特開 2024-134678 診断システムおよび診断方法

(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】P2024134678

(43)【公開日】2024-10-04

(54)【発明の名称】診断システムおよび診断方法

(51)【国際特許分類】

   G05B 23/02 20060101AFI20240927BHJP

【ＦＩ】

G05B23/02 301T

【審査請求】未請求

【請求項の数】10

【出願形態】ＯＬ

(21)【出願番号】P 2023044995

(22)【出願日】2023-03-22

(71)【出願人】

【識別番号】000006666

【氏名又は名称】アズビル株式会社

(74)【代理人】

【識別番号】100098394

【弁理士】

【氏名又は名称】山川 茂樹

(72)【発明者】

【氏名】岩本 真司

【テーマコード（参考）】

3C223

【Ｆターム（参考）】

3C223AA30

3C223BA01

3C223CC01

3C223DD01

3C223EB01

3C223EB05

3C223FF02

3C223FF03

3C223FF13

3C223FF22

3C223FF26

3C223FF45

3C223GG01

3C223HH02

3C223HH03

3C223HH04

3C223HH08

3C223HH15

(57)【要約】

【課題】制御の異常を示す診断結果が得られたときに異常の原因となったパラメータを推定する。
【解決手段】診断システムは、診断対象の制御に関連するパラメータの時系列データを取得するデータ取得部２と、診断対象の日時の時系列データの集合を一定の時間範囲毎に画像化して診断用データを作成する診断用データ作成部７と、画像と制御の診断結果との関係をモデル化した学習モデル６に診断用データを入力して、制御の診断結果を学習モデル６から得る診断部８と、学習モデル６に入力された診断用データにおいて、診断部８による診断に影響した部分を特定し、この特定結果に基づいて診断に影響を与えたパラメータを特定する診断結果分析部９とを備える。
【選択図】 図１

【特許請求の範囲】

【請求項1】

診断対象の制御に関連するパラメータの時系列データを取得するように構成されたデータ取得部と、
診断対象の日時の前記時系列データの集合を一定の時間範囲毎に画像化して診断用データを作成するように構成された診断用データ作成部と、
画像と制御の診断結果との関係をモデル化した学習モデルに前記診断用データを入力して、制御の診断結果を前記学習モデルから得るように構成された診断部と、
前記学習モデルに入力された前記診断用データにおいて、前記診断部による診断に影響した部分を特定し、この特定結果に基づいて診断に影響を与えたパラメータを特定するように構成された診断結果分析部とを備えることを特徴とする診断システム。

【請求項2】

請求項１記載の診断システムにおいて、
前記診断用データ作成部は、診断対象の日時の前記時系列データの集合を一定の時間範囲毎に正規化し、パラメータの種別を水平座標とし時刻を垂直座標とする画像上の対応する座標位置に、パラメータの時刻毎の正規化したデータを画素として配置し、正規化したデータの値に対応する輝度を画素の輝度とすることで、正規化した時系列データを画像化することを特徴とする診断システム。

【請求項3】

請求項１記載の診断システムにおいて、
前記学習モデルは、診断対象の制御と、診断対象の制御に関連するパラメータの制御のそれぞれについて個別に作成され、
前記診断結果分析部は、前記診断部によって直前に行われた診断に影響を与えたパラメータを特定し、直前の診断で制御の異常を示す診断結果が得られたときに、直前の診断に影響を与えたパラメータが最も強く影響を与えた時刻について、このパラメータの制御の診断用データを作成するよう前記診断用データ作成部に対して指示し、
前記診断用データ作成部は、前記診断結果分析部からの指示に従って診断用データを作成し、
前記診断部は、直前の診断に影響を与えたパラメータの制御用の学習モデルに、前記診断用データ作成部が前記診断結果分析部の指示に従って作成した診断用データを入力して、パラメータの制御の診断結果を前記学習モデルから取得し、
パラメータの制御に異常がなかったという診断結果が得られるまで、前記診断結果分析部と前記診断用データ作成部と前記診断部とが処理を繰り返すことを特徴とする診断システム。

【請求項4】

請求項１記載の診断システムにおいて、
予め定められた日時のパラメータの時系列データの集合を一定の時間範囲毎に画像化し、作成した画像に対して制御の診断結果の正解を示すラベルを付与して学習用データを作成するように構成された学習用データ作成部と、
前記学習用データに基づいて、機械学習により前記学習モデルを作成するように構成された学習部とをさらに備えることを特徴とする診断システム。

【請求項5】

請求項４記載の診断システムにおいて、
前記学習用データ作成部は、予め定められた日時のパラメータの時系列データの集合を一定の時間範囲毎に正規化し、パラメータの種別を水平座標とし時刻を垂直座標とする画像上の対応する座標位置に、パラメータの時刻毎の正規化したデータを画素として配置し、正規化したデータの値に対応する輝度を画素の輝度とすることで、正規化した時系列データを画像化することを特徴とする診断システム。

