JP5480440B1 - 異常予兆診断装置及び異常予兆診断方法 - Google Patents

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。

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。

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。

特開２０１３−００８０９２号公報

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。

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。

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。

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。

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。

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。 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。 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。 学習期間と、診断日と、の関係を示す説明図である。 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。 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。 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。 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。 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。 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。

≪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。

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。

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。

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。

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。

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。

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）。

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。

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。

＜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。

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。

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。

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。

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。

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。

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。

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。

＜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。

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。

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。

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。

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。

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。

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）。

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。

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。

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。

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。

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。

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。

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）。

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。

＜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。

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。

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。

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。

ｕ＝ｄ／ｒ・・・（数式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。

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。

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。

＜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。

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。

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。

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。

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）。

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。

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。

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。

＜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。

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。

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。

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。

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。

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。

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。

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。

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。

＜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。

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。

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。

≪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。

＜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。

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。

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。

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。

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。

＜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。

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。

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。

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）。

＜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。

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。

≪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。

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。

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。

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。

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。

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。

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。

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。

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

Claims (6)

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。
2. 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。
3. 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。
4. 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。
5. 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。
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。

Images