JP2016192034A - 統計モデル作成装置、統計モデル作成方法及び統計モデル作成プログラム - Google Patents

Abstract

【課題】既存の統計モデルに内在する設計知識を流出させることなく既存の統計モデルを流用し、新たな統計モデルの開発コストを削減する。【解決手段】本発明の統計モデル作成装置は、機器に対する取扱についての動作手順及び動作手順のそれぞれに対応する動作条件を含む統計モデルが格納される記憶部と、記憶部を参照して第１の機器に対する取扱についての第１の統計モデルを取得し、取得した第１の統計モデルを基に、第２の機器に対する取扱についての第２の統計モデルを新たに作成し、第１の統計モデルの動作手順及び動作条件、並びに、第２の統計モデルの動作手順及び動作条件を対比形式でユーザに対して出力する際に、第１の統計モデルの動作条件の少なくとも一部、又は、第２の統計モデルの動作条件の少なくとも一部を、出力先のユーザの立場に応じて異なる態様で出力する制御部と、を備える。【選択図】図１２

Description

本発明は、統計モデル作成装置、統計モデル作成方法及び統計モデル作成プログラムに関する。

従来、機器の保守は機器運転時間を基準とした“時間基準保守（ＴＢＭ：Time-Based Maintenance）”が主流であった。しかしながら、機器稼働状態のセンシング技術の発達により、機器稼働状態を基準とした“状態基準保守（ＣＢＭ：Condition-Based Maintenance）”が普及しつつある。ＣＢＭは、機器の稼働状態に応じた統計モデルを使用して機器の状態を監視し、機器が異常であると判断した場合に警告等を発し、機器の早期保守を促す。診断対象となる機器の種類は様々であり、機器の使用環境も様々である。したがって、ＣＢＭにおいては、診断対象となる機器ごとにカスタマイズされた統計モデルを作成する必要がある。一方、機器ごとに全くゼロから統計モデルを作成する（スクラッチ開発する）ことはコストアップにつながる。

特許文献１の電子制御システムは、このようなスクラッチ開発のコストを削減する。ノイズ、季節変動のような過渡フォールトがあるセンサに発生した場合、センサの種類によらず、他のセンサにおいても同じ傾向の過渡フォールトが生じる場合が多い。そこで、特許文献１の電子制御システムは、過渡フォールトを検出する診断処理と、本来検出すべき固定フォールトを検出する診断処理とを分離し、過渡フォールトを検出する診断処理を、複数の診断対象の機器について共通化する。

特開２０１２−２５２４１２号公報（段落００１９）

開発効率を向上させることを目的に、既存の統計モデルの一部を流用し、他の部分のみを別の機器向けに新たに変更することが一般的に行われている。いま機器Ａ向けの統計モデルの一部を変更し、機器Ｂ向けの統計モデルを作成することを想定する。この際、機器Ｂ向けの統計モデル内に、機器Ａの設計知識（例えば異常判定閾値、センサ検出の時間帯又は周期等）を想像させるような情報が残ってしまう危険性がある。通常、機器Ａのユーザは、機器Ｂのユーザに対して秘密にしておきたい情報と、開示してもかまわない情報を区別する。同様に、機器Ｂのユーザは、機器Ａのユーザに対して秘密にしておきたい情報と、開示してもかまわない情報を区別する。

機器ごとの設計知識は、その機器のユーザにとって公開したくない情報である。しかしながら、実際にはこのような区別が明確にできないために、本来公開可能な情報を公開することに対して慎重になりすぎ、統計モデルの部分共有化（使い回し）の可能性が阻害されることもある。特許文献１の電子制御システムは、統計モデルの部分共有化を前提とするセキュリティ管理（どのような立場の者がどのような情報を知ってよいのかの管理）を特に狙ったものではない。
そこで、本発明は、既存の統計モデルに内在する設計知識を流出させることなく既存の統計モデルを流用し、新たな統計モデルの開発コストを削減することを目的とする。

本発明の統計モデル作成装置は、機器に対する取扱についての動作手順及び動作手順のそれぞれに対応する動作条件を含む統計モデルが格納される記憶部と、記憶部を参照して第１の機器に対する取扱についての第１の統計モデルを取得し、取得した第１の統計モデルを基に、第２の機器に対する取扱についての第２の統計モデルを新たに作成し、第１の統計モデルの動作手順及び動作条件、並びに、第２の統計モデルの動作手順及び動作条件を対比形式でユーザに対して出力する際に、第１の統計モデルの動作条件の少なくとも一部、又は、第２の統計モデルの動作条件の少なくとも一部を、出力先のユーザの立場に応じて異なる態様で出力する制御部と、を備える。
その他の手段については、発明を実施するための形態のなかで説明する。

本発明によれば、既存の統計モデルに内在する設計知識を流出させることなく既存の統計モデルを流用し、新たな統計モデルの開発コストを削減することが可能になる。

統計モデル作成装置の構成を説明する図である。 統計モデルの一例を説明する図である。 （ａ）はアクセス権限の一例を説明する図である。（ｂ）はモデル差分の一例を説明する図である。 加工前モデル選択処理手順のフローチャートである。 動作条件加工処理手順のフローチャートである。 加工後モデル作成処理手順のフローチャートである。 モデル差分確認処理手順のフローチャートである。 モデルマスク処理手順のフローチャートである。 インセンティブ処理手順のフローチャートである。 ひな型モデル選択画面の一例を示す図である。 モデル作成者用モデル差分表示画面の一例を示す図である。 モデル提供者用モデル差分表示画面の一例を示す図である。 モデル利用者用モデル差分表示画面の一例を示す図である。 （ａ）は、ポイント表示画面の一例を示す図である。（ｂ）は、ユーザ詳細情報表示画面の一例を示す図である。

以降、本発明を実施するための２つの実施形態を、図等を参照しながら詳細に説明する。２つの実施形態は、基本型としての第１の実施形態、及び、応用型としての第２の実施形態からなる。詳細は後記するが、これらの間の相違点は、ポイント付与部が行うインセンティブ処理手順（詳細後記）の有無である。まず、インセンティブ処理手順を有さない第１の実施形態を説明し、その後、インセンティブ処理手順を有する第２の実施形態を、第１の実施形態との相違点に注目して説明する。２つの実施形態は、機器の異常を診断する例であるが、本発明は、機器の診断だけでなく、機器の取扱全般に対して適用できる。

（第１の実施形態）
（実施形態の背景等）
いま、Ａ社が自社の機器Ａの診断を行うために統計モデルＡを使用しているとする。統計モデルＡはある程度の運用実績を有する。一方、Ｂ社が自社の機器Ｂの使用を開始し、機器Ｂの診断を行うために、新たに機器Ｂ向けの統計モデルＢを必要としている。Ｃ社は、統計モデルＢの開発をＢ社から請け負っている。Ｃ社は、統計モデルＡの開発をＡ社から請け負った実績を有する。そこで、Ｃ社としては、統計モデルＡを基に、できるだけ少ないコストで、かつ、機器Ａの設計知識がＢ社に知られないように、統計モデルＢを開発したい。さらに、Ｃ社としては、統計モデルＢを、機器Ｂの設計知識が知られないように、Ａ社にフィードバックしたい。なお、詳細は後記するが、統計モデルとは、過去のデータを機械学習し機械学習の結果に基づいて機器の状態を判定するための処理手順等である。

