JP2021082025A - 診断装置、診断方法及び診断プログラム - Google Patents

Abstract

【課題】センサを配置した部分の運動状態に関わらず、部分の故障の予兆の検知を行う。【解決手段】診断装置は、動力機械が発生する動力によって駆動する第一駆動体の動作状態を検出し、第一駆動体の動作状態に応じた第一検出信号を出力する第一センサと、第一駆動体を介して伝達された動力によって駆動する第二駆動体の動作状態を検出し、第二駆動体の動作状態に応じた第二検出信号を出力する第二センサと、第二駆動体の正常状態を表す診断モデルであって、第一センサによって予め取得された第一駆動体の過去の動作状態に応じた第一検出信号と第二センサによって予め取得された第二駆動体の過去の動作状態に応じた第二検出信号とに基づいて生成されたモデル生成用データを用いて生成される診断モデルと、少なくとも第二検出信号に基づいて生成された診断用データとに基づいて、第二駆動体の動作状態を診断し、診断の結果に基づいて、第二駆動体の動作異常に関する動作異常信号を生成して出力する状態検知部と、を備える【選択図】図２

Description

本開示は、診断装置、診断方法及び診断プログラムに関する。

従来、プラントや設備等の動作異常を検知する診断装置が知られている。このような設備は、複数の装置や部品が連結されて構成されており、連結された各部にセンサを配置し、各センサの出力に基づき各部の故障を検知することが行われている（例えば、特許文献１）。

特許第６３０８５９１号公報

しかしながら、センサを配置した部分の運動エネルギーが低い場合、そのセンサの出力の挙動を監視するのみではセンサを配置した部分の故障の予兆を検出できないことがある。例えば、モータ、減速機、軸受け、撹拌部等が連結された撹拌設備において、撹拌部が低速回転（例えば１００ｒｐｍ以下）で運転される場合、軸受け等における運動エネルギーが低く、軸受けに配置したセンサからの出力のみから故障の予兆を検出することが困難であった。

そこで、本開示は、センサを配置した部分の運動状態に関わらず、センサ配置部分の故障の予兆の検知が可能な診断装置、診断方法及び診断プログラムを提供することを目的とする。

上記課題を解決するために、本開示の一態様に係る診断装置は、動力機械が発生する動力によって駆動する第一駆動体の動作状態を検出し、第一駆動体の動作状態に応じた第一検出信号を出力する第一センサと、第一駆動体を介して伝達された動力によって駆動する第二駆動体の動作状態を検出し、第二駆動体の動作状態に応じた第二検出信号を出力する第二センサと、第二駆動体の正常状態を表す診断モデルであって、第一センサによって予め取得された第一駆動体の過去の動作状態に応じた第一検出信号と第二センサによって予め取得された第二駆動体の過去の動作状態に応じた第二検出信号とに基づいて生成されたモデル生成用データを用いて生成される診断モデルと、少なくとも第二検出信号に基づいて生成された診断用データとに基づいて、第二駆動体の動作状態を診断し、診断の結果に基づいて、第二駆動体の動作異常に関する動作異常信号を生成して出力する状態検知部と、を備えることを特徴とする。

上記課題を解決するために、本開示の他の態様に係る診断方法は、第一センサにより、動力機械が発生する動力によって駆動する第一駆動体の動作状態に応じた第一検出信号を取得することと、第二センサにより、第一駆動体を介して伝達された動力によって駆動する第二駆動体の動作状態に応じた第二検出信号を取得することと、第二駆動体の正常状態を表す診断モデルであって、第一センサによって予め取得した第一駆動体の過去の動作状態に応じた第一検出信号と第二センサによって予め取得した第二駆動体の過去の動作状態に応じた第二検出信号とに基づいて生成されるモデル生成用データを用いて生成される診断モデルと、少なくとも第二検出信号に基づいて生成された診断用データとに基づいて、第二駆動体の動作状態を診断することと、診断の結果に基づいて、第二駆動体の動作異常に関する動作異常信号を生成する異常検知処理を実行することを特徴とする。

上記課題を解決するために、本開示の他の態様に係る診断プログラムは、第一センサにより、動力機械が発生する動力によって駆動する第一駆動体の動作状態に応じた第一検出信号を取得することと、第二センサにより、第一駆動体を介して伝達された動力によって駆動する第二駆動体の動作状態に応じた第二検出信号を取得することと、第二駆動体の正常状態を表す診断モデルであって、第一センサによって予め取得した第一駆動体の過去の動作状態に応じた第一検出信号と第二センサによって予め取得した第二駆動体の過去の動作状態に応じた第二検出信号とに基づいて生成されるモデル生成用データを用いて生成される診断モデルと、少なくとも第二検出信号に基づいて生成された診断用データとに基づいて、第二駆動体の動作状態を診断することと、診断の結果に基づいて、第二駆動体の動作異常に関する動作異常信号を生成する異常検知処理を実行することと、をコンピュータに実行させることを特徴とする。

本開示の一態様によれば、センサを配置した部分の運動状態に関わらず、部分の故障の予兆の検知を行うことができる。

本開示の第一実施形態に係る診断装置及び診断装置により異常状態が検知される撹拌装置の一構成例を示す模式図である。 本開示の第一実施形態に係る診断装置及び診断装置と接続されるサーバの一構成例を示す概略図である。 本開示の第一実施形態に係るモデル生成方法の一例を示すフローチャートである。 本開示の第一実施形態に係るモデル生成方法の一例を示すフローチャートである。 本開示の第一実施形態に係る診断装置において生成されるモデル生成用データの一例を示す図である。 本開示の第一実施形態に係る診断装置において生成されるモデル生成用データの一例を示す図である。 本開示の第一実施形態に係る診断方法の一例を示すフローチャートである。 本開示の第一実施形態に係る診断方法の一例を示すフローチャートである。 本開示の第二実施形態に係るモデル生成方法の一例を示すフローチャートである。 本開示の第二実施形態に係るモデル生成方法の一例を説明する模式図である。 本開示の第二実施形態に係るモデル生成方法の一例を説明する模式図である。 本開示の第三実施形態に係るモデル生成方法の一例を示すフローチャートである。 本開示の第三実施形態に係るモデル生成方法の一例を示すフローチャートである。 本開示の第三実施形態に係るモデル生成部での処理を説明するためのグラフである。 本開示の第三実施形態に係る診断装置で用いる診断モデルの単位空間を模式的に示す図である。 本開示の第三実施形態に係る診断装置で用いる診断モデルを説明する図である。 本開示の第四実施形態に係る診断装置及び診断装置と接続されるサーバの一構成例を示す概略図である。 本開示の第二実施形態に係る診断方法の一例を示すフローチャートである。 本開示の各実施形態に係る診断装置のハードウェア構成の一例を示すブロック図である。

以下、実施形態を通じて本実施形態に係る診断装置を説明するが、以下の実施形態は特許請求の範囲に係る発明を限定するものではない。また、実施形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。

また、このような診断装置は、汎用のコンピュータなどの情報処理装置であるハードウェアと、コンピュータプログラムであるソフトウェアとの協働によって実現される。コンピュータプログラムは、情報処理装置が備える一又は複数のプロセッサによって読み取り可能であり、ハードディスクにインストールされることによりプロセッサが診断装置の各部として機能する。

１．第一実施形態
以下、第一実施形態に係る診断装置と、診断装置で実行される診断方法及び診断プログラムについて、図１から図８を参照して説明する。
本実施形態に係る診断装置は、モータ、減速機、軸受、撹拌部等が連結された撹拌設備の故障の予兆を診断する診断装置である。本実施形態の診断装置は、撹拌設備の各部にそれぞれ配置した複数のセンサそれぞれの出力の挙動と各センサ間の連動性（相関）とを監視することにより、撹拌設備の各部（保全対象部）の故障の予兆を検知する。本実施形態では、特に、他の部分に比べて交換作業が困難な軸受の故障の予兆を検知する場合について説明する。

プラントや設備の一部に故障が発生した場合、修理のためにプラントや設備の操業を停止すると、周辺工場や物流等も停止する。プラントや設備の操業を停止する場合、周辺工場や物流等と連携した計画停止を行うことが好ましい。しかしながら、プラントや設備の故障予兆が故障の直前であった場合、計画停止を行うことは困難である。
また、例えばモータ、減速機、軸受及び撹拌部等が連結された撹拌設備では、センサにより各部の振動等を監視し、故障予兆があった場合であっても、故障予兆が撹拌設備のいずれの部位に起因するのかを切り分けることが困難である。
また、設備等においては故障の発生頻度が顕著に小さいため、予め異常発生時における設備の保全対象部の動作状態を取得しておくことが困難である。
以上に鑑み、本実施形態では、保全対象部の正常な動作状態に着目し、設備の保全対象部の動作状態が正常な動作状態から逸脱した場合に異常状態と判断するアノマリー検知の手法により故障予兆を行う。

（１．１）診断装置により異常検知される装置（撹拌装置）の構成
図１は、診断装置１と、診断装置１により異常状態が検知される撹拌装置１００とを示す診断システムの構成を示す。
撹拌装置１００は、モータ（動力機械の一例）１１０と、減速機（第一駆動体の一例）１２０と、軸受（第二駆動体の一例）１４０とを備えており、減速機１２０はモータ１１０と軸受１４０との間に設けられている。また、撹拌装置１００は、回転軸１３０と、撹拌部１５０と、タンク１６０とを備えている。撹拌装置１００は、モータ１１０からの動力によって軸受１４０及び撹拌部１５０が回転駆動する攪拌機である。

