JP7068246B2 - 異常判定装置、および、異常判定方法 - Google Patents

Description

本発明の実施形態は、異常判定装置、学習装置、および、異常判定方法に関する。

原子力発電プラントおよび火力発電プラント等の大規模プラントでは、プラントの性能、並びに、プラントを構成するさまざまな系統および機器の健全性を監視する目的で、多数のプロセス信号が測定されている。多数のプロセス信号のすべてをプラントの運転員が常時監視することは困難である。このため、多くのプラントには、プロセス信号を取り込み、プラントの異常変化を検知する監視システムが設けられている。

異常変化の検知では、近年急速に発達した機械学習技術を用いることで、異常が顕在化する前の予兆を検知する試みが進められている。例えば、正常時のセンサデータを学習したセンサ予測値の回帰モデル、および、回帰モデルの予測誤差を入力としたセンサ間の相関モデルによる構成を用いて、相関モデルの出力値から故障の予知をする技術が提案されている。

特開２０１８－１１２８５２号公報

本実施形態の目的は、故障の判定（検知）をより高精度に実行することができる異常判定装置、学習装置、および、異常判定方法を提供することにある。

実施形態の異常判定装置は、第１推論部と、第２推論部と、復元部と、判定部と、を備える。第１推論部は、第１入力データを第１モデルに入力し、第１入力データの次元を削減したデータを第１入力データと同じ次元のデータに復元したデータであって第１モデルが出力する第１出力データを得る。第２推論部は、第１入力データと第１出力データとの差分である第２入力データを第２モデルに入力し、第２入力データの次元を削減したデータを第２入力データと同じ次元のデータに復元したデータであって第２モデルが出力する第２出力データを得る。復元部は、第１出力データと第２出力データとの和である復元データを求める。判定部は、第１入力データと、復元データとを比較し、比較結果に基づいて第１入力データの異常を判定する。

実施形態にかかる異常判定装置のブロック図。 実施形態における学習処理のフローチャート。 実施形態における異常判定処理のフローチャート。 オートエンコーダであるモデルによるデータ入出力の一例を示す図。 オートエンコーダであるモデルによるデータ入出力の一例を示す図。 オートエンコーダとして構成されたモデルＭＡの一例を示す図。 回帰モデルとモデルＭＡの応答の違いを説明するための図。 誤って学習されたモデルの出力について説明するための図。 誤って学習されたモデルの出力について説明するための図。 モデルＭＡの構成例を示す図。 モデルＭＢの構成例を示す図。 入力データが復元される処理の全体の流れを説明するための図。 監視基準による異常判定処理の一例を示す図。 監視基準による異常判定処理の一例を示す図。 変形例による学習処理の流れを説明するための図。 変形例によるデータ復元処理の流れを説明するための図。 実施形態にかかる異常判定装置のハードウェア構成図。

以下に添付図面を参照して、この発明にかかる異常判定装置の好適な実施形態を詳細に説明する。以下では、プラントから得られるプラントデータを入力データとして、プラントの異常を判定する装置を例に説明する。適用可能なシステムおよび入力データは、プラントシステムおよびプラントデータに限られるものではない。

異常予兆の検知技術では、プラントデータの僅かな変化を検知することで予兆が検知される。このためには、プラントの正常状態を高精度で判定することが必要である。誤った判定は誤検知を起こし、運転員の不要な作業を発生させる。また僅かな変化を検知するには、データから取り除くことが難しい微小な電気ノイズ信号も含めて高精度に判定することが必要となる。

しかし、従来技術では例えば以下のような３つの問題がある。
（１）一般に、予測誤差を入力とした複数のセンサ間の相関モデルの出力値からは、センサ間の相関を考慮した高精度予測値を直接得ることができない。
（２）プラントは様々な系統および機器で構成された複雑なシステムであり、正常状態においても、プラントの内部状態は複雑に変化する。例えば、各系統および各機器の運転条件は、しばしばステップ状に変化する。その結果、対応するセンサのセンサデータの値（センサ値）等のプラントデータは急激に変化する。回帰モデルを用いた場合、予測値（時刻ｔ）は、過去のデータ（時刻ｔ－１，ｔ－２，・・・）から算出される。このため、時刻（ｔ－１）以前では前兆のない急激な変化の判定が困難となる。
（３）複数のセンサを接続した計測器および電源などに起因した、プラント運転状態とは無相関な微小な電気ノイズ信号がセンサ値に重畳している場合、単一の機械学習モデルでは、しばしば誤った学習を実行し、微小信号に対して恒等写像的な応答を示すようになる。その結果、微小な電気ノイズ信号は予測されるが、異常信号も正常状態として予測され、異常が検知できなくなる。また、電気ノイズ自体は、時間相関がなくランダムに発生する事象であるので、回帰モデルでは予測できない。

そこで、以下の実施形態の異常判定装置は、２段階の機械学習モデルであるモデルＭＡ（第１モデル）およびモデルＭＢ（第２モデル）を用いて、運転条件のステップ状の変化および電気ノイズ信号も含めた正常状態のプラントデータの特徴量に基づく高精度の予測を行い、プラントの異常予兆を精度よく検知する。

