JPH11212637A

JPH11212637A - 予防保全方法及び装置

Info

Publication number: JPH11212637A
Application number: JP1012298A
Authority: JP
Inventors: Yoshinari Hori; 嘉成堀; Masahide Nomura; 政英野村; Masakazu Kaminaga; 正教神永; Satoshi Goto; 聡後藤
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 1998-01-22
Filing date: 1998-01-22
Publication date: 1999-08-06

Abstract

(57)【要約】【課題】自己連想ニューロを利用して異常検知するシス
テムでは、異常原因の特定が困難であった。【解決手段】異常状態になった場合に、正常データを探
索する正常データ探索部を持ち、正常状態のデータと異
常データを比較し、異常となった計測項目を特定し異常
原因を推定する異常原因推定部を持つ。【効果】機器またはプロセスが異常状態になった場合
に、正常データ推定部により正常データを推定し、異常
状態のデータと比較することで異常となった計測項目を
特定できるため、異常の原因を推定することが可能とな
る。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、プラント，発電設
備，通信設備などの機器設備の状態を測定または観測
し、その結果に基づいて対象機器の異常原因を推定する
予防保全方法及び装置に関する。

【０００２】

【従来の技術】ニューラルネットワークを利用した異常
検知方法には、「自己連想ニューラルネットワークによ
るプロセス変数の関数関係に基づいた異常検出」（化学
工学論文集，第２２巻，第４号，ｐ８４６〜ｐ８５３，
１９９６）に記載されている方法がある。プロセスデー
タとしてｎ項目の時系列データＸ１〜Ｘｎが得られてい
る場合を例に上記公知例の概略を説明する。まず、３層
または５層の自己連想ニューラルネットワークのｉ番目
の入力にプロセス正常時に計測された計測値Ｘｉを入力
し、（１）式を満足するようニューラルネットワーク内
部の重み係数を調整する（学習）。

【０００３】

【数１】

【０００４】このような学習により、自己連想ニューラ
ルネットワークの重み係数に正常状態の計測値Ｘ１〜Ｘ
ｎ間の相関関係が記憶される。相関関係を記憶した自己
連想ニューラルネットワークに正常状態の計測データを
入力すると、式（１）を満足し、相関関係が失われた異
常状態の計測値を入力すると式（１）を満足しない。し
たがって、予めプロセス正常時の計測値間の相関関係を
学習させた自己連想ニューラルネットワークを用いてプ
ロセスの状態が正常か否かを判定することが可能とな
る。

【０００５】ニューラルネットワークを利用した異常診
断に関しては、特開平4−363705 号，特開平6−113459
号等にも記載されている。

【０００６】

【発明が解決しようとする課題】このように、従来技術
を用いれば、（１）式の左辺の値からプロセスの状態が
正常であるか否かを判定でき、異常を検知することは可
能である。しかし、一般に、計測値Ｘ１〜Ｘｎのうちい
くつかの計測値が異常となった異常データをニューラル
ネットワークに入力した場合、それらの影響は全ての出
力に及ぶため、単純に入出力データを比較しただけで
は、異常となった計測値を特定することは難しい。した
がって、異常の原因を特定することも困難となる。

【０００７】

【課題を解決するための手段】上記課題を解決するため
には、少なくとも、異常状態になった場合に、正常デー
タを推定する正常データ推定部を持ち、推定した正常状
態のデータと異常データを比較し、異常となった計測項
目を特定し異常原因を推定する異常原因推定部を有する
ことが望ましい。

【０００８】本発明は、機器設備の計測データから機器
の異常を検出し、異常原因を推定する予防保全方法にお
いて、入力層数と出力層数が等しい階層型ニューラルネ
ットワークモデルを持ち、正常状態の計測値および計測
値の特徴量の少なくとも一方を前記ニューラルネットワ
ークモデルの入力データとし、該入力データが出力デー
タと等しくなるよう学習する正常状態学習部と、正常状
態学習部で正常状態を学習したニューラルネットワーク
モデルに計測された計測値および計測値の特徴量の少な
くとも一方を入力し、得られたニューラルネットワーク
モデルの出力データと入力したデータとの偏差から異常
を検知する異常検知部と、該異常検知部で異常と判定さ
れた場合に機器が正常状態であった場合のデータを推定
する正常データ推定部を持ち、該正常データ推定部で推
定した正常データと計測した異常データを比較し、異常
の原因を推定する異常原因推定部を持つことを特徴とす
る予防保全方法にある。