（加工前モデル、加工後モデル、モデル作成者、モデル提供者及びモデル利用者）
加工前モデルとは、新たな統計モデルを開発する際の基になる統計モデルであり、前記の例における統計モデルＡに相当する。加工後モデルとは、加工前モデルを基にして新たに開発される統計モデルであり、前記の例における統計モデルＢに相当する。なお、“第１の統計モデル”及び“第２の統計モデル”には、それぞれ、加工前モデル及び加工後モデルが相当する。
モデル作成者とは、加工前モデルを基にして加工後モデルを開発する主体であり、前記の例におけるＣ社（の従業員）に相当する。モデル提供者とは、他者の機器向けの加工後モデルを作成するために自社の機器向けの加工前モデルをモデル作成者が使用する（使い回す）ことを許可した主体であり、前記の例におけるＡ社（の従業員）に相当する。モデル利用者とは、加工後モデルを自社の機器向けに使用する者であり、前記の例におけるＢ社（の従業員）に相当する。なお、“第１の機器に関係する者”及び“第２の機器に関係する者”には、それぞれ、モデル提供者及びモデル利用者が相当する。

（機器構成）
図１に沿って、統計モデル作成装置の構成を説明する。統計モデル作成システム１は、統計モデル作成装置２及び端末装置３を有する。これらは、ネットワーク４を介して接続可能である。統計モデル作成装置２は、一般的なコンピュータであり、中央制御装置１１、主記憶装置１２、補助記憶装置１３及び通信装置１４を有する。これらはバスで相互に接続されている。補助記憶装置１３は、加工前モデルＤＢ（Date Base）３１、加工後モデルＤＢ３２及びモデル差分ＤＢ３３を格納している。加工前モデルＤＢ３１は、（加工前モデルである）統計モデル４１を格納している。加工後モデルＤＢ３２は、（加工後モデルである）統計モデル４２を格納している。モデル差分ＤＢ３３は、アクセス権限４３及びモデル差分４４を格納している（詳細後記）。

なお、加工前モデルＤＢ３１及び加工後モデルＤＢ３２を記憶する補助記憶装置１３が統計モデル作成装置２からは独立した構成であって、統計モデル作成装置２は、ネットワーク４を介して、加工前モデルＤＢ３１及び加工後モデルＤＢ３２にアクセスすることにしてもよい。
主記憶装置１２における、加工前モデル選択部２１、動作条件加工部２２、加工後モデル作成部２３、モデル差分確認部２４及びポイント付与部２５はプログラムである。以降、“○○部は”と主体を記した場合は、中央制御装置１１が、補助記憶装置１３から各プログラムを読み出し、主記憶装置１２にロードしたうえで、各プログラムの機能（詳細後記）を実現するものとする。

端末装置３もまた、一般的なコンピュータであり、通信装置１５、入力装置１６、出力装置１７、中央制御装置１８、主記憶装置１９及び補助記憶装置２０を有する。これらはバスで相互に接続されている。端末装置３は、モデル作成者、モデル提供者又はモデル利用者によって操作される。なお、第１の実施形態に係る統計モデル作成装置２は、プログラムとしてのポイント付与部２５を有さない。第２の実施形態に係る統計モデル作成装置２は、前記した５つのプログラムをすべて有する（説明の便宜上、最大構成を図１に記載した）。

（統計モデル）
図２に沿って、統計モデル４１を説明する。図２において、実線の矢印は、処理の流れを示し、破線の矢印は、データの流れを示す。統計モデル４１自身は、統計モデル作成装置２とは別の任意のシステム（図示せず。以降“診断システム”と呼ぶ）に読み込まれることによって、機器の異常を判定する。

本実施形態において、機器とは、センサによって時系列の物理量を測定することができる一般的な装置であり、例えばコピー機である。物理量は、例えば、温度、騒音、振動、稼働時間、回転数、電流、電圧、液体等の流量及び圧力、情報処理量等の値、並びに、これらの値を演算して算出される値を含む。統計モデルとは、前記したように、過去のデータを機械学習し機械学習の結果に基づいて機器の状態を判定するための処理手順であり、診断手順１０１、動作条件１０２、モデル管理情報１０３及び動作条件書換え情報１０４から構成される。

診断手順１０１は、診断システムが所定の順序で実行する複数のプログラムの集合であり、“動作手順”に相当する。ここでの診断手順１０１は、センサ入力処理Ｓｉ、学習処理Ｓｔ及び識別処理Ｓｄから構成され、各処理はこの順で実行される。
センサ入力処理Ｓｉは、診断システムがセンサの測定値を読み込む処理である。例えば、振動センサの値を所定の周期ごとに標本化（サンプリング）する処理である。
学習処理Ｓｔは、過去のデータに基づいて診断システムが機械学習を行い、統計モデル４１を最適化する処理である。
識別処理Ｓｄは、最適化された統計モデル４１を使用して、診断システムが機器の異常を判定する処理である。

動作条件１０２は、センサ入力動作条件Ｐｉ、学習動作条件Ｐｔ、識別動作条件Ｐｄ及びコードブックＣＢから構成される。これらのうちセンサ入力動作条件Ｐｉ、学習動作条件Ｐｔ及び識別動作条件Ｐｄは、それぞれ、センサ入力処理Ｓｉ、学習処理Ｓｔ及び識別処理Ｓｄに１対１に対応しており、それぞれの処理のセンサの種別又はアルゴリズムの種別、及び、動作を決定するパラメータである。

具体的には、センサ入力動作条件Ｐｉとしては、センサの種別（振動センサや温度センサ）、センサの数、センサごとの標本化周期（サンプリングレート）等が指定される。
学習動作条件Ｐｔとして、例えば、機械学習のアルゴリズムとしての“k-means法”、“ｎ層ニューロ法”等が指定される。なお、ｎ＝２、３、・・・であり、“ニューロ”とは、“神経ネットワーク”の略である。またその他にも、学習動作条件Ｐｔとして、例えば、機械学習アルゴリズムが“k-means法”である場合、クラスタ分割数等が指定され、機械学習アルゴリズムが“ｎ層ニューロ法”である場合、入出力層及び隠れ層の各ユニット数等が指定される。

識別動作条件Ｐｄとしては、識別アルゴリズムとしての“k-means法”、“ｎ層ニューロ法”等が指定される。“k-means法”の場合、識別処理Ｓｄは、機械学習されたクラスタ情報（例えば異常を示すクラスタの重心）とセンサ値との間の距離を求め、その距離と所定の閾値との大小関係に基づき機器の異常を判定する。多くの場合、学習処理Ｓｔのアルゴリズムの種別と識別処理Ｓｄのアルゴリズムの種別は一致している。例えば、学習処理の種別が“k-means法”であれば、識別処理の種別も“k-means法”であることが多い。同様に、学習処理の種別が“ｎ層ニューロ法”であれば、識別処理の種別も“ｎ層ニューロ法”であることが多い。

またその他にも、識別動作条件Ｐｄとして、例えば、識別アルゴリズムが“k-means法”である場合、クラスタ重心とセンサ値との間の距離に対して適用される異常判定閾値等が指定される。また、識別アルゴリズムが“ｎ層ニューロ法”である場合、異常出力ユニットの評価値に対して適用される、出力ユニット間の異常判定閾値等が指定される。
コードブックＣＢは、機械学習の結果であり、例えば“k-means法”の場合におけるクラスタの重心情報、“ｎ層ニューロ法”の場合における各ユニット間の結合荷重等である。

モデル管理情報１０３は、統計モデル４１全体に対して付されるメタ情報である。モデル管理情報１０３は、機器種別１０３ａ、センサ種別１０３ｂ、モデル作成者１０３ｃ、利用承認状態１０３ｄ及びひな型適用実績１０３ｅから構成される。
機器種別１０３ａは、診断の対象となる機器の種別（型式）である。
センサ種別１０３ｂは、センサの種別である。
モデル作成者１０３ｃは、当該統計モデルを開発した者の氏名である。

利用承認状態１０３ｄは、当該統計モデルを基にして作成された加工後モデルをモデル利用者が使用することが承認されたことを示す“承認済”、又は、承認されていないことを示す“未承認”のいずれかである。
ひな型適用実績１０３ｅは、前記の“承認済”又は“未承認”とは関係なく、加工前モデル（詳細後記）として選択された実績があること及びその回数を示す“あり（ｍ回）”、又は、実績がないことを示す“なし”のいずれかである。但し、ｍ＝１、２、３、・・・である。

動作条件書換え情報１０４もまた、統計モデル４１全体に対して付されるメタ情報である。動作条件書換え情報１０４は、センサ入力１０４ａ、学習１０４ｂ及び識別１０４ｃから構成される。
センサ入力１０４ａは、センサ入力動作条件が書換えられたことを示す“あり”、又は、書換えられていないことを示す“なし”のいずれかである。
学習１０４ｂは、学習動作条件が書換えられたことを示す“あり”、又は、書換えられていないことを示す“なし”のいずれかである。
識別１０４ｃは、識別動作条件が書換えられたことを示す“あり”、又は、書換えられていないことを示す“なし”のいずれかである。
補助記憶装置１３は、加工前モデルＤＢ３１内に、複数の統計モデル４１を記憶している。

図３（ａ）に沿って、アクセス権限４３を説明する。アクセス権限４３は、縦軸をモデル作成者、モデル提供者及びモデル利用者とし、横軸を加工前モデル及び加工後モデルとするマトリクスである。縦軸と横軸との交点のセルにアクセス権限フラグが記憶されている。アクセス権限フラグは“○”又は“×”のいずれかである。“○”は、縦軸のユーザが、横軸のモデルの動作条件の種別及び動作条件のパラメータを完全に知り得ることを示す。“×”は、完全には知り得ないことを示す（詳細後記）。

図３（ｂ）に沿って、モデル差分４４を説明する。モデル差分４４は、診断手順欄１５１に関連付けて、加工前モデル欄１５２及び加工後モデル欄１５３を有する。
診断手順欄１５１には、前記した診断手順が記憶される。
加工前モデル欄１５２は、動作条件の種別欄１５２ａ及び動作条件のパラメータ欄１５２ｂを有する。同様に、加工後モデル欄１５３も、動作条件の種別欄１５３ａ及び動作条件のパラメータ欄１５３ｂを有する。動作条件の種別欄１５２ａには、センサ入力処理についてはセンサ種別が記憶され、学習処理及び識別処理についてはアルゴリズム種別が記憶される。動作条件のパラメータ欄１５２ｂには、センサ入力処理についてはセンサ数、標本化周期等のパラメータと、そのパラメータの具体的な値が記憶される。そして、学習処理及び識別処理についてはアルゴリズムに使用されるパラメータと、そのパラメータの具体的な値が記憶される。これらのことは、動作条件の種別欄１５３ａ及び動作条件のパラメータ欄１５３ｂについても同様である。

（モデル作成者用モデル差分表示画面）
説明の都合上、図４〜図１０を飛ばして、図１１に沿って、モデル作成者用モデル差分表示画面５１を説明する。モデル作成者用モデル差分表示画面５１のモデル差分欄２０１は、図３（ｂ）のモデル差分４４と同じ構成を有する。
モデル作成者用モデル差分表示画面５１は、モデル作成者によって視認される画面である。統計モデル作成装置２のモデル差分確認部２４は、モデル作成者用モデル差分表示画面５１において、加工前モデル及び加工後モデルを対比形式で表示する。モデル作成者は、モデル作成者用モデル差分表示画面５１を視認することによって、例えば以下のことを知る。

（１：診断手順について）
・加工前モデル及び加工後モデルのいずれもが、診断手順として、実行される順に“センサ入力処理”、“学習処理”及び“識別処理”を含むこと。
（２：センサ入力処理について）
・加工前モデルの“センサ入力処理”のセンサ種別は“振動センサ”であり、加工後モデルの“センサ入力処理”のセンサ種別も“振動センサ”であること。つまり、両者において、“センサ入力処理”のセンサ種別には差異がないこと。
・加工前モデルのセンサ数が“３”であるのに対し、加工後モデルのセンサ数は“２”であること。
・加工前モデルの標本化周期（周波数）が“１ｋＨｚ”であるのに対し、加工後モデルの標本化周期は“２ｋＨｚ”であること。

（３：学習処理について）
・加工前モデルが“k-means法”を使用するのに対し、加工後モデルは“３層ニューロ法”を使用すること。
・加工前モデルの“k-means法”のクラスタ数が“５”であるのに対し、加工後モデルの“３層ニューロ法”の中間層ノード数は“１０”であること。

（４：識別処理について）
・加工前モデルが“k-means法”を使用するのに対し、加工後モデルは“３層ニューロ法”を使用すること。
・加工前モデルの“k-means法”のクラスタ数が“５”であるのに対し、加工後モデルの“３層ニューロ法”の中間層ノード数は“１０”であること。
前記から明らかなように、モデル作成者が視認できる“動作条件の種別”及び“動作条件のパラメータ”は特に制限されない。なぜならば、モデル作成者は、モデル提供者及びモデル利用者のそれぞれに対し守秘義務を負っているからである。このことは、アクセス権限４３（図３（ａ））において、“モデル作成者”の行のアクセス権限フラグが２つとも“○”であることに対応している。

図１２に沿って、モデル提供者用モデル差分表示画面５２を説明する。モデル提供者用モデル差分表示画面５２のモデル差分欄２２１は、図３（ｂ）のモデル差分４４と同じ構成を有する。しかしながら、表示される情報は、図３（ｂ）とは異なる。モデル提供者用モデル差分表示画面５２は、モデル提供者によって視認される画面である。統計モデル作成装置２のモデル差分確認部２４は、モデル提供者用モデル差分表示画面５２において、加工前モデル及び加工後モデルを対比形式で表示する。モデル提供者は、モデル提供者用モデル差分表示画面５２を視認することによって、例えば以下のことを知る。

（１：加工前モデルについて）
・加工前モデル２２３として表示されている情報は、過去において自身がモデル作成者へ提供した情報であること。
・モデル作成者は、加工前モデルを基にして、ある主体（モデル利用者である）向けの加工後モデルを開発しようとしていること。

（２：加工後モデルについて）
・加工後モデル２２４においては、“センサ入力処理”のセンサ種別は“機械量センサ”であり、これは加工前モデルの“振動センサ”の上位概念であること。
・加工後モデルが、いくつかのセンサを使用して、ある周期でなんらかの“機械量”を標本化することは分かるが、具体的なセンサ数及び具体的な標本化周期は不明であること。
・加工後モデルの“学習処理”のアルゴリズム種別は“k-means法以外”であり、加工前モデルのアルゴリズム種別である“k-means法”ではないこと。
・加工後モデルの“学習処理”の“動作条件のパラメータ”については全くわからないこと。

・加工後モデルの“識別処理”のアルゴリズム種別は“k-means法以外”であり、加工前モデルのアルゴリズム種別である“k-means法”ではないこと。
・加工後モデルの“識別処理”の“動作条件のパラメータ”については全くわからないこと。
・結局、自身は、モデル利用者の秘密（設計知識）を知り得ないこと。
前記から明らかなように、モデル提供者は、モデル利用者の秘密（設計知識）に属する “動作条件の種別”及び“動作条件のパラメータ”を視認することはできない。このことは、アクセス権限４３（図３（ａ））において、“モデル提供者”の行のアクセス権限フラグが加工前モデルについて“○”であるのに対し、加工後モデルについて“×”であることに対応している。

図１３に沿って、モデル利用者用モデル差分表示画面５３を説明する。モデル利用者用モデル差分表示画面５３のモデル差分欄２４１は、図３（ｂ）のモデル差分４４と同じ構成を有する。しかしながら、表示される情報は、図３（ｂ）とは異なる。モデル利用者用モデル差分表示画面５３は、モデル利用者によって視認される画面である。統計モデル作成装置２のモデル差分確認部２４は、モデル利用者用モデル差分表示画面５３において、加工前モデル及び加工後モデルを対比形式で表示する。モデル利用者は、モデル利用者用モデル差分表示画面５３を視認することによって、例えば以下のことを知る。

（１：加工後モデルについて）
・加工後モデル２４４として表示されている情報は、モデル作成者に対して加工後モデルの開発を依頼するに際し、自身がモデル作成者へ提供した情報であること。
・モデル作成者は、ある主体（モデル提供者である）向けの加工前モデルを基にして、自身向けの加工後モデルを開発しようとしていること。

（２：加工前モデルについて）
・加工前モデル２４３においては、“センサ入力処理”のセンサ種別は“機械量センサ”であり、これは加工後モデルの“振動センサ”の上位概念であること。
・加工前モデルが、いくつかのセンサを使用して、ある周期でなんらかの“機械量”を標本化することはわかるが、具体的なセンサ数及び具体的な周期は不明であること。
・加工前モデルの“学習処理”のアルゴリズム種別は“３層ニューロ法以外”であり、加工後モデルのアルゴリズム種別である“３層ニューロ法”ではないこと。
・加工前モデルの“学習処理”の“動作条件のパラメータ”については全くわからないこと。

・加工前モデルの“識別処理”のアルゴリズム種別は“３層ニューロ法以外”であり、加工後モデルのアルゴリズム種別である“３層ニューロ法”ではないこと。
・加工前モデルの“識別処理”の“動作条件のパラメータ”については全くわからないこと。
・結局、自身は、モデル提供者の秘密（機械知識）を知り得ないこと。
前記から明らかなように、モデル利用者は、モデル提供者の秘密（設計知識）に属する “動作条件の種別”及び“動作条件のパラメータ”を視認することはできない。このことは、アクセス権限４３（図３（ａ））において、“モデル利用者”の行のアクセス権限フラグが加工後モデルについて“○”であるのに対し、加工前モデルについて“×”であることに対応している。

（処理手順）
以降、本実施形態の処理手順を説明する。処理手順として、（１）加工前モデル選択処理手順、（２）動作条件加工処理手順、（３）加工後モデル作成処理手順、（４）モデル差分確認処理手順、及び、（５）モデルマスク処理手順が存在する。（５）は、（４）のサブルーチンである。（１）→（２）→（３）→（４）の順に各処理手順は実行される。

（加工前モデル選択処理手順）
図４に沿って、加工前モデル選択処理手順を説明する。
ステップＳ３０１において、統計モデル作成装置２の加工前モデル選択部２１は、ひな型モデル選択画面５０（図１０）を表示する。具体的には、加工前モデル選択部２１は、モデル作成者が使用する端末装置３の出力装置１７にひな型モデル選択画面５０表示する。

ステップＳ３０２において、加工前モデル選択部２１は、機器種別及びセンサ種別を受け付ける。具体的には、加工前モデル選択部２１は、モデル作成者がひな型モデル選択画面５０の機器種別欄１９１及びセンサ種別欄１９２に対して、それぞれ機器種別及びセンサ種別を入力するのを受け付ける。そして、モデル作成者が検索ボタン１９３を押下するのを受け付ける。もちろん、モデル作成者は、機器種別及びセンサ種別のうちのいずれかのみを入力してもよい。さらに、モデル作成者等、他の検索条件を入力してもよい。

ステップＳ３０３において、加工前モデル選択部２１は、加工前モデルを検索する。具体的には、加工前モデル選択部２１は、加工前モデルＤＢ３１を検索し、ステップＳ３０２において受け付けた機器種別及びセンサ種別をそれぞれ機器種別１０３ａ（図２）及びセンサ種別１０３ｂとして有する統計モデル４１をすべて取得する。このとき、加工前モデル選択部２１は、検索キー（機器種別及び／又はセンサ種別）の文字列を完全一致させる必要はなく、部分一致させてもよい。さらに、類義語又は同義語を検索してもよい。

ステップＳ３０４において、加工前モデル選択部２１は、検索結果を表示する。具体的には、加工前モデル選択部２１は、ステップＳ３０３において取得した統計モデル４１の機器種別１０３ａ、センサ種別１０３ｂ、モデル作成者１０３ｃ及びひな型適用実績１０３ｅを、ひな型モデル選択画面５０の検索結果欄１９４に表示する。図１０の例を見ると、加工前モデル選択部２１は、少なくとも４個の統計モデル４１を取得し、それぞれの統計モデル４１ごとに少なくとも４つのレコード（行）を表示していることがわかる。

ステップＳ３０５において、加工前モデル選択部２１は、モデル作成者による選択を受け付ける。具体的には、加工前モデル選択部２１は、モデル作成者が、ひな型モデル選択画面５０の検索結果欄１９４の複数のレコード（加工前モデルの候補である）のうちの１つを選択し（ラジオボタンをクリックし）ＯＫボタン１９５を押下するのを受け付ける。

ステップＳ３０６において、加工前モデル選択部２１は、ひな型適用実績を記憶する。具体的には、加工前モデル選択部２１は、ステップＳ３０５において選択されたレコードに対応する統計モデル４１のひな型適用実績１０３ｅ（図２）が“なし”である場合は、“あり（１回）”に書換える。ひな型適用実績が“あり（１回）”である場合は、“あり（２回）”に書き換える。すると、ある１つの統計モデル４１が選択される都度、当該統計モデル４１のひな型適用実績は、“なし”→“あり（１回）”→“あり（２回）”→“あり（３回）”→・・・のように変化していく。
その後、加工前モデル選択処理手順を終了する。

（動作条件加工処理手順）
図５に沿って、動作条件加工処理手順を説明する。
ステップＳ３１１において、統計モデル作成装置２の動作条件加工部２２は、センサ入力動作条件を書換える。具体的には、第１に、動作条件加工部２２は、ステップＳ３０５において選択されたレコードに対応する統計モデル４１を取得する。以降、当該統計モデル４１を対象加工前モデルと呼ぶ。
第２に、動作条件加工部２２は、対象加工前モデルの機器種別１０３ａ及びセンサ種別１０３ｂのうち機器及びセンサを特定する箇所を意味のない記号又は文字列に書換える。例えば、“吸収式冷温熱機”を“♭式♭機”に書換え、“ＡＢＣ社製振動センサ”を“♭社製♭センサ”に書換える
第３に、動作条件加工部２２は、センサ入力動作条件Ｐｉを意味のない数字で初期化する。例えば、“標本化周期＝２ｋＨｚ”を“標本化周期＝９９９ｋＨｚ”に書換える。

ステップＳ３１２において、動作条件加工部２２は、学習動作条件を書換える。具体的には、動作条件加工部２２は、対象加工前モデルの学習動作条件Ｐｔのパラメータの値を意味のない数字で初期化する。例えば、“クラスタ数＝５”を“クラスタ数＝９９９”に書換える。

ステップＳ３１３において、動作条件加工部２２は、識別動作条件を書換える。具体的には、動作条件加工部２２は、対象加工前モデルの識別動作条件Ｐｄのパラメータの値を意味のない数字で初期化する。例えば、“異常判定閾値＝１０”を“異常判定閾値＝９９９”に書換える。

ステップＳ３１４において、動作条件加工部２２は、書換えた統計モデルを記憶する。具体的には、動作条件加工部２２は、ステップＳ３１１〜Ｓ３１３においてセンサ入力動作条件Ｐｉ、学習動作条件Ｐｔ及び識別動作条件Ｐｄが書き換えられた対象加工前モデルを主記憶装置１２に一時的に記憶する。なお、動作条件加工部２２は、対象加工前モデルのコードブックＣＢを消去しておくことが望ましい。その後、動作条件加工処理手順を終了する。

（加工後モデル作成処理手順）
図６に沿って、加工後モデル作成処理手順を説明する。
ステップＳ３２１において、統計モデル作成装置２の加工後モデル作成部２３は、加工後モデルを作成する。具体的には、加工後モデル作成部２３は、診断手順１０１、動作条件１０２、モデル管理情報１０３及び動作条件書換え情報１０４が未設定である統計モデル４１を作成する。以降この統計モデル４１を“対象加工後モデル”と呼ぶ。

ステップＳ３２２において、加工後モデル作成部２３は、加工後モデルの診断手順を作成する。具体的には、加工後モデル作成部２３は、対象加工後モデルの診断手順１０１の箇所に、対象加工前モデルの診断手順をコピーする。

ステップＳ３２３において、加工後モデル作成部２３は、加工後モデルの動作条件を作成する。具体的には、加工後モデル作成部２３は、対象加工後モデルの動作条件１０２の箇所に、対象加工前モデルの動作条件をコピーする。この段階で、対象加工後モデルの診断手順は、対象加工前モデルの診断条件と同じであり、対象加工後モデルの動作条件は、初期値（意味のない数字又は記号）に書換えられている。

ステップＳ３２４において、加工後モデル作成部２３は、加工後モデルを編集する。具体的には、加工後モデル作成部２３は、モデル作成者が以下の情報を入力するのを受け付ける。
・センサ入力動作条件として、モデル利用者の診断対象機器のセンサ種別及びセンサの数
・学習処理及び識別処理に使用されるアルゴリズム種別
・学習動作条件及び識別条件として、パラメータ及びその値

ステップＳ３２５において、加工後モデル作成部２３は、加工後モデルを完成させる。具体的には、加工後モデル作成部２３は、対象加工後モデルの利用承認状態１０３ｄとして“未承認”を記憶し、対象加工後モデルを加工後モデルＤＢ４２に格納する。その後、加工後モデル作成処理手順を終了する。

（モデル差分確認処理手順）
図７に沿って、モデル差分確認処理手順を説明する。
ステップＳ３３１において、統計モデル作成装置２のモデル差分確認部２４は、ユーザがモデル提供者であるか否かを判断する。具体的には、第１に、モデル差分確認部２４は、統計モデル作成装置２のユーザが自身の端末装置３の入力装置１６を介して、自身の立場を示す情報を入力するのを受け付ける。自身の立場を示す情報は、“モデル提供者”、“モデル作成者”、又は、“モデル利用者”のいずれかである。
第２に、モデル差分確認部２４は、受け付けた情報が “モデル提供者”である場合（ステップＳ３３１“Ｙｅｓ”）、ステップＳ３３２に進み、それ以外の場合（ステップＳ３３１“Ｎｏ”）、ステップＳ３３５に進む。

ステップＳ３３２において、モデル差分確認部２４は、加工後モデルを引数としてモデルマスク処理手順を実行する。ステップＳ３３２の詳細は後記するが、結果としてモデル差分確認部２４は、モデル提供者用モデル差分表示画面５２（図１２）のモデル差分２２１を表示するための情報を作成することとなる。

ステップＳ３３３において、モデル差分確認部２４は、モデル提供者用モデル差分表示画面５２（図１２）を表示する。具体的には、モデル差分確認部２４は、モデル提供者が使用する端末装置３の出力装置１７に、モデル提供者用モデル差分表示画面５２を表示する。

ステップＳ３３４において、モデル差分確認部２４は、承認を受け付ける。モデル提供者は、モデル提供者用モデル差分表示画面５２の加工後モデル欄２２４に注目する。そして、自身はモデル利用者の秘密（設計知識）がわからないのと同様に、自身の秘密もまたモデル利用者に対しては加工後モデル欄２２４のように隠されることを確認する。また、モデル提供者は加工前モデルを基に加工後モデルが新たに作成されることを確認する。そして、モデル利用者は、当該確認の証として、モデル利用承認欄２２５の承認状態欄２２５ａの“承認する”を選択し（ラジオボタンをクリックし）、最終承認者欄２２５ｃに自身の氏名を入力した後、“ＯＫ”ボタン２２６を押下する。モデル差分確認部２４は、これらの入力情報を受け付ける。そして、モデル差分確認部２４は、最終承認日時欄２２５ｂに現在時点の西暦年月日時分を表示し、その後、モデル差分確認処理手順を終了する。

ステップＳ３３５において、モデル差分確認部２４は、ユーザがモデル作成者であるか否かを判断する。具体的には、モデル差分確認部２４は、ステップＳ３３１の“第１”において受け付けた情報が “モデル作成者”である場合（ステップＳ３３５“Ｙｅｓ”）、ステップＳ３３６に進み、それ以外の場合（ステップＳ３３５“Ｎｏ”）、ステップＳ３３７に進む。

ステップＳ３３６において、モデル差分確認部２４は、モデル作成者用モデル差分表示画面５１（図１１）を表示する。具体的には、モデル差分確認部２４は、モデル作成者が使用する端末装置３の出力装置１７に、モデル作成者用モデル差分表示画面５２を表示する。その後、モデル差分確認処理手順を終了する。
なお、モデル差分確認部２４は、モデル利用承認状態確認欄２０５に、モデル提供者用モデル差分表示画面５２（図１２）のモデル利用承認欄２２５のコピーを表示する。因みに、図１１の例においては、モデル提供者は未承認である。

ステップＳ３３７において、モデル差分確認部２４は、加工前モデルを引数としてモデルマスク処理手順を実行する。ステップＳ３３７の詳細は後記するが、結果としてモデル差分確認部２４は、モデル利用者用モデル差分表示画面５３（図１３）のモデル差分２４１を表示するための情報を作成することとなる。

ステップＳ３３８において、モデル差分確認部２４は、承認済であるか否かを判断する。具体的には、モデル差分確認部２４は、ステップＳ３３４においてモデル提供者が“承認する”を選択した場合（ステップＳ３３８“Ｙｅｓ”）、ステップＳ３３９に進み、それ以外の場合（ステップＳ３３８“Ｎｏ”）、モデル差分確認処理手順を終了する。

ステップＳ３３９において、モデル差分確認部２４は、モデル利用者用モデル差分表示画面５３（図１３）を表示する。具体的には、モデル差分確認部２４は、モデル利用者が使用する端末装置３の出力装置１７に、モデル利用者用モデル差分表示画面５３を表示する。その後、モデル差分確認処理手順を終了する。
なお、ステップＳ３３３、Ｓ３３６及びＳ３３９では、画面表示の例を記したが、これらは一例に過ぎない。モデル差分確認部２４は、例えば、各画面を作成するためのデータを、記録媒体等に対して出力してもよいし、他の装置に対して送信してもよい。つまり、モデル差分確認部２４は、任意の方法で、モデル差分を対比形式で出力できればよい。

（モデルマスク処理手順）
図８に沿って、モデルマスク処理手順を説明する。モデルマスク処理手順は、モデル差分確認処理手順のステップＳ３３２及びＳ３３７の詳細である。モデルマスク処理手順の処理内容は、引数が“加工後モデル”である場合（ステップＳ３３２）と、引数が“加工前モデル”である場合（ステップＳ３３７）とに応じて僅かに異なる。最初に引数が“加工後モデル”である場合を説明する。
大きな流れとして、統計モデル作成装置２のモデル差分確認部２４は、ステップＳ３５１〜Ｓ３５４の繰り返し処理を、センサ入力処理Ｓｉ、学習処理Ｓｔ及び識別処理Ｓｄについて繰り返す。

ステップＳ３５１において、モデル差分確認部２４は、動作条件の種別が同じであるか否かを判断する。具体的には、第１に、モデル差分確認部２４は、対象加工前モデルと対象加工後モデルの動作条件の種別同士が同じであるか否かを判断する。動作条件の種別とは、センサ入力処理Ｓｉにおいてはセンサ種別であり、学習処理Ｓｔ及び識別処理Ｓｄにおいてはアルゴリズム種別である。
第２に、モデル差分確認部２４は、動作条件の種別が同じである場合（ステップＳ３５１“Ｙｅｓ”）、ステップＳ３５２に進み、それ以外の場合（ステップＳ３５１“Ｎｏ”）、ステップＳ３５３に進む。

ステップＳ３５２において、モデル差分確認部２４は、動作条件の種別を上位概念化する。具体的には、モデル差分確認部２４は、以下の処理を実行する。
（センサ入力処理Ｓｉについての処理中）
例えば、対象加工前モデルのセンサ種別が“振動センサ”であり、対象加工後モデルのセンサ種別も“振動センサ”である場合、モデル差分確認部２４は、対象加工後モデルの動作条件の種別を“機械量センサ”に書換える。

（学習処理Ｓｔ及び識別処理Ｓｄについての処理中）
例えば、対象加工前モデルのアルゴリズム種別が“k-means法”であり、対象加工後モデルのアルゴリズム種別も“k-means法”である場合、モデル差分確認部２４は、対象加工後モデルの動作条件の種別を“クラスタリング”に書換える。“クラスタリング”は、“k-means法”の上位概念である。

ステップＳ３５３において、モデル差分確認部２４は、動作条件の種別をマスクする。具体的には、モデル差分確認部２４は、以下の処理を実行する。
（センサ入力処理Ｓｉについての処理中）
例えば、対象加工前モデルのセンサ種別が“振動センサ”であり、対象加工後モデルのセンサ種別が“温度センサ”である場合、モデル差分確認部２４は、対象加工後モデルの動作条件の種別を“振動センサ以外”に書換える。
（学習処理Ｓｔ及び識別処理Ｓｄについての処理中）
例えば、対象加工前モデルのアルゴリズム種別が“k-means法”であり、対象加工後モデルのアルゴリズム種別が“ｎ層ニューロ法”である場合、モデル差分確認部２４は、対象加工後モデルの動作条件の種別を“k-means法以外”に書換える。

ステップＳ３５４において、モデル差分確認部２４は、動作条件のパラメータをマスクする。具体的には、モデル差分確認部２４は、以下の処理を実行する。
（センサ入力処理Ｓｉについての処理中）
例えば、対象加工前モデルの動作条件のパラメータが“センサ数＝９９９”（意味のない値に初期化されている）であり、対象加工後モデルの動作条件のパラメータが“センサ数＝２０”（編集されている）であるとする。この場合、モデル差分確認部２４は、対象加工後モデルの動作条件のパラメータを“センサ数＝＃”に書換える。
他の例として、対象加工前モデルの動作条件のパラメータが“標本化周期＝９９９ｋＨｚ”であり、対象加工後モデルの動作条件のパラメータが“標本化周期＝１０ｋＨｚ”である場合、モデル差分確認部２４は、対象加工後モデルの動作条件のパラメータを“標本化周期＝＃ｋＨｚ”に書換える。

（学習処理Ｓｔ及び識別処理Ｓｄについての処理中）
モデル差分確認部２４は、対象加工後モデルの動作条件のパラメータを“−”に書換える。
モデル差分確認部２４は、繰り返し処理を抜け出した後、モデルマスク処理手順を終了し、ステップＳ３３３に進む。

続いて、引数が“加工前モデル”である場合のモデルマスク処理手順を説明する。この場合のモデルマスク処理手順は、引数が“加工後モデル”である場合に比して、以下の（１）〜（３）のみが異なる。
（１）ステップＳ３５２において、書換えの対象となる動作条件の種別は、“対象加工前モデルの動作条件の種別”である。
（２）ステップＳ３５３において、書換えの対象となる動作条件の種別は、“対象加工前モデルの動作条件の種別”である。
（３）ステップＳ３５４において、書換えの対象となる動作条件のパラメータは、“対象加工前モデルの動作条件のパラメータ”である。

（初期化、上位概念化及びマスクの範囲）
前記では、動作条件加工部２２が動作条件を初期化する例として、センサ種別の文字列の一部を意味のない記号又は文字列で書換える例、パラメータ値を意味のない数字で書換える例を挙げた。しかしながら、初期化対象の単位はこれに限定されない。例えば、パラメータの一部（例えば、“クラスタ数”のうちの“クラスタ”）も初期化の対象にしてもよいし、パラメータ値の一部（例えば、特定の桁）のみを初期化の対象にしてもよい。つまり、動作条件の少なくとも一部が初期化されればよい。上位概念化及びマスクについても同様である。

（第１の実施形態の変形例１）
前記の例において、統計モデル作成装置２は、対象加工前モデル及び対象加工後モデル間のアルゴリズム種別の同異に応じて、対象加工前モデル又は対象加工後モデルの動作条件の種別の書換え態様（マスク又は上位概念化）を決定した。しかしながら、アルゴリズム種別が同じ統計モデル４１の候補のうちから、モデル作成者が対象加工前モデルを選択できることがより望ましい。

例えば“ｎ層ニューロ法”のパラメータは、“k-means法”のパラメータとは異なる。例えば、対象加工後モデルが“ｎ層ニューロ法”を使用しているとする。すると、対象加工前モデルが“k-means法”を使用している場合と、対象加工前モデルが“ｎ層ニューロ法”を使用している場合とを比較すると、後者の場合のほうが、モデル作成者にとって開発負担がより軽い。

そこで、第１の実施形態の変形例においては、前記の説明を以下のように変更する。
（１）ひな型モデル選択画面５０（図１０）は、必須の検索条件が入力される欄として、“アルゴリズム種別”の入力欄を有するものとする。
（２）ステップＳ３０２において、統計モデル作成装置２の加工前モデル選択部２１は、モデル作成者が“アルゴリズム種別”を入力するのを受け付ける。
（３）ステップＳ３０３において、加工前モデル選択部２１は、受け付けた“アルゴリズム種別”を“検索キー”に加える。加工前モデル選択部２１は、学習動作条件Ｐｔ及び識別動作条件Ｐｄの内容から、当該アルゴリズム種別を知ることができる。

（第１の実施形態の変形例２）
モデル差分確認処理手順（図７）のステップＳ３３４において、モデル差分確認部２４は、モデル提供者から承認を受け付けている。しかしながら、モデル差分確認部２４は、モデル作成者から承認を受け付けてもよい。この場合、モデル提供者は、承認する権限をモデル作成者に対して予め与えているものとする。つまり、モデル差分確認部２４は、ステップＳ３３４の処理を、ステップＳ３３６の処理の直後（ステップＳ３３８“Ｎｏ”からのパスが合流する前）に実行してもよい。

（第２の実施形態）
モデル作成者Ｘが、ある既存の統計モデル４１ａを基に、新たな統計モデル４１ｂを作成した後、当該新たな統計モデル４１ｂが運用され始める。すると、別のモデル作成者Ｙが、当該統計モデル４１ｂを基に、さらに新たな統計モデル４１ｃを作成する。基となる統計モデルを作成するモデル作成者の数が増加すると、又は、あるモデル作成者が作成する統計モデルの数が増加すると、それに続くモデル作成者にとって、基とする統計モデルの選択肢が増加し、統計モデル開発は促進される。そこで、第２の実施形態は、モデル作成者のそれぞれにポイントを与え、統計モデルの作成を動機付ける“インセンティブ処理手順”を有する。

