JPWO2017109903A1 - 異常原因推定装置及び異常原因推定方法 - Google Patents

Abstract

本発明が解決しようとする課題は、原因推定モデルを組み合わせて原因推定を実施することで、より確度の高い診断を可能にすることにある。設備に設置されたセンサのセンサデータを取得するデータ取得部と、前記センサデータに基づいて第一の推定モデルにより設備の異常原因の推定をする第一の推定部と、推定原因とそれを補足する第二の推定モデルとを対応づける対応表を記憶する対応表記憶部と、を有し、対応表により第二の推定モデルが対応づけられた場合に、さらに第二の推定モデルに基づいて異常原因の推定をする第二の推定部と、前記推定原因を表示する表示部と、を備える異常原因推定装置。

Description

本発明の実施形態は、センサで測定したデータを用いて異常原因を推定する装置及び方法に関する。

センサからデータを取得し所望の制御を行う機器、システムでは、安定稼働のため、常に正しい状態で動作しているか自己診断を行いながら、所望の動作を行う。異常状態を検知した場合は、その旨を発報し、作業者や利用者に異常が発生した旨を知らせる。通知を受けた作業者や利用者は、異常状態に陥った原因を特定し、その原因に応じて適切な対処を施す。

エラー発報の際に、システムが検知した異常状態は、検知した時の異常状態であり、その異常に至る原因までは分からない。多数の部品が複雑に組み合わさって稼働するシステムでは、部品同士が互いに影響を及ぼしながら稼働するため、異常発報をした部品に原因があるとは限らない。隣接した部品の故障や、隣接はしていないが故障影響の伝播を繰り返し、構成上離れた他の部品の故障が原因である可能性もある。

故障の起きる原因が分かって初めて、復旧の仕方が明確になるため、原因推定を確からしく、迅速に行うことは、これら復旧作業にかかる工数を抑えることに繋がる。

このように、異常や故障を検知した後の正確かつ迅速な原因究明を支援するシステムとして、診断ルールを用いる方法や機械学習を用いる方法、物理や化学モデルを用いる方法がある。

診断ルールを用いる手法は、例えば「温度計Ａの値がＢより大きい場合は原因Ｃである」といったように、専門家の知見や経験則をルール化して診断を行う手法である。機械学習を用いる手法は、例えば原因究明が完了している過去データを機械学習した診断モデルを構築し、過去のどの事例に似ているか分類することにより診断を行う手法である。物理や化学モデルを用いる手法は、例えばシステム構成を物理法則や化学式を用いてシステム挙動をシミュレーションし、シミュレーション結果と計測値の差分を見て、異常の検知や原因の特定を行う手法である。

これらの診断モデルに共通している課題として、診断の確からしさ（確度）を高めることが挙げられる。診断モデルによっては、複数の原因が候補に挙がることや、特定の故障に対し誤判定を起こしやすいケースがあり、より推定確度の高いモデルの構築が必要とされている。

特開平８−２０２４４４号公報 特開２００９−５３９３８号公報

本発明が解決しようとする課題は、原因推定モデルを組み合わせて原因推定を実施することで、より確度の高い診断を可能にすることにある。

実施形態の異常原因推定装置は、設備に設置されたセンサのセンサデータに基づいて前記設備の異常原因を推定する異常原因推定装置であって、前記センサデータを取得するデータ取得部と、前記センサデータに基づいて前記設備の異常原因を推定する第一の推定モデルを記憶する第一の記憶部と、前記第一の推定モデルに基づいて第一の推定原因を得る第一の推定部と、前記第一の推定原因を補足する第二の推定モデルを記憶する第二の記憶部と、前記第一の推定原因と前記第二の推定モデルとを対応づける対応表を記憶する対応表記憶部と、前記対応表により前記第一の推定原因と前記第二の推定モデルが対応づけられた場合に、前記第二の推定モデルに基づいて第二の推定原因を得る第二の推定部と、前記第一の推定原因と前記第二の推定原因を表示する表示部と、を有する。

また、実施形態の異常原因推定方法は、設備に設置されたセンサのセンサデータを取得するデータ取得部と、前記設備の異常原因を推定する第一の推定モデルにより第一の推定原因を得る第一の推定部と、前記第一の推定原因とそれを補足する第二の推定モデルとを対応付ける対応表を記憶する対応表記憶部と、前記第二の推定モデルに基づいて第二の推定原因を得る第二の推定部と、を備えた異常原因推定装置における異常原因推定方法であって、前記センサデータを前記データ取得部で取得し、前記第一の推定部において、前記センサデータに基づいて前記第一の推定モデルが前記第一の推定原因を推定し、前記第二の推定部において、前記対応表記憶部に記憶された前記対応表に基づいて前記第一の推定原因と前記第二の推定モデルが対応づけられた場合に、前記第二の推定モデルが第二の推定原因を推定する方法である。

