JP2020012691A - 異常予兆診断システム及び異常予兆診断方法 - Google Patents

Abstract

【課題】正常な状態で得られるセンサデータの変動が大の装置についても、高精度の異常予兆が可能な異常予兆診断システム及び異常予兆診断方法を実現する。【解決手段】医療装置２０のセンサ２１−１〜２１−ｎがある期間に取得したセンサデータをクラスタ化して正常データ群を定めて第１診断モデルを作成する。作成した第１診断モデルの構成要素を換算関数（活性化関数）により換算し、正常データ群を定めて第２診断モデルを作成する。センサ２１−１〜２１−ｎで実測したデータを、第１診断モデルで診断し、正常であれば診断終了、異常であれば、センサデータを換算関数により換算し、換算したデータを第２診断モデルにより正常か異常かを診断する。【選択図】図１

Description

本発明は、機械設備等の異常の予兆を診断する異常予兆診断システム及び異常予兆診断方法に関する。

機械設備の異常予兆の有無を診断する異常予兆診断技術がある。この異常予兆診断技術においては、機械設備が正常に稼働しているときに、機械設備に設置した複数のセンサから取得したセンサデータをクラスタ化して診断モデルを作成する。その後、稼働中の機械設備に設置した上記複数のセンサからのデータを取得し、取得したセンサデータと作成した診断モデルとの乖離度を算出し、算出した乖離度が示す異常度の大きさから、機械設備の異常予兆の有無を診断している。

例えば、診断モデルから所定の範囲の乖離度合いを有するセンサデータを取得した場合は、「正常」と診断し、それを超えるセンサデータに対しては「異常予兆」と診断する。

異常予兆診断技術の一例として、特許文献１に記載された技術が存在する。

特許第４８３２６０９号公報

しかしながら、本願の発明者らは、機械設備の種類によっては、診断モデルから乖離度合いの大きいセンサデータであっても、正常な機械設備から検出されるものがあることがわかった。

例えば、粒子線治療装置（ＰＢＴ装置）等の医療装置においては、正常な稼働データであっても、診断モデルからの乖離度合いが大きくなる場合がある。これは、医療装置においては、様々な検体を対象としており、測定条件が変化しやすく、装置が正常であっても、得られたセンサデータが、それまで収集した正常データの範囲外となる場合があるからである。

従来技術においては、装置が正常であっても、それまで収集した正常データから装置の異常予兆を診断した場合、異常と判断される場合があるとの認識に欠けていた。

本発明の目的は、上記課題を解決するためになされたものであり、正常な状態で得られるセンサデータの変動が大の装置についても、高精度の異常予兆が可能な異常予兆診断システム及び異常予兆診断方法を実現することである。

上記目的を達成するため、本発明は次のように構成される。

機械設備に設置された複数のセンサから取得するセンサデータを用いて、当該機械設備の異常予兆を診断する異常予兆診断システムであって、前記複数のセンサから前記機械設備のセンサデータを取得する入力部と、前記入力部により取得された前記センサデータを記憶する記憶部と、前記機械設備が正常に稼働しているときに取得した前記センサデータをクラスタ化して第１診断モデルを作成し、前記記憶部に記憶させ、前記第１診断モデルの構成要素を所定の換算関数により換算して第２診断モデルを作成し、前記記憶部に記憶させる診断モデル作成部と、前記入力部から取得したセンサデータを、前記第１診断モデルを使用して前記機械設備が正常か異常予兆有かを診断する第１診断モードと、前記第１診断モードを使用して前記機械設備に異常予兆有と診断したときに前記第２診断モデルを使用して前記機械設備が正常か異常予兆有かを診断する第２診断モードとにより前記機械設備の異常予兆を診断する診断部とを備える。

また、機械設備に設置された複数のセンサから取得するセンサデータを用いて、当該機械設備の異常予兆を診断する異常予兆診断方法であって、前記複数のセンサから前記機械設備のセンサデータを取得する第１ステップと、前記取得された前記センサデータを記憶部に記憶する第２ステップと、前記機械設備が正常に稼働しているときに取得した前記センサデータをクラスタ化して第１診断モデルを作成する第３ステップと、前記第１診断モデルの構成要素を所定の換算関数により換算して第２診断モデルを作成する第４ステップと、前記取得したセンサデータを、前記第１診断モデルを使用して前記機械設備が正常か異常予兆有かを診断し、前記機械設備に異常予兆有と診断したときに前記第２診断モデルを使用して前記機械設備が正常か異常予兆有かを診断する第５ステップとを備える。

本発明によれば、正常な状態で得られるセンサデータの変動が大の装置についても、高精度の異常予兆が可能な異常予兆診断システム及び異常予兆診断方法を実現することができる。

本発明の実施例１による異常予兆診断システムの全体構成図である。 実施例１における異常予兆診断の動作フローチャートである。 異常予兆診断に用いられる第１診断モデルの例を示す図である。 異常予兆診断に用いられる第２診断モデルの例を示す図である。 本発明の実施例２が適用される粒子線治療装置の概略構成図である。

本発明は、機械設備等のセンサデータに対して、正常稼働情報を用いて作成した事例モデル（第１診断モデル）との乖離度合いに応じて、「正常」または「異常予兆有」を診断する。

事例モデルとの乖離度合いが所定の範囲を超えた場合であっても正常な稼働状態である場合を有する機械設備では正確な診断ができない。

このため、次に示す方法に基づいて診断を行う。

（１）機械設備が稼働している所定の期間に取得したセンサデータをクラスタ化して正常データ群を定めて第１診断モデルを作成する。

（２）さらに所定の換算関数（活性化関数（多数のデータの分布をより明確化するための関数））を用いて、第１診断モデルの構成要素を換算し、正常データ群を定めて第２診断モデルを作成する。

（３）取得したセンサデータを、第１診断モデルで診断し、正常であれば診断終了となり、異常であれば、センサデータを換算関数により換算し、換算したデータを第２診断モデルにより正常か異常かを診断する。

以下、本発明を医療装置に適用した場合の実施例について説明する。

（実施例１）
図１は、本発明の実施例１による異常予兆診断システムの全体構成図であり、図２は、実施例１における異常予兆診断の動作フローチャートである。

また、図３は、異常予兆診断に用いられる第１診断モデルの例を示す図であり、図４は、異常予兆診断に用いられる第２診断モデルの例を示す図である。

まず、図３及び図４を参照して、第１診断モデル及び第２診断モデルについて説明する。

図３に示すグラフにおいて、横軸はパラメータα、縦軸はパラメータβを示している。パラメータα及びパラメータβは、医療装置に設置された複数のセンサからのセンサデータの値を示し、例えば、パラメータαは電圧センサが検出した電圧値であり、パラメータβは、電流センサが検出した電流値である。

また、図３において、ａ、ｂ、ｃ及びｄは、複数の構成部分、例えば、電源部ａ、ｂ、ｃ及びｄを示し、各電源部の電圧センサ及び電流センサが検出したデータについてプロットしている。

そして、医療装置が正常に稼働（動作）したと判断可能な複数のデータをクラスタ化して正常データ群が定められ、医療装置が異常動作したと判断可能なデータをクラスタ化して異常データ群が定められている。

図４は、図３に示したパラメータα及びパラメータβのデータを所定の換算関数（例えば、シグモイド関数等の活性化関数）を用いて換算してパラメータα’及びパラメータβ’を算出した結果を示すグラフである。そして、医療装置が正常に動作したと判断可能な複数のデータをクラスタ化して正常データ群とし、医療装置が異常動作したと判断可能な複数のデータをクラスタ化して異常データ群としている。

図３と図４とを比較すると、第２診断モデルの正常データ群の集中度は、第１診断モデルの正常データ群の集中度より高くなっていることが理解できる。つまり、第１診断モデルに比較して、第２診断モデルは、正常データ群の範囲をより明確に行うことができ、第１診断モデルの正常データ群の範囲外となったデータであっても、正常データの範囲内となる可能性が高くなり、異常予兆診断の精度を向上することができる。

第２診断モデルのみ用いて、異常予兆診断を実行することも考えられるが、実測したデータを活性化関数により換算する必要があるため、異常予兆診断に必要な時間が長くなる。

このため、本発明においては、まず、第１診断モデルで診断し、異常と判断された場合に、センサデータを換算関数により換算し、換算したデータを第２診断モデルにより正常か異常かを診断する。これにより、第１診断モデルで診断した結果、異常と判断した場合のみ、実測データを換算関数により換算すればよいので、異常予兆診断に必要な時間を短縮することができる。

次に、図１及び図２を参照して、実施例１の構成及び動作を説明する。

図１において、異常予兆診断システム１は、入力部２と、メモリ（記憶部）３と、データクラスタ化部４と、第１診断モデル作成部５と、換算部６と、第２診断モデル作成部７と、診断部８とを備えている。

図２のステップＳ１において、医療装置２０に設置された複数のセンサ２１−１〜２１−ｎが検出した医療装置２０の正常時におけるセンサデータが入力部２に入力されて収集され、メモリ３に格納される。ここで、センサ２１−１〜２１−ｎは、電圧センサ、電流センサ、真空センサ等のセンサであり、ｎは２以上の整数とする。

次に、ステップＳ２及びＳ３において、データクラスタ化部４は、メモリ３に格納されたデータをクラスタ化して、正常データ群を作成し、第１診断モデル作成部５が第１診断モデルを作成して、メモリ３に格納（記憶）する。

そして、ステップＳ４において、メモリ３に格納された第１診断モデルの構成要素を換算部６が活性化関数により換算し、メモリ３に格納する。
続いて、ステップＳ５において、第２診断モデル作成部７は、換算部６により換算されたデータに基づき、第２診断モデルを作成し、作成した第２診断モデルをメモリ３に格納する。

ステップＳ６以降は、医療装置２０のセンサ２１−１〜２１−ｎからの実測データの診断ステップである。

ステップＳ６において、センサ２１−１〜２１−ｎからの実測したセンサデータが入力部２を介してメモリ３に格納され、この格納されたセンサデータについて、診断部８は、メモリ３に格納された第１診断モデルを用いて、医療装置２０が正常か否かを診断する。つまり、センサデータが、第１診断モデルに設定された正常データ範囲（第１正常データ範囲）内か否かを判断する（第１診断モードで判断（診断）する）。

ステップＳ７において、センサデータが正常データ範囲内（正常データ範囲の中心との乖離度が所定の大きさ以内のとき）であれば、「異常予兆無し」と判断でき、ステップＳ８に進み、医療装置２０は正常（異常予兆無し）であると診断する。

ステップＳ７において、センサデータが正常データ範囲に入っていなければ（第１正常データ範囲の中心との乖離度が所定の大きさを越えたとき）、ステップＳ９に進み、診断部８は実測したセンサデータを換算部６により換算させ、換算したデータを、第２診断モデルを用いて判断する（第２診断モードで判断（診断）する）。

そして、ステップＳ１０に進み、診断部８は、換算したデータが第２診断モデルにおける正常データ範囲（第２正常データ範囲）内であるか否かを判断する。換算したデータが第２診断モデルにおける正常データ範囲内（第２正常データ範囲の中心との乖離度が所定の大きさ以内のとき）であれば（Ｓ１０：Ｙｅｓ）、ステップＳ８にて正常であると診断する。また、ステップＳ１０において、換算したデータが第２診断モデルにおける正常データ範囲（第２正常データ範囲）に入っていなければ（Ｓ１０：Ｎｏ）、ステップＳ１１にて医療装置２０は異常であると診断する（異常予兆有と診断）。

ステップＳ８及びステップＳ１１における診断結果は、表示部９に表示される。

ここで、ステップＳ７において、センサ２１−１〜２１−ｎからの実測したセンサデータが正常と診断された場合は、これら正常と診断されたデータは、診断部８の指令に基づいて、第１診断モデルの構成要素に加えられ、メモリ３に記憶される。さらに、これら正常と診断されたデータは、診断部８の指令に基づいて、換算部６により換算関数を用いて換算され、第２診断モデルの構成要素に加えられ、メモリ３に記憶される。

以上のように、本発明の実施例１によれば、医療装置２０のセンサ２１−１〜２１−ｎがある期間に取得したセンサデータをクラスタ化して正常データ群を定めて第１診断モデルを作成し、作成した第１診断モデルの構成要素を換算関数（活性化関数）により換算し、正常データ群を定めて第２診断モデルを作成する。そして、センサ２１−１〜２１−ｎで実測したデータを、第１診断モデルで診断し、正常であれば診断終了、異常であれば、センサデータを換算関数により換算し、換算したデータを第２診断モデルにより正常か異常かを診断する。

したがって、正常な状態で得られるセンサデータの変動が大の医療診断装置についても、高精度の異常予兆が可能な異常予兆診断システム及び異常予兆診断方法を実現することができる。

（実施例２）
次に、本発明の実施例２について説明する。

本発明の実施例２は、本発明を粒子線治療装置に適用した場合の例である。

図５は、実施例２が適用される粒子線治療装置１００の概略構成図である。

図５において、粒子線治療装置１００は、シンクロトロン型加速器５０、ライナック５８、イオン源５９、ビーム輸送系５２、照射装置５４、治療台４０、異常予兆診断システム（制御装置）５６、および高周波電源装置５７Ａ、５７Ｂを備える。

イオン源５９は、治療に用いられるイオンを発生させる機器である。ライナック５８は、イオン源５９で発生させたイオンをシンクロトロン型加速器５０に入射するのに適した速度まで加速する機器である。

シンクロトロン型加速器５０は、ライナック５８で所定の速度まで加速されたイオンをさらに加速し、イオンビームとする加速器である。シンクロトロン型加速器５０は、偏向電磁石や、高周波加速空胴、出射装置５０ａなどから構成される。なお、シンクロトロン型加速器５０を用いる場合について説明したが、加速器は高周波電源装置を備えていればよく、例えばサイクロトロン型加速器等とすることができる。

ビーム輸送系５２はシンクロトロン型加速器５０に接続されており、シンクロトロン型加速器５０から出射されたイオンビームを照射装置５４に導く。

照射装置５４は治療室に設けられており、イオンビームを照射するための機器であり、ビームの軌道に対して垂直な平面内の直交する二方向に独立にビームが走査させる二台の走査電磁石、ビームモニタ等を備えている。

治療台４０は、患者４５をのせるベッドである。

異常予兆診断システム５６は制御装置も兼ねており、粒子線治療装置を構成する各部の異常を予兆し、診断するのみならず、シンクロトロン型加速器５０をはじめとした粒子線治療装置１００内の各装置、機器の動作、警報を制御する。

高周波電源装置５７Ａは、ライナック５８に供給する高周波を生成する装置であり、高周波電源装置５７Ｂは、シンクロトロン型加速器５０中の出射装置５０ａに供給する高周波を生成する装置である。

粒子線治療装置１００では、イオン源５９で発生させたイオンをライナック５８、およびシンクロトロン型加速器５０で加速してイオンビームとする。加速されたイオンビームはシンクロトロン型加速器５０から出射され、ビーム輸送系５２により照射装置５４まで輸送される。輸送されたイオンビームは照射装置５４で患部形状に合致するように整形され、治療台４０に横になった患者４５の標的に対して所定量照射される。

イオン源５９には、このイオン源５９内の真空度を計測する真空センサ６０が設置されている。また、ライナック５８にも、真空センサ６１及び６２が設置されている。そして、これら真空センサ６０、６１、６２が検出した真空度は、センサデータとして異常予兆診断システム５６に入力される。

また、図示していないが、高周波電源装置５７Ａ及び５７Ｂには、それぞれ、電圧センサと電流センサが設置されており、これら電圧センサが検出した電圧値、電流センサが検出した電流値も、センサデータとして異常予兆診断システム５６に入力することが可能である。

異常予兆診断システム５６の内部機能ブロックは、制御機能を除いて、図１に示した構成と同様となっている。

また、異常予兆診断システム５６の異常予兆診断の動作については、図２に示したフローチャートと同様な動作となっている。

つまり、真空センサ６０〜６２が検出したライナック５８及びイオン源５９の正常時におけるセンサデータが入力部２に入力されて収集され、メモリ３に格納される。

そして、実施例１と同様にして、第１診断モデル及び第２診断モデルを作成して、メモリ３に格納する。

真空センサ６０〜６２からの実測したセンサデータが入力部２を介してメモリ３に格納され、この格納されたセンサデータについて、診断部８は、第１診断モデルを用いて、粒子線治療装置１００が正常か否かを診断する。第１診断モデルを用いた診断により、センサデータが正常データ範囲（第１正常データ範囲）に入っていなければ、実測したセンサデータを換算部６により換算し、換算したデータを、第２診断モデルを用いて診断する。

そして、換算したデータが第２診断モデルにおける正常データ範囲（第２正常データ範囲）内であれば、正常であると診断し、正常データ範囲に入っていなければ、異常であると診断する（異常予兆有と診断）。

診断結果は、表示部９に表示することができる。

以上のように、本発明の実施例２によれば、正常な状態で得られるセンサデータの変動が大の粒子線治療断装置において、高精度の異常予兆が可能な異常予兆診断システム及び異常予兆診断方法を実現することができる。

なお、図３及び図４に示した第１診断モデル及び第２診断モデルのデータ例は、パラメータをαとβとの２つとしたが、パラメータを３つ以上の多次元の診断モデルとすることも可能である。

また、本発明の実施例において、換算関数の一例としてシグモイド関数を挙げたが、その他に、ステップ関数、ソフトマックス、恒等関数等を使用することが可能である。

また、本発明を適用可能な医療装置は、上述した粒子線治療装置の他に、ＭＲＩ装置、Ｘ線装置等にも適用可能である。

さらに、本発明は、医療装置以外の装置であっても、正常な状態で得られるセンサデータの変動が大の機械設備にも適用可能である。

また、上述した実施例においては、データクラスタ化部４と第１診断モデル作成部５とを別個の部として構成したが、データクラスタ化部４と第１診断モデル作成部５とを一つに纏めて第１診断モデル作成部とすることもできる。また、換算部６と第２診断モデル作成部７とを一つに纏めて第２診断モデル作成部とすることもできる。さらに、データクラスタ化部４と、第１診断モデル作成部５と、換算部６と、第２診断モデル作成部７とを一つに纏めて診断モデル作成部とすることもできる。

１・・・異常予兆診断システム、 ２・・・入力部、 ３・・・メモリ（記憶部）、 ４・・・データクラスタ化部、 ５・・・第１診断モデル作成部、 ６・・・換算部、 ７・・・第２診断モデル作成部、 ８・・・診断部、 ９・・・表示部、 ２０・・・医療装置、 ２１−１〜２１−ｎ・・・センサ、 ４０・・・治療台、 ４５・・・患者、 ５０・・・シンクロトロン型加速器、 ５０ａ・・・出射装置、 ５２・・・ビーム輸送系、 ５４・・・照射装置、 ５６・・・異常予兆診断システム（制御装置）、 ５７Ａ、５７Ｂ・・・高周波電源装置、 ５８・・・ライナック、 ５９・・・イオン源、 ６０〜６２・・・真空センサ、 １００・・・粒子線治療装置

機械設備に設置された複数のセンサから取得するセンサデータを用いて、当該機械設備の異常予兆を診断する異常予兆診断システムであって、前記複数のセンサから前記機械設備のセンサデータを取得する入力部と、前記入力部により取得された前記センサデータを記憶する記憶部と、前記機械設備が正常に稼働しているときに取得した前記センサデータをクラスタ化して第１診断モデルを作成し、前記記憶部に記憶させ、前記第１診断モデルの構成要素を所定の換算関数により換算して第２診断モデルを作成し、前記記憶部に記憶させる診断モデル作成部と、
前記入力部から取得したセンサデータを、前記第１診断モデルを使用して前記機械設備が正常か異常予兆有かを診断する第１診断モードと、前記第１診断モードを使用して前記機械設備に異常予兆有と診断したときに前記第２診断モデルを使用して前記機械設備が正常か異常予兆有かを診断する第２診断モードとにより前記機械設備の異常予兆を診断する診断部とを備え、前記診断部は、前記第１診断モードにて、前記第１診断モデルの所定の位置と、前記入力部から取得したセンサデータとの乖離度が所定の大きさを超えたときに異常予兆有と診断し、前記第２診断モードにて、前記第２診断モデルの所定の位置と、前記入力部から取得したセンサデータを前記換算関数により換算した換算データとの乖離度が所定の大きさを超えたときに異常予兆有と診断する。

また、機械設備に設置された複数のセンサから取得するセンサデータを用いて、当該機械設備の異常予兆を診断する異常予兆診断方法であって、前記複数のセンサから前記機械設備のセンサデータを取得する第１ステップと、前記取得された前記センサデータを記憶部に記憶する第２ステップと、前記機械設備が正常に稼働しているときに取得した前記センサデータをクラスタ化して第１診断モデルを作成する第３ステップと、前記第１診断モデルの構成要素を所定の換算関数により換算して第２診断モデルを作成する第４ステップと、前記取得したセンサデータを、前記第１診断モデルを使用して前記機械設備が正常か異常予兆有かを診断し、前記機械設備に異常予兆有と診断したときに前記第２診断モデルを使用して前記機械設備が正常か異常予兆有かを診断する第５ステップとを備え、前記第５ステップは、前記第１診断モデルの所定の位置と、前記センサデータとの乖離度が所定の大きさを超えたときに異常予兆有と診断し、前記第２診断モデルの所定の位置と、前記センサデータを前記換算関数により換算した換算データとの乖離度が所定の大きさを超えたときに異常予兆有と診断する。

Claims (11)

1. 機械設備に設置された複数のセンサから取得するセンサデータを用いて、当該機械設備の異常予兆を診断する異常予兆診断システムであって、
   前記複数のセンサから前記機械設備のセンサデータを取得する入力部と、
   前記入力部により取得された前記センサデータを記憶する記憶部と、
   前記機械設備が正常に稼働しているときに取得した前記センサデータをクラスタ化して第１診断モデルを作成し、前記記憶部に記憶させ、前記第１診断モデルの構成要素を所定の換算関数により換算して第２診断モデルを作成し、前記記憶部に記憶させる診断モデル作成部と、
   前記入力部から取得したセンサデータを、前記第１診断モデルを使用して前記機械設備が正常か異常予兆有かを診断する第１診断モードと、前記第１診断モードを使用して前記機械設備に異常予兆有と診断したときに前記第２診断モデルを使用して前記機械設備が正常か異常予兆有かを診断する第２診断モードとにより前記機械設備の異常予兆を診断する診断部と、
   を備えることを特徴とする異常予兆診断システム。
2. 請求項１に記載の異常予兆診断システムにおいて、
   前記診断部は、
   前記第１診断モードにて、前記第１診断モデルの所定の位置と、前記入力部から取得したセンサデータとの乖離度が所定の大きさを超えたときに異常予兆有と診断し、
   前記第２診断モードにて、前記第２診断モデルの所定の位置と、前記入力部から取得したセンサデータを前記換算関数により換算した換算データとの乖離度が所定の大きさを超えたときに異常予兆有と診断することを特徴とする異常予兆診断システム。
3. 請求項１または２に記載の異常予兆診断システムにおいて、
   前記診断部は、
   前記第１診断モードにて、前記入力部から取得したセンサデータを正常と診断したときに、該センサデータを前記第１診断モデルの構成要素に加え、
   前記センサデータを前記換算関数により換算した換算データを前記第２診断モデルの構成要素に加えることを特徴とする異常予兆診断システム。
4. 請求項１、２、３のうちのいずれか一項に記載の異常予兆診断システムにおいて、
   上記機械設備は、医療装置であることを特徴とする異常予兆診断システム。
5. 請求項１、２、３のうちのいずれか一項に記載の異常予兆診断システムにおいて、
   上記所定の換算関数は、活性化関数であることを特徴とする異常予兆診断システム。
6. 請求項２に記載の異常予兆診断システムにおいて、
   前記第１診断モデルの所定の位置は、前記第１診断モデルの正常データ範囲の中心であり、前記第２診断モデルの所定の位置は、前記第２診断モデルの正常データ範囲の中心であることを特徴とする異常予兆診断システム。
7. 機械設備に設置された複数のセンサから取得するセンサデータを用いて、当該機械設備の異常予兆を診断する異常予兆診断方法であって、
   前記複数のセンサから前記機械設備のセンサデータを取得する第１ステップと、
   前記取得された前記センサデータを記憶部に記憶する第２ステップと、
   前記機械設備が正常に稼働しているときに取得した前記センサデータをクラスタ化して第１診断モデルを作成する第３ステップと、
   前記第１診断モデルの構成要素を所定の換算関数により換算して第２診断モデルを作成する第４ステップと、
   前記取得したセンサデータを、前記第１診断モデルを使用して前記機械設備が正常か異常予兆有かを診断し、前記機械設備に異常予兆有と診断したときに前記第２診断モデルを使用して前記機械設備が正常か異常予兆有かを診断する第５ステップと、
   を備えることを特徴とする異常予兆診断方法。
8. 請求項７に記載の異常予兆診断方法において、
   前記第５ステップは、
   前記第１診断モデルの所定の位置と、前記センサデータとの乖離度が所定の大きさを超えたときに異常予兆有と診断し、
   前記第２診断モデルの所定の位置と、前記センサデータを前記換算関数により換算した換算データとの乖離度が所定の大きさを超えたときに異常予兆有と診断することを特徴とする異常予兆診断方法。
9. 請求項７または８に記載の異常予兆診断方法において、
   上記機械設備は、医療装置であることを特徴とする異常予兆診断方法。
10. 請求項７または８に記載の異常予兆診断方法において、
    上記所定の換算関数は、活性化関数であることを特徴とする異常予兆診断方法。
11. 請求項８に記載の異常予兆診断方法において、
    前記第１診断モデルの所定の位置は、前記第１診断モデルの正常データ範囲の中心であり、前記第２診断モデルの所定の位置は、前記第２診断モデルの正常データ範囲の中心であることを特徴とする異常予兆診断方法。

Images