Project/Area Number |
07780329
|
Research Category |
Grant-in-Aid for Encouragement of Young Scientists (A)
|
Allocation Type | Single-year Grants |
Research Field |
Intelligent informatics
|
Research Institution | Nara Institute of Science and Technology |
Principal Investigator |
藤原 健史 奈良先端科学技術大学院大学, 情報科学研究科, 助教授 (90229071)
|
Project Period (FY) |
1995
|
Project Status |
Completed (Fiscal Year 1995)
|
Budget Amount *help |
¥900,000 (Direct Cost: ¥900,000)
Fiscal Year 1995: ¥900,000 (Direct Cost: ¥900,000)
|
Keywords | 状態監視 / 特徴抽出 / 折れ線近似 / プロセストレンド / 知的運転支援 / ニューラルネットワーク / データ圧縮 / 時系列データ |
Research Abstract |
生産プラントでオペレータがプロセス変数の時系列パターンからプラント運動状態を認知する過程について分析し、局所的特徴や全体的傾向を時系列パターンから抽出する手法を開発した。 まず、80ton/h焚きのボイラプラント訓練システムを用いて、被験者に異常検出の定型操作をしてもらい、被験者が時系列データをどのように観察し、異常をどのように見分けるかについて調べた。その結果、異常発生時の急激な変化、変化の大きさ、長期的な変動などを被験者は監視していることが分かった。オペレータはディスプレイ画面に映し出された時系列データを、直線的傾向(一定値、一定上昇など)の列として記号化し、それを解釈してデータの挙動を認識しているものと考えられる。 そこで、局所的な特徴と長期的な変動を折れ線関数による近似で表す新しい特徴抽出方法を提案した。まず、時系列データを連続関数として近似し、その変曲点で区切られた区間を基本要素とする。基本要素と変曲点間を結んだ直線の差の標準偏差及び差の累積値を求め、それを基本要素の特徴量とする。特徴量が設定したしきい値を超えない範囲で基本要素を合併し、それを繰り返すことによって時系列データの局所的変化(スパイク変化など)と全体の傾向(トレンド)を折れ線関数として同時に抽出する。 提案した方法とウェイブレッド変換を用いた特徴抽出法を比較した。前者が時間領域における時系列データの近似であるのに対し、後者は時間-周波数領域での特徴抽出法である。実データを用いて特徴抽出を行ったところ、データ量の圧縮という観点からは同等の結果を得た。本方法はウェイブレッド変換による方法に比べるとアルゴリズムが簡単で計算も容易である。 応用として、プロセス変数のトレンド間の関数関係をニューラルネットワークに学習させ、オンラインで異常検出を行なう方法についても検討した。
|