WO2018016098A1 - 設備監視装置及び設備監視方法 - Google Patents

設備監視装置及び設備監視方法 Download PDF

Info

Publication number
WO2018016098A1
WO2018016098A1 PCT/JP2016/084959 JP2016084959W WO2018016098A1 WO 2018016098 A1 WO2018016098 A1 WO 2018016098A1 JP 2016084959 W JP2016084959 W JP 2016084959W WO 2018016098 A1 WO2018016098 A1 WO 2018016098A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
period
alarm
detection data
learning
Prior art date
Application number
PCT/JP2016/084959
Other languages
English (en)
French (fr)
Inventor
玄太 吉村
北上　眞二
米山　純一
剛維 木村
Original Assignee
三菱電機株式会社
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 三菱電機株式会社 filed Critical 三菱電機株式会社
Publication of WO2018016098A1 publication Critical patent/WO2018016098A1/ja

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

Definitions

  • the present invention relates to a facility monitoring apparatus and a facility monitoring method, and more particularly, to a facility monitoring apparatus and a facility monitoring method for monitoring the state of a facility based on information collected from the facility.
  • a learning model and equipment that accumulates the detection data of sensors installed in equipment such as power plants, extracts the detection data when the equipment is normal from the accumulated detection data, and models the detection data when the equipment is normal Compared with the detection data of the sensor detected at the time of operation, if these differences exceed a predetermined threshold, the equipment is not in a normal state, that is, there is a possibility that the equipment is abnormal
  • An invariant analysis technique (SIAT) for determination is known (see Non-Patent Document 1).
  • the detection data when the equipment is normal is collected from the accumulated sensor detection data. For this reason, it is important to improve the accuracy of collecting detection data when the equipment is normal. In other words, it is important to exclude the detection data at the time of equipment abnormality from the accumulated data with high accuracy.
  • Patent Documents 1 and 2 disclose that the warning is restored from the time when a warning due to an abnormality, failure, or the like regarding the accumulated data occurs. It is described that the detection data of the sensor in the period until it is removed.
  • Patent Document 3 accurately describes from the first warning to the recovery of the last warning even if the occurrence of a plurality of warnings related to facilities and the recovery of those warnings are mixed in a time-series order. It is described that the detection data of the sensor during this period is not adopted.
  • Kei Fukushima 5 others, “Plant Failure Prediction Monitoring System Using Invariant Analysis Technology (SIAT)”, NEC Technique, NEC Corporation, November 2014, Vol. 67 No. 1. Special feature on public solutions that support social safety and security, p. 119-122
  • Equipment alarm occurrence (abnormality occurrence) and alarm recovery (abnormality recovery) and sensor detection data are closely related.
  • alarm generation and alarm recovery and sensor detection data changes instantaneously in response to alarm generation and alarm recovery almost simultaneously with facility alarm generation and alarm recovery. In this case, it is possible to determine the abnormality of the facility and the recovery from the abnormality by the change of the detection data of the sensor.
  • the sensor detection data detects an alarm sign (an abnormality sign) from before the equipment alarm occurs, that is, When a slight abnormality occurs in the facility, and the abnormality progresses and a facility alarm is generated, the detection data is gradually changed from before the alarm is generated.
  • the sensor detection data may not be stable after the facility alarm is restored, and it may take a predetermined period of time to return to normal detection data.
  • the detection data of the sensor at the time of equipment abnormality is removed from the accumulated detection data of the sensor by the technique described in Patent Literature 1-3. be able to.
  • the detection data indicating the abnormality or the detection data that is not stable is included in the data for generating the learning model. As a result, the accuracy of the learning model is lowered, and as a result, the accuracy of equipment abnormality determination is also lowered.
  • an object of the present invention is to improve the accuracy of a learning model by excluding abnormality detection data from learning data for generating a learning model or adding normal detection data to learning data.
  • the facility monitoring device of the present invention is a facility monitoring device that monitors the state of the facility based on detection data of a sensor provided in the facility, the detection data, information on occurrence of an alarm due to an abnormality in the facility, and restoration of the alarm
  • a data storage unit for storing information in time series, a first data period from alarm occurrence to alarm recovery in the detection data by associating the detection data with the occurrence information and the recovery information in time series; And a second data period from alarm recovery to alarm occurrence in the detected data, respectively, and a predetermined period of time from the boundary between the first data period and the second data period to the second data period.
  • a learning model generation unit that generates a learning model indicating the detection data of the sensor when in operation, the learning model, and the detection data of the sensor detected during operation of the facility And an equipment state determination unit for determining the state.
  • the learning data generation unit may exclude the third data period from the second data period when the detection data in the third data period is abnormal data.
  • the learning data generation unit adds the fourth data period to the second data period when the detection data in the fourth data period is normal data.
  • the facility state determination unit compares the generated learning model with the detection data of the sensor detected during operation of the facility, and a difference between the learning model and the detection data is predetermined.
  • a singular point extraction unit is provided that extracts a singular point to be used for determining the equipment abnormality when a threshold value is exceeded.
  • the facility monitoring method of the present invention is a facility monitoring method for monitoring the state of the facility based on detection data of a sensor provided in the facility, wherein the detection data, alarm occurrence information due to facility abnormality, and the alarm
  • a data period and a fourth data period of a predetermined period from the boundary into the first data period are set, and the third data period is excluded from the second data period.
  • the learning data is generated, or the fourth data period is added to the second data period to generate the learning data, and the sensor when the equipment is normally operated based on the learning data
  • a learning model indicating the detected data is generated, and the learning state is compared with the detection data of the sensor detected during operation of the equipment, thereby determining the equipment state.
  • the accuracy of the learning model can be improved by excluding the abnormality detection data from the learning data for generating the learning model or adding the normal detection data to the learning data.
  • the determination accuracy can be improved.
  • FIG. 1 It is a block block diagram of the system containing an equipment monitoring apparatus. It is a hardware block diagram of the computer of an equipment monitoring apparatus. It is a flowchart which shows the process which sets the learning model in Embodiment 1 of this invention. It is a characteristic view which shows the relationship of history data, trend data, a learning model, and a singular point extraction in Embodiment 1 of this invention, (A) is a characteristic view which shows the relationship between history data, trend data, and a learning model, ( B) shows a characteristic diagram of the generated learning model, and (C) shows a characteristic diagram for extracting a singular point.
  • FIG. 1 It is a block block diagram of the system containing an equipment monitoring apparatus. It is a hardware block diagram of the computer of an equipment monitoring apparatus. It is a flowchart which shows the process which sets the learning model in Embodiment 1 of this invention. It is a characteristic view which shows the relationship of history data, trend data, a learning model, and a singular point extraction in Embodiment 1
  • FIG. 2 is a schematic diagram of each margin when calculating an evaluation value of a learning model in Embodiment 1 of the present invention
  • A is a schematic diagram in a state where the margin is not adjusted
  • B is an initial margin
  • C shows a schematic diagram in a state where the next margin is reduced
  • D shows a schematic diagram in a state where the next margin is further reduced.
  • It is a flowchart which shows the singular point extraction process using the learning model in Embodiment 1 of this invention.
  • It is a characteristic view of the history data, trend data, and learning model which show the modification of Embodiment 1 of this invention.
