KR20230098294A - 이상 판정 장치, 이상 판정 모델 생성 방법 및 이상 판정 방법 - Google Patents

이상 판정 장치, 이상 판정 모델 생성 방법 및 이상 판정 방법 Download PDF

Info

Publication number
KR20230098294A
KR20230098294A KR1020237018218A KR20237018218A KR20230098294A KR 20230098294 A KR20230098294 A KR 20230098294A KR 1020237018218 A KR1020237018218 A KR 1020237018218A KR 20237018218 A KR20237018218 A KR 20237018218A KR 20230098294 A KR20230098294 A KR 20230098294A
Authority
KR
South Korea
Prior art keywords
time
abnormality
abnormality determination
series signal
equipment
Prior art date
Application number
KR1020237018218A
Other languages
English (en)
Inventor
다케히데 히라타
게이 쇼무라
Original Assignee
제이에프이 스틸 가부시키가이샤
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 제이에프이 스틸 가부시키가이샤 filed Critical 제이에프이 스틸 가부시키가이샤
Publication of KR20230098294A publication Critical patent/KR20230098294A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

이상 판정 장치는, 시계열 신호 추출 수단과, 정상 벡터 등록 수단과, 이상 판정 모델 등록 수단과, 이상 판정 수단을 구비하고, 이상 판정 수단이, 이상 판정 플래그가 제 1 형인 경우, 등록한 정상 벡터와의 거리를 연산하고, 거리가 작은 순으로 소정 수의 정상 벡터를 근방 데이터로서 추출하고, 근방 데이터의 무게 중심 벡터와 이상 판정 대상의 M 차원 벡터의 거리를 연산하고, 거리에 기초하여 설비의 이상 판정을 실시하고, 이상 판정 플래그가 제 2 형인 경우, 미리 연산한 주성분의 변환 계수에 기초하여, 주성분으로부터의 편차를 연산하고, 편차에 기초하여 설비의 이상 판정을 실시한다.

