WO2010041355A1 - 異常検知方法及びシステム - Google Patents

異常検知方法及びシステム Download PDF

Info

Publication number
WO2010041355A1
WO2010041355A1 PCT/JP2009/002391 JP2009002391W WO2010041355A1 WO 2010041355 A1 WO2010041355 A1 WO 2010041355A1 JP 2009002391 W JP2009002391 W JP 2009002391W WO 2010041355 A1 WO2010041355 A1 WO 2010041355A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
abnormality
modeling
sensors
abnormality detection
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.)
Ceased
Application number
PCT/JP2009/002391
Other languages
English (en)
French (fr)
Inventor
前田俊二
渋谷久恵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hitachi Ltd
Original Assignee
Hitachi Ltd
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 Hitachi Ltd filed Critical Hitachi Ltd
Priority to CN200980130579.0A priority Critical patent/CN102112933B/zh
Priority to KR1020117002716A priority patent/KR101316486B1/ko
Priority to US13/057,831 priority patent/US8630962B2/en
Priority to EP09818896A priority patent/EP2333629A4/en
Publication of WO2010041355A1 publication Critical patent/WO2010041355A1/ja
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2137—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on criteria of topology preservation, e.g. multidimensional scaling or self-organising maps
    • G06F18/21375—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on criteria of topology preservation, e.g. multidimensional scaling or self-organising maps involving differential geometry, e.g. embedding of pattern manifold
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Definitions

