特許 7211861 状態監視システムおよび状態監視方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2023-01-16

(45)【発行日】2023-01-24

(54)【発明の名称】状態監視システムおよび状態監視方法

(51)【国際特許分類】

   G01M 99/00 20110101AFI20230117BHJP

   G05B 23/02 20060101ALI20230117BHJP

   G08C 15/00 20060101ALI20230117BHJP

【ＦＩ】

G01M99/00 A

G05B23/02 T

G08C15/00 D

【請求項の数】 12

(21)【出願番号】P 2019052935

(22)【出願日】2019-03-20

(65)【公開番号】P2020153836

(43)【公開日】2020-09-24

【審査請求日】2021-09-17

(73)【特許権者】

【識別番号】000102692

【氏名又は名称】ＮＴＮ株式会社

(74)【代理人】

【識別番号】110001195

【氏名又は名称】弁理士法人深見特許事務所

(72)【発明者】

【氏名】下山 陽太

(72)【発明者】

【氏名】高橋 亨

(72)【発明者】

【氏名】畠山 航

【審査官】森口 正治

(56)【参考文献】

【文献】特開２０１３－１８５５０７（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０１Ｍ １３／００－９９／００

Ｇ０５Ｂ ２３／０２

Ｇ０８Ｃ １５／００

(57)【特許請求の範囲】

【請求項1】

装置を構成する機械要素の状態を監視する状態監視システムであって、
前記機械要素の状態を検出するためのセンサと、
前記機械要素の異常を診断するための処理装置とを備え、
前記処理装置は、
前記センサの検出信号から複数の特徴量を算出し、
算出した前記複数の特徴量から有効な特徴量を抽出し、
抽出した前記有効な特徴量に基づいて前記機械要素の異常を診断し、
算出した前記複数の特徴量のうち、経時的な変化が変化検出しきい値よりも小さい第１の特徴量については、当該第１の特徴量を前記有効な特徴量として抽出し、
算出した前記複数の特徴量のうちの経時的な変化が前記変化検出しきい値以上である第２の特徴量については、相関および類似性のうちの少なくとも一方を評価して統合し、統合した特徴量を前記有効な特徴量として抽出する、状態監視システム。

【請求項2】

前記処理装置は、第１および第２のモードを順次行なうように構成され、
前記第１のモードは、前記装置が正常であるときに行なわれ、
前記処理装置は、前記第１のモードにおいて、前記センサの検出信号から算出される前記複数の特徴量の経時的な傾向に基づいて、前記有効な特徴量を抽出し、
前記処理装置は、前記第２のモードにおいて、前記装置の運用中における前記有効な特徴量に基づいて、前記機械要素の異常を診断する、請求項１に記載の状態監視システム。

【請求項3】

前記処理装置は、
前記第１のモードにおいて前記有効な特徴量から統計的手法を用いて異常判断しきい値を生成し、
前記第２のモードにおいて、前記有効な特徴量が前記異常判断しきい値以上であるときに、前記機械要素の異常と診断する、請求項２に記載の状態監視システム。

【請求項4】

前記第２のモード中、前記処理装置は、前記有効な特徴量の中から、経時的な変化が前記変化検出しきい値以上である特徴量を検出し、検出した特徴量から前記有効な特徴量を新たに生成し、および新たに生成した前記有効な特徴量についても前記異常判断しきい値を生成する、請求項３に記載の状態監視システム。

【請求項5】

前記処理装置は、前記第１のモードにおいて、
前記第２の特徴量を経時的な変化の関連性に基づいてグルーピングするグルーピング処理を行ない、
各グループの経時的な変化を特徴づける特徴量を、前記有効な特徴量として抽出する、請求項２から４のいずれか１項に記載の状態監視システム。

【請求項6】

前記処理装置は、複数の前記第２の特徴量の間の経時的な変化の正規化相関に基づいて、前記関連性を評価する、請求項５に記載の状態監視システム。

【請求項7】

前記処理装置は、複数の前記第２の特徴量の各々の経時的な変化の変化点の時刻を比較することより、前記関連性を評価する、請求項５に記載の状態監視システム。

【請求項8】

前記処理装置は、複数の前記第２の特徴量の各々を正規化し、正規化した前記複数の第２の特徴量間の差分の逆数を比較することにより、前記関連性を評価する、請求項５に記載の状態監視システム。

【請求項9】

前記処理装置は、前記グルーピング処理において、複数の前記第２の特徴量を、前記関連性の高いものから順にグルーピングする、請求項５から８のいずれか１項に記載の状態監視システム。

【請求項10】

前記処理装置は、前記グルーピング処理において、グルーピングされた複数の前記第２の特徴量を、前記関連性の低いものから順に除いていく、請求項５から８のいずれか１項に記載の状態監視システム。

【請求項11】

前記処理装置は、前記第１のモード中の一定期間における前記複数の特徴量の分布状況に基づいて、前記変化検出しきい値を設定する、請求項２から１０のいずれか１項に記載の状態監視システム。

【請求項12】

装置を構成する機械要素の状態を監視する状態監視方法であって、
前記装置に設置したセンサにより前記機械要素の状態を検出するステップと、
前記センサの検出信号から複数の特徴量を算出するステップと、
算出した前記複数の特徴量から有効な特徴量を抽出するステップと、
抽出した前記有効な特徴量に基づいて前記機械要素の異常を診断するステップとを含み、
前記抽出するステップにおいて、
算出した前記複数の特徴量のうち、経時的な変化が変化検出しきい値よりも小さい第１の特徴量については、当該第１の特徴量が前記有効な特徴量として抽出され、
算出した前記複数の特徴量のうちの経時的な変化が前記変化検出しきい値以上である第２の特徴量については、相関および類似性のうちの少なくとも一方を評価して統合し、統合した特徴量が前記有効な特徴量として抽出される、状態監視方法。

【発明の詳細な説明】

【技術分野】

【0001】

この発明は、装置を構成する機械要素の状態を監視する状態監視システムおよび状態監視方法に関する。

【背景技術】

【0002】

従来、回転機械および設備およびそれらを含むプラントでは、各種センサを用いて物理量を測定することによって、状態を監視している。たとえば風力発電装置においては、風力を受けるブレードに接続される主軸を回転させ、増速機により主軸の回転を増速させた上で発電機のロータを回転させることによって発電が行なわれているが、このような風力発電装置の各部の異常を診断する状態監視システム（ＣＭＳ：Ｃｏｎｄｉｔｉｏｎ Ｍｏｎｉｔｏｒｉｎｇ Ｓｙｓｔｅｍ）が知られている。特許第５９１７９５６号公報（特許文献１）には、風力発電装置の各部に固設された振動、音等を検出するセンサにより測定される診断パラメータを用いて、各部に損傷が発生しているか否かが診断される状態監視システムが開示されている。

【先行技術文献】

【特許文献】

【0003】

【文献】特許第５９１７９５６号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

しかしながら、このような装置においては、多種多様な部品について損傷、取り付け不良、回転軸についてのアンバランス、ミスアラインメント等、多数の種類の異常が発生し得る。これら多様な異常をもれなく監視するためには、多数の種類の診断パラメータに様々な信号処理（たとえばフィルタリング等）を組み合わせて処理を行なうことが必要とされるため、多くの労力がかかる虞がある。

【0005】

この発明は、かかる課題を解決するためになされたものであり、その目的は、多様な種類の異常を簡便に監視できる状態監視システムおよび状態監視方法を提供することである。

【課題を解決するための手段】

【0006】

この発明のある局面に従えば、状態監視システムは、センサと、処理装置とを備え、装置を構成する機械要素の状態を監視する。センサは、機械要素の状態を検出するために用いられる。処理装置は、機械要素の異常を診断するために用いられる。処理装置は、センサの検出信号から複数の特徴量を算出する。処理装置は、算出した複数の特徴量から、経時的な傾向が互いに独立する少なくとも１つの特徴量を有効な特徴量として抽出する。処理装置は、抽出した有効な特徴量に基づいて機械要素の異常を診断する。

【発明の効果】

【0007】

この発明によれば、多様な種類の異常を簡便に監視できる状態監視システムおよび状態監視方法を提供することができる。

【図面の簡単な説明】

【0008】

【図1】本実施の形態に係る状態監視システムの全体構成を概略的に示した図である。

【図2】風力発電装置の構成を概略的に示した図である。

【図3】風力発電装置の各部の損傷に関するセンサおよび特徴量を説明するための表である。

【図4】本実施の形態に係るモニタ装置および制御装置の構成の概要を示すブロック図である。

【図5】比較例に係る状態監視システムの機能を概念的に説明する図である。

【図6】本実施の形態に係る状態監視システムの機能を概念的に説明する図である。

【図7】学習モードに関する制御装置の構成を説明するブロック図である。

【図8】変化検出しきい値の算出法を説明するフローチャートである。

【図9】有効な特徴量の抽出法を説明するフローチャートである。

【図10】変曲点の定義を説明する図である。

【図11】２つの特徴量の変化点の時刻差の算出方法の一例を説明する図である。

【図12】トレンドの２階微分の乗算に基づく関連性評価値の算出方法を概念的に説明するための図である。

【図13】特徴量の正規化を概念的に説明するための図である。

【図14】特徴量間のユークリッド距離の一例を説明する図である。

【図15】関連性の高い特徴量から順に統合していくグルーピング法を説明するフローチャートである。

【図16】関連性の低い特徴量から除いていくグルーピング法の概念を説明する図である。

【図17】関連性の低い特徴量から除いていくグルーピング法を説明するフローチャートである。

【図18】図１７のステップＳ３２，Ｓ３３の処理を概念的に説明する図である。

【図19】重複評価値を概念的に説明する図である。

【図20】運用モードに関する制御装置の構成を説明するブロック図である。

【図21】再抽出部の処理を説明するフローチャートである。

【発明を実施するための形態】

【0009】

以下、本発明の実施の形態について、図面を参照しながら詳細に説明する。なお、図中の同一または相当部分には同一符号を付してその説明は繰返さない。

【0010】

＜状態監視システムの全体構成＞
図１は、本実施の形態に係る状態監視システム１００の全体構成を概略的に示した図である。図１を参照して、状態監視システム１００は、風力発電装置１０を構成する機械要素の状態を監視する。状態監視システム１００は、モニタ装置８０と、データサーバ（監視側制御装置、以下、単に制御装置とも称する）３３０と監視用端末３４０とを備える。なお、本実施の形態では、本実施の形態に従う状態監視システムの監視対象として、風力発電装置１０またはその各部を上げているが、あくまで一例であり、本実施の形態に従う状態監視システムの監視対象はこれに限定されない。

