JP6785715B2 - 正常異常判別装置、正常異常判別方法、及び正常異常判別システム - Google Patents

Description

本発明は、風力発電プラント、水処理プラント、火力発電プラント、原子力発電プラント等の判別対象物が正常であるか、又は異常であるかを判別する正常異常判別装置等に関する。

現在、各種産業では、さまざまなプラントを稼動させて、電力や水など各種製品を生産している。これらのプラントに異常が発生して停止すると、製品を供給できなくなり、大きな損失が発生するとともに修理費用が発生する。このようなプラントの異常や故障の発生を完全にゼロとすることは現実的に難しい。このような損害を最小化するため、できるだけ早い段階でプラントの異常を検知することが望まれている。

例えば、汎用性の高い異常検知技術の一つとして、たとえばＡＲＴ（適応共鳴理論）を使用した技術が知られている。具体的には、例えば、正常状態の運転データを用いて予め正常なデータが存在する正常カテゴリの範囲を決定しておき、運転時に得られた判別対象の運転データが、学習した正常カテゴリ内にあれば正常と判別し、正常カテゴリ外にあれば異常とみなして警報を出力する技術が知られている。

この異常検知技術を使用するためには、事前に正常状態の運転データを準備して正常カテゴリの範囲を決定しておく必要がある。このため、正常状態の学習データを十分に得るためには長時間を要し、そのような十分な学習データを得るまでの期間は、異常検知の処理を開始できないという課題があった。

このような課題に対する技術として、特許文献１に記載の技術が知られている。特許文献１に記載の技術によると、データが診断モデルの１つのカテゴリに分類されるか否かを判別し、分類されない場合には運転パターンが変更されたか否かを判別し、運転パターンが変更された場合に、同じ運転パターンのデータがない場合には擬似データを作成し、擬似データを用いて構築した診断モデルで診断する。

特開２０１５−１０３２１８号公報

例えば、特許文献１に記載の技術を用いることで、全運転パターンの正常状態を学習するための長期間の運転データは不要となる。しかしながら、診断モデルで状態変化を検知した後になってから、検知したときと同じ運転パターンのデータで診断モデルを構築する必要があるため、異常が発生したことを判別するために時間遅れが生じる。

プラントにおいては、異常が生じると大きな損害を生じる可能性があるため、このような時間遅れが発生してしまうことは好ましくない。

本発明は、上記事情に鑑みなされたものであり、その目的は、判別対象物の実測データが少ない場合であっても、判別対象物の正常又は異常の判別を迅速且つ適切に行うことのできる技術を提供することにある。

上記目的を達成するため、一観点に係る正常異常判別装置は、判別対象物において測定される実測データに基づいて判別対象物が正常であるか、又は異常であるかを判別する正常異常判別装置であって、判別対象物において測定される実測データの参考となる参考データに基づいて、実測データを、判別対象物が正常であることを示すデータと、判別対象物が異常であることを示すデータとのいずれであるかを分類するための複数の第１学習カテゴリを特定する第１学習カテゴリ特定部と、判別対象物において測定された、基準となる実測データである基準データに基づいて、実測データが、判別対象物が正常であることを示すデータと、判別対象物が異常であることを示すデータとのいずれであるかを分類するための１以上の第２学習カテゴリを特定する第２学習カテゴリ特定部と、第１学習カテゴリと、対応する前記第２学習カテゴリとの配置関係に基づいて、実測データに対する、第１学習カテゴリの内の対応する第２学習カテゴリが存在しない１以上の学習カテゴリである対応不存在学習カテゴリに対応する学習カテゴリである対応学習カテゴリの配置を特定する対応学習カテゴリ特定部と、判別対象物において測定される判別対象データについて、第２学習カテゴリ及び対応学習カテゴリとの属否を判定することにより、判別対象物が正常であるか、異常であるかを判別する判別部と、を備える。

本発明によれば、判別対象物の実測データが少ない場合であっても、判別対象物の正常又は異常の判別を迅速且つ適切に行うことができる。

図１は、第１実施形態に係る正常異常判別システムの全体構成図である。 図２は、第１実施形態に係る正常異常判別処理を説明する図である。 図３は、第２実施形態に係るカテゴリ情報画面の一例である。 図４は、変形例に係るカテゴリ情報画面の一例である。

いくつかの実施形態について、図面を参照して説明する。なお、以下に説明する実施形態は特許請求の範囲に係る発明を限定するものではなく、また実施形態の中で説明されている諸要素及びその組み合わせの全てが発明の解決手段に必須であるとは限らない。

