特開 2023-9637 判断根拠説明装置及びプログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2023009637

(43)【公開日】2023-01-20

(54)【発明の名称】判断根拠説明装置及びプログラム

(51)【国際特許分類】

   G06N 5/04 20230101AFI20230113BHJP

   G06N 3/02 20060101ALI20230113BHJP

【ＦＩ】

G06N5/04

G06N3/02

【審査請求】未請求

【請求項の数】16

【出願形態】ＯＬ

(21)【出願番号】P 2021113083

(22)【出願日】2021-07-07

(71)【出願人】

【識別番号】000005108

【氏名又は名称】株式会社日立製作所

(74)【代理人】

【識別番号】110000350

【氏名又は名称】ポレール弁理士法人

(72)【発明者】

【氏名】南波 昇吾

(72)【発明者】

【氏名】伊藤 洋

(57)【要約】

【課題】
センサが少なかったり、期間が短かったりすることで、取得できるデータが多くない場合でも、系の異常についての説明を可能とすることを課題とする。
【解決手段】
系の物理量を検知する１又は複数のセンサから情報を取得する系情報取得部と、前記系に関する提示を行う提示部と、前記提示を行うに至った判断根拠に対応する法則もしくは経験則の内の少なくともどちらかひとつを説明する判断根拠説明部と、を備えることを特徴とする判断根拠説明装置及び装置を動作させるプログラムである。
【選択図】 図２

【特許請求の範囲】

【請求項1】

監視対象である系における異常に関する情報提示を行う判断根拠説明装置において、
前記系の物理量を検知するセンサから、前記物理量を示す物理量情報を取得する系情報取得部と、
前記物理量情報に基づき検知された前記系の異常についての提示を行う提示部と、
前記提示を行うに至った判断根拠を示す法則もしくは任意の経験則のうち、少なくとも一方に基づいて、前記系の異常と判断した判断根拠として特定する判断根拠演算部を有する判断根拠説明装置。

【請求項2】

請求項１に記載の判断根拠説明装置において、
前記提示部は、前記物理量情報が入力層に入力され、前記法則もしくは前記経験則の内、少なくとも一方を活性化関数として使用するニューラルネットワークを駆動させて、前記提示を行うか否かを判定する判断根拠説明装置。

【請求項3】

請求項２に記載の判断根拠説明装置において、
前記判断根拠演算部は、前記ニューラルネットワークにおける重みづけを、前記判断根拠をして特定し、
前記提示部は、前記重みづけを提示する判断根拠説明装置。

【請求項4】

請求項３に記載の判断根拠説明装置において、
前記提示部は、前記重みづけとして前記法則もしくは前記経験則のうち、少なくとも一方に対応する重みづけを提示する判断根拠説明装置。

【請求項5】

請求項４に記載の判断根拠説明装置において、
前記提示部は、さらに、前記系の異常の度合いを示す異常度合いを提示する判断根拠説明装置。

【請求項6】

請求項５に記載の判断根拠説明装置において、
前記提示部は、前記異常度合いの予測値を予測するための寄与度が所定以上に高い重みづけを、前記判断根拠をして特定する判断根拠説明装置。

【請求項7】

請求項１に記載の判断根拠説明装置において、
前記提示部は、前記判断根拠を、テキスト形式、イメージデータを含む図形式で提示する判断根拠説明装置。

【請求項8】

請求項１乃至７のいずれかに記載の判断根拠説明装置において、
前記系は、機器およびや周囲の環境情報である判断根拠説明装置。

【請求項9】

監視対象である系における異常に関する情報提示を行うコンピュータである判断根拠説明装置に、
前記系の物理量を検知するセンサから、前記物理量を示す物理量情報を取得する系情報取得部と、
前記物理量情報に基づき検知された前記系の異常についての提示を行う提示部と、
前記提示を行うに至った判断根拠を示す法則もしくは任意の経験則のうち、少なくとも一方に基づいて、前記系の異常と判断した判断根拠として特定する判断根拠演算部として機能させるためのプログラム。

