WO2024048428A1 - 予兆検知システム及び予兆検知方法 - Google Patents

予兆検知システム及び予兆検知方法 Download PDF

Info

Publication number
WO2024048428A1
WO2024048428A1 PCT/JP2023/030621 JP2023030621W WO2024048428A1 WO 2024048428 A1 WO2024048428 A1 WO 2024048428A1 JP 2023030621 W JP2023030621 W JP 2023030621W WO 2024048428 A1 WO2024048428 A1 WO 2024048428A1
Authority
WO
WIPO (PCT)
Prior art keywords
sign detection
state
data
operating
feature amount
Prior art date
Application number
PCT/JP2023/030621
Other languages
English (en)
French (fr)
Inventor
徹 野尻
正彦 高野
雄介 中川
正禎 尾島
Original Assignee
株式会社日立産機システム
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 株式会社日立産機システム filed Critical 株式会社日立産機システム
Publication of WO2024048428A1 publication Critical patent/WO2024048428A1/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

Definitions

  • the present invention relates to an omen detection system and an omen detection method.
  • the oil cooling device is installed in the device to be cooled, and if the operating status of the device to be cooled is within the rated range, the oil in the device to be cooled is cooled to within the appropriate range. Therefore, the device to be cooled does not reach an abnormal state. However, when cooling performance deterioration of the oil cooling device occurs, the oil temperature in the device to be cooled increases and the device to be cooled enters an abnormal state, making safe and stable operation of the device to be cooled difficult. Normally, when the oil temperature rises and reaches an abnormal state, a check mechanism of the oil cooling device is activated and the operation of the device to be cooled is stopped.
  • Patent Document 1 discloses a failure sign diagnosis system that includes a diagnosis execution unit, a placement unit, a diagnosis target device, a diagnosis server, and a network.
  • the diagnosis execution unit has processing modules for sensor input processing, preprocessing, diagnostic processing, and postprocessing, and a common interface that connects the processing modules, and the arrangement unit connects the processing modules to the diagnosis target. Placed and executed on the device or diagnostic server.
  • Factors that cause deterioration in the cooling performance of oil cooling devices include clogging of the oil cooler, clogging of the oil filter, deterioration of oil quality, and deterioration of oil piping. Deterioration in the cooling performance of the oil cooling device appears as a difference in oil temperature for the same load of the device to be cooled. However, when the load is high, a noticeable difference in oil temperature appears, but when the load is low, the difference in oil temperature does not appear noticeably, making it difficult to detect signs of cooling performance deterioration.
  • An object of the present invention is to improve the accuracy of detecting signs of cooling performance deterioration.
  • the sign detection system acquires time-series operation data of a cooling target device that has a temperature increase source and a cooling unit that cools the temperature increase source with a cooling medium, and A preprocessing unit that extracts a feature quantity from data, a label that indicates the state of cooling performance by the cooling unit, the feature quantity extracted by the preprocessing unit from the operating data for training, and Based on the output obtained by inputting the feature quantity extracted by the preprocessing unit from the operational data for diagnosis to the sign detection model constructed using the training data, a sign detection unit that diagnoses the cooling performance, the operation data has an operation state indicating whether the cooling target device is in operation or on standby, and the sign detection model includes The system is constructed using the training data generated based on the feature amount extracted from the operating data having the operating state corresponding to In this case, the feature amount extracted from the operation data having the operation state that corresponds only to the operation state is input to the sign detection model.
  • FIG. 1 is a block diagram showing an example of a system configuration of a sign detection system according to a first embodiment
  • FIG. 1 is a block diagram showing a detailed system configuration example 1 of the sign detection system according to the first embodiment
  • FIG. 2 is a block diagram showing a second detailed system configuration example of the sign detection system according to the first embodiment.
  • FIG. 2 is a block diagram showing a configuration example of a device to be cooled.
  • FIG. 2 is a block diagram showing an example of a computer hardware configuration.
  • FIG. 2 is an explanatory diagram showing an example of a sensor data table according to the first embodiment.
  • FIG. 2 is an explanatory diagram showing an example of a method for creating training data according to the first embodiment.
  • FIG. 3 is a diagram showing an example of a training data table according to the first embodiment.
  • 5 is a flowchart showing a process for building a sign detection model according to the first embodiment.
  • 5 is a flowchart showing diagnostic processing according to the first embodiment.
  • FIG. 7 is a diagram showing an example of a training data table according to the second embodiment. 7 is a flowchart showing a process for building a sign detection model according to a second embodiment. 7 is a flowchart showing diagnostic processing according to the second embodiment.
  • FIG. 7 is a diagram for explaining descriptive feature amounts according to Embodiment 3; FIG.
  • FIG. 7 is a diagram showing an example of a training data table according to Embodiment 3; 7 is a flowchart showing a process of generating a sign detection model according to the third embodiment. 12 is a flowchart showing diagnostic processing according to Embodiment 3.
  • FIG. 1 is a block diagram showing an example of the system configuration of a sign detection system 100 according to the first embodiment.
  • the sign detection system 100 includes a cooling target device 101 , a sampling processing section 102 , a data preprocessing section 103 , a construction section 104 , and a sign detection section 105 .
  • the cooling target device 101 includes a temperature increase source 111, a sensor 112, and an oil cooling section 113.
  • the temperature increase source 111 is a source that causes a temperature rise due to the generation of heat within the device 101 to be cooled and work to a substance such as air compression. For example, if the device 101 to be cooled is an air compressor, , compression section, and motor.
  • the sensor 112 detects various operating conditions within the device 101 to be cooled.
  • the sensor 112 is, for example, a temperature sensor, an ammeter, or a pressure sensor.
  • the oil cooling unit 113 is a mechanism that cools the oil circulating within the device 101 to be cooled.
  • oil will be used as an example of a cooling medium.
  • cooling mediums other than oil such as water or fluorocarbons may be used. It may be.
  • the sampling processing unit 102 digitally converts the analog data from the sensor 112 and outputs it as sensor data 114.
  • the data preprocessing unit 103 calculates and outputs the feature amount 115 by excluding outliers from the sensor data 114, interpolating the sensor data 114, calculating statistics of the sensor data 114 for a period going back a predetermined time from each time, etc. Perform preprocessing steps.
  • the construction unit 104 constructs a sign detection model 117 using the feature amount 115 and the positive/negative label 116 as training data 115D. Specifically, the construction unit 104 uses the training data 115D to generate the sign detection model 117 by, for example, a decision tree, random forest, or deep learning.
  • the positive/negative label 116 is a label that indicates whether the cooling capacity of the oil cooling unit 113 is normal or abnormal using, for example, binary flag information. Alternatively, the positive/negative label 116 may be multivalued flag information indicating the normality of the cooling capacity of the oil cooling unit 113 or a corresponding abnormality factor among a plurality of abnormality factors.
  • the sign detection unit executes a sign detection step of outputting a diagnostic result 118 indicating a sign of cooling performance deterioration of the oil cooling unit 113 by inputting the feature amount 115 to the sign detection model 117.
  • FIG. 2 is a block diagram showing a detailed system configuration example 1 of the sign detection system 100 according to the first embodiment.
  • the sign detection system 100 includes a user site 201, an operation site 202, and a cloud site 203.
  • the user site 201 and the cloud site 203, and the operational site 202 and the cloud site 203 are communicably connected via a network such as the Internet, a LAN (Local Area Network), or a WAN (Wide Area Network).
  • a network such as the Internet, a LAN (Local Area Network), or a WAN (Wide Area Network).
  • the user site 201 includes a cooling target device 101 and a first communication control unit 210.
  • the sampling processing unit 102 is included in the device to be cooled 101, but it may be outside the device to be cooled 101 as long as it is inside the user site 201.
  • the operation site 202 includes a data preprocessing section 103, a construction section 104, and a second communication control section 220.
  • the cloud site 203 includes a data preprocessing section 103, a sign detection section 105, and a third communication control section 230.
  • the cooling target device 101 outputs analog data detected by the sensor 112 to the sampling processing section 102 , and the sampling processing section 102 outputs sensor data 114 to the first communication control section 210 .
  • the user site 201 transmits the sensor data 114 to the third communication control unit 230 of the cloud site 203 using the first communication control unit 210 .
  • the cloud site 203 uses the third communication control unit 230 to transfer the sensor data 114 from the user site to the second communication control unit 220 of the operation site 202.
  • the data preprocessing unit 103 acquires the sensor data 114 received by the second communication control unit 220 and outputs the feature amount 115 to the construction unit 104 .
  • the construction unit 104 constructs a sign detection model 117 using the training data 115D (feature amount 115 and positive/negative label 116), and outputs it to the second communication control unit 220.
  • the second communication control unit 220 transmits the sign detection model 117 to the third communication control unit 230 of the cloud site 203.
  • the third communication control unit 230 outputs the sign detection model 117 from the operation site 202 to the sign detection unit 105.
  • the cooling target device 101 outputs analog data detected by the sensor 112 to the sampling processing section 102 , and the sampling processing section 102 outputs sensor data 114 to the first communication control section 210 .
  • the user site 201 transmits the sensor data 114 to the third communication control unit 230 of the cloud site 203 using the first communication control unit 210 .
  • the third communication control unit 230 outputs the sensor data 114 from the user site 201 to the data preprocessing unit 103.
  • the data preprocessing unit 103 outputs the feature amount 115 to the sign detection unit 105 by excluding outliers from the sensor data 114 or interpolating the sensor data 114 at the missing time.
  • the sign detection unit 105 inputs the feature amount 115 into the sign detection model 117 and outputs a diagnosis result 118 indicating a sign of cooling performance deterioration of the oil cooling unit 113.
  • FIG. 3 is a block diagram showing a second detailed system configuration example of the sign detection system 100. The following will focus on the differences from system configuration example 1 shown in FIG. 2.
  • the user site 201 includes a cooling target device 101 and a first communication control unit 210.
  • the sampling processing unit 102 and the data preprocessing unit 103 are included in the cooling target device 101, but they may be outside the cooling target device 101 as long as they are inside the user site 201.
  • the operation site 202 includes a construction section 104 and a second communication control section 220.
  • the cloud site 203 includes a sign detection section 105 and a third communication control section 230.
  • the data preprocessing unit 103 exists only at the user site 201. That is, by generating the feature amount 115 at the user site 201, it is possible to construct the sign detection model 117 and detect the sign using the sensor data 114 with a sampling period shorter than the sampling period of the sensor data 114 in the system configuration example 1. become.
  • the cooling target device 101 outputs analog data detected by the sensor 112 to the sampling processing section 102 , and the sampling processing section 102 outputs sensor data 114 to the data preprocessing section 103 .
  • the data preprocessing unit 103 outputs the feature amount 115 to the first communication control unit 210 by excluding outliers from the sensor data 114 or interpolating the sensor data 114 at the missing time.
  • the user site 201 uses the first communication control unit 210 to transmit the feature amount 115 to the third communication control unit 230 of the cloud site 203.
  • the cloud site 203 uses the third communication control unit 230 to transfer the feature amount 115 from the user site to the second communication control unit 220 of the operation site 202.
  • the second communication control unit 220 outputs the feature amount 115 from the user site 201 to the construction unit 104.
  • the construction unit 104 constructs a sign detection model 117 using the training data 115D (feature amount 115 and positive/negative label 116), and outputs it to the second communication control unit 220.
  • the second communication control unit 220 transmits the sign detection model 117 to the third communication control unit 230 of the cloud site 203.
  • the third communication control unit 230 outputs the sign detection model 117 from the operation site 202 to the sign detection unit 105.
  • the cooling target device 101 outputs analog data detected by the sensor 112 to the sampling processing section 102 , and the sampling processing section 102 outputs sensor data 114 to the data preprocessing section 103 .
  • the data preprocessing unit 103 outputs the feature amount 115 to the first communication control unit 210 by excluding outliers from the sensor data 114 or interpolating the sensor data 114 at the missing time.
  • the user site 201 uses the first communication control unit 210 to transmit the feature amount 115 to the third communication control unit 230 of the cloud site 203.
  • the third communication control unit 230 outputs the feature amount 115 from the user site 201 to the sign detection unit 105.
  • the sign detection unit 105 inputs the feature amount 115 into the sign detection model 117 and outputs a diagnosis result 118 indicating a sign of cooling performance deterioration of the oil cooling unit 113.
  • FIG. 4 is a block diagram showing a configuration example of the cooling target device 101.
  • an air compressor will be described as an example of the device 101 to be cooled.
  • the cooling target device 101 includes an inverter 400, a motor 412, a compression section 401, an oil separator 402, a check valve 403, an oil cooler 404, an oil filter 406, an aftercooler 407, and an air cooler 408.
  • the sources of temperature increase are, for example, the motor 412 and the compression section 401.
  • the inverter 400 controls the rotation of the motor 412. When the frequency of the AC voltage converted by the inverter 400 increases, the load on the motor increases, the motor rotates at high speed, and the compressor 401 generates more compressed air.
  • the cooling target device 101 also includes a first intake port 410, a second intake port 461, an exhaust port 463, and a compressed air outlet 480.
  • the cooling target device 101 includes an ammeter 411 , a discharge pressure gauge 451 , a discharge thermometer 452 , and an ambient thermometer 462 as the sensors 112 .
  • Ammeter 411 detects the current value of motor 412.
  • the discharge pressure gauge 451 detects the discharge pressure of compressed air.
  • the discharge thermometer 452 detects the discharge temperature of the compressed air mixed with oil discharged from the compression section 401 .
  • the oil separator 402 separates compressed air mixed with oil into oil and compressed air.
  • the ambient temperature meter 462 detects the ambient temperature of the cooling target device 101 using air from the second intake port 461. Note that the sensor 112 also detects the voltage frequency of the inverter 400.
  • the analog data output from each sensor 112 is sampled at the same timing by the sampling processing unit 102.
  • the path of compression section 401 ⁇ oil separator 402 ⁇ check valve 403 ⁇ oil cooler 404 ⁇ oil filter 406 ⁇ compression section 401 ⁇ ... is the oil circulation path by the oil cooling section 113.
  • the air flow is the first intake port 410 ⁇ compression section 401 ⁇ oil separator 402 ⁇ aftercooler 407 ⁇ air cooler 408 ⁇ compressed air outlet 480, and the compressed air generated in the compression section 401 is transferred to the compressed air outlet. Ejected from 480. Further, the air taken in from the second intake port 461 cools the oil cooler 404, the aftercooler 407, the compression section 401, and the motor 412, and is discharged from the exhaust port 463.
