データ処理方法及びデータ処理装置、並びに診断方法及び診断装置
【課題】 データ処理方法及びデータ処理装置、並びに診断方法及び診断装置に関し、複数の動作モードで動作しうる機械等の対象体の各パラメータについてより正確に診断できるようにする。
【解決手段】 検出手段１ａ〜１ｄが、ｎ個のパラメータの値からなる正常時データセットを各動作モード毎にそれぞれ複数組検出する。また、自己組織化マップ形成手段２が、これら正常時データセットを用いて各動作モード毎に自己組織化マップを形成する。さらに、異常時データ作成手段７が、正常時データセットの各パラメータの値を変動ベクトルによって増減させて、仮想的な異常時データセットを１つの正常時データセットにつき変動ベクトルの数だけ作成する。そして、運転モード比率算出手段８が、各自己組織化マップの中から、異常時データセットに対して最も類似度が高いものを各異常時データセットについて求め、各変動ベクトル毎に異常時運転モード比率ベクトルを算出する。
【解決手段】 検出手段１ａ〜１ｄが、ｎ個のパラメータの値からなる正常時データセットを各動作モード毎にそれぞれ複数組検出する。また、自己組織化マップ形成手段２が、これら正常時データセットを用いて各動作モード毎に自己組織化マップを形成する。さらに、異常時データ作成手段７が、正常時データセットの各パラメータの値を変動ベクトルによって増減させて、仮想的な異常時データセットを１つの正常時データセットにつき変動ベクトルの数だけ作成する。そして、運転モード比率算出手段８が、各自己組織化マップの中から、異常時データセットに対して最も類似度が高いものを各異常時データセットについて求め、各変動ベクトル毎に異常時運転モード比率ベクトルを算出する。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、複数の動作モードで動作しうる対象体、特に油圧ショベル等の作業機械に生じる異常状態を判定するのに用いて好適の、データ処理方法及びデータ処理装置、並びに診断方法及び診断装置に関する。
【背景技術】
【０００２】
従来の機械類のメンテナンスでは、機械類に故障が発生してから修復する事後保全や、機械類の使用時間を基準にした画一的な予防保全が一般に行なわれている。事後保全では、修理に大幅な時間やコストがかかってしまい、また、予防保全では、画一的な処理のため、不必要な部品やオイルの廃棄が発生し顧客の費用負担が増大し、また、労働集約型からくる高コスト化という問題があったが、今後はこうした従来のメンテナンスから脱却して、予知保全への転換を図っていく必要がある。
【０００３】
予知保全とは、稼動時の負荷・環境情報、過去のメンテナンス歴データベース、故障物理の理解などから、推論により健全度を診断して劣化・余寿命を予測することで、機械の異常を早期に発見して安全な動作環境を提供するものである。
例えば特許文献１には、建設機械などの作業車両の異常診断装置に関し、作業機械（油圧ショベル）の車体に、油圧ポンプの吐出圧を検出する圧力センサと、エンジンの回転数を検出するエンジン回転数センサと、油圧回路内の油温を検出する油温センサと、これら各センサからの検出情報をネットワーク管制局へ無線送信を行なう通信装置とをそなえ、監視局（作業機械の管理者の事務所など）では、前記ネットワーク管制局からインターネットを介して作業機械の各検出情報を得て、これら各検出情報に基づいて作業機械の異常を診断する技術が開示されている。
【０００４】
また、特許文献２には、バッチプラントや連続系プラント等の固定機械設備の異常検出装置に関し、対象プラントが正常状態であるときの正常データを予め収集しておき、この正常データをもとに自己組織化マップ（Self-Organizing Map）を用いて正常データの特徴を抽出し、これをもとに各出力ユニット間の距離関係を表す特徴マップを形成し正常状態モデルとして記憶しておき、この正常状態モデルと未知の入力データ（入力ベクトル）とに基づいて前記対象プラントの異常を検出する技術が開示されている。ここで、上記の正常状態モデルとは、例えば図２０に示すように多次元データを可視化２次元マップに変換したもので〔ここでは多次元データが符号Ｒ1〜Ｒ5の領域で示される５つのクラスタ（集合体）に分類（クラス分け）されている〕、この正常状態モデルと同等の特徴を有するとみなされる場合に入力データは正常データであると判断する。この特許文献２の技術によれば、多次元の入力データに関する総合的な異常検知をリアルタイムに実現することができる。
【特許文献１】特開２００２−３２３０１３号公報
【特許文献２】特開平１１−３３８８４８号公報
【発明の開示】
【発明が解決しようとする課題】
【０００５】
ところで、例えば上述したような油圧ショベル等の作業機械では、エンジンの回転数，油圧ポンプの吐出圧，油圧回路内の油温の他に、例えば、車体の前進・後進或いは旋回を制御する作動圧，バケットを制御するバケットシリンダの作動圧，スティックを制御するスティックシリンダの作動圧，ブームを制御するブームシリンダの作動圧などの多次元のパラメータ（検出要素）が存在する。
【０００６】
また、作業機械は、一連の作業を行なう場合、種々の運転動作（即ち、運転モード）が組み合わされて作業が行なわれる。例えば、作業機械により、堆積した土砂をトラックのベッセル（荷台）上に積み込む作業の場合、おおまかに次の４つの運転モードに分離できる。すなわち、「バケットで土砂をすくい始めてからすくい終わるまでの動作（運転モード１）」、「土砂をすくった後、車体を旋回させて、土砂を保持したバケットをトラックのベッセルの上方まで運ぶ動作（運転モード２）」、「バケットを開いて土砂のベッセル上への移載を開始してから土砂の移載が完了するまでの動作（運転モード３）」、「バケットを堆積した土砂の位置まで戻して運転モード１に入るまでの動作（運転モード４）」の４つのモードである。
【０００７】
つまり、各パラメータ値は、このようなそれぞれの運転モードに応じて変化するものであるが、各パラメータ値を別個に分析しても正確な異常診断を行なえない場合が多い。例えば、１つ１つのパラメータ値が全て正常範囲内にあるとしても、よりマクロ的に見た場合、現在の運転動作が上記４つの運転モードのどれにも当てはまらないという場合も生じ得る。この場合、現在の運転動作は未知の運転モードである、或いは何かしら異常が発生しているものと認められる。
【０００８】
したがって、機械の診断を行なう場合には、現在の運転動作が、予め分類された運転モードに当てはまるか否かを判定して、当てはまらない場合には、上記の運転モードとは異なる運転モードである又は異常が発生していると判定することで、より早期に異常を発見できるものと考えられる。このため、診断対象となる機械について、起こりうる全ての運転モードを予め正確に認識しておけば、多次元のパラメータ値から現在の運転動作はどの運転モードの動作なのかをリアルタイムに判定することができる。
【０００９】
このような視点から上述の従来の技術を検討すると、特許文献２の技術の自己組織化マップを用いれば、パラメータが多次元であっても機械の各運転モードを分類することが可能であると考えられる。
しかし、機械の運転モードが多数存在する場合には、１つの２次元自己組織化マップ内にこれら運転モード数と略同数のクラスタが形成されることになるため、各クラスタの面積が小さくなっていき隣接するクラスタとのオーバーラップが強くなり境界が不明確になってしまう。このため、正確な診断を行なうことができない。また、どの計測データ、即ちどのパラメータにどの程度の劣化や異常の兆候が生じているのかを予測することまでは困難である。
【００１０】
なお、ここでは作業機械を例にとって説明したが、上述したような診断装置は、作業機械等の機械類への適用だけに限定せずに、動作（或いは変動）を複数の動作モード（或いは変動モード）で分類できる多くの診断対象（対象体）にも適用することが考えられる。
本発明は、上述の課題に鑑み創案されたもので、複数の動作モードで動作しうる機械等の対象体の各パラメータについてより正確に診断できるようにした、データ処理方法及びデータ処理装置、並びに診断方法及び診断装置を提供することを目的とする。
【課題を解決するための手段】
【００１１】
このため、請求項１記載の本発明のデータ処理方法は、複数の動作モードで動作しうる対象体の正常状態における予備運転時において、該動作に応じて変動するｎ個のパラメータの値（Ｐ1，Ｐ2，…，Ｐn）からなる正常時データセット（ｄi＝［Ｐ1，Ｐ2，…，Ｐn］）を、各動作モード毎にそれぞれ複数組（Ｄ組；［ｄ1，ｄ2，…，ｄD］）検出する正常時データ検出ステップと、該正常時データ検出ステップで検出した上記の複数組の正常時データセットを用いて上記の各動作モード毎にそれぞれ個別の分離モデルとしての自己組織化マップを形成する自己組織化マップ形成ステップと、該正常時データ検出ステップで検出した該正常時データセットの各パラメータの値を、該パラメータの数と同数の変動値からなり互いに異なる複数個（Ｅ個）の変動ベクトルによって増減させることで、該対象体の異常発生時における仮想的な異常時データセットを上記の１つの正常時データセットにつき該変動ベクトルの数（Ｅ）だけ作成する異常時データ作成ステップと、該自己組織化マップ形成ステップで形成した上記の各動作モード毎の自己組織化マップの中から、該異常時データ作成ステップで作成した該異常時データセットに対して最も類似度が高い自己組織化マップを上記の各異常時データセットについて求め、上記の各変動ベクトル毎に、上記の全運転モードに対する各運転モードの比率を表す異常時運転モード比率ベクトルを算出する異常時運転モード比率算出ステップとをそなえたことを特徴としている。
【００１２】
請求項２記載の本発明の診断方法は、請求項１記載のデータ処理方法により得られた上記の各変動ベクトルと上記の各異常時運転モード比率ベクトルとの対応関係を用いて該対象体の診断を行うことを特徴としている。
請求項３記載の本発明の診断方法は、請求項２記載の方法において、該対象体の実稼動時において、上記のｎ個のパラメータの値（Ｐ1，Ｐ2，…，Ｐn）からなる実稼動時データセット（ｄi＝［Ｐ1，Ｐ2，…，Ｐn］）を、各動作モード毎にそれぞれ複数組検出する実稼動時データ検出ステップと、該自己組織化マップ形成ステップで求めた上記の各動作モード毎の自己組織化マップの中から、該実稼動時データ検出ステップで検出した該実稼動時データセットに対して最も類似度が高い自己組織化マップを上記の各実稼動時データセットについて求め、上記の全運転モードに対する各運転モードの比率を表す実稼動時運転モード比率ベクトルを算出する実稼動時運転モード比率算出ステップと、該異常時運転モード比率算出ステップで求めた上記の各異常時運転モード比率ベクトルのうち、該実稼動時運転モード比率算出ステップで算出した該実稼動時運転モード比率ベクトルに最も類似度が高い変動ベクトルを選択し、該選択した異常時運転モード比率ベクトルに対応する変動ベクトルの各変動値を求める変動値算出ステップとをそなえたことを特徴としている。
【００１３】
請求項４記載の本発明のデータ処理装置は、複数の動作モードで動作しうる対象体の該動作に応じて変動するｎ個のパラメータの値（Ｐ1，Ｐ2，…，Ｐn）からなるデータセット（ｄi＝［Ｐ1，Ｐ2，…，Ｐn］）を、各動作モード毎にそれぞれ検出する検出手段と、該対象体の正常状態における予備運転時に該検出手段により検出された複数組（Ｄ組；［ｄ1，ｄ2，…，ｄD］）の上記のデータセットを用いて上記の各動作モード毎にそれぞれ個別の分離モデルとしての自己組織化マップを形成する自己組織化マップ形成手段と、該自己組織化マップ形成手段により形成された上記の各動作モード毎の自己組織化マップの中から、入力されたデータセットに対して最も類似度が高い自己組織化マップを選出し、上記の複数組のデータセットに対して上記の全運転モードに対する各運転モードの比率を表す運転モード比率ベクトルを算出する運転モード比率算出手段と、該対象体の正常状態における予備運転時に該検出手段により検出された該データセットの各パラメータの値を、該パラメータの数と同数の変動値からなり互いに異なる複数個（Ｅ個）の変動ベクトルによって増減させることで、該対象体の異常発生時における仮想的な異常時データセットを上記の１つのデータセットにつき該変動ベクトルの数（Ｅ）だけ作成する異常時データ作成手段とをそなえ、該運転モード比率算出手段は、該異常時データ作成手段により該異常時データセットが入力されると、該自己組織化マップ形成手段により形成された上記の各動作モード毎の自己組織化マップの中から、該異常時データセットに対して最も類似度の高い自己組織化マップを選出し、上記の複数組の異常時データセットに対して上記の全運転モードに対する各運転モードの比率を表す異常時運転モード比率ベクトルを算出するように機能することを特徴としている。
【００１４】
請求項５記載の本発明の診断装置は、請求項１記載のデータ処理装置と、該対象体の実稼動時に、該検出手段により検出された実稼動時データセットを複数組取得するとともに、該運転モード比率算出手段により算出された上記の各動作モード毎の自己組織化マップのうち該実稼動時データセットに対して最も類似度が高い自己組織化マップを上記の各実稼動時データセット毎に求め、上記の全運転モードに対する各運転モードの比率を表す実稼動時運転モード比率ベクトルを取得し、該運転モード比率算出手段により算出された上記の各異常時運転モード比率ベクトルのうち、上記の実稼動時運転モード比率ベクトルに最も類似度が高い変動ベクトルを選択し、該選択した異常時運転モード比率ベクトルに対応する変動ベクトルの各変動値を求めることにより該対象体の異常を判定する判定手段とをそなえたことを特徴としている。
【発明の効果】
【００１５】
本発明によれば、異常時運転モード比率ベクトルと、各パラメータの値を増減させる変動ベクトルとの対応関係を用いて対象体の異常を判定することができるので、各パラメータについてより正確に診断することができる。
【発明を実施するための最良の形態】
【００１６】
以下、本発明の実施の形態について、図を参照して説明する。
図１及び図２は本発明の一実施形態にかかる診断装置を説明するための図であって、図１はそのブロック図、図２はその処理を示すフローチャートである。本診断装置は、例えば作業機械等の機械類に備えられ、機械類のどの部分にどの程度の劣化や異常の兆候が生じているかを診断するものである。以下では、一例として作業機械の油圧ショベルに適用した場合の診断装置について説明する。なお、本診断装置の適用対象はこれに限定されるものではなく、複数の動作モード（変動モード）で動作（変動）しうる種々の対象体全てに適用できる。
【００１７】
図１に示すように、本診断装置は、油圧ショベルに備えられた複数のセンサ（検出手段）１ａ〜１ｄと、自己組織化マップ形成手段２，記憶部３，判定手段４，異常時データ作成手段７，運転モード比率算出手段８に相当する各機能を有するＥＣＵ（電子コントロールユニット）５と、表示装置６とを主に備えて構成されている。なお、ＥＣＵ５は、入出力装置，処理プログラムを内蔵した記憶装置（ＲＡＭ，ＲＯＭ等），中央処理装置（ＣＰＵ）等を備えて構成される。また、上記のセンサ１ａ〜１ｄ，自己組織化マップ形成手段２，異常時データ作成手段７及び運転モード比率算出手段８によりデータ処理装置が構成されている。
【００１８】
