WO2024024431A1 - 監視システム、監視方法及びプログラム - Google Patents

監視システム、監視方法及びプログラム Download PDF

Info

Publication number
WO2024024431A1
WO2024024431A1 PCT/JP2023/024947 JP2023024947W WO2024024431A1 WO 2024024431 A1 WO2024024431 A1 WO 2024024431A1 JP 2023024947 W JP2023024947 W JP 2023024947W WO 2024024431 A1 WO2024024431 A1 WO 2024024431A1
Authority
WO
WIPO (PCT)
Prior art keywords
state
abnormality
unit
value
threshold
Prior art date
Application number
PCT/JP2023/024947
Other languages
English (en)
French (fr)
Inventor
尚希 西川
透 黒岩
Original Assignee
三菱重工サーマルシステムズ株式会社
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 三菱重工サーマルシステムズ株式会社 filed Critical 三菱重工サーマルシステムズ株式会社
Publication of WO2024024431A1 publication Critical patent/WO2024024431A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring

Definitions

  • the present disclosure relates to a monitoring system, a monitoring method, and a program.
  • This disclosure claims priority based on Japanese Patent Application No. 2022-118438 filed in Japan on July 26, 2022, the contents of which are incorporated herein by reference.
  • Patent Document 1 discloses a motor control system that determines an abnormality in a motor drive mechanism by comparing a Mahalanobis distance calculated based on time-series data during motor drive with a threshold value.
  • an abnormality is often determined when the Mahalanobis distance (described as MD value) exceeds a threshold value.
  • MD value the Mahalanobis distance
  • measurement data from various sensors used to calculate the MD value may contain sudden errors or defects due to noise contamination in the communication path.
  • an MD value is calculated using such measurement data, a large MD value that deviates from the normal range may be obtained.
  • the numerical value of the MD value exceeds the threshold value once or intermittently, and an alert is issued (false positive). If more alerts are issued than necessary, the abnormality determination will lack reliability.
  • High Pressure Abnormal Shutdown a system that stops operation for safety when the pressure of the refrigerant becomes excessively high due to some reason such as a clogged pipe in the refrigerant system. ” function is provided.
  • water heaters are also equipped with a function called “high pressure protection.” High pressure protection is a function that allows the compressor to continue operating while keeping the rotational speed low when a medium pressure threshold is exceeded, before the high pressure abnormally stops. It is desirable for the former to issue an alert, and for the latter to not issue an alert.
  • High-pressure abnormal shutdown and high-pressure protection are events caused by an increase in refrigerant pressure, and these events are generally determined based on the pressure on the high-pressure side of the refrigerant circuit. For example, if the high pressure remains at P1 (MPa) or higher for more than T1 (seconds), the high pressure protection is activated, and if the high pressure remains at P2 (MPa) or more (P2>P1) for more than T2 (seconds), the high pressure abnormality stops. is configured to operate. However, the pressure measurement data is also affected by noise and the like, and an alert may be issued even though the situation does not actually require a high pressure abnormal stop. In other words, in the conventional technology, it is not easy to accurately distinguish between an event in which a high pressure abnormal stop is activated and an event in which a high voltage protection is activated.
  • the present disclosure provides a monitoring system, a monitoring method, and a program that can solve the above problems.
  • the monitoring system of the present disclosure includes a data acquisition unit that acquires measurement values measured by a plurality of sensors provided in a monitoring target, and an abnormality level based on the measurement values and a predetermined sample.
  • an index value calculation unit that calculates an index; and an index value calculation unit that determines that an abnormality has occurred in the monitoring target if a state in which the abnormality degree index is equal to or higher than a predetermined first threshold continues continuously or intermittently for a predetermined first time or more;
  • a first determination unit that makes a determination.
  • the monitoring method of the present disclosure includes the steps of: acquiring measurement values measured by a plurality of sensors provided in a monitoring target; and determining an abnormality degree index based on the measurement values and a predetermined sample. a step of calculating, and a step of determining that an abnormality has occurred in the monitoring target when a state in which the abnormality degree index is equal to or higher than a predetermined first threshold continues continuously or intermittently for a predetermined first time; has.
  • the program of the present disclosure includes the steps of: acquiring measurement values measured by a plurality of sensors provided as a monitoring target in a computer; and an abnormality index based on the measurement values and a predetermined sample. and determining that an abnormality has occurred in the monitoring target if the abnormality degree index continues to be equal to or higher than a predetermined first threshold continuously or intermittently for a predetermined first time or more. , execute.
  • FIG. 1 is a block diagram showing an example of a monitoring system according to a first embodiment. It is a figure showing an example of threshold value setting concerning a 1st embodiment. 7 is a flowchart illustrating an example of abnormality detection processing according to the first embodiment.
  • FIG. 3 is a diagram illustrating an example of abnormality prediction when early detection is pursued.
  • FIG. 4 is a diagram illustrating an example of abnormality prediction in the case of pursuing both early detection and prevention of oversight and false alarms.
  • FIG. 2 is a block diagram showing an example of a monitoring system according to a second embodiment.
  • 7 is a flowchart illustrating an example of threshold setting processing according to the second embodiment. It is a block diagram showing an example of a monitoring system concerning a 3rd embodiment.
  • FIG. 1 is a block diagram showing an example of a monitoring system according to a first embodiment. It is a figure showing an example of threshold value setting concerning a 1st embodiment.
  • 7 is a flowchart illustrating an example of abnormal
  • FIG. 7 is a first diagram illustrating state transition according to a third embodiment.
  • FIG. 7 is a second diagram illustrating state transition according to the third embodiment. It is a flow chart which shows an example of state evaluation processing concerning a 3rd embodiment.
  • It is a block diagram showing an example of a monitoring system concerning a 4th embodiment.
  • It is a figure which is an example of the graph which shows the transition of the driving
  • It is a 1st flowchart which shows an example of the alert issuing process based on 4th Embodiment.
  • FIG. 7 is a first diagram showing an example of statistical information according to a fourth embodiment.
  • FIG. 7 is a second diagram showing an example of statistical information according to the fourth embodiment.
  • FIG. 7 is a first diagram illustrating a driving state prediction process according to a sixth embodiment.
  • FIG. 12 is a second diagram illustrating driving state prediction processing according to the sixth embodiment.
  • It is a flow chart which shows an example of prediction processing of a driving state concerning a 6th embodiment.
  • 1 is a diagram illustrating an example of a hardware configuration of a monitoring system according to each embodiment.
  • FIG. 1 is a block diagram showing an example of a monitoring system according to a first embodiment.
  • the monitoring system 10 monitors the operating status of monitored equipment, plants, and the like.
  • the water heater 1 is a device that heats water to produce hot water and supplies the produced hot water.
  • the water heater 1 includes a refrigerant circuit including a compressor and the like, and uses the refrigerant circuit to raise the temperature of water.
  • the functions that the monitoring system for the water heater 1 should have include, for example, the function of detecting an event that should cause a high-pressure abnormal stop and an event that should cause a high-pressure protection to be activated.
  • the MT method is used as an example of a machine learning method or an abnormality determination method.
  • the monitoring system 10 includes a data acquisition unit 101, a setting reception unit 102, an MD value calculation unit 103, a first determination unit 104, a second determination unit 105, an output unit 106, and a storage unit 107. and.
  • the data acquisition unit 101 acquires measurement values measured by various sensors provided in the water heater 1. For example, the data acquisition unit 101 acquires measured values such as the temperature, pressure, and flow rate of the refrigerant, water, and hot water at various locations in the water heater 1, as well as the current and voltage supplied to the compressor.
  • the setting reception unit 102 acquires various setting information input by the user. For example, the setting reception unit 102 sets a threshold value for detecting an event that activates a high pressure abnormal stop (referred to as an abnormal event), and a threshold value for detecting an event that activates a high voltage protection (referred to as a protection event). Get settings such as Setting the abnormal event threshold will be described later with reference to FIG. 2.
  • the protection event threshold is, for example, a high pressure threshold (eg, P1 (MPa)) and its duration (eg, T1 (seconds)).
  • the settings reception unit 102 records the acquired settings in the storage unit 107.
  • the MD value calculation unit 103 calculates an MD value (Mahalanobis distance) indicating the state of the water heater 1 based on the measured value acquired by the data acquisition unit 101 and a unit space created in advance.
  • the MD value is a measure of the magnitude of the difference between a reference sample expressed as a unit space and a newly obtained sample, and is an index indicating the degree of abnormality. Since the method for calculating the Mahalanobis distance is well known, its explanation will be omitted in this specification.
  • the unit space is, for example, a set of measurement values obtained by various sensors when the water heater 1 is in a normal operating state.
  • the unit space is created in advance and stored in the storage unit 107.
  • the first determination unit 104 determines whether an abnormal event has occurred based on the MD value calculated by the MD value calculation unit 103. Details of this abnormality determination will be explained later using FIG. 3.
  • the first determination unit 104 does not determine an abnormality by comparing the measured values of one or more sensors (for example, high pressure of refrigerant) with respective threshold values, but determines an abnormality based on the MD value. Thereby, abnormal events can be accurately separated from protection events.
  • the second determination unit 105 determines the operating state of the water heater 1 based on the measured value acquired by the data acquisition unit 101. For example, the second determination unit 105 determines that a protection event has occurred when the value of the high pressure of the water heater 1 acquired by the data acquisition unit 101 continues to be equal to or higher than P1 (MPa) for T1 seconds or more.
  • P1 MPa
  • the output unit 106 outputs various information regarding monitoring of the water heater 1 to a display device or other devices. For example, the output unit 106 outputs the determination results by the first determination unit 104 and the second determination unit 105 and issues an alert.
  • the storage unit 107 stores measurement values acquired by the data acquisition unit 101, setting information received by the setting reception unit 102, unit space data used for calculating the MD value, and the like.
  • FIG. 2 shows an example of setting threshold values and the like used by the first determination unit 104 for abnormality determination.
  • the first determination unit 104 performs abnormality determination using the MD threshold, the number of times threshold, and ⁇ T1.
  • the MD threshold is a threshold for comparison with the MD value.
  • the number of times threshold is a threshold for comparing the number of times the MD value exceeds the MD threshold.
  • ⁇ T1 is the setting of the cycle for comparing the MD value and the MD threshold value.
  • the first determination unit 104 compares the MD value calculated by the MD value calculation unit 103 with an MD threshold value (for example, 4) every ⁇ T1 (for example, 60 seconds).
  • the first determination unit 104 When the MD value exceeds the MD threshold, the first determination unit 104 counts the number of times the MD value exceeds the MD threshold. Then, the first determination unit 104 determines that an abnormal event has occurred when the number of times the MD value exceeds the MD threshold exceeds the number threshold (for example, 10 times), and outputs an alert.
  • the number threshold for example, 10 times
  • the data acquisition unit 101 acquires the transmitted measurement value and records the measurement value in the storage unit 107 along with the measurement time.
  • the first determination unit 104 initializes an MD threshold exceedance counter that counts the number of times the MD threshold has been exceeded, and an alert flag that indicates whether to issue an alert (step S1).
  • the first determination unit 104 acquires the latest sample (step S2).
  • the first determination unit 104 acquires the latest measured values measured by various sensors from the storage unit 107.
  • the first determination unit 104 determines whether ⁇ T1 (seconds) or more have elapsed since the previous process (step S3). If ⁇ T1 or more has not elapsed (step S3; No), the first determination unit 104 waits for ⁇ T1 (step S9), and repeats the processing from step S2.
  • the first determination unit 104 outputs the latest measured value to the MD value calculation unit 103 and requests calculation of the MD value.
  • the MD value calculation unit 103 calculates the MD value from the latest measured values by various sensors (step S4).
  • the MD value calculation unit 103 outputs the calculated MD value to the first determination unit 104.
  • the first determination unit 104 compares the MD value calculated by the MD value calculation unit 103 with the MD threshold described in FIG. 2, and determines whether the MD value is greater than or equal to the MD threshold (step S5). If the MD value is less than the MD threshold (step S5; No), the process from step S1 is repeated.
  • the first determination unit 104 adds 1 to the MD threshold excess counter (step S6). Next, the first determination unit 104 determines whether the MD threshold exceeding counter is equal to or greater than the number of times threshold (step S7). If the number of times is less than the threshold (step S7; No), the first determination unit 104 waits for ⁇ T1 (step S9), and repeats the process from step S2.
  • step S7 If the number of times is equal to or greater than the threshold (step S7; Yes), the first determination unit 104 sets the alert flag to TRUE. When the alert flag is set to TRUE, the output unit 106 issues an alert indicating that an abnormal event has occurred (step S8). Next, the first determination unit 104 determines whether to end the monitoring (step S10). For example, when the user performs an operation to end the monitoring, the first determination unit 104 determines to end the monitoring. If the monitoring is to be terminated (step S10; Yes), the process of the flowchart in FIG. 3 is terminated. If the monitoring is not completed (step S10; No), the process from step S1 is repeated.
  • abnormal events and protective events were both determined based on the high pressure of the refrigerant, so it was sometimes impossible to separate the two, but according to this embodiment, the measured values of multiple sensors By determining abnormal events based on the MD value calculated from , and determining protective events based on high pressure, it is possible to accurately determine abnormal events and protective events without confusing the two. .
  • FIG. 4A shows a graph when the threshold value is set in pursuit of early detection of (1)
  • FIG. 4B shows a graph when the threshold value is set considering not only (1) but also (2).
  • 4A and 4B are MD values, and the horizontal axes are time. As shown in the figure, although the latter has a shorter forecasted number of days, the possibility of false alarms is lower. As described above, according to the present embodiment, it is possible to suppress alerts for minor events (for example, protection events) that do not result in a stoppage due to an abnormal event and that allow continued operation. This reduces the cost of unnecessary dispatch of service personnel. In addition, it is possible to avoid stopping the customer's equipment.
  • minor events for example, protection events
  • an abnormality is determined when the MD value is continuously equal to or higher than the MD threshold (that is, when the MD value remains equal to or higher than the MD threshold for a predetermined period of time or more).
  • the MD value is intermittently equal to or higher than the MD threshold (that is, if the state in which the MD value is equal to or higher than the MD threshold continues intermittently for a predetermined period of time or more)
  • it may be determined as abnormal. .
  • the number of times the MD value becomes equal to or greater than the MD threshold value within a predetermined period of time may be counted, and when this number of times becomes equal to or greater than the threshold value, it may be determined that an abnormal event has occurred.
  • the abnormality detected by the process in FIG. 3 is not limited to the event that activates the high pressure abnormal stop, and various other events can be detected using the same method.
  • a protection event may also be detected based on the number of times the MD value exceeds the MD threshold.
  • ⁇ Second embodiment> A monitoring system according to a second embodiment of the present disclosure will be described below with reference to FIGS. 5 and 6.
  • the user sets the threshold values and the like illustrated in FIG. 2 .
  • the monitoring system 10A calculates optimal values such as threshold values.
  • FIG. 5 is a block diagram illustrating an example of a monitoring system according to the second embodiment.
  • the monitoring system 10A includes a data acquisition section 101, a setting reception section 102, an MD value calculation section 103, a first judgment section 104, a second judgment section 105, an output section 106, a storage section 107, and a threshold calculation section.
  • a section 108 is provided.
  • the threshold value calculation unit 108 calculates an appropriate combination of values such as the threshold values shown in FIG. 2 through repeated offline trials.
  • FIG. 6 shows an example of a process for calculating an appropriate threshold value.
  • FIG. 6 is a flowchart illustrating an example of threshold setting processing according to the second embodiment.
  • the following processing is performed offline.
  • the monitoring system 10A executes an abnormality determination process online using the process illustrated in FIG. 3, and at the same time sets various values for the threshold value and attempts abnormality determination.
  • a user sets a loss function for evaluating a threshold (step S11).
  • the setting reception unit 102 acquires the loss function and records it in the storage unit 107.
  • the loss function can be expressed, for example, by the following equation (1) or equation (1').
  • the false positive rate is the ratio of the number of times an alert is erroneously issued even though no abnormal event has occurred out of the total number of alerts issued.
  • the false negative rate is the ratio of the number of times an alert is not issued out of the number of times an abnormal event occurs.
  • k1 to k4 are weighting coefficients for the false positive rate or false negative rate. Equations (1) and (1') are examples of loss functions, and are not limited to the above ones.
  • the user sets, for example, equation (1) or equation (1') and values such as the coefficient k1.
  • the user sets arbitrary initial values for each of the MD threshold, the number of times threshold, and ⁇ T1.
  • the setting receiving unit 102 obtains an initial value and sets that value to each threshold value (step S12).
  • the first determination unit 104 performs online abnormality determination processing (FIG. 3) in parallel (using the actual sensor measurement values acquired by the data acquisition unit 101, but independently of online monitoring). Similar abnormality determination processing is attempted offline using the MD threshold, the number of times threshold, and ⁇ T1 set in step S12 (step S13), and the determination result is recorded in the storage unit 107.
  • the first determination unit 104 determines that time and that the alert flag has been set to TRUE.
  • the information is recorded in the storage unit 107 in association with each other.
  • the threshold calculation unit 108 determines whether a predetermined period of time has elapsed since the start of the offline abnormality determination process trial (step S14). If the predetermined period has not elapsed (step S14; No), the trial of offline abnormality determination processing is continued (step S13). When the predetermined period of time has elapsed (step S14; Yes), the threshold value calculation unit 108 uses the loss function set in step S11 to calculate an evaluation value for the threshold value etc. set in step S12 (step S15). The threshold calculation unit 108 records the occurrence time of an abnormal event during actual online abnormality monitoring that occurred during a predetermined period, and records the time when an alert flag is set to TRUE in an offline abnormality determination process trial.
  • the user may register the occurrence time of the abnormal event in the storage unit 107, or the abnormal event may be determined as a result of online abnormality determination by the first determination unit 104. The time determined to have occurred may be used.
  • the threshold calculation unit 108 determines whether to end the threshold calculation process (step S16). For example, when the user performs an operation to instruct the end of the threshold calculation process, the threshold calculation unit 108 determines to end the threshold calculation process. When ending the threshold value calculation process (step S16; Yes), the threshold value calculation unit 108 selects the threshold value etc. when the evaluation value becomes the minimum. The output unit 106 outputs the selected threshold value etc. (step S17).
  • step S16 If the threshold calculation process is not completed (step S16; No), the process from step S12 is repeated.
  • the user may arbitrarily set the MD threshold, the number of times threshold, and ⁇ T1, or the threshold calculation unit 108 may set these values based on predetermined rules.
  • the sum or product of the false positive rate and the false negative rate, or the weighted sum or product that should give priority to either is expressed as a loss function, and a threshold value that minimizes the value of the loss function is set. can be calculated.
  • FIGS. 7 to 9 A monitoring system according to a third embodiment of the present disclosure will be described below with reference to FIGS. 7 to 9.
  • an abnormality in the water heater 1 can be detected by issuing an alert. Although no warning is issued, it is not possible to determine whether the driver is driving in near-abnormal conditions.
  • the monitoring system 10B evaluates the operating state of the water heater 1 and notifies the user of the results.
  • the operating state is, for example, normal, abnormal, or an intermediate state (a state that requires monitoring).
  • FIG. 7 is a block diagram illustrating an example of a monitoring system according to the third embodiment.
  • the monitoring system 10B includes a data acquisition unit 101, a setting reception unit 102, an MD value calculation unit 103, a first determination unit 104, a second determination unit 105, an output unit 106, a storage unit 107, and an operating state
  • An evaluation unit 109 is provided.
  • the operating state evaluation unit 109 evaluates whether the operating state of the water heater 1 is in state 1, state 2, or state 3. State 1 is a normal state, state 2 is a state that requires monitoring, and state 3 is a state where an abnormality has occurred. Each state will be described in more detail with reference to FIGS. 8A and 8B.
  • FIG. 8A shows a state transition diagram of states 1 to 3.
  • FIG. 8B shows transition conditions to each state.
  • the MD value is less than the MD threshold ( ⁇ D )
  • the operating state is state 1.
  • the MD value becomes equal to or greater than the MD threshold value ( ⁇ D )
  • the operating state of the water heater 1 transitions from state 1 to state 2.
  • Let the time of transition to state 2 be Tsy.
  • ⁇ seconds have elapsed since the MD value became equal to or greater than the MD threshold value ( ⁇ D ) (t ⁇ Tsy> ⁇ , t is the current time)
  • the operating state of the water heater 1 transitions from state 2 to state 3.
  • an alert is issued, a high pressure abnormal stop is activated, and the operating state is reset (transition from state 3 to state 1).
  • the operating state of the water heater 1 transitions from state 2 to state 1.
  • the threshold value ( ⁇ D' ) for transitioning from state 2 to state 1 is set smaller than the threshold value ( ⁇ D ) for transitioning from state 1 to state 2, and a hysteresis width is set for the transition conditions between state 1 and state 2. You may also have it.
  • the MD threshold ⁇ D and the threshold ⁇ for the duration of state 2 may be predetermined or may be set arbitrarily by the user. ⁇ is, for example, the same time as ⁇ T ⁇ number of times threshold in the first embodiment.
  • FIG. 9 is a flowchart illustrating an example of a driving state evaluation process according to the third embodiment.
  • the user inputs the threshold value ⁇ D and the threshold value ⁇ in advance.
  • the setting reception unit 102 acquires these threshold values and records them in the storage unit 107.
  • the threshold value ⁇ D and the threshold value ⁇ are registered in advance in the storage unit 107 .
  • the driving state evaluation unit 109 reads and acquires the threshold value ⁇ D and the threshold value ⁇ from the storage unit 107 (step S21).
  • the monitoring system 10B executes the abnormality determination process illustrated in FIG. 3.
  • the MD value calculation unit 103 calculates the MD value (step S4 in FIG. 3).
  • the MD value calculation unit 103 outputs the calculated MD value to the first determination unit 104 and the driving state evaluation unit 109.
  • the first determination unit 104 executes the process shown in FIG.
  • the driving state evaluation unit 109 evaluates the driving state. Specifically, the driving state evaluation unit 109 acquires the MD value from the MD value calculation unit 103 (step S22). The driving state evaluation unit 109 evaluates the driving state based on the acquired MD value (step S23). The operating state evaluation unit 109 evaluates which of states 1 to 3 the operating state of the water heater 1 is, based on the transition conditions shown in FIG. 8B.
  • the driving state evaluation unit 109 records the evaluation result of the driving state, the MD value, and the time at which the MD value was obtained in association with each other in the storage unit 107 (step S24), and outputs the evaluation result to the output unit 106.
  • the output unit 106 outputs the evaluation result (step S25). For example, if the status is evaluated as 2, status 2 is displayed on the monitor monitored by the user. Thereby, the user can understand whether the water heater 1 is operating normally or in a state approaching abnormality in a situation where no alert is issued.
  • the monitoring system 10B not only determines whether or not an abnormality has occurred in the water heater 1, but also evaluates the operating state of the water heater 1 and notifies the user of the evaluation result. Can be done. As a result, even in a situation where an alert has not been issued, it is possible to check whether the water heater 1 is in a normal operating state, is approaching an abnormal state, or is in a state where an alert could be issued at any time. can be grasped.
  • the operating state of the water heater 1 is classified into states 1 to 3, but it is also possible to further subdivide and evaluate the operating state. In addition to the MD value, other parameters may be used to evaluate the operating state.
  • a monitoring system according to a fourth embodiment of the present disclosure will be described below with reference to FIGS. 10 to 15.
  • the monitoring system 10C according to the fourth embodiment has a function of not only evaluating the operating state of the water heater 1 but also providing the user with time history data of the operating state and statistical information based on the time history data.
  • FIG. 10 is a block diagram illustrating an example of a monitoring system according to the fourth embodiment.
  • a monitoring system 10C according to the fourth embodiment includes a data acquisition unit 101, a setting reception unit 102, an MD value calculation unit 103, a first determination unit 104, a second determination unit 105, an output unit 106, and a storage unit 106. 107, a driving state evaluation section 109, and a statistical processing section 110.
  • the statistical processing unit 110 generates a graph showing the transition of the operating state of the water heater 1 based on the time history data of the operating state evaluation results recorded in the storage unit 107 by the operating state evaluation unit 109, Generate statistical information.
  • the output unit 106 outputs the graph and statistical information generated by the driving state evaluation unit 109 to a display device or the like.
  • the other functional units are as described in the first to third embodiments.
  • FIG. 11 shows an example of a graph that is generated by the statistical processing unit 110 and shows changes in the driving state.
  • the statistical processing unit 110 reads out the MD value, driving state, and time information recorded in the process (step S23) described in FIG. 9 from the storage unit 107, generates a graph as illustrated in FIG. 11, and outputs it.
  • Unit 106 outputs the generated graph to a display device.
  • the vertical axis of the graph in FIG. 11 represents the MD value, and the horizontal axis represents time.
  • the broken line in the figure shows the MD threshold value, and the curve L1 shows the transition of the MD value. If the value of L1 is less than the MD threshold ( ⁇ D ), the state is 1, and this area is displayed in green, for example.
  • the state is 2, and this region is displayed in yellow, for example.
  • the state in which the value of L1 is equal to or greater than the MD threshold value ( ⁇ D ) is equal to or greater than ⁇ , it is evaluated as state 3, and this region is displayed in red, for example.
  • the user can easily grasp the trends and trends in the operating status of the water heater 1, such as whether the operation in status 1 continues for a long time or the status 2 is increasing. can.
  • an alert is issued, it is possible to visually understand when the abnormal driving condition occurred. For example, in the case of FIG.
  • the statistical processing unit 110 may display a graph such as the one illustrated in FIG. 11 on the monitoring screen at all times or according to a user's operation.
  • the first determination unit 104 may be configured to cooperate with the statistical processing unit 110 to notify the time when an abnormality occurs when an alert is issued.
  • FIG. 12 shows an example of alert issuing processing according to the fourth embodiment.
  • the flowchart shown in FIG. 12 corresponds to step S8 in FIG.
  • the first determination unit 104 sets the alert flag to TRUE in the process of step S7.
  • the statistical processing unit 110 calculates ⁇ (seconds) from the time when the alert flag is set to TRUE ( ⁇ the time when the driving state evaluation unit 109 evaluates that the state has transitioned to state 3).
  • the abnormality occurrence time is calculated by subtraction (step S8a).
  • the statistical processing unit 110 outputs the abnormality occurrence time to the output unit 106.
  • the output unit 106 outputs the alert and the abnormality occurrence time (step S8b). Thereby, the user can grasp the time when an abnormality occurs when an alert is issued.
  • FIG. 13 shows an example of statistical information generated by the statistical processing unit 110.
  • the table in FIG. 13 is a list of the start and end times of state 2 and their durations.
  • the statistical processing unit 110 extracts, for example, data evaluated as state 2 in the last week from the time history data of the driving state evaluation results recorded in the storage unit 107, and performs processing as illustrated in FIG. Generate a list.
  • the output unit 106 outputs the generated list to a display device. The user can check the occurrence status of state 2 by looking at this list. For example, in the example of FIG. 13, it can be seen that the operating state of state 2 is gradually becoming longer.
  • FIG. 14 shows another example of statistical information generated by the statistical processing unit 110.
  • the histogram in FIG. 14 shows the frequency of occurrence of state 2 over the past week for each duration.
  • the histogram in FIG. 14 is information generated by the statistical processing unit 110 and output by the output unit 106. Referring to FIG. 14, it can be seen that state 2 with a duration of 0 to 10 seconds occurs most frequently, followed by state 2 with a duration of 10 to 20 seconds. If the duration is short, there is a high possibility that it is due to the influence of sensor noise, temporary disturbance, etc., and it is often not necessary to place much importance on it from the viewpoint of abnormality monitoring.
  • FIG. 15 is a second flowchart showing an example of the alert issuing process according to the fourth embodiment.
  • the statistical processing unit 110 reads, for example, data when the status was evaluated as 2 in the past week from the driving state evaluation results and time history data recorded in the storage unit 107, and aggregates them. (Step S31). Specifically, the total driving time evaluated as state 2 is calculated by aggregation. At this time, the statistical processing unit 110 may target only data when state 2 continues for a predetermined period of time or more in order to exclude data that is likely to be noise.
  • the statistical processing unit 110 compares the time of the total result with a threshold value, and determines whether the total driving time in state 2 in the past week is greater than or equal to the threshold value (step S32). If the total driving time in state 2 is equal to or greater than the threshold (step S32; Yes), the output unit 106 is instructed to issue an alert. The output unit 106 issues an alert indicating that the occurrence of an abnormality is suspected, for example (step S33). As a result, even if an alert is not issued in the process of FIG. 3, a state in which an abnormality is suspected to occur can be detected from the occurrence of state 2, and the user can be notified. The user who sees this alert can prevent a larger accident from occurring by, for example, inspecting the water heater 1.
  • the monitoring system 10D according to the fifth embodiment is characterized by the method of calculating the MD value.
  • the MD value may fluctuate due to the influence of noise in the measured value of the sensor, but in order to reduce fluctuations in the MD value, filter processing is performed to remove high frequency components (noise and fluctuations) and the MD value is calculated. do.
  • FIG. 16 is a block diagram illustrating an example of a monitoring system according to the fifth embodiment.
  • the monitoring system 10D includes a data acquisition unit 101, a setting reception unit 102, an MD value calculation unit 103, a first determination unit 104, a second determination unit 105, an output unit 106, and a storage unit 106. It includes a section 107 and a filter section 111.
  • the filter unit 111 performs filter processing equivalent to a low-pass filter such as a moving average or a first-order lag filter on the MD value calculated by the MD value calculation unit 103.
  • a low-pass filter such as a moving average or a first-order lag filter
  • the MD value calculated by the MD value calculation unit 103 at time t is MD0
  • the MD value calculated by the MD value calculation unit 103 at time t+1 is MD1
  • the MD value calculation unit is at time t+2.
  • 103 is MD2
  • the MD value calculated by the MD value calculation unit 103 at time t+3 is MD3
  • the filter unit 111 calculates the MD value smoothed by (MD0+MD1+MD2+MD3) ⁇ 4, and calculates this value. Let be the MD value at time t+3. Thereby, the noise resistance of the MD value can be improved.
  • FIG. 17 shows an example of MD value calculation processing according to the fifth embodiment.
  • Processing step S4' in the flowchart shown in FIG. 17 corresponds to step S4 in FIG. 3, and by replacing step S4 in FIG. 3 with step S4', the smoothed MD value according to the fifth embodiment is used. Abnormality determination processing can be performed.
  • the MD value calculation unit 103 calculates the latest MD value (step S4).
  • the filter unit 111 performs filter processing using a low-pass filter on the latest calculated MD value (step S4a).
  • the filter section 111 outputs the smoothed MD value after the filter processing to the first determination section 104 .
  • the first determination unit 104 uses the smoothed MD value to execute the processing from step 5 in FIG. 3 onwards.
  • the number of times threshold in step S7 may be set to a smaller value than in the first embodiment.
  • an abnormality is determined based on the filtered MD value, it cannot be said that the abnormality occurred simply at a time ⁇ back from the time when TRUE was set in the alert flag.
  • the value of the number of times threshold can be set small, there is a possibility that an abnormality can be detected earlier than in the first embodiment while maintaining the accuracy of abnormality determination.
  • FIGS. 18 to 20 A monitoring system according to a sixth embodiment of the present disclosure will be described below with reference to FIGS. 18 to 20.
  • the monitoring system 10E according to the sixth embodiment has a function of predicting the occurrence of an abnormality based on the evaluation result of the operating state of the water heater 1.
  • FIG. 18 is a block diagram showing an example of a monitoring system according to the sixth embodiment.
  • the monitoring system 10E according to the sixth embodiment includes a data acquisition unit 101, a setting reception unit 102, an MD value calculation unit 103, a first determination unit 104, a second determination unit 105, an output unit 106, and a storage unit 106. section 107, a driving condition evaluation section 109, and a driving condition prediction section 112.
  • the driving state prediction unit 112 analyzes the state transition probabilities of state 1, state 2, and state 3 based on the time history data of the driving state evaluation results recorded in the storage unit 107 by the driving state evaluation unit 109, and calculates the analysis results. Based on this, the operating state of the water heater 1 is predicted.
  • the output unit 106 outputs the graph and statistical information generated by the driving state prediction unit 112 to a display device or the like.
  • the other functional units are as described in the first to third embodiments.
  • FIG. 19A shows a state transition diagram of states 1 to 3.
  • the driving state prediction unit 112 aggregates the relationship between the driving state at a certain time t and the driving state at time t+ ⁇ t based on past time history data of the driving state recorded in the storage unit 107. For example, when the operating state of the water heater 1 is in state 1 at time t, the probability X1 of remaining in state 1 after ⁇ t is calculated. Similarly, the driving state prediction unit 112 calculates the probability X4 that the state will be in state 2 after ⁇ t when the state is in state 1 at time t, and the probability X7 that the state will be in state 3.
  • the operating state prediction unit 112 predicts the future operating state of the water heater 1 based on equation (2).
  • FIG. 20 shows an example of a driving state prediction process according to the sixth embodiment.
  • the driving state prediction unit 112 calculates a state transition probability (step S41).
  • the driving state prediction unit 112 calculates the state transition probability between states 1 to 3 based on time series data of the driving state evaluation results (states 1 to 3). .
  • equation (2) is obtained.
  • the setting reception unit 102 acquires the setting of the prediction period and records it in the storage unit 107 (step S42).
  • the abnormality determination method is not limited to the MT method, and can be applied to various abnormality determination methods using machine learning, etc. can do.
  • the unit space in the MT method may be reference teacher data or samples (for example, process data during normal conditions), or a trained model constructed by learning them, and in MD, It may be an abnormality degree index calculated in various abnormality determination methods (for example, a determination result based on a learned model or a confidence level based on the determination result).
  • FIG. 21 is a diagram illustrating an example of the hardware configuration of the monitoring system according to each embodiment.
  • the computer 900 includes a CPU 901, a main storage device 902, an auxiliary storage device 903, an input/output interface 904, and a communication interface 905.
  • the above-described monitoring system 10 is implemented on a computer 900.
  • Each of the above-mentioned functions is stored in the auxiliary storage device 903 in the form of a program.
  • the CPU 901 reads the program from the auxiliary storage device 903, expands it to the main storage device 902, and executes the above processing according to the program.
  • the CPU 901 reserves a storage area in the main storage device 902 according to the program. According to the program, the CPU 901 reserves a storage area in the auxiliary storage device 903 to store the data being processed.
  • a program for realizing all or part of the functions of the monitoring system 10 is recorded on a computer-readable recording medium, and the program recorded on the recording medium is read into the computer system and executed, thereby each functional unit is Processing may also be performed.
  • the "computer system” here includes hardware such as an OS and peripheral devices.
  • Computer system includes the homepage providing environment (or display environment) if a WWW system is used.
  • a "computer-readable recording medium” refers to a portable medium such as a CD, DVD, or USB, or a storage device such as a hard disk built into a computer system.
  • the computer 900 that received the distribution may develop the program in the main storage device 902 and execute the above processing.
  • the above-mentioned program may be one for realizing a part of the above-mentioned functions, or may be one that can realize the above-mentioned functions in combination with a program already recorded in the computer system.
  • the monitoring system includes a data acquisition unit that acquires measured values measured by a plurality of sensors provided on a monitoring target, and an abnormality degree index (based on the measured values and a predetermined unit space).
  • an index value calculation unit (MD value calculation unit) that calculates the Mahalanobis distance), and a state in which the abnormality degree index (Mahalanobis distance) is equal to or greater than a predetermined first threshold value continues continuously or intermittently for a predetermined first time or more; Then, a first determination unit that determines that an abnormality has occurred in the monitoring target is provided. Thereby, highly accurate and reliable abnormality detection can be performed.
  • a monitoring system is the monitoring system according to (1), in which the probability that an abnormality does not occur in the monitoring target when the first determination unit determines that there is an abnormality and/or the The value of a loss function that calculates the magnitude of error in the determination result by the first determination section, which uses as a parameter the probability that an abnormality has occurred in the monitoring target when the first determination section does not determine that there is an abnormality.
  • Calculate the combination of the first threshold value and the first time that will be the minimum (for example, apply an arbitrary weight to the probability that an abnormality does not occur in the monitoring target when the first determination unit determines that there is an abnormality)
  • Calculating a combination of the first threshold value and the first time such that the sum of the value and the second value, the product of the first value and the second value, or the value calculated by the sum and product is the minimum, etc.
  • a threshold calculation unit Thereby, values such as appropriate threshold values can be automatically set.
  • the monitoring system is the monitoring system of (1) to (2), and is provided for each of the measured values by one or more of the plurality of sensors and each of the measured values.
  • the monitoring apparatus further includes a second determination unit that determines that an event requiring attention (for example, a protection event) has occurred in the monitoring target when the value is equal to or greater than the threshold or less than the threshold, based on the determined threshold. Thereby, it is possible to distinguish the abnormality from the first aspect and determine that an event requiring attention has occurred.
  • an event requiring attention for example, a protection event
  • a monitoring system is the monitoring system according to any one of (1) to (3), further comprising a driving state evaluation section that evaluates the driving state of the monitored object, and the driving state evaluation section evaluates a state in which the abnormality degree index (Mahalanobis distance) is less than the first threshold as a first state, and a state in which the abnormality degree index (Mahalanobis distance) is equal to or greater than the first threshold for the first time or more.
  • a state that does not continue is evaluated as a second state, and a state in which the abnormality degree index (Mahalanobis distance) is equal to or greater than the first threshold continues for the first time or more is evaluated as a third state.
  • the operating state of the monitored object can be classified and evaluated into three categories: normal, abnormal, and not abnormal but not normal, rather than simply determining whether an abnormality has occurred.
  • the monitoring system according to a fifth aspect is the monitoring system according to (4), in which, when the driving state evaluation unit evaluates the driving state to be in the third state, the first determining unit determines that the driving state is in the third state from that time. It is determined that the abnormality occurred at the time when the time went back in time. This makes it possible to know the time when the abnormality occurred.
  • the monitoring system according to the sixth aspect is the monitoring system according to (4) to (5), in which the operating condition evaluation unit evaluates the monitoring target based on the evaluation results performed in a predetermined period in the past.
  • the vehicle further includes a statistical processing unit that generates a graph showing changes in driving conditions. Thereby, it is possible to grasp the transition and trend of the operating state.
  • the monitoring system according to the seventh aspect is the monitoring system according to (4) to (6), in which the operating state of the monitoring target is determined based on the evaluation results performed by the operating state evaluation unit in a predetermined period in the past.
  • the apparatus further includes a statistical processing unit that extracts times during which is in the second state and generates a list of the extracted times. Thereby, it is possible to grasp the frequency of occurrence of the operating state that becomes the second state and the tendency of its length.
  • the monitoring system according to the eighth aspect is the monitoring system according to any of (4) to (7), in which the operating condition evaluation unit evaluates the monitoring target based on the evaluation results performed in a predetermined period in the past.
  • the vehicle further includes a statistical processing unit that calculates a histogram indicating the frequency of each length of time during which the driving state is in the second state. Thereby, it is possible to grasp the proportion of noise tendencies and the proportion of near-abnormal states in the operating state determined to be state 2.
  • the monitoring system is the monitoring system according to any of (4) to (8), in which the driving state evaluation unit is configured such that the abnormality degree index (Mahalanobis distance) is equal to or greater than the first threshold value.
  • the driving state evaluation unit is configured such that the abnormality degree index (Mahalanobis distance) is equal to or greater than the first threshold value.
  • a monitoring system is a monitoring system according to any one of (1) to (9), which is a low-pass filter that removes high frequency components with respect to the abnormality index (Mahalanobis distance) calculated by the index value calculation unit.
  • the apparatus further includes a filter section that performs processing, and the first determination section determines the occurrence of the abnormality using the abnormality degree index (Mahalanobis distance) after the low-pass filter processing.
  • the noise resistance of the MD value can be improved.
  • the monitoring system is the monitoring system according to any of (4) to (10), in which the operating condition evaluation unit evaluates the monitoring target based on the evaluation results performed in a predetermined period in the past. further comprising a driving state prediction unit that calculates a probability that the driving state will transition between the first state, the second state, and the third state, and predicts the future driving state based on the calculated probability. Be prepared. Thereby, it is possible to not only determine but also predict the operating state of the monitored object. For example, it is possible to perform not only abnormality detection and abnormality determination, but also abnormality prediction.
  • the monitoring method includes the steps of acquiring measurement values measured by a plurality of sensors provided on a monitoring target, and an abnormality index (Mahalanobis distance) based on the measurement values and a predetermined unit space. ), and if the state in which the abnormality degree index (Mahalanobis distance) is equal to or greater than a predetermined first threshold continues continuously or intermittently for a predetermined first time or more, an abnormality has occurred in the monitoring target. and a step of determining.
  • the program according to the thirteenth aspect includes a step of causing the computer 900 to acquire measurement values measured by a plurality of sensors provided in a monitoring target, and an abnormality degree index based on the measurement values and a predetermined unit space. (Mahalanobis distance), and if the state in which the abnormality degree index (Mahalanobis distance) is equal to or greater than a predetermined first threshold continues continuously or intermittently for a predetermined first time or more, an abnormality occurs in the monitoring target. the step of determining that the

