JP6472327B2 - 異常予兆診断装置及び異常予兆診断方法 - Google Patents
異常予兆診断装置及び異常予兆診断方法 Download PDFInfo
- Publication number
- JP6472327B2 JP6472327B2 JP2015106448A JP2015106448A JP6472327B2 JP 6472327 B2 JP6472327 B2 JP 6472327B2 JP 2015106448 A JP2015106448 A JP 2015106448A JP 2015106448 A JP2015106448 A JP 2015106448A JP 6472327 B2 JP6472327 B2 JP 6472327B2
- Authority
- JP
- Japan
- Prior art keywords
- sensor
- value
- series data
- diagnosis
- correction
- 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
Landscapes
- Combined Controls Of Internal Combustion Engines (AREA)
- Testing And Monitoring For Control Systems (AREA)
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。
ディーゼルエンジン、ガスエンジン、化学プラント等の機械設備に設置されたセンサの検出値に基づき、機械設備の異常予兆の有無を診断する技術が知られている。
例えば、特許文献１には、機械設備に設置されたセンサの検出値を学習対象データとして取得する学習対象データ取得処理と、学習対象データの正常範囲を示すクラスタを学習する学習処理と、このクラスタ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。
ところで、機械設備の種類（例えば、ディーゼルエンジン）によっては、機械設備が正常であるにもかかわらず、その状態（つまり、センサの検出値）が大きく変動したり、また、その状態が頻繁に変動したりすることがある。その結果、前記した学習対象データとして、機械設備に設置されているセンサの検出値が非常に大きいデータと、その検出値が非常に小さいデータと、が含まれることで、クラスタの半径が非常に大きくなり、診断精度の低下を招く可能性がある。
そこで、本発明は、機械設備の異常予兆の有無を適切に診断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、本発明に係る異常予兆診断装置は、機械設備に設置される第１センサの検出値と、前記機械設備に設置される複数種類の第２センサの検出値と、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、前記機械設備が正常であることが既知である過去の時系列データに基づき、前記第１センサの検出値と、当該第１センサの検出値と相関関係がある前記第２センサの検出値と、によって特定される点の分布の近似曲線を表す関数が、複数種類の前記第２センサに対応付けて格納される記憶手段と、前記記憶手段に格納される前記関数に基づいて、時系列データを補正する補正手段と、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、前記補正手段は、前記第２センサの検出値から所定の基準値を減算することで第２差分を算出し、前記第１センサに関して前記第２差分に対応する第１差分を前記関数に基づいて算出する処理を、複数種類の前記第２センサそれぞれについて実行し、前記第１差分の和である第１差分積算値を前記第１センサの検出値から減算することで、前記第１センサに関する補正値を算出し、前記診断手段は、前記補正値が所定範囲から外れた場合、前記機械設備に異常予兆ありと診断し、前記補正手段は、前記診断手段による診断の前処理として、複数種類の前記第２センサの検出値及び前記関数に基づいて、前記第１センサに関する前記補正値を算出する処理を実行することを特徴とする。
本発明によれば、機械設備の異常予兆の有無を適切に診断する異常予兆診断装置等を提供できる。
≪第１実施形態≫
図１は、第１実施形態に係る異常予兆診断装置１の構成図である。
異常予兆診断装置１は、内燃力発電機２（機械設備）に設置された複数のセンサ３１〜３３（図２参照）の検出値を含む時系列データに基づき、内燃力発電機２に異常予兆が発生しているか否かを診断する装置である。前記した「異常予兆」とは、内燃力発電機２の異常が発生する前触れであり、「異常予兆診断」とは、異常予兆の有無を診断することである。
以下では、異常予兆診断装置１に関する説明に先立って、異常予兆の診断対象である内燃力発電機２と、この内燃力発電機２に設置されている各センサ３１〜３３（図２参照）について簡単に説明する。
図１は、第１実施形態に係る異常予兆診断装置１の構成図である。
異常予兆診断装置１は、内燃力発電機２（機械設備）に設置された複数のセンサ３１〜３３（図２参照）の検出値を含む時系列データに基づき、内燃力発電機２に異常予兆が発生しているか否かを診断する装置である。前記した「異常予兆」とは、内燃力発電機２の異常が発生する前触れであり、「異常予兆診断」とは、異常予兆の有無を診断することである。
以下では、異常予兆診断装置１に関する説明に先立って、異常予兆の診断対象である内燃力発電機２と、この内燃力発電機２に設置されている各センサ３１〜３３（図２参照）について簡単に説明する。
＜内燃力発電機の構成＞
図２は、内燃力発電機２の説明図である。内燃力発電機２は、内燃機関２１によって化学エネルギを運動エネルギに変換し、前記した運動エネルギを発電機２７によって電気エネルギに変換する装置である。以下では、一例として、内燃機関２１がディーゼルエンジンである場合について説明する。
図２は、内燃力発電機２の説明図である。内燃力発電機２は、内燃機関２１によって化学エネルギを運動エネルギに変換し、前記した運動エネルギを発電機２７によって電気エネルギに変換する装置である。以下では、一例として、内燃機関２１がディーゼルエンジンである場合について説明する。
内燃力発電機２は、内燃機関２１と、空気供給流路２２と、空気供給ポンプ２３と、燃料ガス供給流路２４と、燃料ガス供給ポンプ２５と、ガス排出流路２６と、発電機２７と、を備えている。
内燃機関２１は、図示はしないが、シリンダ内に供給した空気及び燃料ガスを圧縮し、燃料ガスの自然発火に伴う膨張によってシリンダ内でピストンを往復させ、このピストンの往復によってクランクシャフトを回転するように構成されたディーゼルエンジンである。
内燃機関２１は、図示はしないが、シリンダ内に供給した空気及び燃料ガスを圧縮し、燃料ガスの自然発火に伴う膨張によってシリンダ内でピストンを往復させ、このピストンの往復によってクランクシャフトを回転するように構成されたディーゼルエンジンである。
空気供給流路２２は、内燃機関２１の燃焼室（図示せず）に空気を導く流路である。空気供給ポンプ２３は、燃焼室に向けて空気を圧送するものであり、空気供給流路２２に設置されている。
燃料ガス供給流路２４は、内燃機関２１の燃焼室に燃料ガスを導く流路である。燃料ガス供給ポンプ２５は、燃焼室に向けて燃料ガスを圧送するものであり、燃料ガス供給流路２４に設置されている。
燃料ガス供給流路２４は、内燃機関２１の燃焼室に燃料ガスを導く流路である。燃料ガス供給ポンプ２５は、燃焼室に向けて燃料ガスを圧送するものであり、燃料ガス供給流路２４に設置されている。
ガス排出流路２６は、内燃機関２１で燃焼したガスを排出するための流路である。
発電機２７は、内燃機関２１の駆動によって発電を行うものであり、その回転子（図示せず）は内燃機関２１のクランクシャフト（図示せず）に連結されている。
発電機２７は、内燃機関２１の駆動によって発電を行うものであり、その回転子（図示せず）は内燃機関２１のクランクシャフト（図示せず）に連結されている。
＜センサ＞
吸気温度センサ３１（第２センサ）は、内燃機関２１に供給される空気の温度（吸気温度）を検出するセンサであり、空気供給流路２２に設置されている。
排気温度センサ３２（第１センサ）は、内燃機関２１から排出されるガスの温度（排気温度）を検出するセンサであり、ガス排出流路２６に設置されている。
発電電力センサ３３（第２センサ）は、発電機２７の発電電力を検出するセンサである。
吸気温度センサ３１（第２センサ）は、内燃機関２１に供給される空気の温度（吸気温度）を検出するセンサであり、空気供給流路２２に設置されている。
排気温度センサ３２（第１センサ）は、内燃機関２１から排出されるガスの温度（排気温度）を検出するセンサであり、ガス排出流路２６に設置されている。
発電電力センサ３３（第２センサ）は、発電機２７の発電電力を検出するセンサである。
ここで「第１センサ」とは、その検出値が、内燃力発電機２の異常予兆の診断に直接的に用いられるセンサである。本実施形態では、排気温度センサ３２が「第１センサ」に相当する。例えば、内燃機関２１に供給される冷却水が不足したり、潤滑油が不足したりすると、内燃機関２１の温度が異常に高くなり、燃焼室（図示せず）から排出されるガスの温度も高くなる。つまり、排気温度センサ３２の検出値には、内燃力発電機２の状態（異常予兆の有無）が敏感に反映されるため、本実施形態では排気温度に基づいて異常予兆診断を行うようにしている。
また、「第２センサ」とは、内燃力発電機２が正常である場合において、その検出値と、前記した「第１センサ」の検出値と、の間に相関関係があるセンサである。本実施形態では、吸気温度センサ３１と、発電電力センサ３３と、が「第２センサ」に相当する。
例えば、内燃力発電機２が正常であるにもかかわらず、発電電力の指令値の変動や、外気温度（吸気温度）の変動に伴い、異常予兆の診断に用いる排気温度センサ３２の検出値も大きく変動することが多い。
