WO2024043153A1 - 因子選択装置、因子選択方法及びプログラム - Google Patents

因子選択装置、因子選択方法及びプログラム Download PDF

Info

Publication number
WO2024043153A1
WO2024043153A1 PCT/JP2023/029601 JP2023029601W WO2024043153A1 WO 2024043153 A1 WO2024043153 A1 WO 2024043153A1 JP 2023029601 W JP2023029601 W JP 2023029601W WO 2024043153 A1 WO2024043153 A1 WO 2024043153A1
Authority
WO
WIPO (PCT)
Prior art keywords
factor
evaluation
candidates
factors
state
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/JP2023/029601
Other languages
English (en)
French (fr)
Inventor
尚希 西川
透 黒岩
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.)
Mitsubishi Heavy Industries Thermal Systems Ltd
Original Assignee
Mitsubishi Heavy Industries Thermal Systems 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 Mitsubishi Heavy Industries Thermal Systems Ltd filed Critical Mitsubishi Heavy Industries Thermal Systems Ltd
Priority to EP23857266.3A priority Critical patent/EP4571539A4/en
Publication of WO2024043153A1 publication Critical patent/WO2024043153A1/ja
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2115—Selection of the most significant subset of features by evaluating different subsets according to an optimisation criterion, e.g. class separability, forward selection or backward elimination