  • FIG. 5 is a block diagram showing an example of the hardware configuration of the computer 500.
  • the computer 500 constitutes a server device for each of the user site 201, the operational site 202, and the cloud site 203.
  • the computer 500 includes a processor 501, a storage device 502, an input device 503, an output device 504, and a communication interface (communication IF) 505.
  • the processor 501, storage device 502, input device 503, output device 504, and communication IF 505 are connected by a bus 506.
  • Processor 501 controls computer 500.
  • the storage device 502 becomes a work area for the processor 501. Furthermore, the storage device 502 is a non-temporary or temporary recording medium that stores various programs and data. Examples of the storage device 502 include ROM (Read Only Memory), RAM (Random Access Memory), HDD (Hard Disk Drive), and flash memory.
  • ROM Read Only Memory
  • RAM Random Access Memory
  • HDD Hard Disk Drive
  • the input device 503 inputs data. Examples of the input device 503 include a keyboard, mouse, touch panel, numeric keypad, scanner, microphone, and sensor.
  • Output device 504 outputs data. Examples of the output device 504 include a display, a printer, and a speaker.
  • Communication IF 505 connects to a network and transmits and receives data.
  • FIG. 6 is an explanatory diagram showing an example of a sensor data table.
  • Sensor data table 600 resides in computer 500 that holds sensor data 114.
  • the sensor data table 600 is a table with sensor data 114 as an entry, and includes fields such as date and time 601, discharge pressure 602, discharge temperature 603, ambient temperature 604, load factor 605, current value 606, power supply 607, and operating status 608. including.
  • the date and time 601 is the date and time when the sampling processing unit 102 sampled the analog data from the sensor 112.
  • the discharge pressure 602 is the compressed air discharge pressure value at the date and time when the sampling processing unit 102 samples the analog data from the discharge pressure gauge 451.
  • the discharge temperature 603 is the discharge temperature of the compressed air mixed with oil at the date and time when the sampling processing unit 102 samples the analog data from the discharge thermometer 452.
  • the ambient temperature 604 is the ambient temperature of the cooling target device 101 at the date and time when the sampling processing unit 102 samples the analog data from the ambient thermometer 462.
  • the load factor 605 is a value indicating the ratio of the operating load applied to the motor 412 at the date and time when the sampling processing unit 102 samples the analog data (frequency of AC voltage) from the inverter 400. Load factor 605 increases or decreases depending on the frequency of the AC voltage converted by inverter 400.
  • the current value 606 is the value of the current applied to the motor 412 at the date and time when the sampling processing unit 102 samples the analog data from the ammeter 411.
  • the power supply 607 is a value indicating whether the power of the cooling target device 101 is ON or OFF at the date and time when the sampling processing unit 102 samples the analog data from the sensor 112.
  • the power supply 607 takes a value of "1" when the power is turned on, and a value of "0" when the power is turned off.
  • the operating state 608 is a value indicating whether the cooling target device 101 is operating or idle (standby) at the date and time when the sampling processing unit 102 samples the analog data from the sensor 112.
  • the operating state 608 takes a value of "1" when the cooling target device 101 is in operation and "0" when it is idle.
  • the construction unit 104 generates training data 115D (feature amount 115 and positive/negative labels 116) and generates a sign detection model 117 using the dataset of training data 115D. First, generation of training data 115D will be explained.
  • FIG. 7A is an explanatory diagram showing an example of a method for creating training data 115D according to the first embodiment.
  • FIG. 7B is a diagram showing an example of the training data table 700 according to the first embodiment.
  • a training data table 700 shown in FIG. 7B exists in the computer 500 that holds the feature amount 115.
  • the training data table 700 is a table that has training data 115D (feature amount 115 and positive/negative label 116) as an entry.
  • the training data table 700 includes a date and time 601, a discharge pressure 602, a discharge temperature 603, an ambient temperature 604, a load factor 605, and a current value 606 as fields.
  • the training data table 700 includes a discharge pressure StF702, a discharge temperature StF703, an ambient temperature StF704, a load factor StF705, a current value StF706, and a positive/negative label 116 as fields.
  • the feature amount 115 includes a discharge pressure 602, a discharge temperature 603, an ambient temperature 604, a load factor 605, a current value 606, a discharge pressure StF702, a discharge temperature StF703, an ambient temperature StF704, a load factor StF705, and a current value StF706.
  • StF is an abbreviation for Statistical Feature.
  • the operating state 608 and the corresponding statistical feature amount of the operating state are excluded from the training data table 700.
  • the statistical feature amounts of the power source 607 and the corresponding power source are also excluded from the training data table 700 as items that have a low degree of contribution to detecting signs of an abnormality in the cooling performance of the oil cooling unit 113. Items to be excluded as having a low degree of contribution are not limited to the statistical feature amount StF(t) of the power source 607 and the corresponding power source, and may be determined, for example, by model evaluation of the constructed sign detection model 117.
  • the construction unit 104 receives input of the date and time of occurrence of abnormality in cooling performance through operation input from the operator of the operation site 202. As shown in FIG. 7A, when the date and time 601 of the abnormality occurrence is t1, the construction unit 104 calculates the data from the date and time (t1-T1) that is a predetermined time T1 (first statistical period) back from the date and time of the abnormality occurrence t1 to the date and time t1. Set period to positive period. The construction unit 104 sets the positive/negative label 116 of the feature amount 115 of the positive period to "1" indicating positive. Furthermore, the construction unit 104 sets the period before the date and time (t1-T1) in which the positive/negative label 116 is not assigned as the negative period, and changes the positive/negative label 116 of the feature amount 115 of the negative period to " 0”.
  • sensor data 114 at a certain date and time 601 is assumed to be operation data D(t).
  • a set of operating data D(t) included in the first statistical period for this time t is defined as operating data EvD(t1). From the operating data D(t) and EvD(t), items (power supply 607 in this embodiment) that have a low degree of contribution to the operating state 608 and detection of signs of abnormalities in the cooling performance of the oil cooling unit 113 are excluded.
  • the statistical amount of each item value of the union of the operating data D(t) and the operating data EvD(t1) be the statistical feature amount StF(t) at time t.
  • the statistical quantities include maximum value, minimum value, average value, variance, standard deviation, autocovariance, autocorrelation, and the like.
  • Data obtained by combining the operating data D(t) and the statistical feature amount StF(t) is the feature amount 115 at time t.
  • Data obtained by combining this feature amount 115 and positive/negative labels 116 is training data 115D.
  • the sampling period of the sampling processing unit 102 is 30 minutes. If the date and time t1 is 12:30 on a certain date and time, and the predetermined time T1 is 12 hours, the date and time t0 is 0:30 on the certain date and time. In this case, the data preprocessing unit 103 calculates the statistics of the sensor data 114 every 30 minutes from 0:30 (date and time t0) to 12:30 (date and time t1). The data preprocessing unit 103 stores the sensor data 114 at 12:30 (date and time t1) and the 30 minutes from 0:30 (date and time t0) to 12:00, which is the date and time immediately before 12:30 (date and time t1). The statistical amount of the sensor data 114 for each time is output as the feature amount 115 at date and time t1.
  • a training data table 700 including a plurality of training data 115D is generated, as shown in FIG. 7B.
  • the data preprocessing unit 103 converts the sensor data 114 into frequency components by fast Fourier transform.
  • the sampling period of the sampling processing unit 102 is 10 msec. If the date and time t1 is 12:30 on a certain date and time, and the predetermined time T1 is 30 minutes, the date and time t0 is 12:00 on the certain date and time.
  • the data preprocessing unit 103 converts the sensor data 114 every 10 msec from 12:00 (date and time t0) to 12:30 (date and time t1) into frequency components by fast Fourier transform, and converts the frequency components into frequency components into frequency components. 30 (date and time t1) as the feature amount 115.
  • the frequency component feature quantity 115 may be used as it is to construct the sign detection model 117 at the operation site 202, or it may be converted into a time-series feature quantity 115 by performing inverse fast Fourier transform at the operation site 202. Good too.
  • the data preprocessing unit 103 may output it as the feature amount 115 if the load factor 605 of the sensor data 114 is equal to or higher than the threshold value, and may not output it as the feature amount 115 if it is less than the threshold value. .
  • the data preprocessing unit 103 outputs the sensor data 114 that is equal to or higher than the first threshold value as the first feature quantity 115, and outputs the sensor data 114 that is less than the second threshold value that is lower than the first threshold value as the second feature quantity 115. It may be output as the feature amount 115.
  • the construction unit 104 may construct the first sign detection model 117 using the first feature amount 115 or may construct the second sign detection model 117 using the second feature amount 115. .
  • the data preprocessing unit 103 calculates a moving average value of a predetermined time width for each date and time 601 for the time series data of the oil discharge temperature 603 among the set of time series sensor data 114. Then, the data preprocessing unit 103 determines, as the feature quantity 115, the sensor data 114 that has a moving average value that is higher than or equal to the top p% in the range between the maximum value and the minimum value of the moving average values calculated for each date and time 601. You can also output it. The data preprocessing unit 103 may not output the sensor data 114 having a moving average value of less than the top p% as the feature amount 115.
  • the construction unit 104 generates a dataset of training data 115D for each feature quantity 115 by specifying the temperature increase period from the start of increase to the end of increase in the discharge temperature 603 in the set of time-series sensor data 114. You may.
  • FIG. 8 is a graph showing time series data of the discharge temperature 603 and the ambient temperature 604.
  • the construction unit 104 identifies an upward trending period in which the discharge temperature 603 continuously increases at a slope greater than or equal to a predetermined slope.
  • the start date and time of the period is the date and time when the discharge temperature 603 reaches its lowest value, and is the date and time when the discharge temperature 603 starts to rise. Further, if the discharge temperature 603 on a certain date and time falls by a predetermined temperature or more at the next date and time (for example, below the discharge temperature 603 on the date and time when the rise starts), the certain date and time becomes the rise end date and time.
  • the construction unit 104 specifies the period from the date and time when the temperature rise starts to the date and time when the temperature rise ends as the temperature rise period.
  • the construction unit 104 sets the temperature increase period as a positive period, and changes the positive/negative label 116 of the feature amount 115 of the positive period to indicate positive. Set to "1".
  • the construction unit 104 sets it as a negative period, and sets the positive/negative label 116 of the feature quantity 115 of the negative period to "0" indicating negative. Set.
  • the construction unit 104 may set a period outside the temperature increase period to be a negative period, and set the positive/negative label 116 of the feature amount 115 of the negative period to "0" indicating negative.
  • FIG. 9 is a flowchart showing the construction process of the sign detection model 117 according to the first embodiment.
  • the construction process of the sign detection model 117 is executed by the construction unit 104 upon input of the sensor data table 600 (FIG. 6) according to a user instruction.
  • step S11 the construction unit 104 sets the time index t to an initial value corresponding to the first record to be processed in the sensor data table 600.
  • step S12 the construction unit 104 reads the entry at time t (training operation data D(t)) set in step S11 from the sensor data table 600.
  • step S13 the construction unit 104 reads the entry for the first statistical period for time t (training operation data EvD(t)) from the sensor data table 600.
  • step S14 the construction unit 104 determines the operating state 608 and items that have a low contribution to detecting signs of abnormality in the cooling performance of the oil cooling unit 113 from the operating data D(t) and EvD(t). (in this embodiment, the power supply 607) is excluded.
  • step S15 the construction unit 104 calculates the statistical feature amount StF(t) at time t from the data set of the union of the operating data D(t) and the operating data EvD(t). Specifically, statistics are calculated for each data item of the data set of the union of the operating data D(t) and the operating data EvD(t) as described above.
  • step S16 the construction unit 104 combines the operating data D(t) at time (t) and the statistical feature StF(t) to create the feature F(t) at time t (feature 115). shall be.
  • step S17 the construction unit 104 increments the time t.
  • step S18 the construction unit 104 determines whether the time t exceeds the time corresponding to the last entry of the sensor data 114. The construction unit 104 moves the process to step S19 when the time t exceeds the time corresponding to the last entry of the sensor data 114 (step S18 Yes), and returns the process to step S12 when it does not exceed the time (step S18 No). .
  • step S19 the construction unit 104 learns a sign detection model that classifies "normal period” and "predictive period” based on the training data table 700 created in steps S11 to S18.
  • FIG. 10 is a flowchart showing diagnostic processing according to the first embodiment.
  • the diagnostic process is executed by the sign detection unit 105 in response to input of diagnostic operation data (sensor data table 600 (FIG. 6)) according to a user instruction.
  • diagnostic operation data sensor data table 600 (FIG. 6)
  • step S21 the sign detection unit 105 reads the operation data D(c) (operation data for diagnosis) at the current time c.
  • step S22 the sign detection unit 105 determines whether the value of the "operating state" of the operating data D(c) is "1" (in operation). If the value of the "operating state” of the operating data D(c) is "1" (operating) (step S22 Yes), the predictive sign detection unit 105 moves the process to step S23, and sets it to "0" (idling). If so, the process moves to step S29.
  • step S23 the sign detection unit 105 reads the operating data EvD(c) (diagnostic operating data) of the first statistical period for the current time c from the diagnostic operating data.
  • step S24 the sign detection unit 105 excludes "operating state" and items with low contribution from the operating data D(c) and EvD(c).
  • step S25 the sign detection unit 105 calculates the statistical feature amount StF(c) at the current time c from the operating data D(t) and EvD(c), similarly to step S15 (FIG. 9).
  • step S26 the sign detection unit 105 combines the operating data D(c) and the statistical feature amount StF(c) to generate the feature amount F(c) at the current time c.
  • step S27 the sign detection unit 105 inputs the feature amount F(c) to the sign detection model 117, and based on the positive or negative label output by the sign detection model 117, the sign detection unit 105 determines the cooling capacity of the oil cooling unit 113. Diagnosis (calculation of “predictive period” and “normal period”).
  • step S28 the sign detection unit 105 outputs the diagnosis result of step S26.
  • step S29 the sign detection unit 105 cancels the diagnosis.
  • the sign detection model 117 is generated based on the feature amount 115 extracted by excluding the operating state 608 from the operating data D(t) having the operating state 608 corresponding to the operating state and the idle state. It was constructed using training data 115D.
