JP7199609B1 - 異常診断方法、異常診断装置、異常診断プログラム、および、異常診断システム - Google Patents

Abstract

診断対象の設備の異常の有無を診断する異常診断方法は、設備から単一または複数の評価項目の状態量を有するデータを取得するステップと、設備から取得するデータを設備の運転状態毎に分類するステップと、分類したデータ群毎にデータ数の十分性を評価するステップと、データ数の十分性に応じて、学習モデルを構成する複数のパラメータ値を算出し、パラメータ値を運転状態に紐づけて保持するステップと、診断対象となるデータの運転状態と、各運転状態に紐づけられたパラメータ値の保持状況とに応じて、学習モデルを構成する複数のパラメータ値を、パラメータ毎に重複のないように取得するステップと、取得したパラメータ値を用いて診断対象となるデータを診断する学習モデルを作成するステップと、学習モデルに基づいて異常を判定するための異常度を算出するステップと、異常度に基づき診断対象の異常の有無を判定するステップとを含む。

Description

本開示は異常診断方法、異常診断装置、および、異常診断プログラムに関する。

設備または機器の状態監視および異常診断は、一般的に、診断対象にから取得する単一または複数の評価項目の状態量を有するデータを用いて行われる。この評価項目の状態量を有するデータは、診断対象である設備または機器の各種運転データと、各種センサを用いて計測された、当該診断対象から発生する温度、振動その他の計測データとを含む。これらの運転データや計測データは、時間的な変化を連続的に観測して得られた時系列データである。

異常診断の一手法は、このように取得する時系列データのうち、正常な運転時に取得された時系列データ(正常データ)を学習データとして学習モデルを作成し、診断対象となるデータと学習モデルとに基づいて設備または機器の異常有無を判定する。このような異常診断において、メンテナンス後や運転モードの変化のように、異常由来ではなく時系列データが変化する場合に、メンテナンス前または運転モードの変化前に得られた学習データを用いて求めた学習モデルで当該設備または機器を診断すると、これらのような正常な状態変化を異常と誤判定する。したがって、このような正常な運転状態の変化がある場合に、誤判定なく設備または機器を診断する方法が求められている。

特開２０１７―１０２８２６号公報（特許文献１）は、「機械システムの状況変化に応じたより高い精度での異常診断を可能とする」技術を開示している（［要約］の［課題］参照）。この技術によると、「診断対象データに係るパターン認識手法を用いた異常診断を行う際に、診断対象データと、学習情報作成部１１が保持している抽出条件を決定するための抽出条件情報とに基づいて、学習情報に利用される学習データが診断対象データ毎に抽出された後、学習データに応じた学習情報が作成されて、異常診断が行われる」というものである（［要約］の［解決手段］参照）。

特開２０１４―３２６５７号公報（特許文献２）は、「高感度かつ高速な異常検知方法を備えた設備状態監視方法およびその装置」を開示している（段落０００９参照）。当該方法によれば、「予め学習データをクラスタリングしてクラスタ中心とクラスタに属するデータを記憶しておき、新しい観測データに近いクラスタに属する学習データから新しい観測データに近いデータを選択し、この選択したデータから正常モデルを作成し異常測度を求め」る方法が開示されている（［要約］参照）。

特開２０１５－１８１０７２号公報（特許文献３）は、「設備の出力する時系列信号に基づいて設備の状態を監視する方法において、時系列信号に基づいて一定期間毎に運転パターンラベルを付与し、一定期間毎の運転パターンラベルに基づいて学習データを選定し、この選定した学習データに基づき正常モデルを作成し、時系列信号と正常モデルに基づき異常測度を算出し、この算出した異常測度に基づき設備の状態が異常か正常かの識別を行う」技術を開示している（［要約］参照）。さらに、状態の近い運転パターラベルの探索方法として、マクロ特徴量(平均、分散、最大値、最小値等)に基づく方法が記載されている。

特開２０１７―１０２８２６号公報 特開２０１４―３２６５７号公報 特開２０１５－１８１０７２号公報

診断対象となる設備は、予め決められたいくつかの運転状態のみで動作するものもあれば、周辺機器や環境に応じてその都度最適な運転状態を決定し動作するものがあり、後者では、予め設備が取りうる運転状態の数やその状態を定義しておくのは困難である。特許文献１または特許文献２に開示された技術のように、診断対象となるデータを運転状態毎に分類するための条件(抽出条件、クラスタ)に基づいて決定した学習データから作成した学習モデルで診断を行うと、予め作成した分類のための条件には該当しない診断対象データが入力された場合に、適切に学習データを選択することができず異常の判定を誤る可能性がある。また、このような診断対象データに対して、適切に診断を行うためには、診断対象データと同じ運転状態の学習データを新たに収集する必要があり、データが収集されるまでの間、診断が実施できない問題が発生する。

このような問題に対し、特許文献３に開示された技術は、運転状態の近い運転パターラベルの探索方法としてマクロ特徴量を用い、マクロ特徴量が類似の運転状態データを学習データとして選択し、選択した学習データに対して個別に異常を判定する閾値を設定し、設備を診断するというものである。

この技術によれば、設備の状態が変化した場合にも、状態の類似した学習データを選択して学習モデルを作成し、診断を実施することができる。一方で、診断対象となるデータに対して、学習データの選択、学習モデルの作成、異常判定のための閾値決定の一連の処理がそれぞれ必要となり、これらの処理のための計算量が増えることになる。また、異常判定のための閾値は、学習データと診断対象データの類似性に応じて適切に値を設定する必要があるが、特許文献３には、マクロ特徴量を用いて決定した学習データにより作成した学習モデルで診断するための異常判定閾値をどのように決定するかに関する具体的な方法の記述がなく、異常判定のための閾値設定を誤ると異常判定を誤る可能性がある。

メンテナンス後や運転モードの変化のように、異常に起因しない設備の状態の変化に伴う時系列データの変化があった場合でも、当該設備の状態の変化に伴う時系列データの変化を異常と誤判定することなく、診断対象設備の異常の有無を診断する技術が必要とされている。また、これらの処理を行うために必要な計算量を低減する技術が必要とされている。

本開示は上述のような背景に鑑みてなされたものであって、メンテナンス後や運転モードの変化などによって異常由来ではなく時系列データが変化した場合でもこの変化を異常と誤判定せずに、本来検出すべき異常の判定精度を向上させる技術が開示される。さらに、設備の運転状態の変化が予め予測できない場合であっても、診断に必要となる学習データの収集期間を短縮し、誤判定のない診断を行う技術が開示される。また、これらの処理に必要な計算量を低減する技術が開示される。

本開示の一形態に従うと、診断対象の設備の異常の有無を診断する異常診断方法が提供される。この異常診断方法は、設備から単一または複数の評価項目の状態量を有するデータを取得するステップと、
設備から取得するデータを設備の運転状態毎に分類するステップと、
分類したデータ群毎にデータ数の十分性を評価するステップと、
データ数の十分性に応じて、学習モデルを構成する複数のパラメータ値を算出し、パラメータ値を運転状態に紐づけて保持するステップと、
診断対象となるデータの運転状態と、各運転状態に紐づけられたパラメータ値の保持状況とに応じて、学習モデルを構成する複数のパラメータ値を、パラメータ毎に重複のないように取得するステップと、
取得したパラメータ値を用いて診断対象となるデータを診断する学習モデルを作成するステップと、
学習モデルに基づいて異常を判定するための異常度を算出するステップと、
異常度に基づき診断対象の異常の有無を判定するステップとを含む。

他の実施の形態に従うと、診断対象の設備の異常の有無を診断する異常診断装置が提供される。この異常診断装置は、設備から単一または複数の評価項目の状態量を有するデータを取得するデータ読取部と、
設備から取得するデータを設備の運転状態毎に分類するデータ分類部と、
分類したデータ群毎にデータ数の十分性を評価し、データ数の十分性に応じて、学習モデルを構成する複数のパラメータ値を算出し、パラメータ値を運転状態に紐づけて保持するパラメータ算出・保持部と、
診断対象となるデータの運転状態と、各運転状態に紐づけられたパラメータ値の保持状況とに応じて、学習モデルを構成する複数のパラメータ値を、パラメータ毎に重複のないように取得するパラメータ取得部と、
取得したパラメータ値を用いて診断対象となるデータを診断する学習モデルを作成する学習モデル作成部と、
学習モデルに基づいて異常を判定するための異常度を算出する異常度算出部と、
異常度に基づき診断対象の異常の有無を判定する異常判定部とを備える。

他の実施の形態に従うと、診断対象の設備の異常の有無を診断する処理を、コンピュータに実行させるための異常診断プログラムが提供される。この異常診断プログラムは、設備から単一または複数の評価項目の状態量を有するデータを取得するステップと、
設備から取得するデータを設備の運転状態毎に分類するステップと、
分類したデータ群毎にデータ数の十分性を評価するステップと、
データ数の十分性に応じて、学習モデルを構成する複数のパラメータ値を算出し、パラメータ値を運転状態に紐づけて保持するステップと、
診断対象となるデータの運転状態と、各運転状態に紐づけられたパラメータ値の保持状況とに応じて、学習モデルを構成する複数のパラメータ値を、パラメータ毎に重複のないように取得するステップと、
取得したパラメータ値を用いて診断対象となるデータを診断する学習モデルを作成するステップと、
学習モデルに基づいて異常を判定するための異常度を算出するステップと、
異常度に基づき診断対象の異常の有無を判定するステップとを、コンピューターに実行させる。

さらに他の実施の形態に従うと、診断対象の設備の異常の有無を診断する異常診断システムが提供される。この異常診断システムは、
設備から単一または複数の評価項目の状態量を有するデータを取得するデータ読取部と、
設備から取得するデータを設備の運転状態毎に分類するデータ分類部と、
分類したデータ群毎にデータ数の十分性を評価し、データ数の十分性に応じて、学習モデルを構成する複数のパラメータ値を算出し、パラメータ値を運転状態に紐づけて保持するパラメータ算出・保持部と、
診断対象となるデータの運転状態と、各運転状態に紐づけられたパラメータ値の保持状況とに応じて、学習モデルを構成する複数のパラメータ値を、パラメータ毎に重複のないように取得するパラメータ取得部と、
取得したパラメータ値を用いて診断対象となるデータを診断する学習モデルを作成する学習モデル作成部と、
学習モデルに基づいて異常を判定するための異常度を算出する異常度算出部と、
異常度に基づき診断対象の異常の有無を判定する異常判定部とを備える。

本開示によれば、メンテナンスや運転モード変化などによる正常な運転状態の変化を誤判定せず、診断精度を向上させることができる。設備の運転状態の変化が予め予測できない場合であっても、診断に必要となる学習データを新たに収集する期間を短縮し、誤判定のない診断を行うことができる。また、これらの計算処理に必要な計算量を低減させることができる。

この発明の上記および他の目的、特徴、局面および利点は、添付の図面と関連して理解されるこの発明に関する次の詳細な説明から明らかとなるであろう。

異常診断装置１００の機能的構成を示すブロック図である。 データ分類部１０４における１つ以上の評価項目の時系列データの変化有無を判定する処理に基づく運転状態の分類方法を例示する図である。 パラメータ算出・保持部１０５が実行する処理の一部を表わすフローチャートである。 パラメータ取得部１０６におけるパラメータ取得処理のために実行される処理の一部を表すフローチャートである。 異常診断装置１００として作動するコンピュータシステム５００のハードウェア構成の一例を示す図である。 実施の形態２に従う異常診断装置１００を実現するコンピュータシステム５００が実行する処理の一部を表わすフローチャートである。

以下、図面を参照しつつ、本発明の実施の形態について説明する。以下の説明では、同一の部品には同一の符号を付してある。それらの名称および機能も同じである。したがって、それらについての詳細な説明は繰り返さない。

実施の形態１．
図１を参照して、ある実施の形態に従う異常診断装置１００の構成について説明する。図１は、本発明の異常診断方法を実現する異常診断装置１００の機能的構成を示すブロック図である。異常診断装置１００は、診断対象である設備または機器（以下、総称して「設備」と表わす場合もある）から取得される時系列データを解析することにより、当該設備の状態が正常であるか否かを判定する。また、異常診断装置１００は、その判定結果を出力するように構成される。

診断対象となる設備または機器は、たとえば、発電機、ＦＡ（ファクトリオートメーション）機器、受配電機器、昇降機および鉄道用電気機器などの装置またはプラントである。プラントの例としては、発電プラントや水処理プラント、および石油化学製品や金属、食品・医薬品などの産業プラントなどであり、プラントの種類に応じて複数の設備や機器から構成される。以上のように診断対象となる設備または機器は、単一の場合もあれば、プラントのように複数の設備や機器から構成される場合もある。以下は、異常診断装置１００が発電機の状態監視および異常診断に適用される場合の構成を例示する。

図１に示されるように、異常診断装置１００は、データ読取部１０２と、データ表示部１０３と、データ分類部１０４と、パラメータ算出・保持部１０５と、パラメータ取得部１０６と、学習モデル作成部１０７と、異常度算出部１０８と、異常判定部１０９と、判定結果出力部１１０とを備える。異常診断装置１００は、設備または機器１０から取得するデータの入力を受け付ける。

［データ読取］
データ読取部１０２は、診断対象となる設備から取得される時系列データを読み取る。当該時系列データは、単一、または複数の評価項目の状態量の時間的な変化を連続的に観測して得られたものである。当該時系列データは当該設備から出力されるデータと、当該設備に設けられたセンサ（図示しない）から出力されるデータとのいずれであってもよい。発電機を例に説明すると、評価項目としては、発電機の出力、回転速度、電圧、電機子電流などの運転データに関するものと、発電機を構成する機器または部品などに取り付けられたセンサにより計測される温度および振動などの計測データに関するものがあげられる。また、評価項目は、外気温などの発電機が設置される環境に関するものや、発電機の運転状態に関連する設備の運転データよび計測データを含んでもよい。評価項目は、単一または複数から構成され、評価項目の状態量とは、各評価項目からデータとして時系列に取得される物理量を示す。なお、これらの評価項目は例示であって、項目数は限定されるものではない。また、これらの時系列データはタイムスタンプ情報を含んでいてもよい。複数の評価項目の時系列データを取得する場合は、評価項目間でデータ計測（サンプリング）の周期が一致していることが望ましい。当該周期が一致していない場合は、データ取得後に一部の評価項目のデータを間引いたり補完するなどの処理を施すことにより、１つの時刻（サンプリング）に対して、複数の評価項目の状態量が割り当てられた形式とする。データ読取部１０２は、読み取ったデータをデータ表示部１０３およびデータ分類部１０４に送信する。

［データ表示］
データ表示部１０３は、データ読取部１０２から受信したデータを時系列データとしてグラフ化して表示する。ある局面において、データ表示部１０３は、タイムスタンプで特定される時刻またはタイミングにしたがって各データを時系列に表示し得る。データ表示部１０３は、一例として、コンピュータシステムに内蔵されたモニター装置またはコンピュータシステムに接続された外部モニター装置として実現され得る。

［データ分類］
データ分類部１０４は、データ読取部１０２で受信したデータを運転状態毎に分類する。運転状態とは、診断対象の設備の運転状態を示す。設備の運転条件や制御の変化に伴って、診断対象から取得する時系列データの状態量は変化する。この変化の前後において運転状態が異なっていると定義し、変化前後のデータを分類する。すなわち、データ分類部１０４は、取得したデータを、類似の運転状態(状態量)毎に分類する。また、運転条件や制御の変化だけでなく、設備の停止やメンテナンスによっても設備の状態が変化し、取得する時系列データの状態量が変化する場合があり、これらも分類の対象に含む。分類する運転状態の数は、限定されるものではなく、診断対象設備の特性や、正常運転状態であることが既知の期間のデータの状態量の変化などに応じて決定する。なお、運転状態の分類は、取得するデータの評価項目数によらず、データが計測される時刻毎に（１サンプリング毎に）、１つの運転状態が割り当てられるように実施する。

データ分類部１０４は、クラスタリング処理、または１つ以上の評価項目のデータの変化有無を判定する処理に基づき、データ読取部１０２で受信したデータを運転状態毎に分類する。

クラスタリング処理は、ｋ－ｍｅａｎｓのような非階層型のクラスタリング手法や、階層型クラスタリング手法であり得る。他の局面において、データ分類部１０４は、運転状態の分類処理において、分類ルールを学習し、学習した以降に新規にデータ読取部１０２から受信したデータに対して、当該分類ルールに適用し、分類される運転状態を決定してもよい。例えば、クラスタリング処理で決定した各クラスタに所属するデータから各クラスタの重心を算出し、各クラスタの重心と分類対象データの距離を求め判定指標とし、予め決定した閾値に基づいて、分類する運転状態を決定することができる。別の例としては、各クラスタに分類されたデータとその運転状態とを紐づけて学習データとして、サポートベクターマシンやランダムフォレスト、k近傍法などの機械学習、ニューラルネットワークなどの深層学習に適用し、分類器を作成し、これを用いて運転状態の分類を実施することができる。

次に、１つ以上の評価項目の時系列データの変化有無を判定する処理に基づく運転状態の分類方法を説明する。

データ分類部１０４は、任意の評価項目を選択し、予め設定する状態量の閾値を超えるか否かによって、データが分類される運転状態を決定することができる。閾値を跨ぐ場合に時系列データに変化有りと判定し、閾値を超える前後でデータの運転状態を分け、分類する。判定のための閾値の数や値は任意に決定することができる。

さらに、図２を参照して、別の例を説明する。図２は、データ分類部における１つ以上の評価項目の時系列データの変化有無を判定する処理に基づく運転状態の分類方法を例示する図である。データ分類部１０４は、選択した評価項目の時系列データを任意の時間幅で分割し、分割したデータ群ごとに平均、分散、標準偏差、最大、最小、尖度、歪度などの統計量を算出する。これらの統計量のうちの少なくとも一つ、または、これらの組み合わせを、予め決定した判定のための閾値を用いて評価し、閾値を跨ぐ場合に時系列データに変化があると判定し、分割した範囲のデータが分類される運転状態を決定する。図２に示すように、ある任意の評価項目の時系列データ（取得データ）を任意の時間幅で分割し、分割したデータ群からそれぞれ平均、分散を算出し、時系列順に並べる。平均と分散にそれぞれ閾値（ｍ１～ｍ２、ｖ１～ｍ２）を予め決定しておき、これらの閾値に基づき分割した時間範囲のデータの運転状態を決定する。図２では、これらの閾値を用い第１～３の3つの運転状態に分類する例を示す。平均がｍ１未満であり分散がｖ１以上ｖ２未満の範囲内にある場合には第１運転状態であると分類がなされ、平均がｍ２以上であり分散がｖ２以上である場合には第２運転状態であると分類がなされ、平均がｍ１以上ｍ２未満の範囲内であり分散がｖ１以上ｖ２未満の範囲内である場合には第3運転状態であると分類がなされる。

なお、統計量を算出する評価項目は、一つ以上とし、複数の評価項目を用いて評価を行ってもよい。この方法により、状態量の閾値判定による分類では困難な、データのばらつきを考慮した運転状態の変化を分類することができる。

クラスタリング処理、または１つ以上の評価項目のデータの変化有無を判定する処理に基づきデータを分類する処理において、分類される運転状態の数や、判定基準として使用される各種閾値の値は任意に決定することができ、設定後に更新されてもよい。

なお、設備メンテナンス又は設備の運転制御条件の変更によって、対象データに変化があることが明らかな場合は、データ分類部１０４は、設備メンテナンス又は運転制御条件の変更などのタイミングで運転状態を分類し得る。

［パラメータ値の算出・保持］
図１を再び参照して、パラメータ算出・保持部１０５は、データ分類部１０４によって分類されたデータ群毎に学習モデルの作成に必要なパラメータの値を算出して、算出した値を保持する。ある実施の形態に従うと、学習モデルとは、異常判定を行うための解析出力値（異常度）を算出するための数式またはデータ処理である。パラメータとは、学習モデル(数式やデータ処理)を構成する定数部分を意味し、学習データ（学習に用いるデータ）に応じて変化する値である。

以降の説明では、学習モデルとしてマハラノビス・タグチ法（ＭＴ法）（の単位空間）を用いる場合を例に説明する。ここで、単位空間とは、診断の基準となる正常なデータ群のことを意味する。学習モデルをマハラノビス・タグチ法（ＭＴ法）（の単位空間）とする場合、学習モデル作成に必要なパラメータとして、単位空間を構成するデータの平均、標準偏差、相関行列の逆行列がある。

本開示における学習モデルは、ＭＴ法に限定されるものではなく、統計モデルを用いる方法、機械学習や深層学習の分野で用いられる公知の異常診断のためのモデル、データ解析手法にも適用することができる。

そこで、図３を参照して、パラメータの値の算出・保持処理について説明する。図３は、パラメータ算出・保持部１０５が実行する処理の一部を表わすフローチャートである。以下の処理は、周知の構成を有するＣＰＵその他のプロセッサが当該処理を実現する命令を実行することにより実現される。他の局面において、これらの処理は、各処理を実現するように構成された回路素子によっても実現され得る。

ステップＳ３１０にて、パラメータ算出・保持部１０５は、データ分類部１０４によって分類されたデータの入力を受ける。

ステップＳ３２０にて、パラメータ算出・保持部１０５は、分類されたデータ群毎にデータ数の十分性評価を実行する。パラメータ算出・保持部１０５は、十分性の評価として、例えば過去の診断実績から誤判定なく診断可能なパラメータ値の算出および学習モデルの作成に必要なデータ数を予め決定し、そのデータ数に基づき、十分性の評価を行う。すなわち、本実施の形態における十分性の評価として、各運転状態に、分類されたデータ群のデータの数が、誤判定なく診断可能な数以上であるか否かが判断される。また、この方法以外にも、パラメータ算出・保持部１０５は、複数の評価項目間の相関係数や任意の評価項目の基本統計量（平均、分散、最大値、最小値、尖度、歪度)の変化量に基づいて十分性の評価を行うことができる。具体的には、パラメータ算出・保持部１０５は、まず、ある運転状態に分類されたデータ群を任意の時間範囲(データ数毎)に分割し、時系列順序が最も古い最小分割範囲のデータ群に対して上記の相関係数や基本統計量を算出する。次に、パラメータ算出・保持部１０５は、時系列順が２番目に古いデータ群と最も古いデータ群とを合わせたデータ群から上記の相関係数や基本統計量を算出する。パラメータ算出・保持部１０５は、さらに時系列順序が３番目に古いデータ群、２番目に古いデータ群、最も古いデータ群とを合わせたデータ群から上記の相関係数や基本統計量を算出する。このように、パラメータ算出・保持部１０５は、分割されたすべてのデータ群を用いた算出が完了するまで、時系列順序が新しいデータ群を段階的に追加していき、相関係数や基本統計量を求める。パラメータ算出・保持部１０５は、段階的に求めた相関係数や基本統計量の変化量を求め、変化量が予め定めた閾値より小さくなる場合の算出に用いたデータ数が、誤判定なく診断を実施するためのパラメータ算出に十分な数であると判断する。この方法により、学習のためのデータが追加されたとしても、パラメータ算出・保持部１０５は、それ以上に相関係数や基本統計量が変化しない最小のデータ数を決定することができ、変化量が予め定めた閾値より小さくなる場合は十分性評価がＯＫであると判断することができる。また、パラメータ算出・保持部１０５は、任意の時間範囲（データ数）に分割したデータ群それぞれに対して相関係数や基本統計量を算出しておき、これらのばらつきを評価し、ばらつきが閾値以下となる分割データ数を十分性評価においてＯＫと判断するデータ数として採用してもよい。なお、学習モデルを構成するパラメータが複数ある場合は、パラメータ算出・保持部１０５は、パラメータ毎にデータ数の十分性評価のための評価方法とその閾値を個別に上記から選択して設定してもよい。

ステップＳ３３０にて、パラメータ算出・保持部１０５は、データ数が十分であるか否かを判断する。パラメータ算出・保持部１０５は、データ数が十分であると判断すると、すなわち、データ数の十分性評価の結果がＯＫであれば（ステップＳ３３０にてＹＥＳ）、制御をステップＳ３４０に切り換える。そうでない場合には、すなわち、当該十分性評価の結果がＮＧであれば（ステップＳ３３０にてＮＯ）、パラメータ算出・保持部１０５は、制御をステップＳ３５０に切り換える。

ステップＳ３４０にて、パラメータ算出・保持部１０５は、ステップＳ３１０において入力を受けたデータ（分類後のデータ群）から当該パラメータの値（以降の説明では、パラメータ値とする）を算出する。

ステップＳ３５０にて、パラメータ算出・保持部１０５は、パラメータ値を算出しない。

ステップＳ３６０にて、パラメータ算出・保持部１０５は、算出したパラメータ値（ステップＳ３４０）を運転状態と紐づけて保持する。他方、パラメータ算出・保持部１０５は、パラメータ値を算出しない場合（ステップＳ３５０）は、パラメータ値がないことを運転状態と紐づけて保持する。

これらの処理は、学習モデルを構成するすべてのパラメータに対して同様の処理が実行される。また、パラメータの算出・保持部１０５は、データ分類部１０４にて分類した運転状態毎に同様の処理を行い、すべての運転状態に対して学習モデルを構成するパラメータ値を算出し、十分性評価結果に応じてその値またはその値がないことを保持する。

パラメータの算出・保持処理とは、異常診断を行うための学習モデルを作成する「学習」の工程の一部であると捉えることができる。

［パラメータ値の取得］
パラメータ取得部１０６は、診断対象となるデータの運転状態と、各運転状態に紐づけられたパラメータ値の保持状況とに応じて、学習モデルを構成する複数のパラメータ値を、パラメータ毎に重複のないように取得する。本実施の形態において、各運転状態に紐づけられたパラメータ値の保持状況とは、パラメータ算出・保持部１０５における処理の結果であり、運転状態毎に、学習モデルを構成するパラメータ値もしくはパラメータ値なしの情報が紐づけられたもの、およびその状態を意味する。

パラメータの取得とは、異常診断を行うための学習モデルを作成する「学習」の工程の一部であり、診断対象となるデータを誤判定なく診断するために適した学習モデルを作成するための構成であると捉えることができる。

次に、パラメータ取得部１０６におけるパラメータ値の取得処理について説明する。
まず、図１を参照して、診断対象となるデータがパラメータ取得部１０６に到達するまでの流れを説明する。診断対象となるデータは、データ読取部１０２にて読取がなされ、次にデータ分類部１０４にて、分類処理がなされる。この処理は、データ分類部の説明で述べた分類ルールに基づいて実施することができる。その後、パラメータ取得部１０６での処理がなされる。

ここで、図４を参照して、パラメータ取得部１０６におけるパラメータ値の取得処理を説明する。図４は、パラメータ取得部１０６におけるパラメータ取得処理のために実行される処理の一部を表すフローチャートである。以下の処理も、周知の構成を有するＣＰＵその他のプロセッサが当該処理を実現する命令を実行することにより実現される。他の局面において、これらの処理は、各処理を実現するように構成された回路素子によっても実現され得る。

ステップＳ４１０にて、パラメータ取得部１０６は、パラメータ算出・保持部１０５で保持しているパラメータ値のうち、データ分類部１０４で決定した、診断対象となるデータの運転状態と同じ運転状態に紐づけられたパラメータの保持状況を参照する。

ステップＳ４２０にて、パラメータ取得部１０６は、学習モデルを構成する全てのパラメータ値が、参照した運転状態から取得可能であるか否かを判断する。すなわち、当該運転状態における全てのパラメータ値が値ありとしてパラメータ算出・保持部１０５に保持されているか否かを判断する。パラメータ取得部１０６は、全てのパラメータ値が取得可能であると（値ありとして保持されている）判断すると（ステップＳ４２０にてＹＥＳ）、制御をステップＳ４３０に切り換える。そうでない場合には（ステップＳ４２０にてＮＯ）、パラメータ取得部１０６は、制御をステップＳ４４０に切り換える。

ステップＳ４３０にて、パラメータ取得部１０６は、当該運転状態に保持されている全てのパラメータ値を取得する。

ステップＳ４４０にて、パラメータ取得部１０６は、学習モデルを構成する一部のパラメータ値が参照した運転状態から取得可能であるか否かを判断する。すなわち、当該運転状態における一部のパラメータが値ありとしてパラメータ算出・保持部１０５に保持されているか否かを判断する。パラメータ取得部１０６は、学習モデルを構成する一部のパラメータ値が取得可能であると（値ありとして保持されている）判断すると（ステップＳ４４０にてＹＥＳ）、制御をステップＳ４５０に切り換える。そうでない場合には、（ステップＳ４４０にてＮＯ）、パラメータ取得部１０６は、制御をステップＳ４６０に切り換える。

ステップＳ４５０にて、パラメータ取得部１０６は、取得可能な一部のパラメータ値のみを取得し、残りのパラメータ値を、他の運転状態で保持されている同一種のパラメータ値から取得する。

ステップＳ４６０にて、パラメータ取得部１０６は、全てのパラメータ値を取得しない。

次に、データ分類部１０４、パラメータ算出・保持部１０５およびパラメータ取得部１０６による処理の内容を、以下の具体例を用いて説明する。設備が正常に運転していることが予め確認されている既知の任意の期間のデータを学習データとして、データ分類、パラメータ算出・保持の処理に適用する。ここでは、データ分類部１０４にて処理の結果、設備の運転状態が、３つの運転状態Ａ，Ｂ，Ｃのデータ群に分類されたと仮定して説明を行う。また、学習モデルとして、ＭＴ法による異常診断を実施するための単位空間情報（平均、標準偏差、相関行列の逆行列）を作成する場合を考える。

このような場合、パラメータ算出・保持部１０５は、運転状態Ａ，Ｂ，Ｃのそれぞれについて、各パラメータを算出するためのデータ十分性評価を行う。

その結果、例えば運転状態Ａでは、全てのパラメータの十分性評価の結果がＯＫであったとすると、運転状態Ａでは、パラメータ算出・保持部１０５は、運転状態Ａに分類された学習データを用いて平均ａ、標準偏差ａ、相関行列の逆行列ａを算出し、算出したそれぞれの値を運転状態Ａに紐づけて保持する。

一方、運転状態Ｂでは、相関行列の逆行列のみデータの十分性評価の結果がＮＧであったとすると、パラメータ算出・保持部１０５は、運転状態Ｂに分類された学習データからは、平均ｂ、標準偏差ｂのみを算出し、算出したこれらの値を運転状態Ｂに紐づけて保持する。相関行列の逆行列は、値なしとして運転状態Ｂに紐づけて保持する。

また、運転状態Ｃでは、全てのパラメータのデータの十分性評価の結果がＮＧであったとすると、パラメータ算出・保持部１０５は、運転状態Ｃに分類された学習データからは、全てのパラメータを算出せず、パラメータの値がないことを示す情報を運転状態Ｃに紐づけて保持する。

次に、パラメータ取得部１０６の処理例について説明する。一例として、診断対象となるデータがデータ読取部１０２に入力され、データ分類部１０４によって分類された結果、当該データの運転状態が運転状態Ａであると判定された場合を考える。パラメータ取得部１０６は、診断対象データと同じ運転状態である運転状態Ａに保持されているパラメータ値（平均ａ、標準偏差ａ、相関行列の逆行列ａ）を取得する。

次に、診断対象データの運転状態が運転状態Ｂであると判定された場合を考える。パラメータ取得部１０６は、診断対象データと同じ運転状態である運転状態Ｂに保持されているパラメータ値を取得する。運転状態Ｂでは、平均ｂおよび標準偏差ｂのみが値ありとして保持されているため、パラメータ取得部１０６は、これらの値を取得する。他方、相関行列の逆行列の値は運転状態Ｂでは保持されておらず、パラメータ取得部１０６は、当該値を取得できない。そこで、パラメータ取得部１０６は、この未取得のパラメータ値を他の運転状態（例えば運転状態Ａ）で保持されているパラメータ値から取得する。よって、運転状態Ｂでは、パラメータ取得部１０６は、平均ｂ、標準偏差ｂ、相関行列の逆行列ａを取得する。

なお、パラメータ取得部１０６は、他の運転状態で保持されているパラメータを取得する場合に、どの運転状態を選ぶかは任意に決定することができるが、他の運転状態から取得するパラメータ値が運転状態間で類似していることが望ましい。例えば、相関行列の逆行列を他の運転状態から取得する場合には、パラメータ取得部１０６は、評価項目間の相関の類似性が高いと考えられる運転状態で保持されているパラメータ値を取得する。他の種類のパラメータについても同様の考え方が適用され得る。また、学習モデルやパラメータの種類によっては、他の運転状態のパラメータ値が流用できないように予め指定しておく運用が採用されてもよい。

このように、診断対象データと同じ運転状態で保持されているパラメータ値が一部保持されていなかったとしても、他の運転状態の学習データから算出・保持したパラメータ値を取得することで、診断対象データと同じ運転状態の学習データを新たに収集（してパラメータを算出）する期間を短縮することができる。パラメータ値が保持されていない（十分性評価がＮＧの）パラメータは、十分性評価がＯＫである他のパラメータに比べ誤判定のない診断に必要となる学習データ数が多く、収集に時間を要する。よって、このパラメータ値を取得するのためのデータ収集期間が不要となる分、診断開始までのデータ収集期間を短縮することができる。

最後に、診断対象データの運転状態が運転状態Ｃであると判定された場合を考える。パラメータ取得部１０６は、診断対象データと同じ運転状態Ｃに保持されているパラメータ値を取得するが、運転状態Ｃでは全てのパラメータの値がないため、パラメータ取得部１０６は、全てのパラメータの値を取得しない。

［学習モデルの作成］
学習モデル作成部１０７は、パラメータ取得部１０６で得られたパラメータ値を用いて学習モデルを作成する。前述の通り、学習モデルとしては、ＭＴ法その他の任意の異常診断手法が用いられ得る。ＭＴ法の場合は、取得したパラメータ値（平均、標準偏差、相関行列の逆行列）を用いて単位空間とする。なお、パラメータ取得部１０６にて診断対象となるデータの運転状態と同じ運転状態に紐づけられたパラメータ値を全て取得しない場合は、学習モデル作成部１０７は、学習モデルを作成せず、診断を一時保留する。診断を保留するとは、以降の異常度算出部１０８における異常度算出処理、および異常判定部１０９における異常判定処理を一時的に行わないことを意味する。診断に必要な学習データが十分に収集できていない状態(十分性評価がＮＧの場合)は、異常診断装置１００は、診断を見送るようにすることで、誤判定を防止することができる。さらに、従来技術のように診断対象データ毎に学習モデル作成に必要な学習データを選択する処理が不要で、診断対象データの運転状態が決まれば自動的にパラメータ値および学習モデルが決まるため計算容量を低減することができる。

［異常度の算出］
異常度算出部１０８は、診断対象となるデータと、学習モデル作成部１０７によって作成された学習モデルとを用いて、設備の異常を判定するための異常度を算出する。ある局面に従う一例として、ＭＴ法の例では、異常度算出部１０８は、診断対象となるデータと作成した学習モデルである単位空間とから、異常度としてマハラノビス距離を算出する。

異常判定部１０９は、異常度算出部１０８によって算出された異常度と、異常の有無を判定するために予め定められた閾値とに基づいて、診断対象である設備または機器における異常の有無を判定する。

例えば、異常判定部１０９は、異常度に予め閾値を定めておき、異常度が閾値未満の場合は正常であると判定し、異常度が閾値以上の場合には異常であると判定する。パラメータ算出・保持部１０５において、データ数の十分性評価を実施する構成としたことで、パラメータ取得部１０６において、学習モデルを構成する少なくとも１つ以上のパラメータが取得可能で診断が実行される場合は、異常と判定するための異常度の閾値は、一律の値に決定することができる。具体的には、パラメータ算出・保持部１０５における十分性評価において、データ数が十分（パラメータ値が保持されている）ということは、ある一定の精度で診断を行う学習モデル作成に必要なパラメータ値が算出できていることを意味する。それ以上に学習データが増えたとしても、パラメータ値と診断精度は変化しない。従って、十分性評価でＯＫとなったデータ数から求めたパラメータ値を用いて作成された学習モデルを適用する診断において、正常か否かを判定する閾値は一定の値に定めることができる。すなわち、診断対象データ毎に異常判定のための閾値を決定する処理が不要となり、診断対象データは、その運転状態に対応した予め決められた異常判定閾値を用いて判定を行うことができる。

従来技術では、誤判定なく診断するためには、個々の診断対象データに対して、診断対象データと学習モデルに応じた異常判定のための閾値を個別に決定する処理が必要である。これに対し、本発明では、パラメータ算出・保持部１０５における学習データの十分性評価結果(パラメータ値が値ありとして保持されているか否か)や、パラメータ取得部１０６におけるパラメータ値の取得可否に応じて、学習モデルを作成するか否か、すなわち診断を実施するか否かが自動的に決定される。異常判定部１０９は、診断を実施する場合は、上述のように異常判定のための閾値を一つの値に決定することができるため、診断対象データ毎に異常判定のための閾値を決定する処理が不要となり、診断のための計算量を低減することができる。

［判定結果の出力］
判定結果出力部１１０は、異常度算出部１０８によって算出された異常度の時系列の変化と、異常判定部１０９における判定結果とを出力する。判定結果出力部１１０は、これらの判定結果を、異常診断装置１００に接続されたモニター装置（図示しない）または通信回線（図示しない）を用いて外部の装置（たとえば、中央監視装置に設けられたサーバコンピュータ）に送信してもよい。

［ハードウェア構成］
図５を参照して、異常診断装置１００のハードウェア構成について説明する。図５は、異常診断装置１００として作動するコンピュータシステム５００のハードウェア構成の一例を示す図である。

コンピュータシステム５００は、ＣＰＵ（Central Processing Unit）５１０と、ＲＯＭ（Read Only Memory）５２０と、ＲＡＭ（Random Access Memory）５３０と、ハードディスク装置（ＨＤＤ：Hard Disk Drive）５４０と、通信インターフェイス（Ｉ／Ｆ）５５０と、入出力（Ｉ／Ｏ）インターフェイス５６０とを備える。入出力インターフェイス５６０は、入力部５７０および表示部５８０に接続され得る。

ＣＰＵ５１０は、プログラムに含まれる各命令を実行する。ＣＰＵ５１０がプログラムを実行すると、各命令に応じて、図１に示される機能を実現する処理が実行される。

ＲＯＭ５２０は、予め準備されたプログラムまたはデータを永続的に（不揮発的に）保持している。

ＲＡＭ５３０は、ＣＰＵ５１０によるプログラムの実行中に利用されるデータを一時的に格納し、作業領域として利用される一時的なデータメモリとして機能する。

ＨＤＤ５４０は、不揮発性の記憶装置であり、ＣＰＵ５１０によって生成されたデータ、通信インターフェイス５５０を介して受信したデータ、あるいは、入出力インターフェイス５６０に対して入力されたデータを格納する。不揮発性の記憶装置は、ＨＤＤ５４０に限られず、ＨＤＤ５４０に代えて、あるいは、ＨＤＤ５４０に加えて、フラッシュメモリなどの半導体記憶装置が採用され得る。

通信インターフェイス５５０は、コンピュータシステム５００と通信可能に接続された他の装置と通信する。たとえば、コンピュータシステム５００が診断対象の設備を含む外部機器と通信可能に接続されている場合、通信インターフェイス５５０は、データ読取部１０２として、当該外部機器から送信されたデータを読み取る（受信する）。

Ｉ／Ｏインターフェイス５６０は、外部機器からコンピュータシステム５００に対する信号の入力を受け付け、また、外部機器に信号を出力する。外部機器は、例えば、中央管理装置その他のサーバコンピュータ、無線接続されているスマートフォン、タブレット端末等を含み得る。

入力部５７０は、コンピュータシステム５００に対する命令または信号の入力を受け付ける。ある局面において、入力部５７０は、キーボード、マウス、タッチパネルその他の機器のようにコンピュータシステム５００のユーザによる操作を受け付ける入力装置によって実現される。他の局面において、入力部５７０は、カメラや各種センサのように信号を出力する機器としても実現され得る。

表示部５８０は、Ｉ／Ｏインターフェイス５６０から出力される信号に基づく表示を実現する。表示部５８０は、例えば、モニター装置、インジケータ、ランプ等により実現される。ある局面において、表示部５８０は、データ表示部１０３および判定結果出力部１１０の一実施例に相当する。表示部５８０は、診断対象の設備または機器から取得された時系列データおよび異常判定部１０９による当該設備または機器における異常の有無の判定結果などを表示し得る。

コンピュータシステム５００における処理は、各ハードウェアおよびＣＰＵ５１０により実行されるソフトウェアによって実現される。このようなソフトウェアは、ＨＤＤ５４０に予め記憶されている場合がある。また、ソフトウェアは、ＣＤ－ＲＯＭ（Compact Disc - Read Only Memory）その他の記憶媒体に格納されて、プログラム製品として流通している場合もある。あるいは、ソフトウェアは、いわゆるインターネットに接続されている情報提供事業者によってダウンロード可能なプログラム製品として提供される場合もある。このようなソフトウェアは、光ディスク駆動装置（図示しない）その他の読取装置によりその記憶媒体から読み取られて、あるいは、通信インターフェイス５５０を介してダウンロードされた後、ＨＤＤ５４０に一旦格納される。そのソフトウェアは、ＣＰＵ５１０によってＨＤＤ５４０から読み出され、ＲＡＭ５３０に実行可能なプログラムの形式で格納される。ＣＰＵ５１０は、そのプログラムを実行する。

図５に示されるコンピュータシステム５００を構成する各構成要素は、一般的なものである。したがって、本発明の本質的な部分は、ＲＯＭ５２０、ＲＡＭ５３０、ＨＤＤ５４０その他の記憶媒体に格納されたソフトウェア、あるいはネットワークを介してダウンロード可能なソフトウェアであるともいえる。なお、コンピュータシステム５００の各ハードウェアの動作は周知であるので、詳細な説明は繰り返さない。

なお、記録媒体としては、ＣＤ－ＲＯＭ、ＦＤ（Flexible Disk）、ハードディスク装置５４０に限られず、磁気テープ、カセットテープ、光ディスク（ＭＯ（Magnetic Optical Disc）／ＭＤ（Mini Disc）／ＤＶＤ（Digital Versatile Disc））、ＩＣ（Integrated Circuit）カード（メモリカードを含む）、光カード、マスクＲＯＭ、ＥＰＲＯＭ（Electronically Programmable Read-Only Memory）、ＥＥＰＲＯＭ（Electronically Erasable Programmable Read-Only Memory）、フラッシュＲＯＭ、ＳＳＤ（Secure Socket Disc）などの半導体メモリ等の固定的にプログラムを担持する媒体でもよい。

ここでいうプログラムとは、ＣＰＵ５１０により直接実行可能なプログラムだけでなく、ソースプログラム形式のプログラム、圧縮処理されたプログラム、暗号化されたプログラム等を含む。

［実施の形態１の効果］
発明者は、学習モデルを構成するパラメータによって、誤判定なく診断するために必要となる学習データ数が異なることを見出した。さらに、学習モデルを構成する複数のパラメータ値の一部を、運転状態が異なるデータ群から求めた同一のパラメータのパラメータ値を用いて作成した学習モデルであっても、誤判定なく診断可能であること、すなわち、異なる運転状態間で一部のパラメータ値を流用し学習モデルを作成することができることを見い出した。また、学習データ数が相対的に多く必要な（データ収集に時間を要する）パラメータは、すでにパラメータ値が算出・保持されている他の運転状態の学習データから求めたパラメータ値を流用できるため、当該運転状態のパラメータ値の算出に必要となるデータの収集を省略できることがわかった。

そこで、実施の形態１に記載のように、パラメータ毎に、学習データの十分性評価結果に応じてパラメータ値の算出・保持処理を実施し、診断対象データと同じ運転状態のパラメータ値の一部が保持されていない(学習データ数が十分でない)場合は他の運転状態の同一パラメータのパラメータ値を流用して学習モデルを作成し診断する構成により、正常な運転状態変化があっても、最小の学習データ数で、すなわち従来よりも短い学習データ収集期間で誤判定のない診断が可能となる。また、学習データの十分性評価がＯＫであるパラメータ値を用いて学習モデルを作成するため、異常判定のための閾値は一つの値に決めることができ、診断対象データ毎に異常判定のための閾値を決定する計算処理を行う必要がなく計算量を削減できる。

さらに、十分性評価の結果、学習モデルを構成するすべてのパラメータ値を算出しない（誤判定なく診断可能な学習モデルを作成できない）場合には学習モデルを作成せず、診断を見送る構成としたことで、誤判定を低減させることができる。

実施の形態２．
以下、実施の形態２について説明する。実施の形態１に係る異常診断装置１００は、予め設定された任意の期間の学習データを用いて、データ分類、パラメータ算出・保持、パラメータ取得、学習モデル作成、異常度算出、判定の一連の診断の処理を実施するのに対して、実施の形態２に従う異常診断装置は、診断を長期間実施することで、追加の学習データが取得できるようになった場合に各運転状態で保持しているパラメータ値を更新し、診断を行う点で、実施の形態１に従う異常診断装置１００と異なる。

なお、実施の形態２に従う異常診断装置の主たる機能構成およびハードウェア構成は、実施の形態１に従う異常診断装置１００の主たる機能構成およびハードウェア構成と同じである。したがって、これらの説明は繰り返さない。また、実施の形態２の説明は、実施の形態１に従う異常診断装置１００の構成を適宜参照して行なう。

実施の形態２に従うデータ分類部１０４は、追加の学習データが入手できるようになった時点において、追加の学習データを運転状態毎に分類する。分類の方法は実施の形態１と同様に実施することができる。

パラメータ算出・保持部１０５は、分類後のデータ群を用いて、分類後のデータの十分性評価を実施する。このとき、パラメータ算出・保持部１０５は、追加分の学習データのみで十分性評価を実施ししてもよく、既にパラメータ算出・保持に用いた学習データと追加の学習データとを合わせたデータ群、またはこのデータ群から一部を選択したデータ群に対して十分性評価を実施してもよい。

パラメータ算出・保持部１０５は、各パラメータのデータ十分性評価結果に基づいて、保持するパラメータ値を算出し（もしくは「値なし」と設定し）、これらの値を、現状の学習モデル作成に用いるために各運転状態で保持しているパラメータ値に上書きする。なお、パラメータ値を算出するために用いられるデータの数は、十分性評価に使用されるデータの数と同様とされ得る。

また、パラメータ算出・保持部１０５は、追加の学習データとして、新たに設備から取得されるデータや、異常判定部１０９において正常であると判定されたデータを用いることができる。

そこで、図６を参照して、実施の形態２に従う異常診断装置１００の制御構造について説明する。図６は、実施の形態２に従う異常診断装置１００を実現するコンピュータシステム５００のＣＰＵ５１０が実行する処理の一部を表わすフローチャートである。

ステップＳ６１０にて、ＣＰＵ５１０は、診断対象である設備または機器から受信したデータを、運転状態毎に分類する。これはデータ分類部１０４で行われる処理である。その後、パラメータ算出・保持用の学習データのフローは、Ｓ６２０（パラメータ算出・保持部１０５）へ進み、診断対象となるデータのフローは、Ｓ６３０（パラメータ取得部１０６）へと進む。

ステップＳ６２０にて、ＣＰＵ５１０は、パラメータ算出・保持部１０５として、学習データからパラメータ値を算出し、その値を保持する。実施の形態１と同様に、ＣＰＵ５１０は、全ての運転状態の学習データに対して、各パラメータの十分性評価を実施し、評価結果に応じて、各運転状態に紐づけてパラメータ値を算出し保持する。またはパラメータ値がないことを保持する。

ステップＳ６３０にて、ＣＰＵ５１０は、パラメータ取得部１０６として、診断対象データの運転状態と同じ運転状態に紐づけられたパラメータ値を取得する。実施の形態１と同様に、一部のパラメータのみが保持されている場合は、ＣＰＵ５１０は、残りのパラメータを他の運転状態の同一種のパラメータ値から取得する。また全てのパラメータ値が保持されていない場合は、すべてのパラメータ値を取得しない。

ステップＳ６４０にて、ＣＰＵ５１０は、学習モデル作成部１０７として、取得した各パラメータ値を用いて学習モデルを作成する。ＣＰＵ５１０は、全てのパラメータ値を取得しない場合は学習モデルを作成せずに、当該診断対象データの診断を一時保留する。

ステップＳ６５０にて、ＣＰＵ５１０は、異常度算出部１０８として、作成した学習モデルと、診断対象データとを用いて、当該設備または機器の異常度を算出する。

ステップＳ６６０にて、ＣＰＵ５１０は、異常判定部１０９として、算出した異常度と、異常判定のために予め設定されている閾値とを比較して、設備または機器の状態を診断する異常判定を実行する。

ステップＳ６７０にて、ステップＳ６６０の異常判定結果が正常である場合には（ステップＳ６７０にてＹＥＳ）、ＣＰＵ５１０は制御をステップＳ６８０に切り換える。ステップＳ６６０の異常判定結果が異常である場合には（ステップＳ６７０にてＮＯ）、ＣＰＵ５１０は、制御をステップＳ６９０に切り換える。

ステップＳ６８０にて、ＣＰＵ５１０は、正常であると判断された診断対象データを学習データとして使用する。その後、制御はステップＳ６２０に戻される。すなわち、学習データとなった当該データは、パラメータ算出・保持部１０５における十分性評価やパラメータ算出・保持処理の対象となる。

ステップＳ６９０にて、ＣＰＵ５１０は、診断結果が異常であると判断された診断対象データを破棄し、学習データの対象から除外する。

［実施の形態２の効果］
以上のようにして、実施の形態２に従う異常診断装置１００は、定期的に設備の最新のデータを含むデータ群から、パラメータの最新値を算出し、保持する値を更新するので、最新の設備状態を反映した診断が可能となる。

また、実施の形態１で例示された、学習データの十分性評価の結果がＮＧとなり、学習モデルを構成する全てのパラメータ値を算出または取得できず診断を一時保留する場合において、実施の形態２に従う異常診断装置１００は、上記の機能を用いて、追加の学習データが得られた際に十分性評価を実施し、評価結果がＯＫとなった場合には、全てのパラメータ値もしくは一部のパラメータ値を算出および保持できるようになる。そして、診断対象データと同じの運転状態に紐づけられたパラメータ値を取得し、誤判定なく診断可能な学習モデルを作成することができ、診断精度が確保できるようになった時点で、保留されていた診断を再開することができる。このように、設備の診断を長期にわたって実施することで学習用のデータが充実し、様々な運転状態の診断対象データに対して誤判定のない診断が実施できるようになる。また、実施の形態１と同様に、相対的に学習データ数が少ないパラメータ値が１つ以上算出できた時点で診断を再開することができるため、診断精度を保ちながら学習データの収集期間を最大限に短くすることができる。

実施の形態３．
次に、実施の形態３に従う異常診断について説明する。なお、実施の形態３に従う異常診断装置のハードウェア構成は、実施の形態１または２に従う異常診断装置１００が備えるハードウェア構成と同じである。また、実施の形態３に従う異常診断装置に固有な機能および制御構造以外の機能および制御構造は、実施の形態１または２に従う異常診断装置１００の機能および制御構造と同じである。したがって、同じハードウェア構成、機能および制御構造の説明は繰り返さない。以下では、実施の形態１または２に従う異常診断装置１００のハードウェア構成、機能および制御構造を用いて、実施の形態３に従う異常診断装置１００を説明する。

実施の形態１および２に従う異常診断装置１００は、診断対象データが分類される運転状態は、学習データの運転状態の分類において予め決定したいずれかの運転状態に該当する場合に異常診断を実施する。他の局面において、データ分類部１０４にて、診断対象データの運転状態を決定する際に、当該診断対象データの運転状態が、学習データの運転状態の分類において予め決定した運転状態のいずれにも該当しない場合があり得る。実施の形態３に従う異常診断装置は、このような場合でも異常診断を行う点で、実施の形態１または２に従う異常診断装置１００と異なる。

まず、診断対象データの運転状態が、学習データの運転状態の分類のいずれかに該当するか否かは、実施の形態１で示されたデータ分類部１０４における各分類手法およびその判定閾値に基づき決定される。例として、クラスタリング処理によって決定した分類ルールを用いて運転状態の分類を行う場合を説明する。データ分類部１０４は、クラスタリング処理で決定した各クラスタに所属するデータから各クラスタの重心を算出し、各クラスタの重心と分類対象データの距離を求める。データ分類部１０４は、この各クラスタ重心と分類対象データの距離と、予め定めた各クラスタに分類するか否かを判定するのための閾値とを比較する際に、各クラスタの重心と分類対象データとの距離が、予め定めた判定閾値以下となるクラスタが一つも存在しない場合に、診断対象データの運転状態は、学習データの運転状態の分類において予め決定した運転状態のいずれにも該当しないと判断する。また、１つ以上の評価項目の時系列データの変化の有無を判定する処理に基づく運転状態の分類方法においても同様に、各運転状態に分類するための条件（評価項目またはその統計量および判定のための閾値からなる）のいずれにも該当しない場合は、データ分類部１０４は、診断対象データの運転状態は、学習データの運転状態の分類において予め決定した運転状態のいずれにも該当しないと判断する。

実施の形態３に従う異常診断処理方法は、診断対象である設備または機器の運転特性に応じて以下の２つから選択され得る。第１の方法として、診断対象データの運転状態が学習データの運転状態分類のいずれにも該当しない場合には、実施の形態３に従う異常診断装置１００は、以降の処理を実施せず、当該診断対象データを異常と判定する。この第１の方法は、診断対象である設備または機器が予め決められたいくつかの運転状態のみで動作するものである場合に有効である。

第２の方法として、実施の形態３に従う異常診断装置１００は、診断対象データの運転状態が、学習データの運転状態の分類において予め決定した運転状態のいずれにも該当しない場合も、当該診断対象データの運転状態を一連の異常診断処理を行う対象の運転状態として追加する。すなわち、当該診断対象データおよび当該診断対象データと同じ運転状態と判定されるデータを学習データとして用い、パラメータ算出・保持部１０５にて十分性評価とパラメータ値の算出、保持処理を実行する。また、異常診断装置１００は、当該診断対象データと同じ運転状態と判定されるデータを診断対象データとして、パラメータ取得部１０６におけるパラメータ値の取得処理、学習モデル作成部１０７における学習モデル作成処理、異常度算出部１０８における異常度算出処理、異常判定部１０９における異常判定処理を実行する。この第２の方法は、診断対象となる設備が、周辺機器や環境に応じてその都度最適な運転状態を決定し動作するために、予め取りうる運転状態の数やその状態を予測できない場合に有効である。

第２の方法について、データ分類部１０４において、診断対象データの運転状態が、学習データの運転状態の分類において予め決定した運転状態のいずれにも該当しない場合、すなわちパラメータ算出・保持部１０５における処理の対象となっている運転状態のいずれにも該当しない場合は、当該診断対象データは、学習データとして、パラメータ算出・保持部１０５に入力される。パラメータ算出・保持部１０５では、当該診断対象データが所属する運転状態を新たに追加して学習する運転状態として、この運転状態に保持するパラメータ値の算出・保持を行う。

次に、パラメータ算出・保持部１０５では、入力されたデータに対して実施の形態１と同様の処理がなされる。具体的には、パラメータ算出・保持部１０５にて、学習モデルを構成する複数のパラメータに対して、データ数の十分性評価を実施し、十分性評価がＯＫである場合には当該パラメータのパラメータ値を算出して、新たに学習する運転状態と紐づけて保持する。十分性評価がＮＧである場合には、パラメータ算出・保持部１０５は、パラメータ値は値なしとして保持する。次に、パラメータ取得部１０６では、新たに学習した運転状態に紐づけられたパラメータ値を取得する。実施の形態１と同様に、学習モデルを構成する複数のパラメータのうち、すべてが取得可能である場合には、すべてのパラメータ値を取得する。また、一部のパラメータ値が取得可能である場合には、パラメータ取得部１０６は、取得可能な一部のパラメータ値を取得し、残りのパラメータ値を、異なる運転状態で保持されている同一種のパラメータ値から取得する。また、パラメータ取得部１０６は、すべてのパラメータ値が値なしの場合はすべてのパラメータ値を取得しない。このように値ありとしてパラメータ値が取得できる場合には、学習モデル作成部１０７にて学習モデルを作成し、異常度算出部１０８および異常判定部１０９においてそれぞれの処理を実行し、異常有無を判定する。すべてのパラメータ値が取得できない場合は、学習モデル作成部１０７は、学習モデルを作成せず、異常診断装置１００は、診断を一時保留する。

ここまでの処理について、具体的な運用の流れを示す。パラメータ算出・保持部１０５は、新たに追加された運転状態においてパラメータ算出に必要なデータを、新規に収集することになる。そのため、学習データ収集の初期の段階では、学習モデルを構成するすべてのパラメータ値に対する十分性評価がＮＧとなり、パラメータ算出・保持部１０５がパラメータ値を算出しないため、学習モデル作成部１０７は、学習モデルを作成しない。この処理により、パラメータ算出・保持部１０５に入力されたデータ数が誤判定なく診断可能なパラメータ算出に必要なデータ数に満たない間は、異常診断装置１００は、診断を一時保留することができ、誤判定を回避することができる。