  • It is a characteristic view of history data, trend data, and a learning model in Embodiment 2 of the present invention.
  • It is a characteristic view of the history data, trend data, and learning model which show the modification of Embodiment 2 of this invention.
  • FIG. 1 is a block configuration diagram showing a schematic configuration of a facility monitoring system 1 including a facility monitoring device 10 according to the first embodiment.
  • FIG. 4 is a characteristic diagram showing the relationship between history data, trend data, a learning model, and singularity extraction in the first embodiment.
  • the facility monitoring system 1 includes a building 2 and a facility monitoring apparatus 10 that is connected to the building 2 via a network and remotely monitors the building 2.
  • the building 2 is provided with an air conditioner 3 as equipment.
  • the air conditioner 3 is provided with an air supply sensor SA that detects the temperature of the air that is sent from the air conditioner 3 into the room, and a return air sensor RA that detects the temperature of the air that is drawn into the air conditioner 3 from the room.
  • SA air supply sensor
  • RA return air sensor
  • the facility monitoring apparatus 10 includes a data storage unit 11 that stores various data related to the building 2.
  • the data accumulating unit 11 supplies the air supply sensor SA, the return air sensor RA, and the ratio of these sensors SA and RA, that is, the detection data of the air supply sensor SA / return air sensor RA (hereinafter, these data are referred to as trend data TD).
  • Trend data storage unit 11A that accumulates in time series, generation information that indicates that an alarm has occurred due to an abnormality in air conditioner 3, and recovery information that indicates that the alarm has been recovered (hereinafter referred to as history data HD) in time series
  • history data HD recovery information that indicates that the alarm has been recovered
  • a history data storage unit 11B for storing.
  • the facility monitoring apparatus 10 uses the trend data TD and the history data HD to generate learning data SD11, SD12, SD13, and so on, and the learning data SD11, SD12, SD13, and so on.
  • a learning model generation unit 13 that generates a learning model SM and an equipment state determination unit 14 that determines the state of the air conditioner 3 using the learning model SM.
  • the learning data generation unit 12 and the generation of the learning model SM by the learning model generation unit 13 will be described later.
  • the equipment state determination unit 14 compares the detection data of the air supply sensor SA / return air sensor RA during operation of the air conditioner 3 and the learning model SM, and determines when the air conditioner 3 has operated differently from the normal state.
  • a singular point extraction unit 14A that extracts the singular point P (see FIG. 4) is provided.
  • the singular point extraction unit 14A has a threshold value L (see FIG. 4) for determining that the air conditioner 3 has performed an operation different from the normal state.
  • the singular point P indicates when the air conditioner 3 is abnormal or when there is a possibility that the air conditioner 3 may be abnormal.
  • the singular point P indicates that the air conditioner 3 is operating differently from the normal state, and the extracted information of the singular point P is used as maintenance inspection information of the air conditioner 3.
  • the building 2 is provided with a number of sensors in addition to the supply air sensor SA and the return air sensor RA of the air conditioner 3, but in the first embodiment, as an example, the supply air sensor SA / return air sensor.
  • the detection data of RA will be described.
  • FIG. 2 is a hardware configuration diagram of a computer forming the equipment monitoring apparatus 10.
  • the computer forming the facility monitoring apparatus 10 can be realized by a hardware configuration of a general-purpose personal computer (PC) that has existed in the past. That is, the computer is provided as a CPU 21, ROM 22, RAM 23, HDD controller 25 connected with a hard disk drive (HDD) 24, a mouse 26 and a keyboard 27 provided as input means, and a display device as shown in FIG.
  • An input / output controller 29 for connecting each display 28 and a network controller 30 provided as a communication means are connected to an internal bus 31.
  • the program for executing the equipment monitoring method by the equipment monitoring apparatus 10 can be provided not only by communication means but also by storing in a computer-readable recording medium such as a CD-ROM or DVD-ROM.
  • the program provided from the communication means or the recording medium is installed in the computer, and various processes are realized by the CPU of the computer sequentially executing the program.
  • step S101 of the flowchart shown in FIG. 3 a first data period from alarm generation to alarm recovery (hereinafter referred to as alarm generation period TA1) based on the alarm generation information and recovery information stored in the history data storage unit 11B. , TA2, TA3, etc And second data periods (hereinafter referred to as non-alarm periods TB1, TB2, TB3%) From alarm recovery to alarm generation are determined, and the process proceeds to step S102.
  • an alarm is generated or alarmed at the boundary between the first data period (alarm generation periods TA1, TA2, TA3...) And the second data period (non-alarm periods TB1, TB2, TB3). There will be a recovery.
  • step S102 first, based on the trend data TD, the characteristics of the detection data of the air supply sensor SA / return air sensor RA are determined.
  • the characteristics of the detection data of the air supply sensor SA / return air sensor RA are determined in advance by the sensor type and the like.
  • the characteristic of the detection data of the air supply sensor SA / return air sensor RA in the first embodiment is that the trend data TD of the air supply sensor SA / return air sensor RA before the alarm occurrence of the air conditioner 3 is an alarm sign (an abnormality sign). ).
  • the trend data TD gradually changes from before the alarm occurs (from the time of occurrence of the abnormality). . That is, the trend data TD includes data indicating an abnormality sign before the alarm is generated. Since the characteristic of such detection data can be grasped in advance, the following control is performed based on this characteristic.
  • the trend data TD includes data indicating an abnormality sign before the occurrence of an alarm.
  • step S102 as shown in FIG. 4A, the boundary between the alarm generation periods TA1, TA2, TA3... And the non-alarm periods TB1, TB2, TB3.
  • Margins ⁇ 11, ⁇ 12, ⁇ 13... As third data periods are set in the period.
  • the margins ⁇ 11, ⁇ 12, ⁇ 13,... Correspond to a period including detection data indicating an abnormality sign before the occurrence of an alarm.
  • the margins ⁇ 11, ⁇ 12, ⁇ 13... Are excluded from the non-alarm periods TB1, TB2, TB3...
  • the learning data SD11, SD12, SD13 are obtained by excluding data indicating signs of abnormality before the alarm is generated.
  • step S103 a learning model SM is generated based on the learning data SD11, SD12, SD13... Generated in step S102. Since the generation method of the learning model SM based on the learning data SD11, SD12, SD13,... Is known, detailed description thereof is omitted. By modeling the learning data SD11, SD12, SD13..., A model for predicting the detection data of the supply air sensor SA / return air sensor RA detected when the air conditioner 3 is in a normal state is generated. Then, the process proceeds to step S104.
  • step S104 the evaluation value of the generated learning model SM is calculated, and the process proceeds to step S105.
  • step S105 the margins ⁇ 11, ⁇ 12, ⁇ 13,. That is, if the periods of the margins ⁇ 11, ⁇ 12, ⁇ 13,... Are lengthened, detection data indicating an abnormality sign before the occurrence of an alarm can be reliably excluded, but normal detection data is also excluded. On the other hand, if the periods of the margins ⁇ 11, ⁇ 12, ⁇ 13,... Are shortened, it becomes impossible to exclude detection data indicating an abnormality sign before the occurrence of an alarm, and detection data indicating an abnormality sign is included. there is a possibility. Therefore, the margins ⁇ 11, ⁇ 12, ⁇ 13...
  • the margins ⁇ 11, ⁇ 12, ⁇ 13,... are optimized.
  • An optimization algorithm called metaheuristics is used.
  • the margins ⁇ 11, ⁇ 12, ⁇ 13,... are optimized using the optimization algorithm of the hill-climbing method of the neighborhood search method.
  • the evaluation data is detection data of the supply air sensor SA / return air sensor RA that the operator of the equipment monitoring apparatus 10 determines to be normal data, and serves as an index of the evaluation value.
  • the evaluation value indicates a scale that the learning model SM approximates to the evaluation data. The higher the evaluation value, the closer the learning model SM and the evaluation data are. That is, the learning model SM having a high evaluation value is approximated to normal detection data.
