WO2011132524A1 - 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム - Google Patents

異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム Download PDF

Info

Publication number
WO2011132524A1
WO2011132524A1 PCT/JP2011/058582 JP2011058582W WO2011132524A1 WO 2011132524 A1 WO2011132524 A1 WO 2011132524A1 JP 2011058582 W JP2011058582 W JP 2011058582W WO 2011132524 A1 WO2011132524 A1 WO 2011132524A1
Authority
WO
WIPO (PCT)
Prior art keywords
diagnosis
abnormality
equipment
keyword
plant
Prior art date
Application number
PCT/JP2011/058582
Other languages
English (en)
French (fr)
Inventor
前田　俊二
渋谷　久恵
博幸 真柄
Original Assignee
株式会社日立製作所
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 株式会社日立製作所 filed Critical 株式会社日立製作所
Priority to US13/641,886 priority Critical patent/US20130073260A1/en
Publication of WO2011132524A1 publication Critical patent/WO2011132524A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F15/00—Digital computers in general; Data processing equipment in general
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling

Definitions

  • the present invention relates to an abnormality detection / diagnosis method, an abnormality detection / diagnosis system, and an abnormality detection / diagnosis program for detecting and diagnosing an abnormality in a plant or equipment at an early stage.
  • Electric power companies use waste heat from gas turbines to supply hot water for district heating and supply high-pressure steam and low-pressure steam to factories.
  • Petrochemical companies operate gas turbines and other power sources. In various plants and facilities using gas turbines, it is extremely important to discover the abnormality at an early stage, diagnose the cause, and take countermeasures to minimize damage to society. is there.
  • Patent Document 1 and Patent Document 2 describe that abnormality detection is performed mainly for the engine.
  • the past data is stored as a database (DB)
  • the similarity between the observation data and the past learning data is calculated by an original method
  • the estimated value is calculated by linear combination of the data with high similarity
  • Patent Document 3 describes an example in which abnormality detection is detected by k-means clustering.
  • Non-Patent Document 2 and Patent Document 4 describe that failure histories and work histories are stored in a database and can be searched, thereby obtaining useful knowledge about maintenance.
  • a system that monitors observation data and compares it with a set threshold value to detect an abnormality is often used.
  • the threshold value is set by paying attention to the physical quantity of the measurement object as each observation data, it can be said that it is design-based abnormality detection.
  • This method is difficult to detect anomalies that are not intended by the design, and may be missed.
  • the set threshold value cannot be considered appropriate due to the operating environment of the equipment, the state change due to the operating years, the operating conditions, the influence of parts replacement, and the like.
  • an estimated value is calculated by linear combination of observation data and data having high similarity for the learning data, and the estimated value and observation are calculated. Since the degree of data divergence is output, depending on the preparation of the learning data, it is possible to consider the operating environment of the equipment, state changes depending on the operating years, operating conditions, influence of parts replacement, and the like.
  • a failure history and work history are stored in a database and can be searched, and through this, a useful knowledge regarding maintenance is acquired (according to Patent Document 4, a maintenance medical record).
  • a maintenance medical record System to display).
  • information relating to failure histories and work histories is provided in a form that can be linked to each other through retrieval and the information can be seen.
  • an object of the present invention is to detect abnormality (including a sign) newly generated using abnormality detection information targeting sensing data and maintenance history information including past cases such as work history and replacement part information.
  • abnormality detection / diagnosis method and system capable of accurately diagnosing. Moreover, it aims at showing the diagnostic process which can be shown also to a beginner.
  • the present invention relates maintenance history information including past cases such as work history and replacement parts information to each other on a keyword basis, and outputs an output signal of a multidimensional sensor added to equipment. Based on the detected abnormality, the abnormality is detected, and the detected abnormality is linked with the maintenance history information associated with the detected abnormality, thereby clarifying the diagnosis / treatment to be performed on the generated abnormality.
  • the appearance frequency of the keyword is treated as a context pattern.
  • the context-oriented abnormality diagnosis that utilizes the context by acquiring the context that considers the actual usage situation from the main keywords that represent the work related to maintenance, including anomaly detection, etc. Realize.
  • anomaly detection (1) (almost) normal learning data generation, (2) calculation of anomaly measure of observation data by subspace method, (3) anomaly determination, (4) type of anomaly (5) Estimating the occurrence time of anomalies and correlating maintenance history information with each other. (6) Keyword extraction of document groups such as maintenance history, (7) Image classification, etc. (9) A diagnosis model that expresses the association between an abnormality and a keyword as a frequency pattern is generated. (10) Using the diagnosis model, a diagnosis / treatment to be performed for the generated abnormality is clarified.
  • the present invention targets data acquired from a plurality of sensors in an abnormality detection / diagnosis method for diagnosing a plant or equipment at an early stage by detecting an abnormality or a sign of the plant or equipment at an early stage.
  • An abnormality of the plant or equipment is detected, a keyword is extracted from the maintenance history information of the plant or equipment, a diagnostic model of the plant or equipment is generated using the extracted keyword, and a plant or equipment diagnosis is generated using the generated diagnostic model. A diagnosis was made.
  • the maintenance history information includes any of on-call data, work report, adjustment / replacement part code, image information, and sound information.
  • the appearance frequency of the keyword determined from the maintenance history information is calculated to determine the appearance frequency. Obtain a pattern, and use the obtained appearance frequency pattern as a diagnostic model to diagnose the plant or equipment using the similarity between the appearance frequency pattern of the diagnostic model and the newly detected keyword related to the abnormality of the plant or equipment .
  • an abnormality detection / diagnosis system for detecting an abnormality or a sign of a plant or equipment at an early stage and diagnosing the plant or equipment is targeted for data acquired from a plurality of sensors.
  • An abnormality detection unit that detects plant or facility abnormality, a database unit that stores plant or facility maintenance history information, and a keyword extracted from the plant or facility maintenance history information stored in the database unit.
  • a diagnostic model generation unit that generates a diagnostic model of equipment and a diagnostic unit that performs diagnosis of a plant or equipment by checking the newly detected abnormality with a diagnostic model are provided.
  • the maintenance history information stored in the database section includes any of on-call data, work reports, adjustment / replacement part codes, image information, and sound information.
  • the diagnostic model generation section uses keywords determined from the maintenance history information.
  • the appearance frequency pattern is calculated to obtain an appearance frequency pattern, which is used as a diagnosis model, and the diagnosis unit diagnoses the equipment using the similarity of the appearance frequency pattern to the newly detected abnormality.
  • an abnormality detection / diagnosis program for detecting and diagnosing an abnormality or a sign of a plant or facility at an early stage is performed on data acquired from a plurality of sensors. Detecting a plant or equipment using the processing step to detect, the processing step to generate a diagnostic model using the appearance frequency of the keyword acquired from the maintenance history information, and the diagnostic model generated in the processing step to generate the diagnostic model And a diagnostic processing step.
  • the processing step for detecting the abnormality the abnormality is detected for the data acquired from the plurality of sensors, and the disconnection model is generated using the appearance frequency of the keyword acquired from the maintenance history information in the processing step for generating the diagnostic model.
  • the diagnostic model generated in the diagnostic processing step a pattern or keyword is extracted through abnormality detection or phenomenon diagnosis, and the extracted pattern or keyword is used for diagnosis.
  • a database storing maintenance history information including work reports, replacement parts information, etc., and a multi-dimensional sensor added to the equipment Detection means for detecting an abnormality or a sign thereof by a discriminator such as a subspace method using signal information obtained from, and a diagnosis means for making a diagnosis based on a keyword frequency pattern focusing on replacement parts and adjustment
  • the system is configured to detect abnormal signs and diagnoses triggered by them.
  • a huge amount of maintenance history information existing in the field can be arranged in relation to the abnormality, and a response can be quickly determined for the abnormality or sign that has occurred. Since the situation where the maintenance history information is used can be accurately expressed as a context pattern and can be collated, the accumulated maintenance history information can be reused.
  • FIG. 1 is a block diagram showing an example of equipment, a multidimensional time series signal, and an event signal targeted by the abnormality detection system of the present invention.
  • FIG. 2 is a signal waveform graph showing an example of a multidimensional time series signal.
  • FIG. 3A is a block diagram illustrating an example of detailed information of the maintenance history.
  • FIG. 3B is a block diagram illustrating an example of an association between a phenomenon, a cause, and a treatment.
  • FIG. 4A shows an embodiment of the present invention, in which maintenance history information consisting of past cases such as work history and replacement parts information is associated with each other on a keyword basis, and an output signal of a multidimensional sensor added to equipment is targeted.
  • FIG. 4B is a block diagram illustrating an example of the present invention, in which maintenance frequency information is used and a keyword appearance frequency is treated as a context pattern in order to express a recorded situation (context).
  • FIG. 5 is a table showing an example of occurrence of alarm, presence / absence of field survey, contents of treatment, reset, adjustment, parts replacement, take-out survey, and the like.
  • FIG. 6 is a parts table, which is an example of a unit, a part number, and a part name.
  • FIG. 7A is a correspondence table between phenomena and objects of adjustment / replacement parts, and is a table representing frequencies based on pegging.
  • FIG. 7B is a correspondence table between phenomena and objects of adjustment / replacement parts, and is a graph showing the frequency based on pegging.
  • FIG. 8 is a block diagram showing the configuration of the abnormality detection system of the present invention.
  • FIG. 9 is a block diagram for explaining a case-based anomaly detection method using a plurality of classifiers.
  • FIG. 10A is a diagram for explaining the projection distance method of the subspace method which is an example of a classifier.
  • FIG. 10B is a diagram for explaining a local subspace direction in the subspace method which is an example of a classifier.
  • FIG. 11A is a diagram for explaining selection of learning data by the subspace method.
  • FIG. 11B is a graph showing the frequency distribution of the distance of the learning data viewed from the observation data.
  • FIG. 12 is a table illustrating various feature conversions as a list.
  • FIG. 13 is a diagram of a three-dimensional space for explaining the locus of the residual vector calculated by the subspace method.
  • FIG. 14 is a block diagram showing a configuration around a processor for executing the present invention.
  • FIG. 15A is a block diagram showing the overall configuration of the present invention.
  • FIG. 15B is a block diagram showing the configuration of the processor of the abnormality prediction / diagnosis system of the present invention.
  • FIG. 16 is a diagram showing the network relationship of each sensor signal.
  • FIG. 17 is a flowchart showing the details of the maintenance history information and the association of the maintenance history information according to the present invention.
  • the present invention relates to an abnormality detection / diagnosis system that detects and diagnoses an abnormality of a plant or equipment at an early stage or diagnoses it, and when performing abnormality detection, generates substantially normal learning data, The abnormal measure of the observation data by the method etc. is calculated, the abnormality is judged, the type of abnormality is specified, and the occurrence time of the abnormality is estimated.
  • keywords of a document group such as maintenance history are extracted, and keywords are associated through classification of images.
  • a diagnosis model that expresses the association between the abnormality and the keyword as a frequency pattern is generated, and the diagnosis / treatment to be performed for the abnormality that has occurred is clarified using the diagnosis model.
  • FIG. 1 shows an overall configuration including an abnormality detection / diagnosis system 100 of the present invention.
  • Reference numerals 101 and 102 denote facilities targeted by the abnormality detection / diagnosis system 100 of the present invention, and each of the facilities 101 and 102 is provided with a multidimensional time series signal acquisition unit 103 composed of various sensors.
  • the sensor signal 104 acquired by the multi-dimensional time series signal acquisition unit 103 and the event signal 105 indicating an alarm or power on / off are input to the abnormality detection / diagnosis system 100 according to the present invention and processed.
  • the multidimensional time series sensing data 106 and the event signal 107 are obtained from the sensor signal 104 acquired by the multidimensional time series signal acquisition unit 103, and these data are processed and the equipment 101 is processed. Detects and diagnoses abnormalities in and 102. There are tens to tens of thousands of types of sensor signals 104 acquired by the multidimensional time series signal acquisition unit 103. The type of sensor signal 104 acquired by the multidimensional time-series signal acquisition unit 103 is determined in consideration of various costs depending on the scale of the equipment 101 and 102, social damage when the equipment breaks down, and the like.
  • the object to be handled by the abnormality detection / diagnosis system 100 is the multi-dimensional / time-series sensor signal 104 acquired by the multi-dimensional time-series signal acquisition unit 103, and the generated voltage, exhaust gas temperature, cooling water temperature, cooling water pressure, operation Such as time.
  • the installation environment is also monitored. There are various sensor sampling timings ranging from several tens of ms to several tens of seconds.
  • the event signal 104 and the event data 105 are composed of the operating state of the equipment 101 or 102, failure information, maintenance information, and the like.
  • FIG. 2 shows sensor signals 104-1 to 104-4 arranged with time on the horizontal axis.
  • FIG. 3A shows the details 301 of the maintenance history information of the abnormality detection / diagnosis system 100.
  • the alarm notification 302 the on-call data 303, the maintenance work history data 304, and the parts arrangement data 305 are maintained. It is shown in association with history information.
  • on-call data 303 means telephone contact data.
  • DB database
  • the arrows in FIG. 3A indicate that information is linked from upstream to downstream. This arrow can be traced from downstream. In this case, a search based on keywords is used. Although search is an effective technique, it is necessary to have a searchable database (DB) structure.
  • DB searchable database
  • FIG. 3B is a diagram showing the association of the maintenance history information, and shows keywords of work such as a phenomenon 321, a cause 322, and a treatment 323 searched from the case data 320 stored in the database (DB) (121 in FIG. 14).
  • the phenomenon 321 includes an alarm 3211, a malfunction (such as image quality) 3212, and an operation defect 3213, and has a more detailed classification.
  • the cause 322 corresponds to the failure part identification 3221.
  • the treatments 323 include those that have been corrected by restarting (not completely corrected) 3231, those that require adjustment 3232, and those that have led to component replacement 3233. In this case as well, the correspondence can be expressed using arrows.
  • FIG. 4A shows an embodiment of an abnormality detection / diagnosis system 100 according to the present invention.
  • FIG. 4A shows maintenance history information consisting of past cases such as work history and replacement part information, which are associated with each other on a keyword basis, and based on anomaly detection targeting an output signal of a multidimensional sensor added to equipment. This is an example in which an abnormality is detected and the maintenance history information associated with the detected abnormality is linked.
  • the recorded situation context
  • an example of handling the appearance frequency of the keyword as a context pattern is shown.
  • bag of words the concept of bag of words (bag of words) is used.
  • the bug-of-words method is a technique that should be referred to as feature packaging, and ignores the order of occurrence of information (features), positional relationship, and the like.
  • keywords, codes, word occurrence frequencies, and histograms are created from alarm reports, work reports, replacement part codes, etc., and the distribution shape of the histogram is regarded as a feature and classified into categories.
  • this method is characterized in that a plurality of information can be handled simultaneously. It can also handle free descriptions, can easily handle changes such as information additions and deletions, and is strong against format changes such as work reports. Even if a plurality of treatments are performed or wrong treatments are included, the robustness is high because attention is paid to the distribution shape of the histogram.
  • sensor signals are also classified into a plurality of categories. This category becomes a keyword.
  • the replacement part record 405 (corresponding to the part replacement 3233 in FIG. 3B) is automatically accessed from the maintenance history information 401 (corresponding to the case data 320 in FIG. 3B).
  • the name of the replacement valve (part name), the part code (part number), the date, etc. are used as keywords. Since a parts list or the like is normally prepared as peripheral information of the maintenance history information, this parts list is accessed, and a keyword is added to the name of the unit to which the replacement part belongs.
  • the work report 404 leading to this exchange is accessed.
  • the background to the replacement of the parts is described, and the alarm name, the phenomenon name, the confirmation part, the adjustment part, etc. described in the action content (restart, adjustment, part replacement) are added as keywords.
  • the plurality of keywords are tabulated in a table format 420 as shown in FIG. 4A.
  • the appearance frequency becomes high in the column of the valve 421 that has been exchanged in the table.
  • the lower total column 425 is 21% for valves.
  • the heaters 422 and the pumps 423 other than the valve 421 are also replaced at the same time, their appearance frequency increases.
  • the pressure drop is reported as the phenomenon diagnosis 411, the frequency of the intersection of the valve 421 and the pressure drop 424 (the part hatched in the table 420) in the table 420 increases.
  • the frequency is normalized and expressed as a percentage (%), but the frequency itself may be used.
  • a more reliable table can be generated by summing up the cases that resulted in the same type of valve replacement. In this way, a diagnostic model reflecting past cases is completed.
  • this frequency pattern is regarded as a feature amount.
  • the frequency pattern in the valve column represents the frequency for a plurality of phenomena when the valve is replaced.
  • the keywords and codebook are given by the designers and maintenance workers and stored in the maintenance history information 401. However, weights may be given in view of their importance. Weights may be given using a time relationship between keywords such as early and late, or a selection criterion.
  • the abnormal name was pressure drop.
  • the probability of valve replacement is 10%, which indicates that the rate is higher than others. Will be confirmed.
  • the table 420 is further used.
  • the phenomenon is complicated, and even if the abnormal name is pressure drop, it is considered that there are many cases where parts other than the valve are replaced. Therefore, focusing on the frequency pattern representing the failure phenomenon 427 (the frequency 430 of the water temperature drop 426 and the pressure drop 424 in the model 420 of FIG. 4A) (for each phenomenon, the valve was replaced as shown in FIG. 4B).
  • the frequency pattern 430 of the failure phenomenon is generated.
  • the vertical axis indicates the frequency
  • the horizontal axis indicates the type of the failure phenomenon, and the degree of contribution to the failure phenomenon.
  • the valve frequency pattern that is, the valve 421 is selected.
  • the degree of contribution to the failure phenomenon is the degree of deviation from the normal state of each sensor signal (104 in FIG. 2). Therefore, it should be noted that at the start of diagnosis, the observed and diagnosed data has a certain pattern, not a frequency. Of course, at the start of diagnosis, there are cases where information can be used not only as the contribution level but also as the frequency of the contribution level, which is a temporal count.
  • the above-described method based on the frequency pattern is not a simple process such as “no” or “none”, but pays attention to the form of distribution. Therefore, the method based on the simple search is extremely flexible and robust compared to the method based on simple search.
  • the on-site diagnostic work can be carried out smoothly and the working time can be greatly reduced.
  • the equipment restoration time can be greatly shortened.
  • the frequency pattern is the type of failure phenomenon, but any information can be used as long as it can be used, such as the confirmation site, adjustment location, on-call information, replacement parts, and the cause that was found. This is also why the bug of words method (bag of words) focusing on frequency can be used. Also, when there are many items on the horizontal axis, it can be said that the dimension is high, so it is effective to reduce the dimension. It can be said that normal pattern recognition methods such as principal component analysis, independent component analysis, and feature quantity selection can be used effectively. Normalization techniques such as whitening can also be used.
  • a replacement part is shown as a classification viewpoint, but there may be other classification viewpoints, and other definition categories, for example, confirmation points of numerical values and states
  • a table (diagnostic model) 420 may be created with the adjustment points such as setting dials such as resistance values and setting times as horizontal axes. That is, a plurality of diagnosis models divided into a plurality of sheets are used according to the purpose, situation, and user. Pattern statistical methods other than the bag of words method can also be used.
  • This diagnostic model can also be used as educational information for beginners. Furthermore, based on the diagnostic model, it can be reflected in the maintenance work procedure manual.
  • the phenomenon classification 412 is also important.
  • the phenomenon classification referred to here is to define a keyword for an abnormality obtained from the sensor signal 410 from the viewpoint of treatment such as adjustment or replacement.
  • the defined keywords are added or modified and used in the diagnostic model 413. Specifically, keywords are added to abnormalities and their signs according to the results of the phenomenon classification. If there is a water pressure increase, the simplest case is to add the keyword water pressure increase.
  • keywords can be automatically added according to classification based on decision trees such as C4.5. A keyword is added according to the phenomenon. When the type of adjustment or exchange is found, the keywords are grouped or subdivided to add a new keyword. Thus, the phenomenon classification needs to be editable.
  • the maintenance history information 401 shown in FIG. 4A should be called EAM related to maintenance.
  • EAM is an acronym for enterprise asset management and is also called enterprise asset management / equipment asset management.
  • 4A refers to a business improvement solution that visualizes, standardizes, and streamlines the asset itself and the business related to it by centrally managing various information related to equipment assets held by the company throughout its life cycle.
  • EAM Such maintenance EAM includes not only document management such as maintenance history information 401 but also abnormality sign detection, diagnosis, and maintenance part plan. Note that the maintenance parts plan optimizes inventory management of maintenance parts when performing maintenance based on the diagnosis result.
  • FIG. 5 shows an alarm occurrence 502 for each alarm number 501, presence / absence of field investigation 503, and contents 504 of the treatment.
  • the treatment content 504 indicates reset 5041, adjustment 5042, parts replacement 5043, take-out survey 5044, and the like.
  • FIG. 6 is a parts table 600, which is an example of a unit 601, a part number 602, and a part name 603.
  • FIG. 7A is a correspondence table 700 between the phenomenon 710 and the target of the adjustment / replacement part 720, and represents the frequency based on the association.
  • the keywords 721 to 725 described therein are extracted, and the total frequency 726 of these keywords is totaled and used to create a diagnostic model.
  • the phenomenon 710 includes a water pressure drop 711, a pressure rise 712, an excessive rotation speed 713, an abnormal sound 714, an image quality defect 715, and the like. You may divide these for every site
  • FIG. 7B shows a frequency pattern 730 for each part corresponding to the phenomenon.
  • Occurrence frequency of phenomenon that occurred when pump A731 or power supply 732 was adjusted or replaced (actually, the frequency of keywords described in the work report may be used, or a camera added to the operator)
  • the extracted keywords may be tabulated.
  • This frequency pattern is the feature quantity of the bag of words method (bag of words). Adjustments and exchanges may be divided and tabulated separately, or tabulated independently. Each frequency pattern item can be added and edited.
  • FIG. 7A shows the result of the adjustment and exchange
  • the co-occurrence concept is used to regard the phenomenon that occurs simultaneously as a pair or two or more groups, and this group is regarded as one group. It can also be regarded as a phenomenon. This belongs to the phenomenon classification 412 described in FIG. 4A.
  • “simultaneous” refers to a phenomenon that occurs within a predetermined time, and may or may not consider the order of occurrence. When considering the order of occurrence, causality is in mind.
  • each item of the frequency pattern 730 includes the number of inquiries from the maintenance staff to the maintenance center and the contents (described by keywords).
  • Such a frequency pattern 730 of various keywords can be said to be a “context” that represents a situation of installation, a situation of occurrence of an abnormality, a situation of maintenance, a situation leading to parts replacement, a past case, and the like.
  • search in a sense for a single keyword search plus context and the situation.
  • the usage situation was unsuitable for search, and as a result, diagnosis and countermeasures for the then part often ended in vain. It is considered that such invalid keyword expression / use situation is expressed more flexibly by the frequency pattern and has become the target format.
  • FIG. 8 is a method for detecting an anomaly based on an example base, and shows an example of an example based anomaly detection: multivariate analysis targeting a multidimensional sensor signal.
  • the sensor data 1 to N: 104 acquired by the multidimensional time-series sensor signal acquisition unit 103 shown in FIG. 1 is received by the abnormality detection / diagnosis system 100 according to the present invention, and feature extraction / selection / conversion 812, clustering 816, learning data is received.
  • a selection 815 is performed, and the multi-dimensional time-series sensor data 104 is subjected to multivariate analysis by the identification unit 813, and the observation sensor data that is an outlier when viewed from normal data, or a synthesized value thereof is input to the integration unit 814. Output.
  • the integration unit 814 detects an abnormality or a sign thereof, the above-described diagnosis, that is, the contribution to the failure phenomenon (not only the contribution but also the frequency as a frequency that is a temporal aggregation) and a frequency pattern based on past cases Starts diagnosis such as collation operation.
  • Clustering 816 divides sensor data into several categories for each mode according to operating conditions.
  • event data on / off control of equipment, various alarms, periodic inspection / adjustment of equipment, etc.
  • the event data 811 can be divided into several categories for each mode based on the event data 105 as an input to the clustering 816. Analysis and interpretation of the event data 105 is performed by the analysis unit 817.
  • the abnormality explanation message is output in the integration unit 814.
  • FIG. 9 shows an internal configuration of the abnormality detection / diagnosis system 100 that executes the abnormality detection process based on the case base.
  • a feature extraction / selection / conversion unit 912 receives and processes a multidimensional time series signal 911 based on the signals 104 of various sensors acquired by the multidimensional time series signal acquisition unit 103.
  • Reference numeral 913 denotes a discriminator
  • reference numeral 914 denotes an integrated processing unit (global abnormality measure)
  • reference numeral 915 denotes a learning data storage unit mainly including normal cases.
  • the dimension of the multidimensional time series signal input from the multidimensional time series signal acquisition unit 911 is reduced by the feature extraction / selection / conversion unit 12, and a plurality of discriminators 913-1, 913-2,. Identified by 913-n, and the global anomaly measure is determined by the integrated processing unit (global anomaly measure) 914.
  • Learning data mainly composed of normal cases stored in the learning data storage unit 915 is also identified by a plurality of classifiers 913-1, 913-2,... 913-n and used for determination of the global abnormality measure.
  • the learning data itself mainly composed of normal cases stored in the learning data storage unit 915 is also selected and stored and updated in the learning data storage unit 915 to improve accuracy.
  • Parameters input by the user from the input unit 123 are a data sampling interval 1231, an observation data selection 1232, an abnormality determination threshold value 1233, and the like.
  • the data sampling interval 1231 indicates, for example, how many seconds to acquire data.
  • the observation data selection 1232 indicates which sensor signal is mainly used.
  • the abnormality determination threshold value 1233 is a threshold value for binarizing the value of anomaly that is expressed as a deviation / deviation from the model, an outlier value, a deviation degree, an abnormality measure, and the like.
  • the classifier 913 shown in FIG. 9 prepares several classifiers (913-1, 913-2,... 913-n), and the integration processing unit 914 takes a majority vote (integration). Is possible. That is, ensemble (group) learning using different classifier groups (913-1, 913-2,... 913-n) can be applied.
  • the first discriminator 913-1 is a projection distance method
  • the second discriminator 913-2 is a local subspace method
  • the third discriminator 913-3 is a linear regression method. Any classifier can be applied as long as it is based on case data.
  • FIG. 10A and FIG. 10B show examples of identification methods in the classifier 913.
  • FIG. 10A shows the projection distance method.
  • the projection distance method is to obtain a deviation from the model.
  • the eigenvalue decomposition is performed on the autocorrelation matrix of the data of each class (category), and the eigenvector is obtained as a basis.
  • the eigenvectors corresponding to the upper eigenvalues having a large value are used.
  • the length of the orthogonal projection to the subspace or the projection distance to the subspace is obtained. Since the multidimensional time series signal basically targets the normal part, the distance from the unknown pattern q (latest observation pattern) to the normal class is obtained and used as a deviation (residual). If the deviation is large, it is determined as an outlier.
