WO2019135351A1 - センサ選択装置およびセンサ選択方法 - Google Patents

センサ選択装置およびセンサ選択方法 Download PDF

Info

Publication number
WO2019135351A1
WO2019135351A1 PCT/JP2018/046372 JP2018046372W WO2019135351A1 WO 2019135351 A1 WO2019135351 A1 WO 2019135351A1 JP 2018046372 W JP2018046372 W JP 2018046372W WO 2019135351 A1 WO2019135351 A1 WO 2019135351A1
Authority
WO
WIPO (PCT)
Prior art keywords
sensor
period
normal
target
main component
Prior art date
Application number
PCT/JP2018/046372
Other languages
English (en)
French (fr)
Inventor
康之 玉井
受田　賢知
俊之 小高
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
Publication of WO2019135351A1 publication Critical patent/WO2019135351A1/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

Definitions

  • the present invention relates to a technology for selecting a sensor that uses sensing data in the construction of a predictive diagnosis model for diagnosing a failure symptom of a device, various equipment, and the like.
  • failure or failure sign of equipment or equipment (diagnosis target).
  • diagnosis sign failure sign
  • machine learning or the like it is possible to construct a predictive diagnosis model for detecting a sign of failure or failure of the diagnostic target. Based on the detection of a failure sign based on the sign diagnosis model, replacing or repairing the component to be diagnosed in advance can reduce the cost for maintenance / maintenance of the facility or the equipment, or can be obtained by the facility or the equipment It is possible to avoid loss of opportunity. From such a background, it is required to construct a predictive diagnosis model capable of detecting a predictive failure with high accuracy.
  • Patent Document 1 discloses a technique for improving the detection accuracy of a failure sign according to the sign diagnosis model.
  • the technology disclosed in Patent Document 1 is a technology for making the predictive diagnosis model of the diagnosis target the same accuracy as the already proven predictive diagnosis model of the same model as the diagnosis target.
  • the weights of the sensors in the predictive diagnosis model to be diagnosed are adjusted based on the weights of the sensors in the proven predictive diagnosis model constructed for other devices of the same model. As a result, the accuracy of the predictive diagnosis model to be diagnosed can be improved.
  • Patent Document 1 uses, as a reference, a predictive diagnosis model that has already been built for devices of the same type. Therefore, no predictive diagnosis model has been constructed for detecting a predictive failure of a target device in the same type of device, if the predictive device has not yet been constructed for the same type of device as the target device. In the case, the technology of Patent Document 1 can not be applied.
  • An object of the present invention is to provide a technology that enables selection of a sensor suitable for detecting a failure sign even if there is no sign diagnosis model constructed of the same model as the diagnosis target.
  • the sensor selection apparatus calculates the difference between the features of the normal period and the abnormal period for each sensor of the target sensor group that can be used for detecting a sign as a normal / abnormal difference calculation unit And a sensor selection unit that selects a sensor having a sign of failure, which is included in the target sensor group, and a sensor whose tendency of the normal / abnormal difference matches.
  • the senor since the sensor is selected based on the difference between the characteristics of the normal period and the abnormal period, a failure precursor is detected without using a precursor diagnostic model constructed by devices of the same type. It is possible to select a sensor for
  • FIG. 1 is a diagram showing an example of the configuration of a sensor reselection system 100 according to a first embodiment. It is a figure which shows the structure of sensing data. It is a figure which shows the data structure of installation operation information. It is a figure which shows the data structure of sensor group information. It is a figure which shows the data structure of prognostic diagnosis result information. It is a figure which shows the data structure of the sensor characteristic data which show the factor load amount of each main component calculated by the main component analysis with respect to the sensing data of the whole period of all the sensors.
  • the factor load of each main component calculated by principal component analysis for sensing data of abnormal period only for a sensor group (target sensor group) including a sensor group with a possibility of precursor detection and a plurality of sensors present in the vicinity It is a figure which shows the data structure of the sensor characteristic data to show.
  • Factor load amount of each principal component calculated by principal component analysis for normal period sensing data of a sensor group having a possibility of precursor detection and a plurality of sensors present in the vicinity thereof, and principal component for abnormal period sensing data It is a figure which shows the data structure of the sensor characteristic difference data which show the difference with the factor load of each main component calculated by analysis.
  • FIG. 6 is a block diagram of a sensor feature calculation reselection unit 121. It is a figure which shows an example of the all sensor group screen displayed by the warning diagnostic result display part 124. FIG. In Example 2, it is a figure which shows an example of the separate sensor group screen displayed on the warning diagnostic result display part 124.
  • FIG. 17 is a diagram showing another example of the individual sensor group screen displayed on the symptom diagnostic result display unit 124 in the second embodiment.
  • FIG. 21 is a diagram showing still another example of the individual sensor group screen displayed on the symptom diagnostic result display unit 124 in the second embodiment.
  • FIG. 21 is a diagram showing still another example of the individual sensor group screen displayed by the symptom diagnostic result display unit 124 in the second embodiment.
  • FIG. 18 is a view showing an example of a sensor reselection result display screen according to the second embodiment.
  • FIG. 1 is a view showing a configuration example of a sensor reselection system 100 according to a first embodiment.
  • the sensor reselection system 100 is a computer that reselects a sensor used to construct a prognostic diagnostic model for diagnosing a failure precursor of a diagnostic target from among a group of sensors installed in a diagnostic target such as equipment or equipment. It is a system.
  • the reselection is a process of redetermining a sensor used for the predictive diagnosis model in order to construct a good predictive diagnostic model.
  • the sensor reselection system 100 finds out from among the sensors a sensor (notice of interest) detecting a failure sign and uses the difference between the factor load amounts of the normal period and the abnormal period of the attention sensor as a failure sign. Find the main component (main component of interest).
  • the normal period is a period arbitrarily set so as to include only the period of the normal state of the diagnosis target.
  • the abnormal period is a period arbitrarily set so as to include a period in which a sign of abnormality to be diagnosed exists.
  • the abnormal period is set to the same period length as the normal period.
  • the normal period and the abnormal period are automatically determined based on predetermined conditions. Then, a sensor (diagnostic sensor) whose tendency of the main component higher than the main component of interest matches the sensor of interest is selected, and the diagnostic sensor is used to construct a predictive diagnosis model. This makes it possible to create a predictive diagnosis model capable of detecting a predictive failure sign more significantly.
  • the sensor reselection system 100 is connected to the network 140, and can perform data communication with the client terminal 150 via the network 140.
  • the client terminal 150 is a computer terminal that includes an input interface such as a keyboard and a mouse and an output interface such as a display, and operates the sensor reselection system 100 based on an operation by an analyst who diagnoses a diagnosis target.
  • the client terminal 150 accesses the sensor reselection system 100, receives an operation from the analyst at the input interface, operates the sensor reselection system 100, and generates a predictive diagnosis result and sensor characteristics obtained from the sensor reselection system 100. Perform various processing such as processing of displaying by the output interface.
  • the hardware configuration of the sensor reselection system 100 is shown in FIG.
  • the sensor reselection system 100 includes, as hardware elements, a storage device 115 configured of a non-volatile storage device such as a hard disk drive and holding programs and data, and a memory 113 configured of a volatile storage device such as a RAM.
  • the CPU 114 (arithmetic unit) performs readout control of the program from the storage unit 115 to the memory 113 and executes overall control of the sensor reselection system 100 itself and performs preliminary control processing such as various determinations and calculations, and the network 140 for the sensor reselection system 100.
  • an I / O device 111 that inputs and outputs data.
  • the CPU 114 reads a program from the storage device 115 into the memory 113 and executes the program to operate as the sensor feature calculation / reselection unit 121, the sensor feature display unit 122, the sign diagnostic unit 123, and the sign diagnostic result display unit 124.
  • the storage device 115 stores, in addition to the program, sensing data 131, a predictive diagnosis result 132, a sensor feature calculation result 133, and a sensor reselection result 134. These data are written or referenced by a program.
  • the sensor feature calculation reselection unit 121 reselects a sensor used to construct a prognostic diagnostic model for diagnosing a failure prognostic of the diagnostic target from among the sensors installed in the diagnostic target.
  • the sensor feature display unit 122 displays data calculated in the process of reselecting the sensor, such as data indicating the feature of the sensor, in a graphical user interface (GUI).
  • GUI graphical user interface
  • the predictive diagnosis unit 123 diagnoses the presence or absence of a predictive failure in the diagnosis target using sensing data of the sensors included in the sensor group designated by the sensor feature calculation / reselection unit 121.
  • the data of the diagnosis result is used for sensor reselection by the sensor feature calculation reselection unit 121.
  • the predictive diagnosis result display unit 124 displays the diagnostic result by the predictive diagnostic unit 123 on a GUI.
  • the analyst inputs the sensing data 131 from the client terminal 150 to the sensor reselection system 100, and the predictive diagnosis result 132 and the sensor feature calculation result 133 obtained by the sensor reselection system 100 are the client terminal 150.
  • the client terminal 150 displays those data.
  • the sensor reselection system 100 includes an input interface and an output interface, inputs the sensing data 131 to itself by the input interface, and displays the predictive diagnosis result 132 and the sensor feature calculation result 133 by the output interface. It may be one.
  • a plurality of client terminals 150 can be connected to the sensor reselection system 100, and the client terminals 150 perform processing on the same diagnostic target or processing on separate diagnostic targets. It is also good.
  • FIG. 2 is a diagram showing the structure of sensing data.
  • the sensing data 131 is data obtained by accumulating values measured at regular intervals by a sensor attached to a diagnosis target.
  • each record 206 to 208 of sensing data 131 includes data fields of time 201, sensor 1202, sensor 2203, ..., sensor N-1 204, and sensor N205.
  • the time 201 is a field in which the time when the measurement was performed is included.
  • the sensor 1 202, the sensor 2 203,..., The sensor N-1 204, and the sensor N 205 are fields into which the values measured by the respective sensors enter.
  • the predictive diagnosis result 132 includes facility operation information (FIG. 3), sensor group information (FIG. 4), and predictive diagnostic result information (FIG. 5D).
  • the equipment operation information is a table in which the content of the failure to be diagnosed, the start date and end date of the normal period in which the diagnosis target was operating normally, and the date on which the failure occurred in the diagnosis target are recorded.
  • the sensor group information is a table in which information of a plurality of sensor groups considered to be suitable for constructing a predictive diagnosis model for detecting a failure to be diagnosed is recorded.
  • the predictive diagnosis result information is a table in which results of predictive diagnosis are recorded for all periods in which sensing data are present according to each predictive diagnostic model constructed for each sensor group.
  • FIG. 3 is a diagram showing a data structure of facility operation information.
  • Each record 215 of the operation information 210 includes data fields of failure mode 211, normal period start 212, normal period end 213, and abnormality occurrence date 214.
  • the failure mode 211 is a field in which the content of the failure to be diagnosed enters.
  • the normal period start 212 is a field in which the start date and time of the normal period in which the diagnostic target was operating normally is entered.
  • the end of the normal period 213 is a field in which the end date and time of the normal period in which the diagnostic target was operating normally are included.
  • the abnormality occurrence date and time 214 is a field in which the date and time when a failure occurred in the diagnosis target is included.
  • FIG. 4 is a view showing a data structure of sensor group information.
  • Each record 223 to 225 of the sensor group information 220 is composed of data fields of sensor group number 221 and sensor name 222.
  • the sensor group number 221 is a field in which the number of each sensor group considered to be suitable for constructing a predictive diagnosis model is entered.
  • the sensor name 222 is a field in which the sensor name of the sensor included in the sensor group is entered.
  • FIG. 5 is a diagram showing the data structure of the symptom diagnostic result information.
  • the records 2306 to 2311 of the predictive diagnosis result information 230 are data fields such as time 2301, abnormality 2302, abnormality contribution (sensor 1) 2303, abnormality contribution (sensor 3) 2304, and abnormality contribution (sensor 5) 2305 It consists of
  • the time 2301 is a field in which the target date and time is entered.
  • the degree of abnormality 2302 is a field in which the degree of abnormality that is the degree of the failure sign of the target date and time is entered.
  • the abnormality contribution degree (sensor 1) 2303 is a field in which an abnormality contribution degree indicating how much the sensing data of the sensor 1 is correlated with the abnormality degree of the target date and time.
  • An abnormality contribution degree (sensor 3) 2304 is a field in which an abnormality contribution degree indicating how much the sensing data of the sensor 3 is correlated with the abnormality degree of the target date and time.
  • the abnormality contribution degree (sensor 5) 2305 is a field in which there is an abnormality contribution degree indicating how much the sensing data of the sensor 5 is correlated with the abnormality degree of the target date and time.
  • the sensor feature calculation result 133 is a table in which sensor feature data indicating the factor load amount obtained by the principal component analysis on the sensing data obtained by the sensor is recorded.
