WO2025263145A1 - 異常診断方法および異常診断装置 - Google Patents

異常診断方法および異常診断装置

Info

Publication number
WO2025263145A1
WO2025263145A1 PCT/JP2025/016977 JP2025016977W WO2025263145A1 WO 2025263145 A1 WO2025263145 A1 WO 2025263145A1 JP 2025016977 W JP2025016977 W JP 2025016977W WO 2025263145 A1 WO2025263145 A1 WO 2025263145A1
Authority
WO
WIPO (PCT)
Prior art keywords
abnormality
variable
variables
anomaly
cause
Prior art date
Legal status (The legal status 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 status listed.)
Pending
Application number
PCT/JP2025/016977
Other languages
English (en)
French (fr)
Inventor
昌史 松下
丈英 平田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
JFE Steel Corp
Original Assignee
JFE Steel Corp
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 JFE Steel Corp filed Critical JFE Steel Corp
Publication of WO2025263145A1 publication Critical patent/WO2025263145A1/ja
Pending legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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 invention relates to an abnormality diagnosis method and an abnormality diagnosis device.
  • the model-based approach involves constructing a model that mathematically represents the physical or chemical phenomena in the manufacturing process, and then using that model to diagnose the manufacturing state of the manufacturing process.
  • the database approach involves constructing a statistical analysis model from operational data obtained in the manufacturing process, and then using that model to diagnose the manufacturing state of the manufacturing process.
  • a database approach involves a diagnostic method that extracts characteristics from past operational data under normal conditions and determines the differences with current operational data.
  • One such method involves diagnosing the degree of deviation from normal conditions using a multiple regression model.
  • Patent Document 1 describes a method for estimating the cause of an abnormal state using the influence coefficients of a multiple regression model created using operational data from normal times.
  • the input variables used are state variables that indicate the state of equipment and quality, and cause variables that are candidates for the cause of the abnormality.
  • the method compares the influence coefficients of a multiple regression model, in which the state variables are the target variables and the cause variables are the explanatory variables, between normal and abnormal times, and estimates that one of the cause variables with the greatest change is the cause of the abnormality.
  • the present invention has been made in consideration of the above, and aims to provide an abnormality diagnosis method and device that can detect abnormal conditions from large amounts of measurement data acquired during the manufacturing process and quickly and clearly present measurement values related to the abnormality.
  • the anomaly diagnosis method of the present invention includes: an operating variable acquisition step of acquiring multiple variables that indicate the state of the manufacturing equipment during operation; an anomaly determination step of determining whether or not an anomaly exists in the manufacturing equipment using the multiple variables acquired in the operating variable acquisition step and a set of first prediction models constructed based on multiple variables that indicate the state of the manufacturing equipment during normal operation, and in which the variables are used complementarily as a response variable and an explanatory variable; an operating influence coefficient calculation step of, if an anomaly is determined to exist, constructing a set of second prediction models based on the multiple variables acquired in the operating variable acquisition step, in which the variables are used complementarily as a response variable and an explanatory variable; an anomaly cause estimation matrix calculation step of calculating an anomaly cause estimation matrix by comparing a first influence coefficient, which is the influence coefficient of the explanatory variable on the response variable for the set of first prediction models, with a second influence coefficient, which is the influence coefficient of the explanatory
  • the anomaly cause estimation matrix has a tabular structure with the objective variable and the explanatory variable as key items, and has the comparison results of the first influence coefficient and the second influence coefficient as elements.
  • the anomaly cause estimation matrix is used to focus on explanatory variables or objective variables related to the anomaly, and the variable causing the anomaly is identified based on changes in the influence coefficient related to the variable being focused on.
  • variables for which the change in the influence coefficient is greater than a predetermined threshold in both the explanatory variable column and the target variable row of the anomaly cause estimation matrix are identified as variables causing the anomaly.
  • the degree of anomaly is calculated based on the prediction error of each variable using the first prediction model, and the presence or absence of an anomaly in the manufacturing equipment is determined by referencing the maximum, average, or sum of the degrees of anomaly for all or some of the variables.
  • the abnormality diagnosis method further includes an abnormality cause estimation step of estimating the cause of the abnormality based on the identified variables.
  • the cause of the anomaly is estimated by referencing a table of candidate causes of the anomaly according to the combination of the objective variable and the explanatory variables that are candidates for the anomaly.
  • the cause of the anomaly is estimated by referencing a table of candidate causes of the anomaly and corresponding actions according to the combination of the objective variable and the explanatory variables that are candidates for the anomaly, and an action corresponding to the estimated cause of the anomaly is determined.
  • a command or alert corresponding to the determined action is output to the control device.
  • the abnormality diagnosis device of the present invention comprises: an abnormality determination unit that determines whether or not an abnormality exists in the manufacturing equipment using a plurality of variables that indicate the state of the manufacturing equipment during operation and a set of first prediction models that are constructed based on a plurality of variables that indicate the state of the manufacturing equipment under normal conditions, and in which the variables are used complementarily as a dependent variable and an explanatory variable; an operational influence coefficient calculation unit that, if an abnormality is determined to exist, constructs a set of second prediction models that use the variables complementarily as a dependent variable and an explanatory variable based on the plurality of variables that indicate the state of the manufacturing equipment during operation; an abnormality cause estimation matrix calculation unit that calculates an abnormality cause estimation matrix by comparing a first influence coefficient, which is the influence coefficient of the explanatory variables on the dependent variable for the set of first prediction models, with a second influence coefficient, which is the influence coefficient of the explanatory variables on the dependent variable for the
  • the abnormality diagnosis device in the above invention, further includes an abnormality cause estimation unit that estimates the cause of the abnormality based on the identified variables.
  • the anomaly diagnosis method and device of the present invention can detect abnormal conditions from large amounts of measurement data acquired during the manufacturing process and quickly and clearly present measurement values related to the anomaly.
  • FIG. 1 is a block diagram showing a schematic configuration of an abnormality diagnosis device according to an embodiment of the present invention.
  • FIG. 2 is a flowchart showing the flow of the abnormality diagnosis method executed by the abnormality diagnosis device according to the embodiment of the present invention.
  • FIG. 3 is a diagram showing an example of an abnormality cause estimation matrix calculated with respect to changes in influence coefficients of a multiple regression model derived by the least squares method in the abnormality cause estimation matrix calculation step of the abnormality diagnosis method according to the embodiment of the present invention.
  • FIG. 1 is a block diagram showing a schematic configuration of an abnormality diagnosis device according to an embodiment of the present invention.
  • FIG. 2 is a flowchart showing the flow of the abnormality diagnosis method executed by the abnormality diagnosis device according to the embodiment of the present invention.
  • FIG. 3 is a diagram showing an example of an abnormality cause estimation matrix calculated with respect to changes in influence coefficients of a multiple regression model derived by the least squares method in the abnormality cause estimation matrix calculation step of the abnormality diagnosis method according
  • FIG. 4 is a diagram showing an example of an anomaly cause estimation matrix calculated with respect to changes in influence coefficients of a multiple regression model derived by a sparse structure learning method such as Lasso regression analysis in the anomaly cause estimation matrix calculation step of the anomaly diagnosis method according to an embodiment of the present invention.
  • FIG. 5 is a diagram showing an example of a table in which the dependent variable, the explanatory variables that are candidates for an abnormality, and the candidates for the cause of an abnormality are previously organized in the abnormality cause estimation step of the abnormality diagnosis method according to the embodiment of the present invention.
  • the abnormality diagnosis device 1 is used to diagnose the presence or absence of an abnormality in manufacturing equipment in a manufacturing process, such as an iron and steel manufacturing process.
  • the abnormality diagnosis device 1 is realized by an information processing device, such as a general-purpose computer such as a workstation or a personal computer, or a server located on the cloud.
  • the abnormality diagnosis device 1 also includes an input unit 10, an output unit 20, a storage unit 30, and a calculation unit 40.
  • the input unit 10 periodically or irregularly inputs various sensor data and setting values indicating the operational status of the manufacturing equipment and products to the calculation unit 40.
  • the output unit 20 displays various calculation results from the calculation unit 40. Examples of calculation results output by the output unit 20 include the abnormality determination result by the abnormality determination unit 42, the abnormality cause estimation matrix calculated by the abnormality cause estimation matrix calculation unit 44, and variables that cause the abnormality identified by the abnormality cause variable identification unit 45. Calculation results output by the output unit 20 also include the cause of the abnormality estimated by the abnormality cause estimation unit 46. Calculation results output by the output unit 20 also include commands and alert information to the control device that correspond to the cause of the abnormality determined by the abnormality cause estimation unit 46.
