JP7125518B2

JP7125518B2 - Abnormality diagnosis support method and abnormality diagnosis support device for multivariate data

Info

Publication number: JP7125518B2
Application number: JP2021011102A
Authority: JP
Inventors: 和久堤
Original assignee: Mitsubishi Heavy Industries Ltd
Current assignee: Mitsubishi Heavy Industries Ltd
Priority date: 2021-01-27
Filing date: 2021-01-27
Publication date: 2022-08-24
Anticipated expiration: 2041-01-27
Also published as: JP2022114704A

Description

本開示は、多変量データの異常診断支援方法及び異常診断支援装置に関する。 The present disclosure relates to an abnormality diagnosis support method and an abnormality diagnosis support device for multivariate data.

特許文献１には、プラントの危機の計測信号の健全性を的確に判断するためのプラント信号監視方法が開示されている。この方法では、同種類の複数の計測信号が一定周期でサンプリングされ、多次元の状態空間のデータ集合がそれぞれ求められる。そして、データ集合におけるデータ間の距離を用いてデータ集合のクラスタ分析を行い、この距離が閾値を超えたか否かにより、各計測信号の異常、正常が識別される。 Patent Literature 1 discloses a plant signal monitoring method for accurately determining the soundness of a plant crisis measurement signal. In this method, a plurality of measurement signals of the same type are sampled at regular intervals, and data sets in a multidimensional state space are obtained for each. Cluster analysis of the data set is then performed using the distance between data in the data set, and whether each measurement signal is abnormal or normal is identified based on whether or not this distance exceeds a threshold.

特開平０５－２５６７４１号公報JP-A-05-256741

特許文献１に記載されるような一般的なクラスタ分析では、各データ間の距離を算出して距離が大きいデータは非類似度が高い（類似度が低い、すなわち仲間外れ度が高い）と見なす。しかしながら、このような一般的なクラスタ分析では、相関関係のある複数のデータが存在する場合、この距離が実態より大きく算出されて非類似度が実態より高く出てしまうため、クラスタ分析の結果に基づいて多変量データの異常診断を精度良く行うことが困難となる場合がある。 In general cluster analysis as described in Patent Document 1, the distance between each data is calculated, and data with a large distance is considered to have a high degree of dissimilarity (low similarity, ie, high degree of exclusion). However, in such a general cluster analysis, when there are multiple pieces of correlated data, this distance is calculated to be larger than the actual value, and the dissimilarity is higher than the actual value. Based on this, it may be difficult to accurately perform abnormality diagnosis of multivariate data.

上述の事情に鑑みて、本開示は、プラントに関する複数の変数からなる多変量データの異常診断を精度良く行うことを可能とする、多変量データの異常診断支援方法及び異常診断支援装置を提供することを目的とする。 In view of the above circumstances, the present disclosure provides a multivariate data abnormality diagnosis support method and abnormality diagnosis support device that enable accurate abnormality diagnosis of multivariate data consisting of a plurality of variables related to a plant. The purpose is to

上記目的を達成するため、本開示の少なくとも一実施形態に係る多変量データの異常診断支援方法は、
プラントに関する複数の変数からなる多変量データの集合について、前記集合の複数の主成分軸にそれぞれ対応する複数の主成分スコアからなる主成分スコアデータの集合を算出する主成分スコアデータ算出ステップと、
前記複数の主成分スコアの各々について、前記主成分スコアのばらつきを示す指標に基づいて前記主成分スコアのスケーリングを行って、スケーリング済みの複数の主成分スコアからなるスケーリング済主成分スコアデータの集合を生成するスケーリングステップと、
前記複数の主成分軸の各々を座標軸として、前記スケーリング済主成分スコアデータにより定まる座標に基づいて、前記スケーリング済主成分スコアデータの集合における前記スケーリング済主成分スコアデータ間の距離を算出する距離算出ステップと、
前記距離算出ステップで算出した前記距離を用いて前記スケーリング済主成分スコアデータの集合のクラスタ分析を行うクラスタ分析ステップと、
を備える。 In order to achieve the above object, a multivariate data abnormality diagnosis support method according to at least one embodiment of the present disclosure includes:
a principal component score data calculation step of calculating a set of principal component score data consisting of a plurality of principal component scores respectively corresponding to a plurality of principal component axes of the set, for a set of multivariate data consisting of a plurality of variables relating to the plant;
A set of scaled principal component score data composed of a plurality of scaled principal component scores, for each of the plurality of principal component scores, by scaling the principal component score based on an index indicating variation in the principal component score a scaling step that produces
A distance for calculating a distance between the scaled principal component score data in the set of scaled principal component score data based on coordinates determined by the scaled principal component score data, with each of the plurality of principal component axes as a coordinate axis. a calculation step;
a cluster analysis step of performing cluster analysis on the set of scaled principal component score data using the distance calculated in the distance calculation step;
Prepare.

上記目的を達成するため、本開示の少なくとも一実施形態に係る多変量データの異常診断支援装置は、
プラントに関する複数の変数からなる多変量データの集合について、前記集合の複数の主成分軸にそれぞれ対応する複数の主成分スコアからなる主成分スコアデータの集合を算出するように構成された主成分スコアデータ算出部と、
前記複数の主成分スコアの各々について、前記主成分スコアのばらつきを示す指標に基づいて前記主成分スコアのスケーリングを行って、スケーリング済みの複数の主成分スコアからなるスケーリング済主成分スコアデータの集合を生成するように構成されたスケーリング部と、
前記複数の主成分軸の各々を座標軸として、前記スケーリング済主成分スコアデータにより定まる座標に基づいて、前記スケーリング済主成分スコアデータの集合における前記スケーリング済主成分スコアデータ間の距離を算出するように構成された距離算出部と、
前記距離算出部で算出した前記距離を用いて前記スケーリング済主成分スコアデータの集合のクラスタ分析を行うように構成されたクラスタ分析部と、
を備える。 In order to achieve the above object, a multivariate data abnormality diagnosis support device according to at least one embodiment of the present disclosure includes:
A principal component score configured to calculate, for a set of multivariate data of a plurality of variables relating to a plant, a set of principal component score data consisting of a plurality of principal component scores respectively corresponding to a plurality of principal component axes of said set. a data calculation unit;
A set of scaled principal component score data composed of a plurality of scaled principal component scores, for each of the plurality of principal component scores, by scaling the principal component score based on an index indicating variation in the principal component score a scaling unit configured to generate
using each of the plurality of principal component axes as a coordinate axis, and calculating a distance between the scaled principal component score data in the set of scaled principal component score data based on coordinates determined by the scaled principal component score data; a distance calculator configured to
a cluster analysis unit configured to perform cluster analysis on the set of scaled principal component score data using the distance calculated by the distance calculation unit;
Prepare.

本開示によれば、プラントに関する複数の変数からなる多変量データの異常診断を精度良く行うことを可能とする、多変量データの異常診断支援方法及び異常診断支援装置が提供される。 According to the present disclosure, there is provided a multivariate data abnormality diagnosis support method and abnormality diagnosis support device that enable accurate abnormality diagnosis of multivariate data composed of a plurality of variables related to a plant.

一実施形態に係る異常診断支援装置１００及び風力発電プラント１の概略図である。1 is a schematic diagram of an abnormality diagnosis support device 100 and a wind power plant 1 according to an embodiment; FIG. 図１に示した風車２における風車翼４のピッチ角の調節に関する構成の一例を示す概略図である。FIG. 2 is a schematic diagram showing an example of a configuration related to adjustment of the pitch angle of the wind turbine blades 4 in the wind turbine 2 shown in FIG. 1; 図２に示した異常診断支援装置１００のハードウェア構成の一例を示すブロック図である。3 is a block diagram showing an example of the hardware configuration of the abnormality diagnosis support device 100 shown in FIG. 2; FIG. 図２及び図３に示した異常診断支援装置１００の機能的な構成の一例を示すブロック図である。4 is a block diagram showing an example of a functional configuration of the abnormality diagnosis support device 100 shown in FIGS. 2 and 3; FIG. 図２～図４に示した異常診断支援装置１００による異常診断のフローの一例を示す図である。FIG. 5 is a diagram showing an example flow of abnormality diagnosis by the abnormality diagnosis support device 100 shown in FIGS. 2 to 4; FIG. 比較例におけるクラスタ分析の結果を示す樹形図である。It is a tree diagram showing the result of cluster analysis in a comparative example. 上記異常診断支援装置１００によるクラスタ分析の結果を示す実施例の樹形図である。FIG. 4 is a tree diagram of an embodiment showing the results of cluster analysis by the abnormality diagnosis support device 100; FIG. 異常データを利用した上記クラスタ分析の結果を示す樹形図である。It is a tree diagram showing the result of the cluster analysis using the abnormal data.

以下、添付図面を参照して本開示の幾つかの実施形態について説明する。ただし、実施形態として記載されている又は図面に示されている構成部品の寸法、材質、形状、その相対的配置等は、発明の範囲をこれに限定する趣旨ではなく、単なる説明例にすぎない。
例えば、「ある方向に」、「ある方向に沿って」、「平行」、「直交」、「中心」、「同心」或いは「同軸」等の相対的或いは絶対的な配置を表す表現は、厳密にそのような配置を表すのみならず、公差、若しくは、同じ機能が得られる程度の角度や距離をもって相対的に変位している状態も表すものとする。
例えば、「同一」、「等しい」及び「均質」等の物事が等しい状態であることを表す表現は、厳密に等しい状態を表すのみならず、公差、若しくは、同じ機能が得られる程度の差が存在している状態も表すものとする。
例えば、四角形状や円筒形状等の形状を表す表現は、幾何学的に厳密な意味での四角形状や円筒形状等の形状を表すのみならず、同じ効果が得られる範囲で、凹凸部や面取り部等を含む形状も表すものとする。
一方、一の構成要素を「備える」、「具える」、「具備する」、「含む」、又は、「有する」という表現は、他の構成要素の存在を除外する排他的な表現ではない。 Several embodiments of the present disclosure will now be described with reference to the accompanying drawings. However, the dimensions, materials, shapes, relative arrangements, etc. of the components described as embodiments or shown in the drawings are not intended to limit the scope of the invention, but are merely illustrative examples. .
For example, expressions denoting relative or absolute arrangements such as "in a direction", "along a direction", "parallel", "perpendicular", "center", "concentric" or "coaxial" are strictly not only represents such an arrangement, but also represents a state of relative displacement with a tolerance or an angle or distance to the extent that the same function can be obtained.
For example, expressions such as "identical", "equal", and "homogeneous", which express that things are in the same state, not only express the state of being strictly equal, but also have tolerances or differences to the extent that the same function can be obtained. It shall also represent the existing state.
For example, expressions that express shapes such as squares and cylinders do not only represent shapes such as squares and cylinders in a geometrically strict sense, but also include irregularities and chamfers to the extent that the same effect can be obtained. The shape including the part etc. shall also be represented.
On the other hand, the expressions "comprising", "comprising", "having", "including", or "having" one component are not exclusive expressions excluding the presence of other components.

図１は、一実施形態に係る異常診断支援装置１００及び風力発電プラント１の概略図である。 FIG. 1 is a schematic diagram of an abnormality diagnosis support device 100 and a wind power plant 1 according to one embodiment.

