JP2016157206A - 予兆診断システム、予兆診断方法および予兆診断装置 - Google Patents

Abstract

【課題】機器の点検時期を適切に予測し診断することができる予兆診断システムを提供する。
【解決手段】予兆診断システム１００は、点検の対象機器１０および対象機器と同種の複数の同種機器１１の計測値の累積データから特徴量を抽出したクラスタ集合を生成するクラスタ集合生成手段（クラスタ集合生成部２２）と、生成したクラスタ集合と対象機器の計測値とに基づき、異常度を算出する異常度計算手段（異常度計算部２３）と、算出された異常度に基づいて対象機器の点検時期の予測に用いるクラスタをクラスタ集合から選択するクラスタ選択手段（クラスタ選択部２４）と、選択したクラスタに基づいて対象機器の機器状態の予測値を算出し、予測値と所定閾値に基づいて対象機器の点検時期を予測する点検時期予測手段（点検時期予測部２５）とを有する。
【選択図】図１

Description

本発明は、機器の点検時期を提示する予兆診断システム、予兆診断方法および予兆診断装置に関する。

機器に搭載されたセンサで計測した状態計測データに基づいて機器状態を推定し、機器状態に応じて点検時期を設定する状態監視保全の導入が進んでいる。例えば、特許文献１には、類似度と異常有無に基づいて学習データに追加する観測データを取捨選択し、ほぼ正常事例からなる学習データと観測データの乖離度に基づいて、異常要素を特定する異常検知方法が記載されている。

特開２０１０−１９１５５６号公報

しかしながら、特許文献１に記載された異常検知方法では、誤診断を防止するために検知対象の機器に対応した学習データを予め用意する必要がある。このため、使用状況、環境の変化、保守作業（調整・交換）によって検知対象の機器の特性が変化し、学習データの再構築が必要になった場合、再構築が完了するまでの学習データが不十分な期間において、診断精度を向上させるために、更なる改善の余地がある。

本発明は、前記の課題を解決するための発明であって、機器の点検時期を適切に予測し診断することができる予兆診断システム、予兆診断方法および予兆診断装置を提供することを目的とする。

前記目的を達成するため、本発明の予兆診断システムは、点検の対象機器および対象機器と同種の複数の同種機器（例えば、同種機器１１）の計測値の累積データから特徴量を抽出したクラスタ集合を生成するクラスタ集合生成手段（例えば、クラスタ集合生成部２２）と、生成したクラスタ集合と対象機器の計測値とに基づき、異常度を算出する異常度計算手段（例えば、異常度計算部２３）と、算出された異常度に基づいて対象機器の点検時期の予測に用いるクラスタをクラスタ集合から選択するクラスタ選択手段（例えば、クラスタ選択部２４）と、選択したクラスタに基づいて対象機器の機器状態の予測値を算出し、予測値と所定閾値に基づいて対象機器の点検時期を予測する点検時期予測手段（例えば、点検時期予測部２５）とを有することを特徴とする。本発明のその他の態様については、後記する実施形態において説明する。

本発明によれば、機器の点検時期を適切に予測し診断することができる。

実施形態１に係る予兆診断システムの構成を示すブロック図である。 クラスタ集合生成部、異常度計算部で用いるクラスタを示す説明図である。 クラスタ集合生成部の学習期間に応じてクラスタ集合の生成処理を示すフローチャートである。 異常度計算部で用いる診断対象データの異常度計算方法を示す説明図である。 クラスタ選択部のクラスタの選択処理を示すフローチャートである。 点検時期予測部の予測値による点検時期の予測方法を示す説明図である。 点検時期予測部の予測した点検時期の表示処理を示すフローチャートである。 対象機器が属するシステムの点検対象の有無を示す表示例である。 点検対象の機器の点検予定日などの情報を示す表示例である。 点検対象の機器の時系列グラフを示す表示例である。 同種機器の時系列グラフを示す表示例である。 同種機器の点検履歴情報を示す表示例である。 実施形態２に係る異常度に応じてクラスタを選択／決定処理を示すフローチャートである。 実施形態３に係る予測誤差に応じてクラスタを選択／決定処理を示すフローチャートである。 実施形態３に係る対象機器の時系列グラフの他の例を示す表示例である。 実施形態３に係る予測誤差および保守作業実施の有無に応じてクラスタを選択／決定処理を示すフローチャートである。 比較例の異常検知方法を示すフローチャートである。 本実施形態の点検時期予測方法の概要を示すフローチャートである。 図１３に係る対象機器のクラスタが選択される条件を示す説明図である。 図１３に係る最小異常度のクラスタが選択される条件を示す説明図である。 図１３に係る時系列グラフが表示される条件を示す説明図である。

本発明を実施するための実施形態について、適宜図面を参照しながら詳細に説明する。
<<実施形態１>>
図１は、実施形態１に係る予兆診断システムの構成を示すブロック図である。図１に示す予兆診断システム１００（予兆診断装置）は、対象機器１０と、対象機器１０と同種の複数の同種機器１１に備わるセンサによって計測された機器の動作状態を示す状態計測データ（計測値）を入力として、対象機器１０の点検時期を予測し、表示部４２に表示するものである。

対象機器として、例えば、鉄道車両のドアがある。鉄道車両のドアの場合、故障が発生すると車両の稼働率が低下し、故障が生じないように点検周期を短くすると保守コストが増加する課題がある。以下に説明する本実施形態の予兆診断システムを適用した場合、ドアの状態（開閉時間）の傾向から適切な点検時期を予測することができ、結果として車両の稼働率向上と保守コスト削減の両立が可能となる。

予兆診断システム１００は、処理部２０、記憶部３０、入力部４１（入力手段）、表示部４２（表示手段）、通信部４３を有している。処理部２０は、表示部４２にグラフなどを表示する処理をする表示処理部２１、対象機器１０および対象機器と同種の複数の同種機器１１の計測値の累積データから特徴量を抽出したクラスタ集合を生成するクラスタ集合生成部２２（クラスタ集合生成手段）、対象機器１０の計測値とクラスタ集合生成部２２において生成したクラスタ集合を用いて、対象機器１０の計測値が属するクラスタを判定するための異常度を計算する異常度計算部２３（異常度計算手段）、異常度計算部２３で求めた異常度に基づいて対象機器１０の点検時期の予測に用いるクラスタを選択するクラスタ選択部２４（クラスタ選択手段）、クラスタ選択部２４で選択したクラスタを用いて対象機器１０の点検時期の予測を行う点検時期予測部２５（点検時期予測手段）を有している。

記憶部３０には、対象機器１０および同種機器１１の計測値情報３１、クラスタ集合生成部２２で生成されたクラスタ集合情報３２、異常度計算部２３で算出されたクラスタ毎の異常度情報３３、点検対象の有無情報３４（図８参照）、対象機器１０の点検予定情報３５（図９参照）、対象機器１０の機器状態情報３６（図１０参照）、同種機器１１の機器状態情報３７（図１１参照）、同種機器１１の点検履歴情報３８（図１２参照）などが記憶されている。

ここで、処理部２０は、例えば、マイクロプロセッサなどの演算処理装置であり、記憶部３０は半導体メモリ、ハードディスク装置などの記憶装置である。入力部４１はキーボード、マウスなどの入力装置であり、表示部４２は、液晶表示装置など表示装置である。表示処理部２１、クラスタ集合生成部２２（クラスタ集合生成手段）、異常度計算部２３（異常度計算手段）、クラスタ選択部２４（クラスタ選択手段）、点検時期予測部２５（点検時期予測手段）のそれぞれの機能は、前記の演算処理装置が記憶装置に記憶された所定のプログラムを実行することにより実現される。

（クラスタ集合生成部）
クラスタ集合生成部２２は、前述したように、対象機器１０および対象機器１０と同種の複数の同種機器１１の計測値に基づいて複数個のクラスタから成るクラスタ集合を生成する。クラスタを生成する際には、特徴量を用いて生成する。特徴量は計測可能であり、機器状態および機器状態の大小に影響する因子が使用される。例えば、対象機器が前記鉄道車両のドアの場合、特徴量として開閉時間と温度がある。開閉時間は、本実施形態において予測したい機器状態および特徴量であり、温度は開閉時間の長短を決定する特徴量の１つである。

図２は、クラスタ集合生成部、異常度計算部で用いるクラスタを示す説明図である。図２を参照して、個々のクラスタの構成の一例を説明する。図２に示すように個々のクラスタＣは、クラスタＣのクラスタ中心Ｗ、クラスタＣの範囲を示すクラスタ半径Ｒによって規定される。クラスタ中心Ｗは、例えばそのクラスタに属する計測値Ｍの重心を用いる。

また、クラスタ半径Ｒは、例えばそのクラスタに属する計測値Ｍの中で、クラスタ中心Ｗから最も離れた計測値Ｍまでの誤差距離Ｌとする。また、クラスタ中心Ｗからそのクラスタに属する計測値Ｍまでの誤差距離Ｌの平均値と、そのクラスタに属する計測値Ｍの標準偏差σを求め、誤差距離Ｌの平均値に２σ、３σなどを加算したものをクラスタ半径Ｒとしてもよい。

図３は、クラスタ集合生成部の学習期間に応じてクラスタ集合の生成処理を示すフローチャートである。図３を参照して、クラスタ集合生成部２２におけるクラスタ集合の生成方法の一例を説明する。クラスタ集合生成部２２は、予め設定した目標期間に対して対象機器１０の計測値の学習期間が長いか否かを判定し（ステップＳ３０１）、長い場合は（ステップＳ３０１，Ｙｅｓ）、後述する点検時期の予測に必要な計測値の取得が十分であると判断して、対象機器１０を含むクラスタ集合を生成し（ステップＳ３０２）、処理を終了する。一方、クラスタ集合生成部２２は、ステップＳ３０1で予め設定した目標期間に対して対象機器１０の計測値の学習期間が長くない場合（短い場合：ステップＳ３０１，Ｎｏ）、後述する点検時期の予測に必要な計測値の取得が不十分であると判断して対象機器１０を除くクラスタ集合を生成し（ステップＳ３０３）、処理を終了する。

ここで、比較例と本実施形態との差異について説明する。
図１７は、比較例の特許文献１における異常検知方法を示すフローチャートである。比較例の異常検知方法では、誤診断を防止するために検知対象の機器に対応した学習データを予め用意する必要がある。このため、使用状況、環境の変化、保守作業（調整・交換）によって検知対象の機器の特性が変化し、学習データの再構築が必要になった場合、ステップＳ１７０１において再構築に必要な予め設定した目標期間に対して学習期間が短い、つまり学習が不十分な場合であっても、ステップＳ１７０２にて異常検知処理を行うため、誤診断が増加する恐れがあった。

図１８は、本実施形態の点検時期予測方法の概要を示すフローチャートである。図１７に示す比較例の場合、対象機器のみの学習データを保有するのに対して、本実施形態では、対象機器１０と同種の複数の同種機器１１の学習データを保有している。そのため、ステップＳ１８０１において対象機器の学習期間が予め設定した目標期間より短い場合（ステップＳ１８０１，Ｎｏ）であっても、ステップＳ１８０３にて対象機器１０を除くクラスタ集合を生成でき、ステップＳ１８０４にて異常度に基づいてクラスタを選択し、ステップＳ１８０５にて点検時期を正しく予測できる。なお、ステップＳ１８０１において対象機器の学習期間が予め設定した目標期間より長い場合（ステップＳ１８０１，Ｙｅｓ）、ステップＳ１８０２にて対象機器１０を含むクラスタ集合を生成する。

（異常度計算部）
図１に戻り、異常度計算部２３は、前述したように、対象機器１０の計測値と、クラスタ集合生成部２２において生成したクラスタ集合を用いて、対象機器１０の計測値が属するクラスタを判定するための異常度を計算する。

図４は、異常度計算部で用いる診断対象データの異常度計算方法を示す説明図である。図４に示すように、異常度計算部２３は、ｎ個のクラスタ（Ｃ_１、Ｃ_２、・・・、Ｃ_ｎ）と、対象機器１０の計測値である診断対象データＰがあり、診断対象データＰとそれぞれのクラスタ中心（Ｗ_１、Ｗ_２、・・・、Ｗ_ｎ）との距離である誤差距離（Ｌ_１、Ｌ_２、・・・、Ｌ_ｎ）を求める。ｎ個の誤差距離Ｌ_ｎとクラスタ半径Ｒ_ｎに基づいて、異常度Ｅ_ｎは例えば、（１）式で求められる。
Ｅ_ｎ＝Ｌ_ｎ／Ｒ_ｎ ・・・（１）

（クラスタ選択部）
図１に戻り、クラスタ選択部２４は、前述したように、異常度計算部２３で求めた異常度に基づいて対象機器１０の点検時期の予測に用いるクラスタを選択する。

図５は、クラスタ選択部のクラスタの選択処理を示すフローチャートである。図５を参照して、クラスタ選択部２４におけるクラスタの選択方法の一例を説明する。クラスタ選択部２４は、予め設定した所定値に対して対象機器１０の計測値と対象機器１０のクラスタの異常度が小さいか否かを判定し（ステップＳ５０１）、小さい場合は（ステップＳ５０１，Ｙｅｓ）、対象機器１０のクラスタが対象機器１０の計測値に対して十分近い特性を有していると判断して、対象機器１０のクラスタを選択し（ステップＳ５０２）、処理を終了する。一方、ステップＳ５０３において、クラスタ選択部２４は、予め設定した所定値に対して対象機器１０の計測値と対象機器１０のクラスタの異常度が小さくない場合（大きい場合：Ｓ５０１，Ｎｏ）、クラスタ集合から異常度が最も小さい（最小異常度）、つまり対象機器１０の計測値に最も近い特性を有すると考えられるクラスタを選択し（ステップＳ５０３）、処理を終了する。なお、ステップＳ５０３のクラスタの選択の際に、異常度が所定の基準を満たす程度に小さいものであればよい。

（点検時期予測部）
図１に戻り、点検時期予測部２５は、前述したように、クラスタ選択部２４で選択したクラスタを用いて対象機器１０の点検時期の予測を行う。まず、点検時期予測部２５は、対象機器１０の機器状態を示す計測値とクラスタ選択部２４で選択したクラスタを入力として、対象機器１０の状態推移（予測値）を算出する。実際の予測方法としては、例えば時期をｔ、予測値をＱ、周期関数をＦ１、トレンド関数をＦ２とした、（２）式で表される方程式を用いる。
Ｑ（ｔ）＝Ｆ１（ｔ）＋Ｆ２（ｔ） ・・・（２）

ここで、周期関数Ｆ１は、温度、湿度などといった季節変動の影響を算出する関数であり、例えば１年周期で変動するｓｉｎ関数などの周期関数を設定する。この周期関数Ｆ１の係数は、クラスタ選択部２４で選択したクラスタを用いて、最小二乗法などの適合手段により算出する。

一方、トレンド関数Ｆ２は、機器状態の劣化推移（トレンド）に相当する項であり、例えば、（３）式のような線形方程式を用いる。
Ｆ２（ｔ）＝ａ×ｔ＋ｂ ・・・（３）

ここで、このトレンド関数Ｆ２の係数ａ、ｂは、計測値をＭとして、例えば周期関数Ｆ１による周期的な値であるＦ１（ｔ）と計測値のＭ（ｔ）の差を用いて、最小二乗法などの適合手段により算出する。

図６は、点検時期予測部の予測値による点検時期の予測方法を示す説明図である。図６を参照して、予測値による点検時期の予測方法の一例を説明する。図６に示すように、点検時期予測部２５は、予測値（図６の白抜きの□で表示）と、予め設定した閾値とが交差する時刻から点検時期を予測する。

そして、点検時期予測部２５は、表示処理部２１を介して表示部４２に、点検時期予測部２５で求めた対象機器１０の点検時期などの情報を表示する。ここで、図７〜図１２を参照して、点検時期などの表示方法を説明する。

図７は、点検時期予測部の予測した点検時期の表示処理を示すフローチャートである。点検時期予測部２５は、図６に示すように現時刻と点検時期の差である猶予期間を算出する（ステップＳ７０１）。点検時期予測部２５は、予め設定した所定期間に対して猶予期間が小さいか否かを判定し（ステップＳ７０２）、小さい場合は（ステップＳ７０２，Ｙｅｓ）、表示処理部２１を介して、表示部４２に点検時期を表示するとともに（ステップＳ７０３）、時系列グラフを表示し（ステップＳ７０４）、処理を終了する。一方、ステップＳ７０２において、猶予期間が所定期間より小さくない場合（大きい場合：ステップＳ７０２，Ｎｏ）、点検時期予測部２５は、点検時期までの猶予期間が十分長く、ユーザに点検を指示する必要が無いと判断して点検時期などの表示をせずに処理を終了する。

図８は、対象機器が属するシステムの点検対象の有無を示す表示例である。図９は、点検対象の機器の点検予定日などの情報を示す表示例である。図１０は、点検対象の機器の時系列グラフを示す表示例である。図１１は、同種機器の時系列グラフを示す表示例である。図１２は、同種機器の点検履歴情報を示す表示例である。

図７のステップＳ７０３では、点検時期予測部２５は、図８に示す点検対象の有無情報３４および図９に示す対象機器１０の点検予定情報３５を表示部４２に表示する。図８と図９は上位と下位に属する情報構成になっており、図８の点検対象の有無情報３４では、例えば対象機器１０が属するシステム名、計測値の計測日、点検対象の有無などの概略情報が表示され、図９の対象機器の点検予定情報３５では、例えば点検対象の対象機器名、予測した点検時期を表す点検予定日、点検時期の予測に用いたクラスタの同種機器名などの詳細情報が表示される。

ステップＳ７０４では、点検時期予測部２５は、図１０に示す対象機器１０の機器状態情報３６である点検対象になっている対象機器１０の計測値と予測値などの時系列グラフを表示する。図１０に示す時系列グラフをみれば、ユーザは、現時刻から点検時期までの猶予期間がどのくらいであるか、計測値に対し予測値があっているか否かが把握することができる。

さらに、点検時期予測部２５は、図１１に示す同種機器１１の機器状態情報３７である点検時期の予測に用いたクラスタの同種機器１１の計測値、予測値の履歴である時系列グラフを表示する。図１１に示す時系列グラフをみれば、ユーザは、対象機器１０の同種機器１１が、点検日からどのような状態になるかを把握することができる。また、点検時期予測部２５は、点検時期の予測に用いたクラスタの同種機器１１に関しては、表示処理部２１を介して、図１２に示す同種機器の点検履歴情報３８である点検日、点検内容、作業者名などの保守作業記録を表示する。

また、図８〜図１２は、例えば情報のリンクが形成されており、ユーザが図８に示すシステム名のシステムＸを選択することで図９の情報を表示し、さらに、ユーザが図９に示す対象機器名の機器ｙを選択することで図１０の時系列グラフを表示し、ユーザが図９に示す同種機器名の機器ａを選択することで図１１の時系列グラフを表示し、ユーザが図１１に示す点検日を選択することで図１２の情報を表示するなど、ユーザが任意に情報を確認できるようにしてもよい。

これらの情報を表示することで、点検時期の予測が適切に行われたか否か、どのような点検を行えばよいかなどの情報を容易に確認でき、ユーザが保守計画をより確実に設定することができる。

本実施形態の予兆診断システム１００は、対象機器１０および対象機器１０と同種の複数の同種機器１１の計測値（状態計測データ）の累積データから特徴量を抽出したクラスタ集合を生成し、生成したクラスタ集合と対象機器の状態計測データとに基づき算出された異常度に基づいて、クラスタ集合からクラスタを選択し、選択したクラスタに基づいて対象機器１０の状態推移の予測値を算出し、予測値と所定の閾値に基づいて点検時期を予測する。これにより、使用状況、環境の変化、保守作業（調整・交換）によって対象機器１０の特性変化が生じた場合であっても、点検時期を正しく予測できる。

<<実施形態２>>
実施形態２では、クラスタ選択部２４が予め設定した判定値に対して最小異常度が大きい場合のクラスタ決定方法の一例を説明する。実施形態１と同一要素には同一符号を付し、重複する説明は省略する。

図１３は、実施形態２に係る異常度に応じてクラスタを選択／決定処理を示すフローチャートである。クラスタ選択部２４は、予め設定した判定値に対して最小異常度が小さいか否かを判定し（ステップＳ１３０１）、小さい場合は（ステップＳ１３０１，Ｙｅｓ）、ステップＳ１３０２に進み、小さくない場合は（大きい場合：ステップＳ１３０２，Ｎｏ）、点検時期の予測に用いるための適切なクラスタを選択できないと判断し、ユーザに選択するクラスタの決定を委ねるためにステップＳ１３０３に進む。なお、判定値および所定値に基づく判定方法については、図１９〜図２１を参照して後述する。

ステップＳ１３０２は通常の処理であり、クラスタ選択部２４は、例えば実施形態１で述べた図５のフローチャートに基づいてクラスタを選択する。一方、ステップＳ１３０３は想定外の処理であり、クラスタ選択部２４は、表示処理部２１を介して、例えば図１０に示すような対象機器１０の時系列グラフと、異常度が小さい上位数個の図１１に示すような同種機器１１の時系列グラフを表示してステップＳ１３０４に進み、時系列グラフを確認したユーザの判断で選択するクラスタが決定される。ユーザは、入力部４１を介して選択したクラスタを入力指示する。

図１９は、図１３に係る対象機器のクラスタが選択される条件（ステップＳ５０２が実行される条件）を示す説明図である。図２０は、図１３に係る最小異常度のクラスタが選択される条件（ステップＳ５０３が実行される条件）を示す説明図である。図２１は、図１３に係る時系列グラフが表示される条件（ステップＳ１３０３が実行される条件）を示す説明図である。図１９〜図２１を参照して、実施形態２におけるクラスタ決定方法の一例を説明する。

図１９は、対象機器１０のクラスタを選択する条件が成立している計測値とクラスタ、判定値、所定値の関係の一例である。図１９に示すように対象機器１０の誤差距離（異常度）は判定値および所定値より小さい。そのため、クラスタ選択部２４は、図１３のステップＳ１３０１からステップＳ１３０２に進み、図５のステップＳ５０１から進んだステップＳ５０２にて対象機器１０のクラスタを選択する。

図２０は、最小異常度のクラスタを選択する条件が成立している計測値とクラスタ、判定値、所定値の関係の一例である。図２０に示すように対象機器１０の誤差距離（異常度）は判定値より小さいが、所定値より大きい。そのため、クラスタ選択部２４は、図１９と同様に図１３ではステップＳ１３０１からステップＳ１３０２に進むが、図５のステップＳ５０１からはステップＳ５０３に進み最小異常度のクラスタを選択する。

図２１は、予兆診断システムにおいて点検時期の予測に用いるための適切なクラスタを選択できない条件が成立している計測値とクラスタ、判定値、所定値の関係の一例である。

このように、クラスタ選択部２４は、最小異常度の大きさに応じてクラスタの選択方法を変えることで、対象機器１０の特性と大きく異なるクラスタの選択を回避できるため、より適切な点検時期の予測が可能になる。

<<実施形態３>>
実施形態３では、図１４〜図１６を参照して、計測値と予測値の差（予測誤差）が大きい場合にクラスタを選択し直す方法の一例を説明する。図１４は、予測誤差に応じてクラスタを選択／決定処理を示すフローチャートである。図１５は、対象機器の時系列グラフの他の例を示す表示例である。図１６は、予測誤差および保守作業実施の有無に応じてクラスタを選択／決定処理を示すフローチャートである。

図１４は、予測誤差の大きさに応じてクラスタを選択するためのフローチャートの一例である。異常度計算部２３は、図１５に示す計測値と予測値の差（予測誤差）を算出する（ステップＳ１４０１）。図１５によれば、算出された予測誤差は、大きいことがわかる。

異常度計算部２３は、予め設定した目標値に対して予測誤差が小さいか否かを判定し（ステップＳ１４０２）、小さい場合は（ステップＳ１４０２，Ｙｅｓ）、必要十分な精度で予測できていると判断して本フローチャートの処理を終了し、小さくない場合（大きい場合：ステップＳ１４０２，Ｎｏ）、現在選択しているクラスタでは点検時期の予測精度が不十分と判断し、クラスタを選択し直すためにステップＳ１４０３に進む。異常度計算部２３は、異常度を再計算し（ステップＳ１４０３）、クラスタ選択部２４は、例えば実施形態１で述べた図５のフローチャート、または、実施形態２で述べた図１３のフローチャートに基づいてクラスタを選択する。

図１６は、予測誤差の大きさ、および保守作業の実施有無に応じてクラスタを選択するためのフローチャートの一例である。なお、図１６のステップＳ１６０１からステップＳ１６０３までの処理内容は、それぞれ図１４のステップＳ１４０１からステップＳ１４０３の処理内容と同じであるため説明を省略する。

クラスタ選択部２４は、保守作業（調整・交換）が実施されたか否かを判定し（ステップＳ１６０４）、保守作業が実施された場合（ステップＳ１６０４，Ｙｅｓ）、保守作業によって特性が変化したと判断してステップＳ１６０５に進み、保守作業が実施されていない場合（ステップＳ１６０４，Ｎｏ）、対象機器１０に想定外の劣化、故障などが発生したと判断してステップＳ１６０６に進む。

ステップＳ１６０５では、クラスタ選択部２４は、例えば実施形態１で述べた図５のフローチャート、または、実施形態２で述べた図１３のフローチャートに基づいてクラスタを選択する。一方、想定外の処理であるステップＳ１６０６では、クラスタ選択部２４は、表示処理部２１を介して、例えば図１０に示すような対象機器１０の時系列グラフと、異常度が小さい上位数個の図１１に示すような同種機器１１の時系列グラフを表示してステップＳ１６０７に進む。ステップＳ１６０７では、表示された時系列グラフに基づいて、ユーザが対象機器１０の状態を確認し、クラスタ選択部２４は、ユーザの判断で選択されたクラスタを決定する。

このように、予測誤差の大きさ、保守作業の実施有無に応じてクラスタの選択方法を変えることで、対象機器１０の特性と大きく異なるクラスタの選択を回避できるため、より適切な点検時期の予測が可能になる。

