JP2017097712A

JP2017097712A - 機器診断装置及びシステム及び方法

Info

Publication number: JP2017097712A
Application number: JP2015230816A
Authority: JP
Inventors: 響子石田; Kyoko Ishida; 内田　貴之; Takayuki Uchida; 貴之内田; 崎村　茂寿; Shigehisa Sakimura; 茂寿崎村; 藤城　孝宏; Takahiro Fujishiro; 孝宏藤城; 新　吉高; Yoshitaka Shin; 吉高新
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 2015-11-26
Filing date: 2015-11-26
Publication date: 2017-06-01
Anticipated expiration: 2035-11-26
Also published as: WO2017090515A1; JP6585482B2

Abstract

【課題】検知した異常に対して機器故障、センサ故障、誤報等の要因を推定すること。
【解決手段】機器診断システム１００は、機器に設置されたセンサからセンサ信号データを受信し、正常データとの比較により異常判定を行う異常検知部１０２と、機器故障データとの比較により既知故障の判定を行う既知故障判定部１０３と、正常データの種類数および蓄積状況に基づいて正常データ充足度を推定する正常データ充足度推定部１０８と、機器故障データの種類数および蓄積状況に基づいて機器故障データ充足度を推定する機器故障データ充足度推定部１０９と、正常データが充足していない場合に誤報可能性を提示し、機器故障データが充足していない場合に未知故障可能性を提示する等の異常検知情報を提供する異常検知情報提供部１１１と、を有する。
【選択図】図１

Description

本発明は、機器診断装置及びシステム及び方法に係り、特に、センサを用いて機器の状態を診断する機器診断装置及びシステム及び方法に関する。

機器診断システムでは、一般に、診断対象機器に設置されたセンサからセンサ信号データに基づいて診断を行い、診断対象機器の異常を検知すると保守員に異常の情報を提供する。保守員は、異常を検知した情報を受信すると、診断に用いたセンサ信号データや機器の状態を確認し、異常の要因を分析して対応方針を決定する。異常の要因としては、本来検知したい診断対象機器の故障の場合のほか、例えば、センサ故障、誤報（診断対象機器やセンサはいずれも正常にも関わらず、誤って異常が検知される）等が挙げられる。保守員は、異常の要因に基づき、例えば、機器故障に対しては優先度を上げて対策を実施する、誤報の場合は診断手法を見直す、などの対応を行う。診断対象機器の修繕費用や操業停止時間を最小化するために、保守員は、これらの機器故障、センサ故障、誤報等といった異常の要因を早期に見極める必要がある。よって、機器診断システムでは、異常の要因を推測し、保守員に提供することが必要である。
機器診断システムにおいて検知した異常の要因を推測するため、特開２０１１−２０９８４７号公報（特許文献１）に記載の技術がある。この公報には、「前記演算手段よって判定された異常または正常の結果と、前記結果が異常であった場合に読み出される前記有識者コメントと前記異常事象の要因を出力する表示手段とを有する」(請求項)と記載されている。
また、特開２０１４−５９９１０号公報（特許文献２）に記載の技術がある。この公報には、「正常を異常と判定する誤報の発生を防止し、異常判定の根拠の説明や、異常予兆との事象の関連付けを可能とする」（要約）と記載され、また、「設備から出力されるイベント信号をもとに運転状態別にモード分割し、モード毎に正常モデルを生成し、モード毎に学習データの十分性をチェックし、その結果に応じて設定した閾値を用いて異常識別を行うようにした」（要約）と記載されている。

特開２０１１−２０９８４７号公報特開２０１４−５９９１０号公報

特許文献１は、機器故障に関して過去に修繕経験のある既知故障か修繕経験のない未知故障かを推測し、既知故障の場合に過去の修繕経験の情報を提示する技術について記載されている。しかし、この文献に開示されたものは、センサ故障や誤報の場合を推定することができない。
特許文献２は、誤報の発生を防止する技術について記載されている。しかし、この文献に開示されたものは、学習データが不十分な場合は感度を低下させて機器診断を行うため、本来検知すべき機器故障に対して異常を検知できない場合があり得る。また、特許文献２では、専門家の知識に基づいた運転状態モードや学習データの分割が必要である。さらに、特許文献２では、センサ故障の場合を推定することができない。

そこで、本発明は、以上の点に鑑み、検知した異常に対して機器故障、センサ故障、誤報等の要因を推定することを目的とする。

本発明の第１の解決手段によると、
機器診断装置であって、
診断対象機器の診断結果データを蓄積する異常診断結果記憶部と、
診断対象機器の異常を検知した場合、診断対象機器から受信したセンサ信号データに基づき、予め定められた機器故障モデルを用いて診断対象機器の異常が既知故障か否かを判定し、既知故障と判定した場合は既知故障可能性マークを診断結果データに含め、既知故障でないと判定した場合はセンサ故障可能性マークを診断結果データに含めて、前記異常診断結果記憶部に記憶する既知故障判定部と、
前記既知故障判定部が既知故障でないと判定した場合、予め記憶された正常データに基づき、正常データが充足しているか否かを推定し、正常データが充足していないと判定した場合、誤報可能性マークを診断結果データに含めて前記異常診断結果記憶部に記憶する正常データ充足度推定部と、
前記既知故障判定部が既知故障でないと判定した場合、予め記憶した機器故障データに基づき、機器故障データが充足度しているか否かを推定し、機器故障データが充足していないと判定した場合、未知故障可能性マークを診断結果データに含めて前記異常診断結果記憶部に記憶する機器故障データ充足度推定部と、
前記異常診断結果記憶部に記憶した診断結果データに基づき、機器故障及びセンサ故障及び誤報及び未知故障のいずれかひとつ又は複数を含む診断対象機器の異常の可能性を示す診断結果情報を作成し、他の装置又は出力装置に診断結果情報を提供する異常検知情報提供部と
を備えた機器診断装置が提供される。

本発明の第２の解決手段によると、
機器診断システムであって、
ひとつ又は複数のセンサを有し、センサ信号データを送信するひとつ又は複数の診断対象機器と、
ひとつ又は複数の診断対象機器に設置されたセンサからひとつ又は複数のセンサ信号データを受信する受信部と、
出力装置と、
機器診断装置と
を備え、
前記機器診断装置は、
診断対象機器の診断結果データを蓄積する異常診断結果記憶部と、
診断対象機器の異常を検知した場合、診断対象機器から受信したセンサ信号データに基づき、予め定められた機器故障モデルを用いて診断対象機器の異常が既知故障か否かを判定し、既知故障と判定した場合は既知故障可能性マークを診断結果データに含め、既知故障でないと判定した場合はセンサ故障可能性マークを診断結果データに含めて、前記異常診断結果記憶部に記憶する既知故障判定部と、
前記既知故障判定部が既知故障でないと判定した場合、予め記憶された正常データに基づき、正常データが充足しているか否かを推定し、正常データが充足していないと判定した場合、誤報可能性マークを診断結果データに含めて前記異常診断結果記憶部に記憶する正常データ充足度推定部と、
前記既知故障判定部が既知故障でないと判定した場合、予め記憶した機器故障データに基づき、機器故障データが充足度しているか否かを推定し、機器故障データが充足していないと判定した場合、未知故障可能性マークを診断結果データに含めて前記異常診断結果記憶部に記憶する機器故障データ充足度推定部と、
前記異常診断結果記憶部に記憶した診断結果データに基づき、機器故障及びセンサ故障及び誤報及び未知故障のいずれかひとつ又は複数を含む診断対象機器の異常の可能性を示す診断結果情報を作成し、他の装置又は前記出力装置に診断結果情報を提供する異常検知情報提供部と
を備えた機器診断システムが提供される。

本発明の第３の解決手段によると、
機器診断方法であって、
診断対象機器の診断結果データを蓄積し、
診断対象機器の異常を検知した場合、診断対象機器から受信したセンサ信号データに基づき、予め定められた機器故障モデルを用いて診断対象機器の異常が既知故障か否かを判定し、既知故障と判定した場合は既知故障可能性マークを診断結果データに含め、既知故障でないと判定した場合はセンサ故障可能性マークを診断結果データに含めて記憶し、
既知故障でないと判定した場合、予め記憶された正常データに基づき、正常データが充足しているか否かを推定し、正常データが充足していないと判定した場合、誤報可能性マークを診断結果データに含めて記憶し、
既知故障でないと判定した場合、予め記憶した機器故障データに基づき、機器故障データが充足度しているか否かを推定し、機器故障データが充足していないと判定した場合、未知故障可能性マークを診断結果データに含めて記憶し、
記憶した診断結果データに基づき、機器故障及びセンサ故障及び誤報及び未知故障のいずれかひとつ又は複数を含む診断対象機器の異常の可能性を示す診断結果情報を作成し、他の装置又は出力装置に診断結果情報を提供する、
機器診断方法が提供される。

本発明によると、検知した異常に対して機器故障、センサ故障、誤報等の要因を推定することができる。

機器診断システム１００の機能ブロックの一例を示した図。機器診断システム１００を実現する装置のハードウェア構成の一例を示した図。機器診断システム１００で実行される学習処理を示したフロー図。機器診断システム１００で実行される正常モデル生成および異常検知の処理を説明する図。機器診断システム１００で実行される診断処理を示したフロー図。機器診断システム１００の異常診断結果記憶部１１２の診断結果テーブルの例を示した図。機器診断システム１００の正常データ充足度推定部１０８が正常データの充足度を判定する方法の一例を説明する図。機器診断システム１００の異常検知情報提供部１１１が利用者に対して異常検知情報を提供するための画面の一例を示した図。機器診断システム１００の異常検知情報提供部１１１が利用者に対して異常検知情報を提供するための画面の一例を示した図。機器診断システム１００の正常データ充足度推定部１０８が正常データの充足度を判定する方法の他の一例を説明する図。機器診断システム１００の正常データ充足度推定部１０８が正常データの充足度を判定する方法のさらに他の一例を説明する図。

以下、本発明の一実施例に係る機器診断システムについて説明する。
なお、上記した以外の課題、構成及び効果は、以下の実施例の説明により明らかにされる。

１．機器診断装置・システム

図１は、本実施例に係る機器診断システム（機器診断装置）１００の機能ブロックの一例を示した図である。機器診断システム１００は、受信部１０１と、異常検知部１０２と、既知故障判定部１０３と、正常データ記憶部１０４と、正常モデル生成部１０５と、機器故障データ記憶部１０６と、機器故障モデル生成部１０７と、正常データ充足度推定部１０８と、機器故障データ充足度推定部１０９と、異常検知要因推定部１１０と、異常検知情報提供部１１１と、異常診断結果記憶部１１２と、を有している。各機能ブロックのハードウェア構成やそのハードウェアによって実現される機能の詳細は後述する。また、機器診断システム（機器診断装置）１００には、図では省略されているが、受信部１０１に、ひとつ又は複数のセンサを設置したひとつ又は複数の診断対象機器から、適宜の有線及び／又は無線ネットワーク又は接続線等を介して、センサ信号データが入力される。また、正常データ記憶部１０４及び機器故障データ記憶部１０６には、適宜の入力装置によりデータを入力することができ、異常検知情報提供部１１１により、ディスプレイ等の出力装置に異常検知情報(異常診断結果情報)を出力することができる。

図２は、機器診断システム１００を実現する装置のハードウェア構成の一例を示した図である。機器診断システム１００における機能ブロックの一部は、プログラムに従って動作する情報処理装置２００によって実現される。情報処理装置２００は、ＣＰＵ２０１と、ＲＯＭ２０２と、ＲＡＭ２０３と、入出力インタフェース２０４と、を備える。
ＣＰＵ２０１は、ＲＯＭ２０２、ＲＡＭ２０３に格納されたプログラムを読み出し、読みだしたプログラムに基づいて動作し、各機能ブロックとしての制御を行う。また、ＲＯＭ２０２は、情報処理装置２００の起動時に２０１が実現するブートプログラムや、情報処理装置２００のハードウェアに依存するプログラムなどを格納する。また、ＲＡＭ２０３は、ＣＰＵ２０１が実行するプログラムおよびＣＰＵ２０１が使用するデータなどを格納している。なお、各機能ブロックは、ＣＰＵ２０１が読み込んだ所定のプログラムを実行することにより構築される。また、ＣＰＵ２０１は、入出力インタフェース２０４を介して、キーボードやマウス、ディスプレイ（ＬＣＤ）などの入出力装置を制御する。また、ＣＰＵ２０１は、入出力インタフェース２０４を介して、キーボードやマウスなどからデータを取得する。
なお、ここで言う入出力インタフェース２０４は、ディスプレイやキーボード、マウス以外のものであってもよい。例えばディスプレイ機能とタッチパネル機能を有するタブレット端末やスマートデバイスであってもよい。このような場合に、情報処置装置２００はＣＰＵ２０１、ＲＯＭ２０２、ＲＡＭ２０３を有し、入出力インタフェース２０４は、有線もしくは無線で接続された端末としてもよい。
本実施例の機器診断システム１００における各機能ブロックを実現するハードウェア構成は、以上で説明するような情報処理装置３００の構成を基本とし、実現すべき機能によって適切な構成を採用する。

図１に戻って各機能ブロックについて説明する。受信部１０１は、診断対象機器に設置されたセンサからセンサ信号を受信し、異常検知部１０２および既知故障判定部１０３に送信する機能部である。正常データ記憶部１０４は、診断対象機器における正常時のセンサ信号データを蓄積する機能部である。正常モデル生成部１０５は、正常データ記憶部１０４に記憶した正常データに基づき、正常モデルを生成し記憶する機能部である。異常検知部１０２は、受信部１０１から受信したセンサ信号および正常モデル生成部１０５において生成した正常モデルを用いて、診断対象機器の異常を検知し、異常を検知した場合は当該異常の情報を異常診断結果記憶部１１２に記憶する機能部である。機器故障データ記憶部１０６は、診断対象機器における機器故障時のセンサ信号データを蓄積する機能部である。機器故障モデル生成部１０７は、機器故障データ記憶部１０６に記憶した機器故障データに基づき、機器故障モデルを生成し記憶する機能部である。既知故障判定部１０３は、異常検知部１０２において診断対象機器の異常を検知した場合、受信部１０１から受信したセンサ信号および機器故障モデル生成部１０７において生成した機器故障モデルを用いて診断対象機器が既知故障か否かを判定し、既知故障と判定した場合は当該故障に関して既知故障可能性を、既知故障でないと判定した場合はセンサ故障可能性を、異常診断結果記憶部１１２に記憶する機能部である。正常データ充足度推定部１０８は、正常データ記憶部１０４に記憶した正常データに基づき、正常データの充足度を推定する機能部である。さらに、正常データ充足度推定部１０８は、正常データが充足していないと推定した場合は、当該異常に関して誤報可能性を異常診断結果記憶部１１２に記憶する。機器故障データ充足度推定部１０９は、機器故障データ記憶部１０６に記憶した機器故障データに基づき、機器故障データの充足度を推定する機能部である。さらに、機器故障データ充足度推定部１０９は、機器故障データが充足していないと推定した場合、未知故障可能性を異常診断結果記憶部１１２に記憶する。異常検知情報提供部１１１は、図２における入出力インタフェース２０４を介して、異常診断結果記憶部１１２に記憶された異常診断結果を利用者に提供する機能部である。また、異常診断結果記憶部１１２は、機器診断システム１００における異常診断結果を蓄積する。また、正常データ記憶部１０４及び機器故障データ記憶部１０６は、図では接続線等が省略されているが、予め利用者により入出力装置又は他の装置等により入出力インターフェース２０４等を介して又は受信部１０１を介してそれぞれ正常データ及び機器故障データが入力され、記憶されている。

２．処理

次に、図１における機器診断システム１００で実行される処理について説明する。
機器診断システム１００の動作には、診断に用いるモデルを予め作成しておく「学習」と診断対象機器に設置されたセンサから受信したセンサ信号に基づき診断を行う「診断」の二つのフェーズがある。

まず、学習処理について説明する。
図３は、図１における機器診断システム１００で実行される学習処理を示したフロー図である。学習処理は、図１における機器診断システム１００が診断処理の実行指示を利用者から入出力装置又は他の装置等により入出力インターフェース２０４等を介して受け付けることにより開始される。または、定期的に学習処理を実行するようなプログラムを事前に設定しておくようにしてもよい。
学習処理が開始されると、正常モデル生成部１０５は、正常データ記憶部１０４に予め利用者により入力された診断対象機器における正常時のセンサ信号データ（正常データ）を読み込む（ステップ３０１）。次に、正常モデル生成部１０５は、読み込んだ正常データを用いて、正常状態の診断対象機器におけるセンサ信号データに対する学習を行い、正常モデルを生成し記憶する（ステップ３０２）。正常モデルの生成においては、例えばｋ−ｍｅａｎｓクラスタリングなどの手法を適用する。

図４は、図１における機器診断システム１００で実行される正常モデル生成および異常検知の処理を説明する図である。図４のグラフの軸ｆ_i（ｉ＝１、２、・・・ｎ、ｎはセンサ信号データのセンサ数）は、正常時のセンサ信号データの各センサ値を正規化した値に対応する軸である。グラフ内の白点および黒点（黒点４０３を除く）は、正常時のセンサ信号データを示す。ｋ−ｍｅａｎｓクラスタリングでは、正常時のセンサ信号データの分布を分析し、クラスタ４０１やクラスタ４０２を生成する。クラスタ内の黒点は、各クラスタの代表点を示す。正常モデル生成部１０５は、例えば、各クラスタの代表点の座標および半径の長さの情報である正常モデルを内部又は適宜のメモリに記憶する。
続いて、機器故障モデル生成部１０７は、機器故障データ記憶部１０６に予め利用者により入力された診断対象機器における機器故障時のセンサ信号データを読み込む（ステップ３０３）。機器故障モデル生成部１０７は、読み込んだ機器故障データを用いて、故障状態の診断対象機器におけるセンサ信号データに対する学習を行い、機器故障モデルを生成し記憶する（ステップ３０４）。機器故障モデル生成においては、ステップ３０２の正常モデル生成と同様に、例えばｋ−ｍｅａｎｓクラスタリングなどの手法を適用する。機器故障モデル生成部１０７は、例えば、各クラスタの代表点の座標および半径の長さの情報である機器故障モデルを内部又は適宜のメモリに記憶する。

続いて、診断処理について説明する。
図５は、図１における機器診断システム１００で実行される診断処理を示したフロー図である。診断処理は、図１における機器診断システム１００が診断処理の実行指示を利用者から入出力装置又は他の装置等により入出力インターフェース２０４等を介して受け付けることにより開始される。または、定期的に診断処理を実行するようなプログラムを事前に設定しておくことや、あるいは診断対象機器の動作と連動して診断処理が実行されるようにしてもよい。
診断処理が開始されると、受信部１０１は、診断対象機器に設置されたセンサからセンサ信号を受信し、異常検知部１０２および既知故障判定部１０３に送信する（ステップ５０１）。
異常検知部１０２は、センサ信号を受信すると、図３におけるステップ３０２で生成した正常モデルと、受信部１０１から受信したセンサ信号データを用いて、診断対象機器の状態の診断を行う（ステップ５０２）。ステップ５０２においては、異常検知部１０２は、ステップ３０２で生成した正常モデルに基づき、例えばｋ−ｍｅａｎｓクラスタリングなどの手法を用いて異常検知を行う。例えば診断時のセンサ信号データが図４のグラフにおける黒点４０３の場合、異常検知部１０２は、最も近いクラスタ４０１の代表点までの距離を算出する。異常検知部１０２は、算出した距離がクラスタ４０１の半径よりも小さい場合は診断対象機器の状態が正常と診断し、大きい場合は異常と診断する。異常検知部１０２は、ステップ５０２において診断対象機器の状態が正常と診断した場合は、診断処理を終了する。一方、異常検知部１０２は、異常と診断した場合は、異常診断結果記憶部１１２に当該異常の要因に関して既知故障である可能性をマークし、検知日時および検知センサの情報を記憶するとともに、既知故障判定部１０３に異常を通知する。

図６は、異常診断結果記憶部１１２の診断結果テーブルの例である。診断結果テーブルは、検知日時フィールド６０１、検知センサフィールド６０２、既知故障可能性フィールド６０３、未知故障可能性６０６、センサ故障可能性フィールド６０４、誤報可能性フィールド６０５を含むテーブルである。検知日時フィールド６０１は、機器診断システム１００が診断した異常に関して、異常を検知した日時を記憶するフィールドである。検知センサフィールド６０２は、機器診断システム１００が診断した異常に関して、異常を検知したセンサを記憶するフィールドである。例えば、当該異常の異常診断結果がレコード６０７に対応する場合、異常検知部１０２は、当該異常診断結果レコード６０７の検知日時フィールド６０１に当該異常のセンサ信号データを受信した日時を、検知センサフィールド６０２に検知センサを記憶する。なお、検知センサに関しては、例えば、図４の各軸ｆ_i（ｉ＝１、２、・・・ｎ）上における黒点４０３とクラスタ４０１の外殻との距離を計算し、距離が最も大きい軸に相当するセンサを記憶する。なお、各レコードに対して検知ＩＤを、適宜のタイミングで適宜付与してもよい。

異常検知部１０２がステップ５０２において診断対象機器の状態が異常と診断した場合、既知故障判定部１０３は、図３におけるステップ３０４で生成した機器故障モデルと、受信部１０１から受信したセンサ信号データを用いて、診断対象機器の異常の要因が既知故障であるかどうかの判定を行う（ステップ５０３）。ステップ５０３においては、既知故障判定部１０３は、ステップ３０２の異常検知と同様に、例えばｋ−ｍｅａｎｓクラスタリングなどの手法を適用する。既知故障判定部１０３は、診断時のセンサ信号データ最も近いクラスタの代表点までの距離を算出する。既知故障判定部１０３は、算出した距離が当該クラスタの半径よりも小さい場合は当該異常の要因が既知故障と判定し、大きい場合は既知故障ではないと判定する。ステップ５０３において当該異常の要因が既知故障である判定した場合は、既知故障判定部１０３は、図６の異常診断結果記憶部１１２の診断結果テーブルにおける既知故障可能性フィールド６０３にマークし、ステップ５０９に進み、異常検知情報提供部１１１が、ステップ５０９の異常検知情報の提供を行う。既知故障可能性フィールド６０３は、機器診断システム１００が診断した異常に関して、異常の要因が機器故障である可能性の有無を記憶するフィールドである。例えば、当該異常の異常診断結果がレコード６０７に対応する場合、既知故障判定部１０３は、当該異常診断結果のレコード６０７の既知故障可能性フィールド６０３に、当該異常の要因が機器故障である可能性があることを示す「１」を記憶する。ステップ５０９の処理の詳細は後述する。
既知故障判定部１０３は、ステップ５０３において当該異常の要因が既知故障ではないと判定した場合、図６の異常診断結果記憶部１１２の診断結果テーブルにおけるセンサ故障可能性フィールド６０４にマークする（ステップ５０４）。センサ故障可能性フィールド６０４は、機器診断システム１００が診断した異常に関して、異常の要因がセンサ故障である可能性の有無を記憶するフィールドである。例えば、当該異常の異常診断結果がレコード６０８に対応する場合、既知故障判定部１０３は、当該異常診断結果レコード６０８のセンサ故障可能性フィールド６０４に、当該異常の要因がセンサ故障である可能性があることを示す「１」を記憶する。

続いて、正常データ充足度推定部１０８は、正常データ記憶部１０４に蓄積した診断対象機器における正常時のセンサ信号データに基づき、正常データ記憶部１０４に蓄積した正常データの充足度（例えば、正常データの種類数又は数が予め予め定められた閾値以上であること等）を判定する（ステップ５０５）。ステップ５０５の処理の詳細は後述する。
正常データ充足度推定部１０８は、ステップ５０５において正常データが充足していると判定した場合、ステップ５０７に移行する。
正常データ充足度推定部１０８は、ステップ５０５において正常データが充足していないと判定した場合、ステップ３０２で生成した正常モデルに全ての正常データが反映されていないと判断し、図６の異常診断結果記憶部１１２の診断結果テーブルにおける誤報可能性フィールド６０５にマークする。誤報可能性フィールド６０５は、機器診断システム１００が診断した異常に関して、異常の要因が誤報（診断対象機器やセンサはいずれも正常にも関わらず誤って異常が検知された）である可能性の有無を記憶するフィールドである。例えば、当該異常の異常診断結果がレコード６０８に対応する場合、正常データ充足度推定部１０８は、当該異常診断結果レコード６０８の誤報可能性フィールド６０５に、当該異常の要因が誤報である可能性があることを示す「１」を記憶する（ステップ５０６）。

続いて、機器故障データ充足度推定部１０９は、機器故障データ記憶部１０６に蓄積した診断対象機器における機器故障時のセンサ信号データに基づき、機器故障データ記憶部１０６に蓄積した機器故障データの充足度（例えば、機器故障データの種類数又は数が予め予め定められた閾値以上であること等）を判定する（ステップ５０７）。ステップ５０７の処理の詳細は後述する。
機器故障データ充足度推定部１０９は、ステップ５０７において機器故障データが充足していると判定した場合、ステップ５０９に移行する。
機器故障データ充足度推定部１０９は、ステップ５０７において機器故障データが充足していないと判定した場合、ステップ３０４で生成した機器故障モデルに全ての機器故障データが反映されていないと判断し、図６の異常診断結果記憶部１１２の診断結果テーブルにおける未知故障可能性フィールド６０６にマークする（ステップ５０８）。未知故障可能性フィールド６０６は、機器診断システム１００が診断した異常に関して、異常の要因が未知故障である可能性の有無を記憶するフィールドである。例えば、当該異常の異常診断結果がレコード６０９に対応する場合、機器故障データ充足度推定部１０９は、当該異常診断結果レコード６０９の未知故障可能性フィールド６０６に、当該異常の要因が未知故障である可能性があることを示す「１」を記憶する。

次に、異常検知情報提供部１１１は、ステップ５０１〜５０８の処理の結果や、異常診断結果記憶部１１２に記憶した診断結果テーブルの内容に基づき、利用者に対して異常診断結果（異常検知情報）を提供する（ステップ５０９）。ステップ５０９の処理の詳細は後述する。
なお、正常データ充足度推定部１０８によるステップ５０５及び５０６と、機器故障データ充足度推定部１０９によるステップ５０７及び５０８とは、処理の順序を逆にしてもよい。

図７は、ステップ５０５において機器診断システム１００の正常データ充足度推定部１０８が正常データの充足度を判定する方法の一例を説明する図である。正常データの充足度は、例えば、人口やソフトウェア不具合数などの予測に用いられるゴンペルツ曲線やロジスティック曲線などＳ字型成長曲線の数理モデルを用いることで推定することができる。図７のグラフは、縦軸が発見された正常データの種類数、横軸が時間の経過である。図７のグラフの破線７０１は、Ｓ字型成長曲線に基づく、発見された正常データの種類数と時間経過の傾向を示す。機器診断における正常データの発見数は、初期では少なく、中期には運転モード変更に伴い急増し、末期（経過時間＞ｔ）に近付くにつれて正常データ種類数ｘ_ｔ７０２の飽和状態になる、という傾向を示している。正常データ充足度推定部１０８には、Ｓ字型成長曲線７０１の数式と飽和状態ｘ_ｔの情報が予め利用者により記憶されている。ステップ５０５では、正常データ充足度推定部１０８は、正常データ記憶部１０４に蓄積した正常データに基づき、図７のグラフの実線７０３に示すように正常データの種類数と時間経過の関係をプロットする。なお、正常データの種類数に関しては、例えば、図３におけるステップ３０４と同様のｋ−ｍｅａｎｓクラスタリングなどの手法を用いて、生成したクラスタの数をカウントする。次に、正常データ充足度推定部１０８は、例えば最小二乗法などの近似手法を用いて、Ｓ字型成長曲線９０１の数理モデルへのあてはめを行う。あてはめの結果、正常データ充足度推定部１０８は、正常データ記憶部１０４に蓄積した正常データの種類数がＳ字型成長曲線７０１の飽和状態ｘ_ｔ７０２に達していれば正常データが充足していると判定し、達していなければ正常データが充足していないと判定する。なお、ステップ５０７においても、機器故障データ充足度推定部１０９が、ステップ５０５と同様に、例えば、Ｓ字型成長曲線７０１の数式と飽和状態ｘ_ｔの情報が予め利用者により記憶されており、経過時間に基づくＳ字型成長曲線の数理モデルを用いて機器故障データの充足度を判定する。
なお、正常データ又は機器故障データの種類数以外にも、それらの数を用いてもよい。

図８および図９は、機器診断システム１００の異常検知情報提供部１１１が利用者に対して異常検知情報を提供するための画面の一例を示した図である。図５のステップ５０９では、異常検知情報提供部１１１は、ステップ５０１〜５０８の処理の結果や異常診断記憶部１１２に記憶した診断結果テーブルの内容に基づいて、例えば図８や図９に示す画面を表示する。
図８の異常検知情報画面８００は、異常診断結果記憶部１１２の診断結果テーブルにおける異常診断結果レコード６０８に記憶された異常の検知情報を提供する画面である。すなわち、機器診断システム１００が図５のステップ５０６で誤報可能性をマークし、ステップ５０８で未知故障可能性をマークしなかった場合（ステップ５０２において異常検知部１０２が診断対象機器の状態を異常と診断し、ステップ５０３において既知故障判定部１０３が異常の要因は既知故障ではないと判定し、ステップ５０５において正常データ充足度推定部１０８が正常データは充足していないと判定し、ステップ５０７において機器故障データ充足度推定部１０９が機器故障データは充足していると判定した場合）の異常検知情報提供画面である。異常検知情報画面８００では、検知情報８０１、異常要因推定結果８０２を表示する。
異常検知情報提供部１１１は、検知情報８０１には、異常診断記憶部１１２の診断結果テーブルにおける異常診断結果レコード６０８の検知日時フィールド６０１、検知センサフィールド６０２に記憶された内容を表示する。なお、検知ＩＤは、受信部１０１又は異常検知情報提供部１１１等により、各異常診断結果レコードに対して、その作成時等の適宜のタイミングに適宜付与することができる。さらに、異常検知情報提供部１１１は、既知故障可能性フィールド６０３及び未知故障可能性フィールド６０６に当該異常の要因が既知故障や未知故障である可能性「１」が記憶されていないことに基づき、異常の要因は機器故障ではないと推定し、「対策優先度」が「低」であることを表示する。異常要因推定結果８０２では、異常検知情報提供部１１１は、ステップ５０５において正常データ充足度推定部１０８が正常データの充足度を判定した結果（Ｎｏ：充足していない）に関して、正常データ種類数と時間経過の実績およびＳ字型成長曲線による予測値を表示する。
また、異常検知情報提供部１１１は、異常要因推定結果８０２には、既知故障可能性フィールド６０３に基づき、機器故障データに類似傾向のデータが有るか無いかについての説明文を表示する（この例では、「機器故障データに類似傾向のデータはありませんでした。」）。さらに、異常検知情報提供部１１１は、異常要因推定結果８０２には、センサー故障可能性フィールド６０４、誤報可能性フィールド６０５に、センサー故障や誤報の可能性「１」が記憶されていることに基づき、「誤報またはセンサ故障」であること及びその説明文を表示する。
なお、利用者は異常要因推定結果８０２の内容に基づき、センサ信号データや機器の状態の確認を行い、異常要因が誤報であった場合は入出力装置又は他の装置等により入出力インタフェース２０４を介して正常データ記憶部１０４に正常データを追加する。利用者はあらかじめ異常要因が誤報である可能性を認知しているため、効率的にセンサ信号データや機器の状態を確認することができる。

図９の異常検知情報画面９００は、異常診断結果記憶部１１２の診断結果テーブルにおける異常診断結果レコード６０９に記憶された異常の検知情報を提供する画面である。すなわち、機器診断システム１００が図５のステップ５０６で誤報可能性をマークせず、ステップ５０８で未知故障可能性をマークした場合（ステップ５０２において異常検知部１０２が診断対象機器の状態を異常と診断し、ステップ５０３において既知故障判定部１０３が異常の要因は既知故障ではないと判定し、ステップ５０５において正常データ充足度推定部１０８が正常データは充足していると判定し、ステップ５０７において機器故障データ充足度推定部１０９が機器故障データは充足していないと判定した場合）の異常検知情報提供画面である。異常検知情報画面９００においても同様に、検知情報９０１、異常要因推定結果９０２を表示する。
異常検知情報提供部１１１は、検知情報９０１には、異常診断記憶部１１２の診断結果テーブルにおける異常診断結果レコード６０９の検知日時フィールド６０１、検知センサフィールド６０２に記憶された内容を表示する。さらに、異常検知情報提供部１１１は、既知故障可能性フィールド６０３又は未知故障可能性フィールド６０６に当該異常の要因が既知故障又は未知故障である可能性「１」が記憶されていること（この例では、未知故障可能性が「１」）に基づき、異常の要因は機器故障であると推定し、「対策優先度」が「高」であることを表示する。
また、異常検知情報提供部１１１は、異常要因推定結果８０２には、既知故障可能性フィールド６０３に基づき、機器故障データに類似傾向のデータが有るか無いかについての説明文を表示する（この例では、「機器故障データに類似傾向のデータはありませんでした。」）。さらに、異常検知情報提供部１１１は、異常要因推定結果８０２には、センサ故障可能性フィールド６０４、未知故障可能性フィールド６０６に、「１」が記憶されていることに基づき、「未知故障またはセンサ故障」であること及びその説明文を表示する。
異常検知情報提供部１１１は、異常要因推定結果９０２では、ステップ５０７において機器故障データ充足度推定部１０９が機器故障データの充足度を判定した結果（Ｎｏ：充足していいない）に関して、故障原因数と時間経過の実績およびＳ字型成長曲線による値を表示する。利用者は、異常要因推定結果９０２の内容に基づき、センサ信号データや機器の状態の確認を行い、異常要因が未知故障であった場合は、入出力装置又は他の装置等により入出力インタフェース２０４を介して機器故障データ記憶部１０６に機器故障データを追加する。利用者はあらかじめ異常要因が未知故障である可能性を認知しているため、例えば診断対象機器に関して熟知した経験値の高い担当者を割り当て、優先度を上げて対応、効率的にセンサ信号データや機器の状態を確認することができる。

３．Ｓ字成長曲線の他の実施例

（１）季節
本発明の他の実施例について説明する。なお、本実施例の機器診断システム１００の機能ブロックやそれを実現するハードウェア構成は、基本的に上述の実施例（「１．機器診断装置・システム」、「２．処理」）の機器診断システム１００と同様であるため説明を省略し、具体的な相違点についてのみ説明する。
図１０は、機器診断システム１００の正常データ充足度推定部１０８が正常データの充足度を判定する方法の他の一例を説明する図である。
本実施例の機器診断システム１００は、図７に示した正常データ充足度推定部１０８が正常データの充足度判定に用いる経過時間に基づくＳ字型成長曲線７０１と比較して、図１０に示すように春夏秋冬の季節を考慮した曲線１００１を用いている点が相違する。本実施例の機器診断システム１００の診断対象機器は、大気温度の影響を受けて運転状態が変化する機器である。大気温度は季節によって異なるため、春と秋は同傾向の運転状態になり、夏、冬はそれぞれ異なる運転状態となる。よって、正常データの発見数は、図１０の破線１００１に示す通り、春、夏は増加し次第に飽和状態（図１０の斜線部分１００２）になるが、秋はあまり増加せず、冬には再び増加し次第に飽和状態（図１０の斜線部分１００２）になる。正常データ充足度推定部１０８には、曲線１００１の数式と、季節毎の飽和状態１００２の情報が予め利用者により記憶されている。ステップ５０５では、正常データ充足度推定部１０８は、上述の実施例と同様に、正常データ記憶部１０４に蓄積した正常データに基づき、図１０のグラフの実線１００３に示すように正常データの種類数と季節の時間経過の関係をプロットする。次に、正常データ充足度推定部１０８は、例えば最小二乗法などの近似手法を用いて、曲線１００１のモデルへのあてはめを行う。正常データ充足度推定部１０８は、あてはめの結果、正常データ記憶部１０４に蓄積した正常データ種類数が各季節において曲線の飽和状態（図１０の斜線部分１００２）に達していれば正常データが充足していると判定し、達していなければ正常データが充足していないと判定する。なお、ステップ５０７においても、機器故障データ充足度推定部１０９が、ステップ５０５と同様に、季節を考慮した曲線の数理モデルを用いて機器故障データの充足度を判定する。

（２）機器数
本発明のさらに他の実施例について説明する。なお、本実施例の機器診断システム１００の機能ブロックやそれを実現するハードウェア構成は、基本的に上述の実施例（「１．機器診断装置・システム」、「２．処理」）の機器診断システム１００と同様であるため説明を省略し、具体的な相違点についてのみ説明する。
図１１は、機器診断システム１００の正常データ充足度推定部１０８が正常データの充足度を判定する方法のさらに他の一例を説明する図である。
本実施例の機器診断システム１００は、図７に示した正常データ充足度推定部１０８が正常データの充足度判定に用いる経過時間に基づくＳ字型成長曲線７０１と比較して、図１１に示すように診断対象機器台数に基づくＳ字成長曲線１１０１を用いている点が相違する。本実施例の機器診断システム１００の診断対象機器は、同種の機器が複数台存在する機器である。図１１のグラフの破線１１０１は、機器診断における正常データの発見数は、診断対象機器が少数の初期では少なく、診断対象機器が増加するにつれて急増し、末期（診断対象機器台数＞ａ）に近付くにつれて正常データ種類数ｘ_ａ１１０２の飽和状態になる、という傾向を示している。正常データ充足度推定部１０８には、Ｓ字成長曲線１１０１の数式と飽和状態ｘ_ａの情報が予め利用者により記憶されている。ステップ５０５では、正常データ充足度推定部１０８は、上述の実施例と同様に、正常データ記憶部１０４に蓄積した正常データに基づき、図１１のグラフの実線１１０２に示すように正常データの種類数と時間経過の関係をプロットする。次に、正常データ充足度推定部１０８は、例えば最小二乗法などの近似手法を用いて、曲線１１０１のモデルへのあてはめを行う。正常データ充足度推定部１０８は、あてはめの結果、正常データ記憶部１０４に蓄積した正常データ種類数がＳ字型成長曲線１１０１の飽和状態ｘ_ａに達していれば正常データが充足していると判定し、達していなければ正常データが充足していないと判定する。なお、ステップ５０７においても、機器故障データ充足度推定部１０９が、ステップ５０５と同様に、例えば診断対象機器台数に基づくＳ字型成長曲線の数理モデルを用いて機器故障データの充足度を判定する。なお、正常データ又は機器故障データの種類数以外にも、それらの数を用いてもよい。また、Ｓ字型成長曲線は正常データと機器故障データとして、図７、図１０、図１１に示した各パターンのうち、同じパターンを用いても異なるパターンを用いてもよい。

４．付記

なお、図３におけるステップ３０２において、正常モデル生成部１０５は、ｋ−ｍｅａｎｓクラスタリングのほか、例えば、ニューラルネットワーク、サポートベクターマシン、ＭＴ法、局所部分空間法など、様々なデータ分類・パターン認識手法（計算方法）のうちのいずれかを用いてセンサ信号データを分析してもよい。図３におけるステップ３０４においても同様に、機器故障モデル生成部１０７は、ｋ−ｍｅａｎｓクラスタリングのほか、例えば、ニューラルネットワーク、サポートベクターマシン、ＭＴ法、局所部分空間法など、様々なデータ分類・パターン認識手法（計算方法）のうちのいずれかを用いてセンサ信号データを分析してもよい。
また、図５におけるステップ５０５において、正常データ充足度推定部１０８は、ゴンペルツ曲線やロジスティック曲線などＳ字型成長曲線の数理モデルのほか、例えば、異なる断対象機器の正常データの蓄積状況に基づく経験モデルや、マルコフ過程に基づくモデルなど、さまざまなモデルのうちいずれかを用いて正常データ充足を推定してもよい。図５におけるステップ５０７においても同様に、機器故障データ充足度推定部１０９は、ゴンペルツ曲線やロジスティック曲線などＳ字型成長曲線の数理モデルのほか、例えば、異なる断対象機器の正常データの蓄積状況に基づく経験モデルや、マルコフ過程に基づくモデルなど、さまざまなモデルのうちいずれかを用いて機器故障データ充足を推定してもよい。

本実施例によると、機器故障による異常の検知を担保しつつ、専門家の知識を不要としながら、検知した異常に対して機器故障、センサ故障、誤報、未知故障のいずれか複数を含む故障の分類又は要因を推定する機器診断装置及びシステム及び方法を提供することができる。

本発明の機器診断方法又は機器診断装置・システムは、その各手順をコンピュータに実行させるための機器診断プログラム、機器診断プログラムを記録したコンピュータ読み取り可能な記録媒体、機器診断プログラムを含みコンピュータの内部メモリにロード可能なプログラム製品、そのプログラムを含むサーバ等のコンピュータ、等により提供されることができる。

なお、本発明は上記した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。また、各実施例の構成の一部について、他の構成の追加・削除・置換をすることが可能である。また、上記の各構成、機能、処理部、処理手段等は、それらの一部又は全部を、例えば集積回路で設計する等によりハードウェアで実現してもよい。また、上記の各構成、機能等は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリや、ハードディスク、ＳＳＤ（ＳｏｌｉｄＳｔａｔｅＤｒｉｖｅ）等の記録装置、または、ＩＣカード、ＳＤカード、ＤＶＤ等の記録媒体に置くことができる。また、各機能を実現するプログラム、テーブル、ファイル等の情報をクラウド上に配置し、インターネットなどのネットワークを介してセンサ信号を受信し、機器診断を行ってもよい。
また、制御線や情報線は説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線や情報線を示しているとは限らない。実際には殆ど全ての構成が相互に接続されていると考えてもよい。

１００…機器診断システム、１０１…受信部、１０２…異常検知部、１０３…既知故障判定部、１０４…正常データ記憶部、１０５…機器故障データ記憶部、１０６…正常データ充足度推定部、１０７…機器故障モデル生成部、１０８…正常データ充足度推定部、１０９…機器故障データ充足度推定部、１１０…異常検知要因推定部、１１１…異常検知情報提供部、１１２・・・異常診断結果記憶部。

Claims

機器診断装置であって、
診断対象機器の診断結果データを蓄積する異常診断結果記憶部と、
診断対象機器の異常を検知した場合、診断対象機器から受信したセンサ信号データに基づき、予め定められた機器故障モデルを用いて診断対象機器の異常が既知故障か否かを判定し、既知故障と判定した場合は既知故障可能性マークを診断結果データに含め、既知故障でないと判定した場合はセンサ故障可能性マークを診断結果データに含めて、前記異常診断結果記憶部に記憶する既知故障判定部と、
前記既知故障判定部が既知故障でないと判定した場合、予め記憶された正常データに基づき、正常データが充足しているか否かを推定し、正常データが充足していないと判定した場合、誤報可能性マークを診断結果データに含めて前記異常診断結果記憶部に記憶する正常データ充足度推定部と、
前記既知故障判定部が既知故障でないと判定した場合、予め記憶した機器故障データに基づき、機器故障データが充足度しているか否かを推定し、機器故障データが充足していないと判定した場合、未知故障可能性マークを診断結果データに含めて前記異常診断結果記憶部に記憶する機器故障データ充足度推定部と、
前記異常診断結果記憶部に記憶した診断結果データに基づき、機器故障及びセンサ故障及び誤報及び未知故障のいずれかひとつ又は複数を含む診断対象機器の異常の可能性を示す診断結果情報を作成し、他の装置又は出力装置に診断結果情報を提供する異常検知情報提供部と
を備えた機器診断装置。
請求項１に記載された機器診断装置において、
診断対象機器における正常時のセンサ信号データを蓄積する正常データ記憶部
を備え、
前記正常データ充足度推定部は、
正常データの種類数又は数が経過時間に応じて増加して飽和状態になるＳ字型成長曲線の情報を予め記憶し、
前記正常データ記憶部に蓄積された正常データの種類数又は数がＳ字型成長曲線の飽和状態に達していれば正常データが充足していると判定し、達していなければ正常データが充足していないと判定する、
ことを特徴とする機器診断装置。
請求項２に記載された機器診断装置において、
診断対象機器における機器故障時のセンサ信号データを蓄積する機器故障データ記憶部
を備え、
前記機器故障データ充足度推定部は、
機器故障データの種類数又は数が経過時間に応じて増加して飽和状態になるＳ字型成長曲線の情報を予め記憶し、
前記機器故障データ記憶部に蓄積された機器故障データの種類数又は数がＳ字型成長曲線の飽和状態に達していれば機器故障データが充足していると判定し、達していなければ機器故障データが充足していないと判定する、
ことを特徴とする機器診断装置。
請求項１に記載された機器診断装置において、
ひとつ又は複数の診断対象機器に設置されたひとつ又は複数のセンサから受信したセンサ信号データに基づき、予め定められた正常モデルを用いて、各診断対象機器の異常を検知し、異常を検知した場合は、検知日時及び検知センサ情報を診断結果データに含めて前記異常診断結果記憶部に記憶する異常検知部
を備え、
前記異常検知情報提供部は、前記異常診断結果記憶部に記憶された診断結果データを参照して、検知日時及び検知センサを含む検知情報８０１を出力又は提供又は表示する、
ことを特徴とする機器診断装置。
請求項１に記載された機器診断装置において、
前記異常検知情報提供部は、前記異常診断結果記憶部に記憶された診断結果データを参照して、
既知故障可能性マーク又は未知故障可能性マークが記憶されている場合、対策優先度が高いことを表示し、
既知故障可能性マーク及び未知故障可能性マークがいずれも記憶されていない場合、対策優先度が低いことを表示する、
ことを特徴とする機器診断装置。
請求項１に記載された機器診断装置において、
前記異常検知情報提供部は、前記異常診断結果記憶部に記憶された診断結果データを参照して、
既知故障可能性マークの有無により、既知の機器故障データに類似傾向のデータが有るか無いかを表示する、
ことを特徴とする機器診断装置。
請求項１に記載された機器診断装置において、
前記異常検知情報提供部は、前記異常診断結果記憶部に記憶された診断結果データを参照して、
誤報可能性マークが記憶されている場合、誤報であることを表示し、
センサ故障可能性マークが記憶されている場合、センサ故障であることを表示し、
未知故障可能性マークが記憶されている場合、未知故障であることを表示する、
ことを特徴とする機器診断装置。
請求項１に記載された機器診断装置において、
前記異常検知情報提供部は、前記異常診断結果記憶部に記憶された診断結果データを参照して、
前記正常データ充足度推定部が正常データが充足していないと判定した場合、正常データ種類数と時間経過の実績およびＳ字型成長曲線による予測値を表示すること、
及び／又は、
前記機器故障データ充足度推定部が機器故障データが充足していないと判定した場合、故障原因数と時間経過の実績およびＳ字型成長曲線による予測値を表示すること、
を特徴とする機器診断装置。
請求項１に記載された機器診断装置において、
診断対象機器における正常時のセンサ信号データを蓄積する正常データ記憶部と、
前記正常データ記憶部に蓄積された正常データに基づき、正常モデルを予め生成し記憶する正常モデル生成部と、
診断対象機器における機器故障時のセンサ信号データを蓄積する機器故障データ記憶部と、
前記機器故障データ記憶部に蓄積された機器故障データに基づき、機器故障モデルを予め生成し記憶する機器故障モデル生成部と、
を備えたことを特徴とする機器診断装置。
請求項９に記載された機器診断装置において、
前記正常モデル生成部は、前記正常データ記憶部に予め記憶された診断対象機器における正常時のセンサ信号データを読み込み、正常時のセンサ信号データの分布から正常クラスタを生成し、正常モデルとして各正常クラスタを特定する情報を記憶し、
前記機器故障モデル生成部は、前記機器故障データ記憶部に予め記憶された診断対象機器における機器故障時のセンサ信号データを読み込み、機器故障時のセンサ信号データの分布から機器故障クラスタを生成し、機器故障モデルとして各機器故障クラスタを特定する情報を記憶する、
ことを特徴とする機器診断装置。
請求項１に記載された機器診断装置において、
前記正常データ充足度推定部が正常データが充足しているか否かの判定に用いるＳ字型成長曲線が、季節に対する正常データの種類数又は数を表すものであり、
前記機器故障データ充足度推定部が機器故障データが充足しているか否かの判定に用いるＳ字型成長曲線が、季節に対する機器故障データ種類数又は数を表すものである、
ことを特徴とする機器診断装置。
請求項１に記載された機器診断装置において、
診断対象機器における正常時のセンサ信号データを蓄積する正常データ記憶部
を備え、
前記正常データ充足度推定部は、
正常データの種類数又は数が診断対象機器台数に応じて増加して飽和状態になるＳ字型成長曲線の情報を予め記憶し、
前記正常データ記憶部に蓄積された正常データの種類数又は数がＳ字型成長曲線の飽和状態に達していれば正常データが充足していると判定し、達していなければ正常データが充足していないと判定する、
ことを特徴とする機器診断装置。
請求項１に記載された機器診断装置において、
診断対象機器における機器故障時のセンサ信号データを蓄積する機器故障データ記憶部
を備え、
前記機器故障データ充足度推定部は、
機器故障データの種類数又は数が診断対象機器台数に応じて増加して飽和状態になるＳ字型成長曲線の情報を予め記憶し、
前記機器故障データ記憶部に蓄積された機器故障データの種類数又は数がＳ字型成長曲線の飽和状態に達していれば機器故障データが充足していると判定し、達していなければ機器故障データが充足していないと判定する、
ことを特徴とする機器診断装置。
機器診断システムであって、
ひとつ又は複数のセンサを有し、センサ信号データを送信するひとつ又は複数の診断対象機器と、
ひとつ又は複数の診断対象機器に設置されたセンサからひとつ又は複数のセンサ信号データを受信する受信部と、
出力装置と、
機器診断装置と
を備え、
前記機器診断装置は、
診断対象機器の診断結果データを蓄積する異常診断結果記憶部と、
診断対象機器の異常を検知した場合、診断対象機器から受信したセンサ信号データに基づき、予め定められた機器故障モデルを用いて診断対象機器の異常が既知故障か否かを判定し、既知故障と判定した場合は既知故障可能性マークを診断結果データに含め、既知故障でないと判定した場合はセンサ故障可能性マークを診断結果データに含めて、前記異常診断結果記憶部に記憶する既知故障判定部と、
前記既知故障判定部が既知故障でないと判定した場合、予め記憶された正常データに基づき、正常データが充足しているか否かを推定し、正常データが充足していないと判定した場合、誤報可能性マークを診断結果データに含めて前記異常診断結果記憶部に記憶する正常データ充足度推定部と、
前記既知故障判定部が既知故障でないと判定した場合、予め記憶した機器故障データに基づき、機器故障データが充足度しているか否かを推定し、機器故障データが充足していないと判定した場合、未知故障可能性マークを診断結果データに含めて前記異常診断結果記憶部に記憶する機器故障データ充足度推定部と、
前記異常診断結果記憶部に記憶した診断結果データに基づき、機器故障及びセンサ故障及び誤報及び未知故障のいずれかひとつ又は複数を含む診断対象機器の異常の可能性を示す診断結果情報を作成し、他の装置又は前記出力装置に診断結果情報を提供する異常検知情報提供部と
を備えた機器診断システム。
機器診断方法であって、
診断対象機器の診断結果データを蓄積し、
診断対象機器の異常を検知した場合、診断対象機器から受信したセンサ信号データに基づき、予め定められた機器故障モデルを用いて診断対象機器の異常が既知故障か否かを判定し、既知故障と判定した場合は既知故障可能性マークを診断結果データに含め、既知故障でないと判定した場合はセンサ故障可能性マークを診断結果データに含めて記憶し、
既知故障でないと判定した場合、予め記憶された正常データに基づき、正常データが充足しているか否かを推定し、正常データが充足していないと判定した場合、誤報可能性マークを診断結果データに含めて記憶し、
既知故障でないと判定した場合、予め記憶した機器故障データに基づき、機器故障データが充足度しているか否かを推定し、機器故障データが充足していないと判定した場合、未知故障可能性マークを診断結果データに含めて記憶し、
記憶した診断結果データに基づき、機器故障及びセンサ故障及び誤報及び未知故障のいずれかひとつ又は複数を含む診断対象機器の異常の可能性を示す診断結果情報を作成し、他の装置又は出力装置に診断結果情報を提供する、
機器診断方法。