WO2021019857A1 - 異常診断方法、異常診断装置および異常診断プログラム - Google Patents

異常診断方法、異常診断装置および異常診断プログラム Download PDF

Info

Publication number
WO2021019857A1
WO2021019857A1 PCT/JP2020/018135 JP2020018135W WO2021019857A1 WO 2021019857 A1 WO2021019857 A1 WO 2021019857A1 JP 2020018135 W JP2020018135 W JP 2020018135W WO 2021019857 A1 WO2021019857 A1 WO 2021019857A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
diagnosis
unit space
update time
unit
Prior art date
Application number
PCT/JP2020/018135
Other languages
English (en)
French (fr)
Inventor
味沙 野月
伸介 三木
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 JP2021536613A priority Critical patent/JP7224469B2/ja
Priority to US17/620,746 priority patent/US11977373B2/en
Priority to CN202080054363.7A priority patent/CN114207538A/zh
Priority to DE112020003659.6T priority patent/DE112020003659T5/de
Priority to TW109124904A priority patent/TWI755794B/zh
Publication of WO2021019857A1 publication Critical patent/WO2021019857A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures

Definitions

  • This disclosure relates to an abnormality diagnosis method, an abnormality diagnosis device, and an abnormality diagnosis program.
  • Equipment or equipment condition monitoring and abnormality diagnosis are generally performed using time-series data of the state quantities of multiple evaluation items related to the diagnosis target.
  • the state quantities of the plurality of evaluation items include various operation data of the diagnosis target and measurement data measured by using various sensors such as temperature and vibration generated from the diagnosis target.
  • Patent Document 1 International Publication No. 2009/107805
  • Patent Document 2 Japanese Patent Application Laid-Open No. 2017-12504
  • Patent Document 3 Japanese Patent Application Laid-Open No. 2016-91417
  • a method of determining whether or not the diagnostic target is operating normally by creating a unit space that is a normal data group and analyzing the time series data using the Mahalanobis distance between this unit space and the time series data. Is disclosed.
  • Patent Document 1 discloses a method for creating and updating unit space data. Patent Document 1 is configured to create a unit space for each operating state such as when the plant is started or during load operation, and to update the unit space at regular evaluation cycles.
  • Patent Document 2 describes a method for updating a unit space, in which the variances of the unit space data group and the latest data group are obtained at regular intervals, and when the ratio of the variances of the two exceeds a threshold value, the unit space is determined.
  • the configuration to be updated is disclosed.
  • Patent Document 3 describes a method for creating unit space data, in which the mean value and standard deviation of a data group that is a unit space data candidate are obtained, and the standard deviation constant is obtained from the mean value on each of the positive and negative sides.
  • a configuration is disclosed in which data existing within a doubled range is selected as unit space data.
  • the time series data obtained from the equipment includes non-abnormal fluctuations (ie, normal), such as fluctuations due to changes in equipment operating conditions and fluctuations due to seasonal changes (eg, changes in outside air temperature). Fluctuation) may appear. Therefore, it is necessary to appropriately create and update the unit space so that only abnormal fluctuations that are precursors of accidents or failures can be detected without determining these normal fluctuations as abnormalities.
  • the data length in the unit space is the time width of the data used in the unit space or the number of points of the data. If the data length of the unit space is not set appropriately, there is a concern that normal fluctuations in time series data may be mistakenly determined as abnormal.
  • the abnormality of the diagnosis target is determined by using a single unit space for the data of a certain diagnosis target time, there is a concern that various abnormalities cannot be detected.
  • data having a time width of one cycle of normal fluctuation is set as unit space data
  • the fluctuation of the data to be diagnosed is larger than the normal fluctuation range set as unit space data
  • it is considered abnormal While it is easy to judge, sudden changes smaller than the normal fluctuation range may be mistakenly judged as normal.
  • data having a time width shorter than the above-mentioned normal fluctuation cycle is set as unit space data, even if the above-mentioned sudden change can be determined as abnormal, the normal fluctuation is erroneously determined as abnormal.
  • signs of abnormality such as aging deterioration that gradually changes over a long period of time, such as a unit space update cycle, may be erroneously determined to be normal.
  • the present invention has been made to solve such a problem, and an object of the present invention is an abnormality diagnosis method, an abnormality diagnosis device, and an abnormality for diagnosing an abnormality to be diagnosed by using a maharanobis distance based on a unit space. In the diagnostic program, it is to improve the determination accuracy of abnormality.
  • the abnormality diagnosis method is an abnormality diagnosis method for diagnosing an abnormality in the operating state of the diagnosis target, and uses a unit space as a reference for determining the operating state of the diagnosis target from the normal operation data of the diagnosis target. It was calculated as a step to create, a step to acquire data having state quantities of a plurality of evaluation items from the diagnosis target, and a step to calculate the Maharanobis distance of the acquired data using the created unit space. It includes a step of determining an abnormality in the operating state to be diagnosed based on the Maharanobis distance.
  • the step of creating a unit space includes a step of creating a plurality of unit spaces having different data lengths.
  • the step of creating multiple unit spaces is the data length of each of the multiple unit spaces based on the correlation coefficient between the evaluation items in the data obtained from the diagnosis target and at least one of the normal fluctuation periods of the data. Includes steps to determine the data.
  • the step of calculating the Mahalanobis distance includes a step of calculating a plurality of Mahalanobis distances using the created plurality of unit spaces.
  • the step of determining an abnormality includes a step of determining an abnormality based on a plurality of calculated Mahalanobis distances.
  • the abnormality diagnosis method is an abnormality diagnosis method for diagnosing an abnormality in the operating state of the diagnosis target, and uses a unit space as a reference for determining the operating state of the diagnosis target from the normal operation data of the diagnosis target.
  • a step to create a step to acquire data having state quantities of a plurality of evaluation items from the diagnosis target, a step to calculate the Maharanobis distance of the acquired data using the created unit space, and a calculated Maharanobis. It includes a step of determining an abnormality in the operating state to be diagnosed based on the distance.
  • the step of creating a unit space includes a step of creating a plurality of unit spaces having different data lengths.
  • the step of calculating the Mahalanobis distance includes a step of calculating a plurality of Mahalanobis distances for the data of the same diagnosis time using the created plurality of unit spaces.
  • the step of determining an abnormality includes a step of determining an abnormality based on a plurality of calculated Mahalanobis distances.
  • an abnormality diagnosis device an abnormality diagnosis method, and an abnormality diagnosis program for diagnosing an abnormality to be diagnosed using a Mahalanobis distance based on a unit space.
  • FIG. It is a block diagram which shows the functional structure of the abnormality diagnosis apparatus which concerns on Embodiment 1.
  • FIG. It is a flowchart for demonstrating the processing procedure of the 1st method which determines the data length of a unit space. It is a figure for demonstrating the process of step S02 of FIG. It is a figure for demonstrating the process of step S04 of FIG. It is a flowchart for demonstrating the processing procedure of the 2nd method of determining the data length of a unit space. It is a flowchart for demonstrating the processing procedure of the 1st method which determines the update period of a unit space. It is a figure for demonstrating the process of step S25 of FIG.
  • FIG. 1 It is a flowchart for demonstrating the processing procedure of the 2nd method of determining the update period of a unit space. It is a block diagram which shows the hardware configuration example of the abnormality diagnosis apparatus which concerns on Embodiment 1.
  • FIG. It is a figure for demonstrating the operation effect of the abnormality diagnosis apparatus which concerns on Embodiment 1.
  • FIG. It is a figure for demonstrating the operation effect of the abnormality diagnosis apparatus which concerns on Embodiment 1.
  • FIG. It is a figure for demonstrating the operation effect of the abnormality diagnosis apparatus which concerns on Embodiment 1.
  • FIG. It is a figure for demonstrating the operation effect of the abnormality diagnosis apparatus which concerns on Embodiment 2.
  • FIG. It is a figure for demonstrating the processing procedure of the update method of unit space data. It is a figure for demonstrating the processing procedure of the 1st update method of a unit space data. It is a figure for demonstrating the processing procedure of the 1st update method of a unit space data. It is a figure for demonstrating the processing procedure of the 2nd update method of unit space data. It is a figure for demonstrating the processing procedure of the 2nd update method of unit space data. It is a figure for demonstrating the processing procedure of the 2nd update method of unit space data. It is a figure for demonstrating the method of determining the Mahalanobis distance threshold.
  • Embodiment 1 [A. Functional configuration of abnormality diagnostic device] First, the functional configuration of the abnormality diagnosis device according to the first embodiment will be described.
  • FIG. 1 is a block diagram showing a functional configuration of the abnormality diagnosis device according to the first embodiment.
  • the abnormality diagnosis device 1 according to the first embodiment is in a normal operating state of the equipment by analyzing time-series data acquired from the equipment or equipment to be diagnosed (hereinafter, also simply collectively referred to as “equipment”). It is configured to determine whether or not there is, and output the determination result.
  • Equipment to be diagnosed is, for example, equipment or plants such as generators, FA (factory automation) equipment, power receiving and distribution equipment, elevators, and electric equipment for railways.
  • FA factory automation
  • the configuration in which the abnormality diagnosis device 1 is applied to the condition monitoring and abnormality diagnosis of the generator will be exemplified.
  • the abnormality diagnosis device 1 includes a data reading unit 2, a data display unit 3, a unit space definition unit 4, a unit space data creation unit 5, a diagnosis unit 6, and an abnormality determination unit 7.
  • a unit space data storage unit 8 and a determination result output unit 9 are provided.
  • the data reading unit 2 reads time-series data acquired from the equipment / equipment to be diagnosed.
  • the data includes the state quantities of a plurality of evaluation items.
  • the "evaluation item” is a name of a physical quantity of a plurality of types of time series data acquired from the equipment / device to be diagnosed, and is an item used for calculating the Mahalanobis distance.
  • the operation data includes evaluation items such as the output, rotation speed, voltage, and current of the generator, and the measurement data constitutes a generator measured by a sensor attached to the generator. Includes evaluation items such as temperature and vibration of equipment and parts. Note that these evaluation items are examples, and the number of items of operation data and measurement data is not limited.
  • the data reading unit 2 transmits the read data to the data display unit 3, the unit space definition unit 4, and the diagnosis unit 6.
  • A-2) Data Display Unit The data display unit 3 graphs and displays the read data received from the data reading unit 2 as time series data.
  • (A-3) Unit space definition unit The unit space definition unit 4 determines the data length of the unit space and the update cycle of the unit space to be used for diagnosis by using the read data received from the data reading unit 2.
  • the "unit space” serves as a reference for determining the operating state to be diagnosed.
  • the unit space is created from operation data and measurement data (hereinafter, also referred to as "normal operation data") during normal operation.
  • the unit space is created from the normal operation data of the data length determined by the unit space definition unit 4, and is periodically updated according to the update cycle determined by the unit space definition unit 4.
  • the abnormality diagnosis device 1 is configured to diagnose an abnormality using a plurality of unit spaces having different data lengths from each other. Therefore, the unit space definition unit 4 is configured to determine the data length and the update cycle for each of the plurality of unit spaces used for diagnosis.
  • the unit space definition unit 4 has a data length determination unit 10 and an update cycle determination unit 11.
  • the data length determination unit 10 determines the data length in the unit space. That is, the data range defined as the unit space is determined.
  • the update cycle determination unit 11 determines the update cycle of the unit space.
  • the "length of unit space data” is the time width of the data used in the unit space or the score of the data.
  • the "unit space update cycle” is the time width for making a diagnosis using the same unit space.
  • the data length determination unit 10 determines the data length in the unit space by using the normal operation data among the read data.
  • the data length determination unit 10 can use data obtained by performing arbitrary arithmetic processing on the normal operation data, if necessary.
  • Arbitrary arithmetic processing is, for example, processing such as differentiation, moving average, or sum, difference, or average of time series data between a plurality of evaluation items.
  • the data length determination unit 10 determines a plurality of data lengths corresponding to each of the plurality of unit spaces used for diagnosis.
  • the data length of the unit space is determined by (1) a method of determining based on the correlation coefficient between multiple evaluation items of the read data, and (2) normality of the read data according to the characteristics of the equipment to be diagnosed. At least one of the methods of determination based on the fluctuation period is used.
  • FIG. 2 is a flowchart for explaining the processing procedure of the determination method.
  • the data length determination unit 10 acquires normal operation data in an arbitrary period from the read data received from the data reading unit 2 in step S01.
  • the normal operation data is operation data and measurement data acquired in an operation state when no abnormality or malfunction has occurred, and includes state quantities of a plurality of evaluation items. Also, any period can be days, months or years. The longer the period, the better the diagnostic accuracy.
  • step S02 the data length determination unit 10 divides the normal operation data acquired in step S01 by an arbitrary plurality of data lengths, and obtains the correlation coefficient between the plurality of evaluation items for each of the divided data.
  • Arbitrary plurality of data lengths can be determined to be a constant multiple of the measurement time or the number of measurement days, for example, 720 points, 1440 points, 4320 points, 14400 points, and 43200 points.
  • the 720 points correspond to the number of data points for 12 hours when the data sampling cycle is 1 minute.
  • 1440 points correspond to the data points for one day
  • 4320 points correspond to the data points for three days.
  • 14400 points correspond to the data points for 10 days
  • 43200 points correspond to the data points for 30 days.
  • FIG. 3 shows an example in which normal operation data for a certain period displayed in time series is divided by arbitrary data lengths a, b, c, and d.
  • the data length b is twice the data length a
  • the data length c is six times the data length a
  • the data length d is twelve times the data length a.
  • the time series data of one evaluation item is divided, but since the time series data of a plurality of evaluation items actually exist, the time series data of the other evaluation items are also the above evaluation items. It is divided in the same way as the time series data of.
  • the data length determination unit 10 obtains the correlation coefficient between a plurality of evaluation items included in the divided data for each divided data.
  • the correlation coefficient is an index showing the strength of the linear relationship between two items. The stronger the positive correlation between the two items, the closer the correlation coefficient approaches 1, and the stronger the negative correlation, the closer the correlation coefficient approaches -1. When there is almost no correlation between the two items, the correlation coefficient is close to 0.
  • the data length determination unit 10 obtains a correlation matrix.
  • the correlation matrix is a matrix in which the correlation coefficients are arranged and is a diagonal matrix. Since the correlation coefficient between the same items is 1, the diagonal components of the correlation matrix are all 1.
  • the correlation coefficient and correlation matrix can be determined using well-known methods.
  • the data length determination unit 10 calculates the variation of the correlation coefficient obtained in step S02 for each same data length in step S03.
  • the variability of the correlation coefficient can be calculated using the variance (of the same component of the correlation matrix) or standard deviation of the correlation coefficient of the same item.
  • the number of data for which the variation in the correlation coefficient is obtained in step S03 may be all of the divided data. Alternatively, the number of data for which the variation in the correlation coefficient is obtained may be matched with the number of data having the longest data length, in other words, the smallest number of divided data. In the example of FIG. 3, the variation in the correlation coefficient may be obtained by the number of divided data having the data length d, which has the smallest number of divided data.
  • step S04 the data length determination unit 10 obtains the relationship between the variation in the correlation coefficient obtained in step S03 and the data length. For example, the data length determination unit 10 creates a graph with the variation in the correlation coefficient as the vertical axis and the data length as the horizontal axis, as shown in FIG. In this graph, the variation of the correlation coefficient is plotted for each data length.
  • the average value of the variation of all the correlation coefficients (all among a plurality of evaluation items) obtained for one data length may be used, or the average value of the variation of all the correlation coefficients is used.
  • the maximum value of variability may be used.
  • a value arbitrarily selected from the variations of all the correlation coefficients, or an average value of variations of a plurality of arbitrarily selected correlation coefficients may be used.
  • the variation in the correlation coefficient at each data length indicates the variation in the strength of the relationship between the two items included in the data having the data length. If there is no large variation in the relationship between the two items over the data length, the variation in the correlation coefficient becomes small, but if the relationship between the two items fluctuates, the variation in the correlation coefficient increases.
  • FIG. 4 shows the relationship between the five types of data lengths a to e and the variation in the correlation coefficient. According to this, it can be seen that the variation in the correlation coefficient becomes smaller as the data length becomes longer. On the other hand, as the data length becomes shorter, the variation in the correlation coefficient becomes larger. If the Mahalanobis distance is calculated using the unit space of the data length with large variation in the correlation coefficient, the Mahalanobis distance will be large even though the data is normal, so it may be mistakenly determined as abnormal. Sex is a concern.
  • the data length determination unit 10 sets a threshold value for the variation in the correlation coefficient in step S05.
