[发明专利]异常诊断模型的构建方法、异常诊断方法、异常诊断模型的构建装置以及异常诊断装置

说明书

异常诊断模型的构建方法包含：第一回归模型制作步骤，使用全部的作业数据，制作与针对目标变量的影响度较小的说明变量相关的回归系数成为0的第一回归模型；说明变量候补决定步骤，将作业数据划分为预先决定的多个分区，针对每个分区，在第一回归模型所使用的说明变量的范围内，决定说明变量候补；以及第二回归模型制作步骤，使用分区中包含的作业数据，制作与针对目标变量的影响度较小的说明变量候补相关的回归系数成为0的第二回归模型。

技术领域

本发明涉及异常诊断模型的构建方法、异常诊断方法、异常诊断模型的构建装置以及异常诊断装置。

背景技术

作为诊断制造工艺的制造状态、特别是异常状态的方法，存在基于模型的方法和数据库方法。基于模型的方法是对利用数学式表现制造工艺中的物理或者化学现象的模型进行构建，使用所构建的模型来诊断制造工艺的制造状态的方法。另一方面，数据库方法是根据在制造工艺中得到的作业数据构建统计分析的模型，使用所构建的模型来诊断制造工艺的制造状态的方法。

在钢铁工艺这样的制造工艺中，由于利用一条生产线制造多品种、多尺寸的产品，因此存在多个作业模式。另外，在高炉这样的制造工艺中，由于使用铁矿石、焦炭等这样的自然物作为原材料，因此制造工艺的偏差较大。因此，在对钢铁工艺这样的制造工艺的制造状态进行诊断的情况下，在仅利用基于模型的方法所实现的方法中存在极限。

作为数据库方法，存在对过去的异常产生时的作业数据进行数据库化而判定与当前的作业数据的类似性的诊断方法、相反地对正常时的作业数据进行数据库化而判定与当前的作业数据的差异的诊断方法。但是，在钢铁工艺这样的制造工艺中，在制造中使用的设备数量较多的情况下，特别是在像日本那样老化的设备较多的情况下，过去前所未有的故障产生的情况不少。因此，在以过去的故障事例为基础的前者那样的诊断方法中异常状态的预测存在极限。

另一方面，作为后者的诊断方法(使用正常时的作业数据的诊断方法)，存在专利文献1～4中记载的方法。具体而言，在专利文献1、2中记载有如下的方法：基于使用正常时的作业数据而制作的模型的预测来预测或者检测制造工艺的异常状态。另外，在专利文献3、4中记载有如下的方法：从正常时的作业数据中提取模式，进行程序库化，判定所取得的作业数据与程序库化的模式差异，由此早期地检测出与平时不同的状况。

专利文献1：国际公开第2013/011745号

专利文献2：日本专利第4922265号公报

专利文献3：日本专利第5651998号公报

专利文献4：日本专利第5499900号公报

在钢铁的制造工艺等中，对多个传感器的测量值进行处理，另一方面，多数情况下以作业管理、机器控制为目的而进行测量。因此，不一定像专利文献1～4那样，能够充分地取得直接表示设备状态、异常的原因的测量值。另外，即使存在与这样的异常的原因一对一地对应的测量值，也终究无法网罗全部的异常。

另一方面，随着近年来的数据收集、分析技术的发展，对被称为大数据的大量的数据进行处理的环境变得完备。鉴于上述的状况，为了维持稳定的作业，需要从大量的数据中网罗性地高精度地检测异常状况，提示与异常相关联的数据，将其与迅速的维护动作关联起来。在该情况下，大量的数据不一定与像专利文献1～4那样的异常的原因一对一地对应，因此，需要检测多个数据的微妙的动作变化的技术。

另一方面，在钢铁的制造工艺等中，经过多个制造工艺而制造多品种的产品。在这样的复杂的工艺的异常诊断中，无法将单一的异常诊断模型适用于全部的品种。例如，为了确保诊断的精度，通常应用以品种、物理特性等产品信息进行分组(以下，称为“分区化”)的诊断模型。