CN105027014B - 工序监视诊断装置 - Google Patents

Abstract

具备：收集并保持由工序传感器(121～1221)计测的多个计测变量的时间序列数据的数据收集保存单元(2)；能够通过不区分输入和输出的多变量解析定义与计测变量相同数量的主成分的主成分运算单元(42)；从多个计测变量中指定1个或者多个输出变量的输出变量指定单元(43)；从主成分运算单元(42)中提取对由输出变量指定单元(43)指定的输出变量具有影响的主成分的输出关联主成分提取单元(44)；使用由输出关联主成分提取单元(44)提取的主成分，计算并监视预先定义的异常检测用的概要统计量的概要统计量监视单元(62)；以及针对由概要统计量监视单元(62)监视的统计量进行是否为异常的判断的概要统计量异常判定单元(63)。

Description

工序监视诊断装置

技术领域

本发明的实施方式涉及工序监视诊断装置。

背景技术

在下水处理工序、污泥消化工序、净水工序、供配水工序等水处理/水运用工序、石油化学工序、或者半导体制造工序等工序的运转管理中，谋求在实现工序的规定目标性能的基础上还能够实现与节能、节约成本相关的运用。

这里，作为规定目标性能的例子，在下水处理工序中能够举出排放水质基准的遵守，在污泥消化工序中能够举出生成能(甲烷、氢等)的稳定的产生，在净水工序中能够举出基于消毒、殺菌等的供配水水质基准的遵守，在石油化学工序中能够举出石油等精制产品成品率的规定目标值的达成，在半导体制造工序中能够举出半导体产品成品率的规定目标值的达成等。

并且，作为节能、节约成本运用的例子，在下水处理工序中能够举出鼓风机、泵的驱动电力、药品注入量的削减，在污泥消化工序中能够举出生成能效率的最大化，在净水工序中能够举出药品注入量的最小化，在石油化学工序、半导体制造工序中能够举出成品率的最大化等。

为此，运转管理上的要点在于：监视与目标性能相关的工序的状态以免陷入无法实现规定目标的状态，快速检测阻碍规定目标的实现那样的状态变化、异常状态而预先采取对策。并且，为了在以规定目标的实现作为制约的基础上进行与节能、节约成本相关的运用，需要将与目标性能、节能、节约成本相关的工序状态始终保持在良好的状态，快速检测欲从良好的状态脱离的工序状态变化。

作为诊断这样的工序的状态变化、异常的方法，公知有主要在石油化学工序的领域中发展起来的被称为“多变量统计解析手法”的多变量统计的工序监视(MSPC:Multi-Variate Statistical Process Control)的方法。作为在MSPC中最常利用的手法，公知有主成分分析(PCA:Principal Component Analysis)和潜在变量投影法/偏最小二乘法(PLS:Projection to LatentStructure/Partial Least Square)。

PCA和PLS这两个代表手法的共通点(类似点)和不同点主要为以下两点。

共通点：从多个计测数据利用工序数据间的相关信息生成多个概要统计量的时间序列数据，利用所生成的少数统计量数据检测工序状态的变化，随后推定称为其因素的变量。在PCA中、PLS中，概要统计量的生成方法的考虑方法是共通的，大多生成相关强的数据集合(数据的部分空间)，并使用该部分空间内的数据的分布指标即被称为T2统计量的统计量、和从该部分空间的偏离指标即被称为Q统计量的统计量。

不同点：在PCA中，将用于构建监视诊断模型的监视项目(变量)全部以同等地位对待，并不区分说明变量(输入)和结果变量(输出)，但在PLS中区分说明变量(输入)和结果变量(输出)。

即，虽然使用了PCA的诊断手法和使用了PLS的诊断手法是相互类似的诊断手法，但根据是否区分输入输出而分开使用。例如，在半导体工序、石油化学工序等的生产线中，欲诊断最终的产品品质(结果变量/输出)的优劣(≈正常/异常)，但在难以在线计测该产品品质的情况下、或尽管能够计测但其可靠性低的情况下，多使用PLS、与此关联的PCR(主成分回归)等进行诊断。

特别是，在多个说明变量/输入彼此的相关弱而相互的独立性高的情况下，有时使用经典的MLR(多元回归分析)。另一方面，当欲以通用的方式检测、诊断在工厂可能产生的各种异常状态的情况下，主要使用PCA。

例如，在上下水处理工序中，会产生如下的各种异常：传感器漂移，传感器故障、传感器维护，泵、鼓风机、阀等设备的老化，泵、鼓风机、阀等设备的异常停止(也包括因误操作而导致的停止)，流入水质、取水水质的异常，毒物朝流入水、取水的混入，排放水质、供给水质的异常，工序的各种处理异常，各种控制***的异常，等等，但是，能够以通用的方式检测上述异常，并在辨别属于哪种类型的异常时使用基于PCA的诊断。

现有技术文献

专利文献

专利文献1：日本特开平7－068905号公报

专利文献2：日本特开2003－096467号公报

专利文献3：日本特开2005－249816号公报

非专利文献

非专利文献1：Mia Hubert,Peter J.Rousseeuw,Karlien V,“ROBPCA:a NewApproach to Robust Principal Component Analysis(2005)”Technometrics

非专利文献2：C Croux,A Ruiz-Gazen，High breakdown estimators forprincipal components:the projection-pursuit approach revisited,Journal ofMultivariate Analysis

非专利文献3：K.-R.Muller,S.Mika,G.Ratsch,K.Tsuda,andB.Scholkopf.Anintroduction to kernel-based learning algorithms.IEEE Trans.PatternAnal.Machine Intell.,12(2):181-201,March 2001.

非专利文献4：B.Scholkopf,A.J.Smola,and K.-R.Muller.Nonlinear componentanalysis as a kernel eigenvalue problem.Neural Computation,10(5):1299-1319,1998.

