WO2020230422A1 - 異常診断装置及び方法 - Google Patents
異常診断装置及び方法 Download PDFInfo
- Publication number
- WO2020230422A1 WO2020230422A1 PCT/JP2020/009984 JP2020009984W WO2020230422A1 WO 2020230422 A1 WO2020230422 A1 WO 2020230422A1 JP 2020009984 W JP2020009984 W JP 2020009984W WO 2020230422 A1 WO2020230422 A1 WO 2020230422A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- machine
- feature amount
- similar
- sensor data
- abnormality
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Definitions
- Selection condition 2 The past sensor data of the machine 10B must include both normal data and abnormal data.
- the feature amount correction unit 105 maps the feature amount FA to the data space of the feature amount FB by matching the feature amount FA of the machine 10A with the value of the feature amount FB of the machine 10B. For example, by using the following equation (4), each vector FAi of the feature amount FA is mapped to the space of the feature amount FB. It should be noted that the equation (4) does not mean that the feature amount FA and the feature amount FB are evaluated by absolute values, but that they are normalized to a value in the range of 1 to 0, for example.
- the learning model creation unit 106 creates a learning model by applying a machine learning algorithm using the feature amount FB.
- a supervised algorithm represented by a neural network will be described as an example.
- normal / abnormal labels are given to the state of the machine at each time, and learning data is created. For example, 0 is assigned as a label when it is normal, and 1 is assigned as a label when it is abnormal.
- the association between the abnormality label and the feature amount data can be expressed by a learning model such as equation (6).
- Y is the value of the abnormal label
- L () is the function of the learning model
- the abnormality label value of the machine 10A is calculated by inputting the feature amount FA ⁇ of the machine 10A corrected by the feature amount correction unit 105 using the learning model. Thereby, the normal / abnormal state of the machine 10A can be determined. For example, when the abnormal label is 0, the state of the machine is normal, and when the abnormal label is 1, the state of the machine is abnormal.
- the visualization unit 108 visualizes the result determined by the abnormality determination unit 107 and the result such as the feature amount created by the feature amount creation unit 104 on the display device.
- the sensor data, the feature amount, the state of the machine, and the like are displayed side by side on the same screen so that the machine 10A and the machine 10B can be compared.
- FIG. 6 describes the processing flow of the abnormality diagnosis device in this embodiment.
- the processing procedure of this embodiment consists of the following steps.
- the following procedure includes a process of handling the sensor data SB from the similar machine 10B and a process of handling the sensor data SA from the diagnosis target machine 10A.
- step S1B the similar machine selection unit 102 is used to select a similar machine 10B having similar characteristics from a plurality of machines.
- step S2B the sensor data SB of the similar machine 10B is acquired from the database DB by using the similar data acquisition unit 103.
- step S3B the feature amount FB of the similar machine 10B is created by using the feature amount creation unit 104.
- step S4B the learning model creation unit 106 is used to create a learning model of the similar machine 10B and store it in the database DB.
- an unsupervised algorithm is used to create a learning model. That is, a learning model is created by using a method such as a distance between data or clustering without assigning a normal / abnormal label to the learning data.
- FIG. 7 is a diagram showing the correlation through the extracted features in comparison with the vertical axis and the horizontal axis.
- the sensor data SB of the similar machine 10B includes both the failure data and the normal data, two clusters of the failure data and the normal data are formed even in the feature space of FIG. 7, and both
- the boundary line of can be calculated by an algorithm such as a support vector machine.
- the learning model can be described by the pseudo code as shown in the following equation (7).
- X is a matrix representing the feature amount of the observation point
- p (X) is a function value of the observation point in the feature amount space.
- an index called the degree of abnormality is calculated from the feature amount by using a statistical algorithm such as the Mahalanobis-Taguchi method for creating a learning model.
- the degree of abnormality referred to here is a numerical value representing the degree of abnormality in the machine, and can be calculated by the following equation (8), for example. Note that a is the degree of abnormality, x is the feature vector, ⁇ is the mean value of the feature, and ⁇ is the variance of the feature.
- FIG. 8 shows an example of the anomaly degree distribution calculated by such a method.
- the threshold value in the figure is a boundary line between abnormal and normal calculated from the degree of abnormality of the machine 10B.
- the learning model can be described by a pseudo code such as Eq. (9) using the values of the degree of anomaly and the threshold value.
- the state of the machine 10A can be determined.
- the final normal / abnormal determination can be determined by a method such as a majority vote.
- it can be treated as one machine by processing the total or average of the operation data of a plurality of machines.
- the database is stored in one device, but it is also possible to store the data in different computers or storages by using the network environment. Even in computers, it is possible to perform calculation processing in a distributed manner among a plurality of computers.
- 100 Computer
- 101 Sensor data acquisition unit
- 102 Similar machine selection unit
- 103 Similar machine data acquisition unit
- 104 Feature amount creation unit
- 105 Feature amount correction unit
- 106 Learning model creation unit
- 107 Machine Status determination unit
- 108 Visualization unit
- 10A :: Target machine
- 10B Similar machine
- DB Database
- SA Target machine sensor data
- SB Similar machine sensor data
- SAA Target machine sensor data
- SBB sensor data used for feature amount calculation among sensor data of similar machines
- FA feature amount data of target machine
- FB feature amount data of similar machines
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Wind Motors (AREA)
- Air Bags (AREA)
- Transplanting Machines (AREA)
- Indicating And Signalling Devices For Elevators (AREA)
Abstract
異常データが稀または無い機械に関しても、また、対象機械の稼動データが単純な回帰モデルとして表現できない場合に関しても、対象機械の状態を診断できる異常診断装置及び方法を提供する。機械の異常を診断する異常診断装置であって、診断対象である診断対象機械と、診断対象機械と類似の類似機械を含む機械のセンサーデータを取得して記憶するデータベースと、類似機械について取得したセンサーデータから作成した第1の特徴量を用いて学習モデルを作成する学習モデル作成部と、診断対象機械について取得したセンサーデータから作成した第２の特徴量を前記第1の特徴量によって補正する特徴量補正部と、補正された第２の特徴量を学習モデルに適用することで、診断対象機械の状態を判定する機械状態判定部を備える。
Description
本発明は、機械、部品及びシステム（以下、機械という）における測定データまたはセンサーデータを用いて機械の状態を監視して異常診断する異常診断装置及び方法に関する。
風車などの機械の状態監視では、機械に装備しているセンサーなどを使って、機械の温度や加速度等の物理量を一定の頻度で収集し、収集したデータを分析処理することにより、機械の状態を監視し、正常／異常の判断を行う。近年では、人工知能技術の一分野である機械学習技術を活用して、過去に収集した機械の稼動データを学習（“トレーニング”とも呼ぶ）して、現在の状態を推定、判断する手法が開発されている。
しかし、大多数の機械においては、異常の発生は稀または無い状況である。そのため、過去の稼働データを学習しても、正常モデルしか構築できないので異常と正常の判別が困難である。この問題を回避するために、特許文献１に記載されたシステムでは、複数の類似の機械を使って、類似装置共通のメタ判定モデルを利用した異常診断方法を提案している。
特許文献１に開示されている技術では、複数の類似装置において、稼働データを説明変数と目的変数の二種類に分類する上で、説明変数と目的変数との回帰分析を行い、各装置に関する複数の回帰モデルを作成する。そして、回帰モデルの係数を予測するメタ予測モデルを作成し、メタ予測モデルを用いて対象装置の状態を診断する内容が提案されている。この技術では、対象装置の稼動データが単純な回帰モデルとして表現できる場合は、一定の効果が期待できる。
しかしながら、統計的な手法を使っても、稼働データを説明変数と目的変数に分類できない場合がある。また、分類できたとしても、説明変数と目的変数との関係が複雑であり、回帰モデルの構築が現実的に困難な場合がある。例えば、風力発電装置において、稼働データに風速、発電機軸受温度、発電機軸受加速度、増速機発電機温度、増速機発電機加速度を選択した場合、説明変数と目的変数に分類することが難しい。特許文献１では、このような場合に対する対処方法については記載されていない。
本発明は、このような問題に鑑みてなされたもので、その目的は、異常データが稀または無い機械に関しても、また、対象機械の稼動データが単純な回帰モデルとして表現できない場合に関しても、対象機械の状態を診断できる異常診断装置及び方法を提供することである。
以上のことから本発明においては、機械の異常を診断する異常診断装置であって、診断対象である診断対象機械と、診断対象機械と類似の類似機械を含む機械のセンサーデータを取得して記憶するデータベースと、類似機械について取得したセンサーデータから作成した第1の特徴量を用いて学習モデルを作成する学習モデル作成部と、診断対象機械について取得したセンサーデータから作成した第２の特徴量を前記第1の特徴量によって補正する特徴量補正部と、補正された第２の特徴量を学習モデルに適用することで、診断対象機械の状態を判定する機械状態判定部を備えることを特徴とする。
また本発明においては、機械の異常を診断する異常診断方法であって、診断対象である診断対象機械と、診断対象機械と類似の類似機械を含む機械のセンサーデータを取得し、類似機械について取得したセンサーデータから作成した第1の特徴量を用いて学習モデルを作成し、診断対象機械について取得したセンサーデータから作成した第２の特徴量を第1の特徴量によって補正し、補正された第２の特徴量を学習モデルに適用することで、診断対象機械の状態を判定することを特徴とする。
本発明によれば、異常データが稀または無い機械に関しても、また、対象機械の稼動データが単純な回帰モデルとして表現できない場合に関しても、対象機械の状態を診断することが可能となる。
以下、本発明の実施例を、図面に基づいて詳細に説明する。
本実施例では、風力エネルギーを電気エネルギーに変換する風力発電装置を診断対象の機械とする例について説明する。
まず、図１を用いて、本発明の実施例に係る異常診断装置の構成例について説明する。
本実施例の異常診断装置は、計算機１００で作動するものであり、診断対象機械１０Ａと類似機械１０Ｂからの情報を入力とし、データベース部ＤＢと、センサーデータ取得部１０１と、類似機械選定部１０２と、類似機械データ取得部１０３と、特徴量作成部１０４と、特徴量補正部１０５と、学習モデル作成部１０６と、機械状態判定部１０７と、可視化部１０８とを含んで構成される。
本実施例の異常診断装置は、計算機１００で作動するものであり、診断対象機械１０Ａと類似機械１０Ｂからの情報を入力とし、データベース部ＤＢと、センサーデータ取得部１０１と、類似機械選定部１０２と、類似機械データ取得部１０３と、特徴量作成部１０４と、特徴量補正部１０５と、学習モデル作成部１０６と、機械状態判定部１０７と、可視化部１０８とを含んで構成される。
診断対象機械１０Ａと類似機械１０Ｂは、本実施例では風力発電装置であり、ここにはセンサーなどの計測装置が装備され、温度や圧力、加速度などの物理量データを一定の時間間隔で収集する手段を具備する。収集されるデータを本実施例の異常診断装置へ送信する通信手段も併せて具備する。なお後述するように、類似機械１０Ｂとは、複数の機械１０（風力発電装置）の中から診断対象機械１０Ａと特性などが合致するという観点から選択された機械である。
データベースＤＢでは、本実施例の異常診断装置に係わるセンサーデータなどのすべてのデータを、電子ファイル形式で１つまたは複数の記憶装置に格納する。
本実施例の異常診断装置において、まずセンサーデータ取得部１０１では、診断対象機械１０Ａからのセンサーデータを通信手段によって取得し、データベースＤＢに保存する。
図２は、センサーデータのデータ構造の一例を示している。センサーデータは、各センサーから収集される時系列データの集合であり、図２のＳ００１のようなマトリクスとして記述することができる。センサーデータＳ００１の列は各物理量に対応し、各行は各時刻ｔｓに対応する。ここでは、診断対象機械１０Ａの全センサーデータをＳＡと記述し、個別のセンサーデータＳＡには枝番ｉ（ｉ＝１～Ｎ）を付与して表記している。Ｎ個のセンサー項目（物理量）がある場合、ＳＡを（１）式のように数学的に記述することができる。ここで、ＳＡｉ（ｉ＝１～Ｎ）はｉ番目のセンサー項目の時系列データである。
診断対象機械１０Ａの全センサーデータＳＡの中には、通常、特徴量の計算に寄与しないセンサー項目も存在する。全センサーデータＳＡの中で、特徴量の計算に実際に使用されるデータのサブセットをＳＡＡとする。
図１に戻り、類似機械選定部１０２では、選定の対象となる複数の機械１０の中から、以下の選択条件をすべて満足する機械を類似機械１０Ｂとして選択する。
選択条件１：機械１０Ｂと機械１０Ａの入力と出力は同一で、且つ機械のシステム特性を表すシステム曲線も同じ特徴を持つこと。機械１０Ａが風車の場合、入力は風力エネルギーで、出力は電力エネルギーなので、機械１０Ｂも同様な入出力を持たなければならない。
図３は、風車におけるシステム曲線である風速－発電量カーブの例を示している。機械１０Ａのシステム曲線である風速－発電量カーブは、図３に示すように、風速がカットイン風速になる前には発電量がゼロであり、その後風速が増加するにつれ発電量が徐々に増加し、風速がカットアウト風速に到達すると発電量がこのまま保持するという特徴がある。機械１０Ｂのシステム曲線もこのような特徴を具備する必要がある。
なお風車の場合に、このシステム曲線である風速－発電量カーブの例では風速がカットイン風速以上であってカットアウト風速以下の風速におけるセンサーデータを用いて、診断対象機械の状態を判定することになる。
選択条件２：機械１０Ｂの過去のセンサーデータの中には、正常時のデータと異常時のデータの両方が含まれていること。
選択条件３：特徴量の計算に実際に使用されるデータのサブセットＳＡＡの中の任意のセンサーデータについて、機械１０ＢのセンサーデータＳＢではそれと同じもの、または強い相関のあるものを有すること。例えば、サブセットＳＡＡの中で発電機軸受前方温度というセンサーデータがある場合、機械１０ＢのセンサーデータＳＢの中でも同じく発電機軸受前方温度というセンサーデータがある場合は、条件を満足する。または、機械１０ＢのセンサーデータＳＢの中で、発電機軸受前方温度というセンサーデータは無いが、別のセンサー、例えば“発電機軸受後方温度”、のセンサーデータが常にサブセットＳＡＡの発電機軸受前方温度と強い相関があれば、それを代替のセンサーデータとして利用することで条件を満足する。
上記選択条件を全て満足する類似機械の候補が複数存在する場合は、複数の中で１台以上を選定すれば良い。本実施例では、類似機械の数を１台とする。
図１において類似機械データ取得部１０３では、データベースＤＢから、類似機械選定部１０２により選定された類似機械１０Ｂの過去のセンサーデータＳＢを取得する。センサーデータＳＢには、診断対象機械１０Ａにおける全てのセンサーデータＳＡのうち、サブセットＳＡＡの全てのセンサー項目が含まれている。なおセンサーデータＳＢは、センサーデータＳＡと同じデータ構造を有しているのがよい。
特徴量作成部１０４では、対象機械１０Ａと類似機械１０Ｂについて、センサーデータから機械学習用の入力データを作成する。対象機械１０Ａにおいては、センサーデータＳＡのサブセットＳＡＡを用いて、異常診断用の特徴量を算出する。機械１０Ａの特徴量データをＦＡとする場合、ＦＡは（２）式のように表現される。
ここで、ｆは特徴量を計算する際の関数である。例えば、２つのセンサーデータの差分を取ることで新しい特徴量を作成する場合がある。また、センサーデータ値に対してフーリエ変換やウェーブレット変換などの変換を用いて特徴量を作成する場合がある。また、主成分分析などの次元削減アルゴリズムを使って特徴量を作成する場合がある。特殊の例として、センサーデータ値をそのまま特徴量とする場合もある。このように作成される特徴量は数学的にＦＮ個のベクトルとして表現することができる。即ち、ＦＡ＝［ＦＡ１、ＦＡ２、…、ＦＡＮ］である。ここで、ＦＡｉ（ｉ＝１～Ｎ）はｉ番目の特徴量の時系列データである。
さらに、特徴量を算出する際にセンサーデータ値の時系列データに対してリサンプリングなどの処理を実施することもあるので、特徴量のタイムスタンプｔｆ１、ｔｆ２、…、ｔｆｎは、センサー値のタイムスタンプｔｓ１、ｔｓ２、…、ｔｓｎと異なる場合がある。
図４に、特徴量ＦＡのデータ構造のイメージを示す。図４において上段は、図２の全センサーデータＳＡの中で、特徴量の計算に実際に使用されるデータのサブセットＳＡＡを時刻ごとに整理したものであり、下段は（２）式により求めた診断対象機械１０Ａの特徴量データＦＡを時刻ごとに整理したものである。例えば時刻ｔｓ１におけるサブセットＳＡＡから導かれた複数の特徴量が時刻ｔｆ１における特徴量として、各時刻について記述されている。
