异常判定装置、异常判定模型生成方法以及异常判定方法与流程

本发明涉及异常判定装置、异常判定模型生成方法以及异常判定方法。

背景技术：

1、在钢铁工艺的轧制工序中，钢板被一对工作辊及支承辊轧制。液压下压装置通过励磁电流使伺服阀的阀芯移动来调整伺服阀的阀开度，调整油柱缸的油量，由此控制油柱缸的位置，控制工作辊的下压量，使得在轧制时钢板成为规定的板厚。

2、在这样的液压下压装置中，优选在阀芯不能移动而变得无法下压工作辊的异常发生之前，检测阀芯变得难以移动那样的细微的异常(微小异常)。在这样的背景下，提出了监视液压下压装置的异常的技术。

3、例如，在专利文献1中记载了如下方法：在设备正常运转时，预先求出伺服阀的阀芯的移动量的基准值与实绩值的相关性，根据基准值与实绩值的关系来检测异常。另外，在专利文献2中记载了如下方法：将伺服阀的励磁电流与油柱缸的位置的关系分类为两者的关系成比例关系的区域和处于饱和状态的区域来进行监视。

4、专利文献1：日本专利第2615291号公报

5、专利文献2：日本特开昭63-172004号公报

6、然而，专利文献1中记载的技术仅用伺服阀的阀芯的移动量的基准值和实绩值监视异常，因此不能说用于监视的信息量充分。另外，根据专利文献2中记载的技术，对于伺服阀的励磁电流与油柱缸的位置的关系，需要对比例关系和饱和状态这两种关系的每一个设定适当值。然而，两种信号间的关系即使在正常时也存在被允许的偏差范围，难以确定地求出适当值。另外，在如钢铁工艺那样存在多个对象设备的情况下，需要对各对象设备的各信号间的多个关系的每一个设定适当值，存在人力增大的问题。

技术实现思路

1、本发明是鉴于上述课题而完成的，其目的在于提供一种不必单独地监视各设备，就能够通用且高精度地检测具有非线性特性的设备的异常的异常判定装置、异常判定模型生成方法以及异常判定方法。

2、为了解决上述课题并实现目的，本发明所涉及的异常判定装置对进行规定动作的设备的异常进行判定，该异常判定装置具备：时间序列信号切出单元，在上述设备的正常动作时，从表示上述设备的动作状态的2个以上的时间序列信号进行k次切出；正常向量登记单元，将由上述时间序列信号切出单元切出的2个以上的时间序列信号的种类设为m种，构成由同一时刻的m种变量构成的m维向量，将所构成的向量作为正常向量登记；异常判定模型登记单元，在各变量间的相关性的最大值小于规定值的情况下，将异常判定标志设为第一型，在上述各变量间的相关性的最大值为规定值以上的情况下，将异常判定标志设为第二型，在上述异常判定标志是第二型的情况下，对所登记的正常向量组进行主成分分析，运算主成分的变换系数，将运算出的上述主成分的变换系数的每一个作为异常判定模型登记；以及异常判定单元，判定上述设备的异常，上述异常判定单元在上述设备的异常判定时，由与正常动作时同样地切出的时间序列信号构成一个m维向量，在上述异常判定标志是第一型的情况下，运算与所登记的正常向量的距离，按照距离从小到大的顺序提取规定数量的上述正常向量作为邻近数据，运算上述邻近数据的重心向量与异常判定的对象的m维向量的距离，基于上述距离进行上述设备的异常判定，在上述异常判定标志是第二型的情况下，基于预先运算出的上述主成分的变换系数，运算与主成分的偏差，基于上述偏差，进行上述设备的异常判定。