【請求項6】

請求項４記載の診断システムにおいて、
前記学習用データ作成部は、予め設定されたルールに従って前記一定の時間範囲について制御が正常に動作したか否かを判定し、判定結果を示す前記ラベルを前記作成した画像に付与することを特徴とする診断システム。

【請求項7】

請求項１記載の診断システムにおいて、
前記学習モデルは、畳み込みニューラルネットワークからなることを特徴とする診断システム。

【請求項8】

請求項１記載の診断システムにおいて、
前記診断結果分析部は、Ｇｒａｄ－ＣＡＭによって得られた画像出力に基づいて、前記診断用データにおいて、前記診断部による診断に影響した部分を特定し、この特定結果に基づいて診断に影響を与えたパラメータと、パラメータが最も強く影響を与えた時刻とを特定することを特徴とする診断システム。

【請求項9】

請求項１記載の診断システムにおいて、
前記診断部による診断結果と前記診断結果分析部による特定結果とを出力するように構成された結果出力部をさらに備えることを特徴とする診断システム。

【請求項10】

診断対象の制御に関連するパラメータの時系列データを取得する第１のステップと、
診断対象の日時の前記時系列データの集合を一定の時間範囲毎に画像化して診断用データを作成する第２のステップと、
画像と制御の診断結果との関係をモデル化した学習モデルに前記診断用データを入力して、制御の診断結果を前記学習モデルから得る第３のステップと、
前記学習モデルに入力された前記診断用データにおいて、前記第３のステップによる診断に影響した部分を特定し、この特定結果に基づいて診断に影響を与えたパラメータを特定する第４のステップとを含むことを特徴とする診断方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、制御が正常に動作しているか否かを自動で診断する診断システムおよび診断方法に関するものである。

【背景技術】

【0002】

ビルの自動制御システムにおいて、コントローラは、空調機などの設備機器の動作を制御している。そして、このようなシステムにおいては、設備機器の制御が正常に動作しているか否かを自動診断している（特許文献１参照）。

【0003】

例えば特許文献１に開示された技術では、エレベーターに地磁気センサと加速度センサと監視装置を設置して、地磁気センサと加速度センサの出力情報から、エレベーターの終端階到達時の速度が正常範囲か否かを診断している。

【0004】

特許文献１に開示されたような自動診断システムでは、制御が正常に動作しているか否かを、人が定めたルールに基づいて診断している。例えば、室内温度制御の診断の場合には、室内温度と室内温度設定値との差が規定値以内であれば良好と判断する。

【0005】

このように従来の自動診断システムでは、診断用のロジックを人が考えてシステムに組み込む必要があるという課題があった。また、診断用のロジックで定められていないことは判断できないという課題があった。例えば、上記のような室内温度制御の診断の場合、室内温度と室内温度設定値とが乖離した理由を知ることはできない。室内温度と室内温度設定値とが乖離した理由を知るためには、乖離した理由を判定するロジックをシステムに組み込む必要がある。

【0006】

一方、技術の発展により、学習用の時系列データと診断結果の組を学習データとして機械学習を行い、学習済みのモデルを用いて制御が正常に動作しているか否かを自動診断することが可能になってきている。機械学習を利用する自動診断システムでは、人が診断用のロジックを定めることが不要となる。しかしながら、機械学習を利用する場合には、診断基準がブラックボックス化し、診断の根拠を示すことができないという課題があった。

【先行技術文献】

【特許文献】

【0007】

【特許文献1】特開２０２０－２９３１４号公報

【発明の概要】

【発明が解決しようとする課題】

【0008】

本発明は、上記課題を解決するためになされたもので、制御の異常を示す診断結果が得られたときに異常の原因となったパラメータを推定することが可能な診断システムおよび診断方法を提供することを目的とする。

【課題を解決するための手段】

【0009】

本発明の診断システムは、診断対象の制御に関連するパラメータの時系列データを取得するように構成されたデータ取得部と、診断対象の日時の前記時系列データの集合を一定の時間範囲毎に画像化して診断用データを作成するように構成された診断用データ作成部と、画像と制御の診断結果との関係をモデル化した学習モデルに前記診断用データを入力して、制御の診断結果を前記学習モデルから得るように構成された診断部と、前記学習モデルに入力された前記診断用データにおいて、前記診断部による診断に影響した部分を特定し、この特定結果に基づいて診断に影響を与えたパラメータを特定するように構成された診断結果分析部とを備えることを特徴とするものである。

【0010】

また、本発明の診断システムの１構成例において、前記診断用データ作成部は、診断対象の日時の前記時系列データの集合を一定の時間範囲毎に正規化し、パラメータの種別を水平座標とし時刻を垂直座標とする画像上の対応する座標位置に、パラメータの時刻毎の正規化したデータを画素として配置し、正規化したデータの値に対応する輝度を画素の輝度とすることで、正規化した時系列データを画像化することを特徴とするものである。

【0011】

また、本発明の診断システムの１構成例において、前記学習モデルは、診断対象の制御と、診断対象の制御に関連するパラメータの制御のそれぞれについて個別に作成され、前記診断結果分析部は、前記診断部によって直前に行われた診断に影響を与えたパラメータを特定し、直前の診断で制御の異常を示す診断結果が得られたときに、直前の診断に影響を与えたパラメータが最も強く影響を与えた時刻について、このパラメータの制御の診断用データを作成するよう前記診断用データ作成部に対して指示し、前記診断用データ作成部は、前記診断結果分析部からの指示に従って診断用データを作成し、前記診断部は、直前の診断に影響を与えたパラメータの制御用の学習モデルに、前記診断用データ作成部が前記診断結果分析部の指示に従って作成した診断用データを入力して、パラメータの制御の診断結果を前記学習モデルから取得し、パラメータの制御に異常がなかったという診断結果が得られるまで、前記診断結果分析部と前記診断用データ作成部と前記診断部とが処理を繰り返すことを特徴とするものである。

【0012】

また、本発明の診断システムの１構成例は、予め定められた日時のパラメータの時系列データの集合を一定の時間範囲毎に画像化し、作成した画像に対して制御の診断結果の正解を示すラベルを付与して学習用データを作成するように構成された学習用データ作成部と、前記学習用データに基づいて、機械学習により前記学習モデルを作成するように構成された学習部とをさらに備えることを特徴とするものである。
また、本発明の診断システムの１構成例において、前記学習用データ作成部は、予め定められた日時のパラメータの時系列データの集合を一定の時間範囲毎に正規化し、パラメータの種別を水平座標とし時刻を垂直座標とする画像上の対応する座標位置に、パラメータの時刻毎の正規化したデータを画素として配置し、正規化したデータの値に対応する輝度を画素の輝度とすることで、正規化した時系列データを画像化することを特徴とするものである。
また、本発明の診断システムの１構成例において、前記学習用データ作成部は、予め設定されたルールに従って前記一定の時間範囲について制御が正常に動作したか否かを判定し、判定結果を示す前記ラベルを前記作成した画像に付与することを特徴とするものである。

【0013】

また、本発明の診断システムの１構成例において、前記学習モデルは、畳み込みニューラルネットワークからなることを特徴とするものである。
また、本発明の診断システムの１構成例において、前記診断結果分析部は、Ｇｒａｄ－ＣＡＭによって得られた画像出力に基づいて、前記診断用データにおいて、前記診断部による診断に影響した部分を特定し、この特定結果に基づいて診断に影響を与えたパラメータと、パラメータが最も強く影響を与えた時刻とを特定することを特徴とするものである。
また、本発明の診断システムの１構成例は、前記診断部による診断結果と前記診断結果分析部による特定結果とを出力するように構成された結果出力部をさらに備えることを特徴とするものである。

【0014】

また、本発明の診断方法は、診断対象の制御に関連するパラメータの時系列データを取得する第１のステップと、診断対象の日時の前記時系列データの集合を一定の時間範囲毎に画像化して診断用データを作成する第２のステップと、前記画像と制御の診断結果との関係をモデル化した学習モデルに前記診断用データを入力して、制御の診断結果を前記学習モデルから得る第３のステップと、前記学習モデルに入力された前記診断用データにおいて、前記診断部による診断に影響した部分を特定し、この特定結果に基づいて診断に影響を与えたパラメータを特定する第４のステップとを含むことを特徴とするものである。

【発明の効果】

【0015】

本発明によれば、データ取得部と診断用データ作成部と診断部と診断結果分析部とを設けることにより、学習モデルを用いて制御が正常に動作しているか否かを自動診断することができ、かつ診断に影響を与えたパラメータを推定することにより、制御の異常を示す診断結果が得られたときに異常の原因となったパラメータを推定することができる。

【0016】

また、本発明では、診断結果分析部が、診断部によって直前に行われた診断に影響を与えたパラメータを特定し、直前の診断で制御の異常を示す診断結果が得られたときに、直前の診断に影響を与えたパラメータが最も強く影響を与えた時刻について、このパラメータの制御の診断用データを作成するよう診断用データ作成部に対して指示し、診断用データ作成部が、診断結果分析部からの指示に従って診断用データを作成し、診断部が、直前の診断に影響を与えたパラメータの制御用の学習モデルに、診断用データ作成部が診断結果分析部の指示に従って作成した診断用データを入力して、パラメータの制御の診断結果を学習モデルから取得することにより、制御の異常の原因となったパラメータをさらに正確に推定することができる。

【0017】

また、本発明では、学習用データ作成部と学習部とを設けることにより、学習モデルを作成することができる。

【図面の簡単な説明】

【0018】

【図1】図１は、本発明の実施例に係る診断システムの構成を示すブロック図である。

【図2】図２は、本発明の実施例に係る診断システムの学習モデル作成時の動作を説明するフローチャートである。

【図3】図３は、室内温度制御に関連するパラメータの例を示す図である。

【図4】図４は、本発明の実施例に係る診断システムの学習用データ作成部の動作を説明するフローチャートである。

【図5】図５は、室内温度制御に関連するパラメータの時系列データの例を示す図である。

【図6】図６は、図５の時系列データを正規化した結果を示す図である。

【図7】図７は、図６の時系列データを画像化した結果を示す図である。

【図8】図８は、本発明の実施例に係る診断システムの制御診断時の動作を説明するフローチャートである。

【図9】図９は、本発明の実施例に係る診断システムの診断用データ作成部の動作を説明するフローチャートである。

【図10】図１０は、本発明の実施例に係る診断システムの特定部によって得られた結果を示す図である。

【図11】図１１は、本発明の実施例に係る診断システムの特定部によって得られた結果を示す図である。

【図12】図１２は、本発明の実施例に係る診断システムを実現するコンピュータの構成例を示すブロック図である。

【発明を実施するための形態】

【0019】

以下、本発明の実施例について図面を参照して説明する。図１は本発明の実施例に係る診断システムの構成を示すブロック図である。本実施例では、空調機制御を例に挙げて説明する。

【0020】

診断システムは、空調機制御に関連するパラメータを記憶するパラメータ記憶部１と、パラメータの時系列データを取得するデータ取得部２と、取得した時系列データを記憶するデータ記憶部３と、予め定められた日時のパラメータの時系列データの集合を一定の時間範囲毎に画像化し、作成した画像に対して制御の診断結果の正解を示すラベルを付与して学習用データを作成する学習用データ作成部４と、学習用データに基づいて、機械学習により学習モデル６を作成する学習部５と、診断対象の日時のパラメータの時系列データの集合を一定の時間範囲毎に画像化して診断用データを作成する診断用データ作成部７と、学習モデル６に診断用データを入力して、制御の診断結果を学習モデル６から得る診断部８と、学習モデル６に入力された診断用データにおいて、診断部８による診断に影響した部分を特定し、この特定結果に基づいて診断に影響を与えたパラメータを特定する診断結果分析部９と、診断部８による診断結果と診断結果分析部９による特定結果とを出力する結果出力部１０とを備えている。

【0021】

図２は本実施例の診断システムの学習モデル作成時の動作を説明するフローチャートである。最初に、システムのユーザは、診断対象の空調機制御に関連するパラメータの関連図を整理する。例えば、室内温度制御の場合、関連するパラメータは図３のようになる。図３は、給気温度と給気ファンインバータ出力（給気風量）とが、室内温度に直接影響を与えていることを示している。

【0022】

室内温度制御に関連するパラメータとしては、例えば室内温度、室内温度設定値、給気温度、給気温度設定値、給気ファンインバータ出力、空調機に供給される冷水の温度である冷水往温度、空調機に供給される冷温水の量を調節する冷温水弁開度、外気温度、外気ダンパ開度、空調機の運転状態を示す空調機状態パラメータ、空調機のウォーミングアップ状態を示すウォーミングアップ状態パラメータ、外気を利用した冷房を行うか否かを示す外気冷房制御パラメータ、室内ＣＯ_２濃度を制御するか否かを示すＣＯ_２制御許可／禁止パラメータなどがある。

【0023】

このように、パラメータ記憶部１には、ユーザが列挙した、診断対象の空調機制御に関連するパラメータの名称が予め登録されている。図３では、空調機制御に含まれる制御のうち、室内温度制御を例に挙げて説明しているが、空調機制御に含まれる他の制御、例えば給気温度制御と室内湿度制御についてもそれぞれ関連するパラメータを整理して、パラメータの名称をパラメータ記憶部１に登録しておく。

【0024】

診断システムのデータ取得部２は、パラメータ記憶部１に登録されたパラメータの時系列データを取得する。データ取得部２が取得した時系列データは、データ記憶部３に格納される。データ取得部２によるデータの取得は、診断対象の空調機の運転中に常時行われる。

【0025】

次に、診断システムの学習用データ作成部４は、学習モデルの作成時に学習用データを作成する（図２ステップＳ１００）。図４は学習用データ作成部４の動作を説明するフローチャートである。

【0026】

まず、学習用データ作成部４は、パラメータ記憶部１に登録された室内温度制御に関連するパラメータの時系列データを一定の時間範囲毎にデータ記憶部３から取得する（図４ステップＳ２００）。例えば室内温度制御に関連するパラメータの数がｎ、データ取得部２がデータを取得する間隔が１分、一定の時間範囲が３０分であるとすれば、学習用データ作成部４はｎ×３０のデータを取得することになる。

【0027】

例えば８時２７分から８時５６分までの３０分間の時系列データの例をグラフとして描画すると図５のようになる。図５の例では、室内温度制御に関連するパラメータの一部を示している。図５の５００は外気温度、５０１は外気湿度、５０２は外気ダンパ開度、５０３は冷水弁開度、５０４は冷水往温度、５０５は室内湿度、５０６は室内湿度と室内湿度設定値との差分、５０７は室内温度と室内温度設定値との差分、５０８は給気温度を示している。

【0028】

続いて、学習用データ作成部４は、ステップＳ２００で取得した時系列データを最小値が０、最大値が１になるようにパラメータ毎に正規化する（図４ステップＳ２０１）。パラメータｘの時刻ｔの値ｘ_ｔを正規化した値ｘ_ｔｎｅｗは次式のようになる。
ｘ_ｔｎｅｗ＝（ｘ_ｔ－ｘ_ｍｉｎ）／（ｘ_ｍａｘ－ｘ_ｍｉｎ） ・・・（１）

【0029】

ｘ_ｍａｘはパラメータｘの予め定められた最大値、ｘ_ｍｉｎはパラメータｘの予め定められた最小値である。例えば冷水弁開度の場合、最大値ｘ_ｍａｘは１００（％）、最小値ｘ_ｍｉｎは０（％）である。学習用データ作成部４は、以上のような正規化をパラメータ毎および時刻毎に行う。例えば図５に示した時系列データを正規化すると、図６のような結果が得られる。図６において、５０５（室内湿度）と５０６（室内湿度と室内湿度設定値との差分）は同一な変化となるため、重なっている。室内湿度設定値が変わらない限り、室内湿度と室内湿度差は全く同じ動きをするので、正規化すると同じ値になる。

【0030】

次に、学習用データ作成部４は、ステップＳ２０１で正規化した時系列データの集合を画像化する（図４ステップＳ２０２）。具体的には、学習用データ作成部４は、パラメータの種別を水平座標とし時刻を垂直座標とする画像上の対応する座標位置に、パラメータの時刻毎の正規化したデータを画素として配置し、正規化したデータの値（０または１）に対応する輝度を画素の輝度とすればよい。

【0031】

例えば図５に示した時系列データを正規化した図６を画像化すると、図７のようになる。図７の例では、上から下に向かって時刻が進み、各列がパラメータを示している。図７の例では、図６に示した５００（外気温度）、５０１（外気湿度）、５０２（外気ダンパ開度）、５０３（冷水弁開度）、５０４（冷水往温度）、５０５（室内湿度）、５０６（室内湿度と室内湿度設定値との差分）、５０７（室内温度と室内温度設定値との差分）、５０８（給気温度）の各パラメータが左から順に並んでおり、データの値が０の場合は黒で描画し、１の場合は白で描画している。例えば冷水弁開度の場合、図６から分かるように８時３０分頃に０→１の変化が起きているので、図７においても同時刻に黒→白の変化が起きていることが確認できる。また、外気ダンパ開度については、図６の全ての時間において０のため、図７では終始黒で描かれている。

【0032】

次に、学習用データ作成部４は、時系列データから作成した画像に対して、時系列データの終了時刻での制御が正常か否かを示すラベルを付与する（図４ステップＳ２０３）。ラベルは、機械学習における正解を示す情報である。例えば８時５６分の時点で室内温度制御が異常の場合には、図７に示した画像に「異常」を示すラベルを付与する。

【0033】

ラベルを付与するには、制御が正常か否かを診断システムのユーザが診断して、診断結果を学習用データ作成部４に入力すればよい。あるいは、ユーザが定めたルールに基づいて学習用データ作成部４が、時系列データの終了時刻での制御が正常か否かを診断してもよい。

【0034】

例えば室内温度制御の場合、室内温度と室内温度設定値との差が規定範囲内というルールを予め設定しておけばよい。学習用データ作成部４は、時系列データの終了時刻での室内温度と室内温度設定値との差が規定範囲内の場合、ステップＳ２０２で作成した画像に「正常」を示すラベルを付与し、室内温度と室内温度設定値との差が規定範囲外の場合、作成した画像に「異常」を示すラベルを付与する。こうして、学習用データとして、ラベル付きの画像を作成することができる。

【0035】

学習用データ作成部４は、予め定められた過去の日時の時系列データについて、一定の時間範囲（本実施例では３０分）毎にステップＳ２００～Ｓ２０３の処理を実施する。予め定められた過去の日時の全ての時間範囲について学習用データの作成が終了した時点で（図４ステップＳ２０４においてＹＥＳ）、学習用データ作成部４の処理が終了する。

【0036】

診断システムの学習部５は、学習用データの作成が終了した後に、学習用データに基づいて、画像と制御の診断結果との関係をモデル化した、ソフトウェア的に構築された学習モデル６を作成する（図２ステップＳ１０１）。

【0037】

学習モデル６の例としては、例えばＣＮＮ（Convolutional Neural Network）がある。学習部５は、時系列データから作成された画像を学習モデル６の説明変数とし、制御の診断結果を学習モデル６の目的変数として、説明変数（画像）と目的変数（ラベル）の集合である学習用データに基づいて、適切な目的変数が得られるようにＣＮＮの学習を行う。こうして、機械学習の手法によって室内温度制御の学習モデル６を作成することができる。

【0038】

学習用データ作成部４と学習部５とは、空調機制御に含まれる複数種類の制御のうち、パラメータ記憶部１にパラメータが登録されている制御毎にステップＳ１００，Ｓ１０１の処理を実施する。本実施例では、学習用データ作成部４と学習部５とは、室内温度制御の学習モデル６を作成した後に、例えば給気温度制御の学習モデル６と、室内湿度制御の学習モデル６とを作成する。

【0039】

給気温度制御の学習モデル６を作成する場合、学習用データ作成部４は、パラメータ記憶部１に登録された給気温度制御に関連するパラメータの時系列データをデータ記憶部３から取得して、取得した時系列データに基づいて画像を作成し（ステップＳ２００～Ｓ２０２）、この画像に対して、時系列データの終了時刻での給気温度制御が正常か否かを示すラベルを付与すればよい（ステップＳ２０３）。

【0040】

給気温度制御の場合、給気温度と給気温度設定値との差が規定範囲内というルールを予め設定しておけばよい。学習用データ作成部４は、時系列データの終了時刻での給気温度と給気温度設定値との差が規定範囲内の場合、作成した画像に「正常」を示すラベルを付与し、給気温度と給気温度設定値との差が規定範囲外の場合、作成した画像に「異常」を示すラベルを付与する。

【0041】

室内湿度制御の学習モデル６を作成する場合、学習用データ作成部４は、パラメータ記憶部１に登録された室内湿度制御に関連するパラメータの時系列データをデータ記憶部３から取得して、取得した時系列データに基づいて画像を作成し（ステップＳ２００～Ｓ２０２）、この画像に対して、時系列データの終了時刻での室内湿度制御が正常か否かを示すラベルを付与すればよい（ステップＳ２０３）。

【0042】

室内湿度制御の場合、室内湿度と室内湿度設定値との差が規定範囲内というルールを予め設定しておけばよい。学習用データ作成部４は、時系列データの終了時刻での室内湿度と室内湿度設定値との差が規定範囲内の場合、作成した画像に「正常」を示すラベルを付与し、室内湿度と室内湿度設定値との差が規定範囲外の場合、作成した画像に「異常」を示すラベルを付与する。

【0043】

上記と同様に、給気温度制御が正常か否か、室内湿度制御が正常か否かをユーザが診断して、診断結果を学習用データ作成部４に入力してもよい。

【0044】

学習部５は、室内温度制御の場合と同様に、給気温度制御の学習用データに基づいて給気温度制御の学習モデル６を作成し、室内湿度制御の学習用データに基づいて室内湿度制御の学習モデル６を作成する（ステップＳ１０１）。

【0045】

図８は本実施例の診断システムの制御診断時の動作を説明するフローチャートである。診断システムの診断用データ作成部７は、診断用データを作成する（図８ステップＳ３００）。図９は診断用データ作成部７の動作を説明するフローチャートである。

【0046】

まず、診断用データ作成部７は、パラメータ記憶部１に登録された室内温度制御に関連するパラメータの時系列データのうち、診断対象の日時の時系列データを一定の時間範囲（本実施例では３０分）毎にデータ記憶部３から取得する（図９ステップＳ４００）。このステップＳ４００の処理は、取得対象の日時が異なる点以外は、学習用データ作成部４のステップＳ２００の処理と同じである。

【0047】

続いて、診断用データ作成部７は、学習用データ作成部４のステップＳ２０１の処理と同様に、ステップＳ４００で取得した時系列データをパラメータ毎および時刻毎に正規化する（図９ステップＳ４０１）。

【0048】

次に、診断用データ作成部７は、学習用データ作成部４のステップＳ２０２の処理と同様に、ステップＳ４０１で正規化した時系列データの集合を画像化する（図９ステップＳ４０２）。こうして、診断用データとなる画像を作成することができる。

【0049】

診断用データ作成部７は、診断対象の日時の時系列データについて、一定の時間範囲（本実施例では３０分）毎にステップＳ４００～Ｓ４０２の処理を実施する。診断対象の日時の全ての時間範囲について診断用データの作成が終了した時点で（図９ステップＳ４０３においてＹＥＳ）、診断用データ作成部７の処理が終了する。

【0050】

診断システムの診断部８は、診断用データ作成部７が作成した診断用データ（画像）を室内温度制御の学習モデル６に入力して、室内温度制御の診断結果（正常／異常）を学習モデル６から得る（図８ステップＳ３０１）。

【0051】

診断システムの診断結果分析部９は、学習モデル６に入力された診断用データにおいて、診断部８による診断に影響した部分を特定する（図８ステップＳ３０２）。特定する方法としては、Ｇｒａｄ－ＣＡＭ（Gradient-weighted Class Activation Mapping）がある。Ｇｒａｄ－ＣＡＭは、ＣＮＮの畳み込み層から出力された特徴量に基づいて、診断用データ（画像）において診断の根拠となった画素を重要度に応じて強調した画像（ヒートマップ）を出力する方法である。

【0052】

Ｇｒａｄ－ＣＡＭについては、例えば文献「Ramprasaath R. Selvaraju，Michael Cogswell，Abhishek Das，Ramakrishna Vedantam，Devi Parikh，Dhruv Batra，“Grad-CAM: Visual Explanations from Deep Networks via Gradient-based Localization”，米国コーネル大学ライブラリー，arXiv:1610.02391，2019，インターネット＜https://arxiv.org/abs/1610.02391＞」に開示されている。

【0053】

診断結果分析部９によって得られた結果の１例を図１０に示す。図１０に示すヒートマップは、診断用データ（画像）と同様に、パラメータの種別を水平座標とし時刻を垂直座標とする画像上の対応する座標位置に、パラメータの時刻毎のデータを画素として配置し、画素の色を、診断に影響を与えた重要度に応じた色としたものである。図１０の例では、５００（外気温度）、５０１（外気湿度）、５０２（外気ダンパ開度）、５０３（冷水弁開度）、５０４（冷水往温度）、５０５（室内湿度）、５０６（室内湿度と室内湿度設定値との差分）、５０７（室内温度と室内温度設定値との差分）、５０８（給気温度）の各パラメータが左から順に並んでおり、白く描画されている部分が、診断により強く影響した箇所を示している。例えば概ね８時４５分以降の室内湿度、室内湿度と室内湿度設定値との差分、室内温度と室内温度設定値との差分、給気温度などのパラメータが診断に強く影響していることが視覚的に表現されている。

【0054】

図１０の例は、診断結果分析部９によって得られた結果を画像で示しているが、診断に強く影響した箇所を抽出して時系列データとしてグラフに描画すると図１１のようになる。図１１の例では、重要度の値が１．０に近いほど診断への影響が強く、重要度が高いことを示している。図１１の１１０は室内湿度と室内湿度設定値との差分の重要度、１１１は給気温度の重要度を示している。図１１は、８時４６分前後の、室内湿度と室内湿度設定値との差分と、給気温度とが、室内温度制御の診断に強く影響していることを示している。したがって、室内温度制御の異常の原因は、室内湿度と給気温度であると推測できる。

【0055】

診断結果分析部９は、診断対象の時間範囲の中に室内温度制御の異常を示す診断結果があった場合（図８ステップＳ３０３においてＹＥＳ）、異常を示す診断結果があった時間範囲についてのステップＳ３０２の特定結果に基づいて、同時間範囲中に診断に影響を与えたパラメータと、このパラメータが最も強く影響を与えた時刻とを特定する（図８ステップＳ３０４）。

【0056】

診断結果分析部９は、異常を示す診断結果があった時間範囲中に、診断に影響を与えた強さを示す重要度が所定の閾値以上となったパラメータを、診断に影響を与えたパラメータと特定し、このパラメータの重要度が最高となった時刻を、パラメータが最も強く影響を与えた時刻とすればよい。図１１の例では、重要度の閾値を例えば０．９とすればよい。

【0057】

そして、診断結果分析部９は、室内温度制御の異常を示す診断結果があった時間範囲のうち、ステップＳ３０４で特定したパラメータが診断に最も強く影響を与えた時刻について、このパラメータの制御の診断用データを作成するよう診断用データ作成部７に対して指示する（図８ステップＳ３０５）。図１１の例では、８時４６分の室内湿度制御の診断用データと８時４６分の給気温度制御の診断用データの作成が指示される。

【0058】

診断用データ作成部７は、診断結果分析部９からの指示に従って診断用データを作成する（図８ステップＳ３０６）。このときの処理の流れはステップＳ３００と同様なので、図９を用いて診断用データ作成部７の動作を説明する。

【0059】

診断用データ作成部７は、診断結果分析部９から診断用データの作成が指示された制御に関連するパラメータの時系列データのうち、診断用データの作成が指示された時刻のデータをデータ記憶部３から取得する（図９ステップＳ４００）。

【0060】

図９のステップＳ４０１，Ｓ４０２の処理は上記のとおりである。診断用データ作成部７は、指示された時刻について診断用データを作成し終えた時点で処理を終了する。こうして、８時４６分の室内湿度制御の診断用データと８時４６分の給気温度制御の診断用データが作成される。

【0061】

診断部８は、診断用データ作成部７が作成した室内湿度制御の診断用データを室内湿度制御の学習モデル６に入力して、室内湿度制御の診断結果を学習モデル６から得る（図８ステップＳ３０７）。また、診断部８は、診断用データ作成部７が作成した給気温度制御の診断用データを給気温度制御の学習モデル６に入力して、給気温度制御の診断結果を学習モデル６から得る（ステップＳ３０７）。