異常診断支援装置１００は、風力発電プラント１の異常診断の支援及び／又は異常診断を行うように構成されている。図示する例では、風力発電プラント１は、複数の風車２を含んでいるが、他の実施形態では、風力発電プラント１は１つの風車２のみによって構成されていてもよい。 The abnormality diagnosis support device 100 is configured to support and/or perform abnormality diagnosis of the wind power plant 1 . In the illustrated example, the wind power plant 1 includes a plurality of wind turbines 2, but in other embodiments the wind power plant 1 may consist of only one wind turbine 2.

図２は、図１に示した風車２における風車翼４のピッチ角の調節に関する構成の一例を示す概略図である。図２に示す例では、風車２は、油圧ポンプ１５の油圧によって風車翼４のピッチ角を調節する油圧制御タイプのピッチ制御機構２０と、ピッチ制御機構２０を制御するように構成された風車コントローラ４５を備える。風車コントローラ４５は異常診断支援装置１００と通信ネットワークを介して接続されている。異常診断支援装置１００は、風力発電プラント１から風車コントローラ４５を介して取得した各種情報に基づいて風車２のピッチ制御機構２０の異常診断の支援及び／又は異常診断を行うように構成されている。 FIG. 2 is a schematic diagram showing an example of a configuration related to pitch angle adjustment of the wind turbine blades 4 in the wind turbine 2 shown in FIG. In the example shown in FIG. 2 , the wind turbine 2 includes a hydraulic control type pitch control mechanism 20 that adjusts the pitch angle of the wind turbine blades 4 by hydraulic pressure of a hydraulic pump 15 , and a wind turbine controller configured to control the pitch control mechanism 20 . 45. The wind turbine controller 45 is connected to the abnormality diagnosis support device 100 via a communication network. The abnormality diagnosis support device 100 is configured to support and/or perform abnormality diagnosis of the pitch control mechanism 20 of the wind turbine 2 based on various information acquired from the wind power plant 1 via the wind turbine controller 45. .

ピッチ制御機構２０は、風車翼４のピッチ角を変化させるように構成されたピッチ駆動装置１４を含む。ピッチ駆動装置１４は、複数の風車翼４の各々に設けられる。各ピッチ駆動装置１４は、油圧シリンダ１６（ピッチアクチュエータ）及び電磁比例弁１８を含み、該ピッチ駆動装置１４に対応する風車翼４のピッチ角を変化させるように構成されている。ピッチ駆動装置１４は、風車翼４に接続されて、風車翼４のピッチ角を変化させるように作動する油圧式のピッチアクチュエータを含む。 The pitch control mechanism 20 includes a pitch drive 14 configured to change the pitch angle of the wind turbine blades 4 . A pitch drive device 14 is provided for each of the plurality of wind turbine blades 4 . Each pitch drive device 14 includes a hydraulic cylinder 16 (pitch actuator) and an electromagnetic proportional valve 18 and is configured to change the pitch angle of the wind turbine blade 4 corresponding to the pitch drive device 14 . The pitch drive 14 includes a hydraulic pitch actuator that is connected to the wind turbine blades 4 and operates to change the pitch angle of the wind turbine blades 4 .

ピッチ制御機構２０は、上記ピッチ駆動装置１４と、油圧源としての油圧ポンプ１５と、油を貯留するための油タンク（不図示）と、油圧ポンプ１５と油圧シリンダ１６との間に設けられた供給ライン２６と、圧油を蓄積するためのアキュムレータ４１と、ピッチ角センサ４２と、圧力センサ４４とを含む。油タンクに貯留された油は、油圧ポンプ１５で加圧されて供給ライン２６を介して油圧シリンダ１６に供給されるようになっている。 The pitch control mechanism 20 is provided between the pitch driving device 14, a hydraulic pump 15 as a hydraulic source, an oil tank (not shown) for storing oil, the hydraulic pump 15, and the hydraulic cylinder 16. It includes a supply line 26 , an accumulator 41 for accumulating pressure oil, a pitch angle sensor 42 and a pressure sensor 44 . The oil stored in the oil tank is pressurized by the hydraulic pump 15 and supplied to the hydraulic cylinder 16 via the supply line 26 .

アキュムレータ４１は、供給ライン２６に接続されており、供給ライン２６に圧油を供給可能に構成されている。ピッチ角センサ４２は、風車翼４のピッチ角を計測するように構成されている。圧力センサ４４は、アキュムレータ４１の圧力（アキュムレータ４１内の圧油の圧力）を計測するように構成されている。 The accumulator 41 is connected to the supply line 26 and configured to supply pressure oil to the supply line 26 . The pitch angle sensor 42 is configured to measure the pitch angle of the wind turbine blades 4 . The pressure sensor 44 is configured to measure the pressure of the accumulator 41 (the pressure of the pressure oil inside the accumulator 41).

ピッチ駆動装置１４は、風車２が有する複数の風車翼４の各々に対応して設けられている。図２においては１つの風車翼４に対応するピッチ駆動装置１４のみが明示的に図示されており、他の風車翼４に対応するピッチ駆動装置１４の図示は省略されているが、各風車翼４に対応するピッチ駆動装置１４は、それぞれ同様の構成を有する。 A pitch drive device 14 is provided corresponding to each of the plurality of wind turbine blades 4 of the wind turbine 2 . In FIG. 2, only the pitch drive device 14 corresponding to one wind turbine blade 4 is explicitly illustrated, and the illustration of the pitch drive device 14 corresponding to the other wind turbine blades 4 is omitted. 4 have the same configuration.

図３は、図２に示した異常診断支援装置１００のハードウェア構成の一例を示すブロック図である。図４は、図２及び図３に示した異常診断支援装置１００の機能的な構成の一例を示すブロック図である。図５は、図２～図４に示した異常診断支援装置１００による異常診断のフローの一例を示す図である。 FIG. 3 is a block diagram showing an example of the hardware configuration of the abnormality diagnosis support device 100 shown in FIG. 2. As shown in FIG. FIG. 4 is a block diagram showing an example of the functional configuration of the abnormality diagnosis support device 100 shown in FIGS. 2 and 3. As shown in FIG. FIG. 5 is a diagram showing an example flow of abnormality diagnosis by the abnormality diagnosis support device 100 shown in FIGS.

図３に示すように、異常診断支援装置１００は、例えばプロセッサ７２、ＲＡＭ（ＲａｎｄｏｍＡｃｃｅｓｓＭｅｍｏｒｙ）７４、ＲＯＭ（ＲｅａｄＯｎｌｙＭｅｍｏｒｙ）７６、ＨＤＤ（ＨａｒｄＤｉｓｋＤｒｉｖｅ）７８、入力Ｉ／Ｆ８０、及び出力Ｉ／Ｆ８２を含み、これらがバス８４を介して互いに接続されたコンピュータを用いて構成される。また異常診断支援装置１００は、異常診断支援装置１００の各機能を実現するプログラムをコンピュータが実行することにより構成される。以下で説明する異常診断支援装置１００における各部の機能は、例えばＲＯＭ７６に保持されるプログラムをＲＡＭ７４にロードしてプロセッサ７２で実行するとともに、ＲＡＭ７４やＲＯＭ７６におけるデータの読み出し及び書き込みを行うことで実現される。 As shown in FIG. 3, the abnormality diagnosis support device 100 includes, for example, a processor 72, a RAM (Random Access Memory) 74, a ROM (Read Only Memory) 76, a HDD (Hard Disk Drive) 78, an input I/F 80, and an output I /F 82 , which are connected to each other via a bus 84 using a computer. The abnormality diagnosis support device 100 is configured by a computer executing a program that realizes each function of the abnormality diagnosis support device 100 . The function of each part of the abnormality diagnosis support device 100 described below is realized by loading a program stored in the ROM 76 into the RAM 74 and executing it by the processor 72, and by reading and writing data in the RAM 74 and the ROM 76, for example. be.

図４に示すように異常診断支援装置１００は、取得部５０、正規化部５２、主成分スコアデータ算出部５４、スケーリング部５６、距離算出部５８、クラスタ分析部６０及び異常診断部６２及び記憶部６４を含む。以下、図４に示した各構成の機能を図５に示すフローを用いて説明する。 As shown in FIG. 4, the abnormality diagnosis support device 100 includes an acquisition unit 50, a normalization unit 52, a principal component score data calculation unit 54, a scaling unit 56, a distance calculation unit 58, a cluster analysis unit 60, an abnormality diagnosis unit 62, and a storage unit. including portion 64 . The function of each configuration shown in FIG. 4 will be described below using the flow shown in FIG.

Ｓ１０１において、取得部５０は、ピッチ制御機構２０の状態に関する複数種類の計測値を計測する計測モードを実行することにより得られた複数種類の計測値からなる多変量データｘ_ｉｊ（以下、多変量データを単にデータという。）の集合を取得する。取得部５０は、複数種類の計測値からなるデータｘ_ｉｊを複数の風車の各々について１回以上計測することで得られた、複数種類の計測値からなるデータｘ_ｉｊの集合を取得する。ここでの複数種類の計測値は、ピッチ制御機構２０のトラブルに関係する複数の計測値であり、油圧ポンプ１５の運転停止中に風車コントローラ４５が計測モードを実行することによって計測されてもよい。ここで、ｉは風車翼４の番号（ラベル）であり、例えば３６枚分の風車翼４の計測値がある場合には、ｉは１～３６である。ｊは、風車翼４毎に計測される計測値の種類を示す番号（ラベル）であり、例えば計測値の種類が３種類ある場合には、ｊは１～３である。 In S101, the acquisition unit 50 acquires multivariate data x _ij (hereinafter referred to as multivariate Data is simply called data.). The acquisition unit 50 acquires a set of data x _ij consisting of multiple types of measured values obtained by measuring the data x _ij consisting of multiple types of measured values for each of the plurality of wind turbines one or more times. The multiple types of measured values here are multiple measured values related to troubles of the pitch control mechanism 20, and may be measured by the wind turbine controller 45 executing the measurement mode while the operation of the hydraulic pump 15 is stopped. . Here, i is the number (label) of the wind turbine blade 4. For example, i is 1 to 36 when there are measured values of 36 wind turbine blades 4. FIG. j is a number (label) indicating the type of measurement value measured for each wind turbine blade 4. For example, j is 1 to 3 when there are three types of measurement values.

ピッチ制御機構２０に関して、油圧ポンプ１５で作動油を加圧している状態で油供給系統の油漏れの可能性を診断するのは難しく、例えばフィードバック制御等をしている場合にはその診断は特に難しくなりやすい。このため、上記のように油圧ポンプ１５の運転停止中に計測モードを実行することが好ましい。なお、ここでの計測モードとは、複数種類の計測値からなるデータｘ_ｉｊを計測するためにピッチ制御機構を動作させる計測用のシーケンス（所定のデータ取得パターン）を意味する。 Regarding the pitch control mechanism 20, it is difficult to diagnose the possibility of oil leakage in the oil supply system while the hydraulic pump 15 is pressurizing the hydraulic oil. It can get difficult. Therefore, it is preferable to execute the measurement mode while the operation of the hydraulic pump 15 is stopped as described above. The measurement mode here means a measurement sequence (predetermined data acquisition pattern) for operating the pitch control mechanism in order to measure data _xij consisting of a plurality of types of measurement values.

