JP7281394B2 - Abnormal diagnosis device and program - Google Patents
Abnormal diagnosis device and program Download PDFInfo
- Publication number
- JP7281394B2 JP7281394B2 JP2019232052A JP2019232052A JP7281394B2 JP 7281394 B2 JP7281394 B2 JP 7281394B2 JP 2019232052 A JP2019232052 A JP 2019232052A JP 2019232052 A JP2019232052 A JP 2019232052A JP 7281394 B2 JP7281394 B2 JP 7281394B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- failure
- failure mode
- measurement
- abnormality
- Prior art date
- Legal status (The legal status 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 status listed.)
- Active
Links
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Description
本発明は、異常診断装置およびプログラムに関する。 The present invention relates to an abnormality diagnosis device and program.
風車等の機械の状態監視では、機械に装備しているセンサ等を用いて、機械の温度や加速度等の物理量を一定の頻度で収集し、収集したデータを分析処理することにより、機械の状態を監視し、正常/異常の判断を行うことが多い。近年では、人工知能技術の一分野である機械学習技術を活用して、過去に収集した機械の稼動データを学習(“トレーニング”とも呼ぶ)し、現在の状態を推定,判断する異常診断手法が提案されている(下記特許文献1および非特許文献1)。例えば、下記特許文献1の要約書には、「設備状態監視装置は、監視対象設備の正常時における状態量変動データから抽出される正常時特徴量群に基づいて、監視対象設備の監視時の監視時特徴量群の異常度を算出するための異常度算出モデルを作成する異常度算出モデル作成部と、異常度算出モデルを用いて、監視時特徴量群の異常度を算出する異常度算出部と、異常度に基づいて監視対象設備の異常の有無を判定する異常判定部と、異常判定部によって異常有りと判定された異常度を算出するのに用いた監視時特徴量群を構成する複数の特徴量の各々による異常度への寄与度を求める異常寄与度算出部と、寄与度および監視対象設備の異常原因と複数の特徴量との関係性を示す因果マトリクスに基づいて、異常原因を特定する異常原因特定部と、を備える」と記載されている。
In monitoring the condition of machines such as wind turbines, sensors installed in the machines are used to collect physical quantities such as temperature and acceleration of the machine at a certain frequency, and the collected data is analyzed and processed to determine the state of the machine. is monitored and judged as normal/abnormal. In recent years, machine learning technology, which is a field of artificial intelligence technology, has been used to learn (also called “training”) machine operation data collected in the past, and to estimate and judge the current state of an abnormality diagnosis method. It has been proposed (
上述した機械学習による異常診断手法では、監視対象設備からの測定データの一部を入力データとして使用する。以下、異常診断手法の入力に使用される測定データのことを“特徴量”または“特徴量群”と呼ぶ。風力発電装置等、構造が複雑な装置では、測定データの種類と数が膨大である。そのため、特徴量群として適用する測定データの選択状態に応じて、異常診断の結果が大きく変わる場合がある。従来、利用者の主観的な判断で特徴量群を選択する場合が多く、異常診断の結果が不正確になる場合があった。
上述のように、特許文献1には、「監視時特徴量群の異常度を算出する」、「複数の特徴量の各々による異常度への寄与度を求める」と記載されているが、これでは、「異常診断に用いられる特徴量群」の選択が不適切であれば、「異常度」や「寄与度」の算出結果が不適切になるという問題があった。
この発明は上述した事情に鑑みてなされたものであり、診断対象装置の状態を正確に判定できる異常診断装置およびプログラムを提供することを目的とする。
In the above-described abnormality diagnosis method based on machine learning, part of the measurement data from the equipment to be monitored is used as input data. Hereinafter, the measurement data used for the input of the abnormality diagnosis method will be referred to as "feature amount" or "feature amount group". In a device with a complicated structure such as a wind power generator, the types and number of measurement data are enormous. Therefore, depending on the selection state of the measurement data to be applied as the feature amount group, the result of abnormality diagnosis may vary greatly. Conventionally, a user often selects a feature amount group based on subjective judgment, and the result of abnormality diagnosis may be inaccurate.
As described above,
SUMMARY OF THE INVENTION It is an object of the present invention to provide an abnormality diagnosis apparatus and program capable of accurately determining the state of a diagnosis target apparatus.
上記課題を解決するため本発明の異常診断装置は、診断対象装置における複数の測定項目の測定データを記憶するデータベースと、検出対象となる故障モードを選択する故障モード選択部と、前記診断対象装置または他の装置における前記故障モードに対応するデータである故障対応測定データに基づいて、前記診断対象装置の故障の有無を判定するための教師データを作成する教師データ作成部と、前記教師データに基づいて、前記故障モードにおける前記測定項目の重要度を算出する測定項目重要度算出部と、算出された前記重要度に基づいて、前記測定項目の一部を前記故障モードに対する特徴量として選択する特徴量選定部と、前記特徴量に係る前記測定データに基づいて、前記故障モードに対応する異常度を算出する異常度算出部と、算出された前記異常度に基づいて、前記診断対象装置の状態を判定する装置状態判定部と、を備えることを特徴とする。 In order to solve the above problems, the abnormality diagnosis apparatus of the present invention comprises a database for storing measurement data of a plurality of measurement items in a diagnosis target device, a failure mode selection section for selecting a failure mode to be detected, and the diagnosis target device. or a teacher data creation unit for creating teacher data for determining the presence or absence of a failure in the device to be diagnosed based on failure response measurement data that is data corresponding to the failure mode in another device; a measurement item importance calculation unit that calculates the importance of the measurement item in the failure mode based on the above, and selects a part of the measurement item as a feature amount for the failure mode based on the calculated importance A feature amount selection unit, an abnormality degree calculation unit that calculates an abnormality degree corresponding to the failure mode based on the measurement data related to the feature amount, and a diagnosis target device based on the calculated abnormality degree and a device state determination unit that determines the state.
