JP2016045846A - 動態監視装置及び動態監視方法 - Google Patents
動態監視装置及び動態監視方法 Download PDFInfo
- Publication number
- JP2016045846A JP2016045846A JP2014171350A JP2014171350A JP2016045846A JP 2016045846 A JP2016045846 A JP 2016045846A JP 2014171350 A JP2014171350 A JP 2014171350A JP 2014171350 A JP2014171350 A JP 2014171350A JP 2016045846 A JP2016045846 A JP 2016045846A
- Authority
- JP
- Japan
- Prior art keywords
- sensors
- series data
- sensor
- time
- scatter
- 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.)
- Granted
Links
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
【課題】機械設備の動態に関するきめ細かな情報をユーザに提示する動態監視装置等を提供する。【解決手段】動態監視装置１は、センサの検出値を含む時系列データを取得する時系列データ取得手段と、特徴ベクトルの正常範囲を示す正常モデルを学習するデータマイニング学習部１６１と、正常モデルに基づいて、特徴ベクトルの異常度合いを示す異常測度を算出する異常測度算出部１６２ｃと、複数のセンサのうち、二つのセンサの組合せからなる複数の散布図を行列形式で配置して表示する表示制御手段と、を備え、表示制御手段は、それぞれの散布図において二つのセンサの検出値に対応する位置に、異常測度の大きさに対応する印を表示することで複数の散布図を作成する。【選択図】図４
Description
本発明は、機械設備の動態を監視する動態監視装置等に関する。
ガスエンジン、化学プラント、発電設備等の機械設備は、安定して正常に稼働することが求められる。このような機械設備の異常が発生する前に、機械設備に設置されたセンサの検出値等に基づいて、異常の予兆を検知する技術が知られている。
例えば、特許文献１には、機械設備の保守作業が行われた後のセンサデータを学習対象データとして取得する学習対象データ取得処理と、前記した学習対象データの正常範囲を示す正常モデルを学習する学習処理と、この正常モデルに基づいて機械設備の異常予兆の有無を診断する診断処理と、を行う異常予兆診断装置について記載されている。
また、非特許文献１には、平常時にシステムの性能情報間に存在する不変関係（インバリアント）を学習してモデル化し、この不変関係の崩れを監視することで障害を検知する自動分析の技術について記載されている。
"WebSAM Invariant Analyzer カタログ"、［online］、平成２６年５月、日本電気株式会社、［平成２６年７月７日検索］、インターネット〈URL：http://jpn.nec.com/websam/invariantanalyzer/download/catalog/Invariant_Analyzer.pdf〉
しかしながら、特許文献１に記載の技術では、前記した診断処理を行うことで機械設備の異常予兆を検知できるものの、機械設備のどこで異常が発生したかを特定することが困難である。
なお、特許文献１には、センサデータが機械設備の異常度にどれだけ寄与しているかを表す寄与度を算出することが記載されている。しかしながら、例えば、特定のセンサが故障し、その検出値が非常に大きな値（又は、小さな値）になった場合、前記した寄与度では機械設備に異常が発生したのか、センサ自体が故障したのかを判別できないという問題がある。
なお、特許文献１には、センサデータが機械設備の異常度にどれだけ寄与しているかを表す寄与度を算出することが記載されている。しかしながら、例えば、特定のセンサが故障し、その検出値が非常に大きな値（又は、小さな値）になった場合、前記した寄与度では機械設備に異常が発生したのか、センサ自体が故障したのかを判別できないという問題がある。
また、非特許文献１に記載の技術では、システムを構成する多数の要素に関して、不変関係を有する要素を予め特定し、さらに不変関係を関数の形で表現する処理が必要になる。そうすると、システムの要素数が膨大である場合、不変関係の候補となる要素対の個数も多くなり、前記した処理を行うためのシステム構築に多大な負担を要するという問題がある。
さらに、非特許文献１に記載の技術では、特許文献１と同様に、機械設備の異常とセンサ自体の故障とを判別できないという問題がある。
さらに、非特許文献１に記載の技術では、特許文献１と同様に、機械設備の異常とセンサ自体の故障とを判別できないという問題がある。
このように、特許文献１及び非特許文献１に記載の技術では、機械設備の動態（異常予兆等）に関するきめ細かな情報をユーザに提示できないという問題がある。
そこで、本発明は、機械設備の動態に関するきめ細かな情報をユーザに提示する動態監視装置等を提供することを課題とする。
前記課題を解決するために、本発明に係る動態監視装置は、機械設備に設置された複数のセンサの検出値を含む時系列データを取得する時系列データ取得手段と、前記時系列データ取得手段によって取得される時系列データを用いて、前記機械設備の状態に対応する特徴ベクトルを生成し、前記特徴ベクトルの正常範囲を示す正常モデルを学習する学習手段と、前記時系列データ取得手段によって取得される時系列データを用いて、前記機械設備の状態に対応する特徴ベクトルを生成し、前記学習手段によって学習された正常モデルに基づいて、当該特徴ベクトルの異常度合いを示す異常測度を算出する異常測度算出手段と、前記複数のセンサのうち、二つのセンサの組合せからなる複数の散布図を行列形式で配置して表示装置に表示させる表示制御手段と、を備え、前記表示制御手段は、前記異常測度算出手段によって異常測度が算出された各時系列データに含まれる前記二つのセンサの検出値に基づき、当該検出値で特定される位置に前記異常測度の大きさに対応する印を表示させることで、前記複数の散布図を作成することを特徴とする。
なお、詳細については、発明を実施するための形態において説明する。
なお、詳細については、発明を実施するための形態において説明する。
本発明によれば、機械設備の動態に関するきめ細かな情報をユーザに提示する動態監視装置等を提供できる。
≪実施形態≫
図１は、本実施形態に係る動態監視装置の構成図である。
動態監視装置１は、機械設備２に設置された複数のセンサの検出値を含む時系列データに基づいて、機械設備２の動態を監視する装置である。前記した「動態」には、機械設備２で発生する異常予兆の有無が含まれる。なお、「異常予兆」とは、機械設備２の異常が発生する前触れである。
本実施形態では、動態監視の一例として、動態監視装置１によって機械設備２の異常予兆の有無を診断する構成について説明する。
図１は、本実施形態に係る動態監視装置の構成図である。
動態監視装置１は、機械設備２に設置された複数のセンサの検出値を含む時系列データに基づいて、機械設備２の動態を監視する装置である。前記した「動態」には、機械設備２で発生する異常予兆の有無が含まれる。なお、「異常予兆」とは、機械設備２の異常が発生する前触れである。
本実施形態では、動態監視の一例として、動態監視装置１によって機械設備２の異常予兆の有無を診断する構成について説明する。
まず、動態監視装置１の監視対象となる機械設備２について簡単に説明する。
図１に示すように、複数の機械設備２がネットワークＮを介して動態監視装置１と通信可能になっている。
図１に示すように、複数の機械設備２がネットワークＮを介して動態監視装置１と通信可能になっている。
図２は、機械設備が有する複数の装置と、各装置に設置されたセンサと、を模式的に示す説明図である。機械設備２は、例えば、ガスエンジンであり、複数の装置（エンジン本体、圧縮機、排ガスボイラ、冷却器、発電機、弁類等）を有している。図２では、前記した複数の装置を、装置Ａ，Ｂ，Ｃ，Ｄとして模式的に図示した。
図２に示すように、装置ＡにはセンサＡ1，Ａ2，Ａ3が設置されている。センサＡ1は、装置Ａに関する特定の物理量（温度、圧力、流量、電圧、電流等）を所定のサンプリング周期で検出する機能を有している。センサＡ1の検出値は、ネットワークＮを介して、時系列データとして動態監視装置１に送信される。なお、センサＡ2，Ａ3についても同様である。また、装置Ｂに設置されたセンサＢ1，Ｂ2、装置Ｃに設置されたセンサＣ1、装置Ｄに設置されたセンサＤ1，Ｄ2についても同様である。
コンピュータ３の記憶手段（図示せず）には、機械設備２及び各センサに関する設備情報がデータベースとして格納されている。
図３（ａ）は、各センサに関する設備情報の説明図である。なお、図３（ａ）に示すセンサＩＤ（identification）は各センサの識別記号であり、設備ＩＤはセンサが設置された機械設備２の識別記号であり、装置ＩＤはセンサが設置された装置の識別記号である。例えば、センサＡ1は圧力センサであり、そのセンサＩＤはＸＸＸＡ１であり、機械設備２の設備ＩＤはＹＹＹＹであり、センサＡ1が設置された装置Ａの装置ＩＤはＺＺＺＡ１である。
図３（ａ）は、各センサに関する設備情報の説明図である。なお、図３（ａ）に示すセンサＩＤ（identification）は各センサの識別記号であり、設備ＩＤはセンサが設置された機械設備２の識別記号であり、装置ＩＤはセンサが設置された装置の識別記号である。例えば、センサＡ1は圧力センサであり、そのセンサＩＤはＸＸＸＡ１であり、機械設備２の設備ＩＤはＹＹＹＹであり、センサＡ1が設置された装置Ａの装置ＩＤはＺＺＺＡ１である。
図３（ｂ）は、センサ間の関連度の説明図である。なお、「関連度」とは、二つのセンサ間の関連性の度合いを示す値である。
例えば、装置Ａに設置されたセンサＡ1の検出値が変動しているとき、この装置Ａに設置された他のセンサＡ2の検出値も変動していることが多い。つまり、センサＡ1とセンサＡ2との関連度Ｈは高い（Ｈ＝５）。
また、装置Ａの状態が変化しても、装置Ｄはほとんど影響を受けないこともある。この場合、装置Ａに設置されたセンサＡ1の検出値と、装置Ｄに設置されたセンサＤ1の検出値と、の関連度Ｈは低い（Ｈ＝１）。
例えば、装置Ａに設置されたセンサＡ1の検出値が変動しているとき、この装置Ａに設置された他のセンサＡ2の検出値も変動していることが多い。つまり、センサＡ1とセンサＡ2との関連度Ｈは高い（Ｈ＝５）。