（インセンティブ処理手順）
図９に沿って、インセンティブ処理手順を説明する。
インセンティブ処理が開始される契機は、加工前モデル選択処理手順のステップＳ３０５である。前記したように、ステップＳ３０５において、統計モデル作成装置２の加工前モデル選択部２１は、モデル作成者による選択を受け付ける。統計モデル作成装置２のポイント付与部２５は、当該処理を常時監視している。そして、ポイント付与部２５は、このとき選択した（ラジオボタンをクリックした）モデル作成者を“新規モデル作成者”として認識し、このとき選択された統計モデル４１のモデル作成者を“既存モデル作成者”として認識する。

ステップＳ３６１において、ポイント付与部２５は、ひな型ポイントを算出する。具体的には、第１に、ポイント付与部２５は、“選択回数”を“１”とする。
第２に、ポイント付与部２５は、“選択回数”に対して所定の係数を乗算した値を“ひな型ポイント”とする。

ステップＳ３６２において、ポイント付与部２５は、動作条件ポイントを算出する。具体的には、第１に、ポイント付与部２５は、対象加工前モデルのセンサ入力動作条件Ｐｉから対象加工後モデルのセンサ入力動作条件Ｐｉに書換えられたデータ量ΔＰｉを算出する。同様にして、対象加工前モデルの学習動作条件Ｐｔから対象加工後モデルの学習動作条件Ｐｔに書換えられたデータ量ΔＰｔを算出し、対象加工前モデルの識別動作条件Ｐｄから対象加工後モデルの識別動作条件Ｐｄに書換えられたデータ量ΔＰｄを算出する。

第２に、ポイント付与部２５は、“ΔＰｉ＋ΔＰｔ＋ΔＰｄ”に対して所定の係数を乗算した値を“動作条件ポイント”とする。なお、ポイント付与部２５は、“ｗ_ｉ×ΔＰｉ＋ｗ_ｔ×ΔＰｔ＋ｗ_ｄ×ΔＰｄ”に対して所定の係数を乗算した値を“動作条件ポイント”としてもよい。ここで、ｗ_ｉ＋ｗ_ｔ＋ｗ_ｄ＝１、０≦ｗ_ｉ≦１、０≦ｗ_ｔ≦１及び０≦ｗ_ｄ≦１が成り立っている。つまり、ｗ_ｉ、ｗ_ｔ及びｗ_ｄは、それぞれ、ΔＰｉ、ΔＰｔ及びΔＰｄに対する重みである。

ステップＳ３６３において、ポイント付与部２５は、インセンティブポイントを算出する。インセンティブポイントは、ひな型ポイントに対して動作条件ポイントを加算した値である。

ステップＳ３６４において、ポイント付与部２５は、ポイントを付加する。具体的には、第１に、ポイント付与部２５は、 “ｒ_１×インセンティブポイント”の値、並びに、その内数としての“ｒ_１×ひな型ポイント”の値及び“ｒ_１×動作条件ポイント”の値を既存モデル作成者に対し付与する。
第２に、ポイント付与部２５は、 “ｒ_２×インセンティブポイント”の値、並びに、その内数としての“ｒ_２×ひな型ポイント”の値及び“ｒ_２×動作条件ポイント”の値を新規モデル作成者に対し付与する。
ここで、０≦ｒ_２≦ｒ_１≦１である。つまり、既存モデル作成者に対してより大きなポイントが付与される。

ポイント付与部２５は、ステップＳ３０５を経由する都度、ステップＳ３６１〜Ｓ３６４の処理を繰り返す。そして、ポイント付与部２５は、モデル作成者ごとに、“ｒ_１×インセンティブポイント”の値、“ｒ_１×ひな型ポイント”の値、及び、“ｒ_１×動作条件ポイント”の値をそれぞれ加算し、加算結果を補助記憶装置１３に記憶する。同様に、モデル作成者ごとに、“ｒ_２×インセンティブポイント”の値、“ｒ_２×ひな型ポイント”の値、及び、“ｒ_２×動作条件ポイント”の値をそれぞれ加算し、加算結果を補助記憶装置１３に記憶する。ここで一旦インセンティブ処理手順は中断する。

ステップＳ３６５において、ポイント付与部２５は、ポイント表示画面５４（図１４（ａ））を表示する。具体的には、第１に、ポイント付与部２５は、任意の時点において、モデル作成者が自身の端末装置３の入力装置１６を介して、“ポイント照会要求”を入力するのを受け付けるのを契機に、インセンティブ処理手順を再開する。
第２に、ポイント付与部２５は、“ポイント照会要求”を入力したモデル作成者の端末装置３の出力装置１７にポイント表示画面５４を表示する。
第３に、ポイント付与部２５は、補助記憶装置１３から加算結果を読み出し、ポイント表示画面５４のユーザリスト欄２５１に加算結果を表示する。

ステップＳ３６６において、ポイント付与部２５は、ユーザ詳細情報表示画面５５（図１４（ｂ））を表示する。具体的には、第１に、ポイント付与部２５は、モデル作成者がユーザリスト欄２５１の任意のレコードを選択し（ラジオボックスをクリックし）“ＯＫ”ボタン２５２を押下するのを受け付ける。いま、モデル作成者は“鈴木○男”のレコードを選択したとする。

第２に、ポイント付与部２５は、加工前モデルＤＢ３１を検索し、モデル作成者１０３ｃが“鈴木○男”である統計モデル４１をすべて取得する。そして、取得した統計モデル４１の機器種別１０３ａ及びセンサ種別１０３ｂをすべて取得する。
第３に、ポイント付与部２５は、“ポイント照会要求”を入力したモデル作成者の端末装置３の出力装置１７にユーザ詳細情報表示画面５５を表示する。

第４に、ポイント付与部２５は、ユーザ詳細情報表示画面５５のユーザ名欄２６１ａに“鈴木○男”を表示する。そして、インセンティブポイント欄２６１ｂ、ひな型ポイント欄２６１ｃ及び動作条件ポイント欄２６１ｄに、それぞれ、“鈴木○男”のインセンティブポイント、ひな型ポイント及び動作条件ポイントの現在値（加算結果）を表示する。
第５に、ポイント付与部２５は、“第２”において取得した機器種別及びセンサ種別を、それぞれ、診断可能な機器欄２６１ｅ及び取扱可能なセンサ欄２６１ｆに表示する。
その後、インセンティブ処理手順を終了する。

（実施形態の効果）
本実施形態の統計モデル作成装置２は、以下の効果を奏する。
（１）新たな統計モデルの開発効率が向上し、既存の統計モデルに含まれる設計知識をユーザの立場に応じた態様で視認することができる。
（２）モデル提供者及びモデル利用者相互間で、動作条件についての設計知識を秘密にすることができる。
（３）動作条件の一部を上位概念化することによって、秘密にする必要性が比較的低い設計知識については概略を開示し、動作条件の一部をマスクすることによって、秘密にする必要性が比較的高い設計知識については、完全に秘密にすることができる。
（４）動作条件の一部を予め初期化することによって、仮に上位概念化又はマスクに失敗しても設計条件の開示を最小限に限定することができる。
（５）機器の取扱にとって枢要なアルゴリズムの種別及びパラメータ値を秘密にすることができる。
（６）機器の異常状態を検知することができる。

（７）モデル提供者の意向を無視することなく、新規の設計モデルを作成できる。
（８）同じ種別のアルゴリズムを有する設計モデルを基に、効率的に新規の設計モデルを作成することができる。
（９）設計モデルの作成者は、基となる設計モデルを選択することができる。
（１０）既存の設計モデルの作成者及び新規の設計モデルの両者に対して、設計モデルを流用する動機を与えることができる。
（１１）既存の設計モデルの作成者に、より流用されやすい統計モデルを作成する動機を与えることができる。
（１２）既存の設計モデルの作成者により多くのポイントを与えることによって、既存の統計モデルの供給不足を回避できる。
（１３）統計モデルを格納する記憶部が独立しているので、外部の顧客との連携が容易になる。

なお、本発明は前記した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、前記した実施例は、本発明を分かり易く説明するために詳細に説明したものであり、必ずしも説明したすべての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。また、各実施例の構成の一部について、他の構成の追加・削除・置換をすることが可能である。

また、前記の各構成、機能、処理部、処理手段等は、それらの一部又は全部を、例えば集積回路で設計する等によりハードウエアで実現してもよい。また、前記の各構成、機能等は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウエアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリや、ハードディスク、ＳＳＤ（Solid State Drive）等の記録装置、又は、ＩＣカード、ＳＤカード、ＤＶＤ等の記録媒体に置くことができる。
また、制御線や情報線は説明上必要と考えられるものを示しており、製品上必ずしもすべての制御線や情報線を示しているとは限らない。実際には殆どすべての構成が相互に接続されていると考えてもよい。

１ 統計モデル作成システム
２ 統計モデル作成装置
３ 端末装置
１１、１８ 中央制御装置（制御部）
１２、１９ 主記憶装置（記憶部）
１３、２０ 補助記憶装置（記憶部）
１４、１５ 通信装置
１６ 入力装置
１７ 出力装置
２１ 加工前モデル選択部
２２ 動作条件加工部
２３ 加工後モデル作成部
２４ モデル差分確認部
２５ ポイント付与部
４１、４２ 統計モデル
４３ アクセス権限
４４ モデル差分

Claims (15)

1. 機器に対する取扱についての動作手順及び前記動作手順のそれぞれに対応する動作条件を含む統計モデルが格納される記憶部と、
   前記記憶部を参照して第１の機器に対する取扱についての第１の統計モデルを取得し、前記取得した第１の統計モデルを基に、第２の機器に対する取扱についての第２の統計モデルを新たに作成し、
   前記第１の統計モデルの前記動作手順及び前記動作条件、並びに、前記第２の統計モデルの前記動作手順及び前記動作条件を対比形式でユーザに対して出力する際に、前記第１の統計モデルの前記動作条件の少なくとも一部、又は、前記第２の統計モデルの前記動作条件の少なくとも一部を、出力先の前記ユーザの立場に応じて異なる態様で出力する制御部と、
   を備えることを特徴とする統計モデル作成装置。
2. 前記制御部は、
   前記出力先の前記ユーザが前記第１の機器に関係する者である場合、
   前記第１の統計モデルの前記動作条件を変更することなく前記第２の統計モデルの前記動作条件の少なくとも一部の出力態様を変更し、
   前記出力先の前記ユーザが前記第２の機器に関係する者である場合、
   前記第２の統計モデルの前記動作条件を変更することなく前記第１の統計モデルの前記動作条件の少なくとも一部の出力態様を変更すること、
   を特徴とする請求項１に記載の統計モデル作成装置。
3. 前記制御部は、
   前記第１の統計モデルの前記動作条件と前記第２の統計モデルの前記動作条件とが同じである場合は、
   前記第１の統計モデルの前記動作条件の少なくとも一部又は第２の統計モデルの前記動作条件の少なくとも一部を上位概念化して出力し、
   前記第１の統計モデルの前記動作条件と前記第２の統計モデルの前記動作条件とが異なる場合は、
   前記第１の統計モデルの前記動作条件の少なくとも一部又は第２の統計モデルの前記動作条件の少なくとも一部をマスクして出力すること、
   を特徴とする請求項２に記載の統計モデル作成装置。
4. 前記制御部は、
   前記変更に先立ち、前記第１の統計モデルの前記動作条件の少なくとも一部を意味のないデータで初期化すること、
   を特徴とする請求項３に記載の統計モデル作成装置。
5. 前記変更される前記動作条件の一部は、
   前記機器に対する取扱についてのアルゴリズムの種別、及び、前記アルゴリズムによって使用されるパラメータ値を含むこと、
   を特徴とする請求項４に記載の統計モデル作成装置。
6. 前記取扱は、
   前記機器が異常状態にあるか否かを診断することを含むこと、
   を特徴とする請求項５に記載の統計モデル作成装置。
7. 前記制御部は、
   前記第１の統計モデルを基に、前記第２の統計モデルを新たに作成することについて、前記第１の機器に関係する者の承認又は前記第１の機器に関係する者から権限を与えられた者の承認を受け付けること、
   を特徴とする請求項６に記載の統計モデル作成装置。
8. 前記制御部は、
   前記第１の機器に対する取扱についての前記第１の統計モデルを取得するに際し、
   前記記憶部から、前記第２の統計モデルのアルゴリズムの種別と同じ種別のアルゴリズムを使用する前記第１の統計モデルを取得すること、
   を特徴とする請求項７に記載の統計モデル作成装置。
9. 前記制御部は、
   前記第１の統計モデルを取得するに際し、
   前記第１の統計モデルの複数の候補を取得し、
   前記ユーザが前記取得した複数の候補のうちの１つを選択するのを受け付けること、
   を特徴とする請求項８に記載の統計モデル作成装置。
10. 前記制御部は、
    前記選択された第１の統計モデルの作成者及び前記選択を行った者に対して、ポイントを付与すること、
    を特徴とする請求項９に記載の統計モデル作成装置。
11. 前記制御部は、
    前記選択された回数、及び、前記第１の統計モデルから前記第２の統計モデルに書換えられたデータ量に応じて、前記ポイントを算出すること、
    を特徴とする請求項１０に記載の統計モデル作成装置。
12. 前記制御部は、
    前記選択を行った者に付与するポイントを前記選択された第１の統計モデルの作成者に付与するポイントに比して少なくすること、
    を特徴とする請求項１１に記載の統計モデル作成装置。
13. 前記記憶部と前記制御部は、
    それぞれ独立した構成であり、
    前記制御部は、
    ネットワークを介して前記記憶部にアクセスすること、
    を特徴とする請求項１２に記載の統計モデル作成装置。
14. 統計モデル作成装置の記憶部は、
    機器に対する取扱についての動作手順及び前記動作手順のそれぞれに対応する動作条件を含む統計モデルを格納しており、
    前記統計モデル作成装置の制御部は、
    前記記憶部を参照して第１の機器に対する取扱についての第１の統計モデルを取得し、前記取得した第１の統計モデルを基に、第２の機器に対する取扱についての第２の統計モデルを新たに作成し、
    前記第１の統計モデルの前記動作手順及び前記動作条件、並びに、前記第２の統計モデルの前記動作手順及び前記動作条件を対比形式でユーザに対して出力する際に、前記第１の統計モデルの前記動作条件の少なくとも一部、又は、前記第２の統計モデルの前記動作条件の少なくとも一部を、出力先の前記ユーザの立場に応じて異なる態様で出力すること、
    を特徴とする統計モデル作成装置の統計モデル作成方法。
15. 統計モデル作成装置の記憶部に対し、
    機器に対する取扱についての動作手順及び前記動作手順のそれぞれに対応する動作条件を含む統計モデルを格納させ、
    前記統計モデル作成装置の制御部に対し、
    前記記憶部を参照して第１の機器に対する取扱についての第１の統計モデルを取得し、前記取得した第１の統計モデルを基に、第２の機器に対する取扱についての第２の統計モデルを新たに作成し、
    前記第１の統計モデルの前記動作手順及び前記動作条件、並びに、前記第２の統計モデルの前記動作手順及び前記動作条件を対比形式でユーザに対して出力する際に、前記第１の統計モデルの前記動作条件の少なくとも一部、又は、前記第２の統計モデルの前記動作条件の少なくとも一部を、出力先の前記ユーザの立場に応じて異なる態様で出力する処理を実行させること、
    を特徴とする統計モデル作成装置を機能させるための統計モデル作成プログラム。

Images