JP7445533B2

JP7445533B2 - Abnormality detection equipment, programs and electrical equipment systems

Info

Publication number: JP7445533B2
Application number: JP2020103356A
Authority: JP
Inventors: 伯之戸倉; 規和佐々木
Original assignee: Hitachi Global Life Solutions Inc
Current assignee: Hitachi Global Life Solutions Inc
Priority date: 2020-06-15
Filing date: 2020-06-15
Publication date: 2024-03-07
Anticipated expiration: 2040-06-15
Also published as: JP2021196910A; WO2021256119A1

Description

本発明は、異常検出装置、プログラムおよび電気機器システムに関する。 The present invention relates to an abnormality detection device, a program, and an electrical equipment system.

本技術分野の背景技術として、下記特許文献１の要約には、「異常検知システム(10)は、複数の冷蔵冷凍機器(20)のそれぞれと１つの異常検知装置(30)とを接続する複数の連絡管(40)を備え、冷蔵冷凍機器のそれぞれは、冷凍回路構成要素である圧縮機(23)、送風ファン(22a)付き蒸発器及び送風ファン(24a)付き凝縮器のうち少なくとも１つを含み、異常検知装置は、複数の入力ポート(31A)及び１つの出力ポート(31B)を備える切り替え弁(31)と、出力ポートに接続され内部に騒音計(32b)を備える計測チャンバ(32a)と、切り替え弁及び騒音計と電気的に接続された制御・評価装置(33)を含み、連絡管の第１端部(40a)は圧縮機又は送風ファンの近傍に配置され、連絡管の第２端部(40b)は切り替え弁の入力ポートのうち１つに接続される。」と記載されている。 As a background technology of this technical field, the summary of Patent Document 1 below states that "an abnormality detection system (10) is a plurality of Each of the refrigeration equipment has at least one of the refrigeration circuit components: a compressor (23), an evaporator with a blower fan (22a), and a condenser with a blower fan (24a). The abnormality detection device includes a switching valve (31) having a plurality of input ports (31A) and one output port (31B), and a measurement chamber (32a) connected to the output port and having a sound level meter (32b) inside. ) and a control/evaluation device (33) electrically connected to the switching valve and the sound level meter, the first end (40a) of the connecting pipe is located near the compressor or blower fan, and the connecting pipe includes The second end (40b) is connected to one of the input ports of the switching valve."

特開２０１７－２１９２４３号公報JP2017-219243A

しかし、上述した技術においては、各冷蔵冷凍機器と異常検知装置とを連絡管によって接続する必要が生じるため、コストアップを招くという問題がある。さらに、ある冷蔵冷凍機器の異常の有無を検知する際、近接する他の冷蔵冷凍機器のＯＮ／ＯＦＦ状態を特に考慮していないため、検出精度が悪くなるという問題もある。
この発明は上述した事情に鑑みてなされたものであり、安価な構成で、高精度に電気機器の異常を検出できる異常検出装置、プログラムおよび電気機器システムを提供することを目的とする。 However, in the above-mentioned technique, since it is necessary to connect each refrigerating and freezing device and the abnormality detection device through a connecting pipe, there is a problem in that the cost increases. Furthermore, when detecting the presence or absence of an abnormality in a certain refrigerating/freezing device, the ON/OFF states of other nearby refrigerating/freezing devices are not particularly taken into account, so there is a problem that detection accuracy deteriorates.
The present invention has been made in view of the above-mentioned circumstances, and it is an object of the present invention to provide an abnormality detection device, a program, and an electrical equipment system that can detect abnormalities in electrical equipment with high accuracy with an inexpensive configuration.

上記課題を解決するため本発明の異常検出装置は、複数の電気機器における音または振動の状態を表す振動情報と、複数の前記電気機器の各々のＯＮ状態またはＯＦＦ状態を表す機器状態データを受信するデータ受信部と、複数の前記電気機器のＯＮ状態またはＯＦＦ状態の一つの組合せを動作パターンとし、前記振動情報を正常時の教示データとする学習モデルを、前記動作パターンに対応する学習パターン毎に生成する学習モデル生成部と、現状の前記動作パターンに対応する前記学習パターンに係る前記学習モデルと、前記振動情報と、に基づいて、何れかの前記電気機器における異常の有無を判定する異常判定部と、複数の前記動作パターンにおいて、何れかの前記電気機器について収集された前記振動情報が、所定の類似基準を満たすか否かを判定する類似性判定部と、前記類似性判定部における判定結果が肯定である場合に、複数の前記動作パターンを、前記電気機器に対する一の前記学習パターンに対応付ける対応付決定部と、を備えることを特徴とする。 In order to solve the above problems, the abnormality detection device of the present invention receives vibration information representing the state of sound or vibration in a plurality of electrical devices, and device status data representing the ON state or OFF state of each of the plurality of electrical devices. A learning model that uses a combination of the ON state or OFF state of the plurality of electric devices as an operation pattern and the vibration information as normal teaching data is created for each learning pattern corresponding to the operation pattern. an abnormality that determines the presence or absence of an abnormality in any of the electrical equipment based on the learning model generation unit that generates the learning model, the learning model related to the learning pattern corresponding to the current operation pattern, and the vibration information; a determination unit; a similarity determination unit that determines whether the vibration information collected for any of the electrical devices in the plurality of operation patterns satisfies a predetermined similarity criterion; The apparatus is characterized by comprising a correspondence determination unit that associates a plurality of the operation patterns with one of the learning patterns for the electric device when the determination result is affirmative .

本発明によれば、安価な構成で、高精度に電気機器の異常を検出できる。 According to the present invention, abnormalities in electrical equipment can be detected with high accuracy with an inexpensive configuration.

好適な第１実施形態による冷凍機システムのブロック図である。FIG. 1 is a block diagram of a refrigerator system according to a first preferred embodiment. 冷凍機等の詳細を示すブロック図である。FIG. 2 is a block diagram showing details of a refrigerator and the like. 動作パターンおよび学習パターンの説明図である。It is an explanatory diagram of an operation pattern and a learning pattern. 振動データの周波数解析結果の一例を示す図である。It is a figure which shows an example of the frequency analysis result of vibration data. 振動データの周波数成分の経時的変化の一例を示す図である。FIG. 3 is a diagram showing an example of changes over time in frequency components of vibration data. 一部の動作パターンにおける振動データの周波数成分の経時的変化の一例を示す図である。FIG. 7 is a diagram showing an example of changes over time in frequency components of vibration data in some motion patterns. 他の動作パターンにおける振動データの周波数成分の経時的変化の一例を示す図である。FIG. 7 is a diagram showing an example of a change over time in frequency components of vibration data in other motion patterns. 学習処理ルーチンのフローチャートである。It is a flowchart of a learning process routine. 異常判定処理ルーチンのフローチャートである。It is a flowchart of an abnormality determination processing routine. 好適な第２実施形態における学習処理ルーチンのフローチャートである。12 is a flowchart of a learning processing routine in a second preferred embodiment. 冷凍機の台数を５台にした場合のフロアーレイアウトの一例である。This is an example of a floor layout when the number of refrigerators is five.

［第１実施形態］
〈第１実施形態の全体構成〉
図１は、好適な第１実施形態による冷凍機システム１００（電気機器システム）のブロック図である。
図１において、冷凍機システム１００は、３台の冷却塔１と、３台の冷凍機３（電気機器）と、複数の冷却器７と、制御装置２０（コンピュータ、異常検出装置）と、センサ部４０と、データ収集部５０（振動情報取得部）と、を備えている。なお、３台の冷凍機３を区別する場合には、これらを「冷凍機３Ａ，３Ｂ，３Ｃ」と称する場合がある。 [First embodiment]
<Overall configuration of first embodiment>
FIG. 1 is a block diagram of a refrigerator system 100 (electrical equipment system) according to a first preferred embodiment.
In FIG. 1, a refrigerator system 100 includes three cooling towers 1, three refrigerators 3 (electrical equipment), a plurality of coolers 7, a control device 20 (computer, abnormality detection device), and a sensor. section 40, and a data collection section 50 (vibration information acquisition section). In addition, when distinguishing the three refrigerators 3, these may be referred to as "refrigerators 3A, 3B, and 3C."

３台の冷却塔１と、対応する３台の冷凍機３とは、冷却水還配管９と冷却水往配管１２とを介して接続されており、各冷却水往配管１２には、冷却水ポンプ２が挿入されている。冷却運転を行う場合、冷凍機３において昇温した冷却水は、冷却水還配管９を介して対応する冷却塔１に還流される。冷却塔１は、例えば開放式の冷却塔であり、その内部に担持された充填材（図示せず）に冷却水を流し込み、冷却水を送風機によって冷却するように構成されている。冷却水ポンプ２は、冷却塔１にて冷却された冷却水を、冷却水往配管１２を介して冷凍機３に向かって圧送する。 The three cooling towers 1 and the three corresponding refrigerators 3 are connected via a cooling water return pipe 9 and a cooling water outgoing pipe 12, and each cooling water outgoing pipe 12 has a cooling water Pump 2 is inserted. When performing cooling operation, the cooling water heated in the refrigerator 3 is returned to the corresponding cooling tower 1 via the cooling water return pipe 9. The cooling tower 1 is, for example, an open type cooling tower, and is configured such that cooling water is poured into a filling material (not shown) supported therein, and the cooling water is cooled by a blower. The cooling water pump 2 pumps the cooling water cooled in the cooling tower 1 toward the refrigerator 3 via the cooling water outgoing pipe 12.

なお、図示の例においては、各冷却塔１と各冷凍機３とは一対一に対応しているが、一の冷却塔１に複数の冷凍機３を接続してもよく、複数の冷却塔１に一の冷凍機３を接続するようにしてもよい。冷却塔１は、例えば建物の屋上に設置され、冷凍機３は、例えば建物の機械室に設置される。機械室には、冷凍機３以外にも、例えば水道水用のポンプ（図示せず）等、様々な機器が設置されている。機械室におけるフロアーレイアウトは図示を省略するが、ここでは、冷凍機３Ａ，３Ｂ，３Ｃが直線に沿って一列に配置されていることとする。 In the illustrated example, each cooling tower 1 and each chiller 3 correspond one-to-one, but a plurality of chillers 3 may be connected to one cooling tower 1, and a plurality of chillers 3 may be connected to one cooling tower 1. One refrigerator 3 may be connected to the other. The cooling tower 1 is installed, for example, on the roof of a building, and the refrigerator 3 is installed, for example, in a machine room of the building. In the machine room, in addition to the refrigerator 3, various devices such as a tap water pump (not shown) are installed. Although the floor layout in the machine room is not shown, it is assumed here that the refrigerators 3A, 3B, and 3C are arranged in a line along a straight line.

また、各冷凍機３は、冷媒配管６２，６４と、ホットガス・デフロスト配管６６と、を介して、複数の冷却器７に接続されている。センサ部４０は、冷凍機３の状態や、各部の水温や冷媒温度、各部の流量等を検出する各種センサを有している。データ収集部５０は、センサ部４０に設けられた各センサの計測結果に基づいて計測データを生成し、該計測データを制御装置２０に供給する。 Further, each refrigerator 3 is connected to a plurality of coolers 7 via refrigerant pipes 62 and 64 and a hot gas defrost pipe 66. The sensor section 40 includes various sensors that detect the state of the refrigerator 3, the water temperature and refrigerant temperature of each section, the flow rate of each section, and the like. The data collection unit 50 generates measurement data based on the measurement results of each sensor provided in the sensor unit 40, and supplies the measurement data to the control device 20.

図２は、冷凍機３および冷却器７の詳細を示すブロック図である。
冷凍機３は、凝縮器３１と、圧縮機３５（回転部品）と、コンバータ３７と、インバータ３８と、コントローラ３９と、を備えている。圧縮機３５は、回転軸３５ａと、回転軸３５ａを回転自在に軸支する軸受部３５ｂと、モータ３５ｃと、圧縮機構３５ｄと、を備えている。コンバータ３７は、例えば商用電源等の交流電力を直流電力に変換する。インバータ３８は、該直流電力を、指定された周波数の交流電力に変換して圧縮機３５を回転駆動する。コントローラ３９は、冷凍機３内の各部を制御する。 FIG. 2 is a block diagram showing details of the refrigerator 3 and the cooler 7.
The refrigerator 3 includes a condenser 31, a compressor 35 (rotating component), a converter 37, an inverter 38, and a controller 39. The compressor 35 includes a rotating shaft 35a, a bearing portion 35b that rotatably supports the rotating shaft 35a, a motor 35c, and a compression mechanism 35d. The converter 37 converts, for example, AC power from a commercial power source into DC power. The inverter 38 converts the DC power into AC power of a specified frequency and drives the compressor 35 to rotate. The controller 39 controls each part within the refrigerator 3.

また、冷却器７は、蒸発器７０と、送風機７１と、電磁弁７２，７４と、膨張弁７３と、デフロストクーラ７５と、を備えている。圧縮機３５から吐出される冷媒は、高温高圧のガス状であり、凝縮器３１に供給される。凝縮器３１に流入したガス状の冷媒は、冷却水往配管１２から供給される冷却水と熱交換して凝縮され、液状の冷媒となる。 The cooler 7 also includes an evaporator 70, a blower 71, electromagnetic valves 72 and 74, an expansion valve 73, and a defrost cooler 75. The refrigerant discharged from the compressor 35 is in the form of a high-temperature, high-pressure gas, and is supplied to the condenser 31 . The gaseous refrigerant that has flowed into the condenser 31 exchanges heat with the cooling water supplied from the cooling water outgoing pipe 12, is condensed, and becomes a liquid refrigerant.

この液状の冷媒は冷媒配管６４および電磁弁７２を介して膨張弁３３によって減圧され、低温低圧のガス液混合状の冷媒となる。この低温低圧のガス液混合状の冷媒は、蒸発器７０に流入して、送風機７１から供給される空気と熱交換されて蒸発し、ガス状の冷媒となる。このガス状の冷媒は、圧縮機３５に吸入され、再度ここで圧縮されることによって、一連の冷凍サイクルが形成される。 This liquid refrigerant is depressurized by the expansion valve 33 via the refrigerant pipe 64 and the electromagnetic valve 72, and becomes a low-temperature, low-pressure gas-liquid mixed refrigerant. This low-temperature, low-pressure gas-liquid mixed refrigerant flows into the evaporator 70, exchanges heat with the air supplied from the blower 71, evaporates, and becomes a gaseous refrigerant. This gaseous refrigerant is sucked into the compressor 35 and compressed there again, thereby forming a series of refrigeration cycles.

蒸発器７０には、多数のフィン（図示せず）が形成されている。そして、これらフィンの表面が空気中の水分によって着霜すると、蒸発器７０の熱交換性能が低下する。そこで、コントローラ３９は、必要に応じて、当該冷却器７に対してデフロスト運転を行う。コントローラ３９は、通常は電磁弁７４を閉状態にするが、デフロスト運転を行う際には開状態にする。 The evaporator 70 is formed with a large number of fins (not shown). When the surfaces of these fins become frosted due to moisture in the air, the heat exchange performance of the evaporator 70 deteriorates. Therefore, the controller 39 performs a defrost operation on the cooler 7 as necessary. The controller 39 normally closes the solenoid valve 74, but opens it when performing a defrost operation.

電磁弁７４を開状態にすると、圧縮機３５から吐出された高温高圧のガス状の冷媒がホットガス・デフロスト配管６６、電磁弁７４を介して蒸発器７０に流入する。これによって蒸発器７０が加熱され、着霜していた水分が溶融する。蒸発器７０から吐出された冷媒は、デフロストクーラ７５によって冷却された後、冷媒配管６２に戻される。 When the solenoid valve 74 is opened, the high temperature, high pressure gaseous refrigerant discharged from the compressor 35 flows into the evaporator 70 via the hot gas defrost pipe 66 and the solenoid valve 74 . This heats the evaporator 70 and melts the frosted water. The refrigerant discharged from the evaporator 70 is cooled by the defrost cooler 75 and then returned to the refrigerant pipe 62.

また、振動検出部４２（振動情報取得部）は、冷凍機３における音または振動を検出し、その結果を振動データＤｖとして出力する。周波数検出部４３は、インバータ３８の出力周波数ｆｉ（機器状態データ）を検出する。電流検出部４４は、コンバータ３７に供給される電流値Ｉｉｎ（機器状態データ）を検出する。振動検出部４２、周波数検出部４３および電流検出部４４は上述したセンサ部４０の一部であり、これらの検出結果はデータ収集部５０に供給される。 Further, the vibration detection unit 42 (vibration information acquisition unit) detects sound or vibration in the refrigerator 3 and outputs the result as vibration data Dv. The frequency detection unit 43 detects the output frequency fi (device status data) of the inverter 38. Current detection unit 44 detects current value Iin (equipment status data) supplied to converter 37. The vibration detection section 42, the frequency detection section 43, and the current detection section 44 are part of the sensor section 40 described above, and their detection results are supplied to the data collection section 50.

データ収集部５０は、出力周波数ｆｉおよび電流値Ｉｉｎについては、サンプリングタイミング毎の値をそのまま計測データとして制御装置２０に供給する。これら出力周波数ｆｉおよび電流値Ｉｉｎは、冷凍機３の稼働状態（例えば冷凍能力）を表すデータであるが、冷凍機３のＯＮ状態またはＯＦＦ状態を表す機器状態データとしても用いられる。また、上述した冷凍機３はインバータ機であるため、出力周波数ｆｉおよび電流値Ｉｉｎが機器状態データになるが、仮に、冷凍機３が定速機である場合は電流値Ｉｉｎのみを機器状態データとしても用いることも考えられる。また、データ収集部５０は、振動データＤｖに関しては、ＦＦＴ（Fast Fourier Transform；高速フーリエ変換）等の手法によって、複数の周波数成分毎の音量に変換し、その変換結果である振動情報Ｄｖ＿ＦＦＴを、計測データとして制御装置２０に供給する。また、データ収集部５０は、コントローラ３９から冷凍機３の各種状態を受信し、その受信結果も制御装置２０に供給する。 Regarding the output frequency fi and the current value Iin, the data collection unit 50 supplies the values at each sampling timing to the control device 20 as they are as measurement data. These output frequency fi and current value Iin are data representing the operating state (for example, refrigeration capacity) of the refrigerator 3, but are also used as equipment state data representing the ON state or OFF state of the refrigerator 3. Furthermore, since the refrigerator 3 mentioned above is an inverter machine, the output frequency fi and the current value Iin become the equipment state data. However, if the refrigerator 3 is a constant speed machine, only the current value Iin is used as the equipment state data. It is also possible to use it as a In addition, the data collection unit 50 converts the vibration data Dv into sound volumes for each of a plurality of frequency components using a method such as FFT (Fast Fourier Transform), and converts the vibration information Dv_FFT, which is the conversion result, into It is supplied to the control device 20 as measurement data. Further, the data collection unit 50 receives various states of the refrigerator 3 from the controller 39 and also supplies the reception results to the control device 20.

