JP6615963B1 - 異常予兆診断装置及び異常予兆診断方法 - Google Patents

Abstract

【課題】機械設備の異常予兆の有無を高精度で診断する異常予兆診断装置等を提供する。【解決手段】異常予兆診断装置１は、機械設備に設置された複数のセンサの検出値における相関性の高さに基づいて、複数の前記センサが予めグループ分けされており、それぞれの前記センサの識別情報と、それぞれの前記センサが属するグループと、の対応関係を示す情報が格納された管理用テーブル１３１を備えるとともに、管理用テーブル１３１を参照し、それぞれの前記センサが属する前記グループに対応付けられた前記正常モデルと、当該正常モデルに対応する前記センサの各検出値と、に基づいて、前記機械設備の異常予兆の有無を診断する診断手段１３３を備える。【選択図】図３

Description

本発明は、機械設備の異常予兆の有無を診断する異常予兆診断装置等に関する。

機械設備の異常予兆の有無を診断する技術として、例えば、特許文献１に記載の技術が知られている。すなわち、特許文献１には、機械設備の正常時の多次元センサデータを用いて所定の事例モデルを学習し、この事例モデルに基づいて、機械設備の異常予兆の有無を診断する異常予兆診断装置について記載されている。

特許第４８３２６０９号公報

特許文献１に記載の技術では、機械設備に設置された全てのセンサの検出値（正常時の多次元センサデータ）に基づいて、事例モデルが学習される。しかしながら、機械設備に設置された多数のセンサの中には、検出値の相関性が高いものと低いものとが混在していることが多い。このような場合に全てのセンサの検出値を一括して扱うと、異常予兆の診断精度の低下を招く可能性がある。

そこで、本発明は、機械設備の異常予兆の有無を高精度で診断する異常予兆診断装置等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、本発明は、機械設備の稼動情報の正常範囲を示す正常モデルに基づいて、前記機械設備の異常予兆の有無を診断する異常予兆診断装置であって、前記稼動情報には、前記機械設備に設置された複数のセンサの識別情報が含まれるとともに、複数の前記センサの検出値が含まれ、前記機械設備に設置された複数の前記センサのそれぞれの識別情報が、前記機械設備の構造・特性の事前の実験及び／又はシミュレーションに基づいて設定される対応関係で複数のグループに予めグループ分けされた管理用テーブルを備えるとともに、それぞれの前記センサが属する前記グループに対応付けられた前記正常モデルと、当該正常モデルに対応する前記センサの各検出値と、に基づいて、前記機械設備の異常予兆の有無を診断する診断手段を備え、前記異常予兆診断装置は、前記機械設備から現在の前記稼動情報を取得したときに、前記管理用テーブルの前記識別情報と前記グループとの対応関係に基づいて、現在の前記稼動情報の前記センサの識別情報の属する前記グループを特定するとともに、特定された前記グループに対応する前記正常モデルを用いて異常予兆の有無の診断をし、それぞれの前記正常モデルは、前記機械設備に異常予兆なしと診断された前記稼動情報を追加した上で逐次更新されることを特徴とする。

本発明によれば、機械設備の異常予兆の有無を高精度で診断する異常予兆診断装置等を提供できる。

本発明の第１実施形態に係る異常予兆診断装置の機能ブロック図である。 本発明の第１実施形態に係る異常予兆診断装置の診断対象である機械設備の一例を示す説明図である。 本発明の第１実施形態に係る異常予兆診断装置が備えるデータマイニング手段の機能ブロック図である。 本発明の第１実施形態に係る異常予兆診断装置が備える管理用テーブルの説明図である。 本発明の第１実施形態に係る異常予兆診断装置の正常モデル学習部によって学習された所定の機器に関する正常モデルの説明図である。 本発明の第１実施形態に係る異常予兆診断装置における正常モデルの学習に関するフローチャートである。 本発明の第１実施形態に係る異常予兆診断装置における診断に関するフローチャートである。 本発明の第２実施形態に係る異常予兆診断装置が備えるデータマイニング手段の機能ブロック図である。 本発明の第２実施形態に係る異常予兆診断装置が備える診断用テーブルの説明図である。 本発明の第２実施形態に係る異常予兆診断装置で算出された寄与度の分布の例を示す説明図である。 本発明の第２実施形態に係る異常予兆診断装置において、機器２１に異常予兆ありと診断された場合の画面表示例である。

≪第１実施形態≫
図１は、第１実施形態に係る異常予兆診断装置１の機能ブロック図である。
異常予兆診断装置１は、機械設備２の稼動情報の正常範囲を示す正常モデルに基づいて、機械設備２の異常予兆の有無を診断する装置である。すなわち、異常予兆診断装置１は、工場、商業施設、工事現場、病院等で使用される機械設備２の稼動率を維持・向上するため、機械設備２の正常状態からの乖離の大きさを示す指標である異常度に基づき、機械設備２の異常予兆診断を行うものである。すなわち、異常予兆診断装置１は、機械設備２に設置された複数のセンサ（図２に示すセンサ３１ａ，３１ｂ，…）の検出値を含む稼動情報に基づいて、機械設備２の異常予兆診断を行う。
前記した「異常予兆診断」とは、機械設備２が稼動不能となる異常な状態に達するかどうかを診断することに限らず、正常な状態の範囲で稼動可能ではあるが、機械設備２の性能の低下の程度を診断することも含むものである。以下では、異常予兆診断装置１の説明に先立って、その診断対象である機械設備２について簡単に説明する。

＜機械設備の構成＞
図２は、機械設備２の一例を示す説明図である。
図２では、一例として、３つの機器２１〜２３がシャフトＦを介して順次に接続されてなる機械設備２を図示している。なお、実際の機械設備は、多数の機器が機械的・電気的に接続された複雑な構成であることが多く、また、多数の（例えば、数千個の）センサが設置されているが、図２では図示を簡略化している。

機械設備２は、例えば、ガスエンジン発電機であり、機器２１〜２３（圧縮機、タービン、発電機等）と、記憶手段２４と、通信手段２５と、を備えている。なお、機械設備２の種類はこれに限定されず、化学プラント、原子力プラント、医療設備、通信設備等であってもよい。

図２に示す例では、圧力センサ３１ａ、温度センサ３１ｂ、及び回転速度センサ３１ｃが、機器２１に設置されている。また、圧力センサ３２ａ、温度センサ３２ｂ、回転速度センサ３２ｃ、及び電流センサ３２ｄが、別の機器２２に設置されている（残りの機器２３についても同様）。なお、図２に示す３つのセンサグループＧ１〜Ｇ３（グループ）については後記する。

記憶手段２４には、機械設備２に設置された各センサの検出値を含む稼動情報が、例えば、データベースとして格納される。前記した「稼動情報」には、各センサの識別情報、検出値、及び検出日付・時刻が含まれている。
通信手段２５は、記憶手段２４に記憶されている稼動情報を、ネットワークＮを介して異常予兆診断装置１に送信する。

＜異常予兆診断装置の構成＞
再び、図１に戻って説明を続ける。
図１に示すように、異常予兆診断装置１は、稼動情報取得手段１１と、稼動情報記憶手段１２と、データマイニング手段１３と、診断結果記憶手段１４と、表示制御手段１５と、表示手段１６と、を備えている。

稼動情報取得手段１１は、機械設備２に設置された複数のセンサ（図２参照）の検出値を含む稼動情報を、ネットワークＮを介して取得する。この稼動情報は、取得時刻（又はセンサで測定された時刻）と対応付けられた時系列データとして取り扱われる。稼動情報取得手段１１は、取得した最新の、すなわち現在の稼動情報を取得するごとに、稼動情報記憶手段１２に順次に記憶させることで蓄積する。

稼動情報記憶手段１２は、稼動情報取得手段１１から入力された稼動情報を記憶するものである。このような稼動情報記憶手段１２として、磁気ディスク装置、光ディスク装置、半導体記憶装置等を用いることができる。なお、稼動情報記憶手段１２に記憶された稼動情報は、データマイニング手段１３によって適宜に参照される。

データマイニング手段１３は、図示はしないが、ＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）、各種インタフェース等の電子回路を含んで構成されている。そして、ＲＯＭに記憶されたプログラムを読み出してＲＡＭに展開し、ＣＰＵが各種処理を実行するようになっている。

データマイニング手段１３は、稼動情報記憶手段１２に記憶されている現在及び過去の稼動情報を参照し、この稼動情報を学習データとした統計的手法（データマイニング）に基づき、機械設備２の稼動情報の正常範囲を示す所定の正常モデルを学習する。
また、データマイニング手段１３は、前記した正常モデルに基づいて、機械設備２の異常予兆の有無を診断する機能も有している。すなわち、データマイニング手段１３は、所定の診断対象情報（診断対象となる稼動情報）と、この診断対象情報が所属する正常モデルと、に基づき、診断対象情報の異常の度合いを示す異常度を算出する。そして、データマイニング手段１３は、この異常度に基づき、機械設備２の異常予兆の有無を診断する。
なお、データマイニング手段１３や正常モデルの詳細については後記する。

診断結果記憶手段１４は、データマイニング手段１３による診断結果を記憶するものである。このような診断結果記憶手段１４として、磁気ディスク装置、光ディスク装置、半導体記憶装置等を用いることができる。

表示制御手段１５は、図示はしないが、ＣＰＵ、ＲＯＭ、ＲＡＭ、各種インタフェース等の電子回路を含んで構成されている。表示制御手段１５は、データマイニング手段１３の診断結果を表示手段１６に表示させるための所定の制御信号を生成する。また、表示制御手段１５は、管理者による入力手段（図示せず）の操作に応じて、機械設備２の稼動情報等を表示手段１６に表示させる。
表示手段１６は、例えば、液晶ディスプレイであり、表示制御手段１５からの制御信号に基づいて、前記した診断結果等を表示する。

図３は、異常予兆診断装置１が備えるデータマイニング手段１３の機能ブロック図である。
図３に示すように、データマイニング手段１３は、管理用テーブル１３１と、学習手段１３２と、診断手段１３３と、を備えている。

管理用テーブル１３１は、それぞれのセンサ（図２参照）の識別情報と、それぞれのセンサが属するセンサグループ（グループ）と、の対応関係を示す情報が格納されたテーブルである。この管理用テーブル１３１は、機器２１〜２３を備える機械設備２の構造・特性の他、事前の実験やシミュレーション等に基づいて、予め設定されている。
なお、複数のセンサの検出値における相関性の高さに基づいて、複数のセンサが予めグループ分けされているものとする。そして、後記する正常モデル（クラスタともいう）の学習や異常予兆診断が、ひとまとまりのセンサグループごとに行われるようになっている。
第１実施形態では、一例として、センサグループごとに学習される３つの正常モデルが、機器ごとに（３つの機器２１〜２３のいずれかに）対応付けられている場合について説明する。

図４は、異常予兆診断装置１が備える管理用テーブル１３１の説明図である。
図４の左端の１列目には、機械設備２に設置された各センサ（図２参照）を示している。図４の２列目には、機械設備２に設置された各センサの識別情報を示している。例えば、機器２１（図２参照）に設置された圧力センサ３１ａ、温度センサ３１ｂ、及び回転速度センサ３１ｃの識別情報は順に、ＸＸ０１〜ＸＸ０３である。
同様に、機器２２に設置された４つのセンサ３２ａ〜３２ｄの識別情報は順に、ＸＸ０４〜ＸＸ０７である。また、機器２３に設置された４つのセンサ３３ａ〜３３ｄの識別情報は順に、ＸＸ０８〜ＸＸ１１である。

図４の３列目に示す○印は、機器２１（図２参照）に関する正常モデルの学習に用いられるセンサを示している。また、図４の３列目に示す−印は、機器２１に関する正常モデルの学習には用いられないセンサを示している。

前記したように、正常モデルとは、各センサの検出値を含む稼動情報の正常範囲を示す統計的なモデルであり、機械設備２が正常に稼動しているときの稼動情報に基づいて学習される。

図４に示す例では、圧力センサ３１ａ、温度センサ３１ｂ、及び回転速度センサ３１ｃが、その検出値における相関性の高さに基づき、機器２１に関する正常モデルの学習に用いられるセンサグループＧ１（図２参照）として予め設定されている。

また、別のセンサグループＧ２に含まれる各センサの検出値に基づいて、機器２２に関する正常モデルが学習されるように予め設定されている。
なお、機器２２に異常予兆が発生した場合、その影響が機器２１にも波及し、機器２１に設置された温度センサ３１ｂ（図２参照）の検出値も変動することが、管理者側で予め把握されている。したがって、本実施形態では、機器２２に設置された各センサ３２ａ〜３２ｄの他、機器２１に設置された温度センサ３１ｂもセンサグループＧ２に含まれている（図２参照）。

このように、機械設備２における所定の機器２２（部位）に設置されたセンサの他、機器２２とは異なる別の機器２１（別の部位）に設置されたセンサの中にも、機器２２に対応するセンサグループに含まれるものが存在している。別の観点から説明すると、機械設備２に設置された各センサの中には、複数のセンサグループ（例えば、センサグループＧ１，Ｇ２）に重複して含まれるものが存在している。

同様に、所定のセンサグループＧ３に含まれる各センサの検出値に基づいて、機器２３に関する正常モデルが学習されるように予め設定されている。
なお、機器２３に異常予兆が発生した場合、その影響が機器２２にも波及し、機器２２に設置された回転速度センサ３２ｃ（図２参照）の検出値も変動することが、管理者側で予め把握されている。したがって、本実施形態では、機器２３に設置された各センサ３３ａ〜３３ｄの他、機器２２に設置された回転速度センサ３２ｃもセンサグループＧ３に含まれている（図２参照）。

このように本実施形態では、管理用テーブル１３１における複数のセンサグループＧ１〜Ｇ３（グループ）が、機械設備２における複数箇所の部位（機器２１〜２３）と一対一で対応している。

そして、機械設備２の異常予兆診断に用いられる正常モデルが、機器２１〜２３のそれぞれについて個別で学習され、さらに、機器２１〜２３のそれぞれについて異常予兆診断が個別で行われる。これが、本実施形態の主な特徴の一つである。

再び、図３に戻って説明を続ける。
学習手段１３２は、機械設備２が正常に稼動しているときに取得された稼動情報に基づいて、稼動情報の正常範囲を示す正常モデルを学習する。図３に示すように、学習手段１３２は、学習対象情報取得部１３２ａと、学習対象情報記憶部１３２ｂと、正常モデル学習部１３２ｃと、正常モデル記憶部１３２ｄと、を備えている。

学習対象情報取得部１３２ａは、学習対象となる稼動情報（学習対象情報）を、稼動情報記憶手段１２から取得する。すなわち、学習対象情報取得部１３２ａは、管理用テーブル１３１（図４参照）を参照し、複数のセンサのうち、所定の機器（例えば、機器２１）に対応付けられたセンサ（例えば、センサ３１ａ〜３１ｃ）の検出値を含む稼動情報を取得する。

学習対象情報記憶部１３２ｂには、学習対象情報取得部１３２ａによって取得された学習対象情報が、データベースとして記憶される。
正常モデル学習部１３２ｃは、学習対象情報記憶部１３２ｂに記憶されている学習対象情報に基づいて、所定の正常モデルを学習する。

図５は、正常モデル学習部１３２ｃによって学習された機器２１に関する正常モデルの説明図である。
図５に示す軸αは、機器２１に設置された圧力センサ３１ａ（図２参照）の検出値が正規化された値の軸である。軸βは、機器２１に設置された温度センサ３１ｂ（図２参照）の検出値が正規化された値の軸である。軸γは、機器２１に設置された回転速度センサ３１ｃ（図２参照）の検出値が正規化された値の軸である。

前記した「正規化」とは、各センサの検出値を代表値（平均値、標準偏差等）で除算するなどして無次元量化し、互いに比較可能とする処理である。このような正規化後の数値も「稼動情報」に含まれるものとする。前記したように、センサ３１ａ〜３１ｃ（図２参照）は、管理用テーブル１３１において、機器２１に対応付けられたセンサグループＧ１に含まれている。

図５に示す●印のひとつひとつが、センサ３１ａ〜３１ｃの時々刻々の検出値に対応している。このように、機器２１の状態は、センサ３１ａ〜３１ｃの検出値が正規化された値を成分とする位置ベクトル（以下、単に「ベクトル」という）で表される。

正常モデル学習部１３２ｃは、例えば、非階層的クラスタリングの一つであるｋ平均法に基づいて、機器２１に関する正常モデルを学習する。ｋ平均法について説明すると、正常モデル学習部１３２ｃは、まず、●印で示す各ベクトルをクラスタ化してランダムに正常モデルを割り振り、正常モデルに含まれる複数のベクトルの重心ｃの座標値を算出する。

次に、正常モデル学習部１３２ｃは、所定のベクトルと各重心ｃとの間の距離を求め、この距離が最も小さくなる正常モデルに当該ベクトルを割り当て直す。正常モデル学習部１３２ｃは、このような処理を全てのベクトルについて実行する。そして、正常モデルの割当てが変化しなかった場合、正常モデル学習部１３２ｃは正常モデルの生成を終了し、それ以外の場合には、新しく割り当てられた正常モデルに基づいて再計算する。

このようにして正常モデルを生成した後、正常モデル学習部１３２ｃは、球状を呈する正常モデルの重心ｃの座標値、及び半径ｒを算出する。半径ｒは、例えば、その正常モデルに含まれる各ベクトルと重心ｃとの間の距離の平均値である。

なお、半径ｒの算出方法はこれに限定されない。例えば、正常モデルに含まれる各ベクトルのうち、重心ｃから最も離れたベクトルを特定し、このベクトルと重心ｃとの間の距離を半径ｒとしてもよい。このようにして正常モデル学習部１３２ｃは、機器２１に関する正常モデルを学習する。なお、図５に示す距離ｄ，ｆについては後記する（距離ｆについては第２実施形態で説明する）。

同様にして、正常モデル学習部１３２ｃは、センサグループＧ２に含まれるセンサ３１ｂ，３２ａ〜３２ｄ（図２参照）の時々刻々の検出値を正規化した値に基づいて、機器２２に関する別の正常モデル（５次元ベクトル空間における重心ｃ及び半径ｒ）を学習する。
また、正常モデル学習部１３２ｃは、センサグループＧ３に含まれるセンサ３２ｃ，３３ａ〜３３ｄ（図２参照）の時々刻々の検出値を正規化した値に基づいて、機器２３に関するさらに別の正常モデル（５次元ベクトル空間における重心ｃ及び半径ｒ）を学習する。

なお、機器２１〜２３のそれぞれの正常モデルは、例えば、機械設備２が正常であることが既知である所定期間の稼動情報に基づいて学習される。また、後記する診断部１３３ｄによって「異常予兆なし」と診断された稼動情報を学習対象として追加した上で、正常モデル学習部１３２ｃが、正常モデルを逐次更新するようにしてもよい。

図３に示す正常モデル記憶部１３２ｄには、機器２１〜２３に関する正常モデルのデータが、それぞれ、データベースとして記憶される。例えば、機器２１に関する正常モデルについては、機器２１の識別情報、正常モデルの識別情報、正常モデルの重心ｃ及び半径ｒが対応付けられて、正常モデル記憶部１３２ｄに記憶される。なお、機器２２，２３の正常モデルについても同様である。

このようにして学習手段１３２は、管理用テーブル１３１（図４参照）を参照し、機械設備２が正常に稼動しているときに取得された複数のセンサの各検出値のうち、所定のセンサグループ（グループ）に属するセンサの各検出値を含む稼動情報に基づいて、正常モデルをセンサグループごとに学習する。

図３に示す診断手段１３３は、機械設備２の異常予兆の診断に用いられる稼動情報（診断対象情報）が正常モデルから外れている場合、機械設備２に異常予兆ありと診断する。すなわち、診断手段１３３は、所定のセンサグループに属するセンサの各検出値を含む稼動情報が、当該センサグループの正常モデルから外れている場合、機械設備２に異常予兆ありと診断する。例えば、診断手段１３３は、機器２１に関する正常モデルを用いて、その後に得られた機器２１の稼動情報に基づき、機器２１の異常予兆の有無を診断する。また、診断手段１３３は、機器２２，２３の異常予兆の有無についても同様に診断する。

図３に示すように、診断手段１３３は、診断対象情報取得部１３３ａと、診断対象情報記憶部１３３ｂと、異常度算出部１３３ｃと、診断部１３３ｄと、を備えている。
診断対象情報取得部１３３ａは、異常予兆診断に用いられる稼動情報（診断対象情報）を稼動情報記憶手段１２から取得する。すなわち、診断対象情報取得部１３３ａは、管理用テーブル１３１（図４参照）を参照し、複数のセンサのうち、所定のセンサグループに属するセンサの検出値を含む稼動情報を取得する。

例えば、機器２１の異常予兆診断を行う際、診断対象情報取得部１３３ａは、機器２１の識別情報や、センサグループＧ１（図２参照）の識別情報を管理用テーブル１３１から取得する。そして、診断対象情報取得部１３３ａは、前記した各識別情報を参照し、機器２１の異常予兆診断に用いられる稼動情報として、図４に示す圧力センサ３１ａ、温度センサ３１ｂ、及び回転速度センサ３１ｃの検出値等を稼動情報記憶手段１２から取得する。機器２１の異常予兆診断には、これら３つのセンサ３１ａ〜３１ｃの検出値で足りるからである。

同様にして、診断対象情報取得部１３３ａは、機器２２，２３の異常予兆診断に用いられる稼動情報を、それぞれ、稼動情報記憶手段１２から取得する。
診断対象情報記憶部１３３ｂには、診断対象情報取得部１３３ａによって取得された機器２１，２２，２３の稼動情報（診断対象情報）が、それぞれ、データベースとして記憶される。

異常度算出部１３３ｃは、例えば、機器２１の異常予兆診断に用いられる稼動情報を診断対象情報記憶部１３３ｂから読み出し、この稼動情報の異常度ｕを算出する。まず、異常度算出部１３３ｃは、診断対象情報を正規化（無次元量化）し、所定時刻での機器２１の状態を表すベクトルを生成する。

そして、異常度算出部１３３ｃは、正常モデル学習部１３２ｃによって学習・更新された最新の正常モデルに基づいて、診断対象データの異常度ｕを算出する。まず、異常度算出部１３３ｃは、機器２１に関する正常モデルを、正常モデル記憶部１３２ｄから読み出す。そして、異常度算出部１３３ｃは、稼動情報の正規化後のベクトルと、正常モデルの重心ｃと、の距離ｄ（図５参照）を算出する。

さらに、異常度算出部１３３ｃは、前記した距離ｄ及び正常モデルの半径ｒに基づき、以下の式（１）を用いて、異常度ｕを算出する。なお、異常度ｕとは、稼動情報が正常モデルから乖離している度合いを示す数値である。

ｕ＝ｄ／ｒ・・・（１）

そして、異常度算出部１３３ｃは、算出した異常度ｕを、機器２１の識別情報や、センサグループＧ１（図２参照）の識別情報の他、正常モデルの識別情報等に対応付けて、診断部１３３ｄに出力するとともに、診断結果記憶手段１４に記憶させる。

診断部１３３ｄは、異常度算出部１３３ｃから入力される異常度ｕに基づき、診断対象である機械設備２において、例えば、機器２１の異常予兆の有無を診断する。すなわち、前記した異常度ｕ≦１である場合、機器２１に関する診断対象情報（稼動情報を正規化してなるベクトル）は、機器２１に関する正常モデルの領域内に存在している。このような場合に診断部１３３ｄは、機器２１に関して「異常予兆なし」と診断する。

一方、異常度ｕ＞１である場合、機器２１に関する診断対象情報は、図５に示すように、機器２１に関する正常モデルの領域外に存在している。つまり、診断対象データは、正常モデルから外れている。このような場合に診断部１３３ｄは、機器２１に関して「異常予兆あり」と診断する。

同様にして、診断手段１３３は、センサグループＧ２（図２参照）の診断対象情報に基づいて、機器２２の異常予兆の有無を診断する。
また、診断手段１３３は、センサグループＧ３（図２参照）の診断対象情報に基づいて、機器２３の異常予兆の有無を診断する。このように、診断手段１３３は、管理用テーブル１３１（図４参照）を参照し、所定のセンサグループ（グループ）に対応付けられた正常モデルと、当該センサグループに属するセンサの各検出値を含む稼動情報と、に基づいて、機械設備２の異常予兆の有無を診断する。言い換えると、診断手段１３３は、管理用テーブル１３１を参照し、それぞれのセンサが属するセンサグループに対応付けられた正常モデルと、当該正常モデルに対応するセンサの各検出値と、に基づいて、機械設備２の異常予兆の有無を診断する。

なお、診断結果記憶手段１４に格納された情報は、表示制御手段１５（図１参照）によって、表示手段１６（図１参照）に表示される。

＜異常予兆診断装置の処理＞
図６は、異常予兆診断装置１における正常モデルの学習に関するフローチャートである（適宜、図３を参照）。
ステップＳ１０１において異常予兆診断装置１は、所定のセンサグループを選択する。例えば、異常予兆診断装置１は、管理用テーブル１３１（図４参照）を参照し、３つのセンサグループＧ１〜Ｇ３のうち、機器２１に対応付けられたセンサグループＧ１を選択する。

ステップＳ１０２において異常予兆診断装置１は、センサグループの稼動情報を取得・記憶する（稼動情報取得ステップ）。すなわち、異常予兆診断装置１は、ステップＳ１０１で選択したセンサグループの稼動情報を、学習対象情報取得部１３２ａによって稼動情報記憶手段１２から取得し、取得した稼動情報を学習対象情報記憶部１３２ｂに記憶させる。例えば、異常予兆診断装置１は、機器２１に対応付けられたセンサグループＧ１（図２参照）として、圧力センサ３１ａ、温度センサ３１ｂ、及び回転速度センサ３１ｃの所定期間における検出値等を取得・記憶する。

ステップＳ１０３において異常予兆診断装置１は、正常モデルを学習する（学習ステップ）。例えば、異常予兆診断装置１は、ステップＳ１０２で取得した機器２１の稼動情報に基づき、正常モデル学習部１３２ｃによって、重心ｃ及び半径ｒで表される所定の正常モデルを学習する。
ステップＳ１０４において異常予兆診断装置１は、学習結果を記憶する。例えば、異常予兆診断装置１は、機器２１に関する正常モデルのデータを、機器２１の識別情報や、センサグループＧ１の識別情報の他、正常モデルの識別情報とともに、正常モデル記憶部１３２ｄに記憶させる。

ステップＳ１０５において異常予兆診断装置１は、未学習のセンサグループが存在するか否かを判定する。未学習のグループが存在する場合（Ｓ１０５：Ｙｅｓ）、異常予兆診断装置１の処理はステップＳ１０１に戻る。この場合、ステップＳ１０１において異常予兆診断装置１は、未学習のセンサグループ（例えば、機器２２に関するセンサグループＧ２：図２参照）を新たに選択する。

一方、ステップＳ１０５において未学習のセンサグループが存在しない場合（Ｓ１０５：Ｎｏ）、異常予兆診断装置１は、正常モデルの学習に関する一連の処理を終了する（ＥＮＤ）。

図７は、異常予兆診断装置１における診断に関するフローチャートである。
ステップＳ２０１において異常予兆診断装置１は、所定のセンサグループを選択する。例えば、異常予兆診断装置１は、管理用テーブル１３１（図４参照）を参照し、３つのセンサグループＧ１〜Ｇ３のうち、機器２１に対応付けられたセンサグループＧ１を選択する。

ステップＳ２０２において異常予兆診断装置１は、センサグループの稼動情報を取得・記憶する（稼動情報取得ステップ）。すなわち、異常予兆診断装置１は、ステップＳ２０１で選択したセンサグループの稼動情報を、診断対象情報取得部１３３ａによって稼動情報記憶手段１２から取得し、取得した稼動情報を診断対象情報記憶部１３３ｂに記憶させる。例えば、異常予兆診断装置１は、機器２１に対応付けられたセンサグループＧ１の検出値等を取得・記憶する。

ステップＳ２０３において異常予兆診断装置１は、異常度ｕを算出する。ステップＳ２０３の処理について具体例を説明すると、異常予兆診断装置１は、機器２１に関する正常モデル（重心ｃ、半径ｒのデータ）を正常モデル記憶部１３２ｄから取得する。そして、異常予兆診断装置１は、前記した正常モデルと、ステップＳ２０２で取得したセンサグループＧ１の稼動情報と、に基づいて、機器２１に関する異常度ｕを算出する。

ステップＳ２０４において異常予兆診断装置１は、機器ごとの個別診断を実行する（診断ステップ）。例えば、異常予兆診断装置１は、ステップＳ２０３で算出した異常度ｕと、所定閾値（例えば、所定閾値＝１）と、の大小の比較に基づき、診断部１３３ｄによって、機器２１に関する異常予兆の有無を診断する。

ステップＳ２０５において異常予兆診断装置１は、診断結果を記憶する。すなわち、異常予兆診断装置１は、ステップＳ２０５の診断結果を診断結果記憶手段１４に記憶させる。この診断結果には、診断対象である機器２１の識別情報、その正常モデルの識別情報、センサグループＧ１の識別情報の他、センサグループＧ１に含まれる各センサの検出値や異常度ｕが含まれていてもよい。

ステップＳ２０６において異常予兆診断装置１は、未診断のセンサグループが存在するか否かを判定する。未診断のセンサグループが存在する場合（Ｓ２０６：Ｙｅｓ）、異常予兆診断装置１の処理はステップＳ２０１に戻る。この場合に異常予兆診断装置１は、ステップＳ２０１において未診断のセンサグループ（例えば、機器２２のセンサグループＧ２）を新たに選択する。
一方、ステップＳ２０６において未診断のセンサグループが存在しない場合（Ｓ２０６：Ｎｏ）、診断手段１３３の処理はステップＳ２０７に進む。

ステップＳ２０７において異常予兆診断装置１は、総合診断を実行する。
例えば、複数のセンサグループ（グループ）のうち、稼動情報が正常モデルから外れているものが少なくとも一つ存在する場合、診断手段１３３は、機械設備２に異常予兆ありと診断する。一方、複数のセンサグループ（グループ）のうち、稼動情報が正常モデルから外れているものが存在しない場合、診断手段１３３は、機械設備２に異常予兆なしと診断する。

ステップＳ２０８において異常予兆診断装置１は、診断結果を表示させる。すなわち、異常予兆診断装置１は、表示制御手段１５（図１参照）によって、ステップＳ２０４の個別の診断や、ステップＳ２０７の総合診断の結果を表示手段１６（図１参照）に表示させる。

ステップＳ２０８の処理について具体的に説明すると、異常予兆診断装置１は、総合診断の結果として、機械設備２の異常予兆の有無を表示手段１６に表示させる。また、異常予兆診断装置１は、個別診断の結果として、各機器の識別情報の他、センサグループの識別情報、このセンサグループに含まれる各センサの検出値（時系列的なグラフ）及び異常度ｕを、機器ごとに区別して表示手段１６に表示させる。

なお、ステップＳ２０８において異常予兆診断装置１は、診断手段１３３によって機械設備２に異常予兆ありと診断された場合、複数のセンサグループ（グループ）のうち、少なくとも異常予兆ありの診断要因となったセンサグループに関する情報（各センサの検出値等）を表示手段１６に表示させてもよい。これによって、機械設備２において異常予兆の発生要因となった機器の詳細なデータを管理者に提示できる。
ステップＳ２０８の処理を行った後、異常予兆診断装置１は、診断に関する一連の処理を終了する（ＥＮＤ）。

＜効果＞
第１実施形態によれば、機器２１〜２３に紐付けられたセンサグループＧ１〜Ｇ３ごとに正常モデルが学習され、この正常モデルに基づいて、センサグループＧ１〜Ｇ３ごとに異常予兆診断が行われる。
例えば、機械設備２の構成によっては、所定の機器の稼動状態の影響をほとんど受けないセンサが多数存在していることが多い。第１実施形態の例では、図４において識別情報がＸＸ０４〜ＸＸ１１の各センサの検出値は、機器２１の稼動状態との関連性が薄い。したがって、識別情報がＸＸ０４〜ＸＸ１１の各センサのうち少なくとも一つの検出値が通常時より大きく変動したとしても、機器２１が正常に稼動している可能性もある。つまり、機器２１の異常予兆の有無を個別で診断する際、識別情報がＸＸ０４〜ＸＸ１１の各センサの検出値が外乱になることが多い。

そこで、第１実施形態では、機器２１の稼動状態が検出値に敏感に反映される３つのセンサ（図４に示すセンサ３１ａ〜３１ｃ）を、ひとまとまりのセンサグループＧ１として予め設定するようにしている。これによって、機器２１の異常予兆の有無を高精度で診断することができ、ひいては、機械設備２の異常予兆の有無も高精度で診断できる。なお、機械設備２に含まれる他の機器２２，２３についても同様のことがいえる。

また、これまでの異常予兆診断では、機械設備２における全てのセンサの検出値が一括して扱われていた。すなわち、正常モデルの学習や異常予兆診断が、機械設備２における全てのセンサの検出値に基づいて行われていた。そうすると、機械設備２に異常予兆ありと診断された場合、具体的にどの箇所で異常予兆が発生したのかを管理者側で把握しにくいという事情があった。

これに対して第１実施形態によれば、センサグループＧ１〜Ｇ３の検出値等に基づき、機器２１〜２３について個別で異常予兆診断が行われるため、異常予兆の発生箇所を特定しやすくなる。例えば、センサグループＧ１の検出値に基づいて、機器２１に異常予兆ありと診断された場合、管理者側は、機械設備２の中でも特に機器２１（又はその付近）を重点的に点検すればよい。これによって、異常予兆が発生した場合に管理者が対応しやすくなる。

また、これまでは、正常モデルの学習や異常予兆診断を行う過程で、機械設備２に設置された全てのセンサ（例えば、数千個のセンサ）の検出値が用いられていたため、単位時間当たりの処理負荷が非常に大きかった。これに対して第１実施形態によれば、例えば、機器２１に紐付けられた３つのセンサグループＧ１〜Ｇ３の検出値に基づいて、機器２１に関する異常予兆診断が行われるため、異常予兆診断装置１における処理負荷を従来よりも大幅に低減できる。

≪第２実施形態≫
第２実施形態は、異常予兆診断装置１Ａ（図８参照）が、異常度ｕに対する各センサの検出値の寄与度ｉを算出し、この寄与度ｉの分布に基づいて、異常予兆の要因を推定する点が、第１実施形態とは異なっている。なお、その他の点（異常予兆診断装置１Ａの全体構成や、管理用テーブル１３１のデータ：図４参照）については、第１実施形態と同様である。したがって、第１実施形態とは異なる部分について説明し、重複する部分については説明を省略する。

図８は、第２実施形態に係る異常予兆診断装置１Ａが備えるデータマイニング手段１３Ａの機能ブロック図である。
図８に示すように、データマイニング手段１３Ａは、管理用テーブル１３１と、学習手段１３２と、診断手段１３３Ａと、診断用テーブル１３４と、を備えている。なお、データマイニング手段１３Ａは、第１実施形態（図３参照）で説明した構成に診断用テーブル１３４、及び、次に説明する寄与度算出部１３３ｅを追加した構成になっている。

診断手段１３３Ａは、寄与度算出部１３３ｅ等を備えている。寄与度算出部１３３ｅは、所定のセンサグループに含まれる各センサの検出値の寄与度ｉを、以下の式（２）に基づいて算出する。前記した寄与度ｉは、各センサの個別の検出値が、前記した異常度ｕに対して寄与している度合いを表す数値である。この寄与度ｉが大きいほど、異常度ｕに対して、所定のセンサの検出値が寄与している度合いが高いといえる。

ｉ＝ｆ／ｄ・・・（２）

なお、式（２）に示す距離ｆ（図５参照）は、稼動情報を構成するセンサの個別の検出値を正規化した値と、正常モデルの重心ｃにおいて前記した個別の検出値に対応する成分（図５では、重心ｃのβ軸の値）と、の差の絶対値である。また、式（２）に示す距離ｄ（図５参照）は、正規化後の稼動情報の位置ベクトルと、正常モデルの重心ｃと、の間の距離である。

例えば、機器２１に紐付けられたセンサグループＧ１（図２参照）には、３つのセンサ３１ａ〜３１ｃが含まれている。この場合、３つのセンサ３１ａ〜３１ｃの検出値が正規化された値のそれぞれについて（図５に示す例では、α軸、β軸、γ軸の各成分について）、その寄与度ｉが算出される。この場合において、寄与度ｉの算出には、機器２１に対応する正常モデルが用いられる。そして、寄与度算出部１３３ｅによって算出された寄与度ｉは、異常度ｕ等とともに診断結果記憶手段１４に格納される。

図８に示す診断用テーブル１３４には、寄与度ｉの分布と、機械設備２の異常予兆の要因に関する所定のメッセージと、が対応付けられて、予め記憶されている。

図９は、異常予兆診断装置１Ａが備える診断用テーブル１３４の説明図である。
図９に示す例では、機器２１のセンサグループ（識別情報：ＸＸ０１〜ＸＸ０３の３つのセンサ、図４参照）に関して、寄与度ｉが最も高いセンサの識別情報と、それに対応するメッセージと、が診断用テーブル１３４に予め記憶されている。この診断用テーブル１３４は、事前の実験やシミュレーションに基づいて、予め作成されている。

なお、図９は一例であり、寄与度ｉの最も高いセンサによって寄与度ｉの分布が特定される場合に限定されない。例えば、寄与度ｉの高さが１位・２位のセンサの組合せに基づいて、寄与度ｉの分布を特定してもよい。また、その値が所定閾値以上である寄与度の組合せに基づいて、寄与度ｉの分布を特定してもよい。

図１０は、寄与度ｉの分布の例を示す説明図である。
例えば、機器２１に異常予兆ありと診断された場合において、図１０に示すように、寄与度ｉが最も高い（１位の）センサの識別情報がＸＸ０３であったとする。この場合、表示制御手段１５（図１参照）は、診断用テーブル１３４（図９参照）を参照し、例えば、図１１に示すメッセージを表示手段１６に表示させる。

図１１は、機器２１に異常予兆ありと診断された場合の画面表示例である。
図１１に示す例では、異常予兆ありと診断された対象機器が機器２１である旨が表示されている。また、診断用テーブル１３４（図９参照）に基づき、「機器２１の軸受が磨耗している可能性があります。」というメッセージが表示手段１６（図１参照）に表示されている。これによって管理者は、機械設備２で異常予兆が発生したというだけでなく、その異常予兆の要因に関する情報を得ることができる。

このように診断手段１３３Ａは、所定のセンサグループ（グループ）に関する稼動情報が正常モデルから外れている場合、センサの検出値が異常度ｕに寄与している度合いを示す寄与度ｉを、当該センサグループに含まれるセンサのそれぞれについて算出する。そして、表示制御手段１５（図１参照）は、前記した寄与度ｉの分布に基づいて、センサグループに関する所定のメッセージを表示手段１６（図１参照）に表示させる。

＜効果＞
第２実施形態によれば、寄与度ｉの分布に基づいて、異常予兆の要因に関するメッセージが表示手段１６に表示される（図１１参照）。これによって、管理者は、どのような要因で異常予兆が発生したのかを容易に検証でき、さらに、その後の対処も容易に行うことができる。また、機器２１〜２３の個別的な異常予兆診断と相まって、異常予兆の発生箇所（例えば、機器２１の軸受）をピンポイントで特定しやすくなる。

≪変形例≫
以上、本発明に係る異常予兆診断装置１，１Ａについて各実施形態により説明したが、本発明はこれらの記載に限定されるものではなく、種々の変更を行うことができる。
例えば、各実施形態では、機械設備２に設置された各センサのグループ分け（センサグループＧ１〜Ｇ３：図２参照）の一例を説明したが、これに限らない。すなわち、機器２２に設置されたセンサ３２ａ〜３２ｄのみを、この機器２２に対応付けられた所定のセンサグループに含めるようにしてもよい。同様に、機器２３に設置されたセンサ３３ａ〜３３ｄのみを、この機器２３に対応付けられた所定のセンサグループに含めるようにしてもよい。

また、複数のセンサのうち、機械設備２における所定の機器（部位）から自身の設置位置までの距離が所定値以下であるセンサが、当該機器（部位）に対応するセンサグループに含まれるようにしてもよい。機器との間の距離が近いセンサほど、その検出値に機器の稼動状態が反映されることが多いからである。また、機器とセンサとの距離に基づいてセンサグループが設定されるため、管理用テーブル１３１（図４参照）の設定作業が容易であるという利点もある。なお、前記した「距離」の基準は、対象となる機器の表面であってもよいし、また、機器の中心付近や重心であってもよい。

また、各実施形態では、機械設備２が備える機器２１〜２３について、正常モデルの学習や異常予兆診断を個別で行う処理について説明したが、これに限らない。例えば、複数のセンサのうち、その検出値の物理量の種類が同一であるものは、同一のセンサグループに含まれるようにしてもよい。具体例を挙げると、図２に示す圧力センサ３１ａ，３２ａ，３３ａを一つのセンサグループに分類してもよい（他の種類の各センサについても同様）。これによって、例えば、圧力センサ３１ａ，３２ａ，３３ａの検出値に基づいて、機械設備２での圧力に関する所定の異常予兆の有無を診断できる。

また、複数のセンサのうち、センサ同士の距離が所定値以下であるものが同一のセンサグループに含まれるようにしてもよい。この場合において、特定のセンサを基準として、このセンサとの距離が所定値以下であるものを同一のセンサグループに含めるようにしてもよい。
また、機械設備２における所定の劣化要因に関係するセンサが既知である場合には、それらのセンサが同一のセンサグループに含まれるようにしてもよい。

また、複数のセンサのうち、所定のセンサの検出値と、他のセンサの検出値と、の間の相関係数が所定値以上である場合、前記した所定のセンサ、及び、前記した他のセンサが同一のセンサグループに含まれるようにしてもよい。これによって、検出値の相関性が高い複数のセンサをひとまとまりのセンサグループとして分類でき、ひいては、異常予兆診断の高精度化を図ることができる。

また、複数のセンサのうち、自身の検出値との間の相関係数が所定値以上となるような他のセンサが存在しないものついては、当該センサで一つのセンサグループが設定されるようにしてもよい。これによって、自身との間で相関性の高い他のセンサが存在しないセンサについては、単独でセンサグループを設定できる。なお、１つの機械設備２において、前記したセンサグループの分類方法のうち複数が混在していてもよい。

また、診断手段１３３によって異常予兆なしと診断された場合、学習手段１３２が、当該診断に用いられた稼動情報を、機械設備２が正常に稼動したときの稼動情報として新たに追加し、追加後の稼動情報に基づいて、正常モデルを更新するようにしてもよい。この場合において診断手段１３３は、更新後の正常モデルに基づいて、機械設備２の異常予兆の有無を診断する。そして、異常予兆診断装置１は、機械設備２が正常に稼動したときの稼動情報を徐々に増加させ、正常モデルを逐次更新する。これによって、機械設備２の正常な稼動状態を正常モデルに適切に反映させることができ、ひいては、異常予兆診断の高精度化を図ることができる。

また、例えば、「異常予兆なし」と診断された稼動情報をを新たな学習対象として追加して正常モデルを更新する際、この正常モデルに含まれていた最も古い稼動情報を正常モデルのメンバから除去するようにしてもよい。これによって、経年変化や季節変化で機械設備２の状態が徐々に変化した場合でも、いわば新陳代謝を活発に行うことで、機械設備２の状態を正常モデルに適切に反映させることができる。

また、各センサが設置されている対象（機器２１〜２３）等に関係なく、相関性の高い複数のセンサが一つのセンサグループに属するように、予めグループ化されていてもよい。そして、学習手段１３２がセンサグループごとに正常モデルを学習し、診断手段１３３がセンサグループごとに異常予兆診断を行うようにしてもよい。これによって、全てのセンサの検出値に基づいて学習・診断を行う場合に比べて、異常予兆診断における診断精度を高めることができる。
また、各実施形態では、１台の機械設備２（図１参照）が、ネットワークＮを介して異常予兆診断装置１に接続される構成について説明したが、これに限らない。すなわち、複数台の機械設備２が、ネットワークＮを介して異常予兆診断装置１に接続されていてもよい。

なお、本発明は、各実施形態で説明した全ての構成を備えるものに限定されない。また、一の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、一の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、他の構成を追加・削除・置換することも可能である。

また、図１〜図３、図８に示す各構成は、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等の記録媒体に格納することができる。

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 異常予兆診断装置
２ 機械設備
１１ 稼動情報取得手段
１２ 稼動情報記憶手段
１３，１３Ａ データマイニング手段
１４ 診断結果記憶手段
１５ 表示制御手段
１６ 表示手段
２１，２２，２３ 機器（機械設備の部位）
２４ 記憶手段
２５ 通信手段
３１ａ，３２ａ，３３ａ 圧力センサ（センサ）
３１ｂ，３２ｂ，３３ｂ 温度センサ（センサ）
３１ｃ，３２ｃ，３３ｃ 回転速度センサ（センサ）
３２ｄ，３３ｄ 電流センサ（センサ）
１３１ 管理用テーブル
１３２ 学習手段
１３２ａ 学習対象情報取得部
１３２ｂ 学習対象情報記憶部
１３２ｃ 正常モデル学習部
１３２ｄ 正常モデル記憶部
１３３，１３３Ａ 診断手段
１３３ａ 診断対象情報取得部
１３３ｂ 診断対象情報記憶部
１３３ｃ 異常度算出部
１３３ｄ 診断部
１３３ｅ 寄与度算出部
１３４ 診断用テーブル
Ｇ１，Ｇ２，Ｇ３ センサグループ（グループ）

Claims (13)

1. 機械設備の稼動情報の正常範囲を示す正常モデルに基づいて、前記機械設備の異常予兆の有無を診断する異常予兆診断装置であって、
   前記稼動情報には、前記機械設備に設置された複数のセンサの識別情報が含まれるとともに、複数の前記センサの検出値が含まれ、
   前記機械設備に設置された複数の前記センサのそれぞれの識別情報が、前記機械設備の構造・特性の事前の実験及び／又はシミュレーションに基づいて設定される対応関係で複数のグループに予めグループ分けされた管理用テーブルを備えるとともに、
   それぞれの前記センサが属する前記グループに対応付けられた前記正常モデルと、当該正常モデルに対応する前記センサの各検出値と、に基づいて、前記機械設備の異常予兆の有無を診断する診断手段を備え、
   前記異常予兆診断装置は、前記機械設備から現在の前記稼動情報を取得したときに、前記管理用テーブルの前記識別情報と前記グループとの対応関係に基づいて、現在の前記稼動情報の前記センサの識別情報の属する前記グループを特定するとともに、特定された前記グループに対応する前記正常モデルを用いて異常予兆の有無の診断をし、
   それぞれの前記正常モデルは、前記機械設備に異常予兆なしと診断された前記稼動情報を追加した上で逐次更新されること
   を特徴とする異常予兆診断装置。
2. 前記診断手段によって前記機械設備に異常予兆なしと診断された前記稼動情報を学習対象として新たに追加し、追加後の前記稼動情報に基づいて、前記グループに対応付けられているそれぞれの前記正常モデルを逐次更新する学習手段を備えること
   を特徴とする請求項１に記載の異常予兆診断装置。
3. 前記診断手段は、所定の前記グループに属する前記センサの各検出値を含む前記稼動情報が、当該グループの前記正常モデルから外れている場合、前記機械設備に異常予兆ありと診断すること
   を特徴とする請求項１に記載の異常予兆診断装置。
4. 前記管理用テーブルにおける複数の前記グループは、前記機械設備における複数箇所の部位と一対一で対応しており、
   前記機械設備における所定の前記部位に設置された前記センサの他、当該部位とは異なる別の前記部位に設置された前記センサの中にも、当該部位に対応する前記グループに含まれるものが存在すること
   を特徴とする請求項１に記載の異常予兆診断装置。
5. 前記管理用テーブルにおける複数の前記グループは、前記機械設備における複数箇所の部位と一対一で対応しており、
   複数の前記センサのうち、前記機械設備における所定の前記部位から自身の設置位置までの距離が所定値以下である前記センサは、当該部位に対応する前記グループに含まれること
   を特徴とする請求項１に記載の異常予兆診断装置。
6. 複数の前記センサのうち、前記機械設備における所定の部位に設置され、さらに、その検出値の物理量の種類が同一であるものは、同一の前記グループに含まれること
   を特徴とする請求項１に記載の異常予兆診断装置。
7. 複数の前記センサのうち、前記機械設備における所定の部位に設置され、さらに、所定の前記センサの検出値と、他の前記センサの検出値と、の間の相関係数が所定値以上である場合、所定の前記センサ、及び、他の前記センサが同一の前記グループに含まれること
   を特徴とする請求項１に記載の異常予兆診断装置。
8. 複数の前記センサのうち、自身の検出値との間の相関係数が前記所定値以上となるような他の前記センサが存在しないものについては、当該センサで一つの前記グループが設定されること
   を特徴とする請求項７に記載の異常予兆診断装置。
9. 複数の前記グループのうち、前記稼動情報が前記正常モデルから外れているものが少なくとも一つ存在する場合、前記診断手段は、前記機械設備に異常予兆ありと診断すること
   を特徴とする請求項１に記載の異常予兆診断装置。
10. 前記稼動情報が前記正常モデルから乖離している度合いを示す異常度を表示手段に表示させる表示制御手段をさらに備えること
    を特徴とする請求項１に記載の異常予兆診断装置。
11. 前記表示制御手段は、前記診断手段によって前記機械設備に異常予兆ありと診断された場合、複数の前記グループのうち、少なくとも異常予兆ありの診断要因となった前記グループに関する情報を前記表示手段に表示させること
    を特徴とする請求項１０に記載の異常予兆診断装置。
12. 前記診断手段は、所定の前記グループに関する前記稼動情報が前記正常モデルから外れている場合、前記センサの検出値が前記異常度に寄与している度合いを示す寄与度を、当該グループに含まれる前記センサのそれぞれについて算出し、
    前記表示制御手段は、前記寄与度の分布に基づいて、前記グループに関する所定のメッセージを前記表示手段に表示させること
    を特徴とする請求項１０に記載の異常予兆診断装置。
13. 機械設備の稼動情報の正常範囲を示す正常モデルに基づいて、前記機械設備の異常予兆の有無を診断する異常予兆診断方法であって、
    前記稼動情報には、前記機械設備に設置された複数のセンサの識別情報が含まれるとともに、複数の前記センサの検出値が含まれ、
    前記機械設備に設置された複数の前記センサのそれぞれの識別情報が、前記機械設備の構造・特性の事前の実験及び／又はシミュレーションに基づいて設定される対応関係で複数のグループに予めグループ分けされた管理用テーブルを参照し、それぞれの前記センサが属する前記グループに対応付けられた前記正常モデルと、当該正常モデルに対応する前記センサの各検出値と、に基づいて、前記機械設備の異常予兆の有無を診断する診断ステップを含み、
    前記診断ステップでは、前記機械設備から現在の前記稼動情報を取得したときに、前記管理用テーブルの前記識別情報と前記グループとの対応関係に基づいて、現在の前記稼動情報の前記センサの識別情報の属する前記グループを特定するとともに、特定された前記グループに対応する前記正常モデルを用いて異常予兆の有無の診断をし、
    それぞれの前記正常モデルは、前記機械設備に異常予兆なしと診断された前記稼動情報を追加した上で逐次更新されること
    を特徴とする異常予兆診断方法。

Images