図１は、本実施形態にかかる異常判定装置１００の構成の一例を示すブロック図である。図１に示すように、異常判定装置１００は、記憶部１２１と、表示部１２２と、取得部１０１と、学習部１０２ａ、１０２ｂと、復元部１０３と、作成部１０４と、推論部１０５ａ、１０５ｂと、判定部１０６と、出力制御部１０７と、を備えている。

なお、図１は、異常判定装置１００がモデルを学習する学習装置としての機能も備える例を示す。学習装置を異常判定装置１００とは独立の装置として構成してもよい。この場合、異常判定装置１００は、モデルの学習に必要な機能（学習部１０２ａ、１０２ｂなど）は備えなくてもよい。

記憶部１２１は、異常判定装置１００で実行される各種処理で用いられる各種データを記憶する。例えば記憶部１２１は、モデルのパラメータを示すデータ、学習に用いられるデータ（学習データ）、モデルに入力する入力データ、および、モデルが出力する出力データなどを記憶する。

記憶部１２１は、フラッシュメモリ、メモリカード、ＲＡＭ（Random Access Memory）、ＨＤＤ（Hard Disk Drive）、および、光ディスクなどの一般的に利用されているあらゆる記憶媒体により構成することができる。

表示部１２２は、異常判定処理の結果を示すデータなどの各種データを表示する装置である。表示部１２２は、液晶ディスプレイなどにより構成することができる。なお異常判定処理の結果の出力方法は、表示部１２２に表示する方法に限られず、どのような方法であってもよい。例えば、サーバなどの外部装置にネットワークを介して結果を示す情報を出力する方法、スピーカなどの音出力装置に音を出力する方法、および、照明装置に光を出力する方法などを用いてもよい。

取得部１０１は、異常判定装置１００で実行される各種処理で用いられる各種データを取得する。例えば取得部１０１は、プラントから出力される複数の種類のプラントデータを入力データとして取得する。取得部１０１は、取得したプラントデータなどのデータを、記憶部１２１に記憶する。

プラントデータは、プラントに関するどのようなデータであってもよい。例えば、プラントで用いられるセンサから出力されるセンサデータ、プラントの系統や各機器に対する指令値、および、センサデータを用いた演算により得られる演算値などのうち少なくとも１つであるプロセス信号をプラントデータとして用いることができる。センサデータを用いた演算はどのような演算でもよいが、例えば、複数のセンサデータの平均値を求める演算などの理論式を用いた演算を適用できる。

指令値は、設定値や動作モードの選択値であり、例えば、プラントを構成する多数のポンプや電磁弁について、それぞれの回転数や弁開度の指令値と指令値に対応したセンサデータがある。また複数のポンプや弁や配管で構成される各系統の主要配管の流量の指令値とおよび対応する複数のセンサデータがある。

このように、プラントでは、多数のセンサおよび多数の指令値が用いられる。すなわち異常判定装置１００では、多数の種類のプラントデータが用いられる。例えば原子力発電および火力発電などの発電プラントでは、１プラント当たりのプラントデータの種類は数千から数万となる。取得部１０１は、このような多数の種類のプラントデータの全部または一部を、異常の判定に用いる複数の種類のプラントデータとして取得する。例えばすべてのプラントデータを複数の系統ごとに分類し、系統単位でプラントデータによる異常判定を行ってもよい。このように系統ごとに分類した場合、入力されるプラントデータは、例えば数百から数千種類となる。なお以下では、種類を次元といい、複数の種類のプラントデータを多次元のプラントデータという場合がある。

学習部１０２ａ（第１学習部）は、異常の判定に用いる２つのモデルＭＡおよびモデルＭＢのうち、モデルＭＡを学習する。モデルＭＡは、多次元のプラントデータ（第１入力データ）を入力し、入力したプラントデータの次元を削減したデータを、入力したプラントデータと同じ次元のデータに復元したデータに相当する多次元の出力データＤＡ（第１出力データ）を出力するモデルである。学習部１０２ａは、正常時の多次元のプラントデータを学習データとして用いて機械学習を実行し、モデルＭＡを生成する。

なお、学習データとして、正常時のセンサデータだけでなく、正常時の指令値を用いれば、運転条件の指示（指令値）と、指示の結果（センサデータ）との対応関係を学習することが可能となる。この結果、判定対象期間における正常状態の出力データＤＡの復元の精度がより向上する。また、学習データとして指令値を用いれば、正常状態の定義がより正確になり、より正確なデータの復元が可能になる。

また単体機器のセンサデータだけでは分からない、プラントの系統単位またはプラント全体の異常を検知するためには、センサデータを用いた演算値、および、センサデータと指令値との偏差（差分）の演算値などを学習データとして含めることが望ましい。１つのセンサデータでは予測精度の範囲内で検知できないごく微小な変化であっても、演算値（例えば偏差）によって微小な差分が増幅され検知され得る。また、プラントの運転監視システムでは、演算値が重要な監視対象となる場合があるため、演算値を学習データに含めることが有効である。