Definitions

  • the present disclosure relates to a factor selection device, a factor selection method, and a program.
  • This disclosure claims priority based on Japanese Patent Application No. 2022-131699 filed in Japan on August 22, 2022, the contents of which are incorporated herein.
  • the Mahalanobis-Taguchi method is known as an anomaly detection method.
  • a Mahalanobis distance is calculated from a plurality of factors, and an abnormality in a device or the like is determined by comparing the calculated Mahalanobis distance with a predetermined threshold value.
  • Patent Document 1 discloses a method of calculating a combination of "number of adopted variables" and "threshold value” that improves the detection accuracy of the MT method.
  • Patent Document 2 discloses a method for quantitatively analyzing which factors influence the Mahalanobis distance (factorial effect analysis).
  • the factors to be evaluated are assigned to a two-level orthogonal array, the SN ratio is calculated for each row of the orthogonal array, and the difference in the SN ratio between when that factor is used and when it is not used is calculated for each factor.
  • a certain SN ratio gain is determined, and based on the SN ratio gain, factors that have a large influence on abnormality detection are identified.
  • Patent Document 2 suggests that a factor exhibiting a larger value of S/N ratio gain is more likely to become a factor of abnormality occurrence.
  • Cited Document 2 when the factors are arranged in ascending order of S/N ratio gain, it is common practice to select the factor located at the top as the factor used for calculating the Mahalanobis distance. .
  • the present disclosure provides a factor selection device, a factor selection method, and a program that can solve the above problems.
  • the factor selection device of the present disclosure includes a data acquisition unit that acquires candidate factors for use in evaluating the condition of an object, an evaluation unit that evaluates the magnitude of influence on the condition evaluation for each of the candidates, and the evaluation unit a factor selection unit that selects the factor having a large influence from among the candidates based on the evaluation result, and the evaluation unit selects one unevaluated factor among the candidates and
  • the state evaluation is performed with the factor removed, and if there is a change in the accuracy of the state evaluation before and after the factor is removed, the evaluation process of evaluating the factor as a factor with a large influence is repeated for each of the candidates.
  • the factor selection unit selects the factor evaluated to have a large influence.
  • the factor selection method of the present disclosure includes a step of acquiring candidate factors for use in evaluating the condition of an object, a step of evaluating the magnitude of influence on the condition evaluation for each of the candidates, and an evaluation by the evaluating step. and selecting the factor having a large influence from among the candidates based on the results, and in the evaluating step, selecting one unevaluated factor from among the candidates and evaluating the factor. If there is a change in the accuracy of the state evaluation before and after removing the factor, the evaluation process of evaluating the factor as a factor having a large influence is repeatedly executed for each of the candidates. In the selecting step, the factor evaluated to have a large influence is selected.
  • the program of the present disclosure includes the steps of: acquiring candidate factors for use in evaluating the condition of an object; evaluating the magnitude of influence of each of the candidates on the condition evaluation; and a step of selecting the factor having a large influence from among the candidates based on the evaluation result, and in the evaluating step, selecting one unevaluated factor among the candidates and determining the factor.
  • the state evaluation is performed excluding the factor, and if there is a change in the accuracy of the state evaluation before and after removing the factor, the evaluation process of evaluating the factor as a factor having a large influence is repeatedly executed for each of the candidates.
  • a process of selecting the factor evaluated to have a large influence is executed.
  • the number of factors used for abnormality detection etc. can be reduced.
  • FIG. 1 is a block diagram illustrating an example of a factor selection device according to an embodiment. It is a flow chart which shows an example of factor selection processing concerning an embodiment. It is a figure showing an example of an orthogonal array and an SN ratio concerning an embodiment.
  • FIG. 3 is a diagram showing an example of a factor-effect diagram according to the embodiment.
  • FIG. 1 is a diagram illustrating an example of a hardware configuration of a factor selection device according to an embodiment.
  • FIG. 1 is a block diagram illustrating an example of a factor selection device according to an embodiment.
  • the factor selection device 10 selects factors that function effectively from candidate factors (also called explanatory variables, feature quantities, etc.) used for monitoring and status evaluation of equipment, plants, etc.
  • the selected factors are used in processing such as abnormality detection performed by a monitoring device, a control device, or the like.
  • the number of measurement items used to evaluate the condition of a plant, etc. may be several hundred or more, but in order to perform a highly accurate condition evaluation, it is not necessary to use all of them. Alternatively, it is desirable to exclude items that deteriorate evaluation accuracy and select and use only important items. If it is possible to reduce the number of factors used while maintaining high evaluation accuracy, it will not only reduce processing costs for condition evaluation (calculation load, data storage capacity, etc.), but also reduce sensor installation costs by reducing less important sensors. It can be expected to reduce maintenance costs.
  • the factor selection device 10 includes a data acquisition section 11, a control section 12, an output section 16, and a storage section 17.
  • the data acquisition unit 11 acquires candidate factors for use in evaluating the condition of equipment, plants, etc. (objects).
  • Condition evaluation includes, for example, diagnosis of operating conditions such as normal, abnormal, and caution-requiring conditions, abnormality detection to detect the occurrence of an abnormality, and abnormality prediction to predict the occurrence of an abnormality in advance.
  • a factor is a physical quantity that is considered to reflect the state of an object, such as a measured value measured by a sensor or a value calculated from a measured value, such as temperature, pressure, flow rate, vibration frequency, rotation speed, current, or voltage. Process data to be monitored.
  • the control unit 12 controls the process of selecting important factors from among the factor candidates.
  • the control section 12 includes an SN ratio gain calculation section 13 , an evaluation section 14 , and a factor selection section 15 .
  • the SN ratio gain calculation unit 13 calculates the SN ratio gain (SN ratio gain) of each candidate factor.
  • the method for calculating the SN ratio gain is publicly known (for example, Patent Document 2). Therefore, detailed description will be omitted in this specification.
  • the evaluation unit 14 evaluates how important each factor is for condition evaluation, in other words, how much influence it has on condition evaluation. Specifically, the evaluation unit 14 selects one factor from among the candidate factors in descending order of S/N ratio gain, and performs state evaluation excluding this factor.
  • the evaluation unit 14 determines whether there is a significant change in the evaluation accuracy before and after removing the factor. For example, if the evaluation accuracy changes by more than a predetermined threshold, the factor is determined to be an important or effective factor that influences the judgment, and if the change is less than the threshold, the factor is determined to be an important or effective factor that influences the judgment. Whether it exists or not, it is determined that it is an invalid factor that does not affect the state evaluation, and this factor is deleted from the candidates. The evaluation unit 14 executes this evaluation process for each factor, leaving only important factors.
  • the factor selection unit 15 selects the factors evaluated as important by the evaluation unit 14.
  • the output unit 16 outputs the factors selected by the factor selection unit 15 to a display device or an electronic file.
  • the storage unit 17 stores factor data acquired by the data acquisition unit 11, various threshold values, various data being processed, and the like.
  • FIG. 2 is a flowchart illustrating an example of factor selection processing according to the embodiment.
  • the data acquisition unit 11 acquires factor candidates (step S1).
  • the data acquisition unit 11 may collect time-series data of various factors such as temperature, pressure, and flow rate collected during a time period when an abnormality occurred in a plant, etc., and time series data collected during a time period when a plant etc. is operating under normal conditions. Multiple sets of collected time series data of similar factors are acquired. These time-series data are acquired in a state in which it is known whether the data is abnormal or normal.
  • the data acquisition unit 11 acquires time-series data of each factor over a predetermined period (for example, several weeks, several months, etc.) including the occurrence of the abnormality (the occurrence of the abnormality is known).
  • the data acquisition unit 11 records the acquired time series data of various factors (factor candidates) in the storage unit 17.
  • the control unit 12 executes the following process.
  • the SN ratio gain calculation unit 13 assigns factors to an orthogonal array (step S2).
  • FIG. 3 shows an example of an orthogonal array for a two-level system. Each column of the orthogonal array illustrated in FIG. 3 is called an item, and each item is assigned one of the candidate factors.
  • the values that each item can take are called levels, and in the case of a two-level system, each item can be either "use that item" (first level) or "do not use that item” (second level).
  • each row of the orthogonal array is a number (experiment number in the experimental design method) assigned to each candidate combination of factors.
  • the first row of the orthogonal array in FIG. 3 shows combinations when all factors 1 to m are used.
  • the SN ratio gain calculation unit 13 calculates the SN ratio of the Mahalanobis distance (MD) using the data collected at the time of abnormality of each factor acquired in step S1 (step S3).
  • m is the number of abnormal data.
  • the SN ratio gain calculation unit 13 calculates the SN ratios ⁇ 1 to ⁇ 12 of each row of the orthogonal array in FIG. 3 using the above equation (1).
  • the SN ratio gain calculation unit 13 calculates the SN ratio gain (step S4).
  • the SN ratio gain calculation unit 13 calculates the SN ratio gain of a certain factor based on the difference between the average value of the SN ratio of the first level and the average value of the SN ratio of the second level among the SN ratios calculated for the factor. Calculate.
  • ⁇ 1 to ⁇ 6 are SN ratios calculated for rows where factor 1 is the first level
  • ⁇ 7 to ⁇ 12 are SN ratios calculated for rows where factor 1 is the second level.
  • the SN ratio gain calculation unit 13 calculates SN ratio gains for other factors as well.
  • the SN ratio gain calculation unit 13 records the calculated SN ratio gain in the storage unit 17.
  • Figure 4 shows a factor effect diagram.
  • the vertical axis in FIG. 4 is the SN ratio, and the horizontal axis is the factor.
  • the factor is 1
  • the difference between the average of the SN ratios at the first level and the average of the SN ratios at the second level ( ⁇ 1 in the figure) is the SN ratio gain.
  • the line connecting the first level and the second level for factor 1 is represented by L1
  • the other factors n are also represented by Ln
  • the S/N ratio gain will be positive if it falls to the right like L1, and this slope is steep ( If the absolute value of the SN ratio gain is large), this indicates that this factor 1 is an important factor that influences the condition evaluation.
  • FIG. 5 shows the results of arranging candidate factors in ascending order of SN ratio gain.
  • the vertical axis in FIG. 5 is the SN ratio gain, and the horizontal axis is the factor. This is a factor in which the value of the SN ratio gain increases as it goes to the right.
  • the factorial effect diagram in FIG. 4 it is known that if the SN ratio gain is positive and its absolute value is large, that factor is effective in evaluating the condition.
  • a predetermined number of factors are deleted in descending order of the S/N ratio gain value and the remaining factors are selected, or the factors whose S/N ratio gain value is greater than or equal to a predetermined threshold are selected, or the S/N ratio gain is Important factors that are effective in the determination are selected by selecting X% in descending order of value. In either case, higher-ranking factors with larger values of SN ratio gain remain, and for example, factors included in range R1 in FIG. 5 are selected as important factors. However, doubts remain as to whether all of the factors included in the range R1 selected in this way are truly effective factors for condition evaluation.
  • the S/N ratio gain value is only the result of an approximate analysis of the influence of each factor due to the purpose of experimental design, which aims to conduct experiments efficiently and comprehensively in a small number of times. This can be mentioned. Another important point is that, for example, if you remove factor 7 with the smallest SN ratio gain in Figure 5, calculate the SN ratio gain again using the remaining factors, and rearrange them in ascending order, the order of magnitude will not necessarily be the same as in Figure 5. (For example, factor 5 in range R1 is in a lower order.) This is because there are correlations and interactions between factors.
  • the SN ratio gain has meaning only in the combination of N factors, and if the remaining factor combinations after removing the factor with the small SN ratio gain keep each factor in the same order as before deletion. is not limited. Therefore, this embodiment aims to extract only the factors that are truly useful for condition evaluation, and reduce the number of factors as much as possible while ensuring the accuracy of condition evaluation.
  • the evaluation unit 14 individually evaluates the degree of influence and importance of each factor (step S6).
  • FIG. 6 shows an example of the processing contents of the evaluation process (step S6) by the evaluation unit 14.
  • the evaluation unit 14 performs abnormality detection etc. using all the factors of the time series data acquired in step S11, and calculates the index Y (step S11).
  • the index Y is an index related to the accuracy of anomaly detection, and the index Y includes, for example, the false judgment rate of anomaly detection (the rate of missed abnormalities or false alarms) and the number of advance prediction days (how long ago the abnormality was detected). can be detected).
  • the evaluation unit 14 has a function of detecting an abnormality and predicting an abnormality, and calculates the index Y by acquiring the time series data of each factor acquired in step S1, performing abnormality detection and prediction.
  • the data acquired in step S1 includes data that is known to be normal or abnormal (time-series data of each factor collected when an abnormality occurs or time-series data of each factor collected during normal operation). From this, it is possible to calculate the misjudgment rate. Alternatively, if time-series data of each factor is acquired over a predetermined period including the occurrence of an abnormality for which the time of occurrence of the abnormality is known, it is possible to calculate the number of days for advance prediction.
  • the evaluation unit 14 records an index Y in the storage unit 17 when a state evaluation such as abnormality detection is performed using all the factors.
  • the evaluation unit 14 selects one unevaluated factor in order of the factor with the smallest SN ratio gain (step S12).
  • the evaluation unit 14 first selects factor 7.
  • the evaluation unit 14 performs abnormality detection, etc., excluding the selected factor, and calculates the index Y (step S13). For example, the evaluation unit 14 calculates the index Y when abnormality detection is performed without using the factor 7, and records this value in the storage unit 17.
  • the evaluation unit 14 compares the index Y calculated without the selected factor with the index Y calculated when all the factors are used, and determines whether there is a change (step S14). For example, the evaluation unit 14 determines that there has been a change if the difference between the two is greater than or equal to a predetermined threshold, and determines that there has been no change if the difference between the two is less than the threshold. If it is determined that there has been a change (step S14; Yes), the evaluation unit 14 regards the removed factor (the factor selected in step S12) as a "change point factor" that influences the determination of abnormality detection, etc., and displays a message to that effect. This factor is left while being recorded in the storage unit 17 (step S15).
  • the evaluation unit 14 regards the removed factor (the factor selected in step S12) as a factor that does not affect abnormality detection etc., and stores this information in the storage unit 17. This factor is recorded and deleted from the candidate factors (step S16). The deleted factors are not used in subsequent evaluation processing.
  • the evaluation unit 14 calculates the index Y for all the candidate factors acquired in step S1, and evaluates whether the factor is a factor that affects abnormality detection etc. (step S14). Determination is made (step S17). When the index Y has been evaluated for all factors (step S17; Yes), the evaluation process in FIG. 6 is ended.
  • step S12 If the index Y has not been evaluated for all factors (step S17; No), the process after step S12 is repeated. For example, after the evaluation of factor 7 is completed, the evaluation unit 14 selects factor 3 next (step S12), and calculates the index Y when factor 3 is excluded (step S13).
  • the index Y is calculated by excluding that factor and the factor to be evaluated this time. For example, if factor 7 has been deleted (step S16), abnormality detection etc. will be performed with factor 7 and factor 3 removed, and the index Y in that case will be calculated.
  • step S15 abnormality detection is performed by excluding only factor 3 (factor 7 is used for abnormality detection, etc.), and the index Y in that case is calculated.
  • the evaluation unit 14 determines whether there is a difference from the index Y when all the factors are used (step S14). If there is a difference, factor 3 is regarded as a "change point factor" and left (step S15); if there is no difference, factor 3 is deleted as a factor that is not necessary for abnormality detection etc. (step S16). . If factor 7 has already been deleted, in the determination in step S14, instead of the index Y when all factors are used, the index Y calculated excluding factor 7, that is, in step S13 of the previous loop, is used.
  • the calculated index Y may be compared with the index Y calculated this time excluding factors 7 and 3. After evaluating the influence of each factor on the determination in this way, the evaluation unit 14 ends the process of step S6 in FIG. 2.
  • the remaining (unevaluated) factors are factors that have an influence on abnormality determination.
  • the factor selection unit 15 selects the factor that was evaluated as having an influence in the evaluation process of step S6 (factor considered to be a "change point factor”) (step S7).
  • the output unit 16 outputs the selected factor.
  • FIG. 7 shows an example of the factors selected in step S7.
  • the factors included in the range R2 to R5 in the figure are the factors selected in step S7. Even a factor with a high SN ratio gain will not be selected if it does not have an effect on the abnormality detection judgment (for example, factor 8, factor m), and even if the SN ratio gain is small, it will not be selected if it has an effect on the judgment. selected (e.g., factor 2).
  • the number of factors can be reduced compared to the number of factors selected using the conventional method (FIG. 5). For each factor, processing such as anomaly detection is actually performed to remove factors that have no influence, and the remaining factors are selected, so it is thought that the accuracy of anomaly detection etc. can be maintained.
  • the number of factors used in the determination can be reduced while ensuring the accuracy of condition evaluation such as abnormality detection.
  • This reduces the processing cost related to condition evaluation for example, in the case of the MT method, calculation of unit space, calculation of Mahalanobis distance, and in case of anomaly detection using a judgment model constructed by machine learning, construction of judgment model, judgment It is possible to suppress the calculation load such as determination based on a model, and it is possible to suppress an increase in data storage area.
  • control device installed in equipment such as an air conditioner, water heater, or refrigerator, in addition to controlling the equipment, it also performs abnormality detection.
  • the computer resources of these control devices are limited, they are often unable to handle (storage) large amounts of data or perform heavy processing.
  • the control device can detect abnormalities by handling only a small number of factors. In this way, this embodiment is suitable for cases where condition evaluation such as anomaly detection must be performed using a relatively small computer with limited computer resources due to cost constraints such as mass-produced products, and constraints such as product size and weight. suitable.
  • devices such as air conditioners installed in various places are connected to a monitoring server via a network, and the measured values of each factor are sent to the monitoring server, and the monitoring server performs abnormality detection, etc. If the number of target devices increases, the amount of data sent to the monitoring server and the amount of data stored on the monitoring server side will become enormous. In contrast, by reducing the number of factors using the factor selection method of this embodiment, in addition to reducing the processing load of abnormality detection on the monitoring server as described above, the data sent to the monitoring server The amount of data saved on the monitoring server side can be reduced. As described above, the present embodiment is suitable for remote monitoring and other cases where status evaluation such as abnormality detection must be performed on a computer having a large number of monitoring targets.
  • the factor selection device 10 calculates the SN ratio gain, but the factor selection device 10 does not calculate the SN ratio gain, but acquires the SN ratio gain calculated by another device. It may be configured as follows. The processing in this case will be explained with reference to the flowchart of FIG. For example, the data acquisition unit 11 acquires the SN ratio gain of each factor calculated by another device in addition to the factor candidates (step S1'). Without performing steps S2 to S4, the control unit 12 rearranges each factor in ascending order of the acquired SN ratio gain (step S5). Next, the evaluation unit 14 evaluates each factor (step S6), and the factor selection unit 15 selects important factors (step S7). In both the above embodiment and this modification 1, in the evaluation process in step S6, instead of processing the factors in order from the smallest SN ratio gain, the evaluation may be performed in the order from the largest SN ratio gain. .
  • the factor selection device 10 calculates the SN ratio gain, but it may evaluate each factor without calculating the SN ratio gain.
  • the processing in this case will be explained with reference to the flowchart of FIG.
  • the data acquisition unit 11 acquires factor candidates (step S1).
  • the evaluation unit 14 evaluates each factor without performing steps S2 to S5 (step S6), and the factor selection unit 15 selects important factors (step S7). For example, if the number of candidate factors is small and there is no need to use an orthogonal array, the process described in FIG. 6 may be performed on all the factors without calculating the SN ratio gain.
  • FIG. 8 is a diagram illustrating an example of the hardware configuration of the factor selection device according to the embodiment.
  • the computer 900 includes a CPU 901, a main storage device 902, an auxiliary storage device 903, an input/output interface 904, and a communication interface 905.
  • the factor selection device 10 is implemented in a computer 900.
  • Each of the above-mentioned functions is stored in the auxiliary storage device 903 in the form of a program.
  • the CPU 901 reads the program from the auxiliary storage device 903, expands it to the main storage device 902, and executes the above processing according to the program.
  • the CPU 901 reserves a storage area in the main storage device 902 according to the program. According to the program, the CPU 901 reserves a storage area in the auxiliary storage device 903 to store the data being processed.
  • a program for realizing all or part of the functions of the factor selection device 10 is recorded on a computer-readable recording medium, and the program recorded on the recording medium is read into a computer system and executed, thereby achieving each function. Processing may also be performed by the department.
  • the "computer system” here includes hardware such as an OS and peripheral devices.
  • Computer system includes the homepage providing environment (or display environment) if a WWW system is used.
  • a "computer-readable recording medium” refers to a portable medium such as a CD, DVD, or USB, or a storage device such as a hard disk built into a computer system.
  • the computer 900 that received the distribution may develop the program in the main storage device 902 and execute the above processing.
  • the above-mentioned program may be one for realizing a part of the above-mentioned functions, or may be one that can realize the above-mentioned functions in combination with a program already recorded in the computer system.
  • the factor selection device includes a data acquisition unit that acquires candidate factors for use in evaluating the condition of an object, and an evaluation unit that evaluates the magnitude of influence of each of the candidates on the condition evaluation. and a factor selection unit that selects the factor having a large influence from among the candidates based on the evaluation result by the evaluation unit, and the evaluation unit selects one of the unevaluated factors among the candidates. Evaluation processing that selects the factor, performs the condition evaluation excluding the factor, and evaluates the factor as a factor having a large influence if there is a change in the accuracy of the condition evaluation before and after removing the factor. is repeatedly executed for each of the candidates, and the factor selection unit selects the factor evaluated to have a large influence. Thereby, the number of factors used for condition evaluation can be reduced without impairing the accuracy of condition evaluation.
  • a factor selection device is the factor selection device according to (1), in which the evaluation unit has a case where there is no change in the accuracy of the condition evaluation before and after removing the factor. , delete the factor from the candidates, and perform the evaluation process on the remaining unevaluated factors of the candidates. Since unnecessary factors are deleted and the remaining evaluation processing is performed, the calculation load can be reduced.
  • a factor selection device is the factor selection device of (1) to (2), further comprising an SN ratio gain calculation unit that calculates an SN ratio gain for each of the candidates,
  • the evaluation unit performs the evaluation process in order of decreasing or increasing S/N ratio gain. This makes it easy to apply the present embodiment to a commonly used method of selecting factors based on the magnitude relationship of SN ratio gain.
  • the evaluation process can be performed efficiently.
  • the factor selection device is the factor selection device of (1) to (3), wherein the state evaluation includes determining whether or not the object is in a predetermined state.
  • the evaluation unit calculates a misjudgment rate of the judgment as an index indicating the accuracy of the state evaluation, and evaluates the factor having a change in the misjudgment rate as a factor having a large influence. This makes it possible to find important factors based on the false positive rate.
  • a factor selection device is the factor selection device of (1) to (4), wherein the state evaluation is to predict that the object will be in a predetermined state.
  • the evaluation unit calculates how long in advance it was possible to predict the predetermined state as an indicator of the accuracy, and if there is a change in the indicator, the evaluation unit changes the factor to the It is determined that the factor has a large influence. This makes it possible to find important factors based on the number of advance prediction days.
  • the factor selection device includes a data acquisition unit that acquires SN ratio gains of candidate factors used for evaluating the state of an object, and a sorting unit that rearranges the factors in ascending order of the SN ratio gains.
  • an evaluation unit that evaluates the magnitude of influence on the state evaluation for each of the candidates; and a factor selection that selects the factor having a large influence from among the candidates based on the evaluation result by the evaluation unit. and the evaluation unit selects one of the factors in order of decreasing or increasing S/N ratio gain, performs the state evaluation excluding the factor, and evaluates the condition before removing the factor.
  • the evaluation process of evaluating the factor as having a large influence is repeatedly executed, and the factor selection unit selects the factor evaluated as having a large influence. select.
  • the evaluation process can be performed efficiently.
  • a factor selection method includes the steps of: acquiring candidate factors for use in evaluating the condition of an object; evaluating the magnitude of influence on the condition evaluation for each of the candidates; and a step of selecting the factor having a large influence from among the candidates based on the evaluation result in the evaluating step, and in the evaluating step, one of the unevaluated factors among the candidates is selected. is selected, the state evaluation is performed excluding the factor, and if there is a change in the accuracy of the state evaluation before and after removing the factor, the evaluation process is performed to evaluate the factor as a factor with a large influence. The process is repeated for each candidate, and in the selecting step, the factor evaluated to have a large influence is selected.
  • the program according to the eighth aspect includes the steps of: acquiring candidate factors for use in evaluating the condition of the object; and evaluating the magnitude of influence of each of the candidates on the condition evaluation. , a step of selecting the factor having a large influence from among the candidates based on the evaluation result of the evaluating step, and in the evaluating step, one of the unevaluated factors among the candidates is selected. Select a factor, perform the state evaluation excluding the factor, and if there is a change in the accuracy of the state evaluation before and after removing the factor, perform an evaluation process to evaluate the factor as a factor with a large influence. The process is performed repeatedly for each of the candidates, and in the selecting step, a process is performed to select the factor evaluated to have a large influence.
  • the number of factors used for abnormality detection etc. can be reduced.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Artificial Intelligence (AREA)
  • Algebra (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Complex Calculations (AREA)

