JP2022090866A - 異常判定装置、異常判定モデル生成方法および異常判定方法 - Google Patents
異常判定装置、異常判定モデル生成方法および異常判定方法 Download PDFInfo
- Publication number
- JP2022090866A JP2022090866A JP2020203428A JP2020203428A JP2022090866A JP 2022090866 A JP2022090866 A JP 2022090866A JP 2020203428 A JP2020203428 A JP 2020203428A JP 2020203428 A JP2020203428 A JP 2020203428A JP 2022090866 A JP2022090866 A JP 2022090866A
- Authority
- JP
- Japan
- Prior art keywords
- time
- abnormality determination
- abnormality
- equipment
- series signal
- 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
- 230000005856 abnormality Effects 0.000 title claims abstract description 246
- 238000000034 method Methods 0.000 title claims abstract description 93
- 239000013598 vector Substances 0.000 claims abstract description 97
- 238000012544 monitoring process Methods 0.000 claims abstract description 22
- 238000006243 chemical reaction Methods 0.000 claims abstract description 17
- 230000005484 gravity Effects 0.000 claims abstract description 11
- 230000001174 ascending effect Effects 0.000 claims abstract description 7
- 238000005520 cutting process Methods 0.000 claims description 81
- 230000008569 process Effects 0.000 claims description 27
- 238000010801 machine learning Methods 0.000 claims description 13
- 238000003066 decision tree Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 230000008439 repair process Effects 0.000 claims description 2
- 239000000284 extract Substances 0.000 abstract 1
- 230000011218 segmentation Effects 0.000 abstract 1
- 238000003860 storage Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000000605 extraction Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 229910000831 Steel Inorganic materials 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 239000010959 steel Substances 0.000 description 4
- 238000005096 rolling process Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
【課題】各設備を個別に監視することなく、非線形な特性を有する設備の異常を汎用的かつ高精度に検知することができる異常判定装置、異常判定モデル生成方法および異常判定方法を提供する。【解決手段】異常判定装置１は、時系列信号切り出し手段と、正常ベクトル登録手段と、異常判定モデル登録手段と、異常判定手段と、を備え、異常判定手段が、異常判定フラグが第一型である場合、登録した正常ベクトルとの距離を演算し、距離が小さい順に所定数の正常ベクトルを近傍データとして抽出し、近傍データの重心ベクトルと異常判定の対象のＭ次元ベクトルとの距離を演算し、距離に基づいて設備の異常判定を行い、異常判定フラグが第二型の場合、予め演算した主成分の変換係数に基づいて、主成分からの偏差を演算し、偏差に基づいて、設備の異常判定を行う。【選択図】図１
Description
本発明は、異常判定装置、異常判定モデル生成方法および異常判定方法に関する。
鉄鋼プロセスの圧延工程では、鋼板は一対のワークロールおよびバックアップロールにより圧延される。油圧圧下装置は、圧延の際に鋼板が所定の板厚になるように、励磁電流によりサーボ弁のスプールを移動させてサーボ弁の弁開度を調整し、油柱シリンダの油量を調整することにより、油柱シリンダの位置を制御しワークロールの圧下量を制御する。
このような油圧圧下装置では、スプールが動かなくなりワークロールを圧下できなくなるような異常が発生する前に、スプールが動きにくくなるような些細な異常（微小異常）を検知することが望まれる。このような背景から、油圧圧下装置の異常を監視する技術が提案されている。
例えば、特許文献１には、設備が正常に稼動している時に、サーボ弁のスプールの移動量の基準値と実績値との相関を求めておき、基準値と実績値との関係から異常を検知する方法が記載されている。また、特許文献２には、サーボ弁の励磁電流と油柱シリンダの位置との関係を、両者の関係が比例関係にある領域と飽和状態にある領域とに分類して監視する方法が記載されている。
しかしながら、特許文献１に記載の技術は、サーボ弁のスプールの移動量の基準値と実績値でのみ異常を監視しているため、監視のための情報量が十分とはいえない。また、特許文献２に記載の技術によれば、サーボ弁の励磁電流と油柱シリンダの位置との関係について、比例関係と飽和状態との２つの関係のそれぞれに適正値を設定する必要がある。ところが、２種類の信号間の関係には、正常時においても許容されるバラつきの範囲があり、適正値を確定的に求めることは難しい。さらに、鉄鋼プロセスのように多数の対象設備が存在する場合には、各対象設備の各信号間の複数の関係のそれぞれに適正値を設定する必要があり、マンパワーが増大するという問題があった。
本発明は、上記に鑑みてなされたものであって、各設備を個別に監視することなく、非線形な特性を有する設備の異常を汎用的かつ高精度に検知することができる異常判定装置、異常判定モデル生成方法および異常判定方法を提供することを目的とする。