Description

이상 판정 장치, 이상 판정 모델 생성 방법 및 이상 판정 방법
본 발명은 이상 판정 장치, 이상 판정 모델 생성 방법 및 이상 판정 방법에 관한 것이다.
철강 프로세스의 압연 공정에서는, 강판은 한 쌍의 워크 롤 및 백업 롤에 의해 압연된다. 유압 압하 장치는, 압연시에 강판이 소정의 판두께가 되도록, 여자 전류에 의해 서보 밸브의 스풀을 이동시켜 서보 밸브의 밸브 개도를 조정하고, 유주 (油柱) 실린더의 유량을 조정함으로써, 유주 실린더의 위치를 제어하고 워크 롤의 압하량을 제어한다.
이러한 유압 압하 장치에서는, 스풀이 움직이지 않게 되어 워크 롤을 압하할 수 없게 되는 이상이 발생하기 전에, 스풀이 움직이기 어려워지는 사소한 이상 (미소 이상) 을 검지하는 것이 요망된다. 이러한 배경에서, 유압 압하 장치의 이상을 감시하는 기술이 제안되어 있다.
예를 들어, 특허문헌 1 에는, 설비가 정상적으로 가동되고 있을 때에, 서보 밸브의 스풀의 이동량의 기준값과 실적값의 상관을 구해 두고, 기준값과 실적값의 관계로부터 이상을 검지하는 방법이 기재되어 있다. 또한, 특허문헌 2 에는, 서보 밸브의 여자 전류와 유주 실린더의 위치의 관계를, 양자의 관계가 비례 관계에 있는 영역과 포화 상태에 있는 영역으로 분류하여 감시하는 방법이 기재되어 있다.
일본 특허공보 제2615291호 일본 공개특허공보 소63-172004호
그러나, 특허문헌 1 에 기재된 기술은, 서보 밸브의 스풀의 이동량의 기준값과 실적값으로만 이상을 감시하고 있기 때문에, 감시를 위한 정보량이 충분하다고는 할 수 없다. 또, 특허문헌 2 에 기재된 기술에 의하면, 서보 밸브의 여자 전류와 유주 실린더의 위치의 관계에 대해, 비례 관계와 포화 상태의 2 개의 관계의 각각에 적정값을 설정할 필요가 있다. 그런데, 2 종류의 신호간의 관계에는, 정상시에 있어서도 허용되는 편차의 범위가 있어, 적정값을 확정적으로 구하는 것은 어렵다. 또한, 철강 프로세스와 같이 다수의 대상 설비가 존재하는 경우에는, 각 대상 설비의 각 신호간의 복수의 관계의 각각에 적정값을 설정할 필요가 있어, 맨파워가 증대된다는 문제가 있었다.
본 발명은, 상기를 감안하여 이루어진 것으로서, 각 설비를 개별적으로 감시하지 않고, 비선형의 특성을 갖는 설비의 이상을 범용적이고 또한 고정밀도로 검지할 수 있는 이상 판정 장치, 이상 판정 모델 생성 방법 및 이상 판정 방법을 제공하는 것을 목적으로 한다.
상기 서술한 과제를 해결하고, 목적을 달성하기 위해서, 본 발명에 관련된 이상 판정 장치는, 소정의 동작을 실시하는 설비의 이상을 판정하는 이상 판정 장치로서, 상기 설비의 정상 동작시에, 상기 설비의 동작 상태를 나타내는 2 이상의 시계열 신호로부터 K 회의 추출을 실시하는 시계열 신호 추출 수단과, 상기 시계열 신호 추출 수단에 의해 추출한 2 이상의 시계열 신호의 종류를 M 종으로 하고, 동일 시각에 있어서의 M 종의 변수로 이루어지는 M 차원 벡터를 구성하고, 구성한 벡터를 정상 벡터로서 등록하는 정상 벡터 등록 수단과, 각 변수간의 상관의 최대값이 소정값 미만인 경우는, 이상 판정 플래그를 제 1 형으로 하고, 상기 각 변수간의 상관의 최대값이 소정값 이상인 경우는, 이상 판정 플래그를 제 2 형으로 하고, 상기 이상 판정 플래그가 제 2 형인 경우, 등록한 정상 벡터군에 대하여 주성분 분석을 실시하여 주성분의 변환 계수를 연산하고, 연산한 상기 주성분의 변환 계수의 각각을 이상 판정 모델로서 등록하는 이상 판정 모델 등록 수단과, 상기 설비의 이상을 판정하는 이상 판정 수단을 구비하고, 상기 이상 판정 수단이, 상기 설비의 이상 판정시에, 정상 동작시와 동일하게 추출한 시계열 신호로부터 1 개의 M 차원 벡터를 구성하고, 상기 이상 판정 플래그가 제 1 형인 경우, 등록한 정상 벡터와의 거리를 연산하고, 거리가 작은 순서로 소정 수의 상기 정상 벡터를 근방 데이터로서 추출하고, 상기 근방 데이터의 무게 중심 벡터와 이상 판정 대상의 M 차원 벡터의 거리를 연산하고, 상기 거리에 기초하여 상기 설비의 이상 판정을 실시하고, 상기 이상 판정 플래그가 제 2 형인 경우, 미리 연산한 상기 주성분의 변환 계수에 기초하여, 주성분으로부터의 편차를 연산하고, 상기 편차에 기초하여, 상기 설비의 이상 판정을 실시한다.
또한, 본 발명에 관련된 이상 판정 장치는, 상기 발명에 있어서, 상기 설비의 동작 상태를 나타내는 시계열 신호와, 미리 정한 감시 대상 구간으로부터 상기 동작 상태를 나타내는 시계열 신호를 추출하는 조건을 결정하는 트리거 후보의 시계열 신호를 수집하는 시계열 신호 수집 수단과, 상기 설비의 동작 상태를 나타내는 시계열 신호에 대해서, 추출하고자 하는 상기 감시 대상 구간의 개시 시각을 미리 특정하여, 상기 개시 시각의 라벨을 ON 으로 하고, 그 이외의 시각을 OFF 로 하는 라벨 데이터를 생성하고, 각 시각에 있어서의 1 이상의 상기 트리거 후보의 시계열 신호의 각 값을 입력으로 하고, 각 시각에 있어서의 상기 라벨 데이터를 출력으로 하는 트리거 조건 결정 모델을, 기계 학습에 의해 생성하는 트리거 조건 결정 모델 생성 수단을 추가로 구비하고, 상기 시계열 신호 추출 수단이, 상기 설비의 정상 동작시 및 이상 판정시에, 상기 트리거 조건 결정 모델에 기초하여, 상기 시계열 신호의 추출을 실시한다.
또한, 본 발명에 관련된 이상 판정 장치는, 상기 발명에 있어서, 상기 트리거 조건 결정 모델이, 결정목을 포함하는 기계 학습 모델이다.
또, 본 발명에 관련된 이상 판정 장치는, 상기 발명에 있어서, 상기 이상 판정 수단이, 소정의 기간에 있어서 상기 설비가 이상으로 판정된 횟수에 기초하여, 상기 설비의 보수의 필요 여부를 판정한다.
상기 서술한 과제를 해결하고, 목적을 달성하기 위해서, 본 발명에 관련된 이상 판정 모델 생성 방법은, 소정의 동작을 실시하는 설비의 이상을 판정하는 이상 판정 모델 생성 방법으로서, 상기 설비의 정상 동작시에, 상기 설비의 동작 상태를 나타내는 2 이상의 시계열 신호로부터 K 회의 추출을 실시하는 시계열 신호 추출 공정과, 상기 시계열 신호 추출 공정에서 추출한 2 이상의 시계열 신호의 종류를 M 종으로 하고, 동일 시각에 있어서의 M 종의 변수로 이루어지는 M 차원 벡터를 구성하고, 구성한 벡터를 정상 벡터로서 등록하는 정상 벡터 등록 공정과, 각 변수간의 상관의 최댓값이 소정값 미만인 경우에는, 이상 판정 플래그를 제 1 형으로 하고, 상기 각 변수간의 상관의 최댓값이 소정값 이상인 경우는, 이상 판정 플래그를 제 2 형으로 하고, 상기 이상 판정 플래그가 제 2 형인 경우, 등록한 정상 벡터군에 대해서 주성분 분석을 실시하여 주성분의 변환 계수를 연산하고, 연산한 상기 주성분의 변환 계수의 각각을 이상 판정 모델로서 등록하는 이상 판정 모델 등록 공정을 포함한다.
또한, 본 발명에 관련된 이상 판정 모델 생성 방법은, 상기 발명에 있어서, 상기 설비의 동작 상태를 나타내는 시계열 신호와, 미리 정한 감시 대상 구간으로부터 상기 동작 상태를 나타내는 시계열 신호를 추출하는 조건을 결정하는 트리거 후보의 시계열 신호를 수집하는 시계열 신호 수집 공정과, 상기 설비의 동작 상태를 나타내는 시계열 신호에 대해서, 추출하고자 하는 상기 감시 대상 구간의 개시 시각을 미리 특정하여, 상기 개시 시각의 라벨을 ON 으로 하고, 그 이외의 시각을 OFF 로 하는 라벨 데이터를 생성하고, 각 시각에 있어서의 1 이상의 상기 트리거 후보의 시계열 신호의 각 값을 입력으로 하고, 각 시각에 있어서의 상기 라벨 데이터를 출력으로 하는 트리거 조건 결정 모델을, 기계 학습에 의해 생성하는 트리거 조건 결정 모델 생성 공정을 추가로 포함하고, 상기 시계열 신호 추출 공정이, 상기 트리거 조건 결정 모델에 기초하여, 상기 시계열 신호의 추출을 실시한다.