Abstract

状態評価に用いる因子を絞り込む方法を提供する。因子選択装置は、対象物の判定に用いる因子の候補を取得するデータ取得部と、各因子について判定への影響の大きさを評価する評価部と、評価部の評価結果に基づいて判定への影響が大きい因子を選択する因子選択部を備え、評価部は、候補のうち未評価の１つの因子を選んで、当該因子を除いて判定を行い、その判定精度を評価する。判定精度に変化があれば当該因子を影響ある因子と評価する評価処理を因子の候補の各々について繰り返し実行し、因子選択部は、残った因子を選択する。

Description

因子選択装置、因子選択方法及びプログラム
　本開示は、因子選択装置、因子選択方法及びプログラムに関する。本開示は、２０２２年８月２２日に、日本に出願された特願２０２２－１３１６９９号に基づき優先権を主張し、その内容をここに援用する。
　異常検知の手法としてマハラノビス・タグチ法（ＭＴ法）が知られている。ＭＴ法では、複数の因子からマハラノビス距離を算出し、算出したマハラノビス距離を所定の閾値と比較することにより機器等の異常を判定する。異常検知の精度を向上するためには、マハラノビス距離の算出に用いる因子（変数）を適切に選ぶ必要がある。例えば、特許文献１には、ＭＴ法の検知精度をよくする「変数の採用個数」と「しきい値」の組み合わせを算出する方法が開示されている。特許文献２には、どの因子がマハラノビス距離に影響を与えるかを定量的に解析する方法（要因効果解析）が開示されている。この方法は、評価対象の因子を２水準の直交表に割り当てて、直交表の１行ごとにＳＮ比を算出し、因子ごとにその因子を使った場合とそうでない場合のＳＮ比の差であるＳＮ比利得を求め、ＳＮ比利得に基づいて、異常検知に影響が大きい因子を特定するというものである。特許文献２では、ＳＮ比利得が大きな値を示す因子ほど異常発生の要因となる可能性が高いことが示唆されている。引用文献２に開示があるように、ＳＮ比利得の昇順に各因子を並べたときに、その上位に位置する因子をマハラノビス距離の算出に用いる因子として選択することが一般的に行われている。ところで、ＭＴ法で異常検知を行う場合、マハラノビス距離の算出に用いる因子の数は少ない程、各種コスト（例えば、計算量や因子のデータを蓄積しておくための記憶容量）を削減することができる。そのため、異常検知の精度を保てるのであれば、できるだけ因子の数を減らすことが望ましい。
特開２００８－１１７３８０号公報 特開２００９－２４３４２８号公報
　しかし、一般的に行われているＳＮ比利得の大小にのみ注目して因子を選択する方法では、十分に因子の数を減らすことができない場合がある。
　本開示は、上述の課題を解決することのできる因子選択装置、因子選択方法及びプログラムを提供する。
　本開示の因子選択装置は、対象物の状態評価に用いる因子の候補を取得するデータ取得部と、前記候補の各々について前記状態評価への影響の大きさを評価する評価部と、前記評価部による評価結果に基づいて、前記候補の中から前記影響が大きい前記因子を選択する因子選択部と、を備え、前記評価部は、前記候補のうちの未評価の１つの前記因子を選んで当該因子を除いて前記状態評価を行い、前記因子を除く前と除いた後で前記状態評価の精度に変化があれば当該因子を前記影響が大きい因子と評価する評価処理を前記候補の各々について繰り返し実行し、前記因子選択部は、前記影響が大きいと評価された前記因子を選択する。
　本開示の因子選択方法は、対象物の状態評価に用いる因子の候補を取得するステップと、前記候補の各々について前記状態評価への影響の大きさを評価するステップと、前記評価するステップによる評価結果に基づいて、前記候補の中から前記影響が大きい前記因子を選択するステップと、を有し、前記評価するステップでは、前記候補のうちの未評価の１つの前記因子を選んで当該因子を除いて前記状態評価を行い、前記因子を除く前と除いた後で前記状態評価の精度に変化があれば当該因子を前記影響が大きい因子と評価する評価処理を前記候補の各々について繰り返し実行し、前記選択するステップでは、前記影響が大きいと評価された前記因子を選択する。
　本開示のプログラムは、コンピュータに、対象物の状態評価に用いる因子の候補を取得するステップと、前記候補の各々について前記状態評価への影響の大きさを評価するステップと、前記評価するステップによる評価結果に基づいて、前記候補の中から前記影響が大きい前記因子を選択するステップと、を有し、前記評価するステップでは、前記候補のうちの未評価の１つの前記因子を選んで当該因子を除いて前記状態評価を行い、前記因子を除く前と除いた後で前記状態評価の精度に変化があれば当該因子を前記影響が大きい因子と評価する評価処理を前記候補の各々について繰り返し実行し、前記選択するステップでは、前記影響が大きいと評価された前記因子を選択する処理を実行させる。
　上記した因子選択装置、因子選択方法及びプログラムによれば、異常検知等に用いる因子を減らすことができる。
実施形態に係る因子選択装置の一例を示すブロック図である。 実施形態に係る因子選択処理の一例を示すフローチャートである。 実施形態に係る直交表およびＳＮ比の一例を示す図である。 実施形態に係る要因効果図の一例を示す図である。 一般的な因子の選択方法を説明する図である。 実施形態に係る因子の評価処理の一例を示すフローチャートである。 実施形態に係る因子選択処理によって選択される因子の一例を示す図である。 実施形態に係る因子選択装置のハードウェア構成の一例を示す図である。
　以下、本開示の因子選択方法について、図１～図８を参照して説明する。
（因子選択装置の構成）
　図１は、実施形態に係る因子選択装置の一例を示すブロック図である。因子選択装置１０は、機器やプラント等の監視や状態評価に用いる因子（説明変数、特徴量などとも呼ばれる。）の候補の中から有効な働きをする因子を選択する。選択された因子は、監視装置や制御装置などで実行される異常検知等の処理で用いられる。プラント等の状態評価に使用される計測項目は数百点以上となることがあるが、精度の高い状態評価を行う為には、それら全てを使用するのではなく、状態評価に関係のない、あるいは評価精度を悪化させる項目を除外し、重要な項目だけを選択して使用することが望ましい。高い評価精度を保ったまま、使用する因子を減らすことができれば、状態評価の処理コスト（計算負荷、データの記憶容量など）だけではなく、重要度が低いセンサを削減することによるセンサの設置コストや保守費用の削減を期待できる。
　図示するように因子選択装置１０は、データ取得部１１と、制御部１２と、出力部１６と、記憶部１７と、を備える。
　データ取得部１１は、機器やプラント等（対象物）の状態評価に用いる因子の候補を取得する。状態評価とは、例えば、正常、異常、注意が必要な状態などの運転状態の診断や異常が発生していることを検知する異常検知、異常の発生を事前に予測する異常予測などである。因子とは、例えば、温度，圧力，流量，振動数，回転数、電流、電圧などセンサによって計測される計測値又は計測値から算出される値などの対象物の状態を反映すると考えられる物理量、監視対象のプロセスデータである。
　制御部１２は、因子の候補の中から重要な因子を選択する処理を制御する。制御部１２は、ＳＮ比利得算出部１３と、評価部１４と、因子選択部１５と備える。
　ＳＮ比利得算出部１３は、候補となる各因子のＳＮ比利得（ＳＮ比ゲイン）を算出する。ＳＮ比利得の算出方法は公知（例えば、特許文献２）である。そのため、本明細書では詳細な説明を省略する。
　評価部１４は、各因子が状態評価にとってどれぐらい重要か、言い換えれば、状態評価にどれぐらい影響があるかを評価する。具体的には、評価部１４は、候補となる因子の中からＳＮ比利得の小さい順に１つの因子を選んで、当該因子を除いて状態評価を行う。そして、評価部１４は、その評価精度について、当該因子を除く前と除いた後で有意な変化があるかどうかを判定する。例えば、評価精度に所定の閾値以上の変化があれば、当該因子は判定に影響を及ぼす重要な因子、有効な因子であると判定し、閾値未満の変化しか認められない場合は、当該因子はあっても無くても状態評価に影響しない無効な因子であると判定し、候補の中からこの因子を削除する。評価部１４は、この評価処理を各因子について実行し、重要な因子のみを残す。
　因子選択部１５は、評価部１４によって重要と評価された因子を選択する。
　出力部１６は、因子選択部１５によって選択された因子を表示装置や電子ファイルへ出力する。
　記憶部１７は、データ取得部１１によって取得された因子のデータ、各種の閾値や処理中の各種データなどを記憶する。
（動作）
　次に図２を参照して、因子選択処理の手順について説明する。
　図２は、実施形態に係る因子選択処理の一例を示すフローチャートである。
　まず、データ取得部１１が、因子の候補を取得する（ステップＳ１）。例えば、データ取得部１１は、プラント等で異常が発生した時間帯に採取された温度、圧力、流量などの各種因子の時系列データと、プラント等が正常な状態で運転している時間帯に採取された同様の因子の時系列データとを複数セットずつ取得する。これらの時系列データは、異常時のデータか正常時のデータかが判明した状態で取得される。あるいは、データ取得部１１は、異常発生を含む所定期間（例えば、数週間、数カ月など）にわたる各因子の時系列データ（異常発生は判明している。）を取得する。データ取得部１１は、取得した各種因子（因子の候補）の時系列データを記憶部１７に記録する。
　次に、ユーザの操作により因子選択処理の実行が指示されると、制御部１２が以下の処理を実行する。まず、ＳＮ比利得算出部１３が、直交表に因子を割り当てる（ステップＳ２）。図３に２水準系の直交表の一例を示す。図３に例示する直交表の各列は項目とよばれ、各項目には候補となる因子の何れかが割り当てられる。各項目が取り得る値を水準とよび、２水準系の場合であれば各項目は、「その項目を使う」（第１水準）又は「その項目を使わない」（第２水準）の何れかの値をとる。直交表の各セルの１、２の値は、１が「その項目を使う」を意味し、２が「その項目を使わない」を意味する。本実施形態では、直交表の各行は、候補となる因子の組合せごとに割り振られる番号（実験計画法の実験番号）である。例えば、図３の直交表の１行目は、因子１～ｍを全て使う場合の組合せを示している。
　次に、ＳＮ比利得算出部１３が、ステップＳ１で取得された各因子の異常時に採取されたデータを使用して、マハラノビス距離（ＭＤ）のＳＮ比を算出する（ステップＳ３）。
ＳＮ比利得算出部１３はＳＮ比を以下の式（１）によって算出する。
　η＝－１０・ｌｏｇ｛（１/Ｄ１ ２＋１/Ｄ２ ２＋・・・＋１/Ｄｍ ２）/ｍ｝・・・（１）
