WO2022025162A1 - 異常診断装置、異常診断方法、及びプログラム - Google Patents

異常診断装置、異常診断方法、及びプログラム Download PDF

Info

Publication number
WO2022025162A1
WO2022025162A1 PCT/JP2021/028030 JP2021028030W WO2022025162A1 WO 2022025162 A1 WO2022025162 A1 WO 2022025162A1 JP 2021028030 W JP2021028030 W JP 2021028030W WO 2022025162 A1 WO2022025162 A1 WO 2022025162A1
Authority
WO
WIPO (PCT)
Prior art keywords
abnormality
value
factor
observation
determination unit
Prior art date
Application number
PCT/JP2021/028030
Other languages
English (en)
French (fr)
Inventor
裕貴 岡
真澄 野村
達男 石黒
克明 森田
龍司 池田
健一 長原
草太 小川
紀行 松倉
智 二階堂
友基 西▲崎▼
Original Assignee
三菱重工業株式会社
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 三菱重工業株式会社 filed Critical 三菱重工業株式会社
Priority to US18/017,868 priority Critical patent/US20230280240A1/en
Priority to CN202180059880.8A priority patent/CN116134395A/zh
Publication of WO2022025162A1 publication Critical patent/WO2022025162A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
    • 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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G05B23/0278—Qualitative, e.g. if-then rules; Fuzzy logic; Lookup tables; Symptomatic search; FMEA