  • the sensor feature calculation result 133 includes a plurality of different data tables.
  • the sensor feature calculation result 133 is a table in which sensor feature data indicating factor load of each main component calculated by principal component analysis for sensing data of all the target periods of all the sensors is recorded (see FIG. 6) is included. Also, in the sensor feature calculation result 133, the factor load amount of each main component calculated by principal component analysis on sensing data of normal periods of only a sensor group having a possibility of precursor detection and a plurality of sensors in the vicinity thereof And a table (FIG. 7) in which sensor characteristic data indicating. Also, the sensor feature calculation result 133 shows the factor load amount of each main component calculated by principal component analysis on sensing data of an abnormal period of only a sensor group having a possibility of precursor detection and a plurality of sensors present in the vicinity thereof.
  • a table (FIG. 8) in which sensor characteristic data indicating.
  • the factor load amount of each main component calculated by principal component analysis on sensing data of normal periods of only a sensor group having a possibility of precursor detection and a plurality of sensors in the vicinity thereof and a table (FIG. 9) in which sensor feature difference data indicating the difference between the factor load of each principal component calculated by principal component analysis for the sensing data of the abnormal period is recorded.
  • a table (FIG. 10) in which labeling data indicating a factor loading amount and a label added by labeling for each factor loading amount is recorded.
  • FIG. 6 is a diagram showing a data structure of sensor characteristic data indicating factor load of each main component calculated by principal component analysis on sensing data of the entire period of all the sensors.
  • the sensor characteristic data 240 records of all the sensors (Sensors 1 to N (N is a natural number)) are recorded.
  • Each record 246 to 249 includes a sensor name 241, a factor loading amount (first main component) 242, a factor loading amount (second main component) 243, ..., a factor loading amount (N-1 main component) 244, and a factor It consists of a data field called load amount (Nth main component) 245.
  • the sensor name 241 is a field in which the sensor name of the target sensor is entered.
  • the factor loading amount (first main component) 242, the factor loading amount (second main component) 243,..., The factor loading amount (N-1 main component) 244, and the factor loading amount (Nth main component) 245 It is a field in which the factor loading of each main component is included.
  • FIG. 7 shows main components of each main component calculated by principal component analysis for normal period sensing data of only a sensor group (target sensor group) including a sensor group having a possibility of precursor detection and a plurality of sensors present in the vicinity thereof. It is a figure which shows the data structure of the sensor characteristic data which show factor load amount.
  • a record of each sensor (sensor 1, 3, 5, 11, 13) of the target sensor group is recorded.
  • Each record 2509 to 2513 includes the sensor name 2501, FL (PC1) 2502, FL (PC2) 2503, FL (PC3) 2504, FL (PC4) 2505, FL (PC5) 2506, maximum abnormality contribution (learning period) And 2507 and a data field of an anomaly contribution maximum value (full period) 2508.
  • the sensor name 2501 is a field in which the sensor name of the target sensor is entered.
  • FL (PC1) 2502, FL (PC2) 2503, FL (PC3) 2504, FL (PC4) 2505, and FL (PC5) 2506 are factor loading amounts (PC (Principal Component) 1 to 5)
  • This is a field that contains FL (Factor Loading).
  • the abnormality contribution degree maximum value (learning period) 2507 is a field in which the maximum value of the abnormality contribution degree in a period (learning period) in which the sensing data is used for machine learning of the predictive diagnosis model is entered.
  • the abnormality contribution degree maximum value (full period) 2508 is a field in which the maximum value of the abnormality contribution degree in the whole period is included.
  • FIG. 8 is each principal component calculated by principal component analysis on sensing data of an abnormal period of only a sensor group (target sensor group) including a sensor group having a possibility of precursor detection and a plurality of sensors present in the vicinity thereof. It is a figure which shows the data structure of the sensor characteristic data which show factor load amount.
  • a record of each sensor (sensors 1, 3, 5, 11, 13) of the target sensor group is recorded.
  • Each record 2609 to 2613 has a sensor name 2601, FL (PC1) 2602, FL (PC2) 2603, FL (PC3) 2604, FL (PC4) 2605, FL (PC5) 2606, maximum abnormality contribution (learning period) 2607 and a data field of an anomaly contribution maximum value (full period) 2608.
  • the sensor name 2601 is a field in which the sensor name of the target sensor is entered.
  • FL (PC 1) 2602, FL (PC 2) 2603, FL (PC 3) 2604, FL (PC 4) 2605, and FL (PC 5) 2606 are factor loading amounts (PC (Principal Component) 1 to 5)
  • This is a field that contains FL (Factor Loading).
  • the abnormality contribution degree maximum value (learning period) 2607 is a field in which the maximum value of the abnormality contribution degree in a period (learning period) in which the sensing data is used for machine learning of the predictive diagnosis model is entered.
  • the abnormality contribution maximum value (full period) 2608 is a field in which the maximum value of the abnormality contribution in the whole period is included.
  • FIG. 9 shows the factor loading amount of each main component calculated by principal component analysis for the sensing data of the normal period only of a sensor group having a possibility of precursor detection and a plurality of sensors present in the vicinity, and sensing of an abnormal period It is a figure which shows the data structure of the sensor characteristic difference data which show the difference with the factor load of each main component calculated by the main component analysis with respect to data.
  • the feature difference data 270 a record is recorded for each sensor (sensors 1, 3, 5, 11, 13) of the target sensor group.
  • Each record 2709 to 2713 includes a sensor name 2701, an FL difference (PC1) 2702, an FL difference (PC2) 2703, an FL difference (PC3) 2704, an FL difference (PC4) 2705, an FL difference (PC5) 2706, and an abnormality contribution degree maximum.
  • a data field is formed of a value (learning period) 2707 and an abnormality contribution degree maximum value (full period) 2708.
  • the sensor name 2701 is a field in which the sensor name of the target sensor is entered.
  • FL difference (PC1) 2702, FL difference (PC2) 2703, FL difference (PC3) 2704, FL difference (PC4) 2705, and FL difference (PC5) 2706 are main components (PC1 to 5) of normal period and abnormal period.
  • Factor loading amount (FL) of the difference (FL difference) is a field that enters.
  • the abnormality contribution degree maximum value (learning period) 2707 is a field in which the maximum value of the abnormality contribution degree in a period (learning period) in which the sensing data is used for machine learning of the predictive diagnosis model is entered.
  • the abnormality contribution degree maximum value (full period) 2708 is a field in which the maximum value of the abnormality contribution degree in the whole period is included.
  • FIG. 10 shows main components of each main component calculated by principal component analysis for normal period sensing data of only a sensor group (target sensor group) including a sensor group having a possibility of precursor detection and a plurality of sensors present in the vicinity thereof. It is a figure which shows the data structure of the labeling data which show a factor loading amount and the label added by the labeling with respect to each factor loading amount by clustering of a factor loading amount.
  • the labeling data 280 a record of each sensor (sensors 1, 3, 5, 11, 13) of the target sensor group is recorded.
  • Each record 2812 to 2816 has a sensor name 2801, FL (PC1) 2802, label (PC1) 2803, FL (PC2) 2804, label (PC2) 2805, FL (PC3) 2806, label (PC3) 2807, FL (PC4) 2808, label (PC 4) 2809, FL (PC 5) 2810, and label (PC 5) 2811 data fields.
  • the sensor name 2801 is a field in which the sensor name of the target sensor is entered.
  • FL (PC1) 2802, FL (PC 2) 2804, FL (PC 3) 2806, FL (PC 4) 2808, and FL (PC 5) 2810 are fields where the factor loading amount (FL) of each main component (PC1 to 5) is included It is.
  • a label (PC1) 2803, a label (PC2) 2805, a label (PC3) 2807, a label (PC4) 2809, and a label (PC5) 2811 are fields in which the labels of the respective main components (PC1 to 5) are placed. Labels are assigned to subsets (clusters) generated by clustering of factor loadings in each principal component. For each main component of each sensor in the labeling data 280, a label of a cluster to which the factor load belongs is set.
  • FIG. 11 is a diagram showing the data structure of the sensor reselection result.
  • a record of the selected sensor (sensor 3, 5, 13) is recorded.
  • Each of the records 297 to 299 includes data fields of sensor name 291, FL (PC 1) 292, FL (PC 2) 293, FL (PC 3) 294, FL (PC 4) 295, and FL (PC 5) 296.
  • the sensor name 291 is a field in which the sensor name of the target sensor is entered.
  • FL (PC1) 292, FL (PC 2) 293, FL (PC 3) 294, FL (PC 4) 295, and FL (PC 5) 296 are fields in which the factor loading amount (FL) of each main component (PC 1 to 5) is contained It is.
  • FIG. 12 is a flowchart of the sensor reselection process performed by the sensor feature calculation reselection unit 121.
  • the sensor feature calculation reselection unit 121 creates a plurality of sensor group candidates to be used for construction of the predictive diagnosis model, and stores the plurality of candidate sensor groups in the sensor group information 220 of the predictive diagnosis result 132.
  • the analyst may select a sensor group likely to be strongly associated with the failure as a sensor group candidate to be used for predictive diagnosis, or select a sensor group candidate to be mechanically used for predictive diagnosis by any method. You may
  • the sensor feature calculation reselection unit 121 performs a precursor diagnosis based on a predetermined precursor diagnosis algorithm using sensing data of a plurality of sensor groups, and makes a diagnosis of the precursor diagnosis of the precursor diagnosis result 132
  • the result information 230 is stored. Predictive diagnosis is performed for each sensor group, and the diagnosis result of each sensor group is stored in the predictive diagnosis result information 230.
  • the sensor feature calculation reselection unit 121 determines, in step 311, a period in which data is used to calculate principal components from among periods in which sensing data of all sensors are acquired in parallel with steps 301 and 302. .
  • the period in which data is used to calculate the principal component may be determined arbitrarily.
  • the sensor feature calculation reselection unit 121 may refer to the operation information 210 and adopt a period between the normal period start 212 and the normal period end 213 as a period in which data is used to calculate the main component.
  • step 312 the sensor feature calculation reselection unit 121 calculates the factor loading amount of each main component using sensing data of the entire period determined in step 311 for all the sensors installed in the diagnosis target. . Then, the sensor feature calculation reselection unit 121 stores the factor load amount of each main component in the sensor feature data 240 for all the sensors.
  • the sensor feature calculation reselection unit 121 refers to the diagnosis result of the predictive diagnosis for each of the plurality of sensor groups in step 303, and the sensor may have a predictive sign of a failure in the plurality of sensor groups It is determined whether there is a group (predictive sensor group).
  • the sensor feature calculation re-selecting unit 121 which could not find out the predictive appearance sensor group in step 303, returns to step 301 and repeats creation of the sensor group.
  • the sensor feature calculation reselection unit 121 makes the sensor with the highest abnormality contribution rate out of the sensors included in the predictive appearance sensor group in step 304 (focus sensor Find out).
  • the sensor feature calculation reselection unit 121 detects the sensors in the space of the factor load amount calculated in step 312 for each sensor of the predictive output sensor group (similar sensors (similar sensors Extract).
  • the sensor included in the predictive output sensor group and the similar sensor are combined to form a target sensor group (target sensor group) to be analyzed.
  • the number of similar sensors to be extracted may be designated, and sensors up to the designated number may be extracted as similar sensors from sensors close in distance to sensors of the predictive sensor group in space.
  • the distance between the similar sensor to be extracted and the sensor of the predictive sensor group is specified, and the distance between the sensor of the predictive sensor group in space is less than the specified distance. It may be extracted as a sensor.
  • the sensor feature calculation reselecting unit 121 determines a period (normal period) in which the diagnosis object is in a normal state and a period (abnormal period) including a period in which the diagnosis object is in an abnormal state. Decide. At this time, for example, a period from the time of normal period start 212 recorded in operation information 210 to the time of normal period end 213 is a normal period, and abnormality occurrence date and time 2154 in operation information 210 is an end date and time.
  • the long period may be an abnormal period.
  • the sensor feature calculation reselection unit 121 calculates a factor load amount using sensing data acquired in the abnormal period for a plurality of sensors included in the target sensor group, and generates sensor feature data 260. Store. At the same time, in step 321, the sensor feature calculation reselection unit 121 calculates a factor load amount using sensing data acquired in a normal period for a plurality of sensors included in the target sensor group, and sensor feature data Store in 250.
  • step 316 the sensor feature calculation reselection unit 121 calculates the difference between the sensor feature data 250 in the normal period and the sensor feature data 260 in the abnormal period, and stores the difference in the sensor feature difference data 270.
  • the sensor feature calculation reselection unit 121 refers to the sensor feature difference data 270, and in the sensor of interest determined in step 304, the main component whose value is most greatly changed in the normal period and abnormal period. (X: Main component of interest)
  • the sensor feature calculation reselection unit 121 performs clustering of the factor load amount for each principal component in the sensor characteristic data 250 in the normal period, adds a label to each obtained cluster, and The factor loading of each sensor and the label are stored in the labeling data 280.
  • the method of clustering used here is not particularly limited. For example, an algorithm for automatically determining the number of clusters by the x-means method may be used, or a method of giving the number of clusters for each principal component using the k-means method may be used. Alternatively, a threshold may be provided for each factor loading of each main component with reference to the sensor of interest issued in step 304, or a factor loading within the threshold range may be a cluster.
