JP2010244149A - データ分類方法，データ分類装置，診断方法，診断装置 - Google Patents

Abstract

【課題】分類するデータ項目のバラツキに差がある場合、データを分類するためのカテゴリー数が多くなり、計算コストが大きくなる場合があった。
【解決手段】コンピュータが、サンプリングした入力データの各項目の標準偏差を求め、求めた各項目の標準偏差に基づいて入力データを前処理し、前処理した入力データに最も近いカテゴリーのプロトタイプを選択し、前記プロトタイプと前記入力データの関係から該選択されたプロトタイプが妥当であるかを評価し、複数項目からなる複数個の入力データを複数個のカテゴリーに分類する。
【選択図】図４

Description

本発明は、異常検知及び異常診断システムへの適用を目的とした、データ分類方法及び装置に関するものである。

データ分類方法の従来技術には、特許文献１に記載されたデータ分類方法がある。特許文献１に記載された従来技術は、適応共鳴理論（Adaptive Resonance Theory：ＡＲＴ）を用いたデータ分類装置により、予め想定した異常事象以外の異常事象が発生した場合においても、その異常個所を絞り込むことができる診断装置が記載されている。

特開平０５−１６５３７５号公報

しかしながら、従来技術を異常検知に適用した場合、ある条件下では、カテゴリー数が多くなり、計算コストが大きくなる場合がある。

本発明の目的は、従来技術と同等のデータ分類性能を維持しながら、より少ないカテゴリーでデータを分類し、計算コストを小さくするデータ分類方法を提供することである。

本発明は、コンピュータが、サンプリングした入力データの各項目の標準偏差を求め、求めた各項目の標準偏差に基づいて入力データを前処理し、前処理した入力データに最も近いカテゴリーのプロトタイプを選択し、前記プロトタイプと前記入力データの関係から該選択されたプロトタイプが妥当であるかを評価し、複数項目からなる複数個の入力データを複数個のカテゴリーに分類するデータ分類方法である。

本発明によれば、異常検知や異常診断に適用した場合に、データの特徴に合わせてデータを前処理するため、少ないカテゴリー数でデータを分類することが可能となり計算コストを少なくすることが可能となる。

計測データの一例を示す図。 正規化した計測データを示す図。 従来技術によって分類した結果の概要示す図。 本発明の第１の実施例の構成を示す図。 データ前処理装置の処理フローを示す図。 本発明の第１の実施例による学習アルゴリズムを示す図。 本発明の第１の実施例による分類結果の概要を示す図。 本発明の第２の実施例の構成を示す図。 カテゴリー対応マトリックスの例を示す図。 本発明の第２の実施例による学習アルゴリズムを示す図。 判定モードの例を示す図。 本発明の第３の実施例の構成を示す図。 保守データの一例を示す図。 データ制御装置のデータ変換アルゴリズムを示す図。

本発明について、各実施例を用いて説明する。

複数個の入力データを複数個のカテゴリーに分類する第一の実施例を提案する。

また、複数個の入力データを予め設定した複数個のカテゴリーＢに分類する第２の実施例を提案する。

また、複数個の入力データを複数個のカテゴリーに分類する第一の実施例を用いて、設備を診断する第三の実施例を提案する。

さらに、複数個の入力データを予め設定した複数個のカテゴリーＢに分類する第２の実施例を用いて、設備を診断する第四の実施例を提案する。

以下説明する実施例によれば、従来技術と同等のデータ分類性能を維持しながら、より少ないカテゴリーでデータを分類し、計算コストを小さくするデータ分類方法を提供することができる。従来技術を異常検知に適用した場合、ある条件下では、カテゴリー数が多くなり、計算コストが大きくなる場合がある。以下図１〜図３を用いてその一例を説明する。

図１は、ある機器が正常に稼動しているときに計測した２つの計測値（データＡ，データＢ）のトレンドグラフである。この例は、運転条件１〜運転条件３の３つの運転条件で運転した場合の例である。この計測値を正常時の運転データとして学習させる場合について考える。一般に、計測値の単位，大きさにばらつきがあるため、まず、計測値を正規化する。ここでは、データＡ及びデータＢの値がそれぞれ、［０.０５，０.９５］の範囲に入るように正規化した。

図２に、正規化したデータＡとデータＢの関係を示す。データは、運転条件１〜３で３つの固まりになっている。計測値を正規化することで、データＡおよびデータＢの取りうる範囲は同じになるが、データＡに比べて、データＢのばらつきが大きくなり、データ２の方向に細長く伸びたデータ群となる。これは、データＡとデータＢで、データのとりうる範囲とデータのばらつきの比率が異なるためである。

次に、このデータを複数のカテゴリーに分類し、機器が正常な状態の領域を定義する。図３に従来技術を用いてデータを分類した結果を示す。破線は、カテゴリーの領域を模式的に現したものである。この例では、データはＡ１〜Ａ８の８つのカテゴリーに分類された。従来技術では、カテゴリーの領域の大きさは可変であるが、領域の形状は常に円形となるため、データの特性により、データ群が細長い形状になる場合には、カテゴリー数が増えてしまう。

第一の実施例に係るデータ分類装置は、複数個の入力データを複数個のカテゴリーに分類するデータ分類装置であって、カテゴリーのプロトタイプと、カテゴリーの領域の大きさを規定する領域決定パラメータを格納する内部データ格納部と、サンプリングした入力データの各項目の分散を求め、求めた各項目の分散が全てある範囲に入るように入力データを前処理するデータ前処理手段と、前記データ前処理手段により処理した入力データに最も近いカテゴリーのプロトタイプを選択するプロトタイプ選択手段と、選択したプロトタイプが妥当であるかを、プロトタイプと入力データの類似度を両者の距離で評価するプロトタイプ評価手段と、新しいプロトタイプを新規に作成するプロトタイプ追加手段と、領域決定パラメータとプロトタイプの少なくとも一方を補正することができる内部データ補正手段を有し、前記プロトタイプ評価手段では、プロトタイプが妥当と判定された場合に、前記内部データ補正手段により、領域決定パラメータとプロトタイプの少なくとも一方を補正し、前記プロトタイプ評価手段でプロトタイプが妥当と判定なかった場合に、プロトタイプ追加手段により新しいプロトタイプを作成することを特徴とするデータ分類装置である。

