JP2012128840A

JP2012128840A - 異常監視システムおよび異常監視方法

Info

Publication number: JP2012128840A
Application number: JP2011246548A
Authority: JP
Inventors: Takehide Hirata; 丈英平田; Yoshito Goto; 義人後藤; Takushi Kagawa; 卓士香川
Original assignee: JFE Steel Corp
Current assignee: JFE Steel Corp
Priority date: 2010-11-25
Filing date: 2011-11-10
Publication date: 2012-07-05
Anticipated expiration: 2031-11-10
Also published as: JP5895457B2

Abstract

【課題】監視対象の種類を意識することなく汎用的に適用でき、かつその異常を高精度に検知することができる異常監視システム等を提供すること。
【解決手段】統計的監視指標化処理部２７５は、事前に正常動作時の監視対象から得られたＭ種（Ｍ≧１）の所定の動作が行なわれる区間の時系列データからＭ×Ｌ種の変数を取得し、このＭ×Ｌ種の変数によって定まるＭ×Ｌ次元空間内の点を１つの正常パターンとして、正常パターンの分散の度合いを算出する。一方、統計的監視指標化処理部３７５は、操業時において定動作設備から得られるＭ種の時系列データのそれぞれからＭ×Ｌ種の変数を取得し、Ｍ×Ｌ種の変数によって定まるＭ×Ｌ次元空間内の点を操業時パターンとし、正常パターンの分散の度合いをもとに操業時パターンの正常パターンの分布からの逸脱度を算出する。判定処理部３７７は、逸脱度をもとに監視対象の異常を判定する。
【選択図】図１

Description

本発明は、プラント設備から得られる時系列データをもとに、プラント設備の異常を検知する異常監視システムおよび異常監視方法に関するものである。

プラント設備の状態監視では、一般に、そのプラント設備から得られる信号データに対して適当な上下限を設定することでプラント設備の異常を検知している。ただし、バルブ等の一部の特定機器を監視対象とする場合は、機器の特性に応じた特徴量を抽出することで状態監視を行っている。

しかしながら、１つの目的を実行するために複数の要素機器（設備）を組み合わせて構成されるプラント、例えば鉄鋼製品の製造プラント等では、前述のような状態監視では不十分の場合がある。例えば、このようなプラントでは、各設備は、多くの場合同じ動作を繰り返し行う。このため、各々の動作パターンから信号データの変化率や最大値、最小値、整定に要する時間といった特徴量をそれぞれ抽出し、抽出した特徴量を管理することで動作パターンを監視する必要がある。また、動作パターンが一定の設備に対しては、特徴量の抽出にかえて、ユーザによる手作業に従って動作パターン自体に上下限を設定することで動作パターンを監視し、異常を判定する場合もある（例えば特許文献１を参照）。

一方で、別の視点からのアプローチとして、多変量解析を利用した状態監視の手法も知られている。例えば、監視対象のプラント設備から収集した複数のプロセス量に対して主成分分析を行い、プロセス量をその主要な変化を表す少数の特徴量に変換するようにしたものが知られている（例えば特許文献２を参照）。

特開平１０−６０２８号公報特開２００１−７５６４２号公報

しかしながら、上記したような監視対象から得られる信号データに対して上下限を設定する手法や、特許文献１のように動作パターンに対して上下限を設定する手法では、プラントが複数の設備で構成されている場合、これら複数の設備のそれぞれに対して個別に上下限の設定を行わなければならず、マンパワーやコストが増大するという問題があった。一方、特許文献２の手法では、時間方向の情報が活かせないため、動作パターンを有する設備の状態監視では、異常検知の精度が低下する場合があった。

本発明は、上記に鑑みてなされたものであって、監視対象の種類等を意識することなく汎用的に適用でき、かつその異常を高精度に検知することができる異常監視システムおよび異常監視方法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、本発明にかかる異常監視システムは、製造プロセスで正常動作時に所定の動作を繰り返し行う定動作設備から得られる時系列データをもとに前記定動作設備の異常を検知する異常監視システムであって、事前に正常動作時の前記定動作設備から得られたＭ種（Ｍ≧１）の所定の動作が行なわれる区間の時系列データのそれぞれからＬ個サンプリングし、Ｍ×Ｌ種の変数として取得し、前記Ｍ×Ｌ種の変数によって定まるＭ×Ｌ次元空間内の点を正常パターンとし、空間内での複数の正常パターンの各変数間の相関係数を算出する正常パターン抽出手段と、前記相関係数の最大値が所定の閾値未満の場合は、前記定動作設備を第１モデルとして各変数の平均と分散とを算出し、前記相関係数の最大値が所定の閾値以上の場合は、前記定動作設備を第２モデルとして各変数に対して主成分分析を行って主成分の変換係数を算出する監視指標作成手段と、操業時において前記定動作設備から得られる前記Ｍ種の所定の動作が行なわれる区間の時系列データのそれぞれから前記Ｍ×Ｌ種の変数を取得し、前記Ｍ×Ｌ種の変数によって定まるＭ×Ｌ次元空間内の点を操業時パターンとする操業時パターン抽出手段と、前記定動作設備が第１モデルの場合に、前記監視指標作成手段が取得した前記正常パターンの平均と分散とをもとに前記操業時パターンのマハラノビス距離を逸脱度として算出し、前記定動作設備が第２モデルの場合に、前記監視指標作成手段が取得した前記正常パターンの主成分の変換係数をもとに前記操業時パターンの主成分からの偏差を逸脱度として算出する操業時逸脱度算出手段と、前記操業時逸脱度算出手段が算出した前記逸脱度をもとに前記定動作設備の異常を判定する判定手段と、を備えることを特徴とする。