上述した課題を解決し、目的を達成するために、本発明に係る異常判定装置は、所定の動作を行う設備の異常を判定する異常判定装置であって、前記設備の正常動作時に、前記設備の動作状態を示す２以上の時系列信号からＫ回の切り出しを行う時系列信号切り出し手段と、前記時系列信号切り出し手段によって切り出した２以上の時系列信号の種類をＭ種とし、同一時刻におけるＭ種の変数からなるＭ次元ベクトルを構成し、構成したベクトルを正常ベクトルとして登録する正常ベクトル登録手段と、各変数間の相関の最大値が所定値未満である場合は、異常判定フラグを第一型とし、前記各変数間の相関の最大値が所定値以上である場合は、異常判定フラグを第二型とし、前記異常判定フラグが第二型の場合、登録した正常ベクトル群に対して主成分分析を行って主成分の変換係数を演算し、演算した前記主成分の変換係数のそれぞれを異常判定モデルとして登録する異常判定モデル登録手段と、前記設備の異常を判定する異常判定手段と、を備え、前記異常判定手段が、前記設備の異常判定時に、正常動作時と同様に切り出した時系列信号から１個のＭ次元ベクトルを構成し、前記異常判定フラグが第一型である場合、登録した正常ベクトルとの距離を演算し、距離が小さい順に所定数の前記正常ベクトルを近傍データとして抽出し、前記近傍データの重心ベクトルと異常判定の対象のＭ次元ベクトルとの距離を演算し、前記距離に基づいて前記設備の異常判定を行い、前記異常判定フラグが第二型の場合、予め演算した前記主成分の変換係数に基づいて、主成分からの偏差を演算し、前記偏差に基づいて、前記設備の異常判定を行う。
また、本発明に係る異常判定装置は、上記発明において、前記設備の動作状態を示す時系列信号と、予め定めた監視対象区間から前記動作状態を示す時系列信号を切り出す条件を決定するトリガ候補の時系列信号と、を収集する時系列信号収集手段と、前記設備の動作状態を示す時系列信号について、切り出したい前記監視対象区間の開始時刻を予め特定し、前記開始時刻のラベルをＯＮとし、それ以外の時刻をＯＦＦとするラベルデータを生成し、各時刻における１以上の前記トリガ候補の時系列信号の各値を入力とし、各時刻における前記ラベルデータを出力とするトリガ条件決定モデルを、機械学習により生成するトリガ条件決定モデル生成手段と、を更に備え、前記時系列信号切り出し手段が、前記設備の正常動作時および異常判定時に、前記トリガ条件決定モデルに基づいて、前記時系列信号の切り出しを行う。
また、本発明に係る異常判定装置は、上記発明において、前記トリガ条件決定モデルが、決定木を含む機械学習モデルである。
また、本発明に係る異常判定装置は、上記発明において、前記異常判定手段が、所定の期間において前記設備が異常と判定された回数に基づいて、前記設備の補修の要否を判定する。
上述した課題を解決し、目的を達成するために、本発明に係る異常判定モデル生成方法は、所定の動作を行う設備の異常を判定する異常判定モデル生成方法であって、前記設備の正常動作時に、前記設備の動作状態を示す２以上の時系列信号からＫ回の切り出しを行う時系列信号切り出し工程と、前記時系列信号切り出し工程で切り出した２以上の時系列信号の種類をＭ種とし、同一時刻におけるＭ種の変数からなるＭ次元ベクトルを構成し、構成したベクトルを正常ベクトルとして登録する正常ベクトル登録工程と、各変数間の相関の最大値が所定値未満である場合は、異常判定フラグを第一型とし、前記各変数間の相関の最大値が所定値以上である場合は、異常判定フラグを第二型とし、前記異常判定フラグが第二型の場合、登録した正常ベクトル群に対して主成分分析を行って主成分の変換係数を演算し、演算した前記主成分の変換係数のそれぞれを異常判定モデルとして登録する異常判定モデル登録工程と、を含む。
また、本発明に係る異常判定モデル生成方法は、上記発明において、前記設備の動作状態を示す時系列信号と、予め定めた監視対象区間から前記動作状態を示す時系列信号を切り出す条件を決定するトリガ候補の時系列信号と、を収集する時系列信号収集工程と、前記設備の動作状態を示す時系列信号について、切り出したい前記監視対象区間の開始時刻を予め特定し、前記開始時刻のラベルをＯＮとし、それ以外の時刻をＯＦＦとするラベルデータを生成し、各時刻における１以上の前記トリガ候補の時系列信号の各値を入力とし、各時刻における前記ラベルデータを出力とするトリガ条件決定モデルを、機械学習により生成するトリガ条件決定モデル生成工程と、を更に含み、前記時系列信号切り出し工程が、前記トリガ条件決定モデルに基づいて、前記時系列信号の切り出しを行う。
上述した課題を解決し、目的を達成するために、本発明に係る異常判定方法は、上記の異常判定モデル生成方法によって生成された異常判定モデルを用いて、所定の動作を行う設備の異常を判定する異常判定方法であって、前記設備の動作状態を示す２以上の時系列信号から切り出しを行う時系列信号切り出し工程と、前記設備の異常を判定する異常判定工程と、を含み、前記異常判定工程が、前記時系列信号切り出し工程で切り出した時系列信号の異常判定フラグが、第一型であるかまたは第二型であるかを判定し、前記異常判定フラグが第一型である場合、登録した正常ベクトルとの距離を演算し、距離が小さい順に所定数の前記正常ベクトルを近傍データとして抽出し、前記近傍データの重心ベクトルと異常判定の対象のＭ次元ベクトルとの距離を演算し、前記距離に基づいて前記設備の異常判定を行い、前記異常判定フラグが第二型の場合、予め演算した前記主成分の変換係数に基づいて、主成分からの偏差を演算し、前記偏差に基づいて、前記設備の異常判定を行う。
また、本発明に係る異常判定方法は、上記発明において、前記時系列信号切り出し工程が、上記の異常判定モデル生成方法によって生成されたトリガ条件決定モデルを用いて、時系列信号を行う。
本発明によれば、各設備を個別に監視することなく、非線形な特性を有する設備の異常を汎用的かつ高精度に検知することができる。
本発明の実施形態に係る異常判定装置、異常判定モデル生成方法および異常判定方法について、図面を参照しながら説明する。
（異常判定装置）
異常判定装置は、例えば工場等の生産設備および研究所等の実験設備において、監視対象設備（以下、単に「設備」という場合もある）の異常を判定（診断）するための装置である。監視対象設備としては、例えば製鉄プロセスの設備、石油関連製品、化学薬品等の製造プロセスの生産設備、研究機関の実験設備等が挙げられる。
異常判定装置は、例えば工場等の生産設備および研究所等の実験設備において、監視対象設備（以下、単に「設備」という場合もある）の異常を判定（診断）するための装置である。監視対象設備としては、例えば製鉄プロセスの設備、石油関連製品、化学薬品等の製造プロセスの生産設備、研究機関の実験設備等が挙げられる。
異常判定装置１は、例えばパーソナルコンピュータやワークステーション等の汎用の情報処理装置によって実現される。この異常判定装置１は、図１に示すように、入力部１０と、出力部２０と、演算部３０と、記憶部４０と、を備えている。
入力部１０は、演算部３０に対するデータの入力手段であり、例えばデータ収集装置、キーボード、ポインティングデバイス等によって実現される。出力部２０は、演算部３０によって処理されたデータの出力手段であり、例えば液晶ディスプレイ等の表示装置等によって実現される。
演算部３０は、例えばＣＰＵ（Central Processing Unit）等からなるプロセッサと、ＲＡＭ（Random Access Memory）やＲＯＭ（Read Only Memory）等からなるメモリ（主記憶部）と、によって実現される。演算部３０は、プログラムを主記憶部の作業領域にロードして実行し、プログラムの実行を通じて各構成部等を制御することにより、所定の目的に合致した機能を実現する。
また、演算部３０は、前記したプログラムの実行を通じて、時系列信号収集部（時系列信号収集手段）３１、時系列信号切り出し部（時系列信号切り出し手段）３２、正常ベクトル登録部（正常ベクトル登録手段）３３、トリガ条件決定モデル生成部（トリガ条件決定モデル生成手段）３４、異常判定モデル登録部（異常判定モデル登録手段）３５および異常判定部（異常判定手段）３６として機能する。なお、各部の詳細は後記する（図２および図９参照）。また、図１では、一つの演算部３０（≒一つのコンピュータ）によって各部の機能を実現する例を示しているが、複数の演算部によって各部の機能を実現してもよい。
記憶部４０は、演算部３０による演算結果を格納する手段であり、例えばハードディスク装置等によって実現される。この記憶部４０には、トリガ条件決定モデル４１、正常ＤＢ４２および異常判定モデル４３が格納されている。また、記憶部４０には、上記のモデルの他に、例えば演算部３０によって処理されたデータ（例えば監視対象信号、トリガ候補信号、トリガ条件等）も、必要に応じて格納される。
トリガ条件決定モデル４１とは、トリガ条件を決定する際に用いる学習モデルである。トリガ条件決定モデル４１は、後記するように、トリガ条件決定モデル生成部３４によって予め生成され、記憶部４０に格納される。
ここで、「トリガ条件」とは、後記する異常判定方法において、正常ＤＢ４２に正常ベクトル（正常データ）を登録する際、異常判定モデル４３を登録する際、および異常判定を行う際に、時系列信号を切り出すための条件のことを示している。
トリガ条件は、具体的には、設備の動作状態を示す時系列信号（以下、「設備状態時系列信号」ともいう）から、異常判定の対象となる区間（以下、「監視対象区間」という）を切り出すタイミングを指定する条件のことを示している。このトリガ条件は、例えば前記した時系列信号の切り出し開始時刻および切り出しの幅のことを示している。また、前記した監視対象区間から、設備動作時系列信号を切り出す条件（トリガ条件）を決定する時系列信号のことを、「トリガ候補信号」と呼ぶ。
設備動作時系列信号は、監視対象設備の種類によって異なり、例えば監視対象設備が「モータ」である場合、設備動作時系列信号としてはモータの電流や速度等が用いられる。異常判定装置１では、１以上の設備状態時系列信号とこれに対応するトリガ候補信号を常時収集している。トリガ候補信号は、監視対象設備に関連した時系列信号であって、設備動作時系列信号と同時刻に検出された時系列信号のことを示している。
通常、単一または複数の条件が成立したときに監視したい設備は動作を開始する。トリガ候補信号とはこの条件のことであり、例えばＯｎ，Ｏｆｆ等の信号である。このトリガ条件が事前に分かっていれば、監視対象区間の切り出しは容易である。しかし、多様な設備が多数あって複雑に動作する場合、このトリガ条件を容易に判断できないことがある。あるいは、トリガ条件を直接的に示すトリガ候補信号が必ずしもデータベースに取り込まれておらず、間接的な形での信号しか存在しない場合もある。
そこで、設備動作条件を規定する信号群をトリガ候補信号として選択し、それらの信号の履歴から動作開始のルールを機械学習等で抽出して、監視対象区間を切り出すための条件を決定する。また、トリガ候補信号は、対象プロセスや設備等の異常とは直接関係しない信号が望ましく、各種指令値や特定のイベントのＯＮ／ＯＦＦを表す信号等が候補となる。但し、トリガ候補信号に、監視対象信号自身を含めてもよい。
また、監視対象区間とは、設備動作時系列信号のうち異常判定を行うために切り出す区間のことを示している。設備動作時系列信号から監視対象区間を切り出す場合、当該時系列信号の切り出しを開始する時刻（以下、「切り出し開始時刻」という）と、切り出しの幅を指定する。その際、切り出し開始時刻は、設備動作時系列信号と同時に収集しているトリガ候補信号の値によって指定する。また、切り出しの幅は、監視対象設備の種類によって異なり、例えば監視対象設備が「モータ」である場合、モータが加速する区間を切り出しの幅として指定してもよい。あるいは、製品製造プロセスであれば、製造開始から製造終了までの区間の幅とすることもできる。
正常ＤＢ４２は、異常判定装置１による異常判定を行う際に用いられるデータベースである。正常ＤＢ４２には、過去の操業時における設備の正常な動作状態のデータ（以下、「正常ベクトル」という）が蓄積されている。この正常ベクトルは、時系列信号切り出し部３２によって切り出された時系列信号の種類に対応するＭ種の変数からなるＭ次元ベクトルにより構成される。
異常判定モデル４３は、後記する異常判定方法において異常判定を行う際に用いられる学習モデルである。この異常判定モデル４３は、後記するように、異常判定モデル登録部３５によって予め生成され、記憶部４０に格納される。なお、異常判定モデル４３の詳細については後記する。
（トリガ条件決定モデル生成方法）
実施形態に係るトリガ条件決定モデル４１の生成方法について、図２～図８を参照しながら説明する。トリガ条件決定モデル生成方法は、時系列信号収集工程（ステップＳ１）と、時系列信号切り出し工程（ステップＳ２～Ｓ５）と、トリガ条件決定モデル生成工程（ステップＳ６，Ｓ７）と、をこの順で行う。また、トリガ条件決定モデル生成方法では、後記するように、必要に応じて時系列信号切り出し工程およびトリガ条件決定モデル生成工程を繰り返す。
実施形態に係るトリガ条件決定モデル４１の生成方法について、図２～図８を参照しながら説明する。トリガ条件決定モデル生成方法は、時系列信号収集工程（ステップＳ１）と、時系列信号切り出し工程（ステップＳ２～Ｓ５）と、トリガ条件決定モデル生成工程（ステップＳ６，Ｓ７）と、をこの順で行う。また、トリガ条件決定モデル生成方法では、後記するように、必要に応じて時系列信号切り出し工程およびトリガ条件決定モデル生成工程を繰り返す。
＜時系列信号収集工程＞
時系列信号収集工程では、時系列信号収集部３１が、設備状態時系列信号およびトリガ候補信号からなる信号群を収集する（ステップＳ１）。なお、ここでは時系列信号収集部３１が複数の時系列信号を収集する場合について説明するが、時系列信号収集部３１が収集する時系列信号は一つでもよい。
時系列信号収集工程では、時系列信号収集部３１が、設備状態時系列信号およびトリガ候補信号からなる信号群を収集する（ステップＳ１）。なお、ここでは時系列信号収集部３１が複数の時系列信号を収集する場合について説明するが、時系列信号収集部３１が収集する時系列信号は一つでもよい。
＜時系列信号切り出し工程＞
時系列信号切り出し工程では、時系列信号切り出し部３２が、時系列信号収集工程で収集された信号群について、所定の基準に基づいて、設備動作時系列信号の監視対象区間を切り出す。以下、時系列信号切り出し工程の詳細について説明する。
時系列信号切り出し工程では、時系列信号切り出し部３２が、時系列信号収集工程で収集された信号群について、所定の基準に基づいて、設備動作時系列信号の監視対象区間を切り出す。以下、時系列信号切り出し工程の詳細について説明する。
時系列信号切り出し部３２は、まず図３に示すように、信号群の粗切り出しを行う（ステップＳ２）。例えばコイルの圧延設備等の繰り返し動作を行う設備では、連続して流れてくるコイルについて、設備状態時系列信号およびトリガ候補信号を切れ目なく連続して取得している。そこで、ステップＳ２では、例えばコイルごとに設備状態時系列信号およびトリガ候補信号を分割するために、信号群の粗切り出しを行う。なお、信号群の粗切り出しは、監視対象設備の種類に応じて予め設定したタイミングで行ってもよく、あるいは同図に示すように、複数のトリガ候補信号の中から粗切り出し用信号を選択し、当該粗切り出し用信号が立ち上がったタイミングで行ってもよい。
なお、図３において、符号Ｓｇは粗切り出し前の信号群、符号Ｓｓは粗切り出し前の設備状態時系列信号、符号Ｓｔは粗切り出し前のトリガ候補信号、符号Ｓｇ１，Ｓｇ２，Ｓｇ３は粗切り出し後の信号群、符号Ｓｓ１，Ｓｓ２，Ｓｓ３は粗切り出し後の設備状態時系列信号、符号Ｓｔ１，Ｓｔ２，Ｓｔ３は粗切り出し後のトリガ候補信号、を示している。
次に、時系列信号切り出し部３２は、図４（ａ）に示すように、ステップＳ２で粗切り出しした複数の設備状態時系列信号の中から設備状態時系列信号（同図では設備状態時系列信号Ｓｓ１）を一つ選択し、選択した設備状態時系列信号Ｓｓ１の監視対象区間Ｓｍ１を切り出す（ステップＳ３）。ステップＳ３で監視対象区間Ｓｍ１を切り出す際の切り出し条件は、監視対象設備の設備特性に基づいて決定する。例えば監視対象設備が「モータ」であり、設備状態時系列信号Ｓｓ１が「モータの電流値」である場合であって、モータが加速する際のモータの電流値の上昇具合が正常か否かを判定する場合、同図に示すように、モータが加速する区間を監視対象区間Ｓｍ１とする。すなわち、監視対象区間Ｓｍ１の切り出し開始時刻としてモータが加速を開始する時点を指定し、切り出しの幅としてモータが加速を開始して加速が終了するまでの区間を指定する。
次に、時系列信号切り出し部３２は、ステップＳ３で切り出した監視対象区間Ｓｍ１に含まれる波形と、その他の設備状態時系列信号Ｓｓ２，Ｓｓ３に含まれる波形との相関係数を算出する（ステップＳ４）。次に、時系列信号切り出し部３２は、図４（ｂ）に示すように、その他の設備状態時系列信号Ｓｓ２，Ｓｓ３について、ステップＳ３で切り出した監視対象区間Ｓｍ１に含まれる波形との相関係数が最も大きい区間を探索することにより、設備状態時系列信号Ｓｓ２，Ｓｓ３の監視対象区間Ｓｍ２，Ｓｍ３をそれぞれ切り出す（ステップＳ５）。
このように、ステップＳ４，Ｓ５では、ステップＳ２で粗切り出しした他の時刻の設備状態時系列信号に含まれる波形の中から、ステップＳ３で切り出した監視対象区間Ｓｍ１に含まれる波形に類似した波形を探索する。なお、類似した波形の探索方法は、前記した相関係数の比較の他に、各時系列信号のデータ同士のユークリッド距離等を用いてもよい。
＜トリガ条件決定モデル生成工程＞
トリガ条件決定モデル生成工程では、各信号群（複数の設備状態時系列信号）について、切り出したい監視対象区間の開始時刻を予め特定し、当該開始時刻のラベルをＯＮとし、それ以外の時刻をＯＦＦとするラベルデータを生成し、各時刻の１以上のトリガ候補信号の各値を入力とし、各時刻のラベルデータを出力とする学習モデルを、機械学習により生成する。
トリガ条件決定モデル生成工程では、各信号群（複数の設備状態時系列信号）について、切り出したい監視対象区間の開始時刻を予め特定し、当該開始時刻のラベルをＯＮとし、それ以外の時刻をＯＦＦとするラベルデータを生成し、各時刻の１以上のトリガ候補信号の各値を入力とし、各時刻のラベルデータを出力とする学習モデルを、機械学習により生成する。
トリガ条件決定モデル生成工程では、まず図５に示すように、トリガ条件決定モデル生成部３４が、各信号群について、切り出した監視対象区間Ｓｍ１，Ｓｍ２，Ｓｍ３の開始時刻ｐ１，ｐ２，ｐ３に対応する設備状態時系列信号Ｓｓ１，Ｓｓ２，Ｓｓ３の値およびトリガ候補信号Ｓｔ１，Ｓｔ２，Ｓｔ３の値（以下、「信号群の値」という）に対して「トリガＯＮ」のラベルを付与し、切り出した監視対象区間Ｓｍ１，Ｓｍ２，Ｓｍ３の開始時刻以外の時刻に対応する信号群の値に「トリガＯＦＦ」のラベルを付与する（ステップＳ６）。なお、「トリガＯＮ」のラベルは、このラベルが付与された信号群の値が切り出し開始時刻であるということを示しており、「トリガＯＦＦ」のラベルは、このラベルが付与された信号群の値が切り出し開始時刻ではないということを示している。
次に、トリガ条件決定モデル生成部３４は、「トリガＯＮ」のラベルが付与された信号群の値および「トリガＯＦＦ」のラベルが付与された信号群の値を入力とし、「トリガＯＮ」のラベルおよび「トリガＯＦＦ」のラベルを出力として機械学習することにより、図６に示すように、決定木を生成する（ステップＳ７）。
具体的には、目的変数を「トリガＯＮ」および「トリガＯＦＦ」のラベルとし、「トリガＯＮ」および「トリガＯＦＦ」の各時刻に対応する各トリガ候補信号の値を説明変数とする学習用データを用いて、決定木を生成することができる。ここで、「トリガＯＮ」を“１”とし、「トリガＯＦＦ」を“０”として、関数として扱ってもよい。また、決定木以外の様々な機械学習モデルを利用することもできる。このため、ステップＳ７で生成する学習モデルは、決定木に限定されず、例えばランダムフォレストまたはニューラルネットワーク等であってもよい。ここで、「トリガＯＮ」を“１”とし、「トリガＯＦＦ」を“０”として、関数として扱ってもよい。
ここで、トリガ条件決定モデル生成工程では、信号群に含まれるトリガ候補信号が１パルス信号、すなわち図７の上図に示すように、ＯＮ－ＯＦＦ信号のうち、信号の立ち上がりまたは立ち下がりの１スキャン分のみＯＮする信号である場合、同図の下図に示すように、トリガ候補信号をのこぎり波に変換した後に機械学習を行う。
図７の上図に示すように、１パルス信号は短い時間のみＯＮする信号である。そのため、前記した時系列信号切り出し工程において、波形の類似度の高い箇所を探索している際に、本来であれば「トリガＯＮ」時に１パルス信号もＯＮすべきなのに対して、「トリガＯＮ」となる時刻が、１パルス信号がＯＮする時刻の前後にずれてしまう場合がある。一方、同図に示すように、１パルス信号をのこぎり波に変換することにより、１パルス信号のＯＮ、ＯＦＦ遅れによる不具合を解消することができる。
変換後のこぎり波の傾きは、例えば１パルス信号がＯＮしてから何秒後までチェックしたいかにより決定し、次の信号の立ち上がりと重ならないような傾きに設定する。また、１パルス信号をのこぎり波に変換する際には、図７のＡ部に示すように、切り出し開始点のズレにより、１パルス信号がＯＮするよりも先に監視対象区間の切り出しを開始してしまうことに対する余裕分（例えば５ｓｃａｎ程度）を持たせることが望ましい。
また、のこぎり波の形状は、図８に示すように、パラメータｔｆ，ｔｂにより定義されるが、当該パラメータｔｆ，ｔｂの関係を、ｔｂ＜ｔｆとすることが望ましい。また、のこぎり波では、同図に示すように、変換後の信号の値ｚがＢで示す範囲内であれば、トリガＯＮと判断する。
トリガ条件決定モデル生成工程では、機械学習の際にトリガ条件が正常に生成できないエラーが発生した場合や、判別精度が所定の値を得られない場合等には、前記した時系列信号切り出し工程に戻り、前回切り出した監視対象区間を前後にシフトさせ、設備状態時系列信号の監視対象区間を新たに切り出した後、トリガ条件決定モデル生成工程を再度行う。すなわち、設備状態時系列信号の監視対象区間の切り出しをやり直した後、再度決定木の構築を行う。そして、機械学習の際にトリガ条件が正常に生成できた場合はトリガ条件決定モデル生成工程を終了し、正常に生成できなかった場合は再度時系列信号切り出し工程に戻り、時系列信号切り出し工程およびトリガ条件決定モデル生成工程をやり直す。
本実施形態に係るトリガ条件決定モデル生成方法は、図４で示したように、時系列信号切り出し工程で最初に指定した監視対象区間（監視対象区間Ｓｍ１）の開始時刻におけるトリガ候補信号の状態を学習する手法である。そのため、例えば最初に指定する監視対象区間の開始時刻におけるトリガ候補信号の状態に特徴がないような場合には、うまく学習を行うことができない。そこで、前記したように、トリガ条件決定モデル生成工程でエラーが発生した場合は、時系列信号切り出し工程で最初に指定した監視対象区間を前後にシフトさせ、監視対象区間を指定し直すことにより、学習の際の不具合を解消することができる。
（異常判定モデル生成方法）
実施形態に係る異常判定モデル生成方法について、図９を参照しながら説明する。異常判定モデル生成方法は、時系列信号収集工程（ステップＳ１１）と、時系列信号切り出し工程（ステップＳ１２）と、正常ベクトル登録工程（ステップＳ１３）と、異常判定モデル登録工程（ステップＳ１４）と、をこの順で行う。
実施形態に係る異常判定モデル生成方法について、図９を参照しながら説明する。異常判定モデル生成方法は、時系列信号収集工程（ステップＳ１１）と、時系列信号切り出し工程（ステップＳ１２）と、正常ベクトル登録工程（ステップＳ１３）と、異常判定モデル登録工程（ステップＳ１４）と、をこの順で行う。
＜時系列信号収集工程＞