Landscapes

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

Abstract

監視対象に生じる事象を精度よく、信頼性高く判定することができる監視システムを提供する。監視システムは、監視対象に設けられたセンサが計測した計測値を取得するデータ取得部と、前記計測値と所定の単位空間に基づいて異常度指標を算出する指標値算出部と、前記異常度指標が所定の第１閾値以上となる状態が所定の第１時間以上連続的又は断続的に継続すると前記監視対象に異常が発生していると判定する第１判定部と、を備える。

Description

監視システム、監視方法及びプログラム
　本開示は、監視システム、監視方法及びプログラムに関する。本開示は、２０２２年７月２６日に、日本に出願された特願２０２２－１１８４３８号に基づき優先権を主張し、その内容をここに援用する。
　機器やプラントなどの異常検知を、その機器等に取り付けられた複数のセンサからの情報を監視することによって行う手法が多数提案されている。そのような手法の１つにマハラノビス・タグチ法（Mahalanobis-Taguchi method:ＭＴ法）が知られている。ＭＴ法では、多変量の時系列データからマハラノビス距離を算出し、算出したマハラノビス距離を多変量データの代表的な異常度指標として扱うことにより、機器等の異常を検知する。例えば、特許文献１には、モータ駆動時における時系列データに基づいて算出したマハラノビス距離を閾値と比較することにより、モータ駆動機構の異常判定を行うモータ制御システムが開示されている。
特開２０１９－２４３０５号公報
　ＭＴ法の場合、マハラノビス距離（ＭＤ値と記載する。）が閾値を超えた場合に異常と判定することが多い。しかし、ＭＤ値の算出に用いる各種センサの計測データには、通信経路でのノイズ混入による突発的な誤差や欠損が生じることがある。このような計測データを使ってＭＤ値を算出すると、正常域から逸脱した大きなＭＤ値が得られることがある。その結果、実際には機器等の状態が正常であっても、数値上、単発的または間欠的にＭＤ値が閾値を超え、アラートが発報されてしまう（偽陽性）。必要以上にアラートが発報されると、その異常判定は信頼性を欠くことになる。
　一例として、給湯機を例に挙げると、給湯機には、冷媒系統中の配管詰まり等、何らかの原因により冷媒の圧力が過剰に高くなった際に安全のために運転を停止する「高圧異常停止」機能が設けられている。一方、給湯機には「高圧保護」と呼ばれる機能も設けられている。高圧保護は、高圧異常停止に至る前に、中程度の圧力閾値を超過した場合に圧縮機の回転数を低く抑えながら運転を継続させる機能である。前者はアラートを発報すべきであり、後者はアラート発報しないようにすることが望ましい。高圧異常停止と高圧保護は、冷媒の圧力が上昇することにより引き起こされる事象であり、一般的には冷媒回路の高圧側の圧力に基づいて、それらの事象が判断される。例えば、高圧がＰ１（ＭＰａ）以上の状態がＴ１（秒）以上継続すると高圧保護を作動し、高圧がＰ２（ＭＰａ）以上（Ｐ２＞Ｐ１）の状態がＴ２（秒）以上継続すると高圧異常停止を作動するように構成されている。しかし、圧力の計測データについてもノイズ等の影響があり、実際には、高圧異常停止を作動する状況では無いにもかかわらず、アラートが発報されてしまうようなことが生じる。つまり、従来技術では、高圧異常停止が作動する事象と高圧保護が作動する事象とを精度よく弁別することが容易ではない。
　本開示は、上述の課題を解決することのできる監視システム、監視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、本開示の監視システムは、監視対象に設けられた複数のセンサが計測した計測値を取得するデータ取得部と、前記計測値と所定の標本に基づいて異常度指標を算出する指標値算出部と、前記異常度指標が所定の第１閾値以上となる状態が所定の第１時間以上連続的又は断続的に継続すると前記監視対象に異常が発生していると判定する第１判定部と、を備える。
　本開示の一態様によれば、本開示の監視方法は、監視対象に設けられた複数のセンサが計測した計測値を取得するステップと、前記計測値と所定の標本に基づいて異常度指標を算出するステップと、前記異常度指標が所定の第１閾値以上となる状態が所定の第１時間以上連続的又は断続的に継続すると前記監視対象に異常が発生していると判定するステップと、を有する。
　本開示の一態様によれば、本開示のプログラムは、コンピュータに監視対象に設けられた複数のセンサが計測した計測値を取得するステップと、前記計測値と所定の標本に基づいて異常度指標を算出するステップと、前記異常度指標が所定の第１閾値以上となる状態が所定の第１時間以上連続的又は断続的に継続すると前記監視対象に異常が発生していると判定するステップと、を実行させる。
　上記した監視システム、監視方法及びプログラムによれば、監視対象に発生する事象を精度よく判定することができる。
第１実施形態に係る監視システムの一例を示すブロック図である。 第１実施形態に係る閾値設定の一例を示す図である。 第１実施形態に係る異常検知処理の一例を示すフローチャートである。 早期検知を追求した場合の異常予知の一例を示す図である。 早期検知と見逃し及び誤発報防止の両立を追求した場合の異常予知の一例を示す図である。 第２実施形態に係る監視システムの一例を示すブロック図である。 第２実施形態に係る閾値設定処理の一例を示すフローチャートである。 第３実施形態に係る監視システムの一例を示すブロック図である。 第３実施形態に係る状態遷移について説明する第１の図である。 第３実施形態に係る状態遷移について説明する第２の図である。 第３実施形態に係る状態評価処理の一例を示すフローチャートである。 第４実施形態に係る監視システムの一例を示すブロック図である。 第４実施形態に係る運転状態の推移を示すグラフの一例を図である。 第４実施形態に係るアラート発報処理の一例を示す第１のフローチャートである。 第４実施形態に係る統計情報の一例を示す第１の図である。 第４実施形態に係る統計情報の一例を示す第２の図である。 第４実施形態に係るアラート発報処理の一例を示す第２のフローチャートである。 第５実施形態に係る監視システムの一例を示すブロック図である。 第５実施形態に係るＭＤ値算出処理の一例を示すフローチャートである。 第６実施形態に係る監視システムの一例を示すブロック図である。 第６実施形態に係る運転状態の予測処理について説明する第１の図である。 第６実施形態に係る運転状態の予測処理について説明する第２の図である。 第６実施形態に係る運転状態の予測処理の一例を示すフローチャートである。 各実施形態に係る監視システムのハードウェア構成の一例を示す図である。
＜第１実施形態＞
　以下、本開示の監視システムについて図面を参照して説明する。
（システム構成）
　図１は、第１実施形態に係る監視システムの一例を示すブロック図である。監視システム１０は、監視対象の機器やプラント等の運転状態を監視する。監視対象の機器等に制限はないが、一例として給湯機１の監視を行う場合を例に説明を行う。給湯機１は、水を昇温して湯を製造し、製造した湯を供給する機器である。給湯機１は、圧縮機等を含む冷媒回路を備えており、冷媒回路により水を昇温する。給湯機１の監視システムが備えるべき機能には、例えば、高圧異常停止させるべき事象と、高圧保護を作動すべき事象とを検知する機能があるが、監視システム１０は、計測値を閾値と比較することによって異常判定する従来の異常判定方法に加え、（基準となる、正常状態を示す）教師（訓練）用データまたは標本に基づいて計算される異常度指標によって異常検知を行う機械学習手法や異常判別手法などを用いて、この２つの事象を精度よく弁別する。以下の実施形態では、機械学習手法や異常判別手法の一例としてＭＴ法を用いる場合を例に説明を行う。
　図示するように監視システム１０は、データ取得部１０１と、設定受付部１０２と、ＭＤ値算出部１０３と、第１判定部１０４と、第２判定部１０５と、出力部１０６と、記憶部１０７と、を備える。
　データ取得部１０１は、給湯機１に設けられる各種のセンサが計測した計測値を取得する。例えば、データ取得部１０１は、給湯機１の各所における冷媒、水、湯などの温度、圧力、流量や、圧縮機に供給される電流や電圧などの計測値を取得する。
　設定受付部１０２は、ユーザが入力した各種設定情報を取得する。例えば、設定受付部１０２は、高圧異常停止を作動する事象（異常事象と記載する。）を検出するための閾値、高圧保護を作動する事象（保護事象と記載する。）を検出するための閾値などの設定を取得する。異常事象の閾値設定については、後に図２を参照して説明する。保護事象の閾値とは、例えば、高圧圧力の閾値（例えば、Ｐ１（ＭＰａ））とその継続時間（例えば、Ｔ１（秒））である。設定受付部１０２は、取得した設定を記憶部１０７に記録する。
　ＭＤ値算出部１０３は、データ取得部１０１が取得した計測値と、予め作成された単位空間に基づいて、給湯機１の状態を示すＭＤ値（マハラノビス距離）を算出する。ＭＤ値は、単位空間として表される基準の標本と新たに得られた標本との違いの大きさを表す尺度であり、異常度を示す指標である。マハラノビス距離の算出方法は公知の為、本明細書では説明を省略する。単位空間は、例えば、給湯機１の正常な運転状態において取得された各種センサによる計測値の集合である。単位空間は、予め作成され記憶部１０７にて記憶されている。
　第１判定部１０４は、ＭＤ値算出部１０３が算出したＭＤ値に基づいて、異常事象が発生したかどうかを判定する。この異常判定の詳細については、後に図３を用いて説明する。第１判定部１０４は、１又は複数のセンサの計測値（例えば、冷媒の高圧圧力）をそれぞれの閾値と比較して異常判定を行うのではなく、ＭＤ値に基づいて異常判定を行う。これにより、異常事象を保護事象と精度よく分別する。
　第２判定部１０５は、データ取得部１０１が取得した計測値に基づいて、給湯機１の運転状態を判定する。例えば、第２判定部１０５は、データ取得部１０１が取得した給湯機１の高圧圧力の値がＰ１（ＭＰａ）以上となる状況がＴ１秒以上継続すると、保護事象が発生したと判定する。
　出力部１０６は、給湯機１の監視に関する諸々の情報を表示装置や他装置へ出力する。例えば、出力部１０６は、第１判定部１０４および第２判定部１０５による判定結果の出力やアラートの発報を行う。
　記憶部１０７は、データ取得部１０１が取得した計測値、設定受付部１０２が受け付けた設定情報、ＭＤ値の算出に用いる単位空間データなどを記憶する。
（異常判定の閾値の設定例）
　図２に第１判定部１０４が異常判定に用いる閾値等の設定例を示す。第１判定部１０４は、ＭＤ閾値、回数閾値、ΔＴ１を用いて異常判定を行う。ＭＤ閾値は、ＭＤ値と比較する為の閾値である。回数閾値は、ＭＤ値がＭＤ閾値を超える回数と比較するための閾値である。ΔＴ１は、ＭＤ値とＭＤ閾値を比較する周期の設定である。第１判定部１０４は、ΔＴ１（例えば６０秒）ごとにＭＤ値算出部１０３が算出したＭＤ値とＭＤ閾値（例えば４）とを比較する。ＭＤ値がＭＤ閾値を上回る場合、第１判定部１０４は、ＭＤ閾値超えの回数をカウントする。そして、第１判定部１０４は、ＭＤ値がＭＤ閾値を超える回数が回数閾値（例えば、１０回）以上となると異常事象が生じたと判定し、アラートを出力する。
（動作）
　次に第１判定部１０４による異常判定処理の流れについて図３を参照して説明する。
　給湯機１の各種センサは、継続的に温度、圧力等を計測し、その計測値を監視システム１０へ送信している。監視システム１０では、データ取得部１０１が、送信された計測値を取得し、計測時刻とともに計測値を記憶部１０７に記録する。
　最初に第１判定部１０４は、ＭＤ閾値超えの回数をカウントするＭＤ閾値超えカウンタ、アラートを発報するかどうかを示すアラートフラグを初期化する（ステップＳ１）。
　次に第１判定部１０４は、最新のサンプルを取得する（ステップＳ２）。第１判定部１０４は、記憶部１０７から各種センサが計測した最新の計測値を取得する。
　次に第１判定部１０４は、前回の処理からΔＴ１（秒）以上経過したかどうかを判定する（ステップＳ３）。ΔＴ１以上経過していない場合（ステップＳ３；Ｎｏ）、第１判定部１０４は、ΔＴ１待機し（ステップＳ９）、ステップＳ２からの処理を繰り返す。
　ΔＴ１以上経過した場合（ステップＳ３；Ｙｅｓ）、第１判定部１０４は、ＭＤ値算出部１０３へ最新の計測値を出力し、ＭＤ値の算出を要求する。ＭＤ値算出部１０３は、各種センサによる最新の計測値からＭＤ値を算出する（ステップＳ４）。ＭＤ値算出部１０３は、算出したＭＤ値を第１判定部１０４へ出力する。
　第１判定部１０４は、ＭＤ値算出部１０３が算出したＭＤ値と図２で説明したＭＤ閾値とを比較し、ＭＤ値がＭＤ閾値以上かどうかを判定する（ステップＳ５）。ＭＤ値がＭＤ閾値未満の場合（ステップＳ５；Ｎｏ）、ステップＳ１からの処理を繰り返す。
