JP7840824B2 - 予兆検知システム及び予兆検知方法 - Google Patents

Description

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⇒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診断モデル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。