本発明によれば、診断対象装置の状態を正確に判定できる。 According to the present invention, the state of the device to be diagnosed can be accurately determined.
[第1実施形態]
〈第1実施形態の構成〉
図1は、好適な第1実施形態による異常診断システム1のブロック図である。
図1において、異常診断システム1は、診断対象装置10と、センサ部20と、異常診断装置100(コンピュータ)と、を備えている。なお、本実施形態において、診断対象装置10は風力発電装置である。センサ部20は、診断対象装置10の各部における温度、圧力、加速度等の物理量を計測するN個(Nは複数)のセンサ22-1~22-Nを備えている。そして、センサ部20は、センサ22-1~22-Nの測定結果である物理量を所定のサンプリング周期でサンプリングし、その結果を測定データDMとして異常診断装置100に供給する。異常診断装置100は、センサ部20から供給された測定データDMに基づいて、診断対象装置10の状態を診断する。
[First embodiment]
<Configuration of the first embodiment>
FIG. 1 is a block diagram of an
In FIG. 1, the
異常診断装置100は、CPU(Central Processing Unit)、RAM(Random Access Memory)、ROM(Read Only Memory)、SSD(Solid State Drive)等、一般的なコンピュータとしてのハードウエアを備えており、SSDには、OS(Operating System)、アプリケーションプログラム、各種データ等が格納されている。OSおよびアプリケーションプログラムは、RAMに展開され、CPUによって実行される。図1において、異常診断装置100の内部は、アプリケーションプログラム等によって実現される機能を、ブロックとして示している。
The
すなわち、異常診断装置100は、測定データ取得部101と、故障データ取得部102と、教師データ作成部103(教師データ作成手段)と、測定項目重要度算出部104(測定項目重要度算出手段)と、特徴量選定部105(特徴量選定手段)と、故障モード選択部106(故障モード選択手段)と、異常度算出部107(異常度算出手段)と、装置状態判定部108(装置状態判定手段)と、データベース110(データベース手段)と、を備えている。
That is, the
測定データ取得部101は、センサ部20から測定データDMを取得する。データベース110は、一または複数の記憶装置を備えており、各種データを電子ファイル形式で格納する。例えば、データベース110は、以下に列挙するデータを記憶する。各々のデータの内容については後述する。
・測定データ取得部101が取得した測定データDM
・過去の故障データDF
・教師データDT
・測定データの重要度を示す重要度データDQ、
・異常診断の結果である、異常度Aの時系列データ、
・状態データDC、
・故障モードリストML
The measurement
・Measurement data DM acquired by the measurement
・Past failure data DF
・Teacher data DT
- Importance data DQ indicating the importance of measurement data,
・ Time-series data of the degree of abnormality A, which is the result of abnormality diagnosis,
state data DC,
・Failure mode list ML
図2は、測定データDMのデータ構造の一例を示す図である。
図示の例において、サンプリング時刻ts_1,ts_2,…ts_maxは、サンプリング周期毎の時刻である。そして、測定データDMは、センサ22-1~22-Nの各々について(換言すればN個の測定項目P1~PNについて)、サンプリング時刻ts_1,ts_2,…ts_maxにおける計測結果を含んでいる。このように、測定データDMは、各センサ22-1~22-Nから収集される時系列データの集合であり、図2のようなマトリクスとして記述することができる。
FIG. 2 is a diagram showing an example of the data structure of measurement data DM.
In the illustrated example, sampling times ts_1, ts_2, . . . ts_max are times in each sampling period. The measurement data DM includes measurement results at sampling times ts_1, ts_2, . Thus, the measurement data DM is a set of time-series data collected from each sensor 22-1 to 22-N, and can be described as a matrix as shown in FIG.
図1に戻り、故障データ取得部102は、診断対象装置10において故障が発見された際、当該故障に関連する故障データDFをデータベース110に記録させる。
図3は、故障データDFの一例を示す図である。
図示のように、故障データDFは、故障発見日時DFTと、故障モードDFMと、故障対応測定データDFKと、を含んでいる。ここで、故障発見日時DFTとは、ユーザまたは故障監視装置(図示せず)が診断対象装置10の故障を発見した日時を示すデータである。
Returning to FIG. 1 , when a failure is found in the
FIG. 3 is a diagram showing an example of failure data DF.
