WO2019167375A1 - 診断装置および診断方法 - Google Patents

診断装置および診断方法 Download PDF

Info

Publication number
WO2019167375A1
WO2019167375A1 PCT/JP2018/044793 JP2018044793W WO2019167375A1 WO 2019167375 A1 WO2019167375 A1 WO 2019167375A1 JP 2018044793 W JP2018044793 W JP 2018044793W WO 2019167375 A1 WO2019167375 A1 WO 2019167375A1
Authority
WO
WIPO (PCT)
Prior art keywords
cluster
attribute
operation data
unit
abnormality
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/JP2018/044793
Other languages
English (en)
French (fr)
Inventor
孝朗 関合
光浩 丹野
義幸 黒羽
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 CN201880084942.9A priority Critical patent/CN111542792A/zh
Priority to EP18907849.6A priority patent/EP3761133A4/en
Publication of WO2019167375A1 publication Critical patent/WO2019167375A1/ja
Priority to PH12020551136A priority patent/PH12020551136A1/en
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
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; 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
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis

Definitions

  • the present invention relates to a diagnostic apparatus and a diagnostic method, and is suitable for application to a diagnostic apparatus and a diagnostic method for diagnosing abnormalities in equipment using operation data of the equipment, for example.
  • ICT Information and Communication Technology
  • IoT Internet of Things
  • thermal power plants are required to operate in consideration of key performance evaluation indices (KPI: Key Performance Indicators) such as operating rate, environmental performance, and efficiency.
  • KPI Key Performance Indicators
  • ART adaptive resonance theory
  • Patent Document 1 discloses a technique for diagnosing an abnormality and estimating the cause by using a cluster number and the number of appearances of each cluster.
  • the present invention has been made in consideration of the above points, and intends to propose a diagnostic device and a diagnostic method capable of suppressing the occurrence of misreporting without processing the learning data and generating a normal cluster each time diagnosis is performed. To do.
  • it is a diagnostic device for diagnosing an abnormality in the facility based on the operation data of the facility, and determines whether the operation data of the facility can be classified into an existing cluster, If it is determined that classification is not possible, a clustering unit that adds a cluster having an attribute as abnormal to the existing cluster, a diagnosis unit that diagnoses an abnormality in the facility based on a processing result by the clustering unit, and a predetermined period A cluster attribute setting unit configured to set an attribute of the existing cluster based on the operation data of the facility.
  • a diagnosis method for diagnosing an abnormality in the equipment based on the operation data of the equipment wherein the clustering unit determines whether the operation data of the equipment can be classified into an existing cluster, and classification A second step of diagnosing an abnormality in the equipment based on a processing result by the clustering unit, and a first step of adding a cluster having an abnormal attribute to the existing cluster when it is determined that the cluster is not possible And a third step in which the cluster attribute setting unit sets the attribute of the existing cluster based on the operation data of the facility in a predetermined period.
  • the attributes of the existing cluster are set based on the operation data of the equipment during a predetermined period, it is not necessary to process the learning data and generate a normal cluster each time diagnosis is performed. Can be suppressed.
  • FIG. 1 shows the diagnostic system by 1st Embodiment as a whole.
  • the diagnostic system 1 suppresses the occurrence of misreporting by appropriately changing the cluster attributes appropriately. Further, in the diagnosis system 1, by changing the setting of the attribute of the existing cluster, the process of processing the learning data and generating a normal cluster each time diagnosis is not required.
  • such a configuration will be described with an example as appropriate.
  • the diagnosis system 1 refers to, updates, etc. the plant 100, a diagnosis device 200 that diagnoses the operation status of the plant 100 (for example, an abnormality (an abnormality sign) in the plant 100), and various types of information stored in the diagnosis device 200. And an external device 300 for performing. Diagnostic device 200 is communicably connected to plant 100 and external device 300.
  • the plant 100 includes a device 110 constituting the plant 100 and a control device 120 for controlling the device 110.
  • the control device 120 receives a measurement signal transmitted from the device 110 and transmits a control signal.
  • the diagnosis device 200 diagnoses an abnormality in the plant 100 based on the operation data of the plant 100.
  • the diagnosis device 200 is a computer such as a server device or a tablet terminal, and a CPU (Central Processing Unit), a RAM (Random Access Memory), a ROM (Read Only Memory), a HDD (Hard Disk Drive), a communication unit (not shown) And so on.
  • CPU Central Processing Unit
  • RAM Random Access Memory
  • ROM Read Only Memory
  • HDD Hard Disk Drive
  • communication unit not shown
  • Functions of the diagnostic apparatus 200 are read out from the program stored in the ROM by the CPU into the RAM, for example. It may be realized by executing (software), may be realized by hardware such as a dedicated circuit, or may be realized by combining software and hardware. Also, some of the functions of the diagnostic device 200 may be realized by another computer that can communicate with the diagnostic device 200.
  • the communication unit is composed of, for example, a NIC (Network Interface Card), and performs protocol control during communication with the external device 300.
  • the diagnostic apparatus 200 includes an operation data DB 260 and a calculation result DB 270 as DBs.
  • DB computerized information is stored, and information is stored in a form called an electronic file (electronic data).
  • the external input interface unit 210 diagnoses operation data collected in the plant 100 and external input signals created by operating the external input device 310 (the keyboard 311 and the pointing device 312) provided in the external device 300. Capture to device 200. For example, the operation data captured by the diagnostic device 200 is stored in the operation data DB 260.
  • the external output interface unit 220 outputs (sends, prints, displays, etc.) the operation data stored in the operation data DB 260 and the calculation results stored in the calculation result DB 270.
  • the clustering unit 230 determines whether or not the operation data of the plant 100 can be classified into an existing cluster. If it is determined that the operation data cannot be classified, the cluster having an abnormal attribute (abnormal cluster) is added to the existing cluster.
  • the clustering unit 230 is equipped with a technique (clustering technique) using adaptive resonance theory, and classifies the operation data stored in the operation data DB 260 into clusters according to the similarity.
  • the clustering unit 230 first classifies the normal operation data to generate a plurality of clusters, and normally sets the attributes of the generated plurality of clusters (defined as normal clusters). When the clustering unit 230 determines that the result of classifying the current operation data into clusters does not belong to a normal cluster, the clustering unit 230 generates a new cluster (new cluster) using the clustering technique. The clustering unit 230 stores the clustering result in the calculation result DB 270.
  • the clustering unit 230 will be described later with reference to FIG. However, as the adaptive resonance theory, those disclosed in known documents such as Patent Document 1 may be used. In other words, the clustering unit 230 is not limited to the configuration described in the present embodiment, and may be configured by mounting other clustering techniques.
  • the diagnosis unit 240 diagnoses an abnormality in the plant 100 based on the processing result (clustering result) by the clustering unit 230.
  • the occurrence of a new cluster by the clustering unit 230 means that the state of the diagnosis target has changed to a new state (new state). Therefore, for example, the diagnosis unit 240 can determine the occurrence of an abnormality based on the occurrence of a new cluster.
  • the diagnosis unit 240 calculates the distance from the target data to the nearest normal cluster as the degree of abnormality.
  • the diagnosis result by the diagnosis unit 240 is transmitted to the display device 320 via the external output interface unit 220, for example, and the operator is notified of the diagnosis result.
  • the calculation result correction unit 250 includes a cluster attribute setting unit 251 and a cluster attribute change post-processing unit 252, and based on the operation data of the plant 100 in a predetermined period, the attribute of an existing cluster stored in the calculation result DB 270 is obtained. Set or correct the calculation result of the degree of abnormality.
  • the cluster attribute setting unit 251 normally sets the attributes of the cluster into which the operation data of the plant 100 in a predetermined period is classified, and sets the attributes of the clusters other than the normally set cluster abnormally To do. The processing of the cluster attribute setting unit 251 will be described later with reference to FIG.
  • the cluster attribute change post-processing unit 252 determines the degree of abnormality that is the distance between the driving data and the normal cluster with respect to past driving data. Recalculate. The processing of the cluster attribute change post-processing unit 252 will be described later with reference to FIG.
  • the function and DB of the diagnosis apparatus 200 are provided inside the diagnosis apparatus 200. However, a part of these functions are arranged outside the diagnosis apparatus 200, and only data is transferred between the apparatuses. You may make it communicate.
  • DB information which is a signal (data) stored in each DB, can be displayed on the display device 320 via the external output interface unit 220, and these information can be displayed by operating the external input device 310. This can be corrected by an external input signal generated in this manner.
  • the external input device 310 includes the keyboard 311 and the pointing device 312, but a device for inputting data, such as a microphone or a touch panel for voice input, may be appropriately employed. Can do.
  • the external device 300 can be realized by a computer such as a notebook computer or a tablet terminal, but is not limited to a computer.
  • the external input device 310 and the display device 320 may be provided as separate devices.
  • the diagnosis system 1 may be provided with other devices such as a printing device and a projector device in addition to or instead of the display device 320.
  • the diagnostic apparatus 200 can be implemented as an apparatus for analyzing the operation data offline.
  • the application object of the diagnostic apparatus 200 is made into the plant 100, it cannot be overemphasized that an application object is not limited and can be applied to various facilities.
  • FIG. 2 is a diagram illustrating an example of data stored in a DB provided in the diagnostic apparatus 200.
  • FIG. 2A shows an example of data stored in the operation data DB 260.
  • FIG. 2A In the table shown in FIG. 2A, each measurement value (operation data) measured by each sensor (sensor A, sensor B, sensor C,...) Provided in the plant 100 is set for each sampling period. (Item A, Item B, Item C,).
  • (B) and (C) in FIG. 2 are data obtained by operating the clustering unit 230 and the like, and show an example of data stored in the calculation result DB 270.
  • attribute data for each cluster and weight coefficient data for each cluster are stored.
  • operation data classification results (data indicating the relationship between operation data and time, cluster number, etc.) are stored.
  • the attribute is information for defining (identifying) whether each cluster is a normal cluster or an abnormal cluster.
  • the weight coefficient is coefficient information for defining the center coordinates of each cluster. Further, for abnormal clusters, events that are automatically or manually defined for each cluster are stored.
  • the table shown in FIG. 2B and the table shown in FIG. 2C are provided for each group. More specifically, when operation data including a plurality of data (for example, first data to sixth data) in a plurality of sensors is divided into a plurality of groups for each device (for example, the first data in the first device). And second data (first group data) are input, and output data, third data, and fourth data (second group data) from the first device are input to a second device provided downstream of the first device. When the fifth data and the sixth data (third group data) are input to a third device that is input and provided in parallel with the first device), the clustering unit 230 creates a cluster for each group. You may comprise so that it may produce
  • FIG. 3 is a diagram illustrating an example of a processing procedure related to a diagnostic process performed by the diagnostic apparatus 200.
  • step S10 the external input interface unit 210 captures (collects) operation data from the control device 120 and stores it in the operation data DB 260.
  • step S11 the diagnosis unit 240 determines whether the operation mode is the learning mode or the diagnosis mode. If the diagnosis unit 240 determines that the learning mode is selected, the process proceeds to step S12. If the diagnosis unit 240 determines that the diagnosis mode is selected, the process proceeds to step S13.
  • the learning mode is operated when the flowchart is repeated for the first time (first time), and the processing is performed so that the diagnosis mode is operated after the second time.
  • step S12 the clustering unit 230 processes the learning data, generates a cluster in a normal state, and moves the process to step S10.
  • step S13 the diagnosis unit 240 determines whether or not calculation result correction is necessary (whether it is a predetermined timing). If the diagnosis unit 240 determines that correction of the calculation result is necessary, the process proceeds to step S14. If the diagnosis unit 240 determines that correction of the calculation result is unnecessary, the process proceeds to step S16.
  • the predetermined timing for correcting the calculation result the timing at which the characteristics of the plant 100 have changed, such as after periodic inspection, the timing at which a predetermined period has elapsed since the previous calculation result was corrected, and the calculation result from the operator It is possible to set an arbitrary timing such as a timing at which a signal for executing the correction is input.
  • step S14 calculation result correction processing is performed.
  • the details of the calculation result correction processing will be described later with reference to FIGS. 6 and 8, etc., but in the calculation result correction processing, automatic attribute change processing and post-attribute change processing are executed, and cluster attribute correction, abnormality Correction of the calculation result of the degree, correction of the weighting coefficient, and the like are performed.
  • step S15 the external output interface unit 220 outputs the result of the calculation result correction process.
  • the external output interface unit 220 displays screen information (for example, part or all of the table shown in FIG. 5B) for confirming the result of changing the cluster attribute by the cluster attribute setting unit 251. Screen information including the above information) is transmitted to the external device 300. Further, for example, the external output interface unit 220 displays screen information (for example, part or all of the information shown in the table shown in FIG. 5B) related to the screen for confirming the processing result by the cluster attribute change post-processing unit 252. And the screen information indicating the degree of abnormality as shown in FIG. 10) are transmitted to the external apparatus 300.
  • the trigger for outputting the result of the calculation result correction process may be a request from the external device 300, a periodic process such as a monthly process, or another trigger.
  • the clustering unit 230 processes the operation data. More specifically, the clustering unit 230 classifies the operation data into clusters. Further, when the clustering unit 230 determines that the result of classifying the operation data into clusters does not belong to the existing cluster, the clustering unit 230 generates a new cluster (new cluster) by the clustering technique. In addition, the clustering unit 230 obtains the new cluster information (cluster number, attribute, event, weighting coefficient, etc.), the result of recalculating the weighting coefficient, and the operation data classification result (time, cluster number, degree of abnormality, etc.) as the clustering result. Is stored in the calculation result DB 270.