  • step S105 it is determined whether the learning model SM is optimal. As a method for determining the optimum learning model SM, in the first embodiment, steps S102 to S104 are repeated according to the number of margins, and the learning model SM that provides the highest evaluation value is selected.
  • steps S102 to S104 are repeated, and then only margin ⁇ 11 is set to a smaller value as shown in FIG. 5B.
  • learning data SD11, SD12, SD13,... are generated to generate a learning model SM.
  • the learning model SM and the evaluation data are compared to calculate an evaluation value of the learning model SM.
  • step S102 to step S104 are repeated, and as shown in FIG. 5C, only the margin ⁇ 12 is set to a smaller value, and learning data SD11, SD12, SD13,. Generate.
  • the learning model SM and the evaluation data are compared to calculate an evaluation value of the learning model SM.
  • FIG. 5D only the margin ⁇ 13 is set to a smaller value, a learning model SM is created, and an evaluation value is calculated.
  • Step S102 to Step S104 are repeated according to the number of margins, and as a result, the learning model SM that provides the highest evaluation value among the obtained evaluation values is set as the optimum learning model SM. That is, the learning model SM closest to the evaluation data is set.
  • the evaluation value becomes the evaluation value 80, indicating that this learning model SM is the learning model SM closest to the evaluation data compared to other learning models SM.
  • step S106 the learning model SM when the margin ⁇ 12 is set to a small value, here, the learning model SM with the evaluation value 80 is set as the learning model SM used during the operation of the air conditioner 3, and learning is performed.
  • the setting of the model SM is finished.
  • the learning model SM thus set is shown in FIG.
  • the target evaluation value of the learning model SM may be set in advance, and steps S102 to S105 may be repeated until the calculated evaluation value approaches the target evaluation value.
  • the optimization algorithm includes neighborhood search methods such as annealing method and tabu search, genetic algorithm, evolution strategy, evolutionary programming, genetic programming, and ant colony optimization. Evolutionary computation methods such as particle swarm optimization can also be applied. Also, algorithms such as simulated, evolution, artificial immune system, neural network, etc. can be applied.
  • step S110 of the flowchart shown in FIG. 6 the difference between the learning model SM set in step S106 of the flowchart of FIG. 3 and the detection data of the supply air sensor SA / return air sensor RA detected during operation of the air conditioner 3 is calculated. Calculate and go to step S111. A characteristic TM of the difference between the two is shown in FIG.
  • step S111 it is determined whether or not the difference between the two exceeds a predetermined threshold value L.
  • the threshold value L is used to determine that the learning model SM and the detection data of the supply air sensor SA / return air sensor RA have greatly deviated. Further, in the characteristic TM, a point where the difference between the two exceeds the threshold value L is extracted as a singular point P.
  • the singular point P is a point where the difference between the learning model SM and the detection data of the supply air sensor SA / return air sensor RA exceeds the threshold L, and is not necessarily directly related to the occurrence of an abnormality in the air conditioner 3. Absent. That is, the singular point P may be extracted even if the alarm of the air conditioner 3 does not occur. For this reason, when the singular point P is extracted, this is notified to the operator of the equipment monitoring apparatus 10.
  • step S111 when the singular point P is not extracted (No), the process returns to step S110, the detection data of the supply air sensor SA / return air sensor RA is acquired again, and steps S110 and 111 are repeated.
  • the process proceeds to step S112, and the information regarding the extracted singular point P is used as the maintenance check information of the air conditioner 3. Thereafter, the detection data of the air supply sensor SA / return air sensor RA is acquired again, and steps S110 and S111 are repeated.
  • the detection data SD11, SD12, SD13,... are generated excluding the detection data indicating the sign of abnormality of the air conditioner 3 before the alarm is generated.
  • a learning model SM can be generated based on normal detection data. As a result, the accuracy of the learning model SM can be improved, and the accuracy of the state determination of the air conditioner 3 using the learning model SM can also be improved.
  • the detection data of the supply air sensor SA / return air sensor RA has a characteristic that requires a predetermined period to return to the normal detection state after the alarm is restored, that is, the detection data of the air supply sensor SA / return air sensor RA.
  • margins ⁇ 21, ⁇ 22, ⁇ 23... are set at boundaries between the alarm generation periods TA1, TA2, TA3... And the non-alarm periods TB1, TB2, TB3.
  • the margins ⁇ 21, ⁇ 22, ⁇ 23,... Correspond to a period including detection data in an unstable state after alarm recovery.
  • the margins ⁇ 21, ⁇ 22, ⁇ 23... Are excluded from the non-alarm periods TB1, TB2, TB3...
  • learning model SM is produced
  • the optimization of the margins ⁇ 21, ⁇ 22, ⁇ 23... And the setting of the optimal learning model SM are the same as in the first embodiment.
  • the accuracy of the learning model SM can be improved by excluding the detection data in an unstable state after the alarm recovery.
  • the detection data of both the detection data indicating the abnormality sign before the occurrence of the alarm and the detection data in an unstable state after the alarm recovery described above may be excluded, or one of the detection data May be excluded.
  • Embodiment 2 will be described with reference to FIG.
  • the detection data of the supply air sensor SA / return air sensor RA is the data after the alarm is generated.
  • the detection data of the supply air sensor SA / return air sensor RA is the data after the alarm is generated.
  • margins ⁇ 31, ⁇ 32, ⁇ 33,... At predetermined periods after the boundaries between the alarm generation periods TA1, TA2, TA3... And the non-alarm periods TB1, TB2, TB3.
  • the margins ⁇ 31, ⁇ 32, ⁇ 33,... Correspond to a period of detection data that has hardly changed from the detection data before the occurrence of the alarm. In other words, it can be considered that the detection data is substantially the same as the normal detection data before the alarm is generated.
  • the learning model SM having the highest evaluation value is set as the learning model SM used when the air conditioner 3 is operated, and the air supply sensor SA / detected when the air conditioner 3 is operated using the learning model SM thus set.
  • the state of the detection data of the return air sensor RA is determined.
  • the detection data state is determined by extracting the singular point P.
  • the detection data SD31, SD32, SD33,... are added to the learning data SD31, SD32, SD33. ⁇ ⁇ Data amount can be increased.
  • the data amount of the learning data SD31, SD32, SD33... Increases an accurate learning model SM can be generated, and as a result, the accuracy of the state determination of the air conditioner 3 can be improved.
  • the amount of learning data is small, the amount of learning data can be increased, which is effective.
  • the detection data of the supply air sensor SA / return air sensor RA has detected normal detection data before the alarm is restored, for example, the detection data is in a substantially normal state at the same time as the equipment abnormality is resolved. After that, when the alarm is recovered, margins ⁇ 41, ⁇ 42, ⁇ 43,... As the fourth data period are set before the alarm recovery.
  • the learning data SD41, SD42,... Is acquired by taking in the learning data SD41, SD42, SD43,. , SD43... Can be increased, and an accurate learning model SM can be obtained.
  • both detection data after the alarm is generated and before the alarm is recovered may be acquired, or any one of the detection data may be acquired.
  • the equipment monitoring apparatus can improve the accuracy of the learning model by excluding the abnormality detection data from the learning data for generating the learning model, or by adding normal detection data to the learning data. Moreover, the determination accuracy of equipment abnormality can be improved, and it is suitable for use in equipment monitoring devices that monitor the state of equipment based on information collected from equipment.
  • 1 equipment monitoring system 2 buildings, 3 air conditioners, 10 equipment monitoring equipment, 11 data storage section, 11A trend data storage section, 11B history data storage section, 12 learning data generation section, 13 learning model generation section, 14 equipment status determination Part, 14A singularity extraction part, RA return air sensor, SA air supply sensor, SD11, SD12, SD13, SD21, SD22, SD23, SD31, SD32, SD33, SD41, SD42, SD43 learning data, SM learning model, TA alarm Occurrence period, TB non-alarm period, ⁇ 11, ⁇ 12, ⁇ 13, ⁇ 21, ⁇ 22, ⁇ 23, ⁇ 31, ⁇ 32, ⁇ 33, ⁇ 41, ⁇ 42, ⁇ 43 margin.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

