JP5480440B1 - Abnormal sign diagnostic apparatus and abnormal sign diagnostic method - Google Patents

Abnormal sign diagnostic apparatus and abnormal sign diagnostic method Download PDF

Info

Publication number
JP5480440B1
JP5480440B1 JP2013250339A JP2013250339A JP5480440B1 JP 5480440 B1 JP5480440 B1 JP 5480440B1 JP 2013250339 A JP2013250339 A JP 2013250339A JP 2013250339 A JP2013250339 A JP 2013250339A JP 5480440 B1 JP5480440 B1 JP 5480440B1
Authority
JP
Japan
Prior art keywords
maintenance
learning
diagnosis
period
unit
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.)
Active
Application number
JP2013250339A
Other languages
Japanese (ja)
Other versions
JP2015108886A (en
Inventor
昇三 宮部
利明 小針
巖 中嶋
忠志 鈴木
尚樹 宮越
統治郎 野田
久恵 渋谷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hitachi Power Solutions Co Ltd
Original Assignee
Hitachi Power Solutions Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hitachi Power Solutions Co Ltd filed Critical Hitachi Power Solutions Co Ltd
Priority to JP2013250339A priority Critical patent/JP5480440B1/en
Application granted granted Critical
Publication of JP5480440B1 publication Critical patent/JP5480440B1/en
Publication of JP2015108886A publication Critical patent/JP2015108886A/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • General Factory Administration (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

【課題】機械設備のメンテナンス中も適切に診断を継続する異常予兆診断装置等を提供する。
【解決手段】異常予兆診断装置は、機械設備から時系列データを取得する時系列データ取得手段と、特徴ベクトルを生成して正常モデルを学習するデータマイニング学習部１６１と、正常モデルに基づいて機械設備の異常予兆の有無を診断するデータマイニング診断部１６２と、を備え、正常モデルの学習対象となる期間にメンテナンス期間が含まれる場合、データマイニング学習部１６１はメンテナンス期間中も稼働し続ける装置に関する時系列データに基づいて正常モデルを学習し、データマイニング診断部１６２はメンテナンス期間中も継続して診断を行う。
【選択図】図３An abnormality sign diagnosis apparatus and the like that continue diagnosis appropriately even during maintenance of mechanical equipment are provided.
An abnormality sign diagnosis apparatus includes a time-series data acquisition unit that acquires time-series data from a machine facility, a data mining learning unit 161 that generates a feature vector and learns a normal model, and a machine based on the normal model. A data mining diagnosis unit 162 for diagnosing the presence or absence of an abnormality sign of equipment, and when the maintenance period is included in the period to be learned by the normal model, the data mining learning unit 161 relates to a device that continues to operate even during the maintenance period A normal model is learned based on the time-series data, and the data mining diagnosis unit 162 continuously diagnoses even during the maintenance period.
[Selection] Figure 3

Description

本発明は、機械設備の異常予兆の有無を診断する異常予兆診断装置等に関する。   The present invention relates to an abnormality sign diagnostic apparatus for diagnosing the presence or absence of an abnormality sign of mechanical equipment.

ガスエンジン、原子力発電所の原子炉、化学プラント等の機械設備は、安定して正常に稼働することが求められる。そのために、機械設備に様々なセンサを設置し、これらのセンサの検出値に基づいて機械設備の異常予兆を検知するための異常予兆診断装置が知られている。   Mechanical equipment such as gas engines, nuclear power plant reactors, and chemical plants are required to operate stably and normally. For this purpose, there is known an abnormal sign diagnostic apparatus for installing various sensors in mechanical equipment and detecting an abnormal sign of the mechanical equipment based on detection values of these sensors.

例えば、特許文献１には、保守作業が行われる機械設備と保守作業期間とに対応してセンサデータが取得された期間を指定し、当該期間に相当するセンサデータを読み出す学習対象データ取得処理と、当該センサデータの正常範囲を示す正常モデルを学習する学習処理と、この正常モデルに基づいて機械設備の異常予兆の有無を診断する診断処理と、を行う異常予兆診断装置について記載されている。   For example, Patent Literature 1 includes a learning target data acquisition process that designates a period in which sensor data is acquired corresponding to a mechanical facility in which a maintenance operation is performed and a maintenance operation period, and reads sensor data corresponding to the period. In addition, there is described an abnormality sign diagnosis apparatus that performs a learning process of learning a normal model indicating a normal range of the sensor data and a diagnosis process of diagnosing the presence or absence of an abnormality sign of mechanical equipment based on the normal model.

特開２０１３−００８０９２号公報JP2013-008092A

特許文献１に記載の異常予兆診断装置は、機械設備のメンテナンス中（及び、メンテナンス後の再学習に要する期間）において、正常モデルを用いたデータマイニングに基づく診断処理を行わないようにしている。なお、特許文献１には、メンテナンス中においてもリモートモニタリング部が、上下限の閾値とセンサデータとの比較に基づく診断処理を行うことが記載されている。   The abnormality sign diagnosis apparatus described in Patent Literature 1 does not perform a diagnosis process based on data mining using a normal model during maintenance of mechanical equipment (and a period required for relearning after maintenance). Patent Document 1 describes that the remote monitoring unit performs a diagnosis process based on a comparison between upper and lower thresholds and sensor data even during maintenance.

しかしながら、前記したリモートモニタリング部による診断のみでは異常予兆を行う際の感度が低く、データマイニングに基づく診断によって検知できるはずの異常予兆を見逃してしまう可能性があった。   However, only the diagnosis by the remote monitoring unit described above has low sensitivity when performing an abnormality sign, and there is a possibility of overlooking an abnormality sign that should be detected by the diagnosis based on data mining.

そこで、本発明は、機械設備のメンテナンス中も適切に診断を継続できる異常予兆診断装置等を提供することを課題とする。   Therefore, an object of the present invention is to provide an abnormality sign diagnosis device and the like that can continue diagnosis appropriately even during maintenance of mechanical equipment.

前記課題を解決するために、本発明は、正常モデルの学習対象となる期間に機械設備のメンテナンス期間が含まれる場合、学習手段は、前記機械設備が有する複数の装置のうち前記メンテナンス期間中も継続して稼働する装置に関する時系列データに基づいて正常モデルを学習し、診断手段は、前記メンテナンス期間中も継続して診断を行うことを特徴とする。
なお、詳細については、発明を実施するための形態において説明する。 In order to solve the above-described problem, the present invention provides a learning unit that includes a maintenance period of mechanical equipment included in a period that is a learning target of a normal model. A normal model is learned based on time-series data relating to a continuously operating device, and the diagnosis unit continuously performs diagnosis during the maintenance period.
Details will be described in an embodiment for carrying out the invention.

本発明により、機械設備のメンテナンス中も適切に診断を継続する異常予兆診断装置等を提供できる。   According to the present invention, it is possible to provide an abnormality sign diagnosis device and the like that continue diagnosis appropriately even during maintenance of mechanical equipment.

本発明の第１実施形態に係る異常予兆診断装置の構成図である。It is a block diagram of the abnormality sign diagnostic apparatus which concerns on 1st Embodiment of this invention. 機械設備が有する複数の装置と、各装置に設置されるセンサと、を模式的に示す説明図である。It is explanatory drawing which shows typically the some apparatus which mechanical equipment has, and the sensor installed in each apparatus. 異常予兆診断装置が備えるデータマイニング部の構成図である。It is a block diagram of the data mining part with which the abnormality sign diagnostic apparatus is provided. 学習期間と、診断日と、の関係を示す説明図である。It is explanatory drawing which shows the relationship between a learning period and a diagnosis date. メンテナンス期間を含む期間内における各センサの検出値を模式的に示す説明図である。It is explanatory drawing which shows typically the detected value of each sensor in the period including a maintenance period. データマイニング学習部によって学習される正常モデルの説明図である。It is explanatory drawing of the normal model learned by the data mining learning part. データマイニング学習部による学習処理を示すフローチャートである。It is a flowchart which shows the learning process by a data mining learning part. データマイニング診断部による診断処理を示すフローチャートである。It is a flowchart which shows the diagnostic process by a data mining diagnostic part. 本発明の第２実施形態に係る異常予兆診断装置のデータマイニング学習部による学習処理を示すフローチャートである。It is a flowchart which shows the learning process by the data mining learning part of the abnormality sign diagnostic apparatus which concerns on 2nd Embodiment of this invention. データマイニング診断部による診断処理を示すフローチャートである。It is a flowchart which shows the diagnostic process by a data mining diagnostic part.

≪第１実施形態≫
図１は、本実施形態に係る異常予兆診断装置の構成図である。
異常予兆診断装置１は、機械設備２に設置された複数のセンサの検出値を含む時系列データに基づいて、機械設備２に異常予兆があるか否かを診断する装置である。前記した「異常予兆」とは、診断日を基準として近い将来、機械設備２で異常が発生する可能性が高いことを意味している。 << First Embodiment >>
FIG. 1 is a configuration diagram of the abnormality sign diagnosis apparatus according to the present embodiment.
The abnormality sign diagnosis device 1 is a device that diagnoses whether there is an abnormality sign in the mechanical equipment 2 based on time-series data including detection values of a plurality of sensors installed in the mechanical equipment 2. The aforementioned “abnormality sign” means that there is a high possibility that an abnormality will occur in the machine facility 2 in the near future with reference to the diagnosis date.

以下では、異常予兆診断装置１に関する説明に先立って、機械設備２及びコンピュータ３について簡単に説明する。図１に示すように、複数の機械設備２が、ネットワークＮを介して異常予兆診断装置１と通信可能になっている。   Hereinafter, prior to the description of the abnormality sign diagnosis apparatus 1, the mechanical equipment 2 and the computer 3 will be briefly described. As shown in FIG. 1, a plurality of mechanical equipments 2 can communicate with the abnormality sign diagnosis apparatus 1 via a network N.

図２は、機械設備が有する複数の装置と、各装置に設置されるセンサと、を模式的に示す説明図である。図２に示す機械設備２は、例えば、ガスエンジンであり、複数の装置（エンジン本体、発電機、燃焼器、冷却水ポンプ、弁類等）を有している。図２では、前記した複数の装置を、装置Ａ，Ｂ，Ｃ，Ｄとして模式的に示した。   FIG. 2 is an explanatory diagram schematically showing a plurality of devices included in the mechanical equipment and sensors installed in each device. 2 is, for example, a gas engine, and includes a plurality of devices (an engine main body, a generator, a combustor, a cooling water pump, valves, and the like). In FIG. 2, the plurality of devices described above are schematically illustrated as devices A, B, C, and D.

装置Ａには、センサＡ1が設置されている。センサＡ1は、装置Ａに関する特定の物理量（温度、圧力、流量、電圧、電流等）を所定のサンプリング周期で検出する。センサＡ1の検出値は、ネットワークＮを介して、時系列データとして異常予兆診断装置１に送信される。なお、装置Ｂに設置されるセンサＢ1，Ｂ2、装置Ｃに設置されるセンサＣ1、装置Ｄに設置されるセンサＤ1，Ｄ2についても同様である。 In the device A, a sensor A 1 is installed. The sensor A 1 detects a specific physical quantity (temperature, pressure, flow rate, voltage, current, etc.) relating to the device A at a predetermined sampling period. The detection value of the sensor A 1 is transmitted to the abnormality sign diagnosis apparatus 1 as time series data via the network N. The same applies to the sensors B 1 and B 2 installed in the device B, the sensor C 1 installed in the device C, and the sensors D 1 and D 2 installed in the device D.