【請求項10】

請求項９に記載のプログラムにおいて、
前記提示部は、前記物理量情報が入力層に入力され、前記法則もしくは前記経験則の内、少なくとも一方を活性化関数として使用するニューラルネットワークを駆動させて、前記提示を行うか否かを判定するプログラム。

【請求項11】

請求項１０に記載のプログラムにおいて、
前記判断根拠演算部は、前記ニューラルネットワークにおける重みづけを、前記判断根拠をして特定し、
前記提示部は、前記重みづけを提示するプログラム。

【請求項12】

請求項１１に記載のプログラムにおいて、
前記提示部は、前記重みづけとして前記法則もしくは前記経験則のうち、少なくとも一方に対応する重みづけを提示するプログラム。

【請求項13】

請求項１２に記載のプログラムにおいて、
前記提示部は、さらに、前記系の異常の度合いを示す異常度合いを提示するプログラム。

【請求項14】

請求項１３に記載のプログラムにおいて、
前記提示部は、前記異常度合いの予測値を予測するための寄与度が所定以上に高い重みづけを、前記判断根拠をして特定するプログラム。

【請求項15】

請求項９に記載のプログラムにおいて、
前記提示部は、前記判断根拠を、テキスト形式、イメージデータを含む図形式で提示するプログラム。

【請求項16】

請求項９乃至１５のいずれかに記載のプログラムにおいて、
前記系は、機器およびや周囲の環境情報であるプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、監視対象となる系の不具合や故障などの異常を検知するための技術に関する。その中でも、特に、異常検知の判断根拠を特定（明確化、判断）するための技術に関する。

【背景技術】

【0002】

現在、システム、機器やロボットなどやその周囲の環境情報(以下、系)について、故障等の異常を検知する技術が求められている。例えば、工場の生産ラインにおいて、これを構成する系に故障が発生すると、生産ラインを停止させる必要が生じる。また製品に重大な欠陥が生じた場合は原因究明のため、数週間生産ラインを停止するなど、ダウンタイムコストが膨大となる場合がある。このため、系の故障はできるだけ早期に発見する、もしくは未然に防止することが求められる。

【0003】

系の故障など異常状態を正確にかつ早期に検知するためには、複数のセンサの設置と長期間のデータ計測が必要である。また、故障もしくは異常が発生した場合、系の操作者に故障もしくは異常発生を伝えると同時に、故障もしくは異常状態の発生因果関係を提示する方法が検討されている。

【0004】

例えば、特許文献１の要約書には、「少ないデータから」系の故障もしくは異常状態を検知して操作者に提示する方法として、「観測変数の適切な因果構造を決定することができる因果構造決定装置」を用いて、「因果関係を仮想的に設定した 因果構造を生成する完全グラフ生成部２５および因果構造探索部２７と、各変数に関して得られたデータに基づき、生成した因果構造の、モデルの複雑さおよびデータとの適合度のバランスの良否を評価する評価値演算部２８と、評価が最も高い因果構造を、変数の因果構造として決定する因果構造決定部３０を備え」ると記載されている。すなわち特許文献１によれば、例えば生産ラインの各工程において設定されたパラメータ、またはセンサデータ等の変数間の因果関係を、少ないデータでも各変数間の因果構造を利用して、機器の故障および異常状態が推定可能である。

【先行技術文献】

【特許文献】

【0005】

【特許文献1】特開２００８－２１７７１１号公報

【発明の概要】

【発明が解決しようとする課題】

【0006】

しかしながら、特許文献１は「因果関係を仮想的に設定した 因果構造を生成する完全グラフ生成部２５および因果構造探索部２７と、各変数に関して得られたデータに基づき、生成した因果構造の、モデルの複雑さおよびデータとの適合度のバランスの良否を評価する評価値演算部２８と、評価が最も高い因果構造を、変数の因果構造として決定する因果構造決定部３０を備え」る構造である。このため、そもそもセンサが少なく、説明可能な因果構造を形成できない場合は、非常に精度が低い評価モデルとなるばかりか、系の因果構造とは全く関係のない変数を入力として、間違った評価モデルを導出する虞がある。このため、実運用上搭載可能な系が限られるといった課題が存在した。