トレンドデータ（ＴＤ）における警報発生期間（ＴＡ１，ＴＡ２，ＴＡ３・・・）及び警非警報期間（ＴＢ１，ＴＢ２，ＴＢ３・・・）をそれぞれ確定し、警報発生期間（ＴＡ）と非警報期間（ＴＢ）との境界から非警報期間（ＴＢ）内に向かうマージン（σ１１，σ１２，σ１３・・・）を設定し、マージン（σ１１，σ１２，σ１３・・・）を非警報期間（ＴＢ）から除外して学習データ（ＳＤ１１，ＳＤ１２，ＳＤ１３・・・）を生成し、学習データ（ＳＤ１１，ＳＤ１２，ＳＤ１３・・・）に基づいて学習モデル（ＳＭ）を生成する。

Description

設備監視装置及び設備監視方法
　本発明は、設備監視装置及び設備監視方法に関し、特に、設備から収集される情報に基づいて、設備の状態を監視する設備監視装置及び設備監視方法に関する。
　発電所等の設備に設けられているセンサの検出データを蓄積して、この蓄積された検出データから設備正常時の検出データを抽出し、設備正常時の検出データをモデル化した学習モデルと設備運用時に検出されるセンサの検出データとを比較して、これらの差が所定の閾値を超える場合には、設備が正常状態ではない、すなわち、設備に異常が発生している可能性があると判断するインバリアント解析技術（ＳＩＡＴ）が知られている（非特許文献１参照）。
　このインバリアント解析技術では、設備正常時の学習モデルを作成するために、蓄積されたセンサの検出データから設備が正常であるときの検出データを収集している。このため、設備が正常であるときの検出データの収集の精度を向上することが重要である。換言すると、蓄積データから設備異常時の検出データを高精度に除外することが重要である。
　そこで、蓄積データから設備異常時の検出データを取り除く技術として、特許文献１及び特許文献２には、蓄積データに対して、設備に関する異常、故障等による警告が発生した時点から、当該警告が復旧するまでの期間のセンサの検出データを取り除くことが記載されている。
　また、特許文献３には、設備に関する複数の警告の発生と、それらの警告の復旧とが時系列において順不同の状態で混在していても、最初の警告から最後の警告の復旧までを正確に把握して、この期間のセンサの検出データを採用しないことが記載されている。
福島慶、外５名、「インバリアント解析技術（ＳＩＡＴ）を用いたプラント故障予兆監視システム」、ＮＥＣ技法、ＮＥＣ株式会社、２０１４年１１月、Ｖｏｌ．６７　Ｎｏ．１、社会の安全・安心を支えるパブリックソリューション特集、ｐ．１１９－１２２
特開２０１０－１９１５５６号公報 特開２０１１－０７０６３５号公報 特開平０８－２９７４６２号公報
　設備の警報発生（異常発生）及び警報復旧（異常復旧）とセンサの検出データとは密接に関係している。警報発生及び警報復旧とセンサの検出データとの対応が明確である場合、例えば、設備の警報発生及び警報復旧と略同時に、警報発生及び警報復旧に対応してセンサの検出データが瞬時に変化する場合には、センサの検出データの変化によって、設備の異常やその異常復旧を判断することができる。
　しかし、警報発生及び警報復旧とセンサの検出データとの対応が明確ではない場合、例えば、設備の警報発生前からセンサの検出データが警報の兆候（異常の兆候）を検出している場合、すなわち、設備に僅かな異常が発生し、その異常が進行して設備の警報が発生する場合には、警報発生前から検出データが徐々に変化している。また、設備の警報の要因やセンサの特性等によっては、設備の警報復旧後、センサの検出データが安定せず、正常な検出データに戻るまでに所定期間を要することもある。
　警報発生等とセンサの検出データの変化との対応が明確である場合には、特許文献１－３に記載の技術により、蓄積されたセンサの検出データから設備異常時のセンサの検出データを取り除くことができる。しかし、警報発生等とセンサの検出データとの対応が明確ではない場合には、異常の兆候を示す検出データや、安定していない検出データが、学習モデルを生成するためのデータに含まれてしまい学習モデルの精度が低下して、その結果、設備異常の判断精度も低下する。
　また、設備の警報の要因やセンサの特性によっては、警報発生や警報復旧の前後において、センサの検出データの変化が僅かなものもあり、このような僅かな変化の検出データを学習モデルに使用することが可能な場合もある。
　そこで、本発明では、学習モデルを生成するための学習データから異常検出データを除外し、または、学習データに正常検出データを追加して、学習モデルの精度を向上することを目的とする。
　本発明の設備監視装置は、設備に設けられたセンサの検出データに基づいて前記設備の状態を監視する設備監視装置であって、前記検出データ、設備異常による警報の発生情報及び当該警報の復旧情報を時系列においてそれぞれ蓄積するデータ蓄積部と、時系列の前記検出データと前記発生情報及び前記復旧情報とを対応させて、前記検出データにおける警報発生から警報復旧までの第１のデータ期間と、前記検出データにおける警報復旧から警報発生までの第２のデータ期間とをそれぞれ確定し、第１のデータ期間と第２データの期間との境界から第２のデータ期間内に向かう所定期間の第３のデータ期間と、前記境界から第１のデータ期間内に向かう所定期間の第４のデータ期間とをそれぞれ設定し、第３のデータ期間を第２のデータ期間から除外して学習データを生成し、または、第４のデータ期間を第２のデータ期間に追加して学習データを生成する学習データ生成部と、前記学習データに基づいて、前記設備が正常運用されているときの前記センサの前記検出データを示す学習モデルを生成する学習モデル生成部と、前記学習モデルと、前記設備の運用時に検出される前記センサの前記検出データとを比較して設備状態を判断する設備状態判断部と、を備えることを特徴とする。
　また、前記学習データ生成部は、第３のデータ期間の検出データが異常なデータである場合、第３のデータ期間を第２のデータ期間から除外することを特徴とする。
　また、前記学習データ生成部は、第４のデータ期間の検出データが正常なデータである場合、第４のデータ期間を第２のデータ期間に追加することを特徴とする。
　また、前記設備状態判断部は、生成された前記学習モデルと、前記設備の運用時に検出される前記センサの前記検出データとを比較して、前記学習モデルと当該検出データとの差が所定の閾値を超えたときに、前記設備異常の判断に用いる特異点として抽出する特異点抽出部を備えることを特徴とする。
　また、本発明の設備監視方法は、設備に設けられたセンサの検出データに基づいて前記設備の状態を監視する設備監視方法であって、前記検出データ、設備異常による警報の発生情報及び当該警報の復旧情報を時系列においてそれぞれ蓄積し、時系列の前記検出データと前記発生情報及び前記復旧情報とを対応させて、前記検出データにおける警報発生から警報復旧までの第１のデータ期間と、前記検出データにおける警報復旧から警報発生までの第２のデータ期間とをそれぞれ確定し、第１のデータ期間と第２データの期間との境界から第２のデータ期間内に向かう所定期間の第３のデータ期間と、前記境界から第１のデータ期間内に向かう所定期間の第４のデータ期間とをそれぞれ設定し、第３のデータ期間を第２のデータ期間から除外して学習データを生成し、または、第４のデータ期間を第２のデータ期間に追加して学習データを生成し、前記学習データに基づいて、前記設備が正常運用されているときの前記センサの前記検出データを示す学習モデルを生成し、前記学習モデルと、前記設備の運用時に検出される前記センサの前記検出データとを比較して設備状態を判断することを特徴とする。
　本発明によれば、学習モデルを生成するための学習データから異常検出データを除外し、または、学習データに正常検出データを追加することによって、学習モデルの精度を向上でき、その結果、設備異常の判断精度も向上することができる。
設備監視装置を含むシステムのブロック構成図である。 設備監視装置のコンピュータのハードウェア構成図である。 本発明の実施の形態１における学習モデルを設定する処理を示すフローチャートである。 本発明の実施の形態１におけるヒストリーデータ、トレンドデータ、学習モデル、特異点抽出の関係を示す特性図であり、（Ａ）はヒストリーデータ、トレンドデータ、学習モデルの関係を示す特性図を、（Ｂ）は生成された学習モデルの特性図を、（Ｃ）は特異点を抽出する特性図をそれぞれ示す。 本発明の実施の形態１において学習モデルの評価値を算出する際の各マージンの模式図であり、（Ａ）はマージンが未調整である状態の模式図を、（Ｂ）は最初のマージンを小さくした状態の模式図を、（Ｃ）は次のマージンを小さくした状態の模式図を、（Ｄ）はさらに次のマージンを小さくした状態の模式図をそれぞれ示す。 本発明の実施の形態１における学習モデルを使用した特異点抽出処理を示すフローチャートである。 本発明の実施の形態１の変形例を示すヒストリーデータ、トレンドデータ、学習モデルの特性図である。 本発明の実施の形態２におけるヒストリーデータ、トレンドデータ、学習モデルの特性図である。 本発明の実施の形態２の変形例を示すヒストリーデータ、トレンドデータ、学習モデルの特性図である。
　以下、この発明の実施の形態について図面を参照しながら詳細に説明する。
実施の形態１．
　まず、本発明の実施の形態１について図１、４を参照して説明する。図１は、実施の形態１における設備監視装置１０を含む設備監視システム１の概略構成を示したブロック構成図である。図４は、実施の形態１におけるヒストリーデータ、トレンドデータ、学習モデル、特異点抽出の関係を示す特性図である。
　図１に示すように、設備監視システム１は、ビル２と、このビル２にネットワークを介して接続されて、ビル２を遠隔監視する設備監視装置１０とを備えている。ビル２には、設備としての空調機３が設けられている。また、空調機３には、空調機３から屋内に送り込まれる空気温度を検出する給気センサＳＡ、屋内から空調機３に引き込まれる空気温度を検出する還気センサＲＡがそれぞれ設けられている。図１においては一つの空調機３のみを示しているが、他にも図示しない複数の空調機を備えている。
　設備監視装置１０は、ビル２に関する各種データを蓄積するデータ蓄積部１１を備えている。データ蓄積部１１は、給気センサＳＡ、還気センサＲＡ及びこれらセンサＳＡ，ＲＡの比、すなわち、給気センサＳＡ／還気センサＲＡの検出データ（以下、これらデータをトレンドデータＴＤという）を時系列において蓄積するトレンドデータ蓄積部１１Ａと、空調機３の異常により警報が発生したことを示す発生情報及び当該警報が復旧したことを示す復旧情報（以下、ヒストリーデータＨＤという）を時系列において蓄積するヒストリーデータ蓄積部１１Ｂとを備えている。
　また、設備監視装置１０は、トレンドデータＴＤ及びヒストリーデータＨＤを用いて、学習データＳＤ１１，ＳＤ１２，ＳＤ１３・・・を生成する学習データ生成部１２と、この学習データＳＤ１１，ＳＤ１２，ＳＤ１３・・・に基づいて学習モデルＳＭを生成する学習モデル生成部１３と、学習モデルＳＭを用いて空調機３の状態を判断する設備状態判断部１４とを備えている。なお、学習データ生成部１２による詳しい学習データＳＤ１１，ＳＤ１２，ＳＤ１３・・・の生成、また、学習モデル生成部１３による学習モデルＳＭの生成については後述する。
　設備状態判断部１４は、空調機３の運用時の給気センサＳＡ／還気センサＲＡの検出データと学習モデルＳＭとを比較して、空調機３が正常状態とは異なる動作をしたときを特異点Ｐ（図４参照）として抽出する特異点抽出部１４Ａを備えている。特異点抽出部１４Ａは、空調機３が正常状態とは異なる動作をしたことを判断するための閾値Ｌ（図４参照）を有している。特異点Ｐは、空調機３が異常である場合、または、空調機３に異常が発生する可能性がある場合を示すものである。特異点Ｐとは、空調機３が正常状態とは異なる動作をしていることを示すものであり、特異点Ｐの抽出情報を空調機３の保守点検情報として利用する。
　なお、ビル２には、空調機３の給気センサＳＡ及び還気センサＲＡ以外にも多数のセンサが設けられているが、実施の形態１においては、一例として給気センサＳＡ／還気センサＲＡの検出データについて説明する。
　図２は、設備監視装置１０を形成するコンピュータのハードウェア構成図である。設備監視装置１０を形成するコンピュータは、従前から存在する汎用的なパーソナルコンピュータ（ＰＣ）のハードウェア構成で実現できる。すなわち、コンピュータは、図２に示したようにＣＰＵ２１、ＲＯＭ２２、ＲＡＭ２３、ハードディスクドライブ（ＨＤＤ）２４を接続したＨＤＤコントローラ２５、入力手段として設けられたマウス２６とキーボード２７、及び表示装置として設けられたディスプレイ２８をそれぞれ接続する入出力コントローラ２９、通信手段として設けられたネットワークコントローラ３０を内部バス３１に接続して構成される。
　設備監視装置１０による設備監視方法を実行するプログラムは、通信手段により提供することはもちろん、ＣＤ－ＲＯＭやＤＶＤ－ＲＯＭ等のコンピュータ読み取り可能な記録媒体に格納して提供することも可能である。通信手段や記録媒体から提供されたプログラムはコンピュータにインストールされ、コンピュータのＣＰＵがプログラムを順次実行することで各種処理が実現される。
　次に、設備監視装置１０の制御、特に、学習データＳＤ１１，ＳＤ１２，ＳＤ１３・・・及び学習モデルＳＭの生成について図３～６を参照して説明する。図３に示すフローチャートの処理は、学習データ生成部１２及び学習モデル生成部１３において行われる。図３に示すフローチャートのステップＳ１０１において、ヒストリーデータ蓄積部１１Ｂに蓄積されている警報に関する発生情報及び復旧情報に基づいて、警報発生から警報復旧までの第１のデータ期間（以下、警報発生期間ＴＡ１，ＴＡ２，ＴＡ３・・・という）、警報復旧から警報発生までの第２のデータ期間（以下、非警報期間ＴＢ１，ＴＢ２，ＴＢ３・・・という）をそれぞれ確定してステップＳ１０２に進む。なお、換言すると、第１のデータ期間（警報発生期間ＴＡ１，ＴＡ２，ＴＡ３・・・）と第２のデータ期間（非警報期間ＴＢ１，ＴＢ２，ＴＢ３・・・）との境界に警報発生または警報復旧が存在することになる。
　ステップＳ１０２では、まず、トレンドデータＴＤに基づいて、給気センサＳＡ／還気センサＲＡの検出データの特性を判断する。給気センサＳＡ／還気センサＲＡの検出データの特性はセンサ種類等によって予め略決まっている。
　実施の形態１における給気センサＳＡ／還気センサＲＡの検出データの特性は、空調機３の警報発生前から給気センサＳＡ／還気センサＲＡのトレンドデータＴＤが警報の兆候（異常の兆候）を検出する特性を有している。例えば、空調機３に僅かな異常が発生し、その異常が進行して空調機３の警報が発生する場合には、警報発生前から（異常の発生時から）トレンドデータＴＤが徐々に変化する。すなわち、トレンドデータＴＤは警報発生前の異常の兆候を示すデータを含んでいる。このような、検出データの特性は予め把握できるので、この特性に基づいて以下の制御を行う。なお、上述したように、実施の形態１では、トレンドデータＴＤが警報発生前の異常の兆候を示すデータを含んでいる場合について説明する。
　ステップＳ１０２では、図４（Ａ）に示すように、警報発生期間ＴＡ１，ＴＡ２，ＴＡ３・・・と非警報期間ＴＢ１，ＴＢ２，ＴＢ３・・・との境界、すなわち、警報発生時点の前の所定期間に第３のデータ期間としてのマージンσ１１，σ１２，σ１３・・・を設定する。このマージンσ１１，σ１２，σ１３・・・は、警報発生前の異常の兆候を示す検出データを含んでいる期間に相当する。次に、非警報期間ＴＢ１，ＴＢ２，ＴＢ３・・・から、マージンσ１１，σ１２，σ１３・・・を除外して、学習データＳＤ１１，ＳＤ１２，ＳＤ１３・・・を生成し、ステップＳ１０３に進む。学習データＳＤ１１，ＳＤ１２，ＳＤ１３・・・は、警報発生前の異常の兆候を示すデータを除外されたものである。
　ステップＳ１０３では、ステップＳ１０２において生成した学習データＳＤ１１，ＳＤ１２，ＳＤ１３・・・に基づいて学習モデルＳＭを生成する。学習データＳＤ１１，ＳＤ１２，ＳＤ１３・・・に基づく学習モデルＳＭの生成方法は公知であるためその詳細な説明は省略する。学習データＳＤ１１，ＳＤ１２，ＳＤ１３・・・をモデル化することによって、空調機３が正常な状態であるときに検出される給気センサＳＡ／還気センサＲＡの検出データを予測するモデルを生成して、ステップＳ１０４に進む。
　ステップＳ１０４では、生成した学習モデルＳＭの評価値を算出してステップＳ１０５に進み、ステップＳ１０５においてマージンσ１１，σ１２，σ１３・・・を最適化する。すなわち、マージンσ１１，σ１２，σ１３・・・の期間を長くすると、警報発生前の異常の兆候を示す検出データを確実に除外することができるが、正常な検出データも除外されてしまう。また、逆に、マージンσ１１，σ１２，σ１３・・・の期間を短くすると、警報発生前の異常の兆候を示す検出データを除外することができなくなり、異常の兆候を示す検出データを含んでしまう可能性がある。よって、マージンσ１１，σ１２，σ１３・・・の最適化を行う。マージンσ１１，σ１２，σ１３・・・の最適化を行うには、メタヒューリスティックスと呼ばれる最適化アルゴリズムを用いる。特に、実施の形態１では、近傍探索法の山登り法の最適化アルゴリズムを用いてマージンσ１１，σ１２，σ１３・・・を最適化する。
　マージンσ１１，σ１２，σ１３・・・の最適化について、図５を参照して説明する。
マージンσ１１，σ１２，σ１３・・・の最適化は、各マージンσ１１，σ１２，σ１３・・・の値を少しづつ減少させて、その中から最適なものを選択する。図５（Ａ）において、最初は、マージンσ１１，σ１２，σ１３・・・の最適値が設定されていないので、各マージンσ１１，σ１２　，σ１３・・・を十分大きな値にそれぞれ設定する。この設定に基づいて学習モデルＳＭを生成する。生成した学習モデルＳＭと、この学習モデルＳＭを評価するための評価データ（正常データ）とを比較して、当該学習モデルＳＭに対する評価値を算出する。
　評価データとは、設備監視装置１０の操作員が正常なデータであると判断した給気センサＳＡ／還気センサＲＡの検出データであり、評価値の指標となるものである。また、評価値とは、学習モデルＳＭが、評価データに近似する尺度を示すものであり、評価値が高い程、学習モデルＳＭと評価データとが近似していることを示す。すなわち、評価値が高い学習モデルＳＭは、正常な検出データに近似していることを示す。
　評価値の算出後、ステップＳ１０５では、その学習モデルＳＭが最適であるかを判断する。最適な学習モデルＳＭを判断する方法として、実施の形態１では、ステップＳ１０２～ステップＳ１０４をマージン数に応じて繰り返して、その中で、最も高い評価値が得られる学習モデルＳＭを選択する。
　図５（Ａ）で示すように、最初の評価値を算出した後に、ステップＳ１０２～ステップＳ１０４を繰り返して、次に、図５（Ｂ）に示すように、マージンσ１１のみを小さくした値に設定し、学習データＳＤ１１，ＳＤ１２，ＳＤ１３・・・を生成して学習モデルＳＭを生成する。この学習モデルＳＭと評価データとを比較して、当該学習モデルＳＭの評価値を算出する。さらに、ステップＳ１０２～ステップＳ１０４を繰り返して、図５（Ｃ）に示すように、マージンσ１２のみを小さくした値に設定し、学習データＳＤ１１，ＳＤ１２，ＳＤ１３・・・を生成して学習モデルＳＭを生成する。この学習モデルＳＭと評価データとを比較して、当該学習モデルＳＭの評価値を算出する。同様に、図５（Ｄ）に示すように、マージンσ１３のみを小さくした値に設定して、学習モデルＳＭを作成して評価値を算出する。
　このように、ステップＳ１０２～ステップＳ１０４をマージン数に応じて繰り返して、その結果、得られた評価値のうち、最も高い評価値が得られる学習モデルＳＭを、最適な学習モデルＳＭとして設定する。すなわち、最も評価データに近い学習モデルＳＭを設定する。図５においては、マージンσ１２を小さい値に設定したとき、評価値が評価値８０となり、この学習モデルＳＭが、他の学習モデルＳＭに比べて評価データに最も近い学習モデルＳＭであることを示している。この結果、ステップＳ１０６において、マージンσ１２を小さい値に設定したときの学習モデルＳＭ、ここでは、評価値８０の学習モデルＳＭを、空調機３の運用時に使用する学習モデルＳＭに設定して、学習モデルＳＭの設定を終了する。この設定された学習モデルＳＭを図４（Ｂ）に示す。
　なお、学習モデルＳＭの目標評価値を予め設定して、算出した評価値が目標評価値に近づくまで、ステップＳ１０２～Ｓ１０５を繰り返してもよい。また、最適化アルゴリズムとして、実施の形態１で使用した山登り法以外に、焼きなまし法、タブーサーチ等の近傍探索法や、遺伝的アルゴリズム、進化戦略、進化的プログラミング、遺伝的プログラミング、蟻コロニー最適化、粒子群最適化等の進化的計算法も適用することができる。また、シミュレーテッド、エボリューション、人工免疫システム、ニューラルネットワーク等のアルゴリズムを適用することもできる。
　次に、設定した学習モデルＳＭを使用して、空調機３の運用時に検出される給気センサＳＡ／還気センサＲＡの検出データの状態を判断する制御について説明する。図６に示すフローチャートの処理は、設備状態判断部１４の特異点抽出部１４Ａにおいて行われる。
図６に示すフローチャートのステップＳ１１０において、図３のフローチャートのステップＳ１０６で設定した学習モデルＳＭと、空調機３の運用時に検出される給気センサＳＡ／還気センサＲＡの検出データとの差を算出して、ステップＳ１１１に進む。両者の差の特性ＴＭを図４（Ｃ）に示す。
　ステップＳ１１１では、両者の差が所定の閾値Ｌを超えているかどうかを判断する。ここで、閾値Ｌとは、学習モデルＳＭと、給気センサＳＡ／還気センサＲＡの検出データとが大きく乖離したことを判断するためのものである。また、特性ＴＭにおいて、両者の差が閾値Ｌを超えている点を特異点Ｐとして抽出する。
　図４（Ｃ）に示すように、両者の差が小さい場合には、その差は閾値Ｌを超えることはない。しかし、給気センサＳＡ／還気センサＲＡの検出データが学習モデルＳＭと大きく乖離すると、両者の差が大きくなり、図４（Ｃ）において符号Ｐで示すように閾値Ｌを超える。この符号Ｐが特異点Ｐとして抽出される。この特異点Ｐは、学習モデルＳＭと大きく異なる検出データであり、空調機３に異常が発生する可能性、または、空調機３に異常が発生したことを示している。なお、特異点Ｐは、学習モデルＳＭと、給気センサＳＡ／還気センサＲＡの検出データとの差が閾値Ｌを超えた点であって、必ずしも空調機３の異常発生に直結するものではない。すなわち、空調機３の警報発生に至らなくても、特異点Ｐが抽出されることがある。このため、特異点Ｐが抽出されたときには、この旨を設備監視装置１０の操作員に報知する。