時系列信号収集工程では、時系列信号収集部３１が、設備状態時系列信号およびトリガ候補信号からなる信号群を収集する（ステップＳ１１）。なお、ここでは時系列信号収集部３１が複数の設備状態時系列信号を収集する場合について説明するが、時系列信号収集部３１が収集する設備状態時系列信号は一つでもよい。
時系列信号収集工程では、時系列信号収集部３１が、設備状態時系列信号およびトリガ候補信号からなる信号群を収集する（ステップＳ１１）。なお、ここでは時系列信号収集部３１が複数の設備状態時系列信号を収集する場合について説明するが、時系列信号収集部３１が収集する設備状態時系列信号は一つでもよい。
＜時系列信号切り出し工程＞
時系列信号切り出し工程では、時系列信号切り出し部３２が、時系列信号収集工程で収集された信号群について、正常動作時の設備状態時系列信号の監視対象区間を切り出す（ステップＳ１２）。時系列信号切り出し工程において、時系列信号切り出し部３２は、設備の正常動作時に、トリガ条件決定モデル４１に基づいて、２以上の設備状態時系列信号から、監視対象区間のＫ回の切り出しを行う。すなわち、時系列信号切り出し部３２は、正常動作時の設備状態時系列信号およびトリガ候補信号を、決定木に入力することにより、この決定木の分岐条件からトリガ条件を決定し、決定したトリガ条件に基づいて監視対象区間の切り出しを行う。
時系列信号切り出し工程では、時系列信号切り出し部３２が、時系列信号収集工程で収集された信号群について、正常動作時の設備状態時系列信号の監視対象区間を切り出す（ステップＳ１２）。時系列信号切り出し工程において、時系列信号切り出し部３２は、設備の正常動作時に、トリガ条件決定モデル４１に基づいて、２以上の設備状態時系列信号から、監視対象区間のＫ回の切り出しを行う。すなわち、時系列信号切り出し部３２は、正常動作時の設備状態時系列信号およびトリガ候補信号を、決定木に入力することにより、この決定木の分岐条件からトリガ条件を決定し、決定したトリガ条件に基づいて監視対象区間の切り出しを行う。
＜正常ベクトル登録工程＞
正常ベクトル登録工程では、正常ベクトル登録部３３が、時系列信号切り出し工程で切り出した２以上の時系列信号の種類をＭ種とし、同一時刻におけるＭ種の変数からなるＭ次元ベクトルを構成し、構成したベクトルを正常ベクトルとして、記憶部４０の正常ＤＢ４２に登録する（ステップＳ１３）。
正常ベクトル登録工程では、正常ベクトル登録部３３が、時系列信号切り出し工程で切り出した２以上の時系列信号の種類をＭ種とし、同一時刻におけるＭ種の変数からなるＭ次元ベクトルを構成し、構成したベクトルを正常ベクトルとして、記憶部４０の正常ＤＢ４２に登録する（ステップＳ１３）。
＜異常判定モデル登録工程＞
異常判定モデル登録工程では、異常判定モデル４３の登録を行う（ステップＳ１４）。異常判定モデル登録工程では、具体的には、正常ＤＢ４２に登録された正常ベクトルについて、各変数間の相関の最大値が所定値未満である場合は、異常判定フラグを第一型とし、前記各変数間の相関の最大値が所定値以上である場合は、異常判定フラグを第二型とする。そして、異常判定フラグが第二型の場合に、正常ＤＢ４２に登録した正常ベクトル群に対して主成分分析を行って主成分の変換係数を演算し、演算した前記主成分の変換係数のそれぞれを、異常判定モデル４３として、記憶部４０に登録する。従って、複数の異常判定モデルがそれぞれ、第一型または第二型に分類され、各異常判定モデルの異常判定フラグにその分類が記録される。ここで、主成分分析を行って作成される異常判定モデルは、Ｑ統計量、Ｔ２統計量等が例示できる。
異常判定モデル登録工程では、異常判定モデル４３の登録を行う（ステップＳ１４）。異常判定モデル登録工程では、具体的には、正常ＤＢ４２に登録された正常ベクトルについて、各変数間の相関の最大値が所定値未満である場合は、異常判定フラグを第一型とし、前記各変数間の相関の最大値が所定値以上である場合は、異常判定フラグを第二型とする。そして、異常判定フラグが第二型の場合に、正常ＤＢ４２に登録した正常ベクトル群に対して主成分分析を行って主成分の変換係数を演算し、演算した前記主成分の変換係数のそれぞれを、異常判定モデル４３として、記憶部４０に登録する。従って、複数の異常判定モデルがそれぞれ、第一型または第二型に分類され、各異常判定モデルの異常判定フラグにその分類が記録される。ここで、主成分分析を行って作成される異常判定モデルは、Ｑ統計量、Ｔ２統計量等が例示できる。
（異常判定方法）
実施形態に係る異常判定方法について、図１０を参照しながら説明する。異常判定方法は、時系列信号収集工程（ステップＳ２１）と、異常判定工程（ステップＳ２２～Ｓ２９）と、をこの順で行う。
実施形態に係る異常判定方法について、図１０を参照しながら説明する。異常判定方法は、時系列信号収集工程（ステップＳ２１）と、異常判定工程（ステップＳ２２～Ｓ２９）と、をこの順で行う。
＜時系列信号収集工程＞
時系列信号収集工程では、時系列信号収集部３１が、設備状態時系列信号およびトリガ候補信号からなる信号群を収集する（ステップＳ２１）。なお、ここでは時系列信号収集部３１が複数の設備状態時系列信号を収集する場合について説明するが、時系列信号収集部３１が収集する設備状態時系列信号は一つでもよい。
時系列信号収集工程では、時系列信号収集部３１が、設備状態時系列信号およびトリガ候補信号からなる信号群を収集する（ステップＳ２１）。なお、ここでは時系列信号収集部３１が複数の設備状態時系列信号を収集する場合について説明するが、時系列信号収集部３１が収集する設備状態時系列信号は一つでもよい。
＜異常判定工程＞
異常判定工程では、正常ベクトルおよび異常判定モデル４３のいずれかを用いて、異常判定用の設備状態時系列信号から、設備の異常を判定する。
異常判定工程では、正常ベクトルおよび異常判定モデル４３のいずれかを用いて、異常判定用の設備状態時系列信号から、設備の異常を判定する。
異常判定工程では、まず時系列信号切り出し部３２が、時系列信号収集工程で収集された信号群について、異常判定用の設備状態時系列信号の監視対象区間を切り出す（ステップＳ２２）。その際、時系列信号切り出し部３２は、トリガ条件決定モデル４１に基づいて、２以上の設備状態時系列信号から、監視対象区間の切り出しを行う。すなわち、時系列信号切り出し部３２は、設備状態時系列信号およびトリガ候補信号を、決定木に入力することにより、この決定木の分岐条件からトリガ条件を決定し、決定したトリガ条件に基づいて監視対象区間の切り出しを行う。
時系列信号切り出し部３２は、より具体的には、トリガ条件決定モデル４１に、トリガ候補信号の各時刻の値を入力し、１以上の設備状態時系列信号について、トリガ条件決定モデル４１の出力がＯＮとなった時点から予め定めた所定期間にＬ個のデータを切り出すことにより、異常判定用の設備状態時系列信号の切り出しを行う。
続いて、異常判定部３６は、時系列信号切り出し部３２が切り出した異常判定用の設備状態時系列信号について、同一時刻のＭ種の信号からなる１個のＭ次元ベクトルを構成する（ステップＳ２３）。
続いて、異常判定部３６は、ステップＳ２３で構成したＭ次元ベクトルについて、異常判定フラグが第二型であるか否かを判定する（ステップＳ２４）。異常判定フラグが第二型であると判定された場合（ステップＳ２４でＹｅｓ）、異常判定部３６は、予め演算した正常ベクトル群の主成分の変換係数に基づいて、主成分からの偏差を演算する（ステップＳ２５）。続いて、異常判定部３６は、ステップＳ２５で演算した偏差に基づいて、設備の異常判定を行い（ステップＳ２６）、本処理を完了する。
また、ステップＳ２４において、異常判定フラグが第二型ではないと判定された場合（ステップＳ２４でＮｏ）、異常判定部３６は、異常判定フラグが第一型であると判断し、異常判定対象ベクトル（Ｍ次元ベクトル）と正常ＤＢ４２に登録した正常ベクトルとの距離を演算し、当該距離が小さい順に所定数の正常ベクトルを、近傍データとして抽出する（ステップＳ２７）。ここで、各信号が異常判定フラグのいずれに対応するかは、異常判定モデル生成登録時に信号ごとに決定しておき、それに基づいて判定してよい。