学習部１０２ｂ（第２学習部）は、異常の判定に用いる２つのモデルＭＡおよびモデルＭＢのうち、モデルＭＢを学習する。モデルＭＢは、多次元のプラントデータとモデルＭＡの出力データＤＡとの差分を入力データ（第２入力データ）として入力し、入力した入力データの次元を削減したデータを、入力した入力データと同じ次元のデータに復元したデータに相当する出力データＤＢ（第２出力データ）を出力するモデルである。モデルＭＢは、モデルＭＡの入力データと出力データとの間の差分の復元データを出力するモデルと解釈することもできる。

学習部１０２ｂは、正常時の多次元のプラントデータと、このプラントデータを学習データとして用いて学習されたモデルＭＡによって出力される出力データＤＡと、を用いて入力データを求め、この入力データを学習データとしてモデルＭＢを学習する。

上記のように、モデルＭＡおよびモデルＭＢは、入力データの次元を削減し、次元を削減したデータを、入力データと同じ次元のデータに復元して出力するようなモデルである。このような次元削減／復元モデルとしては、例えばオートエンコーダを用いることができる。適用可能な次元削減／復元モデルは、オートエンコーダに限られるものではなく、他のどのような次元削減／復元モデルであってもよい。

復元部１０３は、モデルＭＡから得られる多次元の出力データＤＡと、モデルＭＢから得られる多次元の出力データＤＢ（差分の復元データ）との和を算出することにより、多次元のプラントデータを復元したデータに相当する復元データを出力する。

作成部１０４は、異常の判定処理で用いる基準（監視基準）を作成する。作成部１０４は、例えば、正常時の多次元のプラントデータと、復元部１０３により出力された復元データとの差分を用いて、監視基準を作成する。監視基準は、例えば差分（差分の絶対値）と比較する閾値である。差分が閾値より大きい場合に、異常が生じたと判定される。作成部１０４は、例えば、差分の標準偏差を求め、求めた標準偏差に応じて閾値を決定する。作成部１０４は、複数の差分のデータから求められる信頼区間を監視基準として作成してもよい。例えば、一定期間（１年など）内に誤判定が起こらないような範囲を示す信頼区間を監視基準としてもよい。差分が信頼区間に含まれない場合に、異常が生じたと判定される。

学習部１０２ａ、１０２ｂにより生成されたモデルＭＡ、ＭＢと、作成部１０４により作成された監視基準と、を用いて、以下に説明する推論部１０５ａ、１０５ｂによる推論処理が実行される。

推論部１０５ａ（第１推論部）は、モデルＭＡを用いた推論を実行する。例えば推論部１０５ａは、プラントの運用時に得られる多次元のプラントデータをモデルＭＡに入力し、入力した多次元のプラントデータの次元を削減したデータをプラントデータと同じ次元のデータに復元したデータに相当する出力データＤＡを、モデルＭＡから得る。

推論部１０５ｂ（第２推論部）は、モデルＭＢを用いた推論を実行する。例えば推論部１０５ｂは、多次元のプラントデータと、多次元のプラントデータに対するモデルＭＡの出力データＤＡとの差分である入力データをモデルＭＢに入力し、入力した入力データの次元を削減したデータを入力データと同じ次元のデータに復元したデータに相当する出力データＤＢを、モデルＭＢから得る。

推論処理では、復元部１０３は、推論部１０５ａから得られる多次元の出力データＤＡと、推論部１０５ｂから得られる多次元の出力データＤＢとの和を算出することにより、多次元のプラントデータを復元したデータに相当する復元データを出力する。

判定部１０６は、多次元のプラントデータと、復元データと、を用いた異常判定処理を実行する。例えば判定部１０６は、入力された多次元のプラントデータと、復元部１０３から出力された復元データと、を比較し、比較結果に基づいて、入力された多次元のプラントデータの異常を判定する。監視基準として閾値を用いる場合、判定部１０６は、多次元のプラントデータと復元データとの差分を求め、差分が閾値（監視基準）より大きい場合に、異常が生じたと判定する。監視基準として信頼区間を用いる場合、判定部１０６は、差分が信頼区間に含まれない場合に、異常が生じたと判定する。なお、プラントデータの異常を判定することは、プラントデータの入力元であるプラントの異常を判定することであると解釈することもできる。

出力制御部１０７は、異常判定装置１００で実行される各種処理による各種情報の出力を制御する。例えば出力制御部１０７は、判定部１０６による異常判定処理の判定結果を表示部１２２に表示する処理を制御する。

上記各部（取得部１０１、学習部１０２ａ、１０２ｂ、復元部１０３、作成部１０４、推論部１０５ａ、１０５ｂ、判定部１０６、および、出力制御部１０７）は、例えば、１または複数のプロセッサにより実現される。例えば上記各部は、ＣＰＵ（Central Processing Unit）などのプロセッサにプログラムを実行させること、すなわちソフトウェアにより実現してもよい。上記各部は、専用のＩＣ（Integrated Circuit）などのプロセッサ、すなわちハードウェアにより実現してもよい。上記各部は、ソフトウェアおよびハードウェアを併用して実現してもよい。複数のプロセッサを用いる場合、各プロセッサは、各部のうち１つを実現してもよいし、各部のうち２以上を実現してもよい。

次に、このように構成された本実施形態にかかる異常判定装置１００による学習処理および異常判定処理について説明する。図２は、本実施形態における学習処理の一例を示すフローチャートである。

まず取得部１０１は、プラントから正常時の多次元のプラントデータを学習データとして取得し、記憶部１２１に記憶する（ステップＳ１０１）。学習部１０２ａは、記憶された学習データを用いてモデルＭＡを学習する（ステップＳ１０２）。学習部１０２ｂは、正常時の多次元のプラントデータと、モデルＭＡにより出力される出力データＤＡと、の差分を学習データとして用いてモデルＭＢを学習する（ステップＳ１０３）。

なお、学習部１０２ａがモデルＭＡの学習を先に実行し、学習部１０２ｂが、学習済みのモデルＭＡにより出力されたデータを用いて生成した学習データを用いてモデルＭＢを学習する。

復元部１０３は、モデルＭＡから出力される多次元の出力データＤＡと、モデルＭＢから出力される多次元の出力データＤＢと、の和を算出することで、多次元のプラントデータの復元データを復元する（ステップＳ１０４）。

作成部１０４は、多次元のプラントデータと、復元部１０３より得られる多次元の復元データとの差分に基づいて監視基準を作成する（ステップＳ１０５）。

図３は、本実施形態における異常判定処理の一例を示すフローチャートである。

取得部１０１は、プラントから異常の判定対象となる多次元のプラントデータを取得する（ステップＳ２０１）。取得部１０１は、プラントから入力され記憶部１２１に記憶したプラントデータのうち、指定された判定対象期間に入力（記憶）されたプラントデータを、判定対象となるプラントデータとして取得（抽出）してもよい。

推論部１０５ａは、取得されたプラントデータをモデルＭＡに入力し、モデルＭＡからの出力データＤＡを推論結果として取得する（ステップＳ２０２）。推論部１０５ｂは、取得されたプラントデータと出力データＤＡとの差分をモデルＭＢに入力し、モデルＭＢからの出力データＤＢを推論結果として取得する（ステップＳ２０３）。

復元部１０３は、判定対象期間の多次元のプラントデータに対してモデルＭＡから出力された多次元の出力データＤＡと、モデルＭＢから出力された多次元の出力データＤＢと、の和を算出することで、多次元のプラントデータの復元データを復元する（ステップＳ２０４）。

判定部１０６は、復元データを用いて異常を判定する（ステップＳ２０５）。例えば判定部１０６は、判定対象期間の多次元のプラントデータと復元部１０３より得られる多次元の復元データとの差分を求め、差分が監視基準を満たさない場合には、プラントが異常であると判定する。出力制御部１０７は、例えば、プラントデータ、復元データ、差分、および、監視基準を判定結果とともに表示部１２２に表示する（ステップＳ２０６）。

次に、モデルＭＡおよびモデルＭＢの生成方法の詳細について説明する。以下では、モデルＭＡおよびモデルＭＢとしてオートエンコーダを用いた場合を説明する。図４および図５は、オートエンコーダであるモデル４０１によるデータ入出力の一例を示す図である。なお図４および図５では、説明の便宜上、入力データ（入力Ｘ）および出力データ（出力Ｘ’）の次元数を４としているが、次元数はこれに限られるものではない。また、入力データおよび出力データは、ある１つの次元のプラントデータの時間変化を例として記載している。

図４および図５に示すように、オートエンコーダ（モデル４０１）は、入力データ（入力Ｘ）を、学習データから抽出した特徴量Ｚで分類し、特徴量Ｚから元の入力データを復元した出力データ（出力Ｘ’）を出力するモデルである。図４に示すように学習データとして正常な状態のデータ（正常データ）を用いて学習させると、モデル４０１は、正常データの入力に対し正常データを復元した出力データを出力する。

一方、図５に示すように、正常データに含まれない特徴５０１を含むデータ、すなわち異常データが入力された場合、モデル４０１は、正常データに含まれない特徴が欠落した出力データを出力する。従って、入力された異常データと、復元された出力データとの差分から、異常を検知することができる。

なお、図４および図５では、１つの中間層を備えるオートエンコーダを例示しているが、中間層の個数は２以上であってもよい。このような構成の場合、複数の中間層のいずれかが、特徴量を表す層に相当する。

図６は、オートエンコーダとして構成されたモデルＭＡの一例を示す図である。図６のモデルＭＡは、モデル４０１と同様の構造を有し、正常時の多次元のプラントデータを学習データとして学習して得られるモデルの例である。モデルＭＡは、正常時のプラントデータの特徴量Ｚを用いて、正常時のプラントデータを復元するモデルとなる。図６以降では、説明の便宜上、入力データを１つまたは数種類のプラントデータとして示している。

図７は、回帰モデルとモデルＭＡの応答の違いを説明するための図である。回帰モデルは、例えば、過去のデータ（時刻ｔ－１，ｔ－２，・・・）から予測値（時刻ｔ）算出するモデルである。プラントでは、正常状態において運転条件がしばしばステップ状に変わり、その結果、センサ値が急激に変化する場合がある。しかし過去のデータ（ｔ－１，ｔ－２，・・・）にはセンサ値が急激に変化する前兆が含まれないため、過去のデータからステップ状の変化を予測することは困難である。

このため回帰モデルでは、図７の線７０２のように、典型的には、時間の経過とともに、徐々にセンサ値に近づく応答となる。一方、モデルＭＡでは、時刻ｔのセンサ値を用いて時刻ｔのセンサ値を復元する。時刻ｔでのセンサ値のステップ状の変化は、モデルＭＡの入力に含まれている。このため、ステップ状の変化が学習データから抽出された特徴と合致するならば、ステップ状の変化に同期してセンサ値を復元することができる。従って、モデルＭＡでは、図７の線７０１のように、正常なセンサ値の急激な変化を復元した応答となる。

次に、学習部１０２ｂによりモデルＭＢが生成される。学習部１０２ｂは、正常時の多次元のプラントデータと、モデルＭＡより得られる出力データＤＡとの差分を学習データとしてモデルＭＢを学習する。これにより、モデルＭＢは、正常状態における差分を復元するモデルとなる。

ここで、電気ノイズ信号の影響について説明する。プラントでは、例えば、１つの計測器が、複数のセンサから出力されるセンサ値を計測し、計測したセンサ値を異常判定装置１００などに出力する構成とする場合がある。計測器には、例えば１つの電源が接続される。このような構成では、プラントの運転状態とは無相関な、共通の計測器および計測器に接続される共通の電源に由来する僅かな電気ノイズ信号が、複数のセンサから出力されるセンサ値それぞれに重畳する場合がある。このような場合、単一のモデルでは、しばしば誤った学習が実行される。なお、計測器および電源は、共通の電気ノイズ源の一例であり、他のどのような要素が共通の電気ノイズ源となってもよい。

図８および図９は、このように誤って学習されたモデルの出力について説明するための図である。例えば、図８に示すように、モデル４０１が、電気ノイズ信号が重畳された入力データ８０１に対して、入力をそのまま出力として返す、恒等写像的な応答を示すように学習されたとする。このように学習されたモデル４０１に、図９に示すように異常な増加箇所９０２を含む異常データ９０１が入力されると、モデル４０１は、異常データをそのまま復元した出力データを出力する。

このような電気ノイズ信号への対策としては、予めセンサ値に対しローパスフィルタ等で電気ノイズ信号を除去したデータを用いてモデルを学習する方法が考えられる。しかし、プラントの時系列データのサンプリング周期が分のオーダであるのに対し、電気ノイズ信号波形の時間幅は非常に小さく（例えばミリ秒以下）、時系列データからは電気ノイズ信号の波形情報（周波数情報）が失われて白色化している。従って、ローパスフィルタ等で予めセンサ値から電気ノイズ信号を除去することができない。このため電気ノイズ信号もモデルの復元対象となる。

電気ノイズ信号の白色化は、サンプリング周期を小さくして電気ノイズ信号の波形情報を取得できるようにすることで回避可能となる。しかし、このような機能の実現には、システム更新および増強等の新たな設備投資が必要となる。

ここで、機械学習では、相互に無相関な複数のデータは切り離して別々に学習した方が、無相関なデータを相関ありとするような誤った学習を実行する可能性がなくなり、特徴をより高精度に抽出できる。

また、次元削減／復元モデルであるオートエンコーダは、モデルのパラメータとして特徴量の数を設定でき、特徴量の数を減らすことで、入力データの主要な振る舞いから外れた微小な振動等は復元しないように構成することができる。すなわち、特徴量の数をパラメータとしてパラメータサーベイを行って適切に特徴量の数を設定することで、ある波形データに微小な振動が重畳していた場合に、波形データのみを復元するような応答をさせることができる。他の次元削減／復元モデルにおいても同様である。

本実施形態のモデルＭＡは、このように特徴量の数を適切に設定し、電気ノイズ信号を復元しないように構成される。図１０は、このように構成されるモデルＭＡの例を示す図である。図１０では、図８と比較して、特徴量Ｚの個数が２個から１個に削減されたこと、すなわち、特徴量の個数が適切に設定されたことが示されている。なお、このような特徴量の個数は説明の便宜のために示したものであり、これらに限られるものではない。上記のように、適切にデータが復元されるように特徴量の個数が決定されればよい。