  • the present invention relates to a method for detecting an abnormality in a plant or equipment at an early stage.
  • Electric power companies use waste heat from gas turbines to supply hot water for district heating and supply high-pressure steam and low-pressure steam to factories.
  • Petrochemical companies operate gas turbines and other power sources.
  • it is extremely important to detect the abnormality at an early stage because damage to society can be minimized.
  • SmartSignal in the United States provides services for abnormality detection mainly for engines.
  • the past data is stored as a database (DB)
  • the similarity between the observation data and the past learning data is calculated by an original method
  • the estimated value is calculated by linear combination of the data with high similarity
  • the past learning data stored in the database must comprehensively include various states. If observation data that is not in the learning data is observed, all of these are treated as not included in the learning data, and are judged as outliers. It will drop significantly. For this reason, it is indispensable for the user to store all data in all past states as a DB.
  • the object of the present invention is to solve the above-mentioned problems, allow incompleteness of learning data and mixing of abnormalities, reduce user load, and detect abnormalities with high sensitivity at an early stage. It is to provide a method and system for detecting an abnormality.
  • the present invention (1) pays attention to temporal data behavior and divides the trajectory into clusters over time.
  • the present invention even if the learning data is not complete, it is possible to allow an abnormality to be mixed, and it is possible to detect an abnormality early and highly accurately in a facility such as a plant. In other words, unlike SmartSignal, there is no need for normal part learning and comprehensive data collection according to multiple states.
  • FIG. 1 shows an embodiment of the present invention
  • FIG. 2 shows an example of a target signal.
  • the target signal is a plurality of time series signals as shown in FIG.
  • four types of signals of series 1, 2, 3, 4 are shown.
  • the number of signals is not limited to four, and may be several hundred to several thousand.
  • Each signal corresponds to the output from a plurality of sensors provided in the target plant or facility. For example, the temperature of cylinders, oil, cooling water, etc., oil and cooling water pressure, shaft rotation speed, room temperature, operation time, etc. are observed from various sensors several times a day or at regular intervals. Is done. It may be a control signal (input) for controlling something as well as representing an output or state. In some cases, ON / OFF control is performed, and in other cases, control is performed so that the value is constant. Some of these data are highly correlated with each other. All these signals can be of interest. The presence or absence of abnormality is judged by looking at these data. Here, it is treated as a multidimensional time series signal.
  • a multidimensional time series signal is acquired by the multidimensional signal acquisition unit 1.
  • the missing value correction / deletion unit 2 corrects / deletes the missing value.
  • defect correction is generally performed by replacing previous and subsequent data or moving average. Deletion eliminates abnormalities as data, such as when many data are simultaneously reset to zero.
  • correction and deletion of missing values are performed based on the state of the equipment and the knowledge of the engineer stored in the DB of state data / knowledge 3.
  • the invalid signal is deleted by the correlation analysis by the invalid signal deleting unit 4 by the correlation analysis.
  • the principal component analysis unit 5 performs data dimension reduction.
  • the M-dimensional multidimensional time-series signal is linearly converted into an r-dimensional multi-dimensional time-series signal having the number of dimensions r by principal component analysis.
  • Principal component analysis generates an axis that maximizes variation. KL conversion may be used.
  • the number of dimensions r is determined based on a value that is a cumulative contribution ratio obtained by arranging eigenvalues obtained by principal component analysis in descending order and dividing the eigenvalue added from the larger one by the sum of all eigenvalues.
  • FIG. 4 shows the pattern.
  • the three-dimensional display (referred to as feature space) in the upper left of FIG. 4 is a three-dimensional display with a high contribution ratio of the r-dimensional multidimensional time-series signal after the principal component analysis. In this state, it can be seen that the state of the target facility is still observed as being complicated.
  • the remaining eight three-dimensional displays in FIG. 4 are obtained by tracking a trajectory along time and performing clustering, and represent each cluster. In clustering, if the distance between data exceeds a predetermined threshold value over time, another cluster is used, and if the threshold value is not exceeded, the same cluster is used.
  • clusters 1, 3, 9, 10, and 17 are clusters in the operation ON state, and the clusters 6, 14, and 20 are separated into the clusters in the operation OFF state.
  • Clusters not shown such as cluster 2 are in the transition period.
  • the locus moves linearly when the operation is on, and an unstable locus moves when the operation is off.
  • clustering by trajectory division has several advantages. It can be classified into a plurality of states such as an operation ON state and an operation OFF state. As seen in the operation ON state, these clusters can be expressed by a low-dimensional model such as linear.
  • These clustering operations may be performed with these strings attached in consideration of the alarm signal of the facility and maintenance information. Specifically, information such as an alarm signal is added to each cluster as an attribute.
  • FIG. 5 shows another example of the state of labeling by clustering in the feature space.
  • FIG. 6 shows the result of clustering on one time series signal. In this case, 16 clusters can be generated, and it can be seen that the time-series signal is divided into 16 clusters.
  • the operation time (cumulative time) was also displayed. The horizontal part is the operation OFF. It can be seen that operation ON and operation OFF are separated with high accuracy.
  • modeling in a low-dimensional subspace is performed for each clustered cluster by the modeling unit 8 for each cluster.
  • modeling is performed by regression analysis.
  • the general formula for regression analysis is as follows. “Y” corresponds to an r-dimensional multidimensional time series signal for each cluster. “X” is a variable that explains y. "Y ⁇ " becomes a model. “E” is a deviation.
  • y Objective variable (column r) b: Regression coefficient (1 + p column)
  • ⁇ min b (X'X) -1X'y ('represents transpose)
  • FIG. 24 illustrates a general CLAFIC method. The case of 2 class, 2D pattern is shown. A subspace of each class, that is, a subspace represented here as a one-dimensional straight line is obtained.
  • eigenvalue decomposition is performed on the autocorrelation matrix of each class of data, and an eigenvector is obtained as a basis.
  • the eigenvectors corresponding to the upper eigenvalues having a large value are used.
  • the unknown pattern q (latest observation pattern) is classified into class A.
  • the multidimensional time series signal shown in FIG. 2 since the normal part is basically targeted, it becomes a problem of class 1 identification (illustrated in FIG. 1).
  • the distance from the latest observation pattern) to class A is obtained, and this is taken as the deviation. If the deviation is large, it is determined as an outlier.
  • the influence is mitigated when the dimension is reduced and the subspace is made. This is an advantage of applying the subspace method.
  • the center of gravity of each class is used as the origin.
  • the eigenvector obtained by applying KL expansion to the covariance matrix of each class is used as a basis.
  • Various subspace methods have been proposed, but if there is a distance scale, the degree of deviation can be calculated. In the case of the density, the degree of deviation can be determined based on the magnitude.
  • the CLAFIC method is a similarity measure because it determines the length of the orthogonal projection.
  • Subspace methods such as the projection distance method are discriminators based on distance, and as a learning method when abnormal data can be used, vector quantization that updates dictionary patterns and metric learning that learns distance functions can be used. .
  • k multidimensional time series signals close to an unknown pattern q (latest observation pattern), called a local subspace method, are obtained, and a linear manifold is generated such that the nearest neighbor pattern of each class is the origin, A method of classifying an unknown pattern into a class having a minimum projection distance to the linear manifold can also be applied (see the frame of the local subspace method in FIG. 31).
  • Local subspace method is also a kind of subspace method.
  • the local subspace method will be applied to each cluster after clustering already described.
  • k is a parameter.
  • the anomaly detection since it becomes a problem of one class identification as before, the class A to which the majority of data belongs is regarded as a normal part, and the distance from the unknown pattern q (latest observation pattern) to the class A is obtained, This is the deviation.
  • an orthogonal projection point from an unknown pattern q (latest observation pattern) to a partial space formed using k multidimensional time series signals can be calculated as an estimated value ( (The estimated value data described in the frame of the local subspace method in FIG. 31). It is also possible to rearrange the k multi-dimensional time series signals in the order closer to the unknown pattern q (latest observation pattern) and perform weighting inversely proportional to the distance to calculate the estimated value of each signal.
  • the estimated value can be calculated in the same manner by the projection distance method or the like.
  • the parameter k is usually set to one type, but if the parameter k is changed and executed several times, the target data will be selected according to the similarity, and it can be judged comprehensively from those results. is there.
  • the selected data in the cluster is targeted, even if anomalous values are mixed slightly, the influence is greatly reduced when the local subspace is used.
  • a classifier such as a one-class support vector machine is also applicable if it is simply considered as a problem of one-class identification.
  • kernelization such as radial ⁇ basis function that maps to higher-order space can be used.
  • the side close to the origin is an outlier, that is, an abnormality.
  • the support vector machine can cope with a large dimension of the feature amount, there is a drawback that the calculation amount becomes enormous as the number of learning data increases.
  • FIG. 8 shows a case where clustering by trajectory division is not performed for reference. In the case of FIG. 7, the deviation is large when the time-series signal behaves in an oscillating manner in the operation OFF section and the operation ON section.
  • the outlier detection unit 10 obtains the outlier.
  • the magnitude of the threshold is checked. Since the detected abnormal signal is after the principal component analysis, it can be inversely converted to confirm at what ratio the original signal is synthesized and determined as abnormal.
  • FIG. 28 shows an application example of the local subspace method.
  • the signal is divided into the first half and the second half (according to a verification method called intersection confirmation), and each is used as learning data to determine the distance to the remaining data.
  • the parameter k was 10.
  • a stable result can be obtained by changing some k and taking a majority vote thereof (based on the same idea as the method of bagging described later).
  • This local subspace method has an advantage that N data is automatically removed.
  • an irregular behavior during operation OFF is detected.
  • the necessity of clustering is alleviated, but the cluster other than the cluster to which the observation data belongs may be used as learning data, and the local subspace method may be applied to this data and the observation data. According to this method, the degree of deviation from another cluster can be evaluated. The same applies to the projection distance method.
  • FIG. 29 shows examples thereof. Data other than the cluster to which the observation data belongs was used as learning data. This idea is effective because the most similar data can be excluded from the “local” region when similar data continues like time-series data.
  • N data extraction was demonstrated as a feature-value (sensor signal), the data of a time-axis direction may be sufficient.
  • FIG. 9 shows some examples.
  • the diagram on the left side of FIG. 9 is a two-dimensional display of the r-dimensional time series signal after principal component analysis. This is an example of visualizing data behavior.
  • the diagram on the right side of FIG. 9 illustrates clustering by performing clustering by trajectory division. In this example, each cluster is expressed by a simple low-order model (here, a straight line).
  • the diagram on the left side of FIG. 10 is an example shown so that the moving speed of data can be understood. By applying the Wavelet analysis described later, it is possible to analyze the speed, that is, the frequency, and handle it as a multivariate.
  • the right diagram in FIG. 10 is an example displayed so that the deviation from the model shown in the right diagram in FIG. 9 can be understood.
  • the figure on the left side of FIG. 11 is another example. This is an example in which clusters determined to be similar based on a distance criterion or the like are merged (in the figure, adjacent clusters are merged), the model after merging is shown, and the deviation from the model is illustrated.
  • the diagram on the right side of FIG. 11 represents the state. Three types of states A, B, and C are separately displayed. When the states are considered separately, changes in the state A and the like can be illustrated as shown in the left diagram of FIG.
  • FIG. 12 shows changes from a model (low-order subspace) obtained from past learning data, and state changes can be observed. In this way, better understanding can be promoted by processing the data, showing the processed data to the user, and visualizing the current situation.
  • FIG. 13 shows an abnormality detection method.
  • a random number of r-dimensional multi-dimensional time series signals are selected for each cluster.
  • By random selection There is an advantage that it can be calculated in a shorter time than all combinations except for an ineffective signal in which a characteristic that cannot be seen appears when all signals are used. Further, it is possible to select a number of r-dimensional multi-dimensional time series signals that are randomly determined in the time axis direction.
  • a cluster may be used as a unit, the inside of the cluster is divided, and the determined number is randomly selected.
  • FIG. 14 shows another embodiment. A portion 12 for processing an alarm signal is added. As shown in FIG. 15A, an alarm signal generation history is acquired. Then, the histogram is displayed. It can be easily imagined that the degree of abnormality is high in the high frequency section. Therefore, as shown in FIG. 15 (b), in consideration of the frequency of the histogram, the abnormality specifying unit 13 shown in FIG. Abnormality judgment is performed.
  • FIG. 16 shows another embodiment. This is an example in which Wavelet (conversion) analysis is added.
  • the wavelet analysis signal adding unit 14 performs the wavelet analysis shown in FIG. 17 for the M-dimensional multidimensional time series signal, and adds these signals to the M-dimensional multidimensional time series signal. It is also possible to replace it with an M-dimensional multidimensional time series signal. Anomalies are detected by a discriminator such as a local subspace method for such newly added or replaced multidimensional time series signals.
  • 17A corresponds to the signal of scale 1 in FIG. 25 described later
  • FIG. 17B corresponds to the fluctuation of scale 8 in FIG. 25 described later
  • FIG. 25 corresponds to the variation of the scale 4 in FIG. 25
  • FIG. 17D corresponds to the variation of the scale 2 in FIG.
  • FIG. 25 illustrates the Wavelet analysis.
  • the signal of scale 1 is the original signal. This is sequentially added to the adjacent signal to create a scale 2 signal, and the difference from the original signal is calculated to generate a scale 2 fluctuation signal. When this is repeated in sequence, finally, a constant value signal of scale 8 and its fluctuation signal are obtained.
  • the original signal is decomposed into each fluctuation signal of scale 2, 4, 8 and DC signal of scale 8. it can. Therefore, each fluctuation signal of such scales 2, 4, and 8 is regarded as a new characteristic signal and is added to the multidimensional time series signal.
  • the frequency spectrum obtained by performing Fourier transform spreads over the entire area, and it is difficult to extract features for individual signals.
  • the Wavelet transform which can obtain a spectrum localized in time, is convenient when data including a lot of non-stationary signals, such as pulses and impulses, is processed.
  • Wavelet analysis edited by the Institute of Electrical Engineers of Japan, is detailed in Asakura Publishing, 2005, “Industrial Application of Wavelet Analysis” written by Seiichi Shin. It is applied to many objects such as chemical plant control system diagnosis, abnormality detection in air conditioning plant control, cement firing process abnormality monitoring, and glass melting furnace control.
  • the difference from the prior art is that the wavelet analysis is treated as a multi-resolution expression, and the information of the original multi-dimensional time series signal is revealed by the wavelet transform.
  • these as multivariate variables it is possible to detect the abnormality early from the stage where the abnormality is weak. That is, it becomes possible to detect early as a sign.
  • ⁇ Classification is possible based on the above formula.
  • the above is an example of classification into multi-classes, but if the number of classes K is 2, it becomes a problem of two classifications, that is, an abnormality detection. Then, by applying the result of Wavelet analysis to the observed value, it is possible to detect anomalies that target even anomalies localized in time. As described above, when there is a lot of abnormality data and it can be taught, it is possible to perform abnormality detection with higher accuracy in a statistical sense.
  • FIG. 18 shows another embodiment. This is an example in which a scatter diagram / correlation analysis unit 15 is added.
  • FIG. 19 shows an example in which a scatter diagram / correlation analysis is performed on an r-dimensional multidimensional time series signal.
  • a delay lag is considered.
  • the position of the maximum value of the cross correlation function is called a lag.
  • the time lag for the two phenomena is equal to the lag of the cross-correlation function.
  • the positive / negative of the lag is determined by which of the two phenomena occurs earlier.
  • the results of such scatter diagram analysis and cross-correlation analysis represent the correlation between time series signals, but can also be used to characterize each cluster and can be a measure of similarity between clusters. .
  • similarity between clusters is determined based on the degree of coincidence of lag amounts. This makes it possible to merge similar clusters shown in FIG. Model using the merged data.
  • the merging method may be another method.
  • FIG. 20 shows another embodiment. This is an example in which a time / frequency analysis unit 16 is added.
  • FIG. 21 shows an example in which time / frequency analysis is performed on an r-dimensional multidimensional time series signal. It is also possible to perform time / frequency analysis or scatter diagram / correlation analysis and add these signals to the M-dimensional multi-dimensional time series signal or replace them with the M-dimensional multi-dimensional time series signal.
  • FIG. 22 shows another embodiment. This is an example in which learning data DB 17 and modeling (1) 18 are added.
  • FIG. 23 shows the details.
  • the learning data is modeled as a plurality of models, the similarity with the observation data is judged, the corresponding model is applied, and the deviation from the observation data is calculated.
  • Modeling (2) is the same as in FIG. 1, and from this, the deviation from the model obtained from the observation data is calculated.
  • modeling (1) and (2) can be handled equally, but weighting may be performed. That is, if the learning data is considered basic, the weight of the model (1) is increased, and if the observation data is considered basic, the weight of the model (2) is increased.
  • the subspace model comprised by the model (1) is compared between clusters, and if they are the clusters of the same state originally, the state change can be known. And if the subspace model of observation data has moved from it, a state change can be read. If the state change is intended such as part replacement, that is, if the design side knows and should allow the change, the weight of the model (1) is decreased and the weight of the model (2) is decreased. Enlarge. If the state change is not intended, the weight of the model (1) is increased. For example, if the parameter ⁇ is used as the weight of the model (1), ⁇ ⁇ model (1) + (1 ⁇ ) ⁇ model (2) Can be formulated as
  • the model (1) may have a forgetting type in which the weight of the older model is smaller. In this case, a model based on recent data is emphasized.
  • a physical model 22 is a model that simulates a target engine and the like by simulation. If the target knowledge is sufficient, the target engine or the like can be expressed by a discrete-time (non) linear state space model (represented by a state equation or the like), so that an intermediate value or output thereof can be estimated. Therefore, according to this physical model, it is possible to detect an abnormality based on the deviation from this model.
  • the learning data model (1) it is also possible to modify the learning data model (1) according to the physical model.
  • the physical model can be modified in accordance with the learning data model (1).
  • knowledge as a past record it is also possible to incorporate data transitions accompanying the occurrence of alarms and parts replacement into the physical model.
  • the learning data (individual data, the position of the center of gravity, etc.) may be moved with the occurrence of an alarm or part replacement.
  • the statistical model is mainly used for the physical model when the statistical model is less understood about the process of generating data. By being effective. Distance and similarity can be defined even if the data generation process is unclear. Even in the case of an image, the statistical model is effective when the image generation process is unclear. If the knowledge about the object can be used even a little, the physical model 22 can be used.
  • FIG. 26 shows abnormality detection and diagnosis after abnormality detection.
  • an abnormality is detected from the time-series signal from the facility by the method described so far.
  • incidental information such as maintenance events (alarms, work results, etc.) is captured to detect abnormalities with high sensitivity.
  • abnormality diagnosis is performed based on this sign.
  • Abnormality diagnosis can be easily divided into phenomenon diagnosis that identifies sensors that contain signs and cause diagnosis that identifies parts that may cause failure.
  • the abnormality detection unit outputs information regarding the feature amount in addition to a signal indicating the presence / absence of abnormality to the abnormality diagnosis unit.
  • the abnormality diagnosis unit makes a diagnosis based on this information.
  • Fig. 27 shows the hardware configuration.
  • Sensor data such as a target engine is input to a processor that executes abnormality detection, and missing values are repaired and stored in the database DB.
  • the processor performs abnormality detection using the observation data and DB data, and outputs an abnormality detection signal.
  • the display unit performs various displays as described in the embodiments. It is also possible to display a trend.
  • Database DB can be operated by skilled engineers. In particular, abnormal cases and countermeasure cases can be taught and stored. (1) Learning data (normal), (2) abnormal data, (3) countermeasure contents are stored. By making the database DB a structure that can be manipulated by skilled engineers, a sophisticated and useful database can be created. Data manipulation is performed by moving learning data (individual data, the position of the center of gravity, etc.) with the occurrence of an alarm or part replacement. It is also possible to add acquired data. If there is abnormal data, a method such as generalized vector quantization can be applied to the movement of the data.
  • the time series signal is used, it does not matter. It can also be applied to human body measurement data. According to this embodiment, even if the number of states and the number of transitions are large, it can be handled.
  • each function described in the embodiment for example, clustering, principal component analysis, wavelet analysis, etc. is not necessarily performed, and may be appropriately performed according to the nature of the target signal.
  • Clustering is not limited to time trajectories, and it goes without saying that methods in the data mining field can be used, including the EM (Expectation-Maximization IV) algorithm and k-means clustering for mixed distributions.
  • a classifier may be applied to the obtained cluster as a target, but a cluster may be grouped and a classifier may be applied to the cluster.
  • the simplest example is to separate the cluster to which the daily observation data belongs and the cluster to which the daily observation data belongs (the current data as the data of interest shown in the feature space on the right side of FIG. Applicable to past data).
  • the selection of sensor signals (features) can be done by using existing methods such as the wrapper method (for example, using the backward ⁇ ⁇ stepwise selection to remove the most unnecessary features one by one from the state where all feature quantities are present). is there.
  • the discriminator can prepare several discriminators and take the majority of them. That is, ensemble (group) learning using different classifier groups can be applied.
  • FIG. 30 shows a configuration example thereof.
  • the classifier 1 is a projection distance method
  • the classifier 2 is a local subspace method
  • the classifier 3 is a linear regression method. Any classifier can be applied as long as it is based on case data.
  • the reason for using multiple discriminators is that the discriminators require different criteria and different target data ranges (depending on segmentation and their integration), so that there is a slight difference in the results. For this reason, a majority decision is taken to stabilize, or an OR (outlier value itself, that is, maximum value detection in the case of multiple values) logic is used, and if an abnormality is detected by one of the discriminators, it is output that an abnormality has occurred. , Try to detect without abnormality, or with AND (minimum value detection in the case of multiple values) logic, if any abnormality is detected at the same time in any discriminator, it will output that an abnormality has occurred and minimize false detection
  • the discriminator is configured based on a higher standard such as limiting. Of course, it is needless to say that the integration can be performed in consideration of information such as maintenance information such as alarm signals and parts replacement.
  • bagging takes K pieces of data by allowing duplication from N data (restoration extraction), creates the first discriminator h1 based on this K pieces, and duplicates from N pieces of data.
  • a second learner h2 based on this K pieces (the contents of which are different from the first one), and collect several discriminators from different data. This is the method of taking a majority vote when actually using it as a discriminator.
  • an equal weight 1 / N is first assigned to N pieces of data, and the first discriminator h1 learns using all N pieces of data.
  • the accuracy rate is checked for each piece, and the reliability ⁇ 1 (> 0) is obtained based on the accuracy rate.
  • the weight of the data correctly answered by the first discriminator is reduced by exp ( ⁇ 1) to reduce the weight, and the weight of the data that cannot be correctly answered is increased by exp ( ⁇ 1).
  • the second discriminator h2 performs weighted learning using all N pieces of data, obtains a reliability ⁇ 2 (> 0), and updates the data weight.
  • the weight of the correct data for both is light, and the weight of the wrong data for both is heavy. Thereafter, this is repeated to create M discriminators, and when actually used as discriminators, a majority vote with reliability is taken. By applying these methods to the cluster group, performance improvement can be expected.
  • FIG. 31 shows an example of a configuration example of the entire abnormality detection including the discriminator shown in FIG.
  • ensemble learning is performed to achieve a high identification rate.
  • the method of integrating the discriminator outputs is as described above, but there are some combinations of which discriminator is applied to which cluster.
  • the local subspace method is applied to clusters different from the observed data to grasp the degree of deviation from the different clusters (calculate the estimated value), and the regression analysis method is applied to the same cluster as the observed data. Apply and grasp the degree of deviation from its own cluster.
  • the degree of deviation from other clusters can also be performed by the projection distance method or the regression analysis method.
  • the degree of deviation from the own cluster can also be performed by the projection distance method. If the alarm signal can be utilized, the cluster can be a cluster to which no severe alarm signal is added depending on the severity level of the alarm signal.
  • the integration of the discriminator outputs may be scalar conversion processing such as addition of outliers, maximum / minimum, OR / AND, or the output of the discriminator can be treated as a vector and multidimensional.
  • the scales of the discriminator outputs are matched as much as possible.
  • the first report of abnormality is detected for other clusters, and when the data of the own cluster is collected, the abnormality of the second report is targeted for the own cluster. Detection may be performed. In this way, it is possible to urge customers to call attention.
  • the present embodiment can be said to be an embodiment that pays more attention to signal behavior and behavior in relation to the target cluster group.
  • Each cluster trajectory scatter diagram / correlation analysis unit 16 ⁇ ⁇ ⁇ Time / frequency analysis section for each cluster, 17 ⁇ ⁇ ⁇ Learning data, 18 Modeling part (1), 19 ... Processor, 20 ... Display, 21 ... Database 22: Physical model.

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

学習データの完全性、異常の混入を許容でき、プラントなどの設備において異常の早期・高精度な発見を可能とする方法及びそのシステムを提供する。 上記目的を達成するために、本発明は、（１）時間的なデータの振舞いに着目し、時間を追って軌跡をクラスタに分割する。（２）分割したクラスタ群に対して、部分空間でモデルし、はずれ値を異常候補として算出する。（３）学習データをリファレンスとして活用（比較・参照など）し、経時変化、環境変動、保守（部品交換）、稼動状態による状態遷移を把握する。（４）モデル化は、データのN個抜き（N=0,1,2,・・・）の回帰分析法や投影距離法等の部分空間法（例えばN=1の場合は、異常データが１個混入していると考え、これを除いてモデル化する）、或いは局所部分空間法によるものとする。なお、回帰分析法における直線の当てはめは、最も低次の回帰分析に相当する。

Description

異常検知方法及びシステム
　本発明は、プラントや設備などの異常を早期に検知する方法に関する。
　電力会社では、ガスタービンの廃熱などを利用して地域暖房用温水を供給したり、工場向けに高圧蒸気や低圧蒸気を供給したりしている。石油化学会社では、ガスタービンなどを電源設備として運転している。このようにガスタービンなどを用いた各種プラントや設備において、その異常を早期に発見することは、社会へのダメージを最小限に抑えることができ、極めて重要である。
　ガスタービンや蒸気タービンのみならず、水力発電所での水車、原子力発電所の原子炉、風力発電所の風車、航空機や重機のエンジン、鉄道車両、エスカレータ、エレベータ、機器・部品レベルでも、搭載電池の劣化・寿命など、早期に異常を発見しなければならない設備は枚挙に暇がない。最近では、健康管理のため、脳波測定・診断に見られるように、人体に対する異常（各種症状）検知も重要になりつつある。
　このため、例えば米国のSmartSignal社では、US6,952,662やUS6,975,962に記載のように、おもにエンジンを対象に、異常検知の業務をサービスしている。そこでは、過去のデータをデータベース（DB）としてもっておき、観測データと過去の学習データとの類似度を独自の方法で計算し、類似度の高いデータの線形結合により推定値を算出して、推定値と観測データのはずれ度合いを出力する。General Electric社のように、US6,216,066出願内容を見ると、異常検知をk-meansクラスタリングにより検出している例もある。
US6,952,662 US6,975,962 US6,216,066
Stephan W. Wegerich；Nonparametric modeling of vibration signal features for equipment health monitoring、Aerospace Conference, 2003. Proceedings. 2003 IEEE，Volume 7, Issue, 2003 Page(s):3113 - 3121
　SmartSignal社が用いている手法では、データベースに格納する過去の学習データは様々な状態を網羅的に含む必要がある。もし、学習データにない観測データが観察されると、これらはすべて学習データには包含されないものとして扱われ、はずれ値と判断され、正常信号においても異常と判定されてしまい、検査の信頼性が著しく低下してしまう。このため、ユーザは、過去のあらゆる状態のデータすべてをDBとして蓄えることが必須になる。
　一方で、学習データに異常が混入されている場合、異常を表している観測データとの乖離度が低くなり、これを見逃してしまう。このため、学習データに異常が含まれないよう、十分なるチェックが必要である。
　このように、SmartSignal社が提案する学習データに基づく方法では、ユーザは、網羅的なデータ収集と異常の排除という負荷を背負うことになる。特に、経時変化や、周囲の環境変動、部品交換などの保守作業の有無などに、きめこまかく対応する必要がある。このような対応を行うことは、実質難しく、不可能な場合が多い。
　General Electric社の方法では、k-meansクラスタリングのため、信号の挙動を見ておらず、その点で本質的な異常検知にはなっていない。
　そこで、本発明の目的は、上記課題を解決し、学習データの不完全性や異常の混入を許容し、ユーザ負荷を軽減することを図り、さらに早期に異常を高感度に検知することが可能な異常検知方法およびシステムを提供することにある。
　上記目的を達成するために、本発明は、（１）時間的なデータの振舞いに着目し、時間を追って軌跡をクラスタに分割する、（２）分割したクラスタ群に対して、部分空間でモデルし、はずれ値を異常候補として算出する。（３）学習データをリファレンスとして活用（比較・参照など）し、経時変化、環境変動、保守（部品交換）、稼動状態による状態遷移を把握する。（４）モデル化は、データのN個抜き（N=0,1,2,・・・）の回帰分析法や投影距離法等の部分空間法（例えばN=1の場合は、異常データが１個混入していると考え、これを除いてモデル化する）、或いは局所部分空間法によるものとする。
　さらに、（５）部分空間法など、複数の識別器の出力を統合して。異常判断を行う。なお、回帰分析法における直線の当てはめは、最も低次の回帰分析に相当する。
　本発明によれば、学習データが完全でなくとも、異常の混入を許容でき、プラントなどの設備において異常の早期・高精度な発見を可能とする。即ち、SmartSignal社のように正常部の学習、複数の状態に応じた網羅的データ収集の必要性がない。
本発明の第１の実施例を示すチャートである。 多次元時系列信号の例である。 相関行列の例である。 軌跡分割クラスタリングの適用例である。 軌跡分割クラスタリングの適用例である。 軌跡分割クラスタリングの適用例である。 軌跡分割クラスタリング実施時のモデルとの偏差の例である。 軌跡分割クラスタリング未実施時のモデルとの偏差の例である。 特徴空間にてデータ表示をした一例である。 特徴空間にてデータ表示をした他の例である。 特徴空間にてデータ表示をしたさらに他の例である。 特徴空間にてデータ表示をあいたさらに他の例である。 本発明の第２の実施例を示すチャートである。 本発明の第３の実施例を示すチャートである。 アラーム信号のヒストグラム例である。 本発明の第４の実施例を示すチャートである。 Ｗａｖｅｌｅｔ（変換）解析の例である。 本発明の第５の実施例を示すチャートである。 散布図解析および相互相関解析の例である。 本発明の第６の実施例を示すチャートである。 時間・周波数解析の例である。 本発明の第７の実施例を示すチャートである。 本発明の第７の実施例の詳細を支援すチャートである。 部分空間法の一例である。 Ｗａｖｅｌｅｔ変換の説明図である。 異常診断との関係を説明する図である。 ハードウェア構成図 局所部分空間法の適用例である。 投影距離法、局所部分空間法の適用例である。 複数識別器の統合による識別例である。 複数識別器の統合による異常検知例である。
　以下実施例に従って、本発明の内容を詳細に説明する。
　説明を簡略化するために、本願においては、同一の構成要素には同一の符号を付加している。本発明の実施の一形態を図1に、対象とする信号の例を図２に示す。対象信号は、図２に示すような複数の時系列信号である。ここでは、系列１，２，３、４という４種類の信号を表している。実際には、信号は４種類に限るものではなく、数百から数千と言った数になる場合もある。
　各信号が、対象プラントや設備に設けられた複数のセンサからの出力に相当する。例えば、シリンダ、オイル、冷却水などの温度、オイルや冷却水の圧力、軸の回転速度、室温、運転時間などが、いろいろなセンサから、１日に数回ないしリアルタイム等、定めた間隔で観測される。出力や状態を表すのみならず、何かを制御するための制御信号（入力）の場合もある。ON/OFF制御のこともあれば、一定値になるように制御する場合もある。これらのデータは、お互いに相関が高いものや低いものがある。これら全ての信号が、対象になり得る。これらのデータを見て、異常の有無を判断する。ここでは、多次元時系列信号として扱う。
　図１に示した異常検知方法について説明する。まず、多次元時系列信号を多次元信号取得部１にて取得する。次に、取得した多次元時系列信号が、欠損している場合があるため、欠損値の修正・削除を欠損値の修正・削除部２にて行う。欠損の修正は、例えば、前後のデータの置換えや移動平均の置換えが一般的である。削除は、多くのデータが同時に０にリセットされた時など、データとしての異常を排除するものである。欠損値の修正・削除は、設備の状態やエンジニアの知識を状態データ／知識３というDBに蓄えておき、これをもとに行う場合もある。次に、修正・削除された多次元時系列信号に関して、相関解析による無効信号の削除を、相関解析による無効信号の削除部４にて行う。これは、図３にて相関行列の例を示すように、多次元時系列信号に対して相関解析を行い、相関値が１に近い複数の信号がある場合など、極めて類似性が高い場合に、これらは冗長だとして、この複数の信号から重複する信号を削除し、重複しないものを残すものである。この場合も、状態データ／知識３に格納した情報に基づいて、削除する。
　次に、データの次元削減を主成分分析部５にて行う。ここでは、主成分分析により、Ｍ次元の多次元時系列信号を、次元数ｒのｒ次元多次元時系列信号に線形変換する。主成分分析は、ばらつき最大となる軸を生成するものである。KL変換でも構わない。次元数ｒは、主成分分析により求めた固有値を降順に並べ、大きい方から加算した固有値を全固有値の和で割り算した累積寄与率なる値に基づいて決める。
　次に、ｒ次元の多次元時系列信号に対して、軌跡分割によるクラスタリングを軌跡分割によるクラスタリング部６にて行う。図４にその模様を示す。図４の左上の３次元表示（特徴空間と呼ぶ）は、主成分分析後のｒ次元の多次元時系列信号を寄与率の高い３次元で表示したものである。この状態では、まだ対象設備の状態が複雑なものとして観測されていることが分かる。図４の残りの八つの３次元表示は、軌跡を時間に沿って追跡し、クラスタリングを実施したものであり、各クラスタを表している。クラスタリングは、時間に沿ってデータ間の距離が定めたしきい値を超えれば、別のクラスタとし、しきい値を超えなければ、同じクラスタとして扱うものである。これにより、クラスタ１、３、９、１０、１７は、運転ＯＮの状態のクラスタであり、クラスタ６、１４、２０は、運転ＯＦＦの状態のクラスタに別れていることが分かる。クラスタ２など、図示していないクラスタは、過渡期のものである。これらのクラスタを分析すると、運転ＯＮの状態では、線状に軌跡移動していることが伺え、運転ＯＦＦの状態では、不安定な軌跡移動していることが伺える。このように、軌跡分割によるクラスタリングは、いくつかのメリットがあることが分かる。
運転ＯＮの状態、運転ＯＦＦの状態など、複数の状態に分類できる。
運転ＯＮの状態に見られるように、これらのクラスタは、例えば線形など、低次元のモデルで表現できる。
これらのクラスタリングは、設備のアラーム信号や保全情報を加味して、これらのひも付きとして、実施してもよい。具体的には、各クラスタに、アラーム信号などの情報が属性として付加される。
　図５に、特徴空間にて、クラスタリングによりラベルを付けた状態のほかの例を表す。図６は、一つの時系列信号の上に、クラスタリングの結果を表示したものである。この場合、クラスタは１６個生成でき、時系列信号が、１６個のクラスタに分割されている様子が分かる。運転時間（累積時間）も重ねて表示した。水平になっている部分は、運転ＯＦＦである。運転ＯＮと運転ＯＦＦが、精度良く分離できていることが分かる。
　次に、クラスタリングされた各クラスタを対象に、低次元部分空間でのモデル化を、各クラスタを対象にモデル化部８にて行う。正常部限定である必要はなく、異常が混入することは問題ない。ここでは、例えば、回帰分析によりモデル化を行う。回帰分析の一般式は、下記のとおりである。「ｙ」が、クラスタごとのｒ次元の多次元時系列信号に相当する。「X」が、ｙを説明する変数である。「y~」がモデルになる。「ｅ」は偏差である。
y:目的変数（ｒ列）
ｂ：回帰係数（1+p列）
Ｘ：説明変数行列(ｒ行、1+p列)
||y-Xb||⇒min
b=(X'X)-1X'y（'は転置を表す）
y~=Xb=X(X'X) -1X'y（説明変数の影響を表す部分）
e=y-y~（y~で近似できない部分。説明変数の影響を取り除いた部分）
ただし、rank X=p+1
　ここでは、各クラスタのｒ次元の多次元時系列信号に対し、データのN個抜き（N=0,1,2,・・・）の回帰分析を行う。例えばN=１の場合は、異常信号が１種混入していると考え、これを除いた信号を「X」としてモデル化する。Ｎ＝０の場合は、全ｒ次元多次元時系列信号を扱うことになる。
　回帰分析以外に、CLAFIC法や投影距離法等の部分空間法を適用してもよい。そして、モデルからの偏差をモデルからの偏差算出部９にて求める。図２４に一般的なCLAFIC法を図解して示す。２クラス、2次元パターンの場合を示す。各クラスの部分空間、即ち、ここでは１次元の直線として表される部分空間を求める。
　一般的には、各クラスのデータの自己相関行列を固有値分解して、固有ベクトルを基底として求める。値が大きい、上位何個かの固有値に対応する固有ベクトルを用いる。未知パターンｑ（最新の観測パターン）が入力されると、部分空間への正射影の長さ、或いは部分空間への投影距離を求める。そして、正射影の長さが最大、或いは投影距離が短いクラスに、未知パターン（最新の観測パターン）ｑを分類する。
　図２４では未知パターンｑ（最新の観測パターン）は、クラスＡに分類される。図２に示した多次元時系列信号では、基本的に正常部を対象とするため、１クラス識別の問題になるので（図１にて図示）、クラスＡを正常部とし、未知パターンｑ（最新の観測パターン）からクラスＡまでの距離を求めて、これを偏差とする。そして、偏差が大きいと、はずれ値と判断する。このような部分空間法では、異常値が若干混ざっていても、次元削減し、部分空間にした時点で、その影響が緩和される。部分空間法適用のメリットである。
　なお、投影距離法では、各クラスの重心を原点とする。各クラスの共分散行列にＫＬ展開を適用して得られた固有ベクトルを基底として用いる。いろいろな部分空間法が立案されているが、距離尺度を有するものならば、はずれ度合いが算出可能である。なお、密度の場合も、その大小により、はずれ度合いを判断可能である。CLAFIC法は、正射影の長さを求めることから、類似度尺度である。
　このように、部分空間にて距離や類似度を計算し、はずれ度合いを評価することになる。投影距離法などの部分空間法は、距離に基づく識別器のため、異常データが利用できる場合の学習法として、辞書パターンを更新するベクトル量子化や距離関数を学習するメトリック学習を使うことができる。
　また、局所部分空間法と呼ぶ、未知パターンｑ（最新の観測パターン）に近いｋ個の多次元時系列信号を求め、各クラスの最近傍パターンが原点となるような線形多様体を生成し、その線形多様体への投影距離が最小となるクラスに未知パターンを分類する方法も適用できる（図３１の局所部分空間法の枠内参照）。局所部分空間法も部分空間法の一種である。
　既に説明したクラスタリング後の各クラスタに対して、局所部分空間法を適用することになる。ｋは、パラメータである。異常検知では、先ほどと同様に、１クラス識別の問題になるので、大多数のデータが属するクラスＡを正常部とし、未知パターンｑ（最新の観測パターン）からクラスＡまでの距離を求めて、これを偏差とする。
　この手法では、例えば、ｋ個の多次元時系列信号を用いて形成される部分空間への、未知パターンｑ（最新の観測パターン）からの正射影した点を推定値として算出することもできる（図３１の局所部分空間法の枠内に説明した推定値なるデータ）。また、ｋ個の多次元時系列信号を、未知パターンｑ（最新の観測パターン）に近い順に並べ替え、その距離に反比例した重み付けを行って、各信号の推定値を算出することもできる。投影距離法などでも、同様に推定値を算出できる。
　パラメータｋは通常は１種類に定めるが、パラメータｋをいくつか変えて実行すると、類似度に応じて対象データを選択することになり、それらの結果から総合的に判断できるため、一層効果的である。局所部分空間法では、クラスタ内の選択したデータを対象とするため、異常値が若干混ざっていても、局所部分空間にした時点で、その影響が大きく緩和される。
　局所部分空間法の「局所」という概念は、回帰分析にも適用可能である。即ち、「ｙ」として、観測未知パターンｑに近いｋ個の多次元時系列信号を求め、このｙのモデルとして、「y~」を求め、偏差「e」を算出する。
　なお、単に、１クラス識別の問題と考えれば、１クラスサポートベクターマシンなどの識別器も適用可能である。この場合、高次空間に写像する、radial basis functionなどのカーネル化が使えることになる。１クラスサポートベクターマシンでは、原点に近い側が、はずれ値、即ち異常になる。ただし、サポートベクターマシンは、特徴量の次元は大きくても対応できるが、学習データ数が増えると計算量が膨大となるという欠点もある。
　このため、MIRU２００７（画像の認識・理解シンポジウム、Meeting on Image Recognition and Understanding 2007）にて発表されている、「IS-2-10　加藤丈和，野口真身，和田俊和（和歌山大），酒井薫，前田俊二（日立）；パターンの近接性に基づく１クラス識別器」などの手法も適用可能であり、この場合、学習データ数が増えても、計算量は膨大なものとならないというメリットがある。
　次に、回帰分析を例にとり、実験例を説明する。図７に、Ｎ＝０とし、線形回帰分析により、ｒ次元多次元時系列信号をモデル化し、そのモデルと実測値の偏差を図示した例を示す。図８は、参考に、軌跡分割によるクラスタリングを実施しない場合である。図７の場合、偏差が大きいのは、運転ＯＦＦの区間、および、運転ＯＮの区間で時系列信号が振動的な振舞いをしている場合である。最後に、はずれ値検出部１０にてはずれ値を求める。ここでは、しきい値との大小をチェックする。検出された異常信号は、主成分分析後であるため、これを逆変換し、元の信号がどのような割合で合成されて、異常と判断されたかを確認することもできる。
　このように、軌跡分割によるクラスタリングを中心に、低次元モデルで多次元時系列信号を表現することにより、複雑な状態を分解でき、簡単なモデルで表現できるため、現象を理解しやすいという利点がある。また、モデルを設定するため、SmartSignal社の方法のように完全に、データを完備する必要はない。データの欠落があっても良いというメリットがある。
　次に、局所部分空間法の適用例を図２８に示す。信号を前半と後半に分け（交差確認と呼ぶ検証方法に従った）、それぞれを学習データとして、残りのデータまでの距離を求めた例である。パラメータｋは１０とした。ｋをいくつか変えて、それらの多数決をとれば、安定な結果が得られる（後述するバギングという手法と同様の考えに基づく）。この局所部分空間法では、データのN個抜きが、自動で行われるというメリットがある。同図適用例では、運転OFF中の不規則な挙動が、検知されている。
　上記例では、クラスタリングの必要性も緩和されるが、観測データが属しているクラスタ以外を学習データとし、このデータと観測データに局所部分空間法を適用してもよい。この方法によれば、別クラスタからの乖離度を評価できる。投影距離法も同様である。図２９にそれらの例を示す。観測データが属しているクラスタ以外を学習データとした。この考えは、時系列データのように類似データが連続する場合に、最も類似したデータを「局所」領域から排除できるため、効果的である。なお、データのN個抜きは、特徴量（センサ信号）として説明したが、時間軸方向のデータであってもよい。
　次に、データの表現形態を、いくつか図を用いて説明する。図９に幾つかの例を示す。図９の左側の図は、主成分分析後のｒ次元時系列信号を2次元表示したものである。データの振舞いを可視化した例となる。図９の右側の図は、軌跡分割によるクラスタリングを実施し、クラスタを図示したものである。クラスタ毎に、簡単な低次のモデル（ここでは直線）で表現した例である。図１０の左側の図は、データの動く速さが分かるように図示した例である。後述のWavelet解析を適用すれば、速さ、即ち周波数も分析可能、そして多変量として扱うことが可能となる。図１０の右側の図は、図９の右側の図で示したモデルからの偏差が分かるように表示した例である。
　図１１の左側の図は、別の例である。距離基準などに基づき類似と判定したクラスタをマージし（同図では、隣接したクラスタのマージを示した）、マージ後のモデルを示し、かつモデルからの偏差を図示した例である。図１１の右側の図は、状態を表現したものである。状態Ａ、Ｂ、Ｃという３種類の状態を分けて表示した。状態を分けて考えると、図１２の左側の図に示すように、状態Ａの変化などを図示可能となる。
　図６の例で考えると、同じ運転ＯＮの状態でも、運転ＯＦＦの前後で、異なる挙動を示しており、これらを特徴空間の中で表現できることなる。図１２の右側の図は、過去の学習データから得られたモデル（低次の部分空間）からの変化を示したものであり、状態変化を観察できる。このように、データを加工し、加工したデータをユーザに示し、現在の状況を可視化することにより、より良い理解を促すことができる。
　次に、別の実施例を説明する。既に説明したブロックは省略する。図１３に異常検知方法を示す。ここでは、各クラスタに対し、ｒ次元多次元時系列信をランダムに定めた個数分選択する。ランダム選択により、
全ての信号を使う場合に見えなかった特性が現れる
有効ではない信号を除く
全ての組み合わせより、短時間で計算できる
という利点がある。
さらに、時間軸方向にｒ次元多次元時系列信号をランダムに定めた個数分選択するという選択も考えられる。ここでは、クラスタを単位とすることもあるが、クラスタ内を区分し、これらを定めた個数分、ランダムに選択する。
　図１４に別の実施例を示す。アラーム信号を処理する部分１２を付加した。図１５（ａ）に示すようにアラーム信号の発生履歴を取得する。そして、そのヒストグラムを表示する。頻度が高い区間は、異常の度合いが高いことは容易に想像ができる。そこで、図１５（ｂ）に示すように、ヒストグラムの頻度も考慮して、図１に示す異常特定部１３にて、アラーム信号とはずれ値を組み合わせて異常の度合いや信頼度を付加したり、異常判定を行う。
　図１６に別の実施例を示す。Wavelet（変換）解析を付加した例である。Wavelet解析信号付与部１４において、Ｍ次元の多次元時系列信号を対象に、図１７に示すWavelet解析を行い、これらの信号をＭ次元の多次元時系列信号に加える。Ｍ次元の多次元時系列信号と置換することも可能である。このような新規に加えられたり、置換されたりした多次元時系列信号を対象に、局所部分空間法などの識別器により、異常を検知する。なお、図１７（ａ）は後で説明する図２５におけるスケール１の信号に該当し、図１７（ｂ）は後で説明する図２５におけるスケール８の変動に該当し、図１７（ｃ）は図２５におけるスケール４の変動に該当し、図１７（ｄ）は図２５におけるスケール２の変動に該当する。
　Wavelet解析は、多重解像度表現を与えるものである。図２５にWavelet解析を図解して示す。スケール１の信号がもとの信号である。これを順次隣と加算してスケール２の信号を作り、元の信号との差を算出して、スケール２の変動信号を生成する。順次、これを繰り返すと、最後に、スケール８の一定値の信号とその変動信号が得られ、結局、元の信号は、スケール２、４、８の各変動信号とスケール８の直流信号に分解できる。従って、このようなスケール２、４、８の各変動信号を、新たな特徴的信号とみなして、多次元時系列信号に追加して扱う。
　パルスやインパルスなどの非定常信号では、フーリエ変換を行って得られる周波数スペクトルは全域に広がり、個々の信号について特徴を抽出することが困難である。時間に局在したスペクトルを得ることができるWavelet変換は、化学プロセスのような、パルスやインパルスなどを含む、非定常な信号を多く含むデータを対象にした場合に都合がよい。
　また、一次遅れをもつ系では、時系列の状態だけでは、そのパターンを観測困難であるが、時間・周波数領域上では、識別可能な特徴が現れることがあり、Wavelet変換が有効な場合が多い。
　なお、Wavelet解析の応用は、電気学会編集で、新誠一著の「ウェーブレット解析の産業応用」2005年、朝倉出版にくわしい。化学プラントの制御系診断、空調プラント制御における異常検知、セメントの焼成プロセスの異常監視、ガラス溶解炉制御など、多くの対象に適用されている。
　本実施例における、従来技術との相違点は、Wavelet解析を多重解像度表現として扱い、もとの多次元時系列信号の情報を、Wavelet変換により顕在化した点にある。その上で、これらを多変量として扱うことにより、異常が微弱な段階から早期に検知できる。即ち、予兆として早期に検知可能となる。
　Wavelet解析を分類に適用したほかの例を説明する。異常データが少なからずあり、教示できる場合の例である。使用する記号を以下に示す。
Figure JPOXMLDOC01-appb-M000001
　まず、以下のモデルを仮定する。
Figure JPOXMLDOC01-appb-M000002
次に、判別式としてつぎの式を考える。
Figure JPOXMLDOC01-appb-M000003
また、パラメータ推定に関しては、次式で定義される尤度を最大にする最尤推定法を用いることにする。
Figure JPOXMLDOC01-appb-M000004
[判別式]
Figure JPOXMLDOC01-appb-M000005
　上式に基づいて、分類が可能になる。特に、上記はマルチクラスへの分類の例であるが、クラス数Ｋを２とすれば、２分類問題、すなわち異常検知の問題となる。そして、上記観測値にWavelet解析の結果を適用すれば、時間に局在した異常をも対象とした異常検知を行うことができる。このように、異常データが少なからずあり、教示できる場合には、統計的な意味で、より精度の高い異常検知を行うことができる。
　図１８に別の実施例を示す。散布図・相関解析部１５を付加した例である。ｒ次元の多次元時系列信号を対象に、散布図・相関解析を行った例を図１９に示す。図１９の相互相関解析では、遅れのラグ（lag）を考慮している。通常、相互相関関数の最大値の位置をラグと呼ぶ。この定義に従えば、二つの現象に関する時間のずれは、相互相関関数のラグに等しい。
