JP2021099744A - 異常診断装置およびプログラム - Google Patents

Abstract

【課題】診断対象装置の状態を正確に判定できる異常診断装置を提供する。【解決手段】異常診断装置１００は、検出対象となる故障モードを選択する故障モード選択部１０６と、診断対象装置１０または他の装置における故障モードに対応するデータである故障対応測定データに基づいて、診断対象装置１０の故障の有無を判定するための教師データＤＴを作成する教師データ作成部１０３と、教師データＤＴに基づいて、故障モードにおける測定項目の重要度を算出する測定項目重要度算出部１０４と、算出された重要度に基づいて、測定項目の一部を故障モードに対する特徴量として選択する特徴量選定部１０５と、特徴量に係る測定データに基づいて、故障モードに対応する異常度Ａを算出する異常度算出部１０７と、算出された異常度Ａに基づいて、診断対象装置１０の状態を判定する装置状態判定部１０８と、を備える。【選択図】図１

Description

本発明は、異常診断装置およびプログラムに関する。

風車等の機械の状態監視では、機械に装備しているセンサ等を用いて、機械の温度や加速度等の物理量を一定の頻度で収集し、収集したデータを分析処理することにより、機械の状態を監視し、正常/異常の判断を行うことが多い。近年では、人工知能技術の一分野である機械学習技術を活用して、過去に収集した機械の稼動データを学習（“トレーニング”とも呼ぶ）し、現在の状態を推定，判断する異常診断手法が提案されている（下記特許文献１および非特許文献１）。例えば、下記特許文献１の要約書には、「設備状態監視装置は、監視対象設備の正常時における状態量変動データから抽出される正常時特徴量群に基づいて、監視対象設備の監視時の監視時特徴量群の異常度を算出するための異常度算出モデルを作成する異常度算出モデル作成部と、異常度算出モデルを用いて、監視時特徴量群の異常度を算出する異常度算出部と、異常度に基づいて監視対象設備の異常の有無を判定する異常判定部と、異常判定部によって異常有りと判定された異常度を算出するのに用いた監視時特徴量群を構成する複数の特徴量の各々による異常度への寄与度を求める異常寄与度算出部と、寄与度および監視対象設備の異常原因と複数の特徴量との関係性を示す因果マトリクスに基づいて、異常原因を特定する異常原因特定部と、を備える」と記載されている。

特開２０１９−１２８７０４号公報

鈴木，内山，湯田：データマイニングによる異常検知技術。オペレーションズ・リサーチ，2012年9月号，pp. 506〜511

上述した機械学習による異常診断手法では、監視対象設備からの測定データの一部を入力データとして使用する。以下、異常診断手法の入力に使用される測定データのことを“特徴量”または“特徴量群”と呼ぶ。風力発電装置等、構造が複雑な装置では、測定データの種類と数が膨大である。そのため、特徴量群として適用する測定データの選択状態に応じて、異常診断の結果が大きく変わる場合がある。従来、利用者の主観的な判断で特徴量群を選択する場合が多く、異常診断の結果が不正確になる場合があった。
上述のように、特許文献１には、「監視時特徴量群の異常度を算出する」、「複数の特徴量の各々による異常度への寄与度を求める」と記載されているが、これでは、「異常診断に用いられる特徴量群」の選択が不適切であれば、「異常度」や「寄与度」の算出結果が不適切になるという問題があった。
この発明は上述した事情に鑑みてなされたものであり、診断対象装置の状態を正確に判定できる異常診断装置およびプログラムを提供することを目的とする。

上記課題を解決するため本発明の異常診断装置は、診断対象装置における複数の測定項目の測定データを記憶するデータベースと、検出対象となる故障モードを選択する故障モード選択部と、前記診断対象装置または他の装置における前記故障モードに対応するデータである故障対応測定データに基づいて、前記診断対象装置の故障の有無を判定するための教師データを作成する教師データ作成部と、前記教師データに基づいて、前記故障モードにおける前記測定項目の重要度を算出する測定項目重要度算出部と、算出された前記重要度に基づいて、前記測定項目の一部を前記故障モードに対する特徴量として選択する特徴量選定部と、前記特徴量に係る前記測定データに基づいて、前記故障モードに対応する異常度を算出する異常度算出部と、算出された前記異常度に基づいて、前記診断対象装置の状態を判定する装置状態判定部と、を備えることを特徴とする。

本発明によれば、診断対象装置の状態を正確に判定できる。

好適な第１実施形態による異常診断システムのブロック図である。 測定データのデータ構造の一例を示す図である。 故障データの一例を示す図である。 教師データの一例を示す図である。 重要度データの一例を示す図である。 異常度の時間分布の一例を示す図である。 異常診断装置において実行される異常診断処理ルーチンのフローチャートである。

［第１実施形態］
〈第１実施形態の構成〉
図１は、好適な第１実施形態による異常診断システム１のブロック図である。
図１において、異常診断システム１は、診断対象装置１０と、センサ部２０と、異常診断装置１００（コンピュータ）と、を備えている。なお、本実施形態において、診断対象装置１０は風力発電装置である。センサ部２０は、診断対象装置１０の各部における温度、圧力、加速度等の物理量を計測するＮ個（Ｎは複数）のセンサ２２−１〜２２−Ｎを備えている。そして、センサ部２０は、センサ２２−１〜２２−Ｎの測定結果である物理量を所定のサンプリング周期でサンプリングし、その結果を測定データＤＭとして異常診断装置１００に供給する。異常診断装置１００は、センサ部２０から供給された測定データＤＭに基づいて、診断対象装置１０の状態を診断する。

異常診断装置１００は、ＣＰＵ（Central Processing Unit）、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、ＳＳＤ（Solid State Drive）等、一般的なコンピュータとしてのハードウエアを備えており、ＳＳＤには、ＯＳ（Operating System）、アプリケーションプログラム、各種データ等が格納されている。ＯＳおよびアプリケーションプログラムは、ＲＡＭに展開され、ＣＰＵによって実行される。図１において、異常診断装置１００の内部は、アプリケーションプログラム等によって実現される機能を、ブロックとして示している。

すなわち、異常診断装置１００は、測定データ取得部１０１と、故障データ取得部１０２と、教師データ作成部１０３（教師データ作成手段）と、測定項目重要度算出部１０４（測定項目重要度算出手段）と、特徴量選定部１０５（特徴量選定手段）と、故障モード選択部１０６（故障モード選択手段）と、異常度算出部１０７（異常度算出手段）と、装置状態判定部１０８（装置状態判定手段）と、データベース１１０（データベース手段）と、を備えている。

測定データ取得部１０１は、センサ部２０から測定データＤＭを取得する。データベース１１０は、一または複数の記憶装置を備えており、各種データを電子ファイル形式で格納する。例えば、データベース１１０は、以下に列挙するデータを記憶する。各々のデータの内容については後述する。
・測定データ取得部１０１が取得した測定データＤＭ
・過去の故障データＤＦ
・教師データＤＴ
・測定データの重要度を示す重要度データＤＱ、
・異常診断の結果である、異常度Ａの時系列データ、
・状態データＤＣ、
・故障モードリストＭＬ

図２は、測定データＤＭのデータ構造の一例を示す図である。
図示の例において、サンプリング時刻ts_1，ts_2，…ts_maxは、サンプリング周期毎の時刻である。そして、測定データＤＭは、センサ２２−１〜２２−Ｎの各々について（換言すればＮ個の測定項目Ｐ１〜ＰＮについて）、サンプリング時刻ts_1，ts_2，…ts_maxにおける計測結果を含んでいる。このように、測定データＤＭは、各センサ２２−１〜２２−Ｎから収集される時系列データの集合であり、図２のようなマトリクスとして記述することができる。

図１に戻り、故障データ取得部１０２は、診断対象装置１０において故障が発見された際、当該故障に関連する故障データＤＦをデータベース１１０に記録させる。
図３は、故障データＤＦの一例を示す図である。
図示のように、故障データＤＦは、故障発見日時ＤＦＴと、故障モードＤＦＭと、故障対応測定データＤＦＫと、を含んでいる。ここで、故障発見日時ＤＦＴとは、ユーザまたは故障監視装置（図示せず）が診断対象装置１０の故障を発見した日時を示すデータである。

また、故障モードＤＦＭとは、発見された故障の具体的内容に対応するデータであり、例えば図示のように「増速機中速軸ピニオン損傷」、「発電機軸受損傷」等が挙げられる。また、故障対応測定データＤＦＫとは、上述した測定データＤＭの一部であって、故障発見日時ＤＦＴに至る迄の所定期間内の測定データＤＭに等しい。

図１に戻り、データベース１１０に記憶される故障モードリストＭＬは、上述した故障モードＤＦＭ（図３参照）として選択し得る種々の故障モードを列挙したリストである。また、教師データ作成部１０３は、上述した故障データＤＦに基づいて、教師データＤＴを生成する。

図４は、教師データＤＴの一例を示す図である。
図示の例において、サンプリング時刻ts_a，ts_b，ts_c，ts_d等は、サンプリング周期毎の時刻である。但し、図４においては、下から上に向かって時刻が進行しており、サンプリング時刻ts_dは、故障発見日時ＤＦＴ（図３参照）に等しい。サンプリング時刻ts_cは、ts_dよりも所定時間Ｔ１（第１の所定時間）だけ過去の時刻であり、サンプリング時刻ts_bはts_cの直前のサンプリング時刻である。また、サンプリング時刻ts_aは、ts_bよりも所定時間Ｔ２（第２の所定時間）だけ過去の時刻である。

そして、教師データＤＴは、センサ２２−１〜２２−Ｎ（図１参照）による測定項目Ｐ１〜ＰＮの各々についてサンプリング時刻ts_a〜ts_dにおける計測結果を含んでいる。さらに、教師データＤＴは、異常フラグＤＴＦというフラグを含んでいる。換言すれば、教師データＤＴは、故障データＤＦ（図３参照）に含まれる故障対応測定データＤＦＫと、異常フラグＤＴＦとを含んでいる。異常フラグＤＴＦは、サンプリング時刻ts_c〜ts_dに対して“１”であり、サンプリング時刻ts_a〜ts_bに対して“０”である。

ここで、異常フラグＤＴＦが“１”であるサンプリング時刻は、「異常が発生している可能性が高い」時刻であり、“０”であるサンプリング時刻は、「異常が発生している可能性が低い」時刻である。そして、異常フラグＤＴＦが“１”である範囲の教師データＤＴを異常時教師データＤＴ１と呼び、“０”である範囲の教師データＤＴを正常時教師データＤＴ２と呼ぶ。ここで、所定時間Ｔ１，Ｔ２の値は、対応する故障モードＤＦＭ（図３参照）に関連する部品知識や、診断対象装置１０の稼働履歴等から決定するとよい。

図１に戻り、測定項目重要度算出部１０４は、上述した教師データＤＴに基づいて、重要度データＤＱを算出する。ここで、重要度データＤＱは、Ｎ個の測定項目（センサ２２−１〜２２−Ｎの測定結果）に各々対応するＮ個の重要度Ｑ１〜ＱＮを含むものである。Ｎ個の測定項目と、異常フラグＤＴＦの値には相関関係があり、重要度Ｑ１〜ＱＮは、Ｎ個の測定項目の各々が異常フラグＤＴＦの値に及ぼす影響の大きさを示すものである。例えば、重要度Ｑ１〜ＱＮとして、「異常フラグＤＴＦの値に対する寄与度」を採用することができる。但し、重要度Ｑ１〜ＱＮは「寄与度」に限られるものではなく、例えば「寄与率」等、異常フラグＤＴＦの値に及ぼす影響の大きさを表す他の指標であってもよい。

重要度Ｑ１〜ＱＮを算出する手法は、例えば教師データＤＴについて、決定木等の機械学習アルゴリズムを用いて、異常時教師データＤＴ１および正常時教師データＤＴ２について学習を実行し、その計算結果として、故障対応測定データＤＦＫに含まれている各測定項目の重要度を求めるとよい。また、重要度Ｑ１〜ＱＮは、これらの合計が所定値、例えば「１」になるように正規化しておくと好ましい。
図５は、重要度データＤＱの一例を示す図である。図示の例において、測定項目は、重要度が大きい順にリストアップされている。

図１に戻り、特徴量選定部１０５は、重要度データＤＱの中から、重要度が大きい順にＭ個（但しＭ＜Ｎ）の測定項目を抽出し、抽出した測定項目に係る測定データを異常診断のための特徴量として選択する。特徴量数Ｍは、対応する故障モードＤＦＭ（図３参照）に関連する部品知識や、ユーザの指定等に応じて設定するとよいが、例えば「２」〜「１０」の範囲になることが多い。但し、より高い診断精度が要求される場合には、特徴量数Ｍをさらに大きくするとよい。異常診断のために選択された複数の特徴量を、選択特徴量ＤＱＳ（特徴量、図５参照）と呼ぶ。図５に示す例においては、特徴量数Ｍを「３」とし、「風速_Average」、「発電機軸受後方加速度_Max」および「ナセル加速度_Average」の３個の測定項目に係る測定データを選択特徴量ＤＱＳとして選択している。

