JP2021114255A - 予測装置、予測方法およびプログラム - Google Patents

Abstract

【課題】機器の個体差の影響を受けずに、機器に所定の事象が発生するかどうかを予測する予測システムを提供する。【解決手段】機器に所定の事象が発生するかどうかを予測する、予測システム１０は、機器の稼働状態を示す稼働データを取得するデータ取得部１１と、前記稼働データの確率密度を推定する確率密度推定部１２と、前記稼働データの確率密度推定結果と予測モデルとに基づいて、前記機器に異常が発生するかどうかを予測する異常予測部１４と、を備える。【選択図】図１

Description

本開示は、予測装置、予測方法およびプログラムに関する。

ガスエンジンなどの定常的に運用する機器は、ひとたび故障が起こると長期にわたって機器を停止しなければならなくなる可能性があり、それに伴い大きな損失が発生する可能性もある。精度よく機器の異常予測を行うことができれば、事前メンテナンスなどにより、最低限必要な停止時間で運用することが可能になる。

例えば、特許文献１には、機械学習によって作成した予測モデルによって機器に特定の異常が生じるか否かを予測するとともに、その予測の信頼度を出力する事象予測システムが開示されている。

特開２０１６−１５７２８０号公報

機械学習等の統計手法を用いて機器の異常予測を実行するためには、機器固有の性質を予測に反映させるため、監視対象の機器で異常が発生したときに採取したデータを用いて予測モデルを作成することが考えられる。しかし、この方法は、新規に導入する機器や異常が発生していない機器の異常予測を行う場合には用いることができない。そこで、例えば、同機種の異常が発生した他の機器から採取したデータを用いて予測モデルを作成し、この予測モデルによって、新規に導入した機器の異常を予測することが考えられる。しかし、同機種であっても機器には個体差がある為、単純に機械学習アルゴリズムに適用しても個体差で類別されたようなモデルが得られてしまい、他の機器の異常を予測しても精度が得られない可能性がある。

本開示は、上記課題を解決することができる予測装置、予測方法およびプログラムを提供する。

本開示の予測装置は、機器の稼働状態を示す稼働データを取得するデータ取得部と、前記稼働データの確率密度を推定する確率密度推定部と、前記稼働データの確率密度の推定結果と予測モデルとに基づいて、前記機器に異常が発生するかどうかを予測する異常予測部と、を備える。

また、本開示の予測方法は、予測装置が、機器の稼働状態を示す稼働データを取得するステップと、前記稼働データの確率密度を推定するステップと、前記稼働データの確率密度の推定結果と予測モデルとに基づいて、前記機器に異常が発生するかどうかを予測するステップと、を有する。

また、本開示のプログラムは、コンピュータを、機器の稼働状態を示す稼働データを取得する手段、前記稼働データの確率密度を推定する手段、前記稼働データの確率密度の推定結果と予測モデルとに基づいて、前記機器に異常が発生するかどうかを予測する手段、として機能させる。

上述の予測装置、予測方法およびプログラムによれば、機器の個体差の影響を除外した予測が可能になる。

第一実施形態に係る予測システムの構成例を示す図である。 第一実施形態に係る予測方法を説明する第１の図である。 第一実施形態に係る予測方法を説明する第２の図である。 第一実施形態に係る予測方法を説明する第３の図である。 第一実施形態に係る確率密度の算出方法を説明する図である。 第一実施形態に係る予測モデルの作成処理の一例を示す図である。 第一実施形態に係る予測処理の一例を示す図である。 負荷ごとの燃焼状態の指標値の分布の一例を示す図である。 第二実施形態に係る予測システムの構成例を示す図である。 第二実施形態に係る予測処理の一例を示す図である。 第三実施形態に係る予測システムの構成例を示す図である。 第三実施形態に係る予測処理の一例を示す図である。 第三実施形態に係る予測結果と予測信頼度の一例を示す図である。 第三実施形態に係る予測値の出力の一例を示した図である。 各実施形態に係る予測システムのハードウェア構成の一例を示す図である。

以下、各実施形態に係る予測システムについて、図１〜図１５を参照しながら詳しく説明する。

＜第一実施形態＞
（構成）
図１は、第一実施形態に係る予測システムの構成例を示す図である。
予測システム１は、監視対象の機器５Ａ〜５Ｃ、予測装置１０を含む。機器５Ａ〜５Ｃは、例えば、ガスエンジン、ガスタービン、ボイラ、冷凍機などである。機器５Ａ〜５Ｃは同機種の機器である。
以下の説明では、機器５Ａ〜５Ｃが同機種のガスエンジンであるとし、予測装置１０が、ガスエンジンが有するシリンダで失火が生じるかどうかを予測する場合を例に説明を行う。機器５Ａ〜５Ｂでは、過去にシリンダの失火が生じており、新規に導入した機器５Ｃではシリンダの失火が生じていないとする。

機器５Ａ〜５Ｃには、複数のセンサが設けられていて、各センサは、例えば、ガスエンジンの回転数や出力、シリンダの燃焼状態に関する物理量（例えば、シリンダの圧力や温度等）を計測する。機器５Ａ〜５Ｃは制御装置を備えている。制御装置は、例えばセンサが計測した計測値や計測値に基づいて算出した値が所定の閾値を超過している場合、警告データを発報する。機器５Ａ〜５Ｃは、予測装置１０と接続されていて、機器５Ａ〜５Ｃは、センサが計測した計測値や警告データ等を予測装置１０へ送信する。

予測装置１０は、データ取得部１１と、確率密度推定部１２と、予測モデル作成部１３と、異常予測部１４と、出力部１５と、記憶部１６と、を備える。
データ取得部１１は、機器５Ａ〜５Ｃの稼働データを取得する。稼働データとは、機器５Ａ〜５Ｃの各センサが計測した計測値、又は、計測値に基づいて算出された値である。例えば、機器５Ａ〜５Ｃがガスエンジンの場合、稼働データは、シリンダの圧力や温度、ガスエンジンの出力、回転数等である。また、データ取得部１１は、機器５Ａ〜５Ｃで発生した異常を通知する警告データを取得する。例えば、機器５Ａのシリンダで失火が生じると、データ取得部１１は、失火が生じたシリンダの識別情報、失火の発生時刻、失火の発生を通知する警告データを機器５Ａから取得する。

確率密度推定部１２は、データ取得部１１が取得した稼働データを用いて、異常発生の予測に用いるデータの確率密度を推定する。

予測モデル作成部１３は、確率密度推定部１２が推定した確率密度の推定値に基づいて、機器５Ａ〜５Ｃに異常が発生するかどうかを予測する予測モデルを作成する。例えば、予測モデル作成部１３は、過去に機器５Ａ〜５Ｂでシリンダの失火が生じたときに採取された稼働データの確率密度の推定値を学習して、確率密度がどのような値となると、シリンダの失火が生じるかを判定するための閾値（予測モデル）を算出する。

異常予測部１４は、確率密度推定部１２が推定した確率密度の推定結果と、予測モデル作成部１３が作成した予測モデルと、に基づいて、機器５Ａ〜５Ｃに異常（例えば、シリンダの失火）が発生するかどうかを予測する。
出力部１５は、異常予測部１４による予測結果を出力する。例えば、出力部１５は、予測結果を予測装置１０のモニタに表示したり、電子メール等で他装置へ送信したりする。
記憶部１６は、データ取得部１１が取得した稼働データや、確率密度の推定値、予測モデルなどのデータを記憶する。

（稼働データに基づく異常予測の課題）
図２、図３はそれぞれ、第一実施形態に係る予測方法を説明する第１の図、第２の図である。
図２に、機器５Ａ，５Ｂが有するシリンダの筒内圧力を元に燃焼状態を診断した指標値の推移を示す。図２のグラフの縦軸は指標値の大きさ、横軸は時間である。破線のグラフ２１は機器５Ａの燃焼状態の指標値を示し、実線のグラフ２２は機器５Ｂの燃焼状態の指標値を示す。燃焼状態の指標値は、燃焼が弱い状態でシリンダが回転した割合（例えば、１００回のうち５０回、燃焼が弱い状態でシリンダが回転すると指標値＝５０％である。）を示し、指標値が高い程、燃焼が弱い状態が多く、それだけ失火する可能性が高いことを意味する。燃焼が弱い状態か否かは、シリンダの圧力に基づいて計算される。図示するようにグラフ２２はグラフ２１に比べ、指標値が高い状態で推移している為、機器５Ｂのシリンダで失火が生じることが予想される。しかし、実際には時刻ｔ１において、機器５Ａのシリンダで失火が生じた。これは、２つのシリンダの個体差や、機器５Ａ，５Ｂの圧力センサの取り付け位置の違い、圧力センサの個体差などの影響によるものと考えられる。つまり、機器５Ｂでは、指標値が比較的高い状態で推移していても、それは通常の稼働状態である。一方の機器５Ａでは、指標値が機器５Ｂより低い状態で推移することが通常の稼働状態である。このような場合、例えば、図３に例示するように機器ごとに判定の閾値（機器５Ａの閾値はｘ１、機器５Ｂの閾値はｘ２）を設け、失火の予測を行う方法が考えられる。しかし、このような方法では、機器ごとに閾値を算出する必要がある。また、新たに導入した機器５Ｃについて閾値を設定することができず、予測を行うことができない。そこで、本実施形態では、機器５Ａ〜５Ｃの稼働データに対して個体差を補正する処理を行い、補正後のデータを学習して、個体差に関係なく適用できる予測モデルを作成する。

（個体差の影響を除外した予測モデル）
図４は、第一実施形態に係る予測方法を説明する第３の図である。
図４に、図２で例示した各時刻の燃焼状態の指標値を確率密度に変換したときの確率密度の推移を示す。図４のグラフの縦軸は確率密度、横軸は時間である。燃焼状態の指標値の確率密度とは、各時刻の燃焼状態の指標値の値の出やすさである。グラフ４１は、機器５Ａのシリンダについて算出された燃焼状態の指標値の確率密度、グラフ４２は、機器５Ｂのシリンダについて算出された燃焼状態の指標値の確率密度である。グラフ４１、４２の各時刻の値は、それぞれ、同時刻における機器５Ａ，５Ｂのシリンダの燃焼状態の指標値の値の出やすさを示している。これらの確率密度は、時刻ｔ０からｔ２を定義域として、その間に機器５Ａ，５Ｂのそれぞれで観測された燃焼状態の指標値（図２）に基づいて算出したものである。図示するように、時刻ｔａあたりまでは、グラフ４１、４２ともに１００％に近い値で推移している。これは、時刻ｔａまでに機器５Ａで観測された燃焼状態の指標値は、機器５Ａで頻出する燃焼状態の指標値と同程度の値であったことを示す。機器５Ｂについても同様である。つまり、機器５Ａ，５Ｂともにこの間は通常の稼働状態であったことを示す。ところが、時刻ｔａ以降になるとグラフ４２の確率密度は変動し、特に時刻ｔｂでは大きく低下し、その後、確率密度が低下した時刻ｔ１にて失火が発生している。一方、失火が発生していない機器５Ｂの確率密度（グラフ４２）は、時刻ｔａ以降も比較的高い値のまま推移している。

図２と図４を比較すると、図２では大きな差があった機器５Ａ，５Ｂそれぞれの燃焼状態の指標値が、確率密度に変換した図４では、同程度の大きさの値に補正されていることがわかる。つまり、個体差を含んだデータを確率密度に変換することで、個体差の影響を取り除くことができる。また、時刻ｔｂや時刻ｔ１におけるグラフ４１の値のように低い確率密度となる時刻については、その時刻の燃焼状態の指標値が、通常は出ない珍しい値であることを示している。このように稼働データを確率密度に変換し、確率密度の低下を監視することにより、機器５Ａ〜５Ｃが通常の稼働状態ではないことを検出することができる。そこで、本実施形態では、稼働データを確率密度に変換し、機器５Ａ〜５Ｃの個体差を取り除いたうえで、確率密度と、機器５Ａ，５Ｂに生じた異常の実績との関係を学習して予測モデルを作成する。

（確率密度の推定）
次に確率密度の推定方法について説明する。例えば、あるパラメータの計測値が２０個得られたとする。２０個のうち１９個の値が「１」で、１個の値が「１０」であるとする。すると、１９個の値「１」の確率密度は、それぞれ１９÷２０＝０．９５より９５％である。１個の値「１０」の確率密度は１÷２０＝０．０５より５％である。このように変数が１つで離散的な値を取る場合、各値の出現頻度の算出により簡単に確率密度を求めることができる。しかし、上記の例で１９個の値「１」と、１個の値「１．１」が得られた場合に「１．１」を「１０」と同様に扱っていいかどうかについては検討の余地がある。また、例えば、シリンダの圧力と温度のように複数の変数を含む場合や、出現頻度を単純な正規分布で表すことができない変数について確率密度を求めることは容易ではない。そこで、本実施形態では、変分ベイズ法を用いて、稼働データの確率密度の推定を行う。変分ベイズ法であれば、変数が連続値、離散値の何れであっても扱うことができ、稼働データが多変量データであっても、混合分布であっても稼働データの分布を推定することができる。

図５は、第一実施形態に係る確率密度の算出方法を説明する図である。
例えば、１つのシリンダの失火判定にシリンダの圧力と温度の２つのパラメータを用い、ある時刻における２つのパラメータの値を１セットとする稼働データｘがＮセット（所定時間分）存在する場合、変分ベイズ法では、稼働データｘの分布がＫ個の正規分布の混合で表されると仮定し、Ｋ個の正規分布を含む混合多変量正規分布P（ｘ）を、下記式（２）で定義する（Ｋは任意の値）。そして、下記式（１）で表される尤度Πを最大にする混合多変量正規分布P（ｘ）（下記式（２））のパラメータπ_ｋ（Ｋ個中、ｋ番目の正規分布の混合係数）_、μ_ｋ（Ｋ個中、ｋ番目の正規分布の平均）、[シグマ]_ｋ（Ｋ個中、ｋ番目の正規分布の分散）の３つのパラメータを推定する。推定にあたっては、下記式（３）で表される事前分布を与える。Ｄｉｒはディクレ分布、Ｗはウィシャート分布、ｍ_０、β_０、Ｗ_０、ｖ_０は、それぞれ任意の初期値である。

尤度Πを最大にする３つのパラメータが推定できると、Ｋ個の正規分布それぞれの形状（μ_ｋ、[シグマ]_ｋ）と混合比（π_ｋ）が定まり、それらＫ個の正規分布を重ね合わせることにより、稼働データｘの分布形状が得られる。図５の上図にＮ個の稼働データｘをプロットした図の一例を示す。図５の下図に変分ベイズ法により推定した稼働データｘの分布形状を示す。例えば、図５上図および下図のＸ軸、Ｙ軸は、それぞれシリンダの温度、圧力である。図５下図のＺ軸の値は、各座標の稼働データ（温度と圧力の値の組合せ）が出る確率密度の推定値を示す。説明の便宜上、２変数の場合で説明を行ったが、稼働データｘが３個以上の場合であっても、変分ベイズ法により、任意の稼働データｘに対する確率密度を算出することができる。

（予測モデルの作成処理）
図６は、第一実施形態に係る予測モデルの作成処理の一例を示す図である。
一例として、燃焼状態の指標値に基づいて失火の予測モデルを作成することとする。まず、データ取得部１１が、機器５Ａ，５Ｂから所定期間分の稼働データ（例えば、１日ごとの燃焼状態の指標値）を取得し、記憶部１６がそれらのデータを記憶する（ステップＳ１１）。また、データ取得部１１が、機器５Ａ，５Ｂから稼働データと同じ期間に通知された警告データを取得する。警告データには、例えば、失火が発生したこと、失火したシリンダの識別情報、失火した時刻が含まれる。記憶部１６は、警告データを、稼働データと同じ期間分記憶する。

次に確率密度推定部１２は、稼働データに変分ベイズ法を適用して稼働データの確率密度を推定する（ステップＳ１２）。例えば、確率密度推定部１２は、日ごとの燃焼状態の指標値の確率密度の推定値を算出し、確率密度の推定値を日付と対応付けて記憶部１６に記録する。次に予測モデル作成部１３が、記憶部１６が記憶する警告データを参照して、失火が発生した日の確率密度の推定値に「失火発生」のラベル情報を付し、他の日の確率密度の推定値に「失火無し」のラベル情報を付す前処理を行う（ステップＳ１３）。

次に予測モデル作成部１３は、ラベル情報を付加した確率密度の推定値を学習データとして、所定の手法により失火の発生と確率密度の関係を示す予測モデルを作成する（ステップＳ１４）。予測モデルを作成する手法には、例えば、ＳＶＭ（Support Vector Machine）、決定木、ニューラルネットワークなどを用いることができる。予測モデル作成部１３は、予測モデルを記憶部１６に記録する。作成された予測モデルは、例えば、確率密度の閾値である。なお、この例では、予め燃焼状態の指標値の確率密度の推定値をパラメータとして用いることとしたが、多数のパラメータの確率密度推定値とラベル情報を対応付けた学習データを用いて、機械学習によりパラメータの選択（特徴量選択）を行って、選択したパラメータの確率密度推定値に基づいて予測モデルを作成してもよい。

また、上記処理では、実際に失火した日の稼働データの確率密度推定値に対して「失火発生」のラベルを付すこととしたが、未来（例えば、１か月先まで）の予測を行うために、予測モデル作成部１３は、実際に失火が発生した日から所定期間遡った日（例えば、１か月前）以降であれば失火が生じ得る状態であったと考え、その期間の確率密度推定値に失火発生のラベル情報を付してもよい。例えば、２０１９年８月１日に失火が発生した場合、２０１９年７月１日〜８月１日の確率密度推定値に失火発生のラベルを付す。このような処理により、１ヶ月以内に失火が発生し得る状態になると予測するための予測モデルを作成することができる。

このように本実施形態では、稼働データを確率密度の推定値に変換して、確率密度に基づく予測モデルを作成する。これにより、機器５Ａ〜５Ｃの個体差の影響を排除した、機器５Ａ〜５Ｃに共通の予測モデルを作成することができる。

（予測処理）
次に図７を参照して、新たに導入した機器５Ｃに対する失火の予測処理について説明する。図７は、第一実施形態に係る予測処理の一例を示す図である。
まず、データ取得部１１が、機器５Ｃの最新の稼働データ（例えば、本日の燃焼状態の指標値）を取得する（ステップＳ２１）。データ取得部１１は、最新の稼働データを確率密度推定部１２へ出力する。次に確率密度推定部１２が、最新の稼働データの確率密度を推定する（ステップＳ２２）。記憶部１６には、所定期間における機器５Ｃの稼働データが蓄積されていて、確率密度推定部１２が、蓄積された稼働データと最新の稼働データを用いて、変分ベイズ法により、最新の燃焼状態の指標値の確率密度を推定する。確率密度推定部１２は、確率密度の推定値を異常予測部１４に出力する。次に異常予測部１４は、確率密度の推定値と閾値（予測モデル）とを比較する。