　ステップＳ１１１において、特異点Ｐが抽出されない場合（Ｎｏ）、ステップＳ１１０に戻り、再度、給気センサＳＡ／還気センサＲＡの検出データを取得して、ステップＳ１１０、１１１を繰り返す。また、ステップＳ１１１において、特異点Ｐが抽出された場合（Ｙｅｓ）、ステップＳ１１２に進み、抽出された特異点Ｐに関する情報を空調機３の保守点検情報として利用する。その後、再度、給気センサＳＡ／還気センサＲＡの検出データを取得してステップＳ１１０、１１１を繰り返す。
　このように、学習モデルＳＭを生成する場合に、警報発生前の空調機３の異常の兆候を示す検出データを除外して、学習データＳＤ１１，ＳＤ１２，ＳＤ１３・・・を生成しているので、正常な検出データに基づき学習モデルＳＭを生成することができる。この結果、学習モデルＳＭの精度を向上することができ、この学習モデルＳＭを用いた空調機３の状態判断の精度も向上することができる。
　また、給気センサＳＡ／還気センサＲＡの検出データが、警報復旧後に正常な検出状態に戻るまでに所定期間を要する特性を有する場合、すなわち、給気センサＳＡ／還気センサＲＡの検出データが警報復旧後の安定していない状態の検出データを含む特性である場合には、図７に示すように、警報復旧後の所定期間に第３のデータ期間としてのマージンσ２１，σ２２，σ２３・・・を設定する。
　図７において、警報発生期間ＴＡ１，ＴＡ２，ＴＡ３・・・と非警報期間ＴＢ１，ＴＢ２，ＴＢ３・・・との境界、すなわち、警報復旧後の所定期間にマージンσ２１，σ２２，σ２３・・・を設定する。このマージンσ２１，σ２２，σ２３・・・は、警報復旧後の安定していない状態の検出データを含んでいる期間に相当する。次に、非警報期間ＴＢ１，ＴＢ２，ＴＢ３・・・から、マージンσ２１，σ２２，σ２３・・・を除外して、学習データＳＤ２１，ＳＤ２２，ＳＤ２３・・・を生成する。そして、これら学習データＳＤ２１，ＳＤ２２，ＳＤ２３・・・に基づいて、学習モデルＳＭを生成する。なお、マージンσ２１，σ２２，σ２３・・・の最適化や、最適な学習モデルＳＭの設定に関しては上述した実施の形態１と同様である。
　このように、センサ特性に応じて、警報復旧後の安定していない状態の検出データを除外することによって、学習モデルＳＭの精度を向上することができる。また、先に説明した警報発生前の異常の兆候を示す検出データや、警報復旧後の安定していない状態の検出データの両方の検出データを除外してもよいし、いずれか一方の検出データを除外してもよい。
実施の形態２．
　次に、図８を参照して実施の形態２について説明する。実施の形態１では、警報発生前にマージンσ１１，σ１２，σ１３・・・を設定していたが、実施の形態２では、給気センサＳＡ／還気センサＲＡの検出データが、警報発生後の所定時間は正常な検出データを検出している場合、例えば、給気センサＳＡ／還気センサＲＡの検出データが警報発生から所定時間後に変化する場合、つまり、警報発生から少し遅れて変化する場合には、警報発生後に第４のデータ期間としてのマージンσ３１，σ３２，σ３３・・・を設定する。
　図８において、実施の形態１と同様に、ヒストリーデータ蓄積部１１Ｂに蓄積されている警報に関する発生情報及び復旧情報に基づいて、警報発生から警報復旧までの警報発生期間ＴＡ１，ＴＡ２，ＴＡ３・・・と、警報復旧から警報発生までの非警報期間ＴＢ１，ＴＢ２，ＴＢ３・・・とをそれぞれ確定する。
　次に、警報発生期間ＴＡ１，ＴＡ２，ＴＡ３・・・と非警報期間ＴＢ１，ＴＢ２，ＴＢ３・・・との境界（ここでは警報発生）の後の所定期間にマージンσ３１，σ３２，σ３３・・・を設定する。このマージンσ３１，σ３２，σ３３・・・は、警報発生前の検出データと殆ど変化していない検出データの期間に相当する。換言すれば、警報発生前の正常な検出データと略同じ検出データであると考えることができる。
　そして、非警報期間ＴＢ１，ＴＢ２，ＴＢ３・・・に、マージンσ３１，σ３２，σ３３・・・を追加して、学習データＳＤ３１，ＳＤ３２，ＳＤ３３・・・を生成する。その後、学習データＳＤ３１，ＳＤ３２，ＳＤ３３・・・にそれぞれ対応する学習モデルＳＭを生成する。各学習モデルＳＭの評価、最適化は、実施の形態１と同様であるので、その説明は省略する。最も評価値が高い学習モデルＳＭを空調機３の運用時に使用する学習モデルＳＭに設定して、この設定された学習モデルＳＭを用いて、空調機３の運用時に検出される給気センサＳＡ／還気センサＲＡの検出データの状態を判断する。検出データの状態判断は特異点Ｐを抽出することによって行う。
　このように、学習モデルＳＭを生成する場合に、警報発生後に正常状態と殆ど変らない検出データを学習データＳＤ３１，ＳＤ３２，ＳＤ３３・・・に追加しているので、学習データＳＤ３１，ＳＤ３２，ＳＤ３３・・・のデータ量を増やすことができる。学習データＳＤ３１，ＳＤ３２，ＳＤ３３・・・のデータ量が増えることによって、正確な学習モデルＳＭを生成することができ、その結果、空調機３の状態判断の精度も向上することができる。特に、学習データ量が少ない場合には、学習データ量を増加することができるので有効である。
　また、給気センサＳＡ／還気センサＲＡの検出データが、警報復旧前から正常な検出データを検出している場合、例えば、設備異常が解消されるのと同時に検出データが略正常な状態を示し、その後、警報が復旧される場合には、警報復旧前に第４のデータ期間としてのマージンσ４１，σ４２，σ４３・・・を設定する。
　図９に示すように、警報復旧前にマージンσ４１，σ４２，σ４３・・・を設定することにより、警報復旧前の給気センサＳＡ／還気センサＲＡの検出データが略正常な状態の検出データも取り込むことができ、学習データＳＤ４１，ＳＤ４２，ＳＤ４３・・・のデータ量を増加することができる。
　このように、センサの特性に応じて、警報発生後や警報復旧前の正常状態と略同じ状態を示す検出データを学習データＳＤ４１，ＳＤ４２，ＳＤ４３・・・に取り込むことによって、学習データＳＤ４１，ＳＤ４２，ＳＤ４３・・・のデータ量を増加することができ、正確な学習モデルＳＭを得ることができる。なお、センサ特性に応じて、警報発生後及び警報復旧前の両方の検出データを取り込んでもよいし、いずれか一方の検出データを取り込んでもよい。
　なお、本願発明はその発明の範囲内において、各実施の形態の自由な組み合わせ、あるいは各実施の形態の任意の構成要素の変形、もしくは各実施の形態において任意の構成要素の省略が可能である。
　この発明に係る設備監視装置は、学習モデルを生成するための学習データから異常検出データを除外し、または、学習データに正常検出データを追加することによって、学習モデルの精度を向上でき、その結果、設備異常の判断精度も向上することができ、設備から収集される情報に基づいて、設備の状態を監視する設備監視装置等に用いるのに適している。
　１　設備監視システム、２　ビル、３　空調機、１０　設備監視装置、１１　データ蓄積部、１１Ａ　トレンドデータ蓄積部、１１Ｂ　ヒストリーデータ蓄積部、１２　学習データ生成部、１３　学習モデル生成部、１４　設備状態判断部、１４Ａ　特異点抽出部、ＲＡ　還気センサ、ＳＡ　給気センサ、ＳＤ１１，ＳＤ１２，ＳＤ１３，ＳＤ２１，ＳＤ２２，ＳＤ２３，ＳＤ３１，ＳＤ３２，ＳＤ３３，ＳＤ４１，ＳＤ４２，ＳＤ４３　学習データ、ＳＭ　学習モデル、ＴＡ　警報発生期間、ＴＢ　非警報期間、σ１１，σ１２，σ１３，σ２１，σ２２，σ２３，σ３１，σ３２，σ３３，σ４１，σ４２，σ４３　マージン。

Claims (5)

  1. 　設備に設けられたセンサの検出データに基づいて前記設備の状態を監視する設備監視装置であって、
    　前記検出データ、設備異常による警報の発生情報及び当該警報の復旧情報を時系列においてそれぞれ蓄積するデータ蓄積部と、
    　時系列の前記検出データと前記発生情報及び前記復旧情報とを対応させて、前記検出データにおける警報発生から警報復旧までの第１のデータ期間と、前記検出データにおける警報復旧から警報発生までの第２のデータ期間とをそれぞれ確定し、第１のデータ期間と第２データの期間との境界から第２のデータ期間内に向かう所定期間の第３のデータ期間と、前記境界から第１のデータ期間内に向かう所定期間の第４のデータ期間とをそれぞれ設定し、第３のデータ期間を第２のデータ期間から除外して学習データを生成し、または、第４のデータ期間を第２のデータ期間に追加して学習データを生成する学習データ生成部と、
    　前記学習データに基づいて、前記設備が正常運用されているときの前記センサの前記検出データを示す学習モデルを生成する学習モデル生成部と、
    　前記学習モデルと、前記設備の運用時に検出される前記センサの前記検出データとを比較して設備状態を判断する設備状態判断部と、
    　を備えることを特徴とする設備監視装置。
  2. 　前記学習データ生成部は、第３のデータ期間の検出データが異常なデータである場合、第３のデータ期間を第２のデータ期間から除外することを特徴とする請求項１に記載の設備監視装置。
  3. 　前記学習データ生成部は、第４のデータ期間の検出データが正常なデータである場合、第４のデータ期間を第２のデータ期間に追加することを特徴とする請求項１に記載の設備監視装置。
  4. 　前記設備状態判断部は、生成された前記学習モデルと、前記設備の運用時に検出される前記センサの前記検出データとを比較して、前記学習モデルと当該検出データとの差が所定の閾値を超えたときに、前記設備異常の判断に用いる特異点として抽出する特異点抽出部を備えることを特徴とする請求項１に記載の設備監視装置。
  5. 　設備に設けられたセンサの検出データに基づいて前記設備の状態を監視する設備監視方法であって、
    　前記検出データ、設備異常による警報の発生情報及び当該警報の復旧情報を時系列においてそれぞれ蓄積し、
    　時系列の前記検出データと前記発生情報及び前記復旧情報とを対応させて、前記検出データにおける警報発生から警報復旧までの第１のデータ期間と、前記検出データにおける警報復旧から警報発生までの第２のデータ期間とをそれぞれ確定し、
    　第１のデータ期間と第２データの期間との境界から第２のデータ期間内に向かう所定期間の第３のデータ期間と、前記境界から第１のデータ期間内に向かう所定期間の第４のデータ期間とをそれぞれ設定し、
    　第３のデータ期間を第２のデータ期間から除外して学習データを生成し、または、第４のデータ期間を第２のデータ期間に追加して学習データを生成し、
    　前記学習データに基づいて、前記設備が正常運用されているときの前記センサの前記検出データを示す学習モデルを生成し、
    　前記学習モデルと、前記設備の運用時に検出される前記センサの前記検出データとを比較して設備状態を判断することを特徴とする設備監視方法。
PCT/JP2016/084959 2016-07-20 2016-11-25 設備監視装置及び設備監視方法 WO2018016098A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2016-142424 2016-07-20
JP2016142424A JP6632941B2 (ja) 2016-07-20 2016-07-20 設備監視装置及び設備監視方法

Publications (1)

Publication Number Publication Date
WO2018016098A1 true WO2018016098A1 (ja) 2018-01-25

Family

ID=60993278

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2016/084959 WO2018016098A1 (ja) 2016-07-20 2016-11-25 設備監視装置及び設備監視方法

Country Status (2)

Country Link
JP (1) JP6632941B2 (ja)
WO (1) WO2018016098A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020027342A (ja) * 2018-08-09 2020-02-20 富士電機株式会社 情報処理装置、監視装置、及び情報処理方法

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7038629B2 (ja) * 2018-08-31 2022-03-18 三菱電機ビルテクノサービス株式会社 機器状態監視装置及びプログラム
JP7517810B2 (ja) * 2019-11-19 2024-07-17 旭化成株式会社 診断装置、診断方法及び診断プログラム
DE112021001886T5 (de) * 2020-03-27 2023-01-26 Sumitomo Heavy Industries, Ltd. Baggerverwaltungsvorrichtung, baggerverwaltungssystem,baggerunterstützungsvorrichtung, und bagger
JP7016195B1 (ja) * 2021-09-06 2022-02-18 Wota株式会社 プログラム、方法、情報処理装置、システム

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012073289A1 (ja) * 2010-12-02 2012-06-07 株式会社日立製作所 プラントの診断装置及びプラントの診断方法
JP2015197850A (ja) * 2014-04-02 2015-11-09 三菱電機ビルテクノサービス株式会社 設備監視装置及びプログラム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012073289A1 (ja) * 2010-12-02 2012-06-07 株式会社日立製作所 プラントの診断装置及びプラントの診断方法
JP2015197850A (ja) * 2014-04-02 2015-11-09 三菱電機ビルテクノサービス株式会社 設備監視装置及びプログラム

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020027342A (ja) * 2018-08-09 2020-02-20 富士電機株式会社 情報処理装置、監視装置、及び情報処理方法

Also Published As

Publication number Publication date
JP6632941B2 (ja) 2020-01-22
JP2018013914A (ja) 2018-01-25

Similar Documents

Publication Publication Date Title
WO2018016098A1 (ja) 設備監視装置及び設備監視方法
JP7069269B2 (ja) デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく、大規模な産業用監視システム向けの半教師あり深層異常検出のための方法およびシステム
CN107636619B (zh) 信息处理装置、信息处理***、信息处理方法及记录介质
JP6896432B2 (ja) 故障予知方法、故障予知装置および故障予知プログラム
EP2905665B1 (en) Information processing apparatus, diagnosis method, and program
WO2013011745A1 (ja) 設備状態監視方法およびその装置
JP6354755B2 (ja) システム分析装置、システム分析方法、及びシステム分析プログラム
JP6141235B2 (ja) 時系列データにおける異常を検出する方法
JP5364530B2 (ja) 設備状態監視方法、監視システム及び監視プログラム
WO2020049087A1 (en) Computer-implemented method, computer program product and system for anomaly detection and/or predictive maintenance
US20190197236A1 (en) Reconstruction-based anomaly detection
US11494252B2 (en) System and method for detecting anomalies in cyber-physical system with determined characteristics
Yan et al. Fault prognosis of HVAC air handling unit and its components using hidden-semi Markov model and statistical process control
US20140188777A1 (en) Methods and systems for identifying a precursor to a failure of a component in a physical system
EP3674946B1 (en) System and method for detecting anomalies in cyber-physical system with determined characteristics
Harrou et al. Improved detection of incipient anomalies via multivariate memory monitoring charts: Application to an air flow heating system
KR101960755B1 (ko) 미취득 전력 데이터 생성 방법 및 장치
US20230297095A1 (en) Monitoring device and method for detecting anomalies
KR101997580B1 (ko) 상관도를 고려한 데이터 분류 방법 및 이 방법을 수행하기 위한 프로그램이 저장된 컴퓨터 판독가능한 저장매체
JP6875199B2 (ja) 機器診断システム
JP2016177676A (ja) 診断装置、診断方法、診断システムおよび診断プログラム
JP5948998B2 (ja) 異常診断装置
JP6896380B2 (ja) 故障予兆判定方法、故障予兆判定装置および故障予兆判定プログラム
EP3324259A2 (en) Fault signal recovery apparatus and method
JP6710913B2 (ja) 情報提供装置、情報提供方法、及びプログラム

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: 16909573

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 16909573

Country of ref document: EP

Kind code of ref document: A1