さらに時間が経過すると、入力される学習データ数が増えることで、パラメータ値の算出に必要なデータ数が最も少ないパラメータの十分性評価がＯＫとなり、このパラメータ値を算出する。するとこの段階で、パラメータ取得部１０６および学習モデル作成部１０７は、残りのパラメータ値を、異なる運転状態で算出・保持している同一種のパラメータ値から取得して学習モデルを作成することができるので、異常診断装置１００は診断を再開できるようになる。異なる運転状態から流用するパラメータは、誤判定なく診断するのに必要なデータ数が他のパラメータに比べて多く、データ収集に時間を要するが、本発明の構成とすることにより、従来このデータ収集に要していた期間を短縮することができる分、異常診断装置１００は、短いデータ収集期間で誤判定のない診断を実施することが可能となる。

以上のようにして、上記で開示された異常診断装置１００は、診断対象となる設備が、周辺機器や環境に応じてその都度最適な運転状態を決定し動作するために、予め取り得る運転状態の数やその状態を予測できない場合でも、最短のデータ収集期間で誤判定のない学習モデルを作成し異常診断を行うことができる。

さらに、異常診断装置１００は、パラメータ算出・保持部１０５において、データ数の十分性評価を実施する構成としたことで、診断対象データ毎に異常判定するための閾値を算出する必要がなくなる。したがって、異常診断装置１００による演算量が削減されるので、計算リソースの増大が抑制され得る。

上記で開示された技術的特徴の一部は、以下のように要約され得る。
［構成１］ある実施の形態に従うと、コンピュータ（たとえば、コンピュータシステム５００）で実行される異常診断方法が提供される。この異常診断方法は、ＣＰＵ５１０が、データ読取部１０２として、通信インターフェイス５５０を介して、診断対象から単一または複数の評価項目の状態量を有するデータを取得するステップと、ＣＰＵ５１０が、データ分類部１０４として、単一または複数の評価項目の状態量を有するデータを、診断対象である設備または機器の運転状態毎に分類するステップと、ＣＰＵ５１０が、パラメータ算出・保持部１０５として、分類した各データ群のデータ数の十分性を評価するステップと、ＣＰＵ５１０が、パラメータ算出・保持部１０５として、データ数の十分性に応じて、学習モデルを構成する複数のパラメータ値を算出し（導出し）、このパラメータ値を運転状態に紐づけて保持するステップと、ＣＰＵ５１０が、パラメータ取得部１０６として、診断対象データの運転状態と、各運転状態に紐づけられたパラメータ値の保持状況とに応じて、学習モデルを構成する複数のパラメータ値をパラメータ毎に重複のないように取得するステップと、ＣＰＵ５１０が、学習モデル作成部１０７として、取得したパラメータ値を用いて学習モデルを作成するステップと、ＣＰＵ５１０が、異常度算出部１０８として、学習モデルに基づき異常を判定するための異常度を算出するステップと、ＣＰＵ５１０が、異常判定部１０９として、算出された異常度に基づき、診断対象の異常の有無を判定するステップとを含む。

上記の構成によれば、診断対象となるデータの運転状態と、各運転状態に紐づけられたパラメータ値の保持状況とに応じて、学習モデルを構成する複数のパラメータ値がパラメータ毎に重複のないように取得される。学習モデルは、取得されたパラメータ値を用いて作成される。作成された学習モデルに基づき異常を判定するための異常度が算出されて、当該算出された異常度に基づき、診断対象の異常の有無が判定される。これにより、メンテナンスや運転モード変化などによる正常な運転状態の変化を異常と誤判定せず、診断精度を向上させることができる。さらに、設備の運転状態の変化が予め予測できない場合であっても、診断に必要となる学習データを新たに収集する期間を短縮することができる。また、これらの計算処理に必要な計算量を低減させることができる。

［構成２］ある局面に従う異常診断方法は、上記の構成に加えて、単一または複数の評価項目の状態量を有するデータを、設備の運転状態毎に分類するステップは、クラスタリング処理、または１つ以上の評価項目のデータの変化の有無を判定する処理に基づき実施するステップを含む。

［構成３］ある局面に従う異常診断方法は、上記の構成に加えて、データの変化の有無を判定するステップは、データの任意の時間範囲から求めた平均、分散、標準偏差、最大、最小、尖度、歪度の少なくとも一つを判定指標として、変化の有無を判定するステップを含む。

［構成４］ある局面に従う異常診断方法は、上記の構成に加えて、データ数の十分性を評価するステップは、過去の診断実績から誤判定なく診断可能なデータ数を予め決定し、このデータ数に基づき評価する方法、または、各データ群の任意の時間範囲から求めた任意の複数の評価項目間の相関係数や任意の評価項目の基本統計量の変化量に基づき評価する方法、の少なくとも一つによって実施するステップを含む。

［構成５］ある局面に従う異常診断方法は、上記の構成に加えて、診断対象データの運転状態と、各運転状態に紐づけられたパラメータ値の保持状況とに応じて、学習モデルを構成する複数のパラメータ値を、パラメータ毎に重複のないように取得するステップは、診断対象となるデータの運転状態と同じ運転状態に、学習モデルを構成する全てのパラメータ値が保持されていることに基づいて、全てのパラメータの値を取得するステップと、診断対象となるデータの運転状態と同じ運転状態に、学習モデルを構成する一部のパラメータの値のみが保持されていることに基づいて、一部のパラメータ値のみを取得し、残りのパラメータ値を他の運転状態で保持されている同一種のパラメータ値から取得するステップとを含む。

［構成６］ある局面に従う異常診断方法は、上記の構成に加えて、データ数の十分性に応じて、学習モデルを構成する複数のパラメータ値を算出し、パラメータ値を運転状態に紐づけて保持するステップは、定期的に、設備から取得する最新のデータを含むデータ群から、パラメータの最新値を算出し、保持するパラメータ値を更新するステップを含む。定期的とは、予め設定された時間間隔であり、たとえば、一日のうちの予め指定された時間、毎週特定の時間、各月の一定の日時等である。

［構成７］ある局面に従う異常診断方法は、上記の構成に加えて、学習モデルは、マハラノビス・タグチ法の単位空間である。複数のパラメータ値は、単位空間を構成するデータの平均、標準偏差、相関行列の逆行列である。

［構成８］ある局面に従う異常診断方法は、上記の構成に加えて、ＣＰＵ５１０が、判定結果出力部１１０として、診断対象の判定結果を出力するステップをさらに含む。出力先は、モニター装置その他の表示部５８０、あるいは、通信インターフェイスに接続されて遠隔に配置されているサーバコンピュータその他の情報管理装置などである。

［構成９］他の実施の形態に従うと、診断対象の異常の有無を診断する異常診断装置１００（またはコンピュータシステム５００）が提供される。この異常診断装置１００は、プログラムを格納したメモリ（たとえば、ＥＯＭ５２０、ＲＡＭ５３０、ＨＤＤ５４０）と、当該メモリに結合されてプログラムを実行するプロセッサ（たとえば、ＣＰＵ５１０）とを備える。このプログラムはプロセッサに、診断対象からら単一または複数の評価項目の状態量を有するデータを取得するステップと、単一または複数の評価項目の状態量を有するデータを、診断対象の運転状態毎に分類するステップと、分類した各データ群のデータ数の十分性を評価するステップと、データ数の十分性に応じて、学習モデルを構成する複数のパラメータ値を算出し（導出し）、このパラメータ値を運転状態に紐づけて保持するステップと、診断対象データの運転状態と、各運転状態に紐づけられたパラメータ値の保持状況とに応じて、学習モデルを構成する複数のパラメータ値をパラメータ毎に重複のないように取得するステップと、取得したパラメータ値を用いて学習モデルを作成するステップと、学習モデルに基づき異常を判定するための異常度を算出するステップと、異常度に基づき、診断対象の異常の有無を判定するステップとを実行させる。

［構成１０］ある局面に従う異常診断装置は、上記の構成に加えて、プログラムはプロセッサに、診断対象の判定結果を出力するステップをさらに実行させる。

［構成１１］さらに他の実施の形態に従うと、診断対象の異常の有無を診断する異常診断プログラムが提供される。この異常診断プログラムは、プロセッサ（たとえば、ＣＰＵ５１０）に、診断対象から単一または複数の評価項目の状態量を有するデータを取得するステップと、単一または複数の評価項目の状態量を有するデータを、診断対象の運転状態毎に分類するステップと、分類した各データ群のデータ数の十分性を評価するステップと、データ数の十分性に応じて、学習モデルを構成する複数のパラメータ値を算出し（導出し）、このパラメータ値を運転状態に紐づけて保持するステップと、診断対象データの運転状態と、各運転状態に紐づけられたパラメータ値の保持状況とに応じて、学習モデルを構成する複数のパラメータ値をパラメータ毎に重複のないように取得するステップと、取得したパラメータ値を用いて学習モデルを作成するステップと、学習モデルに基づき異常を判定するための異常度を算出するステップと、異常度に基づき、診断対象の異常の有無を判定するステップとを実行させる。