  • the normal class is divided into multiple classes based on the operation pattern of the equipment.
  • event information may be used, or may be executed by the clustering processing unit 816 in FIG.
  • the center of gravity of each class is used as the origin.
  • the eigenvector obtained by applying KL expansion to the covariance matrix of each class is used as a basis.
  • Various subspace methods have been proposed, but if there is a distance scale, the degree of deviation can be calculated. In the case of the density, the degree of deviation can be determined based on the magnitude.
  • the projection distance method is a similarity measure because it determines the length of the orthogonal projection.
  • Subspace methods such as the projection distance method are discriminators based on distance, and as a learning method when abnormal data can be used, vector quantization that updates dictionary patterns and metric learning that learns distance functions can be used. .
  • FIG. 10B shows another example of the identification method in the classifier 913.
  • This method is called a local subspace method.
  • Local subspace method is also a kind of subspace method.
  • k is a parameter.
  • the distance from the unknown pattern q (latest observation pattern) to the normal class is obtained, and this is used as a deviation (residual).
  • an orthogonal projection point from an unknown pattern q (latest observation pattern) to a partial space formed using k multi-dimensional time series signals can be calculated as an estimated value.
  • k estimated multi-dimensional time-series signals can be rearranged in order of increasing proximity to the unknown pattern q (latest observed pattern), and weighting inversely proportional to the distance can be performed to calculate the estimated value of each signal.
  • the estimated value can be calculated in the same manner by the projection distance method or the like.
  • the parameter k is usually set to one type. However, if the parameter k is changed and executed several times, the target data will be selected according to the similarity, and a comprehensive judgment will be made based on those results. Is.
  • learning data whose distance from the observation data is within a predetermined range is selected and learned as the value of k in the local subspace method so as to be an appropriate value for each observation data.
  • Data with the smallest projection distance may be selected by sequentially increasing the data from the minimum number to the selected number.
  • the threshold th is determined experimentally from the frequency distribution of distances.
  • the distribution in FIG. 11B represents the frequency distribution of learning data distance as viewed from the observation data.
  • the frequency distribution of learning data distances is bimodal depending on whether the equipment is turned on or off. Two mountain valleys represent the transition period from ON to OFF of the equipment or vice versa.
  • range search This idea is a concept called range search, which is considered to be applied to learning data selection.
  • the range search type learning data selection concept can also be applied to the methods disclosed in Patent Documents 1 and 2. In the local subspace method, even if anomalous values are slightly mixed, the influence is greatly reduced when the local subspace is used.
  • the centroid of k-neighbor data is defined as a local subspace. Then, the distance from the unknown pattern q (latest observation pattern) to the center of gravity is obtained, and this is set as a deviation (residual).
  • the example of the identification method in the classifier 13 shown in FIG. 9 is provided as a program.
  • a classifier such as a one-class support vector machine is also applicable if it is simply considered as a problem of one-class identification.
  • kernelization such as radial ⁇ basis function that maps to higher-order space can be used.
  • the side near the origin is an outlier, that is, an abnormality.
  • the support vector machine can cope with a large dimension of the feature amount, there is a drawback that the calculation amount becomes enormous as the number of learning data increases.
  • FIG. 12 shows an example of a feature transformation 1200 for reducing the dimensions of sensor data 1 to N: 104, which is a multidimensional time series signal acquired by the multidimensional time series sensor signal acquisition unit 103 used in FIG. It is.
  • principal component analysis 1201 several methods such as an independent component analysis 1202, a non-negative matrix factorization 1203, a latent structure projection 1204, and a canonical correlation analysis 1205 can be applied.
  • FIG. 12 shows a scheme diagram 1210 and a function 1220 together.
  • the principal component analysis 1201 is called PCA, and linearly transforms an M-dimensional multidimensional time-series signal into an r-dimensional multidimensional time-series signal having a dimension number r to generate an axis that maximizes variation.
  • KL conversion may be used.
  • the number of dimensions r is determined based on a value that is a cumulative contribution ratio obtained by arranging eigenvalues obtained by principal component analysis in descending order and dividing the eigenvalue added from the larger one by the sum of all eigenvalues.
  • the independent component analysis 1202 is called ICA (Independent Component Analysis), and is effective as a technique for revealing a non-Gaussian distribution.
  • Non-negative matrix factorization is called NMF (Non-negative Matrix Factorization) and decomposes a sensor signal given by a matrix into non-negative components.
  • the one without the teacher in the column of the function 1220 is an effective conversion method when there are few abnormal cases and it cannot be used as in this embodiment.
  • an example of linear transformation is shown. Nonlinear transformation is also applicable.
  • the above-mentioned feature conversion is performed simultaneously with learning data and observation data arranged, including canonicalization normalized by standard deviation. In this way, learning data and observation data can be handled in the same row.
  • FIG. 13 is an explanatory diagram of an anomaly sign detection technique based on a residual pattern.
  • FIG. 13 shows a technique for calculating the similarity of residual patterns.
  • FIG. 13 corresponds to the normal center of gravity of each observation data obtained by the local subspace method, and the deviation of the sensor signal A, sensor signal B, and sensor signal C from the normal center of gravity at each time point is expressed as a locus in the space. ing. To be precise, each axis represents the main principal component.
  • the residual series of observation data that has passed time t-1, time t, and time t + 1 is indicated by a dotted line with an arrow.
  • the similarity between the observation data and the abnormal case can be estimated by calculating the inner product (A ⁇ B) of each deviation. It is also possible to divide the inner product (A ⁇ B) by the size (norm) and estimate the similarity by the angle ⁇ . The similarity is obtained for the residual pattern of the observation data, and an abnormality that is predicted to occur is estimated from the locus.
  • FIG. 13 shows a deviation 1301 of the abnormal case A and a deviation 1302 of the abnormal case B. Looking at the deviation series pattern of the observation data including time t-1, time t, and time t + 1 indicated by the dotted lines with arrows, it is close to the abnormal case B at the time t. Instead, the occurrence of the abnormal case A can be predicted. If there is no corresponding abnormality in the past, it can be determined as a new abnormality. Further, the space shown in FIG. 13 can be divided into conical sections whose vertices coincide with the origin, and abnormalities can be identified by this section.
  • the deviation (residual) time series trajectory data until an abnormal case occurs is stored in a database, and the deviation (residual) time series pattern of observation data and the trajectory accumulated in the trajectory database It is possible to detect a sign of occurrence of abnormality by calculating the similarity of the time series pattern of data.
  • FIG. 13 is viewed as occurrence of a residual vector within a certain time window, it can be expressed as a frequency. If it can be handled as a frequency, the frequency distribution information in the form shown in FIG. 7A can be acquired, and this can be handled as the appearance frequency of the keyword of the phenomenon. That is, it can be used for diagnosis.
  • a frequency distribution can be created by dividing each axis of FIG. 13 into a certain width and entering into a section of each cube.
  • the frequency distribution is three-dimensional, usually multi-dimensional, but can be one-dimensionalized (vectorized) by arranging it in a vertical row, and can be handled as a normal frequency distribution or frequency pattern. it can.
  • FIG. 14 shows a hardware configuration of the abnormality detection / diagnosis system 100 of the present invention.
  • the system includes a processor 120, a database 121, a display unit 122, and an input unit 123.
  • Sensor data 104 such as a target engine is input to the processor 120 that performs abnormality detection, and missing values are repaired and stored in the database DB 121.
  • the processor 120 performs abnormality detection using the acquired observation sensor data 104 and the DB data of the database DB 121 including the learning data.
  • the display unit 122 performs various displays and outputs the presence / absence of an abnormal signal. It is also possible to display a trend. The interpretation result of the event can also be displayed.
  • the processor 120 accesses the database DB 121 in which maintenance history information and the like are stored, extracts / searches keywords, generates a diagnostic model, performs abnormality diagnosis, and displays the diagnosis result on the display unit 122. indicate.
  • the diagnosis result includes the diagnosis model shown in FIG. 4B. That is, as a result of phenomenon diagnosis, a result of phenomenon classification, a diagnosis model, and the like are displayed. Various information shown in FIGS. 5, 6, 7A, and 7B is also displayed. In particular, the frequency histogram shown in FIG. 7B is an important display factor for visualizing the frequency pattern of FIG. 7A. A part of the “context” that represents the status of the equipment, the status of occurrence of an abnormality, the status of maintenance, the status of parts replacement, past cases, etc. is selectively displayed. These can be edited from the viewpoint of merging items.
  • the program installed in the hardware can be provided to customers through media and online services.
  • the database DB 121 can be operated by skilled engineers. In particular, abnormal cases and countermeasure cases can be taught and stored. (1) Learning data (normal), (2) abnormal data, (3) countermeasure contents are stored. By making the database DB 121 into a structure that can be manipulated by skilled engineers, a sophisticated and useful database can be created. Further, the data operation is performed by automatically moving learning data (individual data, the position of the center of gravity, etc.) with the occurrence of an alarm or part replacement. It is also possible to automatically add acquired data. If there is abnormal data, a method such as generalized vector quantization can be applied to the movement of the data.
  • the loci of the past abnormal cases A and B described with reference to FIG. 13 are stored in the database DB 121 and collated with these to identify (diagnose) the type of abnormality.
  • the trajectory is expressed and stored as data in the N-dimensional space. Processing of data by the processor 120 and instructions for data to be displayed on the display unit 122 are performed by the input unit 123.
  • the time series signal feature extraction / classification 1524 is executed by performing signal processing inside the processor 120 from the time series signal (sensor signal) 104 from the equipment 1501 sent from the time series data acquisition unit 103.
  • the abnormality is detected.
  • the equipment 1501 is not limited to one. Multiple facilities may be targeted.
  • maintenance events 105 of each facility (alarms, work results, etc., specifically, start and stop of facilities, operation condition setting, various failure information, various warning information, periodic inspection information, operating environment such as installation temperature, Acquire incidental information such as accumulated operation time, parts replacement information, adjustment information, cleaning information, etc.) and detect abnormalities with high sensitivity.
  • the waveform 1525 of the time series data shown in the feature extraction / classification 1524 of the time series signal 104 represents an observation signal, and the abnormality detected in this embodiment is indicated by a circle 1526 as a precursor.
  • This sign is determined to be abnormal when the abnormality measure is equal to or greater than a predetermined threshold value (or when the abnormality measure exceeds the threshold value for the set number of times or more). In this example, an abnormal sign can be detected before the equipment is stopped, and appropriate measures can be taken.
  • a sign detection unit 1530 in the processor 120 of the abnormality prediction / diagnosis system 100 can detect it as a sign at an early stage, some countermeasure is taken before the operation is stopped due to a failure. Then, a sign is detected 1531 by a subspace method or the like, and whether or not the sign is comprehensively determined by adding an event string collation 1532 and the abnormality diagnosis unit 1540 diagnoses an abnormality based on the sign by the method shown in FIG. 4A.
  • the failure candidate part is identified, and when the part is brought to a failure stop is estimated. Then, necessary parts are arranged at a necessary timing.
  • the abnormality diagnosis unit 1540 is divided into a phenomenon diagnosis unit 1541 that identifies a sensor that includes a sign and a cause diagnosis unit 1542 that identifies a part that may cause a failure.
  • the sign detection unit 1530 outputs information related to the feature amount to the abnormality diagnosis unit 1540 in addition to a signal indicating the presence or absence of abnormality.
  • the abnormality diagnosis unit 1540 performs a phenomenon diagnosis with the phenomenon diagnosis unit 1541 using information stored in the database 121 based on these pieces of information. Also classify phenomena.
  • the cause diagnosis unit 1542 performs the cause diagnosis as specifying the adjustment location or specifying the part to be replaced based on the information stored in the database 121. .
  • FIG. 16 shows an example in which a network of each sensor signal is created from the obtained information on the degree of influence on the abnormality of each sensor signal.
  • sensor signals such as basic temperature 1601, pressure 1602, motor rotation speed 1603, power 1604, and the like
  • weights can be given between sensor signals based on the ratio of the degree of influence on abnormality.
  • FIG. 17 shows the configuration of the abnormality detection and cause diagnosis part.
  • a sensor data acquisition unit 1701 (corresponding to the time-series data acquisition unit 103 in FIG. 1) that acquires data from a plurality of sensors, learning data 1704 that is substantially normal data, and a model generation unit 1702 that models the learning data.
  • An abnormality detection unit 1703 that detects the presence / absence of an abnormality in the observation data based on the similarity between the observation data and the modeled learning data, a sensor signal influence evaluation unit 1705 that evaluates the influence of each signal, and the relevance of each sensor signal
  • a sensor signal network generation unit 1706 for creating a network diagram representing the relationship, a related database 1707 consisting of abnormality cases, the influence degree of each sensor signal, selection results, etc., a design information database 1708 from the facility design information, a cause diagnosis unit 1709, a diagnosis Related database 1710 for storing results and input / output unit 1711 It made. Keywords obtained through these processes are also used in the diagnostic model of FIG. 4A. In other words, these processes can also be viewed as a keyword generation unit.
  • the design information database includes information other than design information.
  • the engine model, parts list (BOM), past maintenance information (on-call contents, sensor signal data when an error occurs, adjustment date and time) , Captured image data, abnormal sound information, replacement part information, etc.), operating status information, inspection data during transportation / installation, and the like.
  • BOM parts list
  • past maintenance information on-call contents, sensor signal data when an error occurs, adjustment date and time
  • Captured image data Captured image data, abnormal sound information, replacement part information, etc.
  • operating status information inspection data during transportation / installation, and the like.
  • the present invention can be used for detecting abnormalities in plants and equipment.