第二の実施例に係るデータ分類装置は、複数個の入力データを予め設定した複数個のカテゴリーＢに分類するデータ分類装置であって、該カテゴリーＢに関連するカテゴリーＡのプロトタイプと、カテゴリーＡの領域の大きさを規定する領域決定パラメータを格納する内部データ格納部と、カテゴリーＡをカテゴリーＢに変換するためのカテゴリー対応マトリックスを格納するカテゴリー対応マトリックス格納部と、サンプリングした入力データの各項目の分散を求め、求めた各項目の分散が全てある範囲に入るように入力データを前処理するデータ前処理手段と、前記データ前処理手段により処理した入力データに最も近いカテゴリーＡのプロトタイプを選択するプロトタイプ選択手段と、選択したプロトタイプが妥当であるかを、プロトタイプと入力データの類似度から評価するプロトタイプ評価手段と、カテゴリーＡの新しいプロトタイプを新規に作成するプロトタイプ追加手段と、領域決定パラメータとプロトタイプの少なくとも一方、及び前記カテゴリー対応マトリックスを補正する内部データ及びマトリックス補正手段と、該選択されたカテゴリーＡを前記カテゴリー対応マトリックスを用いてカテゴリーＢに変換するカテゴリー変換手段を有し、前記内部データ及びマトリックス補正手段が、前記カテゴリー対応マトリックスに選択されたカテゴリーＡと予め設定したカテゴリーＢの関係を追加する場合において、選択したカテゴリーＡが既に別のカテゴリーＢに対応している場合、対応関係の追加を拒否し、追加拒否された場合には、前記カテゴリーＡのプロトタイプを、前記入力データから遠ざけるように補正し、該領域決定パラメータを、該領域決定パラメータが該カテゴリーＡのプロトタイプと該入力データの距離と等しくなるように補正することを特徴とするデータ分類装置である。

第三の実施例に係る設備の診断システムは、設備の診断システムにおいて、第一の発明であるデータ分類装置を有し、該設備の運転データを前記データ分類装置に入力し、分類されたカテゴリーに基づき設備の状態を診断することを特徴とする設備の診断システムである。

第四の実施例に係る設備の診断システムは第２の発明であるデータ分類装置を有し、設備の状態を教師パターンとして与え、設備の状態と該設備の運転データとの関係を前記データ分類装置により学習し、学習後の前記データ分類装置に未学習の運転データを入力し、該データ分類装置が出力したカテゴリーＢにより機器の状態を診断することを特徴とする設備診断システムである。

図４に本発明の第一実施例の概要を示す。本実施例は、入力データをいくつかのカテゴリーに分類するデータ分類装置であり、予め分類したいカテゴリーを教師データとして与えておらず、教師なし分類である。

本実施例は、入力データ前処理手段１０，データ分類手段２０、および処理フロー制御手段からなる。また、データ分類手段２０は、データ読込み手段２１，内部データ初期化手段２２，内部データ格納部２３，プロトタイプ選択手段２４，プロトタイプ評価手段２５，プロトタイプ追加手段２６，内部データ補正手段２７からなる。

入力データ前処理手段１０では、入力データの各項目によるバラツキを補正するように前処理する。入力データは、一般に、温度，流量，電圧，信号の強度などの物理量であるため、分類する入力データの種類，特性によって、値の大きさ，変動量には、ばらつきが生じる。入力データ前処理手段１０では、これらのばらつきを補正するために、分類する入力データの最大値，最小値および分散を用いて、データを前処理する。データ処理の詳細については、後述する。

次に、データ分類手段２０について説明する。データ読込み手段２１は、処理フロー制御手段３０の指令に応じて、前処理された入力データを読込む。内部データ初期化手段２２は、データ分類処理の最初にのみ実行され、内部データ格納部２３に格納されたデータを入力データに応じて初期化する。

内部データ格納部２３には各カテゴリーのプロトタイプと、各カテゴリーの領域を決定するパラメータ（領域決定パラメータ）が格納されている。プロトタイプは各カテゴリーの代表例であり、カテゴリーと１対１に対応する。入力データがＮ次元のデータであった場合、プロトタイプもＮ次元のデータとなる。領域決定パラメータは、各カテゴリーの領域を規定するパラメータであり、カテゴリー毎に定義されている。プロトタイプ選択手段２４は、前処理された入力データと内部データ格納部２３に格納されているプロトタイプを比較し、入力データに最も近いプロトタイプを選択する機能である。どのプロトタイプが入力データに近いかは、入力データとプロトタイプの距離で判断する。すなわち、内部データ格納部２３に格納されているプロトタイプと前処理された入力データの距離を計算し、最も距離が近いプロトタイプを選択する。具体的な処理は後述する。

プロトタイプ評価手段２５では、プロトタイプ選択手段２４で選択したプロトタイプが妥当であるかを評価する。選択したプロトタイプは内部データ格納部２３に格納されているものの中では、最も入力データに近いが、十分に近いプロトタイプであるとは限らない。プロトタイプ評価手段２５では、入力データと選択したプロトタイプｊの距離ｒ_mjと領域決定パラメータＲ_jとを比較し、式（１）を満足する場合、選択したプロトタイプｊが妥当であると判断し、入力データが分類されるカテゴリーを決定する。また、同時に内部データ補正手段２７の処理を実施する。

ｒ_mj≦Ｒ_j …（１）

式（１）を満足しなかった場合、プロトタイプ追加手段２６の処理を実施する。

プロトタイプ追加手段２６は、プロトタイプ評価手段２５で、選択したプロトタイプが妥当でないと判断された場合に、プロトタイプを追加する。プロトタイプは入力データを代表するものでなければならないため、後述のように入力データの近傍のデータが新たなプロトタイプとして追加される。なお、入力データと全く同じデータをプロトタイプとして追加しても良い。

内部データ補正手段２７は、選択したプロトタイプが妥当であった場合に、プロトタイプ，領域決定パラメータを補正することで、データの分類特性をより適切にする手段である。したがって、内部データ補正手段２７は、領域決定パラメータ補正手段とプロトタイプ補正手段からなる。領域決定パラメータ補正手段では、カテゴリー領域に含まれるデータの分布状態と領域決定パラメータを比較し、データの分布に対して、領域決定パラメータが大きい場合、領域決定パラメータを小さくする。プロトタイプ補正手段では、プロトタイプを入力データに近づける。近づける度合いはパラメータで調整可能である。プロトタイプは複数の入力データの代表例であり、入力データは逐次入力される。プロトタイプを入力データに近づける処理をすることで、プロトタイプをより適切に設定することが可能となる。

