JP2021149156A5 - - Google Patents

Description

本発明は、保守支援システム及び保守支援方法に関する。

近年、電力、鉄道、上下水道、都市交通等の社会インフラにおいて、現場の設備にセンサを取り付け、これらのセンサによって取得された値を予め定められた閾値等のパラメータと比較することで、監視対象の設備が正常に作動しているか、異常が発生しているかを判定する設備保守システムが知られている。

こうした設備保守システムで用いられる設備が多様化するにつれて、これらの設備の状態を正確に把握するために必要なセンサの種類、数、及び機能が共に多様化している。しかし、センサの種類、数、及び機能が多様化すると、監視対象の設備について異常が発生しているか否かを判定するために用いる異常判定用パラメータを適切な値に設定することが困難となる。

従って、特定の設備について異常が発生しているか否かを判定するための異常判定用パラメータを効率良く決定する手段が求められており、いくつかの提案がなされている。
例えば、特許文献１には、「情報処理装置（１０１）は、時系列の信号から成る監視対象データの正常な値の範囲を示す正常域を上限値と下限値とから設定する設定部（１０５）と、監視対象データが正常域を外れたか否かを判定し、外れたと判定した場合に監視対象データが正常域から外れたと判定した時刻である判定時刻を出力する判定部（１０７）と、既知の監視対象データのうち正常な値の信号から成る複数の学習データの平均値と監視対象データとの差を示す外れ度合いに基づいて、判定部（１０７）から入力された判定時刻より前であって監視対象データが異常を示し始めた開始時刻を検出する検出部（１０８）と、を備えた」技術が記載されている。

また、近年、センサ等の設備から取得された業務データ間の因果関係を検出する手段や、検出した因果関係を学習するアルゴリズム等が提案されている。
例えば、特許文献２には、「業務改善支援装置１００において、業務データ群５における各業務データ４に関して非線形値を計算し、当該非線形値を業務データ群５に追加する非線形項追加部１１１と、業務データ４それぞれに関する回帰式を線形重回帰により算出する重回帰分析部１１２と、ここで算出した回帰式において線形項の有無を判定し、当該線形項を構成する所定データと回帰式の目的変数とを同一のグループに設定するデータグループ設定部１１３と、前記所定データを除く業務データ４を、線形重回帰分析の説明変数候補として選別する説明変数候補選別部１１４を含む」技術が記載されている。

国際公開第２０１６／１１６９６１号 特開２０１８－１５６３４６号広報

上記の特許文献１には、複数のセンサからの信号の標準偏差に基づいた計算により、設備について異常が発生しているか否かを判定するための閾値を算出することが記載されている。これにより、信号が異常を示し始めた時刻をより正確に求めることができる。
しかし、特許文献１に記載の手段では、最適な設定値を決定するのに時間を要するパラメータが存在するため、迅速なパラメータ決定が求められるリアルタイム監視については、適用が難しい。

また、上記の特許文献２には、業務データにおける因果関係を示す因果構造モデル（以下、「ＣＬＤ式」；Ｃａｕｓａｌ Ｌｏｏｐ Ｄｉａｇｒａｍ Ｆｏｒｍｕｌａという）を用いて、当該データ間の非線形性を考慮することで、所定データ間の因果関係を推定することが記載されている。
しかし、特許文献２に記載の手段では、設備について異常が発生しているか否かを判定するための閾値を判定することが想定されていない。

そこで、本発明は、センサ間の因果関係を示すＣＬＤモデルを用いて、監視対象の設備について異常が発生しているか否かを判定するための異常判定用パラメータを効率良く決定し、決定した異常判定用パラメータを用いてリアルタイムにセンサから取得されたデータを分析することで、当該データを正常、ノイズ、及び異常等のカテゴリーに分類する保守支援手段を提供することを目的とする。

上記の課題を解決するために、代表的な本発明の１つは、監視対象の設備の状態に関する状態データを取得するセンサのセットと、前記監視対象の設備について異常が発生したか否かを判定する保守支援装置と、少なくとも前記状態データを格納するストレージ装置と、を含む保守支援システムであって、前記保守支援装置は、前記監視対象の設備の異常判定に用いられる異常判定用パラメータを生成するパラメータ生成部を含み、前記パラメータ生成部は、前記センサのセットから取得され、監視対象の設備の状態に関する第１の状態データのセットと、前記センサのセットに対応する因果構造モデルを用いて、前記センサのセットに含まれるそれぞれのセンサの精度を示す精度値のセットを推定する精度推定部と、前記精度値のセットから抽出した値を含む異常判定用パラメータの候補を用いて前記第１の状態データのセットを分析することで、所定の異常検出率基準及び所定の誤警報率基準を満たす異常判定用パラメータを前記異常判定用パラメータの候補から特定し、前記ストレージ装置に格納するパラメータ特定部と、を含む。

本発明によれば、センサ間の因果関係を示すＣＬＤモデルを用いて、監視対象の設備について異常が発生しているか否かを判定するための異常判定用パラメータを効率良く決定し、決定した異常判定用パラメータを用いてリアルタイム監視でセンサから取得されたデータを分析することで、当該データを正常、ノイズ、及び異常等のカテゴリーに分類する保守支援手段を提供することができる。

図１は、本発明の実施形態を実施するためのコンピュータシステムを示す図である。 図２は、本発明の実施形態に係る保守支援システムのハードウェア構成の一例を示す図である。 図３は、本発明の実施形態に係る保守支援システムの論理構成の一例を示す図である。 図４は、本発明の実施形態に係るセンサによって取得された監視データの一例を示す図である。 図５は、本発明の実施形態に係る過去の異常データの一例を示す図である。 図６は、本発明の実施形態に係るＣＬＤ式及び異常判定用パラメータＤＢの構成の一例を示す図である。 図７は、本発明の実施形態に係るリアルタイム監視データＤＢの構成の一例を示す図である。 図８は、本発明の実施形態に係る設備状態画面の一例を示す図である。 図９は、本発明の実施形態に係る異常確認画面の一例を示す図である。 図１０は、本発明の実施形態に係るデータ分析画面の一例を示す図である。 図１１は、本発明の実施形態に係る異常検出性能の指標の一例を説明するための図である。 図１２は、本発明の実施形態に係る異常判定用パラメータを説明するための図である。 図１３は、本発明の実施形態に係るノイズ判定方法の一例を示す図である。 図１４は、本発明の実施形態に係る異常判定用パラメータ決定処理の流れを示す図である。 図１５は、本発明の実施形態に係る精度リストの一例を示す図である。 図１６は、本発明の実施形態に係る異常検証処理の流れの一例を示す図である。 図１７は、本発明の実施形態に係るリアルタイム異常判定処理の流れの一例を示す図である。 図１８は、本発明の実施形態に係る異常判定の一例を示す図である。 図１９は、本発明の実施形態に係る保守作業の流れの一例を示す図である。

以下、図面を参照して、本発明の実施形態について説明する。なお、この実施形態により本発明が限定されるものではない。また、図面の記載において、同一部分には同一の符号を付して示している。
（ハードウェア構成）

まず、図１を参照して、本開示の実施形態を実施するためのコンピュータシステム３００について説明する。本明細書で開示される様々な実施形態の機構及び装置は、任意の適切なコンピューティングシステムに適用されてもよい。コンピュータシステム３００の主要コンポーネントは、１つ以上のプロセッサ３０２、メモリ３０４、端末インターフェース３１２、ストレージインタフェース３１４、Ｉ／Ｏ（入出力）デバイスインタフェース３１６、及びネットワークインターフェース３１８を含む。これらのコンポーネントは、メモリバス３０６、Ｉ／Ｏバス３０８、バスインターフェースユニット３０９、及びＩ／Ｏバスインターフェースユニット３１０を介して、相互的に接続されてもよい。

コンピュータシステム３００は、プロセッサ３０２と総称される１つ又は複数の汎用プログラマブル中央処理装置（ＣＰＵ）３０２Ａ及び３０２Ｂを含んでもよい。ある実施形態では、コンピュータシステム３００は複数のプロセッサを備えてもよく、また別の実施形態では、コンピュータシステム３００は単一のＣＰＵシステムであってもよい。各プロセッサ３０２は、メモリ３０４に格納された命令を実行し、オンボードキャッシュを含んでもよい。

ある実施形態では、メモリ３０４は、データ及びプログラムを記憶するためのランダムアクセス半導体メモリ、記憶装置、又は記憶媒体（揮発性又は不揮発性のいずれか）を含んでもよい。メモリ３０４は、本明細書で説明する機能を実施するプログラム、モジュール、及びデータ構造のすべて又は一部を格納してもよい。例えば、メモリ３０４は、保守支援アプリケーション３５０を格納していてもよい。ある実施形態では、保守支援アプリケーション３５０は、後述する機能をプロセッサ３０２上で実行する命令又は記述を含んでもよい。

ある実施形態では、保守支援アプリケーション３５０は、プロセッサベースのシステムの代わりに、またはプロセッサベースのシステムに加えて、半導体デバイス、チップ、論理ゲート、回路、回路カード、および/または他の物理ハードウェアデバイスを介してハードウェアで実施されてもよい。ある実施形態では、保守支援アプリケーション３５０は、命令又は記述以外のデータを含んでもよい。ある実施形態では、カメラ、センサ、または他のデータ入力デバイス（図示せず）が、バスインターフェースユニット３０９、プロセッサ３０２、またはコンピュータシステム３００の他のハードウェアと直接通信するように提供されてもよい。

