WO2017090515A1 - 機器診断装置及びシステム及び方法 - Google Patents

機器診断装置及びシステム及び方法 Download PDF

Info

Publication number
WO2017090515A1
WO2017090515A1 PCT/JP2016/084193 JP2016084193W WO2017090515A1 WO 2017090515 A1 WO2017090515 A1 WO 2017090515A1 JP 2016084193 W JP2016084193 W JP 2016084193W WO 2017090515 A1 WO2017090515 A1 WO 2017090515A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
failure
abnormality
normal
diagnosis result
Prior art date
Application number
PCT/JP2016/084193
Other languages
English (en)
French (fr)
Inventor
響子 石田
内田　貴之
崎村　茂寿
藤城　孝宏
新　吉高
Original Assignee
株式会社日立製作所
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 株式会社日立製作所 filed Critical 株式会社日立製作所
Publication of WO2017090515A1 publication Critical patent/WO2017090515A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring

Definitions

  • the present invention relates to an apparatus diagnosis apparatus, system, and method, and more particularly, to an apparatus diagnosis apparatus, system, and method for diagnosing the state of an apparatus using a sensor.
  • a diagnosis is performed based on sensor signal data from a sensor installed in a device to be diagnosed, and when abnormality of the device to be diagnosed is detected, information on the abnormality is provided to maintenance personnel.
  • the maintenance staff receives the information in which the abnormality is detected, the maintenance staff confirms the sensor signal data used for the diagnosis and the state of the device, analyzes the cause of the abnormality, and determines a response policy.
  • the cause of the abnormality is, for example, a sensor failure or a false alarm (even though the diagnostic target device or sensor is normal, an abnormality is detected by mistake). Can be mentioned.
  • the maintenance staff Based on the cause of the abnormality, the maintenance staff takes measures such as increasing the priority for equipment failure and taking countermeasures, and reexamining the diagnostic method in the case of a false alarm.
  • the maintenance staff needs to identify the cause of the abnormality such as the device failure, the sensor failure, the false alarm, etc. at an early stage. Therefore, in the equipment diagnosis system, it is necessary to estimate the cause of the abnormality and provide it to the maintenance staff.
  • Patent Document 1 There is a technique described in Japanese Patent Application Laid-Open No. 2011-209847 (Patent Document 1) in order to estimate the cause of abnormality detected in the device diagnosis system.
  • Patent Document 2 Japanese Patent Application Laid-Open No. 2014-59910
  • This gazette states that “the occurrence of false alarms that determine normality as abnormal can be prevented, the explanation of the basis for abnormality determination, and the association of events with abnormal signs can be made” (summary).
  • the mode is divided according to the operating state based on the event signal output from, the normal model is generated for each mode, the sufficiency of the learning data is checked for each mode, and the threshold set according to the result is abnormal "I was able to identify” (summary).
  • Patent Document 1 describes a technique for estimating whether a known failure with repair experience in the past or an unknown failure without repair experience with respect to a device failure, and presenting past repair experience information in the case of a known failure.
  • Patent Document 2 describes a technique for preventing the occurrence of false alarms.
  • the device disclosed in this document performs device diagnosis with reduced sensitivity when the learning data is insufficient, there may be a case where an abnormality cannot be detected for a device failure that should originally be detected.
  • segmentation of learning data are required.
  • the case of a sensor failure cannot be estimated.
  • the present invention has an object of estimating factors such as equipment failure, sensor failure, and false alarm with respect to the detected abnormality.
  • a device diagnostic device An abnormality diagnosis result storage unit for accumulating diagnosis result data of the diagnosis target device;
  • an abnormality of the diagnosis target device is detected, it is determined whether the abnormality of the diagnosis target device is a known failure using a predetermined device failure model based on the sensor signal data received from the diagnosis target device. If it is determined, the known failure possibility mark is included in the diagnosis result data, and if it is determined that it is not a known failure, the sensor failure possibility mark is included in the diagnosis result data and stored in the abnormality diagnosis result storage unit.
  • a normal data sufficiency estimation unit that includes a sex mark in diagnosis result data and stores the abnormality mark in the abnormality diagnosis result storage unit;
  • An equipment failure data sufficiency estimation unit that includes an unknown failure possibility mark in the diagnosis result data and stores it in the abnormality diagnosis result storage unit;
  • Based on the diagnosis result data stored in the abnormality diagnosis result storage unit create diagnosis result information indicating the possibility of abnormality of the diagnosis target device including any one or more of device failure, sensor failure, misinformation and unknown failure,
  • An apparatus diagnosis apparatus is provided that includes an abnormality detection information providing unit that provides diagnosis result information to another apparatus or output apparatus.
  • a device diagnostic system One or a plurality of devices to be diagnosed having one or a plurality of sensors and transmitting sensor signal data;
  • a receiving unit that receives one or more sensor signal data from a sensor installed in one or more devices to be diagnosed;
  • Equipment diagnostic equipment The device diagnostic apparatus is An abnormality diagnosis result storage unit for accumulating diagnosis result data of the diagnosis target device;
  • an abnormality of the diagnosis target device is detected, it is determined whether the abnormality of the diagnosis target device is a known failure using a predetermined device failure model based on the sensor signal data received from the diagnosis target device.
  • the known failure possibility mark is included in the diagnosis result data, and if it is determined that it is not a known failure, the sensor failure possibility mark is included in the diagnosis result data and stored in the abnormality diagnosis result storage unit.
  • the known failure determination unit is not a known failure, based on normal data stored in advance, whether or not normal data is satisfied is estimated, and when it is determined that normal data is not satisfied, a false alarm is possible.
  • a normal data sufficiency estimation unit that includes a sex mark in diagnosis result data and stores the abnormality mark in the abnormality diagnosis result storage unit; When it is determined that the known failure determination unit is not a known failure, based on previously stored device failure data, it is estimated whether or not the device failure data is satisfied, and it is determined that the device failure data is not satisfied An equipment failure data sufficiency estimation unit that includes an unknown failure possibility mark in the diagnosis result data and stores it in the abnormality diagnosis result storage unit; Based on the diagnosis result data stored in the abnormality diagnosis result storage unit, create diagnosis result information indicating the possibility of abnormality of the diagnosis target device including any one or more of device failure, sensor failure, misinformation and unknown failure, An apparatus diagnosis system including an abnormality detection information providing unit that provides diagnosis result information to another device or the output device is provided.
  • a device diagnostic method Accumulate diagnostic result data of the target device, When an abnormality of the diagnosis target device is detected, it is determined whether the abnormality of the diagnosis target device is a known failure using a predetermined device failure model based on the sensor signal data received from the diagnosis target device. If it is determined, the known failure possibility mark is included in the diagnosis result data, and if it is determined that it is not the known failure, the sensor failure possibility mark is included in the diagnosis result data and stored. If it is determined that it is not a known failure, it is estimated whether normal data is satisfied based on normal data stored in advance. If it is determined that normal data is not satisfied, a false alarm possibility mark is displayed as diagnostic result data.
  • diagnosis result information indicating the possibility of abnormality of the diagnosis target device including any one or more of device failure, sensor failure, misinformation and unknown failure, and send it to other devices or output devices.
  • factors such as equipment failure, sensor failure, and false alarm can be estimated for the detected abnormality.
  • FIG. 1 is a diagram illustrating an example of functional blocks of a device diagnosis system (device diagnosis apparatus) 100 according to the present embodiment.
  • the device diagnosis system 100 includes a reception unit 101, an abnormality detection unit 102, a known failure determination unit 103, a normal data storage unit 104, a normal model generation unit 105, a device failure data storage unit 106, and a device failure model generation.
  • the device diagnosis system (device diagnosis apparatus) 100 although not shown in the drawing, an appropriate wired and / or from one or a plurality of diagnosis target devices in which one or a plurality of sensors are installed in the receiving unit 101.
  • Sensor signal data is input via a wireless network or a connection line.
  • data can be input to the normal data storage unit 104 and the equipment failure data storage unit 106 by an appropriate input device, and the abnormality detection information (abnormal diagnosis) is output to an output device such as a display by the abnormality detection information providing unit 111. (Result information) can be output.
  • FIG. 2 is a diagram illustrating an example of a hardware configuration of a device that implements the device diagnosis system 100. Part of the functional blocks in the device diagnosis system 100 is realized by the information processing apparatus 200 that operates according to a program.
  • the information processing apparatus 200 includes a CPU 201, a ROM 202, a RAM 203, and an input / output interface 204.
  • the CPU 201 reads programs stored in the ROM 202 and RAM 203, operates based on the read programs, and performs control as each functional block.
  • the ROM 202 stores a boot program realized by the 201 when the information processing apparatus 200 is started up, a program depending on the hardware of the information processing apparatus 200, and the like.
  • the RAM 203 stores programs executed by the CPU 201 and data used by the CPU 201.
  • Each functional block is constructed by executing a predetermined program read by the CPU 201.
  • the CPU 201 also controls input / output devices such as a keyboard, a mouse, and a display (LCD) via the input / output interface 204.
  • the CPU 201 acquires data from a keyboard, a mouse, or the like via the input / output interface 204.
  • the input / output interface 204 referred to here may be other than a display, a keyboard, and a mouse. For example, it may be a tablet terminal or a smart device having a display function and a touch panel function.
  • the information processing apparatus 200 includes a CPU 201, a ROM 202, and a RAM 203, and the input / output interface 204 may be a terminal connected by wire or wirelessly.
  • the hardware configuration for realizing each functional block in the device diagnosis system 100 of the present embodiment is based on the configuration of the information processing apparatus 300 as described above, and an appropriate configuration is adopted depending on the function to be realized.
  • the reception unit 101 is a functional unit that receives a sensor signal from a sensor installed in the diagnosis target device and transmits the sensor signal to the abnormality detection unit 102 and the known failure determination unit 103.
  • the normal data storage unit 104 is a functional unit that accumulates normal sensor signal data in the diagnosis target device.
  • the normal model generation unit 105 is a functional unit that generates and stores a normal model based on normal data stored in the normal data storage unit 104.
  • the abnormality detection unit 102 detects an abnormality of the diagnosis target device by using the sensor signal received from the reception unit 101 and the normal model generated by the normal model generation unit 105. If an abnormality is detected, the abnormality information is abnormal.
  • the device failure data storage unit 106 is a functional unit that accumulates sensor signal data at the time of device failure in the diagnosis target device.
  • the device failure model generation unit 107 is a functional unit that generates and stores a device failure model based on the device failure data stored in the device failure data storage unit 106.
  • the abnormality detection unit 102 detects an abnormality of the diagnosis target device
  • the known failure determination unit 103 detects the diagnosis target device using the sensor signal received from the reception unit 101 and the device failure model generated by the device failure model generation unit 107.
  • the normal data sufficiency estimation unit 108 is a functional unit that estimates the sufficiency of normal data based on the normal data stored in the normal data storage unit 104. Furthermore, when the normal data sufficiency estimation unit 108 estimates that normal data is not satisfied, the normal data sufficiency estimation unit 108 stores the possibility of erroneous reporting regarding the abnormality in the abnormality diagnosis result storage unit 112.
  • the equipment failure data satisfaction degree estimation unit 109 is a functional unit that estimates the degree of satisfaction of equipment failure data based on the equipment failure data stored in the equipment failure data storage unit 106. Further, when it is estimated that the device failure data is not satisfied, the device failure data sufficiency estimation unit 109 stores the unknown failure possibility in the abnormality diagnosis result storage unit 112.
  • the abnormality detection information providing unit 111 is a functional unit that provides the user with the abnormality diagnosis result stored in the abnormality diagnosis result storage unit 112 via the input / output interface 204 in FIG. In addition, the abnormality diagnosis result storage unit 112 accumulates abnormality diagnosis results in the device diagnosis system 100. In addition, the normal data storage unit 104 and the equipment failure data storage unit 106 are not shown in the drawing with connection lines or the like. Normal data and device failure data are input and stored via the receiving unit 101, respectively.
