異常予兆診断装置及び異常予兆診断方法
【課題】機械設備に保守作業が施された場合でも、適切に異常予兆の有無を診断する異常予兆診断装置及び異常予兆診断方法を提供する
【解決手段】保守情報記憶手段から読み出した保守情報に対応して、センサデータ取得手段によってセンサデータが取得された期間を指定し、センサデータ記憶手段から当該期間に相当するセンサデータを読み出す学習対象データ取得処理と、当該センサデータの正常範囲を示す正常モデルを学習する学習処理と、前記正常モデルに基づいて機械設備の異常予兆の有無を診断する診断処理と、を行う第１の診断手段１５と、センサデータ記憶手段から前記センサデータを読み出し、各センサデータが、それぞれ予め設定された所定範囲のしきい値を超えた場合には、異常予兆ありと診断する第２の診断手段１６と、を備える。
【解決手段】保守情報記憶手段から読み出した保守情報に対応して、センサデータ取得手段によってセンサデータが取得された期間を指定し、センサデータ記憶手段から当該期間に相当するセンサデータを読み出す学習対象データ取得処理と、当該センサデータの正常範囲を示す正常モデルを学習する学習処理と、前記正常モデルに基づいて機械設備の異常予兆の有無を診断する診断処理と、を行う第１の診断手段１５と、センサデータ記憶手段から前記センサデータを読み出し、各センサデータが、それぞれ予め設定された所定範囲のしきい値を超えた場合には、異常予兆ありと診断する第２の診断手段１６と、を備える。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、機械設備からのセンサデータに基づいて、異常予兆の有無を診断する異常予兆診断装置及び異常予兆診断方法に関する。
【背景技術】
【０００２】
様々な機器から構成される機械設備やシステム機器は、安定して正常に稼動することが求められる。しかし、運転条件の変化などに基づく負荷の変動やその他の要因によって、機械設備やシステム機器にはさまざまなトラブルが発生する。
通常、これらの機器には、その稼動状態を把握するとともに異常を検知することを目的として様々なセンサが設置され、運転状態を監視している。さらに、最近のＩＴ機器の進歩は、膨大な運転記録データやセンサデータの保存を可能にし、多くの機器、システムにおいてこれらのデータが保存されている。
また、例えば、発電システムなどにおいては、停止することなく２４時間稼動することが求められており、そのためには故障の発生を未然に防止するための定期点検やメンテナンスが欠かせない。さらに、異常状態が発生する前の予兆を検知することができれば、当該予兆前後のセンサデータを分析することにより、早期の対応が可能となる。
【０００３】
従来、異常予兆を検知する方法として、大きく分けると２つの方法が提案されている。一つ目の方法は、しきい値設定によるリモートモニタリングによる異常予兆診断である。すなわち、各センサデータについてそれぞれ予めしきい値を設定し、センサデータの値が所定のしきい値を超えると異常予兆ありと判定する方法である。
特許文献１には、室内の温度、ガス濃度、放射線などを測定するための計測手段と、室内の機器の状態を判別する判別手段を備え、判別手段は各計測手段からの測定値のレベルの大きさ及びその組み合わせから室内正常、室内注意状態、室内異常の３つの状態を判別する技術について記載されている。特許文献１に記載の技術によれば、前記測定値のしきい値を適宜設定することにより、機械設備などの異常予兆を検知することができる。
【０００４】
異常予兆を検知する二つ目の方法は、統計的な分類手法を用いたデータマイニングによる異常予兆診断である。特許文献２には、正常範囲をクラスタリングマップとして設定し、さらに競合型ニューラルネットワークを用いて異常予兆を検知する技術について記載されている。特許文献２に記載の技術によれば、正常状態にばらつきがある場合でも優れた検知精度を有し、異常時のデータを必要とせずに監視対象の異常状態を検知できる。
【先行技術文献】
【特許文献】
【０００５】
【特許文献１】特開平１１−１２５６９４号公報
【特許文献２】特開２００７−１９８９１８号公報
【発明の概要】
【発明が解決しようとする課題】
【０００６】
特許文献１に記載の技術では、異常予兆を検知する場合に、前記しきい値を超えるセンサの種類は少数（例えば、１種類）である。しかしながら、複雑な機械設備などにおいて発生する異常の原因は複合的なものが多く、例えば、故障項目が同じでも故障発生までのプロセスはさまざまであり、必ずしも最適なしきい値を設定できるとは限らないという問題がある。
また、特許文献２に記載の技術では、例えば、機械設備などにメンテナンスを施すと、システム条件が大きく変化することがある。このような場合でも、蓄積された過去のデータをそのまま使ってデータマイニングに基づいた診断を行うと、機械設備自体は正常であるにもかかわらず、異常予兆として診断してしまうという問題がある。
【０００７】
そこで、本発明は、機械設備に保守作業が施された場合でも、適切に異常予兆の有無を診断する異常予兆診断装置及び異常予兆診断方法を提供することを課題とする。
【課題を解決するための手段】
【０００８】
前記課題を解決するために、本発明は、保守情報記憶手段から読み出した保守情報に対応して、センサデータ取得手段によってセンサデータが取得された期間を指定し、センサデータ記憶手段から当該期間に相当するセンサデータを読み出す学習対象データ取得処理と、当該センサデータの正常範囲を示す正常モデルを学習する学習処理と、前記正常モデルに基づいて機械設備の異常予兆の有無を診断する診断処理と、を行う第１の診断手段と、センサデータ記憶手段からセンサデータを読み出し、各センサデータが、それぞれ予め設定された所定範囲のしきい値を超えた場合には、異常予兆ありと診断する第２の診断手段と、を備えることを特徴とする。
【発明の効果】
【０００９】
本発明により、機械設備に保守作業が施された場合でも、適切に異常予兆の有無を診断する異常予兆診断装置及び異常予兆診断方法を提供することができる。
【図面の簡単な説明】
【００１０】
【図１】本発明の一実施形態に係る異常予兆診断装置を含むシステム構成図である。
【図２】コンピュータの表示手段に表示される保守情報の登録画面の例を示す図である。
【図３】異常予兆診断装置のデータマイニング部の構成図である。
【図４】学習対象データ取得手段によって取得される学習対象データを含む学習期間と、診断日との関係を示す説明図である。
【図５】保守作業が行われた場合に、学習対象データ取得手段によって取得される学習対象データを含む学習期間と、診断日との関係を示す説明図である。
【図６】各運転モードにおける各種センサデータの値の変化を示す図である。
【図７】データマイニング学習部による正常モデルの学習の説明図である。
【図８】データマイニング学習部による学習結果の例を示す図である。
【図９】データマイニング学習部における学習処理を示すフローチャートである。
【図１０】学習対象データ取得手段による学習対象データの取得処理を示すフローチャートである。
【図１１】データマイニング診断部における診断処理を示すフローチャートである。
【図１２】データマイニング診断部による診断結果の例を示す図である。
【図１３】異常予兆診断装置のリモートモニタリング部の構成図である。
【図１４】リモートモニタリング部の個別判定手段による異常予兆の診断の説明図である。
【図１５】異状予兆診断装置による実験データの例を示す図であり、（ａ）は計測値と学習値と寄与度の変化を示し、（ｂ）は異常度の変化を示すグラフである。
【図１６】（ａ）は保守作業を行う前後の期間における計測値の変化と、比較例での異常値の変化とを示すグラフであり、（ｂ）は本実施形態に係る異常予兆診断装置を用いた場合の、保守作業を行う前後の期間における異常値の変化を示すグラフである。
【発明を実施するための形態】
【００１１】
本発明の実施形態について、適宜図面を参照しながら詳細に説明する。なお、各図において、共通する部分には同一の符号を付し、重複した説明を省略する。
【００１２】
≪第１実施形態≫
図１は、本発明の一実施形態に係る異常予兆診断装置を含むシステム構成図である。
異常予兆診断装置１は、機械設備２に設置された複数のセンサから取得される計測値に基づいて、機械設備２に異常予兆があるか否かを診断する装置である。ここで、「異常予兆」とは、診断日を基準として近い将来（例えば、およそ２週間以内）に機械設備２に異常事態が発生する可能性が高いことを示す。また、「異常」とは、例えば、機械設備２において明らかに動作の不具合（故障）が発生しており、機械設備２が正常に動作していない状況を示す。
なお、「異常予兆」と「異常」とを区別する境界は必ずしも明確である必要はなく、例えば、異常の度合いを示す尺度（後記する異常度など。）を適宜設定し、当該尺度の値が所定のしきい値を超えるか否かによって、両者を区別することとしてもよい。
【００１３】
図１に示すように、本実施形態に係る異常予兆診断装置１は、通信ネットワークＮを介して少なくとも１つの機械設備２と接続されている。通常、機械設備２は複数台（例えば、５０台）存在するが、そのような場合でも、以下の記載では一括して「機械設備２」と記すこととする。ちなみに、機械設備２は、例えば、発電所で用いられるガスエンジンやガスタービン、原子力発電所の原子炉、風力発電所の風車、化学プラントで用いられる各種機器などを指している。
また、機械設備２には、温度、圧力、電圧、電流、モータ回転速度などを計測するために、図示しない複数個の（例えば、３０個）のセンサが設置されており、一定のサンプル周期（例えば、３０秒ごと）で各計測値を取得している。ちなみに、機械設備２の過渡状態においては、前記サンプル周期をさらに短く設定することが好ましい。
【００１４】
そして、機械設備２は、前記した各種センサによって取得された各計測値を、通信ネットワークＮを介して異常予兆診断装置１に送信している。
また、各機械設備２に対しては、異常予兆診断装置１による異常予兆診断がなされる他に、各機械設備２自体に安全計装としてのインターロック（図示せず）が複数設置されている。そして、所定の場合（例えば、燃料が少なくなった時など）には、前記インターロックからの警報情報又は故障情報が、通信ネットワークＮを介して異常予兆診断装置１に送信されるようになっている。
【００１５】
また、機械設備２に対しては保守作業が行われることがある。保守作業は定期的なメンテナンスとして行われることもあるし、機械設備２自体に設置されたインターロック（図示せず）からの警報情報若しくは故障情報、又は異常予兆診断装置１による異常予兆ありの診断に対応したメンテナンスとして行われることもある。また、保守作業は、例えば、機械設備２がガスエンジンであった場合に外部から冷却水を補給する場合などの操作も含むものとする。
すなわち「保守作業」とは、機械設備２に対するメンテナンスを含む人為的操作を意味するものとする。以下では、保守作業の一例として、機械設備２に対するメンテナンスを行う場合について説明する。
【００１６】
また、図１に示すように、異常予兆診断装置１は、通信ネットワークＮを介してコンピュータ３と接続されている。コンピュータ３は、図示しない入力手段、制御手段、記憶手段、表示手段、通信手段などを備えている。そして、各機械設備２に対するメンテナンスの内容（保守情報）を把握した作業員が、コンピュータ３の前記入力手段（キーボードなど）を介して、保守作業が行われる機械設備２の識別情報や保守作業期間などを含む保守情報を登録する（図２参照）。
図２は、コンピュータの表示手段（図示せず）に表示される保守情報の登録画面の例を示す図である。
機械設備２に対してメンテナンスを行う場合に、管理者によってコンピュータ３に入力される保守情報には、例えば、次のようなものが挙げられる。すなわち、図２に示すように、登録基本情報３０１として、件名、対応種別、機械設備２を管理するサイト名などを入力する。ちなみに、図２に示す登録基本情報３０１のうち「管理Ｎｏ」、「サイト名」、及び「号機」によって、機械設備２及び当該機械設備２を管理するサイトが特定される。
【００１７】
また、不具合情報３０２として、機械設備２に故障などの不具合が発生した日時、状態、エラー項目（故障発生箇所）などが入力される。
また、保守作業期間３０３として、不具合が発生した機械設備２に対してメンテナンスを行う予定の期間が入力される。つまり、コンピュータ３に入力される保守作業期間３０３は、（保守情報を入力した時点を現在とした）将来において、機械設備２に対しメンテナンスが行われる予定の期間を示す情報である。
ちなみに、コンピュータ３に入力される保守作業期間３０３は、（保守情報を入力した時点を現在とした）過去の所定期間において機械設備２に対しメンテナンスが行われたという情報であってもよい。後者の場合、異常予兆診断装置１は、過去の所定期間にメンテナンスが行われたという当該情報に基づいて、異常予兆の診断を再度実行することになる。
【００１８】
交換部品３０４として、メンテナンスに際して交換した機械設備２の部品を特定する情報が入力される。また、保守作業完了の有無を示す情報３０５として、保守作業が完了したか否かを示す情報が０又は１に対応して入力される。さらに、処置内容３０６として、メンテナンス内容の他、メンテナンス前後における機械設備２の状態が入力される。コンピュータ３に入力された保守情報は、制御手段（図示せず）によってコンピュータ３の記憶手段（図示せず）に記憶され、さらに通信ネットワークＮを介して異常予兆診断装置１に送信される。
【００１９】
＜異常予兆診断装置の構成＞
図１に示すように、異常予兆診断装置１は、通信手段１０と、センサデータ取得手段１１と、センサデータ記憶手段１２と、保守情報取得手段１３と、保守情報記憶手段１４と、データマイニング部１５と、リモートモニタリング部１６と、診断結果記憶手段１７と、表示制御手段１８と、表示手段１９と、を備える。
通信手段１０は、通信ネットワークＮを介して機械設備２やコンピュータ３からのデータを受信するものであり、例えば、ルータや各種インタフェースなどにより構成されている。通信手段１０は、例えば、ＴＣＰ／ＩＰの通信プロトコルに従い、通信ネットワークＮを介して前記データを受信する。
【００２０】
センサデータ取得手段１１は、通信ネットワークＮを介して通信手段１０から入力された各データのうち、機械設備２に設置された各種センサ（図示せず）からのセンサデータを取得するものである。前記で説明したように、機械設備２に設置された各種センサは、機械設備２における所定の出力値（例えば、温度や圧力の値など）を計測している。そして、機械設備２は、当該各種センサによる計測値を所定時間（例えば、３０秒）ごとに取得し、通信ネットワークＮを介して異常予兆診断装置１に対して逐次送信している。この場合、センサデータ取得手段１１は、１日当たりで、機械設備２の各種センサからそれぞれ２８８０個の計測値を取得することとなる。
【００２１】
なお、通信ネットワークＮを介して通信手段１０から入力されるデータには、前記計測値の他に、当該センサによって検出された計測値のデータ種別（機械設備２の識別番号、及び、センサの識別番号を含む）、機械設備２において計測値が取得された日付及び時刻が含まれる。また、通信手段１０から入力されるデータとして、機械設備２における所定の指令値（例えば、モータ回転速度の指令値など）を含めてもよい。
計測値及び当該計測値を特定するために付加される前記データを総称して、以下、「センサデータ」と記すこととする。センサデータ取得手段１１は、通信手段１０を介して取得したセンサデータを、センサデータ記憶手段１２に記憶させる。
【００２２】
センサデータ記憶手段１２は、センサデータ取得手段１１によって取得されたセンサデータを記憶している。すなわち、センサデータ記憶手段１２は、機械設備２又は少なくとも１つの機械設備２を管理するサイト（図示せず）ごとに、センサデータをデータベースとして記憶している。そして、センサデータ記憶手段１２は、記憶しているセンサデータを、後記するデータマイニング部１５と、リモートモニタリング部１６と、表示制御手段１８と、に対して出力可能に構成されている。
【００２３】
保守情報取得手段１３は、通信ネットワークＮを介して通信手段１０から入力された各データのうち、コンピュータ３から出力された保守情報を取得するものである。保守情報取得手段１３によって取得される保守情報には、少なくとも機械設備２を特定するための識別番号（図２の登録基本情報３０１を参照）と、機械設備２に対して保守作業が行われた期間（図２の保守作業期間３０３を参照）と、を含むものとする。保守情報取得手段１３は、通信手段１０を介して取得したデータが保守情報であるか否かを識別し、取得した保守情報を保守情報記憶手段１４に記憶させる。
【００２４】
保守情報記憶手段１４は、保守情報取得手段１３によって取得された保守情報を記憶している。保守情報記憶手段１４は少なくとも、どの機械設備２に対してどの期間に保守作業が行われたかを含む保守情報を、データベースとして記憶している。そして、保守情報記憶手段１４は、記憶している保守情報を後記するデータマイニング部１５と、表示制御手段１８とに対して出力可能に構成されている。
データマイニング部１５は、統計的データ分類手法を適用してデータマイニングを行い、機械設備２の正常データを学習して機械設備２ごとに正常モデルを学習し、当該正常モデルに基づいて機械設備２の異常予兆の有無を診断する。また、データマイニング部１５は、保守情報記憶手段１４から取得した保守情報に基づいて、センサデータ記憶手段１２からセンサデータを取得する。そして、データマイニング部１５は、取得した当該センサデータに基づいて学習及び診断を行い、その診断結果を診断結果記憶手段１７に記憶させるようになっている。
なお、データマイニング部１５の詳細については、後記する。
【００２５】
リモートモニタリング部１６は、異常予兆診断装置１の各種設定を行う管理者の経験や知識をもとに、機械設備２から取得したセンサデータの値（又は変化量）について上下しきい値を設け、センサデータの値などが当該上下しきい値を超えた場合に異常予兆ありと診断する。そして、リモートモニタリング部１６は、前記の診断結果を診断結果記憶手段１７に記憶させるようになっている。
なお、リモートモニタリング部１６の詳細については、後記する。
異常予兆診断装置１は、データマイニング部１５による診断と、リモートモニタリング部１６による診断をそれぞれ独立に行っている。
【００２６】
診断結果記憶手段１７は、データマイニング部１５による診断結果と、リモートモニタリング部１６による診断結果とを、それぞれ別の記憶領域（図示せず）に記憶している。また、診断結果記憶部１７は、診断日における各診断結果を機械設備２（又は機械設備２を管理するサイト）ごとに記憶しており、表示制御手段１８に対して出力可能に構成されている。
表示制御手段１８は、診断結果記憶手段１７に記憶されているデータマイニング部１５による診断結果、及び、リモートモニタリング部１６による診断結果を、表示手段１９に表示させるための制御を行う。すなわち、表示制御手段１８は、表示手段１９に対して異常予兆診断装置１による診断結果などを表示させる際に必要となる制御信号を出力する。
【００２７】
例えば、表示制御手段１８は、各機械設備２を行とし、診断日の日付を列としてマトリックス形式でデータマイニング部１５による診断結果（異常予兆の有無）を表示手段１９に表示させる。その他、表示制御手段１８は、メンテナンスが行われた日やその後の学習期間など（詳細については後記する）を表示手段１９に識別可能に表示することができるようになっている。また、表示制御手段１８は、機械設備２自体に設置されたインターロック（図示せず）からの警報情報又は故障情報の有無を表示手段１９に識別可能に表示させる。
さらに、表示制御手段１８は、リモートモニタリング部１６によって異常予兆ありと診断された場合には、例えば、表示手段１９に当該診断結果をポップアップ表示させることもできる。
表示手段１９は、例えば、モニタであり、表示制御手段１８から入力された制御信号に従って、異常予兆診断装置１による診断結果などを表示する。
【００２８】
図３は、異常予兆診断装置のデータマイニング部の構成図である。データマイニング部１５は、データマイニング学習部１５１と、データマイニング診断部１５２と、を備える。
【００２９】
＜データマイニング学習部の構成＞
データマイニング学習部１５１は、統計的データ分類手法の一種であるクラスタリングを適用してデータマイニングを行い、機械設備２の正常モデルを学習する。なお、「正常モデル」が示す対象については、後記する。
データマイニング学習部１５１は、学習対象データ取得手段１５１ａと、モード判定手段１５１ｂと、モード別学習対象データ記憶手段１５１ｃと、学習手段１５１ｄと、正常モデルデータ記憶手段１５１ｅと、を備える。
【００３０】
（１．学習対象データ取得手段）
図３に示すように、学習対象データ取得手段１５１ａは、保守情報記憶手段１４に記憶されている保守情報に基づいて、センサデータ記憶手段１２からセンサデータを取得する。以下、学習対象データ取得手段１５１ａがセンサデータ記憶手段１２から取得するセンサデータを、「学習対象データ」と記す。
【００３１】
（Ａ．通常の場合の学習対象データ取得処理）
図４は、学習対象データ取得手段によって取得される学習対象データを含む学習期間と、診断日との関係を示す説明図である。ちなみに、図４は、学習期間Ｂの初日（１日）から診断日（２２日）までの間では、機械設備２に対するメンテナンスがなされなかった場合について示している。また、図４に記載の日付は学習期間Ｂの１日目を基準（１日）として付けたものである。
図４に示すように、学習対象データ取得手段１５１ａは、診断日（２２日）から所定期間Ａ（例えば、１週間）だけ過去にさかのぼり、所定の学習期間Ｂ(例えば、２週間分)の学習対象データをセンサデータ記憶手段１２から取得する。ここで、所定期間Ａ及び学習期間Ｂは、予め設定された期間である。
なお、所定期間Ａは、長期間かけてゆっくりと設備状態が異常に変化するような事象の検知に対応可能であるとともに、機械設備２の稼働状況自体の変化にも対応可能であるように、適宜設定すればよい。また、前記の学習期間Ｂは、後記する学習手段１５１ｄが正常モデルを学習するために必要とする学習対象データを十分に取得できる期間であればよく、適宜設定すればよい。
【００３２】
また、学習対象データ取得手段１５１ａは、所定期間Ｂとして、機械設備２に設置されたインターロック（図示せず）によって警報又は故障が検知された日を除くよう設定されている。つまり、図４に示す２日に機械設備２で警報があったので、学習対象データ取得手段１５１ａは、２日を除く２週間分のセンサデータを学習対象データとしてセンサデータ記憶手段１２から取得する。
なお、データマイニング学習部１５１による学習処理は、一日に一回、予め設定された時刻（例えば午前０時）になされる。そして、後記するデータマイニング診断部１５２による診断処理は、一日に一回、前記学習処理が終了した後に当該学習処理によって学習された正常モデルを基準として診断される。
そして、図４に示す所定期間Ａと学習期間Ｂとは、診断日の経過に伴い１日ずつシフトしていく。
なお、前記した学習処理及び診断処理は一日に一回に限らず、所定の期間ごとに行うこととしてもよい。また、異常予兆診断装置の管理者が、学習処理及び診断処理を行うタイミングを、図示しない入力手段を介して任意に設定することもできる。
【００３３】
ちなみに、前記では、機械設備２自体に設置されたインターロック（図示せず）によって警報又は故障が検知された日を学習対象日から除外することとしたが、さらに、異常予兆診断装置１によって異常予兆があると診断された日も学習対象から除外することが好ましい。これは、データマイニング部１５がクラスタリングを用いて精度の高い診断を行うために、正常なデータを学習する必要があるからである。このようにして、警報又は故障が検知された日、及び、異常予兆と診断された日を除外した日における機械設備２のセンサデータを以下、「正常データ」と記す。
つまり、学習対象データ取得手段１５１ａは、過去における所定日数分の正常データをセンサデータ記憶手段１２から取得し、モード判定手段１５１ｂに出力する。
【００３４】
（Ｂ．メンテナンスがあった場合の学習対象データ取得処理）
図５は、保守作業が行われた場合に、学習対象データ取得手段によって取得される学習対象データを含む学習期間と、診断日との関係を示す説明図である。
図５に示すように、例えば、３日〜５日の期間に特定の機械設備２に対してメンテナンスがあった場合を仮定する。また、図５に示すメンテナンス期間（３日〜５日）はメンテナンスの作業が終了した後、機械設備２の動作が安定するまでの期間も含むものとする。
【００３５】
このようなメンテナンスがあった場合、メンテナンスの前後でセンサデータの値が大幅に変動する可能性が高い。仮に、診断日がメンテナンス直後であった場合に、学習対象データ取得手段１５１ａが、通常の場合に適用される図４に示す方法で学習対象データを取得したとすると、次のような事態が発生する。すなわち、学習対象データ取得手段１５１ａが、メンテナンス前のセンサデータやメンテナンス中のセンサデータをも学習対象データとして取得してしまうこととなる。したがって、この場合には、メンテナンスを施された機械設備２自体は正常であるにもかかわらず、異常予兆診断装置１が異常予兆ありと診断し続ける可能性がある（図１６（ａ）参照）。
そこで、メンテナンスがあった場合、学習対象データ取得手段１５１ａは図５に示す学習期間のセンサデータを学習対象データとして取得する。
【００３６】
図５に示すように、学習対象データ取得手段１５１ａは、メンテナンス以前（２日以前）のセンサデータ、及び、メンテナンス期間中である３日〜５日のセンサデータを、取得すべき学習対象データから除外する。つまり、学習対象データ取得手段１５１ａは、メンテナンス期間（３日〜５日）が経過した後の６日から所定の学習期間Ｂ１（例えば、１週間）のセンサデータを学習対象データとして取得する。
なお、図５に示す学習期間Ｂ１は、メンテナンス後における機械設備２から取得した学習対象データを用いて、学習手段１５１ｄが新たな正常モデルを作成するために最低限必要な期間である。したがって、図５に示すように、後記する診断手段１５２ｅ（図３参照）は、メンテナンス期間（３日〜５日）及びメンテナンス後の学習期間Ｂ１（６日〜１２日）までの間は異常予兆の診断を行わない。そして、診断手段１５２ｅは、学習期間Ｂ１が経過した後の１３日から異常予兆の診断を再開する。
【００３７】
そして、図５（ａ）に示すように、学習期間として十分な期間である学習期間Ｂ２（例えば、２週間）が確保できるまでは、学習対象データ取得手段１５１ａはメンテナンス後の６日から診断日の前日までのセンサデータを、学習対象データとしてセンサデータ記憶手段１２から取得する。
また、図５（ｂ）に示すように、学習期間Ｂ２の最終日（１９日）から診断日までの日数が所定期間Ａ２（例えば、一週間）となるまでは、学習対象データ取得手段１５１ａは、学習期間Ｂ２におけるセンサデータを取得する。これは、前記で説明したように、長期間かけてゆっくりと設備状態が異常に変化するような事象の検知に対応可能であるようにするためである。
そして、図５に示す２７日以後は、学習対象データ取得手段１５１ａは、前記で説明した「通常の場合の学習データ取得処理」と同様の処理を行う（図４、図５（ｂ）参照）。さらに、図５（ｃ）に示すように、学習期間Ｂ２の最終日（１９日）からの日数が所定期間Ａ２を超えた診断日（２８日）からは、学習対象データ取得手段１５１ａは、診断日の経過に伴って学習期間Ｂ３及び所定期間Ａ３を順次シフトさせていく。
【００３８】
ちなみに、機械設備２自体に設置されたインターロック（図示せず）によって警報又は故障が検知された日や、異常予兆診断装置１によって異常予兆があると診断された日を学習対象日から除外することは、前記した「通常の場合の学習対象データ取得処理」の場合と同様である。
また、前記した学習期間Ｂ１，Ｂ２及び所定期間Ａ２は、適宜設定を変更することが可能である。
【００３９】
（２．モード判定手段及びモード別学習対象データ記憶手段）
モード判定手段１５１ｂは、学習対象データ取得手段１５１ａから入力された学習対象データの運転モードを判定する。ここで、「運転モード」とは、機械設備２（図１参照）の運転モードを意味している。
図６は、各運転モードにおける各種センサデータの値の変化を示す図である。
運転モードとしては、図６に示すように、機械設備２が停止して定常状態となっているモード(定常（ＯＦＦ）)、機械設備２が起動して過渡状態となっているモード（過渡（ＳＴＡＲＴ））、機械設備２が稼動して定常状態となっているモード(定常（ＯＮ）)、機械設備２が停止して過渡状態となっているモード（過渡（ＳＴＯＰ））などが挙げられる。モード判定手段１５１ｂは、機械設備２の運転モードをセンサデータの変化に基づいて自動的に判定し、各運転モードに分割することができる。例えば、モード判定手段は１５１ｂは、特定のセンサデータに着目して、時間軸における当該センサデータの変化率に応じて機械設備２の運転モードを判定する。
【００４０】
モード判定手段１５１ｂは学習対象データ取得手段１５１ａによって取得された学習対象データが、どの運転モードに属するかを判定する。そして、モード判定手段１５１ｂは、学習対象データ取得手段１５１ａによって取得された学習対象データに前記の運転モードを対応させて、モード別学習対象データ記憶手段１５１ｃ（図３参照）に記憶させる。
モード別学習対象データ記憶手段１５１ｃは、モード判定手段１５１ｂから入力された学習対象データを前記の運転モード別に記憶している。そして、モード別学習対象データ記憶手段１５１ｃは、運転モード別に記憶されている学習対象データを学習手段１５１ｄに対して出力可能に構成されている。
【００４１】
（３．学習手段）
学習手段１５１ｄは、モード別学習対象データ記憶手段１５１ｃから取得した学習対象データを用いて機械設備２の正常モデルを学習する。学習手段１５１ｄによる当該学習は、統計的データ分類手法の一種であるクラスタリングを適用してデータマイニングを行うことによってなされる。
【００４２】
図７は、データマイニング学習部による正常モデルの学習の説明図である。学習手段１５１ｄは、前記で説明した正常データとしての学習対象データのうち、学習対象として決めた特定の運転モードの学習対象データを、モード別学習対象データ記憶手段１５１ｃから取得する。そして、学習手段１５１ｄは学習対象データを、類似するデータごとにクラスタと呼ばれるいくつかの代表グループに分類する。なお、図７に示した例では、クラスタが１つの場合について示したが、特定の機械設備２の１つの運転モードについて複数のクラスタが存在することがあるものとする。
また、図７に示す特徴α、特徴β、特徴γとは、例えば、機械設備２に設置されたセンサ（図示せず）で計測された特徴量（温度、圧力、回転速度など）を正規化したものである。また、図７には、例として３次元の場合を示したが、次元数はセンサデータ取得手段１１（図１参照）によって取得されるセンサの数だけあるものとする。
【００４３】
クラスタリングの手法としては、例えば、非階層的クラスタリングのｋ平均法を用いることができる。ｋ平均法では、まず、各データに対してランダムにクラスタを割り振り、割り振ったデータをもとに各クラスタの中心（クラスタ中心）を計算する。クラスタ中心として、例えば、割り当てられたデータの各要素の平均を使用することができる。次に、所定のデータとクラスタ中心との距離を求め、当該データを最も近い中心のクラスタに割り当てる。このような処理で全てのデータについて、各データのクラスタ割り当てが変化しなかった場合は処理を終了する。それ以外の場合は、新しく割り振られたクラスタからクラスタ中心を再計算し、前記処理を繰り返す。以上の処理により、学習手段１５１ｄは、学習対象データを複数のクラスタに分類することができる。
そして、図７に示すように、各クラスタについてクラスタ中心ｃとクラスタ半径ｒとが決定される。各クラスタについて求められた前記クラスタ中心ｃ及びクラスタ半径ｒが、学習手段１５１ｄによって学習された正常モデルである。学習手段１５１ｄは、学習した正常モデルを前記した運転モードごとに正常モデルデータ記憶手段１５１ｅ（図３参照）に記憶させる。ちなみに、本実施形態に係る異常予兆診断装置１において、学習手段１５１ｄが１台の機械設備２当たりに要する学習時間は約３秒である。
なお、学習手段１５１ｄは、モード判定手段１５１ｂを介して運転モードごとに取得された学習対象データが、予め設定された所定数以上存在する場合に正常モデルを学習するように設定されている。つまり、学習手段１５１ｄは、正常モデルを学習するために最低限必要な個数以上の学習対象データが、モード別学習対象データ記憶手段１５１ｃに存在しないと判断した場合には正常モデルを学習せず、未診断である旨の情報を診断結果記憶手段１７に記憶させる（図３参照）。
【００４４】
（４．正常モデルデータ記憶手段）
図８は、データマイニング学習部による学習結果の例を示す図である。図８に示すように、正常モデルデータ記憶手段１５１ｅには、運転モードごとに正常モデルがデータベースとして記憶される。図８に示すクラスタ番号１０１は、各クラスタを識別するために付される識別番号である。センサ１〜センサＭ（１０２）は、機械設備２に設置されたセンサ（図示せず）を示している。
図８に示す所属データ数１０３は、各クラスタ１〜Ｎに属する学習対象データの個数を示す。誤差合計１０４は、それぞれのクラスタのクラスタ中心と、当該クラスタに属する各学習対象データとの誤差（距離）の合計を示す。最大誤差１０５は、特定のクラスタのクラスタ中心と当該クラスタに属する複数の学習対象データとの距離の最大値である。最小誤差は、特定のクラスタのクラスタ中心と当該クラスタに属する複数の学習対象データとの距離の最小値である。
【００４５】
また、最大値１０７は、特定のクラスタに含まれる複数の学習対象データにおいて各センサに対応する特徴成分（例えば、図７に示す特徴αの座標値）の最大値を示す。また、最小値１０８は、特定のクラスタに含まれる複数の学習対象データにおいて各センサに対応する特徴成分の最小値を示す。ちなみに、学習手段１５１ｄは、最大値１０７及び最小値１０８の値を用いて正規化処理を行う。また、クラスタ中心１０９は、各クラスタの中心を特定する各センサ１〜Ｍの値を示す。
なお、正常モデルデータ記憶手段１５１ｅに記憶される正常モデルは、学習対象データ取得手段１５１ａが診断日に対応して取得する学習対象データに基づいて、診断日ごとに更新されていく。
【００４６】
＜データマイニング学習部による学習処理の流れ＞
図９は、データマイニング学習部における学習処理を示すフローチャートである。ステップＳ１１で、学習対象データ取得手段１５１ａ（図３参照）は、センサデータ記憶手段１２から学習対象データを取得する。
図１０は、学習対象データ取得手段による学習対象データの取得処理を示すフローチャートである。ステップＳ２１で学習対象データ取得手段１５１ａは、診断日が通常期間内であるか否かを判断する。ここで、「通常期間」とは、診断日に最も近い時期に行われたメンテナンスが終了した日を基準として、図４に示す学習期間Ｂ及び所定期間Ａが確保されている場合の期間を示す。
診断日が通常期間内である場合（ステップＳ２１→Ｙｅｓ）、学習対象データ取得手段１５１ａは、通常モードで学習対象データをセンサデータ記憶手段１２から取得する(ステップＳ２２）。ここで「通常モード」とは、学習対象データ取得手段１５１ａが、図４に示すように診断日から所定期間Ａだけ過去にさかのぼった学習期間Ｂにおけるセンサデータを学習対象データとして取得するモードを示す。
【００４７】
診断日が通常期間内でない場合（ステップＳ２１→Ｎｏ）、学習対象データ取得手段１５１ａの処理は、ステップＳ２３に進む。ステップＳ２３で、学習対象データ取得手段１５１ａは、診断日がメンテナンス期間内であるか否かを判断する。診断日がメンテナンス期間内である場合（ステップＳ２３→Ｙｅｓ）、学習対象データ取得手段１５１ａの処理は、ステップＳ２４に進む。ステップＳ２４で学習対象データ取得手段１５１ａは、診断日がメンテナンス期間内である旨の情報を診断結果記憶手段１７（図３参照）に記憶させる。ちなみに、この場合には、学習対象データとして利用できるセンサデータは存在しないため、学習対象データ取得手段１５１ａはセンサデータ記憶手段１２（図３参照）から学習対象データを取得しない。
一方、診断日がメンテナンス期間内でない場合（ステップＳ２３→Ｎｏ）、学習対象データ取得手段１５１ａの処理は、ステップＳ２５に進む。ステップＳ２５で、学習対象データ取得手段１５１ａは、診断日が学習期間Ｂ１（図５参照）に含まれているか否かを判断する。つまり、学習対象データ取得手段１５１ａは、メンテナンス後の学習期間として最低限必要な学習期間Ｂ１が確保されているか否かを判断する。
【００４８】
診断日が学習期間Ｂ１に含まれている場合（ステップＳ２５→Ｙｅｓ）、学習対象データ取得手段１５１ａの処理は、ステップＳ２６に進む。ステップＳ２６で、学習対象データ取得手段１５１ａは、診断日がメンテナンス後の学習期間内である旨の情報を診断結果記憶手段１７（図３参照）に記憶させる。この場合には、学習対象データとして利用できるセンサデータが不足しているため、学習対象データ取得手段１５１ａはセンサデータ記憶手段１２（図３参照）から学習対象データを取得しない。
一方、診断日が学習期間Ｂ１に含まれていない場合（ステップＳ２５→Ｎｏ）、学習対象データ取得手段１５１ａの処理は、ステップＳ２７に進む。
【００４９】
ステップＳ２７で、学習対象データ取得手段１５１ａは、学習期間Ｂ２及び所定期間Ａ２（図５（ｂ）参照）が確保されているか否かを判断する。学習期間Ｂ２及び所定期間Ａ２が確保されている場合（ステップＳ２７→Ｙｅｓ）、学習対象データ取得手段１５１ａの処理はステップＳ２２に進む。ちなみに、この場合は図５の（ｂ）又は（ｃ）の場合に該当する。つまり、この場合には診断日が、前記で説明した「通常期間」に該当しているといえる。
一方、学習期間Ｂ２が確保されていないか、又は、学習期間Ｂ２が確保されているものの所定期間Ａ２が確保されていない場合（ステップＳ２７→Ｎｏ）、学習対象データ取得手段１５１ａは、メンテナンスモードで学習対象データを取得する（ステップＳ２８）。ここで「メンテナンスモード」とは、図５（ａ）を用いて説明したように、前記の「通常モード」に戻るまでの過渡的な学習期間選択モードである。
【００５０】
再び図９に戻って、ステップＳ１２で、モード判定手段１５１ｂは、学習対象データの運転モードを判定する。前記で説明したように、モード判定手段１５１ｂは、特定の学習対象データの値又は変化率などに基づいて機械設備２の運転モードを判定する。
ステップＳ１３で、モード判定手段１５１ｂは、運転モードを判定した学習対象データをモード別学習対象データ記憶手段１５１ｃに記憶させる。次にステップＳ１４で、学習手段１５１ｄは、学習する運転モードを選択する。例えば、学習手段１５１ｄは、運転モードとして定常（ＯＮ）モード（図６参照）に属する学習対象データを選択し、モード別学習対象データ記憶手段１５１ｃから取得する。なお、学習手段１５１ｄによる運転モードの選択順序は、予め設定されている。
【００５１】
図９のステップＳ１５で学習手段１５１ｄは、正常モデルを学習する。つまり、前記で説明したように、学習手段１５１ｄはクラスタリングの手法を用いて学習対象データを各クラスタに分類し、クラスタ中心及びクラスタ半径を求める。ステップＳ１６で学習手段１５１ｄは、正常モデルデータ記憶手段１５１ｅに前記の正常モデルに対応する学習データを記憶させる。次に、ステップＳ１７で学習手段１５１ｄは、学習すべき他の運転モードが存在するか否かを判断する。学習すべき他の運転モードが存在する場合（ステップＳ１７→Ｙｅｓ）、学習手段１５１ｄの処理はステップＳ１４に戻る。学習すべき他の運転モードが存在しない場合（ステップＳ１７→Ｎｏ）、データマイニング学習部１５１の処理はリターンする。
【００５２】
＜データマイニング診断部の構成＞
図３に示すデータマイニング診断部１５２は、データマイング学習部１５１で生成された正常モデルに基づいて、機械設備２のセンサデータから異常予兆の有無を診断する。
データマイニング診断部１５２は、診断対象データ取得手段１５２ａと、モード判定手段１５２ｂと、モード別診断対象データ記憶手段１５２ｃと、異常度算出手段１５２ｄと、診断手段１５２ｅと、寄与度算出手段１５２ｆと、を備える。
【００５３】
診断対象データ取得手段１５２ａは、センサデータ記憶手段１２から診断対象となるセンサデータ（以下、診断対象データと記す。）を取得する。本実施形態では、診断対象データ取得手段１５２ａは、一日に一回、予め指定された時刻（例えば、午前０時）に前日の一日分のセンサデータを診断対象データとして、センサデータ記憶手段１２から取得する。ちなみに、前記したように、データマイニング診断部１５２が診断処理を行う前に、データマイニング学習部１５１によって、予め診断日に対応する学習対象データが取得され（図４、図５参照）、学習データが正常モデルデータ記憶手段１５１ｅに記憶させている。
【００５４】
モード判定手段１５２ｂは、診断対象データ取得手段１５２ａから入力された診断対象データの運転モードを判定する。なお、モード判定手段１５２ｂの処理は、前記で図６を用いて説明したモード判定手段１５１ｂの処理と同様であるから、その説明を省略する。モード判定手段１５２ｂは、診断対象データ取得手段１５２ａによって取得された診断対象データに、その運転モードを対応させて、モード別診断対象データ記憶手段１５２ｃに記憶させる。
モード別診断対象データ記憶手段１５２ｃは、モード判定手段１５２ｂから入力された診断対象データを前記の運転モード別に記憶している。そして、モード別診断対象データ記憶手段１５２ｂは、運転モード別に記憶されている診断対象データを異常度算出手段１５２ｄと、寄与度算出手段１５２ｆとに対して出力可能に構成されている。
【００５５】
異常度算出手段１５２ｄは、モード別診断対象データ記憶手段１５２ｃからモードごとに診断対象データを読み出し、当該診断対象データの異常度を算出する。例えば、診断対象データが図７に示す位置に存在し、正常モデルである複数のクラスタのうち、前記の診断対象データに最も近いクラスタ中心が図７に示すクラスタ中心ｃであるとする。この場合、異常度ｕは、クラスタ半径ｒと、クラスタ中心ｃから診断対象データまでの距離ｄとを用いて、下記の式（１）で表される。
ｕ＝ｄ／ｒ・・・式（１）
【００５６】
異常度算出手段１５２ｄは、式（１）を用いて算出した異常度ｕを診断手段１５２ｅに出力する。また、異常度算出手段１５２ｄは、診断対象データとその異常度ｕとを対応付けて、診断結果記憶手段１７（図３参照）に記憶させる。診断手段１５２ｅは、異常度算出手段１５２ｄから入力された異常度ｕに基づいて、診断対象データが取得された対象である機械設備２（図１参照）について異常予兆の有無を診断する。
異常度ｕ≦１である場合には、診断対象データが図７に示すクラスタ内に存在するといえる。つまりこの場合、診断対象データは特定の正常モデルの範囲内に存在するため、診断手段１５２ｅは、対応する機械設備２が正常である（異常予兆なし）と判断する。
一方、異常度ｕ＞１である場合には、診断対象データが図７に示すクラスタより外に存在するといえる。つまりこの場合、診断対象データはいずれの正常モデルの範囲内にも属さないため、診断手段１５２ｅは、対応する機械設備２に異常予兆があると判断する。
【００５７】
そして、診断手段１５２ｅは、診断対象データを用いた異常予兆の有無を、当該診断対象データに対応付けて診断結果記憶手段１７に記憶させる。
ちなみに、前記の説明では、異常度ｕの値が１以上であるか否かによって、診断手段１５２ｅが異常予兆の有無を判断することとしたが、異常予兆の有無を判断する上でしきい値となる値は１である場合に限らない。すなわち、診断手段１５２ｅは、診断対象データに最も近いクラスタ中心を有するクラスタ内の学習対象データの分布（分散など）や、診断対象データの時間的な変化率などを考慮して、上記しきい値を適宜設定することが可能である。
なお、本実施形態に係る異常予兆診断装置１において、異常度算出手段１１５２ｄ及び診断手段１５２ｅが、１台の機械設備２当たりに要する診断時間は約１０秒である。
【００５８】
寄与度算出手段１５２ｆは、モード別診断対象データ記憶手段１５２ｃからモードごとに診断対象データを読み出し、当該診断対象データに対する各センサ（図示せず）の寄与度を算出する。前記の各センサとは、図１に示す機械設備２に設置された複数のセンサを示している。
詳細な説明は省略するが、例えば図７に示す特徴βが機械設備２の所定箇所に設けられた特定のセンサＰ（図示せず）が検出した温度の値を正規化したものである場合、寄与度ｉは、図７に示す距離ｄのうち特徴β成分である距離ｆの割合として表される。すなわち、寄与度ｉは、下記の式（２）で表される。
ｉ＝ｆ／ｄ・・・式（２）
【００５９】
寄与度ｉとは、要するに、各センサによって検出されたセンサデータが、異常度ｕに対してどれだけ寄与しているかを表す値である。すなわち、寄与度ｉの値を各センサごとに比較することによって、特定の機械設備２に異常予兆があると検知された場合に、当該機械設備２に設置された複数のセンサのうち、どのセンサが異常予兆の検知に最も寄与しているかを特定することが可能となる。
寄与度算出手段１５２ｆは、診断対象データとその寄与度ｉとを対応付けて、診断結果記憶手段１７（図３参照）に記憶させる。
【００６０】
＜データマイニング診断部による診断処理の流れ＞
図１１は、データマイニング診断部における診断処理を示すフローチャートである。ステップＳ３１で、診断対象データ取得手段１５２ａ（図３参照）は、センサデータ記憶手段１２から診断対象データを取得する。例えば、診断対象データ取得手段１５２ａは、予め指定された時刻（例えば、午前０時）に前日の一日分のセンサデータを診断対象データとして、センサデータ記憶手段１２から取得する。
ステップＳ３２で、モード判定手段１５２ｂは、診断対象データの運転モードを判定する。ステップＳ３３で、モード判定手段１５２ｂは、運転モードを判定した診断対象データをモード別診断対象データ記憶手段１５２ｃに記憶させる。次にステップＳ３４で、異常度算出手段１５２ｄは、診断する運転モードを選択し、診断対象データをモード別診断対象データ記憶手段１５２ｃから取得する。
【００６１】
ステップＳ３５で異常度算出手段１５２ｄは、診断対象データの異常度を算出する。すなわち、異常度算出手段１５２ｄは、ステップＳ３４で選択した運転モードに対応する正常モデルを正常モデルデータ記憶手段１５１ｅ（図３参照）から取得し、当該正常モデルを基準として異常度を算出する。
ステップＳ３６で診断手段１５２ｅは、診断を実行する。すなわち、診断手段１５２ｅは、前記で説明したように、ステップＳ３５で算出した異常度の値が所定値以上であるか否かにによって、機械設備２における異常予兆の有無を診断する。ステップＳ３７で診断手段１５２ｅは、診断結果記憶手段１７に診断結果を記憶させる。次に、ステップＳ３８で異常度算出手段１５２ｄは、異常度を算出すべき他の運転モードが存在するか否かを判断する。異常度を算出すべき他の運転モードが存在する場合（ステップＳ３８→Ｙｅｓ）、異常度算出手段１５２ｄの処理はステップＳ３４に戻る。異常度を算出すべき他の運転モードが存在しない場合（ステップＳ３８→Ｎｏ）、データマイニング診断部１５２の処理はリターンする。
【００６２】
図１２は、データマイニング診断部による診断結果の例を示す図である。図１２に示すように、診断結果記憶手段１７（図３参照）には、運転モードごとに診断結果がデータベースとして記憶される。
図１２に示す時刻２０１は、センサデータ取得手段１１（図１参照）が機械設備２に設置されたセンサ（図示せず）により検出された計測値を取得した日時を示している。当該計測値は、予め設定された周期ごとに機械設備２のセンサで得られた値である。したがって、時刻２０１は、予め指定された時刻（例えば、午前０時）に、前記周期（例えば、３０秒）が順次加算された値となる。
【００６３】
学習対象データ取得日２０２は、この日のセンサデータを用いて、正常モデルであるクラスタを学習したことを示す。クラスタ番号２０３は、前記で説明した正常モデルとしての複数のクラスタのうち、クラスタ中心ｃ（図７参照）から診断対象データまでの距離が最も小さいクラスタの識別番号である。異常フラグ２０４には、診断手段１５２ｅ（図３参照）による診断結果に従って、異常予兆ありの場合には１の値が格納され、異常予兆なしの場合には０の値が格納される。運転状態番号２０５は、機械設備２の運転モードに対応して付される識別番号である。異常度２０６は、前記で説明したように、異常度算出手段１５２ｄ（図３参照）によって算出された異常度である。図１２に示す２０７の領域には、機械設備２に設置された各センサで検出された値である実測値と、前記したクラスタ中心ｃを表す座標のうちセンサ１に対応する成分の値を示す学習値とが記憶される。寄与度２０８は、前記で説明したセンサごとに算出された寄与度である。
【００６４】
＜リモートモニタリング部の構成＞
図１３は、異常予兆診断装置のリモートモニタリング部の構成図である。リモートモニタリング部１６は、前記で説明したように、管理者の経験や知識をもとに、機械設備２から取得したセンサデータの値（又は変化量）について上下しきい値を設け、センサデータの値などが当該上下しきい値によって規定される所定範囲を超えた場合に、異常予兆ありと診断する。
リモートモニタリング部１６は、個別判定手段１６１11，１６１12，・・・，１６１1N，１６１21，１６１22，・・・，１６１2N，・・・（以下、単に個別判定手段１６１ということがあるものとする。）と、診断手段１６２ａ，１６２ｂ，・・・（以下、単に診断手段１６２ということがあるものとする。）と、を備える。個別判定手段１６１11，１６１21，・・・は、センサデータ記憶手段１２からセンサデータ１（例えば、温度）を取得し、それぞれが、その判定結果を診断手段１６２ａ，１６２ｂ，・・・に出力する。同様に、個別判定手段１６１1N，１６１2N，・・・は、センサデータ記憶手段１２からセンサデータＮを取得し、それぞれが、その判定結果を診断手段１６２ａ，１６２ｂ，・・・に出力する。
なお、それぞれの診断手段１６２は、その診断内容（例えば、機械設備２の冷却水圧力が低下しているか否かの診断など）に対応して所定の論理回路が組まれている。
【００６５】
図１４は、リモートモニタリング部の個別判定手段による異常予兆の診断の説明図である。前記で説明したように、それぞれの個別判定手段１６１は、機械設備２に設置された各センサに１対１に対応付けられている。個別判定手段１６１は、図１４に示すように、センサデータのうちの計測値が予め設定されたしきい値Ａより小さくなった場合（図１４の一点鎖線参照）、又は、しきい値Ｂより大きくなった場合（図１４の破線参照）に、所定のオン信号を、自身に接続されている診断手段１６２に出力する。
ちなみに、同一種類のセンサデータを取得する個別判定手段（例えば、１６１11と１６１21）においては、しきい値（図１４のＡ，Ｂ参照）をそれぞれ同一に設定してもよいし、診断内容に対応して異なるしきい値を設定してもよい。
個別判定手段１６１は、センサデータ記憶手段１２に記憶されているセンサデータについて、予め設定されたサンプリング周期（例えば、３０秒）ごとに前記判定を行い、その結果を診断手段１６２に出力する。そして、診断手段１６２には、前記したように所定の論理回路が組まれており、各個別判定手段１６１からの信号の有無に対応して、それぞれの診断内容に応じた異常予兆の有無を出力するようになっている。
そして、診断手段１６２は、それぞれの診断結果を診断結果記憶手段１７（図３参照）に記憶させる。
【００６６】
≪実験データ≫
図１５は、異状予兆診断装置による実験データの例を示す図であり、（ａ）は計測値と学習値と寄与度の変化を示し、（ｂ）は異常度の変化を示すグラフである。なお、図１５の実験データは、機械設備２としてガスエンジンを用いた場合を示し、データマイニング部１５により学習及び診断を行った結果を示している。
図１５（ａ）に示すように、時刻ｔ１以前には、ガスエンジンの計測値の１つである冷却水圧力は、各運転モードに対応してほぼ安定した状態を保っている。また、図１５（ｂ）に示すように時刻ｔ１以前は異常度も低い値を保っている。一方、時刻ｔ１以後は冷却水圧力が徐々に低下し（図１５（ａ）参照）、それに応じて異常度の値も大きくなっている（図１５（ｂ）参照）。
データマイニング診断部１５２（図３参照）は、異常度が予め設定された所定のしきい値を超えた時刻ｔ１で異常予兆を検知している。つまり、異常事態が発生する前に、異常予兆診断装置１によって的確に異常予兆を検知していることがわかる。
【００６７】
図１６の（ａ）は保守作業を行う前後の期間における計測値の変化と、比較例での異常値の変化とを示すグラフであり、（ｂ）は本実施形態に係る異常予兆診断装置を用いた場合の、保守作業を行う前後の期間における異常値の変化を示すグラフである。なお、図１６の実験データは、機械設備２としてガスエンジンを用いた場合を示し、データマイニング部１５により学習及び診断を行った結果を示している。
図１６（ａ）の上図に示すように、例えば、冷却水の量を増やすなどのメンテナンスが実施された場合には、当該メンテナンスにより機械設備２の状態は大幅に変化する。このようなメンテナンスが機械設備２に施された場合であっても、仮に、学習データ取得手段１５１ａ（図３参照）が、前記で説明した通常モード（図４参照）で学習対象データをセンサデータ記憶手段１２から取得した場合には、次のような事態が発生する。すなわち、メンテナンスによって機械設備２が正常状態になっているにもかかわらず、図１６（ａ）の下図に示すように診断手段１５２ｅ（図３参照）がメンテナンス後において機械設備２に異常予兆があると判断し続けることとなる。
【００６８】
一方、本実施形態に係る異常予兆診断装置１では、学習対象データ取得手段１５１ａ（図３参照）が、コンピュータ３（図１参照）に入力された保守情報に従ってメンテナンスモード（図５参照）で学習期間を選択する。すなわち、図５に示すように、学習対象データ取得手段１５１ａは、メンテナンス後に所定学習期間Ｂ１を確保し、当該学習期間Ｂ１が経過した後に診断を再開する。したがって、図１６（ｂ）に示すように、診断手段１５２ｅ（図３参照）は、メンテナンス後の学習期間が経過した機械設備２を、正常（つまり、異常予兆なし）とし、適切な診断結果を出力していることが分かる。
【００６９】
ちなみに、図５を用いて説明したように、メンテナンス期間、及び、メンテナンス後に最低限必要な学習期間Ｂ１の間は、学習手段１５１ｄが適切な正常モデルを生成することができないため、データマイニング部１５（図１参照）は、診断結果を出力しない。
しかしながら、リモートモニタリング部１６（図１参照）では、サンプリング周期（例えば、３０秒）ごとに入力されるセンサデータをもとに診断を行い、診断結果記憶手段１７（図１参照）に対して診断結果を出力している。すなわち、前記のメンテナンス期間、及び、メンテナンス後に最低限必要な学習期間Ｂ１の間でも、異常予兆診断装置１はリモートモニタリング部１６による診断結果を出力し、表示手段１９に表示させている。
【００７０】
なお、前記したように、図１３に示すリモートモニタリング部１６の個別判定手段１６１におけるしきい値の設定や、診断手段１６２内の論理回路の設定は適宜変更することができる。したがって、例えば、異常予兆診断装置１の管理者がメンテナンス期間及びメンテナンス内容を参照して、前記しきい値などの設定を適宜変更することもできる。
ちなみに、図１に示すように、表示制御手段１８は、データマイニング部１５による診断結果及びリモートモニタリング部１６による診断結果の他、センサデータ記憶手段１２に記憶されているセンサデータや、保守情報記憶手段１４に記憶されている保守情報も、表示手段１９に表示させることができる。
【００７１】
≪本発明の効果≫
以上、説明したように、本実施形態に係る異常予兆診断装置１は、通信ネットワークＮを介して外部のコンピュータ３から受信する保守情報に対応して、学習対象データ取得手段１５１ａが学習対象データを取得する期間を指定することができる。
例えば、診断日が前記した通常期間内であれば、学習対象データ取得手段１５１ａは、所定期間Ａ（図４参照）だけ過去にさかのぼった学習期間Ｂのセンサデータを学習対象期間として選択する。前記の所定期間Ａ及び学習期間Ｂは、適宜設定変更することが可能であり、学習期間として適切な期間を設定することが可能である。
【００７２】
また、診断日が前記したメンテナンス期間（図５参照）又はその後の学習期間Ｂ１に含まれる場合には、学習対象データ取得手段１５１ａはセンサデータ記憶手段１２から学習対象データを取得しない。したがって、異常予兆診断装置１は、学習手段１５１ｄが、不適切又はデータ数が不足した学習対象データを用いて、無駄な学習を行うことを防止することができる。
そして、学習対象データ取得手段１５１ａは、診断日がメンテナンス期間又はその後の学習期間Ｂ１に含まれる旨の情報を診断結果記憶手段１７に記憶させる。したがって、異常予兆診断装置１は、メンテナンス期間及びその後の学習期間Ｂ１を表示手段１９に表示させることができる。
【００７３】
また、機械設備２にメンテナンスが施された場合、学習対象データ取得手段１５１ａはメンテナンスが終了し機械設備２の状態が安定した後のセンサデータを学習対象データとして取得する。したがって、異常予兆診断装置１は、メンテナンス後においても異常予兆の有無を適切に判断することができる。
また、前記のメンテナンス期間及び学習期間Ｂ１（図５参照）の間においては、データマイニング部１５（図１参照）は異常予兆の有無を診断しないが、リモートモニタリング部１６（図１参照）では常に所定のサンプリング周期ごとに診断結果を出力している。したがって、異常予兆診断装置１は、メンテナンス期間及び学習期間Ｂ１においても異常予兆の有無を診断することができる。
【００７４】
なお、前記のリモートモニタリング部１６（図１３参照）の個別判定手段１６１におけるしきい値の設定や、診断手段１６２内の論理回路の設定は適宜変更することができる。したがって、例えば、異常予兆診断装置１の管理者がメンテナンス期間及びメンテナンス内容を参照して、前記しきい値などの設定を適宜変更することもできる。すなわち、異常予兆診断装置１は、メンテナンス期間及び学習期間Ｂ１においても異常予兆の有無を適切に出力することが可能である。
さらに、異常予兆診断装置１は、データマイニング部１５と、リモートモニタリング部１６とで、それぞれ独立に異常予兆の有無を診断し、各診断結果をそれぞれ表示手段１９に表示させることができる。したがって、当該表示結果を見た管理者は、データマイニング部１５による診断結果とリモートモニタリング部１６による診断結果との両方を考慮して、異常予兆の原因を分析し、早期に対応することが可能となる。
【００７５】
また、一般に、データマイニング部１５は高感度であるために、リモートモニタリング部１６よりも異常予兆の有無を早期に検知することが可能である。一方、リモートモニタリング部１６の方は、センサデータと診断結果との対応関係が比較的単純（例えば、１対１の対応関係）であるために、異常予兆の原因を特定することが比較的容易である。
したがって、異常予兆診断装置１は前記のデータマイニング部１５の利点とリモートモニタリング部１６の利点との両方が生かされるため、異常予兆を早期に検知し、さらにその原因を的確に分析することが可能となる。
【００７６】
≪変形例≫
前記の説明では、機械設備２のセンサデータや保守情報を、通信ネットワークＮを介して異常予兆診断装置１に送信することとしたが、これに限らない。例えば、異常予兆診断装置１は、前記センサデータ又は保守情報を格納した記憶媒体から、各データを取得することもできる。
また、前記の説明では、モード判定手段１５１ｂ（図３参照）が学習対象データの値（又は変化率）に基づいて運転モードを判定することとしたが、これに限らない。すなわち、機械設備２が自身の運転モードを検知して、当該センサデータに当該運転モードの情報を付加し、通信ネットワークＮを介して異常予兆診断装置１に送信することとしてもよい。この場合、モード判定手段１５１ｂは、前記センサデータに付加された運転モードを参照して、運転モードごとにモード別学習対象データ記憶手段１５１ｃに学習対象データを記憶させる。
【００７７】
また、図１には、機械設備２とコンピュータ３とが別々の位置に存在し、１台のコンピュータ３に各機械設備２の保守情報を一括して登録する場合について説明したが、これに限らない。すなわち、コンピュータ３が複数存在し、各コンピュータ３が１つ又は複数（例えば、５台）の機械設備２の保守情報を管理し、当該保守情報を通信ネットワークＮを介して異常予兆診断装置１に送信することとしてもよい。
また、前記では、データマイニング診断部１５２（図３参照）が一日に一回、予め設定された時刻（例えば、午前０時）に、前日の１日分のセンサデータを、診断対象データとしてセンサデータ記憶手段１２から取得することとしたが、これに限らない。例えば、データマイニング診断部１５２がリアルタイムで異常予兆の診断を行うこととしてもよい。
【００７８】
また、前記では、データマイニング診断部１５２の寄与度算出手段１５２ｆによって算出された寄与度を、単に診断結果記憶手段１７に記憶させ、さらに表示手段１９に表示させることとしたが、これに限らない。前記したように、機械設備２に設置されたセンサ（図示せず）ごとに算出された寄与度によって、センサによる計測値がどれくらい異常度に寄与しているかを把握することができる。
したがって、寄与度算出手段１５２ｆによって算出された寄与度をリモートモニタリング部１６（図１３参照）の診断手段１６２の論理回路に反映させることとしてもよい。例えば、ある異常予兆の内容について、データマイニング部１５においてセンサＡの寄与度が最も大きいと判明した場合を考える。この場合にリモートモニタリング部１６において当該センサＡの値の変化が最も敏感に診断結果に反映されるように、診断手段１６２の論理回路を組みかえれば、リモートモニタリング部１６は診断結果をより適切に出力することができるようになる。
【００７９】
また、前記では、モード判定手段１５１ｂ，１５２ｂが機械設備２の運転モードを判定する構成としていたが、これに限らない。すなわち、データマイニング部１５における学習処理や診断処理において、機械設備２の運転モードを判定する必要がない場合には、モード判定手段１５１ｂ，１５２ｂによる運転モード判定処理を省略することができる。
また、図３に示すように、モード別学習対象データ記憶手段１５１ｃ，正常モデルデータ記憶手段１５１ｅ，モード別診断対象データ記憶手段１５２ｃをデータマイニング部１５に含める構成としたが、これに限らない。すなわち、上記の各記憶手段を異常予兆診断装置１の外部に設けることとしてもよい。
また、前記では、学習手段１５１ｄが非階層的クラスタリングとしてｋ平均法を用いてクラスタリングを行い、正常モデルを学習する場合について説明したが、これに限らない。すなわち、例えば、学習手段１５１ｄは、非階層的クラスタリングとしてファジィクラスタリングや混合密度分布法などを用いて学習処理を行ってもよい。
【符号の説明】
【００８０】
１ 異常予兆診断装置
１０ 通信手段
１１ センサデータ取得手段
１２ センサデータ記憶手段
１３ 保守情報取得手段（制御手段）
１４ 保守情報記憶手段
１５ データマイニング部（第１の診断手段、制御手段）
１５１ データマイニング学習部
１５１ａ 学習対象データ取得手段（制御手段）
１５１ｂ モード判定手段
１５１ｃ モード別学習対象データ記憶手段
１５１ｄ 学習手段（制御手段）
１５１ｅ 正常モデルデータ記憶手段
１５２ データマイニング診断部
１５２ａ 診断対象データ取得手段（制御手段）
１５２ｂ モード判定手段
１５２ｃ モード別診断対象データ記憶手段
１５２ｄ 異常度算出手段(診断手段、制御手段)
１５２ｅ 診断手段（制御手段）
１５２ｆ 寄与度算出手段
１６ リモートモニタリング部（第２の診断手段、制御手段）
１６１，１６１ａ，１６１ｂ，・・・，１６１ｎ 個別判定手段（制御手段）
１６２ 診断手段（制御手段）
１７ 診断結果記憶手段
１８ 表示制御手段（制御手段）
１９ 表示手段
２ 機械設備
３ コンピュータ
Ｎ 通信ネットワーク
【技術分野】
【０００１】
本発明は、機械設備からのセンサデータに基づいて、異常予兆の有無を診断する異常予兆診断装置及び異常予兆診断方法に関する。
【背景技術】
【０００２】
様々な機器から構成される機械設備やシステム機器は、安定して正常に稼動することが求められる。しかし、運転条件の変化などに基づく負荷の変動やその他の要因によって、機械設備やシステム機器にはさまざまなトラブルが発生する。
通常、これらの機器には、その稼動状態を把握するとともに異常を検知することを目的として様々なセンサが設置され、運転状態を監視している。さらに、最近のＩＴ機器の進歩は、膨大な運転記録データやセンサデータの保存を可能にし、多くの機器、システムにおいてこれらのデータが保存されている。
また、例えば、発電システムなどにおいては、停止することなく２４時間稼動することが求められており、そのためには故障の発生を未然に防止するための定期点検やメンテナンスが欠かせない。さらに、異常状態が発生する前の予兆を検知することができれば、当該予兆前後のセンサデータを分析することにより、早期の対応が可能となる。
【０００３】
従来、異常予兆を検知する方法として、大きく分けると２つの方法が提案されている。一つ目の方法は、しきい値設定によるリモートモニタリングによる異常予兆診断である。すなわち、各センサデータについてそれぞれ予めしきい値を設定し、センサデータの値が所定のしきい値を超えると異常予兆ありと判定する方法である。
特許文献１には、室内の温度、ガス濃度、放射線などを測定するための計測手段と、室内の機器の状態を判別する判別手段を備え、判別手段は各計測手段からの測定値のレベルの大きさ及びその組み合わせから室内正常、室内注意状態、室内異常の３つの状態を判別する技術について記載されている。特許文献１に記載の技術によれば、前記測定値のしきい値を適宜設定することにより、機械設備などの異常予兆を検知することができる。
【０００４】
異常予兆を検知する二つ目の方法は、統計的な分類手法を用いたデータマイニングによる異常予兆診断である。特許文献２には、正常範囲をクラスタリングマップとして設定し、さらに競合型ニューラルネットワークを用いて異常予兆を検知する技術について記載されている。特許文献２に記載の技術によれば、正常状態にばらつきがある場合でも優れた検知精度を有し、異常時のデータを必要とせずに監視対象の異常状態を検知できる。
【先行技術文献】
【特許文献】
【０００５】
【特許文献１】特開平１１−１２５６９４号公報
【特許文献２】特開２００７−１９８９１８号公報
【発明の概要】
【発明が解決しようとする課題】
【０００６】
特許文献１に記載の技術では、異常予兆を検知する場合に、前記しきい値を超えるセンサの種類は少数（例えば、１種類）である。しかしながら、複雑な機械設備などにおいて発生する異常の原因は複合的なものが多く、例えば、故障項目が同じでも故障発生までのプロセスはさまざまであり、必ずしも最適なしきい値を設定できるとは限らないという問題がある。
また、特許文献２に記載の技術では、例えば、機械設備などにメンテナンスを施すと、システム条件が大きく変化することがある。このような場合でも、蓄積された過去のデータをそのまま使ってデータマイニングに基づいた診断を行うと、機械設備自体は正常であるにもかかわらず、異常予兆として診断してしまうという問題がある。
【０００７】
そこで、本発明は、機械設備に保守作業が施された場合でも、適切に異常予兆の有無を診断する異常予兆診断装置及び異常予兆診断方法を提供することを課題とする。
【課題を解決するための手段】
【０００８】
前記課題を解決するために、本発明は、保守情報記憶手段から読み出した保守情報に対応して、センサデータ取得手段によってセンサデータが取得された期間を指定し、センサデータ記憶手段から当該期間に相当するセンサデータを読み出す学習対象データ取得処理と、当該センサデータの正常範囲を示す正常モデルを学習する学習処理と、前記正常モデルに基づいて機械設備の異常予兆の有無を診断する診断処理と、を行う第１の診断手段と、センサデータ記憶手段からセンサデータを読み出し、各センサデータが、それぞれ予め設定された所定範囲のしきい値を超えた場合には、異常予兆ありと診断する第２の診断手段と、を備えることを特徴とする。
【発明の効果】
【０００９】
本発明により、機械設備に保守作業が施された場合でも、適切に異常予兆の有無を診断する異常予兆診断装置及び異常予兆診断方法を提供することができる。
【図面の簡単な説明】
【００１０】
【図１】本発明の一実施形態に係る異常予兆診断装置を含むシステム構成図である。
【図２】コンピュータの表示手段に表示される保守情報の登録画面の例を示す図である。
【図３】異常予兆診断装置のデータマイニング部の構成図である。
【図４】学習対象データ取得手段によって取得される学習対象データを含む学習期間と、診断日との関係を示す説明図である。
【図５】保守作業が行われた場合に、学習対象データ取得手段によって取得される学習対象データを含む学習期間と、診断日との関係を示す説明図である。
【図６】各運転モードにおける各種センサデータの値の変化を示す図である。
【図７】データマイニング学習部による正常モデルの学習の説明図である。
【図８】データマイニング学習部による学習結果の例を示す図である。
【図９】データマイニング学習部における学習処理を示すフローチャートである。
【図１０】学習対象データ取得手段による学習対象データの取得処理を示すフローチャートである。
【図１１】データマイニング診断部における診断処理を示すフローチャートである。
【図１２】データマイニング診断部による診断結果の例を示す図である。
【図１３】異常予兆診断装置のリモートモニタリング部の構成図である。
【図１４】リモートモニタリング部の個別判定手段による異常予兆の診断の説明図である。
【図１５】異状予兆診断装置による実験データの例を示す図であり、（ａ）は計測値と学習値と寄与度の変化を示し、（ｂ）は異常度の変化を示すグラフである。
【図１６】（ａ）は保守作業を行う前後の期間における計測値の変化と、比較例での異常値の変化とを示すグラフであり、（ｂ）は本実施形態に係る異常予兆診断装置を用いた場合の、保守作業を行う前後の期間における異常値の変化を示すグラフである。
【発明を実施するための形態】
【００１１】
本発明の実施形態について、適宜図面を参照しながら詳細に説明する。なお、各図において、共通する部分には同一の符号を付し、重複した説明を省略する。
【００１２】
≪第１実施形態≫
図１は、本発明の一実施形態に係る異常予兆診断装置を含むシステム構成図である。
異常予兆診断装置１は、機械設備２に設置された複数のセンサから取得される計測値に基づいて、機械設備２に異常予兆があるか否かを診断する装置である。ここで、「異常予兆」とは、診断日を基準として近い将来（例えば、およそ２週間以内）に機械設備２に異常事態が発生する可能性が高いことを示す。また、「異常」とは、例えば、機械設備２において明らかに動作の不具合（故障）が発生しており、機械設備２が正常に動作していない状況を示す。
なお、「異常予兆」と「異常」とを区別する境界は必ずしも明確である必要はなく、例えば、異常の度合いを示す尺度（後記する異常度など。）を適宜設定し、当該尺度の値が所定のしきい値を超えるか否かによって、両者を区別することとしてもよい。
【００１３】
図１に示すように、本実施形態に係る異常予兆診断装置１は、通信ネットワークＮを介して少なくとも１つの機械設備２と接続されている。通常、機械設備２は複数台（例えば、５０台）存在するが、そのような場合でも、以下の記載では一括して「機械設備２」と記すこととする。ちなみに、機械設備２は、例えば、発電所で用いられるガスエンジンやガスタービン、原子力発電所の原子炉、風力発電所の風車、化学プラントで用いられる各種機器などを指している。
また、機械設備２には、温度、圧力、電圧、電流、モータ回転速度などを計測するために、図示しない複数個の（例えば、３０個）のセンサが設置されており、一定のサンプル周期（例えば、３０秒ごと）で各計測値を取得している。ちなみに、機械設備２の過渡状態においては、前記サンプル周期をさらに短く設定することが好ましい。
【００１４】
そして、機械設備２は、前記した各種センサによって取得された各計測値を、通信ネットワークＮを介して異常予兆診断装置１に送信している。
また、各機械設備２に対しては、異常予兆診断装置１による異常予兆診断がなされる他に、各機械設備２自体に安全計装としてのインターロック（図示せず）が複数設置されている。そして、所定の場合（例えば、燃料が少なくなった時など）には、前記インターロックからの警報情報又は故障情報が、通信ネットワークＮを介して異常予兆診断装置１に送信されるようになっている。
【００１５】
また、機械設備２に対しては保守作業が行われることがある。保守作業は定期的なメンテナンスとして行われることもあるし、機械設備２自体に設置されたインターロック（図示せず）からの警報情報若しくは故障情報、又は異常予兆診断装置１による異常予兆ありの診断に対応したメンテナンスとして行われることもある。また、保守作業は、例えば、機械設備２がガスエンジンであった場合に外部から冷却水を補給する場合などの操作も含むものとする。
すなわち「保守作業」とは、機械設備２に対するメンテナンスを含む人為的操作を意味するものとする。以下では、保守作業の一例として、機械設備２に対するメンテナンスを行う場合について説明する。
【００１６】
また、図１に示すように、異常予兆診断装置１は、通信ネットワークＮを介してコンピュータ３と接続されている。コンピュータ３は、図示しない入力手段、制御手段、記憶手段、表示手段、通信手段などを備えている。そして、各機械設備２に対するメンテナンスの内容（保守情報）を把握した作業員が、コンピュータ３の前記入力手段（キーボードなど）を介して、保守作業が行われる機械設備２の識別情報や保守作業期間などを含む保守情報を登録する（図２参照）。
図２は、コンピュータの表示手段（図示せず）に表示される保守情報の登録画面の例を示す図である。
機械設備２に対してメンテナンスを行う場合に、管理者によってコンピュータ３に入力される保守情報には、例えば、次のようなものが挙げられる。すなわち、図２に示すように、登録基本情報３０１として、件名、対応種別、機械設備２を管理するサイト名などを入力する。ちなみに、図２に示す登録基本情報３０１のうち「管理Ｎｏ」、「サイト名」、及び「号機」によって、機械設備２及び当該機械設備２を管理するサイトが特定される。
【００１７】
また、不具合情報３０２として、機械設備２に故障などの不具合が発生した日時、状態、エラー項目（故障発生箇所）などが入力される。
また、保守作業期間３０３として、不具合が発生した機械設備２に対してメンテナンスを行う予定の期間が入力される。つまり、コンピュータ３に入力される保守作業期間３０３は、（保守情報を入力した時点を現在とした）将来において、機械設備２に対しメンテナンスが行われる予定の期間を示す情報である。
ちなみに、コンピュータ３に入力される保守作業期間３０３は、（保守情報を入力した時点を現在とした）過去の所定期間において機械設備２に対しメンテナンスが行われたという情報であってもよい。後者の場合、異常予兆診断装置１は、過去の所定期間にメンテナンスが行われたという当該情報に基づいて、異常予兆の診断を再度実行することになる。
【００１８】
交換部品３０４として、メンテナンスに際して交換した機械設備２の部品を特定する情報が入力される。また、保守作業完了の有無を示す情報３０５として、保守作業が完了したか否かを示す情報が０又は１に対応して入力される。さらに、処置内容３０６として、メンテナンス内容の他、メンテナンス前後における機械設備２の状態が入力される。コンピュータ３に入力された保守情報は、制御手段（図示せず）によってコンピュータ３の記憶手段（図示せず）に記憶され、さらに通信ネットワークＮを介して異常予兆診断装置１に送信される。
【００１９】
＜異常予兆診断装置の構成＞
図１に示すように、異常予兆診断装置１は、通信手段１０と、センサデータ取得手段１１と、センサデータ記憶手段１２と、保守情報取得手段１３と、保守情報記憶手段１４と、データマイニング部１５と、リモートモニタリング部１６と、診断結果記憶手段１７と、表示制御手段１８と、表示手段１９と、を備える。
通信手段１０は、通信ネットワークＮを介して機械設備２やコンピュータ３からのデータを受信するものであり、例えば、ルータや各種インタフェースなどにより構成されている。通信手段１０は、例えば、ＴＣＰ／ＩＰの通信プロトコルに従い、通信ネットワークＮを介して前記データを受信する。
【００２０】
センサデータ取得手段１１は、通信ネットワークＮを介して通信手段１０から入力された各データのうち、機械設備２に設置された各種センサ（図示せず）からのセンサデータを取得するものである。前記で説明したように、機械設備２に設置された各種センサは、機械設備２における所定の出力値（例えば、温度や圧力の値など）を計測している。そして、機械設備２は、当該各種センサによる計測値を所定時間（例えば、３０秒）ごとに取得し、通信ネットワークＮを介して異常予兆診断装置１に対して逐次送信している。この場合、センサデータ取得手段１１は、１日当たりで、機械設備２の各種センサからそれぞれ２８８０個の計測値を取得することとなる。
【００２１】
なお、通信ネットワークＮを介して通信手段１０から入力されるデータには、前記計測値の他に、当該センサによって検出された計測値のデータ種別（機械設備２の識別番号、及び、センサの識別番号を含む）、機械設備２において計測値が取得された日付及び時刻が含まれる。また、通信手段１０から入力されるデータとして、機械設備２における所定の指令値（例えば、モータ回転速度の指令値など）を含めてもよい。
計測値及び当該計測値を特定するために付加される前記データを総称して、以下、「センサデータ」と記すこととする。センサデータ取得手段１１は、通信手段１０を介して取得したセンサデータを、センサデータ記憶手段１２に記憶させる。
【００２２】
センサデータ記憶手段１２は、センサデータ取得手段１１によって取得されたセンサデータを記憶している。すなわち、センサデータ記憶手段１２は、機械設備２又は少なくとも１つの機械設備２を管理するサイト（図示せず）ごとに、センサデータをデータベースとして記憶している。そして、センサデータ記憶手段１２は、記憶しているセンサデータを、後記するデータマイニング部１５と、リモートモニタリング部１６と、表示制御手段１８と、に対して出力可能に構成されている。
【００２３】
保守情報取得手段１３は、通信ネットワークＮを介して通信手段１０から入力された各データのうち、コンピュータ３から出力された保守情報を取得するものである。保守情報取得手段１３によって取得される保守情報には、少なくとも機械設備２を特定するための識別番号（図２の登録基本情報３０１を参照）と、機械設備２に対して保守作業が行われた期間（図２の保守作業期間３０３を参照）と、を含むものとする。保守情報取得手段１３は、通信手段１０を介して取得したデータが保守情報であるか否かを識別し、取得した保守情報を保守情報記憶手段１４に記憶させる。
【００２４】
保守情報記憶手段１４は、保守情報取得手段１３によって取得された保守情報を記憶している。保守情報記憶手段１４は少なくとも、どの機械設備２に対してどの期間に保守作業が行われたかを含む保守情報を、データベースとして記憶している。そして、保守情報記憶手段１４は、記憶している保守情報を後記するデータマイニング部１５と、表示制御手段１８とに対して出力可能に構成されている。
データマイニング部１５は、統計的データ分類手法を適用してデータマイニングを行い、機械設備２の正常データを学習して機械設備２ごとに正常モデルを学習し、当該正常モデルに基づいて機械設備２の異常予兆の有無を診断する。また、データマイニング部１５は、保守情報記憶手段１４から取得した保守情報に基づいて、センサデータ記憶手段１２からセンサデータを取得する。そして、データマイニング部１５は、取得した当該センサデータに基づいて学習及び診断を行い、その診断結果を診断結果記憶手段１７に記憶させるようになっている。
なお、データマイニング部１５の詳細については、後記する。
【００２５】
リモートモニタリング部１６は、異常予兆診断装置１の各種設定を行う管理者の経験や知識をもとに、機械設備２から取得したセンサデータの値（又は変化量）について上下しきい値を設け、センサデータの値などが当該上下しきい値を超えた場合に異常予兆ありと診断する。そして、リモートモニタリング部１６は、前記の診断結果を診断結果記憶手段１７に記憶させるようになっている。
なお、リモートモニタリング部１６の詳細については、後記する。
異常予兆診断装置１は、データマイニング部１５による診断と、リモートモニタリング部１６による診断をそれぞれ独立に行っている。
【００２６】
診断結果記憶手段１７は、データマイニング部１５による診断結果と、リモートモニタリング部１６による診断結果とを、それぞれ別の記憶領域（図示せず）に記憶している。また、診断結果記憶部１７は、診断日における各診断結果を機械設備２（又は機械設備２を管理するサイト）ごとに記憶しており、表示制御手段１８に対して出力可能に構成されている。
表示制御手段１８は、診断結果記憶手段１７に記憶されているデータマイニング部１５による診断結果、及び、リモートモニタリング部１６による診断結果を、表示手段１９に表示させるための制御を行う。すなわち、表示制御手段１８は、表示手段１９に対して異常予兆診断装置１による診断結果などを表示させる際に必要となる制御信号を出力する。
【００２７】
例えば、表示制御手段１８は、各機械設備２を行とし、診断日の日付を列としてマトリックス形式でデータマイニング部１５による診断結果（異常予兆の有無）を表示手段１９に表示させる。その他、表示制御手段１８は、メンテナンスが行われた日やその後の学習期間など（詳細については後記する）を表示手段１９に識別可能に表示することができるようになっている。また、表示制御手段１８は、機械設備２自体に設置されたインターロック（図示せず）からの警報情報又は故障情報の有無を表示手段１９に識別可能に表示させる。
さらに、表示制御手段１８は、リモートモニタリング部１６によって異常予兆ありと診断された場合には、例えば、表示手段１９に当該診断結果をポップアップ表示させることもできる。
表示手段１９は、例えば、モニタであり、表示制御手段１８から入力された制御信号に従って、異常予兆診断装置１による診断結果などを表示する。
【００２８】
図３は、異常予兆診断装置のデータマイニング部の構成図である。データマイニング部１５は、データマイニング学習部１５１と、データマイニング診断部１５２と、を備える。
【００２９】
＜データマイニング学習部の構成＞
データマイニング学習部１５１は、統計的データ分類手法の一種であるクラスタリングを適用してデータマイニングを行い、機械設備２の正常モデルを学習する。なお、「正常モデル」が示す対象については、後記する。
データマイニング学習部１５１は、学習対象データ取得手段１５１ａと、モード判定手段１５１ｂと、モード別学習対象データ記憶手段１５１ｃと、学習手段１５１ｄと、正常モデルデータ記憶手段１５１ｅと、を備える。
【００３０】
（１．学習対象データ取得手段）
図３に示すように、学習対象データ取得手段１５１ａは、保守情報記憶手段１４に記憶されている保守情報に基づいて、センサデータ記憶手段１２からセンサデータを取得する。以下、学習対象データ取得手段１５１ａがセンサデータ記憶手段１２から取得するセンサデータを、「学習対象データ」と記す。
【００３１】
（Ａ．通常の場合の学習対象データ取得処理）
図４は、学習対象データ取得手段によって取得される学習対象データを含む学習期間と、診断日との関係を示す説明図である。ちなみに、図４は、学習期間Ｂの初日（１日）から診断日（２２日）までの間では、機械設備２に対するメンテナンスがなされなかった場合について示している。また、図４に記載の日付は学習期間Ｂの１日目を基準（１日）として付けたものである。
図４に示すように、学習対象データ取得手段１５１ａは、診断日（２２日）から所定期間Ａ（例えば、１週間）だけ過去にさかのぼり、所定の学習期間Ｂ(例えば、２週間分)の学習対象データをセンサデータ記憶手段１２から取得する。ここで、所定期間Ａ及び学習期間Ｂは、予め設定された期間である。
なお、所定期間Ａは、長期間かけてゆっくりと設備状態が異常に変化するような事象の検知に対応可能であるとともに、機械設備２の稼働状況自体の変化にも対応可能であるように、適宜設定すればよい。また、前記の学習期間Ｂは、後記する学習手段１５１ｄが正常モデルを学習するために必要とする学習対象データを十分に取得できる期間であればよく、適宜設定すればよい。
【００３２】
また、学習対象データ取得手段１５１ａは、所定期間Ｂとして、機械設備２に設置されたインターロック（図示せず）によって警報又は故障が検知された日を除くよう設定されている。つまり、図４に示す２日に機械設備２で警報があったので、学習対象データ取得手段１５１ａは、２日を除く２週間分のセンサデータを学習対象データとしてセンサデータ記憶手段１２から取得する。
なお、データマイニング学習部１５１による学習処理は、一日に一回、予め設定された時刻（例えば午前０時）になされる。そして、後記するデータマイニング診断部１５２による診断処理は、一日に一回、前記学習処理が終了した後に当該学習処理によって学習された正常モデルを基準として診断される。
そして、図４に示す所定期間Ａと学習期間Ｂとは、診断日の経過に伴い１日ずつシフトしていく。
なお、前記した学習処理及び診断処理は一日に一回に限らず、所定の期間ごとに行うこととしてもよい。また、異常予兆診断装置の管理者が、学習処理及び診断処理を行うタイミングを、図示しない入力手段を介して任意に設定することもできる。
【００３３】
ちなみに、前記では、機械設備２自体に設置されたインターロック（図示せず）によって警報又は故障が検知された日を学習対象日から除外することとしたが、さらに、異常予兆診断装置１によって異常予兆があると診断された日も学習対象から除外することが好ましい。これは、データマイニング部１５がクラスタリングを用いて精度の高い診断を行うために、正常なデータを学習する必要があるからである。このようにして、警報又は故障が検知された日、及び、異常予兆と診断された日を除外した日における機械設備２のセンサデータを以下、「正常データ」と記す。
つまり、学習対象データ取得手段１５１ａは、過去における所定日数分の正常データをセンサデータ記憶手段１２から取得し、モード判定手段１５１ｂに出力する。
【００３４】
（Ｂ．メンテナンスがあった場合の学習対象データ取得処理）
図５は、保守作業が行われた場合に、学習対象データ取得手段によって取得される学習対象データを含む学習期間と、診断日との関係を示す説明図である。
図５に示すように、例えば、３日〜５日の期間に特定の機械設備２に対してメンテナンスがあった場合を仮定する。また、図５に示すメンテナンス期間（３日〜５日）はメンテナンスの作業が終了した後、機械設備２の動作が安定するまでの期間も含むものとする。
【００３５】
このようなメンテナンスがあった場合、メンテナンスの前後でセンサデータの値が大幅に変動する可能性が高い。仮に、診断日がメンテナンス直後であった場合に、学習対象データ取得手段１５１ａが、通常の場合に適用される図４に示す方法で学習対象データを取得したとすると、次のような事態が発生する。すなわち、学習対象データ取得手段１５１ａが、メンテナンス前のセンサデータやメンテナンス中のセンサデータをも学習対象データとして取得してしまうこととなる。したがって、この場合には、メンテナンスを施された機械設備２自体は正常であるにもかかわらず、異常予兆診断装置１が異常予兆ありと診断し続ける可能性がある（図１６（ａ）参照）。
そこで、メンテナンスがあった場合、学習対象データ取得手段１５１ａは図５に示す学習期間のセンサデータを学習対象データとして取得する。
【００３６】
図５に示すように、学習対象データ取得手段１５１ａは、メンテナンス以前（２日以前）のセンサデータ、及び、メンテナンス期間中である３日〜５日のセンサデータを、取得すべき学習対象データから除外する。つまり、学習対象データ取得手段１５１ａは、メンテナンス期間（３日〜５日）が経過した後の６日から所定の学習期間Ｂ１（例えば、１週間）のセンサデータを学習対象データとして取得する。
なお、図５に示す学習期間Ｂ１は、メンテナンス後における機械設備２から取得した学習対象データを用いて、学習手段１５１ｄが新たな正常モデルを作成するために最低限必要な期間である。したがって、図５に示すように、後記する診断手段１５２ｅ（図３参照）は、メンテナンス期間（３日〜５日）及びメンテナンス後の学習期間Ｂ１（６日〜１２日）までの間は異常予兆の診断を行わない。そして、診断手段１５２ｅは、学習期間Ｂ１が経過した後の１３日から異常予兆の診断を再開する。
【００３７】
そして、図５（ａ）に示すように、学習期間として十分な期間である学習期間Ｂ２（例えば、２週間）が確保できるまでは、学習対象データ取得手段１５１ａはメンテナンス後の６日から診断日の前日までのセンサデータを、学習対象データとしてセンサデータ記憶手段１２から取得する。
また、図５（ｂ）に示すように、学習期間Ｂ２の最終日（１９日）から診断日までの日数が所定期間Ａ２（例えば、一週間）となるまでは、学習対象データ取得手段１５１ａは、学習期間Ｂ２におけるセンサデータを取得する。これは、前記で説明したように、長期間かけてゆっくりと設備状態が異常に変化するような事象の検知に対応可能であるようにするためである。
そして、図５に示す２７日以後は、学習対象データ取得手段１５１ａは、前記で説明した「通常の場合の学習データ取得処理」と同様の処理を行う（図４、図５（ｂ）参照）。さらに、図５（ｃ）に示すように、学習期間Ｂ２の最終日（１９日）からの日数が所定期間Ａ２を超えた診断日（２８日）からは、学習対象データ取得手段１５１ａは、診断日の経過に伴って学習期間Ｂ３及び所定期間Ａ３を順次シフトさせていく。
【００３８】
ちなみに、機械設備２自体に設置されたインターロック（図示せず）によって警報又は故障が検知された日や、異常予兆診断装置１によって異常予兆があると診断された日を学習対象日から除外することは、前記した「通常の場合の学習対象データ取得処理」の場合と同様である。
また、前記した学習期間Ｂ１，Ｂ２及び所定期間Ａ２は、適宜設定を変更することが可能である。
【００３９】
（２．モード判定手段及びモード別学習対象データ記憶手段）
モード判定手段１５１ｂは、学習対象データ取得手段１５１ａから入力された学習対象データの運転モードを判定する。ここで、「運転モード」とは、機械設備２（図１参照）の運転モードを意味している。
図６は、各運転モードにおける各種センサデータの値の変化を示す図である。
運転モードとしては、図６に示すように、機械設備２が停止して定常状態となっているモード(定常（ＯＦＦ）)、機械設備２が起動して過渡状態となっているモード（過渡（ＳＴＡＲＴ））、機械設備２が稼動して定常状態となっているモード(定常（ＯＮ）)、機械設備２が停止して過渡状態となっているモード（過渡（ＳＴＯＰ））などが挙げられる。モード判定手段１５１ｂは、機械設備２の運転モードをセンサデータの変化に基づいて自動的に判定し、各運転モードに分割することができる。例えば、モード判定手段は１５１ｂは、特定のセンサデータに着目して、時間軸における当該センサデータの変化率に応じて機械設備２の運転モードを判定する。
【００４０】
モード判定手段１５１ｂは学習対象データ取得手段１５１ａによって取得された学習対象データが、どの運転モードに属するかを判定する。そして、モード判定手段１５１ｂは、学習対象データ取得手段１５１ａによって取得された学習対象データに前記の運転モードを対応させて、モード別学習対象データ記憶手段１５１ｃ（図３参照）に記憶させる。
モード別学習対象データ記憶手段１５１ｃは、モード判定手段１５１ｂから入力された学習対象データを前記の運転モード別に記憶している。そして、モード別学習対象データ記憶手段１５１ｃは、運転モード別に記憶されている学習対象データを学習手段１５１ｄに対して出力可能に構成されている。
【００４１】
（３．学習手段）
学習手段１５１ｄは、モード別学習対象データ記憶手段１５１ｃから取得した学習対象データを用いて機械設備２の正常モデルを学習する。学習手段１５１ｄによる当該学習は、統計的データ分類手法の一種であるクラスタリングを適用してデータマイニングを行うことによってなされる。
【００４２】
図７は、データマイニング学習部による正常モデルの学習の説明図である。学習手段１５１ｄは、前記で説明した正常データとしての学習対象データのうち、学習対象として決めた特定の運転モードの学習対象データを、モード別学習対象データ記憶手段１５１ｃから取得する。そして、学習手段１５１ｄは学習対象データを、類似するデータごとにクラスタと呼ばれるいくつかの代表グループに分類する。なお、図７に示した例では、クラスタが１つの場合について示したが、特定の機械設備２の１つの運転モードについて複数のクラスタが存在することがあるものとする。
また、図７に示す特徴α、特徴β、特徴γとは、例えば、機械設備２に設置されたセンサ（図示せず）で計測された特徴量（温度、圧力、回転速度など）を正規化したものである。また、図７には、例として３次元の場合を示したが、次元数はセンサデータ取得手段１１（図１参照）によって取得されるセンサの数だけあるものとする。
【００４３】
クラスタリングの手法としては、例えば、非階層的クラスタリングのｋ平均法を用いることができる。ｋ平均法では、まず、各データに対してランダムにクラスタを割り振り、割り振ったデータをもとに各クラスタの中心（クラスタ中心）を計算する。クラスタ中心として、例えば、割り当てられたデータの各要素の平均を使用することができる。次に、所定のデータとクラスタ中心との距離を求め、当該データを最も近い中心のクラスタに割り当てる。このような処理で全てのデータについて、各データのクラスタ割り当てが変化しなかった場合は処理を終了する。それ以外の場合は、新しく割り振られたクラスタからクラスタ中心を再計算し、前記処理を繰り返す。以上の処理により、学習手段１５１ｄは、学習対象データを複数のクラスタに分類することができる。
そして、図７に示すように、各クラスタについてクラスタ中心ｃとクラスタ半径ｒとが決定される。各クラスタについて求められた前記クラスタ中心ｃ及びクラスタ半径ｒが、学習手段１５１ｄによって学習された正常モデルである。学習手段１５１ｄは、学習した正常モデルを前記した運転モードごとに正常モデルデータ記憶手段１５１ｅ（図３参照）に記憶させる。ちなみに、本実施形態に係る異常予兆診断装置１において、学習手段１５１ｄが１台の機械設備２当たりに要する学習時間は約３秒である。
なお、学習手段１５１ｄは、モード判定手段１５１ｂを介して運転モードごとに取得された学習対象データが、予め設定された所定数以上存在する場合に正常モデルを学習するように設定されている。つまり、学習手段１５１ｄは、正常モデルを学習するために最低限必要な個数以上の学習対象データが、モード別学習対象データ記憶手段１５１ｃに存在しないと判断した場合には正常モデルを学習せず、未診断である旨の情報を診断結果記憶手段１７に記憶させる（図３参照）。
【００４４】
（４．正常モデルデータ記憶手段）
図８は、データマイニング学習部による学習結果の例を示す図である。図８に示すように、正常モデルデータ記憶手段１５１ｅには、運転モードごとに正常モデルがデータベースとして記憶される。図８に示すクラスタ番号１０１は、各クラスタを識別するために付される識別番号である。センサ１〜センサＭ（１０２）は、機械設備２に設置されたセンサ（図示せず）を示している。
図８に示す所属データ数１０３は、各クラスタ１〜Ｎに属する学習対象データの個数を示す。誤差合計１０４は、それぞれのクラスタのクラスタ中心と、当該クラスタに属する各学習対象データとの誤差（距離）の合計を示す。最大誤差１０５は、特定のクラスタのクラスタ中心と当該クラスタに属する複数の学習対象データとの距離の最大値である。最小誤差は、特定のクラスタのクラスタ中心と当該クラスタに属する複数の学習対象データとの距離の最小値である。
【００４５】
また、最大値１０７は、特定のクラスタに含まれる複数の学習対象データにおいて各センサに対応する特徴成分（例えば、図７に示す特徴αの座標値）の最大値を示す。また、最小値１０８は、特定のクラスタに含まれる複数の学習対象データにおいて各センサに対応する特徴成分の最小値を示す。ちなみに、学習手段１５１ｄは、最大値１０７及び最小値１０８の値を用いて正規化処理を行う。また、クラスタ中心１０９は、各クラスタの中心を特定する各センサ１〜Ｍの値を示す。
なお、正常モデルデータ記憶手段１５１ｅに記憶される正常モデルは、学習対象データ取得手段１５１ａが診断日に対応して取得する学習対象データに基づいて、診断日ごとに更新されていく。
【００４６】
＜データマイニング学習部による学習処理の流れ＞
図９は、データマイニング学習部における学習処理を示すフローチャートである。ステップＳ１１で、学習対象データ取得手段１５１ａ（図３参照）は、センサデータ記憶手段１２から学習対象データを取得する。
図１０は、学習対象データ取得手段による学習対象データの取得処理を示すフローチャートである。ステップＳ２１で学習対象データ取得手段１５１ａは、診断日が通常期間内であるか否かを判断する。ここで、「通常期間」とは、診断日に最も近い時期に行われたメンテナンスが終了した日を基準として、図４に示す学習期間Ｂ及び所定期間Ａが確保されている場合の期間を示す。
診断日が通常期間内である場合（ステップＳ２１→Ｙｅｓ）、学習対象データ取得手段１５１ａは、通常モードで学習対象データをセンサデータ記憶手段１２から取得する(ステップＳ２２）。ここで「通常モード」とは、学習対象データ取得手段１５１ａが、図４に示すように診断日から所定期間Ａだけ過去にさかのぼった学習期間Ｂにおけるセンサデータを学習対象データとして取得するモードを示す。
【００４７】
診断日が通常期間内でない場合（ステップＳ２１→Ｎｏ）、学習対象データ取得手段１５１ａの処理は、ステップＳ２３に進む。ステップＳ２３で、学習対象データ取得手段１５１ａは、診断日がメンテナンス期間内であるか否かを判断する。診断日がメンテナンス期間内である場合（ステップＳ２３→Ｙｅｓ）、学習対象データ取得手段１５１ａの処理は、ステップＳ２４に進む。ステップＳ２４で学習対象データ取得手段１５１ａは、診断日がメンテナンス期間内である旨の情報を診断結果記憶手段１７（図３参照）に記憶させる。ちなみに、この場合には、学習対象データとして利用できるセンサデータは存在しないため、学習対象データ取得手段１５１ａはセンサデータ記憶手段１２（図３参照）から学習対象データを取得しない。
一方、診断日がメンテナンス期間内でない場合（ステップＳ２３→Ｎｏ）、学習対象データ取得手段１５１ａの処理は、ステップＳ２５に進む。ステップＳ２５で、学習対象データ取得手段１５１ａは、診断日が学習期間Ｂ１（図５参照）に含まれているか否かを判断する。つまり、学習対象データ取得手段１５１ａは、メンテナンス後の学習期間として最低限必要な学習期間Ｂ１が確保されているか否かを判断する。
【００４８】
診断日が学習期間Ｂ１に含まれている場合（ステップＳ２５→Ｙｅｓ）、学習対象データ取得手段１５１ａの処理は、ステップＳ２６に進む。ステップＳ２６で、学習対象データ取得手段１５１ａは、診断日がメンテナンス後の学習期間内である旨の情報を診断結果記憶手段１７（図３参照）に記憶させる。この場合には、学習対象データとして利用できるセンサデータが不足しているため、学習対象データ取得手段１５１ａはセンサデータ記憶手段１２（図３参照）から学習対象データを取得しない。
一方、診断日が学習期間Ｂ１に含まれていない場合（ステップＳ２５→Ｎｏ）、学習対象データ取得手段１５１ａの処理は、ステップＳ２７に進む。
【００４９】
ステップＳ２７で、学習対象データ取得手段１５１ａは、学習期間Ｂ２及び所定期間Ａ２（図５（ｂ）参照）が確保されているか否かを判断する。学習期間Ｂ２及び所定期間Ａ２が確保されている場合（ステップＳ２７→Ｙｅｓ）、学習対象データ取得手段１５１ａの処理はステップＳ２２に進む。ちなみに、この場合は図５の（ｂ）又は（ｃ）の場合に該当する。つまり、この場合には診断日が、前記で説明した「通常期間」に該当しているといえる。
一方、学習期間Ｂ２が確保されていないか、又は、学習期間Ｂ２が確保されているものの所定期間Ａ２が確保されていない場合（ステップＳ２７→Ｎｏ）、学習対象データ取得手段１５１ａは、メンテナンスモードで学習対象データを取得する（ステップＳ２８）。ここで「メンテナンスモード」とは、図５（ａ）を用いて説明したように、前記の「通常モード」に戻るまでの過渡的な学習期間選択モードである。
【００５０】
再び図９に戻って、ステップＳ１２で、モード判定手段１５１ｂは、学習対象データの運転モードを判定する。前記で説明したように、モード判定手段１５１ｂは、特定の学習対象データの値又は変化率などに基づいて機械設備２の運転モードを判定する。
ステップＳ１３で、モード判定手段１５１ｂは、運転モードを判定した学習対象データをモード別学習対象データ記憶手段１５１ｃに記憶させる。次にステップＳ１４で、学習手段１５１ｄは、学習する運転モードを選択する。例えば、学習手段１５１ｄは、運転モードとして定常（ＯＮ）モード（図６参照）に属する学習対象データを選択し、モード別学習対象データ記憶手段１５１ｃから取得する。なお、学習手段１５１ｄによる運転モードの選択順序は、予め設定されている。
【００５１】
図９のステップＳ１５で学習手段１５１ｄは、正常モデルを学習する。つまり、前記で説明したように、学習手段１５１ｄはクラスタリングの手法を用いて学習対象データを各クラスタに分類し、クラスタ中心及びクラスタ半径を求める。ステップＳ１６で学習手段１５１ｄは、正常モデルデータ記憶手段１５１ｅに前記の正常モデルに対応する学習データを記憶させる。次に、ステップＳ１７で学習手段１５１ｄは、学習すべき他の運転モードが存在するか否かを判断する。学習すべき他の運転モードが存在する場合（ステップＳ１７→Ｙｅｓ）、学習手段１５１ｄの処理はステップＳ１４に戻る。学習すべき他の運転モードが存在しない場合（ステップＳ１７→Ｎｏ）、データマイニング学習部１５１の処理はリターンする。
【００５２】
＜データマイニング診断部の構成＞
図３に示すデータマイニング診断部１５２は、データマイング学習部１５１で生成された正常モデルに基づいて、機械設備２のセンサデータから異常予兆の有無を診断する。
データマイニング診断部１５２は、診断対象データ取得手段１５２ａと、モード判定手段１５２ｂと、モード別診断対象データ記憶手段１５２ｃと、異常度算出手段１５２ｄと、診断手段１５２ｅと、寄与度算出手段１５２ｆと、を備える。
【００５３】
診断対象データ取得手段１５２ａは、センサデータ記憶手段１２から診断対象となるセンサデータ（以下、診断対象データと記す。）を取得する。本実施形態では、診断対象データ取得手段１５２ａは、一日に一回、予め指定された時刻（例えば、午前０時）に前日の一日分のセンサデータを診断対象データとして、センサデータ記憶手段１２から取得する。ちなみに、前記したように、データマイニング診断部１５２が診断処理を行う前に、データマイニング学習部１５１によって、予め診断日に対応する学習対象データが取得され（図４、図５参照）、学習データが正常モデルデータ記憶手段１５１ｅに記憶させている。
【００５４】
モード判定手段１５２ｂは、診断対象データ取得手段１５２ａから入力された診断対象データの運転モードを判定する。なお、モード判定手段１５２ｂの処理は、前記で図６を用いて説明したモード判定手段１５１ｂの処理と同様であるから、その説明を省略する。モード判定手段１５２ｂは、診断対象データ取得手段１５２ａによって取得された診断対象データに、その運転モードを対応させて、モード別診断対象データ記憶手段１５２ｃに記憶させる。
モード別診断対象データ記憶手段１５２ｃは、モード判定手段１５２ｂから入力された診断対象データを前記の運転モード別に記憶している。そして、モード別診断対象データ記憶手段１５２ｂは、運転モード別に記憶されている診断対象データを異常度算出手段１５２ｄと、寄与度算出手段１５２ｆとに対して出力可能に構成されている。
【００５５】
異常度算出手段１５２ｄは、モード別診断対象データ記憶手段１５２ｃからモードごとに診断対象データを読み出し、当該診断対象データの異常度を算出する。例えば、診断対象データが図７に示す位置に存在し、正常モデルである複数のクラスタのうち、前記の診断対象データに最も近いクラスタ中心が図７に示すクラスタ中心ｃであるとする。この場合、異常度ｕは、クラスタ半径ｒと、クラスタ中心ｃから診断対象データまでの距離ｄとを用いて、下記の式（１）で表される。
ｕ＝ｄ／ｒ・・・式（１）
【００５６】
異常度算出手段１５２ｄは、式（１）を用いて算出した異常度ｕを診断手段１５２ｅに出力する。また、異常度算出手段１５２ｄは、診断対象データとその異常度ｕとを対応付けて、診断結果記憶手段１７（図３参照）に記憶させる。診断手段１５２ｅは、異常度算出手段１５２ｄから入力された異常度ｕに基づいて、診断対象データが取得された対象である機械設備２（図１参照）について異常予兆の有無を診断する。
異常度ｕ≦１である場合には、診断対象データが図７に示すクラスタ内に存在するといえる。つまりこの場合、診断対象データは特定の正常モデルの範囲内に存在するため、診断手段１５２ｅは、対応する機械設備２が正常である（異常予兆なし）と判断する。
一方、異常度ｕ＞１である場合には、診断対象データが図７に示すクラスタより外に存在するといえる。つまりこの場合、診断対象データはいずれの正常モデルの範囲内にも属さないため、診断手段１５２ｅは、対応する機械設備２に異常予兆があると判断する。
【００５７】
そして、診断手段１５２ｅは、診断対象データを用いた異常予兆の有無を、当該診断対象データに対応付けて診断結果記憶手段１７に記憶させる。
ちなみに、前記の説明では、異常度ｕの値が１以上であるか否かによって、診断手段１５２ｅが異常予兆の有無を判断することとしたが、異常予兆の有無を判断する上でしきい値となる値は１である場合に限らない。すなわち、診断手段１５２ｅは、診断対象データに最も近いクラスタ中心を有するクラスタ内の学習対象データの分布（分散など）や、診断対象データの時間的な変化率などを考慮して、上記しきい値を適宜設定することが可能である。
なお、本実施形態に係る異常予兆診断装置１において、異常度算出手段１１５２ｄ及び診断手段１５２ｅが、１台の機械設備２当たりに要する診断時間は約１０秒である。
【００５８】
寄与度算出手段１５２ｆは、モード別診断対象データ記憶手段１５２ｃからモードごとに診断対象データを読み出し、当該診断対象データに対する各センサ（図示せず）の寄与度を算出する。前記の各センサとは、図１に示す機械設備２に設置された複数のセンサを示している。
詳細な説明は省略するが、例えば図７に示す特徴βが機械設備２の所定箇所に設けられた特定のセンサＰ（図示せず）が検出した温度の値を正規化したものである場合、寄与度ｉは、図７に示す距離ｄのうち特徴β成分である距離ｆの割合として表される。すなわち、寄与度ｉは、下記の式（２）で表される。
ｉ＝ｆ／ｄ・・・式（２）
【００５９】
寄与度ｉとは、要するに、各センサによって検出されたセンサデータが、異常度ｕに対してどれだけ寄与しているかを表す値である。すなわち、寄与度ｉの値を各センサごとに比較することによって、特定の機械設備２に異常予兆があると検知された場合に、当該機械設備２に設置された複数のセンサのうち、どのセンサが異常予兆の検知に最も寄与しているかを特定することが可能となる。
寄与度算出手段１５２ｆは、診断対象データとその寄与度ｉとを対応付けて、診断結果記憶手段１７（図３参照）に記憶させる。
【００６０】
＜データマイニング診断部による診断処理の流れ＞
図１１は、データマイニング診断部における診断処理を示すフローチャートである。ステップＳ３１で、診断対象データ取得手段１５２ａ（図３参照）は、センサデータ記憶手段１２から診断対象データを取得する。例えば、診断対象データ取得手段１５２ａは、予め指定された時刻（例えば、午前０時）に前日の一日分のセンサデータを診断対象データとして、センサデータ記憶手段１２から取得する。
ステップＳ３２で、モード判定手段１５２ｂは、診断対象データの運転モードを判定する。ステップＳ３３で、モード判定手段１５２ｂは、運転モードを判定した診断対象データをモード別診断対象データ記憶手段１５２ｃに記憶させる。次にステップＳ３４で、異常度算出手段１５２ｄは、診断する運転モードを選択し、診断対象データをモード別診断対象データ記憶手段１５２ｃから取得する。
【００６１】
ステップＳ３５で異常度算出手段１５２ｄは、診断対象データの異常度を算出する。すなわち、異常度算出手段１５２ｄは、ステップＳ３４で選択した運転モードに対応する正常モデルを正常モデルデータ記憶手段１５１ｅ（図３参照）から取得し、当該正常モデルを基準として異常度を算出する。
ステップＳ３６で診断手段１５２ｅは、診断を実行する。すなわち、診断手段１５２ｅは、前記で説明したように、ステップＳ３５で算出した異常度の値が所定値以上であるか否かにによって、機械設備２における異常予兆の有無を診断する。ステップＳ３７で診断手段１５２ｅは、診断結果記憶手段１７に診断結果を記憶させる。次に、ステップＳ３８で異常度算出手段１５２ｄは、異常度を算出すべき他の運転モードが存在するか否かを判断する。異常度を算出すべき他の運転モードが存在する場合（ステップＳ３８→Ｙｅｓ）、異常度算出手段１５２ｄの処理はステップＳ３４に戻る。異常度を算出すべき他の運転モードが存在しない場合（ステップＳ３８→Ｎｏ）、データマイニング診断部１５２の処理はリターンする。
【００６２】
図１２は、データマイニング診断部による診断結果の例を示す図である。図１２に示すように、診断結果記憶手段１７（図３参照）には、運転モードごとに診断結果がデータベースとして記憶される。
図１２に示す時刻２０１は、センサデータ取得手段１１（図１参照）が機械設備２に設置されたセンサ（図示せず）により検出された計測値を取得した日時を示している。当該計測値は、予め設定された周期ごとに機械設備２のセンサで得られた値である。したがって、時刻２０１は、予め指定された時刻（例えば、午前０時）に、前記周期（例えば、３０秒）が順次加算された値となる。
【００６３】
学習対象データ取得日２０２は、この日のセンサデータを用いて、正常モデルであるクラスタを学習したことを示す。クラスタ番号２０３は、前記で説明した正常モデルとしての複数のクラスタのうち、クラスタ中心ｃ（図７参照）から診断対象データまでの距離が最も小さいクラスタの識別番号である。異常フラグ２０４には、診断手段１５２ｅ（図３参照）による診断結果に従って、異常予兆ありの場合には１の値が格納され、異常予兆なしの場合には０の値が格納される。運転状態番号２０５は、機械設備２の運転モードに対応して付される識別番号である。異常度２０６は、前記で説明したように、異常度算出手段１５２ｄ（図３参照）によって算出された異常度である。図１２に示す２０７の領域には、機械設備２に設置された各センサで検出された値である実測値と、前記したクラスタ中心ｃを表す座標のうちセンサ１に対応する成分の値を示す学習値とが記憶される。寄与度２０８は、前記で説明したセンサごとに算出された寄与度である。
【００６４】
＜リモートモニタリング部の構成＞
図１３は、異常予兆診断装置のリモートモニタリング部の構成図である。リモートモニタリング部１６は、前記で説明したように、管理者の経験や知識をもとに、機械設備２から取得したセンサデータの値（又は変化量）について上下しきい値を設け、センサデータの値などが当該上下しきい値によって規定される所定範囲を超えた場合に、異常予兆ありと診断する。
リモートモニタリング部１６は、個別判定手段１６１11，１６１12，・・・，１６１1N，１６１21，１６１22，・・・，１６１2N，・・・（以下、単に個別判定手段１６１ということがあるものとする。）と、診断手段１６２ａ，１６２ｂ，・・・（以下、単に診断手段１６２ということがあるものとする。）と、を備える。個別判定手段１６１11，１６１21，・・・は、センサデータ記憶手段１２からセンサデータ１（例えば、温度）を取得し、それぞれが、その判定結果を診断手段１６２ａ，１６２ｂ，・・・に出力する。同様に、個別判定手段１６１1N，１６１2N，・・・は、センサデータ記憶手段１２からセンサデータＮを取得し、それぞれが、その判定結果を診断手段１６２ａ，１６２ｂ，・・・に出力する。
なお、それぞれの診断手段１６２は、その診断内容（例えば、機械設備２の冷却水圧力が低下しているか否かの診断など）に対応して所定の論理回路が組まれている。
【００６５】
図１４は、リモートモニタリング部の個別判定手段による異常予兆の診断の説明図である。前記で説明したように、それぞれの個別判定手段１６１は、機械設備２に設置された各センサに１対１に対応付けられている。個別判定手段１６１は、図１４に示すように、センサデータのうちの計測値が予め設定されたしきい値Ａより小さくなった場合（図１４の一点鎖線参照）、又は、しきい値Ｂより大きくなった場合（図１４の破線参照）に、所定のオン信号を、自身に接続されている診断手段１６２に出力する。
ちなみに、同一種類のセンサデータを取得する個別判定手段（例えば、１６１11と１６１21）においては、しきい値（図１４のＡ，Ｂ参照）をそれぞれ同一に設定してもよいし、診断内容に対応して異なるしきい値を設定してもよい。
個別判定手段１６１は、センサデータ記憶手段１２に記憶されているセンサデータについて、予め設定されたサンプリング周期（例えば、３０秒）ごとに前記判定を行い、その結果を診断手段１６２に出力する。そして、診断手段１６２には、前記したように所定の論理回路が組まれており、各個別判定手段１６１からの信号の有無に対応して、それぞれの診断内容に応じた異常予兆の有無を出力するようになっている。
そして、診断手段１６２は、それぞれの診断結果を診断結果記憶手段１７（図３参照）に記憶させる。
【００６６】
≪実験データ≫
図１５は、異状予兆診断装置による実験データの例を示す図であり、（ａ）は計測値と学習値と寄与度の変化を示し、（ｂ）は異常度の変化を示すグラフである。なお、図１５の実験データは、機械設備２としてガスエンジンを用いた場合を示し、データマイニング部１５により学習及び診断を行った結果を示している。
図１５（ａ）に示すように、時刻ｔ１以前には、ガスエンジンの計測値の１つである冷却水圧力は、各運転モードに対応してほぼ安定した状態を保っている。また、図１５（ｂ）に示すように時刻ｔ１以前は異常度も低い値を保っている。一方、時刻ｔ１以後は冷却水圧力が徐々に低下し（図１５（ａ）参照）、それに応じて異常度の値も大きくなっている（図１５（ｂ）参照）。
データマイニング診断部１５２（図３参照）は、異常度が予め設定された所定のしきい値を超えた時刻ｔ１で異常予兆を検知している。つまり、異常事態が発生する前に、異常予兆診断装置１によって的確に異常予兆を検知していることがわかる。
【００６７】
図１６の（ａ）は保守作業を行う前後の期間における計測値の変化と、比較例での異常値の変化とを示すグラフであり、（ｂ）は本実施形態に係る異常予兆診断装置を用いた場合の、保守作業を行う前後の期間における異常値の変化を示すグラフである。なお、図１６の実験データは、機械設備２としてガスエンジンを用いた場合を示し、データマイニング部１５により学習及び診断を行った結果を示している。
図１６（ａ）の上図に示すように、例えば、冷却水の量を増やすなどのメンテナンスが実施された場合には、当該メンテナンスにより機械設備２の状態は大幅に変化する。このようなメンテナンスが機械設備２に施された場合であっても、仮に、学習データ取得手段１５１ａ（図３参照）が、前記で説明した通常モード（図４参照）で学習対象データをセンサデータ記憶手段１２から取得した場合には、次のような事態が発生する。すなわち、メンテナンスによって機械設備２が正常状態になっているにもかかわらず、図１６（ａ）の下図に示すように診断手段１５２ｅ（図３参照）がメンテナンス後において機械設備２に異常予兆があると判断し続けることとなる。
【００６８】
一方、本実施形態に係る異常予兆診断装置１では、学習対象データ取得手段１５１ａ（図３参照）が、コンピュータ３（図１参照）に入力された保守情報に従ってメンテナンスモード（図５参照）で学習期間を選択する。すなわち、図５に示すように、学習対象データ取得手段１５１ａは、メンテナンス後に所定学習期間Ｂ１を確保し、当該学習期間Ｂ１が経過した後に診断を再開する。したがって、図１６（ｂ）に示すように、診断手段１５２ｅ（図３参照）は、メンテナンス後の学習期間が経過した機械設備２を、正常（つまり、異常予兆なし）とし、適切な診断結果を出力していることが分かる。
【００６９】
ちなみに、図５を用いて説明したように、メンテナンス期間、及び、メンテナンス後に最低限必要な学習期間Ｂ１の間は、学習手段１５１ｄが適切な正常モデルを生成することができないため、データマイニング部１５（図１参照）は、診断結果を出力しない。
しかしながら、リモートモニタリング部１６（図１参照）では、サンプリング周期（例えば、３０秒）ごとに入力されるセンサデータをもとに診断を行い、診断結果記憶手段１７（図１参照）に対して診断結果を出力している。すなわち、前記のメンテナンス期間、及び、メンテナンス後に最低限必要な学習期間Ｂ１の間でも、異常予兆診断装置１はリモートモニタリング部１６による診断結果を出力し、表示手段１９に表示させている。
【００７０】
なお、前記したように、図１３に示すリモートモニタリング部１６の個別判定手段１６１におけるしきい値の設定や、診断手段１６２内の論理回路の設定は適宜変更することができる。したがって、例えば、異常予兆診断装置１の管理者がメンテナンス期間及びメンテナンス内容を参照して、前記しきい値などの設定を適宜変更することもできる。
ちなみに、図１に示すように、表示制御手段１８は、データマイニング部１５による診断結果及びリモートモニタリング部１６による診断結果の他、センサデータ記憶手段１２に記憶されているセンサデータや、保守情報記憶手段１４に記憶されている保守情報も、表示手段１９に表示させることができる。
【００７１】
≪本発明の効果≫
以上、説明したように、本実施形態に係る異常予兆診断装置１は、通信ネットワークＮを介して外部のコンピュータ３から受信する保守情報に対応して、学習対象データ取得手段１５１ａが学習対象データを取得する期間を指定することができる。
例えば、診断日が前記した通常期間内であれば、学習対象データ取得手段１５１ａは、所定期間Ａ（図４参照）だけ過去にさかのぼった学習期間Ｂのセンサデータを学習対象期間として選択する。前記の所定期間Ａ及び学習期間Ｂは、適宜設定変更することが可能であり、学習期間として適切な期間を設定することが可能である。
【００７２】
また、診断日が前記したメンテナンス期間（図５参照）又はその後の学習期間Ｂ１に含まれる場合には、学習対象データ取得手段１５１ａはセンサデータ記憶手段１２から学習対象データを取得しない。したがって、異常予兆診断装置１は、学習手段１５１ｄが、不適切又はデータ数が不足した学習対象データを用いて、無駄な学習を行うことを防止することができる。
そして、学習対象データ取得手段１５１ａは、診断日がメンテナンス期間又はその後の学習期間Ｂ１に含まれる旨の情報を診断結果記憶手段１７に記憶させる。したがって、異常予兆診断装置１は、メンテナンス期間及びその後の学習期間Ｂ１を表示手段１９に表示させることができる。
【００７３】
また、機械設備２にメンテナンスが施された場合、学習対象データ取得手段１５１ａはメンテナンスが終了し機械設備２の状態が安定した後のセンサデータを学習対象データとして取得する。したがって、異常予兆診断装置１は、メンテナンス後においても異常予兆の有無を適切に判断することができる。
また、前記のメンテナンス期間及び学習期間Ｂ１（図５参照）の間においては、データマイニング部１５（図１参照）は異常予兆の有無を診断しないが、リモートモニタリング部１６（図１参照）では常に所定のサンプリング周期ごとに診断結果を出力している。したがって、異常予兆診断装置１は、メンテナンス期間及び学習期間Ｂ１においても異常予兆の有無を診断することができる。
【００７４】
なお、前記のリモートモニタリング部１６（図１３参照）の個別判定手段１６１におけるしきい値の設定や、診断手段１６２内の論理回路の設定は適宜変更することができる。したがって、例えば、異常予兆診断装置１の管理者がメンテナンス期間及びメンテナンス内容を参照して、前記しきい値などの設定を適宜変更することもできる。すなわち、異常予兆診断装置１は、メンテナンス期間及び学習期間Ｂ１においても異常予兆の有無を適切に出力することが可能である。
さらに、異常予兆診断装置１は、データマイニング部１５と、リモートモニタリング部１６とで、それぞれ独立に異常予兆の有無を診断し、各診断結果をそれぞれ表示手段１９に表示させることができる。したがって、当該表示結果を見た管理者は、データマイニング部１５による診断結果とリモートモニタリング部１６による診断結果との両方を考慮して、異常予兆の原因を分析し、早期に対応することが可能となる。
【００７５】
また、一般に、データマイニング部１５は高感度であるために、リモートモニタリング部１６よりも異常予兆の有無を早期に検知することが可能である。一方、リモートモニタリング部１６の方は、センサデータと診断結果との対応関係が比較的単純（例えば、１対１の対応関係）であるために、異常予兆の原因を特定することが比較的容易である。
したがって、異常予兆診断装置１は前記のデータマイニング部１５の利点とリモートモニタリング部１６の利点との両方が生かされるため、異常予兆を早期に検知し、さらにその原因を的確に分析することが可能となる。
【００７６】
≪変形例≫
前記の説明では、機械設備２のセンサデータや保守情報を、通信ネットワークＮを介して異常予兆診断装置１に送信することとしたが、これに限らない。例えば、異常予兆診断装置１は、前記センサデータ又は保守情報を格納した記憶媒体から、各データを取得することもできる。
また、前記の説明では、モード判定手段１５１ｂ（図３参照）が学習対象データの値（又は変化率）に基づいて運転モードを判定することとしたが、これに限らない。すなわち、機械設備２が自身の運転モードを検知して、当該センサデータに当該運転モードの情報を付加し、通信ネットワークＮを介して異常予兆診断装置１に送信することとしてもよい。この場合、モード判定手段１５１ｂは、前記センサデータに付加された運転モードを参照して、運転モードごとにモード別学習対象データ記憶手段１５１ｃに学習対象データを記憶させる。
【００７７】
また、図１には、機械設備２とコンピュータ３とが別々の位置に存在し、１台のコンピュータ３に各機械設備２の保守情報を一括して登録する場合について説明したが、これに限らない。すなわち、コンピュータ３が複数存在し、各コンピュータ３が１つ又は複数（例えば、５台）の機械設備２の保守情報を管理し、当該保守情報を通信ネットワークＮを介して異常予兆診断装置１に送信することとしてもよい。
また、前記では、データマイニング診断部１５２（図３参照）が一日に一回、予め設定された時刻（例えば、午前０時）に、前日の１日分のセンサデータを、診断対象データとしてセンサデータ記憶手段１２から取得することとしたが、これに限らない。例えば、データマイニング診断部１５２がリアルタイムで異常予兆の診断を行うこととしてもよい。
【００７８】
また、前記では、データマイニング診断部１５２の寄与度算出手段１５２ｆによって算出された寄与度を、単に診断結果記憶手段１７に記憶させ、さらに表示手段１９に表示させることとしたが、これに限らない。前記したように、機械設備２に設置されたセンサ（図示せず）ごとに算出された寄与度によって、センサによる計測値がどれくらい異常度に寄与しているかを把握することができる。
したがって、寄与度算出手段１５２ｆによって算出された寄与度をリモートモニタリング部１６（図１３参照）の診断手段１６２の論理回路に反映させることとしてもよい。例えば、ある異常予兆の内容について、データマイニング部１５においてセンサＡの寄与度が最も大きいと判明した場合を考える。この場合にリモートモニタリング部１６において当該センサＡの値の変化が最も敏感に診断結果に反映されるように、診断手段１６２の論理回路を組みかえれば、リモートモニタリング部１６は診断結果をより適切に出力することができるようになる。
【００７９】
また、前記では、モード判定手段１５１ｂ，１５２ｂが機械設備２の運転モードを判定する構成としていたが、これに限らない。すなわち、データマイニング部１５における学習処理や診断処理において、機械設備２の運転モードを判定する必要がない場合には、モード判定手段１５１ｂ，１５２ｂによる運転モード判定処理を省略することができる。
また、図３に示すように、モード別学習対象データ記憶手段１５１ｃ，正常モデルデータ記憶手段１５１ｅ，モード別診断対象データ記憶手段１５２ｃをデータマイニング部１５に含める構成としたが、これに限らない。すなわち、上記の各記憶手段を異常予兆診断装置１の外部に設けることとしてもよい。
また、前記では、学習手段１５１ｄが非階層的クラスタリングとしてｋ平均法を用いてクラスタリングを行い、正常モデルを学習する場合について説明したが、これに限らない。すなわち、例えば、学習手段１５１ｄは、非階層的クラスタリングとしてファジィクラスタリングや混合密度分布法などを用いて学習処理を行ってもよい。
【符号の説明】
【００８０】
１ 異常予兆診断装置
１０ 通信手段
１１ センサデータ取得手段
１２ センサデータ記憶手段
１３ 保守情報取得手段（制御手段）
１４ 保守情報記憶手段
１５ データマイニング部（第１の診断手段、制御手段）
１５１ データマイニング学習部
１５１ａ 学習対象データ取得手段（制御手段）
１５１ｂ モード判定手段
１５１ｃ モード別学習対象データ記憶手段
１５１ｄ 学習手段（制御手段）
１５１ｅ 正常モデルデータ記憶手段
１５２ データマイニング診断部
１５２ａ 診断対象データ取得手段（制御手段）
１５２ｂ モード判定手段
１５２ｃ モード別診断対象データ記憶手段
１５２ｄ 異常度算出手段(診断手段、制御手段)
１５２ｅ 診断手段（制御手段）
１５２ｆ 寄与度算出手段
１６ リモートモニタリング部（第２の診断手段、制御手段）
１６１，１６１ａ，１６１ｂ，・・・，１６１ｎ 個別判定手段（制御手段）
１６２ 診断手段（制御手段）
１７ 診断結果記憶手段
１８ 表示制御手段（制御手段）
１９ 表示手段
２ 機械設備
３ コンピュータ
Ｎ 通信ネットワーク
【特許請求の範囲】
【請求項１】
少なくとも１つの機械設備に設置された各種センサによって検出されるセンサデータを用いて、前記機械設備の異常予兆の有無を診断する異常予兆診断装置において、
所定のサンプリング周期ごとに前記各種センサからのセンサデータを取得するセンサデータ取得手段と、
前記センサデータ取得手段によって取得された前記センサデータが記憶されるセンサデータ記憶手段と、
保守作業が行われる機械設備と保守作業期間とを特定する情報を少なくとも含む保守情報を取得する保守情報取得手段と、
前記保守情報取得手段によって取得された保守情報が記憶される保守情報記憶手段と、
前記保守情報記憶手段から読み出した保守情報に対応して、前記センサデータ取得手段によって前記センサデータが取得された期間を指定し、前記センサデータ記憶手段から当該期間に相当するセンサデータを読み出す学習対象データ取得処理と、当該センサデータの正常範囲を示す正常モデルを学習する学習処理と、前記正常モデルに基づいて前記機械設備の異常予兆の有無を診断する診断処理と、を行う第１の診断手段と、
前記センサデータ記憶手段から前記センサデータを読み出し、各センサデータが、それぞれ予め設定された所定範囲のしきい値を超えた場合には、異常予兆ありと診断する第２の診断手段と、を備えること
を特徴とする異常予兆診断装置。
【請求項２】
前記第１の診断手段は、前記機械設備に対して保守作業が行われ、当該保守作業が終了してから前記診断日までの間に、少なくとも予め設定された所定学習期間が確保されていると判断した場合には、前記保守作業終了後の所定日数分の前記センサデータを前記センサデータ記憶手段から取得し、当該センサデータを用いて前記正常モデルを学習すること
を特徴とする請求項１に記載の異常予兆診断装置。
【請求項３】
前記第１の診断手段は、前記機械設備に対して保守作業が行われた期間に前記診断日が含まれると判断した場合、診断日が保守作業中である旨の結果を出力すること
を特徴とする請求項２に記載の異常予兆診断装置。
【請求項４】
前記第１の診断手段は、前記保守作業が終了した後の前記所定学習期間に前記診断日が含まれると判断した場合、診断日が前記保守作業終了後の学習期間である旨の結果を出力すること
を特徴とする請求項２又は請求項３に記載の異常予兆診断装置。
【請求項５】
前記第１の診断手段は、前記センサデータ記憶手段から取得した前記センサデータが、予め設定された所定数以上存在する場合に、前記正常モデルを学習すること
を特徴とする請求項２から請求項４のいずれか一項に記載の異常予兆診断装置。
【請求項６】
前記第１の診断手段は、前記センサデータの正常範囲を示す少なくとも１つのクラスタの中心と、当該クラスタ中心と正常範囲を示す境界までの距離であるクラスタ半径と、で表される正常モデルを学習することによって前記学習処理を行い、
前記第１の診断手段は、前記クラスタ中心のうち前記診断対象データに最も近いクラスタ中心と当該診断対象データとの距離の、前記クラスタ半径に対する割合で示される異常度を算出し、当該異常度の値に基づいて前記機械設備の異常予兆の有無を判定することによって前記診断処理を行うこと
を特徴とする請求項１から請求項５のいずれか一項に記載の異常予兆診断装置。
【請求項７】
少なくとも１つの機械設備に設置された各種センサによって検出されるセンサデータを用いて、前記機械設備の異常予兆の有無を診断する異常予兆診断装置で用いられる異常予兆診断方法において、
前記異常予兆診断装置は、
所定のサンプリング周期ごとに取得される前記各種センサからのセンサデータが記憶されるセンサデータ記憶手段と、
前記機械設備の保守情報が記憶される保守情報記憶手段と、
制御手段と、を備え、
前記制御手段は、
保守作業が行われる機械設備と保守作業期間とを特定する情報を少なくとも含む保守情報を前記保守情報記憶手段から取得する保守情報取得手順と、前記保守情報取得手順によって取得される保守情報に対応して、前記センサデータが取得された期間を指定し、前記センサデータ記憶手段から当該期間に相当するセンサデータを読み出す学習対象データ取得手順と、当該センサデータの正常範囲を示す正常モデルを学習する学習手順と、前記正常モデルに基づいて前記機械設備の異常予兆の有無を診断する診断手順と、を有する第１の診断工程と、
前記センサデータ記憶手段から前記センサデータを読み出し、各センサデータが、それぞれ予め設定された所定範囲のしきい値を超えた場合には、異常予兆ありと診断する第２の診断工程と、を備えること
を特徴とする異常予兆診断方法。
【請求項８】
前記学習対象データ取得手順は、前記機械設備に対して保守作業が行われ、当該保守作業が終了してから前記診断日までの間に、少なくとも予め設定された所定学習期間が確保されていると判断した場合には、前記保守作業終了後の所定日数分の前記センサデータを前記センサデータ記憶手段から取得し、
前記学習手順は、前記学習対象データ取得手順によって取得されたセンサデータを用いて前記正常モデルを学習すること
を特徴とする請求項７に記載の異常予兆診断方法。
【請求項９】
前記学習対象データ取得手順によって、前記機械設備に対して保守作業が行われた期間に前記診断日が含まれると判断された場合、前記第１の診断工程は、診断日が保守作業中である旨の結果を出力すること
を特徴とする請求項８に記載の異常予兆診断方法。
【請求項１０】
前記学習対象データ取得手順によって、前記保守作業が終了した後の前記所定学習期間に前記診断日が含まれると判断された場合、前記第１の診断手順は、診断日が前記保守作業終了後の学習期間である旨の結果を出力すること
を特徴とする請求項８又は請求項９に記載の異常予兆診断方法。
【請求項１】
少なくとも１つの機械設備に設置された各種センサによって検出されるセンサデータを用いて、前記機械設備の異常予兆の有無を診断する異常予兆診断装置において、
所定のサンプリング周期ごとに前記各種センサからのセンサデータを取得するセンサデータ取得手段と、
前記センサデータ取得手段によって取得された前記センサデータが記憶されるセンサデータ記憶手段と、
保守作業が行われる機械設備と保守作業期間とを特定する情報を少なくとも含む保守情報を取得する保守情報取得手段と、
前記保守情報取得手段によって取得された保守情報が記憶される保守情報記憶手段と、
前記保守情報記憶手段から読み出した保守情報に対応して、前記センサデータ取得手段によって前記センサデータが取得された期間を指定し、前記センサデータ記憶手段から当該期間に相当するセンサデータを読み出す学習対象データ取得処理と、当該センサデータの正常範囲を示す正常モデルを学習する学習処理と、前記正常モデルに基づいて前記機械設備の異常予兆の有無を診断する診断処理と、を行う第１の診断手段と、
前記センサデータ記憶手段から前記センサデータを読み出し、各センサデータが、それぞれ予め設定された所定範囲のしきい値を超えた場合には、異常予兆ありと診断する第２の診断手段と、を備えること
を特徴とする異常予兆診断装置。
【請求項２】
前記第１の診断手段は、前記機械設備に対して保守作業が行われ、当該保守作業が終了してから前記診断日までの間に、少なくとも予め設定された所定学習期間が確保されていると判断した場合には、前記保守作業終了後の所定日数分の前記センサデータを前記センサデータ記憶手段から取得し、当該センサデータを用いて前記正常モデルを学習すること
を特徴とする請求項１に記載の異常予兆診断装置。
【請求項３】
前記第１の診断手段は、前記機械設備に対して保守作業が行われた期間に前記診断日が含まれると判断した場合、診断日が保守作業中である旨の結果を出力すること
を特徴とする請求項２に記載の異常予兆診断装置。
【請求項４】
前記第１の診断手段は、前記保守作業が終了した後の前記所定学習期間に前記診断日が含まれると判断した場合、診断日が前記保守作業終了後の学習期間である旨の結果を出力すること
を特徴とする請求項２又は請求項３に記載の異常予兆診断装置。
【請求項５】
前記第１の診断手段は、前記センサデータ記憶手段から取得した前記センサデータが、予め設定された所定数以上存在する場合に、前記正常モデルを学習すること
を特徴とする請求項２から請求項４のいずれか一項に記載の異常予兆診断装置。
【請求項６】
前記第１の診断手段は、前記センサデータの正常範囲を示す少なくとも１つのクラスタの中心と、当該クラスタ中心と正常範囲を示す境界までの距離であるクラスタ半径と、で表される正常モデルを学習することによって前記学習処理を行い、
前記第１の診断手段は、前記クラスタ中心のうち前記診断対象データに最も近いクラスタ中心と当該診断対象データとの距離の、前記クラスタ半径に対する割合で示される異常度を算出し、当該異常度の値に基づいて前記機械設備の異常予兆の有無を判定することによって前記診断処理を行うこと
を特徴とする請求項１から請求項５のいずれか一項に記載の異常予兆診断装置。
【請求項７】
少なくとも１つの機械設備に設置された各種センサによって検出されるセンサデータを用いて、前記機械設備の異常予兆の有無を診断する異常予兆診断装置で用いられる異常予兆診断方法において、
前記異常予兆診断装置は、
所定のサンプリング周期ごとに取得される前記各種センサからのセンサデータが記憶されるセンサデータ記憶手段と、
前記機械設備の保守情報が記憶される保守情報記憶手段と、
制御手段と、を備え、
前記制御手段は、
保守作業が行われる機械設備と保守作業期間とを特定する情報を少なくとも含む保守情報を前記保守情報記憶手段から取得する保守情報取得手順と、前記保守情報取得手順によって取得される保守情報に対応して、前記センサデータが取得された期間を指定し、前記センサデータ記憶手段から当該期間に相当するセンサデータを読み出す学習対象データ取得手順と、当該センサデータの正常範囲を示す正常モデルを学習する学習手順と、前記正常モデルに基づいて前記機械設備の異常予兆の有無を診断する診断手順と、を有する第１の診断工程と、
前記センサデータ記憶手段から前記センサデータを読み出し、各センサデータが、それぞれ予め設定された所定範囲のしきい値を超えた場合には、異常予兆ありと診断する第２の診断工程と、を備えること
を特徴とする異常予兆診断方法。
【請求項８】
前記学習対象データ取得手順は、前記機械設備に対して保守作業が行われ、当該保守作業が終了してから前記診断日までの間に、少なくとも予め設定された所定学習期間が確保されていると判断した場合には、前記保守作業終了後の所定日数分の前記センサデータを前記センサデータ記憶手段から取得し、
前記学習手順は、前記学習対象データ取得手順によって取得されたセンサデータを用いて前記正常モデルを学習すること
を特徴とする請求項７に記載の異常予兆診断方法。
【請求項９】
前記学習対象データ取得手順によって、前記機械設備に対して保守作業が行われた期間に前記診断日が含まれると判断された場合、前記第１の診断工程は、診断日が保守作業中である旨の結果を出力すること
を特徴とする請求項８に記載の異常予兆診断方法。
【請求項１０】
前記学習対象データ取得手順によって、前記保守作業が終了した後の前記所定学習期間に前記診断日が含まれると判断された場合、前記第１の診断手順は、診断日が前記保守作業終了後の学習期間である旨の結果を出力すること
を特徴とする請求項８又は請求項９に記載の異常予兆診断方法。
【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】
【公開番号】特開２０１３−８０９２（Ｐ２０１３−８０９２Ａ）
【公開日】平成２５年１月１０日（２０１３．１．１０）
【国際特許分類】
【出願番号】特願２０１１−１３８６８９（Ｐ２０１１−１３８６８９）
【出願日】平成２３年６月２２日（２０１１．６．２２）
【特許番号】特許第５０８１９９８号（Ｐ５０８１９９８）
【特許公報発行日】平成２４年１１月２８日（２０１２．１１．２８）
【出願人】（０００２３３０４４）株式会社日立エンジニアリング・アンド・サービス (276)
【Ｆターム（参考）】
【公開日】平成２５年１月１０日（２０１３．１．１０）
【国際特許分類】
【出願日】平成２３年６月２２日（２０１１．６．２２）
【特許番号】特許第５０８１９９８号（Ｐ５０８１９９８）
【特許公報発行日】平成２４年１１月２８日（２０１２．１１．２８）
【出願人】（０００２３３０４４）株式会社日立エンジニアリング・アンド・サービス (276)
【Ｆターム（参考）】
[ Back to top ]