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Automation & Control Theory (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

　プラント等の設備において、異常を高感度、早期に検知することが可能な異常検知・診断方法およびシステムを提供するために、本発明では、作業履歴や交換部品情報などの過去の事例からなる保守履歴情報を、キーワードベースで相互に関連付けておき、設備に付加した多次元センサの出力信号を対象とした異常検知に基づき、異常を検知し、検知した異常と関連付けられた保守履歴情報とを結びつけることにより、発生した異常に対しなすべき診断・処置を明らかにするようにした。

Description

異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム
　本発明は、プラントや設備などの異常を早期に検知し、診断する異常検知・診断方法、異常検知・診断システム及び異常検知・診断プログラムに関する。
　電力会社では、ガスタービンの廃熱などを利用して地域暖房用温水を供給したり、工場向けに高圧蒸気や低圧蒸気を供給したりしている。石油化学会社では、ガスタービンなどを電源設備として運転している。このようにガスタービンなどを用いた各種プラントや設備において、その異常を早期に発見し、原因を診断し、対策を行うことは、社会へのダメージを最小限に抑えることができ、極めて重用である。
　ガスタービンや蒸気タービンのみならず、水力発電所での水車、原子力発電所の原子炉、風力発電所の風車、航空機や重機のエンジン、鉄道車両や軌道、エスカレータ、エレベータ、ＭＲＩなどの医療機器、半導体やフラットパネルディスプレイ向けの製造・検査装置、機器・部品レベルでも、搭載電池の劣化・寿命など、早期に異常を発見し、診断しなければならない設備は枚挙に暇がない。最近では、健康管理のため、脳波測定・診断に見られるように、人体に対する異常（各種症状）検知も重要になりつつある。
　このため、例えば特許文献１や特許文献２には、おもにエンジンを対象に、異常検知を行うことが記載されている。そこでは、過去のデータをデータベース（ＤＢ）としてもっておき、観測データと過去の学習データとの類似度を独自の方法で計算し、類似度の高いデータの線形結合により推定値を算出して、推定値と観測データのはずれ度合いを出力する。General Electric社のように、特許文献３には、異常検知をｋ－ｍｅａｎｓクラスタリングにより検出する例が記載されている。
　また、非特許文献２や特許文献４には、故障履歴や作業履歴をデータベースに蓄え、検索を可能とし、これを通して、保守に関する有益な知見を獲得することについて記載されている。
米国特許第６，９５２，６６２号明細書 米国特許第６，９７５，９６２号明細書 米国特許第６，２１６，０６６号明細書 特開２００９－１１００６６号明細書
Stephan W. Wegerich; Nonparametric modeling of vibration signal features for equipment health monitoring、Aerospace Conference, 2003. Proceedings. 2003 IEEE, Volume 7, Issue, 2003 Page(s):3113-3121 永野和俊、佐藤淳；的確で迅速な対応を支える遠隔保守ソリューション「TMSTATION」、東芝ソリューションテクニカルニュース、2008年秋季号、Vol.15
　一般には、観測データをモニタし、設定したしきい値と比較して、異常を検知するシステムがよく用いられている。この場合は、各観測データであるところの測定対象の物理量などに着目してしきい値を設定するため、設計ベースの異常検知であると言える。
　この方法は、設計が意図しない異常は検知が困難であり、見逃しが発生し得る。例えば、設備の稼動環境や、稼動年数による状態変化、運転条件、部品交換の影響などにより、設定したしきい値が妥当とは言えなくなる。
　一方、特許文献１および２に開示されている事例ベースの異常検知に基づく手法では、学習データを対象に、観測データと類似度の高いデータの線形結合により推定値を算出し、推定値と観測データのはずれ度合いを出力するため、学習データの準備次第で、設備の稼動環境や、稼動年数による状態変化、運転条件、部品交換の影響などを考慮できる。
　しかし、特許文献１および２に開示されている手法では、データをスナップショットとして扱っており、時間的な振舞いを考慮していない。さらに、観測データになぜ異常が含まれるのかは、別途説明が必要である。特許文献３に記載されているｋ－ｍｅａｎｓクラスタリングのような、物理的意味が希薄な特徴空間内での異常検知では、さらに異常の説明は困難である。説明が困難な場合は、誤検出として扱われることになる。
　また、特許文献４に記載されている方法では、故障履歴や作業履歴をデータベースに蓄え、検索を可能とし、これを通して、保守に関する有益な知見を獲得するシステム（特許文献４によれば、保守カルテを表示するシステム）を構築している。ここでは、故障履歴や作業履歴に関する情報が、検索を通して、互いに紐付けでき、情報が見える形で提供されている。
　しかし、異常検知と上記情報の紐付けは不明瞭であり、システムに格納されている保守情報が有効に活用できるとは言いがたい。単純な検索機能では、故障履歴や作業履歴自体の紐付けさえも成功するとは限らない。このような保守情報は一般に、多様な情報が分散され、また、あいまいな言葉の羅列であることが多く、検索のかなめであるキーワードをかなり工夫しないと、うまく付き合わない。すなわち、検索のみに依存した方法では、異常の予兆も含め、検知された異常から、過去情報のどこを調査して原因を付き止め、どのような対策したのか、今回は何をすべきかなどを明確にすることはできず、異常検知の段階で、即座に診断したくても、現象や原因、交換すべき部品などが不明瞭なままであり、なすべき処置が分からない。従って、熟練保守員の現場での調査に依存しているのが実態である。
　そこで、本発明の目的は、センシングデータを対象にした異常検知情報と、作業履歴や交換部品情報などの過去の事例からなる保守履歴情報を用いて、新たに発生した異常（予兆を含む）を的確に診断することが可能な異常検知・診断方法およびシステムを提供することである。
  また、初心者にも、提示可能な診断プロセスを提示することを目的とする。
　上記目的を達成するために、本発明は、作業履歴や交換部品情報などの過去の事例からなる保守履歴情報を、キーワードベースで相互に関連付けておき、設備に付加した多次元センサの出力信号を対象とした異常検知に基づき、異常を検知し、検知した異常と関連付けられた保守履歴情報とを結びつけることにより、発生した異常に対しなすべき診断・処置を明らかにする。
　特に、保守履歴情報が使われた状況（以下、文脈とも言う）を表現するため、キーワードの出現頻度を、文脈パターンと見なして取り扱う。すなわち、異常検知を含め、保守にまつわる作業などを表した主要なキーワードから、実際に使われた状況を考慮した文脈を、後述の頻度パターンとして獲得し、その文脈を活用する文脈志向の異常診断を実現する。
　具体的には、異常検知では、（１）（ほぼ）正常な学習データ生成、（２）部分空間法などによる観測データの異常測度の算出、（３）異常判定、（４）異常の種類の特定、（５）異常の発生時期の推定を行い、保守履歴情報を相互に関連付けでは、（６）保守履歴などのドキュメント群のキーワード抽出、（７）画像の分類などを通して、（８）キーワードの関連付けを行い、（９）異常とキーワードの関連付けを頻度パターンとして表現する診断モデルを生成し、（１０）診断モデルを用いて、発生した異常に対しなすべき診断・処置を明らかにする。
　また、上記目的を達成するために、本発明では、プラント又は設備の異常或いはその予兆を早期に検知し、プラント又は設備を診断する異常検知・診断方法において、複数のセンサから取得したデータを対象にプラント又は設備の異常を検知し、プラント又は設備の保守履歴情報からキーワードを抽出し、抽出したキーワードを用いてプラント又は設備の診断モデルを生成し、生成した診断モデルを用いてプラント又は設備の診断を行うようにした。
　そして、保守履歴情報は、オンコールデータ、作業報告書、調整・交換部品コード、画像情報、音情報の内の何れかを含み、保守履歴情報から定めたキーワードの出現頻度を算出して出現頻度のパターンを得、得た出現頻度のパターンを診断モデルとし診断モデルの出現頻度のパターンと新たに検知したプラント又は設備の異常に関するキーワードとの類似度を用いてプラント又は設備の診断を行うようにした。
　また、上記目的を達成するために、本発明では、プラントまたは設備の異常或いはその予兆を早期に検知し、プラント又は設備を診断する異常検知・診断システムを、複数のセンサから取得したデータを対象にプラント又は設備の異常を検知する異常検知部と、プラント又は設備の保守履歴情報を蓄積したデータベース部と、データベース部に蓄積されたプラント又は設備の保守履歴情報から抽出したキーワードを用いてプラント又は設備の診断モデルを生成する診断モデル生成部と、新規に検知した異常に対して診断モデルと照合してプラント又は設備の診断を行う診断部とを備えて構成した。
　そして、データベース部に蓄積する保守履歴情報は、オンコールデータ、作業報告書、調整・交換部品コード、画像情報、音情報の内の何れかを含み、診断モデル生成部は保守履歴情報から定めたキーワードの出現頻度を算出して出現頻度のパターンを得てこれを診断モデルとし、診断部は新規に検知した異常に対して出現頻度のパターンの類似度を用いて設備の診断を行うようにした。
　更にまた、上記目的を達成するために、本発明では、プラント又は設備の異常或いはその予兆を早期に検知し、診断する異常検知・診断プログラムを、複数のセンサから取得したデータを対象に異常を検知する処理ステップと、保守履歴情報から取得したキーワードの出現頻度を用いて診断モデルを生成する処理ステップと、診断モデルを生成する処理ステップで生成した診断モデルを用いてプラント又は設備の診断を行う診断処理ステップとを含んで構成した。
　そして、異常を検知する処理ステップにおいて複数のセンサから取得したデータを対象に異常を検知し、診断モデルを生成する処理ステップにおいて保守履歴情報から取得したキーワードの出現頻度を用いて断モデルを生成し、診断処理ステップにおいて生成した診断モデルを用いて設備の診断を行う際に異常検知や現象診断を通してパターン或いはキーワードを抽出し、抽出したパターン或いはキーワードを診断に用いるようにした。
　また、上記目的を達成するために、本発明では、企業資産管理・設備資産管理システムにおいて、作業報告書、交換部品情報などからなる保守履歴情報を格納したデータベースと、設備に付加した多次元センサから得られる信号情報を用いて部分空間法などの識別器によって異常或いはその予兆を検知する検知手段と、交換部品や調整などに着目したキーワードの頻度パターンに基づいて診断を行う診断手段とを備え、異常予兆検知とそれをトリガーにした診断を実施するように構成した。
　本発明によれば、現場に存在する膨大な保守履歴情報を、異常との関係で整理でき、発生した異常や予兆に対して、迅速に対応を決定できる。保守履歴情報が使われた状況を文脈パターンとして的確に表現でき、またこれを照合することができるため、蓄積された保守履歴情報の再利用が可能となる。
　これらによって、ガスタービンや蒸気タービンなどの設備のみならず、水力発電所での水車、原子力発電所の原子炉、風力発電所の風車、航空機や重機のエンジン、鉄道車両や軌道、エスカレータ、エレベータ、そして機器・部品レベルでは、搭載電池の劣化・寿命など、種々の設備・部品において異常の早期・高精度な発見、実行すべき診断・処置が明らかとなる。勿論、人体を対象に計測し、診断する場合にも適用できる。
図１は本発明の異常検知システムが対象とする設備、多次元時系列信号、及びイベント信号の一例を示すブロック図である。 図２は多次元時系列信号の一例を示す信号波形のグラフである。 図３Ａは保守履歴の詳細情報の一例を示すブロック図である。 図３Ｂは現象と原因と処置の関連付けの一例を示すブロック図である。 図４Ａは本発明の実施例を示し、作業履歴や交換部品情報などの過去の事例からなる保守履歴情報を、キーワードベースで相互に関連付けておき、設備に付加した多次元センサの出力信号を対象とした異常検知に基づき、異常を検知し、検知した異常と関連付けられた保守履歴情報とを結びつける例である。 図４Ｂは本発明の実施例を示し、保守履歴情報が使われ、記録された状況（文脈）を表現するため、キーワードの出現頻度を、文脈パターンと見なして取り扱う例を示すブロック図である。 図５はアラーム発生、現地調査の有無、処置の内容である、リセット、調整、部品交換、持ち帰り調査などの一例を示す表である。 図６は部品表であり、ユニット、パーツ番号、パーツ名称の一例を示す表である。 図７Ａは現象と、調整・交換部品の対象間の対応表であり、紐付けに基づいて頻度を表す表である。 図７Ｂは現象と、調整・交換部品の対象間の対応表であり、紐付けに基づいて頻度を表すグラフである。 図８は本発明の異常検知システムの構成を示すブロック図である。 図９は複数の識別器を用いた、事例ベースの異常検知手法を説明するブロック図である。 図１０Ａは識別器の一例である部分空間法の投影距離法を説明する図である。 図１０Ｂは識別器の一例である部分空間法ののうち局所部分空間方を説明する図である。 図１１Ａは部分空間法にて学習データの選択を説明する図である。 図１１Ｂは観測データから見た学習データの距離の頻度分布を示すグラフである。 図１２は各種の特徴変換を一覧にして説明した表である。 図１３は部分空間法にて算出した残差ベクトルの軌跡を説明する３次元空間の図である。 図１４は本発明を実行するプロセッサ周辺の構成を示すブロック図である。 図１５Ａは本発明の全体構成を示すブロック図である。 図１５Ｂは本発明の異常予知・診断システムのプロセッサの構成を示すブロック図である。 図１６は各センサ信号のネットワーク関係を示す図である。 図１７は本発明の保守履歴情報の詳細および保守履歴情報の関連付けを示すフロー図である。
　本発明は、プラントや設備の異常或いはその予兆を早期に検知して診断する異常検知・診断システムに関するものであって、異常検知を行う際には、ほぼ正常な学習データを生成し、部分空間法などによる観測データの異常測度を算出し、異常を判定し、異常の種類を特定し、異常の発生時期の推定を行う。
　また、保守履歴情報を相互に関連付ける際には、保守履歴などのドキュメント群のキーワードを抽出し、画像の分類などを通してキーワードの関連付けを行う。
　そして、異常とキーワードの関連付けを頻度パターンとして表現する診断モデルを生成し、診断モデルを用いて、発生した異常に対しなすべき診断・処置を明らかにするものである。
　以下に、本発明の実施の形態について、図面を参照して説明する。
　図１は本発明の異常検知・診断システム１００を含む全体の構成を示す。１０１，１０２は本発明の異常検知・診断システム１００が対象とする設備であり、各設備１０１，１０２には各種のセンサで構成される多次元時系列信号取得部１０３が付設されている。この多次元時系列信号取得部１０３で取得されたセンサ信号１０４や、アラームや電源のオンオフを示すイベント信号１０５は本発明による異常検知・診断システム１００に入力されて処理される。本発明による異常検知・診断システム１００では、多次元時系列信号取得部１０３で取得されたセンサ信号１０４から多次元時系列センシングデータ１０６やイベント信号１０７を得、これらのデータを処理して設備１０１や１０２の異常検知・診断を行う。多次元時系列信号取得部１０３で取得するセンサ信号１０４の種類は、数十から数万個存在する。設備１０１や１０２の規模、設備が故障したときの社会的ダメージなどにより、種々のコストを勘案して多次元時系列信号取得部１０３で取得するセンサ信号１０４の種類が決まる。
　異常検知・診断システム１００で取り扱う対象は，多次元時系列信号取得部１０３で取得された多次元・時系列のセンサ信号１０４であり，発電電圧，排ガス温度，冷却水温度、冷却水圧力、運転時間などである。設置環境のたぐいもモニタされる。センサのサンプリングタイミングも、数十ｍｓから数十秒程度まで、いろいろなものがある。イベント信号１０４及びイベントデータ１０５は、設備１０１や１０２の運転状態、故障情報、保守情報などからなる。図２は、センサ信号１０４－１～１０４－４を、時刻を横軸に並べたものである。
　図３Ａは、異常検知・診断システム１００の保守履歴情報の詳細３０１を示すもので、センサデータ３１０を受けて、アラーム発報３０２、オンコールデータ３０３、保守作業履歴データ３０４、部品手配データ３０５を保守履歴情報と関連付けて示したものである。図３Ａにおいて、オンコールデータ３０３は、電話連絡のデータを意味している。これらの情報は、データベース（ＤＢ）（図１４の１２１）に格納されている。　
　図３Ａの矢印は、上流から下流に情報がリンクしていることを表している。この矢印は、下流からもたどることができる。この場合、キーワードに基づく検索という手段が使われる。検索は有効な手法であるが、検索可能なデータベース（ＤＢ）の構造にしておくことが必要である。また、キーワードの決め方には工夫が必要であり、部位の上下関係や現象の上下関係などを吸収する柔軟性も求められる。しかし、検索事態は、簡単な照合であるため、容易に使うことができる。　
　図３Ｂは、保守履歴情報の関連付けを示す図で、データベース（ＤＢ）（図１４の１２１）に記憶されている事例データ３２０から検索する現象３２１、原因３２２、処置３２３といった作業のキーワードを示す。現象３２１は、アラーム３２１１、機能不良（画質など）３２１２、動作不良３２１３などであり、より詳細な分類をもつ。原因３２２は、故障部位の特定３２２１にあたる。処置３２３には、再起動でなおるもの（完全に直ったわけではない）３２３１、調整を要したもの３２３２、部品交換に至ったもの３２３３がある。この図の場合も、矢印を用いて、対応関係が表現できる。
　図４Ａに、本発明による異常検知・診断システム１００の実施例を示す。
  図４Ａは、作業履歴や交換部品情報などの過去の事例からなる保守履歴情報を、キーワードベースで相互に関連付けておき、設備に付加した多次元センサの出力信号を対象とした異常検知に基づき、異常を検知し、検知した異常と関連付けられた保守履歴情報とを結びつける例である。保守履歴情報が使われ、記録された状況（文脈）を表現するため、キーワードの出現頻度を、文脈パターンと見なして取り扱う例を示している。
　本実施例では、バグオブワーズ法（bag of words）の概念を用いる。バグオブワーズ法は、特徴の袋詰めとでも言うべき手法であり、情報（特徴）の発生順序、位置関係などを無視して扱うものである。ここでは、アラーム発報、作業報告書、交換部品のコードなどから、キーワードやコードや言葉の発生頻度、ヒストグラムを作成し、このヒストグラムの分布形状を特徴とみなして、カテゴリに分類する。この方法の特徴は、非特許文献２に記載されているような一対一の検索とは異なり、複数の情報を同時に扱うことができる点にある。また、フリー記述にも対応でき、情報の追加や削除と言った変更にも対応しやすく、作業報告書などのフォーマット変更にも強い。複数の処置をしても、あるいは間違った処置が含まれていても、ヒストグラムの分布形状に着目するため、ロバスト性が高い。同様に、センサ信号も、複数のカテゴリに分類する。このカテゴリが、キーワードとなる。
　こういった表現は、保守を行った状況を表しており、「文脈」とでも言うものである。
文脈とは、
その情報は、どういった状況で有効だったのか？
何を解決するために使ったのか？
それを使用した理由はなにか？
何に着目しているのか？
ほかの情報との関係は？
などを指している。　
こういった文脈を表すのが、上述したキーワードの出現頻度のパターンである。
　図４Ａを用いて具体的に説明する。部品交換の事例について説明する。図４Ａにおいて、保守履歴情報４０１(図３Ｂの事例データ３２０の相当)のなかから、交換部品の記録４０５（図３Ｂの部品交換３２３３に相当）を自動アクセスする。例えば、バルブ交換をした例について考える。この交換バルブの名称（パーツ名称）、部品コード（パーツ番号）、日時などがキーワードにされる。保守履歴情報の周辺情報として、部品表などが通常準備されているため、この部品表にアクセスされ、交換部品が属しているユニットの名称などもキーワードが追加される。次に、この交換にいたる作業報告書４０４にアクセスされる。上記部品を交換するに至った経緯が記載されており、アラーム名称、現象名称、処置内容（再起動、調整、部品交換）に記載の確認箇所、調整箇所などがキーワードとして追加される。
　アラーム名称は、設備の遠隔監視によって発報されたものである。図４Ａでは、左側に示すセンサ信号４１０に属す情報である。アラーム名称は、水圧低下、圧力上昇、回転数超過、異音、画質不良など、異常を表す名称をさす。番号などのコードでも表現されている。現象診断が遠隔監視側でなされていれば、４１１にて実施される現象診断結果もキーワードに追加される。ここで、現象診断結果とは、監視しているセンサ信号の間の相関の有無や、位相関係を表している。これらをキーワード化したり、数量化して、診断結果とする。対象は、異常でなく、その予兆の段階の場合もある。
　上記複数のキーワード、すなわちコードブックは、図４Ａに示すように、テーブル形式４２０で、ヒストグラムが集計される。バルブ交換をした例においては、テーブル中、交換に至ったバルブ４２１の欄のところで出現頻度が高くなる。テーブル形式４２０では、下側の合計欄４２５がバルブで２１％になっている。バルブ４２１以外のヒータ４２２やポンプ４２３も、同時に交換した場合は、その出現頻度も高くなる。また、現象診断４１１として、圧力低下が報告されているため、テーブル４２０中、バルブ４２１と圧力低下４２４の交差する箇所（テーブル４２０でハッチングした部分）の頻度が高くなる。　
　図４Ａでは、頻度でなく、正規化してパーセンテージ（％）で表現しているが、頻度そのものでも良い。同種のバルブ交換に至った事例を、集計すれば、より確かなテーブルが生成できる。このようにして、過去事例を反映した診断モデルができあがる。バグオブワーズ法（bag of words）では、この頻度パターンを特徴量としてとらえる。バルブの欄の頻度パターンが、バルブ交換に至ったときの、複数の現象に対する頻度を表している。
　なお、キーワード、コードブックは設計者、保守作業者らから与えられ、保守履歴情報４０１に格納されているが、それらの重要性に鑑み、重みを付与してもよい。時間が早い、遅いといったキーワード相互の時間関係を用いて、重みを付与してもよいし、選択基準としてもよい。
　次に、新たに異常が発生した場合を考える。異常名称は圧力低下であった。この場合、上記診断モデルに従えば、バルブ交換の確率が１０％であり、ほかと比べると高い率であることが分かるため、このバルブ交換をするかどうかを、まずこの診断モデルにて現場にて確認することになる。勿論、センサ信号をさらにくわしく分析し、故障部位を特定することもあり得る。
　本実施例では、さらに上記テーブル４２０を活用する。通常は、現象は複雑であり、異常名称が圧力低下であるとしても、バルブ以外の部品を交換するケースの方も多いと考えられる。そこで、故障現象４２７を表した頻度パターン（図４Ａのモデル４２０において、水温低下４２６や圧力低下４２４の頻度４３０）に着目し（現象ごとに、図４Ｂに示したように、バルブ交換に至った故障現象の頻度パターン４３０を生成。縦軸は頻度、横軸は故障現象の種類や、故障現象への寄与度を表す）、この頻度パターン４３０を特徴量とみなして、この特徴に合うものとして、バルブの頻度パターン、すなわちバルブ４２１を選択する。なお、故障現象への寄与度は、各センサ信号（図２の１０４）の正常状態からの乖離度である。従って、診断開始時は、観測され診断されるデータに関しては、頻度でなく、ある種のパターンとなっていることに注意が必要である。勿論、診断開始時に、寄与度のみならず、その時間的集計である寄与度の頻度として情報を利用できることもある。
　後述の図１３に示す残差ベクトルの時系列変化に着目し、それを一定の時間ウィンドウ内の発生頻度として扱えば、頻度情報・頻度パターンとして扱うこともできる。いずれにせよ、上述した頻度パターンに基づく方法は、ある・なしと言った単純な処理でなく、分布の形態に着目するため、単なる検索に基づく手法に比べ、柔軟性、ロバスト性が極めて高い。
　このように、診断モデルを使えば、現場での診断作業が円滑に実施でき、大幅に作業時間を短縮できる。また、交換部品候補を事前に準備できるため、設備復旧時間も大幅に短縮できる。
　上記例では、頻度パターンを故障現象の種類としたが、確認部位、調整箇所、オンコールにて取得した情報、交換部品、持ち帰って判明した原因など、利用できる情報ならば何でもよい。頻度に着目したバグオブワーズ法（bag of words）が活用できる所以でもある。また、横軸の項目が多いときは、次元が高いとも言えるため、次元削減をしておくことも有効である。主成分分析や独立成分分析、特徴量の選択など、通常のパターン認識手法が有効に使えるとも言える。白色化などの正規化手法も使うことができる。
　図４Ａの異常検知・診断システムにおいては、分類視点としては、交換部品の例が示されているが、これ以外の分類視点もあり得、ほかの定義のカテゴリ、例えば、数値や状態の確認箇所や抵抗値や設定時間などの設定ダイヤルなどの調整箇所を横軸にテーブル（診断モデル）４２０を作成してもよい。すなわち、目的、状況、使用者に応じて、複数のシートに分かれた、複数の診断モデルを使う。なお、バグオブワーズ法（bag of words）以外のパターン統計手法も使うことができる。　
　この診断モデルは、初学者向けの教育用の情報としても活用できる。さらに、診断モデルをもとに、保守の作業手順書に反映することもできる。
　図４Ａにおいて、現象分類４１２も重要である。ここで言う現象分類は、調整や交換といった処置の視点で、センサ信号４１０を対象に得られた異常に対してキーワードを定義しておくことである。定義されたキーワードは追加され、或いは修正され、診断モデル４１３に使われる。具体的には、異常やその予兆に、現象分類の結果に従い、キーワードを付加する。水圧上昇があったなら、水圧上昇というキーワードをつけるのが最も簡単なケースである。また、C4.5などの決定木にもとづく分類に従えば、自動的にキーワードを付加できる。現象に応じて、キーワードを付加するが、調整や交換の種類が判明した段階で、キーワードをグルーピングしたり、細分化して、新たなキーワードを付加する。このように現象分類は編集できることが必要である。
　図４Ａに示した保守履歴情報４０１は、保守に関するＥＡＭとでも言うべきものである。一般に、ＥＡＭは、enterprise asset managementの頭文字であり、企業資産管理・設備資産管理とも呼ばれる。企業が保有する設備資産に関するさまざまな情報を、そのライフサイクルを通じて一元管理することで、資産自体とそれにかかわる業務を可視化・標準化・効率化する業務改善ソリューションをさすが、図４Ａは、保守に特化したＥＡＭである。このような保守ＥＡＭでは、保守履歴情報４０１などの文書管理以外に、異常予兆検知、診断、保守パーツ計画からなる。なお、保守パーツ計画は、診断結果に基づき、保守を実施する場合の保守部品の在庫管理を適正化するものである。
　図５に、アラーム番号５０１ごとのアラーム発生５０２、現地調査の有無５０３、処置の内容５０４を示す。処置内容５０４は、リセット５０４１、調整５０４２、部品交換５０４３、持ち帰り調査５０４４などを示している。図６は部品表６００であり、ユニット６０１、パーツ番号６０２、パーツ名称６０３の一例である。図７Ａは現象７１０と、調整・交換部品７２０の対象間の対応表７００であり、紐付けに基づいて頻度を表すものである。これらに記載のキーワード７２１～７２５を抽出しそれらの頻度の合計７２６を集計して、診断モデル作成に使用する。なお、現象７１０には、水圧低下７１１、圧力上昇７１２、回転数超過７１３、異音７１４、画質不良７１５などがある。これらは、設備の部位ごとに、分けてもよい。また、画質不良７１５には、設備ごとに、機能不良などにより、さらに細かい分類がなされているのが普通である。
　図７Ｂに、現象に対応する、部品毎の頻度パターン７３０を示す。ポンプＡ７３１や電源７３２に対し、調整や交換を行った場合に発生していた現象の発生頻度（実際には、作業報告書に記載されたキーワードの頻度でもよいし、作業者に付加されたカメラ等により記録された画像を分析した結果に基づき、抽出されたキーワードでもよい）を集計したものである。この頻度のパターンが、バグオブワーズ法（bag of words）の特徴量となる。調整や交換を分けて、それぞれ集計してもよいし、独立に集計してもよい。頻度パターンの各項目は、追加、編集可能な形態とする。
　なお、図７Ａは調整や交換の結果を集計した結果であるが、共起性の考えを用いて、現象が同時に起きるものをペア、あるいは２組以上のグループとみなして、このグループをひとつの現象と見なすこともできる。これは、図４Ａに記載している現象分類４１２に属する。なお、同時とは、定めた時間内に起きる現象を指しており、発生順序を考慮する場合と発生順序を考慮しない場合がある。発生順序を考慮する場合は、因果律を念頭に置いたものとなる。
　さらに、図７Ｂでは、頻度パターン７３０の各項目は、保守員から保守センターへの問合せの回数やその内容（キーワードにて記述）を含むものとする。
　こういった各種キーワード類の頻度パターン７３０は、設備のおかれた状況、異常発生の状況、保守の状況、部品交換にいたる状況、過去の事例などを表す「文脈」とも言えるものである。いままで、キーワード単独での検索に、前後関係、おかれた状況などを加えたものを、ある意味、検索できるようになると考えられる。言い方を変えると、今までは、if thenと言った形式で書かれており、使用状況が検索では的を得ず、結果として、then部の診断や対策が無駄に終わることが多かったが、このような無効なキーワード表現・使用状況が、頻度パターンにより、より柔軟に表現され、的を得た形式になったと考えられる。これにより、if thenに基づく診断・対策に比べ、はるかに信頼性の高い診断が実施できるようになった。　
　図８は、事例ベースに基づいて異常を検知する方法で、多次元センサ信号を対象にした事例ベース異常検知：多変量解析の例を示したものである。図１に示した多次元時系列センサ信号取得部１０３で取得したセンサデータ１～Ｎ：１０４を本発明による異常検知・診断システム１００受け取って、特徴抽出・選択・変換８１２、クラスタリング８１６、学習データ選択８１５を行い、多次元時系列のセンサデータ１０４に対して、多変量解析により識別部８１３にて、正常データから見て、はずれ値となる観測センサデータ、あるいはその合成値を統合部８１４に出力する。統合部８１４において異常あるいは、その予兆が検知されると、上述した診断、すなわち故障現象への寄与度（寄与度のみならず、その時間的集計である頻度としてパターン）と過去事例に基づく頻度パターンの照合動作などの診断を開始する。
　クラスタリング８１６では、運転状態などに応じて、モード別にいくつかのカテゴリにセンサデータを分ける。センサデータ以外に、イベントデータ（設備のＯＮ／ＯＦＦ制御、各種アラーム、設備の定期検査・調整など）を用いて、その分析結果に基づき、学習データの選択や異常診断を行うこともある。イベントデータ８１１は、クラスタリング８１６への入力として、イベントデータ１０５に基づいてモード別にいくつかのカテゴリにデータを分けることもできる。イベントデータ１０５の分析と解釈は、分析部８１７にて行われる。
　さらには、識別部８１３において、複数の識別器を用いた識別を行い、結果を統合部８１４において統合することにより、よりロバストな異常検知も実現できる。異常の説明メッセージは、統合部８１４において出力される。
　図９に事例ベースに基づく異常検知処理を実行する異常検知・診断システム１００の内部の構成を示す。この異常検知において、９１２は特徴抽出／選択／変換部で多次元時系列信号取得部１０３で取得された各種センサの信号１０４に基づく多次元時系列信号９１１を受けて処理する。９１３は識別器、９１４は統合処理部（グローバル異常測度）、９１５は主に正常事例からなる学習データ記憶部を示している。
　多次元時系列信号取得部９１１から入力された多次元時系列信号は、特徴抽出／選択／変換部１２で次元が削減され、識別器９１３の複数の識別器９１３－１，９１３－２・・・９１３－ｎにより識別され、統合処理部（グローバル異常測度）９１４によりグローバル異常測度が判定される。学習データ記憶部９１５に記憶されている主に正常事例からなる学習データも複数の識別器９１３－１，９１３－２・・・９１３－ｎにより識別されて、グローバル異常測度の判定に用いられると共に、学習データ記憶部９１５に記憶されている主に正常事例からなる学習データ自体も取捨選択され、学習データ記憶部９１５での蓄積・更新が行われて精度の向上が図られる。　
　図９には、ユーザがパラメータを入力するに入力部１２３に表示される画面９２０も図示している。入力部１２３からユーザが入力するパラメータは、データサンプリング間隔１２３１、観測データ選択１２３２、異常判定しきい値１２３３などである。データサンプリング間隔１２３１は、例えば、何秒おきにデータを取得するかを指示するものである。
　観測データ選択１２３２は、センサ信号のどれをおもに使うかを指示するものである。異常判定しきい値１２３３は、算出した、モデルからの偏差・逸脱、はずれ値、乖離度、異常測度などと表現した、異常らしさの値を２値化するためのしきい値である。
　図９に示された識別器９１３はいくつかの識別器（９１３－１，９１３－２、・・・９１３－ｎ）を準備し、統合処理部９１４でそれらの多数決をとる（統合）ことが可能である。即ち、異なる識別器群（９１３－１，９１３－２、・・・９１３－ｎ）を用いたアンサンブル（集団）学習が適用できる。例えば、第一の識別器９１３－１は投影距離法、第二の識別器９１３－２は局所部分空間法、第三の識別器９１３－３は線形回帰法と言ったものである。事例データに基づくものならば、任意の識別器が適用可能である。
　図１０Ａ及び図１０Ｂは、識別器９１３における識別手法の例を示したものである。図１０Ａに、投影距離法を示す。投影距離法は、モデルからの偏差を求めるものである。一般的には、各クラス（カテゴリ）のデータの自己相関行列を固有値分解して、固有ベクトルを基底として求める。値が大きい、上位何個かの固有値に対応する固有ベクトルを用いる。
　未知パターンｑ（最新の観測パターン）が入力されると、部分空間への正射影の長さ、或いは部分空間への投影距離を求める。多次元時系列信号では、基本的に正常部を対象とするため、未知パターンｑ（最新の観測パターン）から正常クラスまでの距離を求めて、これを偏差（残差）とする。そして、偏差が大きいと、はずれ値と判断する。
　このような部分空間法では、異常値が若干混ざっていても、次元削減し、部分空間にした時点で、その影響が緩和される。これは部分空間法適用のメリットである。正常クラスは、設備の運転パターンなどを踏まえ、まえもって複数クラスに分けておく。ここには、イベント情報を使ってもよいし、図８のクラスタリング処理部８１６にて実行してもよい。
　なお、投影距離法では、各クラスの重心を原点とする。各クラスの共分散行列にＫＬ展開を適用して得られた固有ベクトルを基底として用いる。いろいろな部分空間法が立案されているが、距離尺度を有するものならば、はずれ度合いが算出可能である。なお、密度の場合も、その大小により、はずれ度合いを判断可能である。投影距離法は、正射影の長さを求めることから、類似度尺度である。
　このように、部分空間にて距離や類似度を計算し、はずれ度合いを評価することになる。投影距離法などの部分空間法は、距離に基づく識別器のため、異常データが利用できる場合の学習法として、辞書パターンを更新するベクトル量子化や距離関数を学習するメトリック学習を使うことができる。
　図１０Ｂに、識別器９１３における識別手法の別の例を示す。局所部分空間法と呼ばれる方法である。未知パターンｑ（最新の観測パターン）に近いｋ個の多次元時系列信号を求め、各クラスの最近傍パターンが原点となるような線形多様体を生成し、その線形多様体への投影距離が最小となるクラスに未知パターンを分類する。局所部分空間法も部分空間法の一種である。ｋは、パラメータである。異常検知では、未知パターンｑ（最新の観測パターン）から正常クラスまでの距離を求めて、これを偏差（残差）とする。
　この手法では、例えば、ｋ個の多次元時系列信号を用いて形成される部分空間への、未知パターンｑ（最新の観測パターン）からの正射影した点を推定値として算出することもできる。
　また、ｋ個の多次元時系列信号を、未知パターンｑ（最新の観測パターン）に近い順に並べ替え、その距離に反比例した重み付けを行って、各信号の推定値を算出することもできる。投影距離法などでも、同様に推定値を算出できる。
　パラメータｋは、通常は１種類に定めるが、パラメータｋをいくつか変えて実行すると、類似度に応じて対象データを選択することになり、それらの結果から総合的な判断となるため、一層効果的である。
　さらには、図１１Ａに示すように、局所部分空間法におけるｋの値として、観測データごとに適切な値とすべく、観測データからの距離が所定範囲内にある学習データを選択し、しかも学習データを最低個数から選択個数まで順次増やして投影距離が最小になるものを選んでもよい。
　これは、投影距離法にも適用できる。具体的手順は、下記の通りである。
１．観測データと学習データの距離を算出し、昇順に並替え。 
２．距離　ｄ＜ｔｈ　かつ　個数ｋ以下となる学習データを選択。
３．ｊ＝１～ｋ個の範囲で投影距離を算出し、最小値を出力。
　ここで、しきい値thは、距離の頻度分布から、実験的に定める。図１１Ｂの分布が、観測データから見た、学習データの距離の頻度分布を表している。この例では、設備のＯＮ，ＯＦＦに応じて、学習データの距離の頻度分布が双峰的になっている。二つの山の谷が、設備のＯＮからＯＦＦへ、または逆のＯＦＦからＯＮへの過渡期を表している。
　この考えは、レンジサーチと呼ばれる概念であり、これを学習データ選択に応用したと考える。特許文献１および２に開示されている方法にも、このレンジサーチ形の学習データ選択の概念は適用可能である。なお、局所部分空間法では、異常値が若干混ざっていても、局所部分空間にした時点で、その影響が大きく緩和される。
　なお、図示していないが、ＬＡＣ（Local Average classifier）法と呼ぶ識別では、ｋ近傍データの重心を局所部分空間と定義する。そして、未知パターンｑ（最新の観測パターン）から重心までの距離を求めて、これを偏差（残差）とする。
　図９に示した、識別器１３における識別手法の例は、プログラムとして提供される。なお、単に、１クラス識別の問題と考えれば、１クラスサポートベクターマシンなどの識別器も適用可能である。この場合、高次空間に写像する、radial basis functionなどのカーネル化が使えることになる。
　１クラスサポートベクターマシンでは、原点に近い側が、はずれ値、即ち異常になる。ただし、サポートベクターマシンは、特徴量の次元は大きくても対応できるが、学習データ数が増えると計算量が膨大となるという欠点もある。
　このため、ＭＩＲＵ２００７（画像の認識・理解シンポジウム、Meeting on Image Recognition and Understanding 2007）にて発表されている、「ＩＳ－２－１０　加藤丈和，野口真身，和田俊和（和歌山大），酒井薫，前田俊二（日立）；パターンの近接性に基づく１クラス識別器」などの手法も適用可能であり、この場合、学習データ数が増えても、計算量は膨大なものとならないというメリットがある。
　このように、低次元モデルで多次元時系列信号を表現することにより、複雑な状態を分解でき、簡単なモデルで表現できるため、現象を理解しやすいという利点がある。また、モデルを設定するため、特許文献１および２に開示されている方法のように完全に、データを完備する必要はない。
　図１２は、図８にて使われる多次元時系列センサ信号取得部１０３で取得した多次元時系列信号であるセンサデータ１～Ｎ：１０４の次元を削減する特徴変換１２００の例を示したものである。主成分分析１２０１以外にも、独立成分分析１２０２、非負行列因子分解１２０３、潜在構造射影１２０４、正準相関分析１２０５など、いくつかの手法が適用可能である。図１２に、方式図１２１０と機能１２２０を併せて示した。
　主成分分析１２０１は、ＰＣＡと呼ばれ、Ｍ次元の多次元時系列信号を、次元数ｒのｒ次元多次元時系列信号に線形変換し、ばらつき最大となる軸を生成するものである。ＫＬ変換でも構わない。次元数ｒは、主成分分析により求めた固有値を降順に並べ、大きい方から加算した固有値を全固有値の和で割り算した累積寄与率なる値に基づいて決める。
　独立成分分析１２０２は、ＩＣＡ（Independent Component Analysis）と呼ばれ、非ガウス分布を顕在化する手法として効果がある。非負行列因子分解は、ＮＭＦ（Non-negative Matrix Factorization）と呼ばれ、行列で与えられるセンサ信号を、非負の成分に分解する。
　機能１２２０の欄で教師なしとしたものは、本実施例のように、異常事例が少なく、活用できない場合に、有効な変換手法である。ここでは、線形変換の例を示した。非線形の変換も適用可能である。
　上述した特徴変換は、標準偏差で正規化する正準化なども含め、学習データと観測データを並べて同時に実施する。このようにすれば、学習データと観測データを同列に扱うことができる。
　図１３は、残差パターンによる異常発生の予兆検知技術の説明図である。図１３は、残差パターンの類似度算出の手法を示している。図１３は、局所部分空間法により求めた各観測データの正常重心に対応し、各時点でのセンサ信号Ａとセンサ信号Ｂとセンサ信号Ｃの正常重心からの偏差が空間内の軌跡として表現されている。正確には、各軸は主要な主成分を表している。
　図１３では、時刻ｔ－１、時刻ｔ、時刻ｔ＋１を経過する観測データの残差系列が矢印のついた点線で示されている。観測データ及び異常事例それぞれの類似度は、それぞれの偏差の内積（Ａ・Ｂ）を算出して推定することができる。また、内積（Ａ・Ｂ）を大きさ（ノルム）で割って、角度θで類似度を推定することも可能である。観測データの残差パターンに対して類似度を求め、その軌跡により、発生すると予測される異常を推測する。
　具体的には、図１３には、異常事例Ａの偏差１３０１、異常事例Ｂの偏差１３０２が示されている。矢印のついた点線で示されている時刻ｔ－１、時刻ｔ、時刻ｔ＋１を含む観測データの偏差系列パターンを見ると、時刻ｔでは異常事例Ｂに近いが、その軌跡からは、異常事例Ｂではなく、異常事例Ａの発生を予測することができる。該当するものが過去の異常異例になければ、新規な異常と判定することもできる。また、図１３に示した空間を、頂点が原点に一致する円錐状の区間で分け、この区間により、異常を識別することもできる。
　異常事例を予測するために、異常事例が発生するまでの偏差（残差）時系列の軌跡データをデータベース化しておき、観測データの偏差（残差）時系列パターンと軌跡データベースに蓄積された軌跡データの時系列パターンの類似度を算出して異常発生の予兆を検知することができる。
　このような軌跡を、ＧＵＩ（Graphical User Interface）にてユーザに表示すると、異常の発生状況が視覚的に表現でき、対策などにも反映しやすい。
　総合的な残差のみを時間的経緯を無視して追跡していると、異常現象を理解しづらいが、残差ベクトルの時間経緯を追えると、現象が手に取るように分かる。理論的には、複合事象の各事象のベクトル加算演算を行うことにより、複合事象の異常発生の予兆を検知することができ、残差ベクトルが、的確に異常を表現することが分かる。過去の異常事例Ａ，Ｂなどの軌跡が既知としてデータベースにあれば、これらと照合して、異常の種類を特定（診断）できる。
　また、図１３を、一定の時間ウィンドウ内で残差ベクトルの発生として眺めれば、それを頻度として表現することもできる。頻度として扱うことができれば、図７Ａに示したような形態の頻度分布情報を取得でき、これを現象のキーワードの出現頻度として扱うことができる。すなわち、診断に使うことができる。図１３の残差ベクトルを頻度として扱うには、図１３の各軸を一定幅に区切り、各立方体の区間に入るかどうかで、頻度分布を作成できる。図１３では、３次元、通常は多次元の頻度分布になるが、縦一列に並べるなどして１次元化（ベクトル化）することが可能であり、通常の頻度分布、頻度パターンとして扱うことができる。
　図１４に、本発明の異常検知・診断システム１００のハードウェア構成を示す。本システムは、プロセッサ１２０、データベース１２１、表示部１２２及び入力部１２３を備えて構成される。異常検知を実行するプロセッサ１２０に、対象とするエンジンなどのセンサデータ１０４を入力し、欠損値の修復などを行って、データベースＤＢ１２１に格納する。プロセッサ１２０は、取得した観測センサデータ１０４、学習データからなるデータベースＤＢ１２１のＤＢデータを用いて、異常検知を行う。表示部１２２では、各種表示を行い、異常信号の有無を出力する。トレンドを表示することも可能とする。イベントの解釈結果も表示可能とする。さらに、プロセッサ１２０は、保守履歴情報などが格納されているデータベースＤＢ１２１をアクセスし、キーワードを抽出・検索し、診断モデルを生成することにより、異常診断を行い、その診断結果を表示部１２２にて表示する。
　診断結果は、図４Ｂに示した診断モデルを含む。即ち、現象診断の結果、現象分類の結果、診断モデルなどを表示するものである。また、図５、図６、図７Ａ及び図７Ｂに示した各種情報も表示する。特に、図７Ｂに示した頻度ヒストグラムは、図７Ａの頻度パターンを可視化するものとして重要な表示ファクタである。設備のおかれた状況、異常発生の状況、保守の状況、部品交換にいたる状況、過去の事例などを表す「文脈」として、その一部を、選択表示する。これらは、項目のマージなどの観点で編集可能である。
　上記ハードウェアとは別に、これに搭載するプログラムを、メディア媒体やオンラインサービスにより顧客に提供することもできる。
　データベースＤＢ１２１は、熟練エンジニアらがＤＢを操作できる。特に、異常事例や対策事例を教示でき、格納できる。（１）学習データ（正常）、（２）異常データ、（３）対策内容が、格納される。データベースＤＢ１２１を、熟練エンジニアらが手を加えられる構造にすることにより、洗練された、有用なデータベースができあがることになる。また、データ操作は、学習データ（個々のデータや重心位置など）を、アラームの発生や部品交換に伴い、自動的に移動させることにより行う。また、取得データを自動的に追加することも可能である。異常データがあれば、データの移動に、一般化ベクトル量子化などの手法も適用できる。
　また、図１３にて説明した過去の異常事例A、Bなどの軌跡を、データベースＤＢ１２１に格納し、これらと照合して、異常の種類を特定（診断）する。この場合、軌跡をN次元空間内のデータとして表現し、格納する。プロセッサ１２０によるデータの処理や表示部１２２で表示するデータの指示は、入力部１２３で行う。
　図１５Ａ及び図１５Ｂに、異常検知、及び異常検知後の診断を示す。図１５Ａにおいて、時系列データ取得部１０３から送られてくる設備１５０１からの時系列信号（センサ信号）１０４から、プロセッサ１２０の内部で信号処理して時系列信号の特徴抽出・分類１５２４を実行することにより、異常を検知する。設備１５０１は、１台のみとは限らない。複数台の設備を対象にしてもよい。同時に、各設備の保守のイベント１０５（アラームや作業実績など。具体的には、設備の起動、停止、運転条件設定、各種故障情報、各種警告情報、定期点検情報、設置温度などの運転環境、運転累積時間、部品交換情報、調整情報、清掃情報など）などの付帯情報を取り込み、異常を高感度に検知する。
　図１５Ａにおいて、時系列信号１０４の特徴抽出・分類１５２４に示した時系列データの波形１５２５が、観測信号を表し、本実施例にて検知した異常を、丸印１５２６で予兆として示している。この予兆は、異常測度が定めたしきい値以上になり（あるいは、設定した回数以上、異常測度がしきい値を超えれば）、異常ありと判定されたものである。この例では、設備停止に至る前に、異常予兆を検知でき、しかるべき対策が実施できる。
　図１５Ｂに示すように、異常予知・診断システム１００のプロセッサ１２０における予兆検知部１５３０により早期に予兆として発見できれば、故障となって稼動停止となる前に、何らかの対策がうてることになる。そして、部分空間法などにより予兆検知し１５３１、イベント列照合なども加えて総合的に予兆かどうか判断し１５３２、この予兆に基づき、図４Ａにて示した方法にて異常診断部１５４０で異常診断を行い、故障候補の部品の特定やいつ当該部品が故障停止に至るかなどを推測する。そして、必要な部品の手配を、必要なタイミングで行う。
　異常診断部１５４０は、予兆を内包しているセンサを特定する現象診断部１５４１と、故障を引き起こす可能性のあるパーツを特定する原因診断部１５４２に分けると考えやすい。予兆検知部１５３０では、異常診断部１５４０に対して、異常の有無という信号のほか、特徴量に関する情報を出力する。異常診断部１５４０は、これらの情報をもとにデータベース１２１に記憶してある情報を用いて現象診断部１５４１で現象診断を行う。また、現象を分類する。このような現象が、図４Ａにて示した方法に基づき、原因診断部１５４２においてデータベース１２１に記憶してある情報を用いて調整箇所の特定や交換すべき部品の特定としての原因診断が行われる。
　図１６に、得られた、各センサ信号の異常への影響度の情報から、各センサ信号のネットワークを作成した例を示す。基本的な温度１６０１、圧力１６０２、モータなどの回転数１６０３、電力１６０４などのセンサ信号に関して、異常への影響度の割合に基づき、センサ信号間に重みを付与できる。これらの関係も、キーワードとして、図４Ａの診断モデルで活用される。
　こういった関連性ネットワークができると、設計者が意図しない信号間の連動性、共起性、相関性などが明示でき、異常の診断時にも有用である。ネットワークの生成は、各センサ信号の異常への影響度のほか、相関、類似度、距離、因果関係、位相の進み／遅れなどの尺度で、これを生成することができる。
＜対象設備のモデル；選択されたセンサ信号のネットワーク＞
　図１７に異常検知、原因診断の部分に関して、さらにその構成を示す。図１７において、複数のセンサからデータを取得するセンサデータ取得部１７０１(図１の時系列データ取得部１０３に相当)、ほぼ正常データからなる学習データ１７０４、学習データをモデル化するモデル生成部１７０２、観測データとモデル化した学習データの類似度により観測データの異常の有無を検知する異常検知部１７０３、各信号の影響度を評価するセンサ信号の影響度評価部１７０５、各センサ信号の関連性を表すネットワーク図を作成するセンサ信号ネットワーク生成部１７０６、異常事例、各センサ信号の影響度、選択結果などからなる関連データベース１７０７、設備の設計情報からなら設計情報データベース１７０８、原因診断部１７０９、診断結果を格納する関連データベース１７１０、および入出力部１７１１からなる。これらの処理を通して得られたキーワードも、図４Ａの診断モデルで活用される。言い換えれば、これらの処理は、キーワード生成部としてみることも可能である。
　設計情報データベースには、設計情報以外の情報も含み、エンジンを例にとると、年式、モデル、部品表（BOM）、過去の保守情報（オンコール内容、異常発生時のセンサ信号データ、調整日時、撮像画像データ、異音情報、交換部品情報など）、稼動状況情報、輸送・据付時の検査データなどを含む。
　本発明は、プラント、設備の異常検知として利用することが出来る。
　１００…異常予知・診断システム　　１０３…多次元時系列信号取得部　　１２０…プロセッサ　　１２１…データベース部　　１２２…表示部　　１２３…入力部。

Claims (18)

  1. 　プラント又は設備の異常或いはその予兆を検知し、前記プラント又は設備を診断する異常検知・診断方法であって、
    　複数のセンサから取得したデータを対象に前記プラント又は設備の異常を検知し、前記プラント又は設備の保守履歴情報からキーワードを抽出し、該抽出したキーワードを用いて前記プラント又は設備の診断モデルを生成し、この該生成した診断モデルを用いて前記プラント又は設備の診断を行うことを特徴とする異常検知・診断方法。
  2. 　前記保守履歴情報は、オンコールデータ、作業報告書、調整・交換部品コード、画像情報、音情報の内の何れかを含み、前記保守履歴情報から定めたキーワードの出現頻度を算出して出現頻度のパターンを得、該得た出現頻度のパターンを診断モデルとし、該診断モデルの出現頻度のパターンと新たに検知した前記プラント又は設備の異常に関するキーワードとの類似度を用いて、前記プラント又は設備の診断を行うことを特徴とする請求項１に記載の異常検知・診断方法。
  3. 　前記複数のセンサから取得したデータを対象にセンサ間の関係を表現する現象診断を行い、または現象を分類し、この結果表れるキーワードの出現頻度を算出し、該算出したキーワードの出現頻度と前記診断モデルにおけるキーワードの出現頻度のパターンとの類似度を算出し、該算出した類似度を用いて前記プラント又は設備の診断を行うことを特徴とする請求項１記載の異常検知・診断方法。　
  4. 　前記複数のセンサからデータを取得し、ほぼ正常データからなる学習データをモデル化し、モデル化した学習データを用いて取得データの異常測度をベクトルとして算出し、この異常測度ベクトルの時間経過に伴う軌跡に基づいて、異常を検知することを特徴とする請求項１記載の異常検知・診断方法。　
  5. 　プラントまたは設備の異常或いはその予兆を検知し、前記プラント又は設備を診断する異常検知・診断システムであって、
    　複数のセンサから取得したデータを対象に前記プラント又は設備の異常を検知する異常検知部と、前記プラント又は設備の保守履歴情報を蓄積したデータベース部と、該データベース部に蓄積された前記プラント又は設備の保守履歴情報から抽出したキーワードを用いて前記プラント又は設備の診断モデルを生成する診断モデル生成部と、新規に検知した異常に対して前記診断モデルと照合して前記プラント又は設備の診断を行う診断部とを備えたことを特徴とする異常検知・診断システム。
  6. 　前記データベース部に蓄積する保守履歴情報は、オンコールデータ、作業報告書、調整・交換部品コード、画像情報、音情報の内の何れかを含み、前記診断モデル生成部は前記保守履歴情報から定めたキーワードの出現頻度を算出して出現頻度のパターンを得てこれを診断モデルとし、前記診断部は前記新規に検知した異常に対して出現頻度のパターンの類似度を用いて設備の診断を行うことを特徴とする請求項５に記載の異常検知・診断システム。
  7. 　複数のセンサから取得したデータを対象にセンサ間の関係を表現し、または現象を分類する現象診断部を更に有し、前記診断部は前記現象診断部を通して表れるキーワードの出現頻度を算出して該出現頻度のパターンとの類似度を算出し、該算出した類似度を用いて前記プラント又は設備の診断を行うことを特徴とする請求項５記載の異常検知・診断システム。
  8. 　前記診断モデル生成部は、複数のセンサからデータを取得してほぼ正常データからなる学習データをモデル化し、前記診断部は前記モデル化した学習データを用いて取得データの異常測度をベクトルとして算出し、この異常測度ベクトルの時間経過に伴う軌跡に基づいて、異常を検知することを特徴とする請求項５記載の異常検知・診断システム。
  9. 　プラント又は設備の異常或いはその予兆を早期に検知し、診断する異常検知・診断プログラムであって、
    　複数のセンサから取得したデータを対象に異常を検知する処理ステップと、保守履歴情報から取得したキーワードの出現頻度を用いて診断モデルを生成する処理ステップと、該診断モデルを生成する処理ステップで生成した診断モデルを用いて前記プラント又は設備の診断を行う診断処理ステップとを含むことを特徴とする異常検知・診断プログラム。
  10. 　前記異常を検知する処理ステップにおいて複数のセンサから取得したデータを対象に異常を検知し、前記診断モデルを生成する処理ステップにおいて保守履歴情報から取得したキーワードの出現頻度を用いて診断モデルを生成し、前記診断処理ステップにおいて前記生成した診断モデルを用いて設備の診断を行う際に異常検知や現象診断を通してパターン或いはキーワードを抽出し、該抽出したパターン或いはキーワードを診断に用いることを特徴とする請求項９に記載の異常検知・診断プログラム。
  11. 　作業報告書、交換部品情報などからなる保守履歴情報を格納したデータベースと、設備に付加した多次元センサから得られる信号情報を用いて部分空間法などの識別器によって異常或いはその予兆を検知する検知手段と、交換部品や調整などに着目したキーワードの頻度パターンに基づいて診断を行う診断手段とを備え、異常予兆検知とそれをトリガーにした診断を実施することを特徴とする企業資産管理・設備資産管理システム。
  12. 　検知した異常やその予兆を現象に分類する現象分類手段を更に備え、異常予兆検知とそれをトリガーにした診断を実施することを特徴とする請求項１１記載の企業資産管理・設備資産管理システム。
  13. 　検知した異常やその予兆を現象に分類する現象分類手段は、現象を編集可能としたことを特徴とする請求項１２記載の企業資産管理・設備資産管理システム。
  14. 　前記キーワードの頻度パターンの各項目を編集可能としたことを特徴とする請求項１１記載の企業資産管理・設備資産管理システム。
  15. 　前記キーワードの頻度パターンを、設備および保守作業の文脈として、表示・編集可能としたことを特徴とする請求項１１記載の企業資産管理・設備資産管理システム。
  16. 　前記キーワードの頻度パターンの各項目は、時間によりグルーピング、または選択可能としたことを特徴とする請求項１１記載の企業資産管理・設備資産管理システム。
  17. 　前記キーワードは、システムにおいて定められた言葉、記号、コードや、異常検知などの処理にて出力された記号であることを特徴とする請求項１１記載の企業資産管理・設備資産管理システム。
  18. 　前記キーワードの出現頻度をパターンとして記録し、これを活用することにより、保守履歴情報が再利用可能であることを特徴とする請求項１１記載の企業資産管理・設備資産管理システム。
PCT/JP2011/058582 2010-04-20 2011-04-05 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム WO2011132524A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US13/641,886 US20130073260A1 (en) 2010-04-20 2011-04-05 Method for anomaly detection/diagnosis, system for anomaly detection/diagnosis, and program for anomaly detection/diagnosis