As illustrated, the failure data DF includes a failure discovery date and time DFT, a failure mode DFM, and failure response measurement data DFK. Here, the failure discovery date and time DFT is data indicating the date and time when a user or a failure monitoring device (not shown) discovered a failure in the
また、故障モードDFMとは、発見された故障の具体的内容に対応するデータであり、例えば図示のように「増速機中速軸ピニオン損傷」、「発電機軸受損傷」等が挙げられる。また、故障対応測定データDFKとは、上述した測定データDMの一部であって、故障発見日時DFTに至る迄の所定期間内の測定データDMに等しい。 Further, the failure mode DFM is data corresponding to the specific content of the detected failure, and includes, for example, "damage to gearbox medium speed shaft pinion" and "damage to generator bearing" as shown in the figure. Further, the failure response measurement data DFK is a part of the measurement data DM described above, and is equal to the measurement data DM within a predetermined period up to the failure discovery date and time DFT.
図1に戻り、データベース110に記憶される故障モードリストMLは、上述した故障モードDFM(図3参照)として選択し得る種々の故障モードを列挙したリストである。また、教師データ作成部103は、上述した故障データDFに基づいて、教師データDTを生成する。
Returning to FIG. 1, the failure mode list ML stored in the
図4は、教師データDTの一例を示す図である。
図示の例において、サンプリング時刻ts_a,ts_b,ts_c,ts_d等は、サンプリング周期毎の時刻である。但し、図4においては、下から上に向かって時刻が進行しており、サンプリング時刻ts_dは、故障発見日時DFT(図3参照)に等しい。サンプリング時刻ts_cは、ts_dよりも所定時間T1(第1の所定時間)だけ過去の時刻であり、サンプリング時刻ts_bはts_cの直前のサンプリング時刻である。また、サンプリング時刻ts_aは、ts_bよりも所定時間T2(第2の所定時間)だけ過去の時刻である。
FIG. 4 is a diagram showing an example of teacher data DT.
In the illustrated example, sampling times ts_a, ts_b, ts_c, ts_d, etc. are times in each sampling cycle. However, in FIG. 4, the time progresses from bottom to top, and the sampling time ts_d is equal to the failure discovery date and time DFT (see FIG. 3). Sampling time ts_c is a time earlier than ts_d by a predetermined time T1 (first predetermined time), and sampling time ts_b is a sampling time immediately before ts_c. Also, the sampling time ts_a is a time earlier than ts_b by a predetermined time T2 (second predetermined time).
そして、教師データDTは、センサ22-1~22-N(図1参照)による測定項目P1~PNの各々についてサンプリング時刻ts_a~ts_dにおける計測結果を含んでいる。さらに、教師データDTは、異常フラグDTFというフラグを含んでいる。換言すれば、教師データDTは、故障データDF(図3参照)に含まれる故障対応測定データDFKと、異常フラグDTFとを含んでいる。異常フラグDTFは、サンプリング時刻ts_c~ts_dに対して“1”であり、サンプリング時刻ts_a~ts_bに対して“0”である。 The teacher data DT includes measurement results at the sampling times ts_a to ts_d for each of the measurement items P1 to PN by the sensors 22-1 to 22-N (see FIG. 1). Furthermore, the teacher data DT includes a flag called an anomaly flag DTF. In other words, the teacher data DT includes the failure response measurement data DFK included in the failure data DF (see FIG. 3) and the abnormality flag DTF. The abnormality flag DTF is "1" for the sampling times ts_c to ts_d, and is "0" for the sampling times ts_a to ts_b.
ここで、異常フラグDTFが“1”であるサンプリング時刻は、「異常が発生している可能性が高い」時刻であり、“0”であるサンプリング時刻は、「異常が発生している可能性が低い」時刻である。そして、異常フラグDTFが“1”である範囲の教師データDTを異常時教師データDT1と呼び、“0”である範囲の教師データDTを正常時教師データDT2と呼ぶ。ここで、所定時間T1,T2の値は、対応する故障モードDFM(図3参照)に関連する部品知識や、診断対象装置10の稼働履歴等から決定するとよい。
Here, the sampling time at which the abnormality flag DTF is "1" is the time at which "abnormality is highly likely to occur", and the sampling time at which the abnormality flag DTF is "0" is the time at which "abnormality is likely to occur". It is "low" time. The teacher data DT in the range where the abnormality flag DTF is "1" is called abnormal teacher data DT1, and the teacher data DT in the range where it is "0" is called normal teacher data DT2. Here, the values of the predetermined times T1 and T2 may be determined based on component knowledge related to the corresponding failure mode DFM (see FIG. 3), operation history of the
図1に戻り、測定項目重要度算出部104は、上述した教師データDTに基づいて、重要度データDQを算出する。ここで、重要度データDQは、N個の測定項目(センサ22-1~22-Nの測定結果)に各々対応するN個の重要度Q1~QNを含むものである。N個の測定項目と、異常フラグDTFの値には相関関係があり、重要度Q1~QNは、N個の測定項目の各々が異常フラグDTFの値に及ぼす影響の大きさを示すものである。例えば、重要度Q1~QNとして、「異常フラグDTFの値に対する寄与度」を採用することができる。但し、重要度Q1~QNは「寄与度」に限られるものではなく、例えば「寄与率」等、異常フラグDTFの値に及ぼす影響の大きさを表す他の指標であってもよい。
Returning to FIG. 1, the measurement item
重要度Q1~QNを算出する手法は、例えば教師データDTについて、決定木等の機械学習アルゴリズムを用いて、異常時教師データDT1および正常時教師データDT2について学習を実行し、その計算結果として、故障対応測定データDFKに含まれている各測定項目の重要度を求めるとよい。また、重要度Q1~QNは、これらの合計が所定値、例えば「1」になるように正規化しておくと好ましい。
図5は、重要度データDQの一例を示す図である。図示の例において、測定項目は、重要度が大きい順にリストアップされている。
The method of calculating the importance levels Q1 to QN is, for example, about the teacher data DT, using a machine learning algorithm such as a decision tree, learning is performed on the abnormal teacher data DT1 and the normal teacher data DT2, and as a result of the calculation, It is preferable to obtain the importance of each measurement item included in the failure response measurement data DFK. Moreover, it is preferable to normalize the importance levels Q1 to QN so that the sum of these values becomes a predetermined value, for example, "1".
