、前記センサとは異なる手段によって測定されることを特徴とする異常分析プログラム。
  11. 　設備に設けられる複数のセンサによって測定された測定値に基づいて、前記測定値に影響を与える主要因であるセンサを抽出する主要因抽出部と、
    　前記主要因であるセンサによって測定された前記測定値に加えて、前記測定値に影響を与える副要因を示す値を用いて、前記設備の正常な状態を示すモデルを生成する副要因補正部と、
    　を備え、
    　前記副要因を示す値は、前記センサとは異なる手段によって測定されることを特徴とする異常分析システム。
PCT/JP2016/004819 2016-11-07 2016-11-07 異常分析方法、プログラムおよびシステム WO2018083720A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2018548472A JP6818242B2 (ja) 2016-11-07 2016-11-07 異常分析方法、プログラムおよびシステム
PCT/JP2016/004819 WO2018083720A1 (ja) 2016-11-07 2016-11-07 異常分析方法、プログラムおよびシステム
US16/344,529 US20190243349A1 (en) 2016-11-07 2016-11-07 Anomaly analysis method, program, and system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2016/004819 WO2018083720A1 (ja) 2016-11-07 2016-11-07 異常分析方法、プログラムおよびシステム

Publications (1)

Publication Number Publication Date
WO2018083720A1 true WO2018083720A1 (ja) 2018-05-11

Family

ID=62076819

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2016/004819 WO2018083720A1 (ja) 2016-11-07 2016-11-07 異常分析方法、プログラムおよびシステム

Country Status (3)

Country Link
US (1) US20190243349A1 (ja)
JP (1) JP6818242B2 (ja)
WO (1) WO2018083720A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019135351A1 (ja) * 2018-01-04 2019-07-11 株式会社日立製作所 センサ選択装置およびセンサ選択方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7248188B2 (ja) * 2020-10-27 2023-03-29 Ｊｆｅスチール株式会社 異常診断モデルの構築方法、異常診断方法、異常診断モデルの構築装置および異常診断装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003150237A (ja) * 2001-11-12 2003-05-23 Hitachi Ltd 高温部品の遠隔監視システムおよび遠隔監視方法
JP2007271187A (ja) * 2006-03-31 2007-10-18 Hitachi Ltd 燃焼装置を有する制御対象物の制御装置、及びボイラを有するプラントの制御装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003150237A (ja) * 2001-11-12 2003-05-23 Hitachi Ltd 高温部品の遠隔監視システムおよび遠隔監視方法
JP2007271187A (ja) * 2006-03-31 2007-10-18 Hitachi Ltd 燃焼装置を有する制御対象物の制御装置、及びボイラを有するプラントの制御装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019135351A1 (ja) * 2018-01-04 2019-07-11 株式会社日立製作所 センサ選択装置およびセンサ選択方法

Also Published As

Publication number Publication date
JPWO2018083720A1 (ja) 2019-07-25
US20190243349A1 (en) 2019-08-08
JP6818242B2 (ja) 2021-01-20

Similar Documents

Publication Publication Date Title
CN107636619B (zh) 信息处理装置、信息处理系统、信息处理方法及记录介质
US11657121B2 (en) Abnormality detection device, abnormality detection method and computer readable medium
US20200341454A1 (en) Factor analysis method, factor analysis device, and factor analysis program
JPWO2018104985A1 (ja) 異常分析方法、プログラムおよびシステム
US11640459B2 (en) Abnormality detection device
EP4160342A1 (en) Abnormal modulation cause identification device, abnormal modulation cause identification method, and abnormal modulation cause identification program
US20230213924A1 (en) Abnormal irregularity cause identifying device, abnormal irregularity cause identifying method, and abnormal irregularity cause identifying program
Gitzel Data Quality in Time Series Data: An Experience Report.
WO2018069950A1 (ja) ログ分析方法、システムおよびプログラム
WO2018083720A1 (ja) 異常分析方法、プログラムおよびシステム
EP4160341A1 (en) Abnormal modulation cause identifying device, abnormal modulation cause identifying method, and abnormal modulation cause identifying program
CN112882898B (zh) 基于大数据日志分析的异常检测方法、系统、设备及介质
JP6625839B2 (ja) 負荷実績データ判別装置、負荷予測装置、負荷実績データ判別方法及び負荷予測方法
US11244235B2 (en) Data analysis device and analysis method
JP6290777B2 (ja) データ関連情報処理装置及びプログラム
JP6310865B2 (ja) ソースコード評価システム及び方法
US20220083039A1 (en) Abnormality detection apparatus, abnormality detection system, and learning apparatus, and methods for the same and nontemporary computer-readable medium storing the same
JP6885321B2 (ja) プロセスの状態診断方法及び状態診断装置
US20230259116A1 (en) Cause estimation apparatus and cause estimation method
JP6756378B2 (ja) 異常検出方法、システムおよびプログラム
JP2017130025A (ja) 要因分析装置、方法およびプログラム
WO2016163008A1 (ja) 異常診断装置および異常診断方法
US20200342048A1 (en) Analysis device, analysis method, and recording medium
US20230205194A1 (en) Abnormal irregularity cause display device, abnormal irregularity cause display method, and abnormal irregularity cause display program
JP7408911B2 (ja) 異常検知装置及び異常検知方法

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: 16920498

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2018548472

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 16920498

Country of ref document: EP

Kind code of ref document: A1