また、機械設備２に対して、メンテナンスが行われることがある。メンテナンスには、定期的な保守作業のほか、機械設備２の故障（異常予兆を含む）への対処も含まれる。その他、機械設備２がガスエンジンである場合に、外部から冷却水を補給する作業も「メンテナンス」に含まれる。   In addition, maintenance may be performed on the mechanical equipment 2. Maintenance includes handling of failures (including abnormal signs) of the mechanical equipment 2 in addition to periodic maintenance work. In addition, when the mechanical equipment 2 is a gas engine, an operation of supplying cooling water from the outside is also included in the “maintenance”.

ところで、図２に示す装置Ａのみをメンテナンスする場合、装置Ｂ，Ｃ，Ｄを継続して稼働させても（つまり、機械設備２を継続して稼働させても）支障がないことがある。
例えば、機械設備２がガスエンジンである場合、エンジン本体等を冷却するための冷却水の圧力が一時的に低下しても、外部から冷却水を補給することでガスエンジンを継続して稼働させることができる。本実施形態では、このように、機械設備２の一部（装置Ａ）に対するメンテナンス中も機械設備２（装置Ｂ，Ｃ，Ｄ）が継続して稼働する場合について説明する。 By the way, when only the apparatus A shown in FIG. 2 is maintained, there may be no problem even if the apparatuses B, C, and D are continuously operated (that is, the machine facility 2 is continuously operated).
For example, when the mechanical equipment 2 is a gas engine, even if the pressure of the cooling water for cooling the engine main body etc. temporarily decreases, the gas engine is continuously operated by replenishing the cooling water from the outside. be able to. In the present embodiment, a case will be described in which the machine equipment 2 (devices B, C, D) continues to operate during maintenance on a part of the machine equipment 2 (device A).

なお、装置Ａのメンテナンス中、この装置Ａに設置されたセンサＡ1への電力供給が遮断されることが多い。以下では、装置Ａのメンテナンス中、センサＡ1による物理量の検出は行われないものとする（図２参照）。 During maintenance of the device A, power supply to the sensor A 1 installed in the device A is often interrupted. In the following, it is assumed that the physical quantity is not detected by the sensor A 1 during the maintenance of the apparatus A (see FIG. 2).

図２に示すコンピュータ３は、ネットワークＮを介して異常予兆診断装置１と通信可能になっている。コンピュータ３の記憶手段（図示せず）には、入力手段（図示せず）を介して入力されたメンテナンス情報が格納されている。このメンテナンス情報には、機械設備２の識別記号と、メンテナンス対象である装置Ａの識別記号と、装置Ａに設置されたセンサＡ1の識別記号と、メンテナンス期間と、が含まれる。 The computer 3 shown in FIG. 2 can communicate with the abnormality sign diagnosis apparatus 1 via the network N. Maintenance information input via an input means (not shown) is stored in a storage means (not shown) of the computer 3. This maintenance information includes the identification symbol of the machine facility 2, the identification symbol of the apparatus A that is the object of maintenance, the identification symbol of the sensor A 1 installed in the apparatus A, and the maintenance period.

また、コンピュータ３の記憶手段（図示せず）には、装置とセンサとの対応関係（例えば、装置ＡとセンサＡ1との対応関係）を示す情報が格納されている。コンピュータ３の制御手段（図示せず）は、記憶手段から読み出したメンテナンス情報を、ネットワークＮを介して異常予兆診断装置１に送信する。 The storage means (not shown) of the computer 3 stores information indicating the correspondence between the device and the sensor (for example, the correspondence between the device A and the sensor A 1 ). The control means (not shown) of the computer 3 transmits the maintenance information read from the storage means to the abnormality sign diagnosis apparatus 1 via the network N.

＜異常予兆診断装置の構成＞
図１に示す異常予兆診断装置１は、通信手段１１と、時系列データ取得手段１２と、時系列データ記憶手段１３と、メンテナンス情報取得手段１４と、メンテナンス情報記憶手段１５と、データマイニング部１６と、診断結果記憶手段１７と、表示制御手段１８と、表示手段１９と、を備えている。 <Configuration of abnormal sign diagnosis device>
The abnormality sign diagnosis apparatus 1 shown in FIG. 1 includes a communication unit 11, a time series data acquisition unit 12, a time series data storage unit 13, a maintenance information acquisition unit 14, a maintenance information storage unit 15, and a data mining unit 16. And a diagnosis result storage means 17, a display control means 18, and a display means 19.

通信手段１１は、ネットワークＮを介して機械設備２やコンピュータ３から送信されたデータを受信するものである。通信手段１１は、ルータや各種インタフェースで構成され、例えば、ＴＣＰ／ＩＰの通信プロトコルに従って前記データを受信する。   The communication means 11 receives data transmitted from the machine facility 2 or the computer 3 via the network N. The communication unit 11 includes a router and various interfaces, and receives the data according to, for example, a TCP / IP communication protocol.

時系列データ取得手段１２は、ネットワークＮを介して通信手段１１に送信されたデータのうち、機械設備２に関する時系列データを取得する。前記した時系列データには、機械設備２に設置されたセンサ（図２に示すセンサＡ1，Ｂ1，Ｂ2，Ｃ1，Ｄ1，Ｄ2）の検出値と、機械設備２を稼働させるための制御指令と、が含まれる。
その他、時系列データには、センサの識別記号と、時系列データが取得された時刻と、が含まれる。時系列データ取得手段１２は、通信手段１１を介して取得した時系列データを時系列データ記憶手段１３に格納する。 The time-series data acquisition unit 12 acquires time-series data regarding the mechanical equipment 2 among the data transmitted to the communication unit 11 via the network N. In the time series data described above, the detection values of the sensors (sensors A 1 , B 1 , B 2 , C 1 , D 1 , D 2 shown in FIG. 2 ) installed in the machine equipment 2 and the machine equipment 2 are operated. And a control command for causing
In addition, the time series data includes an identification symbol of the sensor and a time when the time series data is acquired. The time-series data acquisition unit 12 stores the time-series data acquired via the communication unit 11 in the time-series data storage unit 13.

時系列データ記憶手段１３には、時系列データ取得手段１２によって取得された時系列データが、データベースとして記憶されている。なお、時系列データ記憶手段１３として、磁気ディスク装置、光ディスク装置、半導体記憶装置等を用いることができる。   The time series data storage means 13 stores the time series data acquired by the time series data acquisition means 12 as a database. As the time-series data storage means 13, a magnetic disk device, an optical disk device, a semiconductor storage device, or the like can be used.

メンテナンス情報取得手段１４は、通信手段１１によって受信されたデータのうち、前記したメンテナンス情報を取得するものである。メンテナンス情報取得手段１４は、通信手段１１を介して取得したメンテナンス情報をメンテナンス情報記憶手段１５に格納する。
メンテナンス情報記憶手段１５には、メンテナンス情報取得手段１４によって取得されたメンテナンス情報が、データベースとして記憶されている。なお、メンテナンス情報記憶手段１５として、磁気ディスク装置、光ディスク装置、半導体記憶装置等を用いることができる。 The maintenance information acquisition unit 14 acquires the above-described maintenance information from the data received by the communication unit 11. The maintenance information acquisition unit 14 stores the maintenance information acquired via the communication unit 11 in the maintenance information storage unit 15.
The maintenance information storage unit 15 stores the maintenance information acquired by the maintenance information acquisition unit 14 as a database. The maintenance information storage means 15 can be a magnetic disk device, an optical disk device, a semiconductor storage device, or the like.

データマイニング部１６は、統計的なデータ分類手法を適用してデータマイニングを実行し、機械設備２の正常モデルを学習する機能を有している。また、データマイニング部１６は、前記した正常モデルに基づき、機械設備２の異常予兆の有無を診断する機能も有している。なお、データマイニング部１６の詳細については、後記する。   The data mining unit 16 has a function of learning a normal model of the mechanical equipment 2 by executing data mining by applying a statistical data classification method. The data mining unit 16 also has a function of diagnosing the presence / absence of an abnormality sign of the mechanical equipment 2 based on the normal model described above. Details of the data mining unit 16 will be described later.

診断結果記憶手段１７には、データマイニング部１６による診断結果が格納される。前記した診断結果には、機械設備２の識別記号と、異常予兆の有無と、が含まれる。
表示制御手段１８は、データマイニング部１６による診断結果を表示させるための制御信号を表示手段１９に出力する。例えば、表示制御手段１８は、各機械設備２の名称を行とし、診断日の日付を列としてマトリクス形式で診断結果（異常予兆の有無）を表示手段１９に表示させる。その他、表示制御手段１８は、前記した時系列データやメンテナンス情報を表示手段１９に表示させる。
表示手段１９は、例えば、液晶ディスプレイであり、表示制御手段１８から入力される制御信号に従って、データマイニング部１６による診断結果等を表示する。 The diagnosis result storage means 17 stores the diagnosis result by the data mining unit 16. The above-described diagnosis result includes the identification symbol of the machine facility 2 and the presence / absence of an abnormality sign.
The display control unit 18 outputs a control signal for displaying the diagnosis result by the data mining unit 16 to the display unit 19. For example, the display control unit 18 causes the display unit 19 to display the diagnosis result (presence / absence of abnormality sign) in a matrix format with the name of each machine facility 2 as a row and the date of diagnosis as a column. In addition, the display control unit 18 causes the display unit 19 to display the time series data and the maintenance information.
The display unit 19 is, for example, a liquid crystal display, and displays a diagnosis result or the like by the data mining unit 16 in accordance with a control signal input from the display control unit 18.

図３は、異常予兆診断装置が備えるデータマイニング部の構成図である。データマイニング部１６は、データマイニング学習部１６１（学習手段）と、データマイニング診断部１６２（診断手段）と、を備えている。   FIG. 3 is a configuration diagram of a data mining unit included in the abnormality sign diagnosis apparatus. The data mining unit 16 includes a data mining learning unit 161 (learning unit) and a data mining diagnosis unit 162 (diagnosis unit).

＜データマイニング学習部の構成＞
データマイニング学習部１６１は、統計的なデータ分類手法の一つであるクラスタリングを適用し、機械設備２の正常モデルを学習する。前記した正常モデルとは、各センサの検出値に対応する特徴ベクトルの正常範囲を意味しており、機械設備２が正常な状態のときに取得した時系列データを用いて学習される。
データマイニング学習部１６１は、学習対象データ取得部１６１ａと、ベクトル生成部１６１ｂと、正常モデル学習部１６１ｃと、正常モデル記憶部１６１ｄと、を有している。 <Configuration of data mining learning unit>
The data mining learning unit 161 applies clustering, which is one of statistical data classification methods, and learns a normal model of the machine facility 2. The above-mentioned normal model means a normal range of feature vectors corresponding to detection values of each sensor, and is learned using time-series data acquired when the mechanical equipment 2 is in a normal state.
The data mining learning unit 161 includes a learning target data acquisition unit 161a, a vector generation unit 161b, a normal model learning unit 161c, and a normal model storage unit 161d.

学習対象データ取得部１６１ａは、メンテナンス情報記憶手段１５に格納されているメンテナンス情報に基づいて、時系列データ記憶手段１３から時系列データを取得する。以下、学習対象データ取得部１６１ａによって取得される時系列データを、「学習対象データ」と記す。   The learning target data acquisition unit 161 a acquires time series data from the time series data storage unit 13 based on the maintenance information stored in the maintenance information storage unit 15. Hereinafter, the time-series data acquired by the learning target data acquisition unit 161a is referred to as “learning target data”.