従来は、排気温度センサ３２の検出値を所定閾値と比較することで、異常予兆診断が行われていたが、前記したように、内燃力発電機２の正常時においても排気温度センサ３２の検出値が大きく変動するため、誤診断を招く可能性があった。
従来は、排気温度センサ３２の検出値を所定閾値と比較することで、異常予兆診断が行われていたが、前記したように、内燃力発電機２の正常時においても排気温度センサ３２の検出値が大きく変動するため、誤診断を招く可能性があった。
これに対して本実施形態では、排気温度センサ３２の検出値と吸気温度センサ３１の検出値との相関関係を表す関数や、排気温度センサ３２の検出値と発電電力センサ３３の検出値との相関関係を表す関数を利用して、排気温度センサ３２の検出値を補正しするようにしている。これらの関数については、後記する。
図２に示す各センサ３１〜３３の検出値は、通信手段３４及びネットワークＮを介して、所定周期で異常予兆診断装置１に送信される。
図２に示す各センサ３１〜３３の検出値は、通信手段３４及びネットワークＮを介して、所定周期で異常予兆診断装置１に送信される。
なお、図１では、複数の内燃力発電機２のそれぞれに関して、センサ３１〜３３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に送信される構成を図示したが、内燃力発電機２の個数は一つであってもよい。また、複数の内燃力発電機２の構成が全て同一である必要はない。
＜異常予兆診断装置の構成＞
図１に示すように、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、関数導出手段１４と、関数記憶手段１５と、補正手段１６と、補正後時系列データ記憶手段１７と、診断手段１８と、診断結果記憶手段１９と、表示制御手段２０と、を備えている。
図１に示すように、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、関数導出手段１４と、関数記憶手段１５と、補正手段１６と、補正後時系列データ記憶手段１７と、診断手段１８と、診断結果記憶手段１９と、表示制御手段２０と、を備えている。
通信手段１１は、ネットワークＮを介して内燃力発電機２から送信されるデータを、所定の通信プロトコルに基づいて受信するものである。
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が受信したデータのうち、内燃力発電機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、内燃力発電機２の識別情報と、センサ３１〜３３（図２参照）の検出値と、それぞれのセンサ３１〜３３の識別情報と、センサ３１〜３３によって物理量が検出された日付・時刻と、が含まれる。
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が受信したデータのうち、内燃力発電機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、内燃力発電機２の識別情報と、センサ３１〜３３（図２参照）の検出値と、それぞれのセンサ３１〜３３の識別情報と、センサ３１〜３３によって物理量が検出された日付・時刻と、が含まれる。
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、例えば、データベースとして格納されている。
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（後記する関数記憶手段１５、補正後時系列データ記憶手段１７、及び診断結果記憶手段１９についても同様）。
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（後記する関数記憶手段１５、補正後時系列データ記憶手段１７、及び診断結果記憶手段１９についても同様）。
関数導出手段１４は、内燃力発電機２が正常であることが既知である過去の時系列データに基づき、吸気温度センサ３１（図２参照）の検出値と、排気温度センサ３２（図２参照）の検出値と、によって特定される点の分布の近似曲線を表す関数を導く機能を有している。
また、関数導出手段１４は、内燃力発電機２が正常であることが既知である過去の時系列データに基づき、排気温度センサ３２（図２参照）の検出値と、発電電力センサ３３（図２参照）の検出値と、によって特定される点の分布の近似曲線を表す関数を導く機能も有している。
なお、前記した「近似曲線」には、「近似直線」も含まれる。
また、関数導出手段１４は、内燃力発電機２が正常であることが既知である過去の時系列データに基づき、排気温度センサ３２（図２参照）の検出値と、発電電力センサ３３（図２参照）の検出値と、によって特定される点の分布の近似曲線を表す関数を導く機能も有している。
なお、前記した「近似曲線」には、「近似直線」も含まれる。
図３（ａ）は、内燃力発電機２の吸気温度と、排気温度と、によって特定される点をプロットした散布図である。この散布図の横軸は、吸気温度センサ３１（図２参照）によって検出された吸気温度であり、縦軸は、排気温度センサ３２（図２参照）によって検出された排気温度である。
なお、図３（ａ）に示す各点は、内燃力発電機２が正常であることが既知であり、かつ、所定の発電電力が得られるように内燃力発電機２を稼動させているときに得られた各検出値に関して、ひと月ごと（１２ヶ月分）の平均値を算出したものである。
なお、図３（ａ）に示す各点は、内燃力発電機２が正常であることが既知であり、かつ、所定の発電電力が得られるように内燃力発電機２を稼動させているときに得られた各検出値に関して、ひと月ごと（１２ヶ月分）の平均値を算出したものである。
図３（ａ）に示すように、内燃力発電機２が正常である場合には、吸気温度と排気温度との間に強い相関関係があり、また、吸気温度が高くなるほど排気温度も高くなっている。このような相関の有無は、事前の実験やシミュレーションの結果に基づいて予め特定されている。
図２に示す関数導出手段１４は、コンピュータ４の操作によって吸気温度センサ３１及び排気温度センサ３２が指定された場合、その検出値で特定される各点の分布の近似曲線を表す関数を導出する。このような近似曲線の導出方法として、例えば、最小二乗法を用いることができる。図３（ａ）に示す例では、直線ＧＡ（近似曲線）を表す関数：ｙ＝ａｘ＋ｂが、関数導出手段１４によって導出されている。
図３（ｂ）は、内燃力発電機２の発電出力と、排気温度と、によって特定される点をプロットした散布図である。この散布図の横軸は、発電電力センサ３３（図２参照）によって検出された発電電力であり、縦軸は、排気温度センサ３２（図２参照）によって検出された排気温度である。
なお、図３（ｂ）に示す各点は、内燃力発電機２が正常であることが既知であり、かつ、吸気温度（外気温度）が略一定である期間に取得されたものである。
なお、図３（ｂ）に示す各点は、内燃力発電機２が正常であることが既知であり、かつ、吸気温度（外気温度）が略一定である期間に取得されたものである。
図３（ｂ）に示すように、内燃力発電機２が正常である場合には、発電出力と排気温度との間にも強い相関関係があり、発電電力が大きいほど排気温度が高くなっている。このような相関の有無は、事前の実験やシミュレーションの結果に基づいて予め特定されている。
図２に示す関数導出手段１４は、前記したように、コンピュータ４の操作によって排気温度センサ３２及び発電電力センサ３３が指定された場合、その検出値で特定される各点の分布の近似曲線を表す関数を導出する。図３（ｂ）に示す例では、直線ＧＢ（近似曲線）を表す関数：ｙ＝ｃｘ＋ｄが、関数導出手段１４によって導出されている。
ちなみに、直線ＧＡ，ＧＢを表す関数を導くことができればよいため、図３（ａ）に示す各点と、図３（ｂ）に示す各点と、を一対一で対応させる必要はない。
ちなみに、直線ＧＡ，ＧＢを表す関数を導くことができればよいため、図３（ａ）に示す各点と、図３（ｂ）に示す各点と、を一対一で対応させる必要はない。
図１に示す関数記憶手段１５（記憶手段）には、直線ＧＡを表す関数が、吸気温度センサ３１に対応付けて格納されている。また、関数記憶手段１５には、直線ＧＢを表す関数が、発電電力センサ３３に対応付けて格納されている。
補正手段１６は、関数記憶手段１５に格納されている２つの関数（ｙ＝ａｘ＋ｂ、ｙ＝ｃｘ＋ｄ）に基づいて、排気温度の検出値（時系列データ）を補正する機能を有している。なお、補正手段１６が実行する処理については後記する。
補正後時系列データ記憶手段１７には、異常予兆の診断に用いられる排気温度の補正値が格納される。
補正手段１６は、関数記憶手段１５に格納されている２つの関数（ｙ＝ａｘ＋ｂ、ｙ＝ｃｘ＋ｄ）に基づいて、排気温度の検出値（時系列データ）を補正する機能を有している。なお、補正手段１６が実行する処理については後記する。
補正後時系列データ記憶手段１７には、異常予兆の診断に用いられる排気温度の補正値が格納される。
診断手段１８は、補正後時系列データ記憶手段１７に格納されている排気温度の補正値（補正後の時系列データ）に基づいて、内燃力発電機２の異常予兆の有無を診断する機能を有している。なお、診断手段１８が実行する処理については後記する。
診断結果記憶手段１９には、診断手段１８の診断結果に関する情報が格納される。前記した診断結果には、内燃力発電機２の識別情報と、異常予兆の有無と、が含まれる。
診断結果記憶手段１９には、診断手段１８の診断結果に関する情報が格納される。前記した診断結果には、内燃力発電機２の識別情報と、異常予兆の有無と、が含まれる。
表示制御手段２０は、診断手段１８による診断結果を表示するための制御信号を表示装置５に出力する。例えば、表示制御手段２０は、内燃力発電機２の識別情報を行とし、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）を表示装置５に表示させる。