なお、上記複数種類の計測値は、油圧ポンプの運転中又は運転停止中に計測モードを実行することによって計測され、例えば、ピッチ角センサ４２によって計測されたピッチ角、ピッチ角を所定角度変化させるのに要した時間、時間当たりのピッチ角の変位、ピッチ角を変化させるために電磁比例弁１８に印加される電流の電流値、ピッチ角を変化させるためのアキュムレータ４１の圧力値、及び時間当たりのアキュムレータの圧力の変化量、のうち少なくとも１種類の計測値を含んでいてもよい。 The plurality of types of measured values are measured by executing the measurement mode while the hydraulic pump is operating or not operating. For example, the pitch angle measured by the pitch angle sensor 42 and the pitch angle are changed by a predetermined angle. The time required for this, the displacement of the pitch angle per time, the current value of the current applied to the electromagnetic proportional valve 18 for changing the pitch angle, the pressure value of the accumulator 41 for changing the pitch angle, and per time and the amount of change in pressure of the accumulator.

Ｓ１０２において、正規化部５２は、取得部５０によって取得した複数種類の計測値からなるデータｘ_ｉｊを以下の式（ａ）に示すように正規化（Ｚ得点化）する。

ここで、Ｚ_ｉｊは取得部５０によって取得した複数種類の計測値からなるデータｘ_ｉｊ

種類ｊ毎のデータの平均値（例えば３６枚分の風車翼４のデータがある場合には、３６枚分の風車翼４についての計測値の種類ｊ毎の計測値の平均値）であり、ｕ_ｊ ^２は、複数種類の計測値からなるデータｘ_ｉｊの集合における計測値の種類ｊ毎の不偏分散である。 In S102, the normalization unit 52 normalizes (Z-scores) the data x _ij composed of multiple types of measurement values acquired by the acquisition unit 50 as shown in the following equation (a).

Here, Z _ij is data x _ij consisting of multiple types of measurement values acquired by the acquisition unit 50

is the average value of data for each type j (for example, when there are data for 36 wind turbine blades 4, the average value of the measurement values for each type j of the 36 wind turbine blades 4); u _j ² is the unbiased variance for each type j of measured values in a set of data x _ij consisting of multiple types of measured values.

なお、不偏分散ｕ_ｊ ^２は、以下の式（ｂ）により求めることができる。

ここで、ｎはデータｘ_ｉｊの集合におけるデータ数（上記の例では風車翼４の枚数である３６）である。 The unbiased variance u _j ² can be obtained by the following formula (b).

Here, n is the number of data in the set of data x _ij (36, which is the number of wind turbine blades 4 in the above example).

Ｓ１０３において、主成分スコアデータ算出部５４は、正規化部５２によって算出した上記Ｚ得点のデータＺ_ｉｊの集合について主成分分析を行って、該集合の複数の主成分軸と、該主成分軸にそれぞれ対応する複数の主成分スコアからなる主成分スコアデータＳ_ｉｊの集合とを算出する。すなわち、主成分スコアデータ算出部５４は、上記Ｚ得点のデータＺ_ｉｊについて分散共分散行列（相関行列）を求めて、該分散共分散行列の固有ベクトルを上記Ｚ得点のデータＺ_ｉｊに掛けることにより、各主成分軸に対応する主成分スコアＳ_ｉｊを算出する。ここで、主成分スコアＳ_ｉｊにおけるｊは主成分の次数であり、例えばｊが１～３までの場合について例示すると、主成分スコアデータＳ_ｉｊは下記行列式（ｃ）により算出される。

１主成分の固有ベクトル、第２主成分の固有ベクトル及び第３主成分の固有ベクトルである。 In S103, the principal component score data calculation unit 54 performs principal component analysis on the set of Z score data _Zij calculated by the normalization unit 52, and obtains a plurality of principal component axes of the set and the principal component axis and a set of principal component score data S _ij consisting of a plurality of principal component scores respectively corresponding to . That is, the principal component score data calculation unit 54 obtains a variance-covariance matrix (correlation matrix) for the Z-score data _Zij , and multiplies the Z-score data _Zij by the eigenvector of the variance-covariance matrix. , a principal component score S _ij corresponding to each principal component axis is calculated. Here, j in the principal component score S _ij is the order of the principal component, and taking j as an example from 1 to 3, the principal component score data S _ij is calculated by the following determinant (c).

The eigenvector of the first principal component, the eigenvector of the second principal component, and the eigenvector of the third principal component.

次に、Ｓ１０４において、スケーリング部５６は、複数の主成分スコアＳ_ｉｊの各々について、主成分スコアＳ_ｉｊのばらつきを示す指標に基づいて主成分スコアＳ_ｉｊのスケーリングを行って、スケーリング済みの複数の主成分スコアからなるスケーリング済主成分スコアデータＳ´_ｉｊの集合を生成する。ここで、主成分スコアＳ_ｉｊのばらつきを示す指標は、例えば上記主成分分析による主成分スコアＳｉｊの第ｊ主成分のデータ集合における不偏分散Ｕ_Ｓｊ ^２での平方根であってもよく、この場合、スケーリング済スコアデータＳ´_ｉｊは、下記式（ｄ）に示すように、複数の主成分スコアＳ_ｉｊの各々を不偏分散Ｕ_Ｓｊ ^２の平方根で除算することより算出される。

Next, in S104, the scaling unit 56 scales each of the plurality of principal component scores S _ij based on the index indicating the variation of the principal component scores S _ij to obtain the scaled plurality of scores S _ij . generates a set of scaled principal component score data _S'ij consisting of principal component scores of . Here, the index indicating the variation of the principal component score S _ij may be, for example, the square root of the unbiased variance U _Sj ² in the data set of the j-th principal component of the principal component score S ij obtained by the principal component analysis. , the scaled score data S′ _ij is calculated by dividing each of the plurality of principal component scores S _ij by the square root of the unbiased variance U _Sj ² , as shown in the following equation (d).

Ｓ１０５において、距離算出部５８は、Ｓ１０３で算出した複数の主成分軸の各々を座標軸として、Ｓ１０４で算出したスケーリング済主成分スコアデータＳ´_ｉｊにより定まる座標に基づいて、スケーリング済主成分スコアデータＳ´_ｉｊの集合におけるスケーリング済主成分スコアデータＳ´_ｉｊ間のユークリッド距離ｄ（スケーリング済主成分スコアデータＳ´_ｉｊの点間距離）を算出する。 In S105, the distance calculation unit 58 calculates the scaled principal component score data based on the coordinates determined by the scaled principal component score data _S'ij calculated in S104, using each of the plurality of principal component axes calculated in S103 as the coordinate axis. Euclidean distance d between scaled principal component score data _S'ij in the set of _S'ij (distance between points of scaled principal component score data _S'ij ) is calculated.

Ｓ１０６において、クラスタ分析部６０は、Ｓ１０５で算出したユークリッド距離ｄを用いてスケーリング済主成分スコアデータＳ´_ｉｊの集合のクラスタ分析を行う。クラスタ分析の手法は既知の種々の手法を用いることができるが、例えば階層的クラスタリングの手法の１つであるウォード法等を用いてもよい。 In S106, the cluster analysis unit 60 performs cluster analysis on the set of scaled principal component score data _S'ij using the Euclidean distance d calculated in S105. Various known methods can be used for cluster analysis, and for example, Ward's method, which is one of hierarchical clustering methods, may be used.

ここで、上記異常診断支援装置１００によるクラスタ分析の結果（Ｓ１０６におけるクラスタ分析の結果）の例を、比較例と対比して説明する。図６は、比較例におけるクラスタ分析の結果を示す樹形図（デンドログラム）であり、Ｓ１０３で算出したＺ得点のデータＺ_ｉｊの集合に対してクラスタ分析を行った結果を示している。図７は、上記異常診断支援装置１００によるクラスタ分析の結果を示す実施例の樹形図である。 Here, an example of the cluster analysis result (the cluster analysis result in S106) by the abnormality diagnosis support device 100 will be described in comparison with a comparative example. FIG. 6 is a tree diagram (dendrogram) showing the results of cluster analysis in the comparative example, and shows the results of performing cluster analysis on the set of Z score data _Zij calculated in S103. FIG. 7 is a tree diagram of an embodiment showing the results of cluster analysis by the abnormality diagnosis support device 100. As shown in FIG.

図６に示す比較例では、ｉ＝１８のデータＺ_１８ｊの高さ（非類似度）が突出して高く、他のデータの高さは目立たないのに対して、図７に示す実施例では、ｉ＝１８のデータＳ´_１８ｊの高さはやや低くなり、ｉ＝３０のデータＳ´_３０ｊの高さが高くなっているのが分かる。 In the comparative example shown in FIG. 6, the height (dissimilarity) of the data Z _18j for i=18 is remarkably high, and the heights of the other data are inconspicuous, whereas in the example shown in FIG. It can be seen that the height of the data _S'18j for i=18 is slightly lower and the height of the data _S'30j for i=30 is higher.

これは、比較例では、ｉ＝１８のデータＺ_１８ｊは、相関関係のある複数のデータの影響を受けて非類似度（仲間外れ度）が実態より高くなっており、ｉ＝３０のデータＺ_３０ｊは高さが低く他のデータに埋もれていたのに対し、実施例では、Ｓ１０４における主成分分析とＳ１０５におけるスケーリングを行ってからクラスタ分析を行っているため、データの相関関係が適切に考慮された結果と考えられる。これにより、実施例では、ｉ＝１８のデータＳ´_１８ｊの高さが適切に評価されるとともに、他のデータに埋もれていたｉ＝３０のデータＳ´_３０ｊがｉ＝１８に次ぐ高さとなり、ｉ＝３０のデータＳ´_３０ｊに異常がある可能性を読み取ることが可能となった。 This is because, in the comparative example, the data Z _18j with i=18 has a higher degree of dissimilarity (the degree of dissimilarity) due to the influence of a plurality of correlated data, and the data Z _30j with i=30 is low and buried in other data, in the embodiment, the cluster analysis is performed after the principal component analysis in S104 and the scaling in S105, so the correlation of the data is appropriately considered. This is thought to be the result of As a result, in the embodiment, the height of the data _S'18j of i=18 is appropriately evaluated, and the data _S'30j of i=30, which was buried in the other data, becomes the height next to i=18. , i=30 data S' _30j may be abnormal.

このように、従来の一般的なクラスタ分析では、相関関係のある複数のデータの影響を受けてデータの非類似度が実態より高くなる場合や、その反対に他のデータに埋もれてしまう場合があり、データの類似度を適切に評価してクラスタ分類を行うことが困難であった。 In this way, in the conventional general cluster analysis, there are cases where the dissimilarity of the data is higher than it really is due to the influence of multiple correlated data, or on the contrary, it is buried in other data. Therefore, it was difficult to appropriately evaluate the similarity of data and perform cluster classification.

これに対し、上記異常診断支援装置１００の新規なクラスタ分析の手法によれば、風力発電プラント１のピッチ制御機構２０の状態に関する複数の変数からなるデータｘ_ｉｊの集合について、正規化後に主成分スコアデータＳ_ｉｊの集合を算出してスケーリングを行ってからクラスタ分析を行っている。主成分分析によるデータの変換は、データ組間のユークリッド距離に影響しない。また、主成分軸は分散が最大の方向すなわち相関関係の方向であり、主成分スコア間の相関係数は０である。この主成分スコアを主成分スコアのばらつきを示す指標（上記の例では不偏分散の平方根）に応じて拡大又は縮小することにより最初のデータｘ_ｉｊ間の相関関係を適切に考慮することができる。したがって、データの相関関係を少ない計算量で適切に考慮した上で、データの類似度を適切に評価してクラスタに分類することができる。これにより、クラスタ分析の結果に基づいて異常診断を精度良く行うことができる。 On the other hand, according to the novel cluster analysis method of the abnormality diagnosis support device 100, for a set of data _xij consisting of a plurality of variables regarding the state of the pitch control mechanism 20 of the wind power plant 1, the principal component Cluster analysis is performed after calculating a set of score data _Sij and performing scaling. Transforming the data by principal component analysis does not affect the Euclidean distance between data sets. Also, the principal component axis is the direction of maximum variance, that is, the direction of correlation, and the correlation coefficient between principal component scores is zero. By expanding or contracting this principal component score according to the index indicating the variation of the principal component score (the square root of the unbiased variance in the above example), the correlation between the initial data x _ij can be appropriately considered. Therefore, it is possible to properly consider the correlation of data with a small amount of calculation, and to appropriately evaluate the similarity of data and classify them into clusters. As a result, it is possible to accurately perform abnormality diagnosis based on the result of cluster analysis.

また、上記異常診断支援装置１００によれば、ＭＴ法（ＭａｈａｌａｎｏｂｉｓＴａｇｕｃｈｉＭｅｔｈｏｄ）と比較して、以下のようなメリットがある。まず、クラスタ分析は、教師無し機械学習であるため、正常期間（単位空間）の設定が不要であり、手間が省ける。また、計算負荷が小さく、例えばブラウザによる計算や計算条件の変更、結果の図示ができるので、分析結果の確認が容易である。また、ＭＴ法では、過去の正常区間にとらわれることになるが、このクラスタ分析では、直近のデータのみを分析に用いることができる。 Moreover, according to the abnormality diagnosis support device 100, there are the following merits as compared with the MT method (Mahalanobis Taguchi Method). First, since cluster analysis is unsupervised machine learning, it is not necessary to set a normal period (unit space), which saves time and effort. In addition, the calculation load is small, and calculations, calculation conditions can be changed, and the results can be displayed graphically using a browser, so the analysis results can be easily confirmed. Moreover, in the MT method, only past normal intervals are used, but in this cluster analysis, only the most recent data can be used for analysis.

なお、Ｓ１０３において主成分分析の対象とするデータＺ_ｉｊは、複数の風車２の各々から取得した最新の複数種類の計測値を正規化した複数の値であってもよい。ここで、「最新の」とは、風車２の各々について過去に計測値を複数回取得した場合における最後に取得した計測値を意味する。 The data Z _ij to be subjected to the principal component analysis in S103 may be a plurality of values obtained by normalizing the latest plurality of types of measurement values obtained from each of the plurality of wind turbines 2 . Here, the “latest” means the last acquired measured value when the measured values for each of the wind turbines 2 have been acquired a plurality of times in the past.

多数の風車が一斉に異常を発生する可能性は低く、また、風車の運転を停止させて計測モード（所定のデータ取得パターン）を実行する場合には、計測モードを頻繁に実行できない事から経年変化の少ない。このため、上記に記載のように、最新の計測値を利用することにより少ない計算量で異常診断を精度良く行うことができる。 It is unlikely that a large number of wind turbines will malfunction all at once, and if the measurement mode (predetermined data acquisition pattern) is to be executed while the operation of the wind turbines is stopped, the measurement mode cannot be executed frequently. Little change. Therefore, as described above, by using the latest measured values, it is possible to accurately perform abnormality diagnosis with a small amount of calculation.

幾つかの実施形態では、上記異常診断部６２は、Ｓ１０１で取得した複数種類の計測値からなるデータｘ_ｉｊの集合における評価対象のデータｘ_ｉｊのマハラノビス距離、又は、複数種類の計測値からなるデータｘ_ｉｊの集合を統計処理したデータ（例えば上記データＺ_ｉｊ、上記データＳ_ｉｊ又は上記データＳ´_ｉｊ）の集合における評価対象のデータ（例えば評価対象の上記データＺ_ｉｊ、上記データＳ_ｉｊ又は上記データＳ´_ｉｊ）のマハラノビス距離を算出し、算出したマハラノビス距離が閾値を超えた場合に評価対象を異常と診断してもよい。これにより、ピッチ制御機構２０から取得したデータ（例えば評価対象の上記データＺ_ｉｊ、上記データＳ_ｉｊ又は上記データＳ´_ｉｊ）の集合について、評価対象のデータの異常をマハラノビス距離に基づいて精度良く診断することができる。 In some embodiments, the abnormality diagnosing unit 62 consists of the Mahalanobis distance of the data x _ij to be evaluated in the set of the data x _ij consisting of the plurality of types of measurement values acquired in S101, or the plurality of types of measurement values. Data to be evaluated (for _example , the data _Zij to be _evaluated , the _data _Sij _or The Mahalanobis distance of the data S' _ij ) may be calculated, and the evaluation target may be diagnosed as abnormal when the calculated Mahalanobis distance exceeds a threshold. As a result, for a set of data (for example, the data Z _ij to be evaluated, the data S _ij or the data S′ _ij to be evaluated) acquired from the pitch control mechanism 20, an abnormality in the data to be evaluated can be detected with high accuracy based on the Mahalanobis distance. can be diagnosed.

幾つかの実施形態では、上記異常診断部６２は、Ｓ１０１で取得した複数種類の計測値からなるデータｘ_ｉｊの集合の平均値と該集合の評価対象のデータｘ_ｉｊとのユークリッド距離、又は、データｘ_ｉｊの集合を統計処理したデータ（例えば上記データＺ_ｉｊ、上記データＳ_ｉｊ又は上記データＳ´_ｉｊ）の集合の平均値と統計処理した該集合の評価対象のデータ（例えば評価対象の上記データＺ_ｉｊ、上記データＳ_ｉｊ又は上記データＳ´_ｉｊ）とのユークリッド距離を算出し、算出したユークリッド距離が閾値を超えた場合に評価対象を異常と診断してもよい。これにより、ピッチ制御機構２０から取得したデータ（例えば評価対象の上記データＺ_ｉｊ、上記データＳ_ｉｊ又は上記データＳ´_ｉｊ）の集合について、評価対象のデータの異常をユークリッド距離に基づいて精度良く診断することができる。 In some embodiments, the abnormality diagnosis unit 62 determines the Euclidean distance between the average value of the set of data x _ij consisting of multiple types of measurement values acquired in S101 and the evaluation target data x _ij of the set, or The average value of a set of data obtained by statistically processing a set of data x _ij (for example, the data Z _ij , the data S _ij or the data S′ _ij ), and the statistically processed data to be evaluated in the set (for example, the above-described evaluation target) The Euclidean distance to the data Z _ij , the data S _ij or the data S′ _ij ) may be calculated, and the evaluation target may be diagnosed as abnormal when the calculated Euclidean distance exceeds a threshold. As a result, for a set of data (for example, the data Z _ij , the data S _ij , or the data S′ _ij to be evaluated) acquired from the pitch control mechanism 20, an abnormality in the data to be evaluated can be determined with high accuracy based on the Euclidean distance. can be diagnosed.

幾つかの実施形態では、クラスタ分析部６０は、ピッチ制御機構２０の異常の要因毎に分類された複数の異常データの各々と、Ｓ１０１で取得した複数種類の計測値からなる評価対象のデータｘ_ｉｊ又は該データｘ_ｉｊを統計処理した評価対象データ（例えば評価対象の上記データＺ_ｉｊ、上記データＳ_ｉｊ又は上記データＳ´_ｉｊ）との距離を用いてクラスタ分析を行ってもよい。 In some embodiments, the cluster analysis unit 60 analyzes each of the plurality of abnormality data classified according to the cause of the abnormality of the pitch control mechanism 20 and the evaluation target data x Cluster analysis may be performed using the distance from the data to be evaluated (for example, the data Z _ij to be evaluated, the data S _ij or the data S′ _ij to be evaluated) obtained by statistically processing the data x _ij or the data x _ij .

この場合、ピッチ制御機構２０の異常の要因毎に分類された複数の異常データの集合と、Ｓ１０１で取得した複数種類の計測値からなる評価対象のデータｘ_ｉｊ又は該データｘ_ｉｊを統計処理した評価対象のデータ（例えば評価対象の上記データＺ_ｉｊ、上記データＳ_ｉｊ又は上記データＳ´_ｉｊ）と、を含むデータ集合に対してクラスタ分析を行う。また、この場合、評価対象のデータは、Ｓ１０６で行ったクラスタ分析の結果に基づき異常の可能性があると判断したデータ（例えば上述のデータｘ_ｉｊの集合のうちｉ＝１８のデータｘ_１８ｊ及びｉ＝３０のデータｘ_３０ｊ）であってもよい。これにより、Ｓ１０６でクラスタ分析を行った結果に基づき異常の可能性があると判断したデータについて、異常データとの類似度に基づいて異常の具体的な要因を推定し、異常状態を解消するための対策を効果的に行うことができる。 In this case, a set of a plurality of abnormal data classified for each cause of the abnormality of the pitch control mechanism 20 and data x _{ij to be evaluated, which is composed of a plurality of types of measurement values obtained in S101, or the data x ij} _are statistically processed. Cluster analysis is performed on a data set including evaluation target data (for example, evaluation target data Z _ij , data S _ij , or data S′ _ij ). Also, in this case, the data to be evaluated is the data determined to be possibly abnormal based on the result of the cluster analysis performed in S106 (for example, data x _18j of i = 18 in the set of data x _ij described above and Data x _30j for i=30). As a result, for the data judged to be possibly abnormal based on the result of the cluster analysis in S106, the specific cause of the abnormality is estimated based on the degree of similarity with the abnormal data, and the abnormal state is resolved. measures can be taken effectively.

なお、上記複数の異常データは、過去にピッチ制御機構２０について計測することで取得したデータであってもよいし、シミュレーションによって取得したデータであってもよい。また、上記複数の異常データは、異常の要因と関連付けて記憶部６４に保存されており、クラスタ分析に利用する際に読み出される。 Note that the plurality of abnormal data may be data obtained by measuring the pitch control mechanism 20 in the past, or may be data obtained by simulation. Moreover, the plurality of abnormal data are stored in the storage unit 64 in association with the cause of the abnormality, and are read out when used for cluster analysis.

図８は、異常データを利用した上記クラスタ分析の結果を示す樹形図である。図に示す結果によれば、例えばデータｘ_３０ｊは、異常Ｃと類似しており、異常Ｃに対応する異常要因を解消する対策を施すことにより異常状態を解消することが期待できる。一方、データｘ_１８ｊは、異常Ａとそれほど類似度が高くないため、異常Ａに対応する異常要因を解消する対策を想定しつつ、追加の調査を行う等の判断を行うことができる。 FIG. 8 is a tree diagram showing the results of the cluster analysis using abnormal data. According to the results shown in the figure, for example, the data x _30j is similar to the abnormality C, and it can be expected that the abnormal state will be eliminated by taking measures to eliminate the abnormality factor corresponding to the abnormality C. On the other hand, since the data x _18j does not have a high degree of similarity with the abnormality A, it is possible to make a decision such as conducting an additional investigation while assuming countermeasures to eliminate the cause of the abnormality corresponding to the abnormality A.

このように、異常データを利用した上記クラスタ分析によれば、例えば技術的な知識や経験の乏しい作業者等であっても、クラスタ分析の結果において評価対象のデータがどの異常データとクラスタを構成するか及びその異常データとどの程度類似しているか等に基づいて、評価対象について精度良く異常診断を行うことができる。 In this way, according to the cluster analysis using abnormal data, even for a worker with poor technical knowledge and experience, for example, the data to be evaluated in the results of the cluster analysis constitutes a cluster with which abnormal data. Accurate abnormality diagnosis can be performed for the evaluation target based on whether the evaluation target is similar to the abnormality data and how similar it is to the abnormality data.

本開示は上述した実施形態に限定されることはなく、上述した実施形態に変形を加えた形態や、これらの形態を適宜組み合わせた形態も含む。
例えば、上述した実施形態では、異常診断支援装置１００は、風力発電プラント１の状態（ピッチ制御機構２０の状態）に関する複数の変数からなる多変量データに基づいて風力発電プラント１の異常診断の支援及び／又は異常診断を行う場合を例示したが、風力発電プラント１に限らず、他の発電プラントや化学プラント等、種々のプラントの異常診断の支援及び／又は異常診断に適用してもよい。 The present disclosure is not limited to the above-described embodiments, and includes modifications of the above-described embodiments and modes in which these modes are combined as appropriate.
For example, in the above-described embodiment, the abnormality diagnosis support device 100 supports abnormality diagnosis of the wind power plant 1 based on multivariate data consisting of a plurality of variables regarding the state of the wind power plant 1 (the state of the pitch control mechanism 20). And/or abnormality diagnosis is exemplified, but not limited to the wind power plant 1, it may be applied to support and/or abnormality diagnosis of various plants such as other power plants and chemical plants.

また、上述した実施形態では、異常診断支援装置１００は、風力発電プラント１の外部に設けられていたが、異常診断支援装置１００は風力発電プラント１の内部に設けられていてもよい。例えば風車コントローラ４５が異常診断支援装置１００として機能してもよいし、風車翼４のピッチ角を制御するピッチコントローラが風車コントローラ４５と別で設けられている場合にはピッチコントローラが異常診断支援装置１００として機能してもよい。 Further, although the abnormality diagnosis support device 100 is provided outside the wind power plant 1 in the above-described embodiment, the abnormality diagnosis support device 100 may be provided inside the wind power plant 1 . For example, the wind turbine controller 45 may function as the abnormality diagnosis support device 100, or if a pitch controller for controlling the pitch angle of the wind turbine blades 4 is provided separately from the wind turbine controller 45, the pitch controller may serve as the abnormality diagnosis support device. 100 may function.

また、図５に例示したフローでは、複数種類の計測値からなるデータｘ_ｉｊを正規化（Ｚ得点化）したＺ得点のデータＺ_ｉｊの集合に対して主成分分析を行ったが、他の実施形態では、例えば複数種類の計測値の単位が揃っている場合等には、Ｓ１０２の正規化は行わずに、複数種類の計測値からなるデータｘ_ｉｊの集合に対して直接的に主成分分析を主成分スコアデータ算出部５４が行ってもよい。また、Ｓ１０２の正規化の手法は、Ｚ得点化に限らず、例えば基準点との差分を算出することによって正規化を行ってもよい。 In the flow illustrated in FIG. 5, principal component analysis was performed on a set of Z-score data _Zij obtained by normalizing (Z-scoring) the data _xij consisting of multiple types of measurement values. In the embodiment, for example, when a plurality of types of measurement value units are available, the principal components are directly obtained for a set of data x _ij consisting of a plurality of types of measurement values without performing the normalization in S102. The analysis may be performed by the principal component score data calculator 54 . Further, the normalization method in S102 is not limited to Z-scoring, and normalization may be performed by calculating a difference from a reference point, for example.

また、図５に例示したフローでは、Ｓ１０４において主成分スコアＳ_ｉｊのばらつきを示す指標として、主成分スコアＳ_ｉｊのデータの集合における主成分の次数ｊ毎の不偏分散Ｕ_Ｓｊ ^２の平方根を用いたが、主成分スコアＳ_ｉｊのばらつきを示す指標は、これに限らない。スケーリング部５６は、例えば、複数の主成分スコアＳ_ｉｊの各々を不偏分散Ｕ_Ｓｊ ^２の平方根と１との中点（不偏分散Ｕ_Ｓｊ ^２の平方根と１との平均）で除算することでスケーリング済主成分スコアデータＳ´_ｉｊを算出してもよいし、複数の主成分スコアＳ_ｉｊの各々を４分位範囲（ｉｎｔｅｒｑｕａｒｔｉｌｅｒａｎｇｅ，ＩＱＲ）で除算することでスケーリング済主成分スコアデータＳ´_ｉｊを算出してもよい。 Further, in the flow illustrated in FIG. 5, the square root of the unbiased variance U _Sj ² for each order j of the principal component in the set of data of the principal component score S _ij is used as an index indicating the variation of the principal component score S _ij in S104. However, the index indicating the variation of the principal component scores _Sij is not limited to this. The scaling unit 56, for example, divides each of the plurality of principal component scores S _ij by the midpoint between the square root of the unbiased variance U _Sj ² and 1 (the average of the square root of the unbiased variance U _Sj ² and 1). The scaled principal component score data _S'ij may be calculated, or the scaled principal component score data _S'ij may be obtained by dividing each of a plurality of principal component scores _Sij by an interquartile range (IQR). may be calculated.

また、上述した実施形態では、取得部５０は、複数種類の計測値からなるデータｘ_ｉｊを複数の風車２の各々について１回以上計測することで得られた、複数種類の計測値からなるデータｘ_ｉｊの集合を取得した。他の実施形態では、風力発電プラント１が単独の風車２によって構成されている場合等には、取得部５０は、複数種類の計測値からなるデータｘ_ｉｊを単独の風車２について複数回計測して、複数種類の計測値からなるデータｘ_ｉｊの集合を取得してもよい。これにより、単独の風車２について異常診断を精度良く行うことができる。 Further, in the above-described embodiment, the acquisition unit 50 obtains the data x _ij consisting of the plurality of types of measurement values for each of the plurality of wind turbines 2 one or more times, and the data consisting of the plurality of types of measurement values. A set of x _ij was obtained. In another embodiment, when the wind power plant 1 is composed of a single wind turbine 2, the acquisition unit 50 measures the data _xij consisting of multiple types of measurement values for the single wind turbine 2 a plurality of times. , a set of data x _ij consisting of multiple types of measured values may be obtained. As a result, an abnormality diagnosis can be performed with high accuracy for the single wind turbine 2 .

上記各実施形態に記載の内容は、例えば以下のように把握される。 The contents described in each of the above embodiments are understood as follows, for example.

（１）本開示に係る多変量データの異常診断支援方法は、
プラント（例えば上述の風力発電プラント１）に関する複数の変数（例えば上述の複数種類の計測値又は該複数種類の計測値を正規化したＺ得点）からなる多変量データ（例えば上述のデータｘ_ｉｊ又はデータＺ_ｉｊ）の集合について、前記集合の複数の主成分軸にそれぞれ対応する複数の主成分スコア（例えば上述の複数の主成分スコアＳ_ｉｊ）からなる主成分スコアデータ（例えば上述の主成分スコアデータＳ_ｉｊ）の集合を算出する主成分スコアデータ算出ステップ（例えば上述のＳ１０３）と、
前記複数の主成分スコアの各々について、前記主成分スコアのばらつきを示す指標（例えば上述の不偏分散Ｕ_Ｓｊ ^２の平方根）に基づいて前記主成分スコアのスケーリングを行って、スケーリング済みの複数の主成分スコアからなるスケーリング済主成分スコアデータ（例えば上述のスケーリング済主成分スコアデータＳ´_ｉｊ）の集合を生成するスケーリングステップ（例えば上述のＳ１０４）と、
前記複数の主成分軸の各々を座標軸として、前記スケーリング済主成分スコアデータにより定まる座標に基づいて、前記スケーリング済主成分スコアデータの集合における前記スケーリング済主成分スコアデータ間の距離（例えば上述のユークリッド距離ｄ）を算出する距離算出ステップ（例えば上述のＳ１０５）と、
前記距離算出ステップで算出した前記距離を用いて前記スケーリング済主成分スコアデータの集合のクラスタ分析を行うクラスタ分析ステップ（例えば上述のＳ１０６）と、
を備える。 (1) The multivariate data abnormality diagnosis support method according to the present disclosure includes:
Multivariate data (for example, the above data x _ij or data Z _ij ), _principal component score data (for example, the above-mentioned principal component score a principal component score data calculation step (for example, S103 described above) for calculating a set of data S _ij );
For each of the plurality of principal component scores, scaling the principal component score based on an index indicating the variation of the principal component score (for example, the square root of the unbiased variance U _Sj ² described above) to obtain a plurality of scaled principal component scores a scaling step (e.g., S104 described above) of generating a set of scaled principal component score data (e.g., scaled principal component score data S′ _ij described above) consisting of component scores;
Using each of the plurality of principal component axes as coordinate axes, the distance between the scaled principal component score data in the set of scaled principal component score data (for example, the above-mentioned A distance calculation step (for example, S105 described above) for calculating the Euclidean distance d);
a cluster analysis step (for example, S106 described above) of performing cluster analysis on the set of scaled principal component score data using the distance calculated in the distance calculation step;
Prepare.

従来の一般的なクラスタ分析では、相関関係のある複数のデータの影響を受けてデータの非類似度（仲間外れ度）が実態より高くなる場合や、その反対に他のデータに埋もれてしまう場合があり、データの類似度を適切に評価してクラスタ分類を行うことが困難であった。これに対し、上記（１）に記載の多変量データの異常診断支援方法によれば、プラントに関する複数の変数からなる多変量データの集合について、主成分スコアデータの集合を算出してスケーリングを行ってからクラスタ分析を行っている。主成分分析によるデータの変換は、データ組間のユークリッド距離に影響しない。また、主成分軸は分散が最大の方向すなわち相関関係の方向であり、主成分スコア間の相関係数は０である。この主成分スコアを主成分スコアのばらつきを示す指標に応じて拡大又は縮小することにより最初のデータ間の相関関係を適切に考慮することができる。したがって、データの相関関係を少ない計算量で適切に考慮した上で、データの類似度を適切に評価してクラスタに分類することができる。これにより、クラスタ分析の結果に基づいて異常診断を精度良く行うことができる。 In conventional general cluster analysis, there are cases where the dissimilarity of data (exclusion rate) is higher than the actual situation due to the influence of multiple correlated data, or conversely, it is buried in other data. Therefore, it was difficult to appropriately evaluate the similarity of data and perform cluster classification. On the other hand, according to the multivariate data abnormality diagnosis support method described in (1) above, a set of principal component score data is calculated and scaled for a set of multivariate data consisting of a plurality of variables related to the plant. After that, cluster analysis is performed. Transforming the data by principal component analysis does not affect the Euclidean distance between data sets. Also, the principal component axis is the direction of maximum variance, that is, the direction of correlation, and the correlation coefficient between principal component scores is zero. By expanding or contracting the principal component score according to the index indicating the variation of the principal component score, it is possible to properly consider the correlation between the initial data. Therefore, it is possible to properly consider the correlation of data with a small amount of calculation, and to appropriately evaluate the similarity of data and classify them into clusters. As a result, it is possible to accurately perform abnormality diagnosis based on the result of cluster analysis.

また、ＭＴ法と比較して、以下のようなメリットがある。まず、クラスタ分析は、教師無し機械学習であるため、正常期間（単位空間）の設定が不要であり、手間が省ける。また、計算負荷が小さく、例えばブラウザによる計算や計算条件の変更、結果の図示ができるので、分析結果の確認が容易である。また、ＭＴ法では、過去の正常区間にとらわれることになるが、このクラスタ分析では、最新のデータのみを分析に用いることも可能である。 Moreover, compared with the MT method, there are the following merits. First, since cluster analysis is unsupervised machine learning, there is no need to set a normal period (unit space), which saves time and effort. In addition, the calculation load is small, and calculations, calculation conditions can be changed, and the results can be displayed graphically using a browser, for example, so it is easy to confirm the analysis results. In addition, although the MT method is limited to past normal intervals, this cluster analysis can use only the latest data for analysis.

（２）幾つかの実施形態では、上記（１）に記載の多変量データの異常診断支援方法において、
前記プラントは、風力発電プラントであり、
前記複数の変数は、前記風力発電プラントにおける風車翼（例えば上述の風車翼４）のピッチ角を制御するためのピッチ制御機構（例えば上述のピッチ制御機構２０）に関する複数の変数である。 (2) In some embodiments, in the multivariate data abnormality diagnosis support method described in (1) above,
the plant is a wind power plant;
The plurality of variables are a plurality of variables relating to a pitch control mechanism (for example, the pitch control mechanism 20 described above) for controlling the pitch angle of the wind turbine blades (for example, the wind turbine blades 4 described above) in the wind power plant.

上記（２）に記載の多変量データの異常診断支援方法によれば、風力発電プラントにおけるピッチ制御機構について、クラスタ分析の結果に基づいて異常診断を精度良く行うことができる。 According to the abnormality diagnosis support method for multivariate data described in (2) above, it is possible to accurately diagnose an abnormality of a pitch control mechanism in a wind power plant based on the results of cluster analysis.

（３）幾つかの実施形態では、上記（２）に記載の多変量データの異常診断支援方法において、
前記風力発電プラントにおける運転を停止している風車について前記ピッチ制御機構に関する複数種類の計測値を計測する計測モードを実行することにより得られる、前記複数種類の計測値からなるデータ（例えば上述のデータｘ_ｉｊ）を取得する取得ステップ（例えば上述のＳ１０１）を更に備え、
前記複数の変数は、前記取得ステップで計測した前記複数種類の計測値（例えば上述のデータｘ_ｉｊ）又は前記複数種類の計測値を正規化した値（例えば上述のＺ得点のデータＺ_ｉｊ）である。 (3) In some embodiments, in the multivariate data abnormality diagnosis support method described in (2) above,
Data consisting of the plurality of types of measured values obtained by executing a measurement mode for measuring the plurality of types of measured values related to the pitch control mechanism for the wind turbine whose operation is stopped in the wind power plant (for example, the above-mentioned data x _ij ), further comprising an obtaining step (for example, S101 described above);
The plurality of variables are the plurality of types of measured values measured in the acquisition step (for example, the above data x _ij ) or values obtained by normalizing the plurality of types of measured values (for example, the above Z score data Z _ij ). be.

風力発電プラントでは、風車の運転中にピッチ制御機構について計測した計測値に基づいてピッチ制御機構の異常診断を行うことは難しい場合がある。このため、上記（３）に記載のように風力発電プラントにおける運転を停止している風車についてピッチ制御機構に対する計測モードを実行することが好ましい。なお、ここでの計測モードとは、複数種類の計測値からなる多変量データを取得するためにピッチ制御機構を動作させる計測用のシーケンス（所定のデータ取得パターン）を意味する。 In a wind power plant, it may be difficult to diagnose an abnormality of the pitch control mechanism based on the measured values of the pitch control mechanism during operation of the wind turbine. Therefore, as described in (3) above, it is preferable to execute the measurement mode for the pitch control mechanism for the wind turbine whose operation is stopped in the wind power plant. The measurement mode here means a measurement sequence (predetermined data acquisition pattern) for operating the pitch control mechanism to acquire multivariate data consisting of a plurality of types of measurement values.

（４）幾つかの実施形態では、上記（３）に記載の多変量データの異常診断支援方法において、
前記ピッチ制御機構は、油圧ポンプ（例えば上述の油圧ポンプ１５）の油圧によって前記ピッチ角を制御する油圧制御タイプのピッチ制御機構であり、
前記複数種類の計測値は、前記油圧ポンプの運転中又は運転停止中に前記計測モードを実行することによって計測され、前記ピッチ角、前記ピッチ角を所定角度変化させるのに要した時間、時間当たりの前記ピッチ角の変位、前記ピッチ角を変化させるために電磁比例弁（例えば上述の電磁比例弁１８）に印加される電流の電流値、前記ピッチ角を変化させるためのアキュムレータ（例えば上述のアキュムレータ４１）の圧力値、及び時間当たりの前記アキュムレータの圧力の変化量、のうち少なくとも１種類の計測値を含む。 (4) In some embodiments, in the multivariate data abnormality diagnosis support method described in (3) above,
The pitch control mechanism is a hydraulic control type pitch control mechanism that controls the pitch angle by the hydraulic pressure of a hydraulic pump (for example, the hydraulic pump 15 described above),
The plurality of types of measurement values are measured by executing the measurement mode while the hydraulic pump is operating or not operating, and the pitch angle, the time required to change the pitch angle by a predetermined angle, per hour the displacement of the pitch angle, the current value of the current applied to the electromagnetic proportional valve (for example, the above-mentioned electromagnetic proportional valve 18) to change the pitch angle, the accumulator for changing the pitch angle (for example, the above-mentioned accumulator 41) and the amount of change in pressure of said accumulator per time.

上記（４）に記載の多変量データの異常診断支援方法によれば、ピッチ角、ピッチ角を所定角度変化させるのに要した時間、時間当たりのピッチ角の変位、ピッチ角を変化させるために電磁比例弁に印加される電流の電流値、ピッチ角を変化させるためのアキュムレータの圧力値、及び時間当たりのアキュムレータの圧力の変化量、のうち少なくとも１種類の計測値を含む複数種類の計測値又はそれらを正規化した値に基づいて、ピッチ制御機構の異常診断を精度良く行うことができる。 According to the multivariate data abnormality diagnosis support method described in (4) above, the pitch angle, the time required to change the pitch angle by a predetermined angle, the displacement of the pitch angle per time, and the A plurality of types of measured values including at least one of the current value of the current applied to the solenoid proportional valve, the pressure value of the accumulator for changing the pitch angle, and the amount of change in the pressure of the accumulator per time. Alternatively, based on the values obtained by normalizing them, the abnormality diagnosis of the pitch control mechanism can be performed with high accuracy.

（５）幾つかの実施形態では、上記（３）又は（４）に記載の多変量データの異常診断支援方法において、
前記取得ステップでは、前記複数種類の計測値からなる多変量データを単独の風車について複数回計測して、前記複数種類の計測値からなる多変量データの集合を取得する。 (5) In some embodiments, in the multivariate data abnormality diagnosis support method according to (3) or (4) above,
In the acquiring step, the multivariate data composed of the plurality of types of measured values are measured for a single wind turbine a plurality of times to acquire a set of multivariate data composed of the plurality of types of measured values.

クラスタ分析の結果に基づいて異常診断を精度良く行うためには、クラスタ分析に用いる多変量データのデータ数はある程度多い方が望ましい。このため、単独の風車から取得した多変量データを利用したクラスタ分析を行う場合には、上記（５）に記載のように、複数種類の計測値からなる多変量データを単独の風車について複数回計測して、複数種類の計測値からなる多変量データの集合を取得することが望ましい。 In order to accurately perform abnormality diagnosis based on the results of cluster analysis, it is desirable that the number of multivariate data used in cluster analysis is large to some extent. For this reason, when performing cluster analysis using multivariate data obtained from a single wind turbine, as described in (5) above, multivariate data consisting of multiple types of measurement values are collected multiple times for a single wind turbine. It is desirable to measure and obtain a set of multivariate data consisting of multiple types of measurements.

（６）幾つかの実施形態では、上記（３）又は（４）に記載の多変量データの異常診断支援方法において、
前記取得ステップでは、前記複数種類の計測値からなる多変量データを複数の風車の各々について１回以上計測して、前記複数種類の計測値からなる多変量データの集合を取得する。 (6) In some embodiments, in the multivariate data abnormality diagnosis support method according to (3) or (4) above,
In the acquisition step, the multivariate data composed of the plurality of types of measured values are measured once or more for each of the plurality of wind turbines to acquire a set of multivariate data composed of the plurality of types of measured values.

上記（６）に記載の多変量データの異常診断支援方法によれば、複数の風車の各々について、ピッチ制御機構の異常診断を精度良く行うことが可能となる。 According to the abnormality diagnosis support method for multivariate data described in (6) above, it is possible to accurately perform abnormality diagnosis of the pitch control mechanism for each of the plurality of wind turbines.

（７）幾つかの実施形態では、上記（５）又は（６）に記載の多変量データの異常診断支援方法において、
前記取得ステップで取得した前記複数種類の計測値からなる多変量データの集合（例えば上述のデータｘ_ｉｊの集合）における評価対象の多変量データ（例えば上述の評価対象のデータｘ_ｉｊ）のマハラノビス距離、又は、前記複数種類の計測値からなる多変量データ（例えば上述のデータｘ_ｉｊ）の集合を統計処理したデータ（例えば上記データＺ_ｉｊ、上記データＳ_ｉｊ又は上記データＳ´_ｉｊ）の集合における評価対象のデータ（例えば上述の評価対象のデータＺ_ｉｊ、データＳ_ｉｊ又はデータＳ´_ｉｊ）のマハラノビス距離、を算出し、前記マハラノビス距離が閾値を超えた場合に前記評価対象を異常と診断する。 (7) In some embodiments, in the multivariate data abnormality diagnosis support method according to (5) or (6) above,
Mahalanobis distance of the multivariate data to be evaluated (for example, the above-mentioned data to be evaluated x _ij ) in the multivariate data set (for example, the above-mentioned set of data x _ij ) composed of the plurality of types of measured values acquired in the acquiring step Or, in a set of data (for example, the data Z _ij , the data S _ij or the data S′ _ij ) obtained by statistically processing a set of multivariate data (for example, the above data x _ij ) consisting of the plurality of types of measured values The Mahalanobis distance of data to be evaluated (for example, data Z _ij , data S _ij or data S′ _ij to be evaluated above) is calculated, and when the Mahalanobis distance exceeds a threshold, the evaluation object is diagnosed as abnormal. .

上記（７）に記載の多変量データの異常診断支援方法によれば、ピッチ制御機構から取得した多変量データの集合について、評価対象のデータの異常をマハラノビス距離に基づいて精度良く診断することができる。 According to the multivariate data abnormality diagnosis support method described in (7) above, for a set of multivariate data acquired from the pitch control mechanism, an abnormality in the data to be evaluated can be accurately diagnosed based on the Mahalanobis distance. can.

（８）幾つかの実施形態では、上記（５）又は（６）に記載の多変量データの異常診断支援方法において、
前記取得ステップで取得した前記複数種類の計測値からなる多変量データの集合（例えば上述のデータｘ_ｉｊの集合）の平均値と該集合の評価対象の多変量データ（例えば上述の評価対象のデータｘ_ｉｊ）とのユークリッド距離、又は、前記複数種類の計測値からなる多変量データ（例えば上述のデータｘ_ｉｊ）の集合を統計処理したデータ（例えば上記データＺ_ｉｊ、上記データＳ_ｉｊ又は上記データＳ´_ｉｊ）の集合の平均値と統計処理した該集合の評価対象のデータ（例えば上述の評価対象のデータＺ_ｉｊ、データＳ_ｉｊ又はデータＳ´_ｉｊ）とのユークリッド距離、を算出し、前記ユークリッド距離が閾値を超えた場合に前記評価対象を異常と診断する。 (8) In some embodiments, in the multivariate data abnormality diagnosis support method according to (5) or (6) above,
The average value of the multivariate data set (for example, the above-described set of data x _ij ) obtained in the obtaining step and the multivariate data to be evaluated in the set (for example, the above-mentioned data to be evaluated) x _ij ), or data (for example, the data Z _ij , the data S _ij or _the data S' _ij ) and statistically processed evaluation target data of the set (for example, the above-described evaluation target data Z _ij , data S _ij , or data S' _ij ). When the Euclidean distance exceeds a threshold, the evaluation object is diagnosed as abnormal.

上記（８）に記載の多変量データの異常診断支援方法によれば、ピッチ制御機構から取得した多変量データの集合について、評価対象のデータの異常をユークリッド距離に基づいて精度良く診断することができる。 According to the multivariate data abnormality diagnosis support method described in (8) above, for a set of multivariate data acquired from the pitch control mechanism, an abnormality in the data to be evaluated can be accurately diagnosed based on the Euclidean distance. can.

（９）幾つかの実施形態では、上記（６）に記載の多変量データの異常診断支援方法において、
前記複数の変数は、前記複数の風車の各々から取得した最新の前記複数種類の計測値（例えば上述のデータｘ_ｉｊの値）、又は、最新の前記複数種類の計測値を正規化した複数の値（例えば上述のデータＺ_ｉｊの値）である。 (9) In some embodiments, in the multivariate data abnormality diagnosis support method according to (6) above,
The plurality of variables are the latest plurality of types of measured values obtained from each of the plurality of wind turbines (for example, the above-mentioned data x _ij values), or a plurality of normalized latest plurality of types of measured values value (eg, the value of data Z _ij above).

多数の風車が一斉に異常を発生する可能性は低く、また、風車の運転を停止させて計測モード（所定のデータ取得パターン）を実行する場合には、計測モードを頻繁に実行できない事から経年変化の少ない。このため、上記（９）に記載のように、最新の計測値を利用することにより少ない計算量で異常診断を精度良く行うことができる。 It is unlikely that a large number of wind turbines will malfunction all at once, and if the measurement mode (predetermined data acquisition pattern) is to be executed while the operation of the wind turbines is stopped, the measurement mode cannot be executed frequently. Little change. Therefore, as described in (9) above, by using the latest measured values, it is possible to accurately perform abnormality diagnosis with a small amount of calculation.

（１０）幾つかの実施形態では、上記（３）乃至（９）の何れかに記載の多変量データの異常診断支援方法において、
前記ピッチ制御機構の異常の要因毎に分類された複数の異常データの各々と、前記取得ステップで取得した前記複数種類の計測値からなる多変量データ（例えば上述のデータｘ_ｉｊ）又は該多変量データを統計処理したデータ（例えば評価対象の上記データＺ_ｉｊ、上記データＳ_ｉｊ又は上記データＳ´_ｉｊ）との距離を用いてクラスタ分析を行う。 (10) In some embodiments, in the multivariate data abnormality diagnosis support method according to any one of (3) to (9) above,
Multivariate data (for example, the above-described data x _ij ) or the multivariate consisting of each of a plurality of abnormal data classified for each cause of the abnormality of the pitch control mechanism and the plurality of types of measured values obtained in the obtaining step Cluster analysis is performed using the distance from statistically processed data (for example, the data Z _ij , the data S _ij or the data S′ _ij to be evaluated).

上記（１０）に記載の多変量データの異常診断支援方法によれば、例えば技術的な知識や経験の乏しい作業者等であっても、クラスタ分析の結果において評価対象の多変量データがどの異常データとクラスタを構成するか及びその異常データとどの程度類似しているか等に基づいて、評価対象について精度良く異常診断を行うことができる。 According to the multivariate data abnormality diagnosis support method described in (10) above, even if a worker lacks technical knowledge and experience, for example, the multivariate data to be evaluated in the results of cluster analysis can be any abnormality. Accurate abnormality diagnosis can be performed for the evaluation object based on whether the data constitutes a cluster and how similar it is to the abnormal data.

（１１）本開示の一実施形態に係る多変量データの異常診断支援装置は
プラント（例えば上述の風力発電プラント１）に関する複数の変数（例えば上述の複数種類の計測値又は該複数種類の計測値を正規化した値）からなる多変量データ（例えば上述のデータｘ_ｉｊ又はデータＺ_ｉｊ）の集合について、前記集合の複数の主成分軸にそれぞれ対応する複数の主成分スコア（例えば上述の複数の主成分スコアＳ_ｉｊ）からなる主成分スコアデータ（例えば上述の主成分スコアデータＳ_ｉｊ）の集合を算出するように構成された主成分スコアデータ算出部（例えば上述の主成分スコアデータ算出部５４）と、
前記複数の主成分スコアの各々について、前記主成分スコアのばらつきを示す指標（例えば上述の不偏分散Ｕ_Ｓｊ ^２の平方根）に基づいて前記主成分スコアのスケーリングを行って、スケーリング済みの複数の主成分スコアからなるスケーリング済主成分スコアデータ（例えば上述のスケーリング済主成分スコアデータＳ´_ｉｊ）の集合を生成するように構成されたスケーリング部（例えば上述のスケーリング部５６）と、
前記複数の主成分軸の各々を座標軸として、前記スケーリング済主成分スコアデータにより定まる座標に基づいて、前記スケーリング済主成分スコアデータの集合における前記スケーリング済主成分スコアデータ間の距離（例えば上述のユークリッド距離ｄ）を算出するように構成された距離算出部（例えば上述の距離算出部５８）と、
前記距離算出部で算出した前記距離を用いて前記スケーリング済主成分スコアデータの集合のクラスタ分析を行うように構成されたクラスタ分析部（例えば上述のクラスタ分析部６０）と、
を備える。 (11) A multivariate data abnormality diagnosis support device according to an embodiment of the present disclosure includes a plurality of variables (for example, the above-described plurality of types of measured values or the plurality of types of measured values) related to a plant (for example, the above-described wind power plant 1) normalized values) of multivariate data (for example, the above data x _ij or data Z _ij ), a plurality of principal component scores respectively corresponding to a plurality of principal component axes of the set (for example, the above plurality of A _principal component score data calculation unit (for example, the above-mentioned principal component score data calculation _unit 54 )When,
For each of the plurality of principal component scores, scaling the principal component score based on an index indicating the variation of the principal component score (for example, the square root of the unbiased variance U _Sj ² described above) to obtain a plurality of scaled principal component scores a scaling unit (e.g., scaling unit 56 described above) configured to generate a set of scaled principal component score data (e.g., scaled principal component score data S′ _ij described above) of component scores;
Using each of the plurality of principal component axes as coordinate axes, the distance between the scaled principal component score data in the set of scaled principal component score data (for example, the above-mentioned a distance calculator (e.g., the distance calculator 58 described above) configured to calculate the Euclidean distance d);
a cluster analysis unit (for example, the cluster analysis unit 60 described above) configured to perform cluster analysis on the set of scaled principal component score data using the distance calculated by the distance calculation unit;
Prepare.

従来の一般的なクラスタ分析では、相関関係のある複数のデータの影響を受けてデータの非類似度が実態より高くなる場合や、その反対に他のデータに埋もれてしまう場合があり、データの類似度を適切に評価してクラスタ分類を行うことが困難であった。これに対し、上記（１１）に記載の多変量データの異常診断支援装置によれば、プラントに関する複数の変数からなる多変量データの集合について、主成分スコアデータの集合を算出してスケーリングを行ってからクラスタ分析を行っているため、多変量データの相関関係を少ない計算量で適切に考慮した上で、データの類似度を適切に評価してクラスタに分類することができる。これにより、クラスタ分析の結果に基づいて異常診断を精度良く行うことができる。 In the conventional general cluster analysis, the dissimilarity of data may become higher than it actually is due to the influence of multiple correlated data, or conversely, it may be buried in other data. It was difficult to appropriately evaluate the degree of similarity and perform cluster classification. On the other hand, according to the multivariate data abnormality diagnosis support device described in (11) above, a set of principal component score data is calculated and scaled for a set of multivariate data consisting of a plurality of variables related to the plant. Since the cluster analysis is performed after the cluster analysis, the correlation of the multivariate data can be appropriately considered with a small amount of calculation, and the similarity of the data can be appropriately evaluated and classified into clusters. As a result, it is possible to accurately perform abnormality diagnosis based on the result of cluster analysis.

１風力発電プラント
２風車
４風車翼
１４ピッチ駆動装置
１５油圧ポンプ
１６油圧シリンダ
１８電磁比例弁
２０ピッチ制御機構
２６供給ライン
４１アキュムレータ
４２ピッチ角センサ
４４圧力センサ
４５風車コントローラ
５０取得部
５２正規化部
５４主成分スコアデータ算出部
５６スケーリング部
５８距離算出部
６０クラスタ分析部
６２異常診断部
６４記憶部
７２プロセッサ
７４ＲＡＭ
７６ＲＯＭ
７８ＨＤＤ
８０入力Ｉ／Ｆ
８２出力Ｉ／Ｆ
８４バス
１００異常診断支援装置 1 Wind power plant 2 Wind turbine 4 Wind turbine blade 14 Pitch drive device 15 Hydraulic pump 16 Hydraulic cylinder 18 Electromagnetic proportional valve 20 Pitch control mechanism 26 Supply line 41 Accumulator 42 Pitch angle sensor 44 Pressure sensor 45 Wind turbine controller 50 Acquisition unit 52 Normalization unit 54 Principal component score data calculation unit 56 Scaling unit 58 Distance calculation unit 60 Cluster analysis unit 62 Abnormal diagnosis unit 64 Storage unit 72 Processor 74 RAM
76 ROMs
78 HDDs
80 Input I/F
82 Output I/F
84 bus 100 abnormality diagnosis support device

Claims

プラントに関する複数の変数からなる多変量データの集合について、前記集合の複数の主成分軸にそれぞれ対応する複数の主成分スコアからなる主成分スコアデータの集合を算出する主成分スコアデータ算出ステップと、
前記複数の主成分スコアの各々について、前記主成分スコアのばらつきを示す指標に基づいて前記主成分スコアのスケーリングを行って、スケーリング済みの複数の主成分スコアからなるスケーリング済主成分スコアデータの集合を生成するスケーリングステップと、
前記複数の主成分軸の各々を座標軸として、前記スケーリング済主成分スコアデータにより定まる座標に基づいて、前記スケーリング済主成分スコアデータの集合における前記スケーリング済主成分スコアデータ間の距離を算出する距離算出ステップと、
前記距離算出ステップで算出した前記距離を用いて前記スケーリング済主成分スコアデータの集合のクラスタ分析を行うクラスタ分析ステップと、
を備え、
前記プラントは、風力発電プラントであり、
前記複数の変数は、前記風力発電プラントにおける風車翼のピッチ角を制御するためのピッチ制御機構に関する複数の変数であり、
前記風力発電プラントにおける運転を停止している風車について前記ピッチ制御機構に関する複数種類の計測値を計測する計測モードを実行することにより得られる、前記複数種類の計測値からなるデータを取得する取得ステップを更に備え、
前記複数の変数は、前記取得ステップで計測した前記複数種類の計測値又は前記複数種類の計測値を正規化した値である、
多変量データの異常診断支援方法。 a principal component score data calculation step of calculating a set of principal component score data consisting of a plurality of principal component scores respectively corresponding to a plurality of principal component axes of the set, for a set of multivariate data consisting of a plurality of variables relating to the plant;
A set of scaled principal component score data composed of a plurality of scaled principal component scores, for each of the plurality of principal component scores, by scaling the principal component score based on an index indicating variation in the principal component score a scaling step that produces
A distance for calculating a distance between the scaled principal component score data in the set of scaled principal component score data based on coordinates determined by the scaled principal component score data, with each of the plurality of principal component axes as a coordinate axis. a calculation step;
a cluster analysis step of performing cluster analysis on the set of scaled principal component score data using the distance calculated in the distance calculation step;
with
the plant is a wind power plant;
The plurality of variables are a plurality of variables relating to a pitch control mechanism for controlling the pitch angle of the wind turbine blades in the wind power plant;
an acquisition step of acquiring data consisting of the plurality of types of measurement values obtained by executing a measurement mode for measuring the plurality of types of measurement values relating to the pitch control mechanism for a wind turbine whose operation is stopped in the wind power plant; further comprising
The plurality of variables are the plurality of types of measured values measured in the acquisition step or values obtained by normalizing the plurality of types of measured values.
Abnormal diagnosis support method for multivariate data.

前記ピッチ制御機構は、油圧ポンプの油圧によって前記ピッチ角を制御する油圧制御タイプのピッチ制御機構であり、
前記複数種類の計測値は、前記油圧ポンプの運転中又は運転停止中に前記計測モードを実行することによって計測され、前記ピッチ角、前記ピッチ角を所定角度変化させるのに要した時間、時間当たりの前記ピッチ角の変位、前記ピッチ角を変化させるために電磁比例弁に印加される電流の電流値、前記ピッチ角を変化させるためのアキュムレータの圧力値、及び時間当たりの前記アキュムレータの圧力の変化量、のうち少なくとも１種類の計測値を含む、請求項１に記載の多変量データの異常診断支援方法。 The pitch control mechanism is a hydraulic control type pitch control mechanism that controls the pitch angle by hydraulic pressure of a hydraulic pump,
The plurality of types of measurement values are measured by executing the measurement mode while the hydraulic pump is operating or not operating, and the pitch angle, the time required to change the pitch angle by a predetermined angle, per hour the displacement of the pitch angle of, the current value of the current applied to the proportional solenoid valve to change the pitch angle, the pressure value of the accumulator to change the pitch angle, and the pressure change of the accumulator per time 2. The multivariate data abnormality diagnosis support method according to claim 1 , including at least one type of measured value among the quantity.

前記取得ステップでは、前記複数種類の計測値からなる多変量データを単独の風車について複数回計測して、前記複数種類の計測値からなる多変量データの集合を取得する、請求項１又は２に記載の多変量データの異常診断支援方法。 3. The method according to claim 1 or 2 , wherein in said obtaining step, the multivariate data consisting of said plurality of types of measured values are measured a plurality of times for a single wind turbine to obtain a set of multivariate data consisting of said plurality of types of measured values. Abnormal diagnosis support method for multivariate data described.

前記取得ステップでは、前記複数種類の計測値からなる多変量データを複数の風車の各々について１回以上計測して、前記複数種類の計測値からなる多変量データの集合を取得する、請求項１又は２に記載の多変量データの異常診断支援方法。 2. The acquiring step measures the multivariate data composed of the plurality of types of measured values once or more for each of the plurality of wind turbines, and acquires a set of multivariate data composed of the plurality of types of measured values. 3. The multivariate data abnormality diagnosis support method according to 2 .

前記取得ステップで取得した前記複数種類の計測値からなる多変量データの集合における評価対象の多変量データのマハラノビス距離、又は、前記複数種類の計測値からなる多変量データの集合を統計処理したデータの集合における評価対象のデータのマハラノビス距離、を算出し、前記マハラノビス距離が閾値を超えた場合に前記評価対象を異常と診断する、請求項３又は４に記載の多変量データの異常診断支援方法。 Mahalanobis distance of the multivariate data to be evaluated in the set of multivariate data consisting of the plurality of types of measurement values obtained in the obtaining step, or data obtained by statistically processing the set of multivariate data consisting of the plurality of types of measurement values 5. The multivariate data abnormality diagnosis support method according to claim 3 or 4 , wherein the Mahalanobis distance of the data to be evaluated in the set of is calculated, and the evaluation object is diagnosed as abnormal when the Mahalanobis distance exceeds a threshold. .

前記取得ステップで取得した前記複数種類の計測値からなる多変量データの集合の平均値と該集合の評価対象の多変量データとのユークリッド距離、又は、前記複数種類の計測値からなる多変量データの集合を統計処理したデータの集合の平均値と統計処理した該集合の評価対象のデータとのユークリッド距離、を算出し、前記ユークリッド距離が閾値を超えた場合に前記評価対象を異常と診断する、請求項３又は４に記載の多変量データの異常診断支援方法。 The Euclidean distance between the average value of the set of multivariate data consisting of the plurality of types of measurement values obtained in the obtaining step and the evaluation target multivariate data of the set, or the multivariate data consisting of the plurality of types of measurement values Euclidean distance between the average value of the set of data obtained by statistically processing the set of and the statistically processed evaluation target data of the set, and diagnosing the evaluation target as abnormal when the Euclidean distance exceeds a threshold 5. The multivariate data abnormality diagnosis support method according to claim 3 or 4 .

前記複数の変数は、前記複数の風車の各々から取得した最新の前記複数種類の計測値、又は、最新の前記複数種類の計測値を正規化した複数の値である、請求項４に記載の多変量データの異常診断支援方法。 The plurality of variables according to claim 4 , wherein the plurality of latest measured values obtained from each of the plurality of wind turbines, or a plurality of values obtained by normalizing the latest plurality of types of measured values. Abnormal diagnosis support method for multivariate data.

前記ピッチ制御機構の異常の要因毎に分類された複数の異常データの各々と、前記取得ステップで取得した前記複数種類の計測値からなる多変量データ又は該多変量データを統計処理したデータとの距離を用いてクラスタ分析を行う、請求項１乃至７の何れか１項に記載の多変量データの異常診断支援方法。 Each of a plurality of abnormal data classified according to the cause of the abnormality of the pitch control mechanism, and multivariate data composed of the plurality of types of measurement values acquired in the acquisition step or data obtained by statistically processing the multivariate data. 8. The multivariate data abnormality diagnosis support method according to any one of claims 1 to 7 , wherein cluster analysis is performed using distances.

プラントに関する複数の変数からなる多変量データの集合について、前記集合の複数の主成分軸にそれぞれ対応する複数の主成分スコアからなる主成分スコアデータの集合を算出するように構成された主成分スコアデータ算出部と、
前記複数の主成分スコアの各々について、前記主成分スコアのばらつきを示す指標に基づいて前記主成分スコアのスケーリングを行って、スケーリング済みの複数の主成分スコアからなるスケーリング済主成分スコアデータの集合を生成するように構成されたスケーリング部と、
前記複数の主成分軸の各々を座標軸として、前記スケーリング済主成分スコアデータにより定まる座標に基づいて、前記スケーリング済主成分スコアデータの集合における前記スケーリング済主成分スコアデータ間の距離を算出するように構成された距離算出部と、
前記距離算出部で算出した前記距離を用いて前記スケーリング済主成分スコアデータの集合のクラスタ分析を行うように構成されたクラスタ分析部と、
を備え、
前記プラントは、風力発電プラントであり、
前記複数の変数は、前記風力発電プラントにおける風車翼のピッチ角を制御するためのピッチ制御機構に関する複数の変数であり、
前記風力発電プラントにおける運転を停止している風車について前記ピッチ制御機構に関する複数種類の計測値を計測する計測モードを実行することにより得られる、前記複数種類の計測値からなるデータを取得する取得部を更に備え、
前記複数の変数は、前記取得部で計測した前記複数種類の計測値又は前記複数種類の計測値を正規化した値である、
多変量データの異常診断支援装置。 A principal component score configured to calculate, for a set of multivariate data of a plurality of variables relating to a plant, a set of principal component score data consisting of a plurality of principal component scores respectively corresponding to a plurality of principal component axes of said set. a data calculation unit;
A set of scaled principal component score data composed of a plurality of scaled principal component scores, for each of the plurality of principal component scores, by scaling the principal component score based on an index indicating variation in the principal component score a scaling unit configured to generate
using each of the plurality of principal component axes as a coordinate axis, and calculating a distance between the scaled principal component score data in the set of scaled principal component score data based on coordinates determined by the scaled principal component score data; a distance calculator configured to
a cluster analysis unit configured to perform cluster analysis on the set of scaled principal component score data using the distance calculated by the distance calculation unit;
with
the plant is a wind power plant;
The plurality of variables are a plurality of variables relating to a pitch control mechanism for controlling the pitch angle of the wind turbine blades in the wind power plant;
An acquisition unit for acquiring data consisting of the plurality of types of measurement values obtained by executing a measurement mode for measuring the plurality of types of measurement values relating to the pitch control mechanism for the wind turbine whose operation is stopped in the wind power plant. further comprising
The plurality of variables are the plurality of types of measured values measured by the acquisition unit or values obtained by normalizing the plurality of types of measured values,
Abnormal diagnosis support device for multivariate data.