センサ１ａ〜１ｄは、油圧ショベルに関する各パラメータ（変動要素）に対応して備えられ、複数の動作モードで動作しうる油圧ショベルの動作時に、油圧ショベルの動作に応じて変動する各パラメータ値を各動作モード毎に検出するようになっている。なお、センサ１ａ〜１ｄは、対応するパラメータの値を直接検出するもののほか、ある検出データを演算等によって処理して、対応するパラメータの値を推定値として求めるものも含む。
【００１９】
また、ここでいう油圧ショベルに関するパラメータとは、例えばエンジン回転数，燃料消費量，油圧ポンプ圧力（１つ又は複数の油圧ポンプ圧力），油圧回路内の油温，車体の前進・後進或いは旋回を制御する作動圧，バケットを制御するバケットシリンダの作動圧，スティックを制御するスティックシリンダの作動圧，ブームを制御するブームシリンダの作動圧などの油圧ショベルの動作に応じて変動する各要素のことをいう。
【００２０】
本診断装置では、これらのパラメータのうち代表としてエンジン回転数，燃料消費量，油圧ポンプ圧力の値を検出するセンサ１ａ〜１ｄが備えられている。すなわち、エンジン回転数を検出するエンジン回転数センサ１ａと、燃料消費量を検出する燃料消費量センサ１ｂと、油圧ショベルの左側及び右側の油圧ポンプ圧力をそれぞれ検出する左油圧ポンプ圧力センサ１ｃ，右油圧ポンプ圧力センサ１ｄとの４つのセンサ１ａ〜１ｄを備えている。もちろん、上述したようなバケットシリンダ，スティックシリンダ，ブームシリンダ等の作動圧を検出するセンサを設けても良い。
【００２１】
自己組織化マップ形成手段２では、エンジン回転数センサ１ａ，燃料消費量センサ１ｂ，左油圧ポンプ圧力センサ１ｃ，右油圧ポンプ圧力センサ１ｄにより検出された複数組のパラメータ値に基づく検出データをトレーニングデータ（Training Data）として、油圧ショベルの各動作モードに対応してそれぞれ個別の分離モデルとして自己組織化マップ（Self-Organizing Map、以下、ＳＯＭともいう）を形成するようになっている。
【００２２】
ここで、油圧ショベルの各動作モードとは、ある一定の決まった動作（特定の動作）のことをいい、例えば、堆積した土砂をトラックのベッセル（荷台）上に積み込むという一連の作業は、おおまかに次の４つの運転モード（動作モード）に分離できる。すなわち、「バケットで土砂をすくい始めてからすくい終わるまでの動作（運転モード１）」、「土砂をすくった後、車体を旋回させて、土砂を保持したバケットをトラックのベッセル上方まで運ぶ動作（運転モード２）」、「バケットを開いて土砂のベッセル上への移載を開始してから土砂の移載が完了するまでの動作（運転モード３）」、「バケットを堆積した土砂の位置まで戻して運転モード１に入るまでの動作（運転モード４）」の４つのモードである。本実施形態では、上記の他に「アイドリング（待機状態）（運転モード０）」のモードを含む５つの運転モードで油圧ショベルが動作する場合について説明する。
【００２３】
また、自己組織化マップとは、一般には、多次元データを２次元空間で表して可視化した認識モデルのことをいうが、２次元空間に表さなくても、多次元データ自体を、予め用意されたクラスにクラス分け（分類）する際の１つの手段として用いることができる。
ここで、一般的なクラス分けについて説明する。計測によって取得したＤ組のデータ集団（又はデータ群ともいう）｛ｄ1，ｄ2，・・・，ｄi，・・・，ｄD｝の各データ点（又はデータセットともいう）ｄi（ｉ＝１，２，・・・，Ｄ）は、あるクラスＣj（ｊ＝１，２，・・・，ｚ）を特徴付けるｎ個のパラメータ値（計測特性値）から成っている。すなわち、ｄi＝［Ｐ1，Ｐ2，・・・，Ｐn］とする。クラス分けを行なうには、このあるデータ点ｄiのｎ個のパラメータ値を読み取ることだけで、各データ点ｄiをある正しいクラスに当てはめることのできる技術（モデルとそれに対応したアルゴリズム）が必要となる。
【００２４】
このためには、まず、“答え（即ち、実際のクラス）”が分かっているトレーニングデータに基づいて初期知識を構築する必要がある。トレーニングデータは、自己組織化マップ（認識モデル）を学習する（即ち、徐々に自己組織化マップをアップデートする）ために使用され、この学習を繰り返す手法は“教師あり学習”と呼ばれる。こうして得られた自己組織化マップを、クラス分け問題を解く手段として用いる。
【００２５】
なお、自己組織化マップを構築するとき、正確なトレーニングデータを多量に用いれば用いるほど、より正確な自己組織化マップを構築することができるが、トレーニングデータの量がある程度に達したら、それ以上データ量を増やしても、自己組織化マップの精度向上は僅かになってしまうため、トレーニングデータの入力回数は所定の回数に設定するのが好ましい。また、ここでいう「クラス」は、本実施形態における「運転モード」に対応するものである。
【００２６】
さて、上述したように、本診断装置では、このような自己組織化マップを、油圧ショベルの各動作モードに対応してそれぞれ個別の「分離モデル（Separation Model）」として形成するようになっている。
つまり、各クラスＣj（Ｃ1，Ｃ2，・・・，Ｃz）のそれぞれに対して１つの自己組織化マップＳＯＭj（ＳＯＭ1，ＳＯＭ2，・・・，ＳＯＭz）を形成する。従って、本実施形態では、５つのクラス（運転モード）のそれぞれに対して１つの自己組織化マップを形成する。そして、分離モデルとしての各自己組織化マップをそれぞれ、ある１つの運転モードのみを明確に代表する多量のトレーニングデータを使って学習を実施する。このような学習により構築された各自己組織化マップはそれぞれ１つの運転モードを明確に認識できる“よく訓練されたエキスパート（Local and well trained Expert）”として機能する。このため、複数の動作モードで動作しうる対象体の各動作モードを正確に認識することができる。
【００２７】
なお、１つの自己組織化マップは１つの運転モードのみを学習するものであり、他の運転モードに対しては学習していないので、１つの自己組織化マップが他の運転モードの知識を同時に特徴づけるものではない。
また、自己組織化マップ形成手段２に入力される４つのセンサ１ａ〜１ｄからの検出データは、油圧ショベルの瞬間の状態を示す４個（ｎ個）のパラメータ値ｄ（ｋ）自体と、油圧ショベルの瞬間の変化状態を示す４個（ｎ個）のパラメータ値の時間微分値（パラメータ値の変化率などの時間微分相当値も含む）Δｄ（ｋ）とを含み、これら４個のパラメータ値ｄ（ｋ）自体と４個のパラメータ値の時間微分値Δｄ（ｋ）とを合わせた８次元（２ｎ次元）データとして構成されている。
【００２８】
このように、自己組織化マップ形成手段２では、現時刻のパラメータ値ｄ（ｋ）だけでなく、現時刻のパラメータ値ｄ（ｋ）と現時刻よりも前の時刻のパラメータ値ｄ（ｋ−１）との差、即ちΔｄ（ｋ）＝ｄ（ｋ）−ｄ（ｋ−１）、をも含んだトレーニングデータに基づいて自己組織化マップを形成するようになっている。
現時刻のパラメータ値ｄ（ｋ）のみでは油圧ショベルの全体の動的な稼動に対し十分な代表的情報を得ることができないが、上述のようにΔｄ（ｋ）を考慮に入れることで、各運転モードに対し特徴となりうる検出データ軌跡の傾向をより正確に把握することができるので、より精度の高い自己組織化マップを形成することが可能となる。
【００２９】
この手法によれば、ｄ（ｋ）とΔｄ（ｋ）というダブルサイズの自己組織化マップを形成する必要があり長い学習時間を要することになるが、この計算は自己組織化マップを学習する際に一度実行するだけでよいので、油圧ショベル作動中に運転モードを判定する際には何ら装置の負担にはならない。
また、自己組織化マップ形成手段２は、８次元（２ｎ次元）空間内に所定数のニューロンをランダムに初期配置し、上記のトレーニングデータを用いて学習させ、トレーニングデータ点とニューロンとの距離が最小のニューロンを勝者ニューロンとして各トレーニングデータ点に対する勝者ニューロンを決定して自己組織化マップの候補を形成し、上記の自己組織化マップ候補の形成を複数回（所定数）実施して得られる複数の自己組織化マップ候補の中からトレーニングデータ特性に最も近い特性のものを自己組織化マップとして選定するようになっている。
【００３０】
つまり、自己組織化マップ形成手段２は、上記の各自己組織化マップ候補について、トレーニングデータ点と上記の各勝者ニューロンとの距離の平均値と、トレーニングデータ点と上記の各勝者ニューロンとの距離の標準偏差とを演算し、平均値及び標準偏差の何れについても最も小さい自己組織化マップ候補を自己組織化マップとして選定するようになっている。なお、ここでいう勝者ニューロンとは、勝者ニューロン履歴のある（即ち、一度でも勝者ニューロンになったことのある）全てのニューロンのことをいう。また、このとき、自己組織化マップ形成手段２は、上記の平均値及び標準偏差の何れについても最も小さい自己組織化マップ候補がない場合には、平均値が最も小さい自己組織化マップ候補を自己組織化マップとして選定するようになっている。
【００３１】
さらに、自己組織化マップ形成手段２では、上記の選定した自己組織化マップ中のニューロンのうち、一度も勝者ニューロンとならなかったニューロンを消去するようになっている。
なお、このような自己組織化マップの学習は、油圧ショベルで実際の作業を行なう前に、或いは実際の作業とは切り分けて（本実施形態では、これを油圧ショベルの「オフライン状態」或いは「正常状態における予備運転時」ともいう）予め行なっておくことが好ましい。したがって、例えば、油圧ショベルが製品として出荷される前に、出荷後行なわれるであろう一連の動作に沿って油圧ショベルを実験的に正常運転状態（異常が全くない状態）で動作させ、自己組織化マップ形成手段２により各運転モード毎に自己組織化マップを形成し、記憶部３に記憶させておけばよい。
【００３２】
異常時データ作成手段７は、油圧ショベルの正常状態における予備運転時に、センサ１ａ〜１ｄにより検出されたデータ点の各パラメータの値を、これらパラメータの数と同数の変動値（変動率ともいう）からなり互いに異なる複数個（Ｅ個）の変動ベクトルによって増減させることで、油圧ショベルの異常発生時における仮想的な異常時データ点を１つの検出データ点につき変動ベクトルの数（Ｅ）だけ作成するようになっている。
【００３３】
運転モード比率算出手段８は、自己組織化マップ形成手段２により形成された各運転モード毎の自己組織化マップの中から、入力されたデータ点に対して最も類似度が高い自己組織化マップを選出し、複数組のデータ点に対して全運転モードに対する各運転モードの比率を表す運転モード比率ベクトルを算出するようになっている。また、運転モード比率算出手段８は、異常時データ作成手段７により異常時データ点が入力されると、自己組織化マップ形成手段２により形成された各運転モード毎の自己組織化マップの中から、異常時データ点に対して最も類似度の高い自己組織化マップを選出し、上記の複数組の異常時データ点に対して、全運転モードに対する各運転モードの比率を表す異常時運転モード比率ベクトルを算出するように機能している。
【００３４】
判定手段４は、油圧ショベルの実稼動時に、センサ１ａ〜１ｄにより検出された実稼動時データ点を複数組取得するようになっている。また、判定手段４は、運転モード比率算出手段８により算出された各運転モード毎の自己組織化マップのうち実稼動時データ点に対して最も類似度が高い自己組織化マップを各実稼動時データ点毎に求め、全運転モードに対する各運転モードの比率を表す実稼動時運転モード比率ベクトルを取得する。そして、判定手段４は、運転モード比率算出手段８により算出された各異常時運転モード比率ベクトルのうち、実稼動時運転モード比率ベクトルに最も類似度が高い変動ベクトルを選択し、この選択した異常時運転モード比率ベクトルに対応する変動ベクトルの各変動値を求めることにより油圧ショベルの異常を判定するようになっている。
【００３５】
表示装置６は、判定手段４における判定結果を表示できるようになっている。
本実施形態に係る診断装置は、上述のように構成されており、その処理は図２に示すフローに沿って実行される。以下、図２に示すフロー、即ち、自己組織化マップ形成ステップ（ステップＷ１），異常時データ作成ステップ（ステップＷ２），運転モード比率算出ステップ（ステップＷ３），判定ステップ（ステップＷ４）について説明する。
【００３６】
（１）自己組織化マップ形成ステップ
まず、図２に示す自己組織化マップ形成ステップ（ステップＷ１）について説明する。
この自己組織化マップ形成ステップでは、自己組織化マップ形成手段２により、油圧ショベルの各運転モードを明確に表わす分離モデルとしての自己組織化マップを各運転モード毎に１つずつ形成する。この自己組織化マップ形成ステップの処理は、前述したように油圧ショベルのオフライン状態で行われ、さらに詳細には図３に示すように、データ作成用検出ステップ（ステップＳ１００），演算ステップ（ステップＳ１１０），形成ステップ（ステップＳ１２０）からなる。
【００３７】
データ作成用検出ステップ（ステップＳ１００）では、油圧ショベルの各運転モードについてそれぞれ多量且つ信頼性の高い検出データを取得する。つまり、本実施形態では、各運転モード毎に、４つのセンサ１ａ〜１ｄから各パラメータ値をそれぞれ複数組検出する。ここで、現時刻ｋでのパラメータ値をｄ（ｋ）とする。
演算ステップ（ステップＳ１１０）では、データ作成用検出ステップにおいて検出された各パラメータ値をそれぞれ処理して各パラメータ値の時間微分値〔パラメータ値の変化率（例えば検出周期時間など単位時間での変化量）などの時間微分相当値も含む〕Δｄ（ｋ）を算出する。
【００３８】
形成ステップ（ステップＳ１２０）では、データ作成用検出ステップで取得した複数組のパラメータ値ｄ（ｋ）と、演算ステップで算出した複数組のパラメータ値の時間微分値Δｄ（ｋ）とに基づく検出データ｛ｄ（ｋ）；Δｄ（ｋ）｝をトレーニングデータとして、各運転モード毎に分離モデルとしての自己組織化マップを形成する。
図４は、油圧ショベルを運転モード１〜４からなる一連の運転動作を繰り返し行なったときのセンサ１ａ〜１ｄのパラメータ値を示しており、横軸は共通の時間目盛になっている。この図４からもわかるように、同一運転モードでは同一のパラメータ値（波形）が得られるのが理想的であるが、実際には同一の運転モードであってもパラメータ値が異なる場合がある。したがって、このオフライン処理において大量且つ信頼性のあるトレーニングデータを用いて自己組織化マップを繰り返し学習させていくことにより、各運転モードの特徴をより明確に表わす自己組織化マップを形成することができるのである。
【００３９】
このようにして各運転モードに対してそれぞれ１つの代表的な自己組織化マップを得るのであるが、この学習コンセプトの中には次のような特徴がある。すなわち、各自己組織化マップは１つの運転モードのみに対して学習するので、一般に知られている自己組織化マップのソフトウエアを使って表現されるような２次元マップのグラフ上にニューロンの位相学的距離（近傍）を示す必要がない。本実施形態に係る自己組織化マップにおいては、８次元空間にあるニューロンの分布〔ここでは“雲（C1oud）”と称する〕を得ることで十分である。
【００４０】
次に、形成ステップのより具体的な計算処理について説明する。
図５に示すように、まず、８次元空間内に所定数のニューロンをランダムに配置する（ステップＳ２００。第１ステップ）。そして、８次元空間内の各検出データ点（このオフライン処理においては自己組織化マップを形成するためのトレーニングデータとして扱われる）に対して、それぞれ各ニューロンとの距離を求める（ステップＳ２１０）。その後、上記の距離が最小であるニューロンを勝者ニューロンと決定する。また、このとき、この勝者ニューロンだけでなく、勝者ニューロンの近傍のニューロンも同時に学習させる。
【００４１】
ここで、最小の距離（Minimum Distance）ＭＤを、ｉ番目の検出データ点と２ｎ次元空間内における各ニューロンとの間の距離の最小値と定義する。例えば、ｊ番目のニューロンとの距離が最小である場合、この最小であるｊ番目のニューロンを勝者ニューロンと呼ぶ。この最小距離ＭＤは次式（１）で表される。
【００４２】
【数１】
【００４３】
ここで、ｒ（ｉ，ｊ）は、ｉ番目の検出データ点とｊ番目のニューロンとの間の距離を示す。また、一般的な自己組織化マップのアルゴリズムにおいて知られているように、距離ｒ（ｉ，ｊ）をユーグリッド距離として計算する。なお、ＴＤはトレーニングデータの数（組）を表わしている。
その後、複数組についてすべて学習を実施したか否かを判定し（ステップＳ２３０）、まだ実施していない場合（ＮＯの場合）はステップＳ２１０へ移る。一方、すべて実施完了した場合（ＹＥＳの場合）はステップＳ２４０へ移り、１つの自己組織化マップ候補を形成する。なお、この時点で得られた自己組織化マップは、必ずしも１つの運転モードを明確に表わすベストな自己組織化マップとはいえないため、１つの候補として扱う。また、ステップＳ２１０〜ステップＳ２４０が第２ステップであり、自己組織化マップ候補形成ステップは上記の第１ステップと第２ステップとからなる。
【００４４】
さて、上記の計算処理により、ある１つの運転モードに対して１つの自己組織化マップ候補が形成されたわけであるが、本実施形態では、ある１つの運転モードの特徴を明確に表わすより精度の高いベストな自己組織化マップを得るために、１つの運転モードについて複数の自己組織化マップ候補を形成し、これら複数の自己組織化マップ候補の中からベストなものを選定するようにしている。したがって、ステップＳ２５０では、予め自己組織化マップを形成する前に決めておいた所定数の自己組織化マップ候補を形成したか否かを判定し、ＮＯの場合はステップＳ２００に移ってさらにもう１つ自己組織化マップ候補を形成し、ＹＥＳの場合は、ステップＳ２６０へ移る。
【００４５】
ステップＳ２６０（選定ステップ）では、各候補の中からトレーニングデータ特性に最も近い特性のものを自己組織化マップとして選定する。ここで、このステップＳ２６０においてどのようにベストな自己組織化マップを選定するのかをより詳しく説明する。
まず、２ｎ次元空間内のニューロン分布を特徴づける重要なパラメータとして、平均最小距離（Average Minimum Distance）ＡＶminと、最小距離ＭＤの標準偏差（Standard Deviation）ＳＴdevとがある。
【００４６】
図６は、一例として、２ｎ次元空間内における１０個の検出データ点（オフライン処理ではトレーニングデータとして扱っているので、図６ではトレーニングデータ点として示している）ｄ1〜ｄ10と７個のニューロンｎ1〜ｎ7との間の最小距離ＭＤを視覚的に示すものであるが、平均最小距離ＡＶminはこれら最小距離ＭＤの平均値である。この平均最小距離ＡＶminは次式（２）で表される。
【００４７】
【数２】
【００４８】
また、標準偏差ＳＴdevも、平均最小距離ＡＶminの式と同様に、公知の式〔次式（３）〕により求めることができる。
【００４９】
【数３】
【００５０】
図５に示すステップＳ２６０では、このようにして求めた平均最小距離ＡＶminと標準偏差ＳＴdevとに基づいて、複数の候補として算出された自己組織化マップのうちどの自己組織化マップがトレーニングデータ特性に最も近いかを判定する。このとき、平均最小距離ＡＶmin及び標準偏差ＳＴdevの何れについても最も小さい自己組織化マップ候補を、トレーニングデータ特性に最も近いベストな自己組織化マップとして選定する。
【００５１】
なお、平均最小距離ＡＶmin及び標準偏差ＳＴdevの何れについても最も小さい自己組織化マップ候補がない場合には、平均最小距離ＡＶminが最も小さい自己組織化マップ候補を自己組織化マップとして選定する。これにより、最もよく検出データ（トレーニングデータ）の特徴を表わした自己組織化マップを選定することができる。
また、ステップＳ２７０（アイドリングニューロン消去ステップ）において、上記の選定した自己組織化マップ中のニューロンのうち一度も勝者ニューロンにならなかったニューロン（ここでは“アイドリングニューロン（Idling Neuron）”と称する）を消去する。例えば図６には２つのアイドリングニューロンｎ3，ｎ7が示されているが、ここではこれらアイドリングニューロンｎ3，ｎ7を自己組織化マップの学習後に消去するのである。このようなアイドリングニューロンの概念を適用することで、トレーニングデータ特性を、ニューロン数を大幅に減少させた自己組織化マップで表わすことができるので、自己組織化マップを記憶しておくための容量を少なくでき、この後この自己組織化マップを用いた計算の処理時間を短縮できる。
【００５２】
本実施形態で説明するように、１つの運転モードに対して１つの自己組織化マップ（分離モデル）を使うことのメリットは、この１つの運転モードを特徴づける膨大な検出データ点を、数を大幅に減少させたニューロンに近似することで記憶容量を少なくできることである。
図７（ａ）〜（ｄ）は運転モード１に対する検出データ点のグラフであって、（ａ）はエンジン回転数Ｐ1と左油圧ポンプ圧力Ｐ3との関係、（ｂ）はエンジン回転数Ｐ1と右油圧ポンプ圧力Ｐ4との関係、（ｃ）は左油圧ポンプ圧力Ｐ3と右油圧ポンプ圧力Ｐ4との関係、（ｄ）はエンジン回転数Ｐ1と燃料消費量Ｐ2との関係を示している。なお、図７（ａ）〜（ｄ）の各自己組織化マップ（分離モデル）は８次元であるので、実際には８次元空間に勝者ニューロンが位置したマップとして形成される。
【００５３】
また、図８（ａ）〜（ｄ）は運転モード２に対する検出データ点のグラフである。図８の（ａ）〜（ｄ）も、各自己組織化マップ（分離モデル）は８次元であるので、実際には８次元空間に勝者ニューロンが位置したマップとして形成される。
また、図９（ａ）〜（ｄ）は、運転モード１のベストな自己組織化マップを示すものである。なお、図９中の小さい点印は、運転モード１の検出データ点を、大きい点印は、完全な学習及びアイドリングニューロンの消去を行なった後のニューロンを示している。
【００５４】
これと同様に、図１０（ａ）〜（ｄ）は、運転モード２のベストな自己組織化マップを示すものである。なお、図１０中の小さい点印は、運転モード２の検出データ点を、大きい点印は、完全な学習及びアイドリングニューロンの消去を行なった後のニューロンを示している。これら図９（ａ）〜（ｄ）及び図１０（ａ）〜（ｄ）から、ニューロンが主にデータ密度の最も高い領域に配置されていることが容易に分かる。
【００５５】
（２）異常時データ作成ステップ
次に、図２に示す異常時データ作成ステップ（ステップＷ２）について説明する。
この処理は、前述した自己組織化マップ形成ステップと同様に、油圧ショベルのオフライン状態で行なわれる。具体的には、異常時データ作成手段７が、各センサ１ａ〜１ｄから油圧ショベルの正常運転状態時のデータ（正常時データ）を取得し、この取得した正常時データの各検出データ点を、予め設定した変動率で変動させて、油圧ショベルの異常発生時における仮想的なデータ（異常時データ）を作成する。なお、上記の正常時データとして、前述した自己組織化マップ形成ステップで検出した正常運転状態時の検出データをそのまま用いてもよい。
【００５６】
正常時データのデータ点ｄ（ｋ）＝［ｄ1（ｋ），ｄ2（ｋ），…，ｄn（ｋ）］（ｎ：パラメータの総数）に対する異常時データは、下式（４）により求めることができる。
【００５７】
【数４】
【００５８】
つまり、本実施形態のように、パラメータ数ｎがエンジン回転数Ｐ1，燃料消費量Ｐ2，左油圧ポンプ圧力Ｐ3，右油圧ポンプ圧力Ｐ4の４つの場合で、「−０．２（即ち「−２０％」）」，「−０．１（即ち「−１０％」）」，「０（即ち「０％」であり、変動させない）」，「＋０．１（即ち「＋１０％」）」，「＋０．２（即ち「＋２０％」）」の５つの変動率αからなる変動パラメータベクトル（単に変動ベクトルともいう）で検出データ点（正常時データ点）を変動させた場合、正常運転状態時における１つの検出データ点に対して、５×５×５×５＝６２５通りの異常時データ点が作成される。図１１は、一例として、パラメータ数ｎが４つ、変動率αが５つのレベルの場合の異常時データ点の作成時に用いられる変換テーブル（以下、これを「変動パラメータベクトルモデルマップ」という）を示している。図１１中、Ｐ1はエンジン回転数、Ｐ2は燃料消費量，Ｐ3は左油圧ポンプ圧力、Ｐ4は右油圧ポンプ圧力を示し、ＩＤ（Identification Number）は６２５通りの変動ベクトルのそれぞれに付した番号を示している。例えば図１１に示す変動パラメータベクトルモデルマップでは、ＩＤ＝「１」は、エンジン回転数Ｐ1のみを変動率α＝「−０．２」で変動させるものであり、ＩＤ＝「２」は、燃料消費量Ｐ2のみを変動率α＝「＋０．２」で変動させるものであり、ＩＤ＝「６２５」は、右油圧ポンプ圧力Ｐ4のみを変動率α＝「＋０．２」で変動させるものである。
【００５９】
異常時データ作成手段７は、このような変動パラメータベクトルモデルマップを用いて、ここでは正常時データの各検出データ点をそれぞれ６２５組の仮想的な異常時データ点に変換する。つまり、例えば、正常時データが１０００組（Ｄ＝１０００）の検出データ点（正常時データ点）からなるものであれば、１０００×６２５組の異常時データ点からなる異常時データが作成されることになる。
【００６０】
（３）運転モード比率算出ステップ
次に、図２に示す運転モード比率算出ステップ（ステップＷ３）について説明する。
この処理は、前述した自己組織化マップ形成ステップと同様に、油圧ショベルのオフライン状態で行なわれる。具体的には、運転モード比率算出手段８が、まず、異常時データ作成手段７により作成された異常時データの各異常時データ点に対し、自己組織化マップ形成手段２により形成された各運転モードの自己組織化マップを用いて運転モード認識を行なう。このため、運転モード比率算出手段８は、各異常時データ点がそれぞれどの運転モードの自己組織化マップと最も類似しているかを計算し、最も類似性の高い自己組織化マップに対応する運転モードを求める。
【００６１】
詳細には図１２に示すように、まず、ある１つの異常時データ点と各運転モードの自己組織化マップとの類似度合いＳＤ（Similarity Degree）を求める（ステップＳ５００）。この類似度合いＳＤを計算する手法は種々あるが、本実施形態では、ユーグリッド距離、即ち、異常時データ点と自己組織化マップ内の勝者ニューロンとの距離を使って求める。
【００６２】
また、このようにして得られた類似度合いＳＤを平均最小距離ＡＶminで除算し、異常時データ点と自己組織化マップの勝者ニューロンとの間の相対距離ＲＤ（＝ＳＤ／ＡＶmin）を求める。なお、ここでいう勝者ニューロンとは、異常時データ点（１個）に対し距離の最も短いニューロンのことをいう。この相対距離ＲＤの計算を、５つの自己組織化マップの全てに対してそれぞれ行なう（ステップＳ５１０）。
【００６３】
そして、上述のように算出された相対距離ＲＤが、自己組織化マップに対し、所定値（１＋β）以下、即ちＲＤ≦１＋β（βは予め決められた閾値）であるか否かを判定し（ステップＳ５２０）、所定値以下であれば、この自己組織化マップに適合すると判定する（ステップＳ５３０）。このようにして、各異常時データ点は、適合する自己組織マップに対応した運転モードに分類される。
【００６４】
一方、相対距離ＲＤが所定値以上であれば、この自己組織化マップには適合しないと判定する（ステップＳ５４０）。即ち、この場合、異常時データ点は、どの運転モードにも分類できないことを意味している。なお、上記の所定値（１＋β）を適宜設定しておくことで、検出データ点が自己組織化マップに適合するか否かの判定基準を状況に応じて決定することができる。
【００６５】
運転モード比率算出手段８は、このような判定を、１つの異常時データ点に対し、５つの各自己組織化マップについて行ない、適合する自己組織化マップが複数ある場合（即ち、適合する運転モードが複数ある場合）には、相対距離ＲＤが最も小さい自己組織化マップを選択し、この自己組織化マップに対応する運転モードとして認識する。また、適合する自己組織化マップが１つもない場合（即ち、適合する運転モードが１つもない場合）には、モード判定ができなかったものとし、例えばこの場合は「未知の運転モード」として認識しておく。
【００６６】
また、運転モード比率算出手段８は、上記のように運転モード認識を行なった後、全運転モードに対する各運転モードの比率を表す運転モード比率ベクトル（異常時運転モード比率ベクトル）を算出する。この運転モード比率ベクトルＶは、下式（５）により求めることができる。
【００６７】
【数５】
【００６８】
図１３は、図１１に示す変動パラメータベクトルモデルマップに対応する運転モード比率ベクトルモデルマップの一例を示す。なお、図１３中、Ｍ０はアイドリング（待機）の運転モードを示し、Ｍ１〜Ｍ４はそれぞれ上述した運転モード１〜４を示している。なお、「Fail」は上記のいずれのモードにも当てはまらない比率を示している。
図１３に示す例では、運転モード２及び運転モード３の比率については省略しているが、例えばＩＤ＝「１」の変動ベクトルにより作成される異常時データ点の場合、運転モード０の比率は「０．１８５」、運転モード１の比率は「０．１４８」、運転モード４の比率は「０．１８８」、Failの比率は「０．０６８」となることがわかる。なお、これら全比率を足せば「１．０００」となる。前述したように例えば正常時データ点が１０００個であったとすれば、例えばＩＤ＝「１」の場合、運転モード０と認識された異常時データ点は１８５個、運転モード１と認識された異常時データ点は１４８個、運転モード４と認識された異常時データ点は１８８個、Failと認識された異常時データ点は６８個であることを示している。
【００６９】
ここで、図１４及び図１５に、一例として、異常時データの運転モード比率を示す。図１４は、エンジン回転数Ｐ1のみを「−０．２５」〜「＋０．２５」まで「０．０５」単位で変動させた時の運転モード比率を示している。この図１４からわかるように、エンジン回転数Ｐ1の変動率が「０」の場合には、運転モード２，運転モード３，運転モード４，運転モード１，運転モード０の順に運転モード比率が大きくなることがわかる。また、このとき、Failの比率は０であるが、エンジン回転数Ｐ1を変動させると各運転モード比率が変化し、特にエンジン回転数が大きく下がると（変動率αが「−０．２」よりも小さくなると）、Failの比率が運転モード１〜４よりも大きくなることがわかる。
【００７０】
また、図１５は燃料消費量Ｐ2のみを「−０．２５」〜「＋０．２５」まで「０．０５」単位で変動させた時の運転モード比率を示している。この図１５からわかるように、燃料消費量Ｐ2の変動率が「０」の場合には、運転モード２，運転モード３，運転モード４，運転モード１，運転モード０の順に運転モード比率が大きくなることがわかる。また、このとき、Failの比率は０であるが、燃料消費量Ｐ2を変動させると各運転モード比率が変化し、特に燃料消費量の変動率の大小に連動して運転モード２の比率（図１４に示すＭ２）が大きく変化することがわかる。
【００７１】
図１６は、変動率αを「−０．２」〜「＋０．２」まで「０．１」単位で変動させた時の運転モード１及び運転モード２の比率をプロット（図１６中、小さい点）した図である。また、図１６中の大きな点は、正常時データ点（即ち、各パラメータ値の変動率αを全て「０」としたとき）における運転モード１及び運転モードの比率をプロットしたものである。この図１６から、各異常時データ点における運転モード比率は、正常時データ点における運転モード比率を示す点（図１６中、大きな点）の周囲に広がって分布することがわかる。
【００７２】
（４）判定ステップ
次に、図２に示す判定ステップ（ステップＷ４）について説明する。上述した（１）〜（３）の処理は油圧ショベルの診断を行なうための前処理であったが、この判定ステップは、実際に油圧ショベルの診断を行なう処理であり、この処理は、油圧ショベルが出荷された後に行われる（本実施形態では、これを油圧ショベルの「オンライン状態」という）。具体的には、図１７に示すように、まず、油圧ショベルを実稼動させて、各センサ１ａ〜１ｄにより４個のパラメータ値、即ち検出データ（実稼動時データ）をそれぞれ検出する（ステップＳ６００）。このような検出データを、例えば１日分取得し、記憶部３に記憶しおく。
【００７３】
次に、運転モード比率算出手段８が、検出データ点と各運転モードの自己組織化マップとの類似度合いＳＤ（Similarity Degree）を求める（ステップＳ６１０）。この類似度合いＳＤを計算する手法は種々あるが、本実施形態では、ユーグリッド距離、即ち、検出データ点と自己組織化マップ内の勝者ニューロンとの距離を使って求める。
また、このようにして得られた類似度合いＳＤを平均最小距離ＡＶminで除算し、検出データ点と自己組織化マップの勝者ニューロンとの間の相対距離ＲＤ（＝ＳＤ／ＡＶmin）を求める。なお、ここでいう勝者ニューロンとは、検出データ点（１個）に対し距離の最も短いニューロンをいう。この相対距離ＲＤの計算を、５つの自己組織化マップの全てに対してそれぞれ行なう（ステップＳ６２０）。
【００７４】
そして、上述のように算出された相対距離ＲＤが、自己組織化マップに対し、所定値（１＋γ）以下、即ちＲＤ≦１＋γ（γは予め決められた閾値）であるか否かを判定し（ステップＳ６３０）、所定値以下であれば、この自己組織化マップに適合すると判定し（ステップＳ６４０）、相対距離ＲＤが所定値以上であれば、この自己組織化マップには適合しないと判定する（ステップＳ６５０）。即ち、上記の検出データ点は、どの運転モードにも分類できないことを意味している。なお、上記の所定値（１＋γ）を適宜設定しておくことで、検出データ点が自己組織化マップに適合するか否かの判定基準を状況に応じて決定することができる。
【００７５】
運転モード比率算出手段８は、このような判定を５つの各自己組織化マップについて行ない、適合する自己組織化マップが複数ある場合（即ち、適合する運転モードが複数ある場合）には、相対距離ＲＤが最も小さい自己組織化マップを選択し、この自己組織化マップに対応する運転モードとして認識する。また、適合する自己組織化マップが１つもない場合（即ち、適合する運転モードが１つもない場合）には、モード判定ができなかったものとし、例えばこの場合は「未知の運転モード」として認識する。
【００７６】
また、運転モード比率算出手段８は、上記のように各検出データ点について運転モード認識を行なった後、その１日の全運転モードに対する各運転モードの比率を表す運転モード比率ベクトル（実稼動時運転モード比率ベクトル）を求める。
そして、判定手段４が、運転モード比率算出手段８により求められた実稼動時運転モード比率ベクトルが、図２に示すステップＷ３で求めた異常時運転モード比率ベクトル（図１３参照）のうち、どの運転モード比率ベクトルに最も近い（即ち類似度が高い）かをユーグリッド距離により選ぶ。
【００７７】
次に、判定手段４は、上記のように選んだ運転モード比率ベクトルに対応した変動パラメータベクトルを、図２に示すステップＷ２で求めた変動パラメータベクトルモデルマップ（図１１参照）から求める。すなわち、このようにして求めた運転モード比率ベクトルの各パラメータの変動率αから、当該１日の油圧ショベルの稼動において、どのパラメータ（エンジン回転数，燃料消費量，左油圧ポンプ圧力，右油圧ポンプ圧力のいずれか）にどの程度の変動が生じているかを判定することで、機械の劣化や異常の兆候を予測する。また、表示装置６が、この予測結果を表示し、機械の劣化や異常の兆候を報知するようになっている。
【００７８】
上述したように、本実施形態にかかる診断装置及び診断方法では、図１８に示すように、油圧ショベルの例えば出荷前の正常運転状態時（オフライン状態時）に各パラメータの正常時データを取得し、この正常時データと変動パラメータベクトルモデルマップとを用いて異常時運転モード比率ベクトルモデルマップを作成しておく。そして、機械が出荷されて実際に現場で稼動しているとき（オンライン状態時）に各パラメータの実稼動時データを取得し、この実稼動時データを用いて実稼動時運転モード比率ベクトルを求め、この実稼動時運転モード比率ベクトルに最も近いベクトルを、上記オフライン状態で作成した異常時運転モード比率ベクトルモデルマップから選択し、この選択したベクトルに対応する変動パラメータベクトルを変動パラメータベクトルモデルマップから求める。そして、このようにして求めた変動パラメータベクトルの変動率（具体的には、変動パラメータベクトルの各パラメータの変動率）から各パラメータの変動量を予測することで、機械の劣化や異常の兆候を予測することができる。
【００７９】
また、図１８に示すように、オフライン状態時に、予め各変動パラメータベクトル毎に具体的な異常個所（例えばターボチャージャ，オイルポンプ，インジェクターなど）を特定しておき、各変動パラメータベクトルに対応した異常データベースを用意しておけば、より具体的な異常個所を予測することが可能になる。
以上、本発明の一実施形態について説明したが、本発明は上記の実施形態に限定されるものではなく、本発明の趣旨を逸脱しない範囲で種々変形して実施することができる。
【００８０】
例えば、本実施形態では、複数の動作モードで動作しうる対象体として油圧ショベルを例に説明したが、対象体はこれに限定されるものではなく、例えばトラック・バス，船舶等の乗物類、及び、産業機械をはじめとした各種機械類の動作の良否判定等に広く適用できるほか、動植物等の生命体の良否判定等や、天候或いは地球等の天体の変化の推定などにも適用できる。
【００８１】
また、本実施形態では、診断装置を油圧ショベルに設けて油圧ショベル側で一括して診断を行なう構成について説明したが、図１９に示すように、例えば油圧ショベル等の移動機械にパラメータを検出するセンサだけを設け、この移動機械を所有する事業所に、本実施形態で説明した自己組織化マップ形成手段２，記憶部３，判定手段４，異常時データ作成手段７，運転モード比率算出手段８及び表示装置６を備えたコンピュータ等を設置し、センサからの検出データを無線通信等により上記のコンピュータに送信して表示することで、移動機械が遠隔地にある場合でも事業所側で容易に診断を行なうことが可能となる。なお、図１９では、移動機械と事業者との間に管理システムを介在した例を示している。従来より、特に作業機械，トラック・バス，船舶等のような移動機械を対象にした場合、地理的分散による非効率性もあってメンテナンスの高度化及び高効率化のニーズが高いが、本発明の診断装置を上述のように構成すれば、このようなニーズにも対応可能である。
【図面の簡単な説明】
【００８２】
【図１】本発明の一実施形態に係る診断装置を示すブロック図である。
【図２】本発明の一実施形態に係る診断方法を示すフローチャートである。
【図３】自己組織化マップ形成ステップの具体的な処理を示すフローチャートである。
【図４】本発明の一実施形態に係る油圧ショベルの運転モード１〜４に対する各センサの出力値を示すグラフである。
【図５】自己組織化マップ形成ステップの具体的な処理を示すフローチャートである。
【図６】本発明の一実施形態に係る自己組織化マップ内のトレーニングデータ点（検出データ点）とニューロンとの間の最小距離を視覚的に示す図である。
【図７】本発明の一実施形態に係る自己組織化マップを説明するための図で、（ａ）〜（ｄ）は運転モード１のトレーニングデータによって形成された自己組織化マップである。
【図８】本発明の一実施形態に係る自己組織化マップを説明するための図で、（ａ）〜（ｄ）は運転モード２のトレーニングデータによって形成された自己組織化マップである。
【図９】本発明の一実施形態に係る自己組織化マップを説明するための図で、（ａ）〜（ｄ）は運転モード１のトレーニングデータ（図中の小さい点印）と、完全な学習及びアイドリングニューロンの消去を行なった後のニューロン（図中の大きい点印）の配置を示す図である。
【図１０】本発明の一実施形態に係る自己組織化マップを説明するための図で、（ａ）〜（ｄ）は運転モード２のトレーニングデータ（図中の小さい点印）と、完全な学習及びアイドリングニューロンの消去を行なった後のニューロン（図中の大きい点印）の配置を示す図である。
【図１１】本発明の一実施形態に係る変動パラメータベクトルモデルマップを示す図である。
【図１２】図２に示す運転モード比率算出の具体的な処理を示すフローチャートである。
【図１３】本発明の一実施形態に係る運転モード比率ベクトルモデルマップを示す図である。
【図１４】本発明の一実施形態に係る異常時データのパラメータＰ1についての運転モード比率を示す図である。
【図１５】本発明の一実施形態に係る異常時データのパラメータＰ2についての運転モード比率を示す図である。
【図１６】本発明の一実施形態に係る運転モード１，２の比率をプロットした図である。
【図１７】判定ステップの具体的な処理を示すフローチャートである。
【図１８】本発明の一実施形態に係る診断方法を説明するための概略図である。
【図１９】本発明の変形例としての診断装置を示す図である。
【図２０】従来の自己組織化マップ（可視化２次元マップ）を示す図である。
【符号の説明】
【００８３】
１ａ エンジン回転数センサ（検出手段）
１ｂ 燃料消費量センサ（検出手段）
１ｃ 左油圧ポンプ圧力センサ（検出手段）
１ｄ 右油圧ポンプ圧力センサ（検出手段）
２ 自己組織化マップ形成手段
３ 記憶部
４ 判定手段
５ ＥＣＵ（電子コントロールユニット）
６ 表示装置
７ 異常時データ作成手段
８ 運転モード比率算出手段
【技術分野】
【０００１】
本発明は、複数の動作モードで動作しうる対象体、特に油圧ショベル等の作業機械に生じる異常状態を判定するのに用いて好適の、データ処理方法及びデータ処理装置、並びに診断方法及び診断装置に関する。
【背景技術】
【０００２】
従来の機械類のメンテナンスでは、機械類に故障が発生してから修復する事後保全や、機械類の使用時間を基準にした画一的な予防保全が一般に行なわれている。事後保全では、修理に大幅な時間やコストがかかってしまい、また、予防保全では、画一的な処理のため、不必要な部品やオイルの廃棄が発生し顧客の費用負担が増大し、また、労働集約型からくる高コスト化という問題があったが、今後はこうした従来のメンテナンスから脱却して、予知保全への転換を図っていく必要がある。
【０００３】
予知保全とは、稼動時の負荷・環境情報、過去のメンテナンス歴データベース、故障物理の理解などから、推論により健全度を診断して劣化・余寿命を予測することで、機械の異常を早期に発見して安全な動作環境を提供するものである。
例えば特許文献１には、建設機械などの作業車両の異常診断装置に関し、作業機械（油圧ショベル）の車体に、油圧ポンプの吐出圧を検出する圧力センサと、エンジンの回転数を検出するエンジン回転数センサと、油圧回路内の油温を検出する油温センサと、これら各センサからの検出情報をネットワーク管制局へ無線送信を行なう通信装置とをそなえ、監視局（作業機械の管理者の事務所など）では、前記ネットワーク管制局からインターネットを介して作業機械の各検出情報を得て、これら各検出情報に基づいて作業機械の異常を診断する技術が開示されている。
【０００４】
また、特許文献２には、バッチプラントや連続系プラント等の固定機械設備の異常検出装置に関し、対象プラントが正常状態であるときの正常データを予め収集しておき、この正常データをもとに自己組織化マップ（Self-Organizing Map）を用いて正常データの特徴を抽出し、これをもとに各出力ユニット間の距離関係を表す特徴マップを形成し正常状態モデルとして記憶しておき、この正常状態モデルと未知の入力データ（入力ベクトル）とに基づいて前記対象プラントの異常を検出する技術が開示されている。ここで、上記の正常状態モデルとは、例えば図２０に示すように多次元データを可視化２次元マップに変換したもので〔ここでは多次元データが符号Ｒ1〜Ｒ5の領域で示される５つのクラスタ（集合体）に分類（クラス分け）されている〕、この正常状態モデルと同等の特徴を有するとみなされる場合に入力データは正常データであると判断する。この特許文献２の技術によれば、多次元の入力データに関する総合的な異常検知をリアルタイムに実現することができる。
【特許文献１】特開２００２−３２３０１３号公報
【特許文献２】特開平１１−３３８８４８号公報
【発明の開示】
【発明が解決しようとする課題】
【０００５】
ところで、例えば上述したような油圧ショベル等の作業機械では、エンジンの回転数，油圧ポンプの吐出圧，油圧回路内の油温の他に、例えば、車体の前進・後進或いは旋回を制御する作動圧，バケットを制御するバケットシリンダの作動圧，スティックを制御するスティックシリンダの作動圧，ブームを制御するブームシリンダの作動圧などの多次元のパラメータ（検出要素）が存在する。
【０００６】
また、作業機械は、一連の作業を行なう場合、種々の運転動作（即ち、運転モード）が組み合わされて作業が行なわれる。例えば、作業機械により、堆積した土砂をトラックのベッセル（荷台）上に積み込む作業の場合、おおまかに次の４つの運転モードに分離できる。すなわち、「バケットで土砂をすくい始めてからすくい終わるまでの動作（運転モード１）」、「土砂をすくった後、車体を旋回させて、土砂を保持したバケットをトラックのベッセルの上方まで運ぶ動作（運転モード２）」、「バケットを開いて土砂のベッセル上への移載を開始してから土砂の移載が完了するまでの動作（運転モード３）」、「バケットを堆積した土砂の位置まで戻して運転モード１に入るまでの動作（運転モード４）」の４つのモードである。
【０００７】
つまり、各パラメータ値は、このようなそれぞれの運転モードに応じて変化するものであるが、各パラメータ値を別個に分析しても正確な異常診断を行なえない場合が多い。例えば、１つ１つのパラメータ値が全て正常範囲内にあるとしても、よりマクロ的に見た場合、現在の運転動作が上記４つの運転モードのどれにも当てはまらないという場合も生じ得る。この場合、現在の運転動作は未知の運転モードである、或いは何かしら異常が発生しているものと認められる。
【０００８】
したがって、機械の診断を行なう場合には、現在の運転動作が、予め分類された運転モードに当てはまるか否かを判定して、当てはまらない場合には、上記の運転モードとは異なる運転モードである又は異常が発生していると判定することで、より早期に異常を発見できるものと考えられる。このため、診断対象となる機械について、起こりうる全ての運転モードを予め正確に認識しておけば、多次元のパラメータ値から現在の運転動作はどの運転モードの動作なのかをリアルタイムに判定することができる。
【０００９】
このような視点から上述の従来の技術を検討すると、特許文献２の技術の自己組織化マップを用いれば、パラメータが多次元であっても機械の各運転モードを分類することが可能であると考えられる。
しかし、機械の運転モードが多数存在する場合には、１つの２次元自己組織化マップ内にこれら運転モード数と略同数のクラスタが形成されることになるため、各クラスタの面積が小さくなっていき隣接するクラスタとのオーバーラップが強くなり境界が不明確になってしまう。このため、正確な診断を行なうことができない。また、どの計測データ、即ちどのパラメータにどの程度の劣化や異常の兆候が生じているのかを予測することまでは困難である。
【００１０】
なお、ここでは作業機械を例にとって説明したが、上述したような診断装置は、作業機械等の機械類への適用だけに限定せずに、動作（或いは変動）を複数の動作モード（或いは変動モード）で分類できる多くの診断対象（対象体）にも適用することが考えられる。
本発明は、上述の課題に鑑み創案されたもので、複数の動作モードで動作しうる機械等の対象体の各パラメータについてより正確に診断できるようにした、データ処理方法及びデータ処理装置、並びに診断方法及び診断装置を提供することを目的とする。
【課題を解決するための手段】
【００１１】
このため、請求項１記載の本発明のデータ処理方法は、複数の動作モードで動作しうる対象体の正常状態における予備運転時において、該動作に応じて変動するｎ個のパラメータの値（Ｐ1，Ｐ2，…，Ｐn）からなる正常時データセット（ｄi＝［Ｐ1，Ｐ2，…，Ｐn］）を、各動作モード毎にそれぞれ複数組（Ｄ組；［ｄ1，ｄ2，…，ｄD］）検出する正常時データ検出ステップと、該正常時データ検出ステップで検出した上記の複数組の正常時データセットを用いて上記の各動作モード毎にそれぞれ個別の分離モデルとしての自己組織化マップを形成する自己組織化マップ形成ステップと、該正常時データ検出ステップで検出した該正常時データセットの各パラメータの値を、該パラメータの数と同数の変動値からなり互いに異なる複数個（Ｅ個）の変動ベクトルによって増減させることで、該対象体の異常発生時における仮想的な異常時データセットを上記の１つの正常時データセットにつき該変動ベクトルの数（Ｅ）だけ作成する異常時データ作成ステップと、該自己組織化マップ形成ステップで形成した上記の各動作モード毎の自己組織化マップの中から、該異常時データ作成ステップで作成した該異常時データセットに対して最も類似度が高い自己組織化マップを上記の各異常時データセットについて求め、上記の各変動ベクトル毎に、上記の全運転モードに対する各運転モードの比率を表す異常時運転モード比率ベクトルを算出する異常時運転モード比率算出ステップとをそなえたことを特徴としている。
【００１２】
請求項２記載の本発明の診断方法は、請求項１記載のデータ処理方法により得られた上記の各変動ベクトルと上記の各異常時運転モード比率ベクトルとの対応関係を用いて該対象体の診断を行うことを特徴としている。
請求項３記載の本発明の診断方法は、請求項２記載の方法において、該対象体の実稼動時において、上記のｎ個のパラメータの値（Ｐ1，Ｐ2，…，Ｐn）からなる実稼動時データセット（ｄi＝［Ｐ1，Ｐ2，…，Ｐn］）を、各動作モード毎にそれぞれ複数組検出する実稼動時データ検出ステップと、該自己組織化マップ形成ステップで求めた上記の各動作モード毎の自己組織化マップの中から、該実稼動時データ検出ステップで検出した該実稼動時データセットに対して最も類似度が高い自己組織化マップを上記の各実稼動時データセットについて求め、上記の全運転モードに対する各運転モードの比率を表す実稼動時運転モード比率ベクトルを算出する実稼動時運転モード比率算出ステップと、該異常時運転モード比率算出ステップで求めた上記の各異常時運転モード比率ベクトルのうち、該実稼動時運転モード比率算出ステップで算出した該実稼動時運転モード比率ベクトルに最も類似度が高い変動ベクトルを選択し、該選択した異常時運転モード比率ベクトルに対応する変動ベクトルの各変動値を求める変動値算出ステップとをそなえたことを特徴としている。
【００１３】
請求項４記載の本発明のデータ処理装置は、複数の動作モードで動作しうる対象体の該動作に応じて変動するｎ個のパラメータの値（Ｐ1，Ｐ2，…，Ｐn）からなるデータセット（ｄi＝［Ｐ1，Ｐ2，…，Ｐn］）を、各動作モード毎にそれぞれ検出する検出手段と、該対象体の正常状態における予備運転時に該検出手段により検出された複数組（Ｄ組；［ｄ1，ｄ2，…，ｄD］）の上記のデータセットを用いて上記の各動作モード毎にそれぞれ個別の分離モデルとしての自己組織化マップを形成する自己組織化マップ形成手段と、該自己組織化マップ形成手段により形成された上記の各動作モード毎の自己組織化マップの中から、入力されたデータセットに対して最も類似度が高い自己組織化マップを選出し、上記の複数組のデータセットに対して上記の全運転モードに対する各運転モードの比率を表す運転モード比率ベクトルを算出する運転モード比率算出手段と、該対象体の正常状態における予備運転時に該検出手段により検出された該データセットの各パラメータの値を、該パラメータの数と同数の変動値からなり互いに異なる複数個（Ｅ個）の変動ベクトルによって増減させることで、該対象体の異常発生時における仮想的な異常時データセットを上記の１つのデータセットにつき該変動ベクトルの数（Ｅ）だけ作成する異常時データ作成手段とをそなえ、該運転モード比率算出手段は、該異常時データ作成手段により該異常時データセットが入力されると、該自己組織化マップ形成手段により形成された上記の各動作モード毎の自己組織化マップの中から、該異常時データセットに対して最も類似度の高い自己組織化マップを選出し、上記の複数組の異常時データセットに対して上記の全運転モードに対する各運転モードの比率を表す異常時運転モード比率ベクトルを算出するように機能することを特徴としている。
【００１４】
請求項５記載の本発明の診断装置は、請求項１記載のデータ処理装置と、該対象体の実稼動時に、該検出手段により検出された実稼動時データセットを複数組取得するとともに、該運転モード比率算出手段により算出された上記の各動作モード毎の自己組織化マップのうち該実稼動時データセットに対して最も類似度が高い自己組織化マップを上記の各実稼動時データセット毎に求め、上記の全運転モードに対する各運転モードの比率を表す実稼動時運転モード比率ベクトルを取得し、該運転モード比率算出手段により算出された上記の各異常時運転モード比率ベクトルのうち、上記の実稼動時運転モード比率ベクトルに最も類似度が高い変動ベクトルを選択し、該選択した異常時運転モード比率ベクトルに対応する変動ベクトルの各変動値を求めることにより該対象体の異常を判定する判定手段とをそなえたことを特徴としている。
【発明の効果】
【００１５】
本発明によれば、異常時運転モード比率ベクトルと、各パラメータの値を増減させる変動ベクトルとの対応関係を用いて対象体の異常を判定することができるので、各パラメータについてより正確に診断することができる。
【発明を実施するための最良の形態】
【００１６】
以下、本発明の実施の形態について、図を参照して説明する。
図１及び図２は本発明の一実施形態にかかる診断装置を説明するための図であって、図１はそのブロック図、図２はその処理を示すフローチャートである。本診断装置は、例えば作業機械等の機械類に備えられ、機械類のどの部分にどの程度の劣化や異常の兆候が生じているかを診断するものである。以下では、一例として作業機械の油圧ショベルに適用した場合の診断装置について説明する。なお、本診断装置の適用対象はこれに限定されるものではなく、複数の動作モード（変動モード）で動作（変動）しうる種々の対象体全てに適用できる。
【００１７】
図１に示すように、本診断装置は、油圧ショベルに備えられた複数のセンサ（検出手段）１ａ〜１ｄと、自己組織化マップ形成手段２，記憶部３，判定手段４，異常時データ作成手段７，運転モード比率算出手段８に相当する各機能を有するＥＣＵ（電子コントロールユニット）５と、表示装置６とを主に備えて構成されている。なお、ＥＣＵ５は、入出力装置，処理プログラムを内蔵した記憶装置（ＲＡＭ，ＲＯＭ等），中央処理装置（ＣＰＵ）等を備えて構成される。また、上記のセンサ１ａ〜１ｄ，自己組織化マップ形成手段２，異常時データ作成手段７及び運転モード比率算出手段８によりデータ処理装置が構成されている。
【００１８】
センサ１ａ〜１ｄは、油圧ショベルに関する各パラメータ（変動要素）に対応して備えられ、複数の動作モードで動作しうる油圧ショベルの動作時に、油圧ショベルの動作に応じて変動する各パラメータ値を各動作モード毎に検出するようになっている。なお、センサ１ａ〜１ｄは、対応するパラメータの値を直接検出するもののほか、ある検出データを演算等によって処理して、対応するパラメータの値を推定値として求めるものも含む。
【００１９】
また、ここでいう油圧ショベルに関するパラメータとは、例えばエンジン回転数，燃料消費量，油圧ポンプ圧力（１つ又は複数の油圧ポンプ圧力），油圧回路内の油温，車体の前進・後進或いは旋回を制御する作動圧，バケットを制御するバケットシリンダの作動圧，スティックを制御するスティックシリンダの作動圧，ブームを制御するブームシリンダの作動圧などの油圧ショベルの動作に応じて変動する各要素のことをいう。
【００２０】
本診断装置では、これらのパラメータのうち代表としてエンジン回転数，燃料消費量，油圧ポンプ圧力の値を検出するセンサ１ａ〜１ｄが備えられている。すなわち、エンジン回転数を検出するエンジン回転数センサ１ａと、燃料消費量を検出する燃料消費量センサ１ｂと、油圧ショベルの左側及び右側の油圧ポンプ圧力をそれぞれ検出する左油圧ポンプ圧力センサ１ｃ，右油圧ポンプ圧力センサ１ｄとの４つのセンサ１ａ〜１ｄを備えている。もちろん、上述したようなバケットシリンダ，スティックシリンダ，ブームシリンダ等の作動圧を検出するセンサを設けても良い。
【００２１】
自己組織化マップ形成手段２では、エンジン回転数センサ１ａ，燃料消費量センサ１ｂ，左油圧ポンプ圧力センサ１ｃ，右油圧ポンプ圧力センサ１ｄにより検出された複数組のパラメータ値に基づく検出データをトレーニングデータ（Training Data）として、油圧ショベルの各動作モードに対応してそれぞれ個別の分離モデルとして自己組織化マップ（Self-Organizing Map、以下、ＳＯＭともいう）を形成するようになっている。
【００２２】
ここで、油圧ショベルの各動作モードとは、ある一定の決まった動作（特定の動作）のことをいい、例えば、堆積した土砂をトラックのベッセル（荷台）上に積み込むという一連の作業は、おおまかに次の４つの運転モード（動作モード）に分離できる。すなわち、「バケットで土砂をすくい始めてからすくい終わるまでの動作（運転モード１）」、「土砂をすくった後、車体を旋回させて、土砂を保持したバケットをトラックのベッセル上方まで運ぶ動作（運転モード２）」、「バケットを開いて土砂のベッセル上への移載を開始してから土砂の移載が完了するまでの動作（運転モード３）」、「バケットを堆積した土砂の位置まで戻して運転モード１に入るまでの動作（運転モード４）」の４つのモードである。本実施形態では、上記の他に「アイドリング（待機状態）（運転モード０）」のモードを含む５つの運転モードで油圧ショベルが動作する場合について説明する。
【００２３】
また、自己組織化マップとは、一般には、多次元データを２次元空間で表して可視化した認識モデルのことをいうが、２次元空間に表さなくても、多次元データ自体を、予め用意されたクラスにクラス分け（分類）する際の１つの手段として用いることができる。
ここで、一般的なクラス分けについて説明する。計測によって取得したＤ組のデータ集団（又はデータ群ともいう）｛ｄ1，ｄ2，・・・，ｄi，・・・，ｄD｝の各データ点（又はデータセットともいう）ｄi（ｉ＝１，２，・・・，Ｄ）は、あるクラスＣj（ｊ＝１，２，・・・，ｚ）を特徴付けるｎ個のパラメータ値（計測特性値）から成っている。すなわち、ｄi＝［Ｐ1，Ｐ2，・・・，Ｐn］とする。クラス分けを行なうには、このあるデータ点ｄiのｎ個のパラメータ値を読み取ることだけで、各データ点ｄiをある正しいクラスに当てはめることのできる技術（モデルとそれに対応したアルゴリズム）が必要となる。
【００２４】
このためには、まず、“答え（即ち、実際のクラス）”が分かっているトレーニングデータに基づいて初期知識を構築する必要がある。トレーニングデータは、自己組織化マップ（認識モデル）を学習する（即ち、徐々に自己組織化マップをアップデートする）ために使用され、この学習を繰り返す手法は“教師あり学習”と呼ばれる。こうして得られた自己組織化マップを、クラス分け問題を解く手段として用いる。
【００２５】
なお、自己組織化マップを構築するとき、正確なトレーニングデータを多量に用いれば用いるほど、より正確な自己組織化マップを構築することができるが、トレーニングデータの量がある程度に達したら、それ以上データ量を増やしても、自己組織化マップの精度向上は僅かになってしまうため、トレーニングデータの入力回数は所定の回数に設定するのが好ましい。また、ここでいう「クラス」は、本実施形態における「運転モード」に対応するものである。
【００２６】
さて、上述したように、本診断装置では、このような自己組織化マップを、油圧ショベルの各動作モードに対応してそれぞれ個別の「分離モデル（Separation Model）」として形成するようになっている。
つまり、各クラスＣj（Ｃ1，Ｃ2，・・・，Ｃz）のそれぞれに対して１つの自己組織化マップＳＯＭj（ＳＯＭ1，ＳＯＭ2，・・・，ＳＯＭz）を形成する。従って、本実施形態では、５つのクラス（運転モード）のそれぞれに対して１つの自己組織化マップを形成する。そして、分離モデルとしての各自己組織化マップをそれぞれ、ある１つの運転モードのみを明確に代表する多量のトレーニングデータを使って学習を実施する。このような学習により構築された各自己組織化マップはそれぞれ１つの運転モードを明確に認識できる“よく訓練されたエキスパート（Local and well trained Expert）”として機能する。このため、複数の動作モードで動作しうる対象体の各動作モードを正確に認識することができる。
【００２７】
なお、１つの自己組織化マップは１つの運転モードのみを学習するものであり、他の運転モードに対しては学習していないので、１つの自己組織化マップが他の運転モードの知識を同時に特徴づけるものではない。
また、自己組織化マップ形成手段２に入力される４つのセンサ１ａ〜１ｄからの検出データは、油圧ショベルの瞬間の状態を示す４個（ｎ個）のパラメータ値ｄ（ｋ）自体と、油圧ショベルの瞬間の変化状態を示す４個（ｎ個）のパラメータ値の時間微分値（パラメータ値の変化率などの時間微分相当値も含む）Δｄ（ｋ）とを含み、これら４個のパラメータ値ｄ（ｋ）自体と４個のパラメータ値の時間微分値Δｄ（ｋ）とを合わせた８次元（２ｎ次元）データとして構成されている。
【００２８】
このように、自己組織化マップ形成手段２では、現時刻のパラメータ値ｄ（ｋ）だけでなく、現時刻のパラメータ値ｄ（ｋ）と現時刻よりも前の時刻のパラメータ値ｄ（ｋ−１）との差、即ちΔｄ（ｋ）＝ｄ（ｋ）−ｄ（ｋ−１）、をも含んだトレーニングデータに基づいて自己組織化マップを形成するようになっている。
現時刻のパラメータ値ｄ（ｋ）のみでは油圧ショベルの全体の動的な稼動に対し十分な代表的情報を得ることができないが、上述のようにΔｄ（ｋ）を考慮に入れることで、各運転モードに対し特徴となりうる検出データ軌跡の傾向をより正確に把握することができるので、より精度の高い自己組織化マップを形成することが可能となる。