  • the operation of the device diagnosis system 100 has two phases: “learning” in which a model used for diagnosis is created in advance and “diagnosis” in which diagnosis is performed based on a sensor signal received from a sensor installed in a diagnosis target device. .
  • FIG. 3 is a flowchart showing a learning process executed by the device diagnosis system 100 in FIG.
  • the learning process is started when the device diagnosis system 100 in FIG. 1 receives an instruction to execute the diagnosis process from the user via the input / output interface 204 or the like by the input / output device or another device. Or you may make it set beforehand the program which performs a learning process regularly.
  • the normal model generation unit 105 reads the normal sensor signal data (normal data) in the diagnosis target device previously input by the user into the normal data storage unit 104 (step 301).
  • the normal model generation unit 105 performs learning on the sensor signal data in the diagnosis target device in the normal state using the read normal data, and generates and stores a normal model (step 302).
  • a normal model for example, a technique such as k-means clustering is applied.
  • FIG. 4 is a diagram illustrating normal model generation and abnormality detection processing executed by the device diagnosis system 100 in FIG.
  • White points and black points (excluding the black point 403) in the graph indicate sensor signal data in a normal state.
  • k-means clustering the distribution of sensor signal data in a normal state is analyzed, and a cluster 401 and a cluster 402 are generated.
  • a black dot in a cluster indicates a representative point of each cluster.
  • the normal model generation unit 105 stores, for example, a normal model, which is information on the coordinates of the representative points of each cluster and the length of the radius, in an internal or appropriate memory.
  • the device failure model generation unit 107 reads sensor signal data at the time of device failure in the diagnosis target device, which is input in advance by the user into the device failure data storage unit 106 (step 303).
  • the device failure model generation unit 107 learns the sensor signal data in the diagnosis target device in the failure state using the read device failure data, and generates and stores a device failure model (step 304).
  • a technique such as k-means clustering is applied as in the normal model generation in step 302.
  • the equipment failure model generation unit 107 stores, for example, an equipment failure model, which is information on the coordinates of the representative points of each cluster and the length of the radius, in an internal or appropriate memory.
  • FIG. 5 is a flowchart showing a diagnosis process executed by the device diagnosis system 100 in FIG.
  • the diagnosis process is started when the device diagnosis system 100 in FIG. 1 receives an instruction to execute the diagnosis process from the user via the input / output interface 204 or the like by the input / output device or another device.
  • a program that periodically executes the diagnosis process may be set in advance, or the diagnosis process may be executed in conjunction with the operation of the diagnosis target device.
  • the reception unit 101 receives a sensor signal from a sensor installed in the diagnosis target device, and transmits the sensor signal to the abnormality detection unit 102 and the known failure determination unit 103 (step 501).
  • the abnormality detection unit 102 Upon receiving the sensor signal, the abnormality detection unit 102 diagnoses the state of the diagnosis target device using the normal model generated in step 302 in FIG. 3 and the sensor signal data received from the reception unit 101 (step 502). .
  • the abnormality detection unit 102 performs abnormality detection using a technique such as k-means clustering based on the normal model generated in step 302. For example, when the sensor signal data at the time of diagnosis is the black point 403 in the graph of FIG. 4, the abnormality detection unit 102 calculates the distance to the representative point of the nearest cluster 401. The abnormality detection unit 102 diagnoses that the state of the diagnosis target device is normal when the calculated distance is smaller than the radius of the cluster 401, and diagnoses abnormality when the calculated distance is larger.
  • the abnormality detection unit 102 determines in step 502 that the state of the diagnosis target device is normal, the abnormality detection unit 102 ends the diagnosis process.
  • the abnormality detecting unit 102 diagnoses an abnormality
  • the abnormality detecting result storage unit 112 marks the abnormality diagnosis result storage unit 112 as a known failure with respect to the cause of the abnormality, stores the detection date and time and the information of the detection sensor, and is known. Abnormality is notified to the failure determination unit 103.
  • FIG. 6 is an example of a diagnosis result table in the abnormality diagnosis result storage unit 112.
  • the diagnosis result table is a table including a detection date / time field 601, a detection sensor field 602, a known failure possibility field 603, an unknown failure possibility 606, a sensor failure possibility field 604, and a false alarm possibility field 605.
  • the detection date and time field 601 is a field for storing the date and time when an abnormality is detected with respect to the abnormality diagnosed by the device diagnosis system 100.
  • the detection sensor field 602 is a field for storing a sensor that detects an abnormality with respect to the abnormality diagnosed by the device diagnosis system 100.
  • the abnormality detection unit 102 sets the date and time when the sensor signal data of the abnormality is received in the detection date and time field 601 of the abnormality diagnosis result record 607 as the detection sensor field 602.
  • the sensor corresponding to is stored.
  • a detection ID may be appropriately given to each record at an appropriate timing.
  • the known failure determination unit 103 uses the device failure model generated in step 304 in FIG. 3 and the sensor signal data received from the reception unit 101. It is used to determine whether or not the cause of abnormality of the diagnosis target device is a known failure (step 503).
  • the known failure determination unit 103 applies a technique such as k-means clustering, for example, in the same manner as the abnormality detection in step 302.
  • the known failure determination unit 103 calculates the distance to the representative point of the cluster closest to the sensor signal data at the time of diagnosis.
  • the known failure determination unit 103 determines that the cause of the abnormality is a known failure when the calculated distance is smaller than the radius of the cluster, and determines that the calculated failure is not a known failure.
  • the known failure determination unit 103 marks the known failure possibility field 603 in the diagnosis result table of the abnormality diagnosis result storage unit 112 in FIG.
  • the abnormality detection information providing unit 111 provides abnormality detection information.
  • the known failure possibility field 603 is a field for storing whether or not there is a possibility that the cause of the abnormality is a device failure with respect to the abnormality diagnosed by the device diagnosis system 100.
  • the known failure determination unit 103 may indicate that the cause of the abnormality is an equipment failure in the known failure possibility field 603 of the record 607 of the abnormality diagnosis result. “1” indicating that there is is stored. Details of the processing in step 509 will be described later.
  • the known failure determination unit 103 determines in step 503 that the cause of the abnormality is not a known failure, the known failure determination unit 103 marks the sensor failure possibility field 604 in the diagnosis result table of the abnormality diagnosis result storage unit 112 in FIG. 6 (step 504). ).
  • the sensor failure possibility field 604 is a field for storing whether or not there is a possibility that the cause of the abnormality is a sensor failure with respect to the abnormality diagnosed by the device diagnosis system 100.
  • the known failure determination unit 103 may cause the sensor failure possibility field 604 of the abnormality diagnosis result record 608 to cause the abnormality to be a sensor failure. “1” indicating the presence is stored.
  • the normal data satisfaction degree estimation unit 108 is based on the normal sensor signal data stored in the normal data storage unit 104 in the diagnosis target device, and the normal data satisfaction degree accumulated in the normal data storage unit 104 (for example, normal It is determined whether the number of data types or the number of data is greater than or equal to a predetermined threshold value (step 505). Details of the processing in step 505 will be described later. If the normal data sufficiency estimation unit 108 determines in step 505 that normal data is satisfied, the normal data sufficiency estimation unit 108 proceeds to step 507.
  • the normal data sufficiency estimation unit 108 determines in step 505 that the normal data is not satisfied, it determines that all normal data is not reflected in the normal model generated in step 302, and the abnormality diagnosis in FIG.
  • the erroneous report possibility field 605 in the diagnosis result table of the result storage unit 112 is marked.
  • misreporting field 605 regarding the abnormality diagnosed by the device diagnosis system 100, whether or not the cause of the abnormality is a misinformation (an abnormality was detected erroneously regardless of whether the diagnosis target device or sensor is normal) Is a field for storing.
  • the normal data sufficiency estimation unit 108 may cause the cause of the abnormality to be a false report in the misreport possibility field 605 of the abnormality diagnosis result record 608. “1” indicating the presence is stored (step 506).
  • the device failure data satisfaction degree estimation unit 109 satisfies the satisfaction of the device failure data stored in the device failure data storage unit 106 based on the sensor signal data at the time of device failure in the diagnosis target device stored in the device failure data storage unit 106.
  • the degree (for example, the number of types or the number of pieces of equipment failure data is equal to or greater than a predetermined threshold) is determined (step 507). Details of the processing in step 507 will be described later. If the device failure data sufficiency estimation unit 109 determines in step 507 that the device failure data is satisfied, the processing proceeds to step 509.
  • the device failure data sufficiency estimation unit 109 determines that all device failure data is not reflected in the device failure model generated in step 304. 6, the unknown failure possibility field 606 in the diagnosis result table of the abnormality diagnosis result storage unit 112 is marked (step 508).
  • the unknown failure possibility field 606 is a field for storing whether or not there is a possibility that the cause of the abnormality is an unknown failure with respect to the abnormality diagnosed by the device diagnosis system 100. For example, when the abnormality diagnosis result of the abnormality corresponds to the record 609, the equipment failure data sufficiency estimation unit 109 indicates that the cause of the abnormality is an unknown failure in the unknown failure possibility field 606 of the abnormality diagnosis result record 609. “1” indicating that there is a possibility is stored.
  • the abnormality detection information providing unit 111 notifies the user of an abnormality diagnosis result (abnormality detection information) based on the results of the processing in steps 501 to 508 and the contents of the diagnosis result table stored in the abnormality diagnosis result storage unit 112. ) Is provided (step 509). Details of the processing in step 509 will be described later. Note that steps 505 and 506 performed by the normal data sufficiency estimation unit 108 and steps 507 and 508 performed by the device failure data sufficiency estimation unit 109 may be reversed in processing order.
  • FIG. 7 is a diagram illustrating an example of a method in which the normal data sufficiency estimation unit 108 of the device diagnosis system 100 determines the sufficiency of normal data in step 505.
  • the sufficiency of normal data can be estimated, for example, by using a mathematical model of an S-shaped growth curve such as a Gompertz curve or a logistic curve used for predicting the population or the number of software defects.
  • the vertical axis represents the number of types of normal data found
  • the horizontal axis represents the passage of time.
  • the broken line 701 in the graph of FIG. 7 shows the number of types of normal data found and the tendency of the passage of time based on the S-shaped growth curve.
  • the number of normal data found in device diagnosis is small in the initial stage, rapidly increases with the operation mode change in the middle period, and tends to become saturated with the number of normal data types x t 702 as the end stage (elapsed time> t) approaches. Is shown.
  • the normal data sufficiency level estimation unit 108, formula and information saturation x t S-shaped growth curve 701 is stored in advance by the user.
  • the normal data sufficiency estimation unit 108 plots the relationship between the number of types of normal data and the passage of time as indicated by the solid line 703 in the graph of FIG. 7 based on the normal data accumulated in the normal data storage unit 104. .
  • the normal data sufficiency estimation unit 108 fits the S-shaped growth curve 901 to the mathematical model using an approximation method such as a least square method. As a result of the fitting, if the number of types of normal data accumulated in the normal data storage unit 104 has reached the saturation state x t 702 of the S-shaped growth curve 701, the normal data sufficiency estimation unit 108 has satisfied the normal data. If it is not reached, it is determined that normal data is not satisfied.
  • step 507 equipment failure data sufficiency level estimation unit 109, similarly to step 505, for example, formulas and information saturation x t S-shaped growth curve 701 is stored in advance by the user,
  • the degree of sufficiency of equipment failure data is determined using a mathematical model of an S-shaped growth curve based on elapsed time. In addition to the number of types of normal data or device failure data, these numbers may be used.
  • FIGS. 8 and 9 are diagrams illustrating examples of screens for the abnormality detection information providing unit 111 of the device diagnosis system 100 to provide abnormality detection information to the user.
  • the abnormality detection information providing unit 111 displays, for example, the screens shown in FIGS. 8 and 9 based on the results of the processing in steps 501 to 508 and the contents of the diagnosis result table stored in the abnormality diagnosis storage unit 112. Is displayed.
  • the abnormality detection information screen 800 in FIG. 8 is a screen that provides abnormality detection information stored in the abnormality diagnosis result record 608 in the diagnosis result table of the abnormality diagnosis result storage unit 112. That is, when device diagnosis system 100 marks the possibility of false alarm in step 506 of FIG.
