WO2020152741A1 - 異常要因推定装置、異常要因推定方法、及びプログラム - Google Patents

異常要因推定装置、異常要因推定方法、及びプログラム Download PDF

Info

Publication number
WO2020152741A1
WO2020152741A1 PCT/JP2019/001638 JP2019001638W WO2020152741A1 WO 2020152741 A1 WO2020152741 A1 WO 2020152741A1 JP 2019001638 W JP2019001638 W JP 2019001638W WO 2020152741 A1 WO2020152741 A1 WO 2020152741A1
Authority
WO
WIPO (PCT)
Prior art keywords
abnormality
sensor data
unit
tendency
abnormal
Prior art date
Application number
PCT/JP2019/001638
Other languages
English (en)
French (fr)
Inventor
泰弘 遠山
Original Assignee
三菱電機株式会社
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 三菱電機株式会社 filed Critical 三菱電機株式会社
Priority to CN201980089324.8A priority Critical patent/CN113330379A/zh
Priority to DE112019006255.7T priority patent/DE112019006255T5/de
Priority to JP2020567675A priority patent/JP7012888B2/ja
Priority to PCT/JP2019/001638 priority patent/WO2020152741A1/ja
Priority to TW108127719A priority patent/TW202028901A/zh
Publication of WO2020152741A1 publication Critical patent/WO2020152741A1/ja
Priority to US17/347,876 priority patent/US20210310679A1/en

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F24F11/32—Responding to malfunctions or emergencies
    • F24F11/38—Failure diagnosis
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0232—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on qualitative trend analysis, e.g. system evolution
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing

Definitions

  • the present invention relates to an abnormality factor estimation device that estimates an abnormality factor of a device.
  • Patent Document 1 describes a process monitoring and diagnostic device for the purpose of giving a plant manager or an operator in a plant a guideline for determining what action should be taken when an abnormality occurs in a target device. ing.
  • the process monitoring diagnostic device acquires the process data measured by the sensor installed in the target process, and the abnormality detection data calculated based on the process data is calculated based on the deviation degree of the process data.
  • the abnormal level is determined by determining whether or not the threshold value is exceeded. Further, the process monitoring diagnostic device calculates a contribution amount for each process variable with respect to the abnormality detection data.
  • the process variable represents a manipulated variable sensor and a process sensor, and the contribution amount indicates how much the process variable contributes to an abnormality that occurs.
  • the process monitoring diagnostic device determines whether the process variable whose contribution amount exceeds the threshold value is extracted to determine whether the type of the abnormality is due to the abnormality of the operation amount sensor and the process sensor, or the abnormality of the process. Identify if it is due to.
  • the conventional method when specifying an abnormal factor for a target device such as a plant device, a manufacturing device, an elevator, and an air conditioner, a signal deviating from normal data by a certain amount or more. Based on the above, the cause of abnormality of the target device is estimated.
  • the determination as to whether or not the signal deviates from the normal data is simply a threshold determination as to whether or not the signal exceeds the threshold value, and when a plurality of signals exceeds the threshold value, a combination of signals that exceed the threshold value is used.
  • the abnormality factor of the target device are associated with each other on a one-to-one basis.
  • the present invention has been made in order to solve the above problems, and in a technique of estimating an abnormality factor of a target device, a technique that can specify the abnormality factor rather than the estimation of the abnormality factor by threshold value determination. The purpose is to provide.
  • An abnormality factor estimation device a sensor data acquisition unit that acquires sensor data from a sensor installed in the target device, the sensor data acquired by the sensor data acquisition unit, a normal model indicating a normal range of the sensor data
  • a sensor data acquisition unit that acquires sensor data from a sensor installed in the target device, the sensor data acquired by the sensor data acquisition unit, a normal model indicating a normal range of the sensor data
  • FIG. 3 is a block diagram showing a configuration of an abnormality factor estimation device according to the first embodiment.
  • 5 is a flowchart showing an abnormality factor estimation method according to the first embodiment.
  • 5 is a table for explaining sensor data used by the abnormality factor estimation device according to the first embodiment.
  • 5 is a graph for explaining an example of a process in which the abnormality factor estimation device according to the first embodiment divides sensor data for each phase.
  • 5A and 5B are graphs for explaining an example of a normal model generated and used by the abnormality factor estimation device according to the first embodiment.
  • 6 is a graph for explaining an example of an abnormal factor model generated and used by the abnormal factor estimation device according to the first embodiment.
  • FIG. 1 is a flowchart showing an abnormality factor estimation method according to the first embodiment.
  • 5 is a table for explaining sensor data used by the abnormality factor estimation device according to the first embodiment.
  • 5 is a graph for explaining an example of a process in which the abnormality factor estimation device according to the first embodiment divides sensor
  • FIG. 6 is a diagram for explaining an example of a process of estimating an abnormality factor of a target device by the abnormality factor estimation device according to the first embodiment.
  • FIG. 6 is a block diagram showing a configuration of an abnormality factor estimation device according to a second embodiment.
  • 7 is a flowchart showing an abnormality factor estimation method according to the second embodiment.
  • FIG. 10A is a block diagram showing a hardware configuration for realizing the functions of the air conditioning control device according to the first and second embodiments.
  • FIG. 10B is a block diagram showing a hardware configuration that executes software that realizes the functions of the air conditioning control devices according to the first and second embodiments.
  • FIG. 1 is a block diagram showing the configuration of the abnormality factor estimation device 1 according to the first embodiment.
  • the abnormality factor estimation device 1 includes a communication unit 2, a processing unit 3, a storage unit 4, and an output unit 5.
  • the processing unit 3 includes a sensor data acquisition unit 6, a phase division unit 7, an abnormal tendency detection unit 8, an abnormal factor estimation unit 9, a normal model generation unit 10, and an abnormal factor model generation unit 11.
  • the storage unit 4 includes a sensor data storage unit 12, a normal model storage unit 13, and an abnormal factor model storage unit 14.
  • the communication unit 2 receives sensor data from a sensor installed in a target device (not shown).
  • the communication unit 2 may further receive, from the target device, setting values related to the operation of the target device, OK/NG determination information indicating whether the target device has operated correctly, and the like.
  • the communication unit 2 outputs the received sensor data to the sensor data acquisition unit 6.
  • target device the device for which the abnormality factor estimation device 1 estimates the abnormality factor.
  • Examples of the target equipment include plant equipment, manufacturing equipment, elevators, air conditioners, and the like.
  • the sensor data acquisition unit 6 acquires sensor data from the communication unit 2.
  • the sensor data acquisition unit 6 outputs the acquired sensor data to the phase division unit 7 or stores it in the sensor data storage unit 12. Examples of items of sensor data include temperature, humidity, vibration, rotation speed, current, and voltage.
  • the sensor data acquisition unit 6 may collect sensor data and classify the collected sensor data for each of these items.
  • the phase division unit 7 acquires the sensor data from the sensor data acquisition unit 6 or reads the sensor data from the sensor data storage unit 12 and generates the divided sensor data by dividing the acquired or read sensor data for each phase. To do.
  • the phase dividing unit 7 outputs the generated divided sensor data to the abnormal tendency detecting unit 8 or the normal model generating unit 10.
  • the phase dividing unit 7 may store the generated divided sensor data in the storage unit 4. Examples of the phase include a phase in which the value of the sensor data is distinguished by the setting of the operation of the target device, a phase in which it is distinguished by the characteristics of the waveform of the sensor data, and the like.
  • the robot picks up the component, the robot inserts the component, the arm extends, the arm retracts, the arm rotates, and the arm rises.
  • the phase of the waveform, the phase of the falling waveform, and the like are included.
  • the phase dividing unit 7 may refer to the set value regarding the operation of the target device, the feature of the operation of the target device, and the like.
  • the abnormal tendency detection unit 8 reads a normal model indicating a normal value range of the sensor data from the normal model storage unit 13 and compares the sensor data acquired by the sensor data acquisition unit 6 with the normal model to detect an abnormal sensor data. Detect trends. More specifically, the abnormal tendency detecting unit 8 detects the abnormal tendency of the divided sensor data by comparing the divided sensor data divided by the phase dividing unit 7 with a normal model corresponding to the phase of the divided sensor data. .. The abnormal tendency detection unit 8 may read the divided sensor data used for comparison from the storage unit 4 when detecting the abnormal tendency of the divided sensor data.
  • the abnormality tendency detection unit 8 generates a data set in which the detected abnormality tendency and the phase of the divided sensor data used for detection are associated with each other, and stores the data set in the abnormality factor estimation unit 9 or the abnormality factor model generation unit 11. Output.
  • the abnormal tendency detection unit 8 may store the data set in the storage unit 4.
  • the abnormal tendency of the sensor data means how the value of the sensor data deviates from the normal value range of the sensor data. Therefore, the abnormal tendency of the sensor data can indicate not only an index that is larger or smaller than the normal value range, but also the degree of difference between the sensor data value and the normal value range. Also, the abnormal tendency of sensor data is The difference between the waveform of the sensor data and the waveform in the normal range can be shown during a predetermined period.
  • the value is larger than the normal range, the value is larger than the normal range, the value is smaller than the normal range, and the value is different from the normal range. Further, it may be more small than the average value of the upper limit value and the lower limit value of the normal value range, and may be pulsed than the average value of the upper limit value and the lower limit value of the normal value range.
  • the abnormal tendency of the sensor data may be a numerical value of these abnormal tendencies. Details of the normal model will be described later.
  • the abnormality factor estimation unit 9 reads out an abnormality factor model in which the abnormality tendency of the past sensor data and the abnormality factor of the target device are associated with each other from the abnormality factor model storage unit 14, and detects the abnormality tendency detected by the abnormality tendency detection unit 8. ,
  • the abnormality factor of the target device is estimated by comparing with the abnormality factor model. More specifically, the abnormality factor estimation unit 9 sets a data set in which the phases of the divided sensor data used for the detection by the abnormality tendency detection unit 8 and the abnormal tendency detected by the abnormality tendency detection unit 8 are associated with each other.
  • the abnormal factor of the target device is estimated by comparing with the abnormal factor model in which the same phase, the abnormal tendency of the past sensor data, and the abnormal factor of the target device are associated.
  • the abnormality factor estimation unit 9 may read the abnormality tendency used for comparison from the storage unit 4 when estimating the abnormality factor of the target device.
  • the abnormality factor estimation unit 9 outputs the estimated abnormality factor to the output unit 5.
  • the abnormality factor estimation unit 9 may store the estimated abnormality factor in the storage unit 4.
  • the cause of abnormality of the target device means a factor that is the basis of occurrence of an abnormality such as a failure or malfunction in the target device. More specifically, examples of the cause of abnormality of the target device include a defect in a specific set value relating to a specific operation of the target device, a failure of a specific facility in the target device, and the like.
  • the abnormality factor of the target device may be a code indicating these pieces of information. In that case, the abnormality factor model storage unit 14 may store a table in which the code is associated with the information on the abnormality factor indicated by the code. Details of the abnormality factor model will be described later.
  • the output unit 5 outputs the abnormality factor estimated by the abnormality factor estimation unit 9.
  • the output unit 5 may further output the abnormal tendency detected by the abnormal tendency detection unit 8.
  • An example of the output unit 5 is a display or the like that displays an abnormal cause of the target device.
  • the normal model generation unit 10 generates a normal model indicating a normal range of sensor data based on the sensor data acquired by the sensor data acquisition unit 6. More specifically, the normal model generation unit 10 generates a normal model corresponding to the phase of the divided sensor data, based on the divided sensor data generated by the phase dividing unit 7. The normal model generation unit 10 stores the generated normal model in the normal model storage unit 13. Details of the normal model will be described later.
  • the abnormality factor model generation unit 11 associates the abnormality tendency detected by the abnormality tendency detection unit 8 with the abnormality factor of the target device to associate the abnormality tendency of the past sensor data with the abnormality factor of the target device. Generate an anomaly factor model. More specifically, the abnormality factor model generation unit 11 associates the phase of the divided sensor data used by the abnormality tendency detection unit 8 for detection, the abnormality tendency detected by the abnormality tendency detection unit 8, and the abnormality factor of the target device. As a result, the abnormality factor model is generated. The abnormal factor model generation unit 11 stores the generated abnormal factor model in the abnormal factor model storage unit 14.
  • the abnormal factor model generation unit 11 calculates the abnormal factor model from the phases of the divided sensor data used for detection by the abnormal tendency detection unit 8 and the abnormal tendency detected by the abnormal tendency detection unit 8 when the abnormal tendency model is generated as described above.
  • the abnormality factor of the target device may be estimated.
  • the user of the abnormality factor estimation device 1 detects the phase of the divided sensor data used for the detection by the abnormality tendency detection unit 8 and the abnormality tendency detection unit 8 so that the abnormality factor model generation unit 11 can generate the abnormality factor model.
  • the abnormal factor corresponding to the abnormal tendency described above may be input to the abnormal factor model generation unit 11 in advance. Details of the abnormality factor model will be described later.
  • FIG. 2 is a flowchart showing an abnormality factor estimation method by the abnormality factor estimation device 1 according to the first embodiment.
  • the sensor data acquisition unit 6 acquires sensor data from the communication unit 2 (step ST1).
  • the sensor data acquisition unit 6 outputs the acquired sensor data to the phase division unit 7 or the storage unit 4.
  • the phase division unit 7 acquires the sensor data from the sensor data acquisition unit 6 or reads the sensor data from the storage unit 4 and divides the acquired or read sensor data into phases to obtain the divided sensor data. Generate (step ST2).
  • the phase dividing unit 7 outputs the generated divided sensor data to the abnormal tendency detecting unit 8.
  • the configuration in which the phase division unit 7 executes step ST2 will be described, but the phase division unit 7 does not execute step ST2, and the abnormality factor estimation device 1 advances the process to step ST3. Good.
  • the phase division unit 7 determines whether the current operation mode of the abnormality factor estimation device 1 is the abnormality factor estimation mode for estimating the abnormality factor of the target device (step ST3).
  • the phase division unit 7 determines that the current operation mode is the abnormality factor estimation mode (YES in step ST3)
  • the abnormality factor estimation device 1 advances the process to step ST4.
  • the phase division unit 7 determines that the current operation mode is not the abnormality factor estimation mode (NO in step ST3)
  • the abnormality factor estimation device 1 determines that the current operation mode is the normal model and abnormality factor model generation mode. , Proceeds to step ST6.
  • the current operation mode of the abnormality factor estimation device 1 in step ST3 is set in advance by the abnormality factor estimation device 1 when it is necessary to estimate the abnormality factor or when it is necessary to generate or update the normal model and the abnormality factor model. It may be set automatically or may be set in advance by the user.
  • step ST4 the abnormal tendency detecting unit 8 reads out a normal model corresponding to the phase of the divided sensor data divided by the phase dividing unit 7 from the normal model storage unit 13 and compares the divided sensor data with the normal model. By this, the abnormal tendency of the divided sensor data is detected.
  • the abnormal tendency detection unit 8 generates a data set in which the phase of the divided sensor data used for detecting the abnormal tendency and the abnormal tendency of the divided sensor data are associated with each other, and outputs the data set to the abnormal factor estimation unit 9. To do.
  • the phase dividing unit 7 does not execute the above-mentioned step ST2
  • the abnormal tendency detecting unit 8 reads the normal model from the normal model storing unit 13 in step ST4, and the sensor data acquisition unit 6 acquires the sensor data. Is compared with the normal model to detect an abnormal tendency of the sensor data.
  • the abnormality factor estimation unit 9 reads from the abnormality factor model storage unit 14 an abnormality factor model in which the phase of the past sensor data, the abnormality tendency of the past sensor data, and the abnormality factor of the target device are associated with each other,
  • the abnormal factor of the target device is estimated by comparing the data set of the phase of the divided sensor data used by the abnormal tendency detecting unit 8 for detection and the abnormal tendency detected by the abnormal tendency detecting unit 8 with the abnormal factor model. (Step ST5).
  • the abnormality factor estimation unit 9 outputs the estimated abnormality factor to the output unit 5, and the output unit 5 outputs the abnormality factor.
  • step ST5 the abnormality factor estimation unit 9 compares the abnormality factor model with the abnormality factor model even if there is only one data set of the phase of the input divided sensor data and the abnormality tendency, to thereby determine the abnormality factor of the target device. Can be estimated.
