JP7496726B2

JP7496726B2 - 不良原因推定装置及び方法

Info

Publication number: JP7496726B2
Application number: JP2020130465A
Authority: JP
Inventors: 輝米川; 俊夫大河内; 陽子國眼; 憲次飯澤; 厚吉田; 友美蛭田
Original assignee: Hitachi Global Life Solutions Inc
Current assignee: Hitachi Global Life Solutions Inc
Priority date: 2020-07-31
Filing date: 2020-07-31
Publication date: 2024-06-07
Anticipated expiration: 2040-07-31
Also published as: JP2022026825A; WO2022024453A1; CN115552066A

Description

本発明は不良原因推定装置及び方法に関し、例えば、洗濯乾燥機における乾燥不良の原因を推定する乾燥不良原因推定装置に適用して好適なものである。

従来、洗濯乾燥機に乾燥不良が発生した場合、幾つか考えられる不良原因のうちのいずれが原因となっているかを特定する必要がある。なお、乾燥不良の原因としては、外気を取り入れる吸気口に取り付けられたフィルタの目詰まり、排気口に取り付けられたダクトの詰まり、ブロワの不具合、ヒータの不具合などがある。しかしながら、このような不良原因の特定は煩雑であり、時間を要する問題があった。

なお、洗濯機の不良判定に関する技術として、特許文献１には、モータをセンサレス制御により駆動する制御部がモータを強制転流により起動する際に、モータに通電される電流及びモータの定数に基づいてモータの回転数又は誘起電圧を判定パラメータとして演算し、判定パラメータが振動状態にあるか否かによって回転不良判定を行うことが開示されている。

また特許文献２には、例えばモータ駆動装置の電圧変換部の故障原因を判定する技術として、かかる電圧変換部の動作停止後、その電圧変換部の出力側に接続されたコンデンサの放電が完了してから当該電圧変換部の入力側及び出力側の各電圧値に基づいて故障部位を判定する技術が開示されている。

特開２０１９－０１７１７９号公報特開２００５－２４５０６７号公報

ところが、かかる特許文献１及び特許文献２に開示された技術は、モータや電圧変換部という特定部品の故障に特化した判定技術であり、例えば、フィルタや、ダクト、ブロワ及びヒータなど、不良原因が複数存在する乾燥不良の原因の推定には適用できない問題があった。

本発明は以上の点を考慮してなされたもので、不良原因を効率良く推定し得る不良原因推定装置及び方法を提案しようとするものである。

かかる課題を解決するため本発明においては、対象装置の不良原因を推定する不良原因推定装置において、前記対象装置は、それぞれ前記対象装置の状態を検出する複数のセンサを有し、予め学習した１又は複数のモデルを記憶保持する記憶部と、前記センサから出力されたセンサデータのうちの前記対象装置の状態変化をもたらす特定のデータ範囲の前記センサデータを用い、前記モデルに基づいて前記対象装置の前記不良原因を推定する原因推定部とを設けるようにした。

また本発明においては、対象装置の不良原因を推定する不良原因推定装置により実行される不良原因推定方法において、前記対象装置は、それぞれ前記対象装置の状態を検出する複数のセンサを有し、予め学習した１又は複数のモデルを記憶保持する第１のステップと、前記センサから出力されたセンサデータのうちの前記対象装置の状態変化をもたらす特定のデータ範囲の前記センサデータを用い、前記モデルに基づいて前記対象装置の前記不良原因を推定する第２のステップとを設けるようにした。

本不良原因推定装置及び方法によれば、対象装置の状態変化に基づいて当該対象装置のどの部位に不良原因があるかを特定することができる。

本発明によれば、不良原因を効率良く推定し得る不良原因推定装置及び方法を実現できる。

第１の実施の形態による乾燥不良原因推定システムの概略構成を示すブロック図である。第１の実施の形態による洗濯乾燥機及び分析サーバの論理構成を示すブロック図である。原因モデルの学習システムの構成を示すブロック図である。原因モデルの学習の流れを示すフローチャートである。原因モデルを用いた原因推定の流れを示すフローチャートである。原因モデルとしてＣＮＮを用いた実験結果の説明に供する図表である。原因モデルとしてＣＮＮを用いた実験結果の説明に供する図表である。原因モデルとしてＣＮＮを用いた実験結果の説明に供する図表である。第２の実施の形態の説明に供する概念図である。第２の実施の形態で利用するクラスタリングを示す図表である。第２の実施の形態による洗濯乾燥機及び分析サーバの論理構成を示すブロック図である。判別ルールの作成システムの構成を示すブロック図である。判別ルール作成の流れを示すフローチャートである。判別ルールを用いた判定処理の流れを示すフローチャートである。他の実施の形態の説明に供するブロック図である。

以下図面について、本発明の一実施の形態を詳述する。

（１）第１の実施の形態
（１―１）本実施の形態による乾燥不良原因推定システムの構成
図１において、１は全体として本実施の形態による乾燥不良原因推定システムを示す。この乾燥不良原因推定システム１は、洗濯乾燥機２に乾燥不良が発生した場合に、その原因を推定する機能を有するシステムであり、各家庭にそれぞれ設置された洗濯乾燥機２と、これら洗濯乾燥機２のメーカが設置した分析サーバ３とがインターネットなどのネットワーク４を介して接続されて構成されている。

洗濯乾燥機２は、ユーザ操作に応じて衣類等の対象物の洗濯及び乾燥を行う家電機器であり、コントローラ１０、時計１１、駆動・動力部１２及び各種センサ１３を備えて構成される。

コントローラ１０は、洗濯乾燥機２全体の動作制御を司るプロセッサである。また時計１１は、デジタル時計などから構成され、現在時刻を刻むタイムカウンタとしての機能と、ある動作を開始してからの経過時刻をカウントするタイマとしての機能とを備える。

駆動・動力部１２は、洗濯乾燥機２内のドラムを回転駆動するモータや、乾燥動作時に対象物に風を吹きかけるブロワ、及び、ブロワから出力される風を加熱するヒータなどの洗濯乾燥機２の内部に配設された駆動部品や動力部品から構成される。

かかる課題を解決するため本発明においては、対象装置の不良原因を推定する不良原因推定装置において、前記対象装置は、それぞれ前記対象装置の状態を検出する複数のセンサを有し、予め学習した不良原因ごとのモデルを記憶保持する記憶部と、各前記センサから出力された時系列センサデータのうちの前記対象装置の状態変化をもたらす特定のデータ範囲の前記時系列センサデータを用い、不良原因ごとの前記モデルに基づいて前記対象装置の前記不良原因を推定する原因推定部とを設け、前記対象装置は、必要な指令値を必要なタイミングで対応する制御対象に与えることにより当該制御対象の動作を制御する制御部を有し、前記対象装置の状態変化をもたらす前記特定のデータ範囲は、前記制御部が前記制御対象に前記指令を与えた所定期間及び又は予め設定された特定の時間帯の範囲であり、前記モデルは、学習用の時系列センサデータを複数の類似性尺度ごとにそれぞれ対応する分類型に分類するクラスタリングを行い、クラスタリング結果を説明変数とし、機械学習によって導出された不良原因ごとの判別ルールであり、前記原因推定部は、前記センサから出力された前記時系列センサデータを前記類似性尺度ごとにそれぞれ対応する分類型に分類するクラスタリングを行い、前記類似性尺度ごとの分類結果を不良原因ごとの前記判別ルールとそれぞれ照らし合わせるようにして不良原因を推定するようにした。

また本発明においては、対象装置の不良原因を推定する不良原因推定装置により実行される不良原因推定方法において、前記対象装置は、それぞれ前記対象装置の状態を検出する複数のセンサを有し、予め学習した不良原因ごとのモデルを記憶保持する第１のステップと、各前記センサから出力された時系列センサデータのうちの前記対象装置の状態変化をもたらす特定のデータ範囲の前記時系列センサデータを用い、不良原因ごとの前記モデルに基づいて前記対象装置の前記不良原因を推定する第２のステップとを備え、前記対象装置は、必要な指令値を必要なタイミングで対応する制御対象に与えることにより当該制御対象の動作を制御する制御部を有し、前記対象装置の状態変化をもたらす前記特定のデータ範囲は、前記制御部が前記制御対象に前記指令を与えた所定期間及び又は予め設定された特定の時間帯の範囲であり、前記モデルは、学習用の時系列センサデータを複数の類似性尺度ごとにそれぞれ対応する分類型に分類するクラスタリングを行い、クラスタリング結果を説明変数とし、機械学習によって導出された不良原因ごとの判別ルールであり、前記第２のステップにおいて、前記不良原因推定装置は、前記センサから出力された前記時系列センサデータを前記類似性尺度ごとにそれぞれ対応する分類型に分類するクラスタリングを行い、前記類似性尺度ごとの分類結果を不良原因ごとの前記判別ルールとそれぞれ照らし合わせるようにして不良原因を推定するようにした。

ＣＰＵ２０は、分析サーバ３全体の動作制御を司るプロセッサである。またメモリ２１は、例えば揮発性の半導体メモリから構成され、ＣＰＵ２０のワークメモリとして利用される。メモリ２１には、分析サーバ３の起動時や必要時に記憶装置２２から読み出された後述の原因推定プログラム２５や推定結果出力プログラム２６などが格納される。

記憶装置２２は、例えば、ハードディスク装置やＳＳＤ（Solid State Drive）などの大容量の不揮発性の記憶装置から構成され、各種プログラムや長期保存が必要な各種データが格納される。後述する乾燥不良の原因として考えられる不良原因ごとの原因モデル２７もこの記憶装置２２に格納されて保持される。

通信装置２３は、ＮＩＣ（Network Interface Card）などから構成され、ネットワーク４を介した各洗濯乾燥機２との通信時におけるプロトコル制御を行う。また表示装置２４は、例えば液晶ディスプレイや有機ＥＬ（Electro Luminescence）ディスプレイなどから構成され、必要な情報を表示するために利用される。

図２は、かかる乾燥不良原因推定システム１の論理構成を示す。この図２に示すように、洗濯乾燥機２は、時計１１、駆動・動力部１２及び各種センサ１３に加えて、制御部３０及びデータ取得部３１を備えて構成される。

