特開 2024-134871 異常診断装置、異常診断方法及びプログラム

(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】P2024134871

(43)【公開日】2024-10-04

(54)【発明の名称】異常診断装置、異常診断方法及びプログラム

(51)【国際特許分類】

   G05B 23/02 20060101AFI20240927BHJP

【ＦＩ】

G05B23/02 302Z

【審査請求】未請求

【請求項の数】9

【出願形態】ＯＬ

(21)【出願番号】P 2023045296

(22)【出願日】2023-03-22

(71)【出願人】

【識別番号】000005234

【氏名又は名称】富士電機株式会社

(74)【代理人】

【識別番号】100107766

【弁理士】

【氏名又は名称】伊東 忠重

(74)【代理人】

【識別番号】100070150

【弁理士】

【氏名又は名称】伊東 忠彦

(72)【発明者】

【氏名】村上 賢哉

(72)【発明者】

【氏名】アダモ サンタナ

(72)【発明者】

【氏名】長田 悠人

【テーマコード（参考）】

3C223

【Ｆターム（参考）】

3C223AA01

3C223AA11

3C223BA01

3C223CC01

3C223EB01

3C223FF22

3C223FF24

3C223FF35

3C223GG01

3C223HH02

(57)【要約】

【課題】精度の良い異常診断を実現する技術を提供すること。
【解決手段】本開示の一態様による異常診断装置は、与えられた訓練用データを構成する複数の変数の相関に基づいて、前記複数の変数を１つ以上の第１の変数グループにグループ化する第１のグループ化部と、前記複数の変数のうち、前記１つ以上の第１の変数グループのいずれにもグループ化されなかった１つ以上の変数を第２の変数グループとしてグループ化する第２のグループ化部と、前記第１の変数グループ毎に、前記第１の変数グループとしてグループ化された変数を入力とする第１の異常診断モデルを作成する第１のモデル作成部と、前記第２の変数グループとしてグループ化された変数を入力とする第２の異常診断モデルを作成する第２のモデル作成部と、診断対象から取得された診断用データと、前記第１の異常診断モデルと、前記第２の異常診断モデルとを用いて、前記診断対象の異常診断を行う異常診断部と、を有する。
【選択図】図３

【特許請求の範囲】

【請求項1】

与えられた訓練用データを構成する複数の変数の相関に基づいて、前記複数の変数を１つ以上の第１の変数グループにグループ化する第１のグループ化部と、
前記複数の変数のうち、前記１つ以上の第１の変数グループのいずれにもグループ化されなかった１つ以上の変数を第２の変数グループとしてグループ化する第２のグループ化部と、
前記第１の変数グループ毎に、前記第１の変数グループとしてグループ化された変数を入力とする第１の異常診断モデルを作成する第１のモデル作成部と、
前記第２の変数グループとしてグループ化された変数を入力とする第２の異常診断モデルを作成する第２のモデル作成部と、
診断対象から取得された診断用データと、前記第１の異常診断モデルと、前記第２の異常診断モデルとを用いて、前記診断対象の異常診断を行う異常診断部と、
を有する異常診断装置。

【請求項2】

前記第１のグループ化部は、
前記複数の変数の線形相関に基づいて、前記複数の変数を前記１つ以上の第１の変数グループにグループ化する、請求項１に記載の異常診断装置。

【請求項3】

前記第１のグループ化部は、
前記複数の変数の線形相関に基づいて、前記複数の変数を前記１つ以上の第１の変数グループにグループ化し、
更に、前記複数の変数の非線形相関に基づいて、前記複数の変数を１つ以上の第３の変数グループにグループ化し、
前記第２のグループ化部は、
前記複数の変数のうち、前記１つ以上の第１の変数グループ及び前記１つ以上の第３の変数グループのいずれにもグループ化されなかった１つ以上の変数を前記第２の変数グループとしてグループ化し、
前記第１のモデル作成部は、
前記第３の変数グループ毎に、前記第３の変数グループとしてグループ化された変数を入力とする第３の異常診断モデルを作成し、
前記異常診断部は、
前記診断用データと、前記第１の異常診断モデルと、前記第２の異常診断モデルと、前記第３の異常診断モデルとを用いて、前記診断対象の異常診断を行う、請求項２に記載の異常診断装置。

【請求項4】

前記第１のモデル作成部は、
前記第１の異常診断モデルとして線形な異常診断モデル、前記第３の異常診断モデルとして非線形な異常診断モデルをそれぞれ作成し、
前記第２のモデル作成部は、
前記第２の異常診断モデルとして非線形な異常診断モデルを作成する、請求項３に記載の異常診断装置。

【請求項5】

前記異常診断部は、
前記第１の異常診断モデルによる異常診断結果と、前記第２の異常診断モデルによる異常診断結果と、前記第３の異常診断モデルによる異常診断結果とを統合した結果を、最終的な異常診断結果とする、請求項３又は４に記載の異常診断装置。

【請求項6】

前記異常診断部は、
前記第１の異常診断モデルによる異常診断結果と、前記第２の異常診断モデルによる異常診断結果と、前記第３の異常診断モデルによる異常診断結果との平均値、最大値又は最小値を、前記最終的な異常診断結果とする、請求項５に記載の異常診断装置。

【請求項7】

前記異常診断部は、
前記第１の異常診断モデルによる異常診断結果と、前記第２の異常診断モデルによる異常診断結果と、前記第３の異常診断モデルによる異常診断結果との論理和又は論理積を、前記最終的な異常診断結果とする、請求項５に記載の異常診断装置。

【請求項8】

与えられた訓練用データを構成する複数の変数の相関に基づいて、前記複数の変数を１つ以上の第１の変数グループにグループ化する第１のグループ化手順と、
前記複数の変数のうち、前記１つ以上の第１の変数グループのいずれにもグループ化されなかった１つ以上の変数を第２の変数グループとしてグループ化する第２のグループ化手順と、
前記第１の変数グループ毎に、前記第１の変数グループとしてグループ化された変数を入力とする第１の異常診断モデルを作成する第１のモデル作成手順と、
前記第２の変数グループとしてグループ化された変数を入力とする第２の異常診断モデルを作成する第２のモデル作成手順と、
診断対象から取得された診断用データと、前記第１の異常診断モデルと、前記第２の異常診断モデルとを用いて、前記診断対象の異常診断を行う異常診断手順と、
をコンピュータが実行する異常診断方法。

【請求項9】

与えられた訓練用データを構成する複数の変数の相関に基づいて、前記複数の変数を１つ以上の第１の変数グループにグループ化する第１のグループ化手順と、
前記複数の変数のうち、前記１つ以上の第１の変数グループのいずれにもグループ化されなかった１つ以上の変数を第２の変数グループとしてグループ化する第２のグループ化手順と、
前記第１の変数グループ毎に、前記第１の変数グループとしてグループ化された変数を入力とする第１の異常診断モデルを作成する第１のモデル作成手順と、
前記第２の変数グループとしてグループ化された変数を入力とする第２の異常診断モデルを作成する第２のモデル作成手順と、
診断対象から取得された診断用データと、前記第１の異常診断モデルと、前記第２の異常診断モデルとを用いて、前記診断対象の異常診断を行う異常診断手順と、
をコンピュータに実行させるプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、異常診断装置、異常診断方法及びプログラムに関する。

【背景技術】

【0002】

多変量解析を利用した異常診断技術が従来から知られている。例えば、非特許文献１には、相関関係に基づいて操業条件（変数）を複数のグループに分割した上で、グループ毎に、多変量統計的プロセス管理（ＭＳＰＣ：Multivariate Statistical Process Control）の手法によって正常状態をモデル化する手法が記載されている。

【先行技術文献】

【非特許文献】

【0003】

【非特許文献1】茂森 弘靖，「データサイエンスによる鉄鋼製品の品質管理の革新」，データサイエンスアワード2015 応募資料

【発明の概要】

【発明が解決しようとする課題】

【0004】

しかしながら、他の変数との間で相関がないためにグループ化されなかった変数が存在する場合、従来手法では、異常診断の精度が低下することがある。

【0005】

本開示は、上記の点に鑑みてなされたもので、精度の良い異常診断を実現する技術を提供する。

【課題を解決するための手段】

【0006】

本開示の一態様による異常診断装置は、与えられた訓練用データを構成する複数の変数の相関に基づいて、前記複数の変数を１つ以上の第１の変数グループにグループ化する第１のグループ化部と、前記複数の変数のうち、前記１つ以上の第１の変数グループのいずれにもグループ化されなかった１つ以上の変数を第２の変数グループとしてグループ化する第２のグループ化部と、前記第１の変数グループ毎に、前記第１の変数グループとしてグループ化された変数を入力とする第１の異常診断モデルを作成する第１のモデル作成部と、前記第２の変数グループとしてグループ化された変数を入力とする第２の異常診断モデルを作成する第２のモデル作成部と、診断対象から取得された診断用データと、前記第１の異常診断モデルと、前記第２の異常診断モデルとを用いて、前記診断対象の異常診断を行う異常診断部と、を有する。

【発明の効果】

【0007】

精度の良い異常診断を実現する技術が提供される。

【図面の簡単な説明】

【0008】

【図1】第一の実施形態に係る異常診断装置のハードウェア構成の一例を示す図である。

【図2】第一の実施形態に係る異常診断装置の機能構成の一例を示す図である。

【図3】第一の実施形態に係るモデル作成処理の一例を示すフローチャートである。

【図4】第一の実施形態に係る異常診断処理の一例を示すフローチャートである。

【図5】第二の実施形態に係る異常診断装置の機能構成の一例を示す図である。

【図6】第二の実施形態に係るモデル作成処理の一例を示すフローチャートである。

【図7】第二の実施形態に係る異常診断処理の一例を示すフローチャートである。

【発明を実施するための形態】

【0009】

以下、本発明の第一及び第二の実施形態について説明する。以下の各実施形態では、各種プラント（例えば、石油化学プラント、発電プラント、鉄鋼プラント、食品プラント等）や各種設備、機器、装置等を対象として、その対象の異常診断を実現する異常診断装置１０について説明する。なお、以下では、異常診断の対象となる各種プラントや各種設備、機器、装置等のことを「診断対象」とも呼ぶ。

【0010】

ここで、以下の各実施形態に係る異常診断装置１０は、正常状態における診断対象の運転データの集合（以下、訓練用データセットともいう。）から複数の異常診断モデルを作成する「モデル作成処理」と、診断対象の現在の運転データ（以下、診断用データともいう。）と各異常診断モデルから診断対象の異常診断を行う「異常診断処理」とを実行する。一般に、モデル作成処理はオフライン、異常診断処理はオンラインで実行されるが、これに限られるものではなく、例えば、モデル作成処理は、オンライン中に異常診断処理のバックグラウンドで実行されてもよい。

【0011】

なお、診断対象には各種センサが設置されており、これらのセンサによって当該診断対象の状態を表す物理量が計測され、運転データはそれらの物理量の計測値で構成される。運転データを構成する各計測値が表す物理量又はその物理量の計測値が格納される変数は「プロセス変数」又は「状態変数」とも呼ばれる。以下では、運転データを構成する計測値が表す物理量又はその物理量の計測値が格納される変数を「状態変数」と呼ぶことにする。状態変数としては様々なものが挙げられるが、例えば、温度、圧力、流量等が挙げられる。

【0012】

以下、運転データを構成する変数の数をＮとして各変数をｘ_ｎ（１≦ｎ≦Ｎ）と表し、運転データを縦ベクトルで表現してｘ＝（ｘ_１，・・・，ｘ_Ｎ）^Τと表す。運転データｘが得られた時刻ｔを明示する場合は、ｘ（ｔ）＝（ｘ_１（ｔ），・・・，ｘ_Ｎ（ｔ））^Τと表す。ここで、Τは転置を表す記号である。

【0013】

また、以下、訓練用データセットをＤ＝｛ｘ^（ｉ）｜ｉ＝１，・・・，｜Ｄ｜｝と表し、各運転データｘ^（ｉ）を訓練用データとも呼ぶ。ここで、ｘ^（ｉ）はｉ番目の訓練用データを表す。

【0014】

［第一の実施形態］
以下、第一の実施形態について説明する。第一の実施形態では、訓練用データｘ^（ｉ）を構成する変数ｘ_１，・・・，ｘ_Ｎを線形相関に基づいてグループ化した上で、グループ化されなかった変数も１つのグループとしてグループ化し、グループ毎に異常診断モデルを作成する場合について説明する。

【0015】

＜異常診断装置１０のハードウェア構成例＞
第一の実施形態に係る異常診断装置１０のハードウェア構成例を図１に示す。図１に示すように、第一の実施形態に係る異常診断装置１０は、入力装置１０１と、表示装置１０２と、外部Ｉ／Ｆ１０３と、通信Ｉ／Ｆ１０４と、ＲＡＭ（Random Access Memory）１０５と、ＲＯＭ（Read Only Memory）１０６と、補助記憶装置１０７と、プロセッサ１０８とを有する。これらの各ハードウェアは、それぞれがバス１０９を介して通信可能に接続される。

【0016】

入力装置１０１は、例えば、キーボード、マウス、タッチパネル、物理ボタン等である。表示装置１０２は、例えば、ディスプレイ、表示パネル等である。なお、異常診断装置１０は、例えば、入力装置１０１及び表示装置１０２のうちの少なくとも一方を有していなくてもよい。

【0017】

外部Ｉ／Ｆ１０３は、記録媒体１０３ａ等の外部装置とのインタフェースである。記録媒体１０３ａとしては、例えば、ＣＤ（Compact Disc）、ＤＶＤ（Digital Versatile Disk）、ＳＤメモリカード（Secure Digital memory card）、ＵＳＢ（Universal Serial Bus）メモリカード等が挙げられる。

【0018】

通信Ｉ／Ｆ１０４は、異常診断装置１０を通信ネットワークに接続するためのインタフェースである。ＲＡＭ１０５は、プログラムやデータを一時保持する揮発性の半導体メモリ（記憶装置）である。ＲＯＭ１０６は、電源を切ってもプログラムやデータを保持することができる不揮発性の半導体メモリ（記憶装置）である。補助記憶装置１０７は、例えば、ＨＤＤ（Hard Disk Drive）やＳＳＤ（Solid State Drive）等の不揮発性の記憶装置であり、プログラムやデータが格納される。プロセッサ１０８は、例えば、ＣＰＵ（Central Processing Unit）やＧＰＵ（Graphics Processing Unit）等の各種演算装置である。

【0019】

なお、図１に示すハードウェア構成は一例であって、異常診断装置１０のハードウェア構成はこれに限られるものではない。例えば、異常診断装置１０は、複数の補助記憶装置１０７や複数のプロセッサ１０８を有していてもよいし、図示したハードウェアの一部を有していなくてもよいし、図示したハードウェア以外の種々のハードウェアを有していてもよい。

【0020】

＜異常診断装置１０の機能構成例＞
第一の実施形態に係る異常診断装置１０の機能構成例を図２に示す。図２に示すように、第一の実施形態に係る異常診断装置１０は、データ取得部２０１と、変数グループ作成部２０２と、モデル作成部２０３と、異常診断部２０４と、統合部２０５とを有する。これら各部は、例えば、異常診断装置１０にインストールされた１以上のプログラムが、プロセッサ１０８等に実行させる処理により実現される。また、第一の実施形態に係る異常診断装置１０は、モデル記憶部２０６を有する。モデル記憶部２０６は、例えば、補助記憶装置１０７等により実現される。

【0021】

データ取得部２０１は、モデル作成処理の実行時に与えられた訓練用データセットＤを取得する。また、データ取得部２０１は、異常診断処理の実行時に与えられた診断用データｘを取得する。

【0022】

変数グループ作成部２０２は、訓練用データセットＤに含まれる各訓練用データｘ^（ｉ）を構成する変数ｘ_１，・・・，ｘ_Ｎを線形相関に基づいてグループ化し、１以上の変数グループを作成する。すなわち、変数グループ作成部２０２は、変数ｘ_１，・・・，ｘ_Ｎのうち、線形相関を持つ変数同士を１つのグループとしてグループ化し、１以上の変数グループを作成する。以下、これら１以上の変数グループをｇ_１ ^Ｌ，・・・，ｇ_Ｍ ^Ｌとする。ここで、Ｍは線形相関に基づいて変数ｘ_１，・・・，ｘ_Ｎをグループ化したときのグループ数である。なお、１つの変数ｘ_ｎが異なる２以上の変数グループに属していてもよい。

【0023】

線形相関を持つ変数同士を１つのグループとしてグループ化する手法は特定の手法に限定されないが、例えば、相関係数を用いることができる。相関係数を用いる場合、任意の２つの変数同士の相関係数を求めた上で、相関係数が或る所定の閾値以上の変数同士を同一のグループとしてグループ化すればよい。ただし、相関係数を用いることは一例であって、これに限られるものではなく、２以上の変数間の線形相関を求めることができる手法であれば任意の手法を用いることができる。

【0024】

また、変数グループ作成部２０２は、線形相関に基づいてグループ化されなかった変数を１つのグループとしてグループ化した変数グループを作成する。すなわち、変数グループ作成部２０２は、変数ｘ_１，・・・，ｘ_Ｎのうち、変数グループｇ_１ ^Ｌ，・・・，ｇ_Ｍ ^Ｌのいずれにも属しない１以上の変数を１つの変数グループとしてグループ化する。以下、この変数グループをｇ^Ｃとする。

【0025】

モデル作成部２０３は、変数グループｇ_１ ^Ｌ，・・・，ｇ_Ｍ ^Ｌ毎に、当該変数グループを構成する複数の変数を入力として取る線形な異常診断モデルを作成する。すなわち、モデル作成部２０３は、変数グループｇ_１ ^Ｌ，・・・，ｇ_Ｍ ^Ｌ毎に、訓練用データセットＤに含まれる各訓練用データｘ^（ｉ）を構成する変数ｘ_１，・・・，ｘ_Ｎの値のうち、当該変数グループを構成する複数の変数の値を用いて、線形な異常診断モデルを作成する。以下、これらＭ個の異常診断モデルをＭＬ_１ ^Ｌ，・・・，ＭＬ_Ｍ ^Ｌとする。

【0026】

線形な異常診断モデルＭＬ_１ ^Ｌ，・・・，ＭＬ_Ｍ ^Ｌを作成する手法は特定の手法に限定されないが、例えば、多変量統計的プロセス管理（ＭＳＰＣ）の手法によって異常診断モデルを作成することができる（参考文献１）。ただし、多変量統計的プロセス管理の手法によって異常診断モデルを作成することは一例であって、これに限られるものではなく、教師なし手法によって線形な異常診断モデルを作成することができる手法であれば任意の手法を用いることができる。

【0027】

また、モデル作成部２０３は、変数グループｇ^Ｃを構成する１以上の変数を入力として取る非線形な異常診断モデルを作成する。すなわち、モデル作成部２０３は、訓練用データセットＤに含まれる各訓練用データｘ^（ｉ）を構成する変数ｘ_１，・・・，ｘ_Ｎの値のうち、変数グループｇ^Ｃを構成する１以上の変数の値を用いて、非線形な異常診断モデルを作成する。以下、この異常診断モデルをＭＬ^Ｃとする。

【0028】

非線形な異常診断モデルＭＬ^Ｃを作成する手法は特定の手法に限定されないが、例えば、局所外れ値因子法（ＬＯＦ：Local Outlier Factor）によって異常診断モデルを作成することができる。ただし、局所外れ値因子法によって異常診断モデルを作成することは一例であって、これに限られるものではなく、教師なし手法によって非線形な異常診断モデルを作成することができる手法であれば任意の手法を用いることができる。例えば、Ｏｎｅ Ｃｌａｓｓ ＳＶＭ、分離フォレスト（isolation Forest）、ＩＮＮＥ（isolation using Nearest Neighbour Ensemble）、マハラノビス距離に基づく異常検知手法等といった手法を用いることも可能である。

【0029】

モデル作成部２０３によって作成された異常診断モデルＭＬ_１ ^Ｌ，・・・，ＭＬ_Ｍ ^Ｌ，ＭＬ^Ｃは、それぞれ変数グループｇ_１ ^Ｌ，・・・，ｇ_Ｍ ^Ｌ，ｇ^Ｃと対応付けてモデル記憶部２０６に保存される。

【0030】

異常診断部２０４は、診断用データｘと、モデル記憶部２０６に記憶されている各異常診断モデルＭＬ_１ ^Ｌ，・・・，ＭＬ_Ｍ ^Ｌ，ＭＬ^Ｃの各々とを用いて、診断対象の異常診断を行う。すなわち、異常診断部２０４は、診断用データｘを構成する変数ｘ_１，・・・，ｘ_Ｎの値のうち、変数グループｇ_ｍ ^Ｌを構成する複数の変数の値と、当該変数グループｇ_ｍ ^Ｌに対応する異常診断モデルＭＬ_ｍ ^Ｌとを用いて、異常診断結果Ｒ_ｍ ^Ｌを得る。同様に、異常診断部２０４は、診断用データｘを構成する変数ｘ_１，・・・，ｘ_Ｎの値のうち、変数グループｇ^Ｃを構成する１以上の変数の値と、当該変数グループｇ^Ｃに対応する異常診断モデルＭＬ^Ｃとを用いて、異常診断結果Ｒ^Ｃを得る。

【0031】

なお、異常診断結果Ｒ_１ ^Ｌ，・・・，Ｒ_Ｍ ^Ｌ，Ｒ^Ｃは、異常度合い（又は、異常でない度合い）を表す連続値を取る異常指標値であってもよいし、異常有無を表す二値（例えば、０又は１）を取る異常ラベルであってもよい。

【0032】

統合部２０５は、異常診断結果Ｒ_１ ^Ｌ，・・・，Ｒ_Ｍ ^Ｌ，Ｒ^Ｃを統合した最終的な異常診断結果Ｒを算出する。異常診断結果Ｒ_１ ^Ｌ，・・・，Ｒ_Ｍ ^Ｌ，Ｒ^Ｃの統合方法としては様々なものが考えられるが、例えば、異常診断結果Ｒ_１ ^Ｌ，・・・，Ｒ_Ｍ ^Ｌ，Ｒ^Ｃが異常指標値であるか、異常ラベルであるかに応じて、以下の（１）又は（２）のいずれかの統合方法が考えられる。以下では、簡単のため、異常ラベルは０又は１のいずれかを取り、０のときは正常、１のときは異常を表すものとする。なお、各異常診断モデルＭＬ_１ ^Ｌ，・・・，ＭＬ_Ｍ ^Ｌ，ＭＬ^Ｃに対して閾値が設定されている場合、異常診断結果Ｒ_１ ^Ｌ，・・・，Ｒ_Ｍ ^Ｌ，Ｒ^Ｃとして異常ラベルが得られる。

【0033】

（１）異常診断結果Ｒ_１ ^Ｌ，・・・，Ｒ_Ｍ ^Ｌ，Ｒ^Ｃが異常指標値である場合
まず、統合部２０５は、必要に応じて各異常診断結果Ｒ_１ ^Ｌ，・・・，Ｒ_Ｍ ^Ｌ，Ｒ^Ｃをその値が大きいほど異常度が高くなるように変換した後、０以上１以下の値となるように正規化する。そして、統合部２０５は、正規化後の異常診断結果Ｒ_１ ^Ｌ，・・・，Ｒ_Ｍ ^Ｌ，Ｒ^Ｃの平均値又は最大値を最終的な異常診断結果Ｒとする。この場合、異常診断結果Ｒが予め決められた閾値を超えているときは異常、そうでないときは正常と診断される。

【0034】

なお、例えば、各異常診断結果Ｒ_１ ^Ｌ，・・・，Ｒ_Ｍ ^Ｌ，Ｒ^Ｃをその値が小さいほど異常度が高くなるように変換することも可能であり、この場合、正規化後の異常診断結果Ｒ_１ ^Ｌ，・・・，Ｒ_Ｍ ^Ｌ，Ｒ^Ｃの平均値又は最小値を最終的な異常診断結果Ｒとする。また、この場合、異常診断結果Ｒが予め決められた閾値を超えていないときは異常、そうでないときは正常と診断される。

【0035】

（２）異常診断結果Ｒ_１ ^Ｌ，・・・，Ｒ_Ｍ ^Ｌ，Ｒ^Ｃが異常ラベルである場合
統合部２０５は、異常診断結果Ｒ_１ ^Ｌ，・・・，Ｒ_Ｍ ^Ｌ，Ｒ^Ｃの論理和（ＯＲ）、論理積（ＡＮＤ）、又は多数決により最終的な異常診断結果Ｒを算出する。なお、多数決とは、例えば、異常診断結果Ｒ_１ ^Ｌ，・・・，Ｒ_Ｍ ^Ｌ，Ｒ^Ｃのうち、異常ラベルが１である異常診断結果の方が多ければＲ＝１、そうでなければＲ＝０とすることである。

【0036】

ただし、上記の（１）又は（２）の統合方法は一例であって、これに限られるものではなく、異常診断結果Ｒ_１ ^Ｌ，・・・，Ｒ_Ｍ ^Ｌ，Ｒ^Ｃから最終的な異常診断結果Ｒを算出する方法であれば任意の方法を用いることができる。

【0037】

モデル記憶部２０６は、モデル作成部２０３によって作成された異常診断モデルＭＬ_１ ^Ｌ，・・・，ＭＬ_Ｍ ^Ｌ，ＭＬ^Ｃを記憶する。

【0038】

＜処理の詳細＞
以下、図２に示す異常診断装置１０の各部が実行する処理の詳細として、モデル作成処理の詳細と異常診断処理の詳細について説明する。

【0039】

≪モデル作成処理の詳細≫
以下、第一の実施形態に係るモデル作成処理の詳細について、図３を参照しながら説明する。なお、以下では、訓練用データセットＤが異常診断装置１０に与えられたものとする。

【0040】

まず、データ取得部２０１は、与えられた訓練用データセットＤを取得する（ステップＳ１０１）。

【0041】

次に、変数グループ作成部２０２は、訓練用データセットＤに含まれる各訓練用データｘ^（ｉ）を構成する変数ｘ_１，・・・，ｘ_Ｎを線形相関に基づいてグループ化し、変数グループｇ_１ ^Ｌ，・・・，ｇ_Ｍ ^Ｌを作成する（ステップＳ１０２）。

【0042】

次に、変数グループ作成部２０２は、上記のステップＳ１０２でグループ化されなかった変数を１つのグループとしてグループ化した変数グループｇ^Ｃを作成する（ステップＳ１０３）。すなわち、変数グループ作成部２０２は、変数ｘ_１，・・・，ｘ_Ｎのうち、いずれの変数グループｇ_１ ^Ｌ，・・・，ｇ_Ｍ ^Ｌにも属しない変数を１つの変数グループｇ^Ｃとしてグループ化する。

【0043】

なお、上記のステップＳ１０２ですべての変数ｘ_１，・・・，ｘ_Ｎがグループ化された場合、上記のステップＳ１０３は実行されない。以下では、上記のステップＳ１０３が実行され、変数グループｇ^Ｃが作成された場合について説明する。

【0044】

次に、モデル作成部２０３は、訓練用データセットＤを用いて、変数グループｇ_１ ^Ｌ，・・・，ｇ_Ｍ ^Ｌ毎に、当該変数グループを構成する複数の変数を入力として取る線形な異常診断モデルＭＬ_１ ^Ｌ，・・・，ＭＬ_Ｍ ^Ｌを作成する（ステップＳ１０４）。すなわち、モデル作成部２０３は、ｍ＝１，・・・，Ｍの各々に対して、訓練用データセットＤに含まれる各訓練用データｘ^（ｉ）を構成する変数ｘ_１，・・・，ｘ_Ｎの値のうち、変数グループｇ_ｍ ^Ｌを構成する複数の変数の値を用いて、線形な異常診断モデルＭＬ_ｍ ^Ｌを作成する。

【0045】

次に、モデル作成部２０３は、訓練用データセットＤを用いて、変数グループｇ^Ｃに対応する非線形な異常診断モデルＭＬ^Ｃを作成する（ステップＳ１０５）。すなわち、モデル作成部２０３は、訓練用データセットＤに含まれる各訓練用データｘ^（ｉ）を構成する変数ｘ_１，・・・，ｘ_Ｎの値のうち、変数グループｇ^Ｃを構成する１以上の変数の値を用いて、非線形な異常診断モデルＭＬ^Ｃを作成する。

【0046】

そして、モデル作成部２０３は、上記のステップＳ１０４～ステップＳ１０５で作成した異常診断モデルＭＬ_１ ^Ｌ，・・・，ＭＬ_Ｍ ^Ｌ，ＭＬ^Ｃをそれぞれ変数グループｇ_１ ^Ｌ，・・・，ｇ_Ｍ ^Ｌ，ｇ^Ｃと対応付けてモデル記憶部２０６に保存する（ステップＳ１０６）。すなわち、モデル作成部２０３は、ｍ＝１，・・・，Ｍの各々に対して異常診断モデルＭＬ_ｍ ^Ｌを変数グループｇ_ｍ ^Ｌと対応付けてモデル記憶部２０６に保存すると共に、異常診断モデルＭＬ^Ｃを変数グループｇ^Ｃと対応付けてモデル記憶部２０６に保存する。

【0047】

≪異常診断処理≫
以下、第一の実施形態に係る異常診断処理の詳細について、図４を参照しながら説明する。なお、以下では、診断用データｘが異常診断装置１０に与えられたものとする。

【0048】

まず、データ取得部２０１は、与えられた診断用データｘを取得する（ステップＳ２０１）。

【0049】

次に、異常診断部２０４は、上記のステップＳ２０１で取得された診断用データｘと、モデル記憶部２０６に記憶されている各異常診断モデルＭＬ_１ ^Ｌ，・・・，ＭＬ_Ｍ ^Ｌ，ＭＬ^Ｃの各々とを用いて、診断対象の異常診断を行って異常診断結果Ｒ_１ ^Ｌ，・・・，Ｒ_Ｍ ^Ｌ，Ｒ^Ｃを得る（ステップＳ２０２）。すなわち、異常診断部２０４は、ｍ＝１，・・・，Ｍの各々に対して、診断用データｘを構成する変数ｘ_１，・・・，ｘ_Ｎの値のうち、変数グループｇ_ｍ ^Ｌを構成する複数の変数の値と、当該変数グループｇ_ｍ ^Ｌに対応付けてモデル記憶部２０６に保存されている異常診断モデルＭＬ_ｍ ^Ｌとを用いて、異常診断結果Ｒ_ｍ ^Ｌを得る。同様に、異常診断部２０４は、診断用データｘを構成する変数ｘ_１，・・・，ｘ_Ｎの値のうち、変数グループｇ^Ｃを構成する１以上の変数の値と、当該変数グループｇ^Ｃに対応付けてモデル記憶部２０６に保存されている異常診断モデルＭＬ^Ｃとを用いて、異常診断結果Ｒ^Ｃを得る。

【0050】

なお、異常診断モデルＭＬ_ｍ ^Ｌ（ｍ＝１，・・・，Ｍ）が多変量統計的プロセス管理の手法によって作成されたものであり、異常診断結果Ｒ_ｍ ^Ｌとして異常指標値を得る場合、異常診断結果Ｒ_ｍ ^Ｌとしては、例えば、Ｑ統計量を算出すればよい。ただし、例えば、Ｑ統計量の代わりにＴ^２統計量を算出してもよい。一方で、異常診断結果Ｒ_ｍ ^Ｌとして異常ラベルを得る場合、Ｑ統計量が予め決められた閾値を超えているときは１、そうでないときは０を異常ラベルとして算出すればよい。ただし、例えば、Ｔ^２統計量が予め決められた閾値を超えているか否かにより異常ラベルを算出してもよいし、Ｑ統計量とＴ^２統計量の両方がいずれも予め決められた閾値を超えているか否かにより異常ラベルを算出してもよい。

【0051】

次に、統合部２０５は、上記のステップＳ２０２で得られた異常診断結果Ｒ_１ ^Ｌ，・・・，Ｒ_Ｍ ^Ｌ，Ｒ^Ｃを統合した最終的な異常診断結果Ｒを算出する（ステップＳ２０３）。

【0052】

そして、統合部２０５は、上記のステップＳ２０２で得られた最終的な異常診断結果Ｒを予め決められた所定の出力先に出力する（ステップＳ２０４）。ここで、当該出力先としては、例えば、ディスプレイ等の表示装置１０２でもよいし、補助記憶装置１０７でもよいし、異常診断装置１０と通信ネットワークを介して接続された他の機器や装置等でもよい。なお、異常診断結果Ｒが異常指標値である場合、統合部２０５は、この異常診断結果Ｒと予め決められた閾値とを比較し、その比較結果を表す異常ラベルを当該出力先に出力してもよい。

【0053】

［第二の実施形態］
以下、第二の実施形態について説明する。第二の実施形態では、訓練用データｘ^（ｉ）を構成する変数ｘ_１，・・・，ｘ_Ｎを線形相関及び非線形相関の各々に基づいてグループ化した上で、グループ化されなかった変数も１つのグループとしてグループ化し、グループ毎に異常診断モデルを作成する場合について説明する。

【0054】

なお、第二の実施形態では、主に、第一の実施形態との相違点について説明し、第一の実施形態と同様の構成要素についてはその説明を省略する。

【0055】

＜異常診断装置１０の機能構成例＞
第二の実施形態に係る異常診断装置１０の機能構成例を図５に示す。図５に示すように、第二の実施形態に係る異常診断装置１０は、データ取得部２０１と、変数グループ作成部２０２Ａと、モデル作成部２０３Ａと、異常診断部２０４Ａと、統合部２０５Ａとを有する。これら各部は、例えば、異常診断装置１０にインストールされた１以上のプログラムが、プロセッサ１０８等に実行させる処理により実現される。また、第二の実施形態に係る異常診断装置１０は、モデル記憶部２０６を有する。モデル記憶部２０６は、例えば、補助記憶装置１０７等により実現される。

【0056】

変数グループ作成部２０２Ａは、第一の実施形態と同様に、変数グループｇ_１ ^Ｌ，・・・，ｇ_Ｍ ^Ｌを作成する。

【0057】

また、変数グループ作成部２０２Ａは、訓練用データセットＤに含まれる各訓練用データｘ^（ｉ）を構成する変数ｘ_１，・・・，ｘ_Ｎを非線形相関に基づいてグループ化し、１以上の変数グループｇ_１ ^ＮＬ，・・・，ｇ_Ｋ ^ＮＬを作成する。ここで、Ｋは非線形相関に基づいて変数ｘ_１，・・・，ｘ_Ｎをグループ化したときのグループ数である。なお、１つの変数ｘ_ｎが異なる２以上の変数グループに属していてもよい。

【0058】

非線形相関を持つ変数同士を１つのグループとしてグループ化する手法は特定の手法に限定されないが、例えば、ＭＩＣ（Maximal information coefficient）を用いることができる。ＭＩＣを用いる場合、任意の２つの変数同士のＭＩＣを求めた上で、ＭＩＣが或る所定の閾値以上の変数同士を同一のグループとしてグループ化すればよい。ただし、ＭＩＣを用いることは一例であって、これに限られるものではなく、２以上の変数間の非線形相関を求めることができる手法であれば任意の手法を用いることができる。

【0059】

更に、変数グループ作成部２０２Ａは、線形相関及び非線形相関のいずれに基づいてもグループ化されなかった変数を１つのグループとしてグループ化した変数グループを作成する。すなわち、変数グループ作成部２０２Ａは、変数ｘ_１，・・・，ｘ_Ｎのうち、変数グループｇ_１ ^Ｌ，・・・，ｇ_Ｍ ^Ｌ，ｇ_１ ^ＮＬ，・・・，ｇ_Ｋ ^ＮＬのいずれにも属しない１以上の変数を１つの変数グループｇ^Ｃとしてグループ化する。

【0060】

モデル作成部２０３Ａは、第一の実施形態と同様に、変数グループｇ_１ ^Ｌ，・・・，ｇ_Ｍ ^Ｌ毎に、線形な異常診断モデルＭＬ_１ ^Ｌ，・・・，ＭＬ_Ｍ ^Ｌを作成する。

【0061】

また、モデル作成部２０３Ａは、変数グループｇ_１ ^ＮＬ，・・・，ｇ_Ｋ ^ＮＬ毎に、訓練用データセットＤに含まれる各訓練用データｘ^（ｉ）を構成する変数ｘ_１，・・・，ｘ_Ｎの値のうち、当該変数グループを構成する複数の変数の値を用いて、非線形なＫ個の異常診断モデルＭＬ_１ ^ＮＬ，・・・，ＭＬ_Ｋ ^ＮＬを作成する。なお、非線形な異常診断モデルＭＬ_１ ^ＮＬ，・・・，ＭＬ_Ｋ ^ＮＬを作成する手法は特定の手法に限定されず、教師なし手法によって非線形な異常診断モデルを作成することができる手法であれば任意の手法を用いることができる。例えば、局所外れ値因子法、Ｏｎｅ Ｃｌａｓｓ ＳＶＭ、分離フォレスト、ＩＮＮＥ、マハラノビス距離に基づく異常検知手法等といった手法を用いることが可能である。また、例えば、或る異常診断モデルＭＬ_ｋ ^ＮＬと別の或る異常診断モデルＭＬ_ｋ' ^ＮＬが異なる手法によって作成されてもよい。

【0062】

更に、モデル作成部２０３Ａは、第一の実施形態と同様に、変数グループｇ^Ｃに対応する非線形な異常診断モデルＭＬ^Ｃを作成する。

【0063】

モデル作成部２０３Ａによって作成された異常診断モデルＭＬ_１ ^Ｌ，・・・，ＭＬ_Ｍ ^Ｌ，ＭＬ_１ ^ＮＬ，・・・，ＭＬ_Ｋ ^ＮＬ，ＭＬ^Ｃは、それぞれ変数グループｇ_１ ^Ｌ，・・・，ｇ_Ｍ ^Ｌ，ｇ_１ ^ＮＬ，・・・，ｇ_Ｋ ^ＮＬ，ｇ^Ｃと対応付けてモデル記憶部２０６に保存される。

【0064】

異常診断部２０４Ａは、診断用データｘと、モデル記憶部２０６に記憶されている各異常診断モデルＭＬ_１ ^Ｌ，・・・，ＭＬ_Ｍ ^Ｌ，ＭＬ_１ ^ＮＬ，・・・，ＭＬ_Ｋ ^ＮＬ，ＭＬ^Ｃの各々とを用いて、診断対象の異常診断を行う。すなわち、異常診断部２０４Ａは、第一の実施形態と同様に、異常診断結果Ｒ_ｍ ^Ｌ及びＲ^Ｃを得る。また、異常診断部２０４Ａは、診断用データｘを構成する変数ｘ_１，・・・，ｘ_Ｎの値のうち、変数グループｇ_ｋ ^ＮＬを構成する複数の変数の値と、当該変数グループｇ_ｋ ^ＮＬに対応する異常診断モデルＭＬ_ｋ ^ＮＬとを用いて、異常診断結果Ｒ_ｋ ^ＮＬを得る。

【0065】

統合部２０５Ａは、異常診断結果Ｒ_１ ^Ｌ，・・・，Ｒ_Ｍ ^Ｌ，Ｒ_１ ^ＮＬ，・・・，Ｒ_Ｋ ^ＮＬ，Ｒ^Ｃを統合した最終的な異常診断結果Ｒを算出する。異常診断結果Ｒ_１ ^Ｌ，・・・，Ｒ_Ｍ ^Ｌ，Ｒ_１ ^ＮＬ，・・・，Ｒ_Ｋ ^ＮＬ，Ｒ^Ｃの統合方法としては様々なものが考えられるが、例えば、第一の実施形態で説明した（１）及び（２）をそれぞれ拡張した以下の（１'）又は（２'）のいずれかの統合方法が考えられる。

【0066】

（１'）異常診断結果Ｒ_１ ^Ｌ，・・・，Ｒ_Ｍ ^Ｌ，Ｒ_１ ^ＮＬ，・・・，Ｒ_Ｋ ^ＮＬ，Ｒ^Ｃが異常指標値である場合
まず、統合部２０５Ａは、必要に応じて各異常診断結果Ｒ_１ ^Ｌ，・・・，Ｒ_Ｍ ^Ｌ，Ｒ_１ ^ＮＬ，・・・，Ｒ_Ｋ ^ＮＬ，Ｒ^Ｃをその値が大きいほど異常度が高くなるように変換した後、０以上１以下の値となるように正規化する。そして、統合部２０５Ａは、正規化後の異常診断結果Ｒ_１ ^Ｌ，・・・，Ｒ_Ｍ ^Ｌ，Ｒ_１ ^ＮＬ，・・・，Ｒ_Ｋ ^ＮＬ，Ｒ^Ｃの平均値又は最大値を最終的な異常診断結果Ｒとする。なお、第一の実施形態と同様に、例えば、各異常診断結果Ｒ_１ ^Ｌ，・・・，Ｒ_Ｍ ^Ｌ，Ｒ_１ ^ＮＬ，・・・，Ｒ_Ｋ ^ＮＬ，Ｒ^Ｃをその値が小さいほど異常度が高くなるように変換することも可能である。

【0067】

（２'）異常診断結果Ｒ_１ ^Ｌ，・・・，Ｒ_Ｍ ^Ｌ，Ｒ_１ ^ＮＬ，・・・，Ｒ_Ｋ ^ＮＬ，Ｒ^Ｃが異常ラベルである場合
統合部２０５Ａは、異常診断結果Ｒ_１ ^Ｌ，・・・，Ｒ_Ｍ ^Ｌ，Ｒ_１ ^ＮＬ，・・・，Ｒ_Ｋ ^ＮＬ，Ｒ^Ｃの論理和（ＯＲ）、論理積（ＡＮＤ）、又は多数決により最終的な異常診断結果Ｒを算出する。

【0068】

ただし、上記の（１'）又は（２'）の統合方法は一例であって、これに限られるものではなく、異常診断結果Ｒ_１ ^Ｌ，・・・，Ｒ_Ｍ ^Ｌ，Ｒ_１ ^ＮＬ，・・・，Ｒ_Ｋ ^ＮＬ，Ｒ^Ｃから最終的な異常診断結果Ｒを算出する方法であれば任意の方法を用いることができる。

【0069】

＜処理の詳細＞
以下、図５に示す異常診断装置１０の各部が実行する処理の詳細として、モデル作成処理の詳細と異常診断処理の詳細について説明する。

【0070】

≪モデル作成処理≫
以下、第二の実施形態に係るモデル作成処理の詳細について、図６を参照しながら説明する。なお、以下では、訓練用データセットＤが異常診断装置１０に与えられたものとする。

【0071】

まず、データ取得部２０１は、与えられた訓練用データセットＤを取得する（ステップＳ３０１）。

【0072】

次に、変数グループ作成部２０２Ａは、図３のステップＳ１０２と同様に、変数グループｇ_１ ^Ｌ，・・・，ｇ_Ｍ ^Ｌを作成する（ステップＳ３０２）。

【0073】

次に、変数グループ作成部２０２Ａは、訓練用データセットＤに含まれる各訓練用データｘ^（ｉ）を構成する変数ｘ_１，・・・，ｘ_Ｎを非線形相関に基づいてグループ化し、変数グループｇ_１ ^ＮＬ，・・・，ｇ_Ｋ ^ＮＬを作成する（ステップＳ３０３）。

【0074】

次に、変数グループ作成部２０２Ａは、上記のステップＳ３０２～ステップＳ３０３でグループ化されなかった変数を１つのグループとしてグループ化した変数グループｇ^Ｃを作成する（ステップＳ３０４）。すなわち、変数グループ作成部２０２Ａは、変数ｘ_１，・・・，ｘ_Ｎのうち、いずれの変数グループｇ_１ ^Ｌ，・・・，ｇ_Ｍ ^Ｌ，ｇ_１ ^ＮＬ，・・・，ｇ_Ｋ ^ＮＬにも属しない変数を１つの変数グループｇ^Ｃとしてグループ化する。

【0075】

なお、上記のステップＳ３０２～ステップＳ３０３ですべての変数ｘ_１，・・・，ｘ_Ｎがグループ化された場合、上記のステップＳ３０４は実行されない。以下では、上記のステップＳ３０４が実行され、変数グループｇ^Ｃが作成された場合について説明する。

【0076】

次に、モデル作成部２０３Ａは、図３のステップＳ１０４と同様に、線形な異常診断モデルＭＬ_１ ^Ｌ，・・・，ＭＬ_Ｍ ^Ｌを作成する（ステップＳ３０５）。

【0077】

次に、モデル作成部２０３Ａは、訓練用データセットＤを用いて、変数グループｇ_１ ^ＮＬ，・・・，ｇ_Ｋ ^ＮＬ毎に、当該変数グループを構成する複数の変数を入力として取る非線形な異常診断モデルＭＬ_１ ^ＮＬ，・・・，ＭＬ_Ｋ ^ＮＬを作成する（ステップＳ３０６）。すなわち、モデル作成部２０３Ａは、ｋ＝１，・・・，Ｋの各々に対して、訓練用データセットＤに含まれる各訓練用データｘ^（ｉ）を構成する変数ｘ_１，・・・，ｘ_Ｎの値のうち、変数グループｇ_ｋ ^ＮＬを構成する複数の変数の値を用いて、非線形な異常診断モデルＭＬ_ｋ ^ＮＬを作成する。

【0078】

次に、モデル作成部２０３Ａは、図３のステップＳ１０５と同様に、非線形な異常診断モデルＭＬ^Ｃを作成する（ステップＳ３０７）。

【0079】

そして、モデル作成部２０３Ａは、上記のステップＳ３０５～ステップＳ３０７で作成した異常診断モデルＭＬ_１ ^Ｌ，・・・，ＭＬ_Ｍ ^Ｌ，ＭＬ_１ ^ＮＬ，・・・，ＭＬ_Ｋ ^ＮＬ，ＭＬ^Ｃをそれぞれ変数グループｇ_１ ^Ｌ，・・・，ｇ_Ｍ ^Ｌ，ｇ_１ ^ＮＬ，・・・，ｇ_Ｋ ^ＮＬ，ｇ^Ｃと対応付けてモデル記憶部２０６に保存する（ステップＳ３０８）。すなわち、モデル作成部２０３Ａは、ｍ＝１，・・・，Ｍの各々に対して異常診断モデルＭＬ_ｍ ^Ｌを変数グループｇ_ｍ ^Ｌと対応付けてモデル記憶部２０６に保存すると共に、ｋ＝１，・・・，Ｋの各々に対して異常診断モデルＭＬ_ｋ ^ＮＬを変数グループｇ_ｋ ^ＮＬと対応付けてモデル記憶部２０６に保存し、更に異常診断モデルＭＬ^Ｃを変数グループｇ^Ｃと対応付けてモデル記憶部２０６に保存する。

【0080】

≪異常診断処理≫
以下、第二の実施形態に係る異常診断処理の詳細について、図７を参照しながら説明する。なお、以下では、診断用データｘが異常診断装置１０に与えられたものとする。

【0081】

まず、データ取得部２０１は、与えられた診断用データｘを取得する（ステップＳ４０１）。

【0082】

次に、異常診断部２０４Ａは、上記のステップＳ４０１で取得された診断用データｘと、モデル記憶部２０６に記憶されている各異常診断モデルＭＬ_１ ^Ｌ，・・・，ＭＬ_Ｍ ^Ｌ，ＭＬ_１ ^ＮＬ，・・・，ＭＬ_Ｋ ^ＮＬ，ＭＬ^Ｃの各々とを用いて、診断対象の異常診断を行って異常診断結果Ｒ_１ ^Ｌ，・・・，Ｒ_Ｍ ^Ｌ，Ｒ_１ ^ＮＬ，・・・，Ｒ_Ｋ ^ＮＬ，Ｒ^Ｃを得る（ステップＳ４０２）。すなわち、異常診断部２０４Ａは、図４のステップＳ２０２と同様に異常診断結果Ｒ_ｍ ^Ｌ及びＲ^Ｃを得ると共に、ｋ＝１，・・・，Ｋの各々に対して、診断用データｘを構成する変数ｘ_１，・・・，ｘ_Ｎの値のうち、変数グループｇ_ｋ ^ＮＬを構成する複数の変数の値と、当該変数グループｇ_ｋ ^ＮＬに対応付けてモデル記憶部２０６に保存されている異常診断モデルＭＬ_ｋ ^ＮＬとを用いて、異常診断結果Ｒ_ｋ ^ＮＬを得る。

【0083】

次に、統合部２０５Ａは、上記のステップＳ４０２で得られた異常診断結果Ｒ_１ ^Ｌ，・・・，Ｒ_Ｍ ^Ｌ，Ｒ_１ ^ＮＬ，・・・，Ｒ_Ｋ ^ＮＬ，Ｒ^Ｃを統合した最終的な異常診断結果Ｒを算出する（ステップＳ４０３）。

【0084】

そして、統合部２０５Ａは、図４のステップＳ２０４と同様に、上記のステップＳ４０３で得られた最終的な異常診断結果Ｒを予め決められた所定の出力先に出力する（ステップＳ４０４）。

【0085】

＜変形例＞
・変形例１
上記の各実施形態では、異常診断モデルＭＬ^Ｃを非線形な異常診断モデルとしたが、例えば、異常診断モデルＭＬ^Ｃは、多変量統計的プロセス管理の手法によって作成した線形な異常診断モデルであってもよい。ただし、この場合、異常診断部２０４（又は、異常診断部２０４Ａ）が異常診断モデルＭＬ^Ｃを用いて異常診断を行う際には、Ｔ^２統計量（又はＱ統計量とＴ^２統計量の両方）を用いる。これは、Ｑ統計量は線形相関からのずれを表しているのに対して、Ｔ^２統計量は線形相関の大きさを表しているためである。

【0086】

同様に、上記の第二の実施形態における異常診断モデルＭＬ_１ ^ＮＬ，・・・，ＭＬ_Ｋ ^ＮＬの全部又は一部についても、例えば、多変量統計的プロセス管理の手法によって作成した線形な異常診断モデルであってもよい。ただし、この場合も、異常診断部２０４Ａが異常診断モデルＭＬ_ｋ ^ＮＬを用いて異常診断を行う際には、Ｔ^２統計量（又はＱ統計量とＴ^２統計量の両方）を用いる。

【0087】

・変形例２
上記の第一の実施形態では、変数ｘ_１，・・・，ｘ_Ｎを線形相関に基づいてグループ化したが、例えば、線形相関・非線形相関に限られない任意の相関に基づいて、変数ｘ_１，・・・，ｘ_Ｎをグループ化してもよい。

【0088】

＜評価＞
以下、第一の実施形態に係る異常診断装置１０の評価について説明する。以下の表１に示す１０個のデータセット（Ｄ０１～Ｄ１０）を用いて、第一の実施形態に係る異常診断装置１０と、既存手法とを比較した。

【0089】

【表1】

ここで、上記の表１のＤｉｍｅｎｓｉｏｎｓはデータセット（Ｄ０１～Ｄ１０）のデータ数を行、変数を列とした場合の次元数を表している。例えば、Ｄ０１のデータセットの訓練用データセット（Ｔｒａｉｎ ｓｅｔ ＯＫ ｄａｔａ）は２１３６９６個の訓練用データで構成されており、各訓練用データは２９個の変数（ｘ_１，・・・，ｘ_２９）で構成されている。同様に、例えば、Ｄ０１のデータセットのテストデータセットは、９１５８４個の正常データ（Ｔｅｓｔ ｓｅｔ ＯＫ ｄａｔａ）と、１３２４２３個の異常データ（Ｔｅｓｔ ｓｅｔ ＮＧ ｄａｔａ）とで構成されている。他のデータセットについても同様である。

【0090】

このとき、訓練用データセットで異常診断モデルを作成し、テストデータセットを用いて異常診断結果を評価した。また、評価指標としてはＦ１スコアを用いた。以下の表２にその評価結果を示す。

【0091】

【表2】

ここで、上記の表２のＰｒｏｐｏｓｅｄ ａｐｐｒｏａｃｈが第一の実施形態に係る異常診断装置１０を評価した結果である。一方、ＭＳＰＣ、ＬＯＦ、ＯＣＳＶＭ、ＩＦ、ＩＮＮＥはそれぞれ既存手法を評価した結果である。なお、ＯＣＳＶＭはＯｎｅ Ｃｌａｓｓ ＳＶＭ、ＩＦは分離フォレストを表す。

【0092】

上記の表２中で最もＦ１スコアが高かった結果には網掛けを付与している。また、Ｆ１スコアの平均をランキングした結果も最下段に記載している。このように、第一の実施形態に係る異常診断装置１０は、既存手法と比較して、精度の良い異常診断を実現できていることがわかる。

【0093】

＜まとめ＞
以上のように、第一の実施形態に係る異常診断装置１０では、与えられた訓練用データｘ^（ｉ）（ｉ＝１，・・・，｜Ｄ｜）を構成する変数ｘ_１，・・・，ｘ_Ｎを線形相関に基づいてグループ化すると共に、グループ化されなかった変数も１つのグループとしてグループ化し、グループ毎に異常診断モデルを作成する。また、第二の実施形態に係る異常診断装置１０では、線形相関に基づくグループ化だけでなく、非線形相関に基づくグループ化も行って、グループ化されなかった変数も１つのグループとしてグループ化する。

【0094】

これにより、第一及び第二の実施形態に係る異常診断装置１０では、グループ化されなかった変数に起因する異常診断精度の低下を防止することが可能となり、精度の良い異常診断を実現することが可能となる。

【0095】

本発明は、具体的に開示された上記の実施形態に限定されるものではなく、特許請求の範囲の記載から逸脱することなく、種々の変形や変更、既知の技術との組み合わせ等が可能である。

【0096】

［参考文献］
参考文献１：加納 学，「多変量統計的プロセス管理」，インタネット＜ＵＲＬ：http://manabukano.brilliant-future.net/research/report/Report2005_MSPC.pdf＞

【符号の説明】

【0097】

１０ 異常診断装置
１０１ 入力装置
１０２ 表示装置
１０３ 外部Ｉ／Ｆ
１０３ａ 記録媒体
１０４ 通信Ｉ／Ｆ
１０５ ＲＡＭ
１０６ ＲＯＭ
１０７ 補助記憶装置
１０８ プロセッサ
１０９ バス
２０１ データ取得部
２０２ 変数グループ作成部
２０２Ａ 変数グループ作成部
２０３ モデル作成部
２０３Ａ モデル作成部
２０４ 異常診断部
２０４Ａ 異常診断部
２０５ 統合部
２０５Ａ 統合部
２０６ モデル記憶部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】