JP6854151B2

JP6854151B2 - Abnormality prediction method, anomaly prediction device, anomaly prediction system and anomaly prediction program

Info

Publication number: JP6854151B2
Application number: JP2017034028A
Authority: JP
Inventors: 知範泉谷; 恵介切通
Original assignee: NTT Docomo Business Inc; NTT Communications Corp
Current assignee: NTT Docomo Business Inc
Priority date: 2017-02-24
Filing date: 2017-02-24
Publication date: 2021-04-07
Anticipated expiration: 2037-02-24
Also published as: JP2018139085A

Description

本発明は、異常予測方法、異常予測装置、異常予測システムおよび異常予測プログラムに関する。 The present invention relates to an abnormality prediction method, an abnormality prediction device, an abnormality prediction system and an abnormality prediction program.

従来、工場、プラント等のセンサ等のプロセスデータを用いた異常の予測に関連する技術として、とくに、センサ異常値の定義が明確でなく、閾値などで異常を検知するのが困難である場合に、過去に収集したプロセスデータに基づいて異常を予測、または検知する方法が提案されている。 Conventionally, as a technology related to abnormality prediction using process data of sensors of factories, plants, etc., especially when the definition of sensor abnormality value is not clear and it is difficult to detect an abnormality by a threshold value or the like. , A method of predicting or detecting anomalies based on process data collected in the past has been proposed.

一般的に、多変量時系列データとして表現されるプロセスデータを一定時間の窓で切り取り、演算を行うことで異常の発生の判断に関連する値を算出する。具体的な手法として、過去のデータを用いて、現在の状態を表現する計算モデル、または、現在（または未来）のプロセスデータそのものを算出する計算モデルを学習し、新たに収集されたデータに対して計算モデルを適用して得られた評価値と実際に測定された値とのかい離が大きい場合に異常発生とみなす。 Generally, process data expressed as multivariate time series data is cut out in a window for a certain period of time, and a value related to the judgment of the occurrence of an abnormality is calculated by performing an operation. As a concrete method, we learn a calculation model that expresses the current state using past data or a calculation model that calculates the current (or future) process data itself, and for newly collected data. When the difference between the evaluation value obtained by applying the calculation model and the actually measured value is large, it is considered that an abnormality has occurred.

現在の状態を表現する計算モデルを用いた手法としては、過去のデータの各時点と、現在収集されたデータの違いを表す「距離」関数を定義し、距離が閾値を超えた場合に異常とみなす方法や、過去のデータを用いて、正常時にデータが存在すべき「部分空間」を定義し、新たに収集されたデータから計算された「部分空間」とのかい離を見ることで異常を判別する方法などがある。 As a method using a calculation model that expresses the current state, a "distance" function that represents the difference between each time point of past data and the currently collected data is defined, and when the distance exceeds the threshold, it is regarded as abnormal. Abnormality is discriminated by defining the "subspace" where the data should exist at normal times using the deemed method and past data, and observing the difference from the "subspace" calculated from the newly collected data. There is a way to do it.

これに対して、教師つき学習アルゴリズムを使い、予測を行う計算モデルを作成する方法として、過去の一定時間のデータを入力として、現在のデータを算出する計算式をVARモデル（ベクトル自己回帰モデル）などを用いて学習し、予測値と実際の値のかい離をみることで異常を判別する方法もある。 On the other hand, as a method of creating a calculation model that makes predictions using a supervised learning algorithm, a calculation formula that calculates the current data by inputting data for a certain period of time in the past is a VAR model (vector self-regression model). There is also a method of discriminating an abnormality by learning using such as, and observing the difference between the predicted value and the actual value.

特開２０１６−１７３７８２号公報Japanese Unexamined Patent Publication No. 2016-173782

上記したように、従来の手法では、現在収集されたデータを用いて異常を検知するため、未来に異常が発生するかどうかの予測を行うことはできないという課題があった。例えば、従来の異常検知の手法は、過去のデータを用いて、現在の状態を表現する計算モデル、または、現在のプロセスデータそのものを算出する計算モデルを学習し、新たに収集されたデータに対して計算モデルを適用して得られた評価値と実際に測定された値とのかい離が大きい場合に異常発生とみなす方法が使われているが、将来の異常を予測することができないという課題があった。 As described above, in the conventional method, since the abnormality is detected using the currently collected data, there is a problem that it is not possible to predict whether or not the abnormality will occur in the future. For example, the conventional anomaly detection method uses past data to learn a calculation model that expresses the current state or a calculation model that calculates the current process data itself, and for newly collected data. When the difference between the evaluation value obtained by applying the calculation model and the actually measured value is large, the method of assuming that an abnormality has occurred is used, but there is a problem that future abnormalities cannot be predicted. there were.

上述した課題を解決し、目的を達成するために、本発明の異常予測方法は、異常予測装置によって実行される異常予測方法であって、監視対象設備のセンサによって収集された時系列のデータであるプロセスデータから、所定の時間幅である第一の時間幅に含まれるプロセスデータを抽出する抽出工程と、前記抽出工程によって抽出されたプロセスデータを入力として、前記監視対象設備の異常を予測するための学習モデルを用いて、所定の時点から所定時間後の時点について、異常が発生する確からしさを表す中間的な評価値であるフレーム異常評価値を算出するフレーム異常評価値算出工程と、前記フレーム異常評価値算出工程によって算出された複数のフレーム異常評価値に基づいて、前記所定の時点から所定時間後の時点において異常が発生する確からしさを表す最終的な評価値である異常予測評価値を算出する異常予測評価値算出工程とを含んだことを特徴とする。 In order to solve the above-mentioned problems and achieve the object, the abnormality prediction method of the present invention is an abnormality prediction method executed by an abnormality prediction device, and is based on time-series data collected by sensors of monitored equipment. An abnormality of the monitored equipment is predicted by inputting an extraction step of extracting process data included in the first time width, which is a predetermined time width, and process data extracted by the extraction step from a certain process data. A frame abnormality evaluation value calculation step for calculating a frame abnormality evaluation value, which is an intermediate evaluation value indicating the probability that an abnormality will occur, from a predetermined time point to a time point after a predetermined time, and the above-mentioned Based on a plurality of frame abnormality evaluation values calculated by the frame abnormality evaluation value calculation process, an abnormality prediction evaluation value which is a final evaluation value indicating the probability that an abnormality will occur at a time after a predetermined time from the predetermined time point. It is characterized by including an abnormality prediction evaluation value calculation step for calculating.

また、本発明の異常予測装置は、監視対象設備のセンサによって収集された時系列のデータであるプロセスデータから、所定の時間幅である第一の時間幅に含まれるプロセスデータを抽出する抽出手段と、前記抽出手段によって抽出されたプロセスデータを入力として、前記監視対象設備の異常を予測するための学習モデルを用いて、所定の時点から所定時間後の時点について、異常が発生する確からしさを表す中間的な評価値であるフレーム異常評価値を算出するフレーム異常評価値算出手段と、前記フレーム異常評価値算出手段によって算出された複数のフレーム異常評価値に基づいて、前記所定の時点から所定時間後の時点において異常が発生する確からしさを表す最終的な評価値である異常予測評価値を算出する異常予測評価値算出手段とを有することを特徴とする。 Further, the abnormality prediction device of the present invention is an extraction means for extracting process data included in the first time width, which is a predetermined time width, from the process data, which is time series data collected by the sensor of the monitored equipment. Then, using the process data extracted by the extraction means as an input and using a learning model for predicting an abnormality in the monitored equipment, the probability that an abnormality will occur at a predetermined time point to a predetermined time point is determined. Based on the frame abnormality evaluation value calculation means for calculating the frame abnormality evaluation value, which is an intermediate evaluation value to be represented, and a plurality of frame abnormality evaluation values calculated by the frame abnormality evaluation value calculation means, a predetermined time is determined from the predetermined time point. It is characterized by having an abnormality prediction evaluation value calculation means for calculating an abnormality prediction evaluation value, which is a final evaluation value indicating the certainty that an abnormality will occur at a time point after time.

また、本発明の異常予測システムは、異常予測装置とパラメータ学習装置とがネットワークを介して接続されている異常予測システムであって、前記異常予測装置が、監視対象設備のセンサによって収集された時系列のデータであるプロセスデータと前記監視対象設備に異常が発生した時刻を示す異常発生時刻データとを前記パラメータ学習装置に送信し、前記監視対象設備の異常を予測するための学習モデルのパラメータを前記パラメータ学習装置から受信する通信手段と、前記プロセスデータから、所定の時間幅である第一の時間幅に含まれるプロセスデータを抽出する抽出手段と、前記抽出手段によって抽出されたプロセスデータを入力として、前記学習モデルを用いて、所定の時点から所定時間後の時点について、異常が発生する確からしさを表す中間的な評価値であるフレーム異常評価値を算出するフレーム異常評価値算出手段と、前記フレーム異常評価値算出手段によって算出された複数のフレーム異常評価値に基づいて、前記所定の時点から所定時間後の時点において異常が発生する確からしさを表す最終的な評価値である異常予測評価値を算出する異常予測評価値算出手段とを有し、前記パラメータ学習装置が、前記プロセスデータと前記異常発生時刻データとを前記異常予測装置から受信する学習データ受信手段と、前記学習データ受信手段によって受信された前記プロセスデータおよび前記異常発生時刻データに基づいて、前記学習モデルのパラメータを、学習する学習手段と、前記学習手段によって学習された前記学習モデルのパラメータを前記異常予測装置へ送信するパラメータ送信手段とを有することを特徴とする。 Further, the abnormality prediction system of the present invention is an abnormality prediction system in which an abnormality prediction device and a parameter learning device are connected via a network, and when the abnormality prediction device is collected by a sensor of monitored equipment. Process data, which is series data, and abnormality occurrence time data indicating the time when an abnormality occurred in the monitored equipment are transmitted to the parameter learning device, and parameters of a learning model for predicting an abnormality in the monitored equipment are obtained. Input the communication means received from the parameter learning device, the extraction means for extracting the process data included in the first time width which is a predetermined time width from the process data, and the process data extracted by the extraction means. As a frame abnormality evaluation value calculation means for calculating a frame abnormality evaluation value which is an intermediate evaluation value indicating the probability that an abnormality will occur from a predetermined time point to a time point after a predetermined time using the learning model. Anomaly prediction evaluation, which is a final evaluation value indicating the probability that an abnormality will occur at a time point after a predetermined time from the predetermined time point, based on a plurality of frame abnormality evaluation values calculated by the frame abnormality evaluation value calculation means. An abnormality prediction evaluation value calculation means for calculating a value, a learning data receiving means for the parameter learning device to receive the process data and the abnormality occurrence time data from the abnormality prediction device, and the learning data receiving means. Based on the process data and the abnormality occurrence time data received by, the learning means for learning the parameters of the learning model and the parameters of the learning model learned by the learning means are transmitted to the abnormality prediction device. It is characterized by having a parameter transmission means.

