[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

WO2022091639A1 - 異常診断モデルの構築方法、異常診断方法、異常診断モデルの構築装置および異常診断装置 - Google Patents

異常診断モデルの構築方法、異常診断方法、異常診断モデルの構築装置および異常診断装置 Download PDF

Info

Publication number
WO2022091639A1
WO2022091639A1 PCT/JP2021/034596 JP2021034596W WO2022091639A1 WO 2022091639 A1 WO2022091639 A1 WO 2022091639A1 JP 2021034596 W JP2021034596 W JP 2021034596W WO 2022091639 A1 WO2022091639 A1 WO 2022091639A1
Authority
WO
WIPO (PCT)
Prior art keywords
model
abnormality
regression
regression model
abnormality diagnosis
Prior art date
Application number
PCT/JP2021/034596
Other languages
English (en)
French (fr)
Inventor
昌史 松下
丈英 平田
徹 熊野
Original Assignee
Ｊｆｅスチール株式会社
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 Ｊｆｅスチール株式会社 filed Critical Ｊｆｅスチール株式会社
Priority to JP2022500007A priority Critical patent/JP7248188B2/ja
Priority to EP21885758.9A priority patent/EP4239427A4/en
Priority to KR1020237012293A priority patent/KR20230066093A/ko
Priority to US18/031,656 priority patent/US20230384780A1/en
Priority to CN202180072111.1A priority patent/CN116348829A/zh
Publication of WO2022091639A1 publication Critical patent/WO2022091639A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0267—Fault communication, e.g. human machine interface [HMI]
    • G05B23/027—Alarm generation, e.g. communication protocol; Forms of alarm
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Definitions

