JP2015148867A - 情報処理装置、診断方法、およびプログラム - Google Patents

Abstract

【課題】設備の診断をより的確に行うことができる。
【解決手段】現象パターン抽出部１０４は、設備の過去のセンサ信号の現象パターンを抽出する。関連情報紐付部１０５は、センサ信号を保守履歴情報に基づいて紐付する。現象パターン分類基準作成部１０７は、抽出された現象パターンと、現象パターンのもととなるセンサ信号を紐付けた保守履歴情報に含まれる作業キーワードとに基づいて、現象パターンを分類するための分類基準を作成する。現象パターン分類部１０８は、分類基準に基づいて、現象パターンを分類する。診断モデル作成部１０９は、分類された現象パターンと、作業キーワードとに基づいて、保守作業者に提示する作業キーワードを推定するための診断モデルを作成する。
【選択図】図２

Description

本発明は、情報処理装置、診断方法、およびプログラムに関するものである。

プラントや設備などでは、そこから出力される多次元時系列データをもとに異常を早期に検知し、その原因を診断することが重要である。このため、対象設備やプラントに複数のセンサを取り付け、センサ毎の監視基準に従って正常か異常かを判断することが行われている。

例えば、特許文献１には、観測データと過去の学習データとの類似度を独自の方法で計算し、類似度に応じて重み付けされたデータの線形結合により推定値を算出して、推定値と観測データのはずれ度合をもとに異常を検出する方法が開示されている。また、特許文献２には、機器の長期的な保守情報を容易に把握する保守カルテ表示装置が開示されている。

米国特許第６,９５２,６６２号明細書 特開２００９−１１００６６号公報

特許文献１に開示されている事例ベースの異常検知に基づく手法では、学習データを対象に、観測データと類似度の高いデータの線形結合により推定値を算出し、推定値と観測データのはずれ度合いを出力するため、学習データの準備次第で、設備の稼動環境や、稼動年数による状態変化、運転条件、部品交換の影響などを考慮できる。しかし、観測データになぜ異常が含まれるのかは、別途説明が必要である。

また、特許文献２に記載されている方法では、故障履歴や作業履歴をデータベースに蓄え、検索を可能とし、これを通して、保守に関する有益な知見を獲得するシステムを構築している。ここでは、故障履歴や作業履歴に関する情報が、検索を通して、互いに紐付け（関連付け）でき、情報が見える形で提供されている。しかし、異常検知と保守履歴情報の紐付け（関連付け）は不明瞭であり、システムに格納されている保守情報が有効に活用できるとは言いがたい。

そこで本発明は、設備の診断をより的確に行うことができる技術を提供することを目的とする。

本願は、上記課題の少なくとも一部を解決する手段を複数含んでいるが、その例を挙げるならば、以下の通りである。上記課題を解決すべく、本発明に係る情報処理装置は、設備の過去のセンサ信号の現象パターンを抽出する現象パターン抽出部と、前記センサ信号を保守履歴情報に基づいて紐付する紐付部と、前記現象パターン抽出部によって抽出された前記現象パターンと、前記現象パターンのもととなる前記センサ信号を紐付けた前記保守履歴情報に含まれる作業キーワードとに基づいて、前記現象パターンを分類するための分類基準を作成する分類基準作成部と、前記分類基準作成部によって作成された前記分類基準に基づいて、前記現象パターンを分類する現象パターン分類部と、前記現象パターン分類部によって分類された前記現象パターンと、前記作業キーワードとに基づいて、保守作業者に提示する作業キーワードを推定するための診断モデルを作成する診断モデル作成部と、を有することを特徴とする。

本発明によれば、設備の診断をより的確に行うことができる。

上記した以外の課題、構成、および効果は、以下の実施形態の説明により明らかにされる。

第１の実施の形態に係る情報処理装置１１を用いたシステムの構成例を示した図である。 情報処理装置１１の機能ブロックの一例を示した図である。 稼働情報ＤＢ１０１のデータ構成例を示した図である。 保守履歴情報ＤＢ１０２のデータ構成例を示した図である。 異常予兆検知部１０３の詳細な機能ブロックの一例を示した図である。 異常予兆検知部１０３の学習フェーズにおける処理の流れを示したフローチャートである。 局所部分空間法を説明する図である。 異常予兆検知部１０３の異常検知フェーズにおける処理の流れを示したフローチャートである。 現象パターン抽出部１０４の詳細な機能ブロックの一例を示した図である。 分布密度算出部３０２の学習フェーズにおける処理の流れを示したフローチャートである。 分布密度画像の例を示した図である。 孤立度ベクトル算出部３０３の異常検知フェーズにおける処理の流れを示したフローチャートである。 現象パターン抽出部１０４の別の現象パターン抽出動作例を説明する図である。 センサ信号と保守履歴情報の紐付を説明する図である。 作業キーワードの抽出を説明する図である。 診断モデルを説明する図である。 情報処理装置１１のハードウェア構成例を示した図である。 第２の実施の形態に係る情報処理装置１１の機能ブロックの一例を示した図である。 診断モデル作成部６０７によって作成される診断モデルを説明する図である。 診断モデル作成部６１３によって作成される診断モデルを説明する図である。 情報処理装置１１の異常検知結果の一覧表示画面の例を示した図である。 選択された設備の詳細を表示する画面例を示した図である。 診断結果表示画面１００２の画面例を示した図である。

［第１の実施の形態］
図１は、第１の実施の形態に係る情報処理装置１１を用いたシステムの構成例を示した図である。図１に示すように、情報処理装置１１、設備１２、および端末装置１３は、例えば、インターネット等のネットワーク１４を介して接続されている。

情報処理装置１１は、設備１２からのセンサ信号に基づいて、設備１２の異常予兆を検知する。また、情報処理装置１１は、異常予兆を検知した場合、その異常予兆に対する保守作業を提示する。情報処理装置１１は、例えば、サーバによって構成される。

設備１２は、電力プラントや石油プラント等のガスタービンや蒸気タービン等である。設備１２は、例えば、油圧センサ、水圧センサ、または温度センサ等、様々な種類のセンサを有している。設備１２が有するセンサのセンサ信号は、ネットワーク１４を介して、情報処理装置１１へ送信される。

端末装置１３は、設備１２の保守作業者から、保守作業のレポートを受付ける。例えば、設備１２の保守作業者は、設備１２の保守作業を行うと、その保守作業内容を端末装置１３に入力する。端末装置１３は、受付けた保守作業のレポートを、ネットワーク１４を介して、情報処理装置１１へ送信する。

上記では、設備１２および端末装置１３のそれぞれは１つしか示していないが、複数存在していてもよい。また、情報処理装置１１が端末装置１３の機能を有していてもよい。すなわち、情報処理装置１１が保守作業者から、保守作業のレポートを受付けてもよい。

なお、電力会社では、ガスタービンの廃熱などを利用して地域暖房用温水を供給したり、工場向けに高圧蒸気や低圧蒸気を供給したりしている。石油化学会社では、ガスタービンなどを電源設備として運転している。このようにガスタービンなどを用いた各種プラントや設備において、設備の不具合あるいはその兆候を検知する異常検知は、社会へのダメージを最小限に抑えるためにも極めて重要である。

ガスタービンや蒸気タービンのみならず、水力発電所での水車、原子力発電所の原子炉、風力発電所の風車、航空機や重機のエンジン、鉄道車両や軌道、エスカレータ、エレベータ、ＭＲＩなどの医療機器、半導体やフラットパネルディスプレイ向けの製造・検査装置、機器・部品レベルでも、搭載電池の劣化・寿命など、早期に異常を発見し、診断しなければならない設備は枚挙に暇がない。最近では、健康管理のため、脳波測定・診断に見られるように、人体に対する異常（各種症状）検知も重要になりつつある。

図２は、情報処理装置１１の機能ブロックの一例を示した図である。図２に示すように、情報処理装置１１は、稼働情報ＤＢ（ＤＢ：Data Base）１０１と、保守履歴情報ＤＢ１０２と、異常予兆検知部１０３と、現象パターン抽出部１０４と、関連情報紐付部１０５と、作業キーワード抽出部１０６と、現象パターン分類基準作成部１０７と、現象パターン分類部１０８と、診断モデル作成部１０９と、保守作業提示部１１０とを有している。

稼働情報ＤＢ１０１は、設備１２から出力されるセンサ信号を記憶する。

図３は、稼働情報ＤＢ１０１のデータ構成例を示した図である。図３に示すように、稼働情報ＤＢ１０１には、設備１２から出力されたセンサ信号を記憶した日時１０１ａと、そのセンサ信号１０１ｂとが記憶される。

図２の説明に戻る。保守履歴情報ＤＢ１０２は、設備１２の保守に関する情報を記憶する。

図４は、保守履歴情報ＤＢ１０２のデータ構成例を示した図である。図４に示すように、保守履歴情報ＤＢ１０２には、設備１２の保守作業に至る原因となったアラーム１０２ａと、そのアラームが発生した発生日時１０２ｂと、端末装置１３から入力された、自由記述のテキスト情報である保守作業報告書１０２ｃと、保守作業にかかったコスト１０２ｄと、設備１２のダウンタイム１０２ｅとが記憶される。

図２の説明に戻る。異常予兆検知部１０３は、センサ信号に基づいて、設備１２の異常予兆を検知する。

現象パターン抽出部１０４は、センサ信号の現象パターンを抽出する。

関連情報紐付部１０５は、センサ信号と保守履歴情報とを紐付ける。例えば、関連情報紐付部１０５は、アラーム１０２ａの発生日時１０２ｂを起点に、一定期間遡ったセンサ信号を取り出し、取出したセンサ信号と、アラーム１０２ａの発生日時１０２ｂとを紐付ける。より具体的には、関連情報紐付部１０５は、アラーム１０２ａの発生日時１０２ｂを起点に、過去の所定分のセンサ信号を取り出し、取出したセンサ信号と、アラーム１０２ａの発生日時１０２ｂとを紐付ける。すなわち、関連情報紐付部１０５は、保守作業ごとに、その保守作業に関連すると考えられるセンサ信号を紐付ける。

作業キーワード抽出部１０６は、保守作業報告書１０２ｃとその付随値とから、作業キーワードを抽出する。付随値は、例えば、コスト１０２ｄまたはダウンタイム１０２ｅ等である。

現象パターン分類基準作成部１０７は、作業キーワードを教師として、現象パターンを分類するための分類基準を作成する。

現象パターン分類部１０８は、現象パターン分類基準作成部１０７によって作成された分類基準に基づいて、センサ信号から抽出された現象パターンを分類する。

診断モデル作成部１０９は、現象パターンの分類結果から、保守作業者に提示する作業キーワードを推定するための診断モデルを作成する。

保守作業提示部１１０は、現象パターンの分類結果と診断モデルとを用いて、保守作業者に提示する作業キーワードを推定し、これを基に保守作業候補を提示する。

情報処理装置１１の動作には、蓄積された過去のセンサ信号と保守履歴情報とを用いて診断モデルを作成する「診断モデル作成フェーズ」と、センサ信号に基づき異常予兆を検知し、作成した診断モデルを用いて保守作業の提示を行う「保守作業提示フェーズ」の二つのフェーズがある。

診断モデル作成フェーズにおける処理の流れを説明する。まず、異常予兆検知部１０３は、稼働情報ＤＢ１０１に記憶された過去のセンサ信号を用いて異常予兆検知を行う。次に、現象パターン抽出部１０４は、同じセンサ信号を用いて現象パターンを抽出する。次に、関連情報紐付部１０５は、稼働情報ＤＢ１０１に記憶されている過去のセンサ信号と保守履歴情報ＤＢ１０２に記憶されている保守履歴情報の紐付けを行う。次に、作業キーワード抽出部１０６は、保守履歴情報ＤＢ１０２に記憶されている保守履歴情報から、作業キーワードを抽出する。次に、現象パターン分類基準作成部１０７は、関連情報紐付部１０５が紐付けた紐付情報を用い、作業キーワードを教師とし、現象パターンを分類するための分類基準を作成する。次に、現象パターン分類部１０８は、現象パターン分類基準作成部１０７にて作成された分類基準を用い、センサ信号から抽出された現象パターンを分類する。次に、診断モデル作成部１０９は、関連情報紐付部１０５が紐付けた紐付情報を用い、現象パターンの分類結果から、保守作業者に提示する作業キーワードを推定するための診断モデルを作成する。

保守作業提示フェーズにおける処理の流れを説明する。まず、異常予兆検知部１０３は、診断対象となるセンサ信号（例えば、現在のセンサ信号）を用いて異常予兆検知を行う。次に、現象パターン抽出部１０４は、現象パターンを抽出する。次に、現象パターン分類部１０８は、分類基準を用いて抽出した現象パターンの分類を行う。次に、保守作業提示部１１０は、現象パターン分類部１０８によって分類された現象パターンの分類結果と、診断モデル作成部１０９で作成された診断モデルとを用い、保守作業者に提示する作業キーワードを抽出し、これをもとに保守作業を提示する。

以下、各ブロックについて詳細に説明する。
上記したように、状態監視の対象となる設備１２は、ガスタービンや蒸気タービンなどの設備である。設備１２は、設備１２の状態を表すセンサ信号を出力し、ネットワーク１４を介して情報処理装置１へ送信する。情報処理装置１へ送信されたセンサ信号は、稼働情報ＤＢ１０１に蓄積される。

センサ信号は、図３に示したように、一定間隔毎に取得される多次元時系列信号である。センサの種類は、数百から数千といった数になる場合もある。センサは、例えば、シリンダ、オイル、冷却水などの温度、オイルや冷却水の圧力、軸の回転速度、室温、運転時間などを検出する。センサ信号には、出力や状態を表すのみならず、何かをある値に制御するための制御信号も含まれる。

図５は、異常予兆検知部１０３の詳細な機能ブロックの一例を示した図である。図５に示すように、異常予兆検知部１０３は、特徴ベクトル抽出部２０１と、基準ベクトル算出部２０２と、異常測度算出部２０３と、閾値算出部２０４と、異常検出部２０５とを有している。

特徴ベクトル抽出部２０１は、センサ信号に基づいて、特徴ベクトルを抽出する。特徴ベクトルは、例えば、センサ信号の信号値を要素としたベクトルである。具体的には、特徴ベクトルは、図３のセンサ信号１０１ｂを要素としたベクトルである。

基準ベクトル算出部２０２は、予め指定された学習期間の特徴ベクトルの集合と、各時刻の特徴ベクトルとに基づいて、各時刻の基準特徴ベクトルを算出する。

異常測度算出部２０３は、各時刻の特徴ベクトルと基準特徴ベクトルとの差に基づいて異常測度を算出する。

閾値算出部２０４は、予め指定された学習期間の異常測度に基づいて閾値を算出する。

異常検出部２０５は、異常測度算出部２０３によって算出された異常測度と、閾値算出部２０４によって算出された閾値とを比較して、異常予兆を検出する。

異常予兆検知部１０３の動作には、「学習」と「異常検知」の２つのフェーズがある。「学習」フェーズは、「診断モデル作成」フェーズに対応し、「異常検知」フェーズは、「保守作業フェーズ」に対応する。

異常予兆検知部１０３は、「学習」フェーズにおいて、稼働情報ＤＢ１０１に蓄積されたセンサ信号（以下、データと呼ぶことがある）のうち、指定された期間のデータを用いて、特徴ベクトルを抽出する。ここで、抽出されたデータを「学習データ」と呼ぶこととする。また、異常予兆検知部１０３は、交差検証によって学習データの異常測度を算出し、全学習データの異常測度に基づき異常予兆判定を行うための閾値を算出する。

「異常検知」フェーズにおいて、異常予兆検知部１０３は、診断対象とする期間のセンサ信号から、特徴ベクトルを抽出する。ここで、抽出されたデータを「評価データ」と呼ぶこととする。また、異常予兆検知部１０３は、学習データを用いて評価データの異常測度を算出し、閾値と比較して異常予兆があるか否かの判定を行う。

図６は、異常予兆検知部１０３の学習フェーズにおける処理の流れを示したフローチャートである。異常予兆検知部１０３は、例えば、ユーザの学習指示に応じて、図６のフローチャートの処理を実行する。

まず、特徴ベクトル抽出部２０１は、稼働情報ＤＢ１０１から、学習期間として指定された期間のセンサ信号を入力する（ステップＳ１）。

次に、特徴ベクトル抽出部２０１は、入力したセンサ信号ごとに正準化処理を行う（ステップＳ２）。

次に、特徴ベクトル抽出部２０１は、ステップＳ２にて正準化したセンサ信号から、特徴ベクトルの抽出を行う（ステップＳ３）。

次に、基準ベクトル算出部２０２は、ステップＳ３にて抽出された特徴ベクトルに交差検証用のグループ番号を付与する（ステップＳ４）。なお、グループは、例えば、１日分を１グループとするなど、期間を指定して決めるか、予め指定されたグループ数に等分に分けて決める。

次に、基準ベクトル算出部２０２は、抽出した特徴ベクトルから、１個目の特徴ベクトルに注目する（ステップＳ５）。

次に、基準ベクトル算出部２０２は、ステップＳ５にて注目した注目ベクトルとは異なるグループの特徴ベクトルの中から、注目ベクトルに近い順に予め指定された数の特徴ベクトルを選択する（ステップＳ６）。

次に、基準ベクトル算出部２０２は、ステップＳ６にて選択した特徴ベクトルを用いて基準ベクトルを算出する（ステップＳ７）。

次に、異常測度算出部２０３は、注目した注目ベクトルの基準ベクトルまでの距離に基づいて異常測度を算出する（ステップＳ８）。

次に、異常測度算出部２０３は、全ベクトルにおいて異常測度算出が終了しているか否か判定する（ステップＳ９）。異常測度算出部２０３は、全ベクトルにおいて異常測度算出が終了している場合、ステップＳ１１へ処理を移行する。異常測度算出部２０３は、全ベクトルにおいて異常測度算出が終了していない場合、ステップＳ１０へ処理を移行する。

基準ベクトル算出部２０２は、ステップＳ９にて、異常測度算出部２０３が、全ベクトルにおいて異常測度算出を終了していないと判定した場合、次の特徴ベクトルに注目する（ステップＳ１０）。そして、基準ベクトル算出部２０２は、ステップＳ６へ処理を移行する。

閾値算出部２０４は、ステップＳ９にて、異常測度算出部２０３が、全ベクトルにおいて異常測度算出を終了していると判定した場合、算出された異常測度に基づいて、閾値を算出する（ステップＳ１１）。その後、本フローチャートの処理を終了する。

図６に示したステップの処理について詳細に説明する。

ステップＳ２において、特徴ベクトル抽出部２０１は、各センサ信号の正準化を行う。例えば、特徴ベクトル抽出部２０１は、指定された期間の平均と標準偏差を用いて、平均が０、分散が１となるようにセンサ信号を変換する。特徴ベクトル抽出部２０１は、例えば、異常予兆診断時に同じ変換ができるよう、各センサ信号の平均と標準偏差を記憶装置に記憶しておく。あるいは、特徴ベクトル抽出部２０１は、例えば、各センサ信号の指定された期間の最大値と最小値を用いて最大が１、最小が０となるようにセンサ信号を変換してもよい。あるいは、特徴ベクトル抽出部２０１は、最大値と最小値の代わりに予め設定した上限値と下限値を用いてもよい。特徴ベクトル抽出部２０１は、異常予兆診断時に同じ変換ができるよう、各センサ信号の最大値と最小値または上限値と下限値を記憶装置に記憶しておく。センサ信号の正準化は、単位およびスケールの異なるセンサ信号を同時に扱うためのものである。

ステップＳ３において、特徴ベクトル抽出部２０１は、時刻毎に特徴ベクトル抽出を行う。特徴ベクトルは、正準化したセンサ信号をそのまま並べて特徴ベクトルとしてもよい。また、特徴ベクトルは、ある時刻に対して±１，±２，…のウィンドウを設け、「ウィンドウ幅（３，５，…）×センサ数」を特徴ベクトルとしてもよい。この場合、特徴ベクトル抽出部２０１は、データの時間変化を表す特徴を抽出することができる。また、特徴ベクトルは、離散ウェーブレット変換(DWT: Discrete Wavelet Transform)を施して、周波数成分に分解して特徴ベクトルとしてもよい。さらに、ステップＳ３において、特徴ベクトル抽出部２０１は、特徴選択を行う。最低限の処理として、分散が非常に小さいセンサ信号および単調増加するセンサ信号を除く必要がある。また、相関解析による無効信号を削除することも考えられる。これは、多次元時系列信号に対して相関解析を行い、相関値が１に近い複数の信号があるなど、極めて類似性が高い場合に、これらは冗長だとして、この複数の信号から重複する信号を削除し、重複しないものを残す方法である。このほか、ユーザが削除するセンサ信号を指定するようにしてもよい。また、長期変動が大きい特徴を除くことも考えられる。長期変動が大きい特徴を用いることは正常状態の状態数を多くすることにつながり、学習データの不足を引き起こすためである。例えば、１周期期間毎の平均と分散を算出し、それらのばらつきによって長期変動の大きさを推定できる。

ステップＳ４〜Ｓ７において、基準ベクトル算出部２０２は、例えば、局所部分空間法(LSC: Local Sub-space Classifier)や投影距離法(PDM: Projection Distance Method)によって、基準ベクトルを算出する。

図７は、局所部分空間法を説明する図である。局所部分空間法は、注目ベクトルｑのｋ−近傍ベクトルを用いてｋ−１次元のアフィン部分空間Ａ１を作成する方法である。図７には、ｋ＝３の場合の例を示している。なお、図７に示す実線の四角および点線の四角は、学習データを示す。点線の四角は、アフィン部分空間Ａ１の向こう側にある学習データ（ベクトル）を示している。

図７に示すｘ１〜ｘ３は、ｋ−近傍ベクトルを示し、図６のステップＳ６において選択された特徴ベクトルの例を示している。指定する数は、ｋの値である。図７に示すように、異常測度は、図７に示す投影距離Ａ２で表されるため、注目ベクトルｑに最も近いアフィン部分空間Ａ１上の点Ｘｂを求めればよい。評価データｑとそのｋ−近傍ベクトルＸｉ（ｉ＝１，…，ｋ）からｂを算出するには、ｑをｋ個並べた行列ＱとＸｉを並べた行列Ｘから、次の式（１）に示す相関行列Ｃを求める。

そして、次の式（２）により、線形結合の係数ｂを計算する。ここまでが、ステップＳ７における基準ベクトルの算出にあたる。

異常測度ｄは、ｑとＸｂの間の距離であるから、次の式（３）で表される。

なお、図５ではｋ＝３の場合を説明したが、特徴ベクトルの次元数より十分小さければいくつでもよい。ｋ＝１の場合は、最近傍法と等価の処理になる。

投影距離法は、選択された特徴ベクトルに対し独自の原点をもつ部分空間すなわちアフィン部分空間（分散最大の空間）を作成する方法である。ステップＳ６において指定する数はいくつでも良いが、大きすぎるとベクトルの選択、部分空間の算出ともに時間がかかってしまうので数十から数百とするとよい。アフィン部分空間の算出方法について説明する。まず、選択された特徴ベクトルの平均μと共分散行列Σを求め、次にΣの固有値問題を解いて値の大きい方から予め指定したｒ個の固有値に対応する固有ベクトルを並べた行列Ｕをアフィン部分空間の正規直交基底とする。ｒは特徴ベクトルの次元より小さくかつ選択データ数より小さい数とする。あるいはｒは固定した数とせず、固有値の大きい方から累積した寄与率が予め指定した割合を超えたときの値としてもよい。異常測度は、注目ベクトルのアフィン部分空間への投影距離とする。

この他、注目ベクトルｑのｋ−近傍ベクトルの平均ベクトルまでの距離を異常測度とする局所平均距離法や、ガウシアンプロセスなどを用いてもよい。

ステップＳ１１における閾値を設定する方法について説明する。閾値算出部２０４は、学習期間の全特徴ベクトルの異常測度を昇順にソートし、予め指定した１に近い比率に到達する値を求める。閾値算出部２０４は、求めた値を基準としてオフセットを加える、定数倍するなどの処理により閾値を算出する。オフセット０、倍率を１とすれば、求めた値が閾値となる。算出した閾値は、図示していないが、学習データと対応付けて記録しておく。

上記に示したように、注目ベクトルの近傍ベクトルを用いて基準ベクトルを作成することにより、状態が複雑に変化する設備に対しても適切な基準により精度の高い異常測度を算出することが可能である。学習データの交差検証により算出された異常測度に基づいて閾値を算出するため、誤報を抑制することができる。

異常予兆検知部１０３の異常検知フェーズでの処理の流れを説明する。
図８は、異常予兆検知部１０３の異常検知フェーズにおける処理の流れを示したフローチャートである。異常予兆検知部１０３は、例えば、ユーザの異常検知指示に応じて、図８のフローチャートの処理を実行する。

まず、特徴ベクトル抽出部２０１は、設備１２または稼働情報ＤＢ１０１から、診断対象のセンサ信号を入力する（ステップＳ２１）。

次に、特徴ベクトル抽出部２０１は、入力したセンサ信号ごとに正準化処理を行う（ステップＳ２２）。

次に、特徴ベクトル抽出部２０１は、ステップＳ２２にて正準化したセンサ信号から、特徴ベクトルの抽出を行う（ステップＳ２３）。特徴ベクトル抽出部２０１は、図６のステップＳ２の処理と同様にして、学習データの正準化に用いたものと同じパラメータを用いてセンサ信号の正準化を行い、また、図６のステップＳ３の処理と同様にして、特徴ベクトルの抽出を行う。従って、特徴ベクトル抽出部２０１は、ステップＳ３において特徴選択を実行した場合、同じ特徴を選択する。ここで、抽出された特徴ベクトルを、学習データと区別するために観測ベクトルと呼ぶこととする。

次に、基準ベクトル算出部２０２は、学習データの特徴ベクトルの中から、観測ベクトルに近い順に予め指定された数の特徴ベクトルを選択する（ステップＳ２４）。

次に、基準ベクトル算出部２０２は、ステップＳ２４にて選択した特徴ベクトルを用いて基準ベクトルを作成する（ステップＳ２５）。

次に、異常測度算出部２０３は、観測ベクトルの基準ベクトルまでの距離に基づいて異常測度を算出する（ステップＳ２６）。

次に、異常検出部２０５は、学習フェーズにおいて算出した閾値と、ステップＳ２６にて算出した異常測度とを比較して、ステップＳ２６にて算出した異常測度が閾値より大きければ異常予兆の判定をし、そうでなければ正常と判定する（ステップＳ２７）。その後、本フローチャートを終了する。

現象パターン抽出部１０４について詳細に説明する。
図９は、現象パターン抽出部１０４の詳細な機能ブロックの一例を示した図である。図９に示すように、現象パターン抽出部１０４は、残差ベクトル算出部３０１と、分布密度算出部３０２と、孤立度ベクトル算出部３０３と、現象パターン算出部３０４とを有している。図９には、異常予兆検知部１０３も示してある。

残差ベクトル算出部３０１は、異常予兆検知部１０３における処理の基準ベクトルと観測ベクトルとの差を算出する。

分布密度算出部３０２は、２つのセンサ信号の総当たりで学習データの２次元分布密度を算出する。

孤立度ベクトル算出部３０３は、分布密度算出部３０２によって算出された分布密度に基づいて、評価データの各センサの孤立度を算出する。

現象パターン算出部３０４は、残差ベクトル算出部３０１で算出された残差ベクトルと、孤立度ベクトル算出部３０３で算出された孤立度ベクトルとに基づいて、現象パターンを算出する。

現象パターン抽出部１０４の動作には、異常予兆検知部１０３の動作に合わせて、「学習」と「異常検知」の２つのフェーズがある。現象パターン抽出部１０４は、「学習」フェーズ時には、分布密度算出部３０２にて分布密度を算出する。「異常検知」フェーズ時には、残差ベクトル算出部３０１にて残差ベクトルを算出し、孤立度ベクトル算出部３０３にて孤立度ベクトルを算出し、現象パターン算出部３０４にて現象パターンを算出する。

図１０は、分布密度算出部３０２の学習フェーズにおける処理の流れを示したフローチャートである。分布密度算出部３０２は、例えば、ユーザの学習指示に応じて、図１０のフローチャートの処理を実行する。

まず、分布密度算出部３０２は、学習期間の特徴ベクトルを入力する（ステップＳ３１）。

次に、分布密度算出部３０２は、最初の特徴に注目する（ステップＳ３２）。最初の特徴とは、特徴ベクトルの最初の要素であり、例えば、図３に示すセンサ１の列に対応する。

次に、分布密度算出部３０２は、注目した特徴において、最大値（ＭＡＸ）と最小値（ＭＩＮ）を求める（ステップＳ３３）。

次に、分布密度算出部３０２は、求めた最小値から最大値を、指定された数Ｎで分割する際の刻み幅Ｓを算出する（ステップＳ３４）。幅Ｓは、「Ｓ＝（ＭＡＸ−ＭＩＮ）／Ｎ」で計算できる。

次に、分布密度算出部３０２は、最小値と最大値から外側に範囲を広げて分布密度算出の処理範囲を算出する（ステップＳ３５）。広げる範囲は、例えば、ＭＩＮを「ＭＩＮ−Ｓ×Ｍ」に変更し、ＭＡＸを「ＭＡＸ＋Ｓ×Ｍ」に変更する。ここで、Ｍは、予め決められた１以上の整数とする。

次に、分布密度算出部３０２は、学習期間の全データについて特徴値（注目する特徴の値）に対応するビン番号（ＢＮＯ）を算出する（ステップＳ３６）。ビン番号は、ＢＮＯ＝ＩＮＴ（（Ｆ−ＭＩＮ）／（ＭＡＸ−ＭＩＮ））によって計算できる。ただし、ＩＮＴ（Ｘ）は、Ｘの整数部を示す。

次に、分布密度算出部３０２は、全特徴においてステップＳ３３〜Ｓ３６の処理を行ったか否か判定する（ステップＳ３７）。分布密度算出部３０２は、全特徴においてステップＳ３３〜Ｓ３６の処理を行った場合、ステップＳ３９へ処理を移行する。分布密度算出部３０２は、全特徴においてステップＳ３３〜Ｓ３６の処理を行っていない場合、ステップＳ３８へ処理を移行する。

分布密度算出部３０２は、ステップＳ３７にて、全特徴においてステップＳ３３〜Ｓ３６の処理を行っていないと判定した場合、次の特徴に注目する（ステップＳ３８）。そして、分布密度算出部３０２は、ステップＳ３３へ処理を移行する。

分布密度算出部３０２は、ステップＳ３７にて、全特徴においてステップＳ３３〜Ｓ３６の処理を行ったと判定した場合、特徴２個の最初の組合せに注目する（ステップＳ３９）。２個の特徴は、同じものであってもよい。

次に、分布密度算出部３０２は、分布密度算出用の２次元配列を確保し、すべての要素を「０」にセットする（ステップＳ４０）。配列のサイズは、Ｎ＋２Ｍである。

次に、分布密度算出部３０２は、学習データの全データについて、２個の特徴のビン番号に対応する配列の要素に１を加算する（ステップＳ４１）。この処理により、特徴２個による２次元の頻度分布（ヒストグラム）が算出される。

次に、分布密度算出部３０２は、ステップＳ４１にて算出した頻度分布を画像に変換して保存する（ステップＳ４２）。変換方法については後述する。

次に、分布密度算出部３０２は、特徴２個の全ての組合せにおいてステップＳ４０〜Ｓ４２の処理を行ったか否か判定する（ステップＳ４３）。分布密度算出部３０２は、全特徴の組み合わせにおいてステップＳ４０〜Ｓ４２の処理を行った場合、分布密度算出の処理を終了する。分布密度算出部３０２は、全特徴の組み合わせにおいてステップＳ４０〜Ｓ４２の処理を行っていない場合、ステップＳ４４へ処理を移行する。

分布密度算出部３０２は、ステップＳ４３にて、全特徴の組み合わせにおいてステップＳ４０〜Ｓ４２の処理を行っていないと判定した場合、次の組み合わせに注目する（ステップＳ４４）。

なお、分布密度算出部３０２は、図示はしていないが、２次元配列のサイズおよびステップＳ３５で算出した各特徴の最小値と最大値を記憶装置に記憶しておく。

ステップＳ４２における、画像変換方法の例を説明する。まず、分布密度算出部３０２は、配列要素の最大値すなわち最大頻度を求める。画像サイズは、配列サイズと同じとし、各要素の値から対応する座標の画素値を、例えば、２５５×配列の要素値／最大頻度とする。２５５は、画素値を８ビットで表す場合の最大値であり、この値を用いれば、そのままビットマップ形式で保存できる。あるいは、画素値を２５５×ＬＯＧ（配列の要素値＋１）／ＬＯＧ（最大頻度＋１）とする。ただし、ＬＯＧ（Ｘ）はＸの対数を表す。このような変換式を用いれば、最大頻度が大きい場合も非ゼロの頻度に非ゼロの画素値を対応させることが可能になる。

上記処理により得られた画像は、２次元の特徴空間上で密度が高いところが高い画素値で表されているため、分布密度画像と呼ぶこととする。

図１１は、分布密度画像の例を示した図である。図１１には、あるセンサａ，ｂの２次元分布密度が示してある。図１１では、画素値「０」を白、画素値「２５５」を黒で表したグレイスケールの画像を示している。

画像の作成方法は、上記方法に限定されない。例えば、分布密度算出部３０２は、単純な頻度分布ではなく、１個のデータにガウス分布や他の重みつきフィルタを割り当て、それを重畳するようにしてもよい。あるいは、分布密度算出部３０２は、上記方法で得た画像に所定サイズの最大値フィルタをかけたり、平均フィルタ、その他の重みつきフィルタをかけたりしてもよい。また、２次元分布密度は、必ずしも画像形式で保存する必要はなく２次元配列をテキスト形式で保存してもよい。

異常検知フェーズでの残差ベクトル算出部３０１について詳細に説明する。残差ベクトルは、図８のステップＳ２３における観測ベクトルと、ステップＳ２５における基準ベクトルとの差である。残差ベクトル算出部３０１は、全て正の値になるよう、要素ごとに２乗しておいてもよい。また、図６のステップＳ３において、±１，±２，…のウィンドウを設けた場合は、ウィンドウ幅分加算して、センサ毎にまとめてもよい。残差ベクトルは、異常測度に対して、各センサがどれだけ寄与しているかを表すものである。

異常検知フェーズでの孤立度ベクトル算出部３０３について詳細に説明する。
図１２は、孤立度ベクトル算出部３０３の異常検知フェーズにおける処理の流れを示したフローチャートである。孤立度ベクトル算出部３０３は、例えば、ユーザの異常検知指示に応じて、図１２のフローチャートの処理を実行する。

まず、孤立度ベクトル算出部３０３は、設備１２または稼働情報ＤＢ１０１から、診断対象のセンサ信号を入力する（ステップＳ５１）。

次に、孤立度ベクトル算出部３０３は、全センサの孤立度を０にリセットする（ステップＳ５２）。

次に、孤立度ベクトル算出部３０３は、最初のセンサに注目し、これをセンサｉとする（ステップＳ５３）。

次に、孤立度ベクトル算出部３０３は、最初のセンサに注目し、これをセンサｊとする（ステップＳ５４）。

次に、孤立度ベクトル算出部３０３は、センサｉおよびｊの分布密度画像について、センサｉおよびｊの信号値に対応する座標の画素値を読み込む（ステップＳ５５）。

次に、孤立度ベクトル算出部３０３は、画素値が「０」であれば、センサｉの孤立度に１を加算する（ステップＳ５６）。

次に、孤立度ベクトル算出部３０３は、センサｊにおいて、全てのセンサに注目したか否か判定する（ステップＳ５７）。孤立度ベクトル算出部３０３は、センサｊにおいて、全てのセンサに注目した場合、ステップＳ５９へ処理を移行する。孤立度ベクトル算出部３０３は、センサｊにおいて、全てのセンサに注目していない場合、ステップＳ５８へ処理を移行する。

孤立度ベクトル算出部３０３は、ステップＳ５７にて、センサｊにおいて、全てのセンサに注目していないと判定した場合、次のセンサをセンサｊとする（ステップＳ５８）。そして、孤立度ベクトル算出部３０３は、ステップＳ５５へ処理を移行する。

孤立度ベクトル算出部３０３は、ステップＳ５７にて、センサｊにおいて、全てのセンサに注目したと判定した場合、センサｉにおいて、全てのセンサに注目したか否か判定する（ステップＳ５９）。孤立度ベクトル算出部３０３は、センサｉにおいて、全てのセンサに注目した場合、孤立度ベクトルの算出処理を終了する。孤立度ベクトル算出部３０３は、センサｉにおいて、全てのセンサに注目していない場合、ステップＳ６０へ処理を移行する。

孤立度ベクトル算出部３０３は、ステップＳ５９にて、センサｉにおいて、全てのセンサに注目していないと判定した場合、次のセンサをセンサｉとする（ステップＳ６０）。

この処理により、各センサについて時刻毎に孤立度が算出される。孤立度は、２次元分布上で対応するセンサの信号値が学習データにない場合に高くなる。孤立度ベクトル算出部３０３は、各センサの孤立度を全センサ分まとめて、孤立度ベクトルとする。

異常検知フェーズでの現象パターン算出部３０４について詳細に説明する。残差ベクトルおよび孤立度ベクトルは、時刻毎に算出される。現象パターン算出部３０４は、算出された残差ベクトルおよび孤立度ベクトルを時間方向において累積して統合し、現象パターンとする。累積する時間は、異常予兆検知された期間とするか、異常検知された時刻から予め定められた時間遡った期間とする。本実施例では、残差ベクトルと孤立度ベクトルとを統合しているが、どちらか一方でもかまわない。残差ベクトルおよび孤立度ベクトルは、故障のモードによって大きく変化することが予想されるため、保守作業内容を推定するのに有効であると考えられる。

現象パターン抽出部１０４の別の現象パターン抽出動作について説明する。
図１３は、現象パターン抽出部１０４の別の現象パターン抽出動作例を説明する図である。図１３の例では、現象パターン抽出部１０４は、センサ信号をＢＯＦ（Bug of Features）と呼ばれる手法で次元の低いヒストグラム特徴に変換して現象パターンとしている。なお、図１３（Ａ）には、センサｉ，ｊのセンサ信号の例が示してある。

現象パターン抽出部１０４は、過去のセンサ信号を用い、時刻毎に全てのセンサ値を並べたベクトルを多数準備する。これらをｋ−ｍｅａｎｓ法などの教師なしクラスタリングによりクラスタ分類の基準を作成しておく。現象パターン抽出部１０４は、現象パターン抽出の際には、例えば、図１３（Ａ）の点線枠Ａ１１に示すように、異常検知時刻から予め定められた時間遡った期間のセンサ信号を切り出し、図１３（Ｂ）に示すように、各時刻の特徴ベクトルをクラスタ分類し、図１３（Ｃ）に示すように分類結果のヒストグラムを算出する。ヒストグラムは、センサ信号の状態およびその変化を要約した特徴となっており、関連する保守作業内容を推定するのに有効であると考えられる。なお、図１３（Ｂ）のＰ１〜Ｐ３は、次元を示し、センサ数に対応する。また、図１３（Ｂ）の丸は、一時刻における特徴ベクトルを示し、四角は、クラスタリングの中心を示す。また、図１３（Ｃ）のヒストグラムは、図１３（Ａ）の点線枠Ａ１１におけるセンサ信号の現象パターンを示している。

関連情報紐付部１０５について詳細に説明する。関連情報紐付部１０５は、診断モデル作成フェーズにて、稼働情報ＤＢ１０１に記憶された過去のセンサ信号と、保守履歴情報ＤＢ１０２に記憶された保守履歴情報との紐付を行う。

図１４は、センサ信号と保守履歴情報の紐付を説明する図である。関連情報紐付部１０５は、保守履歴情報ＤＢ１０２の保守履歴情報に、保守作業に至る原因となったアラームの情報が含まれる場合は、その作業日の前で最も近いアラームの時刻を起点に一定期間遡ってセンサ信号を切り出して紐付けする。

例えば、保守履歴情報ＤＢ１０２の保守履歴情報に、保守作業Ｍ１に至る原因となったアラーム情報が含まれ、その発生時刻がｔ１であったとする。この場合、関連情報紐付部１０５は、図１４に示すように、アラーム時刻ｔ１から一定期間遡ったセンサ信号群ｇ１を、稼働情報ＤＢ１０１から抽出し、保守作業Ｍ１と紐付ける。

なお、図１４には、現象パターン抽出部１０４によって、センサ信号群ｇ１，…，ｇｎから抽出された現象パターンＰ１，…，Ｐｎが示してある。すなわち、現象パターン抽出部１０４は、保守履歴情報により紐付けられたセンサ信号群の現象パターンを抽出する。

上記では、保守作業とセンサ信号とを紐付けたが、アラームの発生時刻とセンサ信号とを紐付けてもよい。

また、保守履歴情報ＤＢ１０２にアラームの発生日時が記憶されず、保守作業日が保守履歴情報ＤＢ１０２に記憶される場合は、関連情報紐付部１０５は、保守作業日を起点に一定期間遡ってセンサ信号を切り出し、紐付けしてもよい。

作業キーワード抽出部１０６について詳細に説明する。作業キーワード抽出部１０６は、診断モデル作成フェーズにて動作し、保守作業提示フェーズでは動作しない。

図１５は、作業キーワードの抽出を説明する図である。作業キーワード抽出部１０６は、図１５（Ａ）に示すように、保守履歴情報ＤＢ１０２から、保守作業報告書（図１５（Ａ）では文書）と、コストとを抽出する。作業キーワード抽出部１０６は、抽出した文章にＩＤを付与する。ＩＤは、例えば、保守作業報告書の数分存在する。

作業キーワード抽出部１０６は、抽出した文書を基に、出現する単語を調べ、それぞれの文書における単語の有無を、図１５（Ｂ）の矢印Ａ２１に示すように、「０」または「１」で表したベクトルに変換する。また、作業キーワード抽出部１０６は、図１５（Ｂ）の矢印Ａ２１に示すように、コストを付随値とする。作業キーワード抽出部１０６は、矢印Ａ２１に示すベクトルと、矢印Ａ２２に示す付随値との関係を解析することにより、各単語の重要度を算出し、図１５（Ｃ）に示すように、重要度付辞書を作成する。

解析方法には、各単語の重要度を直接計算する方法と、ベクトルから付随値への回帰モデルを仮定し、回帰係数から重要度を算出する方法がある。前者の例には、次の式（４）で算出されるスムージング平均法がある。

ここで、ｐ_ｊは単語ｊの重要度、ｆは仮想的に増加させる語彙の頻度であり、ａはその付随値として付随値の中央値とする。分子の右辺は単語ｊが含まれる文書の付随値の合計、分母の右辺は単語ｊが含まれる文書の数である。

回帰モデルを仮定する方法の例には、ＬＡＳＳＯ回帰、Supervised Latent Dirichlet Allocation(sLDA)、特異値分解と回帰を組み合わせた手法がある。

以上いずれかの方法により、重要なキーワードを抽出することができ、扱いの難しい自由記述のテキストをキーワードの観点で整理することができる。例えば、作業キーワード抽出部１０６は、作成した重要度付辞書を参照し、重要度の上位から、作業キーワードを所定数抽出する。または、作業キーワード抽出部１０６は、所定値以上の重要度を持った作業キーワードを抽出してもよい。

付随値としては、まずコストまたはダウンタイムとすることが考えられる。これらの情報は、保守作業に密接にかかわる情報であるから、保守履歴情報として記録されている可能性が高く、かつキーワードが重要かそうでないかに直結する。すなわちコストが高いほど、あるいはダウンタイムが長いほど、重大な故障であり、予兆が検知された時点で保守作業を知ることができた場合の効果が大きい。また、コストまたはダウンタイムを付随値としてキーワード抽出を行った場合、保守作業提示とともにコスト予測またはダウンタイム予測を同時に出力可能である。

また、付随値として、異常測度またはその累積値を用いることも考えられる。この場合、センサ信号に基づいて異常予兆が検知される故障に関連するキーワードが抽出できる。

また、付随値として、特定の単語の有無を用いることも考えられる。例えば、「交換」「調整」などの処置に関する単語の有無を用いれば、交換対象となる部品名、調整対象となるユニット名などの抽出が可能となる。

これらの処理を行う前に、頻度が低い単語を除く、逆に一定以上、例えば９０％以上の文書に含まれる単語を除く、日時は除く、会社名、人名は除くなどの処理を行っておけばより意味のあるキーワードが抽出されることを期待できる。もちろん、辞書抽出の後に同様の操作を行ってもかまわない。

現象パターン分類基準作成部１０７について詳細に説明する。現象パターン分類基準作成部１０７は、教師あり学習手法を用いて、現象パターンを分類するための分類基準を作成する。現象パターン分類基準作成部１０７は、現象パターン抽出部１０４にて抽出された現象パターンと、その現象パターンのもととなるセンサ信号を紐付けた保守履歴情報に含まれる作業キーワードとに基づいて（学習して）、現象パターンを分類するための分類基準を作成する。なお、保守履歴情報に含まれる作業キーワードは、作業キーワード抽出部１０６によって抽出される。また、現象パターン分類基準作成部１０７は、診断モデル作成フェーズにて動作し、保守作業提示フェーズでは動作しない。

まず、現象パターン分類基準作成部１０７は、関連情報紐付部１０５にて得られる結果を用いて分類基準作成用の学習データを作成する。学習データは、特徴量と教師ラベルとからなる。特徴量は、現象パターン抽出部１０４で抽出された現象パターンである。教師ラベルは、抽出された現象パターンのもととなるセンサ信号に紐付けられた保守履歴情報に含まれる作業キーワードである。

例えば、図１４に示す現象パターンＰ１，…，Ｐｎが、学習データの特徴量となる。また、図１４に示した現象パターンＰ１，…，Ｐｎのもととなるセンサ信号群ｇ１，…，ｇｎに対応する保守作業Ｍ１，…，Ｍｎの、保守作業報告書から抽出された作業キーワードが、学習データの教師ラベルとなる。

なお、教師ラベルは、作業キーワードの組合せをコード化してそれを教師ラベルとしてもよい。このような学習データを入力として教師あり学習を行うと、現象パターンを作業キーワード別に分類するための分類基準が作成される。教師あり学習手法としては、ＳＶＭ（Support Vector Machine）、判別分析法、部分空間法、決定木法、ナイブベイズ法、フレキシブルナイブベイズ法など様々な手法があり、どの手法を用いてもよい。このように、作業キーワードを教師として現象パターンを分類することにより、予兆を検知して現象パターンを抽出したあと、一位候補の確率が高い保守作業提示が可能である。逆に、現象パターンの分類基準を人手で決めた場合、その分け方が保守作業推定に有効なものとは限らないため、同じような確率で複数の候補が提示されてしまうことになりかねない。

現象パターン分類部１０８は、現象パターン分類基準作成部１０７にて作成された分類基準に従って、現象パターン抽出部１０４にて抽出された現象パターンを分類する。この処理により、現象パターンにラベルが付加される。現象パターン分類基準作成部１０７にて学習に用いたデータについて、教師ラベルと異なるラベルが付加される場合もある。区別するために、ここで付加されるラベルを「診断ラベル」と呼ぶこととする。

診断モデル作成部１０９について詳細に説明する。診断モデル作成部１０９は、現象パターン分類部１０８によって分類された現象パターンと、現象パターンのもととなるセンサ信号を紐付けた保守履歴情報に含まれる作業キーワードとに基づいて、保守作業者に提示する作業キーワードを推定するための診断モデルを作成する。診断モデル作成部１０９は、診断モデル作成フェーズにて動作し、保守作業提示フェーズでは動作しない。

図１６は、診断モデルを説明する図である。診断モデルは、横軸に作業キーワード４０１を有し、縦軸に現象パターン４０２を有するマトリックスであって、ある現象パターンに対して、各作業キーワード４０１の処置が正しい確率が計算されたものである。図１６の例では、処置に関するキーワード４０１ａと、処置対象に関するキーワード４０１ｂとの組合せについて確率が算出されている。

キーワード４０１ａ，４０１ｂの組合せは、現象パターン分類部１０８で用いた「教師ラベル」に対応する。現象パターン４０２の分け方は、現象パターン分類部１０８にて付加された「診断ラベル」に従う。例えば、図１６の現象パターン４０２に示すタイプＡ、タイプＢなどは、診断ラベル１種に１個対応付けられた名前である。

診断モデル作成部１０９は、診断モデルを作成するため、まず、横軸項目数×縦軸項目数の２次元マトリクスを準備し、全ての要素を０にリセットする。横軸は教師ラベル、縦軸は診断ラベルに対応するため、基本的には横軸と縦軸の項目数は等しい。診断モデル作成部１０９は、現象パターン分類基準作成部１０７にて学習に用いたデータについて、診断ラベルと教師ラベルが交差する要素をカウントアップする。全てのデータについて処理が行われると、２次元の頻度分布が得られる。全ての要素を横方向の合計で割り、確率として記録する。このようにして、診断モデルを作成することにより、ある診断ラベルに対して一つの保守作業に絞り込むことはせず、他の可能性も示すことができ、誤りを減らすことができる。

保守作業提示部１１０は、現象パターン分類部１０８によって分類された現象パターンに基づいて、診断モデル作成部１０９にて作成された診断モデルを参照し、保守作業者に提示する作業キーワードを抽出して提示する。例えば、保守作業提示部１１０は、保守作業提示フェーズにおいて、現象パターン分類部１０８にて得られた診断ラベルに基づいて、診断モデルを参照して、各作業キーワードの確率を求め、確率が０でない保守作業を確率が高い順に確率つきで提示する。

図１７は、情報処理装置１１のハードウェア構成例を示した図である。情報処理装置１１は、例えば、図１７に示すような、ＣＰＵ（Central Processing Unit）等の演算装置５０１と、ＲＡＭ（Random Access Memory）などの主記憶装置５０２と、ＨＤＤ（Hard Disk Drive）等の補助記憶装置５０３と、有線又は無線により通信ネットワークと接続するための通信インタフェース（Ｉ／Ｆ）５０４と、マウス、キーボード、タッチセンサーやタッチパネルなどの入力装置５０５と、液晶ディスプレイなどの表示装置５０６と、ＤＶＤ（Digital Versatile Disk）などの持ち運び可能な記憶媒体に対する情報の読み書きを行う読み書き装置５０７と、によって実現することができる。

例えば、図２の異常予兆検知部１０３、現象パターン抽出部１０４、関連情報紐付部１０５、作業キーワード抽出部１０６、現象パターン分類基準作成部１０７、現象パターン分類部１０８、診断モデル作成部１０９、および保守作業提示部１１０の機能は、補助記憶装置５０３などから主記憶装置５０２にロードされた所定のプログラムを演算装置５０１が実行することで実現される。稼働情報ＤＢ１０１および保守履歴情報ＤＢ１０２は、例えば、演算装置５０１が主記憶装置５０２または補助記憶装置５０３を利用することで実現される。情報処理装置１１の通信は、例えば、演算装置５０１が通信Ｉ／Ｆ５０４を利用することで実現される。

なお、上記の所定のプログラムは、例えば、読み書き装置５０７により読み取られた記憶媒体からインストールされてもよいし、通信Ｉ／Ｆ５０４を介してネットワークからインストールされてもよい。

また、情報処理装置１１の一部またはすべての機能は、例えば、演算装置、記憶装置、駆動回路などを備えるＡＳＩＣ（Application Specific Integrated Circuit）を備えるコントローラー基板等により実現してもよい。

また、上述した情報処理装置１１の機能構成は、情報処理装置１１の構成を理解容易にするために、主な処理内容に応じて分類したものである。構成要素の分類の仕方や名称によって、本願発明が制限されることはない。情報処理装置１１の構成は、処理内容に応じて、さらに多くの構成要素に分類することもできる。また、１つの構成要素がさらに多くの処理を実行するように分類することもできる。また、各構成要素の処理は、１つのハードウェアで実行されてもよいし、複数のハードウェアで実行されてもよい。

また、上述したフローチャートの各処理単位は、情報処理装置１１の処理を理解容易にするために、主な処理内容に応じて分割したものである。処理単位の分割の仕方や名称によって、本願発明が制限されることはない。情報処理装置１１の処理は、処理内容に応じて、さらに多くの処理単位に分割することもできる。また、１つの処理単位がさらに多くの処理を含むように分割することもできる。

このように、第１の実施の形態によれば、情報処理装置１１は、保守履歴情報に含まれる自由記述のテキストデータに基づき作業に関連するキーワードを抽出するため、保守履歴情報をキーワードに基づいて整理することができ、取扱いの難しいテキスト情報の有効活用が可能となる。また、情報処理装置１１は、センサ信号から現象パターンを抽出し、作業内容の視点でセンサデータを分類して診断モデルを作成するため、信頼性の高い診断モデルを作成でき、設備１２の診断を的確に行うことができる。また、情報処理装置１１は、異常予兆検知と同時に現象パターンを抽出し、診断モデルを用いて保守作業を提示するため、予兆の段階で保守作業内容を提示するシステムを実現できる。

なお、診断対象となるデータは、現在のセンサ信号でなく、例えば、稼働情報ＤＢ１０１に記憶された過去のセンサ信号であってもよい。例えば、過去の一定期間において、設備の異常予兆を検知し、診断を行ってもよい。

また、稼働情報ＤＢ１０１および保守履歴情報ＤＢ１０２は、情報処理装置１１の外部装置で実現してもよい。例えば、稼働情報ＤＢ１０１および保守履歴情報ＤＢ１０２は、ネットワーク１４に接続された記憶装置で実現してもよい。

また、設備１２が、機種や号機によって複数存在する場合、情報処理装置１１は、機種や号機ごとにおいて、診断モデルを作成することもできる。そして、情報処理装置１１は、機種や号機ごとにおいて、設備１２の異常予兆検知および診断を行うことができる。例えば、関連情報紐付部１０５は、機種や号機ごとにおいてセンサ信号と保守履歴情報とを紐付け、診断モデル作成部１０９は、機種や号機ごとにおいて診断モデル作成する。

また、異常予兆検知部１０３は、センサ信号から異常予兆を検知するとしたが、異常を検知するようにしてもよい。例えば、異常予兆検知部１０３は、センサ信号が異常と判断される閾値を算出すればよい。

［第２の実施の形態］
次に、第２の実施の形態について説明する。第１の実施の形態では、設備から出力されるセンサ信号に基づき異常検知し、過去の保守履歴情報を用いて異常診断したが、第２の実施の形態では、さらに、設備から出力されるイベント信号も用いて異常診断する。

図１８は、第２の実施の形態に係る情報処理装置１１の機能ブロックの一例を示した図である。図１８に示すように、情報処理装置１１は、稼働情報ＤＢ６０１と、保守履歴情報ＤＢ６０２と、異常予兆検知部６０３と、現象パターン抽出部６０４と、現象パターン分類基準作成部６０５，６１１と、現象パターン分類部６０６，６１２と、診断モデル作成部６０７，６１３と、アラーム予測部６０８と、関連情報紐付部６０９と、作業キーワード抽出部６１０と、保守作業提示部６１４とを有している。

稼働情報ＤＢ６０１は、設備１２から出力されるセンサ信号およびイベント信号を記憶する。

保守履歴情報ＤＢ６０２は、設備１２の保守に関する情報を記憶する。

異常予兆検知部６０３は、センサ信号に基づいて、設備１２の異常予兆を検知する。

現象パターン抽出部６０４は、センサ信号から現象パターンを抽出する。

現象パターン分類基準作成部６０５は、イベント信号に含まれるアラームを教師として、現象パターンを分類するための分類基準を作成する。イベント信号に含まれるアラームには、例えば、設備１２の油圧低下、水圧低下、水温情報、始動渋滞などがある。

現象パターン分類部６０６は、現象パターン分類基準作成部６０５によって作成された分類基準に基づいて、センサ信号から抽出された現象パターンを分類する。

診断モデル作成部６０７は、現象パターンの分類結果から、アラームを予測するための診断モデルを作成する。

アラーム予測部６０８は、現象パターンの分類結果と診断モデルとを用いてアラームを予測する。

関連情報紐付部６０９は、センサ信号と保守履歴情報とを紐付ける。

作業キーワード抽出部６１０は、テキストデータである保守作業報告書とその付随値とから、作業キーワードを抽出する。

現象パターン分類基準作成部６１１は、作業キーワードを教師として、現象パターンを分類するための分類基準を、アラームごとに作成する。

現象パターン分類部６１２は、センサ信号から抽出された現象パターンを、現象パターン分類基準作成部６１１にて作成された分類基準に基づいて分類する。

診断モデル作成部６１３は、現象パターンの分類結果から、保守作業者に提示する作業キーワードを推定するための診断モデルを、アラームごとに作成する。

保守作業提示部６１４は、現象パターンの分類結果と診断モデル作成部６１３にて作成された診断モデルを用いて、保守作業者に保守作業内容を提示するための作業キーワードを推定し、これを基に保守作業候補を提示する。

図１８に示す稼働情報ＤＢ６０１、保守履歴情報ＤＢ６０２、関連情報紐付部６０９、作業キーワード抽出部６１０、現象パターン分類基準作成部６１１、現象パターン分類部６１２、診断モデル作成部６１３、および保守作業提示部６１４は、図２に示した稼働情報ＤＢ１０１、保守履歴情報ＤＢ１０２、関連情報紐付部１０５、作業キーワード抽出部１０６、現象パターン分類基準作成部１０７、現象パターン分類部１０８、診断モデル作成部１０９、および保守作業提示部１１０に対応する。ただし、図１８に示す稼働情報ＤＢ６０１、保守履歴情報ＤＢ６０２、関連情報紐付部６０９、作業キーワード抽出部６１０、現象パターン分類基準作成部６１１、現象パターン分類部６１２、診断モデル作成部６１３、および保守作業提示部６１４は、アラームごとに分類基準および診断モデルを作成するところが図２と異なる。例えば、図１８に示す情報処理装置１１は、油圧低下、水圧低下、水温情報、始動渋滞などのアラームごとにおいて、第１の実施の形態で説明した分類基準および診断モデルを作成する。また、図１８に示す情報処理装置１１は、アラームを教師として作成した分類基準（現象パターン分類基準作成部６０５にて作成された分類基準）によって、センサ信号の現象パターンを分類し、分類した現象パターンに基づいて、診断モデル作成部６１３で作成された診断モデルを参照し、保守作業を提示する。

図１８に示す情報処理装置１１の動作には、蓄積された過去のセンサ信号とイベント信号と保守履歴情報とを用いて診断モデルを作成する「診断モデル作成フェーズ」と、センサ信号に基づき異常予兆を検知し、診断モデルを用いてアラームを予測し、保守作業の提示を行う「保守作業提示フェーズ」の二つのフェーズがある。

診断モデル作成フェーズにおける処理の流れを説明する。まず、異常予兆検知部６０３は、過去のセンサ信号を用いて異常予兆検知を行う。次に、現象パターン抽出部６０４は、同じセンサ信号を用いて現象パターンを抽出する。次に、現象パターン分類基準作成部６０５は、イベント信号に含まれるアラームを教師とし、現象パターンを分類するための分類基準を作成する。次に、現象パターン分類部６０６は、現象パターン分類基準作成部６０５にて作成された分類基準を用いて、センサ信号から抽出された現象パターンを分類する。次に、診断モデル作成部６０７は、現象パターンの分類結果からアラームを予測するための診断モデルを作成する。次に、関連情報紐付部６０９は、稼働情報ＤＢ１０１に記憶されている過去のセンサ信号およびイベント信号と、保守履歴情報ＤＢ１０２に記憶されている保守履歴情報との紐付けを行う。次に、作業キーワード抽出部６１０は、保守履歴情報に基づき作業キーワードを抽出する。次に、現象パターン分類基準作成部６１１は、関連情報紐付部６０９が紐付けた紐付情報を用い、作業キーワードを教師とし、現象パターンを分類するための分類基準を、アラームごとに作成する。次に、現象パターン分類部６１２は、対応するアラームの分類基準を用い、センサ信号から抽出された現象パターンを分類する。次に、診断モデル作成部６１３は、関連情報紐付部６０９が紐付けた紐付情報を用い、現象パターンの分類結果から、保守作業者が保守作業を行うための作業キーワードを推定するための診断モデルをアラームごとに作成する。

保守作業提示フェーズにおける処理の流れを説明する。まず、異常予兆検知部６０３は、診断対象となるセンサ信号（例えば、現在のセンサ信号）を用いて異常予兆検知を行う。次に、現象パターン抽出部６０４は、現象パターンを抽出する。次に、現象パターン分類部６０６は、分類基準を用いて抽出した現象パターンの分類を行う。次に、アラーム予測部６０８は、現象パターン分類部６０６の分類結果と、診断モデル作成部６０７にて作成された診断モデルとを用い、アラーム予測を行う。すなわち、アラーム予測部６０８は、異常予兆検知部６０３によって異常予兆が検知され、現象パターン分類部６０６によって分類された現象パターンが、どのアラームに関連するものか推定する（現象パターンがどのアラームに関するものか確率で示される）。次に、現象パターン分類部６１２は、確率が０でないと予測されたアラームについての現象パターンを、現象パターン分類基準作成部６１１によって作成された分類基準を用いて分類する。次に、保守作業提示部６１４は、現象パターン分類部６１２によって分類された現象パターンの分類結果と、診断モデル作成部６１３によって作成された診断モデルを用い、保守作業者に保守作業内容を提示するための作業キーワードの推定を行い、これをもとに保守作業を提示する。

なお、保守作業報告書に表れるキーワードは、アラームによって偏りが存在すると考えられる。例えば、油圧低下に関するアラームに対する保守作業報告書には、油圧やその低下に関するキーワードが多く含まれることが考えられる。そこで、図１８の情報処理装置１１は、上記したように、アラームごとに診断モデル等を作成し、診断対象となる現象パターンがどのアラームに関するものか予測する。そして、情報処理装置１１は、アラーム予測した現象パターンに基づいて診断モデルを参照することにより、保守作業者に正確な作業キーワードを提示することが可能となる。

以下に各ブロックの動作について、さらに詳細に説明する。ただし、第１の実施の形態と共通の部分の説明は省略する。なお、異常予兆検知部６０３、現象パターン抽出部６０４、および作業キーワード抽出部６１０における動作は、図２の異常予兆検知部１０３、現象パターン抽出部１０４、および作業キーワード抽出部１０６と同様である。

稼働情報ＤＢ６０１には、図３で説明した日時１０１ａとセンサ信号１０１ｂの他に、イベント信号とイベント信号を記憶した日時とが記憶される。イベント信号には、例えば、アラームの内容を示すコードが含まれている。

保守履歴情報ＤＢ６０２には、図４で説明した保守履歴情報ＤＢ１０２と同様の情報が記憶される。

現象パターン分類基準作成部６０５について説明する。現象パターン分類基準作成部６０５は、現象パターン分類基準作成部１０７と同様に、教師あり学習手法を用いて分類基準を作成する。なお、現象パターン分類基準作成部６０５は、診断モデルフェーズにて動作し、保守作業提示フェーズでは動作しない。

まず、現象パターン分類基準作成部６０５は、特徴量と教師ラベルからなる分類基準作成用の学習データを作成する。特徴量は、現象パターン抽出部６０４で抽出された現象パターンそのものであり、教師ラベルは、イベント信号から抽出されるアラームのコードである。現象パターンは、アラームより前の時刻で切り出されたセンサ信号から抽出されたものである。このような学習データを入力として教師あり学習を行うと、現象パターンをアラームコード別に分類するための分類基準が作成される。現象パターン分類基準作成部１０７と同様、教師あり学習手法としてはどのような手法を用いてもよい。

現象パターン分類部６０６は、現象パターン分類基準作成部６０５にて作成された分類基準に従って、現象パターン抽出部６０４にて抽出された現象パターンを分類する。この処理により、現象パターンには、ラベルが付加される。現象パターン分類基準作成部６０５にて使用された教師ラベルを「アラームの教師ラベル」、ここで付加されたラベルを「アラームの診断ラベル」と呼ぶこととする。

診断モデル作成部６０７について説明する。診断モデル作成部６０７は、現象パターン分類部６０６によって分類された現象パターンと、イベント信号から抽出されるアラームとに基づいて、現象パターンのアラームを予測するためのアラーム診断モデルを作成する。診断モデル作成部６０７は、診断モデルフェーズにて動作し、保守作業提示フェーズでは動作しない。

図１９は、診断モデル作成部６０７によって作成される診断モデルを説明する図である。診断モデルは、横軸にアラーム７０１を有し、縦軸に現象パターン７０２を有するマトリックスであって、ある現象パターンに対して、各アラームの発生の確率が計算されたものである。現象パターン７０２の分け方は、「アラームの診断ラベル」に従う。縦軸と横軸の決め方以外は、第１の実施の形態における診断モデル作成部１０９と同様である。

アラーム予測部６０８は、現象パターン分類部６０６にて得られた「アラームの診断ラベル」に基づいて、診断モデル作成部６０７にて作成された診断モデルの現象パターン７０２の欄を参照し、各アラームの確率を求め、確率が０でないアラームを確率が高い順に確率つきで提示する。

関連情報紐付部６０９は、診断モデル作成フェーズにて、稼働情報ＤＢ６０１に記憶されている過去のセンサ信号およびイベント信号と、保守履歴情報ＤＢ６０２に記憶されている保守履歴情報との紐付けを行う。処理方法は、第１の実施の形態と同様であるが、アラームを中心として紐付けを行う。すなわち、関連情報紐付部６０９は、１件の保守履歴情報について、その作業に至る原因となったアラームを抽出し、その作業日の前で最も近いアラームの時刻を起点に一定期間さかのぼってセンサ信号を切り出して紐付けする。

現象パターン分類基準作成部６１１における処理は、現象パターン分類基準作成部１０７と同様である。ただし、現象パターン分類基準作成部６１１は、アラームごとに、保守履歴情報ＤＢ６０２から分類基準作成用の学習データを作成する点が現象パターン分類基準作成部１０７と異なる。従って、現象パターン分類基準作成部６１１にて作成される分類基準は、それぞれのアラーム専用のものとなる。

現象パターン分類部６１２は、現象パターン分類基準作成部６１１にてアラームごとに作成された分類基準に従って、現象パターン抽出部６０４にて抽出された現象パターンを分類する。この処理により、現象パターンにラベルが付加される。現象パターン分類基準作成部６１１にて使用された教師ラベルを「作業の教師ラベル」、ここで付加されたラベルを「作業の診断ラベル」と呼ぶこととする。現象パターン分類部６１２は、診断モデル作成フェーズでは、保守履歴情報ＤＢ６０２から抽出したアラームの情報に基づいて、現象パターン分類基準作成部６１１にて作成された分類基準を選択して分類を実行する。保守作業提示フェーズでは、アラーム予測部６０８にて確率が０でないと予測されたアラーム全てについて、個々に現象パターン分類基準作成部６１１にて作成された分類基準を選択して分類を行い、複数の「作業の診断ラベル」を得る。現象パターン分類部６１２は、得られた「作業の診断ラベル」に、アラームの確率情報を対応付けておく。

診断モデル作成部６１３について説明する。診断モデル作成部６１３は、診断モデルフェーズにて動作し、保守作業提示フェーズでは動作しない。

図２０は、診断モデル作成部６１３によって作成される診断モデルを説明する図である。診断モデルは、横軸に作業キーワード８０１を有し、縦軸に現象パターン８０２を有するマトリックスであって、ある現象パターンに対して、各キーワードの処置が正しい確率が計算されたものである。図２０の例では、処置に関するキーワード８０１ａと、処置対象に関するキーワード８０１ｂとの組合せについて確率が算出されている。

診断モデル作成部６１３は、アラームごとに専用の診断モデルを作成する。図２０には、水圧低下に対する診断モデルの例を示している。

現象パターン８０２の分け方は、「作業の診断ラベル」に従う。図２０の例では、処置に関するキーワード８０１ａと処置対象に関するキーワード８０１ｂの組合せについて確率が算出される。算出方法は、診断モデル作成部１０９における処理と同様である。

保守作業提示部６１４は、現象パターン分類部６１２によって分類された現象パターンに基づいて、診断モデル作成部６１３にて作成された診断モデルを参照し、各作業キーワードの確率を求める。この処理は、アラーム予測部６０８にて確率が０でないと予測されたアラーム全てについて、個々に実施する。個々の処理において確率が０でない保守作業が複数抽出される。それらに、例えば、現象パターン分類部６１２で得られたアラームの確率を掛けて、各保守作業の確率とし、その値が高い順に確率つきで提示する。

このように、第２の実施の形態によれば、情報処理装置１１は、診断モデルをアラーム診断と作業診断の階層構造としたため、保守作業提示とともに予測アラームの提示を行うことができる。また、情報処理装置１１は、ユーザにとって分り易い教師ラベルの数を減らすことができ、精度の高い現象パターンの分類ができるため、より信頼性の高い診断モデルを作成できるようになる。

以下、情報処理装置１１の診断結果表示に関するＧＵＩ（Graphical User Interface）について説明する。なお、設備１２は、複数の機種や号機によって形成されているとし、情報処理装置１１は、機種や号機ごとにおいて、診断モデルを作成しているものとする。

図２１は、情報処理装置１１の異常検知結果の一覧表示画面の例を示した図である。図２１に示すように、情報処理装置１１は、例えば、自身が備える表示装置５０６または端末装置１３の表示装置に、画面９０１を表示する。

画面９０１に示すように、表示装置には、対象とする設備の通し番号とサイトと号機番号とがリストアップされ、それぞれに対して当日から、一定期間前の（図の例では１０日間）異常検知結果が表示される。図２１の丸印は、異常予兆が検知されたことを表す。情報処理装置１１は、メンテナンスなど他のイベントを併せて表示するようにしてもよい。スクロールバーの移動によりリストの下部、あるいは過去の情報を参照可能である。いずれかの行をクリックすると、対応する設備の詳細情報が表示される。

図２２は、選択された設備の詳細を表示する画面例を示した図である。図２２に示すように、選択された設備の画面には、予兆検知結果表示画面１００１と、診断結果表示画面１００２とがあり、画面上部のタブで切り替えることができる。

予兆検知結果表示画面１００１には、設備情報と異常検知結果とセンサ信号とに関する情報が表示される。装置情報表示部１００３には、対象設備の通し番号とサイトと号機番号とが表示される。日付表示部１００４には、日付が表示される。異常検知結果表示ウィンドウ１００５には、対応する日付の異常測度、閾値、および異常検知結果の時系列グラフが表示される。