また、本発明の異常予測プログラムは、監視対象設備のセンサによって収集された時系列のデータであるプロセスデータから、所定の時間幅である第一の時間幅に含まれるプロセスデータを抽出する抽出ステップと、前記抽出ステップによって抽出されたプロセスデータを入力として、前記監視対象設備の異常を予測するための学習モデルを用いて、所定の時点から所定時間後の時点について、異常が発生する確からしさを表す中間的な評価値であるフレーム異常評価値を算出するフレーム異常評価値算出ステップと、前記フレーム異常評価値算出ステップによって算出された複数のフレーム異常評価値に基づいて、前記所定の時点から所定時間後の時点において異常が発生する確からしさを表す最終的な評価値である異常予測評価値を算出する異常予測評価値算出ステップとをコンピュータに実行させることを特徴とする。 Further, the abnormality prediction program of the present invention is an extraction step of extracting the process data included in the first time width, which is a predetermined time width, from the process data, which is the time series data collected by the sensor of the monitored equipment. Then, using the process data extracted by the extraction step as an input and using a learning model for predicting an abnormality in the monitored equipment, the probability that an abnormality will occur at a predetermined time point to a predetermined time point is determined. Based on the frame abnormality evaluation value calculation step for calculating the frame abnormality evaluation value, which is an intermediate evaluation value to be represented, and the plurality of frame abnormality evaluation values calculated by the frame abnormality evaluation value calculation step, a predetermined time is determined. It is characterized by having a computer execute an abnormality prediction evaluation value calculation step for calculating an abnormality prediction evaluation value, which is a final evaluation value indicating the probability that an abnormality will occur at a time point after time.

本発明によれば、未来に異常が発生するかどうかの予測を行うことができるという効果を奏する。 According to the present invention, it is possible to predict whether or not an abnormality will occur in the future.

図１は、第１の実施形態に係る異常予測装置の構成例を示すブロック図である。FIG. 1 is a block diagram showing a configuration example of the abnormality prediction device according to the first embodiment. 図２は、異常予測部によって実行される異常予測評価値算出処理を説明する図である。FIG. 2 is a diagram illustrating an abnormality prediction evaluation value calculation process executed by the abnormality prediction unit. 図３は、異常予測装置によって実行される異常予測処理の概要を説明する図である。FIG. 3 is a diagram illustrating an outline of an abnormality prediction process executed by the abnormality prediction device. 図４は、第１の実施形態に係る異常予測装置における異常予測処理の流れの一例を示すフローチャートである。FIG. 4 is a flowchart showing an example of the flow of abnormality prediction processing in the abnormality prediction device according to the first embodiment. 図５は、第１の実施形態に係る異常予測装置における学習処理の流れの一例を示すフローチャートである。FIG. 5 is a flowchart showing an example of the flow of learning processing in the abnormality prediction device according to the first embodiment. 図６は、第２の実施形態に係る異常予測システムの構成例を示すブロック図である。FIG. 6 is a block diagram showing a configuration example of the abnormality prediction system according to the second embodiment. 図７は、第３の実施形態に係る異常予測装置の構成例を示すブロック図である。FIG. 7 is a block diagram showing a configuration example of the abnormality prediction device according to the third embodiment. 図８は、異常予測プログラムを実行するコンピュータを示す図である。FIG. 8 is a diagram showing a computer that executes an abnormality prediction program.

以下に、本願に係る異常予測方法、異常予測装置、異常予測システムおよび異常予測プログラムの実施の形態を図面に基づいて詳細に説明する。なお、この実施の形態により本願に係る異常予測方法、異常予測装置、異常予測システムおよび異常予測プログラムが限定されるものではない。 Hereinafter, embodiments of the abnormality prediction method, the abnormality prediction device, the abnormality prediction system, and the abnormality prediction program according to the present application will be described in detail with reference to the drawings. Note that this embodiment does not limit the abnormality prediction method, abnormality prediction device, abnormality prediction system, and abnormality prediction program according to the present application.

［第１の実施形態］
以下の実施の形態では、第１の実施形態に係る異常予測装置１０の構成、異常予測装置１０の処理の流れを順に説明し、最後に第１の実施形態による効果を説明する。 [First Embodiment]
In the following embodiments, the configuration of the abnormality prediction device 10 and the processing flow of the abnormality prediction device 10 according to the first embodiment will be described in order, and finally the effects of the first embodiment will be described.

［異常予測装置の構成］
まず、図１を用いて、異常予測装置１０の構成を説明する。図１は、第１の実施形態に係る異常予測装置の構成例を示すブロック図である。異常予測装置１０は、例えば、工場やプラントなどに設置されるセンサ等で連続的に収集される多変量時系列データであるプロセスデータを用いて、予め設定された一定時間後に異常が発生するか否かを推定し、異常が発生すると判断された場合に事前に警告を出力する。 [Configuration of abnormality prediction device]
First, the configuration of the abnormality prediction device 10 will be described with reference to FIG. FIG. 1 is a block diagram showing a configuration example of the abnormality prediction device according to the first embodiment. The abnormality prediction device 10 uses, for example, process data which is multivariate time series data continuously collected by a sensor installed in a factory or a plant, and whether an abnormality occurs after a predetermined fixed time. Estimates whether or not, and outputs a warning in advance when it is determined that an abnormality will occur.

図１に示すように、この異常予測装置１０は、通信処理部１１、異常予測部１２、パラメータ学習部１３および表示部１４を有する。以下に異常予測装置１０が有する各部の処理を説明する。 As shown in FIG. 1, the abnormality prediction device 10 includes a communication processing unit 11, an abnormality prediction unit 12, a parameter learning unit 13, and a display unit 14. The processing of each part of the abnormality prediction device 10 will be described below.

通信処理部１１は、工場やプラントなどに設置されるセンサとの間でやり取りする各種情報に関する通信を制御する。例えば、通信処理部１１は、工場やプラントなどに設置されるセンサからプロセスデータを定期的に受信する。 The communication processing unit 11 controls communication related to various information exchanged with sensors installed in factories, plants, and the like. For example, the communication processing unit 11 periodically receives process data from sensors installed in factories, plants, and the like.

また、異常予測部１２は、プロセスデータおよび学習モデル（識別関数）を用いて、予め設定された一定時間後に異常が発生するか否かを予測する。異常予測部１２は、プロセスデータ取得部１２ａ、分析フレーム抽出部１２ｂ、フレーム異常評価値算出部１２ｃ、異常予測評価値算出部１２ｄ、プロセスデータバッファ１２ｅおよびフレーム異常評価値バッファ１２ｆを有する。 Further, the abnormality prediction unit 12 predicts whether or not an abnormality will occur after a predetermined fixed time by using the process data and the learning model (discrimination function). The abnormality prediction unit 12 includes a process data acquisition unit 12a, an analysis frame extraction unit 12b, a frame abnormality evaluation value calculation unit 12c, an abnormality prediction evaluation value calculation unit 12d, a process data buffer 12e, and a frame abnormality evaluation value buffer 12f.

プロセスデータ取得部１２ａ、分析フレーム抽出部１２ｂ、フレーム異常評価値算出部１２ｃおよび異常予測評価値算出部１２ｄは、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）などの電子回路やＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）などの集積回路である。また、プロセスデータバッファ１２ｅおよびフレーム異常評価値バッファ１２ｆは、例えば、ＲＡＭ（Random Access Memory）、フラッシュメモリ（Flash Memory）等の半導体メモリ素子等の記憶装置である。 The process data acquisition unit 12a, the analysis frame extraction unit 12b, the frame abnormality evaluation value calculation unit 12c, and the abnormality prediction evaluation value calculation unit 12d are, for example, electronic circuits such as a CPU (Central Processing Unit) and an MPU (Micro Processing Unit), and an ASIC. It is an integrated circuit such as (Application Specific Integrated Circuit) and FPGA (Field Programmable Gate Array). Further, the process data buffer 12e and the frame abnormality evaluation value buffer 12f are storage devices such as semiconductor memory elements such as RAM (Random Access Memory) and flash memory (Flash Memory), for example.

プロセスデータ取得部１２ａは、監視対象設備のセンサによって収集された時系列のデータであるプロセスデータを取得する。具体的には、プロセスデータ取得部１２ａは、工場やプラントなどに設置されるセンサによって収集されたプロセスデータを定期的（例えば、１分ごと）に取得し、プロセスデータバッファ１２ｅに格納する。ここでセンサが収集するデータとは、例えば、監視対象設備である工場、プラント内の装置や反応炉についての温度や圧力、音、振動等の各種データである。 The process data acquisition unit 12a acquires process data, which is time-series data collected by the sensor of the monitored equipment. Specifically, the process data acquisition unit 12a acquires the process data collected by the sensors installed in the factory or the plant periodically (for example, every minute) and stores it in the process data buffer 12e. Here, the data collected by the sensor is, for example, various data such as temperature, pressure, sound, and vibration of the equipment to be monitored, the equipment in the plant, and the reactor.

分析フレーム抽出部１２ｂは、プロセスデータ取得部１２ａによって取得されたプロセスデータから、所定の時間幅Ｗａである分析フレームに含まれるプロセスデータを抽出する。具体的には、分析フレーム抽出部１２ｂは、所定の時点のプロセスデータを含む時間幅Ｗａのフレーム分のプロセスデータをプロセスデータバッファ１２ｅから抽出して読み出し、読み出したプロセスデータをフレーム異常評価値算出部１２ｃに通知する。 The analysis frame extraction unit 12b extracts the process data included in the analysis frame having a predetermined time width Wa from the process data acquired by the process data acquisition unit 12a. Specifically, the analysis frame extraction unit 12b extracts and reads the process data for the frame of the time width Wa including the process data at a predetermined time from the process data buffer 12e, and calculates the read process data as the frame abnormality evaluation value. Notify unit 12c.