  • the sensor feature calculation reselection unit 121 labels the main component (X-1) higher than the main component of interest (X) found in step 317 (for example, label (PC1) 2803, label (PC2) 2805) extracts a sensor that matches that of the target sensor issued in step 304, and stores it in the sensor reselection result 290.
  • the fact that the label of the principal component (principal judgment target principal component) higher than the principal component of interest corresponds to that of the target sensor means that the tendency of the principal component for trend judgment target is similar to that of the target sensor. That is, a sensor whose behavior is similar to the sensor of interest is extracted.
  • FIG. 13 is a block diagram of the sensor feature calculation reselection unit 121.
  • the sensor feature calculation reselection unit 121 includes the input unit 11, the attention sensor determination unit 12, the similar sensor extraction unit 13, the principal component analysis unit 14, the normal / abnormal difference calculation unit 15, the attention principal component determination unit 16, the clustering unit 17, and The sensor selection unit 18 is provided.
  • the input unit 11 performs the processing of steps 301, 302, 303, 311, and 314 in FIG.
  • the attention sensor determination unit 12 performs the process of step 304 in FIG. 12.
  • the similar sensor extraction unit 13 performs the process of step 313 in FIG. 12.
  • the principal component analysis unit 14 performs the processing of steps 312, 315, and 321 in FIG.
  • the normal / abnormal difference calculating unit 15 performs the process of step 316 in FIG.
  • the main component of interest determination unit 16 performs the process of step 317 in FIG. 12.
  • the clustering unit 17 performs the process of step 322 in FIG.
  • the sensor selection unit 18 performs the process of step 323 in FIG.
  • FIG. 14 is a diagram showing an example of the entire sensor group screen displayed by the symptom diagnostic result display unit 124. As shown in FIG. On the total sensor group screen of FIG. 14, each sensor group 401, 403, 405, 407 and the predictive diagnosis result 402, 404, 406, 408 of each sensor group are displayed. In the predictive diagnosis results 402, 404, 406, and 408, data recorded in the predictive diagnosis result information 230 is displayed as a graph. In the group of sensors in which a failure sign to be diagnosed appears, the degree of abnormality graphically displayed on the screen of FIG. 14 changes. In the process of step 303, a sensor group can be selected based on the change in the degree of abnormality displayed in FIG.
  • the sensor reselection system 100 calculates the difference between the characteristics of the normal period and the abnormal period as the normal / abnormal difference for each sensor of the target sensor group that can be used to detect a failure sign.
  • the sensor is selected based on the difference between the features of the normal period and the abnormal period, so that a sensor for detecting a failure sign can be selected without using a predictive diagnosis model constructed with devices of the same model.
  • the feature mentioned here corresponds to the factor loading amount in the description of the above embodiment as an example.
  • the sensor selection unit 18 selects a sensor in which the tendency of the normal / abnormal difference agrees with the target sensor as a diagnostic sensor that uses sensing data to construct a predictive diagnosis model.
  • the sensor of the predictive diagnostic model can be selected without using the predictive diagnostic model constructed with the same type of device.
  • the sensor reselection system 100 performs main component analysis on each sensor of the target sensor group in a period including a normal period and an abnormal period, and calculates a factor loading amount of each main component.
  • the component analysis unit 14 further includes a focused principal component determination unit 16 that selects, as a focused principal component, a principal component having the largest difference between the factor loading amount in the normal period of the target sensor and the factor loading amount in the abnormal period.
  • the abnormality difference calculation unit 15 calculates, for each sensor in the target sensor group, the difference between the factor load amounts of the main components in the normal period and the abnormal period as the normal / abnormal difference, and the sensor selection unit 18 determines A component is set as a main component for the tendency determination, and a sensor whose tendency load factor factor of the main component for the tendency determination is matched with the target sensor is selected as a diagnostic sensor from the target sensor group. Since the sensor is selected based on the tendency of the main component higher than the main component having a large difference in factor load amount between the normal period and the abnormal period, the sensor of the predictive diagnosis model can be easily selected.
  • the sensor reselection system 100 further includes the similar sensor extraction unit 13 that extracts the sensor in which each sensor of the target sensor group and the factor load amount are in the vicinity as each other.
  • the component analysis unit 14 performs principal component analysis for each sensor and similar sensor included in the target sensor group, and the normal / abnormal difference calculation unit 15 calculates normal / abnormal difference for each sensor and similar sensor included in the target sensor group.
  • the sensor selection unit 18 selects, from among the sensors included in the target sensor group and the similar sensors, a sensor whose tendency of the factor load amount of the main component of the tendency determination target matches the sensor of interest as a diagnostic sensor. Since the range of the target sensor is expanded to the similar sensor, it is possible to select the sensor more representative of features more reliably.
  • the sensor reselection system 100 performs clustering for each main component for each sensor and the similar sensor included in the target sensor group based on the factor load amount of each main component, and
  • the sensor selection unit 18 selects, as a diagnostic sensor, a sensor included in the same cluster as the target sensor in the main component to be subjected to trend determination. Since the matching of the tendency of the normal abnormal difference is determined using the clustering result, the matching of the tendency can be easily determined.
  • the sensor reselection system 100 further includes the attention sensor determination unit 12 in which the sensor having the highest abnormality contribution rate out of the object sensor group is the attention sensor. Since the sensor of interest is determined by the degree of abnormal contribution, the sensor of interest can be easily selected mechanically.
  • Example 1 the normal period and the abnormal period are automatically determined based on predetermined conditions, and the sensor is selected based on the tendency of the factor load amount difference between the normal period and the abnormal period.
  • the analyst can set a normal period and an abnormal period in which factor loadings are compared to detect a failure sign.
  • the normal period and the abnormal period can be flexibly set so that the sign of the failure to be diagnosed can be detected favorably.
  • the normal period and the abnormal period can be set so as to avoid the influence of the factor, and the sign of the failure to be diagnosed can be detected favorably.
  • the analyst sets flexible periods such that normal period and abnormal period are set in the same season so that seasonal variation is canceled. Is possible.
  • the basic configuration of the sensor reselection system according to the second embodiment is the same as that of the first embodiment shown in FIG.
  • the basic operation of the sensor reselection system according to the second embodiment is the same as that of the first embodiment shown in FIG.
  • the basic configuration of the sensor feature calculation reselection unit 121 of the second embodiment is the same as that of the first embodiment shown in FIG.
  • the input unit 11 of the sensor feature calculation reselection unit 121 can determine those periods based on the operation input of the analyst.
  • FIG. 15 is a diagram showing an example of the individual sensor group screen displayed by the symptom diagnostic result display unit 124 in the second embodiment.
  • the individual sensor group screen 500 is displayed, for example, by selecting one of the sensor groups (predictive sensor group: sensor group # 2 in FIG. 15) on the all sensor group screen 400 shown in FIG. .
  • the individual sensor group screen 500 includes the sensor group number (Sensor group # 2) 501 of the selected sensor group, the period (normal period) 502 in which the main component is calculated, the predictive diagnosis result 503, and the selected sensor group. And the respective features 504 of the sensors (Sensors 1, 3, 5) being displayed.
  • the graphical representation of the factor loading of each sensor visualized using a method such as a heat map, and the maximum value of the anomaly contribution of each sensor in the normal period And a display of the maximum value of the sensor's abnormal contribution in the whole period.
  • the period 502 in which the main component is calculated is indicated by a bar that can be manipulated in the time axis direction. By manipulating the length and position of the bar on the time axis, the period for calculating the principal component can be changed. When the period 502 for calculating the principal component is changed, the principal component is recalculated by the changed period, and the calculation result is reflected on the respective features 504 of the sensors included in the selected sensor group.
  • sensors included in the sensor group it is possible to add sensors existing near the sensors included in the sensor group to the respective features 504 of the sensors included in the selected sensor group .
  • FIG. 16 is a diagram showing another example of the individual sensor group screen displayed on the symptom diagnostic result display unit 124 in the second embodiment.
  • the individual sensor group screen 510 in FIG. 16 includes the sensor group number (sensor group # 2) 511 of the selected sensor group, the period (normal period) 512 for which the main components have been calculated, the predictive diagnosis result 513, and the selected sensor
  • the respective sensors 514 of the sensors included in the group and the sensors (sensors 1, 3, 5, 11, 13) in the vicinity thereof are displayed.
  • the factor loadings displayed on the features 514 of the sensors included in the selected sensor group and the sensors (sensors 1, 3, 5, 11, 13) in the vicinity thereof are the sensor of the selected sensor group and the sensors in the vicinity It is the value recalculated using the sensing data by.
  • the sensors (sensors 11 and 13) in the vicinity of the sensors included in the selected sensor group are newly added and have not yet been used for diagnosing a failure sign. Therefore, the abnormality contribution of each sensor in the normal period is The indication of the maximum value and the maximum value of the anomaly contribution of the sensor in the whole period is not described.
  • Sensors in the vicinity of the selected sensor group can be extracted by various extraction methods. For example, the number of sensors to be added may be specified, and only the number of sensors may be extracted from sensors close in distance. Also, for example, a distance included in the vicinity may be designated, and all sensors within the distance may be extracted.
  • Information on the abnormal period can also be displayed on the individual sensor group screen shown in FIGS.
  • FIG. 17 is a diagram showing still another example of the individual sensor group screen displayed on the symptom diagnostic result display unit 124 in the second embodiment. Information on the abnormal period is also displayed on the individual sensor group screen 520 of FIG.
  • the individual sensor group screen 520 includes a sensor group number (sensor group # 2) 521 of the selected sensor group, a period (normal period) 522 in which the main component is calculated, and a period (abnormal period) 524 in which the main component is calculated.
  • the feature 525 in the normal period of each of the sensors included in the selected sensor group and the sensors in the vicinity (sensors 1, 3, 5, 11, 13) was calculated using the sensing data acquired in the normal period 522
  • the factor loading of each main component of each sensor is visualized graphically in a heat map.
  • the sensing data acquired in the abnormal period 524 is used for the features 526 in the abnormal period of the sensors included in the selected sensor group and the sensors (sensors 1, 3, 5, 11, 13) in the vicinity thereof.
  • the factor loadings of each main component of each sensor calculated as described above are graphically visualized in a heat map.
  • FIG. 18 is a diagram showing still another example of the individual sensor group screen displayed by the predictive diagnosis result display unit 124 in the second embodiment.
  • a sensor group number (sensor group # 2) 531 of the selected sensor group a period (normal period) 532 in which the main component is calculated, and a period (abnormal period) in which the main component is calculated.
  • 534, the diagnosis result 533, and the features 535 of the sensors included in the selected sensor group and the sensors (sensors 1, 3, 5, 11, 13) in the vicinity thereof are displayed.
  • the respective features 535 of the sensors included in the selected sensor group and the sensors (sensors 1, 3, 5, 11, 13) in the vicinity thereof are the sensors of each sensor calculated using the sensing data acquired in the normal period 522
  • the difference between the factor loading amount of each main component and the factor loading amount of each main component of each sensor calculated using the sensing data acquired in the abnormal period 524 is graphically visualized.
  • FIG. 19 is a diagram illustrating an example of a sensor reselection result display screen according to the second embodiment.
  • a sensor group number (sensor group # 2) 541, a normal period 542, a symptom diagnosis result 543, and a sensor reselection result 544 of the selected sensor group are displayed.
  • the sensor feature calculation reselection unit 121 reselects the sensor (sensor 3, 5, 13) as a diagnostic sensor using sensing data for construction of a symptom diagnostic model, and each of the respective sensors It includes a display graphically visualizing the factor load of the main component, and a display of the maximum value of the degree of abnormal contribution of each sensor in the normal period and the maximum value of the degree of abnormal contribution of the sensor in the entire period.
  • the sensors 3, 5 and 13 are selected as diagnostic sensors.
  • the analyst can carry out the task of reselecting a sensor suitable for detecting a failure sign while observing the displays of FIGS.
  • the input unit 11 of the sensor feature calculation reselection unit 121 of the sensor reselection system 100 determines the normal period and the abnormal period so as to be changeable based on the operation input. Therefore, since the analyzer can arbitrarily set the normal period and the abnormal period, the failure sign can be detected better. Further, according to the present embodiment, the sensor feature display unit 122 can associate and display the abnormality contribution for each period of each sensor obtained by the diagnosis of the failure sign and the feature of each sensor.
  • the sensor reselection system 100 can be realized by causing a computer to execute a software program that defines the processing procedure of each part constituting the sensor reselection system 100.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

