JP2017194341A

JP2017194341A - Abnormality diagnosis method, abnormality diagnosis device, and abnormality diagnosis program

Info

Publication number: JP2017194341A
Application number: JP2016084511A
Authority: JP
Inventors: 由宇鈴木; Yu Suzuki; 河野　幸弘; Yukihiro Kono; 幸弘河野
Original assignee: IHI Corp
Current assignee: IHI Corp
Priority date: 2016-04-20
Filing date: 2016-04-20
Publication date: 2017-10-26
Anticipated expiration: 2036-04-20
Also published as: JP6658250B2

Abstract

PROBLEM TO BE SOLVED: To facilitate abnormality determination and location of an abnormal place.SOLUTION: An abnormality diagnosis method includes: a first step (S11) of calculating a value for indicating a probability distribution of a regression coefficient of a regression formula where an object variable is one of measurement items and an explanation coefficient is another measurement item; a second step (S12) of calculating a value for indicating a probability distribution of a prediction value of a diagnosis item at a point of time of second measurement, based on the regression formula, a value for indicating a probability distribution of a regression coefficient calculated in the first step, and diagnosis target data; and a third step (S13) of determining abnormality in a diagnosis item based on a first degree of abnormality by calculating the first degree of abnormality as a degree of abnormality of the diagnosis item at a point of time of second measurement, based on diagnosis target data, and a value for indicating a probability distribution of a prediction value of a diagnosis item calculated in the second step.SELECTED DRAWING: Figure 5

Description

本発明は、異常診断方法、異常診断装置、及び異常診断プログラムに関する。 The present invention relates to an abnormality diagnosis method, an abnormality diagnosis apparatus, and an abnormality diagnosis program.

異常診断に関する技術として、例えば特許文献１には、プラントに関する複数の計測項目のデータに基づいてプラントの運転状態を監視する方法が記載されている。特許文献１に記載された方法では、プラントが正常に稼働している時間帯に取得された正常稼働データに基づいて算出されるマハラノビス距離（ＭＤ値）が異常度として用いられている。ＭＤ値は、正常範囲からの乖離の大きさを表す値である。また、特許文献２には、重回帰分析により正常稼働データに基づいて計測項目の予測値を算出し、算出した予測値に基づいてガスタービンの性能を診断する方法が記載されている。 As a technique related to abnormality diagnosis, for example, Patent Document 1 describes a method of monitoring the operation state of a plant based on data of a plurality of measurement items related to the plant. In the method described in Patent Document 1, the Mahalanobis distance (MD value) calculated based on normal operation data acquired during a time period during which the plant is operating normally is used as the degree of abnormality. The MD value is a value representing the magnitude of deviation from the normal range. Patent Document 2 describes a method of calculating a predicted value of a measurement item based on normal operation data by multiple regression analysis and diagnosing the performance of the gas turbine based on the calculated predicted value.

特開２０１０−１９１６４１号公報JP 2010-191641 A 特許第３９２２４２６号公報Japanese Patent No. 3922426

上記特許文献１に記載された方法において異常度として用いられるＭＤ値は、全ての計測項目のデータが混合されて得られる値である。そのため、異常に寄与した計測項目の特定、すなわち異常箇所の特定が困難である。また、上記特許文献２に記載された方法を異常診断方法に適用する場合、計測値と算出した予測値との間の乖離の大きさに基づいて異常判定を行うことが考えられる。しかし、乖離がどの程度の大きさになれば異常が発生したと判定すればよいかを決定することが困難となるおそれがある。 The MD value used as the degree of abnormality in the method described in Patent Document 1 is a value obtained by mixing data of all measurement items. Therefore, it is difficult to specify the measurement item that contributes to the abnormality, that is, to specify the abnormal part. Moreover, when applying the method described in the said patent document 2 to an abnormality diagnosis method, it is possible to perform abnormality determination based on the magnitude | size of the deviation between a measured value and the calculated estimated value. However, it may be difficult to determine how large the deviation should be to determine that an abnormality has occurred.

本発明は、異常判定の容易化及び異常箇所の特定の容易化が図られた異常診断方法、異常診断装置、及び異常診断プログラムを提供することを目的とする。 SUMMARY OF THE INVENTION An object of the present invention is to provide an abnormality diagnosis method, an abnormality diagnosis device, and an abnormality diagnosis program in which an abnormality determination is facilitated and an abnormality location is easily identified.

本発明の一側面に係る異常診断方法は、診断対象システムに関する複数の計測項目のデータに基づいて診断対象システムの異常を診断する異常診断方法であって、診断対象システムが正常に稼働している時間帯における複数の第１計測時点において取得された計測項目のデータである正常稼働データに基づいて、目的変数が計測項目のうちの一の診断項目であり、説明変数が他の計測項目である回帰式の回帰係数の確率分布を表す値を算出する第１ステップと、回帰式、第１ステップで算出した回帰係数の確率分布を表す値、及び診断の対象となる時間帯における第２計測時点において取得された計測項目のデータである診断対象データに基づいて、第２計測時点における診断項目の予測値の確率分布を表す値を算出する第２ステップと、診断対象データ及び第２ステップで算出した診断項目の予測値の確率分布を表す値に基づいて第２計測時点における診断項目の異常度である第１異常度を算出し、第１異常度に基づいて診断項目の異常判定を行う第３ステップと、を含む。 An abnormality diagnosis method according to an aspect of the present invention is an abnormality diagnosis method for diagnosing an abnormality of a diagnosis target system based on data of a plurality of measurement items related to the diagnosis target system, and the diagnosis target system is operating normally Based on normal operation data that is data of measurement items acquired at a plurality of first measurement points in time, the objective variable is one of the measurement items and the explanatory variable is another measurement item. A first step of calculating a value representing the probability distribution of the regression coefficient of the regression equation; a value representing the probability distribution of the regression coefficient calculated in the first step; and the second measurement time point in the time zone to be diagnosed A second step of calculating a value representing the probability distribution of the predicted value of the diagnostic item at the second measurement time point based on the diagnosis target data that is the data of the measurement item acquired in step 2, Based on the target data and the value representing the probability distribution of the predicted value of the diagnostic item calculated in the second step, the first abnormality degree that is the abnormality degree of the diagnostic item at the second measurement time is calculated, and based on the first abnormality degree And a third step of determining abnormality of the diagnostic item.

本発明の一側面に係る異常診断装置は、診断対象システムに関する複数の計測項目のデータに基づいて診断対象システムの異常を診断する異常診断装置であって、診断対象システムが正常に稼働している時間帯における複数の第１計測時点において取得された計測項目のデータである正常稼働データに基づいて、目的変数が計測項目のうちの一の診断項目であり、説明変数が他の計測項目である回帰式の回帰係数の確率分布を表す値を算出する第１算出部と、回帰式、第１算出部により算出された回帰係数の確率分布を表す値、及び診断の対象となる時間帯における第２計測時点において取得された計測項目のデータである診断対象データに基づいて、第２計測時点における診断項目の予測値の確率分布を表す値を算出する第２算出部と、診断対象データ及び第２算出部により算出された診断項目の予測値の確率分布を表す値に基づいて第２計測時点における診断項目の異常度である第１異常度を算出し、第１異常度に基づいて診断項目の異常判定を行う異常判定部と、を含む。 An abnormality diagnosis apparatus according to an aspect of the present invention is an abnormality diagnosis apparatus that diagnoses an abnormality of a diagnosis target system based on data of a plurality of measurement items related to the diagnosis target system, and the diagnosis target system is operating normally Based on normal operation data that is data of measurement items acquired at a plurality of first measurement points in time, the objective variable is one of the measurement items and the explanatory variable is another measurement item. A first calculation unit that calculates a value representing the probability distribution of the regression coefficient of the regression equation, a value representing the probability distribution of the regression coefficient calculated by the regression equation, the first calculation unit, and the first in the time zone to be diagnosed A second calculation unit that calculates a value representing a probability distribution of a predicted value of the diagnostic item at the second measurement time point based on diagnosis target data that is data of the measurement item acquired at the two measurement time points; Based on the target data and the value representing the probability distribution of the predicted value of the diagnostic item calculated by the second calculation unit, the first abnormality degree that is the abnormality degree of the diagnostic item at the second measurement time point is calculated, and the first abnormality degree is calculated. And an abnormality determination unit that determines abnormality of the diagnostic item based on the abnormality.

本発明の一側面に係る異常診断プログラムは、診断対象システムに関する複数の計測項目のデータに基づいて診断対象システムの異常を診断する異常診断方法をコンピュータに実行させる異常診断プログラムであって、診断対象システムが正常に稼働している時間帯における複数の第１計測時点において取得された計測項目のデータである正常稼働データに基づいて、目的変数が計測項目のうちの一の診断項目であり、説明変数が他の計測項目である回帰式の回帰係数の確率分布を表す値を算出する第１ステップと、回帰式、第１ステップで算出した回帰係数の確率分布を表す値、及び診断の対象となる時間帯における第２計測時点において取得された計測項目のデータである診断対象データに基づいて、第２計測時点における診断項目の予測値の確率分布を表す値を算出する第２ステップと、診断対象データ及び第２ステップで算出した診断項目の予測値の確率分布を表す値に基づいて第２計測時点における診断項目の異常度である第１異常度を算出し、第１異常度に基づいて診断項目の異常判定を行う第３ステップと、をコンピュータに実行させる。 An abnormality diagnosis program according to an aspect of the present invention is an abnormality diagnosis program for causing a computer to execute an abnormality diagnosis method for diagnosing an abnormality in a diagnosis target system based on data of a plurality of measurement items related to the diagnosis target system. Based on normal operation data that is data of measurement items acquired at a plurality of first measurement points in a time zone during which the system is operating normally, the objective variable is one of the measurement items and is described. A first step of calculating a value representing the probability distribution of the regression coefficient of the regression equation whose variable is another measurement item, a value representing the probability distribution of the regression coefficient calculated in the first step, and a diagnosis target Based on the diagnosis target data that is the data of the measurement item acquired at the second measurement time point in the time zone, the diagnosis item prediction at the second measurement time point A second step of calculating a value representing the probability distribution of the value, and the degree of abnormality of the diagnostic item at the second measurement time point based on the diagnosis target data and the value representing the probability distribution of the predicted value of the diagnostic item calculated in the second step. The computer executes a third step of calculating a certain first abnormality degree and performing abnormality determination of the diagnostic item based on the first abnormality degree.

これらの異常診断方法、異常診断装置、及び異常診断プログラムでは、診断の対象となる時間帯の第２計測時点における診断項目の異常度である第１異常度が算出される。これにより、診断の対象となる時間帯に診断項目に異常が生じていたかどうかを判定することができる。また、第１異常度は、第２計測時点における診断項目の予測値の確率分布を表す値に基づいて算出される。これにより、計測値と予測値の確率分布との比較に基づいて異常判定を行うことができるので、異常判定を容易に行うことが可能となる。また、診断項目ごとに第１異常度が算出される。これにより、例えば複数の診断項目が設定されている場合でも、異常箇所の特定を容易に行うことが可能となる。このように、上記異常診断方法、異常診断装置、及び異常診断プログラムでは、異常判定の容易化及び異常箇所の特定の容易化が図られている。 In these abnormality diagnosis methods, abnormality diagnosis apparatuses, and abnormality diagnosis programs, the first abnormality degree that is the abnormality degree of the diagnostic item at the second measurement time point in the time zone to be diagnosed is calculated. Thereby, it can be determined whether abnormality has arisen in the diagnostic item in the time slot | zone used as a diagnosis object. The first abnormality degree is calculated based on a value representing the probability distribution of the predicted value of the diagnostic item at the second measurement time point. Thereby, since abnormality determination can be performed based on the comparison with the probability distribution of a measured value and a predicted value, it becomes possible to perform abnormality determination easily. In addition, the first abnormality degree is calculated for each diagnosis item. Thereby, for example, even when a plurality of diagnostic items are set, it is possible to easily identify an abnormal location. As described above, in the abnormality diagnosis method, the abnormality diagnosis apparatus, and the abnormality diagnosis program, the determination of abnormality and the identification of the abnormal part are facilitated.

第１ステップでは、回帰係数の確率分布が正規分布に従うと仮定した場合の回帰係数の確率分布を表す値を算出し、第２ステップでは、回帰係数の確率分布が正規分布に従うと仮定した場合の第２計測時点における診断項目の予測値の確率分布を表す値を算出してもよい。これにより、第２計測時点における診断項目の予測値の確率分布を表す値の算出に要する時間を低減することができる。 In the first step, a value representing the probability distribution of the regression coefficient when the probability distribution of the regression coefficient is assumed to follow a normal distribution is calculated, and in the second step, the probability distribution of the regression coefficient is assumed to follow a normal distribution. A value representing the probability distribution of the predicted value of the diagnostic item at the second measurement time point may be calculated. Thereby, the time required for calculating a value representing the probability distribution of the predicted value of the diagnostic item at the second measurement time can be reduced.

第３ステップでは、第２計測時点について、診断項目の計測値と診断項目の予測値の確率分布における平均値との差分を当該確率分布の標準偏差で除した値を第１異常度として算出してもよい。これにより、診断項目の予測値の確率分布における標準偏差が小さい場合に、計測値と平均値との差分の大きさが第１異常度に鋭敏に反映される。その結果、診断項目の予測に関するばらつきの大きさが第１異常度に反映されるので、診断項目の異常判定における精度を向上することができる。 In the third step, for the second measurement time point, a value obtained by dividing the difference between the measured value of the diagnostic item and the average value in the probability distribution of the predicted value of the diagnostic item by the standard deviation of the probability distribution is calculated as the first degree of abnormality. May be. Thereby, when the standard deviation in the probability distribution of the predicted value of the diagnostic item is small, the magnitude of the difference between the measured value and the average value is sharply reflected in the first degree of abnormality. As a result, since the magnitude of the variation related to the prediction of the diagnostic item is reflected in the first abnormality degree, it is possible to improve the accuracy in determining the abnormality of the diagnostic item.

本発明の一側面に係る異常診断方法は、正常稼働データ、回帰式、及び第１ステップで算出した回帰係数の確率分布を表す値に基づいて、各第１計測時点における診断項目の予測値の確率分布を表す値を算出する第４ステップと、正常稼働データ及び第４ステップで算出した診断項目の予測値の確率分布を表す値に基づいて、各第１計測時点における診断項目の異常度である第２異常度を算出する第５ステップと、を更に含み、第３ステップでは、第１異常度及び第２異常度に基づいて診断項目の異常判定を行ってもよい。これにより、第１異常度だけでなく、診断対象システムが正常に稼働している時間帯の各第１計測時点における診断項目の異常度である第２異常度にも基づいて診断項目の異常判定が行われる。そのため、診断項目の異常判定における精度を一層向上することができる。 The abnormality diagnosis method according to one aspect of the present invention is based on the normal operation data, the regression equation, and the value representing the probability distribution of the regression coefficient calculated in the first step. Based on the fourth step of calculating a value representing the probability distribution, the normal operation data and the value representing the probability distribution of the predicted value of the diagnostic item calculated in the fourth step, the degree of abnormality of the diagnostic item at each first measurement time point A fifth step of calculating a certain second abnormality degree, and in the third step, abnormality determination of the diagnosis item may be performed based on the first abnormality degree and the second abnormality degree. Thereby, not only the first abnormality degree but also the abnormality determination of the diagnosis item based on the second abnormality degree that is the abnormality degree of the diagnosis item at each first measurement time point in the time zone in which the diagnosis target system is operating normally. Is done. Therefore, it is possible to further improve the accuracy in diagnosis item abnormality determination.

本発明によれば、異常判定の容易化及び異常箇所の特定の容易化が図られる。 According to the present invention, it is possible to facilitate the determination of an abnormality and to specify the location of an abnormality.

本発明の一実施形態に係る異常診断装置の構成を示すブロック図である。It is a block diagram which shows the structure of the abnormality diagnosis apparatus which concerns on one Embodiment of this invention. （ａ）及び（ｂ）は、回帰係数の確率分布を表す値の算出を説明するための図である。(A) And (b) is a figure for demonstrating calculation of the value showing the probability distribution of a regression coefficient. （ａ）及び（ｂ）は、回帰係数の確率分布を表す値の算出を説明するための図である。(A) And (b) is a figure for demonstrating calculation of the value showing the probability distribution of a regression coefficient. 第１異常度を説明するための図である。It is a figure for demonstrating a 1st abnormality degree. 図１の異常診断装置により実行される処理を示すフローチャートである。It is a flowchart which shows the process performed by the abnormality diagnosis apparatus of FIG. 第１算出処理の詳細を示すフローチャートである。It is a flowchart which shows the detail of a 1st calculation process. 第２算出処理の詳細を示すフローチャートである。It is a flowchart which shows the detail of a 2nd calculation process. 異常判定処理の詳細を示すフローチャートである。It is a flowchart which shows the detail of an abnormality determination process. 異常診断ブログラムを説明するための図である。It is a figure for demonstrating an abnormality diagnosis program.

以下、本発明の一実施形態について、図面を参照しつつ詳細に説明する。なお、以下の説明において、同一又は相当要素には同一符号を用い、重複する説明を省略する。 Hereinafter, an embodiment of the present invention will be described in detail with reference to the drawings. In the following description, the same reference numerals are used for the same or corresponding elements, and duplicate descriptions are omitted.

図１に示される異常診断装置１は、診断対象となるシステムである診断対象システムの異常を診断する装置である。診断対象システムとしては、例えば、ガスタービン、航空エンジン、又は真空炉等の機械システムが挙げられる。このような診断対象システムには、システムの動作状況を確認するために、システムに関する複数の計測項目を計測するための複数のセンサが取り付けられている。計測項目には、例えば、温度、圧力、又は回転数等が含まれる。異常診断装置１は、これらの計測項目のデータに基づいて診断対象システムの異常を診断する。 An abnormality diagnosis apparatus 1 shown in FIG. 1 is an apparatus that diagnoses an abnormality of a diagnosis target system that is a system to be diagnosed. Examples of the diagnosis target system include a mechanical system such as a gas turbine, an aircraft engine, or a vacuum furnace. In such a diagnosis target system, a plurality of sensors for measuring a plurality of measurement items related to the system are attached in order to check the operation status of the system. The measurement items include, for example, temperature, pressure, rotation speed, and the like. The abnormality diagnosis apparatus 1 diagnoses an abnormality of the diagnosis target system based on the data of these measurement items.

異常診断装置１は、入力装置２及び出力装置３と通信可能に接続される。入力装置２は、例えば、キーボード、マウス、操作ボタン、又はタッチパネル等により構成され、異常診断装置１のユーザが異常診断装置１に対して操作を加える場合等に用いられる。入力装置２には、例えば、後述する正常稼働データＤ１、診断対象データＤ２、及び設定パラメータＤ３等が外部から入力される。入力装置２は、入力されたデータを異常診断装置１に送信する。出力装置３は、例えばディスプレイ等により構成され、異常診断装置１による診断結果を表示（出力）する。なお、異常診断装置１が入力装置２及び出力装置３を含んで構成されてもよい。 The abnormality diagnosis device 1 is connected to the input device 2 and the output device 3 so as to communicate with each other. The input device 2 includes, for example, a keyboard, a mouse, an operation button, a touch panel, or the like, and is used when a user of the abnormality diagnosis device 1 performs an operation on the abnormality diagnosis device 1. For example, normal operation data D1, diagnosis target data D2, and setting parameters D3, which will be described later, are input to the input device 2 from the outside. The input device 2 transmits the input data to the abnormality diagnosis device 1. The output device 3 is configured by a display or the like, for example, and displays (outputs) a diagnosis result by the abnormality diagnosis device 1. The abnormality diagnosis device 1 may include the input device 2 and the output device 3.

異常診断装置１は、物理的には、ＣＰＵ（Central Processing Unit）１０と、記憶装置２０と、を備えている。記憶装置２０は、例えば、ＲＡＭ（Random Access Memory）、フラッシュメモリ、又はハードディスク装置等のデータの読み書きが可能な記録媒体によって構成される。記憶装置２０は、例えば、正常稼働データＤ１、診断対象データＤ２、設定パラメータＤ３、算出データＤ４、診断結果データＤ５、及び異常診断プログラムＰ等を記憶している。 The abnormality diagnosis apparatus 1 physically includes a CPU (Central Processing Unit) 10 and a storage device 20. The storage device 20 is configured by a recording medium capable of reading and writing data, such as a RAM (Random Access Memory), a flash memory, or a hard disk device. The storage device 20 stores, for example, normal operation data D1, diagnosis target data D2, setting parameters D3, calculation data D4, diagnosis result data D5, an abnormality diagnosis program P, and the like.

正常稼働データＤ１は、診断対象システムが正常に稼働している第１時間帯における複数の第１計測時点において取得された計測項目のデータである。診断対象データＤ２は、診断の対象となる第２時間帯における複数の第２計測時点において取得された計測項目のデータである。第１時間帯の長さと第２時間帯の長さとは、互いに同一であってもよく、異なっていてもよい。第１計測時点の間隔及び第２計測時点の間隔は、任意に設定されてよい。設定パラメータＤ３は、後述の処理に用いられる複数のパラメータを含む。設定パラメータＤ３としては、例えば、いずれも後述される基底関数、超パラメータの最大値、擬似逆行列の算出に関する閾値、収束判定の閾値、収束計算の実行回数の上限値、異常判定の閾値、及び全体異常度の重み係数等が挙げられる。算出データＤ４は、後述の処理において算出される複数の変数の値を含む。診断結果データＤ５は、後述の処理により得られる診断結果を含む。異常診断プログラムＰは、後述の処理を実行するためのプログラムである。 The normal operation data D1 is data of measurement items acquired at a plurality of first measurement points in the first time zone in which the diagnosis target system is operating normally. The diagnosis target data D2 is data of measurement items acquired at a plurality of second measurement time points in the second time zone to be diagnosed. The length of the first time zone and the length of the second time zone may be the same or different from each other. The interval between the first measurement points and the interval between the second measurement points may be set arbitrarily. The setting parameter D3 includes a plurality of parameters used for processing to be described later. As the setting parameter D3, for example, all of the basis functions described later, the maximum value of the super parameter, the threshold value for calculating the pseudo inverse matrix, the threshold value for convergence determination, the upper limit value for the number of executions of convergence calculation, the threshold value for abnormality determination, and For example, a weight coefficient for the degree of overall abnormality. The calculation data D4 includes the values of a plurality of variables calculated in the process described later. The diagnosis result data D5 includes a diagnosis result obtained by processing described later. The abnormality diagnosis program P is a program for executing processing described later.

ＣＰＵ１０は、機能的には、入力部１１と、第１算出部１２と、第２算出部１３と、異常判定部１４と、出力部１５と、を備えている。ＣＰＵ１０が記憶装置２０に記憶されている異常診断プログラムＰを読み出して実行することにより、入力部１１、第１算出部１２、第２算出部１３、異常判定部１４、及び出力部１５の各機能が実現される。異常診断プログラムＰの具体的な構成については後述する。 Functionally, the CPU 10 includes an input unit 11, a first calculation unit 12, a second calculation unit 13, an abnormality determination unit 14, and an output unit 15. When the CPU 10 reads and executes the abnormality diagnosis program P stored in the storage device 20, each function of the input unit 11, the first calculation unit 12, the second calculation unit 13, the abnormality determination unit 14, and the output unit 15 is performed. Is realized. A specific configuration of the abnormality diagnosis program P will be described later.

入力部１１は、入力装置２から送信された正常稼働データＤ１、診断対象データＤ２、及び設定パラメータＤ３を受信し、記憶装置２０に記憶する。 The input unit 11 receives the normal operation data D1, the diagnosis target data D2, and the setting parameter D3 transmitted from the input device 2, and stores them in the storage device 20.

第１算出部１２は、正常稼働データＤ１に基づいて、目的変数が計測項目のうちの一の診断項目であり、説明変数が他の計測項目である回帰式の回帰係数の確率分布を表す値を算出する。確率分布を表す値とは、例えば、確率分布の平均若しくは分散等の統計量、又は各確率変数についての確率の値等である。本実施形態では、第１算出部１２は、計測項目のそれぞれが診断項目とされた場合について、説明変数が残りの計測項目の全てである回帰式の回帰係数の確率分布を表す値を算出する。 The first calculation unit 12 is a value representing a probability distribution of a regression coefficient of a regression equation in which the objective variable is one of the measurement items and the explanatory variable is another measurement item based on the normal operation data D1. Is calculated. The value representing the probability distribution is, for example, a statistic such as an average or variance of the probability distribution, or a probability value for each random variable. In the present embodiment, the first calculation unit 12 calculates a value representing the probability distribution of the regression coefficient of the regression equation whose explanatory variables are all of the remaining measurement items when each of the measurement items is a diagnosis item. .

第１算出部１２による回帰係数の確率分布を表す値の算出について更に説明する。正常稼働データＤ１は、

と表される。すなわち、正常稼働データＤ１には、Ｎ個の正常稼働データセット{ｘ}が含まれる。正常稼働データセット｛ｘ｝は、同一の第１計測時点において取得された各計測項目であるＤ個の要素｛ｘ_１，ｘ_２，…，ｘ_ｉ，…，ｘ_Ｄ｝を有する列ベクトルである。ここで、要素番号ｉは、１〜Ｄの整数値を取り得る変数である。 The calculation of the value representing the probability distribution of the regression coefficient by the first calculator 12 will be further described. Normal operation data D1 is

It is expressed. That is, the normal operation data D1 includes N normal operation data sets {x}. The normal operation data set {x} is a column vector having _D elements {x ₁ , x ₂ ,..., X _i ,..., X _D } that are each measurement item acquired at the same first measurement time point. is there. Here, the element number i is a variable that can take an integer value of 1 to D.

下記式（２）に示されるように、診断項目ｘ_ｉが目的変数であり、他の計測項目｛ｚ_ｉ｝が説明変数である回帰式が設定される。計測項目｛ｚ_ｉ｝は、(Ｄ−１)個の要素｛ｘ_１，…，ｘ_ｉ−１，ｘ_ｉ＋１，…，ｘ_Ｄ｝を有する列ベクトルである。基底関数｛Φ（ｚ_ｉ）｝は、回帰式の形状を表す関数であり、Ｍ個の要素｛Φ_１（ｚ_ｉ），…，Φ_Ｍ（ｚ_ｉ）｝を有する列ベクトルである。基底関数｛Φ（ｚ_ｉ）｝は、設定パラメータＤ３として記憶装置２０に予め記憶されている。基底関数｛Φ（ｚ_ｉ）｝、すなわち回帰式の形状は、診断項目ｘ_ｉごとに設定されてよく、各診断項目ｘ_ｉに共通であってもよい。回帰式は、任意の形状であってよい。回帰式は、例えば、目的変数が説明変数と回帰係数の線形結合により得られる線形式であってよいし、二次式等を含む非線形な式であってもよい。回帰係数｛ｗ｝は、回帰式の回帰係数であるＭ個の要素｛ｗ_１，…，ｗ_Ｍ｝を有する列ベクトルである。回帰係数｛ｗ｝は、診断項目ｘ_ｉごとに設定される。精度βは、回帰係数｛ｗ｝の確率分布を表す値の算出に用いられる変数である。精度βは、診断項目ｘ_ｉごとに設定される。式（２）では、誤差εが、平均が０で標準偏差が精度βの逆数である正規分布に従うと仮定されている。なお、誤差εは、正規分布に従うと仮定されなくてもよい。

As shown in the following equation (2), a regression equation is set in which the diagnostic item x _i is an objective variable and the other measurement items {z _i } are explanatory variables. Measurement items _{{z i}} is a column vector having the (D-1) number of elements _{_{{x 1, ..., x i}} -1, x i + 1, ..., x D}. The basis function {Φ (z _i )} is a function representing the shape of the regression equation, and is a column vector having _M elements {Φ ₁ (z _i ),..., Φ _M (z _i )}. The basis function {Φ (z _i )} is stored in advance in the storage device 20 as the setting parameter D3. Basis function {Φ (z _i)}, i.e. the shape of the regression equation may be set for each diagnosis item x _i, may be common to each diagnostic item x _i. The regression equation may be any shape. The regression equation may be, for example, a linear format in which the objective variable is obtained by linear combination of an explanatory variable and a regression coefficient, or may be a nonlinear equation including a quadratic equation or the like. The regression coefficient {w} is a column vector having _M elements {w ₁ ,..., W _M } which are regression coefficients of the regression equation. Regression coefficient {w} is set for each diagnosis item _{x i.} The accuracy β is a variable used for calculating a value representing the probability distribution of the regression coefficient {w}. Accuracy β is set for each diagnosis item x _i. In equation (2), it is assumed that the error ε follows a normal distribution in which the mean is 0 and the standard deviation is the reciprocal of accuracy β. The error ε may not be assumed to follow a normal distribution.

診断項目ｘ_ｉの予測値の確率分布は、下記式（３）により表される。

正常稼働データＤ１

について、

とすると、正常稼働データＤ１に関する尤度関数は、下記式（８）により表される。

The probability distribution of the predicted value of the diagnostic item x _i is expressed by the following formula (3).

Normal operation data D1

about,

Then, the likelihood function regarding the normal operation data D1 is represented by the following formula (8).

異常診断装置１では、下記参考文献１に記載されたスパースベイジアン学習（ＳＢＬ：SparseBayesian Learning）により、回帰係数｛ｗ｝の確率分布を表す値が算出される。ＳＢＬは、回帰係数の確率分布が正規分布に従うと仮定した場合の回帰係数の確率分布を表す値を算出する手法である。ＳＢＬでは、回帰係数｛ｗ｝に対して事前分布

が設定される。ここで、行列｛Ａ｝は、下記式（１０）により表される。

上記式（９）に示されるように、回帰係数｛ｗ｝の確率分布は、正規分布の形式で表わされる。超パラメータ｛α｝は、回帰係数｛ｗ｝の確率分布に関して設定されたパラメータであるＭ個の要素｛α_１，…，α_Ｍ｝を有する列ベクトルである。超パラメータ｛α｝は、回帰係数｛ｗ｝ごとに設定される。
（参考文献１）Michael E. Tipping, “Sparse Bayesian Learning and the Relevance Vector Machine,” Journal of Machine Learning Research 1 (2001) 211-244 In the abnormality diagnosis apparatus 1, a value representing the probability distribution of the regression coefficient {w} is calculated by sparse Bayesian learning (SBL) described in Reference Document 1 below. SBL is a technique for calculating a value representing the probability distribution of the regression coefficient when it is assumed that the probability distribution of the regression coefficient follows a normal distribution. In SBL, prior distribution for regression coefficient {w}

Is set. Here, the matrix {A} is represented by the following formula (10).

As shown in the above equation (9), the probability distribution of the regression coefficient {w} is expressed in the form of a normal distribution. The super parameter {α} is a column vector having _M elements {α ₁ ,..., Α _M } which are parameters set for the probability distribution of the regression coefficient {w}. The super parameter {α} is set for each regression coefficient {w}.
(Reference 1) Michael E. Tipping, “Sparse Bayesian Learning and the Relevance Vector Machine,” Journal of Machine Learning Research 1 (2001) 211-244

回帰係数｛ｗ｝の事後分布は、ベイズの定理により、

となる。回帰係数｛ｗ｝の事後分布の平均｛ｍ｝は、下記式（１２）により表され、分散｛Σ｝は、下記式（１３）により表される。平均｛ｍ｝は、Ｍ個の要素を有する列ベクトル、分散｛Σ｝は、Ｍ行Ｍ列の行列である。回帰係数｛ｗ｝の事後分布は、平均｛ｍ｝及び分散｛Σ｝により表される。すなわち、この例では、回帰係数｛ｗ｝の確率分布を表す値は、平均｛ｍ｝及び分散｛Σ｝である。

The posterior distribution of the regression coefficient {w} is based on Bayes' theorem,

It becomes. The average posterior distribution {m} of the regression coefficient {w} is expressed by the following equation (12), and the variance {Σ} is expressed by the following equation (13). The mean {m} is a column vector having M elements, and the variance {Σ} is a matrix of M rows and M columns. The posterior distribution of the regression coefficient {w} is represented by the mean {m} and the variance {Σ}. That is, in this example, the values representing the probability distribution of the regression coefficient {w} are the mean {m} and the variance {Σ}.

第１算出部１２は、正常稼働データＤ１に基づいて、回帰係数｛ｗ｝に関する畳み込み積分

を最大化する超パラメータ｛α｝及び精度βを算出する。第１算出部１２は、算出した超パラメータ｛α｝及び精度βを用いて平均｛ｍ｝及び分散｛Σ｝を算出する。第１算出部１２は、算出した超パラメータ｛α｝、精度β、平均｛ｍ｝、及び分散｛Σ｝を算出データＤ４として記憶装置２０に記憶させる。 The first calculation unit 12 convolves the regression coefficient {w} based on the normal operation data D1.

To calculate the super parameter {α} and the accuracy β. The first calculator 12 calculates an average {m} and a variance {Σ} using the calculated superparameter {α} and accuracy β. The first calculation unit 12 causes the storage device 20 to store the calculated superparameter {α}, accuracy β, average {m}, and variance {Σ} as calculated data D4.

上記式（１２）により表される畳み込み積分を最大化する超パラメータ｛α｝及び精度βを算出するアルゴリズムを説明する。このアルゴリズムのインプットは、正常稼働データＤ１、基底関数｛Φ（ｚ_ｉ）｝及び超パラメータの最大値α_ｍａｘである。この超パラメータの最大値α_ｍａｘは、設定パラメータＤ３として記憶装置２０に予め記憶されている。最大値α_ｍａｘは、例えば１０^８程度の値に設定されてよい。アウトプットは、各診断項目ｘ_ｉについての超パラメータ｛α｝、精度β、平均｛ｍ｝、及び分散｛Σ｝である。以下では、１つの診断項目ｘ_ｉについての超パラメータ｛α｝、精度β、平均｛ｍ｝、及び分散｛Σ｝を算出する処理を説明するが、他の診断項目についても同様に算出される。 An algorithm for calculating the super parameter {α} and the accuracy β that maximize the convolution integral represented by the above equation (12) will be described. The input of this algorithm is normal operation data D1, basis function {Φ (z _i )}, and maximum value α _max of the superparameter. The maximum value α _max of the super parameter is stored in advance in the storage device 20 as the setting parameter D3. The maximum value α _max may be set to a value of about 10 ⁸ , for example. Output is hyper-parameters for each diagnosis item x _i {alpha}, a precision beta, average {m}, and dispersing {sigma}. In the following, a process for calculating the super parameter {α}, accuracy β, average {m}, and variance {Σ} for one diagnostic item x _i will be described, but other diagnostic items are similarly calculated. .

まず、第１算出部１２は、行列｛Ａ｝及び精度βを初期化する（ステップＳ１）。続いて、第１算出部１２は、基底関数｛Φ（ｚ_ｉ）｝を用いて、

を算出する（ステップＳ２）。続いて、第１算出部１２は、平均｛ｍ｝及び分散｛Σ｝を上記式（１２）及び式（１３）により算出する（ステップＳ３）。ここで、分散Σの算出に際して逆行列計算が必要になる。この逆行列計算は、擬似逆行列で代用されてよい。擬似逆行列の算出に関する閾値は、設定パラメータＤ３として記憶装置２０に予め記憶されている。続いて、第１算出部１２は、超パラメータ｛α｝及び精度βを所定の更新式により算出（更新）する（ステップＳ４）。超パラメータ｛α｝及び精度βの更新式（算出式）としては、例えば下記参考文献１に記載されたものが用いられてよい。
（参考文献１）Michael E. Tipping, “SparseBayesian Learning and the Relevance Vector Machine,” Journal ofMachine Learning Research 1 (2001) 211-244 First, the first calculator 12 initializes the matrix {A} and the accuracy β (step S1). Subsequently, the first calculation unit 12 uses the basis function {Φ (z _i )},

Is calculated (step S2). Subsequently, the first calculation unit 12 calculates the average {m} and the variance {Σ} by the above formula (12) and formula (13) (step S3). Here, an inverse matrix calculation is required for calculating the variance Σ. This inverse matrix calculation may be replaced by a pseudo inverse matrix. The threshold relating to the calculation of the pseudo inverse matrix is stored in advance in the storage device 20 as the setting parameter D3. Subsequently, the first calculation unit 12 calculates (updates) the super parameter {α} and the accuracy β using a predetermined update formula (step S4). As an update formula (calculation formula) for the super parameter {α} and the accuracy β, for example, the formula described in Reference Document 1 below may be used.
(Reference 1) Michael E. Tipping, “SparseBayesian Learning and the Relevance Vector Machine,” Journal of Machine Learning Research 1 (2001) 211-244

続いて、第１算出部１２は、超パラメータ｛α｝及び精度βの収束判定を行う（ステップＳ５）。具体的には、第１算出部１２は、更新前の超パラメータ｛α｝の値と更新後の超パラメータ｛α｝の値との差の絶対値が所定の閾値よりも小さく、且つ更新前の精度βと更新後の精度βとの差の絶対値が所定の閾値よりも小さいか否かを判定する。これらの閾値は、設定パラメータＤ３として記憶装置２０に予め記憶されている。第１算出部１２は、判定の結果、超パラメータ｛α｝及び精度βのいずれかが収束していないと判定した場合（ステップＳ５でＮＯ）、ステップＳ２に戻る。一方、第１算出部１２は、超パラメータ｛α｝及び精度βの両方が収束したと判定した場合（ステップＳ５でＹＥＳ）、現在の超パラメータ｛α｝及び精度βにより平均｛ｍ｝及び分散｛Σ｝を算出する（ステップＳ６）。以上の処理により、診断項目ｘ_ｉについての超パラメータ｛α｝、精度β、平均｛ｍ｝、及び分散｛Σ｝が算出される。なお、上記収束計算の繰り返し回数が実行回数の上限値に達した場合には、収束計算が停止されてよい。この上限値は、設定パラメータＤ３として記憶装置２０に予め記憶されている。 Subsequently, the first calculation unit 12 determines convergence of the super parameter {α} and the accuracy β (step S5). Specifically, the first calculation unit 12 determines that the absolute value of the difference between the value of the super parameter {α} before the update and the value of the super parameter {α} after the update is smaller than a predetermined threshold, and before the update. It is determined whether or not the absolute value of the difference between the accuracy β and the updated accuracy β is smaller than a predetermined threshold value. These threshold values are stored in advance in the storage device 20 as the setting parameter D3. When it is determined that one of the super parameter {α} and the accuracy β has not converged as a result of the determination (NO in step S5), the first calculation unit 12 returns to step S2. On the other hand, when it is determined that both the super parameter {α} and the accuracy β have converged (YES in step S5), the first calculation unit 12 uses the current super parameter {α} and the accuracy β to calculate the mean {m} and the variance {Σ} is calculated (step S6). Through the above processing, the super parameter {α}, accuracy β, average {m}, and variance {Σ} for the diagnostic item x _i are calculated. Note that the convergence calculation may be stopped when the number of repetitions of the convergence calculation reaches the upper limit of the number of executions. This upper limit value is stored in advance in the storage device 20 as the setting parameter D3.

図２及び図３を参照して、回帰係数｛ｗ｝の確率分布を表す値の算出について更に説明する。図２に示されるように、超パラメータα_ｉが大きいほど、当該超パラメータα_ｉに対応する回帰係数ｗ_ｉの事後分布が値０の近傍により集中する。回帰係数ｗ_ｉが値０に近づくほど、当該回帰係数ｗ_ｉに対応する基底関数Φ_ｉ（ｚ_ｉ）が回帰式に及ぼす影響が小さくなる。図３（ｂ）では、計測項目ｗ_ｉ ^（２）に対応する基底関数Φ_ｉ（ｚ_ｉ ^（２））が回帰式に及ぼす影響が、図３（ａ）の場合の当該影響よりも小さくなっている。上述したようなアルゴリズムでは、最適な超パラメータ｛α｝の値は、上記式（１４）の畳み込み積分を最大化する超パラメータ｛α｝である。上記式（１４）の畳み込み積分を超パラメータα_ｉの関数とみなしたとき、上記式（１４）は入力データである上記式（４）の値に応じて、単調増加関数又は極大値を1つだけ持つ関数となる。上記式（１４）が単調増加関数である場合、最適な超パラメータα_ｉは無限大になるので、超パラメータ｛α｝の算出過程において、超パラメータα_ｉが大きくなり易い。これにより、後述する診断項目ｘ_ｉの予測値の確率分布を表す値の算出の際に、当該超パラメータα_ｉに対応する基底関数Φ_ｉ（ｚ_ｉ）についての計算が簡易化される。その結果、診断項目ｘ_ｉの予測値の確率分布を表す値の算出に要する時間が低減される。 With reference to FIG.2 and FIG.3, calculation of the value showing the probability distribution of regression coefficient {w} is further demonstrated. As shown in FIG. 2, as the hyper-parameters alpha _i is large, the posterior distribution of the regression coefficient w _i corresponding to the hyper-parameters alpha _i is concentrated by a value near zero. As the regression coefficient w _i approaches the value 0, the basis function Φ _i (z _i ) corresponding to the regression coefficient w _i has less influence on the regression equation. In FIG. 3B, the influence of the basis function Φ _i (z _i ⁽²⁾ ) corresponding to the measurement item w _i ⁽²⁾ on the regression equation is smaller than that in the case of FIG. ing. In the algorithm as described above, the optimum value of the super parameter {α} is the super parameter {α} that maximizes the convolution integral of the above equation (14). When the convolution integral of the above equation (14) is regarded as a function of the superparameter α _i , the above equation (14) has one monotonically increasing function or a maximum value according to the value of the above equation (4) as the input data. It becomes a function with only When the above equation (14) is a monotonically increasing function, the optimum super parameter α _i is infinite, and thus the super parameter α _i tends to increase in the process of calculating the super parameter {α}. This simplifies the calculation of the basis function Φ _i (z _i ) corresponding to the hyperparameter α _i when calculating a value representing the probability distribution of the predicted value of the diagnostic item x _i described later. As a result, the time required to calculate a value representing the probability distribution of the predicted value of the diagnostic item x _i is reduced.

第２算出部１３は、上記回帰式、第１算出部１２により算出された回帰係数｛ｗ｝の確率分布を表す値、及び診断対象データＤ２に基づいて、各第２計測時点における各診断項目ｘ_ｉの予測値の確率分布を表す値を算出する。具体的には、第２算出部１３は、診断対象データＤ２

の各第２計測時点ｔにおける各診断項目ｘ_ｉの予測値の確率分布を表す値を、下記式（１７）により算出する。第２算出部１３は、算出した予測値の確率分布を表す値を算出データＤ４として記憶装置２０に記憶させる。

診断項目ｘ_ｉの予測値の確率分布の予測平均μは、下記式（１８）により表され、予測分散σ^２は、下記式（１９）により表される。各診断項目ｘ_ｉの予測値の確率分布は、予測平均μ及び予測分散σ^２により表される。すなわち、この例では、回帰係数｛ｗ｝の確率分布を表す値は、予測平均μ及び予測分散σ^２である。

Based on the regression equation, the value representing the probability distribution of the regression coefficient {w} calculated by the first calculator 12, and the diagnosis target data D2, the second calculator 13 calculates each diagnosis item at each second measurement time point. A value representing the probability distribution of the predicted value of x _i is calculated. Specifically, the second calculation unit 13 performs diagnosis target data D2

A value representing the probability distribution of the predicted value of each diagnostic item x _i at each second measurement time t is calculated by the following equation (17). The 2nd calculation part 13 memorize | stores the value showing the probability distribution of the calculated predicted value in the memory | storage device 20 as calculation data D4.

The predicted mean μ of the probability distribution of the predicted value of the diagnostic item x _i is expressed by the following formula (18), and the predicted variance σ ² is expressed by the following formula (19). The probability distribution of the predicted value of each diagnostic item x _i is represented by the predicted average μ and the predicted variance σ ² . That is, in this example, the values representing the probability distribution of the regression coefficient {w} are the prediction average μ and the prediction variance σ ² .

異常判定部１４は、診断対象データＤ２及び第２算出部１３により算出された各診断項目ｘ_ｉの予測値の確率分布を表す値に基づいて、各第２計測時点ｔにおける診断項目ｘ_ｉの異常度である第１異常度ｄ_ｉを算出する。具体的には、異常判定部１４は、各第２計測時点ｔにおける各診断項目ｘ_ｉの第１異常度ｄ_ｉを、下記式（２０）により算出する。すなわち、本実施形態では、異常判定部１４は、各第２計測時点ｔについて、診断項目ｘ_ｉの計測値と予測平均μとの差分を当該確率分布の予測標準偏差σで除した値を第１異常度ｄ_ｉとして算出する。異常判定部１４は、算出した第１異常度ｄ_ｉを算出データＤ４として記憶装置２０に記憶させる。

Abnormality determination unit 14, based on the value representing the probability distribution of the predicted value for each diagnostic item x _i calculated by diagnostic object data D2 and the second calculating unit 13, the diagnostic items x _i of each second measurement time point t A first abnormality degree d _i which is an abnormality degree is calculated. Specifically, the abnormality determination unit 14 calculates the first abnormality degree d _i of each diagnosis item x _i at each second measurement time t by the following equation (20). In other words, in the present embodiment, the abnormality determination unit 14 calculates, for each second measurement time t, a value obtained by dividing the difference between the measured value of the diagnostic item x _i and the predicted average μ by the predicted standard deviation σ of the probability distribution. Calculated as one degree of abnormality d _i . Abnormality determination unit 14, is stored in the storage device 20 the first abnormality degree d _i calculated as calculation data D4.

異常判定部１４は、第１異常度ｄ_ｉに基づいて各第２計測時点ｔにおける診断項目ｘ_ｉの異常判定を行う。異常判定部１４は、例えば、各第２計測時点ｔおける第１異常度ｄ_ｉが所定の閾値（例えば、値３）よりも大きいか否かを判定する。一の第２計測時点ｔにおいて第１異常度ｄ_ｉが当該閾値よりも大きいと判定した場合、当該第２計測時点ｔにおいて診断項目ｘ_ｉに異常が発生していたと判定する。一方、第１異常度ｄ_ｉが当該閾値以下であると判定した場合、当該第２計測時点ｔにおいて診断項目ｘ_ｉに異常が発生していなかったと判定する。この異常判定に用いられる閾値は、設定パラメータＤ３として記憶装置２０に予め記憶されている。異常判定部１４は、異常判定の結果を診断結果データＤ５として記憶装置２０に記憶させる。 The abnormality determination unit 14 determines the abnormality of the diagnostic item x _i at each second measurement time point t based on the first abnormality degree d _i . Abnormality determination unit 14, for example, determining a first error probability d _i which definitive each second measurement time t whether greater than a predetermined threshold (e.g., the value 3). Determines that the first error probability d _i in one of the second measuring time t if it is determined to be greater than the threshold value, the abnormality has occurred to the diagnosis item x _i in the second measurement time point t. On the other hand, when it is determined that the first abnormality degree d _i is equal to or less than the threshold value, it is determined that no abnormality has occurred in the diagnostic item x _i at the second measurement time point t. The threshold value used for the abnormality determination is stored in advance in the storage device 20 as the setting parameter D3. The abnormality determination unit 14 causes the storage device 20 to store the result of the abnormality determination as diagnosis result data D5.

異常判定部１４は、第１異常度ｄ_ｉに基づいて各第２計測時点ｔにおける全体異常度を算出する。一の第２計測時点ｔにおける全体異常度は、例えば、当該第２計測時点ｔにおける各診断項目ｘ_ｉの重み付き和である。この算出に用いられる重み係数は、設定パラメータＤ３として記憶装置２０に予め記憶されている。重み係数は、例えば使用者によって設定される。異常判定部１４は、全体異常度を診断結果データＤ５として記憶装置２０に記憶させる。 Abnormality determination unit 14 calculates the total error probability in each of the second measurement time point t based on the first abnormality degree d _i. The overall abnormality degree at one second measurement time point t is, for example, a weighted sum of each diagnosis item x _i at the second measurement time point t. The weighting coefficient used for this calculation is stored in advance in the storage device 20 as the setting parameter D3. The weight coefficient is set by a user, for example. The abnormality determination unit 14 stores the overall abnormality degree in the storage device 20 as diagnosis result data D5.

異常判定部１４は、第１異常度ｄ_ｉに基づいて、異常箇所を特定するための情報を算出（生成）する。この異常箇所の特定情報は、例えば、各第２計測時点ｔにおいて第１異常度ｄ_ｉが最も大きかった診断項目ｘ_ｉと、当該診断項目ｘ_ｉの第１異常度ｄ_ｉとを示す情報である。異常箇所の特定情報は、各第２計測時点ｔにおいて第１異常度ｄ_ｉが大きかった順に並べられた複数の診断項目ｘ_ｉと、当該診断項目ｘ_ｉの第１異常度ｄ_ｉとを示す情報であってもよい。 Abnormality determination unit 14, based on the first abnormality degree d _i, to calculate the information for specifying the abnormal point (generation). Specific information in this anomaly, for example, information indicating the first error probability d _i and the largest was diagnostic items x _i at each of the second measurement time point t, and a first abnormality degree d _i of the diagnosis item x _i is there. Specific information anomaly shows a plurality of diagnostic items x _i of the first error probability d _i are arranged in greater was sequentially in each of the second measurement time point t, and a first abnormality degree d _i of the diagnosis item x _i It may be information.

図４を参照して、第１異常度ｄ_ｉについて更に説明する。図４に示されるように、第１異常度ｄ_ｉは、診断項目ｘ_ｉの計測値が予測平均μから予測標準偏差σの何倍離れているかを表す。図４では、一例として、予測平均μを示す線分、及び予測平均μから予測標準偏差σの３倍離れた線分が示されている。異常診断装置１では、診断項目ｘ_ｉの予測値の確率分布における予測標準偏差σが小さい場合に、診断項目ｘ_ｉの計測値と予測平均μとの差分の大きさが第１異常度ｄ_ｉに鋭敏に反映される。その結果、診断項目ｘ_ｉの予測に関するばらつきの大きさが第１異常度ｄ_ｉに反映されるので、診断項目ｘ_ｉの異常判定における精度を向上することができる。 The first abnormality degree d _i will be further described with reference to FIG. As shown in FIG. 4, the first abnormality degree d _i represents how many times the measured value of the diagnostic item x _i is away from the predicted average μ by the predicted standard deviation σ. In FIG. 4, as an example, a line segment indicating the predicted average μ and a line segment separated from the predicted average μ by three times the predicted standard deviation σ are shown. In the abnormality diagnosis apparatus 1, when the predicted standard deviation σ in the probability distribution of the predicted value of the diagnostic item x _i is small, the difference between the measured value of the diagnostic item x _i and the predicted average μ is the first abnormality degree d _i. It is reflected sensitively. As a result, since the magnitude of the variation related to the prediction of the diagnostic item x _i is reflected in the first abnormality degree d _i , the accuracy in determining the abnormality of the diagnostic item x _i can be improved.

出力部１５は、算出データＤ４及び診断結果データＤ５を出力する出力手段として機能する。出力部１５は、記憶装置２０から算出データＤ４及び診断結果データＤ５を読み出し、出力装置３に送信する。出力装置３は、出力部１５から算出データＤ４及び診断結果データＤ５を受信すると、受信した算出データＤ４及び診断結果データＤ５を診断結果として出力する。 The output unit 15 functions as an output unit that outputs the calculation data D4 and the diagnosis result data D5. The output unit 15 reads the calculation data D4 and the diagnosis result data D5 from the storage device 20, and transmits them to the output device 3. When the output device 3 receives the calculation data D4 and the diagnosis result data D5 from the output unit 15, the output device 3 outputs the received calculation data D4 and diagnosis result data D5 as a diagnosis result.

次に、図５〜図８を参照して、異常診断装置１が行う異常診断方法の一例を説明する。図５に示されるように、この異常診断方法では、まず、第１算出部１２が第１算出処理を実行する（ステップＳ１１、第１ステップ）。続いて、第２算出部１３が第２算出処理を実行する（ステップＳ１２、第２ステップ）。続いて、異常判定部１４が異常判定処理を実行する（ステップＳ１３、第３ステップ）。続いて、出力部１５が出力処理を実行する（ステップＳ１４）。これらステップＳ１１〜Ｓ１４の処理は、任意のタイミングで実行されてよく、診断対象システムの停止中及び稼働中のいずれに実施されてもよい。 Next, an example of an abnormality diagnosis method performed by the abnormality diagnosis apparatus 1 will be described with reference to FIGS. As shown in FIG. 5, in this abnormality diagnosis method, first, the first calculation unit 12 executes a first calculation process (step S11, first step). Subsequently, the second calculation unit 13 executes a second calculation process (step S12, second step). Subsequently, the abnormality determination unit 14 executes an abnormality determination process (step S13, third step). Subsequently, the output unit 15 executes an output process (step S14). The processes in steps S11 to S14 may be executed at an arbitrary timing, and may be performed while the diagnosis target system is stopped or in operation.

図６を参照して第１算出処理（学習フェーズ）を説明する。まず、第１算出部１２は、記憶装置２０から正常稼働データＤ１を読み込む（ステップＳ２１）。続いて、第１算出部１２は、第１算出部１２は、正常稼働データＤ１の前処理を行う（ステップＳ２２）。具体的には、第１算出部１２は、外れ値除去処理及び正規化処理を行う。外れ値除去処理では、第１算出部１２は、例えば、予め設定された範囲から計測値が外れている計測項目のデータが除去する。この範囲は、設定パラメータＤ３として記憶装置２０に予め記憶されていてよい。正規化処理では、第１算出部１２は、例えば、各第１計測時点における各計測項目の計測値を、平均が値０で分散が値１となるように正規化する。このとき、第１算出部１２は、正常稼働データＤ１の平均及び分散を設定パラメータＤ３として記憶装置２０に記憶させてよい。続いて、第１算出部１２は、各診断項目ｘ_ｉについて、回帰式の回帰係数｛ｗ｝の確率分布を表す値を算出する（ステップＳ２３）。続いて、第１算出部１２は、算出した回帰係数｛ｗ｝の確率分布を表す値を算出データＤ４として記憶装置２０に記憶させる（ステップＳ２４）。 The first calculation process (learning phase) will be described with reference to FIG. First, the first calculator 12 reads the normal operation data D1 from the storage device 20 (step S21). Subsequently, the first calculation unit 12 performs pre-processing of the normal operation data D1 (Step S22). Specifically, the first calculation unit 12 performs outlier removal processing and normalization processing. In the outlier removal process, the first calculation unit 12 removes, for example, data of measurement items whose measurement values are out of a preset range. This range may be stored in advance in the storage device 20 as the setting parameter D3. In the normalization process, for example, the first calculation unit 12 normalizes the measurement value of each measurement item at each first measurement time so that the average is 0 and the variance is 1. At this time, the first calculation unit 12 may store the average and variance of the normal operation data D1 in the storage device 20 as the setting parameter D3. Subsequently, the first calculation unit 12 calculates a value representing the probability distribution of the regression coefficient {w} of the regression equation for each diagnosis item x _i (step S23). Then, the 1st calculation part 12 memorize | stores the value showing the probability distribution of the calculated regression coefficient {w} in the memory | storage device 20 as calculation data D4 (step S24).

図７を参照して第２算出処理（診断フェーズ）を説明する。まず、第２算出部１３は、診断対象データＤ２及び第１算出部１２により算出された回帰係数｛ｗ｝の確率分布を表す値を記憶装置２０から読み込む（ステップＳ３１）。続いて、第２算出部１３は、診断対象データＤ２の前処理を行う（ステップＳ３１）。具体的には、第２算出部１３は、外れ値除去処理及び正規化処理を行う。外れ値除去処理では、第２算出部１３は、予め設定された範囲から計測値が外れている計測項目のデータを除去する。この範囲は、例えば、上述したステップＳ２２の範囲と同一である。正規化処理では、上記ステップＳ２２において記憶装置２０に記憶された平均及び分散が用いられる。続いて、第２算出部１３は、各診断項目ｘ_ｉについて、各第２計測時点ｔにおける各診断項目ｘ_ｉの予測値の確率分布を表す値を算出する（ステップＳ３３）。続いて、第２算出部１３は、算出した予測値の確率分布を表す値を算出データＤ４として記憶装置２０に記憶させる（ステップＳ３４）。 The second calculation process (diagnosis phase) will be described with reference to FIG. First, the second calculation unit 13 reads from the storage device 20 values representing the probability distribution of the regression coefficient {w} calculated by the diagnosis target data D2 and the first calculation unit 12 (step S31). Subsequently, the second calculation unit 13 performs preprocessing of the diagnosis target data D2 (step S31). Specifically, the second calculation unit 13 performs outlier removal processing and normalization processing. In the outlier removal process, the second calculation unit 13 removes data of measurement items whose measurement values are out of a preset range. This range is the same as the range of step S22 mentioned above, for example. In the normalization process, the average and variance stored in the storage device 20 in step S22 are used. Subsequently, the second calculation unit 13, for each diagnostic item x _i, calculate a value representing the probability distribution of the predicted value for each diagnostic item x _i of each second measurement time t (step S33). Subsequently, the second calculation unit 13 stores a value representing the calculated probability distribution of the predicted value in the storage device 20 as the calculation data D4 (step S34).

図８を参照して異常判定処理（異常判定フェーズ）を説明する。まず、異常判定部１４は、診断対象データＤ２及び第２算出部１３により算出された各診断項目ｘ_ｉの予測値の確率分布を表す値を記憶装置２０から読み込む（ステップＳ４１）。続いて、異常判定部１４は、各第２計測時点ｔにおける各診断項目ｘ_ｉの第１異常度ｄ_ｉを算出する（ステップＳ４２）。続いて、異常判定部１４は、第１異常度ｄ_ｉに基づいて各第２計測時点ｔにおける各診断項目ｘ_ｉの異常判定を行う（ステップＳ４３）。続いて、異常判定部１４は、全体異常度を算出する（ステップＳ４４）。続いて、異常判定部１４は、異常箇所の特定情報を算出する（ステップＳ４５）。続いて、異常判定部１４は、第１異常度ｄ_ｉ、異常判定の結果、全体異常度、及び異常箇所の特定情報を診断結果データＤ５として記憶装置２０に記憶させる。 An abnormality determination process (abnormality determination phase) will be described with reference to FIG. First, the abnormality determination unit 14 reads from the storage device 20 values representing the probability distribution of the predicted value of each diagnosis item x _i calculated by the diagnosis target data D2 and the second calculation unit 13 (step S41). Subsequently, the abnormality determination unit 14 calculates a first abnormality degree d _i of each diagnosis item x _i at each second measurement time point t (step S42). Subsequently, the abnormality determination unit 14 performs abnormality determination for each diagnosis item x _i at each second measurement time t based on the first abnormality degree d _i (step S43). Subsequently, the abnormality determination unit 14 calculates the overall abnormality degree (step S44). Subsequently, the abnormality determining unit 14 calculates specific information of the abnormal part (step S45). Subsequently, the abnormality determination unit 14 causes the storage device 20 to store the first abnormality degree d _i , the abnormality determination result, the overall abnormality degree, and the specific information of the abnormal part as diagnosis result data D5.

出力処理では、出力部１５は、記憶装置２０から診断結果データＤ５を読み出し、出力装置３に送信する（ステップＳ１４）。 In the output process, the output unit 15 reads the diagnosis result data D5 from the storage device 20 and transmits it to the output device 3 (step S14).

次に、図９を参照しながら、コンピュータを異常診断装置１として機能させるための異常診断プログラムＰを説明する。 Next, an abnormality diagnosis program P for causing a computer to function as the abnormality diagnosis apparatus 1 will be described with reference to FIG.

異常診断プログラムＰは、メインモジュールＰ１０、入力モジュールＰ１１、第１算出モジュールＰ１２、第２算出モジュールＰ１３、異常判定モジュールＰ１４、及び出力モジュールＰ１５を備える。メインモジュールＰ１０は、異常診断に係る処理を統括的に制御する部分である。入力モジュールＰ１１、第１算出モジュールＰ１２、第２算出モジュールＰ１３、異常判定モジュールＰ１４、及び出力モジュールＰ１５を実行することにより実現される機能はそれぞれ、上記各実施形態における入力部１１、第１算出部１２、第２算出部１３、異常判定部１４、及び出力部１５の機能と同様である。すなわち、異常診断プログラムＰは、第１算出処理、第２算出処理、異常判定処理、及び出力処理をコンピュータに実行させる。 The abnormality diagnosis program P includes a main module P10, an input module P11, a first calculation module P12, a second calculation module P13, an abnormality determination module P14, and an output module P15. The main module P10 is a part that comprehensively controls processing related to abnormality diagnosis. The functions realized by executing the input module P11, the first calculation module P12, the second calculation module P13, the abnormality determination module P14, and the output module P15 are respectively the input unit 11 and the first calculation unit in the above embodiments. 12, the same as the functions of the second calculation unit 13, the abnormality determination unit 14, and the output unit 15. That is, the abnormality diagnosis program P causes the computer to execute a first calculation process, a second calculation process, an abnormality determination process, and an output process.

異常診断プログラムＰは、ＣＤ−ＲＯＭ（Compact Disk Read Only Memory）、ＤＶＤ−ＲＯＭ（DigitalVersatile Disk Read Only Memory）、又は半導体メモリ等の有形の記録媒体に固定的に記録された状態で提供されてよい。あるいは、異常診断プログラムＰは、搬送波に重畳されたデータ信号として通信ネットワークを介して提供されてもよい。 The abnormality diagnosis program P may be provided in a state of being fixedly recorded on a tangible recording medium such as a CD-ROM (Compact Disk Read Only Memory), a DVD-ROM (Digital Versatile Disk Read Only Memory), or a semiconductor memory. . Alternatively, the abnormality diagnosis program P may be provided via a communication network as a data signal superimposed on a carrier wave.

以上説明した本実施形態の異常診断方法、異常診断装置１、及び異常診断プログラムＰでは、診断の対象となる第２時間帯の各第２計測時点ｔにおける診断項目ｘ_ｉの異常度である第１異常度ｄ_ｉが算出される。これにより、診断の対象となる第２時間帯に各診断項目ｘ_ｉに異常が生じていたかどうかを判定することができる。また、第１異常度ｄ_ｉは、各第２計測時点ｔにおける各診断項目ｘ_ｉの予測値の確率分布を表す値に基づいて算出される。これにより、計測値と予測値の確率分布との比較に基づいて異常判定を行うことができるので、異常判定を容易に行うことが可能となる。また、診断項目ｘ_ｉごとに第１異常度ｄ_ｉが算出される。これにより、上記実施形態のように複数の診断項目ｘ_ｉが設定されている場合でも、異常箇所の特定を容易に行うことが可能となる。このように、本実施形態の異常診断方法、異常診断装置１、及び異常診断プログラムＰでは、異常判定の容易化及び異常箇所の特定の容易化が図られている。 In the abnormality diagnosis method, abnormality diagnosis apparatus 1 and abnormality diagnosis program P of the present embodiment described above, the abnormality level of the diagnosis item x _i at each second measurement time point t in the second time zone to be diagnosed is the first. One degree of abnormality d _i is calculated. This makes it possible to determine whether the abnormality has occurred in each diagnostic item x _i to the second time zone to be diagnosed. The first degree of abnormality d _i is calculated based on a value representing the probability distribution of the predicted value of each diagnostic item x _i at each second measurement time point t. Thereby, since abnormality determination can be performed based on the comparison with the probability distribution of a measured value and a predicted value, it becomes possible to perform abnormality determination easily. Further, the first abnormality degree d _i is calculated for each diagnosis item x _i . Accordingly, even when a plurality of diagnostic items x _i as in the above embodiment has been set, the specific abnormal point can be easily performed. As described above, in the abnormality diagnosis method, the abnormality diagnosis apparatus 1, and the abnormality diagnosis program P of the present embodiment, the abnormality determination is facilitated and the abnormality part is easily identified.

上述したように、上記特許文献１に記載された方法において異常度として用いられるＭＤ値は、全ての計測項目のデータが混合されて得られる値である。そのため、異常度の意味が使用者にとって直感的に分かり難い。これに対して、本実施形態の異常診断方法、異常診断装置１、及び異常診断プログラムＰでは、第１異常度ｄ_ｉは計測値と予測値の確率分布との比較に基づくので、第１異常度ｄ_ｉが使用者に呈示されることにより、使用者は、計測値と予測値との間の乖離の大きさを直感的に把握することが可能となる。例えば、上述したように、本実施形態では、第１異常度ｄ_ｉは、診断項目ｘ_ｉの計測値が予測平均μから予測標準偏差σの何倍離れているかが表す。そのため、第１異常度ｄ_ｉが使用者に呈示されることにより、使用者は、計測値と予測値との間の乖離の大きさを直感的に把握することができる。なお、例えば、診断項目ｘ_ｉの予測値の確率分布と計測値とを使用者に呈示することによっても、使用者は、計測値と予測値との間の乖離の大きさを直感的に把握することができる。 As described above, the MD value used as the degree of abnormality in the method described in Patent Document 1 is a value obtained by mixing data of all measurement items. Therefore, it is difficult for the user to intuitively understand the meaning of the degree of abnormality. On the other hand, in the abnormality diagnosis method, abnormality diagnosis apparatus 1 and abnormality diagnosis program P of the present embodiment, the first abnormality degree d _i is based on the comparison between the measured value and the probability distribution of the predicted value. by degrees d _i is presented to the user, the user, it is possible to intuitively grasp the magnitude of the offset between the predicted value and the measured value. For example, as described above, in the present embodiment, the first abnormality degree d _i represents how many times the measured value of the diagnostic item x _i is separated from the predicted average μ by the predicted standard deviation σ. Therefore, since the first abnormality degree d _i is presented to the user, the user can intuitively grasp the magnitude of the offset between the predicted value and the measured value. Incidentally, for example, diagnosis items x _i by also presented to the user and the probability distribution and the measured value of the predicted value of, the user intuitively recognize the magnitude of the offset between the predicted value and the measured value can do.

第１算出処理では、回帰係数｛ｗ｝の確率分布が正規分布に従うと仮定した場合の回帰係数｛ｗ｝の確率分布を表す値が算出され、第２算出処理では、回帰係数｛ｗ｝の確率分布が正規分布に従うと仮定した場合の各第２計測時点ｔにおける各診断項目ｘ_ｉの予測値の確率分布を表す値が算出される。これにより、各第２計測時点ｔにおける各診断項目ｘ_ｉの予測値の確率分布を表す値の算出に要する時間を低減することができる。更に、診断項目ｘ_ｉの予測値の確率分布を表す値の算出過程において当該確率分布の予測平均μ及び予測標準偏差σが算出されるので、第１異常度ｄ_ｉの算出が容易化される。 In the first calculation process, a value representing the probability distribution of the regression coefficient {w} when the probability distribution of the regression coefficient {w} is assumed to follow a normal distribution is calculated. In the second calculation process, the regression coefficient {w} value that represents the probability distribution of the predicted value for each diagnostic item x _i of each second measurement time point t when the probability distribution is assumed to follow a normal distribution is calculated. Thus, it is possible to reduce the time required for calculation of values representing the probability distribution of the predicted value for each diagnostic item x _i of each second measurement time point t. Furthermore, since the predicted mean μ and predicted standard deviation σ of the probability distribution are calculated in the process of calculating the value representing the probability distribution of the predicted value of the diagnostic item x _i , the calculation of the first abnormality degree d _i is facilitated. .

異常判定処理では、各第２計測時点ｔについて、各診断項目ｘ_ｉの計測値と各診断項目ｘ_ｉの予測値の確率分布における予測平均μとの差分を当該確率分布の予測標準偏差σで除した値が第１異常度ｄ_ｉとして算出される。これにより、診断項目ｘ_ｉの予測値の確率分布における予測標準偏差σが小さい場合に、計測値と予測平均μとの差分の大きさが第１異常度ｄ_ｉに鋭敏に反映される。その結果、予測標準偏差σの大きさ、すなわち診断項目ｘ_ｉの予測に関するばらつきの大きさが第１異常度ｄ_ｉに反映されるので、診断項目ｘ_ｉの異常判定における精度を向上することができる。 In the abnormality determination process, for each of the second measurement time point t, the forecast standard deviation σ of the differences of the probability distribution of the predicted mean μ in the probability distribution of the measured values and the predicted values for each diagnostic item x _i of each diagnostic item x _i a value obtained by dividing is calculated as a first abnormality degree d _i. Thus, when the forecast standard deviation in the probability distribution of the predicted value of the diagnosis items x _i sigma is small, the magnitude of the difference of the measured value and the predicted mean μ is sensitively reflected on the first abnormality degree d _i. As a result, the predicted standard deviation σ of the size, that is, the magnitude of the variation on Prediction of diagnostic item x _i is reflected on the first abnormality degree d _i, it is possible to improve the accuracy in abnormality determination of diagnosis items x _i it can.

本実施形態の異常診断方法、異常診断装置１、及び異常診断プログラムＰでは、第１異常度ｄ_ｉが使用者に呈示されることにより、使用者は、各第２計測時点ｔにおける各診断項目ｘ_ｉの異常の程度を把握することができる。異常判定の結果が使用者に呈示されることにより、使用者は、各第２計測時点ｔにおける各診断項目ｘ_ｉの異常の有無を把握することができる。全体異常度が使用者に呈示されることにより、使用者は、各第２計測時点ｔにおける診断対象システム全体の異常の程度を把握することができる。また、全体異常度が呈示されることにより、使用者が監視すべき異常度の数を減らすことができる。また、使用者は、重み係数を調整することにより、重点的に監視すべき診断項目ｘ_ｉと監視の優先度が低い診断項目ｘ_ｉとを選択することができる。異常箇所の特定情報が使用者に呈示されることにより、使用者は、診断対象システムのどの箇所において第１異常度ｄ_ｉが高くなっていたかを把握することができる。また、異常箇所の特定情報が使用者に呈示されることにより、使用者は、異常が発生している場合に、異常箇所を特定することができる。 Abnormality diagnosis method of the present embodiment, the abnormality diagnosis apparatus 1, and the abnormality diagnosing program P, by first error probability d _i is presented to the user, the user, the diagnosis items in each second measurement time point t The degree of abnormality of x _i can be grasped. By abnormality determination result is presented to the user, the user can grasp the presence or absence of abnormality of each diagnosis item x _i of each second measurement time point t. By presenting the overall abnormality level to the user, the user can grasp the degree of abnormality of the entire diagnosis target system at each second measurement time point t. Moreover, the number of abnormalities to be monitored by the user can be reduced by presenting the overall abnormalities. Further, the user, by adjusting the weighting factors, it is possible priority monitoring and diagnostic items x _i to be intensively monitored to select the low diagnostic items x _i. By specifying information abnormal point is presented to the user, the user can grasp whether first abnormality degree d _i was higher at any point of the diagnosis target system. Moreover, when the abnormal part specifying information is presented to the user, the user can specify the abnormal part when an abnormality has occurred.

以上、本発明の一実施形態について説明したが、本発明は、上記実施形態に限られない。上記実施形態において、第１算出部１２は、正常稼働データＤ１、回帰式、及びステップＳ２３で算出した回帰係数｛ｗ｝の確率分布を表す値に基づいて、各第１計測時点における各診断項目ｘ_ｉの予測値の確率分布を表す値を算出してもよい（第４ステップ）。この算出は、ステップＳ３３の算出と同様に行うことができる。第４ステップは、例えばステップＳ２３の後に実行される。第１算出部１２は、正常稼働データＤ１、及び第４ステップで算出した各診断項目ｘ_ｉの予測値の確率分布を表す値に基づいて、各第１計測時点における診断項目ｘ_ｉの異常度である第２異常度ｅ_ｉを算出してもよい（第５ステップ）。この算出は、ステップＳ４２の算出と同様に行うことができる。第５ステップは、第４ステップの後に実行される。ステップＳ２４では、第１算出部１２は、上述した処理に加えて、算出した予測値の確率分布を表す値及び第２異常度ｅ_ｉを算出データＤ４として記憶装置２０に記憶させてよい。ステップＳ４３では、異常判定部１４は、第１異常度ｄ_ｉ及び第２異常度ｅ_ｉに基づいて各第２計測時点ｔにおける各診断項目ｘ_ｉの異常判定を行ってもよい。異常判定部１４は、例えば、各第１計測時点における診断項目ｘ_ｉの異常度である第２異常度ｅ_ｉの平均及び分散に基づいて、第１異常度ｄ_ｉの異常判定に用いる閾値を決定してもよい。これにより、第１異常度ｄ_ｉだけでなく、診断対象システムが正常に稼働している第１時間帯の各第１計測時点における診断項目ｘ_ｉの異常度である第２異常度ｅ_ｉにも基づいて各診断項目ｘ_ｉの異常判定が行われる。その結果、診断項目ｘ_ｉの異常判定における精度を一層向上することができる。 Although one embodiment of the present invention has been described above, the present invention is not limited to the above embodiment. In the above-described embodiment, the first calculation unit 12 uses the normal operation data D1, the regression equation, and the value representing the probability distribution of the regression coefficient {w} calculated in step S23 for each diagnosis item at each first measurement time point. A value representing the probability distribution of the predicted value of x _i may be calculated (fourth step). This calculation can be performed in the same manner as the calculation in step S33. The fourth step is executed after step S23, for example. Based on the normal operation data D1 and the value representing the probability distribution of the predicted value of each diagnosis item x _i calculated in the fourth step, the first calculation unit 12 determines the degree of abnormality of the diagnosis item x _i at each first measurement time point. The second degree of abnormality e _i may be calculated (fifth step). This calculation can be performed in the same manner as the calculation in step S42. The fifth step is executed after the fourth step. In step S24, in addition to the processing described above, the first calculation unit 12 may cause the storage device 20 to store the calculated value representing the probability distribution of the predicted value and the second abnormality degree e _i as the calculation data D4. In step S43, the abnormality determination unit 14 may perform an abnormality determination for each diagnosis item x _i at each second measurement time t based on the first abnormality degree d _i and the second abnormality degree e _i . The abnormality determination unit 14 uses, for example, a threshold value used for abnormality determination of the first abnormality degree d _i based on the average and variance of the second abnormality degree e _i that is the abnormality degree of the diagnosis item x _i at each first measurement time point. You may decide. As a result, not only the first abnormality degree d _i but also the second abnormality degree e _i that is the abnormality degree of the diagnosis item x _i at each first measurement time point in the first time zone in which the diagnosis target system is operating normally. The abnormality determination of each diagnostic item x _i is performed based on the above. As a result, it is possible to further improve the accuracy in abnormality determination of diagnostic items x _i.

回帰式は、目的変数が計測項目のうちの一の診断項目であり、説明変数が他の計測項目の一部であるものであってもよい。例えば、相関が無いことが既知である計測項目については、説明変数から除外されてもよい。すなわち、説明変数は、他の計測項目の少なくとも１つであればよい。上記実施形態では、計測項目の全てが診断項目とされたが、計測項目の一部が診断項目とされてもよい。つまり、診断項目とされない計測項目が存在してもよい。診断項目とされる計測項目は、例えば使用者によって選択されてよい。診断項目は、１つであってもよい。第２計測時点は、１つの時点であってもよい。 The regression equation may be one in which the objective variable is one diagnostic item among the measurement items and the explanatory variable is a part of the other measurement items. For example, measurement items that are known to have no correlation may be excluded from the explanatory variables. That is, the explanatory variable may be at least one of other measurement items. In the above embodiment, all of the measurement items are diagnostic items, but some of the measurement items may be diagnostic items. That is, there may be measurement items that are not diagnostic items. A measurement item to be a diagnostic item may be selected by a user, for example. There may be one diagnostic item. The second measurement time point may be one time point.

回帰係数｛ｗ｝の確率分布の算出にＳＢＬが用いられなくてもよい。つまり、回帰係数の確率分布が正規分布に従うと仮定した場合の回帰係数の確率分布を表す値及び予測値の確率分布を表す値が算出されなくてもよい。この場合、例えば、マルコフ連鎖モンテカルロ法等により回帰係数の確率分布を表す値及び予測値の確率分布を表す値が数値的に算出されてもよい。この場合、回帰係数の確率分布を表す値及び予測値の確率分布を表す値は、各確率変数についての確率の値であってよい。また、回帰係数の確率分布を表す値及び予測値の確率分布を表す値は、平均、分散、及び各確率変数についての確率の値に限られず、確率分布を表現する他の統計量等であってもよい。また、第１異常度ｄ_ｉは、例えば、予測値の確率分布の代表値（例えば、平均値、最頻値、又は中央値等）と計測値との差分を定数倍したものであってよい。第１異常度ｄ_ｉは、診断項目ｘ_ｉの計測値と予測平均μとの差分を定数倍したものであってもよい。第１異常度ｄ_ｉに基づいて診断項目ｘ_ｉの異常判定が行われればよく、第１異常度ｄ_ｉは使用者に呈示されなくてもよい。また、全体異常度は算出されなくてもよく、異常箇所の特定情報は算出されなくてもよい。 The SBL may not be used for calculating the probability distribution of the regression coefficient {w}. That is, the value representing the probability distribution of the regression coefficient and the value representing the probability distribution of the predicted value when it is assumed that the probability distribution of the regression coefficient follows a normal distribution may not be calculated. In this case, for example, a value representing the probability distribution of the regression coefficient and a value representing the probability distribution of the predicted value may be calculated numerically by a Markov chain Monte Carlo method or the like. In this case, the value representing the probability distribution of the regression coefficient and the value representing the probability distribution of the predicted value may be a probability value for each random variable. In addition, the value representing the probability distribution of the regression coefficient and the value representing the probability distribution of the predicted value are not limited to the mean, variance, and probability value for each random variable, and may be other statistics that represent the probability distribution. May be. Further, the first degree of abnormality d _i may be, for example, a value obtained by multiplying a difference between a representative value (for example, an average value, a mode value, or a median value) of a probability distribution of predicted values and a measured value by a constant. . The first degree of abnormality d _i may be obtained by multiplying the difference between the measured value of the diagnostic item x _i and the predicted average μ by a constant. The abnormality determination of the diagnostic item x _i may be performed based on the first abnormality degree d _i , and the first abnormality degree d _i may not be presented to the user. Further, the overall abnormality degree does not need to be calculated, and the specific information of the abnormal part need not be calculated.

基底関数は、カーネル法を用いてカーネル関数として設定されてもよい。この場合、カーネル関数は、線形カーネル、多項式カーネル、又はガウシアンカーネル等であってよい。ＳＢＬにおいて基底関数としてカーネル関数が設定される場合の学習法は、関連ベクトルマシン（Relevance Vector Machines：ＲＶＭｓ）と呼ばれる場合がある。 The basis function may be set as a kernel function using a kernel method. In this case, the kernel function may be a linear kernel, a polynomial kernel, a Gaussian kernel, or the like. A learning method in the case where a kernel function is set as a basis function in SBL may be referred to as Relevance Vector Machines (RVMs).

１異常診断装置
１２第１算出部
１３第２算出部
１４異常判定部
Ｄ１正常稼働データ
Ｄ２診断対象データ
ｄ第１異常度
ｅ第２異常度
Ｐ異常診断プログラム
ｘ診断項目
ｗ回帰係数
μ 予測平均
σ 予測標準偏差
σ 予測標準偏差
Φ 基底関数 DESCRIPTION OF SYMBOLS 1 Abnormality diagnosis apparatus 12 1st calculation part 13 2nd calculation part 14 Abnormality determination part D1 Normal operation data D2 Diagnosis target data d 1st abnormality degree e 2nd abnormality degree P Abnormality diagnosis program x Diagnostic item w Regression coefficient μ Predictive average σ Predicted standard deviation σ Predicted standard deviation Φ Basis function

Claims

診断対象システムに関する複数の計測項目のデータに基づいて前記診断対象システムの異常を診断する異常診断方法であって、
前記診断対象システムが正常に稼働している時間帯における複数の第１計測時点において取得された前記計測項目のデータである正常稼働データに基づいて、目的変数が前記計測項目のうちの一の診断項目であり、説明変数が他の前記計測項目である回帰式の回帰係数の確率分布を表す値を算出する第１ステップと、
前記回帰式、前記第１ステップで算出した前記回帰係数の確率分布を表す値、及び診断の対象となる時間帯における第２計測時点において取得された前記計測項目のデータである診断対象データに基づいて、前記第２計測時点における前記診断項目の予測値の確率分布を表す値を算出する第２ステップと、
前記診断対象データ及び前記第２ステップで算出した前記診断項目の予測値の確率分布を表す値に基づいて前記第２計測時点における前記診断項目の異常度である第１異常度を算出し、前記第１異常度に基づいて前記診断項目の異常判定を行う第３ステップと、を含む異常診断方法。 An abnormality diagnosis method for diagnosing an abnormality of the diagnosis target system based on data of a plurality of measurement items related to the diagnosis target system,
Based on normal operation data that is data of the measurement item acquired at a plurality of first measurement points in a time zone in which the diagnosis target system is operating normally, the objective variable is a diagnosis of one of the measurement items. A first step of calculating a value representing a probability distribution of a regression coefficient of a regression equation that is an item and whose explanatory variable is the other measurement item;
Based on the regression equation, a value representing the probability distribution of the regression coefficient calculated in the first step, and diagnosis target data which is data of the measurement item acquired at the second measurement time point in the time zone to be diagnosed A second step of calculating a value representing a probability distribution of a predicted value of the diagnostic item at the second measurement time point;
Calculating a first abnormality degree that is an abnormality degree of the diagnosis item at the second measurement time point based on the diagnosis target data and a value representing a probability distribution of a predicted value of the diagnosis item calculated in the second step; A third step of performing an abnormality determination of the diagnostic item based on a first abnormality degree.

前記第１ステップでは、前記回帰係数の確率分布が正規分布に従うと仮定した場合の前記回帰係数の確率分布を表す値を算出し、
前記第２ステップでは、前記回帰係数の確率分布が正規分布に従うと仮定した場合の前記第２計測時点における前記診断項目の予測値の確率分布を表す値を算出する、請求項１記載の異常診断方法。 In the first step, a value representing the probability distribution of the regression coefficient when the probability distribution of the regression coefficient is assumed to follow a normal distribution is calculated;
2. The abnormality diagnosis according to claim 1, wherein in the second step, a value representing a probability distribution of a predicted value of the diagnostic item at the second measurement time point when the probability distribution of the regression coefficient is assumed to follow a normal distribution is calculated. Method.

前記第３ステップでは、前記第２計測時点について、前記診断項目の計測値と前記診断項目の予測値の確率分布における平均値との差分を当該確率分布の標準偏差で除した値を前記第１異常度として算出する、請求項１又は２記載の異常診断方法。 In the third step, for the second measurement time point, a value obtained by dividing the difference between the measured value of the diagnostic item and the average value in the probability distribution of the predicted value of the diagnostic item by the standard deviation of the probability distribution. The abnormality diagnosis method according to claim 1, wherein the abnormality diagnosis method calculates the degree of abnormality.

前記正常稼働データ、前記回帰式、及び前記第１ステップで算出した前記回帰係数の確率分布を表す値に基づいて、各前記第１計測時点における前記診断項目の予測値の確率分布を表す値を算出する第４ステップと、
前記正常稼働データ及び前記第４ステップで算出した前記診断項目の予測値の確率分布を表す値に基づいて、各前記第１計測時点における前記診断項目の異常度である第２異常度を算出する第５ステップと、を更に含み、
前記第３ステップでは、前記第１異常度及び前記第２異常度に基づいて前記診断項目の異常判定を行う、請求項１〜３のいずれか一項記載の異常診断方法。 Based on the normal operation data, the regression equation, and the value representing the probability distribution of the regression coefficient calculated in the first step, a value representing the probability distribution of the predicted value of the diagnostic item at each first measurement time point. A fourth step of calculating;
Based on the normal operation data and a value representing the probability distribution of the predicted value of the diagnostic item calculated in the fourth step, a second abnormality degree that is an abnormality degree of the diagnostic item at each first measurement time is calculated. A fifth step,
The abnormality diagnosis method according to any one of claims 1 to 3, wherein in the third step, abnormality diagnosis of the diagnosis item is performed based on the first abnormality degree and the second abnormality degree.

診断対象システムに関する複数の計測項目のデータに基づいて前記診断対象システムの異常を診断する異常診断装置であって、
前記診断対象システムが正常に稼働している時間帯における複数の第１計測時点において取得された前記計測項目のデータである正常稼働データに基づいて、目的変数が前記計測項目のうちの一の診断項目であり、説明変数が他の前記計測項目である回帰式の回帰係数の確率分布を表す値を算出する第１算出部と、
前記回帰式、前記第１算出部により算出された前記回帰係数の確率分布を表す値、及び診断の対象となる時間帯における第２計測時点において取得された前記計測項目のデータである診断対象データに基づいて、前記第２計測時点における前記診断項目の予測値の確率分布を表す値を算出する第２算出部と、
前記診断対象データ及び前記第２算出部により算出された前記診断項目の予測値の確率分布を表す値に基づいて前記第２計測時点における前記診断項目の異常度である第１異常度を算出し、前記第１異常度に基づいて前記診断項目の異常判定を行う異常判定部と、を含む異常診断装置。 An abnormality diagnosis device that diagnoses an abnormality of the diagnosis target system based on data of a plurality of measurement items related to the diagnosis target system,
Based on normal operation data that is data of the measurement item acquired at a plurality of first measurement points in a time zone in which the diagnosis target system is operating normally, the objective variable is a diagnosis of one of the measurement items. A first calculation unit that calculates a value representing a probability distribution of a regression coefficient of a regression equation that is an item and whose explanatory variable is the other measurement item;
Diagnosis target data that is data of the measurement item acquired at the second measurement time point in the time zone to be diagnosed, the regression equation, the value representing the probability distribution of the regression coefficient calculated by the first calculation unit A second calculation unit that calculates a value representing a probability distribution of a predicted value of the diagnostic item at the second measurement time point,
A first abnormality degree that is an abnormality degree of the diagnosis item at the second measurement time point is calculated based on the diagnosis target data and a value representing a probability distribution of a predicted value of the diagnosis item calculated by the second calculation unit. And an abnormality determination unit that performs abnormality determination of the diagnostic item based on the first abnormality degree.

診断対象システムに関する複数の計測項目のデータに基づいて前記診断対象システムの異常を診断する異常診断方法をコンピュータに実行させる異常診断プログラムであって、
前記診断対象システムが正常に稼働している時間帯における複数の第１計測時点において取得された前記計測項目のデータである正常稼働データに基づいて、目的変数が前記計測項目のうちの一の診断項目であり、説明変数が他の前記計測項目である回帰式の回帰係数の確率分布を表す値を算出する第１ステップと、
前記回帰式、前記第１ステップで算出した前記回帰係数の確率分布を表す値、及び診断の対象となる時間帯における複数の第２計測時点において取得された前記計測項目のデータである診断対象データに基づいて、前記第２計測時点における前記診断項目の予測値の確率分布を表す値を算出する第２ステップと、
前記診断対象データ及び前記第２ステップで算出した前記診断項目の予測値の確率分布を表す値に基づいて前記第２計測時点における前記診断項目の異常度である第１異常度を算出し、前記第１異常度に基づいて前記診断項目の異常判定を行う第３ステップと、を前記コンピュータに実行させる異常診断プログラム。 An abnormality diagnosis program for causing a computer to execute an abnormality diagnosis method for diagnosing an abnormality in the diagnosis target system based on data of a plurality of measurement items related to the diagnosis target system,
Based on normal operation data that is data of the measurement item acquired at a plurality of first measurement points in a time zone in which the diagnosis target system is operating normally, the objective variable is a diagnosis of one of the measurement items. A first step of calculating a value representing a probability distribution of a regression coefficient of a regression equation that is an item and whose explanatory variable is the other measurement item;
Diagnosis target data that is data of the measurement items acquired at a plurality of second measurement points in the time zone to be diagnosed, and the regression equation, a value representing the probability distribution of the regression coefficient calculated in the first step A second step of calculating a value representing the probability distribution of the predicted value of the diagnostic item at the second measurement time point based on
Calculating a first abnormality degree that is an abnormality degree of the diagnosis item at the second measurement time point based on the diagnosis target data and a value representing a probability distribution of a predicted value of the diagnosis item calculated in the second step; An abnormality diagnosis program for causing the computer to execute a third step of determining abnormality of the diagnosis item based on a first abnormality degree.