JP2021092971A - 制御方法、制御装置、機械設備、制御プログラム、記録媒体 - Google Patents

Abstract

【課題】運用上は保全作業が必要で、保全作業により正常状態の範囲内で状態が様々に変化し得る機械設備において、故障発生の予兆を精度よく検知可能な制御方法が求められていた。【解決手段】機械設備が正常状態から異常状態に至るまでの計測データと、前記機械設備において行われた保全作業および／または前記機械設備で発生した異常状態に係る第１情報と、を取得し、前記計測データから前記機械設備の状態に係る特徴量データを抽出し、抽出された前記特徴量データの一部を、前記第１情報に基づいて除去し、一部が除去された前記特徴量データを正規化して学習用データセットを作成し、前記学習用データセットを用いた機械学習により学習済モデルを生成し、前記学習済モデルを用いて、評価時における前記機械設備の状態を判定する、ことを特徴とする制御方法である。【選択図】図１

Description

本発明は、センサ等からのデータに基づき、機械設備の故障の予兆を検出する際に用いる制御方法、制御装置、制御装置を備えた機械設備、制御プログラム、コンピュータ読み取り可能な記録媒体に関する。特に、機械学習により機械設備の故障予知モデルを生成する際に用いる学習用データの作成に関する。

機械設備は、構成部品の状態変化等により動作状態が時々刻々と変化し得る。その機械設備の使用目的に照らして動作状態が許容範囲内の場合を正常状態、許容範囲外の場合を故障状態と呼ぶとすれば、例えば生産機械であれば、故障状態になると不良品を製造したり生産ラインを停止させるなどの不具合を発生させてしまうことになる。

生産機械等では、故障状態をなるべく発生させないようにするため、同一の作業を反復継続して行う場合であっても、定期あるいは不定期に保全作業を実施するのが一般的である。予防安全性を高くするには、保全作業の実施インターバルを短くするのが有効だが、保全作業中は生産機械等を停止させるため、保全作業の頻度を過度に高めると生産機械等の稼働率が低下してしまう。そこで、機械等がまだ正常状態の範囲内にはあるが故障状態の発生が近くなった時に、これを検知できるのが望ましい。故障状態の発生が近づいたことを検知（故障の発生を予測）できれば、その時点で機械等の保全作業を実施すればよいので、稼働率が必要以上に低下するのを抑制することができるからである。

故障の発生を予測するための手法として、機械設備の状態を機械学習した学習済モデルを予め作成しておき、学習済モデルを用いて評価時の機械設備の状態を評価する手法が知られている。予測精度を高めるには、故障の予測に適した学習済モデルを構築することが重要であるが、そのためには機械学習の際に用いる学習用データの適否が問題となる。

特許文献１には、機械設備の状態を示すセンサーの出力データや制御ソフトウェアの内部データ等から得られる状態変数と、故障の有無又は故障の度合いを判定した判定データの組み合わせに基づいて、訓練データセットを作成することが提案されている。

また、特許文献２には、機械設備が正常状態にある期間のデータを機械学習させて正常状態をモデル化しておき、運転状態と正常状態モデルの乖離度を評価して、故障の予兆を検知する技術が開示されている。誤検知であると推定される場合、すなわち評価した乖離度が大きいにもかかわらず機械設備が正常状態にある場合には、学習済みの正常期間のデータに誤検知に対応する期間のデータを加え、追加学習をしてモデルを更新することが記載されている。

特開２０１７−０３３５２６号公報 特開２０１９−２８５６５号公報

一般に、同一の機種の機械設備であっても個体差が存在する。また、一台の機械設備についてみても、保全作業を行うと、その前後では状態が変化する。このため、使用目的に照らして動作状態が許容範囲内すなわち正常状態であったとしても、その機械設備の状態にはいろいろな態様があり得る。

以下に、生産機械等の保全作業により生じる状態の変化について例を挙げて説明する。尚、生産機械等を用いて継続的に加工作業を行う場合に、最初に加工作業を始める時の生産機械等の状態を初期状態と呼ぶ。つまり、初期状態とは、生産機械等が正常状態にある態様の中の一つである。

生産機械等では、定期あるいは不定期に保全作業を実施するが、保全作業を行えばその機械の状態は変化する。ここで留意すべきは、生産機械等において保全作業を実施した時に、当該機械が初期状態に極めて近い状態に復帰する場合も有り得るが、正常状態の範囲内で初期状態とは異なる状態に変化する場合も有り得ることである。

例えば生産機械等が備える部品には、所定の性能を維持するために定期的にクリーニングをする必要のあるものが有り得るが、クリーニング作業には時間がかかるため、同一種類の部品を複数用意しておき、交互に使い回すことが行われる場合がある。つまり、一つの部品を機械に装着して使用している間に、機械から取り外した使用後の部品をクリーニングしておき、保全作業時には部品交換だけを行うことにより、保全作業に要する時間、つまり生産機械が停止する時間を短縮するのである。

この場合、同一種類の部品であっても、許容公差の範囲内で各部品には個性が有り得るため、保全作業で部品を交換した時に、機械が初期状態に極めて近い状態に復帰する場合もあれば、初期状態とは異なる状態になることもあり得る。また、保全作業時に部品交換をしないで取り外した部品をクリーニングして機械に再装着するとしても、部品の状態が完全に元に戻るとは限らないので、保全作業後には機械が初期状態から変化している場合があり得る。また、保全作業の度に未使用の新品部品と交換する場合であっても、各新品部品の個性に応じて保全作業後の状態が初期状態と極めて近い状態にも初期状態とは異なる状態にもなり得る。

また、生産機械等は非常に多くの構成要素から成り立っているので、たとえ保全作業時に一つの部品を初期状態と同一状態にリフレッシュできたとしても、他の部品の状態は使用履歴に応じて変化している。このため、機械全体のバランスとしてみた場合には、初期状態に戻らない場合が有り得る。
さらに、生産機械等では、毎回の保全作業の内容が同一であるとは限らず、多くの構成要素（部品等）の中でＡ部品のみを交換する場合もあれば、必要に応じてＡ部品とＢ部品を同時に交換する場合も有り得る。

このように、保全作業を行うと、その度に機械を構成する多数の部品相互の状態のバランスや使用履歴が変化するため、保全作業の直後の機械の状態には、正常状態の範囲内で様々な態様が発生し得る。

このため、例えば特許文献１に記載された方法で訓練データセットを作成し、機械学習により学習済モデルを生成しても、故障予測の正確性が高くなるとは限らない。保全作業の内容によって正常状態の範囲内であっても機械設備の状態は異なり、その後の故障発生の態様も異なり得るため、本来は保全作業後の故障発生の判断基準は異なるはずである。判断基準が異なるはずのデータを一括りにして訓練データセットを作成しても、機械学習の質が高まるとは限らないのである。

一方、特許文献２のように、初期状態のデータに基づいて学習済モデルを作成した後に、誤検知に対応する期間のデータを初期状態のデータに加えて追加学習をしてモデルを更新するとしても、異常状態の予兆を判定する精度が大幅に向上するとは限らない。

例えば１回目の保全作業により部品の状態が変わり、その部品に係る検知パラメータの値が不連続になり、初期状態を学習した学習モデルによれば、保全作業直後の状態が故障の予兆ありと判定される場合が有り得る。その場合には、誤検知であるため、特許文献２の方法では、誤検知に対応する期間のデータを初期状態のデータに加えて追加学習をして更新するが、更新後の学習済モデルは、誤検知をした期間の乖離度を過度に低下させるようなモデルになる可能性がある。
また、追加学習ではなく、誤検知に対応する期間のデータのみを用いて学習モデルを作り直すとすれば、次の保全作業により機械等の状態が初期状態に極めて近く復帰した場合には、作り直した学習済モデルでは誤検知が発生してしまう可能性が生じてしまう。

そこで、例えば生産機械等のように、運用上は保全作業が必要で、保全作業により正常状態の範囲内で検知パラメータの状態が様々に変化し得るシステムにおいて、故障発生の予兆を精度よく検知可能な制御方法、制御装置が求められていた。

本発明は、機械設備が正常状態から異常状態に至るまでの計測データと、前記機械設備において行われた保全作業および／または前記機械設備で発生した異常状態に係る第１情報と、を取得し、前記計測データから前記機械設備の状態に係る特徴量データを抽出し、抽出された前記特徴量データの一部を、前記第１情報に基づいて除去し、一部が除去された前記特徴量データを正規化して学習用データセットを作成し、前記学習用データセットを用いた機械学習により学習済モデルを生成し、前記学習済モデルを用いて、評価時における前記機械設備の状態を判定する、ことを特徴とする制御方法である。

また、本発明は、機械設備が正常状態から異常状態に至るまでの計測データと、前記機械設備において行われた保全作業および／または前記機械設備で発生した異常状態に係る第１情報と、を取得し、前記計測データから前記機械設備の状態に係る特徴量データを抽出し、抽出された前記特徴量データの一部を、前記第１情報に基づいて除去し、一部が除去された前記特徴量データを正規化して学習用データセットを作成し、前記学習用データセットを用いた機械学習により学習済モデルを生成し、前記学習済モデルを用いて、評価時における前記機械設備の状態を判定する、制御部を備えている、ことを特徴とする制御装置である。

本発明によれば、例えば生産機械等のように、運用上は保全作業が必要で、保全作業により正常状態の範囲内で検知パラメータの状態が様々に変化し得るシステムにおいて、故障発生の予兆を精度よく検知可能な制御方法、制御装置を提供することができる。

実施形態の故障予知システムが備える機能ブロックを説明するための模式的な機能ブロック図。 実施形態において表示される作業支援画面の一例を示す図。 実施形態における学習用データの抽出方法を説明するための模式図。 実施形態１における機械学習方法を説明するための模式図。 実施形態１における故障予知方法について説明するための模式図。 実施形態における故障予知モデルの生成の処理手順を示すフローチャート。 実施形態における故障予知の処理手順を示すフローチャート。 実施形態のハードウェア構成を説明するための模式図。 実施形態１における判定用閾値の決定方法を説明するための模式図。

図面を参照して、本発明の実施形態として、機械設備の故障を予測する際に用いる故障予知システム、制御方法、制御装置、制御装置を備えた機械設備、制御プログラム、コンピュータ読み取り可能な記録媒体、等について説明する。

［実施形態１］
［機能ブロックの構成］
図１は、実施形態の故障予知システムが備える機能ブロックの構成を説明するための模式的な機能ブロック図である。尚、図１では本実施形態の特徴を説明するために必要な機能要素を機能ブロックで表しているが、本発明の課題解決原理とは直接関係のない一般的な機能要素については記載を省略している。また、図１に図示された各機能要素は機能概念的なものであり、必ずしも物理的に図示のごとく構成されていることを要しない。例えば、各機能ブロックの分散や統合の具体的形態は図示の例に限らず、その全部または一部を、使用状況等に応じて任意の単位で機能的または物理的に分散・統合して構成することが可能である。
図１に示すように、実施形態の故障予知システムは、稼働データ収集装置１、保全情報収集装置２、故障予知装置３を備えている。

稼働データ収集装置１は、診断対象である機械設備(不図示)の状態を検出するセンサー１０を備えている。稼働データ収集装置１が稼働データを収集する対象としての機械設備は、例えば多関節ロボットや、生産ラインに設置される生産装置など、各種の産業機器で有り得る。

機械設備には、機械設備の状態を計測するための各種のセンサー１０が設置されているが、稼働データ収集装置１は機械設備の一部としてもよいし、機械設備に付帯する別の装置としてもよい。例えば、機械設備が多関節ロボットの場合には、関節を駆動するモータの電流値を計測するセンサー、関節の角度センサー、速度や振動や音を計測するセンサーなどが設置され得る。ただし、これは単なる例示であり、機械設備の種類や作業用途等により、適宜の種類、数のセンサーが、適宜の位置にセンサー１０として設置され得る。センサー１０には、力センサー、トルクセンサー、振動センサー、音センサー、撮像センサー、距離センサー、温度センサー、湿度センサー、流量センサー、ｐＨセンサー、圧力センサー、粘度センサー、ガスセンサー等の各種センサーが用いられ得る。尚、図１では、図示の便宜のためセンサー１０を単数で示したが、通常は複数のセンサーが設置される。

保全情報収集装置２は、機械設備の管理者が保全情報を入力する手動収集部２０と、機械設備のアラーム情報を収集する自動収集部２１を備える。保全情報収集装置２は、機械設備に対して行われた保全作業に係る情報と、機械設備にて検出された異常状態に係る情報を収集する。保全情報収集装置２が収集する情報には、機械設備に保全作業を行った時点、機械設備が停止した時点、あるいは機械設備が故障した（正常状態でなくなった）時点、を特定することが可能な情報が含まれ得る。

手動収集部２０が収集する保全情報とは、保全作業の内容、実施日時など、当該機械設備で実施された保全作業に関する情報である。尚、保全作業とは、機械設備の検査、清掃、修理、改善など、機械設備の使用目的に照らして動作状態を許容範囲内に保つための処置を含む。手動収集部という名称であったとしても、保全作業が定期的に行われる自動のルーチン作業である場合などには、制御コンピュータから自動的に保全情報の収集を行ってもよい。

図２を参照して、手動収集部２０が情報を収集する際に、ユーザ（機械設備の管理者等）が行う入力作業を説明する。図２は、入力作業を容易にするためのマンマシンインターフェース（作業支援画面）を示している。具体的には、入力作業の際に表示装置に表示される表示画面２２を示している。表示画面２２には、ユーザが入力した保全作業情報を表示する保全作業情報テーブル２３と、入力した情報を登録（記憶）させるための登録ボタン２４が配置されている。保全作業情報テーブル２３には、保全作業の対象である機械設備に係る情報、例えば、機械設備が担当する生産ラインの工程名、工程内のステーション名、機械設備の機種名、機械設備に付帯するアタッチメントの種類等を入力する欄が設けられている。さらには、保全作業が行われた日時を記入する処置日時欄と、実施された保全作業の内容を記入する処置内容欄が設けられている。管理者が保全作業情報テーブル２３に必要情報を入力し、登録ボタン２４のアイコンをクリックすることにより、手動収集部２０には保全情報が収集される。

図１に戻り、自動収集部２１が機械設備のコントローラーから収集するアラーム情報とは、例えば保全作業を実施する起因となった機械設備の状態変化にかかる情報である。言い換えれば、機械設備の使用目的に照らして許容範囲を超えた動作状態、つまり異常状態（故障状態）であると判断した場合に、その要因にかかる情報である。例えば、機械設備の稼働部のモータの過電流を警告する過電流アラーム、機械設備の稼働部にかかる負荷が許容量を超えたことを警告する過負荷アラーム、機械設備の稼働部が許容温度以上に温度上昇したことを警告する加熱アラームである。あるいは、機械設備の稼働部のモータの加速度が許容値を超えたことを警告する加速度限界オーバアラーム、機械設備の稼働部のモータのエンコーダデータを正しく認識できなくなったことを警告するエンコーダアラームなども挙げられる。もっとも、機械設備の種類等によりアラーム情報は異なるので、前述したアラームは単なる例示に過ぎない。また、アラーム情報には、実際に警告が発信されていなくとも、保全作業を実施する起因となった機械設備の状態変化が検知あるいは記録された情報を含んでもよい。

稼働データ収集装置１と保全情報収集装置２と故障予知装置３は、相互に通信可能に有線あるいは無線で接続されており、故障予知装置３はセンサー１０が計測したデータや保全情報収集装置２が収集した情報を通信により取得することができる。尚、稼働データ収集装置１と保全情報収集装置２が提供する情報を合わせて第１情報と呼んでもよい。

故障予知装置３は、収集部３０１、学習データ抽出部３０２、正規化部３０３、学習部３０４、および判定部３０５を備えている。収集部３０１は、稼働データ収集装置１のセンサー１０及び保全情報収集装置２から入力される情報を収集して記憶し、記憶した情報を必要に応じて学習データ抽出部３０２と判定部３０５に出力する。

故障予知装置３（制御装置）を構成する機能ブロックのうち、収集部３０１をデータ取得部と、収集部３０１以外の機能ブロックをまとめて制御部と呼んでもよい。データ取得部は、ハードディスクドライブ、ＲＡＭ、といった記憶装置の記憶領域に適宜割り当てられて構成される。データ取得部としての収集部３０１は、故障予知を実行するための処理に必要な各種のデータを取得して記憶する。制御部の各機能ブロックは、例えば記憶装置に記憶された制御プログラムを、故障予知装置３のＣＰＵが読み出して実行することにより構成される。あるいは、故障予知装置３が備えるＡＳＩＣ等のハードウェアにより、機能ブロックの一部または全部を構成してもよい。

故障予知装置３は、故障予知モデルを作成する段階においては、センサー１０から収集したデータおよび保全情報収集装置２から収集したデータを用いて機械設備の故障発生（異常発生）に相関性が高い特徴量を選択して抽出する。故障予知装置３は、抽出した特徴量に対して正規化処理を行ったデータを機械学習用データとして用いて機械学習し、学習済モデル（故障予知モデル）を生成して記憶する。また、評価段階（故障予知段階）においては、センサー１０から収集した評価時のデータを生成済の学習済モデルに入力し、学習済モデルの入力と出力とを用いて乖離度を算出し、異常発生（故障発生）に近づいているか否かを判定する。以下、故障予知装置３が有する機能ブロックについてさらに説明する。

収集部３０１は、故障予知モデルを作成する段階においては、センサー１０、手動収集部２０および自動収集部２１からデータを取得して記憶して、必要に応じて学習データ抽出部３０２にデータを提供する。また、機械設備の状態を評価する段階においては、センサー１０からデータを取得して記憶して、必要に応じて判定部３０５にデータを提供する。

学習データ抽出部３０２は、収集部３０１から提供される稼働データ（センサーデータ）及び保全情報に基づいて、機械設備の状態ごとにラベリングされたデータセットを作成する。
まず、学習データ抽出部３０２は、収集部３０１で収集した機械設備の稼働データから機械設備の運転状態の特徴を示す特徴量データを抽出する機能を持つ。特徴量データを抽出するには、例えば、機械設備の１動作サイクルの中で収取されたセンサーの計測値の最大値および／または最小値を抽出したり、あるいは平均値を算出しても良い。あるいは、所定の期間分のセンサーの値を時系列の周波数領域へ積分変換したものでも良い。また、時系列に並べたセンサー値の時間に対する微分値や二次微分値でも良い。また、センサーの計測値（生データ）そのものが、故障の発生に近づいたか否かを検知する際の判断材料として有用である場合は、計測値そのものを特徴量データとして扱っても良い。

図３は、学習データ抽出部３０２が学習用データを抽出してデータセットを作成する処理を説明するための模式図である。
まず、処理１として、学習データ抽出部３０２は、収集部３０１から提供されたセンサーデータに基づいて、上述した特徴量データを抽出する。そして、抽出した特徴量データと、収集部３０１から提供された保全情報及びアラーム情報を時系列に並べる。

次に、処理２として、時系列で並ぶ特徴量データを、保全情報及びアラーム情報に基づいて区分(分割)する。そして、区分(分割)された特徴量データの各々について、装置状態が安定でノイズが小さいと推定される期間の特徴量データを抽出する。
保全情報及びアラーム情報には、装置状態の変化と相関性が高い情報が含まれている。

例えば、機械設備の載せ替えを行ったという保全情報に基づけば、機械設備の状態は変化したと推定されるため、載せ替えのタイミングで特徴量データを区分(分割)する。そして、載せ替え後に所定期間Ｔ３を経過するまで（例えばウォーミングアップ期間）は機械設備の状態は不安定であるが、その後は正常状態に安定すると推定して、所定期間Ｔ３の特徴量データをノイズクレンジングのために削除する。

また、例えば、機械設備の状態に変化を与えないような定期メインテナンス（例えば検査）が行われた場合には、そのタイミングで特徴量データを区分(分割)する。そして、検査のために機械設備が完全停止した時点より前の所定期間Ｔ４（例えば減速期間）、および再起動した後の所定期間Ｔ３（例えばウォーミングアップ期間）の特徴量データは、ノイズクレンジングのため除去される。

また、故障アラーム情報に基づけば、そのタイミングで故障（異常）の発生が検知されたと推定されるため、そのタイミングで特徴量データを区分(分割)する。そして、故障アラームの発生から所定期間Ｔ１前までを故障状態（異常状態）の期間とする。そして、故障状態（異常状態）の始点より所定期間Ｔ２だけ遡るまでの期間は、機械設備の状態が正常状態から故障状態（異常状態）へ移行する不安定な過渡期間であると推定し、所定期間Ｔ２分の特徴量データは、ノイズクレンジングのため除去される。

尚、説明した図３は一例にすぎず、保全情報には、ハードウェア的および／またはソフトウェア的な様々な態様の保全作業の情報が含まれ得る。例えば、機械設備の部品もしくは機械設備そのものを付け替える、機械設備にティーチングを行う、機械設備のパラメータを変更する、などである。また、アラーム情報の種類によっては、アラーム発生前の故障状態（異常状態）の期間の長さも異なる場合がある。そこで、保全情報の内容やアラーム情報の種類に応じて、ノイズクレンジングのために特徴量データを削除する期間の長さを予め設定しておくのが望ましい。

次に、処理３として、学習データ抽出部３０２は、抽出された各区間の特徴量データに、正常状態の特徴量データ（正常データ）か、異常状態の特徴量データ（異常データ）かを示すラベリングをして、データセットを作成する。

次に、学習データ抽出部３０２により作成されたデータセットは、正規化部３０３に入力される。正規化部３０３は、学習データ抽出部３０２から入力されるデータセットを、機械設備の状態毎に正規化する。正規化処理は、正常データと故障データについて別に行われる。

機械設備の状態が正常状態の範囲内にはあっても、切り分けられた区間（図３の例では、正常データの２つの区間）毎に機械設備の状態は異なっている可能性がある。そこで、正常データの正規化は、切り分けられた正常データのそれぞれに対して、平均が０で分散が１のデータに変換する操作、いわゆる標準化することで行われる。

正常データの中のある１状態のデータＸがｘ１、ｘ２、ｘ３、・・、ｘｉの状態変数群で表され、変換後のデータＺが状態変数群ｚ１、ｚ２、ｚ３、・・、ｚｉで表されるとすると、Ｘの平均μ、標準偏差σを用いた数式１が標準化するための変換式となる。

この変換式を分割された正常データの各区間の特徴量データに対して適用することにより、正常データの全体が正規化される。

故障データの正規化は、その故障データの直前の正常データの区間における標準化係数（正常データの平均及び標準偏差）を用いて故障データを標準化することにより行われる。
正規化処理によって、異なる状態の学習データセットであっても同一基準のデータとして扱うことができるため、異なる状態の特徴量データを複合して取り扱うことができるようになる。

正規化部３０３で正規化された学習用データセットは、故障予知装置３の学習部３０４に入力される。学習部３０４は、学習用データを用いた機械学習により学習済モデル（故障予知モデル）を生成し、判定部３０５に格納する。

判定部３０５は、機械設備の状態を評価する時に、収集部３０１から評価時のセンサーデータを取得し、評価対象となる特徴量を抽出する。そして、学習用データセットを作成した時に正常データの正規化に用いた標準化係数（正常データの平均及び標準偏差）を用いて標準化のための変換を行った後に、変換した特徴量を学習済モデルに入力し、故障予知（異常状態予知）の判定を行う。学習済モデルの生成と、故障予知の判定については、故障予知システムのハードウェア構成を説明した後に詳しく述べる。

［ハードウェア構成］
図８に、実施形態の故障予知システムのハードウェア構成の一例を模式的に示す。故障予知システムは、図８に示すように、主制御手段としてのＣＰＵ１６０１、記憶装置としてのＲＯＭ１６０２、およびＲＡＭ１６０３を備えたＰＣハードウェアを含むことができる。ＲＯＭ１６０２には、故障予知方法を実現するための処理プログラムや推論アルゴリズムなどの情報を格納しておくことができる。また、ＲＡＭ１６０３は、その制御手順を実行する時にＣＰＵ１６０１のワークエリアなどとして使用される。また、制御系には、外部記憶装置１６０６が接続されている。外部記憶装置１６０６は、ＨＤＤやＳＳＤ、ネットワークマウントされた他のシステムの外部記憶装置などから構成される。

後述する本実施形態の故障予知方法を実現するためのＣＰＵ１６０１の処理プログラムは、ＨＤＤやＳＳＤなどから成る外部記憶装置１６０６や、ＲＯＭ１６０２（例えばＥＥＰＲＯＭ領域）のような記憶部に格納しておくことができる。その場合、故障予知方法を実現するためのＣＰＵ１６０１の処理プログラムは、ネットワークインターフェース（ＮＩＦ）１６０７を介して、上記の各記憶部に供給し、また新しい（別の）プログラムに更新することができる。あるいは、故障予知方法を実現するためのＣＰＵ１６０１の処理プログラムは、各種の磁気ディスクや光ディスク、フラッシュメモリなどの記憶手段と、そのためのドライブ装置を経由して、上記の各記憶部に供給し、またその内容を更新することができる。故障予知方法を実現するためのＣＰＵ１６０１の処理を実行可能なプログラムを格納した状態における各種の記憶手段、記憶部、ないし記憶デバイスは、本発明の故障予知手順を格納したコンピュータ読み取り可能な記録媒体を構成する。

ＣＰＵ１６０１には、図１に示した稼働データ収集装置１および保全情報収集装置２が接続される。図８では、図示を簡略化するため、稼働データ収集装置１および保全情報収集装置２はＣＰＵ１６０１に直接接続されているように示されているが、例えばＩＥＥＥ４８８（いわゆるＧＰＩＢ）などを介して接続されていてもよい。また、稼働データ収集装置１、保全情報収集装置２は、ネットワークインターフェース１６０７、ネットワーク１６０８を介してＣＰＵ１６０１に接続される構成であってもよい。

ネットワークインターフェース１６０７は、例えばＩＥＥＥ ８０２．３のような有線通信、ＩＥＥＥ ８０２．１１、８０２．１５のような無線通信による通信規格を用いて構成することができる。ＣＰＵ１６０１は、ネットワークインターフェース１６０７を介して、他の装置１１０４、１１２１と通信することができる。例えば故障予知の対象がロボットであるなら、装置１１０４、１１２１は、当該ロボットの制御、管理のために配置されたＰＬＣやシーケンサのような統轄制御装置や、管理サーバなどであってもよい。

図８に示す例では、図１に示す故障予知装置３における情報入力や情報表示に関係するＵＩ装置（ユーザインターフェース装置）として、操作部１６０４および表示装置１６０５が接続されている。操作部１６０４は、ハンディターミナルのような端末、あるいはキーボード、ジョグダイアル、マウス、ポインティングデバイス、音声入力機などのデバイス（あるいはそれらを備える制御端末）によって構成することができる。表示装置１６０５は、例えば図２を参照して説明したように、実行する処理に係る情報を表示画面に表示できるものであればよく、例えば液晶ディスプレイ装置を用いることができる。

［故障予知方法について］
本実施形態において、故障予知装置３の学習部３０４は、いわゆる教師無し学習により学習済モデル（故障予知モデル）を構築する。本実施形態は、教師なし学習によって機械設備の特徴を学習する際には、故障無しの状態、すなわち機械設備が正常に動作している時の稼働データのみを利用して機械学習する。教師なし学習では、入力データのみを学習装置に与えることで、入力データがどのような分布をしているかを機械学習させる。すなわち、入力データに対して圧縮・分類・整形などの処理を行う装置に、入力データに対応する教師データ（出力データ）を与えずに、処理を学習させる手法である。

教師なし学習の手法を用いた故障予知方法について、具体的に説明する。機械設備の使用目的に照らして動作状態が許容範囲内の場合を正常状態として、正常状態での機械設備の稼働データのみを用いて機械学習を行う。

本実施形態は機械学習に用いる学習用データの作成方法に特徴があり、正規化部３０３にて正規化された正常データ（機械設備が正常状態である期間の特徴量を抽出し、期間ごとに標準化処理して全体を正規化したデータ）を用いて機械学習を行う。本実施形態では、教師なし学習モデルとして、オートエンコーダを用いる。

図４の模式図を参照して、正規化された正常データを用いてオートエンコーダに機械学習させる方法を説明する。オートエンコーダは、入力された学習用データを、少ない情報量に圧縮（符号化）した後に復元（復号化）するニューラルネットワークの一種である。オートエンコーダは、入力データをうまく圧縮し、復元するためのパラメータ、すなわち、入力データの特徴を機械学習する。

オートエンコーダは、入力値ｘをエンコードして中間層ｚに圧縮する。その後、中間層ｚをデコードして出力値ｙとして復元する。その際、入力値と出力値の復元誤差Ｊが少なくなるように機械学習する。
すなわち、オートエンコーダは、下記に示す数式４において復元誤差Ｊが少なくなるように、数式２のＷ、ｂ、および数式３のＷ’、ｂ’を定める。尚、ｓは活性化関数である。

学習済のオートエンコーダ（学習済モデル、あるいは故障予知モデルと記す場合がある）に、学習用データと特徴が類似したデータを入力すれば、学習時に獲得したパラメータによる符号化・復号化により復元誤差が小さい出力値が出力される。一方、学習データとは特徴が異なるデータを学習済モデルに入力すると、学習時に獲得したパラメータではうまく圧縮・復号ができないため、復元誤差が大きくなる。

この特性を故障予知に利用するため、本実施形態では、正規化された正常データ（機械設備が正常状態である期間の特徴量を抽出し、期間ごとに標準化処理して全体を正規化したデータ）を入力値ｘとしてオートエンコーダに与えて機械学習させる。

また、故障予知を行う際には、学習用データを作成した際と同様の手法で評価時の特徴量データを標準化（正規化）し、入力値ｘとして学習済モデルに入力し、出力値ｙを出力させる。そして、入力値ｘに対する出力値ｙの復元誤差を算出し、復元誤差すなわち入力と出力の乖離度を機械設備が正常状態から乖離している程度を示す指標として扱う。

具体的には、学習用データセットを作成した時に正常データの正規化に用いた標準化係数（正常データの平均及び標準偏差）を用いて、数式１を用いて評価時の特徴量データを変換する。例えば、正常データが複数の区間（図３の例では２区間）を含む場合は、各区間の平均値どうしの平均、および各区間の標準偏差どうしの平均を求め、それらを標準化係数として数式１により評価時の特徴量データを標準化（正規化）する。そして、標準化（正規化）された評価時の特徴量データを学習済モデルに入力し、入力と出力の乖離度を指標として得る。

さらに、本実施形態では、指標である乖離度を用いて機械設備の状態（故障発生が近いか否か）を判定する際に用いる判定用閾値を予め設定しておく。判定用閾値を設定するには、まず、正常状態から故障発生に至るまでの実際の機械設備のセンサーデータに基づく特徴量データを標準化（正規化）して学習済モデルに入力し、故障が発生するまでの乖離度の経時的変化を調べる。そして、乖離度の経時的変化に基づき、故障の発生が近づいたことを判定するための判定用閾値を設定する。乖離度が判定用閾値以上であれば、機械設備の故障発生が近い、すなわち故障の予兆有り、と機械設備の状態を判定する。

図９は、判定用閾値の決定方法を具体的に説明するための図である。図９のグラフの横軸は時間（時刻）、縦軸は故障の発生に近づいた度合いを示す指標値（学習済モデルの入力と出力の乖離度）であり、正常状態の初期から故障の発生に至るまでの指標値の経時変化を示している。故障の発生が近づいたことを故障予知装置が予知してから故障が発生するまでに、所定期間ｔを確保したい場合、すなわち故障の発生よりも所定期間ｔだけ前に故障予知装置に予知させたい場合を想定する。この場合には、図示のように故障発生から所定期間ｔだけ遡った時点の指標値（学習済モデルの入力と出力の乖離度）の数値を、故障予知の判定用閾値として設定する(判定用閾値設定工程)。

説明の便宜のため、図９では正常状態初期から故障発生に至るまでの乖離度のグラフを連続的に示したが、実際には正常状態初期から故障発生までの間には、保全作業のため機械設備を停止させる期間もある。そこで、本実施形態では図３の処理３に示したラベリングされた正規化済みのデータを用いて判定用閾値を設定する。すなわち、正常データ中の２つの区間と異常データを連結し、時間的に連続する一連の特徴量データ（判定用閾値設定用の特徴量データ）として扱い、それを学習済モデルに入力して指標値の経時変化を求め、判定用閾値を設定する。