診断対象と同一機種で構築された予兆診断モデルがなくても故障予兆の検知に適したセンサを選択することを可能にする技術を提供する。　センサ選択システムは、予兆の検知に利用可能な対象センサ群の各センサについて正常期間と異常期間の特徴の差分を正常異常差として算出する正常異常差算出部と、対象センサ群に含まれる故障予兆が現れる注目センサと正常異常差の傾向が一致するセンサを選択するセンサ選択部と、を有している。

Description

センサ選択装置およびセンサ選択方法
　本発明は、機器や各種設備等の故障予兆を診断するための予兆診断モデルの構築にセンシングデータを用いるセンサを選択する技術に関する。
　設備や機器（診断対象）の故障や不具合の予兆（故障予兆）を検知することが求められる。診断対象に設置されたセンサで取得されるセンシングデータを分析し、機械学習などを用いることにより、診断対象の故障や不具合の予兆を検知するための予兆診断モデルを構築することができる。予兆診断モデルによる故障予兆の検知に基づき、診断対象の構成部品を事前に交換したり修理したりすることで、設備や機器の保守／メンテナンスにかかるコストを削減したり、設備や機器により得られる機会の損失を回避したりが可能となる。このような背景から故障予兆を高い精度で検知することを可能にする予兆診断モデルを構築することが求められる。
　特許第６１４０３３１号公報（特許文献１）には、予兆診断モデルによる故障予兆の検知精度を向上する技術が開示されている。特許文献１に開示された技術では、診断対象の予兆診断モデルを、診断対象と同一機種の既に実績のある予兆診断モデルと同等の精度にするための技術である。診断対象の予兆診断モデルにおけるセンサの重みづけを、同一機種の他機器に対して構築された実績のある予兆診断モデルにおけるセンサの重みづけに基づいて調整する。それにより診断対象の予兆診断モデルの精度の向上が図られる。
特許第６１４０３３１号公報
　特許文献１に開示された技術は、同一機種の機器に対して構築済みの予兆診断モデルを基準として用いるものである。そのため、対象機器と同一機種の機器に対する予兆診断モデルが未だ構築されたことがない場合や、同一機種の機器における対象とする故障の予兆を検知するための予兆診断モデルが構築されたことがない場合には、特許文献１の技術を適用できない。
　対象とする機器の対象とする故障の予兆を精度よく検知するためには、予兆診断モデルを構築する場合に診断対象のどのセンサが対象とする故障の故障予兆の検知に適しているかを評価し、選択する必要がある。
　本発明の目的は、診断対象と同一機種で構築された予兆診断モデルがなくても故障予兆の検知に適したセンサを選択することを可能にする技術を提供することである。
　本発明の一態様によれば、センサ選択装置は、予兆の検知に利用可能な対象センサ群の各センサについて正常期間と異常期間の特徴の差分を正常異常差として算出する正常異常差算出部と、対象センサ群に含まれる故障予兆が現れる注目センサと正常異常差の傾向が一致するセンサを選択するセンサ選択部と、を有している。
　本発明の一態様によれば、正常期間と異常期間の特徴の差分に基づいてセンサを選択するので、同一機種の機器で構築された予兆診断モデルを利用することなく、故障の予兆を検知するためのセンサを選択することができる。
実施例１のセンサ再選択システム１００の構成例を示す図である。 センシングデータの構造を示す図である。 設備稼働情報のデータ構造を示す図である。 センサ群情報のデータ構造を示す図である。 予兆診断結果情報のデータ構造を示す図である。 全てのセンサの全体期間のセンシングデータに対する主成分分析により算出された各主成分の因子負荷量を示すセンサ特徴データのデータ構造を示す図である。 予兆検知の可能性のあるセンサ群とその近傍に存在する複数のセンサを含むセンサ群（対象センサ群）のみの正常期間のセンシングデータに対する主成分分析により算出された各主成分の因子負荷量を示すセンサ特徴データのデータ構造を示す図である。 予兆検知の可能性のあるセンサ群とその近傍に存在する複数のセンサを含むセンサ群（対象センサ群）のみの異常期間のセンシングデータに対する主成分分析により算出された各主成分の因子負荷量を示すセンサ特徴データのデータ構造を示す図である。 予兆検知の可能性のあるセンサ群とその近傍に存在する複数のセンサのみの正常期間のセンシングデータに対する主成分分析により算出された各主成分の因子負荷量と、異常期間のセンシングデータに対する主成分分析により算出された各主成分の因子負荷量との差分を示すセンサ特徴差分データのデータ構造を示す図である。 予兆検知の可能性のあるセンサ群とその近傍に存在する複数のセンサを含むセンサ群（対象センサ群）のみの正常期間のセンシングデータに対する主成分分析により算出された各主成分の因子負荷量と、因子負荷量のクラスタリングにより各因子負荷量に対するラベリングで付加されたラベルと、を示すラベリングデータのデータ構造を示す図である。 センサ再選択結果のデータ構造を示す図である。 センサ特徴算出再選択部１２１が実行するセンサ再選択処理のフローチャートである。 センサ特徴算出再選択部１２１内のブロック図である。 予兆診断結果表示部１２４で表示される全センサ群画面の一例を示す図である。 実施例２において、予兆診断結果表示部１２４で表示される個別センサ群画面の一例を示す図である。 実施例２において、予兆診断結果表示部１２４に表示される個別センサ群画面の他の例を示す図である。 実施例２において、予兆診断結果表示部１２４に表示される個別センサ群画面の更に他の例を示す図である。 実施例２において、予兆診断結果表示部１２４で表示される個別センサ群画面の更に他の例を示す図である。 実施例２によるセンサ再選択結果表示画面の一例を示す図である。
　以下に本発明の実施形態について図面を用いて詳細に説明する。
　図１は実施例１のセンサ再選択システム１００の構成例を示す図である。
　実施例１のセンサ再選択システム１００は、機器や設備などの診断対象に設置されたセンサ群の中から診断対象の故障予兆を診断するための予兆診断モデルの構築に用いるセンサを再選択するコンピュータシステムである。ここでいう再選択は、良好な予兆診断モデルを構築するために、予兆診断モデルに用いるセンサを決定しなおす処理である。センサ再選択システム１００は、センサ群の中から故障予兆を検知しているセンサ（注目センサ）を見つけ出し、注目センサの正常期間と異常期間の因子負荷量の差分を用いて故障予兆となっている主成分（注目主成分）を発見する。なお、正常期間とは、診断対象が正常状態の期間のみを含むように任意に設定された期間である。異常期間とは、診断対象の異常の予兆が存在する期間を含むように任意に設定された期間である。本実施例では、異常期間は正常期間と同じ期間長に設定される。本実施例では、正常期間および異常期間は予め定められた条件に基づいて自動的に決定される。そして、その注目主成分よりも上位の主成分の傾向が注目センサと一致するセンサ（診断用センサ）を選択し、診断用センサを予兆診断モデルの構築に用いる。これにより、故障予兆をより顕著に検出できる予兆診断モデルを作成することが可能となる。センサ再選択システム１００はネットワーク１４０に接続され、ネットワーク１４０経由でクライアント端末１５０とデータ通信を行うことができる。
　クライアント端末１５０は、キーボードやマウスなどの入力インタフェースとディスプレイなどの出力インタフェースを備え、診断対象の診断を行う分析者による操作に基づいて、センサ再選択システム１００を動作させるコンピュータ端末である。クライアント端末１５０は、センサ再選択システム１００にアクセスし、入力インタフェースにて分析者からの操作を受け付け、センサ再選択システム１００を動作させ、センサ再選択システム１００から得られた予兆診断結果やセンサ特徴を出力インタフェースにより表示する処理などの各種処理を行う。
　図１には、センサ再選択システム１００のハードウェア構成が示されている。センサ再選択システム１００は、ハードウェア要素として、ハードディスクドライブなどの不揮発性記憶装置で構成されプログラムおよびデータを保持する記憶装置１１５と、ＲＡＭなどの揮発性記憶装置で構成されているメモリ１１３と、記憶装置１１５からプログラムをメモリ１１３に読み出して実行しセンサ再選択システム１００自体の統括制御を行うと共に各種判定および演算といった予備制御処理を行うＣＰＵ１１４（演算装置）と、センサ再選択システム１００をネットワーク１４０と接続し他の装置との通信処理を担う通信装置１１２と、データの入出力を行うＩ／Ｏ装置１１１と、を備える。
　ＣＰＵ１１４が記憶装置１１５からプログラムをメモリ１１３に読み込み実行することにより、センサ特徴算出再選択部１２１、センサ特徴表示部１２２、予兆診断部１２３、および予兆診断結果表示部１２４として動作する。記憶装置１１５には、プログラム他に、センシングデータ１３１、予兆診断結果１３２、センサ特徴算出結果１３３、およびセンサ再選択結果１３４が格納される。これらのデータはプログラムによって書き込みあるいは参照される。
　センサ特徴算出再選択部１２１は、診断対象に設置されたセンサ群の中から診断対象の故障予兆を診断するための予兆診断モデルの構築に用いるセンサを再選択する。センサ特徴表示部１２２は、センサの特徴を示すデータなどセンサを再選択する過程で算出されるデータをＧＵＩ（Ｇｒａｐｈｉｃａｌ　Ｕｓｅｒ　Ｉｎｔｅｒｆａｃｅ）で表示する。
　予兆診断部１２３は、センサ特徴算出再選択部１２１が指定したセンサ群に含まれるセンサのセンシングデータを用いて診断対象における故障の予兆の有無を診断する。診断結果のデータはセンサ特徴算出再選択部１２１によるセンサの再選択に利用される。予兆診断結果表示部１２４は、予兆診断部１２３による診断結果をＧＵＩで表示する。
　なお、本実施例では、分析者がクライアント端末１５０からセンサ再選択システム１００にセンシングデータ１３１を入力し、センサ再選択システム１００で得られた予兆診断結果１３２およびセンサ特徴算出結果１３３がクライアント端末１５０に出力され、クライアント端末１５０がそれらのデータを表示することを想定している。しかしながら、これに限定されることはない。他の例として、センサ再選択システム１００が、入力インタフェースと出力インタフェースを備え、入力インタフェースによりセンシングデータ１３１を自身へ入力し、出力インタフェースにより自身で予兆診断結果１３２およびセンサ特徴算出結果１３３を表示するものであってもよい。また他の例として、複数のクライアント端末１５０がセンサ再選択システム１００に接続可能であり、それらのクライアント端末１５０が同一の診断対象に関する処理、あるいはそれぞれ別個の診断対象に関する処理を行うものであってもよい。
　続いて、本実施例のセンサ再選択システム１００が用いるデータについて説明する。