モータ１１０は、動力を発生し、撹拌部１５０を回転駆動させるための動力を減速機１２０に供給する。
減速機１２０は、モータ１１０から得た動力を減速し、撹拌部１５０を低速回転で駆動させるための動力を回転軸１３０に供給して撹拌部１５０を低速回転させる。
回転軸１３０は、減速機１２０から得た動力に応じて回転する。
軸受１４０は、例えばスラスト軸受、すべり軸受、転がり軸受等であり、撹拌部１５０がタンク１６０内の所定の位置で回転するように回転軸１３０を支持する。

撹拌部１５０は、タンク１６０内の液体同士、又は液体と固体とを混ぜ合わせる機能を有している。撹拌部１５０は、モータ１１０を上流とした場合に、軸受１４０よりも下流に設けられている。
撹拌部１５０は、例えば、軸受１４０に固定された回転軸１５１と撹拌用羽根１５２とを備えている。撹拌用羽根１５２は、撹拌される材料に応じて、タービン型、オール型、プロペラ型、螺旋軸型等の形状を有している。
タンク１６０は、撹拌部１５０によって撹拌される液体や固体を収容する。

診断装置１は、回転体として撹拌部１５０を有する低速回転機器である撹拌装置１００において異常が発生していないかどうかを判断し、撹拌装置１００の診断を行う。ここで、「低速回転」とは、回転体の回転数が３００ｒｐｍ以下又はｄｎ値が２００００ｍｍ・ｒｐｍ以下程度であることをいう。本開示による診断装置１及び診断方法は、回転数が３００ｒｐｍ以下又はｄｎ値が２００００ｍｍ・ｒｐｍ以下程度の回転体を有する低速回転機器の診断に好適である。また、本開示による診断装置１及び診断方法は、回転数が１００ｒｐｍ以下の回転体を有する低速回転機器の診断により好適である。低速回転機器では、撹拌装置１００の他、例えば低速回転の押出機等であっても良い。

（１．２）診断装置の構成
図２は、図１に示す本実施形態に係る診断装置１の詳細な構成を示すブロック図である。図２に示すように、診断装置１は、複数のセンサ１０（第一センサ１０Ａ及び第二センサ１０Ｂ）と、センサデータ処理部２０と、記憶部３０と、状態検知部４０とを備えている。
また、診断装置１は、出力装置２００及びサーバ３００とそれぞれ接続されている。出力装置２００及びサーバ３００については後述する。

＜センサ＞
センサ１０は、撹拌装置１００の各部に対して取り付けられ、撹拌装置１００の各部の振動等を検出する。本実施形態では、２つのセンサ１０（第一センサ１０Ａ及び第二センサ１０Ｂ）を用いる場合について説明する。

（第一センサ）
第一センサ１０Ａは、第一駆動体である減速機１２０の回転動作状態を検出するセンサである。第一センサ１０Ａは、減速機１２０の回転動作の状態を検出可能であればどのようなセンサであってもよい。第一センサ１０Ａとしては、減速機１２０の回転を光学式又は磁気式の手法により検出する回転検出センサ、減速機１２０の回転による振動を検出する振動センサ又は減速機１２０の回転により生じる回転音を検出する音響センサ等が用いられる。第一センサ１０Ａは、減速機１２０に接触せずに動作状態を検出する非接触式の回転検出センサであることが好ましい。
第一センサ１０Ａは、例えば、減速機１２０の動作状態に応じて得られた速度（回転速度又は振動速度）、加速度（回転加速度又は振動加速度）及び変位を示すセンサデータを第一検出信号Ｓ１として出力する。

（第二センサ）
第二センサ１０Ｂは、第二駆動体である軸受１４０の回転動作状態を検出するセンサである。第二センサ１０Ｂは、軸受け１４０の回転動作の状態を検出可能であればどのようなセンサであってもよい。
第二センサ１０Ｂは、例えば、軸受１４０の動作状態に応じて得られた速度（回転速度又は振動速度）、加速度（回転加速度又は振動加速度）及び変位を示すセンサデータを第二検出信号Ｓ２として出力する。
センサ１０が出力する検出信号は、加速度、速度、変位、のいずれかの検出信号のみであってもよい。例えば、センサ１０から出力された変位の検出信号に基づいて、後述するセンサデータ処理部２０において速度、加速度の値を算出してもよい。

＜センサデータ処理部＞
センサデータ処理部２０は、第一センサ１０Ａ及び第二センサ１０Ｂから、第一検出信号Ｓ１及び第二検出信号Ｓ２をそれぞれ取得する。センサデータ処理部２０は、第一検出信号Ｓ１及び第二検出信号Ｓ２に対してデータ処理を行い、処理済データを生成する。
センサデータ処理部２０は、第一検出信号Ｓ１及び第二検出信号Ｓ２の処理済みデータを、第一処理済信号Ｓ１’及び第二処理済信号Ｓ２’として記憶部３０に出力する。

また、センサデータ処理部２０は、生成した複数の処理済データから、撹拌装置１００の動作状態を診断するための診断用データとして用いる処理済データを抽出し、第一処理済信号Ｓ１’’及び第二処理済信号Ｓ２’’として状態検知部４０に出力する。センサデータ処理部２０では、軸受１４０の故障の予兆を検知するために、第一センサ１０Ａ及び第二センサ１０Ｂから得たセンサデータの少なくとも一つを抽出し、データ処理を行って第一処理済信号Ｓ１’’又は第二処理済信号Ｓ２’’とする。

以下、センサデータ処理部２０におけるデータ処理の一例について詳細に説明する。
センサデータ処理部２０は、第一センサ１０Ａから、減速機１２０の速度、加速度及び変位を示すセンサデータを第一検出信号Ｓ１として取得する。また、センサデータ処理部２０は、第二センサ１０Ｂから、軸受１４０の速度、加速度及び変位を示すセンサデータを第二検出信号Ｓ２として取得する。

センサデータ処理部２０は、減速機１２０から得た各センサデータをデータ処理することにより、減速機１２０の速度データのＯ／Ａ（オーバオール）値、加速度データのＯ／Ａ値及び変位データのＯ／Ａ値、並びに加速度データのＣＦ（クレストファクタ）値を得る。以下、速度、加速度及び変位のデータのＯ／Ａ値を、速度ＯＡ、加速度ＯＡ及び変位ＯＡと言い、加速度データのＣＦ値を加速度ＣＦと言う場合がある。また、センサデータ処理部２０は、単位時間（例えば１時間）毎に、減速機１２０の速度ＯＡ、加速度ＯＡ及び変位ＯＡ、並びに加速度ＣＦの平均値、最大値及び最小値をそれぞれ算出する。

同様に、センサデータ処理部２０は、軸受１４０から得た各センサデータをデータ処理することにより、軸受１４０の速度ＯＡ、加速度ＯＡ及び変位ＯＡ、並びに加速度ＣＦを得る。また、センサデータ処理部２０は、単位時間（例えば１時間）毎に、軸受１４０の速度ＯＡ、加速度ＯＡ及び変位ＯＡ、並びに加速度ＣＦの平均値、最大値及び最小値をそれぞれ算出する。

センサデータ処理部２０は、データ処理により得られた減速機１２０の速度ＯＡ、加速度ＯＡ及び変位ＯＡ、並びに加速度ＣＦの平均値、最大値及び最小値を、第一処理済信号Ｓ１’として記憶部３０に出力する。また、センサデータ処理部２０は、データ処理により得られた軸受１４０の速度ＯＡ、加速度ＯＡ及び変位ＯＡ、並びに加速度ＣＦの平均値、最大値及び最小値を、第二処理済信号Ｓ２’として記憶部３０に出力する。
サーバ３００では、記憶部３０から得られた第一処理済信号Ｓ１’及び第二処理済信号Ｓ２’に含まれる処理済データをモデル生成用データとして、後述する診断モデル４２を生成する。診断モデル４２については後述する。

センサデータ処理部２０は、データ処理により得られた各処理済データのうち、第一検出信号Ｓ１及び第二検出信号Ｓ２に基づいて生成された処理済データを診断用データとして、状態検知部４０に出力する。すなわち、センサデータ処理部２０は、少なくとも第二センサ１０Ｂのセンサデータをデータ処理した処理済データを診断用データとし、診断用データを含む第三処理済信号Ｓ３’を状態検知部４０に出力する。

なお、上述した形態は一例であり、センサデータ処理部２０は、上述した速度ＯＡ、加速度ＯＡ及び変位ＯＡ、並びに加速度ＣＦの平均値、最大値及び最小値のうちの少なくとも１つを出力してもよい。
また、センサデータ処理部２０は、第一センサ１０Ａ及び第二センサ１０Ｂから取得したセンサデータに基づいて他のセンサデータを算出しても良い。例えば、センサデータ処理部２０は、第一センサ１０Ａ及び第二センサ１０Ｂから速度を示すセンサデータを取得し、当該センサデータから加速度を示すセンサデータを算出しても良い。

＜記憶部＞
記憶部３０には、センサデータ処理部２０から第一処理済信号Ｓ１’及び第二処理済信号Ｓ２’が入力される。記憶部３０は、第一処理済信号Ｓ１’及び第二処理済信号Ｓ２’を記憶する。第一処理済信号Ｓ１’及び第二処理済信号Ｓ２’は、診断モデル４２を生成するためのモデル生成用データや、撹拌装置１００の動作状態を診断するための診断用データ等となる。

＜状態検知部＞
状態検知部４０は、サーバ３００で生成された診断モデル４２を備えている。状態検知部４０は、診断モデル４２と、第一検出信号Ｓ１及び第二検出信号Ｓ２の少なくとも一方とに基づいて生成された診断用データとに基づいて、軸受１４０の動作状態（軸受１４０の動作状態が異常であるか否か）を診断する。状態検知部４０は、少なくとも、軸受１４０の動作異常を示す動作異常信号を出力装置２００に出力する。また、状態検知部４０は、軸受１４０の動作異常を示す動作異常信号を記憶部３０に出力しても良い。

診断モデル４２は、軸受１４０の正常状態を示す診断モデルである。診断モデル４２は、設備が正常に動作している場合のセンサデータを用いて生成した正常空間モデルである。診断モデル４２は、現在のセンサデータに由来する判定用データを、正常空間中心からの確率距離であるマハラノビス距離を用いて評価する。マハラノビス距離の経時変化を監視し、マハラノビス距離が大きくなってきた場合、判定用データが正常空間から外れてきたことを意味する。診断モデル４２は、減速機１２０の過去の動作状態に応じた第一検出信号Ｓ１と、軸受１４０の過去の動作状態に応じた第二検出信号Ｓ２とに基づいて生成されたモデル生成用データを用いて生成される。

診断モデル４２は、診断用データを入力として、軸受１４０の動作状態を示す動作状態データを出力する。
動作状態データは、例えば、軸受１４０の動作が異常であることを示す動作異常データ又は軸受１４０の動作が正常であることを示す動作正常データである。状態検知部４０は、診断モデル４２から出力された動作状態データが動作異常データである場合に、動作異常信号を生成し、出力装置２００に出力する。

以上説明した本実施形態の診断装置１は、以下の出力装置２００及びサーバ３００と接続されている。

＜サーバ＞
サーバ３００は、診断モデル４２を生成するモデル生成部３１０を備えている。サーバ３００は、図１に示すように、サーバ３００を操作するためのコンピュータ４００と接続されていても良い。
モデル生成部３１０は、特徴抽出部３１１と、学習部３１２とを有している。
特徴抽出部３１１は、記憶部３０から入力された、診断モデル４２の生成に用いるモデル生成用データの特徴を抽出する。特徴抽出部３１１において特徴を抽出するアルゴリズムとしては、例えば、移動平均、周波数解析、平滑化法等を用いることができる。このようなアルゴリズムは、特徴量抽出プログラムとして特徴抽出部３１１内の図示しない記憶部に記憶されており、特徴量の抽出処理時には、例えば図示しないＲＡＭ（Random Access Memory）に展開される。

特徴抽出部３１１は、入力されたモデル生成用データである速度、加速度及び変位の全てについて、時系列変化を示す特徴量を算出する変数変換を行い、さらなるモデル生成用データを生成する。時系列変化を示す特徴量とは、例えば所定期間の移動平均及び移動標準偏差等である。変数変換は、動作状態の推定の前処理である。換言すると、特徴抽出部３１１は、変数変換により時系列変化を示す特徴量を算出することで、モデル生成用データに含まれるデータの項目を増幅させる。
ここで、時系列変化を示す特徴量として用いられる、トレンドを示す所定期間の移動平均及びばらつきを示す所定期間の移動標準偏差は、保全対象部の故障の予兆傾向を捉えていると考えられる。このため、モデル生成用データとして時系列変化を示す特徴量を含む場合、診断モデル４２の正常空間モデルとしての精度が向上する。
特徴抽出部３１１は、変数変換により生成されたモデル生成用データ（解析データ）を含むデータセットを学習部３１２に出力する。

学習部３１２は、入力された解析データを含むデータセットを用いて正常空間モデルを生成する。学習部３１２は、既存の診断モデル４２に対して、特徴抽出部３１１から入力された正常稼働時のセンサデータに基づくモデル生成用データを入力とする機械学習（追加学習）を行うことにより、新たな診断モデル４２を生成する。
なお、モデル生成部３１０は、診断装置１の内部に設けられていても良い。

＜出力部＞
出力装置２００は、例えば例えば液晶ディスプレイ（ＬＣＤ：Liquid Crystal Display）、有機ＥＬディスプレイ（ＯＥＬＤ：Organic Electro-Luminescence Display）等の表示装置である。また、出力装置２００は、プリンタ等の印字機能を有する端末や、スピーカ等の音声出力部であっても良い。出力装置２００は、診断装置１の状態検知部４０と接続され、診断装置１から出力された撹拌装置１００の診断結果（例えば撹拌装置１００の動作異常情報）を取得する。

出力装置２００が表示装置である場合、出力装置２００は、撹拌装置１００の診断結果を表示する。この場合、出力装置２００は、状態検知部４０から取得した動作異常情報に基づいて、軸受１４０の異常に関する情報をグラフや図表として表示することができる。

（１．３）診断モデルの生成
図２を参照しつつ図３から図６を用いて、本実施形態に係る診断装置１で用いられる診断モデル４２の生成方法について説明する。本実施形態では、診断モデル４２の生成にアノマリー検知の手法を用い、設備が正常に動作している場合のセンサデータを用いて生成した正常空間モデルを診断モデル４２とする。

図３は、サーバ３００における診断モデル４２の生成の一例を示すフローチャートである。
図３に示すように、診断モデル４２を生成するためのモデル生成用データが記憶部３０に蓄積される（ステップＳ１１）。以下、図４を用いて、ステップＳ１１におけるモデル生成用データの蓄積処理について、ステップＳ１１１〜Ｓ１１４により詳細に説明する。

診断装置１では、図示しない演算装置等によって第一センサ１０Ａ及び第二センサ１０Ｂからのセンサデータの検出タイミングが所定のタイミングに合致するか否かを判断する（ステップＳ１１１）。検出タイミングが所定のタイミングに合致すると判断された場合（ステップＳ１１１のＹｅｓ）、第一センサ１０Ａ及び第二センサ１０Ｂは、そのタイミングにおけるセンサデータを第一検出信号Ｓ１及び第二検出信号Ｓ２としてセンサデータ処理部２０に出力する。センサデータ処理部２０は、第一検出信号Ｓ１及び第二検出信号Ｓ２を受信することにより、第一センサ１０Ａ及び第二センサ１０Ｂのセンサデータをそれぞれ取得する（ステップＳ１１２）。センサデータ処理部２０は、第一センサ１０Ａ及び第二センサ１０Ｂから所定周期で（例えば１時間ごとに）振動データ等のセンサデータを取得する。このとき、センサデータ処理部２０は、所定時間（例えば３０秒間又は軸受１４０の５回転分の時間）に亘り、センサデータを取得する。センサデータ処理部２０は、センサデータとして、第一センサ１０Ａから減速機１２０の速度、加速度及び変位のデータを取得する。また、センサデータ処理部２０は、センサデータとして、第二センサ１０Ｂから軸受１４０の速度、加速度及び変位のデータを取得する。

センサデータ処理部２０は、第一センサ１０Ａ及び第二センサ１０Ｂのセンサデータを含むデータ群をデータ処理することにより、モデル生成用データを生成する（ステップＳ１１３）。センサデータ処理部２０は、モデル生成用データとして、例えば減速機１２０の速度ＯＡ、加速度ＯＡ及び変位ＯＡ、並びに加速度ＣＦそれぞれの平均値、最大値及び最小値のデータを生成する。また、センサデータ処理部２０は、モデル生成用データとして、例えば軸受１４０の速度ＯＡ、加速度ＯＡ及び変位ＯＡ、並びに加速度ＣＦそれぞれの平均値、最大値及び最小値のデータを生成する。すなわち、センサデータ処理部２０は、図５に示す２４項目のモデル生成用データを生成し、記憶部３０に出力する。

これらのモデル生成用データは、所定時間（例えば３０秒間）において取得した減速機１２０及び軸受１４０の速度、加速度及び変位のデータに基づいて算出される。例えば、第二センサ１０Ｂからの加速度に基づいて算出される加速度ＯＡは、所定時間（例えば３０秒間）における加速度の振動波形の平均的な高さを示し、軸受１４０の劣化を示す。また、第二センサ１０Ｂからの加速度に基づいて算出される加速度ＣＦは、加速度ＯＡに対するピーク値（加速度の振動波形の最高値）の比であり、軸受１４０の状態の変化を捉えようとする値である。加速度ＣＦは、欠陥の判定等に用いられる。

センサデータ処理部２０から出力された２４項目のモデル生成用データは、記憶部３０に記憶される（ステップＳ１１４）。記憶部３０に記憶された２４項目のモデル生成用データは、モデル生成用データの候補であっても良い。すなわち、記憶部３０に記憶された２４項目のモデル生成用データの全てがモデル生成に用いられず、２４項目未満のモデル生成用データがモデル生成に用いられてもよい。
ステップＳ１１１〜Ｓ１１４の処理が所定期間に亘って繰り返されることにより、モデル生成用データが記憶部３０に蓄積される（ステップＳ１１）。

モデル生成部３１０は、記憶部３０から診断モデル４２の生成に用いるモデル生成用データを取得する（ステップＳ１２）。モデル生成部３１０の特徴抽出部３１１は、取得された２４項目のモデル生成用データ全てについて、例えば所定期間の移動平均及び移動標準偏差を算出する変数変換を行う（ステップＳ１３）。このとき、モデル生成部３１０は、今回取得したモデル生成用データと、過去の所定期間に取得して記憶部３０に記憶されたモデル生成用データとに基づいて、所定期間の移動平均及び移動標準偏差を算出する。算出された所定期間の移動平均及び移動標準偏差は、解析データに追加される。

このとき、モデル生成部３１０は、軸受１４０に異常が生じたとみなした時点から過去の一定期間を、設備の保全対象部の故障の予兆が生じている期間とみなし、「予兆除外期間」として予め設定する。第一実施形態において、「予兆除外期間」はユーザの経験等により決定される。特徴抽出部３１１は、予兆除外期間を除いた期間（保全対象部の故障の予兆が生じていないとみなされた期間）におけるモデル生成用データを、学習部３２２に出力する。これにより、特徴抽出部３１１は、撹拌装置１００が正常に動作していると想定される期間におけるモデル生成用データのみを、学習部３２２に出力することができる。

ここで、解析データの項目数（Ｓ個）は、解析データの項目数（Ｓ個）＝モデル生成用データの項目数（Ｐ個）＋モデル生成用データの項目数（Ｐ個）×変数変換の種類数（Ｋ個）（すなわち、Ｓ＝Ｐ（１＋Ｋ））で表される。例えば、図６は、一定期間中に取得された変位ＯＡの平均値を、第１の所定期間（ｘ１日）の移動平均及び移動標準偏差と、第２の所定期間（ｘ２日）の移動平均及び移動標準偏差と、第３の所定期間（ｘ３日）の移動平均及び移動標準偏差に変数変換した場合の解析データを示している。ここで、第２の所定期間（ｘ２日）は第１の所定期間（ｘ１日）より長く、第３の所定期間（ｘ３日）は第１の所定期間（ｘ１日）及び第２所定期間（ｘ２日）よりも長いものとする。図６に示すように、変位ＯＡの平均値を上述した６種類の値に変数変換した場合、解析データの項目数（Ｓ個）は１×（１＋６）＝７個となる。同様に、残りの２３項目のモデル生成用データに対して６種類の値への変数変換を行った場合、全ての解析データの項目数（Ｓ個）は２４×（１＋６）＝１６８個となる。
特徴抽出部３１１は、変数変換により生成されたＳ個の解析データを含むデータセットを学習部３１２に出力する。

続いて、学習部３１２は、Ｓ個の解析データを含むデータセットを用いて正常空間モデルを生成する。学習部３１２は、Ｓ個（例えば１６８個）の解析データの項目に出現し得る数値範囲の組み合わせにて正常空間を規定する。Ｓ個の解析データの具体的な分析手法としては、マハラノビス距離などを活用することができる。解析データの分析においてマハラノビス距離を用いる場合には、現在のセンサデータが正常空間の範囲内からいつ範囲外に出たかを単一指標でみることができる。
モデル生成部３１０は、以上のようにして生成した正常空間モデルを診断モデル４２として決定する。モデル生成部３１０は、診断モデル４２を複製して状態検知部４０に送信する。状態検知部４０は、送信された診断モデル４２を記憶する。

（１．４）診断装置の動作
図２を参照しつつ図７及び図８を用いて、本実施形態に係る診断装置１により実行される診断方法について説明する。
以下では、第一センサ１０Ａ及び第二センサ１０Ｂから得たセンサデータの少なくとも一つを用いて軸受１４０の故障の予兆を検知する場合について説明する。

図７は、診断装置１により実行される診断方法を示すフローチャートである。
図７に示すように、診断装置１では、図示しない演算装置等によって第一センサ１０Ａ及び第二センサ１０Ｂからのセンサデータの検出タイミングが所定のタイミングに合致するか否かを判断する（ステップＳ２１）。検出タイミングが所定のタイミングに合致すると判断された場合（ステップＳ２１のＹｅｓ）、第一センサ１０Ａ及び第二センサ１０Ｂは、そのタイミングにおけるセンサデータを第一検出信号Ｓ１及び第二検出信号Ｓ２としてセンサデータ処理部２０に出力する。

センサデータ処理部２０は、第一検出信号Ｓ１及び第二検出信号Ｓ２を受信することにより、第一センサ１０Ａ及び第二センサ１０Ｂのセンサデータを取得する（ステップＳ２２）。センサデータ処理部２０は、第一センサ１０Ａ及び第二センサ１０Ｂから所定周期で（例えば１時間ごとに）振動データ等のセンサデータを取得する。このとき、センサデータ処理部２０は、所定時間（例えば３０秒間又は軸受１４０の５回転分の時間）に亘り、センサデータを取得する。

センサデータ処理部２０は、第一センサ１０Ａ及び第二センサ１０Ｂのセンサデータを含むデータ群をデータ処理することにより、判定用データを生成する（ステップＳ２３）。センサデータ処理部２０は、判定用データとして、減速機１２０及び軸受１４０の速度ＯＡ、加速度ＯＡ及び変位ＯＡ、並びに加速度ＣＦそれぞれの平均値、最大値及び最小値のデータを生成する。すなわち、センサデータ処理部２０は、図５に示す２４項目の判定用データを生成し、状態検知部４０に出力する。

また、状態検知部４０の特徴抽出部４１は、入力された２４項目の判定用データ全てについて、例えば時系列変化を示す特徴量（所定期間の移動平均及び移動標準偏差等）を算出する変数変換を行い、判定用データを生成する（ステップＳ２３）。
ステップＳ２３では、センサデータ処理部２０におけるセンサデータのデータ処理と、特徴抽出部４１における判定用データの変数変換により、判定用データを生成する。特徴抽出部４１は、ステップＳ１３における処理と同様に、今回取得した判定用データと過去の所定期間に取得して記憶部３０に記憶された判定用データとに基づいて、所定期間の移動平均及び移動標準偏差を算出する。
センサデータ処理部２０で生成された判定用データと、状態検知部４０の特徴抽出部４１で生成された判定用データは、それぞれ診断モデル４２に入力される。

状態検知部４０は、正常空間モデルである診断モデル４２と判定用データとに基づいて保全対象部の異常度合いを推定し、保全対象部の異常度合いを含む動作異常信号を生成する（ステップＳ２４）。すなわち、判定用データを入力した際の診断モデル４２の出力が動作異常信号となる。保全対象部の異常度合いは、例えば判定用データを用いて推定されたマハラノビス距離により示すことができる。診断モデル４２は、現在のセンサデータに由来する判定用データを、正常空間中心からの確率距離であるマハラノビス距離を用いて評価する。マハラノビス距離の経時変化を監視し、マハラノビス距離が大きくなってきた場合、判定用データが正常空間から外れてきたことを意味する。

診断モデル４２は、動作異常信号に基づいて、保全対象部の異常度合いが予め定められた閾値以上となるか否かを判断する（ステップＳ２５）。保全対象部の異常度合いが予め定められた閾値以上である場合（ステップＳ２５のＹｅｓ）、診断モデル４２は、保全対象部の動作状態が異常状態であるものとして動作異常信号を出力装置２００に出力する（ステップＳ２６）。一方、保全対象部の異常度合いが予め定められた閾値以上でない場合（ステップＳ２５のＮｏ）、処理がステップＳ２１に戻り、センサデータの取得が継続する。

図８は、判定用データに基づいて得たマハラノビス距離で示される保全対象部の異常度合いの時系列での推論結果を示すグラフである。状態検知部４０は、保全対象部の異常度合いに対して予め定められた閾値Ｄｔｈを有している。状態検知部４０は、保全対象部の異常度合いが閾値Ｄｔｈ以上となった場合（図８中、異常度合いが三角で示される場合）に、保全対象部の動作状態が異常であるものとして、動作異常信号を出力装置２００に出力する。出力装置２００は、動作異常信号に基づいて診断装置１による撹拌装置１００の診断結果を表示する。以上により、診断装置１による診断処理が終了する。

ここで、保全対象部の診断は、図４で説明したモデル生成用データ蓄積処理と並行して行われても良い。この場合、ステップＳ２１のタイミング検出処理は、図４に示すステップＳ１１１と同時に行われても良い。また、ステップＳ２２のセンサデータ取得処理は、図４に示すステップＳ１１２と同時に行われても良い。さらに、ステップＳ２３の判定用データ生成処理は、図４に示すステップＳ１１３のモデル生成用データ生成処理と同時に行われても良い。

（１．５）診断プログラム
本実施形態に係る診断装置１により実行される診断プログラムについて説明する。診断装置１は、以下の（ａ）〜（ｄ）の各動作をコンピュータに実行させる診断プログラムに従って、診断を行う。以下の診断プログラムは、例えばハードディスクドライブ、メモリ等の記録媒体やＤＶＤディスク又はＢｌｕ−ｒａｙ（登録商標）等の光ディスクに記録される。以下のプログラムは、インターネットを介して配布されても良い。さらに、以下のプログラムは、クラウドサーバに記録され、インターネットを介して各ステップが実行されても良い。

（ａ）第一センサにより、動力機械が発生する動力によって駆動する第一駆動体の動作状態に応じた第一検出信号を取得することと、
（ｂ）第二センサにより、第一駆動体を介して伝達された動力によって駆動する第二駆動体の動作状態に応じた第二検出信号を取得することと、
（ｃ）第二駆動体の正常状態を表す診断モデルであって、第一センサによって予め取得した第一駆動体の過去の動作状態に応じた第一検出信号と第二センサによって予め取得した第二駆動体の過去の動作状態に応じた第二検出信号とに基づいて生成されるモデル生成用データを用いて生成される診断モデルと、少なくとも第二検出信号に基づいて生成された診断用データとに基づいて、第二駆動体の動作状態を診断することと、
（ｄ）診断の結果に基づいて、第二駆動体の動作異常に関する動作異常信号を生成する異常検知処理を実行すること

＜第一実施形態の効果＞
第一実施形態に係る診断装置１では、以下の効果を有する。
（１）診断装置１は、センサから取得した保全対象部の速度、加速度及び変位等のセンサデータに基づいて診断モデル４２を生成し、当該診断モデル４２を用いて保全対象部の診断を行う。このとき、診断モデル４２は、予め定められた予兆除外期間を除いた期間における生成用データを用いて生成される。予め定められた予兆除外期間は、設備の保全対象部の故障の予兆が生じている期間とみなした期間であり、軸受１４０に異常が生じたとみなした時点から過去の一定期間である。このため、診断装置１では、保全対象部が正常に動作しているとみなされた期間のモデル生成用データのみをモデル生成に用いるため、高い精度の診断モデルを得ることができる。

（２）診断装置１は、上述した診断モデルを用いることにより、目的とする下流の保全対象部の故障予兆のみを検出し、上流の保全対象部の故障予兆には反応しないようにすることができる。このため、診断装置１は、より高い精度で故障予兆の検出を行うことができる。特に、複数の駆動体が連結され、ある動力発生源（動力機械）に対して下流側に位置する駆動体の故障予兆の検出に好適である。

２．第二実施形態
以下、第二実施形態に係る診断装置と、診断装置で用いられる診断モデルの生成方法について、図９から図１１を参照して説明する。
本実施形態に係る診断装置１では、診断モデル４２に代えて診断モデル４２Ａを有する点で、第一実施形態に係る診断装置１と相違する。診断モデル４２Ａは、診断モデル４２と異なる方法により生成された診断モデルである。
以下、モデル生成部３１０におけるモデル生成方法及び診断モデル４２Ａについて説明する。その他の各部は、診断装置１における同一の符号が付された各部と共通するため、説明を省略する。

（２．１）診断装置の構成
＜サーバ＞
サーバ３００は、診断モデル４２Ａを生成するモデル生成部３１０を備えている。
モデル生成部３１０は、特徴抽出部３１１と、学習部３１２とを有している。
特徴抽出部３１１は、軸受１４０に異常が生じたとみなした時点から過去の一定期間を、設備の保全対象部の故障の予兆が生じている期間とみなし、「予兆除外期間」として設定する。第二実施形態において、「予兆除外期間」は、サーバ３００において最適な期間が探索されて決定される点で第一実施形態の「予兆除外期間」と相違する。特徴抽出部３１１は、予兆除外期間を除いた期間（すなわち、保全対象部の故障の予兆が生じていないとみなされた期間）におけるモデル生成用データを、学習部３２２に出力する。
学習部３１２は、予兆除外期間を除いた期間におけるモデル生成用データに基づいて生成された正常空間モデルを、診断モデル４２Ａとする。
診断モデル４２Ａは、保全対象部の故障の予兆が生じている期間におけるセンサデータをモデル生成用データとして用いていない。このため、診断モデル４２Ａの正常空間モデルは、より精度の高い正常空間モデルとなる。

（２．２）診断モデルの生成
図２を参照しつつ図９を用いて、本実施形態に係る診断装置１で用いられる診断モデル４２Ａの生成方法について説明する。
なお、図９におけるステップＳ３１〜ステップＳ３３は、第一実施形態におけるステップＳ１１〜ステップＳ１３（図３参照）と同様の処理であるため、説明を省略する。

モデル生成部３１０の特徴抽出部３１１は、予め設定した複数の異なる予兆除外期間ごとにモデル生成用データのデータセットを生成する（ステップＳ３４）。モデル生成用データは、予兆除外期間を除いた期間に取得されるデータであり、予兆除外期間を除いた期間に取得されるデータを統合してデータセットが生成される。
例えば、モデル生成部３２０は、予兆除外期間として第１の期間（ｙ１月）、第２の期間（ｙ２月）及び第３の期間（ｙ３月）を設定する。モデル生成部３２０は、第１の期間（ｙ１月）を除いた期間（図１０（Ａ）において斜線で示す期間を除いた期間）におけるモデル生成用データの第１のデータセットを生成する。モデル生成部３２０は、第２の期間（ｙ２月）を除いた期間（図１０（Ｂ）において斜線で示す期間を除いた期間）におけるモデル生成用データの第２のデータセットを生成する。モデル生成部３２０は、第３の期間（ｙ３月）を除いた期間（図１０（Ｃ）において斜線で示す期間を除いた期間）におけるモデル生成用データの第３のデータセットを生成する。

モデル生成部３１０の学習部３１２は、複数の異なる予兆除外期間ごとに生成されたデータセットのそれぞれに基づいて、複数の正常空間モデルを生成する（ステップＳ３５）。
例えば、モデル生成部３２０は、予兆除外期間として第１の期間（ｙ１月）を設定し、第１の期間（ｙ１月）において得られた第１のデータセットに基づいて正常空間モデルを生成し、第１の仮診断モデルとする。モデル生成部３２０は、予兆除外期間として第２の期間（ｙ２月）を設定し、第２の期間（ｙ２月）において得られた第２のデータセットに基づいて生成した正常空間モデルを第２の仮診断モデルとする。モデル生成部３２０は、予兆除外期間として第３の期間（ｙ３月）を設定し、第３の期間（ｙ３月）において得られた第３のデータセットに基づいて生成した正常空間モデルを第３の仮診断モデルとする。

モデル生成部３１０は、学習部３１２で生成された複数の正常空間モデル（第１の仮診断モデル〜第３の仮診断モデル）を、全期間（予兆除外期間を含む）におけるモデル生成用データに適用する。
図１１（Ａ）〜図１１（Ｃ）は、第１、第２、第３の仮診断モデルを全期間におけるモデル生成用データに適用することで、仮診断を行った例を示している。図１１（Ａ）に図示されるデータのプロットは、第１のデータセット（図１１（Ａ））に含まれるモデル生成用データである。同様に、図１１（Ｂ）及び図１１（Ｃ）に図示されるデータのプロットは、それぞれ、第２のデータセット（図１１（Ｂ））、または、第３のデータセット（図１１（Ｃ））に含まれるモデル生成用データである。
モデル生成部３１０は、複数の正常空間モデルのうち、最も早期に第二センサ１０Ｂのセンサデータの異常を検出したモデルにおける予兆除外期間を、診断装置１における予兆除外期間に決定する（ステップＳ３６）。また、モデル生成部３１０は、最も早期に第二センサ１０Ｂのセンサデータの異常を検出したモデルを診断モデル４２Ａに決定する（ステップＳ３８）。

このとき、モデル生成部３２０は、第１の仮診断モデルから出力された第１の仮動作異常信号が示す第１の異常発生時期と、第２の仮診断モデルから出力された第２の仮動作異常情報が示す第２の異常発生時期との差を算出する。モデル生成部３２０は、第１の異常発生時期及び第２の異常発生時期との差が所定値未満であるとき、第１の期間（ｙ１）または第２の期間（ｙ２）のうちの短い期間を、予兆除外期間として設定する。
第３の期間（ｙ３）が設定されている場合も同様にして、第１の期間（ｙ１）から第３の期間（ｙ３）のうちの最も短い期間を、予兆除外期間として設定する。

以下、予兆除外期間の設定の具体例を、図１１（Ａ）〜図１１（Ｄ）に基づき説明する。例えば図１１（Ａ）〜図１１（Ｃ）に示すように、第１の仮診断モデル〜第３の仮診断モデルを、全期間におけるモデル生成用データに適用した場合、図１１（Ｃ）に示す第３の仮診断モデルが最も早期に第二センサ１０Ｂのセンサデータの異常を検出している。このため、モデル生成部３１０は、第３の仮診断モデルにおける予兆除外期間（ｙ３月）を診断装置１における予兆除外期間に決定する。また、モデル生成部３１０は、第３の仮診断モデルを診断モデル４２Ａに決定する。

図１１（Ｄ）は、予兆除外期間を１月ごとに設定した場合における、診断装置１の予兆検出可能日数を上述した方法により検出した結果を示すグラフである。ここで、予兆検出可能日数は、実際に故障とみなされた比を基準として、何日前に予兆の検出が可能であったかを示す日数である。図１１（Ｄ）に示す結果より、予兆除外期間が（Ｎ−３）カ月からＮカ月に長くなるにつれて予兆検出可能日数が増加するものの、予兆除外期間がＮカ月を超えると予兆検出可能日数が略一定となる。この結果から、予兆除外期間をＮカ月と設定することにより、予兆検出可能日数を長くし、かつ予兆除外期間以外の期間（正常期間）を長くとってモデル生成用データ及び診断用データのデータ数を多くすることができる。
以上により、診断モデル４２Ａの生成処理が終了する。

＜第二実施形態の効果＞
第二実施形態に係る診断装置１では、第一実施形態における効果に加えて、以下の効果を有する。
（３）本実施形態では、診断モデル生成時に、複数の異なる予兆除外期間ごとにモデル生成用データのデータセットを生成し、データセットのそれぞれに基づいて、複数の正常空間モデルを生成し、仮診断モデルとする。また、仮診断モデルを、全期間におけるモデル生成用データに適用し、仮診断を行う。仮診断の結果から、最も早期にセンサデータの異常を検出したモデルを診断モデルとして採用する。このため、診断装置１は、より精度の高い診断モデルにより診断を行うことができる。

３．第三実施形態
以下、第三実施形態に係る診断装置と、診断装置で用いられる診断モデルの生成方法について、図１２から図１６を参照して説明する。
本実施形態に係る診断装置１では、診断モデル４２に代えて診断モデル４２Ｂを有する点で、第一実施形態に係る診断装置１と相違する。診断モデル４２Ｂは、診断モデル４２及び診断モデル４２Ａと異なる方法により生成された診断モデルである。
以下、モデル生成部３１０におけるモデル生成方法及び診断モデル４２Ｂについて説明する。その他の各部は、診断装置１における同一の符号が付された各部と共通するため、説明を省略する。