例えば、分析フレーム抽出部１２ｂは、プロセスデータ取得部１２ａが１分毎にプロセスデータを取得し、時間幅Ｗａが「５」である場合には、現時刻ｔに取得されたプロセスデータ、現時刻の１分前に取得されたプロセスデータ、現時刻の２分前に取得されたプロセスデータ、現時刻の３分前に取得されたプロセスデータ、現時刻の４分前に取得されたプロセスデータをプロセスデータバッファ１２ｅから抽出して読み出す。 For example, in the analysis frame extraction unit 12b, when the process data acquisition unit 12a acquires the process data every minute and the time width Wa is "5", the process data acquired at the current time t, the current time. Process data acquired 1 minute before the current time, process data acquired 2 minutes before the current time, process data acquired 3 minutes before the current time, process data acquired 4 minutes before the current time It is extracted from the process data buffer 12e and read out.

プロセスデータバッファ１２ｅは、プロセスデータ取得部１２ａによって取得されたプロセスデータを記憶する。プロセスデータバッファ１２ｅには、プロセスデータとして、少なくとも、時間幅Ｗａのフレーム分の最新のプロセスデータが格納されている。 The process data buffer 12e stores the process data acquired by the process data acquisition unit 12a. The process data buffer 12e stores at least the latest process data for a frame having a time width Wa as the process data.

フレーム異常評価値算出部１２ｃは、分析フレーム抽出部１２ｂによって抽出されたプロセスデータを入力として、監視対象設備の異常を予測するための学習モデルを用いて、所定の時点から所定時間後の時点について、異常が発生する確からしさを表す中間的な評価値であるフレーム異常評価値を算出する。なお、所定の時点とは、現時点であってもよいし、現時点から１０秒前等の予め設定された時点であってもよい。また、フレーム異常評価値算出部１２ｃは、学習モデルとして、ニューラルネットワークを用いて、フレーム異常評価値を算出する。なお、学習モデルは、ニューラルネットワークに限定されるものではなく、ロジスティック回帰、サポートベクトルマシン、判別分析、ディープニューラルネットワークなどの機械学習アルゴリズムを適用したものでもよい。 The frame abnormality evaluation value calculation unit 12c uses the process data extracted by the analysis frame extraction unit 12b as an input, and uses a learning model for predicting an abnormality of the monitored equipment, for a time point after a predetermined time from a predetermined time point. , Calculate the frame abnormality evaluation value, which is an intermediate evaluation value indicating the probability that an abnormality will occur. The predetermined time point may be the current time point or a preset time point such as 10 seconds before the present time point. Further, the frame abnormality evaluation value calculation unit 12c calculates the frame abnormality evaluation value using a neural network as a learning model. The learning model is not limited to the neural network, and may be one to which a machine learning algorithm such as logistic regression, support vector machine, discriminant analysis, or deep neural network is applied.

具体的には、フレーム異常評価値算出部１２ｃは、分析フレーム抽出部１２ｂから抽出されたプロセスデータを受信する。そして、フレーム異常評価値算出部１２ｃは、受信したプロセスデータを入力として、監視対象設備の異常を予測するための学習モデルを用いて、現時刻ｔから所定時間後の時点について、フレーム異常評価値を算出し、フレーム異常評価値バッファ１２ｆに格納する。なお、フレーム異常評価値とは、例えば、監視対象設備の異常が発生する確率値であって、「０」〜「１」で表現される数値であってもよい。この場合には、例えば、ある時点において監視対象設備の異常が発生する確率が「４０％」と予測された場合には、フレーム異常評価値が「０．４」となる。また、フレーム異常評価値はこれに限定されるものではなく、例えば、監視対象設備の異常が発生する可能性が一定以上存在するか否かを示す値として、「０」または「１」のいずれかで表現される数値であってもよい。また、異常の指標となる特定のセンサ値などの時系列データがある場合は、この特定の時系列データ自体をフレーム異常評価値とみなすことも可能である。 Specifically, the frame abnormality evaluation value calculation unit 12c receives the process data extracted from the analysis frame extraction unit 12b. Then, the frame abnormality evaluation value calculation unit 12c uses the received process data as an input and uses a learning model for predicting an abnormality of the monitored equipment, and uses a learning model for predicting an abnormality of the monitored equipment at a time point after a predetermined time from the current time t. Is calculated and stored in the frame abnormality evaluation value buffer 12f. The frame abnormality evaluation value is, for example, a probability value at which an abnormality occurs in the monitored equipment, and may be a numerical value represented by "0" to "1". In this case, for example, if the probability that an abnormality of the monitored equipment will occur at a certain point in time is predicted to be "40%", the frame abnormality evaluation value will be "0.4". Further, the frame abnormality evaluation value is not limited to this, and for example, as a value indicating whether or not there is a possibility that an abnormality of the monitored equipment occurs above a certain level, either “0” or “1”. It may be a numerical value expressed by. Further, when there is time series data such as a specific sensor value that is an index of abnormality, this specific time series data itself can be regarded as a frame abnormality evaluation value.

例えば、フレーム異常評価値算出部１２ｃは、プロセスデータ取得部１２ａが１分毎にプロセスデータを取得し、時間幅Ｗａが「５」であり、時間幅Ｗｂが「７」である場合には、分析フレーム抽出部１２ｂによって抽出された時間幅Ｗａ「５」のプロセスデータを入力として、監視対象設備の異常を予測するための学習モデルを用いて、現時刻から所定時間後の時点について、異常が発生する確からしさを表す中間的な評価値であるフレーム異常評価値を算出する。 For example, in the frame abnormality evaluation value calculation unit 12c, when the process data acquisition unit 12a acquires the process data every minute, the time width Wa is "5", and the time width Wb is "7", Using the process data of the time width Wa "5" extracted by the analysis frame extraction unit 12b as input and using the learning model for predicting the abnormality of the monitored equipment, the abnormality occurs at the time point after a predetermined time from the current time. The frame abnormality evaluation value, which is an intermediate evaluation value indicating the certainty of occurrence, is calculated.

異常予測評価値算出部１２ｄは、フレーム異常評価値算出部１２ｃによって算出された複数のフレーム異常評価値に基づいて、所定の時点から所定時間後の時点において異常が発生する確からしさを表す最終的な評価値である異常予測評価値を算出する。例えば、所定の時点から所定時間後の時点を時点ｔ＋Ｎとした場合に、異常予測評価値算出部１２ｄは、該所定時間後の時点ｔ＋Ｎを含み、該所定時間後の時点ｔ＋Ｎからさかのぼり時間幅Ｗｂに含まれる時点のデータに基づいて、該所定時間後の時点ｔ＋Ｎにおいて異常が発生する確からしさを表す最終的な評価値である異常予測評価値を算出する。具体的には、異常予測評価値算出部１２ｄは、フレーム異常評価値バッファ１２ｆからフレーム異常評価値を読み出し、該フレーム異常評価値に基づいて、現時刻ｔから所定時間後ｔ＋Ｎの時点における異常予測評価値を算出し、異常判定部１４ａおよびチャート表示部１４ｂに通知する。 The anomaly prediction evaluation value calculation unit 12d finally indicates the certainty that an abnormality will occur at a time point after a predetermined time from a predetermined time point based on a plurality of frame abnormality evaluation values calculated by the frame abnormality evaluation value calculation unit 12c. Calculate the abnormal prediction evaluation value, which is an appropriate evaluation value. For example, when the time point t + N after a predetermined time is set as the time point t + N from the predetermined time point, the abnormality prediction evaluation value calculation unit 12d includes the time point t + N after the predetermined time and goes back from the time point t + N after the predetermined time width Wb. Based on the data at the time point included in, the abnormality prediction evaluation value, which is the final evaluation value indicating the probability that the abnormality will occur at the time point t + N after the predetermined time, is calculated. Specifically, the abnormality prediction evaluation value calculation unit 12d reads the frame abnormality evaluation value from the frame abnormality evaluation value buffer 12f, and based on the frame abnormality evaluation value, the abnormality prediction at the time point t + N after a predetermined time from the current time t. The evaluation value is calculated and notified to the abnormality determination unit 14a and the chart display unit 14b.

例えば、異常予測評価値算出部１２ｄは、異常予測評価値の算出方法として、複数のフレーム異常評価値の平均値を異常予測評価値として算出する。また、異常予測評価値算出部１２ｄは、異常予測評価値の算出方法として、単純に複数のフレーム異常評価値の平均値を算出する方法に限定されるものではなく、例えば、各フレーム異常評価値に重み付けを行ったりする等、種々の方法を用いて算出するようにしてもよい。 For example, the abnormality prediction evaluation value calculation unit 12d calculates an average value of a plurality of frame abnormality evaluation values as an abnormality prediction evaluation value as a method of calculating the abnormality prediction evaluation value. Further, the abnormality prediction evaluation value calculation unit 12d is not limited to a method of simply calculating the average value of a plurality of frame abnormality evaluation values as a method of calculating the abnormality prediction evaluation value, for example, each frame abnormality evaluation value. May be calculated using various methods such as weighting.

フレーム異常評価値バッファ１２ｆは、フレーム異常評価値算出部１２ｃによって算出されたフレーム異常評価値を記憶する。なお、フレーム異常評価値バッファ１２ｆには、フレーム異常評価値として、少なくとも、時間幅Ｗｂのフレーム分の最新のフレーム異常評価値が格納されている。 The frame abnormality evaluation value buffer 12f stores the frame abnormality evaluation value calculated by the frame abnormality evaluation value calculation unit 12c. The frame abnormality evaluation value buffer 12f stores at least the latest frame abnormality evaluation value for a frame having a time width Wb as a frame abnormality evaluation value.

ここで、図２を用いて、異常予測部１２によって実行される一連の異常予測評価値算出処理を説明する。図２は、異常予測部によって実行される異常予測評価値算出処理を説明する図である。図２における（Ａ）は、センサから取得されたプロセスデータを項目ｘ_１ｔ〜ｘ_ｎｔごとにプロットを示したものであり、異常予測評価値が算出されるたびに時間幅Ｗａをもつ分析フレームが移動幅Ｌ分だけ移動する。 Here, a series of abnormality prediction evaluation value calculation processes executed by the abnormality prediction unit 12 will be described with reference to FIG. FIG. 2 is a diagram illustrating an abnormality prediction evaluation value calculation process executed by the abnormality prediction unit. FIG. 2A shows a plot of the process data acquired from the sensor _{for each item x 1t} _{to x nt, and} each time an abnormality prediction evaluation value is calculated, an analysis frame having a time width Wa is displayed. It moves by the movement width L.

図２の（Ａ）、（Ｂ）に例示するように、例えば、プロセスデータ取得部１２ａが１分毎にプロセスデータを取得し、時間幅Ｗａが「５」であり、時間幅Ｗｂが「７」であるものとする。この場合には、フレーム異常評価値算出部１２ｃは、時間幅Ｗａ「５」分のプロセスデータを入力として、監視対象設備の異常を予測するための学習モデルを用いて、現時刻ｔから所定時間後の時点について、異常が発生する確からしさを表す中間的な評価値であるフレーム異常評価値を算出する。 As illustrated in FIGS. 2A and 2B, for example, the process data acquisition unit 12a acquires the process data every minute, the time width Wa is "5", and the time width Wb is "7". ". In this case, the frame abnormality evaluation value calculation unit 12c uses the learning model for predicting the abnormality of the monitored equipment by inputting the process data for the time width Wa “5” and using the learning model to predict the abnormality of the monitored equipment for a predetermined time from the current time t. At a later point in time, the frame abnormality evaluation value, which is an intermediate evaluation value indicating the probability that an abnormality will occur, is calculated.

そして、図２の（Ｂ）、（Ｃ）に例示するように、例えば、異常予測評価値算出部１２ｄは、複数の時点「ｔ＋Ｎ」〜「ｔ＋Ｎ−６」における各フレーム異常評価値の平均値を、現時刻ｔから所定時間後の時点「ｔ＋Ｎ」の異常予測評価値として算出する。例えば、異常予測評価値算出部１２ｄは、「ｔ＋Ｎ」〜「ｔ＋Ｎ−４」の各フレーム異常評価値が「０．２」、「ｔ＋Ｎ−５」のフレーム異常評価値が「０．５」、「ｔ＋Ｎ−６」のフレーム異常評価値が「０．６」である場合には、各フレーム異常評価値の平均値「０．３」を、現時刻ｔから所定時間後の時点「ｔ＋Ｎ」の異常予測評価値として算出する。なお、図２の（Ｃ）の下部に示すグラフは、異常予測評価値をプロットしたものであり、値が大きくなっている部分が異常と予測された時間帯を表している。 Then, as illustrated in FIGS. 2B and 2C, for example, the abnormality prediction evaluation value calculation unit 12d has an average value of each frame abnormality evaluation value at a plurality of time points “t + N” to “t + N-6”. Is calculated as an abnormality prediction evaluation value of the time point "t + N" after a predetermined time from the current time t. For example, in the abnormality prediction evaluation value calculation unit 12d, each frame abnormality evaluation value of "t + N" to "t + N-4" is "0.2", and the frame abnormality evaluation value of "t + N-5" is "0.5". When the frame abnormality evaluation value of "t + N-6" is "0.6", the average value "0.3" of each frame abnormality evaluation value is set to the time point "t + N" after a predetermined time from the current time t. Calculated as anomaly prediction evaluation value. The graph shown at the bottom of FIG. 2C is a plot of the abnormal prediction evaluation values, and the portion where the value is large represents the time zone predicted to be abnormal.

図１の説明に戻って、パラメータ学習部１３は、学習モデルのパラメータを、監視対象設備に異常が発生した時刻を示す異常発生時刻データおよびプロセスデータに基づいて、学習する。パラメータ学習部１３は、学習データ蓄積部１３ａ、学習データ抽出部１３ｂ、フレーム異常評価値関数学習部１３ｃ、学習用プロセスデータ記憶部１３ｄおよびフレーム異常評価値関数パラメータ記憶部１３ｅを有する。 Returning to the description of FIG. 1, the parameter learning unit 13 learns the parameters of the learning model based on the abnormality occurrence time data and the process data indicating the time when the abnormality occurred in the monitored equipment. The parameter learning unit 13 includes a learning data storage unit 13a, a learning data extraction unit 13b, a frame abnormality evaluation value function learning unit 13c, a learning process data storage unit 13d, and a frame abnormality evaluation value function parameter storage unit 13e.

学習データ蓄積部１３ａは、監視対象設備のセンサや外部の装置等からプロセスデータおよび異常発生時刻データを取得し、取得したプロセスデータおよび異常発生時刻データを学習用プロセスデータ記憶部１３ｄに格納する。また、学習データ蓄積部１３ａは、特定のセンサ値などの時系列データをフレーム異常評価値として使用する場合は、この時系列データを学習用プロセスデータ記憶部１３ｄに格納する。 The learning data storage unit 13a acquires process data and abnormality occurrence time data from a sensor of the monitored equipment, an external device, or the like, and stores the acquired process data and abnormality occurrence time data in the learning process data storage unit 13d. Further, when the learning data storage unit 13a uses time-series data such as a specific sensor value as a frame abnormality evaluation value, the learning data storage unit 13a stores the time-series data in the learning process data storage unit 13d.

学習データ抽出部１３ｂは、学習用プロセスデータ記憶部１３ｄから異常発生時刻データを読み出すとともに、異常発生時のプロセスデータのデータ量と正常時のプロセスデータのデータ量との比率が所定の比率となるように、学習用プロセスデータ記憶部１３ｄからプロセスデータを抽出して読み出し、異常発生時刻データおよびプロセスデータをフレーム異常評価値関数学習部１３ｃに通知する。 The learning data extraction unit 13b reads out the abnormality occurrence time data from the learning process data storage unit 13d, and the ratio between the amount of process data at the time of occurrence of the abnormality and the amount of data of the process data at the time of normalization becomes a predetermined ratio. As described above, the process data is extracted from the learning process data storage unit 13d, read out, and the abnormality occurrence time data and the process data are notified to the frame abnormality evaluation value function learning unit 13c.

つまり、例えば、正常時のプロセスデータのデータ量が、異常発生時のプロセスデータのデータ量に比べて著しく多い場合には、識別関数の学習を適切に行えないため、学習データ抽出部１３ｂは、異常発生時のプロセスデータのデータ量と正常時のプロセスデータのデータ量との比率が所定の比率となるように、学習用プロセスデータ記憶部１３ｄからプロセスデータを抽出して読み出す。 That is, for example, when the amount of process data in the normal state is significantly larger than the amount of data in the process data at the time of abnormality occurrence, the discriminant function cannot be properly learned. Therefore, the learning data extraction unit 13b may perform the training data extraction unit 13b. Process data is extracted from the learning process data storage unit 13d and read out so that the ratio of the data amount of the process data at the time of abnormality occurrence to the data amount of the process data at the normal time becomes a predetermined ratio.

フレーム異常評価値関数学習部１３ｃは、異常発生時刻データおよびプロセスデータに基づいて、監視対象設備の異常を予測するための識別関数のパラメータを学習し、学習した識別関数のパラメータをフレーム異常評価値関数パラメータ記憶部１３ｅに格納する。例えば、フレーム異常評価値関数学習部１３ｃは、異常発生時刻データを正解ラベルとした機械学習を行う。なお、機械学習の手法は、既知の手法のいずれを用いてもよく、例えば、ニューラルネットワーク、ロジスティック回帰、サポートベクトルマシン、判別分析、ディープニューラルネットワークなどの機械学習アルゴリズムを適用する。また、フレーム異常評価値関数学習部１３ｃは、特定のセンサ値などの時系列データをフレーム異常評価値として使用する場合は、この時系列データを目的変数、プロセスデータを説明変数とすることで、線形回帰、サポートベクトル回帰、ニューラルネットワークなどの既知の回帰アルゴリズムを適用してフレーム異常評価値関数を学習する。 The frame abnormality evaluation value function learning unit 13c learns the parameters of the identification function for predicting the abnormality of the monitored equipment based on the abnormality occurrence time data and the process data, and sets the learned identification function parameters as the frame abnormality evaluation value. It is stored in the function parameter storage unit 13e. For example, the frame abnormality evaluation value function learning unit 13c performs machine learning using the abnormality occurrence time data as a correct label. Any known method may be used as the machine learning method, and for example, a machine learning algorithm such as a neural network, logistic regression, support vector machine, discriminant analysis, or deep neural network is applied. Further, when the frame abnormality evaluation value function learning unit 13c uses time series data such as a specific sensor value as the frame abnormality evaluation value, the time series data is used as an objective variable and the process data is used as an explanatory variable. Learn the frame anomaly evaluation value function by applying known regression algorithms such as linear regression, support vector regression, and neural network.

学習用プロセスデータ記憶部１３ｄは、学習データ蓄積部１３ａによって取得されたプロセスデータと異常発生時刻データとを記憶する。フレーム異常評価値関数パラメータ記憶部１３ｅは、フレーム異常評価値関数学習部１３ｃによって学習された識別関数のパラメータを記憶する。 The learning process data storage unit 13d stores the process data acquired by the learning data storage unit 13a and the abnormality occurrence time data. The frame abnormality evaluation value function parameter storage unit 13e stores the parameters of the identification function learned by the frame abnormality evaluation value function learning unit 13c.

表示部１４は、異常予測評価値に基づき警告サインを出力したり、異常予測評価値の時系列データをチャート画面として出力したりする。表示部１４は、異常判定部１４ａおよびチャート表示部１４ｂを有する。 The display unit 14 outputs a warning sign based on the abnormality prediction evaluation value, and outputs time-series data of the abnormality prediction evaluation value as a chart screen. The display unit 14 includes an abnormality determination unit 14a and a chart display unit 14b.

異常判定部１４ａは、異常予測評価値算出部１２ｄによって算出された異常予測評価値が所定の閾値以上であるか否かを判定し、異常予測評価値が所定の閾値以上である場合には、異常発生に関する警告を出力する。例えば、異常判定部１４ａは、異常予測評価値が所定の閾値以上である場合には、警告サインとして、一定時間後に監視対象設備に異常が発生する可能性がある旨の警告メッセージを出力してもよいし、警告を報知する音を出力するようにしてもよい。 The abnormality determination unit 14a determines whether or not the abnormality prediction evaluation value calculated by the abnormality prediction evaluation value calculation unit 12d is equal to or more than a predetermined threshold value, and if the abnormality prediction evaluation value is equal to or more than a predetermined threshold value, Outputs a warning about the occurrence of an error. For example, when the abnormality prediction evaluation value is equal to or higher than a predetermined threshold value, the abnormality determination unit 14a outputs a warning message as a warning sign indicating that an abnormality may occur in the monitored equipment after a certain period of time. Alternatively, a sound for notifying a warning may be output.

チャート表示部１４ｂは、異常予測評価値算出部１２ｄによって算出された異常予測評価値の時系列データをチャート画面として表示する。例えば、チャート表示部１４ｂは、ユーザからの表示要求を受け付けると、異常予測評価値の時系列データをチャート画面として表示する。 The chart display unit 14b displays the time series data of the abnormality prediction evaluation value calculated by the abnormality prediction evaluation value calculation unit 12d as a chart screen. For example, when the chart display unit 14b receives a display request from the user, the chart display unit 14b displays the time series data of the abnormality prediction evaluation value as a chart screen.