図１において、故障モード選択部１０６は、予め設定されている故障モードリストＭＬ（図１参照）の中から、ユーザの操作に基づいて、診断対象となる故障モードＤＦＭを選択する。また、異常度算出部１０７は、選択特徴量ＤＱＳ（図５参照）と、正常時教師データＤＴ２（図４参照）と、に基づいて正常モデルを作成し、この正常モデルと測定データの実測値との距離を定量化して、異常度として算出する。例えば、異常度算出部１０７は、マハラノビス・タグチ法という統計的アルゴリズムを用いて、診断対象装置１０の異常度Ａを下式（１）に基づいて計算することができる。下式（１）において、ｘは選択特徴量ＤＱＳによるＭ次元の特徴量ベクトルであり、μは正常時教師データＤＴ２における特徴量ベクトルｘの平均値であり、σは正常時教師データＤＴ２における特徴量ベクトルｘの分散である。
Ａ＝（ｘ−μ）²／σ² …式（１）

装置状態判定部１０８は、異常度Ａの値に基づいて、故障モードＤＦＭに関して診断対象装置１０の状態が正常であるか異常であるかの判定を行う。例えば、故障モードＤＦＭに関して、異常度Ａが所定の閾値Ａ_th以上であれば「異常」と判定し、異常度Ａが閾値Ａ_th未満であれば「正常」と判定することができる。装置状態判定部１０８は、故障モードＤＦＭに関して、診断対象装置１０の状態が正常であるか否かの判定結果を状態データＤＣ（図１参照）としてデータベース１１０に格納する。すなわち、状態データＤＣは、故障モードＤＦＭの各々について診断対象装置１０が正常であるか否かを示すデータになる。

図６は、異常度Ａの時間分布の一例を示す図である。図６において横軸は時間であり、縦軸は異常度Ａである。図示の例においては、異常度Ａが閾値Ａ_th以上になるタイミングが存在するため、装置状態判定部１０８は、対応する故障モードＤＦＭについて「診断対象装置１０が異常である」と判定する。この装置状態判定部１０８における処理は、下式（２）に示すような疑似コードで記述することができる。

ＩＦ（異常度Ａ≧閾値Ａ_thとなるタイミングが存在する？）
ＴＨＥＮ 診断対象装置１０が異常である。
ＥＬＳＥ 診断対象装置１０が正常である。 …式（２）

〈第１実施形態の動作〉
次に、第１実施形態の動作について説明する。
図７は異常診断装置１００において実行される異常診断処理ルーチンのフローチャートである。ここで、異常診断処理ルーチンは、異常度Ａが計算される前に実行されるオフライン処理ルーチンＲ１０と、異常度Ａを計算するオンライン処理ルーチンＲ２０と、に分類される。

オフライン処理ルーチンＲ１０において処理がステップＳ１２に進むと、教師データ作成部１０３は、測定データＤＭと、故障データＤＦとに基づいて、各々の故障モードＤＦＭ（図３参照）に対応する教師データＤＴを作成する。次に、処理がステップＳ１４に進むと、測定項目重要度算出部１０４は、教師データＤＴに対して決定木学習を行い、重要度データＤＱを作成する。次に、処理がステップＳ１６に進むと、特徴量選定部１０５は、各々の故障モードＤＦＭについて、選択特徴量ＤＱＳを選択し、選択結果をデータベース１１０に格納する。

また、オンライン処理ルーチンＲ２０において処理がステップＳ２２に進むと、故障モード選択部１０６は、ユーザの操作に基づいて、診断対象となる故障モードＤＦＭを選択する。次に、処理がステップＳ２４に進むと、異常度算出部１０７は、選択特徴量ＤＱＳ（図５参照）と、正常時教師データＤＴ２（図４参照）と、上述した式（１）と、に基づいて、異常度Ａの時系列分布、すなわち各サンプリング時刻における異常度Ａを算出する。次に、処理がステップＳ２６に進むと、装置状態判定部１０８は、異常度Ａの時系列分布に基づいて、対応する故障モードＤＦＭについて診断対象装置１０の異常の有無を判定し、その判定結果に応じて状態データＤＣ（図１参照）を更新する。

〈変形例〉
本発明は上述した実施形態に限定されるものではなく、種々の変形が可能である。上述した実施形態は本発明を理解しやすく説明するために例示したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、上記実施形態の構成に他の構成を追加してもよく、構成の一部について他の構成に置換をすることも可能である。また、図中に示した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、製品上で必要な全ての制御線や情報線を示しているとは限らない。実際には殆ど全ての構成が相互に接続されていると考えてもよい。上記実施形態に対して可能な変形は、例えば以下のようなものである。

