时间序列信号的触发条件决定方法、监视对象设备的异常诊断方法以及时间序列信号的触发条件决定装置与流程

1.本发明涉及时间序列信号的触发条件决定方法、监视对象设备的异常诊断方法以及时间序列信号的触发条件决定装置。


背景技术：

2.在工厂等的生产设备以及研究所等的实验设备中，作为进行设备的异常诊断的方法之一，存在以下那样的方法。首先收集大量表示成为监视对象的设备(以下称为“监视对象设备”)正常动作时的监视对象设备的状态的时间序列信号的数据(以下称为“监视对象信号”)，使用这些监视对象信号来创建监视对象设备正常动作时的模型。而且，在进行监视对象设备的异常诊断时，计算距上述的模型的距离，在该距离超过了预先确定的阈值的情况下判定为异常。例如在专利文献1中公开了一种对上述的模型采用了主成分平面的异常诊断方法。
3.专利文献1：国际公开第2017/104305号
4.在以专利文献1为代表的现有的异常诊断方法中，具体地通过以下那样的步骤进行了异常诊断。
5.(1)从收集到的监视对象信号截取n点的时间序列信号。
6.(2)将截取出的时间序列信号表现为n维空间的一点，创建基准。
7.(3)针对成为异常诊断的对象的信号，计算q统计量(与主成分平面的距离)。
8.(4)在q统计量超过了预先确定的阈值的情况下判定为异常。
9.在现有的异常诊断方法中，如上述(1)所示，从监视对象信号截取监视对象区间，创建监视对象设备正常动作时的模型。另外，在进行监视对象设备的异常诊断时，也从监视对象信号截取监视对象区间，并计算与根据正常动作时的监视对象信号创建出的模型的距离。这里为了简便，将指定从监视对象信号截取监视对象区间的定时的条件称为“触发条件”，将可成为该触发条件的时间序列信号称为“触发候选信号”。
10.为了创建监视对象设备正常动作时的适当的模型，在从关于监视对象设备收集到的多个监视对象信号分别截取监视对象区间并重叠时，截取出的波形必须重叠一定程度。在现有的异常诊断方法中，具体地通过以下那样的步骤监视对象区间的波形的重合。
11.(1)使用触发条件来从多个监视对象信号分别截取监视对象区间。
12.(2)对各个监视对象区间的横轴进行变换(例如将横轴的时间变换为曲柄角(crank angle)等)。
13.(3)对各个监视对象区间的纵轴进行变换(例如进行归一化)。
14.在现有的异常诊断方法中，例如以将监视对象信号与触发候选信号进行比较来使截取出的波形重叠的方式通过人的手来决定上述(1)的触发条件，因此在决定触发条件时需要精力和时间。


技术实现要素：

15.本发明是鉴于上述内容而完成的，目的在于提供能够自动地决定用于从监视对象信号截取监视对象区间的触发条件的时间序列信号的触发条件决定方法、监视对象设备的异常诊断方法以及时间序列信号的触发条件决定装置。
16.为了解决上述的课题、实现目的，在进行监视对象设备的异常诊断时，本发明所涉及的时间序列信号的触发条件决定方法决定用于从表示上述监视对象设备的状态的时间序列信号亦即监视对象信号截取成为上述异常诊断的对象的监视对象区间的条件亦即触发条件，其特征在于，包括：收集工序，在该收集工序中，收集由与上述监视对象设备有关的一个以上的监视对象信号和触发候选信号构成的信号组，上述触发候选信号表示与上述监视对象设备相关且与上述监视对象信号同时刻被检测出的时间序列信号中的可成为上述触发条件的时间序列信号；截取工序，在该截取工序中，针对上述信号组，基于规定的基准来截取上述监视对象信号的监视对象区间；模型生成工序，在该模型生成工序中，针对上述信号组，确定截取出的上述监视对象区间的开始时刻，生成使该开始时刻的标签开启(on)、使除此以外的时刻关闭(off)的标签数据，通过机器学习生成将各时刻的一个以上的上述触发候选信号作为输入、将各时刻的上述标签数据作为输出的学习模型；以及触发条件决定工序，在该触发条件决定工序中，针对进行上述异常诊断的监视对象信号，使用上述学习模型来决定上述触发条件。
