JP2019101495A - 診断装置、診断方法、プログラム、および記録媒体 - Google Patents

診断装置、診断方法、プログラム、および記録媒体 Download PDF

Info

Publication number
JP2019101495A
JP2019101495A JP2017228244A JP2017228244A JP2019101495A JP 2019101495 A JP2019101495 A JP 2019101495A JP 2017228244 A JP2017228244 A JP 2017228244A JP 2017228244 A JP2017228244 A JP 2017228244A JP 2019101495 A JP2019101495 A JP 2019101495A
Authority
JP
Japan
Prior art keywords
unit
target
sensor data
analysis model
facility
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2017228244A
Other languages
English (en)
Other versions
JP7106847B2 (ja
Inventor
宏紹 後藤
Hirotsugu Goto
宏紹 後藤
和俊 兒玉
Kazutoshi Kodama
和俊 兒玉
豪 ▲高▼見
豪 ▲高▼見
Go Takami
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yokogawa Electric Corp
Original Assignee
Yokogawa Electric Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Yokogawa Electric Corp filed Critical Yokogawa Electric Corp
Priority to JP2017228244A priority Critical patent/JP7106847B2/ja
Priority to US16/190,170 priority patent/US20190163165A1/en
Priority to CN201811358989.8A priority patent/CN109839915A/zh
Priority to EP18206624.1A priority patent/EP3489780B1/en
Publication of JP2019101495A publication Critical patent/JP2019101495A/ja
Application granted granted Critical
Publication of JP7106847B2 publication Critical patent/JP7106847B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • G05B19/4063—Monitoring general control system
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/33—Director till display
    • G05B2219/33034—Online learning, training

Abstract

【課題】少なくとも１つの設備に設置された複数のセンサの検出信号から、当該設備の診断を容易に実行する。【解決手段】少なくとも１つの設備１０に設置された複数のセンサ２０のうち、解析対象とする複数の対象センサを含む対象グループの指定を取得するグループ指定取得部１２０と、対象グループに含まれる各対象センサからセンサデータを取得するセンサデータ取得部１１０と、対象グループに含まれる各対象センサからのセンサデータを用いて、解析モデルを学習する学習部１６０と、学習した解析モデルを用いて設備を診断する診断部１９０とを備える診断装置１００、診断方法、プログラム、および記録媒体を提供する。【選択図】図１

Description

本発明は、診断装置、診断方法、プログラム、および記録媒体に関する。
従来、プラント等を安定に稼働させるべく、プラント等の設備に設置した複数のセンサの検出信号に基づき、設備の異常を診断していた。また、このような複数のセンサの検出信号を、機械学習によって解析できる可能性について検討がされていた（例えば、非特許文献１および２参照）。
非特許文献１ 高見豪、後藤宏紹、徳岡萌、野坂祐一、「機械学習を用いたセンサデータ解析の可能性」、横河技報、Ｖｏｌ．５９、Ｎｏ．１、ｐ．２７−３０
非特許文献２ 鹿子木宏明、高見豪、「機械学習を用いたセンサデータ解析の可能性 Ｐａｒｔ２」、横河技報、Ｖｏｌ．６０、Ｎｏ．１、ｐ．３５−３８
しかしながら、プラント等の設備は規模が大きく、設けられるセンサの種類および数が多いので、個々のセンサの検出信号が閾値を超えても、直ちに設備の異常であると判断することは困難であった。また、個々のセンサの検出信号が閾値を超えなくても、設備が異常となっている場合もあった。したがって、設備の異常の判断には、知識および経験を有する作業員が、複数のセンサの検出信号の相関等を観察して、設備の異常を判断していた。
本発明の第１の態様においては、少なくとも１つの設備に設置された複数のセンサのうち、解析対象とする複数の対象センサを含む対象グループの指定を取得するグループ指定取得部と、対象グループに含まれる各対象センサからセンサデータを取得するセンサデータ取得部と、対象グループに含まれる各対象センサからのセンサデータを用いて、解析モデルを学習する学習部と、学習した解析モデルを用いて設備を診断する診断部とを備える診断装置、診断方法、プログラム、および記録媒体を提供する。
本発明の第２の態様においては、少なくとも１つの設備に設置された複数のセンサのうち、解析対象とする複数の対象センサに含まれる各対象センサからセンサデータを取得するセンサデータ取得部と、各対象センサからのセンサデータを用いて、解析モデルを学習する学習部と、学習した解析モデルを用いて設備を診断する診断部と、解析モデルを用いた診断結果に対するフィードバックを入力するユーザインターフェイス部とを備え、学習部は、フィードバックを更に用いて解析モデルを学習する診断装置を提供する。
なお、上記の発明の概要は、本発明の必要な特徴の全てを列挙したものではない。また、これらの特徴群のサブコンビネーションもまた、発明となりうる。
本実施形態に係る診断装置１００の構成例を設備１０と共に示す。 本実施形態に係る診断装置１００の動作フローの一例を示す。 本実施形態に係る診断装置１００の解析モデルを生成する動作フローの一例を示す。 本実施形態に係るセンサデータ取得部１１０が取得するセンサデータの一例を示す。 本実施形態に係る診断装置１００の変形例を示す。 本変形例に係る診断装置１００の解析モデルを生成する動作フローの一例を示す。 本発明の複数の態様が全体的または部分的に具現化されうるコンピュータ１２００の構成例を示す。
以下、発明の実施の形態を通じて本発明を説明するが、以下の実施形態は特許請求の範囲にかかる発明を限定するものではない。また、実施形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。
図１は、本実施形態に係る診断装置１００の構成例を複数の設備１０と共に示す。複数の設備１０は、例えば、工場施設、機械施設、生産施設、発電施設、および貯蔵施設等といったプラントの少なくとも一部である。複数の設備１０は、プラント内の制御対象でよい。設備１０のそれぞれは、例えば、工場設備、機械装置、生産装置、発電装置、および貯蔵装置等の少なくとも一部である。また、設備１０は、１または複数の装置を含んでよい。また、設備１０は、機器等を含んでもよい。診断装置１００は、このような少なくとも１つの設備１０の動作異常の検知、保守、およびメンテナンス等を含む制御を適切に実行することにより、プラントを安定稼働させる。なお、プラント以外、例えばビルの空調や照明等の設備においても、診断装置１００を適用できる。
複数の設備１０のそれぞれは、複数のセンサ２０が設置される。複数のセンサ２０のそれぞれは、設置された設備１０の状態を検出し、検出結果を出力する。複数のセンサ２０は、設備１０の種々の状態を検出する。複数のセンサ２０は、例えば、圧力センサ、ｐＨセンサ、振動センサ、温度センサ、流量センサ、腐食センサ、歪センサ、ノイズセンサ、およびガスセンサ等である。
このような複数のセンサ２０に対して、それぞれ対応する閾値を設定し、閾値を超えた場合にアラームを発生させて、複数の設備１０の異常動作を検出することが試みられてきた。しかしながら、実際のプラントの設備１０は、一のセンサ２０によるアラーム発生だけで異常動作と判断できる場合はほとんど無く、複数のセンサ２０による検出結果の相関によって異常動作を判断していた。
例えば、それぞれのセンサ２０の検出信号が閾値を超えたとしても、直ちに設備１０の異常であると判断することは困難であった。例えば、一部のセンサ２０の検出信号が異常であっても、他のセンサ２０の検出信号が正常である場合、設備１０は正常に稼働できる場合もあるからである。また、複数のセンサ２０の検出信号が閾値を超えなくても、設備１０が異常となっている場合もある。例えば、複数のセンサ２０の検出信号が閾値に近づいた状態において、設備１０が疲労して異常になっている場合もあるからである。そこで、従来、知識および経験を有する作業員が、複数のセンサの検出信号の相関等を観察することにより、設備１０の異常の有無を判断していた。
したがって、設備１０の異常検出の精度は、作業員に依存してしまい、精度を向上させることが容易ではなかった。また、知識および経験を有する作業員の人数は限られているので、精度よく制御できる設備１０の数が限定されてしまうことがあった。また、複数のセンサ２０の閾値をそれぞれ設定する場合、適切な閾値とすることが困難であり、試行錯誤の時間等が発生してしまうことがあった。また、複数のセンサ２０の検出信号が閾値を超えなくても、設備１０が異常となっている場合、熟練した作業員であっても異常状態の検出を見逃してしまうこともあった。
また、このようなプラント内の設備１０の制御においては、保守およびメンテナンスも重要であり、設備１０の異常動作をある程度予測できることが望ましい。しかしながら、複数のセンサ２０に閾値を設定するだけでは、上記のとおり、過去または現在の異常動作の検出も困難であることから、将来の異常動作の予測はより困難であった。
そこで、本実施形態に係る診断装置１００は、複数のセンサ２０の検出信号に基づいて設備１０の異常動作を診断する解析モデルを生成し、当該解析モデルを学習することで診断の精度を向上させる。診断装置１００は、センサデータ取得部１１０と、グループ指定取得部１２０と、ユーザインターフェイス部１３０と、記憶部１４０と、制御部１５０と、学習部１６０と、モデル選択部１７０と、更新部１８０と、診断部１９０と、アラーム出力部２００とを備える。
センサデータ取得部１１０は、複数のセンサ２０のセンサデータを取得する。センサデータ取得部１１０は、例えば、診断すべき設備１０に設けられた複数のセンサ２０の検出結果をセンサデータとして取得する。センサデータ取得部１１０は、複数のセンサ２０からセンサデータをそれぞれ取得してよい。また、センサデータ取得部１１０は、バッファおよびデータベース等に一旦蓄積されたセンサデータを取得してもよい。センサデータ取得部１１０は、取得したセンサデータを記憶部１４０に供給してよい。
グループ指定取得部１２０は、設備１０に設置された複数のセンサ２０のうち、解析対象とする複数の対象センサを含む対象グループの指定を取得する。ここで、解析対象の複数の対象センサは、診断すべき設備１０に設けられた複数のセンサ２０でよい。また、対象センサは、設備１０に設けられていなくても、診断すべき設備１０の動作状態と相関のあるセンサデータを出力するセンサ２０を含んでよい。また、対象センサは、設備１０に設けられていても、診断すべき設備１０の動作状態とは全く相関のないセンサデータを出力するセンサ２０を含まなくてもよい。このような対象センサを含む対象グループは、診断すべき設備１０毎に指定されてよい。
例えば、ボイラーおよびモーター等の複数の設備に対応して、設備毎に解析対象とした対象グループを指定することがある。この場合、複数の設備にそれぞれ設置された複数のセンサは、対応する対象グループにそれぞれ含まれてよい。また、モーター等の１つの設備の中の電気系統と機械系統等に対応して、系統毎に解析対象とした対象グループを指定することもある。この場合、各系統の状態をそれぞれ検出する複数のセンサは、対応する対象グループにそれぞれ含まれてよい。
診断装置１００は、グループ指定取得部１２０が取得した設備１０に対応する対象グループに含まれる対象センサのセンサデータに基づき、当該設備１０の動作状態を診断する。グループ指定取得部１２０は、診断すべき設備１０が複数ある場合、複数の対象グループの指定を取得する。グループ指定取得部１２０は、当該診断装置１００のユーザの入力に応じて、対象グループの指定を取得してよい。また、グループ指定取得部１２０は、対象グループの情報がデータベース等に記憶されている場合、当該データベース等にアクセスして対象グループの指定を取得してよい。グループ指定取得部１２０は、取得した対象グループの情報を記憶部１４０に供給してよい。
ユーザインターフェイス部１３０は、診断装置１００の診断結果に対するフィードバックが入力される。ユーザインターフェイス部１３０は、例えば、診断結果が正しいか否かの情報をユーザから受け取ってよい。ユーザインターフェイス部１３０は、ユーザが使用する端末および携帯端末といったデバイスと有線または無線による通信により、フィードバックを受け取ってよい。なお、ユーザには、設備１０の所有者および管理者、並びに設備１０の保全の管理者および作業者等が含まれる。
なお、対象グループの指定をユーザが入力する場合、グループ指定取得部１２０は、ユーザインターフェイス部１３０を介して、対象グループの情報を受け取ってよい。また、ユーザインターフェイス部１３０は、診断装置１００の各種設定情報、学習用データ、並びに、動作開始および停止等の指示等が、ユーザから入力されてもよい。ユーザインターフェイス部１３０は、入力された情報を記憶部１４０に供給してよい。また、ユーザインターフェイス部１３０は、入力された診断装置１００への動作指示等を制御部１５０に供給してよい。
記憶部１４０は、センサデータ、対象グループの情報、およびユーザからの入力データを記憶する。また、記憶部１４０は、学習用のデータを記憶してよい。記憶部１４０は、例えば、ユーザインターフェイス部１３０に入力される学習用データを記憶する。また、記憶部１４０は、ユーザのフィードバックに基づく教師データを記憶してもよい。記憶部１４０は、各種データのデータベースとして機能してもよい。
また、記憶部１４０は、当該診断装置１００が処理するデータを記憶可能でよい。記憶部１４０は、診断装置１００が診断結果を生成する過程で算出する（または利用する）学習データ、学習モデル、中間データ、算出結果、およびパラメータ等をそれぞれ記憶してもよい。また、記憶部１４０は、診断装置１００内の各部の要求に応じて、記憶したデータを要求元に供給してよい。
制御部１５０は、当該診断装置１００の学習動作および診断動作を制御する。制御部１５０は、ユーザの指示に応じて、診断装置１００の学習動作および診断動作の少なくともいずれか一方を実行してよい。
学習部１６０は、対象グループに含まれる各対象センサからのセンサデータを用いて、解析モデルを学習する。学習部１６０は、例えば、対象グループに含まれる各対象センサからのセンサデータを用いて、複数種類の解析モデルを学習する。学習部１６０は、少なくとも一部の解析モデルを、教師あり学習により学習してよい。
この場合、学習部１６０は、ユーザインターフェイス部１３０に入力するフィードバックを更に用いて解析モデルを学習してよい。即ち、学習部１６０は、記憶部に記憶されたフィードバックに基づく教師データを用いて解析モデルを学習してよい。なお、学習部１６０は、診断装置１００のフィードバックに基づき、教師データを生成してよい。学習部１６０は、生成した教師データを記憶部１４０に記憶してよい。学習部１６０は、制御部１５０からの指示に応じて、解析モデルを学習してよい。
モデル選択部１７０は、学習部１６０が学習した複数種類の解析モデルの中から設備１０の診断に用いる解析モデルを選択する。モデル選択部１７０は、例えば、複数種類の解析モデルをそれぞれ評価して、評価結果に基づき診断用の解析モデルを選択する。モデル選択部１７０は、診断用の解析モデルとして、１または複数の解析モデルを選択してよい。モデル選択部１７０は、選択した解析モデルを更新部１８０に供給してよい。
更新部１８０は、当該診断装置１００が用いている解析モデルと、モデル選択部１７０が選択した解析モデルとを比較し、比較結果に基づいて診断部１９０で用いる解析モデルを更新する。なお、診断装置１００が用いている解析モデルは、過去にモデル選択部１７０が選択した解析モデルでよい。更新部１８０は、例えば、診断装置１００が用いている解析モデルの評価結果よりも、モデル選択部１７０が選択した解析モデルの評価結果の方が高い場合に、解析モデルを更新する。更新部１８０は、制御部１５０からの指示に応じて、解析モデルを更新してよい。
診断部１９０は、学習した解析モデルを用いて設備１０を診断する。診断部１９０は、複数の対象グループのそれぞれに対応する設備１０毎に診断してよい。診断部１９０は、学習済みの１または複数の解析モデルを用いて設備１０を診断してよい。診断部１９０は、例えば、設備１０の動作に異常が発生し、ユーザにアラームを通知すべき状態であるか否かを診断する。診断部１９０は、制御部１５０からの指示に応じて、設備１０を診断してよい。診断部１９０は、診断結果をアラーム出力部２００に供給してよい。また、診断部１９０は、診断結果の履歴を記憶部１４０に記憶してもよい。
アラーム出力部２００は、解析モデルを用いた診断結果が設備１０の異常を示す場合に、アラームを出力する。アラーム出力部２００は、ユーザに対してアラームを出力してよい。アラーム出力部２００は、例えば、ユーザの端末および携帯端末等のデバイスに、アラームを出力する。なお、アラーム出力部２００は、ユーザインターフェイス部１３０を介してアラームを出力してもよい。
以上のように、診断装置１００は、学習済みの解析モデルを用いて、設備１０を診断する。また、診断装置１００は、当該診断装置１００の診断結果に対するユーザのフィードバックに基づき、解析モデルを学習する。このような診断装置１００の動作について次に説明する。
図２は、本実施形態に係る診断装置１００の動作フローの一例を示す。診断装置１００は、図２に示す動作フローを実行することにより、解析モデルを学習しつつ、設備１０を診断する。
グループ指定取得部１２０は、対象グループの指定を取得する（Ｓ２１０）。グループ指定取得部１２０は、複数の設備１０を診断すべく、複数の対象グループの指定を取得してもよい。また、診断装置１００は、各部の初期設定が実行されてよい。例えば、ユーザインターフェイス部１３０は、用いる学習データおよび解析モデル等の学習に用いるデータの指定または入力をユーザから受け取る。また、ユーザインターフェイス部１３０は、アラーム出力部２００が出力するアラームの通知先が入力されてもよい。
次に、センサデータ取得部１１０は、対象グループに含まれる各対象センサからセンサデータを取得する（Ｓ２２０）。なお、グループ指定取得部１２０が複数の対象グループの指定を取得した場合、センサデータ取得部１１０は、複数の対象グループの各対象グループに含まれる各対象センサからセンサデータを取得してよい。
センサデータ取得部１１０は、例えば、対象センサを含む複数のセンサ２０からのセンサデータを取得し、取得したセンサデータを記憶部１４０に記憶する。学習部１６０および診断部１９０は、記憶部１４０に記憶された対象グループの情報およびセンサデータに応じて、各対象センサからのセンサデータを処理してよい。これに代えて、センサデータ取得部１１０は、対象グループの情報に基づき、対象グループに含まれる対象センサのそれぞれからセンサデータを取得し、各対象センサからのセンサデータとして記憶部１４０に記憶してもよい。
次に、制御部１５０は、解析モデルを生成するか否かを判断する（Ｓ２３０）。制御部１５０は、例えば、解析モデルの学習動作を実行しつつ設備１０を診断する場合、解析モデルを生成する。また、制御部１５０は、解析モデルを生成するタイミングが予め設定されている場合、当該生成タイミングとなったことに応じて、解析モデルを生成してよい。このように、制御部１５０は、解析モデルを生成する場合（Ｓ２３０：Ｙｅｓ）、学習部１６０に解析モデルを生成させる（Ｓ２４０）。
なお、グループ指定取得部１２０が複数の対象グループの指定を取得した場合、学習部１６０は、複数の対象グループのそれぞれに含まれる各対象センサからのセンサデータを用いて、複数の対象グループのそれぞれに対応付けられた解析モデルを学習して生成してよい。即ち、学習部１６０は、１または複数の解析モデルを生成してよい。学習部１６０による解析モデルの生成は、後に述べる。なお、制御部１５０は、解析モデルを生成しない場合（Ｓ２３０：Ｎｏ）は、設備１０の診断（Ｓ２７０）に進めてよい。
次に、制御部１５０は、更新部１８０に解析モデルを更新させるか否かを判断させる（Ｓ２５０）。また、制御部１５０は、解析モデルを更新させるタイミングが予め設定されている場合は、当該更新タイミングであることに応じて、更新部１８０に解析モデルを更新させるか否かを判断させてよい。更新部１８０は、学習部１６０が生成して学習した解析モデルを評価し、評価結果に基づいて診断部１９０で用いる解析モデルを更新させるか否かを判断する。ここで、学習済みの解析モデルの評価結果を第１評価結果とする。更新部１８０は、例えば、第１評価結果と、診断部１９０が用いている解析モデルの評価結果（第２評価結果とする）とを比較する。
ここで、更新部１８０は、学習部１６０が解析モデルの生成時に当該解析モデルを評価した結果を、第１評価結果および第２評価結果の少なくともいずれか一方として用いてよい。また、更新部１８０は、新たに解析モデルを評価して、第１評価結果および第２評価結果の少なくともいずれか一方を算出してもよい。解析モデルの評価は、セルフチェックおよびクロスバリデーション等の診断精度の評価を用いてよい。また、解析モデルの評価は、解析モデルの汎化の度合い等を用いてもよい。この場合、更新部１８０は、解析モデル毎に定式化された汎化率を算出して評価してよい。
更新部１８０は、第１評価結果よりも第２評価結果の方が高い評価結果の場合（Ｓ２５０：Ｎｏ）、解析モデルを更新しない。この場合、制御部１５０は、設備１０の診断（Ｓ２７０）に進めてよい。また、更新部１８０は、解析モデルの更新タイミングが設定され、当該更新タイミングではない場合も、解析モデルを更新しなくてよい。
更新部１８０は、第２価結果よりも第１評価結果の方が高い評価結果または同等の評価結果の場合（Ｓ２５０：Ｙｅｓ）、解析モデルを更新する（Ｓ２６０）。即ち、更新部１８０は、診断部１９０が用いている解析モデルを、学習部１６０が生成して学習した解析モデルとする。診断部１９０が用いる解析モデルが記憶部１４０に記憶されている場合、更新部１８０は、記憶部１４０の解析モデルを更新してもよい。
次に、診断部１９０は、解析モデルを用いて設備１０を診断する（Ｓ２７０）。更新部１８０が解析モデルを更新した場合、診断部１９０は、学習部１６０が学習した解析モデルを用いて設備１０を診断する。また、更新部１８０が解析モデルを更新しなかった場合、診断部１９０は、学習部１６０が今回よりも前に学習した解析モデルを用いて設備１０を診断してよい。
診断部１９０は、センサデータ取得部１１０が対象グループに含まれる各対象センサから今回取得したセンサデータを解析モデルに適用して、設備１０の今回の診断結果を算出してよい。なお、グループ指定取得部１２０が複数の対象グループの指定を取得した場合、診断部１９０は、複数の対象グループのそれぞれに対応付けられ、学習済みの複数の解析モデルを用いて設備１０を診断してよい。
次に、診断部１９０は、診断結果が設備１０の異常を示すか否かを判断する（Ｓ２８０）。診断部１９０の診断結果が設備１０の異常を示す場合（Ｓ２８０：Ｙｅｓ）、アラーム出力部２００は、アラームを出力する（Ｓ２９０）。アラーム出力部２００は、指定されたアラームの通知先に対してアラームを出力してよい。アラーム出力部２００は、例えば、アラームの通知先としてメールアドレスが設定されている場合、当該メールアドレスにアラームを示すメールを送信する。アラーム出力部２００は、一例として、診断した時間および設備１０の名称等を含む情報を、アラームとして出力する。
次に、ユーザインターフェイス部１３０は、解析モデルを用いた診断結果に対するフィードバックを取得する（Ｓ３００）。当該診断装置１００のユーザは、アラーム出力部２００からのアラームを受け取ることにより、例えば、設備１０の異常を確認することになる。ここで、実際に設備１０が異常動作となっていた場合、ユーザは設備１０を正常動作に復帰させる処理を実行してよく、また、設備１０を停止させてもよい。また、ユーザは、動作の状態に応じて、経過観察してもよい。そして、ユーザは、当該診断装置１００の次の診断の精度を向上させるべく、診断結果のフィードバックを当該診断装置１００に入力してよい。
即ち、ユーザインターフェイス部１３０は、ユーザが受け取ったアラームが正しいか否かを示すフィードバックが入力される。ユーザは、アラームが正しいか否かの他、判断保留を入力してもよく、また、後でまとめてフィードバックを入力してもよい。また、ユーザは、アラームを受け取った場合だけでなく、例えば、定期的な設備１０の見回りをした場合に、正常動作であったか否かをユーザインターフェイス部１３０に入力してもよい。つまり、診断部１９０が正常であるという診断結果を示している場合（ステップＳ２８０のＮｏ）、見回り等によって、正常であるという診断結果が正しいことを確認してフィードバックしてもよい。ユーザは、アラームを伝えるメールを受信した場合は、フィードバックをメールで返信してよく、これに代えて、専用のアプリケーション・ソフトウェアからフィードバックを入力してもよい。ユーザインターフェイス部１３０は、フィードバックの情報を記憶部１４０に記憶する。
ユーザインターフェイス部１３０がフィードバックの情報を記憶部１４０に記憶した後、または、Ｓ２８０において、診断部１９０の診断結果が設備１０の正常動作を示す場合（Ｓ２８０：Ｎｏ）、診断装置１００は、設備１０の診断を継続するか否かを判断する（Ｓ３１０）。診断装置１００が設備１０の診断を継続する場合（Ｓ３１０：Ｎｏ）、Ｓ２２０に戻り、次のタイミングのセンサデータをセンサデータ取得部１１０に取得させ、設備１０の次の診断を開始する。
また、診断装置１００は、ユーザの入力等に応じて、設備１０の診断を終了させる（Ｓ３１０：Ｙｅｓ）。診断装置１００は、予め定められた回数の診断を実行した場合、および、予め定められた回数の学習を実行した場合等の、スケジュールに応じて、設備１０の診断を終了させてもよい。
以上のように、本実施形態に係る診断装置１００は、センサデータに学習済みの解析モデルを適用して設備１０を診断するので、ユーザの経験とは無関係に診断動作を実行することができる。また、診断装置１００は、設備１０の診断に用いるセンサ２０をグルーピングして対象グループとするので、設備１０の動作と相関のある情報を用いて、精度の高い学習を実行することができる。これにより、診断装置１００は、ユーザが複数のセンサデータ間の相関の確認すること、および、当該相関に基づいて診断すること等を不要とするので、ユーザに知識および経験が無くても精度よく設備１０を診断することができる。また、フィードバック情報を受け取ることによって、精度の高い学習を実行することができる。このような診断装置１００の学習動作について次に説明する。
図３は、本実施形態に係る診断装置１００の解析モデルを生成する動作フローの一例を示す。ここで、図３は、図２の動作フローにおけるＳ２４０の具体的な動作の一例である。即ち、診断装置１００の学習部１６０およびモデル選択部１７０は、図３に示す動作フローを実行して、診断装置１００の診断に用いる解析モデルを生成する。
まず、学習部１６０は、記憶部１４０に記憶された教師データの情報を確認する（Ｓ４１０）。学習部１６０は、例えば、ユーザの入力による教師データの有無、過去に生成した教師データの有無、およびフィードバック情報の有無等を確認する。
次に、学習部１６０は、確認した教師データの情報に基づき、教師データを生成する（Ｓ４２０）。学習部１６０は、例えば、記憶部１４０にアラーム出力部２００が出力したアラームに対するフィードバックの情報が存在する場合、当該フィードバックの情報に基づき、教師データを生成する。また、学習部１６０は、ユーザが設備１０の見回り等によって確認した動作状態の情報が存在する場合、当該情報に基づき、教師データを生成してもよい。学習部１６０は、フィードバックのそれぞれを、対象グループに含まれる各対象センサからのセンサデータにおける、フィードバックの対象となったセンサデータ部分にラベル付けして、教師データを生成してよい。
学習部１６０は、一例として、ユーザが設備１０の異常動作を確認してフィードバックしたセンサデータの部分に「ＮＧ」とラベル付けする。また、学習部１６０は、ユーザが設備１０の正常動作を確認してフィードバックしたセンサデータの部分に「ＯＫ」とラベル付けしてもよい。また、学習部１６０は、「ＮＧ」とラベル付けした２つの期間の間に、フィードバックのないセンサデータの期間が存在する場合、当該期間に「ＯＫ」とラベル付けしてもよい。学習部１６０は、生成した教師データを記憶部１４０に記憶してよい。学習部１６０は、生成した教師データを解析モデルの学習に用いてよい。これによって、学習部１６０は、「ＯＫ」のラベルが付されたセンサデータを正常な値とし、「ＮＧ」のラベルが付されたセンサデータを異常な値として学習して、フィードバック情報を反映することができる。
なお、学習部１６０は、記憶部１４０にフィードバックの情報が存在しない場合、記憶部１４０に記憶された過去に生成した教師データを学習に用いてもよい。また、学習部１６０は、記憶部１４０にユーザが入力した教師データが存在する場合、入力された教師データを学習に用いてもよい。学習部１６０は、最も新しい時刻に記憶部１４０に記憶された教師データを用いることが望ましい。また、学習部１６０は、予め定められた期間内に記憶部１４０に記憶された教師データが複数存在する場合、複数の教師データを学習に用いてもよい。また、学習部１６０は、記憶部１４０に教師データの情報がない場合、教師データを用いなくてもよい。
次に、学習部１６０は、複数種類の解析モデルを学習する（Ｓ４３０）。学習部１６０は、対象センサからのセンサデータを用いて、予め定められた複数種類の解析モデルをそれぞれ学習してよい。複数種類の解析モデルは、線形解析モデルおよび非線形解析モデル等を含んでよい。複数種類の解析モデルは、例えば、回帰分析、クラスター分析、主成分分析、ベクトル量子化、自己組織化マップ、ニューラルネットワーク、サポートベクターマシン、ＩＤ３、および単純ベイズ分類器等のうち少なくとも１つを含む。また、学習部１６０は、解析モデルに対応して、教師あり学習および教師なし学習等により、複数種類の解析モデルをそれぞれ学習してよい。
学習部１６０は、例えば、複数種類の解析モデルのうちの第１解析モデルを、対象グループに含まれる各対象センサからのセンサデータおよび設備１０の診断結果として出力すべき診断結果を用いた教師あり学習により学習する。この場合、学習部１６０は、複数種類の解析モデルのうちの第２解析モデルを、対象グループに含まれる各対象センサからのセンサデータを用いた教師なし学習により学習してよい。また、学習部１６０は、用いるべき教師データがない場合は、教師なし学習のみで第２解析モデルを学習し、第１解析モデルは学習しなくてよい。なお、第１解析モデルおよび第２解析モデルは、それぞれ複数種類の解析モデルを含んでよい。
学習部１６０は、前回までに学習した解析モデルが記憶部１４０に記憶されている場合は、当該解析モデルに今回取得したセンサデータを用いて、学習を継続させてよい。また、学習部１６０は、今回の学習を終了した後に、学習済みの複数種類の解析モデルを記憶部１４０に記憶してよい。なお、学習部１６０は、教師データが不十分等により、解析モデルを生成できなかった場合は、当該情報を記憶部１４０に記憶しなくてよい。
次に、モデル選択部１７０は、学習した解析モデルを評価する（Ｓ４４０）。モデル選択部１７０は、学習済みの全ての解析モデルを評価してよい。なお、モデル選択部１７０は、教師データの不足等により生成できなかった解析モデルについては、評価しなくてよい。モデル選択部１７０による解析モデルの評価は、例えば、セルフチェック、クロスバリデーション、および解析モデルの汎化の度合い等のうち少なくとも１つを用いた評価でよい。
次に、モデル選択部１７０は、学習した複数種類の解析モデルの中から、設備１０の診断に用いる解析モデルの候補を少なくとも１つ選択する（Ｓ４５０）。モデル選択部１７０は、例えば、診断精度等の評価結果に基づいて設備１０の診断に用いる解析モデルを選択してよい。モデル選択部１７０は、一例として、評価結果がより最も高い解析モデルを選択する。モデル選択部１７０は、選択した解析モデルを生成した解析モデルとして更新部１８０に供給する。また、モデル選択部１７０は、選択した解析モデルを評価結果と共に記憶部１４０に記憶してよい。
以上のように、本実施形態に係る学習部１６０およびモデル選択部１７０は、複数の解析モデルのうち、より評価結果の高い解析モデルを、設備１０の診断に用いる解析モデルとして選択する。したがって、診断装置１００は、より適切な解析モデルを用いて設備１０を診断することができる。
例えば、診断装置１００が設備１０の診断動作を開始してから、数回から十数回程度以下の診断結果を出力する比較的初期の動作期間においては、学習データが不足してしまい、学習に十分な教師データを生成することができないことがある。この場合、モデル選択部１７０は、教師なし学習によって学習された解析モデルを選択する傾向を示し、教師ありの学習が不足している解析モデルが診断に用いられることを防止できる。
また、学習データの蓄積が解析モデルの学習に十分な程度に、診断装置１００が比較的長期間において動作した場合、教師あり学習によって学習された解析モデルの評価結果が向上することになる。この場合、モデル選択部１７０は、教師あり学習によって学習された解析モデルを選択する傾向を示すことになる。このように、モデル選択部１７０は、複数種類の解析モデルの学習を継続させることにより、それぞれの解析モデルの診断精度等を向上させ、当該診断精度等に応じて、適切な解析モデルを選択することができる。また、モデル選択部１７０は、センサデータの傾向が変動しても、対応して高い診断精度を保つ適切な解析モデルを選択することができる。
また、診断装置１００は、ユーザのフィードバックに応じて教師データを生成するので、ユーザは設備１０の動作を確認するだけで、教師データが蓄積され、診断精度を向上させることができる。即ち、ユーザの知識および経験、並びに、設備１０毎の診断ノウハウの知識および経験が向上しなくても、診断装置１００の診断精度を向上させ、システムを成長させることができる。
図４は、本実施形態に係るセンサデータ取得部１１０が取得するセンサデータの一例を示す。図４の横軸は時間を示し、縦軸は、例えば、電圧および電流等のセンサ出力を示す。図４は、複数の対象センサのうち、センサＡ、センサＢ、およびセンサＣの３つのセンサ２０から取得したセンサデータの一例を示す。
図４の例に示すように、対象センサのそれぞれは、時間に応じて設備１０のセンシング結果を出力するので、ユーザが全てのセンサデータを確認して設備１０を診断することは困難である。そこで、本実施形態に係る診断装置１００は、以上の説明のように、解析モデルを用い、図４に示すような複数のセンサデータに応じて、設備１０を診断する。
診断装置１００は、センサデータ取得部１１０が時系列に取得するセンサデータ毎に、設備１０を診断してよい。ここで、時刻ｔｎにおけるセンサＡのセンサ出力をＳＡｎ、センサＢのセンサ出力をＳＢｎ、センサＣのセンサ出力をＳＣｎ、・・・とする。この場合、診断装置１００は、時刻ｔｎにおける対象センサのセンサデータを、Ｓｎ（ＳＡｎ，ＳＢｎ，ＳＣｎ，・・・，ＳＭｎ）とする。なお、対象センサはＭ個あるものとした。
診断部１９０は、このようなＭ次元のセンサデータＳｎを学習済みの解析モデルに適用して、時刻ｔｎにおける設備１０の診断結果を算出する。即ち、解析モデルは、Ｍ次元のデータ解析をして、設備１０の動作状態を分類する学習モデルとして機能してよい。診断部１９０は、設備１０の動作状態を少なくとも正常状態および異常状態のいずれかに分類して診断結果とする。診断部１９０は、同様に、時刻ｔｎ＋１、ｔｎ＋２、・・・毎に取得されたセンサデータを、Ｓｎ＋１（ＳＡｎ＋１，ＳＢｎ＋１，ＳＣｎ＋１，・・・，ＳＭｎ＋１）、Ｓｎ＋２（ＳＡｎ＋２，ＳＢｎ＋２，ＳＣｎ＋２，・・・，ＳＭｎ＋２）、・・・として、解析モデルに適用し、各時刻における設備１０の診断結果を算出する。
そして、アラーム出力部２００は、診断結果が異常状態となったことに応じて、当該診断結果とセンサデータが検出された時間とをユーザにアラームとして通知する。ユーザは、アラーム通知に対するフィードバックを、ユーザインターフェイス部１３０に入力する。学習部１６０は、当該フィードバックが入力されたことに基づき、教師データを生成する。
図４は、このようにして、学習部１６０がセンサデータにユーザのフィードバックの情報（図４に示した「ＯＫ」と「ＮＧ」の情報）を付加して生成した教師データの一例を示す。例えば、時刻ｔ０からｔ１の期間と、時刻ｔ２からｔ３の期間は、ユーザが設備１０の異常動作を確認してフィードバックしたセンサデータの部分を示す。したがって、学習部１６０は、図４に示す教師データを用いた場合、時刻ｔ０からｔ１の期間、および時刻ｔ２からｔ３の期間が異常動作となり、時刻ｔ０までの期間、時刻ｔ１からｔ２の期間、および時刻ｔ３以降の期間が正常動作となるとして、解析モデルを学習することが望ましい。
なお、以上において、診断装置１００は、時刻ｔｎにおける各対象センサの瞬時値に基づき、解析モデルに適用するセンサデータをＳｎ（ＳＡｎ，ＳＢｎ，ＳＣｎ，・・・，ＳＭｎ）とした例を説明したが、センサデータはこれに限定されることはない。診断装置１００は、各対象センサの予め定められた期間における平均値、最大値、および最小値等を要素としたＭ次元のセンサデータを生成して用いてよい。また、診断装置１００は、各対象センサの予め定められた期間における瞬時値を、センサデータとして用いてもよい。
また、モデル選択部１７０は、図４に示す学習データを用いて、解析モデルを評価してもよい。モデル選択部１７０は、例えば、時刻ｔ０からｔ１の期間のうち一部のセンサデータと、時刻ｔ１からｔ２の期間のうち一部のセンサデータとを用いて、解析モデルを学習させる。そして、学習済みの解析モデルに、時刻ｔ０からｔ１の期間のうち残りの一部のセンサデータと、時刻ｔ１からｔ２の期間のうち残りの一部のセンサデータに対する診断結果を算出することで、モデル選択部１７０は、当該解析モデルの診断精度を評価する。このように、設備１０の動作がわかっている期間のデータを用いることで、モデル選択部１７０は、当該解析モデルをセルフチェックすることができる。
また、学習部１６０が、複数の異常動作期間と、複数の正常動作期間とを有する教師データを生成した場合、モデル選択部１７０は、当該教師データを用いたクロスバリデーション（交差検定）により、解析モデルを評価してもよい。以上のように、診断装置１００は、解析モデルを用いて対象センサから取得されたセンサデータを診断しつつ、当該診断結果のフィードバックに基づく教師データを用いて当該解析モデルを学習する。
なお、本実施形態に係る診断装置１００が用いる教師データは、ユーザのフィードバックに基づくデータに限定されることはない。診断装置１００は、ユーザが予め準備した教師データを用いてもよく、また、設備１０の運用履歴、動作環境、および動作条件等の情報に基づく教師データを用いてもよい。診断装置１００が設備１０の運用履歴の情報に基づく教師データを生成する例を次に説明する。
図５は、本実施形態に係る診断装置１００の変形例を示す。本変形例の診断装置１００において、図１に示された本実施形態に係る診断装置１００の動作と略同一のものには同一の符号を付け、説明を省略する。本変形例の診断装置１００は、運用記録取得部５２０と、特定部５３０と、除外処理部５４０とを更に備える。
運用記録取得部５２０は、設備１０の運用記録を取得する。運用記録取得部５２０は、外部のデータベース５１０等から設備１０の運用記録を取得してよい。データベース５１０は、定期点検結果、異常時点検結果、アラーム結果、操作履歴、設備メンテナンスデータ、設備運転記録、および設備異常記録等のうち少なくとも一部を含む運用記録を、設備１０毎に記憶してよい。運用記録取得部５２０は、取得した運用記録を、記憶部１４０に記憶する。
特定部５３０は、運用記録に基づいて、解析モデルの学習を行わない期間を特定する。センサデータ取得部１１０が取得するセンサデータには、学習データとして用いることが望ましくないデータが含まれていることがある。例えば、設備１０が通常の運転（操業等）を行っていない、設備１０のメンテナンス中、停止中、立ち上げ中、および試験運転中等におけるセンサデータは、学習に用いても診断精度を向上させるものではなく、逆に学習効率を低下させてしまうこともある。そこで、特定部５３０は、運用記録から、設備１０のメンテナンス期間、設備１０の停止期間、設備１０の立ち上げ期間、および設備１０の試験運転期間のうち少なくとも１つの期間を、解析モデルの学習を行わない期間として特定する。
除外処理部５４０は、対象グループに含まれる各対象センサからのセンサデータのうち、解析モデルの学習を行わない期間に対応するセンサデータを学習対象から除外する。除外処理部５４０は、例えば、一の対象グループに含まれる全ての対象センサのセンサデータのうち、学習を行わない期間のデータを削除する。また、除外処理部５４０は、センサデータのうち、学習を行わない期間にラベル付けをして、学習対象からは除外すべきデータであることを明示してもよい。除外処理部５４０は、加工したデータを記憶部１４０に記憶してよい。この場合、除外処理部５４０は、加工前のセンサデータに上書きしてもよい。
以上の本変形例の診断装置１００は、設備１０に固有の情報（ドメイン情報）を取得して、学習対象のデータを選択できるので、設備１０の診断精度を効率的に向上させることができる。このような本変形例の診断装置１００は、図２に示す動作フローと略同一の動作フローを実行することで、設備１０を診断してよい。なお、運用記録取得部５２０は、予め定められたタイミング等で、設備１０の運用記録を取得してよい。例えば、運用記録取得部５２０は、Ｓ２２０のセンサデータの取得の後に、設備１０の運用記録を取得する。また、図３に示す解析モデルの生成の動作フロー（図２におけるＳ２４０の動作）については、次のように変形してよい。
図６は、本変形例に係る診断装置１００の解析モデルを生成する動作フローの一例を示す。即ち、本変形例の診断装置１００の特定部５３０、除外処理部５４０、学習部１６０およびモデル選択部１７０は、図６に示す動作フローを実行して、解析モデルを生成する。
まず、特定部５３０は、記憶部１４０に記憶された教師データおよび運用記録の情報を確認する（Ｓ６１０）。特定部５３０は、例えば、ユーザの入力による教師データの有無、過去に生成した教師データの有無、フィードバック情報の有無、および運用記録の情報の有無等を確認する。
次に、特定部５３０は、確認した教師データの情報および運用記録の情報に基づき、学習に必要のないデータを特定する（Ｓ６２０）。特定部５３０は、例えば、教師データとすべきセンサデータのタイムスタンプから、設備１０のメンテナンス期間、設備１０の停止期間、設備１０の立ち上げ期間、および設備１０の試験運転期間のうち少なくとも１つの期間に該当する学習を行わない期間を、学習に必要のないデータとして特定する。例えば、特定部５３０は、運用記録に含まれる各期間が表された期間情報と、センサデータのタイムスタンプとを対比して、タイムスタンプが期間情報に表された期間内に入っていれば、学習に必要のないデータとして特定する。
次に、除外処理部５４０は、教師データとすべきセンサデータから学習に必要のないデータを削除する（Ｓ６３０）。除外処理部５４０は、学習に必要のないデータを削除したセンサデータを、学習部１６０に供給する。なお、特定部５３０および除外処理部５４０は、記憶部１４０に運用記録がない場合は、データを削除していない、教師データとすべきセンサデータを学習部１６０に供給してよい。
学習部１６０は、受け取ったセンサデータを用いて教師データを生成する（Ｓ６４０）。学習部１６０は、例えば、記憶部１４０にアラーム出力部２００が出力したアラームに対するフィードバックの情報が存在する場合、当該フィードバックの情報に基づき、教師データを生成する。学習部１６０は、フィードバックのそれぞれを、受け取ったセンサデータにおける、フィードバックの対象となったセンサデータ部分にラベル付けして、教師データを生成してよい。
次に、学習部１６０は、複数種類の解析モデルを学習する（Ｓ６５０）。次に、モデル選択部１７０は、学習した解析モデルを評価する（Ｓ６６０）。次に、モデル選択部１７０は、学習した複数種類の解析モデルの中から、設備１０の診断に用いる解析モデルの候補を選択する（Ｓ６７０）。以上のＳ６５０からＳ６７０の動作フローは、図３におけるＳ４３０からＳ４５０の動作フローと略同一の動作フローでよく、ここでは説明を省略する。
以上のように、本変形例の診断装置１００は、より適切な解析モデルを、学習に適切な期間のセンサデータを用いて効率よく学習して、設備１０の診断に用いることができる。また、本変形例の診断装置１００は、学習には不適切なセンサデータを除外するので、診断精度を向上させることができる。また、本変形例の診断装置１００は、設備１０のドメイン情報を外部のデータベース５１０等から取得するので、設備１０に特有の知識および経験を有するユーザがいなくても、効率的な学習動作を自動で実行することができる。
以上の本実施形態に係る診断装置１００は、モデル選択部１７０が複数種類の解析モデルの中から設備１０の診断に用いる解析モデルを選択することを説明した。ここで、モデル選択部１７０は、評価結果の高い複数の解析モデルを選択してもよい。この場合、診断部１９０は、複数の解析モデルを用いて設備１０の動作を診断する。診断部１９０は、例えば、複数の解析モデルを用いて設備１０の動作をそれぞれ診断し、複数の診断結果の多数決、またはＯＲ条件等により、最終的な診断結果を出力してよい。
また、本実施形態に係る診断装置１００は、学習部１６０が複数種類の解析モデルを、対象グループに含まれる対象センサからのセンサデータを用いて学習する例を説明した。ここで、学習部１６０は、対象グループに含まれる全ての対象センサのセンサデータを用いてもよく、これに代えて、一部のセンサデータを用いてもよい。また、学習部１６０は、複数種類の解析モデルのうち少なくとも一部の解析モデルに対して、異なる種類のセンサデータを用いて学習してもよい。
例えば、学習部１６０は、複数種類の解析モデルのうちの第３解析モデルを、対象グループに含まれる全対象センサからのセンサデータを用いて学習する。そして、学習部１６０は、複数種類の解析モデルのうちの第４解析モデルを、対象グループに含まれる対象センサの一部を除いた各対象センサからのセンサデータを用いて学習する。そして、モデル選択部１７０は、対象グループに含まれる対象センサの一部から、センサの正常動作におけるセンサデータを取得できないことに応じて、第４解析モデルを選択してよい。
設備１０の状態を観測するセンサ２０は、種々の特性を有し、例えば、一部のセンサ２０は、感度が高いが破壊しやすい特性、および寿命が短い特性の少なくともいずれか一方を有するものもある。そこで、学習部１６０は、第３解析モデルに対してはこのようなセンサからのセンサデータを含めた全てのセンサデータを用いて学習を継続させ、第４解析モデルに対しては当該センサからのセンサデータを含めずに学習を継続させる。
これにより、当該センサからのセンサデータが取得できる場合は、感度が高く、設備の僅かな状態の変化も検出できるセンサデータを用いた学習を反映させた第３解析モデルで設備１０を診断することができる。そして、当該センサの破壊および寿命等により、正常動作時におけるセンサデータを取得できなくなった場合に第３解析モデルを用いると、正常動作時ではないセンサデータを含めて学習してしまうため、第４解析モデルに切り換えて、設備１０の診断を継続させることができる。
以上の本実施形態に係る診断装置１００は、解析モデルを学習しつつ、設備１０を診断する例を説明したが、これに限定されることはない。診断装置１００は、例えば、学習済みの解析モデルを固定して、診断動作のみを実行してもよい。この場合、診断装置１００は、図２に示す動作フローにおいて、Ｓ２３０をＮｏとして動作してよい。なお、診断装置１００は、フィードバック情報を取得する場合、Ｓ２８０以降の動作フローを実行してよく、フィードバック情報が不要な場合はＳ２８０をＮｏとして動作してよい。
また、本実施形態に係る診断装置１００は、ユーザが診断装置１００の診断結果に対して、実際の設備１０の状態を確認して、フィードバックを入力する例を説明した。ここで、設備１０の状態を確認するユーザは、知識および経験等により、より適切なフィードバックを診断装置１００に入力できる場合がある。また、設備１０の状態を確認するタイミングによっては、センサデータおよび設備１０の動作の対応関係が不正確になってしまうこともある。
そこで、ユーザインターフェイス部１３０は、ユーザの知識、経験、熟練度、およびフィードバックタイミング等に応じて、重み付けの係数を設定してよい。ユーザインターフェイス部１３０は、当該重み付けの係数を、フィードバック情報と対応付けて記憶部１４０に記憶してよい。これにより、学習部１６０は、重み付けを加味した解析モデルの学習を実行することができ、診断精度を高めることができる。なお、診断装置１００の各部は、一体の装置で実現してもよく、別々の装置で分散して実現してもよい。また、一体の装置および別々の装置は、クラウド上等で実現されてもよい。
また、本実施形態に係る診断装置１００は、設備１０の状態を診断する例を説明したが、これに限定されることはない。診断装置１００は、解析モデルによって設備１０の状態を診断しているので、例えば、設備１０の状態を多値で示すこともできる。この場合、診断装置１００は、設備１０の状態が正常状態から異常状態へと時間的に推移することを検出できることがある。即ち、診断装置１００は、設備１０が異常状態へと移行しつつあることを予測することができる場合がある。例えば、設備１０の現在の腐食が軽度である状態から、中度または重度の腐食状態に移行することの予測を行うことができる場合がある。また、診断装置１００は、解析モデルの学習を継続させることにより、このような予測の精度を高めることもできる。
図７は、本発明の複数の態様が全体的または部分的に具現化されうるコンピュータ１２００の構成例を示す。コンピュータ１２００にインストールされたプログラムは、コンピュータ１２００に、本発明の実施形態に係る装置に関連付けられるオペレーション又は当該装置の１又は複数の「部」として機能させ、又は当該オペレーション又は当該１又は複数の「部」を実行させることができ、及び／又はコンピュータ１２００に、本発明の実施形態に係るプロセス又は当該プロセスの段階を実行させることができる。このようなプログラムは、コンピュータ１２００に、本明細書に記載のフローチャート及びブロック図のブロックのうちのいくつか又はすべてに関連付けられた特定のオペレーションを実行させるべく、ＣＰＵ１２１２によって実行されてよい。また、本発明の実施形態に係るプロセス又は当該プロセスの段階は、クラウド上で実行されてもよい。
本実施形態によるコンピュータ１２００は、ＣＰＵ１２１２、ＲＡＭ１２１４、グラフィックコントローラ１２１６、及びディスプレイデバイス１２１８を含み、これらはホストコントローラ１２１０によって相互に接続される。コンピュータ１２００はまた、通信インターフェイス１２２２、ハードディスクドライブ１２２４、ＤＶＤ−ＲＯＭドライブ１２２６、及びＩＣカードドライブのような入出力ユニットを含み、これらは入出力コントローラ１２２０を介してホストコントローラ１２１０に接続される。コンピュータはまた、ＲＯＭ１２３０及びキーボード１２４２のようなレガシの入出力ユニットを含み、これらは入出力チップ１２４０を介して入出力コントローラ１２２０に接続される。
ＣＰＵ１２１２は、ＲＯＭ１２３０及びＲＡＭ１２１４内に格納されたプログラムに従い動作し、これにより各ユニットを制御する。グラフィックコントローラ１２１６は、ＲＡＭ１２１４内に提供されるフレームバッファ等又は当該グラフィックコントローラ１２１６自体の中に、ＣＰＵ１２１２によって生成されるイメージデータを取得し、イメージデータがディスプレイデバイス１２１８上に表示させる。
通信インターフェイス１２２２は、ネットワークを介して他の電子デバイスと通信する。ハードディスクドライブ１２２４は、コンピュータ１２００内のＣＰＵ１２１２によって使用されるプログラム及びデータを格納する。ＤＶＤ−ＲＯＭドライブ１２２６は、プログラム又はデータをＤＶＤ−ＲＯＭ１２０１から読み取り、ハードディスクドライブ１２２４にＲＡＭ１２１４を介してプログラム又はデータを提供する。ＩＣカードドライブは、プログラム及びデータをＩＣカードから読み取り、及び／又はプログラム及びデータをＩＣカードに書き込む。
ＲＯＭ１２３０は、内部に、アクティブ化時にコンピュータ１２００によって実行されるブートプログラム等、及び／又はコンピュータ１２００のハードウェアに依存するプログラムを格納する。入出力チップ１２４０はまた、様々な入出力ユニットをパラレルポート、シリアルポート、キーボードポート、マウスポート等を介して、入出力コントローラ１２２０に接続してよい。
プログラムが、ＤＶＤ−ＲＯＭ１２０１又はＩＣカードのようなコンピュータ可読記憶媒体によって提供される。プログラムは、コンピュータ可読記憶媒体から読み取られ、コンピュータ可読記憶媒体の例でもあるハードディスクドライブ１２２４、ＲＡＭ１２１４、又はＲＯＭ１２３０にインストールされ、ＣＰＵ１２１２によって実行される。これらのプログラム内に記述される情報処理は、コンピュータ１２００に読み取られ、プログラムと、上記様々なタイプのハードウェアリソースとの間の連携をもたらす。装置又は方法が、コンピュータ１２００の使用に従い情報のオペレーション又は処理を実現することによって構成されてよい。
例えば、通信がコンピュータ１２００及び外部デバイス間で実行される場合、ＣＰＵ１２１２は、ＲＡＭ１２１４にロードされた通信プログラムを実行し、通信プログラムに記述された処理に基づいて、通信インターフェイス１２２２に対し、通信処理を命令してよい。通信インターフェイス１２２２は、ＣＰＵ１２１２の制御の下、ＲＡＭ１２１４、ハードディスクドライブ１２２４、ＤＶＤ−ＲＯＭ１２０１、又はＩＣカードのような記録媒体内に提供される送信バッファ領域に格納された送信データを読み取り、読み取られた送信データをネットワークに送信し、又はネットワークから受信した受信データを記録媒体上に提供される受信バッファ領域等に書き込む。
また、ＣＰＵ１２１２は、ハードディスクドライブ１２２４、ＤＶＤ−ＲＯＭドライブ１２２６（ＤＶＤ−ＲＯＭ１２０１）、ＩＣカード等のような外部記録媒体に格納されたファイル又はデータベースの全部又は必要な部分がＲＡＭ１２１４に読み取られるようにし、ＲＡＭ１２１４上のデータに対し様々なタイプの処理を実行してよい。ＣＰＵ１２１２は次に、処理されたデータを外部記録媒体にライトバックしてよい。
様々なタイプのプログラム、データ、テーブル、及びデータベースのような、様々なタイプの情報が、情報処理されるべく、記録媒体に格納されてよい。ＣＰＵ１２１２は、ＲＡＭ１２１４から読み取られたデータに対し、本開示の随所に記載され、プログラムの命令シーケンスによって指定される様々なタイプのオペレーション、情報処理、条件判断、条件分岐、無条件分岐、情報の検索／置換等を含む、様々なタイプの処理を実行してよく、結果をＲＡＭ１２１４に対しライトバックする。また、ＣＰＵ１２１２は、記録媒体内のファイル、データベース等における情報を検索してよい。例えば、各々が第２の属性の属性値に関連付けられた第１の属性の属性値を有する複数のエントリが記録媒体内に格納される場合、ＣＰＵ１２１２は、当該複数のエントリの中から、第１の属性の属性値が指定されている条件に一致するエントリを検索し、当該エントリ内に格納された第２の属性の属性値を読み取り、これにより予め定められた条件を満たす第１の属性に関連付けられた第２の属性の属性値を取得してよい。
以上の説明によるプログラム又はソフトウェアモジュールは、コンピュータ１２００上又はコンピュータ１２００近傍のコンピュータ可読記憶媒体に格納されてよい。また、専用通信ネットワーク又はインターネットに接続されたサーバシステム内に提供されるハードディスク又はＲＡＭのような記録媒体が、コンピュータ可読記憶媒体として使用可能であり、これにより、プログラムをコンピュータ１２００にネットワークを介して提供する。
以上、本発明を実施の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の形態に記載の範囲には限定されない。上記実施の形態に、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明らかである。その様な変更または改良を加えた形態も本発明の技術的範囲に含まれ得ることが、特許請求の範囲の記載から明らかである。
特許請求の範囲、明細書、および図面中において示した装置、システム、プログラム、および方法における動作、手順、ステップ、および段階等の各処理の実行順序は、特段「より前に」、「先立って」等と明示しておらず、また、前の処理の出力を後の処理で用いるのでない限り、任意の順序で実現しうることに留意すべきである。特許請求の範囲、明細書、および図面中の動作フローに関して、便宜上「まず、」、「次に、」等を用いて説明したとしても、この順で実施することが必須であることを意味するものではない。
１０ 設備、２０ センサ、１００ 診断装置、１１０ センサデータ取得部、１２０ グループ指定取得部、１３０ ユーザインターフェイス部、１４０ 記憶部、１５０ 制御部、１６０ 学習部、１７０ モデル選択部、１８０ 更新部、１９０ 診断部、２００ アラーム出力部、５１０ データベース、５２０ 運用記録取得部、５３０ 特定部、５４０ 除外処理部、１２００ コンピュータ、１２０１ ＤＶＤ−ＲＯＭ、１２１０ ホストコントローラ、１２１２ ＣＰＵ、１２１４ ＲＡＭ、１２１６ グラフィックコントローラ、１２１８ ディスプレイデバイス、１２２０ 入出力コントローラ、１２２２ 通信インターフェイス、１２２４ ハードディスクドライブ、１２２６ ＤＶＤ−ＲＯＭドライブ、１２３０ ＲＯＭ、１２４０ 入出力チップ、１２４２ キーボード

Claims (15)

  1. 少なくとも１つの設備に設置された複数のセンサのうち、解析対象とする複数の対象センサを含む対象グループの指定を取得するグループ指定取得部と、
    前記対象グループに含まれる各対象センサからセンサデータを取得するセンサデータ取得部と、
    前記対象グループに含まれる各対象センサからのセンサデータを用いて、解析モデルを学習する学習部と、
    学習した前記解析モデルを用いて前記設備を診断する診断部と
    を備える診断装置。
  2. 前記解析モデルを用いた診断結果に対するフィードバックを入力するユーザインターフェイス部を更に備え、
    前記学習部は、前記フィードバックを更に用いて前記解析モデルを学習する請求項１に記載の診断装置。
  3. 前記解析モデルを用いた診断結果が前記設備の異常を示す場合に、アラームを出力するアラーム出力部を更に備え、
    前記ユーザインターフェイス部は、前記アラームが正しいか否かを示す前記フィードバックを入力する請求項２に記載の診断装置。
  4. 前記アラーム出力部が出力したアラームに対する前記フィードバックを、前記対象グループに含まれる各対象センサからのセンサデータにおける、前記フィードバックの対象となったセンサデータの部分にラベル付けした教師データを記憶する記憶部を更に備え、
    前記学習部は、前記記憶部に記憶された前記教師データを用いて前記解析モデルを学習する
    請求項３に記載の診断装置。
  5. 前記設備の運用記録を取得する運用記録取得部と、
    前記運用記録に基づいて、前記解析モデルの学習を行わない期間を特定する特定部と、
    前記対象グループに含まれる各対象センサからのセンサデータのうち、前記解析モデルの学習を行わない期間に対応するセンサデータを学習対象から除外する除外処理部と
    を更に備える請求項１から４のいずれか一項に記載の診断装置。
  6. 前記特定部は、前記運用記録から、前記設備のメンテナンス期間、前記設備の停止期間、前記設備の立ち上げ期間、および前記設備の試験運転期間のうち少なくとも１つの期間を、前記解析モデルの学習を行わない期間として特定する請求項５に記載の診断装置。
  7. 前記学習部は、前記対象グループに含まれる各対象センサからのセンサデータを用いて、複数種類の解析モデルを学習し、
    学習した前記複数種類の解析モデルの中から前記設備の診断に用いる前記解析モデルの少なくとも１つを選択するモデル選択部を更に備える
    請求項１から６のいずれか一項に記載の診断装置。
  8. 前記学習部は、
    前記複数種類の解析モデルのうちの第１解析モデルを、前記対象グループに含まれる各対象センサからのセンサデータおよび前記設備の診断結果として出力すべき診断結果を用いた教師あり学習により学習し、
    前記複数種類の解析モデルのうちの第２解析モデルを、前記対象グループに含まれる各対象センサからのセンサデータを用いた教師なし学習により学習する
    請求項７に記載の診断装置。
  9. 前記モデル選択部は、学習した前記複数種類の解析モデルの中から、診断精度に基づいて前記設備の診断に用いる前記解析モデルを選択する請求項７または８に記載の診断装置。
  10. 前記学習部は、
    前記複数種類の解析モデルのうちの第３解析モデルを、前記対象グループに含まれる全対象センサからのセンサデータを用いて学習し、
    前記複数種類の解析モデルのうちの第４解析モデルを、前記対象グループに含まれる対象センサの一部を除いた各対象センサからのセンサデータを用いて学習し、
    前記モデル選択部は、前記対象グループに含まれる対象センサの一部からセンサデータを取得できないことに応じて、前記第４解析モデルを選択する
    請求項７から９のいずれか一項に記載の診断装置。
  11. 前記グループ指定取得部は、複数の前記対象グループの指定を取得し、
    前記センサデータ取得部は、前記複数の対象グループの各対象グループに含まれる各対象センサからセンサデータを取得し、
    前記学習部は、前記複数の対象グループのそれぞれに含まれる各対象センサからのセンサデータを用いて、前記複数の対象グループのそれぞれに対応付けられた解析モデルを学習し、
    前記診断部は、学習した複数の前記解析モデルのそれぞれを用いて前記設備を診断する
    請求項１から１０のいずれか一項に記載の診断装置。
  12. 少なくとも１つの設備に設置された複数のセンサのうち、解析対象とする複数の対象センサに含まれる各対象センサからセンサデータを取得するセンサデータ取得部と、
    前記各対象センサからのセンサデータを用いて、解析モデルを学習する学習部と、
    学習した前記解析モデルを用いて前記設備を診断する診断部と、
    前記解析モデルを用いた診断結果に対するフィードバックを入力するユーザインターフェイス部と
    を備え、
    前記学習部は、前記フィードバックを更に用いて前記解析モデルを学習する診断装置。
  13. コンピュータを、
    少なくとも１つの設備に設置された複数のセンサのうち、解析対象とする複数の対象センサを含む対象グループの指定を取得するグループ指定取得部と、
    前記対象グループに含まれる各対象センサからセンサデータを取得するセンサデータ取得部と、
    前記対象グループに含まれる各対象センサからのセンサデータを用いて、解析モデルを学習する学習部と、
    学習した前記解析モデルを用いて前記設備を診断する診断部と
    を備える診断装置として機能させるプログラム。
  14. コンピュータを、
    少なくとも１つの設備に設置された複数のセンサのうち、解析対象とする複数の対象センサを含む対象グループの指定を取得するグループ指定取得部と、
    前記対象グループに含まれる各対象センサからセンサデータを取得するセンサデータ取得部と、
    前記対象グループに含まれる各対象センサからのセンサデータを用いて、解析モデルを学習する学習部と、
    学習した前記解析モデルを用いて前記設備を診断する診断部と
    を備える診断装置として機能させるプログラムを記録した記録媒体。
  15. 少なくとも１つの設備に設置された複数のセンサのうち、解析対象とする複数の対象センサを含む対象グループの指定を取得することと、
    前記対象グループに含まれる各対象センサからセンサデータを取得することと、
    前記対象グループに含まれる各対象センサからのセンサデータを用いて、解析モデルを学習することと、
    学習した前記解析モデルを用いて前記設備を診断することと
    を備える診断方法。
JP2017228244A 2017-11-28 2017-11-28 診断装置、診断方法、プログラム、および記録媒体 Active JP7106847B2 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2017228244A JP7106847B2 (ja) 2017-11-28 2017-11-28 診断装置、診断方法、プログラム、および記録媒体
US16/190,170 US20190163165A1 (en) 2017-11-28 2018-11-14 Examining apparatus, examining method and recording medium
CN201811358989.8A CN109839915A (zh) 2017-11-28 2018-11-15 诊断装置、诊断方法及存储介质
EP18206624.1A EP3489780B1 (en) 2017-11-28 2018-11-16 Examining apparatus, examining method, program and recording medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2017228244A JP7106847B2 (ja) 2017-11-28 2017-11-28 診断装置、診断方法、プログラム、および記録媒体

Publications (2)

Publication Number Publication Date
JP2019101495A true JP2019101495A (ja) 2019-06-24
JP7106847B2 JP7106847B2 (ja) 2022-07-27

Family

ID=64362331

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2017228244A Active JP7106847B2 (ja) 2017-11-28 2017-11-28 診断装置、診断方法、プログラム、および記録媒体

Country Status (4)

Country Link
US (1) US20190163165A1 (ja)
EP (1) EP3489780B1 (ja)
JP (1) JP7106847B2 (ja)
CN (1) CN109839915A (ja)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020190910A (ja) * 2019-05-22 2020-11-26 三菱電機株式会社 プラント監視診断装置およびプラント監視診断方法
JP2021060633A (ja) * 2019-10-02 2021-04-15 ファナック株式会社 診断装置
JP2021086571A (ja) * 2019-11-29 2021-06-03 東京エレクトロン株式会社 異常検知装置、異常検知方法及び異常検知プログラム
EP3832557A2 (en) 2019-12-06 2021-06-09 Yokogawa Electric Corporation Determination apparatus, determination method, determination program, learning apparatus, learning method and learning program
WO2021124861A1 (ja) * 2019-12-19 2021-06-24 日立造船株式会社 情報処理装置、情報処理方法、および情報処理プログラム
JP2021168364A (ja) * 2020-04-13 2021-10-21 キヤノン株式会社 情報処理装置、検出方法、プログラム、基板処理システム、及び物品の製造方法
EP4002025A1 (en) 2020-11-16 2022-05-25 Yokogawa Electric Corporation Interface apparatus, corresponding method and program
WO2023281685A1 (ja) * 2021-07-08 2023-01-12 日本電気株式会社 秘密計算システム、方法、記憶媒体、及び、情報処理システム
JP2023067232A (ja) * 2021-10-29 2023-05-16 株式会社Sumco 監視方法、監視プログラム、監視装置、ウェーハの製造方法、及びウェーハ

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6989444B2 (ja) * 2018-01-18 2022-01-05 株式会社日立製作所 作業端末、漏油検出装置、及び、漏油検出方法
US10863329B2 (en) * 2018-12-19 2020-12-08 Intel Corporation Methods and apparatus for conditional classifier chaining in a constrained machine learning environment
JP7229861B2 (ja) * 2019-06-20 2023-02-28 株式会社日立製作所 故障予兆診断装置およびその方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08202444A (ja) * 1995-01-25 1996-08-09 Hitachi Ltd 機械設備の異常診断方法および装置
JP2000181526A (ja) * 1998-12-16 2000-06-30 Chugoku Electric Power Co Inc:The プラント状態推定・予測装置及び方法
WO2010095314A1 (ja) * 2009-02-17 2010-08-26 株式会社日立製作所 異常検知方法及び異常検知システム
JP2012058890A (ja) * 2010-09-07 2012-03-22 Hitachi Ltd 異常検知方法及びそのシステム
JP2015203936A (ja) * 2014-04-14 2015-11-16 株式会社日立製作所 状態監視装置
WO2017109903A1 (ja) * 2015-12-24 2017-06-29 株式会社 東芝 異常原因推定装置及び異常原因推定方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0307406D0 (en) * 2003-03-31 2003-05-07 British Telecomm Data analysis system and method
JP4133627B2 (ja) * 2003-06-30 2008-08-13 新キャタピラー三菱株式会社 建設機械の状態判定装置及び建設機械の診断装置，並びに建設機械の状態判定方法及び建設機械の診断方法
AU2008284657B2 (en) * 2007-08-09 2011-05-12 Hitachi Construction Machinery Co., Ltd. Operating machine instrument diagnostic apparatus and instrument diagnostic system
JP5290026B2 (ja) * 2009-03-31 2013-09-18 日立建機株式会社 作業機械の学習診断システム、状態診断装置及び状態学習装置
JP2012137934A (ja) * 2010-12-27 2012-07-19 Hitachi Ltd 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム並びに企業資産管理・設備資産管理システム
JP6186203B2 (ja) * 2013-08-09 2017-08-23 株式会社日立製作所 診断システムおよびエレベータ
JP2014056598A (ja) * 2013-11-14 2014-03-27 Hitachi Ltd 異常検知方法及びそのシステム
JP6216242B2 (ja) * 2013-12-13 2017-10-18 株式会社日立ハイテクノロジーズ 異常検知方法およびその装置
JP6572062B2 (ja) * 2015-08-26 2019-09-04 日立建機株式会社 診断装置
KR20170078387A (ko) * 2015-12-29 2017-07-07 삼성전자주식회사 센서 관리 장치 및 방법
US10796242B2 (en) * 2016-08-25 2020-10-06 Oracle International Corporation Robust training technique to facilitate prognostic pattern recognition for enterprise computer systems
WO2018052015A1 (ja) * 2016-09-14 2018-03-22 日本電気株式会社 システムの分析支援装置、システムの分析支援方法及びプログラム

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08202444A (ja) * 1995-01-25 1996-08-09 Hitachi Ltd 機械設備の異常診断方法および装置
JP2000181526A (ja) * 1998-12-16 2000-06-30 Chugoku Electric Power Co Inc:The プラント状態推定・予測装置及び方法
WO2010095314A1 (ja) * 2009-02-17 2010-08-26 株式会社日立製作所 異常検知方法及び異常検知システム
JP2012058890A (ja) * 2010-09-07 2012-03-22 Hitachi Ltd 異常検知方法及びそのシステム
JP2015203936A (ja) * 2014-04-14 2015-11-16 株式会社日立製作所 状態監視装置
WO2017109903A1 (ja) * 2015-12-24 2017-06-29 株式会社 東芝 異常原因推定装置及び異常原因推定方法

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7325219B2 (ja) 2019-05-22 2023-08-14 三菱電機株式会社 プラント監視診断装置およびプラント監視診断方法
JP2020190910A (ja) * 2019-05-22 2020-11-26 三菱電機株式会社 プラント監視診断装置およびプラント監視診断方法
JP2021060633A (ja) * 2019-10-02 2021-04-15 ファナック株式会社 診断装置
JP2021086571A (ja) * 2019-11-29 2021-06-03 東京エレクトロン株式会社 異常検知装置、異常検知方法及び異常検知プログラム
JP7452990B2 (ja) 2019-11-29 2024-03-19 東京エレクトロン株式会社 異常検知装置、異常検知方法及び異常検知プログラム
EP3832557A2 (en) 2019-12-06 2021-06-09 Yokogawa Electric Corporation Determination apparatus, determination method, determination program, learning apparatus, learning method and learning program
WO2021124861A1 (ja) * 2019-12-19 2021-06-24 日立造船株式会社 情報処理装置、情報処理方法、および情報処理プログラム
JP2021096782A (ja) * 2019-12-19 2021-06-24 日立造船株式会社 情報処理装置、情報処理方法、および情報処理プログラム
JP7125383B2 (ja) 2019-12-19 2022-08-24 日立造船株式会社 情報処理装置、情報処理方法、および情報処理プログラム
JP2021168364A (ja) * 2020-04-13 2021-10-21 キヤノン株式会社 情報処理装置、検出方法、プログラム、基板処理システム、及び物品の製造方法
JP7423396B2 (ja) 2020-04-13 2024-01-29 キヤノン株式会社 情報処理装置、検出方法、プログラム、基板処理システム、及び物品の製造方法
EP4002025A1 (en) 2020-11-16 2022-05-25 Yokogawa Electric Corporation Interface apparatus, corresponding method and program
WO2023281685A1 (ja) * 2021-07-08 2023-01-12 日本電気株式会社 秘密計算システム、方法、記憶媒体、及び、情報処理システム
JP2023067232A (ja) * 2021-10-29 2023-05-16 株式会社Sumco 監視方法、監視プログラム、監視装置、ウェーハの製造方法、及びウェーハ

Also Published As

Publication number Publication date
EP3489780A3 (en) 2019-08-21
US20190163165A1 (en) 2019-05-30
CN109839915A (zh) 2019-06-04
EP3489780B1 (en) 2023-12-27
JP7106847B2 (ja) 2022-07-27
EP3489780A2 (en) 2019-05-29

Similar Documents

Publication Publication Date Title
JP7106847B2 (ja) 診断装置、診断方法、プログラム、および記録媒体
US10809153B2 (en) Detecting apparatus, detection method, and program
US8275735B2 (en) Diagnostic system
US11003178B2 (en) Facility diagnosis device, facility diagnosis method, and facility diagnosis program
JP2019185422A (ja) 故障予知方法、故障予知装置および故障予知プログラム
JP6875179B2 (ja) システム分析装置、及びシステム分析方法
JP6847787B2 (ja) 情報処理装置、情報処理方法及びコンピュータプログラム
CN112449696B (zh) 时序数据诊断装置、追加学习方法及程序
JP5480440B1 (ja) 異常予兆診断装置及び異常予兆診断方法
CN109102030B (zh) 控制在线模型更新的方法及装置
US11669771B2 (en) Learning system, analysis system, learning method, and storage medium
US20220019717A1 (en) Model creation device, model creation method, and program
JP2019028834A (ja) 異常値診断装置、異常値診断方法、およびプログラム
US11599696B2 (en) Method and apparatus for automatically generating boiler combustion model
CN111310778A (zh) 检测装置、检测方法以及记录检测程序的记录介质
CN115204246A (zh) 装置、方法以及计算机可读介质
CN111555899B (zh) 告警规则配置方法、设备状态监测方法、装置和存储介质
JP2020177571A (ja) 異常予兆診断装置、異常予兆診断方法及び異常予兆診断プログラム
JP2020042708A (ja) モデル作成装置、モデル作成方法及びプログラム
JP2022134340A (ja) 周辺機器、監視システム、監視方法及びプログラム
CN115803759A (zh) 学习系统、学习方法及程序
Trstenjak et al. A Decision Support System for the Prediction of Wastewater Pumping Station Failures Based on CBR Continuous Learning Model.
JPWO2020194716A1 (ja) 学習装置、学習方法及びプログラム
JP7199609B1 (ja) 異常診断方法、異常診断装置、異常診断プログラム、および、異常診断システム
JP2018005393A (ja) 故障予兆判定方法、故障予兆判定装置および故障予兆判定プログラム

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20201027

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20210630

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210706

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210818

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220104

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220304

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20220614

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220627

R150 Certificate of patent or registration of utility model

Ref document number: 7106847

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150