JPWO2017149597A1 - 機器分類装置 - Google Patents

Abstract

データ取得部（１０１）は、機器分類指標データベース（２０１）から機器分類指標データを取得する。特徴量変換部（１０２）は、機器分類指標データを、機器の特徴を示す特徴量に変換する。機器分類部（１０３）は、特徴量の値を用いて機器単位で設備を分類する。

Description

本発明は、設備を構成する機器単位で設備を分類する機器分類装置に関するものである。

昇降機、空調等、同種のものが多様な環境に複数存在する設備において、同じ特徴を持つもの毎に分類することは有用である。例えば特許文献１に記載された従来のシステムでは、建物設備での省エネルギを目的とした照明・空調の制御において、昇降機を同じ特徴を持つもの毎に分類している。特許文献１に記載されたシステムでは、昇降機稼働情報を利用して、共用部の人流量や、室の在室人数、在室率を曜日、時間帯毎などでパターン化し、制御スケジュールを計画している。ここで、昇降機稼働情報を取得できない建物において、同じ特徴を持つ類似建物の解析結果を流用するために、建物の分類を行っている。

特開２００５−１０４６３５号公報

昇降機、空調等の設備を構成する機器に対して故障や異常等の解析をする場合、複数の設備・機器を同種、同特徴の機器で分類し解析することで、単一設備のみでの解析と比較し、故障や異常の検出精度の向上が見込まれる。
しかしながら、従来の手法では、昇降機といった設備単位で分類しているため、異なる特徴を持つ機器であっても、設備単位で同種、同特徴であれば機器としては分類できないという問題があった。例えば、昇降機Ａを構成するドア機器と昇降機Ｂを構成するドア機器が、同型ではあるが特徴が異なる機器の場合であっても、従来では昇降機Ａと昇降機Ｂは昇降機という設備として同特徴と判定されると、どちらのドア機器も同特徴として分類されてしまう。その結果、例えば機器の故障や異常等の解析において、ある特定条件下で異常となる特徴を持つ機器と、同一条件下であっても異常とならない特徴を持つ機器を同じ分類として扱ってしまう等、異常の原因解析の障害となることや、異常検出精度の低下等に繋がるという問題があった。

この発明は、かかる問題を解決するためになされたもので、機器の故障や異常等の解析を精度良く行うことのできる機器分類装置を提供することを目的とする。

この発明に係る機器分類装置は、各々が単数または複数の機器から構成される複数の設備における各機器の監視データから得られる各機器に固有の情報である機器分類指標データを取得するデータ取得部と、機器分類指標データを用いて機器単位で設備を分類する機器分類部とを備えたものである。

この発明に係る機器分類装置は、各機器に固有の情報である機器分類指標データを用いて機器毎に設備を分類するようにしたものである。これにより、機器の故障や異常等の解析を精度良く行うことができる。

この発明の実施の形態１の機器分類装置の構成図である。 この発明の実施の形態１の機器分類装置が用いるセンサデータ例を示す説明図である。 この発明の実施の形態１の機器分類装置が用いる保守実績データ例を示す説明図である。 この発明の実施の形態１の機器分類装置のハードウェア構成図である。 この発明の実施の形態１の機器分類装置の機器分類処理を示すフローチャートである。 この発明の実施の形態１の機器分類装置が用いる特徴表例を示す説明図である。 この発明の実施の形態１の機器分類装置の特徴量の分類例を示す説明図である。 この発明の実施の形態１の機器分類装置に故障リスク予測装置を付加した場合の構成図である。 この発明の実施の形態１の機器分類装置の機器毎の特徴量を示す説明図である。 この発明の実施の形態２の機器分類装置を示す構成図である。 この発明の実施の形態３の機器分類装置を示す構成図である。

以下、この発明をより詳細に説明するために、この発明を実施するための形態について、添付の図面に従って説明する。
実施の形態１．
図１は、本実施の形態による機器分類装置１００を含む監視システムの構成図である。
図示の監視システムにおいて、機器分類装置１００はデータ収集管理装置２００と接続され、データ収集管理装置２００はネットワーク３００を介して監視対象４００と接続されている。

機器分類装置１００は、データ取得部１０１と特徴量変換部１０２と機器分類部１０３とを備える。データ取得部１０１は、データ収集管理装置２００が管理する機器分類指標データベース２０１から機器分類指標データを取得する処理部である。特徴量変換部１０２は、機器分類指標データを機器の特徴を示す特徴量に変換する処理部である。機器分類部１０３は、特徴量変換部１０２で変換された特徴量の値を用いて機器毎に設備を分類する処理部である。

データ収集管理装置２００は、監視対象４００からの監視データを収集し、この監視データを機器分類指標データとして機器分類指標データベース２０１に蓄積し管理する装置である。機器分類指標データベース２０１に蓄積される機器分類指標データとは、監視対象４００のセンサから得られるデータ（センサデータ）、保守員の点検や設備情報により作成されたデータ（保守実績データ）など、監視対象４００から直接的または間接的に得られた監視データを指す。機器分類指標データベース２０１に蓄積される機器分類指標データとして昇降機を例とし、センサデータの例を図２に、保守実績データの例を図３に示す。

図２では、一つの設備の一つの機器のセンサから得られるデータの例として、センサデータ例を示している。図示のセンサデータでは、データ項目の例として、気温、振動、回転速度、接点１電流、接点１電圧、接点２電流、接点２電圧などを示している。センサデータのデータ項目例の値は一例である。データ項目は、実際の設備、機器から収集したセンサデータの項目を格納するために変更可能である。また、設備、機器を区別可能であれば、複数の設備、機器のデータを集約し、一つの表としても構わない。機器の対応付けが可能であれば、一つの設備の一つの機器のデータが複数の表に分割されていても構わない。気温、湿度等の、各機器共通のデータ項目を、各機器のデータ以外の表で管理しても構わない。

図３では、一つの設備の一つの機器に対する保守員の点検や設備情報から得られるデータの例として、保守実績データ例を示している。保守実績データ例ではデータ項目の例として、設備ＩＤ、機種ＩＤ、機器ＩＤ、作業者名、保守作業内容、異常の有無などを記載している。これらデータ項目の値は一例である。データ項目は、実際の設備、機器から収集した保守実績データの項目を格納するために変更可能である。また、設備、機器を区別可能であれば、複数の設備、機器のデータを集約し、一つの表としても構わない。さらに、設備、機器の対応付けが可能であれば、一つの設備の一つの機器のデータが複数の表に分割されていても構わない。また、平常時の保守作業と、故障、異常が発生した場合の保守作業など、形態の異なる保守作業の保守実績データを分割して管理しても構わない。さらに、図２に示したセンサデータ例と図３に示した保守実績データ例を結合して、一つの表として管理しても構わない。すなわち、機器分類指標データベース２０１に格納される機器分類指標データとしては機器に固有の情報であればどのような情報であってもよい。

監視対象４００は、例えば、昇降機や空調といった、単一または複数の機器からなる設備である。監視対象４００は、同様の機器からなる設備が二つ以上存在することを想定している。ネットワーク３００に接続せず、監視対象４００とデータ収集管理装置２００を直結する構成でも構わない。監視対象４００とデータ収集管理装置２００の接続方法によらず、データ収集管理装置２００と機器分類装置１００をネットワーク接続する構成でも構わない。

図４は、本実施の形態の機器分類装置を実現するためのハードウェア構成を示すブロック図である。図４では、図１の機器分類装置１００とデータ収集管理装置２００を一つのハードウェア上に構成した例を示している。機器分類装置１００及びデータ収集管理装置２００は、プロセッサ１１、メモリ１２、通信Ｉ／Ｆ（インタフェース）装置１３、ストレージ１４、出力装置１５を備える。プロセッサ１１は機器分類装置１００及びデータ収集管理装置２００の機能を実現するためのプロセッサである。メモリ１２は、機器分類装置１００及びデータ収集管理装置２００の機能に対応した各種プログラムを記憶するプログラムメモリ、プロセッサ１１がデータ処理を行う際に使用するワークメモリ及び信号データを展開するメモリ等として使用するＲＯＭ及びＲＡＭ等の記憶部である。通信Ｉ／Ｆ装置１３は、ネットワーク３００等の外部との通信インタフェースである。ストレージ１４は、各種データやプログラムを蓄積するための記憶装置である。出力装置１５は、外部へ処理結果を出力するための装置である。

図１におけるデータ取得部１０１、特徴量変換部１０２及び機器分類部１０３が行う処理は、メモリ１２に記憶されたプログラムをプロセッサ１１が読み出して実行する。機器分類指標データベース２０１が蓄積するデータは、監視対象４００からネットワーク３００経由で通信Ｉ／Ｆ装置１３を通してストレージ１４に格納される。機器分類部１０３の処理結果は、必要に応じてストレージ１４に格納するし、出力装置１５にて外部に出力される。なお、機器分類装置１００とデータ収集管理装置２００とを異なるハードウェア上に構成しても構わない。

次に、本実施の形態の機器分類装置１００の動作について説明する。
データ収集管理装置２００は、監視対象４００から得られた機器分類指標データを機器分類指標データベース２０１へ継続的または断続的に蓄積する。機器分類装置１００は、機器分類指標データベース２０１から機器分類指標データを取得して処理を行う。図５は機器分類装置１００の処理を示すフローチャートである。
先ず、データ取得部１０１は、機器分類指標データベース２０１より機器分類指標データを取得する（ステップＳＴ１）。なお、機器分類指標データに複数のデータ項目が含まれる場合、データ項目毎に図５のフローを実行する。例えば、機器分類指標データのインデックスとして機器ＩＤが入力された場合、分類された機器ＩＤのリストが出力される。リストの形式は問わないが、一例としては、各分類に分類ＩＤを割り振り、各機器ＩＤと該当する分類ＩＤを１行に格納した表形式での出力がある。また、その他のリストの例としては、分類毎に一つのファイルを作成し、ファイル内に当該分類に属する機器ＩＤを格納する方法もある。

特徴量変換部１０２では、各機器の特徴を数値化するため、入力された機器分類指標データを特徴量へ変換する。先ず、特徴量変換部１０２は、入力された機器分類指標データが数値のデータか数値以外のデータかを判断し、その後の処理を分岐する（ステップＳＴ２）。図２のセンサデータと図３の保守実績データが結合されている場合など、一つの表に数値のデータと数値以外のデータが混在する場合は、数値のデータのデータ項目と、数値以外のデータ項目に分割し、分割したそれぞれについて以降の処理を実行する。

特徴量変換部１０２は、入力された機器分類指標データがセンサデータ等の数値データであった場合（ステップＳＴ２：ＹＥＳ）はステップＳＴ３の処理を実行する。ステップＳＴ３では、数値データを特徴量へ変換する。特徴量としては、例えば主成分分析の各主成分、ＭＴ法での距離、回帰分析での回帰係数と誤差、パターンマッチング法での類似度等の多変量解析手法など、一般的な手法でもよい。特徴量の例を図６に示す。

図６では、複数の設備の一つの機器に対して得られた特徴量として、特徴量表の例を示している。特徴量表では、各設備の機器１についての特徴量の例として、特徴量１〜４を記載している。特徴量表の各項目データの値は一例である。特徴量は、実際のデータから算出した特徴量を格納するために変更可能である。また、設備、機器を区別可能であれば、複数の設備、機器のデータを集約し、一つの表としても構わない。さらに機器の対応付けが可能であれば、一つの設備で一つの機器のデータが複数の表に分割されていても構わない。

また、特徴量変換部１０２は、入力された機器分類指標データがセンサデータ等の数値データではなかった場合（ステップＳＴ２：ＮＯ）はステップＳＴ４の処理を実行する。すなわち、従来では、分類に利用する指標は、例えば昇降機の稼働情報、昇降機の用途、規模といった情報のみであったが、故障や異常等の解析の場合、センサデータや過去の故障履歴など多くの情報を解析対象とするため、特徴の分類においてはこれらの情報も分類の指標として組み込むことで、故障や異常等の解析精度の向上が見込める。そこで、本実施の形態では、入力された機器分類指標データが文字データなどの数値以外のデータであった場合、特徴量変換部１０２は、ステップＳＴ４の処理を実行する。数値以外のデータとして、例えば文字列データがある。文字列を例とするとステップＳＴ４では、文字データを数値化後、特徴量へ変換する。特徴量としては、数値データの場合と同じく、例えば主成分分析の各主成分、ＭＴ法での距離、回帰分析での回帰係数と誤差、パターンマッチング法での類似度等の多変量解析手法など、一般的な手法でもよい。もしくは、文字データを直接特徴量へ変換してもよい。変換方法は、例えば機種などの同じ文字データには同じ数字データを割り振る方法、文字列を分割した形態素の類似度を数値化する方法、Ｎ−ｇｒａｍモデルを利用した共起頻度から類似度を数値化する方法など、一般的な文字列解析手法でもよい。特徴量は、図６の特徴量表と同様の形式で格納される。

次に、機器分類部１０３では、各機器を特徴が類似した機器毎に分類するため、特徴量変換部１０２にて変換した特徴量を複数の機器分入力し、特徴量が近い値の機器毎に分類する（ステップＳＴ５）。ステップＳＴ５の分類処理では、デンドログラムなどの階層的クラスタ分析やｋ−ｍｅａｎｓ法などの非階層的クラスタ分析などの一般的な多変量解析手法や、サポートベクタマシンなどの一般的な機械学習手法を利用してもよい。分類の例を図７に示す。

図７は、図６の特徴量表に示した２〜４行目のデータのうち、特徴量１と特徴量２を２次元散布図上に模式的に表示したものである。図７の特徴量値７０１が図６の特徴量表の１行目、特徴量値７０２が特徴量表の２行目、特徴量値７０３が特徴量表の３行目のデータを表している。各データ間の距離を元に模式的に分類した例を、分類７０４、７０５とする。特徴量値７０１と特徴量値７０２は、散布図上での距離が近いため、一つの分類７０４としてまとめられたことを示している。特徴量値７０３は、特徴量値７０１と特徴量値７０２から散布図上での距離が遠いため、分類７０４とは別の分類７０５とされたことを示している。

本発明の一つの用途として、機器の故障・異常解析がある。例えば、機器の保守計画を立案するために将来故障する時期を予測する場合、機器から得られたデータから、統計的な故障発生頻度や劣化傾向から将来故障が発生する確率（故障リスク）を予測し、保守が必要となる時期を推測する手法がある。

このような故障リスクを予測する機能を追加した機器分類装置１００ａの構成を図８に示す。
図示の監視システムは、図１に示した構成に故障リスク算出部５００が付加されたものである。故障リスク算出部５００は、機器分類部１０３で分類された結果を用いて故障リスクを予測する処理部である。故障リスクを算出する一つの手法として、故障発生頻度を利用して、保守作業日からの経過日数に対する累積故障率を算出する。この算出結果を関数で近似し、近似した関数へ予測したい保守作業日からの経過日数を入力することで得られた値を、将来の故障リスクとする方法がある。近似する関数として、ワイブル分布等の信頼性工学にて利用される一般的なハザード関数を利用してもよい。また、故障リスクを機器の劣化度合いに応じて補正しても良い。ここで、類似した特徴を有する機器は、故障が発生する確率や劣化傾向も類似する可能性が高いため、類似した特徴毎に機器を分類することは故障リスクを予測するためにも有用である。より類似した機器毎に分類することは、故障リスクの予測精度向上につながる。

故障リスク算出部５００にて使用するデータは、データ取得部１０１〜機器分類部１０３にて使用したデータと同じでもよく、また、他のデータを含めて使用してもよい。故障リスク推定時は、機器単位で故障リスクの予測が可能であるが、同設備を構成する複数の機器の相関関係など、複数の機器の故障リスクを総合的に判断し、設備単位での故障リスクを予測しても構わない。別の用途として、一つの機器にて発生した故障が同じ分類の他の機器においても発生する可能性がある場合は、早期に保守作業を実施するなど、保守計画の立案、変更に利用しても良い。別の用途として、同じ分類とした複数の機器の保守作業を同一保守員に割り当てるなど、保守作業の編成に利用しても良い。別の用途として、機器の遠隔監視などの状態監視において、同じ分類の機器毎に表示することに利用しても良い。

次に、実施の形態１の効果を説明する。図９は、機器毎の特徴量の例として、機器１、機器２の二つの機器について、設備ａ、設備ｂ、設備ｃの三つの設備からデータを集め、特徴量を算出し、それぞれ二つの特徴量から作成した２次元散布図上に表現したものである。機器１の設備特徴量を９０１に、機器２の設備特徴量を９０２として示す。
従来法では、設備単位の分類のため、設備ａ、設備ｂ、設備ｃが同じ特徴を持つ設備と分類された場合は、機器１、機器２の特徴に関わらず、同じ分類とされていた。一方、実施の形態１では、例えば機器１の設備特徴量９０１において、設備ａと設備ｂを一つの分類、設備ｃを別の分類とした場合でも、機器２の設備特徴量９０２では設備ａと設備ｃを一つの分類、設備ｂを別の分類とするなど、機器単位で分類することが可能となる。

同じ特徴を持つ機器毎に分類することで、機器の故障リスクの予測精度、故障・異常検出の精度などの向上が期待できる。また、類似した機器毎に分類することで、ある機器で故障・異常等が発見された場合に、同じ特徴を持つ機器を抽出し保守することで他の機器での故障・異常を未然に防ぐ、機器毎の保守作業のスケジューリングによる保守効率化が期待できる。例えば、昇降機Ａのドア開閉モータのトルク低下により閉じ込めが発生した場合に、同じ特徴を持つ他の昇降機のドア開閉モータにトルク低下の兆候がないかを点検、保守することで、故障や事故を削減することが期待できる。別の例として、昇降機Ａのドア開閉モータのトルク低下が検出された場合に、同じ特徴を持つ他の昇降機のドア開閉モータにおいてもトルク低下が発生する可能性があるがすぐに対処する必要がなければ、保守作業を適切にスケジューリングすることで作業の効率化が期待できる。また、特定の設備に含まれる機器に関して、過去のデータから将来の故障リスクを予測する場合に、この機器から得られた過去のデータが少なく、故障リスクを算出できないことも想定される。実施の形態１に係る機器分類装置を用いれば、故障リスクを予測する機器と同じ特徴を持つ他の設備の機器からデータを取得し、取得したデータを用いて、過去のデータが少ない機器の故障リスクを予測することができる。

以上説明したように、実施の形態１の機器分類装置によれば、各々が単数または複数の機器から構成される複数の設備における各機器の監視データから得られる各機器に固有の情報である機器分類指標データを取得するデータ取得部と、機器分類指標データを、機器の特徴を示す特徴量に変換する特徴量変換部と、特徴量が近い機器を特徴が類似した機器として機器単位で設備を分類する機器分類部とを備えたので、機器の故障や異常等の解析を精度良く行うことができる。

また、実施の形態１の機器分類装置によれば、各機器の故障発生頻度を用いて、機器分類部で類似と判定された機器の故障リスクを予測する故障リスク算出部を備えたので、各設備の機器の保守作業を確実に行うことができる。

実施の形態２．
実施の形態１では機器分類指標データベース２０１に、例えば図２で示したセンサデータや図３で示した保守実績データが格納されるとしたが、データ種別毎に複数のデータベースとしてもよく、これを実施の形態２として説明する。
図１０は、実施の形態２の機器分類装置を適用した監視システムの構成図である。実施の形態２のデータ収集管理装置２００ａは、機器分類指標データベース群２０２としてセンサデータベース２０２ａと保守実績データベース２０２ｂを備える。センサデータベース２０２ａは、監視対象４００のセンサデータを蓄積するためのデータベースであり、データ収集管理装置２００ａが監視対象４００からネットワーク３００を介して取得する。保守実績データベース２０２ｂは、監視対象４００の保守実績データを蓄積するためのデータベースである。この保守実績データベース２０２ｂは、監視対象４００の保守を行った結果を入力するための入力装置６００の保守実績データをデータ収集管理装置２００ａがネットワーク３００を介して取得することで構成されている。なお、入力装置６００はパーソナルコンピュータ等からなり、監視対象４００の保守員が保守実績データを入力するための装置である。

実施の形態２の機器分類装置１００ｂは、データ取得部１０１ａ、特徴量変換部１０２及び機器分類部１０３からなる。ここで、データ取得部１０１ａが、センサデータをセンサデータベース２０２ａから取得し、保守実績データを保守実績データベース２０２ｂから取得するよう構成されている。特徴量変換部１０２及び機器分類部１０３の構成及び動作は実施の形態１と同様であるため、ここでの説明は省略する。

なお、上記例では、データ種別としてセンサデータと保守実績データの例を説明したが、データ種別はこれらに限定されるものではなく、監視対象４００から得られる監視データをどのような種別で分割しても良い。また、負荷分散の観点から複数のデータベースに分散して管理する構成や、データベース形式ではなく、機器分類指標データをファイル管理とする構成であっても良い。また、図１０に示す機器分類指標データベース群２０２は、概念的にまとめたものであり、例えば各データベースが異なる装置上に分散配置されていても良い。

このように、実施の形態２の機器分類装置では、機器分類指標データベース群２０２として機器分類指標データベースを分割することで、各データベースのデータ量を縮小できる。その結果、機器分類装置１００ｂからの機器分類指標データベース群２０２へのアクセス速度の向上が期待できる。また、各データベースを異なる装置上に分散配置して構成することで、一つの装置あたりの負荷を軽減することが可能となる。

以上説明したように、実施の形態２の機器分類装置によれば、機器分類指標データは、データ種別毎のデータベースとして設けられているようにしたので、機器分類指標データへのアクセスを速やかに行うことができる。

実施の形態３．
実施の形態１では、データ取得部１０１が取得した機器分類指標データに対して特徴量変換部１０２で特徴量に変換した後、機器分類部１０３が分類するようにしたが、機器分類指標データの内容によっては、機器分類部１０３が機器分類指標データから直接分類処理を行うようにしてもよい。このような例を実施の形態３として説明する。

図１１は実施の形態３の機器分類装置を含む監視システムの構成図である。図示の機器分類装置１００ｃはデータ取得部１０１と機器分類部１０３ａとを備えている。データ収集管理装置２００ｂが管理する機器分類指標データベース２０１ａのデータとしては、例えば、監視対象４００における機器の使用頻度、地域などの設置環境、気温、動作温度などがある。機器分類部１０３ａは、このような機器分類指標データから直接機器毎の特徴を抽出し、機器毎の設備を分類するよう構成されている。分類処理については、実施の形態１と同様に、デンドログラムなどの階層的クラスタ分析やｋ−ｍｅａｎｓ法などの非階層的クラスタ分析などの一般的な多変量解析手法や、サポートベクタマシンなどの一般的な機械学習手法を利用してもよい。

以上説明したように、実施の形態３の機器分類装置によれば、各々が単数または複数の機器から構成される複数の設備における各機器の監視データから得られる各機器に固有の情報である機器分類指標データを取得するデータ取得部と、機器分類指標データを用いて機器単位で設備を分類する機器分類部とを備えたので、機器の故障や異常等の解析を精度良く行うことができる。また、特徴量を算出する処理がないため処理時間を短縮することができる。

また、実施の形態３の機器分類装置によれば、機器分類指標データは、各機器の使用頻度を各機器に固有の情報とするようにしたので、機器分類部が直接機器分類指標データを用いて分類処理を行うことができる。

また、実施の形態３の機器分類装置によれば、機器分類指標データは、各機器の設置環境の情報を各機器に固有の情報とするようにしたので、機器分類部が直接機器分類指標データを用いて分類処理を行うことができる。

なお、本願発明はその発明の範囲内において、各実施の形態の自由な組み合わせ、あるいは各実施の形態の任意の構成要素の変形、もしくは各実施の形態において任意の構成要素の省略が可能である。

以上のように、この発明に係る機器分類装置は、複数の設備に対して、これらの設備が持つ機器毎に各設備を分類するものであり、昇降機や空調等、同種のものが異なる環境に複数存在する設備に対して用いるのに適している。

１００，１００ａ，１００ｂ，１００ｃ 機器分類装置、１０１ データ取得部、１０２ 特徴量変換部、１０３ 機器分類部、２００，２００ａ，２００ｂ データ収集管理装置、２０１，２０１ａ 機器分類指標データベース、２０２ 機器分類指標データベース群、２０２ａ センサデータベース、２０２ｂ 保守実績データベース、３００ ネットワーク、４００ 監視対象、５００ 故障リスク算出部。

Claims (6)

1. 各々が単数または複数の機器から構成される複数の設備における前記各機器の監視データから得られる当該各機器に固有の情報である機器分類指標データを取得するデータ取得部と、
   前記機器分類指標データを用いて機器単位で設備を分類する機器分類部とを備えたことを特徴とする機器分類装置。
2. 各々が単数または複数の機器から構成される複数の設備における前記各機器の監視データから得られる当該各機器に固有の情報である機器分類指標データを取得するデータ取得部と、
   前記機器分類指標データを、前記機器の特徴を示す特徴量に変換する特徴量変換部と、
   前記特徴量が近い機器を特徴が類似した機器として当該機器単位で設備を分類する機器分類部とを備えたことを特徴とする機器分類装置。
3. 前記機器分類指標データは、データ種別毎のデータベースとして設けられていることを特徴とする請求項２記載の機器分類装置。
4. 前記機器分類指標データは、各機器の使用頻度を当該各機器に固有の情報とすることを特徴とする請求項１記載の機器分類装置。
5. 前記機器分類指標データは、各機器の設置環境の情報を当該各機器に固有の情報とすることを特徴とする請求項１記載の機器分類装置。
6. 前記各機器の故障発生頻度を用いて、前記機器分類部で類似と判定された機器の故障リスクを予測する故障リスク算出部を備えたことを特徴とする請求項２記載の機器分類装置。

Images