JP2014026327A - 実稼働データによる機器の状態診断装置 - Google Patents

Abstract

【課題】基準モデルの統計的信頼度を高める。診断対象機器の異常の兆候を早期に知る。
【解決手段】指定された診断対象機器と同タイプかつ同一業界で使用されている複数の機器から収集された実稼働データに基づいて基準モデル（業界モデル（変化特性Ｉ））を生成する。指定された診断対象機器から収集された実稼働データに基づいて診断対象モデル（変化特性Ｖ）を生成する。診断対象モデル（変化特性Ｖ）と業界モデル（変化特性Ｉ）に対する許容範囲モデル（変化特性II，III）とを比較し、その比較結果に基づいて診断対象機器の状態を診断する。具体的には、診断対象モデルのモデル係数ＡＸ１を求め、業界モデルＧ１のモデル式の係数ＡＧ１に対する許容範囲±αとを比較し、ＡＸ１が許容範囲±αから外れた場合、診断対象機器が特殊な状態にあると判断する。
【選択図】 図５

Description

この発明は、診断対象機器として指定された機器の状態をその機器からの実稼働データに基づいて診断する実稼働データによる機器の状態診断装置に関するものである。

従来より、この種の実稼働データによる機器の状態診断装置として、工場や建物などで使用される燃料電池発電装置の状態を診断する装置がある。

例えば、特許文献１に示された燃料電池発電装置の状態を診断する装置では、燃料ガスと酸化剤ガスとから電力を発生させる燃料電池セルの初期電圧をＥ０とし、積算発電時間をＴとした場合、複数の積算発電時間Ｔｎで計測されるセル電圧Ｅ（Ｔｎ）から、下記のモデル式（（１）式）を用いて、初期電圧Ｅ０とモデル式の係数Ａを計算し、モデル式の係数Ａが所定の範囲を超えて変化すると、装置が適正な状態にないと判断するようにしている。
Ｅ（Ｔｎ）＝Ｅ０−Ａｌｎ（Ｔｎ） ・・・・(１)

例えば、図６に示されたセル電圧の変化特性を用いて説明すると、積算発電時間がＴｎ＝１０００時間のｔ１点では、Ｅ（Ｔｎ）＝０．７５Ｖとして電圧が計測されている。積算発電時間がＴｎ＝２０００時間のｔ２点では、Ｅ（Ｔｎ）＝０．７４５Ｖとして電圧が計測されている。これらの数値を上記（１）式に代入して計算すると、初期電圧Ｅ０は０．７９９８Ｖ、モデル式の係数Ａは０．００７２と計算される。

ここで、積算発電時間がＴｎ＝３０００時間のｔ３点での電圧がＥ（Ｔｎ）＝０．７４２Ｖであれば、Ｔｎ＝１０００時間の時の数値とＴｎ＝３０００時間の時の数値とを用いて計算される初期電圧Ｅ０は０．８００３Ｖ、モデル式の係数Ａは０．００７３となる。この場合、モデル式の係数Ａは、Ｔｎ＝２０００時間の時に計算した値と殆ど変わらず、装置は適正な状態にある（正常な状態にある）と判断される。

これに対して、積算発電時間がＴｎ＝３０００時間のｔ３点での電圧がＥ（Ｔｎ）＝０．７４Ｖであれば、Ｔｎ＝１０００時間の時の数値とＴｎ＝３０００時間の時の数値とを用いて計算される初期電圧Ｅ０は０．８１１８Ｖ、モデル式の係数Ａは０．００８９となる。この場合、モデル式の係数Ａは、Ｔｎ＝２０００時間の時に計算した値に対して大きく変化しており、装置は適正な状態にない（特殊な状態にある）と判断される。

また、実稼働データによる機器の状態診断装置の別の例として、例えば特許文献２には、複数の装置を対象とした異常監視装置が示されている。この特許文献２に示された異常監視装置では、類似の複数（Ｋ＋１）の装置（同タイプの装置）を処理対象として、装置毎の状態を複数のセンサで計測して得られる当該装置各々の複数のデータ項目に基づいて、複数（Ｋ＋１）の装置のうち少なくとも１つの装置の状態の異常を監視する。複数（Ｋ＋１）の装置のうち、１つの第１の装置が監視の対象となり、それと類似する他の複数の第２の装置が第１の装置の監視のための第１のモデルを生成するための対象となり、第１のステップで、複数（Ｋ）の第２の装置各々における正常時の複数のデータ項目に基づき作成される個別の第２の装置専用の複数（Ｋ）のモデルに基づき、第１の装置専用の第１のモデルを生成し、第２のステップで、所定時間単位で、第１の装置からの複数のデータ項目を入力し、第１のモデルを用いて、第１の装置の状態の異常を監視する。

この異常監視装置において、第１のステップは、複数（Ｋ）の装置各々の複数のデータ項目を回帰分析における目的変数とそれ以外の１つ以上の説明変数とに統計的に分類するステップと、複数（Ｋ）の第２の装置各々の個別のモデルとしての複数（Ｋ）の回帰モデルを作成するステップと、複数（Ｋ）の回帰モデルの係数及び切片を当該装置各々の特徴項目値などから予測する類似装置共通のメタ予測モデルを作成するステップと、メタ予測モデルに第１の装置の特徴項目値などを入力して当該装置専用の第１のモデルとしての回帰モデルの係数及び切片を生成するステップとを有する。

第２のステップは、第１の装置専用の第１のモデルに第１の装置の複数のデータ項目における説明変数を入力して目的変数の予測値を計算するステップと、目的変数の実測値と当該予測値との間における乖離度を計算するステップと、乖離度としきい値とを比較することで第１の装置の異常を検知するステップとを有する。

特開２００８−９８０７６号公報 特開２０１０−２８７０１１号公報

特許文献１に示された装置では、燃料電池発電装置を診断対象機器としているが、同様の診断手法を用いて熱源機器などの状態の診断も可能である。この場合も、燃料電池発電装置と同様、機器の状態の変化特性を示すモデル式の係数の変化から診断対象機器が特殊な状態にあるか否かを判断することにより、不可逆的なダメージを受ける前に早期に機器の異常を検出することができる。すなわち、機器の異常の兆候を早期に知ることができる。

この特許文献１に示された診断手法では、実験データに基づいて、機器の基本的な状態の変化特性を示す基準モデルを生成し、この基準モデルのモデル式の係数に対して許容範囲を定め、実稼働データから得られるモデル式の係数が基準モデルのモデル式の係数に対して定められた許容範囲にあるか否かにより、診断対象機器が特殊な状態にあるか否かを判断するようにしているものと考えられる。

しかしながら、工場や建物などで使用される燃料電池発電装置や熱源機器という設備機器のように、大型でかつ少量生産の機器は、実用環境に近い条件の実験環境を用意することが困難であり、また実験サンプル自体を豊富に用意することも困難である。このため、豊富な実験データを収集することができず、基準モデルの統計的信頼度を高めることができない。

また、特許文献１に示された診断手法は、バルブや発信器というようなフィールド機器へも適用することが可能であるが、このようなフィールド機器はもともと長期間（１５年程度）使用されるものであり、劣化や故障による明確な異常の兆候が短期間では現れない。このたため、診断対象機器をフィールド機器とするような場合にも、限られた実験サンプルを使用し、短期間で、豊富な実験データを収集することが困難であり、基準モデルの統計的信頼度を高めることができない。

また、特許文献２に示された装置では、複数（Ｋ＋１）の装置のうち、１つの第１の装置を監視の対象（診断対象機器）とし、それと類似する他の複数の第２の装置を第１の装置の監視のための第１のモデルを生成するための対象とし、この対象からの正常時のデータから第１のモデルを生成している。すなわち、診断対象機器と類似する他の複数の機器からの正常時のデータから基準モデルを生成している。これにより、基準モデルを生成する際のデータ数が増大し、基準モデルの統計的信頼度が高められる。

しかしながら、この特許文献２に示された装置では、基準モデルに診断対象機器の複数のデータ項目における説明変数を入力して目的変数の予測値を計算し、この計算した予測値と実測値との間における乖離度を計算し、この計算した乖離度としきい値とを比較することで診断対象機器の異常を検知するようにしている。このため、実測値を得た段階での異常の有無を検知することは可能であるが、異常の兆候を早期に知ることはできない。

また、特許文献２に示された装置では、診断対象機器と類似する他の複数の機器からのデータから基準モデルを生成するようにしているが、診断対象機器と類似する他の複数の機器の使用条件については考慮されていない。すなわち、診断対象機器と類似する機器であっても、その機器が置かれる産業システムや設備が運用される業界の違いによって機器の稼働パターンが異なり、その稼働パターンの違いが生成される基準モデルに影響を及ぼすにも拘わらず、全ての類似する他の機器からのデータを使用して基準モデルを生成しているため、基準モデルの統計的信頼度が低下し、診断の精度が落ちる。

本発明は、このような課題を解決するためになされたもので、その目的とするところは、基準モデルの統計的信頼度を高めるとともに、診断対象機器の異常の兆候を早期に知ることが可能な実稼働データによる機器の状態診断装置を提供することにある。

このような目的を達成するために本発明は、診断対象機器として指定された機器の状態をその機器からの実稼働データに基づいて診断する実稼働データによる機器の状態診断装置において、実稼働中の機器から実稼働データを収集する実稼働データ収集手段と、指定された診断対象機器と同タイプかつ同一業界で使用されている複数の機器から収集された実稼働データに基づいて診断対象機器と同タイプかつ同一業界の機器群の総合的な状態の変化特性を示す基準モデルを生成する基準モデル生成手段と、基準モデル生成手段によって生成された基準モデルに対して正常状態として許容される範囲を示す許容範囲モデルを生成する許容範囲モデル生成手段と、指定された診断対象機器から収集された実稼働データに基づいて当該診断対象機器の現在の状態の変化特性を示す診断対象モデルを生成する診断対象モデル生成手段と、診断対象モデル生成手段によって生成された診断対象モデルと許容範囲モデル生成手段によって生成された基準モデルに対する許容範囲モデルとを比較し、その比較結果に基づいて診断対象機器の状態を診断する機器状態診断手段とを備えることを特徴とする。

この発明によれば、指定された診断対象機器と同タイプかつ同一業界で使用されている複数の機器から収集された実稼働データに基づいて基準モデルが生成され、この基準モデルに対して許容範囲モデルが生成される。また、指定された診断対象機器から収集された実稼働データに基づいて診断対象モデルが生成される。そして、この生成された診断対象モデルと基準モデルに対する許容範囲モデルとが比較され、その比較結果に基づいて診断対象機器の状態が診断される。

例えば、本発明において、基準モデル生成手段は、基準モデルのモデル式の係数を生成し、許容範囲モデル生成手段は、基準モデルのモデル式の係数に対する許容範囲を生成し、診断対象モデル生成手段は、診断対象モデルのモデル式の係数を生成し、機器状態診断手段は、診断対象モデル生成手段によって生成された診断対象モデルのモデル式の係数と許容範囲モデル生成手段によって生成された基準モデルのモデル式の係数に対する許容範囲とを比較し、その比較結果に基づいて診断対象機器の状態を診断する。

本発明によれば、診断対象機器と同タイプかつ同一業界で使用されている複数の機器から収集された実稼働データに基づいて基準モデルが生成されるので、稼働パターンが類似する実稼働データから基準モデルが生成されるものとなり、基準モデルの統計的信頼度が高められる。
また、本発明によれば、診断対象モデルと基準モデルに対する許容範囲モデルとを比較することにより、診断対象モデルのモデル式の係数が基準モデルのモデル式の係数に対する許容範囲から外れていれば特殊な状態にあると判断するなどして、診断対象機器の異常の兆候を早期に知ることが可能となる。

本発明に係る実稼働データによる機器の状態診断装置を用いた診断システムの一実施の形態の要部を示す図である。 この診断システムにおける実稼働データによる機器の状態診断装置（機器状態診断装置）の機能ブロック図である。 機器Ｘ２，Ｘ３の実稼働データから生成された業界モデルＧ１（変化特性Ｉ）およびこの業界モデルＧ１に対する許容範囲モデル（変化特性II，III）を例示する図である。 診断対象機器Ｘ１の積算発電時間Ｔｎが７００時間に達した時点の診断対象モデル（変化特性IV）を例示する図である。 診断対象機器Ｘ１の積算発電時間Ｔｎが１５００時間に達した時点の診断対象モデル（変化特性Ｖ）を例示する図である。 特許文献１における燃料電池発電装置の状態の診断手法を説明する図である。

以下、本発明の実施の形態を図面に基づいて詳細に説明する。図１はこの発明に係る実稼働データによる機器の状態診断装置を用いた診断システムの一実施の形態の要部を示す図である。

図１において、１００は本発明に係る実稼働データによる機器の状態診断装置（以下、機器状態診断装置と呼ぶ）、２００は機器状態診断装置１００によって診断される機器である。機器２００はネットワーク３００を介して機器状態診断装置１００に接続されている。

なお、図１において、機器２００は同一タイプの機器であるものとする。この実施の形態では、機器２００を燃料電池発電装置とし、全てその型番が同じであるものとする。また、図１には機器２００として機器Ｘ１〜Ｘ６しか示していないが、実際にはさらに多くの機器Ｘが存在する。

また、この実施の形態では、説明を簡単とするために、業界Ｇ１を半導体業界、業界Ｇ２を商業ビル業界とし、業界Ｇ１において機器Ｘ１，Ｘ２，Ｘ３が使用され、業界Ｇ２において機器Ｘ４，Ｘ５，Ｘ６が使用されているものとする。この例では、業界Ｇ１として半導体業界、業界Ｇ２として商業ビル業界を挙げたが、他にも公共設備業界などさらに多くの業界Ｇが存在する。

機器状態診断装置１００は、プロセッサや記憶装置からなるハードウェアと、これらのハードウェアと協働して各種機能を実現させるプログラムとによって実現される。このプログラムは、例えばＣＤ−ＲＯＭなどの記録媒体に記録された状態で提供され、この記録媒体から読み出されてハードディスクなどの記憶装置にインストールされている。

図２に機器状態診断装置１００の機能ブロック図を示す。機器状態診断装置１００は、実稼働データ収集部１と、基準モデル生成部２と、許容範囲モデル生成部３と、診断対象モデル生成部４と、機器状態診断部５と、データベース部６とを備えている。

この機器状態診断装置１００において、実稼働データ収集部１は、ネットワーク３００を介して、実稼働中の機器２００から実稼働データを定期的に収集し、データベース部６に格納する。この例では、機器２００の実稼働データとして積算発電時間Ｔｎとセル電圧Ｅ（Ｔｎ）を収集し、業界別に分類してデータベース部６に格納する。

基準モデル生成部２は、データベース部６にアクセスし、指定された診断対象機器と同タイプかつ同一業界で使用されている複数の機器２００から収集された実稼働データに基づいて、診断対象機器と同タイプかつ同一業界の機器群の総合的な状態の変化特性を示す基準モデルを生成する。

許容範囲モデル生成部３は、基準モデル生成部２によって生成された基準モデルに対して正常状態として許容される範囲を示す許容範囲モデルを生成する。
診断対象モデル生成部４は、データベース部６にアクセスし、指定された診断対象機器から収集された実稼働データに基づいて当該診断対象機器の現在の状態の変化特性を示す診断対象モデルを生成する。

機器状態診断部５は、オペレータからの診断対象機器の指定を受け、その指定された診断対象機器を基準モデル生成部２および診断対象モデル生成部４に伝えるともに、診断対象モデル生成部４によって生成された診断対象モデルと許容範囲モデル生成部３によって生成された基準モデルに対する許容範囲モデルとを比較し、その比較結果に基づいて診断対象機器の状態を診断する。