　ラグの正負は、二つの現象のどちらが早く起こるかにより決まる。このような散布図解析や相互相関解析の結果は、時系列信号間の相関を表すものであるが、各クラスタの特徴付けにも活用でき、クラスタ間の類似性の判断指標となり得るものである。例えば、ラグの量の一致度により、クラスタ間の類似性を判断する。これにより、図１１に示した類似したクラスタのマージ等が可能となる。マージ後のデータを用いてモデル化する。なお、マージの方法は、他の手法であってもよい。
　図２０に別の実施例を示す。時間・周波数解析部１６を付加した例である。ｒ次元の多次元時系列信号を対象に、時間・周波数解析を行った例を図２１に示す。時間・周波数解析、或いは散布図・相関解析を行い、これらの信号をＭ次元の多次元時系列信号に加える、またはＭ次元の多次元時系列信号と置換することも可能である。
　図２２に別の実施例を示す。学習データのＤＢ１７とモデル化（１）１８を付加した例である。図２３に、その詳細を示す。モデル化（１）により、学習データを対象にそれを複数のモデルとしてモデル化し、観測データとの類似性を判断して該当モデルを当てはめ、観測データとの偏差を算出する。モデル化（２）は、図１と同様の部分であり、これから、観測データから得られるモデルとの偏差を算出する。
　そして、モデル化（１）（２）のそれぞれの偏差から、状態変化を算出し、総合偏差を算出する。ここで、モデル化（１）（２）を均等に扱うことも可能であるが、重み付けをしてもよい。即ち、学習データを基本と考えれば、モデル（１）の重みを大きくし、観測データを基本と考えれば、モデル（２）の重みを大きくする。
　図１２に示した表現に従えば、モデル（１）で構成した部分空間モデルをクラスタ間で比較すれば、そしてそれらが本来同一状態のクラスタならば、その状態変化を知ることができる。そして、観測データの部分空間モデルがそれから移動していれば、状態変化を読み取ることができる。状態変化が、部品交換など意図するものであれば、即ち、設計側が知っており、それによる変化を許容すべきであれば、モデル（１）の重みを小さくし、モデル（２）の重みを大きくする。状態変化が、意図しないものであれば、モデル（１）の重みを大きくする。例えば、パラメータαを、モデル（１）の重みとして使えば、
α×モデル（１）＋（１－α）×モデル（２）
として定式化できる。
　モデル（１）の重みを、古いものほど小さくするという忘却形のものでもよい。この場合、最近のデータに基づくモデルが重視されることになる。
　図２３において、物理モデル２２は、シミュレーションにより対象エンジンなどを模擬したモデルである。対象知識が十分にある場合は、対象エンジンなどを離散時間（非）線形状態空間モデル（状態方程式などで表現）で表現できるので、その中間値や出力などを推定可能となる。従って、この物理モデルに従えば、このモデルからの偏差に基づいて、異常検知を行うことも可能となる。
　もちろん、物理モデルに従って、学習データのモデル（１）を修正することも可能である。或いは、逆に、学習データのモデル（１）に従って、物理モデルを修正することも可能である。物理モデルの変形として、過去の実績としての知見を、物理モデルとして組み込むことも可能である。アラームの発生や部品交換に伴うデータの遷移を、物理モデルに組み込むことも可能である。或いは、学習データ（個々のデータや重心位置など）を、アラームの発生や部品交換に伴い、移動させてもよい。
　なお、図２３に対して、図１から図２２までに示したように、物理モデルに対して、統計モデルを主に使うのは、データを生み出すプロセスについての理解が少ない場合に、統計モデルが有効であることによる。距離や類似性は、データの生成過程が不明瞭でも、定義できる。画像が対象である場合も、画像生成過程が不明瞭なとき、統計モデルは有効である。対象に関する知識が、すこしでも利用できる場合には、物理モデル２２が活用できることになる。
　図２６に、異常検知、及び異常検知後の診断を示す。同図において、設備からの時系列信号から、今までに説明した方法により、異常を検知する。同時に、保守のイベント（アラームや作業実績など）などの付帯情報を取り込み、異常を高感度に検知する。同図に示すように、早期に予兆として発見できれば、故障となって稼動停止となる前に、何らかの対策がうてることになる。そこで、この予兆に基づき、異常診断を行う。
　異常診断は、予兆を内包しているセンサを特定する現象診断と、故障を引き起こす可能性のあるパーツを特定する原因診断に分けると考えやすい。異常検知部では、異常診断部に対して、異常の有無という信号のほか、特徴量に関する情報を出力する。異常診断部は、これらの情報をもとに診断を行う。
　図２７に、ハードウェア構成を示す。異常検知を実行するプロセッサに、対象とするエンジンなどのセンサデータを入力し、欠損値の修復などを行って、データベースＤＢに格納する。プロセッサは、観測データ、ＤＢデータを用いて、異常検知を行い、異常検知信号を出力する。表示部では、実施例において述べたような各種表示を行う。トレンドを表示することも可能とする。
　データベースＤＢは、熟練エンジニアがＤＢを操作できる。特に、異常事例や対策事例を教示でき、格納できる。（１）学習データ（正常）、（２）異常データ、（３）対策内容が、格納される。データベースＤＢを、熟練エンジニアが手を加えられる構造にすることにより、洗練された、有用なデータベースができあがることになる。データ操作は、学習データ（個々のデータや重心位置など）を、アラームの発生や部品交換に伴い、移動させることにより行う。また、取得データを追加することも可能である。異常データがあれば、データの移動に、一般化ベクトル量子化などの手法も適用できる。
　上記実施例では、エンジンなどの設備を対象に説明したが、時系列信号のたぐいならば、対象にこだわらない。人体の測定データへも適用可能である。本実施例に従えば、状態の数、遷移の回数が多くても、対応可能である。
　また、実施例にて説明した各機能、例えばクラスタリング、主成分分析や、Ｗａｖｅｌｅｔ解析などは、必ず実施するというものでもなく、対象の信号の性質に応じて、適宜実施すればよい。
　クラスタリングも、時間軌跡のみならず、混合分布に対するEM（Expectation-Maximization ）アルゴリズムやｋ-meansクラスタリングなどを含め、データマイニング分野における手法が使えることは言うまでもない。得られたクラスタは、これを対象に識別器を適用してもよいが、クラスタをグルーピングして、これを対象に識別器を適用してもよい。最も簡単な例は、日々の観測データが属するクラスタと、それが属するクラスタ以外に分けることである（図１０の右側の特徴空間にて図示した着目データなる現データと、それより時間的に前の過去データに該当）。また、センサ信号（特徴量）の選択は、ラッパー法(例えば、backward stepwise selectionにより、全ての特徴量がある状態から、最も不要な特徴を一つずつ取り除く)など、既存の手法が適用可能である。
　さらに、識別器は、いくつかの識別器を準備し、それらの多数決をとることも可能である。即ち、異なる識別器群を用いたアンサンブル（集団）学習が適用できる。図３０にその構成例を示す。例えば、識別器１は投影距離法、識別器２は局所部分空間法、識別器３は線形回帰法と言ったものである。事例データに基づくものならば、任意の識別器が適用可能である。
　複数の識別器を使う理由は、識別器はそれぞれ異なる基準、異なる対象データ範囲（セグメント分けやその統合に依存）で、はずれ具合いを求めるため、その結果に微妙な違いが生まれるためである。このため、多数決をとって安定化するか、OR（はずれ値そのもの、すなわち多値の場合は最大値検出）論理で、いずれかの識別器で異常が検知されれば異常が発生したとして出力し、異常をのこらず検知しようとするか、AND（多値の場合は最小値検出）論理で、いずれの識別器でも同時に異常が検知されれば異常が発生したとして出力し、誤検知を最小限にするといった、上位基準で識別器を構成する。もちろん、アラーム信号、部品交換などの保全情報などの情報を加味して、上記統合を行うことも可能であることは言うまでもない。
　識別器h1、h2、・・・をすべて同じ識別器とし、対象データ範囲（セグメント分けやその統合に依存）を変えて学習することも可能である。例えば、パターン認識の代表的手法であるバギングやブースティングなどの手法も適用できる。この手法の適用により、異常検知に関して、より高い正解率が確保できる。ここで、バギングは、N個のデータから重複を許してデータをK個取ってきて（復元抽出）、このK個を元に1個目の識別器h1を作り、またN個のデータから重複を許してデータをK個取ってきて、このK個(1個目の識別器と中身が違う)を元に2個目の学習器h2を作ることを続け、異なるデータからいくつかの識別器を作り、実際に判別器として使う時は多数決を取る方法である。
　ブースティング（Adaboostと呼ぶ手法）は、N個のデータに均等な重み 1/N をまずは割り当て、1個目の識別器h1はN個全てのデータを用いて学習し、学習した後、データN個に関して正解率を調べ、それを元に信頼度β1(>0)を求める。1個目の識別器が正解したデータの重みをexp(-β1)倍して重みを減らし、正解できなかったデータの重みをexp(β1)倍して重みを増やす。
　2個目の識別器h2はN個全てのデータを用いて重み付きの学習を行い、信頼度β2(>0)を求め、データの重みを更新する。2個とも正解したデータの重みは軽く、2個とも間違えたデータの重みは重くなる。以降、これを繰返してM個の識別器を作り、実際に判別器として使う時は信頼度付き多数決を取るものである。これらの手法を、クラスタ群を対象に適用することにより、性能向上が期待できる。
　図３１に、図３０に示した識別器を含んだ、異常検知全体の構成例の一例を示す。軌跡クラスタリング、特徴選択などを経て、アンサンブル学習を行い、高い識別率を達成するものである。識別器出力の統合の方法は上述した通りであるが、どのクラスタに、どの識別器を適用するかという組み合わせは、いくつか存在する。例えば、観測データとは異なるクラスタに対して局所部分空間法を適用して、異なるクラスタからのはずれ具合いを把握し（推定値も算出する）、観測データと同じクラスタに対しては回帰分析法を適用して、自クラスタからのはずれ具合いを把握する。
　そして、それらの識別器出力を統合して、異常判定を行うことができる。他のクラスタからのはずれ具合いを、投影距離法や回帰分析法により行うことも可能である。自クラスタからのはずれ具合いを投影距離法により行うこともできる。クラスタは、アラーム信号が活用できる場合には、アラーム信号の重症度レベルに応じて、重症アラーム信号が付加されていないクラスタを対象にすることもできる。
　クラスタ間の類似性を判断し、類似クラスタを統合して、これを対象にすることもできる。識別器出力の統合は、はずれ値の加算、最大・最小、OR/ANDなどのスカラー変換処理でもよいし、識別器の出力をベクトル的に、多次元として扱うこともできる。もちろん、識別器出力のスケールは、極力一致させることとする。
　上述したクラスタとの関連の持たせ方に関して、さらに、他クラスタを対象にして第１報の異常検知を行い、自クラスタのデータが収集された時点で自クラスタを対象にして第２報の異常検知を行ってもよい。このようにして、顧客への注意喚起を促すことが可能になる。このように、本実施例は、対象クラスタ群との関係において、信号の振舞い、behaviorに、より着目した実施例と言える。
　上述したいくつかの実施例に関する総合的効果をさらに補足する。えば、発電設備を所有している会社では、機器の保守費用削減を希望しており、保証期間中に機器を点検、部品交換を実施している。これは時間ベースの設備保全と言われている。しかし、最近は機器の状態を見て、部品交換を実施する状態ベースの保全に移行しつつある。状態保全を実施するには、機器の正常・異常データを収集する必要があり、このデータの量、質が状態保全の品質を決めてしまう。しかし、異常データの収集は、まれなケースも多く、大型の設備になるほど、異常データを収集することは困難である。従って、正常データから、はずれ値を検出することが重要となる。上述したいくつかの実施例によれば、
正常データから、異常を検知できる、
データ収集が不完全でも精度の高い異常検知が可能となる、
異常データが包含されていても、この影響を許容できる、
といった直接的効果に加え、
ユーザにとって、現象を理解しやすい、
エンジニアの知識を活用できる
物理モデルも併用できる、
と言った副次的な効果がある。
　プラント、設備の異常検知として利用することが出来る。
1・・・多次元信号取得部、
2・・・欠損値の修正・削除部、
3・・・状態データ・知識データベース、
4・・・相関解析による無効信号の削除部、
6・・・軌跡分割クラスタリング、
7・・・アラーム信号／保全情報、
8・・・各クラスタを対象にモデル化部、
9・・・モデルからの偏差算出部、
10・・・はずれ値検出部、
11・・・各クラスタを特徴選択でモデル化部、
12・・・アラーム信号などの一定区間累積ヒストグラム、
13・・・異常特定部、
14・・・Ｗａｖｅｌｅｔ（変換）解析部、
15・・・各クラスタ軌跡散布図・相関解析部、
16・・・各クラスタ毎時間・周波数解析部、
17・・・学習データ、
18・・・モデル化（１）部、
19・・・プロセッサ、
20・・・表示器、
21・・・データベース
22・・・物理モデル。