処理フロー制御手段３０では、データ分類装置における処理フローを制御する。主な機能は、入力データを最初に読込んだ場合に内部データ初期化手段２２を実行することと、プロトタイプ評価手段２５から出力されるカテゴリーの変化から繰り返し処理の打ち切りを判断することである。

次に実施例１の処理フローについて詳細に説明する。本実施例では、入力データは２次元データであるが、３次元以上のデータであっても同様の処理となる。また、入力データ（Ｘ，Ｙ）及び教師カテゴリーはＭ組あるとした。また、本データ分類方法は、Ｍ組のデータを繰り返し何度か与えることでデータを適切に分類する手法である。本実施例では、繰り返し回数をＫ回とした。以下、処理フローについて説明する。

最初に、入力データ前処理手段１０の処理フローについて図５を用いて説明する。

Step１０１：（Ｘ，Ｙ）のそれぞれについて、最大値と最小値を計算する。例えば、データＸが温度、データＹが流量で、それぞれ、５００℃〜５６０℃，２.５ｔ／ｈ〜３.５ｔ／ｈまで変動したとすると、Ｘの最大値は５６０，最小値は５００。Ｙの最大値は３.５，最小値は２.５となる。

Step１０２：Step１０１で求めた最大，最小値で入力データを正規化する。ここでは、Ｘ，Ｙのどちらも、最小値が０.１、最大値が０.９となるように正規化する。

Step１０３：入力データの中から定常状態のデータを抽出する。ここで、定常状態のデータとは、操作条件を変更せずに、一定条件でしばらく運転していた場合のデータである。

Step１０４：抽出したデータの標準偏差を計算する。抽出したデータは定常状態のデータであるが、センサーの誤差，プロセスの外乱などのため、若干データにばらつきが生じるため、バラツキの程度の指標となる標準偏差をＸ，Ｙのそれぞれの正規化したデータについて計算する。

Step１０５：求めた標準偏差の値を使って、バラツキが同程度になるように正規化したデータを補正する。ここで、正規化したデータを（Ｘｎ，Ｙｎ）、補正したデータを（Ｘｎ′，Ｙｎ′）、Ｘｎ，Ｙｎの標準偏差σｘ，σｙ、基準となる標準偏差をσｓとすると、補正式は、式（２），式（３）となる。

Ｘｎ′＝(Ｘｎ−０.５)＊σｓ／σｘ＋０.５ …（２）
Ｙｎ′＝(Ｙｎ−０.５)＊σｓ／σｙ＋０.５ …（３）

なお、基準となる標準偏差はσｘ，σｙのうち、小さい方とする。

これらのStep１０１〜Step１０５の処理により、入力データの各項目のバラツキが均一化されるため、データを分類する場合に、必要以上にカテゴリー数が増加することを抑制することが可能となる。尚、各カテゴリー項目間のデータのばらつきを均一化するための前処理として、各項目の標準偏差に基づいて入力データを前処理すればよく、式（２）及び式（３）以外のやり方でも良い。例えば、標準偏差の小さい方の正規化したデータに対して、予め定めた所定値を掛けるなどしてバラツキを均一化することによって、各項目の標準偏差に基づいて入力データを前処理しても良い。

次に、データ分類手段２０の処理フローについて説明する。

Step２０１：内部データであるプロトタイプと領域決定パラメータを初期化する。プロトタイプの初期化処理とは、新規のプロトタイプを作成することである。本実施例では、プロトタイプ（Ｘｊ，Ｙｊ）（ｊ＝１〜５）を作成した。初期のプロトタイプはできるだけ分散している方が望ましいため、乱数を使って、ｘ，ｙのそれぞれが、０.１から０.９に入るｘ，ｙの組み合わせを作成した。プロトタイプは、例えば、（０.４５，０.２８），（０.７８，０.３１），（０.１５，０.１７），（０.５４，０.３９），（０.７８，０.１２）のようになる。

領域決定パラメータＲ_jは式（４）で作成した。

Ｒ_j＝Ｋ_Ｒ×√Ｎ …（４）

Ｋ_Ｒは定数であり、Ｎは入力データの次元数である。本実施例では、Ｋ_Ｒ＝０.１，Ｎ＝２であるため、Ｒの初期値は０.１４１４となる。

Step２０２：繰り返し回数１回目で、入力データ番号ｍ＝１のデータを読込む。

Step２０３：読込んだ入力データ（ｘ，ｙ）とプロトタイプ（Ｘｊ，Ｙｊ）の距離ｒ_mjを式（５）で計算する。

ｒ_mj＝√((ｘ−Ｘｊ)２＋(ｙ−Ｙｊ)２) …（５）

距離ｒ_mjが、最小となるｊをプロトタイプの候補として選択する。

Step２０４：プロトタイプの妥当性を評価する。具体的には、ｒ_mjを、基準となる領域決定パラメータＲ_jと比較し、ｒ_mjがＲ_jよりも小さければ、選択したプロトタイプは妥当であると評価し、Step２０６の処理を実行する。プロトタイプが妥当でなければ、Step２０５の処理を実行する。

Step２０５：ここでは新たにプロトタイプを１つ追加する。追加するプロトタイプは式（６），式（７）で決定する。

Ｘ′ｊ＝ｋｐ×ｘｍ …（６）
Ｙ′ｊ＝ｋｐ×ｙｍ …（７）

ここでｋｐはパラメータであり１近傍の値をとる。ｋｐ＝１の場合は、プロトタイプは入力データｘｍ，ｙｍと等しくなる。

Step２０６：Step２０４でプロトタイプが妥当であると評価された場合の処理で、プロトタイプを入力データに合わせて補正する。具体的には、式（８），式（９）で補正する。

Ｘ′ｊ＝Ｘｊ＋ｋｗ×(ｘｍ−Ｘｊ) …（８）
Ｙ′ｊ＝Ｙｊ＋ｋｗ×(ｙｍ−Ｙｊ) …（９）

ここで、ｋｗはパラメータであり、０から１範囲の値をとり、ｋｗの値によりどの程度入力データに合わせて補正するのかが決定される。ｋｗ＝１の場合は、プロトタイプを入力データと完全に一致するまで補正することを意味する。また、ｋｗ＝０の場合はプロトタイプは補正されない。

ｋｗの値はデータ分類処理の進行に合わせて段階的に変化させることとした。具体的には、処理の初期過程ではｋｗの値を大きくして、入力データに合わせてプロトタイプが変化するようにし、処理がある程度進むとｋｗの値を小さくし、プロトタイプが変化しないようにした。

Step２０７：選択されたカテゴリーの領域に含まれるデータから、領域決定パラメータＲ_jが妥当であるかを判定する。ここでは選択されたカテゴリーのプロトタイプと、このカテゴリーに含まれる入力データの距離ｒ_mjの最大値ｒ_{mj_max}を求め、Ｒ_jとの比率Ｆ_ｒを式（１０）で計算する。

Ｆ_ｒ＝ｒ_{mj_max}／Ｒ_j …（１０）

予め設定した閾値Ｆ_ｒ_ｔｈと式（１０）で求めたＦ_ｒを比較し、式（１１）が成立すれば領域決定パラメータＲ_jは妥当と判断し、Step２０９に進む。式（１１）が成立しなければ、領域決定パラメータＲ_jは妥当でないと判断し、Step２０８に進む。

Ｆ_ｒ≧Ｆ_ｒ_ｔｈ …（１１）

尚、ここでは距離に基づいて妥当性の評価を行っているが、選択されたカテゴリーのプロトタイプとこのカテゴリーに含まれる入力データの関係を予め定めるなどにより妥当性を評価する別の評価方法でも良い。

Step２０８：領域決定パラメータＲ_jを式（１２）にしたがって変更する。

Ｒ_j＝ｒ_{mj_max}／Ｆ_ｒ_ｔｈ …（１２）

Step２０９：入力データがＭ組全て処理されたかどうかを判定し、処理されていない入力データがあれば、次の入力データをStep２０３で処理する。全ての入力データが処理されていれば、Step２１０に進む。

Step２１０：繰り返し回数が、設定したＫ回実施されたか、あるいはデータ分類処理が収束した場合に処理を終了させる。データ分類の収束判定は、入力データが分類されたカテゴリーが前回（ｋ−１回目）と今回（ｋ回目）が同じか否かで判定する。分類されたカテゴリーが少なくとも１つ以上変化した場合、処理は収束していないと判定し、分類されたカテゴリーが全て同じであれば、処理が収束したと判定する。

実施例１では、ｋ＝１から図６に示した処理を実施したが、ｋがある値になるまでは、Step２０７〜Step２０８の処理を実施せず、ｋがある値を超えてからStep２０７〜Step２０８の処理を実施する処理フローでも良い。

図７は実施例１による分類結果を示す概念図である。入力データは図１と同じであるが、データのバラツキが大きかったデータＢは、データ前処理装置１０で前処理することにより、バラツキがデータＡと同程度になっている。この場合、カテゴリーはＡ１′〜Ａ３′の３つに分かれただけであり、少ないカテゴリー数でデータを分類することができた。

したがって、本実施例による分類方法を異常検知や異常診断に適用した場合、少ないカテゴリー数でデータを分類できるため、計算コストを小さくすることができる。

なお、データ分類手段２０は、本実施例に記載した分類方法に限定されるものではなく、適応共鳴理論などのデータ分類手段を利用しても良い。

上述したように、コンピュータが、サンプリングした入力データの各項目の標準偏差を求め、求めた各項目の標準偏差に基づいて入力データを前処理し、前処理した入力データに最も近いカテゴリーのプロトタイプを選択し、前記プロトタイプと前記入力データの関係から該選択されたプロトタイプが妥当であるかを評価し、複数項目からなる複数個の入力データを複数個のカテゴリーに分類するデータ分類方法により、従来技術と同等のデータ分類性能を維持しながら、より少ないカテゴリーでデータを分類し、計算コストを小さくすることができる。

また、上述した様に、評価によって該プロトタイプが妥当と判定された場合に、領域決定パラメータとプロトタイプの少なくとも一方を補正し、前記評価によって該プロトタイプが妥当と判定されなかった場合に、新しいプロトタイプを追加するデータ分類方法により、データの分類特性をより適切にすることができる。

次に本発明の第２の実施例について説明する。図４に第２の実施例の概要を示す。

本実施例は、入力データと対応するカテゴリーを学習させるデータ分類方法である。ここで、第１の実施例での分類結果であるカテゴリーと予め学習させるカテゴリーは、必ずしも１対１に対応するものではない。そこで、第１の実施例の分類結果であるカテゴリーをカテゴリーＡ、予め学習させるカテゴリーをカテゴリーＢと定義し、第２の実施例について説明する。なお、第２の実施例の構成要素の多くは第１の実施例と同じであるため、ここでは、第１の実施例との相違点のみを説明する。

第２の実施例のデータ分類手段４０で新規に追加された構成要素は、カテゴリーＢ読込み手段４１，カテゴリー変換手段４２及びカテゴリー対応マトリックス４３の３つである。また、第１の実施例の内部データ補正手段２７は、内部データ及びマトリックス補正手段２８に置き換わっている。

カテゴリーＢ読込み手段４１は、予め学習させておくデータ（教師データ）であるカテゴリーＢを読込む手段である。データ読込み手段２１と同様に処理フロー制御手段３０により、データを読込むタイミングを制御されている。

カテゴリー変換手段４２はカテゴリーＡをカテゴリーＢに変換する手段である。ここで、カテゴリーＡは、第１の実施例でデータを分類したカテゴリーと同じであり、いくつかの類似データを１つのグループにしたものである。カテゴリーＡにはカテゴリー番号が付与されるが、その番号自体には意味がない。一方、カテゴリーＢは、人間が意味づけしたカテゴリーである。本データ分類方法を異常診断に利用した場合、カテゴリーＢは、例えば、「正常」「異常１」「異常２」などの事象が割り当てられる。

カテゴリーＡをカテゴリーＢに変換するには、カテゴリーＡとカテゴリーＢの対応関係を表した、カテゴリー対応マトリックスを利用する。

カテゴリー対応マトリックス格納部４３にはカテゴリー対応マトリックスが格納されている。カテゴリー対応マトリックスの例を図９に示す。図９の例では、カテゴリーＢは「正常」「異常１」「異常２」の３種類である。カテゴリーＡはカテゴリー１〜１０の１０種類である。複数のカテゴリーＡが１つのカテゴリーＢに対応している。また、各カテゴリーは必ず１つのカテゴリーＢにのみ対応しており、２つ以上のカテゴリーＢに対応していることはない。このカテゴリー対応マトリックスを利用することで、カテゴリーＡを与えるとカテゴリーＢに変換することが可能となる。

内部データ及びマトリックス補正手段２８は、内部データ格納部２３に格納されている内部データとカテゴリー対応マトリックス格納部４３に格納されているカテゴリー対応マトリックスを補正する。

補正する内部データは、プロトタイプと領域決定パラメータであり、第１の実施例の内部データ補正手段２７と同じである。ただし、補正方法は内部データ補正手段２７とは異なる。内部データ及びマトリックス補正手段２８では、図９で示したように、カテゴリーＡに対応するとカテゴリーＢが２つ以上にならないように内部データを補正する。具体的な補正アルゴリズムについては、後述する。

カテゴリー対応マトリックスの補正は、カテゴリーＡとカテゴリーＢの関係が常に最新の入力データの分類結果と一致するように補正する。各入力データに対応するカテゴリーＢは教師データとして与えられるため、変更はない。しかし、プロトタイプまたは領域決定パラメータが変化した場合、同じ入力データであっても、カテゴリーＡは変化する可能性がある。したがって、カテゴリーＡが変更となった場合に、逐次、カテゴリーＢとの対応関係を補正する。

次に、実施例２の動作について説明する。実施例２では、学習モードと判定モードの２種類の動作モードがある。学習モードでは、入力データとカテゴリーＢ（教師データ）を与え、入力データがカテゴリーＢに分類されるように学習する動作モードである。判定モードは入力データのみを与え、入力データが分類されるカテゴリーＢを判定する動作モードである。なお、入力データは、実施例１と同様に２次元データ（Ｘ，Ｙ）である。

入力データ前処理手段の処理フローは実施例と全く同じであるため、説明は割愛する。

図１０にデータ分類手段４０の学習モードの処理フローを示す。図中の破線で囲んだ部分が、実施例１の処理フローと異なる部分である。異なる部分を中心に、処理フローを説明する。

Step２０１〜２０５：入力データを正規化し、プロトタイプなどの内部データを初期化し、入力データが分類されるカテゴリーＡのプロトタイプを決定する。

Step２０６−１：入力データが分類されたカテゴリーＡと、教師データとして与えられるカテゴリーＢの関係をカテゴリー対応マトリックスに追加する。ただし、追加するカテゴリーＡとカテゴリーＢの組み合わせにおいて、選択されたカテゴリーＡが既に別のカテゴリーＢとの対応関係が記録されている場合には、追加が拒否される。また、カテゴリーＡとカテゴリーＢの対応関係が既にマトリックスに記録されている場合は、修正しない。

Step２０６−２：プロトタイプの補正は、Step２０６−１によって追加拒否されたか否かで処理が異なる。Step２０６−１で追加拒否されなかった場合には、式（８），式（９）でプロトタイプを修正する。追加拒否された場合には、入力データが分類されたカテゴリーＡがふさわしくないことを意味する。したがって、対象の入力データが分類されたカテゴリーＡに分類されないようにプロトタイプを補正する必要がある。具体的には式（１３），式（１４）によって、プロトタイプを補正する。

Ｘ′ｊ＝Ｘｊ−ｋｗ×(ｘｍ−Ｘｊ) …（１３）
Ｙ′ｊ＝Ｙｊ−ｋｗ×(ｙｍ−Ｙｊ) …（１４）

式（１３），式（１４）で、ｋｗ＞０の場合、プロトタイプは入力データから離れる方向に補正される。ｋｗの値が大きいほど、その度合いは大きくなる。なお、ｋｗ＝０の場合、プロトタイプは変更されない。

Step２０７：Ｒ_jの妥当性判断は、式（１１）の成立の有無及び追加拒否の有無によって異なる。式（１１）が成立し、かつ追加拒否がない場合は、妥当であると判定し、Step２０９に進む。式（１１）を満足しないか追加拒否があった場合は妥当でないと判定し、Step２０８に進む。

Step２０８：追加拒否があった場合は、入力データが分類されたカテゴリーＡがふさわしくないことを意味する。したがって、対象の入力データが分類されたカテゴリーＡに分類されないように領域決定パラメータを補正する必要がある。具体的には式（１５）で補正する。

Ｒ_j＝ｒ_mj …（１５）

また、式（１１）を満足しない場合は、式（１２）でＲ_jを補正する。

Step２０９〜２１０：処理を繰り返すか否かを判定し、繰り返しが必要なければ、Step２１１に進む。Step２１０までの処理が全て終了すると、Ｍ個全ての入力データが、あるカテゴリーＡに分類され、各カテゴリーＡとカテゴリーＢの対応関係がカテゴリー対応マトリックスに記録される。

Step２１１：カテゴリー対応マトリックスを利用してカテゴリーＡをカテゴリーＢに変換する。変換するデータはＭ個の入力データである。マトリックスとして図９の例を利用した場合、ある入力データのカテゴリーＡがカテゴリー３とすると、対応するカテゴリーＢは異常１であり、カテゴリー３は異常１に変換される。

以上の処理により、Ｍ個の入力データを、教師データとして与えたカテゴリーＢに分類することができる。

なお、Step２０６−１〜Step２０８までの処理の中で、カテゴリー対応マトリックスに関連する処理を除くと実施例１のStep２０６〜Step２０８の処理と同じになる。実施例２では、ｋ＝１から図に示した処理を実施したが、ｋがある値になるまでは、カテゴリー対応マトリックスに関連する処理を実施せず、実施例１のStep２０６〜Step２０８の処理のみを実施し、ｋがある値を超えてからカテゴリー対応マトリックスに関連する処理を追加する処理フローとしてもよい。

次に判定モードについて図１１を用いて説明する。１つの入力データを判定する場合について説明する。

Step２２１：内部データを学習モードが終了した状態にする。

Step２２２：入力データを読込む。

Step２２３：学習モードのStep２０３と同じアルゴリズムでプロトタイプを選択する。

Step２２４：学習モードのStep２０４と同じアルゴリズムでプロトタイプの妥当性を判定する。妥当であれば、入力データのカテゴリーＡは選択されたプロトタイプを持つカテゴリーＡであると判定しStep２２５に進む。妥当でなければ、入力データのカテゴリーＡは新規カテゴリーと判定しStep２２５に進む。

Step２２５：学習モードのStep２１１と同様のアルゴリズムで、カテゴリーＡをカテゴリーＢに変換する。ただし、入力データのカテゴリーＡが新規カテゴリーであった場合には、カテゴリー対応マトリックスに対応関係が記録されていないため、カテゴリーＢは不定となる。

最後に、実施例２の効果について述べる。実施例２においても、データ前処理手段１０でデータの各項目のデータのバラツキが均一になるため、従来技術に比べて少ないカテゴリー数でカテゴリーＡを分類することができ、計算コストを小さくできる。

次に本発明の第３の実施例について説明する。本発明の第３の実施例は、本発明の第２の実施例であるデータ分類装置を利用した発電設備の遠隔診断システムである。第２の実施例で説明するが、第１の実施例のデータ分類装置でも実施することができる。

本実施例の構成を図１２に示す。本実施例は、発電設備８ａ〜８ｎと監視センタからなり、発電設備８ａ〜８ｎと監視センタはインターネット７により接続されている。

発電設備８ａ〜８ｎはコンバインドサイクル発電システム８１，制御装置８２及びデータ送信装置８３からなる。コンバインドサイクル発電システム８１は圧縮機，燃焼器，ガスタービン，排熱回収ボイラ，蒸気タービン，復水器および発電機からなる。

まず、コンバインドサイクル発電システム８１について説明する。圧縮機による圧縮空気は燃焼器に送られ、燃料と混合されて燃焼器で燃焼する。燃焼により発生した高圧ガスによりガスタービンが回転し発電する。ガスタービンの排ガスは排熱回収ボイラに入り、タービンの排ガスで蒸気を発生する。発生した蒸気で蒸気タービンを回転し発電する。

制御装置８２では電力需要に応じてコンバインドサイクル発電システム８１の出力を制御する。また、コンバインドサイクル発電システム８１に設置されたセンサーを用いて運転データを計測する。本実施例では、運転データとして吸気温度，燃料投入量，ガスタービン排ガス温度，ガスタービン回転数，排熱回収ボイラ蒸気発生量，蒸気タービン出力等の状態量を１秒間隔で計測した。データ送信装置では、制御装置８２で計測した運転データをインターネット７経由で監視センターに送信する。

監視センターでは、インターネット７経由で受信した発電設備８ａ〜８ｎの運転データを受信し、発電設備８ａ〜８ｎの状態を監視する。監視センターは、データ受信装置２，運転データベース３，保守データベース４，データ制御装置５，データ分類装置１ａ〜１ｎ及び操作端末６からなる。これらの構成要素について以下に示す。

データ受信装置２は受信したデータを各データベース及びデータ制御装置５に送る。発電設備８ａ〜８ｎから送信された運転データはデータ制御装置５に送ると同時に運転データベース３に送る。また、保守員が携帯端末から入力した保守情報は保守データベース４に送る。

運転データベース３はデータ受信装置２から送られた運転データを発電設備８ａ〜８ｎ毎に格納する。運転データは吸気温度，燃料投入量，ガスタービン排ガス温度等の状態量であり、１秒間隔で記録されている。また、これらの計測データの他に運転モードが記録されている。運転モードは「起動運転」「定格運転」などに対応する数値で記録されている。さらに、発電設備から送信されるデータの他に、データ分類装置１ａ〜１ｎによる分類結果も格納されている。分類結果は２種類ある。ひとつはデータ分類装置内部のカテゴリーＡの番号が記録されている。もうひとつは「正常」「異常Ａ」などのような機器の状態（カテゴリーＢ）であり、同じく状態に対応する番号で記録されている。

保守データベース４はデータ受信装置２から送られた保守情報を格納する。保守データベース４には保守員が行った保守情報が記録されている。蓄積されている保守情報は、例えば図１３のように記録されている。図１３の例では実際の保守作業は次のようになる。９：５０にモニタリングによりアラームが発生し、異常が確認された。１０：３０に現地に保守員が到着し保守作業を開始した。１０：４５に部品を交換したのち、ガスタービン発電機の試運転を実施した。１１：３０に異常が復旧したことを確認し、保守作業を終了した。

データ制御装置５では、運転データ及び保守データをサイト，運転モードで分類し、データ分類装置１ａ〜１ｎに入力可能な形式に加工する。このデータの分類・加工方法の詳細については、後ほど説明する。また、データ分類装置には推定モード、学習モード及び準備モードがある。データ制御装置５ではモードに合わせた入力データの制御を行う。

操作端末６では、データ制御装置５のモード切替え指令を入力する。また、運転データベース３や保守データベース４に記録された情報、あるいはデータ分類装置１ａ〜１ｎにより分類された結果をモニタ画面に出力することができる。

データ分類装置１ａ〜１ｎには、推定モード，学習モード及び準備モードがある。推定モードではデータ受信装置２０から送られた運転データに基づき発電設備８ａ〜８ｎの状態を診断する。診断結果は運転データベース３に送られる。学習モードでは運転データベース３及び保守データベースに格納された情報を用いて運転データと発電設備の状態の関係を学習する。また、準備モードは学習も推定も行わない。このモードは新規サイトが設置された場合などに学習に必要なデータがない場合のモードである。これらのモードは診断装置１ａ〜１ｎ毎に個別に設定可能である。モードの設定は操作端末６にて行う。

次に、監視センターの動作について説明する。データ分類装置１ａ〜１ｎが実際に動作するモードは学習モード及び推定モードの２つであるため、学習モード，推定モードの順で説明する。なお、前述したように、学習モード，推定モードはサイト毎に個別に設定可能であるが、ここでは、複数のサイトが全て学習モードの場合及び全て推定モードの場合を例に説明する。

学習モードでは運転データベース３及び保守データベース４に格納された情報を用いて運転データと発電設備の状態の関係を学習する。ただし、両データベースに格納された情報をそのままデータ分類装置１ａ〜１ｎに入力することはできない。そこで、データ制御装置５において、運転データ及び保守情報をデータ分類装置に入力するデータ形式に変換する。そのアルゴリズムを図１４に示す。なお、以下の説明では、計測項目は前述した項目の中から３項目（DATA１〜DATA３）を選択した例で説明する。

Step３０１：全運転データをサイトと運転モードでグループ分けし、各グループのデータのサンプリング間隔を決定する。グループ分けの例を次に示す。例えば、「サイト１」〜「サイト３」の３つのサイトで運転モードが「起動運転」「定格運転」「停止運転」の３モードであったとすると、運転データは合計９つのグループにグループ分けられる。データのサンプリング間隔は運転モードによって異なる。本実施例では運転データの変化が少ない「定格運転」では１分間隔とし、それ以外のモードでは１秒間隔とした。