  • the memory unit 30 is composed of storage devices such as an EPROM (Erasable Programmable ROM), a hard disk drive (HDD), or a solid state drive (SSD).
  • the memory unit 30 may also include a temporary storage device such as a RAM (Random Access Memory) that is used by the abnormality diagnosis device 1 during the abnormality diagnosis process.
  • EPROM Erasable Programmable ROM
  • HDD hard disk drive
  • SSD solid state drive
  • the memory unit 30 may also include a temporary storage device such as a RAM (Random Access Memory) that is used by the abnormality diagnosis device 1 during the abnormality diagnosis process.
  • RAM Random Access Memory
  • the memory unit 30 stores an operation data DB (database) 31 and a normal operation data DB (database) 32.
  • the operation data DB 31 stores data such as various sensor data indicating the state of manufacturing equipment and products during operation, various setting values, other prediction results, and the influence coefficients described below.
  • the normal operation data DB 32 stores data such as various sensor data indicating the state of manufacturing equipment and products during normal operation (when they were operating normally in the past), various setting values, and the influence coefficients described below.
  • the calculation unit 40 causes a computer to process each abnormality diagnosis function, causing the abnormality diagnosis device 1 to function.
  • the calculation unit 40 is composed of a processor (arithmetic processing device) consisting of, for example, a CPU (Central Processing Unit).
  • the calculation unit 40 also functions as a normal state influence coefficient calculation unit 41, an abnormality determination unit 42, an operational influence coefficient calculation unit 43, an abnormality cause estimation matrix calculation unit 44, and an abnormality cause variable identification unit 45.
  • the calculation unit 40 also functions as an abnormality cause estimation unit 46 as necessary.
  • the normal state influence coefficient calculation unit 41 constructs multiple first prediction models (multiple regression models) based on multiple variables (e.g., sensor data) acquired from the manufacturing equipment and products during normal operation, and calculates the influence coefficient of each explanatory variable. Details of the processing by the normal state influence coefficient calculation unit 41 will be described later (see Figure 2).
  • the explanatory variables used to construct the first prediction models may not only be sensor data, but also operational settings (e.g., operating condition settings).
  • the abnormality determination unit 42 uses a first prediction model constructed based on multiple variables acquired during normal operation to calculate a prediction error, which is the difference between the actual value and the predicted value, and determines whether or not an abnormality exists based on this prediction error. Details of the processing by the abnormality determination unit 42 will be described later (see Figure 2).
  • the operational impact coefficient calculation unit 43 constructs multiple second prediction models (multiple regression models) based on multiple variables (e.g., sensor data) acquired from the manufacturing equipment and products during operation, and calculates the impact coefficient of each explanatory variable. Details of the processing by the operational impact coefficient calculation unit 43 will be described later (see Figure 2).
  • the explanatory variables used to construct the second prediction models may not only be sensor data, but also operational settings (e.g., operating condition settings).
  • the abnormality cause estimation matrix calculation unit 44 calculates an abnormality cause estimation matrix (abnormality cause estimation matrix) that allows for comparison between the normal-state influence coefficients calculated by the normal-state influence coefficient calculation unit 41 and the operational-state influence coefficients calculated by the operational-state influence coefficient calculation unit 43, and stores this in the operational data DB 31. Details of the processing by the abnormality cause estimation matrix calculation unit 44 will be described later (see Figures 2 to 4).
  • the abnormality cause variable identification unit 45 identifies the variables that cause the abnormality based on the abnormality cause estimation matrix created by the abnormality cause estimation matrix calculation unit 44. Details of the processing by the abnormality cause variable identification unit 45 will be described later (see Figures 2 to 4).
  • the abnormality cause estimation unit 46 estimates the cause of the abnormality based on the variables identified by the abnormality cause variable identification unit 45 and pre-created tables, etc. Details of the processing by the abnormality cause estimation unit 46 will be described later (see Figures 2 and 5).
  • the abnormality diagnosis method includes a normal-state influence coefficient calculation step (step S1), an operational variable acquisition step (step S2), an abnormality determination step (steps S3 to S5), and an operational influence coefficient calculation step (step S6).
  • the abnormality diagnosis method also includes an abnormality cause estimation matrix calculation step (step S7) and an abnormality cause variable identification step (step S8).
  • the abnormality diagnosis method further includes an abnormality cause estimation step (step S9) as needed.
  • influence coefficients are derived for a set of multiple regression models based on normal state sensor data (variables) measured from manufacturing equipment and products (hereinafter referred to as "manufacturing equipment, etc.") (step S1).
  • the normal state influence coefficient calculation unit 41 first acquires multiple variables (sensor data) indicating the normal state of the manufacturing equipment, etc. from the normal state operation data DB 32. Next, based on the multiple acquired variables, the normal state influence coefficient calculation unit 41 constructs a set of multiple regression models in which the variables are used complementarily as the target variable and the explanatory variable, and derives the influence coefficient (first influence coefficient) of each explanatory variable in each multiple regression model.
  • the multiple regression model constructed in the normal state influence coefficient calculation step is also referred to as the "first prediction model.”
  • normal state sensor data is also referred to as "normal state data.”
  • the commonly used least squares method can be used as the multiple regression analysis method.
  • a sparse structure learning method such as Lasso regression analysis can be used as the multiple regression analysis method.
  • variables with small influence coefficients degree of importance
  • a sparse structure learning method such as Lasso regression analysis is particularly effective when it is necessary to estimate the cause of the abnormality from a large amount of sensor data.
  • multiple multiple regression models are constructed according to the number of variables acquired from the normal state operation data DB 32, and while swapping the dependent variable and explanatory variable. For example, if 10 variables are acquired from the normal state operation data DB 32, a total of 10 multiple regression models are constructed in the normal state influence coefficient calculation step while swapping the dependent variable and explanatory variable.
  • step S2 sensor data (variables) during operation (current) is acquired from the manufacturing equipment, etc.
  • step S2 the abnormality determination unit 42 acquires multiple variables (sensor data) indicating the state of the manufacturing equipment, etc. during operation from the operation data DB 31.
  • preprocessing such as shifting the sensor data in the time series direction or sampling may be performed as necessary.
  • the sensor data during operation will also be referred to as "operation data.”
  • ⁇ Abnormality determination step> In the abnormality determination step, first, a predicted value is calculated using a multiple regression model (first prediction model) constructed from variables under normal conditions (step S3).
  • the abnormality determination unit 42 calculates a predicted value (objective variable) using the operational data acquired in step S2 as explanatory variables and the influence coefficient under normal conditions (first influence coefficient) derived in step S1. The calculation of the predicted value is performed for each multiple regression model constructed in step S1.
  • the abnormality determination unit 42 calculates a deviation index (degree of abnormality) based on the difference between the predicted value calculated in step S3 and the actual measured value of the sensor data acquired in step S2 (step S4).
  • the deviation index can be, for example, a value obtained by dividing the square of the difference between the predicted value and the actual measured value by the standard deviation of the distribution of the differences between the predicted value calculated from normal data and the actual value. In this case, it becomes possible to compare variables as a statistical deviation index, regardless of the unit (physical interpretation) of the variable being predicted.
  • the abnormality determination unit 42 determines whether or not there is an abnormality in the manufacturing equipment, etc., based on the deviation index calculated in step S4 (step S5).
  • the abnormality determination unit 42 determines whether or not there is an abnormality by, for example, comparing the deviation index calculated in step S4 with a preset determination standard. If it determines in step S5 that there is an abnormality, it proceeds to step S6, and if it determines that there is no abnormality, it returns to step S2.
  • the anomaly determination step determines whether or not there is an anomaly in the manufacturing equipment, etc., using a set of multiple variables acquired in the operational variable acquisition step and a multiple regression model (first prediction model) constructed based on normal data.
  • the anomaly determination step may also calculate the degree of anomaly (deviation index) based on the prediction error of each variable using the multiple regression model (first prediction model), and determine whether or not there is an anomaly in the manufacturing equipment, etc., by referencing the maximum, average, or sum of the degrees of anomaly for all or some of the variables.
  • influence coefficients are derived for a set of multiple regression models based on sensor data (variables) measured from manufacturing equipment or the like during operation (step S6).
  • the operational impact coefficient calculation unit 43 constructs a set of multiple regression models in which the variables acquired in step S2 are used complementarily as the target variable and the explanatory variable, and derives the impact coefficient (second impact coefficient) of each explanatory variable in each multiple regression model. Note that, hereinafter, the multiple regression model constructed in the operational impact coefficient calculation step is also referred to as the "second prediction model.”
  • the commonly used least squares method for example, can be used as the multiple regression analysis method.
  • a sparse structure learning method such as Lasso regression analysis may also be used as the multiple regression analysis method.
  • multiple multiple regression models are constructed according to the number of variables acquired from the operational data DB31, while swapping the dependent variable and explanatory variables. For example, if 10 variables are acquired from the operational data DB31, a total of 10 multiple regression models are constructed in the operational impact coefficient calculation step while swapping the dependent variable and explanatory variables.
  • multiple multiple regression models are constructed using the same number and types of variables as those used in the normal state impact coefficient calculation step described above.
  • the abnormality cause estimation matrix is calculated by comparing the influence coefficient during normal times (first influence coefficient) derived in step S1 with the influence coefficient during operation (second influence coefficient) derived in step S6 (step S7).
  • the anomaly cause estimation matrix calculation unit 44 compares the influence coefficient (first influence coefficient) of the explanatory variable on the dependent variable for the first prediction model set with the influence coefficient (second influence coefficient) of the explanatory variable on the dependent variable for the second prediction model set.
  • examples of the comparison method include calculating the amount of change (difference) in the influence coefficients, or calculating the rate of change in the influence coefficients.
  • the anomaly cause estimation matrix calculation unit 44 creates a matrix whose elements are the influence coefficients (first influence coefficients) of the set of first prediction models, and a matrix whose elements are the influence coefficients (second influence coefficients) of the set of second prediction models. Then, by comparing the elements (influence coefficients) in each matrix of both matrices (calculating the amount of change or rate of change), the anomaly cause estimation matrix is calculated.
  • Figure 3 shows an example of an abnormality cause estimation matrix calculated from the multiple regression model constructed using the least squares method in steps S1 and S6.
  • the abnormality cause estimation matrix is composed of a matrix with the dependent variable arranged vertically and the explanatory variables arranged horizontally.
  • the abnormality cause estimation matrix also has a tabular structure with the dependent variable and explanatory variables as key items, and uses the comparison results of the influence coefficients (first influence coefficient and second influence coefficient) as elements.
  • the comparison results of the influence coefficients shown in Figure 3 indicate the absolute values of the differences between the influence coefficients, but the average of the influence coefficients or the sum of the absolute values may also be used.
  • Figure 4 shows an example of an anomaly cause estimation matrix calculated from a multiple regression model constructed using a sparse structure learning method such as Lasso regression analysis in steps S1 and S6.
  • the comparison results of the influence coefficients shown in Figure 4 indicate the absolute values of the differences between the influence coefficients, but the average of the influence coefficients or the sum of their absolute values may also be used.
  • the anomaly cause estimation matrix calculation unit 44 may color-code the matrix of the anomaly cause estimation matrix according to the magnitude of the change in the impact coefficient, and output this from the output unit 20. In this way, by color-coding the matrix of the anomaly cause estimation matrix and presenting it to an operator, etc., the variable that is causing the anomaly can be easily identified.
  • the abnormality cause estimation matrix calculated in step S7 is used to identify the variables that cause the abnormality (step S8).
  • the abnormality cause variable identifying unit 45 uses the abnormality cause estimation matrix to focus on explanatory variables or objective variables related to the abnormality, and identifies the variables that cause the abnormality based on changes in the influence coefficients related to the variables of interest.
  • the anomaly cause variable identification unit 45 identifies, for example, an explanatory variable corresponding to a dependent variable determined to be abnormal in step S5 as a variable causing the anomaly.
  • an explanatory variable corresponding to a dependent variable determined to be abnormal in step S5 is also identified as a variable causing the anomaly.
  • the anomaly cause variable identification unit 45 identifies a variable as the cause of the anomaly when, for example, the change in the influence coefficient in both the column of the explanatory variable and the row of the objective variable is greater than a predetermined threshold. For example, when the threshold is "0.1," the change in the influence coefficient in the column of the explanatory variable variables Xi and Xj and the row of the objective variable variables Xi and Xj is greater than the threshold. In this case, the anomaly cause variable identification unit 45 identifies the explanatory variable variables Xi and Xj as the variables causing the anomaly.
  • the anomaly diagnosis method can detect an abnormal state from a large amount of measurement data acquired during the manufacturing process and quickly and clearly present measurement values related to the abnormality. Furthermore, by identifying the explanatory variable that is the cause of the abnormality, it is possible to identify an abnormality in the sensor corresponding to the explanatory variable. Furthermore, when the setting values of operating conditions other than sensor data are used as explanatory variables, it is also possible to identify setting values of operating conditions that are candidates for an abnormality.
  • the cause of the anomaly is estimated based on the variables identified in the anomaly cause variable identification step.
  • the causes of anomalies in manufacturing processes can be primarily classified into equipment anomalies such as mechanical or electrical failures, process anomalies such as operational factors or instability in the manufacturing process, system factors such as abnormal sensor data or control software malfunctions, and human factors such as errors in operating procedures or settings.
  • differential load which is the difference in load generated at both ends of the mill. If an abnormality occurs in the process system, causing the rolled material to meander and be threaded off-center from the center of the line (off-center), an imbalance in the load distribution on the rolling rolls will occur, which is ultimately detected as a load difference. Also, differential loads can occur as a result of a discrepancy between the target and actual leveling values caused by an equipment abnormality, such as a malfunction in the rolling mechanism or mechanical backlash in the mill components. Other differential loads can occur due to system factors such as an abnormal output from one of the load cells (sensors) that detect the load generated at both ends of the mill, or an operator error in leveling operation.
  • the differential load is an operational factor caused by an increase in off-center amount due to strip meandering.
  • strip meandering due to excessive operation by the operator, etc. is assumed to be the cause of the strip meandering.
  • the leveling amount is identified as the variable causing the abnormality in step S8, it is possible that a malfunction has occurred in the rolling mill's reduction mechanism, such as the cylinder of the reduction device. Furthermore, if the differential load itself is identified as the variable causing the abnormality in step S8, there is concern that the differential load may be caused by the shape of the rolled material (excessive wedge shape) or temperature (temperature non-uniformity).
  • candidate causes of anomalies are organized in advance in a table according to combinations of the objective variable and the explanatory variables that are candidate anomalies, and stored in the storage unit 30, etc. Then, the anomaly cause estimation unit 46 estimates the cause of the anomaly by referencing the table in accordance with the observed anomaly, i.e., the objective variable and candidate anomaly.
  • the anomaly cause estimation step it is desirable to organize the causes of anomalies and corresponding candidate actions in a table in advance according to the combination of the objective variable and the explanatory variables that are candidates for anomalies, and store this in the storage unit 30 or the like. Then, the anomaly cause estimation unit 46 may refer to the table in accordance with the observed anomaly, i.e., the objective variable and candidate anomaly, to estimate the cause of the anomaly and determine the corresponding action.
  • an action command corresponding to the determined action may be output from the output unit 20 to the process and equipment control devices.
  • alert information may be output from the output unit 20 to the operator's monitoring monitor.
  • the output unit 20 will output an emergency stop command for the rolling process to prevent serious trouble. Furthermore, if there is an abnormality in the process system where the rolled material meanders and is threaded off-center, the output unit 20 will output a leveling correction command according to the amount of off-center to the mill's control device. Furthermore, if there is a systemic factor such as the output of a load cell (sensor), the output unit 20 will output a command to switch to an alternative sensor to the mill's control device. Furthermore, if there is an operator error in leveling, the output unit 20 will output alert information to the operator's monitoring monitor.
  • an equipment system abnormality such as a malfunction in the roll down mechanism or mechanical backlash in the mill components
  • the output unit 20 will output an emergency stop command for the rolling process to prevent serious trouble. Furthermore, if there is an abnormality in the process system where the rolled material meanders and is threaded off-center, the output unit 20 will output a leveling correction command according to the amount of off-center to the mill's control
  • the anomaly diagnosis method and anomaly diagnosis device collect a large number of variables (sensor data) obtained during operation, calculate influence coefficients in a set of multiple regression models in which these variables complementarily serve as the target variable and explanatory variable, and calculate an anomaly cause estimation matrix that compares the calculated influence coefficients with the influence coefficients under normal conditions. The anomaly cause estimation matrix is then used to identify the variables that cause the anomaly.
  • the anomaly diagnosis method and anomaly diagnosis device use an anomaly cause estimation matrix to identify the variables that are causing the anomaly in the multiple regression model, thereby making it possible to estimate the cause of the anomaly and speed up the decision on specific actions.
  • the anomaly diagnosis method and anomaly diagnosis device can detect abnormal conditions from large amounts of measurement data acquired in the manufacturing process and quickly present measurement values related to the anomaly in an easy-to-understand manner.