本実施形態の予兆診断方法は、点検の対象機器の点検時期を予測する予兆診断装置を用いる予兆診断方法であって、予兆診断装置は、対象機器および対象機器と同種の複数の同種機器の計測値の累積データから特徴量を抽出したクラスタ集合を生成し、生成したクラスタ集合と対象機器の計測値とに基づき、異常度を算出し、算出された異常度に基づいて対象機器の点検時期の予測に用いるクラスタをクラスタ集合から選択し、選択したクラスタに基づいて対象機器の機器状態の予測値を算出し、予測値と所定閾値に基づいて対象機器の点検時期を予測する。

また、本実施形態の予兆診断装置は、点検の対象機器および対象機器と同種の複数の同種機器の計測値の累積データから特徴量を抽出したクラスタ集合を生成するクラスタ集合生成部２２と、生成したクラスタ集合と対象機器の計測値とに基づき、異常度を算出する異常度計算部２３と、算出された異常度に基づいて対象機器の点検時期の予測に用いるクラスタをクラスタ集合から選択するクラスタ選択部２４と、選択したクラスタに基づいて対象機器の機器状態の予測値を算出し、予測値と所定閾値に基づいて対象機器の点検時期を予測する点検時期予測部２５とを有する。

本実施形態の予兆診断装置は、対象機器および対象機器と同種の複数の同種機器の計測値（状態計測データ）の累積データから特徴量を抽出したクラスタ集合を生成し、生成したクラスタ集合と対象機器の状態計測データとに基づき算出された異常度に基づいて、クラスタ集合からクラスタを選択し、選択したクラスタに基づいて対象機器の状態推移の予測値を算出し、予測値と所定閾値に基づいて点検時期を予測する。これにより、使用状況、環境の変化、保守作業（調整・交換）によって対象機器の特性変化が生じた場合であっても、点検時期を正しく予測できる。

１０ 対象機器
１１ 同種機器
２０ 処理部
２１ 表示処理部
２２ クラスタ集合生成部（クラスタ集合生成手段）
２３ 異常度計算部（異常度計算手段）
２４ クラスタ選択部（クラスタ選択手段）
２５ 点検時期予測部（点検時期予測手段）
３０ 記憶部
４１ 入力部（入力手段）
４２ 表示部（表示手段）
４３ 通信部
１００ 予兆診断システム（予兆診断装置）

Claims (17)

1. 点検の対象機器および前記対象機器と同種の複数の同種機器の計測値の累積データから特徴量を抽出したクラスタ集合を生成するクラスタ集合生成手段と、
   前記生成したクラスタ集合と前記対象機器の計測値とに基づき、異常度を算出する異常度計算手段と、
   前記算出された異常度に基づいて前記対象機器の点検時期の予測に用いるクラスタを前記クラスタ集合から選択するクラスタ選択手段と、
   前記選択したクラスタに基づいて前記対象機器の機器状態の予測値を算出し、前記予測値と所定閾値に基づいて前記対象機器の点検時期を予測する点検時期予測手段とを有する
   ことを特徴とする予兆診断システム。
2. 前記クラスタ選択手段は、前記異常度が所定の基準を満たす程度に小さいクラスタを選択する
   ことを特徴とする請求項１に記載の予兆診断システム。
3. 前記クラスタ集合生成手段は、前記対象機器の前記計測値の学習期間が目標期間より短い場合、前記同種機器のクラスタから前記予測値の算出に用いるクラスタを選択する
   ことを特徴とする請求項１に記載の予兆診断システム。
4. 前記点検時期予測手段は、前記算出した点検時期と現時刻の差とを猶予期間として算出し、前記猶予期間が所定期間内と判定した場合、前記対象機器の前記計測値、前記予測値の少なくとも一つの時系列グラフを表示手段に表示する
   ことを特徴とする請求項１に記載の予兆診断システム。
5. 前記クラスタ選択手段は、前記クラスタを選択する際に、少なくとも前記異常度が所定の基準を満たす程度に小さいクラスタの前記同種機器の前記計測値、前記予測値の少なくとも一つの時系列グラフを表示手段に表示する
   ことを特徴とする請求項１に記載の予兆診断システム。
6. 前記クラスタ選択手段は、入力手段から選択するクラスタの指示がある場合、前記選択されたクラスタを前記対象機器の点検時期の予測に用いるクラスタとする
   ことを特徴とする請求項１に記載の予兆診断システム。
7. 前記異常度計算手段は、前記対象機器の前記計測値と前記予測値との差を予測誤差として算出し、前記予測誤差が目標値より大きくなった場合、
   前記クラスタ選択手段は、前記クラスタの選択をし直す
   ことを特徴とする請求項１に記載の予兆診断システム。
8. 前記異常度計算手段は、前記対象機器の前記計測値と前記予測値との差を予測誤差として算出し、前記予測誤差が目標値より大きく、かつ、保守作業を実施していない場合、
   前記クラスタ選択手段は、前記対象機器と前記同種機器の前記計測値、前記予測値の少なくとも一つの時系列グラフを表示手段に表示し、入力手段から選択するクラスタの指示があると、前記選択されたクラスタを前記対象機器の点検時期の予測に用いるクラスタとする
   ことを特徴とする請求項１に記載の予兆診断システム。
9. 点検の対象機器の点検時期を予測する予兆診断装置を用いる予兆診断方法であって、
   前記予兆診断装置は、
   前記対象機器および前記対象機器と同種の複数の同種機器の計測値の累積データから特徴量を抽出したクラスタ集合を生成し、
   前記生成したクラスタ集合と前記対象機器の計測値とに基づき、異常度を算出し、
   前記算出された異常度に基づいて前記対象機器の点検時期の予測に用いるクラスタを前記クラスタ集合から選択し、
   前記選択したクラスタに基づいて前記対象機器の機器状態の予測値を算出し、前記予測値と所定閾値に基づいて前記対象機器の点検時期を予測する
   ことを特徴とする予兆診断方法。
10. 前記予兆診断装置は、前記対象機器の点検時期の予測に用いるクラスタを選択する場合、前記異常度が所定の基準を満たす程度に小さいクラスタを選択する
    ことを特徴とする請求項９に記載の予兆診断方法。
11. 前記予兆診断装置は、前記クラスタ集合を生成する際に、前記対象機器の前記計測値の学習期間が目標期間より短い場合、前記同種機器のクラスタから前記予測値の算出に用いるクラスタを選択する
    ことを特徴とする請求項９に記載の予兆診断方法。
12. 前記予兆診断装置は、前記対象機器の点検時期を予測する際に、前記算出した点検時期と現時刻の差とを猶予期間として算出し、前記猶予期間が所定期間内と判定した場合、前記対象機器の前記計測値、前記予測値の少なくとも一つの時系列グラフを表示部に表示する
    ことを特徴とする請求項９に記載の予兆診断方法。
13. 前記予兆診断装置は、前記対象機器の点検時期の予測に用いるクラスタを選択する際に、少なくとも前記異常度が所定の基準を満たす程度に小さいクラスタの前記同種機器の前記計測値、前記予測値の少なくとも一つの時系列グラフを表示部に表示する
    ことを特徴とする請求項９に記載の予兆診断方法。
14. 前記予兆診断装置は、前記対象機器の点検時期の予測に用いるクラスタを選択する際に、入力手段から選択するクラスタの指示がある場合、前記選択されたクラスタを前記対象機器の点検時期の予測に用いるクラスタとする
    ことを特徴とする請求項９に記載の予兆診断方法。
15. 前記予兆診断装置は、前記対象機器の前記計測値と前記予測値との差を予測誤差として算出し、前記予測誤差が目標値より大きくなった場合、前記対象機器の点検時期の予測に用いるクラスタの選択をし直す
    ことを特徴とする請求項９に記載の予兆診断方法。
16. 前記予兆診断装置は、前記対象機器の前記計測値と前記予測値との差を予測誤差として算出し、前記予測誤差が目標値より大きく、かつ、保守作業を実施していない場合、前記対象機器と前記同種機器の前記計測値、前記予測値の少なくとも一つの時系列グラフを表示部に表示し、入力部から選択するクラスタの指示があると、前記選択されたクラスタを前記対象機器の点検時期の予測に用いるクラスタとする
    ことを特徴とする請求項９に記載の予兆診断方法。
17. 点検の対象機器および前記対象機器と同種の複数の同種機器の計測値の累積データから特徴量を抽出したクラスタ集合を生成するクラスタ集合生成部と、
    前記生成したクラスタ集合と前記対象機器の計測値とに基づき、異常度を算出する異常度計算部と、
    前記算出された異常度に基づいて前記対象機器の点検時期の予測に用いるクラスタを前記クラスタ集合から選択するクラスタ選択部と、
    前記選択したクラスタに基づいて前記対象機器の機器状態の予測値を算出し、前記予測値と所定閾値に基づいて前記対象機器の点検時期を予測する点検時期予測部とを有する
    ことを特徴とする予兆診断装置。

Images