異常診斷模型的構建方法、異常診斷方法、異常診斷模型的構建裝置以及異常診斷裝置與流程

本發明涉及異常診斷模型的構建方法、異常診斷方法、異常診斷模型的構建裝置以及異常診斷裝置。

背景技術：

1、作為診斷制造工藝的制造狀態、特別是異常狀態的方法，存在基于模型的方法和數據庫方法。基于模型的方法是對利用數學式表現制造工藝中的物理或者化學現象的模型進行構建，使用所構建的模型來診斷制造工藝的制造狀態的方法。另一方面，數據庫方法是根據在制造工藝中得到的作業數據構建統計分析的模型，使用所構建的模型來診斷制造工藝的制造狀態的方法。

2、在鋼鐵工藝這樣的制造工藝中，由于利用一條生產線制造多品種、多尺寸的產品，因此存在多個作業模式。另外，在高爐這樣的制造工藝中，由于使用鐵礦石、焦炭等這樣的自然物作為原材料，因此制造工藝的偏差較大。因此，在對鋼鐵工藝這樣的制造工藝的制造狀態進行診斷的情況下，在僅利用基于模型的方法所實現的方法中存在極限。

3、作為數據庫方法，存在對過去的異常產生時的作業數據進行數據庫化而判定與當前的作業數據的類似性的診斷方法、相反地對正常時的作業數據進行數據庫化而判定與當前的作業數據的差異的診斷方法。但是，在鋼鐵工藝這樣的制造工藝中，在制造中使用的設備數量較多的情況下，特別是在像日本那樣老化的設備較多的情況下，過去前所未有的故障產生的情況不少。因此，在以過去的故障事例為基礎的前者那樣的診斷方法中異常狀態的預測存在極限。

4、另一方面，作為后者的診斷方法(使用正常時的作業數據的診斷方法)，存在專利文獻1～4中記載的方法。具體而言，在專利文獻1、2中記載有如下的方法：基于使用正常時的作業數據而制作的模型的預測來預測或者檢測制造工藝的異常狀態。另外，在專利文獻3、4中記載有如下的方法：從正常時的作業數據中提取模式，進行程序庫化，判定所取得的作業數據與程序庫化的模式差異，由此早期地檢測出與平時不同的狀況。

5、專利文獻1：國際公開第2013/011745號

6、專利文獻2：日本專利第4922265號公報

7、專利文獻3：日本專利第5651998號公報

8、專利文獻4：日本專利第5499900號公報

9、在鋼鐵的制造工藝等中，對多個傳感器的測量值進行處理，另一方面，多數情況下以作業管理、機器控制為目的而進行測量。因此，不一定像專利文獻1～4那樣，能夠充分地取得直接表示設備狀態、異常的原因的測量值。另外，即使存在與這樣的異常的原因一對一地對應的測量值，也終究無法網羅全部的異常。

10、另一方面，隨著近年來的數據收集、分析技術的發展，對被稱為大數據的大量的數據進行處理的環境變得完備。鑒于上述的狀況，為了維持穩定的作業，需要從大量的數據中網羅性地高精度地檢測異常狀況，提示與異常相關聯的數據，將其與迅速的維護動作關聯起來。在該情況下，大量的數據不一定與像專利文獻1～4那樣的異常的原因一對一地對應，因此，需要檢測多個數據的微妙的動作變化的技術。

11、另一方面，在鋼鐵的制造工藝等中，經過多個制造工藝而制造多品種的產品。在這樣的復雜的工藝的異常診斷中，無法將單一的異常診斷模型適用于全部的品種。例如，為了確保診斷的精度，通常應用以品種、物理特性等產品信息進行分組(以下，稱為“分區化”)的診斷模型。

12、然而，通過分區化能夠提高診斷精度僅限于具有充分的學習樣本數(學習數據數)的情況，在制造比例較小的稀有品種中，很難構建適當的異常診斷模型。另外，即使在能夠構建異常診斷模型的情況下，學習樣本數較少也成為原因，存在異常診斷模型針對實際的異常的靈敏度出現較大的偏差的問題。

技術實現思路

1、本發明是鑒于上述情況而完成的，目的在于，提供一種異常診斷模型的構建方法、異常診斷方法、異常診斷模型的構建裝置以及異常診斷裝置，能夠構建在學習樣本數較少的稀有分區中也確保診斷精度并且對實際的異常的靈敏度的偏差較小的被適當分區化的異常診斷模型。

2、為了解決上述的課題，實現目的，本發明的異常診斷模型的構建方法診斷工藝的異常，其中，該異常診斷模型的構建方法包含：第一回歸模型制作步驟，使用預先收集的正常時的全部的作業數據，制作使得與針對目標變量的影響度較小的說明變量相關的回歸系數為0的第一回歸模型；說明變量候補決定步驟，將上述作業數據劃分為預先決定的多個分區，針對每個上述分區，在上述第一回歸模型所使用的說明變量的范圍內，決定說明變量候補；以及第二回歸模型制作步驟，使用上述分區中包含的作業數據，制作使得與針對目標變量的影響度較小的說明變量候補相關的回歸系數為0的第二回歸模型。

3、另外，根據上述發明，本發明的異常診斷模型的構建方法在上述第二回歸模型制作步驟之后，還包含：修正系數計算步驟，針對每個上述分區計算修正系數，該修正系數是上述第一回歸模型的預測誤差的偏差指標與每個上述分區的上述第二回歸模型的預測誤差的偏差指標之比；以及靈敏度修正步驟，通過上述修正系數修正每個上述分區的上述第二回歸模型的預測誤差。

4、另外，根據上述發明，本發明的異常診斷模型的構建方法在上述第二回歸模型制作步驟之后，還包含：修正系數計算步驟，針對每個上述分區計算修正系數，該修正系數是根據第一學習數據集構建的每個上述分區的上述第二回歸模型的預測誤差的偏差指標、和根據與上述第一學習數據集不同的第二學習數據集構建的每個上述分區的上述第二回歸模型的預測誤差的偏差指標之比；以及靈敏度修正步驟，通過上述修正系數修正每個上述分區的上述第二回歸模型的預測誤差。

5、另外，根據上述發明，在本發明的異常診斷模型的構建方法中，上述多個分區包含產品的品種、產品的尺寸、作業條件和作業模式。

6、另外，根據上述發明，在本發明的異常診斷模型的構建方法中，上述第一回歸模型制作步驟通過lasso回歸，制作上述第一回歸模型，上述第二回歸模型制作步驟通過上述lasso回歸，制作上述第二回歸模型。

7、為了解決上述的課題，實現目的，本發明的異常診斷方法使用通過上述的異常診斷模型的構建方法而構建的異常診斷模型，其中，該異常診斷方法包含：異常診斷步驟，使用與成為診斷對象的作業數據的分區對應的第二回歸模型，計算異常指標；以及異常判定步驟，基于上述異常指標，判定異常的有無。

8、為了解決上述的課題，實現目的，本發明的異常診斷模型的構建裝置診斷工藝的異常，其中，該異常診斷模型的構建裝置具備：第一回歸模型制作單元，其使用預先收集的正常時的全部的作業數據，制作使得與針對目標變量的影響度較小的說明變量相關的回歸系數為0的第一回歸模型；說明變量候補決定單元，其將上述作業數據劃分為預先決定的多個分區，針對每個上述分區，在上述第一回歸模型所使用的說明變量的范圍內，決定說明變量候補；以及第二回歸模型制作單元，其使用上述分區中包含的作業數據，制作使得與針對目標變量的影響度較小的說明變量候補相關的回歸系數為0的第二回歸模型。

9、為了解決上述的課題，實現目的，本發明的異常診斷裝置使用由上述的異常診斷模型的構建裝置構建的異常診斷模型，其中，該異常診斷裝置具備：異常診斷單元，其使用與成為診斷對象的作業數據的分區對應的第二回歸模型，計算異常指標；以及異常判定單元，其基于上述異常指標，判定異常的有無。

10、根據本發明的異常診斷模型的構建方法、異常診斷方法、異常診斷模型的構建裝置以及異常診斷裝置，使用全分區的回歸模型所使用的說明變量的范圍內的說明變量，制作每個分區的回歸模型。由此，能夠構建在學習樣本數較少的稀有分區中也確保診斷精度并且對實際的異常的靈敏度的偏差較小的被適當分區化的異常診斷模型。