상기 서술한 과제를 해결하고, 목적을 달성하기 위해서, 본 발명에 관련된 이상 판정 방법은, 상기 이상 판정 모델 생성 방법에 의해 생성된 이상 판정 모델을 이용하여, 소정의 동작을 실시하는 설비의 이상을 판정하는 이상 판정 방법으로서, 상기 설비의 동작 상태를 나타내는 2 이상의 시계열 신호로부터 추출을 실시하는 시계열 신호 추출 공정과, 상기 설비의 이상을 판정하는 이상 판정 공정을 포함하고, 상기 이상 판정 공정이, 상기 시계열 신호 추출 공정에서 추출한 시계열 신호의 이상 판정 플래그가, 제 1 형인지 또는 제 2 형인지를 판정하고, 상기 이상 판정 플래그가 제 1 형인 경우, 등록한 정상 벡터와의 거리를 연산하여, 거리가 작은 순서로 소정 수의 상기 정상 벡터를 근방 데이터로서 추출하고, 상기 근방 데이터의 무게 중심 벡터와 이상 판정 대상의 M 차원 벡터의 거리를 연산하고, 상기 거리에 기초하여 상기 설비의 이상 판정을 실시하고, 상기 이상 판정 플래그가 제 2 형인 경우, 미리 연산한 상기 주성분의 변환 계수에 기초하여, 주성분으로부터의 편차를 연산하고, 상기 편차에 기초하여, 상기 설비의 이상 판정을 실시한다.
또한, 본 발명에 관련된 이상 판정 방법은, 상기 발명에 있어서, 상기 시계열 신호 추출 공정이, 상기 이상 판정 모델 생성 방법에 의해 생성된 트리거 조건 결정 모델을 이용하여, 시계열 신호를 실시한다.
본 발명에 의하면, 각 설비를 개별적으로 감시하지 않고, 비선형의 특성을 갖는 설비의 이상을 범용적이고 또한 고정밀도로 검지할 수 있다.
도 1 은 본 발명의 실시형태에 관련된 이상 판정 모델 생성 장치 및 이상 판정 장치의 개략적인 구성을 나타내는 블록도이다.
도 2 는 본 발명의 실시형태에 관련된 트리거 조건 결정 모델 생성 방법의 흐름을 나타내는 플로 차트이다.
도 3 은 본 발명의 실시형태에 관련된 트리거 조건 결정 모델 생성 방법의 시계열 신호 추출 공정의 내용을 모식적으로 나타내는 도면이다.
도 4 는 본 발명의 실시형태에 관련된 트리거 조건 결정 모델 생성 방법의 시계열 신호 추출 공정의 내용을 모식적으로 나타내는 도면이다.
도 5 는 본 발명의 실시형태에 관련된 트리거 조건 결정 모델 생성 방법의 트리거 조건 결정 모델 생성 공정의 내용을 모식적으로 나타내는 도면이다.
도 6 은 본 발명의 실시형태에 관련된 트리거 조건 결정 모델 생성 방법의 트리거 조건 결정 모델 생성 공정에서 생성하는 결정목을 모식적으로 나타내는 도면이다.
도 7 은 본 발명의 실시형태에 관련된 시계열 신호의 트리거 조건 결정 방법의 트리거 조건 결정 모델 생성 공정에 있어서, 1 펄스 신호를 톱니파로 변환하는 모습을 모식적으로 나타내는 도면이다.
도 8 은 본 발명의 실시형태에 관련된 시계열 신호의 트리거 조건 결정 방법의 트리거 조건 결정 모델 생성 공정에서 변환한 톱니파를 모식적으로 나타내는 도면이다.
도 9 는 본 발명의 실시형태에 관련된 이상 판정 모델 생성 방법의 흐름을 나타내는 플로 차트이다.
도 10 은 본 발명의 실시형태에 관련된 이상 판정 방법의 흐름을 나타내는 플로 차트이다.
도 11 은 본 발명의 실시형태에 관련된 이상 판정 방법에 있어서의 이상 판정 공정의 원리를 설명하기 위한 설명도이다.
도 12 는 본 발명의 실시형태에 관련된 이상 판정 방법의 효과를 설명하기 위한 설명도이다.
본 발명의 실시형태에 관련된 이상 판정 장치, 이상 판정 모델 생성 방법 및 이상 판정 방법에 대해서, 도면을 참조하면서 설명한다.
(이상 판정 장치)
이상 판정 장치는, 예를 들어 공장 등의 생산 설비 및 연구소 등의 실험 설비에 있어서, 감시 대상 설비 (이하, 간단히 「설비」라고 하는 경우도 있다) 의 이상을 판정 (진단) 하기 위한 장치이다. 감시 대상 설비로는, 예를 들면 제철 프로세스의 설비, 석유 관련 제품, 화학 약품 등의 제조 프로세스의 생산 설비, 연구 기관의 실험 설비 등을 들 수 있다.
이상 판정 장치 (1) 는, 예를 들어 퍼스널 컴퓨터나 워크 스테이션 등의 범용의 정보 처리 장치에 의해 실현된다. 이 이상 판정 장치 (1) 는, 도 1 에 나타내는 바와 같이, 입력부 (10) 와, 출력부 (20) 와, 연산부 (30) 와, 기억부 (40) 를 구비하고 있다.
입력부 (10) 는, 연산부 (30) 에 대한 데이터의 입력 수단이고, 예를 들어 데이터 수집 장치, 키보드, 포인팅 디바이스 등에 의해 실현된다. 출력부 (20) 는, 연산부 (30) 에 의해 처리된 데이터의 출력 수단이고, 예를 들어 액정 디스플레이 등의 표시 장치 등에 의해 실현된다.
연산부 (30) 는, 예를 들어, CPU (Central Processing Unit) 등으로 이루어지는 프로세서와, RAM (Random Access Memory) 이나 ROM (Read Only Memory) 등으로 이루어지는 메모리 (주기억부) 에 의해 실현된다. 연산부 (30) 는, 프로그램을 주기억부의 작업 영역에 로드하여 실행하고, 프로그램의 실행을 통하여 각 구성부 등을 제어함으로써, 소정의 목적에 합치한 기능을 실현한다.
또한, 연산부 (30) 는, 상기한 프로그램의 실행을 통하여, 시계열 신호 수집부 (시계열 신호 수집 수단) (31), 시계열 신호 추출부 (시계열 신호 추출 수단) (32) 및 정상 벡터 등록부 (정상 벡터 등록 수단) (33) 로서 기능한다. 또한, 연산부 (30) 는, 트리거 조건 결정 모델 생성부 (트리거 조건 결정 모델 생성 수단) (34), 이상 판정 모델 등록부 (이상 판정 모델 등록 수단) (35) 및 이상 판정부 (이상 판정 수단) (36) 로서도 기능한다. 또한, 각 부의 상세는 후기한다 (도 2 및 도 9 참조). 또한, 도 1 에서는, 하나의 연산부 (30) (≒ 하나의 컴퓨터) 에 의해 각 부의 기능을 실현하는 예를 나타내고 있지만, 복수의 연산부에 의해 각 부의 기능을 실현해도 된다.
기억부 (40) 는 연산부 (30) 에 의한 연산 결과를 격납하는 수단이고, 예를 들어 하드 디스크 장치 등에 의해 실현된다. 이 기억부 (40) 에는, 트리거 조건 결정 모델 (41), 정상 DB (42) 및 이상 판정 모델 (43) 이 격납되어 있다. 또한, 기억부 (40) 에는, 상기 모델 외에, 예를 들어 연산부 (30) 에 의해 처리된 데이터 (예를 들어 감시 대상 신호, 트리거 후보 신호, 트리거 조건 등) 도, 필요에 따라 격납된다.
트리거 조건 결정 모델 (41) 이란, 트리거 조건을 결정할 때에 이용하는 학습 모델이다. 트리거 조건 결정 모델 (41) 은, 후기하는 바와 같이, 트리거 조건 결정 모델 생성부 (34) 에 의해 미리 생성되어, 기억부 (40) 에 격납된다.
여기서, 「트리거 조건」이란, 후기하는 이상 판정 방법에 있어서, 정상 DB (42) 에 정상 벡터 (정상 데이터) 를 등록할 때, 이상 판정 모델 (43) 을 등록할 때, 및 이상 판정을 실시할 때에, 시계열 신호를 추출하기 위한 조건을 나타내고 있다.
트리거 조건은, 구체적으로는, 설비의 동작 상태를 나타내는 시계열 신호 (이하, 「설비 상태 시계열 신호」라고도 한다) 로부터, 이상 판정 대상이 되는 구간 (이하, 「감시 대상 구간」이라고 한다) 을 추출하는 타이밍을 지정하는 조건을 나타내고 있다. 이 트리거 조건은, 예를 들면 상기한 시계열 신호의 추출 개시 시각 및 추출의 폭을 나타내고 있다. 또한, 상기한 감시 대상 구간으로부터, 설비 동작 시계열 신호를 추출하는 조건 (트리거 조건) 을 결정하는 시계열 신호를, 「트리거 후보 신호」라고 부른다.
설비 동작 시계열 신호는, 감시 대상 설비의 종류에 따라 상이하고, 예를 들면 감시 대상 설비가 「모터」인 경우, 설비 동작 시계열 신호로는 모터의 전류나 속도 등이 사용된다. 이상 판정 장치 (1) 에서는, 1 이상의 설비 상태 시계열 신호와 이것에 대응하는 트리거 후보 신호를 상시 수집하고 있다. 트리거 후보 신호는, 감시 대상 설비에 관련된 시계열 신호로서, 설비 동작 시계열 신호와 동일 시각에 검출된 시계열 신호를 나타내고 있다.
통상, 단일 또는 복수의 조건이 성립되었을 때에 감시하고자 하는 설비는 동작을 개시한다. 트리거 후보 신호란 이 조건을 말하며, 예를 들면 On, Off 등의 신호이다. 이 트리거 조건을 사전에 알고 있으면, 감시 대상 구간의 추출은 용이하다. 그러나 다양한 설비가 다수 있어 복잡하게 동작하는 경우, 이 트리거 조건을 용이하게 판단할 수 없는 경우가 있다. 혹은, 트리거 조건을 직접적으로 나타내는 트리거 후보 신호가 반드시 데이터베이스에 도입되어 있지 않아, 간접적인 형태에서의 신호밖에 존재하지 않는 경우도 있다.