Definitions

  • the present disclosure relates to an abnormality diagnostic device, an abnormality diagnosis method, and a program.
  • the present application claims priority based on Japanese Patent Application No. 2020-130788 filed in Japan on July 31, 2020, the contents of which are incorporated herein by reference.
  • equipment such as large refrigerators and submersible pumps, plants, etc. detect abnormal observation values in the observation system, perform abnormality diagnosis to identify the cause of the abnormality, and monitor the soundness. There is.
  • Patent Document 1 a plant state estimation model is created from actual data observed in an observation system, and a part including an observed value in which the variation in prediction by the state estimation model increases is regarded as an abnormality. It is described to identify the part that is behaving, that is, the cause of the abnormality.
  • Patent Document 1 is not a method for systematically showing the correspondence between anomalous factors and observed values that behave abnormally. Therefore, in the technique described in Patent Document 1, even if an abnormal observed value can be identified, in order to correctly diagnose the abnormal factor, it is necessary to prepare a large number of independent observation systems corresponding to the abnormal factor. Therefore, there has been a demand for a technique for accurately diagnosing an abnormality using an existing observation system.
  • the present disclosure has been made in view of such a problem, and provides an abnormality diagnosis device, an abnormality diagnosis method, and a program capable of easily and accurately estimating the cause of an abnormality of a device.
  • the abnormality diagnosis device includes an abnormality determination unit that determines the presence or absence of an abnormality for each state quantity acquired from the device, factors of the abnormality mode of the device identified by fault tree analysis, and the above.
  • Factor estimation that estimates the cause of the abnormality of the device from the state quantity determined by the abnormality determination unit using the factor correspondence table associated with the state quantity that becomes abnormal when a factor occurs. It has a department.
  • the abnormality diagnosis method includes a step of determining the presence or absence of an abnormality for each state quantity acquired from the device, a factor of the abnormality mode of the device identified by a fault tree analysis, and the factor. It has a step of estimating the cause of the abnormality of the device from the state quantity determined to have an abnormality by using the factor correspondence table associated with the state quantity which becomes abnormal when the above occurs.
  • the program includes a step of determining the presence or absence of an abnormality for each state quantity acquired from the device, a factor of the abnormal mode of the device identified by fault tree analysis, and the above-mentioned factor.
  • the step of estimating the cause of the abnormality of the device from the state quantity determined to be abnormal is applied to the computer of the abnormality diagnosis device. Let it run.
  • the cause of the abnormality of the device can be easily and accurately estimated.
  • the fourth embodiment of the present disclosure is a flowchart of an estimation method. It is a figure which shows the example of the hardware composition of the computer provided in the abnormality diagnosis apparatus and the estimation apparatus which concerns on each embodiment.
  • FIG. 1 is a diagram showing an overall configuration of equipment according to the first embodiment of the present disclosure.
  • the equipment 9 includes the equipment 1, the abnormality diagnosis device 5, and the first observation system 3.
  • Equipment 1 is, for example, a large refrigerator, a submersible pump, or the like.
  • the abnormality diagnosis device 5 detects the presence or absence of an abnormality in the device 1 and diagnoses the cause of the abnormality. Further, the abnormality diagnosis device 5 is connected to the first observation system 3 so as to be able to communicate by wire or wirelessly.
  • the first observation system 3 is a system for observing the state of the device 1, and is composed of, for example, a plurality of sensors (first sensor 31, second sensor 32, third sensor 33, ).
  • the first sensor 31 may be, for example, a pressure sensor provided inside the device 1 and measuring the internal pressure of the device 1 as the observed value A1.
  • the second sensor 32 may be, for example, a thermometer provided at the inlet or outlet of the device 1 and measuring the inlet temperature or the outlet temperature of the device 1 as the observed value A2.
  • the third sensor 33 may be, for example, a flow meter provided in the device 1 and measuring the flow rate of the liquid, gas, etc. flowing through the device 1 as the observed value A3.
  • the observed values A1, A2, A3, ... Are examples of the state quantities of the device 1 in the present embodiment.
  • the abnormality diagnosis device 5 is a device for detecting the presence or absence of an abnormality in the device 1 and estimating the cause of the abnormality. As shown in FIG. 1, the abnormality diagnosis device 5 includes an observation value acquisition unit 51, an abnormality determination unit 52, and a factor estimation unit 53.
  • the observation value acquisition unit 51 acquires the observation values A1, A2, and A3 observed by the first observation system 3 of the device 1 as the state quantity of the device 1.
  • the abnormality determination unit 52 determines the presence or absence of an abnormality for each of the state quantities acquired from the device 1. In the present embodiment, the abnormality determination unit 52 determines that the observation values A1, A2, and A3 acquired by the observation value acquisition unit 51 are normal if they are within the constraint R1 and abnormal if they are outside the constraint R1.
  • the factor estimation unit 53 uses the factor correspondence table TB1 in which the factor of the abnormality mode of the device 1 identified by the fault tree analysis and the state quantity that becomes abnormal when the factor occurs are used, and the abnormality determination unit 52 is used.
  • the cause of the abnormality in the device 1 is estimated from the state quantity determined to be abnormal.
  • the notification unit 54 is a display device, a voice output device, etc. for notifying the determination result by the abnormality determination unit 52 and the estimation result by the factor estimation unit 53. Further, the notification unit 54 may notify data to a device different from the abnormality diagnosis device 5, such as a computer, a smartphone, a tablet, etc. operated by a worker who operates, monitors, and the like of the device 1.
  • FIG. 2 is a first diagram for explaining a factor correspondence table according to the first embodiment of the present disclosure.
  • FIG. 3 is a second diagram for explaining a factor correspondence table according to the first embodiment of the present disclosure.
  • FIG. 4 is a third diagram for explaining a factor correspondence table according to the first embodiment of the present disclosure.
  • the factor correspondence table TB1 is prepared in advance by the designer of the abnormality diagnosis device 5 or the like before the operation of the device 1 is started. The method of creating this factor correspondence table TB1 will be described with reference to FIGS. 2 to 4.
  • a worker who designs, develops, maintains, etc. of the abnormality diagnosis device 5 is obtained from the product knowledge (design, specifications, experience, etc.) of the device 1 as shown in FIG.
  • the fault tree analysis of the device 1 is performed based on the knowledge), and the abnormal modes that may occur in the device 1 are decomposed into a plurality of factors.
  • the abnormal mode represents an undesired failure, accident, etc. of the device 1.
  • Factors represent events related to the occurrence of anomalous modes. Factors may be further decomposed into higher-level factors and lower-level factors that cause higher-level factors, and may be arranged in a hierarchical manner. For example, as an abnormal mode, an event that "the condenser pressure becomes high and the operation becomes impossible” may be set. At this time, an event such as “failure of the pressure sensor (first sensor 31)" as factor 1 and "the pressure observed value (observed value A1) is actually high” may be set as factor 3. Further, regarding the factor 3, “malfunction of the cooling tower", “malfunction of the circulation pump” and the like may be set as the lower factors 3-1 and 3-2.
  • FIG. 2 shows an example in which only one abnormal mode is set, but the present invention is not limited to this.
  • a plurality of abnormal modes may be set according to the configuration and characteristics of the device 1, and a tree as shown in FIG. 2 may be configured for each abnormal mode.
  • FIG. 2 shows an example in which the factors are decomposed into two layers, but the present invention is not limited to this. Factors may be decomposed into three or more layers depending on the configuration and characteristics of the device 1.
  • the worker associates each of the multiple factors obtained by the fault tree analysis with the observed values that become abnormal values (values outside the constraint R1) when this factor occurs.
  • the worker associates the observed values A1, A2, and A3 observable by the first observation system 3 of the device 1 with each factor. For example, if it is known from the product knowledge of the device 1 that the observed value A1 and the observed value A3 become abnormal when the factor 3-1 occurs, the observed value A1 and the observed value A3 are included in the factor 3-1. Can be associated.
  • the factor correspondence table TB1 shows which factor of the abnormal mode can occur for each combination pattern of the determination results of the observed values A1, A2, and A3.
  • the engineer creates the factor correspondence table TB1 shown in FIG. 3 by associating the factors that may occur for each combination pattern of the determination results of the observed values A1, A2, and A3.
  • FIG. 5 is a flowchart showing an example of processing of the abnormality diagnosis device according to the first embodiment of the present disclosure.
  • the details of the abnormality diagnosis process by the abnormality diagnosis device 5 according to the present embodiment will be described with reference to FIG.
  • the observation value acquisition unit 51 of the abnormality diagnosis device 5 acquires the observation values A1, A2, and A3 from the first sensor 31, the second sensor 32, and the third sensor 33 of the device 1, respectively (step). S101).
  • the abnormality determination unit 52 of the abnormality diagnosis device 5 determines the presence or absence of an abnormality for each of the observed values A1, A2, and A3 (step S102).
  • the factor estimation unit 53 of the abnormality diagnosis device 5 determines whether or not there is an observed value determined to be abnormal (step S103).
  • the abnormality determination unit 52 determines that the observed value A1 is normal when the observed value A1 is within the threshold value (upper limit value or lower limit value) set as the constraint R1. On the other hand, when the observed value A1 exceeds the threshold value, the abnormality determination unit 52 determines that the observed value A1 is abnormal.
  • the abnormality determination unit 52 may determine that the observation value A1 is normal when the amount of change in the observation value A1 is within the threshold value set as the constraint R1. In this case, the abnormality determination unit 52 determines that the observation value A1 is abnormal when the amount of change in the observation value A1 exceeds the threshold value.
  • the abnormality determination unit 52 uses a known abnormality detection algorithm using the k-nearest neighbor method, One Class SVM (Support Vector Machine), etc., and determines whether the observed value A1 indicates a normal pattern indicating the inside of the constraint R1 or the constraint R1. It may be determined whether it indicates an abnormal pattern that is outside.
  • k-nearest neighbor method One Class SVM (Support Vector Machine), etc.
  • the abnormality determination unit 52 also determines whether the observed values A2 and A3 are normal or abnormal, respectively.
  • the abnormality determination unit 52 determines whether or not all the observed values are normal (step S103).
  • step S104 determines that the operating state of the device 1 is normal.
  • step S103 NO
  • the operating state of the device 1 is abnormal (an abnormal mode has occurred). Is determined.
  • the factor estimation unit 53 estimates the cause of the abnormal mode based on the factor correspondence table TB1 (FIG. 3) (step S105).
  • the factor estimation unit 53 selects a factor associated with the combination pattern of the determination result of the observed value by the abnormality determination unit 52 from the factor correspondence table TB1. For example, as in the example of FIG. 4, it is assumed that the determination result of the observed value A1 is "abnormal" and the determination result of the observed values A2 and A3 is "normal". In this case, the factor estimation unit 53 refers to the factor correspondence table TB1, and determines that the "factor 1-1" associated with the "pattern 4" indicating the combination of the determination results is the factor of the abnormality mode of the device 1. presume.
  • the factor estimation unit 53 does not specify only one factor of the abnormal mode, but determines both the "factor 2" and the “factor 3-1" corresponding to the "pattern 5" as the factors of the abnormal mode. It may be estimated as a candidate for.
  • the factor estimation unit 53 determines whether the factor of the abnormal mode when "Pattern 5" is observed is “Factor 2" or “Factor 3" based on the observation values obtained from this additional observation system. It may be further estimated whether it is -1 ”.
  • additional observation systems are provided only at locations corresponding to factors that cannot be identified only by the observation values of the first observation system 3, such as "factor 2" and "factor 3-1" of "pattern 5". Just do it.
  • the factor estimation unit 53 further executes an inspection procedure for narrowing down the factors, and whether the factor of the abnormal mode when "pattern 5" is observed is "factor 2" or "factor 2". It may be further estimated whether it is "factor 3-1". By doing so, an additional observation system for identifying the factor becomes unnecessary, so that the cost related to the abnormality diagnosis of the device 1 can be suppressed.
  • the notification unit 54 notifies the determination result by the abnormality determination unit 52 (step S106). Further, when the abnormality determination unit 52 determines that the operating state of the device 1 is abnormal, the notification unit 54 further notifies the factors estimated by the factor estimation unit 53.
  • the abnormality diagnosis device 5 repeatedly executes a series of processes shown in FIG. 5 while the device 1 is in operation to detect the presence or absence of an abnormality in the device 1 in real time and estimate the cause of the abnormality when an abnormality occurs.
  • the abnormality diagnosis device 5 detects at least one abnormality among the state quantities (observed values A1, A2, A3) acquired from the device 1 by the abnormality determination unit 52, the cause is estimated.
  • the unit 53 estimates the factor of the abnormal mode of the device 1 based on the factor correspondence table TB1 in which the factor of the abnormal mode and the state quantity that becomes abnormal when the factor occurs are associated in advance. By doing so, the abnormality diagnosis device 5 can easily and accurately estimate the cause of the abnormality of the device 1 based on the factor correspondence table TB1.
  • FIG. 6 is a first diagram for explaining a factor correspondence table according to the second embodiment of the present disclosure.
  • FIG. 7 is a second diagram for explaining a factor correspondence table according to the second embodiment of the present disclosure.
  • FIG. 8 is a third diagram for explaining a factor correspondence table according to the second embodiment of the present disclosure.
  • the factor correspondence table TB2 is prepared in advance by the designer of the abnormality diagnosis device 5 or the like before the operation of the device 1 is started. The method of creating the factor correspondence table TB2 according to the present embodiment will be described with reference to FIGS. 6 to 8.
  • a worker who designs, develops, maintains, etc. of the abnormality diagnosis device 5 performs a fault tree analysis of the device 1. This is the same as the first embodiment. Further, in the present embodiment, for each of the plurality of factors obtained by the fault tree analysis, the degree of abnormality of the values that can be taken by the observed values A1, A2, and A3 when this factor occurs is associated with each other.
  • the degree of abnormality is an evaluation value in which each observed value is discretized into a plurality of levels according to the difference from the constraint R1 set for each observed value.
  • the degree of anomaly may be discretized to any of 2 to 7 levels for each observation, as shown in the discretization table of FIG.
  • the degree of anomaly is "negative” in which the observed value is on the negative side of the constraint R1, "normal” in the constraint R1, and the value on the positive side of the constraint R2. It is represented by three stages of "positive".
  • abnormal when it is difficult to narrow down the factors to one with only two levels of abnormality (“normal” or “abnormal”) (for example, “Pattern 5” in the factor correspondence table TB1 in FIG. 3).
  • the degree of abnormality of the observed value is subdivided into 3 to 7 levels.
  • the discretization level may be different for each observed value.
  • FIG. 6 an example in which each observed value is represented by five levels of abnormality degree will be described.
  • the factor correspondence table TB2 shows which factor of the abnormality mode can occur for each combination pattern of the degree of abnormality of the observed values A1, A2, and A3.
  • FIG. 9 is a flowchart showing an example of processing of the abnormality diagnosis device according to the second embodiment of the present disclosure.
  • the details of the abnormality diagnosis process by the abnormality diagnosis device 5 according to the present embodiment will be described with reference to FIG. 9.
  • the observation value acquisition unit 51 of the abnormality diagnosis device 5 acquires the observation values A1, A2, and A3 from the first sensor 31, the second sensor 32, and the third sensor 33 of the device 1, respectively (step). S111).
  • the abnormality determination unit 52 of the abnormality diagnosis device 5 determines the degree of abnormality for each of the observed values A1, A2, and A3 according to the difference from the constraint R1 set for each observed value (step S112).
  • the abnormality determination unit 52 determines that the observed value A1 is one of five levels of abnormality, "large negative”, “small negative”, “normal”, “small positive”, and “large positive”. do. For example, when the observed value A1 is within the range of the first lower limit value or more and less than the first upper limit value set as the constraint R1, the abnormality determination unit 52 determines that the observed value A1 is normal. Further, the abnormality determination unit 52 determines that the observed value A1 is “small negative” when it is less than the first lower limit value and equal to or more than the second lower limit value, and “large negative” when it is less than the second lower limit value. judge. The abnormality determination unit 52 determines that the observed value A1 is “small positive” when it is equal to or more than the first upper limit value and less than the second upper limit value, and "large positive” when it is equal to or more than the second upper limit value.
  • the abnormality determination unit 52 may determine the degree of abnormality based on the amount of change in the observed value A1, or is known using the k-nearest neighbor method, One Class SVM (Support Vector Machine), or the like.
  • the degree of abnormality of the observed value A1 may be determined by using the abnormality detection algorithm of.
  • the abnormality determination unit 52 similarly determines the degree of abnormality for the observed values A2 and A3.
  • the abnormality determination unit 52 determines whether or not the degree of abnormality of all the observed values is normal (step S113).
  • step S113 determines that the degree of abnormality of all the observed values A1, A2, and A3 is normal (step S113: YES).
  • Step S113 NO
  • the factor estimation unit 53 estimates the cause of the abnormal mode based on the factor correspondence table TB2 (FIG. 8) (step S115).