  • a threshold value for the variation in the correlation coefficient In the example of FIG. 4, two threshold values D1 and threshold values D2 having different sizes are set.
  • the data length determination unit 10 determines the data length at which the variation in the correlation coefficient is equal to or less than the threshold value as the data length in the unit space used for diagnosis.
  • the data length determination unit 10 sets the data length c of the data lengths c, d, and e such that the variation of the correlation coefficient is equal to or less than the threshold value D1 as the data length in the unit space. Can be done. Further, the data length determination unit 10 can determine the data length e at which the variation of the correlation coefficient is equal to or less than the threshold value D2 as the data length in the unit space.
  • the data length determination unit 10 may determine a plurality of unit spaces having different data lengths by providing a plurality of threshold values. Alternatively, the data length determination unit 10 determines the data length of the unit space based on the correlation coefficient between a plurality of evaluation items, which is shown below, or the data length of the unit space based on the normal fluctuation period. The data lengths of a plurality of unit spaces may be determined by using the method of determining the data together.
  • Another method of determining the data length of the unit space based on the correlation coefficient between a plurality of evaluation items is to determine the data length of the unit space from the change of the correlation coefficient.
  • the number of time-series data composed of a plurality of evaluation items is increased by 1, and each time the data increases, the correlation coefficient (or correlation matrix) between the plurality of evaluation items constituting the time-series data is obtained.
  • the relationship between the correlation coefficient and the number of data may be evaluated, and the number of data at which the correlation coefficient converges to a constant value may be the data length in the unit space.
  • the relationship between the rate of change of the correlation coefficient and the number of data may be evaluated, and the number of data at which the rate of change of the correlation coefficient converges to 0 may be defined as the data length in the unit space.
  • the correlation coefficients and their rate of change may be used as the average value of the correlation coefficients (or their rate of change) among all the evaluation items. It may be the correlation coefficient with the largest change (or its rate of change), an arbitrarily selected correlation coefficient (or its rate of change), or an average value thereof.
  • the data length of the unit space is determined based on the correlation coefficient between the plurality of evaluation items.
  • FIG. 5 is a flowchart for explaining the processing procedure of the determination method.
  • the data length determination unit 10 acquires normal operation data in an arbitrary period by the same step S01 as in FIG.
  • the data length determination unit 10 analyzes the fluctuation cycle of the normal operation data acquired in step S01 in step S12.
  • the analysis of the fluctuation cycle of normal operation data can be performed using a well-known technique such as general-purpose analysis software.
  • step S13 the data length determination unit 10 determines the fluctuation period of the normal operation data obtained by the analysis in step S12 or a constant multiple thereof as the data length in the unit space. Even if the data length determination unit 10 determines the data lengths of the plurality of unit spaces by using the data lengths of the unit spaces determined based on the correlation coefficients between the plurality of evaluation items described above together. Good.
  • (B) Update cycle determination unit determines the update cycle of the unit space by using the normal operation data among the read data.
  • the update cycle of the unit space is the time width for performing the diagnosis using the same unit space. Therefore, when the renewal time based on the determined renewal cycle is reached, the diagnosis is performed using the new unit space.
  • the reason for updating the unit space is that if the data fluctuations in the equipment to be diagnosed include normal fluctuations that are not abnormal such as seasonal fluctuations, if the diagnosis is performed without updating the unit space, the normal data fluctuations will be mistaken for abnormalities. This is because there is a possibility that abnormal data fluctuations may be erroneously determined as normal.
  • the update cycle is determined by (1) a method of determining based on the correlation coefficient (correlation matrix) between multiple evaluation items of the read data, and (2) normality of the read data according to the characteristics of the equipment to be diagnosed. At least one of the methods of determination based on the fluctuation period is used.
  • FIG. 6 is a flowchart for explaining the processing procedure of the determination method.
  • the update cycle determination unit 11 acquires normal operation data in an arbitrary period by the same step S01 as in FIG.
  • the update cycle determination unit 11 divides the normal operation data acquired by S22 by the data length of the unit space determined by the data length determination unit 10, and the correlation coefficient between a plurality of evaluation items for each divided data. (Or correlation matrix) is calculated.
  • the update cycle determination unit 11 plots the correlation coefficient obtained in step S22 in step S23 in chronological order based on the time of the normal operation data used for creating the correlation coefficient.
  • the time of the normal operation data for example, any one of the start time and end time of the time series data for which the correlation coefficient has been obtained, or the central time between the start time and the end time can be used.
  • step S24 the update cycle determination unit 11 obtains the relationship between the amount of change in the correlation coefficient and the amount of time change in the time-series plot of the correlation coefficient created in step S23.
  • the amount of change in the correlation coefficient a value obtained by time-differentiating the time-series change of the correlation coefficient may be used, and the correlation coefficient at time t and the correlation coefficient at time tm (m is an arbitrary constant) The difference may be used.
  • FIG. 7 plots the relationship between the amount of change in the correlation coefficient and the amount of time change m obtained as the difference between the correlation coefficient at time t and the correlation coefficient at time tm (m is an arbitrary constant). The graph is shown. The vertical axis of FIG. 7 shows the amount of change in the correlation coefficient, and the horizontal axis shows the amount of change over time.
  • the update cycle determination unit 11 sets the time change amount at which the change amount of the correlation coefficient is equal to or less than the threshold value determined in advance in step S25 as the update cycle.
  • a plurality of changes in the correlation coefficient are obtained according to the number of items used for diagnosis, but the average value of the changes in all the correlation coefficients may be used, or the maximum value may be used. Alternatively, an arbitrary amount of change in the correlation coefficient may be used, or an average value of a plurality of arbitrarily selected changes in the correlation coefficient may be used.
  • FIG. 8 is a flowchart for explaining the processing procedure of the determination method.
  • the update cycle determination unit 11 acquires normal operation data in an arbitrary period by the same step S01 as in FIG.
  • the update cycle determination unit 11 analyzes the fluctuation cycle of the normal operation data acquired in step S01 by the same step S12 as in FIG.
  • the fluctuation cycle analysis can be performed using a well-known technique such as general-purpose analysis software.
  • step S33 the update cycle determination unit 11 determines the fluctuation cycle of the normal operation data obtained by the analysis in step S12 or a constant multiple thereof as the update cycle in the unit space.
  • (A-4) Unit space data creation unit creates unit space data based on the unit space data length and update cycle determined by the unit space definition unit 4. create.
  • the unit space data means the data constituting the unit space, and will be used hereinafter with the same meaning as the unit space.
  • the unit space data creation unit 5 operates normally with the data length determined by the unit space definition unit 4 from the read data. Data is cut out, and the cut out normal operation data is used as unit space data.
  • the unit space data creation unit 5 determines the Mahalanobis distance among the data diagnosed by the Mahalanobis Taguchi (MT) method. Using the data that is below the threshold (that is, judged to be normal), a unit space used for diagnosis after the update time is created. Specifically, when the update time is reached, the unit space data creation unit 5 is determined by the unit space definition unit 4 from the data determined to be normal among the data stored in the unit space data storage unit 8. The data of the data length is cut out, and the cut out data is used as unit space data.
  • MT Mahalanobis Taguchi
  • the diagnosis unit 6 uses the unit space created by the unit space data creation unit 5 and the data read by the data reading unit 2 and preprocessed as necessary.
  • the Mahalanobis distance is calculated by the MT method.
  • the Mahalanobis distance can be calculated by a known method.
  • the diagnosis unit 6 obtains a plurality of Mahalanobis distances from the data at a certain diagnosis time according to the number of unit spaces.
  • the abnormality determination unit 7 determines whether or not there is an abnormality in the operating state of the equipment to be diagnosed based on the plurality of Mahalanobis distances obtained by the diagnosis unit 6. Specifically, the abnormality determination unit 7 determines whether or not there is an abnormality in the operating state of the equipment by comparing the plurality of Mahalanobis distances calculated using the plurality of unit spaces with the preset threshold values. To do.
  • the abnormality determination unit 7 integrates a plurality of determination results based on a plurality of Mahalanobis distances to determine whether or not there is an abnormality in the operating state of the equipment. Specifically, when the abnormality determination unit 7 diagnoses using a plurality of unit spaces having different lengths, at least one Mahalanobis distance among the plurality of Mahalanobis distances corresponding to the plurality of unit spaces is equal to or more than the threshold value. If this happens, it is determined that the operating condition of the equipment is abnormal.
  • (A-7) Unit space data storage unit
  • the unit space data storage unit 8 stores data having a state quantity of a plurality of evaluation items diagnosed by the diagnosis unit 6 in association with their Mahalanobis distances. ..
  • the unit space data creation unit 5 creates a unit space to be used for diagnosis after each update time by using the data accumulated in the unit space data storage unit 8 whose Mahalanobis distance is equal to or less than the threshold value.
  • the unit space data creation unit 5 has data having a data length determined by the data length determination unit 10 from the data accumulated in the unit space data storage unit 8. Create a unit space and update the unit space by cutting out. Therefore, the diagnostic unit 6 will use the updated unit space to determine the Mahalanobis distance.
  • the accumulation of data in the unit space data storage unit 8 and the update of the unit space in the unit space data creation unit 5 described above are repeatedly executed.
  • the judgment result output unit 9 outputs the determination result in the abnormality determination unit 7.
  • the determination result output unit 9 has, for example, a display unit, and displays on the display unit the time-series changes of a plurality of Mahalanobis distances obtained by using a plurality of unit spaces.
  • the determination result output unit 9 further displays, on the display unit, the determination result regarding the presence or absence of the driving state of the diagnosis target, which is determined based on all Mahalanobis distances.
  • the determination result output unit 9 may be configured to display these determination results on the display unit and transmit them to an external device using a communication means (not shown).
  • FIG. 9 is a block diagram showing a hardware configuration example of the abnormality diagnosis device according to the first embodiment.
  • the abnormality diagnosis device 1 includes a CPU (Central Processing Unit) 20 and a memory for storing a program and data, and when the CPU 20 operates according to the program, the function shown in FIG. Configuration is realized.
  • CPU Central Processing Unit
  • the memory includes a ROM (Read Only Memory) 21, a RAM (Random Access Memory) 22, and an HDD (Hard Disk Drive) 23.
  • the ROM 21 can store a program executed by the CPU 20.
  • the RAM 22 can temporarily store data used during the execution of the program in the CPU 20, and can function as a temporary data memory used as a work area.
  • the HDD 23 is a non-volatile storage device, and can store the data read by the data reading unit 2, the data for creating the unit space, the determination result in the abnormality determination unit 7, and the like.
  • a semiconductor storage device such as a flash memory may be adopted.
  • the abnormality diagnosis device 1 further includes a communication interface (I / F) 24, an I / O (Input / Output) interface 25, an input unit 26, and a display unit 27.
  • the communication interface 24 is an interface for the abnormality diagnosis device 1 to communicate with an external device including the equipment to be diagnosed.
  • the communication interface 24 corresponds to an embodiment of the "data reading unit 2".
  • the I / O interface 25 is an interface for input to the abnormality diagnosis device 1 or output from the abnormality diagnosis device 1. As shown in FIG. 9, the I / O interface 25 is connected to the input unit 26 and the display unit 27.
  • the input unit 26 receives an input including an instruction from the user to the abnormality diagnosis device 1.
  • the input unit 26 includes a keyboard, a mouse, a touch panel integrally configured with the display screen of the display unit, and receives setting of a threshold value used in the unit space definition unit 4 and the abnormality determination unit 7.
  • the display unit 27 corresponds to one embodiment of the "data display unit 3" and the "determination result output unit 9".
  • the display unit 27 can display the time series data acquired from the diagnosis target, the determination result in the abnormality determination unit 7, and the like.
  • the abnormality diagnosis device 1 is configured to diagnose an abnormality to be diagnosed by using a plurality of unit spaces having different data lengths from each other. According to this, it is possible to appropriately determine the sign of an abnormality that is a precursor of an accident or failure without determining the normal fluctuation of the time series data as an abnormality. This effect will be described in detail with reference to FIGS. 10 to 12.
  • FIG. 10A shows a waveform of time series data having normal fluctuations such as seasonal fluctuations.
  • FIG. 10 and the drawings thereafter for the sake of simplification of explanation, the waveform of the time series data of one evaluation item among the plurality of evaluation items will be shown.
  • FIG. 10B shows a waveform of time-series data in which a sudden change (corresponding to region R1 in the figure) that is smaller than a normal change occurs.
  • FIG. 10C shows a waveform of time series data in which a long-term change (corresponding to region R2 in the figure) that is larger than a normal fluctuation occurs.
  • both the changes shown in FIGS. 10 (B) and 10 (C) are not determined as the normal fluctuations shown in FIG. 10 (A). Is required to be determined as abnormal.
  • FIG. 11 shows a case where an abnormality is diagnosed based on the time series data of FIGS. 10 (B) and 10 (C) using a unit space having a data length of about the fluctuation cycle of normal operation data.
  • FIG. 11A shows an abnormality diagnosis based on the time series data of FIG. 10B
  • FIG. 11B shows an abnormality diagnosis based on the time series data of FIG. 10C.
  • FIG. 12 shows a case where an abnormality is diagnosed based on the time series data of FIGS. 10 (B) and 10 (C) using a unit space having a data length sufficiently shorter than the fluctuation cycle of the normal operation data. Is done.
  • FIG. 12 (A) shows an abnormality diagnosis based on the time series data of FIG. 10 (B)
  • FIG. 12 (B) shows an abnormality diagnosis based on the time series data of FIG. 10 (C).
  • the abnormality diagnosis device 1 in the abnormality diagnosis device 1 according to the first embodiment, a plurality of unit spaces having different data lengths are used. That is, the plurality of unit spaces include a unit space having a long data length shown in FIG. 11 and a unit space having a short data length shown in FIG. Therefore, it is possible to detect abnormal fluctuations in a diagnosis using at least one of a plurality of unit spaces. According to this, since the abnormality diagnosis device 1 according to the first embodiment can deal with various abnormality fluctuations, it is possible to determine the abnormality with high accuracy.
  • Embodiment 2 In the first embodiment described above, a configuration for diagnosing an abnormality in equipment has been described using a plurality of unit spaces having different data lengths. In the second embodiment, a configuration for the purpose of enabling detection even of an abnormal change such as aged deterioration that gradually changes over a time longer than the update cycle will be described. Specifically, a configuration for diagnosing an abnormality in equipment will be described using a plurality of unit spaces having different data collection times. It should be noted that the matters that are duplicated with the first embodiment and have already been described in the first embodiment will be omitted.
  • the unit space data creation unit 5 (see FIG. 2) comprises a plurality of unit spaces having different data collection times when creating a unit space having a data length determined by using the method described above. Create a unit space group.
  • the unit space data creation unit 5 creates three unit spaces having different data collection times.
  • 43,200 points correspond to the number of data points for 30 days when the data sampling cycle is 1 minute.
  • the first unit space has a data acquisition start time (hereinafter, also referred to as a unit space start time) 30 days before the diagnosis start time, and has data points for 30 days from 30 days before the diagnosis start time.
  • the second unit space has a unit space start time of 60 days before the diagnosis start time, and has data points for 30 days from 60 days before to 30 days before.
  • the third unit space has a unit space start time 90 days before the diagnosis start time, and has data points for 30 days from 90 days before to 60 days before.
  • the unit space start time can be arbitrarily determined as a time that is longer than the unit space data length (for example, 30 days) from the diagnosis start time. Further, it is desirable that the start time of the second unit space and the third unit space is a time that goes back a time longer than the update cycle of the unit space. In the present embodiment, three unit spaces corresponding to three periods dating back to the past are illustrated, but the number of unit spaces is not limited to this.
  • the diagnosis unit 6 obtains the Mahalanobis distance at the same diagnosis time for each of the three unit spaces created by the unit space data creation unit 5. That is, the diagnostic unit 6 determines the first Mahalanobis distance based on the first unit space, the second Mahalanobis distance based on the second unit space, and the third Mahalanobis distance based on the third unit space. Ask.
  • the abnormality determination unit 7 determines an abnormality in the equipment based on the amount of change in the above three Mahalanobis distances.
  • FIG. 13 is a diagram for explaining a method of determining an abnormality.
  • FIG. 13 shows the first to third Mahalanobis distances corresponding to the first to third unit spaces, respectively.
  • the amount of change in the Mahalanobis distance corresponds to the fluctuation range of the first to third Mahalanobis distances.
  • the amount of change in the Mahalanobis distance corresponds to the difference between the first Mahalanobis distance, which is the minimum value, and the third Mahalanobis distance, which is the maximum value.
  • the abnormality determination unit 7 determines that the operating state of the equipment is abnormal when the amount of change in the Mahalanobis distance is larger than a preset threshold value.
  • the abnormality determination unit 7 may be configured to diagnose an abnormality in the equipment by using the diagnosis according to the first embodiment in combination with the diagnosis using a plurality of unit spaces having different data collection times.
  • FIG. 14 shows two types of time-series data waveforms.
  • Waveform A is a waveform of time series data having normal fluctuations.
  • the waveform B has a variation similar to that of the waveform A, but the size of the data is gradually increasing. This gradual fluctuation corresponds to an abnormal fluctuation such as aged deterioration that gradually changes over a time longer than the update cycle of the unit space.
  • the first unit space is created from the latest normal operation data of the start time of the diagnosis section.
  • the second unit space is created by normal operation data that goes back from the first unit space.
  • the third unit space is created by normal operation data that goes back further than the second unit space. In the first to third unit spaces, the collection time of normal operation data is different from each other.
  • the diagnosis unit 6 calculates the Mahalanobis distance by the MT method using the data in the diagnosis section and each of the first to third unit spaces.
  • FIG. 15 shows the Mahalanobis distance calculated for each of the waveform A and the waveform B of FIG. In each waveform, the Mahalanobis distance calculated using the first unit space, the Mahalanobis distance calculated using the second unit space, and the Mahalanobis distance calculated using the third unit space are shown. There is.
  • the three Mahalanobis distances have the same magnitude, and the Mahalanobis distances do not change depending on the data collection time in the unit space.
  • the Mahalanobis distance in the third unit space is the largest, and the Mahalanobis distance in the first unit space is the smallest. In this way, when the time series data has abnormal fluctuations due to aging deterioration, the Mahalanobis distance changes depending on the data collection time in the unit space.
  • the abnormality determination unit 7 determines an abnormality to be diagnosed based on the amount of change in the above three Mahalanobis distances.
  • the amount of change in the Mahalanobis distance corresponds to the fluctuation range of the first to third Mahalanobis distances.
  • the abnormality determination unit 7 determines that the operating state of the equipment is abnormal.
  • the Mahalanobis distance of the time series data of the waveform B is obtained using only the first unit space, the Mahalanobis distance between the waveform A having normal fluctuation and the waveform B having abnormal fluctuation is Are equal. Therefore, it is not possible to detect abnormal fluctuations in the waveform B.
  • the Mahalanobis distance is obtained by using the second unit space and the third unit space whose data collection time is earlier than that of the first unit space, whereby the waveform A and the waveform There is a difference in the Mahalanobis distance of B.
  • the Mahalanobis distance is obtained by using the second unit space and the third unit space whose data collection time is earlier than that of the first unit space, whereby the waveform A and the waveform There is a difference in the Mahalanobis distance of B.
  • Embodiment 3 the method of updating the unit space in the first embodiment will be described.
  • the update of the unit space is executed by the unit space data creation unit 5 (see FIG. 1).
  • the data length and update cycle of the unit space used in the present embodiment are the data length (number of data) and the update cycle determined by the unit space definition unit 4 by the method described in the first embodiment. And.
  • FIG. 16 is a diagram for explaining a processing procedure of a unit space update method. 16 (A) to 16 (C) show step by step how the unit space is updated every time the update time is reached after the diagnosis is started.
  • the diagnosis unit 6 diagnoses from the start of the diagnosis to the time when the first renewal time is reached (hereinafter, also referred to as “first renewal time”). Is performed.
  • the unit space used for this initial diagnosis (hereinafter, also referred to as “first unit space”) is the data length (hereinafter, also referred to as “number of unit space data”) determined by the unit space definition unit 4 from the read data. It is a cutout of normal operation data (referred to as).
  • the unit space data creation unit 5 discards the first unit space used for the first diagnosis and the unit space used for the second diagnosis after the first update time. (Hereinafter, also referred to as "second unit space”) is newly created.
  • FIG. 16B shows a method of creating the second unit space.
  • the unit space data creation unit 5 uses data in which the Mahalanobis distance is equal to or less than a predetermined threshold among the data accumulated in the unit space data storage unit 8 from the start of diagnosis to the first update time, and secondly. Create a unit space for. Therefore, all the data constituting the first unit space (first unit space data) is discarded and is not used for the second unit space.
  • the unit space data creation unit 5 determined that the Mahalanobis distance calculated by the MT method was equal to or less than the threshold value (that is, normal) in the data during the period from the start of diagnosis to the first update time. ) Extract the data. Further, the unit space data creation unit 5 traces back to the past from the data of the date and time closest to the first update time (latest date and time) from the extracted data, and extracts the data for the number of unit space data, and the first Create a new unit space of 2. The diagnosis unit 6 makes a second diagnosis (after the first update time) using the second unit space.
  • the threshold value that is, normal
  • the unit space data creation unit 5 discards the second unit space used for the second diagnosis. To do. Then, the unit space data creation unit 5 newly creates a unit space (hereinafter, also referred to as “third unit space”) used for the third diagnosis after the second update time.
  • FIG. 16C shows a method of creating a third unit space.
  • the unit space data creation unit 5 uses data in which the Mahalanobis distance is equal to or less than a predetermined threshold among the data accumulated in the unit space data storage unit 8 between the start time of the second diagnosis and the second update time. To create a third unit space. Therefore, all the data constituting the second unit space (second unit space data) is discarded and is not used for the third unit space.
  • the Mahalanobis distance is equal to or less than the threshold value in the data of the period from the first update time (the second diagnosis start time) to the second update time (that is, normal). Extract the (determined) data. Further, the unit space data creation unit 5 goes back to the past from the data of the date and time closest to the second update time (latest date and time) from the extracted data, extracts the data for the number of unit space data, and extracts the third data. Create a new unit space for. The diagnosis unit 6 uses this third unit space to perform a third diagnosis (after the second update time).
  • the unit space data creation unit 5 periodically updates the unit space by repeating the above-mentioned procedure every time the update time is reached.
  • the diagnosis unit 6 continues the diagnosis using the unit space that is periodically updated. Therefore, it is desirable that the update cycle is the same as the number of unit space data or longer than the number of unit space data. Further, in the diagnosis using a plurality of unit spaces, each unit space is periodically updated by using the same procedure. Diagnosis is made using multiple updated unit spaces.
  • the unit space used for the previous diagnosis is discarded, and the unit space data (data constituting the unit space) used for the past diagnosis is not used again.
  • a new unit space is created using the data obtained from the equipment and the Mahalanobis distance is less than the threshold value, and is used for diagnosis after the update time. Therefore, the diagnosis can be performed using the unit space composed of normal data reflecting the latest state of the equipment to be diagnosed, and the diagnosis without erroneous judgment becomes possible.
  • Embodiment 4 In the unit space update method described in the third embodiment, the number of data in which the Mahalanobis distance is equal to or less than the threshold value among the data accumulated in the unit space data storage unit 8 from the start of diagnosis to the next update time. However, there may be a case where the number of unit space data is less than the number of unit space data determined in advance by the unit space definition unit 4. In the fourth embodiment, a method of updating the unit space in such a case will be described.
  • the unit space update method according to the fourth embodiment includes the first update method and the second update method described below.
  • the unit space data creation unit 5 can update the unit space by selecting either of these two types of update methods.
  • FIGS. 17 and 18 are diagrams for explaining a processing procedure of the first update method of the unit space.
  • the unit space is gradually updated every time the update time is reached after the diagnosis is started. It is shown.
  • FIG. 17 and 18 are different from FIG. 16 in the method of creating the third unit space. Specifically, FIG. 17 shows a case where the number of data for creating the third unit space is less than the number of unit space data. FIG. 18 shows a procedure for creating a third unit space in the case shown in FIG. Since FIGS. 17 (A) and 17 (B) are the same as those of FIGS. 16 (A) and 16 (B), detailed description thereof will not be repeated.
  • the unit space data creation unit 5 in order to create the third unit space, the unit space data creation unit 5 accumulates in the unit space data storage unit 8 between the start time of the second diagnosis and the second update time. From the obtained data, the data in which the Mahalanobis distance is equal to or less than the threshold value (that is, judged to be normal) is extracted. Further, the unit space data creation unit 5 goes back to the past from the data of the date and time closest to the second update time (latest date and time) from the extracted data, and extracts data for the number of unit space data determined in advance. To do.
  • the unit space data creation unit 5 reaches the second update time as shown in FIG. 18 (A).
  • the unit space is not updated. That is, the unit space data creation unit 5 does not newly create the third unit space, but holds the second unit space. Therefore, the diagnosis unit 6 also diagnoses the data after the second update time using the second unit space. This diagnosis is referred to as the second'diagnosis.
  • the diagnosis unit 6 uses the second unit space and the data read by the data reading unit 2 after the start of the second'diagnosis and preprocessed as necessary. And calculate the Mahalanobis distance.
  • the second diagnosis is from the start of the second diagnosis to the latest diagnosis (the period during which the diagnosis was performed using the second unit space, that is, the second diagnosis.
  • the number of data in which the Mahalanobis distance is equal to or less than the threshold value among the data stored in the unit space data storage unit 8 (between the second diagnosis) is the same as the number of unit space data predetermined by the unit space definition unit 4. It will continue until it becomes. Further, the time when the number of data whose Mahalanobis distance is equal to or less than the threshold value becomes the same as the number of unit space data is set as a new update time.
  • the number of data in which the Mahalanobis distance is equal to or less than the threshold value among the data from the start time of the second diagnosis to the new update time (diagnosis range using the second unit space) is the unit.
  • the diagnostic unit 6 ends the second'diagnosis.
  • the unit space data creation unit 5 discards the unit space used for the diagnosis until the new update time, and performs the diagnosis from the start time of the second diagnosis to the latest diagnosis (using the second unit space).
  • the data in which the Mahalanobis distance is equal to or less than the threshold value is newly used as the third unit space. Create in. That is, the unit space is updated later than the original second update time.
  • the diagnosis unit 6 starts the third diagnosis using the third unit space.
  • the unit space data creation unit 5 counts the update cycle starting from this point, and when the third update time (hereinafter, also referred to as “third update time”) is reached, the fourth update period after the third update time is reached.
  • a unit space hereinafter, also referred to as a "fourth unit space" used for the diagnosis of is newly created.
  • the unit space data creation unit 5 appropriately updates the unit space by switching between the update method shown in the third embodiment and the first update method described above according to the number of extracted data.
  • the diagnosis unit 6 continuously performs the diagnosis using the updated unit space. According to this, since the unit space is generated using only the data in which the Mahalanobis distance is equal to or less than the threshold value, it is possible to suppress erroneous determination by diagnosis using the unit space including the abnormal data. Further, since the unit space created in this way reflects the latest equipment state, it is possible to prevent erroneous determination of normal fluctuations such as seasonal fluctuations as abnormalities.
  • FIGS. 19 to 21 are diagrams for explaining a processing procedure of the second update method of the unit space.
  • 19 (A) to 19 (C), 20 (A) to 20 (C), and 21 (A) to 21 (C) show that the update cycle is reached after the diagnosis is started. It is shown step by step how the unit space is updated each time.
  • FIGS. 19 and 20 differ from FIG. 16 in the method of creating the third unit space. Specifically, FIGS. 19 and 20 show a procedure for creating a third unit space when the number of data for creating the third unit space is less than the number of unit space data. .. Note that FIGS. 19 (A) and 19 (B) are the same as those of FIGS. 16 (A) and 16 (B), and therefore detailed description thereof will not be repeated.
  • the unit space data creation unit 5 discards the unit space used for the diagnosis so far when the second update time is reached, and the third unit space is created. From the data accumulated in the unit space data storage unit 8 from the start time of the diagnosis of 2 to the second update time, the data whose Mahalanobis distance is equal to or less than the threshold value (that is, determined to be normal) is extracted. Further, the unit space data creation unit 5 goes back to the past from the data of the date and time closest to the second update time (latest date and time) from the extracted data, and extracts data for the number of unit space data determined in advance. To do.
  • the unit space data creation unit 5 uses the second update method. At the time of renewal, the unit space used for the diagnosis up to that point will be discarded and a third unit space will be newly created. Therefore, the diagnosis unit 6 will perform the third diagnosis using the third unit space after the second update time.
  • the second update method is applied when it is desirable to operate with a fixed update cycle determined in advance, such as when the update cycle is determined based on the seasonal fluctuation cycle or the like.
  • a fixed update cycle determined in advance
  • the number of data in which the Mahalanobis distance is below the threshold value is less than the number of evaluation items used to calculate the Mahalanobis distance or a constant multiple thereof, accurate diagnosis may not be possible. Therefore, as shown in FIG. 19C, if the number of data in which the Mahalanobis distance is equal to or less than the threshold value is equal to or greater than the number of evaluation items or a constant multiple of the number of evaluation items, the unit space data creation unit 5 determines the unit space data. Even if the number is less than the number, a third unit space is created using the data in which the Mahalanobis distance is equal to or less than the threshold value, and is used for the third diagnosis.
  • FIG. 20A shows a method of creating a fourth unit space.
  • the unit space data creation unit 5 uses the data in which the Mahalanobis distance is equal to or less than the threshold value among the data accumulated in the unit space data storage unit 8 between the start time of the third diagnosis and the third update time, and the fourth unit space data creation unit 5. Create a unit space for.
  • the diagnosis unit 6 also makes a diagnosis on the data after the third update time using the third unit space. That is, the fourth diagnosis is performed using the third unit space.
  • FIGS. 21 (A) to 21 (C) show a method of creating the fourth unit space.
  • the fourth update time hereinafter, also referred to as "fourth update time”
  • the unit space data creation unit 5 is between the start time of the fourth diagnosis and the fourth update time.
  • the data whose Mahalanobis distance is equal to or less than the threshold value that is, determined to be normal
  • the unit space data creation unit 5 has the Mahalanobis distance equal to or less than the threshold value. It is determined whether or not the number of data is equal to or greater than the number of evaluation items used for diagnosis or a constant multiple thereof. When it is confirmed that the number of data in which the Mahalanobis distance is equal to or less than the threshold value is equal to or greater than the number of evaluation items used for diagnosis or a constant multiple thereof, the unit space data creation unit 5 performs as shown in FIG. 21 (B). A fourth unit space is newly created using the data in which the Mahalanobis distance is equal to or less than the threshold value. As a result, the diagnosis unit 6 makes a fifth diagnosis using the fourth unit space.
  • the unit space data creation unit 5 appropriately updates the unit space by switching between the update method shown in the third embodiment and the second update method described above according to the number of extracted data.
  • the diagnosis unit 6 continuously performs the diagnosis using the updated unit space. According to this, since the unit space is generated using only the data in which the Mahalanobis distance is equal to or less than the threshold value, it is possible to suppress erroneous determination by diagnosis using the unit space including the abnormal data. Further, since the unit space created in this way reflects the latest equipment state, it is possible to prevent erroneous determination of normal fluctuations such as seasonal fluctuations as abnormalities. Further, even if there is a periodic normal state change such as a seasonal change, the unit space can be updated at a constant cycle, so that erroneous determination can be prevented.
  • FIG. 22 is a diagram for explaining a method of determining a Mahalanobis distance threshold.
  • FIG. 22 illustrates the frequency distribution (histogram) of the Mahalanobis distance.
  • the histogram of FIG. 22 is a histogram of the Mahalanobis distance obtained by diagnosing the data in an arbitrary period known to be in a normal state without any abnormality.
  • the horizontal axis of the histogram represents the Mahalanobis distance division, and the vertical axis represents the relative frequency and cumulative relative frequency of the Mahalanobis distance included in each division.
  • a determination value for determining the threshold value of the Mahalanobis distance with respect to the cumulative relative frequency of the Mahalanobis distance is set in advance. Then, the Mahalanobis distance when the cumulative relative frequency becomes the determination value is determined as the threshold value of the Mahalanobis distance.
  • the determination value of the cumulative relative frequency is 95%.
  • the Mahalanobis distance when the cumulative relative frequency is 95% can be determined as a threshold value. In this way, by determining the threshold value based on the histogram of the Mahalanobis distance obtained from the data whose normal state is known, the optimum threshold value can be determined according to the equipment or device to be diagnosed, and erroneous determination is prevented. It becomes possible to do.
  • 1 Abnormality diagnosis device 2 Data reading unit 2, 3 Data display unit, 4 Unit space definition unit, 5 Unit space data creation unit, 6 Diagnosis unit, 7 Abnormality determination unit, 8 Unit space data storage unit, 9 Judgment result output Unit, 10 data length determination unit, 11 update cycle determination unit, 20 CPU, 21 ROM, 22 RAM, 23 HDD, 24 communication interface, 25 I / O interface, 26 input unit, 27 display unit.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