図４は、学習期間と、診断日と、の関係を示す説明図である。図４に示す例では、９〜１１日までの３日間、機械設備２の装置Ａ（図２参照）がメンテナンスされている。なお、装置Ｂ，Ｃ，Ｄ（図２参照）はメンテナンス中も稼働し続けている。
例えば、学習対象データ取得部１６１ａは、診断日（現在）を基準として過去１週間に得られた時系列データを、学習対象データとして時系列データ記憶手段１３から取得する。図４（ａ）に示すように診断日が８日である場合、学習対象データ取得部１６１ａは、１〜７日までの一週間（学習期間Ｑ１）の時系列データを時系列データ記憶手段１３から取得する。 FIG. 4 is an explanatory diagram showing the relationship between the learning period and the diagnosis date. In the example shown in FIG. 4, the apparatus A (see FIG. 2) of the mechanical equipment 2 is maintained for 3 days from 9 to 11 days. The devices B, C, and D (see FIG. 2) continue to operate during maintenance.
For example, the learning target data acquisition unit 161a acquires time series data obtained in the past week with reference to the diagnosis date (current) from the time series data storage unit 13 as learning target data. As shown in FIG. 4A, when the diagnosis date is 8 days, the learning target data acquisition unit 161a stores time series data for one week (learning period Q1) from 1 to 7 days to the time series data storage unit 13. Get from.

また、図４（ｂ）、（ｃ）に示すようにメンテナンス期間に診断日が含まれる場合や、図４（ｃ）に示すようにメンテナンス期間に学習期間Ｑ３が含まれる場合もある。このような場合でも学習対象データ取得部１６１ａは、前記と同様に、診断日を基準として過去一週間を学習期間Ｑ２，Ｑ３とする。
なお、図４に示す学習期間の設定方法は一例であり、他の方法を用いてもよい。例えば、メンテナンスの有無に応じて学習期間の長さを変更してもよい。 Further, as shown in FIGS. 4B and 4C, the maintenance period may include a diagnosis date, or as shown in FIG. 4C, the maintenance period may include a learning period Q3. Even in such a case, the learning target data acquisition unit 161a sets the past one week as the learning periods Q2 and Q3 based on the diagnosis date, as described above.
Note that the learning period setting method shown in FIG. 4 is an example, and other methods may be used. For example, the length of the learning period may be changed according to the presence or absence of maintenance.

図４（ｃ）に示すように、学習期間Ｑ３に装置Ａ（図２参照）のメンテナンス期間が含まれる場合、学習対象データ取得部１６１ａは、メンテナンス期間での学習対象データとして、装置Ｂ，Ｃ，Ｄの時系列データを時系列データ記憶手段１３から取得する。前記したように、装置Ａがメンテナンス中でも、他の装置Ｂ，Ｃ，Ｄは稼働し続けているからである。   As shown in FIG. 4C, when the learning period Q3 includes the maintenance period of the device A (see FIG. 2), the learning target data acquisition unit 161a uses the devices B and C as learning target data in the maintenance period. , D are acquired from the time-series data storage means 13. This is because, as described above, the other devices B, C, and D continue to operate even while the device A is undergoing maintenance.

また、学習期間Ｑ３に装置Ａ（図２参照）のメンテナンス期間が含まれる場合、学習対象データ取得部１６１ａは、この装置Ａに設置されたセンサＡ1の時系列データを固定値として、メンテナンス期間での学習対象データを設定する。この固定値の設定方法については、後記する。前記したように、装置Ａのメンテナンス中、センサＡ1による物理量の検出は行われない。したがって、本実施形態では、メンテナンス中におけるセンサＡ1の時系列データを固定値で代用するようにした。 When the learning period Q3 includes the maintenance period of the apparatus A (see FIG. 2), the learning target data acquisition unit 161a sets the time series data of the sensor A 1 installed in the apparatus A as a fixed value, and maintains the maintenance period. Set the learning target data in. The fixed value setting method will be described later. As described above, during the maintenance of the apparatus A, the physical quantity is not detected by the sensor A 1 . Therefore, in this embodiment, the time series data of the sensor A 1 during maintenance is substituted with a fixed value.

図５は、メンテナンス期間を含む期間内における各センサの検出値を模式的に示す説明図である。なお、図５では、センサＡ1，Ｂ1，Ｃ1，Ｄ1（図２参照）の検出値の変化を模式的に示し、センサＢ2，Ｄ2の検出値ついては図示を省略した。図５に示すように、メンテナンス期間中（９〜１１日）、センサＡ1による物理量の検出は行われない（センサ出力がない）。 FIG. 5 is an explanatory diagram schematically showing detection values of each sensor within a period including a maintenance period. FIG. 5 schematically shows changes in detection values of the sensors A 1 , B 1 , C 1 , D 1 (see FIG. 2), and illustrations of the detection values of the sensors B 2 , D 2 are omitted. As shown in FIG. 5, the physical quantity is not detected by the sensor A 1 during the maintenance period (9 to 11 days) (there is no sensor output).

学習対象データ取得部１６１ａは、メンテナンスの開始（９日）から所定時間Δｔだけ過去に遡った正常時（８日の所定時刻）におけるセンサＡ1の検出値を、メンテナンス期間におけるセンサＡ1の時系列データ（固定値α）として設定する。なお、所定時間Δｔは、装置Ａの直近の正常状態に関する検出値を取得できるように予め設定されている。
このように、メンテナンス直前の正常時における検出値を固定値αとして設定することで、メンテナンスの前後におけるセンサＡ1の時系列データと、メンテナンス中の固定値αと、が乖離しにくくなる。直近の正常時における装置Ａの状態が固定値αに反映されているからである。 Learning target data acquisition unit 161a is the detected value of the sensor A 1 in the normal that retroactively from the start of the maintenance (09) a predetermined time Delta] t (predetermined time 8 days), when the sensor A 1 in the maintenance period Set as series data (fixed value α). The predetermined time Δt is set in advance so that a detection value related to the most recent normal state of the device A can be acquired.
In this way, by setting the detection value at the normal time immediately before maintenance as the fixed value α, the time series data of the sensor A 1 before and after the maintenance and the fixed value α during the maintenance are less likely to deviate. This is because the state of the apparatus A at the last normal time is reflected in the fixed value α.

図３に示すベクトル生成部１６１ｂは、学習対象データ取得部１６１ａによって取得された学習対象データを正規化して、所定時刻における機械設備２の状態を表す特徴ベクトルを生成する。ここで「正規化」とは、各センサの検出値を当該センサの代表値（平均値、標準偏差等）で除算するなどして各成分の値を無次元量化し、互いに比較できるようにする処理を意味している。ベクトル生成部１６１ｂは、生成した正常モデルを正常モデル学習部１６１ｃに出力する。   The vector generation unit 161b illustrated in FIG. 3 normalizes the learning target data acquired by the learning target data acquisition unit 161a, and generates a feature vector that represents the state of the machine facility 2 at a predetermined time. Here, “normalization” means that each component value is made dimensionless by dividing the detection value of each sensor by the representative value (average value, standard deviation, etc.) of the sensor so that they can be compared with each other. Means processing. The vector generation unit 161b outputs the generated normal model to the normal model learning unit 161c.

図６は、データマイニング学習部によって学習される正常モデルの説明図である。機械設備２の状態は、多次元ベクトル空間上において、各センサの検出値が正規化された値を成分とする特徴ベクトルとして表される。
なお、説明をわかりやすくするため、図６では３個のセンサに対応する３次元ベクトル空間上で機械設備２の状態を表した。図６に示す黒丸のそれぞれが、各時刻における機械設備２の状態に対応している。また、特徴ベクトルの各成分の値が、各センサの検出値（正規化された値）に対応している。 FIG. 6 is an explanatory diagram of a normal model learned by the data mining learning unit. The state of the mechanical equipment 2 is represented as a feature vector having a value obtained by normalizing the detection value of each sensor in a multidimensional vector space.
For easy understanding, FIG. 6 shows the state of the mechanical equipment 2 on a three-dimensional vector space corresponding to three sensors. Each black circle shown in FIG. 6 corresponds to the state of the mechanical equipment 2 at each time. In addition, the value of each component of the feature vector corresponds to the detected value (normalized value) of each sensor.

図３に示す正常モデル学習部１６１ｃは、ベクトル生成部１６１ｂによって生成された各ベクトルに関して、類似するベクトルごとにクラスタと呼ばれるいくつかの代表グループに分類する。
クラスタリングの手法として、例えば、非階層的クラスタリングのｋ平均法を用いることができる。正常モデル学習部１６１ｃは、まず、各特徴ベクトルに対してランダムにクラスタを割り振り、割り振ったデータをもとに各クラスタの中心（クラスタ中心ｃ）を算出する。このクラスタ中心ｃは、クラスタに属する特徴ベクトルに関して、各成分の平均値を算出することで得られる。 The normal model learning unit 161c illustrated in FIG. 3 classifies each vector generated by the vector generation unit 161b into several representative groups called clusters for each similar vector.
As a clustering method, for example, a non-hierarchical clustering k-means method can be used. First, the normal model learning unit 161c randomly allocates clusters to each feature vector, and calculates the center of each cluster (cluster center c) based on the allocated data. The cluster center c is obtained by calculating the average value of each component with respect to the feature vector belonging to the cluster.

次に、正常モデル学習部１６１ｃは、所定の特徴ベクトルと各クラスタ中心との距離を求め、この距離が最も小さくなるクラスタに当該特徴ベクトルを割り当て直す。このような処理を全ての特徴ベクトルについて実行し、クラスタの割り当てが変化しなかった場合は処理を終了する。それ以外の場合は、新しく割り振られたクラスタからクラスタ中心を再計算し、前記処理を繰り返す。このようにして正常モデル学習部１６１ｃは、各特徴ベクトルを複数のクラスタに分類する。
なお、図６では、クラスタが１つの場合について示したが、一つの機械設備２においてクラスタは複数存在している。 Next, the normal model learning unit 161c obtains the distance between the predetermined feature vector and each cluster center, and reassigns the feature vector to the cluster having the smallest distance. Such processing is executed for all the feature vectors, and when the cluster assignment has not changed, the processing ends. Otherwise, the cluster center is recalculated from the newly allocated cluster and the above process is repeated. In this way, the normal model learning unit 161c classifies each feature vector into a plurality of clusters.
Although FIG. 6 shows the case where there is one cluster, a plurality of clusters exist in one machine facility 2.

また、正常モデル学習部１６１ｃは、各クラスタについてクラスタ中心ｃ（図６参照）の座標値と、クラスタ半径ｒと、を算出する。正常モデル学習部１６１ｃは、例えば、クラスタに属する複数の特徴ベクトルに関して各成分の平均値を算出し、この平均値で特定される座標をクラスタ中心ｃとする。
また、正常モデル学習部１６１ｃは、例えば、クラスタに属する特徴ベクトルのうちクラスタ中心ｃとの距離が最も大きい特徴ベクトルの絶対値をクラスタ半径ｒとする。なお、クラスタに属する特徴ベクトルとクラスタ中心ｃとの距離をそれぞれ算出し、これらの距離の平均値をクラスタ半径ｒとしてもよい。 Further, the normal model learning unit 161c calculates the coordinate value of the cluster center c (see FIG. 6) and the cluster radius r for each cluster. For example, the normal model learning unit 161c calculates an average value of each component for a plurality of feature vectors belonging to the cluster, and sets the coordinates specified by the average value as the cluster center c.
For example, the normal model learning unit 161c sets the absolute value of the feature vector having the longest distance from the cluster center c among the feature vectors belonging to the cluster as the cluster radius r. Note that the distance between the feature vector belonging to the cluster and the cluster center c may be calculated, and the average value of these distances may be used as the cluster radius r.

各クラスタについて求められたクラスタ中心ｃ及びクラスタ半径ｒが、正常モデル学習部１６１ｃによって学習される正常モデルである。正常モデル学習部１６１ｃは、学習した正常モデルを正常モデル記憶部１６１ｄ（図３参照）に格納する。なお、正常モデル学習部１６１ｃによって学習される正常モデルは、日々更新される（図４参照）。   The cluster center c and the cluster radius r obtained for each cluster are normal models learned by the normal model learning unit 161c. The normal model learning unit 161c stores the learned normal model in the normal model storage unit 161d (see FIG. 3). The normal model learned by the normal model learning unit 161c is updated daily (see FIG. 4).

図３に示す正常モデル記憶部１６１ｄには、正常モデル学習部１６１ｃによって学習された正常モデルがデータベースとして記憶されている。正常モデル記憶部１６１ｄに格納されるデータには、機械設備２の識別記号と、クラスタ中心ｃの座標と、クラスタ半径ｒと、が含まれる。   In the normal model storage unit 161d shown in FIG. 3, the normal model learned by the normal model learning unit 161c is stored as a database. The data stored in the normal model storage unit 161d includes the identification symbol of the machine facility 2, the coordinates of the cluster center c, and the cluster radius r.

＜データマイニング診断部の構成＞
図３に示すデータマイニング診断部１６２は、データマイニング学習部１６１によって学習された正常モデルに基づき、機械設備２における異常予兆の有無を診断する。
データマイニング診断部１６２は、診断対象データ取得部１６２ａと、ベクトル生成部１６２ｂと、異常度算出部１６２ｃと、診断部１６２ｄと、を有している。 <Configuration of data mining diagnosis unit>
The data mining diagnosis unit 162 shown in FIG. 3 diagnoses the presence or absence of an abnormal sign in the machine facility 2 based on the normal model learned by the data mining learning unit 161.
The data mining diagnosis unit 162 includes a diagnosis target data acquisition unit 162a, a vector generation unit 162b, an abnormality degree calculation unit 162c, and a diagnosis unit 162d.

診断対象データ取得部１６２ａは、例えば、一日に一回、予め設定された時刻に診断対象となる時系列データ（つまり、診断対象データ）を時系列データ記憶手段１３から取得する。診断対象データとして、例えば、診断時に近い一日分の時系列データを用いることができる。   The diagnosis target data acquisition unit 162a acquires time series data (that is, diagnosis target data) to be diagnosed from the time series data storage unit 13 once a day, for example, at a preset time. As diagnosis target data, for example, time series data for one day close to the time of diagnosis can be used.

なお、診断日が装置Ａ（図２参照）のメンテナンス期間に含まれる場合、診断対象データ取得部１６２ａは、次のような処理を行う。
すなわち、診断対象データ取得部１６２ａは、診断日の装置Ｂ，Ｃ，Ｄに関する時系列データを、診断対象データとして時系列データ記憶手段１３から取得する。このようにして、メンテナンス中も稼働し続けている装置Ｂ，Ｃ，Ｄに関する時系列データを機械設備２の診断処理に反映させる。
また、診断対象データ取得部１６２ａは、メンテナンス対象である装置Ａに関して、メンテナンスよりも所定時間Δｔだけ過去に遡った時点での時系列データ（図５に示す固定値α）を、診断対象データとして時系列データ記憶手段１３から取得する。つまり、診断対象データ取得部１６２ａは、メンテナンス中において稼働していない装置Ａの時系列データを固定値αで代用する。 When the diagnosis date is included in the maintenance period of the device A (see FIG. 2), the diagnosis target data acquisition unit 162a performs the following process.
That is, the diagnosis target data acquisition unit 162a acquires time series data regarding the devices B, C, and D on the diagnosis date from the time series data storage unit 13 as diagnosis target data. In this way, the time series data relating to the devices B, C, and D that continue to operate during the maintenance is reflected in the diagnosis process of the machine facility 2.
In addition, the diagnosis target data acquisition unit 162a uses, as the diagnosis target data, time series data (fixed value α shown in FIG. 5) at the time point that is earlier than the maintenance by the predetermined time Δt with respect to the apparatus A that is the maintenance target. Obtained from the time-series data storage means 13. That is, the diagnosis target data acquisition unit 162a substitutes the fixed value α for the time series data of the device A that is not operating during the maintenance.

図３に示すベクトル生成部１６２ｂは、診断対象データ取得部１６２ａによって取得された診断対象データを正規化（無次元量化）し、各時刻における機械設備２の状態を表す特徴ベクトルを生成する。
異常度算出部１６２ｃは、ベクトル生成部１６２ｂによって生成された特徴ベクトルに基づき、診断対象データの異常度ｕを算出する。例えば、異常度算出部１６２ｃは、特徴ベクトルの正常範囲を示すクラスタのうち、そのクラスタ中心が診断対象データに最も近いクラスタを特定する。そして、異常度算出部１６２ｃは、特定したクラスタのクラスタ中心ｃから診断対象データまでの距離ｄと、クラスタ半径ｒと、に基づき、（数式１）に基づいて異常度ｕを算出する。 The vector generation unit 162b illustrated in FIG. 3 normalizes (dimensionless) the diagnosis target data acquired by the diagnosis target data acquisition unit 162a, and generates a feature vector that represents the state of the mechanical equipment 2 at each time.
The abnormality degree calculation unit 162c calculates the degree of abnormality u of the diagnosis target data based on the feature vector generated by the vector generation unit 162b. For example, the degree-of-abnormality calculation unit 162c identifies a cluster whose cluster center is closest to the diagnosis target data from clusters indicating the normal range of the feature vector. Then, the degree of abnormality calculation unit 162c calculates the degree of abnormality u based on (Expression 1) based on the distance d from the cluster center c of the identified cluster to the diagnosis target data and the cluster radius r.

ｕ＝ｄ／ｒ・・・（数式１）   u = d / r (Equation 1)

異常度算出部１６２ｃは、算出した異常度ｕを診断部１６２ｄに出力する。また、異常度算出部１６２ｃは、診断対象データと、その異常度ｕと、を対応付けて診断結果記憶手段１７（図３参照）に格納する。   The degree of abnormality calculation unit 162c outputs the calculated degree of abnormality u to the diagnosis unit 162d. Further, the abnormality degree calculation unit 162c stores the diagnosis target data and the abnormality degree u in association with each other in the diagnosis result storage unit 17 (see FIG. 3).

診断部１６２ｄは、異常度算出部１６２ｃから入力される異常度ｕに基づき、機械設備２について異常予兆の有無を診断する。異常度ｕ≦１である場合、診断対象データがクラスタ（正常モデルの範囲）内に存在している。この場合、診断部１６２ｄは、この診断対象データに対応する機械設備２に関して「異常予兆なし」と診断する。   The diagnosis unit 162d diagnoses the presence or absence of an abnormality sign for the mechanical facility 2 based on the abnormality degree u input from the abnormality degree calculation unit 162c. When the degree of abnormality u ≦ 1, the diagnosis target data exists in the cluster (range of the normal model). In this case, the diagnosis unit 162d diagnoses “no abnormality sign” for the mechanical equipment 2 corresponding to the diagnosis target data.

一方、異常度ｕ＞１である場合、診断対象データがクラスタの外に存在している。この場合、診断部１６２ｄは、この診断対象データに対応する機械設備２に関して「異常予兆あり」と診断する。なお、診断結果記憶手段１７に格納された情報は、表示制御手段１８（図１参照）によって表示手段１９に表示される。   On the other hand, when the degree of abnormality u> 1, diagnosis target data exists outside the cluster. In this case, the diagnosis unit 162d diagnoses “there is a sign of abnormality” with respect to the mechanical equipment 2 corresponding to the diagnosis target data. The information stored in the diagnosis result storage unit 17 is displayed on the display unit 19 by the display control unit 18 (see FIG. 1).

＜データマイニング学習部による学習処理＞
図７は、データマイニング学習部による学習処理を示すフローチャートである。
ステップＳ１０１においてデータマイニング学習部１６１は、学習開始時刻になったか否かを判定する。この学習開始時刻は、予め設定されている。学習開始時刻になった場合（Ｓ１０１→Ｙｅｓ）、データマイニング学習部１６１の処理はステップＳ１０２に進む。一方、学習開始時刻になっていない場合（Ｓ１０１→Ｎｏ）、データマイニング学習部１６１はステップＳ１０１の処理を繰り返す。 <Learning process by the data mining learning unit>
FIG. 7 is a flowchart showing learning processing by the data mining learning unit.
In step S101, the data mining learning unit 161 determines whether the learning start time has come. This learning start time is set in advance. When the learning start time is reached (S101 → Yes), the process of the data mining learning unit 161 proceeds to step S102. On the other hand, when it is not the learning start time (S101 → No), the data mining learning unit 161 repeats the process of step S101.

ステップＳ１０２においてデータマイニング学習部１６１は、メンテナンス情報記憶手段１５に格納されているメンテナンス情報を読み込む。前記したように、メンテナンス情報には、機械設備２の識別記号、メンテナンス対象である装置Ａの識別記号、装置Ａに設置されたセンサＡ1の識別記号、及びメンテナンス期間が含まれる。
ステップＳ１０３においてデータマイニング学習部１６１は、学習期間（正常モデルの学習対象となる期間）にメンテナンス期間が含まれるか否かを判定する。学習期間にメンテナンス期間が含まれている場合（Ｓ１０３→Ｙｅｓ）、データマイニング学習部１６１の処理はステップＳ１０４に進む。 In step S <b> 102, the data mining learning unit 161 reads maintenance information stored in the maintenance information storage unit 15. As described above, the maintenance information includes the identification symbol of the mechanical equipment 2, the identification symbol of the apparatus A that is the object of maintenance, the identification symbol of the sensor A 1 installed in the apparatus A, and the maintenance period.
In step S <b> 103, the data mining learning unit 161 determines whether the maintenance period is included in the learning period (a period that is a learning target of the normal model). When the maintenance period is included in the learning period (S103 → Yes), the processing of the data mining learning unit 161 proceeds to step S104.

ステップＳ１０４においてデータマイニング学習部１６１は、学習対象データ取得部１６１ａによって、時系列データ記憶手段１３から学習対象データを取得する（時系列データ取得ステップ）。すなわち、学習対象データ取得部１６１ａは、メンテナンス対象でない装置Ｂ，Ｃ，Ｄ（図２参照）に関する時系列データ（メンテナンス期間を含む：図４（ｃ）参照）を学習対象データとして取得する。前記したように、メンテナンス期間中において装置Ａは停止しているが、装置Ｂ，Ｃ，Ｄは稼働し続けている。   In step S104, the data mining learning unit 161 uses the learning target data acquisition unit 161a to acquire learning target data from the time series data storage unit 13 (time series data acquisition step). That is, the learning target data acquisition unit 161a acquires time-series data (including the maintenance period: see FIG. 4C) regarding the devices B, C, and D (see FIG. 2) that are not the maintenance target as learning target data. As described above, the apparatus A is stopped during the maintenance period, but the apparatuses B, C, and D continue to operate.