図１は、第１実施形態に係る正常異常判別システムの全体構成図である。

正常異常判別システム１は、正常異常判別装置の一例としての計算機１０と、入力装置２１と、表示装置２２と、正常異常を判別する判別対象物の一例としてのプラント３０とを備える。計算機１０とプラント３０とは、例えば、有線ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）や無線ＬＡＮなどのネットワークを介して接続されている。

プラント３０としては、例えば、風力発電プラント、水処理プラント、火力発電プラント、原子力発電プラント等がある。判別対象物としては、プラントに限られず、機器、設備、施設、大規模システムであってもよく、要は、複数の項目（判別対象物の状態情報）を含む運転データ（実測データ）を取得でき、その実測データを計算機１０に対して出力できるものであればよい。

入力装置２１は、例えば、マウス、キーボード等の計算機１０と接続可能な装置であり、計算機１０のオペレータ（ユーザ）による入力操作を受け付ける。表示装置２２は、例えば、液晶ディスプレイ等の計算機１０と接続可能な表示装置であり、各種情報を表示する。

計算機１００は、プロセッサの一例としてのＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１１と、メモリ１２と、補助記憶装置１３と、入力インタフェース（入力Ｉ／Ｆ）１４と、通信インタフェース（通信Ｉ／Ｆ）１５と、表示インタフェース（表示Ｉ／Ｆ）１６とを備える。

入力Ｉ／Ｆ１４は、入力装置２１からの信号を受信する。表示Ｉ／Ｆ１６は、表示装置２２に対して表示させる画像の画像信号を送信する。

通信Ｉ／Ｆ１５は、例えば、有線ＬＡＮカードや無線ＬＡＮカードなどのインタフェースであり、ネットワークを介して、プラント３０（プラント３０内の通信装置）、他の計算機等と通信する。本実施形態では、計算機１０は、例えば、通信Ｉ／Ｆ１５を介して、他の計算機からプラント３０の実測データの参考となる参考データ１０４を受信し、通信Ｉ／Ｆ１５を介して、プラント３０から予め取得され、プラント３０の状態が把握されている、基準となる実測データである基準データ１０６を受信し、通信Ｉ／Ｆ１５を介して、プラント３０から正常異常の判別を行う対象となる実測データ（判別対象データ１０８）を受信する。

ここで、参考データ１０４は、例えば、プラント３０を模擬した物理モデルによるシミュレーションにより生成された実測データに関する推定データであってもよい。物理モデルによるシミュレーションを実行する計算機は、計算機１０でもよいし、他の計算機でもよい。物理モデルによるシミュレーションにより参考データ１０４を得る場合には、計算機上でさまざまな条件を仮定して実行できるため、短時間で極めて多くの参考データを得ることができる。なお、本実施形態では、参考データ１０４としては、正常の場合のデータのみ、或いは、異常の場合のデータのみのいずれかを使用するようにしている。

また、参考データ１０４は、例えば、同種の判別対象物の過去の実測データや、現在とは異なる状態の判別対象物（例えば、メンテナンス前の判別対象物）の過去における実測データとしてもよい。同種の判別対象物は、すでに長期間運転され、様々な運転条件を経てきていることが多いため、十分な量の実測データを確保できる可能性が高い。なお、同種の判別対象物として、例えば、判別対象物が発電機であれば、発電容量が同一でなくても、同一の原理に基づいて運転される発電機であればよく、要は、同一の原理に基づいて運転される機器であればよい。なお、本実施形態では、参考データ１０４としては、正常の場合のデータのみ、或いは、異常の場合のデータのみのいずれかを使用するようにしている。

また、基準データ１０６は、プラント３０を新設した際や、プラント３０のメンテナンスを行った後における試運転時の実測データであってもよい。試運転は、一般的に短期間であるので、収集されるデータ量は、比較的少ない。また、風力発電プラントのように入力条件が環境に依存するプラントでは、種々の運転条件についての実測データを取得できない場合もある。このため、基準データ１０６のみでは、プラント３０における正常異常を判別するのに十分なデータ量を確保できない場合がある。

ＣＰＵ１１は、メモリ１２及び／又は補助記憶装置１３に格納されているプログラムに従って各種処理を実行する。本実施形態では、ＣＰＵ１１は、プログラムを実行することにより、プラント３０が正常であるか異常であるかを判別し、判別結果（プラント３０が正常であるか、異常であるかを示す情報）を表示装置２２に表示させる正常異常判別処理を実行する機能部を構成する。正常異常判別処理については、後述する。ＣＰＵ１１は、プログラムを実行することにより、第１学習カテゴリ特定部、第２学習カテゴリ特定部、対応学習カテゴリ特定部、判別部、結果表示部、対応関係特定部、表示制御部、指定受付部、入力画面表示部、及び対応グラフ表示制御部を構成する。