그래서, 설비 동작 조건을 규정하는 신호군을 트리거 후보 신호로서 선택하고, 그들 신호의 이력으로부터 동작 개시의 룰을 기계 학습 등으로 추출하여, 감시 대상 구간을 추출하기 위한 조건을 결정한다. 또한, 트리거 후보 신호는, 대상 프로세스나 설비 등의 이상과는 직접 관계되지 않는 신호가 바람직하고, 각종 지령값이나 특정한 이벤트의 ON/OFF 를 나타내는 신호 등이 후보가 된다. 단, 트리거 후보 신호에, 감시 대상 신호 자체를 포함시켜도 된다.
또한, 감시 대상 구간이란, 설비 동작 시계열 신호 중 이상 판정을 실시하기 위해 추출하는 구간을 나타내고 있다. 설비 동작 시계열 신호로부터 감시 대상 구간을 추출하는 경우, 당해 시계열 신호의 추출을 개시하는 시각 (이하, 「추출 개시 시각」이라고 한다) 과, 추출의 폭을 지정한다. 그 때, 추출 개시 시각은, 설비 동작 시계열 신호와 동시에 수집하고 있는 트리거 후보 신호의 값에 의해 지정한다. 또한, 추출의 폭은, 감시 대상 설비의 종류에 따라 상이하고, 예를 들어 감시 대상 설비가 「모터」인 경우, 모터가 가속되는 구간을 추출의 폭으로서 지정해도 된다. 혹은, 제품 제조 프로세스이면, 제조 개시로부터 제조 종료까지의 구간의 폭으로 할 수도 있다.
정상 DB (42) 는, 이상 판정 장치 (1) 에 의한 이상 판정을 실시할 때에 이용되는 데이터베이스이다. 정상 DB (42) 에는, 과거의 조업시에 있어서의 설비의 정상적인 동작 상태의 데이터 (이하, 「정상 벡터」라고 한다) 가 축적되어 있다. 이 정상 벡터는, 시계열 신호 추출부 (32) 에 의해 추출된 시계열 신호의 종류에 대응하는 M 종의 변수로 이루어지는 M 차원 벡터에 의해 구성된다.
이상 판정 모델 (43) 은, 후기하는 이상 판정 방법에 있어서 이상 판정을 실시할 때에 이용되는 학습 모델이다. 이 이상 판정 모델 (43) 은, 후기하는 바와 같이, 이상 판정 모델 등록부 (35) 에 의해 미리 생성되어, 기억부 (40) 에 격납된다. 또한, 이상 판정 모델 (43) 의 상세에 대해서는 후기한다.
(트리거 조건 결정 모델 생성 방법)
실시형태에 관련된 트리거 조건 결정 모델 (41) 의 생성 방법에 대해, 도 2 ∼ 도 8 을 참조하면서 설명한다. 트리거 조건 결정 모델 생성 방법은, 시계열 신호 수집 공정 (스텝 S1) 과, 시계열 신호 추출 공정 (스텝 S2 ∼ S5) 과, 트리거 조건 결정 모델 생성 공정 (스텝 S6, S7) 을 이 순서로 실시한다. 또한, 트리거 조건 결정 모델 생성 방법에서는, 후기하는 바와 같이, 필요에 따라서 시계열 신호 추출 공정 및 트리거 조건 결정 모델 생성 공정을 반복한다.
<시계열 신호 수집 공정>
시계열 신호 수집 공정에서는, 시계열 신호 수집부 (31) 가, 설비 상태 시계열 신호 및 트리거 후보 신호로 이루어지는 신호군을 수집한다 (스텝 S1). 또, 여기서는 시계열 신호 수집부 (31) 가 복수의 시계열 신호를 수집하는 경우에 관해서 설명하지만, 시계열 신호 수집부 (31) 가 수집하는 시계열 신호는 하나여도 된다.
<시계열 신호 추출 공정>
시계열 신호 추출 공정에서는, 시계열 신호 추출부 (32) 가, 시계열 신호 수집 공정에서 수집된 신호군에 대해서, 소정의 기준에 기초하여, 설비 동작 시계열 신호의 감시 대상 구간을 추출한다. 이하, 시계열 신호 추출 공정의 상세에 대하여 설명한다.
시계열 신호 추출부 (32) 는, 우선 도 3 에 나타내는 바와 같이, 신호군의 러프 추출을 실시한다 (스텝 S2). 예를 들어 코일의 압연 설비 등의 반복 동작을 실시하는 설비에서는, 연속해서 흘러오는 코일에 대하여, 설비 상태 시계열 신호 및 트리거 후보 신호를 끊김없이 연속해서 취득하고 있다. 그래서, 스텝 S2 에서는, 예를 들면 코일마다 설비 상태 시계열 신호 및 트리거 후보 신호를 분할하기 위해서, 신호군의 러프 추출을 실시한다. 또한, 신호군의 러프 추출은, 감시 대상 설비의 종류에 따라 미리 설정한 타이밍에 실시해도 되고, 혹은 동 도면에 나타내는 바와 같이, 복수의 트리거 후보 신호 중에서 러프 추출용 신호를 선택하고, 당해 러프 추출용 신호가 상승한 타이밍에 실시해도 된다.
또한, 도 3 에 있어서, 부호 Sg 는 러프 추출 전의 신호군, 부호 Ss 는 러프 추출 전의 설비 상태 시계열 신호, 부호 St 는 러프 추출 전의 트리거 후보 신호, 부호 Sg1, Sg2, Sg3 은 러프 추출 후의 신호군을 나타내고 있다. 또한, 동 도면에 있어서, 부호 Ss1, Ss2, Ss3 은 러프 추출 후의 설비 상태 시계열 신호, 부호 St1, St2, St3 은 러프 추출 후의 트리거 후보 신호를 나타내고 있다.
다음에, 시계열 신호 추출부 (32) 는, 도 4(a) 에 나타내는 바와 같이, 스텝 S2 에서 러프 추출한 복수의 설비 상태 시계열 신호 중에서 설비 상태 시계열 신호 (동 도면에서는 설비 상태 시계열 신호 (Ss1)) 를 하나 선택한다. 그리고, 선택한 설비 상태 시계열 신호 (Ss1) 의 감시 대상 구간 (Sm1) 을 추출한다 (스텝 S3). 스텝 S3 에서 감시 대상 구간 (Sm1) 을 추출할 때의 추출 조건은, 감시 대상 설비의 설비 특성에 기초하여 결정한다. 예를 들면 감시 대상 설비가 「모터」이고, 설비 상태 시계열 신호 (Ss1) 가 「모터의 전류값」인 경우로서, 모터가 가속될 때의 모터의 전류값의 상승 정도가 정상인지의 여부를 판정하는 경우, 동 도면에 나타내는 바와 같이, 모터가 가속되는 구간을 감시 대상 구간 (Sm1) 으로 한다. 즉, 감시 대상 구간 (Sm1) 의 추출 개시 시각으로서 모터가 가속을 개시하는 시점을 지정하고, 추출의 폭으로서 모터가 가속을 개시하고 가속이 종료될 때까지의 구간을 지정한다.
다음으로, 시계열 신호 추출부 (32) 는, 스텝 S3 에서 추출한 감시 대상 구간 (Sm1) 에 포함되는 파형과, 그 밖의 설비 상태 시계열 신호 (Ss2, Ss3) 에 포함되는 파형의 상관 계수를 산출한다 (스텝 S4). 다음으로, 시계열 신호 추출부 (32) 는, 도 4(b) 에 나타내는 바와 같이, 그 밖의 설비 상태 시계열 신호 (Ss2, Ss3) 에 대해, 스텝 S3 에서 추출한 감시 대상 구간 (Sm1) 에 포함되는 파형과의 상관 계수가 가장 큰 구간을 탐색한다. 이로써, 설비 상태 시계열 신호 (Ss2, Ss3) 의 감시 대상 구간 (Sm2, Sm3) 을 각각 추출한다 (스텝 S5).
이와 같이, 스텝 S4, S5 에서는, 스텝 S2 에서 러프 추출한 다른 시각의 설비 상태 시계열 신호에 포함되는 파형 중에서, 스텝 S3 에서 추출한 감시 대상 구간 (Sm1) 에 포함되는 파형과 유사한 파형을 탐색한다. 또한, 유사한 파형의 탐색 방법은, 상기한 상관 계수의 비교 외에, 각 시계열 신호의 데이터끼리의 유클리드 거리 등을 사용해도 된다.
<트리거 조건 결정 모델 생성 공정>
트리거 조건 결정 모델 생성 공정에서는, 각 신호군 (복수의 설비 상태 시계열 신호) 에 대해서, 추출하고자 하는 감시 대상 구간의 개시 시각을 미리 특정한다. 그리고, 당해 개시 시각의 라벨을 ON 으로 하고, 그 이외의 시각을 OFF 로 하는 라벨 데이터를 생성하고, 각 시각의 1 이상의 트리거 후보 신호의 각 값을 입력으로 하고, 각 시각의 라벨 데이터를 출력으로 하는 학습 모델을, 기계 학습에 의해 생성한다.
트리거 조건 결정 모델 생성 공정에서는, 우선 도 5 에 나타내는 바와 같이, 트리거 조건 결정 모델 생성부 (34) 가, 각 신호군에 대해서, 이하와 같은 처리를 실시한다. 즉, 추출한 감시 대상 구간 (Sm1, Sm2, Sm3) 의 개시 시각 (p1, p2, p3) 에 대응하는 설비 상태 시계열 신호 (Ss1, Ss2, Ss3) 의 값 및 트리거 후보 신호 (St1, St2, St3) 의 값에 대해서 「트리거 ON」의 라벨을 부여한다. 또한, 추출한 감시 대상 구간 (Sm1, Sm2, Sm3) 의 개시 시각 이외의 시각에 대응하는 설비 상태 시계열 신호 (Ss1, Ss2, Ss3) 의 값 및 트리거 후보 신호 (St1, St2, St3) 의 값에 대하여 「트리거 OFF」의 라벨을 부여한다 (스텝 S6). 또한, 설비 상태 시계열 신호 (Ss1, Ss2, Ss3) 의 값 및 트리거 후보 신호 (St1, St2, St3) 의 값을, 이후에는 「신호군의 값」으로 표기한다. 또한, 「트리거 ON」의 라벨은, 이 라벨이 부여된 신호군의 값이 추출 개시 시각이라는 것을 나타내고 있고, 「트리거 OFF」의 라벨은, 이 라벨이 부여된 신호군의 값이 추출 개시 시각이 아니라는 것을 나타내고 있다.