類似機械１０Ｂについても、同じ変換関数ｆを用いて、類似機械１０ＢのセンサーデータＳＢのサブセットＳＢＢから特徴量ＦＢを算出する。つまり、ＦＢ＝ｆ（ＳＢＢ）である。特徴量ＦＢのデータ数は特徴量ＦＡと同じなので、（３）式のように記述することができる。ここで、ＦＢｉ（ｉ＝１～Ｎ）は機械１０Ｂのｉ番目の特徴量データである。
図１において、特徴量補正部１０５では、機械１０Ａの特徴量ＦＡを機械１０Ｂの特徴量ＦＢの値に合わせることで、特徴量ＦＡを特徴量ＦＢのデータ空間へマッピングする。
例えば、以下の（４）式を用いることで、特徴量ＦＡの各ベクトルＦＡｉを特徴量ＦＢの空間へマッピングする。なお、（４）式は、特徴量ＦＡ、特徴量ＦＢを絶対値評価するのではなく、例えば１から０の範囲の値に規定値化(ノーマライズ)したことを意味している。
例えば、以下の（４）式を用いることで、特徴量ＦＡの各ベクトルＦＡｉを特徴量ＦＢの空間へマッピングする。なお、（４）式は、特徴量ＦＡ、特徴量ＦＢを絶対値評価するのではなく、例えば１から０の範囲の値に規定値化(ノーマライズ)したことを意味している。
ここで、ＦＡ～ｉは機械１０Ｂの特徴量空間へマッピング後のｉ番目の特徴量ベクトルである。ＦＡｉｍｉｎ、ＦＡｉｍａｘはＦＡｉの最小値と最大値であり、ＦＢｉｍｉｎ、ＦＢｉｍａｘはＦＢｉの最小値と最大値である。マッピング後の特徴量ＦＡ～は以下の（５）式のように記述できる。
学習モデル作成部１０６では、特徴量ＦＢを用いて、機械学習のアルゴリズムを適用することで、学習モデルを作成する。本実施例では、ニューラルネットワークに代表される教師ありのアルゴリズムを例として説明する。特徴量ＦＢの空間において、過去の稼動実績に基づいて、各時刻の機械の状態について正常／異常のラベルを付与し、学習データを作成する。例えば、正常の場合に０を、異常の場合に１をラベルとして付与する。
図５に、特徴量と正常／異常ラベルからなる学習データのデータ構造のイメージを示す。図５の学習データは、図４下段の特徴量データＦＢのデータ群に、時刻ごとに正常／異常のラベルを付与したものである。
このような学習データについて、（６）式のような学習モデルで異常ラベルと特徴量データとの関連付けを表現することができる。ここで、Ｙは異常ラベルの値であり、Ｌ（）は学習モデルの関数であり、ｗｉ（ｉ＝１～Ｋ）は学習モデルの係数である。
図1の機械状態判定部１０７では、学習モデル用いて、特徴量補正部１０５で補正された機械１０Ａの特徴量ＦＡ～を入力することで、機械１０Ａの異常ラベル値を算出する。
これによって、機械１０Ａの正常／異常状態を判定することができる。例えば、異常ラベルが０の場合は機械の状態が正常であり、異常ラベルが１の場合は機械の状態が異常である。
これによって、機械１０Ａの正常／異常状態を判定することができる。例えば、異常ラベルが０の場合は機械の状態が正常であり、異常ラベルが１の場合は機械の状態が異常である。
可視化部１０８では、異常判定部１０７で判定した結果や、記特徴量作成部１０４で作成された特徴量などの結果を表示装置にて可視化する。機械１０Ａと機械１０Ｂとを比較できるように、前記センサーデータや特徴量、機械の状態等を同じ画面で並べて表示する。
図６に、本実施例における異常診断装置の処理フローについて説明する。本実施例の処理手順は以下のステップからなる。なお、以下の手順は、類似機械１０ＢからのセンサーデータＳＢを取り扱う処理と、診断対象機械１０ＡからのセンサーデータＳＡを取り扱う処理とがある。
まず類似機械１０Ｂにおける処理手順を説明する。ステップＳ１Ｂでは、類似機械選定部１０２を用いて複数の機械の中から特性などが類似する類似機械１０Ｂを選定する。ステップＳ２Ｂでは、類似データ取得部１０３を用いて、データベースＤＢより類似機械１０ＢのセンサーデータＳＢを取得する。ステップＳ３Ｂでは、特徴量作成部１０４を用いて類似機械１０Ｂの特徴量ＦＢを作成する。ステップＳ４Ｂでは、学習モデル作成部１０６を用いて類似機械１０Ｂの学習モデルを作成し、データベースＤＢへ格納する。
次に診断対象機械１０Ａにおける処理手順を説明する。ステップＳ１Ａでは、センサーデータ取得部１０１を用いて診断対象となる機械１０ＡのセンサーデータＳＡを取得する。ステップＳ２Ａでは、特徴量作成部１０４を用いて対象機械１０Ａの特徴量ＦＡを作成する。ステップＳ３Ａでは、特徴量補正部１０５を用いて特徴量ＦＡを補正してＦＡ～を作成する。ステップＳ４Ａでは、学習モデルを読み込んで、機械状態判定部１０７を用いて対象機械１０Ａの状態を判定する。ステップＳ５Ａでは、可視化部１０８を用いて診断結果を可視化する。
なお、データベースＤＢに蓄積するデータ群を収集し、記憶する場合に、機械のシステム特性を表すシステム曲線について、例えば機械１０Ａが風車の場合、風車におけるシステム曲線である風速－発電量カーブで示すと、図３のカットイン風速とカットアウト風速の範囲内において収集したデータを蓄積し、この区間のデータから特徴量の算出、補正、異常判定を行うのがよい。除外された範囲では、制御装置による積極的な制御範囲にはないので、システムとしての異常を判定するには適していない。
以上、風力発電装置を例として本発明の異常診断装置の実施例について説明したが、本発明は風力発電装置以外の機械へも適用できることはいうまでもない。
本実施例では、実施例１における異常診断装置のうち、学習モデルの作成に教師なしアルゴリズムを使用する。即ち、学習データに正常／異常ラベルを付与せず、データ間の距離やクラスタリングなどの手法を用いることで、学習モデルを作成する。
本実施例の教師なし学習モデルの一例について説明する。図７は、抽出された特徴量通しの相関を縦軸と横軸に対比的に表視した図である。この場合に、類似機械１０ＢのセンサーデータＳＢには、故障時データと正常時データの両方が含まれるため、図７の特徴量空間でも、故障データと正常データの２つのクラスターが形成され、両方の境界線を、例えば、サポートベクトルマシンなどのアルゴリズムによって算出することができる。
この境界線を関数ｇ（Ｘ）と記述する場合、学習モデルは次の（７）式のような擬似コードで記述することができる。ここで、Ｘは観測点の特徴量を表すマトリクスであり、ｐ（Ｘ）は特徴量空間における観測点の関数値である。
本学習モデルに機械１０Ａの補正後の特徴量ＦＡ～を適用することで、機械１０Ａの状態を判定することができる。
本実施例では、実施例１における異常診断装置のうち、学習モデルの作成にマハラノビス・タグチ法などの統計的アルゴリズムを用いて、特徴量から異常度という指標を算出する。
ここでいう異常度は、機械の異常の度合いを数値で表すものであり、例えば以下のような（８）式で計算することができる。なおａは異常度、ｘは特徴量ベクトル、μは特徴量の平均値、σは特徴量の分散である。
図８に、このような方法で算出される異常度分布の一例を示す。図中の閾値は、機械１０Ｂの異常度から算出される異常と正常の境界線である。異常度と閾値の値を用いて、学習モデルを（９）式のような擬似コードで記述することができる。
本学習モデルに機械１０Ａの補正後の特徴量ＦＡ～を適用することで、機械１０Ａの状態を判定することができる。
本実施例では、実施例１から実施例３における異常診断装置のうち、類数機械の数を複数台用いる。このような場合、各機械に対して実施例１から実施例３のような処理を実施してから、最終的な正常／異常判定を多数決のような方法で決定することができる。または、複数台機械の稼動データの合計または平均などの処理を行うことで、一台の機械として扱うことが可能である。
本発明では、データベースを１つの装置に格納されているように記載しているが、ネットワーク環境を利用することにより、異なる計算機またはストレージにおいてデータを格納することも可能である。計算機においても、複数の計算機に分散して計算処理を行うことが可能である。
以上、本発明の好適な実施形態について説明したが、本発明は上記実施形態に限定されないことはいうまでもない。
１００：計算機、１０１：センサーデータ取得部、１０２：類似機械選定部、１０３：類似機械データ取得部、１０４：特徴量作成部、１０５：特徴量補正部、１０６：学習モデル作成部、１０７：機械状態判定部、１０８：可視化部、１０Ａ：：対象機械、１０Ｂ：：類似機械、ＤＢ：データベース、ＳＡ：対象機械のセンサーデータ、ＳＢ：類似機械のセンサーデータ、、ＳＡＡ：対象機械のセンサーデータの中で、特徴量算出に用いられるセンサーデータ、ＳＢＢ：類似機械のセンサーデータの中で、特徴量算出に用いられるセンサーデータ、ＦＡ：対象機械の特徴量データ、ＦＢ：類似機械の特徴量データ
Claims (7)
- 機械の異常を診断する異常診断装置であって、
診断対象である診断対象機械と、前記診断対象機械と類似の類似機械を含む機械のセンサーデータを取得して記憶するデータベースと、
前記類似機械について取得したセンサーデータから作成した第1の特徴量を用いて学習モデルを作成する学習モデル作成部と、
前記診断対象機械について取得したセンサーデータから作成した第２の特徴量を前記第1の特徴量によって補正する特徴量補正部と、
補正された第２の特徴量を前記学習モデルに適用することで、前記診断対象機械の状態を判定する機械状態判定部を備えることを特徴とする異常診断装置。 - 請求項１に記載の異常診断装置であって、
複数の機械の中から前記診断対象機械と類似の前記類似機械を選択するに際し、
前記診断対象機械と入出力が同一であり、機械のシステム特性に同じ特徴を有すること、類似機械のセンサーデータに正常時データと異常時データの両方が含まれること、類似機械のセンサーデータの中で、特徴量作成に必要なデータが含まれている、または代替可能なデータが含まれていることをもって、前記類似機械を選択することを特徴とする異常診断装置。 - 請求項１に記載の異常診断装置であって、
前記学習モデル作成部は、前記類似機械の過去の稼動状態から正常／異常ラベルを教師データとして学習することを特徴とする異常診断装置。 - 請求項１に記載の異常診断装置であって、
前記学習モデル作成部は、前記類似機械の特徴量のデータ空間でクラスタリングなどの教師無しアルゴリズムで学習することを特徴とする異常診断装置。 - 請求項１に記載の異常診断装置であって、
前記学習モデル作成部は、前記類似機械の特徴量から統計的手法を使って各時刻における異常度を算出し、異常度とその閾値から学習モデルを作成ことを特徴とする異常診断装置。 - 請求項１に記載の異常診断装置であって、
前記機械は風力発電装置であって、風車におけるシステム曲線である風速－発電量カーブにおいて、風速がカットイン風速以上であってカットアウト風速以下の風速における前記センサーデータを用いて、前記診断対象機械の状態を判定することを特徴とする異常診断装置。 - 機械の異常を診断する異常診断方法であって、
診断対象である診断対象機械と、前記診断対象機械と類似の類似機械を含む機械のセンサーデータを取得し、前記類似機械について取得したセンサーデータから作成した第1の特徴量を用いて学習モデルを作成し、前記診断対象機械について取得したセンサーデータから作成した第２の特徴量を前記第1の特徴量によって補正し、補正された第２の特徴量を前記学習モデルに適用することで、前記診断対象機械の状態を判定することを特徴とする異常診断方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019-091161 | 2019-05-14 | ||
| JP2019091161A JP7330754B2 (ja) | 2019-05-14 | 2019-05-14 | 異常診断装置及び方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2020230422A1 true WO2020230422A1 (ja) | 2020-11-19 |
Family
ID=73223500
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/JP2020/009984 WO2020230422A1 (ja) | 2019-05-14 | 2020-03-09 | 異常診断装置及び方法 |
Country Status (3)
| Country | Link |
|---|---|
| JP (1) | JP7330754B2 (ja) |
| TW (1) | TWI780434B (ja) |
| WO (1) | WO2020230422A1 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023079985A1 (ja) * | 2021-11-02 | 2023-05-11 | 株式会社日立製作所 | 予兆検知装置、予兆検知システム、および予兆検知方法 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7347969B2 (ja) * | 2019-06-18 | 2023-09-20 | ファナック株式会社 | 診断装置及び診断方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010287011A (ja) * | 2009-06-11 | 2010-12-24 | Hitachi Ltd | 装置異常監視方法及びシステム |
| JP2017166391A (ja) * | 2016-03-15 | 2017-09-21 | Ｊｆｅプラントエンジ株式会社 | 風力発電設備の異常診断装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI491801B (zh) * | 2013-03-18 | 2015-07-11 | Nat Univ Chin Yi Technology | 風力發電故障預測系統及其方法 |
| JP2016044556A (ja) * | 2014-08-20 | 2016-04-04 | 株式会社日立製作所 | メンテナンス計画システムまたは風力発電システム |
-
2019
- 2019-05-14 JP JP2019091161A patent/JP7330754B2/ja active Active
-
2020
- 2020-03-09 WO PCT/JP2020/009984 patent/WO2020230422A1/ja active Application Filing
- 2020-05-13 TW TW109115809A patent/TWI780434B/zh active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010287011A (ja) * | 2009-06-11 | 2010-12-24 | Hitachi Ltd | 装置異常監視方法及びシステム |
| JP2017166391A (ja) * | 2016-03-15 | 2017-09-21 | Ｊｆｅプラントエンジ株式会社 | 風力発電設備の異常診断装置 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023079985A1 (ja) * | 2021-11-02 | 2023-05-11 | 株式会社日立製作所 | 予兆検知装置、予兆検知システム、および予兆検知方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202100863A (zh) | 2021-01-01 |
| JP7330754B2 (ja) | 2023-08-22 |
| TWI780434B (zh) | 2022-10-11 |
| JP2020187516A (ja) | 2020-11-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7183471B2 (ja) | 将来の動作の予測分類 | |
| JP5284503B2 (ja) | 予測的状態監視のための診断システムおよび方法 | |
| AU2003287487B2 (en) | System state monitoring using recurrent local learning machine | |
| Niu et al. | Intelligent condition monitoring and prognostics system based on data-fusion strategy | |
| JP5753286B1 (ja) | 情報処理装置、診断方法、およびプログラム | |
| US7539597B2 (en) | Diagnostic systems and methods for predictive condition monitoring | |
| Mosallam et al. | Component based data-driven prognostics for complex systems: Methodology and applications | |
| AU2002246994A1 (en) | Diagnostic systems and methods for predictive condition monitoring | |
| WO2020230422A1 (ja) | 異常診断装置及び方法 | |
| CN111103137A (zh) | 基于深度神经网络的风力涡轮机齿轮箱故障诊断方法 | |
| JP7012888B2 (ja) | 異常要因推定装置、異常要因推定方法、及びプログラム | |
| CN113574480A (zh) | 用于预测设备损坏的装置 | |
| JPH0793018A (ja) | 動作状態の診断方法及びシステム | |
| US11339763B2 (en) | Method for windmill farm monitoring | |
| Baek et al. | Abnormal vibration detection in the bearing-shaft system via semi-supervised classification of accelerometer signal patterns | |
| CN114626400A (zh) | 设备故障诊断装置、设备故障诊断方法、智能工厂系统和应用代理 | |
| Smeraldo et al. | A data-driven approach to fault diagnostics for industrial process plants based on feature extraction and inferential statistics | |
| CN112654060B (zh) | 一种装置异常检测方法及系统 | |
| KR20230075826A (ko) | 딥러닝 기반의 모터 고장 감지 장치 및 방법 | |
| CN117668579A (zh) | 基于mest多旋翼无人机故障诊断方法、设备及存储介质 |
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: 20804760 Country of ref document: EP Kind code of ref document: A1 |
|
| NENP | Non-entry into the national phase |
Ref country code: DE |
|
| 122 | Ep: pct application non-entry in european phase |
Ref document number: 20804760 Country of ref document: EP Kind code of ref document: A1 |