Claims (14)

  1. 　プラントまたは設備の異常を早期に検知する異常検知方法であって、
    　複数のセンサからデータを取得し、前記データの時間的な変化に基づいて、データ空間の軌跡を複数のクラスタに分割し、
    　前記分割した前記クラスタ群に対して、部分空間法でモデル化し、
    　はずれ値を異常候補として算出することを特徴とする異常検知方法
  2. 　前記モデル化は、前記複数のセンサから過去に得られたデータからなる学習データを対象にモデル化したリファレンスモデルを併用して、はずれ値を異常候補として算出することを特徴とする請求項１に記載の異常検知方法。
  3. 　前記モデル化は、データのN個抜き（N=0,1,2,・・・）の回帰分析法、または、部分空間法を用いて行うことを特徴とする請求項１記載の異常検知方法。
  4. 　前記部分空間法は、投影距離法、ＣＬＡＦＩC法、または、観測データの近傍を対象とする局所部分空間法であることを特徴とする請求項３記載の異常検知方法。
  5. 　前記はずれ値の検出は、前記回帰分析法、前記投影距離法、前記ＣＬＡＦＩC法、または、観測データの近傍を対象とする前記局所部分空間法の出力を統合して行うものであることを特徴とする請求項４記載の異常検知方法。
  6. 　プラントまたは設備の異常を早期に検知する方法において、
    　複数のセンサからデータを取得し、
    　時間的なデータの時間的変化に基づいて、データ空間の軌跡を複数のクラスタに分割し、
    　分割したクラスタが分かるように、データを表示することにより、状態を可視化することを特徴とする異常検知方法。
  7. 　前記複数のセンサからの過去のデータに基づくクラスタ群に対する異常検知により、第１報を出力し、前記複数のセンサの現在のデータに基づくクラスタ群に対する異常検知により第２報を出力することを特徴とする請求項１記載の異常検知方法。
  8. 　プラントまたは設備の異常を早期に検知する異常検知システムにおいて、
    　複数のセンサからデータを取得するデータ取得部と、
    　前記データの時間的な変化に基づいて、データ空間の軌跡を複数のクラスタ群に分割する軌跡分割部と、
    　分割した前記クラスタ群に対して、部分空間でモデル化するモデル化部と、
    　はずれ値を異常候補として算出する異常検出部を有し、
    　前記軌跡分割部においては前記分割したクラスタ群に対して、部分空間でモデル化し、はずれ値を異常候補として算出することを特徴とする異常検知システム
  9. 　前記データ取得部において取得した前記複数のセンサからの過去のデータを蓄積し、かつ、モデル化してリファレンスモデルを作成する学習データベース部を有し、前記学習データベース部における前記リファレンスモデルを併用して、はずれ値を異常候補として算出することを特徴とする請求項８記載の異常検知システム。
  10. 　前記モデル化は、データのN個抜き（N=0,1,2,・・・）の回帰分析法、または、部分空間法を用いて行うことを特徴とする請求項８記載の異常検知システム。
  11. 　前記部分空間法は、投影距離法、ＣＬＡＦＩＳ法、または、観測データの近傍を対象とする局所部分空間法であることを特徴とする請求項８記載の異常検知システム。
  12. 　前記はずれ値の検出は、前記回帰分析法、前記投影距離法、前記ＣＬＡＦＩＳ法、または、観測データの近傍を対象とする前記局所部分空間法の出力を統合して行うものであることを特徴とする請求項８記載の異常検知システム。
  13. 　プラントまたは設備の異常を早期に検知する異常システムにおいて、
    　複数のセンサからデータを取得するデータ取得部と、
    　前記データの時間的な変化に基づいて、データ空間の軌跡を複数のクラスタに分割する軌跡分割部と、
    　前記分割したクラスタ群に対して、部分空間でモデル化するモデル化部と、
    　はずれ値を異常候補として算出する異常検出部と、
    　データ表示部とを有し、
    　前記分割した複数のクラスタが分かるように、データを表示することにより、
    状態を可視化することを特徴とする異常検知システム。
  14. 　前記複数のセンサからの過去のデータに基づくクラスタ群に対する異常検知により、第１報を出力し、前記複数のセンサの現在のデータに基づくクラスタ群に対する異常検知により第２法を出力することを特徴とする請求項１３記載の異常検知システム。
PCT/JP2009/002391 2008-10-09 2009-05-29 異常検知方法及びシステム Ceased WO2010041355A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN200980130579.0A CN102112933B (zh) 2008-10-09 2009-05-29 异常检测方法及系统
KR1020117002716A KR101316486B1 (ko) 2008-10-09 2009-05-29 이상 검지 방법 및 시스템
US13/057,831 US8630962B2 (en) 2008-10-09 2009-05-29 Error detection method and its system for early detection of errors in a planar or facilities
EP09818896A EP2333629A4 (en) 2008-10-09 2009-05-29 ERROR DETECTION METHOD AND SYSTEM

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2008263030A JP5048625B2 (ja) 2008-10-09 2008-10-09 異常検知方法及びシステム
JP2008-263030 2008-10-09

Publications (1)

Publication Number Publication Date
WO2010041355A1 true WO2010041355A1 (ja) 2010-04-15

Family

ID=42100317

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2009/002391 Ceased WO2010041355A1 (ja) 2008-10-09 2009-05-29 異常検知方法及びシステム

Country Status (6)

Country Link
US (1) US8630962B2 (ja)
EP (1) EP2333629A4 (ja)
JP (1) JP5048625B2 (ja)
KR (1) KR101316486B1 (ja)
CN (1) CN102112933B (ja)
WO (1) WO2010041355A1 (ja)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101888309A (zh) * 2010-06-30 2010-11-17 中国科学院计算技术研究所 在线日志分析方法
JP2019057056A (ja) * 2017-09-20 2019-04-11 株式会社東芝 事故原因分類装置
CN112256750A (zh) * 2020-09-27 2021-01-22 上海楚腾信息技术有限公司 一种数据纠错预警方法、系统及存储介质
US11215363B2 (en) * 2017-04-24 2022-01-04 Honeywell International Inc. Apparatus and method for two-stage detection of furnace flooding or other conditions
CN121658871A (zh) * 2026-02-06 2026-03-13 西安现代控制技术研究所 基于注意力表征集成聚类的低成本飞行器运行支持方法

Families Citing this family (92)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5431235B2 (ja) 2009-08-28 2014-03-05 株式会社日立製作所 設備状態監視方法およびその装置
EP2568433A4 (en) 2010-05-06 2017-10-25 Nec Corporation Malfunction analysis apparatus, malfunction analysis method, and recording medium
JP5598082B2 (ja) * 2010-05-17 2014-10-01 日本電気株式会社 異常判定装置、異常判定プログラムおよび異常判定方法
JP5132746B2 (ja) * 2010-09-30 2013-01-30 中国電力株式会社 動作異常検出装置、動作異常検出方法
US20120259792A1 (en) * 2011-04-06 2012-10-11 International Business Machines Corporation Automatic detection of different types of changes in a business process
CA2741202A1 (en) * 2011-05-27 2012-11-27 Hydro-Quebec Dynamic clustering of transient signals
US8620853B2 (en) 2011-07-19 2013-12-31 Smartsignal Corporation Monitoring method using kernel regression modeling with pattern sequences
US8660980B2 (en) * 2011-07-19 2014-02-25 Smartsignal Corporation Monitoring system using kernel regression modeling with pattern sequences
WO2013030984A1 (ja) 2011-08-31 2013-03-07 株式会社日立エンジニアリング・アンド・サービス 設備状態監視方法およびその装置
CN102509001B (zh) * 2011-10-18 2014-06-04 西安交通大学 一种自动去除时序数据野值点的方法
JP5648157B2 (ja) * 2011-12-28 2015-01-07 株式会社日立ハイテクノロジーズ 半導体製造装置
US20140032506A1 (en) * 2012-06-12 2014-01-30 Quality Attributes Software, Inc. System and methods for real-time detection, correction, and transformation of time series data
US9336302B1 (en) 2012-07-20 2016-05-10 Zuci Realty Llc Insight and algorithmic clustering for automated synthesis
KR101978018B1 (ko) * 2012-12-18 2019-05-13 아우디 아게 예후 및 건전성 관리를 위한 한도 기반 임계치 추정
JP5643372B2 (ja) * 2013-03-28 2014-12-17 株式会社トーエネック 回転機の良否診断システム
CA2815161A1 (en) * 2013-05-06 2014-11-06 Hydro-Quebec Quantitative analysis of signal related measurements for trending and pattern recognition
US10069691B2 (en) * 2013-11-26 2018-09-04 Telefonaktiebolaget Lm Ericsson (Publ) Method and apparatus for anomaly detection in a network
EP2881822A1 (de) 2013-12-05 2015-06-10 Bayer Technology Services GmbH Computer-implementiertes Verfahren und System zur automatischen Überwachung und Statusermittlung ganzer Prozessabschnitte in einer Process Unit
JP6299299B2 (ja) * 2014-03-14 2018-03-28 オムロン株式会社 事象検出装置および事象検出方法
CN105338541B (zh) * 2014-06-30 2018-11-13 华为技术有限公司 一种基于移动无线网络数据的异常轨迹检测方法及装置
CN104166718B (zh) * 2014-08-18 2017-11-03 国家电网公司 一种适用于大电网的不良数据检测与辨识方法
JP6301791B2 (ja) * 2014-09-17 2018-03-28 株式会社東芝 配電網の故障予兆診断システムおよびその方法
FR3032273B1 (fr) * 2015-01-30 2019-06-21 Safran Aircraft Engines Procede, systeme et programme d'ordinateur pour phase d'apprentissage d'une analyse acoustique ou vibratoire d'une machine
US9915942B2 (en) 2015-03-20 2018-03-13 International Business Machines Corporation System and method for identifying significant and consumable-insensitive trace features
US9864823B2 (en) 2015-03-30 2018-01-09 Uop Llc Cleansing system for a feed composition based on environmental factors
CN106156913B (zh) * 2015-04-02 2019-02-12 中国商用飞机有限责任公司 用于飞机部附件的健康管理方法
CN105467174B (zh) * 2015-11-23 2018-11-09 上海华岭集成电路技术股份有限公司 一种获取悬臂式探针系统维护周期的方法
US20190011506A1 (en) * 2016-01-20 2019-01-10 Mitsubishi Electric Corporation Malfunction detection apparatus capable of detecting actual malfunctioning device not due to abnormal input values
KR102444442B1 (ko) 2016-03-07 2022-09-21 한국전자통신연구원 설비 고장 진단 장치 및 방법
JP6686593B2 (ja) 2016-03-23 2020-04-22 日本電気株式会社 データ処理装置、データ処理システム、データ処理方法及びプログラム
CN105973595B (zh) * 2016-04-27 2019-03-19 清华大学深圳研究生院 一种滚动轴承故障的诊断方法
CN105910806A (zh) * 2016-05-30 2016-08-31 重庆大学 加注泵早期健康状态监测方法
EP3258333A1 (en) * 2016-06-17 2017-12-20 Siemens Aktiengesellschaft Method and system for monitoring sensor data of rotating equipment
CN109690641B (zh) * 2016-08-29 2022-11-22 韩国水力原子力株式会社 包括确定设备重要度和警报有效性的处理程序的用于预检核电站设备异常迹象的方法及系统
JP6798825B2 (ja) * 2016-08-29 2020-12-09 公立大学法人大阪 データ解析装置、制御装置、データ解析装置の制御方法、制御プログラム、および記録媒体
US10545487B2 (en) * 2016-09-16 2020-01-28 Uop Llc Interactive diagnostic system and method for managing process model analysis
JP2018077757A (ja) * 2016-11-11 2018-05-17 横河電機株式会社 情報処理装置、情報処理方法、情報処理プログラム及び記録媒体
US11205103B2 (en) 2016-12-09 2021-12-21 The Research Foundation for the State University Semisupervised autoencoder for sentiment analysis
FR3061324B1 (fr) * 2016-12-22 2019-05-31 Electricite De France Procede de caracterisation d'une ou plusieurs defaillances d'un systeme
JP6778132B2 (ja) * 2017-03-13 2020-10-28 株式会社日立製作所 設備機器の異常診断システム
CN107103039B (zh) * 2017-03-24 2021-03-30 北明软件有限公司 针对海量数据的异常数据检测与处理方法
US10754359B2 (en) 2017-03-27 2020-08-25 Uop Llc Operating slide valves in petrochemical plants or refineries
US10678272B2 (en) 2017-03-27 2020-06-09 Uop Llc Early prediction and detection of slide valve sticking in petrochemical plants or refineries
US10670353B2 (en) 2017-03-28 2020-06-02 Uop Llc Detecting and correcting cross-leakage in heat exchangers in a petrochemical plant or refinery
US10962302B2 (en) 2017-03-28 2021-03-30 Uop Llc Heat exchangers in a petrochemical plant or refinery
US11130111B2 (en) 2017-03-28 2021-09-28 Uop Llc Air-cooled heat exchangers
US11396002B2 (en) 2017-03-28 2022-07-26 Uop Llc Detecting and correcting problems in liquid lifting in heat exchangers
US10794644B2 (en) 2017-03-28 2020-10-06 Uop Llc Detecting and correcting thermal stresses in heat exchangers in a petrochemical plant or refinery
US10752845B2 (en) 2017-03-28 2020-08-25 Uop Llc Using molecular weight and invariant mapping to determine performance of rotating equipment in a petrochemical plant or refinery
US10663238B2 (en) 2017-03-28 2020-05-26 Uop Llc Detecting and correcting maldistribution in heat exchangers in a petrochemical plant or refinery
US10695711B2 (en) 2017-04-28 2020-06-30 Uop Llc Remote monitoring of adsorber process units
KR101926257B1 (ko) 2017-05-15 2018-12-06 두산중공업 주식회사 이상 신호 복원 시스템 및 방법
US10913905B2 (en) 2017-06-19 2021-02-09 Uop Llc Catalyst cycle length prediction using eigen analysis
US11365886B2 (en) 2017-06-19 2022-06-21 Uop Llc Remote monitoring of fired heaters
US10739798B2 (en) 2017-06-20 2020-08-11 Uop Llc Incipient temperature excursion mitigation and control
US11130692B2 (en) 2017-06-28 2021-09-28 Uop Llc Process and apparatus for dosing nutrients to a bioreactor
JP6691082B2 (ja) * 2017-08-28 2020-04-28 株式会社日立製作所 指標選択装置及びその方法
JP6815954B2 (ja) * 2017-08-29 2021-01-20 株式会社神戸製鋼所 プラントの操業状態推定装置及び操業状態推定方法
CN107818135B (zh) * 2017-09-26 2020-02-04 广东电网有限责任公司电力调度控制中心 一种基于灰色关联法的维诺图电力大数据异常检测方法
US11194317B2 (en) 2017-10-02 2021-12-07 Uop Llc Remote monitoring of chloride treaters using a process simulator based chloride distribution estimate
US11105787B2 (en) 2017-10-20 2021-08-31 Honeywell International Inc. System and method to optimize crude oil distillation or other processing by inline analysis of crude oil properties
WO2019087787A1 (ja) * 2017-10-30 2019-05-09 マクセル株式会社 異常データ処理システムおよび異常データ処理方法
CN108197254B (zh) * 2017-12-29 2018-12-28 清华大学 一种基于近邻的数据修复方法
US10445401B2 (en) 2018-02-08 2019-10-15 Deep Labs Inc. Systems and methods for converting discrete wavelets to tensor fields and using neural networks to process tensor fields
US10901403B2 (en) 2018-02-20 2021-01-26 Uop Llc Developing linear process models using reactor kinetic equations
US10734098B2 (en) 2018-03-30 2020-08-04 Uop Llc Catalytic dehydrogenation catalyst health index
WO2019229977A1 (ja) * 2018-06-01 2019-12-05 株式会社 東芝 推定システム、推定方法及び推定プログラム
CN108897640B (zh) * 2018-06-11 2021-08-27 上海交通大学 群智感知中错误位置数据的检测系统及方法
CN112272763B (zh) 2018-06-14 2023-05-19 三菱电机株式会社 异常探测装置、异常探测方法以及计算机可读取的存储介质
JP7029362B2 (ja) * 2018-08-16 2022-03-03 三菱重工業株式会社 異常検出装置、異常検出方法、及びプログラム
CN109145996B (zh) * 2018-08-31 2021-11-26 创新先进技术有限公司 异常环境下的指标数据生成方法、装置及电子设备
CN109710636B (zh) * 2018-11-13 2022-10-21 广东工业大学 一种基于深度迁移学习的无监督工业系统异常检测方法
US10953377B2 (en) 2018-12-10 2021-03-23 Uop Llc Delta temperature control of catalytic dehydrogenation process reactors
JP7093603B2 (ja) * 2019-01-23 2022-06-30 東芝三菱電機産業システム株式会社 ドライブ応答監視装置
JP7225984B2 (ja) * 2019-03-20 2023-02-21 株式会社リコー システム、演算装置、及びプログラム
KR102191843B1 (ko) * 2019-05-20 2020-12-17 서울대학교산학협력단 계층 정보를 이용한 지식 베이스 제공을 위한 방법 및 장치
ES2961321T3 (es) * 2019-09-30 2024-03-11 Siemens Mobility GmbH Diagnóstico de sistemas técnicos mediante el análisis de componentes principales (ACP)
WO2021079472A1 (ja) * 2019-10-24 2021-04-29 富士通株式会社 異常検出方法、異常検出プログラム及び異常検出装置
KR102226050B1 (ko) * 2019-11-06 2021-03-11 한국전력공사 보일러 배관 모니터링 시스템 및 방법
CN110794797A (zh) * 2019-11-27 2020-02-14 江南大学 一种基于互信息和多块信息提取的pca故障监测方法
JP2021144415A (ja) 2020-03-11 2021-09-24 本田技研工業株式会社 情報処理方法、情報処理装置、異常判定システム、異常判定装置、異常判定方法、及びプログラム
US11698628B2 (en) 2020-03-16 2023-07-11 Vitro Flat Glass Llc System, method, and computer program product for optimizing a manufacturing process
WO2022026079A1 (en) * 2020-07-31 2022-02-03 Northrop Grumman Systems Corporation Fleet level prognostics for improved maintenance of vehicles
JP7010343B1 (ja) * 2020-08-20 2022-01-26 トヨタ自動車株式会社 機械学習装置
JP7419207B2 (ja) * 2020-09-29 2024-01-22 株式会社日立ハイテクソリューションズ 異常予測装置及び異常予測方法
CN112215436B (zh) * 2020-11-03 2024-04-05 广州铭诚计算机科技有限公司 一种基于机器学习的学业异常预测方法
CN116601650B (zh) * 2020-12-08 2025-08-29 三菱电机株式会社 学习装置、异状检测装置及异状检测方法
JP7342848B2 (ja) * 2020-12-08 2023-09-12 Ｊｆｅスチール株式会社 異常判定モデル生成装置、異常判定装置、異常判定モデル生成方法および異常判定方法
KR102438189B1 (ko) 2021-06-14 2022-08-30 주식회사 마키나락스 비정상 데이터 검출 방법 및 장치
CN120188003A (zh) * 2022-11-01 2025-06-20 杰富意钢铁株式会社 异常诊断装置及异常诊断方法
JP7592230B1 (ja) * 2023-02-15 2024-11-29 三菱電機株式会社 学習装置、状態推論装置、状態監視システム、及び学習方法
US12468593B2 (en) 2023-03-30 2025-11-11 International Business Machines Corporation Root cause identification in hybrid applications via probing