確率密度の推定値が閾値より小さい場合（ステップＳ２３；Ｙｅｓ）、異常予測部１４は、機器５Ｃで異常（シリンダの失火）が発生する可能性があると判定する（ステップＳ２４）。出力部１５は、失火の可能性ありとの予測結果を出力する（ステップＳ２６）。
確率密度の推定値が閾値以上の場合（ステップＳ２３；Ｎｏ）、異常予測部１４は、機器５Ｃで異常（失火）が発生する可能性がないと判定する（ステップＳ２５）。出力部１５は、失火の可能性なしとの予測結果を出力する（ステップＳ２６）。

図７の処理によれば、個体差の大きい機器５Ａ〜５Ｃの異常予測において、新たに導入し、異常が発生していない機器５Ｃについても、機器５Ａ〜５Ｃの個体差の影響を受けることなく、異常の発生を予測することができる。また、稼働データを学習することにより作成した、機器の特性が反映された従来の予測モデルに比べ、精度よく異常の発生を予測することができる。

＜第二実施形態＞
以下、本開示の第二実施形態による予測装置１０ａについて図８〜図１０を参照して説明する。
第一実施形態では、機器５Ａ〜５Ｃの異常を、稼働データの確率密度推定値の低下（発生頻度の低い稼働データの出現）により判定した。例えば、（１）機器５Ａ〜５Ｃが一定の負荷で常時稼働している場合や、（２）１００％の負荷での稼働と８０％の負荷での稼働を半分ずつの割合で行っているような場合であれば、第一実施形態の方法は有効である。例えば、（１）の場合であれば、稼働データの確率密度の推定値は１００％に近い値で推移すると考えられる。また、（２）の場合であれば、それぞれの負荷で稼働している間の稼働データの確率密度の推定値は、どちらの負荷の場合にも５０％に近い値で推移すると考えられる。従って、確率密度の推定値が、基準となる１００％や５０％から大きく低下したときに異常が生じたとみなすことができる。しかし、稼働データを確率密度の推定値に変換するだけでは有効な特徴量とならない場合がある。（３）例えば、１００％の負荷での稼働と８０％の負荷での稼働を９：１の割合で行うような場合、確率密度推定値の低下は、機器５Ａ等が８０％の負荷で稼働したことよって発生した低下なのか、１００％負荷で稼働している間に異常が発生したことによる低下なのか見分けがつかない可能性がある。また、例えば、１日の稼働にあたって、機器５Ａ〜５Ｃが発停を行い、稼働中は定格負荷で稼働するような場合でも、確率密度推定値の低下が、定格負荷で稼働している間の異常の発生によるものなのか、発停によるものなのかを判別できない可能性がある。そこで、本実施形態の予測装置１０ａは、機器５Ａ〜５Ｃの運転モード別に確率密度を推定し、運転モード別に異なる閾値で異常の予測を行う。

図８に負荷ごとの燃焼状態の指標値の分布の一例を示す。例えば、丸印８０内の燃焼状態の指標値は、負荷帯２での稼働中に観測された燃焼状態の指標値の中では発生頻度が高くない（確率密度が低い）。しかし、負荷帯１での稼働中には高い頻度で発生するような値である。従って、負荷帯２での稼働中に丸印８０内の燃焼状態の指標値が観測されれば異常が生じている可能性があり、負荷帯１での稼働中に丸印８０内の燃焼状態の指標値が観測されれば機器５Ａ等は正常に稼働している可能性が高いといえる。このような状況に対応し、予測装置１０ａは、運転モード別（例えば、負荷帯１での稼働を運転モード１、負荷帯２での稼働を運転モード２とする。）に燃焼状態の指標値の確率密度を算出し、運転モード別の閾値によって異常予測を行う。

（構成）
図９は、第二実施形態に係る予測システムの構成例を示す図である。
本開示の第二実施形態に係る予測システム１ａの構成のうち、第一実施形態に係る予測システム１を構成する機能部と同じものには同じ符号を付し、それらの説明を省略する。予測システム１ａは、予測装置１０ａと機器５Ａ〜５Ｃとを含む。予測装置１０ａは、第一実施形態の確率密度推定部１２、予測モデル作成部１３、異常予測部１４に代えて確率密度推定部１２ａ、予測モデル作成部１３ａ、異常予測部１４ａを備えている。また、予測装置１０ａは、設定部１７を備えている。

確率密度推定部１２ａは、稼働データの確率密度推定値について、条件付き確率を算出する。具体的には、稼働データｘの確率密度をＰ（ｘ）とすると、確率密度推定部１２ａは、Ｐ（ｘ|運転モード)を算出する。Ｐ（ｘ|運転モード)は、以下のようにして算出される。
（１）例えば、運転モードが負荷と回転数で判別できる場合、稼働データ（ｘと負荷と回転数）の組合せに変分ベイズ法を適用して、Ｐ（ｘ、負荷、回転数)の同時確率を推定する。
（２）同様にＰ(負荷、回転数)の同時確率を推定する。
（３）Ｐ（ｘ|運転モード)＝Ｐ（ｘ、負荷、回転数)÷Ｐ（負荷、回転数)により、
Ｐ（ｘ|運転モード)を算出する。

予測モデル作成部１３ａは、運転モード別に予測モデルを作成する。例えば、予測モデル作成部１３ａは、運転モード別の条件付き確率Ｐ（ｘ|運転モード)に対して、例えば、その条件付き確率の元となった稼働データが計測された時刻から所定の期間内に異常が発生していれば「異常発生あり」、そうでなければ「異常発生なし」のラベル情報を付して、機械学習により運転モード別の予測モデルを作成する。
異常予測部１４ａは、確率密度推定値の条件付き確率と、運転モード別の予測モデルに基づいて、異常予測を行う。

設定部１７は、運転モード判別に用いるパラメータの設定を受け付ける。例えば、機器５Ａ〜５Ｃがガスエンジンの場合、運転モード（発停、定常負荷での稼働、部分負荷での稼働）が、機器５Ａ〜５Ｃの負荷（発電電力）、エンジンの回転数により判別可能であるとする。ユーザは、パラメータ「負荷」、「回転数」と運転モードの関係を示す設定情報（例えば、負荷が定格負荷を基準とする所定範囲内の値、回転数が定格回転数を基準とする所定範囲内の値であれば運転モードは定格運転、負荷が“閾値１”以下で回転数が“閾値２”以下なら、運転モードは発停中など）の入力を予測装置１０ａに行う。設定部１７は、ユーザによる設定情報の入力を受け付け、設定情報を記憶部１６に記録する。
なお、運転モードを判別するパラメータは、負荷、回転数以外にも、外気温、湿度、天候などを含めるようにしてもよい。

（予測処理）
次に図１０を参照して第二実施形態における異常の予測処理について説明する。図１０は、第二実施形態に係る予測処理の一例を示す図である。
前提として、運転モード判別のための設定情報は設定済みであり、予測モデル作成部１３ａは、運転モード別の予測モデルを作成済みであるとする。

まず、データ取得部１１が、機器５Ｃの最新の稼働データ（例えば、燃焼状態の指標値、負荷、エンジンの回転数）を取得する（ステップＳ３１）。データ取得部１１は、最新の稼働データを確率密度推定部１２ａへ出力する。次に確率密度推定部１２aが、運転モード別に確率密度を推定する（ステップＳ３２）。例えば、記憶部１６には、所定期間における機器５Ｃの稼働データが運転モード別に蓄積されている。確率密度推定部１２ａは、最新の稼働データと運転モード判別のための設定情報から最新の稼働データが示す運転モードを特定する。確率密度推定部１２ａは、蓄積された稼働データのうち特定した運転モードに対応する稼働データと最新の稼働データを用いて、変分ベイズ法により、Ｐ（燃焼状態の指標値、負荷、回転数)の同時確率を推定する。また、確率密度推定部１２ａは、特定した運転モードに対応する稼働データと最新の稼働データを用いて、変分ベイズ法により、Ｐ（負荷、回転数)の同時確率を推定する。確率密度推定部１２ａは、Ｐ（燃焼状態の指標値、負荷、回転数)÷Ｐ（負荷、回転数)により、最新の稼働データが示す運転モードにおける当該稼働データの確率密度を算出する。確率密度推定部１２ａは、運転モード別の確率密度の推定値を異常予測部１４ａに出力する。

次に異常予測部１４ａは、運転モード別の確率密度の推定値と運転モード別の閾値（予測モデル）とを比較する（ステップＳ３３）。異常予測部１４ａは、データ取得部１１が、取得した稼働データの負荷と回転数に基づいて運転モードを判別し、判別した運転モード用の閾値を選択する。異常予測部１４ａは、確率密度推定部１２ａが推定した運転モード別の確率密度の推定値と当該運転モード用の閾値とを比較する。

確率密度の推定値が閾値より小さい場合（ステップＳ３４；Ｙｅｓ）、異常予測部１４ａは、機器５Ｃで異常（シリンダの失火）が発生する可能性があると判定する（ステップＳ３５）。出力部１５は、失火の可能性ありとの予測結果を出力する（ステップＳ３７）。
確率密度の推定値が閾値以上の場合（ステップＳ３４；Ｎｏ）、異常予測部１４ａは、機器５Ｃで異常（失火）が発生する可能性がないと判定する（ステップＳ３６）。出力部１５は、失火の可能性なしとの予測結果を出力する（ステップＳ３７）。

上記のように機器５Ａ等の運転モードが変化し、その中の特定の運転モードでの稼働が珍しい場合、稼働データを確率密度に変換しても、異常が発生したか、珍しい運転モードで稼働しているかの区別がつかない可能性がある。
本実施形態によれば、異なる運転モードが混在する稼働データであっても、運転モード別の確率密度推定結果に基づいて異常判定を行うので、運転モード自体が珍しいのか、稼働データの値が珍しいのかを区別することができ、異常の予測精度を向上することがきる。

＜第三実施形態＞
以下、本開示の第三実施形態による予測装置１０ｂについて図１１〜図１４を参照して説明する。
第一実施形態、第二実施形態では、１つの予測モデルを用いて予測を行った。第三実施形態では、複数の予測モデルを用いて予測を行い、それぞれの予測モデルによる予測値の組み合わせごとに予測の信頼度を算出する。

例えば、機器５Ａ〜５Ｃから得られる稼働データの中には、個体差が少なく異常判定に用いることができるパラメータα、個体差は大きいが運転モードの変化の影響を受けないパラメータβ、個体差が大きく運転モードの変化の影響を受けるパラメータγが含まれる場合がある。このような場合、予測装置１０ｂは、パラメータαについては、従来のパラメータαの値と異常発生の実績との関係を学習した予測モデルα１を作成し、最新のパラメータαと予測モデルα１に基づいて異常予測を行う。また、予測装置１０ｂは、パラメータβについては、第一実施形態と同様の方法でパラメータβの確率密度推定結果と異常発生の実績との関係を学習した予測モデルβ１を作成する。予測装置１０ｂは、最新のパラメータβの値を取得すると、パラメータβの値を確率密度推定値β２に変換し、確率密度推定値β２と予測モデルβ１に基づいて異常予測を行う。また、予測装置１０ｂは、パラメータγについては、第二実施形態と同様の方法でパラメータγの運転モード別の確率密度推定結果と異常発生の実績との関係を学習した予測モデルγ１を作成する。予測装置１０ｂは、最新のパラメータγの値を取得すると、パラメータγの値を運転モード別の確率密度推定値γ２に変換し、確率密度推定値γ２と予測モデルγ１に基づいて異常予測を行う。本実施形態では、このように性質の異なる複数のパラメータを用いて、同時に複数の予測方法で異常発生の予測を行う。

（構成）
図１１は、第三実施形態に係る予測システムの構成例を示す図である。
第三実施形態に係る予測システム１ｂの構成のうち、第二実施形態に係る予測システム１ａを構成する機能部と同じものには同じ符号を付し、それらの説明を省略する。予測システム１ｂは、予測装置１０ｂと機器５Ａ〜５Ｃとを含む。予測装置１０ｂは、第二実施形態の確率密度推定部１２ａ、予測モデル作成部１３ａ、異常予測部１４ａに代えて確率密度推定部１２ｂ、予測モデル作成部１３ｂ、異常予測部１４ｂを備えている。また、予測装置１０ｂは、信頼度算出部１８を備えている。

確率密度推定部１２ｂは、第一実施形態の確率密度推定部１２および第二実施形態の確率密度推定部１２ａの両方の機能を有する。つまり、確率密度推定部１２ｂは、稼働データのパラメータβについて確率密度を推定し、パラメータγについて条件付き確率を推定する。