図４は、近似曲線を表す関数の導出に関するフローチャートである。
ステップＳ１０１において異常予兆診断装置１は、時系列データ取得手段１２によって、内燃力発電機２が正常であるときの時系列データを取得する（時系列データ取得ステップ）。内燃力発電機２が正常に稼動していることは、前記したように、既知であるものとする。
ステップＳ１０２において異常予兆診断装置１は、ステップＳ１０１で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。
ステップＳ１０１において異常予兆診断装置１は、時系列データ取得手段１２によって、内燃力発電機２が正常であるときの時系列データを取得する（時系列データ取得ステップ）。内燃力発電機２が正常に稼動していることは、前記したように、既知であるものとする。
ステップＳ１０２において異常予兆診断装置１は、ステップＳ１０１で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。
ステップＳ１０３において異常予兆診断装置１は、関数導出手段１４によって、近似曲線を表す関数を導出する。つまり、異常予兆診断装置１は、ユーザによるコンピュータ４の操作に応じて、吸気温度と排気温度とで特定される各点の分布を近似した直線ＧＡ（図３（ａ）参照）を表す関数を導出する。また、異常予兆診断装置１は、ユーザによるコンピュータ４の操作に応じて、発電出力と排気温度とで特定される各点の分布を近似した直線ＧＢ（図３（ｂ）参照）を表す関数を導出する。
ステップＳ１０４において異常予兆診断装置１は、ステップＳ１０３で導出した関数を関数記憶手段１５に格納する（記憶ステップ）。
ステップＳ１０４において異常予兆診断装置１は、ステップＳ１０３で導出した関数を関数記憶手段１５に格納する（記憶ステップ）。
図５は、時系列データの補正に関するフローチャートである。
ステップＳ２０１において異常予兆診断装置１は、時系列データ取得手段１２によって、診断対象の時系列データを取得する。診断対象の時系列データには、吸気温度センサ３１（図２参照）によって検出された吸気温度と、排気温度センサ３２（図２参照）によって検出された排気温度と、発電電力センサ３３（図２参照）によって検出された発電電力と、が含まれている。これらの各検出値に基づいて、以下で説明するように、排気温度センサ３２の検出値が補正される。
ステップＳ２０１において異常予兆診断装置１は、時系列データ取得手段１２によって、診断対象の時系列データを取得する。診断対象の時系列データには、吸気温度センサ３１（図２参照）によって検出された吸気温度と、排気温度センサ３２（図２参照）によって検出された排気温度と、発電電力センサ３３（図２参照）によって検出された発電電力と、が含まれている。これらの各検出値に基づいて、以下で説明するように、排気温度センサ３２の検出値が補正される。
図６（ａ）は、排気温度の補正に関する説明図である。
図６（ａ）に示す説明図の横軸は時刻であり、縦軸は内燃力発電機２の排気温度である。なお、時刻ｔ１，ｔ２，ｔ３に検出された排気温度に関しては、以下で説明する一連の補正処理（Ｓ２０１〜２０９）が既に施されているものとする。ここでは、時刻ｔ４における排気温度の検出値ＴＳを、この時刻ｔ４における吸気温度の検出値ＴＱ（図６（ｂ）参照）と、発電電力の検出値ＷＱ（図６（ｃ）参照）と、に基づいて補正する場合について説明する。
図６（ａ）に示す説明図の横軸は時刻であり、縦軸は内燃力発電機２の排気温度である。なお、時刻ｔ１，ｔ２，ｔ３に検出された排気温度に関しては、以下で説明する一連の補正処理（Ｓ２０１〜２０９）が既に施されているものとする。ここでは、時刻ｔ４における排気温度の検出値ＴＳを、この時刻ｔ４における吸気温度の検出値ＴＱ（図６（ｂ）参照）と、発電電力の検出値ＷＱ（図６（ｃ）参照）と、に基づいて補正する場合について説明する。
図５のステップＳ２０２において異常予兆診断装置１は、複数の「第２センサ」の中から一つを選択する。前記したように、「第２センサ」には、吸気温度センサ３１（図２参照）と、発電電力センサ３３（図２参照）と、が含まれる。異常予兆診断装置１は「第２センサ」として、例えば、吸気温度センサ３１を選択する。
ステップＳ２０３において異常予兆診断装置１は、ステップＳ２０１で取得した時系列データについて、吸気温度センサ３１の検出値から所定の基準値を減算することで「第２差分」を算出する。
図６（ｂ）は、吸気温度に関する第２差分ΔＴ２と、排気温度に関する第１差分ΔＴ１Ａと、の関係を示す説明図である。図６（ｂ）に示す直線ＧＡを表す関数は、吸気温度と排気温度との相関関係に基づくものであり、ステップＳ１０３（図４参照）において導出され、予め関数記憶手段１５に格納されている。
ステップＳ２０３において異常予兆診断装置１は、吸気温度の検出値ＴＱから所定の基準値ＴＰ（例えば、２０℃）を減算することで、第２差分ΔＴ２（＝ＴＱ−ＴＰ）を算出する。前記した基準値ＴＰは、例えば、年間を通した吸気温度（外気温度）の平均値であり、予め設定されている。図６（ａ）に示す例では、検出値ＴＱが基準値ＴＰよりも高いため、第２差分ΔＴ２は正の値になっている。
ステップＳ２０４において異常予兆診断装置１は、第２差分ΔＴ２に対応する第１差分ΔＴ１Ａを算出する。すなわち、異常予兆診断装置１は、直線ＧＡを表す関数を関数記憶手段１５から読み出し、直線ＧＡの傾きａを第２差分ΔＴ２に乗算することで、第１差分ΔＴ１Ａ（＝ａ×ΔＴ２）を算出する。
ステップＳ２０５において異常予兆診断装置１は、ステップＳ２０４で算出した第１差分ΔＴ１Ａを記憶する。
ステップＳ２０５において異常予兆診断装置１は、ステップＳ２０４で算出した第１差分ΔＴ１Ａを記憶する。
ステップＳ２０６において異常予兆診断装置１は、他に「第２センサ」が存在するか否かを判定する。他に「第２センサ」が存在する場合（Ｓ２０６：Ｙｅｓ）、異常予兆診断装置１の処理はステップＳ２０２に進む。本実施形態では、吸気温度センサ３１の他に「第２センサ」として発電電力センサ３３が存在する（Ｓ２０６：Ｙｅｓ）。
二回目のステップＳ２０２において異常予兆診断装置１は、複数の「第２センサ」の中から発電電力センサ３３を選択し、さらにステップＳ２０３〜Ｓ２０５の処理を実行する。
二回目のステップＳ２０２において異常予兆診断装置１は、複数の「第２センサ」の中から発電電力センサ３３を選択し、さらにステップＳ２０３〜Ｓ２０５の処理を実行する。
図６（ｃ）は、発電電力に関する第２差分ΔＷ２と、排気温度に関する第１差分ΔＴ１Ｂと、の関係を示す説明図である。図６（ｃ）に示す直線ＧＢを表す関数は、発電電力と排気温度との相関関係に基づくものであり、ステップＳ１０３（図４参照）において導出され、予め関数記憶手段１５に格納されている。
二回目のステップＳ２０３において異常予兆診断装置１は、発電電力の検出値ＷＱから所定の基準値ＷＰ（例えば、５００ｋＷ）を減算することで、第２差分ΔＷ２（＝ＷＱ−ＷＰ）を算出する。前記した基準値ＷＰは、例えば、内燃力発電機２がロード運転を行っているときの発電電力の平均値であり、予め設定されている。図６（ｃ）に示す例では、検出値ＷＱが基準値ＷＰよりも大きいため、第２差分ΔＷ２は正の値になっている。
二回目のステップＳ２０４において異常予兆診断装置１は、第２差分ΔＷ２に対応する第１差分ΔＴ１Ｂを算出する。すなわち、異常予兆診断装置１は、関数記憶手段１５から直線ＧＢを表す関数を読み出し、直線ＧＢの傾きｃを第２差分ΔＷ２に乗算することで、第１差分ΔＴ１Ｂ（＝ｃ×ΔＷ２）を算出する。
二回目のステップＳ２０５において異常予兆診断装置１は、ステップＳ２０４で算出した第１差分ΔＴ１Ｂを記憶する。
二回目のステップＳ２０５において異常予兆診断装置１は、ステップＳ２０４で算出した第１差分ΔＴ１Ｂを記憶する。
以上の処理で、複数の第２センサ（吸気温度センサ３１、発電電力センサ３３）のそれぞれに関して第１差分ΔＴ１Ａ，ΔＴ１Ｂが算出されたため（Ｓ２０６：Ｙｅｓ）、異常予兆診断装置１の処理はステップＳ２０７に進む。
ステップＳ２０７において異常予兆診断装置１は、ステップＳ２０６で記憶した第１差分ΔＴ１Ａ，ΔＴ１Ｂの和である第１差分積算値（ΔＴ１Ａ＋ΔＴ１Ｂ）を算出する。
ステップＳ２０８において異常予兆診断装置１は、排気温度の検出値ＴＳから第１差分積算値（ΔＴ１Ａ＋ΔＴ１Ｂ）を減算することで、排気温度の補正値ＴＲＳ（＝ＴＳ−ΔＴ１Ａ−ΔＴ１Ｂ）を算出する。
ステップＳ２０８において異常予兆診断装置１は、排気温度の検出値ＴＳから第１差分積算値（ΔＴ１Ａ＋ΔＴ１Ｂ）を減算することで、排気温度の補正値ＴＲＳ（＝ＴＳ−ΔＴ１Ａ−ΔＴ１Ｂ）を算出する。
つまり、異常予兆診断装置１は、吸気温度が所定の基準値ＴＰであり、かつ、発電電力が所定の基準値ＷＰとなるように内燃力発電機２を稼動したと仮定した場合の排気温度（補正値ＴＲＳ）を、直線ＧＡ，ＧＢの関数に基づいて推定する。
前記したように、吸気温度と排気温度との間には強い相関があり、また、発電電力と排気温度との間にも強い相関がある（図３参照）。これらの相関を利用して、時々刻々と変動する吸気温度及び発電電力が一定である仮定して、排気温度を補正するようにしている。これによって、内燃力発電機２が正常である場合には、排気温度の補正値ＴＲＳのばらつきが非常に小さくなる（図６（ａ）参照）。
前記したように、吸気温度と排気温度との間には強い相関があり、また、発電電力と排気温度との間にも強い相関がある（図３参照）。これらの相関を利用して、時々刻々と変動する吸気温度及び発電電力が一定である仮定して、排気温度を補正するようにしている。これによって、内燃力発電機２が正常である場合には、排気温度の補正値ＴＲＳのばらつきが非常に小さくなる（図６（ａ）参照）。
ちなみに、外気温度が比較的低い冬季（ＴＱ＜ＴＰ）に検出された排気温度や、通常よりも小さな発電電力（ＷＱ＜ＷＰ）を供給しているときに検出された排気温度に関しては、その値を大きくするように排気温度の検出値が補正される。