次に、基準モデル生成部２、許容範囲モデル生成部３、診断対象モデル生成部４および機器状態診断部５の詳細な機能について、具体例を挙げて説明する。

機器状態診断部５は、例えば診断対象機器をＸ１として、オペレータからの指定を受けると、この指定された診断対象機器Ｘ１を基準モデル生成部２および診断対象モデル生成部４に伝える。

基準モデル生成部２は、機器状態診断部５からの診断対象機器Ｘ１の指定を受けると、データベース部６にアクセスし、診断対象機器Ｘ１が属する業界Ｇ１の診断対象機器Ｘ１を除く他の機器２００の実稼働データを取得する。この例では、機器Ｘ２，Ｘ３の実稼働データを取得する。

そして、基準モデル生成部２は、その取得した機器Ｘ２，Ｘ３の実稼働データから診断対象機器Ｘ１と同タイプかつ同一業界の機器群の総合的な状態の変化特性を示す基準モデルを生成する。この例では、機器Ｘ２，Ｘ３の実稼働データとして取得した複数の積算発電時間Ｔｎとセル電圧Ｅ（Ｔｎ）から、前述した（１）式で示されるモデル式を作成し、この作成したモデル式を基準モデルのモデル式とし、このモデル式の係数ＡをＡＧ１として求める。以下、機器Ｘ２，Ｘ３の実稼働データから生成された基準モデルを業界モデルＧ１と呼ぶ。

図３に機器Ｘ２，Ｘ３の実稼働データから生成された業界モデルＧ１（変化特性Ｉ）を例示する。機器Ｘ２の実稼働データは比較的短期間蓄積されており、機器Ｘ３の実稼働データは比較的長期間蓄積されている。機器Ｘ２，Ｘ３は機器Ｘ１と同一の業界Ｇ１に属しており、その実稼働データは稼働パターンが類似している。この類似する実稼働データを基準モデルの元データとして利用して統計処理することにより、蓄積期間の不足やデータのばらつきの影響を改善し、基準モデルの統計的信頼度を高め、正確な診断を行うことが可能となる。

基準モデル生成部２で生成された業界モデルＧ１のモデル式の係数ＡＧ１は許容範囲モデル生成部３に送られる。許容範囲モデル生成部３は、基準モデル生成部２からの業界モデルＧ１のモデル式の係数ＡＧ１より、業界モデルＧ１に対して正常状態として許容される許容範囲を示す許容範囲モデルを生成する。この例では、業界モデルＧ１のモデル式の係数ＡＧ１に対して、許容範囲±αを定める。図３に業界モデルＧ１に対して生成される許容範囲モデル（変化特性II，III）を例示する。この業界モデルＧ１のモデル式の係数ＡＧ１および許容範囲±αは機器状態診断部５へ送られる。

診断対象モデル生成部４は、機器状態診断部５からの診断対象機器Ｘ１の指定を受けると、データベース部６にアクセスし、診断対象機器Ｘ１の実稼働データを取得し、この取得した診断対象機器Ｘ１の実稼働データから診断対象機器Ｘ１の現在の状態の変化特性を示す診断対象モデルを生成する。この例では、機器Ｘ１の実稼働データとして取得した複数の積算発電時間Ｔｎとセル電圧Ｅ（Ｔｎ）から、前述した（１）式で示されるモデル式を作成し、この作成したモデル式を診断対象モデルのモデル式とし、このモデル式の係数ＡをＡＸ１として求める。この診断対象モデルのモデル式の係数ＡＸ１は機器状態診断部５へ送られる。

機器状態診断部５は、診断対象モデル生成部４からの診断対象モデルのモデル式の係数ＡＸ１と許容範囲モデル生成部３からの業界モデルＧ１のモデル式の係数ＡＧ１および許容範囲±αを入力とし、診断対象モデルのモデル式の係数ＡＸ１と業界モデルＧ１のモデル式の係数ＡＧ１に対する許容範囲±αとを比較する。

ここで、診断対象モデルのモデル式の係数ＡＸ１が業界モデルＧ１のモデル式の係数ＡＧ１に対する許容範囲±αの間にあれば、機器状態診断部５は、診断対象機器Ｘ１は正常な状態にあると判断し、その判断結果（診断結果）を出力する。これに対し、診断対象モデルのモデル式の係数ＡＸ１が業界モデルＧ１のモデル式の係数ＡＧ１に対する許容範囲±αから外れていれば、機器状態診断部５は、診断対象機器Ｘ１が正常な状態以外の特殊な状態（劣化、破損など）にあると判断し、その判断結果（診断結果）を出力する。

図４に診断対象機器Ｘ１の積算発電時間Ｔｎが７００時間に達した時点の診断対象モデル（変化特性IV）を示す。この診断対象モデル（変化特性IV）は業界モデルＧ１に対する許容範囲モデル（変化特性II，III）の範囲内（信頼区間内）にあるので、診断対象モデルのモデル式の係数ＡＸ１が業界モデルＧ１のモデル式の係数ＡＧ１に対する許容範囲±αの間に入り、正常な状態にあると判断される。

図５に診断対象機器Ｘ１の積算発電時間Ｔｎが１５００時間に達した時点の診断対象モデル（変化特性Ｖ）を示す。この診断対象モデル（変化特性Ｖ）は業界モデルＧ１に対する許容範囲モデル（変化特性II，III）の範囲外（信頼区間外）にあるので、診断対象モデルのモデル式の係数ＡＸ１が業界モデルＧ１のモデル式の係数ＡＧ１に対する許容範囲±αから外れ、劣化や破損などの虞がある特殊な状態であると判断される。

このようにして、本実施の形態では、モデル式の係数Ａを用いて特殊な状態であるか否かを診断することにより、不可逆的なダメージを受ける前に、診断対象機器Ｘ１の異常の兆候を知ることが可能となる。

なお、参考として、図４および図５中に、業界Ｇ２で使用される機器Ｘ５，Ｘ６の実稼働データから生成される業界モデルＧ２（変化特性VI）を示す。業界Ｇ１とＧ２とでは同一タイプの機器２００でも使用条件が異なるため、その実稼働データから生成される基準モデル、すなわち業界モデルＧ１，Ｇ２は異なるものとなる。業界Ｇ２における機器Ｘ４を診断対象機器とする場合には、この業界モデルＧ２（変化特性VI）に対して定められる許容範囲モデルを用いて、上述した業界Ｇ１における機器Ｘ１と同様にして診断が行われる。

なお、上述した実施の形態では、機器２００を燃料電池発電装置としたが、バルブや発信器というようなフィールド機器や熱源機器などの設備機器を機器２００としてもよい。このような機器は、設備保全の対象として遠隔監視システムが普及し始めている。遠隔監視のオペレータはフィールド機器や設備機器のユーザではなく、ユーザ企業から見れば外部組織に相当する企業のオペレータであるケースが多い。この背景として、設備機器は半導体製造装置のようなメインプロセス装置ではなく、またフィールド機器は設備機器に付属するケースが多く、運用データの営業機密性が高くないという特徴がある。また、異なる多くの企業で使用されている多くの機器を対象に、一定の遠隔監視者が一定のアルゴリズムによってデータ収集できるので、統計的信頼度を高めるだけの豊富なデータを収集することが可能である。このようなフィールド機器や設備機器などの特徴を利用し、遠隔間監視データを活用することにより、基準モデルを生成する際のデータ数が増大させて、基準モデルの統計的信頼度を高めることができる。

また、異なる多くの企業で使用されている機器は、全てがほゞ同等の条件で使用されているとは限らない。しかし、営業機密性が高くないというフィールド機器や設備機器の特徴に関連して、これらの機器は個々の企業に固有の条件，状態で使用されるということは少なく、業界毎に分類すれば概ね同等の条件に整いやすい。例えば、景気の影響を受けて稼働率が上下する傾向や、設備の使用目的（用途、対象）は、いわゆる「業界標準」が基本になる。したがって、同じタイプの機器であっても、運用データを業界別に分類して、業界別に統計解析的手法のデータとして活用することで、基準モデルの統計的信頼度を高めることができる。例えば、フィールド機器であれば、石油、化学、鉄鋼、水（浄水場）などのような分類がある。例えば、設備機器であれば、半導体、食品、プラスチック、医薬品などの分類がある。

また、上述した実施の形態では、例えば、業界モデルＧ１のモデル式の係数ＡＧ１を求め、この業界モデルＧ１のモデル式の係数ＡＧ１に対する許容範囲±αを定め、診断対象モデルのモデル式の係数ＡＸ１を求め、診断対象モデルのモデル式の係数ＡＸ１と業界モデルＧ１のモデル式の係数ＡＧ１に対する許容範囲±αとを比較することによって、診断対象機器Ｘ１の状態を診断するようにしたが、必ずしもこのようなモデル式の係数を用いる方法をとらなくてもよい。すなわち、業界モデルＧ１に対する許容範囲モデル（変化特性II，III）と診断対象モデルの変化特性（変化特性IV，Ｖ）とを画面上で比較するなどして、診断対象機器Ｘ１の状態を診断するようにしてもよい。

また、上述した実施の形態では、機器状態診断部５に対して診断対象機器のみを指定するようにしたが、診断対象機器と合わせて業界についても指定するようにしてもよい。

〔実施の形態の拡張〕
以上、実施の形態を参照して本発明を説明したが、本発明は上記の実施の形態に限定されるものではない。本発明の構成や詳細には、本発明の技術思想の範囲内で当業者が理解し得る様々な変更をすることができる。また、各実施の形態については、矛盾しない範囲で任意に組み合わせて実施することができる。

１…実稼働データ収集部、２…基準モデル生成部、３…許容範囲モデル生成部、４…診断対象モデル生成部、５…機器状態診断部、１００…実稼働データによる機器の状態診断装置（機器状態診断装置）、２００（Ｘ１〜Ｘ６）…機器、３００…ネットワーク。

Claims (2)

1. 診断対象機器として指定された機器の状態をその機器からの実稼働データに基づいて診断する実稼働データによる機器の状態診断装置において、
   実稼働中の機器から実稼働データを収集する実稼働データ収集手段と、
   前記指定された診断対象機器と同タイプかつ同一業界で使用されている複数の機器から収集された実稼働データに基づいて前記診断対象機器と同タイプかつ同一業界の機器群の総合的な状態の変化特性を示す基準モデルを生成する基準モデル生成手段と、
   前記基準モデル生成手段によって生成された基準モデルに対して正常状態として許容される範囲を示す許容範囲モデルを生成する許容範囲モデル生成手段と、
   前記指定された診断対象機器から収集された実稼働データに基づいて当該診断対象機器の現在の状態の変化特性を示す診断対象モデルを生成する診断対象モデル生成手段と、
   前記診断対象モデル生成手段によって生成された診断対象モデルと前記許容範囲モデル生成手段によって生成された前記基準モデルに対する許容範囲モデルとを比較し、その比較結果に基づいて前記診断対象機器の状態を診断する機器状態診断手段と
   を備えることを特徴とする実稼働データによる機器の状態診断装置。
2. 請求項１に記載された実稼働データによる機器の状態診断装置において、
   前記基準モデル生成手段は、
   前記基準モデルのモデル式の係数を生成し、
   前記許容範囲モデル生成手段は、
   前記基準モデルのモデル式の係数に対する許容範囲を生成し、
   前記診断対象モデル生成手段は、
   前記診断対象モデルのモデル式の係数を生成し、
   前記機器状態診断手段は、
   前記診断対象モデル生成手段によって生成された診断対象モデルのモデル式の係数と前記許容範囲モデル生成手段によって生成された前記基準モデルのモデル式の係数に対する許容範囲とを比較し、その比較結果に基づいて前記診断対象機器の状態を診断する
   ことを特徴とする実稼働データによる機器の状態診断装置。

Images