【０００９】また、機器設備の計測データから機器の異
常を検出し、異常原因を推定する予防保全装置におい
て、入力層数と出力層数が等しい階層型ニューラルネッ
トワークモデルを持ち、正常状態の計測値および計測値
の特徴量の少なくとも一方を前記ニューラルネットワー
クモデルの入力データとし、該入力データが出力データ
と等しくなるよう学習する正常状態学習手段と、正常状
態学習手段で正常状態を学習したニューラルネットワー
クモデルに計測された計測値および計測値の特徴量の少
なくとも一方を入力し、得られたニューラルネットワー
クモデルの出力データと入力したデータとの偏差から異
常を検知する異常検知手段と、該異常検知手段で異常と
判定された場合に機器が正常状態であった場合のデータ
を推定する正常データ推定手段と、該正常データ推定手
段で推定した正常データと計測した異常データを比較
し、異常の原因を推定する異常原因推定手段とを備えた
ことを特徴とする予防保全装置にある。

【００１０】正常データ推定手段は、異常検知手段で異
常と判定された場合に、機器が正常であった場合のデー
タを遺伝アルゴリズムを用いて推定するものであること
が望ましい。

【００１１】

【発明の実施の形態】図１に本発明の実施例を示す。

【００１２】本実施例は、非常用ディーゼルエンジン発
電機の計測値から非常用ディーゼルエンジン発電機の異
常を検出し、異常時にはその原因を推定するためのもの
である。

【００１３】非常用ディーゼルエンジン発電機は、停電
となり商用電力の供給が停止した場合に起動する。すな
わち、非常用ディーゼルエンジン発電機は通常作動して
いないため、定期的にテスト運転をし保守点検する。本
実施例では、テスト運転時のディーゼルエンジン発電機
から発電機電圧，界磁電流などの状態量を計測し、計測
したデータから異常検知および異常原因推定を行う。

【００１４】本実施例は、非常用ディーゼルエンジン発
電機１，監視装置２からなり、非常用ディーゼルエンジ
ン発電機１と監視装置２は通信回線で結ばれている。監
視装置２は、予防保全装置３及び操作端末７０からな
り、予防保全装置３は、データ前処理部１０，データ格
納部２０，正常状態学習部３０，異常検知部４０，正常
データ推定部５０，異常原因推定部６０から構成されて
いる。

【００１５】次に本実施例の動作の概略を説明する。本
実施例の動作には学習モードと判定モードがある。

【００１６】学習モードは、予防保全装置を稼働させる
ための準備をするモードであり、非常用ディーゼルエン
ジン発電機１が正常状態で稼働している時の計測データ
を蓄積し、その相関関係を学習する。判定モードは、実
際に計測された計測データから異常を検知し、異常の原
因を推定するモードである。

【００１７】まず、学習モードでの動作を説明する。非
常用ディーゼルエンジン発電機１の計測データは、デー
タ前処理部１０に送られる。学習モードの間は、基本的
には非常用ディーゼルエンジン発電機の異常を検知でき
ない。ただし、計測センサの故障や通信異常により、送
信されたデータに欠損が生じたり、データフォーマット
に異常が生じたデータ（データフォーマット異常デー
タ）はデータ前処理部１０でチェックする。したがっ
て、データフォーマットに異常がなければ、正常データ
として、異常がある場合はデータフォーマット異常デー
タとしてデータ格納部２０に格納される。正常状態学習
部３０では、データ格納部２０に格納された正常データ
を受け取り、正常データ間の相関関係をニューラルネッ
トワークにより学習する。学習により得られた相関関係
は、ニューラルネットワーク内部の重み係数に反映さ
れ、重み係数は異常検知部４０に送られる。

【００１８】次に、判定モードについて説明する。判定
モードでは、学習モードと同様に計測データはデータ前
処理部１０に送られ、データフォーマット異常であるか
否かをチェックする。データフォーマット異常であれ
ば、データ格納部２０にデータフォーマット異常データ
として格納し、同時に操作端末７０に送られ、操作端末
７０のモニター画面に「データフォーマット異常」であ
ることが表示される。データフォーマットに異常がない
場合は計測データは異常検知部４０に送られる。異常検
知部４０では、学習モードで正常状態学習部３０で得ら
れた重み係数を持つニューラルネットワークに計測デー
タを入力し、ニューラルネットワークの出力値を計算す
る。そして、入力値と出力値の誤差の二乗和を正常状態
と比較し、（１）式を満足すれば正常、満足しなければ
異常と判定する。判定結果は操作端末７０に送られ、操
作端末７０のモニター画面に判定結果が表示される。ま
た、計測データは、正常と判定された場合は正常データ
として、異常と判定された場合は異常データとしてデー
タ格納部２０に格納される。また異常検知部４０で異常
と判定された場合、計測データは正常データ推定部５０
に送られ、非常用ディーゼルエンジン発電機１が正常状
態であった場合の計測データ(推定正常データ)を推定す
る。異常原因推定部６０には、実際に計測された異常デ
ータおよび正常データ推定部５０で推定された推定正常
データが送られ両者が比較され、異常となった計測項目
が特定される。そして異常となった計測項目と異常原因
の対応関係から異常原因の絞り込みを行う。絞り込んだ
異常原因は、操作端末７０に送られ、操作端末７０のモ
ニターに表示される。

【００１９】以下に、図１の各ブロックについてより詳
細に説明する。

【００２０】図２に非常用ディーゼルエンジン発電機１
の構成を示す。この非常用ディーゼルエンジン発電機１
は３相交流発電機であり、ディーゼルエンジン１００，
発電部１１０，蓄電池１２０，整流器１３０，起動装置
１４０からなる。そして停電により商用電力が停止した
場合、および監視装置２の操作端末７０から起動指令が
あった場合に起動装置１４０によりディーゼルエンジン
１００を起動する。この非常用ディーゼルエンジン発電
機１による電力の供給過程は以下の通りである。起動指
令があると、起動装置１４０中のスイッチ１４１がオン
となり、起動用蓄電池１４３からセルモーター１４２に
電力が供給され、セルモーター１４２が起動する。セル
モーター１４２により初期回転が与えられると、ディー
ゼルエンジン１００は燃料に着火させることが可能とな
る。定格回転数の２０％に達すると自力回転が可能とな
るため、起動装置１４０を切り離す。以降は自力で速度
上昇し、調速機により定格速度に調整される。電機子１
１１は、ディーゼルエンジン１００と同じ回転数で回転
しており、ディーゼルエンジン１００の起動と同時に、
界磁用の蓄電池１２０から界磁巻線１１２に界磁電流が
供給され、発電が開始され、ディーゼルエンジン１００
の回転数の上昇と共に発電機電圧は上昇する。発電した
電力はスイッチ１５０を介して負荷１６０に送られる系
統と、整流器１３０で直流に変換されて蓄電池１２０及
び起動用蓄電池１４３に送られる系統がある。ただし、
発電電圧が定格に達するまでの間は、スイッチ１５０は
オフであり、負荷１６０に電力は供給されない。この非
常用ディーゼルエンジン発電機１には、発電機回転数，
発電機電圧，発電機電流，発電機界磁電流，発電機界磁
電圧，起動用蓄電池総電圧、及び冷却水圧力を計測する
ためのセンサーが設置されている。これらセンサーは計
測レンジを設定することができ、計測値が計測レンジに
入らない場合には“計測レンジオーバー”の信号を発生
するものである。次にデータ前処理部１０について説明
する。データ前処理部１０ではデータに欠損が生じた
り、データフォーマットに異常が生じたデータ（データ
フォーマット異常データ）をチェックする。非常用ディ
ーゼルエンジン発電機１で計測される計測データは、監
視装置２の操作端末７０から起動指令をかけて、収集す
る時間と収集する間隔を指定することができる。従っ
て、例えば起動時及び停止時に１秒間隔で２０秒計測す
るとすると各計測データについて２０点、定常運転時に
３０秒間隔で３００秒とすると各計測項目について１０
点といったように収集するデータ数が決定される。した
がって、このデータ数と実際に送られてきたデータ数を
比較することで、データの欠損の有無を判定することが
できる。また、計測センサの異常により、計測データに
“計測レンジオーバー”の信号が付加されていれば、デ
ータフォーマットが正常状態と異なることがわかりデー
タフォーマット異常であることがわかる。また、“計測
レンジオーバー”の信号を送信できないセンサーを利用
する場合は、データ前処理部１０で予め計測値として使
用するレンジを設定し、センサーからの計測値がこの設
定したレンジを越えている場合にはデータフォーマット
異常とみなす。このようにしてデータフォーマット異常
データであるか否かを判定し、データフォーマット異常
である計測データはデータ格納部２０のデータフォーマ
ット異常データ格納ファイルに格納する。そうでない場
合にはデータ格納部２０の正常データ格納ファイルに格
納する。

【００２１】次に正常状態学習部３０について説明す
る。正常状態学習部３０は、予防保全装置が学習モード
の時に動作する。正常データ学習部ではデータ格納部２
０内に格納された正常データの相関関係をニューラルネ
ットワークで学習する。本実施例で用いたニューラルネ
ットワークを図３に示す。このニューラルネットワーク
の特徴は、入力層と出力層の数ｎが等しい左右対称形
で、かつ中間層の数ｍが入力層の数ｎよりも少ないボト
ルネック構造になっている点である。このようなニュー
ラルネットワークにプラントの時系列計測データＸ１〜
Ｘｎを入力し、ｉ番目の出力データＸｉｈ（ｉ＝１〜
ｎ）がｉ番目（ｉ＝１〜ｎ）の入力Ｘｉと等しくなるよ
うにバックプロパゲーション法により学習させると、ニ
ューラルネットワーク内部の重み係数に計測データＸ１
〜Ｘｎ間の相関関係を学習できることが知られている
（前出の公知例参照）。

【００２２】このように相関関係を学習できる理由を説
明する。ただし、ここでは簡単のため、入力層数及び出
力層数：２，中間層数：１の場合について説明する。入
力層に入力された２個の入力データＸ１，Ｘ２は中間層
で１個となり、再び出力層で２個のデータＸ１ｈ，Ｘ１
ｈとなる。入力したＸ１，Ｘ２に全く相関関係が存在せ
ず独立であったとすると、中間層でデータ数が１となっ
た時点で入力層で持っていた情報の一部が欠落するた
め、出力層で入力データを復元することはできない。し
かし、入力データ間に因果関係がある場合には、中間層
で１個になったデータと、因果関係を記憶しているニュ
ーラルネットの重み係数から出力層に入力データを復元
できる。これはちょうど、Ｘ２＝ａＸ１＋ｂという関係
が存在するデータ組Ｘ１，Ｘ２に対して「Ｘ１の値」と
「関係式：Ｘ２＝ａＸ１＋ｂ」から、元のＸ１，Ｘ２を
再現できるのと同じ原理である。

【００２３】本実施例では、非常用ディーゼルエンジン
発電機のテスト運転時に、上述した７項目の計測値のう
ち発電機回転数，発電機界磁電圧，発電機界磁電流，発
電機電圧の４項目を順にＸ１〜Ｘ４とし、入力項目とし
た。また、１回の試運転での計測点は起動してから発電
機電圧がピークに達するまでの間を１秒間隔で計測し
た。通常ピークに達するまでの時間は５〜６秒であるた
め、４項目の計測データを１組とすれば、１回の試験運
転で計測するデータは５，６組のデータとなる。学習モ
ードで学習する学習データは、過去に計測された１０回
の試験運転で計測した計測値とした。したがって学習デ
ータの総数は５０〜６０組のデータである。また、計測
データは種類によって値の絶対値が異なるため、全計測
データを下限値０.０５，上限値０.９５として正規化す
る。

【００２４】次に、異常検知部４０について説明する。
異常検知部４０は正常データ推定部５０，異常原因推定
部６０と同様、予防保全装置３が判定モードであるとき
に動作する。異常検知部４０は、学習モードで正常状態
の計測値間の相関関係を学習したニューラルネットワー
クに計測データを入力する。本実施例では、学習モード
と同様、起動してから発電機電圧がピークに達するまで
の間を１秒間隔で計測し、ニューラルネットワークに入
力する。データは正常状態学習部３０と同じ基準で正規
化してる。

【００２５】図４に実際に計測データを入力した場合の
動作を示す。（Ａ）に示したケースは、データが正常で
あった場合である。ニューラルネットワークに入力した
データと出力データの偏差が少なく、（１）式を満足し
ている。（Ｂ）に示したケースは、データが異常であっ
た場合であり、ニューラルネットワークに入力したデー
タと出力データの偏差が大きく、（１）式を満足しな
い。異常検知部４０では、このように（１）式を満足す
るか否かで異常を検知する。異常検知部４０で正常、あ
るいは異常と判定された計測データはデータ格納部の正
常データファイルおよび異常データファイルに格納され
る。さらに、判定結果は操作端末７０のモニター画面に
表示され、オペレータに伝えられる。

【００２６】次に正常データ推定部５０について説明す
る。正常データ推定部５０では、異常検知部４０で異常
と判定された場合に、機器が正常であった場合のデータ
（推定正常データ）を推定する。正常データはデータ格
納部に格納されているため、過去の正常データを推定正
常データとしても良い。しかし、正常でかつ、起動後同
時刻に計測された計測値は常に同じ値であるとは限らな
い。気温，湿度などの運転条件によって値にばらつきが
ある可能性がある。ただし、ばらつきがある場合であっ
ても、計測値間の因果関係は同じであると考えられる。
そこで、本実施例では以下の考え方にしたがって正常デ
ータを推定した。その考え方について、簡単のため入力
を２項目として図５を用いて説明する。ここで正常デー
タは相関関係を満足する直線上の全ての点であり、異常
データは例えば点Ａで示したように直線から外れた点で
ある。異常データＡが計測され推定正常データを推定す
る場合、直線上の点は全て正常データであるため、推定
正常データが直線上のどの点であるかを特定することは
むずかしい。しかし、正常時と異常時で全ての計測値が
全く異なっている可能性は低く、計測値のうちいくつか
は正常な値を示すと考えられる。したがって本実施例で
は、点Ｂあるいは点Ｃのように、計測した異常データの
うちいくつかの計測項目が正常時と同じ値を示すと仮定
して推定正常データを求めた。ここで、正常データは、
ニューラルネットワークに入力した場合に出力と入力の
誤差二乗和が基準値以下となり（１）式を満足する値で
ある。したがって正常データを探索する場合、入力する
値を変化させ、出力と入力の誤差二乗和がより小さくな
るような値を求めればよい。本実施例では、遺伝アルゴ
リズムを用いて推定正常データを求めた。

【００２７】遺伝アルゴリズムは生物の進化の過程を模
擬した最適化アルゴリズムである（詳細については「遺
伝的アルゴリズム」産業図書：北野著」参照）。遺伝ア
ルゴリズムでは最適化する対象を１本の「染色体」とし
て表現する。「染色体」を持つものが「個体」であり
（実質的には「個体」≒「染色体」と考えてよい）、
「個体」の評価を決定するものが「染色体」上の「遺伝
子」である。遺伝アルゴリズムでは「染色体」上の「遺
伝子」を組み替えて新しい「個体」を作るという工程
と、「個体」の集団のうちより評価の高い形質を持つ個
体を複製するという工程を繰り返すことにより最良の評
価を持つ個体を作成するアルゴリズムである。本実施例
では、４項目の計測データの正常値を求めるため、４項
目の計測データを「遺伝子」とする「染色体」を作成す
ればよい。しかし、本実施例では直接４項目の計測デー
タを「遺伝子」としたものを「染色体」とするのではな
く、計測した異常データからの偏差を「遺伝子」とした
ものを「染色体」とした。一例を図６に示す。ここで
は、図４の(Ｂ）で示した異常データ［０.８８，０.７
５,０.７０，０.９０］を例として作成した。ある「個
体」の遺伝子が［−０.０６,０，０.１０，−０.０５］
とすると、このとき仮定される推定正常データは、両者
を足しあわせた［０.８２，０.７５，０.８０，０.８
５］となる。(ただし、図６に示した異常データ及び推
定正常データ(候補)の値は［０.０５，０.９５］で正規
化した値である）。

【００２８】このように「染色体」を定義し、図７の各
工程に従い、ニューラルネットワークの入出力誤差の二
乗和が小さくなるように最適化していく。以下、順に図
７の各工程について説明する。初期値作成工程では、乱
数を利用して上記で定義した「染色体」を持つ「個体」
を作成した。ここでは、異なる３０個の「個体」を作成
した。次に評価値算出工程では、各「個体」の評価値を
計算した。評価値は各個体から作成した推定正常データ
を学習済みニューラルネットワークに入力した時の入出
力誤差の二乗和であり、(１)式の左辺の値である。ここ
で、推定正常データの候補は「染色体」上の「遺伝子」
の値と実測した異常データから推定正常データの候補を
作成する。図６の例では作成した推定正常データは、
［０.８２,０.７５，０.８０,０.８５］である。次の終
了判定工程では終了条件を満足すれば終了し、満足しな
ければ次の工程に進む。本実施例では、評価値算出工程
において求めた入出力誤差の二乗和が（１）式を満足す
る「個体」が３つ以上生成することを終了条件とした。
したがって、式（１）を満足する個体が２つ以内であれ
ば、次の工程に進み、式（１）を満足する個体が３以上
生成すれば終了とした。本実施例では、このような終了
条件を用いたが、図７に示した評価値算出工程から組み
替え工程までの繰り返し回数を基準とし、「繰り返し回
数が基準値以上となれば終了する」という終了条件でも
よい。次に選択工程では計算した評価値が高い「個
体」、すなわち誤差が小さい「個体」をＭ個複製（増
殖）し、評価値が低い染色体をｍ個削除（淘汰）した
（本実施例ではＭ＝２とした）。したがって、本実施例
では「個体」数は常に３０であるが、選択工程により評
価値の高い「個体」の割合が増加する。次に組み替え工
程では、「交叉」と「突然変異」という操作によって
「遺伝子」を組み替える。ここで「交叉」とは２つの
「遺伝子」の一部を入れ替える操作であり、「突然変異」
とは「遺伝子」の一部の値を別の値に変更する操作であ
る。「交叉」では、「個体」を２個選択し、「染色体」
上の７つの「遺伝子」のうちｊ番目からｋ番目までを入
れ替えた。ただし、ｊ，ｋは１≦ｊ≦４，１≦ｋ≦４，
ｊ＜ｋの条件を満足する値である。図８にこの操作の一
例を示す。図８の例では、図６で示した「個体」［−
０.０６，０，０.１０，−０.０５］と別の「個体」
［０.２１，−０.０５，０.０５，０.１２］の２番目か
ら３番目までの「遺伝子」を組み替えた。本実施例で
は、このように交叉を行ったが、同じ部位同士の「遺伝
子」を入れ替えるのではなく、例えば、１つの「個体」
のｊ番目からｊ＋１番目の「遺伝子」と、別の「個体」
のｋ番目からｋ＋１番目の「遺伝子」とを入れ替える操
作を施してもよい（ただし、ｋ≠ｊ）。また「突然変
異」ではｍ番目の「遺伝子」の値を乱数を用いて別の値
に変更した（ただし、１≦ｍ≦４）。

【００２９】このように図７に示した各工程（世代交
代）を繰り返すことで、入出力誤差の二乗和が小さい
「個体」すなわち推定正常データを求めることができ
る。

【００３０】ただし、図５で示したように、入出力誤差
の二乗和を小さくする正常データは無数に存在するため
本アルゴリズムで必ずしも図５の点Ｂ，点Ｃのような解
を求められない可能性もある。そのような場合、例えば
評価値を

【００３１】

【数２】

【００３２】としてもよい。ただし、αｉ＝０（Ｇｉ＝０の時）＝β （Ｇｉ≠０の時）Ｇｉ：その個体の遺伝子 β：定数（β＞０）である。この評価値の第２項は、「０」でない値をとる
遺伝子の数に比例して大きくなる。したがって、この評
価値が小さくなるように最適化すると、「０」を多く含
んだ「個体」を求めることができる。言い換えれば、図
５の点Ｂ，点Ｃのように計測した異常データのうちいく
つかの計測項目の値が推定正常データの値と同じとなる
推定正常データを求めることができる。

【００３３】また、本実施例では正常データ探索手段と
して遺伝アルゴリズムを利用したが、「山登り法」，
「シミュレーティッドアニーリング」などの最適化手法
を用いてもよい。

【００３４】最後に異常原因推定部６０について説明す
る。異常原因推定部６０では、実際に計測された異常デ
ータおよび正常データ推定部５０で推定された正常デー
タの両者を比較し、異常となった計測項目を特定する。
本実施例では、各計測項目について実際に計測した異常
データと正常データ推定部で推定した正常データとの偏
差をとり、偏差が基準値よりも大きい計測項目を異常と
特定した。例えば、異常データ［０.８８，０.７５，
０.７１，０.９０］に対し、求めた推定正常データが
［０.８７，０.７５，０.７１,０.８０］、基準値０.０
２であったとすると、４項目目のデータのみが異常であ
る。また、偏差が基準値より大きな計測項目が複数存在
する場合は複数個の計測項目が異常であるとした。ま
た、正常データの候補が複数ある場合は、それぞれの正
常データを基準として異常計測項目を特定する。例え
ば、推定正常データが［０.８７，０.７５，０.７１，
０.８０］と［０.８１，０.８５，０.７１，０.９０］
の２通りあった場合、それぞれの異常項目を別々に求め
る。

【００３５】異常計測項目を特定した後は、異常の原因
を推定する。本実施例では、計測項目と異常原因の対応
表を利用して判定を行った。これは、異常値を示す計測
項目と異常原因の関係をまとめたものである。一例を図
９に示す。図９に示した例では、異常値を示す計測項目
と異常原因の関係の他に、異常が計測された時間に関す
る情報も記されている。例えば、図４に示した異常デー
タ［０.８８，０.７５，０.７１，０.９０］を電圧ピー
ク時に計測し、異常項目を特定したところ発電機電圧で
あったとする。すると、この表より「ＡＶＲの異常」で
あると推定される。正常データの候補が複数あり、異常
項目もそれに対応して複数考えられる場合は、それぞれ
の異常項目に対して異常原因を推定する。また、本実施
例では上述した対応表によって異常原因を特定したが、
原因を特定するための知識を予め「If Thenルール」で
記述し、知識処理によって異常原因を推定してもよい。

【００３６】このようにして推測された異常原因は、操
作端末７０のモニター画面に表示される。また、その推
測の過程が必要であれば、同様に操作端末７０のモニタ
ー画面に表示することが可能である。

【００３７】以上に示した実施例では、起動後１秒毎の
４つの計測データをニューラルネットワークの入力デー
タとして異常を検知したが、入力データの形式はそのよ
うな形の制限を受けるものではない。したがって、計測
項目は４項目のみではなく、起動用蓄電池の電圧やその
時の気温などを追加してもよい。また、起動後ｔ秒後の
計測データと（ｔ−ｋΔｔ）秒後の計測データを１組の
入力データとしてもよい。（ただし、ｔ：正の実数，
ｋ：正の整数，Δｔ：サンプリング間隔）また、計測デ
ータを直接入力するのではなく、例えば、「発電機電圧
の最大値と定格値の比」や「電圧制定時間」などの特徴
量を抽出し、特徴量の値をニューラルネットワークの入
力データとしてもよい。

【００３８】

【発明の効果】以上のように、機器またはプロセスが異
常状態になった場合に、正常データ推定部により正常デ
ータを推定し、異常状態のデータと比較することで異常
となった計測項目を特定でき、異常の原因を推定するこ
とが可能となる。

【図面の簡単な説明】

【図１】本発明の実施例の概要を表す図。

【図２】ディーゼルエンジンの概要を表す図。

【図３】ニューラルネットワークの概略を表す図。

【図４】異常検知の例を表す図。

【図５】正常データ推定方法の概要を表す図。

【図６】染色体の表現方法を表わす図。

【図７】正常データ推定部のアルゴリズムを表わす図。

【図８】交叉の例を表す図。

【図９】異常原因と計測値の関係表の一例を表す図。

【符号の説明】

１…非常用ディーゼルエンジン発電機、２…監視装置、
３…予防保全装置、１０…データ前処理部、２０…デー
タ格納部、３０…正常状態学習部、４０…異常検知部、
５０…正常データ推定部、６０…異常原因推定部、７０
…操作端末。

───────────────────────────────────────────────────── フロントページの続き (72)発明者後藤聡茨城県日立市大みか町五丁目２番１号株式会社日立製作所大みか工場内

Claims

【特許請求の範囲】

【請求項１】機器設備の計測データから機器の異常を検
出し、異常原因を推定する予防保全方法において、入力
層数と出力層数が等しい階層型ニューラルネットワーク
モデルを持ち、正常状態の計測値および計測値の特徴量
の少なくとも一方を前記ニューラルネットワークモデル
の入力データとし、該入力データが出力データと等しく
なるよう学習する正常状態学習部と、正常状態学習部で
正常状態を学習したニューラルネットワークモデルに計
測された計測値および計測値の特徴量の少なくとも一方
を入力し、得られたニューラルネットワークモデルの出
力データと入力したデータとの偏差から異常を検知する
異常検知部と、該異常検知部で異常と判定された場合に
機器が正常状態であった場合のデータを推定する正常デ
ータ推定部を持ち、該正常データ推定部で推定した正常
データと計測した異常データを比較し、異常の原因を推
定する異常原因推定部を持つことを特徴とする予防保全
方法。
【請求項２】請求項１に記載の予防保全方法において、
前記正常データ推定部は前記異常検知部で異常と判定さ
れた場合に機器が正常状態であった場合のデータを遺伝
アルゴリズムを用いて推定するものであることを特徴と
する予防保全方法。
【請求項３】機器設備の計測データから機器の異常を検
出し、異常原因を推定する予防保全装置において、入力
層数と出力層数が等しい階層型ニューラルネットワーク
モデルを持ち、正常状態の計測値および計測値の特徴量
の少なくとも一方を前記ニューラルネットワークモデル
の入力データとし、該入力データが出力データと等しく
なるよう学習する正常状態学習手段と、正常状態学習手
段で正常状態を学習したニューラルネットワークモデル
に計測された計測値および計測値の特徴量の少なくとも
一方を入力し、得られたニューラルネットワークモデル
の出力データと入力したデータとの偏差から異常を検知
する異常検知手段と、該異常検知手段で異常と判定され
た場合に機器が正常状態であった場合のデータを推定す
る正常データ推定手段と、該正常データ推定手段で推定
した正常データと計測した異常データを比較し、異常の
原因を推定する異常原因推定手段とを備えたことを特徴
とする予防保全装置。