  • the factor estimation unit 53 selects a factor associated with the combination pattern of the degree of abnormality of the observed value by the abnormality determination unit 52 from the factor correspondence table TB2. For example, as in the example of FIG. 8, it is assumed that the degree of abnormality of the observed value A1 is "small positive", the degree of abnormality of the observed value A2 is "normal”, and the degree of abnormality of the observed value A3 is "small negative”. In this case, the factor estimation unit 53 refers to the factor correspondence table TB2, and estimates that the "factor 2" associated with the "pattern 2" indicating the combination of the determination results is the factor of the abnormality mode of the device 1. ..
  • the notification unit 54 notifies the determination result by the abnormality determination unit 52 (step S116). Further, when the abnormality determination unit 52 determines that the operating state of the device 1 is abnormal, the notification unit 54 further notifies the factors estimated by the factor estimation unit 53.
  • the abnormality diagnosis device 5 repeatedly executes a series of processes shown in FIG. 9 while the device 1 is in operation to detect the presence or absence of an abnormality in the device 1 in real time and estimate the cause of the abnormality when an abnormality occurs.
  • the abnormality determination unit 52 further determines the degree of abnormality according to the difference from the constraint R1 for each of the observed values.
  • the factor estimation unit 53 estimates the cause of the abnormality mode of the device 1 by using the factor correspondence table TB2 in which the factor of the abnormality mode and the degree of abnormality of each observed value are associated in advance. For example, in the first embodiment, it may not be possible to narrow down the cause of the abnormal mode to one from the determination result (two levels) indicating the presence or absence of an abnormality in the observed value. However, the abnormality diagnostic apparatus 5 according to the present embodiment narrows down the factors in more detail by subdividing each observed value into multiple levels of abnormality rather than the two levels of "normal” or "abnormal". Is possible.
  • FIG. 10 is a diagram showing a functional configuration of the abnormality diagnosis device according to the third embodiment of the present disclosure. As shown in FIG. 10, the abnormality diagnosis device 5 according to the present embodiment further includes an estimated value acquisition unit 55.
  • the estimated value acquisition unit 55 uses the physical quantity estimated values PV1, PV2, ... Of the device 1 estimated based on the observed values A1, A2, A3 acquired by the observed value acquisition unit 51 as the state quantity of the device 1.
  • the estimated physical quantity PV is an internal state quantity of the device 1 that cannot be observed by the observation system, which affects the relationship between the input / output conditions of the device 1.
  • the physical quantity estimated value PV is, for example, the work amount in the device 1 such as the terminal temperature difference of the heat exchanger of the device 1 and the refrigerating capacity.
  • FIG. 11 is a first diagram for explaining a factor correspondence table according to a third embodiment of the present disclosure.
  • FIG. 12 is a second diagram for explaining a factor correspondence table according to the third embodiment of the present disclosure.
  • the factor correspondence table TB3 is prepared in advance by the designer of the abnormality diagnosis device 5 or the like before the start of operation of the device 1. The method of creating the factor correspondence table TB3 according to the present embodiment will be described with reference to FIGS. 11 to 12.
  • FIG. 11 shows an example in which the estimated physical quantities PV1, PV2 and the state quantity A1 are classified according to the degree of abnormality of 5 levels, but the present invention is not limited to this. If it is possible to narrow down the cause of the abnormality mode to one, the degree of abnormality of each physical quantity and the observed value may be set to any of the 2nd to 7th levels shown in FIG.
  • the factor correspondence table TB3 shows which factor of the abnormal mode can occur for each combination pattern of the degree of abnormality of each of the physical quantity estimated value PV1, the physical quantity estimated value PV2, and the observed value A1.
  • FIG. 13 is a flowchart showing an example of processing of the abnormality diagnosis device according to the third embodiment of the present disclosure.
  • the details of the abnormality diagnosis process by the abnormality diagnosis device 5 according to the present embodiment will be described with reference to FIG. 13.
  • the observation value acquisition unit 51 of the abnormality diagnosis device 5 acquires the observation values A1, A2, and A3 from the first sensor 31, the second sensor 32, and the third sensor 33 of the device 1, respectively (step). S121).
  • the estimated value acquisition unit 55 of the abnormality diagnosis device 5 acquires the estimated physical quantity PV1 and PV2 of the device 1 estimated based on the observed values A1, A2 and A3 (step S122). For example, the estimated value acquisition unit 55 estimates and acquires the physical quantity estimated values PV1 and PV2 of the device 1 by using a known estimation algorithm using a Kalman filter, a hidden Markov model, or the like.
  • the abnormality determination unit 52 of the abnormality diagnosis device 5 determines whether or not there is an abnormality in each of the observation value A1 acquired by the observation value acquisition unit 51 and the physical quantity estimated values PV1 and PV2 estimated by the estimation value acquisition unit 55. Alternatively, the degree of abnormality is determined (step S123).
  • the specific content of the process is the same as that of step S102 (FIG. 5) of the first embodiment or step S112 (FIG. 9) of the second embodiment.
  • the abnormality determination unit 52 determines whether or not all the observed values and physical quantities are normal (step S124).
  • the abnormality determination unit 52 determines that all of the observed values A1 and the estimated physical quantities PV1 and PV2 are normal (step S124: YES)
  • the abnormality determination unit 52 determines that the operating state of the device 1 is normal (step S125). ..
  • the abnormality determination unit 52 determines that at least one of the observed value A1 and the estimated physical quantity PV1 and PV2 is other than normal (abnormal, or any of large negative, small negative, small positive, and large positive). If it is determined (step S124: NO), it is determined that the operating state of the device 1 is abnormal (an abnormal mode has occurred). In this case, the factor estimation unit 53 estimates the cause of the abnormal mode based on the factor correspondence table TB3 (FIG. 12) (step S126). The specific contents of the process are the same as those of step S105 (FIG. 5) of the first embodiment and step S115 (FIG. 9) of the second embodiment.
  • the notification unit 54 notifies the determination result by the abnormality determination unit 52 (step S127). Further, when the abnormality determination unit 52 determines that the operating state of the device 1 is abnormal, the notification unit 54 further notifies the factors estimated by the factor estimation unit 53.
  • the abnormality diagnosis device 5 repeatedly executes a series of processes shown in FIG. 13 while the device 1 is in operation to detect the presence or absence of an abnormality in the device 1 in real time and estimate the cause of the abnormality when an abnormality occurs.
  • the abnormality diagnosis device 5 further includes an estimated value acquisition unit 55 for estimating physical quantity estimated values PV1 and PV2 of the device 1 that cannot be observed by the first observation system 3.
  • the abnormality diagnosis device 5 uses the physical quantity estimation values PV1 and PV2 that estimate the internal state quantity of the device 1 in addition to the observation value A1 acquired from the first observation system 3 of the device 1. It is possible to determine the presence or absence of an abnormality and estimate the cause of the abnormality. As a result, the abnormality diagnosis device 5 can improve the detection accuracy even in the abnormality mode, which is difficult to detect only by the change of the observed value.
  • FIG. 14 is a diagram showing the overall configuration of the equipment according to the fourth embodiment of the present disclosure.
  • the equipment 9 according to the present embodiment further includes an estimation device 2.
  • the equipment 9 according to the present embodiment further includes a second observation system 4 in addition to the first observation system 3.
  • the first observation system 3 is a system for observing the state of the device 1.
  • the first observation system 3 observes the first observation value OB1.
  • the first observation system 3 may be provided in the device 1.
  • the first observation system 3 may include the first sensor 31.
  • the first observation system 3 may observe the observation value A1 as the first observation value OB1.
  • the first sensor 31 may be provided inside the device 1, for example. At that time, the first sensor 31 may be a pressure sensor that measures the internal pressure of the device 1 as the observed value A1.
  • the second observation system 4 is a system for observing the state of the device 1.
  • the second observation system 4 observes the second observation value OB2.
  • the second observation system 4 is another observation system that is independent of the first observation system 3.
  • the second observation system 4 may be provided in the device 1.
  • the second observation system 4 may include a second sensor 41, a third sensor 42, and a fourth sensor 43.
  • the second observation system 4 may observe the observation values A2, A3, and A4 as the second observation value OB2.
  • the second sensor 41 may be provided at the outlet of the device 1, for example. At that time, the second sensor 41 may be a thermometer that measures the outlet temperature, which is the temperature of the fluid such as liquid or gas flowing out of the device 1, as the observed value A2.
  • the third sensor 42 may be provided, for example, at the entrance of the device 1. At that time, the third sensor 42 may be a thermometer that measures the inlet temperature, which is the temperature of the fluid such as liquid or gas flowing into the device 1, as the observed value A3.
  • the fourth sensor 43 may be provided in the device 1, for example. At that time, the fourth sensor 43 may be a flow meter that measures the flow rate of a fluid such as a liquid or a gas flowing through the device 1 as the observed value A4.
  • the estimation device 2 is a device for estimating the parameter PR of each model of the device 1, the first observation system 3, and the second observation system 4. Further, the estimation device 2 is a device for providing a network model NWM including the estimated parameter PR to the abnormality diagnosis device 5.
  • the estimation device 2 includes an observation system constraint determination unit 22, a model estimation unit 23, and a consistency determination unit 24.
  • the estimation device 2 may further include a physical quantity constraint determination unit 25 and a model constraint determination unit 26.
  • the estimation device 2 may further include an acquisition unit 21 and an output unit 27.
  • the acquisition unit 21 acquires the first observation value OB1.
  • the acquisition unit 21 may acquire the observation value A1 from the first observation system 3 as the first observation value OB1.
  • the acquisition unit 21 may acquire the internal pressure of the device 1 measured by the first sensor 31 as the observed value A1.
  • the acquisition unit 21 acquires the second observation value OB2.
  • the acquisition unit 21 may acquire the observation values A2, A3, and A4 from the second observation system 4 as the second observation value OB2.
  • the acquisition unit 21 may acquire the outlet temperature measured by the second sensor 41 as the observed value A2.
  • the acquisition unit 21 may acquire the inlet temperature measured by the third sensor 42 as the observed value A3.
  • the acquisition unit 21 may acquire the flow rate measured by the fourth sensor 43 as the observed value A4.
  • the observation system constraint determination unit 22 is based on the time-series data DT1 of the first observation value OB1 observed by the first observation system 3 and the second observation value OB2 observed by the second observation system 4. ,
  • the in-constraint data DT2 which is the data in the first constraint R1, is determined.
  • the observation system constraint determination unit 22 determines whether or not each observation value is data that behaves abnormally as a single entity. For example, as shown in FIG.
  • the observation system constraint determination unit 22 has, as the first constraint R1, a constraint on the maximum value and the minimum value, a constraint on the moving average rate of change, a constraint on the spike occurrence frequency, and a constraint on the variance in the time window.
  • the data DT2 within the constraint may be determined due to the constraint of the observation system such as.
  • the observation system constraint determination unit 22 determines that a record containing an abnormal value as a single observation value is abnormal based on the measurement principle (physical law) of each observation system itself.
  • the data DT3 is the data in which the spike occurrence frequency of the observation values is higher than the specified threshold, or the time window.
  • the data in which the dispersion of the observed values in the data is higher than the specified threshold value, it is determined by the first constraint R1 that the data is out of the constraint.
  • the data DT4 is out of the constraint by the first constraint R1 as data whose observed value is larger than the maximum value defined by the upper limit value or smaller than the minimum value defined by the lower limit value. Is determined.
  • the data DT5 is determined to be out of the constraint by the first constraint R1 as the data whose moving average rate of change is larger than the specified threshold value.
  • the data that is not excluded from the constraint is determined to be the data within the constraint DT2.
  • the observation system constraint determination unit 22 determines that the data of the other observation systems at the same time is out of the constraint. However, it is not necessary to perform the subsequent processing in the estimation device 2.
  • the model estimation unit 23 transfers the parameter PRs of a plurality of models including the observation model MLO, which is a model of each observation system, and the physical model MLP, which is a model in the device 1 in which the observation system is provided, into the constrained data DT2. Estimate based on.
  • the model estimation unit 23 may include a network model NWM including a plurality of observation model MLOs and a plurality of physical model MLPs.
  • each model of the plurality of observation model MLOs and the plurality of physical models MLP may include the parameter PR.
  • the model estimation unit 23 may estimate the parameter PR of each model of the observation model MLO and the physical model MLP in the network model NWM1 as shown in FIG. 3, which is an example of the network model NWM.
  • the model estimation unit 23 obtains the physical quantity estimation value PV1 which is one of the plurality of physical quantity estimation value PVs from the observation value A1 via one observation model MLO. Can be estimated.
  • the model estimation unit 23 estimates the physical quantity estimated value PV1 from the observed value A2, the observed value A3, and the observed value A4 via a plurality of observation model MLOs and a plurality of physical model MLPs. You can also. That is, in the network model NWM1, the model estimation unit 23 can estimate a common physical quantity estimation value PV1 from different systems.
  • the parameter PR of the observation model MLO regarding the observation value A2 is the observation value A2 and the observation value A2'(observation value A2) before the step of observing the observation value A2. It may be estimated from the observed value A2') observed at the time immediately before the observation.
  • the parameter PR of the observation model MLO regarding the observation value A3 is the observation value A3 and the observation value A3'(the time immediately before the observation of the observation value A3) before the step of observing the observation value A3. It may be estimated from the observed value A3') observed in.
  • each model of the observation model MLO and the physical model MLP may be expressed in the form of a nonlinear polynomial based on a theoretical formula and an empirical formula, respectively.
  • the coefficient of the polynomial corresponds to the parameter PR and becomes a parameter for expressing the variation of the actual device 1.
  • each physical model MLP may be a model derived from known pure physical laws in a physical phenomenon.
  • the physical model MLPA shown in FIG. 16 has a physical quantity estimated value PV2 indicating an outlet temperature, a physical quantity estimated value PV3 indicating an inlet temperature, and a physical quantity estimated value PV4 indicating a flow rate. It may be a model capable of calculating a physical quantity estimated value PVA indicating.
  • the physical model MLPB shown in FIG. 16 is a model capable of calculating the physical quantity estimated PVB indicating the saturation temperature in the device 1 from the physical quantity estimated PV2 indicating the outlet temperature and the physical quantity estimated PVA indicating the work amount. May be good.
  • the physical model MLPC shown in FIG. 16 may be a model capable of calculating the physical quantity estimated value PV1 indicating the pressure (saturated vapor pressure) in the equipment 1 from the physical quantity estimated value PVB indicating the saturation temperature in the equipment 1. ..
  • each observation model MLO may be a representative model as shown in FIG. In FIG. 17, the error from the true value caused by the characteristics of the sensor is shown as an internal factor, and the error caused by a factor other than the value to be observed is shown as an external factor. In addition to the internal and external factors that can be modeled, the observed values are further affected by random noise components. In addition, it is necessary to assume that the external factor is "small enough to be ignored", “measures the external factor with another sensor", or "the amount of data that can be treated as noise".
  • the accuracy of the observation system is the full-scale error ( ⁇ 0% F.S.) as shown in FIG. 18 or the indicated value error ( ⁇ 0% R.D.) as shown in FIG. 19 after considering all the errors. It is defined by either one of.) Or an index that combines them. It should be noted that these error ranges are only the accuracy in the case of normal operation, and deviate from this range if the sensor mounting position shifts or a failure occurs.
  • the magnitude of the variation in the result of comparing the values obtained by taking the time window average is called the Allan variance.
  • a typical Allan variance shows a variance as shown in FIG. Note that ⁇ y (f) shown in FIG. 20 is a value related to the magnitude of the allan variance.
  • ⁇ y (f) shown in FIG. 20 is a value related to the magnitude of the allan variance.
  • the parameter PR of the observation model MLO may be estimated based on the data of the record that ideally minimizes the Allan variance.
  • the model estimation unit 23 is the data of the number of records required to estimate each parameter PR from the latest observation value among the within-constraint data DT2 having no abnormality as a single observation value in the observation system constraint determination unit 22.
  • the physical quantity estimated value PV that can be estimated from each system the sum of the squares of the average value of the physical quantity estimated value PV of all the systems and the error of the physical quantity estimated value PV of each system may be integrated in all the records.
  • a reward function for the correctness of the estimation is determined based on the size of the penalty coefficient determined in advance, and this value is minimized.
  • the parameter PR may be estimated.
  • the model estimation unit 23 sets a penalty for the deviation between the physical quantity estimated values PV1 estimated from each system for the observation system capable of deriving a common physical quantity estimated value PV1 by converting the values based on each model of the network model NWM1.
  • the parameter PR may be estimated so that the sum of the penalties for the correction term of each parameter PR is minimized. Even if the number of observation systems is generally extremely small with respect to the number of parameter PRs to be estimated, the model estimation unit 23 can estimate the physical quantity estimation value PV1 by using a plurality of records.
  • the observation model MLO may not be a faithfully modeled observation model, but may be an observation model in which an appropriate range is simplified in consideration of the usage conditions of the device 1 and the specifications of each sensor.