　図２は、センシングデータの構造を示す図である。センシングデータ１３１は、診断対象に取り付けられたセンサが一定間隔ごとに計測した値を蓄積したデータである。図２を参照すると、センシングデータ１３１の各レコード２０６～２０８には、時刻２０１、センサ１　２０２、センサ２　２０３、…、センサＮ－１　２０４、およびセンサＮ　２０５というデータフィールドで構成される。時刻２０１は、計測が行われた時刻が入るフィールドである。センサ１　２０２、センサ２　２０３、…、センサＮ－１　２０４、センサＮ　２０５は、各センサで計測された値が入るフィールドである。
　予兆診断結果１３２には、設備稼働情報（図３）、センサ群情報（図４）、および予兆診断結果情報（図５Ｄ）が含まれる。設備稼働情報は、診断対象の故障内容、診断対象が正常に稼働していた正常期間の開始日時および終了日時、診断対象に故障が発生した日時を記録したテーブルである。センサ群情報は、診断対象の故障を検知する予兆診断モデルを構築するのに適していると考えられる複数のセンサ群の情報を記録されたテーブルである。予兆診断結果情報は、各センサ群に対して構築された各予兆診断モデルによりセンシングデータが存在するすべての期間に対し予兆診断を行った結果が記録されたテーブルである。
　図３は設備稼働情報のデータ構造を示す図である。稼働情報２１０の各レコード２１５は、故障モード２１１、正常期間開始２１２、正常期間終了２１３、および異常発生日時２１４というデータフィールドから構成されている。故障モード２１１は、診断対象の故障内容が入るフィールドである。正常期間開始２１２は、診断対象が正常に稼働していた正常期間の開始日時が入るフィールドである。正常期間終了２１３は、診断対象が正常に稼働していた正常期間の終了日時が入るフィールドである。異常発生日時２１４は、診断対象に故障が発生した日時が入るフィールドである。
　図４はセンサ群情報のデータ構造を示す図である。センサ群情報２２０の各レコード２２３～２２５は、センサ群番号２２１およびセンサ名２２２というデータフィールドから構成される。センサ群番号２２１は、予兆診断モデルを構築するのに適していると考えられる各センサ群の番号が入るフィールドである。センサ名２２２は、当該センサ群に含まれるセンサのセンサ名が入るフィールドである。
　図５は予兆診断結果情報のデータ構造を示す図である。予兆診断結果情報２３０の各レコード２３０６～２３１１は、時刻２３０１、異常度２３０２、異常寄与度（センサ１）２３０３、異常寄与度（センサ３）２３０４、および異常寄与度（センサ５）２３０５というデータフィールドから構成されている。時刻２３０１は対象日時が入るフィールドである。異常度２３０２は、対象日時の故障予兆の程度である異常度が入るフィールドである。異常寄与度（センサ１）２３０３は、対象日時の異常度に対してセンサ１のセンシングデータがどの程度相関するかを示す異常寄与度が入るフィールドである。異常寄与度（センサ３）２３０４は、対象日時の異常度に対してセンサ３のセンシングデータがどの程度相関するかを示す異常寄与度が入るフィールドである。異常寄与度（センサ５）２３０５は、対象日時の異常度に対してセンサ５のセンシングデータがどの程度相関するかを示す異常寄与度が入るフィールドである。
　センサ特徴算出結果１３３は、センサで取得されたセンシングデータに対する主成分分析により得られた因子負荷量を示すセンサ特徴データが記録されたテーブルである。センサ特徴算出結果１３３には、複数の異なるデータのテーブルが含まれている。
　具体的には、センサ特徴算出結果１３３には、全てのセンサの対象期間全体のセンシングデータに対する主成分分析により算出された各主成分の因子負荷量を示すセンサ特徴データが記録されたテーブル（図６）が含まれる。また、センサ特徴算出結果１３３には、予兆検知の可能性のあるセンサ群とその近傍に存在する複数のセンサのみの正常期間のセンシングデータに対する主成分分析により算出された各主成分の因子負荷量を示すセンサ特徴データが記録されたテーブル（図７）が含まれる。また、センサ特徴算出結果１３３には、予兆検知の可能性のあるセンサ群とその近傍に存在する複数のセンサのみの異常期間のセンシングデータに対する主成分分析により算出された各主成分の因子負荷量を示すセンサ特徴データが記録されたテーブル（図８）が含まれる。また、センサ特徴算出結果１３３には、予兆検知の可能性のあるセンサ群とその近傍に存在する複数のセンサのみの正常期間のセンシングデータに対する主成分分析により算出された各主成分の因子負荷量と、異常期間のセンシングデータに対する主成分分析により算出された各主成分の因子負荷量との差分を示すセンサ特徴差分データが記録されたテーブル（図９）が含まれる。また、センサ特徴算出結果１３３には、予兆検知の可能性のあるセンサ群とその近傍に存在する複数のセンサのみの正常期間のセンシングデータに対する主成分分析により算出された各主成分の因子負荷量と、因子負荷量のクラスタリングにより各因子負荷量に対するラベリングで付加されたラベルと、を示すラベリングデータが記録されたテーブル（図１０）が含まれる。
　図６は、全てのセンサの全体期間のセンシングデータに対する主成分分析により算出された各主成分の因子負荷量を示すセンサ特徴データのデータ構造を示す図である。センサ特徴データ２４０には、全てのセンサ（センサ１~Ｎ（Ｎは自然数））についてのレコードが記録されている。各レコード２４６～２４９は、センサ名２４１、因子負荷量（第１主成分）２４２、因子負荷量（第２主成分）２４３、…、因子負荷量（第Ｎ－１主成分）２４４、および因子負荷量（第Ｎ主成分）２４５というデータフィールドから構成される。センサ名２４１は、対象とするセンサのセンサ名が入るフィールドである。因子負荷量（第１主成分）２４２、因子負荷量（第２主成分）２４３、…、因子負荷量（第Ｎ－１主成分）２４４、および因子負荷量（第Ｎ主成分）２４５は、各主成分の因子負荷量が入るフィールドである。
　図７は、予兆検知の可能性のあるセンサ群とその近傍に存在する複数のセンサを含むセンサ群（対象センサ群）のみの正常期間のセンシングデータに対する主成分分析により算出された各主成分の因子負荷量を示すセンサ特徴データのデータ構造を示す図である。センサ特徴データ２５０には、対象センサ群の各センサ（センサ１，３、５、１１、１３）についてのレコードが記録されている。各レコード２５０９～２５１３は、センサ名２５０１、ＦＬ（ＰＣ１）２５０２、ＦＬ（ＰＣ２）２５０３、ＦＬ（ＰＣ３）２５０４、ＦＬ（ＰＣ４）２５０５、ＦＬ（ＰＣ５）２５０６、異常寄与度最大値（学習期間）２５０７、および異常寄与度最大値（全期間）２５０８というデータフィールドから構成される。センサ名２５０１は、対象とするセンサのセンサ名が入るフィールドである。ＦＬ（ＰＣ１）２５０２、ＦＬ（ＰＣ２）２５０３、ＦＬ（ＰＣ３）２５０４、ＦＬ（ＰＣ４）２５０５、およびＦＬ（ＰＣ５）２５０６は、各主成分（ＰＣ（Ｐｒｉｎｃｉｐａｌ　Ｃｏｍｐｏｎｅｎｔ）１～５）の因子負荷量（ＦＬ（Ｆａｃｔｏｒ　Ｌｏａｄｉｎｇ））が入るフィールドである。異常寄与度最大値（学習期間）２５０７は、センシングデータを予兆診断モデルの機械学習に用いる期間（学習期間）における異常寄与度の最大値が入るフィールドである。異常寄与度最大値（全期間）２５０８は、全体期間における異常寄与度の最大値が入るフィールドである。
　図８は、予兆検知の可能性のあるセンサ群とその近傍に存在する複数のセンサを含むセンサ群（対象センサ群）のみの異常期間のセンシングデータに対する主成分分析により算出された各主成分の因子負荷量を示すセンサ特徴データのデータ構造を示す図である。センサ特徴データ２６０には、対象センサ群の各センサ（センサ１，３、５、１１、１３）についてのレコードが記録されている。各レコード２６０９～２６１３は、センサ名２６０１、ＦＬ（ＰＣ１）２６０２、ＦＬ（ＰＣ２）２６０３、ＦＬ（ＰＣ３）２６０４、ＦＬ（ＰＣ４）２６０５、ＦＬ（ＰＣ５）２６０６、異常寄与度最大値（学習期間）２６０７、および異常寄与度最大値（全期間）２６０８というデータフィールドから構成される。センサ名２６０１は、対象とするセンサのセンサ名が入るフィールドである。ＦＬ（ＰＣ１）２６０２、ＦＬ（ＰＣ２）２６０３、ＦＬ（ＰＣ３）２６０４、ＦＬ（ＰＣ４）２６０５、およびＦＬ（ＰＣ５）２６０６は、各主成分（ＰＣ（Ｐｒｉｎｃｉｐａｌ　Ｃｏｍｐｏｎｅｎｔ）１～５）の因子負荷量（ＦＬ（Ｆａｃｔｏｒ　Ｌｏａｄｉｎｇ））が入るフィールドである。異常寄与度最大値（学習期間）２６０７は、センシングデータを予兆診断モデルの機械学習に用いる期間（学習期間）における異常寄与度の最大値が入るフィールドである。異常寄与度最大値（全期間）２６０８は、全体期間における異常寄与度の最大値が入るフィールドである。
　図９は、予兆検知の可能性のあるセンサ群とその近傍に存在する複数のセンサのみの正常期間のセンシングデータに対する主成分分析により算出された各主成分の因子負荷量と、異常期間のセンシングデータに対する主成分分析により算出された各主成分の因子負荷量との差分を示すセンサ特徴差分データのデータ構造を示す図である。特徴差分データ２７０には、対象センサ群の各センサ（センサ１、３、５、１１、１３）についてのレコードが記録されている。各レコード２７０９～２７１３は、センサ名２７０１、ＦＬ差分（ＰＣ１）２７０２、ＦＬ差分（ＰＣ２）２７０３、ＦＬ差分（ＰＣ３）２７０４、ＦＬ差分（ＰＣ４）２７０５、ＦＬ差分（ＰＣ５）２７０６、異常寄与度最大値（学習期間）２７０７、および異常寄与度最大値（全期間）２７０８というデータフィールドから構成される。センサ名２７０１は、対象とするセンサのセンサ名が入るフィールドである。ＦＬ差分（ＰＣ１）２７０２、ＦＬ差分（ＰＣ２）２７０３、ＦＬ差分（ＰＣ３）２７０４、ＦＬ差分（ＰＣ４）２７０５、およびＦＬ差分（ＰＣ５）２７０６は、正常期間と異常期間の各主成分（ＰＣ１～５）の因子負荷量（ＦＬ）の差分（ＦＬ差分）が入るフィールドである。異常寄与度最大値（学習期間）２７０７は、センシングデータを予兆診断モデルの機械学習に用いる期間（学習期間）における異常寄与度の最大値が入るフィールドである。異常寄与度最大値（全期間）２７０８は、全体期間における異常寄与度の最大値が入るフィールドである。
　図１０は、予兆検知の可能性のあるセンサ群とその近傍に存在する複数のセンサを含むセンサ群（対象センサ群）のみの正常期間のセンシングデータに対する主成分分析により算出された各主成分の因子負荷量と、因子負荷量のクラスタリングにより各因子負荷量に対するラベリングで付加されたラベルと、を示すラベリングデータのデータ構造を示す図である。ラベリングデータ２８０には、対象センサ群の各センサ（センサ１，３、５、１１、１３）についてのレコードが記録されている。各レコード２８１２～２８１６は、センサ名２８０１、ＦＬ（ＰＣ１）２８０２、ラベル（ＰＣ１）２８０３、ＦＬ（ＰＣ２）２８０４、ラベル（ＰＣ２）２８０５、ＦＬ（ＰＣ３）２８０６、ラベル（ＰＣ３）２８０７、ＦＬ（ＰＣ４）２８０８、ラベル（ＰＣ４）２８０９、ＦＬ（ＰＣ５）２８１０、およびラベル（ＰＣ５）２８１１というデータフィールドから構成される。センサ名２８０１は、対象とするセンサのセンサ名が入るフィールドである。ＦＬ（ＰＣ１）２８０２、ＦＬ（ＰＣ２）２８０４、ＦＬ（ＰＣ３）２８０６、ＦＬ（ＰＣ４）２８０８、およびＦＬ（ＰＣ５）２８１０は、各主成分（ＰＣ１～５）の因子負荷量（ＦＬ）が入るフィールドである。ラベル（ＰＣ１）２８０３、ラベル（ＰＣ２）２８０５、ラベル（ＰＣ３）２８０７、ラベル（ＰＣ４）２８０９、およびラベル（ＰＣ５）２８１１は、各主成分（ＰＣ１～５）のラベルが入るフィールドである。ラベルは、各主成分における因子負荷量のクラスタリングにより生成された部分集合（クラスタ）に付与される。ラベリングデータ２８０において各センサの各主成分には、その因子負荷量が属するクラスタのラベルが設定される。
　図１１は、センサ再選択結果のデータ構造を示す図である。センサ再選択結果１３４には、選択されたセンサ（センサ３、５、１３）についてのレコードが記録されている。各レコード２９７～２９９は、センサ名２９１、ＦＬ（ＰＣ１）２９２、ＦＬ（ＰＣ２）２９３、ＦＬ（ＰＣ３）２９４、ＦＬ（ＰＣ４）２９５、およびＦＬ（ＰＣ５）２９６というデータフィールドから構成される。センサ名２９１は、対象とするセンサのセンサ名が入るフィールドである。ＦＬ（ＰＣ１）２９２、ＦＬ（ＰＣ２）２９３、ＦＬ（ＰＣ３）２９４、ＦＬ（ＰＣ４）２９５、およびＦＬ（ＰＣ５）２９６は、各主成分（ＰＣ１～５）の因子負荷量（ＦＬ）が入るフィールドである。
　次に、本実施例によるセンサ再選択の手順について説明する。
　図１２は、センサ特徴算出再選択部１２１が実行するセンサ再選択処理のフローチャートである。センサ特徴算出再選択部１２１は、まず、ステップ３０１で、予兆診断モデルの構築に使用するセンサ群の候補を複数作成し、予兆診断結果１３２のセンサ群情報２２０に格納する。このとき、分析者が故障との関連が強いと思われるセンサを予兆診断に用いるセンサ群の候補に選択してもよいし、任意の方法で機械的に予兆診断に用いるセンサ群の候補を選択してもよい。
　次に、センサ特徴算出再選択部１２１は、ステップ３０２で、複数のセンサ群のセンシングデータを用い、所定の予兆診断アルゴリズムに基づいて予兆診断を実施し、診断結果を予兆診断結果１３２の予兆診断結果情報２３０に格納する。予兆診断はセンサ群ごとに実行し、各センサ群による診断結果を予兆診断結果情報２３０に格納する。
　センサ特徴算出再選択部１２１は、ステップ３０１、３０２と並行して、ステップ３１１で、全てのセンサのセンシングデータが取得されている期間の中から、主成分の算出にデータを用いる期間を決定する。主成分の算出にデータを用いる期間は任意に決定してよい。例えば、センサ特徴算出再選択部１２１は、稼働情報２１０を参照し、正常期間開始２１２と正常期間終了２１３の間を、主成分の算出にデータを用いる期間として採用してもよい。
　次に、センサ特徴算出再選択部１２１は、ステップ３１２で、診断対象に設置された全てのセンサに関して、ステップ３１１で決定した全体期間のセンシングデータを用いて各主成分の因子負荷量を算出する。そして、センサ特徴算出再選択部１２１は、全てのセンサについて各主成分の因子負荷量をセンサ特徴データ２４０に格納する。
　次に、センサ特徴算出再選択部１２１は、ステップ３０３で、複数のセンサ群ごとの予兆診断の診断結果を参照し、複数のセンサ群の中に故障の予兆が現れている可能性のあるセンサ群（予兆現出センサ群）があるか否か判定する。
　ステップ３０３にて予兆現出センサ群を発見できなかった、センサ特徴算出再選択部１２１は、ステップ３０１に戻りセンサ群の作成をやり直す。ステップ３０３にて予兆現出センサ群が発見できた場合、センサ特徴算出再選択部１２１は、ステップ３０４で、予兆現出センサ群に含まれるセンサの中から最も異常寄与度の高いセンサ（注目センサ）を見つける。またそれと並行して、センサ特徴算出再選択部１２１は、ステップ３１３で、予兆現出センサ群の各センサについて、ステップ３１２で算出した因子負荷量の空間における当該センサの近傍にあるセンサ（類似センサ）を抽出する。予兆現出センサ群に含まれるセンサと類似センサとを合わせて分析対象のセンサ群（対象センサ群）とする。
　このとき、例えば、抽出する類似センサの個数を指定し、空間上における予兆現出センサ群のセンサとの距離が近いセンサから指定された個数までのセンサを類似センサとして抽出することにしてもよい。また、他の例として、抽出する類似センサの予兆現出センサ群のセンサとの距離を指定し、空間上での予兆現出センサ群のセンサとの距離が指定された距離以下のセンサを類似センサとして抽出することにしてもよい。
　続いて、センサ特徴算出再選択部１２１は、ステップ３１４で、診断対象が正常な状態にあった期間（正常期間）と、診断対象が異常な状態にあった期間を含む期間（異常期間）とを決定する。このとき例えば、稼働情報２１０に記録されている正常期間開始２１２の時刻から正常期間終了２１３の時刻までを正常期間とし、稼働情報２１０において異常発生日時２１５４を終了日時とし、正常期間と同等の期間長の期間を異常期間とすればよい。
　続いて、センサ特徴算出再選択部１２１は、ステップ３１５で、対象センサ群に含まれる複数のセンサについて、異常期間に取得されたセンシングデータを用いて因子負荷量を算出し、センサ特徴データ２６０に格納する。それと並行して、センサ特徴算出再選択部１２１は、ステップ３２１で、対象センサ群に含まれる複数のセンサについて、正常期間に取得されたセンシングデータを用いて因子負荷量を算出し、センサ特徴データ２５０に格納する。
　その後、センサ特徴算出再選択部１２１は、ステップ３１６で、正常期間のセンサ特徴データ２５０と異常期間のセンサ特徴データ２６０の差分を算出し、センサ特徴差分データ２７０に格納する。
　次に、センサ特徴算出再選択部１２１は、ステップ３１７で、センサ特徴差分データ２７０を参照し、ステップ３０４で決定した注目センサにおいて正常期間と異常期間とで最も値が大きく変化している主成分（Ｘ：注目主成分）を見つける。
　更に、センサ特徴算出再選択部１２１は、ステップ３２２で、正常期間のセンサ特徴データ２５０における主成分毎に因子負荷量のクラスタリングを行い、得られた各クラスタにラベルを付加し、各主成分の各センサの因子負荷量とラベルとをラベリングデータ２８０に格納する。ここで用いるクラスタリングの方法は特に限定されない。例えば、ｘ－ｍｅａｎｓ法によりクラスタ数を自動で決定するアルゴリズムを用いてもよいし、ｋ－ｍｅａｎｓ法を用いて、主成分ごとにクラスタ数を与える方法を用いてもよい。あるいは、ステップ３０４で発つけた注目センサを基準として各主成分の因子負荷量ごとに閾値を設けても、閾値範囲内の因子負荷量をクラスタとしてもよい。
　続いて、センサ特徴算出再選択部１２１は、ステップ３２３で、ステップ３１７で見つけた注目主成分（Ｘ）よりも上位の主成分（Ｘ－１）のラベル（例えば、ラベル（ＰＣ１）２８０３、ラベル（ＰＣ２）２８０５）が、ステップ３０４で発つけた注目センサのものと一致するセンサを抽出し、センサ再選択結果２９０に格納する。注目主成分よりも上位の主成分（傾向判定対象主成分）のラベルが注目センサのものと一致するということは、傾向判定対象主成分の傾向が注目センサと類似していることを意味する。つまり、注目センサと挙動が類似するセンサが抽出される。
　図１３は、センサ特徴算出再選択部１２１内のブロック図である。センサ特徴算出再選択部１２１は、入力部１１、注目センサ決定部１２、類似センサ抽出部１３、主成分分析部１４、正常異常差算出部１５、注目主成分判定部１６、クラスタリング部１７、およびセンサ選択部１８を有している。入力部１１は、図１２のステップ３０１，３０２，３０３，３１１，３１４の処理を行う。注目センサ決定部１２は、図１２のステップ３０４の処理を行う。類似センサ抽出部１３は、図１２のステップ３１３の処理を行う。主成分分析部１４は、図１２のステップ３１２，３１５，３２１の処理を行う。正常異常差算出部１５は、図１２のステップ３１６の処理を行う。注目主成分判定部１６は、図１２のステップ３１７の処理を行う。クラスタリング部１７は、図１２のステップ３２２の処理を行う。センサ選択部１８は、図１２のステップ３２３の処理を行う。
　図１４は、予兆診断結果表示部１２４で表示される全センサ群画面の一例を示す図である。図１４の全センサ群画面には、各センサ群４０１、４０３、４０５、４０７と、各センサ群のそれぞれの予兆診断結果４０２、４０４、４０６、４０８とが表示されている。予兆診断結果４０２、４０４、４０６、４０８には、予兆診断結果情報２３０に記録されたデータがグラフとして表示される。診断対象の故障の予兆が現れているセンサ群は図１４の画面にグラフで表示された異常度が変化する。ステップ３０３の処理では図１４に表示される異常度の変化に基づいてセンサ群を選択することができる。
　以上説明したように、本実施例によれば、センサ再選択システム１００は、故障予兆の検知に利用可能な対象センサ群の各センサについて正常期間と異常期間の特徴の差分を正常異常差として算出する正常異常差算出部１５と、対象センサ群に含まれる故障予兆が現れる注目センサと正常異常差の傾向が一致するセンサを選択するセンサ選択部１８と、を有している。これにより、正常期間と異常期間の特徴の差分に基づいてセンサを選択するので、同一機種の機器で構築された予兆診断モデルを利用することなく、故障予兆を検知するためのセンサを選択することができる。なお、ここでいう特徴は一例として上記実施例の説明における因子負荷量に相当する。
　また、本実施例によれば、センサ選択部１８は、注目センサと正常異常差の傾向が一致するセンサを、予兆診断モデルの構築にセンシングデータを用いる診断用センサとして選択する。同一機種の機器で構築された予兆診断モデルを利用することなく、予兆診断モデルのセンサを選択することができる。
　また、本実施例によれば、センサ再選択システム１００は、対象センサ群の各センサについて、正常期間および異常期間を含む期間における主成分分析を行い、各主成分の因子負荷量を算出する主成分分析部１４と、注目センサの正常期間の因子負荷量と異常期間の因子負荷量の差分が最も大きい主成分を注目主成分として選択する注目主成分判定部１６と、を更に有し、正常異常差算出部１５は、対象センサ群の各センサについて正常期間と異常期間の各主成分の因子負荷量の差分を正常異常差として算出し、センサ選択部１８は、注目主成分より上位の主成分を傾向判定対象主成分とし、対象センサ群から傾向判定対象主成分の因子負荷量の傾向が注目センサと一致するセンサを診断用センサとして選択する。正常期間と異常期間の因子負荷量の差分が大きい主成分より上位の主成分の傾向に基づいてセンサを選択するので、予兆診断モデルのセンサを容易に選択することができる。