ステップＳ２０９において異常予兆診断装置１は、ステップＳ２０８で算出した排気温度の補正値ＴＲＳを補正後時系列データ記憶手段１７に格納し、排気温度の補正に関する処理を終了する（ＥＮＤ）。
なお、前記したステップＳ２０２〜Ｓ２０９の処理（補正ステップ）は、ステップＳ２０１で取得した診断対象の時系列データのそれぞれについて、補正手段１６（図１参照）により実行される。
なお、前記したステップＳ２０２〜Ｓ２０９の処理（補正ステップ）は、ステップＳ２０１で取得した診断対象の時系列データのそれぞれについて、補正手段１６（図１参照）により実行される。
図７は、異常予兆の有無の診断に関するフローチャートである。なお、以下で説明するステップＳ３０１〜Ｓ３０６の処理（診断ステップ）は、異常予兆診断装置１が備える診断手段１８（図２参照）によって実行される。また、図７に示す「ＳＴＡＲＴ」時には、直線ＧＡ，ＧＢを表す関数に基づいて排気温度の補正値ＴＲＳ（図６（ａ）参照）が算出され、この補正値ＴＲＳが補正後時系列データ記憶手段１７に格納されているものとする。
ステップＳ３０１において異常予兆診断装置１は、補正後時系列データ記憶手段１７から排気温度の補正値ＴＲＳ（つまり、診断対象の時系列データ）を読み出す。
ステップＳ３０２において異常予兆診断装置１は、ステップＳ３０１で取得した排気温度の補正値ＴＲＳが、所定範囲から外れているか否かを判定する。前記した「所定範囲」は、内燃力発電機２に異常予兆が発生しているか否かの判定基準となる範囲であり、事前の実験等に基づいて予め設定されている。例えば、異常予兆診断装置１は、排気温度の補正値ＴＲＳが、図６（ａ）に示す閾値ＴＬ以上、かつ、閾値ＴＨ以下である所定範囲から外れているか否かを判定する。
ステップＳ３０２において異常予兆診断装置１は、ステップＳ３０１で取得した排気温度の補正値ＴＲＳが、所定範囲から外れているか否かを判定する。前記した「所定範囲」は、内燃力発電機２に異常予兆が発生しているか否かの判定基準となる範囲であり、事前の実験等に基づいて予め設定されている。例えば、異常予兆診断装置１は、排気温度の補正値ＴＲＳが、図６（ａ）に示す閾値ＴＬ以上、かつ、閾値ＴＨ以下である所定範囲から外れているか否かを判定する。
ステップＳ３０２において排気温度の補正値ＴＲＳが所定範囲から外れている場合（Ｓ３０２：Ｙｅｓ）、異常予兆診断装置１の処理はステップＳ３０３に進む。ステップＳ３０３において異常予兆診断装置１は、内燃力発電機２に「異常予兆あり」と診断する。
一方、ステップＳ３０２において排気温度の補正値ＴＲＳが所定範囲に入っている場合（Ｓ３０２：Ｎｏ）、異常予兆診断装置１の処理はステップＳ３０４に進む。
一方、ステップＳ３０２において排気温度の補正値ＴＲＳが所定範囲に入っている場合（Ｓ３０２：Ｎｏ）、異常予兆診断装置１の処理はステップＳ３０４に進む。
ステップＳ３０４において異常予兆診断装置１は、排気温度の補正値ＴＲＳ（つまり、診断対象の時系列データ）が他に存在するか否かを判定する。排気温度の補正値ＴＲＳが他に存在する場合（Ｓ３０４：Ｙｅｓ）、異常予兆診断装置１の処理はステップＳ３０１に進む。一方、排気温度の補正値ＴＲＳが他に存在しない場合（Ｓ３０４：Ｎｏ）、異常予兆診断装置１の処理はステップＳ３０５に進む。ステップＳ３０５において異常予兆診断装置１は、内燃力発電機２に関して「異常予兆なし」と診断する。
ステップＳ３０３又はステップＳ３０５の処理を行った後、ステップＳ３０６において異常予兆診断装置１は、表示制御手段２０（図１参照）によって表示装置５（図１参照）に診断結果を表示し、診断に関する処理を終了する（ＥＮＤ）。
＜効果＞
本実施形態では、排気温度の検出値ＴＳ（図６（ａ）参照）に関して、吸気温度が所定の基準値ＴＰ（図６（ｂ）参照）であり、かつ、発電電力が所定の基準値ＷＰ（図６（ｃ）参照）であると仮定した場合の補正値ＴＲＳを算出し、この補正値ＴＲＳに基づいて内燃力発電機２の異常予兆の有無を診断するようにしている。前記したように、内燃力発電機２が正常であれば、吸気温度や発電電力が大きく変動した場合でも、排気温度の補正値ＴＲＳのばらつきは非常に小さい（図６（ａ）参照）。したがって、内燃力発電機２が正常であるにもかかわらず「異常予兆あり」と誤診断してしまうことを防止できる。
また、吸気温度センサ３１及び発電電力センサ３３（２つの「第２センサ」）の検出値に基づいて排気温度センサ３２（「第１センサ」）の検出値を補正するため、１つの「第２センサ」の検出値に基づく補正よりも、内燃力発電機２の異常予兆の有無を高精度に診断できる。
本実施形態では、排気温度の検出値ＴＳ（図６（ａ）参照）に関して、吸気温度が所定の基準値ＴＰ（図６（ｂ）参照）であり、かつ、発電電力が所定の基準値ＷＰ（図６（ｃ）参照）であると仮定した場合の補正値ＴＲＳを算出し、この補正値ＴＲＳに基づいて内燃力発電機２の異常予兆の有無を診断するようにしている。前記したように、内燃力発電機２が正常であれば、吸気温度や発電電力が大きく変動した場合でも、排気温度の補正値ＴＲＳのばらつきは非常に小さい（図６（ａ）参照）。したがって、内燃力発電機２が正常であるにもかかわらず「異常予兆あり」と誤診断してしまうことを防止できる。
また、吸気温度センサ３１及び発電電力センサ３３（２つの「第２センサ」）の検出値に基づいて排気温度センサ３２（「第１センサ」）の検出値を補正するため、１つの「第２センサ」の検出値に基づく補正よりも、内燃力発電機２の異常予兆の有無を高精度に診断できる。
図８（ａ）は、排気温度に関する実験データである。図８（ａ）に示す各データは、８月１日〜９月２０日の期間において、各時刻に検出された排気温度である。なお、８月２４日に内燃力発電機２で「異常予兆あり」と診断され、その後にメンテナンスを行い、８月２８日から再稼動した。
図８（ｂ）は、図８（ａ）に示す領域Ｋの部分拡大図である。図８（ｂ）に示すように、内燃力発電機２が正常に稼動している期間（８月２３日以前）においても排気温度が大きく変動していることがわかる。
仮に、補正前の排気温度をそのまま用い、所定閾値との比較に基づいて異常予兆の有無を診断した場合、内燃力発電機２が正常であるにもかかわらず「異常予兆あり」と誤診断される可能性が高い。内燃力発電機２の正常時において、例えば、実際の発電電力が大きく変動しているときには、この発電電力と強い相関を有する排気温度も大きく変動するからである。
仮に、補正前の排気温度をそのまま用い、所定閾値との比較に基づいて異常予兆の有無を診断した場合、内燃力発電機２が正常であるにもかかわらず「異常予兆あり」と誤診断される可能性が高い。内燃力発電機２の正常時において、例えば、実際の発電電力が大きく変動しているときには、この発電電力と強い相関を有する排気温度も大きく変動するからである。
図９（ａ）は、排気温度の補正値に関する実験データである。図９（ａ）に示す各データは、図８（ａ）に示す各データを補正（Ｓ２０１〜Ｓ２０９：図５参照）することで得られたものである。８月２６日頃に行われたメンテナンス前では、排気温度の補正値が６３０℃付近に集まって分布しており、図８（ａ）に示す排気温度と比べてデータのばらつきが非常に小さくなっている。
図９（ｂ）は、図９（ａ）に示す領域Ｍの部分拡大図である。なお、図９（ｂ）に示す閾値ＴＨ，ＴＬは、図６（ａ）に示す閾値ＴＨ，ＴＬに対応している。
図９（ｂ）に示す例では、８月２４日頃に排気温度の補正値が閾値ＴＨよりも高くなり、診断手段１８によって「異常予兆あり」と診断されている。例えば、内燃機関２１（図２参照）を冷却するための冷却水が不足している場合には、図３（ａ）、（ｂ）に示す相関関係が崩れて、排気温度の補正値が閾値ＴＨよりも高くなり、「異常予兆あり」と診断される。このように本実施形態によれば、排気温度の補正値に基づいて、内燃力発電機２に関する異常予兆の有無を適切かつ高精度に診断できる。
図９（ｂ）に示す例では、８月２４日頃に排気温度の補正値が閾値ＴＨよりも高くなり、診断手段１８によって「異常予兆あり」と診断されている。例えば、内燃機関２１（図２参照）を冷却するための冷却水が不足している場合には、図３（ａ）、（ｂ）に示す相関関係が崩れて、排気温度の補正値が閾値ＴＨよりも高くなり、「異常予兆あり」と診断される。このように本実施形態によれば、排気温度の補正値に基づいて、内燃力発電機２に関する異常予兆の有無を適切かつ高精度に診断できる。
≪第２実施形態≫
第２実施形態に係る異常予兆診断装置１Ａ（図１０参照）は、第１実施形態で説明した診断手段１８（図１参照）に代えて、データマイニング手段１８Ａ（図１０参照）を備えている。また、多数のセンサを備える機械設備６の異常予兆の有無を、異常予兆診断装置１Ａによって診断する点が、第１実施形態とは異なっている。
なお、時系列データの補正に関する一連の処理（Ｓ２０１〜Ｓ２０９：図５参照）については第１実施形態と同様である。したがって、第１実施形態とは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。
第２実施形態に係る異常予兆診断装置１Ａ（図１０参照）は、第１実施形態で説明した診断手段１８（図１参照）に代えて、データマイニング手段１８Ａ（図１０参照）を備えている。また、多数のセンサを備える機械設備６の異常予兆の有無を、異常予兆診断装置１Ａによって診断する点が、第１実施形態とは異なっている。
なお、時系列データの補正に関する一連の処理（Ｓ２０１〜Ｓ２０９：図５参照）については第１実施形態と同様である。したがって、第１実施形態とは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。
図１０は、第２実施形態に係る異常予兆診断装置１Ａの構成図である。
異常予兆診断装置１Ａは、機械設備６に異常予兆が発生しているか否かを診断する装置である。診断対象である機械設備６には、図示はしないが、多数（例えば、数百個）のセンサが設置されている。これらのセンサには、第１実施形態で説明したように、異常予兆の診断に直接的に用いられる「第１センサ」と、その検出値が「第１センサ」の検出値と相関を有する複数の「第２センサ」と、が含まれる。