  • the abnormality factor estimating unit 9 determines the abnormality factor in step ST5 in which the abnormality tendency of the past sensor data and the abnormality factor of the target device are associated with each other.
  • the model is read from the abnormality factor model storage unit 14, and the abnormality tendency detected by the abnormality tendency detection unit 8 is compared with the abnormality factor model to estimate the abnormality factor of the target device.
  • the abnormality factor estimation device 1 can sequentially perform the abnormality factor estimation based on the sensor data measured by the sensor in real time during the operation of the target device by performing the above steps ST1 to ST5. ..
  • step ST6 the normal model generation unit 10 generates a normal model corresponding to the phase of the divided sensor data, based on the divided sensor data generated by the phase dividing unit 7.
  • step ST6 the normal model generation unit 10 reads from the storage unit 4 the divided sensor data generated in advance by the phase division unit 7 and stored in the storage unit 4, and generates a normal model based on the divided sensor data. May be.
  • the normal model generation unit 10 stores the generated normal model in the normal model storage unit 13 (step ST7).
  • the normal model generation unit 10 stores the generated normal model in the normal model storage unit 13 if the previously generated normal model in the past is stored in the normal model storage unit 13, Delete the model.
  • the normal model generation unit 10 does not need to delete the past normal model in order to enable rollback in the case where a normal model is generated by mistakenly using incorrect divided sensor data. Good.
  • the normal model stored in the normal model storage unit 13 by the normal model generation unit 10 is used by the abnormal tendency detection unit 8 in the next step ST8, and the abnormal factor estimation method is executed again from the above-mentioned step ST1 again later. Is used by the abnormal tendency detection unit 8 in step ST4 described above.
  • the abnormal tendency detection unit 8 reads a normal model corresponding to the phase of the divided sensor data divided by the phase dividing unit 7 from the normal model storage unit 13, and the divided sensor data divided by the phase dividing unit 7 By comparing with the model, the abnormal tendency of the divided sensor data is detected (step ST8).
  • the abnormality tendency detection unit 8 generates a data set in which the phase of the divided sensor data and the abnormal tendency of the divided sensor data are associated with each other, and outputs the data set to the abnormality factor model generation unit 11.
  • the abnormal tendency detection unit 8 may generate a data set in which the phase of the divided sensor data and the abnormal tendency of the divided sensor data are associated with each other, and store the data set in the storage unit 4.
  • the abnormality factor model generation unit 11 detects the phase of the divided sensor data used by the abnormality tendency detection unit 8 for detecting the abnormality tendency in step ST8, the abnormality tendency detected by the abnormality tendency detection unit 8, and the abnormality of the target device.
  • An abnormal factor model is generated by associating with the factor (step ST9).
  • the abnormality factor model generation unit 11 reads from the storage unit 4 the phase of the divided sensor data and the abnormality tendency of the divided sensor data stored in advance in the storage unit 4 by the abnormality tendency detection unit 8, and identifies the phase and the abnormality tendency.
  • the abnormality factor model may be generated by associating the abnormality factor with the target device.
  • the abnormality factor model generation unit 11 stores the generated abnormality factor model in the abnormality factor model storage unit 14 (step ST10).
  • the abnormal factor model generation unit 11 stores the generated abnormal factor model in the abnormal factor model storage unit 14 if the previously generated past abnormal factor model is stored in the abnormal factor model storage unit 14 , The past abnormal cause model is deleted.
  • the normal model generation unit 10 may roll back the past abnormal factor model in the case where the abnormal factor model is generated using the abnormal tendency based on the incorrect divided sensor data. You do not have to delete it.
  • the abnormality factor model stored in the abnormality factor model storage unit 14 by the abnormality factor model generation unit 11 is used by the abnormality factor estimation unit 9 in Step ST5 described above when the abnormality factor estimation method is executed again from Step ST1 described above.
  • the abnormality factor estimation device 1 generates the normal model and the abnormality factor model and stores them in the storage unit 4 in steps ST6 to ST10, but the configuration is not limited to this. ..
  • the abnormality factor estimation device 1 may generate any one of a normal model and an abnormality factor model and store the generated model in the storage unit 4. In that case, in step ST3 described above, when the phase division unit 7 determines that the current operation mode is not the abnormality factor estimation mode, the current operation mode is determined to be the normal model generation mode, and the abnormality factor estimation device 1 It is not necessary to execute steps ST6 and ST7 and execute steps ST8 to ST10.
  • step ST3 when the phase division unit 7 determines that the current operation mode is not the abnormality factor estimation mode, it is determined that the current operation mode is the abnormality factor model generation mode, and the abnormality factor estimation device 1
  • the above-mentioned steps ST8 to ST10 may be executed, and steps ST6 and ST7 may not be executed.
  • the abnormality factor model generation unit 11 causes the abnormality tendency detection unit 8 to perform the phase of the divided sensor data used for the detection of the abnormality tendency in step ST4, and the abnormality tendency detection unit 8 to perform the step.
  • the abnormality factor model may be generated by associating the abnormality tendency detected in ST4 with the abnormality factor of the target device.
  • the phase division unit 7 determines that the current operation mode is not the abnormality factor estimation mode
  • the abnormality factor estimation device 1 determines that the current operation mode is the normal model generation mode. It is not necessary to execute steps ST6 and ST7 and execute steps ST8 to ST10.
  • FIG. 3 is a table for explaining the sensor data acquired by the sensor data acquisition unit 6 in step ST1 described above.
  • the data items of the sensor data in the example are temperature, vibration, rotation speed, contact 1 current, contact 1 voltage, contact 2 current, and contact 2 voltage for each measured time.
  • the sensor data acquisition unit 6 classifies the sensor data acquired from the communication unit 2 into these data items for each acquired time.
  • the data items of the sensor data are not limited to the example, and may be data items other than these data items. In that case, the sensor data acquisition unit 6 may newly provide a data item according to the type of sensor actually installed in the target device.
  • the sensor data acquisition unit 6 acquires sensor data from the plurality of target devices and generates a table of sensor data for each target device. May be. Further, in that case, the sensor data acquisition unit 6 does not include the data of the data items common to each target device, such as the temperature and the humidity, in the other table common to the target devices, instead of including them in the sensor data table for each target device. May be included in.
  • the sensor data acquisition unit 6 outputs the generated table to the phase division unit 7 or stores it in the sensor data storage unit 12.
  • FIG. 4 is a graph for explaining an example of a process in which the phase division unit 7 divides the sensor data for each phase in the above-mentioned step ST2.
  • the vertical axis represents a sensor value that is an arbitrary value indicated by the sensor data
  • the horizontal axis represents time.
  • the sensor value in the graph shown in FIG. 4 indicates the sensor value measured by the sensor installed in the target device when the target device executes one sequence.
  • the sensor value is divided into six phases according to the shape of the waveform. Note that the target device repeatedly executes such a sequence.
  • the phase division unit 7 divides the sensor value, which changes with the sequence of one time by the target device, into each phase that is distinguished by the waveform feature of the sensor value. Generate sensor data. For example, when the robot arm on which the sensor is installed performs two operations of picking up a part and fitting a part in one sequence, the phase dividing unit 7 outputs the waveform of the sensor value according to the two operations. The feature may be detected and the sensor value may be divided for each phase corresponding to the two operations. For example, the phase dividing unit 7 may divide the sensor value for each phase corresponding to movements such as extension, contraction, and rotation according to the characteristics of the movement of the arm of the robot in which the sensor is installed.
  • the phase dividing unit 7 may acquire a signal of a setting value related to the operation of the target device and divide the sensor value for each phase based on the setting value.
  • the phase dividing unit 7 may divide the sensor value for each phase based on a machine learning method such as a method of detecting a change point from the characteristics of data.
  • FIG. 5A and 5B are graphs for explaining an example of a normal model generated by the normal model generation unit 10 in step ST6 described above and used by the abnormal tendency detection unit 8 in step ST4 and step ST8 described above.
  • the vertical axis represents the sensor value
  • the horizontal axis represents time.
  • FIG. 5A shows a division of one phase corresponding to each trial of the specific sequence based on the sensor value measured by the sensor installed in the target device when the target device repeatedly executes the specific sequence.
  • a line graph of sensor data is plotted at the same coordinates.
  • the normal model generation unit 10 acquires the plurality of line graphs shown in FIG. 5A, compares the plurality of line graphs with each other, and calculates the variation in the sensor value for each time.
  • the normal model generation unit 10 generates the band model shown in FIG. 5B as a normal model based on the variation. More specifically, for example, the normal model generation unit 10 calculates the average value and standard deviation of the sensor values for each time, and based on the average value and standard deviation, the normal model as shown by the shaded portion in FIG. 5B. Calculate the range. More specifically, for example, in the normal value range, a value obtained by multiplying a standard deviation for each time by a predetermined multiple is added to an average value for each time as an upper limit value, and a value obtained by subtracting the value as a lower limit value. It is a normal value range for each time. For example, as shown in FIG.
  • the normal model generation unit 10 uses M(t 1 ) based on the average value M(t 1 ) of the sensor values and the standard deviation W(t 1 ) of the sensor values at time t 1 .
  • a range not less than t 1 )-W(t 1 ) and not more than M(t 1 )+W(t 1 ) is calculated as a normal value range at time t 1 .
  • the method for the normal model generation unit 10 to generate a normal model in step ST6 described above is not limited to the above example.
  • Another example of the method includes machine learning methods such as One Class SVM, principal component analysis, and neural net.
  • the abnormal tendency detecting unit 8 compares the divided sensor data divided by the phase dividing unit 7 with the normal model generated in advance by the normal model generating unit 10 as described above in step ST4 and step ST8 described above. , The abnormal tendency of the divided sensor data is detected.
  • the abnormal tendency detecting unit 8 detects the abnormal tendency when the sensor value of the divided sensor data deviates from the normal value range calculated as described above in step ST4 and step ST8.
  • FIG. 6 is a table for explaining an example of the abnormality factor model generated by the abnormality factor model generation unit 11 in step ST9 described above and used by the abnormality factor estimation unit 9 in step ST5 described above.
  • the abnormality factor model generation unit 11 includes the “phase” of the divided sensor data used by the abnormality tendency detection unit 8 for detecting the abnormality tendency in the above-mentioned step ST8, and the abnormality tendency.
  • the “detection signal” indicating the identification name of the divided sensor data in which the detection unit 8 has detected the abnormal tendency in step ST8 described above, the “abnormality tendency” detected by the abnormal tendency detection unit 8 in step ST8 described above, and the target device
  • a table of abnormality factor models is generated. More specifically, as shown in FIG. 6, in the above-described step ST9, the abnormality factor model generation unit 11 causes the "start” as the phase, the "signal 1" as the detection signal, and the “signal 1" as the abnormality tendency. "Excessive” is associated with "abnormal setting" as a cause of abnormality.
  • the abnormality factor model generation unit 11 causes the "steady state" as the phase, the "signal 2" as the detection signal, the "vibration” as the abnormal tendency, and the "equipment failure” as the abnormality factor. ] Is further matched.
  • the abnormality factor model generation unit 11 may associate other information in addition to the data related to the abnormality of the target device such as the above items. For example, the abnormal factor model generation unit 11 separately performs FTA (Fault Tree Analysis) on the combination of the abnormal tendency and the abnormal factor, and associates the result of the FTA (Fault Tree Analysis) with the abnormal tendency and the abnormal factor. May be.
  • FIG. 7 is a diagram for explaining an example of the process in which the abnormality factor estimation unit 9 estimates the abnormality factor of the target device in step ST5 described above.
  • the abnormality factor estimation unit 9 detects the “phase” of the divided sensor data used by the abnormality tendency detection unit 8 in the above-described step ST4 to detect the abnormality tendency and the abnormality tendency detection.
  • the "detection signal" indicating the identification name of the divided sensor data whose section 8 has detected the abnormal tendency in step ST4 described above is associated with the "abnormality tendency" detected by the abnormality tendency detection section 8 in step ST4 described above.
  • the item of the phase of the divided sensor data is “Steady” is shown, the item of the detection signal is “Signal 2”, and the item of the abnormal tendency is “Vibration”.
  • the item of the phase indicates “start” and the item of the detection signal is “signal 1”.
  • the abnormality factor estimation unit 9 compares the current data set and the abnormality factor model, and the second row of the table of the current data set and the abnormality factor model indicates that the item of the phase, the item of the detection signal, and the item of the abnormality tendency. It is determined that there is a match in.
  • the abnormality factor estimation unit 9 estimates the "facility failure" indicated by the item of the abnormality factor included in the second row of the table of the abnormality factor model as the abnormality factor of the target device based on the determination.
  • the abnormality factor estimation unit 9 determines that the table of the current data set and the specific row in the table of the abnormality factor model match in all items included in the current data set.
  • the abnormality factor included in the specific row in the table of the abnormality factor model is estimated to be the abnormality factor of the target device.
  • the abnormality factor estimation unit 9 compares the table of the current data set with all the rows included in the table of the abnormality factor model, and compares the current data set with a plurality of rows included in the table of the abnormality factor model. However, if it is determined that some of the items in the current data set match, the multiple rows are extracted as row candidates in the abnormal factor model table indicating the abnormal factors of the target device. Good.
  • the abnormality factor estimation unit 9 calculates the degree of similarity with the current data set by performing general text analysis or the like on the extracted candidates, and indicates the abnormality factor indicated by the candidate with the highest degree of similarity. May be estimated as an abnormal factor of the target device.
  • An example of the use of the abnormality factor estimating device 1 according to the first embodiment described above is the use of estimating the abnormality factor of the manufacturing device.
  • the sensor data is divided for each phase, the abnormality tendency of the divided sensor data after the division is detected, and the abnormality tendency and the phase and the abnormality tendency indicated by the abnormality factor model are detected.
  • the abnormal factor can be estimated by comparing the phase and the phase and extracting the similar abnormal tendency and phase.
  • the abnormality factor estimation device 1 includes the sensor data acquisition unit 6 that acquires sensor data from the sensor installed in the target device, and the sensor data acquired by the sensor data acquisition unit 6. By comparing with the normal model showing the normal range of the sensor data, the abnormal tendency detecting unit 8 for detecting the abnormal tendency of the sensor data and the abnormal tendency detected by the abnormal tendency detecting unit 8 are compared with the abnormal tendency of the past sensor data. And an abnormal factor estimation unit 9 that estimates the abnormal factor of the target device by comparing the abnormal factor model with the abnormal factor model of the target device.
  • the abnormality factor of the target device is estimated by detecting the abnormality tendency of the sensor data and comparing the abnormality tendency with the abnormality factor model. As a result, it is possible to estimate the abnormality factor more accurately according to the abnormality tendency of the sensor data than the threshold determination in which only the determination result of whether the sensor data exceeds the threshold is obtained.
  • the abnormality factor can be specified rather than the estimation.