ウィンドウの中の上側の黒の実線が異常測度、点線が閾値、下側の黒の実線が異常検知結果（異常の場合１、正常の場合０）を表す。センサ信号表示ウィンドウ１００６には、対応する日付のセンサ信号の時系列グラフが表示される。表示対象のセンサ信号は、センサ信号選択ウィンドウ１００７での選択により切り替えられる。

図示していないが、併せて基準値の時系列グラフを表示してもよい。スクロールバー１００８の移動により表示時期を過去にさかのぼることが可能である。終了ボタン１００９の押下により、詳細表示画面を消去して異常検知結果一覧表示画面に戻る。

図２３は、診断結果表示画面１００２の画面例を示した図である。図２３に示す装置情報表示部１００３と終了ボタン１００９は、図２２に示した予兆検知結果表示画面１００１と同じである。

診断結果表示画面１００２には、アラーム診断モデル表示ウィンドウ１０１０と作業診断モデル表示ウィンドウ１０１１が含まれる。アラーム診断モデル表示ウィンドウ１０１０には、診断モデル作成部６０７にて作成された診断モデルが表示され、選択中の設備の当日の現象パターンの分類結果、すなわちアラームの診断ラベルの欄が強調表示され、もっとも可能性の高いアラームの欄の数値に下線が示される。

作業診断モデル表示ウィンドウ１０１１には、診断モデル作成部６１３にて作成された診断モデルのうち、もっとも可能性の高いアラーム専用のものが表示され、現象パターンの分類結果、すなわち作業の診断ラベルの欄が強調表示され、もっとも可能性の高い保守作業の欄の数値に下線が示される。

スクロールバー１０１２、１０１３、１０１４、１０１５の移動により、診断モデルの表示範囲を変更することができる。保守作業提示ウィンドウ１０１６には、アラーム診断モデル表示ウィンドウ１０１０と作業診断モデル表示ウィンドウ１０１１との両方の結果を合わせて算出された確率つきの保守作業が確率の高い順に表示される。例えば、保守作業提示ウィンドウ１０１６には、保守作業候補の例として、「部品Ｘ交換９０％」が表示されている。「部品Ｘ交換９０％」は、水圧低下の確率９０％と、部品交換Ｘの確率１００％とを乗算して得られる。

下線が示された数値をクリックすると、その欄に分類された過去の情報のリストが表示され、そのリストの中の１行をクリックすると、図２２と同様の情報と紐付けられた保守履歴情報が表示される。

以上、本発明について実施形態を用いて説明したが、本発明の技術的範囲は上記実施形態に記載の範囲には限定されない。上記実施形態に多様な変更または改良を加えることが可能であることが当業者には明らかである。また、本発明は、情報処理装置１１、情報処理装置１１を制御する方法、制御するプログラム、当該プログラムを記憶した記憶媒体として提供することもできる。

１１：情報処理装置、１２：設備、１３：端末装置、１４：ネットワーク、１０１，６０１：稼働情報ＤＢ、１０２，６０２：保守履歴情報ＤＢ、１０３，６０３：異常予兆検知部、１０４，６０４：現象パターン抽出部、１０５，６０９：関連情報紐付部、１０６，６１０：作業キーワード抽出部、１０７，６０５，６１１：現象パターン分類基準算出部、１０８，６０６，６１２：現象パターン分類部、１０９，６０７，６１３：診断モデル作成部、１１０，６１４：保守作業提示部、２０１：特徴ベクトル抽出部、２０２：基準ベクトル算出部、２０３：異常測度算出部、２０４：閾値算出部、３０１：残差ベクトル算出部、３０２：分布密度算出部、３０３：孤立度ベクトル算出部、３０４：現象パターン算出部、４０１，８０１：作業キーワード、４０１ａ，４０１ｂ，８０１ａ，８０１ｂ：キーワード、４０２，７０２，８０２：現象パターン、５０１：演算装置、５０２：主記憶装置、５０３：補助記憶装置、５０４：通信Ｉ／Ｆ、５０５入力装置、５０６：表示装置、５０７：読み書き装置、７０１：アラーム。

Claims (15)

1. 設備の過去のセンサ信号の現象パターンを抽出する現象パターン抽出部と、
   前記センサ信号を保守履歴情報に基づいて紐付する紐付部と、
   前記現象パターン抽出部によって抽出された前記現象パターンと、前記現象パターンのもととなる前記センサ信号を紐付けた前記保守履歴情報に含まれる作業キーワードとに基づいて、前記現象パターンを分類するための分類基準を作成する分類基準作成部と、
   前記分類基準作成部によって作成された前記分類基準に基づいて、前記現象パターンを分類する現象パターン分類部と、
   前記現象パターン分類部によって分類された前記現象パターンと、前記作業キーワードとに基づいて、保守作業者に提示する作業キーワードを推定するための診断モデルを作成する診断モデル作成部と、
   を有することを特徴とする情報処理装置。
2. 請求項１に記載の情報処理装置であって、
   前記現象パターン抽出部は、前記設備の診断対象となる診断対象センサ信号の診断対象現象パターンを抽出し、
   前記現象パターン分類部は、前記現象パターン抽出部によって抽出された前記診断対象現象パターンを、前記分類基準によって分類し、
   前記現象パターン分類部によって分類された前記診断対象現象パターンに基づいて前記診断モデルを参照し、保守作業者に提示する作業キーワードを抽出する保守作業提示部をさらに有することを特徴とする情報処理装置。
3. 請求項１に記載の情報処理装置であって、
   前記作業キーワードは、前記保守履歴情報に含まれる付随値に基づいて抽出されることを特徴とする情報処理装置。
4. 請求項３に記載の情報処理装置であって、
   前記保守履歴情報は、保守コストまたは設備のダウンタイムを含み、前記付随値は前記保守コストまたは前記設備のダウンタイムであることを特徴とする情報処理装置。
5. 請求項３に記載の情報処理装置であって、
   前記付随値は、前記センサ信号をもとに算出される異常測度であることを特徴とする情報処理装置。
6. 請求項３に記載の情報処理装置であって、
   前記付随値は、前記保守履歴情報中の特定のキーワードの有無を表す数値であることを特徴とする情報処理装置。
7. 請求項１に記載の情報処理装置であって、
   前記分類基準は、前記作業キーワードまたはその組合せを教師ラベルとして、教師あり学習手法を適用して決められることを特徴とする情報処理装置。
8. 請求項１に記載の情報処理装置であって、
   前記現象パターンは、前記センサ信号から、観測ベクトルと基準ベクトルとの差として算出される残差ベクトルの累積値で表されることを特徴とする情報処理装置。
9. 請求項１に記載の情報処理装置であって、
   前記現象パターンは、前記センサ信号から学習データの二次元分布密度に基づき算出される孤立度ベクトルの累積値で表されることを特徴とする情報処理装置。
10. 請求項１に記載の情報処理装置であって、
    前記現象パターンは、前記センサ信号からバグオブフィーチャー手法により算出されるヒストグラム特徴で表されることを特徴とする情報処理装置。
11. 請求項１に記載の情報処理装置であって、
    前記診断モデルは、前記現象パターンの分類結果と前記作業キーワードまたはその組合せの二次元の頻度分布をもとに算出される確率で表されることを特徴とする情報処理装置。
12. 請求項８に記載の情報処理装置であって、
    前記基準ベクトルは、局所部分空間法を利用して算出されることを特徴とする情報処理装置。
13. 請求項２に記載の情報処理装置であって、
    前記設備の過去のイベント信号に含まれるアラームを教師として、前記現象パターンを分類するためのアラーム分類基準を作成するアラーム分類基準作成部と、
    前記アラーム分類基準作成部によって作成された前記アラーム分類基準に基づいて、前記現象パターンを分類するアラーム分類部と、
    前記アラーム分類部によって分類された前記現象パターンと、前記アラームとに基づいて、前記診断対象現象パターンのアラームを予測するためのアラーム診断モデルを作成するアラーム診断モデル作成部と、
    前記アラーム診断モデル作成部によって作成されたアラーム診断モデルに基づいて、前記診断対象現象パターンのアラームを予測するアラーム予測部と、
    をさらに有し、
    前記分類基準作成部は、前記アラームごとの前記分類基準を作成し、
    前記診断モデル作成部は、前記アラームごとの前記診断モデルを作成し、
    前記現象パターン分類部は、前記アラーム予測部によってアラームが予測された前記診断対象現象パターンを、前記アラームごとの前記分類基準によって分類し、
    前記保守作業提示部は、前記現象パターン分類部によって分類された前記診断対象現象パターンに基づいて、前記アラームごとの前記診断モデルを参照し、保守作業者に提示する作業キーワードを抽出することを特徴とする情報処理装置。
14. 情報処理装置による設備の診断方法であって、
    前記設備の過去のセンサ信号の現象パターンを抽出する現象パターン抽出ステップと、
    前記センサ信号を保守履歴情報に基づいて紐付する紐付ステップと、
    前記現象パターン抽出ステップによって抽出された前記現象パターンと、前記現象パターンのもととなる前記センサ信号を紐付けた前記保守履歴情報に含まれる作業キーワードとに基づいて、前記現象パターンを分類するための分類基準を作成する分類基準作成ステップと、
    前記分類基準作成ステップによって作成された前記分類基準に基づいて、前記現象パターンを分類する現象パターン分類ステップと、
    前記現象パターン分類ステップによって分類された前記現象パターンと、前記作業キーワードとに基づいて、保守作業者に提示する作業キーワードを推定するための診断モデルを作成する診断モデル作成ステップと、
    を有することを特徴とする診断方法。
15. 情報処理装置のプログラムであって、
    設備の過去のセンサ信号の現象パターンを抽出する現象パターン抽出部と、
    前記センサ信号を保守履歴情報に基づいて紐付する紐付部と、
    前記現象パターン抽出部によって抽出された前記現象パターンと、前記現象パターンのもととなる前記センサ信号を紐付けた前記保守履歴情報に含まれる作業キーワードとに基づいて、前記現象パターンを分類するための分類基準を作成する分類基準作成部と、
    前記分類基準作成部によって作成された前記分類基準に基づいて、前記現象パターンを分類する現象パターン分類部と、
    前記現象パターン分類部によって分類された前記現象パターンと、前記作業キーワードとに基づいて、保守作業者に提示する作業キーワードを推定するための診断モデルを作成する診断モデル作成部と、
    して前記情報処理装置を機能させることを特徴とするプログラム。

Images