WO2017122292A1 - 運転状態分類装置 - Google Patents

運転状態分類装置 Download PDF

Info

Publication number
WO2017122292A1
WO2017122292A1 PCT/JP2016/050822 JP2016050822W WO2017122292A1 WO 2017122292 A1 WO2017122292 A1 WO 2017122292A1 JP 2016050822 W JP2016050822 W JP 2016050822W WO 2017122292 A1 WO2017122292 A1 WO 2017122292A1
Authority
WO
WIPO (PCT)
Prior art keywords
classification
sensor data
sensor
principal component
unit
Prior art date
Application number
PCT/JP2016/050822
Other languages
English (en)
French (fr)
Inventor
俊通 栗山
平井　規郎
誠 今村
飛仙 平田
隆顕 中村
Original Assignee
三菱電機株式会社
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 三菱電機株式会社 filed Critical 三菱電機株式会社
Priority to EP16884895.0A priority Critical patent/EP3373089B1/en
Priority to US15/772,262 priority patent/US11068744B2/en
Priority to ES16884895T priority patent/ES2863775T3/es
Priority to JP2017541139A priority patent/JP6351862B2/ja
Priority to PCT/JP2016/050822 priority patent/WO2017122292A1/ja
Publication of WO2017122292A1 publication Critical patent/WO2017122292A1/ja

Links

Images

Classifications

    • 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
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • 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
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • 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
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Definitions

  • the present invention relates to an operation state classification device that creates a classification for each operation state of sensor data acquired from sensors installed in control devices in a control system such as an elevator, a plant device, and an air conditioner.
  • a control technique in which a failure is detected by comparing a measurement value acquired by a sensor installed in the device with a predetermined threshold value for each sensor item.
  • some types of devices have various operating states depending on the environment in which they are installed, the model of the device, or the state of use. In that case, when the measured value of a specific sensor item exceeds the threshold value, it is extremely difficult to determine whether it is due to a malfunction (abnormality) in the device or a change in the operating state. It becomes difficult.
  • a past operation rate is stored for each predetermined operation condition, and failure detection is performed by comparing the past and current operation rates for each operation condition.
  • Patent Document 2 in a processing apparatus such as a plasma processing apparatus, detection values detected using a plurality of detectors are used as operation data, and a principal component analysis is performed using the plurality of operation data.
  • a technique is disclosed that performs dimension compression, monitors the principal component score of the calculated operation data, and uses it for determining an abnormality of the processing apparatus when the principal component score greatly deviates from a set reference.
  • Patent Document 2 Since the technique disclosed in Patent Document 2 performs dimensional compression using principal component analysis, even if the number of detectors is large, the number of classifications does not become excessive, and failure detection accuracy can be improved. There was sex. However, in this technique, even if the main component score greatly deviates from the reference, it cannot be immediately determined whether the cause of the deviation is due to an abnormality or failure of the device or a change in the operating state. For this reason, the final determination requires a new analysis of the operation data of each detector, and there has been a problem that failure detection cannot always be performed efficiently.
  • the present invention has been made to solve the above-described problems, and an object of the present invention is to create an effective classification for failure detection using the main components.
  • An operation state classification device includes a principal component calculation unit that calculates principal components of a plurality of sensor data collected from a device, and a failure determination unit that calculates a physical quantity used for failure determination based on the plurality of sensor data.
  • Driving state classification that creates a classification for each driving state of sensor data collected from equipment using the physical quantity calculation unit, the principal component calculated by the principal component calculation unit, and the physical quantity calculated by the failure determination physical quantity calculation unit Part.
  • the operation state classification device of the present invention creates a classification for each operation state of sensor data using a principal component of a plurality of sensor data and a physical quantity used for failure determination calculated based on the sensor data. . That is, according to the operation state classification apparatus of the present invention, it is possible to create a classification of operation states effective for failure detection using the main components.
  • Embodiment 1 it is a figure explaining the sensor data which a stable state extraction part extracts.
  • Embodiment 1 it is a figure which shows the example of the characteristic distribution characteristic of the measured value which the sensor installed in the air conditioner measures.
  • the operation state classification sensor item selection unit determines the sensor data shaping weight of each sensor item, and uses the sensor data shaping weight as the sensor data of the corresponding sensor item. It is a flowchart explaining the operation
  • 9A, 9B, and 9C are diagrams illustrating each step of FIG. 8 in the first embodiment.
  • Embodiment 1 it is a flowchart explaining the operation
  • FIG. 11A, FIG. 11B, FIG. 11C, and FIG. 11D are diagrams illustrating an operation in which the operation state classification unit divides the physical quantity for failure determination in the first exemplary embodiment.
  • 6 is a diagram illustrating an example of data stored in a data classification parameter storage unit in the first embodiment.
  • FIGS. 13A and 13B are diagrams illustrating an example of sensor data as a sample stored in the post-classification sensor data storage DB in the first exemplary embodiment.
  • Embodiment 1 It is a flowchart explaining the operation
  • Embodiment 1 it is a figure which shows the structure in which a driving
  • Embodiment 1 it is a figure which shows the structure in which a driving
  • FIGS. 18A and 18B are diagrams showing an example of the hardware configuration of the operating state classification device according to Embodiment 1 of the present invention. It is a block diagram of the driving
  • category apparatus which concerns on Embodiment 2 of this invention.
  • FIG. 1 is a configuration diagram of a sensor data classification system that causes the operation state classification apparatus 1 according to the first embodiment of the present invention to classify sensor data collected from monitoring targets in a facility according to the operation state.
  • the sensor data classification system includes a monitoring target 3, a data collection / storage device 2, and an operation state classification device 1.
  • the monitoring target 3 is, for example, equipment such as an air conditioner, an elevator, or a plant device.
  • the monitoring target 3 may be configured by connecting one or more devices such as all air conditioning units in a building, for example.
  • the monitoring target 3 and the data collection / storage device 2 are connected by a sensor network 4, and the data collection / storage device 2 uses the sensor network 4 to collect a set of measurement values output from various sensors installed in the devices of the monitoring target 3. To collect and accumulate continuously or intermittently.
  • a set as instantaneous values of measured values collected from a plurality of various sensors installed in the device to be monitored 3 is referred to as sensor data.
  • the data collection unit (not shown) of the data collection and storage device 2 collects a set of measurement values as sensor data from various sensors installed in the device to be monitored 3, and the sensor data is collected along with the collection date and time.
  • Data is stored in a data storage DB (database) 21.
  • the data collection and storage device 2 has a device information DB 22 that stores device information of the monitoring target 3.
  • the sensor data storage DB 21 and device information DB 22 will be described later.
  • the driving state classification device 1 is based on the plurality of sensor data stored in the sensor data storage DB 21 by the data collection storage device 2 and the device information stored in the device information DB 22 and is collected from the monitoring target 3.
  • the principal component is calculated for a plurality of sensor data.
  • category apparatus 1 classify
  • the monitoring target 3 and the data collection and storage device 2 are connected by the sensor network 4, but the present invention is not limited to this.
  • the monitoring target 3 and the data collection / storage device 2 may be directly connected without being connected to the sensor network 4.
  • category apparatus 1 shall classify
  • FIG. 2 is a configuration diagram of the operating state classification apparatus 1 according to Embodiment 1 of the present invention.
  • the driving state classification apparatus 1 includes a failure determination physical quantity calculation unit 11, a driving state classification sensor item selection unit 12, a principal component calculation unit 13, a driving state classification unit 14, and a post-classification A sensor data storage DB 15, a stable state extraction unit 16, and a data classification parameter storage unit 17 are provided.
  • the failure determination physical quantity calculation unit 11 refers to the sensor data storage DB 21 and the device information DB 22 of the data collection storage device 2 for each sample extracted by the stable state extraction unit 16, and selects a sensor item to be used for failure determination. Then, extraction or calculation of a physical quantity used for failure determination is performed.
  • the stable state extraction unit 16 will be described later. Note that an item to be subjected to failure determination, such as “filter clogging”, is set in advance by the administrator of the monitoring target 3 or the like, and the failure determination physical quantity calculation unit 11 is based on the previously set item. Then, the physical quantity used for failure determination is extracted or calculated.
  • the physical quantity used for failure determination is “the physical quantity of the sensor item most correlated with the failure to be determined” or “a plurality of sensor data such as the refrigerant amount”. Two types of physical quantities “physical quantities obtained from computation” are assumed.
  • the failure determination physical quantity calculation unit 11 may, for example, select the “physical quantity of the sensor item most correlated with the failure to be determined” as the failure determination physical quantity from the sensor data storage DB 21. Sensor data is extracted as a physical quantity for failure determination.
  • the failure determination physical quantity calculation unit 11 uses the sensor data stored in the sensor data storage DB 21 when, for example, the “physical quantity obtained from the calculation of a plurality of sensor data such as the refrigerant amount” is used as the failure determination physical quantity. Based on this, a physical quantity for failure determination is calculated.
  • the calculation of the physical quantity for failure determination includes extraction of the physical quantity for failure determination.
  • FIG. 3 is a diagram illustrating an example of sensor data stored in the sensor data storage DB 21.
  • the sensor data storage DB 21 collects sensor items whose values are to be measured by various sensors installed in the monitoring target 3 and each measurement value measured by the sensor item. It is stored as one record of sensor data for each date and time.
  • data acquired or extracted for creating a classification is particularly referred to as a sample.
  • FIG. 4 is a diagram for explaining an example of specific information stored in the device information DB 22.
  • the device information DB 22 stores device information of the monitoring target 3 and, as shown in FIG. 4, for each device, at least a model, installation environment information, and failure related information necessary for calculating a physical quantity for failure determination. And the contents of the failure and the information of the sensor item highly correlated with the failure are stored.
  • the above-mentioned “physical quantities of sensor items most correlated with the failure to be determined” and “physical quantities obtained from calculation of a plurality of sensor data such as the refrigerant amount” are measured by sensor items having the highest correlation with the failure that the user wants to detect A value or a physical quantity calculated based on preset information. It is assumed that the user, that is, the supervisor of the monitoring target 3, sets in advance a failure to be detected as appropriate. For example, when the user selects “filter clogging” in the air conditioner as a failure detection target, the failure determination physical quantity calculation unit 11 refers to the device information DB 22 and sets the sensor item having the highest correlation with “filter clogging” as the sensor item. Identify the fan frequency. Then, the failure determination physical quantity calculation unit 11 extracts a measurement value related to the specified fan frequency from the sensor data storage DB 21 as a failure determination physical quantity.
  • the failure determination physical quantity calculation unit 11 is, for example, International Publication No. 2011/2011 as a technique for estimating the amount of refrigerant.
  • the refrigerant quantity is calculated using a known technique as disclosed in No. 048721, and the calculated refrigerant quantity is set as a failure determination physical quantity.
  • coolant of an indoor / outdoor unit is stored changes with models. Therefore, in order to estimate the amount of refrigerant, information on the internal volume of the container is required.
  • the failure determination physical quantity calculation unit 11 acquires installation environment information such as information on the internal volume of the container and the internal volume of the piping from the equipment information DB 22 and calculates the refrigerant quantity.
  • the information shown in FIGS. 3 and 4 is merely an example, and it is only necessary that sensor data collected from various sensors installed in the monitoring target 3 is stored in the sensor data storage DB 21.
  • the device information DB 22 only needs to store information used by the failure determination physical quantity calculation unit 11 to calculate the failure determination physical quantity.
  • the stable state extraction unit 16 acquires a sample of a predetermined period from the sensor data storage DB 21 of the data collection and storage device 2, and extracts a sample in which the device state is stable from the acquired samples. Specifically, the stable state extraction unit 16 acquires a sample of a predetermined period from the sensor data storage DB 21 of the data collection and storage device 2, and among the acquired samples, for example, as described in FIG. For the sensor item representing the operating state of the equipment, only samples that are stable in time series are extracted.
  • the sample in which the state of the device is stable refers to the measurement values in all the sensor data acquired within the predetermined period of the samples of the predetermined period acquired from the sensor data storage DB 21.
  • the stable state extraction unit 16 extracts a sample that falls within the normal range as a sample in which the state of the device is stable.
  • the stable state extraction unit 16 shifts a predetermined period one sample at a time, and extracts a stable sample in the shifted predetermined period.
  • the stable state extraction unit 16 outputs the extracted sample to the operation state classification sensor item selection unit 12 and the failure determination physical quantity calculation unit 11.
  • the operational state classification sensor item selection unit 12 selects a sensor item to be used for calculating the principal component of the sample from the sensor items related to the measurement value included in the sample output by the stable state extraction unit 16, and the selected sensor item Are measured for principal component calculation.
  • the operation state classification sensor item selection unit 12 outputs the shaped sample to the principal component calculation unit 13.
  • the sensor item selection unit 12 for operating state classification is the first time to classify collected samples, that is, a sensor item to be used for principal component calculation of sensor data in units of samples when creating a classification for each operating state, and Then, the sensor data shaping weight information for each sensor item used for the measurement value shaping is stored in the data classification parameter storage unit 17, and thereafter, when the collected samples are classified, the data classification parameter storage is performed. Using the information stored in the unit 17, the measurement value can be shaped.
  • the principal component calculation unit 13 obtains the principal component based on a plurality of samples after shaping output from the operation state classification sensor item selection unit 12, that is, a plurality of sensor data. Further, the principal component calculation unit 13 calculates the value of the principal component of each sample based on the expression representing the obtained principal component. The principal component calculation unit 13 associates the sensor data as the sample output from the driving condition classification sensor item selection unit 12 with the information of the calculated principal component value of each sample, and outputs it to the driving state classification unit 14. To do. In addition, the principal component calculation unit 13 stores the information on the principal component calculation weight used in the expression representing the principal component at the first time of classifying the collected samples, that is, at the time of creating the classification for each operation state, as a data classification parameter storage. When the collected sample or sensor data is classified thereafter, the principal component value is stored using the principal component calculation weight information stored in the data classification parameter storage unit 17. Is calculated.
  • the operation state classification unit 14 uses the failure determination physical quantity for each sample output from the failure determination physical quantity calculation unit 11 and the principal component value of the sensor data as the sample output from the principal component calculation unit 13 to obtain a sample, that is, Create a classification for each operating state of the sensor data. In addition, the operation state classification unit 14 assigns and classifies each sample with an operation state number for each operation state, and classifies sensor data as a sample after classification and a physical quantity for failure determination corresponding to the sample after classification. The data is accumulated in the sensor data accumulation DB 15.
  • the driving state classification unit 14 creates a classification for each driving state at the first time of classifying the collected samples, that is, at the time of creating a classification for each driving state, and sets the value range of the main component in the classification for each driving state as the driving state.
  • the number of the principal component stored in the data classification parameter storage unit 17 is stored in the data classification parameter storage unit 17 and stored in the data classification parameter storage unit 17 when classifying the collected sample or sensor data. Based on the range, sample or sensor data is classified for each operating state.
  • the post-classification sensor data accumulation DB 15 accumulates the sensor data as samples classified by the operation state number for each operation state output from the operation state classification unit 14 and the physical quantity for failure determination corresponding to the sample. .
  • the data classification parameter storage unit 17 calculates the principal component of the sensor data of the sample selected by the operation state classification sensor item selection unit 12 at the first time of classifying the collected samples, that is, when creating the classification for each operation state.
  • the sensor item for use, the sensor data shaping weight for each sensor item used by the driving condition classification sensor item selection unit 12 for shaping the measured value of the sensor item, and the principal component obtained by the principal component calculation unit 13 Information on principal component calculation weights used in the expression is stored.
  • the data classification parameter storage unit 17 stores information on the value range of the main component in each operation state number assigned by the operation state classification unit 14 at the first time of classifying the collected samples.
  • the driving state classification device 1 includes the post-classification sensor data accumulation DB 15 and the data classification parameter storage unit 17.
  • the DB 15 and the data classification parameter storage unit 17 may be provided outside the operation state classification apparatus 1.
  • the operation of the driving state classification device 1 according to the first embodiment of the present invention is large, “the operation for creating the classification for each driving state using the collected samples for the first time” and “after the classification is created, continuously. It is divided into “collected sample or operation to classify sensor data by attaching an operation state number”.
  • the classification for each operation state of the sample is performed using the principal component of the calculated sensor data and the physical quantity used for failure determination. Based on the value range of the principal component of the classification for each operating state in “Operation to classify by adding operating state numbers to samples or sensor data continuously collected after classification creation” The collected samples are classified into the operating state.
  • the operation state classification is created at the time of the first operation, the following description will be made assuming that the created classification is continued to be used.
  • the present invention is not limited to this. If the operating environment of the system changes significantly and it is preferable for monitoring to create a classification of a different operating state, use the sample acquired for a period different from the previous time again.
  • the operation of creating a classification for each state ” may be performed to create a new operating state classification, and the timing for creating the operating state classification can be set as appropriate.
  • FIG. 5 is a flowchart for explaining the operation at the time of the initial operation of the operating state classification device 1 according to Embodiment 1 of the present invention.
  • the stable state extraction unit 16 acquires sensor data of a predetermined period from the sensor data storage DB 21 of the data collection storage device 2 as a sample, and among the acquired samples, a sample whose device state is stable is acquired. Extract as a sample in a stable state (step ST501). For example, it is assumed that the operating state is classified for a sample collected in the summer from an air conditioner, and the data to be classified is a sample for the latest July to September.
  • the stable state extraction unit 16 acquires sensor data for the most recent three months from July to September as a sample from the sensor data storage DB 21, and among the samples for the three months, for example, the temperature of the device such as the outlet temperature. Only the sample in which the measured value of each sensor item representing the driving state is stabilized in time series is extracted as the sample in the stable state (see 601 in FIG. 6).
  • a sample for x minutes is set as one window, and the last sample is set as a determination target sample.
  • a sample in a stable state refers to a sample to be determined when all measured values in the sample are within a predetermined normal range with respect to all samples in one window.
  • a sample to be determined that meets the above condition is extracted as a stable sample.
  • an average value ⁇ ⁇ ° C. of the measurement value for x minutes is a normal value range, and all measurement values for x minutes are within the normal value range.
  • the stable state extraction unit 16 extracts the determination target sample as a stable state sample.
  • the stable state extraction unit 16 determines whether or not the stable state is present on the measurement values of all sensor items included in the sample.
  • the stable state extraction unit 16 determines the sample to be determined as 602 in FIG. Remove as an unstable sample.
  • the stable state extraction unit 16 outputs the extracted sample of the stable state to the operation state classification sensor item selection unit 12. Further, the stable state extraction unit 16 outputs the information on the collection date and time of the extracted sample in the stable state or the extracted sample in the stable state to the failure determination physical quantity calculation unit 11.
  • the failure determination physical quantity calculation unit 11 refers to the sensor data storage DB 21 and the device information DB 22 of the data collection and storage device 2, selects a sensor item used for failure determination, and calculates a failure determination physical quantity (step) ST502). Specifically, here, for example, it is assumed that “filter clogging” of the air conditioner is a detection target of failure, and information as shown in FIG. 4 is stored in the device information DB 22.
  • the failure determination physical quantity calculation unit 11 refers to the device information DB 22 and specifies the fan frequency as a sensor item having the highest correlation with “filter clogging”.
  • the failure determination physical quantity calculation unit 11 extracts, as a failure determination physical quantity, from the sensor data storage DB 21, the measurement value related to the specified fan frequency corresponding to each sample output by the stable state extraction unit 16 in step ST501. To do.
  • the corresponding measurement value may be specified from the collection date information output from the stable state extraction unit 16. Further, since the acquired sample includes a measured value, when the stable state sample is output from the stable state extraction unit 16, the failure determination physical quantity calculation unit 11 relates to the specified fan frequency from the sample. You may make it extract a measured value as a physical quantity for failure determination.
  • the failure determination physical quantity calculation unit 11 outputs the calculated failure determination physical quantity to the operation state classification unit 14.
  • the failure determination physical quantity calculation unit 11 outputs information on the failure determination physical quantity as information associated with the calculated failure determination physical quantity for each sample. Specifically, the sample collection date and time and the physical quantity for failure determination are linked and output. In the first embodiment, the failure determination physical quantity calculation unit 11 directly outputs the information on the failure determination physical quantity to the operation state classification unit 14. However, the present invention is not limited to this, and the failure determination physical quantity The calculation unit 11 stores information on failure determination physical quantities in a failure determination physical quantity storage unit (not shown), and the operation state classification unit 14 refers to the failure determination physical quantity storage unit to classify operation states. You may make it perform. The operation of the driving state classification unit 14 will be described later.
  • the operation state classification sensor item selection unit 12 selects a sensor item to be used for calculation of the principal component of the sample among the sensor items related to the measurement value included in the sample output by the stable state extraction unit 16 in step ST501 (step ST503). ).
  • the sensor item selection unit 12 for driving state classification selects a sensor item to be used when the principal component calculation unit 13 calculates the principal component.
  • the operation state classification sensor item selection unit 12 stores information on the selected sensor item in the data classification parameter storage unit 17. The operation of principal component calculation by the principal component calculation unit 13 will be described later.
  • the sensor item selection unit 12 for driving state classification does not use, for example, sensor items for which only unique values are output for the purpose of principal component calculation in order to improve the speed of principal component calculation.
  • Item For example, sensor items with large variations in measurement values and extremely large variance of sensor data are items that are not used for principal component calculation. Specifically, for example, sensor items that have a variance of 10 times or more the average of the variances of the measurement values of all sensor items are not used. This is because if the measurement value of a sensor item that protrudes and has a large variance is included in the output to the principal component calculation unit 13, that is, the measurement value used for the principal component calculation, the principal component that reflects only the effect of the sensor item is reflected. This is because it may be calculated. For example, in the case of an air conditioner, the electronic expansion valve opening degree of an outdoor unit or an indoor unit may correspond to this item.
  • the sensor item selection unit 12 for driving state classification has an extreme influence on the measurement value among the sensor items related to the measurement value included in the sample output from the stable state extraction unit 16 when calculating the principal component.
  • sensor items that can perform more effective principal component calculation are selected from the viewpoint of classification of operation states.
  • the driving state classification sensor item selection unit 12 adds a principal component calculation target flag and outputs the same to the principal component calculation unit 13 so that the selected sensor item is recognized. Note that this is only an example, and it is recorded in some way that the measured value of the sensor item among the sensor items related to the measured value included in the sample is a sensor item used for calculating the principal component. Just do it.
  • the criteria for determining which sensor items are not used for the principal component calculation are set in advance, and the operation state classification sensor item selection unit 12 is based on the preset criteria.
  • the sensor item may be selected. Not only this but the sensor item selection part 12 for driving
  • operation state classification shapes the sensor data as a sample for principal component calculation by shaping the measured value of the sensor item selected at step ST503 (step ST504). More specifically, the sensor item selection unit 12 for operating state classification uses a weight for sensor data shaping according to the distribution characteristic of the measured value for each sensor item related to the measured value included in the sample input from the stable state extracting unit 16. And the measured value is multiplied by the sensor data shaping weight. And the sensor item selection part 12 for driving
  • category uses the sample containing each measured value which multiplied the weight for sensor data shaping determined for every sensor item about the measured value of each sample as a sample after shaping as a main component Output to the calculation unit 13.
  • the operation state classification sensor item selection unit 12 stores the determined sensor data shaping weight in the data classification parameter storage unit 17 in association with the corresponding sensor item. That is, each sensor item stored in the driving condition classification sensor item selection unit 12 in step ST503 is associated with the sensor data shaping weight stored in the driving condition classification sensor item selection unit 12 in step ST504. And stored in the data classification parameter storage unit 17.
  • FIG. 7 shows an example of characteristic distribution characteristics of measured values measured by sensors installed in an air conditioner.
  • the horizontal axis of 701 to 704 in FIG. 7 is the signal value, that is, the measured value by the sensor, and the vertical axis indicates the probability density.
  • Reference numeral 701 in FIG. 7 denotes a probability density function when the characteristic of the measured value is divided into two layers for a certain sensor item.
  • the control content is determined by the difference between the room temperature and the set temperature.
  • the control content can be roughly divided into two types: “high capacity operation” and “low capacity operation”.
  • there are sensor items whose distributions are clearly divided into two layers of “high capacity driving” and “low capacity driving”.
  • the degree of superheat of the indoor unit shows such characteristics.
  • reference numeral 702 in FIG. 7 denotes a probability density function when the distribution of measured values is divided into two layers for a certain sensor item, but the two distributions overlap.
  • the air conditioner is roughly divided into two types of control contents.
  • 702 in FIG. 7 shows the distribution characteristics when the influence of the control contents appears, but the two types of distributions overlap each other by a certain ratio or more.
  • the compressor discharge temperature, the piping temperature, and the like exhibit such characteristics.
  • reference numeral 703 in FIG. 7 represents a probability density function when the distribution of measured values is a single layer for a certain sensor item.
  • sensor items of the air conditioner there are sensor items whose control contents do not clearly appear as distribution characteristics, such as 701 and 702 in FIG. In this case, although there is a bias in distribution depending on the sensor item, there is a sensor item having a single-layer distribution. In the case of an air conditioner, the condensation temperature shows such characteristics.
  • reference numeral 704 in FIG. 7 represents a probability density function when the distribution of measured values is divided into two or more layers for a certain sensor item. This occurs, for example, when the step size of the value measurable by the sensor is large.
  • the cooling indoor unit capacity indicating the indoor set temperature and the number of indoor units operated exhibits such characteristics.
  • the driving state classification device 1 creates a classification for classifying sensor data including measurement values of multidimensional sensor items for each driving state. As shown in FIG. 7, the measured values of each sensor item have characteristics, and in particular, by using 701, 702, and 704 having characteristics of distribution as input data of the principal component calculation unit 13, a clear operation is achieved. It becomes possible to create a classification of sensor data for each state.
  • the sensor item selection unit 12 for driving state classification regards the measurement value for each sensor item as a mixed Gaussian distribution, and determines the measurement value included in the sensor data as a sample to be output to the principal component calculation unit 13 for each sensor item.
  • the weight according to the distribution characteristic is determined.
  • category shapes sensor data by multiplying the measured value of a pertinent sensor item by the weight for every sensor item according to the said distribution characteristic.
  • FIG. 8 shows an operation in which the operation state classification sensor item selection unit 12 shapes the sensor data of each sample for principal component calculation in step ST504 of FIG. 5, specifically, for sensor data shaping of each sensor item.
  • FIGS. 9A-9C It is a flowchart explaining the operation
  • 9A to 9C are diagrams illustrating each step in FIG.
  • the measured value is assumed to have a characteristic in which the distribution of data is divided into two layers and the two distributions overlap, that is, the characteristic indicated by 702 in FIG. This is illustrated in FIGS. 9A-9C.
  • the operating state classification sensor item selection unit 12 estimates a mixed Gaussian distribution of each measurement value with respect to the number of distributions determined in step ST801 (step ST802). For example, an EM algorithm is used for estimating the mixed Gaussian distribution. (See Figure 9B)
  • the operating state classification sensor item selection unit 12 uses the standard deviation of each distribution calculated in step ST803 to calculate the sensor data shaping weight of each sensor item (step ST804).
  • the process in which the driving condition classification sensor item selection unit 12 calculates the sensor data shaping weight of each sensor item in step ST804 will be described below.
  • the operating state classification sensor item selection unit 12 calculates an average value of the standard deviations ⁇ i of the respective distributions according to the following equation (1).
  • the operation state classification sensor item selection unit 12 calculates the average value of the standard deviation ⁇ i calculated by the above equation (1) as the width (max ( Divide by A I ) ⁇ min (A I )).
  • the division by (max (A I ) ⁇ min (A I )) is a process for normalizing the average value of the standard deviation ⁇ i in order to suppress the difference in weight due to the difference in scale of each sensor item. .
  • the expression for normalization is as shown in the following expression (2).
  • a I Vector of sensor item I
  • the calculation formula is as the following formula (3).
  • ⁇ I Sensor data shaping weight for sensor item I
  • Operating status classification sensor item selecting section 12 the vector A I representing the measured value of each sensor items selected in step ST503 in Figure 5, the sensor data shaping weight alpha I of each sensor item calculated in step ST804, respectively
  • the measurement value is shaped by multiplication, and sensor data as a sample whose measurement value is shaped is output to the principal component calculation unit 13 (step ST805).
  • step ST504 sensor data as a sample whose measurement value is shaped, which is output from the sensor item selection unit 12 for driving state classification, is acquired, and the principal component calculation unit 13 calculates the principal components of the plurality of samples (step). ST505).
  • the principal component calculation unit 13 uses the measurement values of the sensor items for which the principal component calculation target flag is set among the measurement values included in the sample acquired from the sensor item selection unit 12 for driving state classification.
  • the principal component is calculated by obtaining an expression representing the principal component such as the following expression (4).
  • a multivariate analysis method such as singular value decomposition may be used.
  • U ⁇ A + ⁇ B + ⁇ C + (4)
  • U is the main component
  • A, B, C... Are each sensor item included in the sensor data as the sample after shaping output by the operation state classification sensor item selection unit 12 in step ST504.
  • the measured values after shaping, ⁇ , ⁇ , ⁇ ... Are weights for principal component calculation corresponding to each sensor item.
  • the principal component calculation unit 13 calculates a principal component calculation weight in the principal component calculation formula. Then, the principal component calculation unit 13 can calculate the principal component value of each sample or sensor data using an expression representing the principal component for which the principal component calculation weight is determined.
  • the principal component calculation unit 13 multiplies the measured value after shaping of the sensor item on which the principal component calculation target flag is set for each sample by the corresponding principal component calculation weight according to the above equation (4).
  • the principal component value for each sample can be calculated.
  • the principal component calculation unit 13 outputs an expression representing the principal component of the sample calculated in step ST505 to the driving state classification unit 14.
  • the principal component calculation unit 13 associates the principal component value of each sample with the sample output from the driving state classification sensor item selection unit 12 and outputs the sample to the driving state classification unit 14.
  • the principal component calculation unit 13 stores the principal component calculation weights used in the expressions representing the principal components in the data classification parameter storage unit 17 in association with the corresponding sensor items. That is, each sensor item stored by the driving condition classification sensor item selection unit 12 in step ST503, and the sensor data shaping weight stored by the driving condition classification sensor item selection unit 12 in step ST504, In this step ST505, the principal component calculation weight stored by the principal component calculation unit 13 is linked and stored in the data classification parameter storage unit 17.
  • the driving state classification unit 14 calculates the main component of the sample calculated and output by the principal component calculation unit 13 in step ST505, and the physical quantity used by the failure determination physical quantity calculation unit 11 calculated and output in step ST502. That is, a classification for each operation state is created based on the failure determination physical quantity (step ST506).
  • the information used by the driving state classification unit 14 for creating the driving state classification includes the principal component obtained by the principal component calculation unit 13 in step ST505 and the principal component value information of each sample.
  • FIG. 10 is a flowchart illustrating an operation in which the driving state classification unit 14 creates a classification for each driving state in step ST506 of FIG.
  • FIGS. 11A to 11D are diagrams illustrating an operation in which the operation state classification unit 14 divides the physical quantity for failure determination.
  • the operation state classification unit 14 estimates the probability density function of the failure determination physical quantity calculated and output by the failure determination physical quantity calculation unit 11 in step ST502 of FIG. 5 (step ST1001). (See FIG. 11A) Specifically, the operation state classification unit 14 estimates a probability density function for the failure determination physical quantity corresponding to each sample output from the failure determination physical quantity calculation unit 11. In addition, the driving
  • the operation state classification unit 14 calculates the minimum point of the probability density function calculated by the failure determination physical quantity calculation unit 11 in step ST502 of FIG. 5 and estimated in step ST1001 for the output failure determination physical quantity (step ST1002). . (See FIG. 11B) When the failure determination physical quantity calculation unit 11 stores the calculated failure determination physical quantity in the failure determination physical quantity storage unit (not shown) in steps ST1001 and 1002, the operation state classification unit 14 , Referring to the failure determination physical quantity storage unit, extract the failure determination physical quantity that matches the collection date and time of each sample, estimate the probability density function, and minimize the estimated probability density function May be calculated.
  • the driving state classification unit 14 determines whether or not the number of local minimum points calculated in step ST1002 is 1 or more (step ST1003).
  • step ST1003 when the number of local minimum points is 1 or more (in the case of “YES” in step ST1003), the operating state classification unit 14 divides the physical quantity for failure determination using the local minimum point calculated in step ST1002 as a dividing boundary. Then, the division numbers are labeled from the divisions with the small physical quantities for failure determination (step ST1006). (See (1) to (4) in FIG. 11C)
  • step ST1003 when the number of local minimum points is not 1 or more (in the case of “NO” in step ST1003), that is, when there are no local minimum points, the operating state classification unit 14 determines, for example, gap statistics or information amount A method for determining the number of divisions such as a criterion is used to determine the number of divisions (step ST1004), the range of failure determination physical quantities is equally divided by the number of divisions determined in step ST1004, and a failure determination physical quantity is determined. The division number is labeled from the smallest division (step ST1005).
  • the driving state classification unit 14 calculates principal components by using well-known supervised machine learning such as SVM (Support Vector Machine) or naive Bayes classifier using each label given in step ST1006 or step ST1005 as teacher data.
  • the unit 13 creates a classification using the principal components of the sample output in step ST505 of FIG. 5 (step ST1007).
  • the driving state classification unit 14 sets each sample classified as the same cluster by machine learning as the same driving state group, and uses the range of the principal component values of the samples belonging to each driving state group. The main components are classified, and a different operation state number is assigned to each classification.
  • FIG. 12 is a diagram illustrating an example of data stored in the data classification parameter storage unit 17 in the first embodiment.
  • the data classification parameter storage unit 17 stores sensor items used for principal component calculation, sensor data shaping weights and principal component calculation stored in steps ST503 to 505.
  • the information (A) regarding the use weight and the information (B) regarding the main component value ranges of the respective operation state numbers 1, 2, 3,... Stored by the operation state classification unit 14 in step ST1007 are stored.
  • the operating state classification unit 14 assigns and classifies each sample by giving an operating state number based on the principal component value of each sample and the created classification, and gives the operating state number to the sample.
  • the post-classification sensor data storage DB 15 as post-classification sensor data (step ST507).
  • the post-classification sensor data accumulation DB 15 accumulates sensor data as samples output from the operation state classification unit 14.
  • FIG. 13 is a diagram for explaining an example of sensor data as a sample stored in the post-classification sensor data storage DB 15 in the first embodiment.
  • the post-classification sensor data storage DB 15 stores each sample or the measured value of the sensor data together with the data shown in FIG. 13, but the illustration is omitted here.
  • the post-classification sensor data storage DB 15 stores the date / time data of each sample in association with the operation state number assigned in step ST1007 of FIG.
  • the physical quantity for failure determination of each sample is accumulated together.
  • the failure determination physical quantity of each sample is output from the collection date and time of the sample because the failure determination physical quantity calculation unit 11 outputs the sample collection date and time and the failure determination physical quantity in association with each other in step ST502 of FIG. You can specify.
  • FIG. 13A shows an example of the contents of the post-classification sensor data storage DB 15 assuming that there is one failure to be determined, such as filter clogging.
  • the failure determination physical quantity calculation unit 11 calculates a failure determination physical quantity used for each failure determination.
  • the operation state classification unit 14 creates an operation state classification using each failure determination physical quantity, and assigns an operation state number for each failure determination physical quantity to each sample.
  • each sample is stored so that the operation state number corresponding to each failure determination physical quantity can be known.
  • the operating state classification unit 14 defines monitoring group information defining which group of operating state numbers should be monitored for each failure to be determined, that is, a failure determination physical quantity corresponding to the failure to be determined.
  • Monitoring group information defining the operating state to be monitored is stored (step ST508).
  • the driving state classification unit 14 assigns the label assigned to each physical quantity for failure determination divided in step ST1006 or ST1005 of FIG. 10 and the driving state number assigned as the teacher data in step ST1007.
  • the information is stored as the monitoring group information in the operation state classification apparatus 1 or in an external database.
  • the operation state number classified as the teacher data is the label given regarding the fan frequency, which is a physical quantity for failure determination, is monitored, and the operation state number and the failure content to be determined are ⁇ Information indicating “filter clogging” is linked and stored as monitoring group information in the operation state classification device 1 or in an external database.
  • FIG. 14 is a flowchart for explaining the operation of classifying samples continuously collected after the initial operation of the operating state classification apparatus 1 according to Embodiment 1 of the present invention.
  • the operations of step ST1401, step ST1402, and step ST1407 are the same as the operations of step ST501, step ST502, and step ST507 in FIG. 5, respectively, and therefore, redundant description is omitted.
  • FIG. Only the operations in steps ST1403 to ST1406 and step ST1408, which are different from the described “operation for creating a classification for each operation state using the collected samples for the first time”, will be described.
  • the operation state classification sensor item selection unit 12 refers to the data classification parameter storage unit 17 and uses the sensor items stored in the data classification parameter storage unit 17 for calculating the principal component value of the sample. Select the sensor item to be used. That is, the same sensor item as the sensor item selected at the time of the first operation (step ST503 in FIG. 5) is a sensor item used for principal component calculation. At this time, the sensor item selection unit 12 for operating state classification assigns a principal component calculation target flag to the corresponding sensor item.
  • the driving condition classification sensor item selection unit 12 uses the sensor data shaping weight stored in the data classification parameter storage unit 17 to calculate the measurement values of the sensor items selected in step ST1403 as principal components. Format for use. Specifically, the operation state classification sensor item selection unit 12 stores a corresponding sensor data shaping weight for each sensor item related to the measurement value included in the sample input from the stable state extraction unit 16, and stores the data classification parameter. Each measurement value is multiplied by the sensor data shaping weight specified by the unit 17. That is, the sensor data shaping weight calculated at the first operation is used for the sensor data shaping. Then, the sensor item selection unit 12 for driving state classification calculates principal components of each shaped sample obtained by multiplying each measurement value included in the sample by the weight for shaping the sensor data determined for each sensor item. To the unit 13.
  • the principal component calculation unit 13 acquires the shaped sample output from the driving state classification sensor item selection unit 12 in step ST1404, and calculates the principal component value of each sample.
  • the calculation of the principal component value may be performed using the following expression (5) representing the principal component.
  • U ⁇ A ′ + ⁇ B ′ + ⁇ C ′ + (5)
  • U is a principal component
  • a ′, B ′, C ′,... are measured values after shaping included in the shaped sample output by the operating state classification sensor item selection unit 12 in step ST1404.
  • ⁇ , ⁇ , ⁇ ... Are principal component calculation weights corresponding to each sensor item, and are values stored in the data classification parameter storage unit 17 at the first operation.
  • the principal component calculation unit 13 multiplies the measurement value after shaping of the sensor item on which the principal component calculation target flag is set for each sample by a corresponding principal component calculation weight, The principal component value for each sample is calculated.
  • the principal component calculation unit 13 outputs the calculated principal component value of the sample to the driving state classification unit 14.
  • the principal component calculation unit 13 associates the principal component value of each sample with the sample output from the driving state classification sensor item selection unit 12 and outputs the sample to the driving state classification unit 14.
  • the driving state classification unit 14 calculates the principal component value of the sample calculated and output by the principal component calculation unit 13 in step ST1405, and information on the principal component value range stored in the data classification parameter storage unit 17. Based on the above, the samples are classified for each operating state. Specifically, it is determined in which value range the principal component value calculated by the principal component calculation unit in step ST1405 is stored in the data classification parameter storage unit 17 and is determined to include the principal component value. The sample is classified by assigning the operation state number of the specified value range as the operation state number of the sample. And the driving
  • the “collection” is performed for the first time.
  • the principal component value is calculated using the sensor item for principal component calculation, the weight for sensor data shaping, and the weight for principal component calculation used in ⁇ Operation to create classification for each driving state using the sample ''.
  • the samples are classified based on the value range of the principal component stored in the “operation for creating a classification for each operation state using the collected samples”.
  • Step ST1402 is performed on samples that are continuously collected. This is because the failure determination physical quantity is used not for creating a classification for each operation state, but for comparing the failure determination physical quantity with the failure determination physical quantity at the first operation, for example, for use in monitoring the operation state such as failure detection of the monitoring target 3. It is.
  • step ST1408 the manager of the facility such as a building is informed of the operating state such as deterioration or failure of the monitoring target 3 based on the post-classification sensor data stored in the post-classification sensor data storage DB 15 of the driving state classification device 1.
  • Monitor Specifically, an administrator of a facility such as a building designates an arbitrary timing, such as once a month, and specifies an operation state number to be monitored based on the monitoring group information at the arbitrary timing. Then, the sample of the identified operation state number is extracted with reference to the post-classification sensor data storage DB 15 and the monitoring target 3 is monitored.
  • the failure to be determined is “filter clogged”, and the “filter clogged” and the group of the operation state number 18 are associated and stored in the monitoring group information.
  • the content of the post-classification sensor data storage DB 15 stored in the post-classification sensor data storage DB 15 is as shown in FIG. 13A.
  • the administrator or the like extracts samples with the operation state classification number 18 and arranges them in time series. In this case, samples of 2007/7/25 3:50:32, 2007/7/25 3:52:31, 2007/7/25 4:00:29 are extracted. Then, the administrator or the like confirms the extracted physical quantities for failure determination of the three samples.
  • the physical quantities for failure determination are 100 Hz, 102 Hz, and 180 Hz, respectively, and the fan frequency that is the physical quantity for failure determination is clearly a large value at the time of 2007/7/25 4:00:29. . From this, the manager or the like can specify that “filter clogging” has occurred in the monitoring target 3.
  • step ST502 the failure determination physical quantity calculation operation by the failure determination physical quantity calculation unit 11 (step ST502 in FIG. 5 and step ST1402 in FIG. 14) and the principal component by the operation state classification sensor item selection unit 12 are described.
  • step ST502 step After the operation of ST1402
  • step ST503 step ST1403
  • step ST1406 step ST506 in FIG. 5, step in FIG. 14
  • the device information DB 22 includes sensor items having the highest correlation with “filter clogging” as Although only one item of the fan frequency is stored correspondingly, the sensor item having the highest correlation with the failure to be detected is not limited to one.
  • sensor items having the highest correlation with “filter clogging” may be two items of fan frequency and outlet temperature.
  • the failure determination physical quantity calculation unit 11 extracts a measurement value related to the fan frequency and the outlet temperature as a failure determination physical quantity from the sensor data storage DB 21 or the extracted stable state sample, and an operation state classification unit. 14 may calculate a minimum point of a probability density function obtained by integrating the physical quantities for failure determination, and divide the physical quantity for failure determination using the minimum point as a dividing boundary.
  • the driving state classification device 1 includes the stable state extraction unit 16 and the driving state classification sensor item selection unit 12, but the stable state extraction unit 16 and the driving state classification sensor.
  • the item selection unit 12 may not be provided. That is, the principal component calculation unit 13 obtains a sample directly from the sensor data storage DB 21 and calculates a principal component or calculates a principal component value of each sample without performing extraction or shaping of a stable sample.
  • the failure determination physical quantity calculation unit 11 may calculate the failure determination physical quantity using the measurement value included in the sample acquired by the principal component calculation unit 13 as it is (see FIG. 15). ).
  • the principal component calculation unit 13 calculates the principal component of the sample in the stable state extracted by the stable state extraction unit 16, or the principal component of each sample. A value may be calculated (see FIG. 16). Only the samples in the stable state extracted by the stable state extraction unit 16 are subject to the calculation of the principal component or the principal component value of each sample, and the classification of the driving state is created based on the calculated principal component and the like. Thus, it is possible to classify the driving state with higher accuracy than in the case where the stable state extraction unit 16 is not provided.
  • category acquires a sample directly from sensor data accumulation
  • the sensor items used for the principal component calculation are selected and stored, and the failure determination physical quantity calculation unit 11 sets the failure determination physical quantity for each sample acquired by the operation state classification sensor item selection unit 12. It may be calculated or not (see FIG. 17).
  • the sensor item selection unit 12 for driving state classification selects the sensor item to be used for principal component calculation from the sample sensor items acquired from the sensor data storage DB 21, so that the sensor item selection unit 12 for driving state classification is selected. Compared with the case where it is not provided, the principal component calculation can be performed more efficiently, and a more effective classification can be created and the driving state can be classified with higher accuracy.
  • FIGS. 18A and 18B are diagrams showing an example of a hardware configuration of the driving state classification device 1 according to Embodiment 1 of the present invention.
  • each of the failure determination physical quantity calculation unit 11, the operation state classification sensor item selection unit 12, the principal component calculation unit 13, the operation state classification unit 14, and the stable state extraction unit 16 is provided.
  • the function is realized by the processing circuit 1601. That is, the driving state classification device 1 includes a processing circuit 1601 for calculating principal components from samples and classifying driving states.
  • the processing circuit 1601 may be dedicated hardware as illustrated in FIG. 18A or may be a CPU 1604 that executes a program stored in the memory 1603 as illustrated in FIG. 18B.
  • the processing circuit 1601 When the processing circuit 1601 is dedicated hardware, the processing circuit corresponds to, for example, a single circuit, a composite circuit, a programmed processor, a parallel programmed processor, an ASIC, an FPGA, or a combination thereof.
  • each function of the failure determination physical quantity calculation unit 11, the operation state classification sensor item selection unit 12, the principal component calculation unit 13, the operation state classification unit 14, and the stable state extraction unit 16 Is realized by software, firmware, or a combination of software and firmware. That is, the failure determination physical quantity calculation unit 11, the operation state classification sensor item selection unit 12, the principal component calculation unit 13, the operation state classification unit 14, and the stable state extraction unit 16 are stored in the HDD 1602, the memory 1603, and the like. It is realized by a processing circuit such as a CPU 1604 for executing the program and a system LSI.
  • the programs stored in the HDD 1602, the memory 1603, and the like include a failure determination physical quantity calculation unit 11, an operation state classification sensor item selection unit 12, a principal component calculation unit 13, an operation state classification unit 14, and a stable state. It can also be said that the procedure and method of the extraction unit 16 are executed by a computer.
  • the memory 1603 includes, for example, a nonvolatile or volatile semiconductor memory such as a RAM, a ROM, a flash memory, an EPROM, and an EEPROM, a magnetic disk, a flexible disk, an optical disk, a compact disk, a mini disk, and a DVD. Applicable.
  • a part of the functions of the failure determination physical quantity calculation unit 11, the operation state classification sensor item selection unit 12, the principal component calculation unit 13, the operation state classification unit 14, and the stable state extraction unit 16 are dedicated. It may be realized by hardware, and a part may be realized by software or firmware.
  • the failure determination physical quantity calculation unit 11 realizes its function by a processing circuit 1601 as dedicated hardware, and includes an operation state classification sensor item selection unit 12, a principal component calculation unit 13, and an operation state classification unit 14.
  • the function of the stable state extraction unit 16 can be realized by the processing circuit reading and executing the program stored in the memory 1603.
  • the post-classification sensor data storage unit 15 and the data classification parameter storage unit 17 use, for example, an HDD 1602. This is merely an example, and the post-classification sensor data storage unit 15 and the data classification parameter storage unit 17 may be configured by a DVD, a memory 1603, and the like.
  • the classification for each operation state of the sensor data is created using the principal components of the plurality of sensor data and the physical quantity used for the failure determination calculated based on the sensor data. To do. That is, according to the operation state classification apparatus of the present invention, it is possible to create a classification of operation states effective for failure detection using the main components.
  • the operation state classification unit 14 calculates the minimum point of the probability density function for the failure determination physical quantity calculated by the failure determination physical quantity calculation unit 11, divides the physical quantity, and starts from the division with the smaller physical quantity. The labeling is performed, and the classification is created for each driving state using the principal component as the teacher data.
  • category part 14 estimates the probability density distribution of the main component of several sensor data, divides
  • FIG. 19 is a configuration diagram of an operation state classification device 1a according to Embodiment 2 of the present invention.
  • the driving state classification device 1a of the second embodiment is different from the driving state classification device 1 of the first embodiment in that it does not include the failure determination physical quantity calculation unit 11 but includes the failure determination physical quantity dispersion determination unit 18.
  • the operation of the operation state classification unit 14a is different from the operation state classification unit 14 of the first embodiment.
  • the driving state classification unit 14a estimates the probability density distribution for the main component of the sensor data as the sample calculated by the main component calculating unit 13, and assigns the driving state number with the minimum point of the probability density distribution as a boundary line. Then, a classification for each operating state of the sample or sensor data is created. When creating a classification for each driving state using the collected samples, the driving state classification unit 14a associates the value range of the principal component in the classification for each driving state with the driving state number, and stores data classification parameters. Stored in the unit 17. Thereafter, when the collected samples are classified, the samples are classified for each operation state based on the principal component value range stored in the data classification parameter storage unit 17.
  • the failure determination physical quantity dispersion determination unit 18 defines which group of operation state numbers should be monitored for each failure to be determined in the after-classification sensor data classified by the operation state classification unit 14a. That is, monitoring group information that defines an operation state suitable for monitoring the physical quantity for failure determination is stored in the operation state classification apparatus 1a, an external database, or the like.
  • the operation of the driving state classification device 1a according to the second embodiment of the present invention is also large, “the operation for creating the classification for each driving state using the collected samples for the first time” and “after the classification is created, continuously. Collected samples or sensor data is classified into operation states with operation state numbers attached, but after the classification is created, continuously collected samples or sensor data are attached with operation state numbers. Since the operation
  • FIG. 20 is a flowchart for explaining the operation at the time of the first operation of the operating state classification device 1a according to the second embodiment of the present invention.
  • the operations in steps ST2001 to ST2004 in FIG. 20 are the same as the operations in steps ST501 and ST503 to 505 in FIG.
  • the specific operations in steps ST2005 and 2006 are different from those in steps ST506 and 507 in FIG. 5 of the first embodiment.
  • the driving state classification unit 14a estimates a probability density distribution for the principal component calculated by the principal component calculation unit 13, classifies the minimum point of the probability density distribution as a boundary line, and has a different driving state for each classification. Give a number. Thereby, the classification
  • category part 14a is linked
  • FIG. The data contents stored in the data classification parameter storage unit 17 are the same as the contents shown in FIG. 12 in the first embodiment.
  • the failure determination physical quantity dispersion determination unit 18 defines which operation state number of the sensor data after classification should be monitored for each failure to be determined in the after-classification sensor data classified by the operation state classification unit 14a in step ST2005.
  • the monitoring group information that is, the monitoring group information that defines the operation state for monitoring the failure determination physical quantity is stored in the operation state classification apparatus 1a or in an external database or the like (step ST2006).
  • the failure determination physical quantity variance determining unit 18 calculates the variance of the failure determination physical quantity for each sample having the principal component value belonging to each class in each classification created by the operation state classification unit 14a.
  • the operating state number of the relevant operating state and the information indicating the fault to be judged are linked to the monitoring group information as the operating state.
  • the data is stored in the classification apparatus 1a or an external database.
  • the driving state classification unit 14a may create the driving state classification by equally dividing the range of the principal component values for the principal component calculated by the principal component calculation unit 13. .
  • the number of divisions may be, for example, a method in which the operation state classification unit 14 determines the number of divisions in step ST1004 in FIG.
  • the operating state number of the operating state for monitoring the physical quantity for failure determination is determined, and by storing the information of the operating state number, a sample of the operating state suitable for detecting the failure to be determined Alternatively, only sensor data can be extracted.
  • monitoring the physical quantity for failure determination contained in the extracted sample, etc. it is possible to distinguish and grasp whether the change in the physical quantity for failure determination is a change caused by a device failure or a change due to a change in operating state This makes it possible to perform efficient monitoring.
  • the driving state classification device 1a according to the second embodiment may be configured not to include the stable state extraction unit 16 as in the driving state classification device 1 according to the first embodiment. It is good also as a structure which is not provided with the part 12, and it is good also as a structure which is not provided with the stable state extraction part 16 and the sensor item selection part 12 for driving
  • the hardware configuration of the driving state classification device 1a according to the second embodiment is the same as the hardware configuration of the driving state classification device 1 according to the first embodiment described with reference to FIG. Omitted.
  • the functions of the operation state classification unit 14a and the failure determination physical quantity dispersion determination unit 18 are realized by a processing circuit 1601.
  • the driving state classification device 1 is configured as shown in FIG. 2, but the driving state classification device 1 includes a failure determination physical quantity calculation unit 11, a principal component calculation unit 13, and an operation. By providing the state classification unit 14, the effects as described above can be obtained.
  • the driving state classification device 1a is configured as shown in FIG. 19, but the driving state classification device 1a includes the principal component calculation unit 13 and the driving state classification unit 14a. The effects as described above can be obtained.
  • the invention of the present application can be freely combined with each embodiment, modified with any component in each embodiment, or omitted with any component in each embodiment. .
  • the operation state classification device creates a classification for each operation state of sensor data using a principal component of a plurality of sensor data and a physical quantity used for failure determination calculated based on the sensor data. is there. That is, according to the operation state classification device of the present invention, since it is configured so that the operation state classification effective for failure detection can be created using the main components, control of elevators, plant devices, air conditioners, etc.
  • the present invention can be applied to an operation state classification device that creates a classification for each operation state of sensor data acquired from sensors installed in control devices in the system.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

機器から収集される複数のセンサデータの主成分を算出する主成分算出部（１３）と、複数のセンサデータに基づき、故障判定に利用する物理量を算出する故障判定用物理量算出部（１１）と、主成分算出部（１３）が算出した主成分と、故障判定用物理量算出部（１１）が算出した物理量とを用いて、機器から収集されるセンサデータの運転状態ごとの分類を作成する運転状態分類部（１４）とを備えた。

Description

運転状態分類装置
　この発明は、昇降機、プラント装置、空調機などの制御システム内の制御機器に設置されたセンサから取得したセンサデータの運転状態ごとの分類を作成する運転状態分類装置に関するものである。
　昇降機、プラント装置、空調機などの機器では、当該機器に設置されたセンサで取得した計測値をセンサ項目ごとに予め定めた閾値と比較することにより故障を検知する制御技術が知られている。
　しかし、各種機器の中には、設置される環境、機器の機種または使用される状態などによって運転状態が多岐にわたるものがある。その場合、上記制御技術では、特定のセンサ項目の計測値が閾値を超えた場合に、それが機器の故障（異常）によるものなのか、それとも運転状態の変化によるものかを判別することが非常に困難となる。
　これに対し、例えば、特許文献１には、予め定めた運転条件ごとに過去の運転率を記憶しておき、当該運転条件ごとに過去と現在の運転率を比較することで、故障検知を行う技術が開示されている。
　しかしながら、特許文献１に開示されているような技術では、運転条件を機器が設置される建物内の負荷のみによって決定しており、運転条件の分類、すなわち、運転状態の分類が、局所的な状態に依存するため、故障の検知精度が向上できないという課題があった。一方で、運転状態の分類に利用するセンサ項目を多くすると、分類の数が過剰となり、同一の運転状態が発生せず、故障検知が不可能になる。
　この課題に関連して、特許文献２には、プラズマ処理装置などの処理装置において、複数の検出器を用いて検出される検出値を運転データとし、複数の運転データを用いて主成分分析を行い次元圧縮し、算出した運転データの主成分得点を監視し、主成分得点が設定した基準から大きくずれている場合に、処理装置の異常の判定に利用する技術が開示されている。
特開平１０－２３８９２０号公報 特開２００２－２５９８１号公報
　特許文献２に開示されている技術は、主成分分析を利用した次元圧縮を行うため、検出器の数が多くても分類の数が過剰となることはなく、故障の検知精度が向上する可能性はあった。しかしながら、当該技術においては、仮に主成分得点が基準から大きくずれた場合でも、そのずれの要因が機器の異常あるいは故障によるものか運転状態の変化によるものかは、直ちには判定できない。このため、最終的な判定には、各検出器の運転データの分析が改めて必要であり、故障検知を必ずしも効率的にできるものではないという課題があった。
　この発明は上記のような課題を解決するためになされたもので、主成分を利用して、故障検知に有効な分類を作成することを目的とする。
　この発明に係る運転状態分類装置は、機器から収集される複数のセンサデータの主成分を算出する主成分算出部と、複数のセンサデータに基づき、故障判定に利用する物理量を算出する故障判定用物理量算出部と、主成分算出部が算出した主成分と、故障判定用物理量算出部が算出した物理量とを用いて、機器から収集されるセンサデータの運転状態ごとの分類を作成する運転状態分類部とを備えたものである。
　この発明の運転状態分類装置は、複数のセンサデータの主成分と、センサデータに基づき算出された故障判定に利用する物理量とを用いて、センサデータの運転状態ごとの分類を作成するものである。すなわち、この発明の運転状態分類装置によれば、主成分を利用して、故障検知に有効な運転状態の分類を作成することができる。
この発明の実施の形態１の運転状態分類装置に、施設内の監視対象から収集したセンサデータを、運転状態に応じて分類させるセンサデータ分類システムの構成図である。 この発明の実施の形態１に係る運転状態分類装置の構成図である。 センサデータ蓄積ＤＢに蓄積されるセンサデータの一例を説明する図である。 機器情報ＤＢに格納されている具体的な情報の一例を説明する図である。 この発明の実施の形態１に係る運転状態分類装置の、初回稼動時の動作を説明するフローチャートである。 実施の形態１において、安定状態抽出部が抽出するセンサデータを説明する図である。 実施の形態１において、空調機に設置されたセンサが計測する計測値の特徴的な分布特性の例を示す図である。 実施の形態１において、図５のステップＳＴ５０４で運転状態分類用センサ項目選択部が、各センサ項目のセンサデータ整形用重みを決定し、当該センサデータ整形用重みを該当のセンサ項目のセンサデータに乗算することでセンサデータの整形を行う動作を説明するフローチャートである。 図９Ａ，図９Ｂ，図９Ｃは、実施の形態１において、図８の各ステップについて説明する図である。 実施の形態１において、図５のステップＳＴ５０６で、運転状態分類部が、運転状態ごとの分類を作成する動作を説明するフローチャートである。 図１１Ａ，図１１Ｂ，図１１Ｃ，図１１Ｄは、実施の形態１において、運転状態分類部が故障判定用物理量を分割する動作を例示する図である。 実施の形態１において、データ分類用パラメータ記憶部に格納されるデータの一例を説明する図である。 図１３Ａ，図１３Ｂは、実施の形態１において、分類後センサデータ蓄積ＤＢが蓄積するサンプルとしてのセンサデータの一例を説明する図である。 この発明の実施の形態１に係る運転状態分類装置の、初回稼動後、継続的に収集されるサンプルを分類する動作を説明するフローチャートである。 実施の形態１において、運転状態分類装置が、運転状態分類用センサ項目選択部と安定状態抽出部とを備えない構成を示す図である。 実施の形態１において、運転状態分類装置が、運転状態分類用センサ項目選択部を備えない構成を示す図である。 実施の形態１において、運転状態分類装置が、安定状態抽出部を備えない構成を示す図である。 図１８Ａ，図１８Ｂは、この発明の実施の形態１に係る運転状態分類装置のハードウェア構成の一例を示す図である。 この発明の実施の形態２に係る運転状態分類装置の構成図である。 この発明の実施の形態２に係る運転状態分類装置の、初回稼動時の動作を説明するフローチャートである。
　以下、この発明の実施の形態について、図面を参照しながら詳細に説明する。
実施の形態１．
　図１は、この発明の実施の形態１の運転状態分類装置１に、施設内の監視対象から収集したセンサデータを、運転状態に応じて分類させるセンサデータ分類システムの構成図である。
　図１に示すように、センサデータ分類システムは、監視対象３とデータ収集蓄積装置２と、運転状態分類装置１とを備える。
　監視対象３とは、例えば、空調機や昇降機、プラント装置などの機器である。監視対象３は、例えば、ビル内の全空調ユニットなど、一つ以上の機器を連結して構成されているものでも構わない。
　監視対象３とデータ収集蓄積装置２とは、センサネットワーク４で接続され、データ収集蓄積装置２は、監視対象３の機器に設置された各種センサが出力した計測値の集合を、センサネットワーク４を介して、継続的、あるいは、断続的に収集し、蓄積する。なお、ここでは、監視対象３の機器に設置された複数の各種センサから収集した計測値の瞬間値としての集合をセンサデータという。
　具体的には、データ収集蓄積装置２のデータ収集部（図示省略）が、監視対象３の機器に設置した各種センサから計測値の集合をセンサデータとして収集し、当該センサデータを収集日時とともにセンサデータ蓄積ＤＢ（データベース）２１に蓄積させる。
　また、データ収集蓄積装置２は、監視対象３の機器情報を記憶する機器情報ＤＢ２２を有する。センサデータ蓄積ＤＢ２１，機器情報ＤＢ２２については後述する。
　運転状態分類装置１は、データ収集蓄積装置２がセンサデータ蓄積ＤＢ２１に蓄積している複数のセンサデータと、機器情報ＤＢ２２に記憶されている機器情報とに基づき、監視対象３から収集された当該複数のセンサデータに関して主成分を算出する。また、運転状態分類装置１は、算出した主成分を利用して、センサデータを運転状態ごとに分類し、分類後センサデータとして蓄積する。ビル等の施設の管理者等は、運転状態分類装置１で蓄積する分類後センサデータに基づき、監視対象３の劣化、故障等、運転状態の監視を行う。
　また、ここでは、図１に示すように、監視対象３とデータ収集蓄積装置２とは、センサネットワーク４で接続されるものとしたが、これに限らない。監視対象３とデータ収集蓄積装置２とは、センサネットワーク４に接続することなく、直接接続される構成でも構わない。
　また、以下では、運転状態分類装置１は、例えば、空調機に設置した各種センサから収集したセンサデータを利用して、運転状態ごとの分類を行うものとする。すなわち、監視対象３は、空調機であるものとし、以下の説明においては、空調機を、単に機器とする。
　なお、これは一例であり、監視対象３は、空調機に限らず、例えば、昇降機、プラント装置等、施設内の他の制御機器であってもよい。
　図２は、この発明の実施の形態１に係る運転状態分類装置１の構成図である。
　図２に示すように、運転状態分類装置１は、故障判定用物理量算出部１１と、運転状態分類用センサ項目選択部１２と、主成分算出部１３と、運転状態分類部１４と、分類後センサデータ蓄積ＤＢ１５と、安定状態抽出部１６と、データ分類用パラメータ記憶部１７とを備える。
　故障判定用物理量算出部１１は、安定状態抽出部１６が抽出したサンプルそれぞれについて、データ収集蓄積装置２のセンサデータ蓄積ＤＢ２１と機器情報ＤＢ２２とを参照し、故障判定に利用するセンサ項目を選定して、故障判定に利用する物理量の抽出、あるいは、算出を行う。安定状態抽出部１６については後述する。
　なお、監視対象３の管理者等によって、例えば「フィルタ詰まり」等、故障判定を行う対象となる項目は予め設定されており、故障判定用物理量算出部１１は、当該予め設定された項目に基づいて、故障判定に利用する物理量の抽出あるいは算出を行う。
　この実施の形態１では、故障判定に利用する物理量、すなわち、故障判定用物理量とは、「判定したい故障に最も相関のあるセンサ項目の物理量」、あるいは、「冷媒量等、複数のセンサデータの演算から求められる物理量」の２種類の物理量を想定している。
　故障判定用物理量算出部１１は、故障判定する内容に応じて、例えば、「判定したい故障に最も相関のあるセンサ項目の物理量」を故障判定用物理量とする場合は、センサデータ蓄積ＤＢ２１から該当のセンサデータを故障判定用物理量として抽出する。また、故障判定用物理量算出部１１は、例えば、「冷媒量等、複数のセンサデータの演算から求められる物理量」を故障判定用物理量とする場合は、センサデータ蓄積ＤＢ２１に蓄積されたセンサデータに基づき、故障判定用物理量を算出する。
　ここでは、故障判定用物理量の算出とは、故障判定用物理量の抽出も含むものとする。
　ここで、図３は、センサデータ蓄積ＤＢ２１に蓄積されるセンサデータの一例を説明する図である。
　センサデータ蓄積ＤＢ２１には、図３に示すように、監視対象３に設置された各種センサで値を計測する対象となるセンサ項目と、当該センサ項目で計測される各計測値が、収集された日時ごとに１レコードのセンサデータとして蓄積されている。実施の形態１では、このような各センサデータのうち、分類作成のために取得あるいは抽出されたものを特にサンプルともいうものとする。
　また、図４は、機器情報ＤＢ２２に格納されている具体的な情報の一例を説明する図である。
　機器情報ＤＢ２２は、監視対象３の機器情報を記憶しており、図４に示すように、機器ごとに、少なくとも、機種と、設置環境情報と、故障判定用物理量算出に必要となる故障関連情報として故障内容および故障と相関が高いセンサ項目の情報とが、格納されている。
　上述した「判定したい故障に最も相関のあるセンサ項目の物理量」や、冷媒量等、複数のセンサデータの演算から求められる物理量」とは、ユーザが検知したい故障に最も相関の高いセンサ項目の計測値、あるいは、予め設定された情報に基づき算出された物理量を指す。なお、ユーザ、すなわち、監視対象３の監視者は、予め、検知したい故障を適宜設定しておくものとする。
　例えば、ユーザが、空調機の「フィルタ詰まり」を故障の検知対象とした場合、故障判定用物理量算出部１１は、機器情報ＤＢ２２を参照し、「フィルタ詰まり」に最も相関の高いセンサ項目として、ファン周波数を特定する。そして、故障判定用物理量算出部１１は、当該特定したファン周波数に関する計測値を、センサデータ蓄積ＤＢ２１から故障判定用物理量として抽出する。
　また、例えば、ユーザが、「系統内に存在する冷媒量」を故障の検知対象とした場合、故障判定用物理量算出部１１は、冷媒の量を推定する技術として、例えば、国際公開第２０１１／０４８７２１号に開示されているような周知の技術を用いて、冷媒量を算出し、当該算出した冷媒量を故障判定用物理量とする。
　なお、機種によって室内外機の冷媒が格納される容器の内容積が異なる。よって、冷媒量を推定するためには、当該容器の内容積の情報が必要となる。また、冷媒量を算出するためには、室内機と室外機を結ぶ配管の内容積の情報も必要となる。
　故障判定用物理量算出部１１は、これら容器の内容積や配管の内容積の情報といった設置環境情報を、機器情報ＤＢ２２から取得して冷媒量を算出するようにする。
　なお、図３，図４で示した情報は一例にすぎず、センサデータ蓄積ＤＢ２１には、監視対象３に設置された各種センサから収集されたセンサデータが蓄積されるようになっていればよく、機器情報ＤＢ２２には、故障判定用物理量算出部１１が、故障判定用物理量の算出に利用する情報が格納されていればよい。
　安定状態抽出部１６は、データ収集蓄積装置２のセンサデータ蓄積ＤＢ２１から、予め決められた期間のサンプルを取得し、当該取得したサンプルのうち、機器の状態が安定するサンプルを抽出する。具体的には、安定状態抽出部１６は、データ収集蓄積装置２のセンサデータ蓄積ＤＢ２１から、予め決められた期間のサンプルを取得し、当該取得したサンプルのうち、例えば、図３で説明したような、機器の運転状態を表わすセンサ項目について、時系列的に安定するサンプルのみを抽出する。機器の状態が安定するサンプルとは、ここでは、センサデータ蓄積ＤＢ２１から取得した、予め決められた期間のサンプルのうち、所定の期間において、期間内に取得された全センサデータ内の計測値が予め決められた正常範囲内のサンプルをいい、安定状態抽出部１６は、当該正常範囲内におさまっているサンプルを機器の状態が安定するサンプルとして抽出するようにする。安定状態抽出部１６は、１サンプルずつ所定の期間をシフトし、当該シフトした所定の期間において、安定するサンプルを抽出する。
　安定状態抽出部１６は、抽出したサンプルを運転状態分類用センサ項目選択部１２、および、故障判定用物理量算出部１１へ出力する。
　運転状態分類用センサ項目選択部１２は、安定状態抽出部１６が出力したサンプルに含まれる計測値に関するセンサ項目のうち、サンプルの主成分算出に利用するセンサ項目を選定し、当該選定したセンサ項目の計測値を主成分算出用に整形する。運転状態分類用センサ項目選択部１２は、整形後のサンプルを、主成分算出部１３に出力する。
　また、運転状態分類用センサ項目選択部１２は、収集したサンプルを分類する初回、すなわち、運転状態ごとの分類の作成時に、サンプル単位のセンサデータの主成分算出に利用するためのセンサ項目、および、計測値整形に使用したセンサ項目ごとのセンサデータ整形用重みの情報を、データ分類用パラメータ記憶部１７に記憶させておき、以降、収集したサンプルを分類する際には、データ分類用パラメータ記憶部１７に記憶させた情報を用いて、計測値の整形を行うことができる。
　主成分算出部１３は、運転状態分類用センサ項目選択部１２が出力した整形後の複数のサンプル、すなわち、複数のセンサデータに基づき、主成分を求める。また、主成分算出部１３は、求めた主成分をあらわす式に基づき、各サンプルの主成分の値を算出する。主成分算出部１３は、運転状態分類用センサ項目選択部１２から出力されたサンプルとしてのセンサデータと、算出した各サンプルの主成分値の情報とを紐付けて、運転状態分類部１４に出力する。
　また、主成分算出部１３は、収集したサンプルを分類する初回、すなわち、運転状態ごとの分類の作成時に、主成分をあらわす式で用いられる主成分算出用重みの情報を、データ分類用パラメータ記憶部１７に記憶させておき、以降、収集したサンプル、あるいは、センサデータを分類する際には、データ分類用パラメータ記憶部１７に記憶させた主成分算出用重みの情報を用いて、主成分値を算出する。
　運転状態分類部１４は、故障判定用物理量算出部１１が出力したサンプルごとの故障判定用物理量と、主成分算出部１３が出力したサンプルとしてのセンサデータの主成分値を利用し、サンプル、すなわち、センサデータの運転状態ごとの分類を作成する。また、運転状態分類部１４は、各サンプルに運転状態ごとの運転状態番号を付与して分類し、分類後のサンプルとしてのセンサデータと、当該サンプルに対応する故障判定用物理量とを、分類後センサデータ蓄積ＤＢ１５に蓄積させる。
　運転状態分類部１４は、収集したサンプルを分類する初回、すなわち、運転状態ごとの分類の作成時に、運転状態ごとの分類を作成し、当該運転状態ごとの分類における主成分の値域を、運転状態番号と紐付けて、データ分類用パラメータ記憶部１７に記憶させておき、以降、収集したサンプル、あるいは、センサデータを分類する際には、データ分類用パラメータ記憶部１７に記憶させた主成分の値域に基づき、サンプル、あるいは、センサデータを運転状態ごとに分類する。
　分類後センサデータ蓄積ＤＢ１５は、運転状態分類部１４が出力した、運転状態ごとの運転状態番号が付与され分類されたサンプルとしてのセンサデータと、当該サンプルに対応する故障判定用物理量とを蓄積する。
　データ分類用パラメータ記憶部１７は、収集したサンプルを分類する初回、すなわち、運転状態ごとの分類の作成時に、運転状態分類用センサ項目選択部１２が選定したサンプルのセンサデータの主成分の算出に利用するためのセンサ項目と、運転状態分類用センサ項目選択部１２がセンサ項目の計測値の整形に使用したセンサ項目ごとのセンサデータ整形用重みと、主成分算出部１３が求めた主成分を表わす式で用いられる主成分算出用重みに関する情報とを記憶する。また、データ分類用パラメータ記憶部１７は、収集したサンプルを分類する初回に、運転状態分類部１４が付与した各運転状態番号における主成分の値域に関する情報を記憶する。
　なお、ここでは、図２に示すように、運転状態分類装置１が、分類後センサデータ蓄積ＤＢ１５、データ分類用パラメータ記憶部１７を備えるようにしたが、これに限らず、分類後センサデータ蓄積ＤＢ１５、データ分類用パラメータ記憶部１７は、運転状態分類装置１の外部に備えるようにしてもよい。
　動作について説明する。
　この発明の実施の形態１に係る運転状態分類装置１の動作は、大きく、「初回に、収集したサンプルを用いて運転状態ごとの分類を作成する動作」と、「分類作成後、継続的に収集されるサンプル、あるいは、センサデータに運転状態番号を付して分類する動作」に分かれる。
　「初回に、収集したサンプルを用いて運転状態ごとの分類を作成する動作」において、算出したセンサデータの主成分と、故障判定に利用する物理量とを用いて、サンプルの運転状態ごとの分類を作成し、以降、「分類作成後、継続的に収集されるサンプル、あるいは、センサデータに運転状態番号を付して分類する動作」において、作成した運転状態ごとの分類の主成分の値域に基づいて、収集したサンプルを運転状態に分類する。
　なお、ここでは、初回稼動時に一度運転状態の分類を作成すると、以降は、作成された分類を使用し続けるものとして以下説明するが、これに限らず、例えば、季節の変化等により監視対象３の稼動環境が大きく変わり、異なる運転状態の分類を作成したほうが監視上好ましい場合には、再度、前回と異なる期間を対象として取得したサンプルを利用して「初回に、収集したサンプルを用いて運転状態ごとの分類を作成する動作」を行い、新たな運転状態の分類を作成するようにしてもよく、運転状態の分類の作成タイミングについては適宜設定可能である。
　まず、「初回に、収集したサンプルを用いて運転状態ごとの分類を作成する動作」について、図５のフローチャートに沿って説明する。
　図５は、この発明の実施の形態１に係る運転状態分類装置１の、初回稼動時の動作を説明するフローチャートである。
　安定状態抽出部１６は、データ収集蓄積装置２のセンサデータ蓄積ＤＢ２１から、予め決められた期間のセンサデータをサンプルとして取得し、当該取得したサンプルのうち、機器の状態が安定しているサンプルを安定状態のサンプルとして抽出する（ステップＳＴ５０１）。例えば、空調機から夏に収集されたサンプルについて運転状態を分類するものとし、分類するデータは直近の７月～９月のサンプルを対象とするものとする。安定状態抽出部１６は、直近の７月～９月の３か月間のセンサデータをサンプルとしてセンサデータ蓄積ＤＢ２１から取得し、当該３か月間のサンプルのうち、例えば、吹き出し口温度など、機器の運転状態を表わす各センサ項目の計測値が時系列的に安定するサンプルのみを安定状態のサンプルとして抽出する（図６の６０１参照）。
　具体的には、ｘ分間のサンプルを１ウィンドウとし、その最後のサンプルを判定対象のサンプルとする。安定状態のサンプルとは、１ウィンドウ内の全サンプルについて、当該サンプル内の全計測値が予め決められた正常範囲内である場合の判定対象のサンプルをいい、安定状態抽出部１６は、当該条件に合う判定対象のサンプルを安定状態のサンプルとして抽出するようにする。
　図６の６０１に示すように、例えば、あるセンサ項目の計測値について、ｘ分間の当該計測値の平均値±η℃を正常値域とし、ｘ分間の全計測値が正常値域の範囲内である場合、安定状態抽出部１６は、判定対象のサンプルを安定状態のサンプルとして抽出する。
　安定状態抽出部１６は、この安定状態であるか否かの判定を、サンプルに含まれる全センサ項目の計測値を対象に行う。
　逆に、１ウィンドウ中の全サンプルに含まれる計測値のうち、１つの計測値でも正常値域から外れた場合は、安定状態抽出部１６は、図６の６０２のように、判定対象のサンプルを不安定なサンプルとして除去する。
　安定状態抽出部１６は、抽出した安定状態のサンプルを運転状態分類用センサ項目選択部１２へ出力する。また、安定状態抽出部１６は、抽出した安定状態のサンプルの収集日時の情報、または、抽出した安定状態のサンプルを、故障判定用物理量算出部１１へ出力する。
　故障判定用物理量算出部１１は、データ収集蓄積装置２のセンサデータ蓄積ＤＢ２１と機器情報ＤＢ２２とを参照し、故障判定に利用するセンサ項目を選定して、故障判定用物理量の算出を行う（ステップＳＴ５０２）。
　具体的には、ここでは、例えば、空調機の「フィルタ詰まり」が故障の検知対象とされており、機器情報ＤＢ２２には図４に示したような情報が格納されているとする。故障判定用物理量算出部１１は、機器情報ＤＢ２２を参照し、「フィルタ詰まり」に最も相関の高いセンサ項目として、ファン周波数を特定する。そして、故障判定用物理量算出部１１は、ステップＳＴ５０１で安定状態抽出部１６が出力したサンプルそれぞれについて対応する、当該特定したファン周波数に関する計測値を、センサデータ蓄積ＤＢ２１から、故障判定用物理量として抽出する。なお、対応する計測値は、安定状態抽出部１６から出力された収集日時の情報から特定すればよい。また、取得されたサンプルには計測値を含むので、安定状態抽出部１６から安定状態のサンプルが出力された場合には、故障判定用物理量算出部１１は、当該サンプルから、特定したファン周波数に関する計測値を、故障判定用物理量として抽出するようにしてもよい。
　故障判定用物理量算出部１１は、算出した故障判定用物理量を、運転状態分類部１４に出力する。このとき、故障判定用物理量算出部１１は、サンプルごとに、算出した故障判定用物理量が対応付けられた情報として、故障判定用物理量の情報を出力する。具体的には、サンプルの収集日時と故障判定用物理量とを紐付けて出力する。なお、この実施の形態１では、故障判定用物理量算出部１１は、故障判定用物理量の情報を、直接、運転状態分類部１４に出力するようにしたが、これに限らず、故障判定用物理量算出部１１は、故障判定用物理量の情報を、図示しない故障判定用物理量記憶部に記憶させるようにし、運転状態分類部１４は、故障判定用物理量記憶部を参照して、運転状態の分類を行うようにしてもよい。運転状態分類部１４の動作については後述する。
　運転状態分類用センサ項目選択部１２は、ステップＳＴ５０１で安定状態抽出部１６が出力したサンプルに含まれる計測値に関するセンサ項目のうち、サンプルの主成分算出に利用するセンサ項目を選定する（ステップＳＴ５０３）。
　このステップＳＴ５０３で、運転状態分類用センサ項目選択部１２は、この後、主成分算出部１３が主成分の算出を行う際に利用するセンサ項目を選定する。この時、運転状態分類用センサ項目選択部１２は、選定したセンサ項目の情報を、データ分類用パラメータ記憶部１７に記憶させておく。主成分算出部１３による主成分算出の動作については後述する。
　ステップＳＴ５０３において、運転状態分類用センサ項目選択部１２は、具体的には、例えば、主成分算出の速度向上のため、一意の値のみ出力されるようなセンサ項目は主成分算出には利用しない項目とする。また、例えば、計測値の変動が大きく、極端にセンサデータの分散が大きいセンサ項目は、主成分算出には利用しない項目とする。具体的には、例えば、全センサ項目の計測値の分散の平均の１０倍以上の分散となるセンサ項目は利用しない。
　これは、突出して分散が大きいセンサ項目の計測値を主成分算出部１３への出力、すなわち、主成分算出に利用する計測値に含めると、そのセンサ項目の影響のみが反映された主成分が算出される可能性があるためである。例えば、空調機の場合、室外機、室内機の電子膨張弁開度がこの項目に該当する場合がある。
　このように、運転状態分類用センサ項目選択部１２は、安定状態抽出部１６が出力したサンプルに含まれる計測値に関するセンサ項目のうち、その計測値が主成分算出の際に極端な影響を与えるものとならない、すなわち、運転状態の分類の観点から、より有効な主成分算出が行えるセンサ項目を選定する。
　この時、運転状態分類用センサ項目選択部１２は、選定されたセンサ項目であることがわかるように、例えば、主成分算出対象フラグを付与して主成分算出部１３に出力するようにする。なお、これは一例にすぎず、サンプルに含まれる計測値に関するセンサ項目のうち、そのセンサ項目の計測値が主成分算出を行うために利用されるセンサ項目であることが何らかの方法で記録されていればよい。
　また、どのセンサ項目を主成分算出には利用しない項目とするかの基準については、予め設定されているものとし、運転状態分類用センサ項目選択部１２は、当該予め設定された基準に基づいてセンサ項目の選定を行うようにすればよい。これに限らず、運転状態分類用センサ項目選択部１２が、主成分の算出に極端な影響を与えることのないセンサ項目を選定できるようになっていればよい。
　運転状態分類用センサ項目選択部１２は、ステップＳＴ５０３で選定したセンサ項目の計測値を整形することで、サンプルとしてのセンサデータを主成分算出用に整形する（ステップＳＴ５０４）。具体的には、運転状態分類用センサ項目選択部１２は、安定状態抽出部１６から入力されたサンプルに含まれる計測値に関するセンサ項目ごとに、計測値の分布特性に応じてセンサデータ整形用重みを決定し、当該センサデータ整形用重みを各、計測値に乗算する。そして、運転状態分類用センサ項目選択部１２は、サンプルそれぞれの計測値について、センサ項目ごとに決定したセンサデータ整形用重みを乗算した各計測値を含むサンプルを、整形後のサンプルとして、主成分算出部１３へ出力する。この時、運転状態分類用センサ項目選択部１２は、決定したセンサデータ整形用重みを、該当するセンサ項目と紐付けてデータ分類用パラメータ記憶部１７に記憶しておく。すなわち、ステップＳＴ５０３で運転状態分類用センサ項目選択部１２が記憶させておいた各センサ項目と、このステップＳＴ５０４で運転状態分類用センサ項目選択部１２が記憶させるセンサデータ整形用重みとが紐付けられて、データ分類用パラメータ記憶部１７に記憶されることになる。
　ここで、ステップＳＴ５０４の処理について、詳細に説明する。
　まず、図７は、空調機に設置されたセンサが計測する計測値の特徴的な分布特性の例を示している。図７の７０１～７０４の横軸は信号値、すなわち、センサによる計測値であり、縦軸は確率密度を示している。
　図７の７０１は、あるセンサ項目について、計測値の特性が２層に分かれる場合の確率密度関数である。
　空調機では、室内温度と設定温度の差分で制御内容が決定するが、制御内容は、例えば、大きく分けると、「高能力で運転」、「低能力で運転」の２種類である。この場合、図７の７０１のように、明確に「高能力で運転」と「低能力で運転」の２層に分布が分かれるセンサ項目が存在する。
　空調機の場合、室内機過熱度などがこのような特徴を示す。
　一方、図７の７０２は、あるセンサ項目について、計測値の分布が２層に分かれるが、２つの分布が重複する場合の確率密度関数である。
　空調機は、上述したとおり、大きく分けて２種類の制御内容がある。図７の７０２では、制御内容の影響が現れているが、２種類の分布が一定の割合以上重複している場合の分布特性を示している。
　空調機の場合、圧縮機吐出温度、配管温度などがこのような特徴を示す。
　また、図７の７０３は、あるセンサ項目について、計測値の分布が単層となる場合の確率密度関数である。
　空調機のセンサ項目の中には、制御内容が図７の７０１、７０２のように、分布特性として明確に現れないセンサ項目も存在する。この場合、センサ項目によって分布に偏りがあるものの、単層の分布となるセンサ項目が存在する。
　空調機の場合、凝縮温度などがこのような特徴を示す。
　さらに、図７の７０４は、あるセンサ項目について、計測値の分布が２つ以上の層に分かれる場合の確率密度関数である。
　これは、例えば、センサで計測可能な値の刻み幅が大きい場合などに発生する。
　空調機の場合、室内の設定温度や室内機の運転台数を示す冷房室内機容量がこのような特徴を示す。
　この実施の形態１の運転状態分類装置１は、多次元のセンサ項目の計測値を含むセンサデータを運転状態ごとに分類するための分類を作成するものである。図７に示したように、各センサ項目の計測値にはそれぞれ特徴があり、特に分布に特性のある７０１、７０２、７０４を主成分算出部１３の入力データとして利用することにより、明確な運転状態ごとのセンサデータの分類を作成することが可能となる。
　そこで、運転状態分類用センサ項目選択部１２は、各センサ項目について、計測値を混合ガウス分布とみなし、主成分算出部１３へ出力するサンプルとしてのセンサデータに含まれる計測値について、センサ項目ごとに分布特性に応じた重みを決定する。そして、運転状態分類用センサ項目選択部１２は、当該分布特性に応じたセンサ項目ごとの重みを、該当のセンサ項目の計測値に乗算することで、センサデータの整形を行う。
　図８は、図５のステップＳＴ５０４で、運転状態分類用センサ項目選択部１２が、各サンプルのセンサデータを主成分算出用に整形する動作、具体的には、各センサ項目のセンサデータ整形用重みを決定し、当該センサデータ整形用重みを該当のセンサ項目のセンサデータに乗算することでセンサデータの整形を行う動作を説明するフローチャートである。
　図９Ａ～図９Ｃは、図８の各ステップについて説明する図である。なお、ここでは、あるセンサ項目について、計測値は、データの分布が２層に分かれ、２つの分布が重複する特徴をもつもの、すなわち、図７の７０２に示した特徴をもつものであるとして図９Ａ～図９Ｃに図示している。
　まず、運転状態分類用センサ項目選択部１２は、安定状態抽出部１６から入力された全てのサンプルに含まれる計測値に関する同一のセンサ項目について、混合する計測値の分布の数を決定する（ステップＳＴ８０１）。具体的には、運転状態分類用センサ項目選択部１２は、安定状態抽出部１６から入力された全てのサンプルの同一のセンサ項目の各計測値について、例えば、ギャップ統計量、情報量規準などの周知の手法を利用し、計測値の分布について混合する分布の数ｋを決定する。（図９Ａ参照）
　例えば、図９Ａの例でいうと、計測値は２つの分布が重複しているので、分布の数ｋ＝２となる。
　運転状態分類用センサ項目選択部１２は、ステップＳＴ８０１で決定した分布の数に対し、各計測値の混合ガウス分布を推定する（ステップＳＴ８０２）。なお、混合ガウス分布の推定には、例えば、ＥＭアルゴリズムを利用する。（図９Ｂ参照）
　運転状態分類用センサ項目選択部１２は、ステップＳＴ８０２で推定した各計測値の混合ガウス分布の標準偏差を算出する（ステップＳＴ８０３）。計測値の分布が複数となる混合ガウス分布の場合、運転状態分類用センサ項目選択部１２は、各分布について標準偏差σｉ（ｉ＝１，２，・・・，ｋ）を算出する。（図９Ｃ参照）
　運転状態分類用センサ項目選択部１２は、ステップＳＴ８０３で算出した各分布の標準偏差を利用し、各センサ項目のセンサデータ整形用重みを算出する（ステップＳＴ８０４）。
　ステップＳＴ８０４において、運転状態分類用センサ項目選択部１２が各センサ項目のセンサデータ整形用重みを算出する過程を以下に説明する。
　まず、運転状態分類用センサ項目選択部１２は、以下の式（１）により、各分布の標準偏差σｉの平均値を算出する。
Figure JPOXMLDOC01-appb-I000001
　ｋ：センサ項目Ｉの計測値で混合する分布の数
　ｉ：センサ項目Ｉの計測値で混合する分布のインデックス
　σｉ：分布ｉの標準偏差
　Ｉ：センサ項目のインデックス

　ただし、各センサ項目ごとにスケールが異なるため、運転状態分類用センサ項目選択部１２は、上記式（１）で算出した標準偏差σｉの平均値を、計測値のベクトルＡの幅（ｍａｘ（ＡＩ）－ｍｉｎ（ＡＩ））で除算する。当該（ｍａｘ（ＡＩ）－ｍｉｎ（ＡＩ））による除算は、各センサ項目のスケールの違いによる重みの差異を抑制するため、標準偏差σｉの平均値を正規化するための処理である。
　この正規化するための式は、以下の式（２）のとおりとなる。
Figure JPOXMLDOC01-appb-I000002
　ＡＩ：センサ項目Ｉのベクトル

　そして、運転状態分類用センサ項目選択部１２は、正規化後の標準偏差σｉの平均値の逆数を、当該各センサ項目Ｉ（Ｉ＝１，２，・・・，ｋ（ｋ：主成分算出部１３に出力するセンサ項目数））のセンサデータ整形用重みαＩとする。算出式は以下の式（３）のとおりである。
Figure JPOXMLDOC01-appb-I000003
　αＩ：センサ項目Ｉのセンサデータ整形用重み
　上記式（３）のとおり各センサ項目のセンサデータ整形用重みを決定することにより、図７の７０１，７０２，７０４のような分布の中でも、特に、各混合分布の標準偏差が小さい、すなわち、運転状態ごとに明確に分布特性の異なるセンサ項目の重みを大きく設定することが可能となる。本方式により、分布特性を考慮した主成分を算出可能となり、効率的に運転状態を分類することが可能となる。
　運転状態分類用センサ項目選択部１２は、図５のステップＳＴ５０３で選定した各センサ項目の計測値を表わすベクトルＡＩに、ステップＳＴ８０４で算出した各センサ項目のセンサデータ整形用重みαＩをそれぞれ乗算して計測値を整形し、計測値が整形されたサンプルとしてのセンサデータを、主成分算出部１３に出力する（ステップＳＴ８０５）。
　図５のフローチャートに戻る。
　ステップＳＴ５０４において運転状態分類用センサ項目選択部１２が出力した、計測値が整形されたサンプルとしてのセンサデータを取得し、主成分算出部１３は、複数の当該サンプルの主成分を算出する（ステップＳＴ５０５）。具体的には、主成分算出部１３は、運転状態分類用センサ項目選択部１２から取得したサンプルに含まれる計測値のうち、主成分算出対象フラグの立っているセンサ項目の計測値を用いて、以下の式（４）のような主成分を表わす式を求めることで、主成分を算出する。主成分を表わす式を求めるには、例えば、特異値分解などの多変量解析手法を利用すればよい。

　Ｕ＝αＡ＋βＢ＋γＣ＋・・・・　　　・・・（４）

　式（４）において、Ｕは主成分、Ａ，Ｂ，Ｃ・・・はステップＳＴ５０４で運転状態分類用センサ項目選択部１２が出力した整形後のサンプルとしてのセンサデータに含まれる各センサ項目の整形後の計測値であり、α，β，γ・・・はそれぞれ、各センサ項目に対応する主成分算出用重みである。主成分算出部１３は、主成分算出式における主成分算出用重みを計算する。
　そして、主成分算出部１３は、当該主成分算出用重みが決められた主成分を表わす式を用いて、各サンプル、あるいは、センサデータの主成分値を算出することができる。
　すなわち、主成分算出部１３は、上記式（４）に従い、各サンプルについて、主成分算出対象フラグの立っているセンサ項目の整形後の計測値に、それぞれに対応する主成分算出用重みを乗算し、サンプルごとの主成分値を算出することができる。
　主成分算出部１３は、このステップＳＴ５０５で算出したサンプルの主成分を表わす式を、運転状態分類部１４に出力する。このとき、主成分算出部１３は、運転状態分類用センサ項目選択部１２から出力されたサンプルに、各サンプルの主成分値を紐付けて、運転状態分類部１４に出力する。
　また、主成分算出部１３は、主成分を表わす式で用いられる主成分算出用重みを、該当するセンサ項目と紐付けてデータ分類用パラメータ記憶部１７に記憶しておく。すなわち、ステップＳＴ５０３で運転状態分類用センサ項目選択部１２が記憶させておいた各センサ項目と、ステップＳＴ５０４で運転状態分類用センサ項目選択部１２が記憶させておいたセンサデータ整形用重みと、このステップＳＴ５０５において主成分算出部１３が記憶させる主成分算出用重みとが紐付けられて、データ分類用パラメータ記憶部１７に記憶されることになる。
　運転状態分類部１４は、ステップＳＴ５０５で主成分算出部１３が算出し、出力したサンプルの主成分と、ステップＳＴ５０２で故障判定用物理量算出部１１が算出し、出力した故障判定に利用する物理量、すなわち、故障判定用物理量とに基づき、運転状態ごとの分類を作成する（ステップＳＴ５０６）。なお、運転状態分類部１４が運転状態の分類の作成に用いる情報には、ステップＳＴ５０５で主成分算出部１３が求めた主成分、および、各サンプルの主成分値の情報が含まれる。
　ここで、ステップＳＴ５０６の処理について、詳細に説明する。
　図１０は、図５のステップＳＴ５０６で、運転状態分類部１４が、運転状態ごとの分類を作成する動作を説明するフローチャートである。
　図１１Ａ～図１１Ｄは、運転状態分類部１４が故障判定用物理量を分割する動作を例示する図である。
　運転状態分類部１４は、図５のステップＳＴ５０２で故障判定用物理量算出部１１が算出し、出力した故障判定用物理量の確率密度関数を推定する（ステップＳＴ１００１）。（図１１Ａ参照）
　具体的には、運転状態分類部１４は、故障判定用物理量算出部１１が出力した、各サンプルにそれぞれ対応する故障判定用物理量について、確率密度関数を推定する。なお、運転状態分類部１４は、確率密度関数の推定には、例えば、ＥＭアルゴリズムを利用する。
　運転状態分類部１４は、図５のステップＳＴ５０２で故障判定用物理量算出部１１が算出し、出力した故障判定用物理量に対しステップＳＴ１００１で推定した確率密度関数の極小点を算出する（ステップＳＴ１００２）。（図１１Ｂ参照）
　なお、ステップＳＴ１００１，１００２について、故障判定用物理量算出部１１が、故障判定用物理量記憶部（図示しない）に、算出した故障判定用物理量を記憶させている場合には、運転状態分類部１４は、故障判定用物理量記憶部を参照して、該当の、すなわち、各サンプルの収集日時とマッチする故障判定用物理量を抽出して、確率密度関数を推定し、当該推定した確率密度関数の極小点を算出するようにすればよい。
　運転状態分類部１４は、ステップＳＴ１００２で算出した極小点の数が、１以上であるかどうかを判定する（ステップＳＴ１００３）。
　ステップＳＴ１００３において、極小点の数が１以上の場合（ステップＳＴ１００３の“ＹＥＳ”の場合）、運転状態分類部１４は、ステップＳＴ１００２で算出した極小点を分割の境界線として故障判定用物理量を分割して、故障判定用物理量の小さい分割から分割の番号をラベル付けする（ステップＳＴ１００６）。（図１１Ｃの（１）～（４）を参照）
　ステップＳＴ１００３において、極小点の数が１以上ではなかった場合（ステップＳＴ１００３の“ＮＯ”の場合）、すなわち、極小点が存在しない場合、運転状態分類部１４は、例えば、ギャップ統計量や情報量規準など、分割数を決定する手法を利用して分割数を決定し（ステップＳＴ１００４）、ステップＳＴ１００４で決定した分割数で、故障判定用物理量の値の範囲を等分割して、故障判定用物理量の小さい分割から分割の番号をラベル付けする（ステップＳＴ１００５）。例えば、ステップＳＴ１００４において、分割数＝４と決定したとすると、運転状態分類部１４は、ステップＳＴ１００５において、故障判定用物理量の値の範囲を４つに等分割し、分割の番号をラベル付けする。（図１１Ｄの（１）～（４）を参照）
　運転状態分類部１４は、ステップＳＴ１００６、あるいは、ステップＳＴ１００５で付与した各ラベルを教師データとして、ＳＶＭ（Ｓｕｐｐｏｒｔ　Ｖｅｃｔｏｒ　Ｍａｃｈｉｎｅ）や単純ベイズ分類器などの周知の教師付き機械学習を利用し、主成分算出部１３が図５のステップＳＴ５０５で出力したサンプルの主成分を用いた分類を作成する（ステップＳＴ１００７）。具体的には、運転状態分類部１４は、機械学習によって同一のクラスタとして分類された各サンプルを、同一の運転状態のグループとし、各運転状態のグループに属するサンプルの主成分値の範囲を用いて主成分を分類し、それぞれの分類に対し、異なる運転状態番号を付与する。これにより、サンプルとしてのセンサデータの主成分と故障判定用物理量を用いて、主成分の値域と関係づけられた運転状態ごとの分類が作成されることになる。
　この時、運転状態分類部１４は、各運転状態番号における主成分の値域を、運転状態番号と紐付けて、データ分類用パラメータ記憶部１７に記憶させておく。
　ここで、図１２は、実施の形態１において、データ分類用パラメータ記憶部１７に格納されるデータの一例を説明する図である。
　図１２に示すように、データ分類用パラメータ記憶部１７には、上記ステップＳＴ５０３～５０５で記憶された、主成分算出に利用するセンサ項目と、当該センサ項目のセンサデータ整形用重みおよび主成分算出用重みに関する情報（Ａ）と、上記ステップＳＴ１００７において運転状態分類部１４が記憶させる各運転状態番号１，２，３・・・の主成分の値域に関する情報（Ｂ）とが記憶される。
　図５のフローチャートに戻る。
　運転状態分類部１４は、さらに、図１０のステップＳＴ１００７において、各サンプルの主成分値と作成された分類に基づき、各サンプルに運転状態番号を付与して分類し、運転状態番号を付与したサンプルを分類後センサデータとして、分類後センサデータ蓄積ＤＢ１５に蓄積させる（ステップＳＴ５０７）。分類後センサデータ蓄積ＤＢ１５は、運転状態分類部１４から出力されたサンプルとしてのセンサデータを蓄積する。
　図１３は、実施の形態１において、分類後センサデータ蓄積ＤＢ１５が蓄積するサンプルとしてのセンサデータの一例を説明する図である。分類後センサデータ蓄積ＤＢ１５には、図１３に示したデータとともに、各サンプル、あるいは、センサデータの計測値が、あわせて蓄積されているが、ここでは図示を省略している。
　図１３Ａに示すように、分類後センサデータ蓄積ＤＢ１５は、各サンプルの日時データと、図１０のステップＳＴ１００７において付与した運転状態番号とを紐付けて蓄積する。また、各サンプルの故障判定用物理量をあわせて蓄積する。各サンプルの故障判定用物理量は、図５のステップＳＴ５０２において故障判定用物理量算出部１１が、サンプルの収集日時と故障判定用物理量とを紐付けて出力しているので、当該サンプルの収集日時から、特定すればよい。
　なお、図１３Ａは、例えば、フィルタ詰まりのように、判定したい故障が１つの場合を想定した分類後センサデータ蓄積ＤＢ１５の内容の一例を示している。
　例えば、フィルタ詰まりと冷媒量というように、判定したい故障が複数ある場合は、ステップＳＴ５０２において、故障判定用物理量算出部１１は、それぞれの故障の判定に利用する故障判定用物理量を算出する。そして、運転状態分類部１４は、ステップＳＴ５０６において、それぞれの故障判定用物理量を用いて、運転状態の分類を作成するとともに、各サンプルについて、故障判定用物理量ごとの運転状態番号を付与する。分類後センサデータ蓄積ＤＢ１５には、図１３Ｂに示すように、それぞれの故障判定用物理量に対応する運転状態番号がわかるように、各サンプルが蓄積される。
　図５のフローチャートに戻る。
　運転状態分類部１４は、判定したい故障それぞれについて、どの運転状態番号のグループの分類後センサデータを監視すればよいかを定義した監視用グループ情報、すなわち、判定したい故障に対応する故障判定用物理量を監視すべき運転状態を定義した監視用グループ情報を記憶させる（ステップＳＴ５０８）。
　具体的には、運転状態分類部１４は、図１０のステップＳＴ１００６あるいはステップＳＴ１００５において分割した故障判定用物理量ごとに付与したラベルと、ステップＳＴ１００７において当該ラベルを教師データとして付与された運転状態番号を、判定したい故障の情報と紐付けて、監視用グループ情報として、運転状態分類装置１の内部、あるいは、外部のデータベース等に記憶させる。
　例えば、フィルタ詰まりを検知したい場合、故障判定用物理量であるファン周波数に関して付与されたラベルを教師データとして分類された運転状態番号を、監視対象とし、当該運転状態番号と、判定したい故障内容が「フィルタ詰まり」であることを示す情報とを紐付けて、監視用グループ情報として、運転状態分類装置１の内部、あるいは、外部のデータベース等に、記憶させる。
　次に、「分類作成後、継続的に収集されるサンプル、あるいは、センサデータに運転状態番号を付して分類する動作」について、図１４のフローチャートに沿って説明する。
　図１４は、この発明の実施の形態１に係る運転状態分類装置１の、初回稼動後、継続的に収集されるサンプルを分類する動作を説明するフローチャートである。
　図１４において、ステップＳＴ１４０１、ステップＳＴ１４０２、ステップＳＴ１４０７の動作は、それぞれ、図５のステップＳＴ５０１、ステップＳＴ５０２、ステップＳＴ５０７の動作と同様であるため、重複した説明を省略し、ここでは、図５で説明した「初回に、収集したサンプルを用いて運転状態ごとの分類を作成する動作」とは異なる、ステップＳＴ１４０３～ステップＳＴ１４０６、ステップＳＴ１４０８の動作についてのみ説明する。
　ステップＳＴ１４０３において、運転状態分類用センサ項目選択部１２は、データ分類用パラメータ記憶部１７を参照し、データ分類用パラメータ記憶部１７に記憶されているセンサ項目を、サンプルの主成分値算出に利用するセンサ項目として選定する。すなわち、初回稼動時に選定しておいた（図５のステップＳＴ５０３）センサ項目と同じセンサ項目が、主成分算出に利用するセンサ項目となる。このとき、運転状態分類用センサ項目選択部１２は、該当のセンサ項目に主成分算出対象フラグを付与しておく。
　ステップＳＴ１４０４において、運転状態分類用センサ項目選択部１２は、データ分類用パラメータ記憶部１７に記憶されているセンサデータ整形用重みを用いて、ステップＳＴ１４０３で選定したセンサ項目の計測値を主成分算出用に整形する。具体的には、運転状態分類用センサ項目選択部１２は、安定状態抽出部１６から入力されたサンプルに含まれる計測値に関するセンサ項目ごとに、対応するセンサデータ整形用重みをデータ分類用パラメータ記憶部１７から特定し、当該センサデータ整形用重みを各計測値に乗算する。すなわち、初回稼動時に算出したセンサデータ整形用重みが、センサデータ整形に利用される。
　そして、運転状態分類用センサ項目選択部１２は、サンプルに含まれるそれぞれの計測値について、センサ項目ごとに決定したセンサデータ整形用重みを乗算して得られた整形後の各サンプルを主成分算出部１３へ出力する。
　ステップＳＴ１４０５において、主成分算出部１３は、ステップＳＴ１４０４において運転状態分類用センサ項目選択部１２が出力した、整形後のサンプルを取得し、各サンプルの主成分値を算出する。
　主成分値の算出は、以下の主成分を表わす式（５）を用いて行えばよい。

　Ｕ＝αＡ’＋βＢ’＋γＣ’＋・・・・　　　・・・（５）

　式（５）において、Ｕは主成分、Ａ’，Ｂ’，Ｃ’・・・はステップＳＴ１４０４で運転状態分類用センサ項目選択部１２が出力した整形後のサンプルに含まれる整形後の計測値であり、α，β，γ・・・はそれぞれ、各センサ項目に対応する主成分算出用重みであって、初回稼動時にデータ分類用パラメータ記憶部１７に記憶しておいた値である。
　主成分算出部１３は、上記式（５）に従い、各サンプルについて、主成分算出対象フラグの立っているセンサ項目の整形後の計測値に、それぞれに対応する主成分算出用重みを乗算し、サンプルごとの主成分値を算出する。
　主成分算出部１３は、算出したサンプルの主成分値を、運転状態分類部１４に出力する。このとき、主成分算出部１３は、運転状態分類用センサ項目選択部１２から出力されたサンプルに、各サンプルの主成分値を紐付けて、運転状態分類部１４に出力する。
　ステップＳＴ１４０６において、運転状態分類部１４は、ステップＳＴ１４０５で主成分算出部１３が算出し、出力したサンプルの主成分値と、データ分類用パラメータ記憶部１７に記憶されている主成分の値域の情報とに基づき、運転状態ごとにサンプルを分類する。具体的には、ステップＳＴ１４０５で主成分算出部が算出した主成分値が、データ分類用パラメータ記憶部１７に記憶されているどの値域に含まれるかを判断し、主成分値が含まれると判断された値域の運転状態番号を、サンプルの運転状態番号として付与することにより、サンプルを分類する。
　そして、運転状態分類部１４は、運転状態番号を付与したサンプルとしてのセンサデータを分類後センサデータとして、サンプルごとに分類後センサデータ蓄積ＤＢ１５に蓄積させる（ステップＳＴ１４０７）。
　一度収集したサンプルを用いて運転状態ごとの分類を作成し、当該サンプルを分類した後、継続的に収集されるサンプルに対してその都度、主成分算出に利用するセンサ項目の選定、センサデータ整形用重みの算出、主成分算出用重みの変更等を行っていては、運転状態分類が毎回変化してしまうという問題が発生する。また、運転状態分類には故障判定用物理量を利用しているため、故障が発生した場合、故障を示す当該故障判定用物理量が分類の作成に利用されてしまうという問題が発生する。故障時の故障判定用物理量が運転状態の分類に利用されてしまうと、例えば、本来同じ運転状態の分類に分類されるはずのサンプルが異なる運転状態に分類されてしまうような状態が生じ得るため、本発明の本来の目的である、同一運転状態で故障判定用物理量の比較を行うということが不可能となってしまう。
　このため、図１３を用いて説明したように、「分類作成後、継続的に収集されるサンプル、あるいは、センサデータに運転状態番号を付して分類する動作」においては、「初回に、収集したサンプルを用いて運転状態ごとの分類を作成する動作」において使用した主成分算出用のセンサ項目、センサデータ整形用重み、主成分算出用重みを用いて主成分値の算出を行い、「初回に、収集したサンプルを用いて運転状態ごとの分類を作成する動作」において記憶しておいた主成分の値域に基づき、サンプルの分類を行うようにする。
　なお、「分類作成後、継続的に収集されるサンプル、あるいは、センサデータに運転状態番号を付して分類する動作」において、故障判定に利用するセンサ項目の選定、物理量の算出動作（図１４のステップＳＴ１４０２）については、継続的に収集されるサンプルに対して行う。これは、故障判定用物理量を、運転状態ごとの分類の作成のためではなく、例えば、初回稼動時の故障判定用物理量と比較し、監視対象３の故障検出等の運転状態の監視に役立てるためである。
　ステップＳＴ１４０８において、ビル等の施設の管理者等は、運転状態分類装置１の分類後センサデータ蓄積ＤＢ１５で蓄積している分類後センサデータに基づき、監視対象３の劣化や故障等、運転状態の監視を行う。具体的には、ビル等の施設の管理者等は、月に一回等、任意のタイミングを指定し、当該任意のタイミングになると、監視用グループ情報に基づき、監視する運転状態番号を特定し、当該特定した運転状態番号のサンプルを、分類後センサデータ蓄積ＤＢ１５を参照して抽出し、監視対象３の監視を行う。
　例えば、判定したい故障を「フィルタ詰まり」とし、監視用グループ情報には、当該「フィルタ詰まり」と運転状態番号１８のグループとが紐付けられて記憶されているとする。また、分類後センサデータ蓄積ＤＢ１５に蓄積されている分類後センサデータ蓄積ＤＢ１５の内容が図１３Ａに示すような内容であったとする。管理者等は、運転状態分類番号が１８のサンプルを抽出して時系列にならべる。この場合、２００７／７／２５　３：５０：３２、２００７／７／２５　３：５２：３１、２００７／７／２５　４：００：２９のサンプルが抽出されることになる。
　そして、管理者等は、抽出された３サンプルの故障判定用物理量を確認する。この場合、故障判定用物理量は、それぞれ、１００Ｈｚ、１０２Ｈｚ、１８０Ｈｚとなっており、２００７／７／２５　４：００：２９時点に故障判定用物理量であるファン周波数が明らかに大きな値となっている。管理者等は、このことから、監視対象３に「フィルタ詰まり」が生じていることを特定できる。
　以上説明したように、主成分と故障判定用物理量を用いて、センサデータの運転状態ごとの分類を作成することにより、同一運転状態の分類における故障判定用物理量の分散を抑えた、故障検知に有効な運転状態の分類を作成できる。
　すなわち、この分類に基づいて、サンプル、あるいは、センサデータを分類しておけば、判定したい故障の検出に適した運転状態のサンプル、あるいは、センサデータのみを抽出できる。そして、当該抽出したサンプル等に含まれる故障判定用物理量を監視することで、故障判定用物理量の変化が機器の故障に起因する変化なのか、運転状態の変化による変化であるのかを区別して把握することが可能となり、効率的な監視を行うことができる。
　なお、以上の説明では、故障判定用物理量算出部１１による故障判定用物理量の算出の動作（図５のステップＳＴ５０２、図１４のステップＳＴ１４０２）と、運転状態分類用センサ項目選択部１２による主成分算出用センサ項目選定、センサデータの整形の動作（図５のステップＳＴ５０３，５０４、図１４のステップＳＴ１４０３，１４０４）は、並行で行われるように説明したが、これに限らず、ステップＳＴ５０２（ステップＳＴ１４０２）の動作を行ったあと、ステップＳＴ５０３（ステップＳＴ１４０３）の動作を行うようにしてもよく、運転状態分類部１４によって運転状態分類が行われる際に（図５のステップＳＴ５０６、図１４のステップＳＴ１４０６）、故障判定用物理量の算出と、センサデータの整形が終わっていればよい。
　また、この実施の形態１では、一例として、ユーザが、空調機の「フィルタ詰まり」を故障の検知対象とした場合、機器情報ＤＢ２２には、「フィルタ詰まり」に最も相関の高いセンサ項目として、ファン周波数という１項目のみが対応して記憶されているものとしたが、検知対象としたい故障に最も相関の高いセンサ項目は１つに限らない。例えば、「フィルタ詰まり」に最も相関の高いセンサ項目は、ファン周波数と、吹き出し口温度の２項目としてもよい。この場合、故障判定用物理量算出部１１は、ファン周波数と吹き出し口温度に関する計測値を、センサデータ蓄積ＤＢ２１、あるいは、抽出された安定状態のサンプルから故障判定用物理量として抽出し、運転状態分類部１４は、それぞれの故障判定用物理量を統合した確率密度関数の極小点の算出を行い、当該極小点を分割の境界線として故障判定用の物理量を分割するようにすればよい。
　また、この実施の形態１では、運転状態分類装置１は、安定状態抽出部１６と運転状態分類用センサ項目選択部１２とを備えるものとしたが、安定状態抽出部１６と運転状態分類用センサ項目選択部１２とを備えないようにしてもよい。すなわち、主成分算出部１３は、センサデータ蓄積ＤＢ２１から直接サンプルを取得し、安定状態のサンプルの抽出および整形等のいずれも行うことなく、主成分の算出、あるいは、各サンプルの主成分値の算出を行うようにし、故障判定用物理量算出部１１は、主成分算出部１３が取得したサンプルに含まれる計測値をそのまま用いて、故障判定用物理量を算出するようにしてもよい（図１５参照）。
　また、運転状態分類用センサ項目選択部１２のみ備えない構成とし、主成分算出部１３が、安定状態抽出部１６が抽出した、安定状態のサンプルの主成分の算出、あるいは、各サンプルの主成分値の算出を行うようにしてもよい（図１６参照）。
　安定状態抽出部１６により抽出された、安定状態のサンプルのみを主成分の算出、あるいは、各サンプルの主成分値の算出の対象とし、当該算出した主成分等に基づき運転状態の分類を作成することで、安定状態抽出部１６を備えない場合よりも、より高精度に運転状態を分類可能となる。
　また、安定状態抽出部１６のみ備えない構成とし、運転状態分類用センサ項目選択部１２は、センサデータ蓄積ＤＢ２１から直接サンプルを取得し、センサデータ蓄積ＤＢ２１に蓄積されているサンプルのセンサ項目のうち、主成分算出に利用するセンサ項目を選定して記憶しておくようにし、故障判定用物理量算出部１１は、運転状態分類用センサ項目選択部１２が取得したサンプルについて、それぞれ故障判定用物理量を算出するようにしてもするようにしてもよい（図１７参照）。
　運転状態分類用センサ項目選択部１２は、センサデータ蓄積ＤＢ２１から取得したサンプルのセンサ項目のうち、主成分算出に利用するセンサ項目の選定を行うことで、運転状態分類用センサ項目選択部１２を備えない場合よりも、より効率的な主成分算出が行えるようになり、より有効な分類を作成し、より高精度に運転状態を分類することも可能となる。
　図１８Ａ，図１８Ｂは、この発明の実施の形態１に係る運転状態分類装置１のハードウェア構成の一例を示す図である。
　この発明の実施の形態１において、故障判定用物理量算出部１１と、運転状態分類用センサ項目選択部１２と、主成分算出部１３と、運転状態分類部１４と、安定状態抽出部１６の各機能は、処理回路１６０１により実現される。すなわち、運転状態分類装置１は、サンプルから主成分を算出し、運転状態の分類を行うための処理回路１６０１を備える。
処理回路１６０１は、図１８Ａに示すように専用のハードウェアであっても、図１８Ｂに示すようにメモリ１６０３に格納されるプログラムを実行するＣＰＵ１６０４であってもよい。
　処理回路１６０１が専用のハードウェアである場合、処理回路は、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ、ＦＰＧＡ、またはこれらを組み合わせたものが該当する。
　処理回路１６０１がＣＰＵ１６０４の場合、故障判定用物理量算出部１１と、運転状態分類用センサ項目選択部１２と、主成分算出部１３と、運転状態分類部１４と、安定状態抽出部１６の各機能は、ソフトウェア、ファームウェア、または、ソフトウェアとファームウェとの組み合わせにより実現される。すなわち、故障判定用物理量算出部１１と、運転状態分類用センサ項目選択部１２と、主成分算出部１３と、運転状態分類部１４と、安定状態抽出部１６は、ＨＤＤ１６０２、メモリ１６０３等に記憶されたプログラムを実行するＣＰＵ１６０４、システムＬＳＩ等の処理回路により実現される。また、ＨＤＤ１６０２、メモリ１６０３等に記憶されたプログラムは、故障判定用物理量算出部１１と、運転状態分類用センサ項目選択部１２と、主成分算出部１３と、運転状態分類部１４と、安定状態抽出部１６の手順や方法をコンピュータに実行させるものであるとも言える。ここで、メモリ１６０３とは、例えば、ＲＡＭ、ＲＯＭ、フラッシュメモリ、ＥＰＲＯＭ、ＥＥＰＲＯＭ等の、不揮発性または揮発性の半導体メモリや、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ミニディスク、ＤＶＤ等が該当する。
　なお、故障判定用物理量算出部１１と、運転状態分類用センサ項目選択部１２と、主成分算出部１３と、運転状態分類部１４と、安定状態抽出部１６の各機能について、一部を専用のハードウェアで実現し、一部をソフトウェアまたはファームウェアで実現するようにしてもよい。例えば、故障判定用物理量算出部１１については専用のハードウェアとしての処理回路１６０１でその機能を実現し、運転状態分類用センサ項目選択部１２と、主成分算出部１３と、運転状態分類部１４と、安定状態抽出部１６については処理回路がメモリ１６０３に格納されたプログラムを読み出して実行することによってその機能を実現することが可能である。
　分類後センサデータ蓄積部１５と、データ分類用パラメータ記憶部１７は、例えば、ＨＤＤ１６０２を使用する。なお、これは一例にすぎず、分類後センサデータ蓄積部１５とデータ分類用パラメータ記憶部１７は、ＤＶＤ、メモリ１６０３等によって構成されるものであってもよい。
　以上のように、実施の形態１によれば、複数のセンサデータの主成分と、センサデータに基づき算出された故障判定に利用する物理量とを用いて、センサデータの運転状態ごとの分類を作成するものである。すなわち、この発明の運転状態分類装置によれば、主成分を利用して、故障検知に有効な運転状態の分類を作成することができる。
実施の形態２．
　実施の形態１では、運転状態分類部１４は、故障判定用物理量算出部１１が算出した故障判定用物理量に対し、確率密度関数の極小点を算出して物理量を分割し、物理量の小さい分割からラベル付けをして、当該ラベルを教師データとして、主成分を用いて、運転状態ごとの分類を作成するようにしていた。
　この実施の形態２では、運転状態分類部１４は、複数のセンサデータの主成分の確率密度分布を推定して、当該確率密度分布を分割し、運転状態番号を付与してセンサデータの運転状態ごとの分類を作成する実施の形態について説明する。
　図１９は、この発明の実施の形態２に係る運転状態分類装置１ａの構成図である。
　運転状態分類装置１ａについて、図２を用いて説明した実施の形態１の運転状態分類装置１と同様の構成については、同じ符号を付して重複した説明を省略する。
　実施の形態２の運転状態分類装置１ａは、実施の形態１の運転状態分類装置１とは、故障判定用物理量算出部１１を備えず、故障判定用物理量分散判定部１８を備える点が異なる。また、運転状態分類部１４ａの動作が、実施の形態１の運転状態分類部１４とは異なる。
　運転状態分類部１４ａは、主成分算出部１３が算出したサンプルとしてのセンサデータの主成分について、確率密度分布を推定し、当該確率密度分布の極小点を境界線として、運転状態番号を付与して、サンプル、あるいは、センサデータの運転状態ごとの分類を作成する。
　運転状態分類部１４ａは、収集したサンプルを用いて運転状態ごとの分類を作成する際に、当該運転状態ごとの分類における主成分の値域を、運転状態番号と紐付けて、データ分類用パラメータ記憶部１７に記憶させておく。以降、収集したサンプルを分類する際には、データ分類用パラメータ記憶部１７に記憶させた主成分の値域に基づき、サンプルを運転状態ごとに分類する。
　故障判定用物理量分散判定部１８は、運転状態分類部１４ａが分類した分類後センサデータにおいて、判定したい故障それぞれについて、どの運転状態番号のグループの分類後センサデータを監視すればよいかを定義した、すなわち、故障判定用物理量を監視するのに適した運転状態を定義した監視用グループ情報を、運転状態分類装置１ａの内部、あるいは、外部のデータベース等に、記憶させる。
　この発明の実施の形態２に係る運転状態分類装置１ａの動作も、大きく、「初回に、収集したサンプルを用いて運転状態ごとの分類を作成する動作」と、「分類作成後、継続的に収集されるサンプル、あるいは、センサデータに運転状態番号を付して分類する動作」に分かれるが、「分類作成後、継続的に収集されるサンプル、あるいは、センサデータに運転状態番号を付して分類する動作」については、図１４を用いて説明した、実施の形態１に係る運転状態分類装置１の動作と同様であるので重複した説明を省略し、実施の形態１に係る運転状態分類装置１とは異なる、「初回に、収集したサンプルを用いて運転状態ごとの分類を作成する動作」について、図２０のフローチャートに沿って説明する。
　図２０は、この発明の実施の形態２に係る運転状態分類装置１ａの、初回稼動時の動作を説明するフローチャートである。
　図２０のステップＳＴ２００１～ステップＳＴ２００４の動作は、実施の形態１の図５のステップＳＴ５０１，ステップＳＴ５０３～５０５の動作と同様であるため、重複した説明を省略する。
　この実施の形態２においては、ステップＳＴ２００５，２００６の具体的な動作が、実施の形態１の図５のステップＳＴ５０６，５０７とは異なる。
　ステップＳＴ２００５において、運転状態分類部１４ａは、主成分算出部１３が算出した主成分について、確率密度分布を推定し、当該確率密度分布の極小点を境界線として分類し、各分類に異なる運転状態番号を付与する。これにより、運転状態ごとの分類が作成される。
　また、運転状態分類部１４ａは、各サンプルを分類し、当該各サンプルの分類後センサデータを、分類後センサデータ蓄積ＤＢ１５に記憶させる。
　具体的には、運転状態分類部１４ａは、推定した確率密度分布の極小点を境界線として、主成分を分類し、各分類にそれぞれ異なる運転状態分類番号を付与する。
　そして、運転状態分類部１４ａは、各運転状態番号における主成分の値域を、運転状態番号と紐付けて、データ分類用パラメータ記憶部１７に記憶させておく。
　なお、データ分類用パラメータ記憶部１７に格納されるデータ内容は、実施の形態１において、図１２で一例を示した内容と同様である。
　故障判定用物理量分散判定部１８は、ステップＳＴ２００５において運転状態分類部１４ａが分類した分類後センサデータにおいて、判定したい故障それぞれについて、どの運転状態番号の分類後センサデータを監視すればよいかを定義した監視用グループ情報、すなわち、故障判定用物理量を監視する運転状態を定義した監視用グループ情報を、運転状態分類装置１ａの内部、あるいは、外部のデータベース等に、記憶させる（ステップＳＴ２００６）。
　具体的には、故障判定用物理量分散判定部１８は、運転状態分類部１４ａが作成した各分類において、各分類に属する主成分値を有するサンプルについて故障判定用物理量の分散をそれぞれ算出し、故障判定用物理量の分散が小さい分類を、故障判定用物理量を監視する運転状態であるとして、当該運転状態の運転状態番号、判定したい故障を示す情報と紐付けて、監視用グループ情報として、運転状態分類装置１ａの内部、あるいは、外部のデータベース等に記憶させる。
　なお、例えば、ステップＳＴ２００５において、運転状態分類部１４ａは、主成分算出部１３が算出した主成分について、主成分の値の範囲を等分割することにより、運転状態の分類を作成してもよい。分割数は、例えば、ギャップ等計量や、情報量規準など、実施の形態１において、運転状態分類部１４が、図１０のステップＳＴ１００４において分割数を決定する手法を利用するようにすればよい。
　以上のように、この実施の形態２においても、主成分を利用して、運転状態の分類を作成することができる。また、作成した分類において、故障判定用物理量を監視する運転状態の運転状態番号を決定し、当該運転状態番号の情報を記憶しておくことで、判定したい故障の検出に適した運転状態のサンプル、あるいは、センサデータのみを抽出できる。そして、当該抽出したサンプル等に含まれる故障判定用物理量を監視することで、故障判定用物理量の変化が機器の故障に起因する変化なのか、運転状態の変化による変化であるのかを区別して把握することが可能となり、効率的な監視を行うことができる。
　なお、実施の形態２に係る運転状態分類装置１ａについても、実施の形態１に係る運転状態分類装置１同様、安定状態抽出部１６を備えない構成としてもよいし、運転状態分類用センサ項目選択部１２を備えない構成としてもよいし、安定状態抽出部１６および運転状態分類用センサ項目選択部１２を備えない構成としてもよい。
　実施の形態２に係る運転状態分類装置１ａのハードウェア構成は、図１８を用いて説明した、実施の形態１に係る運転状態分類装置１のハードウェア構成と同様であるため、詳細な説明を省略する。
　運転状態分類部１４ａと故障判定用物理量分散判定部１８の各機能は、処理回路１６０１により実現される。
　なお、実施の形態１において、運転状態分類装置１は、図２で示すような構成としたが、運転状態分類装置１は、故障判定用物理量算出部１１と、主成分算出部１３と、運転状態分類部１４とを備えることにより、上述したような効果が得られるものである。
　また、実施の形態２において、運転状態分類装置１ａは、図１９で示すような構成としたが、運転状態分類装置１ａは、主成分算出部１３と、運転状態分類部１４ａとを備えることにより、上述したような効果が得られるものである。
　また、本願発明はその発明の範囲内において、各実施の形態の自由な組み合わせ、あるいは各実施の形態の任意の構成要素の変形、もしくは各実施の形態において任意の構成要素の省略が可能である。
　この発明に係る運転状態分類装置は、複数のセンサデータの主成分と、センサデータに基づき算出された故障判定に利用する物理量とを用いて、センサデータの運転状態ごとの分類を作成するものである。すなわち、この発明の運転状態分類装置によれば、主成分を利用して、故障検知に有効な運転状態の分類を作成することができるように構成したため、昇降機、プラント装置、空調機などの制御システム内の制御機器に設置されたセンサから取得したセンサデータの運転状態ごとの分類を作成する運転状態分類装置等に適用することができる。
　１　運転状態分類装置、２　データ収集蓄積装置、３　監視対象、４　センサネットワーク、１１　故障判定用物理量算出部、１２　運転状態分類用センサ項目選択部、１３　主成分算出部、１４，１４ａ　運転状態分類部、１５　分類後センサデータ蓄積ＤＢ、１６　安定状態抽出部、１７　データ分類用パラメータ記憶部、１８　故障判定用物理量分散判定部、２１　センサデータ蓄積ＤＢ、２２　機器情報ＤＢ、１６０１　処理回路、１６０２　ＨＤＤ、１６０３　メモリ、１６０４　ＣＰＵ。

Claims (9)

  1. 　機器から収集される複数のセンサデータの主成分を算出する主成分算出部と、
    　前記複数のセンサデータに基づき、故障判定に利用する物理量を算出する故障判定用物理量算出部と、
    　前記主成分算出部が算出した前記主成分と、前記故障判定用物理量算出部が算出した前記物理量とを用いて、前記機器から収集されるセンサデータの運転状態ごとの分類を作成する運転状態分類部
    　とを備えた運転状態分類装置。
  2. 　前記運転状態分類部は、前記故障判定用物理量算出部が算出した前記物理量の確率密度関数に基づき当該物理量を分割してラベル付けし、当該ラベルを教師データとして前記主成分算出部が算出した前記主成分をグループ分けすることで、前記機器から収集されるセンサデータの運転状態ごとの分類を作成する
    　ことを特徴とする請求項１記載の運転状態分類装置。
  3. 　前記主成分算出部は、前記主成分に基づき、前記機器から収集されるセンサデータの主成分値を算出し、
    　前記運転状態分類部は、前記運転状態ごとの分類を作成する際に分類ごとの主成分の値域を記憶させておき、分類作成後は、前記主成分算出部が算出した前記主成分値と、当該記憶させた主成分の値域とに基づき、前記機器から収集されるセンサデータを運転状態ごとに分類する
    　ことを特徴とする請求項１記載の運転状態分類装置。
  4. 　前記機器から収集される前記複数のセンサデータから、複数の安定状態のセンサデータを抽出する安定状態抽出部を備え、
    　前記主成分算出部は、前記安定状態抽出部が抽出した前記複数の安定状態のセンサデータの主成分を算出し、
    　前記故障判定用物理量算出部は、前記安定状態抽出部が抽出した前記複数の安定状態のセンサデータに基づき、前記故障判定に利用する物理量を算出する
    　ことを特徴とする請求項１記載の運転状態分類装置。
  5. 　前記機器から収集されるセンサデータについて、主成分の算出に利用するセンサ項目の選定、および、当該選定されたセンサ項目の計測値を含むセンサデータの整形を行う運転状態分類用センサ項目選択部を備え、
    　前記主成分算出部は、前記機器から収集される前記複数のセンサデータのうち、前記運転状態分類用センサ項目選択部が選定したセンサ項目の計測値を含むセンサデータであって、当該運転状態分類用センサ項目選択部が整形したセンサデータの主成分を算出する
    　ことを特徴とする請求項１記載の運転状態分類装置。
  6. 　前記運転状態分類用センサ項目選択部は、前記選定されたセンサ項目ごとに計測値の分布特性に応じて決定されたセンサデータ整形用重みを用いてセンサデータの整形を行う
    　ことを特徴とする請求項５記載の運転状態分類装置。
  7. 　機器から収集される複数のセンサデータの主成分を算出する主成分算出部と、
    　前記主成分算出部が算出した前記主成分の確率密度分布に基づき、前記機器から収集されるセンサデータの運転状態ごとの分類を作成する運転状態分類部
    　とを備えた運転状態分類装置。
  8. 　前記運転状態分類部が作成した各分類に分類された前記複数のセンサデータに基づき、故障判定に利用する物理量を算出し、各分類における当該算出した物理量の分散に基づき、監視対象の分類を決定する故障判定用物理量分散判定部
    　を備えた請求項７記載の運転状態分類装置。
  9. 　前記運転状態分類部は、前記運転状態ごとの分類を作成する際に分類ごとの主成分の値域を記憶させておき、分類作成後は、当該記憶させた主成分の値域に基づき、前記機器から収集されるセンサデータを運転状態ごとに分類する
    　ことを特徴とする請求項７記載の運転状態分類装置。
PCT/JP2016/050822 2016-01-13 2016-01-13 運転状態分類装置 WO2017122292A1 (ja)

Priority Applications (5)

Application Number Priority Date Filing Date Title
EP16884895.0A EP3373089B1 (en) 2016-01-13 2016-01-13 Operating state classification device
US15/772,262 US11068744B2 (en) 2016-01-13 2016-01-13 Operation state classification apparatus
ES16884895T ES2863775T3 (es) 2016-01-13 2016-01-13 Dispositivo de clasificación de estado de funcionamiento
JP2017541139A JP6351862B2 (ja) 2016-01-13 2016-01-13 運転状態分類装置
PCT/JP2016/050822 WO2017122292A1 (ja) 2016-01-13 2016-01-13 運転状態分類装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2016/050822 WO2017122292A1 (ja) 2016-01-13 2016-01-13 運転状態分類装置

Publications (1)

Publication Number Publication Date
WO2017122292A1 true WO2017122292A1 (ja) 2017-07-20

Family

ID=59311840

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2016/050822 WO2017122292A1 (ja) 2016-01-13 2016-01-13 運転状態分類装置

Country Status (5)

Country Link
US (1) US11068744B2 (ja)
EP (1) EP3373089B1 (ja)
JP (1) JP6351862B2 (ja)
ES (1) ES2863775T3 (ja)
WO (1) WO2017122292A1 (ja)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019028931A (ja) * 2017-08-03 2019-02-21 日立アプライアンス株式会社 異常検知方法および異常検知システム
WO2019116471A1 (ja) * 2017-12-13 2019-06-20 三菱電機株式会社 電力変換装置および空気調和機
JP2019101777A (ja) * 2017-12-04 2019-06-24 株式会社明電舎 異常診断装置および異常診断方法
JP2020047078A (ja) * 2018-09-20 2020-03-26 株式会社Ｓｃｒｅｅｎホールディングス データ処理方法、データ処理装置、およびデータ処理プログラム
JPWO2019009379A1 (ja) * 2017-07-06 2020-05-21 近藤工業株式会社 空調設備のフィルターの目詰まり測定装置および空調設備
US11474150B2 (en) 2018-09-20 2022-10-18 SCREEN Holdings Co., Ltd. Data processing method, data processing device, and non-transitory computer-readable recording medium
JP2023032825A (ja) * 2021-08-27 2023-03-09 東芝プラントシステム株式会社 発電プラントの運転管理装置、方法及びプログラム

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI641934B (zh) * 2014-08-05 2018-11-21 聯華電子股份有限公司 虛擬量測系統與方法
US11125653B2 (en) * 2018-10-11 2021-09-21 Palo Alto Research Center Incorporated Motion-insensitive features for condition-based maintenance of factory robots
DE102018220145A1 (de) * 2018-11-23 2020-05-28 Brose Fahrzeugteile Se & Co. Kommanditgesellschaft, Bamberg Verfahren und Verstellvorrichtung zum Verstellen eines Fahrzeugverstellteils mit ausgegebener Statusinformation
US20220156235A1 (en) * 2019-04-01 2022-05-19 Convida Wireless, Llc Automatic generation of labeled data in iot systems
KR102658966B1 (ko) * 2019-08-21 2024-04-19 엘지전자 주식회사 공기 조화기의 센서 데이터를 보정하는 인공 지능 공기 조화기 및 그 방법
CN111609883B (zh) * 2020-05-20 2021-03-30 山东联信征信管理有限公司 一种基于大数据的通信机房防护监测管理系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10238920A (ja) 1997-02-24 1998-09-11 Sanyo Electric Co Ltd 機器の運転状態管理装置
JP2002025981A (ja) 2000-07-04 2002-01-25 Tokyo Electron Ltd 運転状態の監視方法及び処理装置の評価方法
JP2007128190A (ja) * 2005-11-02 2007-05-24 Mitsubishi Electric Corp 分類基準生成装置および異常判定装置および分類基準生成方法および分類基準生成プログラム
JP2008276537A (ja) * 2007-04-27 2008-11-13 Omron Corp 複合情報処理装置、複合情報処理方法、プログラム、および記録媒体
WO2011048721A1 (ja) 2009-10-23 2011-04-28 三菱電機株式会社 冷凍空調装置
WO2011092830A1 (ja) * 2010-01-28 2011-08-04 日立建機株式会社 作業機械の監視診断装置
JP2014015746A (ja) * 2012-06-13 2014-01-30 Sumitomo Heavy Ind Ltd ショベルの管理装置及びショベルの異常検出方法

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3400062B2 (ja) * 1994-02-04 2003-04-28 株式会社東芝 プラント制御装置及びトンネル換気制御装置
JP3448476B2 (ja) 1997-11-27 2003-09-22 三洋電機株式会社 機器の運転状態管理装置
US6917839B2 (en) * 2000-06-09 2005-07-12 Intellectual Assets Llc Surveillance system and method having an operating mode partitioned fault classification model
US7054786B2 (en) 2000-07-04 2006-05-30 Tokyo Electron Limited Operation monitoring method for treatment apparatus
US20090204237A1 (en) * 2001-08-10 2009-08-13 Rockwell Automation Technologies, Inc. System and method for dynamic multi-objective optimization of machine selection, integration and utilization
US7024033B2 (en) * 2001-12-08 2006-04-04 Microsoft Corp. Method for boosting the performance of machine-learning classifiers
KR100623634B1 (ko) * 2003-09-22 2006-09-13 김형윤 구조물의 건전상태 감시방법
US7447609B2 (en) 2003-12-31 2008-11-04 Honeywell International Inc. Principal component analysis based fault classification
JP4550882B2 (ja) * 2004-11-25 2010-09-22 シャープ株式会社 情報分類装置、情報分類方法、情報分類プログラム、情報分類システム
JP4170315B2 (ja) 2005-05-30 2008-10-22 インターナショナル・ビジネス・マシーンズ・コーポレーション 異常判断装置、制御方法、自動車およびプログラム
US7533070B2 (en) * 2006-05-30 2009-05-12 Honeywell International Inc. Automatic fault classification for model-based process monitoring
US8706426B2 (en) * 2010-04-16 2014-04-22 University Of Central Florida Research Foundation, Inc. Systems and methods for identifying classes of substances
US20140058705A1 (en) * 2011-04-27 2014-02-27 Decision Makers Ltd. System and Method for Detecting Abnormal Occurrences
DE112012004840B4 (de) * 2011-11-21 2022-08-04 Hitachi Construction Machinery Co., Ltd. Betriebsdaten-Erhebungsvorrichtung für Baumaschinen
GB201218209D0 (en) * 2012-10-10 2012-11-21 Univ Lancaster System state classifier
US20140278165A1 (en) * 2013-03-14 2014-09-18 Johnson Controls Technology Company Systems and methods for analyzing energy consumption model data

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10238920A (ja) 1997-02-24 1998-09-11 Sanyo Electric Co Ltd 機器の運転状態管理装置
JP2002025981A (ja) 2000-07-04 2002-01-25 Tokyo Electron Ltd 運転状態の監視方法及び処理装置の評価方法
JP2007128190A (ja) * 2005-11-02 2007-05-24 Mitsubishi Electric Corp 分類基準生成装置および異常判定装置および分類基準生成方法および分類基準生成プログラム
JP2008276537A (ja) * 2007-04-27 2008-11-13 Omron Corp 複合情報処理装置、複合情報処理方法、プログラム、および記録媒体
WO2011048721A1 (ja) 2009-10-23 2011-04-28 三菱電機株式会社 冷凍空調装置
WO2011092830A1 (ja) * 2010-01-28 2011-08-04 日立建機株式会社 作業機械の監視診断装置
JP2014015746A (ja) * 2012-06-13 2014-01-30 Sumitomo Heavy Ind Ltd ショベルの管理装置及びショベルの異常検出方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3373089A4

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7293111B2 (ja) 2017-07-06 2023-06-19 ケンブリッジフィルターコーポレーション株式会社 空調設備のフィルターの目詰まり測定装置および空調設備
JPWO2019009379A1 (ja) * 2017-07-06 2020-05-21 近藤工業株式会社 空調設備のフィルターの目詰まり測定装置および空調設備
JP2019028931A (ja) * 2017-08-03 2019-02-21 日立アプライアンス株式会社 異常検知方法および異常検知システム
JP2019101777A (ja) * 2017-12-04 2019-06-24 株式会社明電舎 異常診断装置および異常診断方法
JP7009961B2 (ja) 2017-12-04 2022-01-26 株式会社明電舎 異常診断装置および異常診断方法
WO2019116471A1 (ja) * 2017-12-13 2019-06-20 三菱電機株式会社 電力変換装置および空気調和機
JPWO2019116471A1 (ja) * 2017-12-13 2020-11-19 三菱電機株式会社 電力変換装置および空気調和機
JP7049363B2 (ja) 2017-12-13 2022-04-06 三菱電機株式会社 電力変換装置および空気調和機
JP2020047078A (ja) * 2018-09-20 2020-03-26 株式会社Ｓｃｒｅｅｎホールディングス データ処理方法、データ処理装置、およびデータ処理プログラム
JP7214417B2 (ja) 2018-09-20 2023-01-30 株式会社Ｓｃｒｅｅｎホールディングス データ処理方法およびデータ処理プログラム
JP2023052477A (ja) * 2018-09-20 2023-04-11 株式会社Ｓｃｒｅｅｎホールディングス データ処理方法およびデータ処理プログラム
US11474150B2 (en) 2018-09-20 2022-10-18 SCREEN Holdings Co., Ltd. Data processing method, data processing device, and non-transitory computer-readable recording medium
JP2023032825A (ja) * 2021-08-27 2023-03-09 東芝プラントシステム株式会社 発電プラントの運転管理装置、方法及びプログラム
JP7278343B2 (ja) 2021-08-27 2023-05-19 東芝プラントシステム株式会社 発電プラントの運転管理装置、方法及びプログラム

Also Published As

Publication number Publication date
JP6351862B2 (ja) 2018-07-04
EP3373089A1 (en) 2018-09-12
US20180314914A1 (en) 2018-11-01
US11068744B2 (en) 2021-07-20
EP3373089B1 (en) 2021-03-10
EP3373089A4 (en) 2019-02-13
ES2863775T3 (es) 2021-10-11
JPWO2017122292A1 (ja) 2018-01-18

Similar Documents

Publication Publication Date Title
JP6351862B2 (ja) 運転状態分類装置
KR102011620B1 (ko) 이상 데이터의 중요도 판정 장치 및 이상 데이터의 중요도 판정 방법
CN109542740B (zh) 异常检测方法及装置
EP3249483B1 (en) Information processing device and information processing method
JP5855036B2 (ja) 設備点検順位設定装置
JP5214656B2 (ja) 評価装置および評価プログラム
TWI646414B (zh) 不良原因推定裝置以及不良原因推定方法
JP5768983B2 (ja) 契約違反予測システム、契約違反予測方法および契約違反予測プログラム
JP2015011027A (ja) 時系列データにおける異常を検出する方法
EP3859472A1 (en) Monitoring system and monitoring method
JP6164311B1 (ja) 情報処理装置、情報処理方法、及び、プログラム
EP2963552B1 (en) System analysis device and system analysis method
EP2613207A2 (en) Adaptive trend-change detection and function fitting system and method
JP6714498B2 (ja) 設備診断装置及び設備診断方法
CN110858072A (zh) 设备运行状态的确定方法及装置
US20160275407A1 (en) Diagnostic device, estimation method, non-transitory computer readable medium, and diagnostic system
CN107403224B (zh) 劣化推定方法以及劣化推定装置
US20190197046A1 (en) Operational status classification device
US20150347213A1 (en) Apparatus and method for system monitoring
JP2023036469A5 (ja)
JP2007226639A (ja) 多変量データ判別装置
JP2021124886A (ja) 情報処理装置、情報処理方法及び情報処理プログラム
CN113642618B (zh) 一种用于螺杆装置状态预测模型训练的方法及设备
WO2021229815A1 (ja) 情報処理装置、評価方法、および評価プログラム
US20230274203A1 (en) System and method for non-linear signal extraction and structural-drift detection

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2017541139

Country of ref document: JP

Kind code of ref document: A

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

Ref document number: 16884895

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 15772262

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE