パターン自動抽出方法およびパターン自動抽出システム
【課題】特に正常パターンとの照合処理によって異常診断を行う際に用いる膨大な数の正常パターンを自動抽出して容易にパターンライブラリに登録することができるパターン自動抽出方法およびパターン自動抽出システムを提供すること。
【解決手段】入力された時系列データの変化点を抽出し、この変化点をもとに該時系列データを複数のパターンとして切り出すパターン切出し処理部２１と、パターン切出し処理部２１によって切り出された複数のパターン間の類似度を算出し、該類似度の高い組合せパターンをクラスタリングし、各パターンを登録パターンとして抽出するパターンクラスタリング処理部２２と、パターンクラスタリング処理部２２によって抽出された登録パターンを正常パターンライブラリに登録する登録処理部２３と、を備える。
【解決手段】入力された時系列データの変化点を抽出し、この変化点をもとに該時系列データを複数のパターンとして切り出すパターン切出し処理部２１と、パターン切出し処理部２１によって切り出された複数のパターン間の類似度を算出し、該類似度の高い組合せパターンをクラスタリングし、各パターンを登録パターンとして抽出するパターンクラスタリング処理部２２と、パターンクラスタリング処理部２２によって抽出された登録パターンを正常パターンライブラリに登録する登録処理部２３と、を備える。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、パターンライブラリを用いた異常診断方法および異常診断システムに用いるパターンを自動抽出して前記パターンライブラリに登録するパターン自動抽出方法およびパターン自動抽出システムに関し、特に、鉄鋼プラントなどから得られる音響データ、振動データ、温度データなどの時系列データをもとに機械設備やプロセスの状態監視を行うためのパターンを自動抽出するパターン自動抽出方法およびパターン自動抽出システムに関する。
【背景技術】
【０００２】
従来から、機械設備やプロセス操業の異常診断に関する技術が多数知られている。その一例として特許文献１に記載の技術がある。これは、プロセスから得られる時系列データに対して異常発生時に見られる典型的なパターンを予めデータベースに登録し、これと照合することにより、異常診断を行う技術である。すなわち、異常発生時の傾向を事前知識として有することを前提とする技術である。
【０００３】
また、機械設備の異常診断を行う実用的な方法として、振動診断や音響診断がある。音響診断は、たとえば特許文献２に記載の技術がある。これは、プランジャーポンプを対象とした異常診断技術であり、異常時の音響の変化が予めわかるので、その変化をとらえようとする技術である。すなわち、特許文献２に記載の技術も、異常発生時の傾向を事前知識として有しることを前提とする技術である。
【０００４】
なお、システムの変化点検出などに関する学習理論としては、非特許文献１または２に記載されている部分空間同定法や密度比推定法が知られている。
【先行技術文献】
【特許文献】
【０００５】
【特許文献１】特開平８−２２１１１３号公報
【特許文献２】特開２００１−３２４３８１号公報
【非特許文献】
【０００６】
【非特許文献１】河原吉伸著 「確率部分空間同定法に基づく時系列データにおける変化点検知」情報論的学習理論ワークショップ ２００７年
【非特許文献２】杉山将著 「密度比推定を用いた特異点検出手法」情報論的学習理論ワークショップ ２００７年
【発明の概要】
【発明が解決しようとする課題】
【０００７】
ところで、上述した従来技術は、いずれも異常発生時の傾向を事前知識として有することを前提としているため、過去に前例のない異常を検知することはできないという問題点があった。また、過去に異常の前例があったとしても数例しかない場合にはその異常発生時の傾向を事前知識として有することは困難な場合が多く、この場合、異常の検知を見逃してしまうという問題点があった。
【０００８】
たとえば、鉄鋼プロセスでは、ひとたび発生すると長時間工場を停止しなければならないような重大トラブルが少なくない。しかし、このような重大トラブルは、過去に前例が全くなかったり、あったとしても数例しかないということが珍しくない。このようなプロセスでは、異常時の事例やデータが全くない、あるいは、極端に少ないため、特許文献１に記載されているように過去の異常事例をベースとする従来のアプローチでは、異常発生を見逃さざるを得ず、限界がある。
【０００９】
そこで本発明者らは、異常診断に際し、過去の正常時における機会設備状態やプロセス操業状態の典型的なパターンを予め抽出し、抽出した正常時の典型パターンを正常パターンライブラリに登録し、診断対象のデータと正常パターンライブラリに登録されているすべての正常パターンとの照合を行って、「いつもと違う状態」を検知し、異常を判定することにより、過去に前例のない異常や過去に前例の少ない異常であっても、この異常を高確率で検知することを考えた。そのためには、あらゆる正常時の典型パターンを正常パターンライブラリに蓄積登録する必要があるが、この処理は時間と労力とがかかるという問題点があった。
【００１０】
本発明は、上記に鑑みてなされたものであって、特に正常パターンとの照合処理によって異常診断を行う際に用いる膨大な数の正常パターンを自動抽出して容易にパターンライブラリに登録することができるパターン自動抽出方法およびパターン自動抽出システムを提供することを目的とする。
【課題を解決するための手段】
【００１１】
上述した課題を解決し、目的を達成するために、本発明にかかるパターン自動抽出方法は、入力された時系列データの変化点を抽出し、この変化点をもとに該時系列データを複数のパターンとして切り出すパターン切出しステップと、前記パターン切出しステップによって切り出された複数のパターン間の類似度を算出し、該類似度の高い組合せパターンをクラスタリングし、各パターンを登録パターンとして抽出するパターン抽出ステップと、前記パターン抽出ステップによって抽出された登録パターンを正常パターンライブラリに登録する登録ステップと、を含むことを特徴とする。
【００１２】
また、本発明にかかるパターン自動抽出方法は、上記の発明において、前記時系列データは、正常時に採取された時系列データであることを特徴とする。
【００１３】
また、本発明にかかるパターン自動抽出方法は、上記の発明において、前記パターン切出しステップは、部分空間同定法により変化点を抽出することを特徴とする。
【００１４】
また、本発明にかかるパターン自動抽出方法は、上記の発明において、前記パターン切出しステップは、密度比推定法により変化点を抽出することを特徴とする。
【００１５】
また、本発明にかかるパターン自動抽出システムは、入力された時系列データの変化点を抽出し、この変化点をもとに該時系列データを複数のパターンとして切り出すパターン切出し処理部と、前記パターン切出し処理部によって切り出された複数のパターン間の類似度を算出し、該類似度の高い組合せパターンをクラスタリングし、各パターンを登録パターンとして抽出するパターン抽出部と、前記パターン抽出部によって抽出された登録パターンを正常パターンライブラリに登録する登録処理部と、を備えたことを特徴とする。
【００１６】
また、本発明にかかるパターン自動抽出システムは、上記の発明において、前記時系列データは、正常時に採取された時系列データであることを特徴とする。
【００１７】
また、本発明にかかるパターン自動抽出システムは、上記の発明において、前記パターン切出し処理部は、部分空間同定法により変化点を抽出することを特徴とする。
【００１８】
また、本発明にかかるパターン自動抽出システムは、上記の発明において、前記パターン切出し処理部は、密度比推定法により変化点を抽出することを特徴とする。
【発明の効果】
【００１９】