다음으로, 트리거 조건 결정 모델 생성부 (34) 는, 「트리거 ON」의 라벨이 부여된 신호군의 값 및 「트리거 OFF」의 라벨이 부여된 신호군의 값을 입력으로 하고, 「트리거 ON」의 라벨 및 「트리거 OFF」의 라벨을 출력으로 하여 기계 학습한다. 이로써, 도 6 에 나타내는 바와 같이, 결정목을 생성한다 (스텝 S7).
구체적으로는, 목적 변수를 「트리거 ON」 및 「트리거 OFF」의 라벨로 하고, 「트리거 ON」 및 「트리거 OFF」의 각 시각에 대응하는 각 트리거 후보 신호의 값을 설명 변수로 하는 학습용 데이터를 이용하여, 결정목을 생성할 수 있다. 여기서, 「트리거 ON」을 “1” 로 하고, 「트리거 OFF」를 “0” 으로 하여, 함수로서 취급해도 된다. 또한, 결정목 이외의 다양한 기계 학습 모델을 이용할 수도 있다. 이 때문에, 스텝 S7 에서 생성하는 학습 모델은, 결정목에 한정되지 않고, 예를 들면 랜덤 포레스트 또는 뉴럴 네트워크 등이어도 된다. 여기서, 「트리거 ON」을 “1” 로 하고, 「트리거 OFF」를 “0” 으로 하여, 함수로서 취급해도 된다.
여기서, 트리거 조건 결정 모델 생성 공정에서는, 신호군에 포함되는 트리거 후보 신호가 1 펄스 신호인 경우, 도 7 의 하측 도면에 나타내는 바와 같이, 트리거 후보 신호를 톱니파로 변환한 후에 기계 학습을 실시한다. 또한, 「1 펄스 신호」란, 동 도면의 상측도에 나타내는 바와 같이, ON-OFF 신호 중, 신호의 상승 또는 하강의 1 스캔분만 ON 하는 신호를 나타내고 있다.
도 7 의 상측도에 나타내는 바와 같이, 1 펄스 신호는 짧은 시간만 ON 하는 신호이다. 그 때문에, 시계열 신호 추출 공정에 있어서, 파형의 유사도가 높은 지점을 탐색하고 있을 때, 본래라면 「트리거 ON」시에 1 펄스 신호도 ON 해야 하는 데에 반해, 「트리거 ON」이 되는 시각이, 1 펄스 신호가 ON 하는 시각의 전후로 어긋나 버리는 경우가 있다. 한편, 동 도면에 나타내는 바와 같이, 1 펄스 신호를 톱니파로 변환함으로써, 1 펄스 신호의 ON, OFF 지연에 의한 문제를 해소할 수 있다.
변환 후의 톱니파의 기울기는, 예를 들면 1 펄스 신호가 ON 하고 나서 몇 초 후까지 체크하고 싶은지에 따라 결정하고, 다음 신호의 상승과 겹치지 않는 기울기로 설정한다. 또한, 1 펄스 신호를 톱니파로 변환할 때에는, 도 7 의 A 부에 나타내는 바와 같이, 추출 개시점의 어긋남에 의해, 1 펄스 신호가 ON 하는 것보다 먼저 감시 대상 구간의 추출을 개시해 버리는 것에 대한 여유분 (예를 들면 5 scan 정도) 을 갖게 하는 것이 바람직하다.
또한, 톱니파의 형상은, 도 8 에 나타내는 바와 같이, 파라미터 tf, tb 에 의해 정의되지만, 당해 파라미터 tf, tb 의 관계를, tb < tf 로 하는 것이 바람직하다. 또한, 톱니파에서는, 동 도면에 나타내는 바와 같이, 변환 후의 신호의 값 z 가 B 로 나타내는 범위 내이면, 트리거 ON 으로 판단한다.
트리거 조건 결정 모델 생성 공정에서는, 기계 학습시에 트리거 조건을 정상적으로 생성할 수 없는 에러가 발생한 경우나, 판별 정밀도가 소정의 값을 얻을 수 없는 경우 등에는, 상기한 시계열 신호 추출 공정으로 되돌아와, 전회 추출한 감시 대상 구간을 전후로 시프트시킨다. 그리고, 설비 상태 시계열 신호의 감시 대상 구간을 새롭게 추출한 후, 트리거 조건 결정 모델 생성 공정을 재차 실시한다. 즉, 설비 상태 시계열 신호의 감시 대상 구간의 추출을 다시 한 후, 재차 결정목의 구축을 실시한다. 그리고, 기계 학습시에 트리거 조건을 정상적으로 생성할 수 있었던 경우에는 트리거 조건 결정 모델 생성 공정을 종료하고, 정상적으로 생성할 수 없었던 경우에는 재차 시계열 신호 추출 공정으로 되돌아와, 시계열 신호 추출 공정 및 트리거 조건 결정 모델 생성 공정을 다시 한다.
본 실시형태에 관련된 트리거 조건 결정 모델 생성 방법은, 도 4 에서 나타낸 바와 같이, 시계열 신호 추출 공정에서 최초로 지정한 감시 대상 구간 (감시 대상 구간 (Sm1)) 의 개시 시각에 있어서의 트리거 후보 신호의 상태를 학습하는 수법이다. 그 때문에, 예를 들면 최초로 지정하는 감시 대상 구간의 개시 시각에 있어서의 트리거 후보 신호의 상태에 특징이 없는 경우에는, 잘 학습을 실시할 수 없다. 그래서, 상기한 바와 같이, 트리거 조건 결정 모델 생성 공정에서 에러가 발생한 경우에는, 시계열 신호 추출 공정에서 최초로 지정한 감시 대상 구간을 전후로 시프트시켜, 감시 대상 구간을 다시 지정함으로써, 학습시의 문제를 해소할 수 있다.
(이상 판정 모델 생성 방법)
실시형태에 관련된 이상 판정 모델 생성 방법에 대해서, 도 9 를 참조하면서 설명한다. 이상 판정 모델 생성 방법은, 시계열 신호 수집 공정 (스텝 S11) 과, 시계열 신호 추출 공정 (스텝 S12) 과, 정상 벡터 등록 공정 (스텝 S13) 과, 이상 판정 모델 등록 공정 (스텝 S14) 을 이 순서로 실시한다.
<시계열 신호 수집 공정>
시계열 신호 수집 공정에서는, 시계열 신호 수집부 (31) 가, 설비 상태 시계열 신호 및 트리거 후보 신호로 이루어지는 신호군을 수집한다 (스텝 S11). 또한, 여기서는 시계열 신호 수집부 (31) 가 복수의 설비 상태 시계열 신호를 수집하는 경우에 대해서 설명하지만, 시계열 신호 수집부 (31) 가 수집하는 설비 상태 시계열 신호는 하나여도 된다.
<시계열 신호 추출 공정>
시계열 신호 추출 공정에서는, 시계열 신호 추출부 (32) 가, 시계열 신호 수집 공정에서 수집된 신호군에 대해서, 정상 동작시의 설비 상태 시계열 신호의 감시 대상 구간을 추출한다 (스텝 (S12)). 시계열 신호 추출 공정에 있어서, 시계열 신호 추출부 (32) 는, 설비의 정상 동작시에, 트리거 조건 결정 모델 (41) 에 기초하여, 2 이상의 설비 상태 시계열 신호로부터, 감시 대상 구간의 K 회의 추출을 실시한다. 즉, 시계열 신호 추출부 (32) 는, 정상 동작시의 설비 상태 시계열 신호 및 트리거 후보 신호를, 결정목에 입력함으로써, 이 결정목의 분기 조건으로부터 트리거 조건을 결정하고, 결정한 트리거 조건에 기초하여 감시 대상 구간의 추출을 실시한다.
<정상 벡터 등록 공정>
정상 벡터 등록 공정에서는, 정상 벡터 등록부 (33) 가, 시계열 신호 추출 공정에서 추출한 2 이상의 시계열 신호의 종류를 M 종으로 하고, 동일 시각에 있어서의 M 종의 변수로 이루어지는 M 차원 벡터를 구성한다. 그리고, 구성한 벡터를 정상 벡터로 하여, 기억부 (40) 의 정상 DB (42) 에 등록한다 (스텝 S13).
<이상 판정 모델 등록 공정>
이상 판정 모델 등록 공정에서는, 이상 판정 모델 (43) 의 등록을 실시한다 (스텝 S14). 이상 판정 모델 등록 공정에서는, 구체적으로는, 정상 DB (42) 에 등록된 정상 벡터에 대해서, 각 변수간의 상관의 최대값이 소정값 미만인 경우는, 이상 판정 플래그를 제 1 형으로 한다. 또한, 상기 각 변수간의 상관의 최대값이 소정값 이상인 경우는, 이상 판정 플래그를 제 2 형으로 한다. 그리고, 이상 판정 플래그가 제 2 형인 경우에, 정상 DB (42) 에 등록한 정상 벡터군에 대하여 주성분 분석을 실시하여 주성분의 변환 계수를 연산하고, 연산한 상기 주성분의 변환 계수의 각각을, 이상 판정 모델 (43) 로 하여, 기억부 (40) 에 등록한다. 따라서, 복수의 이상 판정 모델이 각각, 제 1 형 또는 제 2 형으로 분류되고, 각 이상 판정 모델의 이상 판정 플래그에 그 분류가 기록된다. 여기서, 주성분 분석을 실시하여 작성되는 이상 판정 모델은, Q 통계량, T2 통계량 등을 예시할 수 있다.
(이상 판정 방법)
실시형태에 관련된 이상 판정 방법에 대해서, 도 10 을 참조하면서 설명한다. 이상 판정 방법은, 시계열 신호 수집 공정 (스텝 S21) 과, 이상 판정 공정 (스텝 S22 ∼ S29) 을 이 순서로 실시한다.
<시계열 신호 수집 공정>
시계열 신호 수집 공정에서는, 시계열 신호 수집부 (31) 가, 설비 상태 시계열 신호 및 트리거 후보 신호로 이루어지는 신호군을 수집한다 (스텝 S21). 또한, 여기서는 시계열 신호 수집부 (31) 가 복수의 설비 상태 시계열 신호를 수집하는 경우에 대해서 설명하지만, 시계열 신호 수집부 (31) 가 수집하는 설비 상태 시계열 신호는 하나여도 된다.