ステップＳ１０５においてデータマイニング学習部１６１は、学習対象データ取得部１６１ａによって、メンテナンス対象である装置Ａに設置されたセンサＡ1の学習対象データの値を固定する（時系列データ取得ステップ）。つまり、データマイニング学習部１６１は、メンテナンス期間におけるセンサＡ1の時系列データとして、前記した固定値α（図５参照）を用いる。 In step S105, the data mining learning unit 161 uses the learning target data acquisition unit 161a to fix the value of the learning target data of the sensor A 1 installed in the apparatus A that is the maintenance target (time-series data acquisition step). That is, the data mining learning unit 161 uses the fixed value α (see FIG. 5) as time series data of the sensor A 1 during the maintenance period.

一方、ステップＳ１０３において学習期間にメンテナンス期間が含まれない場合（Ｓ１０３→Ｎｏ）、データマイニング学習部１６１の処理はステップＳ１０６に進む。ステップＳ１０６においてデータマイニング学習部１６１は、学習対象データ取得部１６１ａによって、時系列データ記憶手段１３から学習対象データを取得する。この場合、機械設備２が有する装置Ａ，Ｂ，Ｃ，Ｄは、学習期間において全て稼働しており、センサＡ1，Ｂ1，Ｂ2、Ｃ1、Ｄ1，Ｄ2によって所定の物理量が検出されている（図４の学習期間Ｑ１，Ｑ２）。 On the other hand, when the maintenance period is not included in the learning period in step S103 (S103 → No), the processing of the data mining learning unit 161 proceeds to step S106. In step S106, the data mining learning unit 161 acquires learning target data from the time-series data storage unit 13 by the learning target data acquisition unit 161a. In this case, the devices A, B, C, and D included in the mechanical facility 2 are all operating during the learning period, and predetermined physical quantities are obtained by the sensors A 1 , B 1 , B 2 , C 1 , D 1 , and D 2 . It is detected (learning periods Q1, Q2 in FIG. 4).

ステップＳ１０７においてデータマイニング学習部１６１は、ベクトル生成部１６１ｂによって学習対象データを正規化することによって、特徴ベクトルを生成する。なお、学習期間がメンテナンス期間に含まれる場合（Ｓ１０３→Ｙｅｓ）、学習期間において時々刻々と変化するセンサＢ1，Ｂ2、Ｃ1、Ｄ1，Ｄ2の検出値と、センサＡ1に対応する固定値αと、が用いられる。
この場合、特徴ベクトルのうちセンサＢ1，Ｂ2、Ｃ1、Ｄ1，Ｄ2に対応する各軸の成分は変化するが、センサＡ1に対応する軸の成分は変化しない。実質的にこれは、メンテナンス対象でない装置Ｂ，Ｃ，Ｄの検出値のみを用いて学習することに略等しい。 In step S107, the data mining learning unit 161 generates a feature vector by normalizing the learning target data using the vector generation unit 161b. When the learning period is included in the maintenance period (S103 → Yes), the detection values of the sensors B 1 , B 2 , C 1 , D 1 , and D 2 that change every moment in the learning period correspond to the sensor A 1 . A fixed value α is used.
In this case, the component of each axis corresponding to the sensors B 1 , B 2 , C 1 , D 1 , and D 2 in the feature vector changes, but the component of the axis corresponding to the sensor A 1 does not change. This is substantially equivalent to learning using only the detection values of the devices B, C, and D that are not maintenance targets.

ステップＳ１０８においてデータマイニング学習部１６１は、正常モデル学習部１６１ｃによって、機械設備２の正常モデルを学習する（学習ステップ）。前記したように、正常モデルは、多次元ベクトル空間におけるクラスタ中心ｃの座標値と、クラスタ半径ｒと、によって表される。
ステップＳ１０９においてデータマイニング学習部１６１は、ステップＳ１０８で学習した正常モデルを、正常モデル記憶部１６１ｄに記憶させる。 In step S108, the data mining learning unit 161 learns the normal model of the machine facility 2 by the normal model learning unit 161c (learning step). As described above, the normal model is represented by the coordinate value of the cluster center c in the multidimensional vector space and the cluster radius r.
In step S109, the data mining learning unit 161 stores the normal model learned in step S108 in the normal model storage unit 161d.

このように、学習期間に装置Ａのメンテナンス期間が含まれる場合でも、データマイニング学習部１６１は、メンテナンス期間中も稼働する装置Ｂ，Ｃ，Ｄ（図２参照）の時系列データに基づいて正常モデルの学習を続ける。   Thus, even when the learning period includes the maintenance period of the device A, the data mining learning unit 161 is normal based on the time series data of the devices B, C, and D (see FIG. 2) that operate even during the maintenance period. Continue learning the model.

＜データマイニング診断部による診断処理＞
図８は、データマイニング診断部による診断処理を示すフローチャートである。
なお、データマイニング診断部１６２による診断処理が実行される前に、データマイニング学習部１６１によって診断日に対応する学習対象データが取得され、正常モデルが学習されている。 <Diagnosis processing by the data mining diagnosis unit>
FIG. 8 is a flowchart showing a diagnosis process by the data mining diagnosis unit.
In addition, before the diagnosis process by the data mining diagnosis unit 162 is executed, learning target data corresponding to the diagnosis date is acquired by the data mining learning unit 161, and the normal model is learned.

ステップＳ２０１においてデータマイニング診断部１６２は、診断開始時刻になったか否かを判定する。この診断開始時刻は、予め設定されている。診断開始時刻になった場合（Ｓ２０１→Ｙｅｓ）、データマイニング診断部１６２の処理はステップＳ２０２に進む。一方、診断開始時刻になっていない場合（Ｓ２０１→Ｎｏ）、データマイニング診断部１６２は、ステップＳ２０１の処理を繰り返す。   In step S201, the data mining diagnosis unit 162 determines whether the diagnosis start time has come. This diagnosis start time is set in advance. When the diagnosis start time is reached (S201 → Yes), the processing of the data mining diagnosis unit 162 proceeds to step S202. On the other hand, when the diagnosis start time is not reached (S201 → No), the data mining diagnosis unit 162 repeats the process of step S201.

ステップＳ２０２においてデータマイニング診断部１６２は、メンテナンス情報記憶手段１５に格納されているメンテナンス情報を読み込む。
ステップＳ２０３においてデータマイニング診断部１６２は、診断日がメンテナンス期間に含まれているか否かを判定する。診断日がメンテナンス期間が含まれている場合（Ｓ２０３→Ｙｅｓ）、データマイニング診断部１６２の処理はステップＳ２０４に進む。 In step S <b> 202, the data mining diagnosis unit 162 reads maintenance information stored in the maintenance information storage unit 15.
In step S203, the data mining diagnosis unit 162 determines whether or not the diagnosis date is included in the maintenance period. If the diagnosis date includes the maintenance period (S203 → Yes), the processing of the data mining diagnosis unit 162 proceeds to step S204.

ステップＳ２０４においてデータマイニング診断部１６２は、診断対象データ取得部１６２ａによって、時系列データ記憶手段１３から診断対象データを取得する。すなわち、診断対象データ取得部１６２ａは、メンテナンス対象でない装置Ｂ，Ｃ，Ｄ（図２参照）に設置されたセンサＢ1，Ｂ2、Ｃ1、Ｄ1，Ｄ2（図２参照）の検出値を読み込む。
ステップＳ２０５においてデータマイニング診断部１６２は、診断対象データ取得部１６２ａによって、メンテナンス開始から所定時間Δｔだけ遡った正常時の固定値αを取得する（図５参照）。この固定値αは、センサＡ1の診断対象データとして用いられる。 In step S204, the data mining diagnosis unit 162 acquires diagnosis target data from the time-series data storage unit 13 by the diagnosis target data acquisition unit 162a. That is, the diagnosis target data acquisition unit 162a detects the sensors B 1 , B 2 , C 1 , D 1 , D 2 (see FIG. 2) installed in the devices B, C, and D (see FIG. 2) that are not maintenance targets. Read the value.
In step S205, the data mining diagnosis unit 162 uses the diagnosis target data acquisition unit 162a to acquire a normal fixed value α that is back by a predetermined time Δt from the start of maintenance (see FIG. 5). This fixed value α is used as diagnosis target data of the sensor A 1 .

一方、ステップＳ２０３において診断日がメンテナンス期間に含まれない場合（Ｓ２０３→Ｎｏ）、データマイニング診断部１６２の処理はステップＳ２０６に進む。ステップＳ２０６においてデータマイニング診断部１６２は、診断対象データ取得部１６２ａによって、時系列データ記憶手段１３から診断対象データ（センサＡ1の検出値を含む）を取得する。 On the other hand, if the diagnosis date is not included in the maintenance period in step S203 (S203 → No), the processing of the data mining diagnosis unit 162 proceeds to step S206. Data mining diagnosing unit 162 in step S206, depending on diagnostic object data acquisition unit 162a, when (including detection value of the sensor A 1) diagnostic data from series data storage unit 13 to acquire.

ステップＳ２０７においてデータマイニング診断部１６２は、ベクトル生成部１６２ｂによって診断対象データを正規化し、機械設備２の各時刻における特徴ベクトルを生成する。
ステップＳ２０８においてデータマイニング診断部１６２は、異常度算出部１６２ｃによって異常度ｕを算出する。この異常度ｕは、ステップＳ２０７で生成された特徴ベクトルに関して、このベクトルを表す点に最も近いクラスタ（Ｓ１０８で学習された正常モデル）を基準として算出される。 In step S207, the data mining diagnosis unit 162 normalizes the diagnosis target data by the vector generation unit 162b, and generates a feature vector at each time of the machine facility 2.
In step S208, the data mining diagnosis unit 162 calculates the degree of abnormality u by the degree of abnormality calculation unit 162c. This degree of abnormality u is calculated with respect to the feature vector generated in step S207 with reference to the cluster closest to the point representing this vector (normal model learned in S108).

ステップＳ２０９においてデータマイニング診断部１６２は、診断部１６２ｄによって、ステップＳ２０８で算出した異常度ｕと所定の閾値（例えば、（閾値）＝１）との大小を比較し、機械設備２の異常予兆の有無を診断する（診断ステップ）。
ステップＳ２１０においてデータマイニング診断部１６２は、表示制御手段１８によって、ステップＳ２０９の診断結果を表示手段１９に表示させる。 In step S209, the data mining diagnosis unit 162 compares the magnitude of the abnormality degree u calculated in step S208 with a predetermined threshold value (for example, (threshold value) = 1) by the diagnosis unit 162d, and the abnormality sign of the mechanical equipment 2 is detected. Diagnose presence or absence (diagnostic step).
In step S210, the data mining diagnosis unit 162 causes the display control unit 18 to display the diagnosis result of step S209 on the display unit 19.

このように、診断日がメンテナンス期間に含まれる場合でも、データマイニング診断部１６２は、センサＡ1の時系列データを固定値αとした上で、機械設備２の診断を継続する。 Thus, even when the diagnosis date is included in the maintenance period, the data mining diagnosis unit 162 continues the diagnosis of the mechanical equipment 2 after setting the time series data of the sensor A 1 to the fixed value α.