FIG. 5 is a diagram showing an example of importance data DQ. In the illustrated example, the measurement items are listed in order of importance.
図1に戻り、特徴量選定部105は、重要度データDQの中から、重要度が大きい順にM個(但しM<N)の測定項目を抽出し、抽出した測定項目に係る測定データを異常診断のための特徴量として選択する。特徴量数Mは、対応する故障モードDFM(図3参照)に関連する部品知識や、ユーザの指定等に応じて設定するとよいが、例えば「2」~「10」の範囲になることが多い。但し、より高い診断精度が要求される場合には、特徴量数Mをさらに大きくするとよい。異常診断のために選択された複数の特徴量を、選択特徴量DQS(特徴量、図5参照)と呼ぶ。図5に示す例においては、特徴量数Mを「3」とし、「風速_Average」、「発電機軸受後方加速度_Max」および「ナセル加速度_Average」の3個の測定項目に係る測定データを選択特徴量DQSとして選択している。
Returning to FIG. 1, the feature
図1において、故障モード選択部106は、予め設定されている故障モードリストML(図1参照)の中から、ユーザの操作に基づいて、診断対象となる故障モードDFMを選択する。また、異常度算出部107は、選択特徴量DQS(図5参照)と、正常時教師データDT2(図4参照)と、に基づいて正常モデルを作成し、この正常モデルと測定データの実測値との距離を定量化して、異常度として算出する。例えば、異常度算出部107は、マハラノビス・タグチ法という統計的アルゴリズムを用いて、診断対象装置10の異常度Aを下式(1)に基づいて計算することができる。下式(1)において、xは選択特徴量DQSによるM次元の特徴量ベクトルであり、μは正常時教師データDT2における特徴量ベクトルxの平均値であり、σは正常時教師データDT2における特徴量ベクトルxの分散である。
A=(x-μ)2/σ2 …式(1)
In FIG. 1, the failure
A=(x−μ) 2 /σ 2 … Formula (1)
装置状態判定部108は、異常度Aの値に基づいて、故障モードDFMに関して診断対象装置10の状態が正常であるか異常であるかの判定を行う。例えば、故障モードDFMに関して、異常度Aが所定の閾値A_th以上であれば「異常」と判定し、異常度Aが閾値A_th未満であれば「正常」と判定することができる。装置状態判定部108は、故障モードDFMに関して、診断対象装置10の状態が正常であるか否かの判定結果を状態データDC(図1参照)としてデータベース110に格納する。すなわち、状態データDCは、故障モードDFMの各々について診断対象装置10が正常であるか否かを示すデータになる。
Based on the value of the degree of abnormality A, the device
図6は、異常度Aの時間分布の一例を示す図である。図6において横軸は時間であり、縦軸は異常度Aである。図示の例においては、異常度Aが閾値A_th以上になるタイミングが存在するため、装置状態判定部108は、対応する故障モードDFMについて「診断対象装置10が異常である」と判定する。この装置状態判定部108における処理は、下式(2)に示すような疑似コードで記述することができる。
IF(異常度A≧閾値A_thとなるタイミングが存在する?)
THEN 診断対象装置10が異常である。
ELSE 診断対象装置10が正常である。 …式(2)
FIG. 6 is a diagram showing an example of the time distribution of the degree of abnormality A. As shown in FIG. In FIG. 6, the horizontal axis is time, and the vertical axis is the degree of abnormality A. In FIG. In the illustrated example, there is a timing when the degree of abnormality A becomes equal to or greater than the threshold A_th, so the device
IF (Is there a timing when the degree of abnormality A≧threshold A_th?)
THEN The
ELSE
〈第1実施形態の動作〉
次に、第1実施形態の動作について説明する。
図7は異常診断装置100において実行される異常診断処理ルーチンのフローチャートである。ここで、異常診断処理ルーチンは、異常度Aが計算される前に実行されるオフライン処理ルーチンR10と、異常度Aを計算するオンライン処理ルーチンR20と、に分類される。
<Operation of the first embodiment>
Next, operation of the first embodiment will be described.