コンピュータシステム３００は、プロセッサ３０２、メモリ３０４、表示システム３２４、及びＩ／Ｏバスインターフェースユニット３１０間の通信を行うバスインターフェースユニット３０９を含んでもよい。Ｉ／Ｏバスインターフェースユニット３１０は、様々なＩ／Ｏユニットとの間でデータを転送するためのＩ／Ｏバス３０８と連結していてもよい。Ｉ／Ｏバスインターフェースユニット３１０は、Ｉ／Ｏバス３０８を介して、Ｉ／Ｏプロセッサ（ＩＯＰ）又はＩ／Ｏアダプタ（ＩＯＡ）としても知られる複数のＩ／Ｏインタフェースユニット３１２，３１４，３１６、及び３１８と通信してもよい。

表示システム３２４は、表示コントローラ、表示メモリ、又はその両方を含んでもよい。表示コントローラは、ビデオ、オーディオ、又はその両方のデータを表示装置３２６に提供することができる。また、コンピュータシステム３００は、データを収集し、プロセッサ３０２に当該データを提供するように構成された1つまたは複数のセンサ等のデバイスを含んでもよい。

例えば、コンピュータシステム３００は、心拍数データやストレスレベルデータ等を収集するバイオメトリックセンサ、湿度データ、温度データ、圧力データ等を収集する環境センサ、及び加速度データ、運動データ等を収集するモーションセンサ等を含んでもよい。これ以外のタイプのセンサも使用可能である。表示システム３２４は、単独のディスプレイ画面、テレビ、タブレット、又は携帯型デバイスなどの表示装置３２６に接続されてもよい。

Ｉ／Ｏインタフェースユニットは、様々なストレージ又はＩ／Ｏデバイスと通信する機能を備える。例えば、端末インタフェースユニット３１２は、ビデオ表示装置、スピーカテレビ等のユーザ出力デバイスや、キーボード、マウス、キーパッド、タッチパッド、トラックボール、ボタン、ライトペン、又は他のポインティングデバイス等のユーザ入力デバイスのようなユーザＩ／Ｏデバイス３２０の取り付けが可能である。ユーザは、ユーザインターフェースを使用して、ユーザ入力デバイスを操作することで、ユーザＩ／Ｏデバイス３２０及びコンピュータシステム３００に対して入力データや指示を入力し、コンピュータシステム３００からの出力データを受け取ってもよい。ユーザインターフェースは例えば、ユーザＩ／Ｏデバイス３２０を介して、表示装置に表示されたり、スピーカによって再生されたり、プリンタを介して印刷されたりしてもよい。

ストレージインタフェース３１４は、１つ又は複数のディスクドライブや直接アクセスストレージ装置３２２（通常は磁気ディスクドライブストレージ装置であるが、単一のディスクドライブとして見えるように構成されたディスクドライブのアレイ又は他のストレージ装置であってもよい）の取り付けが可能である。ある実施形態では、ストレージ装置３２２は、任意の二次記憶装置として実装されてもよい。メモリ３０４の内容は、ストレージ装置３２２に記憶され、必要に応じてストレージ装置３２２から読み出されてもよい。Ｉ／Ｏデバイスインタフェース３１６は、プリンタ、ファックスマシン等の他のＩ／Ｏデバイスに対するインターフェースを提供してもよい。ネットワークインターフェース３１８は、コンピュータシステム３００と他のデバイスが相互的に通信できるように、通信経路を提供してもよい。この通信経路は、例えば、ネットワーク３３０であってもよい。

ある実施形態では、コンピュータシステム３００は、マルチユーザメインフレームコンピュータシステム、シングルユーザシステム、又はサーバコンピュータ等の、直接的ユーザインターフェースを有しない、他のコンピュータシステム（クライアント）からの要求を受信するデバイスであってもよい。他の実施形態では、コンピュータシステム３００は、デスクトップコンピュータ、携帯型コンピュータ、ノートパソコン、タブレットコンピュータ、ポケットコンピュータ、電話、スマートフォン、又は任意の他の適切な電子機器であってもよい。

次に、図２を参照して、本発明の実施形態に係る保守支援システムのハードウェア構成について説明する。

図２は、本発明の実施形態に係る保守支援システムのハードウェア構成の一例を示す図である。図２に示すように、保守支援システム３６０は、主に通信ネットワーク３６５、監視対象の設備３７０、センサ３７５、ストレージ装置３８０、及び保守支援装置３８５からなる。監視対象の設備３７０、センサ３７５、ストレージ装置３８０、及び保守支援装置３８５は、通信ネットワーク３６５を介して互いに接続されている。
通信ネットワーク３６５は、例えばローカルエリアネットワーク（ＬＡＮ）、ワイドエリアネットワーク（ＷＡＮ）、衛星ネットワーク、ケーブルネットワーク、ＷｉＦｉネットワーク、またはそれらの任意の組み合わせを含むものであってもよい。また、監視対象の設備３７０、センサ３７５、ストレージ装置３８０、及び保守支援装置３８５の接続は、有線であってもよく、無線であってもよい。

監視対象の設備３７０は、電力、鉄道、上下水道、都市交通等の社会インフラにおいて、特定の目的を果たすための機器である。監視対象の設備３７０は、例えば空調機、エスカレーター、昇降機、プラント装置、工作機械等の制御システムであってもよい。監視対象の設備３７０は、１つ以上の制御システムを連結、または分散して構成されていてもよい。また、監視対象の設備３７０は、後述するセンサ３７５を備えていてもよい。
なお、監視対象の設備３７０は直接に通信ネットワーク３６５に接続せず、監視対象の設備３７０が備えるセンサ３７５のみが通信ネットワーク３６５に接続する構成も可能である。

センサ３７５は、上述した監視対象の設備３７０に関する情報を取得するための装置である。ここでのセンサ３７５の種類は特に限定されず、監視対象の設備３７０の
用途、機能、及び種類に応じて適宜に選択されて配置されてもよい。例えば、監視対象の設備３７０が空調機の場合には、センサ３７５は、空調機の内部に配置されているコンプレッサー等の部品の状態に関するデータを取得するように構成されたセンサであってもよい。他の例としては、センサ３７５は、例えば湿度データ、温度データ、圧力データ等を収集する環境センサであってもよく、加速度データ、運動データ等を収集するモーションセンサであってもよく、特に限定されない。

ストレージ装置３８０は、通信ネットワーク３６５を介して監視対象の設備３７０、センサ３７５、及び保守支援装置３８５に用いられる各種データを管理し、記憶するためのストレージ部である。このストレージ装置３８０は、例えば、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等のローカルストレージであってもよく、保守支援装置３８５にアクセス可能なクラウド型ストレージ領域であってもよい。
図２に示すように、ストレージ装置３８０は、過去のデータＤＢ３８１、リアルタイム監視データＤＢ３８２、及びＣＬＤ式及びパラメータＤＢ３８３を格納してもよい。これらの各種データの詳細については後述する。

保守支援装置３８５は、監視対象の設備３７０について異常が発生しているか否かを判定し、異常が検出された場合に、当該異常の迅速な対応を支援するための装置である。図２に示すように、保守支援装置３８５は、主にパラメータ生成部３８６、異常判定部３８９、及び警告管理部３９２とを含む。

パラメータ生成部３８６は、監視対象の設備３７０について異常が発生しているか否かを判定するために用いる異常判定用パラメータを生成するための機能部である。
図２に示すように、パラメータ生成部３８６は、センサ３７５から取得され、監視対象の設備３７０の状態に関する第１の状態データ（例えば、過去のデータＤＢ３８１のデータ）と、センサ３７５に対応する因果構造モデル（例えば、ＣＬＤ式及びパラメータＤＢ３８２に格納されている因果構造モデル）を用いて、センサ３７５の精度を示す精度値のセットを推定する精度推定部３８７と、精度値のセットから抽出した値を含む異常判定用パラメータの候補を用いて第１の状態データのセットを分析することで、所定の異常検出率基準及び所定の誤警報率基準を満たす異常判定用パラメータを異常判定用パラメータの候補から特定し、ストレージ装置３８０に格納するパラメータ特定部３８８とを含む。

異常判定部３８９は、パラメータ生成部３８６によって決定された異常判定用パラメータを用いて、センサ３７５から送信される第２の状態（例えば、リアルタイム監視データＤＢ３８２のデータ）を分析することで監視対象の設備３７０について異常が発生しているか否かを判定する機能部である。
図２に示すように、異常判定部３８９は、センサ３７５から、監視対象の設備３７０の状態に関する第２の状態データのセット（例えば、リアルタイム監視データＤＢ３８２のデータ）と、センサ３７５に対応する因果構造モデル（例えば、ＣＬＤ式及びパラメータＤＢ３８２に格納されている因果構造モデル）を用いて、センサ３７５の精度を示す精度値のセットを推定する精度推定部３９０と、異常判定用パラメータを用いて第２の状態データのセットを分析することで、第２の状態データのセットを正常、異常、ノイズ等のカテゴリーに分類したデータ分類結果を生成し、当該データ分類結果を出力するデータ分類部３９１とを含む。

警告管理部３９２は、監視対象の設備３７０について異常が検出された場合に、当該異常に関する警告を通知する機能部である。
図２に示すように、警告管理部３９２は、異常判定部３８９によって生成されたデータ分類結果に基づいて、監視対象の設備３７０について検出された異常に関する警告を生成する警告生成部３９３と、当該警告を所定の第三者（監視対象の設備３７０の管理者、作業員など）に通知する警告送信部３９４とを含む。