　ここで、Ｄｘ ２（ｘ＝１～ｍ）はマハラノビス距離（ＭＤ）の２乗、ｍは異常データの数である。ＳＮ比利得算出部１３は、上記の式（１）を用いて、図３の直交表の各行のＳＮ比η１～η１２を算出する。
　次に、ＳＮ比利得算出部１３が、ＳＮ比利得を算出する（ステップＳ４）。例えば、ＳＮ比利得算出部１３は、ある因子について算出したＳＮ比のうち第１水準のＳＮ比の平均値と、第２水準のＳＮ比の平均値との差により、その因子のＳＮ比利得を算出する。例えば、因子１のＳＮ比利得は、次式（２）によって算出する。
　因子１のＳＮ比利得＝（（η１＋η２＋η３＋η４＋η５＋η６）÷６）－（（η７＋η８＋η９＋η１０＋η１１＋η１２）÷６）・・・（２）
　ここで、η１～η６は因子１が第１水準となっている行について算出したＳＮ比であり、η７～η１２は因子１が第２水準となっている行について算出したＳＮ比である。同様にして、ＳＮ比利得算出部１３は、他の因子についてもＳＮ比利得を算出する。ＳＮ比利得算出部１３は、算出したＳＮ比利得を記憶部１７に記録する。
　図４に要因効果図を示す。図４の縦軸はＳＮ比、横軸は因子である。上記したとおり、因子１であれば、第１水準のＳＮ比の平均と第２水準のＳＮ比の平均の差（図示するΔη１）がＳＮ比利得である。因子１について第１水準と第２水準を結ぶ線をＬ１、他の因子ｎについてもＬｎで表すとすると、Ｌ１のように右肩下がりであればＳＮ比利得は正となり、この傾きが急（ＳＮ比利得の絶対値が大）であれば、この因子１は状態評価に影響がある重要な因子であることを示す。因子２のように、ＳＮ比利得が正であっても傾きが小さければ（ＳＮ比利得の絶対値が小）、この因子２は状態評価の判定への影響が小さい因子であることを示す。因子３のように、ＳＮ比利得が負であれば、この因子３は、状態評価に効かない因子であることを示す。
　次に制御部１２が、ＳＮ比利得の昇順に因子を並べる（ステップＳ５）。図５に、ＳＮ比利得の昇順に候補となる各因子を並べた結果を示す。図５の縦軸はＳＮ比利得、横軸は因子である。右へ行くほどＳＮ比利得の値が大きい因子である。図４にて要因効果図を用いて説明したように、ＳＮ比利得が正でその絶対値が大きければ、その因子は状態評価に効く因子であることが知られている。そこで、一般的には、ＳＮ比利得の値が小さいものから順に所定個を削除して残った因子を選択する、ＳＮ比利得の値が所定の閾値以上の因子を選択する、ＳＮ比利得の値が大きいものから順にＸ％を選択する、といった方法で判定に効く重要な因子を選択する。何れの場合でも、ＳＮ比利得の値が大きい上位の因子が残ることになり、例えば、図５の範囲Ｒ１に含まれる因子が重要な因子として選択される。しかし、このようにして選択された範囲Ｒ１に含まれる因子の全てが、本当に状態評価に有効な因子であるかどうかについては疑問が残る。その理由の一つとして、ＳＮ比利得の値は、効率的に少ない回数で網羅的に実験を行おうとする実験計画法の趣旨から、近似的に各因子の影響度を解析した結果に過ぎないことが挙げられる。もう一つの重要な点として、例えば、図５のＳＮ比利得が最も小さい因子７を除去して残りの因子で再度ＳＮ比利得を計算し昇順に並べ替えると、必ずしも図５と同一の大小順序にならない（例えば、範囲Ｒ１の因子５がもっと低い順序になる等）という点がある。これは因子間に相関や交互作用が存在するためである。このようにＳＮ比利得はあくまでＮ個の因子の組合せでのみ意味を持つものであり、ＳＮ比利得が小さい因子を削除した残りの因子の組合せで各因子が削除前と同様の順序を保つとは限らない。そこで、本実施形態では、状態評価に本当に役立つ因子のみを抽出し、状態評価の精度を確保しつつ、因子数をできるだけ減らすことを目指す。この目的のために、次のステップでは、評価部１４が、各因子の影響度、重要度を個々に評価する（ステップＳ６）。
　図６に評価部１４による評価処理（ステップＳ６）の処理内容の一例を示す。最初に評価部１４は、ステップＳ１１で取得した時系列データの全ての因子を使って異常検知等を実行し、指標Ｙを算出する（ステップＳ１１）。ここで、指標Ｙは、異常検知の精度に関わる指標であり、指標Ｙには、例えば、異常検知の誤判定率（異常の見逃しまたは誤発報の割合）や事前予知日数（どれぐらい前に異常を検知することができたか）などを用いることができる。評価部１４は、異常検知や異常予測を行う機能を有しており、ステップＳ１で取得した各因子の時系列データを取得して異常検知や異常予測を行い、指標Ｙを算出する。ステップＳ１で取得したデータは、正常時か異常時かが判明しているデータ（異常発生時に採取された各因子の時系列データ又は正常運転中に採取された各因子の時系列データ）を含むから、誤判定率の算出が可能である。あるいは、異常発生時刻が判明した異常発生を含む所定期間にわたる各因子の時系列データを取得した場合には、事前予知日数の算出が可能である。評価部１４は、全ての因子を使って異常検知等の状態評価を行ったときの指標Ｙを記憶部１７に記録する。
　次に、評価部１４は、ＳＮ比利得が小さい因子から順に未評価の因子を１つ選ぶ（ステップＳ１２）。図５の例では、評価部１４は、最初に因子７を選択する。次に、評価部１４は、選んだ因子を除いて異常検知等を実行し、指標Ｙを算出する（ステップＳ１３）。例えば、評価部１４は、因子７を使用しないで異常検知等を行った場合の指標Ｙを算出し、この値を記憶部１７記録する。
　次に、評価部１４は、選んだ因子を除いた状態で算出した指標Ｙと全因子を使ったときの指標Ｙを比較し変化があったかどうかを判定する（ステップＳ１４）。例えば、評価部１４は、両者の差が所定の閾値以上であれば変化があったと判定し、両者の差が閾値未満であれば変化がないと判定する。変化があったと判定した場合（ステップＳ１４；Ｙｅｓ）、評価部１４は、除いた因子（ステップＳ１２で選んだ因子）を異常検知等の判定に影響を与える「変化点因子」とみなし、その旨を記憶部１７に記録しつつ、この因子を残す（ステップＳ１５）。変化がないと判定した場合（ステップＳ１４；Ｎｏ）、評価部１４は、除いた因子（ステップＳ１２で選んだ因子）を異常検知等に影響を与えない因子とみなし、その旨を記憶部１７に記録して、この因子を候補因子の中から削除する（ステップＳ１６）。削除された因子は、以降の評価処理で使用しない。
　次に、評価部１４は、ステップＳ１で取得した全ての候補となる因子について指標Ｙを算出し、その因子が異常検知等に影響を与える因子かどうかの評価（ステップＳ１４）を行ったどうかを判定する（ステップＳ１７）。全因子について指標Ｙの評価を行った場合（ステップＳ１７；Ｙｅｓ）、図６の評価処理を終了する。
　全因子について指標Ｙの評価を行っていない場合（ステップＳ１７；Ｎｏ）、ステップＳ１２の以降の処理を繰り返す。例えば、因子７についての評価が終わった後であれば、評価部１４は、次に因子３を選び（ステップＳ１２）、因子３を除いた場合の指標Ｙを算出する（ステップＳ１３）。ここで、これまでの処理で削除された因子あれば（ステップＳ１６）、その因子と今回評価対象の因子を除いて指標Ｙが算出される。例えば、因子７が削除されていれば（ステップＳ１６）、因子７と因子３を除いた状態で異常検知等が行われ、その場合の指標Ｙが算出される。因子７が残されていれば（ステップＳ１５）、因子３だけを除いて（因子７は異常検知等に使用する）異常検知等が行われ、その場合の指標Ｙが算出される。次に評価部１４は、全因子を使用した場合の指標Ｙとの差の有無を判定する（ステップＳ１４）。差があれば、因子３は、「変化点因子」とみなされて残され（ステップＳ１５）、差が無ければ、因子３は、異常検知等に必要が無い因子として削除される（ステップＳ１６）。既に因子７が削除されている場合、ステップＳ１４の判定では、全因子を使用した場合の指標Ｙに代えて、因子７を除いて算出した指標Ｙ、つまり、１つ前のループのステップＳ１３で算出した指標Ｙと、今回算出した因子７と因子３を除いた場合の指標Ｙとを比較するようにしてもよい。このようにして全ての因子について個々にその判定への影響度を評価すると、評価部１４は、図２のステップＳ６の処理を終了する。ここでは、全因子について図６の処理を行うこととしたが、ＳＮ比利得が最上位に近づくと、残った（未評価の）因子は、異常判定への影響を有する因子であることが明らかな場合がある（上の説明で“ＳＮ比利得はＮ個の因子の組合せでのみ意味を持つもの”等と記載したが、本当に上位に至ると順番が変わらない、あるいは変わったとしても判定に影響する因子であることに変わりがないことが明らかである場合がある。）。このような場合は、全因子についての評価が終わっていなくても途中で評価処理を終了させてもよい（未評価の因子は重要な因子として残る。）。この場合、ＳＮ比利得の小さい方から順に評価を行うことで処理を効率化することができる。「変化点因子」ではない因子を削除することによって、以降の処理ではこの因子を含めずにマハラノビス距離の算出等を行うことができるので計算負荷を低減することができる。
　図２に戻り、次に因子選択部１５が、ステップＳ６の評価処理で影響ありと評価された因子（「変化点因子」とみなされた因子）を選択する（ステップＳ７）。出力部１６は、選択された因子を出力する。図７にステップＳ７で選択された因子の一例を示す。図の範囲Ｒ２～Ｒ５に含まれる因子が、ステップＳ７で選択された因子である。ＳＮ比利得の大きさが上位に位置する因子でも異常検知の判定に効かなければ選択されず（例えば、因子８、因子ｍ）、ＳＮ比利得の大きさが小さくても判定に影響があれば選択される（例えば、因子２）。この結果、従来の方法で選択された因子数（図５）と比較して、因子数を削減することができる。各因子について、実際に異常検知等の処理を行って影響のない因子を削減し、残った因子を選択しているので、異常検知等の精度は維持できると考えられる。
（効果）
　以上説明したように、本実施形態によれば、異常検知等の状態評価の精度を確保しつつ、その判定に用いる因子数を減らすことができる。これにより、状態評価に係る処理コスト、例えば、ＭＴ法であれば、単位空間の算出、マハラノビス距離の算出、機械学習等で構築された判定モデルによる異常検知であれば、判定モデルの構築、判定モデルに基づく判定等の計算負荷を抑えることができ、データの記憶領域の増大を抑えることができる。
　例えば、空調機や給湯機、冷凍機等の機器に搭載された制御装置では、機器の制御の他に異常検知を行う。しかし、これらの制御装置のコンピュータリソースには制約があるため、大量のデータを扱ったり（記憶したり）、負荷が重い処理を実行したりできないことが多い。これに対し、本実施形態の因子選択方法を用いて異常検知に必要な因子数を削減することにより、制御装置では、少数の因子だけを扱って異常検知を行うことができるようになる。このように本実施形態は、量産品などコストの制約や製品の大きさ・重量等の制約から比較的小型でコンピュータリソースに余裕がない計算機で異常検知等の状態評価を行わなければならない場合に好適である。
　各地に設けられた空調機等の機器と監視サーバとをネットワークを介して接続し、監視サーバに各因子の計測値を送信して、監視サーバにて異常検知等を行う場合があるが、監視対象の機器が増えれば、監視サーバに送信されるデータ量、監視サーバ側で保存するデータ量は膨大になる。これに対し、本実施形態の因子選択方法を用いて因子数を削減することにより、上記と同様に監視サーバでの異常検知の処理負荷を低減することに加えて、監視サーバに送信されるデータ量、監視サーバ側で保存するデータ量を抑えることができる。このように本実施形態は、遠隔監視など、多数の監視対象を有する計算機で異常検知等の状態評価を行わなければならない場合に好適である。
（変形例１）
　上述した実施形態では、因子選択装置１０が、ＳＮ比利得を計算することとしたが、因子選択装置１０ではＳＮ比利得の計算は行わずに他装置で計算されたＳＮ比利得を取得するように構成されていてもよい。この場合の処理を図２のフローチャートを援用して説明する。例えば、データ取得部１１が、因子の候補に加え、他装置で計算された各因子のＳＮ比利得を取得する（ステップＳ１´）。ステップＳ２～Ｓ４は行わずに制御部１２が、取得されたＳＮ比利得の昇順に各因子を並べ替える（ステップＳ５）。次に評価部１４が各因子を評価し（ステップＳ６）、因子選択部１５が重要な因子を選択する（ステップＳ７）。上記の実施形態でもこの変形例１の場合でも、ステップＳ６の評価処理において、ＳＮ比利得が小さい因子から順に処理するのではなく、ＳＮ比利得が大きい因子から順に評価を行うようにしてもよい。
（変形例２）
　上述した実施形態では、因子選択装置１０が、ＳＮ比利得を計算することとしたが、ＳＮ比利得を計算せずに、各因子の評価を行うようにしてもよい。この場合の処理を図２のフローチャートを援用して説明する。まず、データ取得部１１が、因子の候補を取得する（ステップＳ１）。ステップＳ２～Ｓ５は行わずに評価部１４が各因子を評価し（ステップＳ６）、因子選択部１５が重要な因子を選択する（ステップＳ７）。例えば、候補となる因子の数が少なく、直交表を用いるまでもない場合には、ＳＮ比利得を算出することなく、全ての因子に対して図６で説明した処理を行ってもよい。
（変形例３）
　上述した実施形態では、ＭＴ法でマハラノビス距離の算出に用いる因子の選択方法を例に説明を行ったが、本実施形態の因子選択方法は、機械学習によって判定モデルを構築し、構築した判定モデルによって異常検知等を行うときの因子、つまり、判定モデルの構築に用いる教師データの選択にも用いることができる。例えば、上記の（変形例２）の方法で因子を選択することができる。
　図８は、実施形態に係る因子選択装置のハードウェア構成の一例を示す図である。
　コンピュータ９００は、ＣＰＵ９０１、主記憶装置９０２、補助記憶装置９０３、入出力インタフェース９０４、通信インタフェース９０５を備える。
　因子選択装置１０は、コンピュータ９００に実装される。そして、上述した各機能は、プログラムの形式で補助記憶装置９０３に記憶されている。ＣＰＵ９０１は、プログラムを補助記憶装置９０３から読み出して主記憶装置９０２に展開し、当該プログラムに従って上記処理を実行する。ＣＰＵ９０１は、プログラムに従って、記憶領域を主記憶装置９０２に確保する。ＣＰＵ９０１は、プログラムに従って、処理中のデータを記憶する記憶領域を補助記憶装置９０３に確保する。
　因子選択装置１０の全部または一部の機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することにより各機能部による処理を行ってもよい。ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。「コンピュータシステム」は、ＷＷＷシステムを利用している場合であれば、ホームページ提供環境（あるいは表示環境）も含むものとする。「コンピュータ読み取り可能な記録媒体」とは、ＣＤ、ＤＶＤ、ＵＳＢ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。このプログラムが通信回線によってコンピュータ９００に配信される場合、配信を受けたコンピュータ９００が当該プログラムを主記憶装置９０２に展開し、上記処理を実行しても良い。上記プログラムは、前述した機能の一部を実現するためのものであっても良く、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよい。
　以上のとおり、本開示に係るいくつかの実施形態を説明したが、これら全ての実施形態は、例として提示したものであり、発明の範囲を限定することを意図していない。これらの実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で種々の省略、置き換え、変更を行うことができる。これらの実施形態及びその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれる。
＜付記＞
　各実施形態に記載の因子選択装置、因子選択方法及びプログラムは、例えば以下のように把握される。
　（１）第１の態様に係る因子選択装置は、対象物の状態評価に用いる因子の候補を取得するデータ取得部と、前記候補の各々について前記状態評価への影響の大きさを評価する評価部と、前記評価部による評価結果に基づいて、前記候補の中から前記影響が大きい前記因子を選択する因子選択部と、を備え、前記評価部は、前記候補のうちの未評価の１つの前記因子を選んで、当該因子を除いて前記状態評価を行い、前記因子を除く前と除いた後で前記状態評価の精度に変化があれば当該因子を前記影響が大きい因子と評価する評価処理を前記候補の各々について繰り返し実行し、前記因子選択部は、前記影響が大きいと評価された前記因子を選択する。
　これにより、状態評価の精度を損なうことなく、状態評価に用いられる因子の数を減らすことができる。
（２）第２の態様に係る因子選択装置は、（１）の因子選択装置であって、前記評価部は、前記因子を除く前と除いた後で前記状態評価の精度に変化が無い場合、前記候補の中から当該因子を削除し、残った前記候補の未評価の前記因子について前記評価処理を実行する。
　不要な因子を削除して残りの評価処理を行うので計算負荷を低減することができる。
（３）第３の態様に係る因子選択装置は、（１）～（２）の因子選択装置であって、前記候補の各々についてＳＮ比利得を算出するＳＮ比利得算出部、をさらに備え、前記評価部は、前記ＳＮ比利得が小さいものから順又は大きいものから順に前記評価処理を行う。
　これにより、一般的に行われるＳＮ比利得の大小関係に基づいて因子を選択する方法に、本実施形態を適用しやすくなる。ＳＮ比利得の値を参考にして（例えば、圧倒的にＳＮ比利得が大きいものは評価対象から除く等）、効率よく評価処理を行うことができる。
（４）第４の態様に係る因子選択装置は、（１）～（３）の因子選択装置であって、前記状態評価は、前記対象物が所定の状態であるか否かを判定することであり、前記評価部は、前記状態評価の精度を示す指標として前記判定の誤判定率を算出し、前記誤判定率に変化がある前記因子を前記影響が大きい因子と評価する。
　これにより、誤判定率によって重要な因子を見つけることができる。
（５）第５の態様に係る因子選択装置は、（１）～（４）の因子選択装置であって、前記状態評価は、前記対象物が所定の状態となることを予測することであり、前記評価部は、前記状態評価の精度の判定では、どれぐらい前から前記所定の状態となることを予測できたかを前記精度の指標として算出し、当該指標に変化があれば前記因子を前記影響が大きい因子と判定する。
　これにより、事前予知日数によって重要な因子を見つけることができる。
（６）第６の態様に係る因子選択装置は、対象物の状態評価に用いる因子の候補のＳＮ比利得を取得するデータ取得部と、前記ＳＮ比利得の昇順に前記因子を並べ替える並べ替え部と、前記候補の各々について前記状態評価への影響の大きさを評価する評価部と、前記評価部による評価結果に基づいて、前記候補の中から前記影響が大きい前記因子を選択する因子選択部と、を備え、前記評価部は、前記ＳＮ比利得の小さい方から順に又は大きい方から順に１つの前記因子を選んで、当該因子を除いて前記状態評価を行い、前記因子を除く前と除いた後で前記状態評価の精度に変化があれば、当該因子を前記影響が大きい因子と評価する評価処理を繰り返し実行し、前記因子選択部は、前記影響が大きいと評価された前記因子を選択する。
　これにより、一般的に行われるＳＮ比利得の大小関係に基づいて因子を選択する方法に、本実施形態を適用しやすくなる。ＳＮ比利得の値を参考にして（例えば、圧倒的にＳＮ比利得が大きいものは評価対象から除く等）、効率よく評価処理を行うことができる。
（７）第７の態様に係る因子選択方法は、対象物の状態評価に用いる因子の候補を取得するステップと、前記候補の各々について前記状態評価への影響の大きさを評価するステップと、前記評価するステップによる評価結果に基づいて、前記候補の中から前記影響が大きい前記因子を選択するステップと、を有し、前記評価するステップでは、前記候補のうちの未評価の１つの前記因子を選んで、当該因子を除いて前記状態評価を行い、前記因子を除く前と除いた後で前記状態評価の精度に変化があれば当該因子を前記影響が大きい因子と評価する評価処理を前記候補の各々について繰り返し実行し、前記選択するステップでは、前記影響が大きいと評価された前記因子を選択する。
（８）第８の態様に係るプログラムは、コンピュータに、対象物の状態評価に用いる因子の候補を取得するステップと、前記候補の各々について前記状態評価への影響の大きさを評価するステップと、前記評価するステップによる評価結果に基づいて、前記候補の中から前記影響が大きい前記因子を選択するステップと、を有し、前記評価するステップでは、前記候補のうちの未評価の１つの前記因子を選んで、当該因子を除いて前記状態評価を行い、前記因子を除く前と除いた後で前記状態評価の精度に変化があれば当該因子を前記影響が大きい因子と評価する評価処理を前記候補の各々について繰り返し実行し、前記選択するステップでは、前記影響が大きいと評価された前記因子を選択する処理を実行させる。
　上記した因子選択装置、因子選択方法及びプログラムによれば、異常検知等に用いる因子を減らすことができる。
１０・・・因子選択装置
１１・・・データ取得部
１２・・・制御部
１３・・・ＳＮ比利得算出部
１４・・・評価部
１５・・・因子選択部
１６・・・出力部
１７・・・記憶部
９００・・・コンピュータ
９０１・・・ＣＰＵ
９０２・・・主記憶装置
９０３・・・補助記憶装置
９０４・・・入出力インタフェース
９０５・・・通信インタフェース

