異常検知装置
【課題】監視対象の状態自体の変化に応じて、ニューラルネットワークのモデルを随時更新して、誤報を少なくすることができる異常検知装置を提供する。
【解決手段】監視対象に設けられた検出手段と、検出手段からの検出データに基づいてニューラルネットワークにより監視対象の状態を診断する演算手段と、診断手段による診断結果を報知する報知手段とを有する。所定のモデル作成データを用いてニューラルネットワークのモデルを形成し、ニューラルネットワークのモデルを用い、検出データに基づいて監視対象の状態を診断し、所定時点での検出データによる入力ベクトルを中間層として加えて、ニューラルネットワークのモデルを更新し、更新後は、ニューラルネットワークの更新したモデルを用いて監視対象の状態を診断する。
【解決手段】監視対象に設けられた検出手段と、検出手段からの検出データに基づいてニューラルネットワークにより監視対象の状態を診断する演算手段と、診断手段による診断結果を報知する報知手段とを有する。所定のモデル作成データを用いてニューラルネットワークのモデルを形成し、ニューラルネットワークのモデルを用い、検出データに基づいて監視対象の状態を診断し、所定時点での検出データによる入力ベクトルを中間層として加えて、ニューラルネットワークのモデルを更新し、更新後は、ニューラルネットワークの更新したモデルを用いて監視対象の状態を診断する。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は監視対象の異常を検知する異常検知装置に関し、特に、プラントのような監視対象が正常に稼働しているか否かを検知するプラントの異常検知装置に関する。
【背景技術】
【０００２】
製油所では巡回員が五感を駆使して漏洩や回転機の不具合などを監視しているが、製油所は広いので常時巡回員のみで監視するには限界がある。また、構成される巡回員の年齢層も高くなっている事から、作業を低減することが期待される。更に、業務としては監視業務のような単純な作業は減らし、より付加価値の高いものを実施し、製油所の国際競争力を強化させる必要がある。
【０００３】
このため、製油所が正常に稼働しているかどうかを作業員によらず自動的に診断する異常検知装置が求められている。製油所内に各種の検出手段を設け、その検出手段からの検出データに基づいて製油所が正常に稼働しているかどうかを診断し、異常であれば警報信号を発して、作業員に対処を求める。このような異常診断にニューラルネットワークを用いるものが知られている。
【特許文献１】特開平０４−１８４６８６号公報
【特許文献２】特開平０７−２３４９８８号公報
【特許文献３】特開２０００−３４６６８１号公報
【発明の開示】
【発明が解決しようとする課題】
【０００４】
ニューラルネットワークによる診断では、学習によりニューラルネットワークのモデルを形成し、そのモデルにより監視対象が正常か異常かを判定している。しかしながら、監視対象の定常状態は変化しており、ニューラルネットワークのモデルで学習していない検出データが発生すると、監視対象は正常に稼働しているのに異常と誤って判定されてしまう場合がある。
【０００５】
そのような誤報を防止するためには、監視対象の検出データにより再学習してニューラルネットワークのモデルを常に更新しておく必要がある。しかしながら、ニューラルネットワークの学習のためには多くの時間を必要とするという問題があった。
【０００６】
本発明の目的は、監視対象の状態自体の変化に応じて、ニューラルネットワークのモデルを随時更新して、誤報を少なくすることができる異常検知装置を提供することにある。
【課題を解決するための手段】
【０００７】
本願発明者は、ニューラルネットワークのモデルを機械的に学習させる開発研究を行った。人間は過去に行った問題とよく似た問題を解決するとき、以前に解いた経験を基によりうまく解決できる学習能力を持っている。このような学習能力を計算機システムに持たせることを目的とする研究は機械学習と呼ばれる。一般に、機械学習は、帰納学習、演繹学習、類推学習、強化学習、事例に基く学習等に分類される。ここでは、事例に基づく学習を参考に、以下の機械学習を研究した。
【０００８】
本願発明による機械学習のイメージを図１に示す。横軸は時間であり、図１（ａ）は、通常のモデル作成とその後の判定のイメージであり、図１（ｂ）は、本願発明によるモデル作成とその後の判定のイメージである。
【０００９】
通常は、図１（ａ）に示すように、ある期間に学習用データを収集し、判定モデルを作成する。判定開始当初は測定データが学習したデータと似ているため正常と判定される。しかし、プラントは正常であっても、徐々に学習していないパターンのデータが増え、異常と判定されることがある。これは誤報である。
【００１０】
この対策として、本願発明者は、誤報が増える前に正常と判定されたデータ、又は、正常であるのに異常と判定された誤報のデータを利用することを考えた。本願発明は、図１（ｂ）に示すように、ある期間に学習用データを収集し、判定モデルを作成する。判定開始当初は、前述したように、測定データが学習したデータと似ているため正常と判定される。そして、ある期間の間でプラントが正常に稼動した場合に、所定の時点でのデータを利用することを考えた。通常の場合のように、監視対象が稼働した全てのデータを用いて学習するのではなく、所定の時点でのデータによる入力ベクトルを中間層として加えて、ニューラルネットワークのモデルを更新する。そして、更新後は、ニューラルネットワークの更新したモデルを用いてプラントの状態を診断する。これにより、プラントは正常であっても異常と判定される誤報がなくなった。
【００１１】
したがって、本発明の一態様による異常検知装置は、監視対象に設けられた検出手段と、前記検出手段からの検出データに基づいてニューラルネットワークにより前記監視対象の状態を診断する演算手段とを有する異常検知装置であって、前記演算手段は、所定のモデル作成データを用いて前記ニューラルネットワークのモデルを形成し、前記ニューラルネットワークのモデルを用い、検出データに基づいて前記監視対象の状態を診断し、所定時点での検出データによる入力ベクトルを中間層として加えて、前記ニューラルネットワークのモデルを更新し、更新後は、前記ニューラルネットワークの更新したモデルを用いて前記監視対象の状態を診断することを特徴とする。
【００１２】
上述した異常検知装置において、前記所定時点での検出データは、前記監視対象が正常に稼働しているときの検出データでもよい。
【００１３】
上述した異常検知装置において、前記所定時点での検出データは、前記監視対象が正常に稼働しているのに、前記演算手段により異常であると診断されたときの検出データでもよい。
【００１４】
上述した異常検知装置において、前記演算手段は、正常と判定された検出データを定期的に蓄積しておき、前記監視対象が異常であると判定された場合には、蓄積された直近の検出データにより前記ニューラルネットワークのモデルを仮に更新し、仮に更新した前記ニューラルネットワークのモデルを用いて前記監視対象の状態を診断し、正常であると判定された場合には前記ニューラルネットワークのモデルを更新するようにしてもよい。
【００１５】
上述した異常検知装置において、前記診断手段による診断結果を報知する報知手段を更に有するようにしてもよい。
【００１６】
上述した異常検知装置において、前記監視対象は、プラントであり、前記検出手段は、前記プラントが発する音を検出するものでもよい。
【発明の効果】
【００１７】
本発明によれば、所定のモデル作成データを用いてニューラルネットワークのモデルを形成し、ニューラルネットワークのモデルを用い、検出データに基づいて監視対象の状態を診断し、所定時点での検出データによる入力ベクトルを中間層として加えて、ニューラルネットワークのモデルを更新し、更新後は、ニューラルネットワークの更新したモデルを用いて監視対象の状態を診断するようにしたので、監視対象の状態自体の変化に応じて、ニューラルネットワークのモデルを随時更新して、誤報を少なくすることができる。
【００１８】
また、本発明によれば、新しいニューラルネットワークモデルに更新するための時間も短時間で済み、ニューラルネットワークモデルが随時更新されることから、未知データに対しても判断を誤ることがなくなり、ニューラルネットワークモデルを更新するためのフィードバック学習が必要なくなる。
【発明を実施するための最良の形態】
【００１９】
［一実施形態］
本発明の一実施形態による異常検知装置について図２乃至図４を用いて説明する。図２は本実施形態の異常管理装置の構成を示す図であり、図３は本実施形態の異常監視装置で用いられるニューラルネットワークの構成を示す図であり、図４は本実施形態の異常検知装置による診断方法のフローチャートである。
【００２０】
本実施形態の異常検知装置では、製油所や工場等におけるプラント、装置、配管等の漏洩や回転機の不具合などを監視して異常を報知する。
【００２１】
本実施形態の異常検知装置は、図２に示すように、製油所の各所の音響を検出する検出手段として音響センサ部１０と、音響センサ部１０から伝送された音響信号を処理する演算手段として音響信号処理部２０とから構成されている。
【００２２】
音響センサ部１０には、プラントの運転音を常時監視するための防爆マイクロフォン１２が設けられている。防爆マイクロフォン１２は、製油所の随所に配置されている。防爆マイクロフォン１２の音響信号は、信号レシーバー１４により受信される。信号レシーバー１４は、複数の防爆マイクロフォン１２からの音響信号を切り換えるためのＣＨ（チャネル）切替器１６と、ＣＨ切替器１６により切り替えられた音響信号をデジタル信号に変換するＡ／Ｄ変換器１８により構成されている。
【００２３】
音響信号処理部２０は、音響センサ部１０からの音響信号を処理することにより異常音を識別し、プラント、装置等の稼働状態が正常であるか否かを判断する。音響信号処理部２０における異常音の識別にはニューラルネットワーク（ＮＮ）のモデルを使用する。ニューラルネットワーク（ＮＮ）作成にはＰＣのＣＰＵ負荷が大きくかかるので、音響信号処理部２０は、異常音の診断を行うための異常音診断用ＰＣ２２と、ニューラルネットワーク（ＮＮ）を作成するためのＮＮ作成用ＰＣ２４とに分けられ、モデル情報が共有できるシステムとなっている。
【００２４】
異常音診断用ＰＣ２２による判定結果は報知手段により作業員に報知される。報知手段としては、異常音診断用ＰＣ２２の画面にその旨を表示することにより報知するようにしてもよいし、音や光等による警報信号を発することにより報知するようにしてもよいし、作業員への電子メールを送信することにより報知するようにしてもよいし、これらの方法を組み合わせてもよい。
【００２５】
音響センサ部１０の信号レシーバー１４と、音響信号処理部２０の異常音診断用ＰＣ２２と、ＮＮ作成用ＰＣ２４とは、ＬＡＮにより相互に接続されている。
【００２６】
図３は、本実施形態の異常検知装置におけるニューラルネットワーク（ＮＮ）モデルの構造である。
【００２７】
ニューラルネットワーク（ＮＮ）モデルとしては、誤差逆伝播学習型が広く使用されている。これは学習済みのデータ群の識別を高精度に行うことができるが、学習データが大きく異なる場合には出力データを予測することが困難となる欠点がある。この理由から、本実施形態では、より高い信号特徴抽出性能が期待できるラジアルベース関数型を使用する。これは誤差逆伝播学習型に似た構造の階層型フィードフォワードネットワークであるが、入力層と中間層の間で中間層関数であるポテンシャル関数の最適化演算が行われること、上記演算に基づいて中間層ユニット数の調整が行われること、結合ウエイトの変更は中間層と出力層の間のみで行われることなどが特徴である。
【００２８】
本実施形態のニューラルネットワークモデルでは、図３に示すように、入力データ（Ｘ１、…、Ｘｎ）に対する平均ベクトルとの偏差をベクトル距離として計算し、これに重みをつけて判定するアルゴリズムである。平均ベクトルは、モデル作成データから生成され、ベクトル距離が小さいものは平均ベクトルと似たパターンである。階層型のニューラルネットワークモデルは、ラジアルベーシックファンクションネットワークのように、入力層からの出力はベクトル距離が０に近いほど大きくなる。
【００２９】
本実施形態における機械学習のイメージは、前述したとおり、図１（ｂ）に示すように、ある期間に学習用データを収集し、判定モデルを作成し、判定開始当初はこの判定モデルを用いて診断する。そして、一定期間の間でプラントが正常に稼動した場合に、その時点での検出データによる入力ベクトルを、図３に示すニューラルネットワークの中間層に加えて、ニューラルネットワークのモデルを更新する。その後は、更新したモデルを用いてプラントの状態を診断する。
【００３０】
プラント、装置等が正常に稼働している時点での検出データによる入力ベクトルを、平均ベクトルの学習に用いるのではなく、図３に示すニューラルネットワークの中間層に加えて、ニューラルネットワークのモデルを更新するので、短時間で更新でき、必要に応じて随時更新することができる。
【００３１】
ニューラルネットワークのモデル更新の時期としては、プラント、装置等での運転条件等が変化したために、本当は正常であるのに異常と誤って判定されてしまう誤報が発生した時期か、そのような誤報が発生する可能性が高くなったと推測される時期が望ましい。
【００３２】
本実施形態の異常検知装置による診断方法について図４を用いて説明する。図４は本実施形態の異常検知装置による診断方法を示すフローチャートである。
【００３３】
当初は、ある期間に収集した学習用データにより学習したニューラルネットワークの初期モデルを用いて異常音の監視を行い（ステップＳ１０）、判定値ａ１を得る（ステップＳ１１）。判定値ａ１は、完全に正常であれば「０」となり、完全に異常であれば「１」となる。実際には、判定値ａ１は「０」と「１」の間の値となるので、しきい値ｂの値を定め、判定値ａ１がしきい値ｂより大きいか否かによりプラント、装置等の稼働状態の異常・正常を判断する。しきい値ｂを例えば「０．２」とする。
【００３４】
次に、ステップＳ１２において判定値ａ１がしきい値ｂより大きいか否か判断する。判定の結果、ａ１＞ｂではない、すなわち、ａ１≦ｂであれば、プラント、装置等の稼働状態は「正常」と診断される（ステップＳ１３）。
【００３５】
ステップＳ１２の判定の結果、ａ１＞ｂであれば、プラント、装置等の稼働状態は異常であると判断されたことになる。しかし、本実施形態では直ちに「異常」と診断するのではなく、次のような処理を行う。
【００３６】
本実施形態では、プラント、装置等の監視が始まったときから、正常と判断された検出データを所定の間隔、例えば、１週間に１回の頻度で保存して蓄積しておく。ステップＳ１２において「異常」と判断されると、蓄積した正常音データの中から最近のデータ、例えば、その月の最初のデータを選定する（ステップＳ１４）。
【００３７】
そして、ニューラルネットワークのモデルに、選定した正常音データを加えて新たなモデルを作成する（ステップＳ１５）。正常音データによる入力ベクトルを、図３に示すニューラルネットワークの中間層に加えて、ニューラルネットワークのモデルを仮に更新する。
【００３８】
次に、正常音データを加えて新たに作成したニューラルネットワークのモデルを用いて、「異常」と判断された音響信号についての判定を再度行い、判定値ａ２を得る（ステップＳ１６）。
【００３９】
次に、ステップＳ１７において判定値ａ２がしきい値ｂより大きいか否か判断する。判断の結果、ａ２＞ｂであれば、直近の正常音データを加えたモデルにおいても異常と判断されたのであるから、ステップＳ１８において最終的に「異常」と診断される。
【００４０】
ステップＳ１７の判定の結果、ａ２＞ｂでなければ、すなわち、ａ１≦ｂであれば、プラント、装置等の稼働状態を「正常」と診断すると共に、仮に作成した新たなモデルにニューラルネットワークを更新する（ステップＳ１９）。そして、その後は、更新した新たなモデルを用いてプラント、装置等の稼働状態を監視する。
【００４１】
本実施形態の異常検知装置によるプラント、装置等の異常音診断の実例について説明する。
【００４２】
図５は、製油所に設置された防爆マイクロフォン１２により収集した音響データのＦＦＴスペクトルを示す。横軸は周波数（Ｈｚ）であり、５０Ｈｚ〜２０ｋＨｚまである。縦軸は音圧（ｄＢ）である。
【００４３】
図５では、２００２年９月から２００３年２月までの半年間について各月の正常データと、その比較のために２００３年３月２６日に異常と判定されたデータとをプロットした。図５からわかるように、製油所内の正常音のパターンはほとんど変わらず、そのスペクトルでのばらつきは１０ｄＢ程度であった。
【００４４】
図６は、音響信号のＦＦＴスペクトルから求めたオーバーオールの音圧（ｄＢ）の変動を示す。音圧は９０ｄＢ付近で変化も小さく、特に２００２年１２月から２００３年２月にかけては略９０ｄＢと一定であった。プロットした６点の平均は９０．３ｄＢであり、最大が９３．２ｄＢ、最小が８７．８ｄＢであった。
【００４５】
一方、異常と判定された２００３年３月２６日の音響信号の音圧は９６．０ｄＢと大きく変化していた（図示せず）。
【００４６】
２００２年９月６日の正常データを基準に各ＦＦＴパターンのベクトル距離を求めた。正常データに対するベクトル距離は平均で７,６８８であり、最大で１０,００２であった。
【００４７】
これに対し、２００３年３月２６日の異常データのベクトル距離は４１,５４５と正常データによりベクトル距離の平均の５．４倍であった。正常データのベクトル距離の最大は正常平均の１．３倍であったので、ベクトル距離により正常と異常を識別できる。
【００４８】
このように、ニューラルネットワークモデルで正常と判定されたデータはベクトル距離が近く、ＦＦＴパターンが似ていることから、限られた期間であれば生データが平均ベクトルとして使用できることがわかった。
【００４９】
製油所において、２０００年１０月に異常判定が連続した。そのときの判定値を、図７の初期モデルの欄に示す。ニューラルネットワークの初期モデル作成のための学習では正常の判定値が「０」、異常の判定値が「１」となるように実施した。図７に示すように、これらの期間では判定値が０．４７以上の値となり異常と判定された。
【００５０】
しかし、作業員により調べたところ、このときの製油所は正常に稼動していた。このときのニューラルネットワークの初期モデルに対し、２０００年１０月４日における正常稼働時のデータを追加して再度判定値を求めた。そのときの判定値を、図７の中間層追加モデルの欄に示す。０．４７以上であった判定値が０．００１〜０．００４と大きく変化して正常レベルとなった。
【００５１】
以上の通り、本実施形態によれば、ニューラルネットワークの再学習の時間が不要であり、監視対象の状態自体の変化に応じて、ニューラルネットワークのモデルを随時更新して、誤報を少なくすることができる。また、人間は聞き分けることはできない長期間にわたるプラントの音の変化をニューラルネットワークのモデルに随時取り込むことができる。更に、監視対象の状態自体の変化には随時対応することができるので、ニューラルネットワークの初期モデルの作成には典型的な正常パターンだけを学習すれば良く、初期モデルの学習データの収集期間を短くすることができる。
【００５２】
［変形実施形態］
本発明は上記実施形態に限らず種々の変形が可能である。
【００５３】
例えば、上記実施形態では、製油所の稼働状態の監視に本発明を適用したが、製油所以外の、石油化学プラント等のプラントや、発電所等の監視に本発明を適用してもよい。
【００５４】
上記実施形態では、ニューラルネットワークモデルとしてはラジアルベース関数型を使用したが、他のニューラルネットワークモデル、例えば、シグモイド関数型等のニューラルネットワークモデルでもよい。
【図面の簡単な説明】
【００５５】
【図１】本願発明の原理の説明図である。
【図２】本発明の一実施形態による異常管理装置の構成を示す図である。
【図３】本発明の一実施形態による異常管理装置で用いるニューラルネットワークの構成を示す図である。
【図４】本発明の一実施形態による異常管理装置による診断方法のフローチャートである。
【図５】製油所内の防爆マイクロフォンにより収集した音響信号のＦＦＴスペクトルを示すグラフである。
【図６】製油所内の防爆マイクロフォンにより収集した音響信号のＦＦＴスペクトルから求めたオーバーオールの音圧の変動を示すグラフである。
【図７】製油所における誤報時の初期モデルでの判定値と更新モデルでの判定値を比較して示す図である。
【符号の説明】
【００５６】
１０…音響センサ部
２０…音響信号処理部
１２…防爆マイクロフォン
１４…信号レシーバー
１６…ＣＨ（チャネル）切替器
１８…Ａ／Ｄ変換器
２２…異常音診断用ＰＣ
２４…ＮＮ作成用ＰＣ
【技術分野】
【０００１】
本発明は監視対象の異常を検知する異常検知装置に関し、特に、プラントのような監視対象が正常に稼働しているか否かを検知するプラントの異常検知装置に関する。
【背景技術】
【０００２】
製油所では巡回員が五感を駆使して漏洩や回転機の不具合などを監視しているが、製油所は広いので常時巡回員のみで監視するには限界がある。また、構成される巡回員の年齢層も高くなっている事から、作業を低減することが期待される。更に、業務としては監視業務のような単純な作業は減らし、より付加価値の高いものを実施し、製油所の国際競争力を強化させる必要がある。
【０００３】
このため、製油所が正常に稼働しているかどうかを作業員によらず自動的に診断する異常検知装置が求められている。製油所内に各種の検出手段を設け、その検出手段からの検出データに基づいて製油所が正常に稼働しているかどうかを診断し、異常であれば警報信号を発して、作業員に対処を求める。このような異常診断にニューラルネットワークを用いるものが知られている。
【特許文献１】特開平０４−１８４６８６号公報
【特許文献２】特開平０７−２３４９８８号公報
【特許文献３】特開２０００−３４６６８１号公報
【発明の開示】
【発明が解決しようとする課題】
【０００４】
ニューラルネットワークによる診断では、学習によりニューラルネットワークのモデルを形成し、そのモデルにより監視対象が正常か異常かを判定している。しかしながら、監視対象の定常状態は変化しており、ニューラルネットワークのモデルで学習していない検出データが発生すると、監視対象は正常に稼働しているのに異常と誤って判定されてしまう場合がある。
【０００５】
そのような誤報を防止するためには、監視対象の検出データにより再学習してニューラルネットワークのモデルを常に更新しておく必要がある。しかしながら、ニューラルネットワークの学習のためには多くの時間を必要とするという問題があった。
【０００６】
本発明の目的は、監視対象の状態自体の変化に応じて、ニューラルネットワークのモデルを随時更新して、誤報を少なくすることができる異常検知装置を提供することにある。
【課題を解決するための手段】
【０００７】
本願発明者は、ニューラルネットワークのモデルを機械的に学習させる開発研究を行った。人間は過去に行った問題とよく似た問題を解決するとき、以前に解いた経験を基によりうまく解決できる学習能力を持っている。このような学習能力を計算機システムに持たせることを目的とする研究は機械学習と呼ばれる。一般に、機械学習は、帰納学習、演繹学習、類推学習、強化学習、事例に基く学習等に分類される。ここでは、事例に基づく学習を参考に、以下の機械学習を研究した。
【０００８】
本願発明による機械学習のイメージを図１に示す。横軸は時間であり、図１（ａ）は、通常のモデル作成とその後の判定のイメージであり、図１（ｂ）は、本願発明によるモデル作成とその後の判定のイメージである。
【０００９】
通常は、図１（ａ）に示すように、ある期間に学習用データを収集し、判定モデルを作成する。判定開始当初は測定データが学習したデータと似ているため正常と判定される。しかし、プラントは正常であっても、徐々に学習していないパターンのデータが増え、異常と判定されることがある。これは誤報である。
【００１０】
この対策として、本願発明者は、誤報が増える前に正常と判定されたデータ、又は、正常であるのに異常と判定された誤報のデータを利用することを考えた。本願発明は、図１（ｂ）に示すように、ある期間に学習用データを収集し、判定モデルを作成する。判定開始当初は、前述したように、測定データが学習したデータと似ているため正常と判定される。そして、ある期間の間でプラントが正常に稼動した場合に、所定の時点でのデータを利用することを考えた。通常の場合のように、監視対象が稼働した全てのデータを用いて学習するのではなく、所定の時点でのデータによる入力ベクトルを中間層として加えて、ニューラルネットワークのモデルを更新する。そして、更新後は、ニューラルネットワークの更新したモデルを用いてプラントの状態を診断する。これにより、プラントは正常であっても異常と判定される誤報がなくなった。
【００１１】
したがって、本発明の一態様による異常検知装置は、監視対象に設けられた検出手段と、前記検出手段からの検出データに基づいてニューラルネットワークにより前記監視対象の状態を診断する演算手段とを有する異常検知装置であって、前記演算手段は、所定のモデル作成データを用いて前記ニューラルネットワークのモデルを形成し、前記ニューラルネットワークのモデルを用い、検出データに基づいて前記監視対象の状態を診断し、所定時点での検出データによる入力ベクトルを中間層として加えて、前記ニューラルネットワークのモデルを更新し、更新後は、前記ニューラルネットワークの更新したモデルを用いて前記監視対象の状態を診断することを特徴とする。
【００１２】
上述した異常検知装置において、前記所定時点での検出データは、前記監視対象が正常に稼働しているときの検出データでもよい。
【００１３】
上述した異常検知装置において、前記所定時点での検出データは、前記監視対象が正常に稼働しているのに、前記演算手段により異常であると診断されたときの検出データでもよい。
【００１４】
上述した異常検知装置において、前記演算手段は、正常と判定された検出データを定期的に蓄積しておき、前記監視対象が異常であると判定された場合には、蓄積された直近の検出データにより前記ニューラルネットワークのモデルを仮に更新し、仮に更新した前記ニューラルネットワークのモデルを用いて前記監視対象の状態を診断し、正常であると判定された場合には前記ニューラルネットワークのモデルを更新するようにしてもよい。
【００１５】
上述した異常検知装置において、前記診断手段による診断結果を報知する報知手段を更に有するようにしてもよい。
【００１６】
上述した異常検知装置において、前記監視対象は、プラントであり、前記検出手段は、前記プラントが発する音を検出するものでもよい。
【発明の効果】
【００１７】
本発明によれば、所定のモデル作成データを用いてニューラルネットワークのモデルを形成し、ニューラルネットワークのモデルを用い、検出データに基づいて監視対象の状態を診断し、所定時点での検出データによる入力ベクトルを中間層として加えて、ニューラルネットワークのモデルを更新し、更新後は、ニューラルネットワークの更新したモデルを用いて監視対象の状態を診断するようにしたので、監視対象の状態自体の変化に応じて、ニューラルネットワークのモデルを随時更新して、誤報を少なくすることができる。
【００１８】
また、本発明によれば、新しいニューラルネットワークモデルに更新するための時間も短時間で済み、ニューラルネットワークモデルが随時更新されることから、未知データに対しても判断を誤ることがなくなり、ニューラルネットワークモデルを更新するためのフィードバック学習が必要なくなる。
【発明を実施するための最良の形態】
【００１９】
［一実施形態］
本発明の一実施形態による異常検知装置について図２乃至図４を用いて説明する。図２は本実施形態の異常管理装置の構成を示す図であり、図３は本実施形態の異常監視装置で用いられるニューラルネットワークの構成を示す図であり、図４は本実施形態の異常検知装置による診断方法のフローチャートである。
【００２０】
本実施形態の異常検知装置では、製油所や工場等におけるプラント、装置、配管等の漏洩や回転機の不具合などを監視して異常を報知する。
【００２１】
本実施形態の異常検知装置は、図２に示すように、製油所の各所の音響を検出する検出手段として音響センサ部１０と、音響センサ部１０から伝送された音響信号を処理する演算手段として音響信号処理部２０とから構成されている。
【００２２】
音響センサ部１０には、プラントの運転音を常時監視するための防爆マイクロフォン１２が設けられている。防爆マイクロフォン１２は、製油所の随所に配置されている。防爆マイクロフォン１２の音響信号は、信号レシーバー１４により受信される。信号レシーバー１４は、複数の防爆マイクロフォン１２からの音響信号を切り換えるためのＣＨ（チャネル）切替器１６と、ＣＨ切替器１６により切り替えられた音響信号をデジタル信号に変換するＡ／Ｄ変換器１８により構成されている。
【００２３】
音響信号処理部２０は、音響センサ部１０からの音響信号を処理することにより異常音を識別し、プラント、装置等の稼働状態が正常であるか否かを判断する。音響信号処理部２０における異常音の識別にはニューラルネットワーク（ＮＮ）のモデルを使用する。ニューラルネットワーク（ＮＮ）作成にはＰＣのＣＰＵ負荷が大きくかかるので、音響信号処理部２０は、異常音の診断を行うための異常音診断用ＰＣ２２と、ニューラルネットワーク（ＮＮ）を作成するためのＮＮ作成用ＰＣ２４とに分けられ、モデル情報が共有できるシステムとなっている。
【００２４】
異常音診断用ＰＣ２２による判定結果は報知手段により作業員に報知される。報知手段としては、異常音診断用ＰＣ２２の画面にその旨を表示することにより報知するようにしてもよいし、音や光等による警報信号を発することにより報知するようにしてもよいし、作業員への電子メールを送信することにより報知するようにしてもよいし、これらの方法を組み合わせてもよい。
【００２５】
音響センサ部１０の信号レシーバー１４と、音響信号処理部２０の異常音診断用ＰＣ２２と、ＮＮ作成用ＰＣ２４とは、ＬＡＮにより相互に接続されている。
【００２６】
図３は、本実施形態の異常検知装置におけるニューラルネットワーク（ＮＮ）モデルの構造である。
【００２７】
ニューラルネットワーク（ＮＮ）モデルとしては、誤差逆伝播学習型が広く使用されている。これは学習済みのデータ群の識別を高精度に行うことができるが、学習データが大きく異なる場合には出力データを予測することが困難となる欠点がある。この理由から、本実施形態では、より高い信号特徴抽出性能が期待できるラジアルベース関数型を使用する。これは誤差逆伝播学習型に似た構造の階層型フィードフォワードネットワークであるが、入力層と中間層の間で中間層関数であるポテンシャル関数の最適化演算が行われること、上記演算に基づいて中間層ユニット数の調整が行われること、結合ウエイトの変更は中間層と出力層の間のみで行われることなどが特徴である。
【００２８】
本実施形態のニューラルネットワークモデルでは、図３に示すように、入力データ（Ｘ１、…、Ｘｎ）に対する平均ベクトルとの偏差をベクトル距離として計算し、これに重みをつけて判定するアルゴリズムである。平均ベクトルは、モデル作成データから生成され、ベクトル距離が小さいものは平均ベクトルと似たパターンである。階層型のニューラルネットワークモデルは、ラジアルベーシックファンクションネットワークのように、入力層からの出力はベクトル距離が０に近いほど大きくなる。
【００２９】
本実施形態における機械学習のイメージは、前述したとおり、図１（ｂ）に示すように、ある期間に学習用データを収集し、判定モデルを作成し、判定開始当初はこの判定モデルを用いて診断する。そして、一定期間の間でプラントが正常に稼動した場合に、その時点での検出データによる入力ベクトルを、図３に示すニューラルネットワークの中間層に加えて、ニューラルネットワークのモデルを更新する。その後は、更新したモデルを用いてプラントの状態を診断する。
【００３０】
プラント、装置等が正常に稼働している時点での検出データによる入力ベクトルを、平均ベクトルの学習に用いるのではなく、図３に示すニューラルネットワークの中間層に加えて、ニューラルネットワークのモデルを更新するので、短時間で更新でき、必要に応じて随時更新することができる。
【００３１】
ニューラルネットワークのモデル更新の時期としては、プラント、装置等での運転条件等が変化したために、本当は正常であるのに異常と誤って判定されてしまう誤報が発生した時期か、そのような誤報が発生する可能性が高くなったと推測される時期が望ましい。
【００３２】
本実施形態の異常検知装置による診断方法について図４を用いて説明する。図４は本実施形態の異常検知装置による診断方法を示すフローチャートである。
【００３３】
当初は、ある期間に収集した学習用データにより学習したニューラルネットワークの初期モデルを用いて異常音の監視を行い（ステップＳ１０）、判定値ａ１を得る（ステップＳ１１）。判定値ａ１は、完全に正常であれば「０」となり、完全に異常であれば「１」となる。実際には、判定値ａ１は「０」と「１」の間の値となるので、しきい値ｂの値を定め、判定値ａ１がしきい値ｂより大きいか否かによりプラント、装置等の稼働状態の異常・正常を判断する。しきい値ｂを例えば「０．２」とする。
【００３４】
次に、ステップＳ１２において判定値ａ１がしきい値ｂより大きいか否か判断する。判定の結果、ａ１＞ｂではない、すなわち、ａ１≦ｂであれば、プラント、装置等の稼働状態は「正常」と診断される（ステップＳ１３）。
【００３５】
ステップＳ１２の判定の結果、ａ１＞ｂであれば、プラント、装置等の稼働状態は異常であると判断されたことになる。しかし、本実施形態では直ちに「異常」と診断するのではなく、次のような処理を行う。
【００３６】
本実施形態では、プラント、装置等の監視が始まったときから、正常と判断された検出データを所定の間隔、例えば、１週間に１回の頻度で保存して蓄積しておく。ステップＳ１２において「異常」と判断されると、蓄積した正常音データの中から最近のデータ、例えば、その月の最初のデータを選定する（ステップＳ１４）。
【００３７】
そして、ニューラルネットワークのモデルに、選定した正常音データを加えて新たなモデルを作成する（ステップＳ１５）。正常音データによる入力ベクトルを、図３に示すニューラルネットワークの中間層に加えて、ニューラルネットワークのモデルを仮に更新する。
【００３８】
次に、正常音データを加えて新たに作成したニューラルネットワークのモデルを用いて、「異常」と判断された音響信号についての判定を再度行い、判定値ａ２を得る（ステップＳ１６）。
【００３９】
次に、ステップＳ１７において判定値ａ２がしきい値ｂより大きいか否か判断する。判断の結果、ａ２＞ｂであれば、直近の正常音データを加えたモデルにおいても異常と判断されたのであるから、ステップＳ１８において最終的に「異常」と診断される。
【００４０】
ステップＳ１７の判定の結果、ａ２＞ｂでなければ、すなわち、ａ１≦ｂであれば、プラント、装置等の稼働状態を「正常」と診断すると共に、仮に作成した新たなモデルにニューラルネットワークを更新する（ステップＳ１９）。そして、その後は、更新した新たなモデルを用いてプラント、装置等の稼働状態を監視する。
【００４１】
本実施形態の異常検知装置によるプラント、装置等の異常音診断の実例について説明する。
【００４２】
図５は、製油所に設置された防爆マイクロフォン１２により収集した音響データのＦＦＴスペクトルを示す。横軸は周波数（Ｈｚ）であり、５０Ｈｚ〜２０ｋＨｚまである。縦軸は音圧（ｄＢ）である。
【００４３】
図５では、２００２年９月から２００３年２月までの半年間について各月の正常データと、その比較のために２００３年３月２６日に異常と判定されたデータとをプロットした。図５からわかるように、製油所内の正常音のパターンはほとんど変わらず、そのスペクトルでのばらつきは１０ｄＢ程度であった。
【００４４】
図６は、音響信号のＦＦＴスペクトルから求めたオーバーオールの音圧（ｄＢ）の変動を示す。音圧は９０ｄＢ付近で変化も小さく、特に２００２年１２月から２００３年２月にかけては略９０ｄＢと一定であった。プロットした６点の平均は９０．３ｄＢであり、最大が９３．２ｄＢ、最小が８７．８ｄＢであった。
【００４５】
一方、異常と判定された２００３年３月２６日の音響信号の音圧は９６．０ｄＢと大きく変化していた（図示せず）。
【００４６】
２００２年９月６日の正常データを基準に各ＦＦＴパターンのベクトル距離を求めた。正常データに対するベクトル距離は平均で７,６８８であり、最大で１０,００２であった。
【００４７】
これに対し、２００３年３月２６日の異常データのベクトル距離は４１,５４５と正常データによりベクトル距離の平均の５．４倍であった。正常データのベクトル距離の最大は正常平均の１．３倍であったので、ベクトル距離により正常と異常を識別できる。
【００４８】
このように、ニューラルネットワークモデルで正常と判定されたデータはベクトル距離が近く、ＦＦＴパターンが似ていることから、限られた期間であれば生データが平均ベクトルとして使用できることがわかった。
【００４９】
製油所において、２０００年１０月に異常判定が連続した。そのときの判定値を、図７の初期モデルの欄に示す。ニューラルネットワークの初期モデル作成のための学習では正常の判定値が「０」、異常の判定値が「１」となるように実施した。図７に示すように、これらの期間では判定値が０．４７以上の値となり異常と判定された。
【００５０】
しかし、作業員により調べたところ、このときの製油所は正常に稼動していた。このときのニューラルネットワークの初期モデルに対し、２０００年１０月４日における正常稼働時のデータを追加して再度判定値を求めた。そのときの判定値を、図７の中間層追加モデルの欄に示す。０．４７以上であった判定値が０．００１〜０．００４と大きく変化して正常レベルとなった。
【００５１】
以上の通り、本実施形態によれば、ニューラルネットワークの再学習の時間が不要であり、監視対象の状態自体の変化に応じて、ニューラルネットワークのモデルを随時更新して、誤報を少なくすることができる。また、人間は聞き分けることはできない長期間にわたるプラントの音の変化をニューラルネットワークのモデルに随時取り込むことができる。更に、監視対象の状態自体の変化には随時対応することができるので、ニューラルネットワークの初期モデルの作成には典型的な正常パターンだけを学習すれば良く、初期モデルの学習データの収集期間を短くすることができる。
【００５２】
［変形実施形態］
本発明は上記実施形態に限らず種々の変形が可能である。
【００５３】
例えば、上記実施形態では、製油所の稼働状態の監視に本発明を適用したが、製油所以外の、石油化学プラント等のプラントや、発電所等の監視に本発明を適用してもよい。
【００５４】
上記実施形態では、ニューラルネットワークモデルとしてはラジアルベース関数型を使用したが、他のニューラルネットワークモデル、例えば、シグモイド関数型等のニューラルネットワークモデルでもよい。
【図面の簡単な説明】
【００５５】
【図１】本願発明の原理の説明図である。
【図２】本発明の一実施形態による異常管理装置の構成を示す図である。
【図３】本発明の一実施形態による異常管理装置で用いるニューラルネットワークの構成を示す図である。
【図４】本発明の一実施形態による異常管理装置による診断方法のフローチャートである。
【図５】製油所内の防爆マイクロフォンにより収集した音響信号のＦＦＴスペクトルを示すグラフである。
【図６】製油所内の防爆マイクロフォンにより収集した音響信号のＦＦＴスペクトルから求めたオーバーオールの音圧の変動を示すグラフである。
【図７】製油所における誤報時の初期モデルでの判定値と更新モデルでの判定値を比較して示す図である。
【符号の説明】
【００５６】
１０…音響センサ部
２０…音響信号処理部
１２…防爆マイクロフォン
１４…信号レシーバー
１６…ＣＨ（チャネル）切替器
１８…Ａ／Ｄ変換器
２２…異常音診断用ＰＣ
２４…ＮＮ作成用ＰＣ
【特許請求の範囲】
【請求項１】
監視対象に設けられた検出手段と、前記検出手段からの検出データに基づいてニューラルネットワークにより前記監視対象の状態を診断する演算手段とを有する異常検知装置であって、
前記演算手段は、
所定のモデル作成データを用いて前記ニューラルネットワークのモデルを形成し、
前記ニューラルネットワークのモデルを用い、検出データに基づいて前記監視対象の状態を診断し、
所定時点での検出データによる入力ベクトルを中間層として加えて、前記ニューラルネットワークのモデルを更新し、
更新後は、前記ニューラルネットワークの更新したモデルを用いて前記監視対象の状態を診断する
ことを特徴とする異常検知装置。
【請求項２】
請求項１記載の異常検知装置において、
前記所定時点での検出データは、前記監視対象が正常に稼働しているときの検出データであることを特徴とする異常検知装置。
【請求項３】
請求項１記載の異常検知装置において、
前記所定時点での検出データは、前記監視対象が正常に稼働しているのに、前記演算手段により異常であると診断されたときの検出データであることを特徴とする異常検知装置。
【請求項４】
請求項１記載の異常検知装置において、
前記演算手段は、
正常と判定された検出データを定期的に蓄積しておき、
前記監視対象が異常であると判定された場合には、蓄積された直近の検出データにより前記ニューラルネットワークのモデルを仮に更新し、
仮に更新した前記ニューラルネットワークのモデルを用いて前記監視対象の状態を診断し、正常であると判定された場合には前記ニューラルネットワークのモデルを更新する
ことを特徴とする異常検知装置。
【請求項５】
請求項１乃至４のいずれか１項に記載の異常検知装置において、
前記診断手段による診断結果を報知する報知手段を更に有することを特徴とする異常検知装置。
【請求項６】
請求項１乃至５のいずれか１項に記載の異常検知装置において、
前記監視対象は、プラントであり、前記検出手段は、前記プラントが発する音を検出することを特徴とする異常検知装置。
【請求項１】
監視対象に設けられた検出手段と、前記検出手段からの検出データに基づいてニューラルネットワークにより前記監視対象の状態を診断する演算手段とを有する異常検知装置であって、
前記演算手段は、
所定のモデル作成データを用いて前記ニューラルネットワークのモデルを形成し、
前記ニューラルネットワークのモデルを用い、検出データに基づいて前記監視対象の状態を診断し、
所定時点での検出データによる入力ベクトルを中間層として加えて、前記ニューラルネットワークのモデルを更新し、
更新後は、前記ニューラルネットワークの更新したモデルを用いて前記監視対象の状態を診断する
ことを特徴とする異常検知装置。
【請求項２】
請求項１記載の異常検知装置において、
前記所定時点での検出データは、前記監視対象が正常に稼働しているときの検出データであることを特徴とする異常検知装置。
【請求項３】
請求項１記載の異常検知装置において、
前記所定時点での検出データは、前記監視対象が正常に稼働しているのに、前記演算手段により異常であると診断されたときの検出データであることを特徴とする異常検知装置。
【請求項４】
請求項１記載の異常検知装置において、
前記演算手段は、
正常と判定された検出データを定期的に蓄積しておき、
前記監視対象が異常であると判定された場合には、蓄積された直近の検出データにより前記ニューラルネットワークのモデルを仮に更新し、
仮に更新した前記ニューラルネットワークのモデルを用いて前記監視対象の状態を診断し、正常であると判定された場合には前記ニューラルネットワークのモデルを更新する
ことを特徴とする異常検知装置。
【請求項５】
請求項１乃至４のいずれか１項に記載の異常検知装置において、
前記診断手段による診断結果を報知する報知手段を更に有することを特徴とする異常検知装置。
【請求項６】
請求項１乃至５のいずれか１項に記載の異常検知装置において、
前記監視対象は、プラントであり、前記検出手段は、前記プラントが発する音を検出することを特徴とする異常検知装置。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【公開番号】特開２００６−１６３５１７（Ｐ２００６−１６３５１７Ａ）
【公開日】平成１８年６月２２日（２００６．６．２２）
【国際特許分類】
【出願番号】特願２００４−３５０１１０（Ｐ２００４−３５０１１０）
【出願日】平成１６年１２月２日（２００４．１２．２）
【新規性喪失の例外の表示】特許法第３０条第１項適用申請有り 平成１６年６月３日 財団法人石油産業活性化センター主催の「第１８回 技術開発研究成果発表会」において文書をもって発表
【出願人】（５９００００４５５）財団法人石油産業活性化センター (249)
【出願人】（３０４００３８６０）株式会社ジャパンエナジー (344)
【Ｆターム（参考）】
【公開日】平成１８年６月２２日（２００６．６．２２）
【国際特許分類】
【出願日】平成１６年１２月２日（２００４．１２．２）
【新規性喪失の例外の表示】特許法第３０条第１項適用申請有り 平成１６年６月３日 財団法人石油産業活性化センター主催の「第１８回 技術開発研究成果発表会」において文書をもって発表
【出願人】（５９００００４５５）財団法人石油産業活性化センター (249)
【出願人】（３０４００３８６０）株式会社ジャパンエナジー (344)
【Ｆターム（参考）】
[ Back to top ]