17.另外，本发明所涉及的时间序列信号的触发条件决定方法是在上述发明的基础上完成的，其特征在于，针对从在上述收集工序中收集到的多个监视对象信号之中选择出的第一监视对象信号，上述截取工序基于上述监视对象设备的设备特性来截取监视对象区间，针对上述多个监视对象信号中的除上述第一监视对象信号以外的监视对象信号，上述截取工序搜索与上述第一监视对象信号的监视对象区间所包含的波形的相关系数最大的区间，由此分别截取监视对象区间。
18.另外，本发明所涉及的时间序列信号的触发条件决定方法是在上述发明的基础上完成的，其特征在于，上述学习模型为决策树。
19.另外，本发明所涉及的时间序列信号的触发条件决定方法是在上述发明的基础上完成的，其特征在于，在上述模型生成工序中，在上述触发候选信号为单脉冲信号的情况下，在将上述触发候选信号变换为锯齿波后进行机器学习。
20.另外，本发明所涉及的时间序列信号的触发条件决定方法是在上述发明的基础上完成的，其特征在于，当在上述模型生成工序中在机器学习时判别精度得不到规定的值的情况下，返回至上述截取工序，使前次截取出的监视对象区间前后移位，在重新截取出上述监视对象信号的监视对象区间后，再次进行上述模型生成工序。
21.为了解决上述的课题、实现目的，本发明所涉及的监视对象设备的异常诊断方法的特征在于，根据通过上述的时间序列信号的触发条件决定方法决定出的触发条件来从表示监视对象设备的状态的时间序列信号亦即监视对象信号截取成为上述异常诊断的对象的监视对象区间的信号并蓄积，基于所蓄积的信号来进行上述监视对象设备的异常诊断。
22.为了解决上述的课题、实现目的，本发明所涉及的时间序列信号的触发条件决定装置在进行监视对象设备的异常诊断时，决定用于从表示上述监视对象设备的状态的时间序列信号亦即监视对象信号截取成为上述异常诊断的对象的监视对象区间的条件亦即触
发条件，其特征在于，包括：收集单元，收集由与上述监视对象设备有关的一个以上的监视对象信号和触发候选信号构成的信号组，上述触发候选信号表示与上述监视对象设备相关且与上述监视对象信号同时刻被检测的时间序列信号中的可成为上述触发条件的时间序列信号；截取单元，针对上述信号组，基于规定的基准来截取上述监视对象信号的监视对象区间；模型生成单元，针对上述信号组，确定截取出的上述监视对象区间的开始时刻，生成使该开始时刻的标签开启(on)、使除此以外的时刻关闭(off)的标签数据，通过机器学习生成将各时刻的一个以上的上述触发候选信号作为输入、将各时刻的上述标签数据作为输出的学习模型；以及触发条件决定单元，针对进行上述异常诊断的监视对象信号，使用上述学习模型来决定上述触发条件。
23.根据本发明，通过使用学习了监视对象信号及触发候选信号在何种条件时成为触发开启(on)的学习模型，从而能够自动地决定用于从监视对象信号截取监视对象区间的触发条件。
附图说明
24.图1是表示本发明的实施方式所涉及的时间序列信号的触发条件决定装置的简要构成的框图。
25.图2是表示本发明的实施方式所涉及的时间序列信号的触发条件决定方法的流程的流程图。
26.图3是示意性地表示本发明的实施方式所涉及的时间序列信号的触发条件决定方法的截取工序的内容的图。
27.图4是示意性地表示本发明的实施方式所涉及的时间序列信号的触发条件决定方法的截取工序的内容的图。
28.图5是示意性地表示本发明的实施方式所涉及的时间序列信号的触发条件决定方法的模型生成工序的内容的图。
29.图6是示意性地表示在本发明的实施方式所涉及的时间序列信号的触发条件决定方法的模型生成工序中生成的决策树的图。
30.图7是示意性地表示在本发明的实施方式所涉及的时间序列信号的触发条件决定方法的模型生成工序中将单脉冲信号变换为锯齿波的情形的图。
31.图8是示意性地表示在本发明的实施方式所涉及的时间序列信号的触发条件决定方法的模型生成工序中变换而得的锯齿波的图。
32.图9是在本发明的实施方式所涉及的时间序列信号的触发条件决定方法的实施例中表示监视对象信号及触发候选信号的图。
33.图10是表示在本发明的实施方式所涉及的时间序列信号的触发条件决定方法的实施例中使截取出的监视对象区间的波形重合了的情形的图。
34.图11是表示在本发明的实施方式所涉及的时间序列信号的触发条件决定方法的实施例中使用了决策树的触发条件的决定方法的图。
35.图12是表示在本发明的实施方式所涉及的时间序列信号的触发条件决定方法的实施例中使截取出的监视对象区间的波形重合了的情形的图。
具体实施方式
36.参照附图对本发明的实施方式所涉及的时间序列信号的触发条件决定方法、监视对象设备的异常诊断方法以及时间序列信号的触发条件决定装置(以下称为“学习装置”)进行说明。
37.(触发条件决定装置)
38.触发条件决定装置是当在工厂等的生产设备及研究所等的实验设备进行监视对象设备的异常诊断时、决定用于从监视对象信号截取监视对象区间的条件亦即触发条件的装置。
39.这里，如上述那样，监视对象信号示出了表示监视对象信号的状态的时间序列信号。监视对象信号根据监视对象设备的种类而不同，例如在监视对象设备为“马达”的情况下，作为监视对象信号，使用马达的电流、速度等。在触发条件决定装置中，始终收集一个以上的监视对象信号和与其对应的触发候选信号。触发候选信号表示与监视对象设备相关且与监视对象信号同时刻被检测出的时间序列信号。
40.通常，在单个或多个条件成立时，想监视的设备开始动作。触发候选信号是指该条件，例如为开启(on)、关闭(off)等的信号。若事先知晓该触发条件，则监视对象区间的截取容易。但是，在存在大量各种各样的设备且复杂地动作的情况下，有时无法容易地判断该触发条件。或者，也存在直接表示触发条件的触发候选信号不一定被取入到数据库中而仅存在间接形式的信号的情况。
41.因此，选择规定设备动作条件的信号组作为触发候选信号，通过机器学习等从这些信号的历史中提取动作开始的规则，来决定用于截取监视对象区间的条件。另外，触发候选信号优选与对象过程、设备等的异常没有直接关系的信号，表示各种指令值、特定的事件的开启(on)/关闭(off)的信号等成为候选。但是，触发候选信号也可以包含监视对象信号本身。
42.另外，监视对象区间表示为了进行监视对象信号的异常诊断而截取的区间。在从监视对象信号截取监视对象区间的情况下，指定开始该监视对象信号的截取的时刻(以下称为“截取开始时刻”)和截取的宽度。此时，截取开始时刻根据与监视对象信号同时收集的触发候选信号的值来指定。另外，截取的宽度根据监视对象设备的种类而不同，例如在监视对象设备为“马达”的情况下，也可以将马达加速的区间指定为截取的宽度。或者，若为产品制造过程，则也能够是从制造开始到制造结束为止的区间的宽度。
43.另外，触发条件是指用于从监视对象信号截取成为异常诊断的对象的监视对象区间的条件，具体而言，示出了上述的监视对象信号的截取开始时刻及截取的宽度。
44.触发条件决定装置1用过个人计算机、工作站等通用的信息处理装置来实现，具备输入部10、输出部20、存储部30及运算部40。
45.输入部10是对于运算部40的输入单元，通过数据收集装置、键盘、定点设备等来实现。另外，输出部20通过液晶显示器等来实现。存储部30通过硬盘装置等来实现。在存储部30例如蓄积由运算部40处理过的数据(监视对象信号、触发候选信号、触发条件、学习模型等)。
46.运算部40例如通过由cpu(central processing unit)等构成的处理器和由ram(random access memory)、rom(read only memory)等构成的存储器(主存储部)来实现。运
算部40将程序加载到主存储部的工作区域来执行，并通过程序的执行来控制各结构部等，由此实现与规定的目的相符的功能。
47.另外，运算部40通过上述的程序的执行来作为收集部(收集单元)41、截取部(截取单元)42、模型生成部(模型生成单元)43及触发条件决定部(触发条件决定单元)44发挥功能。此外，各部的详细内容将后述(参照图2～图8)。
48.(触发条件决定方法)
49.参照图2～图8对本实施方式所涉及的触发条件决定方法进行说明。触发条件决定方法依次进行收集工序、截取工序、模型生成工序及触发条件决定工序。另外，在触发条件决定方法中，如后述那样，根据需要反复进行截取工序及模型生成工序。
50.＜收集工序＞
51.在收集工序中，收集部41收集由监视对象信号及触发候选信号构成的信号组(步骤s1)。此外，这里对收集部41收集多个监视对象信号的情况进行说明，但收集部41收集的监视对象信号也可以为一个。
52.＜截取工序＞
53.在截取工序中，针对在收集工序中收集到的信号组，截取部42基于规定的基准来截取监视对象信号的监视对象区间。以下，对截取工序的详细内容进行说明。
54.首先，如图3所示，截取部42进行信号组的粗截取(步骤s2)。例如在卷材的轧制设备等进行重复动作的设备中，针对连续流动来的卷材，不间断地连续获取监视对象信号及触发候选信号。因此，在步骤s2中，例如为了按每个卷材分割监视对象信号及触发候选信号而进行信号组的粗截取。此外，信号组的粗截取既可以根据监视对象设备的种类在预先设定的定时进行，或者也可以如该图所示，从多个触发候选信号之中选择粗截取用信号，在该粗截取用信号上升的定时进行。
55.此外，在图3中，附图标记sg表示粗截取前的信号组，附图标记ss表示粗截取前的监视对象信号，附图标记st表示粗截取前的触发候选信号，附图标记sg1、sg2、sg3表示粗截取后的信号组，附图标记ss1、ss2、ss3表示粗截取后的监视对象信号，附图标记st1、st2、st3表示粗截取后的触发候选信号。
56.接下来，如图4的(a)所示，截取部42从在步骤s2中粗截取出的多个监视对象信号之中选择一个监视对象信号(在该图中为监视对象信号ss1)，截取所选择的监视对象信号ss1的监视对象区间sm1(步骤s3)。在步骤s3中截取监视对象区间sm1时的截取条件基于监视对象设备的设备特性来决定。例如在监视对象设备为“马达”、监视对象信号ss1为“马达的电流值”、且判定马达加速时的马达的电流值的上升状况是否正常的情况下，如该图所示，将马达加速的区间设为监视对象区间sm1。即，指定马达开始加速的时刻作为监视对象区间sm1的截取开始时刻，指定马达开始加速到加速结束为止的区间作为截取的宽度。
57.接下来，截取部42计算在步骤s3中截取出的监视对象区间sm1所包含的波形与其他监视对象信号ss2、ss3所包含的波形的相关系数(步骤s4)。接下来，如图4的(b)所示，针对其他监视对象信号ss2、ss3，截取部42搜索与在步骤s3中截取出的监视对象区间sm1所包含的波形的相关系数最大的区间，由此分别截取监视对象信号ss2、ss3的监视对象区间sm2、sm3(步骤s5)。
58.像这样，在步骤s4、s5中，从在步骤s2中粗截取出的其他时刻的监视对象信号所包
含的波形之中搜索与在步骤s3中截取出的监视对象区间sm1所包含的波形相似的波形。此外，相似的波形的搜索方法除使用上述的相关系数的比较以外，也可以使用各时间序列信号的数据彼此的欧几里得距离等。
59.＜模型生成工序＞
60.在模型生成工序中，针对各信号组(多个监视对象信号)，预先确定想截取的监视对象区间的开始时刻，生成使该开始时刻的标签开启(on)、使除此以外的时刻关闭(off)的标签数据，通过机器学习生成将各时刻的1个以上的触发候选信号的各值作为输入、将各时刻的标签数据作为输出的学习模型。
61.在模型生成工序中，首先，如图5所示，针对各信号组，模型生成部43对与截取出的监视对象区间sm1、sm2、sm3的开始时刻p1、p2、p3对应的监视对象信号ss1、ss2、ss3的值及触发候选信号st1、st2、st3的值(以下称为“信号组的值”)赋予“触发开启(on)”的标签，对与截取出的监视对象区间sm1、sm2、sm3的除开始时刻以外的时刻对应的信号组的值赋予“触发关闭(off)”的标签(步骤s6)。此外，“触发开启(on)”的标签表示被赋予了该标签的信号组的值是截取开始时刻，“触发关闭(off)”的标签表示被赋予了该标签的信号组的值不是截取开始时刻。
62.接下来，模型生成部43将被赋予了“触发开启(on)”的标签的信号组的值及被赋予了“触发关闭(off)”的标签的信号组的值作为输入、将“触发开启(on)”的标签及“触发关闭(off)”的标签作为输出来进行机器学习，由此如图6所示，生成决策树(步骤s7)。
63.具体而言，能够使用将目标变量作为“触发开启(on)”及“触发关闭(off)”的标签、将与“触发开启(on)”及“触发关闭(off)”的各时刻对应的各触发候选信号的值作为说明变量的学习用数据来生成决策树。这里，也可以将“触发开启(on)”设为“1”、将“触发关闭(off)”设为“0”来作为函数处理。另外，还能够利用除决策树以外的各种机器学习模型。因此，在步骤s7中生成的学习模型并不限定于决策树，例如也可以是随机森林或神经网络等。这里，也可以将“触发开启(on)”设为“1”、将“触发关闭(off)”设为“0”来作为函数处理。
64.这里，在模型生成工序中，在信号组所包含的触发候选信号为单脉冲信号、即如图7的上图所示为开启(on)-关闭(off)信号中的仅开启(on)信号的上升或下降的1次扫描的信号的情况下，如该图的下图所示，在将触发候选信号变换为锯齿波后进行机器学习。
65.如图7的上图所示，单脉冲信号是仅短时间开启(on)的信号。因此，在上述的截取工序中，在搜索波形的相似度高的部位时，本来在“触发开启(on)”时单脉冲信号也应开启(on)，然而有时成为“触发开启(on)”的时刻向单脉冲信号开启(on)的时刻的前后偏移。另一方面，如该图所示，将单脉冲信号变换为锯齿波，由此能够消除单脉冲信号的开启(on)、关闭(off)延迟引起的不良状况。
66.变换后锯齿波的斜率例如根据从单脉冲信号开启(on)起想检查至几秒后来决定，设定为不与下一信号的上升重叠那样的斜率。另外，在将单脉冲信号变换为锯齿波时，如图7的a部所示，优选通过截取开起点的偏移来具有相对于比单脉冲信号开启(on)先开始监视对象区间的截取的情况的余量(例如5scan左右)。
67.另外，如图8所示，锯齿波的形状由参数tf、tb定义，但优选使该参数tf、tb的关系设为tb＜tf。另外，在锯齿波中，如该图所示，若变换后的信号的值z在b所示的范围内，则判断为触发开启(on)。
68.在模型生成工序中，在机器学习时产生了触发条件无法正常生成的错误的情况下、判别精度得不到规定的值的情况下等，返回至上述的截取工序，使前次截取出的监视对象区间前后移位，在重新截取出监视对象信号的监视对象区间后，再次进行模型生成工序。即，在重新进行监视对象信号的监视对象区间的截取后，再次进行决策树的构建。而且，在机器学习时触发条件能够正常生成的情况下结束模型生成工序，在无法正常生成的情况下再次返回至截取工序，重新进行截取工序及模型生成工序。
69.如图4所示，本实施方式所涉及的触发条件决定方法是学习在截取工序中最初所指定的监视对象区间(监视对象区间sm1)的开始时刻的触发候选信号的状态的方法。因此，例如在最初指定的监视对象区间的开始时刻的触发候选信号的状态中没有特征那样的情况下，无法顺利地进行学习。因此，如上述那样，当在模型生成工序中产生了错误的情况下，使在截取工序中最初所指定的监视对象区间前后移位，重新指定监视对象区间，由此能够消除学习时的不良状况。
70.＜触发条件决定工序＞
71.在触发条件决定工序中，针对进行异常诊断的监视对象信号，触发条件决定部44使用决策树来决定触发条件(步骤s8)。即，触发条件决定部44能够通过将触发候选信号输入至决策树来知晓“触发开启(on)”的定时，能够提取进行异常诊断的监视对象信号的监视开始的定时。这里，当在步骤s8中利用决策树的情况下，整理所生成的决策树的条件来重新记述，从而能够简洁地记述触发条件(参照后述的图11)。像这样，通过使用在步骤s7中生成的决策树，能够容易地掌握监视对象信号及触发候选信号在何种条件时成为触发开启(on)。另外，即使在使用除决策树以外的学习模型的情况下，只要依次输入作为说明变量的各时刻的触发候选信号并将得到“触发开启(on)”的输出的定时作为“触发开启(on)”的定时即可。
72.(监视对象设备的异常诊断方法)