診断対象の運転状態の異常を診断する異常診断方法は、診断対象の正常運転データから、診断対象の運転状態を判定するための基準となる単位空間を作成するステップと、診断対象から、複数の評価項目の状態量を有するデータを取得するステップと、作成された単位空間を用いて、取得したデータのマハラノビス距離を算出するステップと、算出されたマハラノビス距離に基づいて、診断対象の運転状態の異常を判定するステップとを備える。単位空間を作成するステップは、データ長さが互いに異なる複数の単位空間を作成するステップを含む。複数の単位空間を作成するステップは、診断対象から取得されるデータにおける複数の評価項目間の相関係数、およびデータの正常変動周期の少なくとも１つに基づいて、各複数の単位空間のデータ長さを決定するステップを含む。マハラノビス距離を算出するステップは、作成された複数の単位空間を用いて複数のマハラノビス距離を算出するステップを含む。異常を判定するステップは、算出された複数のマハラノビス距離に基づいて異常を判定するステップを含む。

Description

異常診断方法、異常診断装置および異常診断プログラム
　本開示は、異常診断方法、異常診断装置および異常診断プログラムに関する。
　設備または機器の状態監視および異常診断は、一般的に、診断対象に関する複数の評価項目の状態量の時系列データを用いて行なわれる。この複数の評価項目の状態量には、診断対象の各種運転データならびに、診断対象から発生する温度、振動などの各種センサを用いて計測した計測データが含まれる。
　たとえば、国際公開第２００９／１０７８０５号（特許文献１）、特開２０１７－１２０５０４号公報（特許文献２）および特開２０１６－９１４１７号公報（特許文献３）には、正常なデータから判定基準となる正常なデータ群である単位空間を作成し、この単位空間と時系列データとのマハラノビス距離を用いて時系列データを解析することにより、診断対象が正常に運転しているかどうかを判定する方法が開示されている。
　上記の判定方法において、診断対象が正常に運転しているかどうかを高精度に判定するためには、単位空間を適切に設定する必要がある。この単位空間について、特許文献１には、単位空間データの作成および更新方法が開示されている。特許文献１は、プラントの起動時または負荷運転時などの運転状態毎に単位空間を作成し、一定の評価周期毎に単位空間を更新するように構成される。
　特許文献２には、単位空間の更新方法であって、単位空間データ群および最新のデータ群の各々の分散を一定周期毎に求め、両者の分散の比率が閾値を超えたときに単位空間を更新する構成が開示されている。
　特許文献３には、単位空間データの作成方法であって、単位空間データ候補となるデータ群の平均値および標準偏差を求め、平均値を中心とし当該平均値から正負側それぞれに標準偏差の定数倍広がる範囲内に存在するデータを単位空間データに選定する構成が開示されている。
国際公開２００９／１０７８０５号 特開２０１７－１２０５０４号公報 特開２０１６－９１４１７号公報
　設備から取得される時系列データには、設備の運転状態の変化に伴う変動、および季節の変化（たとえば、外気温の変化など）に伴う変動のように、異常ではない変動（すなわち、正常な変動）が現れることがある。したがって、これらの正常な変動を異常と判定せずに、事故または故障の前兆となる異常な変動のみを検知することができるように、単位空間を適切に作成し、かつ更新する必要がある。
　しかしながら、上述した従来の単位空間の作成および更新方法では、単位空間のデータ長さの決定に関しては定義されていない。なお、単位空間のデータ長さとは、単位空間に用いるデータの時間幅またはデータの点数である。単位空間のデータ長さが適切に設定されていない場合、時系列データの正常な変動を誤って異常と判定してしまうことが懸念される。
　また、従来技術では、ある診断対象時刻のデータに対して単一の単位空間を用いて診断対象の異常を判定するため、様々な異常を検知することができないという問題が懸念される。たとえば、正常変動の一周期分の時間幅を有するデータを単位空間データに設定した場合には、診断対象のデータの変動が単位空間データとして設定した正常変動範囲よりも大きい変化であれば異常と判定しやすいのに対し、正常変動範囲よりも小さな突発的な変化については、誤って正常と判定してしまう可能性がある。一方で、上述の正常変動周期よりも短い時間幅を有するデータを単位空間データに設定した場合には、上述した突発的な変化を異常と判定できたとしても、正常変動を異常と誤判定してしまったり、単位空間の更新周期またはそれ以上の長い時間をかけて徐々に変化する経年劣化などの異常の兆候については、誤って正常と判定してしまう可能性がある。
　この発明はこのような課題を解決するためになされたものであって、その目的は、単位空間を基準としたマハラノビス距離を用いて診断対象の異常を診断する異常診断方法、異常診断装置および異常診断プログラムにおいて、異常の判定精度を向上させることである。
　本開示に係る異常診断方法は、診断対象の運転状態の異常を診断する異常診断方法であって、診断対象の正常運転データから、診断対象の運転状態を判定するための基準となる単位空間を作成するステップと、診断対象から、複数の評価項目の状態量を有するデータを取得するステップと、作成された単位空間を用いて、取得した前記データのマハラノビス距離を算出するステップと、算出されたマハラノビス距離に基づいて、診断対象の運転状態の異常を判定するステップとを備える。単位空間を作成するステップは、データ長さが互いに異なる複数の単位空間を作成するステップを含む。複数の単位空間を作成するステップは、診断対象から取得されるデータにおける複数の評価項目間の相関係数、およびデータの正常変動周期の少なくとも１つに基づいて、各複数の単位空間のデータ長さを決定するステップを含む。マハラノビス距離を算出するステップは、作成された複数の単位空間を用いて複数のマハラノビス距離を算出するステップを含む。異常を判定するステップは、算出された複数のマハラノビス距離に基づいて異常を判定するステップを含む。
　本開示に係る異常診断方法は、診断対象の運転状態の異常を診断する異常診断方法であって、診断対象の正常運転データから、診断対象の運転状態を判定するための基準となる単位空間を作成するステップと、診断対象から、複数の評価項目の状態量を有するデータを取得するステップと、作成された単位空間を用いて、取得したデータのマハラノビス距離を算出するステップと、算出されたマハラノビス距離に基づいて、診断対象の運転状態の異常を判定するステップとを備える。単位空間を作成するステップは、データ長さが互いに異なる複数の単位空間を作成するステップを含む。マハラノビス距離を算出するステップは、作成された複数の単位空間を用いて同一の診断時刻のデータに対して、複数のマハラノビス距離を算出するステップを含む。異常を判定するステップは、算出された複数のマハラノビス距離に基づいて異常を判定するステップを含む。
　本開示によれば、単位空間を基準としたマハラノビス距離を用いて診断対象の異常を診断する異常診断装置、異常診断方法および異常診断プログラムにおいて、異常の判定精度を向上させることができる。
実施の形態１に係る異常診断装置の機能的構成を示すブロック図である。 単位空間のデータ長さを決定する第１の方法の処理手順を説明するためのフローチャートである。 図２のステップＳ０２の処理を説明するための図である。 図２のステップＳ０４の処理を説明するための図である。 単位空間のデータ長さを決定する第２の方法の処理手順を説明するためのフローチャートである。 単位空間の更新周期を決定する第１の方法の処理手順を説明するためのフローチャートである。 図６のステップＳ２５の処理を説明するための図である。 単位空間の更新周期を決定する第２の方法の処理手順を説明するためのフローチャートである。 実施の形態１に係る異常診断装置のハードウェア構成例を示すブロック図である。 実施の形態１に係る異常診断装置の作用効果を説明するための図である。 実施の形態１に係る異常診断装置の作用効果を説明するための図である。 実施の形態１に係る異常診断装置の作用効果を説明するための図である。 実施の形態２に係る異常診断方法を説明するための図である。 実施の形態２に係る異常診断装置の作用効果を説明するための図である。 実施の形態２に係る異常診断装置の作用効果を説明するための図である。 単位空間データの更新方法の処理手順を説明するための図である。 単位空間データの第１の更新方法の処理手順を説明するための図である。 単位空間データの第１の更新方法の処理手順を説明するための図である。 単位空間データの第２の更新方法の処理手順を説明するための図である。 単位空間データの第２の更新方法の処理手順を説明するための図である。 単位空間データの第２の更新方法の処理手順を説明するための図である。 マハラノビス距離の閾値を決定する方法を説明するための図である。
　以下に、本開示の実施の形態について図面を参照して詳細に説明する。なお、以下では図中の同一または相当部分には同一符号を付してその説明は原則的に繰返さないものとする。
　実施の形態１．
　［Ａ．異常診断装置の機能的構成］
　最初に、実施の形態１に係る異常診断装置の機能的構成について説明する。
　図１は、実施の形態１に係る異常診断装置の機能的構成を示すブロック図である。実施の形態１に係る異常診断装置１は、診断対象の設備または機器（以下、単に「設備」とも総称する）から取得される時系列データを解析することにより、当該設備の運転状態が正常であるか否かを判定し、その判定結果を出力するように構成される。
　診断対象となる設備は、たとえば、発電機、ＦＡ（ファクトリオートメーション）機器、受配電機器、昇降機および鉄道用電気機器などの機器またはプラントである。本願明細書では、異常診断装置１を、発電機の状態監視および異常診断に適用する構成について例示する。
　図１を参照して、異常診断装置１は、データ読み取り部２と、データ表示部３と、単位空間定義部４と、単位空間データ作成部５と、診断部６と、異常判定部７と、単位空間用データ蓄積部８と、判定結果出力部９とを備える。
　（Ａ－１）データ読み取り部
　データ読み取り部２は、診断対象設備・機器から取得される時系列データを読み取る。当該データは、複数の評価項目の状態量を含んでいる。本願明細書において、「評価項目」は、診断対象設備・機器から取得される複数種類の時系列データの物理量の名称であり、マハラノビス距離の算出に用いる項目である。発電機を例に説明すると、運転データとして、発電機の出力、回転速度ならびに電圧および電流などの評価項目を含み、計測データとして、発電機に取り付けられたセンサにより計測される発電機を構成する機器や部品の温度および振動などの評価項目を含む。なお、これらの評価項目は例示であって、運転データおよび計測データの項目数は限定されるものではない。データ読み取り部２は、読み取りデータをデータ表示部３、単位空間定義部４および診断部６へ送信する。
　（Ａ－２）データ表示部
　データ表示部３は、データ読み取り部２から受信した読み取りデータを、時系列データとしてグラフ化して表示する。
　（Ａ－３）単位空間定義部
　単位空間定義部４は、データ読み取り部２から受信した読み取りデータを用いて、診断に用いる単位空間のデータ長さおよび単位空間の更新周期を決定する。本願明細書において「単位空間」は、診断対象の運転状態を判定するための基準となる。単位空間は、正常運転時の運転データおよび計測データ（以下、「正常運転データ」とも称する）から作成される。単位空間は、単位空間定義部４で決定されたデータ長さの正常運転データから作成されるとともに、単位空間定義部４で決定された更新周期に従って周期的に更新される。
　後述するように、異常診断装置１は、互いにデータ長さが異なる複数の単位空間を用いて、異常を診断するように構成される。そのため、単位空間定義部４は、診断に用いられる複数の単位空間の各々について、データ長さおよび更新周期を決定するように構成される。
　具体的には、単位空間定義部４は、データ長さ決定部１０と、更新周期決定部１１とを有する。データ長さ決定部１０は、単位空間のデータ長さを決定する。すなわち、単位空間として定義するデータ範囲を決定する。更新周期決定部１１は、単位空間の更新周期を決定する。本願明細書において「単位空間データの長さ」とは、単位空間に用いるデータの時間幅またはデータの点数である。「単位空間の更新周期」とは、同じ単位空間を用いて診断を行なう時間幅である。
　（ａ）データ長さ決定部
　データ長さ決定部１０は、読み取りデータのうちの正常運転データを用いて、単位空間のデータ長さを決定する。なお、データ長さ決定部１０は、必要に応じて、正常運転データに対して任意の演算処理が施されたデータを用いることができる。任意の演算処理とは、たとえば、微分、移動平均もしくは、複数の評価項目間の時系列データの和、差または平均などの処理である。
　データ長さ決定部１０は、診断に用いる複数の単位空間にそれぞれ対応して、複数のデータ長さを決定する。単位空間のデータ長さの決定には、（１）読み取りデータの複数の評価項目間の相関係数に基づいて決定する方法、（２）診断対象の設備の特性に応じて、読み取りデータの正常変動周期に基づいて決定する方法、の少なくとも１つが用いられる。
　最初に、（１）読み取りデータの複数の評価項目間の相関係数（相関行列）に基づいて単位空間のデータ長さを決定する方法の例について説明する。図２は、当該決定方法の処理手順を説明するためのフローチャートである。
　図２を参照して、データ長さ決定部１０は、ステップＳ０１により、データ読み取り部２から受信した読み取りデータの中から、任意の期間における正常運転データを取得する。正常運転データとは、異常または不具合が起きていないときの運転状態において取得される運転データおよび計測データであり、複数の評価項目の状態量を含んでいる。また、任意の期間は、数日、数ヶ月または数年とすることができる。なお、期間が長くなるほど、診断精度を向上させることができる。
　データ長さ決定部１０は、ステップＳ０２により、ステップＳ０１で取得した正常運転データを、任意の複数のデータ長さで分割し、分割したデータ毎に複数の評価項目間の相関係数を求める。
　任意の複数のデータ長さは、たとえば、７２０点、１４４０点、４３２０点、１４４００点、４３２００点のように、測定時間または測定日数の定数倍となるように決定することができる。なお、７２０点は、データのサンプリング周期が１分とした場合の１２時間分のデータ点数に相当する。１４４０点は１日分のデータ点数に相当し、４３２０点は３日分のデータ点数に相当する。１４４００点は１０日分のデータ点数に相当し、４３２００点は３０日分のデータ点数に相当する。
　図３には、時系列で表示されたある期間の正常運転データを、任意のデータ長さａ，ｂ，ｃ，ｄで分割した例が示される。データ長さｂはデータ長さａの２倍であり、データ長さｃはデータ長さａの６倍であり、データ長さｄはデータ長さａの１２倍である。図３の例では、ある１つの評価項目の時系列データを分割しているが、実際には複数の評価項目の時系列データが存在するため、その他の評価項目の時系列データも上記評価項目の時系列データと同様に分割される。
　データ長さ決定部１０は、分割したデータ毎に、当該分割したデータに含まれる複数の評価項目間の相関係数を求める。相関係数は、２項目間の直線的な関係性の強さを示す指標である。２項目間の正の相関が強くなるに従って相関係数は１に近づき、負の相関が強くなるに従って相関係数は－１に近づく。２項目間にほとんど相関がない場合、相関係数は０に近い値となる。
　なお、１つの分割したデータに含まれる評価項目数が３以上ある場合には、データ長さ決定部１０は、相関行列を求める。相関行列は、相関係数を配列した行列であり、対角行列である。同じ項目同士の相関係数は１となるため、相関行列の対角成分はすべて１となる。相関係数および相関行列は周知の方法を用いて求めることができる。
　図２に戻って、データ長さ決定部１０は、ステップＳ０３により、同一データ長さ毎に、ステップＳ０２で求めた相関係数のばらつきを算出する。相関係数のばらつきは、同一項目の相関係数の（相関行列の同じ成分の）分散または標準偏差を用いて算出することができる。ステップＳ０３において相関係数のばらつきを求めるデータ数は、分割データのすべてとしてもよい。あるいは、相関係数のばらつきを求めるデータ数を、データ長さが最も長い、言い換えれば分割データ数が最も少ないもののデータ数に合わせてもよい。図３の例では、最も分割データ数が少ないデータ長さｄの分割データ数で、相関係数のばらつきを求めてもよい。
　データ長さ決定部１０は、ステップＳ０４により、ステップＳ０３で求めた相関係数のばらつきとデータ長さとの関係を求める。たとえば、データ長さ決定部１０は、図４に示されるような、相関係数のばらつきを縦軸とし、データ長さを横軸としたグラフを作成する。このグラフでは、データ長さ毎に相関係数のばらつきがプロットされている。
　相関係数のばらつきとして、１つのデータ長さについて求められたすべての（複数の評価項目間のすべての）相関係数のばらつきの平均値を用いてもよいし、当該すべての相関係数のばらつきの最大値を用いてもよい。あるいは、当該すべての相関係数のばらつきの中から任意に選択した値、または、任意に選択した複数の相関係数のばらつきの平均値を用いてもよい。
　図４の場合、各データ長さにおける相関係数のばらつきは、当該データ長さを有するデータに含まれる２項目の関係性の強弱のばらつきを示している。データ長さに亘って２項目間の関係性に大きな変動がなければ、相関係数のばらつきは小さくなる一方で、２項目間の関係性が変動すると、相関係数のばらつきは大きくなる。
　図４には、５種類のデータ長さａ～ｅと相関係数のばらつきとの関係が示されている。これによると、データ長さが長くなるに従って、相関係数のばらつきが小さくなっていることが分かる。一方、データ長さが短くなるに従って相関係数のばらつきが大きくなっている。この相関係数のばらつきが大きいデータ長さの単位空間を用いてマハラノビス距離を算出すると、正常なデータであるにもかかわらずマハラノビス距離が大きくなってしまうため、誤って異常と判定してしまう可能性が懸念される。
　図２に戻って、データ長さ決定部１０は、ステップＳ０５により、相関係数のばらつきに対して閾値を設定する。図４の例では、大きさが異なる２つの閾値Ｄ１および閾値Ｄ２が設定されている。データ長さ決定部１０は、相関係数のばらつきが閾値以下となるデータ長さを、診断に用いる単位空間のデータ長さに決定する。
　具体的には、データ長さ決定部１０は、相関係数のばらつきが閾値Ｄ１以下となるデータ長さｃ，ｄ，ｅのうちのデータ長さｃを単位空間のデータ長さに設定することができる。また、データ長さ決定部１０は、相関係数のばらつきが閾値Ｄ２以下となるデータ長さｅを単位空間のデータ長さに決定することができる。
　データ長さ決定部１０は、複数の閾値を設けることにより、データ長さが互いに異なる複数の単位空間を決定してもよい。あるいは、データ長さ決定部１０は、以下に示す、複数の評価項目間の相関係数に基づいて単位空間のデータ長さを決定する別の方法または正常変動周期に基づいて単位空間のデータ長さを決定する方法を併用することにより、複数の単位空間のデータ長さを決定してもよい。