次に、上述した学習済モデルと判定用閾値を用いた故障予知について説明する。図５に示すのは、オートエンコーダを用いた故障予知方法を説明するための模式図である。

学習済モデルに、評価時の機械設備の稼働状態を示す評価データを入力し、入力値と出力値を用いて、学習した正常状態に対して機械設備がどの程度離れた状態であるのかを示す乖離度を算出する。評価データとしては、学習用データと同様の標準化（正規化処理）が行われた評価用特徴量データを用いる。すなわち、学習用データセットを作成した時に正常データの正規化に用いた標準化係数（正常データの平均及び標準偏差）を用いて、数式１を用いて評価時の特徴量データを変換する。例えば、正常データが複数の区間（図３の例では２区間）を含む場合は、各区間の平均値どうしの平均、および各区間の標準偏差どうしの平均を求め、それらを標準化係数として数式１により評価用特徴量データを標準化（正規化）する。そして、標準化（正規化）された評価時の特徴量データを学習済モデルに入力し、入力と出力の乖離度である指標を得る。

図５に示すように故障予知モデルに評価データを入力し、その結果得られる故障予知モデルの出力値ｙと入力値ｘの復元誤差Ｊを算出し、正常状態からの乖離度として扱う。本実施形態では、この乖離度を、故障の発生に近づいた度合いを示す指標値として扱う。乖離度（復元誤差Ｊ）が判定用閾値Ｔ以上である場合には、故障の発生までの期間が所定期間ｔ以下である、すなわち故障の予兆ありと判定する。逆に、乖離度（復元誤差Ｊ）が判定用閾値Ｔ未満である場合には、故障の発生までの期間が所定期間ｔよりも長い、すなわち故障の予兆なしと判定する。

［処理手順について］
次に、故障予知装置３が実行する処理の手順を、図６及び図７のフローチャートを参照して説明する。
図６は、故障予知モデルの生成についての処理手順を示すフローチャートである。

まず、ステップＳ１０１において、故障予知装置３は、稼働データ収集装置１のセンサー１０から機械設備の稼働データを収集するとともに、保全情報収集装置２から保全情報を収集し、収集部３０１に格納する（図３の処理1参照）。
次に、ステップＳ１０２において、故障予知装置３の学習データ抽出部３０２が、ステップＳ１０１で収集部３０１が収集した稼働データから、機械設備の運転状態の特徴を示す特徴量を抽出する。

次に、ステップＳ１０３において、学習データ抽出部３０２は、ステップＳ１０１で収集した保全情報に基づき、ステップＳ１０２で抽出した特徴量から不要部分を削除し、学習用データとして抽出し、正規化部３０３に伝達する（図３の処理２参照）。
次に、ステップＳ１０４において、故障予知装置３の正規化部３０３は、ステップＳ１０３で学習データ抽出部３０２から出力された学習用データを、すでに説明した方法により正規化する。正規化された学習用データは、機械設備の状態に対応したラベリングがなされ（図３の処理３参照）、学習部３０４に格納される。尚、正規化の際の標準化係数（正常データの平均及び標準偏差）も学習部３０４に格納され、さらに学習部３０４を経て判定部３０５にも格納される。

次に、ステップＳ１０５において、学習部３０４は、格納された学習用データのうち正常状態を示すラベリングがされた正常データを用いてオートエンコーダに機械学習させ、学習済モデル（故障予知モデル）を生成する（図４参照）。生成された学習済モデルは、判定部３０５に格納される。

次に、ステップＳ１０６において、学習部３０４に格納されているラベリングがされた学習用データ、すなわち正常データと異常データの両方を学習済モデルに入力し、入力と出力の乖離度の経時変化に基づき、判定用閾値を決定する（図９参照）。決定した判定用閾値は、判定部３０５に記憶される。
以上説明した手順により、学習済モデル（故障予知モデル）および判定用閾値が生成される。

次に、機械設備の状態（故障の発生に近づいているか否か）を判定する際に、生成した学習済モデル（故障予知モデル）を用いて故障予知装置３が実行する処理の手順について説明する。
図７は、処理手順を示すフローチャートである。機械設備の状態（故障の発生に近づいているか否か）を判定する処理は、例えばユーザが故障予知装置３の入力部を用いて処理の開始を指示することによりスタートする。あるいは、機械設備の運転時間に応じて自動的に処理が開始されるように、故障予知装置３の制御プログラムを構成しておいてもよい。

処理が開始されると、ステップＳ２０１において、故障予知装置３の収集部３０１は、機械設備の状態を計測するためのセンサー１０から計測データを収集（取得）して格納する。収集部３０１は、収集したデータを評価用の計測データとして、判定部３０５に供給する。

次に、ステップＳ２０２において、判定部３０５は、収集部３０１から入力された評価用計測データに基づいて、機械設備の運転状態の特徴を示す特徴量（評価用特徴量データ）を抽出する。抽出された特徴量は、ステップＳ１０４にて記憶した標準化係数（正常データの平均及び標準偏差）を用いて数式１を用いて標準化（正規化）され、評価用データとして取り扱われる。
次に、ステップＳ２０３において、評価用データは学習済モデル（故障予知モデル）に入力される。

次に、ステップＳ２０４において、判定部３０５は、学習済モデル（故障予知モデル）に入力した値と、学習済モデルから出力される値を用いて機械設備の状態を示す指標値として乖離度（復元誤差）を算出する。

次に、ステップＳ２０５において、判定部３０５は、指標値と判定用閾値とを比較し、機械設備が故障（異常状態）の発生に近づいているか否か、すなわち故障（異常状態）の予兆が有るか無いかを判定する。
指標値（乖離度）が判定用閾値以上（ステップＳ２０５：ｙｅｓ）であれば、機械設備の故障発生が近いと判定し、ステップＳ２０６に移行する。

ステップＳ２０６において、判定部３０５は判定結果をユーザに通知する。通知を行う際には、ユーザインターフェースを介してユーザに通知するとともに、判定に係る情報を記憶部に記憶したり、外部インターフェースを通じて外部装置に提供してもよい。ユーザに通知するには、故障予知装置３の表示部に表示したり、音声メッセージを発したり、紙等の媒体に印刷して出力する等の処理を行なってもよい。ユーザへの通知が完了すると、処理を終了（ＥＮＤ）する。

指標値（乖離度）が判定用閾値未満（ステップＳ２０５：ｎｏ）であれば、機械設備の故障発生までは遠い、すなわち故障の予兆なしと判定し、処理を終了（ＥＮＤ）する。尚、故障の予兆なしと判定した場合であっても、その結果をユーザに通知したり、判定に係る情報を記憶装置に記憶したり、外部インターフェースを通じて外部装置に提供してもよい。

以上のように、本実施形態によれば、例えば生産機械等のように運用上は保全作業が必要で、保全作業により正常状態の範囲内で状態が様々に変化し得る機械設備の計測データから特徴量を抽出し、保全情報に基づいて不要部を削除するクレンジングを行う。クレンジング後に、正常状態の範囲内の特徴量データを正規化して、機械学習用データとする。このように正規化した学習用データを用いて機械学習させることにより、機械設備の正常状態を機械学習した高品質の学習済モデル（故障予知モデル）を生成できる。そして、機械設備の状態を評価（診断）する際には、評価時の計測データから特徴量を抽出し、学習用データセットを作成した時に正規化に用いた標準化係数（正常データの平均及び標準偏差）を用いて標準化（正規化）の処理を行う。標準化（正規化）された評価用データを学習済モデル（故障予知モデル）に入力し、得られた出力と入力の乖離度と判定用閾値とを比較することにより、高精度に故障（異常状態）の予兆を検知することが可能である。

尚、例えば、稀にしか発生しない異常のため学習用のデータサンプル数が少なかったり、機械設備の立ち上げ直後のため稼働データの蓄積が少ない場合がある。そうした場合には、例えば同一機種の他個体の稼働データから特徴量を抽出し、そのデータを診断対象の機械設備から抽出した特徴量に加え、合わせて正規化し、機械学習用データとして用いてもよい。学習用データの質が低下するのを抑制しながら、学習用データの量を増加させることが可能である。

［実施形態２］
実施形態１では、いわゆる教師無し学習の手法により、オートエンコーダを用いて故障予測モデルを作成したが、本発明はいわゆる教師有り学習の手法を用いて故障予測モデルを作成して実施することも可能である。実施形態２は、いわゆる教師有り学習の手法を用いて、状態変数と故障発生との関係性、すなわち故障条件を学習モデルに機械学習させる。

教師あり学習とは、ある入力と結果（ラベル）のデータの組を学習装置に与えて、それらデータセットにある特徴を学習させ、入力から結果を推定するモデル、すなわち入出力の関係性を帰納的に獲得する学習済モデルを構築する手法である。

教師あり学習による本実施形態では、正常・故障の判定を２値分類問題として扱い、学習済みモデルに機械設備の稼働データを与えてモデルから出力される尤度を故障の度合いを示す指標値として扱う。学習モデルに実際故障に至った機械設備の稼働データを与えた際の尤度のふるまいから故障の判定閾値を設け、故障の度合いを示す指標値が判定用閾値以上であれば、故障の予兆を示すとして、機械設備の故障を予知することができる。

本実施形態の故障予知システムの機能ブロックの構成、ハードウェア構成、故障予知方法の説明については、冗長になるのを避けるため、実施形態１と共通或いは類似する部分については、記載をなるべく省略する。

［故障予知方法について］
図６を参照して、教師あり学習の場合の故障予知モデルの生成についての処理手順を説明する。ステップＳ１０１からステップＳ１０４までは、実施形態１と同様の処理手順である。

本実施形態では、ステップＳ１０５において、正規化された稼働データのうちの、正常データのラベルの付いたデータと、異常データのラベルの付いたデータの、両方を用いて機械学習アルゴリズムにより故障予知モデルを生成する。つまり、正規化された特徴量データと、それに結びつけられたラベルを教師データとする学習用データセットを用いて機械学習する。このようにして教師有り学習により生成された学習済モデル（故障予知モデル）は、評価時に未知の評価用データを入力したときに、例えば正常状態らしさ３０％、異常状態（故障状態）らしさ７０％のように、尤度を出力することができる。

本実施形態も、ステップ１０６において判定用閾値を決定するが、本実施形態では正常データと異常データの両方を学習済モデルに入力し、出力される尤度（異常状態らしさ）の経時変化に基づき、判定用閾値を決定する。すなわち、図９において、乖離度の代わりに異常状態（故障状態）らしさを表す尤度の経時変化グラフを求め、所望の所定期間ｔに応じた判定用閾値を決定する。

次に、本実施形態において、機械設備が故障の発生に近づいているか否かを判定する際に、故障予知装置３が、生成した学習済モデル（故障予知モデル）を用いて実行する処理の手順を説明する。
ステップＳ２０１からステップＳ２０３までは、実施形態１と同様の処理手順である。

ステップＳ２０４において、本実施形態では、学習済モデルへの入力と出力の乖離度ではなく、学習済モデルが出力する尤度を指標値として得る。すなわち、判定部３０５には、学習済モデル（故障予知モデル）から出力される尤度（異常状態らしさ）が指標値として入力される。
その後のステップＳ２０５からステップＳ２０６は、実施形態１と同様の処理手順である。

以上のように、本実施形態によれば、例えば生産機械等のように運用上は保全作業が必要で、保全作業により正常状態の範囲内で状態が様々に変化し得る機械設備から特徴量を抽出し、保全情報に基づいて不要部を削除するクレンジングを行う。クレンジング後に、特徴量データを正規化して、機械学習用データとする。このように正規化した学習用データを用いて機械学習させることにより、機械設備の正常状態と異常状態の各々の特徴を機械学習した高品質の学習済モデル（故障予知モデル）を生成できる。そして、機械設備の状態を評価（診断）する際には、評価時の計測データから特徴量を抽出し、学習用データセットを作成した時に正常データの正規化に用いた標準化係数（正常データの平均及び標準偏差）を用いて標準化（正規化）の処理を行う。標準化（正規化）された評価用データを学習済モデル（故障予知モデル）に入力し、得られた出力である尤度を判定用閾値と比較することにより、高精度に故障（異常状態）の予兆を検知することが可能である。

尚、例えば、稀にしか発生しない異常のため学習用のデータサンプル数が少なかったり、機械設備の立ち上げ直後のため稼働データの蓄積が少ない場合がある。そうした場合には、例えば同一機種の他個体の稼働データから特徴量を抽出し、そのデータを診断対象の機械設備から抽出した特徴量に加え、合わせて正規化し、機械学習用データとしてもよい。学習用データの質が低下するのを抑制しながら、学習用データの量を増加させることが可能である。

［他の実施形態］
本発明の実施は、以上説明した実施形態に限定されるものではなく、本発明の技術的思想の範囲内で多くの変形が可能である。
例えば、実施形態では、機械学習の例としてニューラルネットワークを利用する方法を説明したが、機械学習の方法はこれに限られるものではなく、例えば遺伝的プログラミング、機能論理プログラミング、サポートベクターマシンなどを用いてもよい。機械学習を行う装置としては、汎用の計算機もしくはプロセッサを用いることもできるが、ＧＰＧＰＵ機能を備えたグラフィックス・プロセッシング・ユニットや、大規模ＰＣクラスター等を利用すると、高速処理が可能になる。

上述した実施形態によれば、少ない故障事例のデータを用いた機械学習によっても、故障の予測精度が高い故障予知モデルを生成できるが、新たな故障事例が発生した場合に、追加の機械学習をすることを禁止するものではない。すなわち、学習済モデルを生成した後に、新たな故障事例のデータを用いて追加学習を行ってもよい。その場合には、追加学習する故障事例に関する特徴データも正規化処理を行ってから学習用データとする。また、追加学習分を含めて指標値の経時変化を調べ、判定用閾値を変更するのが望ましい。また、最初の学習用データを生成した際の標準化パラメータと、追加学習用の学習用データを生成した際の標準化パラメータとを用いて調整した標準化パラメータにより、評価用の特徴量データを正規化し、追加学習済モデルに入力して評価するのが望ましい。

本発明の故障予知装置は、例えば産業用ロボット、サービス用ロボット、コンピュータによる数値制御で動作する加工機械、等の様々な機械や設備の故障予知に適用することが可能である。機械設備と故障予知装置を一体化して故障予知システムを構成したり、機械設備の一部として故障予知装置を設けてもよい。

本発明は、実施形態の１以上の機能を実現するプログラムを、ネットワーク又は記憶媒体を介してシステム又は装置に供給し、そのシステム又は装置のコンピュータにおける１つ以上のプロセッサがプログラムを読出し実行する処理でも実現可能である。また、１以上の機能を実現する回路（例えば、ＡＳＩＣ）によっても実現可能である。

１・・・稼働データ収集装置／２・・・保全情報収集装置／３・・・故障予知装置／１０・・・センサー／２０・・・手動収集部／２１・・・自動収集部／３０１・・・収集部／３０２・・・学習データ抽出部／３０３・・・正規化部／３０４・・・学習部／３０５・・・判定部／２２・・・表示画面／２３・・・保全作業情報テーブル／２４・・・登録ボタン

Claims (16)

1. 機械設備が正常状態から異常状態に至るまでの計測データと、
   前記機械設備において行われた保全作業および／または前記機械設備で発生した異常状態に係る第１情報と、を取得し、
   前記計測データから前記機械設備の状態に係る特徴量データを抽出し、
   抽出された前記特徴量データの一部を、前記第１情報に基づいて除去し、
   一部が除去された前記特徴量データを正規化して学習用データセットを作成し、
   前記学習用データセットを用いた機械学習により学習済モデルを生成し、
   前記学習済モデルを用いて、評価時における前記機械設備の状態を判定する、
   ことを特徴とする制御方法。
2. 前記機械設備が正常状態から異常状態に至るまでの計測データから判定用閾値設定用の特徴量データを取得し、前記学習用データセットを作成する際に正規化するのに用いた標準化係数を用いて前記判定用閾値設定用の特徴量データを正規化してから前記学習済モデルに入力し、得られた前記学習済モデルの出力を用いて判定用閾値を設定し、
   前記判定用閾値を用いて前記評価時における前記機械設備の状態を判定する、
   ことを特徴とする請求項１に記載の制御方法。
3. 前記評価時における前記機械設備の状態の判定において、
   前記評価時における前記機械設備の状態に係る評価用計測データを取得し、
   前記評価用計測データから評価用特徴量データを抽出し、
   抽出された前記評価用特徴量データを正規化し、
   正規化された前記評価用特徴量データを前記学習済モデルに入力し、
   前記学習済モデルの出力を用いて前記評価時における前記機械設備の状態を判定する、
   ことを特徴とする請求項１または２に記載の制御方法。
4. 抽出された前記評価用特徴量データを正規化する際には、前記学習用データセットを作成する際に正規化するのに用いた標準化係数を用いる、
   ことを特徴とする請求項３に記載の制御方法。
5. 前記第１情報は、前記機械設備において保全作業が行われた時間および／または前記機械設備で発生した異常状態が検知された時間に係る情報を含み、前記時間に係る情報に基づき、前記特徴量データの一部を除去する、
   ことを特徴とする請求項１乃至４のいずれか１項に記載の制御方法。
6. 前記機械設備が正常状態であった期間に対応する前記特徴量データを正規化した前記学習用データセットを用いて、教師無し学習により前記学習済モデルが生成される、
   ことを特徴とする請求項１乃至５のいずれか１項に記載の制御方法。
7. 前記学習済モデルは、オートエンコーダを用いた機械学習により生成される、
   ことを特徴とする請求項６に記載の制御方法。
8. 正規化された前記評価用特徴量データを入力された前記学習済モデルにおける入力と出力の乖離度を用いて、前記評価時における前記機械設備の状態を判定する、
   ことを特徴とする請求項３または４に記載の制御方法。
9. 前記機械設備が正常状態であった期間に対応する正規化された前記特徴量データに正常状態を示すラベリングをしたデータと、前記機械設備が異常状態であった期間に対応する正規化された前記特徴量データに異常状態を示すラベリングをしたデータと、を含む前記学習用データセットを用いて、教師有り学習により前記学習済モデルが生成される、
   ことを特徴とする請求項１乃至５のいずれか１項に記載の制御方法。
10. 正規化された前記評価用特徴量データを入力された前記学習済モデルから出力される尤度を用いて、前記評価時における前記機械設備の状態を判定する、
    ことを特徴とする請求項８に記載の制御方法。
11. 前記第１情報に係る情報を、表示部に表示させる、
    ことを特徴とする請求項１乃至９のいずれか１項に記載の制御方法。
12. 前記評価時における前記機械設備の状態を判定した結果を通知する、
    ことを特徴とする請求項１乃至１１のいずれか１項に記載の制御方法。
13. 機械設備が正常状態から異常状態に至るまでの計測データと、
    前記機械設備において行われた保全作業および／または前記機械設備で発生した異常状態に係る第１情報と、を取得し、
    前記計測データから前記機械設備の状態に係る特徴量データを抽出し、
    抽出された前記特徴量データの一部を、前記第１情報に基づいて除去し、
    一部が除去された前記特徴量データを正規化して学習用データセットを作成し、
    前記学習用データセットを用いた機械学習により学習済モデルを生成し、
    前記学習済モデルを用いて、評価時における前記機械設備の状態を判定する、制御部を備えている、
    ことを特徴とする制御装置。
14. 請求項１３に記載の制御装置を備えた機械設備。
15. 請求項１乃至１２のいずれか１項に記載の制御方法を実行可能な制御プログラム。
16. 請求項１５に記載の制御プログラムを格納した、コンピュータで読み取り可能な記録媒体。

Images