〈動作パターンＤＰおよび学習パターンＬＰ〉
図３は、本実施形態における動作パターンＤＰおよび学習パターンＬＰの説明図である。
３台の冷凍機３Ａ，３Ｂ，３ＣのＯＮ（動作）／ＯＦＦ（非動作）状態の組合せは、８種類存在するが、全てがＯＦＦ状態である組合せを除外すると、残りの組合せは、７種類になる。この組合せを動作パターンＤＰ１～ＤＰ７と呼び、これらを総称して「動作パターンＤＰ」と呼ぶ。ここで、冷凍機３Ａの動作について学習を行う場合、冷凍機３ＡがＯＮ状態である４種類の動作パターンＤＰ１，ＤＰ３，ＤＰ５，ＤＰ７に対して学習を行えばよい。 <Operation pattern DP and learning pattern LP>
FIG. 3 is an explanatory diagram of the motion pattern DP and learning pattern LP in this embodiment.
There are eight types of combinations of ON (operating)/OFF (non-operating) states of the three refrigerators 3A, 3B, and 3C, but if you exclude the combination in which all of them are in the OFF state, the remaining combinations are 7 types. become. These combinations are called action patterns DP1 to DP7, and these are collectively called "action patterns DP." Here, when learning the operation of the refrigerator 3A, the learning may be performed for four types of operation patterns DP1, DP3, DP5, and DP7 in which the refrigerator 3A is in an ON state.

本実施形態においては、これら４種類の動作パターンＤＰに一対一に対応する、学習パターンＬＰＡ１，ＬＰＡ３，ＬＰＡ５，ＬＰＡ７が定められ、これら学習パターン毎に、冷凍機３Ａについての学習処理を行う。同様に、冷凍機３Ｂについても４種類の学習パターンＬＰＢ２，ＬＰＢ３，ＬＰＢ６，ＬＰＢ７が定められ、冷凍機３Ｃについても４種類の学習パターンＬＰＣ４，ＬＰＣ５，ＬＰＣ６，ＬＰＣ７が定められる。これら合計１２種類の学習パターンを総称して「学習パターンＬＰ」と呼ぶ。 In this embodiment, learning patterns LPA1, LPA3, LPA5, and LPA7 that correspond one-to-one to these four types of operation patterns DP are determined, and learning processing for the refrigerator 3A is performed for each of these learning patterns. Similarly, four types of learning patterns LPB2, LPB3, LPB6, and LPB7 are determined for the refrigerator 3B, and four types of learning patterns LPC4, LPC5, LPC6, and LPC7 are determined for the refrigerator 3C as well. These 12 types of learning patterns are collectively referred to as "learning pattern LP."

〈制御装置２０の構成〉
図１に戻り、制御装置２０は、ＣＰＵ（Central Processing Unit）、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、ＳＳＤ（Solid State Drive）等、一般的なコンピュータとしてのハードウエアを備えており、ＳＳＤには、ＯＳ（Operating System）、アプリケーションプログラム、各種データ等が格納されている。ＯＳおよびアプリケーションプログラムは、ＲＡＭに展開され、ＣＰＵによって実行される。図１において、制御装置２０の内部は、アプリケーションプログラム等によって実現される機能を、ブロックとして示している。 <Configuration of control device 20>
Returning to FIG. 1, the control device 20 is equipped with general computer hardware such as a CPU (Central Processing Unit), RAM (Random Access Memory), ROM (Read Only Memory), and SSD (Solid State Drive). The SSD stores an OS (Operating System), application programs, various data, and the like. The OS and application programs are loaded into RAM and executed by the CPU. In FIG. 1, inside the control device 20, functions realized by application programs and the like are shown as blocks.

すなわち、制御装置２０は、対象データ選別部２１と、学習モデル生成部２２（学習モデル生成手段）と、異常判定部２３（異常判定手段）と、データ量判定部２４と、データ受信部２７（データ受信手段）と、を備えている。なお、破線で示す類似性判定部２５および対応付決定部２６は、後述する他の実施形態に適用されるものである。 That is, the control device 20 includes a target data selection section 21, a learning model generation section 22 (learning model generation means), an abnormality determination section 23 (anomaly determination means), a data amount determination section 24, and a data reception section 27 ( data receiving means). Note that the similarity determining unit 25 and the association determining unit 26 indicated by broken lines are applied to other embodiments to be described later.

（データ受信部２７）
まず、データ受信部２７は、データ収集部５０から上述した計測データを受信する。
（対象データ取得部２１）
対象データ取得部２１は、計測データの中から、対象データＴＤを選別する。ここで、対象データＴＤとは、学習モデルＬＭを生成し、または学習モデルＬＭに基づいて冷凍機３の状態を評価するために、対象とするデータである。そして、対象データ取得部２１は、動作パターンＤＰ（図３参照）毎に、対象データＴＤを分類する。従って、対象データＴＤは、各サンプリングタイミングにおける振動情報Ｄｖ＿ＦＦＴ、出力周波数ｆｉ、電流値Ｉｉｎ等を含む。 (Data receiving unit 27)
First, the data receiving section 27 receives the above-mentioned measurement data from the data collecting section 50.
(Target data acquisition unit 21)
The target data acquisition unit 21 selects target data TD from the measurement data. Here, the target data TD is data targeted for generating the learning model LM or evaluating the state of the refrigerator 3 based on the learning model LM. Then, the target data acquisition unit 21 classifies the target data TD for each operation pattern DP (see FIG. 3). Therefore, the target data TD includes vibration information Dv_FFT, output frequency fi, current value Iin, etc. at each sampling timing.

ここで、計測データから対象データＴＤを選別する意義について説明する。計測データの中には、学習モデルＬＭを生成し、または冷凍機３の状態を評価するために、除外したほうが好ましいものも含まれている。そこで、対象データ取得部２１は、これら計測データを除外する。対象データ取得部２１が除外する計測データは、例えば以下に列挙するような計測データである。
・何れかの冷凍機３の稼働開始時または稼働終了時の計測データ：
冷凍機３の稼働開始時または稼働終了時には、圧縮機３５（図２参照）は動作を開始し、または動作を終了させる。その際、圧縮機３５の音は、稼働状態の変化に伴い、安定動作時とは異なる音になることが一般的である。 Here, the significance of selecting target data TD from measurement data will be explained. Some of the measured data is preferably excluded in order to generate the learning model LM or evaluate the state of the refrigerator 3. Therefore, the target data acquisition unit 21 excludes these measurement data. The measurement data to be excluded by the target data acquisition unit 21 is, for example, the measurement data listed below.
・Measurement data at the start or end of operation of any refrigerator 3:
When the refrigerator 3 starts or ends its operation, the compressor 35 (see FIG. 2) starts or ends its operation. At this time, the sound of the compressor 35 generally becomes different from that during stable operation as the operating state changes.

・何れかの冷凍機３のデフロスト時の計測データ：上述したように、冷凍機３は、デフロスト運転時には、電磁弁７４を開状態に設定し、圧縮機３５からの高温のガスをホットガス・デフロスト配管６６を介して蒸発器７０に供給する。その際、ホットガス・デフロスト配管６６を流れる冷媒が、蒸発音のような音を発生する。 - Measurement data during defrosting of one of the refrigerators 3: As described above, during defrost operation, the refrigerator 3 sets the solenoid valve 74 to the open state and converts the high-temperature gas from the compressor 35 into hot gas. It is supplied to the evaporator 70 via the defrost pipe 66. At this time, the refrigerant flowing through the hot gas defrost pipe 66 generates a sound similar to evaporation sound.

・他の機器の動作時の計測データ：上述したように、冷凍機３は、例えば建物の機械室に設置され、機械室には、冷凍機３以外にも、例えば水道水用のポンプ（図示せず）等、様々な機器が設置されている。このような冷凍機３以外の他の機器も、動作時に音を発生するため、その際に取得した振動データＤｖは通常時とは異なるものになる。・Measurement data during operation of other equipment: As mentioned above, the refrigerator 3 is installed, for example, in a machine room of a building. Various equipment such as (not shown) is installed. Since other equipment other than the refrigerator 3 also generates sound during operation, the vibration data Dv acquired at that time will be different from normal times.

冷凍機３の稼働開始時または稼働終了時は、電流値Ｉｉｎ（図２参照）によって判別できる。また、冷凍機３がデフロストを行っているか否かは、コントローラ３９からの信号によって判別できる。また、他の機器の動作状態は、当該機器に装着した電流計（図示せず）の計測結果によって判別できる。 When the refrigerator 3 starts operating or ends its operation can be determined based on the current value Iin (see FIG. 2). Further, whether or not the refrigerator 3 is defrosting can be determined based on a signal from the controller 39. Further, the operating state of other devices can be determined based on the measurement results of an ammeter (not shown) attached to the device.

さらに、計測データが非定常的になる期間は、冷凍機３の全体の動作時間と比較して短いため、以下説明するように、非定常的な計測データを一律に除外してもよい。まず、あるサンプリングタイミングにおける計測データの項目数をｎとすると、これら計測データの集合は、ｎ次元空間内の１つの標本点になる。そこで、一定期間に渡る複数の標本点を求め、これら標本点のうち３つの標本点を定めると、これら３つの標本点を含む（ｎ－１）次元平面が特定される。次に、各標本点から（ｎ－１）次元平面までの距離（垂線の長さ）を求め、距離が大きい順に、所定割合の（例えば２０％程度の）標本点を除外するとよい。また、別の方法として、一定期間に渡る複数の標本点を「群」としたとき、各標本点の群に対するマハラノビス距離を求め、マハラノビス距離が大きい順に、所定割合の（例えば２０％程度の）標本点を除外してもよい。 Furthermore, since the period during which the measured data becomes unsteady is short compared to the entire operating time of the refrigerator 3, unsteady measured data may be uniformly excluded, as will be explained below. First, if the number of measurement data items at a certain sampling timing is n, then a set of these measurement data becomes one sample point in an n-dimensional space. Therefore, by obtaining a plurality of sample points over a certain period of time and determining three sample points among these sample points, an (n-1) dimensional plane including these three sample points is specified. Next, the distance (length of perpendicular line) from each sample point to the (n-1) dimensional plane is determined, and a predetermined percentage (for example, about 20%) of the sample points are excluded in descending order of distance. Alternatively, when multiple sample points over a certain period of time are grouped, the Mahalanobis distance for each sample point is calculated, and a predetermined proportion (for example, about 20%) is calculated in descending order of the Mahalanobis distance. Sample points may be excluded.