　また、本実施例によれば、センサ再選択システム１００は、対象センサ群の各センサと因子負荷量が互いに近傍に存在するセンサを類似センサとして抽出する類似センサ抽出部１３を更に有し、主成分分析部１４は、対象センサ群に含まれる各センサと類似センサについて主成分分析を行い、正常異常差算出部１５は、対象センサ群に含まれる各センサと類似センサについて正常異常差を算出し、センサ選択部１８は、対象センサ群に含まれる各センサと類似センサの中から傾向判定対象主成分の因子負荷量の傾向が注目センサと一致するセンサを診断用センサとして選択する。対象とするセンサの範囲を類似センサまで拡張するので、より特徴を表すセンサを確実に選択することが可能となる。
　また、本実施例によれば、センサ再選択システム１００は、対象センサ群に含まれる各センサと類似センサとについて各主成分の因子負荷量に基づいて主成分毎にクラスタリングを行い、各主成分の各クラスタにラベルを付加するクラスタリング部１７を更に有し、センサ選択部１８は、傾向判定対象主成分において注目センサと同一のクラスタに含まれるセンサを診断用センサとして選択する。正常異常差の傾向の一致をクラスタリングの結果を用いて判断するので、容易に傾向の一致を判断することができる。
　また、本実施例によれば、センサ再選択システム１００は、対象センサ群の中から異常寄与度が最も高いセンサを注目センサとする注目センサ決定部１２を更に有する。異常寄与度により注目センサを決定するので、注目センサを機械的に容易に選択することができる。
　以下に実施例２について図面を用いて詳細に説明する。
　実施例１では、正常期間および異常期間は予め定められた条件に基づいて自動的に決定され、その正常期間と異常期間の因子負荷量の差分の傾向に基づいてセンサを選択した。これに対して、実施例２では、故障予兆の検知のために因子負荷量を比較する正常期間と異常期間を分析者が設定できるようにする。
　これにより、診断対象の故障の予兆を良好に検知できるように正常期間と異常期間を柔軟に設定することができる。故障以外にセンシングデータの変動の要因がある場合に、その要因の影響を避けるように正常期間と異常期間を設定することができ、診断対象の故障の予兆を良好に検知可能にすることができる。例えば、季節的変動が特定の期間のセンシングデータにのみ含まれている場合に、分析者は、季節的変動がキャンセルされるように同じ季節に正常期間と異常期間を設定するといった柔軟な期間設定が可能である。
　実施例２によるセンサ再選択システムの基本的な構成は図１に示した実施例１のものと同様である。また、実施例２によるセンサ再選択システムの基本的な動作は図１２に示した実施例１のものと同様である。また、実施例２のセンサ特徴算出再選択部１２１の基本的な構成は図１３に示した実施例１のものと同様である。ただし、センサ特徴算出再選択部１２１の入力部１１は、ステップ３１４で、正常期間と異常期間とを決定するとき、分析者の操作入力に基づいてそれらの期間を決定することができる。
　図１５は、実施例２において、予兆診断結果表示部１２４で表示される個別センサ群画面の一例を示す図である。個別センサ群画面５００は、例えば、図１４に示した全センサ群画面４００にて、いずれかのセンサ群（予兆現出センサ群：図１５ではセンサ群＃２）を選択することで表示される。個別センサ群画面５００には、選択したセンサ群のセンサ群番号（センサ群＃２）５０１と、主成分を計算した期間（正常期間）５０２と、予兆診断結果５０３と、選択したセンサ群に含まれるセンサ（センサ１、３、５）のそれぞれの特徴５０４と、が表示されている。選択したセンサ群に含まれるセンサのそれぞれの特徴５０４には、各センサの因子負荷量をヒートマップなどの手法を用いてグラフィカルに可視化した表示と、正常期間における各センサの異常寄与度の最大値および全体期間におけるセンサの異常寄与度の最大値の表示と、が含まれる。主成分を計算した期間５０２は、時間軸方向に操作が可能なバーにより表示されている。バーの長さおよび位置を時間軸に操作することにより、主成分を計算する期間を変更することができる。主成分を計算する期間５０２が変更されると、変更後の期間により主成分が計算し直され、計算結果は、選択したセンサ群に含まれるセンサのそれぞれの特徴５０４に反映される。
　また、選択したセンサ群に含まれるセンサのそれぞれの特徴５０４には、当該センサ群に含まれるセンサの他に、当該センサ群に含まれるセンサの近傍に存在するセンサを追加することが可能である。
　図１６は、実施例２において、予兆診断結果表示部１２４に表示される個別センサ群画面の他の例を示す図である。図１６の個別センサ群画面５１０には、選択したセンサ群のセンサ群番号（センサ群＃２）５１１と、主成分を計算した期間（正常期間）５１２と、予兆診断結果５１３と、選択したセンサ群に含まれるセンサおよびその近傍のセンサ（センサ１、３、５、１１、１３）のそれぞれの特徴５１４と、が表示されている。選択したセンサ群に含まれるセンサおよびその近傍のセンサ（センサ１、３、５、１１、１３）のそれぞれの特徴５１４に表示される各因子負荷量は、選択したセンサ群のセンサおよび近傍のセンサによるセンシングデータを用いて再度計算された値である。
　選択したセンサ群に含まれるセンサの近傍のセンサ（センサ１１、１３）は、新たに追加されたものであり未だ故障予兆の診断に使用されていないため、正常期間における各センサの異常寄与度の最大値および全体期間におけるセンサの異常寄与度の最大値の表示と、が記載されていない。選択したセンサ群の近傍のセンサは様々な抽出方法で抽出することができる。例えば、追加するセンサの個数を指定し距離の近いセンサから当該個数だけを抽出してもよい。また例えば、近傍に含まれる距離を指定し、その距離以内の全てのセンサを抽出してもよい。
　図１５、図１６に示した個別センサ群画面には異常期間に関する情報も表示することができる。
　図１７は、実施例２において、予兆診断結果表示部１２４に表示される個別センサ群画面の更に他の例を示す図である。図１７の個別センサ群画面５２０には異常期間の情報も表示されている。個別センサ群画面５２０には、選択したセンサ群のセンサ群番号（センサ群＃２）５２１と、主成分を計算した期間（正常期間）５２２と、主成分を計算した期間（異常期間）５２４と、予兆診断結果５２３と、選択したセンサ群に含まれるセンサおよびその近傍のセンサ（センサ１、３、５、１１、１３）のそれぞれの正常期間における特徴５２５と、選択したセンサ群に含まれるセンサおよびその近傍のセンサ（センサ１、３、５、１１、１３）のそれぞれの異常期間における特徴５２６と、が表示されている。
　選択したセンサ群に含まれるセンサおよびその近傍のセンサ（センサ１、３、５、１１、１３）のそれぞれの正常期間における特徴５２５には、正常期間５２２に取得されたセンシングデータを用いて算出した各センサの各主成分の因子負荷量がヒートマップでグラフィカルに可視化されている。同様に、選択したセンサ群に含まれるセンサおよびその近傍のセンサ（センサ１、３、５、１１、１３）のそれぞれの異常期間における特徴５２６には、異常期間５２４に取得されたセンシングデータを用いて算出した各センサの各主成分の因子負荷量がヒートマップでグラフィカルに可視化されている。
　図１８は、実施例２において、予兆診断結果表示部１２４で表示される個別センサ群画面の更に他の例を示す図である。図１８の個別センサ群画面５３０には、選択したセンサ群のセンサ群番号（センサ群＃２）５３１と、主成分を計算した期間（正常期間）５３２と、主成分を計算した期間（異常期間）５３４と、予兆診断結果５３３と、選択したセンサ群に含まれるセンサおよびその近傍のセンサ（センサ１、３、５、１１、１３）のそれぞれの特徴５３５と、が表示されている。
　選択したセンサ群に含まれるセンサおよびその近傍のセンサ（センサ１、３、５、１１、１３）のそれぞれの特徴５３５には、正常期間５２２に取得されたセンシングデータを用いて算出した各センサの各主成分の因子負荷量と、異常期間５２４に取得されたセンシングデータを用いて算出した各センサの各主成分の因子負荷量との差分が、グラフィカルに可視化されている。
　図１９は、実施例２によるセンサ再選択結果表示画面の一例を示す図である。センサ再選択結果表示画面５４０には、選択したセンサ群のセンサ群番号（センサ群＃２）５４１、正常期間５４２、予兆診断結果５４３、およびセンサ再選択結果５４４が表示されている。センサ再選択結果５４４には、センサ特徴算出再選択部１２１が、予兆診断モデルの構築にセンシングデータを用いる診断用センサとして再選択したセンサ（センサ３、５、１３）と、それら各センサの各主成分の因子負荷量をグラフィカルに可視化した表示と、正常期間における各センサの異常寄与度の最大値および全体期間におけるセンサの異常寄与度の最大値の表示と、が含まれる。ここではセンサ３、５、１３が診断用センサとして選択されている。
　本実施例では、分析者は、図１５～図１９の表示を見ながら、故障予兆の検知に適したセンサの再選択の作業を実施することができる。
　以上説明したように、本実施例によれば、センサ再選択システム１００のセンサ特徴算出再選択部１２１の入力部１１は、操作入力に基づいて正常期間と異常期間を変更可能に決定する。そのため、正常期間と異常期間を分析者が任意に設定できるので、故障予兆をより良好に検知可能にすることができる。また、本実施例によれば、センサ特徴表示部１２２は、故障予兆の診断により得られた各センサの期間毎の異常寄与度と各センサの特徴とを関連付けて表示することができる。
　なお、上述した各実施例によるセンサ再選択システム１００は、センサ再選択システム１００を構成する各部の処理手順を規定したソフトウェアプログラムをコンピュータに実行させることにより実現できることは言うまでもない。
　以上、本発明の各実施例について述べてきたが、本発明は、これらの実施例だけに限定されるものではなく、本発明の技術思想の範囲内において、これらの実施例を組み合わせて使用したり、一部の構成を変更したりしてもよい。
１１…入力部、１２…注目センサ決定部、１３…類似センサ抽出部、１４…主成分分析部、１５…正常異常差算出部、１６…注目主成分判定部、１７…クラスタリング部、１８…センサ選択部、１００…センサ再選択システム、１１１…Ｉ／Ｏ装置、１１２…通信装置、１１３…メモリ、１１４…ＣＰＵ、１１５…記憶装置、１２１…センサ特徴算出再選択部、１２２…センサ特徴表示部、１２３…予兆診断部、１２４…予兆診断結果表示部、１３１…センシングデータ、１３２…予兆診断結果、１３３…センサ特徴算出結果、１３４…センサ再選択結果、１４０…ネットワーク、１５０…クライアント端末

