JP6475469B2 - 診断ジョブ生成システム、診断ジョブ生成方法及び診断ジョブ生成表示方法 - Google Patents

Description

本発明は、機器の故障予兆診断に係る診断ジョブ生成システム、診断ジョブ生成方法及び診断ジョブ生成表示方法の技術に関する。

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）」が主流だった。しかし、機器稼働状況のセンシング技術の発達により、機器稼働状況を基準とした「状態基準保守（ＣＢＭ：Condition-Based Maintenance）」が広まりつつある。ＣＢＭは機器の稼働状態に応じた診断用統計モデル（以下、診断モデル）を用いて機器の状態を監視し、異常と判断された場合に警告を出す等してシステムの早期保守を促す。この際、機器の個体差をどのようにして診断モデルに織り込むかに留意する必要がある。

このような技術として、特許文献１に記載の技術が開示されている。特許文献１に記載の技術は、複数（Ｎ個）の類似機器のうち、ある一個の機器Ａを診断対象とする際に、残りのＮ−１個について、それぞれ個別の回帰式を生成する。そして、特許文献１に記載の技術は、生成した回帰式の群からメタモデルを生成し、生成したメタモデルに対して診断対象の機器Ａのセンサデータを適用する。このようにすることで、特許文献１に記載の技術は診断対象の機器Ａの診断回帰式を得る。

このように特許文献１に記載の技術は、機器の類似性を活用することで、多数の既設機器から得られる情報を元に少数の新設機器を迅速に診断対象に加えるものである。

特許５２９７２７２号公報

しかし、診断対象機器の量産規模が小さい場合や、既設機器から十分な情報が得られない場合がある。また、量産規模が大きい場合でも、その発売開始当初では十分な数が市場に出ていないため、既設機器から十分な情報が得られない。従って、特許文献１に記載の技術等では、少数の既設機器から、多数の新設機器に対応した診断モデルを生成しようとした場合、少数の既設機器から得られる情報が少ないため、例えば、統計的な処理を行って、多数の新設機器毎情報を推測する必要がある。そのため、多数の新設機器に対応した診断モデルを生成するための工数が多くなってしまう。

このような背景に鑑みて本発明がなされたのであり、本発明は、効率的な診断ジョブの生成を行うことを課題とする。

前記した課題を解決するため、本発明は、同一のグループに属する機器に適用可能な診断モデルを複数生成する診断モデル生成部と、複数生成された前記診断モデルのうち、診断性能が最もよい前記診断モデルを検出する検出部と、検出された前記診断モデルに対して、前記機器それぞれに対応する条件である個別条件を適用することによって、前記機器毎の診断ジョブを生成する診断ジョブ生成部と、を有し、前記診断性能は、前記機器の異常を正しく発報した率である診断成功率と、前記機器が正常な時に誤って異常と発報した率である誤報率とを要素としており、前記検出部は、前記診断成功率を第１の軸とし、前記誤報率を第２の軸とした座標上に、前記診断モデルの動作条件を変えた際の前記診断性能をプロットしたＲＯＣカーブを生成し、前記ＲＯＣカーブと、前記座標の前記第２の軸とで形成される領域の面積であるＡＵＣ面積を算出し、前記ＡＵＣ面積が最も大きい前記診断モデルを前記診断性能が最もよい前記診断モデルとすることを特徴とする。

本発明によれば、効率的な診断ジョブの生成を行うことができる。

第１実施形態に係る診断ジョブ生成システムの構成の概要を示す図である。 第１実施形態に係る診断ジョブ生成装置の内部構成の概略を示す図である。 第１実施形態に係る診断ジョブ生成システムを構成する各装置のハードウェア構成例を示す図である。 第１実施形態に係る診断処理部の変更処理の概要を示す図である。 第１実施形態に係る共通条件の変更処理の概要を示す図である。 第１実施形態に係る個別条件の変更処理の概要を示す図である。 診断モデルにおける診断処理部、共通条件、個別条件の組み合わせを示す模式図である。 第１実施形態に係る診断試行処理の手順を示すフローチャートである。 第１実施形態に係る診断性能決定処理の手順を示すフローチャートである。 第１実施形態に係る診断性能決定処理の結果を示す図である。 診断ジョブ雛型及び診断ジョブの例を示す図である。 第１実施形態に係る診断ジョブ生成処理の手順を示すフローチャートである。 第１実施形態に係る診断ジョブの例を示す図である。 第１実施形態に係る診断ジョブ一覧画面の例を示す図である。 第２実施形態に係る診断モデルを示す図である。

次に、本発明を実施するための形態（「実施形態」という）について、適宜図面を参照しながら詳細に説明する。

［第１実施形態］
（システム概要）
図１は、第１実施形態に係る診断ジョブ生成システムの構成の概要を示す図である。なお、図１における破線矢印はデータの流れを、一点鎖線はデータの対応関係を示す。
診断ジョブ生成システム１０は、複数の機器２と、診断ジョブ生成装置１と、診断ジョブ一覧画面が表示される表示装置３５０を有している。
機器２は診断ジョブ生成システム１０で生成される診断ジョブ１２２による診断の対象となるものであり、各機器２は複数の機器２間で共通な型式情報と、各機器２に固有のＩＤ（Identification）とを有している。本実施形態では、各機器２は、同一の型式「Ａ」を有している。

診断ジョブ生成装置１は診断モデル生成部１１２と、診断モデルＭｄと、診断ジョブ生成部１１５と、複数の診断ジョブ１２２とを有する。診断ジョブ１２２は各機器２に対応するものである。なお、診断ジョブ生成装置１の内部構成については後記するため、ここでは主要部分のみ説明する。

診断モデル生成部１１２は診断モデルＭｄを生成する。
診断モデルＭｄは診断処理部Ｓｗ、共通条件Ｐｃ及び個別条件Ｐｍを有している。診断処理部Ｓｗと共通条件Ｐｃは機器２の型式と１：１に対応づけられ、個別条件Ｐｍは各機器２と１：１に対応づけられる。また、共通条件Ｐｃは同一型式の機器２間で共通な条件であり、個別条件Ｐｍは各機器２で独立な診断条件である。

診断ジョブ生成部１１５は診断モデルＭｄから診断ジョブ１２２を生成する。
表示装置３５０は、生成された診断ジョブ１２２についての情報が表示される診断ジョブ一覧画面５００（図１４）を表示する。

図２は、第１実施形態に係る診断ジョブ生成装置の内部構成の概略を示す図である。なお、図２において実線矢印は処理の流れを示し、破線矢印はデータの流れを示す。
図２に示すように、診断ジョブ生成装置１は、履歴情報１２１、診断試行部（検出部）１１３、診断性能決定部（検出部）１１４及び診断ジョブ生成部１１５を有している。
診断モデルＭｄは、図１で示したように診断モデル生成部１１２で生成されるものであり、診断処理部Ｓｗ、共通条件Ｐｃ、個別条件Ｐｍで構成される。