<이상 판정 공정>
이상 판정 공정에서는, 정상 벡터 및 이상 판정 모델 (43) 중 어느 것을 이용하여, 이상 판정용 설비 상태 시계열 신호로부터 설비의 이상을 판정한다.
이상 판정 공정에서는, 우선 시계열 신호 추출부 (32) 가, 시계열 신호 수집 공정에서 수집된 신호군에 대해서, 이상 판정용 설비 상태 시계열 신호의 감시 대상 구간을 추출한다 (스텝 S22). 그 때, 시계열 신호 추출부 (32) 는, 트리거 조건 결정 모델 (41) 에 기초하여, 2 이상의 설비 상태 시계열 신호로부터, 감시 대상 구간의 추출을 실시한다. 즉, 시계열 신호 추출부 (32) 는, 설비 상태 시계열 신호 및 트리거 후보 신호를, 결정목에 입력함으로써, 이 결정목의 분기 조건으로부터 트리거 조건을 결정하고, 결정한 트리거 조건에 기초하여 감시 대상 구간의 추출을 실시한다.
시계열 신호 추출부 (32) 는, 보다 구체적으로는, 트리거 조건 결정 모델 (41) 에, 트리거 후보 신호의 각 시각의 값을 입력한다. 그리고, 1 이상의 설비 상태 시계열 신호에 대해, 트리거 조건 결정 모델 (41) 의 출력이 ON 이 된 시점으로부터 미리 정한 소정 기간에 L 개의 데이터를 추출함으로써, 이상 판정용 설비 상태 시계열 신호의 추출을 실시한다.
계속해서, 이상 판정부 (36) 는, 시계열 신호 추출부 (32) 가 추출한 이상 판정용 설비 상태 시계열 신호에 대해, 동일 시각의 M 종의 신호로 이루어지는 1 개의 M 차원 벡터를 구성한다 (스텝 S23).
계속해서, 이상 판정부 (36) 는, 스텝 S23 에서 구성한 M 차원 벡터에 대해서, 이상 판정 플래그가 제 2 형인지의 여부를 판정한다 (스텝 S24). 이상 판정 플래그가 제 2 형이라고 판정된 경우 (스텝 S24 에서 예), 이상 판정부 (36) 는, 미리 연산한 정상 벡터군의 주성분의 변환 계수에 기초하여, 주성분으로부터의 편차를 연산한다 (스텝 S25). 계속해서, 이상 판정부 (36) 는, 스텝 S25 에서 연산한 편차에 기초하여, 설비의 이상 판정을 실시하고 (스텝 S26), 본 처리를 완료한다.
또, 스텝 S24 에 있어서, 이상 판정 플래그가 제 2 형이 아니라고 판정된 경우 (스텝 S24 에서 아니오), 이상 판정부 (36) 는, 이상 판정 플래그가 제 1 형이라고 판단한다. 그리고, 이상 판정 대상 벡터 (M 차원 벡터) 와 정상 DB (42) 에 등록한 정상 벡터의 거리를 연산하고, 당해 거리가 작은 순으로 소정 수의 정상 벡터를, 근방 데이터로서 추출한다 (스텝 S27). 여기서, 각 신호가 이상 판정 플래그의 어느 것에 대응할지는, 이상 판정 모델 생성 등록시에 신호마다 결정해 두고, 그것에 기초하여 판정해도 된다.
계속해서, 이상 판정부 (36) 는, 스텝 S20 에서 추출한 근방 데이터의 무게 중심 벡터와 이상 판정 대상 벡터의 거리를 연산한다 (스텝 S28). 계속해서, 이상 판정부 (36) 는, 스텝 S28 에서 연산한 거리에 기초하여, 설비의 이상 판정을 실시하고 (스텝 S29), 본 처리를 완료한다. 이와 같이 판정하는 것은, 제 1 형은 계산 비용이 크기 때문에, 우선 제 2 형인지의 여부를 판정하여, 제 2 형에서는 판정 정밀도에 영향을 미치는 비선형 특성의 경우에만, 제 1 형을 사용하는 것이 바람직하기 때문이다.
여기서, 이상 판정 공정에 있어서, 이상 판정부 (36) 는, 소정의 기간에 있어서 설비가 이상이라고 판정된 횟수에 기초하여, 당해 설비의 보수의 필요 여부를 판정하는 것이 바람직하다. 설비의 보수가 필요한 이상의 판정 횟수는, 실험적 또는 경험적으로 구할 수 있다.
실시형태에 관련된 이상 판정 방법에 있어서의 이상 판정 공정의 원리에 대해서, 도 11 을 참조하면서 설명한다. 이상 판정부 (36) 는, 우선 정상 DB (42) 에 축적된 정상 벡터 (정상 데이터) 를, 정상 벡터를 구성하는 각 신호를 변수 (동 도면에서는 변수 1 ∼ 3) 로 하는 변수 공간 내에 플롯한다. 또한, 이상 판정부 (36) 는, 이상 판정 대상 벡터 (감시 대상 데이터) 를 동일한 변수 공간 내에 플롯하고, 이 변수 공간 내에서, 이상 판정 대상 벡터의 정상 벡터의 분포로부터의 일탈도가 큰 경우에, 이상 판정 대상 벡터가 이상이라고 판정한다.
실시형태에 관련된 이상 판정 방법에서는, 이상 판정 대상 벡터의 정상 벡터의 분포로부터의 일탈도로서, 이상 판정 대상 벡터의 근방에 있는 소정 수의 정상 벡터를 근방 데이터로서 추출한다. 그리고, 추출한 소정 수의 근방 데이터의 무게 중심 벡터와 이상 판정 대상 벡터의 거리 (d0) 를 산출한다. 상기한 근방 데이터로는, 이상 판정 대상 벡터와의 거리 (d) (도 11 에서 점선으로 나타낸 원의 반경) 가 작은 순으로, 소정 수의 정상 벡터를 추출한다.
도 11 에 나타내는 바와 같이, 이상 판정 대상 벡터의 정상 벡터의 분포로부터의 일탈도가 큰 경우에는, 근방 데이터의 무게 중심 벡터와 이상 판정 대상 벡터의 거리 (d0) 가 커진다. 반대로, 이상 판정 대상 벡터의 정상 벡터의 분포로부터의 일탈도가 작은 경우에는, 이상 판정 대상 벡터와 근방 데이터의 무게 중심 벡터의 거리 (d0) 가 매우 작아진다. 그래서, 이상 판정부 (36) 는, 이상 판정 대상 벡터와 근방 데이터의 무게 중심의 거리 (d0) 가 큰 경우에, 이상 판정 대상 벡터가 이상이라고 판정한다.
이상 설명한 바와 같은 실시형태에 관련된 이상 판정 장치 (1) 및 이상 판정 방법에 의하면, 각 설비를 개별적으로 감시하지 않고, 비선형의 특성을 갖는 설비의 이상을 범용적이고 또한 고정밀도로 검지할 수 있다.
즉, 이상 판정 장치 (1) 및 이상 판정 방법에서는, 이상 판정 플래그가 제 1 형이라고 판정된 설비에 대해서는, 당해 설비로부터 얻어지는 복수의 지정된 신호의 시계열 데이터의 각각으로부터, 동일 타이밍의 데이터 세트를 추출한다. 그리고, 지정된 신호의 각각을 변수로 한 변수 공간 내에 플롯하고, 정상적인 조업시의 정상 벡터의 분포로부터의 조업시의 이상 판정 대상 벡터의 일탈도를, 이상 판정 대상 벡터와 근방 데이터의 무게 중심 벡터의 거리를 이용하여 판정한다.
이로써, 설비의 상태가, 예를 들어 도 12 에 나타내는 바와 같은, 비선형성이 높은 상관을 갖는 변수로 나타내는 경우에 있어서도, 간과나 과검지 등도 없어, 고정밀도의 이상 판정을 실시할 수 있다.
또한, 이상 판정 장치 (1) 및 이상 판정 방법에서는, 이상 판정 플래그가 제 2 형이라고 판정된 설비에 대해서는, 예를 들어 PCL (Programmable Logic Controller) 등으로, 사칙 연산 정도의 계산 부하로 고정밀도의 이상 판정을 실시할 수 있다.
또한, 실시형태에 관련된 이상 판정 장치 (1) 및 이상 판정 방법에 의하면, 이하와 같은 효과를 발휘한다. 설비 상태 시계열 신호 및 트리거 후보 신호가 어떤 조건일 때에 트리거 ON 이 되는지를 학습시킨 트리거 조건 결정 모델 (41) 을 생성하여 사용함으로써, 설비 상태 시계열 신호로부터 감시 대상 구간을 추출하기 위한 트리거 조건을 자동적으로 결정할 수 있다. 또한, 실시형태에 관련된 이상 판정 장치 (1) 및 이상 판정 방법에 의하면, 설비 상태 시계열 신호의 개시 대상 구간을 추출하는 트리거 조건을 자동적으로 결정할 수 있기 때문에, 트리거 조건을 사람의 손으로 검토, 결정할 필요가 없어진다. 이로써, 설비의 이상 판정시에 필요한 사전 준비를 간략화할 수 있다.
이상, 본 발명에 관련된 이상 판정 장치, 이상 판정 모델 생성 방법 및 이상 판정 방법에 대해서, 발명을 실시하기 위한 형태 및 실시예에 의해 구체적으로 설명하였다. 단, 본 발명의 취지는 이들의 기재에 한정되는 것은 아니고, 청구범위의 기재에 기초하여 넓게 해석되어야 한다. 또, 이들의 기재에 기초하여 여러 가지 변경, 개변 등을 한 것도 본 발명의 취지에 포함되는 것은 말할 필요도 없다.
1 : 이상 판정 장치
10 : 입력부
20 : 출력부
30 : 연산부
31 : 시계열 신호 수집부
32 : 시계열 신호 추출부
33 : 정상 벡터 등록부
34 : 트리거 조건 결정 모델 생성부
35 : 이상 판정 모델 등록부
36 : 이상 판정부
40 : 기억부
41 : 트리거 조건 결정 모델
42 : 정상 DB
43 : 이상 판정 모델