【0007】

そこで、本発明は、センサが少なかったり、期間が短かったりすることで、取得できるデータが多くない場合でも、系の異常についての説明を可能とすることを課題とする。少ない期間であって少ない種類のデータから、系に関する法則もしくは経験則の内の少なくとも一方を説明する判断根拠説明部を用いて、系の故障もしくは異常を説明することが可能とすることを目的とする。

【課題を解決するための手段】

【0008】

上記課題を解決するための本発明の一例は、系の異常に対応する当該系に関する法則もしくは経験則の内の少なくとも一方に基づいて、異常と判断した判断根拠を提示する。より具体的には、監視対象である系における異常に関する情報提示を行う判断根拠説明装置において、前記系の物理量を検知するセンサから、前記物理量を示す物理量情報を取得する系情報取得部と、前記物理量情報に基づき検知された前記系の異常についての提示を行う提示部と、前記提示を行うに至った判断根拠を示す法則もしくは任意の経験則のうち、少なくとも一方に基づいて、前記系の異常と判断した判断根拠として特定する判断根拠演算部を有する判断根拠説明装置である。

【0009】

また、本発明には、判断根拠説明装置を用いた方法や、これをコンピュータとして機能させるためのプログラムやプログラムを格納した媒体も含まれる。

【発明の効果】

【0010】

本発明によれば、少ない期間であって少ない種類のデータしか取得できない状況であっても、系に発生している異常状態について、系の操作者に説明することが可能になる。

【図面の簡単な説明】

【0011】

【図1】実施例１、２の判断根拠説明装置を表す図である。

【図2】実施例１における判断根拠演算部で使用するニューラルネットワークの例を表す図である。

【図3】実施例１、２における学習処理のフローチャートである。

【図4】実施例１において、系情報提示部での表示内容を表す図である。

【図5】実施例２における判断根拠演算部で使用するニューラルネットワークの例を表す図である。

【図6】実施例２において、系情報提示部での表示内容を表す図である。

【図7】実施例１、２における判断根拠説明装置をスタンドアロンで実現する実装例を示す図である。

【図8】実施例１、２における判断根拠説明装置をクラウドシステムで実現する実装例を示す図である。

【発明を実施するための形態】

【0012】

以下、本発明の実施例に係る判断根拠説明装置１について、図面を参照して詳細に説明する。なお、本発明は、以下に説明する実施例に限定されるものではない。また、以下の説明において使用する各図面において、共通する各装置、各機器には同一の符号を付しており、すでに説明した各装置、機器および動作の説明を省略する場合がある。

【実施例0013】

図１～図４を用いて、本発明の実施例１について説明する。本実施例では、判断根拠説明装置１が用いられるが、これは実施例２と共通である。＜判断根拠説明装置１の全体概略＞
図１は、判断根拠説明装置１の機能ブロックを示す概略図である。実施例１の判断根拠説明装置１では、系情報から系の故障・異常度合い（単に、異常度合いとも称する）の演算及び故障・異常度合いの判断に至った判断根拠を特定及び提示する。

【0014】

判断根拠説明装置１は、系情報取得部１１とメモリ１２、判断根拠演算部１３、系情報提示部１４、判断根拠説明部１５で構成される。系情報取得部１１は、物理量情報を取得する。物理量情報は、例えば電動機から取得可能な電流情報、振動情報、やロボットから取得可能な電流情報、力覚情報、画像情報など、系からセンサもしくは系の制御基盤等から得られる情報を指す。また、物理量情報は、時系列的に連続、もしくは何らかのトリガを受けた間欠的な情報でもある。また系情報取得部では、操作者が系に関する長さ・速度・出力といった物理パラメータを記入する情報記入欄から系情報に関連する情報を取得する場合も考えられる。