診断処理部Ｓｗは、それぞれ入力部Ｓｉ、学習部Ｓｔ、診断部Ｓｄを有している。
共通条件Ｐｃは、入力部Ｓｉの動作条件である入力条件Ｐｉ、学習部Ｓｔの動作条件である学習条件Ｐｔ、診断部Ｓｄの動作条件である診断条件Ｐｄを有している。
個別条件ＰｍはコードブックＣＢを有している。コードブックＣＢは学習部Ｓｔによって生成され、診断条件Ｐｄと共に診断部Ｓｄの動作条件を定める。つまり、コードブックＣＢは、学習部Ｓｔによる学習結果が保存されている。コードブックＣＢについては、後記して説明する。
また、後記して説明する診断モデル生成部１１２は、診断処理部Ｓｗの入力部Ｓｉや、学習部Ｓｔや、診断部Ｓｄを様々に変化させたり、共通条件Ｐｃの入力条件Ｐｉや、学習条件Ｐｔや、診断条件Ｐｄを様々に変化させたりすることで、複数の診断処理部Ｓｗを生成する。

履歴情報１２１には、診断モデルＭｄ（図１）を構成する診断処理部Ｓｗ、共通条件Ｐｃ及び個別条件Ｐｍの変更履歴である複数の履歴Ｈが保持されている。
診断試行部１１３は、履歴情報１２１が管理する履歴Ｈの組み合わせ（つまり、診断モデルＭｄ）のそれぞれについて診断を試行する。
診断性能決定部１１４は、診断試行部１１３によって試行された診断結果を評価し、一番診断性能がよい履歴Ｈの組み合わせ（つまり、診断性能が最もよい診断モデルＭｄ）を探索し、検出する。
診断ジョブ生成部１１５は、診断性能決定部１１４が選択した診断モデルＭｄから診断ジョブ雛型を生成したうえで、多数の機器２に対応する複数の診断ジョブ１２２を生成する。

（ハードウェア構成図）
図３は、第１実施形態に係る診断ジョブ生成システムを構成する各装置のハードウェア構成例を示す図である。
診断ジョブ生成システム１０は、診断ジョブ生成装置１と、端末装置３と、診断対象となる各機器２を有している。
診断ジョブ生成装置１は、前記したように各機器２に対応した診断ジョブ１２２を生成する装置であり、メモリ１１０、ＨＤ（Hard Disk）等の記憶装置１２０、ＣＰＵ（Central Processing Unit）１３０、送受信装置１４０を有している。
メモリ１１０には、記憶装置１２０に格納されたプログラムが展開され、メモリ１１０に展開されたプログラムがＣＰＵ１３０によって実行されることで、処理部１１１、処理部１１１を構成する診断モデル生成部１１２、診断試行部１１３、診断性能決定部１１４及び診断ジョブ生成部１１５が具現化されている。

処理部１１１は、診断モデル生成部１１２、診断試行部１１３、診断性能決定部１１４及び診断ジョブ生成部１１５を制御する。
診断モデル生成部１１２は、診断モデルＭｄを構成する診断処理部Ｓｗ、共通条件Ｐｃ、個別条件Ｐｍを複数生成し、生成した診断処理部Ｓｗ、共通条件Ｐｃ、個別条件Ｐｍのそれぞれを履歴Ｈ（図２）として、記憶装置の履歴情報１２１に格納する。
診断試行部１１３、診断性能決定部１１４及び診断ジョブ生成部１１５は、図２において説明済みであるので、ここでの説明を省略する。
送受信装置１４０は、機器２や、端末装置３に接続しており、これらの装置と情報の送受信を行う。

端末装置３は、診断ジョブ生成装置１が生成した診断モデルＭｄや、診断ジョブ１２２に関する情報を表示する装置であり、メモリ３１０、ＨＤ等の記憶装置３２０、ＣＰＵ３３０、ディスプレイ等の表示装置３５０、送受信装置３４０を有している。
メモリ３１０には、記憶装置３２０に格納されたプログラムが展開され、メモリ３１０に展開されたプログラムがＣＰＵ３３０によって実行されることで、処理部３１１及び処理部３１１を構成する表示処理部３１２が具現化されている。

表示処理部３１２は、診断ジョブ生成装置１が生成した診断モデルＭｄや、診断ジョブ１２２に関する情報を表示装置３５０に表示する。なお、端末装置３の表示装置３５０は図１の表示装置３５０に相当するものである。
送受信装置３４０は、診断ジョブ生成装置１や、機器２に接続しており、これらの装置と情報の送受信を行う。

診断ジョブ生成装置１と、各機器２と、端末装置３とは、ＬＡＮ（Local Area Network）や、クラウドネットワーク等で互いに接続される。

また、各部１１２〜１１５と、表示処理部３１２とは、一体化した装置に搭載されてもよいし、少なくとも１つの機能が搭載された装置が設置されてもよい。

（診断モデル生成）
次に、図４〜図６を参照して、診断モデル生成部による診断モデルＭｄの生成処理の概要を説明する。
図４は、第１実施形態に係る診断処理部の変更処理の概要を示す図である。
履歴情報１２１で保持されている複数の履歴Ｈには、それぞれ診断処理部Ｓｗが対応付けられ、診断処理部Ｓｗに含まれる入力部Ｓｉ、学習部Ｓｔ、診断部Ｓｄの各処理ステップのいずれかが変更されると、履歴Ｈが更新される（図４で後記）。同様に、共通条件Ｐｃにおける入力条件Ｐｉ、学習条件Ｐｔ、診断条件Ｐｄのいずれかが変更されると、履歴Ｈが更新される（図５で後記）。また、個別条件ＰｍのコードブックＣＢが変更されると、履歴Ｈが更新される（図６で後記）。
図４に示す例において、診断モデル生成部１１２（図３）は、まず、入力部Ｓｉ１（Ｓｉ）、学習部Ｓｔ１（Ｓｔ）、診断部Ｓｄ１（Ｓｄ）を有する診断モデル処理部Ｓｗ１（Ｓｗ）を生成する。診断モデル生成部１１２は、診断処理部Ｓｗ１を履歴Ｈ１（Ｈ）に保持する。

また、診断モデル生成部１１２は、履歴Ｈ１に格納されている診断モデル処理部Ｓｗ１を構成する要素のうち、入力部Ｓｉ１を入力部Ｓｉ２（Ｓｉ）に変更した診断処理部Ｓｗ２（Ｓｗ）を生成する。そして、診断モデル生成部１１２は、診断処理部Ｓｗ２を履歴Ｈ２（Ｈ）に保持する。入力部Ｓｉ１を入力部Ｓｉ２に変更するとは、入力対象となるセンサを変更する等である。

さらに、診断モデル生成部１１２は、履歴Ｈ２に格納されている診断処理部Ｓｗ２を構成する要素のうち、学習部Ｓｔ１を学習部Ｓｔ２（Ｓｔ）に変更した診断処理部Ｓｗ３（Ｓｗ）を生成する。そして、診断モデル生成部１１２は、生成した診断処理部Ｓｗ３を履歴Ｈ３（Ｈ）に保持する。学習部Ｓｔを変更するとは、学習部Ｓｔ１がクラスタリングを行う学習処理を行うものであれば、ニューラルネットワークによる学習処理を行う学習部Ｓｔ２に変更する等である。

図５は、第１実施形態に係る共通条件の変更処理の概要を示す図である。
履歴情報１２１における履歴Ｈには、それぞれ共通条件Ｐｃが対応付けられ、共通条件Ｐｃに含まれる入力条件Ｐｉ、学習条件Ｐｔ、診断条件Ｐｄの各動作条件のいずれかが診断モデル生成部１１２によって変更された場合に、履歴Ｈが更新される。
図５に示す例において、診断モデル生成部１１２は、まず、入力条件Ｐｉ１（Ｐｉ）、学習条件Ｐｔ１（Ｐｔ）、診断条件Ｐｄ１（Ｐｄ）を有する共通条件Ｐｃ１（Ｐｃ）を生成する。そして、診断モデル生成部１１２は、生成したＰｃ１を履歴Ｈ１１（Ｈ）に保持する。

次に、診断モデル生成部１１２は、履歴Ｈ１１で保持されている共通条件Ｐｃ１を構成する要素のうち、学習条件Ｐｔ１を学習条件Ｐｔ２（Ｐｔ）に変更した共通条件Ｐｃ２（Ｐｃ）を生成する。そして、診断モデル生成部１１２は、生成した共通条件Ｐｃ２を履歴Ｈ１２（Ｈ）に保持する。学習条件Ｐｔを変更するとは、学習処理を行う際の学習パラメータを変更する等である。

さらに、診断モデル生成部１１２は、履歴Ｈ１２に保持されている共通条件Ｐｃ２を構成する要素のうち、診断条件Ｐｄ１を診断条件Ｐｄ２（Ｐｄ）に変更した共通条件Ｐｃ３（Ｐｃ）を生成する。そして、診断モデル生成部１１２は、生成した共通条件Ｐｃ３を履歴Ｈ１３（Ｈ）に保持する。診断条件Ｐｄは、例えば、診断タイミングや、発報のための閾値等である。

図６は、第１実施形態に係る個別条件の変更処理の概要を示す図である。
履歴情報１２１における履歴Ｈには、それぞれ個別条件Ｐｍが対応付けられ、個別条件Ｐｍに含まれるコードブックＣＢが診断モデル生成部１１２によって変更された場合に、履歴Ｈが更新される。
図６に示す例において、診断モデル生成部１１２は、コードブックＣＢ１（ＣＢ）を生成することで、個別条件Ｐｍ１（Ｐｍ）を生成する。そして、診断モデル生成部１１２は、生成した個別条件Ｐｍ１を履歴Ｈ２１（Ｈ）に保持する。

次に、診断モデル生成部１１２は、履歴Ｈ２１に保持されている個別条件Ｐｍ１のコードブックＣＢ１をコードブックＣＢ２（ＣＢ）に変更した個別条件Ｐｍ２（Ｐｍ）を生成する。そして、診断モデル生成部１１２は、生成した個別条件Ｐｍ２を履歴Ｈ２２（Ｈ）に保持する。

さらに、診断モデル生成部１１２は、履歴Ｈ２２に保持されている個別条件Ｐｍ２のコードブックＣＢ２をコードブックＣＢ３（ＣＢ）に変更した個別条件Ｐｍ３（Ｐｍ）を生成する。そして、診断モデル生成部１１２は、生成した個別条件Ｐｍ３を履歴Ｈ２３（Ｈ）に保持する。
なお、コードブックＣＢの内容は、入力データと、学習部Ｓｔの構成、学習条件Ｐｔで決まるため、診断モデル生成部１１２は、これまでに生成された診断処理部Ｓｗ、共通条件Ｐｃの組み合わせ毎にコードブックＣＢを生成するようにしてもよい。

なお、診断モデルＭｄの生成時におけるコードブックＣＢは、同一の型式を有するすべての機器２についてのコードブックＣＢではなく、ある機器２を代表機器として、その機器２についてのコードブックＣＢが生成される。ここでは、「１号機」のコードブックＣＢが生成されるものとする。従って、入力部Ｓｉに入力される入力データは、「１号機」の入力データである。その他の機器２のコードブックＣＢの生成は後記する。

なお、本実施形態では、診断処理部Ｓｗ、共通条件Ｐｃ，個別条件Ｐｍを構成する要素の組み合わせが、それぞれ履歴Ｈとして保持されているが、診断処理部Ｓｗ、共通条件Ｐｃ，個別条件Ｐｍをまとめた診断モデルＭｄが履歴Ｈに保持されてもよい。

（診断モデルの組み合わせ）
図７は、診断モデルにおける診断処理部、共通条件、個別条件の組み合わせを示す模式図である。なお、図７における破線矢印は、バージョンの遷移を示している。
図７では、診断処理部Ｓｗと、共通条件Ｐｃと、個別条件Ｐｍとの組み合わせをキューブ４００の形式で示す。
図４で示したように、診断処理部Ｓｗの変更が履歴Ｈとして保持される。すなわち、図７の例では、診断処理部Ｓｗ１〜Ｓｗ３（Ｓｗ）が保持される。図７では、キューブ４００の上方向から見た面４０１が該当する。

次に、図５で示したように、共通条件Ｐｃの変更が履歴Ｈとして保持される。すなわち、図７の例では、共通条件Ｐｃ１〜Ｐｃ３（Ｐｃ）及び共通条件Ｐｃ１の一部（例えば、学習条件Ｐｔ）を変更して生成された共通条件Ｐｃ４（Ｐｃ）が保持される。図７では、キューブ４００の手前方向から見た面のうち、上半分の符号４０２が該当する。

さらに、図６で示したように、個別条件Ｐｍの変更が履歴Ｈとして保持される。すなわち、図７の例では、個別条件Ｐｍ１〜Ｐｍ３（Ｐｍ）及び個別条件Ｐｍ１のコードブックＣＢ１を変更して生成された個別条件Ｐｍ４（Ｐｍ）が保持される。図７では、キューブ４００の手前方向から見た面のうち、下半分の符号４０３が該当する。

さらに、図４〜６で示したように、診断処理部Ｓｗと共通条件Ｐｃと個別条件Ｐｍはそれぞれ履歴Ｈを経由してお互いに紐づく形で保持される。例えば、学習部Ｓｔがクラスタリングを用いた学習処理を行うのであれば、共通条件Ｐｃにおける学習条件Ｐｔはクラスタリングの学習条件Ｐｔとなり、ニューラルネットワークの学習条件Ｐｔとはならない。言い換えれば、学習部Ｓｔがクラスタリングを行う診断処理部Ｓｗと、ニューラルネットワークの学習条件Ｐｔを有する共通条件Ｐｃとは組み合わせ不可能（紐づけ不可能）である。

また、学習部Ｓｔがクラスタリングを用いた学習処理を行うのであれば、個別条件ＰｍのコードブックＣＢはクラスタリングによる学習結果となり、ニューラルネットワークの学習結果とはならない。言い換えれば、ニューラルネットワークの学習結果を有する個別条件Ｐｍと、クラスタリングを行う学習部Ｓｔを有する診断処理部Ｓｗや、クラスタリングの学習条件Ｐｔを有する共通条件Ｐｃとは組み合わせ不可能（紐づけ不可能）である。
このように、診断処理部Ｓｗの構成と、共通条件Ｐｃの構成と、個別条件Ｐｍの構成とは互いに関連性を有している。

従って、キューブ４００内で組み合わせ可能な組のうち、組み合わせ可能な診断処理部Ｓｗと共通条件Ｐｃと個別条件Ｐｍの組が診断モデルＭｄとなる。例えば、図４〜図６の例を参照すると、｛履歴Ｈ１、履歴Ｈ１１、履歴Ｈ２１｝＝｛診断処理部Ｓｗ１、共通条件Ｐｃ１、個別条件Ｐｍ１｝、｛履歴Ｈ２、履歴Ｈ１２、履歴Ｈ２２｝＝｛診断処理部Ｓｗ２、共通条件Ｐｃ２、個別条件Ｐｍ２｝、｛履歴Ｈ３、履歴Ｈ１３、履歴Ｈ２３｝＝｛診断処理部Ｓｗ３、共通条件Ｐｃ３、個別条件Ｐｍ３｝が、組み合わせ可能な診断処理部Ｓｗと共通条件Ｐｃと個別条件Ｐｍの組み合わせであるものとする。
このようにして、診断モデル生成部１１２は、同一の型式（グループ）に属する機器に適用可能な診断モデルＭｄの生成を行う。

なお、本実施形態において、図４〜図６では、診断処理部Ｓｗ、共通条件Ｐｃ及び個別条件Ｐｍがそれぞれ個別に変更されているが、これに限らず、診断処理部Ｓｗ、共通条件Ｐｃ及び個別条件Ｐｍが連動して変更されてもよい。例えば、診断処理部Ｓｗにおける学習部Ｓｔがニューラルネットワークを用いる学習法であれば、共通条件Ｐｃにおける学習条件Ｐｔの形式は決まる。従って、診断モデル生成部１１２は、診断処理部Ｓｗの学習部Ｓｔにおける学習方法に沿った形式で学習条件Ｐｔを変更してもよい。同様に、学習部Ｓｔが行う学習処理と、学習条件Ｐｔとが決まれば、個別条件ＰｍのコードブックＣＢも決まるので、診断モデル生成部１１２は入力部Ｓｉと、学習部Ｓｔと、学習条件Ｐｔとを基にコードブックＣＢを生成してもよい。

また、学習部Ｓｔにおける学習処理が決まれば、入力データの形式も決まるので、診断モデル生成部１１２は学習部Ｓｔにおける学習処理に沿って、入力部Ｓｉや、入力条件Ｐｉを変更してもよい。

（診断試行処理）
図８は、第１実施形態に係る診断試行処理の手順を示すフローチャートである。適宜、図２、図３を参照する。
まず、診断試行部１１３は、履歴Ｈの組み合わせ（すなわち、診断処理部Ｓｗ、共通条件Ｐｃ、個別条件Ｐｍの可能な組み合わせ）を一つ選択する（Ｓ１０１）。
そして、診断試行部１１３は、選択された診断処理部Ｓｗ、共通条件Ｐｃ、個別条件Ｐｍの組み合わせである診断モデルＭｄの診断を試行する（ステップＳ１０２）。具体的には、診断モデルＭｄの診断試行部１１３は、診断モデルＭｄを使用して機器２について、前記したＣＢＭによる診断を実際に行い、その診断の結果を診断結果情報として一次保存する。

次に、診断試行部１１３は、すべての診断処理部Ｓｗ、共通条件Ｐｃ、個別条件Ｐｍの組み合わせについて、診断の試行が完了したか否かを判定する（Ｓ１０３）。
ステップＳ１０３の結果、すべての組み合わせについて、診断の試行が完了していない場合（Ｓ１０３→Ｎｏ）、診断試行部１１３はステップＳ１０１へ処理を戻す。
ステップＳ１０３の結果、すべての組み合わせについて、診断の試行が完了している場合（Ｓ１０３→Ｙｅｓ）、診断試行部１１３は、各組み合わせにおける診断試行結果の情報を診断性能決定部１１４へわたす（ステップＳ１０４）。

（診断性能決定処理）
図９は、第１実施形態に係る診断性能決定処理の手順を示すフローチャートである。
まず、診断性能決定部１１４は、診断試行部１１３で試行した診断の結果（診断試行結果）を一つ選択する（ステップＳ２０１）。
そして、診断性能決定部１１４は、選択された診断モデルＭｄの診断結果でＲＯＣ（Receiver Operating Characteristic）カーブをプロットする（ステップＳ２０２）。
さらに、診断性能決定部１１４は、プロットしたＲＯＣカーブからＡＵＣ（Area Under the Curve）面積を算出する（ステップＳ２０３）。
そして、診断性能決定部１１４は、すべての診断モデルＭｄについて、ステップＳ２０２及びステップＳ２０３の処理を完了したか否かを判定する（Ｓ２０４）。

ステップＳ２０４の結果、すべての診断モデルＭｄについて、ステップＳ２０２及びステップＳ２０３の処理を完了していない場合（Ｓ２０４→Ｎｏ）、診断性能決定部１１４はステップＳ２０１へ処理を戻す。
ステップＳ２０４の結果、すべての診断モデルＭｄについて、ステップＳ２０２及びステップＳ２０３の処理を完了している場合（Ｓ２０４→Ｙｅｓ）、診断性能決定部１１４は、ステップＳ２０３で算出されたＡＵＣ面積が最も大きい診断モデルＭｄを選択する（Ｓ２０５）。ステップＳ２０５で選択される診断モデルＭｄが最も診断性能がよい診断モデルＭｄである。

なお、ＲＯＣカーブは縦軸を診断成功率（＝機器２の異常を正しく発報した率）とし、横軸を誤報率（＝機器２が正常な時に誤って発報した率）とし、診断モデルＭｄの動作条件を変えた際の診断性能をプロットしたグラフである。また、ＡＵＣ面積はＲＯＣカーブの曲線下部面積で診断性能を示す。

なお、本実施例では診断試行方法として総当たり法、診断性能評価法としてＡＵＣ最大化を用いているが、これに限らない。例えば、診断性能評価法として誤報率及び失報率の目標値を定義し、診断試行法として焼きなまし法等を用いてもよい。

図１０は、第１実施形態に係る診断性能決定処理の結果を示す図である。なお、図１０において、図７と同様の構成については、同一の符号を付して説明を省略する。
診断性能決定部１１４が、図９に示す診断性能決定処理を行った結果、図７に示すキューブ４００のうち一番診断性能がよい組み合わせとして、診断処理部Ｓｗ３（Ｓｗ）、共通条件Ｐｃ３（Ｐｃ）、個別条件Ｐｍ３（Ｐｍ）の組み合わせが選ばれたことを示している。また、共通条件Ｐｃ３は入力条件Ｐｉ１（Ｐｉ）、学習条件Ｐｔ２（Ｐｔ）、診断条件Ｐｄ２（Ｐｄ）を有している。入力条件Ｐｉ１、学習条件Ｐｔ２、診断条件Ｐｄ２は、診断処理部Ｓｗ３の構成要素である入力部Ｓｉ２（Ｓｉ）、学習部Ｓｔ２（Ｓｔ）、診断部Ｓｄ１（Ｓｄ）にそれぞれ紐づけて管理される。また、個別条件Ｐｍ３は、学習部Ｓｔ２及び診断部Ｓｄ１に対応付けられて管理される（図２参照）。

（診断ジョブ雛型）
図１１（ａ）は、第１実施形態に係る診断ジョブ雛型の例を示す図である。
診断ジョブ雛型Ｍｄａは、機器２それぞれと１：１に対応する診断ジョブ１２２（図１）の雛型になるものであり、図９の診断性能決定処理によって選ばれた診断モデルＭｄから、学習部Ｓｔと学習条件Ｐｔを除いたものである。よって、診断ジョブ雛型Ｍｄａは入力部Ｓｉとその動作条件である入力条件Ｐｉ、診断部Ｓｄとその動作条件である診断条件Ｐｄよって構成される。

図１１（ａ）に示す診断ジョブ雛型Ｍｄａは、図１０に示されるようにキューブ４００において一番診断性能がよいと判断され、選ばれた診断処理部Ｓｗ３（Ｓｗ）、共通条件Ｐｃ３（Ｐｃ）の組み合わせから、学習部Ｓｔ２（Ｓｔ）と学習条件Ｐｔ２（Ｐｔ）を削除したものである。学習部Ｓｔ３が削除された診断処理部Ｓｗ３を診断処理部Ｓｗ３ａ（Ｓｗａ）、学習条件Ｐｔ３が削除された共通条件Ｐｃ３を共通条件Ｐｃ３ａ（Ｐｃａ）とする。

（診断ジョブ）
図１１（ｂ）は、第１実施形態に係る診断ジョブの例を示す図である。
診断ジョブ１２２は、図１１（ａ）の診断ジョブ雛型Ｍｄａに対し、個別条件ＰｍとしてコードブックＣＢ３（ＣＢ）を追加したものである。
なお、図１１（ａ）に示す診断ジョブ雛型Ｍｄａは、機器２の「型式」に対応づけられるデータであり、コードブックＣＢがないため実際の診断を実行することができないものである。一方、診断ジョブ１２２は機器２に対応するコードブックＣＢ３（ＣＢ）を含むため、実行可能であり、機器２に対応づけられるものである。

図１１（ｂ）に示される診断ジョブ１２２ａ（１２２）は、図１１（ａ）で示される診断ジョブ雛型Ｍｄａに、個別条件Ｐｍ３（Ｐｍ）、すなわちコードブックＣＢ３（ＣＢ）が適用されたものである。なお、ここで、コードブックＣＢ３が機器２の１号機に対応するものであるとすると、診断ジョブ１２２ａは１号機に対応した診断ジョブ１２２である。

（診断ジョブ生成処理）
図１２は、第１実施形態に係る診断ジョブ生成処理の手順を示すフローチャートである。適宜、図３を参照する。
まず、診断ジョブ生成部１１５は、図９の診断性能決定処理におけるステップＳ２０５で選択された、診断性能が最もよい診断モデルＭｄの診断処理部Ｓｗを選択する（Ｓ３０１）。
次に、診断ジョブ生成部１１５は、ステップＳ３０１で選択された診断処理部Ｓｗから学習部Ｓｔを削除する（Ｓ３０２）。ここで、診断ジョブ生成部１１５は、診断処理部Ｓｗにおけるプログラムから、学習部Ｓｔに対応する箇所のプログラムを削除したり、学習部Ｓｔのジョブの実行を不活性化したりする。

そして、診断ジョブ生成部１１５は、診断性能が最もよい診断モデルＭｄに含まれる共通条件Ｐｃ（具体的には、入力条件Ｐｉと診断条件Ｐｄ）を取得する（Ｓ３０３）。

さらに、診断ジョブ生成部１１５は、処理対象となっている型式を有し、未処理の機器２それぞれから正常稼働時の入力データ（センサデータ）を取得する（Ｓ３１１）。
次に、診断ジョブ生成部１１５は、学習部Ｓｔを、ステップＳ３１１で取得した入力データに適用して、学習処理を行う（Ｓ３１２）。ステップＳ３１２では、各機器２から得られた入力データを用いて、ステップＳ３０２で削除された学習部Ｓｔが行う学習処理と同じ学習処理を行う。なお、ステップＳ３１２における学習結果は、処理対象となっている機器２に対応付けられたコードブックＣＢに格納される。

続いて、診断ジョブ生成部１１５は、ステップＳ３１２の学習部Ｓｔによる学習処理の結果、生成されるコードブックＣＢを、ステップＳ３０２で学習部Ｓｔを削除された診断処理部Ｓｗと、ステップＳ３０３で取得した共通条件Ｐｃとで構成された診断ジョブ雛型Ｍｄａに適用する（Ｓ３１３）。ステップＳ３１３の結果、処理対象となっている機器２についての診断ジョブ１２２が生成される。
その後、診断ジョブ生成部１１５は、生成した診断ジョブ１２２を記憶装置１２０に保持する（ステップＳ３１４）。

その後、診断ジョブ生成部１１５は、処理対象となっている型式を有するすべての機器２について、ステップＳ３１１からステップＳ３１４の処理を行ったか否かを判定する（Ｓ３１５）。
ステップＳ３１５の結果、処理対象となっている型式を有するすべての機器２について、ステップＳ３１１からステップＳ３１４の処理が完了していない場合（Ｓ３１５→Ｎｏ）、診断ジョブ生成部１１５は、ステップＳ３１１へ処理を戻す。
ステップＳ３１５の結果、処理対象となっている型式を有するすべての機器２について、ステップＳ３１１からステップＳ３１４の処理を行っている場合（Ｓ３１５→Ｙｅｓ）、診断ジョブ生成部１１５は診断ジョブ生成処理を終了する。

（診断ジョブ）
図１３は、第１実施形態に係る診断ジョブの例を示す図である。なお、図１３において、図１１（ａ）と同様の構成については同一の符号を付して説明を省略する。
診断ジョブ生成部１１５は、それぞれの機器２に対して一つの診断ジョブ１２２を生成するため、機器２の機器番号（ここでは、１号機〜Ｎ号機とする）毎に診断ジョブ１２２が生成される。ただし、１号機用の診断ジョブ１２２ａは図１１で示しているため、図１３では２号機、３号機、Ｎ号機用の診断ジョブ１２２ｂ〜１２２ｄを示す。４号機〜Ｎ−１号機用の診断ジョブ１２２は２号機、３号機、Ｎ号機用の診断ジョブ１２２ｂ〜１２２ｄと同様であるので、ここでは説明を省略する。各号機用の診断ジョブ１２２の診断処理部Ｓｗ３ａと共通条件Ｐｃ３ａは、図１１（ｂ）とすべて同じであり、コードブックＣＢのみが異なる。また、コードブックＣＢは図１２のステップＳ３１１で各機器２から得られた正常時の入力データを基に学習処理を行う（図１２のＳ３１２）ことで生成されたものであり、図１３（ａ）〜（ｃ）に示されるように各機器２の診断ジョブ１２２と１：１に紐づけられる。

すなわち、図１３（ａ）に示す診断ジョブ１２２ｂは図１１（ａ）の診断ジョブ雛型Ｍｄａに２号機用のコードブックＣＢ３２（ＣＢ）を適用したものである。
また、図１３（ｂ）に示す診断ジョブ１２２ｃは図１１（ａ）の診断ジョブ雛型Ｍｄａに３号機用のコードブックＣＢ３３（ＣＢ）を適用したものである。
同様に、図１３（ｃ）に示す診断ジョブ１２２ｄは図１１（ａ）の診断ジョブ雛型ＭｄａにＮ号機用のコードブックＣＢ３４（ＣＢ）を適用したものである。

（診断ジョブ一覧画面）
図１４は、第１実施形態に係る診断ジョブ一覧画面の例を示す図である。
診断ジョブ一覧画面５００は、表示装置３５０に表示される画面である。
診断ジョブ一覧画面５００は、ジョブＩＤと、対象機器と、診断モデルと、機器情報と、診断性能からなる一覧表である。
ジョブＩＤは、診断ジョブ生成部１１５によって機器２毎に対応付けられて生成された診断ジョブ１２２に対し１：１に割りつけられるＩＤである。診断ジョブ生成部１１５は、診断ジョブ１２２を生成した際にジョブＩＤを割りつける。

対象機器のフィールドには、診断ジョブ１２２による診断対象であり、ジョブＩＤを有する機器２の機器名称が表示される。すなわち、対象機器２のフィールドに表示される機器名称は、診断ジョブ１２２が適用しているコードブックＣＢが対応付けられている機器２である。

診断モデルのフィールドには機器型式に対応づけられる情報として診断モデルＭｄの対象となる型式の名称（型式名）が表示される。このようにすることで、各診断ジョブ１２２が、どの型式用の診断モデルＭｄを用いているかをユーザが判断できる。
機器情報のフィールドには機器２に対応づけられる情報として機器番号が表示される。
診断性能のフィールドには、同一型式内の機器２について生成した診断ジョブ１２２を実行した結果、取得される誤報率と失報率（実行診断性能）のそれぞれについて上限と下限が型式毎に表示される。この診断性能は、診断ジョブ１２２の生成後、実際に診断ジョブ１２２を各機器２に対して実行することで得られるデータから算出されるものである。実行診断性能は、機器２に対して試験的に診断ジョブ１２２を実行させた結果でもよい。

図１４のように診断ジョブ一覧画面５００を表示することにより、生成された診断モデルＭｄがどの型式に対応しているかを、ユーザが容易に確認できる。さらに、図１４のように診断ジョブ一覧画面５００を表示することにより、生成された診断ジョブ１２２がどの診断モデルＭｄを基準にしているか、また、診断モデルＭｄの診断性能が十分か否かをユーザが容易に確認できる。さらに、図１４のように診断ジョブ一覧画面５００を表示することにより、ユーザは、機器２と診断モデルＭｄとの対応関係を容易に確認できる。

（第１実施形態のまとめ）
本実施形態では、まず、診断試行部１１３が、複数の診断モデルＭｄについて、診断試行を行って、診断性能が最もよい診断モデルＭｄを選択する。そして、診断ジョブ生成部１１５が、選択された最良の診断モデルＭｄに、それぞれの機器２に対応する個別条件Ｐｍを適用して、診断ジョブ１２２を生成する。例えば、特許文献１に記載の技術では、新たに機器２についての診断を行う際に、いちいち既設の機器２の統計的な処理を行って、診断モデルを生成している。これに対し、本実施形態では、複数の診断モデルＭｄについて、診断試行を行って、診断性能が最もよい診断モデルＭｄを選択することで、最適な診断モデルを効率的に生成することができる。さらに、新たに診断対象となった機器２のコードブックＣＢを生成し、生成したコードブックＣＢを、予め生成してある診断ジョブ雛型Ｍｄａに適用することで、診断ジョブ１２２を生成することができるので、診断ジョブ１２２の生成工数を低減することができる。

また、診断モデル生成部１１２が、診断処理部Ｓｗにおける入力部Ｓｉ、学習部Ｓｔ及び診断部Ｓｄ（複数の処理部）の各々を変更して複数の診断モデルＭｄを生成することにより、複数の診断モデルＭｄの生成を効率的に行うことができる。
また、本実施形態では、診断性能が最もよい診断モデルＭｄから学習部Ｓｔ及び学習条件Ｐｔを削除することで、診断ジョブ雛型Ｍｄａを生成している。このようにすることで、診断ジョブ雛型Ｍｄａ及び診断ジョブ１２２を容易に生成することができる。

さらに、本実施形態では、個別条件Ｐｍの内容を学習処理の結果であるコードブックＣＢとしている。このようにすることで、学習部Ｓｔの内容と、学習条件Ｐｔを定めるだけで、診断ジョブ生成装置１がコードブックＣＢを生成する。つまり、ユーザの手間を大幅に軽減することができ、効率的な診断ジョブの生成を実現することができる。
また、本実施形態に係る診断ジョブ生成システム１０は、同一の型式を有する機器２の間で診断モデルＭｄの共有化を図ることができる。

［第２実施形態］
図１５は、第２実施形態に係る診断モデルを示す図である。また、図１５において、図２と同様の構成については、同一の符号を付して説明を省略する。さらに、第２実施形態において、図１５で示す構成以外の構成は第１実施形態と同様であるので、図示及び説明を省略する。
図１５に示す診断モデルＭｄｚは、第１実施形態における診断モデルＭｄに対し、学習部Ｓｔの前段に前処理部Ｓｒを追加し、診断部Ｓｄの後段に後処理部Ｓｐを追加したものである。

図１５の診断モデルＭｄｚは、第１実施形態と同様に診断処理部Ｓｗｚ、共通条件Ｐｃｚ、個別条件Ｐｍで構成される。
診断処理部Ｓｗｚは、入力部Ｓｉ、前処理部Ｓｒ、学習部Ｓｔ、診断部Ｓｄ，後処理部Ｓｐで構成される。
共通条件Ｐｃｚは、入力条件Ｐｉ、前処理条件Ｐｒ、学習条件Ｐｔ、診断条件Ｐｄ、後処理条件Ｐｐで構成され、それぞれ入力部Ｓｉ、前処理部Ｓｒ、学習部Ｓｔ、診断部Ｓｄ、後処理部Ｓｐの動作条件を定める。
個別条件Ｐｍは第１実施形態と同じである。

図１５に示されるように診断モデルＭｄｚにおいて、学習部Ｓｔの前段に前処理部Ｓｒが設けられることにより、例えば、橋梁等の構造物の診断を行う場合、入力データである振動センサデータをそのまま用いるのではなく、前処理部Ｓｒとして振動データをフーリエ変換してパワースペクトルを算出し、前処理結果であるパワースペクトルを学習部Ｓｔ及び診断部Ｓｄに入力することができる。
あるいは、前処理部Ｓｒが、前処理として移動平均等を適用することにより、入力データのノイズを除去してから学習部Ｓｔによる学習処理を行うことができる。

また、図１５に示されるように診断部Ｓｄの後に後処理部Ｓｐを設けることにより、例えば、診断部Ｓｄの結果を直接用いて発報するのではなく、別の判定を行うことができる。これは、診断部Ｓｄが機器異常という結果を返した場合に即時発報すると誤報が多くなってしまうゆえに、例えば、後処理部Ｓｐが一定期間の監視処理を行うことで、一定時間継続して異常とみなされた場合に限って発報する、等の判定を追加するものである。

なお、第２実施形態では、生成された診断ジョブ雛型Ｍｄａ（図１１）及び診断ジョブ１２２において、入力部Ｓｉと、診断部Ｓｄとの間に前処理部Ｓｒが入り、診断部Ｓｄの後段に後処理部Ｓｐが入る。また、第２実施形態で生成された診断ジョブ雛型Ｍｄａ（図１１）及び診断ジョブ１２２には、共通条件Ｐｃａ（図１１）として前処理部Ｓｒと対応付けられる前処理条件Ｐｒ、及び後処理部Ｓｐと対応付けられる後処理条件Ｐｐが備えられる。
なお、前処理部Ｓｒ、後処理部Ｓｐは両方設けられている必要はなく、どちらか一方が設けられるようにしてもよい。また、前処理部Ｓｒ及び後処理部Ｓｐの内容によって、前処理条件Ｐｒ及び後処理条件Ｐｐの省略が可能である。また、前処理部Ｓｒ、後処理部Ｓｐの少なくとも一方が複数設けられていてもよい。

第２実施形態によれば、入力データをそのまま使用した学習が不可能な場合や、診断結果をそのまま使用すると不都合がある場合等に、適切な学習処理や、診断結果の出力を行うことができる。

本発明は前記した実施形態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、前記した実施形態は本発明を分かりやす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有するものに限定されるものではない。また、ある実施形態の構成の一部を他の実施形態の構成に置き換えることが可能であり、ある実施形態の構成に他の実施形態の構成を加えることも可能である。また、各実施形態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、前記した各構成、機能、各部１１１〜１１５，３１１，３１２、記憶装置１２０，３２０等は、それらの一部又はすべてを、例えば集積回路で設計すること等によりハードウェアで実現してもよい。また、図３に示すように、前記した各構成、機能等は、ＣＰＵ等の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ェ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、ＨＤに格納すること以外に、メモリや、ＳＳＤ（Solid State Drive）等の記録装置、又は、ＩＣ（Integrated Circuit）カードや、ＳＤ（Secure Digital）カード、ＤＶＤ（Digital Versatile Disc）等の記録媒体に格納することができる。
また、各実施形態において、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、ほとんどすべての構成が相互に接続されていると考えてよい。

１ 診断ジョブ生成装置
２ 機器
１０ 診断ジョブ生成システム
１１１ 処理部
１１２ 診断モデル生成部
１１３ 診断試行部（検出部）
１１４ 診断性能決定部（検出部）
１１５ 診断ジョブ生成部
１２１ 履歴情報
１２２，１２２ａ，１２２ｂ，１２２ｃ，１２２ｄ 診断ジョブ
３１２ 表示処理部
３５０ 表示装置（表示部）
ＣＢ，ＣＢ１，ＣＢ２，ＣＢ３，ＣＢ３２，ＣＢ３３，ＣＢ３４ コードブック
Ｈ，Ｈ１，Ｈ２，Ｈ３，Ｈ１１，Ｈ１２，Ｈ１３，Ｈ２１，Ｈ２２，Ｈ２３ 履歴
Ｍｄ，Ｍｄｚ 診断モデル
Ｍｄａ 診断ジョブ雛型
Ｐｃ，Ｐｃａ，Ｐｃｚ，ＰＣ１，ＰＣ２，Ｐｃ３，Ｐｃ３ａ，Ｐｃ４ 共通条件
Ｐｄ，Ｐｄ１，Ｐｄ２ 診断条件
Ｐｉ，Ｐｉ１ 入力条件
Ｐｍ，Ｐｍ１，Ｐｍ２，Ｐｍ３，Ｐｍ４，Ｐｍ３２，Ｐｍ３３，Ｐｍ３４ 個別条件
Ｐｐ 後処理条件
Ｐｒ 前処理条件
Ｐｔ，Ｐｔ１，Ｐｔ２ 学習条件
Ｓｄ，Ｓｄ１ 診断部
Ｓｉ，Ｓｉ１，Ｓｉ２ 入力部
Ｓｒ 前処理部
Ｓｐ 後処理部
Ｓｔ，Ｓｔ１，Ｓｔ２ 学習部
Ｓｗ，Ｓｗａ，Ｓｗｚ，Ｓｗ１，Ｓｗ２，Ｓｗ３，Ｓｗ３ａ 診断処理部

Claims (17)