第１の実施形態の異常原因推定装置のブロック図である。 異常原因推定処理のフローチャートである。 第一の推定部と第一の推定モデルの構成図である。 推定原因の整理例である。 ルールベースの診断ロジックの一例である。 対応表の一例である。 第二の推定部と第二の推定モデルの構成図である。 表示部による表示例である。 混合行列の一例である。 第１の変形例の異常原因推定処理のフローチャートである。 ユーザへのモデル選択画面イメージ図である。 第２の変形例の異常原因推定処理のフローチャートである。 第２の実施形態の異常原因推定装置のブロック図である。 複数原因向け第二の推定モデル構築処理のフローチャートである。 モデル評価部の診断結果例である。 モデル評価部で作る混合行列の例である。 複数原因向け第二の推定モデル作成のフローチャートである。 間違いやすい結果向け第二の推定モデル構築処理のフローチャートである。 間違いやすい結果のある混合行列の例１である。 間違いやすい結果のある混合行列の例２である。 間違いやすい結果のある混合行列の例３である。 第３の実施形態の異常原因推定装置のブロック図である。 外部から指定した第二の推定モデルを構築するフローチャートである。 第４の実施形態の異常原因推定装置のブロック図である。 外部から指定した第一の推定モデルを構築するフローチャートである。

（第１の実施形態）
図１が第１の実施形態の異常原因推定装置を示すブロック図であり、図２がそのフローチャートである。

第１の実施形態の異常原因推定装置は、診断対象の設備のセンサデータ１０を取得するデータ取得部２０、第一の推定モデル４０Ａに基づく原因推定を行う第一の推定部３０、第一の推定モデル４０Ａを記憶する第一の記憶部４０、第二の推定モデル６０Ａに基づく詳細な原因推定を行う第二の推定部５０、第二の推定モデル６０Ａを記憶する第二の記憶部６０、対応表７０Ａを記憶する対応表記憶部７０および表示部８０を備える。

センサデータ１０は、診断対象の設備の各所に配置された多数のセンサが計測しているセンサデータであり、センサごとに計測値、計測時刻から構成される時系列データである。

センサデータ１０にはシステム内部の状態変数が含まれてもよい。データ取得部２０は、通信手段を備え、設備に設置されたセンサの計測値を常時、または一定タイミングで取得する。設備へは、ＵＳＢや接続ポート等を用いて接続される。また、設備のメモリに一定以上蓄積されたログデータをＳＤカードやＵＳＢメモリといった記憶媒体経由で取得しても良い（Ｓ２０１）。

第一の推定部３０では、設備のセンサデータ１０を入力として、第一の記憶部４０内の第一の推定モデル４０Ａを用いて、異常原因の原因推定を行う（Ｓ２０２）。具体的に、第一の推定部３０は、原因推定を行う演算箇所に該当し、第一の記憶部４０は、ハードディスク等の記憶装置に該当し、第一の推定モデル４０Ａは原因推定を行うアルゴリズムを用いたプログラム等に該当する。第一の推定部３０での原因推定は、ＣＰＵ（中央演算処理装置）等の演算装置により実行される。

図３は、第一の推定部３０と第一の推定モデル４０Ａの構成を示している。本実施形態で用いる第一の推定モデル４０Ａは、入力特徴量リスト４１、推定ロジック４２、およびモデルメタ情報４３を含む。第一の推定部は、特徴算出部３１、モデル実行部３２、結果整理部３３を含む。特徴算出部３１では、センサデータ１０から、推定ロジック４２に必要となる特徴量の算出を行う。推定ロジック４２が必要とする特徴量は、入力特徴量リスト４１に定義されている。

例えば、センサＡの測定データの、ある期間の平均値といった特徴を表現する記述が入力特徴量リスト４１にあり、特徴算出部３１はそれを解釈して、所望の特徴量を計算する。尚、予め用いる特徴量を決めておくなどして、入力特徴量リスト４１を省くことも可能である。

モデル実行部３２は特徴算出部３１で得た特徴量を用い、推定ロジック４２に基づく原因推定を行う。推定ロジック４２は、入力した特徴量から、原因推定を行う。ここでいう原因推定とは、各原因である可能性を定量化した値（ここでは確度と呼ぶ）を算出することである。結果整理部３３では、最終的に各原因の確度を整理する。図４がその例であり、一意に特定した場合は特定した原因の確度が１となり、複数に絞った場合はそれら原因の確度を１とした例である。元々確度を算出している場合は、その値をそのまま用いる。また、原因名の欄には考えられる原因全てを列挙しても良いが、図４のように主要なもののみを列挙し、それ以外をその他のように整理しても良い。

推定ロジック４２としては、機械学習によるロジックを基本としている。機械学習によるロジックは、分類問題を解くアルゴリズムを用いて構築したロジックである。これらアルゴリズムとして、決定木、ランダムフォレスト、ＳＶＭ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）、ニューラルネット等が挙げられる。これらアルゴリズムを組み合わせたアルゴリズムでもよい。

モデルメタ情報４３はモデルに関するメタ情報である。入力特徴量４１と同様必ずしも必要ではないが、この情報があると、表示部８０で利用者により分かり易い表示を提供できる。モデルメタ情報４３の例として、モデル名、モデルの正解率、モデルの混合行列、モデルが推定対象とする原因名リストが挙げられる。

第一の推定モデル４０Ａは、推定されるすべての推定原因を網羅できるアルゴリズムとなっているのが好ましい。

図２のフローチャートに戻って、Ｓ２０３では、第二の推定部５０が、Ｓ２０２で得た異常原因の推定原因に対応する第二の推定モデル６０Ａが第二の記憶部６０内に存在するかどうかを、対応表記憶部７０内の対応表７０Ａを調べることにより行う。

第一の推定部３０と同様、第二の推定部５０は演算箇所に該当し、第二の記憶部６０と対応表記憶部７０はハードディスク等の記憶装置に該当し、第二の推定モデルは原因推定を行うアルゴリズムを用いたプログラム等に該当する。第二の推定部５０での原因推定は、ＣＰＵ等の演算装置を用いて実行される。また、第一の記憶部４０、第二の記憶部６０、対応表記憶部７０に該当する記憶装置は、同一の記憶装置を用いても良い。

対応表７０Ａと第二の推定モデル６０Ａは、過去のデータや経験則からあらかじめ作成されるものである。具体的には、過去のデータから第一の推定モデル４０Ａで推定した結果が、複数の推定原因を含んでいた場合や、推定原因が実際の推定原因とは異なっていた場合（間違いやすい推定原因がある場合）に、推定原因を補足する第二の推定モデル６０Ａの構築を行う。第一の推定部３０での推定原因と、構築された第二の推定モデル６０Ａとの対応関係を表として作成したのが対応表７０Ａである。つまり、第二の推定モデル６０Ａは、第一の推定部３０の推定原因の確度を高めるために用いるモデルである。

第一の推定部３０の推定原因により、選択する第二の推定モデル６０Ａが異なるため、対応表７０Ａを用いて、追加で推定を行うべき第二の推定モデル６０Ａの対応付けをする。

対応表７０Ａを用いることにより、第二の推定モデル６０Ａの抽出を容易にできる。

図６が対応表７０Ａの一例である。推定原因と第二の推定モデル６０Ａとの対応付けをする。また、推定原因の確度による条件式を用いて第二の推定モデル６０Ａと対応付けすることもできる。

Ｓ２０３において、第一の推定部３０の推定原因と対応表７０Ａを比較し、推定原因に該当する第二の推定モデルが存在すれば（Ｙｅｓの場合）、Ｓ２０４へ進み、そうでない場合は、Ｓ２０５へと進む。

Ｓ２０４では、第二の推定部５０で、対応表記憶部７０内の対応表７０Ａから得られた第二の推定モデル６０Ａを用いた詳細な原因推定を行う。図７は、第二の推定部５０と第二の推定モデル６０Ａの構成図である。図３と図７を比べると、第二の推定部５０に第二の推定モデル選択部５１が加わっていて、その他は第一の推定部３０と同じような特徴算出部５２、モデル実行部５３、および結果整理部５４を備える。第二の推定部５０は、対応表７０Ａから用いる第二の推定モデル６０Ａを決める箇所である。第二の推定モデルが決まれば、残る動作は第一の推定部３０と同じように原因推定を行うため、説明を省く。

Ｓ２０３がＮｏの場合または、Ｓ２０４が終了した後は、Ｓ２０５で第一の推定部３０の推定原因あるいは、第一の推定部３０と第二の推定部５０の両方の推定原因を表示部８０に表示する。つまり、Ｓ２０３がＮｏの場合、表示部８０には第一の推定モデルの推定原因、推定確度を利用者に分かり易いように表示をする。Ｓ２０３がＹｅｓの場合、表示部８０には第一の推定モデルの推定原因だけでなく、第二の推定モデルに基づく詳細な推定原因も併せて表示することができる。表示部８０は、コンピュータのモニターや、携帯端末の液晶モニター等に該当する。

図８は、第一の推定モデルに基づいた推定原因および第二の推定モデルの推定原因を並べた画面表示の一例を示している。図８の左側には、第一の推定モデル４０Ａの診断確度の昇順に棒グラフで表示した例であり、第一の推定モデル４０Ａの各原因ＡおよびＢの再現率を折れ線グラフで表現している。再現率を表示するには、モデルメタ情報４３に混合行列があることが前提である。混合行列とは、診断ロジックの診断結果と実際の結果を整理した表である（図９）。図９の例の場合、原因Ａを原因Ａと正しく診断した回数は１０回であり、原因Ｃを原因Ｂと誤って診断した回数は１回である。再現率とは診断ロジックの診断結果の確からしさを表した指標であり、特定の推定原因に対し、その推定原因が正しかった割合となる。図９の例では、原因Ａの再現率は１０／１７、原因Ｂの再現率は５／９原因Ｃの再現率は１／３となる。

図８の右側には、第二の推定モデルに基づいたより詳細な診断結果を円グラフで表現しており、第二の推定モデルの名前であるモデルＡＢやその診断正解率を表示している。

実施形態の異常原因推定装置の推定ロジック４２に関するアルゴリズムは、機械学習によるロジックを基本とするが、それ以外にもルールベースのロジックや物理または化学モデルによるロジックも考えられる。

図５がルールベースによるロジックの例であり、ｉｆ−ｔｈｅｎルールによる例である。原因Ａ、Ｂ、Ｃのいずれかを原因推定する際に、特徴算出部３１で算出された特徴量に閾値を設けて場合分けすることにより行う。この場合、特徴量Ａが９０、特徴量Ｂが７０、特徴量Ｃが１００であれば原因Ｂまたは原因Ｃと推定し、特徴量Ａが９０、特徴量Ｂが４０、特徴量Ｃが１００であればその他と推定する。これらの閾値は、過去のデータや経験則に基づき決定される。

物理または化学モデルによるロジックは、対照するシステム挙動のシミュレーションを行い、実測値とシミュレーション値の乖離を見て異常原因を推定する方法である。このように、機械学習以外にも推定原因を得るためには様々なロジックを取り得る。

以上のように、第１の実施形態によれば、第一の推定モデル４０Ａによる推定原因を補足する第二の推定モデル６０Ａによる推定も行うため、第一の推定モデル４０Ａ単体で推定する時よりも確度の高い原因推定を可能にする。また、対応表７０Ａにより、第一の推定部３０での推定原因の確度を向上する第二の推定モデル６０Ａの抽出を容易にできる。

（第１の実施形態の第１の変形例）
図１０は、原因推定処理のフローチャートの第１の変形例である。図２と異なるのは処理Ｓ１００１であるため、その部分の説明を行う。処理Ｓ１００１は対応表が存在している場合、第二の推定モデルを用いた推定を行うか利用者に確認するプロセスである。利用者が推定を希望する場合には、第二の推定モデルによる原因推定を行う（Ｓ２０４）。利用者が推定を希望しない場合は（例えば、推定指示がないとき）、第二の推定モデルの推定を行わずに推定原因の表示を行う（Ｓ２０５）。

図１１が利用者に推定モデルを使うか聞く際の画面表示の例である。第一の推定モデルの表示は、図８と同じである。このとき、原因Ａと原因Ｂの確度、再現率とも同程度に高い。対応表７０Ａより、モデルＡＢとモデルＡＢ＋が候補に挙がったとする。モデルＡＢは原因Ａと原因Ｂのどちらかであるかを診断するモデルであり、モデルＡＢ＋は原因Ａと原因Ｂが同時に発生しているか診断するモデルとする。この情報は診断対象（図１１）を見ることで利用者は得ることが出来る。診断対象はモデルメタ情報６３にこの情報を登録しておくことで、出力できる。同様に正解率もモデルメタ情報６３に登録することで、図１１のように利用者に提示できる。利用者はこれら情報を参考にして、推定するかを検討し、推定する場合は選択チェックリストに印をつけ、選択モデルによる推定実行ボタンの押下により装置に推定するモデルを知らせる。

図１１のように、利用者に第二の推定モデル一覧を閲覧できるようにすることで、システムが選択した第二の推定モデル以外のモデルの実行も可能にできる。

以上のように第１の実施形態の変形例１では、利用者が第二の推定部５０での原因推定を行うにあたり、どの推定モデルを用いるかを選択できるため、異常原因の診断に詳しい利用者の場合は、より確度の高い推定原因を得ることができる。

（第１の実施形態の第２の変形例）
図１２は、原因推定処理のフローチャートの第２の変形例である。図２では、第一の推定モデル４０Ａでの推定のあと、第二の推定モデル６０Ａでの推定は１回のみとなるが、図１２では、第二の推定モデル６０Ａに対する第二の推定モデル６０Ａの推定も行う。

第二の推定部５０では、例えばＡＢＣの確度が高かった場合は、１回の原因推定では結果を特定できない可能性があるためである。その場合は、第二の推定部５０での推定原因と第二の推定モデルを対応表７０Ａにより対応づけをし、第二の推定モデルによる第二の推定モデルの推定を行う。第二の推定部５０での推定原因と第二の推定モデルが対応表７０Ａで対応づけられなくなるまで、この原因推定を繰り返す。そのためには、各第二の推定モデル６０Ａの対応表７０Ａも定義する必要がある。

以上のように第１の実施形態の変形例２では、第二の推定部５０で推定された推定原因が複数あった場合に、さらに第二の推定部５０の推定原因と第二の推定モデルを対応表７０Ａで対応付けることにより推定原因を一意に決定できる。

（第２の実施形態）
図１３が第２の実施形態を示すブロック図である。本実施形態の実施手順としては、原因推定を行う手順と第二の推定モデルを構築する手順とがある。前者は第１の実施形態と変わらないため、本実施形態で新しく増えた、第二の推定モデルを構築する手順を説明する。図１４がこの手順のフローチャートであり、手順にそって、図１３の構成要素を説明する。

まず、センサ異常データ記憶部１００にあるセンサ異常データを用いて、モデル評価部９０により、第一の推定モデル４０Ａの評価を行う（Ｓ１４０１）。センサ異常データ記憶部は、センサ異常データを格納したデータベースに該当し、ハードディスク、ＵＳＢメモリ、ＲＯＭ等に記憶されているものである。また、センサ異常データ記憶部が外部サーバ等にあり、そこからセンサ異常データを取得しても良い。モデル評価部９０は、演算箇所に当たり、ＣＰＵ等により処理される。

センサ異常データとは、過去に設備の異常が発生した際の、センサデータ１０に異常の原因が付与されたデータである。モデル評価部９０は、センサ異常データ記憶部１００のデータを用いて、第一の推定モデル４０Ａの評価を行う。評価の手順は、図２のＳ２０２と同様であり、評価結果として、各データの診断結果や混合行列を算出する。診断結果はセンサ異常データ毎に各原因の確度を算出したもので、図１５のように整理できる。

混合行列は診断結果と実際の結果の発生数を整理したもので、図９のように整理する。診断結果の算出は、図１５の確度を基に計算する。最も確度が高い原因を選出しても良いし、各原因に閾値を設けて、閾値以上のものを全て選出しても良い。閾値と確度の比や差を利用して、選出しても良い。複数選出した場合は、図１６のように「原因Ａまたは原因Ｃ」といった列が含まれる混合行列となる。異常原因が複数の原因の組み合わせで起きていた場合は、図１６のように「原因Ａと原因Ｃ」といった行が含まれる混合行列となる。

続いて、複数原因向け第二の推定モデル作成処理（Ｓ１４０２）に移る。ここでは、第一の推定モデル４０Ａの推定原因が複数であった場合に、複数の候補から絞る推定を行う第二の推定モデルを作成する。図１７が詳細な手順となる。まず、複数原因を推定する事例が高頻度であるかを確認する（Ｓ１７０１）。これは混合行列から確認できる。

図１６の例では、「原因Ａまたは原因Ｃ」と推定することがあり、その発生数はその列の総和となる。発生数が高頻度であるかどうかは、閾値を設定することで判定できる。閾値は絶対的な数を設定しても良いし、センサ異常データ数の比で設定しても良い。

高頻度でなかった場合（Ｓ１７０１のＮｏ）は、処理を終了する。高頻度であった場合（Ｓ１７０１のＹｅｓ）は、モデル構築部１１０にて、複数原因のセンサ異常データをセンサ異常データ記憶部１００より取得する（Ｓ１７０２）。図１６のケースであれば、実際の原因が原因Ａのセンサ異常データと原因Ｃであるセンサ異常データをセンサ異常データ記憶部１００から取得する。

続いて、取得したセンサ異常データを用い、モデル構築部１１０にて、複数原因を分類するモデルを構築する（Ｓ１７０３）。図１６のケースであれば、原因Ａのセンサ異常データと原因Ｃのセンサ異常データの分類問題として、モデルの構築を行う。モデルの構築は一般的な機械学習を用いて行う。主なアルゴリズムとして、決定木、ランダムフォレスト、ＳＶＭ、ニューラルネット等が挙げられる。

本実施例の第二の推定モデル６０Ａでは、第一の推定モデル４０Ａでの推定原因のうち、判別し難い推定原因に対して第二の推定モデル６０Ａを構築するため、第１の実施形態の第二の推定モデル６０Ａとは構成が異なる場合がある。

続いて、モデル構築部にて、構築した第二の推定モデルを評価する（Ｓ１７０４）。評価はセンサ異常データ記憶部のセンサ異常データを用いて行う。センサ異常データには、異常の原因が付与されているので、構築された第二の推定モデルをセンサ異常データで評価することによりモデルの確度が解る。主にモデル化の当てはめ誤差や、交差検定を用いて確度を計算する。この際、複数の分類アルゴリズムを採用し、最も評価結果の高いモデルを選択することもできる。モデル構築部１１０は、アルゴリズムを用いたプログラムであり、構築したモデルの確度を評価する演算箇所でもある。これらの計算の実行はＣＰＵ等を用いて行う。

続いて、評価結果（Ｓ１７０５）の良し悪しを判断して第二の推定モデルを採用するか決める。採用するかは、正解率やＦ値の閾値で判定する。図１４のＳ１４０１の第一の推定モデルの評価結果から第一の推定モデルよりも確度が高くなる閾値を設定する。評価結果が悪い場合（Ｓ１７０５の悪い）は、そのまま処理が終了する。評価結果が良い場合（Ｓ１７０５の良い）は、モデル更新部１２０により、第二の記憶部６０内の第二の推定モデル６０Ａと対応表記憶部７０内の対応表７０Ａを更新する（Ｓ１７０６）。

Ｓ１７０２での処理の際、図１６のケースであれば、実際の原因が原因Ａのセンサ異常データと原因Ｃであるセンサ異常データをセンサ異常データ記憶部１００から取得すると説明したが、原因Ａと原因Ｃが同時に生じるセンサ異常データの取得も行い、Ｓ１７０３にて３ケースを分類するモデルを構築しても良い。

Ｓ１７０１にて複数原因の発生数が高頻度である原因の組み合わせが複数存在する場合は、その組み合わせ数分Ｓ１７０２−Ｓ１７０５の処理を繰り返しても良い。

続いて、間違いやすい結果向け第二の推定モデル作成処理（図１４のＳ１４０３）に移る。ここでは、第一の推定モデル４０Ａの推定原因に間違い易いケースがあった場合、誤った推定をしていないか確認する第二の推定モデルを作成する。図１８が詳細な手順となる。まず、原因推定を間違える事例が高頻度であるかを確認する（Ｓ１８０１）。これは混合行列から確認できる。図１９の例では、原因Ｂと推定したが、実際の原因がＡであり誤った推定が多いケースである。発生数が高頻度であるかどうかは、閾値を設定することで判定できる。閾値は絶対的な数を設定しても良いし、センサ異常データ数の比で設定しても良い。

高頻度でなかった場合（Ｓ１８０１のＮｏ）は、処理を終了する。高頻度であった場合（Ｓ１８０１のＹｅｓ）は、モデル構築部１１０にて、間違いやすいセンサ異常データをセンサ異常データ記憶部１００より取得する（Ｓ１８０２）。取得するデータは、間違いやすい事例に応じ、決定する。図１９のケースであれば、原因Ａの事例を原因Ｂと誤る事例は多いが、原因Ｂの事例を原因Ａと誤る事例が少ない。そのため、第一の推定モデル４０Ａが原因Ｂと推定した事例の中で、原因Ａと原因Ｂの区別が難しいと判断できる。そのため、Ｓ１８０２では、第一の推定モデル４０Ａが原因Ｂと推定した事例の内、実際の原因が原因Ａと原因Ｂであるデータを取得し、Ｓ１８０３でこれらを分類するモデルを作成する。

図２０のケースであれば、原因Ａの事例を原因Ｂと誤る事例も、原因Ｂの事例を原因Ａと誤る事例も多い。そのため、原因Ａと原因Ｂの分類自体が難しい問題であると判断できる。そのため、Ｓ１８０２では、実際の原因が原因Ａと原因Ｂであるデータを取得し、Ｓ１８０３でこれらを分類するモデルを作成する。

図２１のケースでは、原因Ａの事例を原因Ｂと誤る事例も原因Ｃの事例を原因Ｂと誤る事例も多い。その逆はどちらも成立していないため、原因Ｂと推定した事例の中で、原因Ａと原因Ｂと原因Ｃの区別が難しいと判断できる。そのため、Ｓ１８０２では、第一の推定モデル４０Ａが原因Ｂと推定した事例の内、実際の原因が原因Ａと原因Ｂと原因Ｃであるデータを取得し、Ｓ１８０３でこれらを分類するモデルを作成する。

以降の処理であるＳ１８０３−Ｓ１８０６は図１７のＳ１７０３−Ｓ１７０６と同じであるため、説明は割愛する。

図１４では、複数原因向け第二の推定モデル作成処理（Ｓ１４０２）と間違いやすい結果向け第二の推定モデル作成処理（Ｓ１４０３）の両方を行う手順を紹介したが、どちらか一方のみを実施するのでも構わない。

以上のように、第２の実施形態によれば、第一の推定モデル４０Ａの推定原因が複数の推定原因を生じる場合や第一の推定モデル４０Ａの推定原因に間違いやすい推定原因がある場合に、過去のセンサ異常データを基に推定確度の高いモデルを自動で構築し再度推定を行うことで、より確度の高い原因推定を可能にする。

（第３の実施形態）
図２２が第３の実施形態を示すブロック図である。実施手順としては、原因推定を行う手順と、第二の推定モデル６０Ａを構築する手順と外部から指定したモデルを構築する手順がある。原因推定を行う手順は第１の実施形態と、第二の推定モデル６０Ａを構築する手順は第２の実施形態と変わらないため、第３の実施形態で新しく増えた外部から指定したモデルを構築する手順を説明する。その手順が図２３のフローチャートである。

まず、外部要求取得部１３０で、外部からの要求を取得する。ここで外部からの要求とは、作成するモデルのスペックであり、モデルの学習データ、モデルのアルゴリズムについての情報である。モデルの学習データのスペックとして、実際の原因やデータが得られた期間等が挙げられる。外部からの要求を取得したら、モデル構築部１１０にて、外部から指定したセンサ異常データをセンサ異常データ記憶部１００より取得する（Ｓ２３０２）。続いて、取得したセンサ異常データと外部指定のアルゴリズムを用い、モデル構築部１１０で第二の推定モデル６０Ａを構築する（Ｓ２３０３）。

次に、第二の推定モデル６０Ａの評価を行い（Ｓ２３０４）、評価結果が良の場合は、モデル更新部１２０で、第二の記憶部６０と対応表記憶部７０内の対応表７０Ａを更新する（Ｓ２３０６）。この手順は、Ｓ１７０４−１７０６と同じであるため、説明は省略する。

以上のように、第３の実施形態によれば、外部から指定した第二の推定モデル６０Ａの構築が可能となる。利用者が異常原因の診断に詳しく、既に異常原因を絞ることが出来ている場合に、絞った原因から第二の推定モデル６０Ａを構築できる。そのため、利用者が意図した推定を行うことが可能となり、推定確度の向上に繋がる。

（第４の実施形態）
図２４が第４の実施形態を示すブロック図である。第３の実施形態では、外部から指定した第二の推定モデル６０Ａの構築が可能であるのに対して、本実施形態では、外部から指定した第一の推定モデル４０Ａの構築が可能である。

ここでは、外部要求取得部１３０で外部からの要求を取得し、モデル構築部１１０で外部指定のセンサ異常データをセンサ異常データ記憶部１００より取得する（Ｓ２５０２）。取得したセンサ異常データと外部指定のアルゴリズムを用い、モデル構築部１１０で第一の推定モデル４０Ａを構築する（Ｓ２５０３）。次に、モデル構築部１１０で構築した第一の推定モデル４０Ａの評価を行い（Ｓ２５０４）、評価結果が良の場合は、モデル更新部１２０で第一の記憶部４０を更新する（Ｓ２５０６）。

第一の推定モデル４０Ａを変更するため、対応表７０Ａ及び第二の推定モデル６０Ａについても定義し直すことが好ましい。

以上のように、第４の実施形態によれば、外部から指定した第一の推定モデル４０Ａの構築が可能になる。新たな異常原因が発生した場合など第一の推定モデル４０Ａを構築し直す必要が生じた場合や、第一の推定モデル４０Ａを定義し直してより確度の高い推定を行いたい場合に、外部からの指定により第一の推定モデル４０Ａを構築できる。

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

１０ センサデータ
２０ データ取得部
３０ 第一の推定部
３１ 特徴算出部
３２ モデル実行部
３３ 結果整理部
４０ 第一の記憶部
４０Ａ 第一の推定モデル
４１ 入力特徴量リスト
４２ 推定ロジック
４３ モデルメタ情報
５０ 第二の推定部
５１ 第二の推定モデル選択部
５２ 特徴算出部
５３ モデル実行部
５４ 結果整理部
６０ 第二の記憶部
６０Ａ 第二の推定モデル
６１ 入力特徴量リスト
６２ 推定ロジック
６３ モデルメタ情報
７０ 対応表記憶部
７０Ａ 対応表
８０ 表示部
９０ モデル評価部
１００ センサ異常データ記憶部
１１０ モデル構築部
１２０ モデル更新部
１３０ ユーザ要求取得部

Claims (5)

1. 設備に設置されたセンサのセンサデータに基づいて前記設備の異常原因を推定する異常原因推定装置であって、
   前記センサデータを取得するデータ取得部と、
   前記センサデータに基づいて前記設備の異常原因を推定するための第一の推定モデルを記憶する第一の記憶部と、
   前記第一の推定モデルに基づいて第一の推定原因を得る第一の推定部と、
   前記第一の推定原因を補足する第二の推定モデルを記憶する第二の記憶部と、
   前記第一の推定原因と前記第二の推定モデルとを対応づける対応表を記憶する対応表記憶部と、
   前記対応表により前記第一の推定原因と前記第二の推定モデルが対応づけられた場合に、前記第二の推定モデルに基づいて第二の推定原因を得る第二の推定部と、
   前記第一の推定原因と前記第二の推定原因を表示する表示部と、
   を備える異常原因推定装置。
2. 前記設備が異常を発生した際のセンサデータに前記設備の異常原因が付与されたセンサ異常データを蓄積したセンサ異常データ記憶部と、
   前記センサ異常データに基づいて前記第一の推定モデルの評価結果を得るモデル評価部と、
   前記モデル評価部の評価結果に基づいて第二の推定モデルの構築を行うモデル構築部と、
   構築された前記第二の推定モデルに応じて、前記第二の記憶部と前記対応表記憶部を更新するモデル更新部と、
   を備える請求項１に記載の異常原因推定装置。
3. 前記設備が異常を発生した際のセンサデータに前記設備の異常原因が付与されたセンサ異常データを蓄積したセンサ異常データ記憶部と、
   前記センサ異常データに基づいて前記第一の推定モデルの評価結果を得るモデル評価部と、
   外部からの要求を取得する外部要求取得部と、
   前記モデル評価部の評価結果と前記外部要求取得部のデータに基づいて第二の推定モデルの構築を行うモデル構築部と、
   構築された前記第二の推定モデルに応じて、前記第二の記憶部と前記対応表記憶部を更新するモデル更新部と、を備える請求項１に記載の異常原因推定装置。
4. 前記設備が異常を発生した際のセンサデータに前記設備の異常原因が付与されたセンサ異常データを蓄積したセンサ異常データ記憶部と、
   前記センサ異常データに基づいて前記第一の推定モデルの評価結果を得るモデル評価部と、
   外部からの要求を取得する外部要求取得部と、
   前記モデル評価部の評価結果と前記ユーザ要求取得部のデータに基づいて第一の推定モデルの構築を行うモデル構築部と、
   構築された第一の推定モデルに応じて、前記第一の記憶部を更新するモデル更新部と、を備える請求項１に記載の異常原因推定装置。
5. 設備に設置されたセンサのセンサデータを取得するデータ取得部と、前記設備の異常原因を推定するための第一の推定モデルにより第一の推定原因を得る第一の推定部と、前記第一の推定原因とそれを補足する第二の推定モデルとを対応付ける対応表を記憶する対応表記憶部と、前記第二の推定モデルに基づいて第二の推定原因を得る第二の推定部と、を備えた異常原因推定装置における異常原因推定方法であって、
   前記センサデータを前記データ取得部で取得し、
   前記第一の推定部において、前記センサデータに基づいて前記第一の推定モデルが前記第一の推定原因を推定し、
   前記第二の推定部において、前記対応表記憶部に記憶された前記対応表に基づいて前記第一の推定原因と前記第二の推定モデルが対応づけられた場合に、前記第二の推定モデルが第二の推定原因を推定する異常原因推定方法。
   
   
   

Images