なお、保守支援システム３６０に含まれるそれぞれの機能部は、図１に示す保守支援アプリケーション３５０を構成するソフトウエアモジュールであってもよく、独立した専用ハードウェアデバイスであってもよい。また、上記の機能部は、同一のコンピューティング環境に実施されてもよく、分散されたコンピューティング環境に実施されてもよい。例えば、警告管理部３９２を遠隔のサーバに実装し、それ以外の機能部を保守支援装置３８５に実装する構成であってもよい。

次に、図３を参照して、本発明の実施形態に係る保守支援システムの論理構成について説明する。

図３は、本発明の実施形態に係る保守支援システム３６０の論理構成の一例を示す図である。図３に示すように、保守支援システム３６０は、監視対象の設備３７０、センサ３７５、ストレージ装置３８０、及び保守支援装置におけるパラメータ生成部３８６、異常判定部３８９、及び警告管理部３９２を含む。

本発明の実施形態に係る保守支援システム３６０の基本的な流れとしては、パラメータ生成部３８６は、センサ３７５から取得した監視対象の設備３７０に関する過去のデータ（例えば、図中の「過去のデータＤＢ３８１」）に基づいて異常判定用パラメータを生成し、その後、異常判定部３８９は、センサ３７５から取得した監視対象の設備３７０に関するリアルタイム監視データ（例えば、図中の「リアルタイム監視データＤＢ３８２」）を、当該異常判定用パラメータによって分析することにより、分析したデータを正常、異常、ノイズなどのカテゴリーに分類する。以下、この流れの詳細について説明する。

上述したように、本発明の実施形態に係る保守支援システム３６０は、ストレージ装置３８０を含み、当該ストレージ装置３８０は、過去のデータＤＢ３８１、リアルタイム監視データＤＢ３８２、及びＣＬＤ式及びパラメータＤＢ３８３を含む。
過去のデータＤＢ３８１は、センサ３７５を介して監視対象の設備３７０について取得した過去のデータであり、本発明の実施形態に係る異常判定用パラメータを決定するための学習用データである。この過去のデータＤＢ３８１は、例えば過去の１カ月、過去の６カ月、過去の１年間等、任意の期間で取得されたデータであってもよい。
また、この過去のデータＤＢ３８１は、過去の異常の記録を示す異常データＤＢ４０５と、過去の異常の記録を取り除いたデータを示す正常データＤＢ４０７と、過去の異常、ノイズ、及び過去の正常のデータを全て含む全監視データＤＢ４０６とを含む。
ＣＬＤ式及びパラメータＤＢ３８３は、監視対象の設備３７０に対応する因果構造モデルから導出した因果構造式（以下、「ＣＬＤ式」；Ｃａｕｓａｌ Ｌｏｏｐ Ｄｉａｇｒａｍ Ｆｏｒｍｕｌａという）と、それぞれのＣＬＤ式について生成した異常判定用パラメータとを含む。なお、これらのＣＬＤ式及びパラメータについては後述する。
リアルタイム監視データＤＢ３８２は、センサ３７５を介して監視対象の設備３７０について取得したリアルタイムの監視データである。このリアルタイムのデータは、例えば、以前に取得した過去のデータＤＢ３８１と異なり、現在（例えば、所定の時間以内に）センサ３７５から取得され、保守支援装置に配信されているデータであってもよい。

まず、ステップＳ４０１では、パラメータ生成部３８６において、監視対象の設備３７０に備えられている各センサについて、ＣＬＤ式（Ｃ[i]）を取得する。ここで取得される各センサのＣＬＤ式は、監視対象の設備３７０に備えられている各センサについて、当該センサが測定するデータの予測値を計算するための式である。各センサについてＣＬＤ式が既に生成されてＣＬＤ式及びパラメータＤＢ３８３に格納されている場合には、ステップＳ４０１では、パラメータ生成部３８６は、各センサに対応するＣＬＤ式をＣＬＤ式及びパラメータＤＢ３８３から取得してもよい。また、各センサに対応するＣＬＤ式がまだ生成されていない場合には、ステップＳ４０１では、パラメータ生成部３８６は、各センサに対応するＣＬＤ式を新たに生成してもよい。

ステップＳ４０２では、パラメータ生成部３８６は、ステップＳ４０１で取得したＣＬＤ式と、全監視データＤＢ４０６とを用いて、監視対象の設備３７０に備えられている各センサについて、当該センサの精度値Ｐ[ｊ]を計算する。特定のセンサ[ｊ]の精度値Ｐ[j]は、以下の数式１から求められる。

ここでは、ｃは、ＣＬＤ式から求められるセンサの予測値であり、ｒは、全監視データＤＢ４０６から取得される当該センサの実際の測定値である。

ステップＳ４０３では、パラメータ生成部３８６は、ステップＳ４０１で取得したＣＬＤ式と、全監視データＤＢ４０６とを用いて、各センサについて、精度値の標準誤差σ[ｊ]を計算する。ここでの標準誤差の計算は、既存の手段によって計算されてもよく、特に限定されない。

ステップＳ４０４では、パラメータ生成部３８６は、異常データＤＢ４０５、ステップＳ４０２で計算された各センサの精度値Ｐ[ｊ]、及びステップＳ４０３で計算された各センサの精度値の標準誤差σ[ｊ]とに基づいて、各センサの異常判定用パラメータを決定する。
なお、ここでの異常判定用パラメータは、特定のセンサ[ｊ]の精度の閾値Ｔｈ[ｊ]と、当該精度の標準誤差σ[ｊ]と、所定の間隔Ｍと、所定の間隔において、当該精度の閾値を満たすデータ点の数Ｎとを含む。異常判定用パラメータを決定する処理の詳細については後述する。

ステップＳ４０５では、パラメータ生成部３８６は、ステップＳ４０４で決定した異常判定用パラメータによる異常判定の性能を表す検出率（ＤＲ）及び誤警報率（ＦＡＲ）を計算する。

以上の処理により、特定の監視対象の設備３７０について、異常が発生しているか否かを効率良く判定するためのパラメータを決定することができる。ここで決定した異常判定用パラメータを用いて、センサ３７５を介して監視対象の設備３７０について取得したリアルタイム監視データを分析することにより、分析したデータを正常、異常、ノイズなどのカテゴリーに分類することができる。以下、この流れの詳細について説明する。

次に、ステップＳ４０６では、異常判定部３８９は、センサ３７５を介して取得されたリアルタイム監視データＤＢ３８２を用いて、各センサについて、当該センサのリアルタイム精度値ＰＲ[ｊ]を計算する。

ステップＳ４０７では、異常判定部３８９は、ステップＳ４０４で決定した異常判定用パラメータを用いてリアルタイム監視データＤＢ３８２を分析することにより、当該リアルタイム監視データにおける正常の値、ノイズの値、及び異常の値を識別する。

ステップＳ４０８では、異常判定部３８９は、ステップＳ４０７の判定結果として、分析されたリアルタイム監視データＤＢ３８２を、正常、ノイズ、異常などのカテゴリーに分類したデータ分類結果を、警告管理部３９２に出力する。

ステップＳ４０９では、警告管理部３９２は、ステップＳ４０８で生成されたデータ分類結果に基づいて、監視対象の設備３７０について検出された異常に関する警告を生成する。

ステップＳ４１０では、警告管理部３９２は、ステップＳ４０９で生成された警告を所定の第三者（監視対象の設備３７０の管理者、作業員など）に通知する。

以上の処理により、センサ間の因果関係を示すＣＬＤモデルを用いて、監視対象の設備について異常が発生しているか否かを判定するための異常判定用パラメータを効率良く決定し、決定した異常判定用パラメータを用いてリアルタイム監視でセンサから取得されたデータを分析することで、当該データを正常、ノイズ、及び異常等のカテゴリーに分類する保守支援手段を提供することができる。

次に、図４を参照して、本発明の実施形態に係るセンサによって取得された監視データの一例を示す図である。

図４は、本発明の実施形態に係るセンサによって取得された全監視データＤＢ４０６の一例を示す図である。図４に示される全監視データＤＢ４０６は、例えば図２及び図３を参照して説明したセンサ３７５によって取得される生データ（つまり、未処理）のデータの一例である。
図４に示すように、この全監視データＤＢ４０６は、例えば測定日時を示す測定日時情報４２２、センサを一意に識別するセンサ識別子４２４、及びセンサの測定値４２６等を含む。
なお、この全監視データＤＢ４０６には、ノイズに該当する値と、正常の値と、異常の値とが混在している。従って、このような全監視データＤＢ４０６を本発明の実施形態に係る保守支援手段によって処理することにより、ノイズの値、正常の値、及び異常の値をそれぞれ識別し、監視対象の設備３７０の保守作業を促進することができる。

次に、図５を参照して、本発明の実施形態に係る過去の異常データについて説明する。

図５は、本発明の実施形態に係る過去の異常データＤＢ４０５の一例を示す図である。図５に示される過去の異常データＤＢ４０５は、図２及び図３に示されるストレージ装置３８０に格納される過去のデータＤＢ３８１の一部であり、図４を参照して説明した全監視データＤＢ４０６から、異常として判定された値に該当するものである。