  • the penalty for the correction term from the ideal state of the bias and the scale factor (hereinafter, also referred to as “SF”) may be determined based on the sensor accuracy.
  • the model estimation unit 23 determines the deviation between the physical quantity estimated values PV1 estimated from each system in the network model NWM1 with respect to the magnitude of the squared error average of the difference of each physical quantity estimated value PV1 from the average value of the plurality of physical quantity estimated values PV1. It may be configured as defined by the reward function.
  • the model estimation unit 23 estimates each physical quantity estimated from three or more systems.
  • a reward function may be defined for the magnitude of the squared error average of the difference of each physical quantity estimated value PV from the average value of the plurality of physical quantity estimated values PV.
  • the model estimation unit 23 minimizes the sum of the penalties for the deviation between the physical quantity estimated values PV estimated from each of the three or more systems and the penalty for the correction term of each parameter PR.
  • the parameter PR may be estimated.
  • the consistency determination unit 24 determines that the model is based on the deviation between the first predicted observation value PA1 and the first observation value OB1 predicted from the second observation value OB2 based on the parameter PRs of the plurality of models estimated by the model estimation unit 23. Determine consistency. As a result, the consistency determination unit 24 can regress an observed value based on the estimated parameter PR from another observed value and evaluate the magnitude of the deviation.
  • the first predicted observed value PA1 is a value derived by conversion of a value based on each model of the network model NWM1, and is a value corresponding to the first observed value OB1 in the network model NWM1.
  • the consistency determination unit 24 has a first predicted observation value PA1 which is a regression result predicted based on the parameter PR of each model estimated by the model estimation unit 23, and a first observation value OB1 which is an actually measured value. May be compared.
  • the consistency determination unit 24 has a deviation between the first predicted observation value PA1 predicted from the second observation value OB2 and the first observation value OB1 within the specification range of the first observation system 3. It may be determined whether it is within.
  • the consistency determination unit 24 has the first predicted observed value PA1 predicted from the observed value A2, the observed value A3, and the observed value A4, and the observed value A1. It may be determined whether the deviation is within the specification range of the first observation system 3. For example, the consistency determination unit 24 sets the observed value A2, the observed value A3, and the observed value A4 via a plurality of observation model MLOs and a plurality of physical model MLPs into which the parameter PR estimated by the model estimation unit 23 is introduced. Therefore, the first predicted observed value PA1 may be predicted, and the predicted first predicted observed value PA1 and the observed value A1 may be compared.
  • the consistency determination unit 24 may acquire the difference between the first predicted observed value PA1 and the first observed value OB1 as the deviation between the first predicted observed value PA1 and the first observed value OB1. At that time, as a determination of the consistency of the model, if the acquired difference is equal to or less than the specified threshold value, the plurality of observation model MLOs into which the parameter PR is introduced and the plurality of physical model MLPs are matched. May be determined.
  • the consistency determination unit 24 may perform mutual regression and evaluate mutual consistency for all observation systems.
  • the consistency determination unit 24 includes a plurality of observation model MLOs and a plurality of physical model MLPs into which the parameter PR estimated by the model estimation unit 23 is introduced.
  • the second predicted observed value PA2 may be predicted from the observed value A1, the observed value A3, and the observed value A4, and the predicted second predicted observed value PA2 and the observed value A2 may be further compared.
  • the consistency determination unit 24 observes based on the observation value A1, the observation value A2, and the observation value A4.
  • the value A3 may be evaluated, or the observed value A4 may be evaluated based on the observed value A1, the observed value A2, and the observed value A3.
  • the consistency determination unit 24 obtains a deviation for each system to be regressed, and a plurality of obtained systems are obtained.
  • the minimum value of the deviation may be used as the evaluation result of the observed value.
  • the physical quantity constraint determination unit 25 determines whether or not the physical quantity estimated value PV estimated based on the parameter PR is within the second constraint R2.
  • the physical quantity estimated value PV is a physical quantity in the device 1 estimated by the physical model MLP.
  • the second constraint R2 may be a specified numerical range indicating a physical quantity within the design level (specification) of the device 1.
  • the physical quantity constraint determination unit 25 may determine that the physical quantity estimated value PV is normal if it is within the second constraint R2, and may determine that it is abnormal if it is not within the second constraint R2.
  • the parameter PR introduced into each model can be regarded as appropriate in the determination of the physical quantity constraint determination unit 25.
  • the physical quantity constraint determination unit 25 may determine that the device 1 is abnormal. That is, based on the assumption that the physical quantity of the in-constraint data DT2, which is a record determined to be normal, can be estimated, the device if the physical quantity estimated value PV, which is the physical quantity, does not fall within the constraints of the design specifications. It can be regarded as an abnormality of 1.
  • the physical quantity constraint determination unit 25 time-interpolates and time-complements each of the discrete observed values.
  • the physical quantity estimated value PV may be estimated based on the observed value.
  • the physical quantity constraint determination unit 25 may determine whether or not the physical quantity estimated value PV estimated in each time step is within the second constraint R2.
  • the physical quantity constraint determination unit 25 compares each estimated physical quantity estimated value PV with the design level (specification) and determines that it is within the specification, above the specification, or below the specification, and thus has about 2 to 7 stages. It may be converted into discretized data.
  • the model constraint determination unit 26 determines whether or not each parameter PR is within the third constraint R3. For example, the model constraint determination unit 26 may determine whether or not each parameter PR when the consistency determination unit 24 determines that the parameters are consistent is within the third constraint R3.
  • the third constraint R3 for each parameter PR in the physical model MLP may be in a specified numerical range indicating the parameters within the design level (specification) of the device 1.
  • the third constraint R3 for each parameter PR in the observation model MLO may be in a specified numerical range indicating the parameters within the design level (specification) of each observed value.
  • the model constraint determination unit 26 may determine that each parameter PR is normal if it is within the third constraint R3, and may determine that it is abnormal if it is not within the third constraint R3. When it is determined to be normal, it can be considered that each parameter PR introduced into each model is appropriate in the determination of the model constraint determination unit 26.
  • each parameter PR determined by the model constraint determination unit 26 may be a moving window subjected to mutual regression or each parameter estimated for each batch window.
  • the model constraint determination unit 26 compares each estimated parameter PR with the design level (specification), and discretizes by about 2 to 7 stages by determining whether it is within the specification, above the specification, or below the specification. It may be converted into data.
  • the model constraint determination unit 26 may determine that the device 1 is abnormal. That is, based on the assumption that the parameter estimation is performed correctly, if the parameter PR of the physical model MLP does not fall within the constraints of the design specifications, it can be regarded as an abnormality of the device 1.
  • the model constraint determination unit 26 may determine that the observation system is abnormal. Further, the model constraint determination unit 26 may determine that the sensor related to the observation model MLO having the parameter PR determined to be abnormal is abnormal. That is, based on the assumption that the parameter estimation is performed correctly, if the parameter PR of the observation model MLO is not within the constraint of the design specifications, it can be regarded as an abnormality of the observation system.
  • the output unit 27 outputs the parameter PR determined to be normal and the physical quantity estimated value PV estimated based on the parameter PR. Further, the output unit 27 outputs the parameter PR determined to be abnormal and the physical quantity estimated value PV estimated based on the parameter PR. For example, when the parameter PR determined to be abnormal is the parameter PR of the observation model MLO, the output unit 27 outputs that the sensor related to the observation model MLO having the parameter PR determined to be abnormal is abnormal. May be good. For example, the output unit 27 may output that the device 1 is abnormal when the parameter PR determined to be abnormal is the parameter PR of the physical model MLP.
  • the operation of the estimation device 2 of the present embodiment will be described.
  • the operation of the estimation device 2 corresponds to the estimation method of the present embodiment.
  • the operation of the estimation device 2 may be performed as shown in FIG. 27, for example.
  • the acquisition unit 21 acquires the first observation value OB1 observed by the first observation system 3 and the second observation value OB2 observed by the second observation system 4 (ST01: acquisition step).
  • the observation system constraint determination unit 22 is based on the time-series data DT1 of each observation value of the first observation value OB1 and the second observation value OB2, and the data within the constraint which is the data in the first constraint R1.
  • Determine DT2 ST02: Observation system constraint determination step).
  • the model estimation unit 23 sets the parameter PR of a plurality of models including the observation model MLO which is a model of each observation system and the physical model MLP which is a model in the device 1 in which the observation system is provided. Estimate based on the constrained data DT2 (ST03: model estimation step).
  • the consistency determination unit 24 sets the first predicted observation value PA1 and the first observation value OB1 predicted from the second observation value OB2 based on the parameter PRs of the plurality of models estimated by the model estimation unit 23.
  • the consistency of the model is determined from the deviation (ST04: consistency determination step). For example, in ST04, if the deviation is larger than the specified value, the consistency determination unit 24 may determine that the observation model or the physical model is abnormal (ST04A). At that time, the consistency determination unit 24 may delete records that are out of the model even if they are optimized. For example, after the execution of ST04A, the consistency determination unit 24 may determine the inconsistent data among the constrained data DT2 and exclude it from the constrained data DT2 as abnormal data (ST04B).
  • the physical quantity constraint determination unit 25 may determine whether or not the physical quantity estimated value PV estimated based on the parameter PR is within the second constraint R2 (ST05: physical quantity constraint determination step).
  • the model constraint determination unit 26 may determine whether or not each parameter PR is within the third constraint R3 (ST06: model constraint determination step).
  • the output unit 27 outputs the parameter PR determined to be normal and the physical quantity estimated value PV estimated based on the parameter PR, and the parameter PR determined to be abnormal.
  • the physical quantity estimated value PV estimated based on the parameter PR may be output (ST07: output step).
  • the abnormality diagnosis device 5 according to the present embodiment is different from the third embodiment in that the estimated value acquisition unit 55 acquires the physical quantity estimated value PV of the device 1 from the estimation device 2. That is, the estimated value acquisition unit 55 of the abnormality diagnosis device 5 according to the present embodiment acquires the physical quantity estimated value PV estimated by the estimation device 2 as the state quantity of the device 1 in step S122 of FIG.
  • the abnormality determination unit 52 of the abnormality diagnosis device 5 further determines the presence or absence of an abnormality in the device 1 based on the determination results of the observation system constraint determination unit 22 and the physical quantity constraint determination unit 25 of the estimation device 2. You may judge. For example, in step S123 of FIG. 13, the abnormality determination unit 52 of the abnormality diagnosis device 5 has data (observed value) determined to be outside the first constraint R1 by the observation system constraint determination unit 22 of the estimation device 2. If this is the case, it may be determined that this observed value is abnormal. Similarly, in step S123 of FIG.
  • the physical quantity estimated value PV of the child may be determined to be abnormal.
  • the estimated value acquisition unit 55 acquires the physical quantity estimated value PV of the device 1 estimated by the estimation device 2 as the state quantity of the device 1. Further, since the estimation device 2 according to the present embodiment can estimate and optimize the parameter PRs of a plurality of models including the observation model MLO and the physical model MLP, a more accurate physical quantity estimation value PV is estimated. It is possible. As described above, by using the accurate estimated physical quantity PV, the abnormality diagnosis device 5 can further improve the accuracy of estimating the abnormality factor.
  • a program for realizing various functions of the abnormality diagnosis device 5 and the estimation device 2 is recorded on a computer-readable recording medium, and the program recorded on the recording medium is recorded on the microcomputer.
  • Various processes are performed by loading and executing it in a computer system such as.
  • the processes of various processes of the CPU of the computer system are stored in a computer-readable recording medium in the form of a program, and the various processes are performed by the computer reading and executing this program.
  • the computer-readable recording medium refers to a magnetic disk, a magneto-optical disk, a CD-ROM, a DVD-ROM, a semiconductor memory, or the like.
  • the computer program may be distributed to the computer via a communication line, and the computer receiving the distribution may execute the program.
  • the computer 29 included in each of the abnormality diagnosis device 5 and the estimation device 2 is referred to as a CPU 291, a memory 292, a storage / playback device 293, and an Input Output Interface (hereinafter referred to as “IO I / F”). 294 and a communication interface (hereinafter referred to as "communication I / F”) 295.
  • the memory 292 is a medium such as Random Access Memory (hereinafter referred to as “RAM”) that temporarily stores data and the like used in programs executed by the abnormality diagnosis device 5 and the estimation device 2.
  • RAM Random Access Memory
  • the storage / playback device 293 is a device for storing data or the like on an external medium such as a CD-ROM, a DVD, or a flash memory, or playing back data or the like on the external media.
  • the IO I / F 294 is an interface for inputting / outputting information and the like between each of the abnormality diagnosis device 5 and the estimation device 2 and another device.
  • the communication I / F 295 is an interface for communicating between the estimation device 2 and another device via a communication line such as the Internet or a dedicated communication line.
  • the abnormality diagnosis device, the abnormality diagnosis method, and the program described in the above-described embodiment are grasped as follows, for example.
  • the abnormality diagnosis device 5 of the first aspect has an abnormality determination unit 52 that determines the presence or absence of an abnormality for each state quantity acquired from the device 1, and a factor of the abnormality mode of the device 1 identified by fault tree analysis. And, using the factor correspondence table associated with the state amount that becomes abnormal when the factor occurs, the cause of the abnormality of the device 1 from the state amount determined to be abnormal by the abnormality determination unit 52.
  • a factor estimation unit 53 for estimating the above is provided.
  • the abnormality diagnosis device 5 can easily and accurately estimate the cause of the abnormality of the device 1 based on the factor correspondence table.
  • the abnormality diagnosis device 5 of the second aspect further includes an observation value acquisition unit 51 that acquires the observation value observed by the observation system of the device 1 as the state quantity, and the abnormality determination unit 52 is said.
  • the abnormality diagnosis device 5 of (1) determines whether or not there is an abnormality in the device 1 by comparing the observed value acquired by the observed value acquisition unit 51 with the normal value or normal pattern of each of the observed values. be.
  • the abnormality diagnosis device 5 can easily and accurately estimate the cause of the abnormality by, for example, the observation value observed by the existing observation system of the device 1 and the factor correspondence table.
  • the abnormality determination unit 52 further determines the degree of abnormality for each of the state quantities according to the difference from the constraint set for each state quantity, and the above-mentioned abnormality diagnosis device 5.
  • the factor estimation unit 53 estimates the cause of the abnormality of the device 1 by using the factor correspondence table further associating the factor with the degree of abnormality of the state quantity that becomes abnormal when the factor occurs. It is the abnormality diagnosis device 5 of (1) or (2).
  • the abnormality diagnostic device 5 narrows down the factors more finely by subdividing each observed value into multiple levels of abnormality rather than the two levels of "normal” or "abnormal". Is possible.
  • the abnormality diagnosis device 5 of the fourth aspect acquires the estimated physical quantity of the device 1 as the state quantity, which is estimated based on the observed value acquired by the observed value acquisition unit 51.
  • the abnormality diagnosis device 5 of (2) further includes a value acquisition unit 55.
  • the abnormality diagnosis device 5 uses the physical quantity estimation values PV1 and PV2 that estimate the internal state quantity of the device 1 in addition to the observation value A1 acquired from the first observation system 3 of the device 1. It is possible to determine the presence or absence of an abnormality and estimate the cause of the abnormality. As a result, the abnormality diagnosis device 5 can improve the detection accuracy even in the abnormality mode, which is difficult to detect only by the change of the observed value.
  • the abnormality diagnosis method of the fifth aspect includes a step of determining the presence or absence of an abnormality for each state quantity acquired from the device 1, a factor of the abnormality mode of the device 1 identified by the fault tree analysis, and the above. It has a step of estimating the cause of the abnormality of the device 1 from the state quantity determined to have an abnormality by using a factor correspondence table associated with the state quantity that becomes abnormal when a factor occurs.
  • the step of determining the presence or absence of an abnormality for each of the state quantities acquired from the device 1, the factor of the abnormality mode of the device 1 identified by the fault tree analysis, and the factor are
  • the abnormality diagnosis device 5 includes a step of estimating the cause of the abnormality of the device 1 from the state quantity determined to have an abnormality by using a factor correspondence table associated with the state quantity that becomes abnormal when it occurs. Let the computer 29 execute.
  • the cause of the abnormality of the device can be easily and accurately estimated.