異常予兆診断装置１Ａは、機械設備６に異常予兆が発生しているか否かを診断する装置である。診断対象である機械設備６には、図示はしないが、多数（例えば、数百個）のセンサが設置されている。これらのセンサには、第１実施形態で説明したように、異常予兆の診断に直接的に用いられる「第１センサ」と、その検出値が「第１センサ」の検出値と相関を有する複数の「第２センサ」と、が含まれる。
なお、第１実施形態では「第１センサ」が一つ（排気温度センサ３２：図２参照）である場合について説明したが、「第１センサ」が複数存在することもある。この場合において関数記憶手段１５には、「第１センサ」の検出値と、「第２センサ」の検出値と、によって特定される点の分布の近似曲線を表す関数が、「第１センサ」及び「第２センサ」に対応付けて格納されている。
また、「第１センサ」及び「第２センサ」のいずれにも属しないセンサ（他のセンサの検出値との間で相関関係がほとんどないセンサ）も存在し、このセンサの検出値も異常予兆の診断に用いられる。
また、「第１センサ」及び「第２センサ」のいずれにも属しないセンサ（他のセンサの検出値との間で相関関係がほとんどないセンサ）も存在し、このセンサの検出値も異常予兆の診断に用いられる。
＜異常予兆診断装置の構成＞
図１０に示すように、異常予兆診断装置１Ａ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、関数導出手段１４と、関数記憶手段１５と、補正手段１６と、補正後時系列データ記憶手段１７と、データマイニング手段１８Ａと、診断結果記憶手段１９と、表示制御手段２０と、を備えている。
図１０に示すように、異常予兆診断装置１Ａ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、関数導出手段１４と、関数記憶手段１５と、補正手段１６と、補正後時系列データ記憶手段１７と、データマイニング手段１８Ａと、診断結果記憶手段１９と、表示制御手段２０と、を備えている。
補正後時系列データ記憶手段１７には、前記した「第１センサ」に関する補正値と、「第１センサ」及び「第２センサ」のいずれにも含まれないセンサの検出値と、が機械設備６の識別情報、及び、各センサの検出時刻に対応付けて格納されている。
ちなみに、補正後時系列データ記憶手段１７に格納される補正後の時系列データの中に「第２センサ」の検出値を含める必要はない。第１実施形態で説明したように、「第２センサ」の検出値が所定の基準値（一定値）であった場合を仮定して、「第１センサ」に関する補正値が算出されるからである。
ちなみに、補正後時系列データ記憶手段１７に格納される補正後の時系列データの中に「第２センサ」の検出値を含める必要はない。第１実施形態で説明したように、「第２センサ」の検出値が所定の基準値（一定値）であった場合を仮定して、「第１センサ」に関する補正値が算出されるからである。
図１１は、異常予兆診断装置１Ａが備えるデータマイニング手段１８Ａの構成図である。図１１に示すように、データマイニング手段１８Ａは、学習手段１８１と、診断手段１８２、を備えている。
学習手段１８１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行うことで、機械設備６の正常状態の範囲を示すクラスタ（正常モデル）を学習する機能を有している。前記したクラスタとは、多次元ベクトル空間においてクラスタ中心ｃ（図１２参照）及びクラスタ半径ｒ（図１２参照）で特定される領域であり、機械設備６が正常であることが既知である期間に取得された時系列データを用いて学習される。
図１１に示すように、学習手段１８１は、学習対象データ取得部１８１ａと、クラスタ学習部１８１ｂと、クラスタ情報記憶部１８１ｃと、を備えている。
学習対象データ取得部１８１ａは、学習対象となる時系列データ（学習対象データ）を、補正後時系列データ記憶手段１７から取得する。この学習対象データは、機械設備６が正常であることが既知である期間に取得された時系列データに関して、第１実施形態で説明した補正（Ｓ２０１〜Ｓ２０９：図５参照）が施されたデータである。
学習対象データ取得部１８１ａは、学習対象となる時系列データ（学習対象データ）を、補正後時系列データ記憶手段１７から取得する。この学習対象データは、機械設備６が正常であることが既知である期間に取得された時系列データに関して、第１実施形態で説明した補正（Ｓ２０１〜Ｓ２０９：図５参照）が施されたデータである。
クラスタ学習部１８１ｂは、学習対象データ取得部１８１ａによって取得された学習対象データに基づいて、機械設備６の正常状態の範囲を示すクラスタを学習する。ここで、クラスタ学習部１８１ｂによって学習されるクラスタについて説明する。
図１２は、クラスタ学習部１８１ｂによって学習されるクラスタの説明図である。
機械設備６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（「第１センサ」に関しては補正値）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。ここで「正規化」とは、センサの検出値等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無次元量化し、互いに比較できるようにする処理である。
機械設備６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（「第１センサ」に関しては補正値）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。ここで「正規化」とは、センサの検出値等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無次元量化し、互いに比較できるようにする処理である。
なお、説明をわかりやすくするために、図１２では、３個のセンサに対応する３次元ベクトル空間上で各特徴ベクトルを図示している。また、通常、クラスタは複数存在するが、図１２ではクラスタを１個だけ記載している。図１２に示す各点が、それぞれ、各時刻に取得された時系列データに対応している。
以下では、一例として、非階層的クラスタリングである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する。クラスタ学習部１８１ｂは、時系列データに対応する各特徴ベクトルに関して、類似する特徴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。すなわち、クラスタ学習部１８１ｂは、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、割り振ったデータに基づいて各クラスタの中心（クラスタ中心ｃ：図１２参照）を算出する。クラスタ中心ｃとは、例えば、クラスタに属する複数の特徴ベクトル（各軸α，β，γの成分：図１２参照）の重心である。
次に、クラスタ学習部１８１ｂは、所定の特徴ベクトルと各クラスタ中心ｃ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もはクラスタに関する学習処理を終了する。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ｃを再計算し、前記した処理を繰り返す。このようにしてクラスタ学習部１８１ｂは、各時系列データに対応する特徴ベクトルを複数のクラスタに分類する。
さらに、クラスタ学習部１８１ｂは、各クラスタについてクラスタ中心ｃ（図１２参照）の座標値と、クラスタ半径ｒ（図１２参照）と、を算出する。クラスタ半径ｒは、例えば、クラスタ中心ｃと特徴ベクトルとの距離の平均値である。なお、クラスタ半径ｒの算出方法はこれに限定されず、例えば、特徴ベクトルの各成分の分散値に基づいてクラスタ半径ｒを算出するようにしてもよい。
図１１に示すクラスタ情報記憶部１８１ｃには、クラスタ学習部１８１ｂによって学習されたクラスタに関するクラスタ情報（クラスタ中心ｃ、クラスタ半径ｒ）が格納されている。
図１１に示すクラスタ情報記憶部１８１ｃには、クラスタ学習部１８１ｂによって学習されたクラスタに関するクラスタ情報（クラスタ中心ｃ、クラスタ半径ｒ）が格納されている。
診断手段１８２は、学習手段１８１によって学習されたクラスタを用いて、機械設備６の異常予兆の有無を診断する機能を有している。診断手段１８２は、診断対象データ取得部１８２ａと、異常測度算出部１８２ｂと、診断部１８２ｃと、を備えている。
診断対象データ取得部１８２ａは、診断対象となる時系列データ（診断対象データ）を補正後時系列データ記憶手段１７から取得する。
異常測度算出部１８２ｂは、診断対象データ取得部１８２ａによって取得された診断対象データを用いて、機械設備６の異常測度ｕを算出する。まず、異常測度算出部１８２ｂは、診断対象データを正規化（無次元量化）し、各時系列データを特徴ベクトルに変換する。
異常測度算出部１８２ｂは、診断対象データ取得部１８２ａによって取得された診断対象データを用いて、機械設備６の異常測度ｕを算出する。まず、異常測度算出部１８２ｂは、診断対象データを正規化（無次元量化）し、各時系列データを特徴ベクトルに変換する。
そして、異常測度算出部１８２ｂは、診断対象データの特徴ベクトルに最も近いクラスタ中心ｃ（図１２参照）を有するクラスタを特定し、このクラスタに基づいて診断対象データの異常測度ｕを算出する。すなわち、異常測度算出部１８２ｂ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（図１２参照）と、クラスタ半径ｒ（図１２参照）と、を用いて、例えば、（数式１）に基づき異常測度ｕを算出する。
ｕ＝ｄ／ｒ・・・（数式１）
異常測度算出部１８２ｂは、算出した異常測度ｕを診断部１８２ｃに出力する。また、異常測度算出部１８２ｂは、診断対象データと、その異常測度ｕと、を対応付けて診断結果記憶手段１９に格納する。
診断部１８２ｃは、異常測度算出部１８２ｂから入力される異常測度ｕに基づいて、機械設備６に関する異常予兆の有無を診断する機能を有している。なお、診断部１８２ｃが実行する処理については後記する。
＜異常予兆診断装置の動作＞
図１３は、学習手段１８１が実行する学習処理のフローチャートである。
ステップＳ４０１において学習手段１８１は、学習対象データ取得部１８１ａによって、補正後時系列データ記憶手段１７から学習対象データを取得する。この学習対象データは、機械設備６が正常であることが既知である期間に取得され、さらに、補正手段１６による補正が施された時系列データである。
図１３は、学習手段１８１が実行する学習処理のフローチャートである。
ステップＳ４０１において学習手段１８１は、学習対象データ取得部１８１ａによって、補正後時系列データ記憶手段１７から学習対象データを取得する。この学習対象データは、機械設備６が正常であることが既知である期間に取得され、さらに、補正手段１６による補正が施された時系列データである。
ステップＳ４０２において学習手段１８１は、クラスタ学習部１８１ｂによって、機械設備６の正常状態の範囲を表すクラスタを学習する（学習ステップ）。すなわち、学習手段１８１は、学習対象データを特徴ベクトルに変換し、各特徴ベクトルをクラスタリングする。
ステップＳ４０３において学習手段１８１は、ステップＳ４０２の学習結果をクラスタ情報記憶部１８１ｃに格納し、学習処理を終了する（ＥＮＤ）。
ステップＳ４０３において学習手段１８１は、ステップＳ４０２の学習結果をクラスタ情報記憶部１８１ｃに格納し、学習処理を終了する（ＥＮＤ）。
図１４は、診断手段１８２が実行する診断処理のフローチャートである。
ステップＳ５０１において診断手段１８２は、診断対象データ取得部１８２ａによって、補正後時系列データ記憶手段１７から診断対象データを取得する。この診断対象データは、補正手段１６による補正が施された時系列データである。
ステップＳ５０２において診断手段１８２は、異常測度算出部１８２ｂによって、診断対象データの異常測度ｕを算出する。すなわち、診断手段１８２は、診断対象データの特徴ベクトルに最も近いクラスタ中心ｃを有するクラスタに基づいて、異常測度ｕを算出する。
ステップＳ５０１において診断手段１８２は、診断対象データ取得部１８２ａによって、補正後時系列データ記憶手段１７から診断対象データを取得する。この診断対象データは、補正手段１６による補正が施された時系列データである。
ステップＳ５０２において診断手段１８２は、異常測度算出部１８２ｂによって、診断対象データの異常測度ｕを算出する。すなわち、診断手段１８２は、診断対象データの特徴ベクトルに最も近いクラスタ中心ｃを有するクラスタに基づいて、異常測度ｕを算出する。
ステップＳ５０３において診断手段１８２は、診断部１８２ｃによって、診断対象データに関する診断処理を実行する（診断ステップ）。すなわち、診断手段１８２は、ステップＳ５０２で算出した異常測度ｕと、所定閾値（＝１）と、の大小を比較することで、機械設備６に関する異常予兆の有無を診断する。
異常測度ｕ≦１である場合、診断対象データはクラスタの領域内（つまり、機械設備６が正常である範囲内）に存在している。全ての診断対象データについて異常測度ｕ≦１である場合、診断手段１８２は機械設備６に関して「異常予兆なし」と診断する。
また、異常測度ｕ＞１である診断対象データが少なくとも一つ存在する場合、その診断対象データはクラスタの領域外に存在しているから、診断手段１８２は機械設備６に関して「異常予兆あり」と診断する。
異常測度ｕ≦１である場合、診断対象データはクラスタの領域内（つまり、機械設備６が正常である範囲内）に存在している。全ての診断対象データについて異常測度ｕ≦１である場合、診断手段１８２は機械設備６に関して「異常予兆なし」と診断する。
また、異常測度ｕ＞１である診断対象データが少なくとも一つ存在する場合、その診断対象データはクラスタの領域外に存在しているから、診断手段１８２は機械設備６に関して「異常予兆あり」と診断する。
ステップＳ５０４において診断手段１８２は、ステップＳ５０３の診断結果を診断結果記憶手段１９に格納し、診断処理を終了する（ＥＮＤ）。
＜効果＞
図１５は、学習手段１８１によって学習された複数のクラスタＤ１，Ｄ２，Ｄ３と、各時系列データの特徴ベクトルと、を示す説明図である。図１５に示す各点が、それぞれ、診断対象データの特徴ベクトルを表している。
第１実施形態で説明したように、補正手段１６（図１０参照）による補正処理（Ｓ２０１〜Ｓ２０９：図５参照）によって、「第１センサ」に関する補正値のばらつきが非常に小さくなる。このような補正値を含む学習対象データに基づいて、クラスタＤ１，Ｄ２，Ｄ３が学習される。したがって、補正を行わない場合（破線で示す各クラスタ）と比較して、実線で示すクラスタＤ１，Ｄ２，Ｄ３のクラスタ半径ｒ１α，ｒ２α，ｒ３αを小さくすることができる（ｒ１α＜ｒ１等）。
図１５は、学習手段１８１によって学習された複数のクラスタＤ１，Ｄ２，Ｄ３と、各時系列データの特徴ベクトルと、を示す説明図である。図１５に示す各点が、それぞれ、診断対象データの特徴ベクトルを表している。
第１実施形態で説明したように、補正手段１６（図１０参照）による補正処理（Ｓ２０１〜Ｓ２０９：図５参照）によって、「第１センサ」に関する補正値のばらつきが非常に小さくなる。このような補正値を含む学習対象データに基づいて、クラスタＤ１，Ｄ２，Ｄ３が学習される。したがって、補正を行わない場合（破線で示す各クラスタ）と比較して、実線で示すクラスタＤ１，Ｄ２，Ｄ３のクラスタ半径ｒ１α，ｒ２α，ｒ３αを小さくすることができる（ｒ１α＜ｒ１等）。
従来は、機械設備６が正常であっても、「第１センサ」の検出値が非常に大きい学習対象データと、「第１センサ」の検出値が非常に小さい学習対象データと、が混在することがあった。この場合、多次元ベクトル空間において各特徴ベクトルが広範囲に亘って分布するため、クラスタ半径が徒に大きくなりやすく、異常予兆に関して誤診断を招く（例えば、実際には機械設備２で異常予兆が発生していても「異常予兆なし」と診断する）可能性があった。
これに対して本実施形態によれば、「第２センサ」の検出値との相関関係に基づいて「第１センサ」の検出値を補正することで、各特徴ベクトルが広範囲に亘って分布することを抑制できる。したがって、機械設備６の正常状態をクラスタとして適切に反映させ、ひいては、機械設備６の異常予兆を適切かつ高精度に診断できる。
≪変形例≫
以上、本発明に係る異常予兆診断装置１，１Ａ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、内燃力発電機２の異常予兆の診断に直接的に用いる「第１センサ」が排気温度センサ３２（図２参照）であり、「第２センサ」が吸気温度センサ３１（図２参照）及び発電電力センサ３３（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、内燃力発電機２の内燃機関２１で吸熱した冷却水の温度を検出する冷却水温度センサを「第１温度センサ」とし、吸気温度センサ３１及び発電電力センサ３３を「第２温度センサ」としてもよい。
以上、本発明に係る異常予兆診断装置１，１Ａ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、内燃力発電機２の異常予兆の診断に直接的に用いる「第１センサ」が排気温度センサ３２（図２参照）であり、「第２センサ」が吸気温度センサ３１（図２参照）及び発電電力センサ３３（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、内燃力発電機２の内燃機関２１で吸熱した冷却水の温度を検出する冷却水温度センサを「第１温度センサ」とし、吸気温度センサ３１及び発電電力センサ３３を「第２温度センサ」としてもよい。
また、例えば、内燃力発電機２の内燃機関２１で吸熱した潤滑油の温度を検出する潤滑油温度センサを「第１温度センサ」とし、吸気温度センサ３１及び発電電力センサ３３を「第２温度センサ」としてもよい。
また、第１実施形態では、２種類の「第２センサ」（吸気温度センサ３１及び発電電力センサ３３）が存在する場合について説明したが、第２センサは１種類であってもよいし、また、３種類以上であってもよい。なお、第２実施形態についても同様のことがいえる。
また、第１実施形態では、２種類の「第２センサ」（吸気温度センサ３１及び発電電力センサ３３）が存在する場合について説明したが、第２センサは１種類であってもよいし、また、３種類以上であってもよい。なお、第２実施形態についても同様のことがいえる。
また、第１実施形態では、異常予兆の診断対象が内燃力発電機２（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、ガスタービン、化学プラント、分散電源発電設備、医療設備、通信設備等の「機械設備」を、異常予兆の診断対象としてもよい。この場合において、「機械設備」に設置されているセンサに含まれる「第１センサ」及び「第２センサ」は、実験やシミュレーションに基づいて事前に選定される。
また、第２実施形態では、クラスタ学習部１８１ｂ（図１１参照）が非階層的クラスタリングであるｋ平均法を用いて学習処理を行う場合について説明したが、これに限らない。例えば、クラスタ学習部１８１ｂが、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等に基づいて学習処理を行うようにしてもよい。
また、第２実施形態では、診断対象が機械設備６である場合について説明したが、この機械設備６には、内燃機関２１（図２参照）と、発電機２７（図２参照）と、を備える内燃力発電機２（図２参照）も含まれる。この場合において、「第１センサ」には排気温度センサ３２が含まれ、また、「第２センサ」には、吸気温度センサ３１及び発電電力センサ３３が含まれる。
また、第２実施形態では、診断対象が機械設備６である場合について説明したが、この機械設備６には、内燃機関２１（図２参照）と、発電機２７（図２参照）と、を備える内燃力発電機２（図２参照）も含まれる。この場合において、「第１センサ」には排気温度センサ３２が含まれ、また、「第２センサ」には、吸気温度センサ３１及び発電電力センサ３３が含まれる。
また、各実施形態では、関数導出手段１４（図１、図１０参照参照）によって、直線ＧＡ，ＧＢ（近似曲線：図３参照）を表す関数を求める場合について説明したが、これに限らない。例えば、近似曲線を表す関数として、次数が二以上である多項式を用いてもよいし、また、指数関数や対数関数を用いてもよい。
また、図１、図１０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、ほとんど全ての構成が相互に接続されていると考えてもよい。
１，１Ａ 異常予兆診断装置
１１ 通信手段
１２ 時系列データ取得手段
１３ 時系列データ記憶手段
１４ 関数導出手段
１５ 関数記憶手段（記憶手段）
１６ 補正手段
１７ 補正後時系列データ記憶手段
１８ 診断手段
１８Ａ データマイニング手段
１８１ 学習手段
１８１ａ 学習対象データ取得部
１８１ｂ クラスタ学習部
１８１ｃ クラスタ情報記憶部
１８２ 診断手段
１８２ａ 診断対象データ取得部
１８２ｂ 異常測度算出部
１８２ｃ 診断部
１９ 診断結果記憶手段
２ 内燃力発電機（機械設備）
２１ 内燃機関
２７ 発電機
３１ 吸気温度センサ（第２センサ）
３２ 排気温度センサ（第１センサ）
３３ 発電電力センサ（第２センサ）
３４ 通信手段
６ 機械設備
１１ 通信手段
１２ 時系列データ取得手段
１３ 時系列データ記憶手段
１４ 関数導出手段
１５ 関数記憶手段（記憶手段）
１６ 補正手段
１７ 補正後時系列データ記憶手段
１８ 診断手段
１８Ａ データマイニング手段
１８１ 学習手段
１８１ａ 学習対象データ取得部
１８１ｂ クラスタ学習部
１８１ｃ クラスタ情報記憶部
１８２ 診断手段
１８２ａ 診断対象データ取得部
１８２ｂ 異常測度算出部
１８２ｃ 診断部
１９ 診断結果記憶手段
２ 内燃力発電機（機械設備）
２１ 内燃機関
２７ 発電機
３１ 吸気温度センサ（第２センサ）
３２ 排気温度センサ（第１センサ）
３３ 発電電力センサ（第２センサ）
３４ 通信手段
６ 機械設備
Claims (5)
- 機械設備に設置される第１センサの検出値と、前記機械設備に設置される複数種類の第２センサの検出値と、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、
前記機械設備が正常であることが既知である過去の時系列データに基づき、前記第１センサの検出値と、当該第１センサの検出値と相関関係がある前記第２センサの検出値と、によって特定される点の分布の近似曲線を表す関数が、複数種類の前記第２センサに対応付けて格納される記憶手段と、
前記記憶手段に格納される前記関数に基づいて、時系列データを補正する補正手段と、
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、
前記補正手段は、前記第２センサの検出値から所定の基準値を減算することで第２差分を算出し、前記第１センサに関して前記第２差分に対応する第１差分を前記関数に基づいて算出する処理を、複数種類の前記第２センサそれぞれについて実行し、前記第１差分の和である第１差分積算値を前記第１センサの検出値から減算することで、前記第１センサに関する補正値を算出し、
前記診断手段は、前記補正値が所定範囲から外れた場合、前記機械設備に異常予兆ありと診断し、
前記補正手段は、前記診断手段による診断の前処理として、複数種類の前記第２センサの検出値及び前記関数に基づいて、前記第１センサに関する前記補正値を算出する処理を実行すること
を特徴とする異常予兆診断装置。 - 機械設備に設置される第１センサの検出値と、前記機械設備に設置される複数種類の第２センサの検出値と、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、
前記機械設備が正常であることが既知である過去の時系列データに基づき、前記第１センサの検出値と、当該第１センサの検出値と相関関係がある前記第２センサの検出値と、によって特定される点の分布の近似曲線を表す関数が、複数種類の前記第２センサに対応付けて格納される記憶手段と、
前記記憶手段に格納される前記関数に基づいて、時系列データを補正する補正手段と、
前記機械設備が正常であることが既知である期間に取得され、さらに前記補正手段による補正が施された時系列データに基づき、前記機械設備の正常状態の範囲を示すクラスタを学習する学習手段と、
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、
前記補正手段は、前記第２センサの検出値から所定の基準値を減算することで第２差分を算出し、前記第１センサに関して前記第２差分に対応する第１差分を前記関数に基づいて算出する処理を、複数種類の前記第２センサそれぞれについて実行し、前記第１差分の和である第１差分積算値を前記第１センサの検出値から減算することで、前記第１センサに関する補正値を算出し、
前記診断手段は、前記補正値を含む時系列データが、前記学習手段によって学習された前記クラスタの領域外に存在する場合、前記機械設備に異常予兆ありと診断し、
前記補正手段は、前記診断手段による診断の前処理として、複数種類の前記第２センサの検出値及び前記関数に基づいて、前記第１センサに関する前記補正値を算出する処理を実行すること
を特徴とする異常予兆診断装置。 - 前記機械設備は、内燃機関と、前記内燃機関の駆動によって発電を行う発電機と、を備える内燃力発電機であり、
前記第１センサは、前記内燃機関の燃焼室から排出されるガスの温度を検出する排気温度センサであり、
前記第２センサには、
前記燃焼室に供給される空気の温度を検出する吸気温度センサと、
前記発電機の発電電力を検出する発電電力センサと、が含まれること
を特徴とする請求項１又は請求項２に記載の異常予兆診断装置。 - 機械設備に設置される第１センサの検出値と、前記機械設備に設置される複数種類の第２センサの検出値と、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、
前記機械設備が正常であることが既知である過去の時系列データに基づき、前記第１センサの検出値と、当該第１センサの検出値と相関関係がある前記第２センサの検出値と、によって特定される点の分布の近似曲線を表す関数を、複数種類の前記第２センサに対応付けて記憶する記憶ステップと、
前記記憶ステップで記憶した前記関数に基づいて、時系列データを補正する補正ステップと、
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、
前記補正ステップにおいて、前記第２センサの検出値から所定の基準値を減算することで第２差分を算出し、前記第１センサに関して前記第２差分に対応する第１差分を前記関数に基づいて算出する処理を、複数種類の前記第２センサそれぞれについて実行し、前記第１差分の和である第１差分積算値を前記第１センサの検出値から減算することで、前記第１センサに関する補正値を算出し、
前記診断ステップにおいて、前記補正値が所定範囲から外れた場合、前記機械設備に異常予兆ありと診断し、
前記補正ステップでは、前記診断ステップの前処理として、複数種類の前記第２センサの検出値及び前記関数に基づいて、前記第１センサに関する前記補正値を算出する処理を実行すること
を特徴とする異常予兆診断方法。 - 機械設備に設置される第１センサの検出値と、前記機械設備に設置される複数種類の第２センサの検出値と、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、
前記機械設備が正常であることが既知である過去の時系列データに基づき、前記第１センサの検出値と、当該第１センサの検出値と相関関係がある前記第２センサの検出値と、によって特定される点の分布の近似曲線を表す関数を、複数種類の前記第２センサに対応付けて記憶する記憶ステップと、
前記記憶ステップで記憶した前記関数に基づいて、時系列データを補正する補正ステップと、
前記機械設備が正常であることが既知である期間に取得され、さらに前記補正ステップによる補正が施された時系列データに基づき、前記機械設備の正常状態の範囲を示すクラスタを学習する学習ステップと、
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、
前記補正ステップにおいて、前記第２センサの検出値から所定の基準値を減算することで第２差分を算出し、前記第１センサに関して前記第２差分に対応する第１差分を前記関数に基づいて算出する処理を、複数種類の前記第２センサそれぞれについて実行し、前記第１差分の和である第１差分積算値を前記第１センサの検出値から減算することで、前記第１センサに関する補正値を算出し、
前記診断ステップにおいて、前記補正値を含む時系列データが、前記学習ステップで学習された前記クラスタの領域外に存在する場合、前記機械設備に異常予兆ありと診断し、
前記補正ステップでは、前記診断ステップの前処理として、複数種類の前記第２センサの検出値及び前記関数に基づいて、前記第１センサに関する前記補正値を算出する処理を実行すること
を特徴とする異常予兆診断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2015106448A JP6472327B2 (ja) | 2015-05-26 | 2015-05-26 | 異常予兆診断装置及び異常予兆診断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2015106448A JP6472327B2 (ja) | 2015-05-26 | 2015-05-26 | 異常予兆診断装置及び異常予兆診断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2016218961A JP2016218961A (ja) | 2016-12-22 |
| JP6472327B2 true JP6472327B2 (ja) | 2019-02-20 |
Family
ID=57579038
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2015106448A Active JP6472327B2 (ja) | 2015-05-26 | 2015-05-26 | 異常予兆診断装置及び異常予兆診断方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6472327B2 (ja) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018147362A1 (ja) * | 2017-02-08 | 2018-08-16 | 株式会社日立産機システム | 産業機器監視装置および産業機器の監視方法 |
| JP6777228B2 (ja) | 2017-05-17 | 2020-10-28 | 富士通株式会社 | 制御装置、通信システム、および制御方法 |
| JP6981798B2 (ja) * | 2017-07-14 | 2021-12-17 | アズビル株式会社 | 燃焼システム、及び、不調判定装置 |
| JP7082461B2 (ja) * | 2017-07-26 | 2022-06-08 | 株式会社Ye Digital | 故障予知方法、故障予知装置および故障予知プログラム |
| JP6931615B2 (ja) * | 2018-01-04 | 2021-09-08 | 株式会社日立製作所 | センサ選択装置およびセンサ選択方法 |
| JP6456580B1 (ja) | 2018-06-14 | 2019-01-23 | 三菱電機株式会社 | 異常検知装置、異常検知方法及び異常検知プログラム |
| JP2020091669A (ja) * | 2018-12-06 | 2020-06-11 | 株式会社日立製作所 | 状態変化検出システム |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS58100786A (ja) * | 1981-12-11 | 1983-06-15 | 株式会社日立製作所 | 原子炉プラントの異常診断方法 |
| JPS61282903A (ja) * | 1985-06-10 | 1986-12-13 | Toshiba Corp | 診断装置 |
| JP3980760B2 (ja) * | 1997-07-23 | 2007-09-26 | 株式会社東芝 | プラント監視装置 |
| JP4371933B2 (ja) * | 2004-07-23 | 2009-11-25 | 中国電力株式会社 | プラントデータ評価システムと方法、復水器真空度監視方法、データマイニング方法、および、プログラム |
| JP4418808B2 (ja) * | 2006-08-23 | 2010-02-24 | ヤンマー株式会社 | 火花点火式エンジンのノッキング回避方法 |
| JP5039508B2 (ja) * | 2007-11-02 | 2012-10-03 | Ｊｆｅアドバンテック株式会社 | 回転機械装置の監視診断システム |
| JP2010112321A (ja) * | 2008-11-10 | 2010-05-20 | Denso Corp | 車両用冷却システムの異常診断装置 |
| JP5368126B2 (ja) * | 2009-02-03 | 2013-12-18 | 東海旅客鉄道株式会社 | 車両の発熱部位異常検出システム、車両の発熱部位異常検出方法、プログラム |
| JP5081998B1 (ja) * | 2011-06-22 | 2012-11-28 | 株式会社日立エンジニアリング・アンド・サービス | 異常予兆診断装置及び異常予兆診断方法 |
-
2015
- 2015-05-26 JP JP2015106448A patent/JP6472327B2/ja active Active
Also Published As
| Publication number | Publication date |
|---|---|
| JP2016218961A (ja) | 2016-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6472327B2 (ja) | 異常予兆診断装置及び異常予兆診断方法 | |
| KR101955305B1 (ko) | 희소 코딩 방법론을 활용한 가스 터빈 센서 고장 검출 | |
| CN108615088B (zh) | 机台零件剩余寿命的预测***与预测方法 | |
| US9465387B2 (en) | Anomaly diagnosis system and anomaly diagnosis method | |
| US10496466B2 (en) | Preprocessor of abnormality sign diagnosing device and processing method of the same | |
| US11782430B2 (en) | Abnormality diagnosis method, abnormality diagnosis device and non-transitory computer readable storage medium | |
| US20080140352A1 (en) | System and method for equipment life estimation | |
| JP5480440B1 (ja) | 異常予兆診断装置及び異常予兆診断方法 | |
| WO2006110246A2 (en) | Diagnostic and prognostic method and system | |
| CN107710089B (zh) | 工厂设备诊断装置以及工厂设备诊断方法 | |
| EP3191905A1 (en) | Gas turbine failure prediction utilizing supervised learning methodologies | |
| JP2011090382A (ja) | 監視システム | |
| KR102206737B1 (ko) | 기계학습 기반 펌프수차 고장 진단 방법 및 시스템 | |
| JP2016151909A (ja) | 異常診断方法及び異常診断システム | |
| TWI747055B (zh) | 狀態推斷裝置以及狀態推斷方法 | |
| US20150269293A1 (en) | Diagnostic model generating apparatus and method, and abnormality diagnostic apparatus | |
| CN113330379A (zh) | 异常原因推定装置、异常原因推定方法及程序 | |
| US20220147034A1 (en) | Automated refinement of a labeled window of time series data | |
| EP3385804B1 (en) | Failure diagnosis apparatus, failure diagnosis method and recording medium | |
| US10372719B2 (en) | Episode mining device, method and non-transitory computer readable medium of the same | |
| EP2862034B1 (en) | Method for determining a machine condition | |
| KR102603020B1 (ko) | 플랜트 감시 장치, 플랜트 감시 방법, 및 프로그램 | |
| JP6347771B2 (ja) | 異常診断装置、異常診断方法及び異常診断プログラム | |
| US20220350320A1 (en) | Plant monitoring device, plant monitoring method, and program | |
| JP5817323B2 (ja) | 異常診断装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20170807 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20180425 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20180508 |
|
| 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: 20190108 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20190122 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6472327 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |