JP2017215832A - 回転機械の運転状態を診断する診断装置及び診断方法 - Google Patents

Abstract

【課題】回転機械の運転状態の診断に用いる診断モデルを容易に構築する。【解決手段】ＶＡＲモデルを診断モデルとして用いて回転機械の運転状態を診断する診断装置であって、時系列で回転機械を計測した計測値から生成された第１運転データとモデル探索条件とを用いてモデル構築条件を探索するモデル条件探索部を備え、診断モデルの出力変数は１個であり、モデル探索条件は、診断モデルの出力変数の初期候補と診断モデルの入力変数の複数の候補と診断モデルの次数の複数の候補とを含み、モデル条件探索部は、モデル探索条件を用いて出力変数の候補を決定する出力変数決定部と、入力変数を探索するための第１探索データとモデル探索条件とを用いて入力変数の候補を抽出する変数候補抽出部と、入力変数の候補と次数を探索するための第２探索データとを用いて出力変数の候補に対する入力変数及び次数の組合せを選択するモデル条件選択部と、を含む。【選択図】図１

Description

本発明は、回転機械の運転状態を診断する技術に関するものである。

従来、省人化、ヒューマンエラーの削減などを目的に、機械製品又はプラントの稼働状態、生産ラインの品質特性などに関する正常又は異常を自動的に診断する様々な手法が考案されている。これらの手法では、基本的に、以下の手順に従って診断が行われる。

まず、診断対象が過去に正常に稼働していた時の時系列データに対してデータマイニング、機械学習、統計処理等の分析手法を適用して、診断に用いる特徴量を計算する診断モデルを学習する。そして、新たに観測される時系列データに対して該診断モデルが計算した特徴量の、正常時の特徴量の確率分布からの外れ度を計算し、その外れ度が予め決定された閾値を超えた場合に異常と判断する。

上述の診断モデルの学習法としては、重回帰分析、主成分回帰、部分最小二乗法（ＰＬＳ）、自己回帰（ＡＲ）モデル、ベクトル自己回帰（ＶＡＲ）モデル等の各種の多変量解析手法なども用いられるが、それらに共通する特徴として以下の２点が挙げられる。

第１に、診断対象に関する多変量／時系列の稼働データに対して、特徴量との因果関係などを基に診断モデルの出力変数を選択する。第２に、選択した出力変数に対するモデル特性を最も精度良く表現する入力変数の組合せと、自己回帰項の次数条件とを、稼働データに含まれる変数項目のなかから選択する。

以上の診断モデルを構築するための出力変数、入力変数、次数の選択に関しては、用いる解析手法や稼動データの特性等によって様々な方法が提案されており、以下にその一例が説明される。

特許文献１には、重回帰モデルを前提とした場合に適用される入力変数の選択法が記載されている。特許文献１に記載の技術では、相関係数を用いて、まず使用する変数をユーザが大まかに定め（絞り込み）、その上で変数増減法等により詳細な変数設定を行う。ここで、相関係数は、一般に２つの変数の間の相互関係の大きさを示すものであり、−１と１との間の値になる。相関係数は、１に近いほど正の強い相関を持ち、−１に近いほど負の強い相関を持つとされる。したがって、相関係数の絶対値が１に近いほど２つの変数には強い相関があることになり、特許文献１に記載の技術では、この関係を利用して変数の絞込みを行う。

また、上述の変数増減法では、相関係数で絞り込んだ変数セットに対し、具体的に以下の手順で最終的な変数を確定させる。すなわち、まず、総当たりで各変数を減らした条件に対して、最小二乗誤差（ＲＭＳＥ）、赤池情報量基準（ＡＩＣ）等の指標を用いてモデル精度を評価する。次に、該指標の改善度が最も大きい条件を採用する。そして、この一連の処理を、該指標が改善しなくなるまで繰り返す。

特許文献２に記載の技術では、重回帰モデルや主成分回帰モデル、部分最小二乗法モデルを前提とする。そして、標準化されたモデル情報データを用いて、全入力候補変数と出力変数との関係を表す複数の入出力モデル［ｊ］（ｊ＝１，・・・，ＪであってＪは２以上の自然数）に対して、入出力モデル［ｊ］の各入力候補変数の変化量に対する出力変数の変化量を、その入力候補の変化量で除した値の絶対値である感度を入力候補変数ごとに生成する感度生成を入出力モデル［１］，・・・，入出力モデル［ｊ］，・・・，入出力モデル［Ｊ］についてそれぞれ行う。このようにして計算される「感度」は、入力候補変数が単位量変化したときの出力変数の変化分を表すもので、正の方向、または負の方向にその影響度の分だけの変化を及ぼす。変数選択は、この感度が大きい順にあらかじめ設定された個数を対象に実行する。

特許文献３に記載の技術は、プロセス操業データ及び品質データを基に、操業データを基底ベクトルとする操業変数空間を複数の局所領域に分割し、各局所領域の品質と操業変数との関連を表す局所関係式の全体への寄与率を操業データに基づいて算出する活性度関数を算出し、その活性度関数を考慮して各局所領域における操業変数と品質との関連性が高い操業変数だけを選択し、選択された操業変数と品質との関連を表す局所関係式を算出する。更に局所関係式と活性度関数を有する局所領域の重ね合せとして操業変数と品質との関連を表す数式モデルを導出し、複数の分割パターンの数式モデルのうち最小誤差の数式モデルを選択する。最小誤差の数式モデルの誤差が与件の収束判定変数より大きければ操業変数空間を更に細分割して上記各ステップを繰り返し、収束した結果の数式モデルを解析結果として表示する。

特開２００２−２６８７０３号公報 特開２０１０−２８２５４７号公報 特開２０１２−２７６８３号公報

しかしながら、上記特許文献１〜３に記載の技術では、本診断手法の適用対象を、空気圧縮機、ガスタービン、蒸気タービンなどの回転機械に限定した場合について、診断モデルを構築するための出力変数、入力変数、次数からなるモデル構築条件を容易に求めることが望まれている。

本発明は、上記問題を解決するもので、回転機械の運転状態の診断に用いる診断モデルを容易に構築することができる診断装置及び診断方法を提供することを目的とする。

本発明の第１態様は、
ベクトル自己回帰モデルを診断モデルとして用いて回転機械の運転状態を診断する診断装置であって、
時系列で前記回転機械を計測した計測値から、前記診断モデルを学習するための第１運転データを生成し、かつ前記回転機械の運転状態を表す特徴量を計算するための第２運転データを生成するデータ前処理部と、
前記診断モデルの出力変数、入力変数及び次数からなるモデル構築条件を探索するための条件を表す所定のモデル探索条件を記憶する探索条件記憶部と、
前記第１運転データと前記モデル探索条件とを用いて、前記モデル構築条件を探索するモデル条件探索部と、
前記第１運転データを用いて、前記診断モデルを学習するモデル学習部と、
前記第２運転データと、学習された前記診断モデルとを用いて、前記特徴量を計算する特徴量計算部と、
前記特徴量に基づき、前記回転機械の運転状態を診断する状態診断部と、
を備え、
前記診断モデルの前記出力変数は１個であり、
前記探索条件記憶部に記憶されている前記モデル探索条件は、前記診断モデルの前記出力変数の初期候補と、前記診断モデルの前記入力変数の複数の候補と、前記診断モデルの前記次数の複数の候補とを含み、
前記モデル条件探索部は、
前記モデル探索条件を用いて、前記診断モデルの前記出力変数の候補を決定する出力変数決定部と、
前記第１運転データを、前記診断モデルの前記入力変数を探索するための第１探索データと、前記診断モデルの前記次数を探索するための第２探索データとに分割する第１データ分割部と、
前記第１探索データと、前記モデル探索条件とを用いて、前記診断モデルの前記入力変数の候補を抽出する変数候補抽出部と、
前記変数候補抽出部により抽出された前記入力変数の候補と、前記第２探索データとを用いて、前記出力変数決定部により決定された前記出力変数の候補に対する、前記診断モデルの前記入力変数及び前記次数の組合せを選択するモデル条件選択部と、
を含むものである。

本発明の第２態様は、
ベクトル自己回帰モデルを診断モデルとして用いて回転機械の運転状態を診断する診断装置に用いられる診断方法であって、
前記診断装置は、前記診断モデルの出力変数、入力変数及び次数からなるモデル構築条件を探索するための条件を表す所定のモデル探索条件を記憶する探索条件記憶部を備え、
前記診断モデルの前記出力変数は１個であり、
前記探索条件記憶部に記憶されている前記モデル探索条件は、前記診断モデルの前記出力変数の初期候補と、前記診断モデルの前記入力変数の複数の候補と、前記診断モデルの前記次数の複数の候補とを含み、
前記診断方法は、
時系列で前記回転機械を計測した計測値から、前記診断モデルを学習するための第１運転データを生成し、かつ前記回転機械の運転状態を表す特徴量を計算するための第２運転データを生成するデータ前処理工程と、
前記第１運転データと前記モデル探索条件とを用いて、前記モデル構築条件を探索するモデル条件探索工程と、
前記第１運転データを用いて、前記診断モデルを学習するモデル学習工程と、
前記第２運転データと、学習された前記診断モデルとを用いて、前記特徴量を計算する特徴量計算工程と、
前記特徴量に基づき、前記回転機械の運転状態を診断する状態診断工程と、
を備え、
前記モデル条件探索工程は、
前記モデル探索条件を用いて、前記診断モデルの前記出力変数の候補を決定する出力変数決定工程と、
前記第１運転データを、前記診断モデルの前記入力変数を探索するための第１探索データと、前記診断モデルの前記次数を探索するための第２探索データとに分割するデータ分割工程と、
前記第１探索データと、前記モデル探索条件とを用いて、前記診断モデルの前記入力変数の候補を抽出する変数候補抽出工程と、
前記変数候補抽出工程により抽出された前記入力変数の候補と、前記第２探索データとを用いて、前記出力変数決定工程により決定された前記出力変数の候補に対する、前記診断モデルの前記入力変数及び前記次数の組合せを選択するモデル条件選択工程と、
を含むものである。

この第１態様及び第２態様では、ベクトル自己回帰モデルを診断モデルとして用いて回転機械の運転状態が診断される。診断モデルの出力変数は１個である。探索条件記憶部に記憶されているモデル探索条件は、診断モデルの出力変数の初期候補と、診断モデルの入力変数の複数の候補と、診断モデルの次数の複数の候補とを含む。モデル探索条件を用いて、診断モデルの出力変数の候補が決定される。第１運転データが、診断モデルの入力変数を探索するための第１探索データと、診断モデルの次数を探索するための第２探索データとに分割される。第１探索データとモデル探索条件とを用いて、診断モデルの入力変数の候補が抽出される。抽出された入力変数の候補と第２探索データとを用いて、決定された出力変数の候補に対する、診断モデルの入力変数及び次数の組合せが選択される。

したがって、この態様によれば、診断モデルとして用いられる出力変数が１個のベクトル自己回帰モデルを構築する場合に、回転機械の運転状態を最も良く表現する出力変数、入力変数、次数の組合せを、保存されている最小限の情報、つまり出力変数の初期候補と、入力変数の複数の候補と、次数の複数の候補とのみを用いることにより、自動的に決定することができる。その結果、回転機械の運転状態の診断に用いる診断モデルを容易に構築することができる。

前記診断装置は、前記診断モデルの前記出力変数の初期候補と、前記診断モデルの前記入力変数の複数の候補と、前記診断モデルの前記次数の複数の候補とを入力する入力部を備えてもよい。前記探索条件記憶部は、前記入力部により入力された前記診断モデルの前記出力変数の初期候補と、前記診断モデルの前記入力変数の複数の候補と、前記診断モデルの前記次数の複数の候補とを、前記モデル探索条件として記憶してもよい。

上記第１態様において、例えば、
前記モデル条件探索部は、
前記モデル条件選択部により選択された前記入力変数の全てが前記出力変数として選択済みであるか否かを判定し、選択された前記入力変数の全てが前記出力変数として選択済みであれば、前記モデル条件選択部により選択された前記出力変数、前記入力変数及び前記次数を最終的な前記モデル構築条件として決定するモデル条件決定部を更に含んでもよい。

前記出力変数決定部は、選択された前記入力変数の全てが前記出力変数として選択済みでないと前記モデル条件決定部により判定されると、前記出力変数の候補を、選択された前記入力変数のうちで未だ前記出力変数として選択されていない入力変数に決定してもよい。

入力変数として選択された変数は、選択されていない変数に比べて、回転機械の運転状態により大きく関連すると考えられる。そこで、本態様では、出力変数の候補が、選択された入力変数のうちで未だ出力変数として選択されていない入力変数に決定される。これによって、最終的に、入力変数として選択された変数は、その全てが出力変数として選択されることになる。したがって、本態様によれば、回転機械の運転状態に関連する変数を、自動的に出力変数として選択することができる。その結果、回転機械の運転状態をより良く診断できる診断モデルを構築することができる。

上記第１態様において、例えば、
前記変数候補抽出部は、
前記モデル探索条件に含まれる前記診断モデルの前記次数の複数の候補のなかから、仮の次数を決定する次数条件決定部と、
前記モデル探索条件に含まれる前記診断モデルの前記入力変数の複数の候補のなかから、モデル評価に用いる前記入力変数の候補を決定する変数候補決定部と、
前記第１探索データを、決定された前記仮の次数と決定された前記入力変数の候補との組合せに対するモデル評価における、前記診断モデルの学習用の第１学習データと、学習された前記診断モデルの評価用の第１テストデータとに、予め定められた複数の分割パターンで分割する第２データ分割部と、
前記複数の分割パターンで分割された前記各第１学習データを用いて、前記診断モデルのモデルパラメータをそれぞれ学習する第１モデルパラメータ学習部と、
学習された前記各モデルパラメータに対して、対応する前記分割パターンで分割された前記各第１テストデータを用いて、モデル精度を評価する評価指標をそれぞれ算出する第１評価指標計算部と、
前記複数の分割パターンに対してそれぞれ算出された前記各評価指標に基づき、前記入力変数の候補に対する最終的な評価指標である最終評価指標を算出する第２評価指標計算部と、
前記変数候補決定部により決定された前記入力変数の候補のなかから、前記最終評価指標が最良の前記入力変数を選択し、選択した前記入力変数を、前記次数条件決定部により決定された前記仮の次数における前記入力変数とし、前記仮の次数と前記入力変数との組合せを決定する入力変数選択部と、
を含んでもよい。

前記次数条件決定部は、前記モデル探索条件に含まれる前記診断モデルの前記次数の複数の候補のなかから、前記仮の次数を順番に決定し、
前記入力変数選択部は、前記次数条件決定部により決定された前記仮の次数ごとに、前記仮の次数と前記入力変数との組合せを決定してもよい。

本態様では、モデル探索条件に含まれる診断モデルの次数の複数の候補のなかから、仮の次数が次数条件決定部により決定される。モデル探索条件に含まれる診断モデルの入力変数の複数の候補のなかから、変数候補決定部により、モデル評価に用いる入力変数の候補が決定される。第１探索データは、第２データ分割部により、第１学習データと第１テストデータとに予め定められた複数の分割パターンで分割される。複数の分割パターンで分割された各第１学習データを用いて、第１モデルパラメータ学習部により、診断モデルのモデルパラメータがそれぞれ学習される。

学習された各モデルパラメータに対して、対応する分割パターンで分割された各第１テストデータを用いて、第１評価指標計算部により、評価指標がそれぞれ算出される。複数の分割パターンに対してそれぞれ算出された各評価指標に基づき、第２評価指標計算部により、入力変数の候補に対する最終評価指標が算出される。

変数候補決定部により決定された入力変数の候補のなかから、入力変数選択部により、最終評価指標が最良の入力変数が選択され、選択された入力変数が、次数条件決定部により決定された仮の次数における入力変数とされ、仮の次数と入力変数との組合せが決定される。次数条件決定部により、診断モデルの次数の複数の候補のなかから仮の次数が順番に決定される。入力変数選択部により、仮の次数ごとに、仮の次数と入力変数との組合せが決定される。したがって、本態様によれば、モデル探索条件に含まれる診断モデルの次数の複数の候補ごとに、次数と入力変数との組合せを自動的に決定することができる。

上記第１態様において、例えば、
前記モデル条件選択部は、
前記モデル探索条件に含まれる前記診断モデルの次数の複数の候補ごとに、前記入力変数選択部により決定された前記次数と前記入力変数との組合せに基づき、特定の次数と入力変数との組合せを設定する条件候補設定部と、
前記第２探索データを、設定された前記特定の次数と入力変数との組合せに対するモデル評価における、前記診断モデルの学習用の第２学習データと、学習された前記診断モデルの評価用の第２テストデータとに、予め定められた複数の分割パターンで分割する第３データ分割部と、
前記複数の分割パターンで分割された前記各第２学習データを用いて、前記診断モデルのモデルパラメータをそれぞれ学習する第２モデルパラメータ学習部と、
学習された前記各モデルパラメータに対して、対応する前記分割パターンで分割された前記各第２テストデータを用いて、モデル精度を評価する評価指標をそれぞれ算出する第３評価指標計算部と、
前記複数の分割パターンに対してそれぞれ算出された前記各評価指標に基づき、前記特定の次数と入力変数との組合せに対する全体的な評価指標である全体評価指標を算出する第４評価指標計算部と、
前記入力変数選択部により決定された前記次数と前記入力変数との組合せを用いて、前記全体評価指標が最良の次数と入力変数との組合せを選択する条件選択部と、
を含んでもよい。

前記条件候補設定部は、前記入力変数選択部により決定された前記次数と前記入力変数との組合せにおいて、前記入力変数ごとに、前記次数を、前記モデル探索条件に含まれる前記診断モデルの次数の複数の候補に順番に切り替えた組合せを、前記入力変数の順番に前記特定の次数と入力変数との組合せとして設定してもよい。

前記条件選択部は、前記条件候補設定部により設定された前記特定の次数と入力変数との組合せのなかから、前記全体評価指標が最良の次数と入力変数との組合せを選択してもよい。

本態様では、モデル探索条件に含まれる診断モデルの次数の複数の候補ごとに、入力変数選択部により決定された次数と入力変数との組合せに基づき、条件候補設定部によって、特定の次数と入力変数との組合せが設定される。第３データ分割部によって、第２探索データが、第２学習データと第２テストデータとに、予め定められた複数の分割パターンで分割される。複数の分割パターンで分割された各第２学習データを用いて、第２モデルパラメータ学習部によって、診断モデルのモデルパラメータがそれぞれ学習される。

学習された各モデルパラメータに対して、対応する分割パターンで分割された各第２テストデータを用いて、第３評価指標計算部によって、評価指標がそれぞれ算出される。複数の分割パターンに対してそれぞれ算出された各評価指標に基づき、特定の次数と入力変数との組合せに対する全体的な評価指標である全体評価指標が、第４評価指標計算部によって算出される。入力変数選択部により決定された次数と入力変数との組合せを用いて、全体評価指標が最良の次数と入力変数との組合せが、条件選択部によって選択される。

条件候補設定部によって、入力変数選択部により決定された次数と入力変数との組合せにおいて、入力変数ごとに、次数を、モデル探索条件に含まれる診断モデルの次数の複数の候補に順番に切り替えた組合せが、入力変数の順番に特定の次数と入力変数との組合せとして設定される。条件選択部によって、条件候補設定部により設定された特定の次数と入力変数との組合せのなかから、全体評価指標が最良の次数と入力変数との組合せが選択される。

すなわち、モデル探索条件に含まれる診断モデルの次数の候補の数がＱ個とすると、入力変数選択部により決定された次数と入力変数との組合せはＱ個である。これに対し、条件候補設定部によって、（Ｑ×Ｑ）個の特定の次数と入力変数との組合せが設定される。そして、条件選択部によって、この（Ｑ×Ｑ）個の特定の次数と入力変数との組合せのなかから、全体評価指標が最良の次数と入力変数との組合せが選択される。したがって、本態様によれば、診断モデルの次数と入力変数との組合せとして、回転機械の運転状態を最も良く表す次数と入力変数との組合せを選択することが可能となる。

上記第１態様において、例えば、前記回転機械は、空気圧縮機を含んでもよい。

本発明によれば、第１探索データとモデル探索条件とを用いて、診断モデルの入力変数の候補が抽出され、抽出された入力変数の候補と第２探索データとを用いて、決定された出力変数の候補に対する、診断モデルの入力変数及び次数の組合せが選択されるので、診断モデルとして用いられる出力変数が１個のベクトル自己回帰モデルを構築する場合に、回転機械の運転状態を最も良く表現する出力変数、入力変数、次数の組合せを、保存されている最小限の情報を用いることにより、自動的に決定することができ、その結果、回転機械の運転状態の診断に用いる診断モデルを容易に構築することができる。

本発明の一実施形態の診断装置の構成を概略的に示すブロック図である。 診断装置に含まれるモデル条件探索部の構成を概略的に示すブロック図である。 変数候補抽出部の構成を概略的に示すブロック図である。 モデル条件選択部の構成を概略的に示すブロック図である。 前処理運転データの一例を概略的に示す図である。 前処理運転データの一例を概略的に示す図である。 図１に示される診断装置の動作を概略的に示すフローチャートである。 図７のモデル構築条件の探索処理のサブルーチンを概略的に示すフローチャートである。 図８の変数候補抽出部による入力変数の候補抽出処理のサブルーチンを概略的に示すフローチャートである。 図８の変数候補抽出部による入力変数の候補抽出処理のサブルーチンを概略的に示すフローチャートである。 図８のモデル条件選択部による入力変数及び次数の選択処理のサブルーチンを概略的に示すフローチャートである。

（本発明の基礎となった知見）
本発明は、上述の様々な診断モデルの構築手法に対し、ベクトル自己回帰（ＶＡＲ）モデルの一形式である「１出力ＶＡＲモデル」を新たに採用し、出力変数、入力変数、次数からなるモデル構築条件を容易に選択する手法を提案するものである。この１出力ＶＡＲモデルは、公知のＶＡＲモデルの出力変数を１つに限定したものである。１出力ＶＡＲモデルでは、選択した任意の出力変数と入力変数との間の過去の因果関係を基にモデル化が実行される。そして、各々所望の出力変数に対して同様のモデル化を行ったものを用いて、多変量の特徴量ベクトルを算出し、最終的に運転状態の正常又は異常が診断される。

ここでは、１出力ＶＡＲモデルによるモデル化手法を前提とした場合に、上述の特許文献１〜３が抱える問題点が列記される。

特許文献１では、相関関係を利用して変数の絞込みを行うが、これは２変数の線形の関係を見ているだけである。このため、散発的にしか変化しない変数などにおいては運転状態に対する影響が大きくても相関係数としては小さくなる場合もある。その結果、重要な入力候補変数を見落とすおそれがあるという問題がある。また、入力候補変数同士に強い相関がある場合、その両方が出力変数と相関が強ければ両方とも入力変数として採用されることになるが、両方の入力変数が含まれることは冗長であるという問題もある。

特許文献２、３に記載のいずれの技術も、ある特定の出力変数に対して適切な入力変数の組合せを得ることが可能であるが、出力変数については設計者によって予め決定されたものを使用することが前提となっている。しかしながら、本発明が対象とする回転機械の運転状態の診断に照らした場合、どの出力変数が運転状態の変化を有意に捉えるかを設計者が厳密に絞り込むことは難しい。特に、複数の出力変数の相関性に由来する状態変化が重要な場合、その出力変数の組合せは出力変数の候補によっては膨大となり、最適な出力変数の組合せを決定することが非常に困難な可能性がある。