Step３０２：Step３０１で分類したグループのうち１つのグループを選択する。

Step３０３：Step３０２で選択したグループに該当するデータを用いてDATA１〜DATA３のデータについて、図５に示したデータ前処理装置２０処理のStep１０１〜Step１０５の処理を実施する。

まず、DATA１〜DATA５の計測項目毎に最大値及び最小値を計算する。計算した最大値及び最小値はサイト毎にデータ制御装置５内に記憶される。

次に、計算した最大値及び最小値を用いてデータを正規化する。その方法についてDATA１を例に説明する。DATA１のデータ数がＭ個でｍ番目の計測値をdata１（ｍ）とする。また、Ｍ個のデータの中の最大値及び最小値をそれぞれMax_１，Min_１すると、正規化したデータNdata_１（ｍ）は式（１６）で計算する。

Ndata_１(ｍ)＝α＋(１−α)×(data_１(ｍ)−Min_１)／(Max_１−Min_１)
…（１６）

ここで、α（０≦α＜０.５）の定数であり、式（１）によりデータは［α，１−α］の範囲に正規化される。本実施例ではα＝０.１とした。

次に、図５のStep１０３，Step１０４の処理を実施する。ここでは、運転データに定格運転のデータを２００点抽出し、DATA１〜DATA３の標準偏差σｉ（ｉ＝１〜３）を計算した。最後にDATA１〜DATA３の正規化データNdata_ｉ（ｍ）（ｉ＝１〜３）を式（１７）で補正する。

Ndata_ｉ′(ｍ)＝(Ndata_ｉ(ｍ)−０.５)＊σｓ／σｉ＋０.５ …（１７）

ここで、σｓはσｉ（ｉ＝１〜３）の中の最小の値である。

Step３０４：機器状態データを変換してカテゴリーＢのデータを作成する。保守データベース４には、機器の状態が記録されている。例えば、状態として「正常」「異常Ａ」「異常Ｂ」の３種類があったとすると、それぞれを「１」「２」「３」のような番号データに変換する。ただし、保守データベース４には決まった時間間隔で設備の状態が記録されているわけではない。したがって、入力データａの時間間隔に合わせてデータを加工する。このように時間間隔を修正することで、同一時刻の運転データとそのときの設備の状態が対応したデータが得られる。

Step３０５：Step３０１で分類した全てのグループに対してStep３０３〜Step３０５の処理を実行したかを判定する。残っているグループがあればそれらのグループに対応するデータについてStep３０３〜Step３０５を実行する。全てのグループに対して処理が完了した場合は終了する。

以上の処理により、Step３０１で分類した個数だけ入力データとそのときのカテゴリーＢのペアが作成される。これらはそれぞれ異なるデータ分類装置１ａ〜１ｎに入力される。

次にデータ分類装置１ａ〜１ｎの動作について説明する。データ分類装置１ａ〜１ｎでは、入力データとカテゴリーＢの関係を学習する。入力データ，カテゴリーＢは共にＭ個ある。本実施例では、Ｍ組のデータを順にデータ分類装置１ａ〜１ｎに入力した。Ｍ組の入力データとカテゴリーＢの関係を学習するアルゴリズムについては本発明の第２の実施例において詳細に説明したため、本実施例では説明は割愛する。

学習が終了すると、学習の結果得られたプロトタイプをデータ分類装置１ａ〜１ｎ内の記憶領域に保存する。

次に推定モードの動作について説明する。推定モードでは、データ受信装置２から１分毎に送られる運転データに基づき発電設備８ａ〜８ｎの状態を診断する。データ受信装置２から送られたデータはデータ制御装置５により加工され、データ分類装置１ａ〜１ｎに送られる。

データ制御装置５にはサイト毎にデータを正規化するための最大値及び最小値が記憶されている。従って、データ受信装置２から送られたデータは、学習モードのステップ３０４の処理により瞬時にデータ変換され、データ分類装置１ａ〜１ｎに入力される。データ分類装置１ａ〜１ｎには学習モードで得られたプロトタイプが記憶されている。従って、第２の実施例の推定モードで説明した手順でカテゴリーＡ及び発電設備の状態（カテゴリーＢ）が推定される。推定されたカテゴリーＡ及び発電設備の状態は操作端末６のモニタ画面に出力することができる。また、運転データベース３に保存することもできる。

なお、実施例３では、実施例２のデータ分類装置を利用したが、実施例１のデータ分類装置を利用することも可能である。

上述した各実施例の装置は、記憶手段やＣＰＵを備えたコンピュータなどで実施することができ、また装置の有する機能としての各処理手段などはプログラムモジュールであり、モジュールを読込んでコンピュータに実行させることで各機能を実施することができる。また、プログラムモジュールを記録した記録媒体をコンピュータに読込ませることにより各機能を実施可能である。

尚、上述した実施例では、データ分類装置の中に、入力データ前処理手段１０，データ分類手段２０，処理フロー制御手段３０などの各手段を設けて、処理を実行することとしたが、それぞれの処理を別々の装置で実行し、相互の装置間で通信することでも実行することができる。

１ データ分類装置
２ データ受信装置
３ 運転データベース
４ 保守データベース
５ データ制御装置
６ 操作端末
７ インターネット
８ 発電設備
１０ 入力データ前処理手段
２０，４０ データ分類手段
２１ データ読込み手段
２２ 内部データ初期化手段
２３ 内部データ格納部
２４ プロトタイプ選択手段
２５ プロトタイプ評価手段
２６ プロトタイプ追加手段
２７ 内部データ補正手段
２８ 内部データ及びマトリックス補正手段
３０ 処理フロー制御手段
４１ カテゴリーＢ読込み手段
４２ カテゴリー変換手段
４３ カテゴリー対応マトリックス格納部

Claims (12)

