WO2021245898A1 - 故障予兆検知装置、故障予兆検知方法、故障予兆検知プログラム、学習装置、学習済みの学習モデルの生成方法、学習済みの学習モデル生成プログラム - Google Patents

故障予兆検知装置、故障予兆検知方法、故障予兆検知プログラム、学習装置、学習済みの学習モデルの生成方法、学習済みの学習モデル生成プログラム Download PDF

Info

Publication number
WO2021245898A1
WO2021245898A1 PCT/JP2020/022242 JP2020022242W WO2021245898A1 WO 2021245898 A1 WO2021245898 A1 WO 2021245898A1 JP 2020022242 W JP2020022242 W JP 2020022242W WO 2021245898 A1 WO2021245898 A1 WO 2021245898A1
Authority
WO
WIPO (PCT)
Prior art keywords
learning
unit
data
failure sign
estimation
Prior art date
Application number
PCT/JP2020/022242
Other languages
English (en)
French (fr)
Inventor
直樹 田口
寛光 穂苅
靖 佐藤
玄太 吉村
利貞 毬山
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 JP2022528363A priority Critical patent/JP7168127B2/ja
Priority to EP20938992.3A priority patent/EP4123402A4/en
Priority to PCT/JP2020/022242 priority patent/WO2021245898A1/ja
Publication of WO2021245898A1 publication Critical patent/WO2021245898A1/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
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0232—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on qualitative trend analysis, e.g. system evolution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2614—HVAC, heating, ventillation, climate control
    • 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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]

Definitions

  • the present invention relates to a failure sign detection device, a failure sign detection method, a failure sign detection program, a learning device, a learned learning model generation method, and a learned learning model generation program.
  • Patent Document 1 A technique for detecting a sign of failure of a device using the sensor data of the device has been proposed (for example, Patent Document 1). Normally, the amount of data at the time of failure sign is small, so a learning model during normal operation that is trained using only normal data is generated, and the discrepancy between the predicted value by the learning model and the measured value indicated by the acquired data is the threshold. If it is the above, it is detected as a sign of failure.
  • the present invention has been made to solve the above-mentioned problems, and an object of the present invention is to obtain a failure sign detection device that more appropriately detects a sign of failure.
  • the failure sign detection device is a comparison data from an acquisition unit that acquires estimation data and comparison data at the time of failure sign detection target of a device subject to failure sign detection, and estimation data using a learning model. It is equipped with an estimation unit that calculates the estimated value during normal operation of the device, and a detection unit that detects a sign of failure of the device based on the comparison result of the estimated value and the measured value indicated by the comparison data at a plurality of times.
  • the failure sign detection device is provided with a detection unit that detects a failure sign of the device based on the comparison result of the estimated value and the measured value indicated by the comparison data at a plurality of times, the environment around the device is changed. It is possible to reduce the possibility of erroneously detecting the sign of failure as a sign of failure, and to detect the sign of failure more appropriately.
  • FIG. It is a block diagram which shows the structure of the failure sign detection system 1000 which concerns on Embodiment 1.
  • FIG. It is a block diagram which shows the structure of the air conditioning system 2000 which concerns on Embodiment 1.
  • FIG. It is a block diagram which shows the structure of the failure sign detection device 100 and the alarming device 300 which concerns on Embodiment 1.
  • FIG. It is a hardware configuration diagram which shows the hardware configuration of the failure sign detection apparatus 100 which concerns on Embodiment 1.
  • FIG. It is a flowchart which shows the operation of the failure sign detection apparatus 100 which concerns on Embodiment 1.
  • FIG. It is a conceptual diagram for demonstrating the process which the short-term divergence detection unit 51 which concerns on Embodiment 1 detect a short-term environmental change.
  • FIG. 1 It is a conceptual diagram which shows the specific example of the learning model when the evaluation value is high. It is a conceptual diagram which shows the specific example of the learning model when the evaluation value is low. It is a hardware configuration diagram which shows the hardware configuration of the learning apparatus 200 which concerns on Embodiment 1.
  • FIG. It is a flowchart which shows the operation of the learning apparatus which concerns on Embodiment 1.
  • FIG. It is a conceptual diagram which shows the structure of the modification of the failure sign detection device 100 and the learning device 200 which concerns on Embodiment 1.
  • FIG. It is a block diagram which shows the structure of the FA system 3000 which concerns on Embodiment 2.
  • FIG. It is a block diagram which shows the structure of the failure sign detection apparatus 600 which concerns on Embodiment 2.
  • FIG. 1 is a configuration diagram showing a configuration of a failure sign detection system 1000 according to the first embodiment.
  • the failure sign detection system 1000 includes a failure sign detection device 100 and a learning device 200.
  • the failure sign detection device 100 acquires a learned learning model from the learning device 200, and the learning device 200 acquires learning data from the failure sign detection device 100.
  • the details of the failure sign detection device 100 will be described in the following estimation phase, and the details of the learning device 200 will be described in the following learning phase.
  • the estimation phase is a phase in which the failure sign detection device 100 detects a failure sign of the device using a learned learning model
  • the learning phase is a learning phase in which the learning device 200 is an estimation phase and the learning model used by the failure sign detection device 100. This is the phase of learning.
  • FIG. 2 is a configuration diagram showing the configuration of the air conditioning system 2000 according to the first embodiment.
  • the air conditioner system 2000 includes a failure sign detection device 100, an air conditioner controller 300, a notification device 400, a plurality of outdoor units OU (OU1, OU2, ... Own) and a plurality of indoor units IU (IU11, IU12, ... IU1p, IU21, IU22, ... IU2q, IUn1, IUn2, ... IUnr).
  • n, p, q, and r are arbitrary positive integers.
  • an additional reference numeral is added after the OU, and when referring to an arbitrary outdoor unit or all outdoor units, only the OU is used.
  • an additional reference numeral is added after IU, and when referring to any indoor unit or all indoor units, only IU is used.
  • the air conditioner AC, the outdoor sensor OUS, the indoor sensor IUS, and the reception unit IUR which will be described later.
  • the outdoor unit OU and the indoor unit IU are collectively referred to as an air conditioner AC.
  • the device is an air conditioner AC.
  • the failure sign detection device 100 is a device that detects a failure sign of the device, and the details will be described later.
  • the notification device 400 issues a report to the user of the failure sign detection device 100 based on the signal from the failure sign detection device 100. Details will be described later together with the failure sign detection device 100.
  • the air conditioner controller 300 is a controller that centrally controls all outdoor unit OUs and all indoor unit IUs, and aggregates information on all outdoor unit OUs and all indoor unit IUs. Further, the air conditioning controller 300 includes a communication interface for receiving the information transmitted by the failure sign detection device 100, and a processor and a memory for controlling the outdoor unit OU and the indoor unit IU based on the received information.
  • a plurality of indoor units IU are connected to each outdoor unit OU.
  • an indoor unit IU1 (IU11, IU12, ... IU1p) is connected to the outdoor unit OU1.
  • the air conditioner controller 300, the indoor unit IU, and the outdoor unit OU are connected by an electromagnetic method, and the connection method may be wired or wireless. Further, the air conditioner controller 300 may be installed in the same building as the building in which the indoor unit IU and the outdoor unit OU are installed, or may be provided in a remote location and connected via a network.
  • Each outdoor unit OU constitutes an air conditioner AC (AC1, AC2, ... ACn) that air-conditions the room together with the connected indoor unit IU.
  • each outdoor unit OU detects the outdoor environment in which the outdoor unit OU is installed and the state of the outdoor unit OU, and acquires outdoor environment information and outdoor unit information.
  • OUSn is provided.
  • Each outdoor sensor OUS outputs the acquired outdoor environment information and outdoor unit information to the air conditioner controller 300.
  • the outdoor environment information indicates the outdoor environment, and is, for example, the outdoor temperature, the outdoor humidity, and the like at each time.
  • the outdoor unit information indicates the state of the outdoor unit, and is, for example, the compressor frequency or the like.
  • Each indoor unit IU detects the indoor environment in which the indoor unit IU is installed and the state of the indoor unit, and acquires indoor environment information and indoor unit information.
  • Indoor sensors IUS IUS (IUS11, IUS12, ... IUS1p, IUS21) , IUS22, ... IUS2q, IUSn1, IUSn2, ... IUSnr).
  • each indoor unit IU includes a reception unit IUR (IUR11, IUR12, ... IUR1p, IUR21, IUR22, ... IUR2q, IURn1, IURn2, ... IURnr) that receives setting information from the user.
  • Each indoor unit IU outputs the acquired indoor environment information, indoor unit information, received setting information, and operation information indicating the operating state of the air conditioner AC to the air conditioning controller 300 via the outdoor unit OU.
  • the indoor environment information indicates the indoor environment, and is, for example, the indoor temperature, the indoor humidity, and the like at each time.
  • the setting information is information set by the user via the reception unit, and is, for example, a target time, a target temperature, a target humidity, and the like for causing the environmental value of the room in which the indoor unit IU is installed to reach the target value.
  • the room environment value is a value indicated by the indoor environment information
  • the target value is a target value of the room environment value indicated by the setting information.
  • the operation information indicates the operating state of the air conditioner AC, for example, the operating capacity of the air conditioner AC, information indicating whether the air conditioner AC is in the started state or the stopped state, and the air conditioner AC is in the cooling mode and the heating mode. Information indicating which of the operation modes including the dehumidifying mode and the dehumidifying mode is in. Further, not only the indoor unit IU but also the outdoor unit OU may be configured to output operation information.
  • the operating capacity indicates the strength of the air conditioning capacity of the air conditioner AC, and is, for example, the refrigerant evaporation temperature and the condensation temperature of the outdoor unit OU, the number of indoor units IU operating, and the like.
  • the outdoor unit OU and the indoor unit IU are provided with the outdoor unit OU and the indoor sensor IUS, respectively, but various sensors may be provided independently of the outdoor unit OU and the indoor unit IU.
  • FIG. 3 is a configuration diagram showing the configurations of the failure sign detection device 100 and the notification device 400 according to the first embodiment.
  • the notification device 400 will be described first, and then the failure sign detection device 100 will be described.
  • the notification device 400 notifies the user of the failure sign detection device 100 based on the signal from the failure sign detection device 100, and particularly notifies the failure sign detection device 100.
  • the display 410 and the speaker 420 are provided.
  • the display 410 notifies the user through the visual sense, and the speaker 420 notifies the user through the auditory sense.
  • the failure sign detection device 100 is a device that detects a failure sign of the connected device, and more specifically, by comparing the estimated value and the measured value by the learning model at a plurality of times, the failure sign of the device can be obtained. It distinguishes from changes in the environment around the device and detects signs of failure and changes in the environment.
  • the failure sign detection device 100 includes an acquisition unit 10, a storage unit 20, a preprocessing unit 30, an estimation unit 40, a detection unit 50, a control unit 60, and a relearning unit 70.
  • the acquisition unit 10 acquires the estimation data D1 and the comparison data D2 at the time of failure sign detection target of the device for failure sign detection target.
  • the acquisition unit 10 acquires the estimation data D1 and the comparison data D2 from the air conditioning controller 300.
  • the estimation data D1 and the comparison data D2 are the above-mentioned outdoor environment information, outdoor unit information, indoor environment information, indoor unit information, setting information, and operation information, and these are collectively referred to as air conditioning data. do.
  • the comparison data indicates the compressor frequency of the air conditioner AC, and the estimation data includes values other than the compressor frequency, for example, time (schedule), power consumption, outdoor temperature, and the like.
  • the input / output data may be appropriately changed to data showing information different from the above.
  • the storage unit 20 stores various information.
  • the storage unit 20 includes a learned learning model D3 learned by the learning device 200, estimation data D1 and comparison data D2 acquired by the acquisition unit 10, and a detection unit 50 described later.
  • the learning data D7 and the evaluation data D8 in which the detection results are added to the comparison data and the estimation data are stored.
  • the storage unit 20 outputs the trained learning model D3, the estimation data D1 and the comparison data D2 to the preprocessing unit 30 in batch. That is, the storage unit 20 outputs the air conditioning data stored at the predetermined time and the learned learning model D3 to the preprocessing unit 30 at predetermined time intervals.
  • the configuration in which the storage unit 20 stores various data is shown, but the configuration is not limited to the configuration.
  • one or more network storage devices (not shown) arranged on the communication network NW store various data
  • the preprocessing unit 30, the estimation unit 40, and relearning are stored in the network storage device. It may be configured to be accessed by the unit 70.
  • a database storing the air-conditioning data acquired by the acquisition unit 10 and the learning data D7 and the evaluation data D8 to which the detection content is added to the air-conditioning data by the detection unit 50 is constructed outside the failure sign detection device 100. be able to.
  • the pre-processing unit 30 performs data pre-processing on the input estimation data D1 and comparison data D2, outputs the pre-processing estimation data D4 to the estimation unit 40, and performs pre-processing estimation.
  • the data D4 and the comparison data D5 after preprocessing are output to the detection unit 50. More specifically, the preprocessing unit 30 performs processing such as selection of moving average and usage data on the air conditioning data which is time-series batch data input from the storage unit 20, and estimates after preprocessing.
  • Data D4 is output to the estimation unit 40, and the estimation data D4 after the preprocessing and the comparison data D5 after the preprocessing are output to the detection unit 50. What is data selection?
  • a threshold value for the variance value is set and data below the threshold value is selected.
  • the threshold value of the dispersion value may be set manually, or there is a method of using the threshold value of the dispersion value when the evaluation value is maximum when creating a normal operation model by the learning device described later.
  • the preprocessing unit 30 has the estimation data D4 and the comparison data D4 in a time zone in which the variance value is less than a predetermined selection threshold among the estimation data D1 and the comparison data D2 acquired by the acquisition unit 10. D5 is selected and output to the estimation unit 40 and the detection unit 50.
  • the estimation unit 40 calculates the estimated value of the comparison data D5 during normal operation from the estimation data D4 using the learning model D3. In the first embodiment, the estimation unit 40 calculates an estimated value using the estimation data D4 selected by the preprocessing unit 30. Further, the estimation unit 40 outputs the estimation data D6 indicating the estimated estimated value to the detection unit 50.
  • the estimation unit 40 calculates the estimated value of the compressor frequency of the air conditioner AC from the estimation data D4 using the learning model D3.
  • the estimation unit 40 uses a normal operation model as the learning model D3.
  • the normal operation model is a learning model obtained when machine learning is performed using data during normal operation of the device, and is a model showing the behavior of the device during normal operation for detecting a sign of failure. be. That is, the learning model D3 inputs the estimation data D4 indicating information other than the comparison data D5 among the air conditioning data, and outputs the value in normal operation corresponding to the information indicated by the comparison data D5.
  • an existing learning method such as regression analysis may be used, and also in the first embodiment, regression analysis is used as the learning method.
  • the estimated value calculated by the estimation unit 40 has a prediction interval.
  • the estimation unit 40 may directly calculate an estimated value having a predicted interval as the output of the learning model, or may have a predetermined width after calculating the real value as the output of the learning model, so that the estimation having the predicted interval is performed. The value may be calculated.
  • the detection unit 50 detects a sign of failure of the device based on the comparison result at a plurality of times between the estimated value calculated by the estimation unit 40 and the actually measured value indicated by the comparison data D5. In the first embodiment, the detection unit 50 predicts a failure of the device based on the comparison result at a plurality of times between the estimated value calculated by the estimation unit 40 and the actually measured value indicated by the comparison data D5 selected by the preprocessing unit 30. Is detected.
  • the detection unit 50 detects the heat insulation defect of the air conditioner based on the estimated value of the compressor frequency calculated by the estimation unit and the measured value of the compressor frequency indicated by the comparison data.
  • the detection unit 50 calculates the degree of deviation between the estimated value and the actually measured value, and detects a sign of failure of the device when the degree of deviation increases with the passage of time. Further, the detection unit 50 detects a sign of failure of the device or a change in the environment around the device when the degree of deviation exceeds a predetermined threshold value at a plurality of times. More specifically, the detection unit 50 extracts points where the degree of deviation exceeds a predetermined threshold value, and for each of the extracted points, the short-term deviation detection unit 51 and the long-term deviation detection unit 52, which will be described later, By performing the processing, a sign of failure of the device or a change in the environment around the device is detected. Details of these processes will be described when the short-term divergence detection unit 51 and the long-term divergence detection unit 52 are described.
  • the detection unit 50 uses the shortest distance between the predicted section and the preprocessed air conditioning data as the degree of deviation.
  • the above distance is measured in the space stretched by the basis of the air conditioning data. If air conditioning data is included in the prediction interval, the distance is set to zero. In this case, the detection unit 50 may set a predetermined threshold value for detecting a failure sign or an environmental change to zero.
  • the detection unit 50 includes a short-term deviation detection unit 51 and a long-term deviation detection unit 52.
  • the short-term divergence detection unit 51 detects a short-term environmental change around the device when the divergence degree exceeds a predetermined threshold value for less than a predetermined time. That is, the short-term deviation detection unit 51 compares the estimated value estimated by the estimation unit 40 with the actually measured value indicated by the comparison data D5 input from the preprocessing unit 30, and after the deviation is temporarily confirmed. , Detects the case where the divergence finally disappears. Then, the short-term deviation detection unit 51 outputs the detection content D9 indicating whether or not the short-term deviation exists in the time zone of the failure sign detection target to the control unit 60.
  • the short-term deviation detection unit 51 detects the short-term deviation. .. When detected by the short-term divergence detection unit 51, it is neither a sign of air-conditioning failure nor a long-term environmental change. Store in the storage unit.
  • the short-term environmental change is an environmental change that changes from the original environment only for a short period of time and returns to the original environment after a certain period of time, for example, opening and closing a window.
  • the above-mentioned predetermined time may be set according to the device of the sign of failure, and for example, in the case of an air conditioner, it may be set to about several minutes to several hours.
  • the long-term deviation detection unit 52 detects a sign of failure of the device or a long-term environmental change around the device when the degree of deviation exceeds a predetermined threshold value for a predetermined time or longer. Further, the long-term divergence detection unit 52 determines whether or not there is a long-term divergence in the time zone for detecting the failure sign, and if so, whether the divergence is caused by the failure sign or not, the long-term environment. The detection content D9 indicating whether the change is caused is output to the control unit 60.
  • the long-term environmental change is an environmental change that changes from the original environment over a long period of time, for example, a room layout change or the like.
  • the predetermined time may be determined in the same manner as in the short-term deviation detection unit 51, and the same value may be used.
  • the long-term deviation detection unit 52 detects the long-term deviation.
  • the long-term deviation detection unit 52 detects a sign of failure of the device when the degree of deviation increases with the passage of time. Further, the long-term deviation detection unit 52 detects a long-term environmental change when the degree of deviation is equal to or higher than a predetermined threshold value but does not increase with the passage of time. This is because, in the case of a sign of failure, the degree of divergence increases because the malfunction of the equipment increases with the passage of time, and in the case of long-term environmental changes, layout changes, etc. change almost over time after being changed once. However, it is based on the idea that the degree of divergence is almost constant.
  • the long-term divergence detection unit 52 integrates, for example, the difference between the data arranged next to each other in time from the time-series data indicating the distance between the measured value shown by the comparison data and the estimated value by the learning model. Calculate the value. If the environment changes, it is assumed that the variance between the measured value shown by the comparison data and the estimated value by the learning model is small, and the difference from the previous step in chronological order is small. On the other hand, if it is a sign of failure due to deterioration, it is assumed that the variance of the distance between the measured value and the estimated value gradually increases, and the difference from the previous step in chronological order is large. Therefore, by determining whether or not the integrated value of this difference exceeds a predetermined threshold value, it is possible to determine whether the long-term deviation is due to a failure sign or a long-term environmental change.
  • the long-term divergence detection unit 52 assigns a label indicating that the data after the detected timing is the data after the long-term environmental change, and stores the data as learning data D7. Make it memorize in 20.
  • a label indicating that the data is a failure sign is attached to the data after the detected timing, and the labeled data is not used for learning in the future, but is learned by the learning device 200 described later. It is stored in the storage unit 20 as evaluation data D8 when learning the model.
  • the control unit 60 performs various controls according to the detection content D9 of the detection unit 50.
  • the control unit 60 transmits a control signal D10 for notifying the failure sign to the notification device.
  • the control unit 60 transmits a control signal D11 for causing the re-learning unit 70, which will be described later, to relearn the learning model when the long-term deviation detection unit 52 detects a long-term environmental change.
  • the re-learning unit 70 uses estimation data and comparison data for a time zone after the time when the long-term divergence detection unit detects the long-term environmental change.
  • the learning model is retrained by using it as the training data D7. More specifically, the re-learning unit 70 performs re-learning using the data stored in the storage unit 20 and labeled after the long-term environmental change.
  • FIG. 4 is a configuration diagram showing an example of a hardware configuration of a computer that realizes the failure sign detection device 100.
  • the hardware shown in FIG. 4 is provided with a processing device 10000 such as a CPU (Central Processing Unit) and a storage device 10001 such as a ROM (Read Only Memory) and a hard disk.
  • a processing device 10000 such as a CPU (Central Processing Unit) and a storage device 10001 such as a ROM (Read Only Memory) and a hard disk.
  • a storage device 10001 such as a ROM (Read Only Memory) and a hard disk.
  • the program stored in the storage device 10001 is stored in the processing device 10000. It is realized by executing, and the storage unit 20 is realized by the storage device 10001.
  • the above configuration is not limited to the configuration realized by a single processing device 10000 and the storage device 10001, but may be a configuration realized by a plurality of processing devices 10000 and the storage device 10001.
  • the method of realizing each function of the failure sign detection device 100 is not limited to the combination of the hardware and the program described above, but the hardware alone such as an LSI (Large Scale Integrated Circuit) in which the program is implemented in the processing device. It may be realized, or some functions may be realized by dedicated hardware, and some may be realized by a combination of a processing device and a program.
  • LSI Large Scale Integrated Circuit
  • the failure sign detection device 100 As described above, the failure sign detection device 100 according to the first embodiment is configured.
  • FIG. 5 is a flowchart showing the operation of the failure sign detection device 100 according to the first embodiment.
  • the operation of the failure sign detection device 100 corresponds to the failure sign detection method, and the program that causes the computer to execute the operation of the failure sign detection device 100 corresponds to the failure sign detection program.
  • the operation of the acquisition unit 10 corresponds to the acquisition process
  • the operation of the storage unit 20 corresponds to the storage process
  • the operation of the preprocessing unit 30 corresponds to the preprocessing process
  • the operation of the estimation unit 40 corresponds to the estimation process.
  • the operation of the detection unit 50 corresponds to the detection process
  • the operation of the control unit 60 corresponds to the control process
  • the operation of the relearning unit 70 corresponds to the relearning process.
  • step S1 the acquisition unit 10 acquires the estimation data and the comparison data at the time of the failure sign detection target of the failure sign detection target device from the storage unit 20.
  • step S2 the preprocessing unit 30 performs preprocessing on the estimation data and the comparison data. More specifically, the preprocessing unit 30 selects data having a small variance of the sensor value from the estimation data and the comparison data, and outputs the data to the estimation unit 40 and the detection unit 50.
  • step S3 the estimation unit 40 calculates the estimated value of the comparison data during normal operation from the estimation data using the learning model.
  • step S4 the detection unit 50 calculates the degree of deviation between the estimated value estimated by the normal operation model and the actually measured value indicated by the comparison data.
  • step S5 the detection unit 50 extracts a portion where the degree of deviation exceeds a predetermined threshold value as the deviation portion data.
  • the divergence partial data is a set of estimated values and estimation data.
  • the failure sign detection device 100 repeatedly performs the processes from step S6 to step S14 for each of the extracted deviation portion data by the number of extraction deviation portions.
  • step S6 the short-term deviation detection unit 51 determines whether there is a short-term deviation between the estimated value and the actually measured value.
  • FIG. 6 is a conceptual diagram for explaining a process in which the short-term deviation detection unit 51 according to the first embodiment detects a short-term environmental change.
  • the solid line shows the regression curve C1
  • the band-shaped curve having a width shows the prediction interval I1
  • the white circle shows the air conditioning data A1.
  • the value indicated by the estimation data corresponds to the value on the horizontal axis of the air conditioning data A1
  • the value indicated by the comparison data corresponds to the value on the vertical axis of the air conditioning data A1.
  • the regression curve C1 is obtained as an output when the estimation data is input to the learning model.
  • the regression curve C1 and the prediction interval I1 are collectively referred to as an estimated value.
  • the short-term deviation detection unit 51 the deviation degree exceeds a predetermined threshold value in a certain time zone T1 shown in FIG. 6, that is, the air conditioning data A1 does not fall within the range of the prediction interval I1 and the estimated value and the measured value. Detects the existence of data that deviates from. Then, the short-term deviation detection unit 51 compares the time zone T1 in which the estimated value and the actually measured value deviate from the predetermined time T2, and detects a short-term environmental change when T1 is shorter than T2.
  • step S6 If NO is determined in step S6, that is, if it is determined that there is a short-term divergence, the process proceeds to step S7, and the short-term divergence detection unit 51 determines that there is a short-term divergence in step S5. By doing so, short-term environmental changes are detected.
  • step S6 If YES is determined in step S6, that is, if it is determined that there is no short-term divergence, the process proceeds to step S8.
  • step S8 the long-term dissociation detection unit 52 determines whether there is a long-term dissociation between the estimated value and the measured value.
  • FIG. 7 is a conceptual diagram for explaining a specific example of a process in which the long-term deviation detection unit 52 according to the first embodiment detects a failure sign or a long-term environmental change.
  • the solid line shows the regression curve C2
  • the band-shaped curve having a width shows the prediction interval I2
  • the long-term deviation detection unit 52 has an estimated value and an actually measured value that the degree of deviation exceeds a predetermined threshold value in a certain time zone T3 shown in FIG. 7, that is, the air conditioning data A2 does not fall within the range of the prediction interval I2. Detects the existence of data that deviates from. Then, the long-term deviation detection unit 52 compares the time zone T3 in which the estimated value and the measured value deviate with the predetermined time T2, and detects a failure sign or a long-term environmental change when T3 is longer than T2. do.
  • step S8 If NO is determined in step S8, in this case, since there is no discrepancy between the value during normal operation and the measured value, the failure sign detection device 100 determines that there is no failure sign and no environmental change, and operates. To finish.
  • step S8 If YES is determined in step S8, the process proceeds to step S9, and the long-term divergence detection unit 52 calculates the integrated value of the divergence degree difference in the preceding and following data from the beginning to the end of the divergence partial data.
  • step S10 the long-term deviation detection unit 52 determines whether or not the integrated value of the difference is equal to or greater than the threshold value.
  • step S10 If NO is determined in step S10, the process proceeds to step S11, and the long-term deviation detection unit 52 detects a long-term environmental change when the integrated value of the difference is not equal to or greater than the threshold value. If YES is determined in step S10, the process proceeds to step S12, and the long-term deviation detection unit 52 detects a failure sign when the integrated value of the difference is equal to or greater than the threshold value.
  • the long-term divergence detection unit 52 determines whether the long-term divergence detected in step S8 is due to a sign of equipment failure or a long-term environmental change.
  • steps S9 to S12 specific examples of the processing of steps S9 to S12 will be described.
  • FIG. 8 will be described with reference to a process in which the long-term divergence detection unit 52 according to the first embodiment detects a long-term environmental change.
  • FIG. 8 is a conceptual diagram for explaining a specific example of a process in which the long-term deviation detection unit 52 according to the first embodiment detects a long-term environmental change.
  • the left side of FIG. 8 shows the time change of the degree of deviation
  • the right side of FIG. 8 shows the integrated value of the degree of deviation.
  • the long-term divergence detection unit 52 integrates the difference between the divergence degree at a certain time and the divergence degree at the time before that, and confirms whether or not the integrated value is equal to or greater than a predetermined threshold value. As shown in FIG. 8, when the degree of deviation is substantially constant and the integrated value is less than a predetermined threshold value, the long-term deviation detection unit 52 detects a long-term environmental change.
  • FIG. 9 is a conceptual diagram for explaining a specific example of the process in which the long-term deviation detection unit 52 according to the first embodiment detects a failure sign.
  • the long-term divergence detection unit 52 integrates the divergence degree at a certain time and the divergence degree at the time before that, and confirms whether or not the integrated value is equal to or higher than a predetermined threshold value. As shown in FIG. 9, when the degree of deviation increases with the passage of time and the integrated value is equal to or higher than a predetermined threshold value, the long-term deviation detection unit 52 detects a failure sign.
  • step S7 the process proceeds to step S13.
  • the divergence detection unit 51 assigns a label of the detection result to the data of the divergence portion and stores the labeled data in the storage unit. Further, the short-term deviation detection unit 51 or the long-term deviation detection unit 52 outputs the detection content to the control unit.
  • step S14 the control unit 60 performs various controls based on the received detection content. For example, when the detected content is a long-term environmental change, the control unit 60 causes the re-learning unit to perform re-learning, and when the detected content is a failure sign, the notification device 400 is made to notify the failure sign. Further, when the detected content is a short-term environmental change, the control unit 60 may cause the notification device 400 to notify the short-term environmental change, or may omit the process of step S14.
  • the failure sign detection device 100 repeats the processes from step S6 to step S14 by the number of extraction deviation portions.
  • the failure sign detection device 100 detects the failure sign of the device based on the comparison result between the estimated value and the measured value at a plurality of times, so that the environment around the device changes. It is possible to reduce the possibility of erroneously detecting the sign of failure as a sign of failure, and to detect the sign of failure more appropriately.
  • the failure sign detection device 100 calculates the degree of deviation between the estimated value and the measured value, and detects the failure sign of the device when the degree of deviation increases with the passage of time. Therefore, it is possible to more appropriately prevent long-term environmental changes such as layout changes from being erroneously detected as failure signs, and to detect failure signs more appropriately.
  • the failure sign detection device 100 detects a failure sign of the device or a change in the environment around the device when the degree of deviation exceeds a predetermined threshold value at a plurality of times, so that only for a moment. It is possible to more appropriately prevent false detection as a failure sign when the threshold value is exceeded.
  • the failure sign detection device 100 detects a short-term environmental change around the device when the degree of deviation exceeds the threshold time for less than a predetermined time, and the degree of deviation exceeds the threshold. Since it detects signs of equipment failure or long-term environmental changes when the time is longer than the specified time, it distinguishes between short-term environmental changes and long-term environmental changes among environmental changes, and fails more appropriately. It is possible to prevent false detection of signs. In addition, even if there is a divergence due to environmental changes, if there are long-term environmental changes such as indoor layout changes, it is necessary to relearn the learning model, but it seems that the window was just opened. If there are only short-term environmental changes, it may not be necessary to relearn the learning model. By separately detecting such long-term environmental changes and short-term environmental changes, it is possible to determine whether or not relearning is necessary.
  • the failure sign detection device 100 selects estimation data and comparison data in a time zone in which the dispersion value is less than a predetermined selection threshold, and outputs the dispersion value to the detection unit. It is possible to more appropriately prevent false detection of a failure sign by using data in a time zone where the value is large and unstable.
  • the failure sign detection device 100 is connected to a notification device 400 that notifies the user of the failure sign detection device 100, and when a failure sign is detected, the notification device 400 notifies the user. Therefore, the user can be made to recognize the detected failure sign.
  • the failure sign detection device 100 detects a long-term environmental change
  • the estimation data and comparison of the time zone after the time when the long-term deviation detection unit detects the long-term environmental change Since the learning model is relearned by using the data for re-learning, the situation where the estimation by the learning model cannot be performed well due to long-term environmental changes due to layout changes etc. is improved. can do.
  • the user can save the trouble of setting the data for re-learning one by one and executing the re-learning.
  • the failure sign detection target of the failure sign detection device is the air conditioner
  • the compressor frequency of the air conditioner is estimated by using the learning model. Therefore, the air conditioner is included in the failure detection. Insulation failure can be detected appropriately.
  • the failure sign detection device 100 includes notification and relearning of the detection content in the loop processing, but after the loop processing is completed, the result of the entire loop processing is displayed. After the integration, the detection content may be notified and re-learning may be executed.
  • FIG. 10 is a configuration diagram showing the configuration of the learning device 200 according to the first embodiment.
  • the learning device 200 learns a learning model using data during normal operation of the device, and generates a learning model.
  • the learning device 200 includes a learning acquisition unit 210, a learning storage unit 220, a learning preprocessing unit 230, a learning unit 240, an evaluation unit 250, and a learning control unit 260.
  • the learning acquisition unit 210 acquires the learning data D21 used for learning the learning model.
  • the learning data shows the same kind of information as the comparison data and the estimation data in the failure sign detection device 100, and also shows the values in the normal operation of the device. That is, in the first embodiment, the learning acquisition unit 210 acquires learning data during normal operation of the device.
  • the learning acquisition unit 210 acquires the learning data D21 stored in the learning storage unit 220 described later, but the learning data D22 is stored in the storage unit 20 of the failure sign detection device 100. If so, the learning data D22 is acquired in advance from the storage unit 20 and the acquired learning data D22 is stored in the storage unit 20 before the learning is performed. Then, the learning data D21 including the learning data D22 is acquired.
  • the learning preprocessing unit 230 preprocesses the learning data D21, and in the first embodiment, the distribution value of the learning data D21 acquired by the learning acquisition unit 210 is a predetermined selection threshold.
  • the data in the less than time zone is selected as the data used for learning the learning model.
  • the output of the learning model is the compressor frequency
  • the data in the time zone in which the dispersion value of the compressor frequency is less than the predetermined selection threshold is selected as the data to be used for learning. Then, the learning preprocessing unit 230 outputs the selected learning data D23 to the learning unit 240.
  • the learning model cannot be trained well, and a learning model that performs low-precision estimation is generated. The problem of getting rid of it arises.
  • a specific example of the processing of the learning preprocessing unit 230 will be described with reference to FIG.
  • the learning preprocessing unit 230 selects the learning data by using the dispersion value of the sensor value.
  • the learning storage unit 220 stores various information related to learning, and stores, for example, learning data D21, evaluation data D24, and learning model D25.
  • learning data D21 when the learning model is relearned by the failure sign detection device 100, the learning model stored in the storage unit 20 of the failure sign detection device 100 is acquired and stored via the learning acquisition unit 210. You may do so.
  • evaluation data that is, the data with the failure sign label is stored in the storage unit 20 of the failure sign detection device 100, similarly, the storage unit 20 of the failure sign detection device 100 via the learning acquisition unit 210.
  • the stored evaluation data may be acquired and stored.
  • the learning unit 240 learns the learning model D25 using the learning data D23 selected by the learning preprocessing unit 230.
  • the learning model is trained by regression analysis.
  • the learning unit 240 outputs the learning model D26 after learning to the evaluation unit 250.
  • the evaluation unit 250 evaluates the learning model D26 and calculates the evaluation value of the learning model D26.
  • the evaluation unit 250 acquires the validation data of the normal operation data and the data with the failure sign label from the learning storage unit 220 as the evaluation data D24. Further, as the evaluation method carried out by the evaluation unit 250, well-known techniques such as a coefficient of determination and a regression error may be used.
  • the evaluation unit 250 acquires an estimated value using the evaluation data D24 as in the estimation unit 40 of the failure sign detection device 100, and evaluates the ratio of the estimated value existing inside or outside the prediction interval. Calculated as. Further, the evaluation unit 250 outputs the information indicating the calculated evaluation value to the learning control unit 260 as the evaluation information D27.
  • the evaluation data D24 is present in a large amount in the estimated value prediction section by using the ratio of the evaluation data existing in the prediction section as the evaluation value. The higher the evaluation value, the higher the evaluation value, and it can be evaluated that the data is correctly learned.
  • the ratio of the evaluation data D24 outside the prediction section is used as the evaluation value. Therefore, the more the evaluation data D24 exists outside the prediction section, the higher the evaluation value becomes, and it can be evaluated that the learning is performed correctly.
  • FIG. 12 is a conceptual diagram showing the learning model D26 when the evaluation value is high
  • FIG. 13 is a conceptual diagram showing the learning model D26 when the evaluation value is low.
  • FIGS. 12 and 13 all the evaluation data are assumed to be air conditioning data during normal operation.
  • FIG. 12 shows a state in which all the evaluation data A3 are included in the prediction interval I3, the evaluation value is high, and it is determined that the learning is performed correctly.
  • FIG. 13 shows a state in which a large number of evaluation data A4s that are not included in the prediction interval I4 exist, the evaluation values are low, and it is determined that learning is not performed correctly.
  • the learning control unit 260 performs various controls related to learning.
  • the learning control unit 260 acquires a plurality of selection threshold values, selects a preprocessing unit for learning 230, and learns the learning unit 240.
  • the iterative process of repeating the search process which is a series of processes consisting of the evaluation of the evaluation unit 250, for each selection threshold value. That is, the learning control unit 260 outputs the control command D28 for executing the iterative processing to the learning preprocessing unit 230, the learning unit 240, and the evaluation unit 250.
  • the learning control unit 260 finishes the iterative process based on a predetermined end condition, and when the iterative process is finished, specifies the selection threshold value in the search process having the highest evaluation value as the final selection threshold value.
  • the predetermined end condition is to end the search process a predetermined number of times.
  • the learning control unit 260 is connected to the notification device 400, and outputs a control command D29 for displaying the learning result on the display 410.
  • FIG. 14 is a configuration diagram showing an example of a hardware configuration of a computer that realizes the learning device 200.
  • the hardware shown in FIG. 14 includes a processing device 20000 such as a CPU (Central Processing Unit) and a storage device 20001 such as a ROM (Read Only Memory) and a hard disk.
  • the learning acquisition unit 210, the learning preprocessing unit 230, the learning unit 240, and the evaluation unit 250 shown in FIG. 10 are realized by executing the program stored in the storage device 20001 on the processing device 20000, and learn.
  • the storage unit 220 is realized by the storage device 20001.
  • the above configuration is not limited to the configuration realized by the single processing device 20000 and the storage device 20001, and may be the configuration realized by the plurality of processing devices 20000 and the storage device 20001.
  • the method of realizing each function of the learning device 200 is not limited to the combination of the hardware and the program described above, and is realized by the hardware alone such as an LSI (Large Scale Integrated Circuit) in which the program is implemented in the processing device.
  • some functions may be realized by dedicated hardware, and some may be realized by a combination of a processing device and a program.
  • the learning device 200 As described above, the learning device 200 according to the first embodiment is configured.
  • FIG. 15 is a flowchart showing the operation of the learning device 200 according to the first embodiment.
  • the operation of the learning device 200 corresponds to the method of generating the learned learning model, and the program for causing the computer to execute the operation of the learning device 200 corresponds to the trained learning model generation program.
  • the operation of the learning acquisition unit 210 corresponds to the learning acquisition process
  • the operation of the learning storage unit 220 corresponds to the learning storage process
  • the operation of the learning preprocessing unit 230 corresponds to the learning preprocessing process.
  • the operation of the learning unit 240 corresponds to the learning process
  • the operation of the evaluation unit 250 corresponds to the evaluation process
  • the operation of the learning control unit 260 corresponds to the learning control process.
  • step S21 the learning acquisition unit 210 acquires learning data from the learning storage unit 220.
  • step S22 the learning preprocessing unit 230 selects data to be used for learning based on a predetermined selection threshold value.
  • step S23 the learning unit 240 learns the learning model using the learning data selected in step S22.
  • step S24 the evaluation unit 250 evaluates the learning model learned in step S23.
  • step S25 the learning control unit 260 stores the evaluation result and the parameter used for data selection at that time, that is, the selection threshold value in the learning storage unit 220. After that, the learning control unit 260 resets the selection threshold value to a value different from the original selection threshold value.
  • the learning control unit 260 in the resetting method, a value obtained by equally dividing the setting range of the selection threshold value by the number of searches is set in order. Then, the learning control unit 260 repeatedly executes the search process from step S22 to step S23 with the reset selection threshold value.
  • step S26 the evaluation unit 250 finally determines the selection threshold value having the best evaluation value among the selection threshold values corresponding to each search process. Specify as a specific selection threshold.
  • the learning control unit 260 causes the learning data to be selected, the learning model to be learned, and the learning model to be evaluated again using the specified selection threshold value in step S26.
  • step S30 the learning control unit 260 displays the evaluation result of the learning model calculated in step S29 on the display 410.
  • step S31 the learning unit 450 stores the learned learning model in the learning storage unit 220, and stores the learned learning model in the storage unit 20 of the failure sign detection device 100.
  • the learning device 200 selects the data in the time zone in which the variance value is less than the predetermined selection threshold as the data to be used for learning the learning model. Learning can be performed appropriately, and a learning model that makes estimates with high accuracy can be generated.
  • the learning device 200 further sets the evaluation unit for calculating the evaluation value of the learning model and the selection threshold to a value different from the original selection threshold, and selects the learning data preprocessing unit.
  • the learning control unit includes a learning control unit that repeatedly performs a search process, which is a series of processes consisting of learning of the learning unit and evaluation of the evaluation unit, and the learning control unit performs iterative processing based on a predetermined end condition. And when the iterative process is completed, the selection threshold in the search process with the highest evaluation value is specified. Therefore, by searching the selection threshold multiple times and specifying the optimum selection threshold, more The learning model can be trained appropriately, and a learning model that estimates with higher accuracy can be generated.
  • the failure sign detection device 100 and the learning device 200 are configured to separately include a storage unit 20 (learning storage unit 220), a preprocessing unit 30 (learning preprocessing unit 230), and a relearning unit 70 (learning unit 240).
  • the failure sign detection device 100 and the learning device 200 may be provided with a common storage unit 510, a preprocessing unit 520, and a learning unit 530, and may be configured to access each other.
  • the learning acquisition unit 210 acquires the preprocessed learning data from the preprocessing unit 520 and outputs it to the learning unit 530.
  • the failure sign detection device 100 or the learning device 200 may be configured to include the storage unit 510, the preprocessing unit 520, and the learning unit 530.
  • the control unit 60 automatically re-learns the re-learning unit 70 by using the estimation data and the comparison data in the time zone after the time when the long-term deviation detection unit detects the long-term environmental change as the re-learning data.
  • the re-learning may not be performed automatically, and the notification device 400 may only perform the notification prompting the re-learning.
  • the re-learning may be performed automatically, and the notification device 400 may notify the re-learning to be performed. This can prevent the learning model from being updated without the user's knowledge.
  • the control unit 60 may not only make the notification device 400 notify the notification of the failure sign, but also display the comparison result between the estimated value and the measured value on the display 410. This allows the user to visually confirm the detection result.
  • the control unit 60 may notify the level from the notification device 400. This allows the user to determine whether the neglected failure sign should be dealt with urgently or not until the next inspection.
  • control unit 60 may notify the failure location from the notification device 400. This allows the user to properly know which part should be repaired.
  • the long-term divergence detection unit 52 integrates the differences between the previous and next data using the time-series divergence degree, and detects the failure sign when the integrated value exceeds the threshold value.
  • the method of distinguishing long-term environmental changes is not limited to this method. As a tendency of the data, in the case of failure sign, the degree of deviation from the predicted interval of the estimated value gradually increases, whereas in the case of long-term environmental change, the degree of deviation from the predicted interval varies to some extent. It is almost constant. Therefore, for example, by taking a moving average for the degree of deviation between the measured values and the estimated values arranged in chronological order and determining whether or not the tendency of the data is monotonously increasing, a failure sign or a long-term environment. It may be determined whether it is a change.
  • the learning control unit 260 ends the iterative process when the predetermined number of searches is completed, but compares the evaluation value with the predetermined evaluation threshold value for each search process, and the evaluation value is equal to or higher than the evaluation threshold value. If this is the case, the iterative process may be terminated. By doing so, the iterative process can be completed earlier and the calculation time can be shortened.
  • Embodiment 2 Next, the second embodiment will be described.
  • the embodiment when the failure sign detection system 1000 is applied to the air conditioning system 2000 has been described, but in the second embodiment, when the failure sign detection system is applied to the FA (Factory Automation) system, That is, an embodiment when the device to be detected as a failure sign is an FA device will be described.
  • the configuration and operation common to the first embodiment will be omitted as appropriate.
  • the second embodiment as a specific example of the FA system, a system in which a failure sign detection device is connected to a power conversion device such as an inverter and the failure sign of the power conversion device is detected will be described.
  • FIG. 16 is a configuration diagram showing the configuration of the FA system 3000 according to the second embodiment.
  • the FA system 3000 includes a failure sign detection device 600, a notification device 700, a power conversion device 800, a motor 810, and a power supply 820.
  • the configuration of the failure sign detection device 600 is the same as the configuration of the failure sign detection device 100 according to the first embodiment, and only the information indicated by the input / output data of the learning model is different. The details of the differences will be described later.
  • the configuration of the notification device 700 is the same as the configuration of the notification device 400 according to the first embodiment, and the description thereof will be omitted.
  • the power conversion device 800 converts the power input from the power supply 820 into a predetermined current, voltage, and frequency, and supplies the power to the motor 810, which is a load.
  • the power conversion device 800 includes a power semiconductor module (hereinafter referred to as a semiconductor module) incorporating a semiconductor switching element (hereinafter referred to as a switching element) and a power conversion control unit for controlling the switching element incorporated in the semiconductor module. By controlling the switching operation of the switching element, the input power is converted into an arbitrary current, voltage, and frequency and supplied to the motor 810.
  • the power conversion device 800 is provided with various sensors, and the sensor data acquired by the sensors is output to the failure sign detection device 600.
  • the power conversion device 800 can estimate the power cycle deterioration if the temperature change in the semiconductor chip, that is, the junction temperature is known, but in the actual power conversion device 800, the junction temperature in the semiconductor chip is directly estimated. It is difficult. Therefore, for example, in the prior art, the temperature fluctuation value is calculated from the switching frequency and the output current of the power converter 800, and the degree of power cycle deterioration is estimated.
  • the failure sign detection device 600 compares the estimated values of the output values such as the output current, the output voltage, and the output frequency of the power conversion device 800 with the actually measured values at a plurality of times. Based on the comparison results at a plurality of times, a failure sign of the power conversion device 800 is performed.
  • FIG. 17 is a configuration diagram showing the configurations of the failure sign detection device 600 and the notification device 700 according to the second embodiment.
  • the failure sign detection device 600 includes a detection unit 650, a control unit 660, and a detection unit 650 having an acquisition unit 610, a storage unit 620, a preprocessing unit 630, an estimation unit 640, a short-term deviation detection unit 651 and a long-term deviation detection unit 652.
  • the learning unit 670 is provided, and the notification device 700 includes a display 710 and a speaker 720.
  • the basic configuration and operation of each part are the same as those in the first embodiment, and only the differences will be described.
  • the acquisition unit 610 acquires various sensor data indicating the input value, output value, etc. of the power conversion device 800 and control information indicating the control command value of the power conversion control unit from the power conversion device 800.
  • various sensor data the output current value, the output voltage value, the input voltage value, the input current value, the room temperature, the surface temperature of the semiconductor module, etc. may be acquired, and the control information includes the voltage command value, the current command value, and the like.
  • the output frequency command value, switching frequency command value, etc. may be acquired, and these are collectively referred to as FA data.
  • the output value of the power conversion device 800 included in the various sensor data among the FA data is used as the comparison data, and the other FA data is used as the estimation data.
  • the comparison data shows the output current value of the power converter 800
  • the estimation data shows other sensor values and command values, for example, an output voltage value, an input voltage value, an input current value, a voltage command value, and a current command value.
  • the estimation unit 640 estimates the output value of the power conversion device 800 using the estimation data, for example, in the above example, the output current value of the power conversion device 800 is estimated, and the detection unit 650 is the power conversion device output by the estimation unit 640.
  • the output value of 800 in the above example, the estimated value of the output current value of the power converter 800 and the actually measured value indicated by the comparison data are compared at a plurality of times, and a failure sign is detected based on the comparison result. As described above, since only the information indicated by the estimation data and the comparison data is different between the first embodiment and the second embodiment, the specific description of the failure sign detection will be omitted.
  • the failure sign detection device 600 distinguishes between environmental changes and failure signs by comparing the estimated value and the actually measured value of the output value of the power conversion device 800 at a plurality of times. However, since the failure sign of the power conversion device 800 can be detected, the failure sign detection accuracy can be improved.
  • the embodiment when the failure sign detection system is applied to the air conditioning system is described, and in the second embodiment, the embodiment when the failure sign detection system is applied to the FA system is described.
  • the scope of application is not limited to this, and it can also be applied to other systems in which it is desired to distinguish between environmental changes and failure signs and detect failure signs.
  • the failure sign detection device is suitable for use in all domains in which some kind of failure sign appears in the operation data, such as an air conditioning system and an FA system.
  • the sensor value is monitored, the failure sign is detected, and the maintenance worker of the device is notified.
  • the re-learning timing can also be detected.
  • 1000 failure sign detection system 100 failure sign detection device, 200 learning device, 300 air conditioning controller, 400 notification device, 410 display, 420 speaker, 10 acquisition unit, 20 storage unit, 30 preprocessing unit, 40 estimation unit, 50 detection unit , 51 Short-term divergence detection unit, 52 Long-term divergence detection unit, 60 Control unit, 70 Re-learning unit, 210 Learning acquisition unit, 220 Learning storage unit, 230 Learning pre-processing unit, 240 Learning unit, 250 Evaluation unit 260 learning control unit, 510 storage unit, 520 preprocessing unit, 530 learning unit, 600 failure sign detection device, 610 acquisition unit, 620 storage unit, 630 preprocessing unit, 640 estimation unit, 650 detection unit, 651 short-term deviation Detection unit, 652 long-term deviation detection unit, 660 control unit, 670 re-learning unit, 700 notification device, 710 display, 720 speaker, 800 power converter, 810 motor, 820 power supply.

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Air Conditioning Control Device (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

より適切に故障の予兆を検知する故障予兆検知装置を得ることを目的とする。　本発明に係る故障予兆検知装置は、故障予兆検知対象の機器の故障予兆検知対象時における推定用データ及び比較用データを取得する取得部と、学習モデルを用いて推定用データから、比較用データの正常運転時における推定値を算出する推定部と、推定値と比較用データが示す実測値との複数時刻における比較結果に基づいて、機器の故障予兆を検知する検知部と、を備えた。

Description

故障予兆検知装置、故障予兆検知方法、故障予兆検知プログラム、学習装置、学習済みの学習モデルの生成方法、学習済みの学習モデル生成プログラム
　本発明は、故障予兆検知装置、故障予兆検知方法、故障予兆検知プログラム、学習装置、学習済みの学習モデルの生成方法、及び学習済みの学習モデル生成プログラムに関する。
　機器のセンサーデータを用いて、機器の故障予兆を検知する技術が提案されている（例えば、特許文献１）。通常、故障予兆時のデータ量は少ないため、正常時のデータのみを用いて学習させた正常運転時の学習モデルを生成し、学習モデルによる予測値と取得データが示す実測値との乖離が閾値以上である場合は故障予兆と検知する。
特願２０１５－５８６７３号公報
　しかしながら、従来の技術では、実際には機器が劣化していなくとも、外的要因に起因する機器周辺の環境変化により、実測値が予測値と乖離してしまった場合に故障予兆と誤検知してしまう可能性がある。
　本発明は、上記のような課題を解決するためになされたものであり、より適切に故障の予兆を検知する故障予兆検知装置を得ることを目的とする。
　本発明に係る故障予兆検知装置は、故障予兆検知対象の機器の故障予兆検知対象時における推定用データ及び比較用データを取得する取得部と、学習モデルを用いて推定用データから、比較用データの正常運転時における推定値を算出する推定部と、推定値と比較用データが示す実測値との複数時刻における比較結果に基づいて、機器の故障予兆を検知する検知部と、を備えた。
　本発明に係る故障予兆検知装置は、推定値と比較用データが示す実測値との複数時刻における比較結果に基づいて、機器の故障予兆を検知する検知部を備えたので、機器周辺の環境変化を故障の予兆であると誤検知する可能性を低減し、より適切に故障の予兆を検知することができる。
実施の形態１に係る故障予兆検知システム１０００の構成を示す構成図である。 実施の形態１に係る空調システム２０００の構成を示す構成図である。 実施の形態１に係る故障予兆検知装置１００及び発報装置３００の構成を示す構成図である。 実施の形態１に係る故障予兆検知装置１００のハードウェア構成を示すハードウェア構成図である。 実施の形態１に係る故障予兆検知装置１００の動作を示すフローチャートである。 実施の形態１に係る短期的乖離検知部５１が短期的環境変化を検知する処理を説明するための概念図である。 実施の形態１に係る長期的乖離検知部５２が故障予兆又は長期的環境変化を検知する処理の具体例について説明するための概念図である。 実施の形態１に係る長期的乖離検知部５２が長期的環境変化を検知する処理の具体例について説明するための概念図である。 実施の形態１に係る長期的乖離検知部５２が故障予兆を検知する処理の具体例について説明するための概念図である。 実施の形態１に係る学習装置２００の構成を示す構成図である。 実施の形態１に係る学習用前処理部２３０の処理の具体例について説明するための概念図である。 評価値が高い場合の学習モデルの具体例を示す概念図である。 評価値が低い場合の学習モデルの具体例を示す概念図である。 実施の形態１に係る学習装置２００のハードウェア構成を示すハードウェア構成図である。 実施の形態１に係る学習装置の動作を示すフローチャートである。 実施の形態１に係る故障予兆検知装置１００及び学習装置２００の変形例の構成を示す概念図である。 実施の形態２に係るＦＡシステム３０００の構成を示す構成図である。 実施の形態２に係る故障予兆検知装置６００の構成を示す構成図である。
　実施の形態１．
　図１は、実施の形態１に係る故障予兆検知システム１０００の構成を示す構成図である。故障予兆検知システム１０００は故障予兆検知装置１００と学習装置２００とを備える。故障予兆検知装置１００は学習装置２００から学習済みの学習モデルを取得し、学習装置２００は故障予兆検知装置１００から学習用データを取得する。故障予兆検知装置１００の詳細については、以下の推定フェーズで説明し、学習装置２００の詳細については、以下の学習フェーズで説明する。推定フェーズは、故障予兆検知装置１００が機器の故障予兆を学習済みの学習モデルを用いて検知するフェーズであり、学習フェーズは、学習装置２００が推定フェーズで故障予兆検知装置１００が用いる学習モデルの学習を行うフェーズである。
＜推定フェーズ＞
　図２は実施の形態１における空調システム２０００の構成を示す構成図である。空調システム２０００は、故障予兆検知装置１００、空調コントローラー３００、報知装置４００、複数の室外機ＯＵ（ＯＵ１，ＯＵ２，・・・ＯＵｎ）及び複数の室内機ＩＵ（ＩＵ１１，ＩＵ１２，・・・ＩＵ１ｐ，ＩＵ２１，ＩＵ２２，・・・ＩＵ２ｑ，ＩＵｎ１，ＩＵｎ２，・・・ＩＵｎｒ）を備える。ここで、ｎ、ｐ、ｑ、及びｒは任意の正の整数である。以下では、特定の室外機を指す場合には、ＯＵの後に追加の符号を付し、任意の室外機または全室外機を指す場合にはＯＵのみで表記することとする。室内機についても同様に、特定の室内機を指す場合には、ＩＵの後に追加の符号を付し、任意の室内機または全室内機を指す場合にはＩＵのみで表記することとする。符号の付し方については、後述する空調機ＡＣ、室外センサーＯＵＳ、室内センサーＩＵＳ、受付部ＩＵＲについても同様である。また、室外機ＯＵと室内機ＩＵとを合わせて空調機ＡＣと呼ぶこととする。実施の形態１において、機器は空調機ＡＣである。
　故障予兆検知装置１００は、機器の故障予兆を検知する装置であり、詳細については後述する。
　報知装置４００は、故障予兆検知装置１００からの信号に基づき、故障予兆検知装置１００のユーザーに発報を行うものである。詳細については、故障予兆検知装置１００とともに後述する。
　空調コントローラー３００は、全室外機ＯＵ及び全室内機ＩＵを集中コントロールするコントローラーであり、全室外機ＯＵ及び全室内機ＩＵの情報を集約している。また、空調コントローラー３００は、故障予兆検知装置１００が送信した情報を受信する通信インターフェースと、受信した情報に基づいて室外機ＯＵ及び室内機ＩＵを制御するためのプロセッサ及びメモリを備えている。
　各室外機ＯＵには複数の室内機ＩＵが接続されており、例えば室外機ＯＵ１には室内機ＩＵ１（ＩＵ１１，ＩＵ１２，・・・ＩＵ１ｐ）が接続される。空調コントローラー３００と室内機ＩＵ及び室外機ＯＵは電磁的方法により接続され、接続される方法は有線か無線かを問わない。また、空調コントローラー３００は室内機ＩＵ及び室外機ＯＵが設置された建築物と同じ建築物に設置される構成でも、遠隔地に備えられ、ネットワーク経由で接続される構成であってもよい。
　各室外機ＯＵは、接続された室内機ＩＵとともに室内の空調を行う空調機ＡＣ（ＡＣ１，ＡＣ２，・・・ＡＣｎ）を構成する。また、各室外機ＯＵは、当該室外機ＯＵが設置された室外の環境及び室外機ＯＵの状態を検知し、室外環境情報及び室外機情報を取得する室外センサーＯＵＳ（ＯＵＳ１，ＯＵＳ２，・・・ＯＵＳｎ）を備える。各室外センサーＯＵＳは、取得した室外環境情報及び室外機情報を空調コントローラー３００に出力する。ここで、室外環境情報とは、室外の環境を示すものであり、例えば、各時刻における室外温度や室外湿度等である。また、室外機情報とは室外機の状態を示すものであり、例えば、圧縮機周波数等である。
　各室内機ＩＵは、当該室内機ＩＵが設置された室内の環境及び室内機の状態を検知し、室内環境情報及び室内機情報を取得する室内センサーＩＵＳ（ＩＵＳ１１，ＩＵＳ１２，・・・ＩＵＳ１ｐ，ＩＵＳ２１，ＩＵＳ２２，・・・ＩＵＳ２ｑ，ＩＵＳｎ１，ＩＵＳｎ２，・・・ＩＵＳｎｒ）を備える。また、各室内機ＩＵは、ユーザーから設定情報を受け付ける受付部ＩＵＲ（ＩＵＲ１１，ＩＵＲ１２，・・・ＩＵＲ１ｐ，ＩＵＲ２１，ＩＵＲ２２，・・・ＩＵＲ２ｑ，ＩＵＲｎ１，ＩＵＲｎ２，・・・ＩＵＲｎｒ）を備える。各室内機ＩＵは、取得した室内環境情報、室内機情報、受け付けた設定情報、及び空調機ＡＣの運転状態を示す運転情報を、室外機ＯＵを介して空調コントローラー３００に出力する。ここで、室内環境情報とは、室内の環境を示すものであり、例えば、各時刻における室内温度及び室内湿度等である。設定情報は、受付部を介してユーザーにより設定される情報であり、例えば、室内機ＩＵが設置された部屋の環境値を目標値に到達させる目標時刻、目標温度、及び目標湿度等である。ここで、部屋の環境値とは、室内環境情報が示す値であり、目標値とは、設定情報が示す部屋の環境値の目標となる値である。
　運転情報は、空調機ＡＣの運転状態を示すものであり、例えば、空調機ＡＣの運転能力、空調機ＡＣが起動状態か停止状態かを示す情報、並びに、空調機ＡＣが冷房モード、暖房モード及び除湿モードを含む運転モードのいずれのモードにあるかを示す情報等である。また、室内機ＩＵだけでなく、室外機ＯＵも運転情報を出力する構成としてもよい。ここで、運転能力とは、空調機ＡＣの空調能力の強さを示すものであり、例えば、室外機ＯＵの冷媒蒸発温度、凝縮温度、及び稼働する室内機ＩＵの台数等である。
　また、上記において、室外機ＯＵ及び室内機ＩＵが、それぞれ室外センサーＯＵＳ及び室内センサーＩＵＳを備える構成としたが、各種センサーは室外機ＯＵ及び室内機ＩＵと独立して設ける構成としても良い。
　図３は、実施の形態１に係る故障予兆検知装置１００及び報知装置４００の構成を示す構成図である。先に報知装置４００について説明し、その後に故障予兆検知装置１００について説明する。
　報知装置４００は、故障予兆検知装置１００からの信号に基づき、故障予兆検知装置１００のユーザーへ報知を行うものであり、特に故障予兆の報知を行う。実施の形態１においては、ディスプレイ４１０とスピーカー４２０とを備える。
　ディスプレイ４１０は、視覚を通してユーザーに報知を行うものであり、スピーカー４２０は、聴覚を通してユーザーに報知を行うものである。
　次に、故障予兆検知装置１００について説明する。故障予兆検知装置１００は、接続された機器の故障予兆を検知する装置であり、より具体的には、学習モデルによる推定値と実測値とを複数時刻で比較することにより、機器の故障予兆と機器周囲の環境変化とを区別して、故障予兆及び環境変化を検知するものである。
　実施の形態１において、故障予兆検知装置１００は、取得部１０、記憶部２０、前処理部３０、推定部４０、検知部５０、制御部６０、及び再学習部７０を備える。
　取得部１０は、故障予兆検知対象の機器の故障予兆検知対象時における推定用データＤ１及び比較用データＤ２を取得するものである。
　実施の形態１において、取得部１０は、推定用データＤ１及び比較用データＤ２を空調コントローラー３００から取得する。また、推定用データＤ１及び比較用データＤ２は、上記の室外環境情報、室外機情報、室内環境情報、室内機情報、設定情報、及び運転情報であり、これらをまとめて空調データと呼ぶこととする。また、実施の形態１において、比較用データは、空調機ＡＣの圧縮機周波数を示すものとし、推定用データは、圧縮機周波数以外の値、例えば、時間（スケジュール）、消費電力、室外温度、室内温度、設定温度、運転状態、冷媒温度、各種サーミスタ、ファン回転数、各種圧力センサーが示す値等の少なくともいずれか一つを示すものとする。ここでは、圧縮機周波数を比較用データとしたので、空調機全体において、いずれかの部位における故障予兆を精度良く検知することができるが、特定の部位ごとに故障予兆を検知したい場合には、入出力データを上記とは異なる情報を示すデータに適宜変更すればよい。
　記憶部２０は、各種情報を記憶するものである。実施の形態１において、記憶部２０は、学習装置２００によって学習を行った学習済みの学習モデルＤ３、取得部１０が取得した推定用データＤ１及び比較用データＤ２、並びに、後述する検知部５０の検知結果を比較用データ及び推定用データに付与した学習用データＤ７及び評価用データＤ８を記憶する。
　記憶部２０は、学習済みの学習モデルＤ３、推定用データＤ１及び比較用データＤ２をバッチで前処理部３０に出力する。すなわち、記憶部２０は、所定時間毎に、当該所定時間に記憶した空調データと、学習済みの学習モデルＤ３とを、前処理部３０に出力する。
　また、実施の形態１においては、記憶部２０が各種データを記憶する構成を示したが、当該構成に限定されるものではない。記憶部２０に替えて、通信ネットワークＮＷ上に配置された単数または複数のネットワークストレージ装置（図示せず）が各種データを記憶し、当該ネットワークストレージ装置に前処理部３０、推定部４０及び再学習部７０がアクセスするように構成してもよい。これにより、取得部１０が取得した空調データ、及び検知部５０にて空調データに検知内容を付与した学習用データＤ７及び評価用データＤ８を記憶したデータベースを故障予兆検知装置１００の外部に構築することができる。
　前処理部３０は、入力された推定用データＤ１及び比較用データＤ２に対してデータの前処理を行い、前処理後の推定用データＤ４を推定部４０に出力し、前処理後の推定用データＤ４及び前処理後の比較用データＤ５を検知部５０に出力するものである。より具体的には、前処理部３０は、記憶部２０から入力された時系列のバッチデータである空調データに対して、移動平均や使用データの選定などの処理を行い、前処理後の推定用データＤ４を推定部４０に出力するとともに、前処理後の推定用データＤ４及び前処理後の比較用データＤ５を検知部５０に出力する。データの選定とは例えば、分散の小さい部分のみを用いる場合、その分散値の閾値を設けて閾値以下のデータを選定する。分散値の閾値は手動で設定しても良いし、後述する学習装置にて正常運転モデルを作成する際の評価値が最大時の分散値の閾値を用いる方法などがある。
　実施の形態１において、前処理部３０は、取得部１０が取得した推定用データＤ１及び比較用データＤ２のうち、分散値が所定の選定閾値未満の時間帯の推定用データＤ４及び比較用データＤ５を選定し、推定部４０及び検知部５０に出力する。
　推定部４０は、学習モデルＤ３を用いて推定用データＤ４から、比較用データＤ５の正常運転時における推定値を算出するものである。実施の形態１において、推定部４０は、前処理部３０が選定した推定用データＤ４を用いて推定値を算出する。また、推定部４０は、推定した推定値を示す推定データＤ６を検知部５０に出力する。
　また、実施の形態１において、推定部４０は、学習モデルＤ３を用いて推定用データＤ４から空調機ＡＣの圧縮機周波数の推定値を算出する。
　実施の形態１において、推定部４０は、学習モデルＤ３として正常運転モデルを用いる。ここで、正常運転モデルとは、機器の正常運転時のデータを用いて機械学習した際に得られる学習モデルであり、故障予兆検知のための機器の正常な運転時の挙動を表したモデルである。すなわち、学習モデルＤ３は、空調データのうち比較用データＤ５以外の情報を示す推定用データＤ４を入力として、比較用データＤ５が示す情報に対応する正常運転時における値を出力するものである。また、機械学習の方法としては、回帰分析等既存の学習方法を用いればよく、実施の形態１においても、学習方法としては回帰分析を用いる。
　実施の形態１において、推定部４０が算出する推定値は予測区間を有する。推定部４０は、学習モデルの出力として予測区間を有する推定値を直接算出してもよいし、学習モデルの出力として実数値を算出した後に所定の幅を持たせることにより、予測区間を有する推定値を算出するようにしてもよい。
　検知部５０は、推定部４０が算出した推定値と比較用データＤ５が示す実測値との複数時刻における比較結果に基づいて、機器の故障予兆を検知するものである。実施の形態１において、検知部５０は、推定部４０が算出した推定値と前処理部３０が選定した比較用データＤ５が示す実測値との複数時刻における比較結果に基づいて、機器の故障予兆を検知する。
　また、実施の形態１において、検知部５０は、推定部が算出した圧縮機周波数の推定値と、比較用データが示す圧縮機周波数の実測値とに基づき、空調機の断熱不良を検知する。
　また、実施の形態１において、検知部５０は、推定値と実測値との乖離度を算出し、乖離度が時間の経過に伴い増加する場合に、機器の故障予兆を検知する。また、検知部５０は、当該乖離度が複数時刻において所定の閾値を超えた場合に、機器の故障予兆又は機器周囲の環境変化を検知する。より具体的には、検知部５０は、乖離度が所定の閾値を超えた箇所を抽出し、抽出した箇所のそれぞれに対して、後述する短期的乖離検知部５１及び長期的乖離検知部５２の処理を行うことにより、機器の故障予兆又は機器周囲の環境変化を検知する。これらの処理の詳細については、短期的乖離検知部５１及び長期的乖離検知部５２の説明の際に説明を行う。
　実施の形態１において、検知部５０は、乖離度として、予測区間と前処理済みの空調データとの最短距離を用いる。ここで、上記の距離は、空調データの基底によって張られる空間で測られる。また、予測区間内に空調データが含まれる場合には距離はゼロとする。この場合には、検知部５０が、故障予兆又は環境変化を検知するための所定の閾値はゼロに設定すればよい。
　実施の形態１において、検知部５０は、短期的乖離検知部５１と、長期的乖離検知部５２とを備える。
　短期的乖離検知部５１は、乖離度が所定の閾値を超えた時間が所定の時間未満である場合に、機器周囲の短期的環境変化を検知するものである。すなわち、短期的乖離検知部５１は、推定部４０が推定した推定値と、前処理部３０から入力された比較用データＤ５が示す実測値とを比較し、一時的に乖離が確認された後、最終的に乖離が無くなった場合を検知する。そして、短期的乖離検知部５１は、故障予兆検知対象の時間帯に短期的乖離が存在するか否かを示す検知内容Ｄ９を制御部６０に出力する。
　例えば、実施の形態１では前処理済みの空調データが予測区間の外に一時的に存在し、一定時間後に予測区間内に存在した場合に、短期的乖離検知部５１は短期的乖離を検知する。短期的乖離検知部５１で検知した場合、空調の故障予兆でも長期的な環境の変化でもないため、短期間のみ乖離していたデータは短期的環境変化のラベルを付与し、学習用データＤ７として記憶部に記憶する。
　また、短期的環境変化とは、短期間のみ元の環境から変化し、ある程度の時間が経過すると元の環境に戻るような環境変化であり、例えば、窓の開閉等である。
　上記の所定時間については、故障予兆の機器に応じて設定すればよく、例えば、空調機の場合では数分～数時間程度に設定すればよい。
　長期的乖離検知部５２は、乖離度が所定の閾値を超えた時間が所定の時間以上である場合に、機器の故障予兆又は機器周囲の長期的環境変化を検知するものである。また、長期的乖離検知部５２は、故障予兆検知対象の時間帯に長期的乖離が存在するか否か、また、存在する場合は、その乖離が故障予兆に起因するものなのか、長期的環境変化に起因するものなのかを示す検知内容Ｄ９を制御部６０に出力する。
　長期的環境変化とは、長期間において元の環境から変化するような環境変化であり、例えば、部屋のレイアウト変更等である。所定時間については、短期的乖離検知部５１と同様に決定すればよく、同じ値を用いてもよい。
　例えば、実施の形態１では前処理済み空調データが予測区間の外に所定時間以上存在する場合に、長期的乖離検知部５２は長期的乖離を検知する。
　また、実施の形態１において、長期的乖離検知部５２は、乖離度が時間の経過に伴い増加する場合に、機器の故障予兆を検知する。また、長期的乖離検知部５２は、乖離度が所定の閾値以上であるが、時間の経過に伴い増加しない場合に、長期的環境変化を検知する。これは、故障予兆の場合には、機器の不具合は時間の経過とともに大きくなるため乖離度は大きくなり、長期的環境変化の場合には、レイアウト変更等は、一度変化した後はほとんど時間変化せず、乖離度はほぼ一定になるという考えに基づくものである。
　より具体的には、長期的乖離検知部５２は、比較用データが示す実測値と学習モデルによる推定値の距離を示す時系列データから、例えば、時間的に隣同士並んだデータの差分の積算値を算出する。環境の変化であれば、比較用データが示す実測値と学習モデルによる推定値は分散が小さく、時系列順の前ステップとの差分は小さいことが想定される。一方で、劣化による故障予兆であれば、実測値と推定値との距離は分散が徐々に大きくなり、時系列順の前ステップとの差分は大きいことが想定される。したがって、この差分の積算値が所定の閾値を超えたか否かを判定することにより、長期的な乖離が故障予兆に起因するものか、長期的環境変化によるものかを判別することができる。
　また、長期的環境変化を検知した場合、長期的乖離検知部５２は、検知したタイミング以降のデータに長期的環境変化後のデータであることを示すラベルを付与し、学習用データＤ７として記憶部２０に記憶させる。一方、故障の予兆を検知した場合、検知したタイミング以降のデータに故障予兆のデータであることを示すラベルを付与し、そのラベル付きデータは今後学習には用いず、後述する学習装置２００で学習モデルの学習を行う際の評価用データＤ８として記憶部２０に記憶させる。
　制御部６０は、検知部５０の検知内容Ｄ９に応じて各種制御を行うものである。実施の形態１において、制御部６０は、長期的乖離検知部５２が故障予兆を検知した場合に、故障予兆の報知をさせる制御信号Ｄ１０を報知装置に送信する。また、制御部６０は、長期的乖離検知部５２が長期的環境変化を検知した場合に、後述する再学習部７０に学習モデルの再学習を行わせる制御信号Ｄ１１を送信する。
　再学習部７０は、長期的乖離検知部が長期的環境変化を検知した場合に、長期的乖離検知部が長期的環境変化を検知した時刻より後の時間帯の推定用データ及び比較用データを学習用データＤ７として用いて、学習モデルの再学習を行うものである。より具体的には、再学習部７０は、記憶部２０に記憶された長期的環境変化後のラベルが付与されたデータを用いて再学習を行う。
　次に、実施の形態１における故障予兆検知装置１００のハードウェア構成について説明する。故障予兆検知装置１００の各機能は、コンピュータにより実現される。図４は、故障予兆検知装置１００を実現するコンピュータのハードウェア構成の例を示す構成図である。
　図４に示したハードウェアには、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）等の処理装置１００００と、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）やハードディスク等の記憶装置１０００１が備えられる。
　図３に示す、取得部１０、記憶部２０、前処理部３０、推定部４０、検知部５０、制御部６０、及び再学習部７０は、記憶装置１０００１に記憶されたプログラムが処理装置１００００で実行されることにより実現され、記憶部２０は記憶装置１０００１により実現される。ここで、上記の構成は、単数の処理装置１００００及び記憶装置１０００１により実現する構成に限らず、複数の処理装置１００００及び記憶装置１０００１により実現する構成であってもよい。
　また、故障予兆検知装置１００の各機能を実現する方法は、上記したハードウェアとプログラムの組み合わせに限らず、処理装置にプログラムをインプリメントしたＬＳＩ（Ｌａｒｇｅ　Ｓｃａｌｅ　Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）のような、ハードウェア単体で実現するようにしてもよいし、一部の機能を専用のハードウェアで実現し、一部を処理装置とプログラムの組み合わせで実現するようにしてもよい。
　以上のように、実施の形態１に係る故障予兆検知装置１００は構成される。
　次に、実施の形態１に係る故障予兆検知装置１００の動作について説明する。図５は、実施の形態１に係る故障予兆検知装置１００の動作を示すフローチャートである。故障予兆検知装置１００の動作が故障予兆検知方法に対応し、故障予兆検知装置１００の動作をコンピュータに実行させるプログラムが故障予兆検知プログラムに対応する。
　また、取得部１０の動作が取得工程に対応し、記憶部２０の動作が記憶工程に対応し、前処理部３０の動作が前処理工程に対応し、推定部４０の動作が推定工程に対応し、検知部５０の動作が検知工程に対応し、制御部６０の動作が制御工程に対応し、再学習部７０の動作が再学習工程に対応する。
　まず、ステップＳ１において、取得部１０は、故障予兆検知対象の機器の故障予兆検知対象時における推定用データ及び比較用データを記憶部２０から取得する。
　次に、ステップＳ２で、前処理部３０は、推定用データ及び比較用データに対して前処理を実施する。より具体的には、前処理部３０は、推定用データ及び比較用データのうち、センサー値の分散が小さいデータを選定し、推定部４０及び検知部５０に出力する。
　次に、ステップＳ３で、推定部４０は、学習モデルを用いて推定用データから、比較用データの正常運転時における推定値を算出する。
　次に、ステップＳ４で、検知部５０は、正常運転モデルにより推定された推定値と、比較用データが示す実測値との乖離度を算出する。
　次に、ステップＳ５で、検知部５０は、乖離度が所定の閾値を超えている箇所を乖離部分データとして抽出する。ここで、乖離部分データは推定値と推定用データがセットになったものである。故障予兆検知装置１００は、抽出した各乖離部分データに対して、ステップＳ６からステップＳ１４までの処理を抽出乖離部分数繰り返し実施する。
　ステップＳ６において、短期的乖離検知部５１は、推定値と実測値との間に短期的な乖離が無いかを判定する。
　短期的乖離検知部５１が、短期的環境変化を検知する処理の具体例について、図６を用いて説明する。
　図６は、実施の形態１に係る短期的乖離検知部５１が短期的環境変化を検知する処理を説明するための概念図である。
　図６において、実線が回帰曲線Ｃ１、幅を持った帯状の曲線が予測区間Ｉ１、白丸が取得した空調データＡ１を示す。ここで、推定用データが示す値が空調データＡ１の横軸の値に対応し、比較用データが示す値が空調データＡ１の縦軸の値に対応する。また、回帰曲線Ｃ１は、推定用データを学習モデル入力したときの出力として得られるものである。ここで、回帰曲線Ｃ１と予測区間Ｉ１とを合わせて推定値と呼ぶこととする。
　短期的乖離検知部５１は、図６に示すある時間帯Ｔ１において、乖離度が所定の閾値を超えている、すなわち、空調データＡ１に予測区間Ｉ１の範囲に入っておらず推定値と実測値とが乖離しているデータが存在することを検知する。そして、短期的乖離検知部５１は、推定値と実測値とが乖離している時間帯Ｔ１と所定の時間Ｔ２とを比較し、Ｔ１がＴ２より短い場合に短期的環境変化を検知する。
　ステップＳ６でＮＯと判定された場合、すなわち、短期的な乖離が有ると判定された場合は、ステップＳ７へと進み、短期的乖離検知部５１は、ステップＳ５で短期的な乖離が有ると判定されたことをもって、短期的環境変化を検知する。
　ステップＳ６でＹＥＳと判定された場合、すなわち、短期的な乖離が無いと判定された場合は、ステップＳ８へと進む。
　ステップＳ８において、長期的乖離検知部５２は、推定値と実測値との間に長期的な乖離があるかを判定する。
　長期的乖離検知部５２が、故障予兆又は長期的環境変化を検知する処理の具体例について、図７を用いて説明する。
　図７は、実施の形態１に係る長期的乖離検知部５２が故障予兆又は長期的環境変化を検知する処理の具体例について説明するための概念図である。
　図６と同様に、図７において、実線は回帰曲線Ｃ２、幅を持った帯状の曲線が予測区間Ｉ２、白丸が取得した空調データＡ２を示す。
　長期的乖離検知部５２は、図７に示すある時間帯Ｔ３において、乖離度が所定の閾値を超えている、すなわち、空調データＡ２に予測区間Ｉ２の範囲に入っておらず推定値と実測値とが乖離しているデータが存在することを検知する。そして、長期的乖離検知部５２は、推定値と実測値とが乖離している時間帯Ｔ３と所定の時間Ｔ２とを比較し、Ｔ３がＴ２より長い場合に故障予兆又は長期的環境変化を検知する。
　ステップＳ８においてＮＯと判定された場合、この場合には、正常運転時の値と実測値との間に乖離がないので、故障予兆検知装置１００は、故障予兆及び環境変化なしと判断し、動作を終了する。
　ステップＳ８においてＹＥＳと判定された場合、ステップＳ９に進み、長期的乖離検知部５２は、前後のデータにおける乖離度の差分の積算値を、乖離部分データの最初から最後まで算出する。
　次に、ステップＳ１０において、長期的乖離検知部５２は、差分の積算値が閾値以上か否かを判定する。
　ステップＳ１０でＮＯと判定された場合、ステップＳ１１に進み、長期的乖離検知部５２は、差分の積算値が閾値以上でないことをもって、長期的環境変化を検知する。また、ステップＳ１０でＹＥＳと判定された場合、ステップＳ１２に進み、長期的乖離検知部５２は、差分の積算値が閾値以上であることをもって、故障予兆を検知する。
　上記のステップＳ９からステップＳ１２において、長期的乖離検知部５２は、ステップＳ８で検知した長期的な乖離が、機器の故障予兆によるものか、それとも長期的な環境変化によるものかを判定する。以下で、ステップＳ９からステップＳ１２の処理の具体例について説明する。
　図８を用いて、実施の形態１に係る長期的乖離検知部５２が長期的環境変化を検知する処理について説明する。図８は、実施の形態１に係る長期的乖離検知部５２が長期的環境変化を検知する処理の具体例について説明するための概念図である。
　図８の左に示されるのが、乖離度の時間変化であり、図８の右に示されるのが乖離度の積算値である。長期的乖離検知部５２は、ある時刻の乖離度とその前の時刻の乖離度との差を積算し、積算値が所定の閾値以上か否かを確認する。図８に示されるように、乖離度がほぼ一定であり、積算値が所定の閾値未満である場合、長期的乖離検知部５２は長期的環境変化を検知する。
　次に、図９を用いて、実施の形態１に係る長期的乖離検知部５２が故障予兆を検知する処理について説明する。図９は、実施の形態１に係る長期的乖離検知部５２が故障予兆を検知する処理の具体例について説明するための概念図である。
　図８と同様に、図９の左に示されるのが、乖離度の時間変化であり、図９の右に示されるのが乖離度の積算値である。長期的乖離検知部５２は、ある時刻の乖離度とその前の時刻の乖離度とを積算し、積算値が所定の閾値以上か否かを確認する。図９に示されるように、乖離度が時間の経過に伴い増加し、積算値が所定の閾値以上である場合、長期的乖離検知部５２は故障予兆を検知する。
　図５のフローチャートに戻り、動作の続きについて説明を行う。
　ステップＳ７、ステップＳ１１及びステップＳ１２の後はステップＳ１３に進む。短期的乖離検知部５１又は長期的乖離検知部５２は、乖離を検知した場合、乖離部分のデータに検知結果のラベルを付与し、ラベル付きのデータを記憶部に記憶させる。また、短期的乖離検知部５１または長期的乖離検知部５２は、検知内容を制御部に出力する。
　最後にステップＳ１４において、制御部６０は、受信した検知内容に基づいて各種制御を行う。例えば、検知内容が長期的環境変化である場合、制御部６０は、再学習部に再学習を行わせ、検知内容が故障予兆である場合、報知装置４００に故障予兆を知らせる報知を行わせる。また、検知内容が短期的環境変化である場合、制御部６０は、報知装置４００に短期的環境変化を知らせる報知を行わせてもよいし、あるいは、ステップＳ１４の処理を省略しても良い。
　故障予兆検知装置１００は、ステップＳ６からステップＳ１４までの処理を抽出乖離部分数繰り返す。
　以上のような動作により、実施の形態１に係る故障予兆検知装置１００は、推定値と実測値との複数時刻における比較結果に基づいて、機器の故障予兆を検知するので、機器周辺の環境変化を故障の予兆であると誤検知する可能性を低減し、より適切に故障の予兆を検知することができる。
　また、実施の形態１に係る故障予兆検知装置１００は、推定値と実測値との乖離度を算出し、乖離度が時間の経過に伴い増加する場合に、機器の故障予兆を検知するようにしたので、レイアウト変更のような長期的な環境変化を故障予兆と誤検知することをより適切に防止し、故障予兆をより適切に検知することができる。
　また、実施の形態１に係る故障予兆検知装置１００は、乖離度が複数時刻において所定の閾値を超えた場合に、機器の故障予兆又は機器周囲の環境変化を検知するようにしたので、一瞬だけ閾値を超えた場合に故障予兆と誤検知することをより適切に防止することができる。
　また、実施の形態１に係る故障予兆検知装置１００は、乖離度が閾値を超えた時間が所定の時間未満である場合に、機器周囲の短期的環境変化を検知し、乖離度が閾値を超えた時間が所定の時間以上である場合に、機器の故障予兆又は長期的環境変化を検知するようにしたので、環境変化の中でも短期的環境変化と長期的環境変化を区別し、より適切に故障予兆の誤検知を防止することができる。
　また、環境変化に起因する乖離があったとしても、室内のレイアウト変更等の長期的な環境変化があった場合は学習モデルの再学習が必要になるが、窓を開けただけの様な、短期的な環境変化しかない場合には、学習モデルの再学習が必要ない場合も存在する。そうした長期的環境変化と短期的環境変化も区別して検知することで、再学習の必要性の有無を判別することができる。
　また、実施の形態１に係る故障予兆検知装置１００は、分散値が所定の選定閾値未満の時間帯の推定用データ及び比較用データを選定し、検知部に出力するようにしたので、分散値が大きく不安定な時間帯のデータを検知に用いて故障予兆を誤検知することをより適切に防止することができる。
　また、実施の形態１に係る故障予兆検知装置１００は、故障予兆検知装置１００のユーザーへ報知を行う報知装置４００に接続され、故障予兆を検知した場合に、報知装置４００から報知を行うようにしたので、検知した故障予兆をユーザーに認識させることができる。
　また、実施の形態１に係る故障予兆検知装置１００は、長期的環境変化を検知した場合に、長期的乖離検知部が長期的環境変化を検知した時刻より後の時間帯の推定用データ及び比較用データを再学習用データとして用いて、学習モデルの再学習を行うようにしたので、レイアウト変更等を行い長期的な環境変化が生じ、学習モデルによる推定が上手く行えていないような状況を改善することができる。また、ユーザーが一々再学習用のデータを設定し、再学習を実行させる手間を省くことができる。
　また、実施の形態１においては、故障予兆検知装置の故障予兆検知対象は空調機であり、空調機の圧縮機周波数を、学習モデルを用いて推定するようにしたので、故障検知の中でも空調機の断熱不良を適切に検知することができる。
　また、上記において、故障予兆検知装置１００は、図５に示すように、検知内容の報知や再学習をループ処理の中に含めているが、ループ処理が終了した後に、全ループ処理の結果を統合してから検知内容の報知や再学習を実行するようにしてもよい。
　以上で推定フェーズの説明を終了し、次に、学習フェーズの説明を行う。
＜学習フェーズ＞
　推定フェーズで用いられる学習モデルの学習を行う学習フェーズについて説明する。
　図１０は、実施の形態１に係る学習装置２００の構成を示す構成図である。
　学習装置２００は、機器の正常運転時のデータを用いて学習モデルの学習を行い、学習モデルを生成するものである。
　実施の形態１において、学習装置２００は、学習用取得部２１０、学習用記憶部２２０、学習用前処理部２３０、学習部２４０、評価部２５０、及び学習制御部２６０を備える。
　学習用取得部２１０は、学習モデルの学習に用いる学習用データＤ２１を取得するものである。ここで、学習用データは故障予兆検知装置１００における比較用データ及び推定用データと同じ種類の情報を示し、また、機器の正常運転時における値を示すものとする。すなわち、実施の形態１において、学習用取得部２１０は、機器の正常運転時における学習用データを取得するものである。
　実施の形態１において、学習用取得部２１０は、後述する学習用記憶部２２０に記憶された学習用データＤ２１を取得するが、故障予兆検知装置１００の記憶部２０に学習用データＤ２２が記憶されている場合には、学習を行う前に、予め記憶部２０から学習用データＤ２２を取得し、取得した学習用データＤ２２を記憶部２０に記憶させる。そして、学習用データＤ２２を含めて学習用データＤ２１を取得する。
　学習用前処理部２３０は、学習用データＤ２１の前処理を行うものであり、実施の形態１においては、学習用取得部２１０が取得した学習用データＤ２１のうち、分散値が所定の選定閾値未満の時間帯のデータを学習モデルの学習に用いるデータとして選定するものである。ここで、実施の形態１においては、学習モデルの出力を圧縮機周波数としたので、圧縮機周波数の分散値が所定の選定閾値未満の時間帯のデータを学習に用いるデータとして選定する。そして、学習用前処理部２３０は、選定後の学習用データＤ２３を学習部２４０に出力する。
　ここで、学習用データの選定を行わず、分散値が大きな値を示すデータを学習に用いると、学習モデルの学習を上手く行うことができず、精度の低い推定を行う学習モデルを生成してしまうという問題が生じる。
　図１１を用いて、学習用前処理部２３０の処理の具体例について説明する。室内温度と目標温度との差が大きく、空調機ＡＣが安定的に運転している期間においては、センサー値の分散が小さなデータが得られるが、一度室内温度が目標温度に達し、空調機のＯＮ／ＯＦＦが細かく切り替わる過渡期の場合にはセンサー値の分散が大きなデータが得られる。このような場合において、分散値が大きなデータを学習用データとして用いると、学習モデルの学習を上手く行うことができない場合がある。上記の課題を解決するために、学習用前処理部２３０は、センサー値の分散値を用いて学習用データの選定を行うのである。
　学習用記憶部２２０は、学習に関する各種情報を記憶するものであり、例えば、学習用データＤ２１、評価用データＤ２４、及び学習モデルＤ２５を記憶する。ここで、学習モデルが故障予兆検知装置１００で再学習されている場合は、学習用取得部２１０を介して故障予兆検知装置１００の記憶部２０に記憶されている学習モデルを取得し、記憶するようにしてもよい。また、故障予兆検知装置１００の記憶部２０に評価用データ、すなわち故障予兆ラベル付きデータが記憶されている場合、同様に、学習用取得部２１０を介して故障予兆検知装置１００の記憶部２０に記憶されている評価用データを取得し、記憶するようにしてもよい。
　学習部２４０は、学習用前処理部２３０により選定された学習用データＤ２３を用いて学習モデルＤ２５の学習を行うものである。実施の形態１では、推定フェーズで説明したように、回帰分析により学習モデルの学習を行う。学習部２４０は、学習を行った後の学習モデルＤ２６を評価部２５０に出力する。
　評価部２５０は、学習モデルＤ２６の評価を行い、学習モデルＤ２６の評価値を算出するものである。
　実施の形態１において、評価部２５０は、評価用データＤ２４として、正常運転データのバリデーションデータ及び故障予兆ラベル付きデータを学習用記憶部２２０から取得する。また、評価部２５０が実施する評価方法としては、決定係数や回帰誤差等、周知の技術を用いればよい。実施の形態１において、評価部２５０は、故障予兆検知装置１００の推定部４０と同様に、評価用データＤ２４を用いて推定値を取得し、推定値が予測区間内外に存在する割合を評価値として算出する。また、評価部２５０は、算出した評価値を示す情報を評価情報Ｄ２７として学習制御部２６０に出力する。
　正常運転データのバリデーションデータを評価用データＤ２４として用いる場合には、評価用データが予測区間内に存在する割合を評価値として用いることにより、評価用データＤ２４が推定値の予測区間内に多く存在するほど評価値が高くなり、正しく学習できていると評価でき、故障予兆ラベル付きデータを評価用データＤ２４として用いる場合には、評価用データＤ２４が予測区間外に存在する割合を評価値として用いることにより、評価用データＤ２４が予測区間外に多く存在するほど評価値が高くなり、正しく学習できていると評価できる。
　評価値が高い場合の学習モデルＤ２６と評価値が低い場合の学習モデルＤ２６の具体例について、図１２及び図１３を参照しながら説明する。図１２は、評価値が高い場合の学習モデルＤ２６を示す概念図であり、図１３は、評価値が低い場合の学習モデルＤ２６を示す概念図である。
　図１２及び図１３において、評価用データは全て正常運転時の空調データであるとする。
　図１２では、予測区間Ｉ３の中に評価用データＡ３が全て含まれており、評価値が高く、正しく学習できていると判断される状態を示している。一方で、図１３では、予測区間Ｉ４の中に含まれない評価用データＡ４が多数存在しており、評価値が低く、正しく学習が出来ていないと判断される状態を示している。
　図１０に戻り、構成についての説明を続ける。
　学習制御部２６０は、学習に関する各種制御を行うものであり、実施の形態１において、学習制御部２６０は、複数の選定閾値を取得し、学習用前処理部２３０の選定、学習部２４０の学習、及び評価部２５０の評価からなる一連の処理である探索処理を選定閾値毎に繰り返し行う反復処理を実行させる。すなわち、学習制御部２６０は、反復処理を実行させるための制御指令Ｄ２８を学習用前処理部２３０、学習部２４０及び評価部２５０に出力する。
　また、学習制御部２６０は、所定の終了条件に基づき、反復処理を終了し、反復処理を終了した時点で、評価値が最も高かった探索処理における選定閾値を最終的な選定閾値として特定する。実施の形態１において、所定の終了条件は、所定回数の探索処理を終了することとする。
　また、学習制御部２６０は、報知装置４００に接続されており、ディスプレイ４１０に学習結果の表示を行わせるための制御指令Ｄ２９を出力する。
　次に、実施の形態１における学習装置２００のハードウェア構成について説明する。学習装置２００の各機能は、コンピュータにより実現される。図１４は、学習装置２００を実現するコンピュータのハードウェア構成の例を示す構成図である。
　図１４に示したハードウェアには、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）等の処理装置２００００と、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）やハードディスク等の記憶装置２０００１が備えられる。
　図１０に示す、学習用取得部２１０、学習用前処理部２３０、学習部２４０、及び評価部２５０は、記憶装置２０００１に記憶されたプログラムが処理装置２００００で実行されることにより実現され、学習用記憶部２２０は記憶装置２０００１により実現される。ここで、上記の構成は、単数の処理装置２００００及び記憶装置２０００１により実現する構成に限らず、複数の処理装置２００００及び記憶装置２０００１により実現する構成であってもよい。
　また、学習装置２００の各機能を実現する方法は、上記したハードウェアとプログラムの組み合わせに限らず、処理装置にプログラムをインプリメントしたＬＳＩ（Ｌａｒｇｅ　Ｓｃａｌｅ　Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）のような、ハードウェア単体で実現するようにしてもよいし、一部の機能を専用のハードウェアで実現し、一部を処理装置とプログラムの組み合わせで実現するようにしてもよい。
　以上のように、実施の形態１に係る学習装置２００は構成される。
　次に、実施の形態１に係る学習装置２００の動作について説明する。図１５は、実施の形態１に係る学習装置２００の動作を示すフローチャートである。学習装置２００の動作が、学習済みの学習モデルの生成方法に対応し、学習装置２００の動作をコンピュータに実行させるプログラムが学習済みの学習モデル生成プログラムに対応する。
　また、学習用取得部２１０の動作が学習用取得工程に対応し、学習用記憶部２２０の動作が学習用記憶工程に対応し、学習用前処理部２３０の動作が学習用前処理工程に対応し、学習部２４０の動作が学習工程に対応し、評価部２５０の動作が評価工程に対応し、学習制御部２６０の動作が学習制御工程に対応する。
　まず、ステップＳ２１において、学習用取得部２１０は、学習用記憶部２２０から学習用データを取得する。
　次に、ステップＳ２２において、学習用前処理部２３０は、所定の選定閾値に基づいて学習に用いるデータの選定を行う。
　次に、ステップＳ２３において、学習部２４０は、ステップＳ２２で選定された学習用データを用いて学習モデルの学習を行う。
　次に、ステップＳ２４において、評価部２５０は、ステップＳ２３で学習を行った学習モデルの評価を行う。
　次に、ステップＳ２５において、学習制御部２６０は、評価結果とその時のデータ選定に用いたパラメータ、すなわち選定閾値を学習用記憶部２２０に記憶させる。その後、学習制御部２６０は、選定閾値を元の選定閾値と異なる値に再設定する。実施の形態１において、再設定の方法は、選定閾値の設定範囲を探索回数で等分割した値を順に設定する。そして、学習制御部２６０は、再設定した選定閾値でステップＳ２２からステップＳ２３までの探索処理を繰り返し実行させる。
　学習制御部２６０が所定回数探索処理を実行させ反復処理が終了した後、ステップＳ２６において、評価部２５０は、各探索処理に対応する選定閾値の中で、最も評価値が良かった選定閾値を最終的な選定閾値として特定する。
　次に、ステップＳ２７からステップＳ２９において、学習制御部２６０は、ステップＳ２６で、特定された選定閾値を用いて再度学習用データの選定、学習モデルの学習、学習モデルの評価を行わせる。
　次に、ステップＳ３０において、学習制御部２６０は、ステップＳ２９で算出した学習モデルの評価結果をディスプレイ４１０に表示させる。
　最後にステップＳ３１で、学習部４５０は、学習用記憶部２２０に学習済みの学習モデルを記憶させるとともに、故障予兆検知装置１００の記憶部２０に学習済みの学習モデルを記憶させる。
　以上のようにして、実施の形態１に係る学習装置２００は、分散値が所定の選定閾値未満の時間帯のデータを学習モデルの学習に用いるデータとして選定するようにしたので、回帰分析等の学習を適切に行うことができ、高精度に推定を行う学習モデルを生成することができる。
　また、実施の形態１に係る学習装置２００は、さらに、学習モデルの評価値を算出する評価部と、選定閾値を元の選定閾値と異なる値に再設定し、学習用データ前処理部の選定、学習部の学習、及び評価部の評価からなる一連の処理である探索処理を繰り返し行う反復処理を実行させる学習制御部と、を備え、学習制御部は、所定の終了条件に基づき、反復処理を終了し、反復処理を終了した時点で、評価値が最も高かった探索処理における選定閾値を特定するようにしたので、選定閾値を複数回探索し、最適な選定閾値を特定することにより、より適切に学習モデルの学習を行うことができ、より高精度に推定を行う学習モデルを生成することができる。
　以下で実施の形態１に係る故障予兆検知装置１００及び学習装置２００の変形例について説明する。
　故障予兆検知装置１００と学習装置２００は、別々に記憶部２０（学習用記憶部２２０）、前処理部３０（学習用前処理部２３０）、再学習部７０（学習部２４０）を備える構成としたが、図１６に示すように、故障予兆検知装置１００と学習装置２００が共通の記憶部５１０、前処理部５２０、及び学習部５３０を備え、互いにアクセスする構成としてもよい。この場合、学習用取得部２１０は、前処理部５２０から前処理済みの学習用データを取得し、学習部５３０に出力する。また、故障予兆検知装置１００と学習装置２００のどちらが、上記の記憶部５１０、前処理部５２０、及び学習部５３０を備える構成であっても良い。
　制御部６０は、再学習部７０に、長期的乖離検知部が長期的環境変化を検知した時刻より後の時間帯の推定用データ及び比較用データを再学習用データとして用いて、自動で再学習を行わせるようにしたが、自動で再学習は行わず、報知装置４００に再学習を促す報知を行わせるだけにしてもよい。あるいは、再学習は自動で行い、再学習を行うことを報知装置４００から報知させるようにしてもよい。これにより、ユーザーが気付かないうちに学習モデルが更新されることを防ぐことができる。
　制御部６０は、故障予兆を知らせる報知を報知装置４００に行わせるだけでなく、推定値と実測値との比較結果をディスプレイ４１０に表示させるようにしてもよい。これにより、検知結果をユーザーが目視で確認することができる。
　また、検知部５０が、乖離度の大きさや時間変化等から故障予兆のレベルを検知できる場合には、制御部６０は、そのレベルを報知装置４００から報知させるようにしてもよい。これにより、ユーザーは、放置された故障予兆が緊急で対応すべきものか、次の点検まで対応しなくてもよいものか判断することができる。
　また、検知部５０が学習モデルの出力内容から故障個所を検知できる場合、制御部６０は、その故障個所を報知装置４００から報知させるようにしてもよい。これにより、ユーザーはどの箇所を修理すればよいか適切に把握することができる。
　長期的乖離検知部５２において、時系列の乖離度を用いて、前後のデータの差分を積算し、積算した値が閾値を超えた場合に、故障予兆を検知するようにしたが、故障予兆と長期的環境変化を区別する方法は、この方法に限らない。データの傾向として、故障予兆の場合は推定値の予測区間に対して徐々に乖離度が大きくなっていくのに対して、長期的環境変化の場合は予測区間に対する乖離度はある程度分散があるもののおおよそ一定である。したがって、例えば、時系列順に並べた実測値と推定値との乖離度に対して移動平均を取り、データの傾向が単調増加になっているか否かを判定することにより、故障予兆か長期的環境変化かを判定しても良い。
　学習制御部２６０は、所定の探索回数が終了したときに、反復処理を終了するようにしたが、一回の探索処理毎に評価値と所定の評価閾値を比較し、評価値が評価閾値以上であった場合に反復処理を終了するようにしてもよい。このようにすることで、反復処理をより早く終了し、計算時間を短縮することができる。
　実施の形態２．
　次に、実施の形態２について説明する。
　実施の形態１では、故障予兆検知システム１０００を空調システム２０００に適用した場合の実施の形態について説明したが、実施の形態２では、故障予兆検知システムをＦＡ（Ｆａｃｔｏｒｙ　Ａｕｔｏｍａｔｉｏｎ）システムに適用した場合、すなわち故障予兆検知対象の機器がＦＡ機器である場合の実施の形態について説明する。実施の形態１と共通する構成及び動作については、適宜説明を省略する。また、実施の形態２では、ＦＡシステムの具体例として、故障予兆検知装置が、インバータ等の電力変換装置に接続され、当該電力変換装置の故障予兆を検知するシステムについて説明する。
　図１６は、実施の形態２に係るＦＡシステム３０００の構成を示す構成図である。
　ＦＡシステム３０００は、故障予兆検知装置６００、報知装置７００、電力変換装置８００、モーター８１０、及び電源８２０を備える。
　故障予兆検知装置６００の構成は、実施の形態１に係る故障予兆検知装置１００の構成と同様であり、学習モデルの入出力データが示す情報のみが異なる。相違点の詳細については、後述する。
　報知装置７００の構成も、実施の形態１に係る報知装置４００の構成と同様であり、説明は省略する。
　電力変換装置８００は、電源８２０から入力される電力を所定の電流、電圧、周波数に変換し、負荷であるモーター８１０に供給する。電力変換装置８００は、半導体スイッチング素子（以下、スイッチング素子という）を内蔵したパワー半導体モジュール（以下、半導体モジュールという）と、半導体モジュールが内蔵するスイッチング素子の制御を行う電力変換制御部とを有し、スイッチング素子のスイッチング動作を制御することで、入力された電力を任意の電流、電圧、周波数に変換しモーター８１０に供給している。
　また、電力変換装置８００には、各種センサーが備えられ、センサーによって取得されたセンサーデータは、故障予兆検知装置６００に出力される。
　電力変換装置８００の運転時はスイッチング素子に損失が発生するため、スイッチング素子の温度は上昇し、電力変換装置８００が停止するとスイッチング素子の温度は低下する。このスイッチング素子の温度の上昇と下降の繰り返しは、パワーサイクルと呼ばれており、スイッチング素子が配置される半導体チップの劣化（以下、パワーサイクル劣化という）を引き起こし、半導体チップの寿命を短くする。
　電力変換装置８００は、半導体チップ内の温度変化、すなわちジャンクション温度が分かれば、パワーサイクル劣化を推定することができるが、実際の電力変換装置８００において、半導体チップ内のジャンクション温度を直接推定することは困難である。そこで、例えば、従来技術では、電力変換装置８００のスイッチング周波数や出力電流から温度変動値を算出し、パワーサイクル劣化の度合を推定することが行われている。
　上記を踏まえて、実施の形態２に係る故障予兆検知装置６００は、電力変換装置８００の出力電流、出力電圧、出力周波数等の出力値の推定値と実測値とを複数時刻で比較し、この複数時刻における比較結果に基づいて、電力変換装置８００の故障予兆を行う。
　故障予兆検知装置６００の構成及び動作の詳細について説明する。
　図１７は、実施の形態２に係る故障予兆検知装置６００及び報知装置７００の構成を示す構成図である。故障予兆検知装置６００は、取得部６１０、記憶部６２０、前処理部６３０、推定部６４０、短期的乖離検知部６５１と長期的乖離検知部６５２とを有する検知部６５０、制御部６６０、及び再学習部６７０を備え、報知装置７００は、ディスプレイ７１０及びスピーカー７２０を備える。
　各部の基本的な構成及び動作は実施の形態１と同様であり、相違する点のみについて説明する。
　取得部６１０は、電力変換装置８００から電力変換装置８００の入力値や出力値等を示す各種センサーデータと電力変換制御部の制御指令値を示す制御情報とを取得する。各種センサーデータとしては、出力電流値、出力電圧値、入力電圧値、入力電流値、室内温度、半導体モジュールの表面温度等を取得すればよく、制御情報としては、電圧指令値、電流指令値、出力周波数指令値、スイッチング周波数指令値等を取得すればよく、これらを総称してＦＡデータと呼ぶ。実施の形態２においては、ＦＡデータのうち各種センサーデータに含まれる電力変換装置８００の出力値を比較用データとし、他のＦＡデータを推定用データとする。例えば、比較用データは電力変換装置８００の出力電流値を示し、推定用データはその他のセンサー値や指令値、例えば、出力電圧値、入力電圧値、入力電流値、電圧指令値、電流指令値、出力周波数指令値、スイッチング周波数指令値、室内温度、半導体モジュールの表面温度等の少なくともいずれか一つを示すこととする。
　そして、推定部６４０は推定用データを用いて電力変換装置８００の出力値、例えば上述の例では電力変換装置８００の出力電流値を推定し、検知部６５０は推定部６４０が出力する電力変換装置８００の出力値、上述の例では電力変換装置８００の出力電流値の推定値と、比較用データが示す実測値を複数時刻で比較し、その比較結果に基づいて故障予兆を検知する。
　上記のように、実施の形態１と実施の形態２とでは、推定用データ及び比較用データが示す情報のみが異なるため、故障予兆検知の具体的な説明は省略する。
　以上のようにして、実施の形態２に係る故障予兆検知装置６００は、電力変換装置８００の出力値の推定値と実測値とを複数時刻で比較することで、環境変化と故障予兆とを区別し、電力変換装置８００の故障予兆を検知することができるため、故障予兆の検知精度を向上させることができる。
　実施の形態１では、故障予兆検知システムを空調システムに適用した場合の実施の形態について説明し、実施の形態２では、ＦＡシステムに適用した場合の実施の形態について説明したが、故障予兆検知システムの適用範囲はこれに限らず、環境変化と故障予兆を区別して、故障予兆を検知することが望まれる他のシステムに対しても適用することができる。
　本開示に係る故障予兆検知装置は、例えば、空調システムやＦＡシステムなど、何かしらの故障予兆が運転データに対して表れるドメイン全般に対して用いられるのに適している。例えば、機器の外部からでは故障予兆の判定が難しい内部の部品等について、センサー値をモニタし、故障予兆を検知し、機器のメンテナンス作業員などに発報する形をとる。その中で、機器の運転する環境が変化した場合などを故障予兆と区別して検知することで誤検知を低減し、作業員の負荷を低減できるうえ、人の主観に頼らない定量的な指標で再学習タイミングも検知することができる。
　１０００　故障予兆検知システム、１００　故障予兆検知装置、２００　学習装置、３００　空調コントローラー、４００　報知装置、４１０　ディスプレイ、４２０　スピーカー、１０　取得部、２０　記憶部、３０　前処理部、４０　推定部、５０　検知部、５１　短期的乖離検知部、５２　長期的乖離検知部、６０　制御部、７０　再学習部、２１０　学習用取得部、２２０　学習用記憶部、２３０　学習用前処理部、２４０　学習部、２５０　評価部、２６０　学習制御部、５１０　記憶部、５２０　前処理部、５３０　学習部、６００　故障予兆検知装置、６１０　取得部、６２０　記憶部、６３０　前処理部、６４０　推定部、６５０　検知部、６５１　短期的乖離検知部、６５２　長期的乖離検知部、６６０　制御部、６７０　再学習部、７００　報知装置、７１０　ディスプレイ、７２０　スピーカー、８００　電力変換装置、８１０　モーター、８２０　電源。

Claims (16)

  1. 　故障予兆検知対象の機器の故障予兆検知対象時における推定用データ及び比較用データを取得する取得部と、
    　学習モデルを用いて前記推定用データから、前記比較用データの正常運転時における推定値を算出する推定部と、
    　前記推定値と前記比較用データが示す実測値との複数時刻における比較結果に基づいて、前記機器の故障予兆を検知する検知部と、
    　を備えた故障予兆検知装置。
  2. 　前記検知部は、前記推定値と前記実測値との乖離度を算出し、前記乖離度が時間の経過に伴い増加する場合に、前記機器の故障予兆を検知する
    　ことを特徴とする請求項１に記載の故障予兆検知装置。
  3. 　前記検知部は、前記乖離度が前記複数時刻において所定の閾値を超えた場合に、前記機器の故障予兆又は前記機器周囲の環境変化を検知する
    　ことを特徴とする請求項２に記載の故障予兆検知装置。
  4. 　前記検知部は、
    　前記乖離度が前記閾値を超えた時間が所定の時間未満である場合に、前記機器周囲の短期的環境変化を検知する短期的乖離検知部と、
    　前記乖離度が前記閾値を超えた時間が所定の時間以上である場合に、前記機器の故障予兆又は前記機器周囲の長期的環境変化を検知する長期的乖離検知部と、
    　を備えることを特徴とする請求項３に記載の故障予兆検知装置。
  5. 　前記故障予兆検知装置は、さらに、
    　前記取得部が取得した推定用データ及び比較用データのうち、分散値が所定の選定閾値未満の時間帯の前記推定用データ及び前記比較用データを選定し、前記推定部及び前記検知部に出力する前処理部を備え、
    　前記推定部は、前記前処理部が選定した前記推定用データを用いて前記推定値を算出し、
    　前記検知部は、前記推定値と前記前処理部が選定した前記比較用データが示す実測値との複数時刻における比較結果に基づいて、前記機器の故障予兆を検知する
    　ことを特徴とする請求項１から４のいずれか一項に記載の故障予兆検知装置。
  6. 　前記故障予兆検知装置は、前記故障予兆検知装置のユーザーへ故障予兆の報知を行う報知装置に接続され、
    　前記故障予兆検知装置は、さらに、
    　前記長期的乖離検知部が故障予兆を検知した場合に、前記故障予兆の報知をさせる制御信号を前記報知装置に送信する制御部を備える
    　ことを特徴とする請求項４に記載の故障予兆検知装置。
  7. 　前記故障予兆検知装置は、さらに、
    　前記長期的乖離検知部が前記長期的環境変化を検知した場合に、前記長期的乖離検知部が前記長期的環境変化を検知した時刻より後の時間帯の前記推定用データ及び前記比較用データを学習用データとして用いて、前記学習モデルの再学習を行う再学習部を備える
    　ことを特徴とする請求項４に記載の故障予兆検知装置。
  8. 　前記機器は空調機であり、
    　前記検知部は、前記空調機に備えられたセンサーが取得した前記推定用データと前記比較用データとに基づき、前記空調機の故障予兆を検知する
    　ことを特徴とする請求項１から７のいずれか一項に記載の故障予兆検知装置。
  9. 　前記推定部は、前記学習モデルを用いて前記推定用データから前記空調機の圧縮機周波数の推定値を算出し、
    　前記検知部は、前記推定部が算出した圧縮機周波数の推定値と、前記比較用データが示す圧縮機周波数の実測値とに基づき、前記空調機の故障予兆を検知する
    　ことを特徴とする請求項８に記載の故障予兆検知装置。
  10. 　前記機器はＦＡ機器であり、
    　前記検知部は、前記ＦＡ機器に備えられたセンサーが取得した前記推定用データと前記比較用データとに基づき、前記ＦＡ機器の故障予兆を検知する
    　ことを特徴とする請求項１から７のいずれか一項に記載の故障予兆検知装置。
  11. 　機器の正常運転時における学習用データを取得する学習用取得部と、
    　前記学習用データのうち、分散値が所定の選定閾値未満の時間帯のデータを学習モデルの学習に用いるデータとして選定する学習用前処理部と、
    　前記学習用前処理部により選定された前記学習用データを用いて前記学習モデルの学習を行う学習部と、
    　を備える学習装置。
  12. 　前記学習装置は、さらに、
    　前記学習モデルの評価値を算出する評価部と、
    　複数の前記選定閾値を取得し、前記学習用前処理部の選定、前記学習部の学習、及び前記評価部の評価からなる一連の処理である探索処理を前記選定閾値毎に繰り返し行う反復処理を実行させる学習制御部と、を備え、
    　前記学習制御部は、所定の終了条件に基づき、前記反復処理を終了し、前記反復処理を終了した時点で、前記評価値が最も高かった前記探索処理における前記選定閾値を最終的な前記選定閾値として特定する
    　ことを特徴とする請求項１１に記載の学習装置。
  13. 　故障予兆検知対象の機器の故障予兆検知対象時における推定用データ及び比較用データを取得する取得工程と、
    　学習済みの学習モデルを用いて前記推定用データから、前記比較用データの正常運転時における推定値を推定する推定工程と、
    　前記推定値と前記比較用データが示す実測値との複数時刻における比較結果に基づいて、前記機器の故障予兆を検知する検知工程と、
    　を含む故障予兆検知方法。
  14. 　請求項１３に記載の全工程をコンピュータに実行させる故障予兆検知プログラム。
  15. 　機器の正常運転時における学習用データを取得する学習用取得工程と、
    　前記学習用データのうち、分散値が所定の選定閾値未満の時間帯のデータを学習モデルの学習に用いるデータとして選定する学習用前処理工程と、
    　前記学習用前処理工程で選定された前記学習用データを用いて前記学習モデルの学習を行う学習工程と、
    　を含む学習済みの学習モデルの生成方法。
  16. 　請求項１５に記載の全工程をコンピュータに実行させる学習済みの学習モデル生成プログラム。
PCT/JP2020/022242 2020-06-05 2020-06-05 故障予兆検知装置、故障予兆検知方法、故障予兆検知プログラム、学習装置、学習済みの学習モデルの生成方法、学習済みの学習モデル生成プログラム WO2021245898A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2022528363A JP7168127B2 (ja) 2020-06-05 2020-06-05 故障予兆検知装置、故障予兆検知方法、故障予兆検知プログラム、学習装置、学習済みの学習モデルの生成方法、学習済みの学習モデル生成プログラム
EP20938992.3A EP4123402A4 (en) 2020-06-05 2020-06-05 FAILURE PREDICTOR DETECTION DEVICE, FAILURE PREDICTOR DETECTION METHOD, FAILURE PREDICTOR DETECTION PROGRAM, LEARNING DEVICE, TRAINED LEARNING MODEL GENERATION METHOD, AND TRAINED LEARNING MODEL GENERATION PROGRAM
PCT/JP2020/022242 WO2021245898A1 (ja) 2020-06-05 2020-06-05 故障予兆検知装置、故障予兆検知方法、故障予兆検知プログラム、学習装置、学習済みの学習モデルの生成方法、学習済みの学習モデル生成プログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2020/022242 WO2021245898A1 (ja) 2020-06-05 2020-06-05 故障予兆検知装置、故障予兆検知方法、故障予兆検知プログラム、学習装置、学習済みの学習モデルの生成方法、学習済みの学習モデル生成プログラム

Publications (1)

Publication Number Publication Date
WO2021245898A1 true WO2021245898A1 (ja) 2021-12-09

Family

ID=78830728

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/022242 WO2021245898A1 (ja) 2020-06-05 2020-06-05 故障予兆検知装置、故障予兆検知方法、故障予兆検知プログラム、学習装置、学習済みの学習モデルの生成方法、学習済みの学習モデル生成プログラム

Country Status (3)

Country Link
EP (1) EP4123402A4 (ja)
JP (1) JP7168127B2 (ja)
WO (1) WO2021245898A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7284441B1 (ja) 2022-09-12 2023-05-31 ダイキン工業株式会社 異常診断装置、方法、およびプログラム
WO2023153193A1 (ja) * 2022-02-09 2023-08-17 三菱電機株式会社 設備診断システム、学習装置、学習済みモデル、および学習済みモデルの生成方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117176560B (zh) * 2023-11-03 2024-01-26 山东智云信息科技有限公司 一种基于物联网的监测设备监管系统及其方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015058673A (ja) 2013-09-20 2015-03-30 セイコーエプソン株式会社 液体噴射装置
JP2018077634A (ja) * 2016-11-08 2018-05-17 東芝三菱電機産業システム株式会社 プラント設備劣化診断装置
WO2018230645A1 (ja) * 2017-06-14 2018-12-20 株式会社東芝 異常検知装置、異常検知方法、およびプログラム

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5431235B2 (ja) * 2009-08-28 2014-03-05 株式会社日立製作所 設備状態監視方法およびその装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015058673A (ja) 2013-09-20 2015-03-30 セイコーエプソン株式会社 液体噴射装置
JP2018077634A (ja) * 2016-11-08 2018-05-17 東芝三菱電機産業システム株式会社 プラント設備劣化診断装置
WO2018230645A1 (ja) * 2017-06-14 2018-12-20 株式会社東芝 異常検知装置、異常検知方法、およびプログラム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP4123402A4

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023153193A1 (ja) * 2022-02-09 2023-08-17 三菱電機株式会社 設備診断システム、学習装置、学習済みモデル、および学習済みモデルの生成方法
JP7284441B1 (ja) 2022-09-12 2023-05-31 ダイキン工業株式会社 異常診断装置、方法、およびプログラム
JP2024039953A (ja) * 2022-09-12 2024-03-25 ダイキン工業株式会社 異常診断装置、方法、およびプログラム

Also Published As

Publication number Publication date
JP7168127B2 (ja) 2022-11-09
JPWO2021245898A1 (ja) 2021-12-09
EP4123402A1 (en) 2023-01-25
EP4123402A4 (en) 2023-05-24

Similar Documents

Publication Publication Date Title
WO2021245898A1 (ja) 故障予兆検知装置、故障予兆検知方法、故障予兆検知プログラム、学習装置、学習済みの学習モデルの生成方法、学習済みの学習モデル生成プログラム
US11592800B2 (en) Abnormality detector of a manufacturing machine using machine learning
KR102587127B1 (ko) 고장 예측을 위해 가전기기의 운영데이터를 관리하는 방법 및 장치
US10579023B2 (en) Feedback control system with normalized performance indices for setpoint alarming
US11112138B2 (en) Air-conditioning control method and air-conditioning control device
US20120072029A1 (en) Intelligent system and method for detecting and diagnosing faults in heating, ventilating and air conditioning (hvac) equipment
JP2017505890A (ja) Ｈｖａｃシステムの消費電力評価
CN107120794B (zh) 空调器运行工况调节方法及空调器
KR20150018872A (ko) 빌딩 내의 디바이스의 가상 수요 검사
US20060074496A1 (en) System and method for sensor validation and fusion
Yoshida et al. ARX and AFMM model-based on-line real-time data base diagnosis of sudden fault in AHU of VAV system
US10353016B2 (en) System and method for fault management in lighting systems
JP4113241B1 (ja) 電力削減方法及び電力削減装置
CN110779157B (zh) 异常检测系统、异常检测方法以及存储装置
US20180174768A1 (en) Method and device for diagnosing wear of an electrical switching unit, and electrical unit comprising such a device
JP4281334B2 (ja) 異常診断システム
KR101504411B1 (ko) 온도제어 패턴 인식을 통한 자동 건물온도제어 방법 및 시스템
US20220154960A1 (en) Air-conditioning control device, air-conditioning system, air-conditioning control method, and non-transitory computer readable recording medium
JP2005301582A (ja) プロセス管理装置
JP7305041B2 (ja) 情報処理装置および空調システム
JP2004234302A (ja) プロセス管理装置
JP2009002650A (ja) 異常診断システム
Ioannidis et al. Occupancy-driven facility management and building performance analysis
KR100340967B1 (ko) 일반 회귀 신경망을 이용한 고장 검출 방법
US10767889B2 (en) Central air conditioning system

Legal Events

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

Ref document number: 20938992

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2022528363

Country of ref document: JP

Kind code of ref document: A

ENP Entry into the national phase

Ref document number: 2020938992

Country of ref document: EP

Effective date: 20221018

NENP Non-entry into the national phase

Ref country code: DE