JP5530045B1 - ヘルスマネージメントシステム及びヘルスマネージメント方法 - Google Patents

Abstract

【課題】該機械設備の健康状態を把握し、保守作業時期の判断などに供することができる情報を提供する。
【解決手段】ヘルスマネージメントシステム１は、機械設備から多次元のセンサデータ及び環境データを取得する時系列データ取得部１１と、正常データを学習データとして用いた統計的手法により機械設備の設備状態を定量化する第１識別部１３３ａと、正常データを用いた統計的手法により機械設備の性能又は品質の状態を示す健康状態を定量化する第２識別部１３３ｂと、定量化した設備状態及び健康状態を、表示又は／及び外部に出力する出力部１５とを備える。
【選択図】図１７

Description

本発明は、機械設備の健康状態と性能・品質のレベルとの関係性を把握する機械設備のヘルスマネージメントシステム及びヘルスマネージメント方法に関する。

建設機械、医療機器、風力・太陽光や火力などの発電設備、水処理、プラント等の各種の機械設備において、機械設備の異常による稼働率低下や、性能や品質の劣化による最終仕様の未達、信頼性の不足など、顧客への悪影響を未然に防止するため、定期保守が行われている。しかしながら、定期保守を実施していても、故障による機械設備のダウンや性能の劣化は避けられず、機械設備に付加したセンサのデータに基づく異常の早期発見（異常予兆検知）、異常個所の早期特定（異常診断）は言うに及ばず、性能や品質のモニタ（監視）といった概念も重要になってきている。

しかし、多くのセンサデータや膨大な機械設備情報、保守履歴情報があるなかで、機械設備の健康状態を把握し、更に、性能や品質をモニタして、あとどれくらい故障しないで稼働可能なのか、どれくらい品質を維持できるのか（設備の稼働継続可能時間）を予測することは、設計及び現場の両知識と、多くのデータ解析を必要とし、難易度が高く困難を伴うものであった。

例えば、特許文献１には、プラント又は設備の異常を早期に検知する異常検知方法で あって、複数のセンサからデータを取得し、データ間の類似度に基づき、観測データの異常を検知する異常検知方法が記載されている。

また、特許文献２には、プラント又は設備の異常を早期に検知する異常検知方法であって、複数のセンサからデータを取得し、ほぼ正常データからなる学習データをモデル化し、モデル化した学習データを用いて取得データの異常測度を算出し、かつ、線形予測により前記した取得データの時系列的振舞いをモデル化し、モデルからの予測誤差を算出し、異常測度と予測誤差との双方を用いて、異常の有無を検知する異常検知方法が記載されている。

また、非特許文献１には、リチウムイオンバッテリを対象に、残存耐用年数（Remaining Useful Life：ＲＵＬ）を評価する手法が提案されている。ここでは、非線形回帰手法であるガウシアンプロセス（例えば、非特許文献４参照）や、粒子（パーティクル）法（例えば、非特許文献５参照）が適用されているが、リチウムイオンバッテリでは、その劣化のメカニズムを比較的簡単な物理モデルで表現でき、そのパラメータはセンサデータから決められることから、そのＲＵＬを得ることに、大きな障害はない。

非特許文献２には、ハードディスクドライブの診断手法が提案されている。しかし、ハードディスクドライブは、リチウムイオンバッテリに比べ、多様な劣化のメカニズムが存在するため、上記のガウシアンプロセスの適用ではなく、マハラノビス距離のような古典的な手法が適用されている。

ＰＨＭ（Prognostics and Health Management）では、ＲＵＬの算出が重要と言われており、非特許文献３には、航空機などを対象に、ＲＵＬと関連がある各種情報をリンクする形で、エージェントソフトを提供している。

特開２０１０−１９１５５６号公報 特開２０１１−１４５８４６号公報

K. Goebel: Prognostics in Battery Health Management, IEEE Instrumentation And Measurement Magazine,Vol.11,4,pp33-40(2008) Yu Wang, Qiang Miao, Pecht,M.; Health monitoring of hard disk drive based on Mahalanobis distance ,Prognostics and System Health Management Conference (PHM-Shenzhen), 2011 Camci, F. , Valentine, G.S., Navarra, K.: Methodologies for Integration of PHM Systems with Maintenance Data, Aerospace Conference, 2007IEEE 学会報告「尾崎 晋作, 和田 俊和, 前田 俊二, 渋谷 久恵,『異常検出 におけるSimilarity Based ModelingとGaussian Processesの関連に関して」,パターン認 識・メディア理解研究会(PRMU),画像工学(IE),133-138(2011.5)』 樋口知之：粒子フィルタ、電子情報通信学会誌 Vol.88, No.12,2005

前記したように、劣化のメカニズムを比較的簡単な物理モデルで表現できるリチウムイオンバッテリに対して、ハードディスクドライブでは、劣化のメカニズムが多様であるため、高度なガウシアンプロセスや粒子法を適用することは困難である。
また、非特許文献１から非特許文献３に記載された手法で定義されたＲＵＬは、何れも機械設備が故障するまでの時間を表しており、また、機械設備の健康状態は、徐々に、単調に減少していくモデルである。

一般に、建設機械、医療機器、風力・太陽光や火力などの発電設備、プラント等の機械設備は、大規模システムであること、購入部品の素性まで含めて計算機モデルを構築するには、膨大な費用や長い時間も必要とすることから、劣化のメカニズムを高精度に表現可能なものの方が稀である。そのため、異常検知自体が簡単な統計的モデリングに頼るケースが多く、このような事例では、機械設備の稼働継続可能時間（ＲＵＬ）の算出は極めて困難な課題と言える。従って、次期保守作業時期を的確には指定できない。結局のところ、保守は、予め定めたスケジュール通りに保守作業を実施する時間計画保全になっているのが実情である。

また、特許文献１及び特許文献２に記載された異常検知の手法は、何れも機械設備が故障する前の段階で、異常の予兆を検知するものである。しかしながら、劣化のメカニズムが多様な機械設備について、性能や品質を推定したり、性能や品質の観点からＲＵＬを予測したりするものはなかった。

そこで、本発明は、正常データを用いて機械設備の統計的モデルを構築して当該機械設備の健康状態を把握し、保守作業時期の判断などに供することができる情報を提供することを課題とする。

前記課題を解決するために、本発明のヘルスマネージメントシステムは、機械設備の健康状態を監視するヘルスマネージメントシステムであって、前記機械設備に設置された複数のセンサから取得したセンサデータ、又は前記センサデータ及び前記機械設備の設置環境を表す環境データを、時系列データとして取得する時系列データ取得部と、前記機械設備が正常な状態のときに取得した前記時系列データである正常データを学習データとして用いた統計的手法により前記機械設備の設備状態を定量化する設備状態定量化部と、前記正常データを学習データとして用いた統計的手法により前記機械設備の性能又は品質の状態を示す健康状態を定量化する健康状態定量化部と、前記定量化した設備状態及び前記定量化した健康状態を、表示又は／及び外部に出力する出力部と、前記時系列データ取得部が過去に取得した前記正常データについて前記設備状態定量化部が定量化した設備状態と、前記時系列データ取得部が過去に取得した前記正常データについて前記健康状態定量化部が定量化し、外部からレベルを教示された健康状態との間の関係性を示す類似度データを算出する類似度算出部と、前記時系列データ取得部が過去に取得した前記正常データを用いて前記設備状態定量化部が定量化した設備状態において正常状態を示すデータから、前記時系列データ取得部がある時刻に取得した前記時系列データである観測データに向かう多次元ベクトルによって示される設備状態と、前記類似度データとを用いて、前記観測データに対応する健康状態を推定する健康状態推定部と、を備えて構成する。

本発明によれば、機械設備の状態（設備状態）を定量化し、求めておいた類似度を参照して、健康状態を推定することができる。
なお、前記した以外の課題、構成及び効果は、以下の実施形態の説明により明らかにされる。

従来の異常測度の変化とＲＵＬとの関係を説明する図である。 本発明において、遠隔監視によるヘルスマネージメントの対象となる機械設備の例を示す図である。 本発明の第１実施形態に係るヘルスマネージメントシステムの構成を示すブロック図である。 本発明において、ヘルスマネージメントに用いられる多次元時系列センサデータ及びイベントデータの一例を示す図である。 本発明において、ヘルスマネージメントに用いられる多次元時系列センサデータの一例を示す図である。 本発明において、機械設備の稼働時間と性能指標とを重ねて表示した様子を示す図である。 本発明の第１実施形態における健康状態予測部で用いられる例（第１の予測手法）として、回帰手法を説明する図である。 本発明の第１実施形態における健康状態予測部で用いられる例（第２の予測手法）として、ｋ−ＮＮ法を説明する図である。 本発明の実施形態における健康状態予測部で用いられる例（第３の予測手法）として、局所部分空間法を説明する図である。 局所部分空間法による設備状態のモデル化を説明する図である。 局所部分空間法による設備状態のモデル化を説明する図である。 局所部分空間法による設備状態のモデル化を説明する図である。 局所部分空間法により予測される設備状態が変動する様子を説明する図である。 設備状態と健康状態との関係を示す図である。 設備状態と健康状態との関係性を導く方法を説明する概念図である。 本発明の実施形態において、設備状態を健康状態との類似度を示す類似度マトリックスの例を示す図である。 本発明の第１実施形態に係るヘルスマネージメントシステムの要部の詳細な構成を示すブロック図である。 本発明の第１実施形態における識別部（第１識別部、第２識別部）の構成を示すブロック図である。 本発明の第１実施形態における特徴変換部で用いられる特徴変換手法の例を示す図である。 センサ信号に独立成分分析を施した後の、残差ベクトルの始点の振舞の例を示す図である。 独立成分分析において、異なる周波数特性をもつ４つの独立成分の例を示す図である。 本発明の第１実施形態において、予測した機械設備の健康状態の変化の様子と、ＲＵＬを推定する様子とを説明する図である。 本発明の第１実施形態に係るヘルスマネージメントシステムにおいて、ＲＵＬを予測する処理の流れを示すフローチャートである。 図２３に示したフローチャートにおいて、設備状態分布・健康状態分布の算出処理の流れを示すフローチャートである。 本発明の第２実施形態に係るヘルスマネージメントシステムの要部の詳細な構成を示すブロック図である。 本発明の第２実施形態の変形例に係るヘルスマネージメントシステムにおいて、健康状態を予測する処理の流れを示すフローチャートである。 本発明の変形例に係るヘルスマネージメントシステムの要部を示すブロック図である。

本発明は、工場、商業施設、工事現場などで使用される機械設備の稼働率を維持・向上するため、機械設備の健康状態を示す指標である性能・品質レベルを把握し、機械設備の稼働継続可能時間（ＲＵＬ）を診断する方法などを提供するものである。そのために、センサデータ、稼働情報、イベント情報、設備負荷、作業報告書などに関する情報を用いて、機械設備の異常度の進展を推測し、機械設備の性能レベルを分類し、機械設備の稼働継続可能時間を評価する。すなわち、センサデータ、イベント情報はもちろんのこと、稼働情報、設備負荷といった時系列データも用いるものである。また、過去の故障事例からなる作業報告書に関する情報も扱う。

具体的には、（１）非線形回帰手法であるガウシアンプロセスを用いた機械設備の異常測度の予測 、設備状態の分類、（２）ｋ−ＮＮ（ｋ−Nearest Neighbor )法や局所部分空間法などの認識手法を時系列データに適用した機械設備の異常測度の予測、設備状態の分類、（３）機械設備の状態と、性能・品質レベルなどを指標とする健康状態との関係性を構築し、この関係性に基づくＲＵＬの予測、などからなり、高精度な異常度の予測や性能・品質の予測、及び機械設備のＲＵＬの予測方法を提供する。

以下に、本発明の実施形態について、適宜に図面を参照して説明する。
＜第１実施形態＞
図１は、本発明においてヘルスマネージメント及び／又は異常診断の対象とする機械設備についてのセンサデータから求めた異常測度１０１の時系列データ（上段）及びＲＵＬ１０４の時系列データ（下段）の例を示したものである。
なお、異常測度１０１及びＲＵＬ１０４の算出方法については後記する。

図１に示した例では、異常測度１０１は、時間の経過とともに徐々に増加している。図１に示した閾値１０２は、異常測度１０１に対して設定されたもので、機械設備が故障する限界を示す。すなわち、この閾値１０２を異常測度１０１が超えると、機械設備の状態は正常でない（異常である）と判断される。但し、後記するＲＵＬの定義の通り、実際の異常（故障）の発生の有無を問わない。

図１に示した異常測度１０１は異常の度合を示す指標であるが、代わりに機械設備の性能や品質の劣化の度合を示す指標として捉えることもできる。例えば、性能としては、ガスエンジンの燃費が悪くなることや、プレス機の対象加工品の精度が劣化することを指し、機械設備が有する機能以外の出力形態や、機械設備が製造する製品などの出来具合などに関連する量や質的な変数が対応する。
また、閾値１０２を超える故障発生や性能劣化の限界時期１０３までの残された時間を、ＲＵＬ１０４と呼ぶ。ここで、「ＲＵＬ」はRemaining Useful Lifeの頭文字である。図１に示すように、異常測度１０１の上昇とともに、ＲＵＬ１０４が低下し、異常測度１０１が閾値１０２を超えた時点でＲＵＬ１０４が「０」となる。

図２は、本発明において、遠隔監視により、ヘルスマネージメント又は異常診断の対象となる機械設備の一例を示すものである。図２に示すように、監視対象となる機械設備は、病院に設置されるＭＲＩ（核磁気共鳴イメージング）やＸ線ＣＴ（コンピュータ断層装置）などの医療診断装置１０５ａ、工場や大規模商業施設などに設置されるガスエンジン・ガスタービンなどの発電設備１０５ｂ、鉱山や工事現場などで稼働するショベルやダンプトラックなどの建設機械１０５ｃ、屋外に設置される風力発電や太陽光発電などの発電設備１０５ｄなどがあり、多くの機械設備が遠隔監視の対象になる。図示していないが、鉄道、飛行機、船舶なども遠隔監視の対象になる。工場内のプレス機やドリル穴あけ装置などの加工設備、またロボットなどからなる組み立て設備も遠隔監視の対象となる。以下、医療診断装置１０５ａ、発電設備１０５ｂなどを総称して、適宜に機械設備１０５と呼ぶ。

これらの機械設備１０５は、複数のセンサを装備しており、機械設備１０５の各所において、各種のセンサデータを出力するように構成されている。監視センタに設置されたヘルスマネージメントシステム又は異常診断システムは、機械設備１０５から出力されるセンサデータ及び機械設備１０５に関する環境データを、インターネット網を介して収集し、分析することにより、２４時間体制で、機械設備１０５に異常予兆が発生していないか、性能が劣化していないか、加工精度や組み立て精度などの品質が劣化していないかなどを監視している。

［ヘルスマネージメントシステムの構成］
次に、図３を参照して、本発明の第１実施形態に係るヘルスマネージメントシステムの構成について説明する。
図３に示すように、ヘルスマネージメントシステム（異常診断システム）１は、時系列データ取得部１１と、時系列データベース記憶部１２と、健康状態予測部１３と、ＲＵＬ予測部１４と、出力部１５とを備えて構成されている。

時系列データ取得部１１は、インターネット網などを介して、監視対象である機械設備１０５（例えば、図１に示した医療診断装置１０５ａ、発電設備１０５ｂなど）から出力される多次元のセンサデータと、機械設備１０５の設置環境を表す環境データとを取得する手段である。センサデータ及び環境データは、取得時刻（又は機械設備１０５から出力された時刻）と対応付けられた時系列データとして取り扱われる。時系列データ取得部１１は、取得した最新の、すなわち現在の時系列データを、取得するごとに時系列データベース記憶部１２に順次に記憶させることで蓄積するとともに、現在の時系列データを健康状態予測部１３に出力する。

時系列データベース記憶部１２は、時系列データ取得部１１から入力した時系列データのデータベースである時系列データベースを記憶するものである。また、時系列データベース記憶部１２に記憶される時系列データベースは、健康状態予測部１３及びＲＵＬ予測部１４によって過去の時系列データとして適宜に参照される。

なお、時系列データベース記憶部１２に、新たに取得した時系列データを追加する場合は、不図示の評価手段によって、データとしての妥当性（異常ではないこと、既に時系列データベースに格納されているデータとの類似性から新規追加の是非）を評価した後に蓄積され、正常状態における過去の時系列データとして活用できる形態になっている。
また、監視対象が複数である場合は、時系列データは、監視対象の単位となる各機械設備１０５に対応付けて記憶される。

時系列データベース記憶部１２に記憶される時系列データベースには、センサデータ１２ａ、及び環境データとしてイベントデータ１２ｂ、稼働データ１２ｃ、負荷データ１２ｄ、保守履歴データ１２ｅなどが含まれる。これらのデータは、何れもそれぞれが取得された時刻に対応付けられている。

ここで、イベントデータ１２ｂとは、機械設備１０５の運転状態を示すものであり、例えば、機械設備１０５の起動や停止などの運転パターンの制御状態を示すものである。
稼働データ１２ｃとは、機械設備１０５の運転時間や操作時間などの稼働時間やその累積時間を示すものである。例えば、ショベルなどでは、走行時間や旋回動作の時間などの動作の詳細時間が該当する。
負荷データ１２ｄとは、機械設備１０５にかかる負荷状態を示すものであり、例えば、エンジンにかかる負荷の状況や燃費、医療設備における患者数、工作機械における被加工物の硬さなどが該当する。
保守履歴データ１２ｅとは、機械設備１０５に関して過去の故障内容、部品交換などの作業履歴を示すものであり、保守作業として行われた作業項目のリストが含まれている。

健康状態予測部１３は、時系列データ取得部１１から入力される現在の時系列データと、時系列データベース記憶部１２に記憶されている過去の時系列データとを用いて、性能や品質などを指標とする健康状態を推定（予測）するものである。また、健康状態予測部１３は、推定した健康状態の指標である性能や品質をＲＵＬ予測部１４に出力する。

また、健康状態予測部１３は、健康状態を推定するために、過去の時系列データを用いて、機械設備の状態（設備状態）及び健康状態を定量化し、設備状態の分布と健康状態の分布との類似度を求めておく。そして、現在の時系列データを取得したときに、設備状態を定量化し、求めておいた類似度を参照して、健康状態を推定する。
なお、健康状態予測部１３の詳細な構成については後記する。

また、本明細書において、「異常」とは、機械設備が安定稼働する条件をはずれたもの、「性能」とは、機械設備の機能を含めたパフォーマンスを示すもの、「品質」とは、エンドユーザに直接的な影響を与えるもの、と定義するが、一般には重なりをもって定義される。分かりやすい例としては、ダンプトラックなどの移動体の燃費は、機械設備の性能として評価されるものである。また、物（製品）を生産する機械設備の場合は、機械設備が生産する製品の品質レベルで当該機械設備の品質を評価することができる。
また、「設備状態」は、機械設備が正常、異常を問わずに、任意の状態について定量化される状態量であるのに対して、性能や品質を示す「健康状態」は、原則として、正常な状態（設備状態）の範囲で稼働している機械設備について定量化される状態量である。
なお、以降の説明では、特に断らない限り、健康状態を示す指標である「性能」や「品質」を代表して、単に「性能」と呼ぶ。

ＲＵＬ予測部１４は、健康状態予測部１３から健康状態の時系列データを入力し、入力した健康状態の時系列データを用いて、ＲＵＬの予測値を算出する。ＲＵＬ予測部１４は、算出したＲＵＬの予測結果を出力部１５に出力する。
なお、ＲＵＬ予測部１４の詳細な構成については後記する。

出力部１５は、ＲＵＬ予測部１４からＲＵＬの予測結果を入力するとともに、時系列データベース記憶部１２から設備状態や健康状態、あるいは異常測度や性能測度に影響が大きなセンサデータ１２ａを入力し、入力した時系列センサデータ１２ａや健康状態などを示す時系列データの波形を表示するものである。また、出力部１５は、これらのデータの表示に代えて、又は加えて、不図示の上位システムであるＡＨＭ（asset health management）やＥＡＭ（enterprise asset management）にこれらのデータを出力する。

次に、図４〜図６を参照して、データの一例について説明する。
まず、図４にセンサデータ及びイベントデータの例を示す。図４に示すように、監視対象の機械設備である発電設備１０５ｂや建設機械１０５ｃから出力される多次元のセンサデータ１２ａ及びイベントデータ１２ｂを、時系列データ取得部１１によって取得する。ここでは図示を省略しているが、イベントデータ１２ｂ以外の環境データである稼働データ１２ｃ、負荷データ１２ｄ及び保守履歴データ１２ｅも取得対象である。

センサデータ１２ａは、冷却水やオイルの温度、オイルの圧力、電圧などである。センサデータ１２ａは、２種以上であればよいが、数十から数万種に及ぶものであってもよい。センサデータ１２ａは、所定のサンプリング間隔で、時系列データ取得部１１によって取得される。
イベントデータ１２ｂは、機械設備の起動、停止、その他の操作を示すデータである。機械設備に備えられた固有の警報装置が発生する警報などが含まれる場合もある。

図５に、ガスエンジンのセンサデータ１２ａの例を示す。図５に示した例では、センサデータ１２ａは、信号１〜信号４（１２ａ−１〜１２ａ−４）からなる４次元時系列センサ信号（データ）を構成しており、運転ＯＮ，ＯＦＦの繰り返しをしている例である。

図６に、稼働データ１２ｃの例を示す。図６の上側のグラフは、稼働データ１２ｃである週単位の稼働時間を示したものである。また、図６の下側のグラフは、負荷データ１２ｄや性能データの一種である燃費、又はそれらに相当する性能指標を示したものである。ここで、時系列の稼働時間データを累積したものは、機械設備の年齢に相当する。また、図６において、矢印で示した時点でメンテナンス（保守作業）を行っている。図６には、その結果として、メンテナンスの直後に性能指標が回復している様子が示されている。

［設備状態・健康状態の定量化方法］
次に、設備状態や健康状態を定量化する方法について説明する。
設備状態や健康状態の定量化には、回帰手法や認識手法などを用いることができる。以下に、いくつかの手法について順次に説明する。
なお、設備状態や健康状態の定量化は、図３に示した健康状態予測部１３によって行われる処理である。

（第１の定量化手法）
まず、図７を参照（適宜図３参照）して、設備状態の第１の定量化手法として、回帰手法について説明する。
第１の定量化手法は、過去の時系列データを学習データとして、回帰モデルを作成し、作成した回帰モデルを用いて、現在の時系列データの設備状態や健康状態を定量化するものである。
なお、定量化する指標が、設備状態又は健康状態の何れであっても同様に適用することができるため、設備状態（本明細書において、「機械設備の状態」又は、単に「状態」ということもある）を例にして説明する。

図７は、ガウシアンプロセス等の非線形回帰手法を用いた定量化方法を説明するための図である。図７には、学習データｘと、当該学習データｘにフィッティングする回帰関数Ｆとが描かれている。ここで、黒丸「●」で示した学習データｘは、現在の時系列センサデータと類似するデータとしてモデル作成のために選択された過去の時系列センサデータである。

次に、回帰手法としてガウシアンプロセスを用いた場合について説明する。ガウシアンプロセスの解説記事は多いが、ここでは、非特許文献４に記載された手法を基にして説明する。ガウシアンプロセスの特徴は、現在の時系列センサデータ（以下、「現在の時系列データ」を、適宜に「観測データ」という）に対する設備状態の予測値（推定値）として、学習データと類似したデータを出力し、かつ、その予測の信頼性も分散値として出力可能なことである。

学習データである過去の時系列センサデータを示す入力ベクトルｘ_１，…，ｘ_ｎと対応する設備状態が出力ｔ＝（ｔ_１，…，ｔ_ｎ）^Ｔとして与えられているとする。このとき、現在の時系列センサデータとして入力される新しい入力ベクトルｘ_ｎ＋１に対する出力ｔ_ｎ＋１を予測する場合について考える。この出力ｔ_ｎ＋１の予測値ｔ_ｅｓｔは、式（１．１）によって得ることができる。

式（１．１）において、右辺の関数Ｎ（＊，＊）は正規分布関数を表し、第１変数に対応する値である平均が、予測値である出力ｔ_ｅｓｔであり、第２変数に対応する値である分散が出力ｔ_ｅｓｔの信頼度を示す。
また、式（１．１）において、βはノイズの変動幅を表すハイパーパラメータであり、ベクトルｋ及び行列Ｋは、それぞれ式（１．２）及び式（１．３）のように表される。

ここで、関数ｋ（＊，＊）は、カーネル関数を表し、例えば、式（１．４）に示すＲＢＦ（Radial Basis Function）カーネルを用いることができる。なお、式（１．４）において、σは分散パラメータである。

なお、ガウシアンプロセスでは、予測値の算出に際して、観測データに類似した過去の時系列センサデータ（以下、「過去の時系列データ」を、適宜に「過去データ」という）の重みが大きくなる。言い換えれば、どの過去データを参照しているか（重みの大きな過去データがどれか）が容易に分かるため、参照した過去データが属する設備状態が、観測データが取得された現在の設備状態に対応する。これは、後記する局所部分空間法で算出される残差ベクトルの始点に対応するものである。

すなわち、ガウシンアンプロセスにおいて、参照した過去データの位置を始点とし、観測データの位置を終点とする多次元ベクトルを考えた場合に、当該多次元ベクトルは、正常状態から異常状態に向かう多次元ベクトルとして定義することができる。この多次元ベクトルは、前記したように、局所部分空間法における残差ベクトルに相当するものである。
従って、当該多次元ベクトルの始点位置によって設備状態を定量化できる。また、多次元ベクトルの長さは、正常状態からの乖離度を示す異常測度として用いることができる。

なお、前記した非特許文献５には、リチウムイオン蓄電池を対象に、ガウシアンプロセスを用いた蓄電池のＲＵＬを推定する技術が紹介されている。本発明の実施形態と非特許文献５に記載の手法との技術的な相違点のひとつは、非特許文献５に記載の手法では、故障までの期間を「ＲＵＬ」と定義している点にあり、更なる相違点は、リチウムイオン蓄電池では、抵抗やキャパシタンスからなる回路物理モデルを仮定でき、それに基づきＲＵＬを求めている点である。本発明の実施形態では、ＲＵＬ１０４を、所定レベルの健康状態（性能や品質）を維持しつつ運転可能な時間と定義している。また、本発明では、保守作業を行うことにより、劣化した健康状態が回復することを前提としており、次の保守作業が必要となるまでの時間という意味で短周期のＲＵＬ１０４を定義し、これを時刻ごとに、又は保守作業を行うごとに予測するようにした。

また、多くの機械設備では、物理モデルを仮定して構築することはコストがかかり、また精度を確保しようとすると、多くのセンサデータの蓄積と、その蓄積したセンサデータの処理が必要となるため、ますます膨大なコストがかかるというデメリットがある。これを考慮して、本発明は、精度の高い物理モデルを必ずしも準備できなくても、対応可能とするものである。

（第２の定量化手法）
次に、図８を参照（適宜図３参照）して、設備状態の第２の定量化手法として、認識手法の一つであるｋ−ＮＮ（k-Nearest Neighbor；ｋ−近傍）法について説明する。
第２の定量化手法においても、設備状態の定量化を行うために、多次元のセンサデータ及び環境データをからなる過去データを学習データとして用いる。

図８は、ｋ−ＮＮ法により、観測データｑの近傍のｋ個の学習データを選択する様子を示したものである。図８は、観測データｑ（黒三角「▲」で示す）の近傍に２つのクラスタＡ及びクラスタＢがある場合を示している。図８において、クラスタＡの属するメンバである学習データｘ_Ａを黒丸「●」で示し、クラスタＢの属するメンバである学習データｘ_Ｂを黒四角「■」で示している。

ｋ−ＮＮ法によれば、まず、観測データｑの最近傍のｋ個の学習データを選択する。図８に示した例では、ｋ＝５とし、破線で示した円内の５個の学習データｘ_Ａ，ｘ_Ｂが選択されている。ここで、選択された５個の学習データｘ_Ａ，ｘ_Ｂについて、選択されたメンバの多数決によって観測データｑが所属するクラスタを選択する。この例では、クラスタＡに属する学習データｘ_Ａ（２個）よりも、クラスタＢに属する学習データｘ_Ｂ（３個）の方が多いので、観測データｑは、クラスタＢに属すると分類される。
なお、ｋの個数は適宜に定めることができる。

ｋ−ＮＮ法において、観測データｑが分類されたクラスタＢの重心（代表値）を始点とし、観測データｑの位置を終点とする多次元ベクトルを考えた場合に、当該多次元ベクトルは、正常状態から異常状態に向かう多次元ベクトルとして定義することができる。この多次元ベクトルは、局所部分空間法における残差ベクトルに相当するものである。
従って、当該多次元ベクトルの始点位置によって設備状態を定量化することができる。また、多次元ベクトルの長さは、正常状態からの乖離度を示す異常測度として用いることができる。

また、ｋ−ＮＮ法において、選択した学習データｘ（ｘ_Ａ，ｘ_Ｂ）を観測データｑが属するクラスタを選択するために用いるのではなく、選択した学習データの重心を算出するために用いるようにしてもよい。そして、算出した重心を、設備状態を示すものとして用いるようにすることができる。
例えば、図８において示した学習データｘ_Ａ，ｘ_Ｂが、Ａ，Ｂ２つのクラスタではなく、１つのクラスタに属するものとする。そして、選択した学習データ（図８の場合は、５個の学習データｘ（ｘ_Ａ，ｘ_Ｂ））の重心を始点とし、観測データｑの位置を終点とする多次元ベクトルを、正常状態から異常状態に向かう多次元ベクトルと定義して用いることができる。

なお、ｋ−ＮＮ法を時系列データに適用するという意味で、所定の期間についての複数の過去の時系列データをベクトル化して１つのベクトルデータとして取り扱い、時間軌跡を予測の対象にするようにしてもよい。
すなわち、現時点までの所定の期間に取得された複数の時系列データをベクトル化したベクトルデータを観測データｑとして用いる。また、同様に、前記した所定の期間ごとに取得された過去の時系列データのベクトルデータを学習データｘとして用いる。そして、学習データｘと観測データｑとの距離を求め、この距離の大小により、観測データｑに近い学習データのベクトルを複数（ｋ個）選ぶものである。

（第３の定量化手法）
次に、図９を参照（適宜図３参照）して、設備状態の第３の定量化手法として、認識手法の１つである局所部分空間（ＬＳＣ：Local Subspace Classifier）法について説明する。
この手法は、例えば、前記した特許文献１にも説明がなされている。
ＬＳＣ法は、時系列データ間の類似度に着目し、正常データからなるコンパクトなモデルを生成するものである。以下、図９を参照して説明する。

本定量化手法では、まず、未知データである観測データｑを用いて、前記したｋ−ＮＮ法と同様の手順により、学習データｘの中から観測データｑのｋ−近傍データｘ_１〜ｘ_３を選択する。次に、ｋ−近傍データによって張られるｋ−１次元の局所部分空間（線形多様体）ＳＳを作成する。なお、ｋは、観測データｑ及び学習データｘの次元数以下であればよい。そして、観測データｑから局所部分空間ＳＳへ降ろした垂線の足Ｘｂを始点とし、観測データｑを終点とする残差ベクトルＶを求める。図９に示した例は、ｋ＝３の場合であり、局所部分空間ＳＳは、（ｋ−１）＝２次元空間（平面）である。
ＬＳＣ法で求めた残差ベクトルは、正常状態から異常状態に向かう多次元ベクトルとして用いることができる。すなわち、残差ベクトルの始点が設備状態を示すとともに、残差ベクトルの長さが正常状態からの乖離度を示し、異常測度として用いることができる。

残差ベクトルＶの始点Ｘｂの求め方について数学的に説明する。
始点Ｘｂを求めるには、観測データｑと、ｋ−近傍データとして選択されたｋ個の学習データｘ_ｉ（ｉ＝１，２，…，ｋ）とから、学習データｘ_ｉの線形結合の係数ベクトルｂを算出する。このために、観測データｑをｋ個並べた行列Ｑと、学習データｘ_ｉをｋ個並べた行列Ｘとを用いて、式（２．１）により相関行列Ｃを求める。また、この相関行列Ｃを用いて、式（２．２）により係数ベクトルｂを求める。

ここで、１_ｋは要素がすべて１であるｋ次元ベクトルである。この式（２．２）は、観測データｑとの二乗誤差が最小となるｘ_ｉ（ｉ＝１，２，…，ｋ）の線形結合の係数ベクトルをｂとすることを意味するものである。
なお、残差ベクトルＶ（＝ｑ−Ｘｂ）のＬ２ノルムは、異常測度として用いることができる。

次に、図１０及び図１１を参照して、ＬＳＣ法により残差ベクトルを求める手順について更に具体的に説明する。
まず、図１０に示すように、観測データｑ_１に近いｋ個の学習データｘ_ｋ（図１０において、白丸「○」で示す）を選択する。ここではｋ＝５とした。そして、ｋ個の学習データｘ_ｋから、１つだけ次元が低い局所部分空間ＳＳ_１を生成する。図１０においては便宜的に直線で示しているが、この局所部分空間ＳＳ_１は４次元空間である。次に、観測データｑ_１から局所部分空間ＳＳ_１への垂線を求め、残差ベクトルＶ_１を求める。垂線の足が、残差ベクトルの始点Ｘｂ_１になる。残差ベクトルＶ_１の向かう先が、観測データｑ_１になる。

図１１は、別の観測データｑ_２の場合について示す。観測データｑ_１の場合と同様にして、観測データｑ_２のｋ−近傍の学習データｘ_ｋを選択して局所部分空間ＳＳ_２を生成し、残差ベクトルＶ_２の始点Ｘｂ_２を求めることができる。
ここで、残差ベクトルの始点Ｘｂ_１，Ｘｂ_２は、機械設備の置かれた状態（設備状態）をそれぞれ表している。残差ベクトルの始点Ｘｂ_１，Ｘｂ_２が近い場合は、互いに設備状態も近いと判断できる。従って、残差ベクトルの始点Ｘｂ_１，Ｘｂ_２を分類すれば、設備状態をカテゴリ分けできることになる。

図１２に、設備状態をカテゴリ分けした結果である状態Ａ及び状態Ｂを示す。図１２は、設備状態が状態Ａと状態Ｂという２種類の場合について示すものである。設備状態が状態Ａ又は状態Ｂといっても、それぞれの状態の内部では設備状態は変動していることになる。カテゴリ分けは、例えばｋ平均法などの教師なしクラスタリングによって実現することができる。

なお、イベントデータ１２ｂ、稼働データ１２ｃ、負荷データ１２ｄ（図３参照）などの環境データも活用して、学習データｘを更に多次元化し、これを分類してもよい。
これによって、よりきめ細かく設備状態を分類することができる。すなわち、観測データｑに対する残差ベクトルの始点Ｘｂを求めて、設備状態をきめ細かく予測することができる。

図１３に、ＬＳＣ法による設備状態の予測についての前記した説明をまとめる。
図１３において、観測データｑ_１に対応する残差ベクトルＶ_１の始点Ｘｂ_１は機械設備が状態Ａにあることを示している。また、観測データｑ_２に対応する残差ベクトルＶ_２の始点Ｘｂ_２は機械設備が状態Ｂにあることを示している。このように、本定量化手法によれば、観測データｑ_１，ｑ_２などに対応する残差ベクトルの始点Ｘｂ_１，Ｘｂ_２などが、どの状態（例えば、状態Ａ、状態Ｂなど）に近いかによって、設備状態を把握して、その変動をモニタできることがわかる。

なお、設備状態のモニタは、ＬＳＣ法による残差ベクトルの始点に限らず、前記した他の定量化手法で定義される多次元ベクトルの始点を用いても同様に行うことができる。
すなわち、前記したｋ−ＮＮ法で求めた所属クラスタの重心やｋ個の学習データの重心、ベクトル量子化のコードブックに相当するリストの代表値、非階層クラスタリングの一種であるｋ平均法の重心、更には、最短距離法や最長距離法、群平均法やウォード法などの階層クラスタリングの重心（セントロイド）など、他の代表値でも構わない。正常状態から異常状態に向かう多次元ベクトルは、何れの手法においても定義することが可能である。

（健康状態への拡張）
ＬＳＣ法による残差ベクトルを含め、前記した定量化手法において、正常状態から異常状態に向かう多次元ベクトルの始点で設備状態をモニタする手法を、設備の性能や品質などの健康状態にまで発展させることができる。
図１４を参照して、健康状態を定量化するための手法について説明する。図１４は、健康状態として、例えば、性能の１つである燃費を指標とし、学習データｘを分類した様子を示している。性能のレベルとして、図１４では８レベル（性能Ｉ〜性能ＶＩＩＩ）に分けている。性能をどのように見るかによって、この結果は異なるものとなるが、これらは外部から教示するものとする。そうすると、性能のモニタは、過去の時系列データである学習データｘを活用した分類の問題になる。

８レベル、すなわち８つのカテゴリに分類するマルチクラス分類と考えれば、交差検証などによって、事前に性能などのモニタの精度評価も可能であり、学習データｘの良否も判断できる。ここで、交差検証とは、学習データｘを、本例では８つに分割し、８つの内の１つのデータを用いて分類のパラメータを決め、そのパラメータを用いて、残る７つのデータで分類の評価を行い、分類の妥当性の検証及び確認に当てる手法である。

［健康状態の推定方法］
次に、機械設備の健康状態を、観測データに対応する設備状態を示す残差ベクトルの始点を用いて推定する方法について説明する。
前記したように、設備状態は、正常データからなる過去データを用いて、観測データに対応する残差ベクトルの始点により定量化することができる。なお、本推定方法の説明では、ＬＳＣ法における残差ベクトルを用いる場合について説明するが、これに限定されるものではなく、他の手法による正常状態から異常状態に向かう多次元ベクトルを用いることもできる。
また、機械設備の異常又は異常予兆は、例えば、残差ベクトルの長さを異常測度とし、この異常測度の大きさによって判定することができる。

一方、健康状態は、健康状態を示す性能や品質などを外部から教示した学習データをクラスタリングすることにより健康状態を分類しておき、観測データに対応する残差ベクトルの始点が、健康状態を分類した何れのクラスタに属するかによって、推定することができる。

ここで、健康状態を示す性能や品質は多種多様である。このため、多次元の時系列データから、推定しようとする性能や品質ごとに、大きな影響を与えるデータを選択して用いることが、推定のための処理負荷を低減し、また推定精度を向上するために有用である。しかしながら、多種多様な性能や品質に応じた種々の残差ベクトルを算出するのは推定の処理負荷の増大となる。

そこで、本実施形態では、過去データを用いて、予め設備状態をクラスタリングするとともに、健康状態についてもクラスタリングしておく。また、これらのクラスタリングによって生成した設備状態を示す各クラスタと、健康状態を示す各クラスタとの間の類似度を求めておく。そして、観測データを取得したときに、当該観測データに対応する設備状態を示す残差ベクトルの始点を算出することで設備状態を推定し、更に、設備状態と健康状態との間の類似度データを用いて、健康状態を推定する。

図１５を参照して、設備状態と健康状態（性能・品質）との関係性を導く方法について説明する。
本実施形態では、機械設備から取得した正常データを学習データに用いる。
まず、ほぼすべてのセンサデータを対象としたデータに、ＬＳＣ法により残差ベクトルの始点を求め、残差ベクトルの始点により形成される設備状態分布を得る。並行して、設備の健康状態を左右するセンサデータを対象としたデータに、ＬＳＣ法により残差ベクトルの始点を求め、残差ベクトルの始点により形成される健康状態分布を得る。

次に、設備状態分布と健康状態分布とをそれぞれ、メンバの重複を許して、クラスタリングする。なお、健康状態分布をクラスタリングする際は、健康状態のレベル（性能や品質レベル）を外部から教示するものとする。これによって、設備状態クラスタＳ_１，Ｓ_２，…と、健康状態クラスタＰ_１，Ｐ_２，…とを生成することができる。

次に、設備状態クラスタＳ_１，Ｓ_２，…から１つを選び、各健康状態クラスタＰ_１，Ｐ_２，…との類似度を算出する。類似度は、分布同士の類似度であり、相互部分空間法などを用いて算出することができる。選択した設備状態クラスタＳ_１，Ｓ_２，…と健康状態クラスタＰ_１，Ｐ_２，…との対応付けを行う。これを、残りの設備状態クラスタについても行う。これによって、図１６に示したように、設備状態クラスタＳ_１，Ｓ_２，…と健康状態クラスタＰ_１，Ｐ_２，…との関係性を示す類似度マトリックスを得ることができる。また、図１６に示した類似度マトリックスの要素は、類似度の大きさで並べ替えを行ってもよい。
このようにして、設備状態と健康状態との関係性（相関の度合など）を導くことができる。

［健康状態予測部及びＲＵＬ予測部の構成］
次に、図１７を参照（適宜図３参照）して、第１実施形態における健康状態予測部１３及びＲＵＬ予測部１４の詳細な構成について説明する。
健康状態予測部１３は、類似時系列データ選択部１３１と、第１識別部１３３ａと、第２識別部１３３ｂと、第１始点データ記憶部１３４ａと、第２始点データ記憶部１３４ｂと、第１クラスタ生成部１３５ａと、第２クラスタ生成部１３５ｂと、類似度算出部１３６と、類似度データ記憶部１３７と、健康状態推定部１３８と、健康状態記憶部１３９とを備えている。
また、本実施形態におけるヘルスマネージメントシステム１は、異常予兆検知部１６を備えている。

類似時系列データ選択部１３１は、時系列データ取得部１１から現在の時系列データである観測データを入力し、時系列データベース記憶部１２に記憶されている過去データから、観測データと類似するデータを選択する。具体的には、観測データである入力ベクトルと、時系列データベース記憶部１２に蓄積されている過去データである入力ベクトルとの間の距離を算出し、距離が近いものから所定数の過去データを選択する。更に具体的には、前記したカーネル関数（例えば、式（１．４））を用いて、カーネル関数の値が「１」に近いデータから順に選択することができる。
類似時系列データ選択部１３１は、選択した過去データを、第１識別部１３３ａ及び第２識別部１３３ｂに出力する。

第１識別部１３３ａ及び第２識別部１３３ｂは、それぞれ類似時系列データ選択部１３１から観測データ又は／及び過去データを入力し、それぞれ設備状態及び健康状態を定量化するものである。具体的には、前記したガウシアンプロセスなどの回帰手法や、ｋ−ＮＮ法やＬＳＣ法などの認識手法を用いて、正常状態から異常状態に向かう多次元ベクトルを算出し、その始点データによって設備状態及び健康状態を定量化する。

第１識別部１３３ａは、過去データについて算出した多次元ベクトルの始点データを第１始点データ記憶部１３４ａに記憶させる。また、第１識別部１３３ａは、観測データについて算出した多次元ベクトルの始点データを健康状態推定部１３８に出力するとともに、その長さを異常測度として異常予兆検知部１６に出力する。
第２識別部１３３ｂは、過去データについて算出した始点データを第２始点データ記憶部１３４ｂに記憶させる。また、第２識別部１３３ｂは、観測データについては、多次元ベクトルの算出は行わない。

第１始点データ記憶部１３４ａ及び第２始点データ記憶部１３４ｂは、それぞれ第１識別部１３３ａ及び第２識別部１３３ｂから入力した多次元ベクトルの始点データを記憶するものである。第１始点データ記憶部１３４ａ及び第２始点データ記憶部１３４ｂに記憶された多次元ベクトルの始点データは、それぞれ第１クラスタ生成部１３５ａ及び第２クラスタ生成部１３５ｂによって読み出される。

第１クラスタ生成部１３５ａ及び第２クラスタ生成部１３５ｂは、それぞれ第１始点データ記憶部１３４ａ及び第２始点データ記憶部１３４ｂに記憶されている多次元ベクトルの始点データについてクラスタリングを行うことにより、それぞれ設備状態及び健康状態を分類するものである。なお、第２クラスタ生成部１３５ｂは、クラスタリングを行う際に、各始点データに対応する健康状態のレベルを、外部から教師データとして入力するものとする。
第１クラスタ生成部１３５ａ及び第２クラスタ生成部１３５ｂは、クラスタリングにより生成したクラスタデータを、類似度算出部１３６に出力する。

類似度算出部１３６は、第１クラスタ生成部１３５ａ及び第２クラスタ生成部１３５ｂから、それぞれ設備状態についてのクラスタデータ及び健康状態についてのクラスタデータを入力し、各設備状態クラスタと各健康状態クラスタとの関係性を示す類似度を算出する。類似度算出部１３６は、算出した類似度を、類似度マトリックス（図１６参照）として類似度データ記憶部１３７に記憶させる。

類似度データ記憶部１３７は、類似度算出部１３６が算出した類似度を、類似度マトリックスとして記憶するものである。類似度データ記憶部１３７に記憶される類似度データは、健康状態推定部１３８によって読み出される。

健康状態推定部１３８は、第１識別部１３３ａから観測データについての設備状態を示す始点データを入力し、類似度データ記憶部１３７に記憶されている類似度マトリックスを参照して、健康状態を推定するものである。健康状態推定部１３８は、推定した健康状態を、健康状態記憶部１３９に、観測データが取得された時刻に対応付けた時系列データとして記憶させる。

健康状態記憶部１３９は、健康状態推定部１３８から、健康状態の推定値を入力し、観測データの取得時刻に対応付けた時系列データとして記憶するものである。健康状態記憶部１３９に記憶された健康状態の推定値は、健康状態の時系列データとしてＲＵＬ予測部１４のＲＵＬ算出部１４１及び保守効果算出部１４２、並びに出力部１５に出力される。

ここで、図１８を参照（適宜図１７参照）して、第１識別部１３３ａ及び第２識別部１３３ｂの詳細な構成について説明する。
第１識別部１３３ａ及び第２識別部１３３ｂは、何れも同様の構成をしており、図１８に示すように、特徴変換部１３３１と、トレンド抽出部１３３２と、学習データ選択部１３３３と、識別器１３３４とを備えている。
第１識別部１３３ａ及び第２識別部１３３ｂ（以下、これらを総称して、適宜に識別部１３３と呼ぶ）は、前記したように観測データ又は過去データについて、ＬＳＣ法による残差ベクトル又は他の手法により残差ベクトルに相当する多次元ベクトルを算出するものである。

センサデータ１２ａ、イベントデータ１２ｂ、稼働データ１２ｃ、負荷データ１２ｄ、保守履歴データ１２ｅなどの時系列データは、残差ベクトルなどの多次元ベクトルの始点データの分布として表わされる設備状態分布や健康状態分布の基礎データになる。ショベルを例にとると、冷却水温度やその蓄積値は、機械設備の状態に相当する。しかし、蓄積冷却水温度は、性能劣化に結び付いている可能性がある。しかしながら、機械設備の生まれ（部品の違い、組立ての違い）、機械設備の育ち（稼働環境、人為的要素）が違う訳で、そのような機械設備に対し、その性能（健康状態）をうまく表現することは難しい。そこで、性能の劣化の要因を検討するのではなく、結果としての性能という外的評価を教師として与え、学習させていく。性能グロスから入り、学習の結果、要因も出力する。

特徴変換部１３３１は、多次元のセンサデータを含む観測データ及び過去データに特徴変換を前処理として施すものである。特徴変換部１３３１は、特徴変換した観測データ及び過去データを、トレンド抽出部１３３２に出力する。
特徴変換の手法の例を、図１９に示す。主成分分析（ＰＣＡ）、独立成分分析（ＩＣＡ）、ウェーブレット（Wavelet）変換などが代表的なものである。
主成分分析を通して時系列データの次元数を削減し、３次元以下にすることで、高次の残差ベクトルの始点の振舞を、視覚的に画像表示することが可能となる。また、独立成分分析やウェーブレット変換を通して、残差ベクトルの始点の分布を観察すると、状態変化をより分かりやすく顕在化できる場合がある。

図２０は、独立成分分析を施した後の観測データについて算出した残差ベクトルの始点の軌跡を示したものである。独立成分分析によっても、主成分分析と同様に、時系列データの次元を削減することができる。図２０に示した例は、次元を３次元に削減して表示したものである。独立成分の尖度などを用いて、次元数を制御することができる。

図２０において、プロットした始点の濃淡は４カ月刻みで変えて表示している。図２０において、現在に近いデータである直近の４カ月の期間のデータを黒いプロットで表わしている。黒以外のプロットで示した２０〜４カ月前までの残差ベクトルの始点の振舞いに対して、この直近４カ月の期間において、残差ベクトルの始点が大きく変動していることが分かる。すなわち、直近の４カ月で、状態変動があったことが分かる。

更に、独立成分分析をセンサデータに施す際に、独立成分分析の手法により得られた混合係数行列Ａから重みを算出し、これにより独立成分の信号の大きさを制御することもできる。
ここで、ｎ次元の観測データをｘ（ｔ）、未知の独立成分のｍ次元独立成分をｓ（ｔ）とすると、ｎ×ｍ次元の混合行列Ａを用いて、両者の関係は式（３．１）のように表わされる。また、混合行列Ａの逆行列Ｗを用いて、式（３．２）のように表わすこともできる。なお、ここでは、ｔは時間を示す。

独立成分分析では、観測データｘ（ｔ）を用いて、独立成分ｓ（ｔ）と混合行列Ａとを求めるものである。そして、ｊ番目の独立成分のセンサ出力に対する寄与率を、式（３．３）によって算出することができる。更に、性能や状態を教示できれば、前記の重みを、教示した性能や状態が付加された学習データを用いて修正することもできる。どの独立成分を重視すべきかなど、有用な知見が、過去データを用いて学習することにより得ることができる。

図１８に戻って、識別部１３３の構成について説明を続ける。
トレンド抽出部１３３２は、特徴変換部１３３１から特徴変換された観測データ及び過去データを入力し、特徴変換された観測データ及び過去データから、更にトレンド成分を抽出して、識別器１３３４で多次元ベクトルを算出するための観測データ及び過去データであるベクトルデータの成分として付加するものである。トレンド抽出部１３３２は、トレンド成分を付加した、観測データについては識別器１３３４に出力し、過去データについては学習データ選択部１３３３に記憶させる。

トレンド抽出部１３３２は、独立成分分析で得られた独立成分について、トレンド成分を抽出して、その傾向を用いることにより、異常予兆を検知し易くするためのものである。このトレンド成分は、性能との関係性が確認できれば、性能の監視にも有用である。

例えば、図２１は、周波数が異なる４つの独立成分を表したものである。図２１において、成分１及び成分４として示した独立成分は固有の周波数が見てとれる。これらを周波数分析し、その周波数によって分類すれば、機械設備のもつ繰り返し性、長期的なトレンド、短期の突発性の現象、不規則なノイズ成分などを分離することができる。また、これらの周波数特性と、機械設備の設置環境、例えば室温、外気温、負荷変動、又は保守作業の周期などがもつ周波数特性との関係性などが分かる。これによって、種々の現象を説明することができる。トレンドを定量化することは、設備状態の予測、健康状態の予測にもつながるものである。また、保守作業の緊急性を要するかどうかも判断することができる。

なお、独立成分分析については、例えば、参考文献１に詳しく説明されている。
（参考文献１）「詳解 独立成分分析―信号解析の新しい世界。東京電機大学出版局 (2005/02)」

図１８に戻って、識別部１３３の構成について説明を続ける。
学習データ選択部１３３３は、トレンド抽出部１３３２から、トレンド成分を付加された過去データを入力し、学習データとして記憶するとともに、識別器１３３４による識別処理を行う際に、観測データに類似するデータを選択して識別器１３３４に出力するものである。

識別器１３３４は、トレンド抽出部１３３２から観測データを入力するとともに、学習データ選択部１３３３から学習データを入力し、前記した回帰手法や認識手法などにより、観測データに対応する残差ベクトルなどの、正常状態から異常状態に向かう多次元ベクトルを算出するものである。
識別器１３３４は、第１識別部１３３ａ又は第２識別部１３３ｂの出力として、過去データについての多次元ベクトルの始点データを、対応する第１始点データ記憶部１３４ａ又は第２始点データ記憶部１３４ｂに出力する。更に、識別器１３３４が第１識別部１３３ａの構成である場合は、観測データについての、多次元ベクトルの始点データを健康状態推定部１３８に出力し、多次元ベクトルの長さを異常測度として異常予兆部検知部１６に出力する。

ＲＵＬ予測部１４は、健康状態記憶部１３９に記憶されている健康状態の時系列データを参照して、ＲＵＬの算出、保守作業による健康状態の回復効果の算出、及び次回の保守作業の時期を決定するものである。そのために、ＲＵＬ予測部１４は、ＲＵＬ算出部１４１と、保守効果算出部１４２と、保守時期決定部１４３とを備えている。

［ＲＵＬの予測方法］
ここで、ＲＵＬの予測方法について説明する。
設備状態や健康状態は、機械設備のもつ不具合のみならず、保守作業によっても変化する。保守作業は、部品交換、調整、注油、ソフトウェアのバージョンアップなどである。定期保守もあれば、稼働時間ごとの点検調整もある。保守作業と同期をとり、残差ベクトルの始点（又は前記した他の手法による多次元ベクトルの始点）がどのように変位するかを評価すれば、正常状態から劣化し、保守によって若干若返り、また劣化が進むというサイクルを繰り返すことが観察できる。

図２２を参照（適宜図３及び図１７参照）して、次の保守作業を行う時期までの機械設備のＲＵＬ（稼働継続可能時間）について説明する。図２２では、機械設備の健康状態及び負荷率・稼働率を縦軸に、時間を横軸にとっている。健康状態は、前記したように性能や品質を指標とするものである。図２２では、時間の経過とともに、機械設備の健康状態は、勾配２０７で示したように低下している。途中で、保守作業２１１が行われ、健康状態はやや回復し、現在に至る。三角「△」は、途中でアラーム２１０が発生したことを示している。また、参考のため、下側に機械設備の負荷率・稼働率２０５を示している。また、保守作業２１１が行われる直前に健康状態が極小となり、保守作業により健康状態が上昇して極大となる。そして、その後、勾配２０８で健康状態が徐々に低下している。この保守作業の前後の健康状態の極小（谷）から極大（山）までの健康状態の差が、保守作業による健康状態の回復効果２０９を示すものである。

図２２において、勾配２０７は、保守前の健康状態の減衰度合いを示す傾きであり、勾配２０８は、保守後の健康状態の減衰度合いを示す傾きである。このように表示すると、機械設備の健康状態と保守作業との関係、稼働時間や機械設備に加わる負荷の状況などが、分かり易くなる。
また、健康状態が所定の閾値２０２を下回り、健康状態の限界（例えば、性能限界）に低下する限界時期２０３までの残された時間が、健康状態の観点から定められる機械設備のＲＵＬ２０４を表わす。

ここで、健康状態の時間推移を示すグラフから、ＲＵＬ２０４を予測しようとする現在の時点における勾配２０８を健康状態の変化のトレンド成分として算出し、健康状態が所定の閾値２０２に低下する限界時期２０３を外挿して求めることができる。限界時期２０３の予測には、健康状態の勾配２０８（すなわち１次微分）だけでなく、２次微分などの高次の微分係数を加えた、健康状態の変化のトレンドを分析して用いることもできる。
なお、回帰手法などの統計モデルを用いて限界時期２０３を予測することにより、限界時期２０３を確率分布２０６として算出することもできる。
そして、現在の時点から予測した限界時期２０３までの時間をＲＵＬ２０４の予測値として算出することができる。

なお、この限界時期２０３までは、稼働継続性が確保されているという意味である。従って、保守スケジューリングは、この機械設備のＲＵＬ２０４に基づいて行うことができる。すなわち、現在の時点から予測したＲＵＬ２０４を超えない期間内に、次の保守作業時期を定めることができる。従って、定期的な保守作業の時期が予め定められている場合であっても、その所定の時期までの時間が、ＲＵＬ２０４より長い場合は、ＲＵＬ２０４内に保守作業を行う時期を早めることができる。また、所定の時期までの時間がＲＵＬ２０４よりも短い場合は、ＲＵＬ２０４を超えない範囲で保守作業時期を遅くすることもできる。

ちなみに、リチウムイオン電池やハードディスクドライブなどでは、多くの場合、保守作業が入らないため、このように健康状態が増減することはなく、単調に減少することを基本とする。従って、保守作業により、健康状態に増減を伴う機械設備において、本発明は特に有用性が高いものである。

なお、保守作業２１１の後の健康状態の減衰度合いを示す勾配２０８は、保守作業２１１の前の勾配２０７と比べることにより 、保守作業２１１の前に算出したＲＵＬ２０４が今度はどうなるかを把握することもできる。
注意すべきは、保守作業２１１の後の健康状態の回復効果２０９が最大に得られた時点を始点として、ＲＵＬ２０４を計測している点である。保守作業を行うべき、次の健康状態の限界時期２０３が、このグラフから判断できる。

保守作業による健康状態の回復効果２０９は、保守作業のたびに完全には元に復元できず、徐々に健康状態の回復が困難になることが予想される。このため、保守作業のたびに、その前後の健康状態を計測し、回復効果２０９を見積もることにより、回復できない度合いを評価していけば、健康状態の劣化の傾向が分かり易いものとなる。
従って、設備状態を示す残差ベクトルの始点が、例えば、図１４に示した多次元空間において、どこに位置しているか、調整や部品交換によって、どのように変位するのかを定量化し、健康状態や始点位置を示す日時を表示することが、傾向を分かり易くするために重要となる。

そこで、保守作業データを入力し、残差ベクトルの始点がどのように変位するかを評価する。保守作業２１１のたびに、残差ベクトルの始点が動き、その点列が得られることになる。そして、この点列は、正常状態から劣化し、保守作業２１１によって若干若返り、また劣化が進むというサイクルを繰り返す。単位時間あたりの移動量も考慮すれば、健康状態の変化の速度、すなわち保守作業２１１の後の健康状態の減衰度合いを示す勾配（傾向）２０８を知ることもできる。

更には、保守作業の項目の有効性を判断することもできる。残差ベクトルの始点の変動と保守作業の項目との関連性を調べれば、どの項目が残差ベクトルの始点の位置をシフトさせ得るのかなどが分かる。逆に、項目によっては、残差ベクトルの始点の動きから、その項目が有効でないことも分かる。そこで、このような保守作業の項目と残差ベクトルの始点の変化との関係を蓄積しておき、次の保守作業の際に、作業すべき項目を取捨選択するために利用し、保守作業を効率的に行うことができる。

あるいは、設備状態や健康状態を示す残差ベクトルの始点が大きく変動するとき、残差ベクトルの始点の変動に大きく寄与するセンサデータを抽出し、抽出したセンサデータにより設備状態や健康状態を表すための注目すべきセンサデータとして扱うようにしてもよい。すなわち、保守作業の前後で、機械設備の状態や健康状態を示す残差ベクトルの始点の位置が所定の値以上に変化するとき、この残差ベクトルの始点位置の変化と連動して変化するセンサデータを性能指標（Performance Indicator Index）として用い、更には出力部１５によって表示又は／及び外部へ出力することができる。また、性能などを表す外部指標と同じ振舞をもつセンサデータを選ぶことも、もちろん可能である。

図１７に戻って、ＲＵＬ予測部１４の各部の構成について説明する。
ＲＵＬ算出部１４１は、健康状態記憶部１３９に記憶されている健康状態の時系列データを参照して、健康状態の変化のトレンド（例えば、図２２に示した勾配２０８）を分析して、健康状態が所定の閾値（図２２に示した閾値２０２）を超える時期（図２２に示した限界時期２０３）を推定し、現在から当該推定時期までの時間をＲＵＬ（図２２に示したＲＵＬ２０４）として算出するものである。ＲＵＬ算出部１４１は、ＲＵＬ算出値を、ＲＵＬの予測結果として出力部１５及び保守時期決定部１４３に出力する。

保守効果算出部１４２は、健康状態記憶部１３９に記憶されている健康状態の時系列データを参照して、保守作業を行った前後の健康状態の推移を分析して、保守作業による健康状態が回復した効果（図２２に示した回復効果２０９）を算出するものである。保守効果算出部１４２は、算出した健康状態の回復効果を保守時期決定部１４３に出力する。

保守時期決定部１４３は、ＲＵＬ算出部１４１からＲＵＬの予測結果を入力するとともに、保守効果算出部１４２から健康状態の回復効果を入力し、次回の保守作業の時期を決定するものである。例えば、ＲＵＬを予測した時点から、予測したＲＵＬまでの時間を超えない範囲で保守作業の時期を決定することができる。

また、異常予兆検知部１６は、第１識別部１３３ａから異常測度を入力し、異常測度が所定の閾値を超えた場合に異常予兆ありと判定し、閾値以下の場合に異常予兆なしと判定することにより、異常予兆の有無を検知するものである。異常予兆検知部１６は、異常予兆の判定結果を出力部１５に出力する。

［ＲＵＬの予測処理］
次に、図２３を参照（適宜図３及び図１７参照）して、本発明の実施形態に係るヘルスマネージメントシステム１によるＲＵＬの予測処理について説明する。
図２３に示すように、ヘルスマネージメントシステム１は、健康状態予測部１３によって、時系列データベース記憶部１２に蓄積されている正常な状態を示す過去データを用いて、設備状態分布及び健康状態分布を算出する（ステップＳ１１）。ステップＳ１１における処理の詳細は後記するが、ステップＳ１１において、ヘルスマネージメントシステム１は、健康状態予測部１３によって、設備状態分布と健康状態分布との関連性を示す類似度の算出までを行うものである。なお、算出された類似度データ（図１６に示した類似度マトリックス）は、類似度データ記憶部１３７に記憶される。

次に、ヘルスマネージメントシステム１は、時系列データ取得部１１によって、機械設備から観測データを取得する（ステップＳ１２）。
次に、ヘルスマネージメントシステム１は、健康状態予測部１３の第１識別部１３３ａによって、ステップＳ１２で取得した観測データについて、ほぼ全てのセンサデータを対象とした残差ベクトル（又は、ＬＳＣ法以外の手法による正常状態から異常状態に向かう多次元ベクトル）を算出する（ステップＳ１３）。
なお、残差ベクトルの算出に際して、ヘルスマネージメントシステム１は、類似時系列データ選択部１３１によって、観測データに類似した所定数の過去データを時系列データベース記憶部１２から選択する。選択した過去データは、第１識別部１３３ａによって、残差ベクトルを算出するための学習データとして用いられる。

次に、ヘルスマネージメントシステム１は、健康状態推定部１３８によって、ステップＳ１３で算出した残差ベクトルの始点データと、ステップＳ１１で算出された類似度データとを用いて、機械設備の健康状態を推定する（ステップＳ１４）。なお、健康状態の推定値は、健康状態記憶部１３９に、時系列データとして記憶される。

また、ヘルスマネージメントシステム１は、ステップＳ１１と並行して、異常予兆検知部１６によって、ステップＳ１３で算出した残差ベクトルの長さを異常測度として、異常測度が所定の閾値を超えたかどうかを判定することで、異常予兆を検知する。ヘルスマネージメントシステム１は、出力部１５によって、異常予兆の検知結果を表示又は／及び外部に出力する。

次に、ヘルスマネージメントシステム１は、ＲＵＬ算出部１４１によって、健康状態記憶部１３９に記憶されている健康状態推定値の時系列データについて変化のトレンドを分析することで、ＲＵＬの予測値を算出する（ステップＳ１５）。また、ヘルスマネージメントシステム１は、ＲＵＬの算出と並行して、保守効果算出部１４２によって、健康状態記憶部１３９に記憶されている健康状態推定値の時系列データの推移を分析し、直近に行われた保守作業による健康状態の回復効果を算出する。
なお、ＲＵＬの予測処理は、保守作業を行うごとに、回復効果を確認して行うことが好ましい。すなわち、健康状態が保守作業後に回復して極大（ピーク）を形成することを確認することが好ましい。これによって、ヘルスマネージメントシステム１は、より精度よくＲＵＬを予測することができる。

次に、ヘルスマネージメントシステム１は、保守時期決定部１４３によって、ステップＳ１５で算出したＲＵＬ予測値に基づいて、次回の保守作業を行う時期を決定する（ステップＳ１６）。なお、予め保守作業時期が定められている場合は、ヘルスマネージメントシステム１は、保守時期決定部１４３によって、ＲＵＬ予測値までの期間内で、適切な時期に変更する。また、ＲＵＬが過去の時点で予測されて、不図示の記憶手段に登録されている場合は、その登録値を最新のＲＵＬ予測値で更新する。
なお、保守作業時期の決定際して、前回の保守作業による回復効果の算出値は必須ではないが、保守作業ごとの回復効果の履歴として参照することで、次回の保守作業を行ったときの回復効果を予測することができる。このため、健康状態の推移と合わせて参照することで、より適切に次回の保守作業時期を決定することができる。

［設備状態分布及び健康状態分布の算出処理］
次に、図２４を参照（適宜図３、図１７及び図２３参照）して、図２３に示した設備状態分布及び健康状態分布の算出処理ステップＳ１１の詳細な処理について説明する。
図２４に示すように、まず、ヘルスマネージメントシステム１は、時系列データ取得部１１によって、機械設備から多次元センサデータを含む時系列データを取得し、正常状態を示すデータを時系列データベース記憶部１２に、一定量を蓄積させる（ステップＳ２１）。時系列データベース記憶部１２に蓄積された正常データが、過去データとして用いられる。

次に、ヘルスマネージメントシステム１は、第１識別部１３３ａ及び第２識別部１３３ｂによって、ステップＳ２１で蓄積した過去データを用いて、それぞれ残差ベクトルを算出し、算出した残差ベクトルの始点データをそれぞれ設備状態分及び健康状態分布を示すデータとして第１始点データ記憶部１３４ａ及び第２始点データ記憶部１３４ｂに蓄積させる（ステップＳ２２）。

ここで、第１識別部１３３ａは、過去データにおけるほぼ全てのセンサデータを対象として残差ベクトルを算出する。また、第２識別部１３３ｂは、過去データにおいて、健康状態として評価しようとする具体的な性能や品質の変動に対する寄与が高い２以上のセンサデータを予め選択しておき、当該選択センサデータを対象として残差ベクトルを算出する。
なお、第１識別部１３３ａ及び第２識別部１３３ｂで用いられるセンサデータは、特徴変換部１３３１（図１８参照）で変換された独立成分やトレンド抽出部１３３２（図１８参照）で抽出されたトレンド成分などであってもよい。

次に、ヘルスマネージメントシステム１は、第１クラスタ生成部１３５ａ及び第２クラスタ生成部１３５ｂによって、ステップＳ２２で蓄積した残差ベクトルの始点データについて、それぞれクラスタリングを行い、クラスタを生成する（ステップＳ２３）。
なお、生成したクラスタについてのデータは、不図示の記憶手段に記憶するようにしてもよい。

次に、ヘルスマネージメントシステム１は、類似度算出部１３６によって、ステップＳ２３で生成した設備状態分布についての各クラスタと、健康状態分布についての各クラスタとの関係性を示す類似度データ（例えば、図１６に示した類似度マトリックス）を算出する（ステップＳ２４）。
なお、算出した類似度データは、類似度データ記憶部１３７に記憶される。

＜第２実施形態＞
［ヘルスマネージメントシステムの構成］
次に、図２５を参照（適宜図３参照）して、本発明の第２実施形態に係るヘルスマネージメントシステム１Ａの構成ついて説明する。

図２５に示すように、第２実施形態に係るヘルスマネージメントシステム１Ａは、図１７に示した第１実施形態に係るヘルスマネージメントシステム１に対して、健康状態予測部１３に代えて、健康状態予測部１３Ａを備えることが異なる。第１実施形態と同様の構成については、同じ符号又は同じ名称を付して、説明は適宜省略する。

本実施形態における健康状態予測部１３Ａは、健康状態を、当該健康状態に大きな影響を与えるセンサデータを選択してなる時系列データを用いて算出した残差ベクトル（又は他の正常状態から異常状態に向かる多次元ベクトル）の始点の軌跡を分析することで、現在又は将来の健康状態を予測するものである。また、健康状態予測部１３Ａは、保守作業を行った前後の期間において、健康状態を示す始点位置が、所定値以上変化した場合に、その始点変化に大きな影響を与えるセンサデータを抽出し、そのセンサデータを用いて健康状態を予測するものである。これによって、健康状態をより精度よく予測することができる。

更にまた、健康状態予測部１３Ａは、保守作業を行った前後の期間における健康状態を示す始点位置の変化量と保守作業で行った作業項目とを関連付け、作業項目の当該健康状態の回復に対する有効性を評価し、その評価結果を蓄積する。そして、評価結果の蓄積データを、次回以降の保守作業を行う際に、健康状態の回復に有効な作業項目を選択するために供するものである。

このために、健康状態予測部１３Ａは、類似時系列データ選択部１３１と、第１識別部１３３ａと、第２識別部１３３ｂと、第１始点データ記憶部１３４ａと、第２始点データ記憶部１３４ｂと、センサデータ抽出部２１と、トレンド成分抽出部２２と、状態予測部２３と、始点変化検知部３１と、保守作業項目評価部３２と、保守作業項目評価結果記憶部３３と、保守作業項目選択部３４と、を備えている。また、状態予測部２３は、健康状態推定部２４と、異常予兆検知部２５とを備えている。

類似時系列データ選択部１３１と、第１識別部１３３ａと、第２識別部１３３ｂと、第１始点データ記憶部１３４ａと、第２始点データ記憶部１３４ｂとは、それぞれ、図７に示した第１実施形態における健康状態予測部１３と同様であるから、説明は省略する。

センサデータ抽出部２１は、始点変化検知部３１から健康状態を示す始点の変化量が所定値以上のかどうかを示す検知結果を入力するとともに、第２始点データ記憶部１３４ｂから健康状態を示す始点の時系列データを入力し、時系列データベース記憶部１２から時系列センサデータを入力する。そして、センサデータ抽出部２１は、入力した検知結果が、健康状態を示す始点の変化量が所定値以上であることを示す場合に、健康状態を示す始点の時系列データと、時系列センサデータとを対比分析して、変化量が所定値以上となった期間において、当該始点の挙動を支配するセンサデータを特定する。
センサデータ抽出部２１は、特定したセンサデータの時系列データを、トレンド成分抽出部２２及び状態予測部２３に出力する。
また、センサデータ抽出部２１は、特定したセンサデータを、状態予測部２３を介して、ＲＵＬ予測部１４Ａに出力する。更に、センサデータ抽出部２１は、特定したセンサデータを出力部１５に出力し、健康状態の推移を示すデータとしてグラフ表示するようにしてもよい。

なお、センサデータ抽出部２１は、このようなセンサデータとして、例えば、始点の時系列データの変化と連動するセンサデータ（又は独立成分やトレンド成分であってもよい）を、時系列データ間の相関を算出することにより抽出することができる。
また、センサデータ抽出部２１は、健康状態を示す始点の時系列データに代えて、第１始点データ記憶部１３４ａに記憶されている設備状態を示す始点の時系列データを参照するようにしてもよい。

トレンド成分抽出部２２は、センサデータ抽出部２１から健康状態の挙動を支配するセンサデータについての時系列データを入力し、当該時系列データを分析して変化のトレンド成分を抽出する。
なお、トレンド成分抽出部２２は、センサデータに代えて、このセンサデータに挙動が支配される始点の時系列データを分析してトレンド成分を抽出するようにしてもよい。
ここで、トレンド成分とは、図２３に示した健康状態の時系列データにおける勾配２０７，２０８と同様のものである。また、トレンド成分は、１次微分に限定されず、高次の微分係数を含むものや、その他の変化を示すパラメータであってもよい。

状態予測部２３は、機械設備の健康状態を予測するとともに、機械設備の異常予兆を検知するものである。そのために、状態予測部２３は、健康状態推定部２４と、異常予兆検知部２５とを備えている。

健康状態推定部２４は、センサデータ抽出部２１から健康状態を示す始点の挙動を支配するセンサデータについての時系列データを入力するとともに、トレンド成分抽出部２２から当該センサデータについてのトレンド成分を入力し、健康状態を予測するものである。
ここで、トレンド成分を用いた健康状態の予測は、図２２を参照して説明した限界時期２０３の算出方法と同様に行うことができる。例えば、トレンド成分である勾配２０８を用いて、現在の時点から予測しようとする時期まで外挿することにより、当該時期における健康状態を算出することができる。
このようにして、任意の時期における健康状態を予測することができる。

異常予兆検知部２５は、第１始点データ記憶部１３４ａから設備状態を示す始点の時系列データを入力し、異常予兆の有無を検知するものである。
具体的には、異常予兆検知部２５は、第１始点データ記憶部１３４ａに蓄積されている設備状態を示す始点の時系列データを参照して、当該始点が所定の閾値レベルに達する時期を予測し、予測日までの時間が所定時間より短い場合に異常予兆ありと判定し、予測日までの時間が所定時間以上の場合は、異常予兆なしと判定する。そして、異常予兆検知部２５は、この判定結果を異常予兆の検知結果として出力部１５に出力する。
なお、異常予兆検知部２５は、始点の時系列データを参照して異常予兆を検知することに限定されない。例えば、異常予兆検知部２５は、第１識別部１３３ａによって算出される残差ベクトルの長さが、所定の閾値より長い場合に異常予兆がありと判定し、残差ベクトルの長さが所定の閾値以下の場合に異常予兆なし判定するようにしてもよい。

始点変化検知部３１は、第２始点データ記憶部１３４ｂから健康状態を示す始点の時系列データを入力し、保守作業を行った前後の所定の期間を通して、当該始点位置の振れ幅である変化量を算出するとともに、その変化量が所定位置以上かどうかを検知するものである。始点変化検知部３１は、検知結果をセンサデータ抽出部２１に出力するとともに、検知結果及び算出した変化量を保守作業項目評価部３２に出力する。
なお、始点変化検知部３１は、時系列データベース１２に記憶されている保守履歴データ１２ｅを参照して、保守作業を行った日時を取得することができる。

保守作業項目評価部３２は、始点変化検知部３１から健康状態を示す始点の変化量と、当該変化量が所定値以上かどうかを示す検知結果とを入力し、保守作業で行われた作業項目と、始点変化検知部３１が検知した始点位置の変化量とを関連付けることで、作業項目の有効性を評価するものである。始点変化検知部３１は、作業項目の有効性の評価結果を、保守作業項目評価結果記憶部３３に蓄積する。
なお、保守作業項目評価部３２は、時系列データベース１２に記憶されている保守履歴データ１２ｅを参照して、保守作業で行われた作業項目を取得することができる。

保守作業項目評価結果記憶部３３は、保守作業項目評価部３２が評価した作業項目の評価結果を蓄積するものである。保守作業項目評価結果記憶部３３が蓄積する作業項目評価結果は、作業項目選択部３４によって参照される。

保守作業項目選択部３４は、第２始点データ記憶部１３４ｂから健康状態を示す始点の時系列データを入力するとともに、保守作業項目評価結果記憶部３３に蓄積されている保守作業項目の有効性を示す評価結果を参照して、これから保守作業を行う場合に、現在の健康状態において有効な作業項目を選択するものである。
保守作業項目選択部３４は、選択した作業項目を出力部１５に出力する。

なお、本実施形態における始点変化検知部３１、保守作業項目評価部３２、保守作業項目評価結果記憶部３３及び保守作業項目選択部３４を、図１７に示した第１実施形態に係るヘルスマネージメントシステム１に搭載し、保守作業時の作業項目選択に供するように構成してもよい。

また、本実施形態におけるＲＵＬ算出部１４Ａは、健康状態推定部２４を介して、センサデータ抽出部２１が抽出したセンサデータの時系列データを入力し、当該時系列センサデータの軌跡を分析することにより、ＲＵＬ及び保守効果を算出し、更に保守時期を決定するものである。そのための詳細な構成は、第１実施形態におけるＲＵＬ予測部１４と同様であるから、詳細な説明は省略する。
なお、ＲＵＬの算出に際して、センサデータに代えて、又は加えて、第２始点データ記憶部１３４ｂに記憶されている健康状態を示す始点の時系列データを用いるようにしてもよい。

［健康状態の予測処理］
次に、図２６を参照（適宜図３及び図２５参照）して、本発明の第２実施形態に係るヘルスマネージメントシステム１Ａによる健康状態（例えば、性能）の予測処理について説明する。
図２６に示すように、ヘルスマネージメントシステム１Ａは、健康状態予測部１３Ａによって、時系列データベース記憶部１２に蓄積されている正常な状態を示す過去データを用いて、設備状態分布及び健康状態分布を算出する（ステップＳ３１）。この処理は、図２４に示したステップＳ２１からステップＳ２３までの処理に相当する。なお、類似度の算出（ステップＳ２４）は行わなくともよい。

次に、ヘルスマネージメントシステム１Ａは、時系列データ取得部１１によって、機械設備から観測データを取得する（ステップＳ３２）。
次に、ヘルスマネージメントシステム１Ａは、健康状態予測部１３Ａの第１識別部１３３ａ及び第２識別部１３３ｂによって、ステップＳ３２で取得した観測データについて、残差ベクトル（又は、ＬＳＣ法以外の手法による正常状態から異常状態に向かう多次元ベクトル）を算出する（ステップＳ３３）。また、第１識別部１３３ａ及び第２識別部１３３ｂで算出される残差ベクトルの始点データは、それぞれ第１始点データ記憶部１３４ａ及び第２始点データ記憶部１３４ｂに、始点の時系列データとして記憶される。

ここで、第１識別部１３３ａは、観測データにおけるほぼ全てのセンサデータを対象として残差ベクトルを算出する。また、第２識別部１３３ｂは、観測データにおいて、健康状態として評価しようとする具体的な性能や品質の変動に対する寄与が高い２以上のセンサデータを予め選択しておき、当該選択センサデータを対象として残差ベクトルを算出する。
なお、第１識別部１３３ａ及び第２識別部１３３ｂで用いられるセンサデータは、特徴変換部１３３１（図１８参照）で変換された独立成分やトレンド抽出部１３３２（図１８参照）で抽出されたトレンド成分などであってもよい。

次に、ヘルスマネージメントシステム１Ａは、出力部１５によって、第１始点データ記憶部１３４ｂ又は／及び第２始点データ記憶部１３４ｂに記憶されている始点の時系列データを、その挙動である変化の推移が分かるように（例えば、図２０参照）表示する（ステップＳ３４）。このとき、各始点位置に、当該始点に対応する観測データの取得時刻を表示したり、取得時刻に応じて濃淡表示や色分け表示をしたりして、時系列で変換の推移が分かるようにすることが好ましい。

また、ヘルスマネージメントシステム１Ａは、始点変化検知部３１によって、保守作業を行った前後の期間を通して、始点位置の変化量を算出するとともに、その変化量が所定値以上かどうかを検知する。更にまた、ヘルスマネージメントシステム１Ａ、保守作業項目評価部３２によって、保守作業で行われた作業項目と、始点変化検知部３１が検知した始点位置の変化量とを関連付けることで、作業項目の有効性を評価する。そして、ヘルスマネージメントシステム１Ａは、始点変化検知部３１によって、作業項目の有効性の評価結果を、保守作業項目評価結果記憶部３３に蓄積する。

また、ヘルスマネージメントシステム１Ａは、保守作業を行おうとする際に、保守作業項目選択部３４によって、現在の健康状態と、保守作業項目評価結果記憶部３３に蓄積されている作業の作業項目ごとの評価結果とを参照して、健康状態の回復に有効な作業項目を選択する。そして、ヘルスマネージメントシステム１Ａは、出力１５によって、選択された作業項目を表示する。

次に、ヘルスマネージメントシステム１Ａは、始点変化検知部３１により始点位置の変化量が所定値以上の場合は、センサデータ抽出部２１によって、第１始点データ記憶部１３４ｂ又は／及び第２始点データ記憶部１３４ｂに記憶されている始点の時系列データと、時系列データベース記憶部１２に記憶されている時系列センサデータとを対比分析して、始点の挙動を支配するセンサデータを特定する（ステップＳ３５）。

次に、ヘルスマネージメントシステム１Ａは、トレンド成分抽出部２２によって、ステップＳ３５で特定したセンサデータの時系列データを分析することで、変化のトレンド成分を抽出する（ステップＳ３６）。

次に、ヘルスマネージメントシステム１Ａは、健康状態推定部２４によって、ステップＳ３６で抽出したトレンド成分を用いて、将来の健康状態を予測する（ステップＳ３７）。

また、ヘルスマネージメントシステム１Ａは、異常予兆検知部２５によって、ステップＳ３３で算出され、第１始点データ記憶部１３４ａに蓄積されている設備状態を示す始点の時系列データを分析して、異常予兆を検知する。そして、ヘルスマネージメントシステム１Ａは、出力部１５によって、異常予兆の検知結果を表示する。

＜変形例＞
［ヘルスマネージメントシステムの構成］
次に、図２７を参照（適宜図３及び図１７参照）して、本発明の第１実施形態の変形例に係るヘルスマネージメントシステム１Ｂの構成について説明する。
図２７に示すように、本変形例に係るヘルスマネージメントシステム１Ｂは、図１７に示したヘルスマネージメントシステム１に対して、運転モード判定部１７と、監視データ選択部１８とを、更に備えることが異なる。他の構成は、ヘルスマネージメントシステム１と同様であるが、図２７では、追加された運転モード判定部１７及び監視データ選択部１８と関連する構成を記載し、他の構成は記載を省略している。

本変形例におけるヘルスマネージメントシステム１Ｂは、監視対象である機械設備の運転モードに応じて、出力部１５に表示する時系列データとして、設備状態を示す時系列データと健康状態を示す時系列データとを切り替えるものである。これによって、機械設備の挙動をより適切に監視することができる。

運転モード判定部１７は、監視対象である機械設備の運転モードを判定するものである。運転モード判定部１７は、判定した運転モードを示す情報を、監視データ選択部１８に出力する。
ここで、運転モードの判定は、例えば、時系列データ取得部１１によって取得される環境データとして含まれるイベントデータ１２ｂ（図４参照）して判定することができる。また、時系列センサデータ１２ａの挙動を分析することで運転モードを判定することもできる。

監視データ選択部１８は、運転モード判定部１７から機械設備の運転モードを示す情報を入力し、当該情報が示す運転モードに応じて、第１始点データ記憶部１３４ａに蓄積され、設備状態を示す始点の時系列データと、健康状態記憶部１３９に蓄積され、健康状態（性能・品質）の推定値の時系列データとを、選択的に出力部１５に出力するものである。
なお、出力部１５は、監視データ選択部１８から入力した時系列データを、例えば、図２０や図２２に示したように、始点データの軌跡や健康状態の推移が視認しやすいように表示する。
なお、図２７に示した例は、第１実施形態の変形例であるが、第２実施形態に係るヘルスマネージメントシステム１Ａに対しても適用することができる。

鉱山機械であるショベルの例について説明すると、表示する時系列データとして設備状態と健康状態である性能とを組み合わせることで、より効果を発揮するものである。以下に示すように、機械設備の運転のモード（パターン）によって、機械設備の状態監視と性能監視とを使い分ける例である。
（１）暖機運転時には状態監視
（２）通常走行時には性能監視
（設定されている変速機情報とエンジン回転数と速度）
（３）通常走行時に時々設定される一時停止には状態監視
（暖機運転終了後の通常運転におけるアクセルペダル全閉）

ここでは、ショベルの運転モードである「暖機運転」、「通常走行」、「一時停止」によって、状態監視と性能監視と選択するようにしている。暖機運転時には回転数のばらつき監視などに比重を置いて「状態監視」を行い、通常走行時には、速機情報とエンジン回転数と速度などの関係に比重を置いて、「性能監視」を行う。これらの使い分けにより、機械設備を目的別、モード別に効果的にモニタするものである。

以上、本発明のヘルスマネージメントシステムについて、実施形態及びその変形例を説明した。これらの実施形態等により、設備状態の変化や健康状態の変化を、視覚的に表現することができる。そのため、システムを運用して機械設備を監視する操作者は、その変化の仕方を、変化が加速しているのか、減速しているのかといった時間間隔を加味して観察することで、緊急性を要するかどうかを判断することを補助することができるものである。従って、あとどれくらい持ちこたえることができそうかと言ったＲＵＬを推定でき、時間計画保全で決まっている、なかば固定化されている時期を、機械設備にとって、より適切な時期に、この稼働継続可能時間に基づいて前後調整することができるようになる。また、ＲＵＬの推定は、操作者に視認される表示データを分析することにより、システムが自動的に行うようにすることもできる。しかも、これらの時期は事前に推定できるものであり、保守作業のための部品の準備、作業者の確保、治具の準備など、スケジューリングも容易にするものである。更に、機械設備の運転中に行われる監視によって、健康状態を把握することができるため、保守作業時の作業項目を事前に取捨選択でき、時間計画保全で決まっている作業時間を短縮することができる。その結果、機械設備のダウンタイムを削減することができる。

なお、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、ある実施形態の構成の一部を他の実施形態の構成に置き換えることが可能であり、また、ある実施形態の構成に他の実施形態の構成を加えることも可能である。また、各実施形態の構成の一部について、他の構成の追加・削除・置換をすることが可能である。

また、前記の各構成、機能、処理部、処理手段等は、それらの一部又は全部を、例えば集積回路で設計する等によりハードウェアで実現してもよい。また、前記の各構成、機能等は、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、テープ、ファイル等の情報は、メモリや、ハードディスク、ＳＳＤ（Solid State Drive）等の記録装置、又は、ＩＣカード、ＳＤカード、ＤＶＤ等の記録媒体に置くことができる。
また、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、製品上必ずしも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。

１，１Ａ，１Ｂ ヘルスマネージメントシステム（異常診断システム）
１１ 時系列データ取得部
１２ 時系列データベース記憶部
１２ａ センサデータ
１２ｂ イベントデータ（環境データ）
１２ｃ 稼働データ（環境データ）
１２ｄ 負荷データ（環境データ）
１２ｅ 保守履歴データ（環境データ）
１３，１３Ａ 健康状態予測部
１３１ 類似時系列データ選択部
１３３ａ 第１識別部（状態定量化部）
１３３ｂ 第２識別部（状態定量化部）
１３３１ 特徴変換部
１３３２ トレンド抽出部
１３３３ 学習データ選択部
１３３４ 識別器
１３４ａ 第１始点データ記憶部
１３４ｂ 第２始点データ記憶部
１３５ａ 第１クラスタ生成部
１３５ｂ 第２クラスタ生成部
１３６ 類似度算出部
１３７ 類似度データ記憶部
１３８ 健康状態推定部
１３９ 健康状態記憶部
１４ ＲＵＬ予測部（稼働継続可能時間推定部）
１４１ ＲＵＬ算出部
１４２ 保守効果算出部
１４３ 保守時期決定部
１５ 出力部
１６ 異常予兆検知部
１７ 運転モード判定部
１８ 監視データ選択部
２１ センサデータ抽出部
２２ トレンド成分抽出部
２３ 状態予測部
２４ 健康状態推定部
２５ 健康状態記憶部
２６ 異常予兆検知部
３１ 始点変化検知部
３２ 保守作業項目評価部
３３ 保守作業項目評価結果記憶部
３４ 保守作業項目選択部
１０１ 異常測度
１０２ 閾値
１０３ 限界時期
１０４ ＲＵＬ
１０５ａ〜１０５ｄ 機械設備
２０１ 健康状態
２０２ 閾値
２０３ 限界時期
２０４ ＲＵＬ
２０５ 負荷率・稼働率
２０７，２０８ 勾配
２０６ 確率密度
２０９ 回復効果（回復量）
２１０ アラーム
２１１ 保守作業

Claims (13)

1. 機械設備の健康状態を監視するヘルスマネージメントシステムであって、
   前記機械設備に設置された複数のセンサから取得したセンサデータ、又は前記センサデータ及び前記機械設備の設置環境を表す環境データを、時系列データとして取得する時系列データ取得部と、
   前記機械設備が正常な状態のときに取得した前記時系列データである正常データを学習データとして用いた統計的手法により前記機械設備の設備状態を定量化する設備状態定量化部と、
   前記正常データを学習データとして用いた統計的手法により前記機械設備の性能又は品質の状態を示す健康状態を定量化する健康状態定量化部と、
   前記時系列データ取得部が過去に取得した前記正常データについて前記設備状態定量化部が定量化した設備状態と、前記時系列データ取得部が過去に取得した前記正常データについて前記健康状態定量化部が定量化し、外部からレベルを教示された健康状態との間の関係性を示す類似度データを算出する類似度算出部と、
   前記時系列データ取得部が過去に取得した前記正常データを用いて前記設備状態定量化部が定量化した設備状態において正常状態を示すデータから、前記時系列データ取得部がある時刻に取得した前記時系列データである観測データに向かう多次元ベクトルによって示される設備状態と、前記類似度データとを用いて、前記観測データに対応する健康状態を推定する健康状態推定部と、
   を備えることを特徴とするヘルスマネージメントシステム。
2. 前記健康状態推定部は、前記多次元ベクトルの始点によって示される設備状態と、前記類似度データとを用いて、前記観測データに対応する健康状態を推定することを特徴とする請求項１に記載のヘルスマネージメントシステム。
3. 前記時系列データに前記環境データが含まれない場合においては、
   前記設備状態定量化部が扱うセンサデータと、前記健康状態定量化部が扱うセンサデータとは、前記複数のセンサについてのセンサデータの中からセンサデータがそれぞれ選択され、
   前記時系列データに前記環境データが含まれる場合においては、
   前記設備状態定量化部が扱うセンサデータ及び環境データと、前記健康状態定量化部が扱うセンサデータ及び環境データとは、
   前記複数のセンサについてのセンサデータ及び前記環境データの中からセンサデータ及び環境データがそれぞれ選択されることを特徴とする請求項１又は請求項２に記載のヘルスマネージメントシステム。
4. 前記定量化した設備状態及び前記定量化した健康状態を、表示又は／及び外部に出力する出力部を更に備えることを特徴とする請求項１乃至請求項３の何れか一項に記載のヘルスマネージメントシステム。
5. 前記時系列データに前記環境データが含まれる場合において、
   前記環境データは、前記機械設備の運転状態を示すイベントデータ、前記機械設備の稼働時間を示す稼働データ、前記機械設備の負荷状態を示す負荷データ及び前記機械設備の保守作業の履歴を示す保守履歴データの内の、少なくとも１種のデータを含むことを特徴とする請求項１乃至請求項４の何れか一項に記載のヘルスマネージメントシステム。
6. 前記機械設備の設備状態又は健康状態から、前記機械設備に関して、前記機械設備が稼働可能な時間を示す稼働継続可能時間を推定する稼働継続可能時間推定部を更に備えることを特徴とする請求項１乃至請求項５の何れか一項に記載のヘルスマネージメントシステム。
7. 前記設備状態定量化部及び前記健康状態定量化部は、それぞれ前記機械設備に設置された前記複数のセンサから取得したセンサデータを学習データとした統計的手法により、前記機械設備が正常状態から異常状態に向かう多次元ベクトルを算出し、それぞれが算出した多次元ベクトルを、それぞれ前記機械設備の設備状態の定量化及び健康状態の定量化に用いることを特徴とする請求項１乃至請求項６の何れか一項に記載のヘルスマネージメントシステム。
8. 前記多次元ベクトルを算出する統計的手法は、ガウシアンプロセス若しくは他の回帰手法、又はｋ−ＮＮ（k-Nearest Neighbor）法、局所部分空間法若しくは他の認識手法であることを特徴とする請求項７に記載のヘルスマネージメントシステム。
9. 前記稼働継続可能時間推定部は、前記機械設備の保守作業が行われたタイミングに同期して、前記稼働継続可能時間の推定を行うことを特徴とする請求項６又は請求項６を引用する請求項７若しくは請求項８の何れか一項に記載のヘルスマネージメントシステム。
10. 前記稼働継続可能時間を用いて、前記機械設備の次期の保守作業時期を決定する保守作業時期決定部を更に備えることを特徴とする請求項６、請求項６を引用する請求項７若しくは請求項８又は請求項９の何れか一項に記載のヘルスマネージメントシステム。
11. 前記多次元ベクトルを用いて、前記機械設備に保守作業を実施したことによる効果として前記健康状態の回復量、又は／及び前記機械設備に保守作業を行うことにより見込まれる前記健康状態の回復量を算出する保守効果算出部を更に備えることを特徴とする請求項７又は請求項７を引用する請求項８乃至請求項１０の何れか一項に記載のヘルスマネージメントシステム。
12. 前記稼働継続可能時間推定部は、前記多次元ベクトルを用いて、前記稼働継続可能時間を推定することを特徴とする請求項７を引用する請求項９又は請求項７及び請求項９を引用する請求項１０若しくは請求項１１の何れか一項に記載のヘルスマネージメントシステム。
13. 機械設備の健康状態を監視する装置によるヘルスマネージメント方法であって、
    前記機械設備に設置された複数のセンサから取得したセンサデータ、又は前記センサデータ及び前記機械設備の設置環境を表す環境データを、時系列データとして取得する時系列データ取得ステップと、
    前記機械設備が正常な状態のときに取得した前記時系列データである正常データを学習データとして用いた統計的手法により前記機械設備の設備状態を定量化する設備状態定量化ステップと、
    前記正常データを学習データとして用いた統計的手法により前記機械設備の性能又は品質の状態を示す健康状態を定量化する健康状態定量化ステップと、
    前記時系列データ取得ステップで過去に取得した前記正常データについて前記設備状態定量化ステップで定量化した設備状態と、前記時系列データ取得ステップで過去に取得した前記正常データについて前記健康状態定量化ステップで定量化し、外部からレベルを教示された健康状態との間の関係性を示す類似度データを算出する類似度算出ステップと、
    前記時系列データ取得ステップで過去に取得した前記正常データを用いて前記設備状態定量化ステップで定量化した設備状態において正常状態を示すデータから、前記時系列データ取得ステップである時刻に取得した前記時系列データである観測データに向かう多次元ベクトルによって示される設備状態と、前記類似度データとを用いて、前記観測データに対応する健康状態を推定する健康状態推定ステップと、
    を含むことを特徴とするヘルスマネージメント方法。