続いて、異常判定部３６は、ステップＳ２０で抽出した近傍データの重心ベクトルと異常判定対象ベクトルとの距離を演算する（ステップＳ２８）。続いて、異常判定部３６は、ステップＳ２８で演算した距離に基づいて、設備の異常判定を行い（ステップＳ２９）、本処理を完了する。このように判定するのは、第一型は計算コストが大きいため、まず第二型であるかどうかを判定して、第二型では判定精度に影響が出る非線形特性の場合にのみ、第一型を用いることが望ましいからである。
ここで、異常判定工程において、異常判定部３６は、所定の期間において設備が異常と判定された回数に基づいて、当該設備の補修の要否を判定することが好ましい。設備の補修が必要な異常の判定回数は、実験的または経験的に求めることができる。
実施形態に係る異常判定方法における異常判定工程の原理について、図１１を参照しながら説明する。異常判定部３６は、まず正常ＤＢ４２に蓄積された正常ベクトル（正常データ）を、正常ベクトルを構成する各信号を変数（同図では変数１～３）とする変数空間内にプロットする。また、異常判定部３６は、異常判定対象ベクトル（監視対象データ）を同一の変数空間内にプロットし、この変数空間内で、異常判定対象ベクトルの正常ベクトルの分布からの逸脱度が大きい場合に、異常判定対象ベクトルが異常であると判定する。
実施形態に係る異常判定方法では、異常判定対象ベクトルの正常ベクトルの分布からの逸脱度として、異常判定対象ベクトルの近傍にある所定数の正常ベクトルを近傍データとして抽出し、抽出した所定数の近傍データの重心ベクトルと異常判定対象ベクトルとの距離ｄ０を算出する。前記した近傍データとしては、異常判定対象ベクトルとの距離ｄ（図１１で点線で示した円の半径）が小さい順に、所定数の正常ベクトルを抽出する。
図１１に示すように、異常判定対象ベクトルの正常ベクトルの分布からの逸脱度が大きい場合には、近傍データの重心ベクトルと異常判定対象ベクトルとの距離ｄ０が大きくなる。反対に、異常判定対象ベクトルの正常ベクトルの分布からの逸脱度が小さい場合には、異常判定対象ベクトルと近傍データの重心ベクトルとの距離ｄ０がごく小さくなる。そこで、異常判定部３６は、異常判定対象ベクトルと近傍データの重心との距離ｄ０が大きい場合に、異常判定対象ベクトルが異常であると判定する。
以上説明したような実施形態に係る異常判定装置１および異常判定方法によれば、各設備を個別に監視することなく、非線形な特性を有する設備の異常を汎用的かつ高精度に検知することができる。
すなわち、異常判定装置１および異常判定方法では、異常判定フラグが第一型であると判定された設備については、当該設備から得られる複数の指定された信号の時系列データのそれぞれから、同一タイミングのデータの組を抽出し、指定された信号のそれぞれを変数とした変数空間内にプロットし、正常な操業時の正常ベクトルの分布からの操業時の異常判定対象ベクトルの逸脱度を、異常判定対象ベクトルと近傍データの重心ベクトルとの距離を用いて判定する。
これにより、設備の状態が、例えば図１２に示すような、非線形性の高い相関を有する変数で示される場合においても、見逃しや過検知等もなく、高精度な異常判定を行うことができる。
また、異常判定装置１および異常判定方法では、異常判定フラグが第二型であると判定された設備については、例えばＰＣＬ（Programmable Logic Controller）等で、四則演算程度の計算負荷で高精度な異常判定を行うことができる。
また、実施形態に係る異常判定装置１および異常判定方法によれば、設備状態時系列信号およびトリガ候補信号がどのような条件のときにトリガＯＮとなるかを学習させたトリガ条件決定モデル４１を生成して用いることにより、設備状態時系列信号から監視対象区間を切り出すためのトリガ条件を自動的に決定することができる。また、実施形態に係る異常判定装置１および異常判定方法によれば、設備状態時系列信号の開始対象区間を切り出すトリガ条件を自動的に決定することができるため、トリガ条件を人の手で検討、決定する必要がなくなり、設備の異常判定の際に必要な事前準備を簡略化することができる。
以上、本発明に係る異常判定装置、異常判定モデル生成方法および異常判定方法について、発明を実施するための形態および実施例により具体的に説明したが、本発明の趣旨はこれらの記載に限定されるものではなく、特許請求の範囲の記載に基づいて広く解釈されなければならない。また、これらの記載に基づいて種々変更、改変等したものも本発明の趣旨に含まれることはいうまでもない。
１ 異常判定装置
１０ 入力部
２０ 出力部
３０ 演算部
３１ 時系列信号収集部
３２ 時系列信号切り出し部
３３ 正常ベクトル登録部
３４ トリガ条件決定モデル生成部
３５ 異常判定モデル登録部
３６ 異常判定部
４０ 記憶部
４１ トリガ条件決定モデル
４２ 正常ＤＢ
４３ 異常判定モデル
１０ 入力部
２０ 出力部
３０ 演算部
３１ 時系列信号収集部
３２ 時系列信号切り出し部
３３ 正常ベクトル登録部
３４ トリガ条件決定モデル生成部
３５ 異常判定モデル登録部
３６ 異常判定部
４０ 記憶部
４１ トリガ条件決定モデル
４２ 正常ＤＢ
４３ 異常判定モデル
Claims (8)
- 所定の動作を行う設備の異常を判定する異常判定装置であって、
前記設備の正常動作時に、前記設備の動作状態を示す２以上の時系列信号からＫ回の切り出しを行う時系列信号切り出し手段と、
前記時系列信号切り出し手段によって切り出した２以上の時系列信号の種類をＭ種とし、同一時刻におけるＭ種の変数からなるＭ次元ベクトルを構成し、構成したベクトルを正常ベクトルとして登録する正常ベクトル登録手段と、
各変数間の相関の最大値が所定値未満である場合は、異常判定フラグを第一型とし、前記各変数間の相関の最大値が所定値以上である場合は、異常判定フラグを第二型とし、前記異常判定フラグが第二型の場合、登録した正常ベクトル群に対して主成分分析を行って主成分の変換係数を演算し、演算した前記主成分の変換係数のそれぞれを異常判定モデルとして登録する異常判定モデル登録手段と、
前記設備の異常を判定する異常判定手段と、
を備え、
前記異常判定手段は、
前記設備の異常判定時に、正常動作時と同様に切り出した時系列信号から１個のＭ次元ベクトルを構成し、
前記異常判定フラグが第一型である場合、登録した正常ベクトルとの距離を演算し、距離が小さい順に所定数の前記正常ベクトルを近傍データとして抽出し、前記近傍データの重心ベクトルと異常判定の対象のＭ次元ベクトルとの距離を演算し、前記距離に基づいて前記設備の異常判定を行い、
前記異常判定フラグが第二型の場合、予め演算した前記主成分の変換係数に基づいて、主成分からの偏差を演算し、前記偏差に基づいて、前記設備の異常判定を行う、
異常判定装置。 - 前記設備の動作状態を示す時系列信号と、予め定めた監視対象区間から前記動作状態を示す時系列信号を切り出す条件を決定するトリガ候補の時系列信号と、を収集する時系列信号収集手段と、
前記設備の動作状態を示す時系列信号について、切り出したい前記監視対象区間の開始時刻を予め特定し、前記開始時刻のラベルをＯＮとし、それ以外の時刻をＯＦＦとするラベルデータを生成し、各時刻における１以上の前記トリガ候補の時系列信号の各値を入力とし、各時刻における前記ラベルデータを出力とするトリガ条件決定モデルを、機械学習により生成するトリガ条件決定モデル生成手段と、
を更に備え、
前記時系列信号切り出し手段は、前記設備の正常動作時および異常判定時に、前記トリガ条件決定モデルに基づいて、前記時系列信号の切り出しを行う、
請求項１に記載の異常判定装置。 - 前記トリガ条件決定モデルは、決定木を含む機械学習モデルである請求項２に記載の異常判定装置。
- 前記異常判定手段は、所定の期間において前記設備が異常と判定された回数に基づいて、前記設備の補修の要否を判定する請求項１から請求項３のいずれか一項に記載の異常判定装置。
- 所定の動作を行う設備の異常を判定する異常判定モデル生成方法であって、
前記設備の正常動作時に、前記設備の動作状態を示す２以上の時系列信号からＫ回の切り出しを行う時系列信号切り出し工程と、
前記時系列信号切り出し工程で切り出した２以上の時系列信号の種類をＭ種とし、同一時刻におけるＭ種の変数からなるＭ次元ベクトルを構成し、構成したベクトルを正常ベクトルとして登録する正常ベクトル登録工程と、
各変数間の相関の最大値が所定値未満である場合は、異常判定フラグを第一型とし、前記各変数間の相関の最大値が所定値以上である場合は、異常判定フラグを第二型とし、前記異常判定フラグが第二型の場合、登録した正常ベクトル群に対して主成分分析を行って主成分の変換係数を演算し、演算した前記主成分の変換係数のそれぞれを異常判定モデルとして登録する異常判定モデル登録工程と、
を含む異常判定モデル生成方法。 - 前記設備の動作状態を示す時系列信号と、予め定めた監視対象区間から前記動作状態を示す時系列信号を切り出す条件を決定するトリガ候補の時系列信号と、を収集する時系列信号収集工程と、
前記設備の動作状態を示す時系列信号について、切り出したい前記監視対象区間の開始時刻を予め特定し、前記開始時刻のラベルをＯＮとし、それ以外の時刻をＯＦＦとするラベルデータを生成し、各時刻における１以上の前記トリガ候補の時系列信号の各値を入力とし、各時刻における前記ラベルデータを出力とするトリガ条件決定モデルを、機械学習により生成するトリガ条件決定モデル生成工程と、
を更に含み、
前記時系列信号切り出し工程は、前記トリガ条件決定モデルに基づいて、前記時系列信号の切り出しを行う、
請求項５に記載の異常判定モデル生成方法。 - 請求項５に記載の異常判定モデル生成方法によって生成された異常判定モデルを用いて、所定の動作を行う設備の異常を判定する異常判定方法であって、
前記設備の動作状態を示す２以上の時系列信号から切り出しを行う時系列信号切り出し工程と、
前記設備の異常を判定する異常判定工程と、
を含み、
前記異常判定工程は、
前記時系列信号切り出し工程で切り出した時系列信号の異常判定フラグが、第一型であるかまたは第二型であるかを判定し、
前記異常判定フラグが第一型である場合、登録した正常ベクトルとの距離を演算し、距離が小さい順に所定数の前記正常ベクトルを近傍データとして抽出し、前記近傍データの重心ベクトルと異常判定の対象のＭ次元ベクトルとの距離を演算し、前記距離に基づいて前記設備の異常判定を行い、
前記異常判定フラグが第二型の場合、予め演算した前記主成分の変換係数に基づいて、主成分からの偏差を演算し、前記偏差に基づいて、前記設備の異常判定を行う、
異常判定方法。 - 前記時系列信号切り出し工程は、請求項６に記載された異常判定モデル生成方法によって生成されたトリガ条件決定モデルを用いて、時系列信号を行う請求項７に記載の異常判定方法。
Priority Applications (7)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020203428A JP7342849B2 (ja) | 2020-12-08 | 2020-12-08 | 異常判定装置、異常判定モデル生成方法および異常判定方法 |
| US18/039,638 US20240004378A1 (en) | 2020-12-08 | 2021-10-04 | Abnormality determination apparatus, abnormality determination model generation method, and abnormality determination method |
| BR112023011002A BR112023011002A2 (pt) | 2020-12-08 | 2021-10-04 | Aparelho de determinação de anormalidade, método de geração de modelo de determinação de anormalidade e método de determinação de anormalidade |
| CN202180080734.3A CN116529682A (zh) | 2020-12-08 | 2021-10-04 | 异常判定装置、异常判定模型生成方法以及异常判定方法 |
| EP21902981.6A EP4261641A4 (en) | 2020-12-08 | 2021-10-04 | ANOMALY DETERMINATION DEVICE, METHOD FOR GENERATING AN ANOMALY DETERMINATION MODEL AND ANOMALY DETERMINATION METHOD |
| KR1020237018218A KR20230098294A (ko) | 2020-12-08 | 2021-10-04 | 이상 판정 장치, 이상 판정 모델 생성 방법 및 이상 판정 방법 |
| PCT/JP2021/036628 WO2022123877A1 (ja) | 2020-12-08 | 2021-10-04 | 異常判定装置、異常判定モデル生成方法および異常判定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020203428A JP7342849B2 (ja) | 2020-12-08 | 2020-12-08 | 異常判定装置、異常判定モデル生成方法および異常判定方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2022090866A true JP2022090866A (ja) | 2022-06-20 |
| JP7342849B2 JP7342849B2 (ja) | 2023-09-12 |
Family
ID=81973503
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020203428A Active JP7342849B2 (ja) | 2020-12-08 | 2020-12-08 | 異常判定装置、異常判定モデル生成方法および異常判定方法 |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US20240004378A1 (ja) |
| EP (1) | EP4261641A4 (ja) |
| JP (1) | JP7342849B2 (ja) |
| KR (1) | KR20230098294A (ja) |
| CN (1) | CN116529682A (ja) |
| BR (1) | BR112023011002A2 (ja) |
| WO (1) | WO2022123877A1 (ja) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012128840A (ja) * | 2010-11-25 | 2012-07-05 | Jfe Steel Corp | 異常監視システムおよび異常監視方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS63172004A (ja) | 1987-01-09 | 1988-07-15 | Kawasaki Steel Corp | 油圧制御機器のオンライン自動診断方法及びその装置 |
| JP2615291B2 (ja) | 1991-10-16 | 1997-05-28 | 新日本製鐵株式会社 | 油圧装置の診断方法 |
| JP5991042B2 (ja) * | 2011-06-29 | 2016-09-14 | Ｊｆｅスチール株式会社 | 異常監視システムおよび異常監視方法 |
-
2020
- 2020-12-08 JP JP2020203428A patent/JP7342849B2/ja active Active
-
2021
- 2021-10-04 CN CN202180080734.3A patent/CN116529682A/zh active Pending
- 2021-10-04 EP EP21902981.6A patent/EP4261641A4/en active Pending
- 2021-10-04 US US18/039,638 patent/US20240004378A1/en active Pending
- 2021-10-04 KR KR1020237018218A patent/KR20230098294A/ko active Search and Examination
- 2021-10-04 WO PCT/JP2021/036628 patent/WO2022123877A1/ja active Application Filing
- 2021-10-04 BR BR112023011002A patent/BR112023011002A2/pt unknown
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012128840A (ja) * | 2010-11-25 | 2012-07-05 | Jfe Steel Corp | 異常監視システムおよび異常監視方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20240004378A1 (en) | 2024-01-04 |
| KR20230098294A (ko) | 2023-07-03 |
| CN116529682A (zh) | 2023-08-01 |
| EP4261641A4 (en) | 2024-06-05 |
| BR112023011002A2 (pt) | 2024-02-06 |
| JP7342849B2 (ja) | 2023-09-12 |
| EP4261641A1 (en) | 2023-10-18 |
| WO2022123877A1 (ja) | 2022-06-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6386520B2 (ja) | 数値制御装置及び機械学習装置 | |
| EP3454289B1 (en) | Plant abnormality detection method and system | |
| KR102373787B1 (ko) | 고장 예측 시스템의 고장 유형 빅데이터를 이용한 기계설비의 잠재적 고장 예측 방법 | |
| JP5179086B2 (ja) | 工業プロセスの監視方法及び監視システム | |
| US10203666B2 (en) | Cell controller for finding cause of abnormality in manufacturing machine | |
| US20170212507A1 (en) | Cell controller and production system for managing working situation of a plurality of manufacturing machines in manufacturing cell | |
| EP2363767A1 (en) | Process analysis system | |
| JP2004524609A (ja) | 予測状態監視における変化状態の適応モデリング | |
| WO2020039565A1 (ja) | 回転機械に用いられる軸受の異常診断方法 | |
| KR102306269B1 (ko) | 실시간 아크 용접 결함 탐지/분류 방법 및 장치 | |
| WO2020188696A1 (ja) | 異常検知装置および異常検知方法 | |
| Kubik et al. | Knowledge Discovery in Engineering Applications Using Machine Learning Techniques | |
| WO2022123877A1 (ja) | 異常判定装置、異常判定モデル生成方法および異常判定方法 | |
| CN112987682A (zh) | 控制方法、控制装置和机械设备 | |
| Giannoulidis et al. | Investigating thresholding techniques in a real predictive maintenance scenario | |
| JP5942395B2 (ja) | 製品欠陥情報追跡装置 | |
| JP6579163B2 (ja) | プロセスの状態診断方法及び状態診断装置 | |
| JP7003970B2 (ja) | 時系列信号のトリガ条件決定方法、監視対象設備の異常診断方法および時系列信号のトリガ条件決定装置 | |
| WO2022123876A1 (ja) | 異常判定モデル生成装置、異常判定装置、異常判定モデル生成方法および異常判定方法 | |
| WO2022123640A1 (ja) | 時系列信号のトリガ条件決定方法、監視対象設備の異常診断方法および時系列信号のトリガ条件決定装置 | |
| TWI765452B (zh) | 時間序列訊號之觸發條件決定方法、監視對象設備之異常診斷方法及時間序列訊號之觸發條件決定裝置 | |
| Ruiz-Sarmiento et al. | Analysis of data from the industrial machinery within the hot rolling process for predictive maintenance | |
| Weiss et al. | Product quality monitoring in hydraulic presses using a minimal sample of sensor and actuator data | |
| WO2022085350A1 (ja) | 異常診断モデルの構築方法、異常診断方法、異常診断モデルの構築装置および異常診断装置 | |
| WO2023089773A9 (ja) | 異常診断装置、異常診断システム、及び記憶媒体 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220725 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230307 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230421 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230502 |
|
| 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: 20230801 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230814 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7342849 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |