CN102460529A

CN102460529A - 装置异常监视方法以及系统

Info

Publication number: CN102460529A
Application number: CN2010800258278A
Authority: CN
Inventors: 玉置研二; 三轮俊晴
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 2009-06-11
Filing date: 2010-05-13
Publication date: 2012-05-16
Anticipated expiration: 2030-05-13
Also published as: JP2010287011A; US20120136629A1; EP2442288A4; EP2442288A1; WO2010143492A1; CN102460529B; JP5297272B2; US8566070B2

Abstract

本发明涉及装置异常监视方法，是能够实现高精度的异常检测、原因诊断等的技术。在本系统中，涉及多个类似的装置(1)中的、新设的装置(T)的监视，在判定模型生成模块(2)中，针对每个已经设置的多个(K)类似装置(a、b)等，生成个别的判定模型(预测模型)，生成根据各装置(1)的特征项目值等来预测这些预测模型的系数以及截距的总体预测模型，根据该总体预测模型生成装置(T)专用的预测模型(包含该预测模型而成的判定模型)。使用该判定模型，判定模块(3T)监视装置(T)的状态，进行异常检测。

Description

装置异常监视方法以及系统

技术领域

本发明涉及对一个以上的装置的状态进行监视，进行异常(异常征兆)、正常的判定，以及异常(故障)的原因的诊断等的装置异常监视方法。特别是涉及把多个装置作为对象的监视、诊断等的技术。

背景技术

具有状态基准维护(CBM：Condition Based Maintenance)技术，针对以热电联合供给(发电及废热供暖系统：congeneration)装置为代表的将燃料至少变换为动能、热能、或者电能的能量变换装置(设备)等，安装用于测量状态的多个传感器(测量器)，由此时刻测量掌握装置的各状态，根据其数据(称为装置状态测量数据、传感器数据等)判定装置的状态的正常或异常，捕捉异常状态进行维护。该技术对降低维护成本有效。

在日本特开2002-110493号公报(专利文献1)以及日本特开2000-252180号公报(专利文献2)中记载了多阶段多变量解析的方法，该方法多阶段地重复进行如下动作：以生产线的品质变动原因分析为对象，将多个说明变量分割为一定少数，将线性多重回归模型生成(Yi＝A·Xi)应用于全部的分割组，通过变量增减法，在各分割组内缩小说明变量，将缩小后的说明变量一起应用于再次多重回归模型的生成。

在美国专利第7209846号说明书(US7,209,846B2)(专利文献3)中公开了通过图模型来进行生产线的产品品质和工序数据的之间的因果分析的方法。

在非专利文献1中记载了统计模型。具体来说，记载了GLM(GeneralizedLinear Model)法、GAM(Generalized Additive Model)法、以及非线性模型法。

在非专利文献2中说明了如下方法：基于投影法(Projection Method)的目的变量(Y)和说明变量(X)的衰减线性回归模型(Y＝A·X)的多个生成方法，该投影法用于避免由于说明变量的多个要素同时变动引起的多重共线性(Multiple Co-linear)现象导致的无法计算问题或精度不足。具体来说，记载了PLS(Partial Least Squares)法、PCR(Principal Component Regression)法、Ridge法、以及Lasso法。此外，作为非线性关系的模型生成方法记载了非线性回归法。具体来说，记载了GLM(Generalized Linear Model)法、以及MARS(Multivariate Adaptive Regression Splines)法。另外，作为与贝叶斯法组合来求出模型系数的采样方法记载了MCMC(Markov Chain Monte Carlo)法。

在非专利文献3中记载了通过PLS(Partial Least Squares)法，使具有共线性的数据项目混合存在，来构建线性回归预测模型的方法。

在非专利文献4中记载了通过图模型进行因果解析的统计数理的通用算法的方法。

现有技术文献

专利文献

专利文献1：日本特开2002-110493号公报

专利文献2：日本特开2000-252180号公报

专利文献3：美国专利第7209846号说明书(US7,209,846B2)

非专利文献

非专利文献1：ISBN：978-0412830402 J.M.Chambers，and T.J.Hastie，“Statistical Models in S”，Chapman & Hall/CRC(1991).Chapter 6：GeneralizedLinear Models，Chapter 7：Generalized Additive Models，Chapter 10：NonlinearModels

非专利文献2：ISBN：978-0387952840，T.Hastie，R.Tibshirani，and J.H.Friedman，“The Elements of Statistical Learning”，Springer(2003)，Chapter3：Linear Methods for Regression

非专利文献3：ISBN：0-471-48978-6，Richard G.Brereton，“Chemometrics，Data Analysis for the Laboratory and Chemical Plant”，WILEY(2003)，Chapter 5：5.5 Partial Least Squares

非专利文献4：ISBN：978-0387310732，Christopher M.Bishop，“PatternRecognition and Machine Learning”，Springer(2006)，Chapter 8：GraphicalModels

发明内容

发明要解决的课题

为了有效实施所述状态基准维护(CBM)，需要捕捉故障之前的异常征兆。因此，以下的方法比较有效：生成通过统计解析来综合多个传感器的数据项目的模型，计算以装置的正常状态的模型为基准的偏离度，并将该偏离度作为状态判定基准。

关于构成所述对象装置的各模块或构成各个模块的部件的大多数，装置为了达到能量变换等目的连动地工作。因此，针对构成装置的多个部件等设置的多个传感器的输出(数据项目)的大多数也连动地变化。在这种情况下，如果考虑将各传感器的数据项目作为轴的参数空间，则装置正常状态构成局部存在的部分空间。如果通过统计解析将该装置正常状态的参数部分空间模型化，则可以计算用于判定异常状态的偏离度。

另外，如果将正常时连动地变化的传感器的输出(数据项目)的关系与异常时连动地变化的传感器的输出(数据项目)的关系进行比较来模化，则可以对异常时的异常(故障)的原因进行诊断。

关于上述的技术，存在以下的课题(课题1、2)。

(课题1：数据量缺乏)

第一，存在收集用于生成成为异常判定基准的正常状态的模型的时间较长的课题。为了生成通过统计分析综合多个传感器的数据项目的模型(判定模型)，需要统计上充分的采样数量、或者需要网罗全部的稳定状态的装置状态变动的采样数量。但是，存在在确保上述的数据量之前，无法实施异常监视的问题。

特别是在以下的情况下，即，(1)在设置了新装置的情况下，(2)在改造现有装置的情况下，(3)在对现有装置进行了大规模的维护(维修)的情况下，(4)在已经设置的装置的环境变化的情况下，(5)在改造(更新)了异常监视的软件的情况下，或者(6)在变更了异常监视的参数(数据项目)的情况下，需要新生成或者更新模型(判定模型)。因此，存在在为此积蓄必要的数据(充分的异常事例数据)的期间，无法开始异常监视，或者必须中断异常监视的问题。

(课题2：根据异常事例的学习)

第二，在很少发生或者没有异常的情况下(异常事例数据少或者没有的情况)，存在判定模型等的学习没有进展的课题。

即，首先，作为目前的前提，(1)在经历了装置异常之后，根据该异常事例，对判定模型进行学习调整，或者核对以判定模型为基准的偏离度，对进行异常判定的判定阈值进行学习调整，这对于提高监视精度是有效的。(2)进一步生成对达到异常状态的异常(故障)原因进行诊断的模型(诊断模型)，将其积蓄在数据库(DB)等中，这在进行原因诊断上是有效的。

但是，在应用了上述前提的技术的状况中，在很少发生或者没有异常的情况下，存在判定模型或者判定阈值的学习或诊断模型的积蓄等没有进展的问题。

针对上述的课题(课题1、2)，本发明具有以下目的(目的1、2)。

(目的1：数据数量缺乏)

第一，目的在于，在成为异常判定基准的模型(判定模型)的生成中，在无法从对象的装置确保充分的数据量的情况下，也可以实现高精度地对异常(异常征兆)进行检测(判定)的模型以及使用该模型的监视判定。

(目的2：根据异常事例的学习)

第二，目的在于，在基于异常事例的判定模型以及判定阈值的学习或者诊断模型的积蓄中，即使在对象的装置的异常事例少或者没有的情况下，也能够实现可以进行高精度的异常判定等的模型(判定模型)的学习(其进展)，以及实现高精度地诊断其原因等的模型(诊断模型)的积蓄(其进展)等。

另外，目前，不存在将多个装置作为监视或数据收集等的对象，例如根据已经设置的类似装置的数据，类推(生成)新设置的装置的模型的技术。

如果进行汇总，则本发明的主要目的涉及上述装置异常监视方法以及CBM的技术，提供能够实现(1)可以进行高精度的异常检测的模型(判定模型)以及使用该模型的监视，(2)并且，可以高精度地进行异常(故障)原因的推测(诊断)的模型(诊断模型)以及通过使用该模型的诊断使维护高效化等的技术。

用于解决上述课题的手段

在本申请公开的发明中，如果简单说明代表性的发明的概要，则如下所述。为了达到上述目的，本发明的代表性的实施方式涉及装置异常监视方法及其系统，其特征为具有以下所示的结构。

在本发明中，特别是以具有类似的特征或结构等的多个装置(类似装置)作为处理对象。使用基于从多个装置分别收集、取得的装置状态测量数据(传感器数据)生成的模型，进行异常监视(判定)以及异常原因诊断等。此外，在本说明书中，关于模型，根据功能、用途、计算公式等的不同，适当地称为预测模型、判定模型、诊断模型等。

对于所述的课题1(数据数量缺乏)，在本发明中，在无法从监视等的对象装置确保充分的数据量的情况下，使用针对该装置的其它多个(两个以上)类似装置的数据，生成用于对象装置的异常判定等的模型(判定模型)，由此来解决。

对于所述的课题2(根据异常事例的学习)，在本发明中，使用以下的方法：根据针对监视等的对象装置的其它多个类似装置的异常事例(其数据)，来进行判定模型以及其判定用阈值的学习、或用于异常原因诊断的模型(诊断模型)的积蓄。在使用该方法的情况下，在现有技术中存在以下的问题。即，在使用上述方法的情况下，对于监视等的对象装置，作为用于取得异常事例的数据等的对象装置，需要满足以下条件，(1)具有完全相同的特征和结构，(2)被设置在完全相同的环境中，(3)处于完全相同的运行状况。如果不使用这样的装置的异常事例，则无法提高异常判定以及诊断等的精度，根据情况，使其精度降低。在本发明中，还解决上述问题。

本方式的方法，例如使用计算机的信息处理，将类似的多个(K+1)装置作为处理对象，根据通过多个(两个以上)传感器对所述每个装置的状态进行测量获得的该各个装置的多个(两个以上)的装置状态测量数据项目(变量)，进行监视以及判定所述多个(K+1)中的至少一个装置的状态的异常的处理。所述多个(K+1)装置中的一个第一装置成为监视以及判定的对象(判定模型生成对象)，与其类似的其它多个(K：两个以上)第二装置成为生成用于所述第一装置的监视以及判定的第一预测模型(包含第一预测模型而成的判定模型)的对象(数据源)。本方式具有：进行以下处理的第一步骤，基于根据所述多个(K)第二装置中的各个第二装置正常时的所述多个数据项目生成的、用于所述监视以及判定的个别的第二装置专用的多个(K)判定模型，生成所述第一装置专用的第一预测模型(判定模型)；以及进行监视执行处理的第二步骤，以预定时间为单位，输入来自所述第一装置的所述多个数据项目，使用所述第一预测模型(判定模型)，监视以及判定所述第一装置的状态的异常，当检测到异常时，输出检测信息。

在所述第一步骤中，具有：将所述多个(K)装置中的各个装置的所述多个数据项目统计分类为回归分析中的目的变量(Y)和其以外的一个以上的说明变量(X)的步骤；生成作为多个所述(K)第二装置中的各个第二装置的个别的预测模型的多个(K)回归模型的步骤；生成根据该各装置中的各个装置的特征项目值(或设置环境测量值)，来预测作为所述多个(K)第二装置中的各个第二装置的个别的预测模型的多个(K)回归模型的系数以及截距的、类似装置共用总体预测模型；以及向所述总体预测模型输入所述第一装置的特征项目值(或者装置设置环境测量值等)，生成作为该装置专用的所述第一预测模型的回归模型的系数以及截距的步骤。

在所述第二步骤中，具有：向所述第一装置专用的所述第一预测模型输入该装置的多个数据项目中的说明变量(X)，来计算目的变量(Y)的预测值的步骤；计算所述目的变量(Y)的实测值和该预测值之间的偏离度的步骤；以及通过将所述偏离度和阈值进行比较来检测所述第一装置的异常的步骤。

另外，本方式的方法是装置异常监视方法，进行根据所述多个(K+1)中的至少一个第一装置的异常检测(判定)来诊断异常原因的处理。所述多个(K+1)装置中的一个第一装置成为原因诊断的对象(诊断模型生成对象)，与其类似的其它的多个(K：两个以上)第二装置成为取得用于生成用于所述第一装置的诊断的第二预测模型(包含该第二预测模型而成的诊断模型)的数据的对象。本方式具有：第一步骤，根据所述多个(K)装置的异常检测后的原因诊断，生成并积蓄所述多个(K)第二装置中的各个第二装置的个别的诊断模型，根据这些多个个别的诊断模型，生成用于所述第一装置的诊断的诊断模型；以及第二步骤，以预定时间为单位，输入所述第一装置的所述多个数据项目，监视以及判定该装置的状态的异常，在检测到异常的情况下，执行原因诊断处理。

在所述第一步骤中，具有：生成所述多个(K)第二装置中的各个第二装置的个别的诊断模型，对其附加该各装置的特征项目值(或者装置设置环境测量值等)来进行积蓄的步骤；生成根据该装置的特征项目值等对所述积蓄的多个(K)个别的诊断模型进行分类后的类似装置共用的总体诊断模型的步骤；以及向所述总体诊断模型输入所述第一装置的特征项目值等，生成该第一装置专用的诊断模型的步骤。

在所述第二步骤中，具有：在检测到所述异常的情况下，对所述第一装置专用的诊断模型输入来自所述第一装置的数据项目，进行与构成该诊断模型的各个模型(模式：Pattern)的匹配(核对)的步骤；以及根据所述匹配后的模型，输出原因的信息的步骤。

发明效果

如果简单地说明本申请中公开的发明中的代表性的发明获得的效果，则如下所述。根据本发明的代表性的实施方式，涉及装置异常监视方法以及CBM的技术，能够实现(1)可以进行高精度的异常检测的模型以及使用该模型的监视，(2)并且，通过异常原因的部件等的推定使维护高效化。

附图说明

图1是表示本发明实施方式1的系统(装置异常监视系统)以及方法(装置异常监视方法)中的、用于状态异常监视判定处理的主要部件的构成例的图。

图2是表示本发明的实施方式2的系统(装置异常监视系统)以及方法(装置异常监视方法)中的、用于状态异常监视判定处理以及异常(故障)原因诊断处理的主要部件的构成例的图。

图3是表示安装了实施方式1、2的系统的计算机系统的构成例的图。

图4是表示实施方式1中的例如以第二装置(a)为对象的、判定模型生成模块的个别装置专用判定模型生成子模块的详细结构的图。

图5是表示实施方式1中的、(a)表示装置的数据项目分类(表)的例子，(b)表示(a)的存储的形式的图。

图6是表示实施方式1中的、(a)表示第一类似装置的预测模型的例子，(b)表示第二类似装置的预测模型的例子的图。

图7是表示实施方式1中的以第一装置(T)为对象的状态监视异常判定模块的详细构成的图。

图8是表示实施方式1中的个别装置(a)专用判定模型生成模块的处理流程的图。

图9是表示实施方式1中的类似装置共用总体判定模型生成模块的处理流程的图。

图10是表示实施方式1中的装置特征构成数据的例子的图。

图11是表示实施方式1中的个别装置(T)专用判定模型生成模块的处理流程的图。

图12是表示实施方式1中的以第一装置(T)为对象的状态监视异常判定模块的处理流程的图。

图13是表示实施方式1中的作为目的变量(Y)所选择的状态数据项目值的推移的例子的图，(a)表示与两台类似装置(a、b)各自的目的变量数据实测值有关的推移，(b)表示与第一装置(T)的判定模型的预测值(PdY)有关的推移。

图14是表示实施方式1中的总体判定模型的生成例的图，(a)表示根据多个个别装置专用判定模型的系数(AC)生成总体判定模型(关于AC的线性回归式)的情形，(b)表示根据总体判定模型生成第一装置(T)的专用的判定模型的系数(AC)的情形。

图15是表示实施方式1中的作为第一装置(T)的目的变量选择的状态数据项目值的推移的例子的图，(a)表示与预测值(PdY)和实测值(Y)有关的推移，(b)表示与它们的偏离值(EY)有关的推移。

图16表示实施方式2中的个别装置专用诊断模型生成模块的处理流程的图。

图17表示实施方式2中的状态数据项目间的图像网络因果模型的图，(a)表示正常状态的图模型，(b)表示异常状态的图模型。

图18表示实施方式2中的个别装置专用诊断模型(其数据)的要素记述例的图。

图19表示实施方式2中的类似装置共用总体诊断模型生成模块的处理流程的图。

图20是表示实施方式2中的总体诊断模型的生成方法的图，(a)表示根据个别装置专用诊断模型的装置特征项目的管理方法，(b)表示固有诊断模型和通用诊断模型的分类方法。

图21是表示实施方式2中的以第一装置(T)为对象的个别装置(T)专用诊断模型生成模块的处理流程的图。

图22是实施方式2中的异常原意诊断模块的处理流程的图。

具体实施方式

以下基于附图说明本发明的实施方式。另外，在用于说明实施方式的全部附图中，对于相同部分，原则上赋予相同符号，以省略其重复的说明。此外，本实施方式的装置异常监视方法以及系统不仅包括根据监视装置状态进行的异常判定以及异常原因诊断，还包括根据其结果指示装置的维护等的装置维护方法以及系统。此外，在没有特别明示的情况下，各动作主体主要是计算机的信息处理(程序或处理器等)。

<概要>

首先，以下是本方式的概要(符号与后述的附图对应)。如图1等所示，在本系统中，与多个(K+1)装置1中的，新设的装置(T)的监视(异常判定)有关，在判定模型生成模块2中，对已经设置的多个(K)类似装置(a、b等)的每一个，生成个别的判定模型。即，针对每个个别装置，根据多个状态数据(DS)，生成基于回归分析的来自说明变量(X)的目的变量(Y)的预测模型。接着，生成根据各装置1的特征项目值等预测这些个别的预测模型的系数以及截距的总体预测模型。然后，根据该总体预测模型生成对象的装置(T)专用的预测模型(包含该预测模型而成的判定模型)。使用该判定模型，判定模块3T监视装置(T)的状态，进行异常检测(输出检测信息)。

另外，如图2等所示，在本系统中，在根据装置(T)的上述异常检测，进一步进行与该异常有关的诊断的情况下，在诊断模型生成模块4中，针对多个类似装置(a、b等)各自的异常事例(其数据)，生成每个该装置的个别的诊断模型。根据各装置1的特征项目值等选择(分类)这些诊断模型，生成对象装置(T)专用的诊断模型。使用该诊断模型，诊断模块5T根据上述异常检测，执行对象装置(T)的异常(故障)的原因的诊断(输出推定的原因的信息等)。

(实施方式1)

使用图1、图3～图15等，说明本发明实施方式1的装置异常监视方法及其系统。在实施方式1中，具备异常判定功能。针对监视判定的对象装置(T)生成多个类似装置(a、b等)的个别的判定模型(Ma1、Mb1等)以及基于这些判定模型的总体判定模型(MM1)，并据此生成对象装置(T)的专用的判定模型(MT1)，使用该判定模型直到执行判定(状态监视异常判定)的处理。生成类似装置组的交叉的判定模型，根据其它类似装置(a、b等)的模型数据，类推并学习对象装置(T)的模型数据。另外，将用于异常判定的模型(包含预测模型等而形成的)称为判定模型。

<系统(1)>

图1是表示实现实施方式1的装置异常监视方法的系统(装置异常监视系统)。另外，使用预定的硬件以及软件通过一般的计算机的信息处理来实现各附图中的各模块/子模块。作为该计算机系统的构成例如图3所示(后述)。

在本系统中，具有成为处理对象的多台(K+1：三个以上)装置(类似装置)。例如，在图1中具有第一台(#0)装置(T)1T、第二台(#1)装置(a)1a、第三台(#2)装置(b)1b等(#为识别号)。虽然未图示但还有第四台以后的装置(#3(c)、#4(d)，......，#K)。

装置(T)1T，在本例中是新设置的、作为监视等的对象(即判定模型生成对象)而被选择的装置。新设的装置(T)1T的异常事例的数据(用于模型生成的数据)的数量少。与此相对，装置(a)1a、(b)1b等多个(K为2以上)装置1(#1(a)、#2(b)、......、#K)是具有与装置(T)1T类似的特征、构成等的装置(类似装置)。即，全体的多个(K+1)装置1是类似装置组(group)。装置(T)1T以外的多个(K)类似装置1是成为用于生成可在多个(K+1)装置1间共用的模型的对象的已经设置的装置，不断积蓄可生成模型的数量的数据。作为用于生成对象装置(T)1T的判定模型的对象(数据源)，选择至少两个以上的装置1。在本例中，为了简单，说明使用了两台装置(a、b)作为该对象的例子。

装置1(T、a、b)例如分别是能量转换装置(热电联合供给装置、电气装置、动力装置、或者热源装置等)等装置(设备、系统等)。另外，一个装置1也可以是由多个装置或模块等构成的系统等。多个装置1不必是从相同的设计图复制(制造)的装置，只要是在这些装置之间具有类似的特征或构成等的类似装置即可。另外，作为类似装置也可以包含同类型装置。即使是同类型装置彼此之间，如果其设置环境(例如装置周围的气温)等不同，则装置状态(测量的数据项目值)也不同。

在每个装置1中内置或在外部附近具备用于测量预定部位或种类的状态的多个(n为2个以上)传感器S(S：S1、......、Sn)。多个传感器S分别输出对应的传感器数据(装置状态测量数据)DS。

本系统对于装置1具有判定模型生成模块2、状态监视异常判定模块(判定模块)3T等。各模块(2、3T)，作为用于存储数据的存储模块(DB)利用装置信息DB6、模块DB7等。

在装置信息DB6中存储与装置1有关的装置特征构成数据(DD)等。装置特征构成数据(DD)包含每个装置1的基本的构成信息、用于区别多个类似装置1中的特征或构造等的差异的特征变量项目值、装置设置环境测量值等。

在模型DB7中存储与装置1的判定模型有关的数据(71～74)。具体地说，具有类似装置共用总体判定模型(MM1)的数据71、个别装置(T)专用判定模型(MT1)的数据72、个别装置(a)专用判定模型(Ma1)的数据73、个别装置(b)专用判定模型(Mb1)的数据74等。

判定模型生成模块2进行以下的处理：使用来自数据源的多个(2个)装置(a、b)各自的传感器数据DS、装置信息DB6的数据(DD)、模型DB7的模型数据等，生成与对象装置(T)有关的用于通过状态监视进行异常判定的判定模型(MT1)以及对判定模型(MT1)进行更新等。

判定模型生成模块2具备作为子模块(处理部)的多个(2个)个别装置(a、b)专用判定模型(Ma1、Mb1)生成部2Sa、2Sb、类似装置共用总体判定模型(MM1)生成部2C、以及个别装置(T)专用判定模型(MT1)生成部2G。

Ma1、Mb1生成部2Sa、2Sb是分别根据来自对应的装置1(a、b)的多个传感器数据DS、装置信息，生成个别装置(a)、(b)专用的判定模型(Ma1、Mb1)的处理部。MM1生成部2C是根据通过2Sa、2Sb生成的模型(Ma1、Mb1)、装置特征构成数据(DD)，生成类似装置1共用的总体判定模型(MM1)的处理部。MT1生成部2G是根据通过2C生成的总体判定模型(MM1)、对象装置(T)的装置特征构成数据(DD)，生成对象装置(T)专用的判定模型(MT1)的处理部。

判定模块3T使用来自对象装置(T)1T的传感器数据DS、和基于判定模型生成模块2(模型DB7)的判定模型(MT1)的数据，进行对象装置(T)的状态监视(异常判定)的处理，结果，在检测出该装置(T)的异常(异常征兆)的情况下，把装置停止指示信息D1等作为检测信息输出到该装置(T)1T等，由此可以使该装置1停止运转。

作为本实施方式，假设对多个装置1中的各个装置1连接相同的功能(模块)的对称的结构。在图1中，作为最低限度的要素，对监视对象的装置(T)连接判定模块3T，对数据源的类似装置(a、b)连接判定模型生成模块2，但是也可以为对每个装置1连接相同的模块(相当于2以及相当于3T)的结构。由此，各装置1都可以被选择作为监视对象或数据源。当然，在固定监视对象等的情况下，也可以仅为图1那样的最低限度的要素的结构。

<系统(2)>

在图2中与图1一样地表示了实施方式2的系统结构。在实施方式2中，除了异常判定功能外，还具有原因诊断功能。首先说明图2的实施方式2的系统结构，然后在详细说明实施方式1之后，详细说明实施方式2。

图2的系统是除了与图1一样的装置1(T、a、b等)以及与每个装置1连接的判定模块3(3T、3a、3b等)等之外，还具备诊断模型生成模块4、异常原因诊断模块(诊断模块)5T等的结构。另外，各判定模块3与图1一样，使用通过判定模型生成模块2(省略图示)生成的判定模型(MT1、Ma1、Mb1等)进行判定处理。

对数据源的多个(例如2个)类似装置(a)1a、(b)1b等以及与其对应起来的各判定模块3a、3b等连接了诊断模型生成模块4。对成为监视以及诊断等的对象的一个装置(T)1T以及与其对应的判定模块3T，连接了诊断模块5T。此外，各模块(4、5T)利用装置信息DB6、模型DB8等作为存储模块(DB)。

诊断模型生成模块4使用来自处理对象(数据源)的多个装置1(a、b等)的传感器数据DS(以及来自判定模块(3a、3b)的判定结果信息等)、来自装置信息DB6的装置特征构成数据DD等，进行生成用于对象装置(T)1T的诊断(异常原因诊断)的模型(诊断模型)以及对其进行更新等的处理。

诊断模型生成模块4具备作为子模块(处理部)的个别装置(a、b)专用诊断模型(Ma2、Mb2)生成部4Sa、4Sb、类似装置共用总体诊断模型(MM2)生成部4C、和个别装置(T)专用诊断模型(MT2)生成部4G。

Ma2、Mb2生成部4Sa、4Sb是分别根据来自对应的装置1(a、b)的数据(DS)、来自判定模块3a、3b的数据，生成个别装置1(a、b)专用的诊断模型(Ma2、Mb2)的处理部。MM2生成部4C是根据通过4Sa、4Sb生成的诊断模型(Ma2、Mb2)、或装置特征构成数据(DD)，生成多个(K+1)的类似装置1共用的总体诊断模型(MM2)的处理部。MT2生成部4G是根据通过4C生成的总体诊断模型(MM2)、对象装置(T)的装置特征构成数据(DD)，生成对象的个别装置(T)1T专用的诊断模型(MT2)的处理部。

诊断模块5T进行使用来自诊断装置(T)1T的传感器数据DS、来自判定模块3T的数据、基于诊断模型生成模块4)的诊断模型(MT2)的数据，诊断诊断对象装置(T)的异常原因的处理。结果，向装置(T)或者其维护装置(图3、54)输出装置维修部位指示信息(维修指示信息)D2等。由此，可以高效地进行维护作业，可以缩短装置(T)的维修时间(修理时间)。

<计算机系统>

图3表示安装了图1或图2的系统的计算机系统的结构例。图1或图2的各模块等的要素，在本计算机系统中，主要以在计算机上运行的程序的形式来实现。各模块(对应程序)与计算机的对应关系如图3所示。各计算机具备未图示的处理器、存储器、通信接口、输入输出装置等。计算机之间通过专用线或通信网络等连接。

在本计算机系统中，对于装置1(例如T、a、b)，具有传感器信息管理计算机51、异常监视执行计算机52、模型管理计算机53、维护装置(维护作业终端)54。使维护装置54与每个装置1对应起来。此外，在本例中，将传感器信息管理计算机51、以及异常监视执行计算机52一对一地与每个装置1连接，使一个模型管理计算机53与多个异常监视执行计算机52(以及维护装置54)对应起来。还具有将各装置1设置在彼此远离的位置的情形。例如经由通信网络50对一个模型管理计算机53连接各装置(多个异常监视执行计算机52等)。

传感器信息管理计算机51与装置1的多个(n)传感器S(S1～Sn)连接，具备通过多个传感器S对装置1的状态测量数据(传感器数据)DS进行采样、收集的装置状态测量接口功能。

异常监视执行计算机52与传感器信息管理计算机51、维护装置54、以及模型管理计算机53连接，处理器通过执行存储器上的程序、数据，通过对应的程序3P、5P的处理，来实现所述的判定模块3(3T)以及诊断模块5(5T)等。对于多个装置1(T、a、b)中的各装置1，个别连接异常监视执行计算机52。或者，可以是针对各装置1个别执行一个异常监视执行计算机52内部的程序的结构等。

模型管理计算机53管理与多个装置1的异常判定或诊断等有关的模型。模型管理计算机53与异常监视计算机52连接，通过对应的程序2P(2SP、2CP、2GP)、4P(4SP、4CP、4GP)等的处理来实现所述的判定模型生成模块2(子模块：2Sa、2Sb等、2C、2G)、诊断模型生成模块4(子模块：4Sa、4Sb等、4C、4G)等。

作为其它的构成例，可以将诊断模块5(对应程序5P)设置在与异常监视执行计算机52不同的其它的计算机或模型管理计算机一侧等。

维护装置54例如是维护作业者(U1)使用的终端。维护装置54与异常监视计算机52连接，通过对应的程序的处理实现维护作业指示、维护履历记录等功能。维护作业指示的程序，例如进行将来自异常监视执行计算机52的装置维修部位指示信息D2显示在维护装置54的显示器画面上的处理。维护履历记录的程序例如进行包含维护作业者(U1)进行的异常原因等的输入处理的维护履历记录处理。另外，维护装置54例如除了是与装置1独立的装置之外，还可以是内置在装置1或者与装置1连接的装置(功能)。

系统管理者(U2)对本系统的计算机进行本系统的管理或设定的操作，例如，进行使用的方式、目的函数(Y)等的设定等。关于各阈值等需要的数值或信息，可以预先对本系统设定，或者通过系统管理者(U2)等进行适当设定。

另外，存储模块(6、7、8等)可以位于系统内的任意的部位。例如，可以在具备判定模型生成模块2的功能的模型管理计算机53内具备模型DB7、装置信息DB6等。

<判定模型生成模块>

接着，在图4中，表示了实施方式1的判定模型生成模块2的个别装置专用判定模型(Ma1、Ma2)生成部2Sa、2Sb(作为例子为2Sa的情形)的详细构成。图8表示对应的处理流程。Ma1生成部2Sa具备作为处理部的数据项目分类部22、个别装置(a)专用预测模型(Ma)构建部23、(个别装置(a)对应)组预测偏离度计算模型(MG：MaG)构建部24等，利用装置信息DB6、模块DB7等。

Ma1生成部2Sa输入来自处理对象的个别装置(a)1a的多个传感器S的状态测量数据DS，作为履历存储在存储模块等中。

在数据项目分类部22中，将状态测量数据DS的数据项目(参数)统计地分类为目的变量(Y)、共线性说明变量(XC)和独立性说明变量(XD)。例如通过调查各说明变量(X)对于目的变量(Y)的相关来进行该分类。在本例中，具有图4所示的4个数据项目：P4(Y)220、P1(XC1)221、P2(XC2)222、P3(XD)223，它们是获得图5(a)所示的相关时的分类的例子。

在图5(a)中，表示基于状态测量数据DS的4个数据项目P1～P4被分类为P1：目的变量(Y)220、第一(#1)的共线性说明变量(XC1)221、第二(#2)的共线性说明变量(XC2)222和一个独立性说明变量(XD)223的例子。P1(XC1)221对于P4(Y)220具有0.8的相关。P2(XC2)222对于P4(Y)220具有0.9的相关。P3(XD)223对于P4(Y)220具有0.2的相关。

这些数据项目分类通过图5(b)表示的形式(表)作为数据项目分类(数据)250存储在存储模块(模块DB7或者装置信息DB6)等中。

根据数据项目分类250，在Ma构建部23中，关于个别装置(a)1a、构建针对每个共线性说明变量(XC)生成的多个(在本例中为2个)预测模型(Ma：Ma#1(MaXC1)、Ma#2(MaXC2))。作为预测模型(Ma)，在本例中，与2个共线性说明变量XC(XC1、XC2)对应，具有第一预测模型(Ma#1(MaXC1))、第二预测模型(Ma#2(MaXC2)。使用目的变量(Y)220、第一共线性说明变量(XC1)221、独立性说明变量(XD)223构建Ma#1(MaXC1)。使用目的变量(Y)220、第二共线性说明变量(XC2)222、独立性说明变量(XD)223构建Ma#2(MaXC2)。这些个别装置(a)1a专用的预测模型(Ma：Ma#1(MaXC1)、Ma#2(MaXC2))的数据被存储在存储模块(模型DB7)等中。

另外，通过系统管理者(U2)等的指定(设定)、或者通过计算机的自动计算等来决定成为预测对象的目的变量(Y)220。关于目的变量(Y)的设定的例子，作为装置1的输出例如是电力([W])。

在MaG构建部24中，构建由上述构建的多个(2个)预测模型(Ma：MaXC1、MaXC2)构成的组预测模型251(包含组预测偏离度计算模型MaG)。并且，以图6(a)所示的形式(表)，作为包含组预测模型251而成的个别装置(a)专用判定模型(Ma1)的数据73存储在模型DB7内。后面叙述MaG。

与上述一样，关于其它类似装置(b)1b，也通过Mb1生成模块2Sb构建由多个(2个)预测模型(Mb：Mb#1(MbXC1)、Mb#2(MbXC2))构成的组预测模型252(包含组预测偏离度计算模型MbG))，以图6(b)所示的形式，作为包含组预测模型252而成的个别装置(b)专用判定模型(Mb1)的数据74存储在模型DB7内。

包含上述各装置(a、b)的预测模型(Ma、Mb)的判定模型(Ma1、Mb1)的数据在总体判定模型(MM1)生成部2C中被用于生成总体判定模型(MM1)。图9表示MM1生成部2C的处理流程。MM1生成部2C将生成的总体判定模型(MM1)的数据作为数据71存储在模型DB7内。

上述总体判定模型(MM1)的数据71在个别装置(T)专用判定模型(MT1)生成部2G中，用于生成用于新设置的监视对象装置(T)1T的专用的判定模型(包含MT1：预测模型(MT)以及组模型(MTG)而成的(后述))等。图11表示MT1生成部2G的处理流程。MT1生成部2G将生成的T专用判定模型(MT1)的数据作为数据72存储在模型DB7中。

<判定模块>

接着，在图7中，表示假设了新设置的监视对象装置(T)1T的状态监视异常判定模块3T的详细结构。判定模块3T具有作为处理部的数据项目分类部32、以及异常征兆判定部33。在这些处理部中，输入并使用判定模型生成模块2(即MT1生成模块)为了装置(T)1T生成并存储在存储模块(模型DB7)中的个别装置(T)专用判定模型(MT1)的数据72。

在数据项目分类部32中根据个别装置(T)专用判定模型(MT1)的数据72，对来自装置(T)的多个传感器S的状态数据(DS)的项目进行分类。在本例中，表示把数据项目P1～P4分类为P1：第一共线性说明变量(XC1)321、P2：第二共线性说明变量(XC2)322、P3：独立性说明变量(XD)323以及P4：目的变量(Y)320。

在异常征兆判定部33中，具有作为处理部的基于第一(#1)T专用预测模型(MT#1：MTXC1)的第一(#1)预测值(PdY1)计算部331、基于第二(#2)T专用预测模型(MT#2：MTXC2)的第二(#2)预测值(PdY2)计算部332、第一(#1)预测值偏离度(EY1)计算部333、第二(#2)预测值偏离度(EY2)计算部334、组预测偏离度(EG)计算部335、基于与阈值(H)的核对的异常判定部336。

在PdY1计算部331中，根据XC1(321)和XD(323)，通过第一(#1)预测模型(MT#1：MTXC1)来计算第一(#1)预测值(PdY1)。在PdY2计算部332中，根据XC2(322)和XD(323)，通过第二(#2)预测模型(MT#2：MTXC2)计算第二(#2)预测值(PdY2)。

在EY1计算部333中，根据Y(320)和第一预测值(PdY1)来计算PdY1的偏离度(第一预测偏离度：EY1)。在EY2计算部334中，根据Y(320)和第二预测值(PdY2)来计算PdY2的偏离度(第二预测偏离度：EY2)。

在EG计算部335中，根据第一和第一预测偏离度(EY1、EY2)来计算组预测偏离度(EG)。在异常判定部336中，将组预测偏离度(EG)与阈值(H)进行比较核对，进行异常判定。然后，将包含该异常判定的结果(有无异常)和第一以及第二预测偏离度(EY1、EY2)的信息作为检测信息(D0)输出。

<个别装置专用判定模型生成处理>

然后，在图8中，表示了通过判定模型生成模块2的例如个别装置(a)专用判定模型(Ma1)生成部2Sa进行的a专用判定模型(Ma1)的生成处理流程(S表示处理步骤)。各处理步骤的主体是该处理部(2Sa)对应的程序(2SP)。

在S101中，收集处理对象装置(a)1a的状态测量数据DS的履历数据。

在S102中，通过数据项目分类部22从装置(a)1a的数据(DS)的多个状态数据项目的各个项目中指定(分类)目的变量(Y)和说明变量(X)。

在S103中，通过数据项目分类部22将说明变量(X)分类为针对目的变量(Y)的共线性模式和独立性模式。即，分类为所述的共线性说明变量(XC：XC1，XC2)和独立性说明变量(XD)。

在S104中，通过预测模型(Ma)构建部23将共线性说明变量(XC：XC1、XC2)和独立性说明变量(XD)进行组合，仅按照共线性说明变量(XC)的数量(在本例中为2个)，生成针对每个共线性说明变量(XC)的目的变量(Y)的个别装置(a)专用预测模型(Ma：Ma#1(MaXC1)，......)。

公式(1)表示以线形回归式表示了个别装置专用预测模型(一般)的例子。公式(1)的记号的意思如下所述：Y^pred为目的变量(Y)的预测值，X_c为共线性说明变量(XC)的实测值、X_D为独立性说明变量(XD)的实测值，a_c为针对共线性说明变量(XC)的系数(AC)，a_D为针对独立性说明变量(XC)的系数(AD)、b为目的变量(Y)预测式的截距(B)、t为数据收集时刻(采样号)、p为共线性说明变量数据项目(XC)的识别记号、q为独立性说明变量数据项目(XD)的识别记号、m为装置1的识别记号。

[公式1]

Y^{prcd} (t, p, m) = a_{C} (p, m) \cdot X_{C} (t, p, m)

+ \underset{q}{Σ} a_{D} (p, q, m) \cdot X_{D} (t, q, m) + b (p, m) - - - (1)

即，根据公式(1)，例如与针对所述装置(a)1a的XC1和XD的组合对应的第一预测模型(Ma#1：MaXC1)由公式(2)表示，另外，与XC2和XD的组合对应的第二预测模型(Ma#2：MaXC2)由公式(3)表示。另外，装置(a)的识别记号m＝a和系数A(a_c)等不同，装置(b)的识别记号m＝b和截距B(b)等不同。

[公式2]

Y^{pred} (t, p 1, a) = a_{C} (p 1, a) \cdot X_{C} (t, p 1, a)

+ \underset{q}{Σ} a_{D} (p 1, q, a) \cdot X_{D} (t, q, a)

+ b (p 1, a) - - - (2)

[公式3]

Y^{pred} (t, p 2, a) = a_{C} (p 2, a) \cdot X_{C} (t, p 2, a)

+ \underset{q}{Σ} a_{D} (p 2, q, a) \cdot X_{D} (t, q, a)

+ b (p 2, a) - - - (3)

如果通过最小二乘法或者MCMC法等，根据履历数据(Y、XC、XD)来求出这些线性回归式的系数(AC、AD)以及截距(B)，则可以获得个别装置专用预测模型。但是，该预测模型不限于线性回归式，也可以使用非线性回归式或回归树等。

在S105中，通过组预测偏离度计算模型(MaG)构建部24来构建用于计算组预测偏离度(EG)的组预测偏离度计算模型(MG：例如与装置(a)对应的MaG)，其中，组预测偏离度(EG)是将上述多个预测模型(Ma：MaXC1、MaXC2)的各个预测值(PdY)与实测值(Y)的偏离度(预测偏离度：EY)进行组合统一后的值。(一般)通过公式(4)表示预测偏离度(EY)。公式(4)的记号的意思为如下：EY为目的变量(Y)的偏离值(预测偏离度)，Y^meas为目的变量(Y)的实测值，Y^pred为目的变量(Y)的预测值。

[公式4]

EY(t，p，m)＝Y^pred(t，p，m)-Y^meas(t，m) (4)

具体来说，例如通过公式(5)计算与针对所述装置(a)1a的XC1和XD的组合对应的预测偏离度(EY：EY1)，通过公式(6)计算与XC2和XD的组合对应的预测偏离度(EY：EY2)。

[公式5]

EY(t，p1，a)＝Y^pred(t，p1，a)-Y^meas(t，a) (5)

[公式6]

EY(t，p2，a)＝Y^pred(t，p2，a)-Y^meas(t，a) (6)

(一般)通过公式(7)表示把组预测偏离度(EG)作为各个预测偏离度(EY)的标准值的总和时的组预测偏离度计算模型(MG)。

[公式7]

EG (t, m) = &Integral; {EY (t, p, m)}

= \max_{p} {\frac{1}{ΔEY (p, m)} \cdot | EY (t, p, m) |} - - - (7)

具体来说，作为公式(5)和公式(6)的计算结果的和，通过公式(8)来表示。

EG (t, a) = \max {\frac{1}{ΔEY (p 1, a)} \cdot | EY (t, p 1, a) |,

\frac{1}{ΔEY (p 2, a)} \cdot | EY (t, p 2, a) |} - - - (8)

公式(7)和公式(8)中的系数是用于将预测偏离度(EY)标准化的系数，根据各装置1的正常装置的时间区间的预测偏离度(EY)来预先计算。

在S106中，将上述构建的组预测偏离度计算模型(例如MaG)与上述个别装置专用预测模型(Ma)的数据一起作为个别装置(a)专用的判定模型(Ma1)的数据(73)存储到存储模块(模型DB7)。

通过将履历数据积蓄在存储模块中，针对成为个别的判定模型的生成对象的其它类似装置(1)(例如(b)1b)也一样地生成上述预测模型(Ma)以及组预测偏离度计算模型(MaG)。例如，同样地把个别装置(b)专用判定模型(Mb1)的数据74存储到存储模块(模型DB7)。

<总体判定模型生成处理>

接着，在图9中，表示了通过判定模型生成模块2的类似装置共用总体判定模型(MM1)生成部2C进行的类似装置共用总体判定模型(MM1)的生成处理流程。各处理步骤的主体是该处理部(2C)对应的程序(2CP)。

在S201中，从存储模块(模型DB7)收集所述的多个(2个)个别装置(a、b)专用判定模型(Ma1、Mb1)。例如，取得第一个别装置(a)1a的专用的判定模型Ma1(数据73)以及第二个别装置(b)1b的专用判定模型Mb1(数据74)。a专用的判定模型Ma1包含针对共线性说明变量数据项目P1(XC1)、P2(XC2)的预测模型(Ma：MaXC1，MaXC2)。另外，其类似装置(b)1b的专用的判定模型Mb1包含针对共线性说明变量数据项目P1(XC1)、P2(XC2)的预测模型(Mb：MbXC1，MbXC2)。

在S202中，针对每个装置1从装置信息DB6收集表示类似装置1(T、a、b等)之间的特征或构造等的差异的数据(装置特征构成数据DD)(特征项目变量值等)。

图10表示装置特征构成数据DD(特征项目变量值等)的例子。特别是监视对象的装置(T)1T以外的类似装置(a、b等)的数据例。在对象装置1为热电联合供给装置的情况下，例如驱动机的类别成为汽油发动机、或柴油发动机、或燃气机使用了类似的容积型内燃机时的差异特征。如图10所示，针对每个装置1(a、b等)以取1或0的三项目的数据来表现。

另外，作为使用了类似的容积型内燃机时的差异特征，此外例如具有热机的理论循环为奥托循环(等容循环)还是米勒循环的区别，同样通过针对每个装置1取得1或0的两个项目的数据来表现。另外，例如，使用燃料具有汽油、轻油、氢气、天然气、生物气的区别，同样用五个项目数据来表现。另外，例如，具有发动机的气缸个数，有时通过针对每个装置1取1或0的两个项目的数据来表现。

此外，作为使用了类似的发电机时的差异特征，例如，有发电机的额定输出、额定转速、额定频率、额定电压以及额定电流，用针对每个装置1取得额定值的数据来表现。另外，例如发电机的类别有同步发电机、或感应发电机，用针对每个装置1取1或0的两个项目来表现。

此外，作为使用了类似的容积型内燃机的情形下的差异特征，有装置1的设置场所的平均气温、平均湿度、以及平均气压，用针对每个装置1取得平均气温、平均湿度、以及平均气压的数据来表现。平均气温、平均湿度、以及平均气压使用在模型生成中使用的数据收集期间的平均值，或年平均值等。

另外，装置的特征项目变量值是区别多个类似装置1的变量(表现各装置1的特征或构成或环境的区别的信息)，虽然与装置状态测量数据项目的概念不同，但是也存在一部分变量在两者间重复的情形。另外，在装置1的特征项目变量值中可以包含装置1的设置环境的状态测量值(气温等)等信息，也可以与其它关联起来。

在S203中，生成类似装置共用总体预测模型(MM)，其针对多个(K+1)类似装置1，用类似装置1之间的特征构成数据(DD)(特征项目变量值等)来说明(预测)上述收集的个别装置专用判定模型(Ma1、Mb1)中包含的预测模型(Ma、Mb)的参数(系数、截距)。

公式(9)表示用线性回归式表示针对公式(1)的预测模型的参数即第一项的共线性说明变量(XC)的系数(AC)的总体预测模型的例子。公式(9)的记号的意思为如下：Φ为装置1的特征项目变量值，α_C为系数a_C预测式的总体系数，β_C为系数a_C预测式的总体截距，π为装置1的特征项目变量的识别记号，p为共线性说明变量数据项目(XC)的识别记号。

[公式9]

a_{C} (p, m) = \underset{π}{Σ} α_{C} (p, π) \cdot φ (π, m) + β_{C} (p) - - - (9)

另外，公式(10)表示用线性回归式表示了针对第二项的独立性说明变量(XD)的系数(AD)的总体预测模型的例子。公式(10)的记号的意思为如下，α_D为系数a_D预测式的总体系数，β_D为系数a_D预测式的总体截距，q为独立性说明变量数据项目(XD)的识别记号。

[公式10]

a_{D} (p, q, m) = \underset{π}{Σ} α_{D} (p, q, π) \cdot φ (π, m) + β_{D} (p, q) - - - (10)

此外，公式(11)表示用线性回归式表示了针对第三项的截距(B)的总体预测模型的例子。公式(11)的记号的意思为如下，α_O为截距b预测式的总体系数，β_O为截距b预测式的总体截距。

[公式11]

b (p, m) = \underset{π}{Σ} α_{0} (p, π) \cdot φ (π, m) + β_{0} (p) - - - (11)

具体来说，关于公式(9)的系数(AC)的总体预测模型，关于第一共线性说明变量数据项目(XC1(P1)，对所述的装置(a)1a、(b)1b等，具有公式(12)的关系。

[公式12]

\{\begin{matrix} a_{C} (p 1, a) = \underset{π}{Σ} α_{C} (p 1, π) \cdot φ (π, a) + β_{C} (p 1) \\ a_{C} (p 1, b) = \underset{π}{Σ} α_{C} (p 1, π) \cdot φ (π, b) + β_{C} (p 1) \\ \cdot \\ \cdot \\ \cdot \end{matrix} - - - (12)

另外，关于公式(10)的系数(AD)的总体预测模型，关于共线性说明变量项目(XC1(P1))，对所述装置(a)1a、(b)1b等具有公式(13)的关系。

[公式13]

\{\begin{matrix} a_{D} (p 1, q, a) = \underset{π}{Σ} α_{D} (p 1, q, π) \cdot φ (π, a) + β_{D} (p 1, q) \\ a_{D} (p 1, q, b) = \underset{π}{Σ} α_{D} (p 1, q, π) \cdot φ (π, b) + β_{D} (p 1, q) \\ \cdot \\ \cdot \\ \cdot \end{matrix} - - - (13)

另外，关于公式(11)的截距(B)的总体预测模型，关于共线性说明变量数据项目(XC1(P1))，对所述的装置(a)1a、(b)1b等具有公式(14)的关系。

[公式14]

\{\begin{matrix} b (p 1, a) = \underset{π}{Σ} α_{0} (p 1, π) \cdot φ (π, a) + β_{0} (p 1) \\ b (p 1, b) = \underset{π}{Σ} α_{0} (p 1, π) \cdot φ (π, b) + β_{0} (p 1) \\ \cdot \\ \cdot \\ \cdot \end{matrix} - - - (14)

可以使用最小二乘法或MCMC法等方法来求解这些关系式，可以生成上述总体预测模型(MM)。但是，上述总体预测模型并不限于线性回归式，还可以使用非线性回归式或回归树等。关于第二共线性说明变量数据项目(XC2(P2))也可以同样求解。

在S204中，将上述生成的类似装置共用总体预测模型(MM：与AC，AD，B有关的各总体预测模型)作为类似装置共用总体判定模型(MM1)的数据71，与所述的个别的判定模型(Ma1、Mb1)中包含的组预测偏离度计算模型(MG：MaG，MbG)一起，存储到存储模块(模型DB7)。

<个别装置(T)专用判定模型生成处理>

接着，在图11中表示通过判定模型生成模块2的个别装置(T)专用判定模型(MT1)生成部2G进行的来自类似装置共用总体预测模型(MM1)的个别装置(T)专用判定模型(MT1)的生成处理流程。各处理步骤的主体是该处理部(2G)对应的程序(2GP)。

在S301中，从存储模块(模型DB7)中读出所述的总体判定模型(MM1)。该总体判定模型(MM1)包含所述的总体判定模型(MM：与AC、AD、B有关的各总体判定模型)和组预测偏离度计算模型(MG)。

在S302中，从装置信息DB6收集关于判定模型(MT1)的生成对象的装置(T)1T的针对类似装置1(a、b等)的装置特征构成数据(DD)。

该装置特征构成数据(DD)(在其中包含的装置特征项目变量值)，在对象装置(T)1T为热电联合供给装置的情况下，例如与上述一样具有驱动机的类别、热机的理论循环、使用燃料、发动机的气缸数、发电机的额定输出、额定转速、额定频率、额定电压、额定电流、装置的设置场所的平均气温、平均湿度以及平均气压等。

在S303中，将表示关于对象装置(T)1T的针对类似装置1的差异的值(特征项目变量值)代入到在总体判定模型(MM1)中包含的总体预测模型MM(公式(9)的AC、公式(10)的AD、公式(11)的B)中，确定针对每个说明变量数据项目(X)、(p、q)生成的T专用预测模型(MT)的系数值(AC、AD)、以及截距(B)的值。由此，针对对象装置(T)1T，如公式(15)以及公式(16)所示那样生成公式(1)的个别装置专用预测模型(MT：MT#1(MTXC1)、MT#2(MTXC2))。

[公式15]

Y^{pred} (t, p 1, T) = a_{C} (p 1, T) \cdot X_{C} (t, p 1, T)

+ \underset{q}{Σ} a_{D} (p 1, q, T) \cdot X_{D} (t, q, T)

+ b (p 1, T) - - - (15)

[公式16]

Y^{pred} (t, p 2, T) = a_{C} (p 2, T) \cdot X_{C} (t, p 2, T)

+ \underset{q}{Σ} a_{D} (p 2, q, T) \cdot X_{D} (t, q, T)

+ b (p 2, T) - - - (16)

在S304中，把生成的个别装置(T)专用预测模型(MT)、以及组预测偏离度计算模型(MG)作为个别装置(T)专用判定模型(MT1)的数据72存储到存储模块(模型DB7)。

<状态监视异常判定处理>

接着，在图12中表示基于判定模块3T的对象装置(T)1T的状态监视异常判定的处理流程。各处理步骤的主题是该模块(3T)对应的程序(3P)。

在S110中，从存储模块(模型DB7)中读出关于监视对象装置(T)1T的个别装置(T)专用判定模型(MT1)的数据72。T专用判定模型(MT1)包含T专用预测模型(MT：MTXC1、MTXC2)和组预测偏离度计算模型(MG)。

在S111中，收集装置(T)1T的状态测量数据DS的履历数据。

在S112中，通过数据项目分类部32，按照判定模型(MT1)的指定，从装置(T)1T的数据(DS)的多个状态数据项目的各个项目中，选择目的变量(Y)和说明变量(X)。

在S113中，通过数据项目分类部32，按照判定模型(MT1)的指定，从多个说明变量(X)中选择针对目的变量(Y)的共线性说明变量(XC：XC1、XC2)和独立性说明变量(XD)。

在S114中，通过异常征兆判定部33，使用共线性说明变量(XC)的项目数量的多个(2个)预测模型(MT)，根据公式(15)以及公式(16)计算针对目的变量(Y)的多个(2个)预测值(PdY：PdY1、PdY2)。

在S115中，根据公式(17)以及公式(18)来计算针对目的变量(Y)的实测值的各预测值(PdY：PdY1、PdY2)的偏离度(EY：EY1、EY2)。

[公式17]

EY(t，p1，T)＝Y^pred(t，p1，T)-Y^meas(t，T) (17)

[公式18]

EY(t，p2，T)＝Y^pred(t，p2，T)-Y^meas(t，T) (18)

在S116中，通过组预测偏离度(EG)计算部335，组合各偏离度(EY：EY1、EY2)，根据公式(19)计算组预测偏离度(EG)。

[公式19]

EG (t, T) = \max {\frac{1}{ΔEY (p 1, T)} \cdot | EY (t, p 1, T) |,

\frac{1}{ΔEY (p 2, T)} \cdot | EY (t, p 2, T) |} - - - (19)

在S117中，将组预测偏离度(EG)和阈值(H)进行比较核对。在S118中，根据比较的结果进行异常判定。在有异常(为“是”)的情况下，在S119中输出检测信息(D0)。检测信息(D0)例如是装置停止指示信息(D1)或维护指示信息(D2)等。

<个别装置(T)专用判定模型的生成例>

接着，说明个别装置(T)专用判定模型(MT1)的生成例等。以下举例说明上述的装置状态测量数据DS中的目的变量(Y)的实测值(Y)、类似装置共用总体预测模型(与AC有关的总体预测模型)、生成的个别装置(T)专用预测模型(MT)的预测值(PdY)等。

图13(a)针对两台已经设置的个别类似装置(a)1a以及(b)1b，表示了状态测量数据DS的目的变量数据项目(装置输出等)的实测值(Y)的推移。纵轴是目的变量数据项目的实测值(Y)。此外，横轴是装置(m)的运行时刻(t)。在43m表示装置(a)的实测值(Y)(Y^meas)的线，在44m表示比其输出大的装置(b)的实测值(Y)(Y^meas)的线。在该例中，个别装置(a)以及(b)以相同的循环运行，因此具有相同的变化点，但是并不限于此。

图13(b)针对新设置的装置(T)1T装置，表示基于状态测量数据DS的目的变量数据项目(Y)的共线性说明变量数据项目(XC)(p)的预测值(PdY)的推移。纵轴是目的变量数据项目(Y)的预测值。此外，横轴是装置(m＝T)的运行时刻(t)。在45p表示比已经设置的两台(a、b)输出大的新设的装置(T)1T的预测值(PdY)(Y^pred)的线。在该例中，新设的装置(T)以和类似装置(a)和(b)相同的循环进行运行，但并不限于此。

图14(a)针对多个个别装置1(a、b、c、d、......)，表示根据实测数据构建的个别装置专用预测模型的系数的实测值。纵轴是针对根据实测数据构建的公式(1)的个别装置专用预测模型的第一项的共线性说明变量(XC1)的系数(AC)的值(a_C(p，m))。横轴是每个类似装置1的特征项目值。描点53a、53b、53c、53d分别是针对装置(a)、(b)、(c)、(d)的特征项目值的系数值。在该例中，表示装置1的特征项目值为1个的情形，但是也可以存在多个。141的直线表示图14(b)的基于线性回归式的类似装置共用总体预测模型(根据公式(9))。

图14(b)表示关于根据类似装置共用总体预测模型(MM)预测的个别装置(T)专用预测模型(MT)的系数的装置特征项目值的预测值。纵轴是针对根据总体预测模型(MT)(141)预测的公式(1)的预测模型的第一项的共线性说明变量(XC1)的系数(AC)的值。横轴是每个装置1的特征项目值。

图15(a)与基于新设置的装置(T)的状态测量数据DS的目的变量数据项目(Y)的共线性说明变量(XC)(p)的预测值(PdY)重叠地，表示其实测值(PdY)的推移。纵轴是目的变量数据项目(Y)的预测值。另外，横轴是装置(m＝T)的运行时刻(t)。在45p(虚线)表示装置(T)的预测值(PdY)，在45m(实线)表示实测值(Y)。在该例中，因为根据变化点在时间上早于目的变量数据项目(Y)的共线性说明变量数据项目(XC)来进行预测，因此预测值(PdY)在时间上早于实测值(Y)。

图15(b)表示预测值(PdY)和实测值(Y)的偏离值(偏离度：EY)的推移。纵轴是目的变量数据项目(Y)的偏离值(EY)(45e的线)。横轴是装置(m＝T)的运行时刻(t)。因为预测值(PdY)在时间上早于实测值(Y)，所以在上升处产生正的偏离值46ep，在下降处产生负的偏离值46em。如果假设图15(b)为装置(T)的正常状态的偏离值的推移，则可以根据偏离值46ep、46em，例如作为其平均值来获得公式(7)和(8)中的标准化系数。

如果针对所述图14(a)的描点(53a～53d)，例如用最小二乘法求出线性回归式，则决定总体系数(斜率)141a、和总体截距(截距)141b，获得预测针对公式(9)的共线性说明变量(XC)的系数(AC)的总体预测模型(141)。关于针对公式(10)的独立性说明变量(XD)的系数(AD)以及公式(11)的截距，虽然未图示，但是可以同样地获得对其进行预测的总体预测模型。

如果如图14(b)所示，对上述生成的类似装置共用总体预测模型(141)，代入装置(T)的特征项目值55T(Φ(π，T))，则决定总体预测值56T(装置(T)的系数(a_C(p，T))的预测值)。将总体预测值56T代入到针对公式(1)的T专用预测模型的第一项的共线性说明变量(XC1)的系数(AC)。关于针对第二项的独立性说明变量(XD)的系数(AD)和截距(B)，虽然未图示，但是同样可以通过根据对其进行预测的总体预测模型获得预测值并代入来获得。通过上述，生成公式(1)的个别装置(T)专用预测模型(MT)。

根据上述生成的个别装置(T)专用预测模型(MT)，如图13(b)所示那样，按照公式(15)能够计算目的变量数据项目(Y)的预测值(PdY)。如图15(a)、图15(b)所示，可以根据该预测值(PdY)和实测值(Y)按照公式(17)计算偏离度。对于其它共线性说明变量(XC2)，也可以同样地根据公式(16)和公式(18)计算偏离度。可以根据这些偏离度，按照公式(19)计算组偏离度。

在图15(a)所示的预测值(PdY)针对实测值(Y)的时间提前的间隔变宽，或者发生了预测值(PdY)和实测值(Y)的不一致的情况下，生成比正常状态的偏离值大的异常状态的偏离值(异常偏离度)。可以将包含该异常偏离度的组偏离度与阈值进行核对，判定有无装置(T)的异常。

以上是实施方式1的异常判定功能。

(实施方式2)

接着使用图2、图16～图22等，说明本发明的实施方式2的装置异常监视方法及其系统。在实施方式2中，除了进行执行实施方式1的状态监视异常判定的处理以外，还进行与进行了异常判定(检测)的装置有关的异常原因诊断等处理。直到异常判定(检测)的部分与实施方式1相同。

<异常原因诊断处理>

以下使用图16，说明根据实施方式2的系统结构(图2)，与通过所述异常判定处理(图12)检测到异常的装置(T)1T有关的使用了诊断模块5T等的异常原因诊断处理。

<个别装置专用诊断模型生成处理>

首先，在图16中，表示通过在图2的诊断模型生成模块4中的个别装置(a、b)专用诊断模型(Ma2、Mb2)生成部4Sa、4Sb进行的诊断模型(Ma2、Mb2)生成处理流程(作为例子为通过4Sa进行的Ma2的生成的情形)。各处理步骤的主体是该处理部(4Sa等)对应的程序(4SP)。

在S401中，从异常检测时刻追溯到以前收集处理对象的装置(a)1a的状态(DS)的履历数据。

在S402中，根据装置(a)1a的正常运行区间的履历数据，生成状态数据项目间的正常图模型(正常图形网络模型)。

例如可以通过根据状态数据项目间的相关强度，来决定有无因果关系，根据与变化点的产生有关的状态数据项目间的时间先行性信息来决定因果方向，由此生成正常图模型。在多个变量相互间具有关系的情况下，可以代替相关强度，使用去除了其它变量的影响(信号成分)的偏相关强度。另外，在去除其它变量的影响(信号成分)的处理过程中，通过计算微小噪声信号彼此间的偏相关强度，来防止导出错误的因果关系，因此在去除其它变量的影响(信号成分)处理前后，计算信号强度的变化率，将偏相关强度和信号强度变化率的积作为因果关系的指标。

图17(a)表示正常图模型的例子。在该例中，根据之前被选为说明变量(X)的第一共线性说明变量数据项目P1(XC1)和目的变量数据项目P4(Y)之间的相关强度为0.8相关强度高，在该P1-P4之间设置因果的链接131a，根据与变化点的产生有关的状态数据项目间的时间先行性信息，决定该因果的方向(链接131a的箭头的方向)。例如，具体来说，如所述的图15所示，可以根据基于P1(XC1)的P4(Y)的预测值(PdY)和实测值(Y)的差分偏离值(EY)，获得时间先行性信息，根据该信息决定因果方向从P1(XC1)向P4(Y)的方向。同样根据第二共线性数据项目P2(XC2)和P4(Y)之间的相关强度为0.9相关强度高，设置因果的链接132a，进而根据时间先行性信息，决定因果的方向从P2(XC2)向P4(Y)的方向。同样，根据P1(XC1)和P2(XC2)之间的相关强度为0.9相关强度高，设置因果的链接133a，进而根据时间先行性信息，决定因果的方向从P1(XC1)向P2(XC2)。

在S403中，根据装置(a)1a的异常运行区间的履历数据，生成状态数据项目间的异常图模型(异常图形网络模型)。例如可以与上述生成正常图模型的情形同样地实现异常图模型。

图17(b)表示异常图模型的例子。在该例中，之前被选为说明变量(X)的第一共线性说明变量数据项目P1(XC1)和目的变量数据项目P4(Y)之间的相关强度与图17(a)的正常的情形相比，降低到0.45，因果的链接131b消灭(虚线)。因为第二共线性数据项目P2(XC2)和P4(Y)之间的相关强度保持0.9这样的高相关度，所以留有因果的链接132b，进而根据与异常变化点的产生有关的状态数据项目间的时间先行性信息，决定因果的方向为从P2(XC2)向P4(Y)的方向。同样地，P1(XC1)和P2(XC2)之间的相关强度变低到0.5，因果的链接133b消灭。

在S404中，提取上述的正常图模型(图17(a))和异常图模型(图17(b))的差分。当取得该差分时，提取第一共线性说明变量数据项目P1(XC1)和目的变量数据项目P4(Y)之间的链接、P1(XC1)和第二共线性说明变量数据项目P2(XC2)之间的链接，由此，获得如图18所示的差分诊断模型136。

在图18中，135是与个别装置(T)专用诊断模型(MT2)有关的数据信息的例子，包含装置特征项目134和差分诊断模型136。装置特征项目134的信息是基于装置特征构成数据DD的、可以在类似装置1之间区别该装置(T)的特征项目变量值，如上述例，具有该装置(T)的类别、形式的信息、该装置(T)的设置环境的信息等。差分诊断模型136的信息基于图17的模型，136a表示正常差分模型的信息，136b表示异常差分模型的信息。另外，136c表示关于该类似装置1及其差分诊断模型，转载过去的事例(异常事例)的原因的信息。该原因的信息(136c)例如具有“P1(XC1)的异常”、“P1的关系部件：{part11、part12、......}”等，这些成为推测异常原因、以及维修对象部位(推测异常部位)。另外，对象部位的单位不限于部件，有时为模块或装置等。

使用上述信息，通过图形匹配等调查从正常差分模型136a向异常差分模型136b的链接消灭变化，或链接方向变化、或者相关强度变化的有无，来进行基于诊断模块5T的诊断(异常原因诊断)。当变化图形匹配时，根据转载了过去事例的原因(136c)，获得推测的异常原因和维修对象的关系部件等信息。

在S405中，将上述的差分诊断用图模型的信息(图18的差分诊断模型136)与装置特征项目值等信息(装置特征项目137)一起(赋予)，作为个别装置(T)专用诊断模型(MT2)的信息(135)，存储在存储模块(模型DB8)中。

<总体诊断模型生成处理>

接着，在图19中，表示了通过图2的诊断模型生成模块4中的类似装置共用总体诊断模型(MM2)生成部4C进行的总体诊断模型(MM2)的生成处理流程。各处理步骤的主体是该处理部(4C)对应的程序(4CP)。

在S411中，针对多个装置1的多个异常事例，从存储模块(模型DB8)收集在图16的处理中生成的个别装置(a、b)专用诊断模型(Ma2、Mb2)的信息。该定时可以是定期的，也可以是每次异常到检测时。

在S412中，使个别装置专用诊断模型(Ma2、Mb2)与每个装置特征项目关联起来，针对该装置特征项目值作为固有的诊断模型进行分类。具体来说，如图20(a)所示。

在图20(a)中，在装置特征项目汇总表138中，将装置特征项目的值(例如，项目名：Nx，Ny、项目值Vx1，Vx2，Vy1，Vy2)作为关键字，将个别装置专用诊断模型(例如135-1(A)、135-2(B)、135-3(B))关联起来。例如，对于装置特征项目汇总表138(特征项目值)，将第一个诊断模型135-1(固有的诊断模型(A)136-1)通过特征项目137-1的Nx的Vx1以及Ny的Vy1，关联起来，将第二诊断模型135-2(固有诊断模型(B)136-2)通过特征项目137-2的Nx的Vx2和Ny的Vy1关联起来，将第三个诊断模型135-3(固有诊断模型(B)136-3)通过特征项目137-3的Nx的Vx1和Ny的Vy2关联起来。另外，在上述表中作为关键字的特征项目值，并不限于1个数值，也可以是多个数值的集合，还可以为指定上下限的数值的范围。

在S413中，将不依赖于装置特征项目的个别装置专用诊断模型作为通用的诊断模型进行分类。具体来说，例如图20(a)的第二、第三诊断模型135-2、135-3具有相同诊断模型(B)(136-2、136-3)，并且通过各个不相同的项目值关联起来。在这样的情况下，关于该模型，考虑与特征项目值没有关联，如图20(b)的第二诊断模型(135-2b)所示，作为通过特征项目137-2b与所有的特征项目值相关联的通用的诊断模型(B)136-2b进行分类。

在S414中，将每个上述装置特征项目值的固有诊断模型和通用诊断模型与装置特征项目汇总表138关联起来，作为类似装置共用总体诊断模型(MM2)的数据81存储在存储模块(模型DB8)中。

<个别装置专用诊断模型生成处理>

接着，在图21中，表示了图2的诊断模型生成模块4的个别装置(T)专用诊断模型(MT2)生成部4G进行的诊断模型(MT2)的生成处理流程。各处理步骤的主体是该处理部(4G)对应的程序(4GP)。

在S421中，从存储模块(模型DB8)读出在图19的处理中生成的类似装置共用总体诊断模型(MM2)。

在S422中，从装置信息DB6取得包含诊断对象装置(T)1T的特征项目值的数据(DD)。

在S423中，选择与对象装置(T)的特征项目值一致的固有诊断模型。用图20(b)的例子进行说明，在特征项目值是装置(T)的项目名Nx的值Vx1、以及项目名Ny的值Vy2时，选择与其相关联的第一固有诊断模型(135-1(136-1(A)))。另一方面，选择不依赖于特征项目值的即与所有的装置1一致的所述的通用诊断模型(135-2b)。

在S424中，将包含与上述装置(T)一致的所选择的固有诊断模型(135-1)和与所有装置1一致的通用诊断模型(135-2b)的数据信息作为个别装置(T)专用诊断模型(MT2)的数据82，存储在存储模块(模型DB8)中。

<异常原因诊断处理>

接着，在图22中，表示针对装置(T)1T的诊断模块5T进行的异常原因诊断处理流程。各处理步骤的主体是该模块(5T)对应的程序(5P)。本诊断处理，例如在起点开始判定模块3T的异常检测。

在S430中，等待针对装置(T)1T的判定模块3T的异常检测(检测信息(D0))。

在S431中，从异常检测时刻开始追溯以往地收集装置(T)的状态(DS)的履历数据。

在S432中，根据装置(T)的正常运行区间的履历数据，生成状态数据项目间的正常图模型。

在S433中，根据装置(T)的异常运行区间的履历数据，生成状态数据项目间的异常图模型。

在S434中，提取正常图模型和异常图模型的差分。

在S435中，从存储模块(模型DB8)中读出关于装置(T)的诊断模型(MT2)的数据82。该诊断模型(MT2)的数据82包含所述的固有诊断模型和通用诊断模型。

在S436中，进行诊断模型(MT2)的核对。具体来说，通过图形匹配等调查从图18的T专用诊断模型(135)的正常差分模型136a向异常差分模型136b的链接消灭变化、或者链接方向变化、或者相关强度变化的有无来进行。

在S437中，在上述变化图形匹配的情况下，根据诊断模型(135)的原因信息(136c)，获得包含推定异常原因、以及维修对象部位、关系部件等的诊断结果信息(维护指示信息D2等)来作为检测信息(D0)

根据以上的诊断，诊断模块5T将维护指示信息(D2)等检测信息(D0)发送到与对象装置(T)1T对应的维护装置54等。维护装置54根据接收到的信息(D0)，通过维护作业指示程序等，例如在画面上显示与推定异常原因以及维修对象部位(关系部件等)有关的信息。另外，如果有必要，将该信息发送到其它系统(未图示)，进行用于维护更换的部件的筹备等处理。维护装置54通过维护履历记录程序将通过维护作业者(U1)实施维护的结果作为履历进行记录。根据上述，维护作业者可以使用维护装置54，高效率地实施装置(T)1T的维护作业。

<装置>

作为装置1，不限于上述热电联合供给装置所代表的能量转换装置。例如，本发明可以应用于代替燃烧燃料，而将风力或者波浪力至少转换为动能或电能之一的装置。此时，对于目的变量(Y)，只要选择能量转换装置的运动输出、电力输出或能量转换效率中的至少一个即可。在说明变量(X)中包含风速、机械部件的运动速度、机械部件的振动、机械部件的加速度、机械部件的变形、机械部件的音响、机械部件的磨损量、润滑油的成分、润滑油的压力、润滑油的温度、电气部件的电压、电气部件的电流、电气部件的频率、环境的温度、环境的湿度、环境的气压、电力系统的电压、电力系统的电流、装置的运行时间、或部件的运行时间中的至少一个。

另外，本发明可以应用于将地热至少转换为动能、热能、或者电能中的一个的装置。此时，对于目的变量(Y)，选择能量转换装置中的运动输出、热输出、电力输出、或者能量转换效率中的至少一个即可。在说明变量(X)中包含与上述目的变量(Y)不重复的水蒸气供给量、水蒸气温度、水蒸气压力、机械部件的运动速度、机械部件的振动、机械部件的加速度、机械部件的变形、机械部件的音响、机械部件的磨损量、润滑油的成分、润滑油的压力、润滑油的温度、电气部件的功率、电气部件的无效功率、电气部件的电压、电气部件的电流、电气部件的频率、环境的温度、环境的湿度、环境的气压、电力系统的电压、电力系统的电流、装置的运行时间、或者部件的运行时间中的至少一个。

另外，本发明可以应用于将电能转换为机械能的电动机装置中。作为电动机装置的例子，具有以电梯、扶梯为代表的升降机、或者以泵或压缩机为代表的机械设备、或者以转盘、滚珠盘、铣刀盘或抛光盘为代表的机床。此时，只要对目的变量(Y)选择机械部件的工作量、机械部件的运动速度、机械部件的振动、机械部件的加速度、机械部件的变形、机械部件的音响、机械部件的磨损量、或者能量转换效率中的至少一个即可。在说明变量(X)中包含与上述目的变量(Y)不重复的机械部件的运动速度、机械部件的振动、机械部件的加速度、机械部件的变形、机械部件的音响、机械部件的磨损量、润滑油的成分、润滑油的压力、润滑油的温度、电气部件的功率、电气部件的无效功率、电气部件的电压、电气部件的电流、电气部件的频率、环境的温度、环境的湿度、环境的气压、装置的运行时间、或者部件的运行时间中的至少一个。

另外，本发明可以应用于将电能转换为机械能或者等离子能的半导体加工装置。作为半导体加工装置的例子，具有半导体CMP(化学机械抛光)装置、半导体刻蚀装置、半导体成膜装置。此时，对目的变量(Y)至少可选择半导体加工量或者成膜量、半导体晶元面内的加工均匀性或者成膜均匀性、或者能量转换效率。在说明变量(X)中包含机械部件的磨损量、电气部件的功率、电气部件的无效功率、电气部件的电压、电气部件的电流、电气部件的频率、电气部件的阻抗、半导体晶元的温度、处理室内环境的温度、处理室内环境的压力、处理室内环境的发光、装置的运行时间、或者部件的运行时间中的至少一个。

<实施方式的效果等>

如上所述，根据本实施方式，将多台(K+1)装置1作为对象，(1)在实施方式1中，可以实现能够进行高精度异常检测(判定)的模型(判定模型)、以及使用该模型的监视等，(2)进一步在实施方式2中，可以实现能够进行高精度原因诊断的模型(诊断模型)、以及通过使用该模型进行诊断、推定部件等使维护高效化等。特别是提供针对监视或诊断所需的数据的积蓄未有进展的例如新设的装置(T)，使用基于已经设置的类似装置(a、b等)的已经积蓄的数据的模型，进行高精度的异常检测或原因诊断的模型。

关于上述(1)，特别是根据数据积蓄已经取得进展的类似装置组生成的共用的总体判定模型面向对象装置生成用于根据传感器数据检测装置的异常征兆的模型，由此对于数据积蓄还未取得进展的例如新设的装置，也能够生成高精度的判定模型。

此外，也可以通过将根据传感器数据检测装置的异常征兆的模型作为每个共线性说明变量数据项目的个别的模型的组，来始终稳定地生成模型。

另外，通过作为上述个别的模型的组，可以使线性模型和非线性模型混合存在。更一般的情况，可以使多种模型混合存在。

关于上述(2)，特别是以装置的异常征兆检测为基点，进行基于诊断模型的因果分析，由此迅速地对异常检测数据项目进行排序，可以确定成为异常原因现象的候补的关联部件，可以使维护作业高效化。

另外，通过将各装置的特征项目值域该诊断模型关联起来进行管理，可以将装置专用的诊断模型打包，生成类似装置共用的总体诊断模型，通过针对该总体诊断模型，用关键字检索对象装置的特征项目值，来提取装置专用诊断模型。

以上基于实施方式对本发明者所做的发明进行了具体的说明，但是本发明并不限于所述实施方式，在不脱离其宗旨的范围内可以进行各种变更。

产业上的利用可能性

本发明可以用于装置异常监视系统、装置维护系统等。

Claims

1.一种装置异常监视方法，其使用计算机的信息处理，将类似的多个(K+1)装置作为处理对象，根据使用传感器对所述装置的状态进行测量获得的该各个装置的多个数据项目，进行监视以及判定所述多个(K+1)中的至少一个装置的状态的异常的处理，该装置异常监视方法的特征在于，

所述多个(K+1)装置中的一个第一装置成为监视以及判定的对象，其它多个(K)第二装置成为取得用于生成第一模型的数据的对象，所述第一模型用于所述第一装置的监视以及判定，

所述装置异常监视方法具有：

进行如下的处理的第一步骤，基于根据所述多个(K)第二装置中的各个第二装置的正常时的多个数据项目生成的、用于所述监视以及判定的个别装置专用的多个(K)预测模型，生成所述第一装置专用的第一模型；以及

进行如下的监视执行处理的第二步骤，以预定时间为单位，输入来自所述第一装置的多个数据项目，使用所述第一模型，监视以及判定所述第一装置的状态的异常，在检测到异常时，输出检测信息，

在所述第一步骤中，具有以下步骤：

将所述多个(K)第二装置中的各个第二装置的多个数据项目分类为回归分析中的目的变量和目的变量以外的说明变量；

生成作为所述多个(K)第二装置中的各个第二装置的个别的预测模型的多个(K)回归模型；

生成根据该第二装置中的各个第二装置的特征项目值或设置环境测量值，来预测所述多个(K)回归模型的系数以及截距的、类似装置共用总体预测模型；以及

向所述总体预测模型输入所述第一装置的特征项目值或设置环境测量值，生成作为所述第一模型的回归模型的系数以及截距，由此生成所述第一模型，

在所述第二步骤中，具有以下步骤：

向所述第一模型输入该第一装置的多个数据项目中的说明变量，计算目的变量的预测值；

计算所述目的变量的实测值和该预测值之间的偏离度；以及

通过将所述偏离度与阈值进行比较来检测所述第一装置的异常。

2.根据权利要求1所述的装置异常监视方法，其特征在于，

在所述第一步骤中，具有将所述说明变量分类为互相关强度大的共线性说明变量和其以外的独立性说明变量的步骤，

在生成所述多个(K)回归模型的步骤中，生成针对每个所述共线性说明变量，根据该一个共线性说明变量和其它独立性说明变量来预测所述目的变量的回归模型的组，

在生成所述总体预测模型的步骤中，生成针对所述回归模型的组预测每个所述共线性说明变量的回归模型的系数以及截距的总体预测模型，

在生成所述第一模型的步骤中，生成该装置的每个所述说明变量的多个个别的预测模型的回归模型的系数以及截距，

在所述第二步骤中，具有计算把针对每个所述共线性说明变量获得的一个以上的偏离度进行组合而成的组偏离度的步骤，

在计算所述目的变量的预测值的步骤中，对所述第一模型输入所述共线性说明变量和其它独立性说明变量，来计算所述目的变量的预测值的组，

在计算所述偏离度的步骤中，针对预测值的组计算偏离度的组，

在检测所述装置的异常的步骤中，通过将把所述偏离度的组中包含的一个以上的偏离度进行组合而成的组偏离度与阈值进行比较，检测所述第一装置的异常。

3.一种装置异常监视方法，其使用计算机的信息处理，将类似的多个(K+1)装置作为处理对象，根据使用传感器对所述装置的状态进行测量获得的该各个装置的多个数据项目，进行诊断所述多个中的至少一个装置的异常原因的处理，该装置异常监视方法的特征在于，

所述多个(K+1)装置中的一个第一装置成为原因诊断的对象，其它的多个(K)第二装置成为取得用于生成第二模型的数据的对象，所述第二模型用于所述第一装置的原因诊断，

具有：

第一步骤，根据所述多个(K)装置的异常原因诊断，生成并积蓄所述多个(K)装置的个别的诊断模型，根据该多个(K)个别的诊断模型，生成用于所述第一装置的原因诊断的第二模型；以及

第二步骤，以预定时间为单位，输入所述第一装置的多个数据项目，监视以及判定该第一装置的状态的异常，当检测到异常时，使用所述第二模型执行原因诊断处理，

在所述第一步骤中，具有如下步骤：

生成所述多个(K)第二装置的个别的诊断模型，对其赋予该各第二装置的特征项目值或者设置环境测量值后进行积蓄；

生成根据该各第二装置的特征项目值或设置环境测量值，对所述积蓄的多个(K)个别的诊断模型进行分类后的类似装置共用的总诊断模型；以及

向所述总诊断模型输入所述第一装置的特征项目值或设置环境测量值，生成该第一装置专用的第二模型，

在所述第二步骤中，具有如下步骤：

在检测到所述异常的情况下，对所述第二模型输入来自所述第一装置的数据项目，进行与构成该第二模型的各个模型的匹配；以及

根据所述匹配的模型，输出原因的信息。

4.根据权利要求3所述的装置异常监视方法，其特征在于，

将所述第二模型作为用有向图表现所述多个数据项目间的关系的图模型，

在所述第一步骤中进行如下处理：使用相关强度、偏相关强度、或者偏相关强度与信号强度的积来决定所述图模型的链接的有无或者强度；以及根据所述数据项目间的时间先行性信息决定链接的方向。

5.一种装置异常监视系统，其使用计算机的信息处理，将类似的多个(K+1)装置作为处理对象，根据使用传感器对所述装置的状态进行测量获得的该各个装置的多个数据项目，进行监视以及判定所述多个(K+1)中的至少一个装置的状态的异常的处理，该装置异常监视系统的特征在于，

所述装置异常监视系统具有：

第一单元，其进行如下处理：基于根据所述多个(K)第二装置中的各个第二装置的正常时的多个数据项目生成的、用于所述监视以及判定的个别装置专用的多个(K)预测模型，生成所述第一装置专用的第一模型；以及

第二单元，其进行如下的监视执行处理：以预定时间为单位，输入来自所述第一装置的多个数据项目，使用所述第一模型，监视以及判定所述第一装置的状态的异常，当检测到异常时，输出检测信息，

在所述第一单元中，进行如下处理：

在所述第二单元中，进行如下处理：

计算所述目的变量的实测值和该预测值之间的偏离度；以及

通过将所述偏离度和阈值进行比较来检测所述第一装置的异常。

6.根据权利要求5所述的装置异常监视系统，其特征在于，

在所述第一单元中，进行将所述说明变量分类为互相关强度大的共线性说明变量和其以外的独立性说明变量的处理，

在生成所述多个(K)回归模型的处理中，生成针对每个所述共线性说明变量，根据该一个共线性说明变量和其它独立性说明变量来预测所述目的变量的回归模型的组，

在生成所述总体预测模型的处理中，生成针对所述回归模型的组，预测每个所述共线性说明变量的回归模型的系数以及截距的总体预测模型，

在生成所述第一模型的处理中，生成该装置的每个所述说明变量的多个个别的预测模型的回归模型的系数以及截距，

在所述第二的单元中，具有计算把针对每个所述共线性说明变量获得的一个以上的偏离度进行组合而成的组偏离度的处理，

在计算所述目的变量的预测值的处理中，对所述第一模型输入所述共线性说明变量和其它独立性说明变量，计算所述目的变量的预测值的组，

在计算所述偏离度的处理中，对预测值的组计算偏离度的组，

在检测所述装置的异常的处理中，通过将把所述偏离度的组中包含的一个以上的偏离度进行组合而成的组偏离度与阈值进行比较，检测所述第一装置的异常。

7.一种装置异常监视系统，其使用计算机的信息处理，将类似的多个(K+1)装置作为处理对象，根据使用传感器对所述装置的状态进行测量获得的该各个装置的多个数据项目，进行诊断所述多个中的至少一个装置的异常原因的处理，该装置异常监视系统的特征在于，

所述多个(K+1)装置中的一个第一装置成为原因诊断的对象，其它多个(K)第二装置成为取得用于生成第二模型的数据的对象，所述第二模型用于所述第一装置的原因诊断，

所述装置异常监视系统具有：

第一单元，其根据所述多个(K)装置的异常原因诊断，生成并积蓄所述多个(K)装置的个别的诊断模型，根据该多个(K)个别的诊断模型，生成用于所述第一装置的原因诊断的第二模型；以及

第二单元，其以预定时间为单位，输入所述第一装置的多个数据项目，监视以及判定该第一装置的状态的异常，当检测到异常时，使用所述第二模型执行原因诊断处理，

在所述第一单元中进行如下处理：

生成所述多个(K)第二装置的个别的诊断模型，对其赋予该各第二装置的特征项目值或设置环境测量值后进行积蓄；

生成根据该各第二装置的特征项目值或设置环境测量值，将所述积蓄的多个(K)个别的诊断模型进行分类后的类似装置共用的总诊断模型；以及

在所述第二步骤中，进行如下处理：

根据所述匹配的模型，输出原因的信息。

8.根据权利要求7所述的装置异常监视系统，其特征在于，

在所述第一单元中，进行如下处理：用相关强度、偏相关强度、或者偏相关强度和信号强度的积来决定所述图模型的链接的有无或者强度；以及根据所述数据项目间的时间先行性信息决定链接的方向。