JP7776309B2 - 予兆検知装置、予兆検知システム、および予兆検知方法 - Google Patents

Description

本発明は、予兆を検知する予兆検知装置、予兆検知システム、およ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、診断対象機器また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装置は、熱源と冷却媒体で前記熱源を冷却する冷却部とを有する冷却対象装置の稼働状況を示し、かつ、前記冷却媒体の温度を含む時系列なセンサデータを取得し、前記時系列なセンサデータのうち前記冷却媒体の温度がしきい値以上の特定の時系列なセンサデータを時系列的な特徴量とし、前記特定の時系列なセンサデータの外れ値を除外および／または欠損した時刻における補間をおこなって時系列な特徴量とする前処理部と、前記前処理部によって取得された時系列な特徴量と、前記冷却部による冷却性能の正常または異常を示すラベルと、に基づいて、訓練データセットを生成し、前記訓練データセットを用いて予兆検知モデルを構築する構築部と、を有し、前記前処理部は、前記時系列なセンサデータのうち前記冷却媒体の温度が第一しきい値以上の特定の時系列なセンサデータを第一特徴量とし、前記時系列なセンサデータのうち前記冷却媒体の温度が第一しきい値より低い第二しきい値未満の特定の時系列なセンサデータを第二の特徴量とし、前記構築部は、前記第一特徴量を用いて第一予兆検知モデルを構築し、第二特徴量を用いて第二予兆検知モデルを構築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、以下の実施例の説明により明らかにされる。

図１は、予兆検知システムのシステム構成例を示すブロック図である。 図２は、予兆検知システムの詳細なシステム構成例１を示すブロック図である。 図３は、予兆検知システムの詳細なシステム構成例２を示すブロック図である。 図４は、冷却対象装置の構成例を示すブロック図である。 図５は、コンピュータのハードウェア構成例を示すブロック図である。 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。 図７は、訓練データセットテーブルの一例を示す説明図である。 図８は、吐出温度および周囲温度の時系列データを示すグラフである。 図９は、予兆検知モデルの生成例１を示す説明図である。 図１０は、予兆検知モデルの生成例２を示す説明図である。

＜予兆検知システムのシステム構成例＞
図１は、予兆検知システム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、熱源１１１と、センサ１１２と、油冷却部１１３と、を有する。熱源１１１は、冷却対象装置１０１内での熱の発生源であり、冷却対象装置１０１が、たとえば、空気圧縮機であれば、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、たとえば、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。本実施例では、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を補間したりして、特徴量１１５として出力する。

構築部１０４は、特徴量１１５と陽性陰性ラベル１１６とを訓練データセットとし、予兆検知モデル１１７を構築する。具体的には、たとえば、構築部１０４は、訓練データセットを用いて、たとえば、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。

予兆検知部１０５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。

図２は、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、および運用サイト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）など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。

まず、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２０１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、訓練データセット（特徴量１１５および陽性陰性ラベル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。

つぎに、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およびデータ前処理部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の構築および予兆検知が可能になる。

まず、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２０１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、訓練データセット（特徴量１１５および陽性陰性ラベル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。

つぎに、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の構成例＞
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、モータのような熱源１１１と、圧縮部４０１と、オイルパン４０２と、逆止弁４０３と、オイルクーラ４０４と、オイルポンプ４０５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。インバータ４００は、熱源１１１であるモータを回転制御する。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、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、熱源１１１の電流値を検出する。圧力計４５１は、オイルの吐出圧力を検出する。吐出温度計４５２は、オイルの吐出温度を検出する。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。

熱源１１１⇒オイルパン４０２⇒逆止弁４０３⇒オイルクーラ４０４⇒オイルポンプ４０５⇒オイルフィルタ４０６⇒熱源１１１⇒…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⇒熱源１１１⇒圧縮部４０１⇒アフタークーラ４０７⇒エアクーラ４０８⇒排気口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、排気口４８０から排出される。

＜コンピュータ（ユーザサイト２０１、運用サイト２０２、クラウドサイト２０３）のハードウェア構成例＞
図５は、コンピュータ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、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、および通信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または一時的な記録媒体である。記憶デバイス５０２としては、たとえば、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、たとえば、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、たとえば、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。

＜データ前処理例＞
つぎに、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ＯＮ／ＯＦＦ６０７、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、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オイル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熱源１１１であるモータにかかる稼働負荷の割合を示す値であり、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熱源１１１に印加した電流の値である。電源ＯＮ／ＯＦＦ６０７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またはＯＦＦのいずれであるかを示す値である。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であるかを示す値である。