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0728766A (ja) * 1993-06-24 1995-01-31 Toshiba Corp パターン認識システム及び監視システム
JP2000184593A (ja) * 1998-12-17 2000-06-30 Kyushu Electric Power Co Inc 送電線事故原因判別方法
US6216066B1 (en) 1998-07-01 2001-04-10 General Electric Company System and method for generating alerts through multi-variate data assessment
US6952662B2 (en) 2000-03-30 2005-10-04 Smartsignal Corporation Signal differentiation system using improved non-linear operator
US6975962B2 (en) 2001-06-11 2005-12-13 Smartsignal Corporation Residual signal alert generation for condition monitoring using approximated SPRT distribution
JP2006107179A (ja) * 2004-10-06 2006-04-20 Ntt Data Corp 異常値検出装置、変化点検出装置及び異常値検出方法、変化点検出方法
JP2006252259A (ja) * 2005-03-11 2006-09-21 Ntt Data Corp データ分析装置及び方法
JP2007198918A (ja) * 2006-01-26 2007-08-09 Matsushita Electric Works Ltd 異常監視方法、および異常監視装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2783620B1 (fr) * 1998-09-22 2002-03-29 De Micheaux Daniel Lafaye Procede et systeme multidimensionnel de maitrise statistique des processus
JP4509860B2 (ja) 2005-05-25 2010-07-21 株式会社東芝 データ分割装置、データ分割方法およびプログラム
US20080068593A1 (en) * 2006-09-13 2008-03-20 Hiroyuki Nakano Method and apparatus for detecting defects
US20080154473A1 (en) * 2006-12-22 2008-06-26 United Technologies Corporation Gas turbine engine performance data validation
US8005771B2 (en) * 2007-10-04 2011-08-23 Siemens Corporation Segment-based change detection method in multivariate data stream

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0728766A (ja) * 1993-06-24 1995-01-31 Toshiba Corp パターン認識システム及び監視システム
US6216066B1 (en) 1998-07-01 2001-04-10 General Electric Company System and method for generating alerts through multi-variate data assessment
JP2000184593A (ja) * 1998-12-17 2000-06-30 Kyushu Electric Power Co Inc 送電線事故原因判別方法
US6952662B2 (en) 2000-03-30 2005-10-04 Smartsignal Corporation Signal differentiation system using improved non-linear operator
US6975962B2 (en) 2001-06-11 2005-12-13 Smartsignal Corporation Residual signal alert generation for condition monitoring using approximated SPRT distribution
JP2006107179A (ja) * 2004-10-06 2006-04-20 Ntt Data Corp 異常値検出装置、変化点検出装置及び異常値検出方法、変化点検出方法
JP2006252259A (ja) * 2005-03-11 2006-09-21 Ntt Data Corp データ分析装置及び方法
JP2007198918A (ja) * 2006-01-26 2007-08-09 Matsushita Electric Works Ltd 異常監視方法、および異常監視装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
S. SHIN: "Wavelet Kaiseki no Sangyo Oyo (Industry Application of Wavelet Analysis)", 2005, ASAKURA PUBLISHING CO,. LTD.
See also references of EP2333629A4
STEPHAN W.: "Wegerich; Nonparametric modeling of vibration signal features for equipment health monitoring, Aerospace Conference", PROCEEDINGS. 2003 IEEE, vol. 7, 2003, pages 3113 - 3121

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101888309A (zh) * 2010-06-30 2010-11-17 中国科学院计算技术研究所 在线日志分析方法
CN101888309B (zh) * 2010-06-30 2012-07-04 中国科学院计算技术研究所 在线日志分析方法
US11215363B2 (en) * 2017-04-24 2022-01-04 Honeywell International Inc. Apparatus and method for two-stage detection of furnace flooding or other conditions
JP2019057056A (ja) * 2017-09-20 2019-04-11 株式会社東芝 事故原因分類装置
CN112256750A (zh) * 2020-09-27 2021-01-22 上海楚腾信息技术有限公司 一种数据纠错预警方法、系统及存储介质
CN121658871A (zh) * 2026-02-06 2026-03-13 西安现代控制技术研究所 基于注意力表征集成聚类的低成本飞行器运行支持方法

Also Published As

Publication number Publication date
JP2010092355A (ja) 2010-04-22
CN102112933A (zh) 2011-06-29
US20110191076A1 (en) 2011-08-04
EP2333629A4 (en) 2013-01-02
KR20110026515A (ko) 2011-03-15
JP5048625B2 (ja) 2012-10-17
EP2333629A1 (en) 2011-06-15
KR101316486B1 (ko) 2013-10-08
US8630962B2 (en) 2014-01-14
CN102112933B (zh) 2014-06-18

Similar Documents

Publication Publication Date Title
JP5048625B2 (ja) 異常検知方法及びシステム
JP5498540B2 (ja) 異常検知方法及びシステム
JP5538597B2 (ja) 異常検知方法及び異常検知システム
JP5301310B2 (ja) 異常検知方法及び異常検知システム
JP5363927B2 (ja) 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム
JP5501903B2 (ja) 異常検知方法及びそのシステム
JP5431235B2 (ja) 設備状態監視方法およびその装置
JP5740459B2 (ja) 設備状態監視方法
JP5778305B2 (ja) 異常検知方法及びそのシステム
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
JP5439265B2 (ja) 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム
JP2011145846A (ja) 異常検知方法、異常検知システム、及び異常検知プログラム
JP5331774B2 (ja) 設備状態監視方法およびその装置並びに設備状態監視用プログラム
WO2013030984A1 (ja) 設備状態監視方法およびその装置
JP2014056598A (ja) 異常検知方法及びそのシステム
JP2015181072A (ja) 設備状態監視方法およびその装置
Shar et al. A novel energy performance-based diagnostic model for centrifugal compressor using hybrid ML model
JPWO2013030984A1 (ja) 設備状態監視方法およびその装置

Legal Events

Date Code Title Description
WWE Wipo information: entry into national phase

Ref document number: 200980130579.0

Country of ref document: CN

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

Ref document number: 09818896

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 20117002716

Country of ref document: KR

Kind code of ref document: A

REEP Request for entry into the european phase

Ref document number: 2009818896

Country of ref document: EP

WWE Wipo information: entry into national phase

Ref document number: 2009818896

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 13057831

Country of ref document: US