【0062】

診断結果分析部９は、室内湿度制御の学習モデル６に入力された診断用データにおいて、診断部８による室内湿度制御の診断に影響した部分を特定し（図８ステップＳ３０８）、この特定結果に基づいて、室内湿度制御の診断に影響を与えたパラメータと、このパラメータが最も強く影響を与えた時刻とを特定する（図８ステップＳ３０９）。

【0063】

また、診断結果分析部９は、給気温度制御の学習モデル６に入力された診断用データにおいて、診断部８による給気温度制御の診断に影響した部分を特定し（ステップＳ３０８）、この特定結果に基づいて、給気温度制御の診断に影響を与えたパラメータと、このパラメータが最も強く影響を与えた時刻とを特定する（ステップＳ３０９）。

【0064】

診断結果分析部９は、制御の異常を示す診断結果があったかどうかを判定する（ステップＳ３０３）。ここでは、室内湿度制御と給気温度制御に異常がなかったという診断結果が得られたとする。

【0065】

結果出力部１１は、制御の異常を示す診断結果がなかった場合（ステップＳ３０３においてＮＯ） 、診断部８による制御の診断結果と診断結果分析部９による特定結果とを出力する（図８ステップＳ３１０）。出力方法としては、診断結果と特定結果の表示、あるいは診断結果と特定結果の外部への送信などがある。

【0066】

結果出力部１１は、診断部８による制御の診断結果と、診断対象の時間範囲と、制御の診断に影響を与えたと診断結果分析部９が判断したパラメータと、このパラメータが最も強く影響を与えた時刻とをユーザに対して表示する。

【0067】

例えば上記の例では、結果出力部１１は、８時２７分から８時５６分までの３０分間の室内温度制御が異常という診断結果を表示し、室内温度制御の診断に影響を与えたパラメータが室内湿度と給気温度で、これらパラメータが最も強く影響を与えた時刻が８時４６分という診断結果分析部９による特定結果を表示する。さらに、結果出力部１１は、８時４６分の室内湿度制御と給気温度制御が正常という診断結果を表示し、室内湿度制御と給気温度制御の診断に影響を与えたパラメータと、このパラメータが最も強く影響を与えた時刻とを表示する。

【0068】

表示された情報を見たユーザは、給気温度制御と室内湿度制御には問題はなかったが、８時４６分の時点で給気温度と室内湿度が室内温度制御に影響を与えたという特定結果が得られたので、８時４６分の時点で、給気温度と室内湿度に対して何かしらの外乱があったと推測することができる。

【0069】

以上のように、本実施例では、学習モデルを用いて制御が正常に動作しているか否かを自動診断することができ、かつ診断に影響を与えたパラメータを推定することにより、制御の異常を示す診断結果が得られたときに異常の原因となったパラメータを推定することができる。

【0070】

上記の例では、室内湿度制御と給気温度制御に異常がなかったという診断結果が得られたが、制御の異常を示す診断結果が得られた場合には（ステップＳ３０３においてＮＯ）、この診断に影響を与えたパラメータを異常の直接の原因とみなし、このパラメータが診断に最も強く影響を与えた時刻（重要度が最高となった時刻）についてステップＳ３０４～Ｓ３０９の処理を実施するようにすればよい。

【0071】

こうして、直前の診断に影響を与えたパラメータを特定し、特定したパラメータの制御について診断して、パラメータの制御に異常がなかったという診断結果が得られるまで、ステップＳ３０４～Ｓ３０９の処理を繰り返すようにすればよい。ただし、このような診断を繰り返すためには、直前の診断に影響を与えたパラメータの制御について、予め学習モデル６が作成されていることが前提となることは言うまでもない。学習モデル６が用意されていない場合には、ステップＳ３０３において判定ＮＯとなる。

【0072】

なお、本実施例では、空調機制御を例に挙げて説明しているが、他の設備機器の制御に本発明を適用してもよい。

【0073】

本実施例で説明した診断システムは、ＣＰＵ（Central Processing Unit）、記憶装置及びインタフェースを備えたコンピュータと、これらのハードウェア資源を制御するプログラムによって実現することができる。このコンピュータの構成例を図１２に示す。

【0074】

コンピュータは、ＣＰＵ２００と、記憶装置２０１と、インタフェース装置（以下、Ｉ／Ｆと略する）２０２とを備えている。Ｉ／Ｆ２０２には、例えば空調機のコントローラや、パラメータのデータを計測するセンサ等が接続される。このようなコンピュータにおいて、本発明の診断方法を実現させるためのプログラムは記憶装置２０１に格納される。ＣＰＵ２００は、記憶装置２０１に格納されたプログラムに従って本実施例で説明した処理を実行する。

【産業上の利用可能性】

【0075】

本発明は、制御の診断技術に適用することができる。

【符号の説明】

【0076】

１…パラメータ記憶部、２…データ取得部、３…データ記憶部、４…学習用データ作成部、５…学習部、６…学習モデル、７…診断用データ作成部、８…診断部、９…診断結果分析部、１０…結果出力部。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】