73.监视对象设备的异常诊断方法根据通过上述的触发条件决定方法决定出的触发条件来从监视对象信号截取监视对象区间的信号并蓄积在存储部30中，基于所蓄积的信号来进行监视对象设备的异常诊断。
74.根据以上说明过的那样的本实施方式所涉及的触发条件决定装置、触发条件决定方法以及监视对象设备的异常诊断方法，使用学习了监视对象信号及触发候选信号在何种条件时成为触发开启(on)的学习模型，从而能够自动地决定用于从监视对象信号截取监视对象区间的触发条件。另外，根据本实施方式所涉及的触发条件决定装置、触发条件决定方法以及监视对象设备的异常诊断方法，能够自动地决定截取监视对象信号的开始对象区间的触发条件，因此不需要通过人的手研究、决定触发条件，能够简化在监视对象设备的异常诊断时所需的事先准备。
75.实施例
76.参照图9～图12对本发明所涉及的运行结果预测方法的实施例进行说明。在本实施例中，将精整压力机设备作为监视对象设备，对该精整压力机设备的主电动机的速度实绩应用了本发明。图9示出本实施例中的监视对象信号及触发候选信号。
77.在图9中，监视对象信号为主电动机的速度实绩，触发候选信号选定了以下5个。
78.v1：按照冲压承载为开启(on)
79.v2：主电动机的速度指令值
80.v3：宽度调整电动机(驱动器下侧)的速度指令值
81.v4：在冲压中开启(on)
82.v5：冲压测力传感器的总载荷
83.如图9所示，为了观察信号的上升首先将2500～2800scan的区间指定为监视对象区间sm。另外，图10中示出从其他时刻的监视对象信号所包含的波形之中截取相关系数极大的部分并使其重叠而得的图表，图11中示出在模型生成工序中所构建的决策树，图12中示出基于在截取条件决定工序中从决策树提取出的触发条件截取监视对象信号(主电动机的速度实绩)并使其重叠而得的图表。
84.如图11所示，从在模型生成工序中所构建的决策树提取了“v5＜-5.5”、“13290≤v2＜14370”这两个条件。然后，考虑监视对象信号为主电动机的速度实绩的情况，选定包含主电动机的速度指令值v2的后者的条件，将“主电动机的速度指令值v2＝13830”决定为触发条件。进而，基于该触发条件来截取进行异常诊断的监视对象信号的监视对象区间的结果是，如图12所示，能够使截取出的波形重合。另外，在图12中，包含与其他波形脱离的波形(参照波形c)，但这样的波形有可能通过使用q统计量等统计量的分析被判断为异常的候选。
85.像这样决定触发条件，从收集到的实绩数据中例如提取正常数据来进行主成分分析等，能够构建用于异常诊断的正常时的模型。另外，在通常的运行时，针对在上述触发条件下提取出的信号，求出基于正常模型的q统计量等统计量，从而能够进行异常诊断。
86.此外，在本实施例中，对监视对象设备为炼铁过程、特别是热轧厂中的精整压力机设备的情况进行了说明，但本发明的应用范围并不限定于该领域，能够应用于石油相关产品、化学药品等的所有制造过程的生产设备、研究机构的实验设备等。
87.以上，通过用于实施发明的方式及实施例对本发明所涉及的时间序列信号的触发条件决定方法、监视对象设备的异常诊断方法以及时间序列信号的触发条件决定装置具体地进行了说明，但本发明的主旨并不限定于上述的记载，而必须基于本技术请求保护的范围来广义地解释。另外，基于这些记载进行各种变更、改变等而得的技术方案当然也包含在本发明的主旨中。
88.附图标记说明
[0089]1…
触发条件决定装置；10
…
输入部；20
…
输出部；30
…
存储部；40
…
运算部；41
…
收集部(收集单元)；42
…
截取部(截取单元)；43
…
模型生成部(模型生成单元)；44
…
触发条件决定部(触发条件决定单元)。

技术特征：
1.一种时间序列信号的触发条件决定方法，在进行监视对象设备的异常诊断时，决定用于从表示所述监视对象设备的状态的时间序列信号亦即监视对象信号截取成为所述异常诊断的对象的监视对象区间的条件亦即触发条件，其特征在于，包括：收集工序，在该收集工序中，收集由与所述监视对象设备有关的一个以上的监视对象信号和触发候选信号构成的信号组，所述触发候选信号表示与所述监视对象设备相关且与所述监视对象信号同时刻被检测出的时间序列信号中的可成为所述触发条件的时间序列信号；截取工序，在该截取工序中，针对所述信号组，基于规定的基准来截取所述监视对象信号的监视对象区间；模型生成工序，在该模型生成工序中，针对所述信号组，确定截取出的所述监视对象区间的开始时刻，生成使该开始时刻的标签开启、使除此以外的时刻关闭的标签数据，通过机器学习生成将各时刻的一个以上的所述触发候选信号作为输入、将各时刻的所述标签数据作为输出的学习模型；以及触发条件决定工序，在该触发条件决定工序中，针对进行所述异常诊断的监视对象信号，使用所述学习模型来决定所述触发条件。2.根据权利要求1所述的时间序列信号的触发条件决定方法，其特征在于，针对从在所述收集工序中收集到的多个监视对象信号之中选择出的第一监视对象信号，所述截取工序基于所述监视对象设备的设备特性来截取监视对象区间，针对所述多个监视对象信号中的除所述第一监视对象信号以外的监视对象信号，所述截取工序搜索与所述第一监视对象信号的监视对象区间所包含的波形的相关系数最大的区间，由此分别截取监视对象区间。3.根据权利要求1或2所述的时间序列信号的触发条件决定方法，其特征在于，所述学习模型为决策树。4.根据权利要求1～3中任一项所述的时间序列信号的触发条件决定方法，其特征在于，在所述模型生成工序中，在所述触发候选信号为单脉冲信号的情况下，在将所述触发候选信号变换为锯齿波后进行机器学习。5.根据权利要求1～4中任一项所述的时间序列信号的触发条件决定方法，其特征在于，当在所述模型生成工序中在机器学习时判别精度得不到规定的值的情况下，返回至所述截取工序，使前次截取出的监视对象区间前后移位，在重新截取出所述监视对象信号的监视对象区间后，再次进行所述模型生成工序。6.一种监视对象设备的异常诊断方法，其特征在于，根据通过权利要求1～5中任一项所述的时间序列信号的触发条件决定方法决定出的触发条件来从表示监视对象设备的状态的时间序列信号亦即监视对象信号截取成为所述异常诊断的对象的监视对象区间的信号并蓄积，基于所蓄积的信号来进行所述监视对象设备的异常诊断。7.一种时间序列信号的触发条件决定装置，在进行监视对象设备的异常诊断时，决定用于从表示所述监视对象设备的状态的时间序列信号亦即监视对象信号截取成为所述异
常诊断的对象的监视对象区间的条件亦即触发条件，其特征在于，包括：收集单元，收集由与所述监视对象设备有关的一个以上的监视对象信号和触发候选信号构成的信号组，所述触发候选信号表示与所述监视对象设备相关且与所述监视对象信号同时刻被检测出的时间序列信号中的可成为所述触发条件的时间序列信号；截取单元，针对所述信号组，基于规定的基准来截取所述监视对象信号的监视对象区间；模型生成单元，针对所述信号组，确定截取出的所述监视对象区间的开始时刻，生成使该开始时刻的标签开启、使除此以外的时刻关闭的标签数据，通过机器学习生成将各时刻的一个以上的所述触发候选信号作为输入、将各时刻的所述标签数据作为输出的学习模型；以及触发条件决定单元，针对进行所述异常诊断的监视对象信号，使用所述学习模型来决定所述触发条件。

技术总结
时间序列信号的触发条件决定方法包括：收集工序，在该收集工序中，收集与监视对象设备有关的一个以上的监视对象信号和可成为触发条件的触发候选信号；截取工序，在该截取工序中，截取收集到的监视对象信号的监视对象区间；模型生成工序，在该模型生成工序中，确定监视对象区间的开始时刻，生成使该开始时刻的标签开启(ON)、使除此以外的时刻关闭(OFF)的标签数据，通过机器学习生成将各时刻的一个以上的触发候选信号作为输入、将各时刻的标签数据作为输出的学习模型；以及触发条件决定工序，在该触发条件决定工序中，决定触发条件。决定触发条件。决定触发条件。


技术研发人员：庄村启 平田丈英
受保护的技术使用者：杰富意钢铁株式会社
技术研发日：2020.12.08
技术公布日：2023/8/16