Landscapes

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

Abstract

異常診断方法は、製造設備の正常時の状態を示す複数の変数に基づいて構築され、かつ変数が目的変数および説明変数として相補的に用いられる第一予測モデルの集合とを用いて、製造設備の異常の有無を判定する異常判定ステップと、複数の変数に基づいて、変数が目的変数および説明変数として相補的に用いられる第二予測モデルの集合を構築する操業時影響係数算出ステップと、異常原因推定マトリクスを算出する異常原因推定行列算出ステップと、異常原因推定マトリクスを用いて、異常の原因となる変数を特定する異常原因変数特定ステップと、を含む。

Description

異常診断方法および異常診断装置
　本発明は、異常診断方法および異常診断装置に関する。
　製造プロセスの製造状態、特に異常状態を診断する方法としては、モデルベースアプローチとデータベースアプローチとがある。モデルベースアプローチは、製造プロセスにおける物理的または化学的な現象を数式で表現したモデルを構築し、構築したモデルを用いて製造プロセスの製造状態を診断するアプローチである。一方、データベースアプローチは、製造プロセスで得られた操業データから統計解析的なモデルを構築し、構築したモデルを用いて製造プロセスの製造状態を診断するアプローチである。
　鉄鋼プロセスのような製造プロセスでは、一つの製造ラインで多品種、多サイズの製品が製造されるため、操業パターンが多数存在する。また、高炉のような製造プロセスでは、鉄鉱石やコークス等のような自然物を原材料として用いるために、製造プロセスのばらつきが大きい。このため、鉄鋼プロセスのような製造プロセスの製造状態を診断する場合、モデルベースアプローチのみによるアプローチでは限界がある。
　データベースアプローチとしては、過去の正常時の操業データの特徴を抽出し、現在の操業データとの違いを判定する診断方法がある。その一つとして、重回帰モデルを用いた正常状態からの逸脱度合による診断がある。
　例として特許文献１に記載されているものがある。特許文献１には、具体的には、正常時の操業データを用いて作成された重回帰モデルの影響係数を用いて異常状態の原因を推定する方法が記載されている。入力変数として、設備や品質の状態を示す状態変数と異常原因の候補となる原因変数を用いており、状態変数を目的変数、原因変数を説明変数とする重回帰モデルの影響係数を正常時と異常時で比較し、最も変化の大きな原因変数の一つを異常原因と推定する手法である。
特開平７－１５９２８９号公報
　鉄鋼の製造プロセス等では、多数のセンサによる計測値を扱える一方で、その多くは操業管理や機器制御を目的として計測されている。そのため、特許文献１のように、設備状態や異常の原因を直接示す計測値を、必ずしも十分に取得できるとは限らない。また、そのような異常の原因と一対一で対応する計測値があったとしても、それだけですべての異常を網羅することは到底できない状況にある。
　一方で、近年のデータ収集、解析技術の発展により、ビッグデータと呼ばれるような大量のデータを取り扱う環境が整ってきている。前述の状況を鑑みると、大量のデータから網羅的に精度よく異常状況を検知し、異常に関連しているデータを提示、迅速な保全アクションに繋げていくことが、安定な操業を維持するために必要であるといえる。この場合、大量のデータは、必ずしも特許文献１のような異常の原因と一対一に対応するものではなく、そのため、提示する異常の内容も一つとは限らなくなる。
　本発明は、上記に鑑みてなされたものであって、製造プロセスで取得した大量の計測データから異常状態を検知し、異常に関連する計測値を迅速に分かりやすく提示することができる異常診断方法および異常診断装置を提供することを目的とする。
　上述した課題を解決し、目的を達成するために、本発明に係る異常診断方法は、製造設備の操業時の状態を示す複数の変数を取得する操業時変数取得ステップと、前記操業時変数取得ステップで取得した複数の変数と、前記製造設備の正常時の状態を示す複数の変数に基づいて構築され、かつ前記変数が目的変数および説明変数として相補的に用いられる第一予測モデルの集合とを用いて、前記製造設備の異常の有無を判定する異常判定ステップと、異常ありと判定された場合に、前記操業時変数取得ステップで取得した複数の変数に基づいて、前記変数が目的変数および説明変数として相補的に用いられる第二予測モデルの集合を構築する操業時影響係数算出ステップと、前記第一予測モデルの集合についての目的変数に対する説明変数の影響係数である第一影響係数と、前記第二予測モデルの集合についての目的変数に対する説明変数の影響係数である第二影響係数とを比較することにより、異常原因推定マトリクスを算出する異常原因推定行列算出ステップと、前記異常原因推定マトリクスを用いて、異常の原因となる変数を特定する異常原因変数特定ステップと、を含む。
　また、本発明に係る異常診断方法は、上記発明において、前記異常原因推定マトリクスは、前記目的変数と前記説明変数とをキー項目とする表形式の構造を有し、かつ前記第一影響係数および前記第二影響係数の比較結果を要素とする。
　また、本発明に係る異常診断方法は、上記発明において、前記異常原因変数特定ステップでは、前記異常原因推定マトリクスを用いて、異常に関連する変数の説明変数または目的変数に着目し、着目した変数に係る前記影響係数の変化に基づいて、前記異常の原因となる変数を特定する。
　また、本発明に係る異常診断方法は、上記発明において、前記異常原因変数特定ステップでは、異常原因推定マトリクスの説明変数の列および目的変数の行の両方において、前記影響係数の変化が予め定めた閾値よりも大きい変数を、前記異常の原因となる変数として特定する。
　また、本発明に係る異常診断方法は、上記発明において、前記異常判定ステップでは、前記第一予測モデルを用いた各変数の予測誤差に基づいて異常度を算出し、全てまたは一部の変数の前記異常度の最大、平均または総和を参照することにより、前記製造設備の異常の有無を判定する。
　また、本発明に係る異常診断方法は、上記発明において、特定した変数に基づいて、前記異常の原因を推定する異常原因推定ステップを更に含む。
　また、本発明に係る異常診断方法は、上記発明において、異常原因推定ステップでは、目的変数および異常の候補となる説明変数の組み合わせに応じた異常の原因の候補のテーブルを参照することにより、異常の原因を推定する。
　また、本発明に係る異常診断方法は、上記発明において、異常原因推定ステップでは、目的変数および異常の候補となる説明変数の組み合わせに応じた異常の原因の候補及び対応するアクションのテーブルを参照することにより、異常の原因を推定し、推定された異常の原因に対応するアクションを決定する。
　また、本発明に係る異常診断方法は、上記発明において、異常原因推定ステップでは、決定されたアクションに対応する制御装置への指令、またはアラートを出力する。
　上述した課題を解決し、目的を達成するために、本発明に係る異常診断装置は、製造設備の操業時の状態を示す複数の変数と、前記製造設備の正常時の状態を示す複数の変数に基づいて構築され、かつ前記変数が目的変数および説明変数として相補的に用いられる第一予測モデルの集合とを用いて、前記製造設備の異常の有無を判定する異常判定部と、異常ありと判定された場合に、操業時の状態を示す複数の変数に基づいて、前記変数が目的変数および説明変数として相補的に用いられる第二予測モデルの集合を構築する操業時影響係数算出部と、前記第一予測モデルの集合についての目的変数に対する説明変数の影響係数である第一影響係数と、前記第二予測モデルの集合についての目的変数に対する説明変数の影響係数である第二影響係数とを比較することにより、異常原因推定マトリクスを算出する異常原因推定行列算出部と、前記異常原因推定マトリクスを用いて、異常の原因となる変数を特定する異常原因変数特定部と、を備える。
　また、本発明に係る異常診断装置は、上記発明において、特定した変数に基づいて、前記異常の原因を推定する異常原因推定部を更に備える。
　本発明に係る異常診断方法および異常診断装置によれば、製造プロセスで取得した大量の計測データから異常状態を検知し、異常に関連する計測値を迅速に分かりやすく提示することができる。
図１は、本発明の実施形態に係る異常診断装置の概略的な構成を示すブロック図である。 図２は、本発明の実施形態に係る異常診断装置が実行する異常診断方法の流れを示すフローチャートである。 図３は、本発明の実施形態に係る異常診断方法の異常原因推定行列算出ステップにおいて、最小二乗法によって導出した重回帰モデルの影響係数の変化に対して算出される異常原因推定マトリクスの一例を示す図である。 図４は、本発明の実施形態に係る異常診断方法の異常原因推定行列算出ステップにおいて、Ｌａｓｓｏ回帰分析等のスパース構造学習法によって導出した重回帰モデルの影響係数の変化に対して算出される異常原因推定マトリクスの一例を示す図である。 図５は、本発明の実施形態に係る異常診断方法の異常原因推定ステップにおいて、目的変数、異常の候補となる説明変数および異常の原因の候補を予め整理したテーブルの一例を示す図である。
　本発明の実施形態に係る異常診断方法および異常診断装置について、図面を参照しながら説明する。
（異常診断装置）
　本発明の実施形態に係る異常診断装置の構成について、図１を参照しながら説明する。異常診断装置１は、例えば鉄鋼プロセス等の製造プロセスにおける製造設備の異常の有無を診断するためのものである。異常診断装置１は、例えばワークステーションやパソコン等の汎用コンピュータ、あるいはクラウド上に配置されたサーバ等の情報処理装置によって実現される。また、異常診断装置１は、入力部１０と、出力部２０と、記憶部３０と、演算部４０と、を備えている。
　入力部１０は、製造設備や製造物の操業時の状態を示す各種センサデータ、各種設定値等を、定期的または非定期的に演算部４０に入力する。
　出力部２０は、演算部４０における各種演算結果を表示する。出力部２０が出力する演算結果としては、例えば異常判定部４２による異常判定結果、異常原因推定行列算出部４４によって算出された異常原因推定マトリクス、異常原因変数特定部４５によって特定された異常の原因となる変数等が挙げられる。また、出力部２０が出力する演算結果としては、異常原因推定部４６によって推定された異常の原因等が挙げられる。更に、出力部２０が出力する演算結果としては、異常原因推定部４６によって決定された異常の原因等に対応する制御装置への指令やアラート情報が挙げられる。
　記憶部３０は、例えばＥＰＲＯＭ（Erasable　Programmable　ROM）、ハードディスクドライブ（Hard　Disk　Drive：ＨＤＤ）、ソリッドステートドライブ（Solid　State　Drive：ＳＳＤ）等のストレージ機器によって構成される。また、記憶部３０には、異常診断装置１が異常診断処理を行う過程で利用するＲＡＭ（Random　Access　Memory）等の一時記憶装置が含まれていてもよい。
　記憶部３０には、操業データＤＢ（データベース）３１と、正常時操業データＤＢ（データベース）３２とが保存されている。操業データＤＢ３１には、例えば製造設備や製造物の操業時の状態を示す各種センサデータ、各種設定値、その他予測結果、後記する影響係数等のデータが蓄積される。正常時操業データＤＢ３２には、例えば製造設備や製造物の正常時（過去の正常操業時）の状態を示す各種センサデータ、各種設定値、後記する影響係数等のデータが蓄積される。
　演算部４０は、異常診断の各機能をコンピュータに処理させて異常診断装置１として機能させる。演算部４０は、例えばＣＰＵ（Central　Processing　Unit）等からなるプロセッサ（演算処理装置）により構成される。また、演算部４０は、正常時影響係数算出部４１、異常判定部４２、操業時影響係数算出部４３、異常原因推定行列算出部４４および異常原因変数特定部４５として機能する。また、演算部４０は、上記に加えて、必要に応じて異常原因推定部４６としても機能する。
　正常時影響係数算出部４１は、正常操業時に製造設備や製造物から取得した複数の変数（例えばセンサデータ）に基づいて複数の第一予測モデル（重回帰モデル）を構築し、各説明変数の影響係数を算出する。なお、正常時影響係数算出部４１の処理の詳細は後記する（図２参照）。なお、第一予測モデルを構築する際の説明変数は、センサデータのみならず、操業上の設定値（例えば操業条件の設置値）であってもよい。
　異常判定部４２は、正常操業時に取得した複数の変数に基づいて構築した第一予測モデルを用いて、実績値と予測値との差である予測誤差を算出し、当該予測誤差に基づいて異常の有無を判定する。なお、異常判定部４２の処理の詳細は後記する（図２参照）。
　操業時影響係数算出部４３は、操業中の製造設備や製造物から取得した複数の変数（例えばセンサデータ）に基づいて複数の第二予測モデル（重回帰モデル）を構築し、各説明変数の影響係数を算出する。なお、操業時影響係数算出部４３の処理の詳細は後記する（図２参照）。なお、第二予測モデルを構築する際の説明変数は、センサデータのみならず、操業上の設定値（例えば操業条件の設置値）であってもよい。
　異常原因推定行列算出部４４は、正常時影響係数算出部４１で算出した正常時の影響係数と、操業時影響係数算出部４３で算出した操業時に影響係数とを比較可能な異常原因推定マトリクス（異常原因推定行列）を算出し、操業データＤＢ３１に保存する。なお、異常原因推定行列算出部４４の処理の詳細は後記する（図２～図４参照）。
　異常原因変数特定部４５は、異常原因推定行列算出部４４で作成された異常原因推定マトリクスに基づいて、異常の原因となる変数を特定する。なお、異常原因変数特定部４５の処理の詳細は後記する（図２～図４参照）。
　異常原因推定部４６は、異常原因変数特定部４５で特定した変数と、予め作成したテーブル等に基づいて、異常の原因を推定する。なお、異常原因推定部４６の処理の詳細は後記する（図２および図５参照参照）。
（異常診断方法）
　本発明の実施形態に係る異常診断装置が実行する異常診断方法の詳細について、図２～図５を参照しながら説明する。異常診断方法は、正常時影響係数算出ステップ（ステップＳ１）と、操業時変数取得ステップ（ステップＳ２）と、異常判定ステップ（ステップＳ３～Ｓ５）と、操業時影響係数算出ステップ（ステップＳ６）と、を行う。また、異常診断方法は、異常原因推定行列算出ステップ（ステップＳ７）と、異常原因変数特定ステップ（ステップＳ８）と、を行う。また、異常診断方法は、上記ステップに加えて、必要に応じて異常原因推定ステップ（ステップＳ９）を更に行う。
＜正常時影響係数算出ステップ＞
　正常時影響係数算出ステップでは、製造設備や製造物（以下、「製造設備等」という）から計測された正常時のセンサデータ（変数）に基づく重回帰モデルの集合について、影響係数を導出する（ステップＳ１）。
　正常時影響係数算出ステップにおいて、正常時影響係数算出部４１は、まず製造設備等の正常時の状態を示す複数の変数（センサデータ）を、正常時操業データＤＢ３２から取得する。続いて、正常時影響係数算出部４１は、取得した複数の変数に基づいて、当該変数が目的変数および説明変数として相補的に用いられる重回帰モデルの集合を構築し、各重回帰モデルの各説明変数の影響係数（第一影響係数）を導出する。なお、以下では、正常時影響係数算出ステップで構築する重回帰モデルのことを、「第一予測モデル」とも表記する。また、以下では、正常時のセンサデータのことを、「正常時データ」とも表記する。
　正常時影響係数算出ステップでは、重回帰分析の手法として、例えば一般的によく用いられる最小二乗法を用いることができる。また、多数の変数を取り扱う場合は、重回帰分析の手法として、Ｌａｓｓｏ回帰分析法等のスパース構造学習法を用いてもよい。Ｌａｓｓｏ回帰分析法等のスパース構造学習法を用いて作られるモデルでは、予め影響係数（重要度合）が小さい変数が説明変数から省かれており、異常の原因となる変数を特定する際に検証すべき変数が限定できることから、異常の原因特定が容易となる。Ｌａｓｓｏ回帰分析法等のスパース構造学習法は、大量のセンサデータから異常の原因と推定する必要がある場合に特に有効である。