なお、図５に示すように、メンテナンス終了後は、装置Ａに設置されたセンサＡ1の検出値がネットワークＮを介して異常予兆診断装置１に送信される。したがって、診断日がメンテナンスの終了後である場合（Ｓ２０３→Ｎｏ）、データマイニング診断部１６２は、再びセンサＡ1による実際の検出値も含めた時系列データを診断対象データとして用いる。 As shown in FIG. 5, after the maintenance is completed, the detection value of the sensor A 1 installed in the device A is transmitted to the abnormality sign diagnosis device 1 via the network N. Therefore, when the diagnosis date is after the end of the maintenance (S203 → No), the data mining diagnosis unit 162 uses again the time series data including the actual detection value by the sensor A 1 as the diagnosis target data.

＜効果＞
本実施形態では、学習期間にメンテナンス期間が含まれる場合、データマイニング学習部１６１は、装置Ａ（メンテナンス対象）に対応する時系列データとして固定値αを用いる。この固定値αと、他の装置Ｂ，Ｃ，Ｄに関する時系列データと、を併せて学習することで、機械設備２の正常モデルを学習し続けることができる。
同様に、診断日がメンテナンス期間に含まれる場合も、データマイニング診断部１６２は、機械設備２の異常予兆の有無を診断し続ける。特に、データマイニングに基づいて学習された正常モデルを用いることで、機械設備２に関する異常予兆の有無を高感度で診断し続けることができる。 <Effect>
In the present embodiment, when the maintenance period is included in the learning period, the data mining learning unit 161 uses the fixed value α as the time series data corresponding to the device A (maintenance target). By learning the fixed value α and the time series data related to the other devices B, C, and D together, it is possible to continue learning the normal model of the mechanical equipment 2.
Similarly, even when the diagnosis date is included in the maintenance period, the data mining diagnosis unit 162 continues to diagnose the presence or absence of an abnormality sign of the mechanical equipment 2. In particular, by using a normal model learned based on data mining, it is possible to continue diagnosing the presence or absence of an abnormality sign related to the mechanical equipment 2 with high sensitivity.

また、センサＡ1に対応する時系列データとして固定値αを用いるため、メンテナンス前後で特徴ベクトルの次元数（センサＡ1，Ｂ1，Ｂ2、Ｃ1、Ｄ1，Ｄ2に対応する６次元）が変化しない。したがって、例えば、特徴ベクトルの次元を変更して正常モデルを再設定する場合と比較して、学習処理に要する演算負荷を軽減できる。 Further, since the fixed value α is used as the time series data corresponding to the sensor A 1 , the dimension number of the feature vector (6 corresponding to the sensors A 1 , B 1 , B 2 , C 1 , D 1 , D 2 before and after the maintenance). Dimension) does not change. Therefore, for example, the computational load required for the learning process can be reduced as compared with the case where the normal model is reset by changing the dimension of the feature vector.

また、データマイニング学習部１６１は、装置Ａ（メンテナンス対象）に対応する学習対象データとして、メンテナンス直前の正常時における検出値を固定値αとして用いる。これによって、メンテナンス前後におけるセンサＡ1の検出値の大きさと、固定値αと、が乖離しにくくなる。つまり、メンテナンスの前・中・後を通して機械設備２の正常モデルが変動しにくくなり、正常モデルを安定して学習し続けることができる。 Further, the data mining learning unit 161 uses, as learning target data corresponding to the device A (maintenance target), a detection value at normal time immediately before maintenance as a fixed value α. This makes it difficult for the magnitude of the detection value of the sensor A 1 before and after the maintenance to deviate from the fixed value α. That is, the normal model of the mechanical equipment 2 is less likely to fluctuate before, during and after maintenance, and the normal model can be continuously learned stably.

≪第２実施形態≫
第２実施形態は、第１実施形態と比較して、データマイニング学習部１６１及びデータマイニング診断部１６２が実行する処理の内容が異なるが、その他（異常予兆診断装置１の構成：図１、図３参照）については第１実施形態と同様である。したがって、第１実施形態と異なる部分について説明し、重複する部分については説明を省略する。 << Second Embodiment >>
The second embodiment is different from the first embodiment in the contents of the processes executed by the data mining learning unit 161 and the data mining diagnosis unit 162, but the other (configuration of the abnormal sign diagnostic apparatus 1: FIG. 1 and FIG. 3) is the same as in the first embodiment. Therefore, a different part from 1st Embodiment is demonstrated and description is abbreviate | omitted about the overlapping part.

＜データマイニング学習部による学習処理＞
図９は、異常予兆診断装置のデータマイニング学習部による学習処理を示すフローチャートである。
ステップＳ１０３において学習期間にメンテナンス期間が含まれる場合（Ｓ１０３→Ｙｅｓ）、データマイニング学習部１６１の処理はステップＳ１０４に進む。ステップＳ１０４おいてデータマイニング学習部１６１は、メンテナンス対象でない装置Ｂ，Ｃ，Ｄ（図２参照）に関する時系列データを、学習対象データとして時系列データ記憶手段１３から取得する。換言すると、学習対象データ取得部１６１ａは、メンテナンス対象である装置Ａに関する時系列データを、学習対象データから除外する。 <Learning process by the data mining learning unit>
FIG. 9 is a flowchart illustrating a learning process performed by the data mining learning unit of the abnormality sign diagnosis apparatus.
When the maintenance period is included in the learning period in step S103 (S103 → Yes), the processing of the data mining learning unit 161 proceeds to step S104. In step S104, the data mining learning unit 161 acquires time-series data relating to the devices B, C, and D (see FIG. 2) that are not the maintenance target from the time-series data storage unit 13 as the learning target data. In other words, the learning target data acquisition unit 161a excludes, from the learning target data, time series data related to the device A that is the maintenance target.

次に、ステップＳ３０１においてデータマイニング学習部１６１は、ベクトル生成部１６１ｂによって、機械設備２の各時刻における特徴ベクトルを生成する。すなわち、データマイニング学習部１６１は、ステップＳ１０４で取得した学習対象データを用いて、５個のセンサＢ1，Ｂ2、Ｃ1、Ｄ1，Ｄ2（図２参照）の検出値に対応する５次元のベクトル空間で、各時刻での特徴ベクトルを生成する。 Next, in step S301, the data mining learning unit 161 generates a feature vector at each time of the machine facility 2 by the vector generation unit 161b. That is, the data mining learning unit 161 uses the learning target data acquired in step S104 and corresponds to the detected values of the five sensors B 1 , B 2 , C 1 , D 1 , D 2 (see FIG. 2). A feature vector at each time is generated in a five-dimensional vector space.

なお、メンテナンス前（装置Ａの稼働中）では、装置Ａに設置されたセンサＡ1も含めて６次元のベクトル空間で各時刻の特徴ベクトルが生成されていた（Ｓ１０６，Ｓ３０２）。前記したステップＳ３０１の処理によって特徴ベクトルの次元数が６次元から５次元に落とされ、特徴ベクトルを生成する際のベクトル空間が再設定される。 Before maintenance (during operation of the device A), feature vectors at each time were generated in a 6-dimensional vector space including the sensor A 1 installed in the device A (S106, S302). The number of dimensions of the feature vector is reduced from 6 dimensions to 5 dimensions by the processing in step S301 described above, and the vector space for generating the feature vector is reset.

ステップＳ１０３において学習期間にメンテナンス期間が含まれない場合（Ｓ１０３→Ｎｏ）、ステップＳ１０６においてデータマイニング学習部１６１は、学習対象データを取得する（センサＡ1の検出値を含む）。
次に、ステップＳ３０２においてデータマイニング学習部１６１は、ベクトル生成部１６１ｂによって、センサＡ1を含む６次元の特徴ベクトルを生成する。 If the learning period does not include a maintenance period in step S103 (S103 → No), data mining learning unit 161 in step S106 (including detection value of the sensor A 1) for acquiring learning object data.
Next, the data mining learning unit 161 in step S302 is the vector generation unit 161b, generates a six-dimensional feature vector containing the sensor A 1.

ステップＳ１０８においてデータマイニング学習部１６１は、正常モデル学習部１６１ｃによって、機械設備２の正常モデルを学習する。なお、特徴ベクトルが５次元に落とされた場合（Ｓ３０１）、これに合わせて正常モデルであるクラスタも再設定される。
このように、メンテナンス中も含めて継続的に時系列データが得られるセンサＢ1，Ｂ2、Ｃ1、Ｄ1，Ｄ2の検出値を用いる（センサＡ1を除外する）ことで、機械設備２の稼働状況を忠実に反映した正常モデルを学習できる。 In step S108, the data mining learning unit 161 learns the normal model of the machine facility 2 by the normal model learning unit 161c. When the feature vector is dropped to five dimensions (S301), the cluster that is a normal model is also reset accordingly.
In this way, by using the detection values of the sensors B 1 , B 2 , C 1 , D 1 , D 2 from which time series data can be obtained continuously even during maintenance (excluding the sensor A 1 ), the machine A normal model that faithfully reflects the operation status of the facility 2 can be learned.

＜データマイニング診断部による診断処理＞
図１０は、データマイニング診断部１６２による診断処理を示すフローチャートである。診断日がメンテナンス期間に含まれる場合（Ｓ２０３→Ｙｅｓ）、データマイニング診断部１６２の処理はステップＳ２０４に進む。
ステップＳ２０４においてデータマイニング診断部１６２は、診断対象データ取得部１６２ａによって、メンテナンス対象でない装置Ｂ，Ｃ，Ｄ（図２参照）に関する時系列データを診断対象データとして取得する。換言すると、データマイニング診断部１６２は、メンテナンス対象である装置Ａに関する時系列データを診断対象データから除外する。 <Diagnosis processing by the data mining diagnosis unit>
FIG. 10 is a flowchart showing a diagnosis process by the data mining diagnosis unit 162. When the diagnosis date is included in the maintenance period (S203 → Yes), the processing of the data mining diagnosis unit 162 proceeds to step S204.
In step S204, the data mining diagnosis unit 162 acquires time series data regarding the devices B, C, and D (see FIG. 2) that are not the maintenance target as the diagnosis target data by the diagnosis target data acquisition unit 162a. In other words, the data mining diagnosis unit 162 excludes the time series data related to the device A that is the maintenance target from the diagnosis target data.

次に、ステップＳ４０１においてデータマイニング診断部１６２は、ベクトル生成部１６２ｂによって、機械設備２の各時刻における特徴ベクトルを生成する。図９のステップＳ３０１と同様に、この特徴ベクトルの次元数は、センサＢ1，Ｂ2、Ｃ1、Ｄ1，Ｄ2（図２参照）に対応する５次元である。 Next, in step S401, the data mining diagnosis unit 162 generates a feature vector at each time of the machine facility 2 by the vector generation unit 162b. Similar to step S301 in FIG. 9, the feature vector has five dimensions corresponding to the sensors B 1 , B 2 , C 1 , D 1 , and D 2 (see FIG. 2).

一方、診断日がメンテナンス期間に含まれない場合（Ｓ２０３→Ｎｏ）、ステップＳ２０６においてデータマイニング診断部１６２は、診断対象データを取得する（センサＡ1の検出値を含む）。
次に、ステップＳ４０２においてデータマイニング診断部１６２は、ベクトル生成部１６２ｂによって、センサＡ1を含む６次元の特徴ベクトルを生成する。 On the other hand, if the date of diagnosis is not included in the maintenance period (S203 → No), data mining diagnosing unit 162 in step S206 (including detection value of the sensor A 1) for acquiring diagnostic data.
Next, the data mining diagnosing unit 162 in step S402 is the vector generation unit 162b, generates a six-dimensional feature vector containing the sensor A 1.