Claims (8)

  1. 　対象物の状態評価に用いる因子の候補を取得するデータ取得部と、
    　前記候補の各々について前記状態評価への影響の大きさを評価する評価部と、
    　前記評価部による評価結果に基づいて、前記候補の中から前記影響が大きい前記因子を選択する因子選択部と、
    　を備え、
    　前記評価部は、前記候補のうちの未評価の１つの前記因子を選んで、当該因子を除いて前記状態評価を行い、前記因子を除く前と除いた後で前記状態評価の精度に変化があれば当該因子を前記影響が大きい因子と評価する評価処理を前記候補の各々について繰り返し実行し、
    　前記因子選択部は、前記影響が大きいと評価された前記因子を選択する、
    　因子選択装置。
  2. 　前記評価部は、前記因子を除く前と除いた後で前記状態評価の精度に変化が無い場合、前記候補の中から当該因子を削除し、残った前記候補の未評価の前記因子について前記評価処理を実行する、
    　請求項１に記載の因子選択装置。
  3. 　前記候補の各々についてＳＮ比利得を算出するＳＮ比利得算出部、
    　をさらに備え、
    　前記評価部は、前記ＳＮ比利得が小さいものから順に又は大きいものから順に前記評価処理を行う、
    　請求項１又は請求項２に記載の因子選択装置。
  4. 　前記状態評価は、前記対象物が所定の状態であるか否かを判定することであって、
    　前記評価部は、前記状態評価の精度を示す指標として前記判定の誤判定率を算出し、前記誤判定率に変化がある前記因子を前記影響が大きい因子と評価する、
    　請求項１又は請求項２に記載の因子選択装置。
  5. 　前記状態評価が、前記対象物が所定の状態となることを予測することであって、
    　前記評価部は、前記状態評価の精度の判定ではどれぐらい前から前記所定の状態となることを予測できたかを前記精度の指標として算出し、当該指標に変化があれば前記因子を前記影響が大きい因子と評価する、
    　請求項１又は請求項２に記載の因子選択装置。
  6. 　対象物の状態評価に用いる因子の候補のＳＮ比利得を取得するデータ取得部と、
    　前記ＳＮ比利得の昇順に前記候補を並べ替える並べ替え部と、
    　前記候補の各々について前記状態評価への影響の大きさを評価する評価部と、
    　前記評価部による評価結果に基づいて、前記候補の中から前記影響が大きい前記因子を選択する因子選択部と、
    　を備え、
    　前記評価部は、前記ＳＮ比利得の小さい方から順に又は大きい方から順に１つの前記因子を選んで、当該因子を除いて前記状態評価を行い、前記因子を除く前と除いた後で前記状態評価の精度に変化があれば、当該因子を前記影響が大きい因子と評価する評価処理を繰り返し実行し、
    　前記因子選択部は、前記影響が大きいと評価された前記因子を選択する、
    　因子選択装置。
  7. 　対象物の状態評価に用いる因子の候補を取得するステップと、
    　前記候補の各々について前記状態評価への影響の大きさを評価するステップと、
    　前記評価するステップによる評価結果に基づいて、前記候補の中から前記影響が大きい前記因子を選択するステップと、
    　を有し、
    　前記評価するステップでは、前記候補のうちの未評価の１つの前記因子を選んで、当該因子を除いて前記状態評価を行い、前記因子を除く前と除いた後で前記状態評価の精度に変化があれば当該因子を前記影響が大きい因子と評価する評価処理を前記候補の各々について繰り返し実行し、
    　前記選択するステップでは、前記影響が大きいと評価された前記因子を選択する、
    　因子選択方法。
  8. 　コンピュータに、
    　対象物の状態評価に用いる因子の候補を取得するステップと、
    　前記候補の各々について前記状態評価への影響の大きさを評価するステップと、
    　前記評価するステップによる評価結果に基づいて、前記候補の中から前記影響が大きい前記因子を選択するステップと、
    　を有し、
    　前記評価するステップでは、前記候補のうちの未評価の１つの前記因子を選んで、当該因子を除いて前記状態評価を行い、前記因子を除く前と除いた後で前記状態評価の精度に変化があれば当該因子を前記影響が大きい因子と評価する評価処理を前記候補の各々について繰り返し実行し、
    　前記選択するステップでは、前記影響が大きいと評価された前記因子を選択する処理、
    　を実行させるプログラム。
PCT/JP2023/029601 2022-08-22 2023-08-16 因子選択装置、因子選択方法及びプログラム Ceased WO2024043153A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
EP23857266.3A EP4571539A4 (en) 2022-08-22 2023-08-16 FACTOR SELECTION DEVICE, FACTOR SELECTION METHOD, AND PROGRAM