データ前処理部１０３は、たとえば、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。

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ごと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、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として出力しないこととしてもよい。

また、データ前処理部１０３は、ある日時６０１（ｔ１とする）のセンサデータ１１４と、日時ｔ０（日時ｔ１から所定時間Ｔさかのぼった日時）から日時ｔ１までのセンサデータ１１４の統計量と、を日時ｔ１の特徴量１１５として出力してもよい。統計量は、たとえば、センサデータ１１４に含まれる各要素（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ＯＮ／ＯＦＦ６０７、稼働状態６０８）の最大値、最小値、平均値、分散、標準偏差、自己共分散、自己相関の少なくとも１つである。

たとえば、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Ｔ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、１２：３０（日時ｔ１）の特徴量１１５として出力する。

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し、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。

たとえば、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Ｔ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。

＜予兆検知モデル構築例＞
つぎに、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、訓練データセット（特徴量１１５および陽性陰性ラベル１１６）の生成と、予兆検知モデル１１７の生成と、を実行する。まず、訓練データセット（特徴量１１５および陽性陰性ラベル１１６）の生成について説明する。

図７は、訓練データセットテーブルの一例を示す説明図である。訓練データセットテーブル７００は、特徴量１１５を保持するコンピュータ５００に存在する。訓練データセットテーブル７００は、特徴量１１５および陽性陰性ラベル１１６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ＯＮ／ＯＦＦ６０７、稼働状態６０８、陽性陰性ラベル１１６を含む。

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、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Ｔさかのぼった日時（ｔ１－Ｔ）から日時ｔ１までの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。また、構築部１０４は、日時（ｔ１－Ｔ）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。これにより、特徴量１１５ごとに訓練データセットが生成される。

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ごとに訓練データセットを生成してもよい。

図８は、吐出温度６０３および周囲温度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（たとえば、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。

つぎに、予兆検知モデル１１７の生成について説明する。構築部１０４は、訓練データセットを用いて、たとえば、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。

図９は、予兆検知モデル１１７の生成例１を示す説明図である。生成例１では、決定木ＤＴが生成される。決定木ＤＴは、ノードごとに特徴量１１５の各要素（図９では、説明を単純化するため、例として、吐出温度６０３、周囲温度６０４、負荷率６０５）の分岐条件を有する。構築部１０４は、決定木ＤＴに特徴量１１５を与え、末端ノードごとに正常件数（陽性陰性ラベル１１６が「０」）と異常件数（陽性陰性ラベル１１６が「１」）とを対応付けし、異常発生の予兆確度を算出する。予兆確度は、末端ノードごとに、予兆件数／（正常件数＋予兆件数）により算出される。これにより、決定木ＤＴが構築される。

この決定木ＤＴを予兆検知モデル１１７として、予兆検知部１０５は、予測対象となる特徴量１１５を決定木ＤＴに入力することで、予測対象となる特徴量１１５が到達した末端ノードを特定する。到達した末端ノードの予兆確度があらかじめ設定されたしきい値より大きい場合は、入力した予測対象となる特徴量１１５についての診断結果は陽性（予兆期間）であり、到達した末端ノードの予兆確度があらかじめ設定されたしきい値以下の場合は、入力した特徴量１１５についての診断結果は陰性（正常期間）である。

たとえば、入力した予測対象となる特徴量１１５が末端ノード９００に到達した場合、４５％の予兆確度があらかじめ設定されたしきい値より大きければ、入力した予測対象となる特徴量１１５についての診断結果は陽性（予兆）であり、あらかじめ設定されたしきい値以下であれば、入力した特徴量１１５についての診断結果は陰性（正常）である。

図１０は、予兆検知モデル１１７の生成例２を示す説明図である。生成例２では、複数の決定木ＤＴ１、ＤＴ２、…、ＤＴ５０を結合したランダムフォレストＲＦが生成される。決定木ＤＴ１、ＤＴ２、…、ＤＴ５０の各々は、他の決定木がノードで採用した特徴量１１５の要素と同一または異なる要素の組み合わせにより構築される。同一要素が用いられた場合でも分岐条件が異なってもよい。

このランダムフォレストＲＦを予兆検知モデル１１７として、予兆検知部１０５は、予測対象となる特徴量１１５をランダムフォレストＲＦに入力することで、予測対象となる特徴量１１５が到達した末端ノードを決定木ＤＴ１、ＤＴ２、…、ＤＴ５０ごとに特定する。予兆検知部１０５は、決定木ＤＴ１、ＤＴ２、…、ＤＴ５０ごとの診断結果（正常期間または予兆期間）の多数決を採り、予測対象となる特徴量１１５の最終的な診断結果を出力する。図１０の場合は、多数決により、予兆期間となる。

このように、本実施例によれば、冷却対象装置１０１の負荷またはオイルの温度上昇に着目して、油冷却部１１３の冷却性能に異常が発生の予兆を検出することができる。したがって、冷却対象装置１０１の負荷に着目した場合には、オイルの温度上昇に依存することなく、油冷却部１１３の冷却性能に異常が発生の予兆を検出することができる。また、オイルの温度上昇に着目した場合には、オイルの温度上昇による直接的な異常発生の予兆を検知することができる。したがって、いずれの場合でも、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、冷却対象装置１０１の故障を未然に抑制することができる。

なお、上述した実施例では、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例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。たとえば、前述した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに本発明は限定されない。また、ある実施例の構成の一部を他の実施例の構成に置き換えてもよい。また、ある実施例の構成に他の実施例の構成を加えてもよい。また、各実施例の構成の一部について、他の構成の追加、削除、また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、たとえば集積回路で設計する等により、ハードウェアで実現してもよく、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）の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 熱源
１１２ センサ
１１３ 油冷却部
１１４ センサデータ
１１５ 特徴量
１１６ 陽性陰性ラベル
１１７ 予兆検知モデル
１１８ 診断結果
２０１ ユーザサイト
２０２ 運用サイト
２０３ クラウドサイト
２１０ 第１通信制御部
２２０ 第２通信制御部
２３０ 第３通信制御部

Claims (8)

1. 熱源と冷却媒体で前記熱源を冷却する冷却部とを有する冷却対象装置の稼働状況を示し、かつ、前記冷却媒体の温度を含む時系列なセンサデータを取得し、前記時系列なセンサデータのうち前記冷却媒体の温度がしきい値以上の特定の時系列なセンサデータを時系列的な特徴量とし、前記特定の時系列なセンサデータの外れ値を除外および／または欠損した時刻における補間をおこなって時系列な特徴量とする前処理部と、
   前記前処理部によって取得された時系列な特徴量と、前記冷却部による冷却性能の正常または異常を示すラベルと、に基づいて、訓練データセットを生成し、前記訓練データセットを用いて予兆検知モデルを構築する構築部と、を有し、
   前記前処理部は、前記時系列なセンサデータのうち前記冷却媒体の温度が第一しきい値以上の特定の時系列なセンサデータを第一特徴量とし、前記時系列なセンサデータのうち前記冷却媒体の温度が第一しきい値より低い第二しきい値未満の特定の時系列なセンサデータを第二の特徴量とし、
   前記構築部は、前記第一特徴量を用いて第一予兆検知モデルを構築し、第二特徴量を用いて第二予兆検知モデルを構築する、
   ことを特徴とする予兆検知装置。
2. 請求項１に記載の予兆検知装置であって、
   前記前処理部は、前記センサデータを周波数変換することにより、周波数成分を前記特定の時系列なセンサデータとして取得する、
   ことを特徴とする予兆検知装置。
3. 請求項１に記載の予兆検知装置であって、
   前記時系列なセンサデータは、前記熱源の稼働負荷を含む、
   ことを特徴とする予兆検知装置。
4. 請求項１に記載の予兆検知装置であって、
   前記構築部は、前記特徴量における前記冷却媒体の温度の上昇傾向に基づいて、前記訓練データセットを生成する、
   ことを特徴とする予兆検知装置。
5. 請求項１に記載の予兆検知装置であって、
   予測対象の前記特徴量を前記予兆検知モデルに入力することにより、前記冷却部による冷却性能を診断する診断結果を出力する予兆検知部と、
   を有することを特徴とする予兆検知装置。
6. 熱源と冷却媒体で前記熱源を冷却する冷却部とを有する冷却対象装置を有する第１装置と、前記冷却部による冷却性能の正常または異常を示すラベルを有する第２装置と、前記第１装置および前記第２装置と通信可能な第３装置と、を有する予兆検知システムであって、
   前記第１装置は、
   前記冷却対象装置の稼働状況を示し、かつ、前記冷却媒体の温度を含む時系列なセンサデータを取得し、前記時系列なセンサデータのうち前記冷却媒体の温度がしきい値以上の特定の時系列なセンサデータを時系列的な特徴量とし、前記特定の時系列なセンサデータの外れ値を除外および／または欠損した時刻における補間をおこなって時系列な特徴量とする第１前処理部を有し、
   前記第２装置は、
   前記第１前処理部によって取得された時系列な特徴量と、前記ラベルと、に基づいて、訓練データセットを生成し、前記訓練データセットを用いて予兆検知モデルを構築する構築部を有し、
   前記第３装置は、
   予測対象の前記特徴量を前記予兆検知モデルに入力することにより、前記冷却部による冷却性能を診断する診断結果を出力する予兆検知部を有し、
   前記第１前処理部は、前記時系列なセンサデータのうち前記冷却媒体の温度が第一しきい値以上の特定の時系列なセンサデータを第一特徴量とし、前記時系列なセンサデータのうち前記冷却媒体の温度が第一しきい値より低い第二しきい値未満の特定の時系列なセンサデータを第二の特徴量とし、
   前記構築部は、前記第一特徴量を用いて第一予兆検知モデルを構築し、第二特徴量を用いて第二予兆検知モデルを構築する、
   ことを特徴とする予兆検知システム。
7. 熱源と冷却媒体で前記熱源を冷却する冷却部とを有する冷却対象装置を有する第１装置と、前記冷却部による冷却性能の正常または異常を示すラベルを有する第２装置と、前記第１装置および前記第２装置と通信可能な第３装置と、を有する予兆検知システムであって、
   前記第２装置は、
   前記冷却対象装置の稼働状況を示し、かつ、前記冷却媒体の温度を含む時系列なセンサデータを取得し、前記時系列なセンサデータのうち前記冷却媒体の温度がしきい値以上の特定の時系列なセンサデータを時系列的な特徴量とし、前記特定の時系列なセンサデータの外れ値を除外および／または欠損した時刻における補間をおこなって時系列な特徴量とする第２前処理部と、前記第２前処理部によって取得された時系列な特徴量と、前記ラベルと、に基づいて、訓練データセットを生成し、前記訓練データセットを用いて予兆検知モデルを構築する構築部と、を有し、
   前記第２前処理部は、前記時系列なセンサデータのうち前記冷却媒体の温度が第一しきい値以上の特定の時系列なセンサデータを第一特徴量とし、前記時系列なセンサデータのうち前記冷却媒体の温度が第一しきい値より低い第二しきい値未満の特定の時系列なセンサデータを第二の特徴量とし、
   前記構築部は、前記第一特徴量を用いて第一予兆検知モデルを構築し、第二特徴量を用いて第二予兆検知モデルを構築し、
   前記第３装置は、
   前記冷却対象装置の稼働状況を示す時系列な特徴量を取得する第３前処理部と、前記第３前処理部によって取得された予測対象の前記特徴量を、前記構築部から取得した前記予兆検知モデルに入力することにより、前記冷却部による冷却性能を診断する診断結果を出力する予兆検知部と、を有する、
   ことを特徴とする予兆検知システム。
8. プログラムを実行するプロセッサと、前記プログラムを記憶する記憶デバイスと、を有する予兆検知装置が実行する予兆検知方法であって、
   前記プロセッサは、
   熱源と冷却媒体で前記熱源を冷却する冷却部とを有する冷却対象装置の稼働状況を示し、かつ、前記冷却媒体の温度を含む時系列なセンサデータを取得し、前記時系列なセンサデータのうち前記冷却媒体の温度がしきい値以上の特定の時系列なセンサデータを時系列的な特徴量とし、前記特定の時系列なセンサデータの外れ値を除外および／または欠損した時刻における補間をおこなって時系列な特徴量とする前処理と、
   前記前処理によって取得された時系列な特徴量と、前記冷却部による冷却性能の正常または異常を示すラベルと、に基づいて、訓練データセットを生成し、前記訓練データセットを用いて予兆検知モデルを構築する構築処理と、を実行し、
   前記前処理では、前記プロセッサは、前記時系列なセンサデータのうち前記冷却媒体の温度が第一しきい値以上の特定の時系列なセンサデータを第一特徴量とし、前記時系列なセンサデータのうち前記冷却媒体の温度が第一しきい値より低い第二しきい値未満の特定の時系列なセンサデータを第二の特徴量とし、
   前記構築処理では、前記プロセッサは、前記第一特徴量を用いて第一予兆検知モデルを構築し、第二特徴量を用いて第二予兆検知モデルを構築する、
   ことを特徴とする予兆検知方法。