このように、診断日が装置Ａのメンテナンス期間に含まれる場合（Ｓ２０３→Ｙｅｓ）、データマイニング診断部１６２はセンサＡ1の時系列データを除外した上で（Ｓ２０４）、機械設備２の診断を継続する（Ｓ２０９）。 Thus, if the date of diagnosis is included in the maintenance period of the apparatus A (S203 → Yes), data mining diagnosis unit 162 on excluding the time-series data of the sensor A 1 (S204), a diagnosis of machinery 2 Continue (S209).

＜効果＞
本実施形態では、学習期間にメンテナンス期間が含まれる場合、データマイニング学習部１６１は、メンテナンス中も物理量を検出し続けているセンサＢ1，Ｂ2、Ｃ1、Ｄ1，Ｄ2の時系列データのみを用いて正常モデルを学習する。したがって、メンテナンス対象の装置Ａに関して固定値αを設定する第１実施形態と比較して、機械設備２の実際の状態をさらに忠実に反映した正常モデルを学習できる。 <Effect>
In this embodiment, when the maintenance period is included in the learning period, the data mining learning unit 161 is a time series of the sensors B 1 , B 2 , C 1 , D 1 , and D 2 that continue to detect physical quantities during the maintenance. A normal model is learned using only data. Therefore, compared with the first embodiment in which the fixed value α is set for the apparatus A to be maintained, a normal model that more accurately reflects the actual state of the mechanical equipment 2 can be learned.

同様に、診断日がメンテナンス期間に含まれる場合、データマイニング診断部１６２は、メンテナンス中も物理量を検出し続けているセンサＢ1，Ｂ2、Ｃ1、Ｄ1，Ｄ2の時系列データのみを用いて診断処理を行う。したがって、メンテナンスの有無に関わらず、機械設備２に関する異常予兆の有無を診断し続けることができる。 Similarly, when the diagnosis date is included in the maintenance period, the data mining diagnosis unit 162 only detects the time series data of the sensors B 1 , B 2 , C 1 , D 1 , and D 2 that continue to detect physical quantities during the maintenance. Diagnosis processing is performed using Therefore, it is possible to continue diagnosing the presence / absence of an abnormality sign related to the mechanical equipment 2 regardless of the presence / absence of maintenance.

≪変形例≫
以上、本発明に係る異常予兆診断装置１について各実施形態により説明したが、本発明はこれらの記載に限定されるものではなく、種々の変更を行うことができる。
例えば、第１実施形態では、学習期間にメンテナンス期間が含まれる場合（Ｓ１０３→Ｙｅｓ：図７参照）、メンテナンス開始から所定時間Δｔだけ過去に遡った時点におけるセンサＡ1の検出値を固定値αとする場合について説明したが（Ｓ１０５）、これに限らない。すなわち、メンテナンス前の所定期間におけるセンサＡ1の検出値の平均を算出し、この平均値を固定値として設定してもよい。メンテナンス開始時に近い期間での平均値を算出することで、メンテナンス前・中・後において正常モデルを安定して学習できる。 ≪Modification≫
As described above, the abnormality sign diagnosis apparatus 1 according to the present invention has been described in each embodiment. However, the present invention is not limited to these descriptions, and various modifications can be made.
For example, in the first embodiment, when the maintenance period is included in the learning period (S103 → Yes: refer to FIG. 7), the detection value of the sensor A 1 at the time point that goes back in the past by a predetermined time Δt from the start of the maintenance is a fixed value α. However, the present invention is not limited to this. That is, an average of detection values of the sensor A 1 in a predetermined period before maintenance may be calculated, and this average value may be set as a fixed value. By calculating an average value in a period close to the start of maintenance, a normal model can be learned stably before, during and after maintenance.

また、第１実施形態では、学習期間にメンテナンス期間が含まれている場合（Ｓ１０３→Ｙｅｓ）、メンテナンス期間におけるセンサＡ1の時系列データとして固定値αを用いる場合について説明したが、これに限らない。すなわち、学習期間の全て（メンテナンス期間外を含む）に関する学習対象データとして固定値αを用いるようにしてもよい。 In the first embodiment, the case where the maintenance period is included in the learning period (S103 → Yes) has been described with respect to the case where the fixed value α is used as the time series data of the sensor A 1 in the maintenance period. Absent. In other words, the fixed value α may be used as learning target data regarding the entire learning period (including outside the maintenance period).

また、各実施形態では、メンテナンス対象となる装置Ａに設置されたセンサが１個（センサＡ1：図２参照）である場合について説明したが、これに限らない。すなわち、メンテナンス対象となる装置に複数個のセンサが設置されている場合、これらのセンサに対応する時系列データを固定（第１実施形態）又は除外（第２実施形態）して、正常モデルを学習すればよい。 In each embodiment, the sensor installed in the apparatus A to be maintenance target one: the case has been described where a (sensor A 1 see Figure 2), is not limited thereto. That is, when a plurality of sensors are installed in an apparatus to be maintained, time series data corresponding to these sensors is fixed (first embodiment) or excluded (second embodiment), and a normal model is obtained. Just learn.

また、各実施形態では、メンテナンスのスケジュールが予めコンピュータ３（図１参照）に格納される場合について説明したが、これに限らない。例えば、異常予兆診断装置１の入力手段（図示せず）を介して、メンテナンスの開始・終了を示す信号と、メンテナンス対象の装置を特定する信号と、を直接的に入力してもよい。   Moreover, although each embodiment demonstrated the case where the maintenance schedule was previously stored in the computer 3 (refer FIG. 1), it is not restricted to this. For example, a signal indicating the start / end of maintenance and a signal for specifying a maintenance target device may be directly input via an input unit (not shown) of the abnormality sign diagnosis device 1.

また、各実施形態では、正常モデル学習部１６１ｃが正常モデルを学習する際、ｋ平均法を用いてクラスタリングを行う場合について説明したが、これに限らない。例えば、正常モデル学習部１６１ｃは、非階層的クラスタリングとしてファジィクラスタリングや混合密度分布法などを用いて学習処理を行ってもよい。
また、各実施形態では、機械設備２がガスエンジンである場合について説明したが、これに限らない。例えば、ガスタービン、原子力発電所の原子炉、化学プラント、医療設備、通信設備等にも、各実施形態を適用できる。 In each embodiment, the case where clustering is performed using the k-average method when the normal model learning unit 161c learns a normal model has been described, but the present invention is not limited thereto. For example, the normal model learning unit 161c may perform learning processing using fuzzy clustering, a mixed density distribution method, or the like as non-hierarchical clustering.
Moreover, although each embodiment demonstrated the case where the mechanical installation 2 was a gas engine, it is not restricted to this. For example, each embodiment can be applied to a gas turbine, a nuclear power plant nuclear reactor, a chemical plant, medical equipment, communication equipment, and the like.

なお、本発明は、各実施形態で説明した全ての構成を備えるものに限定されない。また、一の実施形態の構成の一部を他の実施形態の構成に置き換えることが可能であり、また、一の実施形態の構成に他の実施形態の構成を加えることも可能である。また、各実施形態の構成の一部について、他の構成を追加・削除・置換することも可能である。   In addition, this invention is not limited to what is provided with all the structures demonstrated by each embodiment. Further, a part of the configuration of one embodiment can be replaced with the configuration of another embodiment, and the configuration of another embodiment can be added to the configuration of one embodiment. Moreover, it is also possible to add, delete, and replace other configurations for a part of the configuration of each embodiment.

また、図１、図３に示す各構成は、それらの一部又は全部を、例えば集積回路で設計する等によりハードウェアで実現してもよい。また、前記の各構成は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現してもよい。各機能を実現するプログラム、テープ、ファイル等の情報は、メモリや、ハードディスク、ＳＳＤ（Solid State Drive）等の記録装置、又は、ＩＣカード、ＳＤカード、ＤＶＤ等の記録媒体に格納することができる。   Each of the configurations shown in FIGS. 1 and 3 may be realized by hardware, for example, by designing a part or all of them with an integrated circuit. In addition, each of the above-described configurations may be realized by software by interpreting and executing a program that realizes each function by the processor. Information such as programs, tapes, and files that realize each function can be stored in a recording device such as a memory, a hard disk, or an SSD (Solid State Drive), or a recording medium such as an IC card, an SD card, or a DVD. .

また、制御線や情報線は説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線や情報線を示しているとは限らない。実際には殆ど全ての構成が相互に接続されていると考えてもよい。   Further, the control lines and information lines indicate what is considered necessary for the explanation, and not all the control lines and information lines on the product are necessarily shown. Actually, it may be considered that almost all the components are connected to each other.

１ 異常予兆診断装置
２ 機械設備
３ コンピュータ
１２ 時系列データ取得手段
１３ 時系列データ記憶手段
１４ メンテナンス情報取得手段
１５ メンテナンス情報記憶手段
１６ データマイニング部
１６１ データマイニング学習部（学習手段）
１６１ａ 学習対象データ取得部
１６１ｂ ベクトル生成部
１６１ｃ 正常モデル学習部
１６１ｄ 正常モデル記憶部
１６２ データマイニング診断部（診断手段）
１６２ａ 診断対象データ取得部
１６２ｂ ベクトル生成部
１６２ｃ 異常度算出部
１６２ｄ 診断部
Ａ，Ｂ，Ｃ，Ｄ 装置
Ａ1，Ｂ1，Ｂ2，Ｃ1，Ｄ1，Ｄ2 センサ DESCRIPTION OF SYMBOLS 1 Abnormal sign diagnostic apparatus 2 Mechanical equipment 3 Computer 12 Time series data acquisition means 13 Time series data storage means 14 Maintenance information acquisition means 15 Maintenance information storage means 16 Data mining part 161 Data mining learning part (learning means)
161a Learning object data acquisition unit 161b Vector generation unit 161c Normal model learning unit 161d Normal model storage unit 162 Data mining diagnosis unit (diagnostic means)
162a Diagnosis object data acquisition unit 162b Vector generation unit 162c Abnormality calculation unit 162d Diagnosis unit A, B, C, D device A 1 , B 1 , B 2 , C 1 , D 1 , D 2 sensor

Claims (6)

センサが設置される複数の装置を有するとともにメンテナンス期間中も継続して稼働する機械設備から、前記センサの検出値を含む時系列データを取得する時系列データ取得手段と、
前記時系列データ取得手段によって取得される時系列データを用いて、前記機械設備の状態を表す特徴ベクトルを生成し、前記特徴ベクトルの正常範囲を示す正常モデルを学習する学習手段と、
前記正常モデルに基づいて、前記機械設備の異常予兆の有無を診断する診断手段と、を備え、
前記学習手段は、前記正常モデルの学習対象となる期間に前記メンテナンス期間が含まれる場合、前記複数の装置のうち前記メンテナンス期間中も継続して稼働する装置に関する時系列データに基づいて前記正常モデルを学習し、
前記診断手段は、前記メンテナンス期間中も継続して前記診断を行うこと
を特徴とする異常予兆診断装置。 Time-series data acquisition means for acquiring time-series data including the detection value of the sensor from mechanical equipment that has a plurality of devices in which sensors are installed and operates continuously during a maintenance period;
Using time series data acquired by the time series data acquisition means, generating a feature vector representing the state of the mechanical equipment, and learning means for learning a normal model indicating a normal range of the feature vector;
Diagnostic means for diagnosing the presence or absence of abnormal signs of the mechanical equipment based on the normal model,
If the maintenance period is included in the period for which the normal model is to be learned, the learning unit is configured to use the normal model based on time-series data related to a device that continues to operate during the maintenance period among the plurality of devices. To learn and
The abnormality sign diagnosis apparatus, wherein the diagnosis unit continuously performs the diagnosis during the maintenance period. 前記学習手段は、
前記正常モデルの学習対象となる期間に前記メンテナンス期間が含まれる場合、前記複数の装置のうちメンテナンス対象の装置に関して、少なくとも前記メンテナンス期間における時系列データを固定値とし、当該固定値と、前記メンテナンス期間中も継続して稼働する装置に関する時系列データと、に基づいて前記正常モデルを学習すること
を特徴とする請求項１に記載の異常予兆診断装置。 The learning means includes
When the maintenance period is included in the period to be learned by the normal model, regarding the apparatus to be maintained among the plurality of apparatuses, at least the time series data in the maintenance period is a fixed value, and the fixed value and the maintenance The abnormality sign diagnosis apparatus according to claim 1, wherein the normal model is learned based on time-series data relating to an apparatus that continuously operates during a period. 前記学習手段は、
前記正常モデルの学習対象となる期間に前記メンテナンス期間が含まれる場合、前記複数の装置のうちメンテナンス対象の装置に設置されるセンサに関して、前記メンテナンスよりも前の正常時における検出値を前記固定値として用いること
を特徴とする請求項２に記載の異常予兆診断装置。 The learning means includes
When the maintenance period is included in the period to be learned by the normal model, the detection value at the normal time before the maintenance is set to the fixed value for the sensor installed in the maintenance target apparatus among the plurality of apparatuses. The abnormality sign diagnosis apparatus according to claim 2, wherein the abnormality sign diagnosis apparatus is used. 前記学習手段は、
前記正常モデルの学習対象となる期間に前記メンテナンス期間が含まれる場合、前記複数の装置のうちメンテナンス対象の装置に設置されるセンサに関して、前記メンテナンスよりも前の所定期間における検出値の平均を前記固定値として用いること
を特徴とする請求項２に記載の異常予兆診断装置。 The learning means includes
When the maintenance period is included in the period to be learned by the normal model, the average of the detection values in the predetermined period before the maintenance for the sensor installed in the maintenance target apparatus among the plurality of apparatuses is The abnormality sign diagnosis apparatus according to claim 2, wherein the abnormality sign diagnosis apparatus is used as a fixed value. 前記学習手段は、
前記正常モデルの学習対象となる期間に前記メンテナンス期間が含まれる場合、前記複数の装置のうちメンテナンス対象の装置に関して、少なくとも前記メンテナンス期間における時系列データを除外して、前記正常モデルを学習すること
を特徴とする請求項１に記載の異常予兆診断装置。 The learning means includes
When the maintenance period is included in the period for which the normal model is to be learned, the normal model is learned by removing at least time-series data in the maintenance period for the maintenance target apparatus among the plurality of apparatuses. The abnormality sign diagnosis apparatus according to claim 1. センサが設置される複数の装置を有するとともにメンテナンス期間中も継続して稼働する機械設備から、前記センサの検出値を含む時系列データを取得する時系列データ取得ステップと、
前記時系列データ取得ステップで取得される時系列データを用いて、前記機械設備の状態を表す特徴ベクトルを生成し、前記特徴ベクトルの正常範囲を示す正常モデルを学習する学習ステップと、
前記正常モデルに基づいて、前記機械設備の異常予兆の有無を診断する診断ステップと、を含み、
前記学習ステップにおいて、前記正常モデルの学習対象となる期間に前記メンテナンス期間が含まれる場合、前記複数の装置のうち前記メンテナンス期間中も継続して稼働する装置に関する時系列データに基づいて前記正常モデルを学習し、
前記診断ステップにおいて、前記メンテナンス期間中も継続して前記診断を行うこと
を特徴とする異常予兆診断方法。 A time-series data acquisition step for acquiring time-series data including detection values of the sensors from mechanical equipment that has a plurality of devices in which the sensors are installed and operates continuously during a maintenance period;
Using the time-series data acquired in the time-series data acquisition step, generating a feature vector representing the state of the mechanical equipment, and learning step for learning a normal model indicating a normal range of the feature vector;
Diagnosing the presence or absence of an abnormal sign of the mechanical equipment based on the normal model,
In the learning step, when the maintenance period is included in a period to be learned by the normal model, the normal model is based on time-series data related to a device that continues to operate during the maintenance period among the plurality of devices. To learn and
In the diagnosis step, the diagnosis is continuously performed during the maintenance period.
JP2013250339A 2013-12-03 2013-12-03 Abnormal sign diagnostic apparatus and abnormal sign diagnostic method Active JP5480440B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2013250339A JP5480440B1 (en) 2013-12-03 2013-12-03 Abnormal sign diagnostic apparatus and abnormal sign diagnostic method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2013250339A JP5480440B1 (en) 2013-12-03 2013-12-03 Abnormal sign diagnostic apparatus and abnormal sign diagnostic method

Publications (2)

Publication Number Publication Date
JP5480440B1 true JP5480440B1 (en) 2014-04-23
JP2015108886A JP2015108886A (en) 2015-06-11

Family

ID=50749968

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2013250339A Active JP5480440B1 (en) 2013-12-03 2013-12-03 Abnormal sign diagnostic apparatus and abnormal sign diagnostic method

Country Status (1)

Country Link
JP (1) JP5480440B1 (en)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015129512A1 (en) * 2014-02-27 2015-09-03 株式会社日立製作所 Device for diagnosing moving body
WO2019043994A1 (en) * 2017-08-30 2019-03-07 株式会社日立製作所 Failure diagnosis system
US11226607B2 (en) 2017-10-27 2022-01-18 Kabushiki Kaisha Yaskawa Denki Abnormality determination system, data transmitter-receptor, motor controller, and method for determining abnormality
JP2022510858A (en) * 2018-11-29 2022-01-28 ウララ ラボ インコーポレイテッド Algorithms and methods for detecting machine error data based on machine learning methods

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5845374B1 (en) * 2015-08-05 2016-01-20 株式会社日立パワーソリューションズ Abnormal sign diagnosis system and abnormality sign diagnosis method
WO2018142604A1 (en) * 2017-02-06 2018-08-09 株式会社Ｆｕｊｉ Work management device
JP6857547B2 (en) * 2017-05-25 2021-04-14 日本電信電話株式会社 Movement situational awareness model learning device, movement situational awareness device, method, and program
JP6661839B1 (en) 2018-07-23 2020-03-11 三菱電機株式会社 Time series data diagnosis device, additional learning method, and program
CN111708303B (en) * 2020-06-24 2021-08-10 电子科技大学 Time sequence power supply device for providing multi-path variable voltage
KR102623390B1 (en) * 2023-06-30 2024-01-11 주식회사 에이아이비즈 Method, apparatus and program for maintaining accuracy of equipment anomaly detection model
KR102623389B1 (en) * 2023-06-30 2024-01-11 주식회사 에이아이비즈 Method, apparatus and program for checking consistency among a plurality of manufacturing process equipment based on sensor data

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010283274A (en) * 2009-06-08 2010-12-16 Sharp Corp Failure cause analyzer, failure cause analysis method, failure cause analysis program, and program recording medium
JP2012022362A (en) * 2010-07-12 2012-02-02 Sharp Corp Characteristic prediction apparatus, characteristic prediction method, characteristic prediction program, and recording medium with characteristic prediction program recorded thereon

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010283274A (en) * 2009-06-08 2010-12-16 Sharp Corp Failure cause analyzer, failure cause analysis method, failure cause analysis program, and program recording medium
JP2012022362A (en) * 2010-07-12 2012-02-02 Sharp Corp Characteristic prediction apparatus, characteristic prediction method, characteristic prediction program, and recording medium with characteristic prediction program recorded thereon

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015129512A1 (en) * 2014-02-27 2015-09-03 株式会社日立製作所 Device for diagnosing moving body
JP2015162032A (en) * 2014-02-27 2015-09-07 株式会社日立製作所 Diagnostic device for traveling object
WO2019043994A1 (en) * 2017-08-30 2019-03-07 株式会社日立製作所 Failure diagnosis system
JP2019045942A (en) * 2017-08-30 2019-03-22 株式会社日立製作所 Failure diagnosis system
US11269322B2 (en) 2017-08-30 2022-03-08 Hitachi, Ltd. Failure diagnosis system
US11226607B2 (en) 2017-10-27 2022-01-18 Kabushiki Kaisha Yaskawa Denki Abnormality determination system, data transmitter-receptor, motor controller, and method for determining abnormality
JP2022510858A (en) * 2018-11-29 2022-01-28 ウララ ラボ インコーポレイテッド Algorithms and methods for detecting machine error data based on machine learning methods
JP7169706B2 (en) 2018-11-29 2022-11-11 ウララ ラボ インコーポレイテッド Algorithms and methods for detecting machine error data based on machine learning techniques

Also Published As

Publication number Publication date
JP2015108886A (en) 2015-06-11

Similar Documents

Publication Publication Date Title
JP5480440B1 (en) Abnormal sign diagnostic apparatus and abnormal sign diagnostic method
JP5946573B1 (en) Abnormal sign diagnosis system and abnormality sign diagnosis method
JP5684941B1 (en) Abnormal sign diagnostic apparatus and abnormal sign diagnostic method
US11119451B2 (en) Apparatus, method, program, and recording medium
US20180239345A1 (en) Abnormality predictor diagnosis system and abnormality predictor diagnosis method
JP5369246B1 (en) Abnormal sign diagnostic apparatus and abnormal sign diagnostic method
JP4832609B1 (en) Abnormal sign diagnosis device and abnormality sign diagnosis method
EP2905665B1 (en) Information processing apparatus, diagnosis method, and program
JP5081998B1 (en) Abnormal sign diagnostic apparatus and abnormal sign diagnostic method
KR101955305B1 (en) Gas turbine sensor failure detection utilizing a sparse coding methodology
JP5946572B1 (en) Abnormal sign diagnosis system and abnormality sign diagnosis method
EP3355145A1 (en) Systems and methods for reliability monitoring
JP5081999B1 (en) How to display abnormal sign diagnosis results
US10768188B2 (en) Diagnostic device and method for monitoring operation of a technical system
JP5715288B1 (en) Dynamic monitoring apparatus and dynamic monitoring method
JP2007249997A (en) Method and system for monitoring industrial process
CN113205187A (en) Learning device, learning method, computer-readable medium, determination device, determination method, and computer-readable medium
JP6517991B1 (en) Abnormality sign diagnosis system, management device, and abnormality sign diagnosis method
CN112947356A (en) Control method, control device, mechanical equipment and recording medium
EP4078315A1 (en) Device and method for monitoring a system
EP4174601A1 (en) System, apparatus and method for monitoring condition of an asset in technical installation
JP2020177571A (en) Abnormality sign diagnosis device, abnormality sign diagnosis method and abnormality sign diagnosis program
JP2017045147A (en) Information provision device, information provision method, and program
JP2017076164A (en) Apparatus monitoring device and alert information management method
CN105630642B (en) Abnormality diagnostic method and device based on PCA overdose space

Legal Events

Date Code Title Description
TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20140114

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20140213

R150 Certificate of patent or registration of utility model

Ref document number: 5480440

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150