1. コンピュータが、
   サンプリングした入力データの各項目の標準偏差を求め、求めた各項目の標準偏差に基づいて入力データを前処理し、
   前処理した入力データに最も近いカテゴリーのプロトタイプを選択し、
   前記プロトタイプと前記入力データの関係から該選択されたプロトタイプが妥当であるかを評価し、
   複数項目からなる複数個の入力データを複数個のカテゴリーに分類することを特徴とするデータ分類方法。
2. 請求項１に記載のデータ分類方法において、
   前記評価によって該プロトタイプが妥当と判定された場合に、領域決定パラメータとプロトタイプの少なくとも一方を補正し、
   前記評価によって該プロトタイプが妥当と判定されなかった場合に、新しいプロトタイプを追加することを特徴とするデータ分類方法。
3. コンピュータが、自然界の複数個の入力データを予め設定した複数個のカテゴリーＢに分類するデータ分類方法であって、
   前記カテゴリーＢに関連するカテゴリーＡのプロトタイプと、カテゴリーＡの領域の大きさを規定する領域決定パラメータと、カテゴリーＡをカテゴリーＢに変換するためのカテゴリー対応マトリックスとを格納し、
   サンプリングした入力データの各項目の標準偏差を求め、求めた各項目の標準偏差に基づいて入力データを前処理し、
   前処理された入力データに最も近いカテゴリーＡのプロトタイプを選択し、該選択されたプロトタイプと前処理された入力データとの関係から該プロトタイプが妥当であるかを評価し、該プロトタイプが妥当と判定されなかった場合に、新しいプロトタイプを追加して前記プロトタイプの選択を繰り返し、該プロトタイプが妥当と判定された場合に、前記領域決定パラメータ又は前記プロトタイプ、及び前記カテゴリー対応マトリックスを補正し、
   補正されたカテゴリー対応マトリックスを用いて、前記選択されたカテゴリーＡをカテゴリーＢに変換することを特徴とするデータ分類方法。
4. 請求項３記載のデータ分類方法であって、
   前記カテゴリー対応マトリックスに選択されたカテゴリーＡと予め設定したカテゴリーＢの関係を追加するときに、選択したカテゴリーＡが既に別のカテゴリーＢに対応している場合、
   対応関係の追加を拒否し、前記カテゴリーＡのプロトタイプを、前記入力データから遠ざけるように補正し、該領域決定パラメータを、該領域決定パラメータが該カテゴリーＡのプロトタイプと該入力データの距離と等しくなるように補正することを特徴とするデータ分類方法。
5. コンピュータが、設備の運転データを入力し、請求項１に記載のデータ分類方法を実行し、
   前記データ分類方法により分類されたカテゴリーに基づき設備の状態を診断することを特徴とする設備の診断方法。
6. コンピュータが、設備の運転データを入力し、請求項３に記載のデータ分類方法を実行し、
   該設備の状態を教師パターンとして与え、設備の状態と該設備の運転データとの関係を前記データ分類装置により学習し、
   学習後の前記データ分類装置に未学習の運転データを入力し、該データ分類装置が出力したカテゴリーＢにより前記設備の状態を診断することを特徴とする診断方法。
7. 複数項目からなる複数個の入力データを複数個のカテゴリーに分類するデータ分類装置であって、
   サンプリングした入力データの各項目の標準偏差を求め、求めた各項目の標準偏差に基づいて入力データを前処理するデータ前処理手段と、
   前記データ前処理手段により処理した入力データに最も近いカテゴリーのプロトタイプを選択するプロトタイプ選択手段と、
   前記プロトタイプと前記入力データの関係から該プロトタイプが妥当であるかを評価するプロトタイプ評価手段とを有することを特徴とするデータ分類装置。
8. 請求項７に記載のデータ分類装置において、
   カテゴリーの前記プロトタイプと、カテゴリーの領域の大きさを規定する領域決定パラメータを格納する内部データ格納部と、
   プロトタイプを新規に作成するプロトタイプ追加手段と、
   前記領域決定パラメータと前記プロトタイプを補正することができる内部データ補正手段を有し、
   前記プロトタイプ評価手段では、プロトタイプが妥当と判定された場合に、前記内部データ補正手段により、当該領域決定パラメータと当該プロトタイプの少なくとも一方を補正し、プロトタイプが妥当と判定されなかった場合に、前記プロトタイプ追加手段により新しいプロトタイプを作成することを特徴とするデータ分類装置。
9. 複数項目からなる複数個の入力データを予め設定した複数個のカテゴリーＢに分類するデータ分類装置であって、
   前記カテゴリーＢに関連するカテゴリーＡのプロトタイプと、カテゴリーＡの領域の大きさを規定する領域決定パラメータを格納する内部データ格納部と、
   カテゴリーＡをカテゴリーＢに変換するためのカテゴリー対応マトリックスを格納するカテゴリー対応マトリックス格納部と、
   サンプリングした入力データの各項目の標準偏差を求め、求めた各項目の標準偏差に基づいて入力データを前処理するデータ前処理手段と、
   前記データ前処理手段により処理した入力データに最も近いカテゴリーＡのプロトタイプを選択するプロトタイプ選択手段と、
   前記プロトタイプと前記入力データの関係から該プロトタイプが妥当であるかを評価するプロトタイプ評価手段と、
   前記プロトタイプ評価手段で前記プロトタイプが妥当と判定されなかった場合に、カテゴリーＡのプロトタイプを新規に作成し、前記プロトタイプの選択を繰り返すプロトタイプ追加手段と、
   該プロトタイプが妥当と判定された場合に、前記領域決定パラメータ又は前記プロトタイプ、及び前記カテゴリー対応マトリックスを補正する内部データ及びマトリックス補正手段と、
   該プロトタイプが妥当と判定された場合に、前記選択されたカテゴリーＡを前記カテゴリー対応マトリックスを用いてカテゴリーＢに変換するカテゴリー変換手段を有することを特徴とするデータ分類装置。
10. 請求項９記載のデータ分類装置であって、
    前記内部データ及びマトリックス補正手段において、前記カテゴリー対応マトリックスに選択されたカテゴリーＡと予め設定したカテゴリーＢの関係を追加するときに、選択したカテゴリーＡが既に別のカテゴリーＢに対応している場合、対応関係の追加を拒否し、
    前記カテゴリーＡのプロトタイプを、前記入力データから遠ざけるように補正し、該領域決定パラメータを、前記領域決定パラメータが前記カテゴリーＡのプロトタイプと該入力データの距離と等しくなるように補正することを特徴とするデータ分類装置。
11. 設備の診断装置において、請求項６記載のデータ分類装置を有し、
    該設備の運転データを前記データ分類装置に入力し、分類されたカテゴリーに基づき設備の状態を診断することを特徴とする設備の診断装置。
12. 設備の診断装置において、
    請求項８記載のデータ分類装置を有し、
    該設備の状態を教師パターンとして与え、設備の状態と該設備の運転データとの関係を前記データ分類装置により学習し、
    学習後の前記データ分類装置に未学習の運転データを入力し、該データ分類装置が出力したカテゴリーＢにより機器の状態を診断することを特徴とする設備診断装置。

Images