　正常時影響係数算出ステップでは、正常時操業データＤＢ３２から取得した変数の数に応じて、かつ目的変数および説明変数を入れ替えながら、複数の重回帰モデルを構築する。例えば正常時操業データＤＢ３２から１０個の変数を取得した場合、正常時影響係数算出ステップでは、目的変数および説明変数を入れ替えながら、合計１０個の重回帰モデルを構築する。
＜操業時変数取得ステップ＞
　操業時変数取得ステップでは、製造設備等から操業時（現在）のセンサデータ（変数）を取得する（ステップＳ２）。操業時変数取得ステップにおいて、異常判定部４２は、製造設備等の操業時の状態を示す複数の変数（センサデータ）を、操業データＤＢ３１から取得する。なお、操業時変数取得ステップでは、必要に応じて、センサデータの時系列方向のシフト、サンプリング等の前処理を施してもよい。また、以下では、操業時のセンサデータのことを、「操業時データ」とも表記する。
＜異常判定ステップ＞
　異常判定ステップでは、まず正常時の変数から構築された重回帰モデル（第一予測モデル）によって予測値を算出する（ステップＳ３）。異常判定部４２は、ステップＳ２で取得した操業時データを説明変数として、ステップＳ１で導出した正常時の影響係数（第一影響係数）を用いて予測値（目的変数）を算出する。なお、予測値の算出は、ステップＳ１で構築した重回帰モデルごとに行う。
　続いて、異常判定部４２は、ステップＳ３で算出した予測値と、ステップＳ２で取得したセンサデータの実測値との差に基づいて、逸脱指標（異常度）を算出する（ステップＳ４）。逸脱指標としては、例えば予測値と実測値との差の二乗を、正常時データから算出する予測値と実績値の差の分布の標準偏差で除する値等を用いることができる。この場合、予測する変数の単位（物理的解釈）によらず、統計的逸脱指標として、変数によらず比較することが可能となる。
　続いて、異常判定部４２は、ステップＳ４で算出した逸脱指標に基づいて、製造設備等の異常の有無を判定する（ステップＳ５）。異常判定部４２は、ステップＳ４で算出した逸脱指標を、予め設定した判定基準と比較する等により、異常の有無を判定する。ステップＳ５において、異常ありと判定した場合はステップＳ６に進み、異常なしと判定した場合はステップＳ２に戻る。
　このように、異常判定ステップ（ステップＳ３～Ｓ５）では、操業時変数取得ステップで取得した複数の変数と、正常時データに基づいて構築された重回帰モデル（第一予測モデル）の集合とを用いて、製造設備等の異常の有無を判定する。また、異常判定ステップでは、重回帰モデル（第一予測モデル）を用いた各変数の予測誤差に基づいて異常度（逸脱指標）を算出し、全てまたは一部の変数の異常度の最大、平均または総和を参照することにより、製造設備等の異常の有無を判定してもよい。
＜操業時影響係数算出ステップ＞
　操業時影響係数算出ステップでは、製造設備等から計測された操業時のセンサデータ（変数）に基づく重回帰モデルの集合について、影響係数を導出する（ステップＳ６）。
　操業時影響係数算出ステップにおいて、操業時影響係数算出部４３は、ステップＳ２で取得した複数の変数に基づいて、当該変数が目的変数および説明変数として相補的に用いられる重回帰モデルの集合を構築し、各重回帰モデルの各説明変数の影響係数（第二影響係数）を導出する。なお、以下では、操業時影響係数算出ステップで構築する重回帰モデルのことを、「第二予測モデル」とも表記する。
　操業時影響係数算出ステップでは、重回帰分析の手法として、例えば一般的によく用いられる最小二乗法を用いることができる。また、多数の変数を取り扱う場合は、重回帰分析の手法として、Ｌａｓｓｏ回帰分析法等のスパース構造学習法を用いてもよい。
　操業時影響係数算出ステップでは、操業データＤＢ３１から取得した変数の数に応じて、かつ目的変数および説明変数を入れ替えながら、複数の重回帰モデルを構築する。例えば操業データＤＢ３１から１０個の変数を取得した場合、操業時影響係数算出ステップでは、目的変数および説明変数を入れ替えながら、合計１０個の重回帰モデルを構築する。操業時影響係数算出ステップでは、前記した正常時影響係数算出ステップで用いた変数と同じ数、同じ種類の変数を用いて、複数の重回帰モデルを構築する。
＜異常原因推定行列算出ステップ＞
　異常原因推定行列算出ステップでは、ステップＳ１で導出した正常時の影響係数（第一影響係数）と、ステップＳ６で導出した操業時の影響係数（第二影響係数）とを比較することにより、異常原因推定マトリクスを算出する（ステップＳ７）。
　異常原因推定行列算出ステップにおいて、異常原因推定行列算出部４４は、第一予測モデルの集合についての目的変数に対する説明変数の影響係数（第一影響係数）と、第二予測モデルの集合についての目的変数に対する説明変数の影響係数（第二影響係数）とを比較する。その際、比較の方法として、例えば影響係数の変化量（差分）を算出すること、影響係数の変化率を算出すること等が挙げられる。
　異常原因推定行列算出部４４は、より具体的には、第一予測モデルの集合の影響係数（第一影響係数）を要素とするマトリクスと、第二予測モデルの集合の影響係数（第二影響係数）を要素とするマトリクスとをそれぞれ作成する。そして、両マトリクスの各行列内の要素（影響係数）同士を比較する（変化量または変化率を算出する）ことにより、異常原因推定マトリクスを算出する。
　図３は、ステップＳ１およびステップＳ６で最小二乗法を用いて構築した重回帰モデルから算出した異常原因推定マトリクスの一例を示している。異常原因推定マトリクスは、図３に示すように、縦方向に目的変数が、横方向に説明変数が並んだ行列で構成される。また、異常原因推定マトリクスは、目的変数と説明変数とをキー項目とする表形式の構造を有し、かつ影響係数（第一影響係数および第二影響係数）の比較結果を要素としている。図３で示した影響係数の比較結果は、影響係数の差の絶対値を示しているが、影響係数の平均や絶対値の加算値を用いてもよい。
　図４は、ステップＳ１およびステップＳ６でＬａｓｓｏ回帰分析法等のスパース構造学習法を用いて構築した重回帰モデルから算出した異常原因推定マトリクスの一例を示している。図４で示した影響係数の比較結果は、影響係数の差の絶対値を示しているが、影響係数の平均や絶対値の加算値を用いてもよい。
　図３および図４では、行列内の要素の数値が大きいほど、正常時に対する操業時の影響係数の変化が大きいということを示している。また、図３および図４では、説明変数の変数Ｘｉ，Ｘｊの列と、目的変数の変数Ｘｉ，Ｘｊの行とにおいて、影響係数の変化が大きくなっている。なお、異常原因推定行列算出部４４は、影響係数の変化の大きさに応じて、異常原因推定マトリクスの行列内を色分けし、出力部２０から出力させてもよい。このように、異常原因推定マトリクスの行列内を色分けしてオペレータ等に提示することにより、異常の原因となる変数を容易に特定することができる。
＜異常原因変数特定ステップ＞
　異常原因変数特定ステップでは、ステップＳ７で算出した異常原因推定マトリクスを用いて、異常の原因となる変数を特定する（ステップＳ８）。異常原因変数特定ステップにおいて、異常原因変数特定部４５は、異常原因推定マトリクスを用いて、異常に関連する変数の説明変数または目的変数に着目し、着目した変数に係る影響係数の変化に基づいて、異常の原因となる変数を特定する。
　異常原因変数特定部４５は、例えばステップＳ５で異常と判定された目的変数に対応する説明変数を、異常の原因となる変数として特定する。そのとき、異常の原因となる変数を説明変数として用いた第二予測モデルの当該変数に係る影響係数は、正常時の変数で構築した第一予測モデルの当該変数に係る影響係数から、大きく変化していると考えられる。このため、ステップＳ５で異常と判定された目的変数について、それ以外の目的変数を予測する第二予測モデルの影響係数（第二影響係数）が、正常時の変数で構築した第一予測モデルの影響係数（第一影響係数）から大きく変化している場合、当該目的変数に対応する説明変数についても、異常の原因となる変数として特定する。