（学習モデル生成部２２）
学習モデル生成部２２は、例えば、冷凍機システム１００を設置した後の初期の期間において、学習処理を行い、学習モデルＬＭを生成する。学習処理においては、上述した対象データＴＤを正常動作時の教示データとする。 (Learning model generation unit 22)
The learning model generation unit 22 performs learning processing and generates the learning model LM, for example, in an initial period after the refrigerator system 100 is installed. In the learning process, the above-mentioned target data TD is used as teaching data during normal operation.

また、学習処理は、冷凍機システム１００を設置した後の初期の期間に限らず、圧縮機３５（図２参照）のメンテナンス（例えば軸受部３５ｂの交換）を行った場合、冷凍機３の配置を変更した場合、あるいは一部の冷凍機３の追加や撤去があった場合に行うとよい。また、このように冷凍機３の追加、撤去、配置変更が生じた場合は、動作パターンＤＰや学習パターンＬＰも変更するとよい。 Furthermore, the learning process is not limited to the initial period after the refrigerator system 100 is installed, but also when maintenance of the compressor 35 (see FIG. 2) is performed (for example, replacing the bearing part 35b), It is advisable to carry out this process when the refrigerator 3 is changed or when some of the refrigerators 3 are added or removed. Furthermore, when the refrigerator 3 is added, removed, or changed in location, the operation pattern DP and learning pattern LP may also be changed.

学習モデルＬＭは、ＬＳＣ（Local Sub-space Classifier；局所部分空間法）」を適用して生成される。すなわち、学習モデルＬＭは、学習パターンＬＰ（図３参照）をパラメータとして含み、学習パターンＬＰ毎に、上述した対象データＴＤを学習する。 The learning model LM is generated by applying the LSC (Local Sub-space Classifier). That is, the learning model LM includes the learning pattern LP (see FIG. 3) as a parameter, and learns the above-mentioned target data TD for each learning pattern LP.

（異常判定部２３）
異常判定部２３は、ある学習パターンＬＰについて学習モデルＬＭが完成した後、該学習モデルＬＭと対象データＴＤとに基づいて、対応する冷凍機３の異常の有無を判定する。例えば、異常判定部２３は、学習処理時の対象データＴＤと、現在取得した対象データＴＤとの乖離の度合いを示す異常度を算出し、その異常度が所定の閾値を超えた場合に対応する冷凍機３が異常であると判定する。 (Abnormality determination unit 23)
After a learning model LM is completed for a certain learning pattern LP, the abnormality determining unit 23 determines whether or not there is an abnormality in the corresponding refrigerator 3 based on the learning model LM and the target data TD. For example, the abnormality determination unit 23 calculates the degree of abnormality indicating the degree of deviation between the target data TD during the learning process and the currently acquired target data TD, and responds when the degree of abnormality exceeds a predetermined threshold. It is determined that the refrigerator 3 is abnormal.

（データ量判定部２４）
上述した学習モデル生成部２２は、学習パターンＬＰ毎に、所定の基準データ量以上の対象データＴＤに基づいて、当該学習パターンＬＰの学習モデルＬＭを生成する。データ量判定部２４は、各学習パターンＬＰについて、学習処理に適用した対象データＴＤのデータ量（例えばサンプル数）が上述した基準データ量に達しているか否かを判定する。 (Data amount determination unit 24)
The learning model generation unit 22 described above generates a learning model LM of the learning pattern LP for each learning pattern LP based on the target data TD having a predetermined reference data amount or more. The data amount determining unit 24 determines, for each learning pattern LP, whether the data amount (for example, the number of samples) of the target data TD applied to the learning process has reached the above-mentioned reference data amount.

〈計測データの具体例〉
以下、図４～図７を参照し、各種計測データ等の具体例を説明する。まず、図４は、振動データＤｖの周波数解析結果の一例を示す図である。
図４において、横軸は周波数、縦軸は音量および偏差である。［１］，［３］，［５］，［７］と付した特性は、動作パターンＤＰ１，ＤＰ３，ＤＰ５，ＤＰ７に対応する振動情報Ｄｖ＿ＦＦＴに対応する。これらの特性は、各動作パターンにおいて、冷凍機３Ａの振動検出部４２による振動データＤｖをＦＦＴ解析した結果であり、周波数成分毎の音量分布を示す。また、「偏差」の特性は、全ての動作パターンＤＰ１～ＤＰ７における周波数成分毎の音量について求めた偏差（例えば標準偏差）である。 <Specific example of measurement data>
Specific examples of various measurement data will be described below with reference to FIGS. 4 to 7. First, FIG. 4 is a diagram showing an example of a frequency analysis result of vibration data Dv.
In FIG. 4, the horizontal axis is frequency, and the vertical axis is volume and deviation. The characteristics labeled [1], [3], [5], and [7] correspond to the vibration information Dv_FFT corresponding to the motion patterns DP1, DP3, DP5, and DP7. These characteristics are the results of FFT analysis of the vibration data Dv by the vibration detection unit 42 of the refrigerator 3A in each operation pattern, and indicate the volume distribution for each frequency component. Further, the characteristic of "deviation" is the deviation (for example, standard deviation) obtained for the volume of each frequency component in all the operation patterns DP1 to DP7.

「偏差」の特性は、冷凍機３ＡがＯＦＦ状態である動作パターンＤＰ２，ＤＰ４，ＤＰ６も含めた偏差を表す。このため、「偏差」が大きい周波数範囲（１５００［Ｈｚ］付近、２５００～３０００［Ｈｚ］付近、５０００［Ｈｚ］付近等）では、冷凍機３Ａの特徴的な音が出ている傾向が強い。また、動作パターンＤＰ１，ＤＰ５の音量分布は近似している。図３に示したように、動作パターンＤＰ１，ＤＰ５は、冷凍機３ＣのＯＮ／ＯＦＦ状態が異なっているが、冷凍機３Ｃは冷凍機３Ａから離れているため、動作パターンＤＰ１，ＤＰ５の音量分布が近似したものと考えられる。 The characteristic of "deviation" represents the deviation including the operation patterns DP2, DP4, and DP6 in which the refrigerator 3A is in the OFF state. Therefore, in frequency ranges where the "deviation" is large (around 1500 [Hz], around 2500 to 3000 [Hz], around 5000 [Hz], etc.), there is a strong tendency for the characteristic sound of the refrigerator 3A to be produced. Furthermore, the volume distributions of the motion patterns DP1 and DP5 are similar. As shown in FIG. 3, the operation patterns DP1 and DP5 differ in the ON/OFF state of the refrigerator 3C, but since the refrigerator 3C is far from the refrigerator 3A, the volume distribution of the operation patterns DP1 and DP5 is is considered to be an approximation.

冷凍機３Ａ，３Ｂ，３Ｃから発生した音は、ほぼ平面に沿って広がるため、音量は、音源からの距離の二乗にほぼ反比例する。従って、これら冷凍機の設置環境毎に、隣接機器による影響が異なる。これにより、単純に振動データのみを解析して、各冷凍機の異常を判別することは困難であることが解る。 Since the sound generated from the refrigerators 3A, 3B, and 3C spreads almost along a plane, the volume is almost inversely proportional to the square of the distance from the sound source. Therefore, the influence of adjacent equipment differs depending on the installation environment of these refrigerators. This shows that it is difficult to simply analyze only the vibration data and determine the abnormality of each refrigerator.

図５は、振動データＤｖの周波数成分、すなわち振動情報Ｄｖ＿ＦＦＴの経時的変化の一例を示す図である。
図５において、横軸は時刻であり、横軸の数値は、基準タイミングからの「５分単位」の経過時間になる。例えば、横軸で「１１」の数値を付した箇所は、基準タイミングから「５×１１＝５５分」経過したタイミングになり、図５は、ほぼ一日に渡る周波数成分の経時的変化等を示している。また、図示の動作パターンＤＰの特性は、「１」、「３」、「５」、「７」の何れかの値になる。これらは、動作パターンＤＰ１，ＤＰ３，ＤＰ５，ＤＰ７（図３参照）に対応する。すなわち、図示の期間において、冷凍機３Ａは常にＯＮ状態であり、冷凍機３Ｂ，３ＣのＯＮ／ＯＦＦ状態が周囲温度等に応じて切り替わっている。 FIG. 5 is a diagram showing an example of a change over time in the frequency component of the vibration data Dv, that is, the vibration information Dv_FFT.
In FIG. 5, the horizontal axis is time, and the numerical value on the horizontal axis is the elapsed time in "5 minute units" from the reference timing. For example, the location marked with the value "11" on the horizontal axis is the timing at which "5 x 11 = 55 minutes" have passed from the reference timing, and Figure 5 shows the changes in frequency components over time over almost a day. It shows. Further, the characteristic of the illustrated operation pattern DP has a value of "1", "3", "5", or "7". These correspond to operation patterns DP1, DP3, DP5, and DP7 (see FIG. 3). That is, during the illustrated period, the refrigerator 3A is always in the ON state, and the ON/OFF states of the refrigerators 3B and 3C are switched depending on the ambient temperature and the like.

また、電流値Ｉｉｎの特性は、冷凍機３Ａにおける電流値Ｉｉｎを示している。また、［１０００］～［７０００］の「１０００」刻みの数値を付した特性は、それぞれ振動データＤｖの、「１０００Ｈｚ」～「７０００Ｈｚ」の「１０００Ｈｚ」刻みの周波数成分の経時的変化を示す。図５に示す各特性には、ある種の傾向は見られるものの、バラツキが多く、単純に図５の各特性を単純に解析して、各冷凍機の異常を判別することはやはり困難であることが解る。 Further, the characteristic of the current value Iin indicates the current value Iin in the refrigerator 3A. Further, the characteristics with numerical values in steps of "1000" from [1000] to [7000] indicate changes over time in the frequency components of the vibration data Dv from "1000Hz" to "7000Hz" in steps of "1000Hz". Although some trends can be seen in the characteristics shown in Figure 5, there are many variations, and it is still difficult to simply analyze the characteristics shown in Figure 5 to determine the abnormality of each refrigerator. I understand.

図６および図７は、図５に示した内容を、動作パターンＤＰ毎に分割した図である。ここで、図６は動作パターンＤＰ１，ＤＰ３について示し、図７は動作パターンＤＰ５，ＤＰ７について示す。
図６、図７の横軸は、モード毎の累積時間である。図６の動作パターンＤＰ１のグラフは、他の動作パターンＤＰ３，ＤＰ５，ＤＰ７のグラフと比較して平坦になっているが、これは、動作パターンＤＰ１の適用時間が短いこと、および、各グラフの横幅を揃えたことによる。 6 and 7 are diagrams in which the contents shown in FIG. 5 are divided for each operation pattern DP. Here, FIG. 6 shows the operation patterns DP1 and DP3, and FIG. 7 shows the operation patterns DP5 and DP7.
The horizontal axis in FIGS. 6 and 7 is the cumulative time for each mode. The graph of motion pattern DP1 in FIG. 6 is flat compared to the graphs of other motion patterns DP3, DP5, and DP7, but this is because the application time of motion pattern DP1 is short and the graphs of each graph are flat. This is due to aligning the width.

図６における領域Ａ３、図７における領域Ａ５，Ａ７は、冷凍機３Ａにおいてデフロストが行われている期間であり、前後の期間に比べて、音量が若干大きくなっている。そして、デフロストが行われていない場合であっても、様々な要因によって、音量が大きくなるタイミングが存在している。しかし、動作パターンＤＰによってグラフを分割することにより、各グラフの各周波数成分の音量が最低値付近になる期間が長くなっている。この最低値付近の音量は、主として圧縮機３５の軸受部３５ｂ（図２参照）が発生している音量である。従って、この最低値付近の音量を対象データ取得部２１によって抽出することによって、特に軸受部３５ｂの摩耗を高精度に検出できるものと考えられる。 Area A3 in FIG. 6 and areas A5 and A7 in FIG. 7 are periods in which defrosting is performed in the refrigerator 3A, and the volume is slightly louder than in the preceding and following periods. Even when defrosting is not performed, there are times when the volume increases due to various factors. However, by dividing the graph according to the operation pattern DP, the period in which the volume of each frequency component of each graph is near the lowest value becomes longer. The sound volume near the lowest value is mainly generated by the bearing portion 35b of the compressor 35 (see FIG. 2). Therefore, by extracting the volume around this lowest value by the target data acquisition unit 21, it is considered that wear of the bearing portion 35b in particular can be detected with high precision.

また、各動作パターンＤＰにおける振動情報Ｄｖ＿ＦＦＴは、電流値Ｉｉｎやインバータ３８の出力周波数ｆｉによっても影響される。従って、これらを教示データに加えて学習処理を行うことにより、軸受部３５ｂの摩耗や、その他の故障を一層高精度に検出できるものと考えられる。
〈第１実施形態の動作〉
（学習処理）
図８は、制御装置２０において実行される学習処理ルーチンのフローチャートである。
図８において処理がステップＳ１０に進むと、対象データ取得部２１（図１参照）は、データ収集部５０を介して、計測データを収集する。このステップＳ１０の実行期間は、例えば１年程度である。次に、処理がステップＳ１２に進むと、対象データ取得部２１は、計測データから対象データＴＤを選別する。但し、学習処理においては、計測データをそのまま対象データＴＤとして適用してもよく、計測データの一部を対象データＴＤとして選別してもよい。 Further, the vibration information Dv_FFT in each operation pattern DP is also influenced by the current value Iin and the output frequency fi of the inverter 38. Therefore, by adding these to the teaching data and performing the learning process, it is considered that wear of the bearing portion 35b and other failures can be detected with higher accuracy.
<Operation of the first embodiment>
(Learning process)
FIG. 8 is a flowchart of a learning processing routine executed in the control device 20.
When the process proceeds to step S10 in FIG. 8, the target data acquisition unit 21 (see FIG. 1) collects measurement data via the data collection unit 50. The execution period of this step S10 is, for example, about one year. Next, when the process proceeds to step S12, the target data acquisition unit 21 selects target data TD from the measurement data. However, in the learning process, the measurement data may be applied as is as the target data TD, or a part of the measurement data may be selected as the target data TD.

次に、処理がステップＳ１８に進むと、学習モデル生成部２２（図２参照）は、学習パターンＬＰ（図３参照）毎に学習ファイルを作成する。ここで、学習ファイルとは、学習パターンＬＰ毎に対象データＴＤを分類したものである。次に、処理がステップＳ２０に進むと、学習モデル生成部２２は、各学習ファイルに含まれる対象データＴＤを、項目数を減らした複数のデータ群に分類する。 Next, when the process proceeds to step S18, the learning model generation unit 22 (see FIG. 2) creates a learning file for each learning pattern LP (see FIG. 3). Here, the learning file is a file in which the target data TD is classified for each learning pattern LP. Next, when the process proceeds to step S20, the learning model generation unit 22 classifies the target data TD included in each learning file into a plurality of data groups with a reduced number of items.

ここで、ステップＳ２０の意義について説明する。上述したように、対象データＴＤの項目数をｎとすると、あるサンプリングタイミングにおける対象データＴＤは、ｎ次元空間内の一つの標本点になる。しかし、対象データＴＤの数は膨大であるため、ｎ次元のデータをそのまま使用すると、学習処理の処理量が膨大になる。そこで、対象データＴＤを複数のデータ群に分類し、各データ群において、異常度に対する関与が小さい項目を削除する。これにより、標本点の次元数を減らし、学習処理の処理量を減少させることができる。各データ群において、それぞれの近傍に含まれる標本点を同一データとして扱うことで標本点の個数を減らし、学習処理の処理量を減少させることができる。 Here, the significance of step S20 will be explained. As described above, when the number of items of the target data TD is n, the target data TD at a certain sampling timing becomes one sample point in the n-dimensional space. However, since the number of target data TD is enormous, if n-dimensional data is used as is, the amount of learning processing will be enormous. Therefore, the target data TD is classified into a plurality of data groups, and in each data group, items that have a small contribution to the degree of abnormality are deleted. This makes it possible to reduce the number of dimensions of sample points and reduce the amount of learning processing. In each data group, by treating sample points included in each neighborhood as the same data, it is possible to reduce the number of sample points and reduce the amount of learning processing.

次に、処理がステップＳ２２に進むと、学習モデル生成部２２は、標本点の次元数を減らしたデータ群に基づいて、各学習パターンＬＰに応じた学習モデルＬＭを作成する。以上により、本ルーチンが終了する。但し、採用される頻度が低い動作パターンＤＰ（図３参照）が存在する場合、その動作パターンＤＰに対応する学習パターンＬＰについては、対象データＴＤのデータ量が上述した基準データ量に満たない場合がある。この場合、当該学習パターンＬＰに関しては学習モデルＬＭが未完成になる場合も起こり得る。 Next, when the process proceeds to step S22, the learning model generation unit 22 creates a learning model LM corresponding to each learning pattern LP based on the data group in which the number of dimensions of sample points is reduced. With the above steps, this routine ends. However, if there is a motion pattern DP that is less frequently adopted (see FIG. 3), and the learning pattern LP corresponding to that motion pattern DP is used, if the amount of data of the target data TD is less than the above-mentioned standard data amount. There is. In this case, the learning model LM may be incomplete for the learning pattern LP.

（異常判定処理）
図９は、制御装置２０において実行される異常判定処理ルーチンのフローチャートである。なお、本ルーチンは、学習処理ルーチン（図８参照）が終了した後に実行される。
図９において処理がステップＳ３０に進むと、対象データ取得部２１（図１参照）は、データ収集部５０を介して、計測データを収集する。このステップＳ３０の実行期間は、例えば同一の動作パターンＤＰが継続している期間である。次に、処理がステップＳ３２に進むと、対象データ取得部２１は、計測データから対象データＴＤを選別する。 (Abnormality determination processing)
FIG. 9 is a flowchart of the abnormality determination processing routine executed in the control device 20. Note that this routine is executed after the learning processing routine (see FIG. 8) is completed.
When the process proceeds to step S30 in FIG. 9, the target data acquisition unit 21 (see FIG. 1) collects measurement data via the data collection unit 50. The execution period of step S30 is, for example, a period during which the same operation pattern DP continues. Next, when the process proceeds to step S32, the target data acquisition unit 21 selects target data TD from the measurement data.

次に、処理がステップＳ３４に進むと、異常判定部２３（図２参照）は、対象データＴＤに類似するデータ群（図８のＳ２０参照）を選択する。上述したように、対象データＴＤはｎ次元のデータである。そして、データ群は、項目数すなわち次元数の低いデータである。各データ群の次元数が例えば「ｎ－１」であるとすると、データ群はｎ次元空間の中に配置された（ｎ－１）次元の平面になる。すると、ｎ次元空間内における対象データＴＤから（ｎ－１）次元平面への垂線距離が最も近いデータ群を「類似するデータ群」とすることができる。 Next, when the process proceeds to step S34, the abnormality determination unit 23 (see FIG. 2) selects a data group similar to the target data TD (see S20 in FIG. 8). As described above, the target data TD is n-dimensional data. The data group is data with a low number of items, that is, a low number of dimensions. If the number of dimensions of each data group is, for example, "n-1," then the data group becomes an (n-1)-dimensional plane arranged in an n-dimensional space. Then, the data group having the closest perpendicular distance from the target data TD to the (n-1) dimensional plane in the n-dimensional space can be defined as a "similar data group."

次に、処理がステップＳ３６に進むと、選択したデータ群および学習パターンＬＰに応じた学習モデルＬＭに基づいて、対象データＴＤを評価する。すなわち、対象データＴＤの異常度を算出する。次に、処理がステップＳ３８に進むと、データ量判定部２４（図２参照）は、今回適用した学習パターンＬＰについて追加学習が必要であるか否かを判定する。 Next, when the process proceeds to step S36, the target data TD is evaluated based on the learning model LM corresponding to the selected data group and the learning pattern LP. That is, the degree of abnormality of the target data TD is calculated. Next, when the process proceeds to step S38, the data amount determining unit 24 (see FIG. 2) determines whether additional learning is necessary for the currently applied learning pattern LP.

今回適用した学習パターンＬＰについて、過去の学習処理に適用した対象データＴＤのデータ量が上述した基準データ量に達していなければ、データ量判定部２４によって「ＹＥＳ」と判定される。この場合、処理はステップＳ４０に進み、学習モデル生成部２２は、追加学習を実行する。すなわち、先にステップＳ３０，Ｓ３２によって取得した対象データＴＤを、正常時の教示データとして、今回適用した学習パターンＬＰについて、追加学習を実行し、処理はステップＳ３０に戻る。 Regarding the learning pattern LP applied this time, if the data amount of the target data TD applied to the past learning process does not reach the above-mentioned reference data amount, the data amount determination unit 24 determines "YES". In this case, the process proceeds to step S40, and the learning model generation unit 22 performs additional learning. That is, additional learning is performed for the currently applied learning pattern LP using the target data TD previously acquired in steps S30 and S32 as normal teaching data, and the process returns to step S30.

一方、ステップＳ３８において「ＮＯ」と判定されると、処理はステップＳ４２に進み、異常判定部２３は、対象となる冷凍機３に異常が生じているか否かを判定する。具体的には、上述した異常度が所定の閾値を超えているか否かを判定する。ここで「ＮＯ」と判定されると、処理はステップＳ３０に戻る。一方、ステップＳ４２において「ＹＥＳ」と判定されると、処理はステップＳ４４に進み、異常判定部２３は警告処理を実行する。例えば、異常判定部２３は、冷凍機システム１００の管理者に対して、異常が生じた旨を警告するメッセージを送信し、処理はステップＳ３０に戻る。 On the other hand, if the determination in step S38 is "NO", the process proceeds to step S42, and the abnormality determination unit 23 determines whether or not an abnormality has occurred in the target refrigerator 3. Specifically, it is determined whether the degree of abnormality mentioned above exceeds a predetermined threshold. If the determination is "NO" here, the process returns to step S30. On the other hand, if the determination in step S42 is "YES", the process proceeds to step S44, and the abnormality determination unit 23 executes a warning process. For example, the abnormality determination unit 23 transmits a message warning that an abnormality has occurred to the administrator of the refrigerator system 100, and the process returns to step S30.

［第２実施形態］
次に、好適な第２実施形態について説明する。なお、以下の説明において、上述した第１実施形態の各部に対応する部分には同一の符号を付し、その説明を省略する場合がある。
第２実施形態において、冷凍機システム１００の構成は第１実施形態のもの（図１参照）と同様である。但し、第２実施形態において、制御装置２０は、破線で示した類似性判定部２５と、対応付決定部２６と、を備える点で第１実施形態のものとは異なる。 [Second embodiment]
Next, a second preferred embodiment will be described. In the following description, parts corresponding to those in the first embodiment described above may be denoted by the same reference numerals, and the description thereof may be omitted.
In the second embodiment, the configuration of the refrigerator system 100 is the same as that of the first embodiment (see FIG. 1). However, in the second embodiment, the control device 20 differs from the first embodiment in that it includes a similarity determination section 25 and a correspondence determination section 26, which are indicated by broken lines.

類似性判定部２５は、各冷凍機３の各動作パターンＤＰにおける対象データＴＤに類似性があるか否かを判定する。例えば、ある動作パターンＤＰにおける対象データＴＤのｎ次元空間内における重心点と、他の動作パターンＤＰにおける重心点との間のマハラノビス距離が所定値以下であれば、両対象データＴＤは類似性があると判定することができる。また、対応付決定部２６は、類似性があると判定された複数の動作パターンＤＰに対して、同一の学習パターンＬＰを対応付ける。 The similarity determination unit 25 determines whether or not the target data TD in each operation pattern DP of each refrigerator 3 has similarity. For example, if the Mahalanobis distance between the centroid point in the n-dimensional space of the target data TD in a certain motion pattern DP and the centroid point in another motion pattern DP is less than or equal to a predetermined value, the two target data TDs have similarity. It can be determined that there is. Further, the association determining unit 26 associates the same learning pattern LP with a plurality of motion patterns DP that are determined to have similarity.

図１０は、本実施形態における制御装置２０によって実行される学習処理ルーチンのフローチャートである。
本ルーチンの内容は、ステップＳ１４，Ｓ１６が設けられている点を除いて、第１実施形態のもの（図８参照）と同様である。ステップＳ１４において、類似性判定部２５は、複数の動作パターンＤＰの類似性の有無を評価する。次に、ステップＳ１５において、対応付決定部２６は、学習パターンＬＰに対する動作パターンＤＰの割当を決定する。その際、対応付決定部２６は、類似性があると判定された複数の動作パターンＤＰに対して、同一の学習パターンＬＰを対応付ける。 FIG. 10 is a flowchart of a learning processing routine executed by the control device 20 in this embodiment.
The contents of this routine are the same as those of the first embodiment (see FIG. 8) except that steps S14 and S16 are provided. In step S14, the similarity determination unit 25 evaluates the presence or absence of similarity between the plurality of motion patterns DP. Next, in step S15, the association determination unit 26 determines the assignment of the motion pattern DP to the learning pattern LP. At this time, the association determining unit 26 associates the same learning pattern LP with the plurality of motion patterns DP that are determined to have similarity.

ここで、本実施形態における類似性判定部２５および対応付決定部２６の意義について説明する。図４に示した、振動データＤｖの周波数解析結果によれば、「１」と付した動作パターンＤＰ１の解析結果と、「５」と付した動作パターンＤＰ５の解析結果と、は相当に近似している。その理由は、上述したように、冷凍機３Ａ，３Ｂ，３Ｃが、直線に沿って一列に配置されていることによる。すなわち、冷凍機３Ａ，３Ｃが離れているため、冷凍機３Ａにおける振動データＤｖは、冷凍機３ＣのＯＮ／ＯＦＦ状態によって、さほど影響されない。 Here, the significance of the similarity determining section 25 and the association determining section 26 in this embodiment will be explained. According to the frequency analysis results of the vibration data Dv shown in FIG. 4, the analysis results of the motion pattern DP1 marked with "1" and the analysis results of the motion pattern DP5 marked with "5" are quite similar. ing. This is because, as described above, the refrigerators 3A, 3B, and 3C are arranged in a line along a straight line. That is, since the refrigerators 3A and 3C are separated, the vibration data Dv in the refrigerator 3A is not affected much by the ON/OFF state of the refrigerator 3C.

このような場合、類似性判定部２５が、「冷凍機３Ａについて、動作パターンＤＰ１，ＤＰ５の対象データＴＤに類似性があると判定する」と判定すると、対応付決定部２６は動作パターンＤＰ１，ＤＰ５に対して、冷凍機３Ａについては同一の学習パターンを割り当てる。これにより、当該学習パターンについては対象データＴＤのデータ量が大きくなるため、学習処理を早期に完了させることができる。 In such a case, when the similarity determination unit 25 determines that “it is determined that the target data TD of the operation patterns DP1 and DP5 have similarity for the refrigerator 3A”, the association determination unit 26 determines that the target data TD of the operation patterns DP1 and DP5 have similarity. The same learning pattern for the refrigerator 3A is assigned to the DP5. Thereby, the amount of data of the target data TD becomes large for the learning pattern, so that the learning process can be completed early.

本実施形態は、特に冷凍機３の台数が多い場合に適用すると、一層好ましい。図１１を参照して、その一例を説明する。なお、図１１は、冷凍機３の台数を５台にした場合のフロアーレイアウトの一例である。
図１１においては、５台の冷凍機３Ａ，３Ｂ，３Ｃ，３Ｄ，３Ｅが配置されている。ここで、冷凍機３Ａ，３Ｄと、冷凍機３Ｃ，３Ｅとは距離が離れているため、冷凍機３Ａ，３Ｄについての学習処理において、冷凍機３Ｃ，３ＥのＯＮ／ＯＦＦ状態は無視できる可能性が高い。同様の理由で、冷凍機３Ｃ，３Ｅの学習処理において、冷凍機３Ａ，３ＤのＯＮ／ＯＦＦ状態は無視できる可能性が高い。これにより、学習パターンの数を大幅に減らすことができ、効率的な学習処理が実現できる。 This embodiment is even more preferable when applied particularly when the number of refrigerators 3 is large. An example will be described with reference to FIG. 11. Note that FIG. 11 is an example of a floor layout when the number of refrigerators 3 is five.
In FIG. 11, five refrigerators 3A, 3B, 3C, 3D, and 3E are arranged. Here, since the refrigerators 3A and 3D are far from the refrigerators 3C and 3E, there is a possibility that the ON/OFF states of the refrigerators 3C and 3E can be ignored in the learning process for the refrigerators 3A and 3D. is high. For the same reason, there is a high possibility that the ON/OFF states of the refrigerators 3A and 3D can be ignored in the learning process of the refrigerators 3C and 3E. As a result, the number of learning patterns can be significantly reduced, and efficient learning processing can be realized.

［実施形態の効果］
以上のように好適な実施形態による異常検出装置（２０）は、複数の電気機器（３）における音または振動の状態を表す振動情報（Ｄｖ＿ＦＦＴ）と、複数の電気機器（３）の各々のＯＮ状態またはＯＦＦ状態を表す機器状態データ（ｆｉ，Ｉｉｎ）を受信するデータ受信部（２７）と、複数の電気機器（３）のＯＮ状態またはＯＦＦ状態の一つの組合せを動作パターン（ＤＰ）とし、振動情報（Ｄｖ＿ＦＦＴ）を正常時の教示データとする学習モデル（ＬＭ）を、動作パターン（ＤＰ）に対応する学習パターン（ＬＰ）毎に生成する学習モデル生成部（２２）と、現状の動作パターン（ＤＰ）に対応する学習パターン（ＬＰ）に係る学習モデル（ＬＭ）と、振動情報（Ｄｖ＿ＦＦＴ）と、に基づいて、何れかの電気機器（３）における異常の有無を判定する異常判定部（２３）と、を備える。これにより、動作パターン（ＤＰ）に対応する学習パターン（ＬＰ）毎に学習モデル（ＬＭ）を生成することができるため、安価な構成で、高精度に電気機器の異常を検出できる。 [Effects of embodiment]
As described above, the abnormality detection device (20) according to the preferred embodiment collects vibration information (Dv_FFT) representing the state of sound or vibration in the plurality of electrical devices (3) and the ON state of each of the plurality of electrical devices (3). A data receiving unit (27) that receives device status data (fi, Iin) representing a state or an OFF state, and one combination of the ON state or OFF state of the plurality of electrical devices (3) as an operation pattern (DP), A learning model generation unit (22) that generates a learning model (LM) using vibration information (Dv_FFT) as normal teaching data for each learning pattern (LP) corresponding to a motion pattern (DP), and a learning model generation unit (22) that generates a learning model (LM) using vibration information (Dv_FFT) as teaching data during normal operation; An abnormality determination unit ( 23) and. As a result, a learning model (LM) can be generated for each learning pattern (LP) corresponding to an operation pattern (DP), so abnormalities in electrical equipment can be detected with high accuracy with an inexpensive configuration.

また、機器状態データ（ｆｉ，Ｉｉｎ）は、さらに、電気機器（３）がＯＮ状態であるときの、電気機器（３）の稼働状態を表すデータであることが一層好ましい。これにより、電気機器（３）の稼働状態に応じた、一層精密な学習モデル（ＬＭ）を生成することができる。 Furthermore, it is more preferable that the equipment state data (fi, Iin) is data representing the operating state of the electrical equipment (3) when the electrical equipment (3) is in the ON state. Thereby, a more precise learning model (LM) can be generated according to the operating state of the electrical device (3).

さらに、異常検出装置（２０）は、現状の動作パターン（ＤＰ）に対応する学習パターン（ＬＰ）に係る学習モデル（ＬＭ）が、所定の基準データ量以上の振動情報（Ｄｖ＿ＦＦＴ）に基づいて形成されているか否かを判定するデータ量判定部（２４）をさらに備え、学習モデル生成部（２２）は、データ量判定部（２４）による判定結果が否定である場合に学習パターン（ＬＰ）に係る学習モデル（ＬＭ）を生成し、異常判定部（２３）は、データ量判定部（２４）による判定結果が肯定である場合に、何れかの電気機器（３）における異常の有無を判定すると、さらに好ましい。これにより、基準データ量以上の振動情報（Ｄｖ＿ＦＦＴ）に基づいて学習モデル（ＬＭ）が生成されている学習パターン（ＬＰ）については異常判定部（２３）による異常判定が実行でき、他の学習パターン（ＬＰ）については学習モデル（ＬＭ）を生成させることができる。従って、一部の学習パターン（ＬＰ）について学習モデル（ＬＭ）が未完成であっても、電気機器システム（１００）を運用することができる。 Furthermore, the abnormality detection device (20) is configured to form a learning model (LM) related to a learning pattern (LP) corresponding to the current motion pattern (DP) based on vibration information (Dv_FFT) that is greater than or equal to a predetermined reference data amount. The learning model generating section (22) further includes a data amount determining section (24) that determines whether or not the learning pattern (LP) is The abnormality determination unit (23) generates the learning model (LM), and determines whether there is an abnormality in any of the electrical devices (3) when the determination result by the data amount determination unit (24) is positive. , more preferred. As a result, the abnormality determination unit (23) can perform abnormality determination on the learning pattern (LP) for which the learning model (LM) is generated based on the vibration information (Dv_FFT) that is equal to or greater than the reference data amount, and other learning patterns For (LP), a learning model (LM) can be generated. Therefore, even if the learning model (LM) for some of the learning patterns (LP) is incomplete, the electrical equipment system (100) can be operated.

また、異常検出装置（２０）は、複数の動作パターン（ＤＰ）において、何れかの電気機器（３）について収集された振動情報（Ｄｖ＿ＦＦＴ）が、所定の類似基準を満たすか否かを判定する類似性判定部（２５）と、類似性判定部（２５）における判定結果が肯定である場合に、複数の動作パターン（ＤＰ）を、電気機器（３）に対する一の学習パターン（ＬＰ）に対応付ける対応付決定部（２６）と、をさらに備えると一層好ましい。これにより、該学習パターン（ＬＰ）については、振動情報（Ｄｖ＿ＦＦＴ）のデータ量が大きくなるため、学習処理を早期に完了させることができる。 Further, the abnormality detection device (20) determines whether the vibration information (Dv_FFT) collected for any of the electrical devices (3) in the plurality of operation patterns (DP) satisfies a predetermined similarity criterion. If the judgment results in the similarity judgment unit (25) and the similarity judgment unit (25) are positive, the plurality of motion patterns (DP) are associated with one learning pattern (LP) for the electrical device (3). It is more preferable to further include a correspondence determining section (26). As a result, the amount of data of the vibration information (Dv_FFT) becomes large for the learning pattern (LP), so that the learning process can be completed early.

また、複数の電気機器（３）は、それぞれ、回転軸（３５ａ）と回転軸（３５ａ）を軸支する軸受部（３５ｂ）とを有する回転部品（３５）を備え、異常判定部（２３）は、軸受部（３５ｂ）における異常の有無を判定する機能を有すると一層好ましい。これにより、軸受部（３５ｂ）の摩耗等、軸受部（３５ｂ）の異常の有無を判定できる。 Further, each of the plurality of electrical devices (3) includes a rotating component (35) having a rotating shaft (35a) and a bearing section (35b) that pivotally supports the rotating shaft (35a), and an abnormality determining section (23). It is more preferable that the bearing part (35b) has a function of determining the presence or absence of an abnormality in the bearing part (35b). Thereby, it is possible to determine whether there is any abnormality in the bearing part (35b), such as wear of the bearing part (35b).

［変形例］
本発明は上述した実施形態に限定されるものではなく、種々の変形が可能である。上述した実施形態は本発明を理解しやすく説明するために例示したものであり、必ずしも説明した全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削除し、もしくは他の構成の追加・置換をすることが可能である。また、図中に示し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、製品上で必要な全ての制御線や情報線を示しているとは限らない。実際には殆ど全ての構成が相互に接続されていると考えてもよい。上記実施形態に対して可能な変形は、例えば以下のようなものである。 [Modified example]
The present invention is not limited to the embodiments described above, and various modifications are possible. The embodiments described above are exemplified to explain the present invention in an easy-to-understand manner, and are not necessarily limited to those having all the configurations described. Furthermore, it is possible to replace a part of the configuration of one embodiment with the configuration of another embodiment, and it is also possible to add the configuration of another embodiment to the configuration of one embodiment. Further, it is possible to delete a part of the configuration of each embodiment, or add or replace other configurations. Furthermore, the control lines and information lines shown in the figures are those considered necessary for explanation, and do not necessarily show all the control lines and information lines necessary on the product. In reality, almost all components may be considered to be interconnected. Possible modifications to the above embodiment include, for example, the following.

（１）上記各実施形態における制御装置２０のハードウエアは一般的なコンピュータによって実現できるため、図８～図１０に示したフローチャート、その他上述した各種処理を実行するプログラム等を記憶媒体に格納し、または伝送路を介して頒布してもよい。 (1) Since the hardware of the control device 20 in each of the above embodiments can be realized by a general computer, the flowcharts shown in FIGS. , or distributed via a transmission channel.

（２）上記各実施形態においては、センサ部４０から得られる出力周波数ｆｉおよび電流値Ｉｉｎを「機器状態データ」として適用した例を説明した。しかし、例えば制御装置２０自体が各冷凍機３のＯＮ（動作）／ＯＦＦ（非動作）状態を指令する場合には、機器状態データを制御装置２０の内部データから取得してもよい。 (2) In each of the above embodiments, an example has been described in which the output frequency fi and the current value Iin obtained from the sensor section 40 are applied as "equipment state data". However, for example, when the control device 20 itself commands the ON (operation)/OFF (non-operation) state of each refrigerator 3, the device state data may be acquired from internal data of the control device 20.

（３）図８～図１０に示したフローチャート、その他上述した各種処理は、上記各実施形態ではプログラムを用いたソフトウエア的な処理として説明したが、その一部または全部をＡＳＩＣ(Application Specific Integrated Circuit；特定用途向けＩＣ)、あるいはＦＰＧＡ(Field Programmable Gate Array)等を用いたハードウエア的な処理に置き換えてもよい。 (3) Although the flowcharts shown in FIGS. 8 to 10 and other various processes described above have been explained as software-based processes using programs in the above embodiments, some or all of them can be implemented using ASIC (Application Specific Integrated Integrated Circuits). It may be replaced with hardware processing using a circuit (IC for specific application) or FPGA (Field Programmable Gate Array).