  • step 508 abnormality detection unit 102 determines that the state of the diagnosis target device is abnormal.
  • step 503 the known failure determination unit 103 determines that the cause of the abnormality is not a known failure.
  • step 505 the normal data satisfaction degree estimation unit 108 determines that the normal data is not satisfied.
  • On the abnormality detection information screen 800 detection information 801 and an abnormality factor estimation result 802 are displayed.
  • the abnormality detection information providing unit 111 displays the contents stored in the detection date / time field 601 and the detection sensor field 602 of the abnormality diagnosis result record 608 in the diagnosis result table of the abnormality diagnosis storage unit 112 in the detection information 801.
  • the detection ID can be appropriately given to each abnormality diagnosis result record at an appropriate timing such as when it is created by the receiving unit 101 or the abnormality detection information providing unit 111 or the like.
  • the abnormality detection information providing unit 111 is based on the fact that the possibility “1” is not stored in the known failure possibility field 603 and the unknown failure possibility field 606 as the cause of the abnormality is a known failure or an unknown failure. It is estimated that the cause of the abnormality is not an equipment failure, and “low priority” is displayed.
  • the abnormality detection information providing unit 111 determines the normal data sufficiency estimation unit 108 in step 505 to determine the normal data sufficiency degree (No: not satisfied) and the number of normal data types. Displays the results of the passage of time and the predicted value based on the S-shaped growth curve.
  • the abnormality detection information providing unit 111 displays, in the abnormality factor estimation result 802, an explanatory text as to whether or not there is similar tendency data in the device failure data based on the known failure possibility field 603 (this example) Then, “There was no data with a similar tendency in the device failure data.”) Further, the abnormality detection information providing unit 111 is based on the fact that the sensor failure possibility field 604 and the false alarm possibility field 605 store the sensor failure or false alarm possibility “1” in the abnormality factor estimation result 802. , “Incorrect or sensor failure” and its explanation are displayed.
  • the user confirms the sensor signal data and the state of the device based on the content of the abnormal factor estimation result 802, and if the abnormal factor is a false alarm, the input / output interface 204 is set by the input / output device or another device. Normal data is added to the normal data storage unit 104. Since the user knows in advance that there is a possibility that the abnormality factor is a false report, the user can efficiently check the sensor signal data and the state of the device.
  • the abnormality detection information screen 900 in FIG. 9 is a screen that provides abnormality detection information stored in the abnormality diagnosis result record 609 in the diagnosis result table of the abnormality diagnosis result storage unit 112. That is, if the device diagnosis system 100 does not mark the possibility of false alarm in step 506 of FIG. 5 and marks the possibility of unknown failure in step 508 (in step 502, the abnormality detection unit 102 diagnoses the state of the diagnosis target device as abnormal) In step 503, the known failure determination unit 103 determines that the cause of the abnormality is not a known failure. In step 505, the normal data satisfaction degree estimation unit 108 determines that the normal data is satisfied. In step 507, the device failure occurs.
  • abnormality detection information provision screen (when the data sufficiency estimation unit 109 determines that the device failure data is not satisfied).
  • the detection information 901 and the abnormality factor estimation result 902 are displayed.
  • the abnormality detection information providing unit 111 displays the contents stored in the detection date / time field 601 and the detection sensor field 602 of the abnormality diagnosis result record 609 in the diagnosis result table of the abnormality diagnosis storage unit 112 in the detection information 901.
  • the abnormality detection information providing unit 111 stores the possibility “1” that the cause of the abnormality is a known failure or an unknown failure in the known failure possibility field 603 or the unknown failure possibility field 606 (this example) Then, based on the possibility of an unknown failure “1”), it is estimated that the cause of the abnormality is a device failure, and “high priority” is displayed.
  • the abnormality detection information providing unit 111 displays, in the abnormality factor estimation result 802, an explanatory text as to whether or not there is similar tendency data in the device failure data based on the known failure possibility field 603 (this example) Then, “There was no data with a similar tendency in the device failure data.”) Further, the abnormality detection information providing unit 111 determines that “1” is stored in the sensor failure possibility field 604 and the unknown failure possibility field 606 in the abnormality factor estimation result 802 based on “unknown failure or sensor”. “Failure” and its explanation.
  • the abnormality detection information providing unit 111 determines the number of failure causes with respect to the result (No: not satisfied) that the device failure data sufficiency estimation unit 109 determines the sufficiency of device failure data in step 507. And the result of the passage of time and the value by the S-shaped growth curve are displayed. The user confirms the sensor signal data and the state of the device based on the content of the abnormal factor estimation result 902. If the abnormal factor is an unknown failure, the input / output interface 204 is input by the input / output device or another device. Then, the device failure data is added to the device failure data storage unit 106.
  • the user knows in advance that there is a possibility that the abnormal cause is an unknown failure, for example, assign a person in charge with a high experience value familiar with the diagnosis target device, raise the priority, respond efficiently, and sensor signal data and You can check the status of the equipment.
  • FIG. 10 is a diagram illustrating another example of a method in which the normal data sufficiency estimation unit 108 of the device diagnosis system 100 determines the sufficiency of normal data.
  • the device diagnosis system 100 of the present embodiment is shown in FIG. 10 in comparison with the S-shaped growth curve 701 based on the elapsed time used by the normal data sufficiency estimation unit 108 shown in FIG.
  • the device to be diagnosed of the device diagnosis system 100 is a device whose operating state changes under the influence of the atmospheric temperature. Since the atmospheric temperature varies depending on the season, springs and autumns have the same operating conditions, and summers and winters have different operating conditions. Therefore, as shown by the broken line 1001 in FIG. 10, the number of normal data found increases in spring and summer and gradually becomes saturated (shaded portion 1002 in FIG. 10), but does not increase much in autumn and again in winter. As it increases, it becomes saturated (shaded portion 1002 in FIG. 10).
  • the normal data sufficiency estimation unit 108 In the normal data sufficiency estimation unit 108, the mathematical formula of the curve 1001 and information on the saturation state 1002 for each season are stored in advance by the user. In step 505, the normal data sufficiency estimation unit 108, based on the normal data accumulated in the normal data storage unit 104, as shown in the solid line 1003 of the graph of FIG. Plot the relationship between time and season. Next, the normal data sufficiency estimation unit 108 fits the curve 1001 to the model using an approximation method such as a least square method. As a result of the fitting, the normal data sufficiency estimation unit 108 satisfies the normal data if the number of normal data types accumulated in the normal data storage unit 104 has reached the saturation state of the curve (shaded portion 1002 in FIG.
  • step 507 the equipment failure data satisfaction degree estimation unit 109 determines the equipment failure data satisfaction degree using a mathematical model of a curve that takes into account the season.
  • FIG. 11 is a diagram illustrating still another example of a method in which the normal data sufficiency estimation unit 108 of the device diagnosis system 100 determines the sufficiency of normal data.
  • the device diagnosis system 100 of the present embodiment is shown in FIG. 11 in comparison with the S-shaped growth curve 701 based on the elapsed time used by the normal data sufficiency estimation unit 108 shown in FIG.
  • the S-shaped growth curve 1101 based on the number of devices to be diagnosed is used.
  • the device to be diagnosed of the device diagnosis system 100 according to the present embodiment is a device in which a plurality of devices of the same type exist.
  • the broken line 1101 in the graph of FIG. 11 indicates that the number of normal data found in device diagnosis is small in the initial stage when the number of diagnosis target devices is small, increases rapidly as the number of diagnosis target devices increases, and approaches the end stage (number of diagnosis target devices> a). As shown, there is a tendency that the normal data type number x a 1102 is saturated.
  • the normal data sufficiency level estimation unit 108, formula and information saturation x a S-growth curve 1101 is stored in advance by the user.
  • step 505 the normal data sufficiency estimation unit 108, based on the normal data accumulated in the normal data storage unit 104, as shown in the solid line 1102 in the graph of FIG. And plot the relationship between time and time.
  • the normal data sufficiency estimation unit 108 fits the curve 1101 to the model using an approximation method such as a least square method.
  • Normal data sufficiency estimation unit 108 determines the sufficiency of equipment failure data using, for example, a mathematical model of an S-shaped growth curve based on the number of devices to be diagnosed, as in step 505. . In addition to the number of types of normal data or device failure data, these numbers may be used. In addition, the S-shaped growth curve may use the same pattern or different patterns among the patterns shown in FIGS. 7, 10, and 11 as normal data and equipment failure data.
  • step 302 in FIG. 3 the normal model generation unit 105 performs various data classification / pattern recognition methods (eg, neural network, support vector machine, MT method, local subspace method) in addition to k-means clustering.
  • the sensor signal data may be analyzed using any one of the calculation methods.
  • step 304 in FIG. 3 the equipment failure model generation unit 107 performs various data classification / pattern recognition such as neural network, support vector machine, MT method, local subspace method in addition to k-means clustering.
  • the sensor signal data may be analyzed using any one of methods (calculation methods).
  • the normal data sufficiency estimation unit 108 for example, based on a mathematical model of an S-shaped growth curve such as a Gompertz curve or a logistic curve, for example, an experience based on the accumulation status of normal data of different target devices. Normal data satisfaction may be estimated using any one of various models such as a model and a model based on a Markov process.
  • the equipment failure data sufficiency estimation unit 109 determines whether the normal data accumulation status of different disconnection target equipment is used in addition to the mathematical model of the S-shaped growth curve such as a Gompertz curve or a logistic curve.
  • the equipment failure data satisfaction may be estimated using any one of various models such as an empirical model based on Markov process and a model based on Markov process.
  • the failure of any failure including any one of equipment failure, sensor failure, false alarm, unknown failure for the detected abnormality
  • Device diagnostic devices and systems and methods for estimating classification or factors can be provided.
  • An apparatus diagnosis method or an apparatus diagnosis apparatus / system of the present invention includes an apparatus diagnosis program for causing a computer to execute each procedure, a computer-readable recording medium storing the apparatus diagnosis program, and an internal memory of the computer including the apparatus diagnosis program Can be provided by a program product that can be loaded on the computer, a computer such as a server including the program, and the like.
  • this invention is not limited to an above-described Example, Various modifications are included.
  • the above-described embodiments have been described in detail for easy understanding of the present invention, and are not necessarily limited to those having all the configurations described.
  • a part of the configuration of one embodiment can be replaced with the configuration of another embodiment, and the configuration of another embodiment can be added to the configuration of one embodiment.
  • Each of the above-described configurations, functions, processing units, processing means, and the like may be realized by hardware by designing a part or all of them with, for example, an integrated circuit.
  • Each of the above-described configurations, functions, and the like may be realized by software by interpreting and executing a program that realizes each function by the processor.
  • Information such as programs, tables, and files for realizing each function can be stored in a memory, a hard disk, a recording device such as an SSD (Solid State Drive), or a recording medium such as an IC card, an SD card, or a DVD.
  • information such as programs, tables, and files for realizing each function may be arranged on the cloud, and sensor signals may be received via a network such as the Internet to perform device diagnosis.
  • the control lines and information lines indicate what is considered necessary for the explanation, and not all the control lines and information lines on the product are necessarily shown. Actually, it may be considered that almost all the components are connected to each other.
  • DESCRIPTION OF SYMBOLS 100 ... Device diagnostic system 101 ... Receiving part 102 ... Abnormality detection part 103 ... Known failure determination part 104 ... Normal data storage part 105 ... Equipment failure data storage part 106 ... Normal data sufficiency estimation part 107 ... Equipment failure model generation unit, 108 ... normal data satisfaction degree estimation part, 109 ... equipment failure data satisfaction degree estimation part, 110 ... abnormality detection factor estimation part, 111 ... abnormality detection information provision part, 112 ... abnormality diagnosis result storage part .

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本発明の目的は、検知した異常に対して機器故障、センサ故障、誤報等の要因を推定することである。本発明に係る機器診断システム（１００）は、機器に設置されたセンサからセンサ信号データを受信し、正常データとの比較により異常判定を行う異常検知部（１０２）と、機器故障データとの比較により既知故障の判定を行う既知故障判定部（１０３）と、正常データの種類数および蓄積状況に基づいて正常データ充足度を推定する正常データ充足度推定部（１０８）と、機器故障データの種類数および蓄積状況に基づいて機器故障データ充足度を推定する機器故障データ充足度推定部（１０９）と、正常データが充足していない場合に誤報可能性を提示し、機器故障データが充足していない場合に未知故障可能性を提示する等の異常検知情報を提供する異常検知情報提供部（１１１）と、を有する。

Description

機器診断装置及びシステム及び方法
　本発明は、機器診断装置及びシステム及び方法に係り、特に、センサを用いて機器の状態を診断する機器診断装置及びシステム及び方法に関する。
　機器診断システムでは、一般に、診断対象機器に設置されたセンサからセンサ信号データに基づいて診断を行い、診断対象機器の異常を検知すると保守員に異常の情報を提供する。保守員は、異常を検知した情報を受信すると、診断に用いたセンサ信号データや機器の状態を確認し、異常の要因を分析して対応方針を決定する。異常の要因としては、本来検知したい診断対象機器の故障の場合のほか、例えば、センサ故障、誤報（診断対象機器やセンサはいずれも正常にも関わらず、誤って異常が検知される）等が挙げられる。保守員は、異常の要因に基づき、例えば、機器故障に対しては優先度を上げて対策を実施する、誤報の場合は診断手法を見直す、などの対応を行う。診断対象機器の修繕費用や操業停止時間を最小化するために、保守員は、これらの機器故障、センサ故障、誤報等といった異常の要因を早期に見極める必要がある。よって、機器診断システムでは、異常の要因を推測し、保守員に提供することが必要である。
　機器診断システムにおいて検知した異常の要因を推測するため、特開２０１１－２０９８４７号公報（特許文献１）に記載の技術がある。この公報には、「前記演算手段よって判定された異常または正常の結果と、前記結果が異常であった場合に読み出される前記有識者コメントと前記異常事象の要因を出力する表示手段とを有する」(請求項)と記載されている。
　また、特開２０１４－５９９１０号公報（特許文献２）に記載の技術がある。この公報には、「正常を異常と判定する誤報の発生を防止し、異常判定の根拠の説明や、異常予兆との事象の関連付けを可能とする」（要約）と記載され、また、「設備から出力されるイベント信号をもとに運転状態別にモード分割し、モード毎に正常モデルを生成し、モード毎に学習データの十分性をチェックし、その結果に応じて設定した閾値を用いて異常識別を行うようにした」（要約）と記載されている。
特開２０１１－２０９８４７号公報 特開２０１４－５９９１０号公報
　特許文献１は、機器故障に関して過去に修繕経験のある既知故障か修繕経験のない未知故障かを推測し、既知故障の場合に過去の修繕経験の情報を提示する技術について記載されている。しかし、この文献に開示されたものは、センサ故障や誤報の場合を推定することができない。
　特許文献２は、誤報の発生を防止する技術について記載されている。しかし、この文献に開示されたものは、学習データが不十分な場合は感度を低下させて機器診断を行うため、本来検知すべき機器故障に対して異常を検知できない場合があり得る。また、特許文献２では、専門家の知識に基づいた運転状態モードや学習データの分割が必要である。さらに、特許文献２では、センサ故障の場合を推定することができない。
　そこで、本発明は、以上の点に鑑み、検知した異常に対して機器故障、センサ故障、誤報等の要因を推定することを目的とする。
　本発明の第１の解決手段によると、
　機器診断装置であって、
　診断対象機器の診断結果データを蓄積する異常診断結果記憶部と、
　診断対象機器の異常を検知した場合、診断対象機器から受信したセンサ信号データに基づき、予め定められた機器故障モデルを用いて診断対象機器の異常が既知故障か否かを判定し、既知故障と判定した場合は既知故障可能性マークを診断結果データに含め、既知故障でないと判定した場合はセンサ故障可能性マークを診断結果データに含めて、前記異常診断結果記憶部に記憶する既知故障判定部と、
　前記既知故障判定部が既知故障でないと判定した場合、予め記憶された正常データに基づき、正常データが充足しているか否かを推定し、正常データが充足していないと判定した場合、誤報可能性マークを診断結果データに含めて前記異常診断結果記憶部に記憶する正常データ充足度推定部と、
　前記既知故障判定部が既知故障でないと判定した場合、予め記憶した機器故障データに基づき、機器故障データが充足度しているか否かを推定し、機器故障データが充足していないと判定した場合、未知故障可能性マークを診断結果データに含めて前記異常診断結果記憶部に記憶する機器故障データ充足度推定部と、
　前記異常診断結果記憶部に記憶した診断結果データに基づき、機器故障及びセンサ故障及び誤報及び未知故障のいずれかひとつ又は複数を含む診断対象機器の異常の可能性を示す診断結果情報を作成し、他の装置又は出力装置に診断結果情報を提供する異常検知情報提供部と
を備えた機器診断装置が提供される。
　本発明の第２の解決手段によると、
　機器診断システムであって、
　ひとつ又は複数のセンサを有し、センサ信号データを送信するひとつ又は複数の診断対象機器と、
　ひとつ又は複数の診断対象機器に設置されたセンサからひとつ又は複数のセンサ信号データを受信する受信部と、
　出力装置と、
　機器診断装置と
を備え、
前記機器診断装置は、
　診断対象機器の診断結果データを蓄積する異常診断結果記憶部と、
　診断対象機器の異常を検知した場合、診断対象機器から受信したセンサ信号データに基づき、予め定められた機器故障モデルを用いて診断対象機器の異常が既知故障か否かを判定し、既知故障と判定した場合は既知故障可能性マークを診断結果データに含め、既知故障でないと判定した場合はセンサ故障可能性マークを診断結果データに含めて、前記異常診断結果記憶部に記憶する既知故障判定部と、
　前記既知故障判定部が既知故障でないと判定した場合、予め記憶された正常データに基づき、正常データが充足しているか否かを推定し、正常データが充足していないと判定した場合、誤報可能性マークを診断結果データに含めて前記異常診断結果記憶部に記憶する正常データ充足度推定部と、
　前記既知故障判定部が既知故障でないと判定した場合、予め記憶した機器故障データに基づき、機器故障データが充足度しているか否かを推定し、機器故障データが充足していないと判定した場合、未知故障可能性マークを診断結果データに含めて前記異常診断結果記憶部に記憶する機器故障データ充足度推定部と、
　前記異常診断結果記憶部に記憶した診断結果データに基づき、機器故障及びセンサ故障及び誤報及び未知故障のいずれかひとつ又は複数を含む診断対象機器の異常の可能性を示す診断結果情報を作成し、他の装置又は前記出力装置に診断結果情報を提供する異常検知情報提供部と
を備えた機器診断システムが提供される。
　本発明の第３の解決手段によると、
　機器診断方法であって、
　診断対象機器の診断結果データを蓄積し、
　診断対象機器の異常を検知した場合、診断対象機器から受信したセンサ信号データに基づき、予め定められた機器故障モデルを用いて診断対象機器の異常が既知故障か否かを判定し、既知故障と判定した場合は既知故障可能性マークを診断結果データに含め、既知故障でないと判定した場合はセンサ故障可能性マークを診断結果データに含めて記憶し、
　既知故障でないと判定した場合、予め記憶された正常データに基づき、正常データが充足しているか否かを推定し、正常データが充足していないと判定した場合、誤報可能性マークを診断結果データに含めて記憶し、
　既知故障でないと判定した場合、予め記憶した機器故障データに基づき、機器故障データが充足度しているか否かを推定し、機器故障データが充足していないと判定した場合、未知故障可能性マークを診断結果データに含めて記憶し、
　記憶した診断結果データに基づき、機器故障及びセンサ故障及び誤報及び未知故障のいずれかひとつ又は複数を含む診断対象機器の異常の可能性を示す診断結果情報を作成し、他の装置又は出力装置に診断結果情報を提供する、
機器診断方法が提供される。
　本発明によると、検知した異常に対して機器故障、センサ故障、誤報等の要因を推定することができる。
機器診断システム１００の機能ブロックの一例を示した図。 機器診断システム１００を実現する装置のハードウェア構成の一例を示した図。 機器診断システム１００で実行される学習処理を示したフロー図。 機器診断システム１００で実行される正常モデル生成および異常検知の処理を説明する図。 機器診断システム１００で実行される診断処理を示したフロー図。 機器診断システム１００の異常診断結果記憶部１１２の診断結果テーブルの例を示した図。 機器診断システム１００の正常データ充足度推定部１０８が正常データの充足度を判定する方法の一例を説明する図。 機器診断システム１００の異常検知情報提供部１１１が利用者に対して異常検知情報を提供するための画面の一例を示した図。 機器診断システム１００の異常検知情報提供部１１１が利用者に対して異常検知情報を提供するための画面の一例を示した図。 機器診断システム１００の正常データ充足度推定部１０８が正常データの充足度を判定する方法の他の一例を説明する図。 機器診断システム１００の正常データ充足度推定部１０８が正常データの充足度を判定する方法のさらに他の一例を説明する図。
　以下、本発明の一実施例に係る機器診断システムについて説明する。
　なお、上記した以外の課題、構成及び効果は、以下の実施例の説明により明らかにされる。 
１．機器診断装置・システム
 
　図１は、本実施例に係る機器診断システム（機器診断装置）１００の機能ブロックの一例を示した図である。機器診断システム１００は、受信部１０１と、異常検知部１０２と、既知故障判定部１０３と、正常データ記憶部１０４と、正常モデル生成部１０５と、機器故障データ記憶部１０６と、機器故障モデル生成部１０７と、正常データ充足度推定部１０８と、機器故障データ充足度推定部１０９と、異常検知要因推定部１１０と、異常検知情報提供部１１１と、異常診断結果記憶部１１２と、を有している。各機能ブロックのハードウェア構成やそのハードウェアによって実現される機能の詳細は後述する。また、機器診断システム（機器診断装置）１００には、図では省略されているが、受信部１０１に、ひとつ又は複数のセンサを設置したひとつ又は複数の診断対象機器から、適宜の有線及び／又は無線ネットワーク又は接続線等を介して、センサ信号データが入力される。また、正常データ記憶部１０４及び機器故障データ記憶部１０６には、適宜の入力装置によりデータを入力することができ、異常検知情報提供部１１１により、ディスプレイ等の出力装置に異常検知情報(異常診断結果情報)を出力することができる。
　図２は、機器診断システム１００を実現する装置のハードウェア構成の一例を示した図である。機器診断システム１００における機能ブロックの一部は、プログラムに従って動作する情報処理装置２００によって実現される。情報処理装置２００は、ＣＰＵ２０１と、ＲＯＭ２０２と、ＲＡＭ２０３と、入出力インタフェース２０４と、を備える。
　ＣＰＵ２０１は、ＲＯＭ２０２、ＲＡＭ２０３に格納されたプログラムを読み出し、読みだしたプログラムに基づいて動作し、各機能ブロックとしての制御を行う。また、ＲＯＭ２０２は、情報処理装置２００の起動時に２０１が実現するブートプログラムや、情報処理装置２００のハードウェアに依存するプログラムなどを格納する。また、ＲＡＭ２０３は、ＣＰＵ２０１が実行するプログラムおよびＣＰＵ２０１が使用するデータなどを格納している。なお、各機能ブロックは、ＣＰＵ２０１が読み込んだ所定のプログラムを実行することにより構築される。また、ＣＰＵ２０１は、入出力インタフェース２０４を介して、キーボードやマウス、ディスプレイ（ＬＣＤ）などの入出力装置を制御する。また、ＣＰＵ２０１は、入出力インタフェース２０４を介して、キーボードやマウスなどからデータを取得する。
　なお、ここで言う入出力インタフェース２０４は、ディスプレイやキーボード、マウス以外のものであってもよい。例えばディスプレイ機能とタッチパネル機能を有するタブレット端末やスマートデバイスであってもよい。このような場合に、情報処置装置２００はＣＰＵ２０１、ＲＯＭ２０２、ＲＡＭ２０３を有し、入出力インタフェース２０４は、有線もしくは無線で接続された端末としてもよい。
　本実施例の機器診断システム１００における各機能ブロックを実現するハードウェア構成は、以上で説明するような情報処理装置３００の構成を基本とし、実現すべき機能によって適切な構成を採用する。
　図１に戻って各機能ブロックについて説明する。受信部１０１は、診断対象機器に設置されたセンサからセンサ信号を受信し、異常検知部１０２および既知故障判定部１０３に送信する機能部である。正常データ記憶部１０４は、診断対象機器における正常時のセンサ信号データを蓄積する機能部である。正常モデル生成部１０５は、正常データ記憶部１０４に記憶した正常データに基づき、正常モデルを生成し記憶する機能部である。異常検知部１０２は、受信部１０１から受信したセンサ信号および正常モデル生成部１０５において生成した正常モデルを用いて、診断対象機器の異常を検知し、異常を検知した場合は当該異常の情報を異常診断結果記憶部１１２に記憶する機能部である。機器故障データ記憶部１０６は、診断対象機器における機器故障時のセンサ信号データを蓄積する機能部である。機器故障モデル生成部１０７は、機器故障データ記憶部１０６に記憶した機器故障データに基づき、機器故障モデルを生成し記憶する機能部である。既知故障判定部１０３は、異常検知部１０２において診断対象機器の異常を検知した場合、受信部１０１から受信したセンサ信号および機器故障モデル生成部１０７において生成した機器故障モデルを用いて診断対象機器が既知故障か否かを判定し、既知故障と判定した場合は当該故障に関して既知故障可能性を、既知故障でないと判定した場合はセンサ故障可能性を、異常診断結果記憶部１１２に記憶する機能部である。正常データ充足度推定部１０８は、正常データ記憶部１０４に記憶した正常データに基づき、正常データの充足度を推定する機能部である。さらに、正常データ充足度推定部１０８は、正常データが充足していないと推定した場合は、当該異常に関して誤報可能性を異常診断結果記憶部１１２に記憶する。機器故障データ充足度推定部１０９は、機器故障データ記憶部１０６に記憶した機器故障データに基づき、機器故障データの充足度を推定する機能部である。さらに、機器故障データ充足度推定部１０９は、機器故障データが充足していないと推定した場合、未知故障可能性を異常診断結果記憶部１１２に記憶する。異常検知情報提供部１１１は、図２における入出力インタフェース２０４を介して、異常診断結果記憶部１１２に記憶された異常診断結果を利用者に提供する機能部である。また、異常診断結果記憶部１１２は、機器診断システム１００における異常診断結果を蓄積する。また、正常データ記憶部１０４及び機器故障データ記憶部１０６は、図では接続線等が省略されているが、予め利用者により入出力装置又は他の装置等により入出力インターフェース２０４等を介して又は受信部１０１を介してそれぞれ正常データ及び機器故障データが入力され、記憶されている。
２．処理
 
　次に、図１における機器診断システム１００で実行される処理について説明する。
機器診断システム１００の動作には、診断に用いるモデルを予め作成しておく「学習」と診断対象機器に設置されたセンサから受信したセンサ信号に基づき診断を行う「診断」の二つのフェーズがある。
　まず、学習処理について説明する。
　図３は、図１における機器診断システム１００で実行される学習処理を示したフロー図である。学習処理は、図１における機器診断システム１００が診断処理の実行指示を利用者から入出力装置又は他の装置等により入出力インターフェース２０４等を介して受け付けることにより開始される。または、定期的に学習処理を実行するようなプログラムを事前に設定しておくようにしてもよい。
　学習処理が開始されると、正常モデル生成部１０５は、正常データ記憶部１０４に予め利用者により入力された診断対象機器における正常時のセンサ信号データ（正常データ）を読み込む（ステップ３０１）。次に、正常モデル生成部１０５は、読み込んだ正常データを用いて、正常状態の診断対象機器におけるセンサ信号データに対する学習を行い、正常モデルを生成し記憶する（ステップ３０２）。正常モデルの生成においては、例えばｋ－ｍｅａｎｓクラスタリングなどの手法を適用する。
　図４は、図１における機器診断システム１００で実行される正常モデル生成および異常検知の処理を説明する図である。図４のグラフの軸ｆi（ｉ＝１、２、・・・ｎ、ｎはセンサ信号データのセンサ数）は、正常時のセンサ信号データの各センサ値を正規化した値に対応する軸である。グラフ内の白点および黒点（黒点４０３を除く）は、正常時のセンサ信号データを示す。ｋ－ｍｅａｎｓクラスタリングでは、正常時のセンサ信号データの分布を分析し、クラスタ４０１やクラスタ４０２を生成する。クラスタ内の黒点は、各クラスタの代表点を示す。正常モデル生成部１０５は、例えば、各クラスタの代表点の座標および半径の長さの情報である正常モデルを内部又は適宜のメモリに記憶する。
　続いて、機器故障モデル生成部１０７は、機器故障データ記憶部１０６に予め利用者により入力された診断対象機器における機器故障時のセンサ信号データを読み込む（ステップ３０３）。機器故障モデル生成部１０７は、読み込んだ機器故障データを用いて、故障状態の診断対象機器におけるセンサ信号データに対する学習を行い、機器故障モデルを生成し記憶する（ステップ３０４）。機器故障モデル生成においては、ステップ３０２の正常モデル生成と同様に、例えばｋ－ｍｅａｎｓクラスタリングなどの手法を適用する。機器故障モデル生成部１０７は、例えば、各クラスタの代表点の座標および半径の長さの情報である機器故障モデルを内部又は適宜のメモリに記憶する。
　続いて、診断処理について説明する。
　図５は、図１における機器診断システム１００で実行される診断処理を示したフロー図である。診断処理は、図１における機器診断システム１００が診断処理の実行指示を利用者から入出力装置又は他の装置等により入出力インターフェース２０４等を介して受け付けることにより開始される。または、定期的に診断処理を実行するようなプログラムを事前に設定しておくことや、あるいは診断対象機器の動作と連動して診断処理が実行されるようにしてもよい。
　診断処理が開始されると、受信部１０１は、診断対象機器に設置されたセンサからセンサ信号を受信し、異常検知部１０２および既知故障判定部１０３に送信する（ステップ５０１）。
　異常検知部１０２は、センサ信号を受信すると、図３におけるステップ３０２で生成した正常モデルと、受信部１０１から受信したセンサ信号データを用いて、診断対象機器の状態の診断を行う（ステップ５０２）。ステップ５０２においては、異常検知部１０２は、ステップ３０２で生成した正常モデルに基づき、例えばｋ－ｍｅａｎｓクラスタリングなどの手法を用いて異常検知を行う。例えば診断時のセンサ信号データが図４のグラフにおける黒点４０３の場合、異常検知部１０２は、最も近いクラスタ４０１の代表点までの距離を算出する。異常検知部１０２は、算出した距離がクラスタ４０１の半径よりも小さい場合は診断対象機器の状態が正常と診断し、大きい場合は異常と診断する。異常検知部１０２は、ステップ５０２において診断対象機器の状態が正常と診断した場合は、診断処理を終了する。一方、異常検知部１０２は、異常と診断した場合は、異常診断結果記憶部１１２に当該異常の要因に関して既知故障である可能性をマークし、検知日時および検知センサの情報を記憶するとともに、既知故障判定部１０３に異常を通知する。
　図６は、異常診断結果記憶部１１２の診断結果テーブルの例である。診断結果テーブルは、検知日時フィールド６０１、検知センサフィールド６０２、既知故障可能性フィールド６０３、未知故障可能性６０６、センサ故障可能性フィールド６０４、誤報可能性フィールド６０５を含むテーブルである。検知日時フィールド６０１は、機器診断システム１００が診断した異常に関して、異常を検知した日時を記憶するフィールドである。検知センサフィールド６０２は、機器診断システム１００が診断した異常に関して、異常を検知したセンサを記憶するフィールドである。例えば、当該異常の異常診断結果がレコード６０７に対応する場合、異常検知部１０２は、当該異常診断結果レコード６０７の検知日時フィールド６０１に当該異常のセンサ信号データを受信した日時を、検知センサフィールド６０２に検知センサを記憶する。なお、検知センサに関しては、例えば、図４の各軸ｆi（ｉ＝１、２、・・・ｎ）上における黒点４０３とクラスタ４０１の外殻との距離を計算し、距離が最も大きい軸に相当するセンサを記憶する。なお、各レコードに対して検知ＩＤを、適宜のタイミングで適宜付与してもよい。
　異常検知部１０２がステップ５０２において診断対象機器の状態が異常と診断した場合、既知故障判定部１０３は、図３におけるステップ３０４で生成した機器故障モデルと、受信部１０１から受信したセンサ信号データを用いて、診断対象機器の異常の要因が既知故障であるかどうかの判定を行う（ステップ５０３）。ステップ５０３においては、既知故障判定部１０３は、ステップ３０２の異常検知と同様に、例えばｋ－ｍｅａｎｓクラスタリングなどの手法を適用する。既知故障判定部１０３は、診断時のセンサ信号データ最も近いクラスタの代表点までの距離を算出する。既知故障判定部１０３は、算出した距離が当該クラスタの半径よりも小さい場合は当該異常の要因が既知故障と判定し、大きい場合は既知故障ではないと判定する。ステップ５０３において当該異常の要因が既知故障である判定した場合は、既知故障判定部１０３は、図６の異常診断結果記憶部１１２の診断結果テーブルにおける既知故障可能性フィールド６０３にマークし、ステップ５０９に進み、異常検知情報提供部１１１が、ステップ５０９の異常検知情報の提供を行う。既知故障可能性フィールド６０３は、機器診断システム１００が診断した異常に関して、異常の要因が機器故障である可能性の有無を記憶するフィールドである。例えば、当該異常の異常診断結果がレコード６０７に対応する場合、既知故障判定部１０３は、当該異常診断結果のレコード６０７の既知故障可能性フィールド６０３に、当該異常の要因が機器故障である可能性があることを示す「１」を記憶する。ステップ５０９の処理の詳細は後述する。
　既知故障判定部１０３は、ステップ５０３において当該異常の要因が既知故障ではないと判定した場合、図６の異常診断結果記憶部１１２の診断結果テーブルにおけるセンサ故障可能性フィールド６０４にマークする（ステップ５０４）。センサ故障可能性フィールド６０４は、機器診断システム１００が診断した異常に関して、異常の要因がセンサ故障である可能性の有無を記憶するフィールドである。例えば、当該異常の異常診断結果がレコード６０８に対応する場合、既知故障判定部１０３は、当該異常診断結果レコード６０８のセンサ故障可能性フィールド６０４に、当該異常の要因がセンサ故障である可能性があることを示す「１」を記憶する。
　続いて、正常データ充足度推定部１０８は、正常データ記憶部１０４に蓄積した診断対象機器における正常時のセンサ信号データに基づき、正常データ記憶部１０４に蓄積した正常データの充足度（例えば、正常データの種類数又は数が予め予め定められた閾値以上であること等）を判定する（ステップ５０５）。ステップ５０５の処理の詳細は後述する。
　正常データ充足度推定部１０８は、ステップ５０５において正常データが充足していると判定した場合、ステップ５０７に移行する。
　正常データ充足度推定部１０８は、ステップ５０５において正常データが充足していないと判定した場合、ステップ３０２で生成した正常モデルに全ての正常データが反映されていないと判断し、図６の異常診断結果記憶部１１２の診断結果テーブルにおける誤報可能性フィールド６０５にマークする。誤報可能性フィールド６０５は、機器診断システム１００が診断した異常に関して、異常の要因が誤報（診断対象機器やセンサはいずれも正常にも関わらず誤って異常が検知された）である可能性の有無を記憶するフィールドである。例えば、当該異常の異常診断結果がレコード６０８に対応する場合、正常データ充足度推定部１０８は、当該異常診断結果レコード６０８の誤報可能性フィールド６０５に、当該異常の要因が誤報である可能性があることを示す「１」を記憶する（ステップ５０６）。
　続いて、機器故障データ充足度推定部１０９は、機器故障データ記憶部１０６に蓄積した診断対象機器における機器故障時のセンサ信号データに基づき、機器故障データ記憶部１０６に蓄積した機器故障データの充足度（例えば、機器故障データの種類数又は数が予め予め定められた閾値以上であること等）を判定する（ステップ５０７）。ステップ５０７の処理の詳細は後述する。
　機器故障データ充足度推定部１０９は、ステップ５０７において機器故障データが充足していると判定した場合、ステップ５０９に移行する。
　機器故障データ充足度推定部１０９は、ステップ５０７において機器故障データが充足していないと判定した場合、ステップ３０４で生成した機器故障モデルに全ての機器故障データが反映されていないと判断し、図６の異常診断結果記憶部１１２の診断結果テーブルにおける未知故障可能性フィールド６０６にマークする（ステップ５０８）。未知故障可能性フィールド６０６は、機器診断システム１００が診断した異常に関して、異常の要因が未知故障である可能性の有無を記憶するフィールドである。例えば、当該異常の異常診断結果がレコード６０９に対応する場合、機器故障データ充足度推定部１０９は、当該異常診断結果レコード６０９の未知故障可能性フィールド６０６に、当該異常の要因が未知故障である可能性があることを示す「１」を記憶する。
　次に、異常検知情報提供部１１１は、ステップ５０１～５０８の処理の結果や、異常診断結果記憶部１１２に記憶した診断結果テーブルの内容に基づき、利用者に対して異常診断結果（異常検知情報）を提供する（ステップ５０９）。ステップ５０９の処理の詳細は後述する。
　なお、正常データ充足度推定部１０８によるステップ５０５及び５０６と、機器故障データ充足度推定部１０９によるステップ５０７及び５０８とは、処理の順序を逆にしてもよい。
　図７は、ステップ５０５において機器診断システム１００の正常データ充足度推定部１０８が正常データの充足度を判定する方法の一例を説明する図である。正常データの充足度は、例えば、人口やソフトウェア不具合数などの予測に用いられるゴンペルツ曲線やロジスティック曲線などＳ字型成長曲線の数理モデルを用いることで推定することができる。図７のグラフは、縦軸が発見された正常データの種類数、横軸が時間の経過である。図７のグラフの破線７０１は、Ｓ字型成長曲線に基づく、発見された正常データの種類数と時間経過の傾向を示す。機器診断における正常データの発見数は、初期では少なく、中期には運転モード変更に伴い急増し、末期（経過時間＞ｔ）に近付くにつれて正常データ種類数ｘｔ７０２の飽和状態になる、という傾向を示している。正常データ充足度推定部１０８には、Ｓ字型成長曲線７０１の数式と飽和状態ｘｔの情報が予め利用者により記憶されている。ステップ５０５では、正常データ充足度推定部１０８は、正常データ記憶部１０４に蓄積した正常データに基づき、図７のグラフの実線７０３に示すように正常データの種類数と時間経過の関係をプロットする。なお、正常データの種類数に関しては、例えば、図３におけるステップ３０４と同様のｋ－ｍｅａｎｓクラスタリングなどの手法を用いて、生成したクラスタの数をカウントする。次に、正常データ充足度推定部１０８は、例えば最小二乗法などの近似手法を用いて、Ｓ字型成長曲線９０１の数理モデルへのあてはめを行う。あてはめの結果、正常データ充足度推定部１０８は、正常データ記憶部１０４に蓄積した正常データの種類数がＳ字型成長曲線７０１の飽和状態ｘｔ７０２に達していれば正常データが充足していると判定し、達していなければ正常データが充足していないと判定する。なお、ステップ５０７においても、機器故障データ充足度推定部１０９が、ステップ５０５と同様に、例えば、Ｓ字型成長曲線７０１の数式と飽和状態ｘｔの情報が予め利用者により記憶されており、経過時間に基づくＳ字型成長曲線の数理モデルを用いて機器故障データの充足度を判定する。
　なお、正常データ又は機器故障データの種類数以外にも、それらの数を用いてもよい。
　図８および図９は、機器診断システム１００の異常検知情報提供部１１１が利用者に対して異常検知情報を提供するための画面の一例を示した図である。図５のステップ５０９では、異常検知情報提供部１１１は、ステップ５０１～５０８の処理の結果や異常診断記憶部１１２に記憶した診断結果テーブルの内容に基づいて、例えば図８や図９に示す画面を表示する。
　図８の異常検知情報画面８００は、異常診断結果記憶部１１２の診断結果テーブルにおける異常診断結果レコード６０８に記憶された異常の検知情報を提供する画面である。すなわち、機器診断システム１００が図５のステップ５０６で誤報可能性をマークし、ステップ５０８で未知故障可能性をマークしなかった場合（ステップ５０２において異常検知部１０２が診断対象機器の状態を異常と診断し、ステップ５０３において既知故障判定部１０３が異常の要因は既知故障ではないと判定し、ステップ５０５において正常データ充足度推定部１０８が正常データは充足していないと判定し、ステップ５０７において機器故障データ充足度推定部１０９が機器故障データは充足していると判定した場合）の異常検知情報提供画面である。異常検知情報画面８００では、検知情報８０１、異常要因推定結果８０２を表示する。
　異常検知情報提供部１１１は、検知情報８０１には、異常診断記憶部１１２の診断結果テーブルにおける異常診断結果レコード６０８の検知日時フィールド６０１、検知センサフィールド６０２に記憶された内容を表示する。なお、検知ＩＤは、受信部１０１又は異常検知情報提供部１１１等により、各異常診断結果レコードに対して、その作成時等の適宜のタイミングに適宜付与することができる。さらに、異常検知情報提供部１１１は、既知故障可能性フィールド６０３及び未知故障可能性フィールド６０６に当該異常の要因が既知故障や未知故障である可能性「１」が記憶されていないことに基づき、異常の要因は機器故障ではないと推定し、「対策優先度」が「低」であることを表示する。異常要因推定結果８０２では、異常検知情報提供部１１１は、ステップ５０５において正常データ充足度推定部１０８が正常データの充足度を判定した結果（Ｎｏ：充足していない）に関して、正常データ種類数と時間経過の実績およびＳ字型成長曲線による予測値を表示する。
　また、異常検知情報提供部１１１は、異常要因推定結果８０２には、既知故障可能性フィールド６０３に基づき、機器故障データに類似傾向のデータが有るか無いかについての説明文を表示する（この例では、「機器故障データに類似傾向のデータはありませんでした。」）。さらに、異常検知情報提供部１１１は、異常要因推定結果８０２には、センサー故障可能性フィールド６０４、誤報可能性フィールド６０５に、センサー故障や誤報の可能性「１」が記憶されていることに基づき、「誤報またはセンサ故障」であること及びその説明文を表示する。
　なお、利用者は異常要因推定結果８０２の内容に基づき、センサ信号データや機器の状態の確認を行い、異常要因が誤報であった場合は入出力装置又は他の装置等により入出力インタフェース２０４を介して正常データ記憶部１０４に正常データを追加する。利用者はあらかじめ異常要因が誤報である可能性を認知しているため、効率的にセンサ信号データや機器の状態を確認することができる。
　図９の異常検知情報画面９００は、異常診断結果記憶部１１２の診断結果テーブルにおける異常診断結果レコード６０９に記憶された異常の検知情報を提供する画面である。すなわち、機器診断システム１００が図５のステップ５０６で誤報可能性をマークせず、ステップ５０８で未知故障可能性をマークした場合（ステップ５０２において異常検知部１０２が診断対象機器の状態を異常と診断し、ステップ５０３において既知故障判定部１０３が異常の要因は既知故障ではないと判定し、ステップ５０５において正常データ充足度推定部１０８が正常データは充足していると判定し、ステップ５０７において機器故障データ充足度推定部１０９が機器故障データは充足していないと判定した場合）の異常検知情報提供画面である。異常検知情報画面９００においても同様に、検知情報９０１、異常要因推定結果９０２を表示する。
　異常検知情報提供部１１１は、検知情報９０１には、異常診断記憶部１１２の診断結果テーブルにおける異常診断結果レコード６０９の検知日時フィールド６０１、検知センサフィールド６０２に記憶された内容を表示する。さらに、異常検知情報提供部１１１は、既知故障可能性フィールド６０３又は未知故障可能性フィールド６０６に当該異常の要因が既知故障又は未知故障である可能性「１」が記憶されていること（この例では、未知故障可能性が「１」）に基づき、異常の要因は機器故障であると推定し、「対策優先度」が「高」であることを表示する。
　また、異常検知情報提供部１１１は、異常要因推定結果８０２には、既知故障可能性フィールド６０３に基づき、機器故障データに類似傾向のデータが有るか無いかについての説明文を表示する（この例では、「機器故障データに類似傾向のデータはありませんでした。」）。さらに、異常検知情報提供部１１１は、異常要因推定結果８０２には、センサ故障可能性フィールド６０４、未知故障可能性フィールド６０６に、「１」が記憶されていることに基づき、「未知故障またはセンサ故障」であること及びその説明文を表示する。
　異常検知情報提供部１１１は、異常要因推定結果９０２では、ステップ５０７において機器故障データ充足度推定部１０９が機器故障データの充足度を判定した結果（Ｎｏ：充足していいない）に関して、故障原因数と時間経過の実績およびＳ字型成長曲線による値を表示する。利用者は、異常要因推定結果９０２の内容に基づき、センサ信号データや機器の状態の確認を行い、異常要因が未知故障であった場合は、入出力装置又は他の装置等により入出力インタフェース２０４を介して機器故障データ記憶部１０６に機器故障データを追加する。利用者はあらかじめ異常要因が未知故障である可能性を認知しているため、例えば診断対象機器に関して熟知した経験値の高い担当者を割り当て、優先度を上げて対応、効率的にセンサ信号データや機器の状態を確認することができる。
３．Ｓ字成長曲線の他の実施例
 
（１）季節
　本発明の他の実施例について説明する。なお、本実施例の機器診断システム１００の機能ブロックやそれを実現するハードウェア構成は、基本的に上述の実施例（「１．機器診断装置・システム」、「２．処理」）の機器診断システム１００と同様であるため説明を省略し、具体的な相違点についてのみ説明する。
　図１０は、機器診断システム１００の正常データ充足度推定部１０８が正常データの充足度を判定する方法の他の一例を説明する図である。
　本実施例の機器診断システム１００は、図７に示した正常データ充足度推定部１０８が正常データの充足度判定に用いる経過時間に基づくＳ字型成長曲線７０１と比較して、図１０に示すように春夏秋冬の季節を考慮した曲線１００１を用いている点が相違する。本実施例の機器診断システム１００の診断対象機器は、大気温度の影響を受けて運転状態が変化する機器である。大気温度は季節によって異なるため、春と秋は同傾向の運転状態になり、夏、冬はそれぞれ異なる運転状態となる。よって、正常データの発見数は、図１０の破線１００１に示す通り、春、夏は増加し次第に飽和状態（図１０の斜線部分１００２ ）になるが、秋はあまり増加せず、冬には再び増加し次第に飽和状態（図１０の斜線部分１００２）になる。正常データ充足度推定部１０８には、曲線１００１の数式と、季節毎の飽和状態１００２の情報が予め利用者により記憶されている。ステップ５０５では、正常データ充足度推定部１０８は、上述の実施例と同様に、正常データ記憶部１０４に蓄積した正常データに基づき、図１０のグラフの実線１００３に示すように正常データの種類数と季節の時間経過の関係をプロットする。次に、正常データ充足度推定部１０８は、例えば最小二乗法などの近似手法を用いて、曲線１００１のモデルへのあてはめを行う。正常データ充足度推定部１０８は、あてはめの結果、正常データ記憶部１０４に蓄積した正常データ種類数が各季節において曲線の飽和状態（図１０の斜線部分１００２）に達していれば正常データが充足していると判定し、達していなければ正常データが充足していないと判定する。なお、ステップ５０７においても、機器故障データ充足度推定部１０９が、ステップ５０５と同様に、季節を考慮した曲線の数理モデルを用いて機器故障データの充足度を判定する。
（２）機器数
　本発明のさらに他の実施例について説明する。なお、本実施例の機器診断システム１００の機能ブロックやそれを実現するハードウェア構成は、基本的に上述の実施例（「１．機器診断装置・システム」、「２．処理」）の機器診断システム１００と同様であるため説明を省略し、具体的な相違点についてのみ説明する。
　図１１は、機器診断システム１００の正常データ充足度推定部１０８が正常データの充足度を判定する方法のさらに他の一例を説明する図である。
　本実施例の機器診断システム１００は、図７に示した正常データ充足度推定部１０８が正常データの充足度判定に用いる経過時間に基づくＳ字型成長曲線７０１と比較して、図１１に示すように診断対象機器台数に基づくＳ字成長曲線１１０１を用いている点が相違する。本実施例の機器診断システム１００の診断対象機器は、同種の機器が複数台存在する機器である。図１１のグラフの破線１１０１は、機器診断における正常データの発見数は、診断対象機器が少数の初期では少なく、診断対象機器が増加するにつれて急増し、末期（診断対象機器台数＞ａ）に近付くにつれて正常データ種類数ｘａ１１０２の飽和状態になる、という傾向を示している。正常データ充足度推定部１０８には、Ｓ字成長曲線１１０１の数式と飽和状態ｘａの情報が予め利用者により記憶されている。ステップ５０５では、正常データ充足度推定部１０８は、上述の実施例と同様に、正常データ記憶部１０４に蓄積した正常データに基づき、図１１のグラフの実線１１０２に示すように正常データの種類数と時間経過の関係をプロットする。次に、正常データ充足度推定部１０８は、例えば最小二乗法などの近似手法を用いて、曲線１１０１のモデルへのあてはめを行う。正常データ充足度推定部１０８は、あてはめの結果、正常データ記憶部１０４に蓄積した正常データ種類数がＳ字型成長曲線１１０１の飽和状態ｘａに達していれば正常データが充足していると判定し、達していなければ正常データが充足していないと判定する。なお、ステップ５０７においても、機器故障データ充足度推定部１０９が、ステップ５０５と同様に、例えば診断対象機器台数に基づくＳ字型成長曲線の数理モデルを用いて機器故障データの充足度を判定する。なお、正常データ又は機器故障データの種類数以外にも、それらの数を用いてもよい。また、Ｓ字型成長曲線は正常データと機器故障データとして、図７、図１０、図１１に示した各パターンのうち、同じパターンを用いても異なるパターンを用いてもよい。
４．付記
 
　なお、図３におけるステップ３０２において、正常モデル生成部１０５は、ｋ－ｍｅａｎｓクラスタリングのほか、例えば、ニューラルネットワーク、サポートベクターマシン、ＭＴ法、局所部分空間法など、様々なデータ分類・パターン認識手法（計算方法）のうちのいずれかを用いてセンサ信号データを分析してもよい。図３におけるステップ３０４においても同様に、機器故障モデル生成部１０７は、ｋ－ｍｅａｎｓクラスタリングのほか、例えば、ニューラルネットワーク、サポートベクターマシン、ＭＴ法、局所部分空間法など、様々なデータ分類・パターン認識手法（計算方法）のうちのいずれかを用いてセンサ信号データを分析してもよい。
　また、図５におけるステップ５０５において、正常データ充足度推定部１０８は、ゴンペルツ曲線やロジスティック曲線などＳ字型成長曲線の数理モデルのほか、例えば、異なる断対象機器の正常データの蓄積状況に基づく経験モデルや、マルコフ過程に基づくモデルなど、さまざまなモデルのうちいずれかを用いて正常データ充足を推定してもよい。図５におけるステップ５０７においても同様に、機器故障データ充足度推定部１０９は、ゴンペルツ曲線やロジスティック曲線などＳ字型成長曲線の数理モデルのほか、例えば、異なる断対象機器の正常データの蓄積状況に基づく経験モデルや、マルコフ過程に基づくモデルなど、さまざまなモデルのうちいずれかを用いて機器故障データ充足を推定してもよい。
　本実施例によると、機器故障による異常の検知を担保しつつ、専門家の知識を不要としながら、検知した異常に対して機器故障、センサ故障、誤報、未知故障のいずれか複数を含む故障の分類又は要因を推定する機器診断装置及びシステム及び方法を提供することができる。
　本発明の機器診断方法又は機器診断装置・システムは、その各手順をコンピュータに実行させるための機器診断プログラム、機器診断プログラムを記録したコンピュータ読み取り可能な記録媒体、機器診断プログラムを含みコンピュータの内部メモリにロード可能なプログラム製品、そのプログラムを含むサーバ等のコンピュータ、等により提供されることができる。
　なお、本発明は上記した実施例に限定されるものではなく、様々な変形例が含まれる。
例えば、上記した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。また、各実施例の構成の一部について、他の構成の追加・削除・置換をすることが可能である。また、上記の各構成、機能、処理部、処理手段等は、それらの一部又は全部を、例えば集積回路で設計する等によりハードウェアで実現してもよい。また、上記の各構成、機能等は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリや、ハードディスク、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の記録装置、または、ＩＣカード、ＳＤカード、ＤＶＤ等の記録媒体に置くことができる。また、各機能を実現するプログラム、テーブル、ファイル等の情報をクラウド上に配置し、インターネットなどのネットワークを介してセンサ信号を受信し、機器診断を行ってもよい。
　また、制御線や情報線は説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線や情報線を示しているとは限らない。実際には殆ど全ての構成が相互に接続されていると考えてもよい。
１００…機器診断システム、１０１…受信部、１０２…異常検知部、１０３…既知故障判定部、１０４…正常データ記憶部、１０５…機器故障データ記憶部、１０６…正常データ充足度推定部、１０７…機器故障モデル生成部、１０８…正常データ充足度推定部、１０９…機器故障データ充足度推定部、１１０…異常検知要因推定部、１１１…異常検知情報提供部、１１２・・・異常診断結果記憶部。

Claims (15)

  1. 　機器診断装置であって、
    　診断対象機器の診断結果データを蓄積する異常診断結果記憶部と、
    　診断対象機器の異常を検知した場合、診断対象機器から受信したセンサ信号データに基づき、予め定められた機器故障モデルを用いて診断対象機器の異常が既知故障か否かを判定し、既知故障と判定した場合は既知故障可能性マークを診断結果データに含め、既知故障でないと判定した場合はセンサ故障可能性マークを診断結果データに含めて、前記異常診断結果記憶部に記憶する既知故障判定部と、
    　前記既知故障判定部が既知故障でないと判定した場合、予め記憶された正常データに基づき、正常データが充足しているか否かを推定し、正常データが充足していないと判定した場合、誤報可能性マークを診断結果データに含めて前記異常診断結果記憶部に記憶する正常データ充足度推定部と、
    　前記既知故障判定部が既知故障でないと判定した場合、予め記憶した機器故障データに基づき、機器故障データが充足度しているか否かを推定し、機器故障データが充足していないと判定した場合、未知故障可能性マークを診断結果データに含めて前記異常診断結果記憶部に記憶する機器故障データ充足度推定部と、
    　前記異常診断結果記憶部に記憶した診断結果データに基づき、機器故障及びセンサ故障及び誤報及び未知故障のいずれかひとつ又は複数を含む診断対象機器の異常の可能性を示す診断結果情報を作成し、他の装置又は出力装置に診断結果情報を提供する異常検知情報提供部と
    を備えた機器診断装置。
     
  2. 　請求項１に記載された機器診断装置において、
    　診断対象機器における正常時のセンサ信号データを蓄積する正常データ記憶部
    を備え、
    　前記正常データ充足度推定部は、
    　正常データの種類数又は数が経過時間に応じて増加して飽和状態になるＳ字型成長曲線の情報を予め記憶し、
    　前記正常データ記憶部に蓄積された正常データの種類数又は数がＳ字型成長曲線の飽和状態に達していれば正常データが充足していると判定し、達していなければ正常データが充足していないと判定する、
    ことを特徴とする機器診断装置。
     
  3. 　請求項２に記載された機器診断装置において、
    　診断対象機器における機器故障時のセンサ信号データを蓄積する機器故障データ記憶部を備え、
    　前記機器故障データ充足度推定部は、
    　機器故障データの種類数又は数が経過時間に応じて増加して飽和状態になるＳ字型成長曲線の情報を予め記憶し、
    　前記機器故障データ記憶部に蓄積された機器故障データの種類数又は数がＳ字型成長曲線の飽和状態に達していれば機器故障データが充足していると判定し、達していなければ機器故障データが充足していないと判定する、
    ことを特徴とする機器診断装置。
     
  4. 　請求項１に記載された機器診断装置において、
    　ひとつ又は複数の診断対象機器に設置されたひとつ又は複数のセンサから受信したセンサ信号データに基づき、予め定められた正常モデルを用いて、各診断対象機器の異常を検知し、異常を検知した場合は、検知日時及び検知センサ情報を診断結果データに含めて前記異常診断結果記憶部に記憶する異常検知部
    を備え、
    　前記異常検知情報提供部は、前記異常診断結果記憶部に記憶された診断結果データを参照して、検知日時及び検知センサを含む検知情報８０１を出力又は提供又は表示する、
    ことを特徴とする機器診断装置。
     
  5. 　請求項１に記載された機器診断装置において、
    　前記異常検知情報提供部は、前記異常診断結果記憶部に記憶された診断結果データを参照して、
    　既知故障可能性マーク又は未知故障可能性マークが記憶されている場合、対策優先度が高いことを表示し、
    　既知故障可能性マーク及び未知故障可能性マークがいずれも記憶されていない場合、対策優先度が低いことを表示する、
    ことを特徴とする機器診断装置。
     
  6. 　請求項１に記載された機器診断装置において、
    　前記異常検知情報提供部は、前記異常診断結果記憶部に記憶された診断結果データを参照して、
    　既知故障可能性マークの有無により、既知の機器故障データに類似傾向のデータが有るか無いかを表示する、
    ことを特徴とする機器診断装置。
     
  7. 　請求項１に記載された機器診断装置において、
    　前記異常検知情報提供部は、前記異常診断結果記憶部に記憶された診断結果データを参照して、
    　誤報可能性マークが記憶されている場合、誤報であることを表示し、
    　センサ故障可能性マークが記憶されている場合、センサ故障であることを表示し、
    　未知故障可能性マークが記憶されている場合、未知故障であることを表示する、
    ことを特徴とする機器診断装置。
     
  8. 　請求項１に記載された機器診断装置において、
    　前記異常検知情報提供部は、前記異常診断結果記憶部に記憶された診断結果データを参照して、
    　前記正常データ充足度推定部が正常データが充足していないと判定した場合、正常データ種類数と時間経過の実績およびＳ字型成長曲線による予測値を表示すること、
    及び／又は、
    　前記機器故障データ充足度推定部が機器故障データが充足していないと判定した場合、故障原因数と時間経過の実績およびＳ字型成長曲線による予測値を表示すること、
    を特徴とする機器診断装置。
     
  9. 　請求項１に記載された機器診断装置において、
    　診断対象機器における正常時のセンサ信号データを蓄積する正常データ記憶部と、
    　前記正常データ記憶部に蓄積された正常データに基づき、正常モデルを予め生成し記憶する正常モデル生成部と、
    　診断対象機器における機器故障時のセンサ信号データを蓄積する機器故障データ記憶部と、
    　前記機器故障データ記憶部に蓄積された機器故障データに基づき、機器故障モデルを予め生成し記憶する機器故障モデル生成部と、
    を備えたことを特徴とする機器診断装置。
     
  10. 　請求項９に記載された機器診断装置において、
    　前記正常モデル生成部は、前記正常データ記憶部に予め記憶された診断対象機器における正常時のセンサ信号データを読み込み、正常時のセンサ信号データの分布から正常クラスタを生成し、正常モデルとして各正常クラスタを特定する情報を記憶し、
    　前記機器故障モデル生成部は、前記機器故障データ記憶部に予め記憶された診断対象機器における機器故障時のセンサ信号データを読み込み、機器故障時のセンサ信号データの分布から機器故障クラスタを生成し、機器故障モデルとして各機器故障クラスタを特定する情報を記憶する、
    ことを特徴とする機器診断装置。
     
  11. 　請求項１に記載された機器診断装置において、
    　前記正常データ充足度推定部が正常データが充足しているか否かの判定に用いるＳ字型成長曲線が、季節に対する正常データの種類数又は数を表すものであり、
    　前記機器故障データ充足度推定部が機器故障データが充足しているか否かの判定に用いるＳ字型成長曲線が、季節に対する機器故障データ種類数又は数を表すものである、
    ことを特徴とする機器診断装置。
     
  12. 　請求項１に記載された機器診断装置において、
    　診断対象機器における正常時のセンサ信号データを蓄積する正常データ記憶部
    を備え、
    　前記正常データ充足度推定部は、
    　正常データの種類数又は数が診断対象機器台数に応じて増加して飽和状態になるＳ字型成長曲線の情報を予め記憶し、
    　前記正常データ記憶部に蓄積された正常データの種類数又は数がＳ字型成長曲線の飽和状態に達していれば正常データが充足していると判定し、達していなければ正常データが充足していないと判定する、
    ことを特徴とする機器診断装置。
     
  13. 　請求項１に記載された機器診断装置において、
    　診断対象機器における機器故障時のセンサ信号データを蓄積する機器故障データ記憶部を備え、
    　前記機器故障データ充足度推定部は、
    　機器故障データの種類数又は数が診断対象機器台数に応じて増加して飽和状態になるＳ字型成長曲線の情報を予め記憶し、
    　前記機器故障データ記憶部に蓄積された機器故障データの種類数又は数がＳ字型成長曲線の飽和状態に達していれば機器故障データが充足していると判定し、達していなければ機器故障データが充足していないと判定する、
    ことを特徴とする機器診断装置。
     
  14. 　機器診断システムであって、
    　ひとつ又は複数のセンサを有し、センサ信号データを送信するひとつ又は複数の診断対象機器と、
    　ひとつ又は複数の診断対象機器に設置されたセンサからひとつ又は複数のセンサ信号データを受信する受信部と、
    　出力装置と、
    　機器診断装置と
    を備え、
    前記機器診断装置は、
    　診断対象機器の診断結果データを蓄積する異常診断結果記憶部と、
    　診断対象機器の異常を検知した場合、診断対象機器から受信したセンサ信号データに基づき、予め定められた機器故障モデルを用いて診断対象機器の異常が既知故障か否かを判定し、既知故障と判定した場合は既知故障可能性マークを診断結果データに含め、既知故障でないと判定した場合はセンサ故障可能性マークを診断結果データに含めて、前記異常診断結果記憶部に記憶する既知故障判定部と、
    　前記既知故障判定部が既知故障でないと判定した場合、予め記憶された正常データに基づき、正常データが充足しているか否かを推定し、正常データが充足していないと判定した場合、誤報可能性マークを診断結果データに含めて前記異常診断結果記憶部に記憶する正常データ充足度推定部と、
    　前記既知故障判定部が既知故障でないと判定した場合、予め記憶した機器故障データに基づき、機器故障データが充足度しているか否かを推定し、機器故障データが充足していないと判定した場合、未知故障可能性マークを診断結果データに含めて前記異常診断結果記憶部に記憶する機器故障データ充足度推定部と、
    　前記異常診断結果記憶部に記憶した診断結果データに基づき、機器故障及びセンサ故障及び誤報及び未知故障のいずれかひとつ又は複数を含む診断対象機器の異常の可能性を示す診断結果情報を作成し、他の装置又は前記出力装置に診断結果情報を提供する異常検知情報提供部と
    を備えた機器診断システム。
     
  15. 　機器診断方法であって、
    　診断対象機器の診断結果データを蓄積し、
    　診断対象機器の異常を検知した場合、診断対象機器から受信したセンサ信号データに基づき、予め定められた機器故障モデルを用いて診断対象機器の異常が既知故障か否かを判定し、既知故障と判定した場合は既知故障可能性マークを診断結果データに含め、既知故障でないと判定した場合はセンサ故障可能性マークを診断結果データに含めて記憶し、
    　既知故障でないと判定した場合、予め記憶された正常データに基づき、正常データが充足しているか否かを推定し、正常データが充足していないと判定した場合、誤報可能性マークを診断結果データに含めて記憶し、
    　既知故障でないと判定した場合、予め記憶した機器故障データに基づき、機器故障データが充足度しているか否かを推定し、機器故障データが充足していないと判定した場合、未知故障可能性マークを診断結果データに含めて記憶し、
    　記憶した診断結果データに基づき、機器故障及びセンサ故障及び誤報及び未知故障のいずれかひとつ又は複数を含む診断対象機器の異常の可能性を示す診断結果情報を作成し、他の装置又は出力装置に診断結果情報を提供する、
    機器診断方法。
PCT/JP2016/084193 2015-11-26 2016-11-18 機器診断装置及びシステム及び方法 WO2017090515A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2015-230816 2015-11-26
JP2015230816A JP6585482B2 (ja) 2015-11-26 2015-11-26 機器診断装置及びシステム及び方法

Publications (1)

Publication Number Publication Date
WO2017090515A1 true WO2017090515A1 (ja) 2017-06-01

Family

ID=58764067

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2016/084193 WO2017090515A1 (ja) 2015-11-26 2016-11-18 機器診断装置及びシステム及び方法

Country Status (2)

Country Link
JP (1) JP6585482B2 (ja)
WO (1) WO2017090515A1 (ja)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109885951A (zh) * 2019-02-28 2019-06-14 中科云创(厦门)科技有限公司 设备故障诊断方法及装置
JPWO2018042616A1 (ja) * 2016-09-02 2019-06-24 株式会社日立製作所 診断装置、診断方法及び診断プログラム
CN110361447A (zh) * 2018-04-09 2019-10-22 株式会社斯巴鲁 诊断装置
US11885721B2 (en) 2021-03-29 2024-01-30 Seiko Epson Corporation Abnormality determination method, abnormality determination device, and abnormality determination system

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7082461B2 (ja) * 2017-07-26 2022-06-08 株式会社Ye Digital 故障予知方法、故障予知装置および故障予知プログラム
JP7019364B2 (ja) * 2017-09-29 2022-02-15 エヌ・ティ・ティ・コミュニケーションズ株式会社 監視装置、監視方法、監視プログラム、表示装置、表示方法および表示プログラム
JP6582205B2 (ja) * 2018-02-28 2019-10-02 株式会社コナミデジタルエンタテインメント 情報処理装置、情報処理装置のプログラム、ヘッドマウントディスプレイ、及び、情報処理システム
JP2020046211A (ja) * 2018-09-14 2020-03-26 株式会社椿本チエイン 診断装置及び診断方法
JP2020057165A (ja) * 2018-10-01 2020-04-09 株式会社椿本チエイン 異常判定装置、信号特徴量予測器、異常判定方法、学習モデルの生成方法及び学習モデル
WO2020245968A1 (ja) * 2019-06-06 2020-12-10 三菱電機株式会社 異常兆候検知装置、異常兆候検知方法、及び、異常兆候検知プログラム
JP7333281B2 (ja) * 2020-02-06 2023-08-24 株式会社日立製作所 設計支援システム
IT202000004573A1 (it) * 2020-03-04 2021-09-04 Nuovo Pignone Tecnologie Srl Modello di rischio ibrido per l'ottimizzazione della manutenzione e sistema per l'esecuzione di tale metodo.
WO2022149279A1 (ja) * 2021-01-08 2022-07-14 三菱電機株式会社 保守サポートシステムおよび保守サポート方法
WO2024014584A1 (ko) * 2022-07-15 2024-01-18 엘지전자 주식회사 인공 지능 장치 및 그의 대상기기 매뉴얼 제공 방법

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10228310A (ja) * 1997-02-17 1998-08-25 Toshiba Corp プラント設備の検査計画支援装置
JP2013008098A (ja) * 2011-06-22 2013-01-10 Hitachi Engineering & Services Co Ltd 異常予兆診断結果の表示方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07225610A (ja) * 1994-02-09 1995-08-22 Komatsu Ltd 故障診断方法および装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10228310A (ja) * 1997-02-17 1998-08-25 Toshiba Corp プラント設備の検査計画支援装置
JP2013008098A (ja) * 2011-06-22 2013-01-10 Hitachi Engineering & Services Co Ltd 異常予兆診断結果の表示方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPWO2018042616A1 (ja) * 2016-09-02 2019-06-24 株式会社日立製作所 診断装置、診断方法及び診断プログラム
CN110361447A (zh) * 2018-04-09 2019-10-22 株式会社斯巴鲁 诊断装置
CN109885951A (zh) * 2019-02-28 2019-06-14 中科云创(厦门)科技有限公司 设备故障诊断方法及装置
US11885721B2 (en) 2021-03-29 2024-01-30 Seiko Epson Corporation Abnormality determination method, abnormality determination device, and abnormality determination system

Also Published As

Publication number Publication date
JP6585482B2 (ja) 2019-10-02
JP2017097712A (ja) 2017-06-01

Similar Documents

Publication Publication Date Title
JP6585482B2 (ja) 機器診断装置及びシステム及び方法
JP6008070B1 (ja) 運用管理装置、運用管理方法、及び、運用管理プログラムが記録された記録媒体
US11580629B2 (en) System and method for determining situation of facility by imaging sensing data of facility
US20210116331A1 (en) Anomaly analysis method, program, and system
US11640459B2 (en) Abnormality detection device
JP5277667B2 (ja) 障害分析システム、障害分析方法、障害分析サーバおよび障害分析プログラム
US10581665B2 (en) Content-aware anomaly detection and diagnosis
JP6752739B2 (ja) 保守装置、提示システム及びプログラム
JP6223380B2 (ja) 中継装置及びプログラム
JP2015028700A (ja) 障害検知装置、障害検知方法、障害検知プログラム及び記録媒体
CN108369416B (zh) 异常诊断系统
US20210302042A1 (en) Pipeline for continuous improvement of an hvac health monitoring system combining rules and anomaly detection
US20190265088A1 (en) System analysis method, system analysis apparatus, and program
JP2016152011A (ja) 制御装置の故障予測システム
JPWO2018216197A1 (ja) 異常重要度算出システム、異常重要度算出装置、及び異常重要度算出プログラム
JP6075241B2 (ja) 処置判定装置、処置判定システム、処置判定プログラム及び処置判定方法
KR20230125116A (ko) 머신러닝 클러스터링 알고리즘과 통계적 기법을 이용해 고장 데이터가 부재한 시스템의 결함 탐지 및 고장 진단 예측 방법
KR20150007913A (ko) 고장 예측 장치
JP6898607B2 (ja) 異常予兆検出システムおよび異常予兆検出方法
KR20200059429A (ko) 디지털 트윈 기반 건설기계 지능화를 위한 시각화 도구 적용 방법
JP2012037991A (ja) 予測装置、予測システム及びプログラム
US10970643B2 (en) Assigning a fire system safety score and predictive analysis via data mining
KR20210057194A (ko) 공격 검지 장치, 공격 검지 방법, 및 공격 검지 프로그램
JP7572934B2 (ja) 不具合分析装置
JP2011238046A (ja) 監視システム、監視装置及び監視プログラム

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 16868463

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 16868463

Country of ref document: EP

Kind code of ref document: A1