  • step S17 the diagnosis unit 240 determines whether an abnormality has occurred in the plant 100 (whether the attribute of the classified cluster is abnormal). If the diagnosis unit 240 determines that an abnormality has occurred, it moves the process to step S17, and if it determines that no abnormality has occurred, it moves the process to step S18.
  • step S18 the external output interface unit 220 generates screen information including information indicating that an abnormality has been detected, such as “An abnormality has been detected”, and transmits the screen information to the display device 320 (screen display).
  • step S19 the diagnosis unit 240 determines whether or not there has been a stop instruction from the operator. If the diagnosis unit 240 determines that there is an instruction to stop, the diagnosis unit 240 ends the diagnosis process. If it is determined that there is no instruction, the diagnosis unit 240 proceeds to step S10.
  • FIG. 4 is a diagram illustrating an example of a configuration in a case where adaptive resonance theory (ART) is used as an example of the clustering unit 230.
  • ART adaptive resonance theory
  • the ART module 410 includes an F0 layer 411, an F1 layer 412, an F2 layer 413, a memory 414, and a selection subsystem 415, which are coupled to each other.
  • the F1 layer 412 and the F2 layer 413 are coupled via a weighting factor.
  • the weighting factor represents the prototype (prototype) of the cluster into which the input data is classified.
  • the prototype represents a representative value of the cluster.
  • the F0 layer 411 normalizes the input vector and removes noise.
  • a suitable cluster candidate is selected by comparing the input data input to the F1 layer 412 with a weighting coefficient.
  • Kw is a learning rate parameter (0 ⁇ Kw ⁇ 1), and is a value that determines the degree to which the input vector is reflected in the new weighting factor. Note that (Equation 1) and (Equation 2) to (Equation 12) described below are incorporated in the ART module 410.
  • the characteristic of the data classification algorithm of the ART module 410 is the above (Process 4).
  • (Process 4) when input data different from the learned pattern is input, a new pattern can be recorded without changing the recorded pattern. Therefore, it is possible to record a new pattern while recording a pattern learned in the past.
  • the ART module 410 learns the given pattern. Therefore, when new input data is input to the learned ART module 410, it is possible to determine which pattern in the past is close by the above algorithm. A pattern that has never been experienced before is classified as a new cluster.
  • FIG. 4B is a diagram illustrating an example of the configuration of the F0 layer 411.
  • the input data I i is normalized again at each time to create a normalized input vector u i 0 that is input to the F1 layer 412 and the selection subsystem 415.
  • W i 0 is calculated from the input data I i according to (Equation 2).
  • a is a constant.
  • FIG. 4C is a diagram illustrating an example of the configuration of the F1 layer 412.
  • u i 0 obtained in (Expression 5) is held as a short-term memory, and P i to be input to the F2 layer 413 is calculated.
  • the calculation formulas for the F1 layer 412 are collectively shown in (Formula 6) to (Formula 12).
  • a and b are constants
  • f is a function shown in (Equation 4)
  • T j is a fitness calculated by the F2 layer 413
  • z j i is a weighting factor for the input data I i of the cluster number j. It is.
  • g is as follows.
  • FIG. 5 is a diagram illustrating an example of a data classification result in the clustering unit 230 and an abnormality degree calculation method in the diagnosis unit 240.
  • FIG. 5 shows an example of a classification result obtained by classifying operation data into clusters.
  • FIG. 5A as an example, two items of the operation data are shown, and are represented by a two-dimensional graph.
  • the vertical axis and the horizontal axis indicate standardized operation data of each item.
  • the operation data is divided into a plurality of clusters 500 (circles shown in FIG. 5A) by the ART module 410.
  • One circle corresponds to one cluster.
  • the operation data is classified into four clusters.
  • the cluster 500A with the cluster number “1” is a cluster having a relatively large item A value and a small item B value.
  • the cluster 500B with the cluster number “2” is a cluster in which the values of the items A and B are relatively small.
  • the cluster 500C with the cluster number “3” is a cluster in which the value of the item A is relatively small and the value of the item B is relatively large.
  • the cluster 500D with the cluster number “4” is a cluster in which both the values of the item A and the item B are relatively large.
  • FIG. 5B is a diagram illustrating an example of the result of classifying the operation data into clusters and the operation data.
  • the horizontal axis is time, and the vertical axis is operation data (measurement signal) or cluster number.
  • the operation data is classified into clusters having cluster numbers “1” to “4”.
  • clusters with cluster numbers “1” to “3” are generated during the learning period. Therefore, if the operation data is not classified into the clusters having the cluster numbers “1” to “3” during the diagnosis period, a cluster having the cluster number “4” (a new state that is not experienced during normal operation) is generated. Thereby, in step S17 of FIG. 3, it can be determined that an abnormality has occurred in the plant 100 (occurrence of abnormality) based on the cluster number.
  • diagnosis unit 240 classifies the operation data 501 as a new cluster (in this example, the cluster having the cluster number “4”), the distance 503 between the operation data 501 and the centroid 502 of the nearest normal cluster is used as the degree of abnormality. calculate. By calculating the degree of abnormality, it is possible to evaluate how far the operation data 501 is from the normal cluster.
  • FIG. 6 is a diagram illustrating an example of a processing procedure related to the attribute automatic change processing executed by the cluster attribute setting unit 251.
  • the attribute automatic change process operates in step S14 in FIG.
  • the cluster attribute setting unit 251 has a plurality of attribute change methods, and the user can select an attribute change method to be used as an option.
  • step S20 the cluster attribute setting unit 251 determines whether to use the first attribute change option. If the cluster attribute setting unit 251 determines to use the cluster attribute setting unit 251, the process proceeds to step S ⁇ b> 21.
  • the cluster attribute setting unit 251 appears as the attribute change method of the first attribute change option when processing operation data from the present to a predetermined period before (an example of a predetermined period).
  • the generated cluster is set as a normal cluster, and a cluster other than the normal cluster is set as an abnormal cluster. More specifically, the cluster attribute setting unit 251 changes the attribute value (attribute value) in the table shown in FIG. For example, in the table shown in FIG. 2B, when the operation data of the cluster having the cluster number “1” does not appear in a predetermined period, the attribute value is changed from “normal” to “abnormal”.
  • the predetermined period has been described as an example of a period from the present to a predetermined period before, but is not limited to this, for example, other periodical inspections to a certain period before A period may be adopted.
  • the events in the table shown in FIG. 2B may be configured to be automatically updated, manually updated, or automatically and manually updated. Also good.
  • step S22 the cluster attribute setting unit 251 determines whether to use the second attribute change option. If the cluster attribute setting unit 251 determines to use the cluster attribute setting unit 251, it moves the process to step S ⁇ b> 23.
  • the cluster attribute setting unit 251 extracts device information adjusted in the periodic inspection.
  • the cluster attribute setting unit 251 extracts device information with reference to data such as a periodic inspection plan and a result report as devices adjusted in the periodic inspection.
  • step S24 the cluster attribute setting unit 251 identifies a group related to the data input to the device extracted in step S23, and processing data for a certain period (an example of a predetermined period) from the periodic inspection is processed for the group.
  • the cluster that appears occasionally is set as a normal cluster, and the cluster other than the normal cluster is set as an abnormal cluster.
  • the processing amount can be reduced by specifying and processing a group (for example, a group located downstream of the group) that is affected by the device adjusted in the periodic inspection. .
  • the normal cluster and the abnormal cluster are appropriately reset, so that the occurrence of misreporting and misreporting can be suppressed.
  • FIG. 7 is a diagram illustrating an example of processing contents performed by the cluster attribute setting unit 251.
  • the operation data (learning data) of the learning period is processed by the clustering unit 230, and the clusters with the cluster numbers “1” to “3” are generated as normal clusters.
  • the characteristics of the plant change, and only the cluster with the cluster number “3” is generated.
  • only the cluster with the cluster number “3” is considered to be a normal cluster.
  • the conventional method learns that the clusters with the cluster numbers “1” to “3” are normal. Unable to detect the occurrence of anomalies and a false alarm occurs.
  • the cluster attribute setting unit 251 is operated to perform the diagnosis, so that only the cluster with the cluster number “3” is automatically changed to the normal cluster (normal state), thereby avoiding misreporting. Abnormalities (abnormal signs) can be detected.
  • the abnormality can be detected by using the diagnostic device 200 in the case where the range that has been learned as normal in the past when the plant characteristics change due to secular change, periodic inspection, etc. becomes abnormal now. become.
  • FIG. 8 is a diagram illustrating an example of a processing procedure related to post-attribute-change processing executed by the post-cluster-attribute-change processing unit 252.
  • the post-attribute change process operates as a post-process after the cluster attribute setting unit 251 is operated in step S14 of FIG.
  • the cluster attribute change post-processing unit 252 is provided with a plurality of post-processing methods, and the user can select the post-processing method to be used as an option.
  • step S30 the cluster attribute change post-processing unit 252 determines whether to use the first post-processing option. If the cluster attribute change post-processing unit 252 determines that the cluster attribute is to be used, the process proceeds to step S31. If it is determined that the cluster attribute is not used, the process proceeds to step S32.
  • step S31 the post-cluster attribute change processing unit 252 recalculates the degree of abnormality, which is the distance between the operation data and the normal cluster, for the past operation data. Since the calculation method of the degree of abnormality is the same as the calculation method in the diagnosis unit 240, the description thereof is omitted. The recalculated result will be described later with reference to FIG.
  • step S32 the cluster attribute change post-processing unit 252 determines whether to use the second post-processing option. If the cluster attribute post-change processing unit 252 determines that the cluster attribute is to be used, the process proceeds to step S33, and if it is determined not to be used, the process proceeds to step S34.
  • step S33 the cluster attribute change post-processing unit 252 adjusts the weighting factor of the cluster associated with the event.
  • the cluster attribute change post-processing unit 252 adjusts the change width with the normal cluster so that it matches the change width of the operation data when an abnormality has occurred in the past. For a specific adjustment method, see FIG. A) will be described later.
  • step S34 the cluster attribute change post-processing unit 252 determines whether or not to use the third post-processing option. If it is determined that the third post-processing option is used, the process proceeds to step S35. End post-change processing.
  • step S35 the cluster attribute change post-processing unit 252 adjusts the weighting factor in consideration of the boundary with the abnormality for the cluster whose attribute has been changed normally.
  • the cluster attribute change post-processing unit 252 calculates the distance between the operation data belonging to the cluster changed to the normal cluster and the nearest existing normal cluster, and the operation data having the maximum distance is the boundary between normal and abnormal
  • the cluster weight coefficient is adjusted so that a specific adjustment method will be described later with reference to FIG.
  • the post-attribute-change process recalculates the degree of abnormality, so that past data can be properly grasped. Further, according to the attribute post-processing, the weight coefficient is adjusted and the cluster is more appropriately defined, so that an abnormality in the plant 100 can be detected with higher accuracy.
  • FIG. 9 is a diagram illustrating an example of a result of adjusting the cluster weighting coefficient by the operation of the cluster attribute change post-processing unit 252.
  • the adjustment content of the weighting factor in step S33 is shown in FIG. 9A, and the adjustment content of the weighting factor in step S35 is shown in FIG. 9B.
  • clusters with cluster numbers “1” and “2” are normal clusters
  • clusters with cluster numbers “3” and “4” are abnormal clusters
  • clusters with cluster number “4” are sensors.
  • a drift abnormality (abnormality in which a sensor malfunctions and a certain value is raised) is associated as an event (see the left figure in FIG. 9A).
  • the change width 902 with the normal cluster nearest to the cluster is the operation data when the sensor drift occurs.
  • the weight coefficient of the cluster number “4” is adjusted so that the change width 901 becomes (see the right diagram in FIG. 9A).
  • the cluster attribute change post-processing unit 252 first adds to the existing clusters (clusters with cluster numbers “1”, “2”, and “3”) due to the drift abnormality that increases the value of the operation data.
  • Cluster cluster number “4”
  • the attribute of the second cluster cluster number “3”
  • the cluster attribute setting unit 251 When changed, the change width (change width 901) in the first cluster and the third cluster (cluster of cluster number “2”) in which the attribute before drift abnormality corresponding to the second cluster is normal; Weight coefficient of the first cluster so that the change width (change width 902) between the cluster after adjustment of the weight coefficient indicating the center of the first cluster and the second cluster are equal. Adjust to.
  • clusters with cluster numbers “1”, “2”, and “3” are normal clusters, and clusters with cluster number “4” are abnormal clusters (the left side of FIG. 9B). (See figure). From this state, when the cluster with the cluster number “4” is changed to a normal cluster by the cluster attribute setting unit 251, the post-cluster attribute change processing unit 252 and the existing normal cluster closest to each data belonging to the normal cluster And the cluster weighting coefficient is adjusted so that the data with the maximum distance (data 903 in this example) is the boundary between normal and abnormal (right diagram in FIG. 9B). reference).
  • FIG. 10 is a diagram illustrating an example of a result of recalculating the degree of abnormality (a screen for confirming the processing result by the cluster attribute change post-processing unit 252) by the operation of the cluster attribute change post-processing unit 252.
  • the abnormality degree is recalculated by the cluster attribute change post-processing unit 252 using the first post-processing option. Results are shown.
  • the calculation result of the abnormality level is corrected, and the abnormality level corresponding to the cluster whose attribute has been changed normally decreases. That is, when referring to past data, the abnormal degree of the normal cluster is not high and the abnormal degree of the abnormal cluster is not low.
  • the display device 320 may be configured to display both the diagnosis result before the attribute change and the diagnosis result after the attribute change, or may display either one.
  • time for processing the learning data and generating a normal cluster is not required each time diagnosis is performed, and the occurrence of misreporting can be suppressed.
  • information such as programs, tables, and files for realizing each function is stored in a memory, a hard disk, a storage device such as an SSD (Solid State Drive), or a recording medium such as an IC card, an SD card, or a DVD. Can be put in.
  • SSD Solid State Drive
  • Diagnosis system 100 ... Plant, 200 ... Diagnosis apparatus, 210 ... External input interface part, 220 ... External output interface part, 230 ... Clustering part, 240 ... Diagnosis part, 250 ... Calculation result Correction unit 251 ... Cluster attribute setting unit, 252 ... Cluster attribute change post-processing unit, 260 ... Operation data DB, 270 ... Calculation result DB, 300 ... External device.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

