JP2016177676A - 診断装置、診断方法、診断システムおよび診断プログラム - Google Patents

Abstract

【課題】設備の稼働率低下を未然に防止するため、診断対象の異常または劣化を、検知および特定する診断装置、診断方法、診断システムおよび診断プログラムを提供する。【解決手段】複数の時刻のそれぞれごとに、時刻までに計測された診断対象の計測値に基づき、診断対象２０１，２０２の状態を表すパラメータの確率密度分布を推定する推定部１０５と、確率密度分布に関する予め定められた条件を満たす１または複数の確率密度分布を選択する選択部とを備える。【選択図】図１

Description

本発明の実施形態は、診断装置、診断方法、診断システムおよび診断プログラムに関する。

設備の稼働率低下を未然に防止するため、異常の早期発見、異常個所の早期特定、予兆の検知などは、非常に重要な課題である。近年、インターネットを介したクラウドサービスにて、設備の監視、制御、診断といった各種サービスを提供する動きが盛んである。クラウドサービスでは、機器に備えられたセンサ等による常時監視を行うため、オンサイトで実施していた従来の保守に比べ、異常を迅速に発見することができる。

また、近年、データマイニングや機械学習モデルにより、設備やセンサ自体の異常を推定する手法も普及しつつある。機械学習モデルでは、正常状態での計測データに基づき正常なデータを学習し、正常なデータ以外を検知した場合には、異常状態と判定する。これにより、異常の発生を即座に検知するだけでなく、実際に異常が発生する前に、その兆候を検知することもできる。

しかし、システムの規模が大きくなると、システム全体としては、劣化や異常の兆候を把握することができても、原因である機器の特定は難しくなる。機器を特定するためには、高性能のセンサを、設備や設置空間などに大量に設置することとなり、コストがかかる。計測データも膨大となり、データの収集や保存、通信量の増加といった問題も生ずる。また、データが異常であるか否かを判断する指標が少なく、正確性に欠くといった問題もある。

特許５３３７９０９号 特開２０１０−１９１５５６号公報

山西 健司、「データマイニングによる異常検知」、共立出版、２００９年

本発明の実施形態は、診断対象の異常または劣化を、検知および特定することを目的とする。

本発明の一態様としての推定装置は、複数の時刻のそれぞれごとに、前記時刻までに計測された診断対象の計測値に基づき、前記診断対象の状態を表すパラメータの確率密度分布を推定する推定部と、前記確率密度分布に関する予め定められた条件を満たす１または複数の確率密度分布を選択する選択部とを備える。

本発明の一実施形態に係る診断装置の概略構成の一例を示すブロック図。 パーティクルフィルタを用いる場合の診断装置の一例を示すブロック図。 パーティクルフィルタの処理の内容を示す図。 出力の一例を示す図。 計測データに関する処理のフローチャート。 確率密度分布の推定および出力処理のフローチャート。 パーティクルフィルタ処理のフローチャート。 確率密度分布検索処理のフローチャート。 本発明の一実施形態に係るハードウェア構成の一例を示すブロック図。

以下、図面を参照しながら、本発明の一実施形態について説明する。

（本発明の一実施形態）
図１は、本発明の一実施形態に係る診断装置の概略構成の一例を示すブロック図である。本発明の一実施形態に係る診断装置１００は、診断対象の設備が存在する診断対象システムと、監視センター等の監視システムと、図示しない通信ネットワークを介して、接続されている。各データのやり取りは、当該通信ネットワークを介して行われる。通信ネットワークは、有線ネットワークでも、無線ネットワークでも、有線および無線のハイブリッドネットワークでもよい。

診断対象システム内には、診断対象設備２０１と、当該設備を監視するセンサ等の計測装置２０２が存在する。計測装置２０２は１つでも複数でもよく、当該設備に直に取り付けられていても、設備周辺に存在してもよい。

監視システム内には、診断装置１００からの出力を受け取るＰＣ等の端末３０１が存在する。オペレータ等の監視員は、当該出力に基づき、保守対応の要否、内容等を判断する。

診断装置１００は、計測データ収集部１０１、性能指標演算部１０２、計測データ記憶部１０３、シミュレーション部１０４、確率密度分布推定部１０５、推定確率密度分布加工部１０６、推定確率密度分布記憶部１０７、推定確率密度分布抽出部１０８、出力部１０９、入力部１１０を備える。

計測データ収集部１０１は、診断対象設備２０１および診断対象を監視する計測装置２０２から、通信ネットワークを介して、計測データを収集する。計測データに含まれる計測項目の種類は、１つでも複数でもよい。また、診断装置１００の診断に不要な計測項目のデータは、含まれなくともよい。

診断対象設備２０１の計測データは、診断対象設備２０１が計測できるデータであれば何でもよい。例えば、当該設備の設定温度、消費電力、制御信号、エラー等のログなどがある。診断対象設備２０１の情報は、診断対象設備２０１からではなく、診断対象設備２０１に取り付けられた計測装置２０２から受け取ってもよい。

計測装置２０２の計測データは、計測装置２０２が計測できるデータであれば何でもよい。例えば、計測装置２０２が空調設備であれば、部屋の温度、湿度、熱交換器に出入りする水の流量や温度、機器の稼働音などがある。

計測データは、任意のタイミングで、計測データ収集部１０１がポーリングして取得してもよい。もしくは、診断対象設備２０１および計測装置２０２が、任意のタイミングで、計測データ収集部１０１に送信してもよい。収集された計測データは、性能指標演算部１０２と計測データ記憶部１０３に送られる。

性能指標演算部１０２は、計測データ収集部１０１から取得した計測データに基づき、診断対象設備２０１の性能指標を算出する。性能指標は、診断対象設備２０１の性能を表すものである。例えば、空調設備であれば温度と流量から計算する熱量、発電設備であれば１日あたりの積算電力量や燃料消費量などがある。性能指標は、計測データに基づき算出できるものであれば、何でもよい。算出した性能指標は、計測データ記憶部１０３に送られる。

性能指標は、後述する推定パラメータを算出するために用いられる。なお、推定パラメータの算出は、計測データだけでも可能であり、性能指標はなくともよい。性能指標を用いない場合、性能指標演算部１０２はなくともよい。

計測データ記憶部１０３は、計測データ収集部１０１からの計測データと、性能指標演算部１０２からの性能指標を格納する。格納された計測データと性能指標は、確率密度分布推定部１０５が処理を行う際に、用いられる。

シミュレーション部１０４は、確率密度分布推定部１０５からの指示に従い、診断対象システムのシミュレーションを行う。シミュレーション部１０４の演算内容および手法は、予めモデル式（状態方程式）等で定められているとする。シミュレーションに必要なパラメータは、確率密度分布推定部１０５から与えられる。なお、シミュレーション部１０４は、既存のシミュレータを用いてもよい。

確率密度分布推定部１０５（推定部）は、計測データに基づき、診断対象の状態を推定する。ここで、推定される状態（推定状態）は、計測データに含まれる計測項目からでは算出することができない項目に関する状態を意味する。例えば、診断対象が空調設備の場合、空調の設定温度や部屋の温度などは、計測装置２０２で計測することができるが、空調設備の冷暖房効率（ＣＯＰ）は、対象とする建物の熱特性モデルを使わなければ算出することができない。このように、推定状態は、確率密度分布推定部１０５が取得した計測データからでは算出することができない項目に関する状態を称する。

推定状態は、診断対象から直接計測することが出来ない状態でもよいし、計測装置２０２では計測できない状態でもよいし、計測はできるが計測していない状態でもよい。

推定される状態は、例えば、診断対象が空調設備の場合は、壁の断熱性能、空調機器の冷暖房効率（ＣＯＰ）、各部屋における人の想定発熱量などがある。

なお、推定される状態および推定に用いられる計測項目は、予め定められていることを想定しているが、入力部１１０を介してユーザの指示に従ってもよい。また、推定される状態および推定に用いる計測項目は、１つでも複数でもよい。

推定方法は、ベイズ推定を用いる。計測データに基づく計測された状態をＹ、計測されていない状態（推定状態、非計測状態）をＸとすると、状態Ｙに基づき、状態Ｘを推定することは、状態Ｙが起きた場合における状態Ｘの起きる確率（事後確率）Ｐ（Ｘ｜Ｙ）を求めることと同じである。そして、事後確率Ｐ（Ｘ｜Ｙ）はベイズの定理により次式で表される。

ベイズ推定では、上記数式において、Ｘを確率変数とし、Ｘを確率密度関数Ｐにおけるパラメータとみなす。以降、Ｘを推定（非計測）パラメータと称する。そうすると、Ｐ（Ｘ）は、推定パラメータＸの事前確率密度分布、Ｐ（Ｘ｜Ｙ）は、状態Ｙが計測されたときの推定パラメータＸの事後確率密度分布となる。Ｐ（Ｙ）は状態Ｙが起きる事前確率、Ｐ（Ｙ｜Ｘ）は、パラメータＸの時にＹが得られる事後確率であり、尤度と称される。