本発明によれば、入力された時系列データの変化点を抽出し、この変化点をもとに該時系列データを複数のパターンとして切り出し、この切り出された複数のパターン間の類似度を算出し、該類似度の高い組合せパターンの各パターンをクラスタリングした上で登録パターンとして抽出し、この抽出された登録パターンを正常パターンライブラリに登録するようにしているので、特に正常パターンとの照合処理によって異常診断を行う際に用いる膨大な数の正常パターンが自動抽出によって容易にパターンライブラリに登録することができる。
【図面の簡単な説明】
【００２０】
【図１】図１は、本発明の実施の形態にかかるパターン自動抽出システムの構成を示す機能ブロック図である。
【図２】図２は、制御部によるパターン自動抽出処理手順を示すフローチャートである。
【図３】図３は、圧延機の概要構成を示す斜視図である。
【図４】図４は、圧延機のスピンドルカップリング部からの異常音を含む時系列データの一例を示す図である。
【図５】図５は、パターンを抽出するための参照区間と評価区間の概念を示す図である。
【図６】図６は、システムの変化点と切出しパターンとの関係を示す図である。
【図７】図７は、パターンクラスタリング処理部による類似度算出結果を示す図である。
【図８】図８は、本発明の実施の形態の応用例であるシステムの構成を示す機能ブロック図である。
【図９】図９は、図８に示した異常診断システムによる異常診断処理手順を示すフローチャートである。
【図１０】図１０は、図８に示した異常診断システムの外部装置による仮置きライブラリ判定処理手順を示すフローチャートである。
【発明を実施するための形態】
【００２１】
以下、図面を参照して、本発明にかかるパターン自動抽出方法およびパターン自動抽出システムの実施の形態について説明する。なお、この実施の形態によりこの発明が限定されるものではない。
【００２２】
図１は、本発明の実施の形態であるパターン自動抽出システムの構成を示す機能ブロック図である。図１において、このパターン自動抽出システム１は、パターン抽出処理部２０を含む制御部Ｃに、入力部１１、出力部１２、記憶部１３、および外部装置１４が接続される。制御部Ｃは、ＣＰＵなどによって実現され、入力部１１は、データ収集装置やポインティングデバイスなどによって実現され、出力部１２は、液晶ディスプレイなどによって実現され、記憶部１３は、ハードディスク装置などによって実現される。なお、外部装置１４は、通信インターフェースを介して制御部Ｃと通信が可能である。
【００２３】
記憶部１３は、多数の過去の正常時の正常パターンを予め格納した正常パターンライブラリ４１と、正常パターンか異常時の異常パターンかが不明な複数のパターンを格納した仮置きライブラリ４３とを有する。
【００２４】
なお、外部装置１４は、操業データベース（ＤＢ）１５を有し、この操業ＤＢ１５は、過去の操業時などに取得した時系列データのうち、正常操業時に取得された時系列データ、すなわち正常時の時系列データが格納されている。
【００２５】
パターン抽出処理部２０は、パターン切出し処理部２１、パターン抽出部としてのパターンクラスタリング処理部２２、および登録処理部２３を有し、パターン自動抽出処理を行う。このパターン自動抽出処理は、操業ＤＢ１５に格納されたデータをもとに、正常パターンを抽出して正常パターンライブラリ４１に登録するものである。このため、パターン抽出処理部２０は、操業ＤＢ１５にアクセスして、パターン自動抽出処理を行う。
【００２６】
ここで、図２に示すフローチャートを参照して、パターン抽出処理部２０によるパターン自動抽出処理手順について説明する。まず、パターン抽出処理部２０は、入力部１１からのパターン自動抽出処理の開始指示を受けると、外部装置１４の操業ＤＢ１５をアクセスし、パターン自動抽出の対象である正常時の時系列データを取得し、正規化処理などの前処理を行う（ステップＳ１０１）。
【００２７】
その後、パターン切出し処理部２１は、取得した時系列データの変化点を抽出し、この変化点によって時系列データを区切り、各区間の時系列データをパターンとして切り出す処理を行う（ステップＳ１０２）。
【００２８】
その後、パターンクラスタリング処理部２２は、変化点で区切られて切り出された複数のパターン間の類似度を算出する（ステップＳ１０３）。そして、パターンクラスタリング処理部２２は、所定値以上の類似度をもつパターンの組合せがあるか否かを判断する（ステップＳ１０４）。所定値以上の類似度をもつパターンの組合せがない場合（ステップＳ１０４，Ｎｏ）には、仮置きライブラリ４３に登録し（ステップＳ１０６）、本処理を終了する。
【００２９】
一方、所定値以上の類似度をもつパターンの組合せがある場合（ステップＳ１０４，Ｙｅｓ）、登録処理部２３は、抽出したパターンを正常パターンライブラリ４１に登録し（ステップＳ１０５）、本処理を終了する。
【００３０】
ここで、パターン自動抽出処理の具体例について説明する。なお、ここでは、説明の都合上、既知の異常パターンを自動抽出する例を示すが、正常パターンについても同様に適用できる。まず、図３は、本発明の実施の形態であるパターン自動抽出方法が適用される異常診断の対象としての圧延機５０の概要を示している。この圧延機５０は、２本の圧延ロールで被圧延材５１としての鋼板を挟み、所定の厚みとなるように圧延する。このとき、圧延ロールはスピンドル５２を介して図示しないモータにより回転される。圧延機５０では、スピンドルカップリング部５３において磨耗が発生し、回転するたびに周期音が発生する。
【００３１】
図４は、圧延機５０の近傍に設置した集音機によって取得した音圧の時系列データを示している。図４における点線部分で示した箇所がスピンドルカップリング部５３の異常音（磨耗音）である。そして、操業ＤＢ１５には、図３に示した機械設備である圧延機５０で過去に発生し、集音された音声データ（図４に示すような時系列データ）が、多数格納されている。
【００３２】
パターン自動抽出処理は、まず、パターンの切出し処理が行われる。ところで、正常時の場合も異常時の場合も時系列データ上に、あるパターンが出現するということは、パターンが出現するタイミングで、その背後にあるシステムが変化すると解釈することができる。例えば、鉄鋼プロセスの圧延機に対する音響診断の場合、スラブが搬送される音、冷却水をかける音、回転機器のカップリング磨耗音など様々な音が観測されるが、スラブ搬送音はローラ間隔Ｌのテーブルローラ上を速度Ｖで搬送されるスラブが時間周期Ｌ／Ｖでローラに当たることで発生する音の発生システム、冷却水音は高圧水がノズルから空間へ急激に広がることで発生する音の発生システム、カップリング磨耗音はカップリング回転時に磨耗部が回転にあわせて当たることで発生する音の発生システムと、次々とシステムが変化していると解釈することができる。したがって、背後に存在するこのようなシステムの変化を検出することができれば、その時点でパターンが次々と変化するため、パターンを切り出すことが可能となる。
【００３３】
このシステムの変化を捉える手段としては、部分空間同定法や密度比推定法などが知られている。まず、これら部分空間同定法や密度比推定法の前提となる参照区間及び評価区間について説明する（非特許文献１参照）。
【００３４】
図５に示すように、現在の時刻をt0、それより過去のある２つの時点をtrf及びtte（trf＜tte＜t0）とし、時刻trfから始まる区間を参照区間、時刻tteから始まる区間を評価区間とする。各時刻tにおいてd次元の時系列サンプルy(t)（t=trf,・・・,t0）が与えられているとする。このとき、次式のように長さkの部分系列ベクトルを考える。
【数１】
ただし、●Tは行列の転置を表す。さらに、部分系列ベクトルを並べて得られるハンケル行列Yk,N(t)を次式のように表す。
【数２】
また、各区間の部分系列ベクトルの数をnrf及びnteとする。
【００３５】
ここで、確率部分空間同定法を用いた変化点抽出について説明する。時系列データを生成する背後にあるシステムを考えた場合に、参照区間のデータyk(trf)、yk(trf+1)、・・・の線形結合で張られる空間SSrf（部分空間）に対して、システムに変化がなければ、評価区間のデータyk(tte)、yk(tte+1)、・・・は部分空間Srfに拘束される。システムに変化があれば、部分空間Srfに拘束されない。よって、参照区間のデータで張られる部分空間SSrfに対する評価区間のデータの正準角が、予め設定した閾値を越えたときにシステムの変化として検知することができる。参照区間のデータで張られる部分空間SSrfに対する評価区間のデータyk(tte)、yk(tte+1)、・・・の正準角は、次式により計算することができる。
【数３】
【００３６】
参照区間のデータで張られる部分空間SSrfは、参照区間のハンケル行列Yk,nrf(trf)から生成される拡大可観測行列Ｏrfを特異値分解して得られる直交成分Urfとして表現することができる。理由を以下に示す。
時系列データy(t)を生成する背後にあるシステムを次式に示す状態空間モデルで表すと、
【数４】
ここで、
【数５】
とすれば、上式より、
【数６】
となる。上式において、右辺第２項がノイズに起因する項であることから、時系列の部分系列から形成される部分空間と状態空間モデルの拡大可観測行列の部分空間が近似的に等しくなる。
【００３７】
さらに、部分空間は、直交成分だけでよいので、拡大可観測行列を次式に示すように特異値分解することにより、直交成分Urfを抽出することができる。
【数７】
【００３８】
切り出したパターンは、そのままでもよいが、通常は、ノイズなど余計な成分を含むため、情報量を圧縮することが望ましい。情報量を圧縮する方法として、切出したパターンを上述の直交成分Urfで表す方法がある。パターン切出しにおいて確率部分空間同定法を利用すれば、Urfは計算されるので、この結果を利用することができ、望ましい。
【００３９】
以上のようにしてパターンを切り出すことができる。切り出したパターンをそのまま代表（典型）パターンとすると、パターンライブラリが膨大となるので、適当にクラスタリングすることが望ましい。そこで、次に、パターンクラスタリング処理部２２によるパターンのクラスタリングについて説明する。
【００４０】
クラスタリングの方法として、すべてのパターン間の正準角を求め、予め設定した閾値より低ければ、同一のパターンとして分類することができる。i番目のパターンに対応するUrf(i)とj番目のパターンに対応するUrf(j)間の正準角は以下の式で計算することができる。
【数８】
【００４１】
以上説明した確率部分空間同定法を用いて、時系列データのシステム変化度を検出する。図６は、図４で示した時系列データに対して、確率部分空間同定法より検出したシステムの変化度を示している。ここでは閾値を「６」として、８区間（区間Ｅ１〜Ｅ８）にそれぞれ対応するパターンＰ１〜Ｐ８を切り出すことができた。
【００４２】
図７は、切り出した８つパターンＰ１〜Ｐ８に対して、各パターン間の類似度を示した図である。パターン間の正準角を求め、その逆数を類似度としている。その結果、切出しパターンＰ３とパターンＰ６との組み合わせが、最も類似度が高いという結果を得た。ここでは、もっとも類似度が高い組み合わせを、典型的なパターンとして抽出する。もちろん、他にも所定値以上の類似度を示す組み合わせを別の典型パターンとして抽出してもよい。なお、切出しパターンＰ３とパターンＰ６は、図４に示した時系列データにおける点線部分で示した箇所、すわなち、スピンドルカップリング部５３の磨耗音である。これにより、スピンドルカップリング部５３の磨耗音を、繰返し出現する異常パターンの代表パターンとして抽出することができたことがわかる。
【００４３】
以上により、数少ない既知の異常パターンを自動抽出することができる。同様にして、過去の正常時の操業データからは正常パターンを自動抽出することができるので、本発明を用いれば膨大な正常パターンを正常パターンライブラリ４１に蓄積することができる。
【００４４】
なお、システムの変化を捉えパターンを切出す別の手段として、密度比推定法がある。以下に、密度比推定法について詳細に説明する（非特許文献２参照）。
【００４５】
今、時刻tteにおいて変化点があるかどうかを調べるために、次のような２つの仮説を考える。
【数９】
すなわち、仮説Ｈ0は全区間にわたり、ある１つの分布prfから時系列データが生成しているという仮説であり、また、仮説Ｈ1はその区間の時刻tteにおいてデータを生成する分布がprfから異なる分布pteへ変化したという仮説である。この２つの仮説のどちらがより確からしいかは、次式で示す尤度比Λを計算することで確認することができる。
【数１０】
そして、尤度比Λが高い方の仮説を採用し、仮説Ｈ1の尤度比Λが高い場合にシステムの変化点があったものと判定する。
【００４６】
（応用例）
上述した実施の形態によって、正常パターンライブラリ４１に多数の正常パターンが格納される。このような正常パターンライブラリ４１や過去の異常時の異常パターンが格納された異常パターンライブラリを用いることによって、異常診断対象のシステムや機器の異常診断処理を行うことができる。
【００４７】
図８は、本発明の実施の形態の応用例であるシステムの構成を示す機能ブロック図であり、このシステムは、図１に示したパターン自動抽出システム１の記憶部１３を共用して異常診断処理を行う異常診断システム１０１が付加されたものである。図８において、この異常診断システム１０１は、異常診断処理部１２０を含む制御部ＣＣに、入力部１１１、出力部１１２、記憶部１３が接続される。制御部ＣＣは、ＣＰＵなどによって実現され、入力部１１１は、データ収集装置やポインティングデバイスなどによって実現され、出力部１１２は、液晶ディスプレイなどによって実現され、記憶部１３は、ハードディスク装置などによって実現される。なお、制御部ＣＣには外部装置１１４も接続され、通信インターフェースを介して制御部ＣＣと通信が可能である。
【００４８】
記憶部１３は、パターン自動抽出システム１によって取得された多数の正常時の正常パターンが格納された正常パターンライブラリ４１と、過去の異常時の異常パターンが格納された異常パターンライブラリ４２と、正常パターンか異常パターンかが不明な複数のパターンを格納した仮置きライブラリ４３とを有する。このように、記憶部１３に異常パターンライブラリ４２を有する点で、上述の図１に示した実施の形態とは異なる。異常パターンライブラリ４２は、異常パターンが入手されている場合に異常パターンが格納され、異常がなく異常パターンが入手できない場合に異常パターンは格納されず、空のままとなる。
【００４９】
異常診断処理部１２０は、切出し処理部１２１、ノイズ判定処理部１２２、異常パターン照合処理部１２３、正常パターン照合処理部１２４、登録処理部１２５、および警報出力処理部１２６を有し、異常診断処理を行う。なお、制御部ＣＣは、制御部Ｃ内に設けてもよい。
【００５０】
ここで、図９に示すフローチャートを参照して、異常診断処理部１２０による異常診断処理手順について説明する。図９において、たとえば鉄鋼プロセスにおける圧延機５０などの機械設備の近く設置した集音機によって取得した音圧の時系列データが入力部１１１から順次入力されると、切出し処理部１２１は、この時系列データを、予め設定された時間長の時系列データである部分列として切り出す処理を行う（ステップＳ２０１）。なお、この時間長は、正常パターンライブラリ４１あるいは異常パターンライブラリ４２に格納されているパターンの中で最も長い時間長に設定される。
【００５１】
次に、ノイズ判定処理部１２２が、部分列の信号振幅レベルが所定値以下であるか否か、すなわちノイズレベルか否かを判断する。部分列の信号振幅レベルがノイズレベルである場合（ステップＳ２０２，Ｙｅｓ）、ステップＳ２０７に移行して「正常」と判定する。
【００５２】
一方、部分列の信号振幅レベルがノイズレベルでない場合（ステップＳ２０２，Ｎｏ）には、異常パターンあるいは正常パターンが含まれる有意なパターンであるとして、ステップＳ２０３に移行する。
【００５３】
その後、異常パターン照合処理部１２３は、切出し処理部１２１によって切り出された部分列を、異常パターンライブラリ４２内の異常パターンと照合する異常パターン照合処理を行う（ステップＳ２０３）。この異常パターン照合処理は、部分列に対して、異常パターンライブラリ４２に格納されている異常パターンの全てに対して照合処理を行うが、部分列が、少なくとも１つの異常パターンに合致した場合、ステップＳ２０４に移行する。なお、異常パターンライブラリ４２に異常パターンが格納されていない場合には、この異常パターン照合処理は、スキップされる。
【００５４】
この異常パターン照合処理の結果、切り出された部分列に合致する異常パターンがあるか否かを判断し（ステップＳ２０４）、合致する場合（ステップＳ２０４，Ｙｅｓ）には、ステップＳ２０８に移行して「異常」と判定する。
【００５５】
一方、切り出された部分列に合致する異常パターンがない場合（ステップＳ２０４，Ｎｏ）には、さらに、正常パターン照合処理部１２４が、切り出された部分列を、正常パターンライブラリ４１内の正常パターンと照合する正常パターン照合処理を行う（ステップＳ２０５）。この正常パターン照合処理は、異常パターン照合処理と同様に、正常パターンライブラリ４１に格納されている正常パターンの全てに対して照合処理を行うが、部分列が、少なくとも１つの正常パターンに合致した場合、ステップＳ２０６に移行する。
【００５６】
この正常パターン照合処理の結果、切り出された部分列に合致する正常パターンがあるか否かを判断し（ステップＳ２０６）、合致する場合（ステップＳ２０６，Ｙｅｓ）には、ステップＳ２０７に移行して「正常」と判定する。
【００５７】
一方、切り出された部分列に合致する正常パターンがない場合（ステップＳ２０６，Ｎｏ）には、正常パターン照合処理部１２４が、この部分列のパターンを「いつもと違う状態」と判定する。そして、警報出力処理部１２６がいつもと違う状態である旨を適宜な形式で出力部１１２から警報出力する。また、登録処理部１２５は、この部分列のパターンを仮置きライブラリ４３内に登録する（ステップＳ２０９）。なお、この仮置きライブラリ４３への登録時に、登録処理部１２５は、この部分列に、この部分列の発生時間データを対応づけて登録しておくことが好ましい。
【００５８】
次に、ステップＳ２０８による異常判定あるいはステップＳ２０７による正常判定あるいはステップＳ２０９による「いつもと違う状態」であるとの判定の後、入力部１１１から本処理の終了指示があったか否かを判断する（ステップＳ２１０）。終了指示があった場合（ステップＳ２１０，Ｙｅｓ）には、本処理を終了し、終了指示がない場合（ステップＳ２１０，Ｎｏ）には、ステップＳ２０１に移行し、次の部分列を切出し、上述した処理を繰り返す。
【００５９】
なお、外部装置１１４は、仮置きライブラリ判定処理システムとして機能し、仮置きライブラリ４３に登録された部分列が異常パターンか正常パターンかの詳細判定を行い、この判定結果をもとに正常パターンライブラリ４１または異常パターンライブラリ４２に登録する仮置きライブラリ判定処理を行う。この外部装置１１４は、たとえば、過去の操業データや機器の単体テストデータなどが格納されたデータベースを有し、このデータベースをもとに部分列が異常パターンか正常パターンを詳細に照合処理（詳細照合処理）する大型コンピュータなどによって実現される。もちろん、外部装置１１４による詳細照合処理には、熟練者などの人の判断処理を加えてもよい。
【００６０】
ここで、図１０に示すフローチャートを参照して、外部装置１１４による仮置きライブラリ判定処理手順について説明する。異常診断システム１０１の出力部１１２から警報通知があった場合（ステップＳ３０１，Ｙｅｓ）、仮置きライブラリ４３にアクセスして、登録されている部分列を取り出す（ステップＳ３０２）。
【００６１】
その後、外部装置１１４は、取り出した部分列のパターンが異常であるか否かの詳細照合処理を行う（ステップＳ３０３）。その後、外部装置１１４は、詳細照合処理が行われた部分列のパターンが異常であるか否かを判断する（ステップＳ３０４）。異常と判断された場合（ステップＳ３０４，Ｙｅｓ）、登録処理部１２５は、この部分列を異常パターンライブラリ４２に登録する処理を行う（ステップＳ３０５）。一方、異常と判断されない場合（ステップＳ３０４，Ｎｏ）、登録処理部１２５は、この部分列を正常パターンライブラリ４１に登録する処理を行う（ステップＳ３０６）。
【００６２】
なお、上記の外部装置１１４による仮置きライブラリ判定処理は、上述したように、異常診断システム１０１に対してオンラインで処理してもよいし、オフラインで処理してもよい。たとえば、定期的に仮置きライブラリ４３から「いつもと違う状態」の部分列のパターンを取得して所定の記憶媒体内に格納し、この格納された部分列のパターンを外部装置１１４に入力することによって外部装置１１４が上述した詳細照合処理を行い、その照合処理結果をもとに、対応する正常パターンライブラリ４１あるいは異常パターンライブラリ４２に登録するようにしてもよい。
【００６３】
この応用例では、少なくとも正常パターンライブラリ４１を共有し、パターン自動抽出システム１が正常パターンを自動抽出して正常パターンライブラリ４１に順次蓄積され、この蓄積された正常パターンを用いて異常診断システム１０１が、順次得られる時系列データが正常か異常かを検知するようにしているので、過去に前例のない異常や過去に前例の少ない異常であっても、通常得られる正常パターンのみで、この異常を高確率で検知することができるとともに、正常パターンが順次蓄積されるため、一層高確率で異常を検知することができる。
【符号の説明】
【００６４】
１ パターン自動抽出システム
１１，１１１ 入力部
１２，１１２ 出力部
１３ 記憶部
１４，１１４ 外部装置
１５ 操業データベース
２０ パターン抽出処理部
２１ パターン切出し処理部
２２ パターンクラスタリング処理部
２３，１２５ 登録処理部
４１ 正常パターンライブラリ
４２ 異常パターンライブラリ
４３ 仮置きライブラリ
１０１ 異常診断システム
１２０ 異常診断処理部
１２１ 切出し処理部
１２２ ノイズ判定処理部
１２３ 異常パターン照合処理部
１２４ 正常パターン照合処理部
１２６ 警報出力処理部
Ｃ，ＣＣ 制御部
【技術分野】
【０００１】
本発明は、パターンライブラリを用いた異常診断方法および異常診断システムに用いるパターンを自動抽出して前記パターンライブラリに登録するパターン自動抽出方法およびパターン自動抽出システムに関し、特に、鉄鋼プラントなどから得られる音響データ、振動データ、温度データなどの時系列データをもとに機械設備やプロセスの状態監視を行うためのパターンを自動抽出するパターン自動抽出方法およびパターン自動抽出システムに関する。
【背景技術】
【０００２】
従来から、機械設備やプロセス操業の異常診断に関する技術が多数知られている。その一例として特許文献１に記載の技術がある。これは、プロセスから得られる時系列データに対して異常発生時に見られる典型的なパターンを予めデータベースに登録し、これと照合することにより、異常診断を行う技術である。すなわち、異常発生時の傾向を事前知識として有することを前提とする技術である。
【０００３】
また、機械設備の異常診断を行う実用的な方法として、振動診断や音響診断がある。音響診断は、たとえば特許文献２に記載の技術がある。これは、プランジャーポンプを対象とした異常診断技術であり、異常時の音響の変化が予めわかるので、その変化をとらえようとする技術である。すなわち、特許文献２に記載の技術も、異常発生時の傾向を事前知識として有しることを前提とする技術である。
【０００４】
なお、システムの変化点検出などに関する学習理論としては、非特許文献１または２に記載されている部分空間同定法や密度比推定法が知られている。
【先行技術文献】
【特許文献】
【０００５】
【特許文献１】特開平８−２２１１１３号公報
【特許文献２】特開２００１−３２４３８１号公報
【非特許文献】
【０００６】
【非特許文献１】河原吉伸著 「確率部分空間同定法に基づく時系列データにおける変化点検知」情報論的学習理論ワークショップ ２００７年
【非特許文献２】杉山将著 「密度比推定を用いた特異点検出手法」情報論的学習理論ワークショップ ２００７年
【発明の概要】
【発明が解決しようとする課題】
【０００７】
ところで、上述した従来技術は、いずれも異常発生時の傾向を事前知識として有することを前提としているため、過去に前例のない異常を検知することはできないという問題点があった。また、過去に異常の前例があったとしても数例しかない場合にはその異常発生時の傾向を事前知識として有することは困難な場合が多く、この場合、異常の検知を見逃してしまうという問題点があった。
【０００８】
たとえば、鉄鋼プロセスでは、ひとたび発生すると長時間工場を停止しなければならないような重大トラブルが少なくない。しかし、このような重大トラブルは、過去に前例が全くなかったり、あったとしても数例しかないということが珍しくない。このようなプロセスでは、異常時の事例やデータが全くない、あるいは、極端に少ないため、特許文献１に記載されているように過去の異常事例をベースとする従来のアプローチでは、異常発生を見逃さざるを得ず、限界がある。
【０００９】
そこで本発明者らは、異常診断に際し、過去の正常時における機会設備状態やプロセス操業状態の典型的なパターンを予め抽出し、抽出した正常時の典型パターンを正常パターンライブラリに登録し、診断対象のデータと正常パターンライブラリに登録されているすべての正常パターンとの照合を行って、「いつもと違う状態」を検知し、異常を判定することにより、過去に前例のない異常や過去に前例の少ない異常であっても、この異常を高確率で検知することを考えた。そのためには、あらゆる正常時の典型パターンを正常パターンライブラリに蓄積登録する必要があるが、この処理は時間と労力とがかかるという問題点があった。
【００１０】
本発明は、上記に鑑みてなされたものであって、特に正常パターンとの照合処理によって異常診断を行う際に用いる膨大な数の正常パターンを自動抽出して容易にパターンライブラリに登録することができるパターン自動抽出方法およびパターン自動抽出システムを提供することを目的とする。
【課題を解決するための手段】
【００１１】
上述した課題を解決し、目的を達成するために、本発明にかかるパターン自動抽出方法は、入力された時系列データの変化点を抽出し、この変化点をもとに該時系列データを複数のパターンとして切り出すパターン切出しステップと、前記パターン切出しステップによって切り出された複数のパターン間の類似度を算出し、該類似度の高い組合せパターンをクラスタリングし、各パターンを登録パターンとして抽出するパターン抽出ステップと、前記パターン抽出ステップによって抽出された登録パターンを正常パターンライブラリに登録する登録ステップと、を含むことを特徴とする。
【００１２】
また、本発明にかかるパターン自動抽出方法は、上記の発明において、前記時系列データは、正常時に採取された時系列データであることを特徴とする。
【００１３】
また、本発明にかかるパターン自動抽出方法は、上記の発明において、前記パターン切出しステップは、部分空間同定法により変化点を抽出することを特徴とする。
【００１４】
また、本発明にかかるパターン自動抽出方法は、上記の発明において、前記パターン切出しステップは、密度比推定法により変化点を抽出することを特徴とする。
【００１５】
また、本発明にかかるパターン自動抽出システムは、入力された時系列データの変化点を抽出し、この変化点をもとに該時系列データを複数のパターンとして切り出すパターン切出し処理部と、前記パターン切出し処理部によって切り出された複数のパターン間の類似度を算出し、該類似度の高い組合せパターンをクラスタリングし、各パターンを登録パターンとして抽出するパターン抽出部と、前記パターン抽出部によって抽出された登録パターンを正常パターンライブラリに登録する登録処理部と、を備えたことを特徴とする。
【００１６】
また、本発明にかかるパターン自動抽出システムは、上記の発明において、前記時系列データは、正常時に採取された時系列データであることを特徴とする。
【００１７】
また、本発明にかかるパターン自動抽出システムは、上記の発明において、前記パターン切出し処理部は、部分空間同定法により変化点を抽出することを特徴とする。
【００１８】
また、本発明にかかるパターン自動抽出システムは、上記の発明において、前記パターン切出し処理部は、密度比推定法により変化点を抽出することを特徴とする。
【発明の効果】
【００１９】
本発明によれば、入力された時系列データの変化点を抽出し、この変化点をもとに該時系列データを複数のパターンとして切り出し、この切り出された複数のパターン間の類似度を算出し、該類似度の高い組合せパターンの各パターンをクラスタリングした上で登録パターンとして抽出し、この抽出された登録パターンを正常パターンライブラリに登録するようにしているので、特に正常パターンとの照合処理によって異常診断を行う際に用いる膨大な数の正常パターンが自動抽出によって容易にパターンライブラリに登録することができる。
【図面の簡単な説明】
【００２０】
【図１】図１は、本発明の実施の形態にかかるパターン自動抽出システムの構成を示す機能ブロック図である。
【図２】図２は、制御部によるパターン自動抽出処理手順を示すフローチャートである。
【図３】図３は、圧延機の概要構成を示す斜視図である。
【図４】図４は、圧延機のスピンドルカップリング部からの異常音を含む時系列データの一例を示す図である。
【図５】図５は、パターンを抽出するための参照区間と評価区間の概念を示す図である。
【図６】図６は、システムの変化点と切出しパターンとの関係を示す図である。
【図７】図７は、パターンクラスタリング処理部による類似度算出結果を示す図である。
【図８】図８は、本発明の実施の形態の応用例であるシステムの構成を示す機能ブロック図である。
【図９】図９は、図８に示した異常診断システムによる異常診断処理手順を示すフローチャートである。
【図１０】図１０は、図８に示した異常診断システムの外部装置による仮置きライブラリ判定処理手順を示すフローチャートである。
【発明を実施するための形態】
【００２１】
以下、図面を参照して、本発明にかかるパターン自動抽出方法およびパターン自動抽出システムの実施の形態について説明する。なお、この実施の形態によりこの発明が限定されるものではない。
【００２２】
図１は、本発明の実施の形態であるパターン自動抽出システムの構成を示す機能ブロック図である。図１において、このパターン自動抽出システム１は、パターン抽出処理部２０を含む制御部Ｃに、入力部１１、出力部１２、記憶部１３、および外部装置１４が接続される。制御部Ｃは、ＣＰＵなどによって実現され、入力部１１は、データ収集装置やポインティングデバイスなどによって実現され、出力部１２は、液晶ディスプレイなどによって実現され、記憶部１３は、ハードディスク装置などによって実現される。なお、外部装置１４は、通信インターフェースを介して制御部Ｃと通信が可能である。
【００２３】
記憶部１３は、多数の過去の正常時の正常パターンを予め格納した正常パターンライブラリ４１と、正常パターンか異常時の異常パターンかが不明な複数のパターンを格納した仮置きライブラリ４３とを有する。
【００２４】
なお、外部装置１４は、操業データベース（ＤＢ）１５を有し、この操業ＤＢ１５は、過去の操業時などに取得した時系列データのうち、正常操業時に取得された時系列データ、すなわち正常時の時系列データが格納されている。
【００２５】
パターン抽出処理部２０は、パターン切出し処理部２１、パターン抽出部としてのパターンクラスタリング処理部２２、および登録処理部２３を有し、パターン自動抽出処理を行う。このパターン自動抽出処理は、操業ＤＢ１５に格納されたデータをもとに、正常パターンを抽出して正常パターンライブラリ４１に登録するものである。このため、パターン抽出処理部２０は、操業ＤＢ１５にアクセスして、パターン自動抽出処理を行う。
【００２６】
ここで、図２に示すフローチャートを参照して、パターン抽出処理部２０によるパターン自動抽出処理手順について説明する。まず、パターン抽出処理部２０は、入力部１１からのパターン自動抽出処理の開始指示を受けると、外部装置１４の操業ＤＢ１５をアクセスし、パターン自動抽出の対象である正常時の時系列データを取得し、正規化処理などの前処理を行う（ステップＳ１０１）。
【００２７】
その後、パターン切出し処理部２１は、取得した時系列データの変化点を抽出し、この変化点によって時系列データを区切り、各区間の時系列データをパターンとして切り出す処理を行う（ステップＳ１０２）。
【００２８】
その後、パターンクラスタリング処理部２２は、変化点で区切られて切り出された複数のパターン間の類似度を算出する（ステップＳ１０３）。そして、パターンクラスタリング処理部２２は、所定値以上の類似度をもつパターンの組合せがあるか否かを判断する（ステップＳ１０４）。所定値以上の類似度をもつパターンの組合せがない場合（ステップＳ１０４，Ｎｏ）には、仮置きライブラリ４３に登録し（ステップＳ１０６）、本処理を終了する。
【００２９】
一方、所定値以上の類似度をもつパターンの組合せがある場合（ステップＳ１０４，Ｙｅｓ）、登録処理部２３は、抽出したパターンを正常パターンライブラリ４１に登録し（ステップＳ１０５）、本処理を終了する。
【００３０】
ここで、パターン自動抽出処理の具体例について説明する。なお、ここでは、説明の都合上、既知の異常パターンを自動抽出する例を示すが、正常パターンについても同様に適用できる。まず、図３は、本発明の実施の形態であるパターン自動抽出方法が適用される異常診断の対象としての圧延機５０の概要を示している。この圧延機５０は、２本の圧延ロールで被圧延材５１としての鋼板を挟み、所定の厚みとなるように圧延する。このとき、圧延ロールはスピンドル５２を介して図示しないモータにより回転される。圧延機５０では、スピンドルカップリング部５３において磨耗が発生し、回転するたびに周期音が発生する。
【００３１】
図４は、圧延機５０の近傍に設置した集音機によって取得した音圧の時系列データを示している。図４における点線部分で示した箇所がスピンドルカップリング部５３の異常音（磨耗音）である。そして、操業ＤＢ１５には、図３に示した機械設備である圧延機５０で過去に発生し、集音された音声データ（図４に示すような時系列データ）が、多数格納されている。
【００３２】
パターン自動抽出処理は、まず、パターンの切出し処理が行われる。ところで、正常時の場合も異常時の場合も時系列データ上に、あるパターンが出現するということは、パターンが出現するタイミングで、その背後にあるシステムが変化すると解釈することができる。例えば、鉄鋼プロセスの圧延機に対する音響診断の場合、スラブが搬送される音、冷却水をかける音、回転機器のカップリング磨耗音など様々な音が観測されるが、スラブ搬送音はローラ間隔Ｌのテーブルローラ上を速度Ｖで搬送されるスラブが時間周期Ｌ／Ｖでローラに当たることで発生する音の発生システム、冷却水音は高圧水がノズルから空間へ急激に広がることで発生する音の発生システム、カップリング磨耗音はカップリング回転時に磨耗部が回転にあわせて当たることで発生する音の発生システムと、次々とシステムが変化していると解釈することができる。したがって、背後に存在するこのようなシステムの変化を検出することができれば、その時点でパターンが次々と変化するため、パターンを切り出すことが可能となる。
【００３３】
このシステムの変化を捉える手段としては、部分空間同定法や密度比推定法などが知られている。まず、これら部分空間同定法や密度比推定法の前提となる参照区間及び評価区間について説明する（非特許文献１参照）。
【００３４】
図５に示すように、現在の時刻をt0、それより過去のある２つの時点をtrf及びtte（trf＜tte＜t0）とし、時刻trfから始まる区間を参照区間、時刻tteから始まる区間を評価区間とする。各時刻tにおいてd次元の時系列サンプルy(t)（t=trf,・・・,t0）が与えられているとする。このとき、次式のように長さkの部分系列ベクトルを考える。
【数１】
ただし、●Tは行列の転置を表す。さらに、部分系列ベクトルを並べて得られるハンケル行列Yk,N(t)を次式のように表す。
【数２】
また、各区間の部分系列ベクトルの数をnrf及びnteとする。
【００３５】
ここで、確率部分空間同定法を用いた変化点抽出について説明する。時系列データを生成する背後にあるシステムを考えた場合に、参照区間のデータyk(trf)、yk(trf+1)、・・・の線形結合で張られる空間SSrf（部分空間）に対して、システムに変化がなければ、評価区間のデータyk(tte)、yk(tte+1)、・・・は部分空間Srfに拘束される。システムに変化があれば、部分空間Srfに拘束されない。よって、参照区間のデータで張られる部分空間SSrfに対する評価区間のデータの正準角が、予め設定した閾値を越えたときにシステムの変化として検知することができる。参照区間のデータで張られる部分空間SSrfに対する評価区間のデータyk(tte)、yk(tte+1)、・・・の正準角は、次式により計算することができる。
【数３】
【００３６】
参照区間のデータで張られる部分空間SSrfは、参照区間のハンケル行列Yk,nrf(trf)から生成される拡大可観測行列Ｏrfを特異値分解して得られる直交成分Urfとして表現することができる。理由を以下に示す。
時系列データy(t)を生成する背後にあるシステムを次式に示す状態空間モデルで表すと、
【数４】
ここで、
【数５】
とすれば、上式より、
【数６】
となる。上式において、右辺第２項がノイズに起因する項であることから、時系列の部分系列から形成される部分空間と状態空間モデルの拡大可観測行列の部分空間が近似的に等しくなる。
【００３７】
さらに、部分空間は、直交成分だけでよいので、拡大可観測行列を次式に示すように特異値分解することにより、直交成分Urfを抽出することができる。
【数７】
【００３８】
切り出したパターンは、そのままでもよいが、通常は、ノイズなど余計な成分を含むため、情報量を圧縮することが望ましい。情報量を圧縮する方法として、切出したパターンを上述の直交成分Urfで表す方法がある。パターン切出しにおいて確率部分空間同定法を利用すれば、Urfは計算されるので、この結果を利用することができ、望ましい。
【００３９】
以上のようにしてパターンを切り出すことができる。切り出したパターンをそのまま代表（典型）パターンとすると、パターンライブラリが膨大となるので、適当にクラスタリングすることが望ましい。そこで、次に、パターンクラスタリング処理部２２によるパターンのクラスタリングについて説明する。
【００４０】
クラスタリングの方法として、すべてのパターン間の正準角を求め、予め設定した閾値より低ければ、同一のパターンとして分類することができる。i番目のパターンに対応するUrf(i)とj番目のパターンに対応するUrf(j)間の正準角は以下の式で計算することができる。
【数８】
【００４１】
以上説明した確率部分空間同定法を用いて、時系列データのシステム変化度を検出する。図６は、図４で示した時系列データに対して、確率部分空間同定法より検出したシステムの変化度を示している。ここでは閾値を「６」として、８区間（区間Ｅ１〜Ｅ８）にそれぞれ対応するパターンＰ１〜Ｐ８を切り出すことができた。
【００４２】
図７は、切り出した８つパターンＰ１〜Ｐ８に対して、各パターン間の類似度を示した図である。パターン間の正準角を求め、その逆数を類似度としている。その結果、切出しパターンＰ３とパターンＰ６との組み合わせが、最も類似度が高いという結果を得た。ここでは、もっとも類似度が高い組み合わせを、典型的なパターンとして抽出する。もちろん、他にも所定値以上の類似度を示す組み合わせを別の典型パターンとして抽出してもよい。なお、切出しパターンＰ３とパターンＰ６は、図４に示した時系列データにおける点線部分で示した箇所、すわなち、スピンドルカップリング部５３の磨耗音である。これにより、スピンドルカップリング部５３の磨耗音を、繰返し出現する異常パターンの代表パターンとして抽出することができたことがわかる。
【００４３】
以上により、数少ない既知の異常パターンを自動抽出することができる。同様にして、過去の正常時の操業データからは正常パターンを自動抽出することができるので、本発明を用いれば膨大な正常パターンを正常パターンライブラリ４１に蓄積することができる。
【００４４】
なお、システムの変化を捉えパターンを切出す別の手段として、密度比推定法がある。以下に、密度比推定法について詳細に説明する（非特許文献２参照）。
【００４５】
今、時刻tteにおいて変化点があるかどうかを調べるために、次のような２つの仮説を考える。
【数９】
すなわち、仮説Ｈ0は全区間にわたり、ある１つの分布prfから時系列データが生成しているという仮説であり、また、仮説Ｈ1はその区間の時刻tteにおいてデータを生成する分布がprfから異なる分布pteへ変化したという仮説である。この２つの仮説のどちらがより確からしいかは、次式で示す尤度比Λを計算することで確認することができる。
【数１０】
そして、尤度比Λが高い方の仮説を採用し、仮説Ｈ1の尤度比Λが高い場合にシステムの変化点があったものと判定する。
【００４６】
（応用例）
上述した実施の形態によって、正常パターンライブラリ４１に多数の正常パターンが格納される。このような正常パターンライブラリ４１や過去の異常時の異常パターンが格納された異常パターンライブラリを用いることによって、異常診断対象のシステムや機器の異常診断処理を行うことができる。
【００４７】
図８は、本発明の実施の形態の応用例であるシステムの構成を示す機能ブロック図であり、このシステムは、図１に示したパターン自動抽出システム１の記憶部１３を共用して異常診断処理を行う異常診断システム１０１が付加されたものである。図８において、この異常診断システム１０１は、異常診断処理部１２０を含む制御部ＣＣに、入力部１１１、出力部１１２、記憶部１３が接続される。制御部ＣＣは、ＣＰＵなどによって実現され、入力部１１１は、データ収集装置やポインティングデバイスなどによって実現され、出力部１１２は、液晶ディスプレイなどによって実現され、記憶部１３は、ハードディスク装置などによって実現される。なお、制御部ＣＣには外部装置１１４も接続され、通信インターフェースを介して制御部ＣＣと通信が可能である。
【００４８】
記憶部１３は、パターン自動抽出システム１によって取得された多数の正常時の正常パターンが格納された正常パターンライブラリ４１と、過去の異常時の異常パターンが格納された異常パターンライブラリ４２と、正常パターンか異常パターンかが不明な複数のパターンを格納した仮置きライブラリ４３とを有する。このように、記憶部１３に異常パターンライブラリ４２を有する点で、上述の図１に示した実施の形態とは異なる。異常パターンライブラリ４２は、異常パターンが入手されている場合に異常パターンが格納され、異常がなく異常パターンが入手できない場合に異常パターンは格納されず、空のままとなる。
【００４９】
異常診断処理部１２０は、切出し処理部１２１、ノイズ判定処理部１２２、異常パターン照合処理部１２３、正常パターン照合処理部１２４、登録処理部１２５、および警報出力処理部１２６を有し、異常診断処理を行う。なお、制御部ＣＣは、制御部Ｃ内に設けてもよい。
【００５０】
ここで、図９に示すフローチャートを参照して、異常診断処理部１２０による異常診断処理手順について説明する。図９において、たとえば鉄鋼プロセスにおける圧延機５０などの機械設備の近く設置した集音機によって取得した音圧の時系列データが入力部１１１から順次入力されると、切出し処理部１２１は、この時系列データを、予め設定された時間長の時系列データである部分列として切り出す処理を行う（ステップＳ２０１）。なお、この時間長は、正常パターンライブラリ４１あるいは異常パターンライブラリ４２に格納されているパターンの中で最も長い時間長に設定される。
【００５１】
次に、ノイズ判定処理部１２２が、部分列の信号振幅レベルが所定値以下であるか否か、すなわちノイズレベルか否かを判断する。部分列の信号振幅レベルがノイズレベルである場合（ステップＳ２０２，Ｙｅｓ）、ステップＳ２０７に移行して「正常」と判定する。
【００５２】
一方、部分列の信号振幅レベルがノイズレベルでない場合（ステップＳ２０２，Ｎｏ）には、異常パターンあるいは正常パターンが含まれる有意なパターンであるとして、ステップＳ２０３に移行する。
【００５３】
その後、異常パターン照合処理部１２３は、切出し処理部１２１によって切り出された部分列を、異常パターンライブラリ４２内の異常パターンと照合する異常パターン照合処理を行う（ステップＳ２０３）。この異常パターン照合処理は、部分列に対して、異常パターンライブラリ４２に格納されている異常パターンの全てに対して照合処理を行うが、部分列が、少なくとも１つの異常パターンに合致した場合、ステップＳ２０４に移行する。なお、異常パターンライブラリ４２に異常パターンが格納されていない場合には、この異常パターン照合処理は、スキップされる。
【００５４】
この異常パターン照合処理の結果、切り出された部分列に合致する異常パターンがあるか否かを判断し（ステップＳ２０４）、合致する場合（ステップＳ２０４，Ｙｅｓ）には、ステップＳ２０８に移行して「異常」と判定する。
【００５５】
一方、切り出された部分列に合致する異常パターンがない場合（ステップＳ２０４，Ｎｏ）には、さらに、正常パターン照合処理部１２４が、切り出された部分列を、正常パターンライブラリ４１内の正常パターンと照合する正常パターン照合処理を行う（ステップＳ２０５）。この正常パターン照合処理は、異常パターン照合処理と同様に、正常パターンライブラリ４１に格納されている正常パターンの全てに対して照合処理を行うが、部分列が、少なくとも１つの正常パターンに合致した場合、ステップＳ２０６に移行する。
【００５６】
この正常パターン照合処理の結果、切り出された部分列に合致する正常パターンがあるか否かを判断し（ステップＳ２０６）、合致する場合（ステップＳ２０６，Ｙｅｓ）には、ステップＳ２０７に移行して「正常」と判定する。
【００５７】
一方、切り出された部分列に合致する正常パターンがない場合（ステップＳ２０６，Ｎｏ）には、正常パターン照合処理部１２４が、この部分列のパターンを「いつもと違う状態」と判定する。そして、警報出力処理部１２６がいつもと違う状態である旨を適宜な形式で出力部１１２から警報出力する。また、登録処理部１２５は、この部分列のパターンを仮置きライブラリ４３内に登録する（ステップＳ２０９）。なお、この仮置きライブラリ４３への登録時に、登録処理部１２５は、この部分列に、この部分列の発生時間データを対応づけて登録しておくことが好ましい。
【００５８】
次に、ステップＳ２０８による異常判定あるいはステップＳ２０７による正常判定あるいはステップＳ２０９による「いつもと違う状態」であるとの判定の後、入力部１１１から本処理の終了指示があったか否かを判断する（ステップＳ２１０）。終了指示があった場合（ステップＳ２１０，Ｙｅｓ）には、本処理を終了し、終了指示がない場合（ステップＳ２１０，Ｎｏ）には、ステップＳ２０１に移行し、次の部分列を切出し、上述した処理を繰り返す。
【００５９】
なお、外部装置１１４は、仮置きライブラリ判定処理システムとして機能し、仮置きライブラリ４３に登録された部分列が異常パターンか正常パターンかの詳細判定を行い、この判定結果をもとに正常パターンライブラリ４１または異常パターンライブラリ４２に登録する仮置きライブラリ判定処理を行う。この外部装置１１４は、たとえば、過去の操業データや機器の単体テストデータなどが格納されたデータベースを有し、このデータベースをもとに部分列が異常パターンか正常パターンを詳細に照合処理（詳細照合処理）する大型コンピュータなどによって実現される。もちろん、外部装置１１４による詳細照合処理には、熟練者などの人の判断処理を加えてもよい。
【００６０】
ここで、図１０に示すフローチャートを参照して、外部装置１１４による仮置きライブラリ判定処理手順について説明する。異常診断システム１０１の出力部１１２から警報通知があった場合（ステップＳ３０１，Ｙｅｓ）、仮置きライブラリ４３にアクセスして、登録されている部分列を取り出す（ステップＳ３０２）。
【００６１】
その後、外部装置１１４は、取り出した部分列のパターンが異常であるか否かの詳細照合処理を行う（ステップＳ３０３）。その後、外部装置１１４は、詳細照合処理が行われた部分列のパターンが異常であるか否かを判断する（ステップＳ３０４）。異常と判断された場合（ステップＳ３０４，Ｙｅｓ）、登録処理部１２５は、この部分列を異常パターンライブラリ４２に登録する処理を行う（ステップＳ３０５）。一方、異常と判断されない場合（ステップＳ３０４，Ｎｏ）、登録処理部１２５は、この部分列を正常パターンライブラリ４１に登録する処理を行う（ステップＳ３０６）。
【００６２】
なお、上記の外部装置１１４による仮置きライブラリ判定処理は、上述したように、異常診断システム１０１に対してオンラインで処理してもよいし、オフラインで処理してもよい。たとえば、定期的に仮置きライブラリ４３から「いつもと違う状態」の部分列のパターンを取得して所定の記憶媒体内に格納し、この格納された部分列のパターンを外部装置１１４に入力することによって外部装置１１４が上述した詳細照合処理を行い、その照合処理結果をもとに、対応する正常パターンライブラリ４１あるいは異常パターンライブラリ４２に登録するようにしてもよい。
【００６３】
この応用例では、少なくとも正常パターンライブラリ４１を共有し、パターン自動抽出システム１が正常パターンを自動抽出して正常パターンライブラリ４１に順次蓄積され、この蓄積された正常パターンを用いて異常診断システム１０１が、順次得られる時系列データが正常か異常かを検知するようにしているので、過去に前例のない異常や過去に前例の少ない異常であっても、通常得られる正常パターンのみで、この異常を高確率で検知することができるとともに、正常パターンが順次蓄積されるため、一層高確率で異常を検知することができる。
【符号の説明】
【００６４】
１ パターン自動抽出システム
１１，１１１ 入力部
１２，１１２ 出力部
１３ 記憶部
１４，１１４ 外部装置
１５ 操業データベース
２０ パターン抽出処理部
２１ パターン切出し処理部
２２ パターンクラスタリング処理部
２３，１２５ 登録処理部
４１ 正常パターンライブラリ
４２ 異常パターンライブラリ
４３ 仮置きライブラリ
１０１ 異常診断システム
１２０ 異常診断処理部
１２１ 切出し処理部
１２２ ノイズ判定処理部
１２３ 異常パターン照合処理部
１２４ 正常パターン照合処理部
１２６ 警報出力処理部
Ｃ，ＣＣ 制御部
【特許請求の範囲】
【請求項１】
入力された時系列データの変化点を抽出し、この変化点をもとに該時系列データを複数のパターンとして切り出すパターン切出しステップと、
前記パターン切出しステップによって切り出された複数のパターン間の類似度を算出し、該類似度の高い組合せパターンをクラスタリングし、各パターンを登録パターンとして抽出するパターン抽出ステップと、
前記パターン抽出ステップによって抽出された登録パターンを正常パターンライブラリに登録する登録ステップと、
を含むことを特徴とするパターン自動抽出方法。
【請求項２】
前記時系列データは、正常時に採取された時系列データであることを特徴とする請求項１に記載のパターン自動抽出方法。
【請求項３】
前記パターン切出しステップは、部分空間同定法により変化点を抽出することを特徴とする請求項１または２に記載のパターン自動抽出方法。
【請求項４】
前記パターン切出しステップは、密度比推定法により変化点を抽出することを特徴とする請求項１または２に記載のパターン自動抽出方法。
【請求項５】
入力された時系列データの変化点を抽出し、この変化点をもとに該時系列データを複数のパターンとして切り出すパターン切出し処理部と、
前記パターン切出し処理部によって切り出された複数のパターン間の類似度を算出し、該類似度の高い組合せパターンをクラスタリングし、各パターンを登録パターンとして抽出するパターン抽出部と、
前記パターン抽出部によって抽出された登録パターンを正常パターンライブラリに登録する登録処理部と、
を備えたことを特徴とするパターン自動抽出システム。
【請求項６】
前記時系列データは、正常時に採取された時系列データであることを特徴とする請求項５に記載のパターン自動抽出システム。
【請求項７】
前記パターン切出し処理部は、部分空間同定法により変化点を抽出することを特徴とする請求項５または６に記載のパターン自動抽出システム。
【請求項８】
前記パターン切出し処理部は、密度比推定法により変化点を抽出することを特徴とする請求項５または６に記載のパターン自動抽出システム。
【請求項１】
入力された時系列データの変化点を抽出し、この変化点をもとに該時系列データを複数のパターンとして切り出すパターン切出しステップと、
前記パターン切出しステップによって切り出された複数のパターン間の類似度を算出し、該類似度の高い組合せパターンをクラスタリングし、各パターンを登録パターンとして抽出するパターン抽出ステップと、
前記パターン抽出ステップによって抽出された登録パターンを正常パターンライブラリに登録する登録ステップと、
を含むことを特徴とするパターン自動抽出方法。
【請求項２】
前記時系列データは、正常時に採取された時系列データであることを特徴とする請求項１に記載のパターン自動抽出方法。
【請求項３】
前記パターン切出しステップは、部分空間同定法により変化点を抽出することを特徴とする請求項１または２に記載のパターン自動抽出方法。
【請求項４】
前記パターン切出しステップは、密度比推定法により変化点を抽出することを特徴とする請求項１または２に記載のパターン自動抽出方法。
【請求項５】
入力された時系列データの変化点を抽出し、この変化点をもとに該時系列データを複数のパターンとして切り出すパターン切出し処理部と、
前記パターン切出し処理部によって切り出された複数のパターン間の類似度を算出し、該類似度の高い組合せパターンをクラスタリングし、各パターンを登録パターンとして抽出するパターン抽出部と、
前記パターン抽出部によって抽出された登録パターンを正常パターンライブラリに登録する登録処理部と、
を備えたことを特徴とするパターン自動抽出システム。
【請求項６】
前記時系列データは、正常時に採取された時系列データであることを特徴とする請求項５に記載のパターン自動抽出システム。
【請求項７】
前記パターン切出し処理部は、部分空間同定法により変化点を抽出することを特徴とする請求項５または６に記載のパターン自動抽出システム。
【請求項８】
前記パターン切出し処理部は、密度比推定法により変化点を抽出することを特徴とする請求項５または６に記載のパターン自動抽出システム。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【公開番号】特開２０１１−２４７６９６（Ｐ２０１１−２４７６９６Ａ）
【公開日】平成２３年１２月８日（２０１１．１２．８）
【国際特許分類】
【出願番号】特願２０１０−１１９７４３（Ｐ２０１０−１１９７４３）
【出願日】平成２２年５月２５日（２０１０．５．２５）
【出願人】（０００００１２５８）ＪＦＥスチール株式会社 (8,589)
【Ｆターム（参考）】
【公開日】平成２３年１２月８日（２０１１．１２．８）
【国際特許分類】
【出願日】平成２２年５月２５日（２０１０．５．２５）
【出願人】（０００００１２５８）ＪＦＥスチール株式会社 (8,589)
【Ｆターム（参考）】
[ Back to top ]