  • the present invention relates to an abnormality diagnosis model construction method, an abnormality diagnosis method, an abnormality diagnosis model construction device, and an abnormality diagnosis device.
  • the model-based approach is an approach in which a model expressing a physical or chemical phenomenon in a manufacturing process is constructed by a mathematical formula, and the manufacturing state of the manufacturing process is diagnosed using the constructed model.
  • the database approach is an approach in which a statistical analysis model is constructed from the operation data obtained in the manufacturing process, and the manufacturing state of the manufacturing process is diagnosed using the constructed model.
  • Patent Documents 1 to 4 describe a method of predicting or detecting an abnormal state of a manufacturing process based on a prediction by a model created using normal operation data. Further, in Patent Documents 3 and 4, patterns are extracted from normal operation data and made into a library, and the difference between the acquired operation data and the library pattern is determined to detect a situation different from usual at an early stage. How to do it is described.
  • the diagnostic accuracy can be improved by classification only when there is a sufficient number of training samples (number of training data), and it is difficult to construct an appropriate abnormality diagnosis model for rare varieties with a small production ratio. .. Further, even when the abnormality diagnosis model can be constructed, there is a problem that the sensitivity of the abnormality diagnosis model to the actual abnormality is greatly varied due to the small number of learning samples.
  • the present invention has been made in view of the above, and is an appropriate classified abnormality diagnosis that ensures diagnostic accuracy even in a rare category with a small number of learning samples and has a small variation in sensitivity to an actual abnormality. It is an object of the present invention to provide an abnormality diagnosis model construction method, an abnormality diagnosis method, an abnormality diagnosis model construction device, and an abnormality diagnosis device capable of constructing a model.
  • the method for constructing an abnormality diagnosis model is a method for constructing an abnormality diagnosis model for diagnosing an abnormality in a process, and all of them are collected in advance at normal times.
  • a first regression model creation step for creating a first regression model in which the regression coefficient for an explanatory variable having a small influence on the objective variable is 0 using the operation data, and a plurality of predetermined operation data.
  • the explanatory variable candidate determination step for determining the explanatory variable candidates within the range of the explanatory variables used in the first regression model, and the operation data included in the category, for each of the categories, It includes a second regression model creation step of creating a second regression model such that the regression coefficient for the explanatory variable candidate having a small influence on the objective variable is 0.
  • the method for constructing the abnormality diagnosis model according to the present invention includes the variation index of the prediction error of the first regression model and the second for each category after the second regression model creation step.
  • the correction coefficient calculation step for calculating the correction coefficient which is the ratio to the variation index of the prediction error of the regression model, and the prediction error of the second regression model for each category are corrected by the correction coefficient. Further includes a sensitivity correction step to be performed.
  • the method for constructing the abnormality diagnosis model according to the present invention is the method for constructing the second regression model for each category constructed from the first training data set after the second regression model creation step in the above invention.
  • Correction coefficient which is the ratio of the prediction error variation index to the prediction error variation index of the second regression model for each category constructed from the second training data set different from the first training data set. Further includes a correction coefficient calculation step for each category, and a sensitivity correction step for correcting the prediction error of the second regression model for each category by the correction coefficient.
  • the plurality of categories include the product type, product size, operating conditions and operating pattern.
  • the first regression model creation step creates the first regression model by Lasso regression
  • the second regression model creation step creates the Lasso regression.
  • the abnormality diagnosis method is an abnormality diagnosis method using the abnormality diagnosis model constructed by the above-mentioned abnormality diagnosis model construction method, and is a diagnosis target. It includes an abnormality diagnosis step for calculating an abnormality index using a second regression model according to the classification of the operation data to be used, and an abnormality determination step for determining the presence or absence of an abnormality based on the abnormality index.
  • the abnormality diagnosis model construction device is an abnormality diagnosis model construction device for diagnosing process abnormalities, and all of them are collected in advance at normal times.
  • a first regression model creation means for creating a first regression model in which the regression coefficient for an explanatory variable having a small influence on the objective variable is 0 using the operation data, and a plurality of predetermined operation data. It is divided into categories, and for each category, the explanatory variable candidate determination means for determining the explanatory variable candidates within the range of the explanatory variables used in the first regression model and the operation data included in the category are used.
  • a second regression model creating means for creating a second regression model such that the regression coefficient for the explanatory variable candidate having a small influence on the objective variable becomes 0 is provided.
  • the abnormality diagnosis device is an abnormality diagnosis device using the abnormality diagnosis model constructed by the above-mentioned abnormality diagnosis model construction device, and is a diagnosis target. It is provided with an abnormality diagnosing means for calculating an abnormality index by using a second regression model according to the classification of the operation data, and an abnormality determining means for determining the presence or absence of an abnormality based on the abnormality index.
  • the explanatory variables within the range of the explanatory variables used in the regression model of all categories are used. Create a regression model for each segment.
  • FIG. 1 is a diagram showing a schematic configuration of an abnormality diagnosis device and a model building device according to an embodiment of the present invention.
  • FIG. 2 is a flowchart showing a procedure of a model building method executed by the model building apparatus according to the embodiment of the present invention.
  • FIG. 3 is a flowchart showing a procedure of an abnormality diagnosis method executed by the abnormality diagnosis apparatus according to the embodiment of the present invention.
  • model construction device the configuration of the abnormality diagnosis device and the abnormality diagnosis model construction device (hereinafter referred to as “model construction device”) according to the embodiment of the present invention will be described with reference to FIG.
  • the abnormality diagnosis device is for diagnosing a process abnormality in a plant or the like
  • the model construction device is for constructing a model for abnormality diagnosis.
  • the abnormality diagnosis device 1 includes an input unit 10, a storage unit 20, a calculation unit 30, and a display unit 40.
  • the "model construction device” is realized by the components excluding the diagnosis data history 24, the abnormality determination history 25, the abnormality diagnosis unit 37, and the abnormality determination unit 38 among the components of the abnormality diagnosis device 1.
  • the input unit 10 is an input means for the calculation unit 30, receives operation data (for example, sensor data) of the equipment to be diagnosed via the information / control system network, and inputs the operation data to the calculation unit 30 in a predetermined format.
  • operation data for example, sensor data
  • the storage unit 20 is composed of a recording medium such as an EPROM (Erasable Programmable ROM), a hard disk drive (Hard Disk Drive: HDD), and a removable medium.
  • a recording medium such as an EPROM (Erasable Programmable ROM), a hard disk drive (Hard Disk Drive: HDD), and a removable medium.
  • removable media include disc recording media such as USB (Universal Serial Bus) memory, CD (Compact Disc), DVD (Digital Versatile Disc), and BD (Blu-ray (registered trademark) Disc).
  • the storage unit 20 can store an operating system (Operating System: OS), various programs, various tables, various databases, and the like.
  • OS Operating System
  • the storage unit 20 stores the actual data history 21, the all-division model (first regression model) 22, the segmentation model (second regression model) 23, the diagnostic data history 24, and the abnormality determination history 25.
  • the actual data history 21 is information related to the operation data (actual data) collected by the system.
  • the all-division model 22 is a model created by the all-division model creation unit 32 based on the operation data.
  • the classification model 23 is a model created by the classification model creation unit 35 based on actual data.
  • the abnormality diagnosis in the abnormality diagnosis unit 37 is carried out using this classification model 23. Further, as the classification model 23, for example, a model that physically predicts the state quantity of the process and the like, a model that is statistically constructed, and the like can be mentioned.
  • the diagnosis data history 24 is information regarding the abnormality diagnosis result by the abnormality diagnosis unit 37.
  • the abnormality determination history 25 is information regarding the abnormality determination result by the abnormality determination unit 38.
  • the storage unit 20 also stores various settings and the like necessary for operating the system as needed.
  • the arithmetic unit 30 is realized by, for example, a processor including a CPU (Central Processing Unit) and a memory (main storage unit) including a RAM (Random Access Memory) and a ROM (Read Only Memory).
  • a processor including a CPU (Central Processing Unit) and a memory (main storage unit) including a RAM (Random Access Memory) and a ROM (Read Only Memory).
  • the arithmetic unit 30 loads the program into the work area of the main storage unit and executes it, and controls each component unit or the like through the execution of the program to realize a function that meets a predetermined purpose.
  • the calculation unit 30 includes an all-division learning data creation unit 31, an all-division model creation unit (first regression model creation means) 32, a modeling matrix creation unit 33, and a division learning data creation unit 34. Functions as. Further, through the execution of the above-mentioned program, the calculation unit 30 includes a classification model creation unit (second regression model creation means) 35, a classification model sensitivity correction unit 36, an abnormality diagnosis unit (abnormality diagnosis means) 37, and an abnormality determination.
  • FIG. 1 shows an example in which the functions of each part are realized by, for example, one computer, but the means for realizing the functions of each part is not particularly limited, and even if the functions of each part are realized by a plurality of computers, for example. good.
  • the all-division learning data creation unit 31 creates learning data for constructing the all-division model 22.
  • the all-division learning data creation unit 31 refers to the operation data necessary for model construction from the actual data history 21, normalizes it to a format suitable for learning data, and uses it as all-division learning data.
  • the all-division model creation unit 32 creates the all-division model 22 based on the all-division learning data created by the all-division learning data creation unit 31.
  • the all-division model creation unit 32 creates an all-division model 22 such that the regression coefficient for the explanatory variable having a small influence on the objective variable is 0 by using all the operation data in the normal state collected in advance. Then, the all-division model creation unit 32 stores the created all-division model 22 in the storage unit 20.
  • ⁇ is a hyperparameter that specifies the weights of the first term and the second term in the weighted sum, and can be searched by changing it within a fixed value or a predetermined range.
  • the demanding feature of the Lasso regression is derived by the second term of the above equation (1). That is, the regression coefficient ai , which has a small influence on the prediction error, has an effect of sparsification, which is positively set to 0. This effect makes it possible to extract the selection of explanatory variables and their degree of influence (impact coefficient) together.
  • the modeling matrix creation unit 33 creates data (modeling matrix) for defining the structure of the division model 23 described later based on the structure of the all division model 22 created by the all division model creation unit 32. .. Specifically, the modeling matrix creation unit 33 creates data related to “ ⁇ i ” in the equation (3) described later.
  • the segmented learning data creation unit 34 creates learning data for constructing the segmented model 23.
  • the division learning data creation unit 34 refers to the operation data necessary for model construction from the actual data history 21, and divides the operation data into a plurality of predetermined divisions. Examples of the plurality of categories include the type of product to be manufactured (steel type in the case of steel products), the model of the product, the size of the product, the operating conditions, the operating pattern, and the like.
  • the classification learning data creation unit 34 may perform classification based on product groups and the like that can be classified based on physical knowledge and the like.
  • the division model creation unit 35 creates the division model 23 based on the division learning data created by the division learning data creation unit 34 and the modeling matrix created by the modeling matrix creation unit 33.
  • the classification model creation unit 35 creates a classification model 23 such that the regression coefficient for the explanatory variable candidate having a small influence on the objective variable is 0 by using the operation data included in the above-mentioned classification. Then, the division model creation unit 35 stores the created division model 23 in the storage unit 20.
  • the division model creation unit 35 In the creation of the division model 23 by the division model creation unit 35, important explanatory variables are converted into the structure of the all division model 22 created by all division learning data having a large N number (number of training samples (learning data number)). Limit based on. Then, among the limited explanatory variables, the explanatory variables are selected and the regression coefficients are determined by the segmented learning data. That is, the division model creation unit 35 determines the explanatory variable candidates used in the division model 23 within the range of the explanatory variables used in the all division model 22. As a result, the prediction accuracy of the model can be ensured by reducing the number of variables to be determined even in the divided learning data having a small number of N.
  • the parameter search of the division model 23 by the division model creation unit 35 can be expressed by, for example, the following equation (2).
  • y is the objective variable
  • ⁇ i is a coefficient for setting the upper limit (explanatory variable candidate) of the explanatory variables obtained from the selection of the explanatory variables of the all-division model 22
  • wi is the division model 23.
  • the regression coefficient, xi is an explanatory variable.
  • the ⁇ i in the above equation (2) is 1 for the variable selected as the explanatory variable in the all-partition model 22, and 0 otherwise. ..
  • the regression model (second regression model) determined by the above equation (2) is further limited to the explanatory variables with the explanatory variables of the regression model (first regression model) determined by the above equation (1) as the upper limit. (In some cases, the same explanatory variable). Further, the regression coefficient (impact degree, impact coefficient) wi of the explanatory variable selected by the regression model determined by the above equation (2) is determined only from the segmented learning data.
  • the classification model sensitivity correction unit 36 corrects the sensitivity of the classification model 23 created by the classification model creation unit 35.
  • anomaly index a method of calculating the anomaly index using the distribution of the prediction error at the normal time is often used. ..
  • the distribution of the prediction error deviates from the true distribution due to the shortage of the number of N. It has the potential to do. This means that the sensitivity of the calculated anomaly index fluctuates.
  • the classification model sensitivity correction unit 36 corrects the sensitivity of the classification model 23 to unify the scale of the abnormality index among the classification models.
  • the classification model sensitivity correction unit 36 specifically, as shown in the following equation (4), has a correction coefficient. ⁇ is calculated for each division of the division model 23. This correction coefficient ⁇ is a ratio between the variation index of the prediction error of the all-division model 22 (for example, variance, standard deviation) and the variation index of the prediction error of the classification model 23.
  • the denominator is the variance of the prediction error of the classification model 22
  • the numerator is the variance of the prediction error of the classification model 23.
  • the same concept as in the above equation (4) can be applied even when the model sensitivity before and after the change is corrected.
  • the correction coefficient ⁇ can be calculated from the ratio in which the variation index of the prediction error of the past classification model 23 is used as the denominator and the variation index of the prediction error of the newly introduced classification model 23 is used as the numerator.
  • the first training data set and the second training data set are different training data sets.
  • the first learning data set is, for example, a learning data set used when constructing the past segmentation model 23, and the second learning data set is, for example, when constructing the newly introduced segmentation model 23. It is a training data set used for.
  • the classification model sensitivity correction unit 36 corrects the prediction error of the classification model 23 for each classification by the correction coefficient ⁇ .
  • the variation in sensitivity between the divisions can be varied by matching the scale of the abnormality index calculated by the division model 23 with the scale of the all-division model 22. It can be removed.
  • the abnormality diagnosis unit 37 calculates an abnormality index such as the degree of abnormality and the degree of deviation by using the classification model 23 according to the classification of the operation data to be diagnosed. For example, the abnormality diagnosis unit 37 inputs the operation data for diagnosis extracted from the actual data history 21 into the classification model 23, and the error (prediction error) between the predicted value by the classification model 23 and the corresponding measured value is large. Is calculated as an abnormality index. Then, the abnormality diagnosis unit 37 stores the calculated abnormality index in the storage unit 20 as the diagnosis data history 24.
  • an abnormality index such as the degree of abnormality and the degree of deviation by using the classification model 23 according to the classification of the operation data to be diagnosed. For example, the abnormality diagnosis unit 37 inputs the operation data for diagnosis extracted from the actual data history 21 into the classification model 23, and the error (prediction error) between the predicted value by the classification model 23 and the corresponding measured value is large. Is calculated as an abnormality index. Then, the abnormality diagnosis unit 37 stores the calculated abnormality index in the storage unit 20 as the diagnosis
  • the abnormality determination unit 38 determines the presence or absence of an abnormality based on the abnormality index calculated by the abnormality diagnosis unit 37. Then, the abnormality determination unit 38 stores the determination result in the storage unit 20 as the abnormality determination history 25. Further, the abnormality determination unit 38 outputs the determination result to the display unit 40.
  • the display unit 40 is realized by a display device such as an LCD display or a CRT display.
  • the display unit 40 gives guidance to the operator by displaying, for example, the diagnosis result in the abnormality diagnosis unit 37, the determination result in the abnormality determination unit 38, and the like based on the display signal input from the calculation unit 30.
  • Model construction method A model construction method using the model construction apparatus according to the embodiment of the present invention will be described with reference to FIG. The model construction method is carried out offline at any time.
  • the all-division learning data creation unit 31 creates all-division learning data based on the operation data stored in the actual data history 21 (step S1). Subsequently, the all-division model creation unit 32 creates the all-division model 22 by Lasso regression based on the all-division learning data (step S2).
  • the modeling matrix creation unit 33 creates a modeling matrix based on the structure of the all-division model 22 (step S3).
  • the segmented learning data creation unit 34 creates segmented learning data based on the operation data stored in the actual data history 21 (step S4).
  • the division model creation unit 35 creates the division model 23 by Lasso regression based on the division learning data and the modeling matrix (step S5).
  • the classification model sensitivity correction unit 36 calculates the correction coefficient ⁇ for correcting the prediction error of the classification model 23 by the above equation (4) (step S6). Subsequently, the classification model sensitivity correction unit 36 corrects the prediction error of the classification model 23 for each classification by the correction coefficient ⁇ (step S7), and ends this process.
  • the abnormality diagnosis unit 37 determines whether or not an event has occurred (step S11).
  • the occurrence of an event to be diagnosed is detected based on the operation data collected by the system. For example, when diagnosing the entire manufacturing process, the occurrence of an event can be detected by monitoring a flag signal or the like indicating the start or end of the manufacturing process.
  • the abnormality diagnosis unit 37 If it is determined that no event has occurred (No in step S11), the abnormality diagnosis unit 37 returns to step S11. On the other hand, when it is determined that an event has occurred (Yes in step S11), the abnormality diagnosis unit 37 starts the abnormality diagnosis (step S12), and obtains the actual data (operation data) to be diagnosed from the actual data history 21. Extract only the required amount (step S13). Subsequently, the abnormality diagnosis unit 37 performs an abnormality diagnosis by the classification model 23 (step S14).
  • the abnormality determination unit 38 determines the presence or absence of an abnormality based on the abnormality index calculated by the abnormality diagnosis unit 37 in step S14 (step S15).
  • the abnormality determination unit 38 provides guidance to the operator by displaying the determination result on the display unit 40 (step S16). Then, the abnormality determination unit 38 ends this process and transitions to the initial state of waiting for an event. If it is determined in step S15 that there is no abnormality (No in step S15), the abnormality determination unit 38 ends this process and transitions to the initial state of waiting for an event.
  • the classification model 23 is classified according to the type and physical characteristics of the target product.
  • the all-division model 22 is constructed from the learning samples of all the divisions.
  • the division model 23 is constructed based on the learning sample divided with the explanatory variable having a large influence as the upper limit.
  • the division model 23 is created using the explanatory variables within the range of the explanatory variables used in the all division model 22.
  • the abnormality diagnosis model construction method when the classification model 23 is constructed, the sensitivity is matched with that of the all division model 22. , The output of the classification model 23 is corrected by the correction coefficient ⁇ . In this way, by matching the scale of the anomaly index calculated by the classification model 23 with the scale of the all classification model 22, it is possible to eliminate the variation in sensitivity between the classifications.
  • the abnormality diagnosis model construction method, the abnormality diagnosis method, the abnormality diagnosis model construction device, and the abnormality diagnosis device 1 according to the embodiment have the same sensitivity as the past classification model 23 when updating the classification model 23.
  • the output of the newly mounted division model 23 is corrected by the correction coefficient ⁇ .
  • the sensitivity does not change due to the model update.
  • the method for constructing the abnormality diagnosis model, the method for diagnosing the abnormality, the apparatus for constructing the abnormality diagnosis model, and the abnormality diagnosis apparatus 1 according to the present invention have been specifically described with reference to the embodiments and examples for carrying out the invention.
  • the gist of the present invention is not limited to these statements, and must be broadly interpreted based on the statements of the claims. Needless to say, various changes, modifications, etc. based on these descriptions are also included in the gist of the present invention.
  • the calculation of the correction coefficient ⁇ and the sensitivity correction of the classification model 23 are performed by the classification model 23.
  • the correction coefficient ⁇ can be calculated and the sensitivity of the classification model 23 can be corrected.
  • Abnormality diagnosis device 10 Input unit 20 Storage unit 21 Actual data history 22 All-division model 23 Divisional model 24 Diagnosis data history 25 Abnormality judgment history 30 Calculation unit 31 All-division learning data creation unit 32 All-division model creation unit 33 Modeling matrix Creation unit 34 Divisional learning data creation unit 35 Divisional model creation unit 36 Divisional model sensitivity correction unit 37 Abnormality diagnosis unit 38 Abnormality judgment unit 40 Display unit

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Indicating And Signalling Devices For Elevators (AREA)

Abstract

異常診断モデルの構築方法は、全ての操業データを用いて、目的変数に対する影響度の小さい説明変数に関する回帰係数が０となるような第一の回帰モデルを作成する第一の回帰モデル作成ステップと、操業データを予め定めた複数の区分に分け、区分ごとに、第一の回帰モデルで使用された説明変数の範囲内において、説明変数候補を決定する説明変数候補決定ステップと、区分に含まれる操業データを用いて、目的変数に対する影響度の小さい説明変数候補に関する回帰係数が０となるような第二の回帰モデルを作成する第二の回帰モデル作成ステップと、を含む。

Description

異常診断モデルの構築方法、異常診断方法、異常診断モデルの構築装置および異常診断装置
　本発明は、異常診断モデルの構築方法、異常診断方法、異常診断モデルの構築装置および異常診断装置に関する。
　製造プロセスの製造状態、特に異常状態を診断する方法としては、モデルベースアプローチとデータベースアプローチとがある。モデルベースアプローチは、製造プロセスにおける物理的または化学的な現象を数式で表現したモデルを構築し、構築したモデルを用いて製造プロセスの製造状態を診断するアプローチである。一方、データベースアプローチは、製造プロセスで得られた操業データから統計解析的なモデルを構築し、構築したモデルを用いて製造プロセスの製造状態を診断するアプローチである。
　鉄鋼プロセスのような製造プロセスでは、一つの製造ラインで多品種、多サイズの製品が製造されるため、操業パターンが多数存在する。また、高炉のような製造プロセスでは、鉄鉱石やコークス等のような自然物を原材料として用いるために、製造プロセスのばらつきが大きい。このため、鉄鋼プロセスのような製造プロセスの製造状態を診断する場合、モデルベースアプローチのみによるアプローチでは限界がある。
　データベースアプローチとしては、過去の異常発生時の操業データをデータベース化して現在の操業データとの類似性を判定する診断方法や、逆に正常時の操業データをデータベース化して現在の操業データとの違いを判定する診断方法がある。ところが、鉄鋼プロセスのような製造プロセスでは、製造に用いられる設備点数が多い上に、特に日本のように老朽化が進んだ設備が多い場合、過去に前例のないトラブルが発生することが少なくない。このため、過去のトラブル事例をベースとする前者のような診断方法では異常状態の予知に限界がある。
　一方、後者の診断方法（正常時の操業データを用いた診断方法）としては、特許文献１～４に記載されているものがある。具体的には、特許文献１，２には、正常時の操業データを用いて作成されたモデルによる予測に基づき製造プロセスの異常状態を予知または検知する方法が記載されている。また、特許文献３，４には、正常時の操業データからパターンを抽出、ライブラリ化し、取得した操業データとライブラリ化されたパターンとの違いを判定することにより、いつもと違う状況を早期に検知する方法が記載されている。
国際公開第２０１３／０１１７４５号 特許第４９２２２６５号公報 特許第５６５１９９８号公報 特許第５４９９９００号公報
　鉄鋼の製造プロセス等では、多数のセンサによる計測値を扱える一方で、その多くは操業管理や機器制御を目的として計測されている。そのため、特許文献１～４のように、設備状態や異常の原因を直接示す計測値を、必ずしも十分に取得できるとは限らない。また、そのような異常の原因と一対一で対応する計測値があったとしても、それだけで全ての異常を網羅することは到底できない状況にある。
　一方で、近年のデータ収集、解析技術の発展により、ビッグデータと呼ばれるような大量のデータを取り扱う環境が整ってきている。前述の状況を鑑みると、大量のデータから網羅的に精度よく異常状況を検知し、異常に関連しているデータを提示、迅速な保全アクションに繋げていくことが、安定な操業を維持するために必要であるといえる。この場合、大量のデータは、必ずしも特許文献１～４のような異常の原因と一対一に対応するものではなく、そのため、多数のデータの微妙なふるまいの変化を検知する技術が必要となる。
　一方で、鉄鋼の製造プロセス等では、多品種の製品が複数の製造プロセスを経て製造されている。このような複雑なプロセスの異常診断においては、単一の異常診断モデルを全ての品種に適用できることはない。例えば、診断の精度を確保するために、品種や物理的特性等の製品情報でグループ分け（以下、「区分化」という）した診断モデルを適用することが通常となっている。
　しかしながら、区分化により診断精度を向上できるのは十分な学習標本数（学習データ数）がある場合に限られ、製造割合が小さい希少品種において、適切な異常診断モデルを構築することは困難である。また、異常診断モデルを構築できる場合においても、学習標本数が少ないことが原因となり、実際の異常に対する異常診断モデルの感度に大きなバラつきが出ることが問題となっていた。
　本発明は、上記に鑑みてなされたものであって、学習標本数の少ない希少区分においても診断精度を確保しつつ、かつ実際の異常への感度のばらつきが小さい適切な区分化された異常診断モデルを構築することができる異常診断モデルの構築方法、異常診断方法、異常診断モデルの構築装置および異常診断装置を提供することを目的とする。
　上述した課題を解決し、目的を達成するために、本発明に係る異常診断モデルの構築方法は、プロセスの異常を診断する異常診断モデルの構築方法であって、予め収集した正常時における全ての操業データを用いて、目的変数に対する影響度の小さい説明変数に関する回帰係数が０となるような第一の回帰モデルを作成する第一の回帰モデル作成ステップと、前記操業データを予め定めた複数の区分に分け、前記区分ごとに、前記第一の回帰モデルで使用された説明変数の範囲内において、説明変数候補を決定する説明変数候補決定ステップと、前記区分に含まれる操業データを用いて、目的変数に対する影響度の小さい説明変数候補に関する回帰係数が０となるような第二の回帰モデルを作成する第二の回帰モデル作成ステップと、を含む。
　また、本発明に係る異常診断モデルの構築方法は、上記発明において、前記第二の回帰モデル作成ステップの後に、前記第一の回帰モデルの予測誤差のばらつき指標と、前記区分ごとの前記第二の回帰モデルの予測誤差のばらつき指標との比である補正係数を、前記区分ごとに算出する補正係数算出ステップと、前記区分ごとの前記第二の回帰モデルの予測誤差を、前記補正係数によって補正する感度補正ステップと、を更に含む。
　また、本発明に係る異常診断モデルの構築方法は、上記発明において、前記第二の回帰モデル作成ステップの後に、第一の学習データセットから構築された前記区分ごとの前記第二の回帰モデルの予測誤差のばらつき指標と、前記第一の学習データセットとは異なる第二の学習データセットから構築された前記区分ごとの前記第二の回帰モデルの予測誤差のばらつき指標との比である補正係数を、前記区分ごとに算出する補正係数算出ステップと、前記区分ごとの前記第二の回帰モデルの予測誤差を、前記補正係数によって補正する感度補正ステップと、を更に含む。
　また、本発明に係る異常診断モデルの構築方法は、上記発明において、前記複数の区分が、製品の品種、製品のサイズ、操業条件および操業パターンを含む。
　また、本発明に係る異常診断モデルの構築方法は、上記発明において、前記第一の回帰モデル作成ステップが、Ｌａｓｓｏ回帰により、前記第一の回帰モデルを作成し、前記第二の回帰モデル作成ステップが、前記Ｌａｓｓｏ回帰により、前記第二の回帰モデルを作成する。
　上述した課題を解決し、目的を達成するために、本発明に係る異常診断方法は、上記の異常診断モデルの構築方法によって構築された異常診断モデルを用いた異常診断方法であって、診断対象となる操業データの区分に応じた第二の回帰モデルを用いて、異常指標を算出する異常診断ステップと、前記異常指標に基づいて、異常の有無を判定する異常判定ステップと、を含む。
　上述した課題を解決し、目的を達成するために、本発明に係る異常診断モデルの構築装置は、プロセスの異常を診断する異常診断モデルの構築装置であって、予め収集した正常時における全ての操業データを用いて、目的変数に対する影響度の小さい説明変数に関する回帰係数が０となるような第一の回帰モデルを作成する第一の回帰モデル作成手段と、前記操業データを予め定めた複数の区分に分け、前記区分ごとに、前記第一の回帰モデルで使用された説明変数の範囲内において、説明変数候補を決定する説明変数候補決定手段と、前記区分に含まれる操業データを用いて、目的変数に対する影響度の小さい説明変数候補に関する回帰係数が０となるような第二の回帰モデルを作成する第二の回帰モデル作成手段と、を備える。
　上述した課題を解決し、目的を達成するために、本発明に係る異常診断装置は、上記の異常診断モデルの構築装置によって構築された異常診断モデルを用いた異常診断装置であって、診断対象となる操業データの区分に応じた第二の回帰モデルを用いて、異常指標を算出する異常診断手段と、前記異常指標に基づいて、異常の有無を判定する異常判定手段と、を備える。
　本発明に係る異常診断モデルの構築方法、異常診断方法、異常診断モデルの構築装置および異常診断装置によれば、全区分の回帰モデルで使用された説明変数の範囲内の説明変数を用いて、区分ごとの回帰モデルを作成する。これにことにより、学習標本数の少ない希少区分においても診断精度を確保しつつ、かつ実際の異常への感度のばらつきが小さい適切な区分化された異常診断モデルを構築することができる。
図１は、本発明の実施形態に係る異常診断装置およびモデル構築装置の概略的な構成を示す図である。 図２は、本発明の実施形態に係るモデル構築装置が実行するモデル構築方法の手順を示すフローチャートである。 図３は、本発明の実施形態に係る異常診断装置が実行する異常診断方法の手順を示すフローチャートである。
　本発明の実施形態に係る異常診断モデルの構築方法、異常診断方法、異常診断モデルの構築装置および異常診断装置について、図面を参照しながら説明する。
〔異常診断装置／モデル構築装置〕
　まず、本発明の実施形態に係る異常診断装置および異常診断モデルの構築装置（以下、「モデル構築装置」という）の構成について、図１を参照しながら説明する。異常診断装置は、プラント等におけるプロセスの異常を診断するためのものであり、モデル構築装置は、異常診断のためのモデルを構築するためのものである。
　異常診断装置１は、入力部１０と、記憶部２０と、演算部３０と、表示部４０と、を備えている。なお、異常診断装置１の構成要素のうち、診断データ履歴２４、異常判定履歴２５、異常診断部３７および異常判定部３８を除いた構成要素により、「モデル構築装置」が実現される。
　入力部１０は、演算部３０に対する入力手段であり、診断対象設備の操業データ（例えばセンサデータ）を情報・制御系ネットワークを介して受信し、所定のフォーマットで演算部３０に入力する。
　記憶部２０は、ＥＰＲＯＭ（Erasable　Programmable　ROM）、ハードディスクドライブ（Hard　Disk　Drive：ＨＤＤ）およびリムーバブルメディア等の記録媒体から構成される。リムーバブルメディアとしては、例えばＵＳＢ（Universal　Serial　Bus）メモリ、ＣＤ（Compact　Disc）、ＤＶＤ（Digital　Versatile　Disc）、ＢＤ（Blu-ray（登録商標）　Disc）のようなディスク記録媒体が挙げられる。記憶部２０には、オペレーティングシステム（Operating　System：ＯＳ）、各種プログラム、各種テーブル、各種データベース等が格納可能である。
　記憶部２０には、実績データ履歴２１、全区分モデル（第一の回帰モデル）２２、区分化モデル（第二の回帰モデル）２３、診断データ履歴２４および異常判定履歴２５が格納されている。
　実績データ履歴２１は、システムで収集される操業データ（実績データ）に関する情報である。全区分モデル２２は、操業データに基づいて全区分モデル作成部３２によって作成されるモデルである。区分化モデル２３は、実績データに基づいて区分化モデル作成部３５によって作成されるモデルである。異常診断部３７における異常診断は、この区分化モデル２３を用いて実施される。また、区分化モデル２３としては、例えばプロセスの状態量等を物理的に予測するモデルや、統計的に構築されたモデル等が挙げられる。
　診断データ履歴２４は、異常診断部３７による異常診断結果に関する情報である。異常判定履歴２５は、異常判定部３８による異常判定結果に関する情報である。なお、記憶部２０は、これらの情報に加えて、システムの動作に必要な各種設定等も、必要に応じて保存する。
　演算部３０は、例えばＣＰＵ（Central　Processing　Unit）等からなるプロセッサと、ＲＡＭ（Random　Access　Memory）やＲＯＭ（Read　Only　Memory）等からなるメモリ（主記憶部）と、によって実現される。
　演算部３０は、プログラムを主記憶部の作業領域にロードして実行し、プログラムの実行を通じて各構成部等を制御することにより、所定の目的に合致した機能を実現する。演算部３０は、前記したプログラムの実行を通じて、全区分学習データ作成部３１、全区分モデル作成部（第一の回帰モデル作成手段）３２、モデル化マトリクス作成部３３および区分化学習データ作成部３４として機能する。また、演算部３０は、前記したプログラムの実行を通じて、区分化モデル作成部（第二の回帰モデル作成手段）３５、区分化モデル感度補正部３６、異常診断部（異常診断手段）３７および異常判定部（異常判定手段）３８として機能する。なお、図１では、例えば一つのコンピュータによって各部の機能を実現する例を示しているが、各部の機能の実現手段は特に限定されず、例えば複数のコンピュータによって各部の機能をそれぞれ実現してもよい。
　全区分学習データ作成部３１は、全区分モデル２２を構築するための学習データを作成する。全区分学習データ作成部３１は、実績データ履歴２１からモデル構築に必要な操業データを参照し、学習用データとして適したフォーマットに正規化し、全区分学習データとする。
　全区分モデル作成部３２は、全区分学習データ作成部３１によって作成された全区分学習データに基づいて、全区分モデル２２を作成する。全区分モデル作成部３２は、予め収集した正常時における全ての操業データを用いて、目的変数に対する影響度の小さい説明変数に関する回帰係数が０となるような全区分モデル２２を作成する。そして、全区分モデル作成部３２は、作成した全区分モデル２２を記憶部２０に保存する。
　ここで、本実施形態では、Ｌａｓｓｏ回帰によるスパース構造学習により、全区分モデル２２を構築する例について説明する。このＬａｓｓｏ回帰を用いることにより、大量のデータから重要な因子を抽出し、説明のつくモデルを作ることが可能となる。Ｌａｓｓｏ回帰では、目的変数をｙ、説明変数をｘｉ、回帰係数をａｉとする時、下記式（１）に示すように、予測誤差の二乗と回帰係数ａｉの絶対値の総和の加重和を最小化する回帰係数ａｉを決定する。
Figure JPOXMLDOC01-appb-M000001
　上記式（１）において、λは加重和における第１項と第２項の重みを指定するハイパーパラメータであり、固定値または所定の範囲内で変動させて探索することもできる。また、Ｌａｓｓｏ回帰の需要な特徴は、上記式（１）の第２項によって導かれる。すなわち、予測誤差への影響度が小さい回帰係数ａｉは、積極的に０とされる、スパース化の効果がある。この効果により、説明変数の選択とその影響度（影響係数）を合わせて抽出することが可能となる。
　モデル化マトリクス作成部３３は、全区分モデル作成部３２によって作成された全区分モデル２２の構造に基づいて、後記する区分化モデル２３の構造を定義するためのデータ（モデル化マトリクス）を作成する。モデル化マトリクス作成部３３は、具体的には、後記する式（３）の「γｉ」に関するデータを作成する。
　区分化学習データ作成部３４は、区分化モデル２３を構築するための学習データを作成する。区分化学習データ作成部３４は、実績データ履歴２１からモデル構築に必要な操業データを参照し、その操業データを、予め定めた複数の区分に分ける区分化を行う。複数の区分としては、例えば製造する製品の品種（鉄鋼製品の場合は鋼種）、製品の型式、製品のサイズ、操業条件および操業パターン等が挙げられる。区分化学習データ作成部３４は、前記した製品の品種等の他に、物理的な知見等から分類できる製品グループ等に基づいて、区分化を行ってもよい。
　区分化モデル作成部３５は、区分化学習データ作成部３４によって作成された区分化学習データおよびモデル化マトリクス作成部３３によって作成されたモデル化マトリクスに基づいて、区分化モデル２３を作成する。区分化モデル作成部３５は、前記した区分に含まれる操業データを用いて、目的変数に対する影響度の小さい説明変数候補に関する回帰係数が０となるような区分化モデル２３を作成する。そして、区分化モデル作成部３５は、作成した区分化モデル２３を記憶部２０に保存する。
　ここで、本実施形態では、全区分モデル２２と同様に、Ｌａｓｓｏ回帰によるスパース構造学習により、区分化モデル２３を構築する例について説明する。
　区分化モデル作成部３５による区分化モデル２３の作成では、重要な説明変数を、Ｎ数（学習標本数（学習データ数））の多い全区分学習データによって作成された全区分モデル２２の構造に基づいて限定する。そして、限定された説明変数の中で、区分化学習データによる説明変数の選択および回帰係数の決定を行う。すなわち、区分化モデル作成部３５は、全区分モデル２２で使用された説明変数の範囲内において、区分化モデル２３で使用する説明変数候補を決定する。これにより、Ｎ数の少ない区分化学習データにおいても、決定する変数の数を減らすことにより、モデルの予測精度を確保することができる。
　区分化モデル作成部３５による区分化モデル２３のパラメータ探索は、例えば下記式（２）のように示すことができる。
Figure JPOXMLDOC01-appb-M000002
　上記式（２）において、ｙは目的変数、γｉは全区分モデル２２の説明変数の選択から得られる、説明変数の上限（説明変数候補）を設定する係数、ｗｉは区分化モデル２３における回帰係数、ｘｉは説明変数、である。
　上記式（２）のγｉは、具体的には下記式（３）に示すように、全区分モデル２２で説明変数として選択された変数に対しては１となり、そうでない場合は０となる。
Figure JPOXMLDOC01-appb-M000003
　上記式（２）によって決定される回帰モデル（第二の回帰モデル）は、上記式（１）によって決定される回帰モデル（第一の回帰モデル）の説明変数を上限として、更に説明変数が限定された構造となる(場合によっては同じ説明変数ともなる)。また、上記式（２）によって決定される回帰モデルで選択された説明変数の回帰係数（影響度、影響係数）ｗｉは、区分化学習データのみから決定される。
　区分化モデル感度補正部３６は、区分化モデル作成部３５によって作成された区分化モデル２３の感度を補正する。ここで、回帰モデルの予測誤差の大きさを異常の尺度（以下、「異常指標」という）として用いる異常判定において、正常時の予測誤差の分布を用いて異常指標を算出する手法がしばしば用いられる。例えば、予測誤差の二乗と正常時の予測誤差の分散との比を異常指標とする方法等であり、この方法を用いることにより、異常指標に確率的な意味を付与することができる。
　一方で、本実施形態の対象となるようなＮ数（学習標本数（学習データ数））の少ない区分化モデル２３では、Ｎ数の不足が原因で、予測誤差の分布が真の分布から逸脱する可能性を秘めている。これは、算出される異常指標の感度が変動することを意味している。
　そこで、区分化モデル感度補正部３６は、区分化モデル２３の感度を補正することにより、異常指標の尺度を、各区分モデルの間で統一する。異常指標を予測誤差の二乗と正常時の予測誤差の分散との比で表す場合には、区分化モデル感度補正部３６は、具体的には、下記式（４）に示すように、補正係数βを、区分化モデル２３の区分ごとに算出する。この補正係数βは、全区分モデル２２の予測誤差のばらつき指標（例えば分散、標準偏差）と、区分化モデル２３の予測誤差のばらつき指標との比である。
Figure JPOXMLDOC01-appb-M000004
　上記式（４）において、分母は全区分モデル２２の予測誤差の分散であり、分子は区分化モデル２３の予測誤差の分散である。
　また、モデル構築用の学習データを変更する際等に、変更前後でのモデル感度を補正する場合においても、上記式（４）と同様の考え方を適用することができる。この場合、補正係数βは、過去の区分化モデル２３の予測誤差のばらつき指標を分母とし、新たに導入する区分化モデル２３の予測誤差のばらつき指標を分子とする比から算出することができる。
　すなわち、第一の学習データセット（区分化学習データ）から構築された区分化モデル２３の予測誤差のばらつき指標と、第二の学習データセットから構築された区分化モデル２３の予測誤差のばらつき指標との比から、区分ごとに補正係数βを算出する。第一の学習データセットと第二の学習データセットとは、それぞれ異なる学習データセットである。また、第一の学習データセットは、例えば過去の区分化モデル２３を構築する際に用いる学習データセットであり、第二の学習データセットは、例えば新たに導入する区分化モデル２３を構築する際に用いる学習データセットである。
　続いて、区分化モデル感度補正部３６は、区分ごとの区分化モデル２３の予測誤差を、補正係数βによって補正する。本実施形態では、事前に全区分モデル２２を構築しているため、区分化モデル２３によって算出される異常指標の尺度を、全区分モデル２２の尺度に合わせることにより、区分間における感度のばらつきを除去することが可能となる。
　異常診断部３７は、診断対象となる操業データの区分に応じた区分化モデル２３を用いて、異常度や逸脱度等の異常指標を算出する。異常診断部３７は、例えば実績データ履歴２１から抽出した診断用の操業データを区分化モデル２３に入力し、区分化モデル２３による予測値と、対応する計測値との誤差（予測誤差）の大きさを異常指標として算出する。そして、異常診断部３７は、算出した異常指標を、診断データ履歴２４として記憶部２０に保存する。
　異常判定部３８は、異常診断部３７によって算出された異常指標に基づいて、異常の有無を判定する。そして、異常判定部３８は、その判定結果を、異常判定履歴２５として記憶部２０に保存する。また、異常判定部３８は、判定結果を表示部４０に出力する。
　表示部４０は、例えばＬＣＤディスプレイ、ＣＲＴディスプレイ等の表示装置によって実現される。表示部４０は、演算部３０から入力される表示信号をもとに、例えば異常診断部３７における診断結果、異常判定部３８における判定結果、等を表示することにより、オペレータにガイダンスを行う。
〔モデル構築方法〕
　本発明の実施形態に係るモデル構築装置によるモデル構築方法について、図２を参照しながら説明する。モデル構築方法は、オフラインで任意のタイミングで実施される。
　まず、全区分学習データ作成部３１は、実績データ履歴２１に格納された操業データに基づいて、全区分学習データを作成する（ステップＳ１）。続いて、全区分モデル作成部３２は、全区分学習データに基づいて、Ｌａｓｓｏ回帰により全区分モデル２２を作成する（ステップＳ２）。
　続いて、モデル化マトリクス作成部３３は、全区分モデル２２の構造に基づいて、モデル化マトリクスを作成する（ステップＳ３）。続いて、区分化学習データ作成部３４は、実績データ履歴２１に格納された操業データに基づいて、区分化学習データを作成する（ステップＳ４）。続いて、区分化モデル作成部３５は、区分化学習データおよびモデル化マトリクスに基づいて、Ｌａｓｓｏ回帰により区分化モデル２３を作成する（ステップＳ５）。
　続いて、区分化モデル感度補正部３６は、上記式（４）によって、区分化モデル２３の予測誤差を補正するための補正係数βを算出する（ステップＳ６）。続いて、区分化モデル感度補正部３６は、区分ごとの区分化モデル２３の予測誤差を、補正係数βによって補正し（ステップＳ７）、本処理を終了する。
〔異常診断方法〕
　本発明の実施形態に係る異常診断装置１による異常診断方法について、図３を参照しながら説明する。異常診断方法は、操業中にオンラインで実施される。
　まず、異常診断部３７は、イベントが発生したか否かを判定する（ステップＳ１１）。ステップＳ１１では、システムで収集している操業データに基づいて、診断対象とするイベントの発生を検知する。例えば製造プロセス全体を診断する場合、製造プロセスの開始や終了を示すフラグ信号等を監視することにより、イベントの発生を検知することができる。
　イベントが発生していないと判定した場合（ステップＳ１１でＮｏ）、異常診断部３７はステップＳ１１に戻る。一方、イベントが発生したと判定した場合（ステップＳ１１でＹｅｓ）、異常診断部３７は、異常診断を開始し（ステップＳ１２）、実績データ履歴２１から診断対象となる実績データ（操業データ）を、必要な量だけ抽出する（ステップＳ１３）。続いて、異常診断部３７は、区分化モデル２３によって異常診断を行う（ステップＳ１４）。
　続いて、異常判定部３８は、ステップＳ１４において異常診断部３７が算出した異常指標に基づいて、異常の有無を判定する（ステップＳ１５）。異常ありと判定した場合（ステップＳ１５でＹｅｓ）、異常判定部３８は、その判定結果を表示部４０に表示することにより、オペレータへのガイダンスを行う（ステップＳ１６）。そして、異常判定部３８は、本処理を終了し、イベント待ちの初期状態へと遷移する。なお、ステップＳ１５において、異常なしと判定した場合（ステップＳ１５でＮｏ）、異常判定部３８は、本処理を終了し、イベント待ちの初期状態へと遷移する。
　以上説明した実施形態に係る異常診断モデルの構築方法、異常診断方法、異常診断モデルの構築装置および異常診断装置１では、対象とする製品の品種や物理的特性等で区分化した区分化モデル２３を構築する際に、以下のような処理を行う。まず、全区分の学習標本から全区分モデル２２を構築する。そして、全区分モデル２２において、影響度の大きい説明変数を上限として区分化した学習標本に基づいて区分化モデル２３を構築する。
　このように、全区分モデル２２で使用された説明変数の範囲内の説明変数を用いて、区分化モデル２３を作成する。これにより、学習標本数の少ない希少区分においても診断精度を確保しつつ、かつ実際の異常への感度のばらつきが小さい適切な区分化された異常診断モデルを構築することができる。
　また、実施形態に係る異常診断モデルの構築方法、異常診断方法、異常診断モデルの構築装置および異常診断装置１では、区分化モデル２３を構築した際に、全区分モデル２２と感度が合うように、区分化モデル２３の出力を補正係数βによって補正する。このように、区分化モデル２３によって算出される異常指標の尺度を、全区分モデル２２の尺度に合わせることにより、区分間における感度のばらつきを除去することができる。
　また、実施形態に係る異常診断モデルの構築方法、異常診断方法、異常診断モデルの構築装置および異常診断装置１では、区分化モデル２３を更新する際に、過去の区分化モデル２３と感度が合うように、新規に実装する区分化モデル２３の出力を、補正係数βによって補正する。このように、区分化モデル２３によって算出される異常指標の尺度を、モデル更新前後で合わせることにより、モデル更新による感度の変化が生じないようにする。これにより、警告閾値等の異常診断結果を用いたパラメータを変更することなく、利用することができる。
　以上、本発明に係る異常診断モデルの構築方法、異常診断方法、異常診断モデルの構築装置および異常診断装置１について、発明を実施するための形態および実施例により具体的に説明した。但し、本発明の趣旨はこれらの記載に限定されるものではなく、請求の範囲の記載に基づいて広く解釈されなければならない。また、これらの記載に基づいて種々変更、改変等したものも本発明の趣旨に含まれることはいうまでもない。
　例えば、実施形態に係る異常診断モデルの構築方法、異常診断方法、異常診断モデルの構築装置および異常診断装置１では、補正係数βの算出および区分化モデル２３の感度補正を、区分化モデル２３を作成する際にオフラインで行っていたが（図２のステップＳ６，Ｓ７参照）、異常診断の際にオンラインで行ってもよい。この場合、例えば図３のステップＳ１４において、補正係数βの算出および区分化モデル２３の感度補正を行うことができる。
　１　異常診断装置
　１０　入力部
　２０　記憶部
　２１　実績データ履歴
　２２　全区分モデル
　２３　区分化モデル
　２４　診断データ履歴
　２５　異常判定履歴
　３０　演算部
　３１　全区分学習データ作成部
　３２　全区分モデル作成部
　３３　モデル化マトリクス作成部
　３４　区分化学習データ作成部
　３５　区分化モデル作成部
　３６　区分化モデル感度補正部
　３７　異常診断部
　３８　異常判定部
　４０　表示部

Claims (8)

  1. 　プロセスの異常を診断する異常診断モデルの構築方法であって、
    　予め収集した正常時における全ての操業データを用いて、目的変数に対する影響度の小さい説明変数に関する回帰係数が０となるような第一の回帰モデルを作成する第一の回帰モデル作成ステップと、
    　前記操業データを予め定めた複数の区分に分け、前記区分ごとに、前記第一の回帰モデルで使用された説明変数の範囲内において、説明変数候補を決定する説明変数候補決定ステップと、
    　前記区分に含まれる操業データを用いて、目的変数に対する影響度の小さい説明変数候補に関する回帰係数が０となるような第二の回帰モデルを作成する第二の回帰モデル作成ステップと、
    　を含む異常診断モデルの構築方法。
  2. 　前記第二の回帰モデル作成ステップの後に、
    　前記第一の回帰モデルの予測誤差のばらつき指標と、前記区分ごとの前記第二の回帰モデルの予測誤差のばらつき指標との比である補正係数を、前記区分ごとに算出する補正係数算出ステップと、
    　前記区分ごとの前記第二の回帰モデルの予測誤差を、前記補正係数によって補正する感度補正ステップと、
    　を更に含む請求項１に記載の異常診断モデルの構築方法。
  3. 　前記第二の回帰モデル作成ステップの後に、
    　第一の学習データセットから構築された前記区分ごとの前記第二の回帰モデルの予測誤差のばらつき指標と、前記第一の学習データセットとは異なる第二の学習データセットから構築された前記区分ごとの前記第二の回帰モデルの予測誤差のばらつき指標との比である補正係数を、前記区分ごとに算出する補正係数算出ステップと、
    　前記区分ごとの前記第二の回帰モデルの予測誤差を、前記補正係数によって補正する感度補正ステップと、
    　を更に含む請求項１に記載の異常診断モデルの構築方法。
  4. 　前記複数の区分は、製品の品種、製品のサイズ、操業条件および操業パターンを含む、
    　請求項１から請求項３のいずれか一項に記載の異常診断モデルの構築方法。
  5. 　前記第一の回帰モデル作成ステップは、Ｌａｓｓｏ回帰により、前記第一の回帰モデルを作成し、
    　前記第二の回帰モデル作成ステップは、前記Ｌａｓｓｏ回帰により、前記第二の回帰モデルを作成する、
    　請求項１から請求項４のいずれか一項に記載の異常診断モデルの構築方法。
  6. 　請求項１から請求項５のいずれか一項に記載の異常診断モデルの構築方法によって構築された異常診断モデルを用いた異常診断方法であって、
    　診断対象となる操業データの区分に応じた第二の回帰モデルを用いて、異常指標を算出する異常診断ステップと、
    　前記異常指標に基づいて、異常の有無を判定する異常判定ステップと、
    　を含む異常診断方法。
  7. 　プロセスの異常を診断する異常診断モデルの構築装置であって、
    　予め収集した正常時における全ての操業データを用いて、目的変数に対する影響度の小さい説明変数に関する回帰係数が０となるような第一の回帰モデルを作成する第一の回帰モデル作成手段と、
    　前記操業データを予め定めた複数の区分に分け、前記区分ごとに、前記第一の回帰モデルで使用された説明変数の範囲内において、説明変数候補を決定する説明変数候補決定手段と、
    　前記区分に含まれる操業データを用いて、目的変数に対する影響度の小さい説明変数候補に関する回帰係数が０となるような第二の回帰モデルを作成する第二の回帰モデル作成手段と、
    　を備える異常診断モデルの構築装置。
  8. 　請求項７に記載の異常診断モデルの構築装置によって構築された異常診断モデルを用いた異常診断装置であって、
    　診断対象となる操業データの区分に応じた第二の回帰モデルを用いて、異常指標を算出する異常診断手段と、
    　前記異常指標に基づいて、異常の有無を判定する異常判定手段と、
    　を備える異常診断装置。
PCT/JP2021/034596 2020-10-27 2021-09-21 異常診断モデルの構築方法、異常診断方法、異常診断モデルの構築装置および異常診断装置 WO2022091639A1 (ja)

Priority Applications (5)

Application Number Priority Date Filing Date Title
JP2022500007A JP7248188B2 (ja) 2020-10-27 2021-09-21 異常診断モデルの構築方法、異常診断方法、異常診断モデルの構築装置および異常診断装置
EP21885758.9A EP4239427A4 (en) 2020-10-27 2021-09-21 METHOD FOR CONSTRUCTING AN ANOMALY DIAGNOSIS MODEL, METHOD FOR DIAGNOSIS OF ANOMALIES, DEVICE FOR CONSTRUCTING AN ANOMALY DIAGNOSIS MODEL AND DEVICE FOR DIAGNOSIS OF ANOMALIES
KR1020237012293A KR20230066093A (ko) 2020-10-27 2021-09-21 이상 진단 모델의 구축 방법, 이상 진단 방법, 이상 진단 모델의 구축 장치 및 이상 진단 장치
US18/031,656 US20230384780A1 (en) 2020-10-27 2021-09-21 Construction method of abnormality diagnosis model, abnormality diagnosis method, construction device of abnormality diagnosis model, and abnormality diagnosis device
CN202180072111.1A CN116348829A (zh) 2020-10-27 2021-09-21 异常诊断模型的构建方法、异常诊断方法、异常诊断模型的构建装置以及异常诊断装置

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020179341 2020-10-27
JP2020-179341 2020-10-27

Publications (1)

Publication Number Publication Date
WO2022091639A1 true WO2022091639A1 (ja) 2022-05-05

Family

ID=81382289

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/034596 WO2022091639A1 (ja) 2020-10-27 2021-09-21 異常診断モデルの構築方法、異常診断方法、異常診断モデルの構築装置および異常診断装置

Country Status (7)

Country Link
US (1) US20230384780A1 (ja)
EP (1) EP4239427A4 (ja)
JP (1) JP7248188B2 (ja)
KR (1) KR20230066093A (ja)
CN (1) CN116348829A (ja)
TW (1) TWI788050B (ja)
WO (1) WO2022091639A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114999182A (zh) * 2022-05-25 2022-09-02 中国人民解放军国防科技大学 基于lstm回馈机制的车流量预测方法、装置及设备
JP7504312B1 (ja) 2023-05-15 2024-06-21 三菱電機株式会社 情報処理装置、生成方法、及び生成プログラム

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009054843A (ja) * 2007-08-28 2009-03-12 Omron Corp プロセス異常検出装置および方法並びにプログラム
JP4922265B2 (ja) 2008-08-19 2012-04-25 株式会社東芝 プラント監視装置およびプラント監視方法
JP2012081518A (ja) * 2010-09-16 2012-04-26 Sumitomo Metal Ind Ltd 厚鋼板の冷却制御方法、冷却制御装置及び厚鋼板の製造方法
WO2013011745A1 (ja) 2011-07-15 2013-01-24 株式会社日立製作所 設備状態監視方法およびその装置
JP5499900B2 (ja) 2010-05-25 2014-05-21 Ｊｆｅスチール株式会社 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
JP5651998B2 (ja) 2010-05-25 2015-01-14 Ｊｆｅスチール株式会社 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
JP2019128904A (ja) * 2018-01-26 2019-08-01 Ｎｅｃソリューションイノベータ株式会社 予測システム、シミュレーションシステム、方法およびプログラム
JP2020149282A (ja) * 2019-03-13 2020-09-17 日本電信電話株式会社 データ予測装置、データ予測方法、及びデータ予測プログラム

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS4922265B1 (ja) 1969-08-08 1974-06-07
JPS5445065A (en) 1977-09-12 1979-04-10 Kito Corp Chain block frame in light alloy casting in which core plate in steel is buried
US20020069044A1 (en) * 2000-05-04 2002-06-06 The Procter & Gamble Company Computer apparatuses and processes for analyzing a system having false start events
WO2018083720A1 (ja) * 2016-11-07 2018-05-11 日本電気株式会社 異常分析方法、プログラムおよびシステム
US11112782B2 (en) * 2017-06-19 2021-09-07 Jfe Steel Corporation Process anomalous state diagnostic device and process anomalous state diagnosis method
CN108171422A (zh) * 2017-12-28 2018-06-15 鞍钢集团自动化有限公司 一种钢铁智能工厂的平台构建方法
CN109459993B (zh) * 2018-12-06 2021-06-25 湖南师范大学 一种流程工业过程在线自适应故障监测与诊断方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009054843A (ja) * 2007-08-28 2009-03-12 Omron Corp プロセス異常検出装置および方法並びにプログラム
JP4922265B2 (ja) 2008-08-19 2012-04-25 株式会社東芝 プラント監視装置およびプラント監視方法
JP5499900B2 (ja) 2010-05-25 2014-05-21 Ｊｆｅスチール株式会社 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
JP5651998B2 (ja) 2010-05-25 2015-01-14 Ｊｆｅスチール株式会社 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
JP2012081518A (ja) * 2010-09-16 2012-04-26 Sumitomo Metal Ind Ltd 厚鋼板の冷却制御方法、冷却制御装置及び厚鋼板の製造方法
WO2013011745A1 (ja) 2011-07-15 2013-01-24 株式会社日立製作所 設備状態監視方法およびその装置
JP2019128904A (ja) * 2018-01-26 2019-08-01 Ｎｅｃソリューションイノベータ株式会社 予測システム、シミュレーションシステム、方法およびプログラム
JP2020149282A (ja) * 2019-03-13 2020-09-17 日本電信電話株式会社 データ予測装置、データ予測方法、及びデータ予測プログラム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP4239427A4

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114999182A (zh) * 2022-05-25 2022-09-02 中国人民解放军国防科技大学 基于lstm回馈机制的车流量预测方法、装置及设备
JP7504312B1 (ja) 2023-05-15 2024-06-21 三菱電機株式会社 情報処理装置、生成方法、及び生成プログラム

Also Published As

Publication number Publication date
TW202230169A (zh) 2022-08-01
TWI788050B (zh) 2022-12-21
EP4239427A1 (en) 2023-09-06
JPWO2022091639A1 (ja) 2022-05-05
JP7248188B2 (ja) 2023-03-29
US20230384780A1 (en) 2023-11-30
KR20230066093A (ko) 2023-05-12
CN116348829A (zh) 2023-06-27
EP4239427A4 (en) 2024-05-08

Similar Documents

Publication Publication Date Title
US10809153B2 (en) Detecting apparatus, detection method, and program
JP5539382B2 (ja) 航空エンジン内の故障の識別
JP4394728B2 (ja) 影響要因特定装置
WO2022091639A1 (ja) 異常診断モデルの構築方法、異常診断方法、異常診断モデルの構築装置および異常診断装置
WO2022038804A1 (ja) 診断装置及びパラメータ調整方法
US11740592B2 (en) Control method, control apparatus, mechanical equipment, and recording medium
CN113420061B (zh) 炼油和化工生产装置的稳态工况分析方法、优化调试方法及系统
US20220188307A1 (en) Data analysis apparatus, method and system
CN113834828A (zh) 产品品质分析支援系统
JP6885321B2 (ja) プロセスの状態診断方法及び状態診断装置
JP6312955B1 (ja) 品質分析装置及び品質分析方法
US20230393113A1 (en) Construction method of abnormality diagnosis model, abnormality diagnosis method, construction device of abnormality diagnosis model, and abnormality diagnosis device
EP3623965A1 (en) Fabricated data detection method
JP6579163B2 (ja) プロセスの状態診断方法及び状態診断装置
JPH05253797A (ja) ライン異常判定方式
JP7223947B2 (ja) 製造条件計算装置、製造条件計算方法及び製造条件計算プログラム
JP2018005715A (ja) 製造プロセスの異常状態診断方法及び異常状態診断装置
JP6840294B1 (ja) プログラマブル表示器、制御システムおよび解析方法
JP7180676B2 (ja) プロセス状態監視装置及びプロセス状態監視方法
CN118482817B (zh) 一种基于数据分析的数字化纺织设备管理方法及系统
Becker et al. Predictive Accuracy Index in evaluating the dataset shift (case study)
JP2024013399A (ja) 設備の劣化診断装置及び方法
JP2002006940A (ja) 情報解析方法、情報解析装置及び情報解析プログラムを記録した記録媒体

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2022500007

Country of ref document: JP

Kind code of ref document: A

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

Ref document number: 21885758

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 20237012293

Country of ref document: KR

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 18031656

Country of ref document: US

WWE Wipo information: entry into national phase

Ref document number: 202317028446

Country of ref document: IN

REG Reference to national code

Ref country code: BR

Ref legal event code: B01A

Ref document number: 112023007208

Country of ref document: BR

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2021885758

Country of ref document: EP

Effective date: 20230530

ENP Entry into the national phase

Ref document number: 112023007208

Country of ref document: BR

Kind code of ref document: A2

Effective date: 20230418