　複数の評価項目間の相関係数に基づき単位空間のデータ長さを決定する別の方法としては、相関係数の変化から単位空間のデータ長さを決定する方法がある。複数の評価項目から構成される時系列データのデータ数を１ずつ増やし、データが増える毎に時系列データを構成する複数の評価項目間の相関係数（または相関行列）を求める。相関係数とデータ数との関係を評価し、相関係数が一定の値に収束するデータ数を単位空間のデータ長さとしてもよい。あるいは、相関係数の変化率とデータ数との関係を評価し、相関係数の変化率が０に収束するデータ数を、単位空間のデータ長さとしてもよい。
　ここで、相関係数およびその変化率は、前述のように、評価項目数に応じて複数存在するため、全ての評価項目間の相関係数（またはその変化率）の平均値としてもよく、変化が最大の相関係数（またはその変化率）、任意に選択した相関係数（またはその変化率）またはその平均値としてもよい。以上のように複数の評価項目間の相関係数に基づき単位空間のデータ長さを決定する。
　次に、（２）読み取りデータの正常変動周期に基づいて単位空間のデータ長さを決定する方法について説明する。図５は、当該決定方法の処理手順を説明するためのフローチャートである。
　図５を参照して、データ長さ決定部１０は、図２と同じステップＳ０１により、任意の期間における正常運転データを取得する。
　データ長さ決定部１０は、ステップＳ１２により、ステップＳ０１で取得した正常運転データの変動周期を分析する。正常運転データの変動周期の分析は、汎用の解析ソフトなどの周知技術を用いて行なうことができる。
　データ長さ決定部１０は、ステップＳ１３により、ステップＳ１２の分析によって得られた正常運転データの変動周期またはその定数倍を単位空間のデータ長さに決定する。データ長さ決定部１０は、上述した複数の評価項目間の相関係数に基づいて決定された単位空間のデータ長さを併用することにより、複数の単位空間のデータ長さを決定してもよい。
　（ｂ）更新周期決定部
　図１に戻って、更新周期決定部１１は、読み取りデータのうちの正常運転データを用いて、単位空間の更新周期を決定する。単位空間の更新周期とは、上述したように、同じ単位空間を用いて診断を行なう時間幅である。したがって、決定した更新周期に基づいた更新時期に到達すると、新たな単位空間を用いて診断が行なわれることになる。
　単位空間を更新する理由は、診断対象の設備におけるデータ変動に、季節変動などの異常でない正常変動が含まれる場合、単位空間を更新せずに診断を行なうと、正常なデータ変動を異常と誤って判定してしまう、あるいは、異常なデータ変動を正常と誤って判定してしまう可能性があるためである。
　更新周期の決定には、（１）読み取りデータの複数の評価項目間の相関係数（相関行列）に基づいて決定する方法、（２）診断対象の設備の特性に応じて、読み取りデータの正常変動周期に基づいて決定する方法、の少なくとも１つが用いられる。
　最初に、（１）読み取りデータの評価項目間の相関係数に基づいて単位空間の更新周期を決定する方法について説明する。図６は、当該決定方法の処理手順を説明するためのフローチャートである。
　図６を参照して、更新周期決定部１１は、図２と同じステップＳ０１により、任意の期間における正常運転データを取得する。
　更新周期決定部１１は、Ｓ２２により、取得した正常運転データを、データ長さ決定部１０で決定した単位空間のデータ長さで分割し、分割したデータ毎に複数の評価項目間の相関係数（または相関行列）を求める。
　更新周期決定部１１は、ステップＳ２３により、ステップＳ２２で求めた相関係数を、相関係数の作成に用いた正常運転データの時刻に基づいて、時系列順にプロットする。正常運転データの時刻とは、たとえば、相関係数を求めた時系列データの開始時刻、終了時刻または、開始時刻および終了時刻の間の中央の時刻などのうちのいずれかを用いることができる。
　更新周期決定部１１は、ステップＳ２４により、ステップＳ２３にて作成した相関係数の時系列プロットにおいて、相関係数の変化量と時間変化量との関係を求める。相関係数の変化量は、相関係数の時系列変化を時間微分した値を用いてもよく、時刻ｔにおける相関係数と、時刻ｔ－ｍ（ｍは任意の定数）における相関係数との差を用いてもよい。
　図７には、時刻ｔにおける相関係数と、時刻ｔ－ｍ（ｍは任意の定数）における相関係数との差として求めた相関係数の変化量と時間変化量ｍとの関係をプロットしたグラフが示される。図７の縦軸は相関係数の変化量を示し、横軸は時間変化量を示す。
　更新周期決定部１１は、ステップＳ２５により、相関係数の変化量が予め決定した閾値以下となる時間変化量を、更新周期とする。相関係数の変化量は、診断に使用する項目数に応じて複数個求められるが、全ての相関係数の変化量の平均値も用いてもよいし、最大値を用いてもよい。あるいは、任意の相関係数の変化量を用いてもよく、任意に選択した複数の相関係数の変化量の平均値を用いてもよい。
　次に、（２）読み取りデータの正常変動周期に基づいて単位空間のデータ長さを決定する方法について説明する。図８は、当該決定方法の処理手順を説明するためのフローチャートである。
　図８を参照して、更新周期決定部１１は、図２と同じステップＳ０１により、任意の期間における正常運転データを取得する。
　更新周期決定部１１は、図５と同じステップＳ１２により、ステップＳ０１で取得した正常運転データの変動周期を分析する。変動周期の分析は、汎用の解析ソフトなどの周知技術を用いて行なうことができる。
　更新周期決定部１１は、ステップＳ３３により、ステップＳ１２の分析により得られた正常運転データの変動周期またはその定数倍を単位空間の更新周期に決定する。
　（Ａ－４）単位空間データ作成部
　図１に戻って、単位空間データ作成部５は、単位空間定義部４で決定された単位空間のデータ長さおよび更新周期に基づいて、単位空間データを作成する。なお、単位空間データとは、単位空間を構成するデータを意味し、以降、単位空間と同じ意味で使用する。初回の（単位空間データ蓄積部８にデータが蓄積されていない状態での）診断では、単位空間データ作成部５は、読み取りデータから、単位空間定義部４で決定されたデータ長さの正常運転データを切り出し、切り出した正常運転データを単位空間データとする。
　更新周期決定部１１で決定した更新周期に基づいて設定された更新時期まで診断が到達すると、単位空間データ作成部５は、マハラノビス・タグチ（ＭＴ）法による診断済みのデータのうち、マハラノビス距離が閾値以下となった（すなわち正常と判定された）データを用いて、更新時期以降の診断に用いる単位空間を作成する。具体的には、単位空間データ作成部５は、更新時期に到達すると、単位空間用データ蓄積部８に蓄積されたデータのうち、正常と判定されたデータから、単位空間定義部４で決定されたデータ長さのデータを切り出し、切り出したデータを単位空間データとする。
　（Ａ－５）診断部
　診断部６は、単位空間データ作成部５により作成された単位空間と、データ読み取り部２で読み取られ、必要に応じて前処理が施されたデータとを用いて、ＭＴ法によりマハラノビス距離を求める。マハラノビス距離は、公知の方法によって算出することができる。なお、診断部６は、ある診断時刻のデータに対して、単位空間の数に応じて複数のマハラノビス距離を求める。
　（Ａ－６）異常判定部
　異常判定部７は、診断部６により求められた複数のマハラノビス距離に基づいて、診断対象の設備の運転状態における異常の有無を判定する。具体的には、異常判定部７は、複数の単位空間を用いてそれぞれ算出された複数のマハラノビス距離と、予め設定された閾値とを比較することにより、設備の運転状態の異常の有無を判定する。
　異常判定部７は、複数のマハラノビス距離に基づいた複数の判定結果を総合して、設備の運転状態の異常の有無を判定する。具体的には、異常判定部７は、互いに長さが異なる複数の単位空間を用いて診断する場合、複数の単位空間に対応する複数のマハラノビス距離のうちの少なくとも１つのマハラノビス距離が閾値以上となった場合に、設備の運転状態が異常であると判定する。
　（Ａ－７）単位空間用データ蓄積部
　単位空間用データ蓄積部８は、診断部６によって診断がなされた、複数の評価項目の状態量を有するデータにそれらのマハラノビス距離を紐付けて蓄積する。
　単位空間データ作成部５は、単位空間用データ蓄積部８に蓄積されたデータのうち、マハラノビス距離が閾値以下であるものを用いて、各更新時期以降の診断に用いる単位空間を作成する。単位空間の更新時期が到来した場合には、単位空間データ作成部５は、単位空間用データ蓄積部８に蓄積されたデータから、データ長さ決定部１０で決定されたデータ長さを有するデータを切り取ることにより、単位空間を作成し、単位空間を更新する。したがって、診断部６は、更新された単位空間を用いてマハラノビス距離を求めることになる。
　上述した単位空間用データ蓄積部８におけるデータの蓄積と、単位空間データ作成部５における単位空間の更新とは繰り返し実行される。
　（Ａ－８）判定結果出力部
　判定結果出力部９は、異常判定部７における判定結果を出力する。判定結果出力部９は、たとえば、表示部を有しており、複数の単位空間を用いてそれぞれ求められた複数のマハラノビス距離の時系列変化を表示部に表示する。判定結果出力部９は、さらに、すべてのマハラノビス距離に基づいて判定された、診断対象の運転状態の有無についての判定結果を表示部に表示する。判定結果出力部９は、これらの判定結果を表示部に表示するとともに、図示しない通信手段を用いて外部の装置に送信する構成としてもよい。
　［Ｂ．異常診断装置のハードウェア構成例］
　次に、実施の形態１に係る異常診断装置のハードウェア構成例について説明する。
　図９は、実施の形態１に係る異常診断装置のハードウェア構成例を示すブロック図である。図９を参照して、異常診断装置１は、ＣＰＵ（Central　Processing　Unit）２０と、プログラムおよびデータを格納するメモリとを備えており、ＣＰＵ２０が当該プログラムに従って動作することにより、図１に示す機能的構成が実現される。
　メモリは、ＲＯＭ（Read　Only　Memory）２１、ＲＡＭ（Random　Access　Memory）２２およびＨＤＤ（Hard　Disk　Drive）２３を含む。ＲＯＭ２１は、ＣＰＵ２０にて実行されるプログラムを格納することができる。ＲＡＭ２２は、ＣＰＵ２０におけるプログラムの実行中に利用されるデータを一時的に格納することができ、作業領域として利用される一時的なデータメモリとして機能することができる。ＨＤＤ２３は、不揮発性の記憶装置であり、データ読み取り部２による読み取りデータ、単位空間作成用のデータおよび、異常判定部７における判定結果などを格納することができる。ＨＤＤに加えて、あるいは、ＨＤＤに代えて、フラッシュメモリなどの半導体記憶装置を採用してもよい。
　異常診断装置１は、さらに、通信インターフェイス（Ｉ／Ｆ）２４、Ｉ／Ｏ（Input／Output）インターフェイス２５、入力部２６および表示部２７を含む。通信インターフェイス２４は、異常診断装置１が診断対象の設備を含む外部機器と通信するためのインターフェイスである。通信インターフェイス２４は「データ読み取り部２」の一実施例に対応する。
　Ｉ／Ｏインターフェイス２５は、異常診断装置１への入力または異常診断装置１からの出力のインターフェイスである。図９に示すように、Ｉ／Ｏインターフェイス２５は、入力部２６および表示部２７に接続される。
　入力部２６は、ユーザからの異常診断装置１に対する指示を含む入力を受け付ける。入力部２６は、キーボード、マウスおよび、表示部の表示画面と一体的に構成されたタッチパネルなどを含み、単位空間定義部４および異常判定部７で用いられる閾値の設定などを受け付ける。
　表示部２７は、「データ表示部３」および「判定結果出力部９」の一実施例に対応する。表示部２７は、診断対象から取得された時系列データおよび異常判定部７における判定結果などを表示することができる。
　［Ｃ．作用効果］
　次に、実施の形態１に係る異常診断装置１が奏する作用効果について説明する。
　上述したように、実施の形態１に係る異常診断装置１は、互いにデータ長さが異なる複数の単位空間を用いて診断対象の異常を診断するように構成される。これによると、時系列データの正常な変動を異常と判定せずに、事故または故障の前兆となる異常の兆候を適切に判定することができる。この作用効果を図１０から図１２を用いて詳細に説明する。
　図１０（Ａ）には、季節変動などの正常な変動を有する時系列データの波形が示される。図１０および以降の図面では、説明の容易化のため、複数の評価項目のうちの１つの評価項目の時系列データの波形を示すものとする。
　図１０（Ｂ）には、正常な変動より小さい突発的な変化（図中の領域Ｒ１に相当）が生じている時系列データの波形が示される。図１０（Ｃ）には、正常な変動より大きい長期的な変化（図中の領域Ｒ２に相当）が生じている時系列データの波形が示される。
　診断対象の異常を高い精度で判定するためには、図１０（Ａ）に示される正常な変動を異常と判定せずに、図１０（Ｂ）および図１０（Ｃ）に示される変化の両方を異常と判定することが求められる。
　図１１には、正常運転データの変動周期程度のデータ長さを有する単位空間を用いて、図１０（Ｂ），（Ｃ）の時系列データに基づいて異常を診断する場合が示される。図１１（Ａ）は図１０（Ｂ）の時系列データに基づいた異常診断を示し、図１１（Ｂ）は図１０（Ｃ）の時系列データに基づいた異常診断を示している。
　図１１（Ａ）に示すように、データ長さが長い単位空間を用いて異常を診断する場合、正常な変動より小さい突発的な変化は単位空間内に収まってしまうため、マハラノビス距離に基づいて当該変化を検知することができない。これに対して、図１１（Ｂ）に示すように、正常な変動より大きい長期的な変化は単位空間の外部に及ぶため、マハラノビス距離に基づいて当該変化を検知することができる。
　図１２には、正常運転データの変動周期よりも十分に短いデータ長さを有する単位空間を用いて、図１０（Ｂ），（Ｃ）の時系列データに基づいて異常を診断する場合が示される。図１２（Ａ）は図１０（Ｂ）の時系列データに基づいた異常診断を示し、図１２（Ｂ）は図１０（Ｃ）の時系列データに基づいた異常診断を示している。
　図１２（Ａ）に示すように、データ長さが短い単位空間を用いて異常を診断する場合、正常な変動より小さい突発的な変化は単位空間の外部に及ぶため、マハラノビス距離に基づいて当該変化を検知することができる。これに対して、図１２（Ｂ）に示すように、長期的な変化は、徐々に値が変化するため、データ長さが短い単位空間を用いた診断では、単位空間を構成するデータの値と診断対象データの値とが似通っているため、マハラノビス距離の増大が小さくなり、結果的に異常と判定されずに単位空間が更新されることになる。これによると、異常を含んだ単位空間を用いて診断を継続することになり、異常を検知できない場合が生じる。
　このように、単一の単位空間を用いて異常を診断する構成では、様々な異常変動に対応することができない。これに対して、実施の形態１に係る異常診断装置１では、データ長さが互いに異なる複数の単位空間を用いる。すなわち、複数の単位空間には、図１１に示されるデータ長さが長い単位空間および、図１２に示されるデータ長さが短い単位空間が含まれている。したがって、複数の単位空間の少なくとも１つを用いた診断において異常な変動を検知することができる。これによると、実施の形態１に係る異常診断装置１は、様々な異常変動に対応することができるため、高い精度で異常を判定することが可能となる。
　実施の形態２．
　上述した実施の形態１では、データ長さが互いに異なる複数の単位空間を用いて、設備の異常を診断する構成について説明した。実施の形態２では、更新周期よりも長い時間をかけて緩やかに変化する経年劣化などの異常変動であっても検出を可能とすることを目的とした構成について説明する。具体的には、データ収集時期が互いに異なる複数の単位空間を用いて、設備の異常を診断する構成を説明する。なお、実施の形態１と重複しており、実施の形態１にて既に説明した事項については、説明を省略する。
　［Ｄ．異常診断装置の機能的構成］
　実施の形態２では、単位空間データ作成部５（図２参照）は、上述した方法を用いて決定したデータ長さを有する単位空間を作成する際、データ収集時期の異なる複数の単位空間からなる単位空間群を作成する。
　たとえば、データ長さを４３２００点とした場合、単位空間データ作成部５は、データ収集時期が互いに異なる３つの単位空間を作成する。４３２００点は、データのサンプリング周期が１分とした場合の３０日分のデータ点数に相当する。
　第１の単位空間は、データ取得開始時刻（以下、単位空間開始時刻とも称する）を診断開始時刻に対して３０日前とし、３０日前から診断開始時刻までの３０日分のデータ点数を有する。第２の単位空間は、単位空間開始時刻を診断開始時刻に対して６０日前とし、６０日前から３０日前までの３０日分のデータ点数を有する。第３の単位空間は、単位空間開始時刻を診断開始時刻に対して９０日前とし、９０日前から６０日前までの３０日分のデータ点数を有する。
　なお、単位空間開始時刻は、診断開始時刻から単位空間のデータ長さ（たとえば３０日分）よりも長い時間遡った時刻として、任意に決定することができる。また、第２の単位空間および第３の単位空間の開始時刻は、単位空間の更新周期よりも長い時間遡った時刻とすることが望ましい。本実施の形態では、過去に遡った３つの時期に対応する３つの単位空間を例示しているが、単位空間の数はこれに限らない。
　診断部６（図１参照）は、単位空間データ作成部５により作成された３つの単位空間の各々について、同一の診断時刻におけるマハラノビス距離を求める。すなわち、診断部６は、第１の単位空間に基づいた第１のマハラノビス距離、第２の単位空間に基づいた第２のマハラノビス距離、および第３の単位空間に基づいた第３のマハラノビス距離を求める。
　異常判定部７（図１参照）は、上記３つのマハラノビス距離の変化量に基づいて、設備の異常を判定する。図１３は、異常の判定方法を説明するための図である。図１３には、第１から第３の単位空間にそれぞれ対応する第１から第３のマハラノビス距離が示されている。マハラノビス距離の変化量は、第１から第３のマハラノビス距離の変動幅に相当する。図１３の例では、マハラノビス距離の変化量は、最小値である第１のマハラノビス距離と、最大値である第３のマハラノビス距離との差に相当する。
　異常判定部７は、マハラノビス距離の変化量が予め設定された閾値より大きい場合に、設備の運転状態が異常であると判定する。なお、異常判定部７は、データ収集時期の異なる複数の単位空間を用いた診断に加えて、実施の形態１による診断を併用することによって、設備の異常を診断する構成としてもよい。
　［Ｅ．作用効果］
　次に、実施の形態２に係る異常診断装置が奏する作用効果について説明する。以下の説明では、データ収集時期が互いに異なる３つの単位空間を用いて診断対象の異常を診断する場合を想定する。
　図１４には、２種類の時系列データの波形が示される。波形Ａは、正常な変動を有する時系列データの波形である。波形Ｂは、波形Ａと近似した変動を有するが、データの大きさが緩やかに増加している。この緩やかな変動は、単位空間の更新周期よりも長い時間をかけて緩やかに変化する経年劣化などの異常変動に相当する。
　第１の単位空間は、診断区間の開始時刻の直近の正常運転データにより作成されている。第２の単位空間は、第１の単位空間よりも遡った正常運転データにより作成されている。第３の単位空間は、第２の単位空間よりもさらに遡った正常運転データにより作成されている。第１から第３の単位空間は、正常運転データの収集時期が互いに異なっている。
　診断部６（図１参照）は、診断区間におけるデータと、第１から第３の単位空間の各々とを用いて、ＭＴ法によりマハラノビス距離を算出する。図１５に、図１４の波形Ａおよび波形Ｂの各々について算出されたマハラノビス距離を示す。各波形において、第１の単位空間を用いて算出されたマハラノビス距離、第２の単位空間を用いて算出されたマハラノビス距離、および第３の単位空間を用いて算出されたマハラノビス距離が示されている。
　波形Ａでは、３つのマハラノビス距離は同等の大きさを有しており、単位空間のデータ収集時期によってマハラノビス距離は変化していない。これに対して、波形Ｂでは、第３の単位空間におけるマハラノビス距離が最も大きく、第１の単位空間におけるマハラノビス距離が最も小さくなっている。このように、時系列データに経年劣化による異常変動がある場合には、単位空間のデータ収集時期によってマハラノビス距離が変化する。
　異常判定部７（図１参照）は、上記３つのマハラノビス距離の変化量に基づいて、診断対象の異常を判定する。マハラノビス距離の変化量は、第１から第３のマハラノビス距離の変動幅に相当する。異常判定部７は、マハラノビス距離の変化量が予め設定された閾値より大きい場合に、設備の運転状態が異常であると判定する。
　図１５の例では、第１の単位空間のみを用いて波形Ｂの時系列データのマハラノビス距離を求めた場合、正常な変動を有する波形Ａと、異常な変動を有する波形Ｂとはマハラノビス距離が等しくなっている。そのため、波形Ｂの異常な変動を検知することができない。
　これに対して、本実施の形態２では、第１の単位空間よりもデータ収集時期が遡った第２の単位空間および第３の単位空間を用いてマハラノビス距離を求めることで、波形Ａおよび波形Ｂのマハラノビス距離に差が現れている。このように、データ収集時期が互いに異なる複数の単位空間を用いて同一の診断区間のマハラノビス距離を求めることによって、マハラノビス距離の変化量に基づいて、経年劣化による異常な変動を検知することができる。
　実施の形態３．
　実施の形態３では、実施の形態１における単位空間の更新方法について説明する。単位空間の更新は、単位空間データ作成部５（図１参照）により実行される。なお、本実施の形態で用いる単位空間のデータ長さおよび更新周期は、実施の形態１で説明した方法により、単位空間定義部４で決定されたデータ長さ（データ数）および更新周期であるとする。
　図１６は、単位空間の更新方法の処理手順を説明するための図である。図１６（Ａ）から図１６（Ｃ）には、診断を開始してから更新時期に到達するごとに単位空間が更新される様子が段階的に示されている。
　まず図１６（Ａ）に示すように、診断が開始されると、診断部６により、診断開始時点から１回目の更新時期に到達する時点（以下、「第１更新時期」とも称する）まで診断が行なわれる。この初回の診断に用いられる単位空間（以下、「第１の単位空間」とも称する）は、読み取りデータから、単位空間定義部４で決定されたデータ長さ（以下、「単位空間データ数」とも称する）の正常運転データを切り出したものである。
　診断開始後、第１更新時期に到達すると、単位空間データ作成部５は、初回の診断に用いた第１の単位空間を破棄するとともに、第１更新時期以降の第２の診断に用いる単位空間（以下、「第２の単位空間」とも称する）を新規に作成する。
　図１６（Ｂ）には、第２の単位空間の作成方法が示される。単位空間データ作成部５は、診断開始時点から第１更新時期の間に単位空間データ蓄積部８に蓄積されたデータのうち、マハラノビス距離が予め定めた閾値以下であるデータを用いて、第２の単位空間を作成する。したがって、第１の単位空間を構成するデータ（第１の単位空間データ）はすべて破棄され、第２の単位空間には用いないこととなる。
　具体的には、単位空間データ作成部５は、診断開始時点から第１更新時期までの期間のデータのうち、ＭＴ法により算出されたマハラノビス距離が閾値以下となった（すなわち正常と判定された）データを抽出する。さらに、単位空間データ作成部５は、この抽出したデータの中から、第１更新時期に最も近い日時（最新の日時）のデータから過去に遡り、単位空間データ数分のデータを抽出し、第２の単位空間を新規に作成する。診断部６は、この第２の単位空間を用いて第２の（第１更新時期以降の）診断を行なう。
　第２の診断開始後、２回目の更新時期（以下、「第２更新時期」とも称する）に到達すると、単位空間データ作成部５は、第２の診断に用いた第２の単位空間を破棄する。そして、単位空間データ作成部５は、第２更新時期以降の第３の診断に用いる単位空間（以下、「第３の単位空間」とも称する）を新規に作成する。
　図１６（Ｃ）には、第３の単位空間の作成方法が示される。単位空間データ作成部５は、第２の診断開始時点から第２更新時期の間に単位空間データ蓄積部８に蓄積されたデータのうち、マハラノビス距離が予め定められた閾値以下であるデータを用いて、第３の単位空間を作成する。したがって、第２の単位空間を構成するデータ（第２の単位空間データ）はすべて破棄され、第３の単位空間には用いないこととなる。
　具体的には、単位空間データ作成部５は、第１更新時期（第２の診断開始時点）から第２更新時期までの期間のデータのうち、マハラノビス距離が閾値以下となった（すなわち正常と判定された）データを抽出する。さらに、単位空間データ作成部５は、抽出したデータの中から、第２更新時期に最も近い日時（最新の日時）のデータから過去に遡り、単位空間データ数分のデータを抽出し、第３の単位空間を新規に作成する。診断部６は、この第３の単位空間を用いて、第３の（第２更新時期以降の）診断を行なう。
　第３の診断の開始時点以降、単位空間データ作成部５は、更新時期に到達するごとに、上述した手順を繰り返すことによって、周期的に単位空間を更新する。診断部６は、周期的に更新される単位空間を用いて診断を継続する。そのため、更新周期は、単位空間データ数と同じか、または単位空間データ数よりも長くすることが望ましい。また、複数の単位空間を用いた診断においても、各単位空間が同様の手順を用いて周期的に更新される。更新された複数の単位空間を用いて診断が行なわれる。
　このように、更新時期に到達するたびに、それまでの診断に用いた単位空間を破棄し、過去の診断に用いた単位空間データ（単位空間を構成するデータ）を再度使用することなく、直近に設備から取得されたデータのうちマハラノビス距離が閾値以下であるデータを用いて新規に単位空間を作成し更新時期以降の診断に用いる。そのため、診断対象設備の最新の状態が反映された正常データから構成される単位空間を用いて診断を実施することができ、誤判定のない診断が可能となる。
　実施の形態４．
　実施の形態３で説明した単位空間の更新方法においては、診断開始時点から次の更新時期の間に単位空間データ蓄積部８に蓄積されたデータのうち、マハラノビス距離が閾値以下となるデータの数が、予め単位空間定義部４において決定された単位空間データ数に満たない場合が起こり得る。実施の形態４では、このような場合における単位空間の更新方法について説明する。
　実施の形態４に係る単位空間の更新方法には、以下に述べる第１の更新方法および第２の更新方法が存在する。単位空間データ作成部５は、これら２種類の更新方法のいずれかを選択して単位空間を更新することができる。
　（１）第１の更新方法
　図１７および図１８は、単位空間の第１の更新方法の処理手順を説明するための図である。図１７（Ａ）から図１７（Ｃ）および図１８（Ａ）から図１８（Ｃ）には、診断を開始してから更新時期に到達するごとに単位空間が更新される様子が段階的に示されている。
　図１７および図１８は、図１６と比較して、第３の単位空間の作成方法が異なる。具体的には、図１７には、第３の単位空間を作成するためのデータの数が単位空間データ数に満たない場合が示されている。図１８には、図１７に示す場合における第３の単位空間を作成する手順が示されている。なお、図１７（Ａ）および図１７（Ｂ）は、図１６（Ａ）および図１６（Ｂ）と同じであるため、それらについての詳細な説明は繰り返さない。
　図１７（Ｃ）に示すように、第３の単位空間を作成するため、単位空間データ作成部５は、第２の診断開始時点から第２更新時期の間に単位空間データ蓄積部８に蓄積されたデータのうち、マハラノビス距離が閾値以下となった（すなわち正常と判定された）データを抽出する。さらに、単位空間データ作成部５は、抽出したデータの中から、第２更新時期に最も近い日時（最新の日時）のデータから過去に遡り、予め決定された単位空間データ数分のデータを抽出する。
　ここで、マハラノビス距離が閾値以下となったデータ数が単位空間データ数に満たない場合には、単位空間データ作成部５は、図１８（Ａ）に示すように、第２更新時期に到達しても単位空間を更新しないこととする。すなわち、単位空間データ作成部５は、第３の単位空間を新たに作成せず、第２の単位空間を保持する。したがって、診断部６は、第２の単位空間を用いて第２更新時期以降のデータに対しても診断を行なう。この診断を第２'の診断と称する。
　第２'の診断では、診断部６は、第２の単位空間と、第２'の診断開始時点以降にデータ読み取り部２で読み取られ、必要に応じて前処理が施されたデータとを用いて、マハラノビス距離を算出する。
　図１８（Ｂ）に示すように、第２'の診断は、第２の診断開始時点から最新の診断までに（第２の単位空間を用いて診断を行なった期間、すなわち第２の診断と第２'の診断との間に）単位空間データ蓄積部８に蓄積されたデータのうちマハラノビス距離が閾値以下であるデータ数が、単位空間定義部４で予め決定した単位空間データ数と同じになる時点まで継続される。また、このマハラノビス距離が閾値以下であるデータ数が、単位空間データ数と同じになる時点を新たな更新時期とする。
　図１８（Ｃ）では、第２の診断開始時点から新たな更新時期までの（第２の単位空間を用いた診断範囲）のデータのうち、マハラノビス距離が閾値以下となったデータの数が単位空間データ数に達すると、診断部６は第２'の診断を終了する。このとき、単位空間データ作成部５は、新たな更新時期までの診断に使用した単位空間を破棄し、第２の診断開始時点から最新の診断までに（第２の単位空間を用いて診断を行なった期間、すなわち第２の診断と第２'の診断との間に）単位空間データ蓄積部８に蓄積されたデータのうち、マハラノビス距離が閾値以下であるデータを第３の単位空間として新規に作成する。すなわち、単位空間は、本来の第２更新時期から遅れて更新される。診断部６は、第３の単位空間を用いて第３の診断を開始する。
　なお、図１８（Ｃ）において、新たな更新時期以降の更新周期のカウントは、新たな更新時期（新たに作成された第３の単位空間が診断に適用された時点）においてリセットされる。したがって、単位空間データ作成部５は、この時点を起点として更新周期をカウントし、３回目の更新時期（以下、「第３更新時期」とも称する）に到達すると、第３更新時期以降の第４の診断に用いる単位空間（以下、「第４の単位空間」とも称する）を新規に作成する。
　単位空間データ作成部５は、実施の形態３で示した更新方法と、上述した第１の更新方法とを、抽出されるデータ数に応じて切り替えて用いることにより、単位空間を適宜更新する。診断部６は、更新される単位空間を用いて診断を継続して行なう。これによると、マハラノビス距離が閾値以下となったデータのみを用いて単位空間が生成されるため、異常データを含んだ単位空間を用いた診断による誤判定を抑制することができる。また、このように作成する単位空間は最新の設備状態が反映されたものであるため、季節変動などの正常変動を異常と誤判定することを防止することができる。
　（２）第２の更新方法
　図１９から図２１は、単位空間の第２の更新方法の処理手順を説明するための図である。図１９（Ａ）から図１９（Ｃ）、図２０（Ａ）から図２０（Ｃ）および、図２１（Ａ）から図２１（Ｃ）には、診断を開始してから更新周期に到達するごとに単位空間が更新される様子が段階的に示されている。
　図１９および図２０は、図１６と比較して、第３の単位空間の作成方法が異なる。具体的には、図１９および図２０には、第３の単位空間を作成するためのデータの数が単位空間データ数に満たない場合における第３の単位空間を作成する手順が示されている。なお、図１９（Ａ）および図１９（Ｂ）は、図１６（Ａ）および図１６（Ｂ）と同じであるため、それらについての詳細な説明は繰り返さない。
　図１９（Ｃ）に示すように、第３の単位空間を作成するため、単位空間データ作成部５は、第２更新時期に到達すると、これまでの診断に用いた単位空間は破棄し、第２の診断開始時点から第２更新時期の間に単位空間データ蓄積部８に蓄積されたデータのうち、マハラノビス距離が閾値以下となった（すなわち正常と判定された）データを抽出する。さらに、単位空間データ作成部５は、抽出したデータの中から、第２更新時期に最も近い日時（最新の日時）のデータから過去に遡り、予め決定された単位空間データ数分のデータを抽出する。
　第２の更新方法では、マハラノビス距離が閾値以下となったデータ数が予め単位空間定義部４で決定した単位空間データ数に満たない場合であっても、単位空間データ作成部５は、第２更新時期においてそれまでの診断に用いた単位空間を破棄し、第３の単位空間を新規に作成することとする。したがって、診断部６は、第２更新時期以降、第３の単位空間を用いて第３の診断を行なうことになる。
　第２の更新方法は、季節変動周期などに基づいて更新周期を決定している場合のように、予め決定された更新周期を固定して運用することが望ましい場合に適用される。ただし、マハラノビス距離が閾値以下となったデータ数が、マハラノビス距離の算出に用いる評価項目数またはその定数倍よりも少なくなる場合には正確な診断ができなくなる可能性がある。そこで、図１９（Ｃ）に示すように、マハラノビス距離が閾値以下となったデータ数が評価項目数以上またはその定数倍以上であれば、単位空間データ作成部５は、予め決定した単位空間データ数に満たない場合であっても、このマハラノビス距離が閾値以下となったデータを用いて第３の単位空間を作成し、第３の診断に用いる。
　図２０（Ａ）には、第４の単位空間の作成方法が示される。単位空間データ作成部５は、第３の診断開始時点から第３更新時期の間に単位空間データ蓄積部８に蓄積されたデータのうち、マハラノビス距離が閾値以下であるデータを用いて、第４の単位空間を作成する。
　図２０（Ａ）では、第４の単位空間を作成するためのマハラノビス距離が閾値以下であるデータの数が単位空間データ数に満たしておらず、かつ、マハラノビス距離が閾値以下となったデータ数が評価項目数またはその定数倍よりも少ない場合が生じている。このような場合、単位空間データ作成部５は、第３更新時期に到達しても単位空間を更新しないこととする。すなわち、図２０（Ｂ）に示すように、単位空間データ作成部５は、第４の単位空間を新たに作成せず、第３の単位空間を保持する。したがって、図２０（Ｃ）に示すように、診断部６は、第３の単位空間を用いて第３更新時期以降のデータに対しても診断を行なう。すなわち、第３の単位空間を用いて第４の診断を行なうことになる。
　図２１（Ａ）～（Ｃ）には、第４の単位空間の作成方法が示される。第４の診断開始後、４回目の更新時期（以下、「第４更新時期」とも称する）に到達すると、単位空間データ作成部５は、第４の診断開始時点から第４更新時期の間に単位空間データ蓄積部８に蓄積されたデータのうち、マハラノビス距離が閾値以下となった（すなわち正常と判定された）データを抽出する。
　ここで、マハラノビス距離が閾値以下となったデータ数が単位空間定義部４で予め決定した単位空間データ数に満たない場合には、単位空間データ作成部５は、マハラノビス距離が閾値以下となったデータ数が、診断に用いる評価項目数またはその定数倍以上であるか否かを判定する。マハラノビス距離が閾値以下となったデータ数が、診断に用いる評価項目数またはその定数倍以上であることが確認されると、単位空間データ作成部５は、図２１（Ｂ）に示すように、マハラノビス距離が閾値以下となったデータを用いて第４の単位空間を新規に作成する。これにより、診断部６は、第４の単位空間を用いて第５の診断を行なうことになる。
　単位空間データ作成部５は、実施の形態３で示した更新方法と、上述した第２の更新方法とを、抽出されるデータ数に応じて切り替えて用いることにより、単位空間を適宜更新する。診断部６は、更新される単位空間を用いて診断を継続して行なう。これによると、マハラノビス距離が閾値以下となったデータのみを用いて単位空間が生成されるため、異常データを含んだ単位空間を用いた診断による誤判定を抑制することができる。また、このように作成する単位空間は最新の設備状態が反映されたものであるため、季節変動などの正常変動を異常と誤判定することを防止することができる。さらに、季節変動などの周期的な正常の状態変化がある場合であっても、一定の周期で単位空間を更新することができるため、誤判定を防止することができる。
　実施の形態５．
　実施の形態５では、単位空間更新時に単位空間データ蓄積部８に蓄積されるデータの中から，新規に作成する単位空間として使用するものを選択するためのマハラノビス距離の閾値を決定する方法について説明する。図２２は、マハラノビス距離の閾値を決定する方法を説明するための図である。図２２には、マハラノビス距離の度数分布（ヒストグラム）が例示されている。図２２のヒストグラムは、異常が発生しておらず正常状態であることが既知の任意の期間におけるデータに対して診断を行ない、求められたマハラノビス距離のヒストグラムである。ヒストグラムの横軸はマハラノビス距離の区分を表し、縦軸は各区分に含まれるマハラノビス距離の相対度数、および累積相対度数を表す。
　実施の形態５では、マハラノビス距離の累積相対度数に対してマハラノビス距離の閾値を決定するための判定値を予め設定しておく。そして、累積相対度数が判定値となるときのマハラノビス距離を、マハラノビス距離の閾値と決定する。図２２の例では、累積相対度数の判定値を９５％としている。累積相対度数が９５％となるときのマハラノビス距離を閾値として決定することができる。このように、正常状態が既知であるデータから求めたマハラノビス距離のヒストグラムに基づいて閾値を決定することにより、診断対象設備または機器に応じて最適な閾値を決定することができ、誤判定を防止することが可能となる。
　なお、以上説明した複数の実施の形態について、明細書内で言及されていない組み合わせを含めて、不整合または矛盾が生じない範囲内で、各実施の形態で説明された構成を適宜組み合わせることは出願当初から予定されている。
　今回開示された実施の形態はすべての点で例示であって制限的なものではないと考えられるべきである。本開示の範囲は上記した説明ではなくて請求の範囲によって示され、請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。
　１　異常診断装置、２　データ読み取り部２、３　データ表示部、４　単位空間定義部、５　単位空間データ作成部、６　診断部、７　異常判定部、８　単位空間用データ蓄積部、９　判定結果出力部、１０　データ長さ決定部、１１　更新周期決定部、２０　ＣＰＵ、２１　ＲＯＭ、２２　ＲＡＭ、２３　ＨＤＤ、２４　通信インターフェイス、２５　Ｉ／Ｏインターフェイス、２６　入力部、２７　表示部。

Claims (30)

  1. 　診断対象の運転状態の異常を診断する異常診断方法であって、
    　前記診断対象の正常運転データから、前記診断対象の運転状態を判定するための基準となる単位空間を作成するステップと、
    　前記診断対象から、複数の評価項目の状態量を有するデータを取得するステップと、
    　作成された前記単位空間を用いて、取得した前記データのマハラノビス距離を算出するステップと、
    　算出された前記マハラノビス距離に基づいて、前記診断対象の運転状態の異常を判定するステップとを備え、
    　前記単位空間を作成するステップは、データ長さが互いに異なる複数の単位空間を作成するステップを含み、
    　前記複数の単位空間を作成するステップは、前記診断対象から取得される前記データにおける前記複数の評価項目間の相関係数、および前記データの正常変動周期の少なくとも１つに基づいて、各前記複数の単位空間のデータ長さを決定するステップを含み、
    　前記マハラノビス距離を算出するステップは、作成された前記複数の単位空間を用いて複数のマハラノビス距離を算出するステップを含み、
    　前記異常を判定するステップは、算出された前記複数のマハラノビス距離に基づいて異常を判定するステップを含む、異常診断方法。
  2. 　診断対象の運転状態の異常を診断する異常診断方法であって、
    　前記診断対象の正常運転データから、前記診断対象の運転状態を判定するための基準となる単位空間を作成するステップと、
    　前記診断対象から、複数の評価項目の状態量を有するデータを取得するステップと、
    　作成された前記単位空間を用いて、取得した前記データのマハラノビス距離を算出するステップと、
    　算出された前記マハラノビス距離に基づいて、前記診断対象の運転状態の異常を判定するステップとを備え、
    　前記単位空間を作成するステップは、データ長さが互いに異なる複数の単位空間を作成するステップを含み、
    　前記マハラノビス距離を算出するステップは、作成された前記複数の単位空間を用いて同一の診断時刻の前記データに対して、複数のマハラノビス距離を算出するステップを含み、
    　前記異常を判定するステップは、算出された前記複数のマハラノビス距離に基づいて異常を判定するステップを含む、異常診断方法。
  3. 　前記診断対象から取得される前記データにおける前記複数の評価項目間の相関係数に基づいて、前記単位空間の更新周期を決定し、前記単位空間を周期的に更新するステップをさらに備える、請求項１または２に記載の異常診断方法。
  4. 　前記診断対象から取得される前記データにおける前記複数の評価項目間の相関係数に基づいて決定した更新周期、および前記データの変動周期の分析から求めた周期の定数倍として決定した更新周期の少なくとも１つを用いて、前記単位空間を周期的に更新するステップをさらに備える、請求項１または２に記載の異常診断方法。
  5. 　前記複数の単位空間を作成するステップは、前記診断対象から取得される前記データにおける前記複数の評価項目間の相関係数、および前記データの正常変動周期の少なくとも１つに基づいて、各前記複数の単位空間のデータ長さを決定するステップを含む、請求項２から４のいずれか１項に記載の異常診断方法。
  6. 　診断対象の運転状態の異常を診断する異常診断方法であって、
    　前記診断対象の正常運転データから、前記診断対象の運転状態を判定するための基準となる単位空間を作成するステップと、
    　前記診断対象から、複数の評価項目の状態量を有するデータを取得するステップと、
    　作成された前記単位空間を用いて、取得した前記データのマハラノビス距離を算出するステップと、
    　算出された前記マハラノビス距離に基づいて、前記診断対象の運転状態の異常を判定するステップとを備え、
    　前記単位空間を作成するステップは、正常運転データの収集時期が互いに異なる複数の単位空間を作成するステップを含み、
    　前記マハラノビス距離を算出するステップは、作成された前記複数の単位空間を用いて複数のマハラノビス距離を算出するステップを含み、
    　前記異常を判定するステップは、算出された前記複数のマハラノビス距離の変化量に基づいて異常を判定するステップを含む、異常診断方法。
  7. 　前記単位空間を周期的に更新するステップは、
    　診断開始後、前記更新周期に基づいた更新時期に到達するごとに、前記更新時期までの診断に使用した前記単位空間を構成するデータをすべて破棄するステップと、
    　診断開始後、１回目の前記更新時期に到達したときに、診断開始時点から前記１回目の更新時期までに取得された前記データのうち、前記マハラノビス距離が閾値以下であるデータを、最新から過去に遡って前記単位空間データ数分抽出するとともに、抽出したデータを用いて前記１回目の更新時期以降の診断に用いる前記単位空間を新規に作成するステップと、
    　診断開始後、２回目以降の各前記更新時期に到達したときに、前回の前記更新時期から今回の前記更新時期までに取得された前記データのうち、前記マハラノビス距離が前記閾値以下であるデータを、最新から過去に遡って前記単位空間データ数分抽出するとともに、抽出したデータを用いて前記今回の更新時期以降の診断に用いる前記単位空間を新規に作成するステップとを含む、請求項３または４に記載の異常診断方法。
  8. 　前記単位空間を周期的に更新するステップは、
    　診断開始後、前記更新周期に基づいた１回目の更新時期に到達したときに、診断開始時点から前記１回目の更新時期までに取得された前記データのうち、前記マハラノビス距離が閾値以下であるデータを、最新から過去に遡って抽出し、抽出したデータを用いて前記１回目の更新時期以降の診断に用いる第１の前記単位空間を新規に作成するステップと、
    　診断開始後、２回目以降の各前記更新時期に到達したときに、前回の前記更新時期から今回の前記更新時期までに取得された前記データのうち、前記マハラノビス距離が前記閾値以下であるデータを、最新から過去に遡って抽出し、抽出したデータを用いて前記今回の更新時期以降の診断に用いる第２の前記単位空間を新規に作成するステップとを含み、
    　前記第１の単位空間を新規に作成するステップは、
    　前記１回目の更新時期において、診断開始時点から前記１回目の更新時期までに取得された前記データのうち前記マハラノビス距離が前記閾値以下であるデータ数が、前記単位空間データ数に満たない場合には、前記１回目の更新時期以降も、前記１回目の更新時期前と同じ前記単位空間を用いて診断を継続するステップと、
    　診断開始時点から最新の診断までに取得された前記データのうち、前記マハラノビス距離が前記閾値以下であるデータ数が前記単位空間データ数に達した時点を新たな更新時期とし、前記新たな更新時期に到達したときに前記新たな更新時期までの診断に使用した前記単位空間を構成するデータをすべて破棄するとともに、診断開始時点から前記新たな更新時期までに取得された前記データのうち、前記マハラノビス距離が前記閾値以下であるデータを用いて前記新たな更新時期以降の診断に用いる前記第１の単位空間を作成するステップとを含み、
    　前記第２の単位空間を新規に作成するステップは、
    　前記今回の更新時期において、前回の前記更新時期から今回の前記更新時期までに取得された前記データのうち、前記マハラノビス距離が前記閾値以下であるデータ数が前記単位空間データ数に満たない場合には、今回の前記更新時期以降も、今回の前記更新時期前と同じ前記単位空間を用いて診断を継続するステップと、
    　前回の前記更新時期から最新の診断までに取得された前記データのうち、前記マハラノビス距離が閾値以下であるデータ数が前記単位間データ数に達した時点を新たな更新時期とし、前記新たな更新時期に到達したときに前記新たな更新時期までの診断に使用した前記単位空間を構成するデータをすべて破棄するとともに、前回の前記更新時期から前記新たな更新時期までに取得された前記データのうち、前記マハラノビス距離が前記閾値以下であるデータを用いて前記新たな更新時期以降の診断に用いる前記第２の単位空間を作成するステップとを含む、請求項３または４に記載の異常診断方法。
  9. 　前記単位空間を周期的に更新するステップは、
    　診断開始後、前記更新周期に基づいた１回目の更新時期に到達したときに、前記１回目の更新時期以降の診断に用いる第１の前記単位空間を新規に作成するステップと、
    　診断開始後、２回目以降の各前記更新時期に到達したときに、前記今回の更新時期以降の診断に用いる第２の前記単位空間を新規に作成するステップとを含み、
    　前記第１の単位空間を新規に作成するステップは、
    　前記１回目の更新時期において、診断開始時点から前記１回目の更新時期までに取得された前記データのうち前記マハラノビス距離が前記閾値以下であるデータ数が単位空間データ数に満たず、前記マハラノビス距離の算出に用いる評価項目数以上またはその定数倍以上であるときには、前記１回目の更新時期までの診断に使用した前記単位空間を構成するデータをすべて破棄するとともに、前記１回目の更新時期までに取得された前記マハラノビス距離が閾値以下であるデータを用いて前記１回目の更新時期以降の診断に用いる前記第１の単位空間を作成するステップと、
    　診断開始時点から前記１回目の更新時期までに取得された前記データのうち前記マハラノビス距離が前記閾値以下であるデータ数が前記単位空間データ数に満たず、前記評価項目数未満またはその定数倍未満であるときには、２回目の前記更新時期に到達するまで、前記１回目の更新時期前と同じ前記単位空間を用いて次の前記更新時期まで診断を継続するステップとを含み、
    　前記第２の単位空間を新規に作成するステップは、
    　今回の前記更新時期において、前回の前記更新時期から前記今回の更新時期までに取得された前記データのうち前記マハラノビス距離が前記閾値以下であるデータ数が前記単位空間データ数に満たず、前記評価項目数以上またはその定数倍以上であるときには、前記今回の更新時期までの診断に使用した前記単位空間を構成するデータをすべて破棄するとともに、前記前回の更新時期から前記今回の更新時期までに取得された前記マハラノビス距離が前記閾値以下であるデータを用いて前記今回の更新時期以降の診断に用いる前記第２の単位空間を作成するステップと、
    　前記前回の更新時期から前記今回の更新時期までに取得された前記データのうち前記マハラノビス距離が前記閾値以下であるデータ数が前記単位空間データ数に満たず、前記評価項目数未満またはその定数倍未満であるときには、次回の前記更新時期に到達するまで、前記今回の更新時期前と同じ前記単位空間を用いて診断を継続するステップとを含む、請求項３または４に記載の異常診断方法。
  10. 　異常が発生していないことが既知である任意の期間に対して求めたマハラノビス距離を用いてヒストグラムを作成し、前記ヒストグラムの累積相対度数が予め定めた値となるときの前記マハラノビス距離を前記閾値に設定するステップをさらに備える、請求項７から９のいずれか１項に記載の異常診断方法。
  11. 　診断対象の運転状態の異常を診断する異常診断装置であって、
    　前記診断対象の正常運転データから、前記診断対象の運転状態を判定するための基準となる単位空間を作成する単位空間データ作成部と、
    　前記診断対象から、複数の評価項目の状態量を有するデータを取得するデータ読み取り部と、
    　作成された前記単位空間を用いて、取得した前記データのマハラノビス距離を算出する診断部と、
    　算出された前記マハラノビス距離に基づいて、前記診断対象の運転状態の異常を判定する異常判定部と、
    　前記単位空間を定義する単位空間定義部とを備え、
    　前記単位空間データ作成部は、データ長さが互いに異なる複数の単位空間を作成し、
    　前記単位空間定義部は、前記診断対象から取得される前記データにおける前記複数の評価項目間の相関係数、および前記データの正常変動周期の少なくとも１つに基づいて、各前記複数の単位空間のデータ長さを決定し、
    　前記診断部は、作成された前記複数の単位空間を用いて複数のマハラノビス距離を算出し、
    　前記異常判定部は、算出された前記複数のマハラノビス距離に基づいて異常を判定する、異常診断装置。
  12. 　診断対象の運転状態の異常を診断する異常診断装置であって、
    　前記診断対象の正常運転データから、前記診断対象の運転状態を判定するための基準となる単位空間を作成する単位空間データ作成部と、
    　前記診断対象から、複数の評価項目の状態量を有するデータを取得するデータ読み取り部と、
    　作成された前記単位空間を用いて、取得した前記データのマハラノビス距離を算出する診断部と、
    　算出された前記マハラノビス距離に基づいて、前記診断対象の運転状態の異常を判定する異常判定部とを備え、
    　前記単位空間データ作成部は、データ長さが互いに異なる複数の単位空間を作成し、
    　前記診断部は、作成された前記複数の単位空間を用いて同一の診断時刻の前記データに対して、複数のマハラノビス距離を算出し、
    　前記異常判定部は、算出された前記複数のマハラノビス距離に基づいて異常を判定する、異常診断装置。
  13. 　前記単位空間データ作成部は、前記診断対象から取得される前記データにおける前記複数の評価項目間の相関係数に基づいて決定した更新周期を用いて、前記単位空間を周期的に更新する、請求項１１または１２に記載の異常診断装置。
  14. 　前記単位空間データ作成部は、前記診断対象から取得される前記データにおける前記複数の評価項目間の相関係数に基づいて決定した更新周期、および前記データの変動周期の分析から求めた周期の定数倍として決定した更新周期の少なくとも１つを用いて、前記単位空間を周期的に更新する、請求項１１または１２に記載の異常診断装置。
  15. 　前記単位空間定義部は、前記診断対象から取得される前記データにおける前記複数の評価項目間の相関係数、および前記データの正常変動周期の少なくとも１つに基づいて、各前記複数の単位空間のデータ長さを決定する、請求項１２から１４のいずれか１項に記載の異常診断装置。
  16. 　診断対象の運転状態の異常を診断する異常診断装置であって、
    　前記診断対象の正常運転データから、前記診断対象の運転状態を判定するための基準となる単位空間を作成する単位空間データ作成部と、
    　前記診断対象から、複数の評価項目の状態量を有するデータを取得するデータ読み取り部と、
    　作成された前記単位空間を用いて、取得した前記データのマハラノビス距離を算出する診断部と、
    　算出された前記マハラノビス距離に基づいて、前記診断対象の運転状態の異常を判定する異常判定部とを備え、
    　前記単位空間データ作成部は、前記正常運転データの収集時期が互いに異なる複数の単位空間を作成し、
    　前記診断部は、作成された前記複数の単位空間を用いて複数のマハラノビス距離を算出し、
    　前記異常判定部は、算出された前記複数のマハラノビス距離の変化量に基づいて異常を判定する、異常診断装置。
  17. 　前記単位空間データ作成部は、
    　診断開始後、前記更新周期に基づいた更新時期に到達するごとに、前記更新時期までの診断に使用した前記単位空間を構成するデータをすべて破棄し、
    　診断開始後、１回目の前記更新時期に到達したときに、診断開始時点から前記１回目の更新時期までに取得された前記データのうち、前記マハラノビス距離が閾値以下であるデータを、最新から過去に遡って前記単位空間データ数分抽出するとともに、抽出したデータを用いて前記１回目の更新時期以降の診断に用いる前記単位空間を新規に作成し、
    　診断開始後、２回目以降の各前記更新時期に到達したときに、前回の前記更新時期から今回の前記更新時期までに取得された前記データのうち、前記マハラノビス距離が前記閾値以下であるデータを、最新から過去に遡って前記単位空間データ数分抽出するとともに、抽出したデータを用いて前記今回の更新時期以降の診断に用いる前記単位空間を新規に作成する、請求項１３または１４に記載の異常診断装置。
  18. 　前記単位空間データ作成部は、
    　診断開始後、前記更新周期に基づいた１回目の更新時期に到達したときに、診断開始時点から前記１回目の更新時期までに取得された前記データのうち、前記マハラノビス距離が閾値以下であるデータを、最新から過去に遡って抽出し、抽出したデータを用いて前記１回目の更新時期以降の診断に用いる第１の前記単位空間を新規に作成し、
    　診断開始後、２回目以降の各前記更新時期に到達したときに、前回の前記更新時期から今回の前記更新時期までに取得された前記データのうち、前記マハラノビス距離が前記閾値以下であるデータを、最新から過去に遡って抽出し、抽出したデータを用いて前記今回の更新時期以降の診断に用いる第２の前記単位空間を新規に作成するように構成され、
    　前記第１の単位空間を新規に作成するとき、前記単位空間データ作成部は、
    　前記１回目の更新時期において、診断開始時点から前記１回目の更新時期までに取得された前記データのうち前記マハラノビス距離が前記閾値以下であるデータ数が、前記単位空間データ数に満たない場合には、前記１回目の更新時期以降も、前記１回目の更新時期前と同じ前記単位空間を用いて診断を継続し、
    　診断開始時点から最新の診療までに取得された前記データのうち、前記マハラノビス距離が前記閾値以下であるデータ数が前記単位空間データ数に達した時点を新たな更新時期とし、前記新たな更新時期に到達したときに前記新たな更新時期までの診断に使用した前記単位空間を構成するデータをすべて破棄し、
    　診断開始時点から前記新たな更新時期までに取得された前記データのうち、前記マハラノビス距離が前記閾値以下であるデータを用いて前記新たな更新時期以降の診断に用いる前記第１の単位空間を作成し、
    　前記第２の単位空間を新規に作成するとき、前記単位空間データ作成部は、
    　前記今回の更新時期において、前回の前記更新時期から今回の前記更新時期までに取得された前記データのうち、前記マハラノビス距離が前記閾値以下であるデータ数が前記単位空間データ数に満たない場合には、今回の前記更新時期以降も、今回の前記更新時期前と同じ前記単位空間を用いて診断を継続し、
    　前回の前記更新時期から最新の診断までに取得された前記データのうち、前記マハラノビス距離が閾値以下であるデータ数が前記単位間データ数に達した時点を新たな更新時期とし、前記新たな更新時期に到達したときに前記新たな更新時期までの診断に使用した前記単位空間を構成するデータをすべて破棄し、
    　前回の前記更新時期から前記新たな更新時期までに取得された前記データのうち、前記マハラノビス距離が前記閾値以下であるデータを用いて前記新たな更新時期以降の診断に用いる前記第２の単位空間を作成する、請求項１３または１４に記載の異常診断装置。
  19. 　前記単位空間データ作成部は、
    　診断開始後、前記更新周期に基づいた１回目の更新時期に到達したときに、前記１回目の更新時期以降の診断に用いる第１の前記単位空間を新規に作成し、
    　診断開始後、２回目以降の各前記更新時期に到達したときに、前記今回の更新時期以降の診断に用いる第２の前記単位空間を新規に作成するように構成され、
    　前記第１の単位空間を新規に作成するとき、前記単位空間データ作成部は、
    　前記１回目の更新時期において、診断開始時点から前記１回目の更新時期までに取得された前記データのうち前記マハラノビス距離が前記閾値以下であるデータ数が単位空間データ数に満たず、前記マハラノビス距離の算出に用いる評価項目数以上またはその定数倍以上であるときには、前記１回目の更新時期までの診断に使用した前記単位空間を構成するデータをすべて破棄するとともに、前記１回目の更新時期までに取得された前記マハラノビス距離が閾値以下であるデータを用いて前記１回目の更新時期以降の診断に用いる前記第１の単位空間を作成し、
    　診断開始時点から前記１回目の更新時期までに取得された前記データのうち前記マハラノビス距離が前記閾値以下であるデータ数が前記単位空間データ数に満たず、前記評価項目数未満またはその定数倍未満であるときには、２回目の前記更新時期に到達するまで、前記１回目の更新時期前と同じ前記単位空間を用いて次の前記更新時期まで診断を継続し、
    　前記第２の単位空間を新規に作成するとき、前記単位空間データ作成部は、
    　今回の前記更新時期において、前回の前記更新時期から前記今回の更新時期までに取得された前記データのうち前記マハラノビス距離が前記閾値以下であるデータ数が前記単位空間データ数に満たず、前記評価項目数以上またはその定数倍以上であるときには、前記今回の更新時期までの診断に使用した前記単位空間を構成するデータをすべて破棄するとともに、前記前回の更新時期から前記今回の更新時期までに取得された前記マハラノビス距離が前記閾値以下であるデータを用いて前記今回の更新時期以降の診断に用いる前記第２の単位空間を作成し、
    　前記前回の更新時期から前記今回の更新時期までに取得された前記データのうち前記マハラノビス距離が前記閾値以下であるデータ数が前記単位空間データ数に満たず、前記評価項目数未満またはその定数倍未満であるときには、次回の前記更新時期に到達するまで、前記今回の更新時期前と同じ前記単位空間を用いて診断を継続する、請求項１３または１４に記載の異常診断装置。
  20. 　前記単位空間データ作成部は、異常が発生していないことが既知である任意の期間に対して求めたマハラノビス距離を用いてヒストグラムを作成し、前記ヒストグラムの累積相対度数が予め定めた値となるときの前記マハラノビス距離を前記閾値に設定する、請求項１７から１９のいずれか１項に記載の異常診断装置。
  21. 　コンピュータに、診断対象の運転状態の異常を診断する処理を実行させるためのプログラムであって、
    　前記診断対象の正常運転データから、前記診断対象の運転状態を判定するための基準となる単位空間を作成するステップと、
    　前記診断対象から、複数の評価項目の状態量を有するデータを取得するステップと、
    　作成された前記単位空間を用いて、取得した前記データのマハラノビス距離を算出するステップと、
    　算出された前記マハラノビス距離に基づいて、前記診断対象の運転状態の異常を判定するステップとを前記コンピュータに実行させ、
    　前記単位空間を作成するステップは、データ長さが互いに異なる複数の単位空間を作成するステップを含み、
    　前記複数の単位空間を作成するステップは、前記診断対象から取得される前記データにおける前記複数の評価項目間の相関係数、および前記データの正常変動周期の少なくとも１つに基づいて、各前記複数の単位空間のデータ長さを決定するステップを含み、
    　前記マハラノビス距離を算出するステップは、作成された前記複数の単位空間を用いて複数のマハラノビス距離を算出するステップを含み、
    　前記異常を判定するステップは、算出された前記複数のマハラノビス距離に基づいて異常を判定するステップを含む、異常診断プログラム。
  22. 　コンピュータに、診断対象の運転状態の異常を診断する処理を実行させるためのプログラムであって、
    　前記診断対象の正常運転データから、前記診断対象の運転状態を判定するための基準となる単位空間を作成するステップと、
    　前記診断対象から、複数の評価項目の状態量を有するデータを取得するステップと、
    　作成された前記単位空間を用いて、取得した前記データのマハラノビス距離を算出するステップと、
    　算出された前記マハラノビス距離に基づいて、前記診断対象の運転状態の異常を判定するステップとを前記コンピュータに実行させ、
    　前記単位空間を作成するステップは、データ長さが互いに異なる複数の単位空間を作成するステップを含み、
    　前記マハラノビス距離を算出するステップは、作成された前記複数の単位空間を用いて同一の診断時刻の前記データに対して、複数のマハラノビス距離を算出するステップを含み、
    　前記異常を判定するステップは、算出された前記複数のマハラノビス距離に基づいて異常を判定するステップを含む、異常診断プログラム。
  23. 　前記診断対象から取得される前記データにおける前記複数の評価項目間の相関係数に基づいて、前記単位空間の更新周期を決定し、前記単位空間を周期的に更新するステップをさらに前記コンピュータに実行させる、請求項２１または２２に記載の異常診断プログラム。
  24. 　前記診断対象から取得される前記データにおける前記複数の評価項目間の相関係数に基づいて決定した更新周期、および前記データの変動周期の分析から求めた周期の定数倍として決定した更新周期の少なくとも１つを用いて、前記単位空間を周期的に更新するステップをさらに前記コンピュータに実行させる、請求項２１または２２に記載の異常診断プログラム。
  25. 　前記複数の単位空間を作成するステップは、前記診断対象から取得される前記データにおける前記複数の評価項目間の相関係数、および前記データの正常変動周期の少なくとも１つに基づいて、各前記複数の単位空間のデータ長さを決定するステップを含む、請求項２２から２４のいずれか１項に記載の異常診断プログラム。
  26. 　コンピュータに、診断対象の運転状態の異常を診断する処理を実行させるためのプログラムであって、
    　前記診断対象の正常運転データから、前記診断対象の運転状態を判定するための基準となる単位空間を作成するステップと、
    　前記診断対象から、複数の評価項目の状態量を有するデータを取得するステップと、
    　作成された前記単位空間を用いて、取得した前記データのマハラノビス距離を算出するステップと、
    　算出された前記マハラノビス距離に基づいて、前記診断対象の運転状態の異常を判定するステップとを前記コンピュータに実行させ、
    　前記単位空間を作成するステップは、正常運転データの収集時期が互いに異なる複数の単位空間を作成するステップを含み、
    　前記マハラノビス距離を算出するステップは、作成された前記複数の単位空間を用いて複数のマハラノビス距離を算出するステップを含み、
    　前記異常を判定するステップは、算出された前記複数のマハラノビス距離の変化量に基づいて異常を判定するステップを含む、異常診断プログラム。
  27. 　前記単位空間を周期的に更新するステップは、
    　診断開始後、前記更新周期に基づいた更新時期に到達するごとに、前記更新時期までの診断に使用した前記単位空間を構成するデータをすべて破棄するステップと、
    　診断開始後、１回目の前記更新時期に到達したときに、診断開始時点から前記１回目の更新時期までに取得された前記データのうち、前記マハラノビス距離が閾値以下であるデータを、最新から過去に遡って前記単位空間データ数分抽出するとともに、抽出したデータを用いて前記１回目の更新時期以降の診断に用いる前記単位空間を新規に作成するステップと、
    　診断開始後、２回目以降の各前記更新時期に到達したときに、前回の前記更新時期から今回の前記更新時期までに取得された前記データのうち、前記マハラノビス距離が前記閾値以下であるデータを、最新から過去に遡って前記単位空間データ数分抽出するとともに、抽出したデータを用いて前記今回の更新時期以降の診断に用いる前記単位空間を新規に作成するステップとを含む、請求項２３または２４に記載の異常診断プログラム。
  28. 　前記単位空間を周期的に更新するステップは、
    　診断開始後、前記更新周期に基づいた１回目の更新時期に到達したときに、診断開始時点から前記１回目の更新時期までに取得された前記データのうち、前記マハラノビス距離が閾値以下であるデータを、最新から過去に遡って抽出し、抽出したデータを用いて前記１回目の更新時期以降の診断に用いる第１の前記単位空間を新規に作成するステップと、
    　診断開始後、２回目以降の各前記更新時期に到達したときに、前回の前記更新時期から今回の前記更新時期までに取得された前記データのうち、前記マハラノビス距離が前記閾値以下であるデータを、最新から過去に遡って抽出し、抽出したデータを用いて前記今回の更新時期以降の診断に用いる第２の前記単位空間を新規に作成するステップとを含み、
    　前記第１の単位空間を新規に作成するステップは、
    　前記１回目の更新時期において、診断開始時点から前記１回目の更新時期までに取得された前記データのうち前記マハラノビス距離が前記閾値以下であるデータ数が、前記単位空間データ数に満たない場合には、前記１回目の更新時期以降も、前記１回目の更新時期前と同じ前記単位空間を用いて診断を継続するステップと、
    　診断開始時点から最新の診療までに取得された前記データのうち、前記マハラノビス距離が前記閾値以下であるデータ数が前記単位空間データ数に達した時点を新たな更新時期とし、前記新たな更新時期に到達したときに前記新たな更新時期までの診断に使用した前記単位空間を構成するデータをすべて破棄するとともに、診断開始時点から前記新たな更新時期までに取得された前記データのうち、前記マハラノビス距離が前記閾値以下であるデータを用いて前記新たな更新時期以降の診断に用いる前記第１の単位空間を作成するステップとを含み、
    　前記第２の単位空間を新規に作成するステップは、
    　前記今回の更新時期において、前回の前記更新時期から今回の前記更新時期までに取得された前記データのうち、前記マハラノビス距離が前記閾値以下であるデータ数が前記単位空間データ数に満たない場合には、今回の前記更新時期以降も、今回の前記更新時期前と同じ前記単位空間を用いて診断を継続するステップと、
    　前回の前記更新時期から最新の診断までに取得された前記データのうち、前記マハラノビス距離が閾値以下であるデータ数が前記単位間データ数に達した時点を新たな更新時期とし、前記新たな更新時期に到達したときに前記新たな更新時期までの診断に使用した前記単位空間を構成するデータをすべて破棄するとともに、前回の前記更新時期から前記新たな更新時期までに取得された前記データのうち、前記マハラノビス距離が前記閾値以下であるデータを用いて前記新たな更新時期以降の診断に用いる前記第２の単位空間を作成するステップとを含む、請求項２３または２４に記載の異常診断プログラム。
  29. 　前記単位空間を周期的に更新するステップは、
    　診断開始後、前記更新周期に基づいた１回目の更新時期に到達したときに、前記１回目の更新時期以降の診断に用いる第１の前記単位空間を新規に作成するステップと、
    　診断開始後、２回目以降の各前記更新時期に到達したときに、前記今回の更新時期以降の診断に用いる第２の前記単位空間を新規に作成するステップとを含み、
    　前記第１の単位空間を新規に作成するステップは、
    　前記１回目の更新時期において、診断開始時点から前記１回目の更新時期までに取得された前記データのうち前記マハラノビス距離が前記閾値以下であるデータ数が単位空間データ数に満たず、前記マハラノビス距離の算出に用いる評価項目数以上またはその定数倍以上であるときには、前記１回目の更新時期までの診断に使用した前記単位空間を構成するデータをすべて破棄するとともに、前記１回目の更新時期までに取得された前記マハラノビス距離が閾値以下であるデータを用いて前記１回目の更新時期以降の診断に用いる前記第１の単位空間を作成するステップと、
    　診断開始時点から前記１回目の更新時期までに取得された前記データのうち前記マハラノビス距離が前記閾値以下であるデータ数が前記単位空間データ数に満たず、前記評価項目数未満またはその定数倍未満であるときには、２回目の前記更新時期に到達するまで、前記１回目の更新時期前と同じ前記単位空間を用いて次の前記更新時期まで診断を継続するステップとを含み、
    　前記第２の単位空間を新規に作成するステップは、
    　今回の前記更新時期において、前回の前記更新時期から前記今回の更新時期までに取得された前記データのうち前記マハラノビス距離が前記閾値以下であるデータ数が前記単位空間データ数に満たず、前記評価項目数以上またはその定数倍以上であるときには、前記今回の更新時期までの診断に使用した前記単位空間を構成するデータをすべて破棄するとともに、前記前回の更新時期から前記今回の更新時期までに取得された前記マハラノビス距離が前記閾値以下であるデータを用いて前記今回の更新時期以降の診断に用いる前記第２の単位空間を作成するステップと、
    　前記前回の更新時期から前記今回の更新時期までに取得された前記データのうち前記マハラノビス距離が前記閾値以下であるデータ数が前記単位空間データ数に満たず、前記評価項目数未満またはその定数倍未満であるときには、次回の前記更新時期に到達するまで、前記今回の更新時期前と同じ前記単位空間を用いて診断を継続するステップとを含む、請求項２３または２４に記載の異常診断プログラム。
  30. 　異常が発生していないことが既知である任意の期間に対して求めたマハラノビス距離を用いてヒストグラムを作成し、前記ヒストグラムの累積相対度数が予め定めた値となるときの前記マハラノビス距離を前記閾値に設定するステップをさらに備える、請求項２７から２９のいずれか１項に記載の異常診断プログラム。
PCT/JP2020/018135 2019-08-01 2020-04-28 異常診断方法、異常診断装置および異常診断プログラム WO2021019857A1 (ja)

Priority Applications (5)

Application Number Priority Date Filing Date Title
JP2021536613A JP7224469B2 (ja) 2019-08-01 2020-04-28 異常診断方法、異常診断装置および異常診断プログラム
US17/620,746 US11977373B2 (en) 2019-08-01 2020-04-28 Abnormality diagnosis method, abnormality diagnosis device and non-transitory computer readable storage medium
CN202080054363.7A CN114207538A (zh) 2019-08-01 2020-04-28 异常诊断方法、异常诊断装置以及异常诊断程序
DE112020003659.6T DE112020003659T5 (de) 2019-08-01 2020-04-28 Verfahren zur diagnose von anomalien, vorrichtung zur diagnose von anomalienund programm zur diagnose von anomalien
TW109124904A TWI755794B (zh) 2019-08-01 2020-07-23 異常診斷方法、異常診斷裝置以及異常診斷程式

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JPPCT/JP2019/030206 2019-08-01
PCT/JP2019/030206 WO2021019760A1 (ja) 2019-08-01 2019-08-01 異常診断方法、異常診断装置および異常診断プログラム

Publications (1)

Publication Number Publication Date
WO2021019857A1 true WO2021019857A1 (ja) 2021-02-04

Family

ID=74230554

Family Applications (2)

Application Number Title Priority Date Filing Date
PCT/JP2019/030206 WO2021019760A1 (ja) 2019-08-01 2019-08-01 異常診断方法、異常診断装置および異常診断プログラム
PCT/JP2020/018135 WO2021019857A1 (ja) 2019-08-01 2020-04-28 異常診断方法、異常診断装置および異常診断プログラム

Family Applications Before (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/030206 WO2021019760A1 (ja) 2019-08-01 2019-08-01 異常診断方法、異常診断装置および異常診断プログラム

Country Status (6)

Country Link
US (1) US11977373B2 (ja)
JP (1) JP7224469B2 (ja)
CN (1) CN114207538A (ja)
DE (1) DE112020003659T5 (ja)
TW (1) TWI755794B (ja)
WO (2) WO2021019760A1 (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7415654B2 (ja) 2020-02-26 2024-01-17 株式会社デンソー 電池監視システム
US20240142955A1 (en) * 2021-03-09 2024-05-02 Mitsubishi Heavy Industries, Ltd. Plant monitoring method, plant monitoring device, and plant monitoring program

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005351618A (ja) * 2005-07-07 2005-12-22 Mitsubishi Electric Corp 流体回路診断方法
WO2009107805A1 (ja) * 2008-02-27 2009-09-03 三菱重工業株式会社 プラント状態監視方法、プラント状態監視用コンピュータプログラム、及びプラント状態監視装置
JP2017120504A (ja) * 2015-12-28 2017-07-06 川崎重工業株式会社 プラント異常監視方法およびプラント異常監視用のコンピュータプログラム
JP2017123124A (ja) * 2016-01-08 2017-07-13 富士通株式会社 無線通信異常検出方法、無線通信異常検出プログラム及び無線通信異常検出装置

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5345180B2 (ja) 2011-06-03 2013-11-20 三菱重工業株式会社 プラント監視装置、プラント監視プログラム及びプラント監視方法
JP6409375B2 (ja) * 2014-07-09 2018-10-24 株式会社Ihi パラメータ分類装置
JP6492555B2 (ja) 2014-11-07 2019-04-03 株式会社Ihi 異常診断方法、異常診断装置及び異常診断プログラム
JP6620056B2 (ja) * 2016-03-31 2019-12-11 三菱日立パワーシステムズ株式会社 機器の異常診断方法及び機器の異常診断装置
JP6424874B2 (ja) * 2016-10-12 2018-11-21 オムロン株式会社 動作状態監視装置、学習データ生成装置、方法およびプログラム
JP6903976B2 (ja) * 2017-03-22 2021-07-14 オムロン株式会社 制御システム
JP6860406B2 (ja) * 2017-04-05 2021-04-14 株式会社荏原製作所 半導体製造装置、半導体製造装置の故障予知方法、および半導体製造装置の故障予知プログラム
JP6851558B1 (ja) 2020-04-27 2021-03-31 三菱電機株式会社 異常診断方法、異常診断装置および異常診断プログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005351618A (ja) * 2005-07-07 2005-12-22 Mitsubishi Electric Corp 流体回路診断方法
WO2009107805A1 (ja) * 2008-02-27 2009-09-03 三菱重工業株式会社 プラント状態監視方法、プラント状態監視用コンピュータプログラム、及びプラント状態監視装置
JP2017120504A (ja) * 2015-12-28 2017-07-06 川崎重工業株式会社 プラント異常監視方法およびプラント異常監視用のコンピュータプログラム
JP2017123124A (ja) * 2016-01-08 2017-07-13 富士通株式会社 無線通信異常検出方法、無線通信異常検出プログラム及び無線通信異常検出装置

Also Published As

Publication number Publication date
DE112020003659T5 (de) 2022-04-21
JPWO2021019857A1 (ja) 2021-02-04
TWI755794B (zh) 2022-02-21
TW202107058A (zh) 2021-02-16
WO2021019760A1 (ja) 2021-02-04
JP7224469B2 (ja) 2023-02-17
US11977373B2 (en) 2024-05-07
CN114207538A (zh) 2022-03-18
US20220413478A1 (en) 2022-12-29

Similar Documents

Publication Publication Date Title
JP6810097B2 (ja) 異常検出器
WO2021019857A1 (ja) 異常診断方法、異常診断装置および異常診断プログラム
EP3508833A1 (en) Diagnostic device, diagnostic method, and diagnostic program
EP2187283B1 (en) Plant state monitoring method, plant state monitoring computer program, and plant state monitoring apparatus
EP2897012B1 (en) Plant monitoring device, plant monitoring program, and plant monitoring method
EP3709039B1 (en) Battery life learning device, battery life prediction device, method and program
CN107614217B (zh) 故障诊断装置及故障诊断方法
JP6428933B2 (ja) 故障診断装置及び故障診断方法
EP3301586A1 (en) Pre-processor and diagnosis device
JP4272249B1 (ja) 作業者の疲労度管理装置、方法及びコンピュータプログラム
US10359401B2 (en) Malfunction diagnosing apparatus, malfunction diagnosing method, and recording medium
JP6427357B2 (ja) 診断支援システム及び診断支援方法
KR102408426B1 (ko) 설비 노화 지수를 이용한 이상 감지 방법 및 장치
JP5827425B1 (ja) 予兆診断システム及び予兆診断方法
JP5827426B1 (ja) 予兆診断システム及び予兆診断方法
CN115516395A (zh) 异常诊断方法、异常诊断装置以及异常诊断程序
JP6777142B2 (ja) システム分析装置、システム分析方法、及び、プログラム
WO2017145318A1 (ja) 製造設備の異常診断装置
EP3674827A1 (en) Monitoring target selecting device, monitoring target selecting method and program
JP5824959B2 (ja) 異常診断装置
CN107924182B (zh) 监视装置、监视装置的控制方法以及记录媒体
US20230376023A1 (en) Information processing apparatus and information processing method
US11789439B2 (en) Failure sign diagnosis device and method therefor
JPWO2019026193A1 (ja) 情報処理装置、情報処理システム、情報処理方法、及び、プログラム
JP7028133B2 (ja) 制御システムおよび制御方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20847414

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021536613

Country of ref document: JP

Kind code of ref document: A

122 Ep: pct application non-entry in european phase

Ref document number: 20847414

Country of ref document: EP

Kind code of ref document: A1