JP2019185422A - 故障予知方法、故障予知装置および故障予知プログラム - Google Patents

Abstract

【課題】機械設備の故障予知精度を向上させる故障予知システムを提供する。【解決手段】抽出部１１ｂは、機械機械１００の複数のセンサＳのセンサデータのうち、正常状態分、異常状態分、および、任意の評価時における評価分を抽出する。第１生成部１１ｃは、正常状態分を用いた機械学習によってセンサ間の相関性をモデル化した正常モデルを生成する。第２生成部１１ｄは、正常モデルを基に、異常状態分を用いた転移学習によって異常パターンをモデル化した異常分類モデルを生成する。評価部１１ｅは、評価分を正常モデルへ入力することによって機械設備の正常状態からの乖離度を評価する。判定部１１ｆは、乖離度に基づいて機械設備に故障予兆ありと判定される場合に、上記評価分を異常分類モデルへ入力することによって得られる出力値に基づいて異常パターンを判定する。報知部１１ｇは、異常パターンを含む判定工程の判定結果を報知する。【選択図】図２

Description

開示の実施形態は、故障予知方法、故障予知装置および故障予知プログラムに関する。

従来、機械設備につき、機械設備に設けられたセンサのセンサ値を監視することで故障予兆を検出することにより、故障の発生を予知する技術が知られている（たとえば、特許文献１参照）。

また、従来、機械設備につき、過去の介入操作実績に基づく機械学習を実行することで介入操作を行う条件を含むルール情報を生成し、かかるルール情報と現在の機械設備の状況とに基づいて行うべき介入操作を決定して、指示する技術が知られている（たとえば、特許文献２参照）。前述のルール情報は、いわゆる予測モデルに対応する。

ここで、特許文献２に開示の技術を特許文献１に開示の技術に応用し、たとえば故障発生時においてセンサが示すセンサ値を機械学習することで、予測モデルによる故障予知が可能になると考えられる。

特開２０１１−２３０６３４号公報 特開２０１７−０４９８０１号公報

しかしながら、上述した従来技術には、機械設備の故障予知精度を向上させるうえで、さらなる改善の余地がある。

具体的には、予測モデルを生成する最初の段階で、すべての故障の状況を示す機械学習用データを収集し、網羅することは事実上困難である。特に、機械設備が、たとえば大型冷凍機やプラントといった大型メカトロニクス機械である場合には、設けられているセンサの数は膨大であるため、より困難と言える。

また、仮にデータが収集できて機械学習を実行し、予測モデルが生成できたとしても、実際の運用データにやはり未知のパターンが存在してしまえば、かかる未知のパターンにより誤検知が生じ、故障の真因に対しての対策を打てなくなるおそれがある。

実施形態の一態様は、上記に鑑みてなされたものであって、機械設備の故障予知精度を向上させることができる故障予知方法、故障予知装置および故障予知プログラムを提供することを目的とする。

実施形態の一態様に係る故障予知方法は、抽出工程と、第１生成工程と、第２生成工程と、評価工程と、判定工程と、報知工程とを含む。前記抽出工程は、機械設備に設けられた複数のセンサのセンサデータのうち、前記機械設備の正常稼働時における正常状態分、異常発生時における異常状態分、および、任意の評価時における評価分を抽出する。前記第１生成工程は、前記正常状態分を用いた機械学習を実行することによって、前記正常稼働時における前記センサ間の相関性をモデル化した正常モデルを生成する。前記第２生成工程は、前記正常モデルを基に、前記異常状態分を用いた転移学習を実行することによって、前記異常発生時における異常パターンをモデル化した異常分類モデルを生成する。前記評価工程は、前記評価分を前記正常モデルへ入力することによって得られる該正常モデルの出力値に基づいて前記機械設備の正常状態からの乖離度を評価する。前記判定工程は、前記乖離度に基づいて前記機械設備に故障予兆ありと判定される場合に、前記評価分を前記異常分類モデルへ入力することによって得られる該異常分類モデルの出力値に基づいて前記異常パターンを判定する。前記報知工程は、前記異常パターンを含む前記判定工程の判定結果を報知する。

実施形態の一態様によれば、機械設備の故障予知精度を向上させることができる。

図１Ａは、実施形態に係る故障予知方法の概要説明図（その１）である。 図１Ｂは、実施形態に係る故障予知方法の概要説明図（その２）である。 図１Ｃは、実施形態に係る故障予知方法の概要説明図（その３）である。 図１Ｄは、実施形態に係る故障予知方法の概要説明図（その４）である。 図１Ｅは、実施形態に係る故障予知方法の概要説明図（その５）である。 図２は、実施形態に係る故障予知システムのブロック図である。 図３Ａは、相関スコアの説明図（その１）である。 図３Ｂは、相関スコアの説明図（その２）である。 図４Ａは、実施形態に係る故障予知装置による異常判別結果の具体例を示す図（その１）である。 図４Ｂは、実施形態に係る故障予知装置による異常判別結果の具体例を示す図（その２）である。 図４Ｃは、実施形態に係る故障予知装置による異常判別結果の具体例を示す図（その３）である。 図４Ｄは、実施形態に係る故障予知装置による異常判別結果の具体例を示す図（その４）である。 図４Ｅは、実施形態に係る故障予知装置による異常判別結果の具体例を示す図（その５）である。 図４Ｆは、実施形態に係る故障予知装置による異常判別結果の具体例を示す図（その６）である。 図５Ａは、故障予知装置が実行する処理手順を示すフローチャート（その１）である。 図５Ｂは、故障予知装置が実行する処理手順を示すフローチャート（その２）である。 図６は、故障予知装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。

以下、添付図面を参照して、本願の開示する故障予知方法、故障予知装置および故障予知プログラムの実施形態を詳細に説明する。なお、以下に示す実施形態によりこの発明が限定されるものではない。

また、以下では、故障予兆判定の対象となる機械設備を「対象機械１００」と記載する。なお、対象機械１００は、発電所プラントなどの大型メカトロニクス機械であるものとする。

まず、本実施形態に係る故障予知方法の概要について、図１Ａ〜図１Ｅを参照して説明する。図１Ａ〜図１Ｅは、実施形態に係る故障予知方法の概要説明図（その１）〜（その５）である。

図１Ａに示すように、対象機械１００は、センサＳ−１〜Ｓ−ｎのセンサ群を備える。そして、本実施形態に係る故障予知方法は、かかるセンサ群からのセンサデータに基づき、センサＳ−１〜Ｓ−ｎ間の相関性を把握し、かかる相関性の変化に基づいて対象機械１００全体の挙動の変化を把握するものである。

具体的には、図１Ｂに示すように、本実施形態に係る故障予知方法では、「正常状態分」の相関性を示す各センサＳ−１〜Ｓ−ｎのセンサデータを用いて機械学習を実行し（ステップＳ１）、正常モデル１２ｄを生成する。なお、本実施形態では、図１Ｂに正常モデル１２ｄをオートエンコーダとして図示するように、機械学習のアルゴリズムとしてディープラーニングを用いる。ディープラーニングについては公知のため、詳細な説明は省略する。

ここで、「正常状態分」とは、対象機械１００が運用初期段階などにおいて正常状態にあった所定期間（以下、「正常期間」と言う場合がある）の各センサデータに基づく分を指す。かかる正常状態分のセンサデータ間の相関性に基づいて生成される正常モデル１２ｄにより、言わば対象機械１００の正常状態をモデル化することができる。

そして、本実施形態に係る故障予知方法では、図１Ｂに示すように、かかる正常モデル１２ｄに対し、「評価分」の相関性を示す各センサＳ−１〜Ｓ−ｎのセンサデータを入力し、その結果得られる正常モデル１２ｄの出力値（回帰値）から相関のズレ量を算出する。そして、かかる相関のズレ量に基づき、正常状態からの乖離度を評価する（ステップＳ２）。

かかる正常状態からの乖離度が大きければ、故障予兆を示すとして、対象機械１００の故障を予知することができる。なお、ここで「評価分」とは、たとえば対象機械１００から出力されるリアルタイムデータに基づく分を指す。

このように、本実施形態に係る故障予知方法では、対象機械１００全体の挙動をセンサＳ−１〜Ｓ−ｎ間の相関性によって把握し、その挙動の変化は、正常状態の相関性をモデル化した正常モデル１２ｄの出力値により得ることができる。そして、かかる出力値に基づく正常状態からの乖離度の大きさにより、対象機械１００の故障を予知する。たとえば、正常状態からの乖離度が故障予兆ありを示す所定の判定閾値以上であれば、管理者に対し異常を通知する。

したがって、本実施形態に係る故障予知方法によれば、たとえば故障発生時のセンサデータに基づく機械学習により生成される予測モデルを用いた故障予知方法であれば必要となってくる、すべての故障現象のモデル化の実施などといった煩雑な工程は不要となる。すなわち、本実施形態に係る故障予知方法によれば、対象機械１００の故障予兆を簡便に捉えることが可能となる。

なお、本実施形態に係る故障予知方法では、図１Ａに示すように、各センサデータの時間変動、すなわち時系列の相関性を特徴ベクトル（以下、単に「ベクトル」と言う）に含めた機械学習を行い、センサデータの時間変動に現れる故障の予兆を把握可能にしている。これにより、対象機械１００の故障予兆を精度よく捉えることができる。

そしてさらに、本実施形態に係る故障予知方法では、正常状態の相関性をモデル化した正常モデル１２ｄだけでなく、過去の異常発生時のセンサデータに基づいて、異常発生時における異常パターンをモデル化した異常分類モデル１２ｅをあわせて用いることによって、異常の種類まで判別することとした。

具体的には、図１Ｃに示すように、本実施形態に係る故障予知方法では、「異常状態分」の相関性を示す各センサＳ−１〜Ｓ−ｎのセンサデータに基づいて、異常分類モデル１２ｅを生成する。

ここで、「異常状態分」とは、過去の各種の異常発生時における各センサデータに基づく分を指し、図中に示すように、たとえば「○○の異常」や「○×の異常」といった過去の異常記録のパターンごとでラベル付けされ、分類クラスが設定されている（図中の「カテゴリＩＤ」参照）。かかる異常状態分のセンサデータに基づいて生成される異常分類モデル１２ｅにより、言わば対象機械１００の異常発生時における異常パターンをモデル化することができる。

また、本実施形態に係る故障予知方法では、かかる異常分類モデル１２ｅを、学習済みの正常モデル１２ｄを用いた転移学習を実行することによって生成する（ステップＳ３）。転移学習、すなわち、正常モデル１２ｄにおける隠れ層を転用した機械学習を実行することによって、異常分類モデル１２ｅを高速かつ高精度に生成することが可能となる。

そして、このように生成された異常分類モデル１２ｅに対し、本実施形態に係る故障予知方法では、図１Ｄに示すように、たとえば正常モデル１２ｄに基づいて故障予兆を示すとして判定された高乖離度の「評価分」のセンサデータを入力する。

そして、その結果得られる異常分類モデル１２ｅの出力値、たとえば図中に示す「カテゴリＩＤ」および「相関スコア」に基づいて、異常の種類を判別するとともに（ステップＳ４）、新たな事象を追加学習する（ステップＳ５）。

新たな事象は、たとえば相関スコアが低い、言い換えれば、学習済みの異常パターンに対する類似度が小さいものに対応し、かかる新たな事象に新たな異常の分類クラスを設定した追加学習を行うことによって、異常分類モデル１２ｅの精度をより向上させることができる。

なお、追加学習が必要か否かは、たとえば相関スコアなどに応じてシステムが自動的に判定してもよいし、対象機械１００の管理者やオペレータなど、人の知見により判断されてもよい。ステップＳ４，Ｓ５に関する具体的な内容については、図３Ａ〜図４Ｆを用いた説明で後述する。

これにより、本実施形態に係る故障予知方法によれば、単に正常か異常かだけでなく、異常、すなわち対象機械１００に故障予兆があるとして判定される場合に、何が要因かまでを推定することができる。

そして、本実施形態に係る故障予知方法では、かかる推定結果を含む内容を、図１Ｅに示すように、たとえば対象機械１００の管理者に対するメールサービス等により通知する。かかる通知には、今回の異常に類似する「過去事例」や、「相関スコア」を含むことができる。

対象機械１００の管理者は、かかる通知の内容を確認することによって、対象機械１００の故障予兆を事前に把握できるにとどまらず、必要となるメンテナンスの内容や、人員および部品の手配、修理、交換などを迅速に施すことが可能となり、対象機械１００が突発的に故障したり、異常停止したりするのを防止することができる。すなわち、本実施形態に係る故障予知方法によれば、対象機械１００の保守性ひいては信頼性を向上させることができる。

以下、上述した故障予知方法を適用した故障予知システム１の構成について、さらに具体的に説明する。

図２は、本実施形態に係る故障予知システム１のブロック図である。なお、図２では、本実施形態の特徴を説明するために必要な構成要素を機能ブロックで表しており、一般的な構成要素についての記載を省略している。

換言すれば、図２に図示される各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。たとえば、各機能ブロックの分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況等に応じて、任意の単位で機能的または物理的に分散・統合して構成することが可能である。

なお、図２を用いた説明では、これまでに既に述べた構成要素については、説明を簡略化するか、省略する場合がある。

図２に示すように、故障予知システム１は、故障予知装置１０と、対象機械１００とを備える。故障予知装置１０と、対象機械１００とは、ネットワーク接続されて通信可能に設けられ、故障予知装置１０は、対象機械１００からのセンサデータを適宜収集可能に設けられている。

故障予知装置１０は、制御部１１と、記憶部１２とを備える。制御部１１は、収集部１１ａと、抽出部１１ｂと、第１生成部１１ｃと、第２生成部１１ｄと、評価部１１ｅと、判定部１１ｆと、報知部１１ｇと、更新部１１ｈとを備える。

記憶部１２は、ハードディスクドライブやデータフラッシュ、不揮発性メモリ、レジスタといった記憶デバイスであって、収集データ１２ａと、正常学習用データセット１２ｂと、異常学習用データセット１２ｃと、正常モデル１２ｄと、異常分類モデル１２ｅと、評価用データセット１２ｆと、評価情報１２ｇと、過去履歴データ１２ｈと、追加学習用データセット１２ｉとを記憶する。

制御部１１は、故障予知装置１０の全体制御を行う。収集部１１ａは、対象機械１００のセンサ群からのセンサデータを所定の周期で収集して、収集データ１２ａへ格納する。収集する所定の周期は、経年変化等による故障予兆を示す緩やかな挙動の変化を検知するうえでは、１５分〜１時間程度であってもよい。

抽出部１１ｂは、運用初回時に設定される正常期間に基づき、収集データ１２ａから正常状態分のデータセットを抽出し、正常学習用データセット１２ｂへ格納する。また、抽出部１１ｂは、収集データ１２ａから過去の異常状態分のデータセットを抽出し、異常学習用データセット１２ｃへ格納する。

また、抽出部１１ｂは、収集データ１２ａから評価分のデータセットを抽出し、評価用データセット１２ｆへ格納する。

第１生成部１１ｃは、正常学習用データセット１２ｂを用いた機械学習を実行して、正常モデル１２ｄを生成する。第２生成部１１ｄは、正常モデル１２ｄおよび異常学習用データセット１２ｃを用いた転移学習を実行して、異常分類モデル１２ｅを生成する。

評価部１１ｅは、抽出部１１ｂによって抽出された評価用データセット１２ｆを正常モデル１２ｄへ入力し、正常モデル１２ｄによる出力結果を受け取る。そして、評価部１１ｅは、受け取った出力結果に基づいて故障予兆を判定するための各種評価値を算出し、評価情報１２ｇへ格納する。評価値は、正常状態からの乖離度や、寄与率を含む。

具体的には、評価部１１ｅは、評価用データセット１２ｆを正常モデル１２ｄへ入力したときの入力と出力の誤差、すなわち相関のズレ量に基づいて正常状態からの乖離度を算出し、評価情報１２ｇへ格納する。

また、評価部１１ｅは、正常モデル１２ｄから各センサＳ−１〜Ｓ−ｎの寄与度を取得し、たとえば、式「寄与率ｉ＝寄与度ｉ／Σ寄与度ｉ」によって各センサＳ−１〜Ｓ−ｎごとの寄与率を算出する。また、評価部１１ｅは、算出した寄与率を評価情報１２ｇへ格納する。

判定部１１ｆは、評価情報１２ｇを参照して、正常状態からの乖離度が所定の判定閾値以上である場合に、故障予兆ありと判定し、かかる判定結果を評価部１１ｅへ通知する。評価部１１ｅは、判定部１１ｆから故障予兆ありとの判定結果を受け取った場合に、故障予兆ありの該当データを異常分類モデル１２ｅへ入力して、異常分類モデル１２ｅによる出力結果、すなわち前述のカテゴリＩＤおよび相関スコアを受け取り、評価情報１２ｇへ格納する。

そして、判定部１１ｆは、評価情報１２ｇを参照し、該当データの乖離度、寄与率、カテゴリＩＤおよび相関スコアを報知部１１ｇへ通知して、報知部１１ｇに報知させる。また、判定部１１ｆは、かかる該当データに関する履歴情報を過去履歴データ１２ｈへ格納する。

また、判定部１１ｆは、該当データの相関スコアに基づいて、前述の追加学習の要否を判定し、追加学習が必要であると判定される場合に、該当データにラベル付けして新たな分類クラスを設定し、追加学習用データセット１２ｉへ格納する。

ここで、図３Ａおよび図３Ｂを用いて、追加学習の要否の判定の指標となる相関スコアについて説明する。図３Ａおよび図３Ｂは、相関スコアの説明図（その１）および（その２）である。

図３Ａに示すように、過去の異常記録から、事象＃１，＃２が機械学習され、異常分類モデル１２ｅが生成されたものとする。かかる場合、異常分類モデル１２ｅは、特徴量Ａ，Ｂに基づく２次元の特徴量のベクトル空間において、事象＃１，＃２を識別することとなるが、ここに未知の事象＃３が入力された場合、同図に示すように、かかる「未学習の事象＃３について、異常分類モデル１２ｅは、事象＃１か事象＃２かを出力する」こととなる。仮に、事象＃３は、事象＃１に識別されるものとする。

このとき、図３Ｂに示すように、異常分類モデル１２ｅが、事象＃１の標本点群と事象＃３の標本点との距離に相当する相関スコアを出力することによって、事象＃３の事象＃１との類似度を推し量ることができる。相関スコアは、０〜１の値をとり、値が小さいほど類似度は低く、値が大きいほど類似度は高い。

したがって、たとえば未知の事象＃３について、異常分類モデル１２ｅにより、事象＃１に対応するカテゴリＩＤ「００１」が出力されたものの、その相関スコアがきわめて低い（たとえば０である）場合、判定部１１ｆは、新たな異常を示す新しい事象であるとして、追加学習要と判定することができる。一方、相関スコアが高い（たとえば０．８以上である）場合、判定部１１ｆは、既知の事象であるとして、追加学習不要と判定することができる。

なお、相関スコアが、きわめて低くもなく高くもないグレーゾーンにある場合、追加学習の要否を人の知見による判断に委ねてもよい。かかる場合、判定部１１ｆは、報知部１１ｇを介して、管理者やオペレータ等が携帯する携帯情報端末などの外部装置へ、故障予兆ありである旨と、その異常分類結果および相関スコアを報知させ、その応答操作に基づいて追加学習の要否を判定してもよい。応答操作は、外部装置の表示部に、たとえば「未知の事象の可能性があります（相関スコア：０．５）。追加学習しますか？」とのガイダンスを表示させ、それに対する「はい」または「いいえ」を入力させるものであってもよい。

また、相関スコアがグレーゾーンにある場合であっても、かかるグレーゾーンに予め細かく閾値を設定しておき、かかる閾値に基づいて自動的に、判定部１１ｆが追加学習の要否を判定してもよい。

図２の説明に戻り、つづいて報知部１１ｇについて説明する。報知部１１ｇは、判定部１１ｆから該当データの乖離度、寄与率、カテゴリＩＤおよび相関スコアの通知を受け付けた場合に、かかる通知および過去履歴データ１２ｈに基づき、たとえば図１Ｅに示したような報知情報を生成し、外部装置へ報知する。

更新部１１ｈは、追加学習用データセット１２ｉを用いて異常分類モデル１２ｅを更新する。

次に、本実施形態に係る故障予知装置１０による異常判別結果の具体例について、図４Ａ〜図４Ｆを用いて説明する。図４Ａ〜図４Ｆは、本実施形態に係る故障予知装置１０による異常判別結果の具体例を示す図（その１）〜（その６）である。

まず、図４Ａに示すように、故障予知装置１０の過去の運用期間中において、正常状態からの乖離度が所定の判定閾値Ｔｈ１を超える、「事象＃１」〜「事象＃５」が発生していたものとする。そして、かかる「事象＃１」〜「事象＃５」それぞれの異常が順にカテゴリＩＤ「００１」〜「００５」で分類されたうえで、異常状態分として機械学習が実行され、異常分類モデル１２ｅが生成されたものとする。

このような異常分類モデル１２ｅに対し、「事象＃１」〜「事象＃５」それぞれの異常データを評価分として入力した場合、異常分類モデル１２ｅが出力する「カテゴリＩＤ」および「相関スコア」は、図４Ｂに示すようなものになる。

すなわち、図４Ｂに示すように、異常分類モデル１２ｅは、「事象＃１」にはカテゴリＩＤ「００１」を、「事象＃２」にはカテゴリＩＤ「００２」を、「事象＃３」にはカテゴリＩＤ「００３」を、「事象＃４」にはカテゴリＩＤ「００４」を、「事象＃５」にはカテゴリＩＤ「００５」を、それぞれ出力する。

また、異常分類モデル１２ｅは、「相関スコア」については、「事象＃１」〜「事象＃５」のいずれにおいても概ね「０．８」以上の高い値を出力することとなる。

ここで、図４Ｃに示すように、図４Ａよりも時系列的に後である運用期間中において、正常状態からの乖離度が判定閾値Ｔｈ１を超える、「事象＃６」〜「事象＃１０」が発生したものとする。なお、これら「事象＃６」〜「事象＃１０」は、正常状態からの乖離度から見ればそれぞれ異なる態様で観察されるが、すべて同じ分類クラス（たとえば、カテゴリＩＤ「００３」）に分類される異常であったものとする。このように、実際の運用上では、同じ異常が、同じような正常状態からの解離度で観察されるとは限らないことがよくある。

かかる「事象＃６」〜「事象＃１０」それぞれの異常データを、図４Ａの異常分類モデル１２ｅに対して評価分として入力し、異常分類モデル１２ｅが、図４Ｄに示す「カテゴリＩＤ」および「相関スコア」を出力したものとする。

すなわち、図４Ｄに示すように、異常分類モデル１２ｅは、「事象＃６」〜「事象＃１０」のそれぞれにつき、カテゴリＩＤ「００３」を出力し、かかる内容が報知されることによって、管理者やオペレータは、これらがいずれもカテゴリＩＤ「００３」で分類される異常であることを確認することができる。

ただし、「相関スコア」は、「事象＃６」および「事象＃１０」については、概ね「０．８」以上の高い値であるが、「事象＃７」〜「事象＃９」については、「０．６」〜「０．８」の間の値であり、「事象＃６」および「事象＃１０」に比べて相対的にやや低い。

したがって、このような場合、前述したように同じ異常が同じような正常状態からの解離度で観察されるとは限らない、といった点を踏まえれば、異なる異常が似たような振る舞いの相関スコアで観察される可能性もあることから、人の知見により追加学習の要否を判断させてもよい。

すなわち、図４Ｄに示す例の場合、「事象＃７」〜「事象＃９」についての報知時には、前述したように、外部装置の表示部に「未知の事象の可能性があります（相関スコア：０．６〜０．８）。追加学習しますか？」とのガイダンスを表示させ、その内容を確認した管理者やオペレータからの応答操作に基づいて、判定部１１ｆが追加学習の要否を判定してもよい。

次に、図４Ｅに示すように、図４Ａの「事象＃１」〜「事象＃５」に基づいて、まず「事象＃１を学習」した異常分類モデル１２ｅで「事象＃１，＃２を評価」し、つづいて「事象＃２を追加学習」した異常分類モデル１２ｅで「事象＃３を評価」し、…の順で事象＃４まで追加学習を繰り返し、「事象＃５を評価」まで行ったものとする。

この場合に、「事象＃１」〜「事象＃５」それぞれの異常データを順に評価分として入力した際に、異常分類モデル１２ｅがそれぞれ出力する「カテゴリＩＤ」および「相関スコア」は、図４Ｆに示すようなものになる。

すなわち、図４Ｆに示すように、「事象＃１」については、学習済みの既知のデータであるため、異常分類モデル１２ｅは、カテゴリＩＤ「００１」および「０．８」以上の高い「相関スコア」を出力する。

これに対し、「事象＃２」〜「事象＃５」それぞれの評価時には、「事象＃２」〜「事象＃５」はそれぞれ未知のデータであるため、異常分類モデル１２ｅは、それぞれ既知のカテゴリＩＤを出力する。

このとき、「事象＃２」〜「事象＃４」の場合のように、相関スコアが明らかに低ければ、判定部１１ｆは、それぞれ「事象＃２」〜「事象＃４」を追加学習要と判定することができる。一方、「事象＃５」の場合のように、相関スコアがほぼ「０．６」〜「０．８」と、既知のデータ（ここでは、カテゴリＩＤ「００４」）とある程度の類似性を示しているようであれば、前述のようにガイダンス等を表示させることによって、人の知見に判断を委ねることが好ましい。

次に、故障予知装置１０が実行する処理手順について、図５Ａおよび図５Ｂを用いて説明する。図５Ａおよび図５Ｂは、故障予知装置１０が実行する処理手順を示すフローチャート（その１）および（その２）である。

図５Ａに示すように、まず制御部１１が、運用初回であるか否かを判定する（ステップＳ１０１）。ここで、運用初回である場合（ステップＳ１０１，Ｙｅｓ）、つづいて制御部１１は、正常期間を設定する（ステップＳ１０２）。正常期間は、たとえば「○月×日から３０日間」などがシステム上設定される。

つづいて、第１生成部１１ｃが、抽出部１１ｂによって抽出された正常学習用データセット１２ｂ、すなわち正常期間分の正常データから機械学習により正常モデル１２ｄを生成する（ステップＳ１０３）。

つづいて、第２生成部１１ｄが、抽出部１１ｂによって抽出された異常学習用データセット１２ｃ、すなわち過去の異常データにラベルを付け、分類クラスを設定する（ステップＳ１０４）。そして、第２生成部１１ｄは、分類クラスを設定した過去の異常データから、正常モデル１２ｄを基にした転移学習により、異常分類モデル１２ｅを生成する（ステップＳ１０５）。

なお、ステップＳ１０１で運用初回でない場合（ステップＳ１０１，Ｎｏ）、ステップＳ１０６へ制御を移す。

つづいて、図５Ｂに示すように、評価部１１ｅが、抽出部１１ｂによって抽出された評価用データセット１２ｆ、すなわち評価データを入力とした正常モデル１２ｄの出力値に基づいて正常状態からの乖離度を算出する（ステップＳ１０６）。

そして、判定部１１ｆが、評価部１１ｅにより算出された乖離度が所定の判定閾値Ｔｈ１以上であるか否かを判定する（ステップＳ１０７）。ここで、乖離度が判定閾値Ｔｈ１以上である場合（ステップＳ１０７，Ｙｅｓ）、報知部１１ｇが、故障予兆ありを報知する（ステップＳ１０８）。

一方、乖離度が判定閾値Ｔｈ１未満である場合（ステップＳ１０７，Ｎｏ）、判定部１１ｆが、故障予兆なしと判定し（ステップＳ１０９）、処理を終了する。

また、ステップＳ１０８につづいては、評価部１１ｅが、該当データを異常分類モデル１２ｅへ入力し、異常分類結果および相関スコアを導出する（ステップＳ１１０）。そして、判定部１１ｆが、評価部１１ｅにより導出された相関スコアが所定の判定閾値以上であるか否かを判定する（ステップＳ１１１）。

ここで、相関スコアが判定閾値以上である場合（ステップＳ１１１，Ｙｅｓ）、報知部１１ｇが、異常分類結果および相関スコアを報知して（ステップＳ１１２）、処理を終了する。

一方、相関スコアが判定閾値未満である場合（ステップＳ１１１，Ｎｏ）、判定部１１ｆが、追加学習の要否を判定する（ステップＳ１１３）。ここで、追加学習要と判定される場合（ステップＳ１１３，Ｙｅｓ）、判定部１１ｆは、該当データにラベル付けして新たな分類クラスを追加する（ステップＳ１１４）。

そして、更新部１１ｈが、判定部１１ｆによって追加学習用データセット１２ｉへ格納された該当データから異常分類モデル１２ｅを更新して（ステップＳ１１５）、処理を終了する。なお、追加学習不要と判定される場合は（ステップＳ１１３，Ｎｏ）、そのまま処理を終了する。

ところで、上述してきた実施形態に係る故障予知装置１０は、たとえば図６に示すような構成のコンピュータ６０によって実現される。図６は、故障予知装置１０の機能を実現するコンピュータの一例を示すハードウェア構成図である。コンピュータ６０は、ＣＰＵ（Central Processing Unit）６１、ＲＡＭ（Random Access Memory）６２、ＲＯＭ（Read Only Memory）６３、ＨＤＤ（Hard Disk Drive）６４、通信インタフェース（Ｉ／Ｆ）６５、入出力インタフェース（Ｉ／Ｆ）６６、およびメディアインタフェース（Ｉ／Ｆ）６７を備える。

ＣＰＵ６１は、ＲＯＭ６３またはＨＤＤ６４に格納されたプログラムに基づいて動作し、各部の制御を行う。ＲＯＭ６３は、コンピュータ６０の起動時にＣＰＵ６１によって実行されるブートプログラムや、コンピュータ６０のハードウェアに依存するプログラム等を格納する。

ＨＤＤ６４は、ＣＰＵ６１によって実行されるプログラムおよび当該プログラムによって使用されるデータ等を格納する。通信インタフェース６５は、通信ネットワークを介して他の機器からデータを受信してＣＰＵ６１へ送り、ＣＰＵ６１が生成したデータを、通信ネットワークを介して他の機器へ送信する。

ＣＰＵ６１は、入出力インタフェース６６を介して、ディスプレイやプリンタ等の出力装置、および、キーボードやマウス等の入力装置を制御する。ＣＰＵ６１は、入出力インタフェース６６を介して、入力装置からデータを取得する。また、ＣＰＵ６１は、生成したデータを、入出力インタフェース６６を介して出力装置へ出力する。

メディアインタフェース６７は、記録媒体６８に格納されたプログラムまたはデータを読み取り、ＲＡＭ６２を介してＣＰＵ６１に提供する。ＣＰＵ６１は、当該プログラムを、メディアインタフェース６７を介して記録媒体６８からＲＡＭ６２上にロードし、ロードしたプログラムを実行する。記録媒体６８は、たとえばＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。

たとえば、コンピュータ６０が実施形態に係る故障予知装置１０として機能する場合、コンピュータ６０のＣＰＵ６１は、ＲＡＭ６２上にロードされたプログラムを実行することにより、制御部１１の各機能を実現する。また、ＨＤＤ６４には、記憶部１２内のデータが記憶される。コンピュータ６０のＣＰＵ６１は、これらのプログラムを、記録媒体６８から読み取って実行するが、他の例として、他の装置から、通信ネットワークを介してこれらのプログラムを取得してもよい。

上述してきたように、実施形態に係る故障予知装置１０は、抽出部１１ｂと、第１生成部１１ｃと、第２生成部１１ｄと、評価部１１ｅと、判定部１１ｆと、報知部１１ｇとを備える。

抽出部１１ｂは、対象機械１００（「機械設備」の一例に相当）に設けられた複数のセンサＳ−１〜Ｓ−ｎのセンサデータのうち、対象機械１００の正常稼働時における正常状態分、異常発生時における異常状態分、および、任意の評価時における評価分を抽出する。

第１生成部１１ｃは、正常状態分を用いた機械学習を実行することによって、正常稼働時におけるセンサＳ−１〜Ｓ−ｎ間の相関性をモデル化した正常モデル１２ｄを生成する。第２生成部１１ｄは、正常モデル１２ｄを基に、異常状態分を用いた転移学習を実行することによって、異常発生時における異常パターンをモデル化した異常分類モデル１２ｅを生成する。

評価部１１ｅは、評価分を正常モデル１２ｄへ入力することによって得られる正常モデル１２ｄの出力値に基づいて対象機械１００の正常状態からの乖離度を評価する。

判定部１１ｆは、上記乖離度に基づいて対象機械１００に故障予兆ありと判定される場合に、評価分を異常分類モデル１２ｅへ入力することによって得られる異常分類モデル１２ｅの出力値に基づいて異常パターンを判定する。報知部１１ｇは、異常パターンを含む判定部１１ｆの判定結果を報知する。

したがって、本実施形態に係る故障予知装置１０によれば、対象機械１００の故障予知精度を向上させることができる。

ところで、上述した実施形態では、故障予兆ありと判定された場合に、少なくとも外部装置へ報知する場合を例に挙げたが、これに限らなくともよい。たとえば、判定部１１ｆが、故障予兆ありと判定されたもののうち、重要であるか否かによって報知の要否を判定することとしてもよい。重要であるか否かは、たとえば異常パターンを示すカテゴリＩＤによって区別されてもよい。また、予め重要でない異常パターンを判別する判別モデルを機械学習によって生成しておき、故障予兆ありと判定された評価分をかかる判別モデルへ入力することによって、出力値として、報知が必要な重要な異常パターンであるか／報知が不要な重要でない異常パターンであるかを得ることとしてもよい。

また、上述した実施形態では、機械学習のアルゴリズムとしてディープラーニングを用いるものとしたが、用いるアルゴリズムを限定するものではない。したがって、ＳＶＭ（Support Vector Machine）のようなパターン識別器を用いたサポートベクタ回帰等の回帰分析手法により機械学習を実行し、正常モデル１２ｄや異常分類モデル１２ｅを生成してもよい。また、ここで、パターン識別器はＳＶＭに限らず、たとえばアダブースト（AdaBoost）などであってもよい。また、ランダムフォレストなどを用いてもよい。

さらなる効果や変形例は、当業者によって容易に導き出すことができる。このため、本発明のより広範な態様は、以上のように表しかつ記述した特定の詳細および代表的な実施形態に限定されるものではない。したがって、添付の特許請求の範囲およびその均等物によって定義される総括的な発明の概念の精神または範囲から逸脱することなく、様々な変更が可能である。

１ 故障予知システム
１０ 故障予知装置
１１ 制御部
１１ａ 収集部
１１ｂ 抽出部
１１ｃ 第１生成部
１１ｄ 第２生成部
１１ｅ 評価部
１１ｆ 判定部
１１ｇ 報知部
１１ｈ 更新部
１２ 記憶部
１２ａ 収集データ
１２ｂ 正常学習用データセット
１２ｃ 異常学習用データセット
１２ｄ 正常モデル
１２ｅ 異常分類モデル
１２ｆ 評価用データセット
１２ｇ 評価情報
１２ｈ 過去履歴データ
１２ｉ 追加学習用データセット
１００ 対象機械
Ｓ−１〜Ｓ−ｎ センサ

Claims (8)

1. 機械設備に設けられた複数のセンサのセンサデータのうち、前記機械設備の正常稼働時における正常状態分、異常発生時における異常状態分、および、任意の評価時における評価分を抽出する抽出工程と、
   前記正常状態分を用いた機械学習を実行することによって、前記正常稼働時における前記センサ間の相関性をモデル化した正常モデルを生成する第１生成工程と、
   前記正常モデルを基に、前記異常状態分を用いた転移学習を実行することによって、前記異常発生時における異常パターンをモデル化した異常分類モデルを生成する第２生成工程と、
   前記評価分を前記正常モデルへ入力することによって得られる該正常モデルの出力値に基づいて前記機械設備の正常状態からの乖離度を評価する評価工程と、
   前記乖離度に基づいて前記機械設備に故障予兆ありと判定される場合に、前記評価分を前記異常分類モデルへ入力することによって得られる該異常分類モデルの出力値に基づいて前記異常パターンを判定する判定工程と、
   前記異常パターンを含む前記判定工程の判定結果を報知する報知工程と
   を含むことを特徴とする故障予知方法。
2. 前記異常分類モデルの出力値に基づいて新たな前記異常パターンを示すと推定される前記評価分を追加学習分とした機械学習を実行することによって、前記異常分類モデルを更新する更新工程
   をさらに含むことを特徴とする請求項１に記載の故障予知方法。
3. 前記第２生成工程は、
   前記評価分が入力された場合に、前記異常パターンの識別子および該異常パターンに対する前記評価分の類似度が出力されるように前記異常分類モデルを生成し、
   前記判定工程は、
   前記報知工程に、前記類似度を含む前記判定結果を報知させる
   ことを特徴とする請求項２に記載の故障予知方法。
4. 前記判定工程は、
   前記類似度が所定の判定閾値未満である場合に、当該類似度に対応する前記評価分を前記追加学習分として、前記更新工程に前記異常分類モデルを更新させる
   ことを特徴とする請求項３に記載の故障予知方法。
5. 前記判定工程は、
   前記追加学習分により前記更新工程に前記異常分類モデルを更新させる前に、該更新させるか否かの応答操作を外部から受け付け可能となるように前記報知工程に報知させる
   ことを特徴とする請求項４に記載の故障予知方法。
6. 前記判定工程は、
   前記異常パターンに応じて前記報知工程による報知の要否を判定する
   ことを特徴とする請求項１〜５のいずれか一つに記載の故障予知方法。
7. 機械設備に設けられた複数のセンサのセンサデータのうち、前記機械設備の正常稼働時における正常状態分、異常発生時における異常状態分、および、任意の評価時における評価分を抽出する抽出部と、
   前記正常状態分を用いた機械学習を実行することによって、前記正常稼働時における前記センサ間の相関性をモデル化した正常モデルを生成する第１生成部と、
   前記正常モデルを基に、前記異常状態分を用いた転移学習を実行することによって、前記異常発生時における異常パターンをモデル化した異常分類モデルを生成する第２生成部と、
   前記評価分を前記正常モデルへ入力することによって得られる該正常モデルの出力値に基づいて前記機械設備の正常状態からの乖離度を評価する評価部と、
   前記乖離度に基づいて前記機械設備に故障予兆ありと判定される場合に、前記評価分を前記異常分類モデルへ入力することによって得られる該異常分類モデルの出力値に基づいて前記異常パターンを判定する判定部と、
   前記異常パターンを含む前記判定部の判定結果を報知する報知部と
   を備えることを特徴とする故障予知装置。
8. 機械設備に設けられた複数のセンサのセンサデータのうち、前記機械設備の正常稼働時における正常状態分、異常発生時における異常状態分、および、任意の評価時における評価分を抽出する抽出手順と、
   前記正常状態分を用いた機械学習を実行することによって、前記正常稼働時における前記センサ間の相関性をモデル化した正常モデルを生成する第１生成手順と、
   前記正常モデルを基に、前記異常状態分を用いた転移学習を実行することによって、前記異常発生時における異常パターンをモデル化した異常分類モデルを生成する第２生成手順と、
   前記評価分を前記正常モデルへ入力することによって得られる該正常モデルの出力値に基づいて前記機械設備の正常状態からの乖離度を評価する評価手順と、
   前記乖離度に基づいて前記機械設備に故障予兆ありと判定される場合に、前記評価分を前記異常分類モデルへ入力することによって得られる該異常分類モデルの出力値に基づいて前記異常パターンを判定する判定手順と、
   前記異常パターンを含む前記判定手順の判定結果を報知する報知手順と
   をコンピュータに実行させることを特徴とする故障予知プログラム。

Images