JP7450521B2 - 故障診断装置、故障診断システム、及び故障診断プログラム - Google Patents

故障診断装置、故障診断システム、及び故障診断プログラム Download PDF

Info

Publication number
JP7450521B2
JP7450521B2 JP2020193810A JP2020193810A JP7450521B2 JP 7450521 B2 JP7450521 B2 JP 7450521B2 JP 2020193810 A JP2020193810 A JP 2020193810A JP 2020193810 A JP2020193810 A JP 2020193810A JP 7450521 B2 JP7450521 B2 JP 7450521B2
Authority
JP
Japan
Prior art keywords
fuel cell
temperature
route
unit
diagnosis
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2020193810A
Other languages
English (en)
Other versions
JP2022082318A (ja
Inventor
淳也 香田
駿介 木村
俊樹 高須
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tokyo Gas Co Ltd
Original Assignee
Tokyo Gas Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tokyo Gas Co Ltd filed Critical Tokyo Gas Co Ltd
Priority to JP2020193810A priority Critical patent/JP7450521B2/ja
Publication of JP2022082318A publication Critical patent/JP2022082318A/ja
Application granted granted Critical
Publication of JP7450521B2 publication Critical patent/JP7450521B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/30—Hydrogen technology
    • Y02E60/50—Fuel cells

Landscapes

  • Testing And Monitoring For Control Systems (AREA)
  • Fuel Cell (AREA)

Description

本発明は、故障診断装置、故障診断システム、及び故障診断プログラムに関し、詳しくは、燃料電池コージェネレーションシステムの故障を診断する故障診断装置、故障診断システム、及び故障診断プログラムに関する。
従来の故障個所診断システムは、ロジスティック回帰モデルを用いて、発電システムの運転情報を表す複数の説明変数から、発電システムの複数個所のうち所定個所が故障しており他の個所が故障していない確率を表す目的変数を特定するようにしている（例えば、特許文献１参照）。
特開２０２０－０３０７５７号公報
上記特許文献１に記載された技術によれば、ロジスティック回帰モデルを用いて故障診断を行うため、現場にて故障診断作業を行う必要がない。しかしながら、ロジスティック回帰モデルに入力されるデータは、当該モデルに適したデータに加工されていないため、余分なデータが含まれている、あるいは重要な説明変数を生成できない可能性がある。このため診断精度が十分とは言えない。特に、燃料電池システムのように部品点数の多い機器では、本来健全である部品が故障と誤判定されることで修理部品が増え、作業担当者の現場での作業の負荷が増大する。
本発明は、上記事情に鑑みてなされたものであって、燃料電池コージェネレーションシステムの故障診断を、作業担当者の現場での負荷を軽減させつつ、精度良く行うことができる故障診断装置、故障診断システム、及び故障診断プログラムを提供することを目的とする。
上記目的を達成するために、本発明の一態様に係る故障診断装置は、燃料電池コージェネレーションシステムが動作の異常を検知した場合に、前記燃料電池コージェネレーションシステムから、前記異常に対応する、前記燃料電池コージェネレーションシステムの動作履歴に関する動作履歴データを取得する取得部と、前記取得部により取得された動作履歴データに対して、過去に得られた動作履歴データ群を、前記燃料電池コージェネレーションシステムの機能部に対応付けて機械学習又は多変量解析することにより生成され、かつ、前記燃料電池コージェネレーションシステムの機能部毎に故障の有無を判定する複数の故障診断モデルに共通の第１加工を行い、前記第１加工を行って得られたデータに対して、前記複数の故障診断モデルの各々に個別の第２加工を行う加工部と、前記複数の故障診断モデルの各々に対して、前記加工部により前記第１加工及び前記第２加工が行われたデータを入力し、前記複数の故障診断モデルの各々から出力される判定結果を用いて、前記燃料電池コージェネレーションシステムの機能部毎に故障の有無を推定する推定部と、を備えている。
また、本発明の一態様に係る故障診断システムは、燃料電池コージェネレーションシステムと、前記燃料電池コージェネレーションシステムと接続された故障診断装置と、を備え、前記燃料電池コージェネレーションシステムは、自システムの動作の異常を検知した場合に、前記故障診断装置に対して、前記異常に対応する、自システムの動作履歴に関する動作履歴データを送信し、前記故障診断装置は、前記燃料電池コージェネレーションシステムから送信された前記動作履歴データを取得する取得部と、前記取得部により取得された動作履歴データに対して、過去に得られた動作履歴データ群を、前記燃料電池コージェネレーションシステムの機能部に対応付けて機械学習又は多変量解析することにより生成され、かつ、前記燃料電池コージェネレーションシステムの機能部毎に故障の有無を判定する複数の故障診断モデルに共通の第１加工を行い、前記第１加工を行って得られたデータに対して、前記複数の故障診断モデルの各々に個別の第２加工を行う加工部と、前記複数の故障診断モデルの各々に対して、前記加工部により前記第１加工及び前記第２加工が行われたデータを入力し、前記複数の故障診断モデルの各々から出力される判定結果を用いて、前記燃料電池コージェネレーションシステムの機能部毎に故障の有無を推定する推定部と、を備えている。
また、本発明の一態様に係る故障診断プログラムは、コンピュータを、上記故障診断装置が備える各部として機能させる。
以上詳述したように、本発明によれば、燃料電池コージェネレーションシステムの故障診断を、作業担当者の現場での負荷を軽減させつつ、精度良く行うことができる。
第１の実施形態に係る故障診断システムの構成の一例を示す図である。 第１の実施形態に係るＣＧＳの構成の一例を示すブロック図である。 第１の実施形態に係る制御プログラムによる処理の流れの一例を示すフローチャートである。 第１の実施形態に係る故障診断装置の電気的な構成の一例を示すブロック図である。 第１の実施形態に係る故障診断装置の機能的な構成の一例を示すブロック図である。 第１の実施形態に係る故障診断プログラムによる処理の流れの一例を示すフローチャートである。 第１の実施形態に係る故障診断プログラムによるモデル生成処理の流れの一例を示すフローチャートである。 実施形態に係るＰＲＡＵＣ法の概念を説明するための図である。 実施形態に係る適合率及び再現率の説明に供する図である。 第２の実施形態に係る故障診断装置の機能的な構成の一例を示すブロック図である。 実施形態に係る第１データテーブルの一例を示す図である。 実施形態に係る第２データテーブルの一例を示す図である。 第２の実施形態に係る故障診断プログラムによる処理の流れの一例を示すフローチャートである。 第２の実施形態に係る経路診断Ａの処理の流れの一例を示すフローチャートである。 第２の実施形態に係る経路診断Ｂの処理の流れの一例を示すフローチャートである。 第２の実施形態に係る経路診断Ｃの処理の流れの一例を示すフローチャートである。 第２の実施形態に係る経路診断Ｅの処理の流れの一例を示すフローチャートである。
以下、図面を参照して、本発明を実施するための形態の一例について詳細に説明する。
[第１の実施形態]
図１は、第１の実施形態に係る故障診断システム１００の構成の一例を示す図である。
図１に示すように、本実施形態に係る故障診断システム１００は、燃料電池コージェネレーションシステム（以下、単に「ＣＧＳ」という。）４０と、故障診断装置１０と、メンテナンス用端末７０と、を備えている。故障診断システム１００は、ＣＧＳ４０の故障を診断するためのシステムとして構成される。
ＣＧＳ４０は、例えば、エネファーム（登録商標）であり、ユーザ宅３０に設置されている。故障診断装置１０は、ＣＧＳ４０の故障を診断するための装置であり、ＣＧＳ４０とネットワークＮを介して接続されている。故障診断装置１０には、例えば、サーバコンピュータ、パーソナルコンピュータ（ＰＣ）等の汎用的なコンピュータ装置が適用される。ネットワークＮには、例えば、ＬＡＮ(Local Area Network)、ＷＡＮ（Wide Area Network）、インターネット等のネットワークが適用される。
メンテナンス用端末７０は、ＣＧＳ４０のメンテナンス作業を行う作業担当者６０が所有する端末である。メンテナンス用端末７０は、ネットワークＮを介して故障診断装置１０と接続されている。メンテナンス用端末７０には、例えば、携帯可能なタブレット端末、スマートフォン、ノート型ＰＣ等が適用される。
本実施形態に係る故障診断装置１０は、ＣＧＳ４０が動作の異常（以下、「エラー」という。）を検知した場合に、故障診断モデルに対して、エラー検知時の動作履歴データを加工して得られたデータを入力して故障診断を行う。
具体的には、図１において、ＣＧＳ４０は、エラーを検知した場合に、エラーを発報する。このとき、ＣＧＳ４０は、自動的に故障診断装置１０に対して、自システムの動作履歴データを送信する。動作履歴データとは、例えば、エラー検知時、エラー検知前数秒間（例えば、１０秒以下）、及び、エラー検知後数秒間（例えば、１０秒以下）の少なくとも１つの動作履歴に関するデータである。動作履歴データは、例えば、各種センサの検出値、補機類（例えば、弁、ポンプ等）の動作状態を表すデータ、エラーコード等が含まれる。
故障診断装置１０は、記憶部に、ＣＧＳ４０が備える複数の機能部の各々について故障診断モデルを予め格納している。故障診断モデルは、ＣＧＳ４０の機能部毎に故障を診断するための数理モデルである。機能部は、少なくとも１つの部品（例えば、ポンプ、弁、配管、タンク等）を含んでいる。ＣＧＳ４０の故障診断モデルは、過去に得られた動作履歴データ群を、機能部に対応付けて機械学習することにより生成されるモデルである。機械学習には、一例として、ランダムフォレスト、ニューラルネットワーク、サポートベクターマシン等が挙げられる。なお、故障診断モデルには多変量解析を適用してもよい。多変量解析には、一例として、ロジスティック回帰等が挙げられる。故障診断モデルには、例えば、機能部毎に故障の有無を判定する２クラス分類が用いられる。故障診断装置１０は、ＣＧＳ４０から取得した動作履歴データをモデル共通、モデル個別の２段階で加工して得られたデータを故障診断モデルの各々に入力する。故障診断モデルの各々は、機能部毎に、例えば、「故障有り（故障）」又は「故障なし（健全）」を出力する。具体的に、データが示す指標値が閾値以上の場合に「故障有り」を出力し、データが示す指標値が閾値未満の場合に「故障なし」を出力する。故障診断装置１０は、故障診断モデルの各々から出力される判定結果を用いて、機能部毎に故障の有無を推定し、推定により得られた故障診断の診断結果を保持する。
作業担当者（メンテナンス員）６０は、メンテナンス用端末７０から故障診断装置１０にアクセスし、診断結果が示す故障個所を確認する。そして、作業担当者６０は、故障診断装置１０から得られる診断結果に基づいて、現場にて部品交換作業等を実施する。
図２は、第１の実施形態に係るＣＧＳ４０の構成の一例を示すブロック図である。
図２に示すように、本実施形態に係るＣＧＳ４０は、大きく分けて、制御装置４１と、ＣＧＳ本体部４９と、を備えている。制御装置４１は、ＣＧＳ本体部４９と一体的に構成されてもよいし、ＣＧＳ本体部４９とは別体で構成されてもよい。
制御装置４１は、ＣＧＳ４０のコントローラとして機能する。制御装置４１は、ＣＰＵ（Central Processing Unit）４２と、ＲＯＭ（Read Only Memory）４３と、ＲＡＭ（Random Access Memory）４４と、入出力インターフェース（Ｉ／Ｏ）４５と、記憶部４６と、通信部４７と、機器インターフェース（以下、「機器Ｉ／Ｆ」という。）４８と、を備えている。
ＣＰＵ４２、ＲＯＭ４３、ＲＡＭ４４、及びＩ／Ｏ４５は、バスを介して各々接続されている。Ｉ／Ｏ４５には、記憶部４６と、通信部４７と、機器Ｉ／Ｆ４８と、を含む各機能部が接続されている。これらの各機能部は、Ｉ／Ｏ４５を介して、ＣＰＵ４２と相互に通信可能とされる。
記憶部４６としては、例えば、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、フラッシュメモリ等が用いられる。記憶部４６には、ＣＧＳ本体部４９の動作を制御するための制御プログラム４６Ａが記憶される。なお、この制御プログラム４６Ａは、ＲＯＭ４３に記憶されていてもよい。
制御プログラム４６Ａは、例えば、制御装置４１に予めインストールされていてもよい。制御プログラム４６Ａは、不揮発性の記憶媒体に記憶して、又はネットワークＮを介して配布して、制御装置４１に適宜インストールすることで実現してもよい。なお、不揮発性の記憶媒体の例としては、ＣＤ-ＲＯＭ（Compact Disc Read Only Memory）、光磁気ディスク、ＨＤＤ、ＤＶＤ-ＲＯＭ（Digital Versatile Disc Read Only Memory）、フラッシュメモリ、メモリカード等が想定される。
通信部４７は、インターネット、ＬＡＮ、ＷＡＮ等のネットワークＮに接続されており、外部の故障診断装置１０との間でネットワークＮを介して通信が可能とされる。
機器Ｉ／Ｆ４８には、ＣＧＳ本体部４９が接続されている。すなわち、ＣＧＳ本体部４９に含まれる各種電装部品は、機器Ｉ／Ｆ４８を介して、ＣＰＵ４２と通信可能に接続される。
ＣＧＳ本体部４９は、公知の構成である。具体的に、ＣＧＳ本体部４９は、燃料電池ユニット５０を備える。燃料電池ユニット５０には、燃料電池モジュール５１、燃料電池モジュール５１に接続されたガス経路５２、改質水経路５３、及び空気経路５４が設けられている。ＣＧＳ本体部４９は、上述したように、複数の機能部を備える。この機能部は、少なくとも１つの部品を含んでいる。この機能部は、例えば、ガス経路５２を構成する複数の部品、改質水経路５３を構成する複数の部品、又は、空気経路５４を構成する複数の部品としてもよい。この機能部は、ＣＧＳ本体部４９を構成する個々の部品としてもよい。この部品には、例えば、ポンプ、弁、配管、タンク等が含まれる。
燃料電池モジュール５１は、燃料電池スタック５１Ａ及び改質器５１Ｂを備える。改質器５１Ｂは、炭化水素原料を含むガス（例えば、都市ガス）を改質する。燃料電池スタック５１Ａは、電解質層、燃料極、及び空気極を有する複数の燃料電池セルが積層されている。燃料電池スタック５１Ａは、改質器５１Ｂにより都市ガスから改質された改質ガス中の水素と、空気中の酸素とを反応させて電気及び水を発生させるように構成されている。燃料電池ユニット５０は、改質ガス及び空気の供給量を調整するための弁及びポンプ等の補機類と、燃料電池スタック５１Ａによる発電で発生した熱を伝熱媒体（例えば、水等）との間で熱交換するための熱交換器と、を備えている。
ＣＧＳ本体部４９は、貯湯タンクを備える。ＣＧＳ本体部４９では、貯湯タンクに給水されると、貯湯タンクから燃料電池ユニット５０の熱交換器に水が供給され、この熱交換器で水が燃料電池スタック５１Ａの熱で加熱される。熱交換器で水が加熱されると、水が湯となる。この湯は、貯湯タンクに供給され、この貯湯タンクに貯められる。貯湯タンクは、燃料電池ユニット５０との間で水及び湯を行き来させるための弁及びポンプや、貯湯タンクに貯めた湯を排湯させるための弁及びポンプ等の補機類を備える。
また、ガス経路５２は、都市ガスが流れる経路である。ガス経路５２には、都市ガスの供給量を調整するための弁及びポンプ等の補機類が含まれる。改質水経路５３は、改質水が流れる経路である。改質水経路５３には、改質水の供給量を調整するための弁及びポンプ等の補機類が含まれる。空気経路５４は、空気が流れる経路である。空気経路５４には、空気の供給量を調整するための弁及びポンプ等の補機類が含まれる。
制御装置４１は、ＣＧＳ本体部４９に備えられた補機類を制御するコントローラである。制御装置４１は、ＣＧＳ本体部４９に対して、補機類を制御するための制御信号をそれぞれ出力する。また、ＣＧＳ本体部４９は、制御装置４１に対して、ＣＧＳ本体部４９の運転状況を表す運転データを出力する。この運転データには、特徴量として、補機類の動作状態を表すデータ（例えば、電圧値、電流値等）、ＣＧＳ本体部４９に設けられた各種センサの検出値等が含まれる。具体的に、補機類の動作状態を表すデータとは、例えば、ポンプの場合にはポンプの操作量を表すデータであり、弁の場合には弁の開閉状態を表すデータである。また、各種センサの検出値とは、例えば、配管の場合には都市ガス、改質水、及び空気のそれぞれの流量を表す値であり、タンクの場合には水位を表す値である。
制御装置４１は、ＣＧＳ本体部４９から取得した時系列の運転データを記憶部４６に記憶する。制御装置４１は、ＣＧＳ本体部４９から取得した運転データに基づいて、ＣＧＳ本体部４９のエラーを検知する機能を有する。なお、エラーの検知は、例えば、運転データから得られる特徴量と対応する閾値との比較により行われる。
ここで、図３を参照して、本実施形態に係る制御装置４１によるエラー発報処理について具体的に説明する。なお、このエラー発報処理は、制御装置４１が備える制御プログラム４６Ａによって実行される。
図３は、第１の実施形態に係る制御プログラム４６Ａによる処理の流れの一例を示すフローチャートである。
まず、ＣＰＵ４２により記憶部４６に記憶されている制御プログラム４６Ａが起動され、以下に示す各ステップが実行される。
図３のステップＳ１０１では、ＣＰＵ４２が、ＣＧＳ本体部４９から時系列で取得した運転データを記憶部４６に記憶すると共に、取得した運転データに基づいて、エラーの発生を示す異常値を検知したか否かを判定する。異常値を検知したと判定した場合（肯定判定の場合）、ステップＳ１０２に移行し、異常値を検知しないと判定した場合（否定判定の場合）、ステップＳ１０１で待機となる。
ステップＳ１０２では、ＣＰＵ４２が、記憶部４６に記憶した時系列の運転データの中から、エラー検知時、エラー検知前数秒間（例えば、１０秒以下）、及び、エラー検知後数秒間（例えば、１０秒以下）の少なくとも１つの運転データを動作履歴データとして抽出し、抽出した動作履歴データを記憶部４６に保持する。この動作履歴データには、上述したように、例えば、各種センサの検出値、補機類の動作状態を表すデータ、エラーコード等が含まれる。記憶部４６に保持した動作履歴データを「データ１」と称する。
ステップＳ１０３では、ＣＰＵ４２が、ステップＳ１０２でのデータ１の保持をもってエラーを確定する。
ステップＳ１０４では、ＣＰＵ４２が、通信部４７を介して、ステップＳ１０２で保持したデータ１を故障診断装置１０に送信し、本制御プログラム４６Ａによる一連の処理を終了する。
図４は、第１の実施形態に係る故障診断装置１０の電気的な構成の一例を示すブロック図である。
図４に示すように、本実施形態に係る故障診断装置１０は、ＣＰＵ１１と、ＲＯＭ１２と、ＲＡＭ１３と、Ｉ／Ｏ１４と、記憶部１５と、表示部１６と、操作部１７と、通信部１８と、を備えている。
ＣＰＵ１１、ＲＯＭ１２、ＲＡＭ１３、及びＩ／Ｏ１４は、バスを介して各々接続されている。Ｉ／Ｏ１４には、記憶部１５と、表示部１６と、操作部１７と、通信部１８と、を含む各機能部が接続されている。これらの各機能部は、Ｉ／Ｏ１４を介して、ＣＰＵ１１と相互に通信可能とされる。
記憶部１５としては、例えば、ＨＤＤ、ＳＳＤ、フラッシュメモリ等が用いられる。記憶部１５には、ＣＧＳ４０の故障を診断するための故障診断プログラム１５Ａが記憶される。なお、この故障診断プログラム１５Ａは、ＲＯＭ１２に記憶されていてもよい。
故障診断プログラム１５Ａは、例えば、故障診断装置１０に予めインストールされていてもよい。故障診断プログラム１５Ａは、不揮発性の記憶媒体に記憶して、又はネットワークＮを介して配布して、故障診断装置１０に適宜インストールすることで実現してもよい。なお、不揮発性の記憶媒体の例としては、ＣＤ-ＲＯＭ、光磁気ディスク、ＨＤＤ、ＤＶＤ-ＲＯＭ、フラッシュメモリ、メモリカード等が想定される。
表示部１６には、例えば、液晶ディスプレイ（ＬＣＤ:Liquid Crystal Display）、有機ＥＬ（Electro Luminescence）ディスプレイ等が用いられる。表示部１６は、タッチパネルを一体的に有していてもよい。操作部１７には、例えば、キーボード、マウス等の操作入力用のデバイスが設けられている。表示部１６及び操作部１７は、故障診断装置１０のユーザから各種の指示を受け付ける。表示部１６は、ユーザから受け付けた指示に応じて実行された処理の結果や、処理に対する通知等の各種の情報を表示する。
通信部１８は、インターネット、ＬＡＮ、ＷＡＮ等のネットワークＮに接続されており、ＣＧＳ４０、メンテナンス用端末７０との間でネットワークＮを介して通信が可能とされる。
本実施形態に係る故障診断装置１０のＣＰＵ１１は、記憶部１５に記憶されている故障診断プログラム１５ＡをＲＡＭ１３に書き込んで実行することにより、図５に示す各部として機能する。
図５は、第１の実施形態に係る故障診断装置１０の機能的な構成の一例を示すブロック図である。
図５に示すように、本実施形態に係る故障診断装置１０のＣＰＵ１１は、取得部１１Ａ、加工部１１Ｂ、推定部１１Ｃ、学習部１１Ｄ、及び出力部１１Ｅとして機能する。
また、記憶部１５には、上述したように、機能部毎に故障診断モデル１５Ｂが予め格納されている。つまり、１つの機能部（又は部品）に対して１つの故障診断モデル１５Ｂが対応している。故障診断モデル１５Ｂは、上述したように、例えば、機械学習により得られる、ＣＧＳ４０の機能部毎に故障を診断するための数理モデルである。
取得部１１Ａは、上述のＣＧＳ４０から送信された動作履歴データを取得する。例えば、動作履歴データとしてデータ１を取得する。
加工部１１Ｂは、取得部１１Ａにより取得された動作履歴データに対して、複数の故障診断モデル１５Ｂに共通の第１加工を行い、第１加工を行って得られたデータに対して、複数の故障診断モデル１５Ｂの各々に個別の第２加工を行う。
推定部１１Ｃは、複数の故障診断モデル１５Ｂの各々に対して、加工部１１Ｂにより第１加工及び第２加工が行われたデータを入力する。そして、推定部１１Ｃは、複数の故障診断モデル１５Ｂの各々から出力される判定結果を用いて、ＣＧＳ４０の機能部毎に故障の有無を推定する。なお、故障診断モデル１５Ｂは、判定結果として、例えば、故障又は健全を出力する２クラス分類を行うモデルとされる。
学習部１１Ｄは、過去に得られた動作履歴データ群を学習用データとして機械学習を行うことにより故障診断モデル１５Ｂを生成する。学習部１１Ｄにより生成された故障診断モデル１５Ｂが記憶部１５に格納される。なお、故障診断モデル１５Ｂの格納場所は、記憶部１５に限定されない。例えば、外部の記憶装置に格納されていてもよい。また、本実施形態では、自装置で機械学習する構成としているが、外部装置で機械学習を行う構成としてもよい。また、機械学習に代えて、多変量解析を用いて故障診断モデル１５Ｂを生成してもよい。
出力部１１Ｅは、推定部１１Ｃにより推定された機能部毎の最終的な診断結果を、例えば、記憶部１５に出力して保持する。また、出力部１１Ｅは、メンテナンス用端末７０からのアクセスに応じて、記憶部１５に保持した最終的な診断結果をメンテナンス用端末７０に送信する。なお、この最終的な診断結果には、機能部毎（あるいは部品毎）に、診断結果（故障、健全）及び取るべき対応等が含まれている。例えば、データ１の判定結果が「故障」であれば、作業担当者６０が取るべき対応は「部品交換」となる。また、データ１の判定結果が「健全」であれば、作業担当者６０が取るべき対応は「なし」となる。
具体的に、故障診断装置１０は、ＣＧＳ４０のエラー発報時に、エラー発生前後の運転データを動作履歴データとして取得する。このとき、各機能部についての動作履歴データ及び診断結果に基づいて教師あり学習を行い、機能部毎に故障診断モデル１５Ｂを生成する。この故障診断モデル１５Ｂを用いることで、現場作業を行うことなく、故障部品を特定することができる。なお、ＣＧＳ４０の場合は、ハード・ソフトのランニングチェンジも多いため、１つのモデルで全部品の性能を維持し続けるのは困難である。このため、１つのモデルで１つの機能部（又は部品）に対応するようにしている。
各機能部の故障診断モデル１５Ｂの出力は、例えば、「故障」又は「健全」のいずれかであり、故障診断モデル１５Ｂに設定された閾値と、加工後の動作履歴データの値の大小によって判定される。例えば、故障診断モデル１５Ｂの生成時に、閾値に対する、適合率、再現率の関係（後述）を導出する。これにより、要求する適合率、再現率に合わせて自動的に閾値を設定することができる。
また、故障診断装置１０は、故障診断モデル１５Ｂの判定精度を高めるため、上述の加工部１１Ｂを備える。ＣＧＳ４０の場合、取得できるデータ項目が多数であり、更に同一部品の故障データ数が限られることが多く、過学習（汎化性能が低く、新たな運転データに対する診断精度が低い）になりやすい。このため、より重要な特徴量だけを残すデータ加工が必須である。なお、ここでいう汎化性能とは、未知のデータに対する性能のことを意味する。汎化性能の評価方法としては、例えば、ホールドアウト法、ｋ交差検証法等の公知の手法が挙げられる。加工部１１Ｂは、例えば、下記に示す機能を有する。
（１）動作履歴データの内、故障診断モデルの作成に不要なデータ項目を削除する機能。例：現在時刻、発電/停止等燃料電池の運転スケジュール、給湯設定温度等のリモコン設定値、目的変数との相関が一定以下であるデータ項目、等。
（２）動作履歴データの１つの特徴量についての時間的変化や、統計量(平均・最大・最小・分散・出現頻度など)を算出し、新たな特徴量として追加する機能。もとになる特徴量は複数でも良い。例：エラー発生前後の時間的な温度変化、ポンプ回転数Ｘ以下の出現回数、等。
（３）複数の特徴量を組み合わせて新たな特徴量にまとめる機能（組合せに使用した特徴量は削除する）。例：電流・電圧→電力、ガス流量・電流→燃料利用率、ブロワデュティ・回転数→ブロワの回転抵抗、等。
（４）質的データのダミー変数を設定する機能。例：制御シーケンス（１：起動、２：発電、３：停止）等のように連続値として扱えないデータ項目。
（５）時系列データの中から特定の時刻のデータだけを抽出する機能。例：エラーが発報された瞬間のデータ、等。
次に、図６を参照して、第１の実施形態に係る故障診断装置１０の作用を説明する。
図６は、第１の実施形態に係る故障診断プログラム１５Ａによる処理の流れの一例を示すフローチャートである。なお、本実施形態における機能部は１つの部品として表されるものとする。
まず、ＣＰＵ１１により記憶部１５に記憶されている故障診断プログラム１５Ａが起動され、以下に示す各ステップが実行される。
図６のステップＳ１１１では、ＣＰＵ１１が、ＣＧＳ４０の制御装置４１から送信された動作履歴データ（ここではデータ１）を取得する。
ステップＳ１１２では、ＣＰＵ１１が、ステップＳ１１１で取得したデータ１に対して、機能部毎（ここでは部品毎）の複数のモデルに共通の第１加工を行う、第１加工では、例えば、以下の処理Ａ１～Ａ５を行う。
Ａ１：全ての部品で使用頻度が所定値よりも低い不要なデータ項目の削除（例えば、時刻、運転スケジュール等）。なお、所定値は、例えば、０以上１０以下の範囲で適宜設定される。
Ａ２：任意期間の温度・電圧等の時間的変化を表すデータ項目、及び、統計量(平均・最大・最小・分散等)を表すデータ項目の少なくとも一方の追加。
Ａ３：出現頻度など、事前調査で一部の部品の診断への有効性が確認されているデータ項目の追加（例えば、”電圧＜閾値の出現回数”、”ポンプ回転数ゼロの出現回数”等）。
Ａ４：制御シーケンス等の質的データ（＝数値データ以外）のダミー変数の設定。
Ａ５：相関関係のある複数のデータ項目を合成して新たなデータ項目として追加。具体的には、主成分分析法（ＰＣＡ：Principal Component Analysis、以下、「ＰＣＡ」という。）を用いてデータ項目を合成し、相関の無い少数の主成分を新たなデータ項目として追加する。
ここで、相関が強いデータ項目のＰＣＡの具体例について説明する。例えば、ガス流量とガスブロワ回転数の場合、ブロワの回転数が多いほど流量が大きくなる。ガス流量とガスブロワ回転数についてＰＣＡを行うと、第１主成分は流量と回転数の比例方向(正常動作の方向)になる。この第１主成分を２つのデータ項目の代わりに学習に用いることで、両方のデータの意味を残しつつ変数を減じることができる。
また、第２主成分は第１主成分の直交成分になり、例えば、「動作誤差」や「ガス経路圧損」のように解釈でき、動作・経路の正常性を意味するパラメータになり得る。第２主成分をデータ項目として加えることで、部品故障に敏感で機械学習にとってわかりやすいパラメータを作成することができる。
なお、第１主成分及び第２主成分は独立しているため、相関性のあるガス流量とガスブロワ回転数をそのまま使用するよりも精度が向上する。
このほか、例えば、「電流、電圧、ガス流量、空気流量、改質水量、ホットモジュール内温度」といった発電関連項目、「貯湯タンク内温度、ラジエータ回転数／デュティ、熱媒循環ポンプ回転数／デュティ」といった熱回収関連項目などは、相関性が高くなりやすい。このため、上記ＰＣＡの利用が望ましい。
上記第１加工では、例えば、上記Ａ１～Ａ５の１つ以上の処理を行い、ＣＧＳ４０で使用する又は使用する可能性のある全ての項目が記載されたデータを生成する。
次に、ステップＳ１１３では、ＣＰＵ１１が、部品Ａの故障診断モデル１５Ｂが有るか否かを判定する。部品Ａの故障診断モデル１５Ｂが無いと判定した場合（否定判定の場合）、ステップＳ１１４に移行し、部品Ａの故障診断モデル１５Ｂが有ると判定した場合（肯定判定の場合）、ステップＳ１１５に移行する。
ステップＳ１１４では、ＣＰＵ１１が、判定結果を「モデル無し」として、ステップＳ１１８に移行する。
ステップＳ１１５では、ＣＰＵ１１が、ステップＳ１１２で第１加工を行ったデータに対して、部品Ａのモデル個別の第２加工を行う。第２加工では、例えば、以下の処理Ｂ１を行う。
Ｂ１：該当部品の故障有無と各データ項目との相関性を計測し、相関性が一定未満のデータ項目の削除。
例えば、上記Ｂ１の処理を行い、該当部品にとって重要なデータ項目のみを残す。つまり、データ加工（共通）では、データ項目の全てを出し切り、データ加工（個別）では、データ加工（共通）で出し切った全てのデータ項目から、個々の部品に必要なデータ項目のみを抽出する。
なお、データ加工(共通)で行う処理に関しては、予め重要なデータが判っていない限り、故障診断モデル１５Ｂの生成時には自動化させることが難しい。このため、故障診断モデル１５Ｂの生成時はある程度手作業が発生する。一方、故障診断モデル１５Ｂの生成後は同じ加工手順を辿れば良いため、完全に自動化することができる。このため、図６のフローを完全自動化させるためには、共通及び個別のデータ処理手順を記憶しておけばよい。
データ加工（共通）を自動化する場合には、例えば、次の手順で実施する。
（１）機械学習への寄与度によらず、ありとあらゆる変数を出し切る（上記Ａ１～Ａ５の処理）。
（２）変数増加法により最も性能が改善する変数を１つずつ追加しながらモデル作成、パラメータ最適化、及び性能評価を繰り返し、変数を追加しても性能がほとんど変化しなくなる、あるいは、一定以上の性能に到達するまで実施する。
なお、上記（１）で適切な変数を全ての部品に対して事前に出し切ることは現実には難しく、予め重要な変数が判っていない限りは全自動化が難しく、一部の部品では手動チューニングが発生する。また、一般的に変数が多いデータを扱う場合は過学習になりやすい傾向があり、性能向上のために変数削減が求められる。上記（１）の処理を行ったデータは変数が多い状態となるため、上記（２）による変数選定は重要である。
ステップＳ１１６では、ＣＰＵ１１が、上記第１加工及び第２加工による加工後のデータを部品Ａの故障診断モデル１５Ｂに入力する。
ステップＳ１１７では、ＣＰＵ１１が、部品Ａの故障診断モデル１５Ｂから出力される判定結果を取得する。
ステップＳ１１８では、ＣＰＵ１１が、ステップＳ１１４又はステップＳ１１７で取得した判定結果を記憶部１５に記憶し、ステップＳ１３１に移行する。
一方、ステップＳ１１９では、ＣＰＵ１１が、部品Ｂの故障診断モデル１５Ｂが有るか否かを判定する。部品Ｂの故障診断モデル１５Ｂが無いと判定した場合（否定判定の場合）、ステップＳ１２０に移行し、部品Ｂの故障診断モデル１５Ｂが有ると判定した場合（肯定判定の場合）、ステップＳ１２１に移行する。
ステップＳ１２０では、ＣＰＵ１１が、判定結果を「モデル無し」として、ステップＳ１２４に移行する。
ステップＳ１２１では、ＣＰＵ１１が、ステップＳ１１２で第１加工を行ったデータに対して、部品Ｂのモデル個別の第２加工を行う。第２加工では、例えば、上述の処理Ｂ１を行う。
ステップＳ１２２では、ＣＰＵ１１が、上記第１加工及び第２加工による加工後のデータを部品Ｂの故障診断モデル１５Ｂに入力する。
ステップＳ１２３では、ＣＰＵ１１が、部品Ｂの故障診断モデル１５Ｂから出力される判定結果を取得する。
ステップＳ１２４では、ＣＰＵ１１が、ステップＳ１２０又はステップＳ１２３で取得した判定結果を記憶部１５に記憶し、ステップＳ１３１に移行する。
一方、ステップＳ１２５では、ＣＰＵ１１が、部品Ｃの故障診断モデル１５Ｂが有るか否かを判定する。部品Ｃの故障診断モデル１５Ｂが無いと判定した場合（否定判定の場合）、ステップＳ１２６に移行し、部品Ｃの故障診断モデル１５Ｂが有ると判定した場合（肯定判定の場合）、ステップＳ１２７に移行する。
ステップＳ１２６では、ＣＰＵ１１が、判定結果を「モデル無し」として、ステップＳ１３０に移行する。
ステップＳ１２７では、ＣＰＵ１１が、ステップＳ１１２で第１加工を行ったデータに対して、部品Ｃのモデル個別の第２加工を行う。第２加工では、例えば、上述の処理Ｂ１を行う。
ステップＳ１２８では、ＣＰＵ１１が、上記第１加工及び第２加工による加工後のデータを部品Ｃの故障診断モデル１５Ｂに入力する。
ステップＳ１２９では、ＣＰＵ１１が、部品Ｃの故障診断モデル１５Ｂから出力される判定結果を取得する。
ステップＳ１３０では、ＣＰＵ１１が、ステップＳ１２６又はステップＳ１２９で取得した判定結果を記憶部１５に記憶し、ステップＳ１３１に移行する。
ステップＳ１３１では、ＣＰＵ１１が、ステップＳ１１８、ステップＳ１２４、及びステップＳ１３０で記憶部１５に記憶した判定結果に基づいて、最終的な診断結果を出力し、本故障診断プログラム１５Ａによる一連の処理を終了する。
すなわち、上述の図６のフローに示すように、故障診断装置１０は、ＣＧＳ４０の動作履歴データを取得し、各部品の故障診断モデル１５Ｂに共通するデータ加工を行う。なお、図６のフローでは、部品毎に故障／健全を判定しているが、複数の部品を含む機能部毎に故障／健全を判定してもよい。
判定に際して、例えば、各部品について一定の性能を満たす故障診断モデル１５Ｂが存在するか否かを判定する。故障診断モデル１５Ｂが存在しない場合は、「モデル無し」を判定結果として記憶し、必要に応じて、作業担当者が現場作業などで故障診断作業を行う。故障診断モデル１５Ｂが存在する場合は、部品毎に予め定められたモデル個別のデータ加工を行い、加工後のデータを各部品の故障診断モデル１５Ｂに入力して故障診断を実施する。部品毎に同様のデータ加工及びモデル判定を実行し、最終的な診断結果を、例えば、燃料電池本体、端末画面、リモコン画面等に表示する。
次に、図７を参照して、第１の実施形態に係る故障診断装置１０によるモデル生成処理について具体的に説明する。
図７は、第１の実施形態に係る故障診断プログラム１５Ａによるモデル生成処理の流れの一例を示すフローチャートである。なお、上述の通り、本実施形態に係る故障診断装置１０では、例えば、部品毎に故障判定を行うため、部品毎に故障診断モデル１５Ｂを生成するものとする。
まず、ＣＰＵ１１により記憶部１５に記憶されている故障診断プログラム１５Ａが起動され、以下に示す各ステップが実行される。
図７のステップＳ１４１では、ＣＰＵ１１が、全ての過去の動作履歴データを学習用データとして読み込む。
ステップＳ１４２では、ＣＰＵ１１が、部品Ａの故障数が一定数（＝ｎ）以上有るか否かを判定する。部品Ａの故障数が一定数（＝ｎ）以上有ると判定した場合（肯定判定の場合）、ステップＳ１４３に移行し、部品Ａの故障数が一定数（＝ｎ）以上無い、つまり、一定数（＝ｎ）に満たないと判定した場合（否定判定の場合）、モデル生成処理を実施せずに、本故障診断プログラム１５Ａの処理を終了する。
ここで、モデル生成のためには部品毎に一定数以上の故障数が必要とされる。このため、故障数が一定数に満たない場合には、モデル生成を実施せず、対象部品を故障診断システムの対象外とする。故障数が一定数以上ある場合は、データ加工を行う。
ステップＳ１４３では、ＣＰＵ１１が、ステップＳ１４１で読み込んだ学習用データに対して、データ加工を行う。データ加工は、部品毎に重要となるデータ項目が異なるため、例えば、手動でチューニングを行いながら、トライ・アンド・エラーを繰り返して行う。
ステップＳ１４４では、ＣＰＵ１１が、ステップＳ１４３で加工したデータを用いて部品Ａの学習ロジック１のモデルを生成する。
ステップＳ１４５では、ＣＰＵ１１が、ステップＳ１４３で加工したデータを用いて部品Ａの学習ロジック２のモデルを生成する。
ステップＳ１４６では、ＣＰＵ１１が、ステップＳ１４３で加工したデータを用いて部品Ａの学習ロジック３のモデルを生成する。
ステップＳ１４７では、ＣＰＵ１１が、部品Ａの学習ロジック１のモデル、学習ロジック２のモデル、及び学習ロジック３のモデルの中から、最適モデルを決定する。
ステップＳ１４８では、ＣＰＵ１１が、ステップＳ１４７で決定した最適モデルの性能を表す性能指標値（例えば、適合率、再現率等）が設定値よりも高いか否かを判定する。性能指標値が設定値よりも高いと判定した場合（肯定判定の場合）、ステップＳ１４９に移行し、性能指標値が設定値以下であると判定した場合（否定判定の場合）、本故障診断プログラム１５Ａの処理を終了する。
ステップＳ１４９では、ＣＰＵ１１が、ステップＳ１４７で決定した、部品Ａの最適モデルを記憶部１５に格納し、本故障診断プログラム１５Ａによる一連の処理を終了する。
一方、ステップＳ１５０では、ＣＰＵ１１が、部品Ｂの故障数が一定数（＝ｎ）以上有るか否かを判定する。部品Ｂの故障数が一定数（＝ｎ）以上有ると判定した場合（肯定判定の場合）、ステップＳ１５１に移行し、部品Ｂの故障数が一定数（＝ｎ）以上無い、つまり、一定数（＝ｎ）に満たないと判定した場合（否定判定の場合）、モデル生成処理を実施せずに、本故障診断プログラム１５Ａの処理を終了する。
ステップＳ１５１では、ＣＰＵ１１が、ステップＳ１４１で読み込んだ学習用データに対して、データ加工を行う。データ加工は、部品毎に重要となるデータ項目が異なるため、例えば、手動でチューニングを行いながら、トライ・アンド・エラーを繰り返して行う。
ステップＳ１５２では、ＣＰＵ１１が、ステップＳ１５１で加工したデータを用いて部品Ｂの学習ロジック１のモデルを生成する。
ステップＳ１５３では、ＣＰＵ１１が、ステップＳ１５１で加工したデータを用いて部品Ｂの学習ロジック２のモデルを生成する。
ステップＳ１５４では、ＣＰＵ１１が、ステップＳ１５１で加工したデータを用いて部品Ｂの学習ロジック３のモデルを生成する。
ステップＳ１５５では、ＣＰＵ１１が、部品Ｂの学習ロジック１のモデル、学習ロジック２のモデル、及び学習ロジック３のモデルの中から、最適モデルを決定する。
ステップＳ１５６では、ＣＰＵ１１が、ステップＳ１５５で決定した最適モデルの性能を表す性能指標値（例えば、適合率、再現率等）が設定値よりも高いか否かを判定する。性能指標値が設定値よりも高いと判定した場合（肯定判定の場合）、ステップＳ１５７に移行し、性能指標値が設定値以下であると判定した場合（否定判定の場合）、本故障診断プログラム１５Ａの処理を終了する。
ステップＳ１５７では、ＣＰＵ１１が、ステップＳ１５５で決定した、部品Ｂの最適モデルを記憶部１５に格納し、本故障診断プログラム１５Ａによる一連の処理を終了する。
すなわち、各部品の故障診断モデル１５Ｂとして格納される最適モデルは、複数の異なる学習ロジックで生成された複数のモデル候補の中で性能が最も高いモデルとされる。具体的に、上述の図７のフローに示すように、加工したデータを用いて、例えば、ニューラルネットワーク、ランダムフォレスト、サポートベクターマシン等の複数の学習ロジックで機械学習を行い、最適な故障診断モデル及び閾値を決定する。ここでは、第一段階として、学習ロジック毎にパラメータの最適化を実施するため、学習ロジック数分の故障診断モデルが最適モデル候補として生成される。パラメータの内容は、学習ロジックによって異なるが、例えば、ランダムフォレストでは決定木の数と各決定木の深さ等が特に重要であり、サポートベクターマシンの場合はハイパーパラメータＣ等が特に重要と言われている。
これらの最適モデル候補を比較し、最も性能が高い最適モデル候補を最適モデルとして決定する。この比較方法には、例えば、図８に示すＰＲＡＵＣ（Precision Recall Area Under Curve）法が適している。
図８は、本実施形態に係るＰＲＡＵＣ法の概念を説明するための図である。
図８において、縦軸は故障判定時の適合率（Precision）を示し、横軸は故障検出の再現率（Recall）を示す。複数の最適モデル候補の故障／健全を判定する閾値を変化させたときの再現率及び適合率をプロットし、ＰＲ曲線を作成する。ＰＲ曲線の下に位置する領域の面積をＡＵＣ（Area Under Curve）という。
このＰＲＡＵＣ法によれば、面積ＡＵＣが０以上１以下の範囲で大きいほど、モデルの性能が高いとされる。つまり、面積ＡＵＣが１のときのＰＲ曲線が理想的なＰＲ曲線とされる。このため、最適モデル候補の中で、面積ＡＵＣが最大となるモデル候補を最適モデルとする。そして、いずれかの動作点（閾値）における適合率又は再現率が、事前に設定したメンテナンス運用上要求される設定値より高い場合には、最適モデルの性能が一定水準に到達していると判定される。なお、適合率の設定値と、再現率の設定値とは異なるものとする。この場合には、得られた最適モデルを、故障診断システムの故障診断モデルとして実装する。
なお、複数の最適モデル候補の中から１つの最適モデルを決定する以外にも、例えば、複数の最適モデル候補同士をアンサンブル学習により融合し、１つの最適モデルを生成する手法も有効である。また、最適モデルが要求される性能に満たない場合は、故障診断システムには実装されない。このため、上述の図６のフローにおいて「モデル無し」と判定される。
次に、図９を参照して、故障診断モデル１５Ｂの性能を表す指標について具体的に説明する。性能を表す指標には、上述したように、例えば、故障判定時の適合率及び故障検出の再現率の少なくとも一方が用いられる。
図９は、本実施形態に係る適合率及び再現率の説明に供する図である。
図９に示す表は、部品Ａの故障診断モデル１５Ｂについて、予測と実態との対応関係を示している。枠内はデータ数を示す。つまり、予測が健全、実態が健全である場合のデータ数は２８（＝Ａ）である。予測が故障、実態が健全である場合のデータ数は１（＝Ｂ）である。予測が健全、実態が故障である場合のデータ数は１２（＝Ｃ）である。予測が故障、実態が故障である場合のデータ数は９（＝Ｄ）である。
図９の例では、故障判定時の適合率＝Ｄ／（Ｂ＋Ｄ）＝９／１０＝９０％、と求まる。つまり、この場合、適合率とは、故障と予測された全データ数に対する実態が故障であったデータ数の割合とされる。
また、故障検出の再現率は、故障を見つける割合を表し、図９の例では、再現率＝Ｄ／（Ｃ＋Ｄ）、と表される。つまり、再現率とは、実態が故障であった全データ数に対する故障と予測されたデータ数の割合とされる。
また、健全判定時の適合率を採用してもよい。図９の例では、健全判定時の適合率＝Ａ／（Ａ＋Ｃ）、と表される。つまり、この場合、適合率とは、健全と予測された全データ数に対する実態が健全であったデータ数の割合とされる。
また、故障診断モデル１５Ｂの性能を表す指標には、正解率を用いてもよい。この正解率とは、予測した全データ数に対する正解したデータ数の割合とされる。
上記において、適合率が０以上１以下の範囲で高いほど、モデルの性能が高いとされる。この場合、適合率が設定値より高い場合に、故障診断モデル１５Ｂの性能が一定水準に到達していると判定される。また、再現率が０以上１以下の範囲で高いほど、モデルの性能が高いとされる。この場合、再現率が設定値より高い場合に、故障診断モデル１５Ｂの性能が一定水準に到達していると判定される。また、正解率が０以上１以下の範囲で高いほど、モデルの性能が高いとされる。この場合、正解率が設定値より高い場合に、故障診断モデル１５Ｂの性能が一定水準に到達していると判定される。
なお、本実施形態では、故障診断装置１０を外部のサーバ装置として実現した場合について説明したが、これに限定されない。故障診断装置１０はＣＧＳ４０の制御装置４１として実現してもよい。
このように本実施形態によれば、ＣＧＳのエラーが検知された場合に、エラー検知時の動作履歴データをモデル共通、モデル個別の２段階で加工した上で故障診断モデルに入力して故障診断が行われる。このため、ＣＧＳの故障診断を、作業担当者の現場での負荷を軽減させつつ、精度良く行うことができる。
[第２の実施形態]
第２の実施形態では、ＣＧＳ４０のエラーの種別に応じた経路診断を、ガス経路５２、改質水経路５３、及び空気経路５４の少なくとも１つに対して行い、故障の可能性のある経路を絞り込み、絞り込んだ経路により特定される機能部の故障診断モデル１５Ｂを選択的に用いる形態について説明する。
図１０は、第２の実施形態に係る故障診断装置１０Ａの機能的な構成の一例を示すブロック図である。
図１０に示すように、本実施形態に係る故障診断装置１０ＡのＣＰＵ１１は、記憶部１５に記憶されている故障診断プログラム１５ＡをＲＡＭ１３に書き込んで実行することにより、取得部１１Ａ、加工部１１Ｂ、推定部１１Ｃ、学習部１１Ｄ、出力部１１Ｅ、及び経路診断部１１Ｆとして機能する。なお、上記第１の実施形態で説明した故障診断装置１０と同じ構成要素には同じ符号を付し、その繰り返しの説明は省略する。
経路診断部１１Ｆは、燃料電池ユニット５０のエラーを検知した場合に、ＣＧＳ４０からの動作履歴データに含まれるエラーコードに応じた経路診断を特定する。そして、経路診断部１１Ｆは、特定したエラーコードに応じた経路診断を、ガス経路５２、改質水経路５３、及び空気経路５４の少なくとも１つに対して行い、故障の可能性がある経路を絞り込む。なお、ガス経路５２、改質水経路５３、及び空気経路５４は、上述したように、燃料電池ユニット５０に設けられ、燃料電池モジュール５１に接続された経路である。
加工部１１Ｂは、上述したように、取得部１１Ａにより取得された動作履歴データをモデル共通、モデル個別の２段階に加工する。推定部１１Ｃは、記憶部１５に格納されている複数の故障診断モデル１５Ｂの中から、経路診断部１１Ｆにより絞り込んだ経路によって特定される機能部の故障診断モデル１５Ｂを選択する。そして、推定部１１Ｃは、選択した故障診断モデル１５Ｂの各々に対して、加工部１１Ｂによって加工されたデータを入力し、故障診断モデル１５Ｂの各々から出力される判定結果を用いて、ＣＧＳ４０の機能部毎に故障の有無を推定する。
また、経路診断部１１Ｆは、経路診断による経路の絞り込みの結果を、エラーの種別を表すエラーコードと共に通知する制御を行うようにしてもよい。なお、エラーコードの通知先は、例えば、作業担当者６０が持つメンテナンス用端末７０とされる。
また、経路診断部１１Ｆは、ガス経路５２、改質水経路５３、及び空気経路５４の少なくとも１つに対する経路診断を、燃料電池ユニット５０の温度帯に応じた方法を用いて行う。
ここで、本実施形態に係る記憶部１５には、第１データテーブル１５Ｃと、第２データテーブル１５Ｄとが記憶されている。これらの第１データテーブル１５Ｃ及び第２データテーブル１５Ｄは、経路診断部１１Ｆにより参照可能とされる。
図１１は、本実施形態に係る第１データテーブル１５Ｃの一例を示す図である。
図１１に示す第１データテーブル１５Ｃは、エラー種別（エラーコードＡ～Ｈ）毎に故障の可能性がある経路を予め指定して区分けしたデータテーブルである。エラーコードＡは、ガス経路５２、改質水経路５３、及び空気経路５４を対象とするコードであり、第１エラーコードの一例である。エラーコードＢは、ガス経路５２及び改質水経路５３を対象とするコードであり、第２エラーコードの一例である。エラーコードＣは、ガス経路５２及び空気経路５４を対象とするコードであり、第３エラーコードの一例である。エラーコードＥは、改質水経路５３及び空気経路５４を対象とするコードであり、第４エラーコードの一例である。これらのエラーコードＡ、Ｂ、Ｃ、Ｅはいずれも２つ以上の経路を対象としている。これらのエラーコードＡ、Ｂ、Ｃ、Ｅには経路を絞り込むための経路診断方法が対応付けられている。具体的に、エラーコードＡには経路診断Ａが対応付けられ、エラーコードＢには経路診断Ｂが対応付けられ、エラーコードＣには経路診断Ｃが対応付けられ、エラーコードＥには経路診断Ｅが対応付けられている。なお、これらの経路診断Ａ、Ｂ、Ｃ、Ｅの具体的な経路診断方法については後述する。
なお、エラーコードＤでは、ガス経路５２のみが対象とされているため、エラー原因がガス経路５２と特定される。同様に、エラーコードＦでは改質水経路５３のみが対象とされているため、エラー原因が改質水経路５３と特定され、エラーコードＧでは空気経路５４のみが対象とされているため、エラー原因が空気経路５４と特定される。また、エラーコードＨは、ガス、改質水、及び空気の各経路とは無関係のエラーである。図１１の例では、これらのエラーコードＤ、Ｆ、Ｇ、Ｈについての経路診断は行われないが、エラーコードＤ、Ｆ、Ｇについては経路診断を行うようにしてもよい。
図１２は、本実施形態に係る第２データテーブル１５Ｄの一例を示す図である。
図１２に示す第２データテーブル１５Ｄは、温度帯の区分けと各温度帯における改質水、ガス、及び空気の経路診断方法を規定したデータテーブルである。燃料電池ユニット５０の温度帯は、第１温度帯の一例である温度帯[イ]、第２温度帯の一例である温度帯[ロ]、第３温度帯の一例である温度帯[ハ]、及び、第４温度帯の一例である温度帯[ニ]を含んでいる。
燃料電池モジュール５１の最高温度を最高温度Ｔ１[℃]とし、改質器５１Ｂ（改質触媒）へのガス導入により炭素析出が生じる温度（例えば、５００℃）を炭素析出温度Ｔ２[℃]とし、燃料電池スタック５１Ａへの空気導入により燃料電池セルの再酸化が生じる温度（例えば、３００℃）を再酸化温度Ｔ３[℃]とし、改質器５１Ｂに導入される改質水が気化する温度（例えば、１００℃）を気化温度Ｔ４[℃]とした場合、温度帯[イ]は、炭素析出温度Ｔ２より高く、最高温度Ｔ１以下の温度帯である。温度帯[ロ]は、再酸化温度Ｔ３より高く、炭素析出温度Ｔ２以下の温度帯である。温度帯[ハ]は、気化温度Ｔ４より高く、再酸化温度Ｔ３以下の温度帯である。温度帯[ニ]は、気化温度Ｔ４以下の温度帯である。
ガス経路診断方法は、燃料電池ユニット５０の温度が温度帯[イ]である場合に、改質水及びガスを導入し、燃料電池ユニット５０の温度が温度帯[ロ]又は温度帯[ハ]又は温度帯[ニ]である場合に、ガスを導入する方法である。温度帯[イ]で改質水を導入するのは、炭素の析出を防止するためである。なお、温度帯[ロ]及び温度帯[ハ]では、改質水及びガスを導入してもよい。なお、燃料電池ユニット５０の温度には、燃料電池スタック５１Ａの温度であるスタック温度及び改質器５１Ｂの温度である改質温度の少なくとも一方が用いられる。例えば、スタック温度及び改質温度のうち、より高温な温度を燃料電池ユニット５０の温度としてもよいし、スタック温度及び改質温度の平均温度を燃料電池ユニット５０の温度としてもよい。また、燃料電池ユニット５０の温度情報は、ＣＧＳ４０の制御装置４１から取得される。燃料電池ユニット５０の温度情報は、例えば、制御装置４１から故障診断装置１０Ａに送信される動作履歴データに含めておけばよい。
改質水経路診断方法は、燃料電池ユニット５０の温度が温度帯[イ]又は温度帯[ロ]又は温度帯[ハ]である場合に、改質水を導入し、燃料電池ユニット５０の温度が温度帯[ニ]である場合に、診断不可とする方法である。
空気経路診断方法は、燃料電池ユニット５０の温度が温度帯[イ]又は温度帯[ロ]である場合に、改質水、ガス、及び空気を導入し、燃料電池ユニット５０の温度が温度帯[ハ]又は温度帯[ニ]である場合に、空気を導入する方法である。温度帯[イ]又は温度帯[ロ]で改質水、ガス、及び空気を導入するのは、セルの再酸化を防止するためである。なお、温度帯[イ]では、改質水及び空気を導入してもよい。温度帯[ロ]では、改質水及び空気、又は、ガス及び空気を導入してもよい。温度帯[ハ]では、改質水、ガス、及び空気、又は、改質水及び空気、又は、ガス及び空気を導入してもよい。
次に、図１３を参照して、第２の実施形態に係る故障診断装置１０Ａの作用について説明する。
図１３は、第２の実施形態に係る故障診断プログラム１５Ａによる処理の流れの一例を示すフローチャートである。
まず、ＣＰＵ１１により記憶部１５に記憶されている故障診断プログラム１５Ａが起動され、以下に示す各ステップが実行される。
図１３のステップＳ１６１では、ＣＰＵ１１が、ＣＧＳ４０の制御装置４１から送信された動作履歴データ（ここではデータ１）を取得する。
ステップＳ１６２では、ＣＰＵ１１が、ステップＳ１６１で取得したデータ１からエラーコードを抽出する。
ステップＳ１６３では、ＣＰＵ１１が、ステップＳ１６２で抽出したエラーコードがエラーコードＡであるか否かを判定する。エラーコードＡであると判定した場合（肯定判定の場合）、ステップＳ１６４に移行し、エラーコードＡではないと判定した場合（否定判定の場合）、ステップＳ１６５に移行する。
ステップＳ１６４では、ＣＰＵ１１が、一例として、上述の図１１に示す第１データテーブル１５Ｃを参照し、エラーコードＡに対応付けられた経路診断Ａを実施し、故障の可能性がある経路の絞り込みを行い、ステップＳ１７１に移行する。なお、この経路診断Ａの具体的な方法については後述する。
一方、ステップＳ１６５では、ＣＰＵ１１が、ステップＳ１６２で抽出したエラーコードがエラーコードＢであるか否かを判定する。エラーコードＢであると判定した場合（肯定判定の場合）、ステップＳ１６６に移行し、エラーコードＢではないと判定した場合（否定判定の場合）、ステップＳ１６７に移行する。
ステップＳ１６６では、ＣＰＵ１１が、一例として、上述の図１１に示す第１データテーブル１５Ｃを参照し、エラーコードＢに対応付けられた経路診断Ｂを実施し、ステップＳ１７１に移行する。なお、この経路診断Ｂの具体的な方法については後述する。
一方、ステップＳ１６７では、ＣＰＵ１１が、ステップＳ１６２で抽出したエラーコードがエラーコードＣであるか否かを判定する。エラーコードＣであると判定した場合（肯定判定の場合）、ステップＳ１６８に移行し、エラーコードＣではないと判定した場合（否定判定の場合）、ステップＳ１６９に移行する。
ステップＳ１６８では、ＣＰＵ１１が、一例として、上述の図１１に示す第１データテーブル１５Ｃを参照し、エラーコードＣに対応付けられた経路診断Ｃを実施し、ステップＳ１７１に移行する。なお、この経路診断Ｃの具体的な方法については後述する。
一方、ステップＳ１６９では、ＣＰＵ１１が、ステップＳ１６２で抽出したエラーコードがエラーコードＥであるか否かを判定する。エラーコードＥであると判定した場合（肯定判定の場合）、ステップＳ１７０に移行し、エラーコードＥではないと判定した場合（否定判定の場合）、エラーコードＡ、Ｂ、Ｃ、Ｅ以外のエラーコードＤ、Ｆ、Ｇ、Ｈにつて経路診断を行うことなく、ステップＳ１７１に移行する。
ステップＳ１７０では、ＣＰＵ１１が、一例として、上述の図１１に示す第１データテーブル１５Ｃを参照し、エラーコードＥに対応付けられた経路診断Ｅを実施し、ステップＳ１７１に移行する。なお、この経路診断Ｅの具体的な方法については後述する。
ステップＳ１７１では、ＣＰＵ１１が、ステップＳ１６４又はステップＳ１６６又はステップＳ１６８又はステップＳ１７０の経路診断による絞り込みの結果である故障経路を特定する、あるいは、エラーコードＡ、Ｂ、Ｃ、Ｅ以外のエラーコードＤ、Ｆ、Ｇ、Ｈに対応する故障経路を特定する。
ステップＳ１７２では、ＣＰＵ１１が、記憶部１５に記憶されている複数の故障診断モデルの中から、ステップＳ１７１で特定した故障経路によって特定される機能部の故障診断モデルを選択する。
ステップＳ１７３では、ＣＰＵ１１が、ステップＳ１７２で選択した故障診断モデルのみを用いて故障診断を行い、本故障診断プログラム１５Ａによる一連の処理を終了する。
次に、図１４を参照して、図１３のステップＳ１６４に係る経路診断Ａの具体的な方法について説明する。
図１４は、第２の実施形態に係る経路診断Ａの処理の流れの一例を示すフローチャートである。なお、本実施形態に係る経路診断Ａでは、一例として、改質水経路５３、ガス経路５２、及び空気経路５４の順番で経路診断が実施される。
図１４のステップＳ１８１では、ＣＰＵ１１が、一例として、上述の図１２に示す第２データテーブル１５Ｄを参照し、燃料電池ユニット５０の温度が、温度帯[イ]、[ロ]、[ハ]、[ニ]のいずれであるかを判定する。なお、燃料電池ユニット５０の温度には、上述したように、スタック温度及び改質温度の少なくとも一方が用いられる。燃料電池ユニット５０の温度が温度帯[イ]又は温度帯[ロ]又は温度帯[ハ]であると判定した場合（イ、ロ、ハの場合）、ステップＳ１８２に移行し、燃料電池ユニット５０の温度が温度帯[ニ]であると判定した場合（ニの場合）、ステップＳ１８３に移行する。
ステップＳ１８２では、ＣＰＵ１１が、ＣＧＳ４０に対して、改質水経路５３に改質水を導入する制御を行い、ステップＳ１８４に移行する。
一方、ステップＳ１８３では、ＣＰＵ１１が、改質水経路５３に対して経路判定不能タグを付与し、ステップＳ１８９に移行する。
ステップＳ１８４では、ＣＰＵ１１が、所定の判定基準に従って、改質水経路５３が正常であるか否かを判定する。改質水経路５３が正常であると判定した場合（肯定判定の場合）、ステップＳ１８５に移行し、改質水経路５３が正常ではない、つまり、異常であると判定した場合（否定判定の場合）、ステップＳ１８６に移行する。
ステップＳ１８５では、ＣＰＵ１１が、一例として、上述の図１２に示す第２データテーブル１５Ｄを参照し、燃料電池ユニット５０の温度が、温度帯[イ]、[ロ]、[ハ]、[ニ]のいずれであるかを判定する。燃料電池ユニット５０の温度が温度帯[イ]であると判定した場合（イの場合）、ステップＳ１８８に移行し、燃料電池ユニット５０の温度が温度帯[ロ]又は温度帯[ハ]又は温度帯[ニ]であると判定した場合（ロ、ハ、ニの場合）、ステップＳ１８９に移行する。
一方、ステップＳ１８６では、ＣＰＵ１１が、改質水経路５３に対して経路異常タグを付与する。
ステップＳ１８７では、ＣＰＵ１１が、燃料電池ユニット５０の温度が温度帯[ロ]以下になるまで待機し、ステップＳ１８９に移行する。
ステップＳ１８８では、ＣＰＵ１１が、改質水経路５３に改質水を導入し、ガス経路５２にガスを導入する制御を行い、ステップＳ１９０に移行する。
一方、ステップＳ１８９では、ＣＰＵ１１が、ガス経路５２にガスを導入する制御を行い、ステップＳ１９０に移行する。
ステップＳ１９０では、ＣＰＵ１１が、所定の判定基準に従って、ガス経路５２が正常であるか否かを判定する。ガス経路５２が正常であると判定した場合（肯定判定の場合）、ステップＳ１９１に移行し、ガス経路５２が正常ではない、つまり、異常であると判定した場合（否定判定の場合）、ステップＳ１９５に移行する。
ステップＳ１９１では、ＣＰＵ１１が、所定の判定基準に従って、改質水経路５３が正常であるか否かを判定する。改質水経路５３が正常ではない、つまり、異常であると判定した場合（否定判定の場合）、ステップＳ１９２に移行し、改質水経路５３が正常であると判定した場合（肯定判定の場合）、ステップＳ１９４に移行する。
ステップＳ１９２では、ＣＰＵ１１が、燃料電池ユニット５０の温度が温度帯[ロ]以下になるまで待機する。
ステップＳ１９３では、ＣＰＵ１１が、ガス経路５２にガスを導入し、空気経路５４に空気を導入する制御を行い、ステップＳ２００に移行する。
一方、ステップＳ１９４では、ＣＰＵ１１が、一例として、上述の図１２に示す第２データテーブル１５Ｄを参照し、燃料電池ユニット５０の温度が、温度帯[イ]、[ロ]、[ハ]、[ニ]のいずれであるかを判定する。燃料電池ユニット５０の温度が温度帯[イ]又は温度帯[ロ]であると判定した場合（イ、ロの場合）、ステップＳ１９８に移行し、燃料電池ユニット５０の温度が温度帯[ハ]又は温度帯[ニ]であると判定した場合（ハ、ニの場合）、ステップＳ１９９に移行する。
一方、ステップＳ１９５では、ＣＰＵ１１が、ガス経路５２に対して経路異常タグを付与する。
ステップＳ１９６では、ＣＰＵ１１が、所定の判定基準に従って、改質水経路５３が正常であるか否かを判定する。改質水経路５３が正常であると判定した場合（肯定判定の場合）、ステップＳ１９４に移行し、改質水経路５３が正常ではない、つまり、異常であると判定した場合（否定判定の場合）、ステップＳ１９７に移行する。
ステップＳ１９７では、ＣＰＵ１１が、燃料電池ユニット５０の温度が温度帯[ハ]以下になるまで待機し、ステップＳ１９９に移行する。
ステップＳ１９８では、ＣＰＵ１１が、改質水経路５３に改質水を導入し、ガス経路５２にガスを導入し、空気経路５４に空気を導入する制御を行い、ステップＳ２００に移行する。
一方、ステップＳ１９９では、ＣＰＵ１１が、空気経路５４に空気を導入する制御を行い、ステップＳ２００に移行する。
ステップＳ２００では、ＣＰＵ１１が、所定の判定基準に従って、空気経路５４が正常であるか否かを判定する。空気経路５４が正常であると判定した場合（肯定判定の場合）、ステップＳ２０２に移行し、空気経路５４が正常ではない、つまり、異常であると判定した場合（否定判定の場合）、ステップＳ２０１に移行する。
ステップＳ２０１では、ＣＰＵ１１が、空気経路５４に対して経路異常タグを付与し、ステップＳ２０２に移行する。
ステップＳ２０２では、ＣＰＵ１１が、エラーを確定、つまり、改質水経路５３、ガス経路５２、及び空気経路５４のうち、経路異常タグが付与された経路を、故障の可能性がある経路として確定し、図１３のステップＳ１７１にリターンする。
次に、図１５を参照して、図１３のステップＳ１６６に係る経路診断Ｂの具体的な方法について説明する。
図１５は、第２の実施形態に係る経路診断Ｂの処理の流れの一例を示すフローチャートである。なお、本実施形態に係る経路診断Ｂでは、一例として、改質水経路５３及びガス経路５２の順番で経路診断が実施される。
図１５のステップＳ２１１では、ＣＰＵ１１が、一例として、上述の図１２に示す第２データテーブル１５Ｄを参照し、燃料電池ユニット５０の温度が、温度帯[イ]、[ロ]、[ハ]、[ニ]のいずれであるかを判定する。燃料電池ユニット５０の温度が温度帯[イ]又は温度帯[ロ]又は温度帯[ハ]であると判定した場合（イ、ロ、ハの場合）、ステップＳ２１２に移行し、燃料電池ユニット５０の温度が温度帯[ニ]であると判定した場合（ニの場合）、ステップＳ２１３に移行する。
ステップＳ２１２では、ＣＰＵ１１が、改質水経路５３に改質水を導入する制御を行い、ステップＳ２１４に移行する。
一方、ステップＳ２１３では、ＣＰＵ１１が、改質水経路５３に対して経路判定不能タグを付与し、ステップＳ２１９に移行する。
ステップＳ２１４では、ＣＰＵ１１が、所定の判定基準に従って、改質水経路５３が正常であるか否かを判定する。改質水経路５３が正常であると判定した場合（肯定判定の場合）、ステップＳ２１５に移行し、改質水経路５３が正常ではない、つまり、異常であると判定した場合（否定判定の場合）、ステップＳ２１６に移行する。
ステップＳ２１５では、ＣＰＵ１１が、一例として、上述の図１２に示す第２データテーブル１５Ｄを参照し、燃料電池ユニット５０の温度が、温度帯[イ]、[ロ]、[ハ]、[ニ]のいずれであるかを判定する。燃料電池ユニット５０の温度が温度帯[イ]であると判定した場合（イの場合）、ステップＳ２１８に移行し、燃料電池ユニット５０の温度が温度帯[ロ]又は温度帯[ハ]又は温度帯[ニ]であると判定した場合（ロ、ハ、ニの場合）、ステップＳ２１９に移行する。
一方、ステップＳ２１６では、ＣＰＵ１１が、改質水経路５３に対して経路異常タグを付与する。
ステップＳ２１７では、ＣＰＵ１１が、燃料電池ユニット５０の温度が温度帯[ロ]以下になるまで待機し、ステップＳ２１９に移行する。
ステップＳ２１８では、ＣＰＵ１１が、改質水経路５３に改質水を導入し、ガス経路５２にガスを導入する制御を行い、ステップＳ２２０に移行する。
一方、ステップＳ２１９では、ＣＰＵ１１が、ガス経路５２にガスを導入する制御を行い、ステップＳ２２０に移行する。
ステップＳ２２０では、ＣＰＵ１１が、所定の判定基準に従って、ガス経路５２が正常であるか否かを判定する。ガス経路５２が正常であると判定した場合（肯定判定の場合）、ステップＳ２２２に移行し、ガス経路５２が正常ではない、つまり、異常であると判定した場合（否定判定の場合）、ステップＳ２２１に移行する。
ステップＳ２２１では、ＣＰＵ１１が、ガス経路５２に対して経路異常タグを付与し、ステップＳ２２２に移行する。
ステップＳ２２２では、ＣＰＵ１１が、エラーを確定、つまり、改質水経路５３及びガス経路５２のうち、経路異常タグが付与された経路を、故障の可能性がある経路として確定し、図１３のステップＳ１７１にリターンする。
次に、図１６を参照して、図１３のステップＳ１６８に係る経路診断Ｃの具体的な方法について説明する。
図１６は、第２の実施形態に係る経路診断Ｃの処理の流れの一例を示すフローチャートである。なお、本実施形態に係る経路診断Ｃでは、一例として、ガス経路５２及び空気経路５４の順番で経路診断が実施される。
図１６のステップＳ２３１では、ＣＰＵ１１が、一例として、上述の図１２に示す第２データテーブル１５Ｄを参照し、燃料電池ユニット５０の温度が、温度帯[イ]、[ロ]、[ハ]、[ニ]のいずれであるかを判定する。燃料電池ユニット５０の温度が温度帯[イ]であると判定した場合（イの場合）、ステップＳ２３２に移行し、燃料電池ユニット５０の温度が温度帯[ロ]又は温度帯[ハ]又は温度帯[ニ]であると判定した場合（ロ、ハ、ニの場合）、ステップＳ２３３に移行する。
ステップＳ２３２では、ＣＰＵ１１が、改質水経路５３に改質水を導入し、ガス経路５２にガスを導入する制御を行い、ステップＳ２３４に移行する。
一方、ステップＳ２３３では、ＣＰＵ１１が、ガス経路５２にガスを導入する制御を行い、ステップＳ２３４に移行する。
ステップＳ２３４では、ＣＰＵ１１が、所定の判定基準に従って、ガス経路５２が正常であるか否かを判定する。ガス経路５２が正常であると判定した場合（肯定判定の場合）、ステップＳ２３５に移行し、ガス経路５２が正常ではない、つまり、異常であると判定した場合（否定判定の場合）、ステップＳ２３６に移行する。
ステップＳ２３５では、ＣＰＵ１１が、一例として、上述の図１２に示す第２データテーブル１５Ｄを参照し、燃料電池ユニット５０の温度が、温度帯[イ]、[ロ]、[ハ]、[ニ]のいずれであるかを判定する。燃料電池ユニット５０の温度が温度帯[イ]又は温度帯[ロ]であると判定した場合（イ、ロの場合）、ステップＳ２３７に移行し、燃料電池ユニット５０の温度が温度帯[ハ]又は温度帯[ニ]であると判定した場合（ハ、ニの場合）、ステップＳ２３８に移行する。
一方、ステップＳ２３６では、ＣＰＵ１１が、ガス経路５２に対して経路異常タグを付与し、ステップＳ２３５に移行する。
ステップＳ２３７では、ＣＰＵ１１が、改質水経路５３に改質水を導入し、ガス経路５２にガスを導入し、空気経路５４に空気を導入する制御を行い、ステップＳ２３９に移行する。
一方、ステップＳ２３８では、ＣＰＵ１１が、空気経路５４に空気を導入する制御を行い、ステップＳ２３９に移行する。
ステップＳ２３９では、ＣＰＵ１１が、所定の判定基準に従って、空気経路５４が正常であるか否かを判定する。空気経路５４が正常であると判定した場合（肯定判定の場合）、ステップＳ２４１に移行し、空気経路５４が正常ではない、つまり、異常であると判定した場合（否定判定の場合）、ステップＳ２４０に移行する。
ステップＳ２４０では、ＣＰＵ１１が、空気経路５４に対して経路異常タグを付与し、ステップＳ２４１に移行する。
ステップＳ２４１では、ＣＰＵ１１が、エラーを確定、つまり、ガス経路５２及び空気経路５４のうち、経路異常タグが付与された経路を、故障の可能性がある経路として確定し、図１３のステップＳ１７１にリターンする。
次に、図１７を参照して、図１３のステップＳ１７０に係る経路診断Ｅの具体的な方法について説明する。
図１７は、第２の実施形態に係る経路診断Ｅの処理の流れの一例を示すフローチャートである。なお、本実施形態に係る経路診断Ｅでは、一例として、改質水経路５３及び空気経路５４の順番で経路診断が実施される。
図１７のステップＳ２５１では、ＣＰＵ１１が、一例として、上述の図１２に示す第２データテーブル１５Ｄを参照し、燃料電池ユニット５０の温度が、温度帯[イ]、[ロ]、[ハ]、[ニ]のいずれであるかを判定する。燃料電池ユニット５０の温度が温度帯[イ]又は温度帯[ロ]又は温度帯[ハ]であると判定した場合（イ、ロ、ハの場合）、ステップＳ２５２に移行し、燃料電池ユニット５０の温度が温度帯[ニ]であると判定した場合（ニの場合）、ステップＳ２５３に移行する。
ステップＳ２５２では、ＣＰＵ１１が、改質水経路５３に改質水を導入する制御を行い、ステップＳ２５４に移行する。
一方、ステップＳ２５３では、ＣＰＵ１１が、改質水経路５３に対して経路判定不能タグを付与し、ステップＳ２５８に移行する。
ステップＳ２５４では、ＣＰＵ１１が、所定の判定基準に従って、改質水経路５３が正常であるか否かを判定する。改質水経路５３が正常であると判定した場合（肯定判定の場合）、ステップＳ２５５に移行し、改質水経路５３が正常ではない、つまり、異常であると判定した場合（否定判定の場合）、ステップＳ２５６に移行する。
ステップＳ２５５では、ＣＰＵ１１が、一例として、上述の図１２に示す第２データテーブル１５Ｄを参照し、燃料電池ユニット５０の温度が、温度帯[イ]、[ロ]、[ハ]、[ニ]のいずれであるかを判定する。燃料電池ユニット５０の温度が温度帯[イ]又は温度帯[ロ]であると判定した場合（イ、ロの場合）、ステップＳ２５７に移行し、燃料電池ユニット５０の温度が温度帯[ハ]又は温度帯[ニ]であると判定した場合（ハ、ニの場合）、ステップＳ２５８に移行する。
一方、ステップＳ２５６では、ＣＰＵ１１が、改質水経路５３に対して経路異常タグを付与し、ステップＳ２５８に移行する。
ステップＳ２５７では、ＣＰＵ１１が、改質水経路５３に改質水を導入し、ガス経路５２にガスを導入し、空気経路５４に空気を導入する制御を行い、ステップＳ２５９に移行する。
一方、ステップＳ２５８では、ＣＰＵ１１が、空気経路５４に空気を導入する制御を行い、ステップＳ２５９に移行する。
ステップＳ２５９では、ＣＰＵ１１が、所定の判定基準に従って、空気経路５４が正常であるか否かを判定する。空気経路５４が正常であると判定した場合（肯定判定の場合）、ステップＳ２６１に移行し、空気経路５４が正常ではない、つまり、異常であると判定した場合（否定判定の場合）、ステップＳ２６０に移行する。
ステップＳ２６０では、ＣＰＵ１１が、空気経路５４に対して経路異常タグを付与し、ステップＳ２６１に移行する。
ステップＳ２６１では、ＣＰＵ１１が、エラーを確定、つまり、改質水経路５３及び空気経路５４のうち、経路異常タグが付与された経路を、故障の可能性がある経路として確定し、図１３のステップＳ１７１にリターンする。
なお、本実施形態では、故障診断装置１０Ａを外部のサーバ装置として実現した場合について説明したが、これに限定されない。故障診断装置１０ＡはＣＧＳ４０の制御装置４１として実現してもよい。
このように本実施形態によれば、故障経路を絞り込み、絞り込んだ故障経路によって特定される機能部の故障診断モデルのみを選択的に用いて故障診断が行われる。このため、故障診断を効率的に、かつ、精度良く行うことができる。
以上、上記各実施形態として、故障診断装置及び故障診断システムを例示して説明したが、各実施形態は、故障診断装置が備える各部の機能をコンピュータに実行させるためのプログラムの形態としてもよい。各実施形態は、このプログラムを記憶したコンピュータが読み取り可能な記憶媒体の形態としてもよい。
その他、上記各実施形態で説明した故障診断装置及び故障診断システムの構成は、一例であり、主旨を逸脱しない範囲内において状況に応じて変更してもよい。
また、上記各実施形態で説明したプログラムの処理の流れも、一例であり、主旨を逸脱しない範囲内において不要なステップを削除したり、新たなステップを追加したり、処理順序を入れ替えたりしてもよい。
また、上記各実施形態では、プログラムを実行することにより、各実施形態に係る処理がコンピュータを利用してソフトウェア構成により実現される場合について説明したが、これに限らない。各実施形態は、例えば、ハードウェア構成や、ハードウェア構成とソフトウェア構成との組み合わせによって実現してもよい。
１０、１０Ａ 故障診断装置
１１、４２ ＣＰＵ
１１Ａ 取得部
１１Ｂ 加工部
１１Ｃ 推定部
１１Ｄ 学習部
１１Ｅ 出力部
１１Ｆ 経路診断部
１２、４３ ＲＯＭ
１３、４４ ＲＡＭ
１４、４５ Ｉ／Ｏ
１５、４６ 記憶部
１５Ａ 故障診断プログラム
１５Ｂ 故障診断モデル
１５Ｃ 第１データテーブル
１５Ｄ 第２データテーブル
１６ 表示部
１７ 操作部
１８、４７ 通信部
３０ ユーザ宅
４０ ＣＧＳ
４１ 制御装置
４６Ａ 制御プログラム
４８ 機器Ｉ／Ｆ
４９ ＣＧＳ本体部
５０ 燃料電池ユニット
５１ 燃料電池モジュール
５１Ａ 燃料電池スタック
５１Ｂ 改質器
５２ ガス経路
５３ 改質水経路
５４ 空気経路
６０ 作業担当者
７０ メンテナンス用端末
１００ 故障診断システム

Claims (10)

  1. 燃料電池コージェネレーションシステムが動作の異常を検知した場合に、前記燃料電池コージェネレーションシステムから、前記異常に対応する、前記燃料電池コージェネレーションシステムの動作履歴に関する動作履歴データを取得する取得部と、
    前記取得部により取得された動作履歴データに対して、過去に得られた動作履歴データ群を、前記燃料電池コージェネレーションシステムの機能部に対応付けて機械学習又は多変量解析することにより生成され、かつ、前記燃料電池コージェネレーションシステムの機能部毎に故障の有無を判定する複数の故障診断モデルに共通の第１加工を行い、前記第１加工を行って得られたデータに対して、前記複数の故障診断モデルの各々に個別の第２加工を行う加工部と、
    前記複数の故障診断モデルの各々に対して、前記加工部により前記第１加工及び前記第２加工が行われたデータを入力し、前記複数の故障診断モデルの各々から出力される判定結果を用いて、前記燃料電池コージェネレーションシステムの機能部毎に故障の有無を推定する推定部と、
    を備えた故障診断装置。
  2. 前記第１加工は、全ての機能部で使用頻度が所定値よりも低いデータ項目を削除すること、時間的変化を表すデータ項目及び統計量を表すデータ項目の少なくとも一方を追加すること、少なくとも一部の機能部への有効性が予め確認されているデータ項目を追加すること、数値データ以外の質的データのダミー変数を設定すること、及び、相関関係のある複数のデータ項目を合成して新たなデータ項目として追加すること、の少なくとも１つを含み、
    前記第２加工は、機能部の故障の有無との相関性が一定未満となるデータ項目を削除することを含む
    請求項１に記載の故障診断装置。
  3. 前記加工部は、前記相関関係の強さを、主成分分析法を用いて導出し、前記第１加工として、前記相関関係の強さが一定以上となる複数のデータ項目を合成して新たなデータ項目として追加する
    請求項２に記載の故障診断装置。
  4. 前記故障診断モデルは、機能部毎に、複数の異なる学習ロジックで生成された複数のモデル候補の中で性能が最も高いモデルである
    請求項１～請求項３の何れか１項に記載の故障診断装置。
  5. 前記燃料電池コージェネレーションシステムは、発電を行う燃料電池モジュールが設けられ、かつ、前記燃料電池モジュールに接続されたガス経路、改質水経路、及び空気経路が設けられた燃料電池ユニットを含み、
    前記燃料電池ユニットの動作の異常を検知した場合に、前記異常の種別に応じた経路診断を、前記ガス経路、前記改質水経路、及び前記空気経路の少なくとも１つに対して行い、故障の可能性がある経路を絞り込む経路診断部を更に備え、
    前記推定部は、前記経路診断部で絞り込まれた経路により特定される機能部の故障診断モデルのみを選択的に用いて、前記燃料電池コージェネレーションシステムの機能部毎に故障の有無を推定する
    請求項１～請求項４の何れか１項に記載の故障診断装置。
  6. 前記動作履歴データは、前記異常の種別を表すエラーコードを含み、
    前記エラーコードは、前記ガス経路、前記改質水経路、及び前記空気経路を対象とする第１エラーコード、前記ガス経路及び前記改質水経路を対象とする第２エラーコード、前記ガス経路及び前記空気経路を対象とする第３エラーコード、及び、前記改質水経路及び前記空気経路を対象とする第４エラーコードのいずれかである
    請求項５に記載の故障診断装置。
  7. 前記経路診断部は、前記ガス経路、前記改質水経路、及び前記空気経路の少なくとも１つに対する前記経路診断を、前記燃料電池ユニットの温度帯に応じた方法を用いて行う
    請求項５又は請求項６に記載の故障診断装置。
  8. 前記燃料電池モジュールは、電解質層、燃料極、及び空気極を有する複数の燃料電池セルが積層された燃料電池スタックと、炭化水素原料を含むガスを改質する改質器と、を含み、
    前記燃料電池ユニットの温度帯は、前記改質器へのガス導入により炭素析出が生じる温度である炭素析出温度より高く、前記燃料電池モジュールの最高温度以下の第１温度帯と、前記燃料電池スタックへの空気導入により燃料電池セルの再酸化が生じる温度である再酸化温度より高く、前記炭素析出温度以下の第２温度帯と、前記改質器に導入される改質水が気化する温度である気化温度より高く、前記再酸化温度以下の第３温度帯と、前記気化温度以下の第４温度帯と、を含み、
    前記ガス経路に対する前記経路診断の方法は、前記燃料電池ユニットの温度が前記第１温度帯である場合に、改質水及びガスを導入し、前記燃料電池ユニットの温度が前記第２温度帯又は前記第３温度帯又は前記第４温度帯である場合に、ガスを導入する方法であり、
    前記改質水経路に対する前記経路診断の方法は、前記燃料電池ユニットの温度が前記第１温度帯又は前記第２温度帯又は前記第３温度帯である場合に、改質水を導入し、前記燃料電池ユニットの温度が前記第４温度帯である場合に、診断不可とする方法であり、
    前記空気経路に対する前記経路診断の方法は、前記燃料電池ユニットの温度が前記第１温度帯である場合に、少なくとも改質水及び空気を導入し、前記燃料電池ユニットの温度が前記第２温度帯である場合に、改質水及びガスの少なくとも一方と空気とを導入し、前記燃料電池ユニットの温度が前記第３温度帯又は前記第４温度帯である場合に、空気を導入する方法である
    請求項７に記載の故障診断装置。
  9. 燃料電池コージェネレーションシステムと、
    前記燃料電池コージェネレーションシステムと接続された故障診断装置と、
    を備え、
    前記燃料電池コージェネレーションシステムは、
    自システムの動作の異常を検知した場合に、前記故障診断装置に対して、前記異常に対応する、自システムの動作履歴に関する動作履歴データを送信し、
    前記故障診断装置は、
    前記燃料電池コージェネレーションシステムから送信された前記動作履歴データを取得する取得部と、
    前記取得部により取得された動作履歴データに対して、過去に得られた動作履歴データ群を、前記燃料電池コージェネレーションシステムの機能部に対応付けて機械学習又は多変量解析することにより生成され、かつ、前記燃料電池コージェネレーションシステムの機能部毎に故障の有無を判定する複数の故障診断モデルに共通の第１加工を行い、前記第１加工を行って得られたデータに対して、前記複数の故障診断モデルの各々に個別の第２加工を行う加工部と、
    前記複数の故障診断モデルの各々に対して、前記加工部により前記第１加工及び前記第２加工が行われたデータを入力し、前記複数の故障診断モデルの各々から出力される判定結果を用いて、前記燃料電池コージェネレーションシステムの機能部毎に故障の有無を推定する推定部と、
    を備えた故障診断システム。
  10. コンピュータを、請求項１～請求項８の何れか１項に記載の故障診断装置が備える各部として機能させるための故障診断プログラム。
JP2020193810A 2020-11-20 2020-11-20 故障診断装置、故障診断システム、及び故障診断プログラム Active JP7450521B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2020193810A JP7450521B2 (ja) 2020-11-20 2020-11-20 故障診断装置、故障診断システム、及び故障診断プログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2020193810A JP7450521B2 (ja) 2020-11-20 2020-11-20 故障診断装置、故障診断システム、及び故障診断プログラム

Publications (2)

Publication Number Publication Date
JP2022082318A JP2022082318A (ja) 2022-06-01
JP7450521B2 true JP7450521B2 (ja) 2024-03-15

Family

ID=81801896

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020193810A Active JP7450521B2 (ja) 2020-11-20 2020-11-20 故障診断装置、故障診断システム、及び故障診断プログラム

Country Status (1)

Country Link
JP (1) JP7450521B2 (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116247248B (zh) * 2023-05-10 2023-07-25 北京新研创能科技有限公司 基于排放物分析的氢燃料电池堆健康状态诊断方法及系统
JP7546987B1 (ja) 2024-01-11 2024-09-09 株式会社サンワ電装 ＩｏＴ用の情報処理装置、情報処理システム、及び、プログラム

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007123007A (ja) 2005-10-27 2007-05-17 Hitachi Ltd 燃料電池システムの診断方法および診断装置
JP2012530925A (ja) 2009-06-25 2012-12-06 エレクトリスィテ ド フランス 電気化学デバイスの欠陥の検出
JP2020170596A (ja) 2019-04-01 2020-10-15 大阪瓦斯株式会社 故障予兆検知システム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007123007A (ja) 2005-10-27 2007-05-17 Hitachi Ltd 燃料電池システムの診断方法および診断装置
JP2012530925A (ja) 2009-06-25 2012-12-06 エレクトリスィテ ド フランス 電気化学デバイスの欠陥の検出
JP2020170596A (ja) 2019-04-01 2020-10-15 大阪瓦斯株式会社 故障予兆検知システム

Also Published As

Publication number Publication date
JP2022082318A (ja) 2022-06-01

Similar Documents

Publication Publication Date Title
Chen et al. Interpretable machine learning for building energy management: A state-of-the-art review
Rigamonti et al. Ensemble of optimized echo state networks for remaining useful life prediction
JP7450521B2 (ja) 故障診断装置、故障診断システム、及び故障診断プログラム
Li et al. Data-driven simultaneous fault diagnosis for solid oxide fuel cell system using multi-label pattern identification
Li et al. A knowledge-guided and data-driven method for building HVAC systems fault diagnosis
Wang et al. Fault detection and diagnosis of chillers using Bayesian network merged distance rejection and multi-source non-sensor information
Mulumba et al. Robust model-based fault diagnosis for air handling units
Singh et al. A comprehensive review: Fault detection, diagnostics, prognostics, and fault modeling in HVAC systems
AU2011265563B2 (en) System and method for detecting and/or diagnosing faults in multi-variable systems
Tran et al. An enhanced chiller FDD strategy based on the combination of the LSSVR-DE model and EWMA control charts
Costamagna et al. Data-driven techniques for fault diagnosis in power generation plants based on solid oxide fuel cells
US10461347B2 (en) Real-time monitoring and automated intervention platform for long term operability of fuel cells
Yang et al. Machine learning-based prognostics for central heating and cooling plant equipment health monitoring
Zhang et al. Fault detection and diagnosis for the screw chillers using multi-region XGBoost model
Wang et al. Fault detection and diagnosis for multiple faults of VAV terminals using self-adaptive model and layered random forest
CN103443809A (zh) 判别模型学习设备、方法和程序
He et al. Data-driven modeling of truck engine exhaust valve failures: a case study
Park et al. Severity-based fault diagnostic method for polymer electrolyte membrane fuel cell systems
He et al. An effective fault diagnosis approach based on optimal weighted least squares support vector machine
Chen et al. Similarity learning-based fault detection and diagnosis in building HVAC systems with limited labeled data
CN117436593B (zh) 基于人工智能的焚烧炉系统故障预测方法及系统
Niu et al. Self‐optimization for smelting process of fused magnesium furnace based on operation status assessment
JP7404197B2 (ja) 故障診断装置、故障診断システム、及び故障診断プログラム
JP7389727B2 (ja) 故障診断装置、故障診断システム、及び故障診断プログラム
JP7404196B2 (ja) 故障診断装置、故障診断システム、及び故障診断プログラム

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230526

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20240115

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20240227

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240305

R150 Certificate of patent or registration of utility model

Ref document number: 7450521

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150