学習部１０２ａは、このように構成されたモデルＭＡを学習することにより、正常データからプラントの運転状態の特徴のみを復元し、微小な振動である電気ノイズ信号は復元しないモデルＭＡを生成することができる。

電気ノイズ信号は、正常データと、モデルＭＡから出力される出力データＤＡとの差分として分離して抽出される。本実施形態では、差分を復元するモデルとしてモデルＭＢが学習される。図１１は、モデルＭＢの構成例を示す図である。図１１に示すように、学習部１０２ｂは、差分を電気ノイズ信号としてモデルＭＢを学習する。これにより、学習部１０２ｂは、共通の電気ノイズ源を由来とする電気ノイズ信号のセンサ間の相関関係のみを学習するように、モデルＭＢの学習を実行できる。学習部１０２ｂは、学習により、正常状態の電気ノイズ信号を正しく復元するモデルＭＢを生成する。

図１２は、モデルＭＡおよびモデルＭＢの出力から入力データが復元される処理の全体の流れを説明するための図である。図１２に示すように、復元部１０３は、モデルＭＡの出力データＤＡとモデルＭＢの出力データＤＢとの和を取ることで、入力データの復元データを生成して出力する。このような構成により、電気ノイズ信号が重畳した正常状態の入力データが高精度で復元される。

作成部１０４は、正常時のプラントデータと復元データとの差分から監視基準を作成する。上記のように、監視基準は、差分の標準偏差、および、信頼区間等から決定される。図１３および図１４は、監視基準による異常判定処理の一例を示す図である。

図１３に示すように、学習データと同じ特徴を持つデータ、すなわち正常状態と同じ特徴を持つ正常データが入力された場合は、復元データは、入力データ（判定対象期間におけるプラントデータ）を復元したデータとなる。このため、判定部１０６は、入力データ（プラントデータ）と復元データとの差分は監視基準を満たし、異常は生じていないと判定する。

一方、図１４に示すように、学習データと同じ特徴を持たないデータ、すなわち異常データが入力された場合は、復元データは、入力データを復元したデータにならない。このため、判定部１０６は、入力データ（プラントデータ）と復元データとの差分は監視基準を満たさず、異常が生じていると判定する。

出力制御部１０７は、プラントデータ、復元データ、差分、および、監視基準を判定結果とともに表示部１２２に表示する。

以上のように、本実施形態によれば、２段階のモデル（モデルＭＡおよびモデルＭＢ）を用いて、運転条件のステップ状の変化および電気ノイズ信号も含めた正常状態の入力データを高精度に復元した復元データを出力することができる。また、この復元データを用いて正常状態からの僅かなプラントデータの変化を検知することができ、プラントの異常予兆の検知が可能となる。

（変形例）
上記のように、入力データは、プラントから得られるプラントデータなどである。プラントデータのような時系列データを入力データとする場合、ある一時刻の時系列データを入力データとしてもよいし、指定された期間（指定期間）内の複数の時刻の時系列データを入力データとしてもよい。以下では、指定期間内の複数の時系列データを入力データとする例について説明する。なお、１つの時刻の時系列データがｍ次元であり、指定期間内の時刻の個数がｎとすると、指定期間内の複数の時系列データに相当する入力データの次元は、ｍ×ｎ次元となる。

以下では、時系列データは、センサデータ、演算値、および、指令値を含むプラントデータ（時系列プラントデータ）とする。指定期間は、判定対象となるプラントデータが入力された全期間である判定対象期間のうち、指定された期間とする。

図１５は、本変形例による学習処理の流れを説明するための図である。学習部１０２ａは、判定対象期間内に入力された正常時の多次元の時系列プラントデータから、指定期間内の時系列プラントデータを抽出し、入力データとする（図１５（１））。また学習部１０２ａは、判定対象期間内で指定期間を変更し、変更後の指定期間内の時系列プラントデータを抽出し、新たな入力データとする処理を繰り返す。指定期間の変更は、例えば、後の時刻を含むように期間をずらす（スライドさせる）方法などを適用できる。複数の指定期間は、重複する時刻を含まないように指定されてもよいし、重複する時刻を含むように指定されてもよい。入力データの次元数を同じとするため、各指定期間に含まれる時系列プラントデータの個数は同じとするように指定期間が指定される。

学習部１０２ａは、複数の指定期間に対応する複数の入力データを用いてモデルＭＡを学習する。モデルＭＡは、入力データと同じ次元の出力データＤＡ（図１５（２））を出力するモデルである。例えば入力データがｍ×ｎ次元の場合、出力データＤＡもｍ×ｎ次元となる。

学習部１０２ｂは、正常時の指定期間での多次元の時系列プラントデータの時刻ｔでの値と、多次元の出力データＤＡの時刻ｔでの値との差分を学習データとして、モデルＭＢを学習する。学習部１０２ｂは、指定期間内で時刻ｔを変更しながら（例えば後の時刻となるようにスライドさせながら）差分を算出し、学習データとする。また学習部１０２ｂは、指定期間を変更して同様の処理を繰り返す。これにより、学習部１０２ｂは、指定期間の時刻ｔでの差分の入力に対し、指定期間の時刻ｔでの差分を復元したデータに相当する出力データＤＢを出力するモデルＭＢを生成する。

図１６は、本変形例によるデータ復元処理の流れを説明するための図である。復元部１０３は、モデルＭＡより得られる、指定期間の多次元（例えばｍ×ｎ次元）の出力データＤＡ（図１６のデータ１７０１）と、モデルＭＢより得られる、指定期間内での時刻ｔでの差分の復元データに相当する多次元（例えばｍ次元）の出力データＤＢ（図１６のデータ１７０２）とを、時刻ｔを同期させて、指定期間内の時刻それぞれ（例えばｎ個の時刻それぞれ）で和をとることで、指定期間の多次元のプラントデータの復元データを出力する。

作成部１０４は、指定期間内に入力された正常時の多次元の時系列プラントデータと、指定期間内の時系列プラントデータに対して復元された復元データとの差分に基づいて監視基準を作成する。作成部１０４は、指定期間を変更し、変更した指定期間それぞれで差分を算出し、監視基準の作成に用いる。

判定部１０６は、指定期間内に入力された多次元の時系列プラントデータと、復元部１０３より得られる多次元の出力データＤＢとの差分が監視基準を満たさない場合に、プラントが異常であると判定する。

以上のように構成することにより、判定対象期間の正常状態のプラントデータの復元の精度をさらに向上させ、異常判定の精度をさらに向上させることができる。

なお、プラントの運転では、運転操作が指令されてから、個々の機器が応答するまでの時間差（応答時間）、並びに、圧力および流量等の物理量が応答するまで時定数が存在する。このため、本変形例のように、指定期間内の複数の時刻の時系列データを学習データとすることで、複数のプラントデータ間の時間相関も学習することが可能となる。これにより、正常状態のプラントデータを復元する精度をより向上させることができる。

指定期間の長さは、応答時間および時定数に応じて設定される。例えば、プラントデータの高速フーリエ変換などの周波数分析、および、プラントの運転操作手順等を考慮して指定期間の長さが設定される。例えば発電プラントでは、指定期間は、数１０分間～数時間に設定される。

一般に機械学習では学習データが多い方が精度は向上する。正常データを余すことなく学習に用いるために、本変形例では、図１５に示すように、正常状態の時系列プラントデータから、指定期間に相当する時系列プラントデータを抽出してモデルＭＡを学習する処理を、正常状態の範囲内で指定期間を変化（スライド）させて複数回実行する。

時系列プラントデータのサンプリング周期（一般に分オーダ）に対して、電気ノイズ信号の波形の時間幅（～ミリ秒）は小さいため、時系列プラントデータからは電気ノイズ信号の波形情報（周波数情報）が失われていること、および、電気ノイズの発生タイミングは時間的にランダムであることから、電気ノイズ信号には時間相関がない。このため、モデルＭＢの学習、言い換えると、電気ノイズ信号の学習では、学習データである電気ノイズ信号には時間相関がないことを考慮する必要がある。

例えば学習データとして指定期間に含まれる複数の時刻の時系列データを用いると、無相関の時系列データ間に相関があると誤って学習する可能性がある。このため、モデルＭＢの学習では、指定期間内の複数の時刻の時系列データではなく、時刻ｔでの瞬間値に相当する時系列データを学習データとして用いる。このように、同一時刻のみでのプラントデータ間の相関を学習することで、正常状態のデータをより高精度に復元可能となる。

本変形例では、図１５の下部に示すように、正常データを余すことなく学習に用いるために、正常時の指定期間での多次元の時系列プラントデータの時刻ｔでの値と、モデルＭＡから得られる多次元の出力データＤＡの時刻ｔでの値との差分を抽出し、指定期間内で時刻ｔを変化（スライド）させて学習する処理を、指定期間を変化（スライド）させて複数回実行する。

モデルＭＡの出力データＤＡは、指定期間内の複数の時刻に対応する複数のデータである。一方、モデルＭＢからの出力データＤＢは、一時刻での瞬間値の差分のデータである。例えば、出力データＤＡは複数の時刻（ｔ，ｔ－１，ｔ－２，・・・）のデータであるのに対して、出力データＤＢは瞬間値（ｔ）のデータとなる。このため、出力データＤＡの次元数と、出力データＤＢの次元数とは異なる。

従って、復元部１０３は、異なる次元数のデータ間で和を求めるように構成する必要がある。本変形例では、図１６に示すように、復元部１０３は、指定期間の多次元の出力データＤＡと、多次元の指定期間内での時刻ｔでの差分を示す出力データＤＢとを、時刻ｔを同期させて、指定期間内の各時刻で和を求めることで、指定期間の多次元のプラントデータの復元データを出力する。

以上説明したとおり、本実施形態によれば、故障の判定（検知）をより高精度に実行することが可能となる。

次に、実施形態にかかる異常判定装置のハードウェア構成について図１７を用いて説明する。図１７は、実施形態にかかる異常判定装置のハードウェア構成例を示す説明図である。