制御部３０は、洗濯乾燥機２のコントローラ１０（図１）により具現化される機能部である。制御部３０は、ユーザ操作やプログラムに応じて必要な指令値ＣＯＭ１を必要なタイミングで対応する駆動・動力部１２に与えるようにして洗濯乾燥機２全体の動作を制御する。

具体的に、制御部３０は、例えば洗濯動作時には、ドラムの回転数や回転方向などを指定した指令値をモータに適宜与えるようにして洗濯乾燥機２の洗濯動作を制御する。また制御部３０は、乾燥動作時には、対象物に吹きかける温風の風速や温度などを指定した指令値をブロワやヒータに適宜与えるようにして洗濯乾燥機２の乾燥動作を制御する。

データ取得部３１も、洗濯乾燥機２のコントローラ１０により具現化される機能部である。データ取得部３１は、制御部３０が駆動・動力部１２に出力する指令値ＣＯＭ１や、各センサ１３からそれぞれ出力された運転データＤＴ１を取得する機能を有する機能部である。

この際、データ取得部３１は、各センサ１３からそれぞれ出力された運転データＤＴ１のうち、洗濯乾燥機２の状態変化をもたらす特定のデータ範囲の運転データＤＴ１を選択的に取得する。具体的に、データ取得部３１は、制御部３０が駆動・動力部１２に対して指令値ＣＯＭ１を出力した前後の一定期間及び又は予め設定された特定の時間帯の運転データＤＴ１のみを選択的に取得する。そしてデータ取得部３１は、取得したこれらの指令値ＣＯＭ１や運転データＤＴ１をそれぞれ結合してネットワーク４（図１）を介して分析サーバ３に送信する。

一方、分析サーバ３は、複数の判定部３２を含む原因推定部３３と、推定結果出力部３４とを備えて構成される。原因推定部３３及び判定部３２は、分析サーバ３のＣＰＵ２０（図１）がメモリ２１（図１）に格納された原因推定プログラム２５（図１）や、その一部である判定プログラム２５Ａ（図１）を実行することによりそれぞれ具現化される機能部である。

判定部３２は、フィルタの目詰まり、ダクトの詰まり、ブロワやヒータの不具合などの乾燥不良の原因として考えられる各不良原因にそれぞれ対応させて設けられる。各判定部３２は、それぞれ洗濯乾燥機２から送信されてきた各種運転データＤＴ１のうちの対応する運転データＤＴ１と、予め与えられた対応する不良原因に対応する原因モデル２７とに基づいて、その洗濯乾燥機２の乾燥不良が対応する不良原因によるものであるかの判定を行い、判定結果を推定結果出力部３４に出力する。

推定結果出力部３４は、分析サーバ３のＣＰＵ２０がメモリ２１に格納された推定結果出力プログラム２６（図１）を実行することにより具現化される機能部である。推定結果出力部３４は、各判定部３２からそれぞれ与えられた不良原因ごとの判定結果に基づいて、対応する判定部３２により乾燥不良の原因と判定されたすべての不良原因を、乾燥不良の原因の推定結果として表示装置２４（図１）に表示等させる。

（１－２）原因モデルの学習の流れ及び原因モデルを用いた異常判定の流れ
図３は、原因モデル２７がＣＮＮ（Convolutional Neural Network）である場合における原因モデル２７の学習の流れを示す。ここでの「原因モデル」とは、洗濯乾燥機２から取得した指令値ＣＯＭ１及び運転データＤＴ１に基づいて、その洗濯乾燥機２の乾燥不良の不良原因が対応する原因である確率を算出し、算出結果を出力する数学モデルを指す。

図３に示す洗濯乾燥機４０は、原因モデル２７の学習のために用いられる洗濯乾燥機であり、時計４１、駆動・動力部４２、複数のセンサ４３、制御部４４及びデータ取得部４５を備える。これら時計４１、駆動・動力部４２、各センサ４３、制御部４４及びデータ取得部４５は、図２について上述した洗濯乾燥機２の対応部位（時計１１、駆動・動力部１２，センサ１３，制御部３０又はデータ取得部３１）と同様の機能及び構成を有するものであるため、ここでの説明は省略する。

かかる洗濯乾燥機４０のデータ取得部４５は、図２のデータ取得部３１と同様に、制御部４４が駆動・動力部４２に対して出力した指令値ＣＯＭ２と、制御部４４がその指令値ＣＯＭ２を出力した前後の一定期間や予め設定された時間帯のみの運転データＤＴ２とを取得し、取得したこれらの指令値ＣＯＭ２及び運転データＤＴ２を結合してネットワーク４（図１）を介して学習装置５０に出力する。

学習装置５０は、図示しないＣＰＵ、メモリ及び記憶装置などの情報処理資源を備えたコンピュータ装置である。なお学習装置５０を分析サーバ３（図１）と併用するようにしてもよい。学習装置５０には、フィルタの目詰まり、ダクトの詰まり、ブロワ又はヒータの故障などの乾燥不良の各原因にそれぞれ対応させた判定部５１及び原因モデル２７が設けられる。

そして各判定部５１には、洗濯乾燥機４０のデータ取得部４５から与えられた各指令値ＣＯＭ２及び運転データＤＴ２のうち、対応する不良原因に起因する乾燥不良の学習に必要な学習用の指令値ＣＯＭ２及び運転データＤＴ２がそれぞれ与えられる。例えば、ヒータの不具合に対応する判定部５１には、ヒータに対する指令値ＣＯＭ２と、当該ヒータにより暖められた空気の温度を計測する温度センサからの運転データＤＴ２となどが与えられる。そして、各判定部５１は、与えられた指令値ＣＯＭ２及び運転データＤＴ２を対応する原因モデル２７に入力する。

各原因モデル２７では、図４に示すように、入力された指令値ＣＯＭ２及び運転データＤＴ２を入力層を介して取り込み（Ｓ１）、取り込んだ指令値ＣＯＭ２及び運転データＤＴ２に基づいて原因モデル２７の隠れ層（畳込み層及びプーリング層）において、乾燥不良の原因が対応する不良原因よるものである確率を算出し（Ｓ２）、算出した確率を判定結果として出力層から出力する（Ｓ３）。そして判定部５１は、原因モデル２７から出力された確率に基づいて、乾燥不良の原因が対応する不良原因によるものである否かを判定し、判定結果を出力する（Ｓ４）。

このとき各判定部５１には、学習装置５０に対するユーザ操作等に基づいて、乾燥不良の原因が対応する不良原因によるものであるか否かの答えが与えられる。かくして、判定部５１は、この答えに基づいて原因モデル２７の隠れ層のフィルタの重みを必要に応じて更新する（Ｓ５）。

そして学習装置５０では、学習用の洗濯乾燥機４０から指令値ＣＯＭ２及び運転データＤＴ２が与えられるごとに上述のステップＳ１～ステップＳ５の処理が繰り返される。これにより各不良原因にそれぞれ対応した各原因モデル２７の学習が行われる。

一方、図５は、上述のようにして学習が行われた各原因モデル２７を用いて分析サーバ３の原因推定部３３において実行される判定処理の流れを示す。分析サーバ３の各判定部３２（図２）には、洗濯乾燥機２（図２）のデータ取得部３１（図２）からネットワーク４を介して与えられた各指令値ＣＯＭ１及び運転データＤＴ１のうち、対応する原因に応じた指令値ＣＯＭ１及び運転データＤＴ１がそれぞれ与えられる。そして各判定部３２は、与えられた指令値ＣＯＭ１及び運転データＤＴ１を対応する原因モデル２７の入力層にそれぞれ入力する（Ｓ１０）。

各原因モデル２７では、入力された指令値ＣＯＭ１及び運転データＤＴ１を入力層を介して取り込み（Ｓ１１）、取り込んだ指令値ＣＯＭ１及び運転データＤＴ１に基づいて、乾燥不良の原因が対応する不良原因によるものである確率を隠れ層において算出し（Ｓ１２）、算出結果を出力層から出力する（Ｓ１３）。そして判定部３２は、原因モデル２７から出力された確率に基づいて、乾燥不良の原因が対応する不良原因によるものであるか否かを判定し、判定結果を推定結果出力部３４（図２）に出力する（Ｓ１４）。

（１－３）ＣＮＮを用いた原因推定の実験結果
ここで、図６～図８は、原因モデル２７としてＣＮＮを用いて行った、洗濯乾燥機２の乾燥不良の原因推定の実験結果を示す。この実験では、指令値ＣＯＭ１，ＣＯＭ２としてブロワ、ヒータ及びフラップへの指令値を用い、運転データＤＴ１，ＤＴ２として水位センサ及び２つの温度センサのセンサデータとを利用した。また原因モデル２７としては、３層でパラメータ数が38000個のＣＮＮを利用した。

図６は、ダクトを乾燥不良の原因とすべく、ダクトの一部を詰まらせる実験の実験結果である。図６において、状態欄７０Ｂの各数値は、それぞれダクトの断面積に対する当該ダクトを詰まらせた部分の断面積の割合を示す。例えば、「０」はダクトを詰まらせていない状態を示し、「0.5」はダクトの断面積の半分の部分を詰まらせた状態を示す。

また、学習個数欄７０Ｃの数値は、原因モデル２７の学習に利用した対応する状態のときの指令値ＣＯＭ２及び運転データＤＴ２のデータセットの個数（学習データセット個数）を示し、検証個数欄７０Ｄの数値は、原因の判定処理に利用した対応する状態のときの指令値ＣＯＭ１及び運転データＤＴ１のデータセットの個数（検証データセット個数）を示す。また正解数欄７０Ｅの数値は、かかる検証データセット個数のうち、原因が正解した検証データセットの個数を示し、精度欄７０Ｆの百分率には、かかる検証による正解率（精度）を示す。

また図７は、吸気口のフィルタを乾燥不良の原因とすべく、フィルタの一部又は全部を覆う実験の実験結果である。図７において、状態欄７１Ｂの各数値は、それぞれフィルタのフィルタ面全体に対する当該フィルタ面を覆った部分の面積の割合を示す。例えば、「０」はフィルタ面を全く覆っていない状態を示し、「0.5」はフィルタ面の半分の部分を覆った状態を示す。また「１」はフィルタ面の全面を覆った状態を示す。学習個数欄７１Ｃ、検証個数欄７１Ｄ、正解数欄７１Ｅ及び精度欄７１Ｆの各数値や百分率の値は図６と同様である。

さらに図８は、ブロワの故障を乾燥不良の原因とすべく、ブロワの排気量を抑制する実験の実験結果である。図８において、状態欄７２Ｂの各数値は、それぞれブロワの正常時の排気量に対する実験時の排気量の割合を示す。例えば、「０」はブロワの排気量を抑制していない状態を示し、「0.5」はブロワの排気量を正常時の半分に抑制した状態を示す。学習個数欄７２Ｃ、検証個数欄７２Ｄ、正解数欄７２Ｅ及び精度欄７２Ｆの各数値や百分率の値は図６と同様である。

以上の実験では、ダクト、フィルタ及びブロワを原因とする原因推定の精度は、ダクトを原因とする場合には83％、フィルタを原因とする場合には96％、ブロワを原因とする場合には83％であった。また原因推定に要する時間は、ダクト、フィルタ及びブロワのいずれを原因とする場合も洗濯乾燥機１台当たり１ms以下であった。この実験からも、原因モデル２７としてＣＮＮを用いることによっても実用上十分な推定精度及び所要時間を得られることが確認できた。

（１－４）本実施の形態の効果
以上のように本実施の形態の乾燥不良原因推定システム１では、洗濯乾燥機２の各センサ１３から出力された運転データＤＴ１のうち、制御部３０が駆動・動力部１２に対して指令値ＣＯＭ１を出力した前後の一定期間や、予め設定された特定の時間帯の運転データＤＴ１と、原因ごとの原因モデル２７とに基づいて洗濯乾燥機２の不良原因を特定する。

従って、本乾燥不良原因推定システム１では、制御部３０がどの駆動・動力部１２に対して指令値ＣＯＭ１を出力した場合に運転データＤＴ１が異常な値を示したかを取得したかを特定することができ、これに伴って乾燥不良の不良原因を特定することができる。よって本乾燥不良原因推定システム１によれば、原因となり得る部位が複数存在する不良原因を効率良く推定することができる。

（２）第２の実施の形態
（２－１）運用性を考慮した不良原因の判別手法
洗濯乾燥機において、乾燥運転時における内部の空気流が阻害されると、ヒータで加熱した空気の滞留が起こり、流路内の温度分布が正常状態から乖離する。このため、複数の温度センサの測定値の比較が不良原因を推定する際の手がかりになると考えられる。

しかしながら乾燥運転は、徐々に乾燥が進む非定常な過程であり、乾燥状態を常時推定しながら複数の工程を経て完結するシーケンス制御とフィードバック制御とを組み合わせた複雑な制御を必要とし、所要時間も対象物の量・質、外気温、水温等によって大きく変動する。また乾燥不良の原因となるフィルタの目詰まり等によっても運転時間が伸びる傾向がある。

このため特定の瞬間の状態で乾燥不良の原因を判別しようとしても、比較すべき時刻を特定することが難しいだけでなく、故障状態以外にも温度計測値に影響を及ぼす原因が多数あるため、不良原因の判定が困難となる。例えば、流路の閉塞などの状態を運転動作時の運転データから推定するためには、温度の動的な挙動の特徴を用いる必要があると考えられる。

そこで本実施の形態においては、運転データの時系列データ波形をその特徴に基づいて乾燥不良の原因ごとに分類（クラスタリング）し、クラスタリング結果を機械学習して乾燥不良の原因判別のためのモデル（以下、これを判別ルールと呼ぶ）を作成し、作成した判別ルールを利用して乾燥不良の原因を推定する。

ここで、時系列データを用いた故障判別に関してはこれまでに多くの研究が行われており、特に時系列間の差異・類似性を定量化する類似性尺度（dissimilarity measure）を用いたクラスタリングに関して多くの研究が行われている。

代表的な例としては、ＤＴＷ（Dynamic Time Wrapping）が様々な応用で良好な結果を得ているほか、様々な類似性尺度が提案されている。よく知られている時系列類似性尺度は大別すると、値や変化（階差系列）のユークリッド距離や相関に基づくもの、周期成分の分布に類似性に基づくもの、ＡＲＩＭＡ（Autoregressive Integrated Moving Average）などの線形時系列モデルの類似性に基づくもの、２つの時系列の相互情報量に基づくものなどがある。

乾燥不良の原因推定では、これらの実績を活用し類似性尺度を用いて判別ルールを作成するのが有効であると考えられる。一方で、類似性尺度は扱う対象によって有効に機能するものが異なる傾向があり、様々な製品、機種、故障種類がある家電製品に対して１つの製品・機種、故障種別ごとに評価を行って有効な尺度を選択するのは膨大な時間と人手を要し、システム運用が困難であることが予想される。このような考察から、以下の（Ａ）及び（Ｂ）の枠組みで判別ルールを導出する。
（Ａ）様々な類似性尺度を用いてクラスタリングを行う。
（Ｂ）クラスタリング結果（分類型）を説明変数とし、機械学習によって判別ルールを導出する。