　ＭＤ値がＭＤ閾値以上の場合、第１判定部１０４は、ＭＤ閾値超えカウンタに１を加算する（ステップＳ６）。次に第１判定部１０４は、ＭＤ閾値超えカウンタが回数閾値以上かどうかを判定する（ステップＳ７）。回数閾値未満の場合（ステップＳ７；Ｎｏ）、第１判定部１０４はΔＴ１待機し（ステップＳ９）、ステップＳ２からの処理を繰り返す。
　回数閾値以上の場合（ステップＳ７；Ｙｅｓ）、第１判定部１０４は、アラートフラグにＴＲＵＥを設定する。アラートフラグにＴＲＵＥが設定されると、出力部１０６は、異常事象が発生したことを示すアラートを発報する（ステップＳ８）。
　次に第１判定部１０４は、監視を終了するかどうかを判定する（ステップＳ１０）。例えば、ユーザによって監視を終了する操作が行われると、第１判定部１０４は、監視を終了すると判定する。監視を終了する場合（ステップＳ１０；Ｙｅｓ）、図３のフローチャートの処理を終了する。監視を終了しない場合（ステップＳ１０；Ｎｏ）、ステップＳ１からの処理を繰り返す。
（効果）
　以上説明したように、本実施形態によれば、ＭＤ値がＭＤ閾値以上となる状態が継続すると異常事象が生じたと判定する。これにより、センサ計測値のノイズ等により、一時的にＭＤ値がＭＤ閾値以上を超えたことによりアラートが発報されることを防ぎ、異常判定の信頼性を保つことができる。
　従来は、異常事象と保護事象の判定を共に冷媒の高圧圧力に基づいて行っているために両者を分別することができない場合があったが、本実施形態によれば、複数のセンサの計測値から算出したＭＤ値に基づいて異常事象の判定を行い、高圧圧力に基づいて保護事象の判定を行うことにより、両者を混同すること無く、精度よく異常事象および保護事象の判定を行うことができる。
　一般的に異常判定では、（１）できるだけ早期に異常を検知すること、（２）異常の見逃しと誤発報を少なくすること、が望まれるが、これらは背反事象であり両立は難しい。例えば、（１）を追求するだけであれば、ＭＤ閾値を低く設定すればよい。しかしこれでは、誤発報が頻発し信頼性が低い異常判定となる。これに対し、本実施形態によれば、ＭＤ閾値と回数閾値を調整することで、（１）と（２）を両立させた異常監視を実現することができる。図４Ａに（１）の早期検知を追求して閾値を設定した場合のグラフを示し、図４Ｂに（１）だけでなく（２）を考慮して閾値を設定した場合のグラフを示す。図４Ａ、４Ｂのグラフの縦軸はＭＤ値、横軸は時間である。図示するように、後者のほうが予知日数としては短くなっているものの、誤発報の可能性は低くなっている。このように本実施形態によれば、異常事象による停止でない軽微かつ運転継続可能な事象（例えば、保護事象）へのアラートを抑制できるようになる。これにより、サービス人員の不要な出動にかかるコストや抑えられる。また、客先設備の停止を回避できる。
　図３に例示する処理では、ＭＤ値が連続してＭＤ閾値以上となった場合（つまり、ＭＤ値がＭＤ閾値以上となる状態が所定時間以上連続的に継続した場合）に異常判定を行ったが、ＭＤ値が断続的にＭＤ閾値以上となった場合（つまり、ＭＤ値がＭＤ閾値以上となる状態が所定時間以上断続的に継続した場合）に異常と判定するように構成してもよい。具体的には、例えば、所定時間内にＭＤ値がＭＤ閾値以上となる回数をカウントして、この回数が閾値以上となると異常事象が発生したと判定してもよい。
　図３の処理によって検知する異常は、高圧異常停止を作動する事象に限定されず、他の様々な事象についても同様の手法で検知することができる。例えば、保護事象についても、ＭＤ値がＭＤ閾値を超える回数によって検知してもよい。
＜第２実施形態＞
　以下、本開示の第２実施形態に係る監視システムについて図５～図６を参照して説明する。第１実施形態では、図２に例示する閾値等をユーザが設定した。これに対し、第２実施形態では、監視システム１０Ａが閾値等の最適な値を算出する。
（システム構成）
　図５は、第２実施形態に係る監視システムの一例を示すブロック図である。
　第２実施形態に係る構成のうち、第１実施形態に係る監視システム１０と同様のものには同じ符号を付し、それぞれの説明を省略する。監視システム１０Ａは、データ取得部１０１と、設定受付部１０２と、ＭＤ値算出部１０３と、第１判定部１０４と、第２判定部１０５と、出力部１０６と、記憶部１０７と、閾値算出部１０８と、を備える。
　閾値算出部１０８は、オフラインでの繰り返しの試行によって、図２に示す閾値等の値の適切な組合せを算出する。図６に適切な閾値を算出する処理の一例を示す。
（動作）
　図６は、第２実施形態に係る閾値設定処理の一例を示すフローチャートである。
　以下の処理は、オフラインで実行される。例えば、監視システム１０Ａは、オンラインでは、図３で例示した処理によって異常判定処理を実行し、それと並行して閾値に様々な値を設定して異常判定の試行を行う。
　まず、ユーザが、閾値を評価するための損失関数を設定する（ステップＳ１１）。設定受付部１０２は、損失関数を取得し、記憶部１０７に記録する。損失関数は、例えば、次式（１）や式（１´）で表すことができる。
　ｆ＝ｋ１×偽陽性率＋ｋ２×偽陽性率・・・（１）
　ｆ＝ｋ３×（偽陽性率＋偽陰性率）＋ｋ４×（偽陽性率×偽陰性率）・・・（１´）
　偽陽性率とは、発報された全アラート回数のうち、異常事象が生じていないにもかかわらずアラートが誤発報された回数の割合である。偽陰性率とは、異常事象が生じた回数のうち、アラートが発報されなかった回数の割合である。ｋ１～ｋ４は、偽陽性率又は偽陰性率に対する重み付け係数である。式（１）、（１´）は損失関数の一例であって上記のものに限定されない。ユーザは、例えば、式（１）又は式（１´）と係数ｋ１等の値を設定する。次に、ユーザが、ＭＤ閾値、回数閾値、ΔＴ１のそれぞれに任意の初期値を設定する。設定受付部１０２は、初期値を取得し、各閾値にその値を設定する（ステップＳ１２）。次に第１判定部１０４がオンラインでの異常判定処理（図３）と並行して（データ取得部１０１が取得した実際のセンサ計測値を用いつつ、オンラインでの監視とは独立して）、ステップＳ１２にて設定されたＭＤ閾値、回数閾値、ΔＴ１を用いて、同様の異常判定処理をオフラインにて試行し（ステップＳ１３）、その判定結果を記憶部１０７に記録する。例えば、第１判定部１０４は、オフラインでの異常判定処理の試行の結果、アラートフラグにＴＲＵＥを設定すると（図３のステップＳ８に対応）、その時刻とアラートフラグにＴＲＵＥを設定したこととを対応付けて記憶部１０７に記録する。
　次に閾値算出部１０８が、オフラインでの異常判定処理の試行を開始してから所定期間が経過したかどうかを判定する（ステップＳ１４）。所定期間が経過していない場合（ステップＳ１４；Ｎｏ）、オフラインでの異常判定処理の試行を継続する（ステップＳ１３）。所定期間が経過すると（ステップＳ１４；Ｙｅｓ）、閾値算出部１０８は、ステップＳ１１で設定された損失関数を用いて、ステップＳ１２で設定された閾値等に対する評価値を算出する（ステップＳ１５）。閾値算出部１０８は、所定期間中に発生したオンラインでの実際の異常監視における異常事象の発生時刻の記録と、オフラインでの異常判定処理の試行においてアラートフラグにＴＲＵＥが設定された時刻の記録と、式（１）等と、に基づいて評価値を算出し、算出した評価値とステップＳ１２で設定された閾値等を対応付けて記憶部１０７に記録する。所定期間中に発生した異常事象については、例えば、ユーザによって、異常事象の発生時刻が記憶部１０７に登録されてもよいし、第１判定部１０４によるオンラインでの異常判定の結果、異常事象が発生したと判定された時刻を用いてもよい。
　次に閾値算出部１０８が、閾値算出処理を終了するかどうかを判定する（ステップＳ１６）。例えば、ユーザによって閾値算出処理の終了を指示する操作が行われると、閾値算出部１０８は、閾値算出処理を終了すると判定する。閾値算出処理を終了する場合（ステップＳ１６；Ｙｅｓ）、閾値算出部１０８は、評価値が最小となるときの閾値等を選択する。出力部１０６は、選択された閾値等を出力する（ステップＳ１７）。
　閾値算出処理を終了しない場合（ステップＳ１６；Ｎｏ）、ステップＳ１２からの処理を繰り返す。ステップＳ１２では、ユーザが任意にＭＤ閾値、回数閾値、ΔＴ１を設定してもよいし、閾値算出部１０８が、所定のルールに基づいてそれらの値を設定してもよい。
（効果）
　個別の物件（例えば、給湯機１）や他の異常に対して図３の処理を適用する場合に、図２の閾値等を都度調整するのは手間がかかり、容易ではない。本実施形態によれば、偽陽性率と偽陰性率の和や積、あるいはどちらかに優先すべき重みづけした和や積などを損失関数として表し、損失関数の値が最小となるような閾値を算出することができる。
＜第３実施形態＞
　以下、本開示の第３実施形態に係る監視システムについて図７～図９を参照して説明する。第１実施形態及び第２実施形態に係る監視システム１０、１０Ａでは、アラートの発報により給湯機１の異常を検知することができるが、給湯機１が正常に運転しているのか、アラートこそ発報されないものの異常に近い状態で運転しているのかを把握することができない。これに対し、第３実施形態では、監視システム１０Ｂが給湯機１の運転状態を評価し、その結果を通知する。運転状態とは、例えば、正常か、異常か、又はそれらの中間的な状態（監視が必要な状態）か等である。
（構成）
　図７は、第３実施形態に係る監視システムの一例を示すブロック図である。
　第３実施形態に係る監視システム１０Ｂは、第１実施形態、第２実施形態の何れとも組み合わせることが可能であるが、第１実施形態と組みわせた場合の構成例を図７に示す。監視システム１０Ｂのうち、監視システム１０と同様のものには同じ符号を付し、それぞれの説明を省略する。監視システム１０Ｂは、データ取得部１０１と、設定受付部１０２と、ＭＤ値算出部１０３と、第１判定部１０４と、第２判定部１０５と、出力部１０６と、記憶部１０７と、運転状態評価部１０９と、を備える。
　運転状態評価部１０９は、給湯機１の運転状態が状態１、状態２、状態３の何れであるかを評価する。状態１は正常な状態、状態２は監視が必要な状態、状態３は異常が発生した状態である。図８Ａ、図８Ｂを参照して各状態についてさらに詳しく説明する。
　図８Ａに状態１～３の状態遷移図を示す。図８Ｂに各状態への遷移条件を示す。
　ＭＤ値がＭＤ閾値（θＤ）未満のとき、運転状態は状態１である。ＭＤ値がＭＤ閾値（θＤ）以上となると、給湯機１の運転状態は、状態１から状態２へと遷移する。状態２へ遷移した時刻をＴｓｙとする。ＭＤ値がＭＤ閾値（θＤ）以上となってからτ秒が経過すると（ｔ－Ｔｓｙ＞τ、ｔは現在時刻）、給湯機１の運転状態は、状態２から状態３へと遷移する。状態３へ遷移すると、アラートが発報され、高圧異常停止が作動し、運転状態はリセット（状態３から状態１へ遷移する。）される。状態２へ遷移してからτ秒が経過する前にＭＤ値がＭＤ閾値（θＤ）未満となると、給湯機１の運転状態は、状態２から状態１へ遷移する。状態２から状態１へ遷移するときの閾値（θＤ´）を、状態１から状態２へ遷移するときの閾値（θＤ）よりも小さく設定し、状態１と状態２の遷移条件にヒステリシス幅を持たせるようにしてもよい。このように給湯機１の運転状態を状態１～３に分類して評価することで、正常な運転状態と異常に近づいた運転状態とを区別することができる。ＭＤ閾値のθＤと、状態２の継続時間の閾値τは、予め定め定められていてもよいし、ユーザが任意に設定することができてもよい。τは、例えば、第１実施形態におけるΔＴ×回数閾値と同じ時間である。次に図９を用いて、本実施形態に係る運転状態の評価処理について説明する。
（動作）
　図９は、第３実施形態に係る運転状態の評価処理の一例を示すフローチャートである。
　事前にユーザが、閾値θＤと閾値τを入力する。設定受付部１０２は、これらの閾値を取得し、記憶部１０７に記録する。あるいは、記憶部１０７には、予め閾値θＤと閾値τが登録されている。運転状態評価部１０９は、閾値θＤと閾値τを記憶部１０７から読み出して取得する（ステップＳ２１）。監視システム１０Ｂは、図３に例示する異常判定処理を実行する。例えば、ＭＤ値算出部１０３は、ＭＤ値を算出する（図３のステップＳ４）。ＭＤ値算出部１０３は、算出したＭＤ値を第１判定部１０４と運転状態評価部１０９へ出力する。第１判定部１０４は、図３の処理を実行する。その一方で、運転状態評価部１０９は、運転状態の評価を行う。具体的には、運転状態評価部１０９は、ＭＤ値算出部１０３からＭＤ値を取得する（ステップＳ２２）。運転状態評価部１０９は、取得したＭＤ値に基づいて運転状態を評価する（ステップＳ２３）。運転状態評価部１０９は、図８Ｂに示す遷移条件に基づいて、給湯機１の運転状態が状態１～３の何れであるかを評価する。運転状態評価部１０９は、運転状態の評価結果と、ＭＤ値と、ＭＤ値を取得した時刻とを対応付けて記憶部１０７へ記録し（ステップＳ２４）、評価結果を出力部１０６へ出力する。出力部１０６は、評価結果を出力する（ステップＳ２５）。例えば、状態２と評価された場合、ユーザが監視するモニターに状態２が表示される。これにより、ユーザは、アラートが発報されていない状況において、給湯機１が正常なのか異常に近づいた状態で運転しているのかを把握することができる。
（効果）
　本実施形態によれば、監視システム１０Ｂは、給湯機１に異常が発生しているか否かを判定するだけではなく、給湯機１の運転状態を評価し、その評価結果をユーザに通知することができる。これにより、アラートが発報されていない状況でも、給湯機１の運転状態が正常な状態なのか、異常に近づきつつある状態なのか、いつアラートが発報されてもおかしくない状態なのか等を把握することができる。上記の実施形態では、給湯機１の運転状態を状態１～状態３に分類することとしたが、運転状態をさらに細分化して評価することも可能である。運転状態の評価には、ＭＤ値だけでなく他のパラメータを用いてもよい。
＜第４実施形態＞
　以下、本開示の第４実施形態に係る監視システムについて図１０～図１５を参照して説明する。第４実施形態に係る監視システム１０Ｃは、給湯機１の運転状態を評価することに加え、運転状態の時刻歴データや時刻歴データに基づく統計情報をユーザに提供する機能を備えている。
（構成）
　図１０は、第４実施形態に係る監視システムの一例を示すブロック図である。
　第４実施形態に係る監視システム１０Ｃは、データ取得部１０１と、設定受付部１０２と、ＭＤ値算出部１０３と、第１判定部１０４と、第２判定部１０５と、出力部１０６と、記憶部１０７と、運転状態評価部１０９と、統計処理部１１０と、を備える。
　統計処理部１１０は、運転状態評価部１０９が記憶部１０７に記録した運転状態の評価結果の時刻歴データに基づいて、給湯機１の運転状態の推移を示すグラフを生成したり、状態２の統計情報を生成したりする。出力部１０６は、運転状態評価部１０９が生成したグラフや統計情報を表示装置等へ出力する。他の機能部については、第１実施形態～第３実施形態で説明したとおりである。
（動作）
　図１１に、統計処理部１１０によって生成される運転状態の推移を示すグラフの一例を示す。統計処理部１１０は、図９で説明した処理（ステップＳ２３）によって記録されたＭＤ値、運転状態、時刻の情報を記憶部１０７から読み出して、図１１に例示するようなグラフを生成し、出力部１０６が生成されたグラフを表示装置へ出力する。図１１のグラフの縦軸はＭＤ値、横軸は時間を示している。図中の破線はＭＤ閾値、曲線Ｌ１はＭＤ値の推移を示している。Ｌ１の値がＭＤ閾値（θＤ）未満であれば状態１であり、この領域は、例えば、緑色で表示される。Ｌ１の値がＭＤ閾値（θＤ）以上且つその期間（Ｔｓｙ～Ｔｅｙ）の長さがτ未満であれば状態２であり、この領域は、例えば、黄色で表示される。Ｌ１の値がＭＤ閾値（θＤ）以上となる状態がτ以上となると状態３と評価され、この領域は、例えば、赤色で表示される。図１１のグラフを参照することにより、ユーザは、状態１での運転が長期間続いている、状態２が増えてきた等、給湯機１の運転状態の推移や傾向を容易に把握することができる。アラートが発報された場合、何時、異常な運転状態となったかを視覚的に把握することができる。例えば、図１１の場合、アラートは、時刻Ｔｅｙ３に発報される。そして、そのアラートの原因となった異常（ＭＤ値がＭＤ閾値θＤ以上となること）は、時刻Ｔｅｙ３からτ（秒）だけ遡った時刻Ｔｓｙ３に始まっている。図１１のグラフによれば、ユーザは、異常状態の開始時刻Ｔｓｙ３を容易に把握することができるので、異常への対処や原因の究明に役立てることができる。統計処理部１１０は、ユーザの操作により、又は、常時、図１１に例示するようなグラフを監視画面に表示してもよい。第１判定部１０４は、統計処理部１１０と連携して、アラート発報時に異常の発生時刻を通知するように構成されていてもよい。
　図１２に第４実施形態に係るアラート発報処理の一例を示す。図１２に示すフローチャートは、図３のステップＳ８に対応する。第１判定部１０４は、ステップＳ７の処理で、アラートフラグにＴＲＵＥを設定する。すると、統計処理部１１０（又は第１判定部１０４）が、アラートフラグにＴＲＵＥを設定された時刻（≒運転状態評価部１０９によって状態３に遷移したと評価された時刻）からτ（秒）を減算し、異常発生時刻を算出する（ステップＳ８ａ）。統計処理部１１０は、異常発生時刻を出力部１０６へ出力する。次に出力部１０６がアラートと異常発生時刻を出力する（ステップＳ８ｂ）。これにより、ユーザは、アラート発報時に異常発生時刻を把握することができる。
　このように運転状態の時刻歴データから給湯機１の監視に役立つ情報を得ることができる。実際の監視の場面では、状態１や状態３よりも正常から異常への過渡的な状況、つまり状態２の発生状況を正確に把握し、その経過を観察することが重要となる。例えば、状態２の発生回数や状態２の占める割合が増加傾向にあると、異常の発生が近づいていることを予測し、異常に備えることができる。
　図１３に、統計処理部１１０によって生成される統計情報の一例を示す。図１３の表は、状態２の開始時刻および終了時刻とその継続時間の一覧である。統計処理部１１０は、記憶部１０７に記録された運転状態の評価結果の時刻歴データの中から、例えば、直近１週間に状態２と評価されたデータを抽出し、図１３に例示するような一覧表を生成する。出力部１０６は、生成された一覧表を表示装置へ出力する。ユーザは、この一覧表を見て、状態２の発生状況を確認することができる。例えば、図１３の例であれば、徐々に状態２の運転状態が長期化していることを把握することができる。
　図１４に、統計処理部１１０によって生成される統計情報の他の例を示す。図１４のヒストグラムは、過去１週間で生じた状態２の継続時間ごとの発生頻度を示している。図１４のヒストグラムは、統計処理部１１０によって生成され、出力部１０６によって出力される情報である。図１４を参照すると、継続時間が０～１０秒の状態２の発生頻度が最も多く、その次に継続時間が１０～２０秒の状態２の発生頻度が多いことが分かる。継続時間が短い場合にはセンサのノイズや一時的な外乱等の影響によるものである可能性が高く、異常監視の観点からは余り重要視しなくてよい場合が多い。反対に、τ未満であっても状態２の継続時間が長い場合、実際に何らかの異常が発生している、あるいは、発生しつつある可能性が高く、そのような状態が高頻度で発生する場合にはアラートが発報されていなくても異常の発生が疑われる。ユーザは、図１４に例示するヒストグラムにより、発生している状態２の性質（ノイズによるものか、異常が疑われるような状態か）とその頻度を確認することができる。
　状態３となる条件は満たさないが、状態２の累積時間が一定以上となったことを一種の異常とみなして、ステップＳ８とは異なるアラートを発報するように構成してもよい。図１５は、第４実施形態に係るアラート発報処理の一例を示す第２のフローチャートである。
　統計処理部１１０は、記憶部１０７に記録された運転状態の評価結果及び時刻の時刻歴データの中から、例えば、過去１週間に状態２と評価されたときのデータを読み出して、それらを集計する（ステップＳ３１）。具体的には、集計により、状態２と評価された運転時間の合計を計算する。このとき、統計処理部１１０は、ノイズの可能性が高いデータを除くために、状態２が所定時間以上継続した場合のデータだけを集計対象としてもよい。次に統計処理部１１０は、集計結果の時間と閾値とを比較して、過去１週間における状態２の運転時間の合計が閾値以上かどうかを判定する（ステップＳ３２）。そして、状態２の運転時間の合計が閾値以上の場合（ステップＳ３２；Ｙｅｓ）、出力部１０６にアラートの発報を指示する。出力部１０６は、例えば、異常の発生が疑われることを示すような内容のアラートを発報する（ステップＳ３３）。これにより、図３の処理にてアラートが発報されない場合であっても、状態２の発生状況から異常の発生が疑われる状態を検知し、ユーザに通知することができる。このアラートを見たユーザは、例えば、給湯機１の点検等を行うことにより、より大きな事故等が発生することを未然に防止することができる。
（効果）
　以上説明したように、第４実施形態によれば、給湯機１の運転状態の変化やトレンドを把握することができる。これにより、実際の異常が発生する前に、異常の発生を予期し、異常発生を防止するよう対処することができる。
＜第５実施形態＞
　以下、本開示の第５実施形態に係る監視システムについて図１６～図１７を参照して説明する。第５実施形態に係る監視システム１０Ｄは、ＭＤ値の算出方法に特徴を有している。ＭＤ値は、センサの計測値のノイズなどの影響により変動する場合があるが、ＭＤ値の変動を低減するためにフィルタ処理を行って、高周波成分（ノイズや変動）を除去したＭＤ値を算出する。
（構成）
　図１６は、第５実施形態に係る監視システムの一例を示すブロック図である。第５実施形態は、第１実施形態～第４実施形態、後述する第６実施形態の何れとも組み合わせることが可能であるが、第1実施形態の監視システム１０と組み合わせた構成を図１６に示す。第５実施形態に係る監視システム１０Ｄは、データ取得部１０１と、設定受付部１０２と、ＭＤ値算出部１０３と、第１判定部１０４と、第２判定部１０５と、出力部１０６と、記憶部１０７と、フィルタ部１１１と、を備える。
　フィルタ部１１１は、ＭＤ値算出部１０３が算出したＭＤ値に対して移動平均や一次遅れフィルタのようなローパスフィルタに相当するフィルタ処理を行う。簡単な例（移動平均の例）では、時刻ｔにＭＤ値算出部１０３が算出したＭＤ値をＭＤ０、時刻ｔ＋１にＭＤ値算出部１０３が算出したＭＤ値をＭＤ１、時刻ｔ＋２にＭＤ値算出部１０３が算出したＭＤ値をＭＤ２、時刻ｔ＋３にＭＤ値算出部１０３が算出したＭＤ値をＭＤ３とすると、フィルタ部１１１は、（ＭＤ０＋ＭＤ１＋ＭＤ２＋ＭＤ３）÷４によって平滑化されたＭＤ値を算出し、この値を時刻ｔ＋３におけるＭＤ値とする。これにより、ＭＤ値の耐ノイズ性を向上することができる。
（動作）
　図１７に第５実施形態に係るＭＤ値算出処理の一例を示す。図１７に示すフローチャートの処理ステップＳ４´は、図３のステップＳ４に対応し、図３のステップＳ４をステップＳ４´に置き換えることで、第５実施形態に係る平滑化後のＭＤ値を使って異常判定処理を行うことができる。
　ＭＤ値算出部１０３は、最新のＭＤ値を算出する（ステップＳ４）。次に、フィルタ部１１１が、算出された最新のＭＤ値に対してローパスフィルタによるフィルタ処理を実行する（ステップＳ４ａ）。フィルタ部１１１は、ファイルタ処理後の平滑化されたＭＤ値を第１判定部１０４へ出力する。第１判定部１０４は、平滑化されたＭＤ値を用いて、図３のステップ５以降の処理を実行する。ＭＤ値の平滑化に伴いステップＳ７における回数閾値を第１実施形態よりも小さな値に設定してもよい。フィルタ処理を行ったＭＤ値で異常判定を行った場合、アラートフラグにＴＲＵＥを設定した時刻から単純にτだけ遡った時刻に異常が発生したとは言えない。しかし、その反面、回数閾値の値を小さく設定することができるならば、異常判定の精度を維持したまま、第１実施形態に比べて早期に異常を検知できる可能性がある。
（効果）
　以上説明したように、第５実施形態によれば、ＭＤ値の耐ノイズ性を向上することができる。
＜第６実施形態＞
　以下、本開示の第６実施形態に係る監視システムについて図１８～図２０を参照して説明する。第６実施形態に係る監視システム１０Ｅは、給湯機１の運転状態の評価結果に基づいて、異常の発生予測を行う機能を有している。
（構成）
　図１８は、第６実施形態に係る監視システムの一例を示すブロック図である。第６実施形態は、第３実施形態～第４実施形態の何れとも組み合わせることが可能であるが、第３実施形態の監視システム１０と組み合わせた構成を図１８に示す。
　第６実施形態に係る監視システム１０Ｅは、データ取得部１０１と、設定受付部１０２と、ＭＤ値算出部１０３と、第１判定部１０４と、第２判定部１０５と、出力部１０６と、記憶部１０７と、運転状態評価部１０９と、運転状態予測部１１２と、を備える。
　運転状態予測部１１２は、運転状態評価部１０９が記憶部１０７に記録した運転状態の評価結果の時刻歴データに基づいて、状態１、状態２、状態３の状態遷移確率を解析し、解析結果に基づいて、給湯機１の運転状態を予測する。出力部１０６は、運転状態予測部１１２が生成したグラフや統計情報を表示装置等へ出力する。他の機能部については、第１実施形態～第３実施形態で説明したとおりである。
　図１９Ａに状態１～３の状態遷移図を示す。運転状態予測部１１２は、記憶部１０７に記録された運転状態の過去の時刻歴データに基づいて、ある時刻ｔの運転状態と時刻ｔ＋Δｔの運転状態の関係を集計する。例えば、時刻ｔに給湯機１の運転状態が状態１であるときに、Δｔ後に状態１のままである確率Ｘ１を算出する。同様に、運転状態予測部１１２は、時刻ｔに状態１であるときにΔｔ後に状態２となる確率Ｘ４、状態３となる確率Ｘ７を算出し、時刻ｔに状態２であるときにΔｔ後に状態２のままである確率Ｘ５、状態１となる確率Ｘ２、状態３となる確率Ｘ８を算出し、時刻ｔに状態３であるときにΔｔ後に状態３のままである確率Ｘ９、状態１となる確率Ｘ３、状態２となる確率Ｘ６を算出する。確率Ｘ１～Ｘ９を算出することができると、図１９Ｂの式（２）のようにまとめることができる。式（２）のｎは、どれぐらい未来の運転状態を予測するかを指定する為のパラメータである。ｎ＝１とすれば、Δｔ後の運転状態を予測する予測式が得られる。ｎ＝２とすれば、Δｔ×２後の運転状態の予測式が得られる。運転状態予測部１１２は、式（２）に基づいて未来の給湯機１の運転状態を予測する。
（動作）
　図２０に第６実施形態に係る運転状態の予測処理の一例を示す。最初に運転状態予測部１１２が、状態遷移確率を算出する（ステップＳ４１）。運転状態予測部１１２は、図１９Ａ、図１９Ｂを用いて説明したように、運転状態の評価結果（状態１～３）の時系列データに基づいて状態１～３間の状態遷移確率を算出する。これにより、式（２）が得られる。次にユーザが、予測期間を設定する。例えば、ΔＴ＝３０分であって１時間後から２４時間後の運転状態を予測したいのであれば、ΔＴ＝２～４８を設定する。設定受付部１０２は、予測期間の設定を取得し、記憶部１０７に記録する（ステップＳ４２）。次に運転状態予測部１１２は、運転状態評価部１０９が評価した最新の運転状態と式（２）とに基づいて、ステップＳ４２で設定した予測期間における運転状態を予測する（ステップＳ４３）。例えば、１時間後の運転状態については、運転状態評価部１０９が評価した最新の運転状態を、式（２）（ｎ＝２）に代入して、１時間後に状態１となる確率、１時間後に状態２となる確率、１時間後に状態３となる確率を予測する。例えば、２時間後の運転状態については、前段で算出した１時間後の状態１～３の確率を式（２）（ｎ＝２）に代入して予測する。同様にして、運転状態予測部１１２は、３時間後～２４時間後の運転状態についても予測する。次に、出力部１０６は、運転状態予測部１１２による予測結果を表示装置等へ出力する（ステップＳ４４）。
（効果）
　以上説明したように、第６実施形態によれば、将来の給湯機１の運転状態を予測することができる。
　上記の実施形態では、ＭＴ法による異常判定を例に説明を行ったが、異常判定の手法は、ＭＴ法に限定されず、例えば、機械学習等を用いた各種の異常判定手法に対して適用することができる。例えば、ＭＴ法における単位空間は、基準となる教師用データや標本（例えば、正常時のプロセスデータ）、あるいはそれらを学習して構築された学習済みモデル等であってもよいし、ＭＤは、各種の異常判定手法において算出される異常度指標（例えば、学習済みモデルに基づく判定結果やその判定結果に基づく確信度）であってもよい。
　図２１は、各実施形態に係る監視システムのハードウェア構成の一例を示す図である。
　コンピュータ９００は、ＣＰＵ９０１、主記憶装置９０２、補助記憶装置９０３、入出力インタフェース９０４、通信インタフェース９０５を備える。
　上述の監視システム１０は、コンピュータ９００に実装される。そして、上述した各機能は、プログラムの形式で補助記憶装置９０３に記憶されている。ＣＰＵ９０１は、プログラムを補助記憶装置９０３から読み出して主記憶装置９０２に展開し、当該プログラムに従って上記処理を実行する。ＣＰＵ９０１は、プログラムに従って、記憶領域を主記憶装置９０２に確保する。ＣＰＵ９０１は、プログラムに従って、処理中のデータを記憶する記憶領域を補助記憶装置９０３に確保する。
　監視システム１０の全部または一部の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機能部による処理を行ってもよい。ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。「コンピュータシステム」は、ＷＷＷシステムを利用している場合であれば、ホームページ提供環境（あるいは表示環境）も含むものとする。「コンピュータ読み取り可能な記録媒体」とは、ＣＤ、ＤＶＤ、ＵＳＢ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。このプログラムが通信回線によってコンピュータ９００に配信される場合、配信を受けたコンピュータ９００が当該プログラムを主記憶装置９０２に展開し、上記処理を実行しても良い。上記プログラムは、前述した機能の一部を実現するためのものであっても良く、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよい。
　以上のとおり、本開示に係るいくつかの実施形態を説明したが、これら全ての実施形態は、例として提示したものであり、発明の範囲を限定することを意図していない。これらの実施形態は、その他の様々な形態で実施されることが可能であり、発明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。これらの実施形態及びその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれる。
＜付記＞
　各実施形態に記載の監視システム、監視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の態様に係る監視システムは、監視対象に設けられた複数のセンサが計測した計測値を取得するデータ取得部と、前記計測値と所定の単位空間に基づいて異常度指標（マハラノビス距離）を算出する指標値算出部（ＭＤ値算出部）と、前記異常度指標（マハラノビス距離）が所定の第１閾値以上となる状態が所定の第１時間以上連続的又は断続的に継続すると前記監視対象に異常が発生していると判定する第１判定部と、を備える。
　これにより、精度よく信頼性の高い異常検知を行うことができる。
（２）第２の態様に係る監視システムは、（１）の監視システムであって、前記第１判定部が異常と判定したときに前記監視対象に異常が発生していない確率および／又は前記第１判定部が異常と判定していないときに前記監視対象に異常が発生している確率をパラメータとする、前記第１判定部による判定結果の誤りの大きさを算出する損失関数の値が最小となるような、前記第１閾値と前記第１時間の組合せを算出する（例えば、前記第１判定部が異常と判定したときに前記監視対象に異常が発生していない確率に任意の重み係数を乗じた第１値と、前記第１判定部が異常と判定していないときに前記監視対象に異常が発生している確率に任意の重み係数を乗じた第２値について、前記第１値と第２値の和や前記第１値と第２値の積、あるいは和と積によって計算される値が最小となるような、前記第１閾値と前記第１時間の組合せを算出する等）閾値算出部、をさらに備える。
　これにより、適切な閾値等の値を自動的に設定することができる。
（３）第３の態様に係る監視システムは、（１）～（２）の監視システムであって、前記複数のセンサのうちの１又は複数による前記計測値と各々の前記計測値ごとに設けられた閾値とに基づいて、前記閾値以上又は前記閾値未満となると、前記監視対象に注意を要する事象（例えば、保護事象）が発生している判定する第２判定部、をさらに備える。
　これにより、第１の態様の異常と分別して、注意を要する事象が発生していることを判定することができる。
（４）第４の態様に係る監視システムは、（１）～（３）の監視システムであって、前記監視対象の運転状態を評価する運転状態評価部、をさらに備え、前記運転状態評価部は、前記異常度指標（マハラノビス距離）が前記第１閾値未満となる状態を第１状態と評価し、前記異常度指標（マハラノビス距離）が前記第１閾値以上となる状態が前記第１時間以上継続しない状態を第２状態と評価し、前記異常度指標（マハラノビス距離）が前記第１閾値以上となる状態が前記第１時間以上継続した状態を第３状態と評価する。
　これにより、監視対象の運転状態について、単に異常が発生しているかどうかだけではなく、正常、異常、異常ではないが正常でもない状態の３つに分類して評価することができる。
（５）第５の態様に係る監視システムは、（４）の監視システムであって、前記第１判定部は、前記運転状態評価部が前記第３状態と評価すると、その時刻から前記第１時間遡った時刻に異常が発生したと判定する。
　これにより、異常となった時刻を把握することができる。
（６）第６の態様に係る監視システムは、（４）～（５）の監視システムであって、前記運転状態評価部が過去の所定期間に行った評価結果に基づいて、前記監視対象の運転状態の推移を示すグラフを生成する統計処理部をさらに備える。
　これにより、運転状態の推移、傾向を把握することができる。
（７）第７の態様に係る監視システムは、（４）～（６）の監視システムであって、前記運転状態評価部が過去の所定期間に行った評価結果から、前記監視対象の運転状態が前記第２状態となっている時間を抽出し、抽出した時間の一覧を生成する統計処理部をさらに備える。
　これにより、第２状態となる運転状態の発生頻度やその長さの傾向を把握することができる。
（８）第８の態様に係る監視システムは、（４）～（７）の監視システムであって、前記運転状態評価部が過去の所定期間に行った評価結果に基づいて、前記監視対象の運転状態が前記第２状態となった時間の長さごとの頻度を示すヒストグラムを算出する統計処理部、をさらに有する。
　これにより、状態２と判定された運転状態におけるノイズ傾向の割合や異常に近い状態の割合を把握することができる。
（９）第９の態様に係る監視システムは、（４）～（８）の監視システムであって、前記運転状態評価部は、前記異常度指標（マハラノビス距離）が前記第１閾値以上となる状態が前記第１時間より短い所定の第２時間以上すると、前記監視対象の運転状態が、監視が必要な状態であると評価する。
　これにより、異常判定条件を満たさなくてもそれに準じるような状態となったことを検知することができる。
（１０）第１０の態様に係る監視システムは、（１）～（９）の監視システムであって、前記指標値算出部が算出した異常度指標（マハラノビス距離）について高周波成分を除去するローパスフィルタ処理を行うフィルタ部、をさらに備え、前記第１判定部は、前記ローパスフィルタ処理後の前記異常度指標（マハラノビス距離）を用いて、前記異常の発生を判定する。
　これにより、ＭＤ値の耐ノイズ性を向上することができる。
（１１）第１１の態様に係る監視システムは、（４）～（１０）の監視システムであって、前記運転状態評価部が過去の所定期間に行った評価結果に基づいて、前記監視対象の運転状態が前記第１状態、前記第２状態、前記第３状態の各状態の間で遷移する確率を算出し、算出した確率に基づいて未来の前記運転状態を予測する運転状態予測部をさらに備える。
　これにより、監視対象の運転状態の判定だけではなく、予測を行うことができる。例えば、異常検知、異常判定だけではなく、異常の予測を行うことができる。
（１２）第１２の態様に係る監視方法は、監視対象に設けられた複数のセンサが計測した計測値を取得するステップと、前記計測値と所定の単位空間に基づいて異常度指標（マハラノビス距離）を算出するステップと、前記異常度指標（マハラノビス距離）が所定の第１閾値以上となる状態が所定の第１時間以上連続的又は断続的に継続すると前記監視対象に異常が発生していると判定するステップと、を有する。
（１３）第１３の態様に係るプログラムは、コンピュータ９００に、監視対象に設けられた複数のセンサが計測した計測値を取得するステップと、前記計測値と所定の単位空間に基づいて異常度指標（マハラノビス距離）を算出するステップと、前記異常度指標（マハラノビス距離）が所定の第１閾値以上となる状態が所定の第１時間以上連続的又は断続的に継続すると前記監視対象に異常が発生していると判定するステップと、を実行させる。
　上記した監視システム、監視方法及びプログラムによれば、監視対象に発生する事象を精度よく判定することができる。
１０、１０Ａ、１０Ｂ、１０Ｄ、１０Ｅ・・・監視システム
１０１・・・データ取得部
１０２・・・設定受付部
１０３・・・ＭＤ値算出部
１０４・・・第１判定部
１０５・・・第２判定部
１０６・・・出力部
１０７・・・記憶部
１０８・・・閾値算出部
１０９・・・運転状態評価部
１１０・・・統計処理部
１１１・・・フィルタ部
１１２・・・運転状態予測部
９００・・・コンピュータ
９０１・・・ＣＰＵ
９０２・・・主記憶装置
９０３・・・補助記憶装置
９０４・・・入出力インタフェース
９０５・・・通信インタフェース