予測モデル作成部１３ｂは、第一実施形態の予測モデル作成部１３および第二実施形態の予測モデル作成部１３ａの両方の機能を有する。つまり、予測モデル作成部１３ｂは、稼働データの確率密度推定結果に基づく予測モデル（確率密度用の予測モデル）と、運転モード別の確率密度推定結果に基づく予測モデル（運転モード別確率密度用の予測モデル）を作成する。さらに、予測モデル作成部１３ｂは、データ取得部１１が取得した稼働データのうち異常判定に用いるパラメータに基づいて、機器５Ａ〜５Ｃに異常が発生するかどうかを予測する予測モデル（稼働データ用の予測モデル）を作成する機能を有する。例えば、予測モデル作成部１３は、過去に機器５Ａ等でシリンダの失火が生じたときに採取された稼働データ（例えば、シリンダの圧力、温度など）を学習して、稼働データがどのような値となると、シリンダの失火が生じるかを判定するための閾値を算出する。

異常予測部１４ｂは、第一実施形態の異常予測部１４および第二実施形態の異常予測部１４ａの両方の機能を有する。さらに、異常予測部１４ｂは、データ取得部１１が取得した稼働データと予測モデル作成部１３ｂが作成した稼働データ用の予測モデルとに基づいて、機器５Ａ〜５Ｃに異常が発生するかどうかを予測する。つまり、予測モデル作成部１３ｂは、稼働データ用の予測モデルによる予測、確率密度用の予測モデルによる予測、運転モード別確率密度用の予測モデルによる予測の３種類の予測方法で予測を行う。

信頼度算出部１８は、異常予測部１４ｂの予測とその予測に対する実績に基づいて、予測モデルによる予測の信頼度を算出する。例えば、異常予測部１４ｂが１００回、異常が発生すると予測し、そのうち実際に異常が発生した回数が５８回であれば、信頼度算出部１８は、異常予測部１４ｂによる異常発生の予測に対する信頼度を５８％と算出する。例えば、異常予測部１４ｂが１０００回、異常が発生しないと予測し、そのうち実際に異常が発生しなかった回数が９００回であれば、信頼度算出部１８は、異常予測部１４ｂによる異常発生無しとの予測に対する信頼度を９０％と算出する。信頼度算出部１８は、３種類の予測方法別（稼働データ用の予測モデルによる予測、確率密度用の予測モデルによる予測、運転モード別確率密度用の予測モデルによる予測）に予測の信頼度を算出する。

（予測処理）
異常予測部１４ｂは、所定の制御周期で、最新の稼働データに対して３種類の予測方法を用いた異常予測を行う。
確率密度用の予測モデルによる予測、運転モード別確率密度用の予測モデルによる予測については、それぞれ図７、図１０で説明したものと同様である。なお、図７、図１０の何れの処理の場合にも、異常予測部１４ｂは、予測結果を記憶部１６に記録する。次に図１２を参照して、稼働データ用の予測モデルによる予測処理について説明する。
図１２は、第三実施形態に係る予測処理の一例を示す図である。
まず、データ取得部１１が、機器５Ｃの最新の稼働データ（例えば、機器５Ａ〜５Ｃの個体差が比較的小さく、シリンダ失火の判定に有効なパラメータ）を取得する（ステップＳ４１）。次に異常予測部１４ｂは、稼働データと閾値（稼働データ用の予測モデル）とを比較する。稼働データの値が閾値より小さい場合（ステップＳ４２；Ｙｅｓ）、異常予測部１４ｂは、機器５Ｃで異常（例えば、シリンダの失火）が発生する可能性があると判定する（ステップＳ４３）。出力部１５は、失火の可能性ありとの予測結果を出力し、その予測結果を稼働データと対応付けて記憶部１６に記録する（ステップＳ４５）。稼働データの値が閾値以上の場合（ステップＳ４２；Ｎｏ）、異常予測部１４ｂは、機器５Ｃで異常（失火）が発生する可能性がないと判定する（ステップＳ４４）。出力部１５は、失火の可能性なしとの予測結果を出力し、その予測結果を稼働データと対応付けて記憶部１６に記録する（ステップＳ４５）。

図１３は、第三実施形態に係る予測結果と予測信頼度の一例を示す図である。
図１３に異常予測部１４ｂが、３種類の予測方法で予測を行った結果の全ての組合せと、予測に対する実際の結果を示す。例えば、１行目のデータは、予測対象となる機器５Ｃについて、稼働データ用の予測モデルによる予測、確率密度用の予測モデルによる予測、運転モード別確率密度用の予測モデルによる予測の全てによって異常と予測された回数が１００回あり、そのうち実際に異常が発生した回数が９０回で、異常が発生しなかった回数が１０回あったことを示している。この場合の異常発生率は９０％である。つまり、３つの予測方法の全てによって異常と予測されたときの予測の信頼度は９０％である。２行目以降のデータについても同様である。

信頼度算出部１８は、記憶部１６に記録された異常予測部１４ｂによる予測結果と、データ取得部１１が取得した警告データとを組み合わせて予測に対する実績を集計し、図１３に例示するような構造のデータを管理する。例えば、時刻１３：００の稼働データに基づいて、異常予測部１４ｂが３つの方法で予測を行った結果が３つとも正常（異常なし）の場合、データ取得部１１が時刻１３：００から所定期間に警告データを取得しなければ、異常が発生しなかったとみなし、信頼度算出部１８は、図１３の表の稼働データ「正常」、確率密度「正常」、運転モード別確率密度「正常」の行の実績「正常」の値に１を加算する（９９０→９９１）。そして、信頼度算出部１８は、「異常発生率」の値を更新する（１０÷９９１）。また、データ取得部１１が時刻１３：００から所定期間内に機器５Ｃのシリンダでの失火発生の警告データを取得した場合、信頼度算出部１８は、図１３の同じ行の実績「異常」の値に１を加算（１０→１１）し、「異常発生率」の値を更新する（１１÷９９０）。３つの予測方法による予測結果が他の組合せの場合も同様である。信頼度算出部１８は、図１３に例示する構造のデータを記憶部１６に保持し、異常予測部１４ｂが予測を行うたびにその内容を更新する。

また、出力部１５は、３つの予測方法による予測結果とともに、信頼度算出部１８が集計した予測の信頼度（図１３の「異常発生率」）を予測装置１０ｂのモニタ等へ出力する。出力部１５による出力例を図１４に示す。

図１４は、第三実施形態に係る予測値の出力の一例を示した図である。
図１４に稼働データ用の予測モデルによる予測が「異常」、確率密度用の予測モデルによる予測が「正常」、運転モード別確率密度用の予測モデルによる予測が「異常」となった場合の出力例を示す。ユーザは、この出力結果を見て、稼働データ用の予測モデルと運転モード別確率密度用の予測モデルによって所定期間内に異常が発生すると予測され、その予測の信頼度は６０％であることを知ることができる。

本実施形態によれば、稼働データの性質に合わせて、性質（機器間の個体差が大きいか等）に合った複数の方法で予測を行う。これにより、予測精度の向上が期待できる。また、複数の予測モデルによる予測の組み合わせごとに予測の信頼度（図１３、１４の「異常発生率」）を参照することができ、ユーザは、予測の信頼度に基づいて予測結果を評価することができる。

なお、実施形態では、３つの予測方法を全て用いる場合を例に説明を行ったが、３つの予測方法のうちの任意の２つの組合せによって予測を行うようにしてもよい。例えば、機器間の個体差が大きいが運転モードの変化の影響を受けないパラメータが存在しない場合、稼働データ用の予測モデルと運転モード別確率密度用の予測モデルによって予測を行うようにしてもよい。

図１５は、各実施形態に係る予測システムのハードウェア構成の一例を示す図である。
コンピュータ９００は、ＣＰＵ９０１、主記憶装置９０２、補助記憶装置９０３、入出力インタフェース９０４、通信インタフェース９０５を備える。
上述の予測装置１０，１０ａ，１０ｂは、コンピュータ９００に実装される。そして、上述した各機能は、プログラムの形式で補助記憶装置９０３に記憶されている。ＣＰＵ９０１は、プログラムを補助記憶装置９０３から読み出して主記憶装置９０２に展開し、当該プログラムに従って上記処理を実行する。また、ＣＰＵ９０１は、プログラムに従って、記憶領域を主記憶装置９０２に確保する。また、ＣＰＵ９０１は、プログラムに従って、処理中のデータを記憶する記憶領域を補助記憶装置９０３に確保する。

なお、予測装置１０，１０ａ，１０ｂの全部または一部の機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することにより各機能部による処理を行ってもよい。ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。また、「コンピュータシステム」は、ＷＷＷシステムを利用している場合であれば、ホームページ提供環境（あるいは表示環境）も含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、ＣＤ、ＤＶＤ、ＵＳＢ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。また、このプログラムが通信回線によってコンピュータ９００に配信される場合、配信を受けたコンピュータ９００が当該プログラムを主記憶装置９０２に展開し、上記処理を実行しても良い。また、上記プログラムは、前述した機能の一部を実現するためのものであっても良く、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよい。
なお、予測装置１０，１０ａ，１０ｂは、それぞれ複数のコンピュータ９００によって構成されていても良い。

以上のとおり、本開示に係るいくつかの実施形態を説明したが、これら全ての実施形態は、例として提示したものであり、発明の範囲を限定することを意図していない。これらの実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で種々の省略、置き換え、変更を行うことができる。これらの実施形態及びその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

＜付記＞
各実施形態に記載の予測装置１０，１０ａ，１０ｂ、予測方法およびプログラムは、例えば以下のように把握される。

（１）第１の態様に係る予測装置１０，１０ａ，１０ｂは、機器５Ａ〜５Ｃの稼働状態を示す稼働データを取得するデータ取得部１１と、前記稼働データの確率密度を推定する確率密度推定部１２，１２ａ，１２ｂと、前記稼働データの確率密度推定結果と第１の予測モデルとに基づいて、前記機器に異常（例えば、シリンダの失火）が発生するかどうかを予測する異常予測部１４，１４ａ，１４ｂと、を備える。
これにより、機器の個体差の影響を受けずに異常発生の予測を行うことができる。その為、例えば、機器５Ａで発生した異常データを用いて学習した予測モデルを、同型、同機種などの類似機器５Ｂ，５Ｃの監視に適用し、異常の発生を予測することができる。
機器５Ａ〜５Ｃは、ガスエンジン、ガスタービン、蒸気タービン、圧縮機、ボイラ、冷凍機、空調機などであってよい。

（２）第２の態様に係る予測装置１０，１０ａ，１０ｂは、（１）の予測装置１０，１０ａ，１０ｂであって、の前記確率密度推定部１２，１２ａ，１２ｂは、変分ベイズ法により前記確率密度を推定する。
これにより、稼働データが連続データ、多変量データ、分布が複雑なデータであっても、確率密度推定が可能になる。

（３）第３の態様に係る予測装置１０ａ，１０ｂは、（１）〜（２）の予測装置１０ａ，１０ｂであって、前記確率密度推定部１２ａ，１２ｂは、前記機器５Ａ〜５Ｃの運転モード別に前記稼働データの確率密度を推定し、前記異常予測部１４ａ，１４ｂは、前記運転モード別の確率密度の推定結果と、前記運転モード別の第２の予測モデルとに基づいて前記運転モード別に異常の発生の予測を行う。
これにより、複数の運転モードが存在し、その一部の運転モードで機器５Ａ〜５Ｃを稼働する割合が、他の運転モードで異常が発生する確率密度の推定結果と同等に低い場合でも、前記一部の運転モードでの稼働を異常が発生する予兆であると認識して誤った異常予測を行うことなく、異常発生の予兆となる確率密度の低下を捉えて異常予測を行うことができる。

（４）第４の態様に係る予測装置１０ａ，１０ｂは、（３）の予測装置１０ａ，１０ｂであって、前記機器５Ａ〜５Ｃは、回転機械であって、前記確率密度推定部１２ａ、１２ｂは、前記機器５Ａ〜５Ｃの出力と回転数とに基づいて前記運転モードを判別する。
これにより、機器５Ａ〜５Ｃの運転モードを判別することができる。

（５）第５の態様に係る予測装置１０ｂは、（３）〜（４）の予測装置１０ｂであって、前記確率密度推定部１２ｂは、前記稼働データの確率密度と、前記運転モード別の前記稼働データの確率密度とを推定し、前記異常予測部１４ｂが、前記稼働データの確率密度の推定結果および前記第１の予測モデルに基づいて前記機器に異常が発生するかどうかを予測するとともに、前記運転モード別の確率密度の推定結果および前記第２の予測モデルに基づいて前記運転モード別に異常の発生の予測を行う。
これにより、性質の異なる稼働データ（個体差が大きく運転モードの影響が少ない稼働データ、個体差が大きく運転モードの影響が大きい稼働データ）を利用して複数の予測方法によって異常予測を行うことができるため、予測精度の向上が期待できる。

（６）第６の態様に係る予測装置１０ｂは、（５）の予測装置１０ｂであって、前記異常予測部１４ｂの予測とその予測に対する前記異常が発生したかどうかの実績とに基づいて、前記予測の信頼度を算出する信頼度算出部１８、をさらに備え、前記信頼度算出部１８は、前記第１の予測モデルおよび前記第２の予測モデルのそれぞれに基づく予測値の組み合わせごとに前記信頼度を算出する。
これにより、ユーザは、予測結果についての信頼度を把握することができる。

（７）第７の態様に係る予測装置１０は、（１）または（２）の予測装置１０であって、所定期間における前記稼働データから推定した前記確率密度の推定結果と、前記稼働データを取得した機器に前記所定期間において異常が発生したか否かを示す情報とが対応付けられた学習データとに基づいて、当該機器に前記異常が発生するかどうかを予測する予測モデルを作成する予測モデル作成部１３、をさらに備える。

（８）第８の態様に係る予測装置１０、１０ｂは、機器の稼働状態を示す稼働データを取得するデータ取得部１１と、前記稼働データの確率密度を推定する確率密度推定部１２、１２ｂと、所定期間における前記稼働データから推定した前記確率密度の推定結果と、前記稼働データを取得した機器に前記所定期間において異常が発生したか否かを示す情報とが対応付けられた学習データに基づいて、当該機器に前記異常が発生するかどうかを予測する予測モデルを作成する予測モデル作成部１３、１３ｂと、を備える予測装置。
第７、第８の態様によれば、機器の個体差の影響を受けない予測を可能とする予測モデルを作成することができる。

（９）第９の態様に係る予測方法は、予測装置が、機器の稼働状態を示す稼働データを取得するステップと、前記稼働データの確率密度を推定するステップと、前記稼働データの確率密度の推定結果と予測モデルとに基づいて、前記機器に異常が発生するかどうかを予測するステップと、を有する。

（１０）第１０の態様に係るプログラムは、コンピュータを、機器の稼働状態を示す稼働データを取得する手段、前記稼働データの確率密度を推定する手段、前記稼働データの確率密度の推定結果と予測モデルとに基づいて、前記機器に異常が発生するかどうかを予測する手段、として機能させる。

１、１ａ、１ｂ・・・予測システム
１０、１０ａ、１０ｂ・・・予測装置
１１・・・データ取得部
１２、１２ａ、１２ｂ・・・確率密度推定部
１３、１３ａ、１３ｂ・・・予測モデル作成部
１４、１４ａ、１４ｂ・・・異常予測部
１５・・・出力部
１６・・・記憶部
１７・・・設定部
１８・・・信頼度算出部
９００・・・コンピュータ
９０１・・・ＣＰＵ
９０２・・・主記憶装置
９０３・・・補助記憶装置
９０４・・・入出力インタフェース
９０５・・・通信インタフェース

Claims (10)

1. 機器の稼働状態を示す稼働データを取得するデータ取得部と、
   前記稼働データの確率密度を推定する確率密度推定部と、
   前記稼働データの確率密度の推定結果と第１の予測モデルとに基づいて、前記機器に異常が発生するかどうかを予測する異常予測部と、
   を備える予測装置。
2. 前記確率密度推定部は、変分ベイズ法により前記確率密度を推定する、
   請求項１に記載の予測装置。
3. 前記確率密度推定部は、前記機器の運転モード別に前記稼働データの確率密度を推定し、前記異常予測部は、前記運転モード別の確率密度の推定結果と、前記運転モード別の第２の予測モデルとに基づいて前記運転モード別に異常の発生の予測を行う、
   請求項１または請求項２に記載の予測装置。
4. 前記機器は、回転機械であって、
   前記確率密度推定部は、前記機器の出力と回転数とに基づいて前記運転モードを判別する、
   請求項３に記載の予測装置。
5. 前記確率密度推定部は、前記稼働データの確率密度と、前記運転モード別の前記稼働データの確率密度とを推定し、
   前記異常予測部が、前記稼働データの確率密度の推定結果および前記第１の予測モデルに基づいて前記機器に異常が発生するかどうかを予測するとともに、前記運転モード別の確率密度の推定結果および前記第２の予測モデルに基づいて前記運転モード別に異常の発生の予測を行う、
   請求項３または請求項４に記載の予測装置。
6. 前記異常予測部の予測とその予測に対する前記異常が発生したかどうかの実績とに基づいて、前記予測の信頼度を算出する信頼度算出部、
   をさらに備え、
   前記信頼度算出部は、前記第１の予測モデルおよび前記第２の予測モデルのそれぞれに基づく予測値の組み合わせごとに前記信頼度を算出する、
   請求項５に記載の予測装置。
7. 所定期間における前記稼働データから推定した前記確率密度の推定結果と、前記稼働データを取得した機器に前記所定期間において異常が発生したか否かを示す情報とが対応付けられた学習データとに基づいて、当該機器に前記異常が発生するかどうかを予測する予測モデルを作成する予測モデル作成部、
   をさらに備える請求項１または請求項２に記載の予測装置。
8. 機器の稼働状態を示す稼働データを取得するデータ取得部と、
   前記稼働データの確率密度を推定する確率密度推定部と、
   所定期間における前記稼働データから推定した前記確率密度の推定結果と、前記稼働データを取得した機器に前記所定期間において異常が発生したか否かを示す情報とが対応付けられた学習データとに基づいて、当該機器に前記異常が発生するかどうかを予測する予測モデルを作成する予測モデル作成部と、
   を備える予測装置。
9. 予測装置が、
   機器の稼働状態を示す稼働データを取得するステップと、
   前記稼働データの確率密度を推定するステップと、
   前記稼働データの確率密度の推定結果と予測モデルとに基づいて、前記機器に異常が発生するかどうかを予測するステップと、
   を有する予測方法。
10. コンピュータを、
    機器の稼働状態を示す稼働データを取得する手段、
    前記稼働データの確率密度を推定する手段、
    前記稼働データの確率密度の推定結果と予測モデルとに基づいて、前記機器に異常が発生するかどうかを予測する手段、
    として機能させるためのプログラム。

Images