（３．１）診断装置の構成
＜サーバ＞
サーバ３００は、診断モデル４２Ｂを生成するモデル生成部３１０を備えている。
モデル生成部３１０は、特徴抽出部３１１と、学習部３１２とを有している。
特徴抽出部３１１は、軸受１４０に異常が生じたとみなした時点から過去の一定期間を、設備の保全対象部の故障の予兆が生じている期間とみなし、「予兆除外期間」として設定する。
また、特徴抽出部３１１は、予兆除外期間の検出能力を高めるために、複数のモデル生成用データから、ノイズとなるモデル生成用データを除外する。特徴抽出部３１１は、予兆除外期間を除いた期間（すなわち、保全対象部の故障の予兆が生じていないとみなされた期間）において取得され、かつノイズとなるデータが除外されたモデル生成用データを、学習部３２２に出力する。
本実施形態において、モデル生成用データに含まれるノイズを除外する処理は、モデル生成用データに含まれる複数の解析データの項目から、予兆に適した特定の項目を抽出することに相当する。ここで、特定の項目は、予兆診断に適する少なくとも１つの項目であってよく、２以上の項目（組み合わせ）であってもよい。
学習部３１２は、予兆除外期間を除いた期間において取得され、かつノイズとなるモデル生成用データが除外されたモデル生成用データに基づいて生成された正常空間モデルを、診断モデル４２Ｂとする。
診断モデル４２Ｂは、保全対象部の故障の予兆が生じている期間におけるセンサデータノイズとなるデータが除外されたモデル生成用データに基づいて生成されている。このため、診断モデル４２Ｂの正常空間モデルは、より精度の高い正常空間モデルとなる。

（３．２）診断モデルの生成
図２を参照しつつ図１２及び図１３を用いて、本実施形態に係る診断装置１で用いられる診断モデル４２Ｂの生成方法について説明する。
なお、図１２におけるステップＳ４１〜ステップＳ４６は、第二実施形態におけるステップＳ３１〜ステップＳ３６（図９参照）と同様の処理であるため、説明を省略する。

モデル生成部３１０の特徴抽出部３１１は、診断モデル４２Ｂの生成に用いられるモデル生成用データの組み合わせを最適化する（ステップＳ４７）。以下、ステップＳ４７におけるモデル生成用データの組み合わせ最適化処理について、図１３のステップＳ４７１〜ステップＳ４７４により詳細に説明する。

状態検知部４０は、モデル生成用データの主成分分析により生成された診断モデル４２Ｂを用いて動作異常情報を生成する
モデル生成部３１０は、複数のモデル生成用データを用いた総当たり探索により、予兆除外期間に該当する第１のデータ集合と予兆除外期間以外の期間（正常期間）に該当する第２のデータ集合との複数の組み合わせを生成し、各組み合わせのＦ値を算出する（ステップＳ４７１）。

図１４（Ａ）は、減速機１２０及び軸受１４０の速度ＯＡ、加速度ＯＡ及び変位ＯＡ、並びに加速度ＣＦそれぞれの平均値、最大値及び最小値のデータと、これらのデータをｘ１日移動平均及びｘ１日移動標準偏差、ｘ２日移動平均及びｘ２日移動標準偏差、並びにｘ３日移動平均及びｘ３日移動標準偏差に変数変換した１６８個（１６８項目）のデータによるマハラノビス距離を時系列で示すグラフである。本実施形態では、診断モデルの検出能力を測る指標として、診断モデルによって正常と診断されたデータ群と、予兆（異常）があると診断されたデータ群との分布の差を表すＦ値を用いる。なお、指標は、Ｆ値に限定されず、双方のデータ群の分布の差を表す指標であればよい。例えば、平均値の差、標準偏差の差を用いることができ、また、例えば、ＬＤＡ（線形判別分析）等の多変量解析により、データ群の分布の差を表してもよい。

図１４（Ｂ）に示すように、モデル生成部３１０は、図１４（Ａ）のグラフに示すマハラノビス距離を、予兆除外期間におけるマハラノビス距離（図中、三角で示す）と、予兆除外期間以外の期間（正常期間）におけるマハラノビス距離（図中、丸で示す）とに分類する。ここで、図１４（Ｂ）は、図１４（Ａ）に示すマハラノビスよりを対数変換した値である。モデル生成部３１０は、予兆除外期間のマハラノビス距離と、正常期間のマハラノビス距離の分布域をＦ値を用いて比較する。モデル生成部３１０は、予兆除外期間のマハラノビス距離の平均値μ１、正常期間のマハラノビス距離の平均値μ２及び全体のマハラノビス距離の平均値μｔｏｔａｌを用いて、以下の式（１）からＦ値を算出する。
Ｆ＝群間変動Ｖ_Ａ／群内変動Ｖｅ
＝｛ｎ２（μｔｏｔａｌ−μ２）^２＋ｎ１（μｔｏｔａｌ−μ１）^２｝／［｛Σ（ｘ−μ
２）^２＋Σ（ｘ−μ１）^２｝／ｎ−２］ ・・・（１）
ここで、Ｆ値を用いるＦ検定は、２つのデータ群の分布が等しいかを検定する。

図１４（Ｂ）は、上述した式により、Ｆ値は１．５×１０^ｋ（ｋは０以上の整数）である例を示している。このＦ値は、Ｆ検定によれば、有意に２つのデータ群の分布が等しくないことを示す。

続いて、モデル生成部３１０は、第１のデータ集合と第２のデータ集合とに基づいて算出されるＦ値を比較し、Ｆ値が相対的に大きくなる組み合わせのモデル生成用データを検出する（ステップＳ４７２）。このとき、モデル生成部３１０は、Ｆ値が最も大きくなる組み合わせのモデル生成用データを検出することがより好ましい。モデル生成部３１０は、図１４（Ｂ）に示すデータ群から、例えばＦ値が４．５×１０^ｋ（ｋは０以上の整数）となる１６個のモデル生成用データの組み合わせを抽出する。モデル生成用データの組み合わせを１６８個から１６個に減らすことにより、Ｆ値を３倍程度に大きくすることができる。

続いて、モデル生成部３１０は、ステップＳ４７２において検出された組み合わせのモデル生成用データに対して主成分分析を適用する（ステップＳ４７３）。これにより、モデル生成部３１０は、１６個（１６項目）のモデル生成用データから、例えば、主要な２個のモデル生成用データを抽出する（ステップＳ４７４）。

モデル生成部３１０は、Ｆ値が相対的に大きくなる組み合わせのモデル生成用データに主成分分析を適用し、予兆除外期間におけるモデル生成用データと、予兆除外期間以外の期間におけるモデル生成用データとの分離性が高くなる２つのモデル生成用データを抽出する。モデル生成部３１０は、例えば、モデル生成用データとして、減速機１２０の変位の移動平均と、軸受１４０変位の移動平均を抽出する。減速機１２０の変位の移動平均は、過去に取得された第一検出信号Ｓ１に基づいて生成された時系列変化を示す特徴量であり、軸受１４０変位の移動平均は、過去に取得された第二検出信号に基づいて生成された時系列変化を示す特徴量である。

図１５は、要となる２個のモデル生成用データとして軸受１４０の変位の移動平均及び減速機１２０の変位の移動平均が抽出された場合における、診断モデル４２Ｂの単位空間を模式的に示す図である。
図１５に示すように、正常期間におけるデータ（丸で示す）は、楕円で示す領域に集中しており、軸受１４０の変位の移動平均と減速機１２０の変位の移動平均とには高い相関関係があることがわかる。一方、予兆除外期間におけるデータ（三角で示す）は、楕円で示す領域に存在せず、上述した相関関係から逸脱していることがわかる。
図１６は、診断モデル４２Ｂの単位空間に対して主成分分析を行った結果を示しており、第１主成分は、２変数の相関の方向（楕円の長径方向）の成分、第２主成分は、２変数の相関の方向（楕円の長径方向）から直交回転させた方向の成分を示している。
主成分方向に基づいて、軸受１４０の変位の移動平均及び減速機１２０の変位の移動平均の相関関係を説明すると、予兆除外期間における軸受１４０の変位の移動平均（三角で示す）の第２主成分の方向に対応する距離は、軸受１４０の変位の移動平均及び減速機１２０の変位の移動平均の相関関係（楕円形で示す領域）から逸脱している。一方、診断モデル４２Ｂの単位空間では、予兆除外期間外における軸受１４０の変位の移動平均（円形で示す）の第２主成分の方向に対応する距離は、軸受１４０の変位の移動平均及び減速機１２０の変位の移動平均の相関関係（楕円形で示す領域）からほとんど逸脱しない。
これによれば、第２主成分方向の値の変動を監視することで、正常期間（正常動作時）における、軸受１４０と減速機１２０との動作状態からの逸脱度、すなわち、軸受１４０の異常およびその予兆を精度よく検出することができる。

以上のようにして生成した図１６（Ａ）に示す診断モデル４２Ｂを用いて保全対象部の診断を行う場合、状態検知部４０は、診断モデル４２Ｂの単位空間を構成する第２主成分に対応する診断用データを少なくとも取得する。
状態検知部４０は、減速機１２０の変位の移動平均と軸受１４０の変位の移動平均とにより構成された診断モデル４２Ｂの単位空間における第２主成分の方向であって、正常状態から逸脱する方向に対応する距離を算出し、算出した距離に基づいて軸受１４０の動作が異常であるか否かを検知する。状態検知部４０は、軸受１４０の変位の移動平均の距離が、診断モデル４２Ｂにおける第１主成分及び第２主成分の相関関係から逸脱する方向に外れる場合には、軸受１４０の動作が異常であると判断する。

図１６（Ｂ）は、第２主成分に基づいて算出された危険度の時系列変化を示すグラフである。ここで、危険度は、例えば以下の式（２）により示される。
危険度＝ａ１×（軸受１４０の変位の移動平均）−ａ２×（減速機１２０の変位の移動平均）−ａ３ ・・・（２）
ここで、ａ１、ａ２、ａ３、は、それぞれ係数である。
図１６（Ｂ）に示すように、第２主成分に基づいて保全対象部の診断を行った場合、保全対象部の故障の数か月以上前に動作異常を検知することができる。

＜第三実施形態の効果＞
第三実施形態に係る診断装置１では、第一実施形態及び第二実施形態における効果に加えて、以下の効果を有する。
（４）本実施形態の診断装置１では、診断モデル生成時に、センサデータから得たモデル生成用データから、モデル生成用データに含まれる複数のデータ項目から、正常と異常（予兆）との分離性が相対的に高いデータ項目を絞り込むことができる。診断装置１は、Ｆ値が相対的に大きくなる組み合わせのモデル生成用データを取得し、また、Ｆ値が相対的に大きくなる組み合わせのモデル生成用データに主成分分析を適用することにより、予兆除外期間におけるモデル生成用データと予兆除外期間以外の期間におけるモデル生成用データの分離性が高くなるモデル生成用データの組み合わせを抽出するものである。
このようなモデル生成用データにより生成された診断モデルを用いることにより、診断装置１は、さらに精度の高い診断を行うことができる。また、本実施形態では、１６８個のデータ項目を２個に絞り込みを行う例を示した。この例によれば、相対的に動力源から下流側に位置する駆動体である軸受の異常を、通常動作時からの逸脱度により検出することができる。さらに、その故障原理の物理メカニズムを理解できる程度まで変数の絞込が行われることから、異常診断における説明性が向上する。

４．第四実施形態
以下、第四実施形態に係る診断装置２について、図１７及び図１８を参照して説明する。
本実施形態に係る診断装置２では、第一センサ１０Ａ及び第二センサ１０Ｂに加えて、減速機１２０及び軸受１４０の上流に設けられるモータ１１０の振動データ等を検出する第三センサ１０Ｃを有する点で、第一から第三実施形態に係る診断装置１と相違する。
以下、診断装置１の第三センサ１０Ｃの構成について説明する。その他の各部は、診断装置１における同一の符号が付された各部と共通するため、説明を省略する。

（４．１）診断装置の構成
（第三センサ）
第三センサ１０Ｃは、動力機械であるモータ１１０の回転動作状態を検出するセンサである。第三センサ１０Ｃは、モータ１１０の回転動作の状態を検出可能であればどのようなセンサであってもよい。
第三センサ１０Ｃは、モータ１１０の動作状態を検出し、モータ１１０の動作状態に応じて得られた速度（回転速度又は振動速度）、加速度（回転加速度又は振動加速度）及び変位を示すセンサデータを第三検出信号Ｓ３として出力する。
第三検出信号Ｓ３は、第一検出信号Ｓ１及び第二検出信号Ｓ２と同様に、モデル生成用データ及び診断等データとされる。

（４．２）診断装置の動作
図１７を参照しつつ図１８を用いて、本実施形態に係る診断装置２により実行される診断方法について説明する。
以下では、第一センサ１０Ａから第三センサ１０Ｃのそれぞれから得たセンサデータの少なくとも一つを用いて軸受１４０の故障の予兆を検知する場合について説明する。
なお、図１８におけるステップＳ５１、ステップＳ５５及びステップＳ５６は、第一実施形態におけるステップＳ２１、ステップＳ２５及びステップＳ２６（図７参照）と同様の処理であるため、説明を省略する。

センサデータ処理部２０は、第一検出信号Ｓ１から第三検出信号Ｓ３を受信することにより、第一センサ１０Ａから第三センサ１０Ｃのセンサデータを取得する（ステップＳ５２）。
センサデータ処理部２０は、第一センサ１０Ａから第三センサ１０Ｃのセンサデータを含むデータ群をデータ処理することにより、判定用データを生成する（ステップＳ５３）。センサデータ処理部２０は、判定用データとして、モータ１１０、減速機１２０及び軸受１４０の速度ＯＡ、加速度ＯＡ及び変位ＯＡ、並びに加速度ＣＦそれぞれの平均値、最大値及び最小値のデータを生成する。すなわち、センサデータ処理部２０は、３６項目の判定用データを生成し、状態検知部４０に出力する。

また、状態検知部４０の特徴抽出部４１は、入力された３６項目の判定用データ全てについて、例えば時系列変化を示す特徴量（所定期間の移動平均及び移動標準偏差等）を算出する変数変換を行い、判定用データを生成する（ステップＳ５３）。特徴抽出部４１は、ステップＳ１３と同様に、今回取得した判定用データと過去の所定期間に取得して記憶部３０に記憶された判定用データとに基づいて、所定期間の移動平均及び移動標準偏差を算出する。
状態検知部４０は、正常空間モデルである診断モデル４２Ｃと判定用データとに基づいて保全対象部の異常度合いを推定し、保全対象部の異常度合いを含む情報を動作異常信号を生成する（ステップＳ５４）。

診断モデル４２Ｃは、動作異常信号に基づいて、保全対象部の異常度合いが予め定められた閾値以上となるか否かを判断する（ステップＳ５５）。保全対象部の異常度合いが予め定められた閾値以上である場合（ステップＳ５５のＹｅｓ）、診断モデル４２は、保全対象部の動作状態が異常状態であるものとして動作異常信号を出力装置２００に出力する（ステップＳ５６）。一方、保全対象部の異常度合いが予め定められた閾値以上でない場合（ステップＳ５５のＮｏ）、処理がステップＳ５１に戻り、センサデータの取得が継続する。

＜第四実施形態の効果＞
第四実施形態に係る診断装置２では、第一から第四実施形態における効果に加えて、以下の効果を有する。
（５）本実施形態では、センサ１０として、減速機１２０の振動データ等を取得する第一センサ１０Ａと、軸受１４０の振動データ等を取得する第二センサ１０Ｂとともに、モータ１１０の振動データ等を取得する第三センサ１０Ｃを備えている。このため、より多くの保全対象部のセンサデータ同士の関連性に基づいて故障予兆の検知を行うことができる。

５．ハードウェア構成
以下、各実施形態に係る診断装置１，２のハードウェア構成の一例について詳細に説明する。

図１９に示すように、診断装置１は、メモリを含む記憶部１００１と、プロセッサを含む演算部１００２と、を備える演算装置である。診断装置１は、さらに、ネットワークを介して他の演算装置と情報を送受信するための通信インタフェース（以下、「通信Ｉ／Ｆ」と称する。）１００３、保全対象部に設けられたセンサ１０が検出する情報を取得する外部インタフェース（以下、「外部Ｉ／Ｆ」）１００４と、を備える。

診断装置１は、保全対象部に設けられたセンサ１０が検出する情報に基づき、当該保全対象部の異常の度合いを推定し、出力装置２００に出力するように構成されている。なお、診断装置１は、他の演算装置とネットワークを介して接続されていてもよい。このとき、診断装置１は、図＊に示すように、他の演算装置及び、ネットワークを介して、センサ１０が検出する情報を取得してもよい。

演算部１００２は、ハードウェアプロセッサとしてのＣＰＵ（Central Processing Unit）１００２Ａ、ＲＡＭ（Random Access Memory）１００２Ｂ、及びＲＯＭ（Read Only Memory）１００２Ｃを含む。演算部１００２は、後述する記憶部１００１に記憶された所定のプログラムを実行することにより、特定の情報処理を実行する。なお、ハードウェアプロセッサとしては、ＣＰＵ１００２Ａに限定されず、ＧＰＵ（Graphics Processing Unit）、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field-Programmable Gate Array）等の各種プロセッサを用いてもよい。

記憶部１００１は、ハードディスクドライブ、ソリッドステートドライブ等のメモリにより構成される補助記憶装置であり、演算部１００２による特定の情報処理に必要な所定のプログラム及び所定のデータを記憶している。本開示において、記憶部１００１は、少なくとも、演算部１００２が所定の情報処理を実行するための診断プログラムや、モデル生成用データ、判定用データ等を記憶している。なお、所定のデータ及び所定のプログラムは、常時記憶部１００１に記憶されていなくてもよく、例えば、演算部１００２が行う情報処理に必要な時に、他の演算装置の記憶部からネットワークを介して取得されてもよい。記憶部１００１は、図２における記憶部３０に相当する。

また、診断装置１は、ＣＤドライブ、ＤＶＤドライブ等の、記憶媒体１００６に記憶されたデータ及びプログラムを読み込むためのドライブ装置１００５をさらに備えていてもよい。診断装置１は、所定のデータ及び所定のプログラムを、ドライブ装置１００５を介して記憶媒体１００６から読み込んでもよい。

通信Ｉ／Ｆ１００３は、例えば、有線ＬＡＮモジュール、無線ＬＡＮモジュール等であり、ネットワークを介した有線又は無線通信を行うためのインタフェースである。なお、診断装置１は、入力装置１００７、出力装置（表示装置）１００８をさらに備えていてもよい。入力装置１００７としては、マウス、キーボード、タッチパネル等を用いることができる。出力装置１００８としてはディスプレイ、スピーカ等を用いることができる。
診断装置２は、上述した診断装置１と同様の構成を有している。