Claims (13)

  1. 　監視対象に設けられた複数のセンサが計測した計測値を取得するデータ取得部と、
    　前記計測値と所定の標本に基づいて異常度指標を算出する指標値算出部と、
    　前記異常度指標が所定の第１閾値以上となる状態が所定の第１時間以上連続的又は断続的に継続すると前記監視対象に異常が発生していると判定する第１判定部と、
    　を備える監視システム。
  2. 　前記第１判定部が異常と判定したときに前記監視対象に異常が発生していない確率および／又は前記第１判定部が異常と判定していないときに前記監視対象に異常が発生している確率をパラメータとする、前記第１判定部による判定結果の誤りの大きさを算出する所定の損失関数の値が最小となるような、前記第１閾値と前記第１時間の組合せを算出する閾値算出部、
    　をさらに備える請求項１に記載の監視システム。
  3. 　前記複数のセンサのうちの１又は複数による前記計測値と各々の前記計測値ごとに設けられた閾値とに基づいて、前記監視対象に注意を要する事象が発生している判定する第２判定部、
    　をさらに備える請求項１又は請求項２に記載の監視システム。
  4. 　前記監視対象の運転状態を評価する運転状態評価部、をさらに備え、
    　前記運転状態評価部は、前記異常度指標が前記第１閾値未満となる状態を第１状態と評価し、前記異常度指標が前記第１閾値以上となる状態が前記第１時間以上継続しない状態を第２状態と評価し、前記異常度指標が前記第１閾値以上となる状態が前記第１時間以上継続した状態を第３状態と評価する、
    　請求項１又は請求項２に記載の監視システム。
  5. 　前記第１判定部は、前記運転状態評価部が前記第３状態と評価すると、その時刻から前記第１時間遡った時刻に異常が発生したと判定する、
    　請求項４に記載の監視システム。
  6. 　前記運転状態評価部が過去の所定期間に行った評価結果に基づいて、前記監視対象の運転状態の推移を示すグラフを生成する統計処理部、
    　をさらに備える請求項４に記載の監視システム。
  7. 　前記運転状態評価部が過去の所定期間に行った評価結果に基づいて、前記監視対象の運転状態が前記第２状態となっていた時間を抽出し、抽出した時間の一覧を生成する統計処理部、
    　をさらに備える請求項４に記載の監視システム。
  8. 　前記運転状態評価部が過去の所定期間に行った評価結果に基づいて、前記監視対象の運転状態が前記第２状態となっていた時間の長さごとの頻度を示すヒストグラムを算出する統計処理部、
    　をさらに備える請求項４に記載の監視システム。
  9. 　前記運転状態評価部は、前記異常度指標が前記第１閾値以上となる状態が前記第１時間より短い所定の第２時間以上継続すると、前記監視対象の運転状態が、監視が必要な状態であると評価する、
    　請求項４に記載の監視システム。
  10. 　前記指標値算出部が算出した異常度指標について高周波成分を除去するフィルタ処理を行うフィルタ部、
    　をさらに備え、
    　前記第１判定部は、前記フィルタ処理後の前記異常度指標を用いて、前記異常の発生を判定する、
    　請求項１又は請求項２に記載の監視システム。
  11. 　前記運転状態評価部が過去の所定期間に行った評価結果に基づいて、前記監視対象の運転状態が前記第１状態、前記第２状態、前記第３状態の各状態の間で遷移する確率を算出し、算出した確率に基づいて未来の前記運転状態を予測する運転状態予測部、
    　をさらに備える請求項４に記載の監視システム。
  12. 　監視対象に設けられたセンサが計測した計測値を取得するステップと、
    　前記計測値と所定の標本に基づいて異常度指標を算出するステップと、
    　前記異常度指標が所定の第１閾値以上となる状態が所定の第１時間以上連続的又は断続的に継続すると前記監視対象に異常が発生していると判定するステップと、
    　を有する監視方法。
  13. 　コンピュータに、
    　監視対象に設けられたセンサが計測した計測値を取得するステップと、
    　前記計測値と所定の標本に基づいて異常度指標を算出するステップと、
    　前記異常度指標が所定の第１閾値以上となる状態が所定の第１時間以上連続的又は断続的に継続すると前記監視対象に異常が発生していると判定するステップと、
    　を実行させるプログラム。
PCT/JP2023/024947 2022-07-26 2023-07-05 監視システム、監視方法及びプログラム WO2024024431A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022-118438 2022-07-26
JP2022118438A JP2024016374A (ja) 2022-07-26 2022-07-26 監視システム、監視方法及びプログラム

Publications (1)

Publication Number Publication Date
WO2024024431A1 true WO2024024431A1 (ja) 2024-02-01

Family

ID=89706162

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2023/024947 WO2024024431A1 (ja) 2022-07-26 2023-07-05 監視システム、監視方法及びプログラム

Country Status (2)

Country Link
JP (1) JP2024016374A (ja)
WO (1) WO2024024431A1 (ja)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016080286A (ja) * 2014-10-20 2016-05-16 三菱日立パワーシステムズ株式会社 熱交換器の監視装置及び熱交換器の監視方法
JP2021176088A (ja) * 2017-03-31 2021-11-04 エスペック株式会社 試験装置管理システム及び管理装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016080286A (ja) * 2014-10-20 2016-05-16 三菱日立パワーシステムズ株式会社 熱交換器の監視装置及び熱交換器の監視方法
JP2021176088A (ja) * 2017-03-31 2021-11-04 エスペック株式会社 試験装置管理システム及び管理装置

Also Published As

Publication number Publication date
JP2024016374A (ja) 2024-02-07

Similar Documents

Publication Publication Date Title
JP5335144B2 (ja) 火災、可燃ガス報知システム及び方法
JP4071449B2 (ja) センサ異常検出方法及びセンサ異常検出装置
JP2008097363A (ja) 異常診断方法及びその装置
JP5991329B2 (ja) 制御装置、管理装置、プラント制御システム、及びデータ処理方法
US11740592B2 (en) Control method, control apparatus, mechanical equipment, and recording medium
JPH0954613A (ja) プラント設備監視装置
WO2019087508A1 (ja) 監視対象選定装置、監視対象選定方法、およびプログラム
JP2014167706A (ja) 監視装置および制御システム
JP2018100010A (ja) 車両用空調装置の状態評価方法
WO2024024431A1 (ja) 監視システム、監視方法及びプログラム
JP2010276339A (ja) センサ診断方法およびセンサ診断装置
JP2005315564A (ja) 空調機の異常検知装置及び異常検知方法
WO2019234913A1 (ja) 支援装置、学習装置、及びプラント運転条件設定支援システム
JP6658462B2 (ja) プラント設備劣化診断装置
US20150330872A1 (en) Method and system for automation, safety and reliable operation performance assessment
EP3500896B1 (en) Method of monitoring and controlling an industrial process, and a process control system
US20200282371A1 (en) Monitoring device, monitoring method, and program
JPH11161327A (ja) プロセスの異常診断方法及び装置
US10955837B2 (en) Method and system for error detection and monitoring for an electronically closed-loop or open-loop controlled machine part
JP2016003875A (ja) モータ異常検知システム、モータ異常検知方法、及びモータ異常検知プログラム
JP5802575B2 (ja) プラント監視装置、制御方法及び制御プログラム
JP3020072B2 (ja) プラント監視装置および方法
KR102162427B1 (ko) 공작설비 이상 감지 모니터링 방법
WO2020204043A1 (ja) 高炉の異常判定装置、高炉の異常判定方法、及び高炉の操業方法
CA3114157C (en) Process management device, process management method, and process management program storage medium

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: 23846164

Country of ref document: EP

Kind code of ref document: A1