Landscapes

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

Abstract

異常診断装置は、機器から取得した状態量それぞれについて異常の有無を判定する異常判定部と、フォールトツリー解析により特定された前記機器の異常モードの要因と、前記要因が発生した場合に異常となる前記状態量とを対応付けた要因対応表を用いて、前記異常判定部により異常があると判定された状態量から前記機器の異常の要因を推定する要因推定部と、を備える。

Description

異常診断装置、異常診断方法、及びプログラム
　本開示は、異常診断装置、異常診断方法、及びプログラムに関する。
　本願は、２０２０年７月３１日に、日本に出願された特願２０２０－１３０７８８に基づき優先権を主張し、その内容をここに援用する。
　大型冷凍機や水中ポンプのような機器、プラント等では、観測系で異常な観測値を検知するとともに、異常が発生した要因を特定する異常診断を行い、健全性を監視することが知られている。
　例えば特許文献１には、観測系で観測された現実のデータからプラントの状態推定モデルを作成し、状態推定モデルによる予測のばらつきが増えた観測値を含む部分を異常とみなすことで、異常な振る舞いをしている箇所、すなわち異常要因を特定することが記載されている。
日本国特許第６２４６７５５号公報
　しかしながら、特許文献１に記載された技術は、異常要因と、異常な振る舞いをする観測値との対応を体系的に示す手法ではない。したがって、特許文献１に記載された技術では、異常な観測値を特定できたとしても、異常要因を正しく診断するためには、異常要因に対応する独立した観測系を多数用意しなければならない。このため、既存の観測系を用いて、異常診断を精度よく行う技術が求められていた。
　本開示は、このような課題に鑑みてなされたものであって、機器の異常の要因を容易且つ精度よく推定可能な異常診断装置、異常診断方法、及びプログラムを提供する。
　本開示の一態様によれば、異常診断装置は、機器から取得した状態量それぞれについて異常の有無を判定する異常判定部と、フォールトツリー解析により特定された前記機器の異常モードの要因と、前記要因が発生した場合に異常となる前記状態量とを対応付けた要因対応表を用いて、前記異常判定部により異常があると判定された状態量から前記機器の異常の要因を推定する要因推定部と、を備える。
　本開示の一態様によれば、異常診断方法は、機器から取得された状態量それぞれについて異常の有無を判定するステップと、フォールトツリー解析により特定された前記機器の異常モードの要因と、前記要因が発生した場合に異常となる前記状態量とを対応付けた要因対応表を用いて、異常があると判定された状態量から前記機器の異常の要因を推定するステップと、を有する。
　本開示の一態様によれば、プログラムは、機器から取得された状態量それぞれについて異常の有無を判定するステップと、フォールトツリー解析により特定された前記機器の異常モードの要因と、前記要因が発生した場合に異常となる前記状態量とを対応付けた要因対応表を用いて、異常があると判定された状態量から前記機器の異常の要因を推定するステップと、を異常診断装置のコンピュータに実行させる。
　本開示に係る異常診断装置、異常診断方法、及びプログラムによれば、機器の異常の要因を容易且つ精度よく推定することができる。
本開示の第１の実施形態に係る設備の全体構成を示す図である。 本開示の第１の実施形態に係る要因対応表を説明するための第１の図である。 本開示の第１の実施形態に係る要因対応表を説明するための第２の図である。 本開示の第１の実施形態に係る要因対応表を説明するための第３の図である。 本開示の第１の実施形態に係る異常診断装置の処理の一例を示すフローチャートである。 本開示の第２の実施形態に係る要因対応表を説明するための第１の図である。 本開示の第２の実施形態に係る要因対応表を説明するための第２の図である。 本開示の第２の実施形態に係る要因対応表を説明するための第３の図である。 本開示の第２の実施形態に係る異常診断装置の処理の一例を示すフローチャートである。 本開示の第３の実施形態に係る異常診断装置の機能構成を示す図である。 本開示の第３の実施形態に係る要因対応表を説明するための第１の図である。 本開示の第３の実施形態に係る要因対応表を説明するための第２の図である。 本開示の第３の実施形態に係る異常診断装置の処理の一例を示すフローチャートである。 本開示の第４の実施形態に係る設備の全体構成を示す図である。 本開示の第４の実施形態に観測系制約判定部の機能を説明する図である。 本開示の第４の実施形態にモデル推定部の機能を説明する図である。 本開示の第４の実施形態に観測モデルを説明する図である。 フルスケール誤差を説明する図である。 指示値誤差を説明する図である。 アラン分散を説明する図である。 アラン分散と時間窓との関係を説明する図である。 本開示の第４の実施形態にモデル推定部の機能を説明する図である。 本開示の第４の実施形態に整合性判定部の機能を説明する図である。 本開示の第４の実施形態に整合性判定部の機能を説明する図である。 本開示の第４の実施形態に整合性判定部の機能を説明する図である。 本開示の第４の実施形態に整合性判定部の機能を説明する図である。 本開示の第４の実施形態に推定方法のフローチャートである。 各実施形態に係る異常診断装置及び推定装置が備えるコンピュータのハードウェア構成の例を示す図である。
　以下、本開示に係る実施形態について、図面を用いて説明する。すべての図面において同一または相当する構成には同一の符号を付し、共通する説明は省略する。
＜第１の実施形態＞
（全体構成）
　図１は、本開示の第１の実施形態に係る設備の全体構成を示す図である。
　図１に示すように、設備９は、機器１と、異常診断装置５と、第一観測系３とを備えている。
　機器１は、例えば大型冷凍機、水中ポンプ等である。
　異常診断装置５は、機器１の異常の有無の検知、及び異常要因を診断する。また、異常診断装置５は、第一観測系３と有線又は無線で通信可能に接続されている。
　第一観測系３は、機器１の状態を観測するためのシステムであり、例えば複数のセンサ（第一センサ３１、第二センサ３２、第三センサ３３、・・・）により構成される。
　第一センサ３１は、例えば機器１の内部に設けられ、観測値Ａ１として機器１の内部圧力を計測する圧力センサであってもよい。第二センサ３２は、例えば機器１の入口又は出口に設けられ、観測値Ａ２として機器１の入口温度又は出口温度を計測する温度計であってもよい。第三センサ３３は、例えば機器１に設けられ、観測値Ａ３として機器１を流れる液体、気体等の流量を計測する流量計であってもよい。なお、観測値Ａ１、Ａ２、Ａ３、・・・は、本実施形態における機器１の状態量の一例である。
（異常診断装置の機能構成）
　異常診断装置５は、機器１の異常の有無を検知するとともに、異常の要因を推定するための装置である。図１に示すように、異常診断装置５は、観測値取得部５１と、異常判定部５２と、要因推定部５３とを備えている。
　観測値取得部５１は、機器１の第一観測系３により観測された観測値Ａ１、Ａ２、Ａ３を機器１の状態量として取得する。
　異常判定部５２は、機器１から取得した状態量それぞれについて異常の有無を判定する。本実施形態では、異常判定部５２は、観測値取得部５１が取得した観測値Ａ１、Ａ２、Ａ３それぞれについて、制約Ｒ１内であれば正常、制約Ｒ１外であれば異常と判定する。
　要因推定部５３は、フォールトツリー解析により特定された機器１の異常モードの要因と、要因が発生した場合に異常となる状態量とを対応付けた要因対応表ＴＢ１を用いて、異常判定部５２により異常があると判定された状態量から機器１の異常の要因を推定する。
　通知部５４は、異常判定部５２による判定結果、要因推定部５３による推定結果を通知するための表示装置、音声出力装置等である。また、通知部５４は、機器１の運用、監視等を行う作業者が操作するコンピュータ、スマートフォン、タブレット等、異常診断装置５とは異なる装置にデータを通知するものであってもよい。
（要因対応表）
　図２は、本開示の第１の実施形態に係る要因対応表を説明するための第１の図である。
　図３は、本開示の第１の実施形態に係る要因対応表を説明するための第２の図である。
　図４は、本開示の第１の実施形態に係る要因対応表を説明するための第３の図である。
　本実施形態では、要因対応表ＴＢ１は、機器１の運用開始前に、異常診断装置５の設計者等により予め作成されているものとする。この要因対応表ＴＢ１の作成方法について、図２～４を参照しながら説明する。
　まず、異常診断装置５の設計段階において、異常診断装置５の設計、開発、メンテナンス等を行う作業者は、図２に示すように、機器１の製品知識（設計、仕様、経験等から得られた知識）に基づいて機器１のフォールトツリー解析を行い、機器１に発生し得る異常モードを複数の要因に分解する。
　異常モードは、機器１の望ましくない故障、事故等を表す。要因は、異常モードの発生に関係する事象を表す。要因は、上位の要因と、上位の要因を引き起こす下位の要因とに更に分解され、階層状に配置されてもよい。例えば、異常モードとして、「凝縮器圧力が高圧となり運転不可となる」という事象が設定されてもよい。このとき、要因１として「圧力センサ（第一センサ３１）の故障」、要因３として「圧力観測値（観測値Ａ１）が実際に高くなっている」等の事象が設定されてもよい。また、要因３については、更に下位の要因３－１、３－２として「冷却塔の動作不良」、「循環ポンプの動作不良」等が設定されてもよい。
　なお、図２には異常モードが一つのみ設定されている例が示されているが、これに限られることはない。機器１の構成、特性に応じて、複数の異常モードが設定され、異常モード毎に図２に示すようなツリーが構成されてもよい。また、図２には要因が２つの階層に分解されている例が示されているが、これに限られることはない。機器１の構成、特性に応じて、要因は３つ以上の階層に分解されてもよい。
　また、作業者は、フォールトツリー解析して得た複数の要因それぞれについて、この要因が発生した場合に異常な値（制約Ｒ１外の値）となる観測値を対応づける。本実施形態では、図２に示すように、作業者は、機器１の第一観測系３により観測可能な観測値Ａ１、Ａ２、Ａ３と各要因とを対応付ける。例えば、機器１の製品知識から、要因３－１が発生した場合に観測値Ａ１及び観測値Ａ３が異常となることが既知であれば、要因３－１には観測値Ａ１及び観測値Ａ３が対応付けられる。
　作業者は、フォールトツリー解析結果と観測値との対応付けが完了すると、図３に示すような要因対応表ＴＢ１を作成する。要因対応表ＴＢ１は、観測値Ａ１、Ａ２、Ａ３の判定結果の組み合わせパターン毎に、異常モードのどの要因が生じ得るかを表したものである。
　例えば、図４に示すように、機器１の観測値Ａ１のみが異常と判定されたとする。この場合、観測値Ａ１が異常であるときに発生し得る要因として、「要因１－１」、「要因２」、「要因３－１」の３つが考えられる。しかしながら、「要因２」及び「要因３－１」は観測値Ａ１及び観測値Ａ３の両方が異常であるときに発生する要因である。図４の例では観測値Ａ３は正常であることから、要因の候補から除外される。したがって、この例では「要因１－１（要因１）」が異常モードを引き起こした要因であると推定することができる。技術者は、このように、観測値Ａ１、Ａ２、Ａ３それぞれの判定結果の組み合わせパターン毎に、発生し得る要因を対応付けて、図３に示す要因対応表ＴＢ１を作成する。
（異常診断方法の処理フロー）
　図５は、本開示の第１の実施形態に係る異常診断装置の処理の一例を示すフローチャートである。
　以下、図５を参照しながら、本実施形態に係る異常診断装置５による異常診断処理の詳細について説明する。
　図５に示すように、異常診断装置５の観測値取得部５１は、機器１の第一センサ３１、第二センサ３２、第三センサ３３から観測値Ａ１、Ａ２、Ａ３をそれぞれ取得する（ステップＳ１０１）。
　次に、異常診断装置５の異常判定部５２は、観測値Ａ１、Ａ２、Ａ３のそれぞれについて、異常の有無を判定する（ステップＳ１０２）。
　次に、異常診断装置５の要因推定部５３は、異常と判定された観測値の有無を判断する（ステップＳ１０３）。
　例えば、異常判定部５２は、観測値Ａ１が制約Ｒ１として設定された閾値（上限値又は下限値）以内である場合、観測値Ａ１が正常であると判定する。一方、異常判定部５２は、観測値Ａ１が閾値を超える場合は、観測値Ａ１が異常であると判定する。
　また、異常判定部５２は、観測値Ａ１の変化量が制約Ｒ１として設定された閾値以内である場合、観測値Ａ１が正常であると判定してもよい。この場合、異常判定部５２は、観測値Ａ１の変化量が閾値を超える場合は、観測値Ａ１が異常であると判定する。
　更に、異常判定部５２は、ｋ近傍法、Ｏｎｅ　Ｃｌａｓｓ　ＳＶＭ（Support Vector Machine）等を利用した既知の異常検知アルゴリズムを用いて、観測値Ａ１が制約Ｒ１内を示す正常パターンを示しているか制約Ｒ１外である異常パターンを示しているかを判定してもよい。
　異常判定部５２は、観測値Ａ２、Ａ３についても同様に、正常であるか異常であるかをそれぞれ判定する。
　次に、異常判定部５２は、全ての観測値が正常であったか否かを判断する（ステップＳ１０３）。
　異常判定部５２は、全ての観測値Ａ１、Ａ２、Ａ３が正常であると判定した場合（ステップＳ１０３：ＹＥＳ）、機器１の運転状態が正常であると判定する（ステップＳ１０４）。
　一方、異常判定部５２は、観測値Ａ１、Ａ２、Ａ３のうち少なくとも一つが異常であると判定した場合（ステップＳ１０３：ＮＯ）、機器１の運転状態が異常である（異常モードが発生した）と判定する。この場合、要因推定部５３は、要因対応表ＴＢ１（図３）に基づいて異常モードの要因を推定する（ステップＳ１０５）。
　具体的には、要因推定部５３は、要因対応表ＴＢ１から、異常判定部５２による観測値の判定結果の組み合わせパターンと対応付けられた要因を選択する。例えば、図４の例のように、観測値Ａ１の判定結果が「異常」であり、観測値Ａ２及びＡ３の判定結果が「正常」であったとする。この場合、要因推定部５３は、要因対応表ＴＢ１を参照し、この判定結果の組み合わせ示す「パターン４」と対応付けられた「要因１－１」が、機器１の異常モードの要因であると推定する。
　なお、図３の「パターン５」のように、要因が一つに絞り込めないパターンが存在する場合がある。この場合、要因推定部５３は、異常モードの要因を一つのみに特定するのではなく、「パターン５」に対応する「要因２」及び「要因３－１」の両方を、異常モードの要因の候補として推定してもよい。
　また、要因対応表ＴＢ１から要因が一つに絞り込めない「パターン５」について、他の実施形態では、例えば、機器１に「要因２」と「要因３－１」とを識別するための追加の観測系（不図示）を設けておいてもよい。この場合、要因推定部５３は、この追加の観測系から得られた観測値に基づいて、「パターン５」が観測されたときの異常モードの要因が「要因２」であるか、「要因３－１」であるかを更に推定してもよい。このとき、追加の観測系は、「パターン５」の「要因２」及び「要因３－１」のような、第一観測系３の観測値のみでは識別ができない要因に対応する箇所のみに設ければよい。したがって、第一観測系３の観測値から一つに絞り込める要因については、追加の観測系を設ける必要はない。このため、要因の識別のために追加の観測系を設ける場合であっても、観測系の増加を最低限に抑制することができる。
　更に他の実施形態では、要因推定部５３は、要因を絞り込むための検査手順を更に実行して、「パターン５」が観測されたときの異常モードの要因が「要因２」であるか、「要因３－１」であるかを更に推定してもよい。このようにすることで、要因識別のための追加の観測系が不要となるので、機器１の異常診断に係るコストを抑制することができる。
　次に、通知部５４は、異常判定部５２による判定結果を通知する（ステップＳ１０６）。また、通知部５４は、異常判定部５２により機器１の運転状態が異常であると判定された場合、要因推定部５３により推定された要因を更に通知する。
　異常診断装置５は、機器１の稼働中、図５に示す一連の処理を繰り返し実行することにより、機器１の異常の有無をリアルタイムで検出するとともに、異常発生時には異常の要因を推定する。
（作用効果）
　以上のように、本実施形態に係る異常診断装置５において、異常判定部５２が機器１から取得した状態量（観測値Ａ１、Ａ２、Ａ３）のうち少なくとも一つの異常を検出した場合、要因推定部５３は、異常モードの要因と、要因が発生した場合に異常となる状態量とを予め対応付けた要因対応表ＴＢ１に基づいて、機器１の異常モードの要因を推定する。
　このようにすることで、異常診断装置５は、要因対応表ＴＢ１に基づいて機器１の異常の要因を容易且つ精度よく推定することができる。
＜第２の実施形態＞
　次に、本開示の第２の実施形態に係る異常診断装置５について説明する。第１の実施形態と共通の構成要素には同一の符号を付して詳細説明を省略する。
（要因対応表）
　図６は、本開示の第２の実施形態に係る要因対応表を説明するための第１の図である。
　図７は、本開示の第２の実施形態に係る要因対応表を説明するための第２の図である。
　図８は、本開示の第２の実施形態に係る要因対応表を説明するための第３の図である。
　本実施形態においても、要因対応表ＴＢ２は、機器１の運用開始前に、異常診断装置５の設計者等により予め作成されているものとする。本実施形態に係る要因対応表ＴＢ２の作成方法について、図６～８を参照しながら説明する。
　まず、図６に示すように、異常診断装置５の設計段階において、異常診断装置５の設計、開発、メンテナンス等を行う作業者は、機器１のフォールトツリー解析を行う。これは第１の実施形態と同様である。また、本実施形態では、フォールトツリー解析して得た複数の要因それぞれについて、この要因が発生した場合に各観測値Ａ１、Ａ２、Ａ３が取り得る値の異常度合いを対応付ける。
　異常度合いは、各観測値を、観測値毎に設定された制約Ｒ１からの差に応じて複数の水準に離散化した評価値である。例えば、異常度合いは、図７の離散化表に示すように、各観測値について２～７水準の何れかに離散化されてもよい。例えば、３水準に離散化する場合、異常度合いは、観測値が制約Ｒ１よりも負側の値となる「負性」、制約Ｒ１内である「正常」、制約Ｒ２よりも陽側の値となる「陽性」の３つの段階で表される。また、５水準に離散化する場合、例えば観測値が制約Ｒ１からどのくらい負側／陽側に離れているかに応じて、「負性」／「陽性」を更に「大負性」／「大陽性」、及び「小負性」／「小陽性」の２段階にそれぞれ分割してもよい。７水準に離散化する場合、例えば観測値が制約Ｒ１からどのくらい負側／陽側に離れているかに応じて、「負性」／「陽性」を更に「大負性」／「大陽性」、「中負性」／「中陽性」、及び「小負性」／「小陽性」の３段階にそれぞれ分割してもよい。
　本実施形態では、例えば、２水準の異常度合い（「正常」又は「異常」）のみで要因を一つに絞り込むことが困難な場合（例えば、図３の要因対応表ＴＢ１の「パターン５」）、観測値の異常度合いを３水準～７水準に細分化する。なお、離散化水準は、観測値毎に異なっていてもよい。本実施形態では、図６に示すように、各観測値を５水準の異常度合いで表した例について説明する。
　作業者は、フォールトツリー解析結果と観測値の異常度合いとの対応付けが完了すると、図８に示すような要因対応表ＴＢ２を作成する。要因対応表ＴＢ２は、観測値Ａ１、Ａ２、Ａ３の異常度合いの組み合わせパターン毎に、異常モードのどの要因が生じ得るかを表したものである。
（異常診断方法の処理フロー）
　図９は、本開示の第２の実施形態に係る異常診断装置の処理の一例を示すフローチャートである。
　以下、図９を参照しながら、本実施形態に係る異常診断装置５による異常診断処理の詳細について説明する。
　図９に示すように、異常診断装置５の観測値取得部５１は、機器１の第一センサ３１、第二センサ３２、第三センサ３３から観測値Ａ１、Ａ２、Ａ３をそれぞれ取得する（ステップＳ１１１）。
　次に、異常診断装置５の異常判定部５２は、観測値Ａ１、Ａ２、Ａ３のそれぞれについて、観測値毎に設定された制約Ｒ１からの差に応じた異常度合いを判定する（ステップＳ１１２）。
　例えば、異常判定部５２は、観測値Ａ１を「大負性」、「小負性」、「正常」、「小陽性」、「大陽性」の５水準の異常度合いの何れかであると判定する。異常判定部５２は、例えば観測値Ａ１が制約Ｒ１として設定された第１下限値以上、第１上限値未満の範囲内である場合、観測値Ａ１が正常であると判定する。また、異常判定部５２は、観測値Ａ１が第１下限値未満且つ第２下限値以上である場合は「小負性」、第２下限値未満である場合は「大負性」であると判定する。異常判定部５２は、観測値Ａ１が第１上限値以上且つ第２上限値未満である場合は「小陽性」、第２上限値以上である場合は「大陽性」であると判定する。
　なお、他の実施形態では、異常判定部５２は、観測値Ａ１の変化量に基づいて異常度合いを判定してもよいし、ｋ近傍法、Ｏｎｅ　Ｃｌａｓｓ　ＳＶＭ（Support Vector Machine）等を利用した既知の異常検知アルゴリズムを用いて、観測値Ａ１の異常度合いを判定してもよい。
　また、異常判定部５２は、観測値Ａ２、Ａ３についても同様に異常度合いを判定する。
　次に、異常判定部５２は、全ての観測値の異常度合いが正常であったか否かを判断する（ステップＳ１１３）。
　異常判定部５２は、全ての観測値Ａ１、Ａ２、Ａ３の異常度合いが正常であると判定した場合（ステップＳ１１３：ＹＥＳ）、機器１の運転状態が正常であると判定する（ステップＳ１１４）。
　一方、異常判定部５２は、観測値Ａ１、Ａ２、Ａ３それぞれの異常度のうち少なくとも一つが正常以外（大負性、小負性、小陽性、大陽性の何れか）であると判定した場合（ステップＳ１１３：ＮＯ）、機器１の運転状態が異常である（異常モードが発生した）と判定する。この場合、要因推定部５３は、要因対応表ＴＢ２（図８）に基づいて異常モードの要因を推定する（ステップＳ１１５）。
　具体的には、要因推定部５３は、要因対応表ＴＢ２から、異常判定部５２による観測値の異常度合いの組み合わせパターンと対応付けられた要因を選択する。例えば、図８の例のように、観測値Ａ１の異常度合いが「小陽性」、観測値Ａ２の異常度合いが「正常」、観測値Ａ３の異常度合いが「小負性」であったとする。この場合、要因推定部５３は、要因対応表ＴＢ２を参照し、この判定結果の組み合わせ示す「パターン２」と対応付けられた「要因２」が、機器１の異常モードの要因であると推定する。
　次に、通知部５４は、異常判定部５２による判定結果を通知する（ステップＳ１１６）。また、通知部５４は、異常判定部５２により機器１の運転状態が異常であると判定された場合、要因推定部５３により推定された要因を更に通知する。
　異常診断装置５は、機器１の稼働中、図９に示す一連の処理を繰り返し実行することにより、機器１の異常の有無をリアルタイムで検出するとともに、異常発生時には異常の要因を推定する。
（作用効果）
　以上のように、本実施形態に係る異常診断装置５において、異常判定部５２は、観測値それぞれについて、制約Ｒ１からの差に応じた異常度合いを更に判定する。要因推定部５３は異常モードの要因と、各観測値の異常度合いとを予め対応付けた要因対応表ＴＢ２を用いて、機器１の異常モードの要因を推定する。
　例えば第１の実施形態では、観測値の異常の有無を示す判定結果（２水準）から、異常モードの要因を一つに絞り込むことができない場合があった。しかしながら、本実施形態に係る異常診断装置５は、各観測値を「正常」又は「異常」の２水準ではなく、多段階の異常度合いに細分化して判定することにより、より細かく要因を絞り込むことが可能となる。
＜第３の実施形態＞
　次に、本開示の第３の実施形態に係る異常診断装置５について説明する。第１及び第２の実施形態と共通の構成要素には同一の符号を付して詳細説明を省略する。
（異常診断装置の機能構成）
　図１０は、本開示の第３の実施形態に係る異常診断装置の機能構成を示す図である。
　図１０に示すように、本実施形態に係る異常診断装置５は、推定値取得部５５を更に備える。
　推定値取得部５５は、観測値取得部５１により取得された観測値Ａ１、Ａ２、Ａ３に基づいて推定された、機器１の物理量推定値ＰＶ１、ＰＶ２、・・・を、機器１の状態量として取得する。なお、本実施形態において、物理量推定値ＰＶは、機器１の入出力条件の関係に影響を及ぼす、観測系では観測できない機器１の内部状態量である。物理量推定値ＰＶは、例えば、機器１が有する熱交換器の終端温度差、冷凍能力等の機器１内の仕事量等である。
（要因対応表）
　図１１は、本開示の第３の実施形態に係る要因対応表を説明するための第１の図である。
　図１２は、本開示の第３の実施形態に係る要因対応表を説明するための第２の図である。
　本実施形態においても、要因対応表ＴＢ３は、機器１の運用開始前に、異常診断装置５の設計者等により予め作成されているものとする。本実施形態に係る要因対応表ＴＢ３の作成方法について、図１１～１２を参照しながら説明する。
　まず、図１１に示すように、異常診断装置５の設計段階において、異常診断装置５の設計、開発、メンテナンス等を行う作業者は、機器１のフォールトツリー解析を行う。これは第１及び第２の実施形態と同様である。また、本実施形態では、フォールトツリー解析して得た複数の要因それぞれについて、この要因が発生した場合に物理量推定値ＰＶ１、物理量推定値ＰＶ２、観測値Ａ１、・・・が取り得る値の異常度合いを対応付ける。なお、図１１では、物理量推定値ＰＶ１、ＰＶ２及び状態量Ａ１それぞれが５水準の異常度合いで分類される例が示されているが、これに限られることはない。異常モードの要因を一つに絞り込めることが可能であれば、各物理量及び観測値の異常度合いは、図７に示す２水準～７水準の何れに設定されてもよい。
　作業者は、フォールトツリー解析結果と、物理量及び観測値の異常度合いとの対応付けが完了すると、図１２に示すような要因対応表ＴＢ３を作成する。要因対応表ＴＢ３は、物理量推定値ＰＶ１、物理量推定値ＰＶ２、及び観測値Ａ１それぞれの異常度合いの組み合わせパターン毎に、異常モードのどの要因が生じ得るかを表したものである。
（異常診断方法の処理フロー）
　図１３は、本開示の第３の実施形態に係る異常診断装置の処理の一例を示すフローチャートである。
　以下、図１３を参照しながら、本実施形態に係る異常診断装置５による異常診断処理の詳細について説明する。
　図１３に示すように、異常診断装置５の観測値取得部５１は、機器１の第一センサ３１、第二センサ３２、第三センサ３３から観測値Ａ１、Ａ２、Ａ３をそれぞれ取得する（ステップＳ１２１）。
　次に、異常診断装置５の推定値取得部５５は、観測値Ａ１、Ａ２、Ａ３に基づいて推定された、機器１の物理量推定値ＰＶ１、ＰＶ２を取得する（ステップＳ１２２）。例えば、推定値取得部５５は、カルマンフィルタ、隠れマルコフモデル等を利用した既知の推定アルゴリズムを用いて、機器１の物理量推定値ＰＶ１、ＰＶ２を推定して取得する。
　次に、異常診断装置５の異常判定部５２は、観測値取得部５１が取得した観測値Ａ１、及び、推定値取得部５５が推定した物理量推定値ＰＶ１、ＰＶ２のそれぞれについて、異常の有無、又は、異常度合いを判定する（ステップＳ１２３）。具体的な処理の内容については、第１の実施形態のステップＳ１０２（図５）、又は第２の実施形態のステップＳ１１２（図９）と同様である。
　次に、異常判定部５２は、全ての観測値及び物理量が正常であったか否かを判断する（ステップＳ１２４）。
　異常判定部５２は、観測値Ａ１、及び物理量推定値ＰＶ１、ＰＶ２の全てが正常であると判定した場合（ステップＳ１２４：ＹＥＳ）、機器１の運転状態が正常であると判定する（ステップＳ１２５）。
　一方、異常判定部５２は、観測値Ａ１、及び物理量推定値ＰＶ１、ＰＶ２の少なくとも一つが正常以外（異常、又は、大負性、小負性、小陽性、大陽性の何れか）であると判定した場合（ステップＳ１２４：ＮＯ）、機器１の運転状態が異常である（異常モードが発生した）と判定する。この場合、要因推定部５３は、要因対応表ＴＢ３（図１２）に基づいて異常モードの要因を推定する（ステップＳ１２６）。具体的な処理の内容については、第１の実施形態のステップＳ１０５（図５）、第２の実施形態のステップＳ１１５（図９）と同様である。
　次に、通知部５４は、異常判定部５２による判定結果を通知する（ステップＳ１２７）。また、通知部５４は、異常判定部５２により機器１の運転状態が異常であると判定された場合、要因推定部５３により推定された要因を更に通知する。
　異常診断装置５は、機器１の稼働中、図１３に示す一連の処理を繰り返し実行することにより、機器１の異常の有無をリアルタイムで検出するとともに、異常発生時には異常の要因を推定する。
（作用効果）
　以上のように、本実施形態に係る異常診断装置５は、第一観測系３により観測することができない機器１の物理量推定値ＰＶ１、ＰＶ２を推定する推定値取得部５５を更に備える。
　このようにすることで、異常診断装置５は、機器１の第一観測系３から取得した観測値Ａ１に加えて、機器１の内部状態量を推定した物理量推定値ＰＶ１、ＰＶ２を用いて、異常の有無の判定、及び、異常要因の推定を行うことができる。これにより、異常診断装置５は、観測値の変化だけでは検出が難しい異常モードについても、検出精度を向上させることができる。
＜第４の実施形態＞
　次に、本開示の第４の実施形態に係る異常診断装置５について説明する。第１から第３の実施形態と共通の構成要素には同一の符号を付して詳細説明を省略する。
　図１４は、本開示の第４の実施形態に係る設備の全体構成を示す図である。
　図１４に示すように、本実施形態に係る設備９は、推定装置２を更に備える。また、本実施形態に係る設備９は、第一観測系３に加え、第二観測系４を更に備える。
（第一観測系の構成）
　第一観測系３は、機器１の状態を観測するためのシステムである。
　第一観測系３は、第一観測値ＯＢ１を観測する。
　例えば、第一観測系３は、機器１に設けられてもよい。
　例えば、第一観測系３は、第一センサ３１を備えてもよい。
　例えば、第一観測系３は、第一観測値ＯＢ１として、観測値Ａ１を観測してもよい。
　例えば、第一センサ３１は、例えば、機器１の内部に設けられてもよい。その際、第一センサ３１は、観測値Ａ１として、機器１の内部圧力を計測する圧力センサであってもよい。
（第二観測系の構成）
　第二観測系４は、機器１の状態を観測するためのシステムである。
　第二観測系４は、第二観測値ＯＢ２を観測する。
　第二観測系４は、第一観測系３に対し独立している他の観測系である。
　例えば、第二観測系４は、機器１に設けられてもよい。
　例えば、第二観測系４は、第二センサ４１と、第三センサ４２と、第四センサ４３と、を備えてもよい。
　例えば、第二観測系４は、第二観測値ＯＢ２として、観測値Ａ２、Ａ３、Ａ４を観測してもよい。
　例えば、第二センサ４１は、例えば、機器１の出口に設けられてもよい。その際、第二センサ４１は、観測値Ａ２として、機器１内から流出する液体、気体等の流体温度である出口温度を計測する温度計であってもよい。
　また、第三センサ４２は、例えば、機器１の入口に設けられてもよい。その際、第三センサ４２は、観測値Ａ３として、機器１内へ流入する液体、気体等の流体温度である入口温度を計測する温度計であってもよい。
　また、第四センサ４３は、例えば、機器１に設けられてもよい。その際、第四センサ４３は、観測値Ａ４として、機器１を流れる液体、気体等の流体流量を計測する流量計であってもよい。
（推定装置の構成）
　推定装置２は、機器１、第一観測系３、及び第二観測系４の各モデルのパラメータＰＲを推定するための装置である。
　また、推定装置２は、異常診断装置５に推定したパラメータＰＲを含むネットワークモデルＮＷＭを提供するための装置である。
　推定装置２は、観測系制約判定部２２と、モデル推定部２３と、整合性判定部２４と、を備える。
　例えば、推定装置２は、物理量制約判定部２５と、モデル制約判定部２６と、をさらに備えてもよい。
　また、推定装置２は、取得部２１と、出力部２７と、をさらに備えてもよい。
（取得部の構成）
　取得部２１は、第一観測値ＯＢ１を取得する。
　例えば、取得部２１は、第一観測値ＯＢ１として、第一観測系３から観測値Ａ１を取得してもよい。
　例えば、取得部２１は、観測値Ａ１として、第一センサ３１で計測された機器１の内部圧力を取得してもよい。
　取得部２１は、第二観測値ＯＢ２を取得する。
　例えば、取得部２１は、第二観測値ＯＢ２として、第二観測系４から観測値Ａ２、Ａ３、Ａ４を取得してもよい。
　例えば、取得部２１は、観測値Ａ２として、第二センサ４１で計測された出口温度を取得してもよい。
　例えば、取得部２１は、観測値Ａ３として、第三センサ４２で計測された入口温度を取得してもよい。
　例えば、取得部２１は、観測値Ａ４として、第四センサ４３で計測された流量を取得してもよい。
（観測系制約判定部の構成）
　観測系制約判定部２２は、第一観測系３で観測された第一観測値ＯＢ１と、第二観測系４で観測された第二観測値ＯＢ２と、の各観測値の時系列データＤＴ１から、第一制約Ｒ１内のデータである制約内データＤＴ２を判定する。
　各観測系単体の制約条件への適合を判定することで、観測系制約判定部２２は、各観測値が単体として異常な振る舞いをしているデータか否かを判定する。
　例えば図２に示すように、観測系制約判定部２２は、第一制約Ｒ１として、最大値及び最小値に関する制約、移動平均変化率に関する制約、スパイク発生頻度に関する制約、時間窓内の分散に関する制約等の観測系制約等により、制約内データＤＴ２の判定を行ってもよい。
　これにより、観測系制約判定部２２は、各観測系そのものの計測原理（物理法則）に基づいて、各観測値単体としてみて異常な値を含むレコードは異常と判定する。
　例えば図１５の場合、各観測系で観測した生の観測値の時系列データである時系列データＤＴ１のうち、データＤＴ３は、観測値のスパイク発生頻度が規定の閾値より高いデータ、又は時間窓内の観測値の分散が規定の閾値より高いデータとして、第一制約Ｒ１により制約外と判定される。
　同様に、時系列データＤＴ１のうち、データＤＴ４は、観測値が上限値で規定される最大値より大きいデータ、又は下限値で規定される最小値より小さいデータとして、第一制約Ｒ１により制約外と判定される。
　同様に、時系列データＤＴ１のうち、データＤＴ５は、移動平均変化率が規定の閾値より大きいデータとして、第一制約Ｒ１により制約外と判定される。
　他方、制約外とされなかったデータは、制約内データＤＴ２と判定される。
　例えば、各観測系のうち、何れかの観測系で制約外の判定が出た場合は、観測系制約判定部２２は、同一時刻の他の観測系のデータに対しても、制約外と判定し、推定装置２における後段の処理は行わなくてもよい。
（モデル推定部の構成）
　モデル推定部２３は、各観測系のモデルである観測モデルＭＬＯと、観測系が設けられる機器１内のモデルである物理モデルＭＬＰと、を含む複数のモデルのパラメータＰＲを、制約内データＤＴ２に基づいて推定する。
　例えば、モデル推定部２３は、複数の観測モデルＭＬＯと複数の物理モデルＭＬＰを含むネットワークモデルＮＷＭを含んでもよい。
　例えば、複数の観測モデルＭＬＯと複数の物理モデルＭＬＰとの各モデルは、パラメータＰＲを含んでよい。
　例えば、モデル推定部２３は、ネットワークモデルＮＷＭの一例である図３に示すようなネットワークモデルＮＷＭ１において、観測モデルＭＬＯと物理モデルＭＬＰとの各モデルのパラメータＰＲを推定してもよい。
　図１６に示すように、ネットワークモデルＮＷＭ１において、モデル推定部２３は、観測値Ａ１から、１つの観測モデルＭＬＯを介して、複数の物理量推定値ＰＶのうちの１つである物理量推定値ＰＶ１を推定できる。
　他方、ネットワークモデルＮＷＭ１において、モデル推定部２３は、観測値Ａ２と観測値Ａ３と観測値Ａ４とから、複数の観測モデルＭＬＯ及び複数の物理モデルＭＬＰを介して、物理量推定値ＰＶ１を推定することもできる。
　すなわち、ネットワークモデルＮＷＭ１において、モデル推定部２３は、異なる系統から、共通の物理量推定値ＰＶ１を推定することができる。
　図１６に示すように、例えば、モデル推定部２３において、観測値Ａ２に関する観測モデルＭＬＯのパラメータＰＲは、観測値Ａ２と、観測値Ａ２を観測したステップの前の観測値Ａ２’（観測値Ａ２を観測した直前の時刻に観測した観測値Ａ２’）と、から推定されてもよい。
　同様に、モデル推定部２３において、観測値Ａ３に関する観測モデルＭＬＯのパラメータＰＲは、観測値Ａ３と、観測値Ａ３を観測したステップの前の観測値Ａ３’（観測値Ａ３を観測した直前の時刻に観測した観測値Ａ３’）と、から推定されてもよい。
（モデルの構成）
　例えば、観測モデルＭＬＯ及び物理モデルＭＬＰの各モデルは、それぞれ理論式及び実験式に基づく非線形多項式の形で表現してもよい。その際、多項式の係数が、パラメータＰＲに相当し、実際の機器１のばらつきを表現するためのパラメータとなる。
　ここで、物理モデルＭＬＰについて詳しく説明する。
　例えば、各物理モデルＭＬＰは、物理現象において、知られた純粋な物理法則から導かれるモデルであってもよい。
　例えば、図１６に示す物理モデルＭＬＰＡは、出口温度を示す物理量推定値ＰＶ２と、入口温度を示す物理量推定値ＰＶ３と、流量を示す物理量推定値ＰＶ４から、冷凍能力等の機器１内の仕事量を示す物理量推定値ＰＶＡを算出できるモデルであってもよい。
　例えば、図１６に示す物理モデルＭＬＰＢは、出口温度を示す物理量推定値ＰＶ２と、仕事量を示す物理量推定値ＰＶＡから、機器１内の飽和温度を示す物理量推定値ＰＶＢを算出できるモデルであってもよい。
　例えば、図１６に示す物理モデルＭＬＰＣは、機器１内の飽和温度を示す物理量推定値ＰＶＢから、機器１内の圧力（飽和蒸気圧）を示す物理量推定値ＰＶ１を算出できるモデルであってもよい。
　次に、観測モデルＭＬＯについて詳しく説明する。
　例えば各観測モデルＭＬＯは、図１７に示すような代表的なモデルであってもよい。
　図１７では、センサの特性によって生じる真値との誤差を内的要因と表し、観測対象の値以外の要因によって生じる誤差を外的要因と示す。
　モデル化可能な内的要因、外的要因のほかに、観測値は、さらにランダムなノイズ成分の影響を受ける。
　なお、外的要因は、「無視できるほど小さい」、「外的要因を別センサで計測」、「ノイズ扱いできるだけのデータ量」のいずれかの前提が必要である。
　観測系の精度は、全ての誤差を考慮した上で図１８に示すようなフルスケール誤差(±〇％Ｆ．Ｓ．)、又は図１９に示すような指示値誤差(±〇％Ｒ．Ｄ．)のどちらか、若しくは、それらを組み合わせた指標によって規定される。
　なお、これらの誤差範囲はあくまで正常動作をしている場合の精度であり、センサの取付け位置ズレや故障が起きるとこの範囲を逸脱する。
　また、同じ値を計測し続けた場合に、時間窓平均を取った値どうしを比較した結果のばらつきの大きさはアラン分散と呼ばれる。
　典型的なアラン分散は、図２０に示すような分散を示す。なお、図２０に示すσｙ（ｆ）は、アラン分散の大きさに関連する値である。
　図２０、図２１に示すように、平均時間τが短い間は、ノイズの影響が支配的で平均値間のばらつきは徐々に小さくなるが、平均時間τを延ばすと逆に観測系パラメータの長期的な変動の影響が顕在化して、ばらつきが徐々に大きくなっていく。
　したがって、例えば、理想的にはアラン分散が極小化するだけのレコードのデータをもとに、観測モデルＭＬＯのパラメータＰＲを推定してもよい。
　例えば、モデル推定部２３は、観測系制約判定部２２で単体の観測値として異常がない制約内データＤＴ２のうち、直近の観測値から、各パラメータＰＲを推定するために必要なレコード数のデータを用いて、各系統から推定できる物理量推定値ＰＶについて、全系統の物理量推定値ＰＶの平均値と各系統の物理量推定値ＰＶの誤差の二乗の和を全レコードで積算してもよい。その際、積算した値と、各パラメータＰＲの補正項の大きさについて、それぞれ事前に定めていたペナルティ係数の大きさに基づいて推定の正しさに対する報酬関数を定め、この値が最小になるようにパラメータＰＲを推定してもよい。
　例えば、モデル推定部２３は、ネットワークモデルＮＷＭ１の各モデルに基づく値の変換によって、共通の物理量推定値ＰＶ１を導出できる観測系について、各系統から推定した物理量推定値ＰＶ１どうしの偏差に対するペナルティと、各パラメータＰＲの補正項に対するペナルティの総和が最小になるようにパラメータＰＲの推定を行ってもよい。
　なお、推定するべきパラメータＰＲの数に対して、観測系の数は一般的に極端に少ない場合でも、複数のレコードを用いることで、モデル推定部２３は、物理量推定値ＰＶ１を推定できる。
　例えば、観測モデルＭＬＯは、忠実にモデル化された観測モデルではなく、機器１の使用条件と各センサの仕様を考慮して適切な範囲を簡素化した観測モデルであってもよい。
　例えば、観測値Ａ１に関する観測モデルＭＬＯにおいて、バイアスやスケールファクター（以下「ＳＦ」ともいう。）の理想状態からの補正項に対するペナルティが、センサ精度に基づいて定められてもよい。
　モデル推定部２３は、ネットワークモデルＮＷＭ１における各系統から推定した物理量推定値ＰＶ１どうしの偏差として、複数の物理量推定値ＰＶ１の平均値からの各物理量推定値ＰＶ１の差分の二乗誤差平均の大きさに対する報酬関数が定めるように構成されてもよい。
　例えば、図２２に示すように、複数のモデルを含むネットワークモデルＮＷＭにおける３以上の異なる系統から各物理量推定値ＰＶが推定できる場合、モデル推定部２３は、３以上の系統から推定した各物理量推定値ＰＶどうしの偏差として、複数の物理量推定値ＰＶの平均値からの各物理量推定値ＰＶの差分の二乗誤差平均の大きさに対する報酬関数を定めてもよい。
　図２２に示す場合も同様に、モデル推定部２３は、３以上の各系統から推定した物理量推定値ＰＶどうしの偏差に対するペナルティと、各パラメータＰＲの補正項に対するペナルティの総和が最小になるようにパラメータＰＲの推定を行ってもよい。
（整合性判定部の構成）
　整合性判定部２４は、モデル推定部２３で推定された複数のモデルのパラメータＰＲに基づき第二観測値ＯＢ２から予測した第一予測観測値ＰＡ１と第一観測値ＯＢ１との偏差から、モデルの整合性を判定する。
　これにより、整合性判定部２４は、推定されたパラメータＰＲに基づいてある観測値を別の観測値から回帰させ、その偏差の大きさを評価できる。
　ここで、第一予測観測値ＰＡ１は、ネットワークモデルＮＷＭ１の各モデルに基づく値の変換によって導出される値であって、ネットワークモデルＮＷＭ１において、第一観測値ＯＢ１に相当する値である。
　例えば、整合性判定部２４は、モデル推定部２３で推定された各モデルのパラメータＰＲを元に予測した回帰結果である第一予測観測値ＰＡ１と、実測値である第一観測値ＯＢ１と、を比較してもよい。
　例えば、モデルの整合性として、整合性判定部２４は、第二観測値ＯＢ２から予測した第一予測観測値ＰＡ１と、第一観測値ＯＢ１と、の偏差が、第一観測系３の仕様範囲内であるかを判定してもよい。
　例えば、図２３に示すように、モデルの整合性として、整合性判定部２４は、観測値Ａ２と観測値Ａ３と観測値Ａ４とから予測した第一予測観測値ＰＡ１と、観測値Ａ１との偏差が、第一観測系３の仕様範囲内であるかを判定してもよい。
　例えば、整合性判定部２４は、モデル推定部２３で推定されたパラメータＰＲが導入された複数の観測モデルＭＬＯ及び複数の物理モデルＭＬＰを介して、観測値Ａ２と観測値Ａ３と観測値Ａ４とから、第一予測観測値ＰＡ１を予測し、予測した第一予測観測値ＰＡ１と観測値Ａ１とを比較してもよい。
　例えば、整合性判定部２４は、第一予測観測値ＰＡ１と第一観測値ＯＢ１との偏差として、第一予測観測値ＰＡ１と第一観測値ＯＢ１との差を取得してもよい。その際、モデルの整合性の判定として、整合性判定部２４は、取得した差が規定の閾値以下なら、パラメータＰＲが導入された複数の観測モデルＭＬＯ及び複数の物理モデルＭＬＰは整合していると判定してもよい。
　例えば、整合性判定部２４は、相互回帰を行い、全ての観測系に対して相互に整合性を評価してもよい。
　例えば、図２３に示した評価に加え、図２４に示すように、整合性判定部２４は、モデル推定部２３で推定されたパラメータＰＲが導入された複数の観測モデルＭＬＯ及び複数の物理モデルＭＬＰを介して、観測値Ａ１と観測値Ａ３と観測値Ａ４とから、第二予測観測値ＰＡ２を予測し、予測した第二予測観測値ＰＡ２と観測値Ａ２とをさらに比較してもよい。
　さらに、図２３に示した観測値Ａ１に関する評価、図２４に示した観測値Ａ２に関する評価と同様に、整合性判定部２４は、観測値Ａ１と観測値Ａ２と観測値Ａ４とに基づき、観測値Ａ３に関する評価を行ってもよいし、観測値Ａ１と観測値Ａ２と観測値Ａ３とに基づき、観測値Ａ４に関する評価を行ってもよい。
　例えば、図２５、図２６に示すように、同一の観測値を回帰する系統が独立して複数ある場合、整合性判定部２４は、回帰する各系統について偏差を求めて、求められた複数の偏差の最小値を観測値の評価結果としてもよい。
（物理量制約判定部の構成）
　物理量制約判定部２５は、パラメータＰＲに基づき推定される物理量推定値ＰＶが、第二制約Ｒ２内か否かを判定する。
　ここで、物理量推定値ＰＶとは、物理モデルＭＬＰにより推定される機器１内の物理量である。
　例えば、物理量制約判定部２５は、整合性判定部２４において整合している判定されたときのパラメータＰＲと制約内データＤＴ２の観測値とに基づき推定される物理量推定値ＰＶが、第二制約Ｒ２内か否かを判定してもよい。
　例えば、第二制約Ｒ２は、機器１の設計水準(仕様)内の物理量を示す規定の数値範囲であってもよい。
　例えば、物理量制約判定部２５は、物理量推定値ＰＶが、第二制約Ｒ２内であれば正常と判定し、第二制約Ｒ２内でなければ異常と判定してもよい。正常と判定された場合、物理量制約判定部２５の判定において、各モデルに導入されたパラメータＰＲは妥当であるとみなすことができる。
　例えば、物理量推定値ＰＶが異常と判定された場合、物理量制約判定部２５は、機器１が異常であると判定してもよい。
　すなわち、正常と判定されたレコードである制約内データＤＴ２について、物理量の推定が行えているものという仮定に基づけば、その物理量である物理量推定値ＰＶが設計仕様の制約以内に収まっていなければ機器１の異常とみることができる。
　例えば、第一制約Ｒ１の適用により、制約内データＤＴ２の各観測値が時間的に離散している場合、物理量制約判定部２５は、離散している各観測値を時間補間し、時間補完した観測値に基づき物理量推定値ＰＶを推定してもよい。
　例えば、物理量制約判定部２５は、各タイムステップで推定された物理量推定値ＰＶが、第二制約Ｒ２内か否かを判定してもよい。
　例えば、物理量制約判定部２５は、推定される各物理量推定値ＰＶを、設計水準(仕様)と比較して、仕様内、仕様以上、仕様以下といった判定を行うことにより、２～７段階程度の離散化データに変換してもよい。
（モデル制約判定部の構成）
　モデル制約判定部２６は、各パラメータＰＲが、第三制約Ｒ３内か否かを判定する。
　例えば、モデル制約判定部２６は、整合性判定部２４において整合している判定されたときの各パラメータＰＲが、第三制約Ｒ３内か否かを判定してもよい。
　例えば、物理モデルＭＬＰにおける各パラメータＰＲに対する第三制約Ｒ３は、機器１の設計水準(仕様)内のパラメータを示す規定の数値範囲であってもよい。
　例えば、観測モデルＭＬＯにおける各パラメータＰＲに対する第三制約Ｒ３は、各観測値の設計水準(仕様)内のパラメータを示す規定の数値範囲であってもよい。
　例えば、モデル制約判定部２６は、各パラメータＰＲが、第三制約Ｒ３内であれば正常と判定し、第三制約Ｒ３内でなければ異常と判定してもよい。正常と判定された場合、モデル制約判定部２６の判定において、各モデルに導入された各パラメータＰＲは妥当であるとみなすことができる。
　例えば、モデル制約判定部２６において判定される各パラメータＰＲは、相互回帰を行った移動窓、又はバッチ窓毎に推定された各パラメータであってもよい。
　例えば、モデル制約判定部２６は、推定される各パラメータＰＲを、設計水準(仕様)と比較して、仕様内、仕様以上、仕様以下といった判定を行うことにより、２～７段階程度の離散化データに変換してもよい。
　例えば、物理モデルＭＬＰのパラメータＰＲが異常と判定された場合、モデル制約判定部２６は、機器１が異常であると判定してもよい。
　すなわち、パラメータ推定が正しく行えているものという仮定に基づけば、物理モデルＭＬＰのパラメータＰＲが設計仕様の制約以内に収まっていなければ、機器１の異常とみることができる。
　例えば、観測モデルＭＬＯのパラメータＰＲが異常と判定された場合、モデル制約判定部２６は、観測系が異常であると判定してもよい。さらに、モデル制約判定部２６は、異常と判定されたパラメータＰＲを有する観測モデルＭＬＯに関連するセンサが異常であると判定してもよい。
　すなわち、パラメータ推定が正しく行えているものという仮定に基づけば、観測モデルＭＬＯのパラメータＰＲが設計仕様の制約以内に収まっていなければ、観測系の異常とみることができる。
（出力部の構成）
　出力部２７は、正常と判定されたパラメータＰＲと、そのパラメータＰＲに基づき推定される物理量推定値ＰＶと、を出力する。
　また、出力部２７は、異常と判定されたパラメータＰＲと、そのパラメータＰＲに基づき推定される物理量推定値ＰＶと、を出力する。
　例えば、出力部２７は、異常と判定されたパラメータＰＲが観測モデルＭＬＯのパラメータＰＲである場合、異常と判定されたパラメータＰＲを有する観測モデルＭＬＯに関連するセンサが異常である旨を出力してもよい。
　例えば、出力部２７は、異常と判定されたパラメータＰＲが物理モデルＭＬＰのパラメータＰＲである場合、機器１が異常である旨を出力してもよい。
（推定装置の動作）
　本実施形態の推定装置２の動作について説明する。
　推定装置２の動作は、本実施形態の推定方法に相当する。
　推定装置２の動作は、例えば図２７に示すように実施されてもよい。
　まず、取得部２１は、第一観測系３で観測された第一観測値ＯＢ１と、第二観測系４で観測された第二観測値ＯＢ２と、を取得する（ＳＴ０１：取得ステップ）。
　ＳＴ０１の実施後、観測系制約判定部２２は、第一観測値ＯＢ１と、第二観測値ＯＢ２と、の各観測値の時系列データＤＴ１から、第一制約Ｒ１内のデータである制約内データＤＴ２を判定する（ＳＴ０２：観測系制約判定ステップ）。
　ＳＴ０２の実施後、モデル推定部２３は、各観測系のモデルである観測モデルＭＬＯと、観測系が設けられる機器１内のモデルである物理モデルＭＬＰと、を含む複数のモデルのパラメータＰＲを、制約内データＤＴ２に基づいて推定する（ＳＴ０３：モデル推定ステップ）。
　ＳＴ０３の実施後、整合性判定部２４は、モデル推定部２３で推定された複数のモデルのパラメータＰＲに基づき第二観測値ＯＢ２から予測した第一予測観測値ＰＡ１と第一観測値ＯＢ１との偏差から、モデルの整合性を判定する（ＳＴ０４：整合性判定ステップ）。
　例えば、ＳＴ０４において、整合性判定部２４は、偏差が規定値より大きい場合は、観測モデル又は物理モデルに異常があると判定してもよい（ＳＴ０４Ａ）。その際、整合性判定部２４は、最適化してもモデルから外れるレコードを削除してもよい。
　例えば、ＳＴ０４Ａの実施後、整合性判定部２４は、制約内データＤＴ２のうち、不整合データを判定し、異常データとして制約内データＤＴ２から排除してもよい（ＳＴ０４Ｂ）。
　例えばＳＴ０４の実施後、物理量制約判定部２５は、パラメータＰＲに基づき推定される物理量推定値ＰＶが、第二制約Ｒ２内か否かを判定してもよい（ＳＴ０５：物理量制約判定ステップ）。
　例えばＳＴ０５と並行して、モデル制約判定部２６は、各パラメータＰＲが、第三制約Ｒ３内か否かを判定してもよい（ＳＴ０６：モデル制約判定ステップ）。
　例えばＳＴ０４及びＳＴ０５の実施後、出力部２７は、正常と判定されたパラメータＰＲと、そのパラメータＰＲに基づき推定される物理量推定値ＰＶと、を出力するとともに、異常と判定されたパラメータＰＲと、そのパラメータＰＲに基づき推定される物理量推定値ＰＶと、を出力してもよい（ＳＴ０７：出力ステップ）。
（異常診断装置の機能）
　本実施形態に係る異常診断装置５は、推定値取得部５５が推定装置２から機器１の物理量推定値ＰＶを取得する点において、第３の実施形態と異なっている。つまり、本実施形態に係る異常診断装置５の推定値取得部５５は、図１３のステップＳ１２２において、推定装置２により推定された物理量推定値ＰＶを、機器１の状態量として取得する。
　また、本実施形態に係る異常診断装置５の異常判定部５２は、推定装置２の観測系制約判定部２２、及び物理量制約判定部２５の判定結果に基づいて、機器１の異常の有無を更に判定してもよい。例えば、図１３のステップＳ１２３において、異常診断装置５の異常判定部５２は、推定装置２の観測系制約判定部２２により第一制約Ｒ１外であると判定されたデータ（観測値）があった場合、この観測値は異常であると判定してもよい。同様に、図１３のステップＳ１２３において、異常診断装置５の異常判定部５２は、推定装置２の物理量制約判定部２５により第二制約Ｒ２外であると判定された物理量推定値ＰＶがあった場合、子の物理量推定値ＰＶは異常であると判定してもよい。
（作用効果）
　以上のように、本実施形態に係る異常診断装置５において、推定値取得部５５は、推定装置２が推定した機器１の物理量推定値ＰＶを、機器１の状態量として取得する。
　また、本実施形態に係る推定装置２は、観測モデルＭＬＯと物理モデルＭＬＰとを含む複数のモデルのパラメータＰＲを推定して最適化することができるので、より正確な物理量推定値ＰＶを推定することが可能である。
　このように、正確な物理量推定値ＰＶを用いることにより、異常診断装置５は、異常要因を推定する精度を更に向上させることができる。
＜コンピュータのハードウェア構成＞
　なお、上述の各実施形態においては、異常診断装置５及び推定装置２の各種機能を実現するためのプログラムを、コンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをマイコンといったコンピュータシステムに読み込ませ、実行することにより各種処理を行うものとしている。ここで、コンピュータシステムのＣＰＵの各種処理の過程は、プログラムの形式でコンピュータ読み取り可能な記録媒体に記憶されており、このプログラムをコンピュータが読み出して実行することによって上記各種処理が行われる。また、コンピュータ読み取り可能な記録媒体とは、磁気ディスク、光磁気ディスク、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、半導体メモリ等をいう。また、このコンピュータプログラムを通信回線によってコンピュータに配信し、この配信を受けたコンピュータが当該プログラムを実行するようにしてもよい。
　上述の各実施形態において、異常診断装置５及び推定装置２の各種機能を実現するためのプログラムを実行させるコンピュータのハードウェア構成の例について説明する。
　図２０に示すように、異常診断装置５及び推定装置２それぞれが備えるコンピュータ２９は、ＣＰＵ２９１と、メモリ２９２と、記憶／再生装置２９３と、Ｉｎｐｕｔ　Ｏｕｔｐｕｔ　Ｉｎｔｅｒｆａｃｅ（以下、「ＩＯ　Ｉ／Ｆ」という。）２９４と、通信Ｉｎｔｅｒｆａｃｅ（以下、「通信Ｉ／Ｆ」という。）２９５と、を備える。
　メモリ２９２は、異常診断装置５及び推定装置２それぞれで実行されるプログラムで使用されるデータ等を一時的に記憶するＲａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ（以下、「ＲＡＭ」という。）等の媒体である。
　記憶／再生装置２９３は、ＣＤ－ＲＯＭ、ＤＶＤ、フラッシュメモリ等の外部メディアへデータ等を記憶したり、外部メディアのデータ等を再生したりするための装置である。
　ＩＯ　Ｉ／Ｆ２９４は、異常診断装置５及び推定装置２それぞれと他の装置との間で情報等の入出力を行うためのインタフェースである。
　通信Ｉ／Ｆ２９５は、インターネット、専用通信回線等の通信回線を介して、推定装置２と他の装置との間で通信を行うインタフェースである。
＜その他の実施形態＞
　以上、本開示の実施形態を説明したが、これらの実施形態は、例として提示したものであり、開示の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、開示の要旨を逸脱しない範囲で種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、開示の範囲や要旨に含まれる。
＜付記＞
　上述の実施形態に記載の異常診断装置、異常診断方法、及びプログラムは、例えば以下のように把握される。
　（１）第１の態様の異常診断装置５は、機器１から取得した状態量それぞれについて異常の有無を判定する異常判定部５２と、フォールトツリー解析により特定された前記機器１の異常モードの要因と、前記要因が発生した場合に異常となる前記状態量とを対応付けた要因対応表を用いて、前記異常判定部５２により異常があると判定された状態量から前記機器１の異常の要因を推定する要因推定部５３と、を備える。
　このようにすることで、異常診断装置５は、要因対応表に基づいて機器１の異常の要因を容易且つ精度よく推定することができる。
　（２）第２の態様の異常診断装置５は、前記機器１の観測系により観測された観測値を前記状態量として取得する観測値取得部５１を更に備え、前記異常判定部５２が、前記観測値取得部５１により取得された前記観測値と、前記観測値それぞれの正常値又は正常パターンとを比較して、前記機器１の異常の有無を判定する、（１）の異常診断装置５である。
　このようにすることで、異常診断装置５は、例えば機器１の既存の観測系により観測された観測値と、要因対応表とにより、異常の要因の推定を容易且つ精度よく行うことができる。
　（３）第３の態様の異常診断装置５は、前記異常判定部５２が、前記状態量それぞれについて、前記状態量毎に設定された制約からの差に応じた異常度合いを更に判定し、前記要因推定部５３が、前記要因と、前記要因が発生した場合に異常となる前記状態量の異常度合いとを更に対応付けた前記要因対応表を用いて、前記機器１の異常の要因を推定する（１）又は（２）の異常診断装置５である。
　このようにすることで、異常診断装置５は、各観測値を「正常」又は「異常」の２水準ではなく、多段階の異常度合いに細分化して判定することにより、より細かく要因を絞り込むことが可能となる。
　（４）第４の態様の異常診断装置５は、前記観測値取得部５１により取得された前記観測値に基づいて推定された、前記機器１の物理量推定値を、前記状態量として取得する推定値取得部５５を更に備える、（２）の異常診断装置５である。
　このようにすることで、異常診断装置５は、機器１の第一観測系３から取得した観測値Ａ１に加えて、機器１の内部状態量を推定した物理量推定値ＰＶ１、ＰＶ２を用いて、異常の有無の判定、及び、異常要因の推定を行うことができる。これにより、異常診断装置５は、観測値の変化だけでは検出が難しい異常モードについても、検出精度を向上させることができる。
　（５）第５の態様の異常診断方法は、機器１から取得された状態量それぞれについて異常の有無を判定するステップと、フォールトツリー解析により特定された前記機器１の異常モードの要因と、前記要因が発生した場合に異常となる前記状態量とを対応付けた要因対応表を用いて、異常があると判定された状態量から前記機器１の異常の要因を推定するステップと、を有する。
　（６）第６の態様のプログラムは、機器１から取得された状態量それぞれについて異常の有無を判定するステップと、フォールトツリー解析により特定された前記機器１の異常モードの要因と、前記要因が発生した場合に異常となる前記状態量とを対応付けた要因対応表を用いて、異常があると判定された状態量から前記機器１の異常の要因を推定するステップと、を異常診断装置５のコンピュータ２９に実行させる。
　本開示に係る異常診断装置、異常診断方法、及びプログラムによれば、機器の異常の要因を容易且つ精度よく推定することができる。
２　推定装置
２１　取得部
２２　観測系制約判定部
２３　モデル推定部
２４　整合性判定部
２５　物理量制約判定部
２６　モデル制約判定部
２７　出力部
２９　コンピュータ
３　第一観測系
３１　第一センサ
３２　第二センサ
３３　第三センサ
４　第二観測系
４１　第二センサ
４２　第三センサ
４３　第四センサ
５　異常診断装置
５１　観測値取得部
５２　異常判定部
５３　要因推定部
５４　通知部
５５　推定値取得部

Claims (6)

  1. 　機器から取得した状態量それぞれについて異常の有無を判定する異常判定部と、
    　フォールトツリー解析により特定された前記機器の異常モードの要因と、前記要因が発生した場合に異常となる前記状態量とを対応付けた要因対応表を用いて、前記異常判定部により異常があると判定された状態量から前記機器の異常の要因を推定する要因推定部と、
    　を備える異常診断装置。
  2. 　前記機器の観測系により観測された観測値を前記状態量として取得する観測値取得部を更に備え、
    　前記異常判定部は、前記観測値取得部により取得された前記観測値と、前記観測値それぞれの正常値又は正常パターンとを比較して、前記機器の異常の有無を判定する、
    　請求項１に記載の異常診断装置。
  3. 　前記異常判定部は、前記状態量それぞれについて、前記状態量毎に設定された制約からの差に応じた異常度合いを更に判定し、
    　前記要因推定部は、前記要因と、前記要因が発生した場合に異常となる前記状態量の異常度合いとを更に対応付けた前記要因対応表を用いて、前記機器の異常の要因を推定する、
    　請求項１又は２に記載の異常診断装置。
  4. 　前記観測値取得部により取得された前記観測値に基づいて推定された、前記機器の物理量推定値を、前記状態量として取得する推定値取得部を更に備える、
    　請求項２に記載の異常診断装置。
  5. 　機器から取得された状態量それぞれについて異常の有無を判定するステップと、
    　フォールトツリー解析により特定された前記機器の異常モードの要因と、前記要因が発生した場合に異常となる前記状態量とを対応付けた要因対応表を用いて、異常があると判定された状態量から前記機器の異常の要因を推定するステップと、
    　を有する異常診断方法。
  6. 　機器から取得された状態量それぞれについて異常の有無を判定するステップと、
    　フォールトツリー解析により特定された前記機器の異常モードの要因と、前記要因が発生した場合に異常となる前記状態量とを対応付けた要因対応表を用いて、異常があると判定された状態量から前記機器の異常の要因を推定するステップと、
    　を異常診断装置のコンピュータに実行させるプログラム。
PCT/JP2021/028030 2020-07-31 2021-07-29 異常診断装置、異常診断方法、及びプログラム WO2022025162A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US18/017,868 US20230280240A1 (en) 2020-07-31 2021-07-29 Abnormality diagnosis device and abnormality diagnosis method
CN202180059880.8A CN116134395A (zh) 2020-07-31 2021-07-29 异常诊断装置、异常诊断方法以及程序

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020130788A JP7454775B2 (ja) 2020-07-31 2020-07-31 異常診断装置、異常診断方法、及びプログラム
JP2020-130788 2020-07-31

Publications (1)

Publication Number Publication Date
WO2022025162A1 true WO2022025162A1 (ja) 2022-02-03

Family

ID=80035784

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/028030 WO2022025162A1 (ja) 2020-07-31 2021-07-29 異常診断装置、異常診断方法、及びプログラム

Country Status (4)

Country Link
US (1) US20230280240A1 (ja)
JP (1) JP7454775B2 (ja)
CN (1) CN116134395A (ja)
WO (1) WO2022025162A1 (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102019132356A1 (de) * 2019-11-28 2021-06-02 Tdk Electronics Ag Zweikanaliger Detektor
CN117150418B (zh) * 2023-10-31 2024-01-26 国网浙江省电力有限公司宁波供电公司 基于状态特征故障树的变压器运检周期制定方法和系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06332528A (ja) * 1993-05-26 1994-12-02 Matsushita Electric Works Ltd 故障診断方法
JPH11119823A (ja) * 1997-10-21 1999-04-30 Yaskawa Electric Corp 故障診断装置
JP2019204145A (ja) * 2018-05-21 2019-11-28 三菱日立パワーシステムズ株式会社 モデル作成方法、プラントの運転支援方法及びモデル作成装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6332528B2 (ja) 2017-06-07 2018-05-30 株式会社カネカ ２−フェニル−４，４’−ジアミノジフェニルエーテル類を用いた末端変性イミドオリゴマーとオキシジフタル酸類を用いた芳香族熱可塑性ポリイミドにより作製されたポリイミド樹脂組成物、およびワニス、および耐熱性や機械的特性に優れたポリイミド樹脂組成物成形体、およびプリプレグ、およびその繊維強化複合材料

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06332528A (ja) * 1993-05-26 1994-12-02 Matsushita Electric Works Ltd 故障診断方法
JPH11119823A (ja) * 1997-10-21 1999-04-30 Yaskawa Electric Corp 故障診断装置
JP2019204145A (ja) * 2018-05-21 2019-11-28 三菱日立パワーシステムズ株式会社 モデル作成方法、プラントの運転支援方法及びモデル作成装置

Also Published As

Publication number Publication date
CN116134395A (zh) 2023-05-16
JP2022027030A (ja) 2022-02-10
US20230280240A1 (en) 2023-09-07
JP7454775B2 (ja) 2024-03-25

Similar Documents

Publication Publication Date Title
WO2022025162A1 (ja) 異常診断装置、異常診断方法、及びプログラム
US7571057B2 (en) System and method for monitoring degradation
US7827006B2 (en) Heat exchanger fouling detection
JP5901140B2 (ja) システムの高い可用性のためにセンサデータを補間する方法、コンピュータプログラム、システム。
JP5164954B2 (ja) 機器診断方法及び機器診断装置
JP2010506331A (ja) 製造プラントにおける不良検知方法およびシステム
WO2014091952A1 (ja) センサ監視装置、センサ監視方法、及びセンサ監視プログラム
JP5621967B2 (ja) 異常データ分析システム
JP2013073414A (ja) プラントのセンサ診断装置およびセンサ診断方法
KR102073537B1 (ko) 리스크 평가 장치, 리스크 평가 시스템, 리스크 평가 방법 및 리스크 평가 프로그램
CN115047839A (zh) 一种甲醇制烯烃工业过程的故障监测方法和系统
JP2016045852A (ja) 異常診断装置及び異常診断方法
US10429828B2 (en) Plant simulation device and plant simulation method with first parameter adjustable at start and second parameter adjustable during operation of the plant
WO2016174958A1 (ja) 漏水発生位置推定装置、システムおよび方法
CN116989903A (zh) 基于温度检测的设备疲劳预警系统
WO2022025145A1 (ja) 推定装置、推定方法、及びプログラム
WO2015060158A1 (ja) 炭素含有燃料熱交換器の監視・運転方法
JP6482742B1 (ja) リスク評価装置、リスク評価システム、リスク評価方法、及び、リスク評価プログラム
Shams et al. Fault detection using CUSUM based techniques with application to the Tennessee Eastman Process
JP2016045853A (ja) 異常診断装置及び異常診断方法
JP2007003381A (ja) 検出器の校正支援装置及びその方法並びにプログラム
Prasad et al. Predictive heat exchanger efficiency monitoring
JP2024035740A (ja) 系統性能監視装置、および、系統性能監視方法
JP2022122130A (ja) 地熱発電設備の異常判定システム、異常判定装置、データ取得装置、異常判定プログラム及びデータ取得プログラム
JP2023012616A (ja) 制御部、流体制御装置、バルブ診断用プログラム、及びバルブ診断方法

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: 21849962

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21849962

Country of ref document: EP

Kind code of ref document: A1