【0015】

メモリ１２は、系情報記憶部１６とモジュール記憶部１７、学習モデル記憶部１８で構成される。系情報取得部１１で取得した情報は、メモリ１２内の系情報記憶部１６に保存される。モジュール記憶部１７は判断根拠演算部１３で使用するニューラルネットワークの活性化関数を保存し、学習モデル記憶部１８は判断根拠演算部１３で出力する判断根拠を提示する際に、ニューラルネットワークの学習モデルを保存する。このように、メモリ１２は、記憶部として機能する一例である。

【0016】

判断根拠演算部１３では、メモリ１２内の系情報記憶部１６の系情報と、モジュール記憶部１７の活性化関数、学習モデル記憶部１８の学習モデルを読み込み、実施例１では系の故障・異常度合いの演算及び故障・異常度合いの判断に至った判断根拠を演算する。

【0017】

系情報提示部１４では、系情報取得部１１で取得した情報や操作者が情報記入欄に入力した系情報を表示する。判断根拠説明部１５では判断根拠演算部１３で演算された判断根拠を提示する。＜判断根拠演算部１３＞
図２に、判断根拠演算部１３で使用するニューラルネットワークの例を示す。実施例１では、隠れ層が１層で出力層が１ノードの場合を用いて説明する。図２の入力層として、学習用の説明変数であるＸと目的変数であるＹを用意する。Ｘ及びＹは（数１）（数２）のようにあらわすことができる。

【0018】

【数1】

【0019】

【数2】

【0020】

ここで、ｎは各入力層の1ノードに与えるデータ数、Ｑはノード数を表す。Ｑの種類として例えば、系の電流情報・振動情報・音響情報等が挙げられる。目的変数Ｙは実施例１によれば、系の故障もしくは異常判定値として算出され、０から１の間で表現される指標となる。次に入力層から隠れ層にかけて、それぞれのデータに対し、(数３)の重み係数をかける。

【0021】

【数3】

【0022】

ここで、ｌは隠れ層の数を表している。重み係数は、計算の初めにランダムで決定され、実施例１では、重み係数は計算が終了するまで更新をしない。またここではｌ×ｎ行列で重み係数を示しているがｌノードのデータ間で重み係数を変更する必要がない場合は、同一行では同じ値をとっても良い。次に、隠れ層から出力層にかけて、（数４）で示される重み係数をかける。

【0023】

【数4】

【0024】

なお、(数４)の重み係数の更新については、(数８)で後述する。次にバイアスＢを(数５)の通り設定する。

【0025】

【数5】

【0026】

ここで、バイアスＢは、計算の初めにランダムで決定され、本実施例では、重み係数は計算が終了するまで更新をしない。以上より出力行列Ｔは総和規約を用いて、(数６)の通り設定することができる。

【0027】

【数6】

【0028】

ここで、ｇは活性化関数を表し、本実施例によれば、法則および任意の経験則を設定する。つまり、（数７）のとおりとすると、
隠れ層から出力層への重み係数の更新は、(数８)の通り更新することが可能となる。

【0029】

【数7】

【0030】

【数8】

【0031】

ここでＨ+は、(数７)の活性化関数の出力値に対する疑似逆行列を表し、Ｔ’は出力行列Tの転置行列を表す。この手法によれば、出力層の重み係数の更新で、入力層から出力層への予測を行うことができる。このため、逆伝播型ニューラルネットワークで用いるような、いわゆる逆誤差伝播法(以下、バックプロパゲーション法)に代表されるように、活性化関数の微分値を計算する必要がないため、理論上活性化関数の制約がない。

【0032】

つまり、本実施例の目的とする活性化関数を法則もしくは任意の経験則に設定するには、上記で説明した判断根拠演算部１３が最良の形態の一つである。但し、隠れ層の数や疑似逆行列の計算方法については、それに限定されるものではない。
＜学習処理フロー＞
次に、本実施例における学習処理方法について説明する。図３は、実施例１の学習処理方法を示すフローチャートである。まず、ステップＳ３０１で、判断根拠演算部１３が、フラグ(Ｆ)を設定する。ステップＳ３０１のフラグ設定は、例えば自動で定時ごとに設定してもいいし、系情報提示部１４の表示画面を介して、利用者、つまり、系の操作者が手動で設定できるようにしてもよい。

【0033】

ステップＳ３０１が終了すると、ステップＳ３０２で、判断根拠演算部１３が、Ｆ≠０かどうかを判定する。Ｆ≠０であればステップＳ３０３に進み、Ｆ＝０であれば学習処理を終了する。次に、ステップＳ３０３では、系情報取得部１１で系情報を取得して、ステップＳ３０４に進む。

【0034】

ステップＳ３０４では、判断根拠演算部１３が、メモリ１２のモジュール記憶部１７に保存した活性化関数モジュールを読み込んで、ステップＳ３０５に進む。次に、ステップＳ３０５では、判断根拠演算部１３が、(数７)で定義した隠れ層の出力結果に対して、活性化関数モジュールを適用する。ここでは、ステップＳ３０４の活性化関数モジュールすべてを適用してもよいし、ランダムもしくは操作者が任意に選択して適用してもよい。ただし、フラグＦが１の場合の学習モードとフラグＦが２の場合の推定モードとは、活性化関数の組み合わせは同一であることが望ましい。ステップＳ３０５のモジュール適用が終了すると、ステップＳ３０６に進む。

【0035】

次に、ステップＳ３０６では、判断根拠演算部１３が、フラグＦが１であるかどうかを判定する。この結果、フラグＦが１の場合、判断根拠演算部１３は、現在の学習処理フローが学習モードであると判定して、ステップＳ３０７に進む。また、フラグＦが２の場合、判断根拠演算部１３は、現在の学習処理フローが推定モードであると判定して、ステップＳ３１０に進む。また、ステップＳ３０７では、判断根拠演算部１３が、(数８)のβを算出して、ステップＳ３０８へ進む。このβが、判断根拠の一種である重みづけ（重み係数）を示す。

【0036】

ステップＳ３０８では、判断根拠演算部１３が、ステップＳ３０７で算出したβと活性化関数モジュールｇを学習モデル記憶部１８に保存して、ステップＳ３０９に進む。

【0037】

また、ステップＳ３０９では、判断根拠演算部１３が、フラグＦ＝０に設定して処理を終了する。

【0038】

また、Ｓ３１０以降において、フラグＦ＝２の推定モードの場合処理が実行される。このため、ステップＳ３１０では、判断根拠演算部１３が、学習モデル記憶部１８を読み込み、学習モデル記憶部１８にある隠れ層と出力層間の重み係数βと活性化関数ｇを読み込んで、ステップＳ３１１に進む。

【0039】

次に、ステップＳ３１１では、判断根拠演算部１３が、(数６)にステップＳ３１０で読み込んだ隠れ層と出力層間の重み係数βを代入して、ステップＳ３１２に進む。次に、判断根拠演算部１３が、ステップＳ３１２では(数６)に則り、出力層Ｔを算出してステップＳ３０９に進む。以上で、本実施例における学習処理方法の説明を終了する。
＜実作業中の挙動＞
次に、本実施例における実作業中の挙動、つまり、処理について説明する。これらは、判断根拠演算部１３や判断根拠説明部１５で実行される。ここでは、例えば活性化関数にＦａｓｔ Ｆｏｕｒｉｅｒ Ｔｒａｎｓｆｏｒｍ(以下、ＦＦＴ)を適用し、最大ピークを抽出する関数について説明する。入力データとして(数１)の１列目を入力した際の挙動について説明する。(数９)にＦＦＴの計算式を示す。