メモリ１２は、例えば、ＲＡＭ（ＲＡＮＤＯＭ ＡＣＣＥＳＳ ＭＥＭＯＲＹ）であり、ＣＰＵ１１で実行されるプログラムや、必要な情報を記憶する。

補助記憶装置１３は、例えば、バードディスクやフラッシュメモリなどであり、ＣＰＵ１１で実行されるプログラムや、ＣＰＵ１１に利用されるデータを記憶する。

次に、ＣＰＵ１１による正常異常判別処理について説明する。

図２は、第１実施形態に係る正常異常判別処理を説明する図である。図２は、参考データ１０４、基準データ１０６、及び判別対象データ１０８を用いて、プラント３０の正常異常を判別する処理を示している。図２（ａ）〜（ｃ）は、参考データ１０４を用いてカテゴリ（第１学習カテゴリ）を特定する処理を示し、図２（ｄ）〜（ｆ）は、基準データ１０６を用いてカテゴリ（第２学習カテゴリ）を特定する処理を示し、図２（ｇ）〜（ｈ）は、第１学習カテゴリと、第２学習カテゴリとに基づいて、判別対象データの正常異常を判別する際に用いる学習カテゴリを特定する処理を示し、図２（ｉ）〜（ｋ）は、判別対象データ１０８からプラント３０の正常異常を判別する処理を示す。なお、図２においては、説明を簡単にするために、便宜的に参考データ１０４、基準データ１０６、及び判別対象データ１０８に含まれる項目（入力項目）を２つ（入力項目１、入力項目２）とし、図２（ａ）〜（ｋ）においては、縦軸を入力項目１とし、横軸を入力項目２とするグラフにより、データや、カテゴリを示している。

参考データ１０４は、図２（ａ）に示すように、プラント３０の運転モードの切り替え等によって、各入力項目の値は、いくつかの箇所に分かれて存在する。一般的に参考データ１０４の値は、常に一定ではなく、或る程度の偏差をもって存在するので、図２（ａ）に示すように或る程度の分布をもって存在する。ＣＰＵ１１は、参考データ１０４を１以上のカテゴリに分類する。カテゴリに分類する数学的手法としては、例えば、マハラノビスタグチメソッド、適応共鳴理論、ベクトル量子化、ニューラルネットワーク、部分空間法、ディープラーニング等のいずれを用いてもよい。

ＣＰＵ１１が適応共鳴理論を用いて分類を行うと、図２（ａ）に示す参考データ１０４は、例えば、図２（ｂ）に示すように、１以上（図２（ｂ）では、３つ）のカテゴリ（第１学習カテゴリ）に分類される。ＣＰＵ１１は、図２（ｂ）に示す第１学習カテゴリの集合を、図２（ｃ）に示すように第１カテゴリ群として把握する。

例えば、参考データ１０４が全て正常状態のデータである場合においては、第１学習カテゴリは、いずれも正常状態のカテゴリであると考えることができる。このため、判別対象のデータが、第１学習カテゴリ内となる場合には、プラント３０（判別対象データ）が正常であると判別でき、全ての第１学習カテゴリの外となる場合には、プラント３０が正常でない（すなわち異常である）と判別できる。

一方、参考データ１０４が全て異常状態のデータである場合においては、第１学習カテゴリは、いずれも異常状態のカテゴリであると考えることができる。このため、判別対象のデータが、第１学習カテゴリ内となる場合には、プラント３０が異常であると判別でき、全ての第１学習カテゴリの外となる場合には、プラント３０が異常でない（すなわち正常である）と判別できる。

なお、精度よく判別できるようにするためには、発生しうる正常状態であるデータについての第１学習カテゴリを十分に特定できていることが重要であり、大量の正常状態（又は異常状態）のデータが必要となる。本実施形態では、例えば、同種の判別対象物の過去のデータや、物理モデルによるシミュレーションにより得られるデータを参考データ１０４としているので、大量のデータを収集することができるので問題がない。しかしながら、第１学習カテゴリは、現在の状態のプラント３０の実測データから求められたものではないので、第１学習カテゴリをプラント３０で測定された判別対象データにそのまま用いてしまうと、正常又は異常の判別を高精度に行えない虞がある。

基準データ１０６は、図２（ｄ）に示すように、プラント３０の運転モードの切り替え等によって、各入力項目の値は、いくつかの箇所に分かれて存在する。しかしながら、基準データ１０６は、データ量が少なく、プラント３０の種々の状態における実測データを網羅しているものではない。

ＣＰＵ１１は、基準データ１０６を、参考データ１０４と同様な手法により、１以上のカテゴリに分類する。

ＣＰＵ１１が適応共鳴理論を用いて分類を行うと、図２（ｄ）に示す基準データ１０６は、例えば、図２（ｅ）に示すように、１以上（図２（ｅ）では、２つ）のカテゴリ（第２学習カテゴリ）に分類される。ＣＰＵ１１は、図２（ｅ）に示す第２学習カテゴリの集合を、図２（ｆ）に示すように第２カテゴリ群として把握する。なお、参考データ１０４と、基準データ１０６とは、一般的に一致しないので、第１学習カテゴリと第２学習カテゴリ、および第１カテゴリ群と第２カテゴリ群とは一致しない。

ここで、判別対象データ１０８は、現状のプラント３０の運転時の実測データであるために、判別対象データ１０８によりプラント３０の正常異常の判別を行うためには、同一のプラント３０による基準データ１０６によって特定した第２学習カテゴリを用いることが望ましい。しかしながら、第２学習カテゴリを特定するための基準データは、例えば、短期間の運転により得られたデータであるので、プラント３０の現実の多くの状態に対応する学習カテゴリを網羅するには不十分である可能性がある。

一方、多くの条件でのデータを有している参考データ１０４により特定された第１学習カテゴリによると、第２学習カテゴリと比較すると精度が落ちるものの、第２学習カテゴリとして特定できなかった範囲の学習カテゴリを特定できていることがある。

たとえば、図２（ｄ）で示すように、基準データ１０６が上方に固まっていて、左下に位置する実測データが得られなかったとする。この場合には、図２（ｅ）に示すように、上方に２つの第２学習カテゴリが生成され、左下には、学習カテゴリが生成されない。これに対して、参考データ１０４を用いると、図２（ａ）に示すように、左下に位置する参考データ１０４を得ることができる場合があり、この場合には、図２（ｂ）に示すように、左下に学習カテゴリが生成されることとなる。このように、データ量の多い参考データ１０４によると、学習カテゴリを基準データ１０６よりも多く特定することができる。

そこで、本実施形態では、第１学習カテゴリを活用して、第２学習カテゴリの不足部分を埋めるようにしている。

本実施形態では、ＣＰＵ１１は、第１学習カテゴリと、第２学習カテゴリとの対応関係を特定し、第２学習カテゴリに対応する学習カテゴリが存在しない第１学習カテゴリ（対応不存在学習カテゴリ）の配置（例えば、位置、範囲等）を、対応する第１学習カテゴリと第２学習カテゴリとの位置関係に基づいて、特定する。ここで、第１学習カテゴリと、第２学習カテゴリとの対応関係については、入力装置２１によるオペレータの入力に従って特定するようにしてもよく、ＣＰＵ１１が第１学習カテゴリと、第２学習カテゴリとの位置関係等に基づいて、対応関係を特定するようにしてもよい。

具体的には、図２（ｂ）の左上の第１学習カテゴリと、図２（ｅ）の左上の第２学習カテゴリとが対応し、図２（ｂ）の右上の第１学習カテゴリと、図２（ｅ）の右上の第２学習カテゴリとが対応していると特定している場合には、これらの対応する学習カテゴリの位置関係の違いを数学的に処理することにより、図２（ｂ）に存在する下側の第１学習カテゴリ（対応不存在学習カテゴリ）の図２（ｅ）に存在していると想定される配置を特定することができる。

ＣＰＵ１１により、図２（ｂ）に存在する下側の第１学習カテゴリの図２（ｅ）に存在していると想定される配置を特定した結果は、図２（ｇ）に示すようになる。なお、対応する第１学習カテゴリと第２学習カテゴリとの位置関係の違いに基づく数学的な処理としては、平行移動、拡大（縮小）等を組み合わせるようにしてもよいが、これらの処理方法に限定されない。例えば、第２学習カテゴリの入力項目１における位置に対し、対応する第１学習カテゴリの入力項目１における位置が一定値だけオフセットされているだけの場合には、対応する第２学習カテゴリが存在しない第１学習カテゴリを入力項目１の軸方向に平行移動（シフト）した位置に配置するようにすればよい。

ＣＰＵ１１は、図２（ｇ）に示す第２学習カテゴリと、第１学習カテゴリと第２学習カテゴリとに基づいて配置を特定した学習カテゴリ（対応学習カテゴリ）との集合を、図２（ｈ）に示すように、統合カテゴリ群として把握する。判別対象データを用いてプラント３０の正常異常を判別する際には、この統合カテゴリ群が利用されることとなる。なお、図２（ｈ）に示す統合カテゴリ群を取得するまでの処理は、判別対象データ１０８が受信される前までに実行される。

ＣＰＵ１１は、判別対象データ１０８を受信すると、判別対象データ１０８に対して、上記同様のカテゴリ分類を実施して、判別対象データ１０８を含む判別対象学習カテゴリを生成する。次いで、ＣＰＵ１１は、判別対象学習カテゴリが、統合カテゴリ群の学習カテゴリに含まれるか否かを判定し、判別対象学習カテゴリが、統合カテゴリ群の学習カテゴリに含まれる場合には、プラント３０が学習カテゴリに対応する状態（学習カテゴリが正常状態に対応する場合には、正常）であると判別し、判別対象学習カテゴリが、統合カテゴリ群の学習カテゴリに含まれない場合には、プラント３０が学習カテゴリに対応しない状態（学習カテゴリが正常状態に対応する場合には、異常）であると判別し、判別結果を表示装置２２に表示する。ここで、判別対象学習カテゴリが、統合カテゴリ群の学習カテゴリに含まれるか否かについては、例えば、判別対象学習カテゴリの中心が、統合カテゴリ群の学習カテゴリに含まれるか否かにより判断するようにしてもよい。

例えば、図２（ｉ）に示す判別対象データ１０８を受信すると、ＣＰＵ１１は、判別対象データ１０８に対して、上記同様のカテゴリ分類を実施し、図２（ｊ）に示すような判別対象学習カテゴリを生成する。ここで、図２（ｊ）に示す判別対象学習カテゴリと、図２（ｈ）に示す統合カテゴリ群との位置関係は、図２（ｋ）に示すようになる。この場合には、ＣＰＵ１１は、判別対象学習カテゴリが、統合カテゴリ群の学習カテゴリに含まれていないので、プラント３０は、学習カテゴリに対応する状態ではないと判別する。

例えば、図２（ｃ）に示す第１カテゴリ群のみを用いて正常異常判別を行うと、プラント３０の現状の状態と異なる学習カテゴリを用いて、正常異常判別を行うこととなり、判別結果が不正確となる。また、図２（ｆ）に示す第２カテゴリ群のみを用いて正常異常判別を行うと、不十分な学習カテゴリのみで正常異常判別を行うこととなり、誤報や失報を行って非効率となり、システムの信頼性が失われる虞がある。また、図２（ｃ）に示す第１カテゴリ群と、図２（ｆ）に示す第２カテゴリ群とを単純に合算したものを用いて正常異常判別を行うと、プラント３０の現状の状態と異なる第１カテゴリ群を用いることとなり、判別結果が不正確となる。

これに対して、上記した統合カテゴリ群を用いることにより、第２カテゴリ群により正常異常判別を行うことができると共に、第２カテゴリ群に不足していた範囲についても、対応学習カテゴリを用いてプラント３０の正常異常判別を適切に行うことができる。

次に、第２実施形態に係る正常異常判別システムについて説明する。なお、第１実施形態に係る正常異常判別システムの図面を適宜使用し、第１実施形態に係る正常異常判別システムと同様な部分については、同様な符号を用いて説明する。

第２実施形態に係る正常異常判別システムは、第１実施形態に係る正常異常判別システムにおいて、ＣＰＵ１１がカテゴリ情報画面５０（対応関係入力画面：図３参照）を表示させる処理等を行うようにしたものである。

図３は、第２実施形態に係るカテゴリ情報画面の一例である。

カテゴリ情報画面５０は、データ視認領域５１と、カテゴリ対応表示領域５２とを含む。データ視認領域５１には、第１学習カテゴリに関する内容と、第２学習カテゴリに関する内容とが表示されている。なお、本実施形態では、実測データは、入力項目が４項目あるものとしている。

図３において、第１学習カテゴリとしては、ＣＡ１からＣＡ５の５個が生成され、第２学習カテゴリとしては、ＣＢ１からＣＢ３の３個が生成されていることを示している。

第１学習カテゴリと、第２学習カテゴリとのそれぞれに対応して表示されている４本の棒グラフは、それぞれが、対応する学習カテゴリの中心における各入力項目の値を示している。各学習カテゴリの中心における入力項目の値を棒グラフで示しているので、学習カテゴリ同士の位置関係を視覚的に容易に把握することができる。なお、学習カテゴリの中心の値を、棒グラフでの表示に変えて、レーダーチャートでの表示にしてもよい。

カテゴリ対応表示領域５２には、横方向に各第１学習カテゴリを配置し、縦方向に各第２学習カテゴリを配置した２軸の対応表５３が表示される。第１学習カテゴリと第２学習カテゴリとの二種類の対応関係を把握するためには表形式で表示することが分かり易く望ましい。

対応表５３は、第１学習カテゴリのＣＡ１〜ＣＡ５と、第２学習カテゴリのＣＢ１〜ＣＢ３との間の関連度を示している。本実施形態では、関連度としては、例えば、第１学習カテゴリと、第２学習カテゴリとの中心間の距離（カテゴリ間距離）に対応する値としている。

関連度は、以下の計算方法により、ＣＰＵ１１によって算出されている。

第１学習カテゴリの中心の座標（各項目の値）を（ｗ１１，ｘ１１，ｙ１１，ｚ１１）とし、第２学習カテゴリの中心の座標を（ｗ２１，ｘ２１，ｙ２１，ｚ２１）とすると、第１学習カテゴリと、第２学習カテゴリとの関連度は、以下の式（１）で算出される。

関連度＝（ｗ１１−ｗ２１）^２＋（ｘ１１−ｘ２１）^２＋
（ｙ１１−ｙ２１）^２＋（ｚ１１−ｚ２１）^２ ・・・（１）

関連度は、第１学習カテゴリと第２学習カテゴリとの中心が一致する場合には、０となる。また、第１学習カテゴリと第２学習カテゴリとの中心が大きく離れている場合には、関連度は、大きな値となる。なお、関連度の計算方法は、上記式に限定されず、それぞれの入力項目の絶対値が大きく異なる場合には、０から１までの範囲となるように入力項目の値を正規化し、正規化した値を用いて計算するようにしてもよい。

対応表５３においては、第１学習カテゴリと第２学習カテゴリとの対応関係を太枠のアイコン５４により表示されている。本実施形態では、関連度が小さく、０に近いほど関連が強いとしており、ＣＰＵ１１は、カテゴリ情報画面５０の初期表示時点においては、関連度を基準に、１つの第２学習カテゴリに対して１つの第１学習カテゴリを対応する学習カテゴリと特定し、その特定結果を、アイコン５４で表示するようにしている。図３の例では、ＣＰＵ１１は、第２学習カテゴリＣＢ１は、最も関連度の小さい第１学習カテゴリＣＡ４と対応し、第２学習カテゴリＣＢ２は、最も関連度の小さい第１学習カテゴリＣＡ３と対応し、第２学習カテゴリＣＢ３は、最も関連度の小さい第１学習カテゴリＣＡ１に対応すると特定し、その対応する箇所のそれぞれにアイコン５４を表示している。

このカテゴリ情報画面５０によると、オペレータは、第１学習カテゴリと、第２学習カテゴリとのいずれが対応しているとされているかを容易に確認することができる。

本実施形態において、ＣＰＵ１１は、オペレータによる入力装置２１の操作により、対応表５３におけるアイコン５４の位置を変更することにより、第１学習カテゴリと第２学習カテゴリとの対応関係の変更を受け付けるようになっている。ＣＰＵ１１は、第１学習カテゴリと第２学習カテゴリとの対応関係の変更を受け付けた場合には、受け付けた対応関係に基づいて、第１実施形態で示した処理を実行する。

アイコン５４は、入力装置２１を操作することにより、対応表５３の同一行を左右方向に移動可能となっている。なお、対応表５３の同一列に他の行のアイコン５４が配置されている場合には、アイコン５４を同一列に移動できないようにしてもよい。本実施形態では、第１学習カテゴリの数が第２学習カテゴリよりも多くても、第２学習カテゴリに対応する第１学習カテゴリが存在しない場合もあるので、対応表５３の右端に「対応なし」の列を設けるようにしており、アイコン５４を対応なしの列に移動できるようにしている。

このカテゴリ情報画面５０によると、オペレータは、第１学習カテゴリと、第２学習カテゴリとの対応関係を自在に変更して設定することができる。

次に、第２実施形態に係る正常異常判別システムの変形例について説明する。なお、第２実施形態に係る正常異常判別システムと同様な部分については、同様な符号を用いて説明する。

図４は、変形例に係るカテゴリ情報画面の一例である。

変形例に係るカテゴリ情報画面６０は、第２実施形態に係るカテゴリ情報画面５０に対して、カテゴリ対応図示領域６１をさらに含んでいる。

カテゴリ対応図示領域６１には、各第１学習カテゴリを、実測データに含まれる複数の項目のいずれか複数（図４では、２つ）を軸とするグラフ上に表示させる第１学習カテゴリグラフ６２と、各第２学習カテゴリを、実測データに含まれる複数の項目のいずれか複数（図４では、２つ）の項目を軸とするグラフ上に表示させる第２学習カテゴリグラフ６３とが表示される。

カテゴリ対応図示領域６１における第１学習カテゴリグラフ６２中の第１学習カテゴリと、第２学習カテゴリグラフ６３中の第２学習カテゴリとの内の対応表５３において対応付けられている第１学習カテゴリと、第２学習カテゴリとは、対応関係を示す対応線６４によって結ばれて表示されており、第１学習カテゴリと、第２学習カテゴリとの対応関係を容易に認識できるようになっている。第１学習カテゴリグラフ６２と、第２学習カテゴリグラフ６３と、対応線６４とは、ＣＰＵ１１の処理によって作成されて、表示されている。なお、図４の例では、第１学習カテゴリグラフ６２と、第２学習カテゴリグラフ６３とは、実測データに含まれる２つの項目を軸とするグラフとしているが、実測データに含まれる３以上の項目を軸とするグラフを表示するようにしてもよい。また、第１学習カテゴリグラフ６２と、第２学習カテゴリグラフ６３とを別のグラフとせずに、同一のグラフ中に、第１学習カテゴリと、第２学習カテゴリとを配置するようにしてもよい。

この変形例に係る正常異常判別システムによると、第１学習カテゴリと、第２学習カテゴリとの対応関係を視覚的に容易に把握することができ、第１学習カテゴリと、第２学習カテゴリとの対応関係を視覚的に確認しながら適切に設定することができる。

なお、本発明は、上述の実施形態に限定されるものではなく、本発明の趣旨を逸脱しない範囲で、適宜変形して実施することが可能である。

例えば、上記第１実施形態では、ＣＰＵ１１は、判別対象データ１０８についての学習カテゴリを特定し、その学習カテゴリが、統合カテゴリ群の学習カテゴリに含まれるか否かを判定することにより、プラント３０の正常異常の判別を行うようにしていたが、本発明はこれに限られず、例えば、判別対象データ１０８が、統合カテゴリ群の学習カテゴリに含まれるか否かを判定することにより、プラント３０の正常異常の判別を行うようにしてもよい。

また、上記実施形態において、ＣＰＵ１１が行っていた処理の一部又は全部を、ハードウェア回路で行うようにしてもよい。また、上記実施形態におけるプログラムは、プログラムソースからインストールされてよい。プログラムソースは、プログラム配布サーバ又は記憶メディア（例えば可搬型の記憶メディア）であってもよい。

１…正常異常判別システム、１０…計算機、１１…ＣＰＵ、１２…メモリ、１３…補助記憶装置、１４…入力Ｉ／Ｆ、１５…通信Ｉ／Ｆ、１６…表示Ｉ／Ｆ、２１…入力装置、２２…表示装置、３０…プラント

Claims (14)

1. 判別対象物において測定される実測データに基づいて前記判別対象物が正常であるか、又は異常であるかを判別する正常異常判別装置であって、
   前記判別対象物において測定される実測データの参考となる参考データに基づいて、前記実測データを、前記判別対象物が正常であることを示すデータと、前記判別対象物が異常であることを示すデータとのいずれであるかを分類するための複数の第１学習カテゴリを特定する第１学習カテゴリ特定部と、
   前記判別対象物において測定された、基準となる実測データである基準データに基づいて、前記実測データが、前記判別対象物が正常であることを示すデータと、前記判別対象物が異常であることを示すデータとのいずれであるかを分類するための１以上の第２学習カテゴリを特定する第２学習カテゴリ特定部と、
   前記第１学習カテゴリと対応する前記第２学習カテゴリとの配置関係に基づいて、前記実測データに対する、前記第１学習カテゴリの内の対応する前記第２学習カテゴリが存在しない１以上の学習カテゴリである対応不存在学習カテゴリに対応する学習カテゴリである対応学習カテゴリの配置を特定する対応学習カテゴリ特定部と、
   前記判別対象物において測定される判別対象データについて、前記第２学習カテゴリ及び前記対応学習カテゴリとの属否を判定することにより、前記判別対象物が正常であるか、異常であるかを判別する判別部と、
   を備える正常異常判別装置。
2. 前記参考データは、前記判別対象物を模擬した物理モデルから出力される模擬データである
   請求項１に記載の正常異常判別装置。
3. 前記参考データは、前記判別対象物と同種の物で測定された実測データである
   請求項１に記載の正常異常判別装置。
4. 前記基準データは、前記判別対象物の比較的短期間の動作時に測定された実測データである
   請求項１から請求項３のいずれか一項に記載の正常異常判別装置。
5. 前記判別部による判別結果を表示装置に表示させる結果表示部をさらに備える
   請求項１から請求項４のいずれか一項に記載の正常異常判別装置。
6. 前記第１学習カテゴリと前記第２学習カテゴリとの対応関係を特定する対応関係特定部をさらに備える
   請求項１から請求項５のいずれか一項に記載の正常異常判別装置。
7. 前記対応関係特定部は、前記実測データに含まれる複数の項目を軸とする座標系における距離に基づいて、前記第１学習カテゴリと前記第２学習カテゴリとの対応関係を特定する
   請求項６に記載の正常異常判別装置。
8. 前記対応関係特定部により特定された前記第１学習カテゴリと、前記第２学習カテゴリとの対応関係を表示させる表示制御部と、をさらに備える
   請求項６又は請求項７に記載の正常異常判別装置。
9. 前記第１学習カテゴリと、前記第２学習カテゴリとの対応関係の指定を受け付ける指定受付部をさらに備える
   請求項１から請求項８のいずれか一項に記載の正常異常判別装置。
10. 前記第１学習カテゴリと、前記第２学習カテゴリとの対応関係の指定を受け付けるための対応関係入力画面を表示させる入力画面表示部をさらに備える
    請求項９に記載の正常異常判別装置。
11. 前記対応関係入力画面には、所定の第１方向に前記第１学習カテゴリを示す表示が配置され、前記第１方向と垂直な第２方向に前記第２学習カテゴリを示す表示が配置され、前記第２学習カテゴリを示す表示のそれぞれに対応する位置に入力デバイスの操作により前記第１方向に移動可能なアイコンが配置されており、
    前記指定受付部は、前記アイコンの位置が前記入力デバイスの操作により確定された場合に、前記対応関係入力画面における前記アイコンの位置に対応する前記第１学習カテゴリと前記第２学習カテゴリとを対応する学習カテゴリとして受け付ける
    請求項１０に記載の正常異常判別装置。
12. 前記第１学習カテゴリと、前記第２学習カテゴリとのそれぞれを、前記実測データに含まれる複数の項目を軸とするグラフ上に表示させると共に、前記第１学習カテゴリと、前記第２学習カテゴリとの対応関係を認識可能に表示させる対応グラフ表示制御部をさらに備える
    請求項１から請求項１１のいずれか一項に記載の正常異常判別装置。
13. 判別対象物において測定される実測データに基づいて前記判別対象物が正常であるか、又は異常であるかを判別する正常異常判別装置による正常異常判別方法であって、
    前記判別対象物において測定される実測データの参考となる参考データに基づいて、前記実測データを、前記判別対象物が正常であることを示すデータと、前記判別対象物が異常であることを示すデータとのいずれであるかを分類するための複数の第１学習カテゴリを特定し、
    前記判別対象物において測定された、基準となる実測データである基準データに基づいて、前記実測データを、前記判別対象物が正常であることを示すデータと、前記判別対象物が異常であることを示すデータとのいずれであるかを分類するための１以上の第２学習カテゴリを特定し、
    前記第１学習カテゴリと対応する前記第２学習カテゴリとの位置関係に基づいて、前記実測データに対する、前記第１学習カテゴリの内の対応する前記第２学習カテゴリが存在しない１以上の学習カテゴリである対応不存在学習カテゴリに対応する学習カテゴリである対応学習カテゴリの配置を特定し、
    前記判別対象物において測定される判別対象の実測データである判別対象データについて、前記第２学習カテゴリ及び前記対応学習カテゴリとの属否を判定することにより、前記判別対象物が正常であるか、異常であるかを判別する
    正常異常判別方法。
14. 正常異常の判別対象となる判別対象物と、前記判別対象物において測定される実測データに基づいて前記判別対象物が正常であるか、又は異常であるかを判別する正常異常判別装置とを備える正常異常判別システムであって、
    前記正常異常判別装置は、
    前記判別対象物において測定される実測データの参考となる参考データに基づいて、前記実測データを、前記判別対象物が正常であることを示すデータと、前記判別対象物が異常であることを示すデータとのいずれであるかを分類するための複数の第１学習カテゴリを特定する第１学習カテゴリ特定部と、
    前記判別対象物において測定され、基準となる実測データである基準データに基づいて、前記実測データが、前記判別対象物が正常であることを示すデータと、前記判別対象物が異常であることを示すデータとのいずれであるかを分類するための１以上の第２学習カテゴリを特定する第２学習カテゴリ特定部と、
    前記第１学習カテゴリと対応する前記第２学習カテゴリとの位置関係に基づいて、前記実測データに対する、前記第１学習カテゴリの内の対応する前記第２学習カテゴリが存在しない１以上の学習カテゴリである対応不存在学習カテゴリに対応する学習カテゴリである対応学習カテゴリの配置を特定する対応学習カテゴリ特定部と、
    前記判別対象物において測定される判別対象データについて、前記第２学習カテゴリ及び前記対応学習カテゴリとの属否を判別することにより、前記判別対象物が正常であるか、異常であるかを判別する判別部と、を備える
    正常異常判別システム。