FIG. 7 is a flow chart of an abnormality diagnosis processing routine executed in the
オフライン処理ルーチンR10において処理がステップS12に進むと、教師データ作成部103は、測定データDMと、故障データDFとに基づいて、各々の故障モードDFM(図3参照)に対応する教師データDTを作成する。次に、処理がステップS14に進むと、測定項目重要度算出部104は、教師データDTに対して決定木学習を行い、重要度データDQを作成する。次に、処理がステップS16に進むと、特徴量選定部105は、各々の故障モードDFMについて、選択特徴量DQSを選択し、選択結果をデータベース110に格納する。
When the process proceeds to step S12 in the offline processing routine R10, the teacher
また、オンライン処理ルーチンR20において処理がステップS22に進むと、故障モード選択部106は、ユーザの操作に基づいて、診断対象となる故障モードDFMを選択する。次に、処理がステップS24に進むと、異常度算出部107は、選択特徴量DQS(図5参照)と、正常時教師データDT2(図4参照)と、上述した式(1)と、に基づいて、異常度Aの時系列分布、すなわち各サンプリング時刻における異常度Aを算出する。次に、処理がステップS26に進むと、装置状態判定部108は、異常度Aの時系列分布に基づいて、対応する故障モードDFMについて診断対象装置10の異常の有無を判定し、その判定結果に応じて状態データDC(図1参照)を更新する。
Further, when the process proceeds to step S22 in the online processing routine R20, the failure
〈変形例〉
本発明は上述した実施形態に限定されるものではなく、種々の変形が可能である。上述した実施形態は本発明を理解しやすく説明するために例示したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、上記実施形態の構成に他の構成を追加してもよく、構成の一部について他の構成に置換をすることも可能である。また、図中に示した制御線や情報線は説明上必要と考えられるものを示しており、製品上で必要な全ての制御線や情報線を示しているとは限らない。実際には殆ど全ての構成が相互に接続されていると考えてもよい。上記実施形態に対して可能な変形は、例えば以下のようなものである。
<Modification>
The present invention is not limited to the embodiments described above, and various modifications are possible. The above-described embodiments are exemplified for easy understanding of the present invention, and are not necessarily limited to those having all the described configurations. Further, other configurations may be added to the configurations of the above embodiments, and part of the configurations may be replaced with other configurations. Also, the control lines and information lines shown in the drawings are those considered to be necessary for explanation, and do not necessarily show all the control lines and information lines necessary on the product. In practice, it may be considered that almost all configurations are interconnected. Possible modifications to the above embodiment are, for example, the following.
(1)上記実施形態においては、診断対象装置10として風力発電装置を適用した例を説明した。しかし、診断対象装置10は、風力発電装置に限定されるものではなく、工業機械、電気自動車、鉄道車両、船舶、エレベータ、エスカレータ等、種々の機器を診断対象装置10として適用することができる。
(1) In the above embodiment, an example in which a wind turbine generator is applied as the
(2)上記実施形態においては、N個の測定項目に各々対応する重要度Q1~QNを算出するために、決定木学習のアルゴリズムを採用した。しかし、重要度Q1~QNを算出するために決定木以外の機械学習アルゴリズムを適用してもよい。例えば、ランダムフォレストやサポートベクトルマシン等のアルゴリズで教師データDTを学習し、重要度Q1~QNを求めてもよい。 (2) In the above embodiment, a decision tree learning algorithm is used to calculate the importance levels Q1 to QN corresponding to the N measurement items. However, machine learning algorithms other than decision trees may be applied to calculate the importance levels Q1 to QN. For example, the teacher data DT may be learned by an algorithm such as random forest or support vector machine to obtain the degrees of importance Q1 to QN.
(3)上記実施形態においては、診断対象装置10の異常診断を行うために、診断対象装置10自体から取得した故障データDF(図3参照)を使用した。しかし、例えば、診断対象装置10が設置された直後では、故障データDFが無い場合や、故障データDFの量が少なすぎる場合もある。そこで、故障データDFとして、診断対象装置10と同一仕様または類似仕様の他の機器における故障データDFを適用し、これに基づいて教師データDT等を生成してもよい。
(3) In the above embodiment, the failure data DF (see FIG. 3) obtained from the
特に、診断対象装置10が風力発電装置である場合、故障データDFの流用元である「他の機器」は、同じウィンドファームの他の号機であることが好ましい。これは、診断対象装置10と「他の機器」とは、風速、風向、気温等の自然条件が近似するためである。また、故障データDFの流用元の「他の機器」と、診断対象装置10との特性の違いに基づいて、故障データDFや教師データDT等を補正してもよい。
In particular, when the
(4)また、上記実施形態においては、1台の異常診断装置100によって1つのデータベース110が実現されている。しかし、複数台の異常診断装置100をネットワーク(図示せず)に接続し、該ネットワーク上のストレージにおいてデータベース110を実現してもよい。また、ネットワーク上の複数のコンピュータによって分散処理を行うことによって異常診断装置100の機能を実現してもよい。
(4) In addition, in the above embodiment, one
(5)上記実施形態における異常診断装置100のハードウエアは一般的なコンピュータによって実現できるため、図7に示したフローチャート、その他上述した各種処理を実行するプログラム等を記憶媒体に格納し、または伝送路を介して頒布してもよい。
(5) Since the hardware of the
(6)図7に示した処理、その他上述した各処理は、上記実施形態ではプログラムを用いたソフトウエア的な処理として説明したが、その一部または全部をASIC(Application Specific Integrated Circuit;特定用途向けIC)、あるいはFPGA(Field Programmable Gate Array)等を用いたハードウエア的な処理に置き換えてもよい。 (6) The processing shown in FIG. 7 and the other processing described above have been described as software processing using a program in the above embodiment, but some or all of them are implemented in an ASIC (Application Specific Integrated Circuit). It may be replaced with hardware processing using an FPGA (Field Programmable Gate Array) or the like.
〈第1実施形態の効果〉
以上のように本実施形態の異常診断装置100は、検出対象となる故障モードDFMを選択する故障モード選択部106と、診断対象装置10または他の装置における故障モードDFMに対応するデータである故障対応測定データDFKに基づいて、診断対象装置10の故障の有無を判定するための教師データDTを作成する教師データ作成部103と、教師データDTに基づいて、故障モードDFMにおける測定項目P1~PNの重要度Q1~QNを算出する測定項目重要度算出部104と、算出された重要度Q1~QNに基づいて、測定項目P1~PNの一部を故障モードDFMに対する特徴量(DQS)として選択する特徴量選定部105と、特徴量(DQS)に係る測定データDMに基づいて、故障モードDFMに対応する異常度Aを算出する異常度算出部107と、算出された異常度Aに基づいて、診断対象装置10の状態を判定する装置状態判定部108と、を備える。
<Effect of the first embodiment>
As described above, the
本実施形態によれば、算出された重要度Q1~QNに基づいて、測定項目P1~PNの一部を故障モードDFMに対する特徴量(DQS)として選択するため、診断対象装置10の状態を正確に判定できる。 According to the present embodiment, some of the measurement items P1 to PN are selected as feature quantities (DQS) for the failure mode DFM based on the calculated degrees of importance Q1 to QN. can be determined.
また、故障対応測定データDFKは、診断対象装置10から取得したデータであることが好ましい。
これは、診断対象装置10から故障対応測定データDFKは、診断対象装置10の状態に適合する度合いが高いと考えられるためである。
Further, it is preferable that the failure response measurement data DFK is data obtained from the
This is because the failure response measurement data DFK from the device to be diagnosed 10 is considered to be highly compatible with the state of the device to be diagnosed 10 .
また、教師データDTは、異常が発生していると推定する異常時教師データDT1と、正常であると推定する正常時教師データDT2と、を含むものであり、教師データ作成部103は、故障発見日時DFTから第1の所定時間(T1)だけ過去に至るまでの故障対応測定データDFKを異常時教師データDT1として選択し、異常時教師データDT1のうち最古(ts_c)のデータの直前(ts_b)のデータから第2の所定時間(T2)だけ過去に至るまでの故障対応測定データDFKを正常時教師データDT2として選択するものであり、第1および第2の所定時間(T1,T2)は故障モードDFMに応じて設定された時間であることが好ましい。 Further, the training data DT includes abnormal training data DT1 that presumes that an abnormality has occurred and normal training data DT2 that presumes normality. The failure response measurement data DFK from the discovery date and time DFT to the past by the first predetermined time (T1) is selected as the abnormal teaching data DT1, and immediately before the oldest (ts_c) data in the abnormal teaching data DT1 ( ts_b) to the second predetermined time (T2) in the past is selected as the normal teaching data DT2. is preferably a time set according to the failure mode DFM.
このように、第1および第2の所定時間(T1,T2)を故障モードDFMに応じて設定することにより、診断対象装置10の故障状態に応じた適切な第1および第2の所定時間(T1,T2)を設定することができる。 By setting the first and second predetermined times (T1, T2) according to the failure mode DFM in this way, the first and second predetermined times ( T1, T2) can be set.
10 診断対象装置
100 異常診断装置(コンピュータ)
103 教師データ作成部(教師データ作成手段)
104 測定項目重要度算出部(測定項目重要度算出手段)
105 特徴量選定部(特徴量選定手段)
106 故障モード選択部(故障モード選択手段)
107 異常度算出部(異常度算出手段)
108 装置状態判定部(装置状態判定手段)
110 データベース(データベース手段)
A 異常度
DM 測定データ
DT 教師データ
T1 所定時間(第1の所定時間)
T2 所定時間(第2の所定時間)
DFK 故障対応測定データ
DFM 故障モード
DFT 故障発見日時
DQS 選択特徴量(特徴量)
DT1 異常時教師データ
DT2 正常時教師データ
P1~PN 測定項目
Q1~QN 重要度
10
103 Teacher data creation unit (teacher data creation means)
104 measurement item importance calculation unit (measurement item importance calculation means)
105 feature quantity selection unit (feature quantity selection means)
106 failure mode selection unit (failure mode selection means)
107 Abnormality degree calculation unit (abnormality degree calculation means)
108 device state determination unit (device state determination means)
110 database (database means)
A Degree of anomaly DM Measured data DT Teacher data T1 Predetermined time (first predetermined time)
T2 predetermined time (second predetermined time)
DFK Failure response measurement data DFM Failure mode DFT Failure discovery date and time DQS Selected feature quantity (feature quantity)
DT1 Abnormal training data DT2 Normal training data P1 to PN Measurement items Q1 to QN Importance
Claims (4)
検出対象となる故障モードを選択する故障モード選択部と、
前記診断対象装置または他の装置における前記故障モードに対応するデータである故障対応測定データに基づいて、前記診断対象装置の故障の有無を判定するための教師データを作成する教師データ作成部と、
前記教師データに基づいて、前記故障モードにおける前記測定項目の重要度を算出する測定項目重要度算出部と、
算出された前記重要度に基づいて、前記測定項目の一部を前記故障モードに対する特徴量として選択する特徴量選定部と、
前記特徴量に係る前記測定データに基づいて、前記故障モードに対応する異常度を算出する異常度算出部と、
算出された前記異常度に基づいて、前記診断対象装置の状態を判定する装置状態判定部と、を備える
ことを特徴とする異常診断装置。 a database that stores measurement data of a plurality of measurement items in the device to be diagnosed;
a failure mode selection unit that selects a failure mode to be detected;
a teacher data creation unit that creates teacher data for determining the presence or absence of a failure in the device to be diagnosed based on failure response measurement data that is data corresponding to the failure mode in the device to be diagnosed or another device;
a measurement item importance calculation unit that calculates the importance of the measurement item in the failure mode based on the training data;
a feature amount selection unit that selects a part of the measurement items as a feature amount for the failure mode based on the calculated importance;
an anomaly degree calculation unit that calculates an anomaly degree corresponding to the failure mode based on the measurement data related to the feature amount;
and a device state determination unit that determines the state of the device to be diagnosed based on the calculated degree of abnormality.
ことを特徴とする請求項1に記載の異常診断装置。 2. The abnormality diagnosis device according to claim 1, wherein the failure response measurement data is data acquired from the diagnosis target device.
前記教師データ作成部は、故障発見日時から第1の所定時間だけ過去に至るまでの前記故障対応測定データを前記異常時教師データとして選択し、前記異常時教師データのうち最古のデータの直前のデータから第2の所定時間だけ過去に至るまでの前記故障対応測定データを前記正常時教師データとして選択するものであり、
前記第1および第2の所定時間は前記故障モードに応じて設定された時間である
ことを特徴とする請求項2に記載の異常診断装置。 The training data includes abnormal training data presumed to be abnormal and normal training data presumed to be normal,
The training data creation unit selects the fault response measurement data from the date and time of failure detection to the past by a first predetermined time as the fault training data, and selects the fault training data immediately before the oldest data among the fault training data. is selected as the normal teaching data, the failure response measurement data up to a second predetermined time in the past from the data of
3. The abnormality diagnosis device according to claim 2, wherein said first and second predetermined times are times set according to said failure mode.
診断対象装置における複数の測定項目の測定データを記憶するデータベース手段、
検出対象となる故障モードを選択する故障モード選択手段、
前記診断対象装置または他の装置における前記故障モードに対応するデータである故障対応測定データに基づいて、前記診断対象装置の故障の有無を判定するための教師データを作成する教師データ作成手段、
前記教師データに基づいて、前記故障モードにおける前記測定項目の重要度を算出する測定項目重要度算出手段、
算出された前記重要度に基づいて、前記測定項目の一部を前記故障モードに対する特徴量として選択する特徴量選定手段、
前記特徴量に係る前記測定データに基づいて、前記故障モードに対応する異常度を算出する異常度算出手段、
算出された前記異常度に基づいて、前記診断対象装置の状態を判定する装置状態判定手段、
として機能させるためのプログラム。 the computer,
database means for storing measurement data of a plurality of measurement items in the device to be diagnosed;
failure mode selection means for selecting a failure mode to be detected;
a teaching data creating means for creating teaching data for judging whether or not there is a failure in the device to be diagnosed based on measurement data corresponding to the failure mode in the device to be diagnosed or another device;
measurement item importance calculation means for calculating the importance of the measurement item in the failure mode based on the training data;
feature quantity selection means for selecting a part of the measurement items as a feature quantity for the failure mode based on the calculated degree of importance;
Anomaly degree calculation means for calculating an anomaly degree corresponding to the failure mode based on the measurement data related to the feature amount;
device state determination means for determining the state of the device to be diagnosed based on the calculated degree of abnormality;
A program to function as
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019232052A JP7281394B2 (en) | 2019-12-23 | 2019-12-23 | Abnormal diagnosis device and program |
TW109145508A TWI762101B (en) | 2019-12-23 | 2020-12-22 | Abnormal Diagnosis Device and Abnormal Diagnosis Program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019232052A JP7281394B2 (en) | 2019-12-23 | 2019-12-23 | Abnormal diagnosis device and program |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021099744A JP2021099744A (en) | 2021-07-01 |
JP7281394B2 true JP7281394B2 (en) | 2023-05-25 |
Family
ID=76541283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019232052A Active JP7281394B2 (en) | 2019-12-23 | 2019-12-23 | Abnormal diagnosis device and program |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7281394B2 (en) |
TW (1) | TWI762101B (en) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019012653A1 (en) | 2017-07-13 | 2019-01-17 | 日本電気株式会社 | Learning system, analysis system, learning method, and storage medium |
JP2019124984A (en) | 2018-01-12 | 2019-07-25 | 株式会社明電舎 | Facility diagnosis apparatus, facility diagnosis method |
JP2020173551A (en) | 2019-04-09 | 2020-10-22 | ナブテスコ株式会社 | Failure prediction device, failure prediction method, computer program, computation model learning method and computation model generation method |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7389204B2 (en) * | 2001-03-01 | 2008-06-17 | Fisher-Rosemount Systems, Inc. | Data presentation system for abnormal situation prevention in a process plant |
US7079984B2 (en) * | 2004-03-03 | 2006-07-18 | Fisher-Rosemount Systems, Inc. | Abnormal situation prevention in a process plant |
US8762106B2 (en) * | 2006-09-28 | 2014-06-24 | Fisher-Rosemount Systems, Inc. | Abnormal situation prevention in a heat exchanger |
CN102478825A (en) * | 2010-11-23 | 2012-05-30 | 大连兆阳软件科技有限公司 | Method for implementing remote monitoring and fault diagnosis system of numerical control machine tool |
US10281909B2 (en) * | 2013-07-10 | 2019-05-07 | Globiz Co., Ltd. | Signal measuring/diagnosing system, and method for applying the same to individual devices |
CN107850464A (en) * | 2016-07-13 | 2018-03-27 | 株式会社五十岚电机制作所 | Rotation angle detection apparatus and the electro-motor for being provided with the rotation angle detection apparatus |
CN106444703B (en) * | 2016-09-20 | 2018-12-07 | 西南石油大学 | Dynamic equipment running status fuzzy evaluation and prediction technique based on fault mode probability of happening |
US11467570B2 (en) * | 2017-09-06 | 2022-10-11 | Nippon Telegraph And Telephone Corporation | Anomalous sound detection apparatus, anomaly model learning apparatus, anomaly detection apparatus, anomalous sound detection method, anomalous sound generation apparatus, anomalous data generation apparatus, anomalous sound generation method and program |
WO2019107315A1 (en) * | 2017-11-28 | 2019-06-06 | 国立研究開発法人産業技術総合研究所 | Method and system for detecting symptom of abnormality in apparatus being monitored |
CN108490284B (en) * | 2018-02-12 | 2021-10-15 | 国网山东省电力公司电力科学研究院 | New energy data acquisition device, system and method for multiple application scenes |
CN110531656A (en) * | 2019-08-13 | 2019-12-03 | 大唐水电科学技术研究院有限公司 | A kind of monitoring system and method for Hydropower Unit performance |
-
2019
- 2019-12-23 JP JP2019232052A patent/JP7281394B2/en active Active
-
2020
- 2020-12-22 TW TW109145508A patent/TWI762101B/en active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019012653A1 (en) | 2017-07-13 | 2019-01-17 | 日本電気株式会社 | Learning system, analysis system, learning method, and storage medium |
JP2019124984A (en) | 2018-01-12 | 2019-07-25 | 株式会社明電舎 | Facility diagnosis apparatus, facility diagnosis method |
JP2020173551A (en) | 2019-04-09 | 2020-10-22 | ナブテスコ株式会社 | Failure prediction device, failure prediction method, computer program, computation model learning method and computation model generation method |
Also Published As
Publication number | Publication date |
---|---|
JP2021099744A (en) | 2021-07-01 |
TWI762101B (en) | 2022-04-21 |
TW202125138A (en) | 2021-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11521105B2 (en) | Machine learning device and machine learning method for learning fault prediction of main shaft or motor which drives main shaft, and fault prediction device and fault prediction system including machine learning device | |
US20130060524A1 (en) | Machine Anomaly Detection and Diagnosis Incorporating Operational Data | |
US10809153B2 (en) | Detecting apparatus, detection method, and program | |
JP7282184B2 (en) | Systems and methods for detecting and measuring anomalies in signals originating from components used in industrial processes | |
JP6535130B2 (en) | Analyzer, analysis method and analysis program | |
KR101903283B1 (en) | Automatic diagnosis system and automatic diagnosis method | |
CN102265227B (en) | Method and apparatus for creating state estimation models in machine condition monitoring | |
US11880750B2 (en) | Anomaly detection based on device vibration | |
US11544554B2 (en) | Additional learning method for deterioration diagnosis system | |
JP2013008111A (en) | Abnormality sign diagnostic device and abnormality sign diagnostic method | |
KR102005138B1 (en) | Device abnormality presensing method and system using thereof | |
WO2020242553A1 (en) | Failure prediction using gradient-based sensor identification | |
WO2016195092A1 (en) | Anomaly sensing device | |
JP6164311B1 (en) | Information processing apparatus, information processing method, and program | |
US11747035B2 (en) | Pipeline for continuous improvement of an HVAC health monitoring system combining rules and anomaly detection | |
CN111382494A (en) | System and method for detecting anomalies in sensory data of industrial machines | |
US12079070B2 (en) | Alert similarity and label transfer | |
CN112272763A (en) | Abnormality detection device, abnormality detection method, and abnormality detection program | |
JP2019016039A (en) | Method for diagnosing abnormal state of process and abnormal state diagnosis apparatus | |
EP4078315A1 (en) | Device and method for monitoring a system | |
JP2010276339A (en) | Method and device for diagnosis sensor | |
An et al. | Detection of process anomalies using an improved statistical learning framework | |
JP7281394B2 (en) | Abnormal diagnosis device and program | |
KR102108975B1 (en) | Apparatus and method for condition based maintenance support of naval ship equipment | |
US11228606B2 (en) | Graph-based sensor ranking |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220719 |
|
TRDD | Decision of grant or rejection written | ||
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230428 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230509 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230515 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7281394 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |