JP7484261B2 - 情報処理装置、情報処理方法及び情報処理プログラム - Google Patents

Description

本発明は、情報処理装置、情報処理方法及び情報処理プログラムに関する。

近年、機械学習を用いたデータの分類によって、各種装置の異常検知を行う事例が増えている（例えば特許文献１）。

特開２０１９－０５６９８３号公報

ところで、例えば深層学習に基づく学習モデルを用いる場合、異常が検知された際に修理をするには、異常要因の候補を一つ一つ異常か正常か吟味する必要があるため、異常要因の特定は一般に困難であり、異常時の修理工数を増加させる原因となっている。

本発明の目的は、異常の要因となる特徴を容易に推定することが可能な情報処理装置を提供することである。

上記目的を達成するための一の発明は、複数の変数を含む複数の正常データと、前記複数の変数を含む異常データと、を含むベクトル空間において、前記異常データに対応する第１位置から、前記複数の正常データを内部に含む正常領域内の第２位置に向かうベクトルを算出する算出部と、算出された前記ベクトルに基づいて、前記異常データの異常の要因に関する要因情報を出力する出力部とを含む情報処理装置である。本発明の他の特徴については、本明細書の記載により明らかにする。

本発明によれば、異常の要因となる特徴を容易に推定することが可能な情報処理装置を提供することができる。

情報処理装置１と冷凍機４との関係を示す図である。 情報処理装置１のハードウェア構成の一例を示す図である。 複数の正常データを示す図である。 情報処理装置１に実現される機能ブロックの一例を示す図である。 複数の正常データ及び診断データを示す図である。 算出されたベクトルＶを説明する図である。 影響度情報の一例を説明する図である。 オーバーサンプリングの一例を説明する図である。 ダウンサンプリングの一例を説明する図である。 情報処理装置１で実行される処理の一例を示すフローチャートである。 第２位置Ｐ２の変形例を示す図である。 冷凍機４の冷凍サイクルを説明する図である。 数値シミュレーションの影響度情報の計算結果を示す図である 情報処理装置３に実現される機能ブロックの一例を示す図である。 グループ化の一例を説明する図である。 特定されたクラスタを説明する図である。 算出されたベクトルＶを説明する図である。 情報処理装置３で実行される処理の一例を示すフローチャートである。

＝＝＝＝＝第１実施形態＝＝＝＝＝
＜＜＜情報処理装置の構成＞＞＞
図１は、本発明の一実施形態である情報処理装置１と冷凍機４との関係を示す図である。情報処理装置１は、所定の装置の異常の要因となる特徴を推定するための装置である。本実施形態では、所定の装置の一例として、冷凍機４を用いて説明する。

冷凍機４は、食品等を冷凍し、保管するための装置である。冷凍機４は、圧縮器４１と、凝縮器４２と、電子膨張弁４３と、蒸発器４４とを有している。冷凍機４には、冷凍機４の状態を観測するために、４個のセンサ４１ａ～４４ａが取り付けられている。

具体的には、圧縮器４１には、回転速度センサ４１ａが取り付けられている。凝縮器４２には、凝縮器温度センサ４２ａが取り付けられている。電子膨張弁４３には、弁開度センサ４３ａが取り付けられている。蒸発器４４には、蒸発器温度センサ４４ａが取り付けられている。

情報処理装置１は、冷凍機４に取り付けられた４個のセンサ４１ａ～４４ａの夫々から出力されるデータに基づいて、冷凍機４が正常であるか、又は異常であるかを診断する。更に、情報処理装置１は、異常であると診断した場合、４個のセンサ４１ａ～４４ａの夫々から出力されるデータの影響度（後述）を示す影響度情報を出力する。

なお、ここでは、「異常」の例として、圧縮器４１の回転速度、凝縮器４２の温度、電子膨張弁４３の弁開度、蒸発器４４の温度等に異常があり、冷凍機４の庫内の温度を所定温度に維持できない場合等が挙げられる。

また、以下、冷凍機４の動作が正常である際のデータを、「正常データ」又は「正常なデータ」と称し、冷凍機４の動作が異常である際のデータを、「異常データ」又は「異常なデータ」と称する。

＜＜＜情報処理装置１について＞＞＞
＝＝情報処理装置１の構成＝＝
図２は、情報処理装置１のハードウェア構成の一例を示す図である。情報処理装置１は、ＣＰＵ（Central Processing Unit）１０、メモリ１１、記憶装置１２、入力装置１３、表示装置１４及び通信装置１５を含むコンピュータである。

ＣＰＵ１０は、メモリ１１や記憶装置１２に格納されたプログラムを実行することにより、情報処理装置１における様々機能を実現する。

メモリ１１は、例えばＲＡＭ（Random-Aaccess Mmemory）等であり、プログラムやデータ等の一時的な記憶領域として用いられる。

記憶装置１２は、複数の正常データ１２０等の各種のデータ、学習モデル１２１、ＣＰＵ１０によって実行あるいは処理される情報処理プログラム１２２等を格納する不揮発性の記憶装置である。

複数の正常データ１２０は、診断処理に用いられるデータである。図３は、本実施形態の複数の正常データ１２０を示す図である。複数の正常データ１２０の夫々は、複数の変数（本実施形態では４個の変数ｘ１～ｘ４）を含む。図３では、便宜上、複数の正常データ１２０を、変数ｘ１及びｘ２に関する２次元のベクトル空間に射影して図示している。図３では、２次元のベクトル空間内に正常領域Ｒｎ及び正常領域Ｒｎ以外の領域Ｒａが示されている。

正常領域Ｒｎは、入力データを正常データ１２０又は異常データに分類する学習モデル１２１に基づいて定まる領域である。正常領域Ｒｎは、複数の正常データ１２０を内部に含むベクトル空間内の領域である。正常領域Ｒｎ以外の領域Ｒａは、正常領域Ｒｎの外側の領域である。

ここで、「変数ｘ１」は、圧縮器４１に取り付けられた回転速度センサ４１ａが示す回転速度を意味する。「変数ｘ１のデータ」は、回転速度センサ４１ａから出力された値である。「変数ｘ２」は、凝縮器４２に取り付けられた凝縮器温度センサ４２ａが示す凝縮器温度を意味する。「変数ｘ２のデータ」は、凝縮器温度センサ４２ａから出力された値である。

「変数ｘ３」は、電子膨張弁４３に取り付けられた弁開度センサ４３ａが示す弁開度を意味する。「変数ｘ３のデータ」は、弁開度センサ４３ａから出力された値である。「変数ｘ４」は、蒸発器４４に取り付けられた蒸発器温度センサ４４ａの蒸発器温度を意味する。「変数ｘ４のデータ」は、蒸発器温度センサ４４ａから出力された値である。

学習モデル１２１は、例えば、サポートベクターマシン（ＳＶＭ）の手法に基づいて構築される。学習モデル１２１は、例えば、ｙ＝ｆ（ｘ１，ｘ２，ｘ３，ｘ４）といった関数で表される。

情報処理プログラム１２２は、情報処理装置１が有する各種機能を実現するためのプログラムである。

入力装置１３は、ユーザによるコマンドやデータの入力を受け付ける装置であり、キーボード、タッチパネルディスプレイ上でのタッチ位置を検出するタッチセンサなどの入力インタフェースを含む。

表示装置１４は、例えばディスプレイ等の装置であり、通信装置１５は、ネットワークを介して、他のコンピュータと各種プログラムやデータの受け渡しを行う。

＝＝機能ブロックの実施例＝＝
図４は、本実施形態の情報処理装置１に実現される機能ブロックの一例を示す図である。情報処理装置１のＣＰＵ１０が情報処理プログラム１２２を実行することにより、情報処理装置１には、取得部２０と、判定部２１と、算出部２２と、オーバーサンプリング部２３と、ダウンサンプリング部２４と、診断部２５と、出力部２６とが実現される。

取得部２０は、冷凍機４から、診断対象となる診断データを取得する。診断データは、複数の正常データ１２０の夫々と同様の複数の変数（本実施形態では４個の変数ｘ１～ｘ４）を含む。具体的には、取得部２０は、運転中の冷凍機４のセンサ４１ａ～４４ａから出力される変数ｘ１～ｘ４のデータを、所定時間間隔毎（例えば、３０秒毎）に取得する。なお、センサ４１ａ～４４ａから出力される変数ｘ１～ｘ４のデータが「診断データ」に相当する。

判定部２１は、学習モデル１２１に基づいて、診断データが正常であるか異常であるかを判定する。図５は、複数の正常データ１２０及び診断データを示す図である。診断データの位置は、正常領域Ｒｎの外側の位置に、第１位置Ｐ１として菱形で示されている。図５の例では、診断データは、正常領域Ｒｎ以外の領域Ｒａに位置する。そのため、判定部２１は、この診断データを、異常であると判定する。以下、異常と判定された診断データを、異常データと称する。

算出部２２は、複数の正常データ１２０と、異常データと、を含むベクトル空間において、異常データに対応する第１位置Ｐ１から、正常領域Ｒｎ内の所定の第２位置Ｐ２に向かうベクトルＶを算出する。

図６は、算出部２２によって算出されたベクトルＶを説明する図である。本実施形態では、第２位置Ｐ２は、複数の正常データ１２０の夫々に対応する複数の位置の内、異常データに対応する第１位置Ｐ１に最も近い位置である。

つまり、第２位置Ｐ２は、複数の正常データ１２０の夫々に対応する複数の位置の内、第１位置Ｐ１からの距離が最も短い位置である。ここでの距離としては特に限定されないが、例えばユークリッド距離、マンハッタン距離、チェビシェフ距離等を用いることができる。本実施形態では、ユークリッド距離を用いる。

なお、算出部２２は、ベクトルＶが算出される前に、複数の正常データ１２０と、異常データと、を正規化又は標準化してもよい。

正規化とは、例えば０～１等の所定の範囲となるように、複数の変数の夫々を変形することをいう。一方、標準化とは、複数の正常データ１２０についての複数の変数の夫々の平均値が例えば０等の所定の値となり、標準偏差が例えば１等の所定の値となるように、複数の変数の夫々を変形することをいう。

診断部２５は、診断データが異常と判定された場合に、要因情報を算出する。要因情報とは、異常データの異常の要因に関する情報である。

要因情報は、複数の変数の夫々の影響度を示す影響度情報を少なくとも１つ含む情報である。影響度は、影響度を示す値として、例えば０～１００のように、所定の範囲の数値で表現されてもよい。また、影響度は、影響度を示す値に対して所定の値を閾値とし、“強”又は“弱”のように２値化したもので表現されもてよいし、３以上に多値化したもので表現されてもよい。

影響度情報とは、複数の変数、及び複数の変数の夫々の影響度のうち、少なくとも一部を含む情報である。つまり、影響度を示す情報は、複数の変数、及び複数の変数の夫々の影響度の全てを含んでもよい。また、影響度情報は、影響度を示す値が最も高いものに対応する変数のみでもよい。

図７は、算出された本実施形態の影響度情報の一例を説明する図である。本実施形態の影響度情報は、４個の変数（ｘ１～ｘ４）の夫々の影響度を示す値を含む情報である。この例では、影響度を示す値は、０～１００の範囲で示されている。また、４個の変数ｘ１～ｘ４の夫々の影響度の総和が１００となるよう規格化されている。以下では、「影響度を示す値」を、単に「影響度」と呼ぶことにする。

以下、診断部２５が影響度情報を算出する方法について説明する。以下の説明では、変数ｘi（i＝１～４）の影響度を、影響度Ａiとする。

影響度情報は、複数の変数の夫々に対応するベクトルＶの成分に基づいて算出される。ベクトルＶは、４個の変数ｘ１～ｘ４の夫々に対応する成分Ｖ１～Ｖ４を有する（図６ではｘ１及びｘ２に対応する成分Ｖ１及びＶ２のみが示されている）。

図６からわかるように、ベクトルＶの絶対値が大きいほど、ベクトル空間内の診断データの位置を示す第１位置Ｐ１は、正常領域Ｒｎから遠く、当該診断データの異常の度合いは大きい。また、ベクトルＶの成分の内、大きい成分ほど、ベクトルＶの絶対値に対する寄与が大きい。

つまり、ベクトルＶの成分の内、大きい成分に対応する変数ほど、異常と診断されたことに対して大きく影響していると言える。図６の例では、成分Ｖ１の方が成分Ｖ２よりも大きいことから、変数ｘ１の方が変数ｘ２よりも、診断データが異常と診断されたことに対する影響度が大きいと言える。

本実施形態では、変数ｘi（i＝１～４）の影響度Ａiは、ベクトルＶの成分Ｖiを、ベクトルＶの成分Ｖｊ（ｊ＝１～４）の総和で除し、１００を乗じたものである。つまり、変数ｘi（i＝１～４）の影響度Ａiは、ベクトルＶの成分Ｖiに比例する値である。

図７に示す影響度情報では、変数ｘ１の影響度（Ａ１）が４５．４５、変数ｘ２の影響度（Ａ２）が３１．８２、変数ｘ３の影響度（Ａ３）が１３．６４、変数ｘ４の影響度（Ａ４）が９．１である。このことは、変数ｘ１に対応する圧縮器４１の回転速度センサ４１ａの出力値が特に異常であると推定できることを意味する。

オーバーサンプリング部２３は、算出部２２によってベクトルＶが算出される前に、正常領域Ｒｎ内のデータの数を増加させることができる。以下、正常領域Ｒｎ内のデータを増加させることを、オーバーサンプリングと称する。なお、オーバーサンプリングを行うか否かは任意である。

図８は、オーバーサンプリングの一例を説明する図である。図８では、正常領域Ｒｎ内の正常データ１２０の数が、図６に比べて多い。オーバーサンプリングは、例えば乱数を用いて、正常領域Ｒｎ内に位置するデータを、学習モデル１２１に基づいて複数生成することによって実現することができる。

オーバーサンプリング部２３によってオーバーサンプリングが行われると、算出部２２は、増加した複数の正常データ１２０を用いて、ベクトルＶを算出する。図８には、オーバーサンプリングを行った後に、算出部２２によって算出されたベクトルＶが示されている。図８では、第２位置Ｐ２が、図６に比べて正常領域Ｒｎと、正常領域Ｒｎ以外の領域Ｒａとの境界に近い。これに伴い、ベクトルＶの絶対値が、図６に比べて小さい。

つまり、オーバーサンプリングによってデータの数が増加するほど、第１位置Ｐ１と第２位置Ｐ２との距離が最短距離に近づくことが期待される。その結果、より正確に分離面（正常領域とそれ以外の領域との境面）を局所的に線形に近似することができる。これによって、算出されるベクトルＶの一意性が高くなることが期待される。そうすると、診断結果の一意性が高くなり、信頼性が向上する。

オーバーサンプリングを行うか否かは、予め記憶装置１２に格納されている正常データ１２０の数等を考慮して決定すればよい。例えば、予め記憶装置１２に格納されている正常データ１２０の数が少ないために、信頼性の高い診断結果を得ることができないと考えられる場合、オーバーサンプリングを行えばよい。

この場合、作業者は、正常データ１２０の数の閾値（第１閾値）を予め設定しておき、予め記憶装置１２に格納されている正常データ１２０の数が第１閾値よりも少ない場合にオーバーサンプリングを行うこととしてもよい。

なお、正常データ１２０の数が多すぎると、計算コストが大きくなる。そのため、作業者は、正常データ１２０の数の上限を予め設定しておき、正常データ１２０の数が当該上限を超えない範囲でオーバーサンプリングをしてもよい。

ダウンサンプリング部２４は、算出部２２によってベクトルＶが算出される前に、正常領域Ｒｎ内のデータの数を減少させることができる。以下、正常領域Ｒｎ内のデータを減少させることを、ダウンサンプリングと称する。なお、ダウンサンプリングを行うか否かは任意である。

図９は、ダウンサンプリングの一例を説明する図である。図９では、正常領域Ｒｎ内の正常データ１２０の数が、図６に比べて少ない。ダウンサンプリングは、正常領域Ｒｎ内に位置するデータの内、一部のデータを例えばランダムに抽出し、除外することによって実現することができる。

ダウンサンプリング部２４によってダウンサンプリングが行われると、算出部２２は、減少した複数の正常データ１２０を用いて、ベクトルＶを算出する。図９には、ダウンサンプリングを行った後に、算出部２２によって算出されたベクトルＶが示されている。

ダウンサンプリングによってデータの数が減少するほど、第１位置Ｐ１から最も近い第２位置Ｐ２を探索するための計算コストが小さくなる。

ダウンサンプリングを行うか否かは、予め記憶装置１２に格納されている正常データ１２０の数等を考慮して決定すればよい。例えば、予め記憶装置１２に格納されている正常データ１２０の数が多すぎるために、計算コストが大きくなると考えられる場合、ダウンサンプリングを行えばよい。

この場合、作業者は、正常データ１２０の数の閾値（第２閾値）を予め設定しておき、予め記憶装置１２に格納されている正常データ１２０の数が第２閾値よりも多い場合にダウンサンプリングを行うこととしてもよい。

なお、正常データ１２０の数が少なすぎると、診断結果の信頼性が低くなる。そのため、作業者は、正常データ１２０の数の下限を予め設定しておき、正常データ１２０の数が当該下限よりも少なくならない範囲でダウンサンプリングをしてもよい。

出力部２６は、表示装置１４に、要因情報を出力する。このとき、出力部２６は、例えば、図７に示す影響度情報を出力する。作業者は、表示装置１４を介して要因用法を確認することにより、冷凍機４に異常が検知されたことを把握する。この場合、作業者は、異常の主な要因が、変数ｘ１が意味する圧縮器４１の回転速度であることを把握する。

＜＜情報処理Ｓ１００＞＞
以下、各機能ブロックが実行する処理の一例を、図１０等を参照しつつ説明する。図１０は、情報処理装置１で実行される処理の一例を示すフローチャートである。

先ず、診断部２５が、運転中の冷凍機４のセンサ４１ａ～４４ａから出力される診断データを取得する（Ｓ１０１）。

次いで、判定部２１が、Ｓ１０１で取得された診断データが正常であるか異常であるかを、学習モデル１２１に基づいて判定する（Ｓ１０２）。Ｓ１０２で診断データが異常であると判定された場合（Ｓ１０３：Ｙ）、Ｓ１０４へ進む。一方、Ｓ１０２で診断データが正常であると判定された場合（Ｓ１０３：Ｎ）、Ｓ１０６へ進む。

Ｓ１０４では、オーバーサンプリング部２３又はダウンサンプリング部２４が、正常データ１２０の数を調整する。このとき、記憶装置１２に格納された正常データ１２０の数が、予め設定された第１閾値よりも少ない場合、オーバーサンプリングによって正常データ１２０の数を増加させる。一方、記憶装置１２に格納された正常データ１２０の数が、予め設定された第２閾値よりも多い場合、ダウンサンプリングによって正常データ１２０の数を減少させる。

次いで、Ｓ１０５では、診断部２５が、異常と判定された診断データの要因情報を算出する。このとき、診断部２５は、複数の変数の夫々の影響度を示す影響度情報（図７）を算出する。

Ｓ１０６では、出力部２６が、診断部２５による診断結果の情報を出力する。このとき、Ｓ１０２で診断データが異常であると判定されていた場合（Ｓ１０３：Ｙ）、出力部２６は要因情報を出力する。一方、Ｓ１０２で診断データが正常であると判定されていた場合（Ｓ１０３：Ｎ）、出力部２６は、診断データが正常である旨の情報を出力する。

＝＝＝＝＝変形例＝＝＝＝＝
第１実施形態では、第２位置Ｐ２として、複数の正常データ１２０の夫々に対応する複数の位置の内、異常データの位置を示す第１位置Ｐ１に最も近い位置とした。しかし、第２位置Ｐ２の選択はこれに限られない。

変形例として、第２位置Ｐ２は、複数の正常データ１２０の内、少なくとも一部の正常データ１２０に対応する複数の位置の重心としてもよい。なお、ここで、複数の位置の「重心」とは、複数の位置の座標値の平均値である。

図１１は、第２位置Ｐ２の変形例を示す図である。図１１の例では、「複数の正常データ１２０の内、少なくとも一部の正常データ１２０」は、複数の正常データ１２０の内、第１位置Ｐ１から最も近い５個の正常データ１２０である。当該５個の正常データ１２０に対応する５個の位置の重心である第２位置Ｐ２が白丸で示されている。

なお、「複数の正常データ１２０の内、少なくとも一部の正常データ１２０」は、他の例として、複数の正常データ１２０の全てであってもよい。また、他の例として、ダウンサンプリングによって減少させた複数の正常データ１２０であってもよい。

＝＝＝＝＝数値シミュレーション＝＝＝＝＝
以上説明した情報処理装置１による情報処理方法の妥当性を、数値シミュレーションを用いて検証した。本数値シミュレーションは、以下の手順で行った。
手順１． 複数の正常データの用意
手順２． 異常データとなる診断データの取得
手順３． 手順２で取得した診断データの要因情報の算出
以下、詳細に説明する。

手順１． 正常データの用意
本数値シミュレーションでは、診断に用いる複数の正常データを、予め構築された学習モデルＭ１を用いて用意した。学習モデルＭ１は、冷凍機４の冷凍サイクルに基づいて構築したものである。

図１２は、冷凍機４の冷凍サイクルを説明する図である。この図において、冷媒の流れが矢印で示されている。ＭＶ１は、電子膨張弁４３の弁開度である。ＭＶ２は、圧縮器４１の回転速度である。ＰＶ１は、蒸発器４４の温度［℃］である。ＰＶ２は、凝縮器４２の温度［℃］である。

冷凍サイクルにおいて、ＭＶ１及びＭＶ２は、作業者が設定する値である。ＰＶ１は、蒸発器４４の動作が正常であれば、ＭＶ１及びＭＶ２に依存して所定の値となる。ＰＶ２は、凝縮器４２の動作が正常であれば、ＭＶ１及びＭＶ２に依存して所定の値となる。

本数値シミュレーションでは、以下に示す（式１－１）～（式１－５）によって表現される学習モデルＭ１を用いた。

（式１－１） Ｃ＝１．００×１０^－１０××ＭＶ１^２－０．０３９×ＭＶ１＋１．００×１０^－１０×ＭＶ２^２＋０．０５８×ＭＶ２＋２８
（式１－２） ＰＶ１＝０．２１７１３２＋０．００５２５×ＭＶ１－０．００１４４×ＭＶ２
（式１－３） ＰＶ２＝４９．５６９２２－０．０１８５４×ＭＶ１＋０．０１１００×ＭＶ２
（式１－４） ３００≦ＭＶ１≦１０００
（式１－５） １０００≦ＭＶ２≦４０００

（式１－１）において、Ｃは、冷凍機４の消費電力［Ｗ］である。（式１－１）は、冷凍機４の動作が正常な場合に、ＭＶ１及びＭＶ２に依存する冷凍機４の消費電力Ｃを示す式である。本数値シミュレーションでは、ＭＶ１、ＭＶ２、ＰＶ１及びＰＶ２に加え、冷凍機４の消費電力Ｃの影響度も算出の対象とした。

（式１－２）は、蒸発器４４の動作が正常な場合に、ＭＶ１及びＭＶ２に依存する蒸発器４４の温度ＰＶ１を示す式である。（式１３２）は、凝縮器４２の動作が正常な場合に、ＭＶ１及びＭＶ２に依存する凝縮器４２の温度ＰＶ２を示す式である。（式１－４）及び（式１－５）は夫々、冷凍機４が正常な動作を維持するために許容可能な、電子膨張弁４３の弁開度及び圧縮器４１の回転速度の範囲である。

本数値シミュレーションでは、学習モデルＭ１に基づいて定まる正常領域内から、１０００の位置をランダムに抽出し、それらを１０００の正常データとした。

具体的には、先ず、以下のように一の正常データを用意した。先ず、ＭＶ１を、（式１－４）の範囲でランダムに抽出した。同様に、ＭＶ２を、（式１－５）の範囲でランダムに抽出した。次いで、Ｃを、抽出されたＭＶ１及びＭＶ２を（式１－１）に代入することによって抽出した。次いで、ＰＶ１を、抽出されたＭＶ１及びＭＶ２を（式１－２）に代入することによって抽出した。同様に、ＰＶ２を、抽出されたＭＶ１及びＭＶ２を（式１－３）に代入することによって抽出した。以上の処理を１０００回繰り返すことによって、１０００の正常データを用意した。

手順２． 異常データとなる診断データの取得
本数値シミュレーションでは、冷凍機４のセンサ４１ａ～４４ａから診断データを取得する代わりに、学習モデルＭ１に基づいて定まる正常領域以外の領域から、一の位置を抽出し、それを異常データとして取得した。

具体的には、学習モデルＭ１に基づいて定まる正常領域以外の領域として、以下の（式２－１）～（式２－５）のモデル（以下、モデルＭ２）に基づいて定まる領域を定義した。

（式２－１） Ｃ＝１．００×１０^－１０××ＭＶ１^２－０．０３９×ＭＶ１＋１．００×１０^－１０×ＭＶ２^２＋０．０５８×ＭＶ２＋２８
（式２－２） ＰＶ１＝０．２１７１３２＋０．００５２５×ＭＶ１－０．００１４４×ＭＶ２＋１０
（式２－３） ＰＶ２＝４９．５６９２２－０．０１８５４×ＭＶ１＋０．０１１００×ＭＶ２
（式２－４） ３００≦ＭＶ１≦１０００
（式２－５） １０００≦ＭＶ２≦４０００

（式２－１）、（式２－２）～（式２－４）は夫々、（式１－１）、（式１－２）～（式１－４）と同一である。（式２－２）は、（式１－２）と比べると、右辺に１０が加算されている点で異なっている。つまり、モデルＭ２に基づいて定まる領域は、学習モデルＭ１に基づいて定まる正常領域に対し、ＰＶ１の正の方向に１０℃だけ平行移動した領域である。つまり、モデルＭ２に基づいて定まる領域内に位置する異常データは、正常データに比べて蒸発器４４の温度ＰＶ１が高い傾向にある。

本数値シミュレーションでは、モデルＭ２に基づいて定まる領域内の代表位置として、（ＭＶ１，ＭＶ２，Ｃ，ＰＶ１，ＰＶ２）＝（３００，２５００，１６１．３０Ｗ，８．１９℃，７１．７６℃）を抽出し、これを異常データとして取得した。

手順３． 手順２で取得した診断データの要因情報の算出
手順２で取得した異常データである診断データの要因情報を、以下の手順で算出した。先ず、手順１で用意した１０００の正常データと、手順２で取得した異常データとを正規化した。次いで、１０００の正常データのうち、異常データに対応する位置からのユークリッド距離が最短の位置の正常データを特定した。

次いで、異常データの位置から、特定された正常データの位置に向かうベクトルを算出した。算出されたベクトルの、ＭＶ１、ＭＶ２、Ｃ、ＰＶ１及びＰＶ２の成分の絶対値を、夫々の影響度とした。前述のように、１０００の正常データ及び異常データは正規化されているため、夫々の影響度は無次元の量である。

図１３は、本数値シミュレーションの影響度情報の計算結果を示す図である。この図は、ＭＶ１、ＭＶ２、Ｃ、ＰＶ１及びＰＶ２の影響度を縦軸に示している。この図から、ＰＶ１の影響度が、他の影響度に比べて突出していることがわかる。つまり、手順２で取得した異常データにおける異常の要因は、特にＰＶ１に起因することを示唆している。

手順２の説明で述べたように、モデルＭ２に基づいて定まる領域内に位置する異常データは、正常データに比べて蒸発器４４の温度ＰＶ１が高い傾向にある。図１３に示す計算結果は、このような傾向を如実に反映していることから、本実施形態の情報処理方法は妥当なものであるといえる。

＝＝＝＝＝第２実施形態＝＝＝＝＝
本実施形態の情報処理装置３について説明する。なお、情報処理装置３のハードウェア構成は第１実施形態の情報処理装置１と同様であるため、説明は省略する。

図１４は、本実施形態の情報処理装置３に実現される機能ブロックの一例を示す図である。情報処理装置３のＣＰＵが情報処理プログラム１２２を実行することにより、情報処理装置３には、取得部３０と、判定部３１と、クラスタリング部３２と、特定部３３と、オーバーサンプリング部３４と、算出部３５と、診断部３６と、出力部３７とが実現される。

上記構成の内、取得部３０、判定部３１、算出部３５、診断部３６、出力部３７の構成は夫々、第１実施形態の取得部２０、判定部２１、算出部２２、診断部２５、出力部２６と同様であるため詳細な説明は省略する。以下では、クラスタリング部３２、特定部３３、及びオーバーサンプリング部３４について詳細に説明する。

クラスタリング部３２は、複数の正常データ１２０を複数のクラスタにグループ化する。なお、ここで「グループ化」とは、１以上のグループにデータを分けることをいう。図１５はグループ化の一例を説明する図である。図１５の例では、第１実施形態で図３に示した複数の正常データ１２０を、６個のクラスタにグループ化した例を示している。６個のクラスタの夫々は、正常領域Ｒｎ内のサブ領域Ｒｓ１～Ｒｓ６の内部に位置する複数の正常データ１２０の集合である。

複数のクラスタにグループ化する処理を施すアルゴリズムとしては、例えばｋ－ｍｅａｎｓのようにクラスタの数を予め仮定するアルゴリズムを用いてもよく、又はｘ－ｍｅａｎｓのようにクラスタの数を予め仮定しないアルゴリズムを用いてもよい。

特定部は、複数のクラスタのうち異常データに最も近いクラスタを特定する。図１６は、特定されたクラスタを説明する図である。以下、異常データに最も近いクラスタを特定する方法について説明する。

図１６には、サブ領域Ｒｓ１～Ｒｓ６に、夫々のクラスタの重心が、白丸で示されている。なお、ここで、一のクラスタの「重心」とは、一のクラスタに含まれる複数の正常データ１２０の座標値の平均値である。

上述の「異常データに最も近いクラスタ」とは、複数のクラスタの内、重心が異常データの位置を示す第１位置Ｐ１に最も近いクラスタを意味する。図１６の例では、第１位置Ｐ１に最も近いサブ領域Ｒｓ３内のクラスタが、特定されている。

算出部３５は、第１位置Ｐ１から、特定されたクラスタ内の所定の第２位置Ｐ２に向かうベクトルＶを算出する。なお、ここで「クラスタ内」とは、当該クラスタを含むサブ領域の内部を意味する。本実施形態の第２位置Ｐ２は、以下でオーバーサンプリング部３４と共に説明する。

オーバーサンプリング部３４は、算出部３５によってベクトルＶが算出される前に、特定されたクラスタ内のデータの数を増加させることができる。図１７は、本実施形態のオーバーサンプリングを説明する図である。図１７の例では、サブ領域Ｒｓ３内のみに、黒丸で示す複数の正常データ１２０が生成されている。サブ領域Ｒｓ３は、特定部３３によって特定されたクラスタが含まれる領域である。

図１７に示したサブ領域Ｒｓ３内の正常データ１２０の数は、図１５に示したサブ領域Ｒｓ３内の正常データ１２０の数に比べて多い。オーバーサンプリングは、例えば乱数を用いて、サブ領域Ｒｓ３内に位置するデータを複数生成することによって実現することができる。

オーバーサンプリングによってデータの数が増加するほど、第１位置Ｐ１と第２位置Ｐ２との距離が最短距離に近づくことが期待される。これによって、算出されるベクトルＶの一意性が高くなることが期待される。そうすると、診断結果の一意性が高くなり、信頼性が向上する。

本実施形態の第２位置Ｐ２は、特定されたクラスタ内の複数のデータの夫々に対応する複数の位置の内、異常データに最も近い位置である。つまり、図１７に示すように、本実施形態の第２位置Ｐ２は、サブ領域Ｒｓ３内の複数のデータの夫々に対応する複数の位置の内、異常データに最も近い位置である。

＜＜情報処理Ｓ２００＞＞
以下、各機能ブロックが実行する処理の一例を、図１８等を参照しつつ説明する。図１８は、情報処理装置３で実行される処理の一例を示すフローチャートである。

Ｓ２０１、Ｓ２０２、Ｓ２０３、Ｓ２０６及びＳ２０７は夫々、図１０に示した第１実施形態のＳ１０１、Ｓ１０３、Ｓ１０５及びＳ１０６と同様の処理であるため、詳細な説明を省略する。

Ｓ２０２で診断データが異常であると判定された場合（Ｓ２０３：Ｙ）、Ｓ２０４へ進む。一方、Ｓ２０２で診断データが正常であると判定された場合（Ｓ２０３：Ｎ）、Ｓ２０７へ進む。

Ｓ２０４では、特定部が、複数のクラスタのうち異常データに最も近いクラスタを特定する（図１６）。次いで、Ｓ２０５では、オーバーサンプリング部３４が、特定されたクラスタ内のデータの数を増加させる（図１７）。

次いで、Ｓ２０６では、第１実施形態のＳ１０５（図１０）と同様に、診断部３６が、異常と判定された診断データの要因情報を算出する。次いで、Ｓ２０７では、第１実施形態のＳ１０６（図１０）と同様に、出力部３７が、診断部３６による診断結果の情報を出力する。

＝＝＝まとめ＝＝＝
以上、第１実施形態の情報処理装置１及び第２実施形態の情報処理装置３について説明した。かかる実施形態によれば、異常データの異常の要因に関する要因情報を算出する際に、ＬＩＭＥやＳＨＡＰ等の従来の手法のように学習モデル１２１を使用することを必要としない。かかる実施形態では、異常データに対応する第１位置Ｐ１から、複数の正常データを内部に含む正常領域Ｒｎ内の第２位置Ｐ２に向かうベクトルＶに基づいて要因情報を算出する。これによって、異常の要因となる特徴を容易に推定することが可能である。

そのため、異常の修理をする際に、異常要因の特定に要する工数を削減することが可能となる。また、ＬＩＭＥやＳＨＡＰと異なり、要因を特定するために多数のデータから要因特定モデルを作成しないため、冷凍機４のようにCPUやメモリなどの計算リソースが少ない設備でも適用可能であり、オンラインで異常の要因を行うことができる。

また、第１実施形態によれば、第２位置Ｐ２は、複数の正常データ１２０の夫々に対応する複数の位置の内、異常データに最も近い位置である。そのため、診断に用いる第２の位置の一意性が高くなることから、診断結果の一意性も高くなる。これによって、診断結果の信頼性が向上する。

また、第１実施形態の変形例によれば、複数の正常データ１２０の内、少なくとも一部の正常データ１２０に対応する複数の位置の重心である。そのため、診断に用いる第２の位置の一意性が高くなることから、診断結果の一意性も高くなる。これによって、診断結果の信頼性が向上する。

また、第１実施形態によれば、算出部２２によってベクトルＶが算出される前に、正常領域Ｒｎ内のデータの数を増加させるオーバーサンプリング部２３を更に含む。オーバーサンプリングによってデータの数が増加するほど、第１位置Ｐ１と第２位置Ｐ２との距離が最短距離に近づくことが期待される。これによって、算出されるベクトルＶの一意性が高くなることが期待される。そうすると、診断結果の一意性が高くなり、信頼性が向上する。

また、第１実施形態によれば、ベクトルＶが算出される前に、正常領域Ｒｎ内のデータの数を減少させるダウンサンプリング部２４を更に含む。ダウンサンプリングによってデータの数が減少するほど、第１位置Ｐ１から最も近い第２位置Ｐ２を探索するための計算コストが小さくなる。

また、第２実施形態によれば、複数の正常データ１２０を複数のクラスタにグループ化するクラスタリング部と、複数のクラスタのうち異常データに最も近いクラスタを特定する特定部と、を含み、算出部３５は、第１位置Ｐ１から、特定されたクラスタ内の第２位置Ｐ２に向かうベクトルＶを算出する。

これによって、第２位置Ｐ２が、特定されたクラスタ内に限定されるため、算出されるベクトルＶの一意性が高くなることが期待される。そうすると、診断結果の一意性が高くなり、信頼性が向上する。

また、第２実施形態によれば、ベクトルＶが算出される前に、特定されたクラスタ内のデータの数を増加させるオーバーサンプリング部３４を更に含む。オーバーサンプリングによってデータの数が増加するほど、第１位置Ｐ１と第２位置Ｐ２との距離が最短距離に近づくことが期待される。

これによって、算出されるベクトルＶの一意性が高くなることが期待される。そうすると、診断結果の一意性が高くなり、信頼性が向上する。

また、第２実施形態によれば、第２位置Ｐ２は、特定されたクラスタ内の複数のデータの夫々に対応する複数の位置の内、異常データに最も近い位置である。これによって、第１位置Ｐ１と第２位置Ｐ２との距離が最短距離に更に近づくことが期待される。これによって、算出されるベクトルＶの一意性が更に高くなることが期待される。そうすると、診断結果の一意性が高くなり、信頼性が更に向上する。

また、第１実施形態及び第２実施形態によれば、要因情報は、複数の変数の夫々に対応するベクトルＶの成分に基づいて算出される、複数の変数の夫々の影響度を示す影響度情報を含む。これによって、作業者は、異常の主な要因となる特徴のみならず、正常である特徴も把握することができる。

また、第１実施形態及び第２実施形態によれば、正常領域Ｒｎは、入力データを正常データ１２０又は異常データに分類する学習モデル１２１に基づいて定まる領域である。そのため、オーバーサンプリング部２３は、学習モデル１２１に基づいて、正常領域Ｒｎ内の正常データ１２０の数を自在に増加させることができる。

また、第１実施形態及び第２実施形態によれば、算出部２２は、ベクトルＶが算出される前に、複数の正常データ１２０と、異常データと、を正規化又は標準化する。これによって、複数の変数の夫々が無次元量に変形されるため、複数の変数の夫々の影響度を比較しやすくなる。

上記の実施形態は、本発明の理解を容易にするためのものであり、本発明を限定して解釈するためのものではない。また、本発明は、その趣旨を逸脱することなく、変更や改良され得るとともに、本発明にはその等価物が含まれるのはいうまでもない。

例えば、第１実施形態の情報処理装置１は、正常データの数を調整するための処理部を更に備えてもよい。処理部は、作業者によって予め設定された、正常データの数についての第１閾値、第２閾値、上限及び下限に基づいて、正常データの数を調整するよう、オーバーサンプリング部２３又はダウンサンプリング部２４に指示する。なお、同様の処理部を、第２実施形態の情報処理装置３が更に備えてもよい。

１，３ 情報処理装置
１０ ＣＰＵ
１１ メモリ
１２ 記憶装置
１３ 入力装置
１４ 表示装置
１５ 通信装置
１２０ 正常データ
１２１ 学習モデル
１２２ 情報処理プログラム
２０ 取得部
２１ 判定部
２２ 算出部
２３ オーバーサンプリング部
２４ ダウンサンプリング部
２５ 診断部
２６ 出力部
３０ 取得部
３１ 判定部
３２ クラスタリング部
３３ 特定部
３４ オーバーサンプリング部
３５ 算出部
３６ 診断部
３７ 出力部
４ 冷凍機
４１ 圧縮器
４２ 凝縮器
４３ 電子膨張弁
４４ 蒸発器
４１ａ 回転速度センサ
４２ａ 凝縮器温度センサ
４３ａ 弁開度センサ
４４ａ 蒸発器温度センサ

Claims (13)

1. 複数の変数を含む複数の正常データと、前記複数の変数を含む異常データと、を含むベクトル空間において、前記異常データに対応する第１位置から、前記複数の正常データを内部に含む正常領域内の第２位置に向かうベクトルを算出する算出部と、
   算出された前記ベクトルに基づいて、前記異常データの異常の要因に関する要因情報を出力する出力部と
   を含み、
   前記第２位置は、前記複数の正常データの夫々に対応する複数の位置の内、前記異常データに最も近い位置であることを特徴とする情報処理装置。
2. 前記ベクトルが算出される前に、前記正常領域内のデータの数を増加させるオーバーサンプリング部を更に含むこと、
   を特徴とする請求項１に記載の情報処理装置。
3. 前記ベクトルが算出される前に、前記正常領域内のデータの数を減少させるダウンサンプリング部を更に含むこと、
   を特徴とする請求項１に記載の情報処理装置。
4. 複数の変数を含む複数の正常データと、前記複数の変数を含む異常データと、を含むベクトル空間において、前記異常データに対応する第１位置から、前記複数の正常データを内部に含む正常領域内の第２位置に向かうベクトルを算出する算出部と、
   算出された前記ベクトルに基づいて、前記異常データの異常の要因に関する要因情報を出力する出力部と、
   前記複数の正常データを複数のクラスタにグループ化するクラスタリング部と、
   前記複数のクラスタのうち前記異常データに最も近いクラスタを特定する特定部と、
   を含み、
   前記算出部は、前記第１位置から、特定されたクラスタ内の前記第２位置に向かう前記
   ベクトルを算出し、
   前記第２位置は、前記特定されたクラスタ内の複数のデータの夫々に対応する複数の位置の内、前記異常データに最も近い位置であること
   を特徴とする情報処理装置。
5. 請求項４に記載の情報処理装置であって、
   前記異常データに最も近いクラスタは、前記複数のクラスタの内、クラスタ内の複数のデータの夫々に対応する複数の位置の重心が前記異常データに最も近いクラスタであり、
   前記第２位置は、前記特定されたクラスタの前記重心であること、
   を特徴とする情報処理装置。
6. 請求項４に記載の情報処理装置であって、
   前記ベクトルが算出される前に、前記特定されたクラスタ内のデータの数を増加させるオーバーサンプリング部を更に含むこと、
   を特徴とする情報処理装置。
7. 前記要因情報は、前記複数の変数の夫々に対応する前記ベクトルの成分に基づいて算出される、前記複数の変数の夫々の影響度を示す影響度情報を含むこと、
   を特徴とする請求項１～６の何れか一項に記載の情報処理装置。
8. 前記正常領域は、入力データを前記正常データ又は前記異常データに分類する学習モデルに基づいて定まる領域であること、
   を特徴とする請求項１～６の何れか一項に記載の情報処理装置。
9. 前記算出部は、前記ベクトルが算出される前に、前記複数の正常データと、前記異常データと、を正規化又は標準化することを特徴とする請求項１又は４に記載の情報処理装置。
10. 複数の変数を含む複数の正常データと、前記複数の変数を含む異常データと、を含むベクトル空間において、前記異常データに対応する第１位置から、前記複数の正常データを内部に含む正常領域内の第２位置に向かうベクトルを算出し、
    算出された前記ベクトルに基づいて、前記異常データの異常の要因に関する要因情報を出力すること
    を含み、
    前記第２位置は、前記複数の正常データの夫々に対応する複数の位置の内、前記異常データに最も近い位置であることを特徴とする情報処理方法。
11. コンピュータに、
    複数の変数を含む複数の正常データと、前記複数の変数を含む異常データと、を含むベクトル空間において、前記異常データに対応する第１位置から、前記複数の正常データを内部に含む正常領域内の第２位置に向かうベクトルを算出させ、
    算出された前記ベクトルに基づいて、前記異常データの異常の要因に関する要因情報を出力させること
    を含み、
    前記第２位置は、前記複数の正常データの夫々に対応する複数の位置の内、前記異常データに最も近い位置であることを特徴とする情報処理プログラム。
12. 複数の変数を含む複数の正常データと、前記複数の変数を含む異常データと、を含むベクトル空間において、前記異常データに対応する第１位置から、前記複数の正常データを内部に含む正常領域内の第２位置に向かうベクトルを算出し、
    算出された前記ベクトルに基づいて、前記異常データの異常の要因に関する要因情報を
    出力し、
    前記複数の正常データを複数のクラスタにグループ化するし、
    前記複数のクラスタのうち前記異常データに最も近いクラスタを特定すること
    を含み、
    前記ベクトルを算出することは、前記第１位置から、特定されたクラスタ内の前記第２位置に向かう前記ベクトルを算出し、
    前記第２位置は、前記特定されたクラスタ内の複数のデータの夫々に対応する複数の位置の内、前記異常データに最も近い位置であること
    を特徴とする情報処理方法。
13. コンピュータに、
    複数の変数を含む複数の正常データと、前記複数の変数を含む異常データと、を含むベクトル空間において、前記異常データに対応する第１位置から、前記複数の正常データを内部に含む正常領域内の第２位置に向かうベクトルを算出させ、
    算出された前記ベクトルに基づいて、前記異常データの異常の要因に関する要因情報を出力させ、
    前記複数の正常データを複数のクラスタにグループ化させ、
    前記複数のクラスタのうち前記異常データに最も近いクラスタを特定させ、
    を含み、
    前記ベクトルを算出させることは、前記第１位置から、特定されたクラスタ内の前記第２位置に向かう前記ベクトルを算出させ、
    前記第２位置は、前記特定されたクラスタ内の複数のデータの夫々に対応する複数の位置の内、前記異常データに最も近い位置であること
    を特徴とする情報処理プログラム。

Images