3、另外，在上述发明的基础上，本发明所涉及的异常判定装置还具备：时间序列信号收集单元，收集表示上述设备的动作状态的时间序列信号、和决定从预定的监视对象区间切出表示上述动作状态的时间序列信号的条件的触发候补的时间序列信号；和触发条件决定模型生成单元，针对表示上述设备的动作状态的时间序列信号，预先确定想要切出的上述监视对象区间的开始时刻，生成使上述开始时刻的标签为on、使除此以外的时刻为off的标签数据，通过机器学习生成将各时刻的1个以上的上述触发候补的时间序列信号的各值作为输入，将各时刻的上述标签数据作为输出的触发条件决定模型，上述时间序列信号切出单元在上述设备的正常动作时及异常判定时，基于上述触发条件决定模型，进行上述时间序列信号的切出。

4、另外，本发明所涉及的异常判定装置在上述发明的基础上，上述触发条件决定模型是包含决策树的机器学习模型。

5、另外，本发明所涉及的异常判定装置在上述发明的基础上，上述异常判定单元基于在规定的期间内上述设备被判定为异常的次数，判定上述设备是否需要维修。

6、为了解决上述课题并实现目的，本发明所涉及的异常判定模型生成方法对进行规定动作的设备的异常进行判定，该异常判定模型生成方法包括：时间序列信号切出工序，在上述设备的正常动作时，从表示上述设备的动作状态的2个以上的时间序列信号进行k次切出；正常向量登记工序，将在上述时间序列信号切出工序中切出的2个以上的时间序列信号的种类设为m种，构成由同一时刻的m种变量构成的m维向量，将所构成的向量作为正常向量进行登记；以及异常判定模型登记工序，在各变量间的相关性的最大值小于规定值的情况下，将异常判定标志设为第一型，在上述各变量间的相关性的最大值为规定值以上的情况下，将异常判定标志设为第二型，在上述异常判定标志是第二型的情况下，对所登记的正常向量组进行主成分分析，运算主成分的变换系数，将运算出的上述主成分的变换系数的每一个作为异常判定模型进行登记。

7、另外，在上述发明的基础上，本发明所涉及的异常判定模型生成方法还包括：时间序列信号收集工序，收集表示上述设备的动作状态的时间序列信号、和决定从预定的监视对象区间切出表示上述动作状态的时间序列信号的条件的触发候补的时间序列信号；和触发条件决定模型生成工序，针对表示上述设备的动作状态的时间序列信号，预先确定想要切出的上述监视对象区间的开始时刻，生成使上述开始时刻的标签为on、使除此以外的时刻为off的标签数据，通过机器学习生成将各时刻的1个以上的上述触发候补的时间序列信号的各值作为输入，将各时刻的上述标签数据作为输出的触发条件决定模型，上述时间序列信号切出工序基于上述触发条件决定模型，进行上述时间序列信号的切出。

8、为了解决上述课题并实现目的，本发明所涉及的异常判定方法使用通过上述异常判定模型生成方法生成的异常判定模型，对进行规定动作的设备的异常进行判定，该异常判定方法包括：时间序列信号切出工序，从表示上述设备的动作状态的2个以上的时间序列信号进行切出；和异常判定工序，判定上述设备的异常，上述异常判定工序进行如下动作：判定在上述时间序列信号切出工序中切出的时间序列信号的异常判定标志是第一型还是第二型，在上述异常判定标志是第一型的情况下，运算与所登记的正常向量的距离，按照距离从小到大的顺序提取规定数量的上述正常向量作为邻近数据，运算上述邻近数据的重心向量与异常判定的对象的m维向量的距离，基于上述距离进行上述设备的异常判定，在上述异常判定标志是第二型的情况下，基于预先运算出的上述主成分的变换系数，运算与主成分的偏差，并基于上述偏差，进行上述设备的异常判定。

9、另外，本发明所涉及的异常判定方法在上述发明的基础上，上述时间序列信号切出工序使用通过上述异常判定模型生成方法生成的触发条件决定模型，进行时间序列信号。

10、根据本发明，不必单独地监视各设备，就能够通用且高精度地检测具有非线性特性的设备的异常。