（１）上記実施形態においては、診断対象装置１０として風力発電装置を適用した例を説明した。しかし、診断対象装置１０は、風力発電装置に限定されるものではなく、工業機械、電気自動車、鉄道車両、船舶、エレベータ、エスカレータ等、種々の機器を診断対象装置１０として適用することができる。

（２）上記実施形態においては、Ｎ個の測定項目に各々対応する重要度Ｑ１〜ＱＮを算出するために、決定木学習のアルゴリズムを採用した。しかし、重要度Ｑ１〜ＱＮを算出するために決定木以外の機械学習アルゴリズムを適用してもよい。例えば、ランダムフォレストやサポートベクトルマシン等のアルゴリズで教師データＤＴを学習し、重要度Ｑ１〜ＱＮを求めてもよい。

（３）上記実施形態においては、診断対象装置１０の異常診断を行うために、診断対象装置１０自体から取得した故障データＤＦ（図３参照）を使用した。しかし、例えば、診断対象装置１０が設置された直後では、故障データＤＦが無い場合や、故障データＤＦの量が少なすぎる場合もある。そこで、故障データＤＦとして、診断対象装置１０と同一仕様または類似仕様の他の機器における故障データＤＦを適用し、これに基づいて教師データＤＴ等を生成してもよい。

特に、診断対象装置１０が風力発電装置である場合、故障データＤＦの流用元である「他の機器」は、同じウィンドファームの他の号機であることが好ましい。これは、診断対象装置１０と「他の機器」とは、風速、風向、気温等の自然条件が近似するためである。また、故障データＤＦの流用元の「他の機器」と、診断対象装置１０との特性の違いに基づいて、故障データＤＦや教師データＤＴ等を補正してもよい。

（４）また、上記実施形態においては、１台の異常診断装置１００によって１つのデータベース１１０が実現されている。しかし、複数台の異常診断装置１００をネットワーク（図示せず）に接続し、該ネットワーク上のストレージにおいてデータベース１１０を実現してもよい。また、ネットワーク上の複数のコンピュータによって分散処理を行うことによって異常診断装置１００の機能を実現してもよい。

（５）上記実施形態における異常診断装置１００のハードウエアは一般的なコンピュータによって実現できるため、図７に示したフローチャート、その他上述した各種処理を実行するプログラム等を記憶媒体に格納し、または伝送路を介して頒布してもよい。

（６）図７に示した処理、その他上述した各処理は、上記実施形態ではプログラムを用いたソフトウエア的な処理として説明したが、その一部または全部をＡＳＩＣ(Application Specific Integrated Circuit；特定用途向けＩＣ)、あるいはＦＰＧＡ(Field Programmable Gate Array)等を用いたハードウエア的な処理に置き換えてもよい。

〈第１実施形態の効果〉
以上のように本実施形態の異常診断装置１００は、検出対象となる故障モードＤＦＭを選択する故障モード選択部１０６と、診断対象装置１０または他の装置における故障モードＤＦＭに対応するデータである故障対応測定データＤＦＫに基づいて、診断対象装置１０の故障の有無を判定するための教師データＤＴを作成する教師データ作成部１０３と、教師データＤＴに基づいて、故障モードＤＦＭにおける測定項目Ｐ１〜ＰＮの重要度Ｑ１〜ＱＮを算出する測定項目重要度算出部１０４と、算出された重要度Ｑ１〜ＱＮに基づいて、測定項目Ｐ１〜ＰＮの一部を故障モードＤＦＭに対する特徴量（ＤＱＳ）として選択する特徴量選定部１０５と、特徴量（ＤＱＳ）に係る測定データＤＭに基づいて、故障モードＤＦＭに対応する異常度Ａを算出する異常度算出部１０７と、算出された異常度Ａに基づいて、診断対象装置１０の状態を判定する装置状態判定部１０８と、を備える。

本実施形態によれば、算出された重要度Ｑ１〜ＱＮに基づいて、測定項目Ｐ１〜ＰＮの一部を故障モードＤＦＭに対する特徴量（ＤＱＳ）として選択するため、診断対象装置１０の状態を正確に判定できる。

また、故障対応測定データＤＦＫは、診断対象装置１０から取得したデータであることが好ましい。
これは、診断対象装置１０から故障対応測定データＤＦＫは、診断対象装置１０の状態に適合する度合いが高いと考えられるためである。

また、教師データＤＴは、異常が発生していると推定する異常時教師データＤＴ１と、正常であると推定する正常時教師データＤＴ２と、を含むものであり、教師データ作成部１０３は、故障発見日時ＤＦＴから第１の所定時間（Ｔ１）だけ過去に至るまでの故障対応測定データＤＦＫを異常時教師データＤＴ１として選択し、異常時教師データＤＴ１のうち最古（ts_c）のデータの直前（ts_b）のデータから第２の所定時間（Ｔ２）だけ過去に至るまでの故障対応測定データＤＦＫを正常時教師データＤＴ２として選択するものであり、第１および第２の所定時間（Ｔ１，Ｔ２）は故障モードＤＦＭに応じて設定された時間であることが好ましい。

このように、第１および第２の所定時間（Ｔ１，Ｔ２）を故障モードＤＦＭに応じて設定することにより、診断対象装置１０の故障状態に応じた適切な第１および第２の所定時間（Ｔ１，Ｔ２）を設定することができる。

１０ 診断対象装置
１００ 異常診断装置（コンピュータ）
１０３ 教師データ作成部（教師データ作成手段）
１０４ 測定項目重要度算出部（測定項目重要度算出手段）
１０５ 特徴量選定部（特徴量選定手段）
１０６ 故障モード選択部（故障モード選択手段）
１０７ 異常度算出部（異常度算出手段）
１０８ 装置状態判定部（装置状態判定手段）
１１０ データベース（データベース手段）
Ａ 異常度
ＤＭ 測定データ
ＤＴ 教師データ
Ｔ１ 所定時間（第１の所定時間）
Ｔ２ 所定時間（第２の所定時間）
ＤＦＫ 故障対応測定データ
ＤＦＭ 故障モード
ＤＦＴ 故障発見日時
ＤＱＳ 選択特徴量（特徴量）
ＤＴ１ 異常時教師データ
ＤＴ２ 正常時教師データ
Ｐ１〜ＰＮ 測定項目
Ｑ１〜ＱＮ 重要度

Claims (4)

1. 診断対象装置における複数の測定項目の測定データを記憶するデータベースと、
   検出対象となる故障モードを選択する故障モード選択部と、
   前記診断対象装置または他の装置における前記故障モードに対応するデータである故障対応測定データに基づいて、前記診断対象装置の故障の有無を判定するための教師データを作成する教師データ作成部と、
   前記教師データに基づいて、前記故障モードにおける前記測定項目の重要度を算出する測定項目重要度算出部と、
   算出された前記重要度に基づいて、前記測定項目の一部を前記故障モードに対する特徴量として選択する特徴量選定部と、
   前記特徴量に係る前記測定データに基づいて、前記故障モードに対応する異常度を算出する異常度算出部と、
   算出された前記異常度に基づいて、前記診断対象装置の状態を判定する装置状態判定部と、を備える
   ことを特徴とする異常診断装置。
2. 前記故障対応測定データは、前記診断対象装置から取得したデータである
   ことを特徴とする請求項１に記載の異常診断装置。
3. 前記教師データは、異常が発生していると推定する異常時教師データと、正常であると推定する正常時教師データと、を含むものであり、
   前記教師データ作成部は、故障発見日時から第１の所定時間だけ過去に至るまでの前記故障対応測定データを前記異常時教師データとして選択し、前記異常時教師データのうち最古のデータの直前のデータから第２の所定時間だけ過去に至るまでの前記故障対応測定データを前記正常時教師データとして選択するものであり、
   前記第１および第２の所定時間は前記故障モードに応じて設定された時間である
   ことを特徴とする請求項２に記載の異常診断装置。
4. コンピュータを、
   診断対象装置における複数の測定項目の測定データを記憶するデータベース手段、
   検出対象となる故障モードを選択する故障モード選択手段、
   前記診断対象装置または他の装置における前記故障モードに対応するデータである故障対応測定データに基づいて、前記診断対象装置の故障の有無を判定するための教師データを作成する教師データ作成手段、
   前記教師データに基づいて、前記故障モードにおける前記測定項目の重要度を算出する測定項目重要度算出手段、
   算出された前記重要度に基づいて、前記測定項目の一部を前記故障モードに対する特徴量として選択する特徴量選定手段、
   前記特徴量に係る前記測定データに基づいて、前記故障モードに対応する異常度を算出する異常度算出手段、
   算出された前記異常度に基づいて、前記診断対象装置の状態を判定する装置状態判定手段、
   として機能させるためのプログラム。

Images