図５に示すように、過去の異常データＤＢ４０５は、それぞれの異常を一意に識別するＩＤ４３０、異常が発生した日時を示す異常発生日時４３１、異常が解決された日時を示す異常解決日時４３２、及び異常を解決するために行われた保守動作の内容を示す保守動作４３３を含む。
例えば、図５に示すように、「Ａ８」に対応する異常は、２０１８年１０月１１日の２１時に発生し、２０１８年１０月１２日の２時３０分にコンプレッサー交換との保守動作により解決された。
上述したように、異常が発生しているか否かを判定するための異常判定用パラメータを決定する処理において、図５に示す過去の異常データＤＢ４０５に基づいて、センサの精度値Ｐ[ｊ]及び当該センサの精度値の標準誤差σ[ｊ]を計算することができる。

次に、図６を参照して、本発明の実施形態に係る設備と、ＣＬＤ式及び異常判定用パラメータについて説明する。

図６は、本発明の実施形態に係るＣＬＤ式及びパラメータＤＢ３８３の構成の一例を示す図である。図６に示すＣＬＤ式及びパラメータＤＢ３８３は、例えば図２及び図３に示されるストレージ装置３８０内に格納されるＣＬＤ式及びパラメータＤＢ３８３に対応する。
図６に示すように、ＣＬＤ式及びパラメータＤＢ３８３は、監視対象の設備の名前を示す設備名６０１、ＣＬＤ式６０２、閾値６０４、標準誤差６０６、所定の間隔Ｍと６１０、及び所定の間隔において、当該精度の閾値を満たすデータ点の数Ｎ６０８を含む。

上述したように、ＣＬＤ式とは、監視対象の設備（例えば、図２及び図３に示す監視対象の設備３７０）を監視するように構成された多数のセンサから取得された業務データ間の因果関係を有指向グラフで表現した因果構造モデルから導出した回帰式である。この回帰式におけるそれぞれの項は、所定の結果に影響を与える原因を表す。これらのＣＬＤ式を用いることにより、監視対象の設備に備えられている各センサについて、他の業務データとの因果関係を考慮に入れた上で当該センサが測定するデータの予測値を計算することができる。

なお、ここでのＣＬＤ式は、事前に監視対象の設備について生成された因果構造モデルから取得した回帰式であってもよいが、ＣＬＤ式の生成手段は特に限定されない。この因果構造モデルの生成方法の１つとして、例えば、所定の業務データ（例えば、監視対象の設備に備えられているセンサによって取得した過去のデータ）に基づいて当該業務データの間の因果構造モデルを推定する業務改善支援装置（図示せず）が、当該業務データに関して非線形値を計算し、当該非線形値を業務データに追加する処理と、業務データそれぞれに関する回帰式を線形重回帰により算出する処理と、算出した回帰式において線形項の有無を判定し、線形項を構成する所定データと回帰式の目的変数とを同一のグループに設定する処理と、所定データを除く業務データを、線形重回帰分析の説明変数候補として選別する処理とを実施することを含んでもよい（特許文献２参照）。

図６に示すように、１つの監視対象の設備名６０１は、複数のＣＬＤ式６０２に対応付けられてもよい。例えば、監視対象の設備に備えられている各センサ毎に、当該センサが測定するデータの予測値を計算するＣＬＤ式６０２は生成されてもよい。また、図６に示すように、それぞれのＣＬＤ式６０２は、当該ＣＬＤ式の精度の閾値６０４及び標準誤差６０６に対応付けられている。後述するように、あるセンサの精度が閾値６０４を満たす（つまり、下回る）場合には、当該センサに異常が現れている可能性がある。

また、それぞれの設備名６０１について、後述する異常判定処理に用いられる、所定の間隔Ｍ６１０と、所定の間隔Ｍ６１０において、当該精度の閾値を満たすデータ点の数Ｎ６０８とが定められている。これらの所定の間隔Ｍ６１０とデータ点の数Ｎ６０８は、同種の設備について同一である（例えば、同じ品番の空調機が複数設置されている場合、それぞれの空調機の異常判定に用いられる所定の間隔Ｍ６１０とデータ点の数Ｎ６０８は同一である）。
なお、所定の間隔Ｍ６１０とデータ点の数Ｎ６０８を決定する処理については後述する。

次に、図７を参照して、本発明の実施形態に係るリアルタイム監視データＤＢの構成について説明する。

図７は、本発明の実施形態に係るリアルタイム監視データＤＢ３８２の構成の一例を示す図である。図７に示すリアルタイム監視データＤＢ３８２は、上述した監視対象の設備を監視するセンサによってリアルタイムで取得される監視データと、当該監視データに対する分類結果（正常、ノイズ、異常）を示すものであり、図２及び図３に示されるストレージ装置３８０内に格納されるリアルタイム監視データＤＢ３８２に対応する。

図７に示すように、リアルタイム監視データＤＢ３８２は、監視対象の設備の名前を示す設備名７０１、ＣＬＤ式７０２、閾値７０４、標準誤差７０６、所定の間隔Ｍと７１０、所定の間隔において、当該精度の閾値を満たすデータ点の数Ｎ７０８、及び特定の日時での設備の状態を示す日時・状態７１２を含む。
なお、設備名７０１、ＣＬＤ式７０２、閾値７０４、標準誤差７０６、所定の間隔Ｍと７１０、及び所定の間隔において、当該精度の閾値を満たすデータ点の数Ｎ７０８は、図６を参照して説明した設備名６０１、ＣＬＤ式６０２、閾値６０４、標準誤差６０６、所定の間隔Ｍと６１０、及び所定の間隔において、当該精度の閾値を満たすデータ点の数Ｎ６０８に実質的に対応するため、ここではその説明を省略する。

日時・状態７１２は、監視対象の設備の、特定の日時での状態を示す情報である。また、図７に示すように、この状態は、それぞれのＣＬＤ式７０２毎の状態７１２ａと、設備の全体状態７１２ｂとを含む。
ＣＬＤ式７０２毎の状態７１２ａは、例えば上述した異常判定部（例えば、図２に示す異常判定部３８９）によって生成されるデータ分類結果に基づくものであり、それぞれのＣＬＤ式について、設備の状態を「正常」、「ノイズ」、「異常」等のカテゴリーに指定する。
設備の全体状態７１２ｂは、それぞれのＣＬＤ式７０２毎の状態７１２ａに基づいて決定された設備の全体状態である。１つの設備について、全てのＣＬＤ式７０２毎の状態７１２ａが「正常」であれば、全体状態７１２ｂも「正常」となる。ただし、１つの設備について、１つ以上のＣＬＤ式７０２毎の状態７１２ａが「ノイズ」であれば、全体状態７１２ｂが「ノイズ」となる。また、１つの設備について、１つ以上のＣＬＤ式７０２毎の状態７１２ａが「異常」であれば、全体状態７１２ｂが「異常」となる。

上述したリアルタイム監視データＤＢ３８２のように、監視対象の設備に該当するそれぞれのＣＬＤ式毎に状態を管理することにより、異常が発生した場合には、異常の原因を迅速に特定し、対応することができる。

次に、図８～図９を参照して、本発明の実施形態に係る表示画面の具体例について説明する。

図８は、本発明の実施形態に係る設備状態画面８００の一例を示す図である。上述したように、本発明の実施形態では、監視対象の設備から取得された監視データを、図２に示す異常判定部３８９によって分析することにより、当該監視対象の設備に対応するＣＬＤ式毎に、設備の状態をリアルタイムで判定することができる。したがって、ここで判定した設備の状態を可視化し、設備状態画面８００に示すことにより、監視対象の設備の管理者が設備の状態を容易に確認することができる。

図８に示すように、設備状態画面８００では、１つの設備について、ＣＬＤ式７０２毎に、特定の時刻８０１における当該設備の状態７１２ａと、それぞれのＣＬＤ式７０２の標準誤差７０６と、所定の間隔Ｍと７１０と、所定の間隔において、当該精度の閾値を満たすデータ点の数Ｎ７０８と、それぞれのＣＬＤ式７０２毎の状態７１２ａに基づいて決定された設備の全体状態７１２ｂとが表示される。
また、監視対象の設備について異常が検出された場合に、管理者や作業員等のユーザは、警告ボタン８１１を押すことにより、検出された異常に関する詳細情報を示す異常確認画面９００（図９参照）を確認することができる。

図９は、本発明の実施形態に係る異常確認画面９００の一例を示す図である。異常確認画面９００は、監視対象の設備について異常が検出された場合に、当該異常の詳細情報を表示する画面である。
図９に示すように、異常確認画面９００では、異常が検出された設備について、ＣＬＤ式７０２に対応する設備の日時・状態７１２と、ＣＬＤ式７０２の標準誤差７０６と、所定の間隔Ｍと７１０と、所定の間隔において、当該精度の閾値を満たすデータ点の数Ｎ７０８とが表示される。
また、異常確認画面９００では、ＣＬＤ式７０２を構成する項において、異常の原因を表す要素８０２と、それぞれの原因が確認済みか否かを示す確認チェックボックス８０３と、保守が完了したか否かを示す保守完了ボタン８０４と、追加の異常情報をアップロードするための追加情報アップロードボタン８０５とが表示される。

例えば、図９に示すように、「空調機２」という設備について検出された異常に関する情報が表示されており、異常の原因を表す要素８０２「Ｘ１２、Ｘ２７、Ｘ１１４」が示されている。したがって、異常確認画面９００を確認したユーザ（管理者、作業員等）は、例えば、異常の原因となった要素に該当する箇所である「コンプレッサー交換圧力、暖房機電流、設定温度」を現場で点検した後、確認した項目に該当する確認チェックボックス８０３をクリックする。また、検出された異常を解決する保守作業が行われた後、ユーザは保守完了ボタン８０４をクリックする。

また、現場で異常を調査したユーザは、追加情報アップロードボタン８０５を押すことにより、異常に関する追加情報（写真、説明、保守作業を実施した後で取得したデータ等）をアップロードすることができる。

これにより、ある監視対象の設備について異常が検出された場合、管理者や作業員等のユーザが、異常に関する詳細情報、異常の原因となった要素等を容易に確認し、対応することができる。

次に、図１０を参照して、本発明の実施形態に係るデータ分析画面１０００の一例を示す図である。監視対象の設備の管理者や作業員等のユーザは、図１０に示すデータ分析画面１０００を介して、監視対象の設備について異常が発生しているか否かを判定するための異常判定用パラメータを決定するために用いられるデータをアップロードしたり、センサによってリアルタイムで取得されるデータを分析（正常、異常、ノイズ等のカテゴリーに分類）したりすることができる。

図１０に示すように、データ分析画面１０００は、全監視データ１０１０をアップロードするためのアップロードボタン１０３０、異常データ１０２０をアップロードするためのアップロードボタン１０４０、分析開始ボタン１０５０、分析結果確認ボタン１０６０、異常検出性能確認ボタン１０７０、及びリアルタイム監視適用ボタン１０８０を含む。

アップロードボタン１０３０は、例えば図２に示す全監視データＤＢ４０６に格納される、監視対象の設備について以前にセンサによって取得された過去の監視データ（つまり、異常、ノイズ、及び正常のデータを全部含む）である全監視データ１０１０をアップロードするためのボタンである。
ここで、ユーザは異常判定用パラメータを決定する処理において学習データとして用いられる過去の監視データを選択することができる。

アップロードボタン１０４０は、例えば図２に示す異常データＤＢ４０５に格納される、監視対象の設備について以前にセンサによって取得された過去の監視データ（つまり、異常、ノイズ、及び正常のデータを全部含む）から抽出した異常の記録を示す異常データ１０２０をアップロードするためのボタンである。
ここで、ユーザは異常判定用パラメータを決定する処理において用いられる過去の監視データを選択することができる。

分析開始ボタン１０５０は、アップロードされた全監視データ１０１０と、異常データ１０２０とを分析することにより、監視対象の設備に備えられている各センサについて、
センサの精度の閾値Ｔｈ[ｊ]と、当該精度の標準誤差と、所定の間隔Ｍと、所定の間隔において、当該精度の閾値を満たすデータ点の数Ｎ等の異常判定用パラメータを決定する処理を実施するためのボタンである。

分析結果確認ボタン１０６０は、分析開始ボタン１０５０により実施された分析の結果を示すためのボタンである。監視対象の設備の管理者や作業員等のユーザは、分析結果確認ボタン１０６０をクリックすることにより、監視対象の設備に対応するＣＬＤ式毎に決定された異常判定用パラメータ（つまり、センサの精度の閾値Ｔｈ[ｊ]と、当該精度の標準誤差と、所定の間隔Ｍと、所定の間隔において、当該精度の閾値を満たすデータ点の数Ｎ）を確認することができる。

異常検出性能確認ボタン１０７０は、アップロードされた全監視データ１０１０と、異常データ１０２０とを分析することによって決定された異常判定用パラメータによる検出率及び誤警報率等の異常検出性能を表す指標を確認することができる。
なお、これらの異常検出性能の指標については後述する（図１１参照）。

リアルタイム監視適用ボタン１０８０は、アップロードされた全監視データ１０１０と、異常データ１０２０とを分析することによって決定された異常判定用パラメータを、センサによって取得されたリアルタイム監視データに適用するためのボタンである。監視対象の設備の管理者や作業員等のユーザは、例えば所定の検出率基準及び誤警報率基準を満たす異常判定用パラメータをリアルタイム監視データに対して適用することにより、監視対象の設備について異常が発生しているか否かをリアルタイムで判定し、原因を特定することができる。

次に、図１１を参照して、本発明の実施形態に係る異常検出性能について説明する。

図１１は、本発明の実施形態に係る異常検出性能の指標の一例を説明するための図である。上述したように、本発明の実施形態に係る異常判定の目的は、異常が発生した設備を正しく判定することにあり、異常が発生した設備を「陽性」、異常のない設備を「陰性」と正しく判定する能力が分析の性能である。しかし、異常判定用パラメータによっては、異常が必ずしも正しく判定されるとは限らない。したがって、異常を正しく判定する性能を向上させるためには、異常判定用パラメータの候補の中から、所定の検出率基準及び誤警報率基準を満たす異常判定用パラメータを決定することが望ましい。
以下、異常検出性能の指標について説明する。

図１１には、異常検出性能の指標である真陽性率１１１０、偽陽性率１１２０、偽陰性率１１３０、及び真陰性率１１４０の関係が示されている。

真陽性率１１１０（Ｔｒｕｅ Ｐｏｓｉｔｉｖｅ Ｒａｔｅ；ＴＰ）は、実際に異常が設備について発生した場合に、当該異常を正しく判定することができた割合である。また、偽陽性率１１２０（Ｆａｌｓｅ Ｐｏｓｉｔｉｖｅ Ｒａｔｅ；ＦＰ）は、実際に異常が設備について発生していないのに関わらず、異常があると誤って判定した割合である。偽陰性率１１３０（Ｆａｌｓｅ Ｎｅｇａｔｉｖｅ Ｒａｔｅ；ＦＮ）は、実際に異常が設備について発生しているのに関わらず、異常がないと誤って判定した割合である。また、真陰性率１１４０（Ｔｒｕｅ Ｎｅｇａｔｉｖｅ Ｒａｔｅ；ＴＮ）は、実際に異常が設備について発生していない場合に、異常がないと正しく判定することができた割合である。

上述した異常検出性能の指標から、異常判定の誤警報率（Ｆａｌｓｅ Ａｌａｒｍ Ｒａｔｅ；ＦＡＲ）１１５０及び検出率（Ｄｅｔｅｃｔｉｏｎ Ｒａｔｅ；ＤＲ）１１６０を計算することができる。ここでは、誤警報率１１５０とは、警告を通知する必要がないもののうち、誤って警告を通知してしまう確率であり、以下の数式２により計算される。

また、ここでは、検出率とは、警告を通知する必要があるもののうち、正しく警告を通知することができた確率であり、以下の数式３により計算される。

上述したように、異常を正しく判定する性能を向上するためには、異常判定用パラメータの候補の中から、所定の検出率基準及び誤警報率基準を満たす異常判定用パラメータを決定することが望ましい。この検出率基準及び誤警報率基準は、例えば監視対象の設備の管理者等が予め設定する所望の値であってもよい。例えば、一例として、検出率基準は「９５％以上」に設定され、誤警報率基準は「０．１％以下」に設定されてもよい。
なお、これらの検出率基準及び誤警報率基準を満たす異常判定用パラメータを決定する手段については後述する。

次に、図１２を参照して、本発明の実施形態に係る異常判定用パラメータについて説明する。

図１２は、本発明の実施形態に係る異常判定用パラメータの関係を示す図である。図１２に示すグラフ１２００では、特定の時間で計算されたセンサの精度が表されている。

上述したように、本発明の実施形態に係る保守支援手段においては、異常を正しく判定する性能を向上するためには、異常判定用パラメータの候補の中から、所定の検出率基準及び誤警報率基準を満たす異常判定用パラメータを決定することが望ましい。また、ここでの異常判定用パラメータは、少なくとも図１２において水平の破線によって表されるセンサの精度の閾値１２０５と、所定の間隔Ｍ１２０３と、所定の間隔Ｍ１２０３において、当該精度の閾値１２０５を満たすデータ点の数Ｎとを含む。

ある測定値のセット１２０１、１２０２、１２０４を異常として判定するためには、当該測定値のセット１２０１、１２０２、１２０４は、所定の間隔Ｍ１２０３以内に、閾値１２０５を満たす（この場合には、下回る）点を少なくともＮ点含まなければならない。ここでの所定の間隔Ｍ１２０３は、時間（３秒、４秒、５秒の期間等）であってもよく、データ点の数（５点、１０点等）であってもよい。
なお、以下の説明では、説明の便宜上、所定の間隔Ｍの単位（秒、点等）を指定しないことがあるが、所定の間隔の単位は任意に選択されてもよい。

したがって、一例として、例えば精度の閾値はグラフ１２００に示されている水平の破線であり、Ｎが「３」であり、Ｍが「４」秒である場合には、特定の測定値のセットを異常として判定するためには、当該測定値のセットは、４秒以内に、閾値１２０５を満たす点を少なくとも３点含まなければならない。そのため、測定値のセット１２０１、１２０２、１２０４の内、これらの条件を満たすのは測定値のセット１２０４のみであり、測定値のセット１２０１、１２０２はノイズとして判定される。

次に、図１３を参照して、本発明の実施形態に係るノイズ判定方法について説明する。

図１３は、本発明の実施形態に係るノイズ判定方法の一例を示す図である。上述したように、本発明では、センサによって取得された監視データを分析することにより、分析したデータを正常、異常、ノイズなどのカテゴリーに分類することができる。以下では、本発明の実施形態に係るノイズ判定方法の一例について説明する。

図１３に示すグラフ１３００では、特定の時間で計算されたセンサの精度が表されている。ここでのノイズ判定方法では、特定の判定対象のデータ点Ｐ_１（１３０１）と、当該判定対象のデータ点Ｐ_１（１３０１）に隣接している所定の数のデータ点（Ｐ_１―２、Ｐ_１―１、Ｐ_１＋１、Ｐ_１＋２）との参照差分Ｄ（１３０５）を、（例えば、図３に示すステップＳ４０３で）ＣＬＤ式について計算された標準誤差に比較することで判定対象のデータ点Ｐ_１がノイズであるか否かを判定する。
ここでは、図１３に示すｎ１（１３０２）は、特定の判定対象のデータ点Ｐ_１（１３０１）と比較するデータ点の数であり、ｎ２（１３０３）は、所定の測定値のセットを異常として判定するために必要なデータ点の数である。
なお、ここでは、ｎ１、ｎ２、及びＤは、以下の数式４～６に示される関係に従う。

例えば、一例として、ｎ２が「３」であり、ｎ１が「４」である場合には、当該判定対象のデータ点Ｐ_１（１３０１）と、当該判定対象のデータ点Ｐ_１（１３０１）に隣接している４点のデータ点（Ｐ_１―２、Ｐ_１―１、Ｐ_１＋１、Ｐ_１＋２）との間の参照差分Ｄがそれぞれ（例えば、図３に示すステップＳ４０３で）ＣＬＤ式について計算された標準誤差より大きい場合（つまり、Ｐ_１―２＞標準誤差、Ｐ_１―１＞標準誤差、Ｐ_１＋１＞標準誤差、Ｐ_１＋２＞標準誤差）には、当該判定対象のデータ点Ｐ_１（１３０１）がノイズとして判定される。

次に、図１４を参照して、本発明の実施形態に係る保守支援手段において、監視対象の設備について異常が発生しているか否かを判定するための異常判定用パラメータを判定する処理について説明する。

図１４は、本発明の実施形態に係る保守支援手段において、監視対象の設備について異常が発生しているか否かを判定するための異常判定用パラメータを決定する処理１４００の流れを示す図である。異常判定用パラメータを判定する処理１４００を行うことにより、所定の異常検出率基準及び所定の誤警報率基準を満たす異常判定用パラメータを決定することができる。また、この異常判定用パラメータを判定する処理１４００は、例えば図２～３を参照して説明したパラメータ生成部３８６によって実施されてもよい。

まず、ステップＳ１４０１では、パラメータ生成部は、各センサの過去の正常データ（例えば、図３に示す正常データＤＢ４０７に格納されているデータ）を取得する。

次に、ステップＳ１４０２では、パラメータ生成部は、監視対象の設備３７０におけるセンサについて、ＣＬＤ式（Ｃ[i]）を取得する。上述したように、各センサについてＣＬＤ式が既に生成されてＣＬＤ式及びパラメータＤＢに格納されている場合には、ステップＳ１４０２では、パラメータ生成部は、各センサに対応するＣＬＤ式をＣＬＤ式及びパラメータＤＢから取得してもよい。また、各センサに対応するＣＬＤ式がまだ生成されていない場合には、ステップＳ１４０２では、パラメータ生成部は、各センサに対応するＣＬＤ式を上述した手段により新たに生成してもよい。

次に、ステップＳ１４０３では、パラメータ生成部は、ステップＳ１４０２で取得したＣＬＤ式と、ステップＳ１４０１で取得した各センサの過去の正常データとを用いて、監視対象の設備３７０に備えられている各センサについて、当該センサの精度値Ｐ[ｊ]と、当該精度値Ｐ[ｊ]の標準誤差σ[ｊ]を計算する。
ここでの精度値Ｐ[j]は、上述した数式１から求められる。

次に、ステップＳ１４０４では、パラメータ生成部は、ステップＳ１４０３で生成された精度値Ｐ[ｊ]において、ステップＳ１４０３で計算された標準誤差（σ［ｊ］）の３倍（つまり３σ）を超える精度値があるか否かを判定する。

次に、ステップＳ１４０５では、ステップＳ１４０４で標準誤差（σ［ｊ］）の３倍（つまり３σ）を超える精度値があると判定された場合には、パラメータ生成部は、標準誤差（σ［ｊ］）の３倍（つまり３σ）を超える精度値をステップＳ１４０１で用いた過去の正常データ（例えば、図３に示す正常データＤＢ４０７に格納されているデータ）から除外する。その後、本処理はステップＳ１４０２に戻り、修正した過去の正常データを用いてステップＳ１４０２以降の処理を行う。

次に、ステップＳ１４０６では、パラメータ生成部は、ステップＳ１４０２で取得したＣＬＤ式と、過去の異常、ノイズ、及び過去の正常のデータを全て含む全監視データ（例えば、図３に示す全監視データＤＢ４０６）とを用いて、監視対象の設備に備えられている各センサについて、当該センサの精度値Ｐ[ｊ]を計算し、図１５に示す精度リストを作成する。
なお、このステップＳ１４０６で計算される精度値Ｐ[ｊ]は、ステップＳ１４０３で過去の正常データのみに基づいて計算された精度値と異なり、過去の異常、ノイズ、及び過去の正常のデータを全て含む全監視データに基づいて計算されている。
また、ここでの精度値Ｐ[j]は、上述した数式１から求められる。

図１５は、ステップ１４０６で計算されたＣＬＤ式毎のセンサの精度値Ｐ[ｊ]及び標準誤差を管理するための精度リスト１５００の一例を示す図である。図１５に示すように、この精度リスト１５００は、監視対象の設備の名前を示す設備名１５０１、ＣＬＤ式１５０２、時間１５０３、精度値Ｐ（ｊ,i）１５０４、精度値１５０５、標準誤差１５０６、所定の間隔Ｍ１５０８と、所定の間隔Ｍ１５０８において、当該精度の閾値を満たすデータ点の数Ｎ１５０７とを含む。
なお、ここでの精度値Ｐ（ｊ,i）の「ｊ」は特定のセンサを表し、「i」は、当該センサ「ｊ」がある時間ｔで取得したデータ点を表す。

図１５に示すように、監視対象の設備（例えば、空調機１）に対応付けられているＣＬＤ式１５０２毎に、様々な時間１５０３で計算された精度値１５０５及び標準誤差１５０６が示されている。なお、図１４におけるステップＳ１４０６の段階では、各ＣＬＤ式の標準誤差、Ｍの値、及びＮの値が未決定であるため、図１５に示す精度リスト１５００においては、標準誤差１５０６、間隔Ｍ１５０８、及びデータ点の数Ｎ１５０７の欄が空白となっている。
後述する処理により、精度リスト１５００に示されている情報に基づいて、ＣＬＤ式毎に、監視対象の設備について異常が発生しているか否かを判定するための異常判定用パラメータを決定することができる。

次に、ステップＳ１４０７では、パラメータ生成部は、上述した精度リストにおいて、各ＣＬＤ式について、間隔Ｍを「１」とし、標準誤差をステップＳ１４０３で計算された値σ［ｊ］とする。

次に、ステップＳ１４０８では、パラメータ生成部は、上述した精度リストにおいて、精度の閾値を満たすデータ点の数Ｎを「１」とする。

次に、ステップＳ１４０９では、パラメータ生成部は、上述した精度リストにおいて、精度値の最小値を閾値Ｔｈ［ｊ］に設定する。

次に、ステップＳ１４１０では、パラメータ生成部は、上述した閾値Ｔｈ［ｊ］（例えばステップＳ１４０９で設定した値）と、精度リストにおいて設定されているＭ、Ｎ、及び標準誤差等を異常判定用パラメータの候補として、過去のデータ（例えば、図３に示す全監視データＤＢ４０６）を分析する。具体的には、ここでは、パラメータ生成部は、異常判定用パラメータの候補を用いて、図１２に示す手段によって過去のデータを分析することで、当該過去のデータに存在する異常の値、正常の値、及びノイズの値を分類しようとする。

次に、ステップＳ１４１１では、パラメータ生成部は、１つ以上の異常が判定されたか否かを確認する。１つ以上の異常が判定された場合には、本処理はステップＳ１４１３へと進み、異常が判定されなかった場合には、本処理はステップＳ１４１２へと進む。

ステップＳ１４１２では、パラメータ生成部は、上述した精度リストから、精度値の最小値（つまり、ステップＳ１４０９で閾値Ｔｈ［ｊ］として設定した値）を除外（削除）する。その後、本処理はステップＳ１４０９に戻り、修正した精度リストの中から、精度値の最小値を閾値Ｔｈ［ｊ］として設定し、ステップＳ１４１０以降の処理を行う。

ステップＳ１４１３では、パラメータ生成部は、異常が判定されたＣＬＤ式について、異常の履歴が過去の異常データ（例えば、図３に示す異常データＤＢ４０５）に存在するか否かを判定する。異常が判定されたＣＬＤ式について、異常の履歴が過去の異常データに存在する場合には、本処理はステップＳ１４１４へと進み、異常の履歴が過去の異常データに存在しない場合には、本処理はステップＳ１４１６へと進む。

ステップＳ１４１４では、パラメータ生成部は、ステップＳ１４１０での分析によって判定された異常を検証する処理を行う。この処理の詳細については後述する（図１６参照）。

ステップＳ１４１５では、パラメータ生成部は、ステップＳ１４１４の処理において計算される、当該異常判定用パラメータの候補による検出率が予め設定された検出率基準を達成するか否かを判定する。当該異常判定用パラメータの候補による検出率が予め設定された検出率基準を達成する場合には、本処理はステップＳ１４２０へと進み、当該異常判定用パラメータの候補による検出率が予め設定された検出率基準を達成しない場合には、本処理はステップＳ１４１２へと進む。

ステップＳ１４１６では、ステップＳ１４１３において異常が判定されたＣＬＤ式について異常の履歴が過去の異常データに存在しないと判定された場合には、パラメータ生成部は、以前に行われたＳ１４１０の分析で用いられた（前回の）閾値について、１つ以上の異常が判定されたか否かを判定する。前回の閾値について異常が１つ以上判定された場合、又はＳ１４１０の分析が以前に行われていない場合（つまり、今回の処理が初回であり、以前に用いられた閾値がない場合等）には、本処理はステップＳ１４１７へと進み、前回の閾値について異常が１つ以上判定されていない場合には、本処理はステップＳ１４２１へと進む。

ステップＳ１４１７では、パラメータ生成部は、現在の精度リストにおいてＮの値とＭの値が同一の値となっているか（つまり、Ｎ＝Ｍか否か）を判定する。Ｎの値とＭの値が同一の値となっている場合には、本処理はステップＳ１４１９へと進み、Ｎの値とＭの値が同一の値でない場合には、本処理はステップＳ１４１８へと進む。

ステップＳ１４１８では、パラメータ生成部は、精度リストにおいて、Ｎの値を１つ増加させる（つまり、ＮをＮ+１とする）。その後、本処理はステップＳ１４０９に戻る。

ステップＳ１４１９では、パラメータ生成部は、精度リストにおいて、Ｍの値を１つ増加させる（つまり、ＭをＭ+１とする）。その後、本処理はステップＳ１４０８に戻る。

ステップＳ１４２０では、パラメータ生成部は、ステップＳ１４１４の処理において計算される、当該異常判定用パラメータの候補による誤警報率が予め設定された誤警報率基準を達成するか否かを判定する。当該異常判定用パラメータの候補による誤警報率が予め設定された誤警報率基準を達成する場合には、本処理はステップＳ１４２１へと進み、当該異常判定用パラメータの候補による誤警報率が予め設定された誤警報率基準を達成しない場合には、本処理はステップＳ１４１７へと戻る。

ステップＳ１４２１では、パラメータ生成部は、当該異常判定用パラメータの候補（つまり、ステップＳ１４１０で設定した閾値、標準誤差、Ｍ、及びＮ）をリアルタイムで取得された監視データの異常判定に用いる異常判定用パラメータとして決定し、これらのパラメータを出力する。ここでは、パラメータ生成部は、ここで決定した異常判定用パラメータを上述したＣＬＤ式及びパラメータＤＢ（例えば、図３に示すＣＬＤ式及びパラメータＤＢ３８３）に保存してもよい。

以上説明した異常判定用パラメータ決定処理を行うことにより、監視対象の設備について取得された監視データを正常、ノイズ、及び異常等のカテゴリーに分類するための最適な異常判定用パラメータを決定することができる。

次に、図１６を参照して、本発明の実施形態に係る異常検証処理について説明する。

図１６は、本発明の実施形態に係る異常検証処理１６００の流れの一例を示す図である。上述したように、本発明の実施形態に係る異常判定用パラメータ決定処理において、ある異常判定用パラメータの候補を用いて過去のデータを分析した結果、異常が判定された場合には、当該異常を検証することが望ましい。以下、この異常検証処理１６００について説明する。

まず、ステップＳ１６０１では、パラメータ生成部は、各センサの過去の正常データ（例えば、図３に示す正常データＤＢ４０７に格納されているデータ）を取得する。
なお、図１６におけるステップＳ１６０１は、上述した図１４におけるステップＳ１４０１と実質的に対応する。

次に、ステップＳ１６０２では、パラメータ生成部は、監視対象の設備３７０におけるセンサについて、ＣＬＤ式（Ｃ[i]）を取得する。
なお、図１６におけるステップＳ１６０２は、上述した図１４におけるステップＳ１４０２と実質的に対応するため、ここでの説明を省略する。

次に、ステップＳ１６０３では、パラメータ生成部は、ステップＳ１６０１で取得した各センサの過去の正常データと、ステップＳ１６０２で取得したＣＬＤ式とを用いて、監視対象の設備に備えられている各センサについて、当該センサの精度値Ｐ[ｊ]を計算し、上述した精度リスト（例えば、図１５に示す精度リスト１５００）を作成する。

次に、ステップＳ１６０４では、パラメータ生成部は、ステップＳ１６０３で生成された精度リストにおけるあるデータ点Ｐ[ｊ,i]を選択する。ここでの「i」は、以下の数式７に示される関係に従う。

なお、ここでのＭは、上述した図１４におけるステップＳ１４１０の分析で用いられた値である。

次に、ステップＳ１６０５では、パラメータ生成部は、上述した精度リストにおけるＭ点の精度値を選択する（あるいは、過去の４秒におけるデータ点）。ここで選択されるＭ点の精度値は、Ｐ（ｊ,i）、Ｐ（ｊ,i－１）．．．Ｐ（ｊ,i－（Ｍ－１））を含む。

次に、ステップＳ１６０６では、パラメータ生成部は、各センサについて、ステップＳ１６０５で選択したＭ点のデータ点においてノイズが存在するかを判定する。ここでのノイズの確認は、例えば図１３を参照して説明したノイズ判定手段によって行われてもよい。ステップＳ１６０５で選択したＭ点のデータ点においてノイズが存在する場合には、本処理はステップＳ１６０７へと進み、ステップＳ１６０５で選択したＭ点のデータ点においてノイズが存在しない場合には、本処理はステップＳ１６０８へと進む。

ステップＳ１６０７では、ステップＳ１６０６で選択したＭ点のデータ点においてノイズが存在すると判定された場合、又は後述するステップＳ１６０８でＭ点のデータ点において、閾値Ｔｈ［i］を達成するＮ点のデータ点がない場合には、パラメータ生成部は、選択されたデータ点Ｐ（ｊ,i）を「正常」と判定し、精度リストにおいてＰ（ｊ,i）が正常であることを示すラベルを付与する。

ステップＳ１６０８では、ステップＳ１６０６で、選択したＭ点のデータ点においてノイズが存在しないと判定された場合には、パラメータ生成部は、Ｍ点のデータ点において、閾値Ｔｈ［i］を達成するＮ点のデータ点があるか否かを判定する。Ｍ点のデータ点において、閾値Ｔｈ［i］を達成するＮ点のデータ点がある場合には、本処理はステップＳ１６０９へと進み、Ｍ点のデータ点において、閾値Ｔｈ［i］を達成するＮ点のデータ点がない場合には、本処理はステップ１６０７へと進む。

ステップＳ１６０９では、ステップＳ１６０８でＭ点のデータ点において、閾値Ｔｈ［i］を達成するＮ点のデータ点があると判定された場合には、パラメータ生成部は、当該データ点Ｐ（ｊ,i）を「異常」と判定し、精度リストにおいてＰ（ｊ,i）が異常であることを示すラベルを付与する。

次に、ステップＳ１６１０では、パラメータ生成部は、精度リストにおける全てのデータ点について異常検証処理が終了しているか否かを判定する。精度リストにおける全てのデータ点について異常検証処理が終了していない場合には、本処理はステップＳ１６１１へと進み、精度リストにおける全てのデータ点について異常検証処理が終了している場合には、本処理はステップＳ１６１２へと進む。

ステップＳ１６１１では、パラメータ生成部は、ステップＳ１６０３で選択したデータ点精度値Ｐ［i］を１つ増加させ（つまり、iをi+１とする）、本処理はステップＳ１６０５へ戻り、ステップＳ１６０５以降の処理を実施することで次のデータ点Ｐ［i+１］についての検証を行う。

ステップＳ１６１２では、パラメータ生成部は、過去の異常データ（例えば、図３に示す異常データＤＢ４０５）と、ステップＳ１６０７及びステップＳ１６０９で付与されたラベルとに基づいて、今回の異常検証に用いられた異常判定用パラメータの候補（つまり、ステップＳ１４１０で設定した閾値、標準誤差、Ｍ、及びＮ）による検出率及び誤警報率を計算し、出力する。ここで計算された検出率及び誤警報率は、例えば上述したＣＬＤ式及びパラメータＤＢ（例えば、図２に示すＣＬＤ式及びパラメータＤＢ３８３）に格納されてもよい。

次に、図１７を参照して、本発明の実施形態に係るリアルタイム異常判定処理について説明する。

図１７は、本発明の実施形態に係るリアルタイム異常判定処理１７００の流れの一例を示す図である。上述したように、図１４に示される異常判定用パラメータ決定処理１４００によって決定された異常判定用パラメータを用いて、リアルタイム監視データを分析することにより、分析したデータを正常、異常、ノイズなどのカテゴリーに分類する。以下、このリアルタイム異常判定処理１７００の流れについて説明する。

なお、以下説明するリアルタイム異常判定処理１７００は、例えば上述した図２に示す異常判定部３８９によって行われてもよい。

まず、ステップＳ１７０１では、異常判定部は、各センサからのリアルタイム監視データ（例えば、図３に示すリアルタイム監視データＤＢ３８２に格納されているデータ）を取得する。上述したように、ここでのリアルタイム監視データは、例えば監視対象の設備に備えられている各センサによって取得され、保守支援装置に動的に送信されているデータであってもよい。

次に、ステップＳ１７０２では、異常判定部は、監視対象の設備における各センサについて、ＣＬＤ式（Ｃ[i]）を取得する。
なお、図１７におけるステップＳ１７０２は、上述した図１４におけるステップＳ１４０２と実質的に対応するため、ここでの説明を省略する。

次に、ステップＳ１７０３では、異常判定部は、センサを介して取得されたリアルタイム監視データを用いて、各センサについて、当該センサのリアルタイム精度値ＰＲ[ｊ,i]を計算し、リアルタイム精度ストを作成する。ここでの精度リストは、図１５を参照して説明した精度リストに実質的に対応するが、ここで作成されるリアルタイム精度リストの精度値は、過去のデータではなく、現在リアルタイムで取得されたリアルタイムデータに基づいて計算される点において図１５に示される精度リストと異なる。

次に、ステップＳ１７０４では、異常判定部は、上述したリアルタイム精度リストにおいて、対象のデータ点Ｐ（ｊ,i）を含むＭ点の精度値を選択する。ここで選択されるＭ点の精度値は、Ｐ（ｊ,i）、Ｐ（ｊ,i－１）．．．Ｐ（ｊ,i－（Ｍ－１））を含む。
なお、ここでのＭは、上述した図１４の異常判定用パラメータ決定処理によって決定されたＭの値である。

次に、ステップＳ１７０５では、異常判定部は、上述したリアルタイム精度リストにおいて、異常判定用パラメータＭ，Ｎ，閾値、及び標準誤差をそれぞれ設定する。
なお、ここで設定される異常判定用パラメータＭ，Ｎ，閾値、及び標準誤差は、上述した図１４の異常判定用パラメータ決定処理によって決定された値である。

次に、ステップＳ１７０６では、異常判定部は、各センサについて、ステップＳ１７０４で選択したＭ点のデータ点においてノイズが存在するかを判定する。ここでのノイズの確認は、例えば図１３を参照して説明したノイズ判定手段によって行われてもよい。ステップＳ１７０４で選択したＭ点のデータ点においてノイズが存在する場合には、本処理はステップＳ１７０８へと進み、ステップＳ１７０４で選択したＭ点のデータ点においてノイズが存在しない場合には、本処理はステップＳ１７０７へと進む。

次に、ステップＳ１７０７では、ステップＳ１７０６で、選択したＭ点のデータ点においてノイズが存在しないと判定された場合には、異常判定部は、Ｍ点のデータ点において、閾値Ｔｈ［i］を達成するＮ点のデータ点があるか否かを判定する。Ｍ点のデータ点において、閾値Ｔｈ［i］を達成するＮ点のデータ点がある場合には、本処理はステップＳ１７１０へと進み、Ｍ点のデータ点において、閾値Ｔｈ［i］を達成するＮ点のデータ点がない場合には、本処理はステップ１７０９へと進む。

図１８は、例えば上述したステップＳ１７０６～Ｓ１７１７で行われる、本発明の実施形態に係る異常判定の一例を示す図である。図１８に示す一例では、水平の破線は閾値１７３０を表し、Ｎが「２」であり、Ｍが「３」である。対象のデータ点Ｐ１（１７３２）が異常か否かを判定する場合には、まず、最後のＭ（３）点（つまり、Ｐ１，Ｐ２，Ｐ３）においてノイズがあるかが判定される。ノイズがない場合には、次は、これらのＭ（３）点の内、閾値１７３０を満たす（つまり、下回る）点が少なくともＮ（２）点あるか否かが判定される。
図１８に示す例では、Ｍ（３）点の内、閾値を満たす点がＰ３の１点のみであるため、Ｐ１が正常であると判定される。

ステップＳ１７０８では、ステップＳ１７０６で、選択したＭ点のデータ点Ｐ（ｊ,i）においてノイズが存在すると判定された場合には、異常判定部は、選択されたデータ点Ｐ（ｊ,i）を「ノイズ」と判定し、精度リストにおいてＰ（ｊ,i）がノイズであることを示すラベルを付与する。

ステップＳ１７０９では、Ｓ１７０７でＭ点のデータ点において、閾値Ｔｈ［i］を達成するＮ点のデータ点がないと判定された場合には、異常判定部は、選択されたデータ点Ｐ（ｊ,i）を「正常」と判定し、精度リストにおいてＰ（ｊ,i）が正常であることを示すラベルを付与する。

ステップＳ１７１０では、ステップＳ１７０７でＭ点のデータ点において、閾値Ｔｈ［i］を達成するＮ点のデータ点があると判定された場合には、異常判定部は、当該データ点Ｐ（ｊ,i）を「異常」と判定し、精度リストにおいてＰ（ｊ,i）が異常であることを示すラベルを付与する。

ステップＳ１７１１では、警告管理部は、ステップＳ１７１０で異常のラベルが付与されたデータ点についての警告を生成し、所定のユーザ（監視対象の設備の管理者、作業員等）に出力する。また、ここで検出された異常に関する詳細情報を示す異常確認画面（図９参照）は、所定のユーザの端末に表示されてもよい。

ステップＳ１７１２では、異常が検出されていないため、異常の対策が不要となる。ここでは、異常判定部は、監視対象の設備が正常に作動している旨を示す通知を所定のユーザに送信してもよい。

以上説明したように、本発明の実施形態に係る異常判定用パラメータ決定処理によって決定した異常判定用パラメータをリアルタイム監視データの分析に適用することにより、監視対象の設備の異常を速やかに検出し、原因を特定し、対応することができる。

次に、図１９を参照し、本発明の実施形態に係る保守作業の流れについて説明する。

図１９は、本発明の実施形態に係る保守作業１８００の流れの一例を示す図である。図１９に示す保守作業１８００は、例えば、監視対象の設備について異常を示す警告が通知された後に行われる手順である。

まず、ステップＳ１８０１では、警告管理部は、（例えば上述した図１７の異常判定処理により）検出された異常に関する警告を所定のユーザ（監視対象の設備の管理者、作業員等）に出力する。この警告は、例えば、異常が発生した設備名Ｅ[b]及び当該異常に関連するＣＬＤ式の要素Ｘ[i]を含んでもよい。

次に、ステップＳ１８０２では、ステップＳ１８０１で出力された警告を受信したユーザは、当該警告の情報に基づいて、異常が検出された設備の点検を行う。ここでの設備の点検の内容は、設備の種類や異常の性質によって適宜に選択されてもよい。

次に、ステップＳ１８０３では、ステップＳ１８０２の作業員による点検の結果、監視対象の設備について実際に異常はあったか否かが判定される。実際に異常があった場合には、本処理はステップＳ１８０５へと進み、実際に異常がなかった場合には、本処理はステップＳ１８０４へと進む。

ステップＳ１８０４では、ステップＳ１８０２の作業員による点検の結果、異常がなかったと判定された場合には、作業員は当該異常の警告を（例えば、上述した図９で示す異常確認画面により）誤警報として報告する。

ステップＳ１８０５では、作業員等のユーザは、監視対象の設備Ｅ[b]の異常を適切な手段により解決する。

ステップＳ１８０６では、ステップＳ１８０４で報告された誤警報を踏まえて、異常の判定に用いられた異常判定用パラメータによる検出率及び誤警報率を改めて計算する。

ステップＳ１８０７では、ステップＳ１８０６で計算された検出率及び誤警報率が予め定まった基準（所定の検出率基準及び誤警報率基準）に比較され、当該基準を満たすか否かが判定される。検出率及び誤警報率が両方とも所定の基準を満たす場合には、本処理はステップＳ１８１１へと進み、検出率又は誤警報率のいずれかが所定の基準を満たさない場合には、本処理はステップＳ１８０８へと進む。

ステップＳ１８０８では、各センサのＣＬＤ式及び異常判定用パラメータが例えば図１４に示される異常判定用パラメータ決定処理１４００によって改めて生成される。

ステップＳ１８０９では、ステップＳ１８０５で異常が解決された監視対象の設備について、ＣＬＤ式及び異常判定用パラメータが改めて生成される。

ステップＳ１８１０では、ステップ１８０８又はステップ１８０９で生成された新たなＣＬＤ式及び異常判定用パラメータがＣＬＤ式及びパラメータＤＢ（例えば図２に示すＣＬＤ式及びパラメータＤＢ３８３）に格納される。

以上説明した保守作業１８００により、監視対象の設備について異常が発生した場合に、当該異常を対応した後、監視対象の設備に対応するＣＬＤ式及び異常判定用パラメータが更新されるため、保守支援装置の異常判定性能を更に向上させることができる。

上述したように、本発明によれば、センサ間の因果関係を示すＣＬＤモデルを用いて、監視対象の設備について異常が発生しているか否かを判定するための異常判定用パラメータを効率良く決定し、決定した異常判定用パラメータを用いてリアルタイム監視でセンサから取得されたデータを分析することで、当該データを正常、ノイズ、及び異常等のカテゴリーに分類する保守支援手段を提供することができる。

以上、本発明の実施の形態について説明したが、本発明は、上述した実施の形態に限定されるものではなく、本発明の要旨を逸脱しない範囲において種々の変更が可能である。

３６０ 保守支援システム
３６５ 通信ネットワーク
３７０ 監視対象の設備
３７５ センサ
３８０ ストレージ装置
３８１ 過去のデータＤＢ
３８２ リアルタイムデータ
３８３ ＣＬＤ式及びパラメータＤＢ
３８５ 保守支援装置
３８６ パラメータ生成部
３８７ 精度推定部
３８８ パラメータ特定部
３８９ 異常判定部
３９０ 精度推定部
３９１ データ分類部
３９２ 警告管理部
３９３ 警告生成部
３９４ 警告送信部