また、本発明にかかる異常監視システムは、上記の発明において、前記判定手段は、所定の期間において前記定動作設備が異常と判定された回数をもとに前記定動作設備の補修の要否を判定することを特徴とする。

また、本発明にかかる異常監視システムは、上記の発明において、前記監視指標作成手段は、前記第２モデルの定動作設備について、前記正常パターンの主成分の寄与率を算出して主要な主成分をさらに決定し、前記判定手段は、前記操業時パターンの主成分のうちの前記主要な主成分以外の外れ成分をもとに前記偏差を算出し、該偏差が所定値以上の場合に前記定動作設備を異常と判定することを特徴とする。

また、本発明にかかる異常監視方法は、製造プロセスで正常動作時に所定の動作を繰り返し行う定動作設備から得られる時系列データをもとに前記定動作設備の異常を検知する異常監視方法であって、事前に正常動作時の前記定動作設備から得られたＭ種（Ｍ≧１）の所定の動作が行なわれる区間の時系列データのそれぞれからＬ個サンプリングし、Ｍ×Ｌ種の変数として取得し、前記Ｍ×Ｌ種の変数によって定まるＭ×Ｌ次元空間内の点を正常パターンとし、空間内での複数の正常パターンの各変数間の相関係数を算出する正常パターン抽出工程と、前記相関係数の最大値が所定の閾値未満の場合は、前記定動作設備を第１モデルとして各変数の平均と分散とを算出し、前記相関係数の最大値が所定の閾値以上の場合は、前記定動作設備を第２モデルとして各変数に対して主成分分析を行って主成分の変換係数を算出する監視指標作成工程と、操業時において前記定動作設備から得られる前記Ｍ種の所定の動作が行なわれる区間の時系列データのそれぞれから前記Ｍ×Ｌ種の変数を取得し、前記Ｍ×Ｌ種の変数によって定まるＭ×Ｌ次元空間内の点を操業時パターンとする操業時パターン抽出工程と、前記定動作設備が第１モデルの場合に、前記監視指標作成工程で取得した前記正常パターンの平均と分散とをもとに前記操業時パターンのマハラノビス距離を逸脱度として算出し、前記定動作設備が第２モデルの場合に、前記監視指標作成工程で取得した前記正常パターンの主成分の変換係数をもとに前記操業時パターンの主成分からの偏差を逸脱度として算出する操業時逸脱度算出工程と、前記操業時逸脱度算出工程で算出した前記逸脱度をもとに前記定動作設備の異常を判定する判定工程と、を含むことを特徴とする。

本発明では、事前に正常動作時の監視対象から得られた１種類以上のＭ種の所定の動作を行なう区間の時系列データのそれぞれからＬ個ずつサンプリングしてＭ×Ｌ種の変数として取得することとした。そして、このＭ×Ｌ種の変数によって定まるＭ×Ｌ次元空間内の点を１つの正常パターンとし、複数の正常パターンの分散の度合いを算出することとした。また、操業時において監視対象から得られるＭ種の時系列データのそれぞれからＬ個ずつサンプリングしてＭ×Ｌ種の変数を取得し、このＭ×Ｌ種の変数によって定まるＭ×Ｌ次元空間内の点を操業時パターンとして正常パターンの分散の度合いをもとに正常パターンからの逸脱度を算出することとした。そして、算出した操業時パターンの逸脱度をもとに監視対象の異常を判定することとした。これによれば、監視対象の種類を意識することなく汎用的に適用できる異常監視システムおよび異常監視方法を提供することができる。加えて、時系列データのパターンを考慮した高精度な異常検知が実現できる。

図１は、本実施の形態の異常監視システムの全体構成の一例を示すブロック図である。図２は、対象設備から得られる２つの時系列データの典型的な変化曲線を示す図である。図３は、１つの時系列データのパターンのＬ次元空間における分布例を示す図である。図４は、２つの時系列データのパターンを結合した対象設備の動作パターンの２Ｌ次元空間における分布例を示す図である。図５は、監視指標作成処理の処理手順を示すフローチャートである。図６は、異常監視処理の処理手順を示すフローチャートである。図７は、実施の形態の適用例を説明する図である。図８は、実施の形態の適用例を説明する他の図である。図９は、実施の形態の適用例を説明する他の図である。図１０は、実施の形態の適用例を説明する他の図である。図１１は、実施の形態の適用例を説明する他の図である。図１２は、実施の形態の適用例を説明する他の図である。

以下、図面を参照して、本発明の異常監視システムおよび異常監視方法を実施するための形態について説明する。なお、この実施の形態によって本発明が限定されるものではない。また、図面の記載において、同一部分には同一の符号を付して示している。

（実施の形態）
図１は、本実施の形態の異常監視システム１の全体構成の一例を示すブロック図である。本実施の形態の異常監視システム１は、製造プロセスにおいて決まった一定の動作を繰り返す設備を監視対象とし、この監視対象の設備（以下、「対象設備」と呼ぶ。）の状態監視を行って異常を検知するものである。この異常監視システム１は、図１に示すように、オフライン指標作成システム２と、オンライン診断システム３と、操業ＤＢ４と、監視指標ＤＢ５とを含み、互いにデータの送受が可能に接続されて構成されている。なお、操業ＤＢ４および監視指標ＤＢ５は、オフライン指標作成システム２またはオンライン診断システム３が備える記憶部２３，３３に保存された構成としてもよい。