図９の上段は、かかる枠組みに従った判別ルール導出の流れを示す。学習用サンプルの各運転データを時系列クラスタリングによりそれぞれ分類・ラベル付けし、各運転データにラベル値のベクトルを割り付ける（Ｓ２０）。このベクトルを説明変数、故障の有無を目的変数として機械学習により判別ルールＲＬを導出する（Ｓ２１）。以上の処理を乾燥不良の原因ごとにそれぞれ行い、原因ごとの判別ルールＲＬを作成する。

本実施の形態においては、時系列クラスタリングのため類似性尺度として、文献等でセンサ時系列の判別での実績があるものを中心に図１０に示す代表的な16種類の類似性尺度をそれぞれ用いる。またクラスタリングは階層クラスタリングにより、例えば12群に分類する。この結果、時系列データ３種、クラスタリング手法16種で説明変数としては48次元のベクトルとなる。クラスタリングは複数の分割数を用いて例えば４群と12群に分類してもよい。この場合、時系列データ３種、クラスタリング手法16種、分割数２種で説明変数としては96次元のベクトルとなる。判別ルールＲＬを導く機械学習方法としてはランダムフォレストやxgboostを用いる。

また図９の下段は、上述のようにして作成した判別ルールＲＬを用いた乾燥不良の原因判定の流れを示す。各家庭にそれぞれ設置された洗濯乾燥機から運転データの時系列データを取得し、その時系列データを上述の16種類の類似度尺度ごとにそれぞれ対応する分類型に分類するクラスタリングを行う（Ｓ２２）。そして、16種類の類似度尺度ごとの分類結果を判別ルールＲＬと照らし合わせることにより対応する原因が乾燥不良の原因であるか否かを判別する（Ｓ２３）。このような判別処理を乾燥不良の原因ごとに行い、原因ごとの判別結果に基づいて乾燥不良の原因を推定する。

（２－２）本実施の形態による乾燥不良原因推定システムの構成
図２との対応部分に同一符号を付して示す図１１は第２の実施の形態による乾燥不良原因推定システム８０の論理構成を示す。なお本実施の形態の乾燥不良原因推定システム８０のハードウェア構成は第１の実施の形態の乾燥不良原因推定システム１と同様であるため、ここでの説明は省略する。

この乾燥不良原因推定システム８０は、洗濯乾燥機８１のデータ取得部８２及び分析サーバ８３の原因推定部８４の構成が第１の実施の形態のデータ取得部３１（図２）及び原因推定部３３（図２）と異なる点が第１の実施の形態の乾燥不良原因推定システム１と相違する。

実際上、洗濯乾燥機８１のデータ取得部８２は、取得した各センサ１３の運転データＤＴ１を、センサ１３ごとにそれぞれ結合したセンサごとの時系列データ（以下、これを運転データ時系列データと呼ぶ）ＤＴ３として分析サーバ８３に送信する。

分析サーバ８３は、複数の判定部８５を含む原因推定部８４と、推定結果出力部８６とを備えて構成される。判定部８５は、フィルタの目詰まり、ダクトの詰まり、ブロワやヒータの不具合などの乾燥不良の各原因にそれぞれ対応させて設けられる。また、分析サーバ８３の記憶装置２２（図１）には、図９について上述した原因ごとの判別ルールＲＬが予め格納される。

そして各判定部８５は、それぞれ洗濯乾燥機８１から送信されてきた各種運転データ時系列データＤＴ３のうちの対応する運転データ時系列データＤＴ３について、例えば図１０について上述した16種類の類似性尺度のクラスタリングをそれぞれ行う。また判定部８５は、これらクラスタリングのクラスタリング結果を同じ原因の判別ルールＲＬと比較し、比較結果に基づいてその洗濯乾燥機８１の乾燥不良が対応する原因によるものであるかの判定を行い、判定結果を推定結果出力部８６に出力する。

推定結果出力部８６は、各判定部８５からそれぞれ与えられた原因ごとの判定結果に基づいて対応する洗濯乾燥機８１における乾燥不良の原因を推定し、推定結果を表示装置２４（図１）に表示等させる。

（２－３）判別ルールの学習の流れ及び判別ルールを用いた異常判定の流れ
図１２は、かかる原因ごとの判別ルールＲＬを学習する学習装置１００の構成を示し、図１３は、この学習装置１００における学習の流れを示す。

図１２に示す洗濯乾燥機９０は、原因ごとの判別ルールＲＬの作成のために用いられる洗濯乾燥機であり、時計９１、駆動・動力部９２、複数のセンサ９３、制御部９４及びデータ取得部９５を備える。これら時計９１、駆動・動力部９２、各センサ９３、制御部９４及びデータ取得部９５は、図１１について上述した洗濯乾燥機８１の対応部位（時計１１、駆動・動力部１２，センサ１３，制御部３０又はデータ取得部８２）と同様の機能及び構成を有するものであるため、ここでの説明は省略する。

かかる洗濯乾燥機９０のデータ取得部９５は、図１１のデータ取得部８２と同様に、制御部９４が駆動・動力部９２に対して指令値ＣＯＭ１０を出力した前後の一定期間や、予め設定された時間帯のみの運転データＤＴ１０を取得し、取得したこれらの運転データＤＴ１０を結合した運転データ時系列データＤＴ１１を生成し、生成した運転データ時系列データＤＴ１１を学習装置１００に出力する。