１出力ＶＡＲモデルは、式（１）によって定式化される。式（１）に示されるように、回転機械のある計測信号の時刻ｔにおける計測値は、その計測信号を含む他の計測信号の時刻ｔより過去にＮステップ遡った情報の線形加重和によって予測される。

ここで、ｘ^＊ _ｉ（ｔ）は、出力変数ｘ_ｉの時刻ｔの予測値である。ｘ_ｊ（ｔ−ｎ）は、入力変数ｘ_ｊの時刻（ｔ−ｎ）の計測値である。ａ_ｊ，ｎは、ｘ_ｊ（ｔ−ｎ）に対応するモデルのパラメータである。ｂは、定数項、つまりオフセットのパラメータである。Ｎは、モデルの次数である。Ｊは、入力変数の添え字の集合を意味する。

この１出力ＶＡＲモデルでは、高精度な診断モデルを構築する上で、以下の３点が重要となる。
（Ａ）回転機械の異常又は故障などの運転特性の変化を顕著に表現できる出力変数を選択する。
（Ｂ）選択した出力変数の特性を最も良く表現する入力変数を選択する。
（Ｃ）入力変数との相関性を含めて、出力変数の特性を最も良く表現する次数Ｎを選択する。

上記の出力変数、入力変数、次数の３点の決定に際して、入力変数と次数とについては上記特許文献１〜３に記載の公知技術によって自動的な選択が可能となっている。しかしながら、出力変数については先験情報又はノウハウに依存する部分が大きい。このため、人為的なミスなどによって、所望の診断性能が得られない可能性がある。

以上の考察により、本発明者は、回転機械の運転状態を診断するための診断モデルを効率良く容易に構築することができる発明を想到するに至った。

すなわち、本開示の診断装置および診断方法では、回転機械の運転状態を診断する診断モデルとして１出力ＶＡＲモデルを使用することを前提とする。そして、診断モデルを構築するモデル構築条件として、運転状態の変化を有意に捉える出力変数、入力変数、次数を、先験情報をベースとしつつも厳密な最適解として自動的に選択することが可能にされている。

（実施の形態）
以下、本発明の一実施の形態について、図面を参照しながら説明する。なお、各図面において、同じ構成要素については同じ符号が用いられている。

（構成）
図１は、本発明の一実施形態の診断装置１００の構成を概略的に示すブロック図である。図２は、診断装置１００に含まれるモデル条件探索部１１１の構成を概略的に示すブロック図である。図３は、モデル条件探索部１１１に含まれる変数候補抽出部２０３の構成を概略的に示すブロック図である。図４は、モデル条件探索部１１１に含まれるモデル条件選択部２０４の構成を概略的に示すブロック図である。

診断装置１００は、空気圧縮機１（回転機械の一例）の運転状態を診断する。図１に示されるように、診断装置１００は、空気圧縮機１からオンラインで信号を受信する。

診断装置１００は、例えばコンピュータであり、中央演算処理装置（ＣＰＵ）、プログラム及びデータ等を保存するメモリ、周辺回路、表示部１２０、及び入力部１３０を含む。メモリは、半導体メモリ、ハードディスク等で構成される。メモリは、運転データベース（ＤＢ）１０３、モデル情報ＤＢ１０５、モデル探索条件ＤＢ１１２、診断条件ＤＢ１０７、出力ログＤＢ１０９を含む。

メモリに保存されたプログラムを実行することにより、ＣＰＵは、以下のように機能する。すなわち、ＣＰＵは、データ前処理部１０２、モデル条件探索部１１１、モデル学習部１０４、特徴量計算部１０６、状態診断部１０８として機能する。また、ＣＰＵは、図２に示されるように、出力変数決定部２０１、データ分割部２０２、変数候補抽出部２０３、モデル条件選択部２０４、モデル条件決定部２０５として機能する。

また、ＣＰＵは、図３に示されるように、次数条件決定部２１１、変数候補決定部２１２、データ分割部２１３、モデルパラメータ学習部２１４、評価指標計算部２１５、評価指標計算部２１６、入力変数選択部２１７として機能する。また、ＣＰＵは、図４に示されるように、条件候補設定部２２１、データ分割部２２２、モデルパラメータ学習部２２３、評価指標計算部２２４、評価指標計算部２２５、条件選択部２２６としてとして機能する。周辺回路は、データ入力インターフェース（Ｉ／Ｆ）１０１と、データ出力Ｉ／Ｆ１１０とを含む。

表示部１２０は、例えば液晶表示パネルを含む。代替的に、表示部１２０は、有機ＥＬ（Ｅｌｅｃｔｒｏ Ｌｕｍｉｎｅｓｃｅｎｃｅ）パネルを含んでもよい。入力部１３０は、キーボード及びマウスを含んでもよい。表示部１２０がタッチパネル式の場合には、入力部１３０は、表示部１２０のタッチパネルであってもよい。

図１に示される診断装置１００は、概略次のような動作を行う。まず、診断装置１００のデータ前処理部１０２は、空気圧縮機１からオンラインで入力された計測信号を診断モデルの学習に適切な形式のデータを生成し、運転ＤＢ１０３に保存する。本実施形態では、診断モデルとして、１出力ＶＡＲモデルを用いる。

次に、診断モデルの構築を行うタイミングと判断された場合は、まず、モデル条件探索部１１１は、運転ＤＢ１０３に保存されたデータを基に、１出力ＶＡＲモデルを用いる診断モデルを構築するためのモデル構築条件を探索する。モデル構築条件は、診断モデルの入力変数、出力変数、及び次数からなる。

次に、モデル学習部１０４は、探索されたモデル構築条件と、運転ＤＢ１０３に保存されたデータとを基に、診断モデルの特性を規定するモデルパラメータを学習する。以上のようにして得られたモデル構築条件およびモデルパラメータは、モデル情報ＤＢ１０５に保存される。

次に、学習した診断モデルを用いた空気圧縮機１の運転状態の診断に関して、診断装置１００は以下の動作を行う。まず、データ前処理部１０２は、診断に用いる特徴量の計算に適切な形式のデータを生成する。このデータと、モデル情報ＤＢ１０５に保存されたモデルパラメータとを用いて、特徴量計算部１０６は、診断用の特徴量を計算する。次に、状態診断部１０８は、計算された特徴量を用いて、空気圧縮機１の運転状態が正常であるか異常であるかを判定する。判定結果は、表示部１２０に表示される。

以下、診断装置１００の具体的な構成が説明される。データ入力Ｉ／Ｆ１０１は、空気圧縮機１から出力される空気圧縮機１の各部の計測信号１０を予め定められた通信周期（例えば１秒）で受信する。

計測信号１０は、本実施形態では例えば、空気圧縮機１への吸込み空気圧、空気圧縮機１からの吐出空気圧、空気圧縮機１に潤滑用油を供給するための給油フィルタの前後の差圧、空気圧縮機１から流出する使用済み潤滑用油の不純物を分離する分離フィルタの前後の差圧、給油温度、油回収器の出口温度、空気圧縮機１の主電動機の軸受温度、空気圧縮機１の主電動機の巻線温度、空気圧縮機１のケーシング振動の振幅、温度によって変動する空気圧縮機１のロータ軸の軸方向長さの１０種類の信号を含む。

データ入力Ｉ／Ｆ１０１は、１０種類の計測信号１０を例えばパラレルデータとして受信する。データ入力Ｉ／Ｆ１０１は、パラレルデータとして受信した１０種類の計測信号１０を、診断装置１００の内部で処理可能な例えばシリアルデータの計測信号１１に変換する。データ入力Ｉ／Ｆ１０１は、計測信号１１をデータ前処理部１０２に出力する。

データ前処理部１０２は、入力された計測信号１１を診断モデルの学習に適切な形式に変換し、前処理運転データ１２（第１運転データの一例）を生成する。データ前処理部１０２は、生成した前処理運転データ１２を運転ＤＢ１０３に出力する。

図５は、前処理運転データ１２の一例を概略的に示す図である。前処理運転データ１２は、図５に示されるように、日付時刻１２０１、バッチＩＤ１２０２、時系列データＩＤ１２０３、第１〜第１０信号の計測データ１２０４を含む。

日付時刻１２０１は、計測データ１２０４の各レコードが計測された日付および時刻情報を表す。バッチＩＤ１２０２は、計測データ１２０４の時系列連続性を基準に分類されるバッチを特定する識別子である。本実施形態では、空気圧縮機１における起動から停止までの一連の連続運転中に得られた計測信号がひとつのバッチと定義される。バッチＩＤ１２０２として、時系列順に整数の添字ｉを用いて識別子が管理される。

時系列データＩＤ１２０３は、予め定められた通信周期毎に入力される計測信号１１に時系列順に付与される識別子である。時系列データＩＤ１２０３として、整数の添字ｊを用いて識別子が管理される。計測データ１２０４は、計測信号１０に含まれる計測値を表す。本実施形態では、上述のように１０種類の計測信号１０が空気圧縮機１から入力されるので、前処理運転データ１２は、第１〜第１０信号の１０個の計測データ１２０４を含む。なお、本実施形態では、バッチＩＤ１２０２の最大値はＩ、時系列データＩＤ１２０３の最大値（つまりバッチｉに属するデータの最大値）はＪｉとする。

図１に戻って、データ前処理部１０２は、入力された計測信号１１を空気圧縮機１の診断に用いる特徴量の計算に適切な形式に変換し、前処理運転データ１６（第２運転データの一例）を生成する。データ前処理部１０２は、生成した前処理運転データ１６を特徴量計算部１０６に出力する。

図６は、前処理運転データ１６の一例を概略的に示す図である。前処理運転データ１６は、図６に示されるように、日付時刻１２０１、計測データ１２０４を含む。すなわち、前処理運転データ１６は、前処理運転データ１２からバッチＩＤ１２０２及び時系列データＩＤ１２０３を除いた構成になっている。

図１に戻って、データ前処理部１０２は、データ入力Ｉ／Ｆ１０１が新たな計測信号１０を受信するたびに、前処理運転データ１２，１６を順次更新する。運転ＤＢ１０３は、データ前処理部１０２から出力された前処理運転データ１２を保存する。

モデル条件探索部１１１は、前処理運転データ１２から、最も当てはまりの良い（つまり診断精度の良い）診断モデルを構築するモデル構築条件２３を探索する。モデル構築条件２３は、診断モデルの入力変数、出力変数、及び次数からなる。次数は、１出力ＶＡＲモデルを構成するために必要なデータである。次数は、参照する時系列データのステップ数である。つまり、次数は、どれだけの過去のデータまでさかのぼって考慮するかを表す。探索されたモデル構築条件２３は、モデル情報ＤＢ１０５に保存される。モデル条件探索部１１１の詳細な構成については後に詳述される。

モデル探索条件ＤＢ１１２（探索条件記憶部の一例）は、モデル条件探索部１１１においてモデル構築条件２３を探索するアルゴリズムを動作させるために必要なモデル探索条件２２を記憶する。このモデル探索条件２２は、具体的には、出力変数の初期候補、次数の探索候補、入力変数の候補を含む。

出力変数の初期候補は、モデル構築条件２３の探索の起点となる出力変数である。出力変数の初期候補は、予め定められてモデル探索条件ＤＢ１１２に保存されていてもよい。

ユーザは、入力部１３０を用いて、上述の計測信号１０に含まれる１０種類の信号のなかから、出力変数の初期候補を選択してもよい。モデル探索条件ＤＢ１１２は、入力部１３０を用いて選択された信号を出力変数の初期候補として保存する。

出力変数の初期候補としては、先験情報等を基に、考えうる出力変数の候補のなかから、空気圧縮機１の運転状態を最も顕著に表現する変数を選択することが望ましい。ユーザは、出力変数の初期候補として、上述の計測信号１０に含まれる１０種類の信号のなかから、例えば空気圧縮機１の運転状態を監視する運転員が最も注目している計測信号を選択してもよい。本実施形態では例えば、空気圧縮機１からの吐出空気圧が、出力変数の初期候補としてモデル探索条件ＤＢ１１２に保存されている。

次数の探索候補は、本実施形態では、次数の最大値Ｎｍａｘと、次数を探索するときの刻み幅ΔＮとによって定義される。次数の探索候補は、予め定められてモデル探索条件ＤＢ１１２に保存されていてもよい。ユーザは、入力部１３０を用いて、次数の最大値Ｎｍａｘと、次数を探索するときの刻み幅ΔＮとを入力してもよい。

具体的には例えば、次数の最大値Ｎｍａｘが１００に設定され、刻み幅ΔＮが５に設定されると、Ｎ＝５，１０，・・・，１００の２０通りの次数Ｎが探索される。本実施形態では例えば、次数の最大値Ｎｍａｘが１００に設定され、刻み幅ΔＮが５に設定された次数の探索候補が、モデル探索条件ＤＢ１１２に保存されている。

入力変数の候補は、上述の計測信号１０に含まれる１０種類の信号から選択される。本実施形態では、複数の入力変数の候補が設定されている。入力変数の候補は、予め定められてモデル探索条件ＤＢ１１２に保存されていてもよい。

ユーザは、入力部１３０を用いて、上述の計測信号１０に含まれる１０種類の信号のなかから、入力変数の候補を選択してもよい。本実施形態では例えば、入力変数の候補として、上述の計測信号１０に含まれる１０種類の信号の全てが、モデル探索条件ＤＢ１１２に保存されている。

図２を参照して、モデル条件探索部１１１の詳細な構成が説明される。出力変数決定部２０１は、モデル探索条件ＤＢ１１２に保存されているモデル探索条件２２を読み取る。出力変数決定部２０１は、読み取ったモデル探索条件２２を用いて、構築しようとする診断モデルの出力変数３１を決定する。最初の動作開始時には、出力変数決定部２０１は、モデル探索条件ＤＢ１１２に保存されている出力変数の初期候補を出力変数３１に決定する。

データ分割部２０２（第１データ分割部の一例）は、運転ＤＢ１０３に保存されている前処理運転データ１２を読み取る。データ分割部２０２は、読み取った前処理運転データ１２を、入力変数の探索用の運転データ３２と、次数の探索用の運転データ３４とに分割する。データ分割部２０２は、図５の前処理運転データ１２のうち、例えば時系列データＩＤ１２０３が「１」から「ｊ」までのデータを運転データ３２に設定し、「ｊ＋１」から「Ｊ_Ｉ」までのデータを運転データ３４に設定する。

変数候補抽出部２０３は、入力変数の探索用の運転データ３２と、モデル探索条件２２とを用いて、入力変数の組合せ候補３３を抽出する。変数候補抽出部２０３は、抽出した入力変数の組合せ候補３３をモデル条件選択部２０４に出力する。変数候補抽出部２０３の詳細な構成については後に詳述される。

モデル条件選択部２０４は、入力変数の組合せ候補３３と、次数の探索用の運転データ３４とを用いて、入力変数及び次数の組合せ候補を選択する。すなわち、モデル条件選択部２０４は、設定されている１個の出力変数に対して、モデル探索条件２２を用いて、複数の次数の条件を仮定する。モデル条件選択部２０４は、仮定した各々の次数の条件に対して、最適な入力変数の組合せを選択する。モデル条件選択部２０４は、選択した入力変数及び次数の組合せのなかから、最適な入力変数及び次数の組合せ３５をモデル条件決定部２０５に出力する。モデル条件選択部２０４の詳細な構成については後に詳述される。

モデル条件決定部２０５は、その時点までに求められた入力変数及び次数の組合せ３５について、想定しうるモデル構築条件（ここでは入力変数と出力変数との組合せ）が網羅的に得られているか否かを判定する。言い換えると、モデル条件決定部２０５は、出力変数の集合と入力変数の集合とが一致しているか否かを判定する。

出力変数の集合と入力変数の集合とが一致していれば、モデル条件決定部２０５は、その時点までで得られた組合せを、診断に必要なモデル構築条件として決定する。出力変数の集合と入力変数の集合とが一致していなければ、モデル条件決定部２０５は、入力変数のなかで出力変数として選択されていない入力変数３６を選択し、次の出力変数の候補として出力変数決定部２０１に出力する。

出力変数決定部２０１は、モデル条件決定部２０５から入力された入力変数３６を次の出力変数に決定する。そして、モデル条件探索部１１１の各部２０１〜２０５は、以上の動作を繰り返す。

診断モデルを構築する際に、入力変数として選択された信号は、空気圧縮機１の運転状態に大きく関連すると考えられる。そこで、本実施形態では、入力変数として選択された信号を出力変数として選択して、診断モデルの構築を行うようにしている。

図３を参照して、変数候補抽出部２０３の詳細な構成が説明される。次数条件決定部２１１は、モデル探索条件２２に含まれる複数の次数の条件のなかから任意の１つの次数を選択する。次数条件決定部２１１は、選択した次数４１を変数候補決定部２１２に出力する。

変数候補決定部２１２は、モデル探索条件２２に含まれる複数の入力変数の候補のなかから、所定の基準（詳細は後述）に従って、次数４１に対して最適な入力変数の候補を決定する。変数候補決定部２１２は、決定した入力変数の候補４２をデータ分割部２１３に出力する。

データ分割部２１３（第２データ分割部の一例）は、入力変数の探索用の運転データ３２を、モデルパラメータの学習のための学習データ４３と、学習されたモデルパラメータの評価用のテストデータ４５とに分割する。データ分割部２１３は、学習データ４３をモデルパラメータ学習部２１４に出力し、テストデータ４５を評価指標計算部２１５に出力する。

モデルパラメータ学習部２１４（第１モデルパラメータ学習部の一例）は、学習データ４３を用いて、選択された次数および入力変数で構成される診断モデルのモデルパラメータを学習する。モデルパラメータ学習部２１４は、学習されたモデルパラメータ４４を評価指標計算部２１５に出力する。

評価指標計算部２１５（第１評価指標計算部の一例）は、テストデータ４５と学習されたモデルパラメータ４４とを用いて、診断モデルの精度を評価する評価指標を算出する。

データ分割部２１３による分割処理は、学習データ４３とテストデータ４５との分割パターンが変更されて反復実行される。そして、変更された分割パターンの学習データ４３とテストデータ４５とを用いて、モデルパラメータ学習部２１４と評価指標計算部２１５との動作も反復実行される。この反復実行によって、クロスバリデーションが行われる。

評価指標計算部２１５は、評価指標を算出すると、計算終了信号４６をデータ分割部２１３に出力する。データ分割部２１３は、計算終了信号４６を受け取る度に、予め定められた分割パターンでの学習データ４３とテストデータ４５との分割が終了するまで、データ分割を反復実行する。

評価指標計算部２１５は、反復実行ごとに算出した各々の評価指標を累積する。評価指標計算部２１５は、累積した評価指標の累積値４７を評価指標計算部２１６に出力する。

評価指標計算部２１６（第２評価指標計算部の一例）は、評価指標計算部２１５の反復実行により算出された評価指標の累積値４７から、次数条件決定部２１１で決定された次数および変数候補決定部２１２で決定された入力変数に対する最終的な評価指標４９を算出する。評価指標計算部２１６は、算出した評価指標４９を入力変数選択部２１７に出力する。

入力変数選択部２１７は、評価指標４９が評価指標計算部２１６により計算されたときのモデル条件（つまり次数条件決定部２１１で決定された次数および変数候補決定部２１２で決定された入力変数）に対して、以下の２種類の処理を実行する。

すなわち、第１に、入力変数選択部２１７は、入力変数のある個数条件（例えば２個）における複数の入力変数の組合せのなかから、評価指標が最良となる入力変数の組合せを選択する。入力変数選択部２１７は、入力変数のある個数条件での入力変数の組合せの選択が終了すると、選択終了信号４８を変数候補決定部２１２に出力する。変数候補決定部２１２は、次の個数条件（例えば２個の次は３個）での入力変数の候補を決定する。

第２に、入力変数選択部２１７は、入力変数の各々の個数条件（例えば１個から１０個まで）に対して選択された入力変数の組合せのなかから、評価指標が最良となる入力変数の組合せを選択し、その入力変数の組合せ３３をモデル条件選択部２０４に出力する。入力変数選択部２１７は、各々の個数条件（例えば１個から１０個まで）での入力変数の組合せの選択が終了すると、選択終了信号５０を次数条件決定部２１１に出力する。次数条件決定部２１１は、次の次数の条件を選択し、選択した次数４１を変数候補決定部２１２に出力する。したがって、入力変数選択部２１７は、次数の条件ごとに、評価指標が最良となる入力変数の組合せ３３をモデル条件選択部２０４に出力することとなる。

図４を参照して、モデル条件選択部２０４の詳細な構成が説明される。条件候補設定部２２１は、変数候補抽出部２０３の入力変数選択部２１７から次数の条件ごとに出力された入力変数の組合せ３３のなかから、任意の１つの条件（つまり次数及び入力変数の組合せ）を選択する。条件候補設定部２２１は、選択した１つの条件を選択条件６１としてデータ分割部２２２に出力する。

データ分割部２２２（第３データ分割部の一例）は、次数の探索用の運転データ３４を、モデルパラメータの学習用の学習データ６２と、学習したモデルパラメータの評価用のテストデータ６４とに分割する。データ分割部２２２は、学習データ６２をモデルパラメータ学習部２２３に出力し、テストデータ６４を評価指標計算部２２４に出力する。

モデルパラメータ学習部２２３（第２モデルパラメータ学習部の一例）は、学習データ６２を用いて、選択された次数および入力変数で構成される診断モデルのモデルパラメータを学習する。モデルパラメータ学習部２２３は、学習されたモデルパラメータ６３を評価指標計算部２２４に出力する。

評価指標計算部２２４（第３評価指標計算部の一例）は、テストデータ６４と学習されたモデルパラメータ６３とを用いて、診断モデルの精度を評価する評価指標を算出する。

図３を参照して説明された変数候補抽出部２０３における処理と同様に、データ分割部２２２による分割処理は反復実行され、モデルパラメータ学習部２２３と評価指標計算部２２４との動作も反復実行される。この反復実行によって、クロスバリデーションが行われる。

評価指標計算部２２４は、評価指標を算出すると、計算終了信号６５をデータ分割部２２２に出力する。データ分割部２２２は、計算終了信号６５を受け取る度に、予め定められた分割パターンでの学習データ６２とテストデータ６４との分割が終了するまで、データ分割を反復実行する。

評価指標計算部２２４は、反復実行ごとに算出した各々の評価指標を累積する。評価指標計算部２２４は、累積した評価指標の累積値６６を評価指標計算部２２５に出力する。

評価指標計算部２２５（第４評価指標計算部の一例）は、評価指標計算部２２４の反復実行により算出された評価指標の累積値６６から、条件候補設定部２２１で設定された次数および入力変数に対する最終的な評価指標６８を算出する。評価指標計算部２２５は、算出した評価指標６８を条件選択部２２６に出力する。

条件選択部２２６は、評価指標６８が評価指標計算部２２５により計算されたときのモデル条件（つまり次数及び入力変数の組合せ）のなかから、評価指標が最良となるモデル条件を選択する。条件選択部２２６は、選択したモデル条件を最終的な次数及び入力変数の組合せ（つまりモデル構築条件３５）と決定する。

条件選択部２２６は、次数及び入力変数の全ての組合せについて、評価指標６８の算出が終了していないときは、評価指標６８を算出すると、算出終了信号６７を条件候補設定部２２１に出力する。条件候補設定部２２１は、算出終了信号６７を受け取ると、次の次数および入力変数の組合せを設定し、選択条件６１としてデータ分割部２２２に出力して、以上の処理が繰り返される。

図１に戻って、モデル情報ＤＢ１０５は、探索されたモデル構築条件２３を含むモデル学習部１０４の実行条件、モデル学習部１０４により学習されたモデルパラメータ１４などを保存する。

モデル学習部１０４は、前処理運転データ１２と、モデル情報ＤＢ１０５に保存されているモデル構築条件２３とに基づき、モデルパラメータ１４を学習する。学習されたモデルパラメータ１４は、モデル情報ＤＢ１０５に保存される。

診断条件ＤＢ１０７は、特徴量計算および状態診断の実行条件パラメータ１８を保存する。具体的な実行条件パラメータ１８は、状態診断に特徴量の閾値判定を用いる場合の閾値パラメータ、確率検定を用いる場合の有意水準パラメータ等を含む。

特徴量計算部１０６は、モデルパラメータ１４、前処理運転データ１６およびモデル構築条件２３を用いて、現時点での計測信号に対するモデル特性評価を実行する。特徴量計算部１０６は、そのモデル特性評価の結果を基に、診断用の実行条件パラメータ１８を用いて、診断用の指標である特徴量１９を計算する。

状態診断部１０８は、診断用の実行条件パラメータ１８と、特徴量１９とを用いて、空気圧縮機１の運転状態を診断し、診断結果２０を出力ログＤＢ１０９及びデータ出力Ｉ／Ｆ１１０に出力する。

出力ログＤＢ１０９は、特徴量計算部１０６により計算された特徴量１９と、状態診断部１０８の診断結果２０とを保存する。データ出力Ｉ／Ｆ１１０は、診断結果２０を含む、表示部１２０で表示される形式の表示データ２１を生成し、生成した表示データ２１を表示部１２０に出力する。表示部１２０は、表示データ２１を表示する。

（動作）
図７は、図１に示される診断装置１００の動作を概略的に示すフローチャートである。診断装置１００は、空気圧縮機１から計測信号１０を受信し、空気圧縮機１の運転状態を診断し、診断結果を表示部１２０に表示する。計測信号の通信タイミングおよび診断結果の更新タイミングは、それぞれ、予め定められた通信周期（例えば１秒）および診断周期（例えば２秒）に依存する。一般に、通信周期＜診断周期となるのが望ましい。したがって、診断装置１００の図７に示される動作は、通信周期毎に実行される。なお、通信周期、診断周期は、診断装置１００を含むプラント計装システムの通信速度、演算処理速度に依存して決定されてもよい。以下、図７の各ステップが説明される。

ステップＳ２０００において、診断装置１００のデータ入力Ｉ／Ｆ１０１は、空気圧縮機１から計測信号１０を受信する。データ入力Ｉ／Ｆ１０１は、計測信号１０を診断装置１００において処理可能な形式である計測信号１１に変換する。データ入力Ｉ／Ｆ１０１は、計測信号１１をデータ前処理部１０２に出力する。

ステップＳ２０１０（データ前処理工程の一例）において、データ前処理部１０２は、計測信号１１を診断モデルの学習に必要な形式に整形し、前処理運転データ１２を生成する。データ前処理部１０２は、生成した前処理運転データ１２を運転ＤＢ１０３に出力する。データ前処理部１０２は、計測信号１１を、診断に用いる特徴量の計算に必要な形式に整形し、前処理運転データ１６を生成する。データ前処理部１０２は、生成した前処理運転データ１６を特徴量計算部１０６に出力する。

ステップＳ２０２０において、運転ＤＢ１０３は、データ前処理部１０２から入力された前処理運転データ１２を保存する。

ステップＳ２０２２において、診断装置１００のＣＰＵは、診断モデルのモデル構築条件の探索及びモデルパラメータの学習を実行するか否かを、予め設定された実行条件を基に判定する。本実施形態では例えば、診断装置１００のＣＰＵは、一定周期（週単位、月単位など）の経過時に実行条件を満たすと判定して診断モデルのモデル構築条件の探索及びモデルパラメータの学習を実行する。なお、ユーザが入力部１３０を用いて所定の入力を行うと、診断装置１００のＣＰＵは、実行条件を満たすと判定して探索及び学習を実行してもよい。また、十分なモデル精度を獲得するために最低限必要なデータ量を閾値として設定しておいてもよい。この実施形態では、診断装置１００のＣＰＵは、運転ＤＢ１０３に蓄積されたデータ量が閾値に満たない場合には、探索及び学習を実行しないと判定する。

判定の結果、診断モデルのモデル構築条件の探索及びモデルパラメータの学習を実行する場合には（ステップＳ２０２２でＹＥＳ）、処理はステップＳ２０２４に進む。一方、探索及び学習を実行しない場合には（ステップＳ２０２２でＮＯ）、処理はステップＳ２０６０に進む。

ステップＳ２０２４（モデル条件探索工程の一例）において、モデル条件探索部１１１は、運転ＤＢ１０３に保存されている前処理運転データ１２と、モデル探索条件ＤＢ１１２に保存されているモデル探索条件２２とを用いて、モデル構築条件２３を探索する。なお、このモデル構築条件２３の探索の詳細な処理内容については、図８のフローチャートを用いて次に説明される。

図８は、図７のステップＳ２０２４（モデル構築条件２３の探索処理）のサブルーチンを概略的に示すフローチャートである。

図８のステップＳ４０００において、モデル条件探索部１１１は、運転ＤＢ１０３から前処理運転データ１２を読み込み、モデル探索条件ＤＢ１１２からモデル探索条件２２を読み込む。モデル探索条件２２は、上述のように、モデル構築条件２３（つまり出力変数、入力変数及び次数）を探索するアルゴリズムを動作させるために必要な情報を含む。

ステップＳ４０１０において、モデル条件探索部１１１は、モデル構築条件２３の探索処理を反復して実行する際に、作成した診断モデルをカウントするためのカウンタｉを１に初期化する。カウンタｉは、診断モデルを特定する添え字として使用される。

ステップＳ４０２０（出力変数決定工程の一例）において、ステップＳ４０００で読み込まれたモデル探索条件２２に含まれる出力変数の初期候補を用いて、出力変数決定部２０１は、診断モデルｉの出力変数を設定する。

ステップＳ４０３０（データ分割工程の一例）において、データ分割部２０２は、前処理運転データ１２を、入力変数の探索用の運転データ３２と、次数の探索用の運転データ３４とに分割する。

ステップＳ４０４０（変数候補抽出工程の一例）において、変数候補抽出部２０３は、診断モデルｉの入力変数の候補を抽出する。なお、このステップの詳細な処理内容については、図９、図１０のフローチャートを用いて次に説明される。

図９、図１０は、図８のステップＳ４０４０（変数候補抽出部２０３による入力変数の候補抽出処理）のサブルーチンを概略的に示すフローチャートである。

ステップＳ６０００において、次数条件決定部２１１は、モデル探索条件２２に含まれる次数の探索候補から、任意の１つを仮の次数ｎ_ｊとして決定する。図９、図１０では、次数の探索候補は、ｎ_ｊ（ｊ＝１〜Ｊの整数）のＪ個であるとする。ステップＳ６０００では、カウンタｊが１に初期化されて、次数ｎ_１が仮の次数として決定される。

なお、次数の探索候補は、本実施形態では、上述のように、次数の最大値Ｎｍａｘと、次数を探索するときの刻み幅ΔＮとによって定義される。つまり、図９、図１０では、Ｎｍａｘ＝ｎ_Ｊであり、ΔＮ＝ｎ_１である。この場合には、仮の次数は昇順に決定される。なお、例えばＮｍａｘ＝ｎ_１とし、ΔＮ＝ｎ_Ｊとしてもよい。この場合には、仮の次数は降順に決定される。

ステップＳ６０１０において、変数候補決定部２１２は、入力変数の組合せ集合Ｍ０を空に初期化する。また、変数候補決定部２１２は、入力変数の選択における入力変数の個数条件をカウントするカウンタｋ１を１に初期化する。

ステップＳ６０２０において、変数候補決定部２１２は、ある入力変数の個数条件ｋ１において、全体の入力変数の候補から順番に選択される入力変数の候補をカウントするカウンタｋ２を１に初期化する。

ステップＳ６０３０において、変数候補決定部２１２は、全体の入力変数の候補において未選択の入力変数から任意の入力変数ｍ_ｋ２を１つ選択し、選択した入力変数ｍ_ｋ２を、この時点までに選択された入力変数を含む入力変数の組合せ集合Ｍ０に追加して、仮の入力変数の組合せ集合Ｍ１を作成する。ステップＳ６０３０は、カウンタｋ２による反復処理（ステップＳ６０３０〜Ｓ６１２０）において、未選択の入力変数から、全ての入力変数が一つずつ順番に選択されるように実行される。

ステップＳ６０４０において、データ分割部２１３は、学習データ４３とテストデータ４５との分割パターンをカウントするカウンタｋ３を１に初期化する。ステップＳ６０５０において、データ分割部２１３は、入力変数の探索用の運転データ３２を、学習データ４３とテストデータ４５とに分割する。

ステップＳ６０６０において、モデルパラメータ学習部２１４は、学習データ４３を用いて、１出力ＶＡＲモデルのパラメータ、つまり式（１）のパラメータａ_ｊ，ｎ及び定数項ｂを学習する。なお、学習方法としては、最小二乗法、最尤推定法等の公知の手法を用いることができる。モデルパラメータ学習部２１４は、学習結果のモデルパラメータ４４（つまり式（１）のパラメータａ_ｊ，ｎ及び定数項ｂ）を評価指標計算部２１５に出力する。

ステップＳ６０７０において、評価指標計算部２１５は、テストデータ４５を用いて、モデルパラメータ学習部２１４において学習されたモデルパラメータ４４に対する診断モデルの推定精度の評価指標を算出する。また、評価指標計算部２１５は、ステップＳ６０５０〜Ｓ６０９０のループを反復実行する度に、ステップＳ６０７０において、算出した評価指標を累積する。

なお、評価手法としては、学習した診断モデルにテストデータ４５の入力変数を入力した場合の出力変数の予測値と、出力変数に対応するテストデータ４５の実測値との誤差を基に求める方法を基本とする。具体的な評価指標としては、平均二乗誤差、赤池情報量基準（ＡＩＣ）、ベイズ情報量基準（ＢＩＣ）等の公知の指標を用いることができる。

ステップＳ６０８０において、評価指標計算部２１５は、データの分割パターンのカウンタｋ３が予め決定された反復回数Ｌ未満であるか否かを判定する。カウンタｋ３が予め決定された反復回数Ｌ未満であれば（ステップＳ６０８０でＹＥＳ）、カウンタｋ３に１が加算されて（ステップＳ６０９０）、処理はステップＳ６０５０に戻される。一方、カウンタｋ３が予め決定された反復回数Ｌ以上であれば（ステップＳ６０８０でＮＯ）、処理はステップＳ６１００に進む。

ステップＳ６１００において、評価指標計算部２１５は、評価指標の累積値４７を評価指標計算部２１６に出力する。評価指標計算部２１６は、評価指標の累積値を反復回数Ｌで除算して評価指標の平均値を求める。

上述のように、本実施形態のモデル学習精度の評価では、ステップＳ６０５０において、入力変数の探索用の運転データ３２が、一定の割合で学習データ４３とテストデータ４５とに分割される。そして、学習データ４３を用いてモデル学習が実行され、テストデータ４５を用いる評価によって、診断モデルの評価指標が求められる。そして、ステップＳ６０５０〜Ｓ６０９０のループにおいて、学習データ４３とテストデータ４５との分割パターンが変更されて、評価指標の算出がＬ回実行される。ステップＳ６１００において算出されたＬ個の評価指標の平均値が、この次数及び入力変数の条件における最終的な評価指標とされる。これらのステップＳ６０５０〜Ｓ６１００によって、クロスバリデーションが行われる。

ステップＳ６１１０において、評価指標計算部２１６は、カウンタｋ２が（Ｋ−ｋ１）以下であるか否かを判定する。ここで、Ｋは、入力変数の候補の総数である。また、上述のように、カウンタｋ１は入力変数の個数を表す。したがって、（Ｋ−ｋ１）は、入力変数の候補の総数Ｋのなかで、入力変数の個数条件ｋ１において入力変数として選択すべき残りの個数より１個少ない個数を表す。

カウンタｋ２が（Ｋ−ｋ１）以下であれば（ステップＳ６１１０でＹＥＳ）、カウンタｋ２に１が加算されて（ステップＳ６１２０）、処理はステップＳ６０３０に戻される。一方、カウンタｋ２が（Ｋ−ｋ１）を超えていれば（ステップＳ６１１０でＮＯ）、処理はステップＳ６１３０に進む。

ステップＳ６１３０において、入力変数選択部２１７は、ステップＳ６０３０〜Ｓ６１２０の反復処理において、評価指標が算出された仮の入力変数の組合せ集合Ｍ１において、評価指標が最良の組合せ集合Ｍ１を選択する。すなわち、入力変数選択部２１７は、評価指標が最良の組合せ集合Ｍ１を、入力変数の個数条件ｋ１における入力変数の組合せ集合Ｍ０に決定する。

ステップＳ６１４０において、入力変数選択部２１７は、カウンタｋ１が入力変数候補の総数Ｋ未満であるか否かを判定する。カウンタｋ１が入力変数候補の総数Ｋ未満であれば（ステップＳ６１４０でＹＥＳ）、入力変数選択部２１７は、カウンタｋ１に１を加算し（ステップＳ６１５０）、処理はステップＳ６０２０に戻る。一方、カウンタｋ１が入力変数候補の総数Ｋ以上であれば（ステップＳ６１４０でＮＯ）、全ての入力変数の探索は終了したので、処理はステップＳ６１６０に進む。

ステップＳ６１６０において、入力変数選択部２１７は、入力変数の組合せ集合Ｍ０をステップＳ６１３０で選択された、評価指標が最良の仮の入力変数の組合せ集合Ｍ１に更新する。

ステップＳ６１７０において、入力変数選択部２１７は、現時点の入力変数の組合せ集合Ｍ０を仮の次数ｎ_ｊの入力変数の組合せとして選択する。

ステップＳ６１８０において、入力変数選択部２１７は、カウンタｊが次数の探索候補の総数Ｊ未満であるか否かを判定する。カウンタｊが次数の探索候補の総数Ｊ未満であれば（ステップＳ６１８０でＹＥＳ）、カウンタｊに１が加算され（ステップＳ６１９０）、処理はステップＳ６０１０に戻る。

一方、カウンタｊが次数の探索候補の総数Ｊ以上であれば（ステップＳ６１８０でＮＯ）、図９、図１０のサブルーチン、つまり図８のステップＳ４０４０は終了する。

ここで、図９、図１０における動作の具体例が説明される。以下の具体例の説明では、一例として、モデル探索条件２２では、空気圧縮機１の上述の１０種類の計測信号の全てが入力変数の候補に選択されている。つまり、入力変数の候補の総数Ｋは１０である。また、一例として、入力変数は、第１信号１２０４（図５）から第１０信号１２０４（図５）まで順番に選択される。また、一例として、次数の最大値Ｎｍａｘが１００に設定され、刻み幅ΔＮが５に設定されており、Ｎ＝５，１０，・・・，１００の２０通りの次数Ｎが探索される。つまり、次数の探索候補の総数Ｊは２０である。

図９、図１０において、入力変数の選択は、以下のように行われる。すなわち、最初は入力変数の個数条件ｋ１を初期値（つまり最小値の１個）として、入力変数の探索を開始する。ステップＳ６０３０では、例えば第１信号１２０４（図５）が、仮の入力変数の組合せ集合Ｍ１に含められる。そして、ステップＳ６１００において、第１信号１２０４（図５）が入力変数に選択された場合の評価指標の平均値が算出される。

ステップＳ６１１０では、個数条件ｋ１が最初は１であるので、ｋ２≦９であるか否かが判定される。処理が進んで、ｋ２が９のときは、ステップＳ６１１０でＹＥＳと判定され、ステップＳ６１２０でｋ２が１０とされる。その結果、ステップＳ６１００において、最後の第１０信号１２０４（図５）が入力変数に選択された場合の評価指標の平均値が算出される。そして、ステップＳ６１３０において、個数条件ｋ１が１のときに評価指標が最良となる入力変数が、組合せ集合Ｍ０に含められる。

次に、入力変数の個数条件ｋ１は２とされる（ステップＳ６１５０）。ステップＳ６０３０において、選択済みの入力変数を含む組合せ集合Ｍ０に対して、残りの９個の入力変数から１個が追加されて、仮の組合せ集合Ｍ１が作成される。そして、カウンタｋ２が９になると、ステップＳ６１１０でＮＯと判断されて、ステップＳ６１３０において、評価指標が最良となる仮の組合せ集合Ｍ１が、個数条件ｋ１が２の場合の組合せ集合Ｍ０に決定される。

以下、同様に入力変数の個数条件ｋ１が１ずつ増えて、入力変数の個数がＫ（つまり１０個）に到達するまで上述の手順が繰り返される。これによって、ステップＳ６１４０でＮＯと判断された時点では、入力変数の個数条件ｋ１が１から１０までの１０個の仮の入力変数の組合せ集合Ｍ１が生成されている。そして、その１０個の仮の入力変数の組合せ集合Ｍ１のなかから、ステップＳ６１６０において、評価指標が最良となる仮の入力変数の組合せ集合Ｍ１が、入力変数の組合せ集合Ｍ０とされる。続くステップＳ６１７０において、このときの入力変数の組合せ集合Ｍ０が、仮の次数ｎ_１（ここではＮ＝５）における入力変数として選択される。

そして、カウンタｊに１が加算されて（ステップＳ６１９０）、以上の処理が繰り返されることにより、次に、仮の次数ｎ_２（この説明ではＮ＝１０）における入力変数の組合せ集合Ｍ０が選択される。このようにして、図９、図１０の処理によって、次数ＮがＮ＝５，１０，・・・，１００の２０通りの入力変数の組合せ集合Ｍ０が抽出される。

図８に戻って、ステップＳ４０５０（モデル条件選択工程の一例）において、モデル条件選択部２０４は、ステップＳ４０４０で抽出された入力変数の候補を用いて、診断モデルｉの入力変数および次数を最終的に選択し、決定する。なお、このステップの詳細な処理内容については、図１１のフローチャートを用いて次に説明される。

図１１は、図８のステップＳ４０５０（モデル条件選択部２０４による入力変数及び次数の選択処理）のサブルーチンを概略的に示すフローチャートである。

ステップＳ８０００において、条件候補設定部２２１は、モデル次数の候補を表すカウンタｊを１に初期化する。ステップＳ８０１０において、条件候補設定部２２１は、次数の候補を表すカウンタｋ１を１に初期化する。

図１１の処理では、変数候補抽出部２０３において図９、図１０の処理により次数の候補ｎ_１〜ｎ_Ｊ毎に抽出されたＪ個の入力変数の組合せ集合Ｍ０に対して、それぞれ、更に次数の条件をｎ_１〜ｎ_Ｊに変更して、診断モデルの精度が評価される。すなわち、合計Ｊ×Ｊ通りの入力変数と次数との組合せのなかから、評価指標が最良となる条件が最終的なモデル構築条件として選択される。このため、図１１の処理では、次数を表すカウンタとしてｊとｋ１との２種類が必要となっている。

ステップＳ８０２０において、条件候補設定部２２１は、変数候補抽出部２０３において抽出された、仮の次数ｎ_ｊに対する入力変数の組合せ集合を入力変数に設定し、次数をｎ_ｋ１に設定する。条件候補設定部２２１は、設定した入力変数及び次数からなるモデル条件６１をデータ分割部２２２に出力する。

ステップＳ８０３０において、データ分割部２２２は、学習データ６２とテストデータ６４との分割パターンをカウントするカウンタｋ２を１に初期化する。ステップＳ８０４０において、データ分割部２２２は、次数の探索用の運転データ３４を、学習データ６２とテストデータ６４とに分割する。

ステップＳ８０５０において、モデルパラメータ学習部２２３は、学習データ６２を用いて、１出力ＶＡＲモデルのパラメータ、つまり式（１）のパラメータａ_ｊ，ｎ及び定数項ｂを学習する。なお、学習方法としては、図９のステップＳ６０６０と同様に、最小二乗法、最尤推定法等の公知の手法を用いることができる。モデルパラメータ学習部２２３は、学習結果のモデルパラメータ６３（つまり式（１）のパラメータａ_ｊ，ｎ及び定数項ｂ）を評価指標計算部２２４に出力する。

ステップＳ８０６０において、評価指標計算部２２４は、テストデータ６４を用いて、モデルパラメータ学習部２２３において学習されたモデルパラメータ６３に対する診断モデルの推定精度の評価指標を算出する。また、評価指標計算部２２４は、ステップＳ８０４０〜Ｓ８０８０のループを反復実行する度に、ステップＳ８０６０において、算出した評価指標を累積する。

ステップＳ８０７０において、評価指標計算部２２４は、データの分割パターンのカウンタｋ２が予め決定された反復回数Ｌ未満であるか否かを判定する。カウンタｋ３が予め決定された反復回数Ｌ未満であれば（ステップＳ８０７０でＹＥＳ）、カウンタｋ２に１が加算されて（ステップＳ８０８０）、処理はステップＳ８０４０に戻される。一方、カウンタｋ２が予め決定された反復回数Ｌ以上であれば（ステップＳ８０７０でＮＯ）、処理はステップＳ８０９０に進む。

ステップＳ８０９０において、評価指標計算部２２４は、評価指標の累積値６６を評価指標計算部２２５に出力する。評価指標計算部２２５は、評価指標の累積値を反復回数Ｌで除算して評価指標の平均値を求める。これらのステップＳ８０４０〜Ｓ８０９０によって、図９、図１０の処理と同様にクロスバリデーションが行われる。

ステップＳ８１００において、条件選択部２２６は、カウンタｋ１が次数の探索候補の総数Ｊ未満であるか否かを判定する。カウンタｋ１が次数の探索候補の総数Ｊ未満であれば（ステップＳ８１００でＹＥＳ）、カウンタｋ１に１が加算され（ステップＳ８１１０）、処理はステップＳ８０２０に戻る。一方、カウンタｋ１が次数の探索候補の総数Ｊ以上であれば（ステップＳ８１００でＮＯ）、処理はステップＳ８１２０に進む。

ステップＳ８１２０において、条件選択部２２６は、カウンタｊが次数の探索候補の総数Ｊ未満であるか否かを判定する。カウンタｊが次数の探索候補の総数Ｊ未満であれば（ステップＳ８１２０でＹＥＳ）、カウンタｊに１が加算され（ステップＳ８１３０）、処理はステップＳ８０１０に戻る。一方、カウンタｊが次数の探索候補の総数Ｊ以上であれば（ステップＳ８１２０でＮＯ）、処理はステップＳ８１４０に進む。

ステップＳ８１４０において、条件選択部２２６は、以上の一連の反復処理により評価された入力変数と次数とのＪ×Ｊ通りの組合せにおいて、最も評価指標が良い組合せを選択する。条件選択部２２６は、選択した組合せを、設定されている出力変数に対する最終的な次数及び入力変数の組合せ、つまりモデル構築条件３５と決定する。このステップＳ８１４０が行われると、図１１のサブルーチン、つまり図８のステップＳ４０５０は終了する。

図８に戻って、ステップＳ４０６０において、モデル条件探索部１１１は、ステップＳ４０４０〜Ｓ４０５０の処理の結果、その時点までに作成された診断モデルｉで選択されている全ての入力変数及び出力変数を参照する。モデル条件探索部１１１は、その時点までに選択された入力変数の全てが、出力変数として選択されているか否かを判定する。つまり、モデル条件探索部１１１は、その時点までに作成された診断モデルｉの出力変数の集合が、入力変数の集合に一致しているか否かを判定する。

その時点までに選択された入力変数の全てが、出力変数として選択されていなければ（ステップＳ４０６０でＮＯ）、処理はステップＳ４０７０に進む。一方、その時点までに選択された入力変数の全てが、出力変数として選択されていれば（ステップＳ４０６０でＹＥＳ）、処理はステップＳ４０９０に進む。

ステップＳ４０７０において、モデル条件探索部１１１は、診断モデルをカウントするためのカウンタｉに１を加算する。ステップＳ４０８０（出力変数決定工程の一例）において、モデル条件探索部１１１は、その時点までに作成された診断モデルの入力変数の集合において、未だ出力変数として選択されていない入力変数から、任意の入力変数を診断モデルｉの出力変数として選択する。その後、処理はステップＳ４０４０に戻って、以上の処理が繰り返される。

ステップＳ４０９０において、モデル条件探索部１１１は、以上の処理の結果、最終的に選択された入力変数、出力変数および次数の組合せを、モデル構築条件２３として決定する。これによって、最終的なカウンタｉの数値に相当する個数の１出力ＶＡＲモデルが得られる。ステップＳ４０９０が実行されると図８のサブルーチン、つまり図７のステップＳ２０２４は終了する。

このように、図８では、作成された診断モデルの出力変数の集合が、入力変数の集合に一致するまで、モデル構築条件の探索が繰り返される。設定されている出力変数に対して選択された入力変数は、空気圧縮機１の運転状態を良く表す変数であると考えられる。そこで、この入力変数を出力変数に設定して、モデル構築条件の探索を行うことにより、空気圧縮機１の運転状態を良く表す診断モデルを、漏れなく、かつ容易に作成することができる。

図７に戻って、ステップＳ２０２６において、モデル条件探索部１１１は、出力変数、入力変数、次数からなるモデル構築条件２３の探索結果を、モデル情報ＤＢ１０５に保存する。ステップＳ２０４０（モデル学習工程の一例）において、モデル学習部１０４は、運転ＤＢ１０３に保存された前処理運転データ１２を用いて、診断モデルを学習する。ステップＳ２０５０において、モデル学習部１０４は、診断モデルの学習結果であるモデルパラメータ１４をモデル情報ＤＢ１０５に保存する。

ステップＳ２０６０において、特徴量計算部１０６は、前回の診断を実行した時から予め設定された診断周期を経過しているか否かを判定する。診断周期が経過していれば（ステップＳ２０６０でＹＥＳ）、処理はステップＳ２０７０に進む。一方、診断周期が経過していなければ（ステップＳ２０６０でＮＯ）、処理はステップＳ２０００に戻る。なお、診断装置１００の初回起動後であって、診断モデルの学習結果が保存されている場合には、処理は無条件にステップＳ２０７０に進んでもよい。

ステップＳ２０７０（特徴量計算工程の一例）において、特徴量計算部１０６は、データ前処理部１０２から入力される前処理運転データ１６と、モデル情報ＤＢ１０５に保存されているモデル構築条件２３及びモデルパラメータ１４とを用いて、現時点での計測信号に対するモデル特性評価を実行する。具体的には、特徴量計算部１０６は、時刻ｔにおける診断モデルの出力変数の予測値ｙ^＊（ｔ）を、例えば最小二乗法を用いて求める。

特徴量計算部１０６は、その特性評価結果を基に、診断条件ＤＢ１０７に保存されている実行条件パラメータ１８を用いて、診断用の指標である特徴量１９を計算する。具体的には、特徴量計算部１０６は、出力変数の予測値ｙ^＊（ｔ）と、時刻ｔにおける出力変数の実測値との誤差（モデル予測誤差）と、実行条件パラメータ１８とを基に、特徴量１９を計算する。特徴量１９を計算するときの実行条件パラメータ１８は、例えば該モデルの学習時に使用した正常時のデータから求めた、出力変数の平均値および標準偏差などが含まれる。

特徴量計算部１０６は、出力変数の予測値ｙ＊（ｔ）と、時刻ｔにおける出力変数の実測値との誤差（モデル予測誤差）を特徴量１９としてもよい。特徴量計算部１０６は、上記モデル予測誤差を用いて、別の特徴量１９を計算してもよい。

ステップＳ２０８０（状態診断工程の一例）において、状態診断部１０８は、特徴量計算部１０６により計算された特徴量１９と、診断条件ＤＢ１０７に保存された実行条件パラメータ１８とを用いて、空気圧縮機１の運転状態を診断する。状態診断部１０８は、診断結果２０をデータ出力Ｉ／Ｆ１１０に出力する。

特徴量１９が例えば上記モデル予測誤差の場合には、実行条件パラメータ１８は、閾値である。状態診断部１０８は、モデル予測誤差が閾値より大きい場合には、空気圧縮機１は異常であると診断する。状態診断部１０８は、モデル予測誤差が閾値以下の場合には、空気圧縮機１は正常であると診断する。

ステップＳ２０９０において、データ出力Ｉ／Ｆ１１０は、診断結果２０を含む表示データ２１を表示部１２０に適合する形式で生成する。データ出力Ｉ／Ｆ１１０は、生成した表示データ２１を表示部１２０に出力する。表示部１２０は、入力された表示データ２１を表示する。

ステップＳ２１００において、特徴量計算部１０６は、特徴量１９を出力ログＤＢ１０９に保存する。状態診断部１０８は、診断結果２０を出力ログＤＢ１０９に保存する。

ステップＳ２１１０において、診断装置１００は、動作を終了するか否かを判定する。終了する場合は（ステップＳ２１１０でＹＥＳ）、図７の動作を終了する。一方、終了しない場合は（ステップＳ２１１０でＮＯ）、処理はステップＳ２０００に戻る。

ここで、本実施形態の診断装置１００の具体例が説明される。本実施形態におけるモデル形式およびモデル構築条件の探索処理は、具体的には以下のように実行される。

空気圧縮機１の計測信号１０の計測値が前処理運転データ１２に含まれる。このため、式（１）に示した出力変数、入力変数を構成する信号の種類は、上述のように、空気圧縮機１への吸込み空気圧、空気圧縮機１からの吐出空気圧、空気圧縮機１に潤滑用油を供給するための給油フィルタの前後の差圧、空気圧縮機１から流出する使用済み潤滑用油の不純物を分離する分離フィルタの前後の差圧、給油温度、油回収器の出口温度、空気圧縮機１の主電動機の軸受温度、空気圧縮機１の主電動機の巻線温度、空気圧縮機１のケーシング振動の振幅、温度によって変動する空気圧縮機１のロータ軸の軸方向長さを含む１０種類である。

すなわち、式（１）に示した出力変数及び入力変数は、１０種類の各計測信号１０からなるベクトルの、時刻ｔからｔ―Ｎ（Ｎ：次数）までの連続の時系列データから構成される。

また、式（１）におけるモデルパラメータａ_ｊ，ｎ，ｂは、本実施形態においては以下の意味を有するものと解釈できる。すなわち、空気圧縮機１のある計測信号（診断モデルの出力信号）の将来の計測値を予測する際に用いられる、該計測信号を含む空気圧縮機１の他の計測信号から任意に選んだ計測信号群（診断モデルの入力変数）の、過去のＮ時刻前までの計測値と、該出力変数との因果関係の強さを表す。

ここで、本実施形態の一連の処理の具体例が以下に説明される。上記図８のステップＳ４０２０において、出力変数の初期設定として空気圧縮機１の吐出空気圧が選択され、次数候補の条件が２とされたモデル探索条件を考える。このモデル探索条件下において、以降のステップＳ４０３０〜Ｓ４０５０の処理を１回実行した結果、入力変数として、空気圧縮機１の吐出空気圧および吸込空気圧が選択された場合には、１出力ＶＡＲモデルを表す式（１）は、以下の式（２）のように書き下される。

ここで、ｐ^＊ _ｏｕｔ（ｔ）は、吐出空気圧の時刻ｔにおける予測値である。ｐ_ｏｕｔ（ｔ−１）、ｐ_ｏｕｔ（ｔ−２）は、それぞれ、時刻ｔから１時刻前及び２時刻前の吐出空気圧の計測値である。ｐ_ｉｎ（ｔ−１）、ｐ_ｉｎ（ｔ−２）は、それぞれ、時刻ｔから１時刻前及び２時刻前の吸込み空気圧の計測値である。モデルパラメータａ_１，ｏ、ａ_１，ｉ、ａ_２，ｏ、ａ_２，ｉ、は、それぞれ、４種類の信号ｐ_ｏｕｔ（ｔ−１）、ｐ_ｏｕｔ（ｔ−２）、ｐ_ｉｎ（ｔ−１）、ｐ_ｉｎ（ｔ−２）の過去の計測値に対する重み付け係数となっている。すなわち、モデルパラメータは、診断モデルの出力変数を予測するための、各入力変数の出力変数との因果関係の強さと言い換えることができる。

ここで、上記図８のステップＳ４０６０の判定において、式（２）のモデルが選択した入力変数のなかに、現時点で選択された出力変数（吐出空気圧ｐ_ｏｕｔ）以外の入力変数として、吸込み空気圧ｐ_ｉｎが含まれる。このため、ステップＳ４０６０でＮＯと判定されて、次は、吸込み空気圧ｐ_ｉｎが出力変数に設定された診断モデルについて、入力変数の探索が行われる。その結果、例えば式（３）のようなモデル式が選択されたとする。

ここで、ｐ^＊ _ｉｎ（ｔ）は、吸込み空気圧の時刻ｔにおける予測値である。式（３）では、入力変数として吸込み空気圧ｐ_ｉｎ以外の計測値は選択されていない。すなわち、新たに出力変数として選択すべき入力変数が存在しない。このため、上記図８のステップＳ４０６０でＹＥＳと判定されて、これ以上のモデル構築条件の探索は不要となり、処理はステップＳ４０９０に進むこととなる。

このようにして作成された式（２）、（３）の２種類の診断モデルが、空気圧縮機１の運転状態が正常か異常かを診断するのに適したモデルと見なされる。そして、上記図７のステップＳ２０７０において、式（２）、（３）の２種類の診断モデルを用いて、特徴量計算部１０６により特徴量１９が算出される。続くステップＳ２０８０において、特徴量１９を用いて、空気圧縮機１の運転状態が、状態診断部１０８により診断される。

以上説明されたように、本実施形態によれば、診断モデルの出力変数、入力変数および次数からなるモデル構築条件が探索される。これによって、空気圧縮機１の計測信号１０から選択された任意の計測信号を予測する診断モデルが、必要な個数だけ自動的に作成される。この診断モデルは、上記任意の計測信号を含む計測信号群の過去の計測値を用いて、その因果関係を考慮した式（１）で示される線形演算によって、上記任意の計測信号を予測する。そして、これらの診断モデルを基にして空気圧縮機１の運転状態の診断が実行される。

（その他）
（１）上記実施形態では、診断装置１００は、空気圧縮機１の運転状態を診断しているが、空気圧縮機に限られず、一般的な回転機械を診断対象としてもよい。

診断装置１００は、例えば回転機械の一例であるガスタービンの運転状態を診断してもよい。この場合、計測信号として、燃料の流量、動翼の振動の振幅、燃焼器に送り込まれる燃焼用空気の圧力、燃焼器における燃焼ガスの温度、燃焼ガスの流量、タービン軸の軸受温度、発電電力などを含んでもよい。

また、診断装置１００は、例えば回転機械の一例である蒸気タービンの運転状態を診断してもよい。この場合、計測信号として、蒸気流量、蒸気温度、蒸気圧力、ケーシング振動の振幅、タービン軸の軸受温度、発電電力などを含んでもよい。

（２）上記実施形態では、空気圧縮機１から入力される計測信号１０は、空気圧縮機１への吸込み空気圧、空気圧縮機１からの吐出空気圧、空気圧縮機１に潤滑用油を供給するための給油フィルタの前後の差圧、空気圧縮機１から流出する使用済み潤滑用油の不純物を分離する分離フィルタの前後の差圧、給油温度、油回収器の出口温度、空気圧縮機１の主電動機の軸受温度、空気圧縮機１の主電動機の巻線温度、空気圧縮機１のケーシング振動の振幅、温度によって変動する空気圧縮機１のロータ軸の軸方向長さを含む１０種類としている。しかし、計測信号１０は、これら１０種類を全て含まなくてもよい。計測信号１０は、これらのうち少なくとも１つを含んでいればよい。

（３）上記実施形態において、空気圧縮機１の空気圧縮方式は、特定の方式に限られない。例えば、ピストン往復運動によりシリンダ容積を変化させ圧縮するレシプロ方式でもよく、ケーシング内のスクリュローター回転によって圧縮するスクリュ方式でもよく、インペラの遠心力によって圧縮するターボ方式でもよい。

（４）上記実施形態において、ユーザは、入力部１３０を用いて、任意の実行条件パラメータ１８を診断条件ＤＢ１０７に登録可能に構成してもよい。この実施形態によれば、空気圧縮機１の機能、仕様、経時的な運転特性などの変化に対応して、実行条件パラメータ１８を適宜調整することにより、診断性能を最適に維持することができる。

（５）上記実施形態において、表示部１２０が音出力機能を備え、データ出力Ｉ／Ｆ１１０は、異常であることを示す診断結果２０が状態診断部１０８から入力された場合には、その旨を表す警告音を表示部１２０から出力させてもよい。この実施形態によれば、異常であるとの診断結果をユーザが視覚的に加えて聴覚的に確認することができ、空気圧縮機１の異常に対して適切に対処することが可能となる。

（６）上記実施形態では、診断装置１００は、運転ＤＢ１０３、モデル情報ＤＢ１０５、診断条件ＤＢ１０７、出力ログＤＢ１０９、モデル探索条件ＤＢ１１２を含んでいるが、これに限られない。例えば診断装置１００の外部に記憶装置を設け、この記憶装置が運転ＤＢ１０３、モデル情報ＤＢ１０５、診断条件ＤＢ１０７、出力ログＤＢ１０９、モデル探索条件ＤＢ１１２を含むように構成してもよい。

（７）本発明においては、診断装置１００内の処理は、上述の専用のハードウェアにより実現されるもの以外に、その機能を実現するためのプログラムを診断装置１００にて読取可能な記録媒体に記録し、この記録媒体に記録されたプログラムを診断装置１００に読み込ませ、実行するものであっても良い。

診断装置１００にて読取可能な記録媒体とは、フロッピーディスク、光磁気ディスク、ＣＤ−ＲＯＭなどの移設可能な記録媒体の他、診断装置１００に内蔵されたハードディスクドライブ（ＨＤＤ）などの記憶部を指す。さらに、診断装置１００にて読取可能な記録媒体は、通信網を介してプログラムを送信する場合のように、短時間の間、動的にプログラムを保持するもの（伝送媒体もしくは伝送波）、その場合のサーバとなる診断装置１００内部の揮発性メモリのように、一定時間プログラムを保持しているものを含む。

１ 空気圧縮機
１００ 診断装置
１０２ データ前処理部
１０４ モデル学習部
１０６ 特徴量計算部
１０８ 状態診断部
１１２ モデル探索条件ＤＢ
２０１ 出力変数決定部
２０２，２１３，２２２ データ分割部
２０３ 変数候補抽出部
２０４ モデル条件選択部
２０５ モデル条件決定部
２１１ 次数条件決定部
２１２ 変数候補決定部
２１４，２２３ モデルパラメータ学習部
２１５，２１６，２２４，２２５ 評価指標計算部
２１７ 入力変数選択部
２２１ 条件候補設定部
２２６ 条件選択部

Claims (6)

1. ベクトル自己回帰モデルを診断モデルとして用いて回転機械の運転状態を診断する診断装置であって、
   時系列で前記回転機械を計測した計測値から、前記診断モデルを学習するための第１運転データを生成し、かつ前記回転機械の運転状態を表す特徴量を計算するための第２運転データを生成するデータ前処理部と、
   前記診断モデルの出力変数、入力変数及び次数からなるモデル構築条件を探索するための条件を表す所定のモデル探索条件を記憶する探索条件記憶部と、
   前記第１運転データと前記モデル探索条件とを用いて、前記モデル構築条件を探索するモデル条件探索部と、
   前記第１運転データを用いて、前記診断モデルを学習するモデル学習部と、
   前記第２運転データと、学習された前記診断モデルとを用いて、前記特徴量を計算する特徴量計算部と、
   前記特徴量に基づき、前記回転機械の運転状態を診断する状態診断部と、
   を備え、
   前記診断モデルの前記出力変数は１個であり、
   前記探索条件記憶部に記憶されている前記モデル探索条件は、前記診断モデルの前記出力変数の初期候補と、前記診断モデルの前記入力変数の複数の候補と、前記診断モデルの前記次数の複数の候補とを含み、
   前記モデル条件探索部は、
   前記モデル探索条件を用いて、前記診断モデルの前記出力変数の候補を決定する出力変数決定部と、
   前記第１運転データを、前記診断モデルの前記入力変数を探索するための第１探索データと、前記診断モデルの前記次数を探索するための第２探索データとに分割する第１データ分割部と、
   前記第１探索データと、前記モデル探索条件とを用いて、前記診断モデルの前記入力変数の候補を抽出する変数候補抽出部と、
   前記変数候補抽出部により抽出された前記入力変数の候補と、前記第２探索データとを用いて、前記出力変数決定部により決定された前記出力変数の候補に対する、前記診断モデルの前記入力変数及び前記次数の組合せを選択するモデル条件選択部と、
   を含む、
   診断装置。
2. 前記モデル条件探索部は、
   前記モデル条件選択部により選択された前記入力変数の全てが前記出力変数として選択済みであるか否かを判定し、選択された前記入力変数の全てが前記出力変数として選択済みであれば、前記モデル条件選択部により選択された前記出力変数、前記入力変数及び前記次数を最終的な前記モデル構築条件として決定するモデル条件決定部を更に含み、
   前記出力変数決定部は、選択された前記入力変数の全てが前記出力変数として選択済みでないと前記モデル条件決定部により判定されると、前記出力変数の候補を、選択された前記入力変数のうちで未だ前記出力変数として選択されていない入力変数に決定する、
   請求項１に記載の診断装置。
3. 前記変数候補抽出部は、
   前記モデル探索条件に含まれる前記診断モデルの前記次数の複数の候補のなかから、仮の次数を決定する次数条件決定部と、
   前記モデル探索条件に含まれる前記診断モデルの前記入力変数の複数の候補のなかから、モデル評価に用いる前記入力変数の候補を決定する変数候補決定部と、
   前記第１探索データを、決定された前記仮の次数と決定された前記入力変数の候補との組合せに対するモデル評価における、前記診断モデルの学習用の第１学習データと、学習された前記診断モデルの評価用の第１テストデータとに、予め定められた複数の分割パターンで分割する第２データ分割部と、
   前記複数の分割パターンで分割された前記各第１学習データを用いて、前記診断モデルのモデルパラメータをそれぞれ学習する第１モデルパラメータ学習部と、
   学習された前記各モデルパラメータに対して、対応する前記分割パターンで分割された前記各第１テストデータを用いて、モデル精度を評価する評価指標をそれぞれ算出する第１評価指標計算部と、
   前記複数の分割パターンに対してそれぞれ算出された前記各評価指標に基づき、前記入力変数の候補に対する最終的な評価指標である最終評価指標を算出する第２評価指標計算部と、
   前記変数候補決定部により決定された前記入力変数の候補のなかから、前記最終評価指標が最良の前記入力変数を選択し、選択した前記入力変数を、前記次数条件決定部により決定された前記仮の次数における前記入力変数とし、前記仮の次数と前記入力変数との組合せを決定する入力変数選択部と、
   を含み、
   前記次数条件決定部は、前記モデル探索条件に含まれる前記診断モデルの前記次数の複数の候補のなかから、前記仮の次数を順番に決定し、
   前記入力変数選択部は、前記次数条件決定部により決定された前記仮の次数ごとに、前記仮の次数と前記入力変数との組合せを決定する、
   請求項１又は２に記載の診断装置。
4. 前記モデル条件選択部は、
   前記モデル探索条件に含まれる前記診断モデルの次数の複数の候補ごとに、前記入力変数選択部により決定された前記次数と前記入力変数との組合せに基づき、特定の次数と入力変数との組合せを設定する条件候補設定部と、
   前記第２探索データを、設定された前記特定の次数と入力変数との組合せに対するモデル評価における、前記診断モデルの学習用の第２学習データと、学習された前記診断モデルの評価用の第２テストデータとに、予め定められた複数の分割パターンで分割する第３データ分割部と、
   前記複数の分割パターンで分割された前記各第２学習データを用いて、前記診断モデルのモデルパラメータをそれぞれ学習する第２モデルパラメータ学習部と、
   学習された前記各モデルパラメータに対して、対応する前記分割パターンで分割された前記各第２テストデータを用いて、モデル精度を評価する評価指標をそれぞれ算出する第３評価指標計算部と、
   前記複数の分割パターンに対してそれぞれ算出された前記各評価指標に基づき、前記特定の次数と入力変数との組合せに対する全体的な評価指標である全体評価指標を算出する第４評価指標計算部と、
   前記入力変数選択部により決定された前記次数と前記入力変数との組合せを用いて、前記全体評価指標が最良の次数と入力変数との組合せを選択する条件選択部と、
   を含み、
   前記条件候補設定部は、前記入力変数選択部により決定された前記次数と前記入力変数との組合せにおいて、前記入力変数ごとに、前記次数を、前記モデル探索条件に含まれる前記診断モデルの次数の複数の候補に順番に切り替えた組合せを、前記入力変数の順番に前記特定の次数と入力変数との組合せとして設定し、
   前記条件選択部は、前記条件候補設定部により設定された前記特定の次数と入力変数との組合せのなかから、前記全体評価指標が最良の次数と入力変数との組合せを選択する、
   請求項３に記載の診断装置。
5. 前記回転機械は、空気圧縮機を含む、
   請求項１〜４のいずれか１項に記載の診断装置。
6. ベクトル自己回帰モデルを診断モデルとして用いて回転機械の運転状態を診断する診断装置に用いられる診断方法であって、
   前記診断装置は、前記診断モデルの出力変数、入力変数及び次数からなるモデル構築条件を探索するための条件を表す所定のモデル探索条件を記憶する探索条件記憶部を備え、
   前記診断モデルの前記出力変数は１個であり、
   前記探索条件記憶部に記憶されている前記モデル探索条件は、前記診断モデルの前記出力変数の初期候補と、前記診断モデルの前記入力変数の複数の候補と、前記診断モデルの前記次数の複数の候補とを含み、
   前記診断方法は、
   時系列で前記回転機械を計測した計測値から、前記診断モデルを学習するための第１運転データを生成し、かつ前記回転機械の運転状態を表す特徴量を計算するための第２運転データを生成するデータ前処理工程と、
   前記第１運転データと前記モデル探索条件とを用いて、前記モデル構築条件を探索するモデル条件探索工程と、
   前記第１運転データを用いて、前記診断モデルを学習するモデル学習工程と、
   前記第２運転データと、学習された前記診断モデルとを用いて、前記特徴量を計算する特徴量計算工程と、
   前記特徴量に基づき、前記回転機械の運転状態を診断する状態診断工程と、
   を備え、
   前記モデル条件探索工程は、
   前記モデル探索条件を用いて、前記診断モデルの前記出力変数の候補を決定する出力変数決定工程と、
   前記第１運転データを、前記診断モデルの前記入力変数を探索するための第１探索データと、前記診断モデルの前記次数を探索するための第２探索データとに分割するデータ分割工程と、
   前記第１探索データと、前記モデル探索条件とを用いて、前記診断モデルの前記入力変数の候補を抽出する変数候補抽出工程と、
   前記変数候補抽出工程により抽出された前記入力変数の候補と、前記第２探索データとを用いて、前記出力変数決定工程により決定された前記出力変数の候補に対する、前記診断モデルの前記入力変数及び前記次数の組合せを選択するモデル条件選択工程と、
   を含む、
   診断方法。