JP7134845B2 - 分析支援装置、分析支援方法、および分析支援プログラム - Google Patents

Description

本発明は、振動データを分析するための分析モデルの解釈を支援する技術に関する。

製造業において、工場の設備にセンサを設置し、センサから収集したデータ（以下「センサデータ」ともいう）を保守費用削減や生産性向上に活用することが期待されている。また、熟練工の人材不足の進行が懸念されており、熟練工が行っている作業を自動化することが求められている。このような背景から、センサデータを利用して熟練工の作業を再現し、自動化する取り組みが行われている。

例えば、モータを製造する工程には、製造したモータ製品が良品か否かを検査する検査工程が含まれる。検査工程では、現状、モータ製品を動作させ、熟練工がモータ製品から発せられる音を聞き、その音からモータ製品が良品か不良品かを判定している。この熟練工が行っている作業を自動化するために、振動センサによりモータからセンサデータを取得し、取得したデータにロジスティック回帰あるいは決定木等による機械学習手法を適用し、良品か不良品かを判定する判定ルールを構築することが期待されている。

機械学習手法では、過去に収集されたデータ（以下「過去データ」ともいう）に基づいて判定ルールを構築するので、様々な不良パターンの不良品を含む多数のモータ製品から得られるデータを事前に収集することが求められる。しかし、近年では製造技術が向上しており、モータ製品の不良率が低い場合が多い。そのため、事前にデータを収集できる不良品の種類が少なく、一部の特定の不良パターンの不良品は検出しうる判定ルールは構築できても、実際には起こりえる他の不良パターンの不良品を検出しうる判定ルールは構築できないということが懸念される。そのために、過去データを学習することにより一旦、判定ルールを反映したモデルを構築した後に、過去データに現れていない不良パターンの不良品を検知するための判定ルールを取り込むようにモデルを改良することが望まれる。

他の不良パターンに対応するようにモデルを改良するには、データ分析者は、まず、過去データから構築した現状のモデルにより検知できる不良パターンまたは検知できない不良パターンを知得し、次に、検知できない不良パターンを検知できるようにするための特徴量を抽出するといったモデル解釈を行うことが求められる。

モデル解釈を可能にする技術が特許文献１に開示されている。特許文献１の技術によれば、まずモデルの個数の候補値を選択し、学習データを候補値に応じた個数のクラスタとなるようにクラスタリングする。次に、機械学習によりクラスタ毎にモデルを構築し、構築したモデルを用いてモデル数が妥当であるか否か評価する。モデル数が妥当でないと判定した場合、再び、モデル数の候補値の選択からやりなおす。この一連の処理により、過去データの特徴に応じた適切な個数のモデルを作成することができる。そして、特徴量毎に判定精度の高いモデルを自動的に割り当てことが可能となる。データ分析者は、この技術を利用することにより、どのようなデータに対してどのモデルの判定精度が高いかを理解することができる。例えば、ある設備の乾燥温度が１０度以上のときにはモデルＡの判定精度が高く、他のある設備３のライン速度が１００ｍ／ｓ以下のときにはモデルＢの判定精度が高いというようにモデルを解釈することができる。

特開２０１０－１７０４２２号公報

特許文献１の技術を振動データの分析に適用した場合、データ分析者が知得できるのは「モデルＣは５０Ｈｚの音圧が２０ｄＢ以下の時に判定精度が高い」といったような説明になると考えられる。このような説明性の低い説明では専門知識に乏しいデータ分析者にとって分かりにくい。
また、特許文献１の技術は、過去データに基づいてモデルを説明するものであり、データ未収集の不良パターンを検知することについて考慮されていない。

本発明の目的は、振動データの分析において、モデルを分かりやすい表現で解釈し、かつ、データ未収集の不良パターンの検知を考慮したモデル改良に有益な情報を提示することを可能にする技術を提供することである。

本開示の一態様による分析支援装置は、データの分析を支援する分析支援装置であって、振動データに基づいて生成された対象分析モデルから特徴量を抽出し、前記特徴量を、振動を表す特徴であり異常があるか否かの判定を可能にする異常判定特徴に分類する特徴量解釈部と、前記対象分析モデルの異常判定特徴における異常と判定すべき領域を異常判定域として特定する異常判定域作成部と、前記対象分析モデルと予め定められた１つ以上の参照分析モデルとで異常判定域がどの程度重複しているかを重複度合いとして算出し、前記重複度合いに基づいて、前記参照分析モデルの中から前記対象分析モデルに類似する類似分析モデルを選出する類似モデル選出部と、前記対象分析モデルと前記類似分析モデルとの異常判定域の差分を抽出する異常域差分算出部と、を有する。

本開示の一態様によれば、対象分析モデルの特徴量を、振動を表す特徴であり異常があるか否かの判定を可能にする異常判定特徴に分類するので、対象分析モデルを分かりやすい表現で解釈することが可能となる。また、データ未収集により対象分析モデルに生じた可能性のある類似分析モデルとの差分を抽出するので、データ未収集の不良パターンの検知を考慮した分析モデルの改良に有益な情報を得ることができる。

本実施形態に係る分析モデル解釈装置の構成の一例を示すブロック図である。 本実施形態に係るモデル解釈装置の概略ブロック図である。 本実施形態において分析モデルを異常判定特徴に分類する処理を示すフローチャートである。 分析モデルを作成するためのプログラムを示す図である。 図３のステップＳ１９に示された説明変数を分類する処理の詳細フローチャートである。 変数変換方法記憶部３１に登録されたリストを示す図である。 特徴量生成手順記憶部３０に格納されている異常判定特徴の特徴量生成手順を示すデータを示す図である。 変数特性記憶部３２Ａに登録された変数の分類のデータを示す図である。 図５のステップＳ１０２に示した、リストと関数適用手順データを突き合わせる処理の詳細フローチャートである。 本実施形態において異常判定域のデータを作成する処理のフローチャートである。 異常判定域を特定する方法の一例を説明するための図である。 モデル特性記憶部３２Ｂに登録されるデータの一例を示す図である。 本実施形態において類似分析モデルを選出する処理を示すフローチャートである。 異常判定域記憶部３３に格納されるデータの一例を示す図である。 図１３のステップＳ３３に示した、対象分析モデルと参照分析モデルとの異常判定域の重複率を算出する処理のフローチャートである。 重複レコードペア記憶部３４に格納されるデータの一例を示す図である。 図１３のステップＳ３８に示した、対象分析モデルとの差分の大きい類似分析モデルを抽出する処理のフローチャートである。 平行移動前の異常判定域を表示する画面の一例を示す図である。 平行移動後の異常判定域を表示する画面の一例を示す図である。 対象分析モデルの異常判定域を登録するときに表示される画面の一例を示す図である。 本実施形態に係る類似分析モデルの一覧を表示する画面の一例を示す図である。 本実施形態に係る分析モデルの異常判定特徴一覧を表示する画面の一例を示す図である。

発明を実施するための最良の形態について画面を参照して詳細に説明する。

図１は、本実施形態に係る分析モデル解釈装置の構成の一例を示すブロック図である。分析モデル解釈装置は、監視対象からその振る舞いとして得られたデータに基づいて構築された分析モデルを解釈するための装置である。対象とする分析モデルは例えばユーザから与えられる。分析モデルは、監視対象の状態、例えば監視対象である製品が不良か否かを判定するための数式である。分析モデルは、監視対象の製品を監視するために設置されたセンサで観測され収集された数値データおよび／または上記数値データを加工した数値データを入力とし、当該製品が不良である確率、あるいは当該製品が不良か否かの判定結果を出力する。この分析モデルを解釈することにより得られた情報は監視対象の状態を判定するのに利用することができる。モータ製造工程を例にとれば、モータの振動を示す振幅や周波数のデータを取得し、そのデータを基に分析モデルを構築し、その分析モデルを解釈することにより、不良品など異常を検知することができる。

本実施形態の分析モデル解釈装置１は、分析モデルにより監視対象の異常を判定する方法に関する情報を提示するものである。また、本実施形態の分析モデル解釈装置１は、ユーザから受理した対象分析モデルと過去に生成した分析モデルとを比較することにより、対象分析モデルの元となったデータには含まれていなかった領域で異常を検知するための特徴量を生成する方法を提示するものである。

図１を参照すると、分析モデル解釈装置１は、メモリ２、ストレージ３、メモリポート４、プロセッサ５、ネットワークＩ／Ｆ（Ｉｎｔｅｒｆａｃｅ）６、ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）８、およびユーザＩ／Ｆ９を有する。メモリポート４には適宜ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）メモリ７が着脱される。上記ＷＡＮ８は一例であり、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）やその他のいかなるネットワークであってもよい。ストレージ３はプログラムおよび／または各種データを格納する。ここでいうデータには、分析モデルを表すモデルデータ、分析モデルを解釈する処理に用いるパラメータや設定のデータが含まれる。ユーザＩ／Ｆ９は、キーボード、マウス、表示装置等であり、ユーザからの入力を受け付け、またユーザへの出力を提示する。

メモリ２は、特徴量解釈プログラム１１および特徴量生成方法選出プログラム１２を含む分析モデル解釈プログラム１０が記憶される。プロセッサ５は、ユーザＩ／Ｆ９からの入力に応じて、それらのプログラムを実行し、処理結果に基づく情報をユーザＩ／Ｆ９へ出力する。

特徴量解釈プログラム１１は、ユーザから受理した分析モデル（対象分析モデル）の特徴量を所定の複数の異常判定特徴に分類する。ここで、異常判定特徴とは、分析モデルにより監視対象が異常か否か判定するための指標である。この異常判定特徴は、分析モデルによる異常の判定に関する特徴をユーザが理解しやすいように定められる。

特徴量生成方法選出プログラム１２は、ユーザから受理した分析モデル（対象分析モデル）の異常判定域と過去に生成した分析モデル（参照分析モデル）の異常判定域とを比較し、対象分析モデルに用いられたデータにおいて未収集の領域で監視対象が異常であるか否か判定するための特徴量を生成する方法を選出する。ここで、異常判定域とは、それぞれの異常判定特徴を軸とした多次元空間上において、分析モデルが不良であると判定する領域のことをいう。

なお、特徴量解釈プログラム１１と特徴量生成方法選出プログラム１２とは一体的に構成されてもよいし、別々に構成されてもよい。また、特徴量解釈プログラム１１および／または特徴量生成方法選出プログラム１２を複数のソフトウェアプログラムで実現してもよい。

図２は、本実施形態に係るモデル解釈装置の概略ブロック図である。プロセッサ５が特徴量解釈プログラム１１を実行することにより特徴量解釈部１００が実現される。また、プロセッサ５が特徴量生成方法選出プログラム１２を実行することにより特徴量生成方法選出部２００が実現される。特徴量解釈部１００には特徴量抽出部１０１と特徴量分類部１０２が含まれる。特徴量生成方法選出部２００には異常判定域作成部２０１、類似モデル選出部２０２、異常域差分算出部２０６、および特徴量生成方法抽出部２０７が含まれる。類似モデル選出部２０２には重複率算出部２０３とランキング作成部２０５が含まれ、その重複率算出部２０３には異常域平行移動部２０４が含まれる。

特徴量抽出部１０１は、分析モデルを作成するためのプログラムを用いて、ユーザから受理した分析モデルの特徴量を示す変数を抽出し、特徴量分類部１０２は、特徴量抽出部１０１が抽出した変数を、その変数が該当する異常判定特徴に分類する。

異常判定域作成部２０１は、対象分析モデルである分析モデルと良品および不良品から取得したサンプルデータとを受理し、サンプルデータを分析モデルに適用して、分析モデルの異常判定域を特定し、異常判定域記憶部３３に登録する。

類似モデル選出部２０２は、過去に異常判定域記憶部３３に登録された分析モデル（参照分析モデル）の中から、対象分析モデルと類似する分析モデル（類似分析モデル）を選出する。
異常域差分算出部２０６は、対象分析モデルの異常判定域と類似分析モデルの異常判定域との差分を算出する。

特徴量生成方法抽出部２０７は、異常域差分算出部２０６が算出した異常判定域の差分で特徴量生成手順記憶部３０を検索し、対象分析モデルの元データが未収集の領域における特徴量を生成する方法を取得する。

重複率算出部２０３は、対象分析モデルと参照分析モデルとの異常判定域の重複率を算出する。ランキング作成部２０５は、重複率算出部２０３が算出した重複率が高い順に参照分析モデルを並べる。例えば重複率が所定の閾値よりも高い参照分析モデルが類似分析モデルとなる。
異常域平行移動部２０４は、対象分析モデルの異常判定域の始点を参照分析モデルの始点に一致させるように対象分析モデルを軸方向に平行移動する。
特徴量生成手順記憶部３０は、異常判定する特徴量を生成するため手順を示す特徴量生成手順データを記憶する。

変数変換方法記憶部３１は、分析モデルを作成するためのプログラム中において変数を変換する前および後の変数名と、変数を変換する関数とを示す変数変換方法データを記憶する。
変数／モデル特性記憶部３２は、変数と分析モデルの異常判定特徴とを示すデータを記憶する。
異常判定域記憶部３３は、分析モデルの異常判定域を示す異常判定域データを記憶する。
重複レコードペア記憶部３４は、異常判定域が重複する分析モデルのペアを示す重複レコードペアデータを記憶する。
図３は、本実施形態において分析モデルを異常判定特徴に分類する処理を示すフローチャートである。

特徴量抽出部１０１は、分析モデルと、その分析モデルの説明変数名と、その分析モデルの元データの変数名、その分析モデルを作成するためのプログラムと、をユーザから受理し、それらを含む分析モデルのデータセットに対してモデルＩＤを発行する（ステップＳ１０）。そして、特徴量抽出部１０１は、データセットに含まれる説明変数名の中から１種類の説明変数を選択し、処理対象とする説明変数の処理待ちの待ち行列に追加する（ステップＳ１１）。その後、特徴量抽出部１０１は、待ち行列から説明変数を取り出す（ステップＳ１２）。ここで、モデルＩＤとは、前記分析モデルを一意に識別する識別子である。

次に、特徴量抽出部１０１は、取りだした説明変数の変数名が元データ中の変数の変数名と一致するか否か判定する（ステップＳ１３）。それらの変数名が一致しない場合、特徴量抽出部１０１は、分析モデルを生成するためのプログラムにおいて、その変数名の説明変数に値を代入している行を取得する（ステップＳ１４）。次に、特徴量抽出部１０１は、当該行において説明変数に代入する値が他の変数から生成した値であるか否か判定する（ステップＳ１５）。説明変数に代入する値が他の変数から生成した値である場合、特徴量抽出部１０１は、当該行において値が代入される説明変数を生成するのに用いられる変数（作成元変数）を、処理対象の変数を処理待ちの待ち行列に追加する（ステップＳ１６）。作成元変数とは、説明変数に代入する値を作成するために演算処理が適用された変数を示す。特徴量抽出部１０１は、ステップＳ１６を実行した後、当該行の演算処理（関数）の演算処理名と、当該行で値を代入される説明変数の変数名と、その説明変数の作成元変数の変数名とを、対象分析モデルの特徴量（変数）のリストの末尾に加える（ステップＳ１７）。

次に、特徴量抽出部１０１は、待ち行列が空か否か判定する（ステップＳ１８）。待ち行列が空であれば、特徴量抽出部１０１は、変数を分類する説明変数分類処理を実行する（ステップＳ１９）。説明変数分類処理の詳細は図５を用いて後述する。待ち行列が空でなければ、特徴量抽出部１０１はステップＳ１２に戻る。

特徴量抽出部１０１は、ステップＳ１９を実行した後、待ち行列に追加していない変数が残っているか否か判定する（ステップＳ２０）。待ち行列に追加していない変数が残っていれば特徴量抽出部１０１はステップＳ１１に戻る。待ち行列に追加していない変数が残っていなければ特徴量抽出部１０１は、特徴量のリストを特徴量分類部１０２に出力して処理を終了する。

ステップＳ１３において、説明変数の変数名が元データ中の変数の変数名と一致した場合、特徴量抽出部１０１はステップＳ１８に進む。また、ステップＳ１５において、説明変数に代入する値が他の変数から生成した値ではない場合、特徴量抽出部１０１はステップＳ２０に進む。

以下、分析モデルを異常判定特徴に分類する処理の具体例を示す。ここでは分析モデルをｙ＝ｗ１＊ｘ１＋ｗ２＊ｘ２とする。分析モデルを作成するためのプログラムを図４に示す。プログラム４００において、元データ４０１は、分析モデルを構築するために用いた元データである。すなわち、ｒｏｗ＿ｄａｔａは、分析モデルの元データの変数である。特徴量４０２は、分析モデルの変数となった特徴量である。すなわち、ｘ１とｘ２は分析モデルの説明変数である。

まず、特徴量抽出部１０１は、ステップＳ１１で変数ｘ１を待ち行列に追加する。次に、特徴量抽出部１０１は、ステップＳ１２で待ち行列から変数を取りだす。このとき待ち行列には変数ｘ１しかないので、それが取りだされる。

次に、特徴量抽出部１０１は、ステップＳ１３において、取りだした変数ｘ１が、図４に示された元データの変数ｒｏｗ＿ｄａｔａと一致しないためにステップＳ１４に移行する。

特徴量抽出部１０１は、ステップＳ１４において、図４のプログラムから変数ｘ１に値を代入している行を取得する。具体的には、特徴量抽出部１０１は、プログラムの４行目のｘ１，ｘ２＝ｓｅｌｅｃｔ＿ｆｒｅｑ（ｔｒａｉｎ＿ｄａｔａ）を取得することになる。次に、特徴量抽出部１０１は、ステップＳ１５の判定において、当該行において変数ｘ１に代入されている値は、他の変数ｔｒａｉｎ＿ｄａｔａから生成した値である、ステップ１６に移行する。ステップＳ１６では、特徴量抽出部１０１は他の変数ｔｒａｉｎ＿ｄａｔａを待ち行列に追加する。

続いて、特徴量抽出部１０１は、ステップＳ１７において、演算処理名ｓｅｌｅｃｔ＿ｆｒｅｑ、変数名ｘ１、作成元変数名ｔｒａｉｎ＿ｄａｔａをリストの末尾に加える。ステップＳ１８の判定で待ち行列が空ではないため、特徴量抽出部１０１はステップＳ１２に移る。今度は、特徴量抽出部１０１は、ステップＳ１２において、待ち行列から変数名ｔｒａｉｎ＿ｄａｔａを取り出すことになる。

次いて、特徴量抽出部１０１は、上記ステップＳ１１からステップＳ１８までをもう一度繰り返し実行する。その結果、プログラムの３行目にある、演算処理名ｔｒａｉｎ＿ｔｅｓｔ＿ｓｐｌｉｔ、変数名ｔｒａｉｎ＿ｄａｔａ、作成元変数名ｆｒｅｑ＿ｄａｔａがリストの末尾に加えられる。

更に、特徴量抽出部１０１は、ステップＳ１１に戻り、ステップＳ１１からステップＳ１８までをもう一度繰り返し実行する。その結果、プログラムの２行目にある、演算処理名ＦＦＴ、変数名ｆｒｅｑ＿ｄａｔａ、作成元変数名ｒｏｗ＿ｄａｔａがリストの末尾に加えられる。

続いて、特徴量抽出部１０１は再びステップＳ１１に移行する。ステップＳ１２において待ち行列から取りだされる変数は変数名ｒｏｗ＿ｄａｔａなので、ステップＳ１３において、その変数の変数名ｒｏｗ＿ｄａｔａと元データの変数の変数名ｒｏｗ＿ｄａｔａが一致する。そのため特徴量抽出部１０１はステップＳ１８に移行する。今度はステップＳ１８の判定で待ち行列が空であるため、特徴量抽出部１０１はステップＳ１９に移行する。

ステップＳ１９において、特徴量抽出部１０１は、説明変数分類処理により変数ｘ１の分類を行う。ここでは変数ｘ１は、異常判定特徴である定常的な周波数を示す“周波数（定常）”に分類されるものとする。

続いて、特徴量抽出部１０１は、ステップＳ２０において、待ち行列に追加していない変数があるか否か確認する。ここでは変数ｘ２をまだ待ち行列に追加されていないので、特徴量抽出部１０１は、ステップＳ１１に戻り、ステップＳ１１において変数ｘ２を待ち行列に追加する。

その後、特徴量抽出部１０１は、変数ｘ２について、上述した変数ｘ１に対する処理と同様の処理を実行する。そして、ここではステップＳ１９において、変数ｘ２は“周波数（定常）”に分類されるものとする。そして、特徴量抽出部１０１は、ステップＳ２０における判定で、待ち行列に追加していない変数がないので、一連の処理を終了することになる。

図５は、図３のステップＳ１９に示された説明変数を分類する処理の詳細フローチャートである。特徴量分類部１０２は、特徴量抽出部１０１からリストを受理し、リストに蓄積されたデータを逆順に並び替えて、変数変換方法記憶部３１に登録する（ステップＳ１００）。続いて、特徴量分類部１０２は、各異常判定特徴の基本的な関数の適用順序（以下、この関数の適用順序を「基本形」と称する）を異常判定特徴毎のレコードとして記憶している特徴量生成手順記憶部３０から、１つの異常判定特徴のレコードを選択し（ステップＳ１０１）、変数変換方法記憶部３１に登録されたリストと、選択したレコードにおける基本形とを突き合わせることにより、変数変換方法記憶部３１に登録されたリストと基本形（関数適用順序データ）における関数の順序が一致するか否か判定する（ステップＳ１０２）。

関数の適用順序のレコードにおける基本形は、異常判定特徴を生成するための関数のリストであり、そのリストには、関数の各レコードには関数の演算処理名が基本形における適用順に並んで記録されている。以降、この基本形のことを関数適用順序データとも呼ぶ。

なお、ここでの変数変換方法記憶部３１に登録されたリストと基本形（関数適用順序データ）における関数の順序の一致は、基本形に順序付けて含まれている全ての関数が、変数変換方法記憶部３１に登録されたリストにおいて、その順序で登場することを意味している。変数変換方法記憶部３１に登録されたリストに、基本形に含まれていない関数が含まれていても関数の順序が一致すると判定される場合がある。ステップＳ１０２にて、変数変換方法記憶部３１に登録されたリストと、選択したレコードにおける基本形のリストとを突き合わせる処理の詳細は図９を参照して後述する。

特徴量分類部１０２は、一致フラグが立っている場合、すなわち、ステップＳ１０２を実行した結果、変数変換方法記憶部３１に登録されたリストにおける関数の順序が関数適用順序データに示された関数の順序と一致していると判定した場合（ステップＳ１０３でＹＥＳ）、分析モデルのモデルＩＤと、変数変換方法記憶部３１に記録されたリスト内の変数と、その変数が該当した異常判定特徴を示す異常判定特徴ＩＤとを変数／モデル特性記憶部３２に登録し（ステップＳ１０６）、終了する。

一方、ステップＳ１０３において、一致フラグが立っていなかった場合、特徴量分類部１０２は、ステップＳ１０１の処理において未だ選択していない関数適用順序データのレコードがあるか否かを確認する（ステップＳ１０４）。未だ選択していない関数適用順序データのレコードがある場合、特徴量分類部１０２は、ステップＳ１０１に戻って次のレコードを選択する。未だ選択していない関数適用順序データのレコードがない場合、特徴量分類部１０２は、変数変換方法記憶部３１に記録されたリスト内の変数を、どの異常判定特徴にも分類されなかった変数（未分類データ）として変数／モデル特性記憶部３２に登録し（ステップＳ１０５）、終了する。
以下、説明変数を分類する処理の具体例を示す。

ステップＳ１００にて、特徴量分類部１０２は、特徴量抽出部１０１からリストを受理する。ここで、上記リストの各行は、３つの要素からなるリストであり、３つの要素は、先頭（左）から順に演算処理名、変数名、作成元変数名である。受理した対象分析モデル特徴量のリストが（（ｓｅｌｅｃｔ＿ｆｒｅｑ，ｘ１，ｔｒａｉｎ＿ｄａｔａ），（ｔｒａｉｎ＿ｔｅｓｔ＿ｓｐｌｉｔ，ｔｒａｉｎ＿ｄａｔａ，ｆｒｅｑ＿ｄａｔａ），（ＦＦＴ，ｆｒｅｑ＿ｄａｔａ，ｒｏｗ＿ｄａｔａ））であるとする。例えば、（ｓｅｌｅｃｔ＿ｆｒｅｑ，ｘ１，ｔｒａｉｎ＿ｄａｔａ）は、関数の演算処理名がｓｅｌｅｃｔ＿ｆｒｅｑであり、値を代入される説明変数の変数名がｘ１であり、その説明変数の作成元変数の変数名がｔｒａｉｎ＿ｄａｔａであることを示している。そして、特徴量分類部１０２は、その受理したリストの特徴量を逆順に入れ替えて変数変換方法記憶部３１に登録する。登録されるリストは、（（ＦＦＴ，ｆｒｅｑ＿ｄａｔａ，ｒｏｗ＿ｄａｔａ），（ｔｒａｉｎ＿ｔｅｓｔ＿ｓｐｌｉｔ，ｔｒａｉｎ＿ｄａｔａ，ｆｒｅｑ＿ｄａｔａ），（ｓｅｌｅｃｔ＿ｆｒｅｑ，ｘ１，ｔｒａｉｎ＿ｄａｔａ））となる。

変数変換方法記憶部３１に登録されたリストは図６に示すようなものとなる。変数変換方法記憶部３１には、ＩＤ３１０、演算処理名３１１、変数名３１２、作成元変数名３１３から構成されたエントリが複数登録されている。ＩＤ３１０は、エントリを一意に特定するための識別番号を示す。演算処理名３１１は、変数名３１２に格納された値を生成するために用いた関数の名称を示す。変数名３１２は、作成元変数名３１３に格納された値を、演算処理名３１１に格納された名称の関数に適用し、その出力結果を格納するための変数の名称を示す。作成元変数名３１３は、演算処理名３１１に格納された名称の関数に適用した変数の名称を示す。例えば、変数名が“ｒｏｗ＿ｄａｔａ”である変数の値を、関数名がＦＦＴである関数に適用し、その関数の出力を“ｆｒｅｑ＿ｄａｔａ”という名称の変数に格納した場合には、図６のＩＤ３１０が“１”であるエントリのように、演算処理名３１１が“ＦＦＴ”であり、変数名３１２が“ｆｒｅｑ＿ｄａｔａ”であり、作成元変数名３１３が“ｒｏｗ＿ｄａｔａ”であるエントリが変数変換方法記憶部３１に登録される。

その後、特徴量分類部１０２は、ステップＳ１０１にて、特徴量生成手順記憶部３０からレコードを１種類選択する。図７に特徴量生成手順記憶部３０に格納されている異常判定特徴の特徴量生成手順を示すデータが示されている。図７を参照すると、特徴量生成手順記憶部３０には、ＩＤ３００、異常判定特徴３０１、基本形３０２から構成されたエントリが複数登録されている。ＩＤ３００は、エントリを一意に特定するための識別番号を示す。異常判定特徴３０１は、それぞれの異常判定特徴の名前を示す。基本形３０２は、当該異常判定特徴を生成するために適用する関数群の各関数の名称をその関数を適用する順序に配列した関数名のリストを示す。

例えば、定常的に周波数が高いときに異常であると判定するための特徴量が、振動データにＦＦＴ（Ｆａｓｔ Ｆｏｕｒｉｅｒ Ｔｒａｎｓｆｏｒｍ）を適用して生成されるものである場合、特徴量生成手順記憶部３０には、異常判定特徴３０１が、定常的に周波数が高いときに異常判定するということを示す“周波数（定常）”であり、基本形３０２が“ＦＦＴ”であるエントリが登録される。図７には、ＩＤ３００が“１”であるエントリとして、異常判定特徴３０１に“周波数（定常）”、基本形３０２に“ＦＦＴ”がそれぞれ設定されたエントリがある。

続いて、特徴量分類部１０２は、ステップＳ１０２～Ｓ１０３にて、変数変換方法記憶部３１に登録されたリストの演算処理名３１１の欄と、特徴量生成手順記憶部３０から選択したレコードの基本形３０２の欄とを突き合わせて関数の適用順序が一致しているか否か判定する。

ここでは、基本形３０２の欄にＦＦＴのみが設定されており、演算処理名３１１の欄にＦＦＴが含まれているため、関数の適用順序が一致したと判定される。そこで、特徴量分類部１０２は、変数／モデル特性記憶部３２の変数特性記憶部３２Ａに、対象分析モデルのモデルＩＤ“１”、変数ｘ１、その変数が該当した異常判定特徴の異常判定特徴ＩＤ“１”を登録する。図８には、変数特性記憶部３２Ａに登録された変数の分類のデータが示されている。図８を参照すると、変数特性記憶部３２Ａには、モデルＩＤ３２０、変数名３２１、異常判定特徴ＩＤ３２２から構成されたエントリが複数登録されている。

モデルＩＤ３２０は、分析モデルを一意に特定する識別子を示す。変数名３２１は、その分析モデルの変数となっている特徴量の名称を示す。異常判定特徴ＩＤ３２２は変数名３２１に示された名称の変数が該当する異常判定特徴を示す識別子を示す。異常判定特徴ＩＤ３２２には、図７に例示した特徴量生成手順記憶部３０に登録されたＩＤ３００と同じ値が格納される。例えば、モデルＩＤが１である分析モデルに関して、特徴量が変数ｘ１であり、変数ｘ１の周波数が定常的に高いときに異常と判定する場合、図８に示すように、モデルＩＤ３２０が“１”であり、変数名３２１が“ｘ１”であり、異常判定特徴ＩＤが“１”であるエントリが変数特性記憶部３２Ａに登録される。ここでは、定常的に周波数が高いときに異常と判定する異常判定特徴の異常判定特徴ＩＤは１であるとしている。図８の１行目には、モデルＩＤ“１”、変数ｘ１、異常判定特徴ＩＤ“１”が示されている。

図９は、図５のステップＳ１０２に示した、リストと関数適用手順データを突き合わせる処理の詳細フローチャートである。図９の処理のためにカウンタ値を格納する変数ｉ、ｊが定義される。最初に、特徴量分類部１０２は、変数ｉ、ｊに０を代入する（ステップＳ１０００）。

次に、特徴量分類部１０２は、関数適用順序データにおけるある行からｉ番目の関数名を取得し（ステップＳ１００１）、変数変換方法記憶部３１に登録されたリストからｊ番目（ｊ行目）の関数名を取得する（ステップＳ１００２）。ここで取得される関数適用順序データはステップＳ１０１で選択されたレコードのデータである。また、ここで取得される関数名は、ステップＳ１００にて関数を逆順にしたリストである。

関数適用順序データのｉ番目の関数名がリストのｊ番目の関数名と一致する場合（ステップＳ１００３のＹＥＳ）、特徴量分類部１０２は、変数ｉをインクリメントする（ステップＳ１００４）。続いて、特徴量分類部１０２は、変数ｊをインクリメントする（ステップＳ１００５）。

次に、特徴量分類部１０２は、変数ｉが関数適用順序データの要素数（関数の個数）と一致するか否か判定する（ステップＳ１００６）。変数ｉが関数適用順序データの要素数と一致した場合には、特徴量分類部１０２は、一致フラグを立てて（ステップＳ１００７）、終了する。

ステップＳ１００６において、変数ｉが関数適用順序データの要素数（関数の個数）と一致しない場合、特徴量分類部１０２は、変数ｊが、変数変換方法記憶部３１に登録されたリストの要素数（関数の個数）と一致するか否か確認する（ステップＳ１００８）。

変数ｊが、変数変換方法記憶部３１に登録されたリストの要素数（関数の個数）と一致する場合（ステップＳ１００８のＹＥＳ）、特徴量分類部１０２は、本処理を終了する。変数ｊが、変数変換方法記憶部３１に登録されたリストの要素数（関数の個数）と一致しない場合（ステップＳ１００８のＮＯ）、特徴量分類部１０２はステップＳ１００１に戻る。
以下、リストと関数適用順序データを突き合わせる処理の具体例を示す。

ここでは、図６に示したリストと、図７の１行目（ＩＤ３００＝１）に示した「周波数（定常）」という異常判定特徴の関数適用順序データとを突き合わせる例を示す。

図７を参照すると、関数順序データの基本形の関数のリストが（ＦＦＴ）である。図６を参照すると、特徴量に対する関数の適用順序のリストが（ＦＦＴ，ｔｒａｉｎ＿ｔｅｓｔ＿ｓｐｌｉｔ，ｓｅｌｅｃｔ＿ｆｒｅｑ）である。

ステップＳ１００１にて、特徴量分類部１０２は、変数ｉ＝０なので、図７の関数適用順序データから０番目の関数の関数名ＦＦＴを取得する。そして、ステップＳ１００２にて、特徴量分類部１０２は、変数ｊ＝０なので、図６のリストから０番目の関数の関数名ＦＦＴを取得する。

そして、特徴量分類部１０２は、ステップＳ１００３で、ステップＳ１００１で取得した関数名と、ステップＳ１００２で取得した関数名とが一致するか否か判定する。ここでは一致するので、特徴量分類部１０２は、ステップＳ１００４で、変数ｉをインクリメントしてｉ＝１とし、ステップＳ１００５で変数ｊをインクリメントしてｊ＝１とする。

続いて、特徴量分類部１０２は、ステップＳ１００６において、変数ｉと関数適用順序データの要素数とを比較する。ここでは、図７の関数適用順序データの要素はＦＦＴだけであり、要素数が１なので、変数ｉと関数適用順序データの要素数が一致する。特徴量分類部１０２は、ステップＳ１００７に移行し、当該関数適用順序データに対応する一致フラグを立てて処理を終了する。
図１０は、本実施形態において異常判定域のデータを作成する処理のフローチャートである。

異常判定域作成部２０１は、ユーザから対象分析モデルと、良品および不良品から取得したサンプルデータと、不良判定閾値とを受理する（ステップＳ２１）。不良判定閾値は、データにおける変数の値により監視対象が良品か不良品かを判定するための閾値である。

図１１は、異常判定域を特定する方法の一例を説明するための図である。複数の変数がある場合には、不良判定閾値は、例えば、図１１に示すように、各変数を軸とする空間において、良品の領域と不良品の領域を分ける線あるいは面として示される。図１１において、縦軸の変数は５０Ｈｚにおける音圧であり、横軸の変数は２０Ｈｚにおける音圧である。不良判定閾値４０４は、分析モデルがサンプルデータを良品のデータか不良品のデータか判定するための境界線である。不良品データ４０５は、不良品から収集した振動のデータである。不良判定境界点４０６は、不良判定閾値４０４上にあり、サンプルデータを不良データか否かを判定するための境界点である。

異常判定域作成部２０１は、サンプルデータを１種類選択して対象分析モデルに適用する（ステップＳ２２）。そして、異常判定域作成部２０１は、対象分析モデルによりサンプルデータが良品のデータと判定されるか不良品のデータと判定されるかを判定する（ステップＳ２３）。対象分析モデルによりサンプルデータが不良品のデータであると判定した場合（ステップＳ２３のＹＥＳ）、異常判定域作成部２０１は、特徴量を１つ選択し（ステップＳ２４）、不良判定境界点を算出し、異常判定域記憶部３３にレコードを登録する（ステップＳ２５）。

ここで不良判定境界点は、対象分析モデルがサンプルデータを不良品か否か判定する境界点を示す。サンプルデータが不良と判定されるように、不良判定境界点が決定される。図１１の例では、サンプルデータが不良品データ４０５である。不良品データ４０５から各軸に垂直に移動し、不良判定閾値４０４と交差した点が不良判定境界点４０６である。

ステップＳ２５実行後、異常判定域作成部２０１は、未だ選択していない特徴量があるか否か判定する（ステップＳ２６）。未だ選択していない特徴量があれば異常判定域作成部２０１はステップＳ２４に戻る。未だ選択していない特徴量がなれば異常判定域作成部２０１は、未だ選択していないサンプルデータがあるか否か判定する（ステップＳ２７）。未だ選択していないサンプルデータがあれば異常判定域作成部２０１はステップＳ２２に戻る。未だ選択していないサンプルデータがなれば異常判定域作成部２０１は、異常判定特徴（図１１における軸）毎に合計異常判定域を算出する（ステップＳ２８）。合計異常判定域は、各軸上における不良品データ４０５の値と不良判定境界点４０６の値との差を、各軸の分だけ合計した値である。図１１の例では、横軸の（３０－１０）ｄＢと、縦軸の（６０－１０）ｄＢを合計した、７０ｄＢが合計異常判定域となる。
そして、異常判定域作成部２０１は、合計異常判定域の値の大きい順に異常判定特徴を並べてモデル特性記憶部３２Ｂに登録し（ステップＳ２９）、終了する。
ステップＳ２３において、異常判定域作成部２０１が、サンプルデータを不良品データと判定しない場合、ステップＳ２７に進む。
以下、異常判定域を作成する処理の具体例を示す。

ここでは、対象分析モデルのモデルＩＤが３であり、対象分析モデルがｙ＝ｗ１＊ｘ１＋ｗ２＊ｘ２と表されるものとする。サンプルデータが図１１に示した不良品データ４０５であり、（（１０，６０），（４０，４０））であるものとする。例えば、（１０，６０）は２０Ｈｚにおける音圧が１０ｄＢであり５０Ｈｚにおける音圧の６０ｄＢであることを示している。図１１における、良品か不良品かの判定の基準は不良判定閾値４０４に示す曲線である。図１１において不良判定閾値４０４上かそれよりも上側にあるデータは不良品データと判定される。ここで、上記対象分析モデルｙの変数ｘ１は２０Ｈｚに関する音圧であり、ｘ２は５０Ｈｚに関する音圧であり、係数ｗ１は変数ｘ１へ加えられる重みであり、係数ｗ２は変数ｘ２へ加えられる重みである。サンプルデータは複数の製品から取得されたデータのリストであり、サンプルデータの各要素は１つの製品から収集した振動データの特徴量である。その要素には、２０Ｈｚにおける音圧と、５０Ｈｚにおける音圧に関する特徴量が含まれる。

図１０のフローチャートにおけるステップＳ２２において、異常判定域作成部２０１は、サンプルデータの中からある（１０，６０）というサンプルデータ４０５を取り出し、対象分析モデルｙに代入する。図１１に示すように、サンプルデータ４０５は不良判定閾値４０４よりも上側にあるので、サンプルデータ４０５は不良品データと判定される。

異常判定域作成部２０１は、ステップＳ２４に移行し、ステップＳ２４において、変数ｘ１を選択する。続いて、異常判定域作成部２０１は、ステップＳ２５において、図１１に示すように不良判定境界点４０６を算出する。更に、異常判定域作成部２０１は、ステップＳ２６において、変数ｘ２が未選択であるため、ステップＳ２４に戻る。そして、異常判定域作成部２０１は、ステップＳ２５の処理を実行し、変数ｘ２の不良判定境界点を算出する。今度は、ステップＳ２６において未選択のサンプルデータがないために、異常判定域作成部２０１は、ステップＳ２７に移行する。ステップＳ２７において、サンプルデータ（４０，４０）が未だ選択されていなので、異常判定域作成部２０１は、ステップＳ２２に戻ってサンプルデータ（４０，４０）を対象分析モデルｙに適用する。

サンプルデータ（４０，４０）は図１１に示した不良判定閾値４０４よりも下側に位置するので、ステップＳ２３にて不良品データでないと判定される。したがって、異常判定域作成部２０１はステップＳ２７に移行する。ステップＳ２７において、異常判定域作成部２０１は、こんどは、未だ選択していないサンプルデータがないために、ステップＳ２８に移行する。ステップＳ２８において、異常判定域作成部２０１は、異常判定特徴毎に合計異常域を算出する。

ここで、“２０Ｈｚにおける音圧”という変数と、“５０Ｈｚにおける音圧”という変数は、いずれも“周波数（定常）”という異常判定特徴に該当する。各変数の異常判定域は図１１に示すように、３０－１０＝２０と６０－１０＝５０である。そのため、異常判定特徴“周波数（定常）”の合計異常域は２０＋５０＝７０［ｄＢ］となる。ここでは異常判定特徴が“周波数（定常）”という１つのみであるため、ステップＳ２９においてソートされた結果は、“周波数（定常）”だけとなる。

モデル特性記憶部３２Ｂに登録されるデータの一例を図１２に示す。図１２を参照すると、モデル特性記憶部３２Ｂには、モデルＩＤ３２３と異常判定特徴ＩＤ３２４とから構成されたエントリが複数登録されている。モデルＩＤ３２３は、分析モデルを一意に特定する識別番号であり、図８のモデルＩＤ３２０と同じ値が設定される。異常判定特徴ＩＤ３２４は、異常判定特徴を一意に特定する識別番号であり、図８の異常判定特徴ＩＤ３２２と同じ値が登録される。例えば、モデルＩＤが１である分析モデルに関して、定常的に周波数が高いときに異常と判定する異常判定特徴と、定常的に振幅が大きいときに異常と判定する異常判定特徴とがある場合、モデルＩＤ３２３が“１”であり、異常判定特徴ＩＤが“１，２”であるエントリがモデル特性記憶部３２Ｂに登録される。ここで、定常的に周波数が高いときに異常と判定するという異常判定特徴の異常判定特徴ＩＤは１であり、定常的に振幅が大きいときに異常と判定する異常判定特徴の異常判定特徴ＩＤは２であるとしている。

図７に示すように、“周波数（定常）”という異常判定特徴の異常判定特徴ＩＤが“１”なので、異常判定域作成部２０１は、図１２に示したモデル特性記憶部３２Ｂに、モデルＩＤが“３”で異常判定特徴ＩＤが“１”であるエントリを格納する。
図１３は、本実施形態において類似分析モデルを選出する処理を示すフローチャートである。

類似モデル選出部２０２は、対象分析モデルに関する異常判定域のレコードリストを異常判定域記憶部３３から選択する（ステップＳ３０）。更に、類似モデル選出部２０２は、参照分析モデルに関する異常判定域のレコードリストを異常判定域記憶部３３から選択する（ステップＳ３１）。異常判定域のレコードリストには、各異常判定特徴（軸）の異常判定域を示す情報が格納されている。類似モデル選出部２０２は、対象分析モデル及び参照分析モデルのレコードリストを軸名及び軸始点の複数キーによる順序に並べ替える（ステップＳ３２）。これにより対象分析モデルの異常判定域と参照分析モデルの異常判定域とを対比しやすくなる。なお、軸には始点および／または終点が定められている場合があり、その場合それらを軸始点、軸終点と呼ぶ。

類似モデル選出部２０２は、それら２つの異常判定域のレコードリストを重複率算出部２０に適用して異常判定域の重複率を算出する（ステップＳ３３）。重複率を算出する処理の詳細は図１５を参照して後述する。

類似モデル選出部２０２は、未だ選択していない参照分析モデルがあるか否か判定する（ステップＳ３４）。未だ選択していない参照分析モデルがあれば、類似モデル選出部２０２は、ステップＳ３１に戻る。

ステップＳ３４にて未だ選択していない参照分析モデルがない場合、類似モデル選出部２０２は、対象分析モデルとの異常判定域の重複率が閾値以上である参照分析モデルを類似分析モデルとして抽出する（ステップＳ３５）。その後、類似モデル選出部２０２は、１種類の類似分析モデルを選択し（ステップＳ３６）、対象分析モデルと前記選択した類似分析モデルの両方のモデルＩＤを含むレコードを重複レコードペア記憶部３４から取得する（ステップＳ３７）。重複レコードペア記憶部３４には、対象分析モデルと参照分析モデルとを重複レコードペアとし、各重複レコードペアの軸方向の相対的な調整量を示す軸差分が記録されている。ここで、軸差分とは、対象分析モデルの軸始点から参照分析モデルの軸始点を減算した値である。対象分析モデルと参照分析モデルのいずれかの軸終点が空である場合には、軸差分は空とする。

類似モデル選出部２０２は、取得した重複レコードペアを用いて、対象分析モデルとの差分の大きい類似分析モデルを抽出する（ステップＳ３８）。対象分析モデルと類似分析モデルとの差分が大きいか否かは、対象分析モデルと類似分析モデルとの差分面積に基づいて決定される。対象分析モデルと類似分析モデルの差分面積は、異常判定特徴の異常判定域の重複していない領域を合計したものである。対象分析モデルとの差分の大きい類似分析モデルを抽出する処理の詳細は図１７を参照して後述する。

続いて、類似モデル選出部２０２は、未だ選択していない類似分析モデルがあるか否か判定する（ステップＳ３９）。未だ選択していない類似分析モデルがあれば、類似モデル選出部２０２はステップＳ３６に戻り、新たな類似分析モデルを選択して処理を繰り返す。ステップＳ３９において未だ選択していない類似分析モデルがない場合、類似モデル選出部２０２は、各類似分析モデルにおける対象分析モデルとの差分の大きい異常判定特徴を出力し（ステップＳ４０）、終了する。
以下、類似分析モデルを選択する処理の具体例を示す。

図１４は、異常判定域記憶部３３に格納されるデータの一例を示す図である。異常判定域記憶部３３には、ＩＤ３３０、モデルＩＤ３３１、軸名３３２、軸始点３３３、軸終点３３４、異常域始点３３５、異常域終点３３６から構成されたエントリが複数登録されている。ＩＤ３３０はエントリを一意に特定する識別番号を示す。モデルＩＤ３３１は分析モデルを一意に特定する識別番号を示し、図８のモデルＩＤ３２０と同じ値が設定される。軸名３３２は、軸に対応付けられた異常判定特徴の異常判定特徴ＩＤを示し、図７の異常判定特徴３０１と同じ値が設定される。軸始点３３３及び軸終点３３４は、それぞれ、軸名３３２に格納された異常判定特徴を軸とした場合の軸の始点及び終点を示す。異常域始点３３５及び異常域終点３３６は、軸始点３３３の値から軸終点３３４の値までの範囲における異常判定域の始点及び終点を示す。例えば、モデルＩＤが１の分析モデルに関して、周波数が１０Ｈｚであり振動音が１０ｄＢから３０ｄＢまでの範囲にある場合に異常であると判定する場合、モデルＩＤ３３１が“１”であり、軸名３３２が“周波数（定常）”であり、軸始点３３３が“１０Ｈｚ”であり、異常域始点３３５が“１０ｄＢ”であり、異常域終点３３６が“３０Ｈｚ”であるエントリが、異常判定域記憶部３３に登録される。図１４の例では、ＩＤ３３０が“１”であるエントリにそのデータが格納されている。この例では、軸に終点がないので、軸終点３３４が空（－）となっている。

ここでは、ステップＳ３０において、類似モデル選出部２０２は、モデルＩＤ＝３である対象分析モデルの異常判定域のレコードリストとして、図１４におけるＩＤ＝５のレコードと、ＩＤ＝６のレコードを取得する。そして、ステップＳ３１において、類似モデル選出部２０２は、モデルＩＤ＝１である参照分析モデルを選択する。図１４の例では、ＩＤ＝１、２、３の３種類のレコードが取得される。

ステップＳ３２を経て、ステップＳ３３において、類似モデル選出部２０２が算出する対象分析モデルと参照分析モデルの異常判定域の重複率は８３％である。ここではステップＳ３４にて未選択の参照分析モデルはないものとする。

また、ここでは類似分析モデルとするか否かを判定するための重複率の閾値が６０％であるとする。重複率８３％が閾値６０％以上であるため、ステップＳ３５において、類似モデル選出部２０２は、モデルＩＤ＝１の参照分析モデルを、モデルＩＤ＝３の対象分析モデルの類似分析モデルとして選出する。類似モデル選出部２０２は、ステップＳ３６にてその類似分析モデルを選択し、ステップＳ３７にて、その対象分析モデルと参照分析モデルのペアについての重複レコードペアを取得する。その重複レコードペアにはそれら対象分析モデルと参照分析モデルの軸差分が記録されている。

ステップＳ３８では、類似モデル選出部２０２は、軸差分を利用して、対象分析モデルと参照分析モデルとにおいて軸名が一致する軸（共通する異常判定特徴）の異常判定域の重複していない領域の面積を合計した差分面積を算出する処理（図１７）を実行する。ここでは、“振幅（定常）”という異常判定特徴に関する差分面積が抽出される。その後、ステップＳ３９にて未だ選択していない類似分析モデルはないので、類似モデル選出部２０２は、ステップＳ４０において、対象分析モデルに関して、データが十分に収集されていない異常判定特徴として“振幅（定常）”を出力してユーザに提示する。またその異常判定特徴の特徴量生成方法をユーザに提示してもよい。

図１５は、図１３のステップＳ３３に示した、対象分析モデルと参照分析モデルとの異常判定域の重複率を算出する処理のフローチャートである。本処理において参照分析モデルは類似分析モデルであってもよい。

重複率算出部２０３は、対象分析モデルに関する異常判定域のレコードリストから１種類のレコードを選択する（ステップＳ２００）。また、重複率算出部２０３は、参照分析モデルに関する異常判定域のレコードリストから１種類のレコードを選択する（ステップＳ２０１）。そして、重複率算出部２０３は、参照分析モデルの取得したレコードに対して、取得を行ったことを示すチェックフラグを立てる（ステップＳ２０２）。

続いて、重複率算出部２０３は、対象分析モデルと参照分析モデルの重複面積を算出する（ステップＳ２０３）。具体手には、重複率算出部２０３は、まず、対象分析モデルの軸始点に参照分析モデルのレコードに示された軸始点の値を代入する。次に、重複率算出部２０３は、対象分析モデルのレコードにおける軸終点が空であれば、対象分析モデルのレコードにおける軸始点から参照分析モデルの軸始点を減算し、減算により得られた値を対象分析モデルの軸終点に代入する。空というのは値が存在しないことを言う。更に、重複率算出部２０３は、軸重複長と異常判定域重複長との積を算出し、得られた値を、対象分析モデルと参照分析モデルの重複面積とする。
ここで、軸重複長は、対象分析対象モデルと参照分析モデルのレコードにおける重複している軸上の部分の長さである。軸重複長は以下のように算出される。

（ａ） 対象分析モデルのレコードにおける軸終点と参照分析モデルのレコードにおける軸終点とがいずれも空（値が存在しない）でなければ、軸重複長は式（１）で算出される。
軸重複長＝ＭＩＮ（ａｘｉｓ＿ｘ．ｔａｉｌ，ａｘｉｓ＿ｙ．ｔａｉｌ）－ＭＡＸ（ａｘｉｓ＿ｘ．ｈｅａｄ，ａｘｉｓ＿ｙ．ｈｅａｄ）・・・（１）

式（１）において、ＭＩＮ（ｘ，ｙ）はｘとｙの値の小さい方を返す関数である。ＭＡＸ（ｘ，ｙ）はｘとｙの値の大きい方を返す関数である。ａｘｉｓ＿ｘ．ｔａｉｌは対象分析モデルのレコードにおける軸終点の値である。ａｘｉｓ＿ｙ．ｔａｉｌは参照分析モデルのレコードにおける軸終点の値である。ａｘｉｓ＿ｘ．ｈｅａｄは対象分析モデルのレコードにおける軸始点の値である。ａｘｉｓ＿ｙ．ｈｅａｄは参照分析モデルのレコードにおける軸始点の値である。

（ｂ） 対象分析モデルのレコードにおける軸終点と参照分析モデルのレコードにおける軸終点とのいずれか一方のみが空（値が存在しない）であり、かつ、軸終点が空でない方の軸始点の値が他方の軸始点以上軸終点以下であれば、軸重複長＝１とする。

（ｃ） 対象分析モデルのレコードにおける軸終点と参照分析モデルのレコードにおける軸終点とのいずれもが空であり、軸始点が一致する場合には軸重複長＝１とする。
（ｄ） 上記（ａ）～（ｃ）のいずれにも該当しない場合には軸重複長＝０とする。

また、ここで、異常判定域重複長は、特定の異常判定特徴における特定の区間または点に関して、対象分析モデルと参照分析モデルの異常判定域が重複する部分の長さである。異常判定域重複長は式（２）により算出される。

異常判定域重複長＝ＭＩＮ（ｒｅｇｉｏｎ＿ｘ．ｔａｉｌ，ｒｅｇｉｏｎ＿ｙ．ｔａｉｌ）－ＭＡＸ（ｒｅｇｉｏｎ＿ｘ．ｈｅａｄ，ｒｅｇｉｏｎ＿ｙ．ｈｅａｄ）・・・（２）

式（２）において、ｒｅｇｉｏｎ＿ｘ．ｔａｉｌは対象分析モデルのレコードの異常域終点である。ｒｅｇｉｏｎ＿ｙ．ｔａｉｌは参照分析モデルのレコードの異常域終点である。ｒｅｇｉｏｎ＿ｘ．ｈｅａｄは対象分析モデルのレコードの異常域始点である。ｒｅｇｉｏｎ＿ｙ．ｈｅａｄは参照分析モデルのレコードの異常域始点である。異常域始点は異常判定域の始点のことである。

ステップＳ２０４にて、重複率算出部２０３は、重複面積が０より大きいか否か判定する。重複面積が０より大きい場合（ステップＳ２０４のＹＥＳ）、重複率算出部２０３は、重複面積を合計重複面積に加算する（ステップＳ２０５）。更に、重複率算出部２０３は、対象分析モデルのモデルＩＤ、参照分析モデルのモデルＩＤ、軸差分をそれぞれ元レコードＩＤ３４０、先レコードＩＤ３４１、軸差分３４２として重複レコードペア記憶部３４に登録する（ステップＳ２０６）。

ステップＳ２０６を実行した後、あるいはステップＳ２０４にて重複面積が０以下であったとき、重複率算出部２０３は、参照分析モデルのレコードリスト中にチェックフラグが立っていないレコードがあるか否か判定する。チェックフラグが立っていないレコードは、ステップＳ２０１にて選択されていないレコードである。参照分析モデルのレコードリスト中にチェックフラグの立っていないレコードがある場合（ステップＳ２０７のＹＥＳ）、重複率算出部２０３は、ステップＳ２０１に戻ってチェックフラグが立っていないレコードを選択する。

参照分析モデルのレコードリスト中にチェックフラグの立っていないレコードがない場合（ステップＳ２０７のＮＯ）、重複率算出部２０３は、参照分析モデルのレコードリスト内の全てのチェックフラグをリセットする（ステップＳ２０８）。更に、重複率算出部２０３は、対象分析モデルのレコードリストからステップＳ２００にて選択してないレコードがあるか否か判定する（ステップＳ２０９）。対象分析モデルのレコードリストに選択されていないレコードがあれば、重複率算出部２０３は、ステップＳ２００に戻って未だ選択されていないレコードを選択する。

ステップＳ２０９にて対象分析モデルのレコードリストに選択されていないレコードがなければ、重複率算出部２０３は、対象分析モデルのレコードリストのモデル面積を算出する（ステップＳ２１０）。ここでモデル面積は、対象分析モデルの全てのレコードの軸長と異常判定域長の積を合計したものである。軸長は軸始点から軸終点までの長さである。ただし軸終点が空である場合には軸長を１とする。異常判定域長は、異常域始点から異常域終点までの長さである。
更に、重複率算出部２０３は、上述した合計重複面積を、上述したモデル面積で除算して得られた値を重複率とする（ステップＳ２１１）。
以下、対象分析モデルと類似分析モデルの重複率を算出する処理の具体例を示す。

ここでは、対象分析モデルのモデルＩＤが３であり、参照分析モデルのモデルＩＤが１であるとする。また、モデルＩＤが１、２、３という３つの分析モデルに関する異常判定域のレコードが図１４に示した通りであるとする。すなわち、モデルＩＤが１である参照分析モデルの異常判定域について、図１４に示されたＩＤが１、２、３というレコードがある。モデルＩＤが３である対象分析モデルの異常判定域について、図１４に示されたＩＤが５、６というレコードがある。

まず、ステップＳ２００において、重複率算出部２０３は、図１４に示されたレコードリストから、対象分析モデルのレコードとして、ＩＤが５のレコードを選択する。続いて、ステップＳ２０１において、重複率算出部２０３は、図１４に示されたレコードリストから、参照分析モデルのレコードとして、ＩＤが１のレコードを選択する。そして、ステップＳ２０２において、重複率算出部２０３は、ＩＤが１のレコードにチェックフラグを立てる。

ステップＳ２０３において、重複率算出部２０３は、図１４に示された異常判定域のリストにおいて、ＩＤが５のレコードの軸始点の値が１０Ｈｚである一方、ＩＤが１のレコードの軸始点の値が２０Ｈｚであるため、異常域平行移動部２０４により、ＩＤが５のレコードの軸始点の値に２０Ｈｚを代入して異常判定域を平行移動する。そして、重複率算出部２０３は、平行移動した後のＩＤが５のレコードとＩＤが１のレコードとの異常判定域の重複面積を算出する。ここで求まる重複面積はＭＩＮ（４０，３０）－ＭＡＸ（１０，１０）＝２０となる。

重複率算出部２０３は、ステップＳ２０４の判定において重複面積が０より大きいためステップＳ２０５に移行する。ステップＳ２０５において、重複率算出部２０３は、保持している合計重複面積に、今回算出した重複面積の２０を加算する。続いて、重複率算出部２０３は、ステップＳ２０６において、重複レコードペア記憶部３４に重複レコードペアのエントリを登録する。

図１６は、重複レコードペア記憶部３４に格納されるデータの一例を示す図である。重複レコードペア記憶部３４には、２つの分析モデル例えば対象分析モデルと参照分析モデルとの異常判定特徴の関係が示される。一方の分析モデルの異常判定特徴が元レコードとして示され、他方の分析モデルの異常判定特徴が先レコードとして示される。ここでは対象分析モデルの異常判定特徴を元レコードとして示し、参照分析モデルの異常判定域を先レコードとして示す。重複レコードペア記憶部３４には、元レコードＩＤ３４０、先レコードＩＤ３４１、軸差分３４２から構成されたエントリが複数登録されている。元レコードＩＤ３４０は、対象分析モデルに関する異常判定域の各レコード（元レコード）を示す識別番号を示す。先レコードＩＤ３４１は、参照分析モデルに関する異常判定域の各レコード（先レコード）を示す識別番号を示す。軸差分は、それら２種類のレコードにおける異常判定特徴の軸始点３３３の差分を示す。ここで、元レコードおよび先レコードは、異常判定域記憶部３３に格納された各レコードを示し、それらのレコードを異常判定域レコードとも呼ぶ。例えば、図１４において、ＩＤが１である異常判定域レコードと、ＩＤが５である異常判定域レコードとに関して、その２種類のレコードの軸始点の差分が１０Ｈｚである場合、図１６の重複レコードペア記憶部３４には、元レコードＩＤ３４０が“１”であり、先レコードＩＤ３４１が“５”であり、軸差分３４２が“１０Ｈｚ”であるエントリが登録される。

図１５の処理において、続いて、重複率算出部２０３は、ステップＳ２０６において、図１６に示すように、重複レコードペア記憶部３４に、元レコードＩＤが１であり先レコードＩＤが５であり軸差分が１０Ｈｚであるというエントリを登録する。重複レコードペア記憶部３４に格納した軸差分の１０Ｈｚは、ＩＤが１のレコードの軸始点の値からＩＤが５のレコードの軸始点を減算した値である。

モデルＩＤが１である参照分析モデルについて、図１４の異常判定域のリストにはＩＤが２のレコードとＩＤが３のレコードが未選択で残っている。したがって、ステップＳ２０７の判定がＹＥＳとなり、重複率算出部２０３は、上記ステップＳ２０１からステップ２０６までの処理を、ＩＤが２のレコードについて実施する。さらに、重複率算出部２０３は、上記ステップＳ２０１からステップ２０６までの処理を、ＩＤが３のレコードについても実施する。その結果、合計重複面積は５０となる。その後のステップＳ２０７では、モデルＩＤが１である参照分析モデルの全ての異常判定域が選択され、すなわち、図１４におけるＩＤが１、２、３のレコードに対するチェックフラグが立っているので、重複率算出部２０３は、ステップＳ２０８に移行してそれらのチェックフラグを、立っていない状態にリセットする。

次に、重複率算出部２０３は、ステップＳ２０９において、対象分析モデルについての異常判定域のレコードとして、ＩＤが６のレコードが未選択で残っているので、ステップＳ２００に移行する。そして、重複率算出部２０３は、ステップＳ２００にてＩＤが６のコレードを選択し、これまでＩＤが５のレコードに対して実行した処理と同様の処理を実行し、それが終わるとステップＳ２１０に移行する。

ステップＳ２１０において、重複率算出部２０３は、ＩＤが５の異常判定域のレコードとＩＤが６の異常判定域のレコードについて、異常判定域の面積を算出し、それらの合計であるモデル面積を算出する。ここではどちらのレコードも軸終点が空なので軸長は１となる。したがって、モデル面積は(４０－１０）＋（４０－１０）＝６０となる。そして、ステップＳ２１１において、重複率算出部２０３は、合計重複面積＝５０をモデル面積＝６０で除算することにより、重複率８３％を算出して本処理を終了する。
図１７は、図１３のステップＳ３８に示した、対象分析モデルとの差分の大きい類似分析モデルを抽出する処理のフローチャートである。

異常域差分算出部２０６は、ステップＳ３７において取得した重複レコードペアの情報を類似モデル選出部２０２から取得し、その重複レコードペアのうち1種類の重複レコードペアを選択する（ステップＳ２１２）。続いて、異常域差分算出部２０６は、選択した重複レコードペアの元レコードＩＤ３４０及び先レコードＩＤ３４１をキーとして異常判定域記憶部３３の中を検索し、該当するレコードを特定する（ステップＳ２１３）。すなわち、異常判定域記憶部３３に記憶されているレコードの中から、モデルＩＤ３３１が元レコードＩＤ３４０または先レコードＩＤ３４１と一致するレコードを特定する。以降、モデルＩＤ３３１が元レコードＩＤ３４０と一致した異常判定域のレコードを元レコードと呼び、モデルＩＤ３３１が先レコードＩＤ３４１と一致した異常判定域のレコードを先レコードと呼ぶことにする。

続いて、異常域差分算出部２０６は、元レコードと先レコードの軸名が一致するか否か判定する（ステップＳ２１４）。元レコードと先レコードの軸名が一致していたら、異常域差分算出部２０６は、ステップＳ２１２にて選択した重複レコードペアの軸差分が空か否かを判定する（ステップＳ２１５）。軸差分が空ではない場合、異常域差分算出部２０６は、異常判定域を平行移動する（ステップＳ２１６）。異常判定域の平行移動は、具体的には、元レコードの軸始点に軸差分の値を加算し、元レコードの軸終点が空ではなければ軸終点に軸差分の値を加算する処理である。

次に、異常域差分算出部２０６は、元レコード及び先レコードに関してそれぞれモデル面積を求め、それらの面積の和を演算し、その面積の和から、元レコードと先レコードの重複面積を減算して差分面積を算出する（ステップＳ２１７）。モデル面積の軸毎の値は、軸終点が空である場合、異常域終点から異常域始点を減算した値である。軸終点が空ではない場合、モデル面積の軸毎の値は、軸終点から軸始点を減算した値と異常域終点から異常域始点を減算した値との積である。なお、ステップＳ２０３でも差分面積を算出しているので、ステップＳ２１７では、ステップＳ２０３にて算出した差分面積を利用することにしてもよい。

異常域差分算出部２０６は、ステップＳ２１７で算出した差分面積を元レコードの面積で除算して、差分割合を算出する（ステップＳ２１８）。続いて、異常域差分算出部２０６は、差分割合が所定の閾値以上であるか否か判定する（ステップＳ２１９）。

差分割合が閾値以上であれば、異常域差分算出部２０６は、先レコードに対応する類似分析モデルは、元レコードに対応する対象分析モデルとの差分が大きいとし、先レコードに差分検出フラグを設定して（ステップＳ２２０）、ステップＳ２２１に移行する。差分割合が閾値以上でなければ、異常域差分算出部２０６は、ステップＳ２２１に移行する。そして、異常域差分算出部２０６は、ステップＳ２２１にて、選択していない重複レコードペアがあるか否か判定する。選択していない重複レコードペアがあれば、異常域差分算出部２０６はステップＳ２１２に移行する。

選択していない重複レコードペアがなければ、ステップＳ２２２にて、異常域差分算出部２０６は、対象分析モデルとの差分の大きい類似分析モデルを示す差分検出フラグが設定されている先レコードと、重複レコードペアの先レコードＩＤに含まれていない先レコードを取得し、取得した先レコードについて、軸名をキーとして、特徴量生成手順記憶部３０の中を検索し、その軸名と一致する異常判定特徴を有するレコードを特定する。更に、異常域差分算出部２０６は、検索により特定した特徴量生成手順記憶部３０のレコードから基本形の情報を取得し、軸名すなわち異常判定特徴と、その軸の軸始点および軸終点と、その異常判定特徴に対する関数の適用順序の基本形とを出力し、本処理を終了する。

ステップＳ２１４において、元レコードと先レコードの軸名が一致していなければ、異常域差分算出部２０６は、ステップＳ２２１に移行してそれ以降の処理を実行する。また、ステップＳ２１５において、軸差分が空であった場合、異常域差分算出部２０６は、ステップＳ２１７に移行してそれ以降の処理を実行する。
以下、対象分析モデルとの差分の大きい類似分析モデルを抽出する処理の具体例を示す。

ステップＳ２１２で、異常域差分算出部２０６は、図１６の重複レコードペアのリストから、元レコードＩＤ３４０に“１”が格納され、先レコードＩＤに“５”が格納され、軸差分に“１０Ｈｚ”が格納されているレコードを選択する。更に、ステップＳ２１３では、異常域差分算出部２０６は、図１４に示された異常判定域記憶部３３から、ＩＤが１のレコードおよびＩＤが５のレコードを特定する。図１４を参照すると、それらのレコードの軸名はともに“周波数（定常）”であるので一致し、また軸差分が空でないため、異常域差分算出部２０６は、ステップＳ２１６に移行する。

ステップＳ２１６においては、異常域差分算出部２０６は、ＩＤが５である異常判定域のレコードの軸始点１０Ｈｚに軸差分１０Ｈｚを加算する。更にステップＳ２１７において、異常域差分算出部２０６は、ＩＤが１である異常判定域のレコードと、ＩＤが５である異常判定域のレコードとの差分面積を算出する。算出される差分面積は、（４０－１０）－（３０－１０）＝１０である。

ステップＳ２１８において、異常域差分算出部２０６は、差分割合＝１０/(４０－１０)＝０．３３を算出する。ここでは差分割合が閾値６０％よりも小さいために、異常域差分算出部２０６は、ステップＳ２２１に移行する。ステップＳ２２２において、ＩＤが３である異常判定域のレコードは重複レコードペアの先レコードＩＤに含まれていないため、異常域差分算出部２０６はそのレコードの軸名“振幅（定常）”を取得する。そして、異常域差分算出部２０６は、その軸名“振幅（定常）”をキーとして特徴量生成手順記憶部３０を検索し、その軸名と一致する異常判定特徴の基本形“ＭＡＸ”を取得する。そして、異常域差分算出部２０６は、“振幅（定常）”、“５ｄＢ”、“１０ｄＢ”、“ＭＡＸ”という情報を出力し、処理を終了する。

上述したように、重複率算出部２０３の異常域平行移動部２０４と、異常域差分算出部２０６は、異常判定域を平行移動する処理を実行する。本実施形態では、一例として、異常判定域が画面に表示され、ユーザが異常判定域の平行移動の様子を確認可能である。以下、異常判定域の平行移動の様子について説明する。

図１８は、平行移動前の異常判定域を表示する画面の一例を示す図である。図１９は、平行移動後の異常判定域を表示する画面の一例を示す図である。図１８および図１９には、横軸に定常的な周波数を取り、縦軸に定常的な振幅を取ったグラフに、異常判定域がハッチングされた領域として示されている。

図１８の異常判定域９０Ａを参照すると、分析モデル１は、周波数（定常）が５０Ｈｚ近傍で振幅（定常）が１０～６０ｄＢの領域と、周波数（定常）が３～９０Ｈｚで振幅（定常）が５０ｄＢ近傍の領域と、周波数（定常）が１０Ｈｚ近傍で振幅（定常）が１０～３０ｄＢ近傍の領域と、に異常判定域がある。分析モデル２は、周波数（定常）が３～９０Ｈｚで振幅（定常）が４～１０ｄＢの領域に異常判定域がある。分析モデル３は、周波数（定常）が２０Ｈｚ近傍で振幅（定常）が１０～４０ｄＢの領域と、周波数（定常）が５０Ｈｚ近傍で振幅（定常）が１０～４０ｄＢの領域と、に異常判定域がある。

図１８の状態から、周波数（定常）が１０Ｈｚ近傍で振幅（定常）が１０～３０ｄＢ近傍の領域が、周波数（定常）の軸の方向に１０Ｈｚだけ平行移動すると、図１９の状態となる。図１９の異常判定域９１Ａを参照すると、分析モデル１には、周波数（定常）が１０Ｈｚ近傍で振幅（定常）が１０～３０ｄＢ近傍の領域にあった異常判定域が、周波数（定常）が２０Ｈｚ近傍で振幅（定常）が１０～３０ｄＢ近傍の領域に平行移動している点で、図１８の異常判定域９０Ａと異なる。

また、上述したように、異常判定域作成部２０１は、対象分析モデルの異常判定域を異常判定域記憶部３３に登録する。本実施形態では、一例として、ユーザは、対象分析モデルの異常判定域等の情報が表示される画面を見て確認しながら異常判定域を異常判定域記憶部３３に登録することができる。

図２０は、対象分析モデルの異常判定域を登録するときに表示される画面の一例を示す図である。図２０の対象分析モデル表示画面９１には、詳細表示欄９２、登録ボタン９３、編集ボタン９４、および削除ボタン９５が含まれている。

詳細表示欄９２は、対象分析モデルの詳細情報を表示する欄である。詳細情報には、モデルＩＤ９２０、異常判定特徴９２１、目的９２２、不良品の良品との定量的な違い９２３、良品サンプルデータ９２４、および不良サンプルデータ９２５が含まれる。モデルＩＤ９２０は、対象分析モデルの識別番号が入力される欄である。異常判定特徴９２１は、対象分析モデルの異常判定特徴の名称が入力される欄である。目的９２２は、対象分析モデルの利用目的が入力される欄である。不良品の良品との定量的な違い９２３は、定量的な不良品の特徴が入力される欄である。良品サンプルデータ９２４は、登録された良品データを視聴したり、ダウンロードしたりするための操作欄である。不良サンプルデータ９２５は、登録された不良品データを視聴したり、ダウンロードしたりするための操作欄である。登録ボタン９３は、対象分析モデルの詳細情報をシステムに登録するための操作ボタンである。編集ボタン９４は、詳細表示欄９２に記載されている情報を編集する際にクリックする操作ボタンである。削除ボタン９５は、登録されている対象分析モデルに関する情報を削除するための操作ボタンである。

また、上述したように、本実施形態では、類似モデル選出部２０２は、類似分析モデルあるいか参照分析モデルを対象分析モデルとの重複率の高い順に表示する。

図２１は、本実施形態に係る類似分析モデルの一覧を表示する画面の一例を示す図である。類似モデル一覧表示画面９６は、類似モデル一覧表示欄９７を含んでいる。類似モデル一覧表示欄９７は、チェックボックス９７０、類似度９７１、異常判定特徴９７２、目的９７３、不良品の良品との定量的な違い９７４、良品サンプルデータ９７５、および不良サンプルデータ９７６を含む。

チェックボックス９７０は、対象分析モデルの異常判定特徴一覧表に表示する類似分析モデルを選択するためのチェックボックスである。類似度９７１は、対象分析モデルとの重複率を表示する欄である。異常判定特徴９７２は、類似分析モデルの異常判定特徴を示す欄である。目的９７３は、類似分析モデルの利用目的が表示される欄である。不良品の良品との定量的な違い９７４は、定量的な不良品の特徴が表示される欄である。良品サンプルデータ９７５は、登録された良品データを視聴したり、ダウンロードしたりするための操作欄である。不良サンプルデータ９７６は、登録された不良品データを視聴したり、ダウンロードしたりするための操作欄である。

また、本実施形態では、分析モデル解釈装置１は、各分析モデルの異常判定特徴に関する情報を一覧表示することができる。図２２は、本実施形態に係る分析モデルの異常判定特徴一覧を表示する画面の一例を示す図である。分析モデルの異常判定特徴一覧表９８には、異常判定特徴一覧９８０、モデル一覧９８１、特徴量生成方法９８２、異常判定域確認ボタン９９が含まれる。異常判定特徴一覧９８０は、異常判定特徴の一覧を示す。モデル一覧９８１は、分析モデルのモデルＩＤの一覧を示す。異常判定域確認ボタン９９は、選択された分析モデルの異常判定域９０Ａを表示するための操作ボタンである。特定の分析モデルに関して、ユーザがモデル一覧９８１にあるチェックボックスをクリックしてチェックマークを表示し、異常判定域確認ボタン９９をクリックすると、分析モデルの異常判定特徴一覧表９８には、チェックマークが付された分析モデルに関する異常判定域９０Ａが表示される。

以上、本実施形態について述べてきたが、本発明は、これらの実施形態だけに限定されるものではなく、本発明の技術思想の範囲内において、これらの実施形態を組み合わせて使用したり、一部の構成を変更したりしてもよい。また、以上述べてきた本実施形態には以下に示す事項が含まれている。ただし、本実施形態が以下に示す事項に限定されることはない。

分析モデル解釈装置１は、データの分析を支援する分析支援装置であって、振動データに基づいて生成された対象分析モデルから特徴量を抽出し、前記特徴量を、振動を表す特徴であり異常があるか否かの判定を可能にする異常判定特徴に分類する特徴量解釈部と、前記対象分析モデルの異常判定特徴における異常と判定すべき領域を異常判定域として特定する異常判定域作成部と、前記対象分析モデルと予め定められた１つ以上の参照分析モデルとで異常判定域がどの程度重複しているかを重複度合いとして算出し、前記重複度合いに基づいて、前記参照分析モデルの中から前記対象分析モデルに類似する類似分析モデルを選出する類似モデル選出部と、前記対象分析モデルと前記類似分析モデルとの異常判定域の差分を抽出する異常域差分算出部と、を有している。これによれば、対象分析モデルの特徴量を、振動を表す特徴であり異常があるか否かの判定を可能にする異常判定特徴に分類するので、対象分析モデルを分かりやすい表現で解釈することが可能となる。また、データ未収集により対象分析モデルに生じた可能性のある類似分析モデルとの差分を抽出するので、データ未収集の不良パターンの検知を考慮した分析モデルの改良に有益な情報を得ることができる。振動を表す特徴は例えば本実施形態における振幅と周波数のことである。ここでいう重複度合いは、対象分析モデルと参照分析モデルとの異常判定域がどの程度重複しているかを示す指標であればよく、本実施形態の重複率はその一例である。重複度合いは、例えば、対象分析モデルにおける異常判定域のうち参照分析モデルの異常判定域と重複している領域の割合としてもよい。あるいは、参照分析モデルにおける異常判定域のうち対象分析モデルの異常判定域と重複している領域の割合としてもよい。

また、前記異常判定域作成部は、前記異常判定域を、複数の異常判定特徴をそれぞれ軸とする多次元空間における領域として特定することにしてもよい。これによれば、複数の異常判定特徴による多次元空間の領域として異常判定域を特定し、類似分析モデルの選出および差分の抽出に利用するので、多次元空間でのデータ未収集の不良パターンの検知のために有益な情報を得ることができる。振動音の周波数と振幅は、モータ製品の異常判定特徴の典型的な例である。

また、前記特徴量解釈部は、前記特徴量を、前記特量量へ適用する関数およびその適用順序に基づいて、異常判定特徴に分類することにしてもよい。これによれば、特徴量を、その特徴量へ適用する関数およびその適用順序に基づいて異常判定特徴に分類するので、特徴量への演算の性質により特徴量を適切に分類することができる。

また、前記特徴量解釈部は、前記特徴量を、振幅と周波数を含む異常判定特徴に分類することにしてもよい。対象分析モデルの特徴量を振幅および周波数という振動を表す異常判定特徴に分類するので、対象分析モデルを分かりやすい表現で解釈することが可能となる。

また、前記特徴量解釈部は、前記特徴量を、振幅と周波数の少なくとも一方の時系列変化を更に含む異常判定特徴に分類することにしもよい。対象分析モデルの特徴量を、振幅および周波数とその少なくとも一方の時系列変化という振動を表す異常判定特徴に分類するので、定常的な指標だけでなく時間変化する指標を用いて、対象分析モデルを分かりやすい表現で解釈することが可能となる。

また、前記異常判定域作成部は、前記対象分析モデルに、変数の値を含むサンプルデータを入力し、異常があると判定されたサンプルデータの変数の値を前記異常判定域に登録することにより、前記対象分析モデルの前記異常判定域を特定することにしてもよい。サンプルデータを対象分析モデルに入力することにより容易に異常判定域を特定することができる。

また、前記類似モデル選出部は、前記対象分析モデルの異常判定域における異常判定特徴の軸での始点を、前記類似分析モデルの異常判定域の前記軸での始点と一致させるように、前記対象分析モデルの異常判定域を前記軸の方向に平行移動した後、前記重複度合いを算出することにしてもよい。対象分析モデルと参照分析モデルとで不良パターンが異常判定特徴の軸方向にシフトしていても適切に類似分析モデルを選出することができる。

また、前記類似モデル選出部は、前記対象分析モデルの類似分析モデルを前記重複度合いの高い順にランキングすることにしてもよい。重複度合いの高い類似分析モデルを優先的に扱って分析モデルの改良に有益な情報を提示することができる。

また、分析支援装置は、前記対象分析モデルに類似する前記類似分析モデルに関する情報を、前記類似分析モデルを前記重複度合いの高い順に並べて、表示する表示部を更に有するものであってもよい。
また、前記表示部は、前記類似分析モデルの前記差分に関する情報を表示するものであってもよい。

また、分析支援装置である分析モデル解釈装置１は、プロセッサと記憶装置を有し、記憶装置に格納されたソフトウェアプログラムを実行することにより、図２にてプロセッサ５の内部構成として示した各部を実現するものであってもよい。

１…分析モデル解釈装置、３…ストレージ、４…メモリポート、５…プロセッサ、７…メモリ、８…ＷＡＮ、１０…分析モデル解釈プログラム、１１…特徴量解釈プログラム、１２…特徴量生成方法選出プログラム、２０…重複率算出部、３０…特徴量生成手順記憶部、３１…変数変換方法記憶部、３２…変数／モデル特性記憶部、３２Ａ…変数特性記憶部、３２Ｂ…モデル特性記憶部、３３…異常判定域記憶部、３４…重複レコードペア記憶部、９１…対象分析モデル表示画面、９２…詳細表示欄、９３…登録ボタン、９４…編集ボタン、９５…削除ボタン、９６…類似モデル一覧表示画面、９７…類似モデル一覧表示欄、９８…異常判定特徴一覧表、９９…異常判定域確認ボタン、１００…特徴量解釈部、１０１…特徴量抽出部、１０２…特徴量分類部、２００…特徴量生成方法選出部、２０１…異常判定域作成部、２０２…類似モデル選出部、２０３…重複率算出部、２０４…異常域平行移動部、２０５…ランキング作成部、２０６…異常域差分算出部、２０７…特徴量生成方法抽出部

Claims (12)

1. データの分析を支援する分析支援装置であって、
   振動データに基づいて生成された対象分析モデルから特徴量を抽出し、前記特徴量を、振動を表す特徴であり異常があるか否かの判定を可能にする異常判定特徴に分類する特徴量解釈部と、
   前記対象分析モデルの異常判定特徴における異常と判定すべき領域を異常判定域として特定する異常判定域作成部と、
   前記対象分析モデルと予め定められた１つ以上の参照分析モデルとで異常判定域がどの程度重複しているかを重複度合いとして算出し、前記重複度合いに基づいて、前記参照分析モデルの中から前記対象分析モデルに類似する類似分析モデルを選出する類似モデル選出部と、
   前記対象分析モデルと前記類似分析モデルとの異常判定域の差分を抽出する異常域差分算出部と、
   を有する分析支援装置。
2. 前記異常判定域作成部は、前記異常判定域を、複数の異常判定特徴をそれぞれ軸とする多次元空間における領域として特定する、
   請求項１に記載の分析支援装置。
3. 前記特徴量解釈部は、前記特徴量を、前記特徴量へ適用する関数およびその適用順序に基づいて、異常判定特徴に分類する、
   請求項１に記載の分析支援装置。
4. 前記特徴量解釈部は、前記特徴量を、振幅と周波数を含む異常判定特徴に分類する、
   請求項１に記載の分析支援装置。
5. 前記特徴量解釈部は、前記特徴量を、振幅と周波数の少なくとも一方の時系列変化を更に含む異常判定特徴に分類する、
   請求項３に記載の分析支援装置。
6. 前記異常判定域作成部は、前記対象分析モデルに、変数の値を含むサンプルデータを入力し、異常があると判定されたサンプルデータの変数の値を前記異常判定域に登録することにより、前記対象分析モデルの前記異常判定域を特定する、
   請求項１に記載の分析支援装置。
7. 前記類似モデル選出部は、前記対象分析モデルの異常判定域における異常判定特徴の軸での始点を、前記類似分析モデルの異常判定域の前記軸での始点と一致させるように、前記対象分析モデルの異常判定域を前記軸の方向に平行移動した後、前記重複度合いを算出する、
   請求項１に記載の分析支援装置。
8. 前記類似モデル選出部は、前記対象分析モデルの類似分析モデルを前記重複度合いの高い順にランキングする、
   請求項１に記載の分析支援装置。
9. 前記対象分析モデルに類似する前記類似分析モデルに関する情報を、前記類似分析モデルを前記重複度合いの高い順に並べて、表示する表示部を更に有する、
   請求項１に記載の分析支援装置。
10. 前記表示部は、前記類似分析モデルの前記差分に関する情報を表示する、
    請求項９に記載の分析支援装置。
11. 振動データの分析を支援するための分析支援方法であって、
    前記振動データに基づいて生成された対象分析モデルから特徴量を抽出し、
    前記特徴量を、振動を表す特徴であり異常があるか否かの判定を可能にする異常判定特徴に分類し、
    前記対象分析モデルの異常判定特徴における異常と判定すべき領域を異常判定域として特定し、
    前記対象分析モデルと予め定められた参照分析モデルとの異常判定域の重複の度合いを重複度合いとして算出し、
    前記重複度合いに基づいて、前記参照分析モデルの中から前記対象分析モデルに類似する類似分析モデルを選出し、
    前記対象分析モデルと前記類似分析モデルとの異常判定域の差分を抽出する、
    ことをコンピュータが実行する分析支援方法。
12. 振動データの分析を支援するための分析支援プログラムであって、
    前記振動データに基づいて生成された対象分析モデルから特徴量を抽出し、
    前記特徴量を、振動を表す特徴であり異常があるか否かの判定を可能にする異常判定特徴に分類し、
    前記対象分析モデルの異常判定特徴における異常と判定すべき領域を異常判定域として特定し、
    前記対象分析モデルと予め定められた参照分析モデルとの異常判定域の重複の度合いを重複度合いとして算出し、
    前記重複度合いに基づいて、前記参照分析モデルの中から前記対象分析モデルに類似する類似分析モデルを選出し、
    前記対象分析モデルと前記類似分析モデルとの異常判定域の差分を抽出する、
    ことをコンピュータに実行させるための分析支援プログラム。

Images