JPWO2018101363A1 - 状態推定装置と方法とプログラム - Google Patents

Abstract

本発明は、コストの増大を抑制し実用的な精度で設備の経時変化を推定可能とする。設備の動作に関する信号の時系列データから解析対象の時間区間を抽出し、前記抽出された時間区間の時系列データに基づき前記設備の状態の経時変化を推定する。

Description

（関連出願についての記載）
本発明は、日本国特許出願：特願２０１６−２３２２３７号（２０１６年１１月３０日出願）の優先権主張に基づくものであり、同出願の全記載内容は引用をもって本書に組み込み記載されているものとする。
本発明は、設備の状態を推定する装置と方法およびプログラムに関する。

電気設備（「設備」と略記される）は、その利用に応じて時間、年月の経過とともに劣化状態が進行する。その原因の代表的なものとして、例えばエレクトロマイグレーション（Electro-Migration：ＥＭ）がある。ＥＭにより、設備において、回路基板上の配線パターン等に腐食が生じ、電源ラインや信号の伝送経路の品質が低下する場合がある。そして、最終的には、設備において、正常な電源供給や信号伝達が困難となり、製品寿命へと至る場合がある。また、設備の使用形態や環境によっては、該設備の製品寿命の前に壊れてしまう場合もある。

冷蔵設備や空調設備等、熱交換を行う設備では、冷媒ガスは、コンプレッサ（圧縮機）で圧縮され高温高圧の気体となり、凝縮器（室外熱交換器）で外気と熱交換を行う。凝縮器で一部液化された冷媒ガスは、膨張弁で減圧され、蒸発器で室内の熱を奪い、液体から気体に変化する。蒸発器からの冷媒ガスは再び圧縮機に戻る。これら空調設備の凝縮器（室外熱交換器）には、一般に、ほこり等が入り込まないように、流入口にフィルタを備える。設備の電気回路や回転機械系等の劣化・故障以外に、例えばフィルタの目詰まり等によっても空気の流入量あるいは排出量が減少し、設備の動作不良、故障に至る場合もある。

これら設備の突発的な故障の発生を回避するため、例えば定期的な保守が行われる。しかしながら、定期的な保守の場合、保守間隔（保全期間）は、保守対象の設備の使用形態や環境等にも依存している。このため、定期保守の適切な間隔の設定は難しい。例えば定期保守の間隔が短いと、保守コストの増大となる。一方、定期保守の間隔が長いと、安全性の点で問題が生じる。

そこで、設備の状態を、センサ（例えば電流センサ、電力計、温度センサ、圧力センサ、振動センサ等）等を介して、管理装置等でモニタすることで、設備の劣化状態を予測・推定し、保守の必要性を判断する手法が用いられる場合がある。監視対象の設備にセンサ等を設置して、設備の状態をモニタリングする技術として、例えば以下の関連技術が知られている。

特許文献１には、電気機器に印加される電圧波形が変化しても高い精度で電気機器の稼働状況を判別できる稼働状況判別装置が開示されている。この稼働状況判別装置は、電源供給線に流れる電流に含まれる高調波電流の波形データと、該波形データが発生するときの電気機器の稼働状況を示す稼働状況情報と、前記電気機器に印加される交流電圧の１交流電圧周期中の予め設定された波形データ比較対象区間を特定する区間特定情報と、を関連付けた学習データを取得する。そして、稼働状況判別装置は、取得した学習データに関連付けられた高調波電流の波形データと、高調波電流計測部で計測した高調波電流の波形データとを、波形データ比較対象区間において照合した結果を基に、電気機器の稼働状況を判別する。

また、特許文献２には、ユーザが機器及びその動作モードを適切に登録できる機器識別装置および機器識別方法が開示されている。すなわち、１または複数の電力を消費する電気機器の電流波形を計測する電力計に接続され、電気機器の動作モードを、前記電流波形から識別する機器識別装置が開示されている。この機器識別装置は、前記電力計に対して、前記電気機器の電流波形の計測の開始及び停止を制御する計測制御部と、開始から停止までの計測期間中に計測された電流波形を入力する計測入力部と、入力された電流波形から、１または複数の波形パターンを抽出する波形パターン抽出部と、抽出された１または複数の波形パターンについて、動作モード別に波形パターンを分類するパターン識別部と、前記分類された波形パターンに対して動作モードを登録する登録部と、計測制御部に対して電流波形の計測の開始及び停止を指示し、前記登録部に対して波形パターンの動作モードの登録を指示する指示部と、を備える。

さらに、設備の状態の経時変化を予測する技術として、例えば以下の関連技術が知られている。

特許文献３には、最適化に用いる実績値の経時変化成分に影響されることなく最適化を可能にするとともに、近未来の変動予測を可能にするための技術が開示されている。すなわち、所定の処理条件下で与えられた入力情報に対して、シミュレーション・モデルからの予測出力と、現実の処理プロセスから得られる実績値とを評価する評価関数として分散を定義し、モデル誤差のバラツキ（分散あるいは標準偏差）を補正した後、実績値の経時変化成分を抽出した経時変化情報で修正することにより、模擬対象である処理プロセスの近未来の挙動を予測する。

また、１つのセンサを用いて複数の電気機器の個々の状態を判別する関連技術として、例えば非特許文献１には、分電盤に取り付けた１つの電流センサを用いて基幹線に流れている電流波形（例えば１周期毎の瞬時波形）を取得し、各機器固有の電流波形情報を備えた波形データベースに照らして、波形解析することにより、機器ごとの消費電力を推定し、機器の動作状態を判別することが記載されている。

特開２０１３−０４４７３６号公報 国際公開第２０１３／１５７０３１号 特開平０７−０５６６０８号公報

河本滋、戸泉貴裕、實吉永典、"１つのセンサーで複数機器の消費電力や利用状況を見える化する電力指紋分析技術"、ＮＥＣ技報／Ｖｏｌ．６８ Ｎｏ．２／ＩＣＴが拓くスマートエネルギーソリューション特集

設備の状態をセンシングするセンサとして、例えば電力計は、設備や設備付近に設置せず、分電盤等にも設置可能である。分電盤等に該センサを設置することで、個々の設備にセンサ（電力計や電流センサ等）を設置する場合に生じる導入コストの増大を回避することが可能である。

しかしながら、電力計による設備の劣化状態の検出・推定は、精度等の点で問題となる場合がある。すなわち、後述されるように、設備によっては、経時変化（劣化）が、電力値の有意差となって表れるのは、設備の劣化状態が相当に進行し、故障、又は、ほぼ故障状態になってからという場合もある。

この場合、電力値をモニタすることで、設備の状態の経時変化を、実用性のある精度で適切に推定することは困難である。そして、電力情報に基づき、設備の劣化状態を適切に検出しようとすると、高性能の電力計や演算処理が必要とされる。

本発明は上記課題に鑑みて創案されたものであって、その目的は、コストの増大を抑制し、実用的な精度で設備の経時変化を推定可能とする状態推定装置、方法、プログラムを提供することにある。

本発明によれば、設備の動作に関する信号の時系列データから解析対象の時間区間を抽出する第１の手段と、前記抽出された時間区間に対応する時系列データに基づき、前記設備の状態の経時変化を推定する第２の手段と、を備えた状態推定装置が提供される。

本発明によれば、コンピュータによる設備の状態を推定する方法であって、設備の動作に関する信号の時系列データから解析対象の時間区間を抽出する第１の工程と、前記抽出された時間区間に対応する時系列データに基づき、前記設備の状態の経時変化を推定する第２の工程と、を含む方法が提供される。

本発明によれば、設備の動作に関する信号の時系列データから解析対象の時間区間を抽出する処理と、前記抽出された時間区間の時系列データに基づき、前記設備の状態の経時変化を推定する処理と、をコンピュータに実行させるプログラムが提供される。

本発明によれば、上記プログラムを記憶したコンピュータ読み出し可能な記録媒体（例えばＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、又は、ＥＥＰＲＯＭ（Electrically Erasable and Programmable ROM））等の半導体ストレージ、ＨＤＤ（Hard Disk Drive）、ＣＤ（Compact Disc）、ＤＶＤ（Digital Versatile Disc）等のnon-transitory computer readable recording mediumが提供される。

本発明によれば、コストの増大を抑制し実用的な精度で設備の経時変化を推定可能としている。

本発明の例示的な一実施形態の構成の一例を例示する図である。 本発明の例示的な一実施形態の動作を例示する流れ図である。 本発明の例示的な一実施形態を説明する図である。 本発明の例示的な一実施形態を説明する図である。 電力値と経時変化の関係を説明する図である。 電力値と故障に対する危険度の関係を説明する図である。 電流情報と経時変化の関係を説明する図である。 電流情報と故障に対する危険度の関係を説明する図である。 実施例を説明する図である。 実施例を説明する図である。 本発明の例示的な一実施形態の一例を説明する図である。 本発明の例示的な一実施形態のセンサの一例を説明する図である。 本発明の例示的な一実施形態のセンサの別の例を説明する図である。 波形分離を説明する図である。 本発明の例示的な実施形態を説明する図である。

本発明の一形態によれば、プロセッサ（例えば図１１の１１１）は、設備の動作に関する信号（例えば電力値又は電流情報）の時系列データから解析対象の時間区間を抽出する第１の処理（第１の手段、第１のユニット、第１の工程）と、前記抽出された時間区間の時系列データ（例えば電流情報の時系列データ）に基づき、前記設備の状態の経時変化を推定する第２の処理（第２の手段、第２のユニット、第２の工程）を実行する。

第１の処理（第１の手段、第１のユニット、第１の工程）は、前記設備の動作に関する信号の時系列データから、経時変化の影響を受けない動作モードに対応する時間区間を除くようにしてもよい。その際、第１の処理（第１の手段、第１のユニット、第１の工程）は、前記設備の動作履歴情報に基づき、前記設備の動作に関する信号の時系列データから、経時変化の影響を受けない動作モードに対応する時間区間を除外するようにしてもよい。あるいは、第１の処理（第１の手段、第１のユニット、第１の工程）は、前記設備の電力情報又は電流情報に基づき、前記設備の電力又は電流の時系列データから、経時変化の影響を受けない動作モードに対応する時間区間を除くようにしてもよい。

第２の処理（第２の手段、第２のユニット、第２の工程）は、前記抽出された時間区間に対応する前記設備の電流情報の時系列データから、前記設備の状態の変化を推定し、前記状態の変化に対して、抽出対象の経時変化の時定数に対応するフィルタリング処理を施し、前記設備の状態の経時変化を推定するようにしてもよい。

第２の処理（第２の手段、第２のユニット、第２の工程）は、前記抽出された時間区間に対応する前記設備の電流情報の時系列データに基づき、前記設備の故障に対する危険度の時系列データを取得し、前記抽出された時間区間に対応する前記故障に対する危険度の時系列データ（図４参照）に対して、抽出対象の経時変化の時定数に対応するフィルタリング処理を施し、前記設備の状態の経時変化を推定するようにしてもよい。以下、例示的な実施形態について図面を参照して説明する。

＜例示的な実施形態＞
図１は、本発明の例示的な一実施形態を説明する図である。図１を参照すると、本発明の一実施形態によれば、設備の状態を推定する状態推定装置１００は、電力／電流情報取得部１０１、対象区間抽出部１０２、状態推定部１０３、経時変化推定部１０４、出力部１０５、記憶装置１０６を備えている。

なお、対象区間抽出部１０２は、上記第１の処理を実行する第１の手段（第１のユニット）に対応させることができる。状態推定部１０３と経時変化推定部１０４は、上記第２の処理を実行する第２の手段（第２のユニット）に対応させることができる。

電力／電流情報取得部１０１は、センサ２００から、設備１０の電力および電流情報の時系列データを取得し、記憶装置１０６に記憶する。電力／電流情報取得部１０１は、例えば通信手段（図９Ａの１０１−１）を備え、該通信手段を介してセンサ２００（図９Ａ）と通信し、センサ２００で測定された設備１０の電力および電流情報の時系列データを取得するようにしてもよい。

あるいは、電力／電流情報取得部１０１は、通信手段（図１０Ａの１０１−１）を備え、１つ又は複数の設備１０に対して給電する分電盤（図１０Ａの２２）等に接続されたセンサ２００（電流センサ）等から電流情報を取得し、機器分離技術を用いて，個々の設備の消費電力、電流情報を取得するようにしてもよい。あるいは、センサ２００として、家屋や、工場、店舗等の建屋のスマートメータ（図１０Ａの２５）を利用し、電力／電流情報取得部１０１は、不図示の通信手段により、該スマートメータから電流情報を取得し、機器分離技術を用いて個々の設備の消費電力、電流情報を取得するようにしてもよい。

なお、センサ２００において、設備１０の電力と電流のサンプリングレートは同一であってもよいし、あるいは同一でなくてもよい。好ましくは、電力のサンプリングのタイミングと、電流情報（電流波形）サンプリングのタイミングの対応関係を保持するようにしてもよい。センサ２００において、設備の電力は、ある時刻（Ｔ１）から瞬時電力を商用交流電源の１周期（１／５０＝２０ミリ秒）又は複数周期で平均化（平滑化）した有効電力であってもよい（この有効電力を消費電力という）。

センサ２００では、時刻（Ｔ１）にサンプルした電力情報に対して、電流情報は、時刻（Ｔ１）から商用交流電源の複数周期分を、所定のサンプリングレート（例えば２０KHz）でサンプルした時系列データを、時刻（Ｔ１）に関連付けして記憶保持する。センサ２００は、電流波形に加えて電圧波形を取得し、電力／電流情報取得部１０１に供給するようにしてもよい。電力／電流情報取得部１０１では、例えば電圧波形データのゼロクロスポイントに基づき、電圧波形との位相差（φ：力率角）を調整した上で、電流波形の時系列データを商用交流電源の複数の周期に区分するようにしてもよい。電力／電流情報取得部１０１は、センサ２００から設備の電圧波形と電流波形を取得し設備の有効電力を算出するようにしてもよい。

対象区間抽出部１０２は、電力／電流情報取得部１０１で取得され、記憶装置１０６に記憶されている電力および電流情報の時系列データに対して、経時変化を反映しており、設備の状態の経時変化の推定の対象となる時間区間を抽出する。

その際、対象区間抽出部１０２は、電力情報の時系列データから、経時変化の影響を全く反映していないか、ほとんど反映しておらず（経時変化の影響を無視できる）、状態の経時変化の推定対象から外れる時間区間を除外するようにしてもよい。

一般に、設備の消費電力がなだらかに推移している時間区間は、一つの動作状態（動作モードあるいは運転モード）を表している、という推定が可能である。また、一般に、設備の動作モード（運転モード）の時間単位は、例えば、数分乃至数十分、あるいは数時間のオーダであり、商用交流電源周期（２０ミリ秒）と比べて、はるかに大きな時間を単位としている。

このため、対象区間抽出部１０２において、設備の状態の経時変化の推定の対象となる時間区間の抽出は、例えば電力値に基づき行うようにしてもよい。ただし、対象区間抽出部１０２において、電力値のかわりに、電流情報（電流波形パターン、特徴量）に基づき、設備の状態の経時変化の推定の対象となる時間区間の抽出を行うようにしてもよい。あるいは、対象区間抽出部１０２では、電力情報と電流情報を組み合わせて、経時変化の推定の対象となる時間区間の抽出を行うようにしてもよい。

対象区間抽出部１０２は、例えば設備の電力情報の時系列データから、設備の特定の動作モード（例えばエアコンや冷蔵庫等の間欠運転や業務用冷凍庫等の除霜運転など）における時間区間のデータを除外する。

なお、対象区間抽出部１０２は、記憶装置１０６に予め設定された長さの時系列データが蓄積された時点で、経時変化の推定対象となる時間区間を抽出するようにしてもよい。あるいは、対象区間抽出部１０２は、特に制限されないが、例えば１日に一回、予め設定された時刻等に、定期的に動作し、記憶装置１０６に蓄積された電力の時系列データから、経時変化の推定対象となる時間区間を抽出するようにしてもよい。

対象区間抽出部１０２は、当該設備１０の動作（運転）の履歴（ログ）情報（例えば何時から何時まで間欠運転等の履歴情報）と、電力／電流情報取得部１０１で取得した電力値の時刻情報（センサ２００におけるサンプリング時のタイムスタンプ情報等）に基づき、電力値の時系列データから、所定の動作モード（例えば間欠運転等）の時間区間を特定し、当該時間区間を除外（削除）し、残りの時間区間の時系列データを、解析対象として抽出するようにしてもよい。この場合、当該設備１０の運転の履歴（ログ）は、記憶装置（例えば記憶装置１０６）に保持される。当該設備１０の運転の履歴は、不図示の生産管理装置から通信手段を介して記憶装置１０６に格納するようにしてもよい。

対象区間抽出部１０２は、抽出した電力の時間区間に対応した、電流情報（電流波形、電流の特徴量）の時系列データの時間区間を、解析対象の時間区間として設定する。

状態推定部１０３では、対象区間抽出部１０２で設定された解析対象の時間区間の電流情報（電流波形、特徴量等）に基づき、設備の状態を推定する。

状態推定部１０３では、電流情報（電流波形）の特徴量を、時間領域の波形形状（ピーク値、実効値（Root Mean Square value：RMS）、平均値、波高値等）から算出してもよいし、波形パターンを特徴量としてもよい。あるいは、電流波形データをフーリエ変換（高速フーリエ変換（Fast Fourier Transform：FFT）又は離散フーリエ変換（Discrete Fourier Transform：DFT）等）して周波数領域に変換し、周波数スペクトル成分に基づき特徴量を算出するようにしてもよい。例えば基本周波数である交流電源周波数の高調波成分の振幅の２乗を加算した値、偶数次高調波成分、又は奇数次高調波成分の振幅の２乗を加算した値に基づき、電流の特徴量を算出してもよい。また、高調波歪（Total Harmonic Distortion: THD）等を電流の特徴量として用いてもよい。電源ライン等に高周波雑音を発生するインバータを備えた空調設備等に対して、状態推定部１０３では、高域通過フィルタ（High-pass filter: HPF）で抽出された高周波成分の周波数スペクトル成分等に基づき、電流の特徴量を算出するようにしてもよい。

状態推定部１０３では、設備の状態と、電流情報（波形、特徴量等）に関して、例えば機械学習を行うことで、抽出された電流情報（波形、特徴量等）に基づき、設備の状態（状態の変化）を推定するようにしてもよい。

線形識別関数を用いて、入力されたデータを例えば２クラスに分類する機械学習では、例えば電流情報（電流波形、特徴量）等の入力ベクトル：ｘ＝（ｘ１，ｘ２，・・・，ｘｄ）（ｄ次元とする）に対して、ある状態のとき、出力：＋１（クラス１：状態１）、そうでないとき、出力：−１（クラス２：状態１以外）となるように学習するようにしてもよい。この場合、
ｙ＝ｆ（ｘ）＝ｓｉｇｎ（ｗ^Ｔｘ）＝ｓｉｇｎ（ｗ_１ｘ_１＋ｗ_２ｘ_２＋…＋ｗ_ｄｘ_ｄ）
（ただし、
ｓｉｇｎ（）は符号関数であり、引数が０以上であれば＋１、０未満であれば−１。
ｗ＝（ｗ_１，ｗ_２，…，ｗ_ｄ）はモデルパラメータ（重み）である。
Ｔは転置演算子である。）について、
出力がｙ＝＋１（クラス１）のデータについては、ｗ^Ｔｘ＞０
出力がｙ＝−１（クラス２）のデータについては、ｗ^Ｔｘ＜０
となり、教師データ（訓練データ）の入出力を再現できるように、重みｗを調整する。

なお、教師有りの学習として、サポート・ベクター・マシン（Support Vector Machine：ＳＶＭ）、ｋ−近傍法（k-Nearest Neighbor Method：ｋ−ＮＮ法）、ニューラル・ネットワーク（Neural Network：ＮＮ）、教師なしの学習として、ｋ−平均法（k-Means Clustering Method：ｋ−Ｍｅａｎｓ法）等の手法を用いてもよい。

あるいは、状態推定部１０３では、設備の状態（例えば劣化度）を数値化したモデルを用い、電流情報（電流波形、特徴量）の時系列データと対応する設備の状態に基づき、例えば回帰分析等により、設備の状態を近似する式ｆを求め、ある時刻ｔ_Ｎでの電流情報ｘ_Ｎに対応する設備の状態（例えば劣化度）ｆ（ｘ_Ｎ）を推定するようにしてもよい。なお、状態推定部１０３において、例えば時刻ｔ_Ｎで推定された設備の状態が、１つ前の時刻ｔ_Ｎ−１およびそれ以前に推定された設備の状態から、予め定められた値（閾値）以上変化している場合、時刻ｔ_Ｎで状態が変化したと推定されることになる。この場合も、設備の状態の変化の判定用の閾値を、機械学習等に基づき、学習することで、状態の変化を検出するようにしてもよい。

経時変化推定部１０４は、推定された状態（状態の変化）に対して、推定対象の経時変化の時間変化率（時定数）に対応したフィルタリング処理を行い、状態の経時変化を推定する。

なお、時定数τは、例えば指数関数特性の立ち上がり波形（振幅Ｙ_０）：Ｙ（ｔ）＝Ｙ_０（１−ｅｘｐ（−ｔ／τ））において、初期値０から０．６３２Ｙ_０（Ｙ（τ）＝Ｙ_０（１−ｅｘｐ（−１））≒０．６３２Ｙ_０）に達するまでの時間ｔ＝τに対応する。同様に、初期値がＹ_０の指数関数特性の立ち下がり波形：Ｙ（ｔ）＝Ｙ_０ｅｘｐ（−ｔ／τ）において、初期値がＹ_０からＹ（τ）＝Ｙ_ｏｅｘｐ（−１）≒０．３６８Ｙ_０に達する時間ｔ＝τに対応する。

設備の状態の経時変化（時間変化）が指数関数特性を有しない場合、時定数に関する上記定義を、設備の状態の経時変化に、そのまま適用することはできない。状態の経時変化に対応するフィルタリング処理（例えばローパスフィルタの遮断周波数ｆｃは１/(２πτ)：τは時定数）に合わせて、本明細書では、設備の状態の経時変化についても、「時定数」という用語を用いる。

経時変化推定部１０４は、推定対象の経時変化の時定数に対応して抽出される状態の時間変化を、設備の状態の経時変化の推定結果として抽出する。

例えばエアコンのフィルタが物体（荷物等の置物）で塞がれ、エアコンの状態（劣化状態）に、フィルタの目詰まり等による経時変化に比べて、急な経時変化があったとする。この場合、時定数τが相対的に小さなフィルタリング処理（高域を通過させるフィルタリング処理）を、解析対象の時間区間の状態に施すことで、状態の急な経時変化を抽出することができる。また、時定数τが相対的に大きなフィルタリング処理（低域を通過させるフィルタリング処理）を施すことで、荷物の塞ぎ等による劣化状態を除いた、フィルタの目詰まり等による経時変化を抽出することができる。

経時変化推定部１０４が行うフィルタリング処理は、設備の劣化度（「故障に対する危険度」ともいう）を表す信号値（ただし、電流波形又は電流波形の特徴量であってもよい）の時系列データに対して、フーリエ変換（高速フーリエ変換あるいは離散フーリエ変換等）を施し周波数領域に変換し、周波数スペクトルについて、所定の周波数帯をカットオフ（遮断）する等の処理を施し、逆フーリエ変換を施し時間領域に戻すことで、実現するようにしてもよい。設備の劣化度と正の相関を有する電流情報の時系列データに対してフーリエ変換を行うようにしてもよい。あるいは、フィルタリング処理として、時間領域でのＦＩＲ（Finite Impulse Response）フィルタやＩＩＲ（Infinite Impulse Response）等のデジタルフィルタ処理を用いてもよい。

出力部１０５は、設備の状態の経時変化の推定結果を表示装置に出力する。あるいは、出力部１０５は、不図示の通信インタフェース、ネットワーク等を介して、不図示の端末、ホスト等に、設備の状態の経時変化の推定結果を送信するようにしてもよい。

図９Ａは、図１のセンサ２００の構成の一例を示す図である。なお、図９Ａ、図９Ｂでは、簡単のため、単相２線式交流が例示されているが、三相３線式の交流の場合も、例えば三台の単相電力計を用いて測定できる。あるいは、電力について２電力計法に基づく測定を行うようにしてもよい。図９Ａにおいて、センサ２００は、設備（図９Ｂの負荷２１０）の端子間電圧を測定する電圧計２０１（図９ＢのＵ）と、設備（図９Ｂの負荷２１０）に流れる電流を測定する電流計２０４（図９ＢのＩ）を備えた構成としてもよい。電圧計２０１は、負荷（図９Ｂの２１０)の端子間電圧を降圧する降圧回路２０２と、降圧回路２０２のアナログ出力電圧をデジタル信号に変換するアナログデジタル変換器２０３を備えた構成としてもよい。電流計２０４は、電源ライン（図９Ｂの負荷２１０に接続する電源ライン）に流れる電流を検知する電流センサ２０５と、電流センサ２０５からのアナログ出力信号をデジタル信号に変換するアナログデジタル変換器２０６を備えた構成としてもよい。電流センサ２０５は、例えば電源ラインに挿入されたシャント抵抗（不図示）の端子間電圧を計測する構成としてもよいし、あるいは、電流センサ２０５は、磁気コア等にコイルを巻いた変流器構造をとり電流測定対象のケーブルを挟み込み、磁気コア中に流れる磁束の検知値から換算することにより電流を検知するＣＴ（Current Transformer：例えば零相変流器（Zero-phase-sequence Current Transformer：ＺＣＴ）等）やホール素子等で構成してもよい。

電圧計２０１のアナログデジタル変換器２０３からの電圧波形データと、電流計２０４のアナログデジタル変換器２０６からの電力波形データは乗算器２０７で乗算され、瞬時電力波形が得られる。瞬時電力波形は有効電力算出部２０８で、所定サイクル分平滑化され有効電力値が算出される。電力情報（有効電力値）と対応する電流波形データは、通信部２０９に入力され、電力／電流情報取得部１０１に送信される。通信部２０９は、電力情報（有効電力値）と、対応する電圧波形データおよび電流波形データを、測定時刻情報とともに電力／電流情報取得部１０１に送信するようにしてもよい。

電力／電流情報取得部１０１の通信部１０１−１は、センサ２００の通信部２０９と通信し、測定された有効電力、電圧、電流の時系列データを受信し、受信した時系列データを記憶装置１０６に格納する。その際、測定器２００で測定した電力、電流の時刻情報を、電力（有効電力）、電流の時系列データに対応させて記憶装置１０６に記憶するようにしてもよい。電力／電流情報取得部１０１は、電圧波形の時系列データのゼロクロスポイントを利用して、電流の時系列データを、商用交流電源（図９Ｂの２１１）の１周期ごとに区分して、記憶装置１０６に記憶するようにしてもよい。本実施形態によれば、図９Ａ、図９Ｂのセンサ２００において、高性能な電力計は必要とされない。

電力／電流情報取得部１０１は、上記したように、センサ２００に接続するか、あるいはセンサ２００を含む構成に制限されるものでないことは勿論である。電力／電流情報取得部１０１は、例えばスマートメータや電流センサ等から取得した電流波形から、波形分離して、設備毎の消費電力、電流波形（長さは例えば商用電源周波数の１周期以内）を取得するようにしてもよい。この場合も、高性能な電力計は必要とされない。

図１０Ａは、図１のセンサ２００として、分電盤の主幹ブレーカ又は分岐ブレーカに設置されたセンサ２００、又はスマートメータ２５を用いて、電力／電流情報取得部１０１が、電源電流波形から、各設備の電流波形に分離する例を説明する図である。図１０Ａを参照すると、建屋２０内において、通信装置２１をＨＥＭＳ／ＢＥＭＳ／ＦＥＭＳ等のコントローラで構成し、スマートメータ２５の検針データ（消費電力、電流波形等）を例えばＢルートから取得する。通信装置２１がスマートメータ２５からＢルートで取得する検針データ（消費電力、電流波形等）は、建屋２０全体の消費電力に関する情報を含む。また、分電盤２２の少なくとも１つの分岐ブレーカ（不図示）また主幹ブレーカに、例えば電力、電流を検出するセンサ２００を備えている。センサ２００から、通信装置２１に無線伝送等で電力、電流情報を送信するようにしてもよい。センサ２００は、電力、電流情報を通信装置２１に、Ｗｉ−ＳＵＮ（Wireless Smart Utility Network）等により無線伝送するようにしてもよい。

電力／電流情報取得部１０１は、通信部１０１−１と波形分離部１０１−２を備えている。通信部１０１−１は、通信装置２１と通信し、センサ２００又はスマートメータ２５が取得した電力、電流情報（全体の電力、電流情報）を取得し、設備Ａ〜Ｃ（１０Ａ〜１０Ｃ）に固有の電力、電流波形に機器分離し、記憶装置１０６に記憶する。図１０Ｂにおいて、電流波形１１は、図１０Ａの分電盤２２に設置されたセンサ２００で取得された電流波形（設備Ａ〜Ｃの合成電流波形）を例示する図である。波形分離部１０１−２は、図１０Ｂの電流波形１１から、例えば非特許文献１等の手法を用いて、設備Ａ〜Ｃ（１０Ａ〜１０Ｃ）の各設備の電流波形１２Ａ〜１２Ｃに分離する。図１０Ｂにおいて、電流波形１１Ａ〜１１Ｃは、設備Ａ〜Ｃ（１０Ａ〜１０Ｃ）の各々について設備毎に分離された電流波形を模式的に表している。図１０Ａの構成の場合、設備１０にセンサ２００を備える場合（図９Ａ）と比べて、コストを特段に削減可能としている。

なお、図１０Ａにおいて、電力／電流情報取得部１０１における波形分離部１０１−２は、ローカル側の建屋２０等に配置する構成としてもよい（この場合、記憶装置１０６をクラウド側に配置する構成としてもよい）。

図２は、図１等を参照して説明した例示的な実施形態の処理手順の一例を説明する図である。

図１の電力／電流情報取得部１０１は、設備の電力／電流情報の時系列データを取得する（Ｓ１）。

図１の対象区間抽出部１０２は、電力／電流情報の時系列データのうち経時変化を反映している動作モードの時間区間を抽出する（Ｓ２）。対象区間抽出部１０２は、電力／電流情報の時系列データのうち経時変化を反映していない動作モードの時間区間を除外することで、経時変化を反映している動作モードの時間区間を抽出するようにしてもよい。

図１の状態推定部１０３は、対象区間抽出部１０２で設定された時間区間の電流情報の時系列データから設備の状態を推定する（Ｓ３）。

図１の経時変化推定部１０４は、抽出対象となる経時変化の時定数に対応する経時変化の推定結果を抽出する（Ｓ４）。

図１の出力部１０５は、設備の状態の経時変化の推定結果を出力する（Ｓ５）。

例示的な実施形態によれば、設備の状態の経時変化が微細であっても、フィルタリング等の他の要因による時間変化と分離することで、当該経時変化を適切に推定することが可能となる。この結果、設備のメンテナンスや清掃時期の的確な把握が可能となる。

なお、電流情報を用いる場合、さまざまな経時変化に関する情報（例えば、温度センサによる温度変化、振動センサによる振動変化、あるいは清掃日時情報、経年劣化情報等）を併せて観測するようにしてもよい。

例示的な実施形態によれば、以下の（ａ）、（ｂ）を行うことで、設備の状態変化に関して、所望の長さに対応した経時変化に関する情報を、適切に推定することができる。この結果、コストの上昇を抑えながら、実用性のある精度で経時変化の検出を可能としている。

（ａ）図１の対象区間抽出部１０２が、設備の電力の時系列データから、推定対象となる経時変化の影響を受けている時間区間（期間）を抽出する。

（ｂ）図１の状態推定部１０３が、抽出された時間区間における設備の状態（状態の変化）を推定し、経時変化推定部１０４が、抽出対象とする経時変化の時定数に応じて、フィルタリング処理等を施し、状態の経時変化を抽出する。

上記（ａ）の処理では、例えば図３に示すように、時間ｔ１−ｔ２の時間区間は、設備の間欠運転（一定の時間をおいて稼働と停止を交互に繰り返す）においてＯＦＦ（停止など）になっている期間である。

図１の対象区間抽出部１０２は、この時間区間の電力の時系列データは、経時変化の影響を受けた情報ではないため、解析対象の時系列データから除外する。なお、図３において、横軸は時間、縦軸は消費電力である。図３の時系列データを得るために、電力／電流情報取得部１０１は、一定時間（例えば１時間）ごとに、設備１０の電力情報の所定時間（例えば数分間）の時系列データをセンサ２００から取得し、図３に示すような、時系列データ：（時刻（time）、消費電力）をテーブルとして記憶装置１０６に記憶するようにしてもよい。なお、時系列データのサンプリングは等間隔でなくてもよい。

図１の対象区間抽出部１０２は、図３における時間区間ｔ１−ｔ２の設備の運転モード（間欠運転）の判断は、設備の動作履歴を用いて行うようにしてもよいし、あるいは、電力／電流情報取得部１０１で取得した設備の電力値等から判断するようにしてもよい。

また、上記（ｂ）の処理では、図１の経時変化推定部１０４は、抽出対象の経時変化の時定数に応じてフィルタリング処理等を用いて抽出する。図４は、空調設備のうちエアコンのフィルタ目詰まりと物体（荷物等の置物等）で塞いだ場合の２つが重畳された場合の状態の経時変化の例を説明する図である。図４において、横軸は時間、縦軸は故障に対する危険度（経時変化による危険度）を表している。エアコンのフィルタの目詰まりにより劣化状態は、時間とともになだらかに進行する。エアコンの室外機のフィルタを塞ぐ物体が置かれた場合に、時刻ｔ３で故障に対する危険度は急に上昇する。時刻ｔ４でフィルタを塞いでいた物体が除かれると、フィルタ目詰まり単独の故障に対する危険度の時間推移（経時変化）に戻る。

なお、図４において、縦軸の故障に対する危険度は、設備の劣化状態を数値化して表したものであってもよい。あるいは、故障に対する危険度は、故障に対する危険度（設備の劣化状態）と正の相関を有する信号（例えば設備に流れる電流）等であってもよい。

図１の経時変化推定部１０４は、図４の時系列データに対して、フィルタ目詰まりの時定数τに対応したフィルタリング処理（ローパスフィルタ：遮断周波数＝１／（２πτ））を施すことで、フィルタ目詰まりの進行の度合いを分離抽出することができる。

また、図１の経時変化推定部１０４は、フィルタ目詰まり＋物体（荷物）による塞ぎに対応した、カットオフ周波数のフィルタリング処理（高域通過フィルタ）により、物体（荷物）による塞ぎを原因とする状態変化を分離抽出することができる。

フィルタの目詰まりは、数日〜数週間程度の時間をかけてゆっくりと変化する成分であるのに対して、フィルタを塞ぐ物体（荷物）が置かれた、あるいは除去されたという変化は、数分〜数時間程度の速い変化であり、これらは、フィルタリング処理により、明確に分離して判別することが可能である。

このように、例示的な実施形態によれば、対象とする経時変化の現象の時間変化に着目することで、経時変化の影響を適切に推定することができる。このため、例示的な実施形態によれば、設備の状態の経時変化の推定可能にしたがって、適切な予防保全等の対処を促すことが可能になる。

図５Ａは、図１の設備１０の電力値と経時変化の関係を説明する図である。横軸は経時変化（設備の状態）、縦軸は設備の電力値である。横軸の「正常」から「故障注意」では、電力値の時間変化は微弱である。電力値は、故障直前に立ち上がり、故障となると、顕著な上昇を示している。図５Ａに示すように、設備の劣化が電力値の差となって表れるのは、設備の劣化が相当に進行してからであることがわかる。電力値は、破線で囲んだ範囲では、設備の劣化の進行に対して顕著な差として現れない(電力値の変化量は少ない)。

図５Ｂは、図５Ａの電力値と、故障に対する危険度との関係を説明する図である。横軸は電力値、縦軸は設備の故障に対する危険度（図４の縦軸に対応する）である。故障に対する危険度の「対処推奨」は、保全の対処が推奨される状態にあり、「要対処」は保全が必要であることを表している。

なお、図５Ａ、図５Ｂにおいて、設備の定格電力を超えると、もとの故障に加えてさらなる製品の劣化・破壊等が生じる可能性がある。故障時、設備への給電は遮断されるか（例えば設備の過電流検出時や短絡故障時等にブレーカで遮断）、設備自体が動作しなくなる。

図５Ｂから、電力値のわずかな変化に対して、「正常」から「対処推奨」、「要対処」まで急激に変化していることがわかる。このため、電力値は、故障の予兆等の検出等には向かない。

また、図５Ａにおいて、電力値を用いて「正常」から「故障注意」等の経時変化を検出するには、高性能な電力計が必要とされる。このため、非特許文献１等に記載された機器分離技術により、分電盤に接続したセンサ２００による電流波形から各設備の消費電力情報を得る場合、わずかな電力値の変化等を検出することは困難であると思料される。

そこで、実施形態では、設備の状態（劣化の程度や異常）の推定は、設備に流れる電流情報を解析することによって行われる。

図６Ａは、設備の電流情報と経時変化の関係を説明する図である。横軸は経時変化、縦軸は設備の電流情報（の一部や加工値）である。電流情報は故障となるまで一定の割合で変化（単調増加）している。電流情報の一部は、電流情報の時系列データの一部の時間区間に対応させることができる。また電流情報の加工値として、前述した特流量が挙げられる。

図６Ｂは、設備の電流情報と故障に対する危険度との関係を説明する図である。横軸は電流情報（の一部や加工値）、縦軸は設備の故障に対する危険度（図４の縦軸に対応）である。故障に対する危険度は、電流値の増大に比例して正常から対処推奨、要対処まで変化している。図６Ｂの横軸の電流情報（の一部や加工値）のａ、ｂは、図６Ａのａ、ｂにそれぞれ対応している。

電流情報と経時変化、故障に対する危険度との間に、図６Ａ、図６Ｂのような関係があるため、状態推定部１０３は、故障に対する危険度として、電流情報を用いて、設備の状態を推定してもよい。状態推定部１０３は、商用交流電源の１サイクル毎に詳細な電流波形パターンを取得し、電流波形から抽出した特徴量、又は電流情報から算出された故障に対する危険度を、予め設定された閾値（図６Ａ、図６Ｂのａ、ｂ）と比較して「正常」、「対処推奨」、「要対処」等を検知するようにしてもよい。

状態推定部１０３は、図６Ｂの「正常」、「対処推奨」、「要対処」等を検知する場合、機械学習（例えば、サポート・ベクター・マシン（Support Vector Machine：ＳＶＭ）、ｋ−近傍法（k-Nearest Neighbor Method：ｋ−ＮＮ法）、ｋ−平均法（k-Means Clustering Method：ｋ−Ｍｅａｎｓ法）、ニューラル・ネットワーク（Neural Network：ＮＮ）、局所外れ値因子法（Local Outlier Factor Method：ＬＯＦ法）等の手法を用いてもよい。

なお、図６Ａ、図６Ｂは、単に説明の簡単のため、電流情報と経時変化、故障に対する危険度の関係を直線で示している。図６Ｂにおいて、故障に対する危険度が、図４に示すような特性の場合、横軸を複数の区間に区分し、各区間毎にスプライン曲線で近似するようにしてもよい。

図６Ｂにおいて、故障に対する危険度は、設備が製品の製造設備である場合、製品の不良率等を用いてもよい。不良率が所定の値のとき故障に対する危険度は要対処となり、不良率が１（全製品が不良）のとき故障である。エアコン等の場合、冷房時の消費電力１ｋＷ（Kilowatt）あたりの冷房能力である冷房ＣＯＰ（Coefficient Of Performance）＝冷房能力（ｋＷ）÷冷房消費電力（ｋＷ）に基づき、故障に対する危険度＝１−冷房ＣＯＰとしてもよい。

上記した特許文献３では、経時変化に関する情報を、
（１）予め定義した時間特性（数式）をフィッティングによりパラメータを決定する、
（２）実測値のある範囲の平均値と最新の値との差分を経時変化成分として使用する、
の２通りの方法が示されている。

（１）の場合、経時変化の時間特性が、作業者などの経験値などからある程度わかっている必要があり、さらに、その他の誤差要因（測定誤差など）との切り分けも困難であり、この方式で、経時変化の成分のみが抽出できているとは言い難い。

（２）の場合、予め時間特性を知っておく必要はないものの、時間変化成分の抽出に用いる時間範囲の設定に定量性がなく、またその他の誤差要因（測定誤差など）との切り分けも困難である。この方式で経時変化の成分のみが抽出できているとは言い難い。したがって、特許文献３では、経時変化を、精度よく推定できているとはいえない。

＜具体例＞
図７は、エアコンのフィルタ目詰まりを対象に再現実験を行った際の、電力値の実測例を示す図である。図７において、横軸はフィルタの目詰まりの状態を表し、縦軸は電力値である。フィルタ目詰まりの再現は、一例として、正常（目詰まりなし）、低状態、中状態、高状態の４状態の順に、目詰まりの程度を高くした再現により行った。図７から明らかなように、電力値はフィルタの目詰まりの再現が高状態にならないと、変化として検知することは困難である。すなわち、図７から、フィルタ目詰まりの程度が低いと、電力値に基づき、フィルタ目詰まりの状態を判別することは困難であることがわかる。

図７のエアコンのフィルタ目詰まりの実証実験では、除霜運転（ヒータが作動するため電力値は極端に変動する）において、間欠運転がＯＦＦ（停止など）の時間区間（消費電力はほぼ０）を、電力値のみで除外することができた（ただし、設備の動作履歴を確認してもよい）。

図８は、フィルタ目詰まりの実証実験の実験結果の一例を示す図である。図８には、電流情報に基づき、目詰まりの程度の推定結果と度数分布の計算結果が示されている。横軸はフィルタ目詰まりの状態を表し、縦軸は度数（１に正規化してある）を表している。実験は、図７と同様に、フィルタ目詰まりの度合を、正常（目詰まりなし）、低状態、中状態、高状態の４状態の順に目詰まりの程度を高くして行った。図中の菱形は正常、四角（■）は目詰まり低、三角（▲）は目詰まり中、×は目詰まり高の度数である。なお、各分布は中心付近の度数が最も高く左右に同程度に広がりを持って分布している。図８から、電流情報を用いた場合、低い目詰まりからでも判別可能であることがわかる。

なお、図１の状態推定装置１００は、例えば図１１に示すように、コンピュータシステムに実装してもよい。図１１を参照すると、サーバコンピュータ等のコンピュータシステム１１０は、プロセッサ（ＣＰＵ（Central Processing Unit）、データ処理装置）１１１、半導体メモリ（例えばＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、又は、ＥＥＰＲＯＭ（Electrically Erasable and Programmable ROM）等）、ＨＤＤ（Hard Disk Drive）、ＣＤ（Compact Disc）、ＤＶＤ（Digital Versatile Disc）等の少なくともいずれかを含む記憶装置１１２と、表示装置１１３と、通信インタフェース１１４を備えている。通信インタフェース１１４は、図１の電力／電流情報取得部１０１がセンサ２００で取得した電力、電流情報を通信網を介して取得する通信部（図９、図１０の１０１−１）として機能する。図１の電力／電流情報取得部１０１の出力部１０５は、例えば表示装置１１３に状態変化の推定結果を出力する。記憶装置１１２は、図１の記憶装置１０６と同一の装置であってもよい。記憶装置１１２に図１の状態推定装置１００の機能を実現するプログラムを記憶しておき、プロセッサ１１１が、該プログラムを読み出して実行することで、上記した実施形態の状態推定装置１００を実現するようにしてもよい。コンピュータシステム１１０は状態推定サービスをクラウドサービスとしてクライアントに提供するクラウドサーバとして実装するようにしてもよい。

上記実施形態では、設備の動作に関する信号の時系列データとして、消費電力の時系列データ（図３）、及び、電力情報に基づく、故障に対する危険度の時系列データ（図４）を例に説明したが、振動センサ、音響センサ、温度センサの少なくとも一つからの情報を用いてもよいことは勿論である。

なお、上記の特許文献１−３、非特許文献１の各開示を、本書に引用をもって繰り込むものとする。本発明の全開示（請求の範囲を含む）の枠内において、さらにその基本的技術思想に基づいて、実施形態ないし実施例の変更・調整が可能である。また、本発明の請求の範囲の枠内において種々の開示要素（各請求項の各要素、各実施例の各要素、各図面の各要素等を含む）の多様な組み合わせ乃至選択が可能である。すなわち、本発明は、請求の範囲を含む全開示、技術的思想にしたがって当業者であればなし得るであろう各種変形、修正を含むことは勿論である。

上記した実施形態は例えば以下のように付記される（ただし、以下に制限されない）。

（付記１）
設備の動作に関する信号の時系列データから解析対象の時間区間を抽出する第１の手段と、
前記抽出された時間区間に対応する時系列データに基づき、前記設備の状態の経時変化を推定する第２の手段と、
を備えた、ことを特徴とする状態推定装置。

（付記２）
前記第１の手段は、前記設備の動作に関する信号の時系列データから、経時変化の影響を受けない動作モードに対応する時間区間を除く、ことを特徴とする付記１記載の状態推定装置。

（付記３）
前記第１の手段は、前記設備の動作履歴情報に基づき、前記設備の動作に関する信号の時系列データから、経時変化の影響を受けない動作モードに対応する時間区間を除外する、ことを特徴とする付記２記載の状態推定装置。

（付記４）
前記第１の手段は、前記設備の電力情報又は電流情報に基づき、前記設備の電力又は電流の時系列データから、経時変化の影響を受けない動作モードに対応する時間区間を除く、ことを特徴とする付記２又は３記載の状態推定装置。

（付記５）
前記第２の手段は、前記抽出された時間区間に対応する前記設備の電流情報の時系列データから前記設備の状態の変化を推定する、ことを特徴とする付記１乃至４のいずれか一に記載の状態推定装置。

（付記６）
前記第２の手段は、前記抽出された時間区間に対応する前記設備の電流情報の時系列データから、前記設備の状態の変化を推定し、抽出対象の経時変化の時定数に対応するフィルタリング処理を施し、前記設備の状態の経時変化を推定する、ことを特徴とする付記１乃至４のいずれか一に記載の状態推定装置。

（付記７）
前記第２の手段は、前記抽出された時間区間に対応する前記設備の電流情報の時系列データに基づき、前記設備の故障に対する危険度の時系列データを算出し、
前記抽出された時間区間に対応する前記故障に対する危険度の時系列データに対して、抽出対象の経時変化の時定数に対応するフィルタリング処理を施し、前記設備の状態の経時変化を推定する、ことを特徴とする付記１乃至４のいずれか一に記載の状態推定装置。

（付記８）
コンピュータによる設備の状態を推定する方法であって、
設備の動作に関する信号の時系列データから解析対象の時間区間を抽出する第１の工程と、
前記抽出された時間区間に対応する時系列データに基づき、前記設備の状態の経時変化を推定する第２の工程と、
を含む、ことを特徴とする状態推定方法。

（付記９）
前記第１の工程では、前記設備の動作に関する信号の時系列データから経時変化の影響を受けない動作モードの時間区間を除く、ことを特徴とする付記８記載の状態推定方法。

（付記１０）
前記第１の工程では、前記設備の動作履歴情報に基づき、経時変化の影響を受けない動作モードに対応する時間区間を除外する、ことを特徴とする付記８記載の状態推定方法。

（付記１１）
前記第１の工程では、前記設備の電力情報又は電流情報に基づき、前記設備の電圧又は電流の時系列データから、経時変化の影響を受けない動作モードの時間区間を除く、ことを特徴とする付記９又は１０記載の状態推定方法。

（付記１２）
前記第２の工程では、前記抽出された時間区間に対応する前記設備の電流情報の時系列データから前記設備の状態の変化を推定する、ことを特徴とする付記８乃至１１のいずれか一に記載の状態推定方法。

（付記１３）
前記第２の工程では、前記抽出された時間区間に対応する前記設備の電流情報の時系列データから、前記設備の状態の変化を推定し、
前記設備の状態の変化に対して、抽出対象の経時変化の時定数に対応するフィルタリング処理を施し、前記設備の状態の経時変化を推定する、ことを特徴とする付記８乃至１１のいずれか一に記載の状態推定方法。

（付記１４）
前記第２の工程では、前記抽出された時間区間に対応する前記設備の電流情報の時系列データに基づき、前記設備の故障に対する危険度の時系列データを算出し、
前記抽出された時間区間に対応する前記故障に対する危険度の時系列データに対して、抽出対象の経時変化の時定数に対応するフィルタリング処理を施し、前記設備の状態の経時変化を推定する、ことを特徴とする付記８乃至１１のいずれか一に記載の状態推定方法。

（付記１５）
設備の動作に関する信号の時系列データから解析対象の時間区間を抽出する第１の処理と、
前記抽出された時間区間の時系列データに基づき、前記設備の状態の経時変化を推定する第２の処理と、
をコンピュータに実行させるプログラム。

（付記１６）
前記第１の処理では、前記設備の動作に関する信号の時系列データから経時変化の影響を受けない動作モードの時間区間を除く、ことを特徴とする付記１５記載のプログラム。

（付記１７）
前記第１の処理では、前記設備の動作履歴情報に基づき、経時変化の影響を受けない動作モードに対応する時間区間を除外する、ことを特徴とする付記１５記載のプログラム。

（付記１８）
前記第１の処理では、前記設備の電力情報又は電流情報に基づき、前記設備の電圧又は電流の時系列データから、経時変化の影響を受けない動作モードの時間区間を除く、ことを特徴とする付記１６又は１７記載のプログラム。

（付記１９）
前記第２の処理では、前記抽出された時間区間に対応する前記設備の電流情報の時系列データから前記設備の状態の変化を推定する、ことを特徴とする付記１５乃至１８のいずれか一に記載のプログラム。

（付記２０）
前記第２の処理では、前記抽出された時間区間に対応する前記設備の電流情報の時系列データから、前記設備の状態の変化を推定し、
前記設備の状態の変化に対して、抽出対象の経時変化の時定数に対応するフィルタリング処理を施し、前記設備の状態の経時変化を推定する、ことを特徴とする付記１５乃至１８のいずれか一に記載のプログラム。

（付記２１）
前記第２の処理では、前記抽出された時間区間に対応する前記設備の電流情報の時系列データに基づき、前記設備の故障に対する危険度の時系列データを算出し、
前記抽出された時間区間に対応する前記故障に対する危険度の時系列データに対して、抽出対象の経時変化の時定数に対応するフィルタリング処理を施し、前記設備の状態の経時変化を推定する、ことを特徴とする付記１５乃至１８のいずれか一に記載のプログラム。

１０、１０Ａ〜１０Ｃ 設備
１１、１１Ａ〜１１Ｃ 電流波形
２０ 建屋（家屋）
２１ 通信装置（コントローラ、ゲートウェイ）
２２ 分電盤
２００ センサ
２４ 通信装置（ＢＥＭＳ／ＦＥＭＳコントローラ）
２５ スマートメータ
２６ 高圧受電設備
１００ 状態推定装置
１０１ 電力／電流情報取得部
１０１−１ 通信部
１０１−２ 波形分離部
１０２ 対象区間抽出部
１０３ 状態推定部
１０４ 経時変化推定部
１０５ 出力部
１０６、１１２ 記憶装置
１１０ コンピュータシステム（装置）
１１１ プロセッサ
１１３ 表示装置
１１４ 通信インタフェース
２００ センサ（測定器）
２０１ 電圧計
２０２ 降圧回路
２０３、２０６ アナログデジタル変換器（ＡＤＣ）
２０４ 電流計
２０５ 電流センサ
２０７ 乗算器
２０８ 有効電量算出部
２０９ 通信部
２１０ 負荷（設備）
２１１ 商用交流電源

Claims (15)

1. 設備の動作に関する信号の時系列データから解析対象の時間区間を抽出する第１の手段と、
   前記抽出された時間区間に対応する時系列データに基づき、前記設備の状態の経時変化を推定する第２の手段と、
   を備えた、ことを特徴とする状態推定装置。
2. 前記第１の手段は、前記設備の動作に関する信号の時系列データから、経時変化の影響を受けない動作モードに対応する時間区間を除く、ことを特徴とする請求項１記載の状態推定装置。
3. 前記第１の手段は、前記設備の動作履歴情報に基づき、前記設備の動作に関する信号の時系列データから、経時変化の影響を受けない前記動作モードに対応する時間区間を除外する、ことを特徴とする請求項２記載の状態推定装置。
4. 前記第１の手段は、前記設備の電力情報又は電流情報に基づき、前記設備の電力又は電流の時系列データから、経時変化の影響を受けない前記動作モードに対応する時間区間を除く、ことを特徴とする請求項２又は３記載の状態推定装置。
5. 前記第２の手段は、前記抽出された時間区間に対応する前記設備の電流情報の時系列データから前記設備の状態の変化を推定する、ことを特徴とする請求項１乃至４のいずれか１項に記載の状態推定装置。
6. 前記第２の手段は、前記抽出された時間区間に対応する前記設備の電流情報の時系列データから、前記設備の状態の変化を推定し、抽出対象の経時変化の時定数に対応するフィルタリング処理を施し、前記設備の状態の経時変化を推定する、ことを特徴とする請求項１乃至４のいずれか１項に記載の状態推定装置。
7. 前記第２の手段は、前記抽出された時間区間に対応する前記設備の電流情報の時系列データに基づき、前記設備の故障に対する危険度の時系列データを算出し、
   前記抽出された時間区間に対応する前記故障に対する危険度の時系列データに対して、抽出対象の経時変化の時定数に対応するフィルタリング処理を施し、前記設備の状態の経時変化を推定する、ことを特徴とする請求項１乃至４のいずれか１項に記載の状態推定装置。
8. コンピュータによる設備の状態を推定する方法であって、
   設備の動作に関する信号の時系列データから解析対象の時間区間を抽出する第１の工程と、
   前記抽出された時間区間に対応する時系列データに基づき、前記設備の状態の経時変化を推定する第２の工程と、
   を含む、ことを特徴とする状態推定方法。
9. 前記第１の工程では、前記設備の動作に関する信号の時系列データから経時変化の影響を受けない動作モードの時間区間を除く、ことを特徴とする請求項８記載の状態推定方法。
10. 前記第１の工程では、前記設備の動作履歴情報に基づき、経時変化の影響を受けない動作モードに対応する時間区間を除外する、ことを特徴とする請求項８記載の状態推定方法。
11. 前記第１の工程では、前記設備の電力情報又は電流情報に基づき、前記設備の電圧又は電流の時系列データから、経時変化の影響を受けない前記動作モードの時間区間を除く、ことを特徴とする請求項８又は９記載の状態推定方法。
12. 前記第２の工程では、前記抽出された時間区間に対応する前記設備の電流情報の時系列データから前記設備の状態の変化を推定する、ことを特徴とする請求項８乃至１１のいずれか１項に記載の状態推定方法。
13. 前記第２の工程では、前記抽出された時間区間に対応する前記設備の電流情報の時系列データから、前記設備の状態の変化を推定し、前記設備の状態の変化に対して、抽出対象の経時変化の時定数に対応するフィルタリング処理を施し、前記設備の状態の経時変化を推定する、ことを特徴とする請求項８乃至１１のいずれか１項に記載の状態推定方法。
14. 前記第２の工程では、前記抽出された時間区間に対応する前記設備の電流情報の時系列データに基づき、前記設備の故障に対する危険度の時系列データを算出し、
    前記抽出された時間区間に対応する前記故障に対する危険度の時系列データに対して、抽出対象の経時変化の時定数に対応するフィルタリング処理を施し、前記設備の状態の経時変化を推定する、ことを特徴とする請求項８乃至１１のいずれか１項に記載の状態推定方法。
15. 設備の動作に関する信号の時系列データから解析対象の時間区間を抽出する処理と、
    前記抽出された時間区間の時系列データに基づき、前記設備の状態の経時変化を推定する処理と、
    をコンピュータに実行させるプログラム。

Images