オフライン指標作成システム２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を用いて実現され、入力部２１と、表示部２２と、記憶部２３と、各部を制御する制御部２５とを含む。

入力部２１は、例えばキーボードやマウス、タッチパネル、各種スイッチ等の各種入力装置によって実現されるものであり、操作入力に応じた入力信号を制御部２５に出力する。表示部２２は、ＬＣＤやＥＬディスプレイ、ＣＲＴディスプレイ等の表示装置によって実現されるものであり、制御部２５から入力される表示信号をもとに各種画面を表示する。

記憶部２３は、更新記憶可能なフラッシュメモリ等のＲＯＭやＲＡＭといった各種ＩＣメモリ、内蔵あるいはデータ通信端子で接続されたハードディスク、ＣＤ−ＲＯＭ等の情報記憶媒体およびその読取装置等によって実現されるものである。この記憶部２３には、オフライン指標作成システム２を動作させ、このオフライン指標作成システム２が備える種々の機能を実現するためのプログラムや、このプログラムの実行中に使用されるデータ等が予め保存され、あるいは処理の都度一時的に保存される。

制御部２５は、ＣＰＵ等で実現され、入力部２１から入力される入力信号、記憶部２３に保存されるプログラムやデータ等をもとに、オフライン指標作成システム２を構成する各部への指示やデータの転送等を行ってオフライン指標作成システム２の動作を制御する。この制御部２５は、監視指標作成処理部２７を含む。

監視指標作成処理部２７は、オンライン診断システム３が行う対象設備の状態監視に用いられる監視指標を作成する処理（監視指標作成処理）を行う機能部であり、過去の操業時に対象設備から得られた時系列データを用いて対象設備の正常な動作状態を指標化する。この監視指標作成処理部２７は、部分時系列切出処理部２７１と、正規化処理部２７３と、正常パターン抽出手段および監視指標作成手段としての統計的監視指標化処理部２７５とを含む。

オンライン診断システム３は、オフライン指標作成システム２と同様に、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を用いて実現され、入力部３１と、表示部３２と、記憶部３３と、各部を制御する制御部３５とを含む。

入力部３１は、例えばキーボードやマウス、タッチパネル、各種スイッチ等の各種入力装置によって実現されるものであり、操作入力に応じた入力信号を制御部３５に出力する。表示部３２は、ＬＣＤやＥＬディスプレイ、ＣＲＴディスプレイ等の表示装置によって実現されるものであり、制御部３５から入力される表示信号をもとに各種画面を表示する。

記憶部３３は、更新記憶可能なフラッシュメモリ等のＲＯＭやＲＡＭといった各種ＩＣメモリ、内蔵あるいはデータ通信端子で接続されたハードディスク、ＣＤ−ＲＯＭ等の情報記憶媒体およびその読取装置等によって実現されるものである。この記憶部３３には、オンライン診断システム３を動作させ、このオンライン診断システム３が備える種々の機能を実現するためのプログラムや、このプログラムの実行中に使用されるデータ等が予め保存され、あるいは処理の都度一時的に保存される。

制御部３５は、ＣＰＵ等で実現され、入力部３１から入力される入力信号、記憶部３３に保存されるプログラムやデータ等をもとに、オンライン診断システム３を構成する各部への指示やデータの転送等を行ってオンライン診断システム３の動作を制御する。この制御部３５は、異常監視処理部３７を含む。

異常監視処理部３７は、対象設備の状態をオンライン（リアルタイム）で監視し、対象設備の異常を検知する処理（異常監視処理）を行う機能部であり、対象設備から得られる時系列データを用いて対象設備の状態監視を行って異常を検知する。この異常監視処理部３７は、部分時系列切出処理部３７１と、正規化処理部３７３と、操業時パターン抽出手段および操業時逸脱度算出手段としての統計的監視指標化処理部３７５と、判定手段としての判定処理部３７７とを含む。

操業ＤＢ４には、過去の操業時に対象設備から取得した時系列データが保存される。また、監視指標ＤＢ５には、オフライン指標作成システム２において監視指標作成処理部２７が対象設備の正常な動作状態を指標化した監視指標が保存される。

次に、異常監視システム１が行う状態監視の原理について説明する。図２は、対象設備から得られる２つの時系列データによって定まる２つの変数（以下、「変数Ａ」および「変数Ｂ」と表記する。）を説明する図である。本実施の形態では、鉄鋼製品の製造プラントにおける設備、具体的には、その製造過程での処理を施すために鉄鋼製品を所定の搬送位置まで搬送して位置決めするための設備を対象設備とする。この対象設備は、搬送対象の鉄鋼製品をその種類等に応じた搬送位置に順次搬送する動作を繰り返し行うものであり、図２（ａ）は、繰り返される対象設備の１回の動作で得られる一方の時系列データ（変数Ａを定める時系列データ）の典型的な変化曲線を示し、図２（ｂ）は、同じ１回の対象設備の動作で得られる他方の時系列データ（変数Ｂを定める時系列データ）の典型的な変化曲線を示している。より具体的には、図２（ａ）の時系列データは、例えば対象設備によって搬送される鉄鋼製品の位置（以下、「製品位置」と呼ぶ。）の時系列データであり、事前に設定される設定値を一点鎖線で示し、実測値を実線で示している。一方、図２（ｂ）の時系列データは、鉄鋼製品を搬送する駆動モータの速度（以下、「モータ速度」と呼ぶ。）の時系列データであり、事前に設定される設定値を一点鎖線で示し、実測値を実線で示している。

