JP5480440B1 - Abnormal sign diagnostic apparatus and abnormal sign diagnostic method - Google Patents
Abnormal sign diagnostic apparatus and abnormal sign diagnostic method Download PDFInfo
- 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
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.
≪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
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
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
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
For example, when the
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
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
<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
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
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
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
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
The maintenance
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
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
The
The
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
<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
The data mining learning unit 161 includes a learning target
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
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
For example, the learning target
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
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
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
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
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
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
For easy understanding, FIG. 6 shows the state of the
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
As a clustering method, for example, a non-hierarchical clustering k-means method can be used. First, the normal
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
Although FIG. 6 shows the case where there is one cluster, a plurality of clusters exist in one
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
For example, the normal
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
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
<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
The data mining diagnosis unit 162 includes a diagnosis target
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
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
That is, the diagnosis target
In addition, the diagnosis target
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
The abnormality
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
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
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
<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
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
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
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
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
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
In step S109, the data mining learning unit 161 stores the normal model learned in step S108 in the normal
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
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
In step S205, the data mining diagnosis unit 162 uses the diagnosis target
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
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
In step S208, the data mining diagnosis unit 162 calculates the degree of abnormality u by the degree of
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
In step S210, the data mining diagnosis unit 162 causes the
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
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
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
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
≪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
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
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
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
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
<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
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
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
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
<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
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
≪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
Moreover, although each embodiment demonstrated the case where the
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
161a Learning object
162a Diagnosis object
Claims (6)
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.
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.
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)
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)
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)
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 |
-
2013
- 2013-12-03 JP JP2013250339A patent/JP5480440B1/en active Active
Patent Citations (2)
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)
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 |