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022-131699 2022-08-22
JP2022131699A JP2024029439A (ja) 2022-08-22 2022-08-22 因子選択装置、因子選択方法及びプログラム

Publications (1)

Publication Number Publication Date
WO2024043153A1 true WO2024043153A1 (ja) 2024-02-29

Family

ID=90013263

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2023/029601 Ceased WO2024043153A1 (ja) 2022-08-22 2023-08-16 因子選択装置、因子選択方法及びプログラム

Country Status (3)

Country Link
EP (1) EP4571539A4 (ja)
JP (1) JP2024029439A (ja)
WO (1) WO2024043153A1 (ja)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008117380A (ja) 2007-10-09 2008-05-22 Toshiba Corp 診断プロセス支援方法とそのためのプログラム
JP2009086706A (ja) * 2007-09-27 2009-04-23 Fujitsu Ltd モデル作成支援システム、モデル作成支援方法、モデル作成支援プログラム
JP2009243428A (ja) 2008-03-31 2009-10-22 Mitsubishi Heavy Ind Ltd 風車の監視装置及び方法並びにプログラム
JP2009274588A (ja) * 2008-05-14 2009-11-26 Mitsubishi Heavy Ind Ltd 航空機の健全性診断装置及び方法並びにプログラム
JP2019008369A (ja) * 2017-06-20 2019-01-17 株式会社リコー 情報処理装置、認証システム、認証方法およびプログラム
JP2022131699A (ja) 2021-02-26 2022-09-07 キヤノン株式会社 染料水溶液の製造方法、水性インクの製造方法、インクカートリッジの製造方法及びインクジェット記録方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015087973A (ja) * 2013-10-31 2015-05-07 インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ 生成装置、生成方法、およびプログラム
EP3575991A4 (en) * 2017-01-24 2020-02-19 Nec Corporation INFORMATION PROCESSING DEVICE, INFORMATION PROCESSING METHOD, AND RECORDING MEDIUM ON WHICH AN INFORMATION PROCESSING PROGRAM IS RECORDED

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009086706A (ja) * 2007-09-27 2009-04-23 Fujitsu Ltd モデル作成支援システム、モデル作成支援方法、モデル作成支援プログラム
JP2008117380A (ja) 2007-10-09 2008-05-22 Toshiba Corp 診断プロセス支援方法とそのためのプログラム
JP2009243428A (ja) 2008-03-31 2009-10-22 Mitsubishi Heavy Ind Ltd 風車の監視装置及び方法並びにプログラム
JP2009274588A (ja) * 2008-05-14 2009-11-26 Mitsubishi Heavy Ind Ltd 航空機の健全性診断装置及び方法並びにプログラム
JP2019008369A (ja) * 2017-06-20 2019-01-17 株式会社リコー 情報処理装置、認証システム、認証方法およびプログラム
JP2022131699A (ja) 2021-02-26 2022-09-07 キヤノン株式会社 染料水溶液の製造方法、水性インクの製造方法、インクカートリッジの製造方法及びインクジェット記録方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
NAOYUKI KANDA, KAZUNORI KOMATANI, MIKIO NAKANO, KAZUHIRO NAKADAI, HIROSHI TSUJINO, TETSUYA OGATA, HIROSHI G. OKUNO: "Domain selection that uses dialogue history in multi-domain speech dialogue system. ", INFORMATION PROCESSING SOCIETY OF JAPAN JOURNAL, vol. 48, no. 5, 1 May 2007 (2007-05-01), pages 1980 - 1989, XP093143573 *
See also references of EP4571539A4

Also Published As

Publication number Publication date
EP4571539A1 (en) 2025-06-18
EP4571539A4 (en) 2026-03-25
JP2024029439A (ja) 2024-03-06

Similar Documents

Publication Publication Date Title
Yan et al. Bearing remaining useful life prediction using support vector machine and hybrid degradation tracking model
CN119179598B (zh) 一种基于人工智能的固态硬盘故障预测方法及系统
US20170097863A1 (en) Detection method and information processing device
CN112272763A (zh) 异常探测装置、异常探测方法以及异常探测程序
WO2010032701A1 (ja) 運用管理装置、運用管理方法、および運用管理プログラム
CN118729315B (zh) 一种智能多参数环境监测方法
JP2020052740A (ja) 異常検知装置、異常検知方法及びプログラム
JP2009086896A (ja) コンピュータの障害予測システムおよび障害予測方法
CN119494754A (zh) 一种智慧电厂的环境异常监测告警方法及系统
CN114386730A (zh) 一种燃烧稳定性评价方法及系统
JP2010175446A (ja) 状態診断装置
CN114462820A (zh) 一种轴承状态监测与健康管理系统性能测试及优化方法和系统
CN120469846B (zh) 硬盘故障检测方法及电子设备
JP5889759B2 (ja) 欠損値予測装置、欠損値予測方法、欠損値予測プログラム
CN120671870B (zh) 基于人工智能的变频器故障预测方法及系统
JP7367866B2 (ja) 情報処理装置、評価方法、および評価プログラム
JP6931615B2 (ja) センサ選択装置およびセンサ選択方法
JP2024029439A (ja) 因子選択装置、因子選択方法及びプログラム
JP7184636B2 (ja) データ選別装置及び方法、ならびに監視診断装置
CN117574303A (zh) 施工状况的监测预警方法、装置、设备及存储介质
Wang et al. Impact of mahalanobis space construction on effectiveness of Mahalanobis–Taguchi system
JP7767181B2 (ja) データ処理システム及びデータ処理方法
Oakley et al. Examining the impact of critical attributes on hard drive failure times: Multi‐state models for left‐truncated and right‐censored semi‐competing risks data
CN116259337B (zh) 磁盘异常检测方法及模型训练方法、相关装置
JP7222441B1 (ja) 分析装置、分析方法及びプログラム

Legal Events

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

Ref document number: 23857266

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2023857266

Country of ref document: EP

ENP Entry into the national phase

Ref document number: 2023857266

Country of ref document: EP

Effective date: 20250311

NENP Non-entry into the national phase

Ref country code: DE

WWP Wipo information: published in national office

Ref document number: 2023857266

Country of ref document: EP