【0011】

モニタ装置８０は後述するセンサ７０Ａ～７０Ｈ（図２参照）と有線または無線で接続される。モニタ装置８０は、センサ７０Ａ～７０Ｈの検出信号を基に、検出信号の特徴を示す「特徴量」を算出する。特徴量は、例えば実効値、ピーク値、クレストファクター、エンベロープ処理後の実効値、エンベロープ処理後のピーク値等である。モニタ装置８０は、当該特徴量を、インターネット３２０を介して制御装置３３０へ送信する。

【0012】

なお、モニタ装置８０と制御装置３３０との通信は有線または無線で行なわれ、図１のようにインターネットを介して行われてもよい。

【0013】

制御装置３３０は、モニタ装置８０から受信した特徴量を基にさらなる詳細な解析を行なう。また、制御装置３３０は、当該特徴量の統計的演算等により、風力発電装置１０の各部が異常であるか否かを判定する。制御装置３３０は、上記結果を監視用端末３４０に有線または無線で送信する。また、制御装置３３０と監視用端末３４０とは、たとえば社内ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）および／またはインターネットを介して接続される。制御装置３３０は必要に応じて、モニタ装置８０に観察する特徴量の指示を出力する等のフィードバック制御を、有線又は無線で出力する（図示せず）。

【0014】

監視用端末３４０は、制御装置３３０が受信した特徴量に関する情報の閲覧、特徴量の詳細な解析の指令、モニタ装置８０の設定変更、風力発電装置の各機器の状態の閲覧等に利用される。

【0015】

＜風力発電装置の構成＞
図２は、風力発電装置１０の構成を概略的に示した図である。図２を参照して、風力発電装置１０は、主軸２０と、ブレード３０と、増速機４０と、発電機５０と、主軸受６０と、センサ７０Ａ～７０Ｈと、モニタ装置８０とを備える。増速機４０、発電機５０、主軸受６０、センサ７０Ａ～７０Ｈおよびモニタ装置８０は、ナセル９０に格納され、ナセル９０は、タワー９１によって支持される。

【0016】

主軸２０は、ナセル９０内に進入して増速機４０の入力軸に接続され、主軸受６０によって回転自在に支持される。そして、主軸２０は、風力を受けたブレード３０により発生する回転トルクを増速機４０の入力軸へ伝達する。

【0017】

ブレード３０は、主軸２０の先端に設けられ、風力を回転トルクに変換して主軸２０に伝達する。

【0018】

主軸受６０は、ナセル９０内において固設され、主軸２０を回転自在に支持する。主軸受６０は、たとえば、自動調芯ころ軸受、円すいころ軸受、円筒ころ軸受、玉軸受等の転がり軸受によって構成される。なお、これらの軸受は、単列のものでも複列のものでもよい。

【0019】

センサ７０Ａ～７０Ｈは、ナセル９０の内部の各機器に固設され、風力発電装置１０を構成する機械要素の状態を検出する。具体的には、センサ７０Ａは、主軸受６０の上面に固設され、主軸受６０の状態を検出する。センサ７０Ｂ～７０Ｄは、増速機４０の上面に固設され、増速機４０の状態を検出する。センサ７０Ｅ，７０Ｆは、発電機５０の上面に固設され、発電機５０の状態を検出する。センサ７０Ｇは主軸受６０に固設され、ミスアライメントとナセルの異常振動を検出する。センサ７０Ｈは主軸受６０に固設され、アンバランスとナセルの異常振動を検出する。以下、センサ７０Ａ～７０Ｈを「センサ７０」とも総称する。センサ７０は、制御装置３３０の監視対象の情報を取得するための振動、音、ＡＥ（Ａｃｏｕｓｔｉｃ ｅｍｉｓｓｉｏｎ）等を検出する。また、センサ７０の代わりとして、ＳＣＡＤＡ（Supervisory Control And Data Acquisition）等のセンサ７０の値を収集する制御機器からセンサ７０の値を提供するように構成してもよい。

【0020】

増速機４０は、主軸２０と発電機５０との間に設けられ、主軸２０の回転速度を増速して発電機５０へ出力する。一例として、増速機４０は、遊星ギヤおよび中間軸、高速軸等を含む歯車増速機構によって構成される。なお、特に図示しないが、この増速機４０内にも、複数の軸を回転自在に支持する複数の軸受が設けられている。

【0021】

発電機５０は、増速機４０の出力軸に接続され、増速機４０から受ける回転トルクによって発電する。発電機５０は、たとえば、誘導発電機によって構成される。なお、この発電機５０内にも、ロータを回転自在に支持する軸受が設けられている。

【0022】

モニタ装置８０は、ナセル９０の内部に設けられ、センサ７０Ａ～７０Ｈが検出した各機器の振動、音、ＡＥ等の検出信号を受信する。なお、図示はしていないが、センサ７０Ａ～７０Ｈとモニタ装置８０とは、有線ケーブルまたは無線で接続されている。

【0023】

＜診断パラメータと故障の種類の関係＞
図３は、風力発電装置の各部の損傷に関するセンサおよび特徴量を説明するための表である。本実施の形態に係る制御装置は、各種センサの検出信号から算出される特徴量と、所定のしきい値とを比較して異常を判断する。以下、このような特徴量がその値を超えたら異常と判断するしきい値を「異常判断しきい値」とも称する。

【0024】

具体的には、主軸受６０については、主軸受６０に固設された高周波用振動センサ７０Ａにより測定されたデータから、モニタ装置８０により実効値が算出される。制御装置３３０において算出された実効値が対応する異常判断しきい値以上であると判定された場合には、主軸受６０の軸受が損傷していることが監視用端末３４０に表示される。

【0025】

また、主軸受６０については、主軸の半径方向の振動を測定するように取付けた低周波用振動センサ７０Ｈにより測定されたデータから、モニタ装置８０により１次回転周波数成分、２次回転周波数成分、３次回転周波数成分が算出される。制御装置３３０において、それぞれの周波数成分が対応する異常判断しきい値以上であると判定される場合には、主軸受６０がアンバランスであることが監視用端末３４０に表示される。

【0026】

さらに、主軸受６０については、主軸の軸方向の振動を測定するように取付けた低周波用振動センサ７０Ｇにより測定されたデータから、モニタ装置８０により１次回転周波数成分、２次回転周波数成分、３次周波数成分が算出される。制御装置３３０においてそれぞれの周波数成分が対応する異常判断しきい値以上であると判定される場合には、主軸受６０が主軸２０とミスアライメントであることが監視用端末３４０に表示される。

【0027】

さらに、増速機４０については、高周波用振動センサ７０Ｂ～７０Ｄにより測定されたデータから、モニタ装置８０により実効値が算出される。制御装置３３０において算出された実効値が対応する異常判断しきい値以上であると判定される場合には、増速機４０の軸受が損傷していることが監視用端末３４０に表示される。

【0028】

さらに、増速機４０については、高周波用振動センサ７０Ｂ～７０Ｄにより測定されたデータから、モニタ装置８０により歯車の１次かみ合い周波数成分、２次かみ合い周波数成分、３次かみ合い周波数成分が算出される。制御装置３３０において、それぞれの算出値が対応する異常判断しきい値以上であると判定される場合には、増速機４０の歯車が損傷していることが監視用端末３４０に表示される。

【0029】

さらに、発電機５０については、高周波用振動センサ７０Ｅ，７０Ｆにより測定されたデータから、モニタ装置８０により実効値が算出される。制御装置３３０において算出された実効値が対応する異常判断しきい値以上であると判定される場合には、発電機５０の軸受が損傷していることが監視用端末３４０に表示される。

【0030】

さらに、ナセル９０については、主軸の半径方向の振動を測定するように取付けた低周波用振動センサ７０Ｈにより測定されたデータから、モニタ装置８０により低周波振動成分が算出される。制御装置３３０において低周波振動成分が対応する異常判断しきい値以上であると判定される場合には、ナセル９０が異常振動していることが監視用端末３４０に表示される。

【0031】

また、ナセル９０については、主軸の軸方向の振動を測定するように取付けた低周波用振動センサ７０Ｇにより、測定されたデータから、モニタ装置８０により低周波振動成分が算出される。制御装置３３０において低周波振動成分が対応する異常判断しきい値以上であると判定される場合には、ナセル９０が異常振動していることが監視用端末３４０に表示される。

【0032】

上記測定項目は、理解を容易にするために、一部を取り出して説明したものであって、これに限定されない。たとえば、振動センサ、ＡＥセンサ、温度センサ、音センサの測定データについて、統計的手法を用いて、実効値、ピーク値、平均値、クレストファクター、エンベロープ処理後の実効値、エンベロープ処理後のピーク値を算出し、対応するしきい値と比較するように構成してもよい。このような構成により、制御装置３３０により風力発電装置１０の各部の状態が監視可能であり、監視用端末３４０に各部の状態を表示することができる。

【0033】

図４は、本実施の形態に係るモニタ装置８０および制御装置３３０の構成を示すブロック図である。図４を参照して、モニタ装置８０は、風力発電装置１０に設置されたセンサ７０から信号を受ける。制御装置３３０は、モニタ装置８０からの信号を受けて、風力発電装置１０の状態を監視し、異常を検出する。

【0034】

モニタ装置８０は、Ａ／Ｄコンバータ１１０Ｂと、データ取得部１２０Ｂと、記憶部１３０Ｂと、データ演算部１４０Ｂと、出力部１５０Ｂとを含む。

【0035】

Ａ／Ｄコンバータ１１０Ｂは、センサ７０の検出信号を受信する。Ａ／Ｄコンバータ１１０Ｂは、アナログ信号である当該検出信号をデジタル信号に変換する。Ａ／Ｄコンバータ１１０Ｂは、当該デジタル信号をデータ取得部１２０Ｂに送信する。

【0036】

データ取得部１２０Ｂは、Ａ／Ｄコンバータ１１０Ｂからデジタル信号を受信してフィルタ処理を行ない、記憶部１３０Ｂに記憶させるとともに、データ演算部１４０Ｂに送信する。

【0037】

データ演算部１４０Ｂは、データ取得部１２０Ｂおよび／または記憶部１３０Ｂからフィルタ処理が施されたセンサ７０の検出信号を受信する。データ演算部１４０Ｂはセンサ７０の検出信号から特徴量を計算し、記憶部１３０Ｂに記憶させるとともに、出力部１５０Ｂに送信する。

【0038】

出力部１５０Ｂは、データ演算部１４０Ｂから特徴量を受信し、制御装置３３０のデータ取得部１２０に送信する。

【0039】

制御装置３３０は、データ取得部１２０と、記憶部１３０と、データ演算部１４０と、出力部１５０とを含む。

【0040】

データ取得部１２０は、モニタ装置８０の出力部１５０から特徴量を受信し、記憶部１３０に記憶させるとともに、データ演算部１４０に送信する。

【0041】

データ演算部１４０は、記憶部１３０から風力発電装置１０の正常時のセンサ７０の検出信号を基にデータ演算部１４０Ｂが算出した特徴量を読み出し、読み出した特徴量から統計的手法を用いて異常判断しきい値を生成する。異常判断しきい値は、「第１のしきい値」の一実施例に対応する。このように、特徴量を用いて異常か否かを判定するための異常判断しきい値を生成するモードを、以下「学習モード」と称する（詳しくは後述）。学習モードは、「第１のモード」の一実施例に対応する。

【0042】

また、データ演算部１４０は、記憶部１３０から風力発電装置１０の運転時のセンサ７０の検出信号を読み出し、異常判断しきい値と比較することで、風力発電装置１０の異常の有無を判断する。データ演算部１４０は、判定結果を出力部１５０に出力する。このように、異常判断しきい値を用いて監視対象の状態を監視するモードを、以下「運用モード」と称する（詳しくは後述）。運用モードは、「第２のモード」の一実施例に対応する。

【0043】

出力部１５０は、データ演算部１４０の出力を受信し、監視用端末３４０に送信する。
＜学習モードと運用モードの定義＞
このような状態監視システムは、監視対象の装置の正常時に、特徴量が異常か否かを判断するためのしきい値を生成する「学習モード」と、学習モードの後、当該装置の実際の運転時に、学習モードに生成されたしきい値を用いて当該装置の状態を監視する「運用モード」の２つのモードを有する。

【0044】

すなわち、本願明細書においては、学習モードは、風力発電装置１０が正常であるときの特徴量を用いて監視対象が異常か否かを判定するための異常判断しきい値を生成するモードであり、運用モードは異常判断しきい値を用いて監視対象の状態を監視するモードである。

【0045】

学習モードは、典型的には、監視システム１００の監視対象となる装置が新たに設置された直後に行なわれる。当該装置が新たに設置された直後は、当該装置の各部が故障していないと考えられるので、当該装置の各部は正常である（異常が生じていない）とみなせる。また、当該監視対象となる装置の状況が変わった場合（たとえば、当該装置の一部の部品を交換後に正常動作の確認を行なった後、または、定期的な保守点検を行なった後）に、必要に応じて学習モードを行なうように構成してもよい。学習モードが終了すると、運用モードが開始される。

【0046】

以下に、制御装置３３０がどのようにそれぞれのモードを実行しているかを概念的に説明する。最初に比較例に係る制御装置の構成を説明する。

【0047】

図５は、比較例に係る状態監視システムの機能を概念的に説明する図である。図５はデータ取得部１２０、学習部１および監視部２を含む。なお、学習部１および監視部２は、データ演算部１４０に含まれる。

【0048】

学習モードにおいて、学習部１はデータ取得部１２０から特徴量を受信し、特徴量を用いて異常判断しきい値を算出する。

【0049】

運用モードにおいて、監視部２はデータ取得部１２０から特徴量を受信する。監視部２は、当該特徴量を、学習部１で算出した異常判断しきい値と比較する。監視部２は、特徴量が異常判断しきい値以上である場合、特徴量が異常であると判定し、警告を出力する。

【0050】

しかし、このような状態監視システムにおいて、監視対象の装置の全体を監視する場合、当該装置の部品毎、さらには当該部品の異常の種類の指標となる特徴量毎に異常判断しきい値を算出し、各特徴量が異常判断しきい値以上であるか監視する必要がある可能性がある。しかし、多くの場合、このような状態監視システムが監視する装置の部品およびその異常は多岐にわたる。

【0051】

たとえば、風力発電装置には、多種多様な形状の軸受けおよびギヤの損傷および取り付け不良、回転軸のアンバランスおよびミスアライメントといった数多くの種類の異常が発生しうる。また、「軸の回転数の異常」という異常１つをとっても、正常状態の軸の回転数自体も数十ｒｐｍ～１５００ｒｐｍまで幅広いため、異常となる回転数も多岐にわたる。こうした多種多様な異常をもれなく監視するためには、様々な算出式およびフィルタリング等の信号処理を組み合わせて、大量の特徴量および異常判断しきい値（例えば各々１００～１０００個）を算出することが必要となる可能性がある。よって、分析者がそれらの特徴量および異常判断しきい値を全て確認するには多くの労力がかかる虞がある。

【0052】

＜本実施の形態に係る状態監視システムの動作＞
図６は、本実施の形態に係る状態監視システムの機能を概念的に説明する図であり、図５と対比される図である。図６を参照して、本実施の形態に係る制御装置３３０と、比較例に係る制御装置３３０（図５）の主な違いは、学習モードにおいて抽出部３が付加され、運用モードにおいて選択部５および変化検出部４が付加されていることである。なお、抽出部３、選択部５および変化検出部４は、データ演算部１４０に含まれる。

【0053】

本実施の形態に従う状態監視システム１００は、要約すると、学習モードにおいて、監視対象の装置の各部の挙動を監視するセンサから検出された大量の特徴量（例えば１００～１０００個）の中で、関連性の高い特徴量同士を統合し、少数の有効な特徴量を抽出する（例えば１０～５０個）。そして、状態監視システム１００は、これらの有効な特徴量を基に異常判断しきい値を生成する。一方、運用モードにおいて、状態監視システム１００は、当該異常判断しきい値を用いて有効な特徴量の異常を判断する。これにより、多様な種類の異常を簡便に監視することを可能とする。

【0054】

以下、本実施の形態に係る制御装置３３０について、比較例に係る制御装置３３０と異なる機能に重点を置いて説明し、同じ機能については説明を繰り返さない。

【0055】

＜学習モードの概要＞
学習モードにおいて、抽出部３は、データ取得部１２０から受信した多数の特徴量から少数の有効な特徴量を抽出し、当該有効な特徴量を学習部１に送信する。なお、本明細書においては「有効な特徴量」とは、多数の特徴量の中でもそれらの特徴量のみを監視すれば、監視対象の異常を検出できる代表的な特徴量、および／または、監視対象の異常検出のために監視すべき特徴量を指す。

【0056】

抽出部３は、データ取得部１２０から受信した複数の特徴量の各々が「有効」かどうかを判断するために、各特徴量の変化の有無に着目する。具体的には、抽出部３は、下記の処理（１）～（３）を行なう。

【0057】

処理（１）では、特徴量の変化の有無を判断するために、制御装置３３０は、学習モード中の一定期間における特徴量の分布状況に基づいて全ての特徴量に対して、特徴量の変化を検出するしきい値（以下、「変化検出しきい値」とも称する）を生成する。変化検出しきい値は、「第２のしきい値」の一実施例に対応する。変化検出しきい値は、記憶部１３０から読み出した特徴量等の情報を基に分析者が手動で設定するように構成してもよいし、記憶部１３０から読み出した特徴量を統計的に処理して自動で算出するように構成してもよい。

【0058】

処理（２）では、全ての特徴量のうち、学習モード中に、その値の変化が変化検出しきい値より小さい特徴量を、「（着目すべき）変化が起こっていない特徴量」と判定し、当該特徴量を「有効な特徴量」として抽出する。当該変化が起こっていない特徴量は、「第１の特徴量」の一実施例に対応する。

【0059】

なお、特徴量の値が変化検出しきい値より小さい場合とは、例えば、ある回転部材の回転速度を特徴量としたとき、回転速度の経時変化（すなわち時刻に対する特徴量の値の変化、以下「トレンド」とも称する）がほぼ一定値を示す場合を指す。変化が起こっていない特徴量を有効な特徴量とする理由は処理（３）の後に説明する。

【0060】

処理（３）では、全ての特徴量のうち、学習モード中、特徴量の値が変化検出しきい値以上である特徴量を、「（着目すべき）変化が起こった特徴量」と判定する。当該変化が起こった特徴量について、相関および／または類似性を評価して統合を行ない（詳しくは後述）、統合された特徴量を有効な特徴量として抽出する。当該変化が起こった特徴量は、「第２の特徴量」の一実施例に対応する。

【0061】

また、処理（３）により有効な特徴量が抽出された際には、有効な特徴量ごとの抽出方法も記憶される。たとえば、処理（３）により、第１～第４の特徴量Ｆ１（ｔ）～Ｆ４（ｔ）が、１つの有効な特徴量である第５の特徴量Ｆ５（ｔ）に統合された場合を考える。その場合の第５の特徴量Ｆ５（ｔ）は、第１～第４の特徴量Ｆ１（ｔ）～Ｆ４（ｔ）を用いて、下記数式（１）に示す関数で表されるとする。ただし、Ｐ（ｘ）はｘの関数である。

【0062】

Ｆ５（ｔ）＝Ｐ（Ｆ１（ｔ），Ｆ２（ｔ），Ｆ３（ｔ），Ｆ４（ｔ））・・・（１）
この場合、抽出部３は、数式（１）に示す関数を記憶部１３０に記憶させる。数式（１）に示す関数は後述する選択部５で使用される。

【0063】

ここで、処理（２）で変化が起こっていない特徴量を有効な特徴量として抽出する理由を説明する。学習モードで変化が起こった特徴量については、今後（運用モード）においても同じようなタイミングおよび態様の変化が起こると予測できる。しかし、学習モードで変化が起こっていない特徴量については、今後どう変化が起こるかを予測できないので、運用モードにおいても当該変化が起こっていない特徴量を個別に監視し続ける必要がある。

【0064】

さらに、もし変化が起こっていない特徴量を処理（２）で特に有効な特徴量としないで、処理（３）で説明する変化が起こった特徴量と共に、相関および／または類似性を評価して統合を行なうと、当該変化が起こっていない特徴量は全て１つの変化の起こっていない特徴量にまとめられてしまうからである。しかし、上述のように変化が起こっていない特徴量においては、今後もし変化が起こる場合の変化のタイミングおよび態様が予想できないので、個別に監視し続ける必要がある。

【0065】

そのため、変化が起こっていない特徴量について、処理（３）で特徴量の統合を行なう前に、処理（２）で各々を有効な特徴量とすることで、運用モードで個別に監視し続けることとする。

【0066】

一方、変化が起こった特徴量に関しては、学習モードで起こった変化と同様な変化が運用モードにおいても起こると想定される。従って、学習モードで類似した変化が起こった特徴量は、運用モードにおいても類似した変化を起こすと考えられる。例えば、学習モードで同じ波形を示す２つの特徴量は、運用モードにおいては当該特徴量に関連する異常が生じるまでは、同じ波形を示し続ける可能性が高い。よって、処理（３）により、学習モードにおいて変化が類似した複数の特徴量を統合して１つの有効な特徴量とすれば、運用モードにおいては当該有効な特徴量のみを監視することで、実質的には複数の特徴量の変化を検出できると考えられる。

【0067】

ここで、変化が類似した特徴量とは、典型的には、種類、サイズおよび動作状態が共通する複数の部材の同じセンサまたは互いに近接した位置に設置されたセンサから測定された信号を基に、特徴量の算出前に近接した周波数帯域でフィルタ処理されている複数の特徴量を示す。当該複数の部材の特徴量とは、例えば、同じ回転速度かつ同じ負荷の下で、回転される同じサイズの歯車の振動の実効値である。運用モードにおいて、当該実効値は、関連する異常が生じるまでは同じ値であり続けることが予想される。例えば、軸受に異常が発生した場合、特定の周波数帯域の振動が増加する。振動は伝搬するので、当該軸受の近傍に設置された複数のセンサで、当該振動が測定される。このため、近接した振動センサの信号から算出された実効値（特徴量）のうち、当該周波数帯域を含むようなフィルタ処理をされていたものは全て上昇する。従って、例えば当該歯車が２０個有る場合に、２０個の当該軸受の近傍に３個の振動センサがある場合に、３個の特徴量のトレンドを監視する手間に代えて、統合した１個の有効な特徴量のトレンドを監視することができるので、監視の効率がよくなる。

【0068】

反対に、変化が類似しない２つの特徴量とは、典型的には、種類、サイズおよび動作状態が異なる複数の部材に設置されたセンサまたは互いに離れた位置に設置されたセンサから測定された信号を基にした複数の特徴量および特徴量算出前に異なる周波数帯域でフィルタ処理されている複数の特徴量を示す。このような２つの特徴量は、異なる傾向のトレンドグラフを示すので、統合すれば、元々の２つの特徴量が正しく検出できなくなる。よって、この２つの特徴量は、互いに統合せず、適宜それぞれの変化が類似した特徴量同士で統合される。よって、この２つの特徴量は、運用モードにおいても個別に監視される。

【0069】

なお、後述するように、本明細書では特徴量同士の類似度の大小は、関連性評価値の大小で示される。

【0070】

すなわち、学習モードにおいて監視対象の装置の状態を示す多数の特徴量が適宜統合され、少数の有効な特徴量として抽出されるので、運用モードにおいては、少数の有効な特徴量のみを監視すれば、監視対象の装置の多様な異常を検出することができる。すなわち、監視対象の装置の状態を効率良く監視することができる。

【0071】

このようにして、処理（１）～（３）により、監視すべき少数の「有効な特徴量」を抽出し、有効な特徴量のみを監視することで、監視対象全体を監視することが可能になる。

【0072】

＜運用モードの概要＞
再び図６を参照して、運用モードにおいて、選択部５は、データ取得部１２０から特徴量を受信し、受信した特徴量から有効な特徴量を抽出する。選択部５は抽出部３において行なわれた処理で抽出された有効な特徴量のリストを参照して、統合処理を行なうことにより、有効な特徴量を抽出する。例えば、選択部５は、上記処理（３）により、第１～第４の特徴量Ｆ１（ｔ）～Ｆ４（ｔ）を、上記数式（１）を用いて１つの有効な特徴量である第５の特徴量Ｆ５（ｔ）に統合する。

【0073】

運用モードにおいて、監視部２は、記憶部１３０からから有効な特徴量を読み出す。監視部２は、当該有効な特徴量を、学習部１で算出した異常判断しきい値と比較する。監視部２は、有効な特徴量が異常判断しきい値以上である場合、有効な特徴量が異常であると判定し、すなわち風力発電装置１０の機械要素に異常が生じていると診断し、警告を出力する。

【0074】

運用モードにおいて、変化検出部４は、監視部２とは別に有効な特徴量の変化を検出する。変化検出部４は、トレンド変化が変化検出しきい値以上である特徴量を、変化が起こった特徴量であると判定し、当該特徴量の再抽出および再学習を実行する。

【0075】

＜学習モードの詳細な説明＞
以下、学習モードについてより詳細に説明する。

【0076】

学習モードは、監視対象の装置が正常な状態（例えば当該装置の設置直後）におけるセンサ７０の検出信号を基に、異常判断しきい値および変化検出しきい値を算出し、かつ、有効な特徴量を抽出するモードである。

【0077】

図７は、学習モードに関する制御装置３３０の構成を説明するブロック図である。制御装置３３０において、データ取得部１２０、記憶部１３０およびデータ演算部１４０（抽出部３および学習部１）が学習モードにおいて使用される。

【0078】

データ取得部１２０は、学習モードにおいて、正常な状態で取得した特徴量のトレンドを記憶部１３０に記憶すると共に、抽出部３に送信する。

【0079】

抽出部３は、データ取得部１２０から受信した特徴量のトレンドから、上記処理（１）～（３）により有効な特徴量を抽出し、当該有効な特徴量について変化検出しきい値を算出する。抽出部３は、学習部１に有効な特徴量のリストを送信する。抽出部３は、有効な特徴量のリストと変化検出しきい値とを記憶部１３０に送信する。なお、記憶部１３０に記憶された変化検出しきい値は、変化検出部４に送信され、運用モードにおいて特徴量の変化の検出に使用される（図６参照）。

【0080】

学習部１は、記憶部１３０から読み出した有効な特徴量のトレンドを基に、統計的手法等を利用して、異常判断しきい値を算出する。

【0081】

すなわち、学習モードにおける制御装置３３０の動作は、次の動作（１）および動作（２）で構成される。

【0082】

動作（１）：抽出部３が全ての特徴量のトレンドから「有効な特徴量」を抽出する。
動作（２）：学習部１は、有効な特徴量のトレンドから異常判断しきい値を算出する。

【0083】

以下、動作（１）、（２）の各々について詳細に説明する。
図８および図９は、上記動作（１）を説明するためのフローチャートである。

【0084】

図８は、変化検出しきい値の算出法を説明するフローチャートであり、抽出部３により実行される。

【0085】

ステップＳ０１において、抽出部３は、記憶部１３０から特徴量のトレンドを読み出す。ステップＳ０２において、抽出部３は、特徴量のトレンドの標準偏差σおよび平均値μを算出する。ステップＳ０３において、抽出部３は、ｒを所定の係数としたとき、抽出部３は、μ±ｒ＊σを変化検出しきい値として設定する。ここで、ｒは正の数であり、例えば３である。ステップＳ０４において、抽出部３は、記憶部１３０に変化検出しきい値を記憶し、処理を終了する。

【0086】

図９は、有効な特徴量の抽出法を説明するフローチャートであり、図８のフローチャートの後に、抽出部３により実行される。ステップＳ１１において、抽出部３は、記憶部１３０から特徴量トレンドと変化検出しきい値とを読み出す。ステップＳ１２において、抽出部３は、トレンド変化が変化検出しきい値より小さい特徴量があるか否かを判定する。

【0087】

トレンド変化が変化検出しきい値より小さい特徴量が有る場合（ステップＳ１２にてＹＥＳ）、ステップＳ１７において、抽出部３は、トレンド変化が変化検出しきい値より小さい特徴量を、有効な特徴量とする。続くステップＳ１８において、抽出部３は有効な特徴量を記憶部１３０に記憶する。

【0088】

一方、抽出部３は、トレンド変化がステップＳ１２で変化検出以上である特徴量からも、ステップＳ１３～Ｓ１６により有効な特徴量を抽出し、記憶部１３０に保存する。すなわち、ステップＳ１３～Ｓ１６においては、ステップＳ１２でトレンド変化が変化検出しきい値以上である特徴量が処理される。

【0089】

ステップＳ１８の後、もしくは、ステップＳ１２においてトレンド変化が変化検出しきい値以上である特徴量が無い場合（ステップＳ１２にてＮＯ）、抽出部３はステップＳ１３に処理を進める。抽出部３は、ステップＳ１３において、ステップＳ１２で変化検出しきい値以上である特徴量について、特徴量のトレンド変化の関連性を評価するための指標である「関連性評価値」を算出する。関連性評価値とは、特徴量のトレンド変化の関連性を評価する値であり、２つの特徴量の類似度を示す。関連性評価値の算出法については後に詳細に説明する。

【0090】

続いて、ステップＳ１４において、抽出部３は、関連性評価値を用いて特徴量をグルーピングする。このグルーピングにより、関連性の高い特徴量が同一のグループにまとめられる。グルーピングは、類似している特徴量単位で１つのグループを作り、後にグループ内の特徴量を統合するための布石である。具体的なグルーピングの方法については後に詳述する。

【0091】

ステップＳ１５において、抽出部３は、それぞれのグループから特徴量を１つ抽出して「有効な特徴量」とする。有効な特徴量は、グループ内から代表値を選んでもよいし、グループ内の特徴量から新たな特徴量を算出してもよい。この有効な特徴量の抽出により、監視しなくてはならない特徴量の数が減るため、監視の効率を高めることができる。

【0092】

続いて、ステップＳ１７において、抽出部３は、記憶部１３０に有効な特徴量を記憶し、処理を終了する。

【0093】

これらの処理により、記憶部１３０には、変化が起こらなかった特徴量、および、変化が起こった特徴量から抽出された特徴量が、有効な特徴量として記憶される。

【0094】

＜関連性評価値＞
次に、関連性評価値について詳しく説明する。関連性評価値とは、上記のとおり、特徴量のトレンド変化の関連性を評価するための値であり、２つの特徴量の類似度を示す。関連性評価値の算出方法の例として、以下に第１～第３の算出方法の例を挙げる。また、第１～第３の方法で算出された値を算術演算（乗算・加算等）で統合した値を、関連性評価値として使用してもよい。

【0095】

（１）第１の算出方法
関連性評価値の第１の算出方法は、トレンドの変化点の時刻差に基づいた関連性評価値を算出する方法である。具体的には、まず、第１の特徴量のトレンド（以下、第１のトレンドとも称する）、および、第２の特徴量のトレンド（以下、第２のトレンドとも称する）について、各々変化点を算出する。次に、第１のトレンドの変化点と第２のトレンドの変化点との時刻差を基に２つの特徴量の関連性を評価する（後に詳述）。なお、第１の算出方法では、トレンドの変化点の時刻差が小さいほど関連性評価値が高くなるように定義する。これは後述するように、関連性評価値に関してしきい値を設け、関連性評価値がしきい値以上であれば、第１および第２の特徴量が類似しているという処理を行なうためである。

【0096】

（１－１）トレンドの変化点を探す方法
まず、トレンドの変化点を探す方法としては、例えば、トレンドの２階微分を行ない、２階微分が０を取る点、すなわち変曲点を探す方法がある。

【0097】

図１０は、変曲点の定義を説明する図である。図１０を参照して、トレンドのグラフにおいて、横軸（ｔ）は時間、縦軸Ｆ（ｔ）は特徴量を指す。ｙ＝Ｆ（ｔ）のグラフにおいて、Ｆ（ｔ）の１回微分ｙ＝Ｆ’（ｔ）は、ｙ＝Ｆ（ｔ）の接線の傾きを示す。よって、２階微分Ｆ”（ｔ）は、接線の傾きの変化を示す。

【0098】

ここで、Ｆ”（ｔ）の符号の正負が変化する点に着目する。Ｆ”（ｔ）は接線の傾きの正負が変化する点であることから、接線の傾きが増加から減少に、または減少から増加に転じる点であり、すなわち、トレンドの曲がり方が変わる点（変曲点）である。従って、変曲点は、トレンドの変化点の代表的な例の１つである。従って、本明細書の関連性評価値の第１の算出方法において、トレンドの変化点とはトレンドの変曲点のことを指すとする。

【0099】

次に、上記の方法で算出した変化点の時刻差を基に評価値を算出する方法としては、例えば、（１－２）変化点の時刻差の逆数の和を変化点数で除算する方法、および、（１－３）トレンドの２階微分を乗算する方法（詳しくは後述）を用いることができる。以下にこの２つの方法を説明する。

【0100】

（１－２）変化点の時刻差の逆数の和を変化点数で除算する方法
抽出部３は、最初に、全ての特徴量から選んだ２つの特徴量の各々について、変化点を上記の方法で算出する。次に、抽出部３は、当該２つの特徴量のうち、変化点の数が多い方を第１の特徴量Ｆ１（ｔ）、変化点の数が少ない方を第２の特徴量Ｆ２（ｔ）とする。

【0101】

図１１は、２つの特徴量の変化点の時刻差の算出方法の一例を説明する図である。図１１の横軸は時刻ｔ、縦軸は時刻ｔにおける第１の特徴量Ｆ１（ｔ）および第２の特徴量Ｆ２（ｔ）を示す。第１の特徴量Ｆ１（ｔ）の変化点（以下、第１の変化点とも称する）は検出された時刻（ｔ１１，ｔ１２，ｔ１３・・・）順にＰ１１，Ｐ１２，Ｐ１３・・と示す。第２の特徴量Ｆ２（ｔ）の変化点（以下、第２の変化点とも称する）は検出された時刻（ｔ２１，ｔ２２，ｔ２３・・・）順にＰ２１，Ｐ２２，Ｐ２３・・と示す。

【0102】

ここで、第１の変化点Ｐ１１，Ｐ１２，Ｐ１３・・の各々に対し、第２の変化点の中から最も検出された時刻が近い変化点を選択し、選択した変化点との時刻差ｔｄを計算する。図１１に示すように、第１の変化点Ｐ１１に対し、最も検出された時刻が近い第２の変化点はＰ２１であるので、当該時刻差ｔｄ１は、ｔｄ１＝｜ｔ２１－ｔ１１｜と示される。同様に、第１の変化点Ｐ１２に対し、最も検出された時刻が近い第２の変化点はＰ２２であるので、Ｐ１２の当該時刻差ｔｄ２＝｜ｔ２２－ｔ１２｜である。なお、第１の変化点Ｐ１３に最も近い第２の変化点もＰ２２であるので、Ｐ１３の当該時刻差ｔｄ３＝｜ｔ２２－ｔ１３｜である。

【0103】

さらに、当該時刻差ｔｄが小さいほど関連性評価値を高くするため、当該時刻差の逆数ｔｒ＝１／ｔｄをとる。次に、この逆数ｔｒを全ての第１の変化点について算出する。ここで第１の変化点は全部でｉ＿ａｌｌ個あるとし、さらに、全て（（ｉ＿ａｌｌ）個）の第１の変化点についてのｔｒの和をｔｓとすると、ｔｓは次式（２）で示される。

【0104】

【数2】

【0105】

これにより、第１の変化点と第２の変化点の時刻差が小さいほど、和ｔｓが高くなるが、一方で、合計した時刻差ｔｄの数（すなわち第１の変化点の数）が多いほど関連性評価値が高くなる。このように、第１の変化点の数が関連性評価値に与える影響をキャンセルするために、和ｔｓを第１の変化点の数で割った値を関連性評価値Ｒ１とすると、Ｒ１は次式（３）で示される。

【0106】

Ｒ１＝ｔｓ／（第１の変化点の数）・・・（３）
このようにすれば、関連性評価値Ｒ１は、第１および第２の特徴量Ｆ１（ｔ）およびＦ２（ｔ）の変化点の時刻差が小さいほど、すなわち、両特徴量のトレンド変化が近い時間に起こる傾向が強いほど、高い値を示すことになる。よって、関連性評価値Ｒ１は、トレンド変化が生じた時刻という指標に基づいて、第１および第２の特徴量Ｆ１（ｔ）およびＦ２（ｔ）の類似度が高いほど、大きい値を示すことになる。

【0107】

（１－３）トレンドの２階微分を乗算する方法
次に、トレンドの２階微分を乗算する方法について説明する。

【0108】

図１２は、トレンドの２階微分の乗算に基づく関連性評価値の算出方法を概念的に説明するための図である。第１の特徴量Ｆ１（ｔ）および第２の特徴量Ｆ２（ｔ）が仮に同一の時刻に変化点を有するトレンドであるとする。特徴量Ｆ１（ｔ）およびＦ２（ｔ）に関して、１つ目の変化点Ｐ１１、Ｐ２１の検出された時刻ｔ＝ｔ１１＝ｔ２１においては、Ｆ１”（ｔ）＝Ｆ２”（ｔ）＝０である。また、２つ目の変化点Ｐ１２、Ｐ２２の検出された時刻ｔ＝ｔ１２＝ｔ２２においても、Ｆ１”（ｔ）＝Ｆ２”（ｔ）＝０である。しかし、ｔ１１＜ｔ＜ｔ１２においては、｜Ｆ１”（ｔ）｜＞０かつ｜Ｆ２”（ｔ）｜＞０である。

【0109】

従って、２つの特徴量のトレンドの２階微分の乗算の絶対値をｒ２＝｜Ｆ１”（ｔ）×Ｆ２”（ｔ）｜とすると、ｔ＝ｔ１１＝ｔ２１においては、ｒ２＝０であり、ｔ１１＜ｔ＜ｔ１２においては、ｒ２＞０である。

【0110】

よって、変化点が同一である２つの特徴量においては、共に変化点である時刻ｔにおいてはｒ２＝０であり、その他の時刻ｔにおいてはｒ２＞０となる。

【0111】

一方、再び図１２を参照すると、第３の特徴量Ｆ３（ｔ）は、特徴量Ｆ１（ｔ）およびＦ２（ｔ）とは異なる時刻ｔ３１に変化点（Ｐ３１）が検出される特徴量である。

【0112】

よって、第１の特徴量Ｆ１（ｔ）と第３の特徴量Ｆ３（ｔ）のトレンドの２回微分の乗算の絶対値ｒ２は、時刻ｔ＝ｔ１１＝ｔ２１または時刻ｔ＝ｔ３１においては、ｒ２＝０であり、その他の時刻ｔについては、ｒ２＞０である。

【0113】

よって、変化点が異なる２つの特徴量においては、どちらかが変化点である時刻ｔにおいてはｒ２＝０であり、その他の時刻ｔにおいてはｒ２＞０である。

【0114】

すなわち、２つのトレンドにおいて、変化点が同一の時刻に起こる場合よりも、変化点が異なる時刻に起こる場合の方が、ｒ２の値は小さくなる傾向がある。

【0115】

よって、全ての時刻ｔ（０≦ｔ≦ｔ＿ａｌｌ）について、ｒ２の値を足し合わせた値を関連性評価値Ｒ２とすると、Ｒ２は次式（４）で表される。

【0116】

【数4】

【0117】

すなわち、Ｒ２は、トレンドの変化という指標に基づいて、第１および第２の特徴量Ｆ１（ｔ）およびＦ２（ｔ）の類似度が高いほど、大きい値を示すことになる。このようにして、抽出部３は、複数の特徴量の経時的な変化の変化点の時刻を比較することより、特徴量間の関連性を評価することができる。

【0118】

（２）第２の算出方法
関連性評価値の第２の算出方法は、２つの特徴量のトレンド変化の類似度を関連性評価値とする方法である。すなわち、類似度が高いほど関連性評価値が高くなるように設定する。具体的には、類似度は例えば正規化した特徴量同士のユークリッド距離の逆数で表される。

【0119】

（２－１）特徴量の正規化
より詳細に説明すると、まずユークリッド距離を取る下準備として、全ての特徴量を正規化する。正規化の方法としては、例えば、全ての特徴量の最大値および最小値を同一とする方法がある。例えば、全ての特徴量の最大値を１、最小値を０とすることで全ての特徴量を正規化できる。

【0120】

図１３は、特徴量の正規化を概念的に説明するための図である。図１３を参照して、２つの特徴量Ｆ１（ｔ）とＦ２（ｔ）は、共に振動するパターンを示すが、その振幅およびベースラインの高さが異なる。特徴量Ｆ１（ｔ）およびＦ２（ｔ）に対して、両者の最大値、最小値を同一とする正規化を行なった結果である、正規化後の特徴量をｆ１（ｔ）およびｆ２（ｔ）とする。ｆ１（ｔ）およびｆ２（ｔ）では振幅およびベースラインの高さの差がキャンセルされ、振動のパターンのみを比較することができる。

【0121】

また、他の正規化の方法としては、中央値および分散を用いる方法がある。たとえば、全ての特徴量について、各々の特徴量の所定の期間の全ての時刻の値の中央値を計算する。次に、各特徴量の全ての時刻の値から中央値の値を減算した値を、さらに中央値で除算した値を用いることで、中央値および分散を正規化できる。

【0122】

（２－２）ユークリッド距離の算出
このように正規化した２つの特徴量に対し、各時刻の特徴量間のユークリッド距離を取り、当該ユークリッド距離を全ての時刻で足し合わせた値の逆数を関連性評価値とすることができる。

【0123】

図１４は、特徴量間のユークリッド距離の一例を説明する図である。図１４を参照して、例１では、例えばほぼ挙動が一致する特徴量Ｆ１（ｔ）およびＦ２（ｔ）がそれぞれ正規化され、結果としてほぼ同じ値を示すようになったｆ１（ｔ）およびｆ２（ｔ）のグラフが例示されている。この場合、各時刻について、正規化された特徴量ｆ１（ｔ）およびｆ２（ｔ）の値の差｜ｆ２（ｔ）－ｆ１（ｔ）｜（すなわちユークリッド距離）を算出すると、全ての時刻ｔについてユークリッド距離はほぼ０に近くなる。よって、当該ユークリッド距離を全ての時刻ｔ（０≦ｔ≦ｔ＿ａｌｌ）について合計した値をＳ１２とすると、Ｓ１２は以下の式（５）で表される。なお、Ｓ１２はｆ１（ｔ）とｆ２（ｔ）のグラフの間の面積でもある。

【0124】

【数5】

【0125】

すなわち、ほぼ挙動が一致する特徴量同士であれば、全てのｔについてのユークリッド距離が小さいので、Ｓ１２の値も小さくなる。

【0126】

一方、再び図１４を参照して、例２では、特徴量Ｆ１（ｔ）とＦ３（ｔ）を正規化した結果である、ｆ１（ｔ）およびｆ３（ｔ）のグラフが例示されている。ｆ１（ｔ）とｆ３（ｔ）は挙動が大きく異なる。この場合、２つのグラフのユークリッド距離｜ｆ３（ｔ）－ｆ１（ｔ）｜は、ほとんどの時刻ｔにおいて大きな値となる。

【0127】

したがって、当該ユークリッド距離を全てのｔ（０≦ｔ≦ｔ＿ａｌｌ）について合計した値をＳ１３とすると、Ｓ１３は以下の式（６）で表される。なお、Ｓ１３はｆ１（ｔ）とｆ３（ｔ）のグラフの間の面積でもある。

【0128】

【数6】

【0129】

したがって、挙動が大きく異なる特徴量同士であれば、ユークリッド距離は平均して大きくなるので、Ｓ１３の値も大きくなる。

【0130】

よって、特徴量のトレンド変化の類似度が高いほど、Ｓの値は小さくなる。よって、関連性評価値Ｒ３＝１／Ｓとすると、Ｒ３はトレンド変化の類似度が高いほど、大きな値を示すことになる。このようにして、抽出部３は、複数の特徴量を正規化し、正規化した複数の特徴量間の差分の逆数を比較することにより、関連性を評価することができる。

【0131】

関連性評価値の第３の算出方法は、２つの特徴量の正規化相関係数の絶対値を関連性評価値とする方法である。なお、正規化相関係数は、２つの変数の関係性の強さを示す指標の１つとして知られている。

【0132】

関連性評価値を算出する準備として、まず全ての時刻ｔ（０≦ｔ≦ｔ＿ａｌｌ）においての、特徴量Ｆ１（ｔ）と特徴量Ｆ２（ｔ）各々の平均値Ｆ１（ｔ）ａｖｅ、Ｆ２（ｔ）ａｖｅを次式（７），（８）で算出する。

【0133】

【数7】

【0134】

【数8】

【0135】

ここで、正規化相関係数をＩとすると、Ｉは次式（９）で表される。

【0136】

【数9】

【0137】

この正規化相関係数Ｉの絶対値を関連性評価値Ｒ３とすると、Ｒ３＝｜Ｉ｜である。
上述したとおり、正規化相関係数は、２つの変数の関係性の強さの指標である。よって、Ｒ３は２つの特徴量のトレンド変化の類似度が高いほど、大きい値を示す。このように、抽出部３は、特徴量のトレンドの正規化相関に基づいて、特徴量の関連性を評価することができる。

【0138】

以上のように、第１～第３の方法のいずれかを用いることにより、抽出部３は、特徴量同士が類似しているほど評価値が高くなるように、関連性評価値を算出することができる。なお、関連性評価値の定義および算出方法は上記の方法に限定されず、特徴量同士のトレンド変化の関連性を評価するための値およびその値を算出できる方法であればよい。

【0139】

＜グルーピング＞
次に、グルーピングについて詳しく説明する。本明細書において、グルーピングは、関連性評価値の高い特徴量を同じグループにまとめることを目的とする。このようなグルーピングには、例えば、次の２つの方法がある。

【0140】

第１のグルーピング方法は、関連性の高い特徴量から順に統合していく方法である。その処理フローを図１５に示す。

【0141】

（１）関連性の高い特徴量から統合していくグルーピング法
図１５は、関連性の高い特徴量から順に統合していくグルーピング法を説明するフローチャートであり、抽出部３により実行される。

【0142】

ステップＳ２０により、抽出部３は、記憶部１３０から、特徴量に関する関連性評価値を読み出す。ステップＳ２１において、抽出部３は、最も関連性評価値の高い特徴量の組み合わせを選出する。

【0143】

ステップＳ２２において、抽出部３は当該、最も関連性評価値の高い特徴量の関連性評価値の値（以下、「関連性評価値の最大値」とも称する）が関連性しきい値以上であるか否かを判定する。関連性評価値の最大値が関連性しきい値以上である場合（ステップＳ２２においてＹＥＳ）、ステップＳ２４において抽出部３は、当該特徴量を統合する。当該統合の方法としては、２つの特徴量を各々正規化後、２つの特徴量の平均をとる方法を用いることができる。当該統合の方法の他の例として、２つの特徴量のうち一方の特徴量を代表値として他方の特徴量を破棄する方法等、および、２つの特徴量を正規化後加算して、再度正規化する方法等をとることができる。

【0144】

ステップＳ２４の後、抽出部３はステップＳ２５において、統合した特徴量と、その他の特徴量との関連性評価値を再計算する。続いて、抽出部３は、再びステップＳ２０の処理に戻り、関連性評価値の最大値が、関連性しきい値より小さくなるまで、ステップＳ２０～Ｓ２２を繰り返す。

【0145】

この関連性評価値の最大値が関連性しきい値より小さい場合というのは、残った特徴量同士は全て関連性が低い、すなわち、それぞれ固有の個性を有する、独立した特徴量であることを示す。また、関連性が高い、すなわち、それぞれ類似した個性を持つ特徴量同士は既に統合されていることを示す。よって、関連性評価値の最大値が、関連性しきい値より小さい場合において、残った特徴量は、全て運用モードで監視されることが望ましい「有効な特徴量」であると考えられる。なお、この関連性しきい値については、分析者が上記目的を鑑みて適切な値を設定できるように構成する、もしくは、コンピュータによる統計的処理により特徴量を基に自動で算出されるように構成することが好ましい。

【0146】

よって、ステップＳ２２において、関連性評価値の最大値が関連性しきい値より小さい場合（ステップＳ２２にてＮＯ）、抽出部３はステップＳ２４において記憶部１３０に残った特徴量を有効な特徴量として記憶し、処理を終了する。このようにして、抽出部３は、関連性の高い特徴量を順にグルーピングすることで、有効な特徴量を算出する。

【0147】

（２）関連性の低い特徴量から除いていくグルーピング法
図１６は、関連性の低い特徴量から除いていくグルーピング法の概念を説明する図である。

【0148】

（２－１） 図１６を参照して、抽出部３は、まず全ての特徴量を１つのグループにする。ここではＦ１～Ｆ１０の１０個の特徴量を例示している。また、それぞれの特徴量の類似度が高い、すなわち関連性評価値が高い特徴量同士を、丸、三角、四角の図形で示している。すなわち、丸で示された特徴量Ｆ１は同じ丸で示された特徴量Ｆ３と類似度が比較的高い（例えば、関連性評価値が関連性しきい値以上である）が、三角で示された特徴量Ｆ２と類似度は比較的低い（例えば、関連性評価値が関連性しきい値未満である）。

【0149】

（２－２） 次に、抽出部３は、関連する特徴量毎にグループ分けする。図１８で詳述するが、ここでは、グループを複製し、複製したグループから最も関連性の低い２つの特徴量を片方ずつ除くという処理を繰り返し行なう。その結果、図示したように、グループ内の最も関連性の低い２つの特徴量の関連性評価値が元のグループより上がった複数のグループが生成できる。ここでは、グループ内の特徴量数が多い順にグループＧ１～Ｇ５としている。

【0150】

ただし、（２－２）の結果では同じ要素が複数のグループに存在する（例えば図１６ではグループＧ１とＧ５の両方に特徴量Ｆ５が存在し、グループＧ３とＧ４の両方に特徴量Ｆ８が存在する）等の重複がみられる。

【0151】

（２－３） よって、抽出部３は、重複する特徴量を有するグループ同士を統合する。これにより、特徴量の重複度が高いグループは統合される。

【0152】

（２－４） 最後に、抽出部３は、グループ毎にグループ内の特徴量を統合し、「有効な特徴量」とする。例えば、図１６では丸のグループの特徴量Ｆ１，Ｆ３，Ｆ５，Ｆ６を統合することで、有効な特徴量Ｆａが算出されている。特徴量Ｆ１，Ｆ３，Ｆ５，Ｆ６は互いに類似しているので、有効な特徴量Ｆａは、特徴量Ｆ１，Ｆ３，Ｆ５，Ｆ６と同じ特性を有する。

【0153】

図１７は、関連性の低い特徴量から除いていくグルーピング法の具体的な処理を説明するフローチャートであり、抽出部３により実行される。ステップＳ３０において、抽出部３は、記憶部１３０から関連性評価値、関連性しきい値、重複しきい値を読み出す。

【0154】

（２－１）全ての特徴量を１つのグループにする
ステップＳ３１において、抽出部３は、全ての特徴量を１つのグループにグルーピングする。

【0155】

（２－２）関連する特徴量毎にグループ分け
ステップＳ３２，Ｓ３３において、抽出部３は、関連する特徴量毎にグループ分けする。そのために、抽出部３は、グループの複製、および、グループ内の関連性評価値を上げる処理を行なう。

【0156】

ステップＳ３２において、抽出部３はグループを複製する。ステップＳ３３において、抽出部３は、関連性評価値の最も低い組み合わせの特徴量を２つのグループで１つずつ削除する（図１８で詳述）。

【0157】

図１８は、図１７のステップＳ３２，Ｓ３３の処理を概念的に説明する図である。図１７には、１回目のステップＳ３２，Ｓ３３の処理、および、ステップＳ３７から処理が戻った後の２回目のステップＳ３２，Ｓ３３の処理が例示されている。

【0158】

図１８を参照して、１回目のステップＳ３２，Ｓ３３の処理を説明する。ステップＳ３２では、ステップＳ３１で生成された全ての特徴量Ｆ１～Ｆｎがグルーピングされた１つのグループが複製される。なお、本明細書において、以下ｎ，ｍは自然数を指す。ステップＳ３３では、複製前のグループ内で関連性評価値の最も低い２つの特徴量を複製後の２つのグループで片方ずつ消去する。例えば、図１８では、関連性評価値の最も低い２つの特徴量がＦ１，Ｆｎである場合、片方のグループから特徴量Ｆ１を、もう片方のグループから特徴量Ｆｎを消去している。このように処理することで、全ての特徴量はどこかのグループに存在したまま、グループ内の関連性評価値は上昇する。

【0159】

再び図１７を参照して、続くステップＳ３４～Ｓ３７において、抽出部３は、関連性評価値が高いグループを隔離する。

【0160】

ステップＳ３４において、抽出部３はグループ内の特徴量が１つであるグループを「隔離」する。関連する特徴量毎のグループ分けにおいて、隔離とは、ステップＳ３８に至るまで処理が施されず、ステップＳ３８で再び使用されることを示す。ステップＳ３５において、抽出部３は、グループ内の関連性評価値の平均値を算出する。ステップＳ３６において、抽出部３は、関連性評価値の平均値が関連性しきい値以上のグループも隔離する。ステップＳ３７において、抽出部３は、隔離されていないグループがあるか否かを判定する。隔離されていないグループがある場合（ステップＳ３７においてＹＥＳ）、抽出部３は、ステップＳ３２に処理を戻す。

【0161】

よって、ステップＳ３４～３７の結果、グループ内の特徴量の関連性評価値の高いグループ、すなわち、類似度が高い特徴量だけになったグループが隔離される。従って、グループ内の特徴量の類似度が低いグループについて、ステップＳ３２，３３のグループ内の特徴量の類似度を上げる処理が再び施される。

【0162】

再び図１８を用いて２回目のステップＳ３２，Ｓ３３の処理を説明する。ステップＳ３２では、ステップＳ３７で残ったグループがそれぞれ２つに複製される。ステップＳ３３では、複製前のグループ内で関連性評価値の最も低い２つの特徴量を複製後の２つのグループで片方ずつ消去する。例えば、図１８の２回目のステップＳ３２で生成されたグループを左からＧ１～Ｇ４と名付けると、グループＧ１で最も関連性評価値の最も低い２つの特徴量がＦ２，Ｆｎである場合、グループＧ１から特徴量Ｆ２が、グループＧ２から特徴量Ｆｎがそれぞれ消去される。一方、グループＧ３で最も関連性評価値の最も低い２つの特徴量がＦ１，Ｆ（ｎ－１）である場合、グループＧ３から特徴量Ｆ１が、グループＧ４から特徴量Ｆ（ｎ－１）がそれぞれ消去される。すなわち、ステップＳ３２，３３を繰り返し、グルーピングされた特徴量を関連性の低いものから順に除いていく結果、図１６の（２－２）に示すように、類似する特徴量同士が集まったグループができる。

【0163】

（２－３）重複する特徴量を有するグループ同士を統合する。
次に抽出部３は、ステップＳ３８～Ｓ４８で、構成する特徴量が重複するグループを統合する。

【0164】

ステップＳ３７において全てのグループが隔離されている場合（ステップＳ３７においてＮＯ）、ステップＳ３８において、抽出部３は、グループを要素数（すなわちグループに含まれる特徴量の数）の多い順にＧ１～Ｇｎとする。ステップＳ３９において、抽出部３はｍ＝１とする。

【0165】

ステップＳ４０において、抽出部３は、重複評価値｜Ｇｎ∩Ｇｍ｜／｜Ｇｎ｜が重複しきい値以上か否かを判定する。ここで、｜Ｇｎ∩Ｇｍ｜はグループＧｎとＧｍに共通に含まれる特徴量の数、｜Ｇｎ｜はグループＧｎに含まれる特徴量の数を示す。

【0166】

図１９は、重複評価値を概念的に説明する図である。例１において、Ｇｎ＝｛Ｆ１，Ｆ２，・・・，Ｆ１０｝、Ｇｍ＝｛Ｆ１，Ｆ２，・・・，Ｆ９，Ｆ１１，Ｆ１２，・・・｝とする。すなわち、Ｇｎ∩Ｇｍ＝｛Ｆ１，Ｆ２，・・・，Ｆ９｝であり、グループＧｎに含まれ、かつ、グループＧｍに含まれない特徴量はＦ１０である。この場合、｜Ｇｎ｜＝１０，｜Ｇｎ∩Ｇｍ｜＝９なので、重複評価値｜Ｇｎ∩Ｇｍ｜／｜Ｇｎ｜は０．９である。なお、重複しきい値は、分析者が事前に手動で設定できる値であり、例えば０．９である。また、重複しきい値を、残ったグループの重複評価値等から、統計処理等を行ない自動で計算されるように構成してもよい。以上より、｜Ｇｎ∩Ｇｍ｜／｜Ｇｎ｜が重複しきい値以上とは、グループＧｎに含まれる要素の重複度が高いということになる。

【0167】

｜Ｇｎ∩Ｇｍ｜／｜Ｇｎ｜が重複しきい値以上である場合（Ｓ４０においてＹＥＳ）、ステップＳ４１において、抽出部３は、グループＧｍにグループＧｎを統合する。より正確には、グループＧｍに、グループＧｎに含まれるグループＧｍと重複していない要素（特徴量）を追加する。

【0168】

再び図１９の例１を参照して、重複評価値｜Ｇｎ∩Ｇｍ｜／｜Ｇｎ｜＝０．９≧重複評価値であるので、グループＧｎがグループＧｍに統合される。よって、グループＧｍに、グループＧｎに含まれるグループＧｍと重複していない特徴量であるＦ１０が追加される。

【0169】

一方、｜Ｇｎ∩Ｇｍ｜／｜Ｇｎ｜が重複しきい値未満である場合（Ｓ４０においてＮＯ）、抽出部３は、グループＧｎの統合を行なわず、ステップＳ４２に処理を進める。

【0170】

図１９の例２では、Ｇｎ＝｛Ｆ１，Ｆ２，・・・，Ｆ１０｝、Ｇｍ＝｛Ｆ１，Ｆ２，・・・，Ｆ８，Ｆ１１，Ｆ１２，・・・｝の例が示されている。すなわち、特徴量Ｆ１０が｜Ｇｎ∩Ｇｍ｜に含まれない点が例１と異なる。よって、｜Ｇｎ∩Ｇｍ｜／｜Ｇｎ｜＝０．８となり、重複しきい値未満である。このような場合、グループＧｎは統合されない。

【0171】

ステップＳ４２において、抽出部３は、ｍが（ｎ－１）以下であるか否かを判定する。すなわち、グループＧｎがグループＧ１～Ｇ（ｎ－１）の各々に重複しているかを確認し、重複している場合に統合するといった処理を行なったかを判定する。

【0172】

ｍが（ｎ－１）以下である場合（Ｓ４２においてＹＥＳ）、ステップＳ４３において、抽出部３は、ｍの値に１を加え、処理をステップＳ４０に戻す。

【0173】

ステップＳ４２においてｍが（ｎ－１）より大きい場合（Ｓ４２においてＮＯ）、ステップＳ４４において、抽出部３は、１回でもグループＧｎが他のグループに統合されたか否かを判定する。１回でもグループＧｎが他のグループに統合された場合（ステップＳ４４においてＹＥＳ）、抽出部３は、ステップＳ４５においてグループＧｎを削除し、ステップＳ４７に処理を進める。１回もグループＧｎが他のグループに統合されていない場合（ステップＳ４４においてＮＯ）、抽出部３は、ステップＳ４６でグループＧｎを隔離した後、ステップＳ４７に処理を進める。すなわち、グループＧｎは他のグループと要素が多く重複しない、独立の個性を持ったグループである。

【0174】

ステップＳ４７において、抽出部３は、ｎが１以下であるか否かを判定する。ｎが１より大きいとき（ステップＳ４７にてＮＯ）、抽出部３はステップＳ４８においてｎの値を１小さくして、ステップＳ３８に処理を戻す。

【0175】

よって、ステップＳ３８～Ｓ４８で、重複度が高いグループは統合され、独立の個性を持ったグループのみが隔離されて残ることになる。

【0176】

（２－４）グループ毎にグループ内の特徴量を統合し、「有効な特徴量」とする。
ｎが１以下のとき（ステップＳ４７にてＹＥＳ）、グループの数は１以下なので、統合することができない。よって、抽出部３は、最後に残ったグループＧ１と、ステップＳ４９において隔離されたグループにおいて、グループ毎に有効な特徴量を算出する。有効な特徴量は、上述の通り、加算、平均または代表値の選出等の手段で統合する。続くステップＳ５０において、抽出部３は、記憶部１３０に有効な特徴量を記憶し、処理を終了する。

【0177】

ステップＳ４９においては、重複度が高くない特徴量を持ったグループについて、それぞれ特徴量が算出される。なお、各グループ内の要素（特徴量）はステップＳ３７までの処理で互いに類似したものだけになっている。よって、それぞれに個性を持った特徴量が隔離されたグループの数だけ算出される。換言すると抽出部３は、抽出部３に入力された複数の特徴量から、経時的な傾向が互いに独立する少なくとも１つの特徴量を有効な特徴量として抽出する。

【0178】

なお、ステップＳ４０～Ｓ４３の処理ループにおいて、グループＧｎは、重複評価値｜Ｇｎ∩Ｇｍ｜／｜Ｇｎ｜が重複しきい値以上であるグループＧｍ全てに統合され、統合されたグループ同士が重複しきい値以上であれば再度統合されるという方法で、共通の特徴量を有するグループが統合されていく。しかし、共通の特徴量を有するグループの統合の方法は上記の例に限定されず、共通の特徴量を有するグループ同士が適切に統合されるという目標を達するものであればよい。例えばグループＧｎは｜Ｇｎ∩Ｇｍ｜／｜Ｇｎ｜が最も大きくなるグループＧｍにだけ統合される等の別の方法をとることも可能である。

【0179】

以上のように、本実施の形態に係る状態監視システム１００の学習モードでは、監視対象の装置の各部の挙動を監視する多数のセンサから検出された大量の特徴量から、トレンドの変化が変化検出しきい値以上の特徴量について、（１）トレンドの関連性の高い特徴量が同じグループに入るようにグルーピングされ、（２）当該グループ内で特徴量の統合を行なうことで、各グループのトレンド変化を特徴付ける少数の有効な特徴量が抽出される。よって、次に説明する運用モードでは当該有効な特徴量を監視するだけで、監視対象の装置の多様な異常を検出することが可能となる。

【0180】

＜運用モードの詳細な説明＞
続いて、運用モードを詳しく説明する。学習モードでは、制御装置３３０は多数の特徴量から少数の有効な特徴量を抽出した。運用モードでは、制御装置３３０は、当該少数の有効な特徴量を監視することで、監視対象の装置の状態を監視する。運用モードでは、制御装置３３０は、センサ７０から取得した検出信号を分析する。運用モードの構成を図２０に示す。

【0181】

図２０は、運用モードに関する制御装置３３０の構成を説明するブロック図である。制御装置３３０において、データ取得部１２０、記憶部１３０、データ演算部１４０（選択部５、変化検出部４、再抽出部６、再学習部７、監視部２）および出力部１５０が運用モードにおいて使用される。

【0182】

選択部５は、特徴量および有効な特徴量のリストを記憶部１３０から読み出す。選択部５は、有効な特徴量のリストに基づいて、全ての特徴量から有効な特徴量を、選択または統合して抽出する。

【0183】

変化検出部４は、選択部５から有効な特徴量を、記憶部１３０から変化検出しきい値を読み出す。変化検出部４は、有効な特徴量の中から、経時的な変化が変化検出しきい値以上である有効な特徴量を「（着目すべき）変化が起こった特徴量」と判定し、変化が起こった有効な特徴量のリストを再抽出部６に出力する。

【0184】

再抽出部６は、変化検出部４から変化した有効な特徴量のリストを受信するとともに、記憶部１３０から変化した有効な特徴量のトレンドを読み出す。再抽出部６は、変化が検出された有効な特徴量について、当該有効な特徴量から新たな有効な特徴量を抽出する再抽出を行なう。再抽出部６は、新たな有効な特徴量のリストを再学習部７および記憶部１３０に送信する。

【0185】

再学習部７は、再抽出部６から有効な特徴量のリストを受信し、記憶部１３０から有効な特徴量のトレンドを読み出す。再学習部７は、新たな有効な特徴量について、学習モードで実施する学習部と同じ処理を行ない、異常判断しきい値を算出する。再学習部７は、当該異常判断しきい値を記憶部１３０に記憶する。

【0186】

記憶部１３０は、当該異常判断しきい値を、学習部１で算出された異常判断しきい値に追加する。

【0187】

監視部２は、記憶部１３０から異常判断しきい値を読み出し、有効な特徴量と異常判断しきい値とを比較する。監視部２は、異常判断しきい値以上である特徴量を異常が生じていると判定する。監視部２は出力部１５０に判定結果を出力する。

【0188】

出力部１５０は、異常が生じているという判定結果を受信した場合、監視用端末３４０に分析者および／かつ監視システムに対する警告および／または当該異常が生じた特徴量、特徴量が対応する部位および当該異常の種類等を報知する。

【0189】

図２１は、再抽出部の処理を説明するフローチャートであり、再抽出部６により実行される。

【0190】

ステップＳ６０において、再抽出部６は、記憶部１３０から特徴量のトレンドと変化検出しきい値を読み出す。このトレンドは、直近のトレンドを含む任意の期間のトレンドである。例えば、学習モードで使用したトレンドの期間と同じ長さの運用モードで蓄積されたトレンドを用いる。

【0191】

ステップＳ６１において、再抽出部６は、変化検出しきい値以上である特徴量を集めて、関連性評価値を算出する。関連性評価値の算出方法は、学習モードと同様である。

【0192】

ステップＳ６２において、再抽出部６は、関連性評価値を用いて特徴量をグルーピングする。グルーピングの方法は学習モードと同様である。

【0193】

ステップＳ６３において、再抽出部６は、それぞれのグループの特徴量から、「有効な特徴量」を抽出する。有効な特徴量の抽出方法は学習モードと同様である。ステップＳ６３において、再抽出部６は記憶部１３０に有効な特徴量を記憶して、処理を終了する。

【0194】

以上のように、本実施の形態に係る制御装置によれば、学習モードにおいて、モニタ装置８０により算出された多種多様な特徴量から有効な特徴量を抽出することができる。これにより、特徴量の異常を検出するためのしきい値の設定および管理、また当該しきい値を用いた監視対象の装置の監視を容易に行なうことができる。また、本実施の形態に係る制御装置によれば、運用モード中に変化した特徴量を検出して、有効な特徴量の再抽出と、異常判断しきい値の再算出とを行なうことができる。これにより、運用モード中に監視対象の装置の運転状況等が変化しても、異常の見逃しを防ぐことができる。よって、多様な種類の異常を簡便に監視できる状態監視システムおよび状態監視方法を提供することができる。

【0195】

今回開示された実施の形態は、すべての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は、上記した実施の形態の説明ではなくて特許請求の範囲によって示され、特許請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。

【符号の説明】

【0196】

１ 学習部、２ 監視部、３ 抽出部、４ 変化検出部、５ 選択部、６ 再抽出部、７ 再学習部、１０ 風力発電装置、２０ 主軸、３０ ブレード、４０ 増速機、５０ 発電機、６０ 主軸受、７０Ａ～７０Ｆ 高周波用振動センサ、７０Ｇ，７０Ｈ 低周波用振動センサ、８０ モニタ装置、９０ ナセル、９１ タワー、１００ 状態監視システム、１１０ Ａ／Ｄコンバータ、１２０，１２０Ｂ データ取得部、１３０，１３０Ｂ 記憶部、１４０，１４０Ｂ データ演算部、１５０，１５０Ｂ 出力部、３２０ インターネット、３３０ 監視側制御装置（データサーバ）、３４０ 監視用端末。

【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】

【図15】

【図16】

【図17】

【図18】

【図19】

【図20】

【図21】