特開 2023-167968 異常予兆検知システムおよび異常予兆検知モデル生成方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2023167968

(43)【公開日】2023-11-24

(54)【発明の名称】異常予兆検知システムおよび異常予兆検知モデル生成方法

(51)【国際特許分類】

   G06N 20/00 20190101AFI20231116BHJP

   G05B 23/02 20060101ALI20231116BHJP

   G06N 3/08 20230101ALN20231116BHJP

【ＦＩ】

G06N20/00

G05B23/02 302R

G05B23/02 R

G05B23/02 302V

G06N3/08

【審査請求】未請求

【請求項の数】10

【出願形態】ＯＬ

(21)【出願番号】P 2022079540

(22)【出願日】2022-05-13

(71)【出願人】

【識別番号】000003078

【氏名又は名称】株式会社東芝

(71)【出願人】

【識別番号】317015294

【氏名又は名称】東芝エネルギーシステムズ株式会社

(74)【代理人】

【識別番号】110001380

【氏名又は名称】弁理士法人東京国際特許事務所

(72)【発明者】

【氏名】寺門 優介

(72)【発明者】

【氏名】富永 真哉

(72)【発明者】

【氏名】高戸 直之

(72)【発明者】

【氏名】三宅 亮太

(72)【発明者】

【氏名】青木 俊夫

(72)【発明者】

【氏名】宮本 千賀司

(72)【発明者】

【氏名】中田 康太

(72)【発明者】

【氏名】内藤 晋

(72)【発明者】

【氏名】田口 安則

(72)【発明者】

【氏名】加藤 佑一

【テーマコード（参考）】

3C223

【Ｆターム（参考）】

3C223AA02

3C223EB01

3C223FF03

3C223FF22

3C223FF26

3C223FF45

3C223GG01

3C223HH02

(57)【要約】

【課題】疑似相関に起因する誤検知を抑制することができる異常予兆検知技術を提供する。
【解決手段】異常予兆検知システム１は、監視対象となる対象施設の異常または異常の予兆の少なくとも一方を検知する異常予兆検知モデルＭの機械学習を行う１つ以上のコンピュータ５を備え、コンピュータ５は、対象施設２で発生する複数のプロセス量Ｐを取得し、それぞれのプロセス量Ｐを、複数のプロセス量間の相関を学習させる相関データと複数のプロセス量間の相関を学習させない非相関データとに分類し、この分類に応じて、それぞれのプロセス量Ｐが、相関データまたは非相関データとして紐づけされた学習用入力データを生成し、学習用入力データを異常予兆検知モデルＭに入力して機械学習を行う、ように構成されている。
【選択図】図２

【特許請求の範囲】

【請求項1】

監視対象となる対象施設の異常または前記異常の予兆の少なくとも一方を検知する異常予兆検知モデルの機械学習を行う１つ以上のコンピュータを備え、
前記コンピュータは、
前記対象施設で発生する複数のプロセス量を取得し、
それぞれの前記プロセス量を、複数の前記プロセス量間の相関を学習させる相関データと複数の前記プロセス量間の相関を学習させない非相関データとに分類し、
この分類に応じて、それぞれの前記プロセス量が、前記相関データまたは前記非相関データとして紐づけされた学習用入力データを生成し、
前記学習用入力データを前記異常予兆検知モデルに入力して前記機械学習を行う、
ように構成されている、
異常予兆検知システム。

【請求項2】

前記学習用入力データに含まれる複数の前記プロセス量は、複数のグループに分けられており、
前記相関データとして紐づけされた少なくとも１つの前記プロセス量は、同一の前記グループ内の他の前記プロセス量が変化した場合に、これに応じて変化するものであり、
前記非相関データとして紐づけされた少なくとも１つの前記プロセス量は、同一の前記グループ内の他の前記プロセス量が変化した場合に、これに応じて変化しないものである、
請求項１に記載の異常予兆検知システム。

【請求項3】

前記コンピュータは、
複数の前記プロセス量を判定用入力データとして学習済みの前記異常予兆検知モデルに入力し、
前記判定用入力データの入力に応じて前記異常予兆検知モデルから出力され、複数の前記プロセス量の正常な状態が復元された判定用出力データを取得し、
前記判定用入力データと前記判定用出力データとの差分に基づいて、前記対象施設の前記異常または前記異常の予兆の少なくとも一方の有無を判定する、
ように構成されている、
請求項１または請求項２に記載の異常予兆検知システム。

【請求項4】

前記コンピュータは、
外部情報に基づいて、それぞれの前記プロセス量を、前記相関データまたは前記非相関データに分類するプロセス量分類フラグを設定する、
ように構成されている、
請求項１または請求項２に記載の異常予兆検知システム。

【請求項5】

少なくとも１つの前記プロセス量が固定値で運用されるものである場合には、この少なくとも１つの前記プロセス量を前記非相関データとして分類する、
請求項１または請求項２に記載の異常予兆検知システム。

【請求項6】

前記対象施設の運転条件が切り替わったときに、少なくとも１つの前記プロセス量と他の前記プロセス量との相関が変化しない場合には、この少なくとも１つの前記プロセス量を前記非相関データとして分類する、
請求項１または請求項２に記載の異常予兆検知システム。

【請求項7】

少なくとも１つの前記プロセス量が前記対象施設の一部が間欠的な運転を行うことで変化する場合には、この少なくとも１つの前記プロセス量を前記非相関データとして分類する、
請求項１または請求項２に記載の異常予兆検知システム。

【請求項8】

少なくとも１つの前記プロセス量が前記対象施設の外部環境を要因として変化するものである場合には、この少なくとも１つの前記プロセス量を前記非相関データとして分類する、
請求項１または請求項２に記載の異常予兆検知システム。

【請求項9】

少なくとも１つの前記プロセス量が突発的な変化を起こすものである場合には、この少なくとも１つの前記プロセス量を前記非相関データとして分類する、
請求項１または請求項２に記載の異常予兆検知システム。

【請求項10】

監視対象となる対象施設の異常または前記異常の予兆の少なくとも一方を検知する異常予兆検知モデルの機械学習を行う１つ以上のコンピュータを用いて行う方法であり、
前記対象施設で発生する複数のプロセス量を取得し、
それぞれの前記プロセス量を、複数の前記プロセス量間の相関を学習させる相関データと複数の前記プロセス量間の相関を学習させない非相関データとに分類し、
この分類に応じて、それぞれの前記プロセス量が、前記相関データまたは前記非相関データとして紐づけされた学習用入力データを生成し、
前記学習用入力データを前記異常予兆検知モデルに入力して前記機械学習を行う、
処理を前記コンピュータが実行する、
異常予兆検知モデル生成方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明の実施形態は、異常予兆検知技術に関する。

【背景技術】

【0002】

原子力発電プラントおよび火力発電プラントなどの大規模プラントでは、プラントを構成する様々な系統および機器の健全性を監視する目的で、多数のプロセス信号が監視されている。近年、プラント監視を支援する技術として、機械学習により実現される人工知能（ＡＩ：Artificial Intelligence）を活用した異常予兆検知の実用化が進んでいる。この異常変化の検知では、近年急速に発達した機械学習技術を用いることで、異常が顕在化する前の予兆を検知する試みが進められている。例えば、数百～数千からなるプロセス量グループの相関、および正常時のプロセス量の動きを教師データとして学習させた機械学習モデルによる予測により、故障の予知を行う技術が知られている。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０２１－３３７０５号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

教師データによる学習時において、複数のプロセス量間において互いに物理的に相関が無いにも関わらず、時系列での変化の傾向が偶然似ることが生じる。これを疑似相関という。ＡＩがこの疑似相関を学習してしまうことで、或るプロセス量が変化した際に、物理的な影響を受けることのない他のプロセス量の予測値も同時に変化してしまう現象が起きてしまう。これが誤検知の原因となる。その対策として、物理的相関の無い複数のプロセス量を異なるグループに分類する。具体的には、或るプロセス量の変化が他のプロセス量に物理的な影響を及ぼす可能性が小さい場合に、その或るプロセス量を事前に別モデル、例えば、プロセス量間の相関を学習しないプロセス量を単独監視し、異常予兆を監視するモデルに分離する。この分離した状態で学習を行うことで疑似相関の学習を回避し、プラントの異常予兆を高精度で行う必要がある。

【0005】

また、プロセス量間の相関を学習しないモデルへの分け方については明確な基準がなく、ユーザの裁量に委ねられた状態になる。このような分類基準が明確でないことにより分類判断で膨大な作業が発生する。さらに、分類を行うユーザのスキルに依存するため、分類の精度にばらつきが生じ、適切な仕分けができない。このため、機械学習モデルを設けた異常予兆検知装置の性能が意図した通りに向上しないおそれがある。なお、これはプロセス量間の疑似相関に起因することから、前述の技術だけでなく、プロセス量間の相関を学習する全てアルゴリズムに同様の課題がある。

【0006】

本発明の実施形態は、このような事情を考慮してなされたもので、疑似相関に起因する誤検知を抑制することができる異常予兆検知技術を提供することを目的とする。

【課題を解決するための手段】

【0007】

本発明の実施形態に係る異常予兆検知システムは、監視対象となる対象施設の異常または前記異常の予兆の少なくとも一方を検知する異常予兆検知モデルの機械学習を行う１つ以上のコンピュータを備え、前記コンピュータは、前記対象施設で発生する複数のプロセス量を取得し、それぞれの前記プロセス量を、複数の前記プロセス量間の相関を学習させる相関データと複数の前記プロセス量間の相関を学習させない非相関データとに分類し、この分類に応じて、それぞれの前記プロセス量が、前記相関データまたは前記非相関データとして紐づけされた学習用入力データを生成し、前記学習用入力データを前記異常予兆検知モデルに入力して前記機械学習を行う、ように構成されている。

【発明の効果】

【0008】

本発明の実施形態により、疑似相関に起因する誤検知を抑制することができる異常予兆検知技術が提供される。

【図面の簡単な説明】

【0009】

【図1】異常予兆検知システムのハードウェア構成を示すブロック図。

【図2】異常予兆検知システムの処理の流れを示す機能ブロック図。

【図3】データ分類部の処理の流れを示す機能ブロック図。

【図4】固定値で運用する機器を示す構成図。

【図5】（Ａ）は第１系統配管の流量調整弁開度信号を示すグラフ、（Ｂ）は第２系統配管の流量を示すグラフ。

【図6】冗長化された機器を有する系統を示す構成図。

【図7】（Ａ）は第１ポンプの吐出圧力を示すグラフ、（Ｂ）は第２ポンプの吐出圧力を示すグラフ、（Ｃ）は配管の流量を示すグラフ。

【図8】間欠的な運転を行う機器を有する系統を示す構成図。

【図9】（Ａ）は第１ポンプの吐出圧力を示すグラフ、（Ｂ）は第２ポンプの吐出圧力を示すグラフ、（Ｃ）はタンクの水位を示すグラフ。

【図10】外部環境の影響を受けて変動する機器を示す構成図。

【図11】（Ａ）は建屋内外差圧を示すグラフ、（Ｂ）は室内差圧を示すグラフ。

【図12】突発的な変動を起こす機器を示す構成図。

【図13】（Ａ）は第１系統の流量を示すグラフ、（Ｂ）は第２系統の流量を示すグラフ。

【図14】変形例の異常予兆検知システムの処理の流れを示す機能ブロック図。

【発明を実施するための形態】

【0010】

以下、図面を参照しながら、異常予兆検知システムおよび異常予兆検知モデル生成方法の実施形態について詳細に説明する。

【0011】

図１の符号１は、本実施形態の異常予兆検知システムである。この異常予兆検知システム１は、対象施設から得られるデータを入力データとして、対象施設の異常または異常の予兆を検知するものである。監視対象となる対象施設は、例えば、原子力発電プラント、火力発電プラント、工場設備、または生産設備などである。本実施形態の対象施設としては、このようなプラント２を例示する。

【0012】

また、プラント２には、多数のセンサ３が設けられている。これらのセンサ３は、例えば、配管、ポンプ、弁などの所定の機器に取り付けられている所定の計測器である。また、センサ３は、これらの機器の状態を示す情報を含む測定値（実測値）を取得する。これらセンサ３から得られる多数の測定値をプロセス値Ｖ（図２）と称する。なお、機器を制御する制御装置から出力される制御信号もプロセス値Ｖに含まれる。また、弁の開度などもプロセス値Ｖに含まれる。

【0013】

異常予兆検知技術では、プロセス値Ｖの僅かな変化を検知することで、異常またはその予兆が検知される。このためには、プラント２の正常状態を高精度で判定することが必要である。誤った判定は、誤検知を起こし、運転員の不要な作業を発生させる。また、プロセス値Ｖの僅かな変化を検知するためには、プロセス値Ｖから取り除くことが難しい微小な電気ノイズ信号も含めて高精度に判定することが必要となる。

【0014】

また、プラント２で取得されるプロセス値Ｖは膨大な量になる。そこで、本実施形態では、この膨大な量のプロセス値Ｖから異常またはその予兆を判定するために、機械学習により実現される人工知能（ＡＩ）を用いる。

【0015】

例えば、ニューラルネットワークによる機械学習により生成された学習モデル、その他の機械学習により生成された学習モデル、深層学習アルゴリズム、回帰分析などの数学的アルゴリズムを用いることができる。また、機械学習の形態には、クラスタリング、深層学習などの形態が含まれる。

【0016】

例えば、この異常予兆検知システム１は、ニューラルネットワークを備える１台のコンピュータで構成されても良いし、ニューラルネットワークを備える複数台のコンピュータで構成されても良い。

【0017】

ここで、ニューラルネットワークとは、脳機能の特性をコンピュータによるシミュレーションによって表現した数学モデルである。例えば、シナプスの結合によりネットワークを形成した人工ニューロン（ノード）が、学習によってシナプスの結合強度を変化させ、問題解決能力を持つようになるモデルを示す。さらに、ニューラルネットワークは、深層学習（Deep Learning）により問題解決能力を取得する。

【0018】

例えば、ニューラルネットワークには、複数層のレイヤーを有する中間層が設けられる。この中間層の各レイヤーは、複数個のユニットで構成されている。また、多層のニューラルネットワークに学習用データ（教師データ）を用いて予め学ばせておくことで、回路またはシステムの状態の変化のパターンの中に或る特徴量を自動で抽出することができる。なお、多層のニューラルネットワークは、ユーザインターフェース上で、任意の中間層数、任意のユニット数、任意の学習率、任意の学習回数、任意の活性化関数を設定することができる。

【0019】

本実施形態では、オートエンコーダ（エンコーダ・デコーダ・ネットワーク）を用いた異常予兆検知技術について説明する。本実施形態の学習モデルは、このオートエンコーダにより実現される。なお、オートエンコーダ以外のその他のアルゴリズムが本実施形態の機械学習に適用されても良い。

【0020】

また、機械学習時において、複数のプロセス量間において互いに物理的に相関が無いにも関わらず、時系列での変化の傾向が偶然似る疑似相関が生じる。ＡＩがこの疑似相関を学習してしまうことで、誤検知の原因となるが、本実施形態では、疑似相関の学習を回避し、プラント２の異常予兆を高精度で行うようにする。

【0021】

図１に示すように、異常予兆検知システム１は、データ入力用コンピュータ４と学習用コンピュータ５と検知用コンピュータ６とを備える。これらは、ＣＰＵ、ＲＯＭ、ＲＡＭ、ＨＤＤなどのハードウェア資源を有し、ＣＰＵが各種プログラムを実行することで、ソフトウェアによる情報処理がハードウェア資源を用いて実現されるコンピュータで構成される。さらに、本実施形態の異常予兆検知モデル生成方法は、各種プログラムをコンピュータに実行させることで実現される。

【0022】

データ入力用コンピュータ４は、プラント２に設けられたセンサ３で取得したプロセス値Ｖを収集する。このデータ入力用コンピュータ４は、例えば、プラント情報を保存するためのサーバなどである。ここで、収集されたプロセス値Ｖは、学習用コンピュータ５または検知用コンピュータ６に送られる。

【0023】

学習用コンピュータ５は、プラント２の異常またはその予兆の少なくとも一方を検知する異常予兆検知モデルＭ（図２）を生成する。生成された異常予兆検知モデルＭは、検知用コンピュータ６に送られる。

【0024】

検知用コンピュータ６は、異常予兆検知モデルＭを用いてプラント２の異常またはその予兆の少なくとも一方を検知する。

【0025】

なお、異常予兆検知システム１の各構成が、それぞれ個別のコンピュータに搭載されているが、これらの構成は、必ずしも複数のコンピュータで実現される必要はない。例えば、１つのコンピュータで異常予兆検知システム１の各構成を実現しても良い。

【0026】

学習用コンピュータ５は、入力部７と出力部８と通信部９と記憶部１０と処理回路１１とを備える。

【0027】

入力部７には、学習用コンピュータ５を使用するユーザの操作に応じて所定の情報が入力される。この入力部７には、マウスまたはキーボードなどの入力装置が含まれる。つまり、これら入力装置の操作に応じて所定の情報が入力部７に入力される。

【0028】

出力部８は、所定の情報の出力を行う。例えば、学習用コンピュータ５には、解析結果の出力を行うディスプレイなどの画像の表示を行う装置が含まれる。つまり、出力部８は、ディスプレイに表示される画像の制御を行う。なお、ディスプレイはコンピュータ本体と別体でも良いし、一体でも良い。

【0029】

通信部９は、所定の通信回線を介してデータ入力用コンピュータ４または検知用コンピュータ６と通信を行う。なお、本実施形態では、データ入力用コンピュータ４と学習用コンピュータ５と検知用コンピュータ６がＬＡＮ(Local Area Network)を介して互いに接続されている。

【0030】

記憶部１０は、異常予兆検知モデルＭの生成を行うときに必要な各種情報を記憶する。例えば、記憶部１０は、データ入力用コンピュータ４から送られたプロセス値Ｖ（図２）を記憶する。

【0031】

処理回路１１は、データ分類部１２と分類結果処理部１３と学習モデル生成部１４とを含む。これらは、メモリまたはＨＤＤに記憶されたプログラムがＣＰＵによって実行されることで実現される。

【0032】

次に、図２を参照して、異常予兆検知システム１の処理の流れを説明する。

【0033】

なお、図２中の矢印は、処理の流れを示す一例であり、矢印以外の処理の流れがあっても良い。また、必ずしも、それぞれの処理の前後関係が固定されるものではなく、一部の処理の前後関係が入れ替わっても良い。また、一部の処理が他の処理と並列に実行されても良い。さらに、異常予兆検知システム１には、図２に示す構成以外のものが含まれても良いし、図２に示す一部の構成が省略されても良い。

【0034】

まず、プラント２に設けられたそれぞれのセンサ３が、このプラント２で発生するそれぞれのプロセス値Ｖを取得する。そして、これらセンサ３で取得されたプロセス値Ｖが、データ入力用コンピュータ４に集められる。

【0035】

データ入力用コンピュータ４は、取得したプロセス値Ｖのそれぞれに対し、センサ管理番号およびセンサ名称などを紐づけし、プロセス量Ｐとして出力する。つまり、プラント２に関する複数のプロセス値Ｖのそれぞれが、異常予兆検知モデルＭの機械学習に用いられる形式である複数のプロセス量Ｐに変換される。これら複数のプロセス量Ｐが学習用コンピュータ５に送られる。

【0036】

学習用コンピュータ５は、ニューラルネットワークに入力する学習用入力データ（入力用信号）の前処理を行う。例えば、学習用コンピュータ５は、データ入力用コンピュータ４から送られる複数のプロセス量Ｐを取得する。そして、プロセス量Ｐのそれぞれがデータ分類部１２に入力される。

【0037】

データ分類部１２は、少なくとも１つの条件により、それぞれのプロセス量Ｐを、これらプロセス量間の相関を学習させる相関データとプロセス量間の相関を学習させない非相関データとに分類する。ここで、データ分類部１２は、プロセス量Ｐが相関データとして分類される場合に物理相関信号判定フラグＦ１を出力し、プロセス量Ｐが非相関データとして分類される場合に単独監視信号判定フラグＦ２を出力する。ここで、物理相関信号判定フラグＦ１と単独監視信号判定フラグＦ２は、分類結果処理部１３に入力される。

【0038】

なお、物理相関信号は、疑似相関による誤連動を誘発する可能性がないプロセス量Ｐである。一方、単独監視信号は、疑似相関による誤連動を誘発する可能性があるプロセス量Ｐである。

【0039】

分類結果処理部１３は、相関データとして分類されたプロセス量Ｐに物理相関信号判定フラグＦ１を紐づけるとともに、非相関データとして分類されたプロセス量Ｐに単独監視信号判定フラグＦ２を紐づける。分類結果処理部１３から出力された物理相関分類フラグ付のプロセス量Ｐと単独監視分類フラグ付のプロセス量Ｐは、学習モデル生成部１４に入力される。つまり、分類結果処理部１３は、データ分類部１２の分類に応じて、それぞれのプロセス量Ｐが、相関データまたは非相関データとして紐づけされた学習用入力データを生成する。この学習用入力データが、学習モデル生成部１４に入力される。

【0040】

なお、学習用入力データに用いられる複数のプロセス量Ｐは、複数のグループに分けられる。例えば、給水系統、復水系統、配電系統、制御系統などのプラント２の系統グループごとに分けられて機械学習が行われる。ここで、相関データとして紐づけされた少なくとも１つのプロセス量Ｐは、同一のグループ内の他のプロセス量Ｐが変化した場合に、これに応じて変化するものである。一方、非相関データとして紐づけされた少なくとも１つのプロセス量Ｐは、同一のグループ内の他のプロセス量Ｐが変化した場合に、これに応じて変化しないものである。このようにすれば、相関データと非相関データのそれぞれに紐づけされた複数のプロセス量Ｐが同一のグループに属している場合でも、適切な機械学習を行うことができる。

【0041】

学習モデル生成部１４は、学習用入力データを異常予兆検知モデルＭに入力して機械学習を行う。ここで、物理相関分類フラグ付のプロセス量Ｐは、物理相関信号として、他のプロセス量Ｐとの相関関係を考慮したプロセス量Ｐとして機械学習が行われる。一方、単独監視分類フラグ付のプロセス量Ｐは、単独監視信号として、他のプロセス量Ｐとの相関関係を考慮しない、単独したプロセス量Ｐとして機械学習が行われる。学習モデル生成部１４で生成された異常予兆検知モデルＭは、検知用コンピュータ６にセットされる。

【0042】

検知用コンピュータ６は、オートエンコーダを用いて異常予兆検知を行う。例えば、検知用コンピュータ６は、データ入力用コンピュータ４から送られる複数のプロセス量Ｐを取得する。検知用コンピュータ６は、これらプロセス量Ｐを判定用入力データとして学習済みの異常予兆検知モデルＭの入力層に入力する。そして、検知用コンピュータ６は、判定用入力データの入力に応じて異常予兆検知モデルＭの出力層から出力され、複数のプロセス量Ｐの正常な状態が復元された判定用出力データを取得する。検知用コンピュータ６は、判定用入力データと判定用出力データとの差分に基づいて、プラント２の異常または異常の予兆の少なくとも一方の有無を判定する。本実施形態では、オートエンコーダを用いて異常予兆検知を行う場合でも、誤検知を抑制して精度を向上させることができる。

【0043】

この異常予兆検知モデルＭは、入力層と中間層と出力層とを備える。入力層には、学習用入力データまたは判定用入力データが入力される。出力層は、判定用入力データの入力に応じて判定用出力データを出力する。中間層は、学習用入力データによってそのパラメータが機械学習されている。そして、異常予兆検知モデルＭは、判定用入力データと判定用出力データとの差分に基づいて、プラント２の異常または異常の予兆の少なくとも一方の有無を判定するように、検知用コンピュータ６を機能させるものである。

【0044】

次に、図３を参照して、データ分類部１２の分類の態様について説明する。

【0045】

図３に示すように、データ分類部１２は、データ入力用コンピュータ４から入力されたプロセス量Ｐを、複数の分類条件により分類する。例えば、第１から第５までの分類条件が予め設定されている。これら分類結果に応じて、物理相関信号判定フラグＦ１または単独監視信号判定フラグＦ２が、分類結果処理部１３に入力される。

【0046】

例えば、第１から第５までの分類条件のいずれか１つに当てはまる場合（いずれか１つのステップでＹＥＳの場合）は、単独監視信号判定フラグＦ２が、分類結果処理部１３に入力される。一方、第１から第５までの分類条件の全てに当てはまらない場合（全てのステップでＮＯの場合）は、物理相関信号判定フラグＦ１が、分類結果処理部１３に入力される。

【0047】

次に、図４から図１３を参照して、第１から第５までの分類条件について説明する。

【0048】

なお、以下に説明するグラフ（図５，図７，図９，図１１，図１３）において、学習期間に得られたプロセス量Ｐが学習用入力データとなり、監視期間に得られたプロセス量Ｐが判定用入力データとなる。また、グラフにおいて、実線が実測値であり、破線が異常予兆検知モデルＭにより生成される予測値である。ここで、学習期間の実測値（実線）が学習用入力データとなる。さらに、監視期間の実測値（実線）が判定用入力データとなり、監視期間の予測値（破線）が判定用出力データとなる。

【0049】

まず、第１の分類条件について説明する。第１の分類条件は、運用上、固定された値に成ると想定されるプロセス量Ｐ（図３）を単独監視信号として仕分けるものである。これにより、固定された値に成ると想定されるプロセス量間での疑似相関による誤連動が抑制される。

【0050】

図４に示すように、例えば、第１系統配管２１と第２系統配管２２があるとする。第１系統配管２１には、流量調整弁２３が設けられている。第２系統配管２２には、その流量を測定する流量計２４が設けられている。ここで、流量調整弁２３の開度信号（プロセス量Ｐ）に基づき、図５（Ａ）のグラフが得られる。流量計２４の測定値（プロセス量Ｐ）に基づき、図５（Ｂ）のグラフが得られる。

【0051】

ここで、プロセス量Ｐ（図３）が得られる機器が、流量調整弁２３などの固定値で運用されると想定される場合において、流量調整弁２３の開閉状態を示す開度信号と、第２系統配管２２の流量との間には、物理的な相関関係が無い。しかし、学習期間における傾向が似ている場合には、プロセス量間の相関（疑似相関）が有るものとして学習されてしまう。

【0052】

例えば、学習期間の或る部分２５において、流量調整弁２３の開度信号と第２系統配管２２の流量とが、偶然に、一定値に成るなどの同じ傾向を示している場合に、互いに相関が有るものとして学習されてしまう。

【0053】

その結果、第２系統配管２２の流量の予測値が誤連動を起こす。例えば、監視期間の或る部分２６において、流量調整弁２３の開度信号がノイズの影響を受けて揺らいでしまう場合がある。この場合において、流量調整弁２３が単独の要因で変動を起こしたにも関わらず、これと相関が学習された第２系統配管２２の流量の予測値が同時に変動してしまうことがある。

【0054】

つまり、第２系統配管２２の流量の予測値（判定用出力データ）が、実測値（判定用入力データ）と異なるようになる。これにより、実際の第２系統配管２２の流量には、異常が無いにも関わらず、異常があるものと誤判定されてしまう。

【0055】

このため、流量調整弁２３の開度信号のような、運用上、固定値をとるプロセス量Ｐに、単独監視信号判定フラグＦ２（図３）が付与され、相関を学習しないプロセス量Ｐとして分類される。

【0056】

本実施形態のデータ分類部１２（図３）は、少なくとも１つのプロセス量Ｐが固定値で運用されるものである場合には、この少なくとも１つのプロセス量Ｐを非相関データとして分類する。このようにすれば、固定値であるか否かを基準として、プロセス量Ｐの分類が行われるため、適切な分類を行うことができる。

【0057】

次に、第２の分類条件について説明する。第２の分類条件は、冗長化された機器を有する系統における、運転条件の切り替えによる相関性の変化による誤連動を起こすプロセス量Ｐ（図３）を単独監視信号として仕分けるものである。これにより、冗長化された機器の運転条件の切り替えによる誤連動が抑制される。

【0058】

図６に示すように、例えば、第１配管３１と第２配管３２が途中で合流し、第３配管３３となっている系統があるとする。第１配管３１には、第１ポンプ３４とその吐出圧力を測定する第１圧力計３５が設けられている。第２配管３２には、第２ポンプ３６とその吐出圧力を測定する第２圧力計３７が設けられている。第３配管３３には、その流量を測定する流量計３８が設けられている。ここで、第１圧力計３５で得られる吐出圧力（プロセス量Ｐ）に基づき、図７（Ａ）のグラフが得られる。第２圧力計３７で得られる吐出圧力（プロセス量Ｐ）に基づき、図７（Ｂ）のグラフが得られる。流量計３８で得られる配管の流量（プロセス量Ｐ）に基づき、図７（Ｃ）のグラフが得られる。

【0059】

第１ポンプ３４と第２ポンプ３６とにより、系統の冗長化が図られているものとする。第１ポンプ３４と第２ポンプ３６は、運転員により冗長運転の条件が選択される。例えば、学習期間において、常時、片側の第１ポンプ３４のみが運転される。また、その学習期間において、他方の第２ポンプ３６は、停止し続けた状態となっている。

【0060】

学習期間において、第１ポンプ３４のみが運転されていた場合、運転状態を示す第１ポンプ３４の吐出圧力と、系統全体の動きを示す第３配管３３の流量との間の相関が学習される。一方、学習期間において、停止していた第２ポンプ３６の吐出圧力は変動が無いため、第１ポンプ３４の吐出圧力および第３配管３３の流量との相関が学習されないことになる。

【0061】

ここで、例えば、監視期間で冗長運転の条件が運転員の選択により変化し、第１ポンプ３４が停止され、第２ポンプ３６のみが運転する状態となる場合がある。この場合において、第２ポンプ３６の吐出圧力と連動する第３配管３３の流量により、これと相関が学習された第１ポンプ３４の吐出圧力の予測値が誤連動を起こす。また、第３配管３３の流量の予測値も影響されるようになり、誤連動を起こす。

【0062】

つまり、第１ポンプ３４の吐出圧力および第３配管３３の流量の予測値（判定用出力データ）が、実測値（判定用入力データ）と異なるようになる。これにより、実際の第１ポンプ３４の吐出圧力および第３配管３３の流量には、異常が無いにも関わらず、異常があるものと誤判定されてしまう。

【0063】

このため、運転条件の切り替えにより相関関係が変化するような、第１ポンプ３４および第２ポンプ３６の吐出圧力のプロセス量Ｐに、単独監視信号判定フラグＦ２（図３）を付与し、相関を学習しないプロセス量Ｐとして分類する。

【0064】

本実施形態のデータ分類部１２（図３）は、プラント２の一部の運転条件が切り替わったときに、少なくとも１つのプロセス量Ｐと他のプロセス量Ｐとの相関が変化しない場合には、この少なくとも１つのプロセス量Ｐを非相関データとして分類する。このようにすれば、プラント２の一部の運転条件が切り替わったときの変化の有無を基準として、プロセス量Ｐの分類が行われるため、適切な分類を行うことができる。

【0065】

次に、第３の分類条件について説明する。第３の分類条件は、運転員の操作により間欠的な運転をする機器を有する系統において、疑似相関による誤連動を起こすプロセス量Ｐ（図３）を単独監視信号として仕分けるものである。これにより、間欠的な運転を行う機器間の疑似相関による誤連動が抑制される。

【0066】

図８に示すように、例えば、第１系統配管４１と第２系統配管４２があるとする。第１系統配管４１には、第１ポンプ４３と第１圧力計４４が設けられている。第２系統配管４２には、第２ポンプ４５と第２圧力計４６とタンク４７と水位計４８が設けられている。ここで、第１圧力計４４で得られる吐出圧力（プロセス量Ｐ）に基づき、図９（Ａ）のグラフが得られる。第２圧力計４６で得られる吐出圧力（プロセス量Ｐ）に基づき、図９（Ｂ）のグラフが得られる。水位計４８で得られるタンク４７の水位（プロセス量Ｐ）に基づき、図９（Ｃ）のグラフが得られる。

【0067】

例えば、定期的な運転員の操作により機器の健全性が確認されるものとする。ここで、第２系統配管４２に設けられている第２ポンプ４５の吐出圧力とタンク４７の水位には、物理的な相関が有る。一方、第１系統配管４１に設けられている第１ポンプ４３の吐出圧力と第２系統配管４２に設けられているタンク４７の水位には、物理的な相関が無い。しかし、第１ポンプ４３の吐出圧力とタンク４７の水位は、学習期間において、或る一定値に成る期間が長く一致することから、相関（疑似相関）が有るものとして学習されてしまう。

【0068】

例えば、学習期間の或る部分４９において、第２ポンプ４５が運転されたとする。この運転時に、第２ポンプ４５の運転状態を示す吐出圧力とタンク４７の水位が連動して変動する。このとき、第２ポンプ４５の運転によりタンク４７の水位が変動しているタイミングで、偶然に、第１ポンプ４３が運転された場合には、第１ポンプ４３の運転状態を示す吐出圧力とタンク４７の水位との変動が、相関が有るものとして、誤って学習されてしまう。

【0069】

その結果、監視期間の或る部分５０において、第１ポンプ４３が運転された場合に、相関が有るものとして誤って学習されたタンク４７の水位の予測値が、第１ポンプ４３の吐出圧力と連動して変動する誤連動を起こす。

【0070】

つまり、タンク４７の水位の予測値（判定用出力データ）が、実測値（判定用入力データ）と異なるようになる。これにより、実際のタンク４７の水位には、異常が無いにも関わらず、異常があるものと誤判定されてしまう。

【0071】

また、このような事例の場合、第２ポンプ４５の吐出圧力も、物理的な相関が無い他の間欠的に動くプロセス量Ｐの変動と、相関が有るものとして、誤って学習されてしまうことがあり得る。

【0072】

このため、第１ポンプ４３の吐出圧力または第２ポンプ４５の吐出圧力などの、間欠的な運転を行うプロセス量Ｐに、単独監視信号判定フラグＦ２（図３）が付与され、相関を学習しないプロセス量Ｐとして分類される。

【0073】

本実施形態のデータ分類部１２（図３）は、少なくとも１つのプロセス量Ｐがプラント２（図２）の一部が間欠的な運転を行うことで変化する場合には、この少なくとも１つのプロセス量Ｐを非相関データとして分類する。このようにすれば、間欠的な運転を行うことが想定されるか否かを基準として、プロセス量Ｐの分類が行われるため、適切な分類を行うことができる。

【0074】

次に、第４の分類条件について説明する。第４の分類条件は、気候などの外部要因に影響を受け、誤連動を起こすプロセス量Ｐ（図３）を単独監視信号として仕分けるものである。これにより、外部要因に影響を受け変動する機器での疑似相関による誤連動が抑制される。

【0075】

図１０に示すように、所定の建屋５１があるとする。この建屋５１の内部にある第１機器５２と、建屋５１の外部にある第２機器５３との差圧を測定する第１圧力計５４が設けられている。さらに、この建屋５１の内部にある第３機器５５と第４機器５６との差圧を測定する第２圧力計５７が設けられている。なお、第４機器５６は、第３機器５５と異なる部屋５８に設けられている。ここで、第１圧力計５４で得られる、建屋５１の内部と外部の差圧である、建屋内外差圧（プロセス量Ｐ）に基づき、図１１（Ａ）のグラフが得られる。第２圧力計５７で得られる、建屋５１の内部同士の差圧である、室内差圧（プロセス量Ｐ）に基づき、図１１（Ｂ）のグラフが得られる。なお、第２機器５３は、建屋５１の外部に設けられているため、気圧の変化などの外部環境による影響を受け易くなっている。

【0076】

例えば、学習期間において、気圧の変動により、第１圧力計５４と第２圧力計５７の測定値が変動してしまう。ここで、互いに物理的な相関が無い第１圧力計５４と第２圧力計５７とで似たような変動と成った場合、学習期間における傾向が似ているため、プロセス量間の相関（疑似相関）が有るものとして学習されてしまう。

【0077】

その結果、予測値が誤連動を起こす場合がある。例えば、監視期間の或る部分５９において、第１圧力計５４の建屋内外差圧（プロセス量Ｐ）が、天候または風などの外部環境を要因とする変動を起こした場合がある。この場合において、相関が有るものして学習された第２圧力計５７の室内差圧（プロセス量Ｐ）の予測値が誤連動を起こす。

【0078】

つまり、第２圧力計５７の室内差圧の予測値（判定用出力データ）が、実測値（判定用入力データ）と異なるようになる。これにより、実際の室内差圧には、異常が無いにも関わらず、異常があるものと誤判定されてしまう。

【0079】

このような外部環境に起因する変動のパターンは、無数に存在することから、全てが網羅された学習は、一般的に困難となることが多い。このため、建屋内外差圧のような外部環境による影響を受けて変動するプロセス量Ｐに、単独監視信号判定フラグＦ２（図３）が付与され、相関を学習しないプロセス量Ｐとして分類される。

【0080】

本実施形態のデータ分類部１２（図３）は、少なくとも１つのプロセス量Ｐがプラント２（図２）の外部環境を要因として変化するものである場合には、この少なくとも１つのプロセス量Ｐを非相関データとして分類する。このようにすれば、プラント２の外部環境を要因として変化するか否かを基準として、プロセス量Ｐの分類が行われるため、適切な分類を行うことができる。

【0081】

次に、第５の分類条件について説明する。第５の分類条件は、学習期間で変動を網羅しきれない、急激な変動（突変）を含むプロセス量Ｐ（図３）を単独監視信号として仕分けるものである。これにより、急激な変動を起こすプロセス量間での疑似相関による誤連動が抑制される。

【0082】

ここで、突変とは、突発的または急激な変化のことであり、少なくとも１つのプロセス量Ｐが予め定められた閾値と比較して変化を起こすものである。

【0083】

例えば、突変の定義を、プロセス量Ｐのサンプリング周期より短い周期で発生する変動とする。サンプリング周期より短い周期で変動する場合は、サンプリングのタイミングが少しずれることにより、その値が無数に変わってしまう。このような変動は、全てのパターンを学習することができない。

【0084】

図１２に示すように、例えば、第１系統配管６１と第２系統配管６２があるとする。第１系統配管６１には、第１ポンプ６３と第１流量調整弁６４と第１流量計６５が設けられている。第２系統配管６２には、第２ポンプ６６と第２流量調整弁６７と第２流量計６８が設けられている。ここで、第１流量計６５の測定値である第１系統配管６１の流量（プロセス量Ｐ）に基づき、図１３（Ａ）のグラフが得られる。第２流量計６８の測定値である第２系統配管６２の流量（プロセス量Ｐ）に基づき、図１３（Ｂ）のグラフが得られる。

【0085】

ここで、学習期間において、第１ポンプ６３と第２ポンプ６６の運転条件、または、第１流量調整弁６４と第２流量調整弁６７の駆動条件などにより、第１系統配管６１と第２系統配管６２のそれぞれの流量の突変を含む変動傾向が似る場合がある。この場合において、プロセス量間の相関（疑似相関）が有るものとして学習されてしまう。

【0086】

その結果、監視期間の或る部分６９において、第１系統配管６１の流量が、学習期間に無かった大きさの突変を起こした場合、相関が有るものとして学習された第２系統配管６２の流量の予測値が誤連動を起こす。

【0087】

つまり、第２系統配管６２の流量の予測値（判定用出力データ）が、実測値（判定用入力データ）と異なるようになる。これにより、実際の第２系統配管６２の流量には、異常が無いにも関わらず、異常があるものと誤判定されてしまう。

【0088】

このため、突変を起こすプロセス量Ｐに、単独監視信号判定フラグＦ２（図３）が付与され、相関を学習しないプロセス量Ｐとして分類される。

【0089】

本実施形態のデータ分類部１２（図３）は、少なくとも１つのプロセス量Ｐが突発的な変化を起こすものである場合には、この少なくとも１つのプロセス量Ｐを非相関データとして分類する。このようにすれば、突発的な変化を起こすものであることを基準として、プロセス量Ｐの分類が行われるため、適切な分類を行うことができる。

【0090】

以上述べたように、少なくとも１つ以上の分類条件によりプロセス量Ｐを分類する。そして、プロセス量間の相関を学習する物理相関信号と、疑似相関による誤連動を誘発する可能性があるプロセス量Ｐを単独監視信号として分類し、学習用入力データを生成することが可能となる。このようにすれば、多数のセンサ３を取り扱い、誤連動に起因した誤検知を誘発する可能性がある機械学習を用いた学習モデルの生成時において、その検知性能の向上に寄与できる。

【0091】

次に、変形例の異常予兆検知システム１について図１４を用いて説明する。なお、前述した実施形態に示される構成部分と同一構成部分については同一符号を付して重複する説明を省略する。この変形例において適用される構成が、前述の実施形態に適用されても良いし、適宜組み合わされても良い。

【0092】

前述の実施形態では、学習用コンピュータ５のデータ分類部１２でプロセス量Ｐを自動的に分類している。一方、この変形例では、プロセス量分類フラグ設定部１５を追加することで、学習用コンピュータ５の外部でプロセス量分類用フラグＦ３を出力するようにしている。

【0093】

例えば、プロセス量分類用フラグＦ３は、プロセス量分類フラグ設定部１５からデータ入力用コンピュータ４に入力される。このプロセス量分類用フラグＦ３の入力処理は、ユーザの操作に基づいて行われても良いし、プロセス量分類フラグ設定部１５が自動的に行っても良い。

【0094】

データ入力用コンピュータ４は、プロセス量分類用フラグＦ３をプロセス量Ｐと紐づけて出力する。学習用コンピュータ５のデータ分類部１２は、プロセス量分類用フラグＦ３を読み取ることで、プロセス量Ｐに対し、物理相関信号判定フラグＦ１または単独監視信号判定フラグＦ２を設定する。

【0095】

例えば、前述の第１の分類条件のように、固有値で運用するプロセス量Ｐと分類されるべきプロセス量Ｐに対し、ノイズが乗るなどの条件で固有値であることがデータ上は判別し難い場合がある。この場合でも、設計情報など外部情報の基づき、プロセス量分類用フラグＦ３が設定されることで、適切に単独監視信号に分類される。

【0096】

また、前述の第２の分類条件のように、運転条件の切り替えによる相関性の変化に対しても、データ欠損または異常データが含まれるなどの理由により、切り替え条件が網羅できない場合がある。また、学習用のデータしか得られなかった場合は、自動的に分類することは困難となる。このような場合でも、設計情報などの外部情報に基づき、プロセス量分類用フラグＦ３が設定されることで、適切に単独監視信号に分類される。

【0097】

また、前述の第３の分類条件のように、間欠的な運転を行う機器に対しても、データ欠損または異常データが含まれるなどの理由により、間欠的な運転が行われない期間の学習用データしか得られない場合がある。この場合に、プロセス量Ｐを自動的に分類することが困難となるが、設計情報などの外部情報に基づき、プロセス量分類用フラグＦ３が設定されることで、適切に単独監視信号に分類される。

【0098】

また、前述の第４の分類条件のように、プロセス量Ｐに外部要因に影響を受けるものがある。ここで、プロセス量Ｐに、排除したい外部要因を特定するもの、例えば、建屋５１（図１０）の外部の気圧が含まれない場合は、自動的に分類することは困難となる。この場合でも、設計情報などの外部情報に基づき、プロセス量分類用フラグＦ３が設定されることで、適切に単独監視信号に分類される。

【0099】

また、前述の第５の分類条件のように、プロセス量Ｐに急激な変動を起こすものがある。ここで、急激な変動が、サンプリング周期よりも短い周期での変動か否かが判別しづらい場合がある。例えば、インターロック条件などにより一時的に設定値が増減する場合は、突変に分類されないことがある。この場合でも、設計情報などの外部情報に基づき、プロセス量分類用フラグＦ３が設定されることで、適切に単独監視信号に分類される。

【0100】

このように、プロセス量Ｐには、含まれない設計情報などの外部情報に基づき、疑似相関による誤連動を誘発する可能性があるプロセス量Ｐを単独監視信号として分類することができる。そして、機械学習に用いる学習用入力データ（入力情報）として提供することが可能となる。

【0101】

変形例の学習用コンピュータ５は、外部情報に基づいて、それぞれのプロセス量Ｐを、相関データまたは非相関データに分類するプロセス量分類用フラグＦ３を設定する。ここで、外部情報は、設計情報などのプラント２から発生するプロセス量Ｐから想定されない情報、または、プラント２から発生するプロセス量Ｐに含まれていない情報である。このようにすれば、設計情報などの外部情報を基準として、プロセス量Ｐの分類が行われるため、適切な分類を行うことができる。

【0102】

前述の実施形態の異常予兆検知システム１は、ＦＰＧＡ（Field Programmable Gate Array）、ＧＰＵ（Graphics Processing Unit）、ＣＰＵ（Central Processing Unit）および専用のチップなどのプロセッサを高集積化させた制御装置と、ＲＯＭ（Read Only Memory）およびＲＡＭ（Random Access Memory）などの記憶装置と、ＨＤＤ（Hard Disk Drive）およびＳＳＤ（Solid State Drive）などの外部記憶装置と、ディスプレイなどの表示装置と、マウスおよびキーボードなどの入力装置と、通信インターフェースとを備える。この異常予兆検知システム１は、通常のコンピュータを利用したハードウェア構成で実現できる。

【0103】

なお、前述の実施形態の異常予兆検知システム１で実行されるプログラムは、ＲＯＭなどに予め組み込んで提供される。追加的または代替的に、このプログラムは、インストール可能な形式または実行可能な形式のファイルでＣＤ－ＲＯＭ、ＣＤ－Ｒ、メモリカード、ＤＶＤ、フレキシブルディスク（ＦＤ）などのコンピュータで読み取り可能な非一時的な記憶媒体に記憶されて提供される。

【0104】

また、この異常予兆検知システム１で実行されるプログラムは、インターネットなどのネットワークに接続されたコンピュータに格納し、ネットワーク経由でダウンロードさせて提供するようにしても良い。また、この異常予兆検知システム１は、構成要素の各機能を独立して発揮する別々のモジュールを、ネットワークまたは専用回線で相互に接続し、組み合わせて構成することもできる。

【0105】

以上説明した実施形態によれば、それぞれのプロセス量Ｐを、複数のプロセス量間の相関を学習させる相関データと複数のプロセス量間の相関を学習させない非相関データとに分類することにより、疑似相関に起因する誤検知を抑制することができる。

【0106】

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更、組み合わせを行うことができる。これら実施形態またはその変形は、発明の範囲と要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。

【符号の説明】

【0107】

１…異常予兆検知システム、２…プラント、３…センサ、４…データ入力用コンピュータ、５…学習用コンピュータ、６…検知用コンピュータ、７…入力部、８…出力部、９…通信部、１０…記憶部、１１…処理回路、１２…データ分類部、１３…分類結果処理部、１４…学習モデル生成部、１５…プロセス量分類フラグ設定部、２１…第１系統配管、２２…第２系統配管、２３…流量調整弁、２４…流量計、２５…学習期間の或る部分、２６…監視期間の或る部分、３１…第１配管、３２…第２配管、３３…第３配管、３４…第１ポンプ、３５…第１圧力計、３６…第２ポンプ、３７…第２圧力計、３８…流量計、４１…第１系統配管、４２…第２系統配管、４３…第１ポンプ、４４…第１圧力計、４５…第２ポンプ、４６…第２圧力計、４７…タンク、４８…水位計、４９…学習期間の或る部分、５０…監視期間の或る部分、５１…建屋、５２…第１機器、５３…第２機器、５４…第１圧力計、５５…第３機器、５６…第４機器、５７…第２圧力計、５８…部屋、５９…監視期間の或る部分、６１…第１系統配管、６２…第２系統配管、６３…第１ポンプ、６４…第１流量調整弁、６５…第１流量計、６６…第２ポンプ、６７…第２流量調整弁、６８…第２流量計、６９…監視期間の或る部分、Ｆ１…物理相関信号判定フラグ、Ｆ２…単独監視信号判定フラグ、Ｆ３…プロセス量分類用フラグ、Ｍ…異常予兆検知モデル、Ｐ…プロセス量、Ｖ…プロセス値。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】