1. 同一のグループに属する機器に適用可能な診断モデルを複数生成する診断モデル生成部と、
   複数生成された前記診断モデルのうち、診断性能が最もよい前記診断モデルを検出する検出部と、
   検出された前記診断モデルに対して、前記機器それぞれに対応する条件である個別条件を適用することによって、前記機器毎の診断ジョブを生成する診断ジョブ生成部と、
   を有し、
   前記診断性能は、前記機器の異常を正しく発報した率である診断成功率と、前記機器が正常な時に誤って異常と発報した率である誤報率とを要素としており、
   前記検出部は、
   前記診断成功率を第１の軸とし、前記誤報率を第２の軸とした座標上に、前記診断モデルの動作条件を変えた際の前記診断性能をプロットしたＲＯＣカーブを生成し、
   前記ＲＯＣカーブと、前記座標の前記第２の軸とで形成される領域の面積であるＡＵＣ面積を算出し、
   前記ＡＵＣ面積が最も大きい前記診断モデルを前記診断性能が最もよい前記診断モデルとする
   ことを特徴とする診断ジョブ生成システム。
2. 前記診断モデルは、複数の処理部を有しており、
   前記診断モデル生成部は、
   前記複数の処理部の組み合わせを変えることによって、複数の前記診断モデルを生成する
   ことを特徴とする請求項１に記載の診断ジョブ生成システム。
3. 前記診断モデルは、前記機器の診断を行う診断処理部と、前記診断処理部に適用される動作条件である共通条件が格納された格納部と、を有しており、
   前記診断処理部は、入力されたデータを基に学習処理を行う学習部と、前記学習部の結果である学習結果を用いて、前記機器の診断を行う診断部と、を有しており、
   前記格納部は、前記共通条件として、前記学習部の動作条件である学習条件と、前記機器の診断を行う際の動作条件である診断条件と、を有しており、
   前記診断モデル生成部は、異なる前記学習部と、前記診断部と、の組み合わせを生成することで、前記診断処理部を複数生成するとともに、異なる前記学習条件と、前記診断条件と、の組み合わせを生成することで、前記共通条件を複数生成し、
   前記検出部は、生成した前記診断処理部と、前記共通条件とをそれぞれ組み合わせた後、前記個別条件を適用して、前記検出部を実行させ、該実行の結果、最も診断性能がよい前記診断処理部と、前記共通条件との組み合わせを、前記診断性能が最もよい前記診断モデルとして検出し、
   前記診断ジョブ生成部は、前記検出部で検出された前記診断モデルから、該診断モデルに含まれる前記学習部及び前記学習条件を削除し、削除された前記学習部を保持していた前記診断処理部に、個々の前記機器に対応する前記個別条件を適用することによって、前記機器毎の診断ジョブを生成する
   ことを特徴とする請求項１に記載の診断ジョブ生成システム。
4. 前記個別条件は、個々の前記機器に応じた前記学習条件で前記学習部を行った結果であ
   る
   ことを特徴とする請求項３に記載の診断ジョブ生成システム。
5. 前記診断モデルは、
   前記学習部の前段に前処理を行う前処理部及び前記診断部の後段に後処理を行う後処理
   部のうち、少なくとも一方を
   有することを特徴とする請求項３に記載の診断ジョブ生成システム。
6. 機器を診断するための診断ジョブを生成する診断ジョブ生成システムが、
   同一のグループに属する機器に適用可能な診断モデルを複数生成し、
   前記機器の異常を正しく発報した率である診断成功率を第１の軸とし、前記機器が正常な時に誤って異常と発報した率である誤報率を第２の軸とした座標上に、前記診断モデルの動作条件を変えた際において、前記診断成功率と、前記誤報率とを要素とする診断性能をプロットしたＲＯＣカーブを生成し、前記ＲＯＣカーブと、前記座標の第２の軸とで形成される領域の面積であるＡＵＣ面積を算出し、前記ＡＵＣ面積が最も大きい前記診断モデルを前記診断性能が最もよい前記診断モデルとすることで、複数生成された前記診断モデルのうち、前記診断性能が最もよい前記診断モデルを検出し、
   検出された前記診断モデルに対して、前記機器それぞれに対応する条件である個別条件を適用することによって、前記機器毎の診断ジョブを生成する
   ことを特徴とする診断ジョブ生成方法。
7. 前記診断モデルは、複数の処理部を有しており、
   前記診断ジョブ生成システムは、
   前記複数の処理部の組み合わせを変えることによって、複数の前記診断モデルを生成する
   ことを特徴とする請求項６に記載の診断ジョブ生成方法。
8. 前記診断モデルは、前記機器の診断を行う診断処理部と、前記診断処理部に適用される動作条件である共通条件が格納された格納部と、を有しており、
   前記診断処理部は、入力されたデータを基に学習処理を行う学習部と、前記学習部の結果である学習結果を用いて、前記機器の診断を行う診断部と、を有しており、
   前記格納部は、前記共通条件として、前記学習部の動作条件である学習条件と、前記機器の診断を行う際の動作条件である診断条件と、を有しており、
   前記診断ジョブ生成システムは、
   異なる前記学習部と、前記診断部と、の組み合わせを生成することで、前記診断処理部を複数生成するとともに、異なる前記学習条件と、前記診断条件と、の組み合わせを生成することで、前記共通条件を複数生成し、
   生成した前記診断処理部と、前記共通条件とをそれぞれ組み合わせた後、前記個別条件を適用して、検出部を実行させ、該実行の結果、最も診断性能がよい前記診断処理部と、前記共通条件との組み合わせを、前記診断性能が最もよい前記診断モデルとして検出し、
   検出された前記診断モデルから、該診断モデルに含まれる前記学習部及び前記学習条件を削除し、削除された前記学習部を保持していた前記診断処理部に、個々の前記機器に対応する前記個別条件を適用することによって、前記機器毎の診断ジョブを生成する
   ことを特徴とする請求項６に記載の診断ジョブ生成方法。
9. 前記個別条件は、個々の前記機器に応じた前記学習条件で前記学習部を行った結果である
   ことを特徴とする請求項８に記載の診断ジョブ生成方法。
10. 前記診断モデルは、
    前記学習部の前段に前処理を行う前処理部及び前記診断部の後段に後処理を行う後処理部のうち、少なくとも一方を
    有することを特徴とする請求項８に記載の診断ジョブ生成方法。
11. 機器を診断するための診断ジョブを生成する診断ジョブ生成システムが、
    同一のグループに属する機器に適用可能な診断モデルを複数生成し、
    前記機器の異常を正しく発報した率である診断成功率を第１の軸とし、前記機器が正常な時に誤って異常と発報した率である誤報率を第２の軸とした座標上に、前記診断モデルの動作条件を変えた際において、前記診断成功率と、前記誤報率とを要素とする診断性能をプロットしたＲＯＣカーブを生成し、前記ＲＯＣカーブと、前記座標の第２の軸とで形成される領域の面積であるＡＵＣ面積を算出し、前記ＡＵＣ面積が最も大きい前記診断モデルを前記診断性能が最もよい前記診断モデルとすることで、複数生成された前記診断モデルのうち、診断性能が最もよい前記診断モデルを検出し、
    検出された前記診断モデルに対して、前記機器それぞれに対応する条件である個別条件を適用することによって、前記機器毎の診断ジョブを生成し、
    前記診断モデルと、前記機器の型式との関係を表示部に表示する
    ことを特徴とする診断ジョブ生成表示方法。
12. 前記診断ジョブ生成システムは、
    生成した前記診断ジョブを機器に対して適用させた場合における実行診断性能を、前記診断ジョブの生成元となった診断モデルの情報と対応付けて前記表示部に表示する
    ことを特徴とする請求項１１に記載の診断ジョブ生成表示方法。
13. 前記診断ジョブ生成システムは、
    前記診断ジョブと前記機器との関係を前記表示部に表示する
    ことを特徴とする請求項１１に記載の診断ジョブ生成表示方法。
14. 前記診断モデルは、複数の処理部を有しており、
    前記診断ジョブ生成システムは、
    前記複数の処理部の組み合わせを変えることによって、複数の前記診断モデルを生成する
    ことを特徴とする請求項１１に記載の診断ジョブ生成表示方法。
15. 前記診断モデルは、前記機器の診断を行う診断処理部と、前記診断処理部に適用される動作条件である共通条件が格納された格納部と、を有しており、
    前記診断処理部は、入力されたデータを基に学習処理を行う学習部と、前記学習部の結果である学習結果を用いて、前記機器の診断を行う診断部と、を有しており、
    前記格納部は、前記共通条件として、前記学習部の動作条件である学習条件と、前記機器の診断を行う際の動作条件である診断条件と、を有しており、
    前記診断ジョブ生成システムは、
    異なる前記学習部と、前記診断部と、の組み合わせを生成することで、前記診断処理部を複数生成するとともに、異なる前記学習条件と、前記診断条件と、の組み合わせを生成することで、前記共通条件を複数生成し、
    生成した前記診断処理部と、前記共通条件とをそれぞれ組み合わせた後、前記個別条件を適用して、検出部を実行させ、該実行の結果、最も診断性能がよい前記診断処理部と、前記共通条件との組み合わせを、前記診断性能が最もよい前記診断モデルとして検出し、
    検出された前記診断モデルから、該診断モデルに含まれる前記学習部及び前記学習条件を削除し、削除された前記学習部を保持していた前記診断処理部に、個々の前記機器に対応する前記個別条件を適用することによって、前記機器毎の診断ジョブを生成する
    ことを特徴とする請求項１１に記載の診断ジョブ生成表示方法。
16. 前記個別条件は、個々の前記機器に応じた前記学習条件で前記学習部を行った結果である
    ことを特徴とする請求項１５に記載の診断ジョブ生成表示方法。
17. 前記診断モデルは、
    前記学習部の前段に前処理を行う前処理部及び前記診断部の後段に後処理を行う後処理部のうち、少なくとも一方を
    有することを特徴とする請求項１５に記載の診断ジョブ生成表示方法。

Images