上記したように、対象設備は、決まった動作、すなわち、鉄鋼製品を所定の搬送位置まで搬送する動作を繰り返し行うものであり、この対象設備から得られる製品位置およびモータ速度の各時系列データの変化曲線は、繰り返される対象設備の動作単位毎に、図２（ａ），（ｂ）にそれぞれ示すような規則性（パターン）を示す。すなわち、製品位置の変化曲線は、対象設備の動作単位毎に図２（ａ）のパターンを示し、モータ速度の時系列データの変化曲線は、対象設備の動作単位毎に図２（ｂ）のパターンを示す。本実施の形態では、この動作単位の製品位置の時系列データをＬ個のサンプリング時間（１，２，・・・，Ｌ）でサンプリングし、サンプリングデータ（サンプリングしたＬ個の時系列データ）Ｄ₁₁，Ｄ₁₂，・・・Ｄ_1Lを製品位置のパターンを表す変数（変数Ａ）として取得する。同様に、動作単位のモータ速度の時系列データを変数Ａと同じＬ個のサンプリング時間（１，２，・・・，Ｌ）でサンプリングし、サンプリングデータ（サンプリングしたＬ個の時系列データ）Ｄ₂₁，Ｄ₂₂，・・・Ｄ_2Lをモータ速度のパターンを表す変数（変数Ｂ）として取得する。なお、サンプリング数Ｌは、予め設定される固定値としてもよいし、ユーザ操作に従って可変に設定することとしてもよく、適宜設定してよいが、サンプリング数Ｌが多いほど対応するパターンの特徴を表した変数を取得できる。

このように製品位置の時系列データをＬ個サンプリングすることで取得した変数ＡをＬ次元空間にプロットすれば、変数Ａによって表される製品位置のパターンをＬ次元空間内の１点によって表すことができる。図３は、Ｌ次元空間における製品位置のパターンの分布例を示す図である。対象設備の動作が正常であれば、得られる製品位置のパターンは同じような軌跡を描く。したがって、Ｌ次元空間内に正常な製品位置のパターンを表す点Ｐ３１を複数プロットすると、各点Ｐ３１は、図３中に一点鎖線で囲って示すようにＬ次元空間内で球状に分布する。これに対し、対象設備の動作が異常である場合、製品位置のパターンを表す点Ｐ３３は、球状の分布から外れる。なお、図示しないが、モータ速度のパターンも同様に、対象設備の動作が正常であれば同じような軌跡を描く。そして、このモータ速度のパターンをＬ次元空間内の点として表すと、正常動作時に得られたものは球状に分布し、異常動作時に得られたものはこの球状の分布から外れる。

ここで、製品位置のパターンと、モータ速度のパターンとを時間軸方向に結合したものを対象設備の１回の動作パターンと定義する。この場合、製品位置の時系列データをＬ個サンプリングすることで取得した変数Ａと、モータ速度の時系列データをＬ個サンプリングすることで取得した変数Ｂとを２Ｌ個の変数として２Ｌ次元空間にプロットすれば、動作パターンを２Ｌ次元空間内の１点によって表すことができる。図４は、２Ｌ次元空間における動作パターンの分布例を示す図である。

上記したように、動作パターンは、製品位置およびモータ速度の各パターンを結合したものであるため、これら製品位置およびモータ速度の各パターンと同様に、対象設備の動作が正常であれば同じような軌跡を描く。ところで、製品位置の変化は、モータ速度の変化に起因するものであるため、製品位置の時系列データをＬ個サンプリングして得た変数Ａと、モータ速度の時系列データをＬ個サンプリングして得た変数Ｂとは相関する。したがって、正常な動作パターン（正常パターン）を表す点Ｐ４１を複数プロットすると、各点Ｐ４１は、図４中に一点鎖線で囲って示すように、変数Ａ，Ｂとして取得したサンプリングデータは楕円状に分布する。これに対し、対象設備において例えばハンチングや応答遅れ等の異常が発生している場合の異常な動作パターン（異常パターン）を表す２Ｌ次元空間内の点Ｐ４３は、楕円状の分布から逸脱する。特に、複数の正常パターンの相関が強い場合には、主成分（楕円の長軸）が顕著にあらわれる。このとき、異常パターンでは正常パターンの主成分（楕円の長軸）に直交する外れ成分が増加することで、楕円状の分布から逸脱する。

本実施の形態では、このように２Ｌ次元空間内でのプロット位置が楕円状に分布する複数の正常パターンに対して事前に分散の度合いを算出して対象設備の正常な動作状態を指標化しておく。そして、正常パターンの分布（分散の度合い）からの逸脱度をもとに対象設備の状態を監視し、対象設備の異常を検知する。

なお、正常パターンの分散の度合いを指標化する方法として、各正常パターンの相関の度合いによって、相関が強い場合には、主成分分析を適用し、相関が弱い場合には、平均と分散を算出することとする。例えば、正常パターンの各変数間の相関係数の最大値が所定の閾値以上の場合には、この対象設備を第２モデルとして、主成分分析を行って、主要な主成分（楕円の長軸）を決定することで、対象設備の正常な動作状態を指標化しておく。そして、逸脱度として主要な主成分に直交する外れ成分をもとに、対象設備の異常を検知する。