　一方、予測誤差は、他の説明変数の異常によっても逸脱するケースがある。そのため、各説明変数の影響係数に着目し、正常時から大きく変化している説明変数の影響係数を抽出し、対応する変数を異常の原因として特定する。そして、その他の第二予測モデルでの上記異常候補の影響係数を正常状態と比較し、影響係数の変化量が所定範囲より大きいと判断される場合には、異常の原因となる変数として確定する。
　ここで、図３および図４に示した異常原因推定マトリクスにおいて、異常原因変数特定部４５は、例えば説明変数の列および目的変数の行の両方において、影響係数の変化が予め定めた閾値よりも大きい場合に、当該変数が異常の原因であると特定する。例えば上記の閾値が「０．１」である場合、説明変数の変数Ｘｉ，Ｘｊの列と、目的変数の変数Ｘｉ，Ｘｊの行とにおいて、影響係数の変化が閾値よりも大きくなっている。この場合、異常原因変数特定部４５は、説明変数の変数Ｘｉ，Ｘｊが異常の原因となる変数であると特定する。
　このように、実施形態に係る異常診断方法では、製造プロセスで取得した大量の計測データから異常状態を検知し、異常に関連する計測値を迅速に分かりやすく提示することができる。また、異常の原因となる説明変数を特定することにより、説明変数に対応するセンサの異常を特定することができる。更に、センサデータ以外の操業条件の設定値を説明変数として用いた場合、異常の候補となる操業条件の設定値を特定することも可能となる。
＜異常原因推定ステップ＞
　異常原因推定ステップでは、異常原因変数特定ステップで特定した変数に基づいて、異常の原因を推定する。
　異常の原因の推定は、特定のプロセスや設備に係る異常発生時の知見によるところが大きい。そのため、以下では鉄鋼プロセスを一例として、異常の原因の推定の考え方を説明する。製造プロセスにおける異常の原因は、主に、機械的故障や電気系の故障等の設備系の異常、操業要因や製造プロセスの不安定性等のプロセス系の異常、センサデータの異常や制御ソフトウエアの不具合等のシステム的要因、操作手順や設定の誤り等の人的要因等に分類できる。
　例えば鉄鋼の圧延プロセスの場合、ミル両端に生じる荷重の差である差荷重が監視されている。圧延材が蛇行し、ライン中心から外れた位置（オフセンター）で通板されるプロセス系の異常が発生する場合、圧延ロールに生じる荷重分布に偏りが生じ、最終的に荷重差として検出される。また、圧下機構の不具合やミル構成要素の機械ガタ等の設備系の異常の発生により、レベリングの目標値と実際の値との間に乖離が生じる結果として、差荷重が発生している場合もある。この他に、ミル両端に生じる荷重をそれぞれ検出するロードセル（センサ）の一方の出力が異常となるシステム的要因や、オペレータのレベリングの操作ミスによっても、差荷重が発生する。
　本実施形態に係る異常診断方法において、例えば差荷重を目的変数とする重回帰モデルでは、オフセンター量やレベリング量といった項目が有意な影響係数を持つ説明変数となりうる。そのため、ステップＳ８において、異常原因推定マトリクスに基づいて、オフセンター量が異常の原因となる変数であると特定された場合は、板蛇行によるオフセンター量の増大によって引き起こされる操業要因の差荷重であると考えられる。この場合、板蛇行を引きこしている原因として、オペレータの操作過多等による板蛇行等が想定される。
　一方で、ステップＳ８において、レベリング量が異常の原因の変数であると特定された場合は、圧下装置のシリンダー等、圧延機の圧下機構の不具合等が発生している場合も考えられる。また、ステップＳ８において、差荷重自体が異常原因の変数であると特定された場合は、圧延材の形状（ウェッジ形状の過多）や温度（温度不均一性）に起因して差荷重が生じている可能性が懸念される。
　そこで、異常原因推定ステップでは、例えば図５に示すように、目的変数および異常の候補となる説明変数の組み合わせに応じて、異常の原因の候補を予めテーブルで整理して記憶部３０等に保存しておく。そして、異常原因推定部４６は、観測された異常、すなわち目的変数および異常の候補に合わせて、上記テーブルを参照することにより、異常の原因を推定する。
　また、異常原因推定ステップでは、目的変数および異常の候補となる説明変数の組み合わせに応じて、異常の原因と対応するアクションの候補を予めテーブルで整理して記憶部３０等に保存しておくことが望ましい。そして、異常原因推定部４６は、観測された異常、すなわち目的変数および異常の候補に合わせて、上記テーブルを参照することにより、異常の原因を推定し、対応するアクションを決定してもよい。
　更に、異常原因推定ステップでは、決定したアクションに対応するプロセスおよび設備の制御装置に対するアクションの指令を、出力部２０から出力してもよい。また、異常原因推定ステップでは、出力部２０からオペレータの監視モニターに対して、アラート情報を出力してもよい。
　例えば、鉄鋼の圧延プロセスの差荷重が発生した場合であって、圧下機構の不具合やミル構成要素の機械ガタ等の設備系の異常の場合には、重大トラブルを防止するために圧延プロセスの緊急停止指令を出力部２０から出力する。また、圧延材が蛇行し、オフセンターで通板されるプロセス系の異常の場合、オフセンター量に応じたレベリングの修正指令を、出力部２０からミルの制御装置に出力する。また、ロードセル（センサ）の出力等のシステム的要因の場合には、代替センサに切り替える指令を、出力部２０からミルの制御装置に出力する。また、オペレータのレベリングの操作ミスの場合には、出力部２０からオペレータの監視モニターに対して、アラート情報を出力する。
　以上説明した実施形態に係る異常診断方法および異常診断装置では、操業で得られる多数の変数（センサデータ）を収集し、当該変数が相補的に目的変数および説明変数となる重回帰モデルの集合において影響係数を算出し、算出した影響係数と正常時の影響係数とを比較する異常原因推定マトリクスを算出する。そして、異常原因推定マトリクスを用いて、異常の原因となる変数を特定する。
　異常原因推定マトリクスでは、例えば図３および図４に示すように、縦方向（行方向）を目的変数とし、横方向（列方向）を説明変数として、影響係数の変化量を入力すると、異常に関連する変数を含む行および列は、異常に関連しない変数と比べて大きく変化する。そのため、例えばカラーチャート等で表示することにより、異常に関連する変数を分かりやすく提示することができる。
　このように、実施形態に係る異常診断方法および異常診断装置では、多数の重回帰モデルの集合から異常原因変数の推定を行うため、特許文献１で提案されているような単一モデルによる原因診断と比べて推定精度を向上させることができる。また、実施形態に係る異常診断方法および異常診断装置では、重回帰モデルの集合について、正常時および異常時の影響係数を網羅的に比較する異常原因推定マトリクスを算出することにより、複数の変数が絡む場合においても、異常の原因となる変数を明確に分かりやすく提示することができる。
　また、実施形態に係る異常診断方法および異常診断装置では、異常原因推定マトリクスを用いて、重回帰モデルが異常を引き起こしている原因となる変数を特定することにより、異常の原因を推定し、具体的なアクション決定を迅速化することが可能となる。以上のように、実施形態に係る異常診断方法および異常診断装置によれば、製造プロセスで取得した大量の計測データから異常状態を検知し、異常に関連する計測値を迅速に分かりやすく提示することができる。
　以上、本発明に係る異常診断方法および異常診断装置について、発明を実施するための形態および実施例により具体的に説明したが、本発明の趣旨はこれらの記載に限定されるものではなく、請求の範囲の記載に基づいて広く解釈されなければならない。また、これらの記載に基づいて種々変更、改変等したものも本発明の趣旨に含まれることはいうまでもない。
　１　異常診断装置
　１０　入力部
　２０　出力部
　３０　記憶部
　３１　操業データＤＢ
　３２　正常時操業データＤＢ
　４０　演算部
　４１　正常時影響係数算出部
　４２　異常判定部
　４３　操業時影響係数算出部
　４４　異常原因推定行列算出部
　４５　異常原因変数特定部
　４６　異常原因推定部

Claims (11)

  1. 　製造設備の操業時の状態を示す複数の変数を取得する操業時変数取得ステップと、
    　前記操業時変数取得ステップで取得した複数の変数と、前記製造設備の正常時の状態を示す複数の変数に基づいて構築され、かつ前記変数が目的変数および説明変数として相補的に用いられる第一予測モデルの集合とを用いて、前記製造設備の異常の有無を判定する異常判定ステップと、
    　異常ありと判定された場合に、前記操業時変数取得ステップで取得した複数の変数に基づいて、前記変数が目的変数および説明変数として相補的に用いられる第二予測モデルの集合を構築する操業時影響係数算出ステップと、
    　前記第一予測モデルの集合についての目的変数に対する説明変数の影響係数である第一影響係数と、前記第二予測モデルの集合についての目的変数に対する説明変数の影響係数である第二影響係数とを比較することにより、異常原因推定マトリクスを算出する異常原因推定行列算出ステップと、
    　前記異常原因推定マトリクスを用いて、異常の原因となる変数を特定する異常原因変数特定ステップと、
    　を含む異常診断方法。
  2. 　前記異常原因推定マトリクスは、前記目的変数と前記説明変数とをキー項目とする表形式の構造を有し、かつ前記第一影響係数および前記第二影響係数の比較結果を要素とする請求項１に記載の異常診断方法。
  3. 　前記異常原因変数特定ステップでは、前記異常原因推定マトリクスを用いて、異常に関連する変数の説明変数または目的変数に着目し、着目した変数に係る前記影響係数の変化に基づいて、前記異常の原因となる変数を特定する請求項１または請求項２に記載の異常診断方法。
  4. 　前記異常原因変数特定ステップでは、異常原因推定マトリクスの説明変数の列および目的変数の行の両方において、前記影響係数の変化が予め定めた閾値よりも大きい変数を、前記異常の原因となる変数として特定する請求項３に記載の異常診断方法。
  5. 　前記異常判定ステップでは、前記第一予測モデルを用いた各変数の予測誤差に基づいて異常度を算出し、全てまたは一部の変数の前記異常度の最大、平均または総和を参照することにより、前記製造設備の異常の有無を判定する請求項１から請求項４のいずれか一項に記載の異常診断方法。
  6. 　特定した変数に基づいて、前記異常の原因を推定する異常原因推定ステップを更に含む請求項１から請求項５のいずれか一項に記載の異常診断方法。
  7. 　異常原因推定ステップでは、目的変数および異常の候補となる説明変数の組み合わせに応じた異常の原因の候補のテーブルを参照することにより、異常の原因を推定する請求項６に記載の異常診断方法。
  8. 　異常原因推定ステップでは、目的変数および異常の候補となる説明変数の組み合わせに応じた異常の原因の候補及び対応するアクションのテーブルを参照することにより、異常の原因を推定し、推定された異常の原因に対応するアクションを決定する請求項６に記載の異常診断方法。
  9. 　異常原因推定ステップでは、決定されたアクションに対応する制御装置への指令、またはアラートを出力する請求項８に記載の異常診断方法。
  10. 　製造設備の操業時の状態を示す複数の変数と、前記製造設備の正常時の状態を示す複数の変数に基づいて構築され、かつ前記変数が目的変数および説明変数として相補的に用いられる第一予測モデルの集合とを用いて、前記製造設備の異常の有無を判定する異常判定部と、
    　異常ありと判定された場合に、操業時の状態を示す複数の変数に基づいて、前記変数が目的変数および説明変数として相補的に用いられる第二予測モデルの集合を構築する操業時影響係数算出部と、
    　前記第一予測モデルの集合についての目的変数に対する説明変数の影響係数である第一影響係数と、前記第二予測モデルの集合についての目的変数に対する説明変数の影響係数である第二影響係数とを比較することにより、異常原因推定マトリクスを算出する異常原因推定行列算出部と、
    　前記異常原因推定マトリクスを用いて、異常の原因となる変数を特定する異常原因変数特定部と、
    　を備える異常診断装置。
  11. 　特定した変数に基づいて、前記異常の原因を推定する異常原因推定部を更に備える請求項１０に記載の異常診断装置。
PCT/JP2025/016977 2024-06-17 2025-05-09 異常診断方法および異常診断装置 Pending WO2025263145A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2024097630 2024-06-17
JP2024-097630 2024-06-17

Publications (1)

Publication Number Publication Date
WO2025263145A1 true WO2025263145A1 (ja) 2025-12-26

Family

ID=98212820

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2025/016977 Pending WO2025263145A1 (ja) 2024-06-17 2025-05-09 異常診断方法および異常診断装置

Country Status (1)

Country Link
WO (1) WO2025263145A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010218301A (ja) * 2009-03-17 2010-09-30 Taiyo Nippon Sanso Corp 異常診断装置、異常診断方法及び異常診断プログラム
WO2016088362A1 (ja) * 2014-12-05 2016-06-09 日本電気株式会社 システム分析装置、システム分析方法および記憶媒体
WO2019142346A1 (ja) * 2018-01-22 2019-07-25 日本電気株式会社 分析システム、分析方法、及び、記録媒体

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010218301A (ja) * 2009-03-17 2010-09-30 Taiyo Nippon Sanso Corp 異常診断装置、異常診断方法及び異常診断プログラム
WO2016088362A1 (ja) * 2014-12-05 2016-06-09 日本電気株式会社 システム分析装置、システム分析方法および記憶媒体
WO2019142346A1 (ja) * 2018-01-22 2019-07-25 日本電気株式会社 分析システム、分析方法、及び、記録媒体

Similar Documents

Publication Publication Date Title
JP7664918B2 (ja) 異常変調原因特定装置、異常変調原因特定方法及び異常変調原因特定プログラム
JP7017861B2 (ja) 異常検知システムおよび異常検知方法
JP6216242B2 (ja) 異常検知方法およびその装置
JP6572979B2 (ja) 製造設備診断支援装置及び製造設備診断支援方法
JP4046309B2 (ja) プラント監視装置
JP6702297B2 (ja) プロセスの異常状態診断方法および異常状態診断装置
JP6708203B2 (ja) 情報処理装置、情報処理方法、及び、プログラム
JP7604486B2 (ja) 異常変調原因特定装置、異常変調原因特定方法及び異常変調原因特定プログラム
CN112257943A (zh) 一种基于mset和偏离度的电厂引风机故障预警方法
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
WO2016208315A1 (ja) プラント診断装置及びプラント診断方法
CN114386730B (zh) 一种燃烧稳定性评价方法及系统
CN115640860A (zh) 一种工业云服务的机电设备远程维护方法及系统
JP5091604B2 (ja) 分布の評価方法、製品の製造方法、分布の評価プログラム及び分布の評価システム
JP7664919B2 (ja) 異常変調原因特定装置、異常変調原因特定方法及び異常変調原因特定プログラム
JP7664920B2 (ja) 異常変調原因特定装置、異常変調原因特定方法及び異常変調原因特定プログラム
CN120468712B (zh) 基于数据驱动的车载启动电源异常状态检测方法
JP6885321B2 (ja) プロセスの状態診断方法及び状態診断装置
KR102900438B1 (ko) 이상 진단 모델의 구축 방법, 이상 진단 방법, 이상 진단 모델의 구축 장치 및 이상 진단 장치
JP2018014093A (ja) プロセスの状態診断方法及び状態診断装置
JP7859600B1 (ja) 異常診断方法および異常診断装置
JP6658462B2 (ja) プラント設備劣化診断装置
JP7719063B2 (ja) 異常変調原因表示装置、異常変調原因表示方法及び異常変調原因表示プログラム
JP7578200B2 (ja) 要因推論装置、要因推論方法、要因推論システムおよび端末装置
KR20240042121A (ko) 프로세스 상태 감시 장치 및 프로세스 상태 감시 방법

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: 25830271

Country of ref document: EP

Kind code of ref document: A1