JP6419534B2 - 診断システム、診断方法および診断プログラム - Google Patents

Description

本発明による実施形態は、診断システム、診断方法および診断プログラムに関する。

鉄鋼や化学等の設備産業のプラントでは、設備機器の信頼性向上及びランニングコストの低減を目的に、振動診断等の設備診断技術が積極的に導入されている。

一般に、設備機器の運転状態を診断する場合、設備機器の運転状態の測定値について、二乗平均平方根、実効値、特徴周波数成分の値あるいはそれらの値の変化量を演算し、演算された値に対する閾値判定を行うことで、異常の有無を判断している。このように、閾値判定によって設備機器の運転状態を診断する簡易なシステムは存在するが、設備機器の運転状態を精密に診断するときには、機器其々の特性の影響を考える必要がある。

しかし、例えば振動診断の場合には、負荷の仕様、製造誤差、据付誤差、設置場所や周辺機器との組みあわせによる剛性の差異などにより、それぞれの機器の応答特性や加振力に差異がある。このため、絶対値や変化量での異常判定が困難であるといった問題が生じていた。

このような問題を解決するため、正常状態からの変化量（変化率）や、これまでの診断のデータや知見と機器の運転パラメータとを組み合わせたシミュレーションによる異常の判定が提案されている。しかし、かかる提案においては、判定までのプロセスが複雑であり、機器の特性の差異による判定の困難さは克服されていない。

また、測定した信号の形状を統計学的に表す歪度や尖度などの無次元特徴パラメータを用いることで、測定部位や運転条件など各設備機器にある固有の特性の差異による影響をなくした診断方法がある。

この無次元特徴パラメータによる診断では、算出に用いる有次元パラメータとして、対象機器のある一つの測定点における変位、振動速度、振動加速度等の時間波形分布を用いている。しかし、このような時間波形分布を用いる場合、ノイズによる信号強度の変化が閾値判定の誤差となること、解析された無次元特徴パラメータからは機器の異常の有無しかわからないこと、などの問題がある。

このような問題に対して、例えば、ニューラルネットワークやサポートベクターマシンなどのパターン識別手法を用いた運転状態の診断システムが提案されている。この種の診断システムでは、異常状態の特徴量と正常状態の特徴量とを比較して異常の有無を検知したり、作成した事例モデルをセンサデータと比較したりすることで、診断を実施している。

特開２００２−２５７６６７号公報

しかし、現場に据え付けられた設備機器の運転状態を高精度で診断するためには、診断するための診断用モデルを多種多様な実機の異常状態データから作成する必要がある。またこうして作成した診断用サンプルを、他の設備機器に適用することは難しい。

本発明は上述した課題を解決するためになされたものであり、運転条件が近いとみなされる複数の機器に共通の診断用モデルを適用した高精度の診断が可能な診断システム、診断方法および診断プログラムを提供することを目的とする。

本実施形態による診断システムは、機器情報分類部を備える。機器情報分類部は、監視対象機器の基本機器情報を含む監視項目に関連し、固定された第１被結合機器情報と可変の第２被結合機器情報とを基本機器情報に結合した結合機器情報を取得する。機器情報分類部は、結合機器情報を分類する。診断システムは、機器状態診断部を備える。機器状態診断部は、監視項目に対応する測定データを解析した解析結果の特徴量を取得する。機器状態診断部は、監視対象機器の状態を、機器情報分類部の分類結果に対応した前記解析結果の特徴量の診断パターンを用いて診断する。機器情報分類部は、結合機器情報の特徴量を取得する。機器情報分類部は、機器情報の特徴量に基づいて、結合機器情報を、予め記憶された複数の機器特徴パターンのいずれかに分類する。

本発明によれば、運転条件が近いとみなされる複数の機器に共通の診断用モデルを適用した高精度の診断ができる。

第１の実施形態を示す診断システム１のブロック図である。 監視データが保持する情報の一覧を示す図である。 第１の実施形態を示す診断方法のフローチャートである。 機器特徴データベース１９および機器情報分類部１２の動作を説明するための説明図である。 機器状態診断部１３の動作を説明するための説明図である。 第２の実施形態を示す診断システム１のブロック図である。 第２の実施形態を示す診断方法のフローチャートである。 第３の実施形態を示す診断システム１のブロック図である。 第３の実施形態を示す診断方法のフローチャートである。

以下、図面を参照して本発明に係る実施形態を説明する。本実施形態は、本発明を限定するものではない。

（第１の実施形態）
（構成）
図１は、第１の実施形態を示す診断システム１のブロック図である。図２は、監視データが保持する情報の一覧を示す図である。図２には、後述する第１監視データＤ１から第６監視データＤ６までの各監視データが保持する機器情報が、丸印によって示されている。本実施形態の診断システム１は、例えば、鉄鋼、化学、発電プラントなどの産業設備に備えられる機器の状態の診断に用いることができるものである。

図１に示すように、診断システム１は、測定データ解析部１１と、機器情報分類部１２と、機器状態診断部１３と、出力部１４と、学習用モデル生成部１５と、入力部１６と、保全管理データベース１７と、機器管理データベース１８と、機器特徴データベース１９と、診断パターンデータベース１０１とを備える。

診断システム１の各構成部１１〜１０１は、例えば演算処理装置、記憶装置、通信装置およびユーザインターフェースなどのハードウェア（例えば、コンピュータ）であるが、ソフトウェアを含んでもよい。また、各構成部１１〜１０１は、１つの機器や設備に搭載されていてもよく、または、一部の構成部が、他の構成部との間で外部ネットワークを通じて通信可能な装置（例えばクラウド上のサーバやデータベース）上にあってもよい。

（測定データ解析部１１）
測定データ解析部１１は、データ処理部１１１と、解析データ特徴量抽出部１１２とを備える。

（データ処理部１１１）
データ処理部１１１は、不図示の測定センサから、第１監視データＤ１を取得する。図２に示すように、第１監視データＤ１は、監視対象機器（設備機器）の予め設定された監視項目ａと、監視項目ａに対応する測定データｂとによって構成されている。

ここで、監視対象機器は、例えば、設備の保全管理計画に基づき監視対象となった機器である。また、監視項目ａは、監視対象機器の状態を診断するうえで必要となる基本機器情報と測定条件とによって構成される。

基本機器情報は、監視対象機器の基本的な属性を示す機器情報であり、例えば、監視対象機器（監視対象機器の部品を含む）の機種や設置場所などである。測定条件は、測定データｂを得る際の測定の条件であり、例えば、測定方向、測定位置、測定センサ、測定パラメータなどである。

測定データｂは、例えば、監視項目の状態監視に必要な監視対象機器のプロセス量であり、監視対象機器に故障が発生した場合に変化する。測定データｂは、例えば、監視対象機器の振動、温度、回転パルス、流量、圧力などである。測定データｂには、機器の長期的な劣化傾向を判定するために、測定データが取得された時刻が付加されている。

第１監視データＤ１の具体例としては、以下のＤ１＿１〜Ｄ１＿３を挙げることができる。以下のａｉ（ｉ＝１〜３）は、添え字ｉの番号に応じて異なる監視項目（機種）を示す。ｂｉは、ｉが同一のａｉに対応する測定データを示す。例えば、以下のｂ１は、回転体ａ１の運転データである。また、以下では、監視データが複数のデータによって構成されていることを、“＋”記号を用いて表現した。

Ｄ１＿１：回転体ａ１＋運転データｂ１
Ｄ１＿２：電動弁ａ２＋運転データｂ２
Ｄ１＿３：潤滑油サンプルａ３＋分析データｂ３

データ処理部１１１は、第１監視データＤ１中の測定データｂに対して解析処理を実行することで、図２に示される解析結果（種々の波形データからなる解析データ）ｃを取得する。データ処理部１１１は、解析結果ｃを第１監視データＤ１に関連付けることで、解析結果ｃの特徴量抽出に用いる第２監視データＤ２を生成する。データ処理部１１１は、生成された第２監視データＤ２を解析データ特徴量抽出部１１２に出力する。

第２監視データＤ２の具体例としては、以下のＤ２＿１〜Ｄ２＿３を挙げることができる。以下のｃｉは、ｉが同一のｂｉに対する解析結果を示す。例えば、以下のｃ１は、回転体ａ１の運転データｂ１に対する波形分析結果である。

Ｄ２＿１：Ｄ１＿１＋波形分析結果ｃ１
Ｄ２＿２：Ｄ１＿２＋解析対象信号の抜き取り結果ｃ２
Ｄ２＿３：Ｄ１＿３＋解析結果（クロマトグラフ分析結果等）ｃ３

（解析データ特徴量抽出部１１２）
解析データ特徴量抽出部１１２は、データ処理部１１１から入力された第２監視データＤ２中の解析結果ｃから、図２に示される解析結果の特徴量（以下、解析結果特徴量ともいう）ｄを抽出する。解析結果特徴量ｄは、例えば、解析結果の特徴を示すパラメータである。解析結果特徴量ｄの具体的な態様は、後述する診断パターンを用いた診断が可能であれば特に限定されない。

解析データ特徴量抽出部１１２は、抽出された解析結果特徴量ｄを第２監視データＤ２に関連付けることで、機器情報の結合に用いる第３監視データＤ３を生成する。解析データ特徴量抽出部１１２は、生成された第３監視データＤ３を、機器情報分類部１２に出力する。

第３監視データＤ３の具体例としては、以下のＤ３＿１〜Ｄ３＿３を挙げることができる。以下のｄｉは、ｉが同一のｃｉから抽出された解析結果特徴量を示す。例えば、以下のｄ１は、回転体ａ１の運転データｂ１の波形分析結果ｃ１から抽出された生波形、スペクトル、尖り／歪み度、リサージュ、電流などである。

Ｄ３＿１：Ｄ２＿１＋生波形、スペクトル、尖り／歪み度、リサージュ、電流などｄ１
Ｄ３＿２：Ｄ２＿２＋モータ電流、モータ電圧、スラスト荷重、トルク荷重などｄ２
Ｄ３＿３：Ｄ２＿３＋粘度、密度、スペクトルなどｄ３

以上のように、測定データ解析部１１は、測定データｂを解析し、解析結果ｃから解析結果特徴量ｄを抽出する。解析結果特徴量ｄを抽出することで、解析結果特徴量ｄを診断対象とした監視対象機器の状態の診断が可能となる。

（機器情報分類部１２）
機器情報分類部１２は、機器情報結合部１２１と、機器情報特徴量抽出部１２２と、機器特徴決定部１２３とを備える。

（機器情報結合部１２１）
機器情報結合部１２１は、監視項目に関連する結合機器情報を取得する。ここで、結合機器情報は、図２に示される監視対象機器の仕様ｅと保全データｆとを基本機器情報に結合した情報である。仕様ｅは、基本機器情報に結合されるべき固定された第１被結合機器情報の一例である。保全データｆは、基本機器情報に結合されるべき可変の第２被結合機器情報の一例である。仕様ｅおよび保全データｆは、基本機器情報に対して、機器情報の情報量を増加させることで、後述する機器特徴量のパターン識別による機器情報の分類を可能にする。基本機器情報への仕様ｅおよび保全データｆの結合の態様は特に限定されず、例えば、共通の識別子を付与すること等であってもよい。

ここで、従来において、仕様ｅおよび保全データｆは、診断結果の評価に用いられる場合はあった。これに対して、本実施形態では、仕様ｅおよび保全データｆに、機器特徴量のパターン識別への適用という新たな有用性を見出して、仕様ｅおよび保全データｆを診断自体（診断フロー）に適用している。仕様ｅおよび保全データｆを適用することで、実機の詳細なデータに基づいた機器特徴量のパターン識別が可能となるので、後述する診断パターンを適切に選択することが可能となる。

仕様ｅは、例えば、監視対象機器または該機器の部品の寸法や構造や図面中のデータ等である。仕様ｅは、固定された（すなわち、不変的な）情報である。仕様ｅは、機器管理データベース１８が管理している。機器管理データベース１８は、第１管理データベースの一例である。機器管理データベース１８は、例えば、仕様ｅを、監視項目（例えば、基本機器情報）に対応付けて管理している。

保全データｆは、例えば、点検計画や点検結果等の機器毎の運転履歴である。保全データｆは、例えば、点検計画や点検結果の更新（例えば、追加や変更）に応じて可変な情報である。点検結果には、既に実施された監視対象機器の状態診断の診断結果が含まれる。保全データｆは、機器の分解点検から何ヶ月経っているか、機器の総稼働時間は何時間か等の情報を含んでよい。保全データｆは、保全管理データベース１７が管理している。保全管理データベース１７は、第２管理データベースの一例である。保全管理データベース１７は、例えば、保全データｆを、監視項目（例えば、基本機器情報）に対応付けて管理している。