【0040】

【数9】

【0041】

ここで、Ｗ_Ｎは(数１０)で示す。また、Ｎは、データ数を表す。

【0042】

【数10】

【0043】

これより、例えば各列に対する最大値を抽出したい場合は、(数１１)の通り定義できる。

【0044】

【数11】

【0045】

以上例として、本実施例では活性化関数としてＦＦＴの最大ピークを抽出する関数を取り上げたが、これに限定されるものではなく、また活性化関数を１種類のみで実施するよりは、複数の活性化関数を用いて実施することが望ましい。
＜系情報提示部１４＞
系情報提示部１４の処理について説明する。系情報提示部１４では、系の故障・異常度合いの演算及び故障・異常度合いの判断に至った判断根拠を提示する。判断根拠はβの値で説明する。図４に系情報提示部１４で表示する表示内容を例示する。図４では、各活性化関数にかかる隠れ層から出力層への重み係数βの値が記述される。図４によれば、yを予測するのに最も寄与度が高い重み係数βはβ₂であり、つまり、β₂がかかっている活性化関数ｇ₂の寄与度が高いことがわかる。ここで、寄与度が高いとは、相対的なものの他、予め定めた基準値以上であることを含む。なお、判断根拠は、図４に示すような表形式での表示に限らず、グラフ形式でβの値を表示してもよい。さらに、図４は、テキストデータやイメージデータを含む図とて出力してもよい。また、図４においては、総則や経験則を項目として用いてもよい。

【0046】

以上詳細に説明したように、本実施例によれば、系情報から寄与度が高い活性化関数を抽出して操作者に情報提示が可能である。このため、例えば系内部が複雑な機構になっていたとしても、活性化関数に適用して法則もしくは任意の経験則に基づいて、系の故障・異常度合いの判断根拠を提示することが可能になる。また、本実施例では、判断根拠として、活性化関数や法則もしくは任意の経験則の重み係数を提示することになる。さらに、重み係数（重みづけ）の更新を以下のとおり行ってもよい。出力層に対し限定的に重み係数を更新し、出力層に接続しないニューロン（隠れ層）の重み係数の更新は抑止する。なお、この更新については、実施例２でも適用可能である。以上で、実施例１の説明を終了する。

【実施例0047】

次に、図１、図３、図５～図６を用いて、実施例２について説明する。
＜判断根拠演算部１３＞
まず、実施例２の判断根拠演算部１３について説明する。図５に、本実施例の判断根拠演算部１３で使用するニューラルネットワークの例を示す。実施例１の図２とは出力層の数が異なり、隠れ層が１層で出力層が入力層と同数の場合を用いて説明する。図５の入力層として、学習用の説明変数であるＸと目的変数であるＹを用意する。Ｘ及びＹは(数１)(数１２)のようにあらわすことができる。

【0048】

【数12】

【0049】

ここで、ｎは各入力層の1ノードに与えるデータ数、Ｑはノード数を表す。Ｑの種類として例えば、系の電流情報・振動情報・音響情報等が挙げられる。目的変数Ｙは実施例２では、系の故障もしくは異常判定値として算出され、０から１の間で表現される指標となる。次に、入力層から隠れ層にかけて、それぞれのデータに対し(数３)の重み係数をかける。

【0050】

また、ｌは隠れ層の数を表している。重み係数は、計算の初めにランダムで決定され、実施例１では、重み係数は計算が終了するまで更新をしない。また、ここではl×n行列で重み係数を示しているが、1ノードのデータ間で重み係数を変更する必要がない場合は、同一行では同じ値をとっても良い。次に、隠れ層から出力層にかけて、(数１３)の重み係数をかける。

【0051】

【数13】

【0052】

なお、(数４)の重み係数の更新は、(数８)で後述する。次にバイアスＢを(数５)の通り設定する。

【0053】

ここで、バイアスＢは、計算の初めにランダムで決定され、本実施例では、重み係数は計算が終了するまで更新をしない。以上より、出力行列Ｔは総和規約を用いて、(数６)の通り設定することができる。

【0054】

【数14】

【0055】

ここで、ｇは活性化関数を表し、本実施例によれば、法則および任意の経験則を設定する。また、隠れ層から出力層への重み係数の更新は、(数８)の通り更新することが可能となる。ここでＨ^＋は、(数７)の活性化関数の出力値に対する疑似逆行列を表し、Ｔ’は出力行列Ｔの転置行列を表す。この手法によれば、出力層の重み係数の更新のみで、入力層から出力層への予測を行うことができる。このため、逆伝播型ニューラルネットワークで用いるような、いわゆる逆誤差伝播法(以下、バックプロパゲーション法)に代表されるように、活性化関数の微分値を計算する必要がない。したがって、理論上活性化関数の制約がない。

【0056】

つまり、本実施例の目的とする活性化関数を法則もしくは任意の経験則に設定するには、上記で説明した判断根拠演算部１３が最良の形態の一つであるが、隠れ層の数や疑似逆行列の計算方法については、それに限定されるものではない。
＜系情報提示部１４＞
次に、本実施例の系情報提示部１４について説明する。系情報提示部１４では、系の故障・異常度合いの演算及び故障・異常度合いの判断に至った判断根拠を提示する。判断根拠は、βの値で示される。図６に、系情報提示部１４に表示する判断根拠説明部１５の表示内容を例示する。図６では、各活性化関数にかかる隠れ層から出力層への重み係数βの値が記述される。図６によれば、ｙ₁を予測するのに最も寄与度が高い重み係数βはβ₂であり、つまりβ₂がかかっている活性化関数ｇ₂の寄与度が高いことがわかる。さらにｙ₂を予測するのに最も寄与度が高いのはβ₁であることがわかる。

【0057】

例えば、ｙ₁が系の電流情報から予測された故障・異常度合いの予測値、ｙ₂が系の振動情報から予測された故障・異常度合いの予測値であったとする。この際、もし重み係数βの最も寄与度が高いβが同じ活性化関数だった場合、系の故障・異常の信ぴょう性向上につながる。また、もし異なる活性化関数であれば、振動情報では判別がつかない故障・異常情報が電流情報では兆候がつかめている可能性も確認できる。なお、本実施例でも実施例１と同様に、判断根拠について、表形式での表示に限らず、いわゆるヒートマップ形式でβの値を表示してもよい。さらに、図６は、テキストデータやイメージデータを含む図とて出力してもよい。また、図６においては、総則や経験則を項目として用いてもよい。

【0058】

以上詳細に説明したように、本実施例によれば、系情報を複数複合して寄与度が高い活性化関数を抽出する。このことで、例えば系内部が複雑な機構で、単一の系情報からでは故障・異常度の判別がつきにくい状況であっても、法則もしくは任意の経験則に基づいて、系の故障・異常度合いの判断根拠を提示することが可能になる。これにより普遍の法則もしくは任意の経験則に基づいて故障・異常度合いの判断が可能になるため、少ないデータであっても、正確な判別をすることが可能になる。
＜実装例＞
最後に、各実施例における判断根拠説明装置１の実装例を説明する。まず、判断根拠説明装置１を、いわゆるスタンドアロンで実現する実装例（ハードウエア構成）について、図７に示す。図７に示すように、入力装置１１０、記憶装置１２０、処理装置１３０および出力装置１４０を有し、これらが互いにバスのような通信路で接続されている。つまり、判断根拠説明装置１は、コンピュータで実現できる。

【0059】

ここで、入力装置１１０は、インターフェース部およびマウスやキーボードのような入力デバイスで実現でき、図１の系情報取得部１１に該当する。このため、入力装置１１０は、センサ１０１と接続する装置と利用者からの入力を受け付ける装置で構成してもよい。ここで、センサ１０１は、図示しない系ないしその近傍に設置し、系の物理量を示す物理量情報を検知する。また、センサ１０１は複数設けてもよい。

【0060】

また、記憶装置１２０は、情報やプログラムを記憶（格納）する機能を有し、メモリやハードディスクドライブ等のストレージで実現できる。もしくは、記憶装置１２０は、ＤＶＤなどの記憶媒体としても実現できる。さらに、記憶装置１２０は、複数の装置で実現することもできる。このように、記憶装置１２０は、図１のメモリ１２に該当する。

【0061】

また、記憶装置１２０は、系情報１６０、モジュール１７０、学習モデル１８０、判断根拠演算プログラム１９１や判断根拠説明プログラム１９２を記憶する。ここで、系情報１６０、モジュール１７０、学習モデル１８０は、それぞれ図１の系情報記憶部１６、モジュール記憶部１７、学習モデル記憶部１８で記憶される情報である。さらに、判断根拠演算プログラム１９１や判断根拠説明プログラム１９２は、それぞれ図１の判断根拠演算部１３、判断根拠説明部１５の機能を実現するコンピュータプログラムである。なお、判断根拠演算プログラム１９１や判断根拠説明プログラム１９２は、１つのプログラムで実現してもよい。

【0062】

次に、処理装置１３０は、ＣＰＵなどのプロセッサで実現でき、記憶装置１２０に記憶される各プログラムに従って、上述の演算を実行する。つまり、図１の判断根拠演算部１３や判断根拠説明部１５の機能を実行する。また、処理装置１３０は、専用ハードウエアやＦＰＧＡ（Field-Programmable Gate Array）で実現してもよい。

【0063】

最後に、出力装置１４０は、系情報提示部１４で提示される情報を出力するものであり、表示装置やプリンタで実現できる。また、出力装置１４０は、他のコンピュータやネットワークに情報を出力するものであってもよい。

【0064】

次に、判断根拠説明装置１を、いわゆるクラウドシステムで実現する実装例（ハードウエア構成）について、図８に示す。このクラウドシステムは、判断根拠説明装置１、データベースシステム２０、各端末装置（１００）、センサ１０１で構成され、これらは互いにネットワーク３０を介して接続される。ここで、判断根拠説明装置１は、いわゆるサーバと称されるコンピュータで実現される。そして、判断根拠説明装置１は、処理装置１３０、入出力装置１４１、記憶装置１２０、通信装置１４２を有する。ここで、処理装置１３０は、図７に示すものと同じである。また、記憶装置１２０も図７と同様の機能を有するが、本例では各プログラムを格納し、他の情報は外部のデータベースシステム２０に記憶している。なお、本例では、データベースシステム２０とネットワーク３０を介して接続しているが、後述の入出力装置１４１を介して接続されてもよいし、データベースシステム２０を省略し、各種情報を記憶装置１２０に記憶してもよい。

【0065】

また、入出力装置１４１および通信装置１４２は、図７の入力装置１１０および出力装置１４０に対応する。つまり、これらは、外部とのインターフェース機能を有する。ここで、入出力装置１４１は、利用者が利用する端末装置１００―１、１００－２と接続される。このため、入出力装置１４１は、判断根拠説明装置１の処理結果を端末装置１００－１、１００－２に出力したり、端末装置１００－１、１００－２を介して利用者からの入力を受け付けたりする。

【0066】

また、通信装置１４２は、ネットワーク３０を介して端末装置１００－３、１００－４やデータベースシステム２０と接続する。通信装置１４２は、判断根拠説明装置１の処理結果を端末装置１００－３、１００－４に出力したり、端末装置１００－３、１００－４を介して利用者からの入力を受け付けたりする。また、通信装置１４２は、データベースシステム２０の各種情報へのアクセスを実現する。

【0067】

ここで、端末装置１００－１～１００－４は、ＰＣ、スマートフォン、タブレットといったコンピュータで実現される。そして、これらは。利用者からの入力を受け付けたり、判断根拠説明装置１の処理結果を出力したりする。

【0068】

センサ１０１は、図示しない系ないしその近傍に設置し、系の物理量を示す物理量情報を検知する。また、センサ１０１は複数設けてもよい。