設備の運転データに基づいて設備における異常を診断する診断装置であって、既存のクラスタに設備の運転データを分類できるか否かを判定し、分類できないと判定した場合、属性を異常としたクラスタを既存のクラスタに追加するクラスタリング部と、クラスタリング部による処理結果に基づいて、設備における異常を診断する診断部と、所定の期間における設備の運転データに基づいて、既存のクラスタの属性を設定するクラスタ属性設定部と、を設けるようにした。

Description

診断装置および診断方法
　本発明は診断装置および診断方法に関し、例えば設備の運転データを用いて設備における異常を診断する診断装置および診断方法に適用して好適なものである。
　近年、ＩＣＴ（Information and Communication Technology）、ＩｏＴ（Internet of Thing）の技術革新に伴い、高速な計算機、ネットワーク通信、大容量なデータ保存装置を利用できる環境が整いつつある。多くの産業分野で大量に蓄積されたデータの利活用に注目が集まるなか、例えば発電事業の分野でも、発電プラントの計測データ、点検・保全データなどの現地サイトで収集されたデータと、企業の経営および資産情報とを管理するシステムの統合により、より効率的な経営方針の策定が求められている。
　発電事業の分野では、風力発電、太陽光発電などの再生可能エネルギーの利用増加に伴う発電量の変動が電力系統の安定性を低下させるという懸念から、バックアップ電源としての火力発電プラントの重要性が増している。そのため、火力発電プラントには、稼働率、環境性能、効率などの重要業績評価指標（ＫＰＩ：Key Performance Indicators）を考慮した運用が求められている。
　火力発電プラントのＫＰＩを改善するため、診断対象に異常状態が発生する前の異常兆候を検知する装置、その方法が多数検討されている。例えば、適応共鳴理論（ＡＲＴ：Adaptive Resonance Theory）を用いた診断装置が開示されている（特許文献１参照）。ここで、ＡＲＴとは、多次元の時系列データをその類似度に応じてクラスタに分類する理論である。
　特許文献１に記載の技術においては、まずＡＲＴを用いて正常時の運転データを複数のクラスタ（正常クラスタ）に分類する。次に、現在の運転データをＡＲＴに入力してクラスタに分類する。運転データが正常クラスタに分類できないときは、新しいクラスタ（新規クラスタ）を生成する。新規クラスタの発生は、診断対象の状態が新しい状態（新状態）に変化したことを意味する。そこで、特許文献１に記載の診断装置では、異常兆候の発生を新規クラスタの発生で判断している。また、特許文献１には、クラスタ番号と各クラスタの出現回数とを用いて、異常診断、原因推定する技術が開示されている。
　また、例えば、外部環境の状態変化が大きい場合の診断方法として、直近の所定の期間に取得した運転データを学習データとして正常クラスタを構築する技術が公開されている（特許文献２参照）。そして、特許文献２に記載の診断装置では、対象データから正常クラスタまでの距離が所定の値を超えた場合、異常兆候の発生を検知している。
特開２０１０-２３７８９３号公報 特開２０１５-０１８３８９号公報
　経年変化、定期検査等により、プラントの特性が変化すると、正常、異常のデータ傾向が共に変化するため、過去に正常として学習していたクラスタに属するデータであっても、現在では異常となる可能性がある。このような場合、特許文献１に記載の技術では、異常の発生を検知することができず、失報が発生する。また、特許文献２に記載の技術では、診断の都度、学習データを処理して正常クラスタを生成するための労力、時間が必要となる問題がある。
　本発明は以上の点を考慮してなされたもので、診断の都度、学習データを処理して正常クラスタを生成することなく、失報の発生を抑制し得る診断装置および診断方法を提案しようとするものである。
　かかる課題を解決するため本発明においては、設備の運転データに基づいて前記設備における異常を診断する診断装置であって、既存のクラスタに前記設備の運転データを分類できるか否かを判定し、分類できないと判定した場合、属性を異常としたクラスタを前記既存のクラスタに追加するクラスタリング部と、前記クラスタリング部による処理結果に基づいて、前記設備における異常を診断する診断部と、所定の期間における前記設備の運転データに基づいて、前記既存のクラスタの属性を設定するクラスタ属性設定部と、を設けるようにした。
　また本発明においては、設備の運転データに基づいて前記設備における異常を診断する診断方法であって、クラスタリング部が、既存のクラスタに前記設備の運転データを分類できるか否かを判定し、分類できないと判定した場合、属性を異常としたクラスタを前記既存のクラスタに追加する第１のステップと、診断部が、前記クラスタリング部による処理結果に基づいて、前記設備における異常を診断する第２のステップと、クラスタ属性設定部が、所定の期間における前記設備の運転データに基づいて、前記既存のクラスタの属性を設定する第３のステップと、を設けるようにした。
　上記構成によれば、所定の期間における設備の運転データに基づいて、既存のクラスタの属性が設定されるので、診断の都度、学習データを処理して正常クラスタを生成する必要がなく、失報の発生を抑制することができる。
　本発明によれば、設備における異常を迅速かつ適切に診断することができる。
第１の実施の形態による診断システムに係る構成の一例を示す図である。 第１の実施の形態によるデータベース（ＤＢ）に保存されるデータの一例を示す図である。 第１の実施の形態による診断処理に係る処理手順の一例を示す図である。 第１の実施の形態によるクラスタリング部に係る構成の一例を示す図である。 第１の実施の形態によるデータの分類結果および異常度の計算方法の一例を示す図である。 第１の実施の形態による属性自動変更処理に係る処理手順の一例を示す図である。 第１の実施の形態によるクラスタ属性設定部による処理内容の一例を示す図である。 第１の実施の形態による属性変更後処理に係る処理手順の一例を示す図である。 第１の実施の形態によるクラスタの重み係数を調整した結果の一例を示す図である。 第１の実施の形態による異常度が再計算された結果の一例を示す図である。
　以下図面について、本発明の一実施の形態を詳述する。
（１）第１の実施の形態
　図１において、１は全体として第１の実施の形態による診断システムを示す。診断システム１では、クラスタの属性を適切に自動変更することにより、失報の発生を抑制する。また、診断システム１では、既存のクラスタの属性の設定を変更することにより、診断の都度、学習データを処理して正常クラスタを生成させる処理は不要となる。以下では、かかる構成について、適宜に例を挙げて説明する。
　診断システム１は、プラント１００と、プラント１００の運転状況（例えば、プラント１００における異常（異常兆候））を診断する診断装置２００と、診断装置２００に記憶された各種の情報を参照、更新などを行うための外部装置３００とを含んで構成される。診断装置２００は、プラント１００および外部装置３００と通信可能に接続される。
　プラント１００は、プラント１００を構成する機器１１０と機器１１０を制御するための制御装置１２０とを含んで構成される。制御装置１２０は、機器１１０から送信される計測信号を受信し、制御信号を送信する。
　診断装置２００は、プラント１００の運転データに基づいてプラント１００における異常を診断する。診断装置２００は、サーバ装置、タブレット端末などの計算機であり、図示は省略するＣＰＵ（Central Processing Unit）、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、ＨＤＤ（Hard Disk Drive）、通信部などを含んで構成される。
　診断装置２００の機能（外部入力インターフェイス部２１０、外部出力インターフェイス部２２０、クラスタリング部２３０、診断部２４０、計算結果補正部２５０など）は、例えば、ＣＰＵがＲＯＭに格納されたプログラムをＲＡＭに読み出して実行すること（ソフトウェア）により実現されてもよいし、専用の回路などのハードウェアにより実現されてもよいし、ソフトウェアとハードウェアとが組み合わされて実現されてもよい。また、診断装置２００の機能の一部は、診断装置２００と通信可能な他のコンピュータにより実現されてもよい。なお、通信部は、例えば、ＮＩＣ（Network Interface Card）から構成され、外部装置３００との通信時におけるプロトコル制御を行う。
　診断装置２００は、ＤＢとして運転データＤＢ２６０および計算結果ＤＢ２７０を備える。ＤＢには、電子化された情報が保存され、電子ファイル（電子データ）と呼ばれる形態で情報が保存される。
　外部入力インターフェイス部２１０は、プラント１００にて収集している運転データと、外部装置３００に備えられている外部入力装置３１０（キーボード３１１およびポインティングデバイス３１２）の操作で作成する外部入力信号とを診断装置２００に取り込む。例えば、診断装置２００に取り込まれた運転データは、運転データＤＢ２６０に保存される。
　外部出力インターフェイス部２２０は、運転データＤＢ２６０に保存されている運転データ、計算結果ＤＢ２７０に保存されている計算結果を出力（送信、印刷、表示など）する。
　クラスタリング部２３０は、既存のクラスタにプラント１００の運転データを分類できるか否かを判定し、分類できないと判定した場合、属性を異常としたクラスタ（異常クラスタ）を既存のクラスタに追加する。
　より具体的には、クラスタリング部２３０は、適応共鳴理論を用いた技術（クラスタリング技術）を搭載し、運転データＤＢ２６０に保存されている運転データを、その類似度に応じてクラスタに分類する。
　例えば、クラスタリング部２３０は、まず正常時の運転データを分類して複数のクラスタを生成し、生成した複数のクラスタの属性を正常に設定（正常クラスタと定義）する。クラスタリング部２３０は、現在の運転データをクラスタに分類した結果が正常クラスタに属さないと判定した場合、クラスタリング技術で新しいクラスタ（新規クラスタ）を生成する。クラスタリング部２３０は、クラスタリング結果を計算結果ＤＢ２７０に格納する。なお、クラスタリング部２３０については、図４を用いて後述する。ただし、適応共鳴理論については、特許文献１等の公知文献に開示されているものを用いてもよい。付言するならば、クラスタリング部２３０については、本実施の形態で説明する構成に限定されるものではなく、他のクラスタリング技術を搭載して構成してもよい。
　診断部２４０では、クラスタリング部２３０による処理結果（クラスタリング結果）に基づいて、プラント１００における異常を診断する。クラスタリング部２３０による新規クラスタの発生は、診断対象の状態が新しい状態（新状態）に変化したことを意味する。よって、診断部２４０は、例えば、異常の発生を新規クラスタの発生により判断することができる。また、診断部２４０は、対象データから最近傍の正常クラスタまでの距離を異常度として計算する。
　診断部２４０による診断結果は、例えば、外部出力インターフェイス部２２０を介して表示装置３２０に送信され、診断結果が運転員に通知される。
　計算結果補正部２５０は、クラスタ属性設定部２５１とクラスタ属性変更後処理部２５２を備え、所定の期間におけるプラント１００の運転データに基づいて、計算結果ＤＢ２７０に保存されている既存のクラスタの属性を設定したり、異常度の計算結果を補正したりする。例えば、クラスタ属性設定部２５１は、既存のクラスタついて、所定の期間におけるプラント１００の運転データが分類されるクラスタの属性を正常に設定し、正常に設定したクラスタ以外のクラスタの属性を異常に設定する。なお、クラスタ属性設定部２５１の処理については、図６を用いて後述する。また、例えば、クラスタ属性変更後処理部２５２は、クラスタ属性設定部２５１により既存のクラスタの属性が変更された際に、過去の運転データについて、運転データと正常クラスタとの距離である異常度を再計算する。なお、クラスタ属性変更後処理部２５２の処理については、図８を用いて後述する。
　なお、診断装置２００においては、診断装置２００の機能およびＤＢが診断装置２００の内部に備えられる例を示したが、これらの一部を診断装置２００の外部に配置し、データのみを装置間で通信するようにしてもよい。また、各ＤＢに保存されている信号（データ）であるＤＢ情報は、その全ての情報を外部出力インターフェイス部２２０を介して表示装置３２０に表示でき、これらの情報は、外部入力装置３１０を操作して生成する外部入力信号により修正できる。
　また、本実施の形態では、外部入力装置３１０をキーボード３１１とポインティングデバイス３１２とで構成しているが、音声入力のためのマイク、タッチパネルなど、データを入力するための装置を適宜に採用することができる。また、外部装置３００は、ノートパソコン、タブレット端末などの計算機により実現可能であるが、計算機に限られるものではない。例えば、外部入力装置３１０と表示装置３２０とが別装置として設けられてもよい。また、診断システム１には、表示装置３２０に加えてまたは替えて、印刷装置、プロジェクタ装置など、その他の装置が設けられていてもよい。
　また、診断システム１においては、オフラインで運転データを解析する装置として診断装置２００を実施可能であることは言うまでもない。また、診断システム１では、診断装置２００の適用対象をプラント１００としているが、適用対象は限定されるものではなく、様々な設備に適用可能であることは言うまでもない。
　図２は、診断装置２００に設けられているＤＢに保存されるデータの一例を示す図である。
　図２の（Ａ）は、運転データＤＢ２６０に保存されるデータの一例を示す。図２の（Ａ）に示すテーブルには、プラント１００に設けられる各センサ（センサＡ、センサＢ、センサＣ、・・・）で計測した各計測値（運転データ）がサンプリング周期毎に各項目（項目Ａ、項目Ｂ、項目Ｃ、・・・）に保存される。
　図２の（Ｂ）および（Ｃ）は、クラスタリング部２３０等を動作させることで得られるデータであり、計算結果ＤＢ２７０に保存されるデータの一例を示す。図２の（Ｂ）のテーブルには、クラスタ毎の属性、クラスタ毎の重み係数のデータが保存される。図２の（Ｃ）のテーブルには、運転データの分類結果（運転データと、時刻、クラスタ番号などとの関係を示すデータ）が保存される。
　ここで、属性とは、各クラスタが正常クラスタであるか、異常クラスタであるかを定義（識別）するための情報である。また、重み係数とは、各クラスタの中心座標を定義するための係数情報である。さらに、異常クラスタについては、クラスタ毎に自動または手動で定義される事象が保存されている。
　ここで、運転データが複数のグループに分割される場合、図２の（Ｂ）に示すテーブルおよび図２の（Ｃ）に示すテーブルは、グループごとに設けられる。より具体的には、複数のセンサにおける複数のデータ（例えば、第１データ～第６データ）を含む運転データが機器毎に複数のグループに分割される場合（例えば、第１機器に第１データおよび第２データ（第１グループのデータ）が入力され、第１機器の下流に設けられる第２機器に第１機器からの出力データ、第３データおよび第４データ（第２グループのデータ）が入力され、第１機器と並列に設けられる第３機器に第５データおよび第６データ（第３グループのデータ）が入力される場合）、クラスタリング部２３０については、それぞれのグループに対してクラスタを生成するように構成してもよい。
　図３は、診断装置２００が行う診断処理に係る処理手順の一例を示す図である。
　ステップＳ１０では、外部入力インターフェイス部２１０は、制御装置１２０から運転データを取り込み（収集し）、運転データＤＢ２６０に保存する。
　ステップＳ１１では、診断部２４０は、動作モードが学習モードであるか診断モードであるかを判定する。診断部２４０は、学習モードであると判定した場合、ステップＳ１２に処理を移し、診断モードであると判定した場合、ステップＳ１３に処理を移す。本実施の形態では、フローチャートの繰り返しが１回目（初回）のときに学習モードが動作し、２回目以降は、診断モードが動作するように処理が行われる。
　ステップＳ１２では、クラスタリング部２３０は、学習データを処理し、正常状態におけるクラスタを生成し、ステップＳ１０に処理を移す。
　ステップＳ１３では、診断部２４０は、計算結果補正の要否（所定のタイミングであるか否か）を判定する。診断部２４０は、計算結果の補正が必要であると判定した場合、ステップＳ１４に処理を移し、計算結果の補正が不要であると判定した場合、ステップＳ１６に処理を移す。
　ここで、計算結果を補正する所定のタイミングとしては、定期検査の後などのプラント１００の特性が変化したタイミング、前回計算結果を補正してから所定の期間が経過したタイミング、運転員より計算結果の補正を実行するための信号が入力されたタイミングなど、任意のタイミングを設定できる。
　ステップＳ１４では、計算結果補正処理が行われる。なお、計算結果補正処理の詳細については、図６、図８などを用いて後述するが、計算結果補正処理では、属性自動変更処理および属性変更後処理が実行され、クラスタの属性の補正、異常度の計算結果の補正、重み係数の補正などが行われる。
　ステップＳ１５では、外部出力インターフェイス部２２０は、計算結果補正処理の結果を出力する。例えば、外部出力インターフェイス部２２０は、クラスタ属性設定部２５１によりクラスタの属性が変更された結果を確認するための画面に係る画面情報（例えば、図５の（Ｂ）に示すテーブルの一部または全ての情報を含む画面情報）を外部装置３００に送信する。また、例えば、外部出力インターフェイス部２２０は、クラスタ属性変更後処理部２５２による処理結果を確認するための画面に係る画面情報（例えば、図５の（Ｂ）に示すテーブルの一部または全ての情報を含む画面情報、図１０のような異常度を示す画面情報）を外部装置３００に送信する。
　なお、計算結果補正処理の結果を出力する契機は、外部装置３００からの要求であってもよいし、月次処理などの定期処理であってもよいし、その他の契機であってもよい。
　ステップＳ１６では、クラスタリング部２３０は、運転データを処理する。より具体的には、クラスタリング部２３０は、運転データをクラスタに分類する。また、クラスタリング部２３０は、運転データをクラスタに分類した結果が既存のクラスタに属さないと判定した場合、クラスタリング技術で新しいクラスタ（新規クラスタ）を生成する。また、クラスタリング部２３０は、新規クラスタの情報（クラスタ番号、属性、事象、重み係数など）、重み係数を再計算した結果、運転データの分類結果（時刻、クラスタ番号、異常度など）をクラスタリング結果として計算結果ＤＢ２７０に格納する。
　ステップＳ１７では、診断部２４０は、プラント１００に異常が発生しているか否か（分類されたクラスタの属性が異常であるか否か）を判定する。診断部２４０は、異常が発生していると判定した場合、ステップＳ１７に処理を移し、異常が発生していないと判定した場合、ステップＳ１８に処理を移す。
　ステップＳ１８では、外部出力インターフェイス部２２０は、「異常を検知しました。」など、異常を検知した旨の情報を含む画面情報を生成して表示装置３２０に送信する（画面表示）。
　なお、本実施の形態では、異常が発生した場合にクラスタリング結果に係る情報が出力される例を示したが、これに限られるものではなく、異常の発生の有無にかかわらず、クラスタリング結果に係る情報が出力されるようにしてもよい。
　ステップＳ１９では、診断部２４０は、運転員から停止の指示があったか否かを判定する。診断部２４０は、停止の指示があったと判定した場合、診断処理を終了し、指示がないと判定した場合、ステップＳ１０に処理を移す。
　図４は、クラスタリング部２３０の一例として、適応共鳴理論（ＡＲＴ）を用いた場合の構成の一例を示す図である。
　ＡＲＴには、運転データ、および原料情報データを設定した正規化範囲に基づいて「０」から「１」の範囲に正規化したデータＮｘｉ（ｎ）および正規化したデータの補数ＣＮｘｉ（ｎ）（＝１－Ｎｘｉ（ｎ））を含むデータが入力データＩｉ（ｎ）として入力される。
　ＡＲＴモジュール４１０は、Ｆ０レイヤー４１１、Ｆ１レイヤー４１２、Ｆ２レイヤー４１３、メモリ４１４、および選択サブシステム４１５を備え、これらは相互に結合している。Ｆ１レイヤー４１２およびＦ２レイヤー４１３は、重み係数を介して結合している。
　重み係数は、入力データが分類されるクラスタのプロトタイプ（原型）を表している。ここで、プロトタイプとは、クラスタの代表値を表すものである。
　次に、ＡＲＴモジュール４１０のアルゴリズムについて説明する。
　ＡＲＴモジュール４１０に入力データが入力された場合のアルゴリズムの概要は、下記の（処理１）～（処理５）のようになる。
（処理１）
　Ｆ０レイヤー４１１により、入力ベクトルを正規化し、ノイズを除去する。
（処理２）
　Ｆ１レイヤー４１２に入力された入力データと重み係数との比較により、ふさわしいクラスタの候補を選択する。
（処理３）
　選択サブシステム４１５により選択されたクラスタの妥当性がパラメータρとの比により評価される。妥当であると判断された場合、入力データは、そのクラスタに分類され、（処理４）に進む。一方、妥当であると判断されない場合、そのクラスタはリセットされ、他のクラスタからふさわしいクラスタの候補を選択する（（処理２）を繰り返す）。パラメータρの値を大きくするとクラスタの分類が細かくなる。すなわち、クラスタサイズが小さくなる。逆に、ρの値を小さくすると分類が粗くなる。クラスタサイズが大きくなる。このパラメータρをビジランス（vigilance）パラメータと呼ぶ。
（処理４）
　（処理２）において、全ての既存のクラスタがリセットされると、入力データが新規クラスタに属すると判断され、新規クラスタのプロトタイプを表す新しい重み係数が生成される。
（処理５）
　入力データがクラスタＪに分類されると、クラスタＪに対応する重み係数ＷＪ（ｎｅｗ）は、過去の重み係数ＷＪ（ｏｌｄ）および入力データｐ（または入力データから派生したデータ）を用いて下記の（式１）により更新される。
Figure JPOXMLDOC01-appb-M000001
　ここで、Ｋｗは、学習率パラメータ（０＜Ｋｗ＜１）であり、入力ベクトルを新しい重み係数に反映させる度合いを決定する値である。なお、（式１）および後述する（式２）～（式１２）の各演算式は、ＡＲＴモジュール４１０に組み込まれている。
　ＡＲＴモジュール４１０のデータ分類アルゴリズムの特徴は、上記の（処理４）にある。（処理４）においては、学習したときのパターンと異なる入力データが入力された場合、記録されているパターンを変更せずに新しいパターンを記録することができる。このため、過去に学習したパターンを記録しながら、新たなパターンを記録することが可能となる。
　このように、入力データとして予め与えた運転データを与えると、ＡＲＴモジュール４１０は、与えられたパターンを学習する。したがって、学習済みのＡＲＴモジュール４１０に新たな入力データが入力されると、上記アルゴリズムにより、過去におけるどのパターンに近いかを判定することができる。また、過去に経験したことのないパターンであれば、新規クラスタに分類される。
　図４の（Ｂ）は、Ｆ０レイヤー４１１の構成の一例を示す図である。Ｆ０レイヤー４１１では、入力データＩiを各時刻で再度正規化し、Ｆ１レイヤー４１２および選択サブシステム４１５に入力する正規化入力ベクトルｕｉ ０を作成する。
　はじめに、入力データＩｉから、（式２）に従ってＷｉ ０を計算する。ここでａは、定数である。
Figure JPOXMLDOC01-appb-M000002
　次に、Ｗｉ ０を正規化したＸｉ ０を、（式３）を用いて計算する。ここで、||Ｗ０||は、Ｗ０のノルムを表す。
Figure JPOXMLDOC01-appb-M000003
　そして、（式４）を用いて、Ｘｉ ０からノイズを除去したＶｉ ０を計算する。ただし、θは、ノイズを除去するための定数である。（式４）の計算により、微小な値は、「０」となるため、入力データのノイズが除去される。
Figure JPOXMLDOC01-appb-M000004
　最後に、（式５）を用いて正規化入力ベクトルｕｉ ０を求める。ｕｉ ０は、Ｆ１レイヤー４１２の入力となる。
Figure JPOXMLDOC01-appb-M000005
　図４の（Ｃ）は、Ｆ１レイヤー４１２の構成の一例を示す図である。Ｆ１レイヤー４１２では、（式５）で求めたｕｉ ０を短期記憶として保持し、Ｆ２レイヤー４１３に入力するＰｉを計算する。Ｆ１レイヤー４１２の計算式をまとめて（式６）～（式１２）に示す。ただし、ａ、ｂは、定数、ｆは、（式４）で示した関数、Ｔｊは、Ｆ２レイヤー４１３で計算する適合度、ｚｊ ｉは、クラスタ番号ｊの入力データＩｉに対する重み係数である。
Figure JPOXMLDOC01-appb-M000006
Figure JPOXMLDOC01-appb-M000007
Figure JPOXMLDOC01-appb-M000008
Figure JPOXMLDOC01-appb-M000009
Figure JPOXMLDOC01-appb-M000010
Figure JPOXMLDOC01-appb-M000011
 　ただし、ｇは、下記のようになる。
Figure JPOXMLDOC01-appb-M000012
　図５は、クラスタリング部２３０におけるデータの分類結果、および診断部２４０における異常度の計算方法の一例を示す図である。
　図５の（Ａ）は、運転データをクラスタに分類した分類結果の一例を示す。図５の（Ａ）では、一例として、運転データのうちの２項目を示したものであり、２次元のグラフで表記している。また、縦軸および横軸は、それぞれの項目の運転データを規格化して示している。
　運転データは、ＡＲＴモジュール４１０によって複数のクラスタ５００（図５の（Ａ）に示す円）に分割される。１つの円が、１つのクラスタに相当する。
　図５の（Ａ）の例では、運転データは、４つのクラスタに分類されている。クラスタ番号「１」のクラスタ５００Ａは、相対的に、項目Ａの値が大きく、項目Ｂの値が小さいクラスタである。クラスタ番号「２」のクラスタ５００Ｂは、相対的に、項目Ａおよび項目Ｂの値が共に小さいクラスタである。クラスタ番号「３」のクラスタ５００Ｃは、相対的に、項目Ａの値が小さく、項目Ｂの値が大きいクラスタである。クラスタ番号「４」のクラスタ５００Ｄは、相対的に、項目Ａおよび項目Ｂの値が共に大きいクラスタである。
　図５の（Ｂ）は、運転データをクラスタに分類した結果、および運転データの一例を示す図である。横軸は、時間、縦軸は、運転データ（計測信号）またはクラスタ番号である。図５の（Ｂ）に示すように、運転データは、クラスタ番号「１」～「４」のクラスタに分類されている。
　図５の（Ｂ）の例では、学習の期間においては、クラスタ番号「１」～「３」のクラスタが生成される。よって、診断の期間において、運転データがクラスタ番号「１」～「３」のクラスタに分類されない場合、クラスタ番号「４」のクラスタ（正常時に経験していない新状態）が生成される。これにより、図３のステップＳ１７において、プラント１００に異常が発生したこと（異常の発生）がクラスタ番号に基づいて判定できるようになる。
　図５の（Ｃ）を用いて、診断部２４０における異常度の計算方法の一例を説明する。診断部２４０は、運転データ５０１を新規クラスタ（本例では、クラスタ番号「４」のクラスタ）に分類した場合、当該運転データ５０１と最近傍の正常クラスタの重心５０２との距離５０３を異常度として計算する。異常度を計算することにより、運転データ５０１が正常クラスタとどの程度乖離しているかを評価することが可能となる。
　図６は、クラスタ属性設定部２５１が実行する属性自動変更処理に係る処理手順の一例を示す図である。なお、属性自動変更処理は、図３のステップＳ１４で動作する。クラスタ属性設定部２５１には、複数の属性変更方式が実装され、ユーザは、使用する属性変更方式をオプションとして選択可能である。
　ステップＳ２０では、クラスタ属性設定部２５１は、第１の属性変更オプションを使用するか否か判定する。クラスタ属性設定部２５１は、使用すると判定した場合、ステップＳ２１に処理を移し、使用しないと判定した場合、ステップＳ２２に処理を移す。
　ステップＳ２１では、クラスタ属性設定部２５１は、第１の属性変更オプションの属性変更方式として、現在から予め定められた一定期間前まで（所定の期間の一例）の運転データを処理したときに出現（発生）したクラスタを正常クラスタに設定し、正常クラスタ以外のクラスタを異常クラスタに設定する。より具体的には、クラスタ属性設定部２５１は、図２の（Ｂ）に示すテーブルの属性の値（属性値）を変更する。例えば、図２の（Ｂ）に示すテーブルにおいて、所定の期間にクラスタ番号「１」のクラスタの運転データが出現しなかった場合、「正常」から「異常」に属性値を変更する。
　なお、所定の期間として、現在から予め定められた一定期間前までの期間を例に挙げて説明したが、これに限られるものではなく、例えば、定期検査後から一定期間前までなど、他の期間を採用してもよい。付言するならば、図２の（Ｂ）に示すテーブルの事象については、自動で更新される構成としてもよいし、手動で更新される構成としてもよいし、自動および手動により更新される構成としてもよい。
　ステップＳ２２では、クラスタ属性設定部２５１は、第２の属性変更オプションを使用するか否かを判定する。クラスタ属性設定部２５１は、使用すると判定した場合、ステップＳ２３に処理を移し、使用しないと判定した場合、属性自動変更処理を終了する。
　ステップＳ２３では、クラスタ属性設定部２５１は、定期検査にて調整された機器の情報を抽出する。例えば、クラスタ属性設定部２５１は、定期検査で調整した機器として、定期検査の計画書、結果報告書などのデータを参照して機器の情報を抽出する。
　ステップＳ２４では、クラスタ属性設定部２５１は、ステップＳ２３で抽出した機器に入力するデータに関わるグループを特定し、当該グループについて、定期検査から一定期間（所定の期間の一例）の運転データを処理したときに出現したクラスタを正常クラスタに設定し、正常クラスタ以外のクラスタを異常クラスタに設定する。
　このように、定期検査にて調整された機器による影響があるグループ（例えば、当該グループの下流に位置するグループも含まれる。）を特定して処理することで、処理量を低減することができる。
　属性自動変更処理によれば、正常クラスタと異常クラスタとが適切に再設定されるので、失報および誤報の発生を抑制することができる。
　図７は、クラスタ属性設定部２５１による処理内容の一例を示す図である。
　ここで、図７に示すように、クラスタリング部２３０により学習期間の運転データ（学習データ）が処理されてクラスタ番号「１」～「３」のクラスタが正常クラスタとして生成される。定期検査後は、プラントの特性が変化し、クラスタ番号「３」のクラスタのみが生成されるようになり、定期検査後は、クラスタ番号「３」のクラスタのみが正常クラスタであると考えられる。
　その後、異常が発生して、運転データがクラスタ番号「１」のクラスタに分類された場合、従来の方法では、クラスタ番号「１」～「３」のクラスタを正常であると学習しているため、異常の発生を検知できず、失報が発生する。しかしながら、診断装置２００では、クラスタ属性設定部２５１を動作させて診断することで、クラスタ番号「３」のクラスタのみが正常クラスタ（正常状態）とする設定が自動変更され、失報を回避して異常（異常予兆）を検知できる。
　このように、経年変化、定期検査等により、プラントの特性が変化すると過去に正常として学習していた範囲が、現在では異常となるケースについて、診断装置２００を用いることで、異常を検知できるようになる。
　図８は、クラスタ属性変更後処理部２５２が実行する属性変更後処理に係る処理手順の一例を示す図である。なお、属性変更後処理は、図３のステップＳ１４にて、クラスタ属性設定部２５１を動作させた後の後処理として動作する。また、クラスタ属性変更後処理部２５２には、複数の後処理方式が実装され、ユーザは使用する後処理方式をオプションとして選択可能である。
　ステップＳ３０では、クラスタ属性変更後処理部２５２は、第１の後処理オプションを使用するか否かを判定する。クラスタ属性変更後処理部２５２は、使用すると判定した場合、ステップＳ３１に処理を移し、使用しないと判定した場合、ステップＳ３２に処理を移す。
　ステップＳ３１では、クラスタ属性変更後処理部２５２は、過去の運転データについて、運転データと正常クラスタとの距離である異常度を再計算する。異常度の計算方法については、診断部２４０での計算方法と同様であるので、その説明を省略する。なお、再計算した結果については、図１０を用いて後述する。
　ステップＳ３２では、クラスタ属性変更後処理部２５２は、第２の後処理オプションを使用するか否かを判定する。クラスタ属性変更後処理部２５２は、使用すると判定した場合、ステップＳ３３に処理を移し、使用しないと判定した場合、ステップＳ３４に処理を移す。
　ステップＳ３３では、クラスタ属性変更後処理部２５２は、事象と関連付けしていたクラスタの重み係数を調整する。クラスタ属性変更後処理部２５２は、正常クラスタとの変化幅が過去に異常が発生したときの運転データの変化幅と一致するように調整するが、具体的な調整方法については、図９の（Ａ）を用いて後述する。
　ステップＳ３４では、クラスタ属性変更後処理部２５２は、第３の後処理オプションを使用するか否かを判定し、使用すると判定した場合、ステップＳ３５に処理を移し、使用しないと判定した場合、属性変更後処理を終了する。
　ステップＳ３５では、クラスタ属性変更後処理部２５２は、属性を正常に変更したクラスタについて、異常との境界を考慮して重み係数を調整する。クラスタ属性変更後処理部２５２は、正常クラスタに変更したクラスタに属する運転データと、最近接の既存の正常クラスタとの距離を計算し、距離が最大となる運転データが正常と異常との境界となるようにクラスタの重み係数を調整するが、具体的な調整方法については、図９の（Ｂ）を用いて後述する。
　属性変更後処理によれば、異常度が再計算されるので、過去のデータを適切に把握できるようになる。また、属性変更後処理によれば、重み係数が調整されてクラスタがより適切に定義されるようになるので、プラント１００における異常をより精度よく検知できるようになる。
　図９は、クラスタ属性変更後処理部２５２の動作により、クラスタの重み係数を調整した結果の一例を示す図である。ステップＳ３３による重み係数の調整内容を図９の（Ａ）に示し、ステップＳ３５による重み係数の調整内容を図９の（Ｂ）に示す。
　図９の（Ａ）では、クラスタ番号「１」，「２」のクラスタが正常クラスタ、クラスタ番号「３」，「４」のクラスタが異常クラスタであり、クラスタ番号「４」のクラスタは、センサドリフト異常（センサの調子が悪くなり、一定の値がかさ上げされる異常）が、事象として関連付けられている（図９の（Ａ）の左図参照）。この状態から、クラスタ番号「３」のクラスタを正常クラスタに変更した場合、最近傍の正常クラスタ（本例では、クラスタ番号「３」のクラスタ）との変化幅９０２がセンサドリフト発生時の運転データの変化幅９０１となるように、クラスタ番号「４」の重み係数を調整する（図９の（Ａ）の右図参照）。
　換言するならば、クラスタ属性変更後処理部２５２は、運転データの値がかさ上げされるドリフト異常により、既存のクラスタ（クラスタ番号「１」，「２」，「３」のクラスタ）に第１のクラスタ（クラスタ番号「４」のクラスタ）が追加され、かつ、第１のクラスタに対応するドリフト異常前の第２のクラスタ（クラスタ番号「３」）の属性がクラスタ属性設定部２５１により正常に変更された場合、第１のクラスタと第２のクラスタに対応するドリフト異常前の属性が正常である第３のクラスタ（クラスタ番号「２」のクラスタ）とにおける変化幅（変化幅９０１）と、第１のクラスタの中心を示す重み係数の調整後のクラスタと第２のクラスタとにおける変化幅（変化幅９０２）とが等しくなるように、第１のクラスタの重み係数を調整する。
　このように、クラスタの重み係数を調整することで、ドリフト異常を加味して、プラント１００における異常を適切に診断できるようになる。
　図９の（Ｂ）では、クラスタ番号「１」，「２」，「３」のクラスタが正常クラスタであり、クラスタ番号「４」のクラスタが異常クラスタである（図９の（Ｂ）の左図参照）。この状態から、クラスタ属性設定部２５１によりクラスタ番号「４」のクラスタが正常クラスタに変更された場合、クラスタ属性変更後処理部２５２は、当該正常クラスタに属する各データと最近接の既存の正常クラスタとの距離を計算し、距離が最大となるデータ（本例では、データ９０３）が正常と異常との境界となるように、クラスタの重み係数を調整する（図９の（Ｂ）の右図参照）。
　このように、クラスタの重み係数を調整することで、クラスタ番号「４」に属するデータの数が少ない場合に、正常であるかが疑わしいデータ（今までは異常であると判定されるデータ９０４）を正常であると識別してしまう事態を回避できるようになる。
　図１０は、クラスタ属性変更後処理部２５２の動作により、異常度が再計算された結果（クラスタ属性変更後処理部２５２による処理結果を確認するための画面）の一例を示す図である。
　図１０では、クラスタ番号「２」のクラスタが異常クラスタから正常クラスタに属性が変更された後、クラスタ属性変更後処理部２５２により、第１の後処理オプションを用いて異常度が再計算された結果を示す。
　異常度の計算結果が修正され、属性が正常に変更されたクラスタに対応する異常度が低下する。すなわち、過去のデータを参照したときに、正常クラスタの異常度が高い、異常クラスタの異常度が低いということがなくなる。
　なお、表示装置３２０には、属性変更前の診断結果と属性変更後の診断結果の両方を表示できるようにしてもよいし、何れか一方を表示できるようにしてもよい。
　以上のように、診断装置２００によれば、診断の都度、学習データを処理して正常クラスタを生成するための時間が不要となり、失報の発生を抑制できるようになる。
（２）他の実施の形態
　なお上述の実施の形態においては、本発明を診断装置２００に適用するようにした場合について述べたが、本発明はこれに限らず、この他種々の診断装置および診断方法に広く適用することができる。
　また上述の実施の形態においては、説明の便宜上、ＸＸテーブル、ＸＸＤＢを用いて各種のデータを説明したが、データ構造は限定されるものではなく、ＸＸ情報などと表現してもよい。
　また、上記の説明において各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリや、ハードディスク、ＳＳＤ（Solid State Drive）等の記憶装置、または、ＩＣカード、ＳＤカード、ＤＶＤ等の記録媒体に置くことができる。
　また上述した構成については、本発明の要旨を超えない範囲において、適宜に、変更したり、組み替えたり、組み合わせたり、省略したりしてもよい。
　１……診断システム、１００……プラント、２００……診断装置、２１０……外部入力インターフェイス部、２２０……外部出力インターフェイス部、２３０……クラスタリング部、２４０……診断部、２５０……計算結果補正部、２５１……クラスタ属性設定部、２５２……クラスタ属性変更後処理部、２６０……運転データＤＢ、２７０……計算結果ＤＢ、３００……外部装置。

Claims (9)

  1. 　設備の運転データに基づいて前記設備における異常を診断する診断装置であって、
    　既存のクラスタに前記設備の運転データを分類できるか否かを判定し、分類できないと判定した場合、属性を異常としたクラスタを前記既存のクラスタに追加するクラスタリング部と、
    　前記クラスタリング部による処理結果に基づいて、前記設備における異常を診断する診断部と、
    　所定の期間における前記設備の運転データに基づいて、前記既存のクラスタの属性を設定するクラスタ属性設定部と、
    　を備えることを特徴とする診断装置。
  2. 　前記クラスタ属性設定部は、前記既存のクラスタついて、前記所定の期間における前記設備の運転データが分類されるクラスタの属性を正常に設定し、正常に設定したクラスタ以外のクラスタの属性を異常に設定する、
    　ことを特徴とする請求項１に記載の診断装置。
  3. 　前記設備を構成する各機器に入力するデータのグループごとに既存のクラスタが設けられ、
    　前記クラスタ属性設定部は、定期検査から一定期間または現在から一定期間前までにおける前記設備の運転データに基づいて、前記定期検査にて調整した機器に入力するデータに関わるグループにおける既存のクラスタの属性を設定する、
    　ことを特徴とする請求項１に記載の診断装置。
  4. 　前記クラスタ属性設定部により前記既存のクラスタの属性が変更された際に、過去の運転データについて、運転データと属性が正常であるクラスタとの距離である異常度を再計算するクラスタ属性変更後処理部を備える、
    　ことを特徴とする請求項１に記載の診断装置。
  5. 　運転データの値がかさ上げされるドリフト異常により、前記既存のクラスタに第１のクラスタが追加され、かつ、前記第１のクラスタに対応する前記ドリフト異常前の第２のクラスタの属性が前記クラスタ属性設定部により正常に変更された場合、前記第１のクラスタと前記第２のクラスタに対応する前記ドリフト異常前の属性が正常である第３のクラスタとにおける変化幅と、前記第１のクラスタの中心を示す重み係数の調整後のクラスタと前記第２のクラスタとにおける変化幅とが等しくなるように、前記重み係数を調整するクラスタ属性変更後処理部を備える、
    　ことを特徴とする請求項１に記載の診断装置。
  6. 　前記クラスタ属性設定部により属性が正常に変更されたクラスタに属する複数の運転データの各々と、前記既存のクラスタのうち最近接の属性が正常であるクラスタとの距離を計算し、前記複数の運転データのうち距離が最大となる運転データが正常と異常との境界に位置するように、前記正常に変更されたクラスタの中心を示す重み係数を調整するクラスタ属性変更後処理部を備える、
    　ことを特徴とする請求項１に記載の診断装置。
  7. 　前記クラスタ属性設定部によりクラスタの属性が変更された結果を確認するための画面に係る画面情報を出力する外部出力インターフェイス部を備える、
    　ことを特徴とする請求項１に記載の診断装置。
  8. 　前記クラスタ属性変更後処理部による処理結果を確認するための画面に係る画面情報を出力する外部出力インターフェイス部を備える、
    　ことを特徴とする請求項４から６の何れか１項に記載の診断装置。
  9. 　設備の運転データに基づいて前記設備における異常を診断する診断方法であって、
    　クラスタリング部が、既存のクラスタに前記設備の運転データを分類できるか否かを判定し、分類できないと判定した場合、属性を異常としたクラスタを前記既存のクラスタに追加する第１のステップと、
    　診断部が、前記クラスタリング部による処理結果に基づいて、前記設備における異常を診断する第２のステップと、
    　クラスタ属性設定部が、所定の期間における前記設備の運転データに基づいて、前記既存のクラスタの属性を設定する第３のステップと、
    　を備えることを特徴とする診断方法。
PCT/JP2018/044793 2018-03-01 2018-12-05 診断装置および診断方法 Ceased WO2019167375A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201880084942.9A CN111542792A (zh) 2018-03-01 2018-12-05 诊断装置和诊断方法
EP18907849.6A EP3761133A4 (en) 2018-03-01 2018-12-05 DIAGNOSTIC DEVICE AND DIAGNOSTIC PROCEDURE
PH12020551136A PH12020551136A1 (en) 2018-03-01 2020-07-27 Diagnosis apparatus and diagnosis method

