JP2020091561A - 異常診断装置及び異常診断方法 - Google Patents

Abstract

【課題】機器の異常診断における精度の向上を課題とする。【解決手段】機器から取得された運転データ１０１が、機器そのものの性能に由来する情報である性能と、機器の運転に関する情報である運転条件のどちらかであるのかを判定するためのデータ種別情報を格納しているデータ種別記憶部１２４と、運転データ１０１を予め学習した結果であり、運転データ１０１が異常であるか、正常であるかを判定するための学習データを格納している学習データ記憶部１１８と、新たに取得された運転データ１０１である新規の運転データ１０１を、機器から取得し、学習データを基に、異常か、正常かを判定する異常判定部１１６と、異常と判定された新規の運転データ１０１が運転条件に関する情報であれば、新規の運転データ１０１に基づく学習データを追加する学習データ追加部１２６と、を有することを特徴とする。【選択図】図２

Description

本発明は、機器の異常を診断する異常診断装置及び異常診断方法の技術に関する。

空気調和機等のように定常的に稼働することが想定される装置を対象として、その運転データから異常診断を行うシステムが提供されている。このような異常診断は、機器の状態が正常動作状態であるか、異常状態であるかを判定（診断）し、その結果として異常状態であると判定された場合には異常を報知するものである。ここで異常状態とは、機器に何らかの故障または劣化が生じている状態を示す。このような異常診断により、劣化や故障の早期検出による、機器のダウンタイムの低減が期待されている。

これらの異常診断は、空気調和装置の状態をセンサ等により検出し、センサの検出値に基づいた所定の診断手法を用いて行われる。診断対象となる各種機器の中には、設置される環境、機器の機種または使用される状態等によって運転条件が多岐にわたるものがある。その場合、特定のセンサ項目における計測値の変化が、機器そのものの異常によるものなのか、それとも運転条件の変化によるものかを判別することが非常に困難となる場合がある。つまり、機器そのものには異常がないのに、運転条件の変化が原因で「異常」と診断されてしまう場合がある。

このような課題に対し、例えば、特許文献１が開示されている。特許文献１には、「異常診断システムは、空気調和装置の異常診断を行う異常診断システムであって、第１導出部と、第２導出部と、異常診断部とを備える。第１導出部は、診断時における空気調和装置の状態に関する状態値に基づき導出値を導出する。第２導出部は、空気調和装置の正常動作時における状態値に基づき正常値を導出する。異常診断部は、導出値および正常値に対して統計処理による検定を行い、導出値と正常値とに有意差ありとみなされる場合に空気調和装置が異常状態にあると診断する」異常診断システムが開示されている。

特開２００９‐００２６５０号公報

しかしながら、特許文献１に記載の技術では、運転状態の分類を初期に作成する。そして、特許文献１に記載の技術では、この分類に適合した運転状態のデータのみを診断対象としている。このため、センサデータによっては、分類に適合していないために診断対象とすることができない可能性がある。また、特許文献１に記載の技術では、安定状態抽出部により状態が安定しているデータを抽出する。そのため、機器が故障し、安定状態となっていない場合、データの抽出さえ実行できない可能性がある。

このような背景に鑑みて本発明がなされたのであり、本発明は、機器の異常診断における精度の向上を課題とする。

前記した課題を解決するため、本発明は、機器から取得された運転データが、前記機器そのものの性能に由来する情報である性能情報と、前記機器の運転に関する情報である運転条件情報のどちらかであるのかを判定するためのデータ種別情報を格納しているデータ種別記憶部と、前記運転データを予め学習した結果であり、前記運転データが異常であるか、正常であるかを判定するための学習データを格納している学習データ記憶部と、新たに取得された前記運転データである新規運転データを、前記機器から取得し、前記学習データを基に、異常と判定された前記新規運転データが前記運転条件情報であれば、前記新規運転データに基づく前記学習データの追加に関する処理を行う学習データ追加処理部と、を有することを特徴とする。
その他の解決手段は実施形態中に記載する。

本発明によれば、機器の異常診断における精度を向上させることができる。

本実施形態における管理システムの構成例を示す図である。 本実施形態に係る異常診断装置の構成例を示す機能ブロック図である。 データ種別記憶部に格納されている種別データの例を示す図である。 本実施形態で行われる異常診断方法の処理手順を示すフローチャートである。

次に、本発明を実施するための形態（「実施形態」という）について、適宜図面を参照しながら詳細に説明する。

［異常診断装置１］
図１は、本実施形態における管理システムＺの構成例を示す図である。
管理システムＺは、少なくとも１つの診断対象システムＤ、サービスセンタＣ２に設置されているデータ端末５と、遠隔監視センタＣ１に設置されている異常診断装置１とを有する。
診断対象システムＤのうち、診断対象システムＤａには２台の空気調和機２と、これらの空気調和機２に接続されている制御装置３が備えられている。
空気調和機２は、異常診断装置１が行う診断の対象であり、室内の空気を任意の状態へ制御する。空気調和機２は、マルチエアコンや、電算機を収納している室内を冷却するための産業用エアコン等である。
空気調和機２には、作動状態や環境状態を検知するセンサ２０１が複数設けられている。これらのセンサ２０１は、例えば外気温度、室内温度、空気調和機２の圧縮機の周波数、内部を循環する冷媒の温度や圧力、冷媒の吸入管温度等といった状態検出値を検出する。

診断対象システムＤａにおいて、制御装置３は、診断対象システムＤａに備えられている複数（図１の例では２台）の空気調和機２と通信線により接続されている。そして、制御装置３は、それぞれの空気調和機２に対して、制御のための設定値を設定することによって、複数の空気調和機２を制御する。また、制御装置３は、通信網Ｎを介して異常診断装置１に接続されている。そして、制御装置３は、空気調和機２の運転データ１０１（図２参照）を、遠隔監視センタＣ１に設置されている異常診断装置１へと送信する。この運転データ１０１には、それぞれの空気調和機２が有するセンサ２０１で検出された状態検出値や、空気調和機２に対する制御の設定値、空気調和機２で実行された制御内容、空気調和機２の消費電力等が含まれる。これらの運転データ１０１は、所定時間毎、例えば１分毎に検出される。そして、運転データ１０１は制御装置３により継続的、あるいは、断続的に収集され、蓄積される。そして、前記したように、制御装置３は、蓄積された運転データ１０１を、異常診断装置１へと送信する。なお、診断対象システムＤａの例では２台の空気調和機２の運転データ１０１が区別されて異常診断装置１へ送信される。

なお、診断対象システムＤａには、２台の空気調和機２が備えられているが、１台でもよいし、３台以上でもよい。また、診断対象システムＤａでは、１台の制御装置３に２台の空気調和機２が接続されているが、これに限らない。例えば、それぞれの空気調和機２に、制御装置３が接続されていてもよい。

診断対象システムＤｂ，Ｄｃのそれぞれには、機器４と、制御装置３とが備えられている。機器４は、空気調和機２でもよいし、その他の機器４でもよい。その他の機器４とは、冷凍機や昇降機、プラント装置等、定常的に稼働することが想定される装置である。あるいは、機器４として、ビル内の全空調ユニット等、一つ以上の機器４が連結されることで構成されているものでもよい。さらに、機器４として、給湯装置や照明等他の設備機器が含まれてもよい。
また、診断対象システムＤａの空気調和機２が、機器４で置き換えられてもよい。
診断対象システムＤｂ，Ｄｃにおいて、制御装置３には機器４が接続され、診断対象システムＤａと同様に、制御装置３は機器４の運転データ１０１を異常診断装置１へ送信する。

異常診断装置１は、複数の診断対象システムＤのそれぞれに設置されている空気調和機２や、機器４の異常診断を行う装置である。また、異常診断装置１は、空気調和機２や、機器４が配置された診断対象システムＤから離れた遠隔監視センタＣ１内に配置される。ただし、いずれかの診断対象システムＤに異常診断装置１が配置されてもよい。これにより、異常診断装置１は診断対象システムＤを遠隔監視する。
異常診断装置１は、制御装置３により送られる空気調和機２や、機器４の運転データ１０１から、空気調和機２が正常動作状態か異常状態かを判断する。また、異常状態であると判断された場合、異常診断装置１は、診断対象システムＤの管理者等に異常の通知を行うと共にサービスセンタＣ２のデータ端末５に異常の通知を行う。

異常の通知を受信したデータ端末５は、サービスセンタＣ２に所属するサービスマンＰに空気調和機２の保守作業の指示を通知する。通知を受けたサービスマンＰは異常が検知された診断対象システムＤへの保守作業に出動する。
なお、ここでの異常状態とは、空気調和機２や、機器４に何らかの故障または劣化が生じている状態を示す。

また、ここでは、空気調和機２の運転データ１０１は、通信網Ｎを介して異常診断装置１へ送信されるとしている。つまり、図１の例では、制御装置３は、通信網Ｎを介して異常診断装置１に接続している。しかし、制御装置３が、通信網Ｎを介さずに、つまり、ピアツーピア（Peer to Peer）や、ＶＰＮ（Vertual Private Network）の形式で、異常診断装置１に直接接続されてもよい。

［異常診断装置１］
図２は、本実施形態に係る異常診断装置１の構成例を示す機能ブロック図である。
以下では、診断対象となる機器４は、空気調和機２であるものとする。
異常診断装置１は、入力・出力ベクトル抽出部１１１、学習データ選択部１１２、回帰モデル作成部１１３、異常度算出部１１４、閾値算出部１１５、異常判定部１１６を有する。さらに異常診断装置１は、データ種別特定部（学習データ追加処理部）１２１、有効／無効判定部（学習データ追加処理部）１２２、報知部１２３、学習データ追加部（学習データ追加処理部）１２６を有する。さらに、異常診断装置１は、評価データ記憶部１０２、学習データ記憶部１１８、データ種別記憶部１２４、無効データ記憶部（データ記憶部）１２５を有する。

なお、入力・出力ベクトル抽出部１１１、学習データ選択部１１２、回帰モデル作成部１１３、異常度算出部１１４、閾値算出部１１５、異常判定部１１６、学習データ記憶部１１８は、特開２０１３−２５３６７号公報に記載の技術であるので、ここでの説明は簡単なものとする。なお、以降では入力・出力ベクトル抽出部１１１、学習データ選択部１１２、回帰モデル作成部１１３、異常度算出部１１４、閾値算出部１１５、異常判定部１１６、学習データ記憶部１１８を学習・異常判定部１１０と称する場合がある。

そして、データ種別特定部１２１、有効／無効判定部１２２、報知部１２３、学習データ追加部１２６及びデータ種別記憶部１２４が、本実施形態の特徴部分である。データ種別特定部１２１、有効／無効判定部１２２、報知部１２３、学習データ追加部１２６及びデータ種別記憶部１２４、無効データ記憶部１２５を追加学習部１２０と称する場合がある。

入力・出力ベクトル抽出部１１１は、空気調和機２から出力される運転データ１０１から回帰モデルに使用する入力ベクトル及び出力ベクトルを抽出する。入力ベクトル及び出力ベクトルは、特開２０１３−２５３６７号公報に記載のものであるが、入力ベクトルは予測の基となる実際の運転データ１０１であり、出力ベクトルは予測される運転データ１０１である。なお、特開２０１３−２５３６７号公報に記載されているように出力ベクトルも実際の運転データ１０１であってもよい。
学習データ記憶部１１８には、抽出された入力ベクトルと出力ベクトルとが学習データとして蓄積される。

学習データ選択部１１２は、学習データ記憶部１１８に蓄積された学習データから、新たに抽出された入力ベクトルとの類似度に基づいて、学習データ（ここでは入力ベクトル）を選択する。なお、後記するように新たに抽出された入力ベクトルは評価データ記憶部１０２に蓄積される。
回帰モデル作成部１１３は、選択された学習データを用いて回帰モデルを作成する。ここでの回帰モデルは、特開２０１３−２５３６７号公報に記載されているようにガウシアンプロセス等が用いられる。

異常度算出部１１４は、特開２０１３−２５３６７号公報に記載されている手法によって異常度を算出する。
閾値算出部１１５は、特開２０１３−２５３６７号公報に記載されている閾値を算出する。
異常判定部１１６は、異常度算出部１１４で算出された異常度と、閾値算出部１１５で算出された閾値とを基に特開２０１３−２５３６７号公報に記載されている手法によって運転データ１０１の異常判定を行う。

評価データ記憶部１０２に格納される評価データについては後記する。

このように本実施形態における学習・異常判定部１１０は、特開２０１３−２５３６７号公報に記載の手法を用いることで、運転データ１０１の異常を判定している。しかし、この手法は、空気調和機２等のように運転データ１０１の変更が、しばしば行われる機器４に対応していない。すなわち、特開２０１３−２５３６７号公報に記載の手法では、空気調和機２そのものの異常はないのに、単に運転データ１０１が変更されたことが原因で異常と判定されるおそれがある。そのため、さらなる改良が必要である。このような改良のため、本実施形態では追加学習部１２０を備えている。

データ種別記憶部１２４には、種別データが格納されている。
図３は、データ種別記憶部１２４に格納されている種別データの例を示す図である。
図３に示すように、種別データは、「Ｎｏ」、「データ名称」、「データ収集方式」「種別」の各フィールドを有している。
「Ｎｏ」は、各データの種別に関する通し番号である。
「データ名称」は、「外気温度」や、「吸い込み空気温度」等といったデータの名称である。
「データ収集方式」は、データがどのように取得されたかを示すものである。図３の例では、「データ収集方式」として「センサデータ」及び「物理量」とがある。「センサデータ」は、センサ２０１から取得される生データである。「物理量」は、「センサデータ」を基に、所定の数式や、マップ等によって算出されるものである。

「種別」は、データが「運転条件」に関するデータか、「性能」に関するデータか、に関する情報が格納されている。「運転条件」は空気調和機２の運転状態や、環境にともなって変化するデータである。「性能」は、空気調和機２そのものに由来するデータである。
なお、運転データ１０１の種別に関する情報は、予め管理者等によって作成され、データ種別記憶部１２４に格納される。

このように、本実施形態では、運転データ１０１に対して、予め「運転条件」を示すデータか、「性能」を示すデータかを分類した種別データが備えられている。図３に示すような分類は診断対象となる機器４（ここでは空気調和機２）によりほぼ一意的に決定される値である。従って、一般的な機器４の知識さえあれば設定することに困難はない。

図２の説明に戻る。
データ種別特定部１２１は、異常判定部１１６によって異常判定された運転データ１０１の種別を特定する。
有効／無効判定部１２２は、データ種別特定部１２１で特定された種別を基に、異常判定部１１６で判定された異常が有効であるか、無効であるかを判定する。異常が有効である、無効であることについては後記する。
報知部１２３は、有効／無効判定部１２２によって異常が有効であると判定された場合においてユーザに異常が発生した旨を報知する。
無効データ記憶部１２５は、有効／無効判定部１２２によって、異常が「無効」と判定された運転データ１０１を格納する。
学習データ追加部１２６は、無効データ記憶部１２５に格納されている運転データ１０１を用いて学習データの追加を行う。

運転データ１０１には、それぞれの空気調和機２が有するセンサ２０１で検出された状態検出値や、空気調和機２に対する制御の設定値、空気調和機２で実行された制御内容、空気調和機２の消費電力等が含まれる。また、図３に示されるように、運転データ１０１には、センサ２０１で検出された値そのもののセンサデータだけでなく、センサ２０１で検出された値を基に算出された物理量も含まれる。

異常診断装置１は、学習データ記憶部１１８に学習データとなる入力ベクトルと出力ベクトルを蓄積するために、機器４の異常がない状態で一定期間、学習データを収集する。機器４の異常がない状態とは、例えば、新規に設置された後の一定期間等、機器４の異常がないとされる期間である。また、ここで一定期間とは、診断対象の機器４（本実施形態の例では空気調和機２）で想定される運転条件が表れる期間が望ましいが、すべての運転条件を網羅する必要はない。診断対象の機器４で想定される運転条件が表れる期間とは、例えば、診断対象の機器４が空気調和機２である場合、夏の設定から、冬の設定に切り替わるまでの期間である。そして、異常診断装置１の入力・出力ベクトル抽出部１１１は、入力・出力ベクトル抽出部１１１より抽出する。抽出された運転データ１０１は学習用データベース６に学習データとして蓄積される。

また、前記した一定期間が過ぎると、異常診断装置１は、取得した運転データ１０１を評価データ記憶部１０２に格納していく。評価データ記憶部１０２に蓄積された運転データ１０１を評価データと称する。そして、評価データ記憶部１０２に評価データが所定量蓄積されると、入力・出力ベクトル抽出部１１１が評価データ記憶部１０２に格納された運転データ１０１から入力ベクトルと、出力ベクトルとを抽出する。そして、学習データ選択部１１２が、学習データ記憶部１１８に格納されている学習データと、評価データから抽出される学習データとの類似度に基づいて、学習データ記憶部１１８から学習データを選択する。なお、ここでの学習データは入力ベクトルである。

また、異常診断装置１はＰＣ（Personal Computer）等である。各部１１１〜１１５，１２１〜１２３，１２６は、図示しないＨＤ（Hard Disk）等に格納されたプログラムがメモリ（不図示）にロードされる。そして、ロードされたプログラムが図示しないＣＰＵ（Central Processing Unit）によって実行されることで各部１１１〜１１５，１２１〜１２３，１２６が具現化する。

［フローチャート］
図４は、本実施形態で行われる異常診断方法の処理手順を示すフローチャートである。
なお、図４では、本実施形態の特徴部分である異常判定部１１６の処理以降について示す。
まず、異常判定部１１６による異常判定処理が行われる（Ｓ１）。
ステップＳ１による異常判定処理の結果、異常と判定されなかった場合、すなわち正常と判定された場合（Ｓ１→正常）、異常診断装置１はステップＳ１に処理を戻す。
ステップＳ１による異常判定の結果、異常と判定された場合（Ｓ１→異常）、データ種別特定部１２１は、データ種別記憶部１２４に格納されている種別データを基に、異常と判定された運転データ１０１の種別を判定する（Ｓ２）。運転データ１０１の種別とは図３の例に示す「種別」（「運転条件」、「性能」）である。なお、制御装置３から取得される運転データ１０１には、「データ名称」等に関する情報が属性情報として付されている。
なお、運転データ１０１が異常と判定されるということは、対象となる運転データ１０１が異常度の算出に影響の大きかった運転データ１０１に類似しているいうことでもある。

そして、有効／無効判定部１２２は、ステップＳ２の結果を基に、異常と判定された運転データ１０１が有効であるか、無効であるかを判定する（Ｓ３）。具体的には、異常と判定された運転データ１０１の種別が「性能」である場合、有効／無効判定部１２２は、異常判定が「有効」であると判定する。また、異常と判定された運転データ１０１の種別が「運転条件」である場合、有効／無効判定部１２２は、異常判定が「無効」であると判定する。これは、種別が「運転条件」である場合、該当する運転データ１０１に基づく学習データとして蓄積されていなかったため、異常と判定されたおそれがあるためである。また、運転データ１０１の種別が「性能」である場合、機器４（空気調和機２）そのものが原因で異常判定された可能性があるため、「有効」と判定される。

ステップＳ３の結果、「有効」と判定された場合（Ｓ３→「有効」）、報知部１２３は、異常が発生した旨を報知し（Ｓ４）、異常診断装置１はステップＳ１へ処理を戻す。報知は、例えば、サービスセンタＣ２に備えられているデータ端末５の表示部（不図示）に対して、機器４（空気調和機２）に異常が発生した旨の情報を機器４（空気調和機２）のＩＤ等とともに表示する。報知を受けたサービスセンタＣ２のサービスマンＰは異常が発生した機器４（空気調和機２）の保守作業に出動する。

ステップＳ３の結果、「無効」と判定された場合（Ｓ３→「無効」）、有効／無効判定部１２２は、「無効」と判定された評価データ（＝運転データ１０１）を無効データ記憶部１２５に格納する（Ｓ１１）。なお、無効データ記憶部１２５に格納された評価データ（＝運転データ１０１）を無効データと適宜称する。また、運転データ１０１から抽出された入力ベクトル及び出力ベクトルが無効データ記憶部１２５に格納されてもよい。なお、ステップＳ１１の処理は省略可能である。ステップＳ１１の処理が省略される場合、無効データ記憶部１２５も省略可能である。
そして、学習データ追加部１２６は、無効データの量が一定量に達したか否かを、例えば所定時間毎に判定する（Ｓ１２）。所定時間は、１週間あるいは１ヶ月等である。なお、ステップＳ１２は、前の学習データの追加から一定時間（例えば、１週間や、１ヶ月）が経過したかの判定でもよい。
ステップＳ１２の結果、無効データの量が一定量に達していない場合（Ｓ１２→Ｎｏ）、異常診断装置１はステップＳ１へ処理を戻す。

ステップＳ１２の結果、無効データの量が一定量に達している場合（Ｓ１２→Ｙｅｓ）、学習データ追加部１２６が学習データ記憶部１１８の学習データを追加し（Ｓ１３）、異常診断装置１はステップＳ１へ処理を戻す。具体的には、学習データ追加部１２６は、入力・出力ベクトル抽出部１１１と同様の処理によって、無効データから入力ベクトル及び出力ベクトルを抽出する。そして、学習データ追加部１２６は、抽出した入力ベクトル及び出力ベクトルを学習データとして学習データ記憶部１１８に追加する。

なお、本実施形態では、学習データ追加部１２６による処理（Ｓ１３）において、運転データ１０１をすでに蓄積されていた学習データに合わせて格納するとしているが、これに限らない。例えば、追加される学習データが、すでに格納されていた学習データに対して大幅に変化した場合、学習データ追加部１２６は、すでに蓄積されていた学習データを消去してから、追加の学習データを学習用データベース６へ格納してもよい。あるいは、特開２０１３−２５３６７号公報に記載されている手法で、学習データ記憶部１１８が更新されてもよい。

本実施形態の異常診断装置１は、異常判定された場合において、その運転データ１０１の種別が運転条件である場合、無効データ記憶部１２５に運転データ１０１を格納している。前記したように、これは、これまでとは異なる運転条件であるため、誤って異常判定された可能性があることを示している。言い換えれば、異常診断装置１は運転条件の変化を検出しているといえる。つまり、異常診断装置１は、診断対象の空気調和機２の運転条件が変化したことを検出し、運転条件が変化したときに学習データの追加のための運転データ１０１を蓄積している。これによって、追加学習に必要な運転データ１０１を蓄積することができる。

さらに、本実施形態の異常診断装置１は、前記したように、運転条件の変化にともない、異常判定の基準となる学習データを追加することができる。つまり、異常診断装置１は、診断運用を開始する前に学習データを一定期間収集した後、実際の診断運用を開始する。
これにより、必ずしも診断の運用開始時において、診断対象の機器４で想定されるすべての運転条件に対する学習データがなくてもよい。つまり、後から学習データを追加することがあるため、すべての運転条件（例えば、春夏秋冬にわたって）にわたって、最初に学習データを収集する必要がない。つまり、運転データ１０１の異常を判定するための学習データは、例えば、四季のうちの、夏の間だけのように、一部の運転条件下で作成された後、診断を運用開始できる。そして、評価データ（運転データ１０１）が、運転条件から外れた場合に学習データが追加される。このため、本実施形態の異常診断装置１は、異常診断を開始できる時期を早めることができる。すなわち、異常診断ができない期間を短縮することができる。また、本実施形態によれば、診断運用開始時における学習データのデータ量を少なくすることができる。

なお、本実施形態では、必要に応じて（運転条件が変化した際に）学習データが追加されている。しかし、これに限らず、運転データ１０１の種別は、機器４の方式によりほぼ一意的に決まるものである。従って、すでに診断を開始している同種の機器４から、新たに診断を開始する機器４に学習データを適用することも可能である。これにより、異常診断を開始できる時期をさらに早めることができる。
さらに、本実施形態によれば、学習データ（入力ベクトル・出力ベクトル）の追加が可能であるので、異常判定の精度を向上させることができる。つまり、予兆診断の精度を向上させることができる。

本実施形態の異常診断装置１は、前記したように運転条件の変化に基づいて、異常診断の基準となる学習データを追加する。従って、診断運用開始時において、未知の異常状態に対しても、時間が経過するに従って異常状態であると診断することができるようになる。これによって、ユーザが診断の対象の機器４に関する知識が少ない場合であっても異常診断を精度良く、かつ、容易に行うことができる。

また、本実施形態の異常診断装置１では、運転データ１０１の種別を予め分類しておき、取得した運転データ１０１の種別が性能のときのみ報知する。このようにすることにより、機器４の運転条件の変化による異常の誤検出を防ぐことができる。つまり、種別が運転条件の運転データ１０１において、運転条件が変化したことで、本来、機器４そのものに異常が発生したわけではないのに、異常と判定されることを防ぐことができる。このようにすることで、運転データ１０１に対して、単に閾値を設けることにより異常を判断する場合と比べて、さらに詳細な判定を行うことができる。これにより、保守作業の精度を向上させ、保守作業の効率性を向上させることができる。

また、本実施形態では、無効と判定された運転データ１０１を無効データ記憶部１２５に一定量蓄積した後、学習データの追加を行っている。このようにすることで、学習データの追加処理を常に行う必要がなく、効率的な処理を行うことができる。

また、本実施形態では、学習・異常判定部１１０の構成は、特開２０１３−２５３６７号公報に記載のものと同様の構成を有している。しかし、運転データ１０１の学習、及び、この学習を基に運転データ１０１の異常判定を行うものであれば、特開２０１３−２５３６７号公報に記載のものと同様の構成でなくてもよい。

さらに、本実施形態は、学習手法として特開２０１３−２５３６７号公報に記載の手法が用いられているが、クラスタリング等、その他の機械学習が適用されてもよい。

本発明は前記した実施形態に限定されるものではなく、様々な変形例が含まれる。例えば、前記した実施形態は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明したすべての構成を有するものに限定されるものではない。

また、前記した各構成、機能、各部１１０〜１１６，１２１〜１２３，１２６、各記憶部１０２，１１８，１２４〜１２５等は、それらの一部またはすべてを、例えば集積回路で設計すること等によりハードウェアで実現してもよい。また、前記した各構成、機能等は、図示しないＣＰＵ等のプロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル等の情報は、ＨＤに格納すること以外に、メモリや、ＳＳＤ（Solid State Drive）等の記録装置、または、ＩＣ（Integrated Circuit）カードや、ＳＤ（Secure Digital）カード、ＤＶＤ（Digital Versatile Disc）等の記録媒体に格納することができる。

また、本実施形態において、制御線や情報線は説明上必要と考えられるものを示しており、製品上必ずしもすべての制御線や情報線を示しているとは限らない。実際には、ほとんどすべての構成が相互に接続されていると考えてよい。

１ 異常診断装置
２ 空気調和機
３ 制御装置（機器）
４ 機器
１０１ 運転データ
１１６ 異常判定部
１１８ 学習データ記憶部
１２１ データ種別特定部（学習データ追加処理部）
１２２ 有効／無効判定部（学習データ追加処理部）
１２３ 報知部
１２４ データ種別記憶部
１２５ 無効データ記憶部（データ記憶部）
１２６ 学習データ追加部（学習データ追加処理部）

Claims (5)

1. 機器から取得された運転データが、前記機器そのものの性能に由来する情報である性能情報と、前記機器の運転に関する情報である運転条件情報のどちらかであるのかを判定するためのデータ種別情報を格納しているデータ種別記憶部と、
   前記運転データを予め学習した結果であり、前記運転データが異常であるか、正常であるかを判定するための学習データを格納している学習データ記憶部と、
   新たに取得された前記運転データである新規運転データを、前記機器から取得し、前記学習データを基に、異常と判定された前記新規運転データが前記運転条件情報であれば、前記新規運転データに基づく前記学習データの追加に関する処理を行う学習データ追加処理部と、
   を有することを特徴とする異常診断装置。
2. 前記運転条件情報であると判定された前記新規運転データが、データ記憶部に所定量蓄積された後に、前記異常と判定された前記新規運転データに基づく前記学習データの追加に関する処理が行われる
   ことを特徴とする請求項１に記載の異常診断装置。
3. 前記新規運転データが前記運転条件情報と判定されなかった場合、外部への報知を出力する報知部
   を有することを特徴とする請求項１に記載の異常診断装置。
4. 前記機器は、空気調和機である
   ことを特徴とする請求項１に記載の異常診断装置。
5. 機器から取得された運転データが、前記機器そのものの性能に由来する情報である性能情報と、前記機器の運転に関する情報である運転条件情報のどちらかであるのかを判定するためのデータ種別情報を格納しているデータ種別記憶部と、
   前記運転データを予め学習した結果であり、前記運転データが異常であるか、正常であるかを判定するための学習データを格納している学習データ記憶部と、
   を有する異常診断装置が、
   新たに取得された前記運転データである新規運転データを、前記機器から取得し、
   前記学習データを基に、異常と判定された前記新規運転データが前記運転条件情報であれば、前記新規運転データに基づく前記学習データの追加に関する処理を行う
   ことを特徴とする異常診断方法。

Images