Claims (9)

  1. 　故障予兆の検知に利用可能な対象センサ群の各センサについて正常期間と異常期間の特徴の差分を正常異常差として算出する正常異常差算出部と、
    　前記対象センサ群に含まれる前記故障予兆が現れる注目センサと前記正常異常差の傾向が一致するセンサを選択するセンサ選択部と、
    を有するセンサ選択装置。
  2. 　前記センサ選択部は、前記注目センサと前記正常異常差の傾向が一致するセンサを、予兆診断モデルの構築にセンシングデータを用いる診断用センサとして選択する、
    請求項１に記載のセンサ選択装置。
  3. 　前記対象センサ群の各センサについて、正常期間および異常期間を含む期間における主成分分析を行い、各主成分の因子負荷量を算出する主成分分析部と、
    　前記注目センサの正常期間の因子負荷量と異常期間の因子負荷量の差分が最も大きい主成分を注目主成分として選択する注目主成分判定部と、
    を更に有し、
    　前記正常異常差算出部は、前記対象センサ群の各センサについて前記正常期間と前記異常期間の各主成分の因子負荷量の差分を前記正常異常差として算出し、
    　前記センサ選択部は、前記注目主成分より上位の主成分を傾向判定対象主成分とし、前記対象センサ群から前記傾向判定対象主成分の因子負荷量の傾向が前記注目センサと一致するセンサを選択する、
    請求項１に記載のセンサ選択装置。
  4. 　前記対象センサ群の各センサと因子負荷量が互いに近傍に存在するセンサを類似センサとして抽出する類似センサ抽出部を更に有し、
    　前記主成分分析部は、前記対象センサ群に含まれる各センサと前記類似センサについて主成分分析を行い、
    　前記正常異常差算出部は、前記対象センサ群に含まれる各センサと前記類似センサについて前記正常異常差を算出し、
    　前記センサ選択部は、前記対象センサ群に含まれる各センサと前記類似センサの中から前記傾向判定対象主成分の因子負荷量の傾向が前記注目センサと一致するセンサを選択する、
    請求項３に記載のセンサ選択装置。
  5. 　前記対象センサ群に含まれる各センサと前記類似センサとについて各主成分の因子負荷量に基づいて前記主成分毎にクラスタリングを行い、各主成分の各クラスタにラベルを付加するクラスタリング部を更に有し、
    　前記センサ選択部は、前記傾向判定対象主成分において前記注目センサと同一のクラスタに含まれるセンサを選択する、
    請求項４に記載のセンサ選択装置。
  6. 　前記対象センサ群の中で異常寄与度が最も高いセンサを前記注目センサとする注目センサ決定部を更に有する、請求項１に記載のセンサ選択装置。
  7. 　操作入力に基づいて前記正常期間と前記異常期間を変更可能に決定する入力部を更に有する、請求項１に記載のセンサ選択装置。
  8. 　前記故障予兆の診断により得られた各センサの期間毎の異常寄与度と前記各センサの特徴とを関連付けて表示するセンサ特徴表示部を更に有する、請求項１に記載のセンサ選択装置。
  9. 　正常異常差算出手段が、故障予兆の検知に利用可能な対象センサ群の各センサについて正常期間と異常期間の特徴の差分を正常異常差として算出し、
    　センサ選択手段が、前記対象センサ群に含まれる前記故障予兆が現れる注目センサと前記正常異常差の傾向が一致するセンサを選択する、
    センサ選択方法。
PCT/JP2018/046372 2018-01-04 2018-12-17 センサ選択装置およびセンサ選択方法 WO2019135351A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018-000292 2018-01-04
JP2018000292A JP6931615B2 (ja) 2018-01-04 2018-01-04 センサ選択装置およびセンサ選択方法

Publications (1)

Publication Number Publication Date
WO2019135351A1 true WO2019135351A1 (ja) 2019-07-11

Family

ID=67143718

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2018/046372 WO2019135351A1 (ja) 2018-01-04 2018-12-17 センサ選択装置およびセンサ選択方法

Country Status (2)

Country Link
JP (1) JP6931615B2 (ja)
WO (1) WO2019135351A1 (ja)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6466877B1 (en) * 1999-09-15 2002-10-15 General Electric Company Paper web breakage prediction using principal components analysis and classification and regression trees
JP2010277199A (ja) * 2009-05-26 2010-12-09 Nippon Steel Corp 生産システムの設備診断装置および設備診断方法、並びに設備診断プログラムおよびこれを記録したコンピュータ読み取り可能な記録媒体
JP2011145846A (ja) * 2010-01-14 2011-07-28 Hitachi Ltd 異常検知方法、異常検知システム、及び異常検知プログラム
JP2015179443A (ja) * 2014-03-19 2015-10-08 株式会社東芝 診断モデル生成装置、診断用モデル生成方法、及び異常診断装置
JP2016218961A (ja) * 2015-05-26 2016-12-22 株式会社日立パワーソリューションズ 異常予兆診断装置及び異常予兆診断方法
WO2018083720A1 (ja) * 2016-11-07 2018-05-11 日本電気株式会社 異常分析方法、プログラムおよびシステム
JP2018173948A (ja) * 2017-03-31 2018-11-08 西日本電信電話株式会社 故障診断装置、故障診断方法、及びコンピュータプログラム
JP2018180759A (ja) * 2017-04-07 2018-11-15 株式会社日立製作所 システム分析装置、及びシステム分析方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5808605B2 (ja) * 2011-08-17 2015-11-10 株式会社日立製作所 異常検知・診断方法、および異常検知・診断システム
JP5778305B2 (ja) * 2014-03-12 2015-09-16 株式会社日立製作所 異常検知方法及びそのシステム

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6466877B1 (en) * 1999-09-15 2002-10-15 General Electric Company Paper web breakage prediction using principal components analysis and classification and regression trees
JP2010277199A (ja) * 2009-05-26 2010-12-09 Nippon Steel Corp 生産システムの設備診断装置および設備診断方法、並びに設備診断プログラムおよびこれを記録したコンピュータ読み取り可能な記録媒体
JP2011145846A (ja) * 2010-01-14 2011-07-28 Hitachi Ltd 異常検知方法、異常検知システム、及び異常検知プログラム
JP2015179443A (ja) * 2014-03-19 2015-10-08 株式会社東芝 診断モデル生成装置、診断用モデル生成方法、及び異常診断装置
JP2016218961A (ja) * 2015-05-26 2016-12-22 株式会社日立パワーソリューションズ 異常予兆診断装置及び異常予兆診断方法
WO2018083720A1 (ja) * 2016-11-07 2018-05-11 日本電気株式会社 異常分析方法、プログラムおよびシステム
JP2018173948A (ja) * 2017-03-31 2018-11-08 西日本電信電話株式会社 故障診断装置、故障診断方法、及びコンピュータプログラム
JP2018180759A (ja) * 2017-04-07 2018-11-15 株式会社日立製作所 システム分析装置、及びシステム分析方法

Also Published As

Publication number Publication date
JP2019121163A (ja) 2019-07-22
JP6931615B2 (ja) 2021-09-08

Similar Documents

Publication Publication Date Title
US8494811B2 (en) Device management method, analysis system used for the device management method, analysis data structure, and maintenance inspection support apparatus used for the device management method
CN100568234C (zh) 数据透视中的异常检测
WO2013011745A1 (ja) 設備状態監視方法およびその装置
CN111459700A (zh) 设备故障的诊断方法、诊断装置、诊断设备及存储介质
CN101350083A (zh) 作业管理装置和作业管理方法
JP2013143009A (ja) 設備状態監視方法およびその装置
JP6871877B2 (ja) 情報処理装置、情報処理方法及びコンピュータプログラム
US8949672B1 (en) Analyzing a dump file from a data storage device together with debug history to diagnose/resolve programming errors
JP6521096B2 (ja) 表示方法、表示装置、および、プログラム
JP6315528B1 (ja) 異常検知モデル構築装置、異常検知モデル構築方法及びプログラム
CN104977922A (zh) 设备监视装置和方法
CN116450399A (zh) 微服务系统故障诊断及根因定位方法
CN116415931A (zh) 一种基于大数据的电力设备运行状态监控方法和系统
CN112463646B (zh) 一种传感器异常检测方法及装置
US20200380474A1 (en) Monitoring Device and Monitoring System
WO2019135351A1 (ja) センサ選択装置およびセンサ選択方法
JP5668425B2 (ja) 障害検知装置、情報処理方法、およびプログラム
Patri et al. Predicting compressor valve failures from multi-sensor data
JP6247777B2 (ja) 異常診断装置および異常診断方法
CN101556168B (zh) 设备运行数据监控装置
CN111108455A (zh) 数据分类装置
JP2007226639A (ja) 多変量データ判別装置
JP2007122682A (ja) 故障品類似製品の抽出方法および抽出システム
JP7494562B2 (ja) 要因分析装置及び要因分析方法
WO2024043153A1 (ja) 因子選択装置、因子選択方法及びプログラム

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: 18897967

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18897967

Country of ref document: EP

Kind code of ref document: A1