［構成１２］ある局面に従う異常診断プログラムは、上記の構成に加えて、プロセッサに、診断対象の判定結果を出力するステップをさらに実行させる。

［構成１３］さらに他の実施の形態に従うと、診断対象の異常の有無を診断する異常診断システムが提供される。この異常診断システムは、プロセッサ（たとえば、ＣＰＵ５１０）に、診断対象から単一または複数の評価項目の状態量を有するデータを取得するステップと、単一または複数の評価項目の状態量を有するデータを、診断対象の運転状態毎に分類するステップと、分類した各データ群のデータ数の十分性を評価するステップと、データ数の十分性に応じて、学習モデルを構成する複数のパラメータ値を算出し（導出し）、このパラメータ値を運転状態に紐づけて保持するステップと、診断対象データの運転状態と、各運転状態に紐づけられたパラメータ値の保持状況とに応じて、学習モデルを構成する複数のパラメータ値をパラメータ毎に重複のないように取得するステップと、取得したパラメータ値を用いて学習モデルを作成するステップと、学習モデルに基づき異常を判定するための異常度を算出するステップと、異常度に基づき、診断対象の異常の有無を判定するステップとを実行させる。

［構成１４］ある局面に従う異常診断システムは、上記の構成に加えて、プロセッサに、診断対象の判定結果を出力するステップをさらに実行させる。

今回開示された実施の形態はすべての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は上記した説明ではなくて請求の範囲によって示され、請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。

１０ 設備または機器、１００ 異常診断装置、１０２ データ読取部、１０３ データ表示部、１０４ データ分類部、１０５ パラメータ算出・保持部、１０６ パラメータ取得部、１０７ 学習モデル作成部、１０８ 異常度算出部、１０９ 異常判定部、１１０ 判定結果出力部、５００ コンピュータシステム、５１０ ＣＰＵ、５２０ ＲＯＭ、５３０ ＲＡＭ、５４０ ハードデイスク装置、５５０ 通信インターフェイス、５６０ 入出力インターフェイス、５７０ 入力部、５８０ 表示部。

Claims (9)

1. 診断対象の設備の異常の有無を診断する異常診断方法であって、
   前記設備から単一または複数の評価項目の状態量を有するデータを取得するステップと、
   前記設備から取得する前記データを前記設備の運転状態毎に分類するステップと、
   分類したデータ群毎にデータ数の十分性を評価するステップと、
   前記データ数の十分性に応じて、学習モデルを構成する複数のパラメータ値を算出し、前記パラメータ値を前記運転状態に紐づけて保持するステップと、
   診断対象となる前記データの運転状態と、各運転状態に紐づけられた前記パラメータ値の保持状況とに応じて、学習モデルを構成する複数のパラメータ値を、パラメータ毎に重複のないように取得するステップと、
   取得したパラメータ値を用いて前記診断対象となるデータを診断する学習モデルを作成するステップと、
   前記学習モデルに基づいて異常を判定するための異常度を算出するステップと、
   前記異常度に基づき診断対象の異常の有無を判定するステップとを含み、
   診断対象となる前記データの運転状態と、各運転状態に紐づけられたパラメータ値の保持状況とに応じて、学習モデルを構成する複数のパラメータ値を、パラメータ毎に重複のないように取得するステップは、
   診断対象となるデータの運転状態と同じ運転状態に、学習モデルを構成する全てのパラメータ値が保持されていることに基づいて、前記全てのパラメータの値を取得するステップと、
   診断対象となるデータの運転状態と同じ運転状態に、学習モデルを構成する一部のパラメータの値のみが保持されていることに基づいて、前記一部のパラメータ値のみを取得し、残りのパラメータ値を他の運転状態で保持されている同一種のパラメータ値から取得するステップとを含む、異常診断方法。
2. 前記データを前記設備の運転状態毎に分類するステップは、
   クラスタリング処理、または１つ以上の評価項目の前記データの変化の有無を判定する処理に基づき実施するステップを含む、請求項１に記載の異常診断方法。
3. 前記データの変化の有無を判定するステップは、
   前記データの任意の時間範囲から求めた平均、分散、標準偏差、最大、最小、尖度、歪度の少なくとも一つを判定指標として、前記変化の有無を判定するステップを含む、請求項２に記載の異常診断方法。
4. 前記データ数の十分性を評価するステップは、
   過去の診断実績から誤判定なく診断可能なデータ数を予め決定し、前記データ数に基づき評価する方法、または、
   各データ群の任意の時間範囲から求めた任意の複数の評価項目間の相関係数や任意の評価項目の基本統計量の変化量に基づき評価する方法、の少なくとも一つによって実施するステップを含む、請求項１～３のいずれかに記載の異常診断方法。
5. 前記データ数の十分性に応じて、学習モデルを構成する複数のパラメータ値を算出し、前記パラメータ値を前記運転状態に紐づけて保持するステップは、
   定期的に、前記設備から取得する最新のデータを含むデータ群から、パラメータの最新値を算出し、保持するパラメータ値を更新するステップを含む、請求項１～３のいずれかに記載の異常診断方法。
6. 前記学習モデルは、マハラノビス・タグチ法の単位空間であり、前記複数のパラメータ値は、単位空間を構成するデータの平均、標準偏差、相関行列の逆行列である、請求項１～３のいずれかに記載の異常診断方法。
7. 診断対象の設備の異常の有無を診断する異常診断装置であって、
   前記設備から単一または複数の評価項目の状態量を有するデータを取得するデータ読取部と、
   前記設備から取得する前記データを前記設備の運転状態毎に分類するデータ分類部と、
   分類したデータ群毎にデータ数の十分性を評価し、前記データ数の十分性に応じて、学習モデルを構成する複数のパラメータ値を算出し、前記パラメータ値を前記運転状態に紐づけて保持するパラメータ算出・保持部と、
   診断対象となる前記データの運転状態と、各運転状態に紐づけられた前記パラメータ値の保持状況とに応じて、学習モデルを構成する複数のパラメータ値を、パラメータ毎に重複のないように取得するパラメータ取得部と、
   取得したパラメータ値を用いて前記診断対象となるデータを診断する学習モデルを作成する学習モデル作成部と、
   前記学習モデルに基づいて異常を判定するための異常度を算出する異常度算出部と、
   前記異常度に基づき診断対象の異常の有無を判定する異常判定部とを備え、
   前記パラメータ取得部は、
   診断対象となるデータの運転状態と同じ運転状態に、学習モデルを構成する全てのパラメータ値が保持されていることに基づいて、前記全てのパラメータの値を取得し、
   診断対象となるデータの運転状態と同じ運転状態に、学習モデルを構成する一部のパラメータの値のみが保持されていることに基づいて、前記一部のパラメータ値のみを取得し、残りのパラメータ値を他の運転状態で保持されている同一種のパラメータ値から取得する、異常診断装置。
8. 診断対象の設備の異常の有無を診断する処理を、コンピュータに実行させるための異常診断プログラムであって、
   前記設備から単一または複数の評価項目の状態量を有するデータを取得するステップと、
   前記設備から取得する前記データを前記設備の運転状態毎に分類するステップと、
   分類したデータ群毎にデータ数の十分性を評価するステップと、
   前記データ数の十分性に応じて、学習モデルを構成する複数のパラメータ値を算出し、前記パラメータ値を前記運転状態に紐づけて保持するステップと、
   診断対象となる前記データの運転状態と、各運転状態に紐づけられた前記パラメータ値の保持状況とに応じて、学習モデルを構成する複数のパラメータ値を、パラメータ毎に重複のないように取得するステップと、
   取得したパラメータ値を用いて前記診断対象となるデータを診断する学習モデルを作成するステップと、
   前記学習モデルに基づいて異常を判定するための異常度を算出するステップと、
   前記異常度に基づき診断対象の異常の有無を判定するステップとを、
   前記コンピュータに実行させ、
   診断対象となる前記データの運転状態と、各運転状態に紐づけられたパラメータ値の保持状況とに応じて、学習モデルを構成する複数のパラメータ値を、パラメータ毎に重複のないように取得するステップは、
   診断対象となるデータの運転状態と同じ運転状態に、学習モデルを構成する全てのパラメータ値が保持されていることに基づいて、前記全てのパラメータの値を取得するステップと、
   診断対象となるデータの運転状態と同じ運転状態に、学習モデルを構成する一部のパラメータの値のみが保持されていることに基づいて、前記一部のパラメータ値のみを取得し、残りのパラメータ値を他の運転状態で保持されている同一種のパラメータ値から取得するステップとを含む、異常診断プログラム。
9. 診断対象の設備の異常の有無を診断する異常診断システムであって、
   前記設備から単一または複数の評価項目の状態量を有するデータを取得するデータ読取部と、
   前記設備から取得する前記データを前記設備の運転状態毎に分類するデータ分類部と、
   分類したデータ群毎にデータ数の十分性を評価し、前記データ数の十分性に応じて、学習モデルを構成する複数のパラメータ値を算出し、前記パラメータ値を前記運転状態に紐づけて保持するパラメータ算出・保持部と、
   診断対象となる前記データの運転状態と、各運転状態に紐づけられた前記パラメータ値の保持状況とに応じて、学習モデルを構成する複数のパラメータ値を、パラメータ毎に重複のないように取得するパラメータ取得部と、
   取得したパラメータ値を用いて前記診断対象となるデータを診断する学習モデルを作成する学習モデル作成部と、
   前記学習モデルに基づいて異常を判定するための異常度を算出する異常度算出部と、
   前記異常度に基づき診断対象の異常の有無を判定する異常判定部とを備え、
   前記パラメータ取得部は、
   診断対象となるデータの運転状態と同じ運転状態に、学習モデルを構成する全てのパラメータ値が保持されていることに基づいて、前記全てのパラメータの値を取得し、
   診断対象となるデータの運転状態と同じ運転状態に、学習モデルを構成する一部のパラメータの値のみが保持されていることに基づいて、前記一部のパラメータ値のみを取得し、残りのパラメータ値を他の運転状態で保持されている同一種のパラメータ値から取得する、異常診断システム。

Images