さらに、時刻ｔ（ｔは正の実数）における推定パラメータをＸｔ、数式１は次式に置き換えることができる。
Ｙ１：ｔとは、時刻ｔまでに計測されたデータの集合Ｙ＝｛Ｙ１、Ｙ２、・・・Ｙｔ｝を意味する。つまり、Ｐ（Ｘｔ│Ｙ１：ｔ）は、計測開始時刻から現在時刻までの計測値に基づく、推定パラメータＸの確率密度分布を意味する。

なお、確率密度分布の分布の形状に着目する場合、Ｐ（Ｙｔ│Ｙ１：ｔ−１）は、Ｘに依存しない定数であるため、無視してもよい。よって、次式で表される。

上記数式３によれは、新たに計測値Ｙｔを得て、尤度Ｐ（Ｙｔ│Ｘｔ）を求めることにより、先の時刻ｔ−１までの計測データから推定した事後確率密度分布Ｐ（Ｘｔ│Ｙ１：ｔ−１）を、現在の時刻までの計測データから推定する事後確率密度分布Ｐ（Ｘｔ│Ｙ１：ｔ）に、逐次更新できることを意味する。したがって、初期時刻ｔ＝０における適当な初期確率密度分布Ｐ（Ｘ０）から始めて、尤度の算出と事後確率密度分布の更新を繰り返すことで、現在時刻の推定パラメータＸの確率密度分布を求めることができる。

このように、事後確率密度分布を求める方法としては、ギブス法、メトロポリス法などを含むマルコフ連鎖モンテカルロ法（ＭＣＭＣ：Ｍａｒｋｏｖ ｃｈａｉｎ Ｍｏｎｔｅ Ｃａｒｌｏ ｍｅｔｈｏｄｓ）、逐次モンテカルロ法の一種であるパーティクル法などが知られている。

確率密度分布推定部１０５は、予め定められた上記の手法を用いて、事後確率密度分布を算出する。尤度Ｐ（Ｙｔ│Ｘｔ）の計算には、シミュレーション部１０４が用いられる。推定された事後確率密度分布は、推定確率密度分布加工部１０６に送られる。

確率密度分布推定部１０５が、事後確率密度分布を推定する一例として、パーティクルフィルタを推定手法として用いる場合を説明する。

パーティクルフィルタは、推定パラメータＸの事後確率密度分布Ｐ（Ｘ｜Ｙ）を、多数のパーティクルを有するパーティクル群の分布で近似する手法である。パーティクルフィルタは、予測、尤度計算、リサンプリング（パーティクル群の分布の更新）を逐次的に繰り返すことによって、現在時刻における推定パラメータＸの事後確率密度分布を算出する。

パーティクルの数は、一般的に１００から１万個程度の範囲で任意に定めるとする。パーティクルの総数が多くなれば、推定精度が向上するが、推定計算に要する時間が長くなる。なお、パーティクル群は、パーティクルの数をｎ（ｎは正の整数）個とすると、Ｐ＝｛ｐ１、ｐ２、・・、ｐｉ・・・ｐｎ｝で表される。ｉは１以上、ｎ以下の整数である。

なお、推定する状態が複数ある場合、推定パラメータＸはｍ（ｍは正の整数）個の構成要素を含むｎ次元ベクトルＸ＝｛ｘ１、ｘ２、・・・ｘｍ｝で表すことができる。例えば、ＣＯＰと、１人あたりの想定発熱量の２つを推定したい場合は、ｘ１をＣＯＰ、ｘ２を１人あたりの想定発熱量とするが、他の情報も含んでいる場合もある。それぞれのパーティクルは、前記の計測値Ｙｔとパーティクルの各構成要素を入力として、乱数と予め定められたモデル式（状態方程式）を用いて、時刻ｔ＋１における各パーティクルの構成要素の予測値と計測予測値Ｙｔ+１を算出することが可能となる全ての情報を含んでいる。この場合、ｉ番目のパーティクルは、次式で表される。
ｐ_ｉ＝｛ｘ１_ｉ、ｘ２_ｉ、・・・・・，ｘｍ_ｉ、重みｉ｝
重みｉは、後述するリサンプリングの処理にて用いられる数値である。パーティクルの各要素の値および重みは、浮動小数点または整数で表される。

図２は、パーティクルフィルタを用いる場合の診断装置１００の一例を示すブロック図である。この場合の確率密度分布推定部１０５は、パーティクル初期設定部１０５１、シミュレーション制御部１０５２、パーティクル尤度計算部１０５３、パーティクル変更演算部１０５４を備える。

パーティクル初期設定部１０５１は、初期時刻における各パーティクルの構成要素および重みの初期値を設定する。構成要素の初期値は０、重みの初期値は１を想定しているが、他の値でもよい。また、ユーザに入力部１１０を介して値を入力させてもよい。

シミュレーション制御部１０５２は、各パーティクルの構成要素および重みの値をシミュレーション部１０４に送り、シミュレーションの実行を指示する。

シミュレーション部１０４は、乱数と予め定められたモデル式（状態方程式）を用いて、時刻ｔ＋１における各パーティクルの構成要素の予測値を計算する。

パーティクル尤度計算部１０５３は、シミュレーション部１０４が算出した時刻ｔ＋１における各パーティクルの予測値と、時刻ｔ＋１における計測データの実測値の差に基づき、尤度を算出する。

尤度の算出方法は、例えば、ガウス分布に基づくノイズが観測値に入ることを仮定し、計測データの計測値と、シミュレーション部１０４の予測値とのユークリッド距離を正規化するなどの方法があるが、特に限定されるものではない。

パーティクル変更演算部１０５４は、パーティクル尤度計算部１０５３が算出した各パーティクルの尤度を、各パーティクルの重み値とし、リサンプリングを行う。リサンプリングとは、重み値に基づき、各パーティクルを複製または消滅させ、新たなパーティクル群を生成することを意味する。なお、消滅させたパーティクルの数だけ、パーティクルは複製されるため、パーティクルの数は一定である。

リサンプリングの方法は、パーティクルｐｉの重みｉを、全てのパーティクルの重みの総和で除算した値（重みｉ／Σ重みｉ）である選択確率Ｒｉに基づき、各パーティクルに対し、複製および消滅を行う。そして、リサンプリング終了後に存在するｎ個のパーティクルを、新しいパーティクルの集合とする。

パーティクル変更演算部１０５４は、新しいパーティクル群の全てのパーティクルの全ての構成要素の値に対し、一定の長さで予め区切られた範囲に含まれるパーティクルの構成要素の値を、当該範囲内の予め定められた値に変更する。これは、パーティクルの個数によって、確率密度分布の値を決定するためである。そして、各パーティクルの重みを１にする。このようにして、時刻ｔ＋１のパーティクル群が生成される。

図３は、パーティクルフィルタの処理の内容を示す図である。横軸は確率変数ｘ１、縦軸は確率密度を表す。

図３（Ａ）は、時刻ｔにおけるパーティクル群の分布を示す。パーティクルが別のパーティクルの上に表示されているのは、便宜上、ｘ１の値が同じパーティクルが複数あることを示す。

図３（Ｂ）は、時刻ｔ＋１におけるパーティクルの分布をシミュレーションにより予測した分布である。

図３（Ｃ）は、尤度のグラフと、パーティクルの重みを色で分類した図である。曲線で示された尤度の大きさに基づき、各パーティクルの重みが決定される。尤度の大小の判断基準は、予め定められているものとする。ここでは、尤度の小さいパーティクルを黒色に、尤度の大きいパーティクルを斜線に、それ以外のパーティクルは白色に示している。

図３（Ｄ）は、リサンプリングの結果を示す。尤度が小さい黒色のパーティクルは消滅し、尤度の大きい斜線のパーティクルは複製されている。なお、複製する個数は、重みによって異なってもよい。例えば、図３（Ｃ）の尤度が最大となるパーティクルは、図３（Ｄ）にて２つ複製されている。

図３（Ｅ）は、時刻ｔ＋１におけるパーティクル群の分布を示す。一定区間内に存在するパーティクルの値を、全て一定値にするという調整により、同じ値のパーティクルが複数存在することになり、時刻ｔ＋１における確率密度分布の形状となる。

この処理を現在の時刻まで繰り返すことで、最終的に現在時刻の事後確率密度分布が求まる。

推定確率密度分布加工部１０６は、確率密度分布推定部１０５が算出した事後確率密度分布（推定確率密度分布）に対し、記録日時などの付加情報をインデックスとして追加する。付加情報は、計測データから取得してもよいし、図示しない別のデータベースから取得してもよい。

また、推定確率密度分布加工部１０６は、常に確率密度分布を加工しなくともよい。例えば、入力部１１０を介してユーザからの指示を受け付けた場合、定期的な時刻、または設備の更新計画などの不定期なイベントが行われる期間中の場合に、付加情報を記録するとしてもよい。

インデックスは、後述する推定確率密度分布抽出部１０８の検索処理に用いられる。インデックスは、記録した日時、曜日、天候、季節、および診断対象に影響を与えるイベントを識別するための任意もしくは選択式のキーワード群などである。一般のデータベースの検索に用いられるキーワードであれば、何でもよい。

イベントとは、例えば、診断対象の設備の更新、点検、または補修、もしくは当該設備の設置場所のレイアウト変更またはテナントの入れ替えなど、診断対象に影響を与えると思われるものであれば何でもよい。

また、推定確率密度分布加工部１０６は、推定確率密度分布を生成してもよい。例えば、パーティクル変更演算部から、パーティクルの値だけを渡し、推定確率密度分布加工部１０６が確率密度分布を生成してもよい。

推定確率密度分布記憶部１０７は、確率密度分布推定部１０５が算出した確率密度分布を格納する。

推定確率密度分布抽出部１０８（選択部）は、推定確率密度分布記憶部１０７に格納されている過去の推定確率密度分布から、予め定められた条件を満たす過去の推定確率密度分布を検出する。条件は、例えば、現時点の推定確率密度分布との差分量が閾値以上とすることができる。

差分量を求める方法は、ユークリッド距離、カルバック・ライブラー（ＫＬ）情報量、ジェンセン・シャノン（ＪＳ）情報量などを用いることができる。一例として、離散確率密度分布ＰおよびＱに対する差分量を、拡張ＫＬ情報量で求める場合の式を下に示す。ここで、ｉは正の整数を意味する。

ＫＬ情報量は対称性がないため距離ではないが、ここで用いる拡張ＫＬ情報量は対称性を有するため、確率密度分布間の距離として定義することができる。拡張ＫＬ情報量は、確率密度分布Ｐ，Ｑが一致する場合は０であり、ずれが大きいほど値が大きくなり、負の値をとらないことが知られている。なお、演算方法は本計算方法に限定されるものではない。

なお、条件は、差分量を用いたものに限られるものではない。例えば、確率密度分布のピークの位置、平均、または分散など確率密度分布に関するものでもよいし、計測データが計測された時間帯、曜日、または計測時の天気など計測データに関するものでもよい。また、条件は１つでも複数でもよい。

出力部１０９は、推定確率密度分布抽出部１０８が抽出した結果を出力する。

図４は、出力部１０９の出力の一例を示す図である。図４（Ａ）は、現在の推定確率密度分布である。図４（Ｂ）は、過去の推定確率密度分布である。過去の推定確率密度分布は、現在の状況等、類似する情報に基づき、抽出される。両図とも、インデックス情報と合わせて表示されている。

図４（Ａ）と図４（Ｂ）を見るに、図４（Ａ）ではピークが２つあるが、図４（Ｂ）ではピークが１つと明らかに異なっていることが分かる。計測データを、平均等の数値で表すと、両方とも同程度の値となり、違いを区別し難くい。しかし、確率密度分布で表すことにより、違いが明確となる。この図の例からは、設備の稼働状況が大きく変化したか、もしくは故障または異常が発生した可能性が読み取れる。このように、推定確率密度分布の出力は、監視員等が、診断対象の設備や機器に何らかの異常が発生しているかを判断することを支援する。

出力方法は、画面に表示してもよいし、ファイルなどに保存してもよい。差分量が閾値以上である過去の推定確率密度分布がない場合は何も表示しなくてもよい。

また、出力部１０９は、後述する入力部１１０の処理により、推定確率密度分布記憶部１０７に格納されている過去の推定確率密度分布を出力する。

入力部１１０は、ユーザが指定した検索条件を受け付け、推定確率密度分布記憶部１０７に格納されている過去に推定したパラメータ確率密度分布を検索するように、推定確率密度分布抽出部１０８に指示する。なお、推定確率密度分布抽出部１０８に指示するのではなく、検索専用の部位を別に設けてもよい。検索条件をユーザに指定させるために、検索フォーム等のＧＵＩを出力部１０９に表示してもよい。なお、出力部１０９と入力部１１０は、１つにまとめてもよい。

また、入力部１１０は、パーティクル初期設定部１０５１、推定確率密度分布加工部１０６に対するユーザからの指示を受け付けてもよい。これらの指示により、パーティクル初期設定部１０５１、推定確率密度分布加工部１０６は、設定値または処理の内容を変更してもよい。また、その他の各部に対する指示を受け付けてもよい。

次に、本実施形態に係る診断装置１００により行われる処理について説明する。本実施形態に係る診断装置１００は、計測データに関する処理と、確率密度分布の推定および出力処理と、ユーザからの指示を受けて、確率密度分布検索処理の３つを有する。

始めに、計測データに関する処理を説明する。図５は、計測データに関する処理のフローチャートである。当該処理は、予め設定された時刻や、診断装置１００の電源起動時、ユーザからの指示などのタイミングで開始されるものとする。

計測データ収集部１０１は、診断対象システム内にある診断対象設備２０１と計測装置２０２から、計測データを取得する（Ｓ１０１）。計測データは、全ての計測装置２０２から取得してもよいし、予め定められた計測装置２０２からのみ取得してもよい。取得する計測データは、全データでもよいし、今までに取得済みのデータとの差分でもよい。また、確率密度分布推定部１０５で使用する計測項目に関するデータだけでもよい。

計測データ収集部１０１は、計測データを計測データ記憶部１０３と、性能指標演算部１０２に送る（Ｓ１０２とＳ１０４）。送るデータは全てでもよいし、差分や必要なデータだけでもよい。

計測データ記憶部１０３は取得したデータを格納する（Ｓ１０３）。

性能指標演算部１０２は計測データに基づき、予め定められた性能指標を算出し、計測データ記憶部１０３に送る（Ｓ１０５）。

計測データ記憶部１０３は、取得した性能指標を格納する（Ｓ１０６）。以上で計測データに関する処理は終了する。

次に、確率密度分布の推定および出力処理について説明する。図６は、確率密度分布の推定および出力処理のフローチャートである。当該処理は、計測データが計測データ記憶部１０３に格納されたタイミング、予め設定された時刻、診断装置１００の電源起動時、ユーザからの指示などのタイミングで開始されるものとする。

確率密度分布推定部１０５は、計測データ記憶部１０３から、当該処理に必要な計測データを取得する（Ｓ２０１）。必要な計測データは、推定パラメータにより異なる。推定パラメータおよび必要な計測データは、予め定められていてもよいし、入力部を介してユーザに指定させてもよい。推定パラメータは１つでも複数でもよい。

確率密度分布推定部１０５は、当該計測データに基づき、確率密度分布推定処理を行う（Ｓ２０２）。Ｓ２０２の処理は後述する。

推定確率密度分布加工部１０６は、取得した推定確率密度分布に対し、インデックスを付与する等の確率密度分布のデータの加工を行う（Ｓ２０３）。なお、ユーザから入力部を介して、加工の指示を受け取った場合のみ、処理を行うとしてもよい。

推定確率密度分布記憶部１０７は、加工された推定確率密度分布を格納する（Ｓ２０４）。

推定確率密度分布抽出部１０８は、現在の推定確率密度分布と、推定確率密度分布記憶部１０７に格納された過去の推定確率密度分布とを比較し、条件を満たす過去の推定確率密度分布を抽出する（Ｓ２０５）。現在の推定確率密度分布は、推定確率密度分布加工部１０６から、処理の実行指令と共に受け取ればよい。もしくは、インデックスのみ受け取り、推定確率密度分布記憶部１０７から抽出してもよい。なお、ユーザから入力部を介して、抽出の指示を受け取った場合のみ、処理を行うとしてもよい。

出力部１０９は、推定確率密度分布抽出部１０８から取得した過去の推定確率密度分布と、現在の推定確率密度分布を表示する（Ｓ２０６）。以上で確率密度分布の推定および出力処理が終了する。

パーティクルフィルタを用いた場合における確率密度分布推定処理（Ｓ２０２）について、説明する。図７は、パーティクルフィルタ処理のフローチャートである。

パーティクル初期設定部１０５１は、確率密度分布を生成する推定パラメータに対し、以前に生成したパーティクル群があるかを確認する（Ｓ２０１）。ある場合は、Ｓ３０３の処理に移る。ない場合は、パーティクル初期設定部１０５１は、各パーティクルの初期値を決定する（Ｓ３０２）。パーティクルの数は、予め定められていることを想定しているが、この時にパーティクル初期設定部１０５１が決定してもよい。

シミュレーション制御部１０５２は、全パーティクルの構成要素の値をシミュレーション部１０４に送る（Ｓ３０３）。シミュレーション部は、取得した全パーティクルに対し、シミュレーションを行い、次の時刻における各パーティクルの予測値を算出する（Ｓ３０４）。

パーティクル尤度計算部１０５３は、シミュレーション制御部１０５２から予測値を、計測データ記憶部１０３から計測データを取得し、予測値と計測データに基づき、各パーティクルの尤度を計算する（Ｓ３０５）。

パーティクル変更演算部１０５４は、リサプリングと各パーティクルの値の調整を行い、新たなパーティクル群を生成する（Ｓ３０６）。生成した新たなパーティクル群が現在時刻のパーティクル群かを確認し（Ｓ３０７）、現在時刻でのパーティクル群でない場合は（Ｓ３０７のＮＯ）、Ｓ３０３の処理に戻る。現時時刻でのパーティクル群である場合は（Ｓ３０７のＹＥＳ）、当該処理は終了し、確率密度分布の推定および出力処理のＳ２０３の処理に移る。

確率密度分布検索処理について説明する。図８は、確率密度分布検索処理のフローチャートである。当該処理は、ユーザからの入力を受け付けたタイミングで開始されるものとする。

入力部１１０は、受け付けた検索条件を推定確率密度分布抽出部１０８に送る（Ｓ４０１）。このとき、入力部１１０は、検索条件の妥当性を判断し、不適当な場合は、その旨を表示するよう出力部１０９に指示してもよい。

推定確率密度分布抽出部１０８は、取得した検索条件に基づき、推定確率密度分布記憶部１０７を検索する（Ｓ４０２）。推定確率密度分布抽出部１０８は、検出された推定確率密度分布を出力部１０９に送る（Ｓ４０３）。抽出可能なデータが存在しない場合は、その旨を出力部１０９に送る。

出力部１０９は、検索結果を表示する（Ｓ４０４）。表示する内容は、確率密度分布の推定および出力処理の時（Ｓ２０６）と同様でもよいし、異なっていてもよい。複数の結果を表示してもよい。以上で確率密度分布の検索処理が終了する。

以上のように、本発明の一実施形態によれば、設備や計測装置の性能劣化や故障を早期発見することを可能にする。また、直接計測できないパラメータの確率密度分布を現時点の計測データから取得することにより、センサを増やすコストを抑えることができる。また、計測データを抑えることができるため、保存データおよび通信量の増加を抑えることができる。また、数値ではなく、確率密度分布のグラフにより、パラメータ変動を把握するため、数値では把握できなかった異常も、グラフの形状により把握することができ、異常の判定が容易となる。

上記に説明した実施形態における各処理は、ソフトウェア（プログラム）によって実現することが可能である。よって、上記に説明した実施形態における診断装置は、例えば、汎用のコンピュータ装置を基本ハードウェアとして用い、コンピュータ装置に搭載されたプロセッサにプログラムを実行させることにより実現することが可能である。

図９は、本発明の一実施形態に係るハードウェア構成の一例を示すブロック図である。診断装置１００は、プロセッサ４０１、主記憶装置４０２、補助記憶装置４０３、通信装置４０４、デバイスインタフェース４０５を備え、これらがバス４０６を介して接続された、コンピュータ装置として実現できる。

プロセッサ４０１が、補助記憶装置４０３からプログラムを読み出して、主記憶装置４０２に展開して、実行することで、計測データ収集部１０１、性能指標演算部１０２、シミュレーション部１０４、確率密度分布推定部１０５、パーティクル初期設定部１０５１、シミュレーション制御部１０５２、パーティクル尤度計算部１０５３、パーティクル変更演算部１０５４、推定確率密度分布加工部１０６、推定確率密度分布抽出部１０８、出力部１０９、入力部１１０の機能を実現することができる。

本実施形態の診断装置は、当該診断装置で実行されるプログラムをコンピュータ装置に予めインストールすることで実現してもよいし、プログラムをＣＤ−ＲＯＭなどの記憶媒体に記憶して、あるいはネットワークを介して配布して、コンピュータ装置に適宜インストールすることで実現してもよい。

ネットワークインタフェース４０４は、通信ネットワークに接続するためのインタフェースである。診断対象のネットワークおよび監視システムとの通信は、このネットワークインタフェース４０４にて実現してもよい。ここではネットワークインタフェースを１つのみ示しているが、複数のネットワークインタフェースが搭載されていてもよい。

デバイスインタフェース４０５は、外部記憶媒体５０１などの機器に接続するインタフェースである。外部記憶媒体５０１は、ＨＤＤ、ＣＤ−Ｒ、ＣＤ−ＲＷ、ＤＶＤ−ＲＡＭ、ＤＶＤ−Ｒ、ＳＡＮ（Ｓｔｏｒａｇｅ ａｒｅａ ｎｅｔｗｏｒｋ）等の任意の記録媒体でよい。計測データ記憶部１０３、推定確率密度分布記憶部１０７は、外部記憶媒体５０１としてデバイスインタフェース４０５に接続されてもよい。

主記憶装置４０２は、プロセッサ４０１が実行する命令、および各種データ等を一時的に記憶するメモリ装置であり、ＤＲＡＭ等の揮発性メモリでも、ＭＲＡＭ等の不揮発性メモリでもよい。補助記憶装置４０３は、プログラムやデータ等を永続的に記憶する記憶装置であり、例えば、ＨＤＤまたはＳＳＤ等がある。計測データ記憶部１０３、推定確率密度分布記憶部１０７などが保持するデータは、主記憶装置４０２、補助記憶装置４０３または外部記憶媒体に保存される。

上記に、本発明の一実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

１００ 診断装置
１０１ 計測データ収集部
１０２ 性能指標演算部
１０３ 計測データ記憶部
１０４ シミュレーション部
１０５ 確率密度分布推定部
１０５１ パーティクル初期設定部
１０５２ シミュレーション制御部
１０５３ パーティクル尤度計算部
１０５４ パーティクル変更演算部
１０６ 推定確率密度分布加工部
１０７ 推定確率密度分布記憶部
１０８ 推定確率密度分布抽出部
１０９ 出力部
１１０ 入力部
２０１ 診断対象設備
２０２ 計測装置
３０１ 端末
４０１ プロセッサ
４０２ 主記憶装置
４０３ 補助記憶装置
４０４ ネットワークインタフェース
４０５ デバイスインタフェース
４０６ バス
５０１ 外部記憶媒体

Claims (12)

1. 複数の時刻のそれぞれごとに、前記時刻までに計測された診断対象の計測値に基づき、前記診断対象の状態を表すパラメータの確率密度分布を推定する推定部と、
   前記確率密度分布に関する予め定められた条件を満たす１または複数の確率密度分布を選択する選択部と
   を備えた診断装置
2. 前記推定部により推定された前記時刻毎の確率密度分布にインデックスを付与する加工部をさらに備え、
   前記選択部は、前記インデックスに基づき、１または複数の確率密度分布を選択する
   請求項１に記載の診断装置
3. 前記推定部は、第１の時刻における確率密度分布と、前記第１時刻経過後の計測値に基づき算出された尤度とに基づき、新たな確率密度分布を推定する
   請求項１または２に記載の診断装置。
4. 前記推定部は、パーティクルフィルタを用いて前記確率密度分布を推定する
   請求項１ないし３に記載の診断装置。
5. 前記条件は、前記推定部が算出した前記確率密度分布との差異が予め定められた閾値以下であるとする
   請求項１ないし４に記載の診断装置。
6. 前記差異は、カルバック・ライブラー情報量または拡張カルバック・ライブラー情報量に基づき、求められる
   請求項５に記載の診断装置。
7. 前記推定部により推定された前記確率密度分布、および前記選択部により選択された前記１または複数の確率密度分布の少なくともいずれか１つを出力する出力部
   をさらに備えた
   請求項１または６に記載の診断装置。
8. 前記インデックスには、計測値を計測した日時または計測値の内容が含まれ、
   前記出力部が出力する情報には、インデックスが含まれる
   請求項７に記載の診断装置。
9. ユーザからの入力を受け付ける入力部
   をさらに備え、
   前記選択部は、前記入力部からの検索条件に基づき、前記検索条件を満たす１または複数の確率密度分布を選択し、
   前記出力部は、選択した前記確率密度分布の少なくともいずれか１つを出力する
   請求項７または８に記載の診断装置。
10. 複数の時刻のそれぞれごとに、前記時刻までに計測された診断対象の計測値に基づき、前記診断対象の状態を表すパラメータの確率密度分布を推定する推定ステップと、
    前記確率密度分布に関する予め定められた条件を満たす１または複数の確率密度分布を選択する選択ステップと
    をコンピュータが実行する推定方法。
11. 複数の時刻のそれぞれごとに、前記時刻までに計測された診断対象の計測値に基づき、前記診断対象の状態を表すパラメータの確率密度分布を推定する推定ステップと、
    前記確率密度分布に関する予め定められた条件を満たす１または複数の確率密度分布を選択する選択ステップと
    をコンピュータに実行させるためのプログラム。
12. 診断対象と、第１の通信装置と、第２の通信装置と、第３の通信装置と、を備えた診断システムであって、
    前記第１通信装置は、前記診断対象の計測値を前記第２通信装置に送り、
    前記第２通信装置は、複数の時刻のそれぞれごとに、前記時刻までに計測された前記診断対象の前記計測値に基づき、前記診断対象の状態を表すパラメータの確率密度分布を推定する推定部と、
    前記確率密度分布に関する予め定められた条件を満たす１または複数の確率密度分布を選択する選択部と、
    前記推定部により推定された前記確率密度分布、および前記選択部により選択された前記１または複数の確率密度分布の少なくともいずれか１つを出力する出力部
    を備え、
    前記第３通信装置は、前記出力部からの出力を受け付ける
    診断システム