Claims (8)

  1. 소정의 동작을 실시하는 설비의 이상을 판정하는 이상 판정 장치로서,
    상기 설비의 정상 동작시에, 상기 설비의 동작 상태를 나타내는 2 이상의 시계열 신호로부터 K 회의 추출을 실시하는 시계열 신호 추출 수단과,
    상기 시계열 신호 추출 수단에 의해 추출한 2 이상의 시계열 신호의 종류를 M 종으로 하고, 동일 시각에 있어서의 M 종의 변수로 이루어지는 M 차원 벡터를 구성하고, 구성한 벡터를 정상 벡터로서 등록하는 정상 벡터 등록 수단과,
    각 변수간의 상관의 최대값이 소정값 미만인 경우에는, 이상 판정 플래그를 제 1 형으로 하고, 상기 각 변수간의 상관의 최대값이 소정값 이상인 경우에는, 이상 판정 플래그를 제 2 형으로 하고, 상기 이상 판정 플래그가 제 2 형인 경우, 등록한 정상 벡터군에 대하여 주성분 분석을 실시하여 주성분의 변환 계수를 연산하고, 연산한 상기 주성분의 변환 계수의 각각을 이상 판정 모델로서 등록하는 이상 판정 모델 등록 수단과,
    상기 설비의 이상을 판정하는 이상 판정 수단을 구비하고,
    상기 이상 판정 수단은,
    상기 설비의 이상 판정시에, 정상 동작시와 동일하게 추출한 시계열 신호로부터 1 개의 M 차원 벡터를 구성하고,
    상기 이상 판정 플래그가 제 1 형인 경우, 등록한 정상 벡터와의 거리를 연산하고, 거리가 작은 순으로 소정 수의 상기 정상 벡터를 근방 데이터로서 추출하고, 상기 근방 데이터의 무게 중심 벡터와 이상 판정 대상의 M 차원 벡터의 거리를 연산하고, 상기 거리에 기초하여 상기 설비의 이상 판정을 실시하고,
    상기 이상 판정 플래그가 제 2 형인 경우, 미리 연산한 상기 주성분의 변환 계수에 기초하여, 주성분으로부터의 편차를 연산하고, 상기 편차에 기초하여, 상기 설비의 이상 판정을 실시하는, 이상 판정 장치.
  2. 제 1 항에 있어서,
    상기 설비의 동작 상태를 나타내는 시계열 신호와, 미리 정한 감시 대상 구간으로부터 상기 동작 상태를 나타내는 시계열 신호를 추출하는 조건을 결정하는 트리거 후보의 시계열 신호를 수집하는 시계열 신호 수집 수단과,
    상기 설비의 동작 상태를 나타내는 시계열 신호에 대하여, 추출하고자 하는 상기 감시 대상 구간의 개시 시각을 미리 특정하여, 상기 개시 시각의 라벨을 ON 으로 하고, 그 이외의 시각을 OFF 로 하는 라벨 데이터를 생성하고, 각 시각에 있어서의 1 이상의 상기 트리거 후보의 시계열 신호의 각 값을 입력으로 하고, 각 시각에 있어서의 상기 라벨 데이터를 출력으로 하는 트리거 조건 결정 모델을, 기계 학습에 의해 생성하는 트리거 조건 결정 모델 생성 수단을 추가로 구비하고,
    상기 시계열 신호 추출 수단은, 상기 설비의 정상 동작시 및 이상 판정시에, 상기 트리거 조건 결정 모델에 기초하여, 상기 시계열 신호의 추출을 실시하는, 이상 판정 장치.
  3. 제 2 항에 있어서,
    상기 트리거 조건 결정 모델은, 결정목을 포함하는 기계 학습 모델인, 이상 판정 장치.
  4. 제 1 항 내지 제 3 항 중 어느 한 항에 있어서,
    상기 이상 판정 수단은, 소정의 기간에 있어서 상기 설비가 이상이라고 판정된 횟수에 기초하여, 상기 설비의 보수의 필요 여부를 판정하는, 이상 판정 장치.
  5. 소정의 동작을 실시하는 설비의 이상을 판정하는 이상 판정 모델 생성 방법으로서,
    상기 설비의 정상 동작시에, 상기 설비의 동작 상태를 나타내는 2 이상의 시계열 신호로부터 K 회의 추출을 실시하는 시계열 신호 추출 공정과,
    상기 시계열 신호 추출 공정에서 추출한 2 이상의 시계열 신호의 종류를 M 종으로 하고, 동일 시각에 있어서의 M 종의 변수로 이루어지는 M 차원 벡터를 구성하고, 구성한 벡터를 정상 벡터로서 등록하는 정상 벡터 등록 공정과,
    각 변수간의 상관의 최대값이 소정값 미만인 경우에는, 이상 판정 플래그를 제 1 형으로 하고, 상기 각 변수간의 상관의 최대값이 소정값 이상인 경우에는, 이상 판정 플래그를 제 2 형으로 하고, 상기 이상 판정 플래그가 제 2 형인 경우, 등록한 정상 벡터군에 대하여 주성분 분석을 실시하여 주성분의 변환 계수를 연산하고, 연산한 상기 주성분의 변환 계수의 각각을 이상 판정 모델로서 등록하는 이상 판정 모델 등록 공정을 포함하는, 이상 판정 모델 생성 방법.
  6. 제 5 항에 있어서,
    상기 설비의 동작 상태를 나타내는 시계열 신호와, 미리 정한 감시 대상 구간으로부터 상기 동작 상태를 나타내는 시계열 신호를 추출하는 조건을 결정하는 트리거 후보의 시계열 신호를 수집하는 시계열 신호 수집 공정과,
    상기 설비의 동작 상태를 나타내는 시계열 신호에 대하여, 추출하고자 하는 상기 감시 대상 구간의 개시 시각을 미리 특정하여, 상기 개시 시각의 라벨을 ON 으로 하고, 그 이외의 시각을 OFF 로 하는 라벨 데이터를 생성하고, 각 시각에 있어서의 1 이상의 상기 트리거 후보의 시계열 신호의 각 값을 입력으로 하고, 각 시각에 있어서의 상기 라벨 데이터를 출력으로 하는 트리거 조건 결정 모델을, 기계 학습에 의해 생성하는 트리거 조건 결정 모델 생성 공정을 추가로 포함하고,
    상기 시계열 신호 추출 공정은, 상기 트리거 조건 결정 모델에 기초하여, 상기 시계열 신호의 추출을 실시하는, 이상 판정 모델 생성 방법.
  7. 제 5 항에 기재된 이상 판정 모델 생성 방법에 의해 생성된 이상 판정 모델을 이용하여, 소정의 동작을 실시하는 설비의 이상을 판정하는 이상 판정 방법으로서,
    상기 설비의 동작 상태를 나타내는 2 이상의 시계열 신호로부터 추출을 실시하는 시계열 신호 추출 공정과,
    상기 설비의 이상을 판정하는 이상 판정 공정을 포함하고,
    상기 이상 판정 공정은,
    상기 시계열 신호 추출 공정에서 추출한 시계열 신호의 이상 판정 플래그가, 제 1 형인지 또는 제 2 형인지를 판정하고,
    상기 이상 판정 플래그가 제 1 형인 경우, 등록한 정상 벡터와의 거리를 연산하고, 거리가 작은 순으로 소정 수의 상기 정상 벡터를 근방 데이터로서 추출하고, 상기 근방 데이터의 무게 중심 벡터와 이상 판정 대상의 M 차원 벡터의 거리를 연산하고, 상기 거리에 기초하여 상기 설비의 이상 판정을 실시하고,
    상기 이상 판정 플래그가 제 2 형인 경우, 미리 연산한 상기 주성분의 변환 계수에 기초하여, 주성분으로부터의 편차를 연산하고, 상기 편차에 기초하여, 상기 설비의 이상 판정을 실시하는, 이상 판정 방법.
  8. 제 7 항에 있어서,
    상기 시계열 신호 추출 공정은, 제 6 항에 기재된 이상 판정 모델 생성 방법에 의해 생성된 트리거 조건 결정 모델을 이용하여, 시계열 신호를 실시하는, 이상 판정 방법.
KR1020237018218A 2020-12-08 2021-10-04 이상 판정 장치, 이상 판정 모델 생성 방법 및 이상 판정 방법 KR20230098294A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JPJP-P-2020-203428 2020-12-08
JP2020203428A JP7342849B2 (ja) 2020-12-08 2020-12-08 異常判定装置、異常判定モデル生成方法および異常判定方法
PCT/JP2021/036628 WO2022123877A1 (ja) 2020-12-08 2021-10-04 異常判定装置、異常判定モデル生成方法および異常判定方法

Publications (1)

Publication Number Publication Date
KR20230098294A true KR20230098294A (ko) 2023-07-03

Family

ID=81973503

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020237018218A KR20230098294A (ko) 2020-12-08 2021-10-04 이상 판정 장치, 이상 판정 모델 생성 방법 및 이상 판정 방법

Country Status (7)

Country Link
US (1) US20240004378A1 (ko)
EP (1) EP4261641A4 (ko)
JP (1) JP7342849B2 (ko)
KR (1) KR20230098294A (ko)
CN (1) CN116529682A (ko)
BR (1) BR112023011002A2 (ko)
WO (1) WO2022123877A1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS63172004A (ja) 1987-01-09 1988-07-15 Kawasaki Steel Corp 油圧制御機器のオンライン自動診断方法及びその装置
JP2615291B2 (ja) 1991-10-16 1997-05-28 新日本製鐵株式会社 油圧装置の診断方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5895457B2 (ja) 2010-11-25 2016-03-30 Ｊｆｅスチール株式会社 異常監視システムおよび異常監視方法
JP5991042B2 (ja) * 2011-06-29 2016-09-14 Ｊｆｅスチール株式会社 異常監視システムおよび異常監視方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS63172004A (ja) 1987-01-09 1988-07-15 Kawasaki Steel Corp 油圧制御機器のオンライン自動診断方法及びその装置
JP2615291B2 (ja) 1991-10-16 1997-05-28 新日本製鐵株式会社 油圧装置の診断方法

Also Published As

Publication number Publication date
US20240004378A1 (en) 2024-01-04
CN116529682A (zh) 2023-08-01
EP4261641A4 (en) 2024-06-05
BR112023011002A2 (pt) 2024-02-06
JP7342849B2 (ja) 2023-09-12
EP4261641A1 (en) 2023-10-18
JP2022090866A (ja) 2022-06-20
WO2022123877A1 (ja) 2022-06-16

Similar Documents

Publication Publication Date Title
KR101842347B1 (ko) 플랜트 이상 감지를 위한 자동 학습 시스템 및 방법
KR102373787B1 (ko) 고장 예측 시스템의 고장 유형 빅데이터를 이용한 기계설비의 잠재적 고장 예측 방법
JP6076751B2 (ja) 異常診断方法およびその装置
US7233886B2 (en) Adaptive modeling of changed states in predictive condition monitoring
US20020128731A1 (en) Global state change indicator for empirical modeling in condition based monitoring
JP2013218725A (ja) 異常検知方法及び異常検知システム
EP2363767A1 (en) Process analysis system
JP6831729B2 (ja) 異常検知装置
KR102238867B1 (ko) 데이터 처리 장치 및 데이터 처리 방법
CA3189344A1 (en) Explaining machine learning output in industrial applications
Zhang et al. Performance monitoring and diagnosis of multivariable model predictive control using statistical analysis
KR20230098294A (ko) 이상 판정 장치, 이상 판정 모델 생성 방법 및 이상 판정 방법
JP7342848B2 (ja) 異常判定モデル生成装置、異常判定装置、異常判定モデル生成方法および異常判定方法
JP7003970B2 (ja) 時系列信号のトリガ条件決定方法、監視対象設備の異常診断方法および時系列信号のトリガ条件決定装置
US20220188570A1 (en) Learning apparatus, learning method, computer program and recording medium
US20240027304A1 (en) Trigger condition determination method for time series signal, abnormality diagnosis method for equipment to be monitored, and trigger condition determination device for time series signal
TWI765452B (zh) 時間序列訊號之觸發條件決定方法、監視對象設備之異常診斷方法及時間序列訊號之觸發條件決定裝置
Henry et al. Control valve stiction detection by use of AlexNet and transfer learning
KR20230085924A (ko) 이상 진단 모델의 구축 방법, 이상 진단 방법, 이상 진단 모델의 구축 장치 및 이상 진단 장치
US20220187809A1 (en) Process state monitoring device and process state monitoring method
JP2021039565A (ja) 状態変動検出補助装置、状態変動検出装置、状態変動検出補助用プログラム、及び状態変動検出用プログラム

Legal Events

Date Code Title Description
A201 Request for examination