また、装置Ａの状態が変化しても、装置Ｄはほとんど影響を受けないこともある。この場合、装置Ａに設置されたセンサＡ1の検出値と、装置Ｄに設置されたセンサＤ1の検出値と、の関連度Ｈは低い（Ｈ＝１）。
このように、機械設備２に設置された複数のセンサのうち、対となる任意の組合せに関して、一方のセンサと他方のセンサとの関連度Ｈに関する情報がコンピュータ３の記憶手段（図示せず）に予め格納されている。なお、関連度に関する情報も機械設備２の設備情報に含めるものとする。
＜動態監視装置の構成＞
図１に示すように、動態監視装置１は、通信手段１１と、時系列データ取得手段１２と、時系列データ記憶手段１３と、設備情報取得手段１４と、設備情報記憶手段１５と、データマイニング手段１６と、診断結果記憶手段１７と、入力受付手段１８と、表示制御手段１９と、を備えている。
図１に示すように、動態監視装置１は、通信手段１１と、時系列データ取得手段１２と、時系列データ記憶手段１３と、設備情報取得手段１４と、設備情報記憶手段１５と、データマイニング手段１６と、診断結果記憶手段１７と、入力受付手段１８と、表示制御手段１９と、を備えている。
通信手段１１は、ネットワークＮを介して機械設備２やコンピュータ３から送信されたデータを受信するものである。通信手段１１として、例えば、ＴＣＰ／ＩＰの通信プロトコルに従って前記データを受信するルータを用いることができる。
時系列データ取得手段１２は、ネットワークＮを介して通信手段１１に送信されたデータのうち、機械設備２に関する時系列データを取得する。前記した時系列データには、機械設備２に設置された各センサ（図２参照）の検出値と、各センサの識別情報と、各センサが所定の物理量を検出した日時と、が含まれる。時系列データ取得手段１２は、通信手段１１を介して取得した時系列データを時系列データ記憶手段１３に格納する。
時系列データ記憶手段１３には、時系列データ取得手段１２によって取得された時系列データが、データベースとして記憶されている。時系列データ記憶手段１３として、磁気ディスク装置、光ディスク装置、半導体記憶装置等を用いることができる。
設備情報取得手段１４は、ネットワークＮを介して通信手段１１に送信されたデータのうち、機械設備２及び各センサに関する設備情報を取得する。前記した設備情報には、図３（ａ）に示すセンサの種類、センサＩＤ、設備ＩＤ、及び装置ＩＤと、図３（ｂ）に示す関連度と、が含まれる。設備情報取得手段１４は、通信手段１１を介して取得した設備情報を設備情報記憶手段１５に格納する。
設備情報記憶手段１５には、設備情報取得手段１４によって取得された設備情報がデータベースとして記憶されている。設備情報記憶手段１５として、磁気ディスク装置、光ディスク装置、半導体記憶装置等を用いることができる。
データマイニング手段１６は、統計的なデータ分類手法であるデータマイニングを実行し、機械設備２の正常状態を表すクラスタを生成し、このクラスタに基づいて機械設備２の異常予兆の有無を診断する。なお、データマイニング手段１６の詳細については後記する。
診断結果記憶手段１７には、データマイニング手段１６による診断結果が格納される。診断結果記憶手段１７として、磁気ディスク装置、光ディスク装置、半導体記憶装置等を用いることができる。また、前記した診断結果には、機械設備２の識別情報と、各センサの検出値と、異常予兆の有無と、後記する異常測度と、が含まれる。
入力受付手段１８は、入力装置４を介したユーザの操作に応じて、所定の操作信号を表示制御手段１９に出力する。入力装置４として、タッチパネル、マウス、キーボード等を用いることができる。
入力受付手段１８は、入力装置４を介したユーザの操作に応じて、所定の操作信号を表示制御手段１９に出力する。入力装置４として、タッチパネル、マウス、キーボード等を用いることができる。
表示制御手段１９は、入力受付手段１８から入力される操作信号に応じて、データマイニング手段１６の診断結果等を表示装置５に表示させる。例えば、表示制御手段１９は、各機械設備２の名称を行とし、診断日の日付を列として行列形式（マトリクス形式）で診断結果を表示装置５に表示させる。
また、表示制御手段１９は、入力受付手段１８からの操作信号に応じて、二つのセンサ（表示対象センサ）の組合せからなる複数の散布図を行列形式で配置し、これらの散布図を表示装置５に表示させる機能も有している（図１０参照）。なお、表示制御手段１９が行う処理の詳細については後記する。
また、表示制御手段１９は、入力受付手段１８からの操作信号に応じて、二つのセンサ（表示対象センサ）の組合せからなる複数の散布図を行列形式で配置し、これらの散布図を表示装置５に表示させる機能も有している（図１０参照）。なお、表示制御手段１９が行う処理の詳細については後記する。
表示装置５は、例えば、液晶ディスプレイであり、表示制御手段１９から入力される制御信号に従って、データマイニング手段１６の診断結果等を表示する。
図４は、動態監視装置が有するデータマイニング手段の構成図である。データマイニング手段１６は、データマイニング学習部１６１と、データマイニング診断部１６２と、を備えている。
（データマイニング学習部の構成）
図４は、動態監視装置が有するデータマイニング手段の構成図である。
データマイニング学習部１６１（学習手段）は、時系列データ取得手段１２によって取得される時系列データを用いて、機械設備２の状態に対応する特徴ベクトルを生成し、この特徴ベクトルの正常範囲を示す正常モデルを学習する。
図４に示すように、データマイニング学習部１６１は、学習対象データ取得部１６１ａと、学習対象データ記憶部１６１ｂと、正常モデル学習部１６１ｃと、正常モデル記憶部１６１ｄと、を備えている。
図４は、動態監視装置が有するデータマイニング手段の構成図である。
データマイニング学習部１６１（学習手段）は、時系列データ取得手段１２によって取得される時系列データを用いて、機械設備２の状態に対応する特徴ベクトルを生成し、この特徴ベクトルの正常範囲を示す正常モデルを学習する。
図４に示すように、データマイニング学習部１６１は、学習対象データ取得部１６１ａと、学習対象データ記憶部１６１ｂと、正常モデル学習部１６１ｃと、正常モデル記憶部１６１ｄと、を備えている。
学習対象データ取得部１６１ａは、学習対象となる時系列データ（つまり、学習対象データ）を、時系列データ記憶手段１３から取得する。すなわち、学習対象データ取得部１６１ａは、機械設備２が正常に稼働している期間に取得された時系列データを、学習対象データとして時系列データ記憶手段１３から取得する。
学習対象データ記憶部１６１ｂには、学習対象データ取得部１６１ａによって取得された学習対象データがデータベースとして記憶されている。
正常モデル学習部１６１ｃは、学習対象データ記憶部１６１ｂに格納された学習対象データに基づいてクラスタリングを行うことで、機械設備２の正常モデルを学習する。
正常モデル学習部１６１ｃは、学習対象データ記憶部１６１ｂに格納された学習対象データに基づいてクラスタリングを行うことで、機械設備２の正常モデルを学習する。
ここで、正常モデル学習部１６１ｃによって学習される正常モデル（クラスタ）について説明する。機械設備２の状態は、多次元ベクトル空間上において、各センサの検出値を正規化した値を成分とする特徴ベクトルとして表される。ちなみに、「正規化」とは、各センサの検出値を当該センサの代表値（平均値、標準偏差等）で除算するなどして無次元量化し、互いに比較できるようにする処理である。
図５は、データマイニング学習部によって学習される正常モデルの説明図である。
なお、説明をわかりやすくするため、図５では３個のセンサに対応する３次元ベクトル空間上で機械設備２の状態を表した。図５に示す●印それぞれが所定時刻における機械設備２の状態に対応し、特徴ベクトルの各成分の値が各センサの検出値（正規化された値）に対応している。通常、クラスタは複数存在するが、図５ではクラスタを１個だけ記載した。
なお、説明をわかりやすくするため、図５では３個のセンサに対応する３次元ベクトル空間上で機械設備２の状態を表した。図５に示す●印それぞれが所定時刻における機械設備２の状態に対応し、特徴ベクトルの各成分の値が各センサの検出値（正規化された値）に対応している。通常、クラスタは複数存在するが、図５ではクラスタを１個だけ記載した。
以下では、一例として、非階層的クラスタリングであるｋ平均法を用いてクラスタリングを行う場合について説明する。
正常モデル学習部１６１ｃは、まず、各特徴ベクトルに対してランダムにクラスタを割り振り、割り振ったデータに基づいて各クラスタの中心（クラスタ中心ｃ：図５参照）を算出する。クラスタ中心ｃは、例えば、クラスタに属する複数の特徴ベクトルの重心である。
正常モデル学習部１６１ｃは、まず、各特徴ベクトルに対してランダムにクラスタを割り振り、割り振ったデータに基づいて各クラスタの中心（クラスタ中心ｃ：図５参照）を算出する。クラスタ中心ｃは、例えば、クラスタに属する複数の特徴ベクトルの重心である。
次に、正常モデル学習部１６１ｃは、所定の特徴ベクトルと各クラスタ中心ｃとの距離を求め、この距離が最も小さくなるクラスタに当該特徴ベクトルを割り当て直す。このような処理を全ての特徴ベクトルについて実行し、クラスタの割り当てが変化しなかった場合はクラスタの生成処理を終了する。それ以外の場合は、新しく割り振られたクラスタからクラスタ中心ｃを再計算し、前記した処理を繰り返す。このようにして正常モデル学習部１６１ｃは、機械設備２の状態に対応する各特徴ベクトルを複数のクラスタに分類する。
さらに、正常モデル学習部１６１ｃは、各クラスタについてクラスタ中心ｃ（図５参照）の座標値と、クラスタ半径ｒと、を算出する。クラスタ半径ｒは、例えば、クラスタ中心ｃと特徴ベクトルとの距離の平均値である。なお、クラスタ半径ｒの算出方法はこれに限定されず、例えば、特徴ベクトルの各成分の分散値に基づいてクラスタ半径ｒを算出するようにしてもよい。
そして、正常モデル学習部１６１ｃは、生成したクラスタに関する情報（クラスタ中心ｃ、クラスタ半径ｒ）を正常モデル記憶部１６１ｄ（図４参照）に格納する。
図４に示す正常モデル記憶部１６１ｄには、正常モデル学習部１６１ｃによって学習された正常モデル（クラスタ）に関する情報がデータベースとして記憶されている。
図４に示す正常モデル記憶部１６１ｄには、正常モデル学習部１６１ｃによって学習された正常モデル（クラスタ）に関する情報がデータベースとして記憶されている。
（データマイニング診断部の構成）
図４に示すデータマイニング診断部１６２は、データマイニング学習部１６１によって学習されたクラスタを用いて、機械設備２における異常予兆の有無を診断する。
データマイニング診断部１６２は、診断対象データ取得部１６２ａと、診断対象データ記憶部１６２ｂと、異常測度算出部１６２ｃと、診断部１６２ｄと、を備えている。
図４に示すデータマイニング診断部１６２は、データマイニング学習部１６１によって学習されたクラスタを用いて、機械設備２における異常予兆の有無を診断する。
データマイニング診断部１６２は、診断対象データ取得部１６２ａと、診断対象データ記憶部１６２ｂと、異常測度算出部１６２ｃと、診断部１６２ｄと、を備えている。
診断対象データ取得部１６２ａは、例えば、一日に一回、予め設定された時刻に診断対象となる時系列データ（つまり、診断対象データ）を時系列データ記憶手段１３から取得する。診断対象データは、例えば、直近の一日分の時系列データである。
診断対象データ記憶部１６２ｂには、診断対象データ取得部１６２ａによって取得された診断対象データがデータベースとして記憶されている。
診断対象データ記憶部１６２ｂには、診断対象データ取得部１６２ａによって取得された診断対象データがデータベースとして記憶されている。
異常測度算出部１６２ｃ（異常測度算出手段）は、診断対象データ記憶部１６２ｂから読み出した診断対象データを用いて、機械設備２の異常測度ｕを算出する。なお、「異常測度ｕ」とは、機械設備２（つまり、機械設備２の状態に対応する特徴ベクトル）の異常度合いを示す値である。
まず、異常測度算出部１６２ｃは、診断対象データを正規化（無次元量化）し、各時刻での機械設備２の状態を表す特徴ベクトルを生成する。
まず、異常測度算出部１６２ｃは、診断対象データを正規化（無次元量化）し、各時刻での機械設備２の状態を表す特徴ベクトルを生成する。
そして、異常測度算出部１６２ｃは、正常モデル記憶部１６１ｄから読み出した正常モデル（クラスタ）に基づいて、診断対象データの異常測度ｕを算出する。この異常測度ｕは、例えば、次のような手順で算出される。
すなわち、異常測度算出部１６２ｃは、特徴ベクトルの正常範囲を示す複数のクラスタのうち、診断対象データに最も近いクラスタ中心ｃを有するものを特定する。さらに異常測度算出部１６２ｃは、特定したクラスタのクラスタ中心ｃから診断対象データまでの距離ｄ（図５参照）と、クラスタ半径ｒと、を用いて、例えば、（数式１）に基づき異常測度ｕを算出する。
すなわち、異常測度算出部１６２ｃは、特徴ベクトルの正常範囲を示す複数のクラスタのうち、診断対象データに最も近いクラスタ中心ｃを有するものを特定する。さらに異常測度算出部１６２ｃは、特定したクラスタのクラスタ中心ｃから診断対象データまでの距離ｄ（図５参照）と、クラスタ半径ｒと、を用いて、例えば、（数式１）に基づき異常測度ｕを算出する。
ｕ＝ｄ／ｒ・・・（数式１）
異常測度算出部１６２ｃは、算出した異常測度ｕを診断部１６２ｄに出力する。また、異常測度算出部１６２ｃは、診断対象データと、その異常測度ｕと、を対応付けて診断結果記憶手段１７に格納する。
診断部１６２ｄは、異常測度算出部１６２ｃから入力される異常測度ｕに基づき、診断対象である機械設備２について異常予兆の有無を診断する。例えば、異常測度ｕ≦１である場合、診断対象データはクラスタ（正常モデルの範囲）内に存在している。したがって、診断部１６２ｄは、この診断対象データに対応する機械設備２に関して「異常予兆なし」と診断する。
また、異常測度ｕ＞１である場合、診断対象データはクラスタの外に存在している。この場合、診断部１６２ｄは、この診断対象データに対応する機械設備２に関して「異常予兆あり」と診断する。なお、診断結果記憶手段１７に格納された情報は、表示制御手段１９（図１参照）によって表示装置５に表示される。
＜動態監視装置の動作＞
（１．学習処理）
図６は、データマイニング学習部が実行する学習処理のフローチャートである。
ステップＳ１０１においてデータマイニング学習部１６１は、学習対象データ取得部１６１ａによって、時系列データ記憶手段１３から学習対象データを取得する（時系列データ取得ステップ）。
例えば、データマイニング学習部１６１は、診断日を基準として過去１週間に得られた時系列データを、学習対象データとして時系列データ記憶手段１３から取得する。なお、前記した過去一週間において、機械設備２は正常に稼働していたものとする。
（１．学習処理）
図６は、データマイニング学習部が実行する学習処理のフローチャートである。
ステップＳ１０１においてデータマイニング学習部１６１は、学習対象データ取得部１６１ａによって、時系列データ記憶手段１３から学習対象データを取得する（時系列データ取得ステップ）。
例えば、データマイニング学習部１６１は、診断日を基準として過去１週間に得られた時系列データを、学習対象データとして時系列データ記憶手段１３から取得する。なお、前記した過去一週間において、機械設備２は正常に稼働していたものとする。
ステップＳ１０２においてデータマイニング学習部１６１は、学習対象データ取得部１６１ａによって取得された学習対象データを、学習対象データ記憶部１６１ｂに格納する。
ステップＳ１０３においてデータマイニング学習部１６１は、正常モデル学習部１６１ｃによって、特徴ベクトルの正常範囲を示す正常モデルを学習する（学習ステップ）。すなわち、データマイニング学習部１６１は、学習対象データを特徴ベクトルに変換し、各特徴ベクトルをクラスタリングすることによってクラスタ（正常モデル）を生成する。
ステップＳ１０３においてデータマイニング学習部１６１は、正常モデル学習部１６１ｃによって、特徴ベクトルの正常範囲を示す正常モデルを学習する（学習ステップ）。すなわち、データマイニング学習部１６１は、学習対象データを特徴ベクトルに変換し、各特徴ベクトルをクラスタリングすることによってクラスタ（正常モデル）を生成する。
ステップＳ１０４においてデータマイニング学習部１６１は、ステップＳ１０３の学習結果を正常モデル記憶部１６１ｄに格納し、学習処理を終了する（ＥＮＤ）。
（２．診断処理）
図７は、データマイニング診断部が実行する診断処理のフローチャートである。
ステップＳ２０１においてデータマイニング診断部１６２は、診断対象データ取得部１６２ａによって、時系列データ記憶手段１３から診断対象データを取得する（時系列データ取得ステップ）。この診断対象データは、例えば、直近の一日分の時系列データである。
図７は、データマイニング診断部が実行する診断処理のフローチャートである。
ステップＳ２０１においてデータマイニング診断部１６２は、診断対象データ取得部１６２ａによって、時系列データ記憶手段１３から診断対象データを取得する（時系列データ取得ステップ）。この診断対象データは、例えば、直近の一日分の時系列データである。
ステップＳ２０２においてデータマイニング診断部１６２は、診断対象データ取得部１６２ａによって取得された診断対象データを診断対象データ記憶部１６２ｂに格納する。
ステップＳ２０３においてデータマイニング診断部１６２は、異常測度算出部１６２ｃによって、異常測度を算出する。すなわち、データマイニング診断部１６２は、データマイニング学習部１６１によって学習された正常モデルに基づき、機械設備２の異常測度を算出する（異常測度算出ステップ）。
ステップＳ２０３においてデータマイニング診断部１６２は、異常測度算出部１６２ｃによって、異常測度を算出する。すなわち、データマイニング診断部１６２は、データマイニング学習部１６１によって学習された正常モデルに基づき、機械設備２の異常測度を算出する（異常測度算出ステップ）。
ステップＳ２０４においてデータマイニング診断部１６２は、診断部１６２ｄによって、機械設備２の異常予兆の有無を診断する。すなわち、データマイニング診断部１６２は、ステップＳ２０３で算出した異常測度ｕと、所定の閾値（例えば、閾値＝１）と、の大小を比較することで、機械設備２に関する異常予兆の有無を診断する。
ステップＳ２０５においてデータマイニング診断部１６２は、ステップＳ２０４の診断結果を診断結果記憶手段１７に格納する。
ステップＳ２０５においてデータマイニング診断部１６２は、ステップＳ２０４の診断結果を診断結果記憶手段１７に格納する。
（３．散布図について）
次に、表示制御手段１９によって表示装置５に表示される散布図（図８参照）について説明する。
なお、散布図について説明する場合、機械設備２の「異常予兆」と「異常」とを区別せず、単に「異常」と記載するものとする。これは、異常測度の大小を散布図上で区別して表示する際、前記した大小の判定基準となる閾値を適宜調整できるからである（詳細については後記する）。
次に、表示制御手段１９によって表示装置５に表示される散布図（図８参照）について説明する。
なお、散布図について説明する場合、機械設備２の「異常予兆」と「異常」とを区別せず、単に「異常」と記載するものとする。これは、異常測度の大小を散布図上で区別して表示する際、前記した大小の判定基準となる閾値を適宜調整できるからである（詳細については後記する）。
図８（ａ）は、センサＢ1，Ｂ2に関する散布図である。図８（ａ）に示す散布図の横軸はセンサＢ1（図２参照）の検出値であり、縦軸はセンサＢ2（図２参照）の検出値である。また、○印（印）は異常測度ｕ≦１の時系列データであり、×印（印）は異常測度ｕ＞１の時系列データである（図８（ｂ）、図８（ｃ）も同様）。
例えば、データマイニング診断部１６２によって「異常予兆あり」と診断されたとき、機械設備２の装置Ｂ（図２参照）で異常が発生していたとする。この場合、装置Ｂに設置されたセンサＢ1，Ｂ2の検出値が、機械設備２の正常時と比較して大きく変動する（大きくなるか、又は小さくなる）ことが多い。
ちなみに、機械設備２の構成やセンサの設置位置・種類によっては、装置Ｂ（異常あり）に設置されたセンサの検出値が正常時と比較してほとんど変動しないことがある。また、装置Ｂの異常が装置Ｄ（図２参照）にも波及し、センサＤ1，Ｄ2の検出値が正常時から変動したりすることもある。本実施形態では、ある装置で異常が発生した場合、この装置に設置されたセンサの検出値が正常時から大きく変動するものとして説明する。
例えば、装置Ｂで異常が発生し、センサＢ1，Ｂ2の検出値が正常時から大幅に小さくなったとする。そうすると、図８（ａ）に示すように、○印で示す正常時の時系列データに対して、×印で示す異常時の時系列データが紙面左下に密集して分布する。つまり、正常時の時系列データと、異常時の時系列データと、が破線で示すように散布図上で分かれて分布する。
また、装置Ｂで異常が発生した場合、図８（ｂ）に示すように、センサＢ2，Ｄ1に関する散布図においても正常時・異常時の時系列データは分かれて分布する。センサＢ1との関連度が高いセンサＢ2の検出値も、装置Ｂの異常に伴って大幅に低下するからである。
ところで、装置Ｂを含む機械設備２は正常であるものの、センサＢ1自体が故障して正常時よりも大幅に低い値を出力することがある。この場合おいてセンサＢ1，Ｂ2に関する散布図は、正常時・異常時の時系列データが分かれて分布する（図８（ａ）と同様の分布になる）。
しかしながら、センサＢ1が故障した場合、センサＢ2，Ｄ1に関する散布図は、図８（ｃ）に示すように、正常時・異常時の時系列データが重畳して分布する。これは、センサＢ2とセンサＤ1との関連度Ｈが低く（Ｈ＝１：図３（ｂ）参照）、散布図の特定の領域で×印、○印が密集することがないためである。
つまり、故障したセンサＢ1との関連度が高いセンサＢ2と、故障したセンサＢ1との関連度が低いセンサＤ1と、に関する散布図は、図８（ｃ）に示すように、正常時・異常時の時系列データが重畳して分布する。この点が、装置Ｂでの異常発生時と異なっている。
つまり、故障したセンサＢ1との関連度が高いセンサＢ2と、故障したセンサＢ1との関連度が低いセンサＤ1と、に関する散布図は、図８（ｃ）に示すように、正常時・異常時の時系列データが重畳して分布する。この点が、装置Ｂでの異常発生時と異なっている。
以上をまとめると、次のようになる。
すなわち、正常時の時系列データ（○印）と、異常時の時系列データ（×印）と、が分かれている散布図が存在する場合（図８（ａ）参照）、以下に示す（α），（β）のいずれかに該当する。
（α）散布図の縦軸・横軸に対応する二つのセンサのいずれも正常であり、それらが設置されている装置で異常が発生している。
（β）散布図の縦軸・横軸に対応する二つのセンサのいずれか一方又は両方が故障している。
すなわち、正常時の時系列データ（○印）と、異常時の時系列データ（×印）と、が分かれている散布図が存在する場合（図８（ａ）参照）、以下に示す（α），（β）のいずれかに該当する。
（α）散布図の縦軸・横軸に対応する二つのセンサのいずれも正常であり、それらが設置されている装置で異常が発生している。
（β）散布図の縦軸・横軸に対応する二つのセンサのいずれか一方又は両方が故障している。
上記（α）、（β）のいずれに該当するかは、次のようにして調べることができる。
すなわち、散布図の縦軸・横軸に対応する二つのセンサのうち、一方のセンサ（例えば、センサＢ1）との関連度の高い他のセンサ（例えば、センサＢ2）と、前記した一方のセンサとの関連度の低い他のセンサ（例えば、センサＤ1）と、に関する散布図を参照する。
すなわち、散布図の縦軸・横軸に対応する二つのセンサのうち、一方のセンサ（例えば、センサＢ1）との関連度の高い他のセンサ（例えば、センサＢ2）と、前記した一方のセンサとの関連度の低い他のセンサ（例えば、センサＤ1）と、に関する散布図を参照する。
前記した散布図において、○印で示す正常時の時系列データと、×印で示す異常時の時系列データと、が分かれて分布していた場合、上記（α）に該当する（図８（ｂ）参照）。
前記した散布図において、○印で示す正常時の時系列データと、×印で示す異常時の時系列データと、が重畳して分布していた場合、上記（β）に該当する（図８（ｃ）参照）。
前記した散布図において、○印で示す正常時の時系列データと、×印で示す異常時の時系列データと、が重畳して分布していた場合、上記（β）に該当する（図８（ｃ）参照）。
このように、特定のセンサＢ1との関連度が高いセンサＢ2と、センサＢ1との関連度が低いセンサＤ1と、に関する散布図をユーザが目視で確認することで、装置Ｂにおいて異常が発生しているか、センサＢ1自体が故障しているか、を判別できる。このような判別をユーザが容易に行えるように、本実施形態では、二つのセンサの組合せからなる複数の散布図を行列形式（マトリクス形式）で表示するようにした（図１０参照）。
（４．表示制御処理）
図９は、表示制御手段が実行する表示制御処理のフローチャートである。
なお、図９に示す一連の処理は、ある所定時刻までに得られた時系列データ（診断対象データ）と、各時系列データの異常測度と、に基づいて実行される。
ステップＳ３０１において表示制御手段１９は、入力装置４を介したユーザの操作によって、診断結果の表示指令が入力されたか否かを判定する。
図９は、表示制御手段が実行する表示制御処理のフローチャートである。
なお、図９に示す一連の処理は、ある所定時刻までに得られた時系列データ（診断対象データ）と、各時系列データの異常測度と、に基づいて実行される。
ステップＳ３０１において表示制御手段１９は、入力装置４を介したユーザの操作によって、診断結果の表示指令が入力されたか否かを判定する。
診断結果の表示指令が入力された場合（Ｓ３０１→Ｙｅｓ）、表示制御手段１９の処理はステップＳ３０２に進む。一方、診断結果の表示指令が入力されていない場合（Ｓ３０１→Ｎｏ）、表示制御手段１９の処理はステップＳ３０３に進む。
ステップＳ３０２において表示制御手段１９は、診断結果を表示する。例えば、表示制御手段１９は、機械設備２の識別情報と、異常予兆の有無と、を表示装置５に表示させる。
ステップＳ３０２において表示制御手段１９は、診断結果を表示する。例えば、表示制御手段１９は、機械設備２の識別情報と、異常予兆の有無と、を表示装置５に表示させる。
ステップＳ３０３において表示制御手段１９は、異常測度の表示指令があったか否かを判定する。異常測度の表示指令があった場合（Ｓ３０３→Ｙｅｓ）、表示制御手段１９の処理はステップＳ３０４に進む。一方、異常測度の表示指令がない場合（Ｓ３０３→Ｎｏ）、表示制御手段１９の処理はステップＳ３０７に進む。
ステップＳ３０４において表示制御手段１９は、異常測度に関する複数の散布図を行列形式で表示する（表示制御ステップ）。すなわち、表示制御手段１９は、前記した各センサ（図２参照）のうち、二つのセンサの組合せからなる複数の散布図を行列形式で配置して表示する。この散布図の横軸は、前記した一方のセンサの検出値であり、縦軸は他方のセンサの検出値である。
そして、表示制御手段１９は、散布図の座標上において、各センサの検出値で特定されれる位置に、時系列データの異常測度の大きさに対応する印を表示させる。この「印」として、本実施形態では、異常測度が所定の閾値以下である時系列データを○印で表示し（図１１参照）、異常測度が閾値よりも大きい時系列データを×印で表示するようにした（図１１参照）。
そして、表示制御手段１９は、散布図の座標上において、各センサの検出値で特定されれる位置に、時系列データの異常測度の大きさに対応する印を表示させる。この「印」として、本実施形態では、異常測度が所定の閾値以下である時系列データを○印で表示し（図１１参照）、異常測度が閾値よりも大きい時系列データを×印で表示するようにした（図１１参照）。
ここで、表示装置５に表示された散布図（図１０参照）から把握できる事項に関して、機械設備２の装置（例えば、装置Ｂ）に異常が発生している場合と、センサ自体（例えば、センサＢ2）が故障している場合と、について順次説明する。
（α：装置に異常が発生している場合）
図１０は、装置Ｂの異常発生時において、複数の散布図を行列形式で表示したときの画面表示例である。なお、縦軸又は横軸がセンサＤ1，Ｄ2の検出値である散布図については、図示を省略した（図１２の散布図も同様）。
図１０に示す例では、センサＡ1，Ａ2，Ａ3，Ｂ1，Ｂ2，Ｃ1から二つのセンサを選択したときの組合せからなる１５個の散布図が、行列形式で表示されている。例えば、散布図Ｍは、センサＢ2の検出値を横軸とし、センサＢ1の検出値を縦軸として、各時刻で得られた時系列データ（診断対象データ）をプロットしたものである。
図１０は、装置Ｂの異常発生時において、複数の散布図を行列形式で表示したときの画面表示例である。なお、縦軸又は横軸がセンサＤ1，Ｄ2の検出値である散布図については、図示を省略した（図１２の散布図も同様）。
図１０に示す例では、センサＡ1，Ａ2，Ａ3，Ｂ1，Ｂ2，Ｃ1から二つのセンサを選択したときの組合せからなる１５個の散布図が、行列形式で表示されている。例えば、散布図Ｍは、センサＢ2の検出値を横軸とし、センサＢ1の検出値を縦軸として、各時刻で得られた時系列データ（診断対象データ）をプロットしたものである。
図１１は、図１０に示す散布図Ｍの拡大図である。
図１１に示す○印は異常測度ｕ≦１の時系列データであり、×印は異常測度ｕ＞１の時系列データである。このように、異常測度の大きさが所定閾値以下であるグループ（○印）と、前記した所定閾値よりも大きいグループ（×印）と、が識別できるように表示される。なお、図１０では便宜上、密集している○印を網掛（ドット）で図示し、密集している×印を斜線で図示した。
図１１に示す○印は異常測度ｕ≦１の時系列データであり、×印は異常測度ｕ＞１の時系列データである。このように、異常測度の大きさが所定閾値以下であるグループ（○印）と、前記した所定閾値よりも大きいグループ（×印）と、が識別できるように表示される。なお、図１０では便宜上、密集している○印を網掛（ドット）で図示し、密集している×印を斜線で図示した。
図１０に示す例において、例えば、横軸：センサＢ2、縦軸：センサＢ1の散布図Ｍは表示されているが、センサＢ1，Ｂ2の組合せで横軸・縦軸が逆の散布図は表示されていない。これは、二つのセンサの組合せが同じであれば、横軸・縦軸が入れ替わったとしても、散布図から把握できる情報に変わりはないからである。このような表示も「行列形式の表示」に含まれる。また、横軸・縦軸のセンサが同一（例えば、縦軸：センサＡ1、横軸：センサＡ1）の散布図は、斜め約４５°の直線状になっている。
また、図１０に示す例では、散布図の横軸に関して、紙面左からセンサＡ1，Ａ2，Ａ3，Ｂ1，Ｂ2，Ｃ1の順序で配置されている。また、散布図の縦軸に関しても、紙面上から前記した順序で配置されている。
このように、散布図の横軸に対応する複数のセンサに関して、行方向（紙面横方向）で近いセンサ同士のほうが、行方向で離れているセンサ同士よりも関連度が高くなるように、各散布図が配置されている。例えば、行方向で隣り合うセンサＡ1，Ａ2の関連度は「５」であり（図３（ｂ）参照）、行方向で離れている他のセンサよりも関連度が高くなっている（例えば、センサＡ1，Ｂ1の関連度は２：図３（ｂ）参照）。
このように、散布図の横軸に対応する複数のセンサに関して、行方向（紙面横方向）で近いセンサ同士のほうが、行方向で離れているセンサ同士よりも関連度が高くなるように、各散布図が配置されている。例えば、行方向で隣り合うセンサＡ1，Ａ2の関連度は「５」であり（図３（ｂ）参照）、行方向で離れている他のセンサよりも関連度が高くなっている（例えば、センサＡ1，Ｂ1の関連度は２：図３（ｂ）参照）。
同様に、散布図の縦軸に対応する複数のセンサに関して、列方向（紙面縦方向）で近いセンサ同士のほうが、列方向で離れているセンサ同士よりも関連度が高くなるように、各散布図が配置されている。
前記したように、機械設備２の装置で異常が発生したのか、それともセンサ自体が故障したのかを判断する際、関連度の高いセンサ対の散布図、及び関連度の低いセンサ対の散布図を視ることが非常に有効である。したがって、行・列方向で近い他のセンサの検出値を横・縦軸とする散布図同士を近くに配置することで、ユーザは前記した判断を容易に行うことができる。
なお、散布図の配置はユーザが経験に基づいて設定してもよいし、センサ間の関連度に基づき、動態監視装置１によって設定するようにしてもよい。
前記したように、機械設備２の装置で異常が発生したのか、それともセンサ自体が故障したのかを判断する際、関連度の高いセンサ対の散布図、及び関連度の低いセンサ対の散布図を視ることが非常に有効である。したがって、行・列方向で近い他のセンサの検出値を横・縦軸とする散布図同士を近くに配置することで、ユーザは前記した判断を容易に行うことができる。
なお、散布図の配置はユーザが経験に基づいて設定してもよいし、センサ間の関連度に基づき、動態監視装置１によって設定するようにしてもよい。
図１０に示す散布図Ｊ，Ｋ，Ｌ，Ｍ，Ｎ，Ｐ，Ｑ，Ｒ，Ｓに関しては、正常時の時系列データ（網掛部分）と、異常時の時系列データ（斜線部分）と、が分かれて分布し、これら以外の散布図は、正常時・異常時の時系列データが重畳して分布している。
ちなみに、図１０に示す各散布図に関して、一つの散布図にプロットされた正常時の時系列データの個数は全て同一であり、異常時の時系列データの個数も全て同一である。
また、横軸：センサＡ1、縦軸：センサＡ3の散布図において異常時の時系列データ（斜線部分）が占める領域は、紙面右隣りの散布図Ｊと比べて小さいが、これは正常時の時系列データ（網掛部分）を優先的に表示したからである。つまり、当該散布図では、異常時の時系列データの大部分が、正常時の時系列データに隠されている。
また、横軸：センサＡ1、縦軸：センサＡ3の散布図において異常時の時系列データ（斜線部分）が占める領域は、紙面右隣りの散布図Ｊと比べて小さいが、これは正常時の時系列データ（網掛部分）を優先的に表示したからである。つまり、当該散布図では、異常時の時系列データの大部分が、正常時の時系列データに隠されている。
次に、図１０に示す散布図からユーザが把握できる事項について説明する。
例えば、センサＢ1と、このセンサＢ1との関連度が高いセンサＢ2と、に関する散布図Ｍを参照すると、正常時・異常時の時系列データが分かれて分布している。なお、枠線で囲った他の散布図Ｊ，Ｋ，Ｌ，Ｎ（縦軸・横軸の一方がセンサＢ1の散布図）でも、正常時・異常時の時系列データが分かれて分布している。
例えば、センサＢ1と、このセンサＢ1との関連度が高いセンサＢ2と、に関する散布図Ｍを参照すると、正常時・異常時の時系列データが分かれて分布している。なお、枠線で囲った他の散布図Ｊ，Ｋ，Ｌ，Ｎ（縦軸・横軸の一方がセンサＢ1の散布図）でも、正常時・異常時の時系列データが分かれて分布している。
一方、センサＢ1との関連度が高いセンサＢ2については、次のようになっている。
すいわち、センサＢ2と、このセンサＢ2との関連度が低いセンサＡ1と、に関する散布図Ｐにおいて、正常時・異常時の時系列データが分かれて分布している。なお、破線で囲った他の散布図Ｑ，Ｒ，Ｓ（縦軸・横軸の一方がセンサＢ2の散布図）でも、正常時・異常時の時系列データが分かれて分布している。
したがって、機械設備２の状態は、前記した事項（α）に該当し、センサＢ1が設置されている装置Ｂで異常が発生している可能性が高いことが分かる。この場合にユーザは、装置Ｂを修理又は交換すべき旨を機械設備２の管理者に連絡する。
すいわち、センサＢ2と、このセンサＢ2との関連度が低いセンサＡ1と、に関する散布図Ｐにおいて、正常時・異常時の時系列データが分かれて分布している。なお、破線で囲った他の散布図Ｑ，Ｒ，Ｓ（縦軸・横軸の一方がセンサＢ2の散布図）でも、正常時・異常時の時系列データが分かれて分布している。
したがって、機械設備２の状態は、前記した事項（α）に該当し、センサＢ1が設置されている装置Ｂで異常が発生している可能性が高いことが分かる。この場合にユーザは、装置Ｂを修理又は交換すべき旨を機械設備２の管理者に連絡する。
（β：センサが故障している場合）
図１２は、センサＢ1の故障時において、複数の散布図を行列形式で表示したときの画面表示例である。図１２に示す各散布図は、図１０と比較して、破線枠で囲った散布図Ｐ，Ｑ，Ｒ，Ｓにおける時系列データの分布が異なっている。すなわち、図１２では、散布図Ｐ，Ｑ，Ｒ，Ｓにおいて、正常時・異常時の時系列データが重畳して分布している。
なお、縦軸・横軸の一方がセンサＢ1である散布図Ｊ，Ｋ，Ｌ，Ｍ，Ｎ（枠線で囲った散布図）に関しては、図１０と同様に、正常時・異常時の時系列データが分かれて分布している。
図１２は、センサＢ1の故障時において、複数の散布図を行列形式で表示したときの画面表示例である。図１２に示す各散布図は、図１０と比較して、破線枠で囲った散布図Ｐ，Ｑ，Ｒ，Ｓにおける時系列データの分布が異なっている。すなわち、図１２では、散布図Ｐ，Ｑ，Ｒ，Ｓにおいて、正常時・異常時の時系列データが重畳して分布している。
なお、縦軸・横軸の一方がセンサＢ1である散布図Ｊ，Ｋ，Ｌ，Ｍ，Ｎ（枠線で囲った散布図）に関しては、図１０と同様に、正常時・異常時の時系列データが分かれて分布している。
一方、センサＢ1との関連度が高いセンサＢ2については、次のようになっている。
すなわち、センサＢ2と、このセンサＢ2との関連度が低いセンサＡ1と、に関する散布図Ｐでは、正常時・異常時の時系列データが重畳して分布している。なお、破線で囲った他の散布図Ｑ，Ｒ，Ｓでも、正常時・異常時の時系列データが重畳して分布している。
したがって、機械設備２の状態は、前記した事項（β）に該当し、センサＢ1が故障している可能性が高いことが分かる。この場合にユーザは、センサＢ1を修理又は交換すべき旨を機械設備２の管理者に連絡する。
すなわち、センサＢ2と、このセンサＢ2との関連度が低いセンサＡ1と、に関する散布図Ｐでは、正常時・異常時の時系列データが重畳して分布している。なお、破線で囲った他の散布図Ｑ，Ｒ，Ｓでも、正常時・異常時の時系列データが重畳して分布している。
したがって、機械設備２の状態は、前記した事項（β）に該当し、センサＢ1が故障している可能性が高いことが分かる。この場合にユーザは、センサＢ1を修理又は交換すべき旨を機械設備２の管理者に連絡する。
再び、図９に戻って説明を続ける。
ステップＳ３０４で異常測度を行列形式で表示した後、表示制御手段１９の処理はステップＳ３０５に進む。
ステップＳ３０５において表示制御手段１９は、入力装置４を介したユーザの操作によって、特定の散布図を拡大表示する旨の指令が入力されたか否かを判定する。
特定の散布図を拡大表示する旨の指令が入力された場合（Ｓ３０５→Ｙｅｓ）、表示制御手段１９の処理はステップＳ３０６に進む。一方、特定の散布図を拡大表示する旨の指令た入力されていない場合（Ｓ３０５→Ｎｏ）、表示制御手段１９の処理はステップＳ３０７に進む。
ステップＳ３０４で異常測度を行列形式で表示した後、表示制御手段１９の処理はステップＳ３０５に進む。
ステップＳ３０５において表示制御手段１９は、入力装置４を介したユーザの操作によって、特定の散布図を拡大表示する旨の指令が入力されたか否かを判定する。
特定の散布図を拡大表示する旨の指令が入力された場合（Ｓ３０５→Ｙｅｓ）、表示制御手段１９の処理はステップＳ３０６に進む。一方、特定の散布図を拡大表示する旨の指令た入力されていない場合（Ｓ３０５→Ｎｏ）、表示制御手段１９の処理はステップＳ３０７に進む。
ステップＳ３０６において表示制御手段１９は、ユーザによって指定（選択）された散布図を拡大表示する。例えば、センサＢ2を横軸、センサＢ1を縦軸とする散布図Ｍ（図１０参照）がユーザによって指定された場合、表示制御手段１９は、図１１に示すように散布図Ｍを拡大表示する。
なお、散布図Ｍを拡大表示する際、図１１の符号Ｕで示すように、センサＢ1，Ｂ2の関連度Ｈが「５」（図３（ｂ）参照）である旨の情報も併せて表示することが好ましい。これによってユーザは、センサＢ1，Ｂ2の関連度が高いことを把握した上で、前記した事項（α），(β)のいずれに該当するかを判断することができる。
なお、散布図Ｍを拡大表示する際、図１１の符号Ｕで示すように、センサＢ1，Ｂ2の関連度Ｈが「５」（図３（ｂ）参照）である旨の情報も併せて表示することが好ましい。これによってユーザは、センサＢ1，Ｂ2の関連度が高いことを把握した上で、前記した事項（α），(β)のいずれに該当するかを判断することができる。
次に、図９のステップＳ３０７において表示制御手段１９は、入力装置４を介したユーザの操作によって、機械設備２の性能に関する散布図を表示する旨の指令が入力されたか否かを判定する。
機械設備２の性能に関する散布図を表示する旨の指令が入力された場合（Ｓ３０７→Ｙｅｓ）、表示制御手段１９の処理はステップＳ３０８に進む。一方、機械設備２の性能に関する散布図を表示する旨の指令が入力されていない場合（Ｓ３０７→Ｎｏ）、表示制御手段１９は処理を終了する（ＥＮＤ）。
機械設備２の性能に関する散布図を表示する旨の指令が入力された場合（Ｓ３０７→Ｙｅｓ）、表示制御手段１９の処理はステップＳ３０８に進む。一方、機械設備２の性能に関する散布図を表示する旨の指令が入力されていない場合（Ｓ３０７→Ｎｏ）、表示制御手段１９は処理を終了する（ＥＮＤ）。
ステップＳ３０８において表示制御手段１９は、機械設備２の性能に関する散布図を行列形式で表示装置５に表示させる。まず、表示制御手段１９は、設備情報記憶手段１５（図１参照）を参照し、機械設備２の性能に関連するセンサ（性能関連センサ）を抽出する。ここで「性能」とは、機械設備２が所定の運転をなしうる能力であり、機械設備２の運転効率、燃費、製造物の出来具合等が含まれる。
なお、性能に関連する一対又は複数対のセンサ（例えば、センサＡ1，Ｂ1）の識別情報は、予め設備情報記憶手段１５に格納されている。表示制御手段１９は、対となる性能関連センサの一方を横軸、他方を縦軸とする散布図を表示装置５に表示させる。
なお、性能に関連する一対又は複数対のセンサ（例えば、センサＡ1，Ｂ1）の識別情報は、予め設備情報記憶手段１５に格納されている。表示制御手段１９は、対となる性能関連センサの一方を横軸、他方を縦軸とする散布図を表示装置５に表示させる。
図１３は、機械設備の性能に関する複数の散布図を行列形式で表示したときの画面表示例である。図１３に示す例では、性能関連センサであるセンサＡ1，Ｂ1，Ｃ1，Ｄ1のうち、二つのセンサの組合せからなる６個の散布図が行列形式で表示されている。このように複数の散布図を視ることで、ユーザは、機械設備２の性能がどのように変化したかを細かく把握できる。
ここで、機械設備２の性能に関する散布図について具体的に説明する。
例えば、機械設備２がガスエンジンである場合、エンジン本体における空燃比（燃料ガスに対する空気の質量比率）と、発電効率と、は相関があり、発電効率が最大となる空燃比の最適値が存在する。
仮に、充分な量の空気がエンジン本体に供給された（つまり、混合気がリッチであった）ときの時系列データに関して、発電機の発電出力が通常よりも低くなっていた場合、ガスエンジンの性能が低下していることが分かる。したがって、例えば、エンジン本体に供給される燃料ガスの流量を一定とした場合、エンジン本体への空気の供給量と、発電機の発電出力とを散布図にプロットすることで、ガスエンジンの性能を把握できる。
例えば、機械設備２がガスエンジンである場合、エンジン本体における空燃比（燃料ガスに対する空気の質量比率）と、発電効率と、は相関があり、発電効率が最大となる空燃比の最適値が存在する。
仮に、充分な量の空気がエンジン本体に供給された（つまり、混合気がリッチであった）ときの時系列データに関して、発電機の発電出力が通常よりも低くなっていた場合、ガスエンジンの性能が低下していることが分かる。したがって、例えば、エンジン本体に供給される燃料ガスの流量を一定とした場合、エンジン本体への空気の供給量と、発電機の発電出力とを散布図にプロットすることで、ガスエンジンの性能を把握できる。
また、図１０に示すように機械設備２の装置Ｂ（例えば、ガスエンジンの圧縮機）で異常が発生していた場合でも、図１３に示す画面を視て機械設備２の性能は低下していないことが分かれば、これを考慮した上で機械設備２のメンテナンスを計画できる。
なお、機械設備２の種類は、ガスエンジンに限定されず、ガスタービン、化学プラント、医療設備、通信設備等であってもよい。
なお、機械設備２の種類は、ガスエンジンに限定されず、ガスタービン、化学プラント、医療設備、通信設備等であってもよい。
表示制御手段１９は、機械設備２の性能に関する散布図を表示する旨の指令が入力された場合（Ｓ３０７→Ｙｅｓ）、性能に関する散布図を行列形式で表示する（Ｓ３０８）。これによってユーザは、機械設備２がどのような状態であるかを容易に把握することができる。
＜効果＞
本実施形態に係る動態監視装置１では、二つのセンサの組合せからなる複数の散布図を行列形式で配置し、異常測度が大きい時系列データと、異常測度が小さい時系列データと、を区別して表示した（図１０参照）。また、ユーザの操作によって指定された散布図を拡大表示するようにした（図１１参照）。
これによってユーザは、異常の発生前後で機械設備２がどのよな状態であったかを容易に把握することができる。例えば、図１０に示す各散布図を視ることで、ユーザは、装置Ｂ（図２参照）で異常が生じた可能性が高いと判断し、装置Ｂを修理又は交換すべき旨を機械設備２の管理者に連絡できる。
本実施形態に係る動態監視装置１では、二つのセンサの組合せからなる複数の散布図を行列形式で配置し、異常測度が大きい時系列データと、異常測度が小さい時系列データと、を区別して表示した（図１０参照）。また、ユーザの操作によって指定された散布図を拡大表示するようにした（図１１参照）。
これによってユーザは、異常の発生前後で機械設備２がどのよな状態であったかを容易に把握することができる。例えば、図１０に示す各散布図を視ることで、ユーザは、装置Ｂ（図２参照）で異常が生じた可能性が高いと判断し、装置Ｂを修理又は交換すべき旨を機械設備２の管理者に連絡できる。
また、行列形式で表示された散布図を視ることで、ユーザは、機械設備２の装置で異常が発生したのか（図１０参照）、特定のセンサが故障しているのか（図１２参照）、を容易に判別できる。このように異常の発生箇所を把握したり、故障したセンサを特定したりできるため、機械設備２に関するメンテナンスの計画を立てやすくなる。
また、行列形式で表示された散布図を視ることで、ユーザは、どのセンサが異常予兆の診断に寄与しているかを明確に把握できる。例えば、図１０に示す例では、センサＢ1，Ｂ2が異常予兆の診断に寄与していることが分かる。したがって、異常予兆の診断精度を高めるために新規のセンサを追加しようとする際、そのセンサが診断精度の向上に寄与しているかを簡単に把握できる。その結果、徒に多くのセンサを機械設備２に設置することを防止し、設備コストを低減できる。
なお、前記した非特許文献１に記載の技術では、システムを構成する多数の要素のうち不変関係を有するセンサを予め特定し、さらに不変関係を関数の形で表現する構成になっている。したがって、システムの構築に多大な労力を要するとともに、不変関係を有するセンサの特定漏れが生じる可能性がある。また、特許文献１及び非特許文献１に記載の技術では、異常（予兆）が発生したときに、装置の異常とセンサの故障とを判別できないという問題がある。
これに対して本実施形態では、前記したように、複数の散布図を行列形式で表示してユーザの視覚に訴えることで、装置の異常とセンサの故障とを容易に判別できるとともに、機械設備２の状態をきめ細かく把握できる。
また、本実施形態では、非特許文献１に記載されているような要素間の不変関係を特定する必要はなく、各散布図を行列形式で表示するためのプログラム等の作成で足りる。したがって、システムを構築する際の負担を従来技術よりも軽減できる。
また、本実施形態では、非特許文献１に記載されているような要素間の不変関係を特定する必要はなく、各散布図を行列形式で表示するためのプログラム等の作成で足りる。したがって、システムを構築する際の負担を従来技術よりも軽減できる。
また、装置の異常とセンサの故障とを見分けようとする場合、関連度の高いセンサ対の散布図、及び関連度の低いセンサ対の散布図をそれぞれ確認することが有効となる。本実施形態では、行方向・列方向において近いセンサ同士のほうが、離れているセンサ同士よりも関連度が高くなるように散布図を配置した。これによって、例えば、特定の装置で異常が生じた場合、この装置に関連する散布図が密集して表示されるため（図１０の実線枠、破線枠を参照）。したがって、ユーザは、装置の異常とセンサの故障とを容易に見分けることができる。
また、ユーザの操作に応じて、機械設備２の性能に関する散布図のみを選択的に表示することで（図１３参照）、ユーザは、各散布図を視ることで機械設備２の性能の低下度合いを知ることができるとともに、機械設備２の状態を多面的に把握できる。
≪変形例≫
以上、本発明に係る動態監視装置１について各実施形態により説明したが、本発明はこれらの記載に限定されるものではなく、種々の変更を行うことができる。
例えば、前記実施形態では、動態監視装置１が機械設備２の異常予兆の有無を診断する場合について説明したが、これに限らない。すなわち、動態監視装置１は、異常測度と所定閾値との大小を判定し、その判定結果に基づいて散布図を行列形式で表示する構成であればよく、機械設備２の異常予兆の有無を診断する必要はない。
以上、本発明に係る動態監視装置１について各実施形態により説明したが、本発明はこれらの記載に限定されるものではなく、種々の変更を行うことができる。
例えば、前記実施形態では、動態監視装置１が機械設備２の異常予兆の有無を診断する場合について説明したが、これに限らない。すなわち、動態監視装置１は、異常測度と所定閾値との大小を判定し、その判定結果に基づいて散布図を行列形式で表示する構成であればよく、機械設備２の異常予兆の有無を診断する必要はない。
また、前記実施形態では、センサ同士の関連度が設備情報記憶手段１５に格納されている場合について説明したが（図３（ｂ）参照）、これに限らない。例えば、図１０に示すように、行列形式で表示される各散布図の横軸・縦軸に関して、関連性の高いセンサが近くなるように配置すれば、ユーザは散布図の配置からセンサ同士の関連度を推定できる。
なお、センサ同士の関連性を考慮することなく、複数の散布図を行列形式で配置してもよい。この場合でも、センサの種類や設置位置を確認することで、ユーザは機械設備２の状態を把握できる。
なお、センサ同士の関連性を考慮することなく、複数の散布図を行列形式で配置してもよい。この場合でも、センサの種類や設置位置を確認することで、ユーザは機械設備２の状態を把握できる。
また、前記実施形態では、散布図に表示する時系列データを、異常測度の値に基づいて２つのグループ（○印、×印：図１１参照）に分類する場合について説明したが、これに限らない。例えば、異常測度の値に基づき、時系列データを３つ以上のグループ（例えば、異常測度：大、中、小）に分けてもよい。また、○印や×印ではなく、各グループを異なる色で表示するようにしてもよい。
また、○印や×印ではなく、各時系列データを異なる文字（印）で表示する（例えば、正常な各時系列データを「正」の文字で表示し、異常な各時系列データを「異」の文字で表示する）ようにしてもよい。
また、異常測度が大きくなるにつれて連続的に色調が変化するように、各時系列データを散布図に表示してもよい。
また、○印や×印ではなく、各時系列データを異なる文字（印）で表示する（例えば、正常な各時系列データを「正」の文字で表示し、異常な各時系列データを「異」の文字で表示する）ようにしてもよい。
また、異常測度が大きくなるにつれて連続的に色調が変化するように、各時系列データを散布図に表示してもよい。
また、前記実施形態では、機械設備２に設置された全てのセンサに関する散布図を行列形式で表示する場合について説明したが、これに限らない。すなわち、ユーザによって選択される一部又は全部のセンサに関する散布図を行列形式で表示するようにしてもよい。
また、散布図の行数・列数（つまり、センサの個数）は、図１０等に示す場合に限定されず、例えば、数百行・数百列としてもよい。なお、ユーザが見やすいように、表示装置５の画面上では数十個の散布図を表示し、ユーザの操作に応じて縦・横方向にスクロールできるようにすることが好ましい。
また、散布図の行数・列数（つまり、センサの個数）は、図１０等に示す場合に限定されず、例えば、数百行・数百列としてもよい。なお、ユーザが見やすいように、表示装置５の画面上では数十個の散布図を表示し、ユーザの操作に応じて縦・横方向にスクロールできるようにすることが好ましい。
また、前記実施形態では、ユーザの操作に応じて、機械設備２の性能に関連するセンサを抽出し、このセンサの検出値を用いて散布図を作成する場合について説明したが、これに限らない。例えば、ユーザの操作に応じて、電力に関連するセンサ、ガスの循環に関連するセンサ等を抽出し、このセンサの検出値を用いて散布図を作成するようにしてもよい。特に、センサの個数が膨大である場合（例えば、数千個）、目的別にセンサを分類して散布図を表示することが好ましい。
また、前記実施形態では、ユーザの操作に応じて、機械設備２の性能に関する複数の散布図を行列形式で表示する場合について説明したが（図１３参照）、これに限らない。例えば、性能に関する複数の散布図を横並びで表示するようにしてもよい。また、性能に関する散布図が、１つだけ存在する場合もある。
また、前記実施形態では、正常モデル学習部１６１ｃが非階層クラスタリングであるｋ平均法を用いてクラスタリングを行うことで正常モデルを学習する場合について説明したが、これに限らない。例えば、非階層的クラスタリングであるファジィクラスタリングや混合密度分布法等に基づいて正常モデルを学習するようにしてもよい。また、最短距離法等の階層的クラスタリングに基づいて正常モデルを学習するようにしてもよい。
また、図１、図２、図４に示す各構成は、それらの一部又は全部を、例えば集積回路で設計する等によりハードウェアで実現してもよい。また、前記の各構成は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現してもよい。各機能を実現するプログラム、テープ、ファイル等の情報は、メモリや、ハードディスク、ＳＳＤ（Solid State Drive）等の記録装置、又は、ＩＣカード、ＳＤカード、ＤＶＤ等の記録媒体に格納することができる。
また、図１、図２、図４に示す制御線や情報線は、説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線や情報線を示しているとは限らない。実際には殆ど全ての構成が相互に接続されていると考えてもよい。
１ 動態監視装置
１１ 通信手段
１２ 時系列データ取得手段
１３ 時系列データ記憶手段
１４ 設備情報取得手段
１５ 設備情報記憶手段
１６ データマイニング手段
１６１ データマイニング学習部（学習手段）
１６１ａ 学習対象データ取得部
１６１ｂ 学習対象データ記憶部
１６１ｃ 正常モデル学習部
１６１ｄ 正常モデル記憶部
１６２ データマイニング診断部
１６２ａ 診断対象データ取得部
１６２ｂ 診断対象データ記憶部
１６２ｃ 異常測度算出部（異常測度算出手段）
１６２ｄ 診断部
１７ 診断結果記憶手段
１８ 入力受付手段
１９ 表示制御手段
２ 機械設備
３ コンピュータ
４ 入力装置
５ 表示装置
Ａ1，Ａ2，Ａ3，Ｂ1，Ｂ2，Ｃ1，Ｄ1，Ｄ2 センサ
１１ 通信手段
１２ 時系列データ取得手段
１３ 時系列データ記憶手段
１４ 設備情報取得手段
１５ 設備情報記憶手段
１６ データマイニング手段
１６１ データマイニング学習部（学習手段）
１６１ａ 学習対象データ取得部
１６１ｂ 学習対象データ記憶部
１６１ｃ 正常モデル学習部
１６１ｄ 正常モデル記憶部
１６２ データマイニング診断部
１６２ａ 診断対象データ取得部
１６２ｂ 診断対象データ記憶部
１６２ｃ 異常測度算出部（異常測度算出手段）
１６２ｄ 診断部
１７ 診断結果記憶手段
１８ 入力受付手段
１９ 表示制御手段
２ 機械設備
３ コンピュータ
４ 入力装置
５ 表示装置
Ａ1，Ａ2，Ａ3，Ｂ1，Ｂ2，Ｃ1，Ｄ1，Ｄ2 センサ
前記課題を解決するために、本発明に係る動態監視装置は、機械設備に設置された複数のセンサの検出値を含む時系列データを取得する時系列データ取得手段と、前記時系列データ取得手段によって取得される時系列データを用いて、前記複数のセンサの検出値の正常範囲を示す正常モデルを学習する学習手段と、前記時系列データ取得手段によって取得される時系列データを用いて、前記学習手段によって学習された正常モデルに基づいて、前記複数のセンサの検出値の異常度合いを示す異常測度を算出する異常測度算出手段と、前記複数のセンサのうち、二つのセンサの組合せからなる複数の散布図を行列形式で配置して表示装置に表示させる表示制御手段と、を備え、前記表示制御手段は、前記異常測度算出手段によって異常測度が算出された各時系列データに含まれる前記二つのセンサの検出値に基づき、当該検出値で特定される位置に前記異常測度の大きさに対応する印を表示させることで、前記複数の散布図を作成することを特徴とする。
なお、詳細については、発明を実施するための形態において説明する。
なお、詳細については、発明を実施するための形態において説明する。
コンピュータ３の記憶手段（図示せず）には、機械設備２及び各センサに関する設備情報がデータベースとして格納されている。
図３（ａ）は、各センサに関する設備情報の説明図である。なお、図３（ａ）に示すセンサＩＤ（identification）は各センサの識別記号であり、設備ＩＤはセンサが設置された機械設備２の識別記号であり、装置ＩＤはセンサが設置された装置の識別記号である。例えば、センサＡ1は圧力センサであり、そのセンサＩＤはＸＸＸＡ１であり、機械設備２の設備ＩＤはＹＹＹＹであり、センサＡ1が設置された装置Ａの装置ＩＤはＺＺＺＡである。
図３（ａ）は、各センサに関する設備情報の説明図である。なお、図３（ａ）に示すセンサＩＤ（identification）は各センサの識別記号であり、設備ＩＤはセンサが設置された機械設備２の識別記号であり、装置ＩＤはセンサが設置された装置の識別記号である。例えば、センサＡ1は圧力センサであり、そのセンサＩＤはＸＸＸＡ１であり、機械設備２の設備ＩＤはＹＹＹＹであり、センサＡ1が設置された装置Ａの装置ＩＤはＺＺＺＡである。
ところで、装置Ｂを含む機械設備２は正常であるものの、センサＢ1自体が故障して正常時よりも大幅に低い値を出力することがある。この場合においてセンサＢ1，Ｂ2に関する散布図は、正常時・異常時の時系列データが分かれて分布する（図８（ａ）と同様の分布になる）。
一方、センサＢ1との関連度が高いセンサＢ2については、次のようになっている。
すなわち、センサＢ2と、このセンサＢ2との関連度が低いセンサＡ1と、に関する散布図Ｐにおいて、正常時・異常時の時系列データが分かれて分布している。なお、破線で囲った他の散布図Ｑ，Ｒ，Ｓ（縦軸・横軸の一方がセンサＢ2の散布図）でも、正常時・異常時の時系列データが分かれて分布している。
したがって、機械設備２の状態は、前記した事項（α）に該当し、センサＢ1が設置されている装置Ｂで異常が発生している可能性が高いことが分かる。この場合にユーザは、装置Ｂを修理又は交換すべき旨を機械設備２の管理者に連絡する。
すなわち、センサＢ2と、このセンサＢ2との関連度が低いセンサＡ1と、に関する散布図Ｐにおいて、正常時・異常時の時系列データが分かれて分布している。なお、破線で囲った他の散布図Ｑ，Ｒ，Ｓ（縦軸・横軸の一方がセンサＢ2の散布図）でも、正常時・異常時の時系列データが分かれて分布している。
したがって、機械設備２の状態は、前記した事項（α）に該当し、センサＢ1が設置されている装置Ｂで異常が発生している可能性が高いことが分かる。この場合にユーザは、装置Ｂを修理又は交換すべき旨を機械設備２の管理者に連絡する。
Claims (6)
- 機械設備に設置された複数のセンサの検出値を含む時系列データを取得する時系列データ取得手段と、
前記時系列データ取得手段によって取得される時系列データを用いて、前記機械設備の状態に対応する特徴ベクトルを生成し、前記特徴ベクトルの正常範囲を示す正常モデルを学習する学習手段と、
前記時系列データ取得手段によって取得される時系列データを用いて、前記機械設備の状態に対応する特徴ベクトルを生成し、前記学習手段によって学習された正常モデルに基づいて、当該特徴ベクトルの異常度合いを示す異常測度を算出する異常測度算出手段と、
前記複数のセンサのうち、二つのセンサの組合せからなる複数の散布図を行列形式で配置して表示装置に表示させる表示制御手段と、を備え、
前記表示制御手段は、
前記異常測度算出手段によって異常測度が算出された各時系列データに含まれる前記二つのセンサの検出値に基づき、当該検出値で特定される位置に前記異常測度の大きさに対応する印を表示させることで、前記複数の散布図を作成すること
を特徴とする動態監視装置。 - 前記表示制御手段は、
それぞれの前記散布図の横軸に対応する前記複数のセンサに関して、行方向で近いセンサ同士のほうが、行方向で離れているセンサ同士よりも、センサ間の関連性の度合いを示す関連度が高くなるように前記複数の散布図を配置するとともに、
それぞれの前記散布図の縦軸に対応する前記複数のセンサに関して、列方向で近いセンサ同士のほうが、列方向で離れているセンサ同士よりも前記関連度が高くなるように前記複数の散布図を配置すること
を特徴とする請求項１に記載の動態監視装置。 - 前記表示制御手段は、
前記複数のセンサのうち、ユーザの操作によって選択される一部又は全部のセンサに関する前記複数の散布図を、前記表示装置に表示させること
を特徴とする請求項１に記載の動態監視装置。 - 前記表示制御手段は、
行列形式で表示された前記複数の散布図のうち、ユーザの操作によって選択される散布図を前記表示装置に拡大表示させること
を特徴とする請求項１に記載の動態監視装置。 - 前記表示制御手段は、
ユーザの操作によって、前記機械設備の性能に関する散布図を表示する旨の指令信号が入力された場合、前記複数のセンサの中から前記機械設備の性能に関連する一対又は複数対の性能関連センサを抽出し、対となる前記性能関連センサの一方を横軸、他方を縦軸とする散布図を表示させること
を特徴とする請求項１から請求項４のいずれか一項に記載の動態監視装置。 - 機械設備に設置された複数のセンサの検出値を含む時系列データを取得する時系列データ取得ステップと、
前記時系列データ取得ステップで取得される時系列データを用いて、前記機械設備の状態に対応する特徴ベクトルを生成し、前記特徴ベクトルの正常範囲を示す正常モデルを学習する学習ステップと、
前記時系列データ取得ステップで取得される時系列データを用いて、前記機械設備の状態に対応する特徴ベクトルを生成し、前記学習ステップで学習された正常モデルに基づいて、当該特徴ベクトルの異常度合いを示す異常測度を算出する異常測度算出ステップと、
前記複数のセンサのうち、二つのセンサの組合せからなる複数の散布図を行列形式で配置して表示装置に表示させる表示制御ステップと、を含み、
前記表示制御ステップにおいて、
前記異常測度算出ステップで異常測度が算出された各時系列データに含まれる前記二つのセンサの検出値に基づき、当該検出値で特定される位置に前記異常測度の大きさに対応する印を表示させることで、前記複数の散布図を作成すること
を特徴とする動態監視方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2014171350A JP5715288B1 (ja) | 2014-08-26 | 2014-08-26 | 動態監視装置及び動態監視方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2014171350A JP5715288B1 (ja) | 2014-08-26 | 2014-08-26 | 動態監視装置及び動態監視方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP5715288B1 JP5715288B1 (ja) | 2015-05-07 |
| JP2016045846A true JP2016045846A (ja) | 2016-04-04 |
Family
ID=53277325
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2014171350A Active JP5715288B1 (ja) | 2014-08-26 | 2014-08-26 | 動態監視装置及び動態監視方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP5715288B1 (ja) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019070930A (ja) * | 2017-10-06 | 2019-05-09 | 株式会社日立パワーソリューションズ | 異常検知装置および異常検知方法 |
| CN109871002A (zh) * | 2019-03-06 | 2019-06-11 | 东方证券股份有限公司 | 基于张量标签学习的并发异常状态识别与定位*** |
| JP2020140226A (ja) * | 2019-02-26 | 2020-09-03 | 三菱Ｕｆｊ信託銀行株式会社 | 汎用人工知能装置及び汎用人工知能プログラム |
| JP2022135063A (ja) * | 2021-03-04 | 2022-09-15 | 三菱ケミカルエンジニアリング株式会社 | 診断装置、診断方法、及び診断プログラム |
| JP2022135064A (ja) * | 2021-03-04 | 2022-09-15 | 三菱ケミカルエンジニアリング株式会社 | 診断装置、診断方法、及び診断プログラム |
| JP7390343B2 (ja) | 2021-09-10 | 2023-12-01 | 日本電子株式会社 | 散布図表示装置、散布図表示方法、および分析装置 |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5946572B1 (ja) * | 2015-08-05 | 2016-07-06 | 株式会社日立パワーソリューションズ | 異常予兆診断システム及び異常予兆診断方法 |
| JP5946573B1 (ja) * | 2015-08-05 | 2016-07-06 | 株式会社日立パワーソリューションズ | 異常予兆診断システム及び異常予兆診断方法 |
| JP6920828B2 (ja) * | 2017-02-17 | 2021-08-18 | 三菱パワー株式会社 | プラントの診断装置および診断方法 |
| WO2019142264A1 (ja) * | 2018-01-17 | 2019-07-25 | 三菱電機株式会社 | 攻撃検知装置、攻撃検知方法および攻撃検知プログラム |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013008092A (ja) * | 2011-06-22 | 2013-01-10 | Hitachi Engineering & Services Co Ltd | 異常予兆診断装置及び異常予兆診断方法 |
| JP2014032455A (ja) * | 2012-08-01 | 2014-02-20 | Hitachi Power Solutions Co Ltd | 設備状態監視方法およびその装置 |
| JP2014148294A (ja) * | 2013-02-04 | 2014-08-21 | Denso Corp | 診断装置 |
-
2014
- 2014-08-26 JP JP2014171350A patent/JP5715288B1/ja active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013008092A (ja) * | 2011-06-22 | 2013-01-10 | Hitachi Engineering & Services Co Ltd | 異常予兆診断装置及び異常予兆診断方法 |
| JP2014032455A (ja) * | 2012-08-01 | 2014-02-20 | Hitachi Power Solutions Co Ltd | 設備状態監視方法およびその装置 |
| JP2014148294A (ja) * | 2013-02-04 | 2014-08-21 | Denso Corp | 診断装置 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019070930A (ja) * | 2017-10-06 | 2019-05-09 | 株式会社日立パワーソリューションズ | 異常検知装置および異常検知方法 |
| JP7017363B2 (ja) | 2017-10-06 | 2022-02-08 | 株式会社日立パワーソリューションズ | 異常検知装置および異常検知方法 |
| JP2020140226A (ja) * | 2019-02-26 | 2020-09-03 | 三菱Ｕｆｊ信託銀行株式会社 | 汎用人工知能装置及び汎用人工知能プログラム |
| CN109871002A (zh) * | 2019-03-06 | 2019-06-11 | 东方证券股份有限公司 | 基于张量标签学习的并发异常状态识别与定位*** |
| JP2022135063A (ja) * | 2021-03-04 | 2022-09-15 | 三菱ケミカルエンジニアリング株式会社 | 診断装置、診断方法、及び診断プログラム |
| JP2022135064A (ja) * | 2021-03-04 | 2022-09-15 | 三菱ケミカルエンジニアリング株式会社 | 診断装置、診断方法、及び診断プログラム |
| JP7254846B2 (ja) | 2021-03-04 | 2023-04-10 | 三菱ケミカルエンジニアリング株式会社 | 診断装置、診断方法、及び診断プログラム |
| JP7254845B2 (ja) | 2021-03-04 | 2023-04-10 | 三菱ケミカルエンジニアリング株式会社 | 診断装置、診断方法、及び診断プログラム |
| JP7390343B2 (ja) | 2021-09-10 | 2023-12-01 | 日本電子株式会社 | 散布図表示装置、散布図表示方法、および分析装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP5715288B1 (ja) | 2015-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5715288B1 (ja) | 動態監視装置及び動態監視方法 | |
| JP5946573B1 (ja) | 異常予兆診断システム及び異常予兆診断方法 | |
| JP5684941B1 (ja) | 異常予兆診断装置及び異常予兆診断方法 | |
| JP4832609B1 (ja) | 異常予兆診断装置および異常予兆診断方法 | |
| JP5480440B1 (ja) | 異常予兆診断装置及び異常予兆診断方法 | |
| JP5845374B1 (ja) | 異常予兆診断システム及び異常予兆診断方法 | |
| JP2017142800A (ja) | プロセス制御ネットワークのルールビルダー | |
| EP3355145A1 (en) | Systems and methods for reliability monitoring | |
| JP5946572B1 (ja) | 異常予兆診断システム及び異常予兆診断方法 | |
| US20210133018A1 (en) | A unifying semi-supervised approach for machine condition monitoring and fault diagnosis | |
| US11782430B2 (en) | Abnormality diagnosis method, abnormality diagnosis device and non-transitory computer readable storage medium | |
| US20190064790A1 (en) | Manufacturing Facility Management Optimization Device | |
| JP2013008098A (ja) | 異常予兆診断結果の表示方法 | |
| CN102693262A (zh) | 确定现象中变量的影响的方法 | |
| CN106575282A (zh) | 用于先进过程控制的云计算***和方法 | |
| JP2021092970A (ja) | 制御方法、制御装置、機械設備、制御プログラム、記録媒体 | |
| Steurtewagen et al. | Adding interpretability to predictive maintenance by machine learning on sensor data | |
| EP4174601A1 (en) | System, apparatus and method for monitoring condition of an asset in technical installation | |
| US20180239666A1 (en) | Methods and systems for problem-alert aggregation | |
| CN106662869B (zh) | 用于高级过程控制的***和方法 | |
| Kellner et al. | Towards designing a user-centric decision support system for predictive maintenance in SMEs | |
| JP6727478B1 (ja) | 学習装置、学習方法及びプログラム | |
| JP6785715B2 (ja) | 正常異常判別装置、正常異常判別方法、及び正常異常判別システム | |
| JP7052914B1 (ja) | 異常診断システム、異常診断装置、異常診断方法、及びプログラム | |
| JP2017045147A (ja) | 情報提供装置、情報提供方法、及びプログラム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20150217 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20150312 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 5715288 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |