CN115552066A - 不良原因推定装置和方法 - Google Patents

Abstract

在推定对象装置的不良原因的不良原因推定装置以及该不良原因推定装置执行的不良原因推定方法中，对象装置具有分别检测对象装置的状态的多个传感器，存储保持预先学习的1个或多个模型，使用从传感器输出的传感器数据中的导致对象装置的状态变化的特定的数据范围的传感器数据，基于模型来推定对象装置的不良原因。

Description

不良原因推定装置和方法

技术领域

本发明涉及不良原因推定装置及方法，例如适用于推定洗涤干燥机的干燥不良原因的干燥不良原因推定装置。

背景技术

以往，在洗涤干燥机发生了干燥不良的情况下，需要确定若干被考虑的不良原因中的哪个不良原因成为干燥不良原因。另外，作为干燥不良原因，具有安装在取入外部空气的进气口的过滤器的堵塞、安装在排气口的管道的堵塞、鼓风机不良、加热器不良等。但是，确定这样的不良原因是繁杂的，存在花费时间的问题。

另外，作为与洗衣机的不良判定相关的技术，在专利文献1中公开了在以无传感器控制来驱动电动机的控制部通过强迫换流来起动电动机时，基于对电动机通电的电流以及电动机的常数来运算电动机的转速或感应电压从而作为判定参数，根据判定参数是否处于振动状态来进行旋转不良判定。

另外，在专利文献2中，例如，作为判定电动机驱动装置的电压转换部的故障原因的技术，公开了如下技术：在该电压转换部的动作停止后，在与该电压转换部的输出侧连接的电容器的放电完成之后，基于该电压转换部的输入侧及输出侧的各电压值来判定故障部位。

现有技术文献

专利文献

专利文献1：日本特开2019-017179号公报

专利文献2：日本特开2005-245067号公报

发明内容

发明要解决的课题

但是，该专利文献1以及专利文献2所公开的技术是专门针对电动机或电压转换部这样的特定部件的故障的判定技术，无法适用于例如存在过滤器、导管、鼓风机以及加热器等多个不良原因的干燥不良原因推定。

本发明是考虑以上的问题点而作出的，其目的在于提出一种能够高效地推定不良原因的不良原因推定装置及方法。

用于解决课题的手段

为了解决上述课题，在本发明中，在推定对象装置的不良原因的不良原因推定装置中，所述对象装置具有分别检测所述对象装置的状态的多个传感器，所述不良原因推定装置设置有：存储部，其存储保持预先学习的1个或多个模型；以及原因推定部，其使用从所述传感器输出的传感器数据中的导致所述对象装置的状态变化的特定的数据范围的所述传感器数据，基于所述模型来推定所述对象装置的所述不良原因。

另外，在本发明中，在由推定对象装置的不良原因的不良原因推定装置执行的不良原因推定方法中，所述对象装置具有分别检测所述对象装置的状态的多个传感器，在所述不良原因推定方法中设置以下步骤：第一步骤，存储保持预先学习的1个或多个模型；以及第二步骤，使用从所述传感器输出的传感器数据中的导致所述对象装置的状态变化的特定的数据范围的所述传感器数据，基于所述模型来推定所述对象装置的所述不良原因。

根据本不良原因推定装置及方法，能够基于对象装置的状态变化来确定该对象装置的哪个部位存在不良原因。

发明效果

根据本发明，能够实现可高效地推定不良原因的不良原因推定装置及方法。

附图说明

图1是表示第一实施方式的干燥不良原因推定系统的概略结构的框图。

图2是表示第一实施方式的洗涤干燥机及分析服务器的逻辑结构的框图。

图3是表示原因模型的学习系统的结构的框图。

图4是表示原因模型的学习流程的流程图。

图5是表示使用原因模型的原因推定的流程的流程图。

图6是用于说明使用CNN作为原因模型的实验结果的图表。

图7是用于说明使用CNN作为原因模型的实验结果的图表。

图8是用于说明使用CNN作为原因模型的实验结果的图表。

图9是用于说明第二实施方式的概念图。

图10是表示在第二实施方式中利用的聚类的图表。

图11是表示第二实施方式的洗涤干燥机及分析服务器的逻辑结构的框图。

图12是表示判别规则的生成系统的结构的框图。

图13是表示判别规则生成流程的流程图。

图14是表示使用了判别规则的判定处理的流程的流程图。

图15是用于说明另一实施方式的框图。

具体实施方式

以下，关于附图详细说明本发明的一个实施方式。

(1)第一实施方式

(1-1)本实施方式的干燥不良原因推定系统的结构

在图1中，1作为整体表示本实施方式的干燥不良原因推定系统。该干燥不良原因推定系统1具有在洗涤干燥机2发生了干燥不良时推定其不良原因的功能，构成为经由互联网等网络4将分别设置在各家庭的洗涤干燥机2和这些洗涤干燥机2的制造商所设置的分析服务器3相连接。

洗涤干燥机2是根据用户操作进行衣物等对象物的洗涤以及干燥的家电设备，构成为具备控制器10、时钟11、驱动/动力部12以及各种传感器13。

控制器10是负责洗涤干燥机2整体的动作控制的处理器。另外，时钟11由数字时钟等构成，具备作为对当前时刻进行计时的时间计数器的功能以及作为对开始某个动作后的经过时刻进行计数的计时器的功能。

驱动/动力部12由对洗涤干燥机2内的滚筒进行旋转驱动的电动机、在干燥动作时向对象物吹风的鼓风机以及对从鼓风机输出的风进行加热的加热器等配设在洗涤干燥机2内部的驱动部件和动力部件构成。

传感器13是将洗涤干燥机2的状态转换为数值并作为运转数据输出的测量元件，例如由用于检测洗涤槽内的水位的水位传感器、用于检测洗涤槽内的水温的水温传感器、测量从鼓风机输出的暖风的温度的温度传感器、测量洗涤干燥机2产生的振动的振动传感器等构成。

另一方面，分析服务器3是具有以下功能的服务器装置：从各洗涤干燥机2分别收集经由网络4而连接的各洗涤干燥机2的各传感器分别输出的运转数据，基于收集到的运转数据，在该洗涤干燥机2发生了干燥不良时推定其不良原因。该分析服务器3由具备CPU(Central Processing Unit中央处理单元)20、存储器21、存储装置22、通信装置23以及显示装置24的通用服务器装置构成。

CPU20是负责分析服务器3整体的动作控制的处理器。另外，存储器21例如由易失性的半导体存储器构成，用作CPU20的工作存储器。在存储器21中存储有在分析服务器3起动时或必要时从存储装置22读出的后述原因推定程序25、推定结果输出程序26等。

存储装置22例如由硬盘装置或SSD(Solid State Drive：固态驱动器)等大容量的非易失性的存储装置构成，存储各种程序和需要长期保存的各种数据。作为后述的干燥不良的原因而被考虑的每个不良原因的原因模型27也被存储保持在该存储装置22中。

通信装置23由NIC(Network Interface Card：网络接口卡)等构成，进行经由网络4与各洗涤干燥机2通信时的协议控制。另外，显示装置24例如由液晶显示器、有机EL(Electro Luminescence：电致发光)显示器等构成，用于显示必要的信息。

图2表示该干燥不良原因推定系统1的逻辑结构。如该图2所示，洗涤干燥机2构成为除了具备时钟11、驱动/动力部12以及各种传感器13以外，还具备控制部30以及数据取得部31。

控制部30是通过洗涤干燥机2的控制器10(图1)而具体化的功能部。控制部30根据用户操作或程序，在必要的定时将必要的指令值COM1提供给对应的驱动/动力部12，从而控制洗涤干燥机2整体的动作。

具体而言，控制部30例如在洗涤动作时，将指定了滚筒的转速、旋转方向等的指令值适当地提供给电动机来控制洗涤干燥机2的洗涤动作。另外，控制部30在干燥动作时，将指定了向对象物吹送的暖风的风速和温度等的指令值适当地提供给鼓风机和加热器来控制洗涤干燥机2的干燥动作。

数据取得部31也是由洗涤干燥机2的控制器10具体化的功能部。数据取得部31是具有以下功能的功能部：取得控制部30向驱动/动力部12输出的指令值COM1和从各传感器13分别输出的运转数据DT1。

此时，数据取得部31选择性地取得从各传感器13分别输出的运转数据DT1中的导致洗涤干燥机2的状态变化的特定的数据范围的运转数据DT1。具体而言，数据取得部31仅选择性地取得控制部30对驱动/动力部12输出指令值COM1前后的一定期间和/或预先设定的特定的时间段的运转数据DT1。并且，数据取得部31将取得的这些指令值COM1和运转数据DT1分别结合起来并经由网络4(图1)发送到分析服务器3。

另一方面，分析服务器3构成为具备包含有多个判定部32的原因推定部33和推定结果输出部34。原因推定部33以及判定部32是通过由分析服务器3的CPU20(图1)执行存储在存储器21(图1)中的原因推定程序25(图1)和作为其一部分的判定程序25A(图1)而分别具体化的功能部。

分别与过滤器的堵塞、管道的堵塞、鼓风机的不良、加热器的不良等作为干燥不良的原因而被考虑的各不良原因对应地设置判定部32。各判定部32分别基于从洗涤干燥机2发送来的各种运转数据DT1中的对应的运转数据DT1以及预先提供的与对应的不良原因对应的原因模型27，来判定该洗涤干燥机2的干燥不良是否由对应的不良原因而导致的，并将判定结果输出到推定结果输出部34。

推定结果输出部34是通过由分析服务器3的CPU20执行存储在存储器21中的推定结果输出程序26(图1)而具体化的功能部。推定结果输出部34基于从各判定部32分别赋予的每个不良原因的判定结果，使显示装置24(图1)等显示由对应的判定部32判定为干燥不良原因的全部的不良原因，来作为干燥不良原因的推定结果。

(1-2)原因模型的学习流程以及使用了原因模型的异常判定的流程

图3表示原因模型27为CNN(Convolutional Neural Networks：卷积神经网络)时的原因模型27的学习流程。这里的“原因模型”是指基于从洗涤干燥机2取得的指令值COM1以及运转数据DT1，计算该洗涤干燥机2的干燥不良的不良原因是对应的原因的概率，并输出计算结果的数学模型。

图3所示的洗涤干燥机40是用于原因模型27的学习的洗涤干燥机，具备时钟41、驱动/动力部42、多个传感器43、控制部44以及数据取得部45。这些时钟41、驱动/动力部42、各传感器43、控制部44以及数据取得部45具有与在图2中所述的洗涤干燥机2的对应部位(时钟11、驱动/动力部12、传感器13、控制部30或者数据取得部31)相同的功能以及结构，因此在此省略说明。

该洗涤干燥机40的数据取得部45与图2的数据取得部31同样地取得控制部44对驱动/动力部42输出的指令值COM2以及控制部44输出该指令值COM2前后的一定期间或预先设定的时间段的运转数据DT2，并将取得的这些指令值COM2和运转数据DT2结合起来经由网络4(图1)输出到学习装置50。

学习装置50是具备未图示的CPU、存储器以及存储装置等信息处理资源的计算机装置。另外，也可以由分析服务器3(图1)兼做学习装置50。在学习装置50中设置有分别与过滤器的堵塞、管道的堵塞、鼓风机或加热器的故障等干燥不良的各种原因对应的判定部51及原因模型27。

而且，对各判定部51分别赋予从洗涤干燥机40的数据取得部45提供的各指令值COM2以及运转数据DT2中的、由对应的不良原因引起的干燥不良的学习所需的学习用的指令值COM2以及运转数据DT2。例如，对于与加热器的不良对应的判定部51赋予针对加热器的指令值COM2以及对该加热器加热后的空气的温度进行测量的温度传感器所提供的运转数据DT2等。然后，各判定部51将所提供的指令值COM2以及运转数据DT2输入到对应的原因模型27。

在各原因模型27中，如图4所示，经由输入层取入所输入的指令值COM2以及运转数据DT2(S1)，基于取入的指令值COM2以及运转数据DT2，在原因模型27的隐藏层(卷积层以及池化层)中计算干燥不良的原因是对应的不良原因的概率(S2)，将计算出的概率作为判定结果从输出层输出(S3)。然后，判定部51基于从原因模型27输出的概率，判定干燥不良是否是由对应的不良原因引起的，并输出判定结果(S4)。

此时，基于对学习装置50的用户操作等，对各判定部51赋予干燥不良的原因是否是对应的不良原因的回答。这样，判定部51基于该回答，根据需要来更新原因模型27的隐藏层的过滤器的权重(S5)。

然后，在学习装置50中，每当从学习用的洗涤干燥机40提供指令值COM2以及运转数据DT2时，反复进行上述步骤S1～步骤S5的处理。由此，进行分别与各不良原因对应的各原因模型27的学习。

另一方面，图5表示使用如上述那样学习后的各原因模型27在分析服务器3的原因推定部33中执行的判定处理的流程。向分析服务器3的各判定部32(图2)分别赋予从洗涤干燥机2(图2)的数据取得部31(图2)经由网络4提供的各指令值COM1以及运转数据DT1中的与对应的原因相对应的指令值COM1以及运转数据DT1。然后，各判定部32将所提供的指令值COM1以及运转数据DT1分别输入到对应的原因模型27的输入层(S10)。

在各原因模型27中，经由输入层取入所输入的指令值COM1以及运转数据DT1(S11)，基于取入的指令值COM1以及运转数据DT1，在隐藏层中计算干燥不良的原因是对应的不良原因的概率(S12)，并从输出层输出计算结果(S13)。然后，判定部32基于从原因模型27输出的概率，判定干燥不良是否是由对应的不良原因引起的，并将判定结果输出到推定结果输出部34(图2)(S14)。

(1-3)使用CNN的原因推定的实验结果

在此，图6～图8表示作为原因模型27使用CNN来进行的洗涤干燥机2的干燥不良的原因推定的实验结果。在该实验中，作为指令值COM1、COM2，使用针对鼓风机、加热器以及挡板的指令值，作为运转数据DT1、DT2使用了水位传感器以及2个温度传感器的传感器数据。另外，作为原因模型27，使用了3层的参数数量为38000个的CNN。

图6是为了使管道成为干燥不良原因而使管道的一部分堵塞的实验的实验结果。在图6中，状态栏70B的各数值分别表示该管道被堵塞的部分的截面积相对于管道的截面积的比例。例如，“0”表示管道未堵塞的状态，“0.5”表示管道的截面积的一半的部分被堵塞的状态。

另外，学习个数栏70C的数值表示在原因模型27的学习中使用的对应的状态时的指令值COM2以及运转数据DT2的数据集的个数(学习数据集个数)，验证个数栏70D的数值表示在原因的判定处理中使用的对应的状态时的指令值COM1以及运转数据DT1的数据集的个数(验证数据集个数)。另外，正解数栏70E的数值表示该验证数据集个数中的原因正确的验证数据集的个数，精度栏70F的百分比表示该验证的正解率(精度)。

另外，图7是为了使进气口的过滤器成为干燥不良的原因而将过滤器的一部分或全部覆盖的实验的实验结果。在图7中，状态栏71B的各数值分别表示该过滤器的过滤面的被覆盖部分的面积相对于整个过滤面的比例。例如，“0”表示完全没有覆盖过滤面的状态，“0.5”表示过滤面的一半的部分被覆盖的状态。另外，“1”表示覆盖了整个过滤面的状态。学习个数栏71C、验证个数栏71D、正解数栏71E以及精度栏71F的各数值、百分比的值与图6相同。

并且，图8是为了使鼓风机的故障成为干燥不良的原因而抑制鼓风机的排气量的实验的实验结果。在图8中，状态栏72B的各数值分别表示实验时的排气量相对于鼓风机正常时的排气量的比例。例如，“0”表示未抑制鼓风机的排气量的状态，“0.5”表示将鼓风机的排气量抑制为正常时的一半的状态。学习个数栏72C、验证个数栏72D、正解数栏72E以及精度栏72F的各数值、百分比的值与图6相同。

在以上的实验中，以管道、过滤器以及鼓风机为原因的原因推定的精度在以管道为原因的情况下为83％，在以过滤器为原因的情况下为96％，在以鼓风机为原因的情况下为83％。另外，原因推定所需要的时间在以管道、过滤器以及鼓风机中的任一个为原因的情况下，每1台洗涤干燥机的所需时间为1ms以下。根据该实验能够确认通过使用CNN作为原因模型27，能够得到实用上足够的推定精度和所需时间。

(1-4)本实施方式的效果

如上所述，在本实施方式的干燥不良原因推定系统1中，基于从洗涤干燥机2的各传感器13输出的运转数据DT1中的控制部30对驱动/动力部12输出指令值COM1的前后的一定期间或预先设定的特定时间段的运转数据DT1以及每个原因的原因模型27来确定洗涤干燥机2的不良原因。

因此，在该干燥不良原因推定系统1中，在控制部30对哪个驱动/动力部12输出了指令值COM1的情况下，能够确定是否运转数据DT1表示异常的值，与此相伴能够确定干燥不良的不良原因。因此，根据该干燥不良原因推定系统1，能够高效地推定存在多个可能成为干燥不良原因的部位的不良原因。

(2)第二实施方式

(2-1)考虑了运用性的不良原因的判别方法

在洗涤干燥机中，若干燥运转时内部的空气流受到阻碍，则发生由加热器加热后的空气的滞留，流路内的温度分布偏离正常状态。因此，认为多个温度传感器的测定值的比较会成为推定不良原因时的线索。

但是，干燥运转是干燥逐渐进展的非稳定的过程，需要进行一边始终推定干燥状态一边经过多个工序而完成的顺序控制和反馈控制相组合的复杂控制，所需时间也会根据对象物的量/质、外部气温、水温等而大幅变动。另外，由于成为干燥不良原因的过滤器的堵塞等，也存在运转时间延长的倾向。

因此，即使在特定的瞬间的状态下想要判别干燥不良的原因，不仅难以确定应该比较的时刻，除了故障状态以外，还存在很多对温度测量值产生影响的原因，因此难以判定不良原因。例如，为了根据运转动作时的运转数据来推定流路的阻塞等状态，认为需要使用温度的动态举动的特征。

因此，在本实施方式中，将运转数据的时间序列数据波形根据其特征按每个干燥不良原因进行分类(聚类)，对聚类结果进行机器学习，生成用于判别干燥不良原因的模型(以下，将其称为判别规则)，利用所生成的判别规则来推定干燥不良的原因。

在此，关于使用了时间序列数据的故障判别，迄今为止进行了很多研究，特别是关于使用了对时间序列间的差异、类似性进行量化的相似性度量(dissimilarity measure：不相似性度量)的聚类进行了很多研究。

作为代表性的例子，除了DTW(Dynamic Time Wrapping：动态时间规整)在各种应用中得到良好的结果以外，还提出了各种相似性度量。众所周知的时间序列相似性度量大致分为基于值或变化(阶差序列)的欧几里得距离或相关的度量、基于周期成分的分布的相似性的度量、基于ARIMA(Autoregressive Integrated Moving Average：自回归积分移动平均)等线性时间序列模型的类似性的度量、基于2个时间序列的相互信息量的度量等。

在干燥不良原因推定中，认为利用这些实绩使用相似性度量来生成判别规则是有效的。另一方面，相似性度量具有根据处理的对象，有效发挥功能的相似性度量不同的倾向，对于具有各种产品、机种、故障种类的家电产品，预想如果按照每个产品/机种、故障种类进行评价来选择有效的度量，则需要大量的时间和人力，系统运用困难。根据这样的考察，通过以下的(A)和(B)的框架来导出判别规则。

(A)使用各种相似性度量进行聚类。

(B)将聚类结果(分类形式)作为说明变量，通过机器学习导出判别规则。

图9的上段表示按照该框架的判别规则导出的流程。通过时间序列聚类分别对学习用样本的各运转数据进行分类、标注，对各运转数据分配标签值的矢量(S20)。将该矢量作为说明变量，将有无故障作为目的变量，通过机器学习导出判别规则RL(S21)。针对每个干燥不良原因分别进行以上的处理，生成每个原因的判别规则RL。

在本实施方式中，作为用于时间序列聚类的相似性度量，以在文献等中在传感器时间序列的判别中具有实绩的度量为中心，分别使用图10所示的代表性的16种相似性度量。另外，聚类通过层次聚类例如分类为12组。其结果是，通过3种时间序列数据、16种聚类方法，作为说明变量为48维的矢量。聚类也可以使用多个分割数例如分类为4组和12组。在该情况下，通过3种时间序列数据、16种聚类方法、2种分割数，作为说明变量为96维的矢量。作为导出判别规则RL的机器学习方法，使用随机森林或xgboost。

另外，图9的下段表示使用了如上那样生成的判别规则RL的干燥不良原因判定的流程。从分别设置在各家庭的洗涤干燥机取得运转数据的时间序列数据，并进行将该时间序列数据分类为分别与上述16种相似性度量中的每种相似性度量对应的分类形式的聚类(S22)。然后，通过将16种相似性度量中的每种相似性度量的分类结果与判别规则RL进行对照，来判别对应的原因是否是干燥不良的原因(S23)。针对每个干燥不良的原因进行这样的判别处理，基于每个原因的判别结果来推定干燥不良的原因。

(2-2)本实施方式的干燥不良原因推定系统的结构

图11表示第二实施方式的干燥不良原因推定系统80的逻辑结构，在图11中对于与图2的对应部分标注相同的附图标记。另外，本实施方式的干燥不良原因推定系统80的硬件结构与第一实施方式的干燥不良原因推定系统1相同，在此省略说明。

该干燥不良原因推定系统80与第一实施方式的干燥不良原因推定系统1的不同点在于，洗涤干燥机81的数据取得部82以及分析服务器83的原因推定部84的结构与第一实施方式的数据取得部31(图2)以及原因推定部33(图2)不同。

实际上，洗涤干燥机81的数据取得部82使取得的各传感器13的运转数据DT1成为按每个传感器13分别结合后的每个传感器的时间序列数据(以下，将其称为运转数据时间序列数据)DT3来发送到分析服务器83。

分析服务器83构成为具备包含有多个判定部85的原因推定部84和推定结果输出部86。分别与过滤器的堵塞、管道的堵塞、鼓风机的不良、加热器的不良等干燥不良的各原因对应地设置判定部85。另外，在分析服务器83的存储装置22(图1)中预先存储在图9中所述的每个原因的判别规则RL。

而且，各判定部85分别针对从洗涤干燥机81发送来的各种运转数据时间序列数据DT3中的对应的运转数据时间序列数据DT3，例如分别进行在图10中所述的16种相似性度量的聚类。另外，判定部85将这些聚类的聚类结果与相同原因的判别规则RL进行比较，根据比较结果来判定该洗涤干燥机81的干燥不良是否是由对应的原因引起的，并将判定结果输出到推定结果输出部86。

推定结果输出部86基于从各判定部85分别提供的每个原因的判定结果来推定对应的洗涤干燥机81的干燥不良的原因，例如使显示装置24(图1)显示推定结果。

(2-3)判别规则的学习流程以及使用了判别规则的异常判定的流程

图12表示对该每个原因的判别规则RL进行学习的学习装置100的结构，图13表示该学习装置100的学习流程。

图12所示的洗涤干燥机90是为了生成每个原因的判别规则RL而使用的洗涤干燥机，具备时钟91、驱动/动力部92、多个传感器93、控制部94以及数据取得部95。这些时钟91、驱动/动力部92、各传感器93、控制部94及数据取得部95具有与图11中所述的洗涤干燥机81的对应部位(时钟11、驱动/动力部12、传感器13、控制部30或数据取得部82)相同的功能及结构，因此在此省略说明。

该洗涤干燥机90的数据取得部95与图11的数据取得部82同样地，取得控制部94对驱动/动力部92输出指令值COM10前后的一定期间或预先设定的时间段的运转数据DT10，生成将取得的这些运转数据DT10结合起来的运转数据时间序列数据DT11，并将生成的运转数据时间序列数据DT11输出到学习装置100。

学习装置100是具备未图示的CPU、存储器以及存储装置等信息处理资源的计算机装置。另外，也可以由分析服务器83(图11)兼做学习装置100。在学习装置100的原因推定部101中设置分别与过滤器的堵塞、管道的堵塞、鼓风机或加热器的故障等干燥不良的各原因对应的判定部102及判别规则RL。

然后，对各判定部102分别赋予从洗涤干燥机90的数据取得部95提供的各运转数据时间序列数据DT11中的由对应的原因引起的干燥不良的学习所需的学习用的运转数据时间序列数据DT11(图13的S30)。例如，对与加热器的不良对应的判定部102赋予根据来自对加热器加热的空气的温度进行测量的温度传感器的运转数据DT10而生成的运转数据时间序列数据DT11等。

然后，各判定部102对于被赋予的运转数据时间序列数据DT11分别进行在图10中所述的16种相似性度量的聚类。此时，基于对学习装置100的用户操作等，向各判定部102赋予干燥不良的原因是否是对应的原因的回答。这样，各判定部102基于该回答以及上述16种相似性度量的聚类的聚类结果，分别生成图9所示那样的分类形式与故障率的关系信息104，并将生成的关系信息104输出到对应的机器学习部103(图13的S31)。

机器学习部103基于从对应的判定部102提供的关系信息104，学习上述16种相似性度量的聚类的聚类结果与对应的原因之间的相关关系(图13的S32)，并基于学习结果根据需要来更新判别规则RL(图13的步骤S33)。

并且，在学习装置100中，每当从学习用的洗涤干燥机90提供运转数据时间序列数据DT11时，反复进行上述的步骤S30～步骤S33的处理。由此，进行分别与各原因对应的各判别规则RL的学习。

另一方面，图14表示使用如上那样进行了学习的各判别规则RL在分析服务器83(图11)中执行的判定处理的流程。对分析服务器83的各判定部85(图11)分别赋予从洗涤干燥机81(图11)的数据取得部82(图11)经由网络4(图1)提供的各运转数据时间序列数据DT3中的与对应的原因相对应的运转数据时间序列数据DT3(图11)(S40)。

然后，各判定部85对于被赋予的运转数据时间序列数据DT3分别进行16种相似性度量的聚类(S41)，基于这些16种相似性度量的聚类的聚类结果来判定干燥不良是否是由对应的原因引起的，并将判定结果输出到推定结果输出部86(图11)(S42)。

(2-4)本实施方式的效果

如上所述，在本实施方式的干燥不良原因推定系统80中，基于从洗涤干燥机2的各传感器13输出的运转数据DT1中的控制部30对驱动/动力部12输出指令值COM1前后的一定期间或预先设定的特定的时间段的运转数据DT1的时间序列数据，来确定洗涤干燥机2的不良原因。

因此，根据本实施方式的干燥不良原因推定系统80，与第一实施方式的干燥不良原因推定系统1同样地，在控制部30对哪个驱动/动力部12输出了指令值COM1时，能够确定运转数据DT1是否表示异常的值，与此相伴能够确定干燥不良的不良原因。因此，根据本干燥不良原因推定系统80，能够高效地推定存在多个可能成为干燥不良原因的部位的不良原因。

(3)其他实施方式

另外，在上述第一实施方式中，如在图2中所述那样对于分别设置每个原因的原因模型27以及判定部32的情况进行了叙述，但本发明不限于此，也可以如图15所示，通过混合存在全部的原因来进行学习的1个混合原因模型112以及判定部113来构成分析服务器110的原因推定部111。这样，也能够得到与第一实施方式相同的效果。与此同样地，关于第二实施方式，也可以通过混合存在全部的判别规则RL的1个判别规则以及判别部来构成分析服务器的原因推定部。

另外，在上述第一以及第二实施方式中，对于将原因推定部33、84、推定结果输出部34、86这样的用于推定洗涤干燥机2、81的干燥不良原因的功能部配置在与洗涤干燥机2、81不同的分析服务器3、83中的情况进行了叙述，但本发明不限于此，也可以将这些功能部设置在洗涤干燥机2、81。

在该情况下，例如可以经由搭载有Bluetooth(注册商标)等短距离通信功能的智能手机、平板电脑等从洗涤干燥机取得原因推定部的推定结果，将取得的推定结果经由网络4传送到制造商的中心等。

并且，在上述第一以及第二实施方式中，对于将本发明应用于推定洗涤干燥机2、81的干燥不良原因的干燥不良原因推定系统1、80的情况进行了叙述，但本发明不限于此，能够广泛应用于推定干燥不良以外的不良原因的各种不良原因推定装置。另外，也能够适用于推定洗涤干燥机2、81以外的电力设备的不良原因的不良原因推定装置。

此外，在上述第二实施方式中，对于作为用于时间序列聚类的相似性度量而应用图10所示的16种度量的情况进行了叙述，但本发明不限于此，也可以对其一部分或全部使用这些16种相似性度量以外的相似性度量，另外，作为相似性度量的个数，也可以是16种以外。

产业上的应用

本发明能够广泛应用于推定洗涤干燥机等电力设备的不良原因的各种不良原因推定装置。

附图标记的说明

1，80，90：干燥不良原因推定系统；

2，81：洗涤干燥机

3，83，111：分析服务器；

12，42，92：驱动/动力部；

13，43，93：传感器；

20：CPU；

27，112：原因模型；

30，44，94：控制部；

31，45，82，95：数据取得部；

32，51，85，102，113：判定部；

33，84，111：原因推定部；

34，86：推定结果输出部；

103：机器学习部；

COM1，COM2：指令值；

DT1，DT2，DT10：运转数据；

DT3，DT11：运转数据时间序列数据；

RL：判别规则。

Claims (8)

1.一种不良原因推定装置，其推定对象装置的不良原因，其特征在于，

所述对象装置具有分别检测所述对象装置的状态的多个传感器，

所述不良原因推定装置具备：

存储部，其存储保持预先学习的1个或多个模型；以及

原因推定部，其使用从所述传感器输出的传感器数据中的导致所述对象装置的状态变化的特定的数据范围的所述传感器数据，基于所述模型来推定所述对象装置的所述不良原因。

2.根据权利要求1所述的不良原因推定装置，其特征在于，

所述对象装置具有控制部，该控制部通过在必要的定时向对应的控制对象赋予必要的指令值来控制该控制对象的动作，

导致所述对象装置的状态变化的所述特定的数据范围是所述控制部向所述控制对象赋予所述指令值前后的预定期间和/或预先设定的特定的时间段的范围。

3.根据权利要求1所述的不良原因推定装置，其特征在于，

所述模型是CNN，其中，CNN为卷积神经网络。

4.根据权利要求1所述的不良原因推定装置，其特征在于，

所述模型是用于利用了多个相似性度量的时间序列聚类的判别规则。

5.一种不良原因推定装置执行的不良原因推定方法，所述不良原因推定装置推定对象装置的不良原因，其特征在于，

所述对象装置具有分别检测所述对象装置的状态的多个传感器，

所述不良原因推定方法具备：

第一步骤，存储保持预先学习的1个或多个模型；以及

第二步骤，使用从所述传感器输出的传感器数据中的导致所述对象装置的状态变化的特定的数据范围的所述传感器数据，基于所述模型来推定所述对象装置的所述不良原因。

6.根据权利要求5所述的不良原因推定方法，其特征在于，

所述对象装置具有控制部，该控制部通过在必要的定时向对应的控制对象赋予必要的指令值来控制该控制对象的动作，

导致所述对象装置的状态变化的所述特定的数据范围是所述控制部向所述控制对象赋予所述指令值前后的预定期间和/或预先设定的特定的时间段的范围。

7.根据权利要求5所述的不良原因推定方法，其特征在于，

所述模型是CNN，其中，CNN为卷积神经网络。

8.根据权利要求5所述的不良原因推定方法，其特征在于，

所述模型是用于利用了多个相似性度量的时间序列聚类的判别规则。

Images