ここで、図３を用いて、異常予測装置１０によって実行される異常予測処理の概要を説明する図である。図３は、異常予測装置によって実行される異常予測処理の概要を説明する図である。 Here, it is a figure explaining the outline of the abnormality prediction processing executed by the abnormality prediction apparatus 10 with reference to FIG. FIG. 3 is a diagram illustrating an outline of an abnormality prediction process executed by the abnormality prediction device.

図３の（Ａ）では、プラント内の反応炉や装置などにセンサや運転用の信号などを収集するデバイスが取り付けられ、一定時間毎にデータを収集していることを図示している。また、図３の（Ｂ）では、センサ等により収集されたプロセスデータを項目（プロセス）ごとにプロットしたものを図示しており、太枠で囲われた部分のデータを切り出し、一定時間後の異常を推定することを想定している。また、図３の（Ｃ）では、前述した、プロセスデータに基づき異常予測評価値を算出する異常予測部１２を図示している。また、図３の（Ｄ）では、最終的に算出さる異常予測評価値をプロットしたものを図示しており、値が大きくなっている部分が異常と予測された時間帯を表している。また、図３の（Ｅ）では、図３の（Ｃ）に含まれる識別関数を学習するために使われる正解ラベル（異常発生時刻データ）を図示している。 In FIG. 3A, it is shown that a sensor, a device for collecting operation signals, and the like are attached to a reactor, a device, or the like in the plant, and data is collected at regular intervals. Further, in FIG. 3B, the process data collected by the sensor or the like is plotted for each item (process), and the data in the portion surrounded by the thick frame is cut out and after a certain period of time. It is supposed to estimate anomalies. Further, in FIG. 3C, the abnormality prediction unit 12 for calculating the abnormality prediction evaluation value based on the process data described above is illustrated. Further, in FIG. 3D, a plot of the finally calculated abnormality prediction evaluation value is shown, and the portion where the value is large represents the time zone predicted to be abnormal. Further, FIG. 3 (E) illustrates a correct label (abnormality occurrence time data) used for learning the identification function included in FIG. 3 (C).

図３（Ａ）、（Ｂ）に示すように、プラント内の装置や反応炉等に設置されたセンサ等によって収集された時系列のデータであるプロセスデータを取得する。そして、図３の（Ｃ）、（Ｄ）に示すように、プロセスデータおよび識別関数を用いて、予め設定された一定時間後に異常が発生するか否かを予測する。また、パラメータ学習部１３は、図３の（Ｅ）に例示する識別関数異常発生時刻データを正解ラベルとした機械学習を行う。 As shown in FIGS. 3A and 3B, process data, which is time-series data collected by a device in a plant, a sensor installed in a reactor, or the like, is acquired. Then, as shown in FIGS. 3C and 3D, the process data and the identification function are used to predict whether or not an abnormality will occur after a predetermined fixed time. Further, the parameter learning unit 13 performs machine learning using the identification function abnormality occurrence time data illustrated in FIG. 3 (E) as a correct label.

［異常予測装置の処理手順］
次に、図４および図５を用いて、第１の実施形態に係る異常予測装置１０による処理手順の例を説明する。図４は、第１の実施形態に係る異常予測装置における異常予測処理の流れの一例を示すフローチャートである。図５は、第１の実施形態に係る異常予測装置における学習処理の流れの一例を示すフローチャートである。 [Processing procedure of abnormality predictor]
Next, an example of the processing procedure by the abnormality prediction device 10 according to the first embodiment will be described with reference to FIGS. 4 and 5. FIG. 4 is a flowchart showing an example of the flow of abnormality prediction processing in the abnormality prediction device according to the first embodiment. FIG. 5 is a flowchart showing an example of the flow of learning processing in the abnormality prediction device according to the first embodiment.

まず、図４を用いて、異常予測装置１０による異常予測処理の流れを説明する。図４に例示するように、異常予測部１２のプロセスデータ取得部１２ａが、プロセスデータを取得すると（ステップＳ１０１肯定）、プロセスデータ取得部１２ａによって取得されたプロセスデータから、所定の時間幅Ｗａである分析フレームにおけるプロセスデータを抽出する（ステップＳ１０２）。 First, the flow of the abnormality prediction process by the abnormality prediction device 10 will be described with reference to FIG. As illustrated in FIG. 4, when the process data acquisition unit 12a of the abnormality prediction unit 12 acquires the process data (affirmation in step S101), the process data acquired by the process data acquisition unit 12a has a predetermined time width Wa. The process data in a certain analysis frame is extracted (step S102).

そして、フレーム異常評価値算出部１２ｃは、分析フレーム抽出部１２ｂによって抽出されたプロセスデータを入力として、監視対象設備の異常を予測するための学習モデルを用いて、所定の時点から所定時間後の時点について、異常が発生する確からしさを表す中間的な評価値であるフレーム異常評価値を算出する（ステップＳ１０３）。 Then, the frame abnormality evaluation value calculation unit 12c uses the process data extracted by the analysis frame extraction unit 12b as an input, and uses a learning model for predicting an abnormality of the monitored equipment, after a predetermined time from a predetermined time. For the time point, a frame abnormality evaluation value, which is an intermediate evaluation value indicating the probability that an abnormality will occur, is calculated (step S103).

続いて、異常予測評価値算出部１２ｄは、フレーム異常評価値算出部１２ｃによって算出された複数のフレーム異常評価値に基づいて、現時刻から所定時間後の時点において異常が発生する確からしさを表す最終的な評価値である異常予測評価値を算出する（ステップＳ１０４）。 Subsequently, the abnormality prediction evaluation value calculation unit 12d indicates the probability that an abnormality will occur at a time after a predetermined time from the current time, based on a plurality of frame abnormality evaluation values calculated by the frame abnormality evaluation value calculation unit 12c. The abnormality prediction evaluation value, which is the final evaluation value, is calculated (step S104).

その後、表示部１４の異常判定部１４ａは、異常予測評価値算出部１２ｄによって算出された異常予測評価値が所定の閾値以上であるか否かを判定する（ステップＳ１０５）。この結果、異常判定部１４ａは、異常予測評価値が所定の閾値未満である場合には（ステップＳ１０５否定）、そのまま処理を終了する。また、異常判定部１４ａは、異常予測評価値が所定の閾値以上である場合には（ステップＳ１０５肯定）、警告サインを出力する（ステップＳ１０６）。 After that, the abnormality determination unit 14a of the display unit 14 determines whether or not the abnormality prediction evaluation value calculated by the abnormality prediction evaluation value calculation unit 12d is equal to or greater than a predetermined threshold value (step S105). As a result, when the abnormality prediction evaluation value is less than a predetermined threshold value (step S105 negative), the abnormality determination unit 14a ends the process as it is. Further, when the abnormality prediction evaluation value is equal to or higher than a predetermined threshold value (step S105 affirmative), the abnormality determination unit 14a outputs a warning sign (step S106).

次に、図５を用いて、異常予測装置１０による学習処理の流れを説明する。図５に例示するように、パラメータ学習部１３の学習データ蓄積部１３ａは、監視対象設備のセンサ等から学習データとして、プロセスデータまたは異常発生時刻データを取得すると（ステップＳ２０１肯定）、取得した学習データを学習用プロセスデータ記憶部１３ｄに格納する（ステップＳ２０２）。そして、学習データ抽出部１３ｂは、Ｓ１０１において異常発生時刻データを取得したか否かを判定する（ステップＳ２０３）。この結果、学習データ抽出部１３ｂは、異常発生時刻データを取得していない場合には（ステップＳ２０３否定）、ステップＳ２０１に戻る。 Next, the flow of the learning process by the abnormality prediction device 10 will be described with reference to FIG. As illustrated in FIG. 5, when the learning data storage unit 13a of the parameter learning unit 13 acquires process data or abnormality occurrence time data as learning data from a sensor or the like of the monitored equipment (step S201 affirmative), the acquired learning The data is stored in the learning process data storage unit 13d (step S202). Then, the learning data extraction unit 13b determines whether or not the abnormality occurrence time data has been acquired in S101 (step S203). As a result, if the learning data extraction unit 13b has not acquired the abnormality occurrence time data (denial in step S203), the learning data extraction unit 13b returns to step S201.

また、学習データ抽出部１３ｂは、異常発生時刻データを取得した場合には（ステップＳ２０３肯定）、異常発生時のプロセスデータのデータ量と正常時のプロセスデータのデータ量との比率が所定の比率となるように、学習用プロセスデータ記憶部１３ｄからプロセスデータを抽出する（ステップＳ２０４）。 Further, when the learning data extraction unit 13b acquires the abnormality occurrence time data (step S203 affirmative), the ratio of the data amount of the process data at the time of the abnormality occurrence to the data amount of the process data at the normal time is a predetermined ratio. Process data is extracted from the learning process data storage unit 13d so as to be (step S204).

続いて、フレーム異常評価値関数学習部１３ｃは、学習データ抽出部１３ｂにより抽出されたプロセスデータおよび異常発生時刻データに基づいて、監視対象設備の異常を予測するための識別関数のパラメータを学習する（ステップＳ２０５）。そして、フレーム異常評価値関数学習部１３ｃは、学習した識別関数のパラメータをフレーム異常評価値関数パラメータ記憶部１３ｅに格納する（ステップＳ２０６）。 Subsequently, the frame abnormality evaluation value function learning unit 13c learns the parameters of the identification function for predicting the abnormality of the monitored equipment based on the process data and the abnormality occurrence time data extracted by the learning data extraction unit 13b. (Step S205). Then, the frame abnormality evaluation value function learning unit 13c stores the learned parameters of the identification function in the frame abnormality evaluation value function parameter storage unit 13e (step S206).

［第１の実施形態の効果］
第１の実施形態に係る異常予測装置１０は、監視対象設備のセンサによって収集された時系列のデータであるプロセスデータを取得し、取得されたプロセスデータから、所定の時間幅Ｗａである分析フレームに含まれるプロセスデータを抽出する。そして、異常予測装置１０は、抽出されたプロセスデータを入力として、監視対象設備の異常を予測するための学習モデルを用いて、所定の時点から所定時間後の時点について、異常が発生する確からしさを表す中間的な評価値であるフレーム異常評価値を算出する。そして、異常予測装置１０は、算出された複数のフレーム異常評価値に基づいて、所定の時点から所定時間後の時点において異常が発生する確からしさを表す最終的な評価値である異常予測評価値を算出する。このため、異常予測装置１０は、未来に異常が発生するかどうかの予測を行うことが可能である。 [Effect of the first embodiment]
The abnormality prediction device 10 according to the first embodiment acquires process data which is time-series data collected by a sensor of the monitored equipment, and from the acquired process data, an analysis frame having a predetermined time width Wa. Extract the process data contained in. Then, the abnormality prediction device 10 uses the extracted process data as an input and uses a learning model for predicting the abnormality of the monitored equipment, and the probability that the abnormality will occur at a time point after a predetermined time from a predetermined time point. The frame abnormality evaluation value, which is an intermediate evaluation value representing, is calculated. Then, the abnormality prediction device 10 is an abnormality prediction evaluation value which is a final evaluation value indicating the certainty that an abnormality will occur at a time point after a predetermined time from a predetermined time point based on the calculated plurality of frame abnormality evaluation values. Is calculated. Therefore, the abnormality prediction device 10 can predict whether or not an abnormality will occur in the future.

例えば、異常予測装置１０は、複数のフレーム異常評価値に基づいて、最終的な評価値である異常予測評価値を算出するので、連続する時刻において、ばらつきの多いフレーム異常評価値からノイズを除いて安定した出力を得るために、平滑化等の処理を行って、正確な異常予測評価値を算出し、予め設定された一定時間後に異常が発生するかどうかの予測を行うことが可能である。 For example, since the abnormality prediction device 10 calculates the abnormality prediction evaluation value which is the final evaluation value based on a plurality of frame abnormality evaluation values, noise is removed from the frame abnormality evaluation values having a large variation at consecutive times. In order to obtain a stable output, it is possible to perform processing such as smoothing, calculate an accurate abnormality prediction evaluation value, and predict whether or not an abnormality will occur after a predetermined fixed time. ..

第１の実施形態に係る異常予測装置１０は、異常予測評価値が所定の閾値以上であるか否かを判定し、異常予測評価値が所定の閾値以上である場合には、異常発生に関する警告を出力する。このため、異常予測装置１０では、一定時間後に異常が発生することを予測して警告を出力することが可能となり、事前に異常を回避する等の対応が可能となる。 The abnormality prediction device 10 according to the first embodiment determines whether or not the abnormality prediction evaluation value is equal to or higher than a predetermined threshold value, and if the abnormality prediction evaluation value is equal to or higher than a predetermined threshold value, a warning regarding the occurrence of an abnormality is made. Is output. Therefore, the abnormality prediction device 10 can predict that an abnormality will occur after a certain period of time and output a warning, and can take measures such as avoiding the abnormality in advance.

第１の実施形態に係る異常予測装置１０は、異常予測評価値の時系列データをチャート画面として表示する。このため、異常予測装置１０では、異常予測評価値の推移を確認することが可能であり、事前に異常を回避する等の対応が可能となる。 The abnormality prediction device 10 according to the first embodiment displays time-series data of abnormality prediction evaluation values as a chart screen. Therefore, the abnormality prediction device 10 can confirm the transition of the abnormality prediction evaluation value, and can take measures such as avoiding the abnormality in advance.

第１の実施形態に係る異常予測装置１０は、学習モデルとして、ニューラルネットワークを用いて、フレーム異常評価値を算出する。このため、異常予測装置１０では、既知のニューラルネットワークを利用して、フレーム異常評価値を適切に算出することが可能である。 The abnormality prediction device 10 according to the first embodiment uses a neural network as a learning model to calculate a frame abnormality evaluation value. Therefore, in the abnormality prediction device 10, it is possible to appropriately calculate the frame abnormality evaluation value by using a known neural network.

第１の実施形態に係る異常予測装置１０は、学習モデルのパラメータを、監視対象設備に異常が発生した時刻を示す異常発生時刻データおよびプロセスデータに基づいて、学習する。このため、異常予測装置１０では、過去に収集したプロセスデータと異常発生時刻の情報とを用いて識別関数を学習することができ、監視対象設備の経時変化にも対応した異常の予測が可能となる。 The abnormality prediction device 10 according to the first embodiment learns the parameters of the learning model based on the abnormality occurrence time data and the process data indicating the time when the abnormality occurred in the monitored equipment. Therefore, in the abnormality prediction device 10, the identification function can be learned by using the process data collected in the past and the information of the abnormality occurrence time, and it is possible to predict the abnormality corresponding to the time-dependent change of the monitored equipment. Become.

［第２の実施形態］
上述した第１の実施形態では、異常予測装置１０が異常予測部１２とパラメータ学習部１３とを有し、異常予測評価値を算出する処理と識別関数のパラメータを学習する処理とを行う場合を説明したが、これに限定されるものではない。例えば、識別関数のパラメータを学習する処理を、通信回線を介したリモート環境で行うようにしてもよい。 [Second Embodiment]
In the first embodiment described above, the abnormality prediction device 10 has an abnormality prediction unit 12 and a parameter learning unit 13, and performs a process of calculating an abnormality prediction evaluation value and a process of learning the parameters of the identification function. Although explained, it is not limited to this. For example, the process of learning the parameters of the discriminant function may be performed in a remote environment via a communication line.

そこで、以下では、第２の実施形態に係る異常予測装置１０Ａが、異常予測評価値を算出する処理を行い、通信回線を介したリモート環境におけるパラメータ学習装置２０が識別関数のパラメータを学習する処理を行う場合について説明する。なお、第１の実施形態に係る異常予測装置１０と同様の構成や処理については説明を省略する。 Therefore, in the following, the abnormality prediction device 10A according to the second embodiment performs a process of calculating the abnormality prediction evaluation value, and the parameter learning device 20 in the remote environment via the communication line learns the parameters of the identification function. Will be described. The same configuration and processing as the abnormality prediction device 10 according to the first embodiment will not be described.

まず、図６を用いて、第２の実施形態に係る異常予測システム１００について説明する。図６は、第２の実施形態に係る異常予測システムの構成例を示すブロック図である。図６に示すように、異常予測システム１００は、ローカル環境における異常予測装置１０Ａと、リモート環境におけるパラメータ学習装置２０とを有する。また、異常予測システム１００においては、ローカル環境における異常予測装置１０Ａと、リモート環境におけるパラメータ学習装置２０とがネットワーク３０を介して接続されている。 First, the abnormality prediction system 100 according to the second embodiment will be described with reference to FIG. FIG. 6 is a block diagram showing a configuration example of the abnormality prediction system according to the second embodiment. As shown in FIG. 6, the abnormality prediction system 100 includes an abnormality prediction device 10A in a local environment and a parameter learning device 20 in a remote environment. Further, in the abnormality prediction system 100, the abnormality prediction device 10A in the local environment and the parameter learning device 20 in the remote environment are connected via the network 30.

また、図６に示すように、第２の実施形態に係る異常予測装置１０Ａは、図１に示した第１の実施形態に係る異常予測装置１０と比較して、パラメータ学習部１３を有していないが、通信部１５を有する点が異なる。 Further, as shown in FIG. 6, the abnormality prediction device 10A according to the second embodiment has a parameter learning unit 13 as compared with the abnormality prediction device 10 according to the first embodiment shown in FIG. However, it differs in that it has a communication unit 15.

通信部１５は、プロセスデータと異常発生時刻データとをパラメータ学習装置２０に送信し、監視対象設備の異常を予測するための学習モデルのパラメータをパラメータ学習装置２０から受信する。通信部１５は、プロセスデータ送受信部１５ａ、プロセスデータ記憶部１５ｂ、パラメータ受信部１５ｃおよびローカルフレーム異常評価値関数パラメータ記憶部１５ｄを有する。 The communication unit 15 transmits the process data and the abnormality occurrence time data to the parameter learning device 20, and receives the parameters of the learning model for predicting the abnormality of the monitored equipment from the parameter learning device 20. The communication unit 15 includes a process data transmission / reception unit 15a, a process data storage unit 15b, a parameter reception unit 15c, and a local frame abnormality evaluation value function parameter storage unit 15d.

プロセスデータ送受信部１５ａは、監視対象設備のセンサ等からプロセスデータを受信した場合には、受信したプロセスデータをプロセスデータ記憶部１５ｂに格納するとともに、パラメータ学習装置２０に送信する。また、プロセスデータ送受信部１５ａは、外部の装置等から異常発生時刻データを受信した場合には、パラメータ学習装置２０に送信する。プロセスデータ記憶部１５ｂは、プロセスデータ送受信部１５ａが受信したプロセスデータを記憶する。 When the process data transmission / reception unit 15a receives the process data from the sensor or the like of the monitored equipment, the process data transmission / reception unit 15a stores the received process data in the process data storage unit 15b and transmits the received process data to the parameter learning device 20. Further, when the process data transmission / reception unit 15a receives the abnormality occurrence time data from an external device or the like, the process data transmission / reception unit 15a transmits the data to the parameter learning device 20. The process data storage unit 15b stores the process data received by the process data transmission / reception unit 15a.

パラメータ受信部１５ｃは、パラメータ学習装置２０によって学習された識別関数のパラメータを受信し、受信した識別関数のパラメータをローカルフレーム異常評価値関数パラメータ記憶部１５ｄに格納する。ローカルフレーム異常評価値関数パラメータ記憶部１５ｄは、パラメータ受信部１５ｃが受信した識別関数のパラメータを記憶する。 The parameter receiving unit 15c receives the parameters of the identification function learned by the parameter learning device 20, and stores the received parameters of the identification function in the local frame abnormality evaluation value function parameter storage unit 15d. The local frame abnormality evaluation value function parameter storage unit 15d stores the parameters of the identification function received by the parameter reception unit 15c.

フレーム異常評価値算出部１２ｃは、ローカルフレーム異常評価値関数パラメータ記憶部１５ｄから識別関数のパラメータを読み出す。そして、フレーム異常評価値算出部１２ｃは、第１の実施形態と同様に、分析フレーム抽出部１２ｂによって抽出されたプロセスデータを入力として、識別関数を用いて、所定の時点から所定時間後の時点について、異常が発生する確からしさを表す中間的な評価値であるフレーム異常評価値を算出する。 The frame abnormality evaluation value calculation unit 12c reads out the parameters of the identification function from the local frame abnormality evaluation value function parameter storage unit 15d. Then, as in the first embodiment, the frame abnormality evaluation value calculation unit 12c uses the process data extracted by the analysis frame extraction unit 12b as an input, and uses the identification function to perform a time point after a predetermined time from a predetermined time point. The frame abnormality evaluation value, which is an intermediate evaluation value indicating the probability that an abnormality will occur, is calculated.

パラメータ学習装置２０は、図１に示した第１の実施形態に係るパラメータ学習部１３と比較して、学習データ蓄積部１３ａを有していないが、学習データ受信部１３ｆおよびパラメータ送信部１３ｇを有する点が異なる。学習データ受信部１３ｆは、プロセスデータと異常発生時刻データとを異常予測装置１０Ａから受信する。学習データ受信部１３ｆは、プロセスデータと異常発生時刻データとを受信すると、受信したプロセスデータおよび異常発生時刻データを学習用プロセスデータ記憶部１３ｄに格納する。 The parameter learning device 20 does not have the learning data storage unit 13a as compared with the parameter learning unit 13 according to the first embodiment shown in FIG. 1, but has a learning data receiving unit 13f and a parameter transmitting unit 13g. The points they have are different. The learning data receiving unit 13f receives the process data and the abnormality occurrence time data from the abnormality prediction device 10A. When the learning data receiving unit 13f receives the process data and the abnormality occurrence time data, the learning data receiving unit 13f stores the received process data and the abnormality occurrence time data in the learning process data storage unit 13d.

パラメータ送信部１３ｇは、フレーム異常評価値関数学習部１３ｃによって学習された識別関数のパラメータを異常予測装置１０Ａへ送信する。具体的には、パラメータ送信部１３ｇは、フレーム異常評価値関数パラメータ記憶部１３ｅに記憶された識別関数のパラメータを読み出し、読み出した識別関数のパラメータを異常予測装置１０Ａに送信する。 The parameter transmission unit 13g transmits the parameters of the identification function learned by the frame abnormality evaluation value function learning unit 13c to the abnormality prediction device 10A. Specifically, the parameter transmission unit 13g reads out the parameters of the identification function stored in the frame abnormality evaluation value function parameter storage unit 13e, and transmits the read identification function parameters to the abnormality prediction device 10A.

［第２の実施形態の効果］
第２の実施形態に係る異常予測システム１００では、異常予測装置１０Ａが、異常予測評価値を算出する処理を行い、通信回線を介したリモート環境におけるパラメータ学習装置２０が識別関数のパラメータを学習する処理を行う。これにより、例えば、識別関数のパラメータの学習を、通信回線で接続された遠隔地にある性能の高い計算機で行うことが可能となり、精度の高い学習処理を行うことが可能である。また、例えば、異常が発生する機会が少なく、学習処理を行う頻度が少ないような場合に、ローカル環境の異常予測装置１０Ａではなくリモート環境の外部の装置に学習処理にやらせることが可能である。 [Effect of the second embodiment]
In the abnormality prediction system 100 according to the second embodiment, the abnormality prediction device 10A performs a process of calculating the abnormality prediction evaluation value, and the parameter learning device 20 in the remote environment via the communication line learns the parameters of the identification function. Perform processing. As a result, for example, learning of the parameters of the identification function can be performed by a high-performance computer in a remote location connected by a communication line, and highly accurate learning processing can be performed. Further, for example, when there are few chances of an abnormality occurring and the frequency of learning processing is low, it is possible to have an external device in the remote environment perform learning processing instead of the abnormality prediction device 10A in the local environment. ..

［第３の実施形態］
上述した第１の実施形態および第２の実施形態では、学習モデルのパラメータを学習する処理を行い、学習モデルのパラメータが更新されると、最新の学習のパラメータを適用した学習モデルを用いて異常予測評価値を算出する場合を説明したが、これに限定されるものではない。例えば、学習モデルのパラメータを学習する処理を行わずに、事前に学習済みの学習モデルを用いて異常予測評価値を算出するようにしてもよい。 [Third Embodiment]
In the first embodiment and the second embodiment described above, the process of learning the parameters of the learning model is performed, and when the parameters of the learning model are updated, an abnormality is made using the learning model to which the latest learning parameters are applied. The case of calculating the predicted evaluation value has been described, but the present invention is not limited to this. For example, the abnormality prediction evaluation value may be calculated using a learning model that has been learned in advance without performing the process of learning the parameters of the learning model.

そこで、以下では、第３の実施形態に係る異常予測装置１０Ｂが、事前に学習済みの学習モデルを用いて異常予測評価値を算出する場合について説明する。なお、第１の実施形態に係る異常予測装置１０と同様の構成や処理については説明を省略する。 Therefore, in the following, the case where the abnormality prediction device 10B according to the third embodiment calculates the abnormality prediction evaluation value using the learning model that has been learned in advance will be described. The same configuration and processing as the abnormality prediction device 10 according to the first embodiment will not be described.

まず、図７を用いて、第３の実施形態に係る異常予測装置１０Ｂの構成例について説明する。図７は、第３の実施形態に係る異常予測装置の構成例を示すブロック図である。図７に示すように、第３の実施形態に係る異常予測装置１０Ｂは、図１に示した第１の実施形態に係る異常予測装置１０と比較して、パラメータ学習部１３を有しない点が異なる。 First, a configuration example of the abnormality prediction device 10B according to the third embodiment will be described with reference to FIG. 7. FIG. 7 is a block diagram showing a configuration example of the abnormality prediction device according to the third embodiment. As shown in FIG. 7, the abnormality prediction device 10B according to the third embodiment does not have the parameter learning unit 13 as compared with the abnormality prediction device 10 according to the first embodiment shown in FIG. different.

フレーム異常評価値算出部１２ｃは、分析フレーム抽出部１２ｂによって抽出されたプロセスデータを入力として、事前に学習された学習モデルを用いて、所定の時点から所定時間後の時点について、異常が発生する確からしさを表す中間的な評価値であるフレーム異常評価値を算出する。 The frame abnormality evaluation value calculation unit 12c uses the process data extracted by the analysis frame extraction unit 12b as an input, and uses a learning model learned in advance, and an abnormality occurs at a time point after a predetermined time from a predetermined time point. The frame abnormality evaluation value, which is an intermediate evaluation value indicating the certainty, is calculated.

［第３の実施形態の効果］
第３の実施形態に係る異常予測装置１０Ｂでは、事前に学習済みの学習モデルを用いて異常予測評価値を算出するので、処理負荷を抑えて、未来に異常が発生するかどうかの予測を行うことが可能である。 [Effect of the third embodiment]
In the abnormality prediction device 10B according to the third embodiment, since the abnormality prediction evaluation value is calculated using the learning model learned in advance, the processing load is suppressed and whether or not an abnormality will occur in the future is predicted. It is possible.

（システム構成等）
また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。さらに、各装置にて行なわれる各処理機能は、その全部または任意の一部が、ＣＰＵおよび当該ＣＰＵにて解析実行されるプログラムにて実現され、あるいは、ワイヤードロジックによるハードウェアとして実現され得る。 (System configuration, etc.)
Further, each component of each of the illustrated devices is a functional concept, and does not necessarily have to be physically configured as shown in the figure. That is, the specific form of distribution / integration of each device is not limited to the one shown in the figure, and all or part of the device is functionally or physically distributed / physically in arbitrary units according to various loads and usage conditions. Can be integrated and configured. Further, each processing function performed by each device may be realized by a CPU and a program analyzed and executed by the CPU, or may be realized as hardware by wired logic.

また、本実施の形態において説明した各処理のうち、自動的におこなわれるものとして説明した処理の全部または一部を手動的におこなうこともでき、あるいは、手動的におこなわれるものとして説明した処理の全部または一部を公知の方法で自動的におこなうこともできる。この他、上記文書中や図面中で示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。 Further, among the processes described in the present embodiment, all or part of the processes described as being automatically performed can be manually performed, or the processes described as being manually performed. It is also possible to automatically perform all or part of the above by a known method. In addition, the processing procedure, control procedure, specific name, and information including various data and parameters shown in the above document and drawings can be arbitrarily changed unless otherwise specified.

（プログラム）
また、上記実施形態において説明した異常予測装置が実行する処理をコンピュータが実行可能な言語で記述したプログラムを作成することもできる。例えば、実施形態に係る異常予測装置１０が実行する処理をコンピュータが実行可能な言語で記述した異常予測プログラムを作成することもできる。この場合、コンピュータが異常予測プログラムを実行することにより、上記実施形態と同様の効果を得ることができる。さらに、かかる異常予測プログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録された異常予測プログラムをコンピュータに読み込ませて実行することにより上記実施形態と同様の処理を実現してもよい。 (program)
It is also possible to create a program in which the processing executed by the abnormality prediction device described in the above embodiment is described in a language that can be executed by a computer. For example, it is possible to create an abnormality prediction program in which the processing executed by the abnormality prediction device 10 according to the embodiment is described in a language that can be executed by a computer. In this case, the same effect as that of the above embodiment can be obtained by executing the abnormality prediction program by the computer. Further, even if the abnormality prediction program is recorded on a computer-readable recording medium and the abnormality prediction program recorded on the recording medium is read and executed by the computer, the same processing as that of the above embodiment can be realized. Good.

図８は、異常予測プログラムを実行するコンピュータを示す図である。図８に例示するように、コンピュータ１０００は、例えば、メモリ１０１０と、ＣＰＵ１０２０と、ハードディスクドライブインタフェース１０３０と、ディスクドライブインタフェース１０４０と、シリアルポートインタフェース１０５０と、ビデオアダプタ１０６０と、ネットワークインタフェース１０７０とを有し、これらの各部はバス１０８０によって接続される。 FIG. 8 is a diagram showing a computer that executes an abnormality prediction program. As illustrated in FIG. 8, the computer 1000 has, for example, a memory 1010, a CPU 1020, a hard disk drive interface 1030, a disk drive interface 1040, a serial port interface 1050, a video adapter 1060, and a network interface 1070. However, each of these parts is connected by a bus 1080.

メモリ１０１０は、図８に例示するように、ＲＯＭ（Read Only Memory）１０１１及びＲＡＭ１０１２を含む。ＲＯＭ１０１１は、例えば、ＢＩＯＳ（Basic Input Output System）等のブートプログラムを記憶する。ハードディスクドライブインタフェース１０３０は、図８に例示するように、ハードディスクドライブ１０９０に接続される。ディスクドライブインタフェース１０４０は、図８に例示するように、ディスクドライブ１１００に接続される。例えば磁気ディスクや光ディスク等の着脱可能な記憶媒体が、ディスクドライブ１１００に挿入される。シリアルポートインタフェース１０５０は、図８に例示するように、例えばマウス１１１０、キーボード１１２０に接続される。ビデオアダプタ１０６０は、図８に例示するように、例えばディスプレイ１１３０に接続される。 The memory 1010 includes a ROM (Read Only Memory) 1011 and a RAM 1012, as illustrated in FIG. The ROM 1011 stores, for example, a boot program such as a BIOS (Basic Input Output System). The hard disk drive interface 1030 is connected to the hard disk drive 1090, as illustrated in FIG. The disk drive interface 1040 is connected to the disk drive 1100 as illustrated in FIG. For example, a removable storage medium such as a magnetic disk or an optical disk is inserted into the disk drive 1100. The serial port interface 1050 is connected to, for example, a mouse 1110 and a keyboard 1120, as illustrated in FIG. The video adapter 1060 is connected, for example, to a display 1130, as illustrated in FIG.

ここで、図８に例示するように、ハードディスクドライブ１０９０は、例えば、ＯＳ１０９１、アプリケーションプログラム１０９２、プログラムモジュール１０９３、プログラムデータ１０９４を記憶する。すなわち、上記の異常予測プログラムは、コンピュータ１０００によって実行される指令が記述されたプログラムモジュールとして、例えばハードディスクドライブ１０９０に記憶される。 Here, as illustrated in FIG. 8, the hard disk drive 1090 stores, for example, the OS 1091, the application program 1092, the program module 1093, and the program data 1094. That is, the above-mentioned abnormality prediction program is stored in, for example, the hard disk drive 1090 as a program module in which a command executed by the computer 1000 is described.

また、上記実施形態で説明した各種データは、プログラムデータとして、例えばメモリ１０１０やハードディスクドライブ１０９０に記憶される。そして、ＣＰＵ１０２０が、メモリ１０１０やハードディスクドライブ１０９０に記憶されたプログラムモジュール１０９３やプログラムデータ１０９４を必要に応じてＲＡＭ１０１２に読み出し、各種処理手順を実行する。 Further, the various data described in the above embodiment are stored as program data in, for example, a memory 1010 or a hard disk drive 1090. Then, the CPU 1020 reads the program module 1093 and the program data 1094 stored in the memory 1010 and the hard disk drive 1090 into the RAM 1012 as needed, and executes various processing procedures.

なお、異常予測プログラムに係るプログラムモジュール１０９３やプログラムデータ１０９４は、ハードディスクドライブ１０９０に記憶される場合に限られず、例えば着脱可能な記憶媒体に記憶され、ディスクドライブ等を介してＣＰＵ１０２０によって読み出されてもよい。あるいは、異常予測プログラムに係るプログラムモジュール１０９３やプログラムデータ１０９４は、ネットワーク（ＬＡＮ（Local Area Network）、ＷＡＮ（Wide Area Network）等）を介して接続された他のコンピュータに記憶され、ネットワークインタフェース１０７０を介してＣＰＵ１０２０によって読み出されてもよい。 The program module 1093 and program data 1094 related to the abnormality prediction program are not limited to the case where they are stored in the hard disk drive 1090, for example, are stored in a removable storage medium, and are read out by the CPU 1020 via a disk drive or the like. May be good. Alternatively, the program module 1093 and the program data 1094 related to the abnormality prediction program are stored in another computer connected via a network (LAN (Local Area Network), WAN (Wide Area Network), etc.), and the network interface 1070 is used. It may be read by the CPU 1020 via.

上記の実施形態やその変形は、本願が開示する技術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。 The above-described embodiments and modifications thereof are included in the inventions described in the claims and the equivalent scope thereof, as are included in the technology disclosed in the present application.

１０、１０Ａ、１０Ｂ異常予測装置
１１通信処理部
１２異常予測部
１２ａプロセスデータ取得部
１２ｂ分析フレーム抽出部
１２ｃフレーム異常評価値算出部
１２ｄ異常予測評価値算出部
１２ｅプロセスデータバッファ
１２ｆフレーム異常評価値バッファ
１３パラメータ学習部
１３ａ学習データ蓄積部
１３ｂ学習データ抽出部
１３ｃフレーム異常評価値関数学習部
１３ｄ学習用プロセスデータ記憶部
１３ｅフレーム異常評価値関数パラメータ記憶部
１３ｆ学習データ受信部
１３ｇパラメータ送信部
１４表示部
１４ａ異常判定部
１４ｂチャート表示部
１５通信部
１５ａプロセスデータ送受信部
１５ｂプロセスデータ記憶部
１５ｃパラメータ受信部
１５ｄローカルフレーム異常評価値関数パラメータ記憶部
２０パラメータ学習装置
３０ネットワーク
１００異常予測システム 10, 10A, 10B Abnormality prediction device 11 Communication processing unit 12 Abnormality prediction unit 12a Process data acquisition unit 12b Analysis frame extraction unit 12c Frame abnormality evaluation value calculation unit 12d Abnormality prediction evaluation value calculation unit 12e Process data buffer 12f Frame abnormality evaluation value buffer 13 Parameter learning unit 13a Learning data storage unit 13b Learning data extraction unit 13c Frame abnormality evaluation value function learning unit 13d Learning process data storage unit 13e Frame abnormality evaluation value function Parameter storage unit 13f Learning data reception unit 13g Parameter transmission unit 14 Display unit 14a Abnormality judgment unit 14b Chart display unit 15 Communication unit 15a Process data transmission / reception unit 15b Process data storage unit 15c Parameter reception unit 15d Local frame abnormality evaluation value Function Parameter storage unit 20 Parameter learning device 30 Network 100 Abnormality prediction system

Claims

Anomaly prediction method executed by the anomaly prediction device.
Each time process data, which is time-series data collected periodically by the sensor of the monitored equipment, is acquired, the process data included in the first time width, which is a predetermined time width, is extracted from the process data. Extraction process and
Each time the process data is extracted by the extraction step, the process data is input and a learning model for predicting an abnormality of the monitored equipment is used, and the period includes at least a time point in the future than the present time. , for each time point a predetermined time interval during the period from a predetermined time point after a predetermined time, a frame abnormality evaluation value calculating step of calculating an intermediate evaluation value representing the likelihood that abnormality occurs frames abnormal evaluation value, respectively When,
Each time a plurality of frames abnormal evaluation value is calculated by the frame abnormality evaluation value calculating step, based on the plurality of frames abnormal evaluation value, the probability that abnormality occurs at a time point after a predetermined time from the predetermined time An abnormality prediction method including an abnormality prediction evaluation value calculation step for calculating an abnormality prediction evaluation value, which is the final evaluation value to be represented.

It is determined whether or not the abnormality prediction evaluation value calculated by the abnormality prediction evaluation value calculation step is equal to or more than a predetermined threshold value, and if the abnormality prediction evaluation value is equal to or more than a predetermined threshold value, a warning regarding the occurrence of an abnormality is made. The abnormality prediction method according to claim 1, further comprising an abnormality determination step of outputting.

The abnormality prediction method according to claim 1, further comprising a chart display step of displaying time-series data of the abnormality prediction evaluation value calculated by the abnormality prediction evaluation value calculation step as a chart screen.

The abnormality prediction method according to claim 1, wherein the frame abnormality evaluation value calculation step calculates the frame abnormality evaluation value using a neural network as the learning model.

The first aspect of claim 1, wherein the learning model parameters further include a learning process for learning based on the abnormality occurrence time data indicating the time when the abnormality occurred in the monitored equipment and the process data. Abnormality prediction method.

Each time process data, which is time-series data collected periodically by the sensor of the monitored equipment, is acquired, the process data included in the first time width, which is a predetermined time width, is extracted from the process data. Extraction means and
Each time the process data is extracted by the extraction means, the process data is used as an input, and a learning model for predicting an abnormality of the monitored equipment is used for a period including at least a time point in the future than the present time. , for each time point a predetermined time interval during the period from a predetermined time point after a predetermined time, a frame abnormality evaluation value calculating means for calculating an intermediate evaluation value representing the likelihood that abnormality occurs frames abnormal evaluation value, respectively When,
Each time a plurality of frames abnormal evaluation value is calculated by the frame abnormality evaluation value calculating means, based on the plurality of frames abnormal evaluation value, the probability that abnormality occurs at a time point after a predetermined time from the predetermined time An abnormality prediction device characterized by having an abnormality prediction evaluation value calculation means for calculating an abnormality prediction evaluation value which is the final evaluation value to be represented.

An abnormality prediction system in which an abnormality prediction device and a parameter learning device are connected via a network.
The abnormality prediction device
Process data, which is time-series data periodically collected by the sensor of the monitored equipment, and abnormality occurrence time data indicating the time when the abnormality occurred in the monitored equipment are transmitted to the parameter learning device, and the monitored object is monitored. A communication means for receiving the parameters of the learning model for predicting the abnormality of the equipment from the parameter learning device, and
An extraction means for extracting the process data included in the first time width, which is a predetermined time width, from the process data each time the process data is acquired.
Each time the process data is extracted by the extraction means, the process data is input and the learning model is used to include a period including at least a time point in the future from the present time, from a predetermined time point to a predetermined time later . for each time point a predetermined time interval in the period, a frame abnormality evaluation value calculating means for calculating an intermediate evaluation value representing the likelihood that abnormality occurs frames abnormal evaluation value, respectively,
Each time a plurality of frames abnormal evaluation value is calculated by the frame abnormality evaluation value calculating means, based on the plurality of frames abnormal evaluation value, the probability that abnormality occurs at a time point after a predetermined time from the predetermined time It has an abnormality prediction evaluation value calculation means for calculating an abnormality prediction evaluation value, which is the final evaluation value to be represented.
The parameter learning device
A learning data receiving means for receiving the process data and the abnormality occurrence time data from the abnormality prediction device, and
A learning means for learning the parameters of the learning model based on the process data and the abnormality occurrence time data received by the learning data receiving means.
An abnormality prediction system including a parameter transmission means for transmitting the parameters of the learning model learned by the learning means to the abnormality prediction device.

Each time process data, which is time-series data collected periodically by the sensor of the monitored equipment, is acquired, the process data included in the first time width, which is a predetermined time width, is extracted from the process data. Extraction steps and
Each time process data is extracted by the extraction step, the process data is used as an input, and a learning model for predicting an abnormality of the monitored equipment is used for a period including at least a time point in the future than the present time. , for each time point a predetermined time interval during the period from a predetermined time point after a predetermined time, a frame abnormality evaluation value calculation step of calculating an intermediate evaluation value representing the likelihood that abnormality occurs frames abnormal evaluation value, respectively When,
Each time a plurality of frames abnormal evaluation value is calculated by the frame abnormality evaluation value calculating step, based on the plurality of frames abnormal evaluation value, the probability that abnormality occurs at a time point after a predetermined time from the predetermined time An abnormality prediction program characterized by having a computer execute an abnormality prediction evaluation value calculation step for calculating an abnormality prediction evaluation value, which is the final evaluation value to be represented.