非专利文献5：C.Rosen“Monitoring Wastewater Treatment Systems”,Lic.Thesis,Dept.of Industrial Electrical Engineering and Automation,LundUniversity,Lund,Sweden(1998)

发明内容

发明所要解决的课题

如上所述，虽然能够将区分结果变量和说明变量的基于PLS的手法、以及不区分结果变量和说明变量的基于PCA的手法分开使用，但当欲在实际的工厂实现诊断***时，有时会面对如下那样的课题。

课题1：虽然欲区分结果变量和说明变量而进行诊断，但难以预先选定结果变量和说明变量，欲在开发诊断***的同时定义结果变量和说明变量。

课题2：在工厂运用时欲根据状况而适当地切换所应监视的结果变量。

课题3：虽然并非欲必须确定结果变量而进行诊断，但并不想进行不必要的诊断。例如，在传感器处于维护中而成为异常状态的状况下，不需要发出报警。即，并不想过度地进行通用的异常诊断，而欲仅进行几个与结果变量关联的异常诊断。

具体地进行说明。在实际的诊断***开发的初始阶段，较多的情况为，仅仅存在“欲开发出能够达成规定目标性能且与节能、节约成本运用关联的诊断***”这样的抽象且笼统的要求。以下水处理工序为例，规定性能是指“遵守排放水质”，节能、节约成本运用与“能够减少泵、鼓风机、搅拌机等的动力成本、药品费等的药品成本、或者污泥处置费等处理成本的运用”等对应。

但是，在开发初始阶段，有时仅仅存在这样的笼统的要求，并不明确应当将目标锁定为其中的哪个。为了使之明确化，大致需要依次明确以下的项目。

(1)对于管理处理场的管理者来说优先顺位高的要求是哪个？

(2)在优先顺位高的要求中，预计效果最高的具体的目标是哪个？

(3)对于所锁定的目标，以哪个变量作为结果变量进行监视即可？

(4)会对结果变量带来影响的说明变量的候补是哪个？

在实际的开发中，仅进行一次上述步骤开发就结束的情况很少，大多情况下需要反复进行(1)～(4)。并且，(3)～(4)的步骤有时也需要局部地多次反复进行。此外，很多情况下，(1)的优先顺位会根据工厂管理者、工厂运转状况而变化，与此对应需要频繁地变更(2)～(4)的步骤。

在这样的状况下，若使用区分结果变量和说明变量的PLS(以及PCR、MLR)而构建诊断模型，则诊断模型的构建极其耗费开发工时，伴随于此开发成本增加。除此之外，在伴随着与工厂的运转状况、工厂管理者的喜好对应而进行的作为性能指标的结果变量的变更的情况下，需要反复构建相对于多个结果变量的诊断模型，诊断模型的维护需要大量的劳力和成本。

并且，为了与这样的情形对应，需要能够进行诊断模型的构建的专业技术人员专职对应，但从技术管理的观点出发，构建(多人的)专家能够专职进行某一确定工厂的诊断***开发的组织结构这一情况在实际上大多非常困难。结果，无论使用了多变量解析的诊断技术在原理上多么优异，但这些诊断技术朝多方面的工业领域的普及受到阻碍的可能性也很高。

另一方面，在基于PCA的方法中，由于并不区分结果变量和说明变量，因此无需构建多个模型，姑且开发出一个诊断***即可，与基于PLS的方法相比较，诊断模型的维持所耗费的成本小。但是，与PLS相比较，基于PCA的方法并不适合作为着眼于某一确定的结果变量的诊断方法。

本发明就是鉴于上述的情况而完成的，其目的在于提供一种以不区分结果变量和说明变量的基于PCA的工序异常诊断***为基础、并且在适当指定结果变量的情况下能够提取出与该结果变量强烈关联的因素变量的工序监视诊断装置。

用于解决课题的手段

实施方式的工序监视诊断装置为一种具有能够以规定的周期计测对象工序的状态量、操作量的至少两个工序传感器的、监视任意的工序的工序监视诊断装置，具备：收据收集、保存单元，收集由上述工序传感器计测的多个计测变量的时间序列数据并预先保持；主成分运算单元，能够利用不区分输入和输出的多变量解析定义与上述计测变量相同数量的主成分；输出变量指定单元，从上述多个计测变量中指定一个或者多个输出变量；输出关联主成分提取单元，从上述主成分运算单元中提取对由上述输出变量指定单元指定的输出变量具有影响的主成分；概要统计量监视单元，使用由上述输出关联主成分提取单元提取的主成分，计算并监视预先定义的异常检测用的概要统计量；以及概要统计量异常判定单元，针对由上述概要统计量监视单元监视的统计量进行是否为异常的判断。

附图说明

图1是用于对实施方式的工序监视诊断装置的一个构成例进行说明的图。

图2是用于对在图1所示的工序监视诊断装置中与输出变量强烈关联的主成分提取单元的一个例子进行说明的图。

图3是用于对在图1所示的工序监视诊断装置中选择了多个输出变量的情况下的主成分提取单元的一个例子进行说明的图。

图4是用于对在图1所示的工序监视诊断装置中在一次提取主要的主成分的基础上与输出变量强烈关联的主成分提取单元的一个例子进行说明的图。

图5是用于对在图1所示的工序监视诊断装置中将与输出变量相关小的工序诊断构成变量从输出关联主成分除去的一个例子进行说明的图。

图6是示出使输出变量、Q统计量以及/或者T2统计量的异常点重叠而进行监视的显示的一个例子的图。

图7是示出使输出变量、Q统计量以及/或者T2统计量的异常点重叠而进行监视的切换显示的一个例子的图。

图8是用于对多个工序诊断菜单一览和工序监视的监视画面之间的联动概念的一个例子进行说明的图。

具体实施方式

以下，参照附图对实施方式的工序监视诊断装置进行说明。

图1中示出本实施方式所涉及的工序监视诊断装置以及监视对象工序的一个构成例。本实施方式所涉及的工序监视诊断装置是将以除去氮以及磷为目的的下水高度处理工序1作为监视对象的监视装置。

监视对象即下水高度处理工序1具备最初沉淀池101、厌氧槽102、无氧槽103、需氧槽104、最终沉淀池105、促动器、操作量传感器、工序传感器。

促动器及其操作量传感器包括：最初沉淀池剩余污泥抽出泵111P及其抽出流量传感器111S、朝需氧槽104供给氧的鼓风机112B及其供给空气流量传感器112S、循环泵113P及其循环流量传感器113S、返送污泥泵114P及其返送流量传感器114S、最终沉淀池剩余污泥抽出泵115P及其抽出流量传感器115S。

工序传感器包括：雨量传感器121、计测流入下水量的下水流入量传感器122、计测流入下水所含的全氮量的流入TN传感器123、计测流入下水所含的全磷量的流入TP传感器124、计测流入下水所含的有机物量的流入UV传感器(或者流入COD传感器)125、计测厌氧槽102的ORP的厌氧槽ORP传感器126、计测厌氧槽102的pH的厌氧槽PH传感器127、计测无氧槽103的ORP的无氧槽ORP传感器128、计测无氧槽103的pH的无氧槽pH传感器129、计测需氧槽104的磷酸浓度的磷酸传感器1210、计测需氧槽104的溶解氧浓度的DO传感器1211、计测需氧槽104的氨浓度的氨传感器1212、在反应槽102～104中的至少1个槽中计测活性污泥量的MLSS传感器1213、在反应槽102～104中的至少1个槽中计测水温的水温传感器1214、计测从最终沉淀池105抽出的污泥量的固形物浓度的剩余污泥SS传感器1215、计测从最终沉淀池105排放的排放水的SS浓度的排放SS传感器1216、计测最终沉淀池105的污泥界面高度的污泥界面传感器1217、计测排放下水量的下水排放量传感器1218、计测排放下水所含的全氮量的排放TN传感器1219、计测排放下水所含的全磷量的排放TP传感器1220、计测排放下水所含的有机物量的排放UV传感器(或者排放COD传感器)1221。

各种促动器111P、112B、113P、114P、115P以规定的周期动作。操作量传感器111S～115S和各种工序传感器121～1221以规定的周期进行计测。

本实施方式所涉及的工序监视诊断装置具备：工序计测数据收集、保存部2、过去数据(离线数据)提取部3、工序监视模型构建、供给部4、当前数据(在线数据)提取部5、工序监视、诊断部6、能够将由工序监视、诊断部6检测到的状态变化、异常征兆及与其因素变量候补相关的信息通知给工厂管理者、操作人员的用户界面部7。

工序计测数据收集、保存部2收集并保存从操作量传感器111S～115S以及工序传感器121～1221以规定的周期得到的工序数据。

过去数据(离线数据)提取部3从工序计测数据收集、保存部2所保存的各种时间序列数据中提取过去的离线数据。

工序监视模型构建、供给部4使用由过去数据(离线数据)提取部3提取到的离线数据而预先离线地构建工序的监视、诊断模型。

工序监视模型构建、供给部4具备监视模型构成变量定义部41、主成分运算部42、输出变量指定部43、输出关联主成分提取部44、统计量以及贡献量定义部45、统计量阈值设定部46。

监视模型构成变量定义部41根据通过过去数据(离线数据)提取部3从工序计测数据收集、保存部2提取到的计测变量的过去的时间序列数据的信息来选定工序监视模型构建所需要的监视项目，并根据需要从监视项目新合成管理指标等的变量从而定义n个监视模型的输入变量。

主成分运算部42在进行数据中的离群值除去、滤波、正规化(定标)等适当的前处理后，使用PCA、鲁棒PCA、核心PCA等运算n个主成分。

输出变量指定部43从由监视模型构成变量定义部41定义出的监视模型构成变量中指定用户欲监视的输出变量。

输出关联主成分提取部44仅提取与由输出变量指定部43指定的输出变量具有强烈关系的主成分。

统计量以及贡献量定义部45使用由输出关联主成分提取部44提取出的主成分，分别定义异常检测用的概要统计量即Q统计量和霍特林的T2统计量、以及由监视模型构成变量定义部41定义出的构成变量相对于该Q统计量和霍特林的T2统计量的贡献量。

统计量阈值设定部46设定针对由统计量以及贡献量定义部45定义出的2个统计量的阈值。

当前数据(在线数据)提取部5从工序计测数据收集、保存部2所保存的各种时间序列数据中提取当前的在线数据。

工序监视、诊断部6使用由当前数据(在线数据)提取部5提取出的在线数据和由工序监视模型构建、供给部4构建出的工序监视模型监视工序的状态，检测状态变化、异常征兆。

工序监视、诊断部6具备变量选定部61、统计量监视部62、统计量异常判定部63、因素变量推定部64。

变量选定部61针对通过当前数据(在线数据)提取部5从工序计测数据收集、保存部2提取出的计测变量的当前时刻的时间序列数据，取出由监视模型构成变量定义部41定义出的变量，并进行运算。

统计量监视部62在针对由变量选定部61选择的变量的当前数据除去缺项值、离群值，并进行正规化等适当的前处理的基础上，根据由统计量以及贡献量定义部45决定的Q统计量以及霍特林的T2统计量计算式计算上述统计量。

统计量异常判定部63在由统计量监视部62监视的统计量超过由统计量阈值设定部46定义的阈值的情况下检测工序的状态变化、异常征兆。

在由统计量异常判定部63检测到Q统计量、霍特林的T2统计量的变化的情况下，因素变量推定部64根据由统计量以及贡献量定义部45定义出的式子计算作为其变化因素的构成变量的贡献量，推定作为因素的变量。

用户界面部7能够将由工序监视、诊断部6检测出的状态变化、异常征兆及与其因素变量候补相关的信息通知给工厂管理者、操作人员。用户界面部7具备对操作人员通知信息的显示部、供操作人员输入指令的鼠标以及键盘等输入单元。

首先，在下水高度处理工序1中，通过操作量传感器111S～115S和工序传感器121～1221以规定的周期计测工序的信息。这些计测信息由工序计测数据收集、保存部2根据预先决定的格式作为时间序列数据保存。

在构建本实施方式的工序监视诊断装置时，首先，利用过去数据(离线数据)提取部3提取该工序计测数据收集、保存部2所保存的、跨越规定期间的过去的工序数据。使用由该过去数据(离线数据)提取部3提取出的跨越规定期间的过去的工序数据，在工序监视模型构建、供给部4构建工序监视模型。

在图1的监视模型构成变量定义部41中，定义并提取为了构建工序监视模型而需要的计测变量。在通常下水处理工序中，不仅存在利用操作量传感器111S～115S和工序传感器121～1221计测的项目，还存在反馈控制的目标值、与鼓风机112B、泵111P、113P、114P、115P等设备相关的计测变量、或者与时间一起累计的累计量等通常多达数千个项目的计测变量。其中，也存在许多对于工序的监视诊断成为噪声的不具有有用信息的变量，因此，将这些变量除去而将适当的变量定义为监视模型的构成变量。

作为应除去的变量的例子，存在累计量等单调增加的变量，因此，若选定为工序监视模型构建用的输入数据，则无法正确地构建工序监视模型，因此要除去。

并且，在准备了多个泵、鼓风机这样的情形下，若将仅偶尔起动的鼓风机、泵的流量数据直接输入，则由于其在绝大多数的时间段都为0，所以无法正确地构建监视模型，因此这些也要除去。

在除去这些变量的基础上，选定对于监视诊断来说有用的计测变量。例如在该情况下，选定利用操作量传感器111S～115S和工序传感器121～1221计测的计测变量。并且，根据需要而从各种计测变量根据监测数据合成对于操纵人员来说有用的管理指标、工序的状态变化、对于异常征兆的早期检测有用的指标。

例如，能够由最初沉淀池剩余污泥抽出泵111P及其抽出流量传感器111S、朝需氧槽104供给氧的鼓风机112B及其供给空气流量传感器112S、循环泵113P及其循环流量传感器113S、返送污泥泵114P及其返送流量传感器114S、最终沉淀池剩余污泥抽出泵115P及其抽出流量传感器115S等计测的流量，和根据泵111P、113P、114P、115P、鼓风机112B的额定容量或转速等信息计算各个泵、鼓风机所消耗的电能，通过用计测流入下水量的下水流入量传感器122计测到的流入量除以上述电能，由此合成各泵111P、113P、114P、115P、鼓风机112B所消耗的电力原单位(能量原单位)而作为构成变量附加。

并且，也能够根据在反应槽102～104的至少1个槽计测活性污泥量的MLSS传感器1213、计测从最终沉淀池105抽出的污泥量的固形物浓度的剩余污泥SS传感器1215、最终沉淀池剩余污泥抽出泵115P及其抽出流量传感器115S的信息、和反应槽102～104的容积求出SRT(污泥滞留时间)、A－SRT(需氧槽污泥滞留时间)等，作为构成变量之一。

此外，也能够通过与利用计测排放下水量的下水排放量传感器1218、计测排放下水所含的全氮量的排放TN传感器1219、或者计测排放下水所含的全磷量的排放TP传感器1220、或者计测排放下水所含的有机物量的排放UV传感器(或者排放COD传感器)1221计测到的水质浓度之积计算排放负荷量，将将其作为构成变量的一部分。

接下来，在主成分运算部42中，适当地进行缺项数据、离群值的除去，物理量纲不同的多个监视项目(监视模型构成变量)的正规化等，在此基础上运算主成分。此时，通常使用作为多变量解析而广为人知的PCA，但当假定数据中大量地包含离群值等的情况下，例如也可以使用非专利文献1、非专利文献2等考虑了相对于离群值的鲁棒性的各种鲁棒PCA算法。

并且，当假定在由监视模型构成变量定义部41定义的数据间存在强烈的非线形相关的情况下，例如也可以使用非专利文献3、非专利文献4等记载的核心PCA等考虑了非线形性的PCA。

此外，当存在非线形性和离群值的问题双方的情况下，也可以使用组合了鲁棒PCA和核心PCA的方法。

在本实施方式的主成分运算部42中，能够不区分输出变量和输入变量而计算与构成变量相同数量的n个主成分。此外，在以下的说明中以使用了通常的PCA的情况进行说明。

若使用通常的PCA，则由n个构成变量和m个样本(时间序列数据)构成的矩阵XεRm×n能够通过PCA以下述方式分解。(其中，假设X被正规化)

X＝Σi＝1n ti*piT

＝TaPaT

＝Σi＝1p ti*piT+Σi＝p+1n ti*piT

＝TPT+E(1)

TaεRm×n是由m个样本(或者时间序列数据)和n个主成分数构成的被称为得分矩阵的矩阵，PaεRn×n是表示n个构成变量与n个主成分之间的关系的被称为载荷矩阵的矩阵。

TεRm×p是用p＜＜n个主成分舍项后的Ta的部分矩阵，通常被称为得分矩阵。同样，PεRn×p是表示与相对于n个变量而用p＜＜n个舍项后的主成分之间的关系的Pa的部分矩阵，通常将该P称为载荷矩阵。并且，EεRm×n是由m个样本(或者时间序列数据)和n个变量构成的误差矩阵，表示用p＜＜n将主成分舍项后的情况下的误差。

在本实施方式中，将Ta和T，Pa和P明确区分，将Ta和Pa分别称为得分矩阵、载荷矩阵，将T和P称为主要得分矩阵、主要载荷矩阵。

接下来，在输出变量指定部43，从利用监视模型构成变量定义部41定义的变量中选择工厂管理者等用户尤其关注的输出变量。此时，工厂管理者所关注的输出变量需要作为监视模型构成变量定义部41中的构成变量预先定义。

作为输出变量，作为认为是工厂的主要性能指标的水质，能够指定排放磷浓度、排放氮浓度、排放COD浓度，或者以此作为负荷量而考虑的排放磷负荷量、排放氮负荷量、排放COD负荷量等。并且，当对生物反应槽内的确定的水质、管理状态感兴趣的情况下，也可以将需氧槽氨浓度、需氧槽磷酸浓度、或者厌氧槽ORP值、无氧槽ORP值等作为输出变量。

此外，若有志于减少工厂运转成本，则可以根据朝需氧槽104供给氧的鼓风机112B及其供给空气流量传感器112S、循环泵113P及其循环流量传感器113S、返送污泥泵114P及其返送流量传感器114S、最终沉淀池剩余污泥抽出泵115P及其抽出流量传感器115S等的流量，和泵111P、113P、114P、115P、鼓风机112B的额定值以及运转状态(起动台数、转速等)，计算泵111P、113P、114P、115P、鼓风机112B的电能，并将电能、每单位处理量的电能即电力原单位(能量原单位)作为输出变量。

这样，在输出变量指定部43，选择与工厂的性能相关的水质、与成本相关的指标，并进行定义。

图2中示出对在本实施方式的工序监视诊断装置中与输出变量强烈关联的主成分提取单元的一个例子进行说明的图。

在输出关联主成分提取部44，选定某一输出变量，提取该输出变量具有强影响的主成分的载荷矩阵。在图2中，示出变量的数量n＝15的情况，此时，主成分的载荷矩阵Pa用15×15的矩阵表示。此外，将该矩阵的i行、j列的要素记为Pa(i，j)。

这里，假设当前作为输出变量着眼于第10个输出变量(例如电能)。即，在图2中，着眼于1的横轴方向(监视项目排列的方向)上的第10个项目。该变量例如是电能、排放磷浓度等工厂操纵人员实际欲进行监视的变量。随后若观察该着眼于的第10个变量的纵轴方向(主成分项目排列的方向)，则可知该输出变量相对于各主成分的贡献的大小。

对于Pa(i，j)，从载荷矩阵Pa为正规正交矩阵这一性质出发，其要素取－1至1的范围的值，并且，Pa的i行的第i主成分(以下，记为Pa(i，：))的平方和Σ_{j＝1}^{15}Pa(i，j)²为1。这也就意味着Pa(i，j)²的平均值为1/n＝1/15，例如能够将Pa(i，10)²＞1/15的主成分i作为与输出变量强烈关联的主成分提取。

作为其他的基准，也能够按照每个主成分Pa(i，：)，计算其绝对值的平均值PMa(i，：)：＝(Σ_{j＝1}^{15}|Pa(i，j)|)/15，并将作为|Pa(i，10)|＞PMa(i，：)/15的主成分i作为输出变量关联主成分。

或者，也能够采用如下的基准：能够对Pa(i，10)的绝对值关于i进行排序，从值大的开始提取预先决定的个数k＜＜n个的主成分。通过设定这样的基准，在输出关联主成分提取部44，构成由与输出变量强烈相关的主成分构成的矩阵。

图3示出用于对在工序监视诊断装置中选择了多个输出变量的情况下的主成分提取单元的一个例子进行说明的图。

在该情况下，输出变量指定部43定义不足多个计测变量的数量的多个输出变量，输出关联主成分提取单元44在提取出对各输出变量具有影响的主成分后将由其逻辑和定义的主成分作为输出关联主成分。

即，在输出关联主成分的提取中，也能够提取出与2个以上的多个输出关联的主成分。例如，作为排放水质，在欲着眼于排放磷浓度和排放氮浓度的情况下，例如，也能够如图3所示着眼于第6个排放磷和第15个排放氮，通过与上述相同的方法提取与输出变量强烈关联的主成分。这样的提取方法在像排放水质那样欲综合判断多个监视项目那样的情况下特别有效。

图4中示出用于对在工序监视诊断装置中一次提取出主要的主成分的基础上，与输出变量强烈关联的主成分提取单元的一个例子进行说明的图。

在该情况下，输出关联主成分提取部44在基于主成分的累积贡献率或者各主成分方向的固有值的值而提取1个或者多个主要的主成分后，从所提取到的主要的主成分中提取对由输出变量指定部43指定的输出变量具有影响的主成分。

即，如图4所示，从第1主成分开始，例如，按照从顺序上开始提取累积贡献率80％～90％左右的主要的主成分的方法来选择主成分。此外，同样，也能够在以累积贡献率等基准提取主要的主成分的基础上，从其中利用图3或者图3所示的判断基准，提取与输出变量强烈关联的输出关联主成分。

认为通过主成分分析得到的主成分朝第1主成分方向的变动最大，第n(该情况下为第15)个主成分的变动几乎不存在。因而，对于以往的以累积贡献率等指标提取出的主要的主成分以外的主成分，即便假设所选择的输出变量的影响强烈，但朝该方向的变动自身小，因此有时还不如忽略更好。

基于这样的考虑，可以在利用累积贡献率等提取一次主要的主成分的基础上，提取与输出变量关联的主成分。

此外，也可以为用户判断并选择输出关联主成分。在该情况下，输出关联主成分提取部44具备：显示与由主成分运算部42定义的多个计测变量相同数量的主成分的载荷矩阵的主成分显示单元(未图示)；以及基于由主成分显示单元显示的载荷矩阵而根据用户的指示选定输出关联的主成分的主成分选定单元。

例如，也能够具有如下的结构：在监视画面上提示图2乃至图4所示的图，设置在各图的右侧所示那样的检验栏BX，通过人类判断选择哪个主成分并在对应的检验栏输入检验，从而朝主成分选定单元指示选定，支持主成分的选择。

这样，由输出关联主成分构成的载荷矩阵能够以下述方式定义。此外，主成分分析的计算通常在计算由正规化(标准化)了的变量构成的X的方差协方差矩阵后，使用奇异值分解来求出载荷矩阵和得分矩阵。

例如，在图2所示的例中，以下述方式构成由第8、第9、第12、第14、第15个主成分构成的载荷矩阵Poutput。

Poutput＝[Pa(8，1)，Pa(8，2)，…，Pa(8，15)，

Pa(9，1)，Pa(9，2)，…，Pa(9，15)，

Pa(12，1)，Pa(12，2)，…，Pa(12，15)，

Pa(14，1)，Pa(14，2)，…，Pa(14，15)，

Pa(15，1)，Pa(15，2)，…，Pa(15，15)]

此外，也能够针对输出关联主成分提取部44进行如下的修正。当提取出输出关联主成分、载荷矩阵Poutput时，很多情况下存在对其主成分几乎没有贡献的监视变量。

例如，对于在图2中提取到的载荷矩阵Poutput，图5中用虚线包围的第1个、第3个、第5个、第7个、第8个、第11个、第12个变量几乎不造成影响。这意味着所选择的第10个输出变量与这些变量几乎没有相关，因此意味着所选择的输出变量的异常与这些变量的异常几乎没有关联。

因此，对由输出关联主成分提取部44提取出的主成分的、表示各计测变量相对于各主成分的影响的大小的载荷(因素负荷)的绝对值，可以将规定值以下的影响小的计测变量的值替换为零，并从输入项目除去对应的计测变量而进行修正。

即，若从输出关联主成分Poutput中，像与这些变量对应的系数Pa(i，j)＝0，i＝8、9、12、14、15，j＝1、3、5、7、8、11、12这样，预先设定为零，则容易更明确地探求与输出变量相关的异常的因素。

通过这样，尽管载荷矩阵失去了作为正规正交矩阵的性质，但能够预先除去认为与输出变量几乎无关的变量的影响。

另一方面，为了使载荷矩阵维持作为正规正交矩阵的性质，在进行主成分分析前，从在主成分分析的计算中使用的方差协方差1(相关矩阵)C＝X’*X求出输出变量与其他变量之间的相关系数，仅使用除去了与输出变量(在图2中为第10个)之间的相关非常弱的变量后的C的部分矩阵进行主成分分析即可。

在该情况下，输出关联主成分提取部44具有高相关变量提取单元(未图示)，该高相关变量提取单元为，在执行主成分运算部42的运算前，从即将执行主成分计算前运算的相关矩阵或者方差协方差矩阵中，提取与由输出变量指定部43指定的输出之间的相关值为规定值以上的相关矩阵或者方差协方差矩阵，并提取相关矩阵或者方差协方差矩阵的部分矩阵。

例如，在输出变量为第10个变量的情况下，寻找C的第10列(C为对称矩阵，因此也可以是第10行)的值为规定值(＝识别有无相关的阈值)以下的行(列)。

例如，若假设该行为第1、3、5、7、8、11、12行，则能够判断第10个输出变量与第1、3、5、7、8、11、12个变量之间的相关小。在该情况下，使用除去了C的第1、3、5、7、8、11、12行以及列的C的部分矩阵Cr实施主成分分析。

这样，能够在预先除去与输出变量之间的关系弱的变量的基础上，保持载荷矩阵的正规正交性。输出相关成分提取部44也包含如上的修正单元，提取与输出变量具有强烈相关的载荷矩阵Poutput。

接下来，在统计量以及贡献量定义部45，以下述方式定义使用与输出具有强烈相关的载荷矩阵Poutput计算Q统计量、霍特林的T2统计量的计算式。

Q统计量：Q(x(t))＝x ^T(t)(I－PoutputPoutput ^T)x(t) (3)

霍特林的T2统计量：T2(x(t))＝xT(t)Poutput ^TΛoutput^－1Poutputx(t) (4)

这里，Λoutput是作为对角要素而具有基于主成分分析的输出关联的主成分的方差的矩阵，意味着将方差正规化。并且，I为适当大小的单位矩阵。并且，x(t)是矩阵X的第t个要素。在实际的工序监视中，该x(t)被置换为在线计测的工序数据而计算。(3)式和(4)式是由统计量以及贡献量定义部45定义的统计量。

此外，设定相对于由(3)式、(4)式定义的统计量的、各诊断模型的输入变量的贡献量的定义式。贡献量的定义方法也有多个，但例如能够按照以下方式定义。

Q统计量的贡献量：Qcont(n，t)＝x ^T(t，n)F(：，n)^TF(：，n)x(t，n) (5)

F＝(I－PoutputPoutput ^T)

霍特林的T2统计量的贡献量：T²cont(n，t)＝x ^T(t)Poutput ^TΛ^－1Poutput(：，n)x(t，n) (6)

这里，n意味着第n个变量，t为表示某一时刻的变量。

以往的方法利用P来置换(3)～(6)式的Poutput，在以往手法中，根据数据相对于各主成分方向的方差的大小而从Pa提取P，并定义统计量、贡献量，与此相对，在本实施方式中，提取由Pa构成的与确定的输出变量关系大的主成分、Poutput，从而定义统计量、贡献量。由此，能够提高与某一确定的输出相关联的异常的检测及其因素推定精度。

并且，相对于以往的监视诊断手法，除了将载荷矩阵P置换为载荷矩阵Poutput以外，能够以与以往方法相同的方法实施，载荷矩阵Poutput的决定方法如从上述说明可知的那样，仅由选择主成分的单元执行，因此，只要变更所指定的输出，就不会发生仅提取的主成分变化那样的除此以外的变更。因而，能够以与以往大致相同程度的劳力、即避免根据输出变量而反复构建诊断模型那样的复杂的作业，构建工序监视诊断装置。

接下来，在统计量阈值设定部46，设定(3)式和(4)式的阈值。该阈值的设定值与状态变化、异常征兆的检测相关性大，因此其设定方法是重要的，在本实施方式中，对典型的设定方法进行说明。

假设对于过去的离线数据没有任何事先信息的情况下，作为默认的设定法，能够使用Q统计量的统计学上的可靠极限值和与霍特林的T2统计量相关的统计学上的可靠极限值(例如非专利文献5)。这些能够以下述方式记载。

Qlimit的理论计算式：Qlimit＝Θ₁[(cα(2Θ₂h₀ ²)^1/2)/Θ₁+1+(Θ₂h₀(h₀－1))/(Θ₁ ²)]^1/h ₀ (7)

h0：＝1－2Θ₁Θ₃/3Θ₂ ² Θ_i：＝λ_p+1 ⁱ+λ_p+2 ⁱ+………+λ_n ⁱ

这里，p是模型中残留的变量的数量。Cα是可靠区间的极限为1－α的情况下的标准正规分布的标准偏差的偏移(例：α＝0.01的情况下为2.53，α＝0.05的情况下为1.96)。并且，λ_i是Λ的对角要素(即，Θ_i是误差项所含的各成分的i次方和)。

此外，在本实施方式中，由于代替P而使用Poutput，因此在Θ_i＝λ_p+1 ⁱ+λ_p+2 ⁱ+…+λ_n ⁱ中使用的λ_j，j＝p+1，p+2，…，n未必是比模型中残留的λ_k，k＝1，2，…，p小的值。

T2limit的理论计算式：

T2limit＝p(m－1)/(m－p)F(p，m－p，α) (8)

这里，p是所选择的(＝模型中残留的)变量的数量，m是全变量的数量。F(p，m－p，α)是自由度为(p，m－p)、可靠极限为α(＝0.01或0.05的情况较多)的情况下的F分布。

这样，能够基于(7)式、(8)式设定统计量的阈值。

在根据上述顺序利用工序监视模型构建、供给部4构建工序监视模型后，接着在工序监视、诊断部6，供给利用工序监视模型构建、供给部4构建的工序监视模型，并使用该工序监视模型进行工序的监视。

首先，由当前数据(在线数据)提取部5提取由工序计测数据收集、保存部2收集的欲进行诊断的时刻(以下称为当前时刻或者当前)的在线数据。使用利用该当前数据(在线数据)提取部5提取出的当前数据，在工序监视、诊断部6进行工序状态的监视，在状态发生变化或确认到异常的征兆的情况下对此进行检测。

在变量选定部61，取出与利用监视模型构成变量定义部41定义的变量对应的当前时刻的数据，并使用各变量的平均值、方差等适当地正规化。并且，根据需要，预先进行离群值的除去。

其次，在统计量监视部62，将利用(3)式和(4)式定义的Q统计量和T2统计量代入X(t)，由此来监视当前时刻的Q统计量和T2统计量。该统计量随时间的推移而时时刻刻都在变化，因此可以利用时间序列图(趋势图)那样的形式监视。

图6示出使输出变量、Q统计量以及/或者T2统计量的异常点重叠而进行监视的显示的一个例子。在本实施方式中，由于主要目的在于推定相对于确定的输出变量的异常因素，因此，优选如图6所示那样在输出变量的时间序列数据上重叠显示基于Q统计量以及/或者T2统计量的异常点。在图6中，将Q统计量以及/或者T2统计量的异常点与输出变量的图重叠而描绘。

通过进行这样的显示，一边监视电能、水质等物理量，一边重叠观察其异常点、统计量的异常点，由此，虽然仅仅是定性地、但能够在视觉上判断是与输出变量相关的异常(图6中A)还是除此以外的异常(图6中B)。

图7中示出使输出变量、Q统计量以及/或者T2统计量的异常点重叠而进行监视的切换显示的一个例子。若设置如图7所示的诊断的开始(ON)/结束(OFF)操作画面，则能够通过用户的判断来开关相对于输出变量的趋势图的监视画面和本实施方式的工序诊断画面之间的连接。这里，若点击“工序诊断开始”的按钮，则显示进行切换而在输出变量的图中描绘显示异常点，若点击“工序诊断结束”的按钮，则显示进行切换而仅显示输出变量的图。

图8示出用于对多个工序诊断菜单一览和工序监视的监视画面之间的联动概念的一个例子进行说明的图。如图8所示，也能够预先准备与多个输出变量相关的诊断菜单。

在图8中，默认进行通常的基于PCA的通用工序诊断。此时，利用Q统计量以及/或者T2统计量的时间序列数据进行工序诊断。此时，例如若在工序诊断菜单上点击鼓风机原单位诊断的按钮，则图8的左上的Q统计量以及/或者T2统计量的时间序列数据切换至图8的左下的在鼓风机原单位上重叠显示Q统计量以及/或者T2统计量的异常点的功能。

通过具有这样的显示画面，用户能够根据状况灵活地实施工序诊断。能够通过如上的方法进行基于统计量的工序监视。

接下来，在统计量异常判定部63，在当前时刻的Q统计量或者T2统计量超过利用统计量阈值设定部46设定的阈值、例如用(7)式和(8)式定义的阈值的情况下，判断为工序产生了状态变化。这是统计量异常判定部63的最低限度的功能，但该功能能够按以下方式修正。

例如，可以加入如下的判定逻辑：也能够预先设定相对于所设定的输出变量的上下限值，将超过输出变量的上下限值、且产生统计量的异常的点判定为与输出变量关联的异常。

并且，作为工序诊断模型，也能够预先从以往的第1主成分准备基于使用了几个上位的主成分的载荷矩阵P的诊断模型的Q统计量以及/或者T2统计量，和基于使用了与输出变量强烈关联的主成分的载荷矩阵Poutput的诊断模型的Q统计量以及/或者T2统计量的这2组统计量，进行如下的异常判定。

判定A：P的Q以及T2统计量正常，且载荷矩阵Poutput的Q以及T2统计量正常，且输出变量管理值以内工序正常

判定B1：P的Q或者T2统计量异常，且载荷矩阵Poutput的Q以及T2统计量正常，且输出变量管理值以内与输出变量无关的工序异常

判定B2：P的Q或者T2统计量异常，且载荷矩阵Poutput的Q或者T2统计量异常，且输出变量管理值以内与输出变量无关的工序异常

判定C：P的Q以及T2统计量正常，且载荷矩阵Poutput的Q以及T2统计量正常，且输出变量管理值以外输出变量单独异常

判定D：P的Q以及T2统计量正常，且载荷矩阵Poutput的Q或者T2统计量异常，且输出变量管理值以内存在输出变量异常的征兆

判定E：P的Q以及T2统计量正常，且载荷矩阵Poutput的Q或者T2统计量异常且输出变量管理值以外输出变量异常

判定F：P的Q或者T2统计量异常，且载荷矩阵Poutput的Q或者T2统计量异常，且输出变量管理值以外恐怕是与输出变量关联的异常

无法判定：P的Q或者T2统计量异常，且载荷矩阵Poutput的Q或者T2统计量异常，且输出变量管理值以外不明

进行如上的使用了统计量的异常判定，并将其情况通过用户界面部7通知给操作人员或者工序管理者。在该情况下，例如，可以加入在超过阈值的次数连续并持续出现r次(r为正整数)的情况下通知操作人员等的规则而避免频繁发生报警。

接下来，因素变量推定部64在利用统计量异常判定部63检测到某种异常的情况下推定成为其因素的工序诊断构成变量。此时，可以仅在作出了与所指定的输出变量相关的异常这样的判断的情况下推定成为因素的变量。

此时，例如基于(5)式和(6)式分别计算工序诊断构成变量的各变量的贡献量。而且，例如通过预先决定

(a)将贡献量的最大的设为状态变化因素变量

(b)将按照贡献量从大到小的顺序排列的三个设为状态变化因素变量

(c)将贡献量的值超过贡献量的平均±k*贡献量的标准偏差的设为状态变化因素变量，其中，k为参数

等规则(a)～(c)，推定认为是状态变化的因素的计测变量或者指标，并通过用户界面部7将所推定的指标通知给操作人员或者工序管理者。

在用户界面部7，也可以不仅如上那样提示异常的检测结果和因素变量推定结果，还如先前叙述过的那样始终监视Q统计量、T2统计量等的统计量数据的时间序列图(趋势图)。

并且，如上所述，优选具备图6至图8所示那样的监视画面。并且，优选也具有图2那样的用于提取输出关联的主成分的显示单元。此外，优选具备用户在画面上点击检验栏时等输入指令时使用的鼠标、键盘等输入单元。

根据本实施方式，能够着眼于工厂运转管理者欲监视的确定的工序变量，容易地推定与该变量相关的异常征兆和因素。即，在本实施方式所涉及的工厂监视诊断装置中，能够仅利用使用了PCA的实际上一个监视诊断模型，附加欲监视的输出变量的指定和与此对应的主成分的选择的单元，极其容易地推定工厂运转管理者欲监视的确定的工序监视项目的异常征兆和因素。

由此，能够排除PLS等的若不预先明确定义输入输出则无法构建诊断模型的不灵活性，能够灵活地对用户即工厂运转管理者提供所需要的诊断信息。

如上所述，根据本实施方式，能够提供一种在以基于不区分结果变量和说明变量的PCA的工序异常诊断***为基础、并适当指定结果变量的情况下，能够提取与该结果变量强烈关联的因素变量的工序监视诊断装置，特别是提供一种相对于结果变量的变更具有灵活性，且诊断***的开发、维护所耗费的工时、成本能够以与通常的基于PCA的异常诊断***同等程度的工序、成本实现的工序监视诊断装置。

虽然对本发明的几个实施方式进行了说明，但这些实施方式只不过是作为例子而提示的，并不意图限定发明的范围。这些新的实施方式能够以其他各种方式实施，能够在不脱离发明的主旨的范围内进行各种省略、置换、变更。这些实施方式、其变形也包含于发明的范围、主旨中，并且包含于权利要求书所记载的发明及其等同的范围中。

Claims (11)

1.一种工序监视诊断装置，具有能够以规定的周期计测对象工序的状态量、操作量的至少2个工序传感器，并监视任意的工序，其特征在于，具备：

数据收集、保存单元，收集并保持由上述工序传感器计测的多个计测变量的时间序列数据；

主成分运算单元，能够通过不区分输入和输出的多变量解析定义与上述计测变量相同数量的主成分；

输出变量指定单元，从上述多个计测变量中指定1个或者多个输出变量；

输出关联主成分提取单元，从上述主成分运算单元中提取对由上述输出变量指定单元指定的输出变量具有影响的主成分；

概要统计量监视单元，使用由上述输出关联主成分提取单元提取的主成分，计算并监视预先定义的异常检测用的概要统计量；以及

概要统计量异常判定单元，针对由上述概要统计量监视单元监视的统计量进行是否为异常的判断。

2.根据权利要求1所述的工序监视诊断装置，其特征在于，

上述多变量解析是主成分分析、鲁棒主成分分析、核心主成分分析中的任一个。

3.根据权利要求1或2所述的工序监视诊断装置，其特征在于，

还具备因素变量推定单元，在由上述异常判定单元判定为异常的情况下，该因素变量推定单元计算各计测变量相对于上述概要统计量的贡献量，并推定作为因素的变量。

4.根据权利要求1所述的工序监视诊断装置，其特征在于，

上述输出变量指定单元定义不满上述多个计测变量的数量的多个输出变量，

上述输出关联主成分提取单元在提取对各输出变量具有影响的主成分后，将由其逻辑和定义的主成分作为输出关联主成分。

5.根据权利要求1所述的工序监视诊断装置，其特征在于，

上述输出关联主成分提取单元在基于主成分的累积贡献率或者各主成分方向的固有值的值提取1个或者多个主要的主成分后，从上述主要的主成分中提取对由上述输出变量指定单元指定的输出变量具有影响的主成分。

6.根据权利要求1所述的工序监视诊断装置，其特征在于，

输出关联主成分提取单元具备：主成分显示单元，显示与由上述主成分运算单元定义的上述多个计测变量相同数量的主成分的载荷矩阵；以及主成分选定装置，基于由上述主成分显示单元显示的载荷矩阵并根据用户的指示选定输出关联的主成分。

7.根据权利要求1所述的工序监视诊断装置，其特征在于，

对由上述输出关联主成分提取单元提取的主成分的、表示各计测变量相对于各主成分的影响的大小的载荷的绝对值，以下述方式施加修正：将规定值以下的计测变量的值置换为零，并将对应的计测变量从输入项目除去。

8.根据权利要求1所述的工序监视诊断装置，其特征在于，

还具有高相关变量提取单元，在执行上述主成分运算单元的运算前，该高相关变量提取单元从在即将执行主成分计算之前运算的相关矩阵或者方差协方差矩阵中提取与由上述输出变量指定单元指定的输出之间的相关值为规定值以上的相关矩阵或者方差协方差矩阵，并提取上述相关矩阵或者上述方差协方差矩阵的部分矩阵。

9.根据权利要求1所述的工序监视诊断装置，其特征在于，

具备显示装置，该显示装置将由上述输出变量指定单元指定的输出变量作为时间序列数据来监视，

上述显示装置能够将由上述概要统计量异常判定单元判定为异常的部位与上述输出变量的图重叠显示。

10.根据权利要求9所述的工序监视诊断装置，其特征在于，

上述显示装置能够切换异常诊断结束显示和异常诊断开始显示，在异常诊断结束显示中，显示上述输出变量的图，在异常诊断开始显示中，将由上述概要统计量异常判定单元判定为异常的部位与上述输出变量的图重叠显示。

11.根据权利要求1所述的工序监视诊断装置，其特征在于，

具备诊断菜单显示以及选择单元，该诊断菜单显示以及选择单元显示能够从多个输出变量选择规定的输出变量的工序诊断菜单，

上述菜单显示以及选择单元为，当在上述工序诊断菜单上指定上述规定的输出变量时，构建与所指定的上述输出变量相关的工序诊断模型，并显示与之对应的诊断结果。