（４）また、本発明における電気機器は、上記各実施形態における冷凍機３に限定されるものではなく、空気調和機、換気扇、洗濯機、掃除機、工業機械、電気自動車、鉄道車両、船舶、エレベータ、エスカレータ等、種々の電気機器を適用することができる。 (4) Furthermore, the electrical equipment in the present invention is not limited to the refrigerator 3 in each of the above embodiments, but includes air conditioners, ventilation fans, washing machines, vacuum cleaners, industrial machines, electric vehicles, railway vehicles, and ships. , elevators, escalators, and various other electrical devices can be applied.

３冷凍機（電気機器）
２０制御装置（コンピュータ、異常検出装置）
２２学習モデル生成部（学習モデル生成手段）
２３異常判定部（異常判定手段）
２４データ量判定部
２５類似性判定部
２６対応付決定部
２７データ受信部（データ受信手段）
３５圧縮機（回転部品）
３５ａ回転軸
３５ｂ軸受部
４２振動検出部（振動情報取得部）
５０データ収集部（振動情報取得部）
１００冷凍機システム（電気機器システム）
ＤＰ動作パターン
ＬＭ学習モデル
ＬＰ学習パターン
ｆｉ出力周波数（機器状態データ）
Ｉｉｎ電流値（機器状態データ）
Ｄｖ＿ＦＦＴ振動情報 3 Refrigerator (electrical equipment)
20 Control device (computer, abnormality detection device)
22 Learning model generation unit (learning model generation means)
23 Abnormality determination section (abnormality determination means)
24 Data amount determining unit 25 Similarity determining unit 26 Correspondence determining unit 27 Data receiving unit (data receiving means)
35 Compressor (rotating parts)
35a Rotating shaft 35b Bearing section 42 Vibration detection section (vibration information acquisition section)
50 Data collection unit (vibration information acquisition unit)
100 Refrigerator system (electrical equipment system)
DP Operation pattern LM Learning model LP Learning pattern fi Output frequency (equipment status data)
Iin current value (equipment status data)
Dv_FFT Vibration information

Claims

複数の電気機器における音または振動の状態を表す振動情報と、複数の前記電気機器の各々のＯＮ状態またはＯＦＦ状態を表す機器状態データを受信するデータ受信部と、
複数の前記電気機器のＯＮ状態またはＯＦＦ状態の一つの組合せを動作パターンとし、前記振動情報を正常時の教示データとする学習モデルを、前記動作パターンに対応する学習パターン毎に生成する学習モデル生成部と、
現状の前記動作パターンに対応する前記学習パターンに係る前記学習モデルと、前記振動情報と、に基づいて、何れかの前記電気機器における異常の有無を判定する異常判定部と、
複数の前記動作パターンにおいて、何れかの前記電気機器について収集された前記振動情報が、所定の類似基準を満たすか否かを判定する類似性判定部と、
前記類似性判定部における判定結果が肯定である場合に、複数の前記動作パターンを、前記電気機器に対する一の前記学習パターンに対応付ける対応付決定部と、を備える
ことを特徴とする異常検出装置。 a data receiving unit that receives vibration information representing a state of sound or vibration in a plurality of electrical devices, and device status data representing an ON state or an OFF state of each of the plurality of electrical devices;
Learning model generation for generating a learning model for each learning pattern corresponding to the operation pattern, with one combination of ON states or OFF states of the plurality of electrical devices as an operation pattern, and the vibration information as normal teaching data. Department and
an abnormality determination unit that determines the presence or absence of an abnormality in any of the electric devices based on the learning model related to the learning pattern corresponding to the current operation pattern and the vibration information;
a similarity determination unit that determines whether the vibration information collected for any of the electrical devices in the plurality of operation patterns satisfies a predetermined similarity criterion;
An abnormality detection device comprising: an association determination unit that associates a plurality of the operation patterns with one of the learning patterns for the electrical device when the determination result in the similarity determination unit is positive.

前記機器状態データは、さらに、前記電気機器がＯＮ状態であるときの、前記電気機器の稼働状態を表すデータである
ことを特徴とする請求項１に記載の異常検出装置。 The abnormality detection device according to claim 1, wherein the equipment status data is further data representing an operating state of the electrical equipment when the electrical equipment is in an ON state.

現状の前記動作パターンに対応する前記学習パターンに係る前記学習モデルが、所定の基準データ量以上の前記振動情報に基づいて形成されているか否かを判定するデータ量判定部をさらに備え、
前記学習モデル生成部は、前記データ量判定部による判定結果が否定である場合に前記学習パターンに係る前記学習モデルを生成し、
前記異常判定部は、前記データ量判定部による判定結果が肯定である場合に、何れかの前記電気機器における異常の有無を判定する
ことを特徴とする請求項２に記載の異常検出装置。 further comprising a data amount determination unit that determines whether the learning model related to the learning pattern corresponding to the current motion pattern is formed based on the vibration information that is greater than or equal to a predetermined reference data amount;
The learning model generation unit generates the learning model according to the learning pattern when the determination result by the data amount determination unit is negative,
The abnormality detection device according to claim 2, wherein the abnormality determination unit determines whether or not there is an abnormality in any of the electric devices when the determination result by the data amount determination unit is positive.

複数の前記電気機器は、それぞれ、回転軸と前記回転軸を軸支する軸受部とを有する回転部品を備え、
前記異常判定部は、前記軸受部における異常の有無を判定する機能を有する
ことを特徴とする請求項１に記載の異常検出装置。 Each of the plurality of electrical devices includes a rotating component having a rotating shaft and a bearing portion that pivotally supports the rotating shaft,
The abnormality detection device according to claim 1, wherein the abnormality determination section has a function of determining whether or not there is an abnormality in the bearing section.

コンピュータを、
複数の電気機器における音または振動の状態を表す振動情報と、複数の前記電気機器の各々のＯＮ状態またはＯＦＦ状態を表す機器状態データを受信するデータ受信手段、
複数の前記電気機器のＯＮ状態またはＯＦＦ状態の一つの組合せを動作パターンとし、前記振動情報を正常時の教示データとする学習モデルを、前記動作パターンに対応する学習パターン毎に生成する学習モデル生成手段、
現状の前記動作パターンに対応する前記学習パターンに係る前記学習モデルと、前記振動情報と、に基づいて、何れかの前記電気機器における異常の有無を判定する異常判定手段、
複数の前記動作パターンにおいて、何れかの前記電気機器について収集された前記振動情報が、所定の類似基準を満たすか否かを判定する類似性判定手段、
前記類似性判定手段における判定結果が肯定である場合に、複数の前記動作パターンを、前記電気機器に対する一の前記学習パターンに対応付ける対応付決定手段、
として機能させるためのプログラム。 computer,
data receiving means for receiving vibration information representing the state of sound or vibration in a plurality of electrical devices and equipment status data representing an ON state or an OFF state of each of the plurality of electrical devices;
Learning model generation for generating a learning model for each learning pattern corresponding to the operation pattern, with one combination of ON states or OFF states of the plurality of electrical devices as an operation pattern, and the vibration information as normal teaching data. means,
abnormality determining means for determining whether there is an abnormality in any of the electrical devices based on the learning model related to the learning pattern corresponding to the current operation pattern and the vibration information;
similarity determining means for determining whether or not the vibration information collected for any of the electrical devices in the plurality of operation patterns satisfies a predetermined similarity criterion;
association determining means for associating the plurality of operation patterns with one of the learning patterns for the electrical device when the determination result in the similarity determining means is positive;
A program to function as

複数の電気機器と、
複数の前記電気機器における音または振動の状態を表す振動情報を取得する振動情報取得部と、
前記振動情報取得部から前記振動情報を受信し、複数の前記電気機器の各々のＯＮ状態またはＯＦＦ状態を表す機器状態データを受信するデータ受信部と、
複数の前記電気機器のＯＮ状態またはＯＦＦ状態の一つの組合せを動作パターンとし、前記振動情報を正常時の教示データとする学習モデルを、前記動作パターンに対応する学習パターン毎に生成する学習モデル生成部と、
現状の前記動作パターンに対応する前記学習パターンに係る前記学習モデルと、前記振動情報と、に基づいて、何れかの前記電気機器における異常の有無を判定する異常判定部と、
複数の前記動作パターンにおいて、何れかの前記電気機器について収集された前記振動情報が、所定の類似基準を満たすか否かを判定する類似性判定部と、
前記類似性判定部における判定結果が肯定である場合に、複数の前記動作パターンを、前記電気機器に対する一の前記学習パターンに対応付ける対応付決定部と、を備える
ことを特徴とする電気機器システム。 multiple electrical devices,
a vibration information acquisition unit that acquires vibration information representing the state of sound or vibration in the plurality of electrical devices;
a data receiving unit that receives the vibration information from the vibration information acquisition unit and receives equipment state data representing an ON state or an OFF state of each of the plurality of electrical devices;
Learning model generation for generating a learning model for each learning pattern corresponding to the operation pattern, with one combination of ON states or OFF states of the plurality of electrical devices as an operation pattern, and the vibration information as normal teaching data. Department and
an abnormality determination unit that determines the presence or absence of an abnormality in any of the electric devices based on the learning model related to the learning pattern corresponding to the current operation pattern and the vibration information;
a similarity determination unit that determines whether the vibration information collected for any of the electrical devices in the plurality of operation patterns satisfies a predetermined similarity criterion;
An electrical equipment system comprising: an association determining unit that associates a plurality of the operation patterns with one of the learning patterns for the electrical equipment when the determination result in the similarity determining unit is positive.