学習装置１００は、図示しないＣＰＵ、メモリ及び記憶装置などの情報処理資源を備えたコンピュータ装置である。なお学習装置１００を分析サーバ８３（図１１）と併用するようにしてもよい。学習装置１００の原因推定部１０１には、フィルタの目詰まり、ダクトの詰まり、ブロワ又はヒータの故障などの乾燥不良の各原因にそれぞれ対応させた判定部１０２及び判別ルールＲＬが設けられる。

そして各判定部１０２には、洗濯乾燥機９０のデータ取得部９５から与えられた各運転データ時系列データＤＴ１１のうち、対応する原因に起因する乾燥不良の学習に必要な学習用の運転データ時系列データＤＴ１１がそれぞれ与えられる（図１３のＳ３０）。例えば、ヒータの不具合に対応する判定部１０２には、ヒータにより暖められた空気の温度を計測する温度センサからの運転データＤＴ１０から生成された運転データ時系列データＤＴ１１などが与えられる。

そして、各判定部１０２は、与えられた運転データ時系列データＤＴ１１を図１０について上述した16種類の類似度尺度のクラスタリングをそれぞれ行う。このとき各判定部１０２には、学習装置１００に対するユーザ操作等に基づいて、乾燥不良の原因が対応する原因によるものであるか否かの答えが与えられる。かくして、各判定部１０２は、この答えと、上述の16種類の類似度尺度のクラスタリングのクラスタリング結果とに基づいて図９に示すような分類型と故障率との関係情報１０４をそれぞれ作成し、作成した関係情報１０４を対応する機械学習部１０３に出力する（図１３のＳ３１）。

機械学習部１０３は、対応する判定部１０２から与えられた関係情報１０４に基づいて、上述の16種類の類似度尺度のクラスタリングのクラスタリング結果と、対応する原因との相関関係を学習し（図１３のＳ３２）、学習結果に基づいて判別ルールＲＬを必要に応じて更新する（図１３のステップＳ３３）。

そして学習装置１００では、学習用の洗濯乾燥機９０から運転データ時系列データＤＴ１１が与えられるごとに上述のステップＳ３０～ステップＳ３３の処理が繰り返される。これにより各原因にそれぞれ対応した各判別ルールＲＬの学習が行われる。

一方、図１４は、上述のようにして学習が行われた各判別ルールＲＬを用いて分析サーバ８３（図１１）において実行される判定処理の流れを示す。分析サーバ８３の各判定部８５（図１１）には、洗濯乾燥機８１（図１１）のデータ取得部８２（図１１）からネットワーク４（図１）を介して与えられた各運転データ時系列データＤＴ３のうち、対応する原因に応じた運転データ時系列データＤＴ３（図１１）がそれぞれ与えられる（Ｓ４０）。

そして各判定部８５は、与えられた運転データ時系列データＤＴ３に対して16種類の類似度尺度のクラスタリングをそれぞれ行い（Ｓ４１）、これら16種類の類似度尺度のクラスタリングのクラスタリング結果に基づいて、乾燥不良が対応する原因によるものであるか否かを判定し、判定結果を推定結果出力部８６（図１１）に出力する（Ｓ４２）。

（２－４）本実施の形態の効果
以上のように本実施の形態の乾燥不良原因推定システム８０では、洗濯乾燥機２の各センサ１３から出力された運転データＤＴ１のうち、制御部３０が駆動・動力部１２に対して指令値ＣＯＭ１を出力した前後の一定期間や、予め設定された特定の時間帯の運転データＤＴ１の時系列データに基づいて洗濯乾燥機２の不良原因を特定する。

従って、本実施の形態の乾燥不良原因推定システム８０によれば、第１の実施の形態の乾燥不良原因推定システム１と同様に、制御部３０がどの駆動・動力部１２に対して指令値ＣＯＭ１を出力した場合に運転データＤＴ１が異常な値を示したかを取得したかを特定することができ、これに伴って乾燥不良の不良原因を特定することができる。よって本乾燥不良原因推定システム８０によれば、原因となり得る部位が複数存在する不良原因を効率良く推定することができる。

（３）他の実施の形態
なお上述の第１の実施の形態においては、図２について上述したように、原因ごとの原因モデル２７及び判定部３２をそれぞれ設けるようにした場合について述べたが、本発明はこれに限らず、図２との対応部分に同一符号を付した図１５に示すように、分析サーバ１１０の原因推定部１１１を、すべての原因を混在させて学習させた１つの混合原因モデル１１２及び判定部１１３により構成するようにしてもよい。このようにしても第１の実施の形態と同様の効果を得ることができる。これと同様に第２の実施の形態についてもすべての判別ルールＲＬを混在させた１つの判別ルール及び判別部により分析サーバの原因推定部を構成するようにしてもよい。

また上述の第１及び第２の実施の形態においては、原因推定部３３，８４や推定結果出力部３４，８６といった洗濯乾燥機２，８１の乾燥不良の原因を推定する機能部を洗濯乾燥機２，８１とは別の分析サーバ３，８３に配置するようにした場合について述べたが、本発明はこれに限らず、これらの機能部を洗濯乾燥機２，８１に設けるようにしてもよい。

この場合において、例えば、Bluetooth（登録商標）などの短距離通信機能が搭載されたスマートフォンやタブレットなどを経由して原因推定部の推定結果を洗濯乾燥機から取得し、取得した推定結果をネットワーク４を介してメーカのセンタなどに転送できるようにしてもよい。

さらに上述の第１及び第２の実施の形態においては、本発明を洗濯乾燥機２，８１の乾燥不良の原因を推定する乾燥不良原因推定システム１，８０に適用するようにした場合について述べたが、本発明はこれに限らず、乾燥不良以外の不良の原因を推定する種々の不良原因推定装置に広く適用することができる。また洗濯乾燥機２，８１以外の電力機器の不良原因を推定する不良原因推定装置にも適用することができる。

さらに上述の第２の実施の形態においては、時系列クラスタリングのため類似性尺度として図１０に示す16種類のものを適用するようにした場合について述べたが、本発明はこれに限らず、その一部又は全部をこれらの16種類の類似性尺度以外の類似性尺度を用いるようにしてもよく、また類似性尺度の個数としては16種類以外であってもよい。

本発明は、洗濯乾燥機などの電力機器の不良原因を推定する種々の不良原因推定装置に広く適用することができる。

１，８０，９０……乾燥不良原因推定システム、２，８１……洗濯乾燥機、３，８３，１１１……分析サーバ、１２，４２，９２……駆動・動力部、１３，４３，９３……センサ、２０……ＣＰＵ、２７，１１２……原因モデル、３０，４４，９４……制御部、３１，４５，８２，９５……データ取得部、３２，５１，８５，１０２，１１３……判定部、３３，８４，１１１……原因推定部、３４，８６……推定結果出力部、１０３……機械学習部、ＣＯＭ１，ＣＯＭ２……指令値、ＤＴ１，ＤＴ２，ＤＴ１０……運転データ、ＤＴ３，ＤＴ１１……運転データ時系列データ、ＲＬ……判別ルール。

Claims

対象装置の不良原因を推定する不良原因推定装置において、
前記対象装置は、
それぞれ前記対象装置の状態を検出する複数のセンサ
を有し、
予め学習した不良原因ごとのモデルを記憶保持する記憶部と、
各前記センサから出力された時系列センサデータのうちの前記対象装置の状態変化をもたらす特定のデータ範囲の前記時系列センサデータを用い、不良原因ごとの前記モデルに基づいて前記対象装置の前記不良原因を推定する原因推定部と
を備え、
前記対象装置は、
必要な指令値を必要なタイミングで対応する制御対象に与えることにより当該制御対象の動作を制御する制御部を有し、
前記対象装置の状態変化をもたらす前記特定のデータ範囲は、前記制御部が前記制御対象に指令を与えた所定期間及び又は予め設定された特定の時間帯の範囲であり、
前記モデルは、
学習用の時系列センサデータを複数の類似性尺度ごとにそれぞれ対応する分類型に分類するクラスタリングを行い、クラスタリング結果を説明変数とし、機械学習によって導出された不良原因ごとの判別ルールであり、
前記原因推定部は、
前記センサから出力された前記時系列センサデータを前記類似性尺度ごとにそれぞれ対応する分類型に分類するクラスタリングを行い、前記類似性尺度ごとの分類結果を不良原因ごとの前記判別ルールとそれぞれ照らし合わせるようにして不良原因を推定する
ことを特徴とする不良原因推定装置。
対象装置の不良原因を推定する不良原因推定装置により実行される不良原因推定方法において、
前記対象装置は、
それぞれ前記対象装置の状態を検出する複数のセンサ
を有し、
予め学習した不良原因ごとのモデルを記憶保持する第１のステップと、
各前記センサから出力された時系列センサデータのうちの前記対象装置の状態変化をもたらす特定のデータ範囲の前記時系列センサデータを用い、不良原因ごとの前記モデルに基づいて前記対象装置の前記不良原因を推定する第２のステップと
を備え、
前記対象装置は、
必要な指令値を必要なタイミングで対応する制御対象に与えることにより当該制御対象の動作を制御する制御部を有し、
前記対象装置の状態変化をもたらす前記特定のデータ範囲は、前記制御部が前記制御対象に指令を与えた所定期間及び又は予め設定された特定の時間帯の範囲であり、
前記モデルは、
学習用の時系列センサデータを複数の類似性尺度ごとにそれぞれ対応する分類型に分類するクラスタリングを行い、クラスタリング結果を説明変数とし、機械学習によって導出された不良原因ごとの判別ルールであり、
前記第２のステップにおいて、前記不良原因推定装置は、
前記センサから出力された前記時系列センサデータを前記類似性尺度ごとにそれぞれ対応する分類型に分類するクラスタリングを行い、前記類似性尺度ごとの分類結果を不良原因ごとの前記判別ルールとそれぞれ照らし合わせるようにして不良原因を推定する
ことを特徴とする不良原因推定方法。