  • the sign detection unit 105 uses the operation state 608 from the operation data D(t) having the operation state 608 that corresponds only to “in operation” for the sign detection model 117. Input the feature amount 115 extracted by excluding.
  • the feature quantity 115 is a statistical feature quantity StF(t) which is a statistical quantity of operating data EvD(t) at each time t included in the first statistical period before each time in the time series. include. Therefore, a failure can be appropriately predicted according to the characteristics of the internal state of the cooling target device 101 regarding the discharge pressure, discharge temperature, ambient temperature, load factor, etc. during the most recent certain period.
  • the sign detection model 117 is a feature quantity extracted after excluding the operating state 608 from the operating data D(t) and EvD(t) having the operating state 608 corresponding to operating and standby. It is constructed using training data 115D generated based on 115.
  • the sign detection unit 105 excludes the operation state 608 from the operation data D(t) and EvD(t) that have the operation state 608 that only corresponds to the operation state for the sign detection model 117. Then, the extracted feature amount 115 is input. Therefore, by excluding the operating state 608 from the target during model construction and diagnosis, the above-mentioned false positives can be avoided.
  • the statistical feature amount StF(t) is included in the feature amount 115 at the time of model construction and diagnosis (FIG. 7B), but the statistical feature amount StF(t) is excluded from the feature amount 115. Good too.
  • the sign detection system 100 determines whether the operation state 608 is the operation data (sensor data 114) indicating whether the cooling target device 101 is in operation or idle. is also used as training data. On the other hand, during the sign detection process, the sign detection system 100 excludes operation data whose operation state 608 indicates that the cooling target device 101 is idle from the diagnosis target. That is, in the first embodiment, when the operating state 608 is operating data indicating that the cooling target device 101 is idle, sign detection cannot be performed.
  • the operation data in which the operation state 608 indicates that the cooling target device 101 is idle which was excluded during the sign detection process in the first embodiment, is also subject to diagnosis, and whether the operation state 608 is in operation or idle. It is now possible to detect signs even if the operating data indicates that the
  • the sign detection system 100 determines whether the operation state 608 is operation data indicating whether the cooling target device 101 is in operation or idle during the construction process of the sign detection model 117 and the sign detection process. Also used. For this reason, the item "standby state" is included in the feature amount F(t) and the statistical feature amount StF(t).
  • Embodiment 2 is the same as Embodiment 1 except for the differences from Embodiment 1.
  • FIG. 11 is a diagram showing an example of a training data table 700B according to the second embodiment.
  • the training data table 700B compared to the training data table 700 of the first embodiment, the operating state 608 and the corresponding operating state StF 708 are not excluded from the training data table 700B, but are included in the training data table 700B.
  • training data table 700B is similar to training data table 700.
  • each feature amount 115B of the training data table 700B is used as training data 115D instead of the feature amount 115 of the first embodiment.
  • the operating state StF708 is calculated based on the operating state 608, and the operating state 608 and the operating state StF708 are It is included in the feature amount 115B. That is, in the second embodiment, the feature amount 115B of the training data 115D includes an operating state 608 and an operating state StF708 that is a statistical feature amount StF of the operating state 608.
  • FIG. 12 is a flowchart showing the construction process of the sign detection model 117 according to the second embodiment.
  • the construction process of the sign detection model 117 according to the second embodiment is the same as the first embodiment except that step S14B is executed instead of step S14.
  • step S14B the construction unit 104 excludes from the operation data D(t) and EvD(t) items other than the operation state 608 that have a low contribution to the detection of a sign of abnormality in the cooling performance of the oil cooling unit 113. . That is, in step S14B, the operating state 608 is not excluded.
  • FIG. 13 is a flowchart showing the sign detection process according to the second embodiment.
  • the sign detection process according to the second embodiment is the same as the first embodiment except that steps S22 and S29 are omitted and step S24B is executed instead of step S24.
  • step S24B the sign detection unit 105 excludes items other than the operating state 608 that have a low contribution to the sign detection of the abnormality in the cooling performance of the oil cooling unit 113 from the operation data D(t) and EvD(t). do. That is, in step S24B, the operating state 608 is not excluded.
  • the sign detection unit 105 collects operation data D(t), EvD(t), which has an operating state 608 corresponding to operating and standby, for the sign detection model.
  • the feature amount 115B extracted from , including the operating state 608, is input. Therefore, it is possible to avoid the occurrence of false positives in which the product is diagnosed as abnormal (positive) even though it is normal (negative) when the product has recently been on standby, and it is also possible to diagnose the cooling performance even during standby. can.
  • step S22 (FIG. 10) is executed between steps S21 and S23, and if step S22: Yes, the process moves to step S23, and if step S22: No, the diagnosis is canceled (step S29) may also be used.
  • the statistical feature amount StF(t) is included in the feature amount 115B (FIG. 11), but the statistical feature amount StF(t) may be excluded from the feature amount 115.
  • the cooling target device 101 Since the cooling target device 101 has an internal state, it has a characteristic that a failure sign appears according to a pattern of time-series changes in the height of each of discharge pressure, discharge temperature, ambient temperature, load factor, etc. in the most recent fixed period. may change. For example, if a rising trend is observed in the discharge temperature despite the discharge pressure, ambient temperature, and load factor being constant during the most recent certain period, even if no signs of failure appear in Embodiments 1 and 2, the actual This may lead to disability.
  • the pattern of time-series changes in statistics calculated for each item of operation data for each interval divided into equal intervals during the most recent certain period is used to generate an omen detection model. and included in the feature values used in the sign detection process.
  • This "pattern of time-series changes in statistics calculated for each item of operation data for each interval divided into equal intervals in the most recent period" is called descriptive statistics (PAA: Piecewise Aggregate Approximation).
  • FIG. 14 is a diagram for explaining descriptive feature amounts according to the third embodiment. Descriptive features will be explained with reference to FIG. 14.
  • a predetermined period T2 (second statistical period) that goes back in time from a certain time t when the value of the operation data, which is each item value of the sensor data 114, takes an instantaneous value is divided into k equally spaced sections, and the The statistics of the operation data values are calculated as representative values for each section.
  • the descriptive feature amount at time t is the representative value for each of these k sections as the k feature amount at time t.
  • This "k” is determined according to the second statistical period and the section length of each section into which the second statistical period is divided.
  • the statistics of the transition values of the operation data for each section include the average value, maximum value, minimum value, median value, standard deviation, skewness, kurtosis, etc. Further, the length of each of the k equally spaced sections is 30 minutes, 1 hour, 1 day, 1 week, 1 month, etc.
  • the second statistical period will be described as having the same length as the first statistical period of the first embodiment.
  • the second statistical period is not necessarily the same length as the first statistical interval.
  • the second statistical period may be longer than the length of the first statistical period, for example.
  • FIG. 15 is a diagram showing an example of a training data table 700C according to the third embodiment. Similar to the training data table 700 of the first embodiment, the training data table 700C excludes the operating state 608 and the corresponding operating state StF 708 from the training data table 700C. In addition, similar to the training data table 700 of the first embodiment, the training data table 700C excludes items (in this embodiment, the power supply 607) that have a low contribution to the detection of signs of abnormalities in the cooling performance of the oil cooling unit 113. has been done.
  • the training data table 700C stores a discharge pressure 602, a discharge temperature 603, an ambient temperature 604, a load factor 605, and a current value 606. Further, in the training data table 700C, statistical feature quantities StF(t) of a discharge pressure 602, a discharge temperature 603, an ambient temperature 604, a load factor 605, and a current value 606 are stored in the field StF_70X. In FIG. 15, illustration of each item of StF_70X is omitted.
  • PAA(t) ⁇ PAA1(t), PAA2(t), PAA3(t), PAA4(t) ⁇ .
  • the fields of the training data table 700C that store the descriptive feature amount PAA(t) are PAA1_7Y1, PAA2_7Y2, PAA3_7Y3, and PAA4_7Y4.
  • training data 115D and the feature amount 115C of the diagnostic data include the statistical feature amount StF(t) and the descriptive feature amount PAA(t).
  • training data table 700C is similar to training data table 700.
  • FIG. 16 is a flowchart showing the construction process of the sign detection model 117 according to the third embodiment.
  • the construction process of the sign detection model 117 according to the third embodiment differs from the first embodiment in that step S15C is executed instead of step S15, step S16C is executed instead of step S16, and the other points are as follows. The same is true.
  • step S15C the construction unit 104 calculates the statistical feature amount StF(t) and the descriptive feature amount PAA(t) from the operating data D(t) and EvD(t).
  • step S16C the construction unit 104 combines the operating data D(t), the statistical feature StF(t), and the descriptive feature PAA(t) to generate a feature F(t).
  • FIG. 17 is a flowchart showing the sign detection process according to the third embodiment.
  • the sign detection process according to the third embodiment differs from the first embodiment in that steps S22 and S29 are omitted, and step S25C is executed instead of step S25, and step S26C is executed instead of step S26. Others are the same.
  • step S25C the sign detection unit 105 calculates the descriptive feature amount PAA(t) together with the statistical feature amount StF(c) at the current time c from the operating data EvD(c) as described above.
  • step S26C the sign detection unit 105 combines the operating data D(c), the statistical feature StF(c), and the descriptive feature PAA(t), and combines the feature F(c) at the current time c. ) is generated.
  • the functional unit that calculates the descriptive feature amount PAA(t) may be provided in the server of the cloud site 203 or at the edge of the user site 201. If the descriptive feature quantity PAA(t) is calculated on the server of the cloud site 203, no calculation load is applied to the edge of the user site 201, so limited edge resources are used to calculate the descriptive feature quantity PAA(t). It is possible to avoid wasting time in calculating . On the other hand, if the descriptive feature amount PAA(t) is calculated at the edge of the user site 201, load concentration on the server of the cloud site 203 can be avoided and load distribution can be achieved.
  • the feature quantity 115C used at the time of model construction and diagnosis is the operation at each time t included in each interval calculated for each of a plurality of intervals obtained by dividing the second statistical period before each time in the time series. It includes descriptive features that are statistics of data D(t) and EvD(t). Therefore, a failure can be appropriately predicted according to the characteristics of the pattern of changes in the internal state of the cooling target device 101 regarding the discharge pressure, discharge temperature, ambient temperature, load factor, etc. during the most recent certain period.
  • On-site know-how for operating 101 can be introduced into diagnosis. That is, on-site know-how can be mechanically incorporated into the sign detection model 117, and judgment by on-site engineers is no longer required, so that the number of work steps for on-site engineers can be reduced.
  • the predictive period for abnormality (positive) diagnosis can be extended, leading to a longer lead time for predictive diagnosis. It becomes possible to respond to For example, the operating status of industrial machinery generally shows a daily fluctuation pattern, but for example, the second statistical period of statistical features is less than one day, and the first statistical period of descriptive features is one day. By making it longer, it is possible to discover fluctuation patterns other than daily, which may improve the accuracy of predictive diagnosis. Furthermore, since the lead time for predictive diagnosis becomes longer, troubleshooting can be prepared with more time, making it easier to formulate a troubleshooting implementation plan.
  • step S22 (FIG. 10) is executed between steps S21 and S23, and if step S22: Yes, the process moves to step S23, and if step S22: No, the diagnosis is canceled (step S29) may also be used.
  • the second statistical period is divided into finer sections during the busy operating period (daytime, etc.) of the cooling target device 101, and the second statistical period is divided into coarser sections during the slow operating period (night, etc.). You may. By changing the length of the section that divides the second statistical period according to the time zone in which the operating status of the cooling target device 101 differs, changes in the internal state of the cooling target device 101 during a period in which changes in the internal state are likely to occur can be minimized. Patterns can be captured more accurately.
  • the statistical feature amount StF(t) is included in the feature amount 115C (FIG. 15), but the statistical feature amount StF(t) may be excluded from the feature amount 115.
  • an air compressor was used as an example of the device 101 to be cooled, but the device 101 to be cooled may be a rolling mill or an engine.
  • the present invention is not limited to the embodiments described above, and includes various modifications and equivalent configurations within the scope of the appended claims.
  • the embodiments described above have been described in detail to explain the present invention in an easy-to-understand manner, and the present invention is not necessarily limited to having all the configurations described.
  • a part of the configuration of one embodiment may be replaced with the configuration of another embodiment.
  • the configuration of another embodiment may be added to the configuration of one embodiment.
  • other configurations may be added, deleted, or replaced with some of the configurations of each embodiment.
  • each of the above-mentioned configurations, functions, processing units, processing means, etc. may be realized in hardware by designing a part or all of them with an integrated circuit, or a processor may implement a program to realize each function. It may be realized by software by interpreting and executing.
  • Information such as programs, tables, and files that realize each function can be stored in storage devices such as memory, hard disks, and SSDs (Solid State Drives), or in computers such as IC (Integrated Circuit) cards, SD cards, and DVDs (Digital Versatile Discs). It can be stored on a readable, non-transitory storage medium.
  • storage devices such as memory, hard disks, and SSDs (Solid State Drives), or in computers such as IC (Integrated Circuit) cards, SD cards, and DVDs (Digital Versatile Discs). It can be stored on a readable, non-transitory storage medium.
  • control lines and information lines shown are those considered necessary for explanation, and do not necessarily show all control lines and information lines necessary for implementation. In reality, almost all configurations can be considered interconnected.
  • 100 Sign detection system
  • 101 Cooling target device
  • 102 Sampling processing unit
  • 103 Data preprocessing unit
  • 104 Construction unit
  • 105 Sign detection unit
  • 111 Temperature rise source
  • 112 Sensor
  • 113 Oil cooling Part
  • 114 Sensor data
  • 115, 115B, 115C Feature amount
  • 117 Sign detection model.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

冷却性能劣化の予兆検知の高精度化を図ため、予兆検知システムは、温度上昇源と温度上昇源を冷却する冷却部とを有する冷却対象装置の時系列な稼働データを取得し、稼働データから特徴量を抽出する前処理部と、訓練用の稼働データから抽出された特徴量と、冷却部による冷却性能の状態を示すラベルと、に基づいて生成された訓練データを用いて構築された予兆検知モデルに対して、診断用の稼働データから抽出された特徴量を予兆検知モデルに入力して得られた出力に基づいて冷却性能を診断する予兆検知部とを有する。予兆検知モデルは、稼働中及び待機中に該当する稼働状態を有する稼働データから抽出された特徴量に基づいて生成された訓練データを用いて構築されたものである。予兆検知部は、冷却性能を診断する際に、予兆検知モデルに対して、稼働中のみに該当する稼働状態を有する稼働データから抽出された特徴量を入力する。

Description

予兆検知システム及び予兆検知方法
　本発明は、予兆検知システム及び予兆検知方法に関する。
　油冷却装置は冷却対象装置内に設けられ、冷却対象装置の定格範囲内の稼働状況であれば、冷却対象装置内のオイルを適正範囲内に冷却する。このため、冷却対象装置が異常状態に至ることはない。ただし、油冷却装置の冷却性能劣化が発生すると、冷却対象装置内のオイル温度は上昇して、冷却対象装置が異常状態に至り、冷却対象装置の安全な安定稼働が困難になる。通常、オイル温度が上昇して異常状態に至ると、油冷却装置のチェック機構が働き、冷却対象装置の稼働が停止する。
　また、下記特許文献１は、診断実行部と、配置部と、診断対象機器と、診断サーバと、ネットワークにより構成される故障予兆診断システムを開示する。この故障予兆診断システムでは、診断実行部は、センサ入力処理、前処理、診断処理、後処理の処理モジュールと、処理モジュールを接続する共通インターフェースを有し、配置部が、処理モジュールを、診断対象機器又は診断サーバに配置及び実行する。
特開２０１６－１２１５７号公報
　油冷却装置の冷却性能劣化の要因には、オイルクーラの目詰まり、オイルフィルタの目詰まり、オイル品質劣化、オイル配管劣化等が挙げられる。油冷却装置の冷却性能劣化は、冷却対象装置の同一負荷に対するオイル温度の差として現れる。しかし、負荷が高いとオイル温度に顕著な差として現れるが、負荷が低いとオイル温度の差は顕著に現れず、冷却性能劣化の予兆検知は困難である。
　本発明は、冷却性能劣化の予兆検知の高精度化を図ることを目的とする。
　本願において開示される発明の一側面となる予兆検知システムは、温度上昇源と前記温度上昇源を冷却媒体で冷却する冷却部とを有する冷却対象装置の時系列な稼働データを取得し、該稼働データから特徴量を抽出する前処理部と、訓練用の前記稼働データから前記前処理部によって抽出された前記特徴量と、前記冷却部による冷却性能の状態を示すラベルと、に基づいて生成された訓練データを用いて構築された予兆検知モデルに対して、診断用の前記稼働データから前記前処理部によって抽出された前記特徴量を前記予兆検知モデルに入力して得られた出力に基づいて前記冷却性能を診断する予兆検知部と、を有し、前記稼働データは、前記冷却対象装置が稼働中又は待機中を示す稼働状態を有し、前記予兆検知モデルは、前記稼働中及び前記待機中に該当する前記稼働状態を有する前記稼働データから抽出された前記特徴量に基づいて生成された前記訓練データを用いて構築されたものであり、前記予兆検知部は、前記冷却性能を診断する際に、前記予兆検知モデルに対して、前記稼働中のみに該当する前記稼働状態を有する前記稼働データから抽出された前記特徴量を入力する、ことを特徴とする。
　本発明の代表的な実施の形態によれば、冷却性能劣化の予兆検知の高精度化を図ることができる。前述した以外の課題、構成及び効果は、以下の実施形態の説明により明らかにされる。
実施形態１に係る予兆検知システムのシステム構成例を示すブロック図。 実施形態１に係る予兆検知システムの詳細なシステム構成例１を示すブロック図。 実施形態１に係る予兆検知システムの詳細なシステム構成例２を示すブロック図。 冷却対象装置の構成例を示すブロック図。 コンピュータのハードウェア構成例を示すブロック図。 実施形態１に係るセンサデータテーブルの一例を示す説明図。 実施形態１に係る訓練データの作成方法の一例を示す説明図。 実施形態１に係る訓練データテーブルの一例を示す図。 吐出温度及び周囲温度の時系列データを示すグラフ。 実施形態１に係る予兆検知モデルの構築処理を示すフローチャート。 実施形態１に係る診断処理を示すフローチャート。 実施形態２に係る訓練データテーブルの一例を示す図。 実施形態２に係る予兆検知モデルの構築処理を示すフローチャート。 実施形態２に係る診断処理を示すフローチャート。 実施形態３に係る記述的特徴量を説明するための図。 実施形態３に係る訓練データテーブルの一例を示す図。 実施形態３に係る予兆検知モデルの生成処理を示すフローチャート。 実施形態３に係る診断処理を示すフローチャート。
［実施形態１］
（実施形態１の予兆検知システム１００のシステム構成）
　図１は、実施形態１に係る予兆検知システム１００のシステム構成例を示すブロック図である。予兆検知システム１００は、冷却対象装置１０１と、サンプリング処理部１０２と、データ前処理部１０３と、構築部１０４と、予兆検知部１０５と、を有する。
　冷却対象装置１０１は、温度上昇源１１１と、センサ１１２と、油冷却部１１３と、を有する。温度上昇源１１１は、冷却対象装置１０１内での熱の発生、並びに空気圧縮等の物質への仕事により、温度上昇を引き起こす源であり、冷却対象装置１０１が、例えば、空気圧縮機であれば、圧縮部、モータである。センサ１１２は、冷却対象装置１０１内の各種稼働状況を検知する。センサ１１２は、例えば、温度センサや電流計、圧力センサである。
　油冷却部１１３は、冷却対象装置１０１内を循環するオイルを冷却する機構である。本実施形態では、冷却媒体としてオイルを例に挙げて説明するが、どのような冷却媒体を使用するかは冷却対象装置１０１の種類に依存するため、水やフロンのようなオイル以外の冷却媒体であってもよい。
　サンプリング処理部１０２は、センサ１１２からのアナログデータをデジタル変換してセンサデータ１１４として出力する。
　データ前処理部１０３は、センサデータ１１４の外れ値の除外、センサデータ１１４の補間、各時刻から所定時間を遡る期間のセンサデータ１１４の統計量の算出等により特徴量１１５を算出して出力する前処理ステップを実行する。
　構築部１０４は、特徴量１１５と陽性陰性ラベル１１６とを訓練データ１１５Ｄとし、予兆検知モデル１１７を構築する。具体的には、構築部１０４は、訓練データ１１５Ｄを用いて、例えば、決定木、ランダムフォレスト、深層学習により、予兆検知モデル１１７を生成する。陽性陰性ラベル１１６は、油冷却部１１３の冷却能力の正常又は異常を例えば二値のフラグ情報で示すラベルである。または、陽性陰性ラベル１１６は、油冷却部１１３の冷却能力の正常又は複数の異常の要因の中から該当する異常の要因を示す多値のフラグ情報であってもよい。
　予兆検知部は、特徴量１１５を予兆検知モデル１１７に入力することにより、油冷却部１１３の冷却性能劣化の予兆を示す診断結果１１８を出力する予兆検知ステップを実行する。
　図２は、実施形態１に係る予兆検知システム１００の詳細なシステム構成例１を示すブロック図である。予兆検知システム１００は、ユーザサイト２０１と、運用サイト２０２と、クラウドサイト２０３と、を有する。ユーザサイト２０１とクラウドサイト２０３、及び運用サイト２０２とクラウドサイト２０３は、インターネット、ＬＡＮ（Local　Area　Network）、ＷＡＮ（Wide　Area　Network）等のネットワークを介して通信可能に接続される。
　ユーザサイト２０１は、冷却対象装置１０１と、第１通信制御部２１０と、を有する。図２では、サンプリング処理部１０２は、冷却対象装置１０１に含まれるが、ユーザサイト２０１内であれば、冷却対象装置１０１外でもよい。
　運用サイト２０２は、データ前処理部１０３と、構築部１０４と、第２通信制御部２２０と、を有する。
　クラウドサイト２０３は、データ前処理部１０３と、予兆検知部１０５と、第３通信制御部２３０と、を有する。
　先ず、システム構成例１における予兆検知モデル１１７の構築処理について説明する。ユーザサイト２０１において、冷却対象装置１０１は、センサ１１２で検出されたアナログデータをサンプリング処理部１０２に出力し、サンプリング処理部１０２は、センサデータ１１４を第１通信制御部２１０に出力する。ユーザサイト２０１は、第１通信制御部２１０により、センサデータ１１４をクラウドサイト２０３の第３通信制御部２３０に送信する。
　クラウドサイト２０３は、第３通信制御部２３０により、ユーザサイトからのセンサデータ１１４を運用サイト２０２の第２通信制御部２２０に転送する。
　運用サイト２０２において、データ前処理部１０３は、第２通信制御部２２０によって受信されたセンサデータ１１４を取得して特徴量１１５を構築部１０４に出力する。構築部１０４は、訓練データ１１５Ｄ（特徴量１１５及び陽性陰性ラベル１１６）を用いて、予兆検知モデル１１７を構築し、第２通信制御部２２０に出力する。第２通信制御部２２０は、予兆検知モデル１１７をクラウドサイト２０３の第３通信制御部２３０に送信する。
　クラウドサイト２０３において、第３通信制御部２３０は、運用サイト２０２からの予兆検知モデル１１７を予兆検知部１０５に出力する。
　次に、システム構成例１における予兆検知モデル１１７による予兆検知処理について説明する。ユーザサイト２０１において、冷却対象装置１０１は、センサ１１２で検出されたアナログデータをサンプリング処理部１０２に出力し、サンプリング処理部１０２は、センサデータ１１４を第１通信制御部２１０に出力する。ユーザサイト２０１は、第１通信制御部２１０により、センサデータ１１４をクラウドサイト２０３の第３通信制御部２３０に送信する。
　クラウドサイト２０３において、第３通信制御部２３０は、ユーザサイト２０１からのセンサデータ１１４をデータ前処理部１０３に出力する。データ前処理部１０３は、センサデータ１１４の外れ値を除外したり、欠損した時刻におけるセンサデータ１１４を補間したりすることで、特徴量１１５を予兆検知部１０５に出力する。予兆検知部１０５は、特徴量１１５を予兆検知モデル１１７に入力して、油冷却部１１３の冷却性能劣化の予兆を示す診断結果１１８を出力する。
　図３は、予兆検知システム１００の詳細なシステム構成例２を示すブロック図である。図２のシステム構成例１との相違点を中心に説明する。
　ユーザサイト２０１は、冷却対象装置１０１と、第１通信制御部２１０と、を有する。図３では、サンプリング処理部１０２及びデータ前処理部１０３は、冷却対象装置１０１に含まれるが、ユーザサイト２０１内であれば、冷却対象装置１０１外でもよい。
　運用サイト２０２は、構築部１０４と、第２通信制御部２２０と、を有する。
　クラウドサイト２０３は、予兆検知部１０５と、第３通信制御部２３０と、を有する。
　システム構成例２では、データ前処理部１０３は、ユーザサイト２０１にのみ存在する。すなわち、ユーザサイト２０１で特徴量１１５を生成することで、システム構成例１におけるセンサデータ１１４のサンプリング周期よりも短いサンプリング周期のセンサデータ１１４を用いて、予兆検知モデル１１７の構築及び予兆検知が可能になる。
　先ず、システム構成例２における予兆検知モデル１１７の構築処理について説明する。ユーザサイト２０１において、冷却対象装置１０１は、センサ１１２で検出されたアナログデータをサンプリング処理部１０２に出力し、サンプリング処理部１０２は、センサデータ１１４をデータ前処理部１０３に出力する。データ前処理部１０３は、センサデータ１１４の外れ値を除外したり、欠損した時刻におけるセンサデータ１１４を補間したりすることで、特徴量１１５を第１通信制御部２１０に出力する。ユーザサイト２０１は、第１通信制御部２１０により、特徴量１１５をクラウドサイト２０３の第３通信制御部２３０に送信する。
　クラウドサイト２０３は、第３通信制御部２３０により、ユーザサイトからの特徴量１１５を運用サイト２０２の第２通信制御部２２０に転送する。
　運用サイト２０２において、第２通信制御部２２０は、ユーザサイト２０１からの特徴量１１５を構築部１０４に出力する。構築部１０４は、訓練データ１１５Ｄ（特徴量１１５及び陽性陰性ラベル１１６）を用いて、予兆検知モデル１１７を構築し、第２通信制御部２２０に出力する。第２通信制御部２２０は、予兆検知モデル１１７をクラウドサイト２０３の第３通信制御部２３０に送信する。
　クラウドサイト２０３において、第３通信制御部２３０は、運用サイト２０２からの予兆検知モデル１１７を予兆検知部１０５に出力する。
　次に、システム構成例２における予兆検知モデル１１７による予兆検知処理について説明する。ユーザサイト２０１において、冷却対象装置１０１は、センサ１１２で検出されたアナログデータをサンプリング処理部１０２に出力し、サンプリング処理部１０２は、センサデータ１１４をデータ前処理部１０３に出力する。データ前処理部１０３は、センサデータ１１４の外れ値を除外したり、欠損した時刻におけるセンサデータ１１４を補間したりすることで、特徴量１１５を第１通信制御部２１０に出力する。ユーザサイト２０１は、第１通信制御部２１０により、特徴量１１５をクラウドサイト２０３の第３通信制御部２３０に送信する。
　クラウドサイト２０３において、第３通信制御部２３０は、ユーザサイト２０１からの特徴量１１５を予兆検知部１０５に出力する。予兆検知部１０５は、特徴量１１５を予兆検知モデル１１７に入力して、油冷却部１１３の冷却性能劣化の予兆を示す診断結果１１８を出力する。
（冷却対象装置１０１の構成）
　図４は、冷却対象装置１０１の構成例を示すブロック図である。図４では、冷却対象装置１０１として、空気圧縮機を例に挙げて説明する。冷却対象装置１０１は、インバータ４００と、モータ４１２と、圧縮部４０１と、オイルセパレータ４０２と、逆止弁４０３と、オイルクーラ４０４と、オイルフィルタ４０６と、アフタークーラ４０７と、エアクーラ４０８と、を有する。温度上昇源は、例えばモータ４１２、圧縮部４０１である。
　インバータ４００は、モータ４１２を回転制御する。インバータ４００によって変換された交流電圧の周波数が高くなるとモータの負荷が高くなりモータが高速回転して、圧縮部４０１により圧縮空気がより多く生成される。また、冷却対象装置１０１は、第１吸気口４１０と、第２吸気口４６１と、排気口４６３と、圧縮空気出口４８０と、を有する。
　また、冷却対象装置１０１は、センサ１１２として、電流計４１１と、吐出圧力計４５１と、吐出温度計４５２と、周囲温度計４６２と、を有する。電流計４１１は、モータ４１２の電流値を検出する。吐出圧力計４５１は、圧縮空気の吐出圧力を検出する。吐出温度計４５２は、圧縮部４０１から吐出される、オイルと混合した圧縮空気の吐出温度を検出する。オイルセパレータ４０２は、オイルと混合した圧縮空気をオイルと圧縮空気とに分離する。周囲温度計４６２は、第２吸気口４６１からの空気で冷却対象装置１０１の周囲温度を検出する。なお、センサ１１２は、インバータ４００の電圧周波数も検出する。また、各センサ１１２から出力されるアナログデータは、サンプリング処理部１０２により同一タイミングでサンプリングされる。
　圧縮部４０１⇒オイルセパレータ４０２⇒逆止弁４０３⇒オイルクーラ４０４⇒オイルフィルタ４０６⇒圧縮部４０１⇒…という経路が、油冷却部１１３によるオイルの循環経路である。
　また、第１吸気口４１０⇒圧縮部４０１⇒オイルセパレータ４０２⇒アフタークーラ４０７⇒エアクーラ４０８⇒圧縮空気出口４８０という経路が空気の流れであり、圧縮部４０１で生成された圧縮空気が、圧縮空気出口４８０から排出される。また、第２吸気口４６１から取り込まれた空気は、オイルクーラ４０４、アフタークーラ４０７、並びに圧縮部４０１、モータ４１２を冷却し、排気口４６３から排出される。
（コンピュータ５００のハードウェア構成）
　図５は、コンピュータ５００のハードウェア構成例を示すブロック図である。コンピュータ５００は、ユーザサイト２０１、運用サイト２０２、及びクラウドサイト２０３のそれぞれのサーバ装置を構成する。コンピュータ５００は、プロセッサ５０１と、記憶デバイス５０２と、入力デバイス５０３と、出力デバイス５０４と、通信インターフェース（通信ＩＦ）５０５と、を有する。プロセッサ５０１、記憶デバイス５０２、入力デバイス５０３、出力デバイス５０４、及び通信ＩＦ５０５は、バス５０６により接続される。プロセッサ５０１は、コンピュータ５００を制御する。
　記憶デバイス５０２は、プロセッサ５０１の作業エリアとなる。また、記憶デバイス５０２は、各種プログラムやデータを記憶する非一時的な又は一時的な記録媒体である。記憶デバイス５０２としては、例えば、ＲＯＭ（Read　Only　Memory）、ＲＡＭ（Random　Access　Memory）、ＨＤＤ（Hard　Disk　Drive）、フラッシュメモリがある。
　入力デバイス５０３は、データを入力する。入力デバイス５０３としては、例えば、キーボード、マウス、タッチパネル、テンキー、スキャナ、マイク、センサがある。出力デバイス５０４は、データを出力する。出力デバイス５０４としては、例えば、ディスプレイ、プリンタ、スピーカがある。通信ＩＦ５０５は、ネットワークと接続し、データを送受信する。
（データ前処理）
　次に、データ前処理部１０３によるデータ前処理例について説明する。
　図６は、センサデータテーブルの一例を示す説明図である。センサデータテーブル６００は、センサデータ１１４を保持するコンピュータ５００に存在する。センサデータテーブル６００は、センサデータ１１４をエントリとするテーブルであり、フィールドとして、日時６０１、吐出圧力６０２、吐出温度６０３、周囲温度６０４、負荷率６０５、電流値６０６、電源６０７、及び稼働状態６０８を含む。
　日時６０１は、センサ１１２からのアナログデータをサンプリング処理部１０２がサンプリングした日付時刻である。吐出圧力６０２は、吐出圧力計４５１からのアナログデータをサンプリング処理部１０２がサンプリングした日付時刻での圧縮空気の吐出圧力値である。吐出温度６０３は、吐出温度計４５２からのアナログデータをサンプリング処理部１０２がサンプリングした日付時刻でのオイルと混合した圧縮空気の吐出温度である。周囲温度６０４は、周囲温度計４６２からのアナログデータをサンプリング処理部１０２がサンプリングした日付時刻での冷却対象装置１０１の周囲温度である。
　負荷率６０５は、インバータ４００からのアナログデータ（交流電圧の周波数）をサンプリング処理部１０２がサンプリングした日付時刻でのモータ４１２にかかる稼働負荷の割合を示す値である。負荷率６０５は、インバータ４００によって変換された交流電圧の周波数に応じて増減する。
　電流値６０６は、電流計４１１からのアナログデータをサンプリング処理部１０２がサンプリングした日付時刻でのモータ４１２に印加した電流の値である。電源６０７は、センサ１１２からのアナログデータをサンプリング処理部１０２がサンプリングした日付時刻での冷却対象装置１０１の電源がＯＮ又はＯＦＦのいずれであるかを示す値である。
　電源６０７は、電源ＯＮで“１”、電源ＯＦＦで“０”の値を取る。稼働状態６０８は、センサ１１２からのアナログデータをサンプリング処理部１０２がサンプリングした日付時刻で冷却対象装置１０１が稼働中であるかアイドル中（待機中）であるかを示す値である。稼働状態６０８は、冷却対象装置１０１が稼働中で“１”、アイドル中で“０”の値を取る。
（予兆検知モデル構築）
　次に、構築部１０４による予兆検知モデル構築例について説明する。構築部１０４は、訓練データ１１５Ｄ（特徴量１１５及び陽性陰性ラベル１１６）の生成と、訓練データ１１５Ｄのデータセットを用いた予兆検知モデル１１７の生成と、を実行する。先ず、訓練データ１１５Ｄの生成について説明する。
　図７Ａは、実施形態１に係る訓練データ１１５Ｄの作成方法の一例を示す説明図である。図７Ｂは、実施形態１に係る訓練データテーブル７００の一例を示す図である。図７Ｂに示す訓練データテーブル７００は、特徴量１１５を保持するコンピュータ５００に存在する。
　訓練データテーブル７００は、訓練データ１１５Ｄ（特徴量１１５及び陽性陰性ラベル１１６）をエントリとするテーブルである。訓練データテーブル７００は、フィールドとして、日時６０１、吐出圧力６０２、吐出温度６０３、周囲温度６０４、負荷率６０５、及び電流値６０６を含む。さらに訓練データテーブル７００は、フィールドとして、吐出圧力ＳｔＦ７０２、吐出温度ＳｔＦ７０３、周囲温度ＳｔＦ７０４、負荷率ＳｔＦ７０５、電流値ＳｔＦ７０６、及び陽性陰性ラベル１１６を含む。特徴量１１５は、吐出圧力６０２、吐出温度６０３、周囲温度６０４、負荷率６０５、電流値６０６、吐出圧力ＳｔＦ７０２、吐出温度ＳｔＦ７０３、周囲温度ＳｔＦ７０４、負荷率ＳｔＦ７０５、及び電流値ＳｔＦ７０６を含む。ＳｔＦは、Statistical　Featureの略である。
　なお、稼働状態６０８及び対応する稼働状態の統計的特徴量が、訓練データテーブル７００から除外されている。また電源６０７及び対応する電源の統計的特徴量も、油冷却部１１３の冷却性能の異常の予兆検出に対して寄与度が低い項目として、訓練データテーブル７００から除外されている。寄与度が低いとして除外される項目は、電源６０７及び対応する電源の統計的特徴量ＳｔＦ（ｔ）に限らず、例えば構築された予兆検知モデル１１７のモデル評価によって決定されてもよい。
　構築部１０４は、運用サイト２０２の運用者からの操作入力により、冷却性能の異常発生日時の入力を受け付ける。構築部１０４は、図７Ａに示すように、異常発生の日時６０１をｔ１とすると、異常発生日時ｔ１から所定時間Ｔ１（第１統計期間）だけさかのぼった日時（ｔ１－Ｔ１）から日時ｔ１までの期間を陽性期間に設定する。構築部１０４は、陽性期間の特徴量１１５の陽性陰性ラベル１１６を、陽性を示す「１」に設定する。また、構築部１０４は、日時（ｔ１－Ｔ１）以前の陽性陰性ラベル１１６が付与されていない期間を陰性期間に設定して、陰性期間の特徴量１１５の陽性陰性ラベル１１６を、陰性を示す「０」に設定する。
　図７Ａに示すように、ある日時６０１（時刻ｔ）のセンサデータ１１４を稼働データＤ（ｔ）とする。この時刻ｔに対する第１統計期間に含まれる稼働データＤ（ｔ）の集合を稼働データＥｖＤ（ｔ１）とする。稼働データＤ（ｔ），ＥｖＤ（ｔ）は、稼働状態６０８と油冷却部１１３の冷却性能の異常の予兆検出に対して寄与度が低い項目（本実施形態では電源６０７）が除外される。
　稼働データＤ（ｔ）と稼働データＥｖＤ（ｔ１）の和集合の各項目値の統計量を時刻ｔの統計的特徴量ＳｔＦ（ｔ）とする。統計量は、最大値、最小値、平均値、分散、標準偏差、自己共分散、自己相関等である。稼働データＤ（ｔ）と統計的特徴量ＳｔＦ（ｔ）を結合したデータが時刻ｔの特徴量１１５である。この特徴量１１５と陽性陰性ラベル１１６を結合したデータが訓練データ１１５Ｄである。
　例えば、サンプリング処理部１０２のサンプリング周期が３０分であったとする。日時ｔ１をある年月日の１２：３０とし、所定時間Ｔ１を１２時間とすると、日時ｔ０は、当該ある日時の０：３０となる。この場合、データ前処理部１０３は、０：３０（日時ｔ０）から１２：３０（日時ｔ１）までの３０分毎のセンサデータ１１４の統計量を算出する。データ前処理部１０３は、１２：３０（日時ｔ１）のセンサデータ１１４と、０：３０（日時ｔ０）から１２：３０（日時ｔ１）の１つ前の日時である１２：００までの３０分毎のセンサデータ１１４の統計量とを、日時ｔ１の特徴量１１５として出力する。
　上述の処理を各日時６０１について実行することで、図７Ｂに示すように、複数の訓練データ１１５Ｄを含んだ訓練データテーブル７００が生成される。
　なお、サンプリング周期が所定周期以下の場合、センサデータ１１４が膨大になる。特に、図３に示したシステム構成例２の場合、第１通信制御部２１０から第３通信制御部２３０への送信データ量が増大する。よって、ユーザサイト２０１とクラウドサイト２０３との間の通信データ量に制限がある場合、ユーザサイト２０１からクラウドサイト２０３へのデータ送信ができないことになる。このような場合に備えて、データ前処理部１０３は、高速フーリエ変換により、センサデータ１１４を周波数成分に変換する。
　例えば、サンプリング処理部１０２のサンプリング周期が１０ｍｓｅｃであったとする。日時ｔ１をある年月日の１２：３０とし、所定時間Ｔ１を３０分とすると、日時ｔ０は、当該ある日時の１２：００となる。この場合、データ前処理部１０３は、１２：００（日時ｔ０）から１２：３０（日時ｔ１）までの１０ｍｓｅｃ毎のセンサデータ１１４を高速フーリエ変換により周波数成分に変換し、当該周波数成分を１２：３０（日時ｔ１）の特徴量１１５として出力する。なお、周波数成分の特徴量１１５は、運用サイト２０２においてそのまま予兆検知モデル１１７の構築に用いられてもよく、運用サイト２０２で逆高速フーリエ変換することにより、時系列な特徴量１１５に変換されてもよい。
　また、データ前処理部１０３は、例えば、センサデータ１１４の負荷率６０５がしきい値以上であれば特徴量１１５として出力し、しきい値未満であれば特徴量１１５として出力しない、としてもよい。
　また、データ前処理部１０３は、第１しきい値以上のセンサデータ１１４を第１特徴量１１５として出力し、第１しきい値よりも低い第２しきい値未満のセンサデータ１１４を第２特徴量１１５として出力してもよい。なおこの場合、構築部１０４は、第１特徴量１１５を用いて第１予兆検知モデル１１７を構築してもよく、第２特徴量１１５を用いて第２予兆検知モデル１１７を構築してもよい。
　また、データ前処理部１０３は、時系列なセンサデータ１１４の集合のうち、オイルの吐出温度６０３の時系列データについて、日時６０１ごとに所定時間幅の移動平均値を算出する。そして、データ前処理部１０３は、日時６０１毎に算出した移動平均値の最大値と最小値との範囲において、上位ｐ％以上の移動平均値となるセンサデータ１１４を特徴量１１５に決定して出力してもよい。そして、データ前処理部１０３は、上位ｐ％未満の移動平均値となるセンサデータ１１４を特徴量１１５として出力しないとしてもよい。
　また、構築部１０４は、時系列なセンサデータ１１４の集合において、吐出温度６０３の上昇開始から上昇終了までの温度上昇期間を特定することにより、特徴量１１５ごとに訓練データ１１５Ｄのデータセットを生成してもよい。
　図８は、吐出温度６０３及び周囲温度６０４の時系列データを示すグラフである。グラフ８００において、構築部１０４は、吐出温度６０３が所定以上の勾配で連続的に上昇する上昇傾向な期間を特定する。当該期間の開始日時は、吐出温度６０３の最低値となる日時であり、上昇開始の日時となる。また、ある日時の吐出温度６０３が次の日時で所定温度以上下降した場合（例えば、上昇開始の日時の吐出温度６０３以下）、当該ある日時を上昇終了日時となる。構築部１０４は、上昇開始の日時から上昇終了の日時までの期間を温度上昇期間として特定する。
　そして、構築部１０４は、温度上昇期間に冷却性能の異常発生日時が含まれていれば温度上昇期間を陽性期間に設定して、陽性期間の特徴量１１５の陽性陰性ラベル１１６を、陽性を示す「１」に設定する。一方、構築部１０４は、温度上昇期間に冷却性能の異常発生日時が含まれていなければ陰性期間に設定して、陰性期間の特徴量１１５の陽性陰性ラベル１１６を、陰性を示す「０」に設定する。また、構築部１０４は、温度上昇期間外についてもの陰性期間に設定して、陰性期間の特徴量１１５の陽性陰性ラベル１１６を、陰性を示す「０」に設定してもよい。
（実施形態１に係る予兆検知モデル１１７の構築処理）
　図９は、実施形態１に係る予兆検知モデル１１７の構築処理を示すフローチャートである。予兆検知モデル１１７の構築処理は、ユーザ指示によるセンサデータテーブル６００（図６）の入力を契機として構築部１０４によって実行される。
　先ずステップＳ１１では、構築部１０４は、時刻のインデックスであるｔにセンサデータテーブル６００の処理対象の先頭レコードに該当する初期値をセットする。
　次にステップＳ１２では、構築部１０４は、センサデータテーブル６００からステップＳ１１でセットした時刻ｔのエントリ（訓練用の稼働データＤ（ｔ））を読み込む。次にステップＳ１３では、構築部１０４は、センサデータテーブル６００から時刻ｔに対する第１統計期間のエントリ（訓練用の稼働データＥｖＤ（ｔ））を読み込む。
　次にステップＳ１４では、構築部１０４は、稼働データＤ（ｔ），ＥｖＤ（ｔ）から、稼働状態６０８、及び、油冷却部１１３の冷却性能の異常の予兆検出に対して寄与度が低い項目（本実施形態では電源６０７）を除外する。
　次にステップＳ１５では、構築部１０４は、稼働データＤ（ｔ）と稼働データＥｖＤ（ｔ）の和集合のデータセットから時刻ｔの統計的特徴量ＳｔＦ（ｔ）を算出する。具体的には、稼働データＤ（ｔ）と稼働データＥｖＤ（ｔ）の和集合のデータセットの各データの項目毎に、既述のように統計量を算出する。次にステップＳ１６では、構築部１０４は、時刻（ｔ）の稼働データＤ（ｔ）と統計的特徴量ＳｔＦ（ｔ）と結合して、時刻ｔの特徴量Ｆ（ｔ）（特徴量１１５）とする。
　次にステップＳ１７では、構築部１０４は、時刻ｔをインクリメントする。次にステップＳ１８では、構築部１０４は、時刻ｔがセンサデータ１１４の最後のエントリに該当する時刻を超えたか否かを判定する。構築部１０４は、時刻ｔがセンサデータ１１４の最後のエントリに該当する時刻を超えた（ステップＳ１８Ｙｅｓ）場合にステップＳ１９に処理を移し、超えていない（ステップＳ１８Ｎｏ）場合にステップＳ１２に処理を戻す。
　ステップＳ１９では、構築部１０４は、ステップＳ１１～Ｓ１８によって作成された訓練データテーブル７００に基づいて、「正常期間」と「予兆期間」を分類する予兆検知モデルを学習する。
（実施形態１に係る予兆検知処理）
　図１０は、実施形態１に係る診断処理を示すフローチャートである。診断処理は、ユーザ指示による診断用稼働データ（センサデータテーブル６００（図６））の入力を契機として予兆検知部１０５によって実行される。
　先ずステップＳ２１では、予兆検知部１０５は、現在時刻ｃの稼働データＤ（ｃ）（診断用の稼働データ）を読み込む。次にステップＳ２２では、予兆検知部１０５は、稼働データＤ（ｃ）の「稼働状態」の値が“１”（稼働中）か否かを判定する。予兆検知部１０５は、稼働データＤ（ｃ）の「稼働状態」の値が“１”（稼働中）である場合（ステップＳ２２Ｙｅｓ）にステップＳ２３に処理を移し、“０”（アイドル中）である場合にステップＳ２９に処理を移す。
　ステップＳ２３では、予兆検知部１０５は、診断用稼働データから現在時刻ｃに対する第１統計期間の稼働データＥｖＤ（ｃ）（診断用の稼働データ）を読み込む。次にステップＳ２４では、予兆検知部１０５は、稼働データＤ（ｃ），ＥｖＤ（ｃ）から「稼働状態」及び寄与度が低い項目を除外する。
　次にステップＳ２５では、予兆検知部１０５は、ステップＳ１５（図９）と同様に、稼働データＤ（ｔ），ＥｖＤ（ｃ）から現在時刻ｃの統計的特徴量ＳｔＦ（ｃ）を算出する。次にステップＳ２６では、予兆検知部１０５は、稼働データＤ（ｃ）と統計的特徴量ＳｔＦ（ｃ）を結合して現在時刻ｃの特徴量Ｆ（ｃ）を生成する。
　次にステップＳ２７では、予兆検知部１０５は、特徴量Ｆ（ｃ）を予兆検知モデル１１７に入力し、予兆検知モデル１１７が出力する陽性又は陰性のラベルに基づいて、油冷却部１１３の冷却能力の診断（「予兆期間」「平常期間」の算出）を行う。次にステップＳ２８では、予兆検知部１０５は、ステップＳ２６の診断結果を出力する。
　一方ステップＳ２９では、予兆検知部１０５は、診断をキャンセルする。
（実施形態１の効果）
　本実施形態では、予兆検知モデル１１７は、稼働中及びアイドル中に該当する稼働状態６０８を有する稼働データＤ（ｔ）から稼働状態６０８を除外して抽出された特徴量１１５に基づいて生成された訓練データ１１５Ｄを用いて構築されたものである。一方、予兆検知部１０５は、油冷却部１１３の冷却性能を診断する際に、予兆検知モデル１１７に対して、稼働中のみに該当する稼働状態６０８を有する稼働データＤ（ｔ）から稼働状態６０８を除外して抽出された特徴量１１５を入力する。よって、診断時において稼働状態６０８が待機中の稼働データＤ（ｔ）を診断対象から除外することで、直近で待機中が連続した場合に、正常（陰性）であるにもかかわらず異常（陽性）と診断してしまう偽陽性の発生を回避し、予兆診断の精度を向上させる。すなわち、冷却対象装置１０１の異常発生による性能劣化、冷却対象装置１０１の停止、及び冷却対象装置１０１の故障を適切に予測し、未然に回避できる。
　また本実施形態では、特徴量１１５は、時系列の各時刻以前の第１統計期間に含まれるそれぞれの時刻ｔにおける稼働データＥｖＤ（ｔ）の統計量である統計的特徴量ＳｔＦ（ｔ）を含む。よって、直近の一定期間における吐出圧力、吐出温度、周囲温度、負荷率等に関する冷却対象装置１０１の内部状態の特徴に応じて、障害を適切に予測することができる。
　また本実施形態では、予兆検知モデル１１７は、稼働中及び待機中に該当する稼働状態６０８を有する稼働データＤ（ｔ），ＥｖＤ（ｔ）から稼働状態６０８を除外した上で抽出された特徴量１１５に基づいて生成された訓練データ１１５Ｄを用いて構築されている。予兆検知部１０５は、冷却性能を診断する際に、予兆検知モデル１１７に対して、稼働中のみに該当する稼働状態６０８を有する稼働データＤ（ｔ），ＥｖＤ（ｔ）から稼働状態６０８を除外した上で抽出された特徴量１１５を入力する。よって、モデル構築時及び診断時において稼働状態６０８を対象から除外することで、上述の偽陽性の発生を回避できる。
（実施形態１の変形例）
　実施形態１では、モデル構築時及び診断時において特徴量１１５に統計的特徴量ＳｔＦ（ｔ）を含めている（図７Ｂ）が、特徴量１１５から統計的特徴量ＳｔＦ（ｔ）を除外してもよい。
［実施形態２］
　実施形態１では、予兆検知システム１００は、予兆検知モデル１１７の構築処理の際に、稼働状態６０８が冷却対象装置１０１の稼働中及びアイドル中の何れを示す稼働データ（センサデータ１１４）であっても、訓練データとして用いる。その一方で、予兆検知システム１００は、予兆検知処理の際には、稼働状態６０８が冷却対象装置１０１のアイドル中を示す稼働データを診断対象から除外する。すなわち実施形態１では、稼働状態６０８が冷却対象装置１０１のアイドル中を示す稼働データの場合に予兆検知を行うことができない。
　そこで実施形態２では、実施形態１で予兆検知処理の際に除外した稼働状態６０８が冷却対象装置１０１のアイドル中を示す稼働データも診断対象とし、稼働状態６０８が稼働中及びアイドル中の何れを示す稼働データであっても、予兆検知を行えるようにした。
　すなわち実施形態２では、予兆検知システム１００は、予兆検知モデル１１７の構築処理及び予兆検知処理の際に、稼働状態６０８が冷却対象装置１０１の稼働中及びアイドル中の何れを示す稼働データであっても用いる。このため、特徴量Ｆ（ｔ）及び統計的特徴量ＳｔＦ（ｔ）に「待機状態」の項目を含めた。
　以下、実施形態２の説明では、実施形態１との差異部分を中心に説明する。実施形態２は、実施形態１との差異分以外は、実施形態１と同様である。
（実施形態２に係る訓練データテーブル７００Ｂ）
　図１１は、実施形態２に係る訓練データテーブル７００Ｂの一例を示す図である。訓練データテーブル７００Ｂは、実施形態１の訓練データテーブル７００と比較して、稼働状態６０８及び対応する稼働状態ＳｔＦ７０８が訓練データテーブル７００Ｂから除外されず、訓練データテーブル７００Ｂに含まれている。その他の点では、訓練データテーブル７００Ｂは、訓練データテーブル７００と同様である。実施形態２では、訓練データテーブル７００Ｂの各特徴量１１５Ｂを、実施形態１の特徴量１１５に代えて、訓練データ１１５Ｄとして用いる。
　図１１を、実施形態１の図７Ｂと対比すると、実施形態２では、統計的特徴量ＳｔＦの算出の際に、稼働状態６０８に基づく稼働状態ＳｔＦ７０８を算出し、稼働状態６０８と稼働状態ＳｔＦ７０８を特徴量１１５Ｂに含めている。すなわち実施形態２では、訓練データ１１５Ｄの特徴量１１５Ｂは、稼働状態６０８と、稼働状態６０８の統計的特徴量ＳｔＦである稼働状態ＳｔＦ７０８を含んでいる。
（実施形態２に係る予兆検知モデル１１７の構築処理）
　図１２は、実施形態２に係る予兆検知モデル１１７の構築処理を示すフローチャートである。実施形態２に係る予兆検知モデル１１７の構築処理は、実施形態１と比較して、ステップＳ１４に代えてステップＳ１４Ｂが実行される点が異なり、その他は同様である。
　ステップＳ１４Ｂでは、構築部１０４は、稼働データＤ（ｔ），ＥｖＤ（ｔ）から、稼働状態６０８以外の油冷却部１１３の冷却性能の異常の予兆検出に対して寄与度が低い項目を除外する。すなわち、ステップＳ１４Ｂでは、稼働状態６０８は除外されない。
（実施形態２に係る予兆検知処理）
　図１３は、実施形態２に係る予兆検知処理を示すフローチャートである。実施形態２に係る予兆検知処理は、実施形態１と比較して、ステップＳ２２，Ｓ２９が省略され、ステップＳ２４に代えてステップＳ２４Ｂが実行される点が異なり、その他は同様である。
　ステップＳ２４Ｂでは、予兆検知部１０５は、稼働データＤ（ｔ），ＥｖＤ（ｔ）から、稼働状態６０８以外の油冷却部１１３の冷却性能の異常の予兆検出に対して寄与度が低い項目を除外する。すなわち、ステップＳ２４Ｂでは、稼働状態６０８は除外されない。
（実施形態２の効果）
　本実施形態では、予兆検知部１０５は、冷却性能を診断する際に、予兆検知モデルに対して、稼働中及び待機中に該当する稼働状態６０８を有する稼働データＤ（ｔ），ＥｖＤ（ｔ）から稼働状態６０８を含めて抽出された特徴量１１５Ｂを入力する。よって、直近で待機中が連続した場合に、正常（陰性）であるにもかかわらず異常（陽性）と診断してしまう偽陽性の発生を回避できる上、待機中も冷却性能を診断することができる。
（実施形態２の変形例）
　実施形態２では、診断処理（図１３）において、特徴量１１５Ｂの生成時に、稼働データＤ（ｃ），ＥｖＤ（ｃ）には稼働状態６０８が“１”（稼働中）及び“０”（アイドル中）の何れのデータも含めている。しかしこれに限らず、実施形態１と同様に、稼働データＤ（ｃ），ＥｖＤ（ｃ）から稼働状態６０８が“０”（アイドル中）のデータを除外してもよい。すなわち、図１３において、ステップＳ２１とＳ２３の間でステップＳ２２（図１０）が実行され、ステップＳ２２：Ｙｅｓの場合にステップＳ２３に処理を移し、ステップＳ２２：Ｎｏの場合に診断をキャンセルする（ステップＳ２９）としてもよい。
　また実施形態２では、特徴量１１５Ｂに統計的特徴量ＳｔＦ（ｔ）を含めている（図１１）が、特徴量１１５から統計的特徴量ＳｔＦ（ｔ）を除外してもよい。
［実施形態３］
　冷却対象装置１０１は、内部状態を持つため、直近の一定期間における吐出圧力、吐出温度、周囲温度、負荷率等に関して、それぞれの高低の時系列的な変化のパターンに応じて障害予兆が出る特徴が変わる場合がある。例えば、直近の一定期間において、吐出圧力、周囲温度、負荷率が一定にもかかわらず、吐出温度に上昇傾向が見られると、実施形態１及び２では障害予兆が現れなくても、実際には障害に至る場合がある。
　そこで実施形態３では、直近の一定期間において、この直近の一定期間を等間隔に区分した区間毎に稼働データの項目毎に算出した統計量の時系列的な変化のパターンを、予兆検知モデル生成及び予兆検知処理で用いる特徴量に含めるようにした。この“直近の一定期間を等間隔に区分した区間毎に稼働データの項目毎に算出した統計量の時系列的な変化のパターン”を、記述的統計量（ＰＡＡ：Piecewise　Aggregate　Approximation）という。
（記述的特徴量）
　図１４は、実施形態３に係る記述的特徴量を説明するための図である。図１４を参照して記述的特徴量を説明する。センサデータ１１４の各項目値である稼働データの値が瞬時値を取ったある時刻ｔから時間を遡った所定期間Ｔ２（第２統計期間）をｋ個の等間隔の区間に区分し、区間毎の稼働データの値の統計量を各区間の代表値として算出する。このｋ個の区間毎の代表値を時刻ｔのｋ個の特徴量としたものが、時刻ｔの記述的特徴量である。
　この“ｋ”は、第２統計期間と、第２統計期間を区分した各区間の区間長に応じて決まる。区間毎の稼働データの推移値の統計量は、平均値、最大値、最小値、中央値、標準偏差、歪度、尖度等である。また、ｋ個の等間隔の各区間の長さは、３０分、１時間、１日、１週間、１ヶ月等である。各時刻についてこの処理を行うことで、瞬時値の推移ＴＲ１が、区間毎の代表値の時系列ＴＳ２となる。
　なお、本実施形態では、第２統計期間は、実施形態１の第１統計区間と同一長として説明する。しかし、第２統計期間は、第１統計区間と同一長とは限らない。第２統計期間は、例えば第１統計区間の区間長よりも長くてもよい。
（実施形態３に係る訓練データテーブル７００Ｃ）
　図１５は、実施形態３に係る訓練データテーブル７００Ｃの一例を示す図である。訓練データテーブル７００Ｃは、実施形態１の訓練データテーブル７００と同様に、稼働状態６０８及び対応する稼働状態ＳｔＦ７０８が訓練データテーブル７００Ｃから除外されている。また、訓練データテーブル７００Ｃは、実施形態１の訓練データテーブル７００と同様に、油冷却部１１３の冷却性能の異常の予兆検出に対して寄与度が低い項目（本実施形態では電源６０７）が除外されている。
　訓練データテーブル７００Ｃには、吐出圧力６０２、吐出温度６０３、周囲温度６０４、負荷率６０５、及び電流値６０６が格納されている。また、訓練データテーブル７００Ｃには、吐出圧力６０２、吐出温度６０３、周囲温度６０４、負荷率６０５、及び電流値６０６の各統計的特徴量ＳｔＦ（ｔ）が、ＳｔＦ_７０Ｘのフィールドに格納されている。図１５では、ＳｔＦ_７０Ｘの各項目の図示を省略している。
　さらに訓練データテーブル７００Ｃには、統計的特徴量ＳｔＦ（ｔ）を算出した日時“ｙｍｄｔ１”～“ｙｍｄｔ８”の第２統計期間を４等分した日時６０１の区間毎に各項目の統計量を算出した時系列な記述的特徴量ＰＡＡ（ｔ）を格納するフィールドがある。第２統計期間を４等分した４つの日時６０１の区間は、“ｙｍｄｔ1”～“ｙｍｄｔ2”、“ｙｍｄｔ3”～“ｙｍｄｔ4”、“ｙｍｄｔ5”～“ｙｍｄｔ6”、“ｙｍｄｔ7”～“ｙｍｄｔ8”である。また、ＰＡＡ（ｔ）＝｛ＰＡＡ１（ｔ），ＰＡＡ２（ｔ），ＰＡＡ３（ｔ），ＰＡＡ４（ｔ）｝である。記述的特徴量ＰＡＡ（ｔ）を格納する訓練データテーブル７００Ｃのフィールドは、ＰＡＡ１_７Ｙ１，ＰＡＡ２_７Ｙ２，ＰＡＡ３_７Ｙ３，及びＰＡＡ４_７Ｙ４である。
　図１５では、記述的特徴量ＰＡＡ１（ｔ），ＰＡＡ２（ｔ），ＰＡＡ３（ｔ），ＰＡＡ４（ｔ）の各項目の表示を省略している。なお、統計的特徴量ＳｔＦ（ｔ）を算出した期間の分割方法は４分割に限られない。
　すなわち実施形態３では、訓練データ１１５Ｄ及び診断用データの特徴量１１５Ｃは、統計的特徴量ＳｔＦ（ｔ）及び記述的特徴量ＰＡＡ（ｔ）を含んでいる。その他の点では、訓練データテーブル７００Ｃは、訓練データテーブル７００と同様である。
（実施形態３に係る予兆検知モデル１１７の構築処理）
　図１６は、実施形態３に係る予兆検知モデル１１７の構築処理を示すフローチャートである。実施形態３に係る予兆検知モデル１１７の構築処理は、実施形態１と比較して、ステップＳ１５に代えてステップＳ１５Ｃが実行され、ステップＳ１６に代えてステップＳ１６Ｃが実行される点が異なり、その他は同様である。
　ステップＳ１５Ｃでは、構築部１０４は、稼働データＤ（ｔ），ＥｖＤ（ｔ）から統計的特徴量ＳｔＦ（ｔ）と、記述的特徴量ＰＡＡ（ｔ）を算出する。ステップＳ１６Ｃでは、構築部１０４は、稼働データＤ（ｔ）、統計的特徴量ＳｔＦ（ｔ）、及び記述的特徴量ＰＡＡ（ｔ）を結合して特徴量Ｆ（ｔ）を生成する。
（実施形態３に係る予兆検知処理）
　図１７は、実施形態３に係る予兆検知処理を示すフローチャートである。実施形態３に係る予兆検知処理は、実施形態１と比較して、ステップＳ２２，Ｓ２９が省略され、ステップＳ２５に代えてステップＳ２５Ｃ、ステップＳ２６に代えてステップＳ２６Ｃがそれぞれ実行される点が異なり、その他は同様である。
　ステップＳ２５Ｃでは、予兆検知部１０５は、既述のように稼働データＥｖＤ（ｃ）から現在時刻ｃの統計的特徴量ＳｔＦ（ｃ）と共に記述的特徴量ＰＡＡ（ｔ）を算出する。次にステップＳ２６Ｃでは、予兆検知部１０５は、稼働データＤ（ｃ）と統計的特徴量ＳｔＦ（ｃ）と記述的特徴量ＰＡＡ（ｔ）とを結合して現在時刻ｃの特徴量Ｆ（ｃ）を生成する。
　なお、記述的特徴量ＰＡＡ（ｔ）の算出を行う機能部は、クラウドサイト２０３のサーバに設けても、ユーザサイト２０１のエッジに設けても、何れでもよい。記述的特徴量ＰＡＡ（ｔ）の算出をクラウドサイト２０３のサーバで行うと、ユーザサイト２０１のエッジに計算負荷を掛けることがないので、エッジの限られたリソースを記述的特徴量ＰＡＡ（ｔ）の算出に消費してしまうことを回避できる。一方、記述的特徴量ＰＡＡ（ｔ）の算出をユーザサイト２０１のエッジで行うと、クラウドサイト２０３のサーバへの負荷集中を回避し、負荷分散を図ることができる。
（実施形態３の効果）
　本実施形態では、モデル構築時及び診断時に用いる特徴量１１５Ｃは、時系列の各時刻以前の第２統計期間を分割した複数の区間毎に算出された各区間に含まれるそれぞれの時刻ｔにおける稼働データＤ（ｔ），ＥｖＤ（ｔ）の統計量である記述的特徴量を含む。よって、直近の一定期間における吐出圧力、吐出温度、周囲温度、負荷率等に関する冷却対象装置１０１の内部状態の変化のパターンの特徴に応じて、障害を適切に予測することができる。
　また第２統計期間の長さや特徴量１１５Ｃに含める稼働データＤ（ｔ），ＥｖＤ（ｔ）の項目（センサデータ１１４の項目）を最適化することで、センサデータ１１４の変動に係る冷却対象装置１０１を稼働させる現場のノウハウを診断に導入することができる。すなわち、現場のノウハウを予兆検知モデル１１７に機械的に組み込むことができ、現場技術者の判断が必要でなくなるため、現場技術者の作業工数を削減できる。
　また、第２統計期間を、実施形態１の第１統計期間以上に長く取ることができるため、異常（陽性）と診断される予兆期間を延ばすことができ、予兆診断のリードタイムの長期化への対応が可能となる。例えば、産業機械の稼働状態は、一般的には日次の変動パターンを示すが、例えば、統計的特徴量の第２統計期間を１日未満、記述的特徴量の第１統計期間を１日より長くすることで、日次以外の変動パターンを発見でき、予兆診断の精度が上がる場合がある。また、予兆診断のリードタイムが長くなることで、余裕を持って障害対応を準備できるので、障害対応の実施計画の立案を容易にすることができる。
（実施形態３の変形例）
　実施形態３では、予診断処理（図１７）において、特徴量１１５Ｃの生成時に、稼働データＤ（ｃ），ＥｖＤ（ｃ）には稼働状態６０８が“１”（稼働中）及び“０”（アイドル中）の何れのデータも含めている。しかしこれに限らず、実施形態１と同様に、稼働データＤ（ｃ），ＥｖＤ（ｃ）から稼働状態６０８が“０”（アイドル中）のデータを除外してもよい。すなわち、図１７において、ステップＳ２１とＳ２３の間でステップＳ２２（図１０）が実行され、ステップＳ２２：Ｙｅｓの場合にステップＳ２３に処理を移し、ステップＳ２２：Ｎｏの場合に診断をキャンセルする（ステップＳ２９）としてもよい。
　また、実施形態３では、冷却対象装置１０１の稼働繁忙期（日中等）は第２統計期間をより細かい区間に区分し、稼働閑散期（夜間等）は第２統計期間をより粗い区間に区分してもよい。冷却対象装置１０１の稼働状況が異なる時間帯に応じて第２統計期間を区分する区間の長さを変えることで、冷却対象装置１０１の内部状態の変化が発生しやすい期間の内部状態の変化のパターンをより的確に捉えることができる。
　また、実施形態３では、特徴量１１５Ｃに統計的特徴量ＳｔＦ（ｔ）を含めている（図１５）が、特徴量１１５から統計的特徴量ＳｔＦ（ｔ）を除外してもよい。
　なお、上述した実施形態１～３では、冷却対象装置１０１として空気圧縮機を例に挙げて説明したが、冷却対象装置１０１は、圧延機やエンジンでもよい。
　なお、本発明は前述した実施形態に限定されるものではなく、添付した特許請求の範囲の趣旨内における様々な変形例及び同等の構成が含まれる。例えば、前述した実施形態は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに本発明は限定されない。また、ある実施形態の構成の一部を他の実施形態の構成に置き換えてもよい。また、ある実施形態の構成に他の実施形態の構成を加えてもよい。また、各実施形態の構成の一部について、他の構成の追加、削除、又は置換をしてもよい。
　また、前述した各構成、機能、処理部、処理手段等は、それらの一部又は全部を集積回路で設計する等によりハードウェアで実現してもよく、あるいはプロセッサがそれぞれの機能を実現するプログラムを解釈し実行することによりソフトウェアで実現してもよい。
　各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリ、ハードディスク、ＳＳＤ（Solid　State　Drive）等の記憶装置、又は、ＩＣ（Integrated　Circuit）カード、ＳＤカード、ＤＶＤ（Digital　Versatile　Disc）といったコンピュータ可読の非一時的な記録媒体に格納することができる。
　また、制御線や情報線は説明上必要と考えられるものを示しており、実装上必要な全ての制御線や情報線を示しているとは限らない。実際には、ほとんど全ての構成が相互に接続されていると考えてよい。
　１００：予兆検知システム、１０１：冷却対象装置、１０２：サンプリング処理部、１０３：データ前処理部、１０４：構築部、１０５：予兆検知部、１１１：温度上昇源、１１２：センサ、１１３：油冷却部、１１４：センサデータ、１１５，１１５Ｂ，１１５Ｃ：特徴量、１１７：予兆検知モデル。

Claims (18)

  1. 　温度上昇源と前記温度上昇源を冷却媒体で冷却する冷却部とを有する冷却対象装置の時系列な稼働データを取得し、該稼働データから特徴量を抽出する前処理部と、
    　訓練用の前記稼働データから前記前処理部によって抽出された前記特徴量と、前記冷却部による冷却性能の状態を示すラベルと、に基づいて生成された訓練データを用いて構築された予兆検知モデルに対して、診断用の前記稼働データから前記前処理部によって抽出された前記特徴量を前記予兆検知モデルに入力して得られた出力に基づいて前記冷却性能を診断する予兆検知部と、を有し、
    　前記稼働データは、
    　前記冷却対象装置が稼働中又は待機中を示す稼働状態を有し、
    　前記予兆検知モデルは、
    　前記稼働中及び前記待機中に該当する前記稼働状態を有する前記稼働データから抽出された前記特徴量に基づいて生成された前記訓練データを用いて構築されたものであり、
    　前記予兆検知部は、
    　前記冷却性能を診断する際に、前記予兆検知モデルに対して、前記稼働中のみに該当する前記稼働状態を有する前記稼働データから抽出された前記特徴量を入力する、ことを特徴とする予兆検知システム。
  2. 　請求項１に記載の予兆検知システムであって、
    　前記冷却部による前記冷却性能の状態を示すラベルは、正常又は異常を示すラベルである、ことを特徴とする予兆検知システム。
  3. 　請求項１に記載の予兆検知システムであって、
    　前記冷却部による前記冷却性能の状態を示すラベルは、複数の異常の要因がある中で、正常又は該異常の要因を示すラベルである、ことを特徴とする予兆検知システム。
  4. 　請求項１に記載の予兆検知システムであって、
    　前記特徴量は、
    　前記時系列の各時刻以前の第１統計期間に含まれるそれぞれの時刻における前記稼働データの統計量である統計的特徴量を含む、ことを特徴とする予兆検知システム。
  5. 　請求項１に記載の予兆検知システムであって、
    　前記予兆検知モデルは、
    　前記稼働中及び前記待機中に該当する前記稼働状態を有する前記稼働データから前記稼働状態を除外した上で抽出された前記特徴量に基づいて生成された前記訓練データを用いて構築されたものであり、
    　前記予兆検知部は、
    　前記冷却性能を診断する際に、前記予兆検知モデルに対して、前記稼働中のみに該当する前記稼働状態を有する前記稼働データから前記稼働状態を除外した上で抽出された前記特徴量を入力する、ことを特徴とする予兆検知システム。
  6. 　請求項１に記載の予兆検知システムであって、
    　前記予兆検知モデルは、
    　前記稼働中及び前記待機中に該当する前記稼働状態を有する前記稼働データから前記稼働状態を含めて抽出された前記特徴量に基づいて生成された前記訓練データを用いて構築されたものであり、
    　前記予兆検知部は、
    　前記冷却性能を診断する際に、前記予兆検知モデルに対して、前記稼働中のみに該当する前記稼働状態を有する前記稼働データに代えて、前記稼働中及び前記待機中に該当する前記稼働状態を有する前記稼働データから前記稼働状態を含めて抽出された前記特徴量を入力する、ことを特徴とする予兆検知システム。
  7. 　請求項４に記載の予兆検知システムであって、
    　前記特徴量は、
    　前記時系列の各時刻以前の第２統計期間を分割した複数の区間毎に算出された各区間に含まれるそれぞれの時刻における前記稼働データの統計量である記述的特徴量を含む、ことを特徴とする予兆検知システム。
  8. 　請求項７に記載の予兆検知システムであって、
    　前記予兆検知モデルは、
    　前記稼働中及び前記待機中に該当する前記稼働状態を有する前記稼働データから前記稼働状態を除外した上で抽出された前記特徴量に基づいて生成された前記訓練データを用いて構築されたものであり、
    　前記予兆検知部は、
    　前記冷却性能を診断する際に、前記予兆検知モデルに対して、前記稼働中のみに該当する前記稼働状態を有する前記稼働データに代えて、前記稼働中及び前記待機中に該当する前記稼働状態を有する前記稼働データから前記稼働状態を除外した上で抽出された前記特徴量を入力する、ことを特徴とする予兆検知システム。
  9. 　請求項７に記載の予兆検知システムであって、
    　前記第２統計期間は、前記第１統計期間以上の長さである、ことを特徴とする予兆検知システム。
  10. 　請求項７に記載の予兆検知システムであって、
    　前記複数の区間は、前記第２統計期間を等間隔に分割した区間である、ことを特徴とする予兆検知システム。
  11. 　請求項７に記載の予兆検知システムであって、
    　前記複数の区間は、前記冷却対象装置が稼働する時間帯に応じた間隔となるように前記第２統計期間を分割した区間である、ことを特徴とする予兆検知システム。
  12. 　請求項１～１１の何れか１項に記載の予兆検知システムであって、
    　前記訓練データを用いて前記予兆検知モデルを構築する構築部を有することを特徴とする予兆検知システム。
  13. 　予兆検知システムが実行する予兆検知方法であって、
    　温度上昇源と前記温度上昇源を冷却媒体で冷却する冷却部とを有する冷却対象装置の時系列な稼働データを取得し、該稼働データから特徴量を抽出する前処理ステップと、
    　訓練用の前記稼働データから前記前処理ステップによって抽出された前記特徴量と、前記冷却部による冷却性能の状態を示すラベルと、に基づいて生成された訓練データを用いて構築された予兆検知モデルに対して、診断用の前記稼働データから前記前処理ステップによって抽出された前記特徴量を前記予兆検知モデルに入力して得られた出力に基づいて前記冷却性能を診断する予兆検知ステップと、を有し、
    　前記稼働データは、
    　前記冷却対象装置が稼働中又は待機中を示す稼働状態を有し、
    　前記予兆検知モデルは、
    　前記稼働中及び前記待機中に該当する前記稼働状態を有する前記稼働データから抽出された前記特徴量に基づいて生成された前記訓練データを用いて構築されたものであり、
    　前記予兆検知ステップでは、
    　前記冷却性能を診断する際に、前記予兆検知モデルに対して、前記稼働中のみに該当する前記稼働状態を有する前記稼働データから抽出された前記特徴量を入力する、ことを特徴とする予兆検知方法。
  14. 　請求項１３に記載の予兆検知方法であって、
    　前記特徴量は、
    　前記時系列の各時刻以前の第１統計期間に含まれるそれぞれの時刻における前記稼働データの統計量である統計的特徴量を含む、ことを特徴とする予兆検知方法。
  15. 　請求項１３に記載の予兆検知方法であって、
    　前記予兆検知モデルは、
    　前記稼働中及び前記待機中に該当する前記稼働状態を有する前記稼働データから前記稼働状態を除外した上で抽出された前記特徴量に基づいて生成された前記訓練データを用いて構築されたものであり、
    　前記予兆検知ステップでは、
    　前記冷却性能を診断する際に、前記予兆検知モデルに対して、前記稼働中のみに該当する前記稼働状態を有する前記稼働データから前記稼働状態を除外した上で抽出された前記特徴量を入力する、ことを特徴とする予兆検知方法。
  16. 　請求項１３に記載の予兆検知方法であって、
    　前記予兆検知モデルは、
    　前記稼働中及び前記待機中に該当する前記稼働状態を有する前記稼働データから前記稼働状態を含めて抽出された前記特徴量に基づいて生成された前記訓練データを用いて構築されたものであり、
    　前記予兆検知ステップでは、
    　前記冷却性能を診断する際に、前記予兆検知モデルに対して、前記稼働中のみに該当する前記稼働状態を有する前記稼働データに代えて、前記稼働中及び前記待機中に該当する前記稼働状態を有する前記稼働データから前記稼働状態を含めて抽出された前記特徴量を入力する、ことを特徴とする予兆検知方法。
  17. 　請求項１４に記載の予兆検知方法であって、
    　前記特徴量は、
    　前記時系列の各時刻以前の第２統計期間を分割した複数の区間毎に算出された各区間に含まれるそれぞれの時刻における前記稼働データの統計量である記述的特徴量を含む、ことを特徴とする予兆検知方法。
  18. 　請求項１７に記載の予兆検知方法であって、
    　前記予兆検知モデルは、
    　前記稼働中及び前記待機中に該当する前記稼働状態を有する前記稼働データから前記稼働状態を除外した上で抽出された前記特徴量に基づいて生成された前記訓練データを用いて構築されたものであり、
    　前記予兆検知ステップでは、
    　前記冷却性能を診断する際に、前記予兆検知モデルに対して、前記稼働中のみに該当する前記稼働状態を有する前記稼働データに代えて、前記稼働中及び前記待機中に該当する前記稼働状態を有する前記稼働データから前記稼働状態を除外した上で抽出された前記特徴量を入力する、ことを特徴とする予兆検知方法。
PCT/JP2023/030621 2022-08-31 2023-08-24 予兆検知システム及び予兆検知方法 WO2024048428A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022-138691 2022-08-31
JP2022138691A JP2024034459A (ja) 2022-08-31 2022-08-31 予兆検知システム及び予兆検知方法

Publications (1)

Publication Number Publication Date
WO2024048428A1 true WO2024048428A1 (ja) 2024-03-07

Family

ID=90099771

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2023/030621 WO2024048428A1 (ja) 2022-08-31 2023-08-24 予兆検知システム及び予兆検知方法

Country Status (2)

Country Link
JP (1) JP2024034459A (ja)
WO (1) WO2024048428A1 (ja)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019191799A (ja) * 2018-04-23 2019-10-31 株式会社日立製作所 故障予兆診断システム及び故障予兆診断方法
JP2020154455A (ja) * 2019-03-18 2020-09-24 Ｎｅｃディスプレイソリューションズ株式会社 故障予知装置、および故障予知装置の制御方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019191799A (ja) * 2018-04-23 2019-10-31 株式会社日立製作所 故障予兆診断システム及び故障予兆診断方法
JP2020154455A (ja) * 2019-03-18 2020-09-24 Ｎｅｃディスプレイソリューションズ株式会社 故障予知装置、および故障予知装置の制御方法

Also Published As

Publication number Publication date
JP2024034459A (ja) 2024-03-13

Similar Documents

Publication Publication Date Title
KR101955305B1 (ko) 희소 코딩 방법론을 활용한 가스 터빈 센서 고장 검출
US10519960B2 (en) Fan failure detection and reporting
JP6088131B2 (ja) タービン性能診断システム及び方法
JP5337853B2 (ja) 発電プラントの診断装置、及び発電プラントの診断方法
CN107710089B (zh) 工厂设备诊断装置以及工厂设备诊断方法
CN111459700A (zh) 设备故障的诊断方法、诊断装置、诊断设备及存储介质
CN111858230A (zh) 用于监控服务器基础设施的健康状况的方法和系统
KR102501883B1 (ko) 기계 학습 기반의 설비 이상 분류 시스템 및 방법
KR102501882B1 (ko) 기계 학습 기반의 설비 이상 탐지 시스템 및 방법
JP6777142B2 (ja) システム分析装置、システム分析方法、及び、プログラム
KR102206737B1 (ko) 기계학습 기반 펌프수차 고장 진단 방법 및 시스템
KR20200010671A (ko) 기계 학습 기반의 설비 이상 진단 시스템 및 방법
JP6574533B2 (ja) リスク評価装置、リスク評価システム、リスク評価方法、及び、リスク評価プログラム
KR102383675B1 (ko) 시계열 데이터 이상 진단 시스템
CN115129226A (zh) 有多个相关传感器的支持人工智能的系统的异常行为检测
WO2024048428A1 (ja) 予兆検知システム及び予兆検知方法
WO2022025149A1 (ja) 監視装置、監視方法およびプログラム
US11537501B2 (en) Method and device for monitoring server based on recordings of data from sensors, and non-transitory storage medium
JP7437163B2 (ja) 診断装置、診断方法およびプログラム
JP2023048641A (ja) 異常検知装置および異常検知方法
WO2023079985A1 (ja) 予兆検知装置、予兆検知システム、および予兆検知方法
JP6676508B2 (ja) セキュリティ診断装置およびセキュリティ診断方法
D’Amato et al. Method and system for predicting hydraulic valve degradation on a gas turbine
JPWO2019049522A1 (ja) リスク評価装置、リスク評価システム、リスク評価方法、及び、リスク評価プログラム
US11782429B2 (en) Automatically adapting a prognostic-surveillance system to account for age-related changes in monitored assets

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: 23860191

Country of ref document: EP

Kind code of ref document: A1