以上、本開示の実施形態について説明したが、本開示の技術的範囲は、上述した実施形態に記載の技術的範囲には限定されない。上述した実施形態に、多様な変更又は改良を加えることも可能であり、そのような変更又は改良を加えた形態も本開示の技術的範囲に含まれ得ることが、特許請求の範囲の記載から明らかである。

１，２ 診断装置
１０ センサ
１０Ａ 第一センサ
１０Ｂ 第二センサ
１０Ｃ 第三センサ
２０ センサデータ処理部
３０ 記憶部
４０ 状態検知部
４１ 特徴抽出部
４２，４２Ａ，４２Ｂ，４２Ｃ 診断モデル
１００ 撹拌装置
１１０ モータ
１２０ 減速機
１３０ 回転軸
１４０ 軸受
１４２ 撹拌用羽根
１５０ 撹拌部
１５１ 回転軸
１５２ 撹拌用羽根
１６０ タンク
２００ 出力装置
３００ サーバ
３１０ モデル生成部
３１１ 特徴抽出部
３１２ 学習部
３２０ モデル生成部
３２２ 学習部
４００ コンピュータ
４１１ 特徴抽出部
１００１ 記憶部
１００２ 演算部
１００３ 通信インタフェース
１００４ 外部インタフェース
１００５ ドライブ装置
１００６ 記憶媒体
１００７ 入力装置
１００８ 出力装置

Claims (16)

1. 動力機械が発生する動力によって駆動する第一駆動体の動作状態を検出し、前記第一駆動体の動作状態に応じた第一検出信号を出力する第一センサと、
   前記第一駆動体を介して伝達された動力によって駆動する第二駆動体の動作状態を検出し、前記第二駆動体の動作状態に応じた第二検出信号を出力する第二センサと、
   前記第二駆動体の正常状態を表す診断モデルであって、前記第一センサによって予め取得された前記第一駆動体の過去の動作状態に応じた第一検出信号と前記第二センサによって予め取得された前記第二駆動体の過去の動作状態に応じた第二検出信号とに基づいて生成されたモデル生成用データを用いて生成される診断モデルと、少なくとも前記第二検出信号に基づいて生成された診断用データとに基づいて、前記第二駆動体の動作状態を診断し、前記診断の結果に基づいて、前記第二駆動体の動作異常に関する動作異常信号を生成して出力する状態検知部と、
   を備える診断装置。
2. 前記状態検知部は、前記第二駆動体に異常が生じたとみなした時点から過去の一定期間を予兆除外期間として設定し、前記予兆除外期間を除いた期間における前記モデル生成用データに基づいて生成された前記診断モデルを用いて、前記第二駆動体の動作状態を診断する
   請求項１に記載の診断装置。
3. 前記状態検知部は、前記モデル生成用データに基づき生成された前記診断モデルとしてのマハラノビス空間における確率距離を用いて前記動作異常信号を生成する、
   請求項１又は２に記載の診断装置。
4. 前記状態検知部は、前記モデル生成用データの主成分分析により生成された前記診断モデルを用いて前記動作異常信号を生成する
   請求項１から３のいずれか１項に記載の診断装置。
5. 前記状態検知部は、前記診断モデルの単位空間を構成する主成分の方向であって、正常状態から逸脱する方向に対応する距離を算出し、算出した前記距離に基づいて、前記第二駆動体の動作が異常であるか否かを検知する
   請求項２に記載の診断装置。
6. 前記状態検知部は、前記診断モデルを生成するモデル生成部を備え、
   前記モデル生成部は、前記モデル生成用データのデータセットによるマハラノビス距離を用いて生成した正常空間モデルを前記診断モデルとする
   請求項２又は５に記載の診断装置。
7. 前記モデル生成部は、
   前記予兆除外期間を除いた期間における前記モデル生成用データのデータセットを複数の異なる前記予兆除外期間ごとに生成し、前記データセットのそれぞれに基づいて複数の正常空間モデルを生成し、
   複数の前記正常空間モデルを全期間における前記モデル生成用データに適用し、
   複数の前記正常空間モデルのうち、最も早期に前記第二センサのセンサデータの異常を検出したモデルを前記診断モデルとする
   請求項６に記載の診断装置。
8. 前記モデル生成部は、
   前記予兆除外期間として第１の期間を設定し、前記第１の期間において得られた前記モデル生成用データに基づき第１の仮診断モデルを生成し、
   前記予兆除外期間として、前記第１の期間と異なる第２の期間を設定し、前記第２の期間において得られた前記モデル生成用データに基づき第２の仮診断モデルを生成し、
   前記第１の仮診断モデルから出力された第１の仮動作異常信号が示す第１の異常発生時期と、前記第２の仮診断モデルから出力された第２の仮動作異常情報が示す第２の異常発生時期との差が所定値未満であるとき、前記第１の期間または前記第２の期間のうちの短い期間を、前記予兆除外期間として設定する、
   請求項７に記載の診断装置。
9. 前記モデル生成部は、
   前記モデル生成用データとして、過去に前記第一検出信号に基づいて生成された前記第一センサの変位、変位速度、変位加速度、もしくはこれらの時系列変化を示す特徴量、並びに過去に前記第二検出信号に基づいて生成された前記第二センサの変位、変位速度、変位加速度、もしくはこれらの時系列変化を示す特徴量のうちのいずれかを用いて前記診断モデルを生成する
   請求項７又は８に記載の診断装置。
10. 前記モデル生成部は、
    複数の前記モデル生成用データを用いた総当たり探索により、予兆除外期間に該当する第１のデータ集合と前記予兆除外期間以外の期間に該当する第２のデータ集合との複数の組み合わせを生成し、
    前記第１のデータ集合と前記第２のデータ集合とに基づいて算出されるＦ値が相対的に大きくなる組み合わせの前記モデル生成用データを用いて、前記診断モデルを生成する
    請求項９に記載の診断装置。
11. 前記モデル生成部は、
    前記Ｆ値が相対的に大きくなる組み合わせの前記モデル生成用データに主成分分析を適用することにより、予兆除外期間におけるモデル生成用データと、予兆除外期間以外の期間におけるモデル生成用データとの分離性が高くなる２つのモデル生成用データを前記モデル生成用データから抽出し、抽出された２つのモデル生成用データを用いて、前記診断モデルを生成する
    請求項１０に記載の診断装置。
12. 前記モデル生成部は、
    前記モデル生成用データとして、過去に取得された前記第一検出信号に基づいて生成された時系列変化を示す特徴量である前記第一センサの変位の移動平均と、過去に取得された前記第二検出信号に基づいて生成された時系列変化を示す特徴量である前記第二センサの変位の移動平均とを用いて、前記診断モデルを生成する
    請求項６から１０のいずれか１項に記載の診断装置。
13. 前記動力機械の動作状態を検出し、前記動力機械の動作状態に応じた第三検出信号を出力する第三センサを備え、
    前記状態検知部は、前記第三センサによって予め取得した前記動力機械の過去の動作状態に応じた第三検出信号と、前記第一検出信号及び前記第二検出信号とに基づいて生成された前記診断モデルを備える
    請求項１から１２のいずれか１項に記載の診断装置。
14. 前記診断モデルを生成するモデル生成部を備え、
    前記モデル生成部は、
    モデル生成用データとして、前記第一検出信号に基づいて生成された前記第一センサの変位、変位速度、変位加速度、もしくはこれらの時系列変化を示す特徴量、前記第二検出信号に基づいて生成された前記第二センサの変位、変位速度、変位加速度、もしくはこれらの時系列変化を示す特徴量、並びに前記第三検出信号に基づいて生成された前記第三センサの変位、変位速度、変位加速度、もしくはこれらの時系列変化を示す特徴量のうちのいずれかを用いて前記診断モデルを生成する
    請求項１３に記載の診断装置。
15. 第一センサにより、動力機械が発生する動力によって駆動する第一駆動体の動作状態に応じた第一検出信号を取得することと、
    第二センサにより、前記第一駆動体を介して伝達された動力によって駆動する第二駆動体の動作状態に応じた第二検出信号を取得することと、
    前記第二駆動体の正常状態を表す診断モデルであって、前記第一センサによって予め取得した前記第一駆動体の過去の動作状態に応じた第一検出信号と前記第二センサによって予め取得した前記第二駆動体の過去の動作状態に応じた第二検出信号とに基づいて生成されるモデル生成用データを用いて生成される診断モデルと、少なくとも前記第二検出信号に基づいて生成された診断用データとに基づいて、前記第二駆動体の動作状態を診断することと、
    前記診断の結果に基づいて、前記第二駆動体の動作異常に関する動作異常信号を生成する異常検知処理を実行することと、
    を含む診断方法。
16. 第一センサにより、動力機械が発生する動力によって駆動する第一駆動体の動作状態に応じた第一検出信号を取得することと、
    第二センサにより、前記第一駆動体を介して伝達された動力によって駆動する第二駆動体の動作状態に応じた第二検出信号を取得することと、
    前記第二駆動体の正常状態を表す診断モデルであって、前記第一センサによって予め取得した前記第一駆動体の過去の動作状態に応じた第一検出信号と前記第二センサによって予め取得した前記第二駆動体の過去の動作状態に応じた第二検出信号とに基づいて生成されるモデル生成用データを用いて生成される診断モデルと、少なくとも前記第二検出信号に基づいて生成された診断用データとに基づいて、前記第二駆動体の動作状態を診断することと、
    前記診断の結果に基づいて、前記第二駆動体の動作異常に関する動作異常信号を生成する異常検知処理を実行することと、
    をコンピュータに実行させる診断プログラム。

Images