実施形態にかかる異常判定装置は、ＣＰＵ（Central Processing Unit）５１などの制御装置と、ＲＯＭ（Read Only Memory）５２やＲＡＭ（Random Access Memory）５３などの記憶装置と、ネットワークに接続して通信を行う通信Ｉ／Ｆ５４と、各部を接続するバス６１を備えている。

実施形態にかかる異常判定装置で実行されるプログラムは、ＲＯＭ５２等に予め組み込まれて提供される。

実施形態にかかる異常判定装置で実行されるプログラムは、インストール可能な形式又は実行可能な形式のファイルでＣＤ－ＲＯＭ（Compact Disk Read Only Memory）、フレキシブルディスク（ＦＤ）、ＣＤ－Ｒ（Compact Disk Recordable）、ＤＶＤ（Digital Versatile Disk）等のコンピュータで読み取り可能な記録媒体に記録してコンピュータプログラムプロダクトとして提供されるように構成してもよい。

さらに、実施形態にかかる異常判定装置で実行されるプログラムを、インターネット等のネットワークに接続されたコンピュータ上に格納し、ネットワーク経由でダウンロードさせることにより提供するように構成してもよい。また、実施形態にかかる異常判定装置で実行されるプログラムをインターネット等のネットワーク経由で提供または配布するように構成してもよい。

実施形態にかかる異常判定装置で実行されるプログラムは、コンピュータを上述した異常判定装置の各部として機能させうる。このコンピュータは、ＣＰＵ５１がコンピュータ読取可能な記憶媒体からプログラムを主記憶装置上に読み出して実行することができる。

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

１００ 異常判定装置
１０１ 取得部
１０２ａ、１０２ｂ 学習部
１０３ 復元部
１０４ 作成部
１０５ａ、１０５ｂ 推論部
１０６ 判定部
１０７ 出力制御部
１２１ 記憶部
１２２ 表示部

Claims (9)

1. 第１入力データを第１モデルに入力し、前記第１入力データの次元を削減したデータを前記第１入力データと同じ次元のデータに復元したデータであって前記第１モデルが出力する第１出力データを得る第１推論部と、
   前記第１入力データと前記第１出力データとの差分である第２入力データを第２モデルに入力し、前記第２入力データの次元を削減したデータを前記第２入力データと同じ次元のデータに復元したデータであって前記第２モデルが出力する第２出力データを得る第２推論部と、
   前記第１出力データと前記第２出力データとの和である復元データを求める復元部と、
   前記第１入力データと、前記復元データとを比較し、比較結果に基づいて前記第１入力データの異常を判定する判定部と、を備え、
   前記第１入力データは、プラントから出力される複数の種類のプラントデータであり、
   前記次元は、前記種類の個数である、
   異常判定装置。
2. 前記第１入力データは、指定された期間内の複数の時系列データである、
   請求項１に記載の異常判定装置。
3. 前記第１入力データは、プラントに対する指令値である、
   請求項１に記載の異常判定装置。
4. 前記第１入力データは、プラントで用いられるセンサから出力されるセンサデータ、前記センサデータを用いた演算により得られる演算値、および、前記プラントに対する指令値のうち少なくとも１つである、
   請求項１に記載の異常判定装置。
5. 前記第１モデルおよび前記第２モデルは、オートエンコーダである、
   請求項１に記載の異常判定装置。
6. 正常な前記第１入力データを用いて前記第１モデルを学習する第１学習部と、
   正常な前記第１入力データと、正常な前記第１入力データに対して前記第１モデルが出力した前記第１出力データと、の差分である前記第２入力データを用いて、前記第２モデルを学習する第２学習部と、をさらに備える、
   請求項１に記載の異常判定装置。
7. 前記判定部による判定結果の出力を制御する出力制御部をさらに備える、
   請求項１に記載の異常判定装置。
8. 前記第１モデルは、第１時刻のデータである前記第１入力データを入力し、前記第１時刻のデータを復元したデータである前記第１出力データを出力するモデルである、
   請求項１に記載の異常判定装置。
9. 第１入力データを第１モデルに入力し、前記第１入力データの次元を削減したデータを前記第１入力データと同じ次元のデータに復元したデータであって前記第１モデルが出力する第１出力データを得る第１推論ステップと、
   前記第１入力データと前記第１出力データとの差分である第２入力データを第２モデルに入力し、前記第２入力データの次元を削減したデータを前記第２入力データと同じ次元のデータに復元したデータであって前記第２モデルが出力する第２出力データを得る第２推論ステップと、
   前記第１出力データと前記第２出力データとの和である復元データを求める復元ステップと、
   前記第１入力データと、前記復元データとを比較し、比較結果に基づいて前記第１入力データの異常を判定する判定ステップと、を含み、
   前記第１入力データは、プラントから出力される複数の種類のプラントデータであり、
   前記次元は、前記種類の個数である、
   異常判定方法。

Images