  • the abnormality factor estimating apparatus 1 further includes a phase dividing unit 7 that generates divided sensor data by dividing the sensor data acquired by the sensor data acquiring unit 6 for each phase, and the abnormality tendency detecting unit. 8 detects the abnormal tendency of the divided sensor data by comparing the divided sensor data generated by the phase dividing unit 7 with a normal model corresponding to the phase of the divided sensor data.
  • the phase of the sensor data and the abnormal tendency detected by the abnormal tendency detecting unit 8 are compared with an abnormal factor model in which the same phase as the relevant phase, the abnormal tendency of the past sensor data and the abnormal factor of the target device are associated with each other. By doing so, an abnormality factor of the target device is estimated.
  • the phase of the divided sensor data and the phase indicated by the abnormality factor model are further compared. This makes it possible to estimate the abnormality factor with higher accuracy than when the phase of the divided sensor data is not used.
  • the abnormality factor estimation apparatus 1 further includes an abnormality factor model generation unit 11 that generates an abnormality factor model by associating the abnormality tendency detected by the abnormality tendency detection unit 8 with the abnormality factor of the target device.
  • an abnormality factor model generation unit 11 that generates an abnormality factor model by associating the abnormality tendency detected by the abnormality tendency detection unit 8 with the abnormality factor of the target device.
  • the abnormality factor estimation device 1 further includes a normal model generation unit 10 that generates a normal model based on the sensor data acquired by the sensor data acquisition unit 6.
  • a normal model generation unit 10 that generates a normal model based on the sensor data acquired by the sensor data acquisition unit 6.
  • the abnormality factor estimation device 1 not only compares the abnormality tendency of the divided sensor data with the abnormality tendency indicated by the abnormality factor model, but also further analyzes the phase of the divided sensor data and the phase indicated by the abnormality factor model.
  • the configuration for estimating the abnormality factor of the target device by comparison has been described.
  • the abnormality factor estimation device 20 estimates the abnormality factor of the target device by further comparing the group of the divided sensor data and the group indicated by the abnormality factor model.
  • FIG. 8 is a block diagram showing the configuration of the abnormality factor estimation device 20 according to the second embodiment.
  • the processing unit 21 further includes an additional data acquisition unit 22 and a group classification unit 23. ..
  • the additional data acquisition unit 22 acquires additional data regarding the target device from the target device via the communication unit 2.
  • the additional data acquisition unit 22 outputs the acquired additional data to the group classification unit 23.
  • the additional data may include at least one or more data among setting values regarding the operation of the target device, environmental values around the target device, and information regarding products manufactured by the target device. Examples of environmental values around the target device include temperature and humidity.
  • the group classification unit 23 acquires the sensor data from the sensor data acquisition unit 6, or reads the sensor data from the storage unit 4, and acquires or reads the sensor data according to the additional data acquired by the additional data acquisition unit 22. Classify by each.
  • the group classification unit 23 outputs the classified sensor data to the phase division unit 7.
  • the group a group in which the setting value regarding the operation of the target device is within a predetermined range, a group in which the environmental value around the target device is within a predetermined range, and a group in which the product manufactured by the target device is a specific product Etc.
  • FIG. 9 is a flowchart showing an abnormality factor estimation method by the abnormality factor estimation device 20 according to the second embodiment.
  • the sensor data acquisition unit 6 acquires sensor data from the communication unit 2 (step ST20).
  • the sensor data acquisition unit 6 outputs the acquired sensor data to the group classification unit 23 or the storage unit 4.
  • the additional data acquisition unit 22 acquires additional data regarding the target device from the target device via the communication unit 2 (step ST21).
  • the group classification unit 23 acquires the sensor data from the sensor data acquisition unit 6, or reads the sensor data from the storage unit 4, and acquires or acquires the read sensor data as the additional data acquired by the additional data acquisition unit 22.
  • the corresponding groups are classified (step ST22).
  • the group classification unit 23 outputs the classified sensor data to the phase division unit 7.
  • the phase division unit 7 divides the sensor data classified by the group classification unit 23 into phases to generate divided sensor data (step ST23).
  • the phase dividing unit 7 outputs the generated divided sensor data to the abnormal tendency detecting unit 8.
  • the phase division unit 7 determines whether or not the current operation mode of the abnormality factor estimation device 1 is the abnormality factor estimation mode for estimating the abnormality factor of the target device (step ST24).
  • the phase division unit 7 determines that the current operation mode is the abnormality factor estimation mode (YES in step ST24)
  • the abnormality factor estimation device 1 advances the process to step ST25.
  • the phase division unit 7 determines that the current operation mode is not the abnormality factor estimation mode (NO in step ST24)
  • the abnormality factor estimation device 1 advances the process to step ST27.
  • the abnormal tendency detection unit 8 reads out from the normal model storage unit 13 a normal model corresponding to the group classified by the group classification unit 23 and the phase of the divided sensor data divided by the phase division unit 7, and performs the division. An abnormal tendency of the divided sensor data is detected by comparing the sensor data with the normal model.
  • the abnormal tendency detection unit 8 generates a data set in which the phase of the divided sensor data used for detecting the abnormal tendency and the abnormal tendency of the divided sensor data are associated with each other, and outputs the data set to the abnormal factor estimation unit 9. To do.
  • the abnormality factor estimation unit 9 abnormalizes the abnormality factor model in which the past sensor data group, the phase of the past sensor data, the abnormality tendency of the past sensor data, and the abnormality factor of the target device are associated with each other. Comparing the data set of the groups and phases of the divided sensor data read from the factor model storage unit 14 and used by the abnormality tendency detection unit 8 and the abnormality tendency detected by the abnormality tendency detection unit 8 with the abnormality factor model. Thus, the abnormality factor of the target device is estimated (step ST26). The abnormality factor estimation unit 9 outputs the estimated abnormality factor to the output unit 5, and the output unit 5 outputs the abnormality factor.
  • step ST27 the normal model generation unit 10 generates a normal model corresponding to the group and the phase of the divided sensor data, based on the divided sensor data generated by the phase dividing unit 7.
  • the normal model generation unit 10 stores the generated normal model in the normal model storage unit 13 (step ST28).
  • the abnormal tendency detection unit 8 reads a normal model corresponding to the group and phase of the divided sensor data divided by the phase dividing unit 7 from the normal model storage unit 13 and compares the divided sensor data with the normal model. Thus, the abnormal tendency of the divided sensor data is detected (step ST29).
  • the abnormality tendency detection unit 8 outputs the detected abnormality tendency to the abnormality factor model generation unit 11.
  • the abnormality factor model generation unit 11 determines the groups and phases of the divided sensor data used by the abnormality tendency detection unit 8 to detect the abnormality tendency in step ST8, the abnormality tendency detected by the abnormality tendency detection unit 8, and the target device.
  • An abnormal factor model is generated by associating the abnormal factor with the abnormal factor (step ST30).
  • the abnormality factor model generation unit 11 stores the generated abnormality factor model in the abnormality factor model storage unit 14 (step ST31).
  • the abnormality factor estimation apparatus 20 uses the additional data acquisition unit 22 that acquires additional data regarding the target device and the sensor data acquired by the sensor data acquisition unit 6 as the additional data acquisition unit 22. Further includes a group classification unit 23 that classifies the sensor data classified by the group classification unit 23 into a normal model corresponding to the group of the sensor data. By comparing, the abnormal tendency of the sensor data is detected, and the abnormal factor estimating unit 9 determines the group of sensor data and the abnormal tendency detected by the abnormal tendency detecting unit 8 as the same group as the past. The abnormal factor of the target device is estimated by comparing the abnormal tendency of the sensor data and the abnormal factor model of the target device with each other.
  • the sensor data classified based on the additional data regarding the target device is compared with the normal model corresponding to the group of the sensor data.
  • the sensor data can be compared with a normal model that matches the situation of the target device, and therefore an abnormal tendency of the sensor data can be detected with higher accuracy than when the sensor data is not classified using the additional data. it can.
  • the abnormality factor can be estimated with higher accuracy than in the case where the group of sensor data is not used.
  • the additional data includes at least one or more of the setting value of the target device, the environmental value around the target device, and the information about the product manufactured by the target device. ..
  • the sensor data is converted into the status of the target device based on at least one of the setting value of the target device, the environmental value around the target device, and the information about the product manufactured by the target device. Since it can be compared with an appropriate normal model, the abnormal tendency of the sensor data can be detected with higher accuracy than in the case where the sensor data is not classified using the additional data.
  • Embodiment 3 The functions of the sensor data acquisition unit 6, the phase division unit 7, the abnormality tendency detection unit 8, the abnormality factor estimation unit 9, the normal model generation unit 10, and the abnormal factor model generation unit 11 in the abnormality factor estimation device 1 are the processing circuits. It is realized by. That is, the abnormality factor estimation device 1 includes a processing circuit for executing the processing from step ST1 to step ST10 shown in FIG. Similarly, in the abnormality factor estimation device 20, the sensor data acquisition unit 6, the phase division unit 7, the abnormality tendency detection unit 8, the abnormality factor estimation unit 9, the normal model generation unit 10, the abnormality factor model generation unit 11, the additional data acquisition unit. The respective functions of the group 22 and the group classification unit 23 are realized by the processing circuit. That is, the abnormality factor estimation device 20 includes a processing circuit for executing the processing from step ST20 to step ST31 shown in FIG. These processing circuits may be dedicated hardware, or may be a CPU (Central Processing Unit) that executes a program stored in the memory.
  • CPU Central Processing Unit
  • FIG. 10A is a block diagram showing a hardware configuration for realizing the function of the abnormality factor estimation device 1 or the abnormality factor estimation device 20.
  • FIG. 10B is a block diagram showing a hardware configuration that executes software that implements the function of the abnormality factor estimation device 1 or the abnormality factor estimation device 20.
  • the storage 101 shown in FIGS. 10A and 10B has the functions of the sensor data storage unit 12, the normal model storage unit 13, and the abnormal factor model storage unit 14, and stores the sensor data, the normal model, and the abnormal factor model.
  • the storage 101 also stores the abnormal tendency detected by the abnormal tendency detecting unit 8 and the abnormal factor estimated by the abnormal factor estimating unit 9.
  • the communication I/F device 102 has the function of the communication unit 2 and receives sensor data, additional data, and the like from the target device.
  • the sensor data acquired by the sensor data acquisition unit 6, the normal model generated by the normal model generation unit 10, and the abnormal factor model generation unit 11 are generated.
  • the abnormal factor model, the abnormal tendency detected by the abnormal tendency detecting unit 8, and the abnormal factor estimated by the abnormal factor estimating unit 9 may be transmitted to and stored in the data server.
  • the output device 103 outputs the abnormality tendency detected by the abnormality tendency detection unit 8 and the abnormality factor estimated by the abnormality factor estimation unit 9.
  • the processing circuit 100 may be, for example, a single circuit, a composite circuit, a programmed processor, a parallel programmed processor, or an ASIC (Application Specific Integrated). Circuit), FPGA (Field-Programmable Gate Array), or a combination thereof.
  • the sensor data acquisition unit 6, the phase division unit 7, the abnormality tendency detection unit 8, the abnormality factor estimation unit 9, the normal model generation unit 10, and the abnormality factor model generation unit 11 perform respective functions separately. It may be realized by a circuit, or these functions may be collectively realized by one processing circuit.
  • Each function of the classification unit 23 may be realized by a separate processing circuit, or these functions may be collectively realized by one processing circuit.
  • the processing circuit is the processor 104 shown in FIG. 10B
  • Each function of the abnormality factor model generation unit 11 is realized by software, firmware, or a combination of software and firmware.
  • each function of the group classification unit 23 is realized by software, firmware, or a combination of software and firmware.
  • the software or firmware is described as a program and stored in the memory 105.
  • the processor 104 reads out the program stored in the memory 105 and executes the program to cause the sensor data acquisition unit 6, the phase division unit 7, the abnormality tendency detection unit 8, the abnormality factor estimation unit 9, and the normality in the abnormality factor estimation device 1.
  • the respective functions of the model generation unit 10 and the abnormality factor model generation unit 11 are realized. That is, the abnormality factor estimation device 1 includes a memory 105 for storing a program that, when executed by the processor 104, results in the processes of steps ST1 to ST10 shown in FIG.
  • These programs are procedures of the sensor data acquisition unit 6, the phase division unit 7, the abnormality tendency detection unit 8, the abnormality factor estimation unit 9, the normal model generation unit 10, and the abnormal factor model generation unit 11 in the abnormality factor estimation device 1, or Let the computer perform the method.
  • the memory 105 stores a program for causing the computer to function as the sensor data acquisition unit 6, the phase division unit 7, the abnormal tendency detection unit 8, the abnormal factor estimation unit 9, the normal model generation unit 10, and the abnormal factor model generation unit 11.
  • Computer-readable storage medium The same applies to the abnormality factor estimation device 20.
  • the memory 105 includes, for example, a RAM (Random Access Memory), a ROM (Read Only Memory), a flash memory, an EPROM (Erasable Programmable Memory), an EEPROM (Electrically-volatile), or a non-volatile semiconductor such as EEPROM (Electrically-volatile). It corresponds to a magnetic disk, a flexible disk, an optical disk, a compact disk, a mini disk, a DVD, and the like.
  • Part of the functions of the sensor data acquisition unit 6, the phase division unit 7, the abnormality tendency detection unit 8, the abnormality factor estimation unit 9, the normal model generation unit 10, and the abnormality factor model generation unit 11 are realized by dedicated hardware. , Part may be realized by software or firmware.
  • the sensor data acquisition unit 6, the phase division unit 7, the abnormality tendency detection unit 8, and the abnormality factor estimation unit 9 realize the functions with a processing circuit as dedicated hardware.
  • the functions of the normal model generation unit 10 and the abnormal factor model generation unit 11 may be realized by the processor 104 reading and executing a program stored in the memory 105.
  • the processing circuit can realize each of the above functions by hardware, software, firmware, or a combination thereof. It should be noted that, within the scope of the invention, the invention of the present application is capable of freely combining the respective embodiments, modifying any constituent element of each embodiment, or omitting any constituent element in each embodiment. ..
  • the abnormality factor estimation device can specify the abnormality factor more than the estimation of the abnormality factor by the threshold value determination in the technique of estimating the abnormality factor of the target device, the abnormality factor estimation for estimating the abnormality factor of the device It is available for devices.
  • abnormal factor estimation device 1 abnormal factor estimation device, 2 communication unit, 3 processing unit, 4 storage unit, 5 output unit, 6 sensor data acquisition unit, 7 phase division unit, 8 abnormal trend detection unit, 9 abnormal factor estimation unit, 10 normal model generation unit , 11, abnormal factor model generation unit, 12 sensor data storage unit, 13 normal model storage unit, 14 abnormal factor model storage unit, 20 abnormal factor estimation device, 21 processing unit, 22 additional data acquisition unit, 23 group classification unit, 100 processing Circuit, 101 storage, 102 communication I/F device, 103 output device, 104 processor, 105 memory.

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Signal Processing (AREA)
  • Combustion & Propulsion (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Automation & Control Theory (AREA)
  • General Physics & Mathematics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

異常要因装置（１）は、対象機器に設置されたセンサからセンサデータを取得するセンサデータ取得部（６）と、センサデータ取得部（６）が取得したセンサデータを、センサデータの正常値域を示す正常モデルと比較することにより、センサデータの異常傾向を検出する異常傾向検出部（８）と、異常傾向検出部（８）が検出した異常傾向を、過去のセンサデータの異常傾向と対象機器の異常要因とが対応付けられた異常要因モデルと比較することにより、対象機器の異常要因を推定する異常要因推定部（９）と、を備えている。

Description

異常要因推定装置、異常要因推定方法、及びプログラム
　本発明は、機器の異常要因を推定する異常要因推定装置に関する。
　プラント装置、製造装置、昇降機、空調機等の対象機器における故障、動作不良等の異常発生時に対象機器の保守作業を効率化するために、対象機器の異常要因を特定すること、及び対象機器の異常発生を予測し、予防することは有用である。そのような技術に関する文献として、例えば、特許文献１が挙げられる。
　特許文献１には、プラントにおいて、プラント管理者又は運転員へ、対象機器の異常発生時にどのようなアクションを起こせば良いかの判断の指針を与えることを目的としたプロセス監視診断装置が記載されている。
　当該プロセス監視診断装置は、対象プロセスに設置されているセンサにより計測されたプロセスデータを取得し、当該プロセスデータに基づいて算出した異常検出用データが、当該プロセスデータの乖離度に基づいて算出した閾値を超えるか否かを判断することで異常レベルを判定する。また、当該プロセス監視診断装置は、当該異常検出用データについての、プロセス変数ごとの寄与量を算出する。当該プロセス変数は、操作量センサ及びプロセスセンサを表し、当該寄与量は、プロセス変数が、発生する異常に対してどれだけ寄与するかを示す。プロセス監視診断装置は、このような寄与量が閾値を超えるプロセス変数がいくつ抽出されるかを判定することにより、異常の種類が操作量センサ及びプロセスセンサの異常によるものか、又は、プロセスの異常によるものなのかを識別する。
特開２０１４－９６０５０号公報
　上記の特許文献１に記載の発明のように、従来の手法では、プラント装置、製造装置、昇降機、空調機等の対象機器に対して異常要因を特定するとき、正常データから一定以上外れた信号をもとに、対象機器の異常要因を推定する。当該手法では、信号が正常データから外れたか否かの判定が、単純に信号が閾値を超えたか否かの閾値判定であり、複数の信号が閾値を超えた場合、閾値を超えた信号の組み合わせと対象機器の異常要因とが１対１で対応付けられる。
　しかし、上記のような手法では、信号が閾値を超えた場合と信号が閾値を超えない場合との２つの場合分けしかできないため、複数の異常要因の候補を推定する場合がある。その場合、異常要因の候補を複数示すのみであり、異常要因を特定できない。
　この発明は、上記のような問題点を解決するためになされたものであり、対象機器の異常要因を推定する技術において、閾値判定による異常要因の推定よりも異常要因を特定することができる技術を提供することを目的とする。
　この発明に係る異常要因推定装置は、対象機器に設置されたセンサからセンサデータを取得するセンサデータ取得部と、センサデータ取得部が取得したセンサデータを、センサデータの正常値域を示す正常モデルと比較することにより、センサデータの異常傾向を検出する異常傾向検出部と、異常傾向検出部が検出した異常傾向を、過去のセンサデータの異常傾向と対象機器の異常要因とが対応付けられた異常要因モデルと比較することにより、対象機器の異常要因を推定する異常要因推定部と、を備えている。
　対象機器の異常要因を推定する技術において、閾値判定による異常要因の推定よりも異常要因を特定することができる。
実施の形態１に係る異常要因推定装置の構成を示すブロック図である。 実施の形態１に係る異常要因推定方法を示すフローチャートである。 実施の形態１に係る異常要因推定装置が用いるセンサデータを説明するための表である。 実施の形態１に係る異常要因推定装置がセンサデータをフェーズごとに分割する工程の例を説明するためのグラフである。 図５Ａ及び図５Ｂは、それぞれ、実施の形態１に係る異常要因推定装置が生成及び使用する正常モデルの例を説明するためのグラフである。 実施の形態１に係る異常要因推定装置が生成及び使用する異常要因モデルの例を説明するためのグラフである。 実施の形態１に係る異常要因推定装置が対象機器の異常要因を推定する工程の例を説明するための図である。 実施の形態２に係る異常要因推定装置の構成を示すブロック図である。 実施の形態２に係る異常要因推定方法を示すフローチャートである。 図１０Ａは、実施の形態１、２に係る空調制御装置の機能を実現するハードウェア構成を示すブロック図である。図１０Ｂは、実施の形態１、２に係る空調制御装置の機能を実現するソフトウェアを実行するハードウェア構成を示すブロック図である。
　以下、この発明をより詳細に説明するため、この発明を実施するための形態について、添付の図面に従って説明する。
実施の形態１．
　図１は、実施の形態１に係る異常要因推定装置１の構成を示すブロック図である。図１が示すように、異常要因推定装置１は、通信部２、処理部３、記憶部４、及び出力部５を備えている。処理部３は、センサデータ取得部６、フェーズ分割部７、異常傾向検出部８、異常要因推定部９、正常モデル生成部１０、及び異常要因モデル生成部１１を備えている。記憶部４は、センサデータ格納部１２、正常モデル格納部１３、及び異常要因モデル格納部１４を備えている。
　通信部２は、図示しない対象機器に設置されたセンサから、センサデータを受信する。通信部２は、当該対象機器から、対象機器の動作に関する設定値、対象機器が正しく動作したか否かを示すＯＫ／ＮＧ判定情報等をさらに受信してもよい。通信部２は、受信したセンサデータをセンサデータ取得部６に出力する。なお、本願では、異常要因推定装置１が異常要因を推定する対象である機器を「対象機器」と呼称する。対象機器の例として、プラント装置、製造装置、昇降機、及び空調機等が挙げられる。
　センサデータ取得部６は、通信部２からセンサデータを取得する。センサデータ取得部６は、取得したセンサデータをフェーズ分割部７に出力するか、又は、センサデータ格納部１２に格納する。センサデータの項目の例として、気温、湿度、振動、回転速度、電流、及び電圧等が挙げられる。センサデータ取得部６は、センサデータを収集し、収集したセンサデータをこれらの項目ごとに分類してもよい。
　フェーズ分割部７は、センサデータ取得部６からセンサデータを取得するか、センサデータ格納部１２からセンサデータを読み出し、取得又は読み出したセンサデータを、フェーズごとに分割することで分割センサデータを生成する。フェーズ分割部７は、生成した分割センサデータを異常傾向検出部８又は正常モデル生成部１０に出力する。フェーズ分割部７は、生成した分割センサデータを記憶部４に格納してもよい。フェーズの例として、センサデータの値が対象機器の動作の設定によって区別されるフェーズ、センサデータの波形の特徴によって区別されるフェーズ等が挙げられる。より具体的には、フェーズの例として、ロボットによる部品ピックアップのフェーズ、ロボットによる部品はめ込みのフェーズ、アームの伸び動作のフェーズ、アームの縮み動作のフェーズ、アームの回転動作のフェーズ、上昇している波形のフェーズ、及び下降している波形のフェーズ等が挙げられる。フェーズ分割部７は、センサデータをこのようなフェーズごとに分割する際に、対象機器の動作に関する設定値、対象機器の動作の特徴等を参照してもよい。
　異常傾向検出部８は、センサデータの正常値域を示す正常モデルを正常モデル格納部１３から読み出し、センサデータ取得部６が取得したセンサデータを、当該正常モデルと比較することにより、センサデータの異常傾向を検出する。より詳細には、異常傾向検出部８は、フェーズ分割部７が分割した分割センサデータを、当該分割センサデータのフェーズに対応する正常モデルと比較することにより、分割センサデータの異常傾向を検出する。異常傾向検出部８は、分割センサデータの異常傾向を検出する際に、比較に用いる分割センサデータを記憶部４から読み出してもよい。異常傾向検出部８は、検出した異常傾向と、検出に用いた分割センサデータのフェーズとを対応付けたデータセットを生成し、当該データセットを異常要因推定部９又は異常要因モデル生成部１１に出力する。異常傾向検出部８は、当該データセットを記憶部４に格納してもよい。なお、本願において、センサデータの異常傾向とは、センサデータの正常値域を基準とした、センサデータの値の外れ方を意味する。よって、センサデータの異常傾向は、正常値域に対して大きい又は小さいという指標のみならず、センサデータの値と正常値域の値との差の程度を示し得る。また、センサデータの異常傾向は、
所定の期間における、センサデータの波形と正常値域の波形との差異を示し得る。より具体的には、センサデータの異常傾向の例として、正常値域に対して値が大きい、正常値域に対して値がさらに大きい、正常値域に対して値が小さい、正常値域に対して値がさらに小さい、正常値域の上限値及び下限値の平均値よりも振動増加、正常値域の上限値及び下限値の平均値よりもパルス状などが挙げられる。例えば、センサデータの異常傾向は、これらの異常傾向を数値化したものであってもよい。正常モデルの詳細については後述する。
　異常要因推定部９は、過去のセンサデータの異常傾向と対象機器の異常要因とが対応付けられた異常要因モデルを異常要因モデル格納部１４から読み出し、異常傾向検出部８が検出した異常傾向を、当該異常要因モデルと比較することにより、対象機器の異常要因を推定する。より詳細には、異常要因推定部９は、異常傾向検出部８が検出に用いた分割センサデータのフェーズと異常傾向検出部８が検出した異常傾向とが対応付けられたデータセットを、当該フェーズと同一のフェーズと過去のセンサデータの異常傾向と対象機器の異常要因とが対応付けられた異常要因モデルと比較することにより、対象機器の異常要因を推定する。異常要因推定部９は、対象機器の異常要因を推定する際に、比較に用いる異常傾向を記憶部４から読み出してもよい。異常要因推定部９は、推定した異常要因を出力部５に出力する。異常要因推定部９は、推定した異常要因を記憶部４に格納してもよい。なお、本願において、対象機器の異常要因とは、対象機器における故障、動作不良等の異常発生の基となった要因を意味する。より具体的には、対象機器の異常要因の例として、対象機器の特定の動作に関する特定の設定値の不良、対象機器における特定の設備の故障等が挙げられる。対象機器の異常要因は、これらの情報を示すコードであってもよい。その場合、異常要因モデル格納部１４は，当該コードと、当該コードが示す異常要因の情報とが対応付けられた表を格納していてもよい。異常要因モデルの詳細については後述する。
　出力部５は、異常要因推定部９が推定した異常要因を出力する。出力部５は、異常傾向検出部８が検出した異常傾向をさらに出力してもよい。出力部５の例として、対象機器の異常要因を表示するディスプレイ等が挙げられる。
　正常モデル生成部１０は、センサデータ取得部６が取得したセンサデータに基づいて、センサデータの正常値域を示す正常モデルを生成する。より詳細には、正常モデル生成部１０は、フェーズ分割部７が生成した分割センサデータに基づいて、当該分割センサデータのフェーズに対応する正常モデルを生成する。正常モデル生成部１０は、生成した正常モデルを正常モデル格納部１３に格納する。正常モデルの詳細については後述する。
　異常要因モデル生成部１１は、異常傾向検出部８が検出した異常傾向と、対象機器の異常要因とを対応付けることにより、過去のセンサデータの異常傾向と対象機器の異常要因とが対応付けられた異常要因モデルを生成する。より詳細には、異常要因モデル生成部１１は、異常傾向検出部８が検出に用いた分割センサデータのフェーズと、異常傾向検出部８が検出した異常傾向と、対象機器の異常要因とを対応付けることにより、異常要因モデルを生成する。異常要因モデル生成部１１は、生成した異常要因モデルを異常要因モデル格納部１４に格納する。異常要因モデル生成部１１は、このように異常要因モデルを生成する際に、異常傾向検出部８が検出に用いた分割センサデータのフェーズと、異常傾向検出部８が検出した異常傾向とから、当該対象機器の異常要因を推測してもよい。又は、異常要因推定装置１のユーザが、異常要因モデル生成部１１が異常要因モデルを生成できるように、異常傾向検出部８が検出に用いた分割センサデータのフェーズと異常傾向検出部８が検出した異常傾向とに対応する異常要因を、異常要因モデル生成部１１に予め入力してもよい。異常要因モデルの詳細については後述する。
　次に、実施の形態１に係る衝突回避装置１の動作について図面を参照して説明する。
　図２は、実施の形態１に係る異常要因推定装置１による異常要因推定方法を示すフローチャートである。
　図２が示すように、センサデータ取得部６は、通信部２からセンサデータを取得する（ステップＳＴ１）。センサデータ取得部６は、取得したセンサデータをフェーズ分割部７又は記憶部４に出力する。
　次に、フェーズ分割部７は、センサデータ取得部６からセンサデータを取得するか、記憶部４からセンサデータを読み出し、取得又は読み出したセンサデータを、フェーズごとに分割することで分割センサデータを生成する（ステップＳＴ２）。フェーズ分割部７は、生成した分割センサデータを異常傾向検出部８に出力する。なお、本実施形態では、フェーズ分割部７がステップＳＴ２を実行する構成について説明するが、フェーズ分割部７がステップＳＴ２を実行せずに、異常要因推定装置１は、ステップＳＴ３に処理を進めてもよい。
　次に、フェーズ分割部７は、異常要因推定装置１の現行の動作モードが、対象機器の異常要因を推定する異常要因推定モードであるか否かを判定する（ステップＳＴ３）。フェーズ分割部７が現行の動作モードが異常要因推定モードであると判定した場合（ステップＳＴ３のＹＥＳ）、異常要因推定装置１は、ステップＳＴ４に処理を進める。フェーズ分割部７が現行の動作モードが異常要因推定モードではないと判定した場合（ステップＳＴ３のＮＯ）、現行の動作モードが正常モデル及び異常要因モデル生成モードであるとして、異常要因推定装置１は、ステップＳＴ６に処理を進める。ステップＳＴ３における異常要因推定装置１の現行の動作モードは、異常要因を推定する必要があるとき、又は正常モデル及び異常要因モデルを生成又は更新する必要があるときに、異常要因推定装置１が予め自動的に設定してもよいし、ユーザが予め設定してもよい。
　ステップＳＴ４において、異常傾向検出部８は、フェーズ分割部７が分割した分割センサデータのフェーズに対応する正常モデルを正常モデル格納部１３から読み出し、当該分割センサデータを、当該正常モデルと比較することにより、分割センサデータの異常傾向を検出する。異常傾向検出部８は、異常傾向の検出に用いた分割センサデータのフェーズと、当該分割センサデータの異常傾向とを対応付けたデータセットを生成し、当該データセットを異常要因推定部９に出力する。なお、フェーズ分割部７が上述のステップＳＴ２を実行しなかった場合、異常傾向検出部８は、ステップＳＴ４において、正常モデルを正常モデル格納部１３から読み出し、センサデータ取得部６が取得したセンサデータを、当該正常モデルと比較することにより、センサデータの異常傾向を検出する。
　次に、異常要因推定部９は、過去のセンサデータのフェーズと当該過去のセンサデータの異常傾向と対象機器の異常要因とが対応付けられた異常要因モデルを異常要因モデル格納部１４から読み出し、異常傾向検出部８が検出に用いた分割センサデータのフェーズと異常傾向検出部８が検出した異常傾向とのデータセットを、当該異常要因モデルと比較することにより、対象機器の異常要因を推定する（ステップＳＴ５）。異常要因推定部９は、推定した異常要因を出力部５に出力し、出力部５は、当該異常要因を出力する。異常要因推定部９は、ステップＳＴ５において、入力した分割センサデータのフェーズと異常傾向とのデータセットが一組しかない場合であっても、異常要因モデルと比較することにより、対象機器の異常要因を推定し得る。なお、フェーズ分割部７が上述のステップＳＴ２を実行しなかった場合、異常要因推定部９は、ステップＳＴ５において、過去のセンサデータの異常傾向と対象機器の異常要因とが対応付けられた異常要因モデルを異常要因モデル格納部１４から読み出し、異常傾向検出部８が検出した異常傾向を、当該異常要因モデルと比較することにより、対象機器の異常要因を推定する。
　なお、異常要因推定装置１は、以上のステップＳＴ１からステップＳＴ５までの工程を行うことにより、対象機器の稼働中にセンサがリアルタイムで計測したセンサデータに基づいて、異常要因推定を逐次実行し得る。
　一方、ステップＳＴ６において、正常モデル生成部１０は、フェーズ分割部７が生成した分割センサデータに基づいて、当該分割センサデータのフェーズに対応する正常モデルを生成する。ステップＳＴ６において、正常モデル生成部１０は、フェーズ分割部７が予め生成し、記憶部４に格納した分割センサデータを、記憶部４から読み出し、当該分割センサデータに基づいて、正常モデルを生成してもよい。
　次に、正常モデル生成部１０は、生成した正常モデルを正常モデル格納部１３に格納する（ステップＳＴ７）。例えば、正常モデル生成部１０は、生成した正常モデルを正常モデル格納部１３に格納する際に、前回生成した過去の正常モデルが正常モデル格納部１３に格納されていた場合は、当該過去の正常モデルを削除する。又は、正常モデル生成部１０は、不正な分割センサデータを誤って用いて正常モデルを生成してしまった場合のために、当該過去の正常モデルをロールバック可能とするために削除しなくてもよい。正常モデル生成部１０が正常モデル格納部１３に格納した正常モデルは、次のステップＳＴ８で異常傾向検出部８に用いられ、さらに、後に再度、上述のステップＳＴ１から異常要因推定方法を実行する場合に上述のステップＳＴ４で異常傾向検出部８によって用いられる。
　次に、異常傾向検出部８は、フェーズ分割部７が分割した分割センサデータのフェーズに対応する正常モデルを正常モデル格納部１３から読み出し、フェーズ分割部７が分割した分割センサデータを、当該正常モデルと比較することにより、分割センサデータの異常傾向を検出する（ステップＳＴ８）。異常傾向検出部８は、分割センサデータのフェーズと当該分割センサデータの異常傾向とを対応付けたデータセットを生成し、当該データセットを異常要因モデル生成部１１に出力する。異常傾向検出部８は、ステップＳＴ８において、分割センサデータのフェーズと当該分割センサデータの異常傾向とを対応付けたデータセットを生成し、当該データセットを記憶部４に格納してもよい。
　次に、異常要因モデル生成部１１は、異常傾向検出部８がステップＳＴ８で異常傾向の検出に用いた分割センサデータのフェーズと、異常傾向検出部８が検出した異常傾向と、対象機器の異常要因とを対応付けることにより、異常要因モデルを生成する（ステップＳＴ９）。異常要因モデル生成部１１は、異常傾向検出部８が予め記憶部４に格納した分割センサデータのフェーズと当該分割センサデータの異常傾向とを、記憶部４から読み出し、当該フェーズ及び当該異常傾向と、対象機器の異常要因とを対応付けることにより、異常要因モデルを生成してもよい。
　次に、異常要因モデル生成部１１は、生成した異常要因モデルを異常要因モデル格納部１４に格納する（ステップＳＴ１０）。例えば、異常要因モデル生成部１１は、生成した異常要因モデルを異常要因モデル格納部１４に格納する際に、前回生成した過去の異常要因モデルが異常要因モデル格納部１４に格納されていた場合は、当該過去の異常要因モデルを削除する。又は、正常モデル生成部１０は、不正な分割センサデータに基づいた異常傾向を用いて異常要因モデルを生成してしまった場合のために、当該過去の異常要因モデルをロールバック可能とするために削除しなくてもよい。異常要因モデル生成部１１が異常要因モデル格納部１４に格納した異常要因モデルは、後に再度、上述のステップＳＴ１から異常要因推定方法を実行する場合に上述のステップＳＴ５で異常要因推定部９によって用いられる。
　なお、本実施形態では、上記のステップＳＴ６からステップＳＴ１０において、異常要因推定装置１は、正常モデル及び異常要因モデルを生成し、これらを記憶部４に格納したが、このような構成に限定されない。例えば、異常要因推定装置１は、正常モデル及び異常要因モデルの何れか１つを生成し、生成したモデルを記憶部４に格納してもよい。その場合、上述のステップＳＴ３において、フェーズ分割部７が現行の動作モードが異常要因推定モードではないと判定した場合、現行の動作モードが正常モデル生成モードであるとして、異常要因推定装置１は、上述のステップＳＴ６及びステップＳＴ７を実行し、ステップＳＴ８からステップＳＴ１０を実行しなくてもよい。又は、上述のステップＳＴ３において、フェーズ分割部７が現行の動作モードが異常要因推定モードではないと判定した場合、現行の動作モードが異常要因モデル生成モードであるとして、異常要因推定装置１は、上述のステップＳＴ８からステップＳＴ１０を実行し、ステップＳＴ６及びステップＳＴ７を実行しなくてもよい。
　別の例では、上述のステップＳＴ４の後に、異常要因モデル生成部１１は、異常傾向検出部８がステップＳＴ４で異常傾向の検出に用いた分割センサデータのフェーズと、異常傾向検出部８がステップＳＴ４で検出した異常傾向と、対象機器の異常要因とを対応付けることにより、異常要因モデルを生成してもよい。その場合、上述のステップＳＴ３において、フェーズ分割部７が現行の動作モードが異常要因推定モードではないと判定した場合、現行の動作モードが正常モデル生成モードであるとして、異常要因推定装置１は、上述のステップＳＴ６及びステップＳＴ７を実行し、ステップＳＴ８からステップＳＴ１０を実行しなくてもよい。
　次に、実施形態１に係る異常要因推定装置１による異常要因推定方法の具体例について図面を参照して説明する。
　図３は、上述のステップＳＴ１でセンサデータ取得部６が取得するセンサデータを説明するための表である。図３が示すように、当該例におけるセンサデータのデータ項目は、計測した時刻毎の、気温、振動、回転速度、接点１電流、接点１電圧、接点２電流、接点２電圧である。例えば、センサデータ取得部６は、通信部２から取得したセンサデータを、取得した時刻毎に、これらのデータ項目に分類する。センサデータのデータ項目は、当該例に限定されず、これらのデータ項目以外のデータ項目であってもよい。その場合、センサデータ取得部６は、実際の対象機器に設置されたセンサの種類に応じて、データ項目を新たに設けてもよい。また、異常要因推定装置１が複数の対象機器の各異常要因を推定する場合、センサデータ取得部６は、複数の対象機器からセンサデータを取得し、対象機器ごとのセンサデータの表を生成してもよい。また、その場合、センサデータ取得部６は、気温、湿度等の、各対象機器共通のデータ項目のデータについては、対象機器ごとのセンサデータの表に含めずに、対象機器共通の別の表に含めてもよい。センサデータ取得部６は、生成した表をフェーズ分割部７に出力するか、又は、センサデータ格納部１２に格納する。
　図４は、上述のステップＳＴ２においてフェーズ分割部７がセンサデータをフェーズごとに分割する工程の例を説明するためのグラフである。図４において、縦軸は、センサデータが示す任意の値であるセンサ値を示し、横軸は、時間を示す。図４が示すグラフにおけるセンサ値は、対象機器が１回分のシーケンスを実行した際に当該対象機器に設置されたセンサが計測したセンサ値を示している。当該センサ値は、波形の形状に応じて、６つのフェーズに分割されている。なお、対象機器は、このようなシーケンスを繰り返し実行するものとする。
　例えば、フェーズ分割部７は、上述のステップＳＴ２において、対象機器による１回分のシーケンスに伴って変化するセンサ値を、当該センサ値の波形の特徴によって区別されるフェーズごとに分割することで、分割センサデータを生成する。例えば、センサが設置されたロボットのアームが、１回のシーケンス内で部品ピックアップ及び部品はめ込みの２つの動作を行う場合は、フェーズ分割部７は、当該２つの動作に伴ったセンサ値の波形の特徴を検出して、当該２つの動作にそれぞれ対応するフェーズごとにセンサ値を分割してもよい。例えば、フェーズ分割部７は、センサが設置されているロボットのアームの動きの特徴に合わせて、伸び、縮み、回転等の動作にそれぞれ対応するフェーズごとにセンサ値を分割してもよい。例えば、フェーズ分割部７は、対象機器の動作に関する設定値の信号を取得し、当該設定値に基づいて、センサ値をフェーズごとに分割してもよい。又は、例えば、フェーズ分割部７は、データの特徴から変化点を検出する方法などの機械学習の手法に基づいて、センサ値をフェーズごとに分割してもよい。
　図５Ａ及び図５Ｂは、それぞれ、上述のステップＳＴ６において正常モデル生成部１０が生成し、上述のステップＳＴ４及びステップＳＴ８において異常傾向検出部８が用いる正常モデルの例を説明するためのグラフである。図５Ａ及び図５Ｂにおいて、縦軸は、センサ値を示し、横軸は、時間を示す。図５Ａは、対象機器が特定のシーケンスを繰り返し実行した際に、当該対象機器に設置されたセンサが計測したセンサ値に基づいて、当該特定のシーケンスの各試行に対応する、１つのフェーズの分割センサデータの折れ線グラフを同一の座標にプロットしたものである。例えば、正常モデル生成部１０は、上述のステップＳＴ６において、図５Ａが示す複数の折れ線グラフを取得し、当該複数の折れ線グラフ同士を比較し、時刻毎のセンサ値のばらつきを算出する。
　次に、正常モデル生成部１０は、当該ばらつきに基づいて、正常モデルとして、図５Ｂが示すバンドモデルを生成する。より詳細には、例えば、正常モデル生成部１０は、時刻ごとにセンサ値の平均値及び標準偏差を算出し、当該平均値及び標準偏差に基づいて、図５Ｂの網掛け部分が示すような正常値域を算出する。より詳細には、例えば、当該正常値域は、時刻ごとの標準偏差に所定の倍数かけたものを、時刻ごとの平均値に対して加算した値を上限値とし且つ減算した値を下限値とした時刻毎の正常値域である。例えば、正常モデル生成部１０は、図５Ｂが示すように、時刻ｔ１において、センサ値の平均値Ｍ（ｔ１）と、センサ値の標準偏差のＷ（ｔ１）とに基づき、Ｍ（ｔ１）－Ｗ（ｔ１）以上であり且つＭ（ｔ１）＋Ｗ（ｔ１）以下の範囲を時刻ｔ１の正常値域として算出する。
　上述のステップＳＴ６において正常モデル生成部１０が正常モデルを生成する方法は、上記の例に限定されない。当該方法の別の例として、One Class SVM、主成分分析及びニューラルネットなどの機械学習の手法が挙げられる。
　また、異常傾向検出部８は、上述のステップＳＴ４及びステップＳＴ８において、フェーズ分割部７が分割した分割センサデータを、上記のように正常モデル生成部１０が予め生成した正常モデルと比較することにより、分割センサデータの異常傾向を検出する。例えば、異常傾向検出部８は、上述のステップＳＴ４及びステップＳＴ８において、上記のように算出された正常値域から分割センサデータのセンサ値が外れた場合に異常傾向を検出する。
　図６は、上述のステップＳＴ９において異常要因モデル生成部１１が生成し、上述のステップＳＴ５において異常要因推定部９が用いる異常要因モデルの例を説明するための表である。図６が示すように、異常要因モデル生成部１１は、上述のステップＳＴ９において、異常傾向検出部８が上述のステップＳＴ８で異常傾向の検出に用いた分割センサデータの「フェーズ」と、異常傾向検出部８が上述のステップＳＴ８で異常傾向を検出した分割センサデータの識別名を示す「検出信号」と、異常傾向検出部８が上述のステップＳＴ８で検出した「異常傾向」と、対象機器の「異常要因」とを対応付けることにより、異常要因モデルの表を生成する。より具体的には、図６が示すように、異常要因モデル生成部１１は、上述のステップＳＴ９において、フェーズとしての「起動」と、検出信号としての「信号１」と、異常傾向としての「過大」と、異常要因としての「設定不良」とを対応付ける。また、異常要因モデル生成部１１は、上述のステップＳＴ９において、フェーズとしての「定常」と、検出信号としての「信号２」と、異常傾向としての「振動」と、異常要因としての「設備故障」とをさらに対応付ける。異常要因モデル生成部１１は、上記の項目のような、対象機器の異常に関するデータ以外に別の情報を対応付けてもよい。例えば、異常要因モデル生成部１１は、異常傾向と異常要因との組み合わせについてFTA（Fault Tree Analysis）を別途実施し、当該FTA（Fault Tree Analysis）の結果を当該異常傾向及び当該異常要因に対応付けてもよい。
　図７は、上述のステップＳＴ５において異常要因推定部９が対象機器の異常要因を推定する工程の例を説明するための図である。図７が示すように、異常要因推定部９は、上述のステップＳＴ５において、異常傾向検出部８が上述のステップＳＴ４で異常傾向の検出に用いた分割センサデータの「フェーズ」と、異常傾向検出部８が上述のステップＳＴ４で異常傾向を検出した分割センサデータの識別名を示す「検出信号」と、異常傾向検出部８が上述のステップＳＴ４で検出した「異常傾向」とが対応付けられた現行のデータセットの表を、過去の分割センサデータのフェーズと検出信号と異常傾向と異常要因とが対応付けられた異常要因モデルの表と比較することにより、対象機器の異常要因を推定する。
　より詳細には、図７が示すように、異常要因推定部９が上述のステップＳＴ５で対象機器の異常要因を推定するために用いる現行のデータセットの表は、分割センサデータのフェーズの項目が「定常」を示し、検出信号の項目が「信号２」を示し、異常傾向の項目が「振動」を示している。また、異常要因推定部９が上述のステップＳＴ５で対象機器の異常要因を推定するために用いる異常要因モデルの表は、フェーズの項目が「起動」を示し、検出信号の項目が「信号１」を示し、異常傾向の項目が「過大」を示し、異常要因の項目が「設定不良」を示している１行目と、フェーズの項目が「定常」を示し、検出信号の項目が「信号２」を示し、異常傾向の項目が「振動」を示し、異常要因の項目が「設備故障」を示している２行目とを含む。異常要因推定部９は、現行のデータセットと異常要因モデルとを比較し、現行のデータセットと異常要因モデルの表の２行目とが、フェーズの項目と検出信号の項目と異常傾向の項目とにおいて一致していると判定する。異常要因推定部９は、当該判定に基づいて、異常要因モデルの表の２行目に含まれる異常要因の項目が示す「設備故障」を対象機器の異常要因と推定する。
　上記の例のように、異常要因推定部９は、現行のデータセットの表と異常要因モデルの表における特定の行とが、現行のデータセットに含まれる全ての項目において一致していると判定した場合に、当該異常要因モデルの表における特定の行に含まれる異常要因を、対象機器の異常要因と推定する。又は、異常要因推定部９は、現行のデータセットの表と、異常要因モデルの表に含まれる全ての行とを比較し、現行のデータセットと異常要因モデルの表に含まれる複数の行とが、現行のデータセットのうちの一部の項目において一致していると判定した場合に、当該複数の行を、対象機器の異常要因を示す異常要因モデルの表における行の候補として抽出してもよい。その場合、異常要因推定部９は、抽出した候補に対して一般的なテキスト分析などを行うことにより、現行のデータセットとの類似度を算出して、最も類似度が高い候補が示す異常要因を、対象機器の異常要因と推定してもよい。
　以上で説明した実施の形態１に係る異常要因推定装置１の用途の例として、製造装置の異常要因を推定する用途が挙げられる。製造装置では、同一の設備を利用して同一の設定値で製品を製造した場合であっても、気温若しくは湿度などの外部環境の変化、又は製造装置の摩耗などによる経年変化などにより、故障、動作不良等の異常が発生する場合がある。このような場合は、設定値のみからは異常要因がわからない。そこで、異常要因推定装置１を使用することで、センサデータをフェーズごとに分割し、分割後の分割センサデータの異常傾向を検出し、当該異常傾向及び当該フェーズと、異常要因モデルが示す異常傾向及びフェーズとを比較して、類似した異常傾向及びフェーズを抽出することにより、異常要因を推定することができる。
　以上のように、実施の形態１に係る異常要因推定装置１は、対象機器に設置されたセンサからセンサデータを取得するセンサデータ取得部６と、センサデータ取得部６が取得したセンサデータを、当該センサデータの正常値域を示す正常モデルと比較することにより、センサデータの異常傾向を検出する異常傾向検出部８と、異常傾向検出部８が検出した異常傾向を、過去のセンサデータの異常傾向と対象機器の異常要因とが対応付けられた異常要因モデルと比較することにより、対象機器の異常要因を推定する異常要因推定部９と、を備えている。
　上記の構成によれば、センサデータの異常傾向を検出して、当該異常傾向を異常要因モデルと比較することにより、対象機器の異常要因を推定する。これにより、センサデータが閾値を超えたか否かの判定結果しか得られない閾値判定よりも、センサデータの異常傾向に応じて異常要因を精度高く推定することができるため、閾値判定による異常要因の推定よりも異常要因を特定することができる。
　実施の形態１に係る異常要因推定装置１は、センサデータ取得部６が取得したセンサデータを、フェーズごとに分割することで分割センサデータを生成するフェーズ分割部７をさらに備え、異常傾向検出部８は、フェーズ分割部７が生成した分割センサデータを、当該分割センサデータのフェーズに対応する正常モデルと比較することにより、分割センサデータの異常傾向を検出し、異常要因推定部９は、分割センサデータのフェーズと異常傾向検出部８が検出した異常傾向とを、当該フェーズと同一のフェーズと当該過去のセンサデータの異常傾向と対象機器の異常要因とが対応付けられた異常要因モデルと比較することにより、対象機器の異常要因を推定する。