機器情報結合部１２１は、保全管理データベース１７および機器管理データベース１８に連結されている。機器情報結合部１２１は、解析データ特徴量抽出部１１２から機器情報分類部１２に入力された第３監視データＤ３を取得する。機器情報結合部１２１は、取得された第３監視データＤ３中の監視項目に対応する保全データｆおよび仕様ｅを、保全管理データベース１７および機器管理データベース１８からそれぞれ読み出す。そして、機器情報結合部１２１は、読み出された仕様ｅおよび保全データｆを、第３監視データＤ３中の基本機器情報に結合することで、結合機器情報を生成する。機器情報結合部１２１は、結合機器情報の生成と同時に、結合機器情報を含み結合機器情報の特徴量抽出に用いる第４監視データＤ４を生成する。機器情報結合部１２１は、生成された第４監視データＤ４を機器情報特徴量抽出部１２２に出力する。

第４監視データＤ４の具体例としては、以下のＤ４＿１〜Ｄ４＿３を挙げることができる。以下のｅｉは、ｉが同一のａｉに対応する仕様を示す。ｆｉは、ｉが同一のａｉに対応する保全データを示す。例えば、以下のｅ１は、回転体ａ１の仕様である。ｆ１は、回転体ａ１の運転履歴である。Ｄ３＿１に含まれる回転体ａ１の基本機器情報＋ｅ１＋ｆ１は、回転体ａ１の結合機器情報である。

Ｄ４＿１：Ｄ３＿１＋仕様ｅ１＋運転履歴ｆ１
Ｄ４＿２：Ｄ３＿２＋仕様ｅ２＋運転履歴ｆ２
Ｄ４＿３：Ｄ３＿３＋仕様ｅ３＋運転履歴ｆ３

（機器情報特徴量抽出部１２２）
機器情報特徴量抽出部１２２は、機器情報結合部１２１から入力された第４監視データＤ４中の結合機器情報から、図２に示される結合機器情報の特徴量（以下、機器特徴量とよぶ）ｇを抽出する。

ここで、機器特徴量ｇは、例えば、結合機器情報を、ある閾値で判別および分類できるように無次元パラメータで数値化したものである。例えば、機器特徴量ｇは、仕様および運転履歴をある値の範囲（例えば、寸法の範囲や総稼働時間の範囲など）によって区画した複数の分類条件項目に基づいて構成してよい。この場合、分類条件項目のうち、結合機器情報中の仕様および運転履歴が該当する分類条件項目に、結合機器情報が該当する旨の指標を付与してよい。また、分類条件項目は、統計処理や統計モデル等によって設定してよい。また、機器特徴量ｇは、監視対象機器へのサポート追設などの改造の有無を含んでよい。

機器情報特徴量抽出部１２２は、抽出された機器特徴量ｇを第４監視データＤ４に関連付けることで、第４−２監視データＤ４−２を生成する。機器情報特徴量抽出部１２２は、生成された第４−２監視データＤ４−２を、機器特徴決定部１２３に出力する。

第４−２監視データＤ４−２の具体例としては、以下のＤ４−２＿１〜Ｄ４−２＿３を挙げることができる。以下のｇｉは、ｉが同一のａｉに対応する機器特徴量を示す。例えば、以下のｇ１は、回転体ａ１の機器特徴量である。

Ｄ４−２＿１：Ｄ４＿１＋機器特徴量ｇ１
Ｄ４−２＿２：Ｄ４＿２＋機器特徴量ｇ２
Ｄ４−２＿３：Ｄ４＿３＋機器特徴量ｇ３

また、機器情報特徴量抽出部１２２は、抽出された機器特徴量ｇを、機器特徴データベース１９に出力する。機器特徴データベース１９には、図２に示される機器特徴パターン番号ｈが、機器特徴量ｇと対応するように記憶されている。機器特徴データベース１９における機器特徴パターン番号ｈと機器特徴量ｇとの対応関係は、複数の機器に対する実験結果から得られた知見に基づく。機器特徴データベース１９は、機器情報特徴量抽出部１２２から入力された機器特徴量ｇを、機器特徴量ｇのパターンとして識別すなわちパターン識別する。機器特徴データベース１９は、機器特徴量ｇに該当する機器特徴パターン番号ｈを抽出し、抽出された機器特徴パターン番号ｈを機器特徴決定部１２３に出力する。機器特徴データベース１９の動作は、実際は、機器特徴データベース１９を管理するコンピュータが行ってよい。

（機器特徴決定部１２３）
機器特徴決定部１２３は、機器特徴データベース１９から入力された機器特徴パターン番号ｈを、機器情報特徴量抽出部１２２から入力された第４−２監視データＤ４−２に関連付ける。すなわち、機器特徴決定部１２３は、第４監視データＤ４に、機器特徴量ｇと機器特徴パターン番号ｈとを関連付ける。この関連付けにより、機器特徴決定部１２３は、診断パターンの選択に用いる第５監視データＤ５を生成する。機器特徴決定部１２３は、生成された第５監視データＤ５を、機器状態診断部１３に出力する。

第５監視データＤ５の具体例としては、以下のＤ５＿１〜Ｄ５＿３を挙げることができる。以下のｈｉは、ｉが同一のｇｉに対応する機器特徴パターン番号を示す。例えば、以下のｈ１は、回転体ａ１の機器特徴量ｇ１をパターン識別した機器特徴パターン番号である。

Ｄ５＿１：Ｄ４＿１＋機器特徴量ｇ１＋機器特徴パターン番号ｈ１
Ｄ５＿２：Ｄ４＿２＋機器特徴量ｇ２＋機器特徴パターン番号ｈ２
Ｄ５＿３：Ｄ４＿３＋機器特徴量ｇ３＋機器特徴パターン番号ｈ３

以上のように、機器情報分類部１２は、監視対象機器の基本機器情報を含む予め設定された監視項目ａに関連する結合機器情報を取得し、取得された結合機器情報を分類する。また、機器情報分類部１２は、結合機器情報として、予め記憶された監視対象機器の仕様と保全データとを基本機器情報に結合した情報を用いる。また、機器情報分類部１２は、機器特徴量ｇを取得し、取得された機器特徴量ｇに基づいて、結合機器情報を、予め記憶された複数の機器特徴パターン番号ｈのいずれかに分類する。このように構成された機器情報分類部１２によれば、運転条件が近い機器を同一の機器特徴パターンに分類できるので、後述する機器状態診断部１３により、運転条件が近い機器を同一の診断パターンによって診断できる。

（機器状態診断部１３）
機器状態診断部１３は、診断パターン決定部１３１と、機器診断部１３２と、診断結果検証部１３３とを備える。

（診断パターン決定部１３１）
診断パターン決定部１３１は、機器特徴決定部１２３から入力された第５監視データＤ５を取得する。診断パターン決定部１３１は、取得された第５監視データＤ５中の機器特徴パターン番号ｈおよび監視項目ａから構成される診断パターン選択値ａ＋ｈを作成する。診断パターン決定部１３１は、作成された診断パターン選択値ａ＋ｈを、診断パターンデータベース１０１に出力する。また、診断パターン決定部１３１は、第５監視データＤ５を機器診断部１３２に出力する。

診断パターン選択値ａ＋ｈの具体例としては、以下を挙げることができる。
Ｄ５＿１に対応する選択値：ａ１＋ｈ１
Ｄ５＿２に対応する選択値：ａ２＋ｈ２
Ｄ５＿３に対応する選択値：ａ３＋ｈ３

診断パターンデータベース１０１には、予め図２に示される解析結果特徴量の診断パターン（診断用のパターンファイル）ｉが、複数の診断パターン選択値ａ＋ｈ毎に分類された状態で複数記憶されている。なお、診断パターン選択値ａ＋ｈは機器特徴パターン番号ｈによって異なるので、診断パターンｉは、機器特徴パターン毎に分類して記憶されていると言える。診断パターンデータベース１０１は、診断パターン決定部１３１から入力された診断パターン選択値ａ＋ｈに対応する診断パターンｉを選択する。診断パターンデータベース１０１は、選択された診断パターンｉを機器診断部１３２に出力する。診断パターンデータベース１０１の動作は、実際は、診断パターンデータベース１０１を管理するコンピュータが行ってよい。

（機器診断部１３２）
機器診断部１３２は、診断パターンデータベース１０１から入力された診断パターンｉを、診断パターン決定部１３１から入力された第５監視データＤ５中の解析結果特徴量ｄに適用することで、監視対象機器の状態を診断する。この診断により、機器診断部１３２は、図２に示される診断結果ｊを取得する。機器診断部１３２は、取得された診断結果ｊを診断パターンｉとともに第５監視データＤ５に関連付けることで、診断結果データとしての第６監視データＤ６を生成する。第６監視データＤ６は、診断結果ｊの検証に用いる監視データである。機器診断部１３２は、生成された第６監視データＤ６を診断結果検証部１３３に出力する。

第６監視データＤ６の具体例としては、以下のＤ６＿１〜Ｄ６＿３を挙げることができる。以下のｉｉは、添え字ｉの番号が同一の解析結果特徴量ｄｉに対応する診断パターンを示す。例えば、以下のｉ１は、スペクトルピークの周波数値ｄ１の診断パターンである。また、以下のｊｉは、ｉが同一の解析結果特徴量ｄｉに対応する診断結果を示す。例えば、以下のｊ１は、スペクトルピークの周波数値ｄ１の診断結果である。

Ｄ６＿１：Ｄ５＿１＋診断パターンｉ１＋診断結果ｊ１
Ｄ６＿２：Ｄ５＿２＋診断パターンｉ２＋診断結果ｊ２
Ｄ６＿３：Ｄ５＿３＋診断パターンｉ３＋診断結果ｊ３

（診断結果検証部１３３）
診断結果検証部１３３は、機器診断部１３２から入力された第６監視データＤ６中の診断結果ｊに基づいて、診断結果ｊの正誤を検証する。診断結果検証部１３３は、診断に用いた機器特徴パターン番号ｈおよび診断パターンｉの妥当性も検証してよい。診断結果検証部１３３には、診断結果ｊを修正可能な入力部１６が取り付けられている。診断結果検証部１３３は、検証の結果、診断結果ｊが誤っていると判断した場合には、入力部１６の入力情報に基づいて診断結果ｊを修正する。診断結果検証部１３３は、検証後の診断結果ｊを、出力部１４、保全管理データベース１７および学習用モデル生成部１５に出力する。

以上のように、機器状態診断部１３によれば、予め複数の機器特徴パターン番号ｈ毎に分類して記憶された複数の診断パターンｉのうち、機器情報分類部１２が分類した機器特徴パターン番号ｈに対応した診断パターンｉを用いて診断を行うことができる。

ここで、もし、各監視対象機器に固有の特性のみを考慮した診断を行う場合、診断のための診断用モデルを、多種多様な実機の異常状態データから作成する必要がある。しかし、多種多様な実機の異常状態データから作成した各診断用モデルは、各監視対象機器それぞれに特化したモデルであるため、他の監視対象機器の診断に適用することは難しい。また、多種多様な実機の異常状態データから診断用モデルを作成することは、多大な労力を要する。

これに対して、本実施形態によれば、機器特徴パターン毎に分類された診断パターンを適用することで、運転条件が近いとみなされる複数の機器を、共通の診断用モデルによって高精度に診断することが可能となる。また、診断パターンの作成の労力を軽減することができる。

（学習用モデル生成部１５）
学習用モデル生成部１５は、診断結果検証部１３３から入力された検証後の診断結果ｊが修正後の診断結果ｊの場合には、この修正後の診断結果ｊを反映した新たな診断パターンｉを作成する。新たな診断パターンｉの作成は、当該新たな診断パターンｉに対応する新たな診断パターン選択値すなわち新たな機器特徴パターン番号ｈの作成をともなうことがある。学習用モデル生成部１５は、作成された新たな診断パターンｉを診断パターンデータベース１０１に登録することで、診断パターンｉを更新する。また、学習用モデル生成部１５は、作成された新たな機器特徴パターン番号ｈを機器特徴データベース１９に登録することで、機器特徴パターン番号ｈを更新する。

学習用モデル生成部１５によれば、監視対象機器の状態をより忠実に反映した診断パターンが適用されるように、診断パターンｉおよび機器特徴パターン番号ｈを改善することができる。これにより、更に高精度な診断が可能となる。なお、測定データが蓄積されていくほど、機器特徴パターン番号ｈおよび診断パターンｉの更新の機会が増えるので、診断精度は更に向上され得る。

（作用）
図３は、第１の実施形態を示す診断方法のフローチャートである。以下の診断方法は、以下に示す手順（ステップ）をコンピュータに実行させるための診断プログラムをコンピュータが実行することで行ってもよい。図４は、機器特徴データベース１９および機器情報分類部１２の動作を説明するための説明図である。図５は、機器状態診断部１３の動作を説明するための説明図である。以下、図１の診断システム１を適用した診断方法について、図３から図５を参照して説明する。

（ステップＳ１）
先ず、データ処理部１１１は、図３のステップＳ１において、入力された第１監視データＤ１（ａ＋ｂ）中の測定データｂを解析して、解析結果ｃを取得する。データ処理部１１１は、例えば、測定データｂに対して、次数分析処理、ベクトル分析処理、波高率算出処理、歪度算出処理、尖り度算出処理などを行うことで、有次元／無次元パラメータｃを算出する。データ処理部１１１は、算出された解析結果ｃを第１監視データＤ１に関連付けることで、第２監視データＤ２を生成する。そして、データ処理部１１１は、生成された第２監視データＤ２を解析データ特徴量抽出部１１２に出力する。

（ステップＳ２）
次いで、解析データ特徴量抽出部１１２は、ステップＳ２において、データ処理部１１１から入力された第２監視データＤ２中の解析結果ｃから、解析結果特徴量ｄを抽出する。例えば、解析データ特徴量抽出部１１２は、振動データを周波数解析した場合、１つもしくは複数の周波数スペクトルのピークを有する振動波形から、ピークを示す周波数値ｄを抽出する。解析データ特徴量抽出部１１２は、抽出された解析結果特徴量ｄを第２監視データＤ２に関連付けることで、第３監視データＤ３を生成する。そして、解析データ特徴量抽出部１１２は、生成された第３監視データＤ３を機器情報結合部１２１に出力する。

（ステップＳ３）
次いで、機器情報結合部１２１は、ステップＳ３において、解析データ特徴量抽出部１１２から入力された第３監視データＤ３中の基本機器情報に、機器管理データベース１８から読み出した仕様ｅと、保全管理データベース１７から読み出した保全データｆとを結合する。これにより、機器情報結合部１２１は、結合機器情報を生成すると同時に第４監視データＤ４を生成する。そして、機器情報結合部１２１は、生成された第４監視データＤ４を、機器情報特徴量抽出部１２２に出力する。

（ステップＳ４）
次いで、機器情報特徴量抽出部１２２は、ステップＳ４において、機器情報結合部１２１から入力された第４監視データＤ４中の結合機器情報から、機器特徴量ｇを抽出する。機器情報特徴量抽出部１２２は、抽出された機器特徴量ｇを、機器特徴データベース１９に出力する。また、機器情報特徴量抽出部１２２は、抽出された機器特徴量ｇを第４監視データＤ４に関連付けた第４−２監視データＤ４−２を、機器特徴決定部１２３に出力する。

（ステップＳ５）
次いで、機器特徴データベース１９は、ステップＳ５において、機器情報特徴量抽出部１２２から入力された機器特徴量ｇを、例えば以下に述べる分類条件項目の記述に対応したパターンとして識別する。

図４には、機器特徴データベース１９に入力された機器特徴量ｇが、表形式で示されている。図４の機器特徴量ｇは、ある値の範囲で設定された分類条件項目（仕様１〜３、運転条件１〜３）のうち、機器特徴量ｇが該当する項目に、指標が記述されたものとなっている。図４における指標は説明の便宜上丸印のマークであるが、実際は、フラグなどのデータでよい。例えば、図４における仕様１〜３は、機器の互いに異なる寸法や構造（ポンプの出力など）の範囲を示してもよい。また、図４における運転条件１〜３は、機器の互いに異なる総稼働時間の範囲を示してもよい。分類条件項目は、例えば、結合機器情報毎に、線形判別関数やマハラノビス距離などの統計処理や、統計モデル等により設定してよい。

また、図４には、機器特徴データベース１９に記憶された複数の機器特徴パターン番号ｈが、表形式で示されている。図４に示すように、各機器特徴パターン番号ｈは、各機器特徴量ｇに対応付けられている。機器特徴パターン番号ｈは、図４のような表形式のテーブルデータであってよい。機器特徴データベース１９は、入力された機器特徴量ｇを、各機器特徴パターン番号ｈに対応付けられた各機器特徴量ｇと比較する。そして、機器特徴データベース１９は、入力された機器特徴量ｇが合致する機器特徴パターン番号ｈを検出することで、機器特徴量ｇをパターン識別する。

（ステップＳ６）
次いで、機器特徴データベース１９は、ステップＳ６において、パターン識別された機器特徴量ｇに対応する機器特徴パターン番号ｈを抽出する。例えば、図４に示すように、仕様２、仕様３および運転条件３に該当する機器特徴量ｇに対しては、機器特徴パターン番号ｈとして“000-0005”が抽出される。機器特徴データベース１９は、抽出された機器特徴パターン番号ｈを、機器特徴決定部１２３に出力する。機器特徴パターン番号ｈは、監視データに含まれる種々の機器運転状態データを識別／診断するときに用いる識別パターンを選択する時の指標となる。

（ステップＳ７）
次いで、機器特徴決定部１２３は、ステップＳ７において、機器情報特徴量抽出部１２２から入力された第４−２監視データＤ４−２に、機器特徴データベース１９から入力された機器特徴パターン番号ｈを関連付けることで、第５監視データＤ５を生成する。そして、機器特徴決定部１２３は、生成された第５監視データＤ５を診断パターン決定部１３１に出力する。

（ステップＳ８）
次いで、診断パターン決定部１３１は、ステップＳ８において、第５監視データＤ５に基づいて、第５監視データＤ５中の機器特徴パターン番号ｈおよび監視項目ａから構成される診断パターン選択値ａ＋ｈを作成する。そして、診断パターン決定部１３１は、作成された診断パターン選択値ａ＋ｈを、診断パターンデータベース１０１に出力する。

（ステップＳ９）
次いで、診断パターンデータベース１０は、ステップＳ９において、診断パターン決定部１３１から入力された診断パターン選択値ａ＋ｈに基づいて、診断パターンｉを選択する。そして、診断パターンデータベース１０１は、選択された診断パターンｉを機器診断部１３２に出力する。

ここで、図５には、診断パターンデータベース１０１に記憶された複数の診断パターンｉが、フォルダの態様で図示されている。各診断パターンｉには、属性として、固有の診断パターン選択値ａ＋ｈが付与されている。

例えば、診断パターン選択値ａ＋ｈにおける機器特徴パターン番号ｈが、図５に示される“000-0005”であり、診断パターン選択値ａ＋ｈにおける監視項目ａが、図５に示される“AAA-BBBC”である場合、診断パターン選択値ａ＋ｈは“000-0005-AAA-BBBC”となる。診断パターンデータベース１０１は、診断パターン選択値“000-0005-AAA-BBBC”が入力されると、この値と合致する属性を有するただひとつの診断パターンｉを選択して、機器診断部１３２に出力する。

（ステップＳ１０）
次いで、機器診断部１３２は、診断パターンデータベース１０１から入力された診断パターンｉを、診断パターン決定部１３１から入力された第５監視データＤ５中の解析結果特徴量ｄに適用することで、監視対象機器の運転状態を診断する。そして、機器診断部１３２は、診断結果ｊを診断パターンｉとともに第５監視データＤ５に関連付けることで第６監視データＤ６を生成する。そして、機器診断部１３２は、生成された第６監視データＤ６を診断結果検証部１３３に出力する。

ここで、図５には、診断パターン選択値“000-0005-AAA-BBBC”に対応する診断パターンｉが、表形式で示されている。実際の診断パターンｉも、表形式のテーブルデータであってよい。図５の診断パターンｉは、解析結果特徴量ｄのパターン毎に異なる事象を示す。図５の解析結果特徴量ｄは、監視対象機器の状態が正常であれば解析結果特徴量ｄとして
抽出されるべきパラメータ１〜５ごとに項目分けされている。各項目には、該当するパラメータが解析結果特徴量ｄとして実際に抽出されている旨の指標が記述されている。この指標は、図５においては便宜上丸印であるが、実際は、フラグなどのデータでよい。

例えば、解析結果特徴量ｄが軸系機器などの回転体の振動データのスペクトルピークである場合、パラメータ１〜５は、回転体の回転周波数Ｆｒに、互いに異なる定数を乗じた値であってもよい。具体的には、パラメータ１は、（１／３）×Ｆｒ、パラメータ２は、（１／２）×Ｆｒ、パラメータ３は、１×Ｆｒ、パラメータ４は、２×Ｆｒ、パラメータ５は、３×Ｆｒ、・・・などであってもよい。この場合、回転体の運転状態が正常であれば、回転周波数Ｆｒの各定数倍の周波数のいずれも、解析結果特徴量ｄとしてのスペクトルピークとして抽出される。一方、回転体の運転状態が正常でない場合には、例えば、潤滑油の不足、ゆるみ、がた、アンバランスなどの事象ごとに、互いに異なる定数倍の周波数のパターンが、スペクトルピークとして抽出されない。

このような図５の診断パターンｉにおいて、例えば、解析結果特徴量ｄが、パラメータ２、パラメータ３およびパラメータ６に現れる場合には、機器診断部１３２は、監視対象機器の状態を事象４であると診断する。このようにして、解析結果特徴量ｄの診断結果ｊが得られる。

（ステップＳ１１）
次いで、診断結果検証部１３３は、ステップＳ１１において、機器診断部１３２から出力された第６監視データＤ６中の診断結果ｊの正誤を検証する。また、診断結果検証部１３３は、第６監視データＤ６中の機器特徴パターン番号ｈおよび診断パターンｉの妥当性も検証する。検証は、例えば、確率や偏差による統計学的な手法によって行ってよい。また、診断結果検証部１３３は、例えば、解析結果特徴量ｄと診断パターンｉとのマハラノビス距離を算出し、算出されたマハラノビス距離がある閾値を超えている場合には、入力部１６による診断結果の修正を受け付けてもよい。診断結果検証部１３３は、検証された診断結果を、出力部１４、保全管理データベース１７および学習用モデル生成部１５に出力する。このとき、診断結果検証部１３３は、測定データｂおよび解析結果ｃも保全管理データベース１７に出力する。

（ステップＳ１２）
次いで、学習用モデル生成部１５は、ステップＳ１２において、診断結果検証部１３３から入力された診断結果が修正後の診断結果である場合には、この修正後の診断結果に基づいて、新たな診断パターンｉを作成する。そして、学習用モデル生成部１５は、作成された新たな診断パターンｉによって、機器特徴データベース１９と診断パターンデータベース１０１とを更新する。例えば、学習用モデル生成部１５は、図４に示した機器特徴パターン番号ｈにおける機器特徴量ｇの項目を修正してもよく、また、図５に示した診断パターンｉにおける事象（異常）の分類項目を修正してもよい。

以上説明したように、本実施形態によれば、図４に示したように、監視対象機器の仕様や運転条件をある閾値をもって区画した分類条件項目に、機器特徴量を当てはめて機器特徴量をパターン識別することができる。これにより、監視対象機器が他のどの設備機器と類似した運転条件で運転しているかを分類することが可能となる。例えば、全く同じ仕様の設備機器が２台運転していたとして、分解点検してからの稼働時間が異なると、設備機器の特徴量としては状態が異なる２台の設備機器と判定されることになる。

こうして仕様や運転条件が類似した機器をグループとして共通の機器特徴パターン番号の下に管理することで、図５に示したように、機器特徴パターン番号に適合した診断パターンを用いて、機器の特徴を反映した高精度な診断を効率良く行うことができる。すなわち、本実施形態によれば、複数の機器で得られた種々の知見を機器状態の診断に適用することが可能となり、同時に実機の異常データに基づいた設備機器の診断が可能となる。

（第２の実施形態）
次に、第２の実施形態について説明する。第２の実施形態の説明にあたり、第１の実施形態と同様の構成部については、同一の符号を付して詳細な説明を省略する。

（構成）
図６は、第２の実施形態を示す診断システム１のブロック図である。第２の実施形態の診断システム１においては、図１の保全管理データベース１７、機器管理データベース１８、機器特徴データベース１９、診断パターンデータベース１０１を、１つのプラントデータベース１０２として統一している。すなわち、プラントデータベース１０２は、機器情報結合部１２１に、仕様および保全データを提供する。また、プラントデータベース１０２は、後述する機器特徴識別部１２３２に、機器特徴パターン番号ｈを提供する。また、プラントデータベース１０２は、後述する診断パターン選択部１３１２に、診断パターンｉを提供する。

また、第２の実施形態の診断システム１は、図１の機器特徴決定部１２３の代わりに機器特徴識別部１２３２を有している。機器特徴識別部１２３２の構成は、プラントデータベース１０２に記憶された機器特徴パターン番号ｈを参照すること以外は基本的に機器特徴決定部１２３と同様でよい。

また、第２の実施形態の診断システム１は、図１の診断パターン決定部１３１の代わりに診断パターン選択部１３１２を有している。診断パターン選択部１３１２の構成は、プラントデータベース１０２に記憶された診断パターンｉを参照すること以外は基本的に診断パターン決定部１３１と同様でよい。

また、第２の実施形態の診断システム１において、入力部１６と出力部１４は、プラントデータベース１０２にそれぞれ備え付けられている。そして、プラントデータベース１０２は、入力部１６の入力情報に基づく診断結果の修正と、診断結果の出力部１４への出力とが可能となっている。

（作用）
図７は、第２の実施形態を示す診断方法のフローチャートである。図７のフローチャートが図３のフローチャートと異なる点は、ステップＳ５とステップＳ６との間にステップＳ２１が追加され、ステップＳ８とステップＳ９との間にステップＳ２２が追加されている点である。

機器特徴識別部１２３２は、ステップＳ２１において、プラントデータベース１０２に記憶された機器特徴パターン番号ｈを参照し、続くステップＳ６において、機器特徴量ｇのパターンに該当する機器特徴パターン番号ｈを抽出する。

診断パターン選択部１３１２は、ステップＳ２２において、プラントデータベース１０２に記憶された診断パターンｉを参照し、続くステップＳ９において、診断パターン選択値に基づいて診断パターンｉを選択する。

第２の実施形態によれば、種々のデータベースをプラントデータベース１０２で統合管理することで、設備機器の診断に係る情報や診断結果の運用などの情報管理が容易になる。その他の効果は、第１の実施形態と同様でよい。

（第３の実施形態）
次に、第３の実施形態について説明する。第３の実施形態の説明にあたり、第１、第２の実施形態と同様の構成部については、同一の符号を付して詳細な説明を省略する。
（構成）
図８は、第３の実施形態を示す診断システム１のブロック図である。第３の実施形態の診断システム１は、第２の実施形態の診断システム１に対して、測定データ解析部１１、機器情報結合部１２１、機器情報特徴量抽出部１２２、診断結果検証部１３３および学習用モデル生成部１５を除いて構成している点が異なる。

また、第３の実施形態の診断システム１において、プラントデータベース１０２は、運転実績データを記憶している。ここで、運転実績データは、監視対象機器の状態の過去の診断実績を示すデータである。運転実績データは、診断結果ｊと、この診断結果ｊの取得に用いられた監視項目ａ、測定データｂ、解析結果ｃ、解析結果特徴量ｄ、結合機器情報および機器特徴量ｇとを含む。運転実績データは、時間情報と対応付けられている。プラントデータベース１０２は、機器特徴識別部１２３２に運転実績データＤ３０を提供する。

また、プラントデータベース１０２は、最新の機器特徴パターン番号ｈと最新の診断パターンｉとを記憶している。

（作用）
図９は、第３の実施形態を示す診断方法のフローチャートである。図９のフローチャートが図７のフローチャートと異なる点は、ステップＳ１〜４、１１、１２が省略されている点である。ステップＳ１〜４が省略されている理由は、これらの工程で取得される情報は、運転実績データＤ３０として取得できるからである。また、ステップＳ１１、１２が省略されている理由は、プラントデータベース１０２が、監視対象機器の診断実績に基づいて更新を要しない程充実しているからである。

第３の実施形態によれば、最新の機器特徴パターン番号ｈおよび診断パターンｉを用いて、これらの情報ｈ、ｉの取得以前に取得された過去の診断結果を、再度診断することが可能となる。これにより、例えば、重故障に係るある診断情報が得られたときに、過去の診断結果に対して再度診断を実施することで、重故障が発生する運転条件と近い条件で稼働している機器の状態を再評価することが可能となる。

上述した実施形態で説明した診断システムの少なくとも一部は、ハードウェアで構成してもよいし、ソフトウェアで構成してもよい。ソフトウェアで構成する場合には、診断システムの少なくとも一部の機能を実現するプログラムをフレキシブルディスクやＣＤ−ＲＯＭ等の記録媒体に収納し、コンピュータに読み込ませて実行させてもよい。記録媒体は、磁気ディスクや光ディスク等の着脱可能なものに限定されず、ハードディスク装置やメモリなどの固定型の記録媒体でもよい。また、診断システムの少なくとも一部の機能を実現するプログラムを、インターネット等の通信回線（無線通信も含む）を介して頒布してもよい。さらに、同プログラムを暗号化したり、変調をかけたり、圧縮した状態で、インターネット等の有線回線や無線回線を介して、あるいは記録媒体に収納して頒布してもよい。

本発明のいくつかの実施形態を説明したが、これらの実施形態は、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は意図していない。これら実施形態は、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。これら実施形態やその変形は、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ものである。

１ 診断システム
１１ 測定データ解析部
１１１ データ処理部
１１２ 解析データ特徴量抽出部
１２ 機器情報分類部
１２１ 機器情報結合部
１２２ 機器情報特徴量抽出部
１２３ 機器特徴決定部
１３ 機器状態診断部
１３１ 診断パターン決定部
１３２ 機器診断部
１３３ 診断結果検証部
１４ 出力部
１５ 学習用モデル生成部
１６ 入力部
１７ 保全管理データベース
１８ 機器管理データベース
１９ 機器特徴データベース
１０１ 診断パターンデータベース

Claims (10)

1. 監視対象機器の基本機器情報を含む監視項目に関連し、固定された第１被結合機器情報と可変の第２被結合機器情報とを前記基本機器情報に結合した結合機器情報を取得し、前記結合機器情報を分類する機器情報分類部と、
   前記監視項目に対応する測定データについての解析結果の特徴量を取得し、前記監視対象機器の状態を、前記機器情報分類部の分類結果に対応した前記解析結果の特徴量の診断パターンを用いて診断する機器状態診断部と、を備え、
   前記機器情報分類部は、前記結合機器情報の特徴量を取得し、前記結合機器情報の特徴量に基づいて、前記結合機器情報を、予め記憶された複数の機器特徴パターンのいずれかに分類し、
   前記機器状態診断部は、予め前記複数の機器特徴パターン毎に分類して記憶された複数の前記診断パターンのうち、前記機器情報分類部が分類した機器特徴パターンに対応する診断パターンを用いて、前記監視対象機器の状態を診断し、
   さらに前記機器状態診断部は、機器診断部および診断結果検証部を有し、前記機器診断部において前記監視対象機器の状態を診断して診断結果を出力し、前記診断結果検証部において前記機器診断部からの前記診断結果の正誤を検証し、前記診断結果が誤っている場合に、前記診断結果検証部が入力部の入力情報に基づいて前記診断結果を修正する、診断システム。
2. 前記第１被結合機器情報は、前記監視対象機器の仕様を含み、前記第２被結合機器情報は、前記監視対象機器の保全データを含む、請求項１に記載の診断システム。
3. 前記機器状態診断部を構成する前記機器診断部からの診断結果を取得し、前記診断結果に基づいて、前記診断パターンおよび前記機器特徴パターンの少なくとも一方を更新する学習用モデル生成部を更に備える、請求項１に記載の診断システム。
4. 前記学習用モデル生成部は、前記診断結果検証部が修正した前記診断結果に基づいて、前記診断パターンおよび前記機器特徴パターンの少なくとも一方を更新する、請求項３に記載の診断システム。
5. 前記測定データを解析し、前記解析結果から特徴量を抽出する測定データ解析部を更に備える、請求項１に記載の診断システム。
6. 前記測定データ解析部は、前記監視項目と前記測定データとを含み解析に用いる第１監視データを取得し、前記第１監視データ中の前記測定データを解析し、解析結果を前記第１監視データに関連付けることで前記解析結果の特徴量抽出に用いる第２監視データを生成し、前記第２監視データ中の前記解析結果から、前記解析結果の特徴量を抽出し、前記解析結果の特徴量を前記第２監視データに関連付けることで機器情報の結合に用いる第３監視データを生成し、
   前記機器情報分類部は、前記第３監視データ中の前記基本機器情報に前記第１被結合機器情報と前記第２被結合機器情報とを結合することで、前記結合機器情報を含み前記結合機器情報の特徴量抽出に用いる第４監視データを生成し、前記第４監視データ中の前記結合機器情報から、前記結合機器情報の特徴量を抽出し、前記結合機器情報の特徴量と、前記結合機器情報の特徴量をパターン識別した機器特徴パターン番号とを前記第４監視データに関連付けることで、前記診断パターンの選択に用いる第５監視データを生成し、
   前記機器状態診断部は、前記第５監視データ中の前記機器特徴パターン番号および前記監視項目を含む診断パターン選択値を作成し、前記診断パターン選択値に基づいて選択された前記診断パターンを取得し、前記診断パターンを前記第５監視データ中の前記解析結果の特徴量に適用して前記監視対象機器の状態を診断し、診断結果を前記診断パターンとともに前記第５監視データに関連付けることで診断結果データを生成する、請求項５に記載の診断システム。
7. 前記第１被結合機器情報を管理する第１管理データベースと、
   前記第２被結合機器情報を管理する第２管理データベースと、
   前記機器特徴パターン番号が前記結合機器情報の特徴量と対応するように記憶され、前記結合機器情報の特徴量に対応する前記機器特徴パターン番号を前記機器情報分類部に出力する機器特徴データベースと、
   前記診断パターンが前記診断パターン選択値と対応するように記憶され、前記機器状態診断部が作成した前記診断パターン選択値に対応する前記診断パターンを前記機器情報診断部に出力する診断パターンデータベースと、を更に備える、請求項６に記載の診断システム。
8. プラントデータベースを更に備え、
   前記プラントデータベースは、前記監視項目と、前記測定データと、前記解析結果と、前記解析結果の特徴量と、前記結合機器情報と、前記結合機器情報の特徴量と、診断結果とを、前記監視対象機器の状態の過去の診断実績を示す運転実績データとして記憶するとともに、最新の機器特徴パターンおよび診断パターンを記憶し、
   前記機器状態診断部は、前記最新の機器特徴パターンおよび診断パターンを用いて、前記運転実績データに示される前記監視対象機器の状態を診断する、請求項１に記載の診断システム。
9. 診断システムが、監視対象機器の基本機器情報を含む監視項目に関連し、固定された第１被結合機器情報と可変の第２被結合機器情報とを前記基本機器情報に結合した結合機器情報を取得し、前記結合機器情報を分類する工程と、
   前記診断システムが、前記監視項目に対応する測定データについての解析結果の特徴量を取得し、前記監視対象機器の状態を、前記結合機器情報の分類結果に対応した前記解析結果の特徴量の診断パターンを用いて診断する工程と、を含み、
   前記分類する工程では、前記結合機器情報の特徴量を取得し、前記結合機器情報の特徴量に基づいて、前記結合機器情報を、予め記憶された複数の機器特徴パターンのいずれかに分類し、
   前記診断する工程では、予め前記複数の機器特徴パターン毎に分類して記憶された複数の前記診断パターンのうち、前記分類する工程で分類された機器特徴パターンに対応する診断パターンを用いて、前記監視対象機器の状態を診断し、
   さらに前記診断する工程では、前記監視対象機器の状態を診断した診断結果の正誤を検証し、前記診断結果が誤っている場合に、入力部の入力情報に基づいて前記診断結果を修正する、診断方法。
10. コンピュータに、
    監視対象機器の基本機器情報を含む監視項目に関連し、固定された第１被結合機器情報と可変の第２被結合機器情報とを前記基本機器情報に結合した結合機器情報を取得し、前記結合機器情報を分類する手順、
    前記監視項目に対応する測定データを解析した解析結果の特徴量を取得し、前記監視対象機器の状態を、前記結合機器情報の分類結果に対応した前記解析結果の特徴量の診断パターンを用いて診断する手順を、実行させ、
    前記分類する手順は、前記結合機器情報の特徴量を取得し、前記結合機器情報の特徴量に基づいて、前記結合機器情報を、予め記憶された複数の機器特徴パターンのいずれかに分類する手順であり、
    前記診断する手順は、予め前記複数の機器特徴パターン毎に分類して記憶された複数の前記診断パターンのうち、前記分類する工程で分類された機器特徴パターンに対応する診断パターンを用いて、前記監視対象機器の状態を診断する手順であり、
    さらに前記診断する手順は、前記監視対象機器の状態を診断した診断結果の正誤を検証し、前記診断結果が誤っている場合に、入力部の入力情報に基づいて前記診断結果を修正する手順である、診断プログラム。

Images