JP7229861B2 - 故障予兆診断装置およびその方法 - Google Patents

Description

本発明は、産業機器などの機器の故障、異常、不具合等を未然に防ぐ予防保全に関する技術に関する。なお、予防保全には、予兆診断、故障等の検知自体が含まれる。

所定の機能を発揮する機器は、その機能を発揮して稼動することが求められている。例えば、製造、発電、物流、資源掘削などの生産にかかわる産業機器は、一般に生産性保持のために計画通りの稼動が求められており、機器に予期せぬ突発故障が発生すると生産効率の低下を招くとともに大きな損失を生むことになる。このような状況を未然に回避するために機器の故障予兆をいち早く検知し、故障に至る前に部品交換やメンテナンスを実施する予防保全の考え方が広く認知されている。

この予防保全を支える一つの技術として故障予兆診断技術がある。この技術は、機器に取り付けた各種センサで計測した温度や圧力などの計測データ(以降、センサデータと呼ぶ)に基づいて機器の稼動状態を監視し、正常状態からの逸脱を検知することで故障発生前の異常を捉える技術である。近年では、機械学習を利用することで多次元データを統計的に扱い人間の感覚では捉えられないわずかな傾向変化を検知する高性能な手法も考案されている。機械学習の利用は診断の高性能化を実現する一方で故障モードに対応する適切なセンサ項目の選択が必要不可欠である。例えば、機器に数千個のセンサが取り付けられている場合であっても検知したい故障モードに応じて関係するセンサ項目の組合せ(以降ではセンサ組合せと呼ぶ)を適切に選択できていなければ無関係なセンサデータの挙動に影響を受けて診断性能の低下を招く恐れがある。このセンサ組合せの生成はその分野に精通したドメイン知識が必要不可欠であるが、データ分析者(データサイエンティスト)はそのような知識を持ち合わせていないことが多く分析者の能力や知識によって診断性能にばらつきが生じる課題があった。このような状況を打開するためには分析者の能力によらず適切なセンサ組合せを自動生成する技術が必要である。

そこで、入力センサデータをもとにセンサ間の相関関係を計算し、相関のあるセンサ同士をリンク結合した相関モデルを構築することで、その相関の崩れによって故障発生を検知する手法が考案されている（特許文献１）。

この技術によればセンサ同士の繋がりによる相関モデルそのものがセンサ組合せとしてとらえることができるため、分析者の能力に依存することなくセンサ組合せの自動生成を実現することが可能である。

特開2009-199533号公報

しかしながら、特許文献１の発明では入力されたセンサデータそのものの相関のみに注目しているため、これ以外のセンサ間の隠れた関係を考慮した繋がりを見つけることができない課題がある。例えば、時計の異なる複数のシステムで収集されたセンサデータをまとめて扱う場合、センサデータ間に時刻ズレが生じている可能性があり、本来相関のみられる関係にあったセンサ同士であっても相関がないという判断になってしまい組合せとして生成されない可能性がある。また、オリジナルのセンサ同士では相関がなくても微分・積分の関係にあるケースでは一方のセンサの時間変化量を計算することで相関が生まれるケースも存在する。そこで、本発明では、センサデータ間の隠れた関係を考慮して故障予兆診断を行うことを課題とする。なお、「隠れた関係」とは、何らかの関係を有していればよく、何らかの手段で積極的に隠蔽などを行ってないものも含まれる。例えば、予めその関係（関係の候補）が明示されていても、その関係を用いることができるか確認作業を行うものがある。さらに、隠れた関係には、上述した時刻ズレの補正により生じる関係や、計測遅延の補正による関係も含まれる。

本発明は、このような課題を解決するためになされたもの、つまり、隠れた関係を考慮できるように、センサデータとこれを加工した加工センサデータの相関係数に対する相関を高める前処理条件を生成し、生成した前処理条件に基づいて診断モデルを更新するものである。なお、より好適には相関を最大とする前処理条件を生成する。

また、センサの組合せ毎の相関係数を用いることやこれを算出することも、本発明の一態様に含まれる。

より具体的な本発明の一態様の構成として、以下が例示される。

機器から複数のセンサを用いて取得した複数のセンサデータを用いて、当該機器の故障予兆診断を行う故障予兆診断装置において、前記複数のセンサデータそれぞれに対して複数の加工処理を施し加工センサデータを生成する加工センサデータ生成手段であって、前記複数のセンサデータそれぞれに対して、所定時間ずつ時間シフトすることで、前記加工センサデータとして時間シフトデータを生成する時間シフトデータ生成手段と、前記加工センサデータとして、前記複数のセンサデータそれぞれの特徴量を示す特徴量データを生成する特徴量データ生成手段を備えた加工センサデータ生成手段と、前記複数のセンサのセンサデータのそれぞれと、前記時間シフトデータおよび前記特徴量データを含む前記加工センサデータそれぞれの間の複数の相関係数を計算する相関演算手段と、計算された前記複数の相関係数から、前記複数のセンサに含まれる第１のセンサのセンサデータと、前記複数のセンサに含まれる第２のセンサの加工センサデータの間の相関係数を抽出し、抽出された前記相関係数をもとにセンサの組合せを生成するセンサ組合せ生成手段と、前記センサ組合せ生成手段が生成した前記センサの組合せごとに、前記複数のセンサ間の相関係数を高めるための加工処理条件を前処理条件として生成する前処理条件生成手段と、前処理条件に基づいて、機器の故障予兆診断モデルを更新する故障予兆診断モデル更新手段と、故障予兆診断モデルを用いて、機器の故障予兆診断を行う診断処理手段とを有する故障予兆診断装置。

また、センサ組合せ生成手段は、予め定められた組合せ生成閾値以上の相関係数に対応する前記第２のセンサを、前記第１のセンサのセンサ組合せに追加することで、前記センサの組合せを生成することも本発明の一例である。

また、診断処理手段での機器の故障予兆診断を、前記センサデータと前記加工センサデータとの関係の変化に基づいて行うことも本発明の一例である。

さらに、故障予兆診断モデル更新手段は、故障予兆診断モデルを生成してもよい。

なお、故障予兆診断装置の各機能を実行させるプログラムやこのプログラムを格納した媒体、また各機能を実行する方法も本発明に含まれる。

本発明によれば、センサデータそのものの相関や隠れた関係を考慮した予防保全が可能になる。

本発明の一実施例における故障予兆診断装置１００の全体構成である。 本発明の一実施例で用いられるセンサデータの構成の例である。 本発明の一実施例で用いられるセンサデータの時系列を示す例である。 本発明の一実施例における時間シフトデータ生成部１０６の処理の例である。 本発明の一実施例における特徴量データ生成部１０８の処理の例(変化量を計算する例)である。 本発明の一実施例における相関演算部１１０の処理フローの例である。 本発明の一実施例におけるセンサ組および前処理条件生成部１１２の処理フローの例である。 本発明の一実施例で用いられる診断モデルの構成例である。 本発明の一実施例における学習処理部１１４の処理フローの例である。 本発明の一実施例における診断処理部１１８の処理フローの例である。 本発明の一実施例における診断結果の構成例である。

本発明の一実施例について、以下図面を参照しながら説明する。

図１は、本実施例を適用した故障予兆診断装置１００の構成例を示している。ここに示すように故障予兆診断装置１００は、入力部１０２と、処理切替部１０４と、時間シフトデータ生成部１０６と、特徴量データ生成部１０８と、相関演算部１１０と、センサ組および前処理条件生成部１１２と、学習処理部１１４と、診断モデル記憶部１１６と、診断処理部１１８と、出力部１２０とで構成している。

入力部１０２は、図示しない機器に取り付けたセンサで計測したセンサデータを、各種入力インターフェースを介して受信するとともに、パラメータを受け付ける機能を有する。

処理切替部１０４は、入力部１０２を介して受信した学習・診断切替信号をもとにセンサデータの入力方向を学習処理側と診断処置側に変更する機能を有する。

時間シフトデータ生成部１０６は、入力部１０２を介して受信したセンサデータに対して時間シフトパラメータをもとにセンサデータを過去方向および未来方向に徐々にずらした時間シフトデータを生成する。

特徴量データ生成部１０８は、入力部１０２を介して受信したセンサデータに対して特徴量パラメータをもとに計算した特徴量データ（例えば時間差分を示す変化量データやスライド窓における平均・分散などの統計量データ）を生成する。

相関演算部１１０は、入力部１０２を介して受信するオリジナルのセンサデータと、時間シフトデータ生成部１０６から出力される時間シフトデータや特徴量データ生成部１０８から出力される特徴量データなどの加工したセンサデータ(以降では加工センサデータと呼ぶ)との間で相関係数を計算する処理を行う。

センサ組および前処理条件生成部１１２は、相関演算部１１０から出力される相関係数の計算結果と入力部１０２を介して受信する組合せ生成閾値をもとに相関係数の高いセンサ同士をまとめてセンサ組合せを生成するとともに、相関を高めるための加工条件をもとに前処理条件を生成して、診断モデル記憶部１１６に記憶している処理手順に相当する診断モデルを更新する。

なお、本実施例では、センサ組および前処理条件生成部１１２がセンサ組合せの生成と前処理条件を生成している別構成で生成してもよいし、いずれか一方を生成する機能を有してもよい。

学習処理部１１４は、入力部１０２を介して入力するセンサデータをもとに機器の正常状態の特徴量として正常平均値と正常標準偏差を計算して診断モデル記憶部１１６の診断モデルを更新する。

診断処理部１１８は、診断モデル記憶部１１６に記憶している診断モデルに基づいて入力部１０２を介して受信するセンサデータに対して異常判定処理を実施して診断結果を、出力部１２０を介して出力する。

図２は、センサデータの構成例を示している。ここで示すように入力部１０２で受信するセンサデータは受信日時とセンサＩＤ、センサ値の組合せで構成している。この構成は１時刻のレコード構成を示したものであり複数のレコードをつなげることで時系列データとすることができる。図１で示した故障予兆診断装置１００では、入力センサデータとして複数のレコードがまとまった時系列データとして入力されることを前提としている。

図３に、センサデータの時系列データの例を示す。ここではセンサＩＤの種類数をN個としており、センサＩＤごとの時系列データを示している。この時系列データは横軸が時間であり、縦軸がセンサごとの計測値となっている。ここでは折れ線グラフを示しているが基本的にはこの折れ線グラフを構成する一点一点が図２で示したセンサデータの１レコードに対応する。図１に示した故障予兆診断装置１００では図３で示すようなセンサデータの時系列データの入力を前提としているが、その時間分解能や範囲・期間単位は任意であり、診断対象とする機器やセンサデータの時間分解能によって決定されるものである。例えば、風車などの緩やかに機能劣化していくような機器の場合には時間分解能は１秒程度でよく、学習処理を行う際には数日から数か月分をまとめて入力して診断モデルを生成し、診断処理を行う際には数時間から1日分ごとのデータを入力して実行する。一方で、切削加工機などのように故障兆候を示す異常が現れるのが数時間程度前のものを対象とする場合には時間分解能はミリ秒からナノ秒のオーダーで必要となり、学習処理には数時間から数日分のデータが必要となる。それに対して診断処理はリアルタイムに近い時間間隔で実行することが望ましいため1秒から1分程度のデータのまとまりを入力する必要がある。

次に、時間シフトデータ生成部１０６の処理内容について図４を用いて説明する。時間シフトデータ生成部１０６では、時間シフトパラメータとして刻み幅ΔTと最大ずらし量Tmaxを受信する。そして入力されたひとつのセンサデータをS(t)とした場合、S(t)を未来方向および過去方向にΔTずつ時間シフトしながら時間シフトデータを生成する。ここで、過去方向にΔTずらした時間シフトデータをSV(-ΔT)=S(t-ΔT)、未来方向にΔTずらした時間シフトデータをSV(+ΔT)=S(t+ΔT)と表現することにする。最大ずらし量Tmaxを考慮するとセンサデータS(t)に対して過去方向にはSV(-ΔT)、SV(-2ΔT)、・・・、SV(-Tmax)の(Tmax/ΔT)個の加工センサデータが生成され、未来方向にはSV(+ΔT)、SV(+2ΔT)、・・・、SV(+Tmax)の(Tmax/ΔT)個の加工センサデータが生成される。SV(0)=S(t)を含めるとひとつのセンサデータS(t)に対して2(Tmax/ΔT)+1個の時間シフトデータを生成する。この処理をN個のすべてのセンサデータに対して実行することで時間シフトデータ生成部１０６の処理を終了する。

次に、特徴量データ生成部１０８の処理内容について説明する。特徴量データ生成部１０８は特徴量パラメータとして、演算種類に関する情報と、演算に必要なパラメータ情報を受信する。演算種類に関する情報とは特徴量として何を計算するのかを示す情報であり、例えば、(1)変化量、(2)平均値、(3)分散がある。

図５を用いて、特徴量データ生成部１０８が(1)変化量を計算する場合について説明する。特徴量データ生成部１０８は(1)変化量を計算するケースにおいて、センサデータS(t)について時間的に前の値S(t-1)との差分を計算する。ここで変化量データを加工センサデータのひとつの種類としてSV(Δt)と表現することにする。この計算をN個のすべてのセンサデータについて計算して終了する。一方で、特徴量データ生成部１０８が演算種類に関する情報として(2)平均値、(3)分散をパラメータとして受信した場合、演算に必要なパラメータ情報として窓幅twを合わせて受信する。そして、特徴量データ生成部１０８は窓幅をスライドさせつつ対象時刻tからt-twの範囲のデータを対象に統計量の(2)平均、(3)分散を計算して特徴量データとして出力する。ここでは統計量として最も代表的な平均と分散を計算するようにしているが回帰分析による傾きを計算するようにしても良いし、分布の特徴を現す歪度、尖度などのモーメントを特徴量として出力するようにしてもよい。

次に、相関演算部１１０の処理手順について図６をもとに説明する。

まず、Ｓ６０００において、相関演算部１１０は入力部１０２よりオリジナルのセンサデータを受信するとともに時間シフトデータ生成部１０６および特徴量データ生成部１０８から加工センサデータを受信する。

そして、Ｓ６３００において、相関演算部１１０は、センサi(i=1～N)のオリジナルのセンサデータごとに、センサj(j=1～N、i≠j)の加工センサデータとの間で相関係数を計算する。ここで、センサデータSi(t)と加工センサデータSVj(-Tmax)、・・・、SVj(Tmax)、SVj(Δt)との相関係数をそれぞれRij(-Tmax)、・・・、Rij(Tmax)、Rij(Δt) (i,j=1～N,i≠j)と表すことにする。なお、相関係数の計算は他の方法を用いて計算してもよい。標本相関係数（ピアソンの積率相関係数)の他、順位相関係数を用いてもよい。

最後にＳ６４００において、相関演算部１１０は、Ｓ６３００において計算したすべての相関係数の結果をセンサ組および前処理条件生成部１１２に送信して処理を終了する。

次に、センサ組および前処理条件生成部１１２の処理手順について、図７を用いて説明する。

まず、Ｓ７０００において、相関演算部１１０より相関係数の計算結果を受信する。

次に、Ｓ７３００において、センサi(i=1～N)のオリジナルのセンサデータSi(t)とセンサj(j=1～N、i≠j)の加工センサデータSVj(-Tmax)、・・・、SVj(Tmax)、SVj(Δt)との相関係数の計算結果Rij(-Tmax)、・・・、Rij(Tmax)、Rij(Δt) (i,j=1～N,i≠j)を抽出する。

Ｓ７４００において、パラメータとして入力部１０２より受信した組合せ生成閾値と、Ｓ７３００で抽出した相関係数の計算結果Rij(-Tmax)、・・・、Rij(Tmax)、Rij(Δt) (i,j=1～N,i≠j)をそれぞれ比較し、組合せ生成閾値より大の相関係数が存在する場合にはＹＥＳの判断となりＳ７５００に進み、すべてが組合せ生成閾値以下の場合にはＮＯの判断となり次のセンサj(j=1～N、i≠j)の処理に進む。

Ｓ７４００でＹＥＳの判断となった場合において、センサ組および前処理条件生成部１１２は、Ｓ７５００においてセンサ組合せiにセンサjを追加する。ここで、センサ組合せiとはセンサiを基準とした相関ありのセンサをグルーピングした組合せである。結果としてすべてのセンサjについて組合せ生成閾値より大の相関係数となる加工センサデータが存在しなかった場合、センサ組合せiはセンサiのみとなり組合せは生成されない結果となる。一方で、組合せ生成閾値より大の相関係数のセンサjが存在した場合にはセンサ組合せiにセンサjが含まれ、加工を施すことで相関が生まれるセンサとして登録する。

次に、Ｓ７６００において、センサ組および前処理条件生成部１１２は、組合せ生成閾値より大であった相関係数のなかで最大となる加工条件を前処理条件に登録する。すなわち、Rij(-Tmax)、・・・、Rij(Tmax)、Rij(Δt) (i,j=1～N,i≠j)のなかで例えばRij(Tmax)が相関係数として最大であった場合にはTmaxが相関係数最大となるセンサjの加工条件となり前処理条件に登録される。

Ｓ６７００において、すべてのセンサjの加工センサデータとの相関係数の比較が終了したら、センサ組合せiの内容と前処理条件を診断モデル記憶部１１６に記憶している診断モデルに登録する。

図８に、診断モデルの構成例を示している。診断モデルは、センサＩＤのiに相当する項目ＩＤごとにセンサ組合せと前処理条件と正常モデル情報を登録している。このなかでセンサ組合せiの結果を項目ＩＤ=iのセンサ組合せと前処理条件に登録する。正常モデル情報は後述する学習処理部１１４が出力する内容になるためここでは説明を割愛する。図８において、項目ＩＤ=1のセンサ組合せは(S1,S3,S5)であり、前処理条件は(0,-3,Δt)となっており、この意味はセンサ1と相関のあるセンサはセンサ3とセンサ5であり、加工条件としてセンサ1は時間シフトが0[sec]であり、センサ3は時間シフトが-3[sec]、センサ5に関しては変化量をとることを意味している。また、項目ＩＤ=2については、センサ組合せは(S2,S5,S6,S7)であり、前処理条件は(0,4,5,-2)となっており、センサ2と相関のあるセンサはセンサ5とセンサ6とセンサ7であり、加工条件はそれぞれ時間シフトが4[sec]、5[sec]、-2[sec]であることを意味している。

センサ組および前処理条件生成部１１２は、すべてのセンサiについて以上の処理を実行したら終了となる。

次に、学習処理部１１４の処理内容について図９を用いて説明する。

まず、Ｓ９１００において、学習処理部１１４は、図８に示した診断モデル記憶部１１６に記憶している診断モデルの内容を読み込む。

Ｓ９３００において、学習処理部１１４は入力部１０２から受信したセンサデータに対して項目ＩＤごとに診断モデルのセンサ組合せに登録されているセンサデータを抽出する。

Ｓ９４００において、学習処理部１１４は診断モデルの前処理条件に登録されている加工条件に従って対象センサデータに対して加工処理を施す。例えば、図８に示した診断モデルの項目ＩＤ=1についてはセンサ組合せにあるセンサ1とセンサ3とセンサ5のセンサデータに対してセンサ1については0[sec]の時間シフト処理を施し、センサ3については-3[sec]の時間シフト処理を施す。そして、センサ5に対しては変化量演算を行う。ここで得られた加工センサデータをそれぞれS1、SV3、SV5と省略して扱う。

次に、Ｓ９６００において、学習処理部１１４は、Ｓ９４００において生成した加工センサデータS1、SV3、SV5に対してそれぞれ正常平均値と正常標準偏差を計算して診断モデルの正常モデル情報を更新して処理を終了する。

次に、診断処理部１１８の処理内容について図１０をもとに説明する。

まず、Ｓ１１００において、診断処理部１１８は、入力部１０２からセンサデータを受信する。

次にＳ１２００において、診断処理部１１８は、診断モデル記憶部１１６に記憶している診断モデルを読み込む。

診断処理部１１８は、診断モデルの項目ＩＤごとにＳ１４００からＳ１９００の処理を繰り返す。

まず、Ｓ１４００において、診断処理部１１８は、診断モデルのセンサ組合せに登録されているセンサデータを抽出する。

次に、Ｓ１６００において、診断処理部１１８は、診断モデルの前処理条件に従って加工センサデータを生成する。この処理は、学習処理部１１４のＳ９４００の処理と同じ処理を行う。

次に、Ｓ１８００において、診断処理部１１８は、Ｓ１６００で生成した加工センサデータと診断モデルの正常モデル情報をもとに乖離度を計算する。以下乖離度の計算について説明する。時刻tにおける加工センサデータをSVa(t)(a=1,2,・・・,m)とする。ここでmは項目ＩＤに登録されているセンサ数である。診断モデルに登録されている正常平均値と正常標準偏差をそれぞれμa、σa(a=1,2,・・・,m)とすると時刻tにおける乖離度Ｌ(t)は数式1で計算する。

Ｓ１９００において、診断処理部１１８は、診断結果を、出力部１２０を介して出力する。

図１１に、診断結果の構成例を示している。ここに示すように診断結果は項目ＩＤごとにタイムスタンプと乖離度と判定結果で構成されている。タイムスタンプは時刻tを意味しており、乖離度はL(t)の計算結果が出力される。判定結果は、例えば、L(t)が正規分布で3シグマ範囲を正常と仮定するとL(t)>3を異常と判定することができる。この結果をもとに正常か異常かの判定結果を記録して出力部１２０を介して出力して処理を終了する。

１００…故障予兆診断装置、１０２…入力部、１０４…処理切替部、１０６…時間シフトデータ生成部、１０８…特徴量データ生成部、１１０…相関演算部、１１２…センサ組および前処理条件生成部、１１４…学習処理部、１１６…診断モデル記憶部、１１８…診断処理部、１２０…出力部

Claims (16)

1. 機器から複数のセンサを用いて取得した複数のセンサデータを用いて、当該機器の故障予兆診断を行う故障予兆診断装置において、
   前記複数のセンサデータそれぞれに対して加工処理を施し複数の加工センサデータを生成する加工センサデータ生成手段であって、
   前記複数のセンサデータそれぞれに対して、所定時間ずつ時間シフトすることで、前記加工センサデータとして時間シフトデータを生成する時間シフトデータ生成手段と、
   前記加工センサデータとして、前記複数のセンサデータそれぞれの特徴量を示す特徴量データを生成する特徴量データ生成手段を備えた加工センサデータ生成手段と、
   前記複数のセンサのセンサデータのそれぞれと、前記時間シフトデータおよび前記特徴量データを含む前記加工センサデータそれぞれの間の複数の相関係数を計算する相関演算手段と、
   計算された前記複数の相関係数から、前記複数のセンサに含まれる第１のセンサのセンサデータと、前記複数のセンサに含まれる第２のセンサの加工センサデータの間の相関係数を抽出し、抽出された前記相関係数をもとにセンサの組合せを生成するセンサ組合せ生成手段と、
   前記センサ組合せ生成手段が生成した前記センサの組合せごとに、前記複数のセンサ間の相関係数を高めるための前記加工処理に対する加工処理条件を前処理条件として生成する前処理条件生成手段と、
   前記前処理条件に基づいて、前記機器の故障予兆診断モデルを更新する故障予兆診断モデル更新手段と、
   前記故障予兆診断モデルを用いて、前記機器の故障予兆診断を行う診断処理手段とを有することを特徴とする故障予兆診断装置。
2. 請求項１に記載の故障予兆診断装置において、
   前記センサ組合せ生成手段は、予め定められた組合せ生成閾値以上の相関係数に対応する前記第２のセンサを、前記第１のセンサのセンサ組合せに追加することで、前記センサの組合せを生成することを特徴とする故障予兆診断装置。
3. 請求項２に記載の故障予兆診断装置において、
   前記センサの組合せにおけるセンサデータに対して、前記前処理条件で加工条件を反映した加工センサデータについて特定期間の平均値と標準偏差を正常モデルとして計算する学習手段を有し、
   前記診断処理手段は、前記正常モデルとの乖離度に基づいて異常判断を行うことを特徴とする故障予兆診断装置。
4. 請求項１乃至３のいずれかに記載の故障予兆診断装置において、
   前記診断処理手段は、前記機器の故障予兆診断を、前記センサデータと前記加工センサデータとの関係の変化に基づいて行うことを特徴とする故障予兆診断装置。
5. 請求項１乃至４のいずれかに記載の故障予兆診断装置において、
   前記前処理条件生成手段は、前記前処理条件として、前記複数のセンサ間の相関係数が最も高くなる加工処理条件を生成することを特徴とする故障予兆診断装置。
6. 請求項１乃至５のいずれかに記載の故障予兆診断装置において、
   前記時間シフトデータ生成手段は、前記センサデータに対して過去方向と未来方向に時間を時間シフトする加工処理を施し、前記加工センサデータとして時間シフトデータを生成することを特徴とする故障予兆診断装置。
7. 請求項１乃至５のいずれかに記載の故障予兆診断装置において、
   前記特徴量データ生成手段は、前記センサデータに対して指定した窓における統計量を計算する加工処理を施し、前記特徴量データとして統計量データを生成することを特徴とする故障予兆診断装置。
8. 請求項１乃至５のいずれかに記載の故障予兆診断装置において、
   前記特徴量データ生成手段は、前記センサデータに対して所定時間前のセンサデータとの差分を計算する加工処理を施し、前記特徴量データとして変化量データを生成することを特徴とする故障予兆診断装置。
9. 機器から複数のセンサを用いて取得した複数のセンサデータを用いて、当該機器の故障予兆診断を行う故障予兆診断装置を用いた故障予兆診断方法において、
   前記複数のセンサデータそれぞれに対する加工処理として、前記複数のセンサデータそれぞれに対して、所定時間ずつ時間シフトすることで時間シフトデータを生成し、前記複数のセンサデータそれぞれの特徴量を示す特徴量データを生成することで、前記時間シフトデータおよび前記特徴量データを含む、複数の加工センサデータを生成し、
   前記複数のセンサのセンサデータのそれぞれと、前記時間シフトデータおよび前記特徴量データを含む前記加工センサデータそれぞれの間の複数の相関係数を計算し、
   計算された前記複数の相関係数から、前記複数のセンサに含まれる第１のセンサのセンサデータと、前記複数のセンサに含まれる第２のセンサの加工センサデータの間の相関係数を抽出し、抽出された前記相関係数をもとにセンサの組合せを生成し、
   生成された前記センサの組合せごとに、前記複数のセンサ間の相関係数を高めるための前記加工処理に対する加工処理条件を前処理条件として生成し、
   前記前処理条件に基づいて、前記機器の故障予兆診断モデルを更新し、
   前記故障予兆診断モデルを用いて、前記機器の故障予兆診断を行うことを特徴とする故障予兆診断方法。
10. 請求項９に記載の故障予兆診断方法において、
    さらに、予め定められた組合せ生成閾値以上の相関係数に対応する前記第２のセンサを、前記第１のセンサのセンサ組合せに追加することで、前記センサの組合せを生成することを特徴とする故障予兆診断方法。
11. 請求項１０に記載の故障予兆診断方法において、
    さらに、前記センサの組合せにおけるセンサデータに対して、前記前処理条件で加工条件を反映した加工センサデータについて特定期間の平均値と標準偏差を正常モデルとして計算し、
    前記機器の故障予兆診断は、前記正常モデルとの乖離度に基づいて異常判断を行うことを特徴とする故障予兆診断方法。
12. 請求項９乃至１１のいずれかに記載の故障予兆診断方法において、
    前記機器の故障予兆診断を、前記センサデータと前記加工センサデータとの関係の変化に基づいて行うことを特徴とする故障予兆診断方法。
13. 請求項９乃至１２のいずれかに記載の故障予兆診断方法において、
    前記前処理条件として、前記複数のセンサ間の相関係数が最も高くなる加工処理条件を生成することを特徴とする故障予兆診断方法。
14. 請求項９乃至１３のいずれかに記載の故障予兆診断方法において、
    前記センサデータに対して過去方向と未来方向に時間を時間シフトする加工処理を施し、前記加工センサデータとして時間シフトデータを生成することを特徴とする故障予兆診断方法。
15. 請求項９乃至１３のいずれかに記載の故障予兆診断方法において、
    前記センサデータに対して指定した窓における統計量を計算する加工処理を施し、前記特徴量データとして統計量データを生成することを特徴とする故障予兆診断方法。
16. 請求項９乃至１３のいずれかに記載の故障予兆診断方法において、
    前記センサデータに対して所定時間前のセンサデータとの差分を計算する加工処理を施し、前記特徴量データとして変化量データを生成することを特徴とする故障予兆診断方法。

Images