　上記の構成によれば、分割センサデータのフェーズと異常要因モデルが示すフェーズとをさらに比較する。これにより、分割センサデータのフェーズを用いない場合よりも、異常要因を精度高く推定することができる。
　実施の形態１に係る異常要因推定装置１は、異常傾向検出部８が検出した異常傾向と、対象機器の異常要因とを対応付けることにより、異常要因モデルを生成する異常要因モデル生成部１１をさらに備える。
　上記の構成によれば、生成した異常要因モデルと、検出した異常傾向とを比較することにより、対象機器の異常要因を推定することができる。これにより、閾値判定による異常要因の推定よりも異常要因を特定することができる。
　実施の形態１に係る異常要因推定装置１は、センサデータ取得部６が取得したセンサデータに基づいて、正常モデルを生成する正常モデル生成部１０をさらに備える。
　上記の構成によれば、生成した正常モデルと、取得したセンサデータとを比較することにより、センサデータの異常傾向を検出することができ、当該異常傾向を、異常要因モデルと比較することにより、対象機器の異常要因を推定することができる。これにより、閾値判定による異常要因の推定よりも異常要因を特定することができる。
実施の形態２．
　実施の形態１では、異常要因推定装置１が、分割センサデータの異常傾向と異常要因モデルが示す異常傾向とを比較するのみならず、分割センサデータのフェーズと異常要因モデルが示すフェーズとをさらに比較することにより、対象機器の異常要因を推定する構成を説明した。実施の形態２では、異常要因推定装置２０が、分割センサデータのグループと異常要因モデルが示すグループとをさらに比較することにより、対象機器の異常要因を推定する構成を説明する。
　以下で、実施の形態２について図面を参照して説明する。なお、実施の形態１で説明した構成と同様の機能を有する構成については同一の符号を付し、その説明を省略する。
　図８は、実施の形態２に係る異常要因推定装置２０の構成を示すブロック図である。図８が示すように、異常要因推定装置２０は、実施の形態１に係る異常要因推定装置１の構成に加えて、処理部２１が追加データ取得部２２及びグループ分類部２３をさらに備えている。
　追加データ取得部２２は、対象機器から通信部２を介して、対象機器に関する追加データを取得する。追加データ取得部２２は、取得した追加データをグループ分類部２３に出力する。例えば、追加データは、対象機器の動作に関する設定値、対象機器周囲の環境値、及び対象機器が製造する製品に関する情報のうちの少なくとも１つ以上のデータを含み得る。対象機器周囲の環境値の例として、温度及び湿度等が挙げられる。
　グループ分類部２３は、センサデータ取得部６からセンサデータを取得するか、記憶部４からセンサデータを読み出し、取得又は読み出したセンサデータを、追加データ取得部２２が取得した追加データに応じたグループごとに分類する。グループ分類部２３は、分類したセンサデータをフェーズ分割部７に出力する。当該グループの例として、対象機器の動作に関する設定値が所定の範囲内にあるグループ、対象機器周囲の環境値が所定の範囲内にあるグループ、対象機器が製造する製品が特定の製品であるグループ等が挙げられる。
　次に、実施の形態２に係る異常要因推定装置２０の動作について図面を参照して説明する。なお、なお、実施の形態２に係る空調制御方法の説明において、実施の形態１で説明した異常要因推定方法の工程と同様の工程については、その詳細な説明を適宜省略する。
　図９は、実施の形態２に係る異常要因推定装置２０による異常要因推定方法を示すフローチャートである。図９が示すように、センサデータ取得部６は、通信部２からセンサデータを取得する（ステップＳＴ２０）。センサデータ取得部６は、取得したセンサデータをグループ分類部２３又は記憶部４に出力する。
　次に、追加データ取得部２２は、対象機器から通信部２を介して、対象機器に関する追加データを取得する（ステップＳＴ２１）。
　次に、グループ分類部２３は、センサデータ取得部６からセンサデータを取得するか、記憶部４からセンサデータを読み出し、取得又は読み出したセンサデータを、追加データ取得部２２が取得した追加データに応じたグループごとに分類する（ステップＳＴ２２）。グループ分類部２３は、分類したセンサデータをフェーズ分割部７に出力する。
　次に、フェーズ分割部７は、グループ分類部２３が分類したセンサデータを、フェーズごとに分割することで分割センサデータを生成する（ステップＳＴ２３）。フェーズ分割部７は、生成した分割センサデータを異常傾向検出部８に出力する。
　次に、フェーズ分割部７は、異常要因推定装置１の現行の動作モードが、対象機器の異常要因を推定する異常要因推定モードであるか否かを判定する（ステップＳＴ２４）。フェーズ分割部７が現行の動作モードが異常要因推定モードであると判定した場合（ステップＳＴ２４のＹＥＳ）、異常要因推定装置１は、ステップＳＴ２５に処理を進める。フェーズ分割部７が現行の動作モードが異常要因推定モードではないと判定した場合（ステップＳＴ２４のＮＯ）、異常要因推定装置１は、ステップＳＴ２７に処理を進める。
　ステップＳＴ２５において、異常傾向検出部８は、グループ分類部２３が分類したグループと、フェーズ分割部７が分割した分割センサデータのフェーズとに対応する正常モデルを正常モデル格納部１３から読み出し、当該分割センサデータを、当該正常モデルと比較することにより、分割センサデータの異常傾向を検出する。異常傾向検出部８は、異常傾向の検出に用いた分割センサデータのフェーズと、当該分割センサデータの異常傾向とを対応付けたデータセットを生成し、当該データセットを異常要因推定部９に出力する。
　次に、異常要因推定部９は、過去のセンサデータのグループと当該過去のセンサデータのフェーズと当該過去のセンサデータの異常傾向と対象機器の異常要因とが対応付けられた異常要因モデルを異常要因モデル格納部１４から読み出し、異常傾向検出部８が検出に用いた分割センサデータのグループ及びフェーズと異常傾向検出部８が検出した異常傾向とのデータセットを、当該異常要因モデルと比較することにより、対象機器の異常要因を推定する（ステップＳＴ２６）。異常要因推定部９は、推定した異常要因を出力部５に出力し、出力部５は、当該異常要因を出力する。
　一方、ステップＳＴ２７において、正常モデル生成部１０は、フェーズ分割部７が生成した分割センサデータに基づいて、当該分割センサデータのグループ及びフェーズに対応する正常モデルを生成する。
　次に、正常モデル生成部１０は、生成した正常モデルを正常モデル格納部１３に格納する（ステップＳＴ２８）。
　次に、異常傾向検出部８は、フェーズ分割部７が分割した分割センサデータのグループ及びフェーズに対応する正常モデルを正常モデル格納部１３から読み出し、分割センサデータを、当該正常モデルと比較することにより、分割センサデータの異常傾向を検出する（ステップＳＴ２９）。異常傾向検出部８は、検出した異常傾向を異常要因モデル生成部１１に出力する。
　次に、異常要因モデル生成部１１は、異常傾向検出部８がステップＳＴ８で異常傾向の検出に用いた分割センサデータのグループ及びフェーズと、異常傾向検出部８が検出した異常傾向と、対象機器の異常要因とを対応付けることにより、異常要因モデルを生成する（ステップＳＴ３０）。
　次に、異常要因モデル生成部１１は、生成した異常要因モデルを異常要因モデル格納部１４に格納する（ステップＳＴ３１）。
　以上のように、実施の形態２に係る異常要因推定装置２０は、対象機器に関する追加データを取得する追加データ取得部２２と、センサデータ取得部６が取得したセンサデータを、追加データ取得部２２が取得した追加データに応じたグループごとに分類するグループ分類部２３をさらに備え、異常傾向検出部８は、グループ分類部２３が分類したセンサデータを、当該センサデータのグループに対応する正常モデルと比較することにより、当該センサデータの異常傾向を検出し、異常要因推定部９は、センサデータのグループと、異常傾向検出部８が検出した異常傾向とを、当該グループと同一のグループと当該過去のセンサデータの異常傾向と対象機器の異常要因とが対応付けられた異常要因モデルと比較することにより、対象機器の異常要因を推定する。
　上記の構成によれば、対象機器に関する追加データに基づいて分類したセンサデータを、当該センサデータのグループに対応する正常モデルと比較する。これにより、センサデータを対象機器の状況に即した正常モデルと比較することができるため、追加データを用いてセンサデータを分類しない場合よりも、センサデータの異常傾向を高精度に検出することができる。また、センサデータのグループと、異常要因モデルが示すグループとをさらに比較することにより、センサデータのグループを用いない場合よりも、異常要因を精度高く推定することができる。
　実施の形態２に係る異常要因推定装置２０は、追加データは、対象機器の設定値、対象機器周囲の環境値、及び対象機器が製造する製品に関する情報のうちの少なくとも１つ以上のデータを含む。
　上記の構成によれば、センサデータを、対象機器の設定値、対象機器周囲の環境値、及び対象機器が製造する製品に関する情報のうちの少なくとも１つ以上のデータに基づいた対象機器の状況に即した正常モデルと比較することができるため、追加データを用いてセンサデータを分類しない場合よりも、センサデータの異常傾向を高精度に検出することができる。
実施の形態３．
　異常要因推定装置１における、センサデータ取得部６、フェーズ分割部７、異常傾向検出部８、異常要因推定部９、正常モデル生成部１０及び異常要因モデル生成部１１のそれぞれの機能は、処理回路により実現される。すなわち、異常要因推定装置１は、図２に示したステップＳＴ１からステップＳＴ１０までの処理を実行するための処理回路を備える。同様に、異常要因推定装置２０における、センサデータ取得部６、フェーズ分割部７、異常傾向検出部８、異常要因推定部９、正常モデル生成部１０、異常要因モデル生成部１１、追加データ取得部２２及びグループ分類部２３のそれぞれの機能は、処理回路により実現される。すなわち、異常要因推定装置２０は、図９に示したステップＳＴ２０からステップＳＴ３１までの処理を実行するための処理回路を備える。これらの処理回路は、専用のハードウェアであってもよいが、メモリに記憶されたプログラムを実行するＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）であってもよい。
　図１０Ａは、異常要因推定装置１又は異常要因推定装置２０の機能を実現するハードウェア構成を示すブロック図である。図１０Ｂは、異常要因推定装置１又は異常要因推定装置２０の機能を実現するソフトウェアを実行するハードウェア構成を示すブロック図である。図１０Ａ及び図１０Ｂに示すストレージ１０１は、センサデータ格納部１２、正常モデル格納部１３及び異常要因モデル格納部１４の機能を有し、センサデータ、正常モデル及び異常要因モデルを格納する。また、ストレージ１０１は、異常傾向検出部８が検出した異常傾向、及び異常要因推定部９が推定した異常要因を格納する。通信I/F装置１０２は、通信部２の機能を有し、対象機器からセンサデータ、追加データ等を受信する。また、通信I/F装置１０２は、データサーバと接続している場合、センサデータ取得部６が取得したセンサデータ、正常モデル生成部１０が生成した正常モデル、及び異常要因モデル生成部１１が生成した異常要因モデル、異常傾向検出部８が検出した異常傾向、及び異常要因推定部９が推定した異常要因を当該データサーバに送信して格納してもよい。出力装置１０３は、異常傾向検出部８が検出した異常傾向、及び異常要因推定部９が推定した異常要因を出力する。
　上記処理回路が図１０Ａに示す専用のハードウェアの処理回路１００である場合、処理回路１００は、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ　Ｓｐｅｃｉｆｉｃ　Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）又はこれらを組み合わせたものが該当する。
　異常要因推定装置１における、センサデータ取得部６、フェーズ分割部７、異常傾向検出部８、異常要因推定部９、正常モデル生成部１０及び異常要因モデル生成部１１のそれぞれの機能を別々の処理回路で実現してもよいし、これらの機能をまとめて１つの処理回路で実現してもよい。
　異常要因推定装置２０における、センサデータ取得部６、フェーズ分割部７、異常傾向検出部８、異常要因推定部９、正常モデル生成部１０、異常要因モデル生成部１１、追加データ取得部２２及びグループ分類部２３のそれぞれの機能を別々の処理回路で実現してもよいし、これらの機能をまとめて１つの処理回路で実現してもよい。
　上記処理回路が図１０Ｂに示すプロセッサ１０４である場合、異常要因推定装置１における、センサデータ取得部６、フェーズ分割部７、異常傾向検出部８、異常要因推定部９、正常モデル生成部１０及び異常要因モデル生成部１１のそれぞれの機能は、ソフトウェア、ファームウェア又はソフトウェアとファームウェアとの組み合わせによって実現される。
　また、異常要因推定装置２０における、センサデータ取得部６、フェーズ分割部７、異常傾向検出部８、異常要因推定部９、正常モデル生成部１０、異常要因モデル生成部１１、追加データ取得部２２及びグループ分類部２３のそれぞれの機能についても、ソフトウェア、ファームウェア又はソフトウェアとファームウェアとの組み合わせによって実現される。
　なお、ソフトウェア又はファームウェアは、プログラムとして記述されてメモリ１０５に記憶される。
　プロセッサ１０４は、メモリ１０５に記憶されたプログラムを読み出して実行することにより、異常要因推定装置１における、センサデータ取得部６、フェーズ分割部７、異常傾向検出部８、異常要因推定部９、正常モデル生成部１０及び異常要因モデル生成部１１のそれぞれの機能を実現する。すなわち、異常要因推定装置１は、プロセッサ１０４によって実行されるときに、図２に示したステップＳＴ１からステップＳＴ１０までの処理が結果的に実行されるプログラムを記憶するためのメモリ１０５を備える。
　これらのプログラムは、異常要因推定装置１における、センサデータ取得部６、フェーズ分割部７、異常傾向検出部８、異常要因推定部９、正常モデル生成部１０及び異常要因モデル生成部１１の手順又は方法をコンピュータに実行させる。メモリ１０５は、コンピュータを、センサデータ取得部６、フェーズ分割部７、異常傾向検出部８、異常要因推定部９、正常モデル生成部１０及び異常要因モデル生成部１１として機能させるためのプログラムが記憶されたコンピュータ可読記憶媒体であってもよい。これは、異常要因推定装置２０においても同様である。
　メモリ１０５には、例えば、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、フラッシュメモリ、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ－ＥＰＲＯＭ）などの不揮発性又は揮発性の半導体メモリ、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ミニディスク、ＤＶＤなどが該当する。
　センサデータ取得部６、フェーズ分割部７、異常傾向検出部８、異常要因推定部９、正常モデル生成部１０及び異常要因モデル生成部１１のそれぞれの機能について一部を専用のハードウェアで実現し、一部をソフトウェア又はファームウェアで実現してもよい。
　例えば、センサデータ取得部６、フェーズ分割部７、異常傾向検出部８、及び異常要因推定部９は、専用のハードウェアとしての処理回路で機能を実現する。正常モデル生成部１０及び異常要因モデル生成部１１については、プロセッサ１０４がメモリ１０５に記憶されたプログラムを読み出して実行することにより機能を実現してもよい。
　これは、異常要因推定装置２０における、センサデータ取得部６、フェーズ分割部７、異常傾向検出部８、異常要因推定部９、正常モデル生成部１０、異常要因モデル生成部１１、追加データ取得部２２及びグループ分類部２３においても同様である。
　このように、処理回路は、ハードウェア、ソフトウェア、ファームウェア又はこれらの組み合わせにより上記機能のそれぞれを実現することができる。
　なお、本願発明はその発明の範囲内において、各実施の形態の自由な組み合わせ、あるいは各実施の形態の任意の構成要素の変形、もしくは各実施の形態において任意の構成要素の省略が可能である。
　この発明に係る異常要因推定装置は、対象機器の異常要因を推定する技術において、閾値判定による異常要因の推定よりも異常要因を特定することができるので、機器の異常要因を推定する異常要因推定装置に利用可能である。
　１　異常要因推定装置、２　通信部、３　処理部、４　記憶部、５　出力部、６　センサデータ取得部、７　フェーズ分割部、８　異常傾向検出部、９　異常要因推定部、１０　正常モデル生成部、１１　異常要因モデル生成部、１２　センサデータ格納部、１３　正常モデル格納部、１４　異常要因モデル格納部、２０　異常要因推定装置、２１　処理部、２２　追加データ取得部、２３　グループ分類部、１００　処理回路、１０１　ストレージ、１０２　通信I/F装置、１０３　出力装置、１０４　プロセッサ、１０５　メモリ。

Claims (8)

  1. 　対象機器に設置されたセンサからセンサデータを取得するセンサデータ取得部と、
    　前記センサデータ取得部が取得したセンサデータを、当該センサデータの正常値域を示す正常モデルと比較することにより、前記センサデータの異常傾向を検出する異常傾向検出部と、
    　前記異常傾向検出部が検出した異常傾向を、過去のセンサデータの異常傾向と前記対象機器の異常要因とが対応付けられた異常要因モデルと比較することにより、前記対象機器の異常要因を推定する異常要因推定部と、を備えていることを特徴とする、異常要因推定装置。
  2. 　前記センサデータ取得部が取得したセンサデータを、フェーズごとに分割することで分割センサデータを生成するフェーズ分割部をさらに備え、
    　前記異常傾向検出部は、前記フェーズ分割部が生成した分割センサデータを、当該分割センサデータのフェーズに対応する正常モデルと比較することにより、前記分割センサデータの異常傾向を検出し、
    　前記異常要因推定部は、前記分割センサデータのフェーズと前記異常傾向検出部が検出した異常傾向とを、当該フェーズと同一のフェーズと当該過去のセンサデータの異常傾向と前記対象機器の異常要因とが対応付けられた異常要因モデルと比較することにより、前記対象機器の異常要因を推定することを特徴とする、請求項１に記載の異常要因推定装置。
  3. 　前記異常傾向検出部が検出した異常傾向と、前記対象機器の異常要因とを対応付けることにより、前記異常要因モデルを生成する異常要因モデル生成部をさらに備えていることを特徴とする、請求項１又は請求項２に記載の異常要因推定装置。
  4. 　前記センサデータ取得部が取得したセンサデータに基づいて、前記正常モデルを生成する正常モデル生成部をさらに備えていることを特徴とする、請求項１又は請求項２に記載の異常要因推定装置。
  5. 　前記対象機器に関する追加データを取得する追加データ取得部と、
    　前記センサデータ取得部が取得したセンサデータを、前記追加データ取得部が取得した追加データに応じたグループごとに分類するグループ分類部をさらに備え、
    　前記異常傾向検出部は、前記グループ分類部が分類したセンサデータを、当該センサデータのグループに対応する正常モデルと比較することにより、当該センサデータの異常傾向を検出し、
    　前記異常要因推定部は、前記センサデータのグループと、前記異常傾向検出部が検出した異常傾向とを、当該グループと同一のグループと当該過去のセンサデータの異常傾向と前記対象機器の異常要因とが対応付けられた異常要因モデルと比較することにより、前記対象機器の異常要因を推定することを特徴とする、請求項１又は請求項２に記載の異常要因推定装置。
  6. 　前記追加データは、前記対象機器の動作に関する設定値、前記対象機器周囲の環境値、及び前記対象機器が製造する製品に関する情報のうちの少なくとも１つ以上のデータを含むことを特徴とする、請求項５に記載の異常要因推定装置。
  7. 　対象機器に設置されたセンサからセンサデータを取得するセンサデータ取得ステップと、
    　前記センサデータ取得ステップで取得したセンサデータを、当該センサデータの正常値域を示す正常モデルと比較することにより、前記センサデータの異常傾向を検出する異常傾向検出ステップと、
    　前記異常傾向検出ステップで検出した異常傾向を、過去のセンサデータの異常傾向と前記対象機器の異常要因とが対応付けられた異常要因モデルと比較することにより、前記対象機器の異常要因を推定する異常要因推定ステップと、を備えていることを特徴とする、異常要因推定方法。
  8. 　対象機器に設置されたセンサからセンサデータを取得するセンサデータ取得部と、
    　前記センサデータ取得部が取得したセンサデータを、当該センサデータの正常値域を示す正常モデルと比較することにより、前記センサデータの異常傾向を検出する異常傾向検出部と、
    　前記異常傾向検出部が検出した異常傾向を、過去のセンサデータの異常傾向と前記対象機器の異常要因とが対応付けられた異常要因モデルと比較することにより、前記対象機器の異常要因を推定する異常要因推定部
    としてコンピュータを機能させるためのプログラム。
PCT/JP2019/001638 2019-01-21 2019-01-21 異常要因推定装置、異常要因推定方法、及びプログラム WO2020152741A1 (ja)

Priority Applications (6)

Application Number Priority Date Filing Date Title
CN201980089324.8A CN113330379A (zh) 2019-01-21 2019-01-21 异常原因推定装置、异常原因推定方法及程序
DE112019006255.7T DE112019006255T5 (de) 2019-01-21 2019-01-21 Anomalieursache-schätzeinrichtung, anomalieursache- schätzverfahren und programm
JP2020567675A JP7012888B2 (ja) 2019-01-21 2019-01-21 異常要因推定装置、異常要因推定方法、及びプログラム
PCT/JP2019/001638 WO2020152741A1 (ja) 2019-01-21 2019-01-21 異常要因推定装置、異常要因推定方法、及びプログラム
TW108127719A TW202028901A (zh) 2019-01-21 2019-08-05 異常因子推估裝置、異常因子推估方法及程式產品
US17/347,876 US20210310679A1 (en) 2019-01-21 2021-06-15 Abnormality cause estimation device, abnormality cause estimation method, and medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2019/001638 WO2020152741A1 (ja) 2019-01-21 2019-01-21 異常要因推定装置、異常要因推定方法、及びプログラム

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US17/347,876 Continuation US20210310679A1 (en) 2019-01-21 2021-06-15 Abnormality cause estimation device, abnormality cause estimation method, and medium

Publications (1)

Publication Number Publication Date
WO2020152741A1 true WO2020152741A1 (ja) 2020-07-30

Family

ID=71735941

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/001638 WO2020152741A1 (ja) 2019-01-21 2019-01-21 異常要因推定装置、異常要因推定方法、及びプログラム

Country Status (6)

Country Link
US (1) US20210310679A1 (ja)
JP (1) JP7012888B2 (ja)
CN (1) CN113330379A (ja)
DE (1) DE112019006255T5 (ja)
TW (1) TW202028901A (ja)
WO (1) WO2020152741A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102021203141A1 (de) 2021-03-29 2022-09-29 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zur Manipulationserkennung für Abgasnachbehandlungseinrichtungen mithilfe Verfahren künstlicher Intelligenz

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3715738A1 (en) * 2019-03-29 2020-09-30 Mitsubishi Electric R&D Centre Europe B.V. Air conditioning system, server system, network, method for controlling an air conditioning system and method for controlling a network
US11549711B1 (en) * 2021-12-22 2023-01-10 Alexander Tomas System for aggregation and prioritization of diagnostic data for the purpose of mechanical system tuning
DE102022211094A1 (de) 2022-10-20 2024-04-25 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zur Fehlererkennung in einem maschinellen System

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012150721A (ja) * 2011-01-20 2012-08-09 Tokyo Electron Ltd 処理装置の異常診断方法及びその異常診断システム
JP2013061695A (ja) * 2011-09-12 2013-04-04 Hitachi Ltd 発電プラントの診断装置、及び発電プラントの診断方法
WO2015177870A1 (ja) * 2014-05-20 2015-11-26 東芝三菱電機産業システム株式会社 製造設備診断支援装置
JP2016009352A (ja) * 2014-06-25 2016-01-18 株式会社日立製作所 プラントの異常予兆診断装置及び方法
WO2016116961A1 (ja) * 2015-01-21 2016-07-28 三菱電機株式会社 情報処理装置および情報処理方法
JP2017138789A (ja) * 2016-02-03 2017-08-10 横河電機株式会社 設備診断装置、設備診断方法及び設備診断プログラム

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3946618B2 (ja) 2002-11-08 2007-07-18 東芝機械株式会社 管理支援装置、そのシステム、その方法、そのプログラム、および、そのプログラムを記録した記録媒体
CN101414186A (zh) * 2007-03-09 2009-04-22 欧姆龙株式会社 要因估计支持装置及其控制方法
WO2011104760A1 (ja) * 2010-02-26 2011-09-01 株式会社 日立製作所 故障原因診断システムおよびその方法
JP5427107B2 (ja) 2010-05-20 2014-02-26 株式会社日立製作所 監視診断装置および監視診断方法
US9251472B1 (en) * 2011-09-26 2016-02-02 31North, Inc. Method and system for monitoring a building
GB2496040B (en) * 2011-10-24 2019-04-03 Fisher Rosemount Systems Inc Predicted fault analysis
JP5996384B2 (ja) 2012-11-09 2016-09-21 株式会社東芝 プロセス監視診断装置、プロセス監視診断プログラム
JP6116466B2 (ja) * 2013-11-28 2017-04-19 株式会社日立製作所 プラントの診断装置及び診断方法
WO2016195092A1 (ja) * 2015-06-05 2016-12-08 株式会社日立製作所 異常検知装置
US10976731B2 (en) * 2016-03-15 2021-04-13 Hitachi, Ltd. Abnormality diagnostic system

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012150721A (ja) * 2011-01-20 2012-08-09 Tokyo Electron Ltd 処理装置の異常診断方法及びその異常診断システム
JP2013061695A (ja) * 2011-09-12 2013-04-04 Hitachi Ltd 発電プラントの診断装置、及び発電プラントの診断方法
WO2015177870A1 (ja) * 2014-05-20 2015-11-26 東芝三菱電機産業システム株式会社 製造設備診断支援装置
JP2016009352A (ja) * 2014-06-25 2016-01-18 株式会社日立製作所 プラントの異常予兆診断装置及び方法
WO2016116961A1 (ja) * 2015-01-21 2016-07-28 三菱電機株式会社 情報処理装置および情報処理方法
JP2017138789A (ja) * 2016-02-03 2017-08-10 横河電機株式会社 設備診断装置、設備診断方法及び設備診断プログラム

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102021203141A1 (de) 2021-03-29 2022-09-29 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zur Manipulationserkennung für Abgasnachbehandlungseinrichtungen mithilfe Verfahren künstlicher Intelligenz

Also Published As

Publication number Publication date
JPWO2020152741A1 (ja) 2021-03-11
TW202028901A (zh) 2020-08-01
US20210310679A1 (en) 2021-10-07
CN113330379A (zh) 2021-08-31
DE112019006255T5 (de) 2021-09-09
JP7012888B2 (ja) 2022-01-28

Similar Documents

Publication Publication Date Title
WO2020152741A1 (ja) 異常要因推定装置、異常要因推定方法、及びプログラム
Borgi et al. Data analytics for predictive maintenance of industrial robots
CN108227633B (zh) 数值控制装置以及机器学习装置
JP4850857B2 (ja) 予測状態監視における変化状態の適応モデリング
JP5539382B2 (ja) 航空エンジン内の故障の識別
CN109213074B (zh) 控制装置以及机器学习装置
CN107614214B (zh) 故障诊断装置及故障诊断方法
JP6880843B2 (ja) 管理装置および管理プログラム
US10684608B2 (en) Abnormality detection apparatus and machine learning device
WO2002086726A1 (en) Diagnostic systems and methods for predictive condition monitoring
AU2002246994A1 (en) Diagnostic systems and methods for predictive condition monitoring
CN107729985B (zh) 识别技术设施的过程异常的方法和相应的诊断系统
JP7275062B2 (ja) 時変システム動作における異常検出のためのシステム、方法およびコンピュータ読取可能記憶媒体
US20230023878A1 (en) Equipment state monitoring device and equipment state monitoring method
US20210348985A1 (en) Abnormality diagnostic device, abnormality diagnostic method, and program
CN112240784A (zh) 异常判定装置以及异常判定系统
CN110290018A (zh) 信息处理装置、机器学习装置以及系统
EP3839680B1 (en) Method and device for controlling a machine using principal component analysis
CN113252371A (zh) 状态估计装置、系统和制造方法
JP6415335B2 (ja) 不具合診断方法及び不具合診断システム
CN112526962A (zh) 用于工艺技术设施的诊断方法和诊断系统以及训练方法
US11676055B2 (en) System for detecting data drift in machine-learning process monitoring
US11353860B2 (en) Data analysis device, system, method, and recording medium storing program
US11966218B2 (en) Diagnosis device, diagnosis method and program
JP2021149315A (ja) 情報処理装置、情報処理方法及び情報処理プログラム

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: 19911388

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2020567675

Country of ref document: JP

Kind code of ref document: A

122 Ep: pct application non-entry in european phase

Ref document number: 19911388

Country of ref document: EP

Kind code of ref document: A1