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018037007A JP7180985B2 (ja) 2018-03-01 2018-03-01 診断装置および診断方法
JP2018-037007 2018-03-01

Publications (1)

Publication Number Publication Date
WO2019167375A1 true WO2019167375A1 (ja) 2019-09-06

Family

ID=67805749

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2018/044793 Ceased WO2019167375A1 (ja) 2018-03-01 2018-12-05 診断装置および診断方法

Country Status (5)

Country Link
EP (1) EP3761133A4 (ja)
JP (1) JP7180985B2 (ja)
CN (1) CN111542792A (ja)
PH (1) PH12020551136A1 (ja)
WO (1) WO2019167375A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114365125A (zh) * 2019-09-11 2022-04-15 日立造船株式会社 信息处理装置、运转辅助系统、信息处理方法、以及信息处理程序

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7483341B2 (ja) * 2019-09-26 2024-05-15 キヤノン株式会社 情報処理方法、情報処理装置、機械設備、物品の製造方法、プログラム、記録媒体
WO2021199194A1 (ja) * 2020-03-30 2021-10-07 三菱電機株式会社 診断システム、診断方法及びプログラム
WO2021229815A1 (ja) * 2020-05-15 2021-11-18 富士通株式会社 情報処理装置、評価方法、および評価プログラム
DE112021005251T5 (de) * 2020-10-05 2023-09-07 Fanuc Corporation Zustandsbestimmungsvorrichtung und zustandsbestimmungsverfahren
JP7743432B2 (ja) * 2020-11-16 2025-09-24 住友重機械工業株式会社 表示装置、制御装置、制御方法及びコンピュータプログラム
JP7624382B2 (ja) * 2021-12-24 2025-01-30 株式会社日立製作所 点検対象物情報取得システム及び点検対象物情報取得方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070088550A1 (en) * 2005-10-13 2007-04-19 Dimitar Filev Method for predictive maintenance of a machine
JP2010237893A (ja) 2009-03-31 2010-10-21 Hitachi Ltd プラントの異常診断装置及び異常診断方法
JP2015018389A (ja) 2013-07-10 2015-01-29 株式会社日立パワーソリューションズ 異常予兆診断装置及び異常予兆診断方法
JP2015162140A (ja) * 2014-02-28 2015-09-07 株式会社日立製作所 プラントと制御装置の診断装置
JP2016033778A (ja) * 2014-07-31 2016-03-10 株式会社日立パワーソリューションズ 異常予兆診断装置及び異常予兆診断方法
WO2017022784A1 (ja) * 2015-08-05 2017-02-09 株式会社日立パワーソリューションズ 異常予兆診断システム及び異常予兆診断方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5150590B2 (ja) * 2009-09-25 2013-02-20 株式会社日立製作所 異常診断装置及び異常診断方法
CN102576227B (zh) * 2009-10-02 2014-06-25 株式会社日立制作所 设备诊断装置
JP5544418B2 (ja) * 2010-04-08 2014-07-09 株式会社日立製作所 プラントの診断装置、診断方法、及び診断プログラム
JP5647626B2 (ja) * 2012-01-05 2015-01-07 株式会社日立製作所 プラント状態監視装置、プラント状態監視方法
JP5530019B1 (ja) * 2013-11-01 2014-06-25 株式会社日立パワーソリューションズ 異常予兆検知システム及び異常予兆検知方法
JP6116466B2 (ja) * 2013-11-28 2017-04-19 株式会社日立製作所 プラントの診断装置及び診断方法
CN103676937B (zh) * 2013-12-10 2017-05-10 中联重科股份有限公司 控制器中控制参数的处理方法及装置
JP2016012158A (ja) * 2014-06-27 2016-01-21 株式会社日立製作所 プラント異常予知装置、異常予知装置、表示装置及び表示方法
CN105825242B (zh) * 2016-05-06 2019-08-27 南京大学 基于混合网格分层聚类的集群通信终端轨迹实时异常检测方法与系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070088550A1 (en) * 2005-10-13 2007-04-19 Dimitar Filev Method for predictive maintenance of a machine
JP2010237893A (ja) 2009-03-31 2010-10-21 Hitachi Ltd プラントの異常診断装置及び異常診断方法
JP2015018389A (ja) 2013-07-10 2015-01-29 株式会社日立パワーソリューションズ 異常予兆診断装置及び異常予兆診断方法
JP2015162140A (ja) * 2014-02-28 2015-09-07 株式会社日立製作所 プラントと制御装置の診断装置
JP2016033778A (ja) * 2014-07-31 2016-03-10 株式会社日立パワーソリューションズ 異常予兆診断装置及び異常予兆診断方法
WO2017022784A1 (ja) * 2015-08-05 2017-02-09 株式会社日立パワーソリューションズ 異常予兆診断システム及び異常予兆診断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3761133A4

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114365125A (zh) * 2019-09-11 2022-04-15 日立造船株式会社 信息处理装置、运转辅助系统、信息处理方法、以及信息处理程序
EP4030249A4 (en) * 2019-09-11 2023-10-04 Hitachi Zosen Corporation INFORMATION PROCESSING DEVICE, OPERATION SUPPORT SYSTEM, INFORMATION PROCESSING METHOD, AND INFORMATION PROCESSING PROGRAM

Also Published As

Publication number Publication date
EP3761133A1 (en) 2021-01-06
EP3761133A4 (en) 2021-11-03
JP7180985B2 (ja) 2022-11-30
JP2019153018A (ja) 2019-09-12
CN111542792A (zh) 2020-08-14
PH12020551136A1 (en) 2021-05-31

Similar Documents

Publication Publication Date Title
WO2019167375A1 (ja) 診断装置および診断方法
JP5484591B2 (ja) プラントの診断装置及びプラントの診断方法
CN112655004B (zh) 用于异常检测和/或预测性维护的计算机实现的方法
JP5292477B2 (ja) 診断装置及び診断方法
WO2021071911A1 (en) Sensor contribution ranking
CN114450646A (zh) 用于使用深度学习来检测风力涡轮操作异常的系统和方法
JP5150590B2 (ja) 異常診断装置及び異常診断方法
JP2017010232A (ja) プラント診断装置及びプラント診断方法
CN110084326A (zh) 一种基于模糊集的工业设备异常检测方法
JP6830414B2 (ja) 診断装置及び診断方法
CN117330906A (zh) 设备电弧故障检测方法、装置、设备及存储介质
CN117499103A (zh) 一种用户异常行为检测方法、系统、装置及可读存储介质
CN116611022A (zh) 智慧校园教育大数据融合方法及平台
JP2022186541A (ja) ソースコード解析装置およびソースコード解析方法
CN115146890A (zh) 企业运营风险告警方法、装置、计算机设备和存储介质
JP5647626B2 (ja) プラント状態監視装置、プラント状態監視方法
CN114358421A (zh) 磁盘故障预测方法、装置、存储介质和电子设备
CN118410463B (zh) 一种基于数据行为偏执的行为异常检测方法及系统
CN119939277A (zh) 设备故障识别方法、系统及储存介质
CN116032016B (zh) 智慧风电场运行状态在线监测预警系统及预警方法
WO2021140942A1 (ja) 診断装置、診断方法およびプログラム
JP6676508B2 (ja) セキュリティ診断装置およびセキュリティ診断方法
CN119720051B (zh) 基于工业自动化的设备预测性维护遥测系统
JP2020135739A (ja) 障害予兆検知システム
CN117215868A (zh) 一种磁盘异常检测方法、装置、电子设备及存储介质

Legal Events

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

Ref document number: 18907849

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 2018907849

Country of ref document: EP

ENP Entry into the national phase

Ref document number: 2018907849

Country of ref document: EP

Effective date: 20201001

WWW Wipo information: withdrawn in national office

Ref document number: 2018907849

Country of ref document: EP