【００２９】
この手法によれば、ｄ（ｋ）とΔｄ（ｋ）というダブルサイズの自己組織化マップを形成する必要があり長い学習時間を要することになるが、この計算は自己組織化マップを学習する際に一度実行するだけでよいので、油圧ショベル作動中に運転モードを判定する際には何ら装置の負担にはならない。
また、自己組織化マップ形成手段２は、８次元（２ｎ次元）空間内に所定数のニューロンをランダムに初期配置し、上記のトレーニングデータを用いて学習させ、トレーニングデータ点とニューロンとの距離が最小のニューロンを勝者ニューロンとして各トレーニングデータ点に対する勝者ニューロンを決定して自己組織化マップの候補を形成し、上記の自己組織化マップ候補の形成を複数回（所定数）実施して得られる複数の自己組織化マップ候補の中からトレーニングデータ特性に最も近い特性のものを自己組織化マップとして選定するようになっている。
【００３０】
つまり、自己組織化マップ形成手段２は、上記の各自己組織化マップ候補について、トレーニングデータ点と上記の各勝者ニューロンとの距離の平均値と、トレーニングデータ点と上記の各勝者ニューロンとの距離の標準偏差とを演算し、平均値及び標準偏差の何れについても最も小さい自己組織化マップ候補を自己組織化マップとして選定するようになっている。なお、ここでいう勝者ニューロンとは、勝者ニューロン履歴のある（即ち、一度でも勝者ニューロンになったことのある）全てのニューロンのことをいう。また、このとき、自己組織化マップ形成手段２は、上記の平均値及び標準偏差の何れについても最も小さい自己組織化マップ候補がない場合には、平均値が最も小さい自己組織化マップ候補を自己組織化マップとして選定するようになっている。
【００３１】
さらに、自己組織化マップ形成手段２では、上記の選定した自己組織化マップ中のニューロンのうち、一度も勝者ニューロンとならなかったニューロンを消去するようになっている。
なお、このような自己組織化マップの学習は、油圧ショベルで実際の作業を行なう前に、或いは実際の作業とは切り分けて（本実施形態では、これを油圧ショベルの「オフライン状態」或いは「正常状態における予備運転時」ともいう）予め行なっておくことが好ましい。したがって、例えば、油圧ショベルが製品として出荷される前に、出荷後行なわれるであろう一連の動作に沿って油圧ショベルを実験的に正常運転状態（異常が全くない状態）で動作させ、自己組織化マップ形成手段２により各運転モード毎に自己組織化マップを形成し、記憶部３に記憶させておけばよい。
【００３２】
異常時データ作成手段７は、油圧ショベルの正常状態における予備運転時に、センサ１ａ〜１ｄにより検出されたデータ点の各パラメータの値を、これらパラメータの数と同数の変動値（変動率ともいう）からなり互いに異なる複数個（Ｅ個）の変動ベクトルによって増減させることで、油圧ショベルの異常発生時における仮想的な異常時データ点を１つの検出データ点につき変動ベクトルの数（Ｅ）だけ作成するようになっている。
【００３３】
運転モード比率算出手段８は、自己組織化マップ形成手段２により形成された各運転モード毎の自己組織化マップの中から、入力されたデータ点に対して最も類似度が高い自己組織化マップを選出し、複数組のデータ点に対して全運転モードに対する各運転モードの比率を表す運転モード比率ベクトルを算出するようになっている。また、運転モード比率算出手段８は、異常時データ作成手段７により異常時データ点が入力されると、自己組織化マップ形成手段２により形成された各運転モード毎の自己組織化マップの中から、異常時データ点に対して最も類似度の高い自己組織化マップを選出し、上記の複数組の異常時データ点に対して、全運転モードに対する各運転モードの比率を表す異常時運転モード比率ベクトルを算出するように機能している。
【００３４】
判定手段４は、油圧ショベルの実稼動時に、センサ１ａ〜１ｄにより検出された実稼動時データ点を複数組取得するようになっている。また、判定手段４は、運転モード比率算出手段８により算出された各運転モード毎の自己組織化マップのうち実稼動時データ点に対して最も類似度が高い自己組織化マップを各実稼動時データ点毎に求め、全運転モードに対する各運転モードの比率を表す実稼動時運転モード比率ベクトルを取得する。そして、判定手段４は、運転モード比率算出手段８により算出された各異常時運転モード比率ベクトルのうち、実稼動時運転モード比率ベクトルに最も類似度が高い変動ベクトルを選択し、この選択した異常時運転モード比率ベクトルに対応する変動ベクトルの各変動値を求めることにより油圧ショベルの異常を判定するようになっている。
【００３５】
表示装置６は、判定手段４における判定結果を表示できるようになっている。
本実施形態に係る診断装置は、上述のように構成されており、その処理は図２に示すフローに沿って実行される。以下、図２に示すフロー、即ち、自己組織化マップ形成ステップ（ステップＷ１），異常時データ作成ステップ（ステップＷ２），運転モード比率算出ステップ（ステップＷ３），判定ステップ（ステップＷ４）について説明する。
【００３６】
（１）自己組織化マップ形成ステップ
まず、図２に示す自己組織化マップ形成ステップ（ステップＷ１）について説明する。
この自己組織化マップ形成ステップでは、自己組織化マップ形成手段２により、油圧ショベルの各運転モードを明確に表わす分離モデルとしての自己組織化マップを各運転モード毎に１つずつ形成する。この自己組織化マップ形成ステップの処理は、前述したように油圧ショベルのオフライン状態で行われ、さらに詳細には図３に示すように、データ作成用検出ステップ（ステップＳ１００），演算ステップ（ステップＳ１１０），形成ステップ（ステップＳ１２０）からなる。
【００３７】
データ作成用検出ステップ（ステップＳ１００）では、油圧ショベルの各運転モードについてそれぞれ多量且つ信頼性の高い検出データを取得する。つまり、本実施形態では、各運転モード毎に、４つのセンサ１ａ〜１ｄから各パラメータ値をそれぞれ複数組検出する。ここで、現時刻ｋでのパラメータ値をｄ（ｋ）とする。
演算ステップ（ステップＳ１１０）では、データ作成用検出ステップにおいて検出された各パラメータ値をそれぞれ処理して各パラメータ値の時間微分値〔パラメータ値の変化率（例えば検出周期時間など単位時間での変化量）などの時間微分相当値も含む〕Δｄ（ｋ）を算出する。
【００３８】
形成ステップ（ステップＳ１２０）では、データ作成用検出ステップで取得した複数組のパラメータ値ｄ（ｋ）と、演算ステップで算出した複数組のパラメータ値の時間微分値Δｄ（ｋ）とに基づく検出データ｛ｄ（ｋ）；Δｄ（ｋ）｝をトレーニングデータとして、各運転モード毎に分離モデルとしての自己組織化マップを形成する。
図４は、油圧ショベルを運転モード１〜４からなる一連の運転動作を繰り返し行なったときのセンサ１ａ〜１ｄのパラメータ値を示しており、横軸は共通の時間目盛になっている。この図４からもわかるように、同一運転モードでは同一のパラメータ値（波形）が得られるのが理想的であるが、実際には同一の運転モードであってもパラメータ値が異なる場合がある。したがって、このオフライン処理において大量且つ信頼性のあるトレーニングデータを用いて自己組織化マップを繰り返し学習させていくことにより、各運転モードの特徴をより明確に表わす自己組織化マップを形成することができるのである。
【００３９】
このようにして各運転モードに対してそれぞれ１つの代表的な自己組織化マップを得るのであるが、この学習コンセプトの中には次のような特徴がある。すなわち、各自己組織化マップは１つの運転モードのみに対して学習するので、一般に知られている自己組織化マップのソフトウエアを使って表現されるような２次元マップのグラフ上にニューロンの位相学的距離（近傍）を示す必要がない。本実施形態に係る自己組織化マップにおいては、８次元空間にあるニューロンの分布〔ここでは“雲（C1oud）”と称する〕を得ることで十分である。
【００４０】
次に、形成ステップのより具体的な計算処理について説明する。
図５に示すように、まず、８次元空間内に所定数のニューロンをランダムに配置する（ステップＳ２００。第１ステップ）。そして、８次元空間内の各検出データ点（このオフライン処理においては自己組織化マップを形成するためのトレーニングデータとして扱われる）に対して、それぞれ各ニューロンとの距離を求める（ステップＳ２１０）。その後、上記の距離が最小であるニューロンを勝者ニューロンと決定する。また、このとき、この勝者ニューロンだけでなく、勝者ニューロンの近傍のニューロンも同時に学習させる。
【００４１】
ここで、最小の距離（Minimum Distance）ＭＤを、ｉ番目の検出データ点と２ｎ次元空間内における各ニューロンとの間の距離の最小値と定義する。例えば、ｊ番目のニューロンとの距離が最小である場合、この最小であるｊ番目のニューロンを勝者ニューロンと呼ぶ。この最小距離ＭＤは次式（１）で表される。
【００４２】
【数１】
【００４３】
ここで、ｒ（ｉ，ｊ）は、ｉ番目の検出データ点とｊ番目のニューロンとの間の距離を示す。また、一般的な自己組織化マップのアルゴリズムにおいて知られているように、距離ｒ（ｉ，ｊ）をユーグリッド距離として計算する。なお、ＴＤはトレーニングデータの数（組）を表わしている。
その後、複数組についてすべて学習を実施したか否かを判定し（ステップＳ２３０）、まだ実施していない場合（ＮＯの場合）はステップＳ２１０へ移る。一方、すべて実施完了した場合（ＹＥＳの場合）はステップＳ２４０へ移り、１つの自己組織化マップ候補を形成する。なお、この時点で得られた自己組織化マップは、必ずしも１つの運転モードを明確に表わすベストな自己組織化マップとはいえないため、１つの候補として扱う。また、ステップＳ２１０〜ステップＳ２４０が第２ステップであり、自己組織化マップ候補形成ステップは上記の第１ステップと第２ステップとからなる。
【００４４】
さて、上記の計算処理により、ある１つの運転モードに対して１つの自己組織化マップ候補が形成されたわけであるが、本実施形態では、ある１つの運転モードの特徴を明確に表わすより精度の高いベストな自己組織化マップを得るために、１つの運転モードについて複数の自己組織化マップ候補を形成し、これら複数の自己組織化マップ候補の中からベストなものを選定するようにしている。したがって、ステップＳ２５０では、予め自己組織化マップを形成する前に決めておいた所定数の自己組織化マップ候補を形成したか否かを判定し、ＮＯの場合はステップＳ２００に移ってさらにもう１つ自己組織化マップ候補を形成し、ＹＥＳの場合は、ステップＳ２６０へ移る。
【００４５】
ステップＳ２６０（選定ステップ）では、各候補の中からトレーニングデータ特性に最も近い特性のものを自己組織化マップとして選定する。ここで、このステップＳ２６０においてどのようにベストな自己組織化マップを選定するのかをより詳しく説明する。
まず、２ｎ次元空間内のニューロン分布を特徴づける重要なパラメータとして、平均最小距離（Average Minimum Distance）ＡＶminと、最小距離ＭＤの標準偏差（Standard Deviation）ＳＴdevとがある。
【００４６】
図６は、一例として、２ｎ次元空間内における１０個の検出データ点（オフライン処理ではトレーニングデータとして扱っているので、図６ではトレーニングデータ点として示している）ｄ1〜ｄ10と７個のニューロンｎ1〜ｎ7との間の最小距離ＭＤを視覚的に示すものであるが、平均最小距離ＡＶminはこれら最小距離ＭＤの平均値である。この平均最小距離ＡＶminは次式（２）で表される。
【００４７】
【数２】
【００４８】
また、標準偏差ＳＴdevも、平均最小距離ＡＶminの式と同様に、公知の式〔次式（３）〕により求めることができる。
【００４９】
【数３】
【００５０】
図５に示すステップＳ２６０では、このようにして求めた平均最小距離ＡＶminと標準偏差ＳＴdevとに基づいて、複数の候補として算出された自己組織化マップのうちどの自己組織化マップがトレーニングデータ特性に最も近いかを判定する。このとき、平均最小距離ＡＶmin及び標準偏差ＳＴdevの何れについても最も小さい自己組織化マップ候補を、トレーニングデータ特性に最も近いベストな自己組織化マップとして選定する。
【００５１】
なお、平均最小距離ＡＶmin及び標準偏差ＳＴdevの何れについても最も小さい自己組織化マップ候補がない場合には、平均最小距離ＡＶminが最も小さい自己組織化マップ候補を自己組織化マップとして選定する。これにより、最もよく検出データ（トレーニングデータ）の特徴を表わした自己組織化マップを選定することができる。
また、ステップＳ２７０（アイドリングニューロン消去ステップ）において、上記の選定した自己組織化マップ中のニューロンのうち一度も勝者ニューロンにならなかったニューロン（ここでは“アイドリングニューロン（Idling Neuron）”と称する）を消去する。例えば図６には２つのアイドリングニューロンｎ3，ｎ7が示されているが、ここではこれらアイドリングニューロンｎ3，ｎ7を自己組織化マップの学習後に消去するのである。このようなアイドリングニューロンの概念を適用することで、トレーニングデータ特性を、ニューロン数を大幅に減少させた自己組織化マップで表わすことができるので、自己組織化マップを記憶しておくための容量を少なくでき、この後この自己組織化マップを用いた計算の処理時間を短縮できる。
【００５２】
本実施形態で説明するように、１つの運転モードに対して１つの自己組織化マップ（分離モデル）を使うことのメリットは、この１つの運転モードを特徴づける膨大な検出データ点を、数を大幅に減少させたニューロンに近似することで記憶容量を少なくできることである。
図７（ａ）〜（ｄ）は運転モード１に対する検出データ点のグラフであって、（ａ）はエンジン回転数Ｐ1と左油圧ポンプ圧力Ｐ3との関係、（ｂ）はエンジン回転数Ｐ1と右油圧ポンプ圧力Ｐ4との関係、（ｃ）は左油圧ポンプ圧力Ｐ3と右油圧ポンプ圧力Ｐ4との関係、（ｄ）はエンジン回転数Ｐ1と燃料消費量Ｐ2との関係を示している。なお、図７（ａ）〜（ｄ）の各自己組織化マップ（分離モデル）は８次元であるので、実際には８次元空間に勝者ニューロンが位置したマップとして形成される。
【００５３】
また、図８（ａ）〜（ｄ）は運転モード２に対する検出データ点のグラフである。図８の（ａ）〜（ｄ）も、各自己組織化マップ（分離モデル）は８次元であるので、実際には８次元空間に勝者ニューロンが位置したマップとして形成される。
また、図９（ａ）〜（ｄ）は、運転モード１のベストな自己組織化マップを示すものである。なお、図９中の小さい点印は、運転モード１の検出データ点を、大きい点印は、完全な学習及びアイドリングニューロンの消去を行なった後のニューロンを示している。
【００５４】
これと同様に、図１０（ａ）〜（ｄ）は、運転モード２のベストな自己組織化マップを示すものである。なお、図１０中の小さい点印は、運転モード２の検出データ点を、大きい点印は、完全な学習及びアイドリングニューロンの消去を行なった後のニューロンを示している。これら図９（ａ）〜（ｄ）及び図１０（ａ）〜（ｄ）から、ニューロンが主にデータ密度の最も高い領域に配置されていることが容易に分かる。
【００５５】
（２）異常時データ作成ステップ
次に、図２に示す異常時データ作成ステップ（ステップＷ２）について説明する。
この処理は、前述した自己組織化マップ形成ステップと同様に、油圧ショベルのオフライン状態で行なわれる。具体的には、異常時データ作成手段７が、各センサ１ａ〜１ｄから油圧ショベルの正常運転状態時のデータ（正常時データ）を取得し、この取得した正常時データの各検出データ点を、予め設定した変動率で変動させて、油圧ショベルの異常発生時における仮想的なデータ（異常時データ）を作成する。なお、上記の正常時データとして、前述した自己組織化マップ形成ステップで検出した正常運転状態時の検出データをそのまま用いてもよい。
【００５６】
正常時データのデータ点ｄ（ｋ）＝［ｄ1（ｋ），ｄ2（ｋ），…，ｄn（ｋ）］（ｎ：パラメータの総数）に対する異常時データは、下式（４）により求めることができる。
【００５７】
【数４】
【００５８】
つまり、本実施形態のように、パラメータ数ｎがエンジン回転数Ｐ1，燃料消費量Ｐ2，左油圧ポンプ圧力Ｐ3，右油圧ポンプ圧力Ｐ4の４つの場合で、「−０．２（即ち「−２０％」）」，「−０．１（即ち「−１０％」）」，「０（即ち「０％」であり、変動させない）」，「＋０．１（即ち「＋１０％」）」，「＋０．２（即ち「＋２０％」）」の５つの変動率αからなる変動パラメータベクトル（単に変動ベクトルともいう）で検出データ点（正常時データ点）を変動させた場合、正常運転状態時における１つの検出データ点に対して、５×５×５×５＝６２５通りの異常時データ点が作成される。図１１は、一例として、パラメータ数ｎが４つ、変動率αが５つのレベルの場合の異常時データ点の作成時に用いられる変換テーブル（以下、これを「変動パラメータベクトルモデルマップ」という）を示している。図１１中、Ｐ1はエンジン回転数、Ｐ2は燃料消費量，Ｐ3は左油圧ポンプ圧力、Ｐ4は右油圧ポンプ圧力を示し、ＩＤ（Identification Number）は６２５通りの変動ベクトルのそれぞれに付した番号を示している。例えば図１１に示す変動パラメータベクトルモデルマップでは、ＩＤ＝「１」は、エンジン回転数Ｐ1のみを変動率α＝「−０．２」で変動させるものであり、ＩＤ＝「２」は、燃料消費量Ｐ2のみを変動率α＝「＋０．２」で変動させるものであり、ＩＤ＝「６２５」は、右油圧ポンプ圧力Ｐ4のみを変動率α＝「＋０．２」で変動させるものである。
【００５９】
異常時データ作成手段７は、このような変動パラメータベクトルモデルマップを用いて、ここでは正常時データの各検出データ点をそれぞれ６２５組の仮想的な異常時データ点に変換する。つまり、例えば、正常時データが１０００組（Ｄ＝１０００）の検出データ点（正常時データ点）からなるものであれば、１０００×６２５組の異常時データ点からなる異常時データが作成されることになる。
【００６０】
（３）運転モード比率算出ステップ
次に、図２に示す運転モード比率算出ステップ（ステップＷ３）について説明する。
この処理は、前述した自己組織化マップ形成ステップと同様に、油圧ショベルのオフライン状態で行なわれる。具体的には、運転モード比率算出手段８が、まず、異常時データ作成手段７により作成された異常時データの各異常時データ点に対し、自己組織化マップ形成手段２により形成された各運転モードの自己組織化マップを用いて運転モード認識を行なう。このため、運転モード比率算出手段８は、各異常時データ点がそれぞれどの運転モードの自己組織化マップと最も類似しているかを計算し、最も類似性の高い自己組織化マップに対応する運転モードを求める。
【００６１】
詳細には図１２に示すように、まず、ある１つの異常時データ点と各運転モードの自己組織化マップとの類似度合いＳＤ（Similarity Degree）を求める（ステップＳ５００）。この類似度合いＳＤを計算する手法は種々あるが、本実施形態では、ユーグリッド距離、即ち、異常時データ点と自己組織化マップ内の勝者ニューロンとの距離を使って求める。
【００６２】
また、このようにして得られた類似度合いＳＤを平均最小距離ＡＶminで除算し、異常時データ点と自己組織化マップの勝者ニューロンとの間の相対距離ＲＤ（＝ＳＤ／ＡＶmin）を求める。なお、ここでいう勝者ニューロンとは、異常時データ点（１個）に対し距離の最も短いニューロンのことをいう。この相対距離ＲＤの計算を、５つの自己組織化マップの全てに対してそれぞれ行なう（ステップＳ５１０）。
【００６３】
そして、上述のように算出された相対距離ＲＤが、自己組織化マップに対し、所定値（１＋β）以下、即ちＲＤ≦１＋β（βは予め決められた閾値）であるか否かを判定し（ステップＳ５２０）、所定値以下であれば、この自己組織化マップに適合すると判定する（ステップＳ５３０）。このようにして、各異常時データ点は、適合する自己組織マップに対応した運転モードに分類される。
【００６４】
一方、相対距離ＲＤが所定値以上であれば、この自己組織化マップには適合しないと判定する（ステップＳ５４０）。即ち、この場合、異常時データ点は、どの運転モードにも分類できないことを意味している。なお、上記の所定値（１＋β）を適宜設定しておくことで、検出データ点が自己組織化マップに適合するか否かの判定基準を状況に応じて決定することができる。
【００６５】
運転モード比率算出手段８は、このような判定を、１つの異常時データ点に対し、５つの各自己組織化マップについて行ない、適合する自己組織化マップが複数ある場合（即ち、適合する運転モードが複数ある場合）には、相対距離ＲＤが最も小さい自己組織化マップを選択し、この自己組織化マップに対応する運転モードとして認識する。また、適合する自己組織化マップが１つもない場合（即ち、適合する運転モードが１つもない場合）には、モード判定ができなかったものとし、例えばこの場合は「未知の運転モード」として認識しておく。
【００６６】
また、運転モード比率算出手段８は、上記のように運転モード認識を行なった後、全運転モードに対する各運転モードの比率を表す運転モード比率ベクトル（異常時運転モード比率ベクトル）を算出する。この運転モード比率ベクトルＶは、下式（５）により求めることができる。
【００６７】
【数５】
【００６８】
図１３は、図１１に示す変動パラメータベクトルモデルマップに対応する運転モード比率ベクトルモデルマップの一例を示す。なお、図１３中、Ｍ０はアイドリング（待機）の運転モードを示し、Ｍ１〜Ｍ４はそれぞれ上述した運転モード１〜４を示している。なお、「Fail」は上記のいずれのモードにも当てはまらない比率を示している。
図１３に示す例では、運転モード２及び運転モード３の比率については省略しているが、例えばＩＤ＝「１」の変動ベクトルにより作成される異常時データ点の場合、運転モード０の比率は「０．１８５」、運転モード１の比率は「０．１４８」、運転モード４の比率は「０．１８８」、Failの比率は「０．０６８」となることがわかる。なお、これら全比率を足せば「１．０００」となる。前述したように例えば正常時データ点が１０００個であったとすれば、例えばＩＤ＝「１」の場合、運転モード０と認識された異常時データ点は１８５個、運転モード１と認識された異常時データ点は１４８個、運転モード４と認識された異常時データ点は１８８個、Failと認識された異常時データ点は６８個であることを示している。
【００６９】
ここで、図１４及び図１５に、一例として、異常時データの運転モード比率を示す。図１４は、エンジン回転数Ｐ1のみを「−０．２５」〜「＋０．２５」まで「０．０５」単位で変動させた時の運転モード比率を示している。この図１４からわかるように、エンジン回転数Ｐ1の変動率が「０」の場合には、運転モード２，運転モード３，運転モード４，運転モード１，運転モード０の順に運転モード比率が大きくなることがわかる。また、このとき、Failの比率は０であるが、エンジン回転数Ｐ1を変動させると各運転モード比率が変化し、特にエンジン回転数が大きく下がると（変動率αが「−０．２」よりも小さくなると）、Failの比率が運転モード１〜４よりも大きくなることがわかる。
【００７０】
また、図１５は燃料消費量Ｐ2のみを「−０．２５」〜「＋０．２５」まで「０．０５」単位で変動させた時の運転モード比率を示している。この図１５からわかるように、燃料消費量Ｐ2の変動率が「０」の場合には、運転モード２，運転モード３，運転モード４，運転モード１，運転モード０の順に運転モード比率が大きくなることがわかる。また、このとき、Failの比率は０であるが、燃料消費量Ｐ2を変動させると各運転モード比率が変化し、特に燃料消費量の変動率の大小に連動して運転モード２の比率（図１４に示すＭ２）が大きく変化することがわかる。
【００７１】
図１６は、変動率αを「−０．２」〜「＋０．２」まで「０．１」単位で変動させた時の運転モード１及び運転モード２の比率をプロット（図１６中、小さい点）した図である。また、図１６中の大きな点は、正常時データ点（即ち、各パラメータ値の変動率αを全て「０」としたとき）における運転モード１及び運転モードの比率をプロットしたものである。この図１６から、各異常時データ点における運転モード比率は、正常時データ点における運転モード比率を示す点（図１６中、大きな点）の周囲に広がって分布することがわかる。
【００７２】
（４）判定ステップ
次に、図２に示す判定ステップ（ステップＷ４）について説明する。上述した（１）〜（３）の処理は油圧ショベルの診断を行なうための前処理であったが、この判定ステップは、実際に油圧ショベルの診断を行なう処理であり、この処理は、油圧ショベルが出荷された後に行われる（本実施形態では、これを油圧ショベルの「オンライン状態」という）。具体的には、図１７に示すように、まず、油圧ショベルを実稼動させて、各センサ１ａ〜１ｄにより４個のパラメータ値、即ち検出データ（実稼動時データ）をそれぞれ検出する（ステップＳ６００）。このような検出データを、例えば１日分取得し、記憶部３に記憶しおく。
【００７３】
次に、運転モード比率算出手段８が、検出データ点と各運転モードの自己組織化マップとの類似度合いＳＤ（Similarity Degree）を求める（ステップＳ６１０）。この類似度合いＳＤを計算する手法は種々あるが、本実施形態では、ユーグリッド距離、即ち、検出データ点と自己組織化マップ内の勝者ニューロンとの距離を使って求める。
また、このようにして得られた類似度合いＳＤを平均最小距離ＡＶminで除算し、検出データ点と自己組織化マップの勝者ニューロンとの間の相対距離ＲＤ（＝ＳＤ／ＡＶmin）を求める。なお、ここでいう勝者ニューロンとは、検出データ点（１個）に対し距離の最も短いニューロンをいう。この相対距離ＲＤの計算を、５つの自己組織化マップの全てに対してそれぞれ行なう（ステップＳ６２０）。
【００７４】
そして、上述のように算出された相対距離ＲＤが、自己組織化マップに対し、所定値（１＋γ）以下、即ちＲＤ≦１＋γ（γは予め決められた閾値）であるか否かを判定し（ステップＳ６３０）、所定値以下であれば、この自己組織化マップに適合すると判定し（ステップＳ６４０）、相対距離ＲＤが所定値以上であれば、この自己組織化マップには適合しないと判定する（ステップＳ６５０）。即ち、上記の検出データ点は、どの運転モードにも分類できないことを意味している。なお、上記の所定値（１＋γ）を適宜設定しておくことで、検出データ点が自己組織化マップに適合するか否かの判定基準を状況に応じて決定することができる。
【００７５】
運転モード比率算出手段８は、このような判定を５つの各自己組織化マップについて行ない、適合する自己組織化マップが複数ある場合（即ち、適合する運転モードが複数ある場合）には、相対距離ＲＤが最も小さい自己組織化マップを選択し、この自己組織化マップに対応する運転モードとして認識する。また、適合する自己組織化マップが１つもない場合（即ち、適合する運転モードが１つもない場合）には、モード判定ができなかったものとし、例えばこの場合は「未知の運転モード」として認識する。
【００７６】
また、運転モード比率算出手段８は、上記のように各検出データ点について運転モード認識を行なった後、その１日の全運転モードに対する各運転モードの比率を表す運転モード比率ベクトル（実稼動時運転モード比率ベクトル）を求める。
そして、判定手段４が、運転モード比率算出手段８により求められた実稼動時運転モード比率ベクトルが、図２に示すステップＷ３で求めた異常時運転モード比率ベクトル（図１３参照）のうち、どの運転モード比率ベクトルに最も近い（即ち類似度が高い）かをユーグリッド距離により選ぶ。
【００７７】
次に、判定手段４は、上記のように選んだ運転モード比率ベクトルに対応した変動パラメータベクトルを、図２に示すステップＷ２で求めた変動パラメータベクトルモデルマップ（図１１参照）から求める。すなわち、このようにして求めた運転モード比率ベクトルの各パラメータの変動率αから、当該１日の油圧ショベルの稼動において、どのパラメータ（エンジン回転数，燃料消費量，左油圧ポンプ圧力，右油圧ポンプ圧力のいずれか）にどの程度の変動が生じているかを判定することで、機械の劣化や異常の兆候を予測する。また、表示装置６が、この予測結果を表示し、機械の劣化や異常の兆候を報知するようになっている。
【００７８】
上述したように、本実施形態にかかる診断装置及び診断方法では、図１８に示すように、油圧ショベルの例えば出荷前の正常運転状態時（オフライン状態時）に各パラメータの正常時データを取得し、この正常時データと変動パラメータベクトルモデルマップとを用いて異常時運転モード比率ベクトルモデルマップを作成しておく。そして、機械が出荷されて実際に現場で稼動しているとき（オンライン状態時）に各パラメータの実稼動時データを取得し、この実稼動時データを用いて実稼動時運転モード比率ベクトルを求め、この実稼動時運転モード比率ベクトルに最も近いベクトルを、上記オフライン状態で作成した異常時運転モード比率ベクトルモデルマップから選択し、この選択したベクトルに対応する変動パラメータベクトルを変動パラメータベクトルモデルマップから求める。そして、このようにして求めた変動パラメータベクトルの変動率（具体的には、変動パラメータベクトルの各パラメータの変動率）から各パラメータの変動量を予測することで、機械の劣化や異常の兆候を予測することができる。
【００７９】
また、図１８に示すように、オフライン状態時に、予め各変動パラメータベクトル毎に具体的な異常個所（例えばターボチャージャ，オイルポンプ，インジェクターなど）を特定しておき、各変動パラメータベクトルに対応した異常データベースを用意しておけば、より具体的な異常個所を予測することが可能になる。
以上、本発明の一実施形態について説明したが、本発明は上記の実施形態に限定されるものではなく、本発明の趣旨を逸脱しない範囲で種々変形して実施することができる。
【００８０】
例えば、本実施形態では、複数の動作モードで動作しうる対象体として油圧ショベルを例に説明したが、対象体はこれに限定されるものではなく、例えばトラック・バス，船舶等の乗物類、及び、産業機械をはじめとした各種機械類の動作の良否判定等に広く適用できるほか、動植物等の生命体の良否判定等や、天候或いは地球等の天体の変化の推定などにも適用できる。
【００８１】
また、本実施形態では、診断装置を油圧ショベルに設けて油圧ショベル側で一括して診断を行なう構成について説明したが、図１９に示すように、例えば油圧ショベル等の移動機械にパラメータを検出するセンサだけを設け、この移動機械を所有する事業所に、本実施形態で説明した自己組織化マップ形成手段２，記憶部３，判定手段４，異常時データ作成手段７，運転モード比率算出手段８及び表示装置６を備えたコンピュータ等を設置し、センサからの検出データを無線通信等により上記のコンピュータに送信して表示することで、移動機械が遠隔地にある場合でも事業所側で容易に診断を行なうことが可能となる。なお、図１９では、移動機械と事業者との間に管理システムを介在した例を示している。従来より、特に作業機械，トラック・バス，船舶等のような移動機械を対象にした場合、地理的分散による非効率性もあってメンテナンスの高度化及び高効率化のニーズが高いが、本発明の診断装置を上述のように構成すれば、このようなニーズにも対応可能である。
【図面の簡単な説明】
【００８２】
【図１】本発明の一実施形態に係る診断装置を示すブロック図である。
【図２】本発明の一実施形態に係る診断方法を示すフローチャートである。
【図３】自己組織化マップ形成ステップの具体的な処理を示すフローチャートである。
【図４】本発明の一実施形態に係る油圧ショベルの運転モード１〜４に対する各センサの出力値を示すグラフである。
【図５】自己組織化マップ形成ステップの具体的な処理を示すフローチャートである。
【図６】本発明の一実施形態に係る自己組織化マップ内のトレーニングデータ点（検出データ点）とニューロンとの間の最小距離を視覚的に示す図である。
【図７】本発明の一実施形態に係る自己組織化マップを説明するための図で、（ａ）〜（ｄ）は運転モード１のトレーニングデータによって形成された自己組織化マップである。
【図８】本発明の一実施形態に係る自己組織化マップを説明するための図で、（ａ）〜（ｄ）は運転モード２のトレーニングデータによって形成された自己組織化マップである。
【図９】本発明の一実施形態に係る自己組織化マップを説明するための図で、（ａ）〜（ｄ）は運転モード１のトレーニングデータ（図中の小さい点印）と、完全な学習及びアイドリングニューロンの消去を行なった後のニューロン（図中の大きい点印）の配置を示す図である。
【図１０】本発明の一実施形態に係る自己組織化マップを説明するための図で、（ａ）〜（ｄ）は運転モード２のトレーニングデータ（図中の小さい点印）と、完全な学習及びアイドリングニューロンの消去を行なった後のニューロン（図中の大きい点印）の配置を示す図である。
【図１１】本発明の一実施形態に係る変動パラメータベクトルモデルマップを示す図である。
【図１２】図２に示す運転モード比率算出の具体的な処理を示すフローチャートである。
【図１３】本発明の一実施形態に係る運転モード比率ベクトルモデルマップを示す図である。
【図１４】本発明の一実施形態に係る異常時データのパラメータＰ1についての運転モード比率を示す図である。
【図１５】本発明の一実施形態に係る異常時データのパラメータＰ2についての運転モード比率を示す図である。
【図１６】本発明の一実施形態に係る運転モード１，２の比率をプロットした図である。
【図１７】判定ステップの具体的な処理を示すフローチャートである。
【図１８】本発明の一実施形態に係る診断方法を説明するための概略図である。
【図１９】本発明の変形例としての診断装置を示す図である。
【図２０】従来の自己組織化マップ（可視化２次元マップ）を示す図である。
【符号の説明】
【００８３】
１ａ エンジン回転数センサ（検出手段）
１ｂ 燃料消費量センサ（検出手段）
１ｃ 左油圧ポンプ圧力センサ（検出手段）
１ｄ 右油圧ポンプ圧力センサ（検出手段）
２ 自己組織化マップ形成手段
３ 記憶部
４ 判定手段
５ ＥＣＵ（電子コントロールユニット）
６ 表示装置
７ 異常時データ作成手段
８ 運転モード比率算出手段
【特許請求の範囲】
【請求項１】
複数の動作モードで動作しうる対象体の正常状態における予備運転時において、該動作に応じて変動するｎ個のパラメータの値（Ｐ1，Ｐ2，…，Ｐn）からなる正常時データセット（ｄi＝［Ｐ1，Ｐ2，…，Ｐn］）を、各動作モード毎にそれぞれ複数組（Ｄ組；［ｄ1，ｄ2，…，ｄD］）検出する正常時データ検出ステップと、
該正常時データ検出ステップで検出した上記の複数組の正常時データセットを用いて上記の各動作モード毎にそれぞれ個別の分離モデルとしての自己組織化マップを形成する自己組織化マップ形成ステップと、
該正常時データ検出ステップで検出した該正常時データセットの各パラメータの値を、該パラメータの数と同数の変動値からなり互いに異なる複数個（Ｅ個）の変動ベクトルによって増減させることで、該対象体の異常発生時における仮想的な異常時データセットを上記の１つの正常時データセットにつき該変動ベクトルの数（Ｅ）だけ作成する異常時データ作成ステップと、
該自己組織化マップ形成ステップで形成した上記の各動作モード毎の自己組織化マップの中から、該異常時データ作成ステップで作成した該異常時データセットに対して最も類似度が高い自己組織化マップを上記の各異常時データセットについて求め、上記の各変動ベクトル毎に、上記の全運転モードに対する各運転モードの比率を表す異常時運転モード比率ベクトルを算出する異常時運転モード比率算出ステップとをそなえた
ことを特徴とする、データ処理方法。
【請求項２】
請求項１記載のデータ処理方法により得られた上記の各変動ベクトルと上記の各異常時運転モード比率ベクトルとの対応関係を用いて該対象体の診断を行う
ことを特徴とする、診断方法。
【請求項３】
該対象体の実稼動時において、上記のｎ個のパラメータの値（Ｐ1，Ｐ2，…，Ｐn）からなる実稼動時データセット（ｄi＝［Ｐ1，Ｐ2，…，Ｐn］）を、各動作モード毎にそれぞれ複数組検出する実稼動時データ検出ステップと、
該自己組織化マップ形成ステップで求めた上記の各動作モード毎の自己組織化マップの中から、該実稼動時データ検出ステップで検出した該実稼動時データセットに対して最も類似度が高い自己組織化マップを上記の各実稼動時データセットについて求め、上記の全運転モードに対する各運転モードの比率を表す実稼動時運転モード比率ベクトルを算出する実稼動時運転モード比率算出ステップと、
該異常時運転モード比率算出ステップで求めた上記の各異常時運転モード比率ベクトルのうち、該実稼動時運転モード比率算出ステップで算出した該実稼動時運転モード比率ベクトルに最も類似度が高い変動ベクトルを選択し、該選択した異常時運転モード比率ベクトルに対応する変動ベクトルの各変動値を求める変動値算出ステップとをそなえた
ことを特徴とする、請求項２記載の診断方法。
【請求項４】
複数の動作モードで動作しうる対象体の該動作に応じて変動するｎ個のパラメータの値（Ｐ1，Ｐ2，…，Ｐn）からなるデータセット（ｄi＝［Ｐ1，Ｐ2，…，Ｐn］）を、各動作モード毎にそれぞれ検出する検出手段と、
該対象体の正常状態における予備運転時に該検出手段により検出された複数組（Ｄ組；［ｄ1，ｄ2，…，ｄD］）の上記のデータセットを用いて上記の各動作モード毎にそれぞれ個別の分離モデルとしての自己組織化マップを形成する自己組織化マップ形成手段と、
該自己組織化マップ形成手段により形成された上記の各動作モード毎の自己組織化マップの中から、入力されたデータセットに対して最も類似度が高い自己組織化マップを選出し、上記の複数組のデータセットに対して上記の全運転モードに対する各運転モードの比率を表す運転モード比率ベクトルを算出する運転モード比率算出手段と、
該対象体の正常状態における予備運転時に該検出手段により検出された該データセットの各パラメータの値を、該パラメータの数と同数の変動値からなり互いに異なる複数個（Ｅ個）の変動ベクトルによって増減させることで、該対象体の異常発生時における仮想的な異常時データセットを上記の１つのデータセットにつき該変動ベクトルの数（Ｅ）だけ作成する異常時データ作成手段とをそなえ、
該運転モード比率算出手段は、
該異常時データ作成手段により該異常時データセットが入力されると、該自己組織化マップ形成手段により形成された上記の各動作モード毎の自己組織化マップの中から、該異常時データセットに対して最も類似度の高い自己組織化マップを選出し、上記の複数組の異常時データセットに対して上記の全運転モードに対する各運転モードの比率を表す異常時運転モード比率ベクトルを算出するように機能する
ことを特徴とする、データ処理装置。
【請求項５】
請求項１記載のデータ処理装置と、
該対象体の実稼動時に、該検出手段により検出された実稼動時データセットを複数組取得するとともに、該運転モード比率算出手段により算出された上記の各動作モード毎の自己組織化マップのうち該実稼動時データセットに対して最も類似度が高い自己組織化マップを上記の各実稼動時データセット毎に求め、上記の全運転モードに対する各運転モードの比率を表す実稼動時運転モード比率ベクトルを取得し、該運転モード比率算出手段により算出された上記の各異常時運転モード比率ベクトルのうち、上記の実稼動時運転モード比率ベクトルに最も類似度が高い変動ベクトルを選択し、該選択した異常時運転モード比率ベクトルに対応する変動ベクトルの各変動値を求めることにより該対象体の異常を判定する判定手段とをそなえた
ことを特徴とする、診断装置。
【請求項１】
複数の動作モードで動作しうる対象体の正常状態における予備運転時において、該動作に応じて変動するｎ個のパラメータの値（Ｐ1，Ｐ2，…，Ｐn）からなる正常時データセット（ｄi＝［Ｐ1，Ｐ2，…，Ｐn］）を、各動作モード毎にそれぞれ複数組（Ｄ組；［ｄ1，ｄ2，…，ｄD］）検出する正常時データ検出ステップと、
該正常時データ検出ステップで検出した上記の複数組の正常時データセットを用いて上記の各動作モード毎にそれぞれ個別の分離モデルとしての自己組織化マップを形成する自己組織化マップ形成ステップと、
該正常時データ検出ステップで検出した該正常時データセットの各パラメータの値を、該パラメータの数と同数の変動値からなり互いに異なる複数個（Ｅ個）の変動ベクトルによって増減させることで、該対象体の異常発生時における仮想的な異常時データセットを上記の１つの正常時データセットにつき該変動ベクトルの数（Ｅ）だけ作成する異常時データ作成ステップと、
該自己組織化マップ形成ステップで形成した上記の各動作モード毎の自己組織化マップの中から、該異常時データ作成ステップで作成した該異常時データセットに対して最も類似度が高い自己組織化マップを上記の各異常時データセットについて求め、上記の各変動ベクトル毎に、上記の全運転モードに対する各運転モードの比率を表す異常時運転モード比率ベクトルを算出する異常時運転モード比率算出ステップとをそなえた
ことを特徴とする、データ処理方法。
【請求項２】
請求項１記載のデータ処理方法により得られた上記の各変動ベクトルと上記の各異常時運転モード比率ベクトルとの対応関係を用いて該対象体の診断を行う
ことを特徴とする、診断方法。
【請求項３】
該対象体の実稼動時において、上記のｎ個のパラメータの値（Ｐ1，Ｐ2，…，Ｐn）からなる実稼動時データセット（ｄi＝［Ｐ1，Ｐ2，…，Ｐn］）を、各動作モード毎にそれぞれ複数組検出する実稼動時データ検出ステップと、
該自己組織化マップ形成ステップで求めた上記の各動作モード毎の自己組織化マップの中から、該実稼動時データ検出ステップで検出した該実稼動時データセットに対して最も類似度が高い自己組織化マップを上記の各実稼動時データセットについて求め、上記の全運転モードに対する各運転モードの比率を表す実稼動時運転モード比率ベクトルを算出する実稼動時運転モード比率算出ステップと、
該異常時運転モード比率算出ステップで求めた上記の各異常時運転モード比率ベクトルのうち、該実稼動時運転モード比率算出ステップで算出した該実稼動時運転モード比率ベクトルに最も類似度が高い変動ベクトルを選択し、該選択した異常時運転モード比率ベクトルに対応する変動ベクトルの各変動値を求める変動値算出ステップとをそなえた
ことを特徴とする、請求項２記載の診断方法。
【請求項４】
複数の動作モードで動作しうる対象体の該動作に応じて変動するｎ個のパラメータの値（Ｐ1，Ｐ2，…，Ｐn）からなるデータセット（ｄi＝［Ｐ1，Ｐ2，…，Ｐn］）を、各動作モード毎にそれぞれ検出する検出手段と、
該対象体の正常状態における予備運転時に該検出手段により検出された複数組（Ｄ組；［ｄ1，ｄ2，…，ｄD］）の上記のデータセットを用いて上記の各動作モード毎にそれぞれ個別の分離モデルとしての自己組織化マップを形成する自己組織化マップ形成手段と、
該自己組織化マップ形成手段により形成された上記の各動作モード毎の自己組織化マップの中から、入力されたデータセットに対して最も類似度が高い自己組織化マップを選出し、上記の複数組のデータセットに対して上記の全運転モードに対する各運転モードの比率を表す運転モード比率ベクトルを算出する運転モード比率算出手段と、
該対象体の正常状態における予備運転時に該検出手段により検出された該データセットの各パラメータの値を、該パラメータの数と同数の変動値からなり互いに異なる複数個（Ｅ個）の変動ベクトルによって増減させることで、該対象体の異常発生時における仮想的な異常時データセットを上記の１つのデータセットにつき該変動ベクトルの数（Ｅ）だけ作成する異常時データ作成手段とをそなえ、
該運転モード比率算出手段は、
該異常時データ作成手段により該異常時データセットが入力されると、該自己組織化マップ形成手段により形成された上記の各動作モード毎の自己組織化マップの中から、該異常時データセットに対して最も類似度の高い自己組織化マップを選出し、上記の複数組の異常時データセットに対して上記の全運転モードに対する各運転モードの比率を表す異常時運転モード比率ベクトルを算出するように機能する
ことを特徴とする、データ処理装置。
【請求項５】
請求項１記載のデータ処理装置と、
該対象体の実稼動時に、該検出手段により検出された実稼動時データセットを複数組取得するとともに、該運転モード比率算出手段により算出された上記の各動作モード毎の自己組織化マップのうち該実稼動時データセットに対して最も類似度が高い自己組織化マップを上記の各実稼動時データセット毎に求め、上記の全運転モードに対する各運転モードの比率を表す実稼動時運転モード比率ベクトルを取得し、該運転モード比率算出手段により算出された上記の各異常時運転モード比率ベクトルのうち、上記の実稼動時運転モード比率ベクトルに最も類似度が高い変動ベクトルを選択し、該選択した異常時運転モード比率ベクトルに対応する変動ベクトルの各変動値を求めることにより該対象体の異常を判定する判定手段とをそなえた
ことを特徴とする、診断装置。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図１４】
【図１５】
【図１６】
【図１７】
【図１８】
【図１９】
【図２０】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図１４】
【図１５】
【図１６】
【図１７】
【図１８】
【図１９】
【図２０】
【公開番号】特開２００６−５３８１８（Ｐ２００６−５３８１８Ａ）
【公開日】平成１８年２月２３日（２００６．２．２３）
【国際特許分類】
【出願番号】特願２００４−２３５８９８（Ｐ２００４−２３５８９８）
【出願日】平成１６年８月１３日（２００４．８．１３）
【出願人】（３０４０２８３４６）国立大学法人 香川大学 (285)
【出願人】（０００１９０２９７）新キャタピラー三菱株式会社 (1,189)
【Ｆターム（参考）】
【公開日】平成１８年２月２３日（２００６．２．２３）
【国際特許分類】
【出願日】平成１６年８月１３日（２００４．８．１３）
【出願人】（３０４０２８３４６）国立大学法人 香川大学 (285)
【出願人】（０００１９０２９７）新キャタピラー三菱株式会社 (1,189)
【Ｆターム（参考）】
[ Back to top ]