また、正常パターンの各変数間の相関係数の最大値が所定の閾値未満の場合には、この対象設備を第１モデルとして、各変数の平均（重心）と分散とを算出して、対象設備の正常な動作状態を指標化しておく。そして、逸脱度として周知のマハラノビス距離（重心からの距離をその方向の楕円の幅で割ったもの）をもとに、対象設備の異常を検知する。

また、ここでは、対象設備の製品位置およびモータ速度の２種の時系列データから対応する２種の変数Ａ，Ｂを取得して対象設備の正常な動作状態を指標化する場合を例示した。これに対し、３種類以上のＭ種の時系列データからサンプリングデータ数Ｌに応じたＭ×Ｌ種の変数を取得する場合も同様に、その正常パターンをＭ×Ｌ種の各変数のＭ×Ｌ次元空間内の１点として表すことで、対象設備の正常な動作状態を指標化する。そして、同様に、正常パターンの分布からの逸脱度をもとに対象設備の状態を監視し、対象設備の異常を検知する。

次に、異常監視システム１が行う具体的な処理手順について説明する。図５は、オフライン指標作成システム２が行う監視指標作成処理の処理手順を示すフローチャートである。また、図６は、オンライン診断システム３が行う異常監視処理の処理手順を示すフローチャートである。異常監視システム１は、オフライン指標作成システム２が図５の処理手順に従って監視指標作成処理を行い、オンライン診断システム３が図６の処理手順に従って異常監視処理を行うことで異常監視方法を実施する。なお、ここで説明する処理は、監視指標作成処理を実現するためのプログラムをオフライン指標作成システム２の記憶部２３に保存しておき、オフライン指標作成システム２がこのプログラムを読み出して実行するとともに、異常監視処理を実現するためのプログラムをオンライン診断システム３の記憶部３３に保存しておき、オンライン診断システム３がこのプログラムを読み出して実行することで実現できる。

オフライン指標作成システム２が行う監視指標作成処理では、図５に示すように、先ず、制御部２５において、監視指標作成処理部２７の部分時系列切出処理部２７１が、操業ＤＢ４を参照し、過去の操業時に対象設備から得られた２種類以上のＭ種の時系列データ（本実施の形態では、製品位置およびモータ速度の２種の時系列データ）のそれぞれについて、正常操業時（対象設備の正常動作時）に得られた時系列データを読み出す（ステップＳ１０１）。そして、部分時系列切出処理部２７１は、ステップＳ１０１で読み出した正常操業時におけるＭ種の時系列データのそれぞれを、対象設備の動作単位で複数切り出す（ステップＳ１０３）。例えば、繰り返される対象設備の１回の動作に要する時間長を予め設定しておく。そして、ステップＳ１０３では、部分時系列切出処理部２７１は、対象設備の動作開始位置を基準として前述の時間長の時系列データをＭ種の時系列データのそれぞれから複数切り出す。

続いて、正規化処理部２７３が、ステップＳ１０３で複数切り出したＭ種の時系列データに対し、前処理として正規化処理を行う（ステップＳ１０５）。対象設備は、上記したように、搬送対象の鉄鋼製品をその種類等に応じた搬送位置まで順次搬送する動作を繰り返し行うものである。ステップＳ１０５の正規化処理は、ステップＳ１０７以降の後段の処理を搬送位置に起因するＭ種の時系列データの大小に影響されることなく行うためのものである。

続いて、統計的監視指標化処理部２７５が、正常パターン抽出工程として、ステップＳ１０５での正規化処理後のＭ種（本実施の形態では変数Ａおよび変数Ｂの２種）の時系列データをそれぞれＬ個サンプリングし、対応するＭ×Ｌ種の変数を取得する（ステップＳ１０７）。そして、統計的監視指標化処理部２７５は、複数の正常パターンを抽出し、各変数間の相関係数を算出する（ステップＳ１０８）。この相関係数の最大値が所定の閾値以上の場合に、統計的監視指標化処理部２７５は、この対象設備を第２モデルと判定し、監視指標作成処理はステップＳ１０９の処理に移行する。一方、相関係数の最大値が所定の閾値未満の場合には、統計的監視指標化処理部２７５は、対象設備を第１モデルと判定し、監視指標作成処理はステップＳ１１０の処理に移行する。

ステップＳ１０９の処理では、統計的監視指標化処理部２７５は、監視指標作成工程として、ステップＳ１０７で取得したＭ×Ｌ種の変数をＭ×Ｌ次元空間（本実施の形態では２Ｌ次元空間）内の点として表した複数の正常パターンの主成分分析を行う（ステップＳ１０９）。

例えば、本実施の形態では、図４に示した２Ｌ次元空間において楕円状に分布する各点Ｐ４１によって表される複数の正常パターンについて公知の主成分分析を行う。この主成分分析では、各正常パターンの変数Ａおよび変数Ｂとしたサンプリングデータを用い、主成分毎の固有ベクトルを求めて各主成分の変換係数を取得し、主成分の式を取得する。次いで、累積寄与率が予め設定される閾値（例えば０．８）以上となる主要な主成分である上位の主成分の成分数ｋを決定する。なお、成分数ｋを決定する閾値は、固定値としてもよいし、ユーザ操作に従って可変に設定することとしてもよく、適宜設定してよい。ここで決定した上位ｋ個の主成分（第１主成分〜第ｋ主成分）によって、正常パターンを特徴付ける主要な特性が決定される。一方、第ｋ＋１主成分より下位の主成分である外れ成分（残差）は、正常パターンの特性を決定する際の寄与度が低い。

以上のようにして主成分分析を行い、正常パターンの主成分の変換係数によって表される主成分の式および上位の主成分の成分数ｋを取得したならば、統計的監視指標化処理部２７５は、取得した主成分の式および成分数ｋを第２モデルの対象設備の正常な動作状態を指標化した監視指標として監視指標ＤＢ５の第２モデル監視指標ファイル５２に保存する（ステップＳ１１１）。

一方、ステップＳ１１０の処理では、統計的監視指標化処理部２７５は、監視指標作成工程として、ステップＳ１０７で取得したＭ×Ｌ種の変数をＭ×Ｌ次元空間（本実施の形態では２Ｌ次元空間）内の点として表した複数の正常パターンの各変数の平均（重心）と、分散（偏差の平均）とを算出する。

そして統計的監視指標化処理部２７５は、算出された平均値と分散値とを第１モデルの対象設備の正常な動作状態を指標化した監視指標として監視指標ＤＢ５の第１モデル監視指標ファイル５１に保存する（ステップＳ１１２）。

また、オンライン診断システム３が行う異常監視処理では、図６に示すように、先ず、制御部３５の異常監視処理部３７において、部分時系列切出処理部３７１が、操業中の対象設備から得られたＭ種の時系列データ（本実施の形態では、製品位置およびモータ速度の２種の時系列データ）を入力し（ステップＳ２０１）、入力したＭ種の時系列データのそれぞれを、対象設備の動作単位で切り出す（ステップＳ２０３）。ここでの処理は、図５のステップＳ１０１と同様に、繰り返される対象設備の１回の動作に要する時間長を予め設定しておき、Ｍ種の時系列データのそれぞれから前述の時間長の時系列データを切り出すことで行う。切り出したＭ種の時系列データは、記憶部３３に一時保存する。その後、正規化処理部３７３が、一時保存したＭ種の時系列データに対し、前処理として正規化処理を行う（ステップＳ２０５）。

続いて、対象設備が第２モデルの場合（ステップＳ２０６，Ｙｅｓ）、異常監視処理はステップＳ２０７の処理に移行する。一方、対象設備が第１モデルの場合（ステップＳ２０６，Ｎｏ）、異常監視処理はステップＳ２０８の処理に移行する。

ステップＳ２０７の処理では、統計的監視指標化処理部３７５が、監視指標ＤＢ５の第２モデル監視指標ファイル５２を参照し、対象設備の監視指標、すなわち、正常パターンの主成分の変換係数によって表される主成分の式および上位の主成分の成分数ｋを読み出す（ステップＳ２０７）。続いて、統計的監視指標化処理部３７５は、操業時パターン抽出工程として、ステップＳ２０５での正規化処理後のＭ種（本実施の形態では変数Ａおよび変数Ｂの２種）の時系列データをそれぞれＬ個ずつサンプリングし、対応するＭ×Ｌ種の変数を取得する（ステップＳ２０９）。そして、統計的監視指標化処理部３７５は、操業時逸脱度算出工程として、ステップＳ２０９で取得したＭ×Ｌ種の変数をＭ×Ｌ次元空間（本実施の形態では２Ｌ次元空間）内の点として表した操業時パターン（操業中の対象設備の動作パターン）にステップＳ２０７で読み出した主成分の式を適用することで、操業時パターン、すなわちステップＳ２０９でＭ×Ｌ種の変数として取得したサンプリングデータのｋ個の主成分およびこのｋ個の主成分より下位の主成分である外れ成分を算出する（ステップＳ２１１）。

その後、判定処理部３７７が、判定工程として、外れ成分のＱ統計量を算出して主成分からの偏差とし、この逸脱度としての偏差をもとに対象設備の異常を判定する（ステップＳ２１３）。例えば、判定処理部３７７は、予め設定される閾値を用いて逸脱度を閾値処理することで逸脱度の大小を判定する。そして、判定処理部３７７は、逸脱度が大きい場合に、対象設備の動作状態を異常と判定する。判定処理部３７７は、ここで異常と判定した回数をカウントし、所定の期間でのカウント回数を所定の閾値で閾値処理することで、対象設備の補修の要否を判定する（ステップＳ２１５）。

一方、ステップＳ２０８の処理では、統計的監視指標化処理部３７５が、監視指標ＤＢ５の第１モデル監視指標ファイル５１を参照し、対象設備の監視指標、すなわち、正常パターンの平均および分散の値を読み出す。続いて、統計的監視指標化処理部３７５は、操業時パターン抽出工程として、ステップＳ２０５での正規化処理後のＭ種（本実施の形態では変数Ａおよび変数Ｂの２種）の時系列データをそれぞれＬ個ずつサンプリングし、対応するＭ×Ｌ種の変数を取得する（ステップＳ２１０）。そして、統計的監視指標化処理部３７５は、操業時逸脱度算出工程として、ステップＳ２１０で取得したＭ×Ｌ種の変数をＭ×Ｌ次元空間（本実施の形態では２Ｌ次元空間）内の点として表した操業時パターン（操業中の対象設備の動作パターン）について、ステップＳ２０８で読み出した平均（重心）および分散の値に基づいてマハラノビス距離を算出する（ステップＳ２１２）。

その後、判定処理部３７７が、判定工程として、算出されたマハラノビス距離を逸脱度として、この逸脱度をもとに対象設備の異常を判定する（ステップＳ２１３）。例えば、上述したように、判定処理部３７７は、予め設定される閾値を用いて逸脱度を閾値処理することで逸脱度の大小を判定する。そして、判定処理部３７７は、逸脱度が大きい場合に、対象設備の動作状態を異常と判定する。判定処理部３７７は、ここで異常と判定した回数をカウントし、所定の期間でのカウント回数を所定の閾値で閾値処理することで、対象設備の補修の要否を判定する（ステップＳ２１５）。

以上説明したように、本実施の形態では、対象設備から得られる１種類以上のＭ種の所定の動作を行う区間の時系列データのそれぞれからサンプリングしたＬ個のサンプリングデータをＭ×Ｌ種の変数として取得することとした。そして、取得したＭ×Ｌ種の変数によって定まるＭ×Ｌ次元空間内の点を対象設備の正常パターンとし、複数の正常パターンの分散の度合いを算出して監視指標として用いて操業時における対象設備の操業時パターンの正常パターンの分布からの逸脱度を算出し、対象設備の異常を判定することとした。

例えば、正常パターンの相関が強い場合には、正常パターンの主成分分析を行って、正常パターンの主成分の変換係数によって表される主成分の式および上位の主成分の成分数ｋを取得することとした。また、取得した主成分の式および上位の主成分の成分数ｋを監視指標として用いて操業時における対象設備の操業時パターンの主成分および外れ成分を算出し、外れ成分のＱ統計量を逸脱度として用いて対象設備の異常を判定することとした。また、正常パターンの相関が弱い場合には、正常パターンの平均（重心）と分散とを算出することとした。また、算出した平均と分散の値を監視指標として用いて操業時における対象設備の操業時パターンの各点についてマハラノビス距離を算出し、マハラノビス距離を逸脱度として用いて対象設備の異常を判定することとした。

本実施の形態によれば、対象設備の例えば種類や特性を意識することのない汎用的な対象設備の状態監視が可能となる。すなわち、本実施の形態の状態監視は、例示した設備に限らず、決まった動作を繰り返す設備であって、得られる１種類以上のＭ種の時系列データがその動作単位で規則性を示す設備であれば、その設備の種類等に関わらず汎用的に適用が可能である。したがって、例えば、対象設備の種類や特性等に応じてパラメータを変更したり、操業条件等に応じてパラメータを再設定する必要がない。このため、例えば鉄鋼製品の製造プラントのように、プラント設備の数が多い大規模なプラントにおける状態監視の単純化が図れ、状態監視に要するマンパワーやコストの低減が実現できる。また、Ｍ種の時系列データをＬ個ずつサンプリングすることで取得したＭ×Ｌ種の変数を対象設備の動作パターンとし、その正常パターンの分散の度合いを監視指標として用いて操業時パターンの逸脱度を判定することができるので、対象設備の動作パターン（例えば製品位置およびモータ速度のパターン）の特徴を考慮した高精度な異常検知を実現することができる。

なお、本実施の形態では、鉄鋼製品の製造プラントのプラント設備を監視対象として異常を検知する場合について説明したが、鉄鋼製品の製造プラントに限らず、各種製品の製造プラント設備等の所望の監視対象から得られる時系列データをもとに、その異常を検知する場合に同様に適用できる。

（実施例）
図５および図６に示した処理手順に従い、過去の操業時等において事前に得られる第２モデルの対象設備の正常パターンに対して主成分分析を行うことで正常パターンの主成分の変換係数によって表される主成分の式および上位の主成分の成分数ｋを得た。そして、操業時の対象設備から得られた１２回分の製品位置およびモータ速度の時系列データをもとにその操業時パターンの主成分を算出することで、第２モデルの対象設備の状態監視を行った。図７〜図１２は、上記した実施の形態の適用例を説明する図である。

ここで、図７（ａ）は、１２回の各動作の製品位置パターン（変数Ａのパターン）を重ねて示した図であり、図７（ｂ）は、１２回の各動作のモータ速度のパターン（変数Ｂのパターン）を重ねて示した図である。そして、図８は、１２回の各動作の製品位置およびモータ速度のパターンのうち、対象設備の異常動作時における製品位置のパターン（ａ）、およびモータ速度のパターン（ｂ）のみを取り出して示した図である。また、図９（ａ），（ｂ），・・・は、１２回の各動作の製品位置およびモータ速度のパターンを時間軸方向に結合した操業時パターンのうち、対象設備の正常動作時における操業時パターン（正常パターン（１），（２），・・・）を示す図である。そして、図１０は、１２回の各動作のうちの異常動作時における操業時パターン（異常パターン）、具体的には、図８（ａ），（ｂ）に示す製品位置およびモータ速度のパターンを時間軸方向に結合した操業時パターンを示す図である。図８および図１０では、変数Ａを取得する製品位置のパターンの図８および図１０（ａ）中に一点鎖線で囲った部分が、対象設備でハンチングが発生したことに起因して波打った軌跡となっている。

そして、図１１は、１２回の各動作の操業時パターンに対し、正常パターンの主成分の変換係数によって表される主成分の式を適用することで行った主成分の算出結果を示す図であり、例えば、サンプリングデータ数Ｌ＝２６とし、成分数ｋ＝５として算出した５２個の主成分のうちの上位５個の主成分を１２回の動作毎に定量化して示している。一方、図１２は、上位５個の主成分以外の外れ成分の偏差として算出したＱ統計量を示す図である。ここで、１２回の動作のうち、１０回目の動作が図８および図１０に示した異常操業時に相当しており、図１２中に一点鎖線で囲って示すように、１０回目のＱ統計量（逸脱度）は、他のＱ統計量と比較して十分に大きい。したがって、このＱ統計量の値から、この１０回目の動作を異常と判定することができる。

以上のように、本発明の異常監視システムおよび異常監視方法は、監視対象の種類等を意識することなく汎用的に適用し、かつその異常を高精度に検知するのに適している。

１異常監視システム
２オフライン指標作成システム
２１入力部
２２表示部
２３記憶部
２５制御部
２７監視指標作成処理部
２７１部分時系列切出処理部
２７３正規化処理部
２７５統計的監視指標化処理部
３オンライン診断システム
３１入力部
３２表示部
３３記憶部
３５制御部
３７異常監視処理部
３７１部分時系列切出処理部
３７３正規化処理部
３７５統計的監視指標化処理部
３７７判定処理部
４操業ＤＢ
５監視指標ＤＢ
５１第１モデル監視指標ファイル
５２第２モデル監視指標ファイル

Claims

製造プロセスで正常動作時に所定の動作を繰り返し行う定動作設備から得られる時系列データをもとに前記定動作設備の異常を検知する異常監視システムであって、
事前に正常動作時の前記定動作設備から得られたＭ種（Ｍ≧１）の所定の動作が行なわれる区間の時系列データのそれぞれからＬ個サンプリングし、Ｍ×Ｌ種の変数として取得し、前記Ｍ×Ｌ種の変数によって定まるＭ×Ｌ次元空間内の点を正常パターンとし、空間内での複数の正常パターンの各変数間の相関係数を算出する正常パターン抽出手段と、
前記相関係数の最大値が所定の閾値未満の場合は、前記定動作設備を第１モデルとして各変数の平均と分散とを算出し、前記相関係数の最大値が所定の閾値以上の場合は、前記定動作設備を第２モデルとして各変数に対して主成分分析を行って主成分の変換係数を算出する監視指標作成手段と、
操業時において前記定動作設備から得られる前記Ｍ種の所定の動作が行なわれる区間の時系列データのそれぞれから前記Ｍ×Ｌ種の変数を取得し、前記Ｍ×Ｌ種の変数によって定まるＭ×Ｌ次元空間内の点を操業時パターンとする操業時パターン抽出手段と、
前記定動作設備が第１モデルの場合に、前記監視指標作成手段が取得した前記正常パターンの平均と分散とをもとに前記操業時パターンのマハラノビス距離を逸脱度として算出し、前記定動作設備が第２モデルの場合に、前記監視指標作成手段が取得した前記正常パターンの主成分の変換係数をもとに前記操業時パターンの主成分からの偏差を逸脱度として算出する操業時逸脱度算出手段と、
前記操業時逸脱度算出手段が算出した前記逸脱度をもとに前記定動作設備の異常を判定する判定手段と、
を備えることを特徴とする異常監視システム。
前記判定手段は、所定の期間において前記定動作設備が異常と判定された回数をもとに前記定動作設備の補修の要否を判定することを特徴とする請求項１に記載の異常監視システム。
前記監視指標作成手段は、前記第２モデルの定動作設備について、前記正常パターンの主成分の寄与率を算出して主要な主成分をさらに決定し、
前記判定手段は、前記操業時パターンの主成分のうちの前記主要な主成分以外の外れ成分をもとに前記偏差を算出し、該偏差が所定値以上の場合に前記定動作設備を異常と判定することを特徴とする請求項１または２に記載の異常監視システム。
製造プロセスで正常動作時に所定の動作を繰り返し行う定動作設備から得られる時系列データをもとに前記定動作設備の異常を検知する異常監視方法であって、
事前に正常動作時の前記定動作設備から得られたＭ種（Ｍ≧１）の所定の動作が行なわれる区間の時系列データのそれぞれからＬ個サンプリングし、Ｍ×Ｌ種の変数として取得し、前記Ｍ×Ｌ種の変数によって定まるＭ×Ｌ次元空間内の点を正常パターンとし、空間内での複数の正常パターンの各変数間の相関係数を算出する正常パターン抽出工程と、
前記相関係数の最大値が所定の閾値未満の場合は、前記定動作設備を第１モデルとして各変数の平均と分散とを算出し、前記相関係数の最大値が所定の閾値以上の場合は、前記定動作設備を第２モデルとして各変数に対して主成分分析を行って主成分の変換係数を算出する監視指標作成工程と、
操業時において前記定動作設備から得られる前記Ｍ種の所定の動作が行なわれる区間の時系列データのそれぞれから前記Ｍ×Ｌ種の変数を取得し、前記Ｍ×Ｌ種の変数によって定まるＭ×Ｌ次元空間内の点を操業時パターンとする操業時パターン抽出工程と、
前記定動作設備が第１モデルの場合に、前記監視指標作成工程で取得した前記正常パターンの平均と分散とをもとに前記操業時パターンのマハラノビス距離を逸脱度として算出し、前記定動作設備が第２モデルの場合に、前記監視指標作成工程で取得した前記正常パターンの主成分の変換係数をもとに前記操業時パターンの主成分からの偏差を逸脱度として算出する操業時逸脱度算出工程と、
前記操業時逸脱度算出工程で算出した前記逸脱度をもとに前記定動作設備の異常を判定する判定工程と、
を含むことを特徴とする異常監視方法。