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2010096873A JP5439265B2 (ja) 2010-04-20 2010-04-20 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム
JP2010-096873 2010-04-20

Publications (1)

Publication Number Publication Date
WO2011132524A1 true WO2011132524A1 (ja) 2011-10-27

Family

ID=44834057

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2011/058582 WO2011132524A1 (ja) 2010-04-20 2011-04-05 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム

Country Status (3)

Country Link
US (1) US20130073260A1 (ja)
JP (1) JP5439265B2 (ja)
WO (1) WO2011132524A1 (ja)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2874115A4 (en) * 2012-07-11 2016-01-06 Hitachi Ltd METHOD AND DEVICE FOR SEARCHING FOR SIMILAR FAULTS
JP2019018979A (ja) * 2017-07-20 2019-02-07 株式会社日立製作所 エレベータシステム
CN111180064A (zh) * 2019-12-25 2020-05-19 北京亚信数据有限公司 一种辅助诊断模型的评测方法、装置及计算设备
TWI768606B (zh) * 2020-12-18 2022-06-21 日月光半導體製造股份有限公司 感測器監測系統及方法

Families Citing this family (51)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9489383B2 (en) * 2008-04-18 2016-11-08 Beats Music, Llc Relevant content to enhance a streaming media experience
JP6003718B2 (ja) * 2012-03-06 2016-10-05 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
JP5639613B2 (ja) * 2012-03-29 2014-12-10 株式会社日立製作所 プラントの制御装置及び火力発電プラントの制御装置
JP2014085685A (ja) * 2012-10-19 2014-05-12 Hitachi Ltd 保守装置、保守システム、保守プログラム
US20140344077A1 (en) * 2013-03-15 2014-11-20 Contact Marketing Services, Inc. Used industrial equipment sales application suites, systems, and related apparatus and methods
CN103258134B (zh) * 2013-05-14 2016-02-24 宁波大学 一种高维的振动信号的降维处理方法
KR101554216B1 (ko) * 2013-06-18 2015-09-18 삼성에스디에스 주식회사 시계열 형태의 센싱 데이터 배드 패턴 검증 방법 및 그 장치
JP5753286B1 (ja) 2014-02-05 2015-07-22 株式会社日立パワーソリューションズ 情報処理装置、診断方法、およびプログラム
US9697100B2 (en) 2014-03-10 2017-07-04 Accenture Global Services Limited Event correlation
JP2015184942A (ja) * 2014-03-25 2015-10-22 株式会社日立ハイテクノロジーズ 故障原因分類装置
US9747585B2 (en) * 2014-10-14 2017-08-29 Xicore Inc. Method of retrieving and uniformalizing elevator maintenance and callback data and code events
US11097923B2 (en) 2014-10-14 2021-08-24 Xicore Inc. Systems and methods for actively monitoring and controlling lift devices
US9767441B2 (en) * 2014-10-14 2017-09-19 Xicore Inc. System for monitoring elevators and maintaining elevators
US9791351B2 (en) * 2015-02-06 2017-10-17 General Electric Company Gas turbine combustion profile monitoring
US9824511B2 (en) * 2015-09-11 2017-11-21 GM Global Technology Operations LLC Vehicle diagnosis based on vehicle sounds and vibrations
JP6596287B2 (ja) * 2015-09-25 2019-10-23 三菱重工業株式会社 プラント保全支援システム
TR201613058A2 (tr) * 2015-10-07 2017-04-21 Ford Global Tech Llc Bi̇r otomati̇k üreti̇m hatti i̇çi̇n görüntüleme si̇stemi̇
WO2017111072A1 (en) * 2015-12-25 2017-06-29 Ricoh Company, Ltd. Diagnostic device, computer program, and diagnostic system
US10360740B2 (en) * 2016-01-19 2019-07-23 Robert Bosch Gmbh Methods and systems for diagnosing a vehicle using sound
JP6350554B2 (ja) * 2016-02-03 2018-07-04 横河電機株式会社 設備診断装置、設備診断方法及び設備診断プログラム
FR3050839B1 (fr) * 2016-04-28 2018-05-11 Electricite De France Procede de detection de deficiences d'un dispositif de chauffage
KR101827108B1 (ko) * 2016-05-04 2018-02-07 두산중공업 주식회사 플랜트 이상 감지 학습 시스템 및 방법
KR101842347B1 (ko) * 2016-05-04 2018-03-26 두산중공업 주식회사 플랜트 이상 감지를 위한 자동 학습 시스템 및 방법
KR101825809B1 (ko) * 2016-05-04 2018-03-22 두산중공업 주식회사 플랜트 이상 감지 시스템 및 방법
CN107458383B (zh) * 2016-06-03 2020-07-10 法拉第未来公司 使用音频信号的车辆故障自动检测
US10223191B2 (en) 2016-07-20 2019-03-05 International Business Machines Corporation Anomaly detection in performance management
CN112085200A (zh) * 2016-08-29 2020-12-15 韩国水力原子力株式会社 包括确定设备重要度和警报有效性的处理程序的用于预检核电站设备异常迹象的方法及***
JP6643211B2 (ja) * 2016-09-14 2020-02-12 株式会社日立製作所 異常検知システム及び異常検知方法
KR102018330B1 (ko) 2017-04-11 2019-09-05 한국전자통신연구원 다중 메타학습을 이용한 플랜트 배관 이상 감지 장치 및 방법
JP6961424B2 (ja) * 2017-08-30 2021-11-05 株式会社日立製作所 故障診断システム
JP7010641B2 (ja) * 2017-09-27 2022-01-26 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ 異常診断方法および異常診断装置
RU2766106C1 (ru) * 2018-01-26 2022-02-07 Уэйгейт Текнолоджиз Ю-Эс-Эй, Лп Обнаружение нештатных ситуаций
JP6998781B2 (ja) * 2018-02-05 2022-02-10 住友重機械工業株式会社 故障診断システム
US11113168B2 (en) * 2018-03-09 2021-09-07 Toyota Motor Engineering & Manufacturing North America, Inc. Distributed architecture for fault monitoring
WO2019239542A1 (ja) 2018-06-14 2019-12-19 三菱電機株式会社 異常検知装置、異常検知方法及び異常検知プログラム
CN109063015B (zh) * 2018-07-11 2021-01-22 北京奇艺世纪科技有限公司 热点内容的提取方法、装置及设备
JP7206066B2 (ja) 2018-07-30 2023-01-17 三菱重工業株式会社 運転支援方法及び運転支援システム
JP7221644B2 (ja) * 2018-10-18 2023-02-14 株式会社日立製作所 機器故障診断支援システムおよび機器故障診断支援方法
US11320813B2 (en) 2018-10-25 2022-05-03 General Electric Company Industrial asset temporal anomaly detection with fault variable ranking
TWI811523B (zh) * 2019-03-19 2023-08-11 日商住友重機械工業股份有限公司 支援裝置、支援方法、支援程式及廠房
JP7398871B2 (ja) * 2019-03-26 2023-12-15 株式会社富士通エフサス 情報処理装置、作業時間調整方法および作業時間調整プログラム
WO2021005713A1 (ja) * 2019-07-09 2021-01-14 三菱電機株式会社 監視制御装置
JP6641056B1 (ja) * 2019-07-16 2020-02-05 株式会社東芝 機器の異常診断方法および機器の異常診断システム
JP7363567B2 (ja) * 2019-09-20 2023-10-18 富士電機株式会社 モデル生成装置、電力変換装置及び電力制御システム
KR102108975B1 (ko) * 2019-10-21 2020-05-13 (주) 리얼웹 함정설비의 상태기반 정비 지원 장치 및 방법
KR102340395B1 (ko) 2020-01-02 2021-12-15 두산중공업 주식회사 플랜트의 고장을 진단하기 위한 장치 및 이를 위한 방법
JP7318612B2 (ja) * 2020-08-27 2023-08-01 横河電機株式会社 監視装置、監視方法、および監視プログラム
CN112907114A (zh) * 2021-03-18 2021-06-04 三一重工股份有限公司 漏油故障检测方法、装置、电子设备和存储介质
US11952142B2 (en) 2021-05-10 2024-04-09 Honeywell International Inc. Methods and systems for depicting avionics data anomalies
JP7054487B1 (ja) 2021-05-18 2022-04-14 山本 隆義 製造業における循環型・低炭素型生産システムの構築方法
CN113704667B (zh) * 2021-08-31 2023-06-27 北京百炼智能科技有限公司 一种招标公告的自动提取处理方法和装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05256741A (ja) * 1992-03-11 1993-10-05 Toshiba Corp プラント信号監視方法およびその装置
JPH0721024A (ja) * 1993-07-05 1995-01-24 Komatsu Ltd 推論装置
JP2000259223A (ja) * 1999-03-12 2000-09-22 Toshiba Corp プラント監視装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020183971A1 (en) * 2001-04-10 2002-12-05 Wegerich Stephan W. Diagnostic systems and methods for predictive condition monitoring
US6975962B2 (en) * 2001-06-11 2005-12-13 Smartsignal Corporation Residual signal alert generation for condition monitoring using approximated SPRT distribution

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05256741A (ja) * 1992-03-11 1993-10-05 Toshiba Corp プラント信号監視方法およびその装置
JPH0721024A (ja) * 1993-07-05 1995-01-24 Komatsu Ltd 推論装置
JP2000259223A (ja) * 1999-03-12 2000-09-22 Toshiba Corp プラント監視装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2874115A4 (en) * 2012-07-11 2016-01-06 Hitachi Ltd METHOD AND DEVICE FOR SEARCHING FOR SIMILAR FAULTS
US10204321B2 (en) 2012-07-11 2019-02-12 Hitachi, Ltd. Device for searching and method for searching for similar breakdown cases
JP2019018979A (ja) * 2017-07-20 2019-02-07 株式会社日立製作所 エレベータシステム
CN111180064A (zh) * 2019-12-25 2020-05-19 北京亚信数据有限公司 一种辅助诊断模型的评测方法、装置及计算设备
TWI768606B (zh) * 2020-12-18 2022-06-21 日月光半導體製造股份有限公司 感測器監測系統及方法

Also Published As

Publication number Publication date
JP5439265B2 (ja) 2014-03-12
US20130073260A1 (en) 2013-03-21
JP2011227706A (ja) 2011-11-10

Similar Documents

Publication Publication Date Title
JP5439265B2 (ja) 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム
JP5808605B2 (ja) 異常検知・診断方法、および異常検知・診断システム
WO2012090624A1 (ja) 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム並びに企業資産管理・設備資産管理システム
WO2011086805A1 (ja) 異常検知方法及び異常検知システム
JP5538597B2 (ja) 異常検知方法及び異常検知システム
US9483049B2 (en) Anomaly detection and diagnosis/prognosis method, anomaly detection and diagnosis/prognosis system, and anomaly detection and diagnosis/prognosis program
JP5501903B2 (ja) 異常検知方法及びそのシステム
JP5301310B2 (ja) 異常検知方法及び異常検知システム
JP5778305B2 (ja) 異常検知方法及びそのシステム
JP5431235B2 (ja) 設備状態監視方法およびその装置
JP5945350B2 (ja) 設備状態監視方法およびその装置
JP5048625B2 (ja) 異常検知方法及びシステム
WO2011043108A1 (ja) 設備状態監視方法、監視システム及び監視プログラム
JP5498540B2 (ja) 異常検知方法及びシステム
JP2013025367A (ja) 設備状態監視方法およびその装置
Bastos et al. Application of data mining in a maintenance system for failure prediction
Calvo-Bascones et al. A collaborative network of digital twins for anomaly detection applications of complex systems. Snitch Digital Twin concept
JP2014056598A (ja) 異常検知方法及びそのシステム
Opara et al. Predicting asset maintenance failure using supervised machine learning techniques
Medon A framework for a predictive manitenance tool articulated with a Manufacturing Execution System
Abdulaban Utilizing data fusion and machine learning in fault detection & diagnosis

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 11771861

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 13641886

Country of ref document: US

122 Ep: pct application non-entry in european phase

Ref document number: 11771861

Country of ref document: EP

Kind code of ref document: A1