ホーム > 特許ランキング > ダイハツディーゼル株式会社
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】特許公報(B2)
(11)【特許番号】
(24)【登録日】2022-08-22
(45)【発行日】2022-08-30
(54)【発明の名称】要因分析装置および要因分析方法
(51)【国際特許分類】
G05B 23/02 20060101AFI20220823BHJP
【ＦＩ】
G05B23/02 302Y
【請求項の数】
3
(21)【出願番号】P 2020101653
(22)【出願日】2020-06-11
(65)【公開番号】P2021196747
(43)【公開日】2021-12-27
【審査請求日】2020-06-11
(73)【特許権者】
【識別番号】390033042
【氏名又は名称】ダイハツディーゼル株式会社
(74)【代理人】
【識別番号】100106518
【弁理士】
【氏名又は名称】松谷 道子
(74)【代理人】
【識別番号】100183232
【弁理士】
【氏名又は名称】山崎 敏行
(72)【発明者】
【氏名】谷本 寿人
【審査官】堀内 亮吾
(56)【参考文献】
【文献】特開２０１８－１１６５４５（ＪＰ，Ａ）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ０５Ｂ ２３／０２
(57)【特許請求の範囲】
【請求項1】
ｎ次元データ(ｎは２以上の整数)で表される特定の第１測定点の集合に基づいて、新たに入力されるｎ次元データで表される第２測定点の異常度を算出する算出部と、上記算出部により算出された上記第２測定点の異常度が所定のしきい値以上か否かを判定する判定部と、
ｎ次元空間において、上記判定部により上記異常度が上記所定のしきい値以上と判定された上記第２測定点のベクトルと、上記第１測定点の集合における上記第２測定点からｋ‐近傍の任意の第１測定点のベクトルとの差分ベクトルに基づいて、上記差分ベクトルの各要素のうち最も大きな値を示す要素を当該測定点の異常の要因とする分析部と
を備え、
上記特定の第１測定点の集合は、予め得られた正常なｎ次元データ群であり、
上記算出部は、上記第２測定点を標本ｐとし、上記第１測定点の集合における上記第２測定点からｋ‐近傍の第１測定点を標本０とするとき、以下の(式１)により算出されたＬＯＦｋ(p)を上記異常度とすることを特徴とする要因分析装置。
【数1】
│Ｎｋ(p)│ ： 標本ｐのｋ‐近傍の集合Ｎｋ(p)内の標本の数
ｌｒｄｋ(０) ： 標本０の局所到達可能性密度
ｌｒｄｋ(ｐ) ： 標本ｐの局所到達可能性密度
ｒｅａｃｈ‐ｄｉｓｔｋ(ｐ,０) ： 標本ｐの標本０からの到達可能性距離
ここで、標本０のｋ番目の近傍までの距離(ｋ‐近傍距離)をｋ‐ｄｉｓｔａｎｃｅ(０)、標本ｐと標本０との間の距離をｄ(ｐ,０)とするとき、ｒｅａｃｈ‐ｄｉｓｔｋ(ｐ,０)は、次式により算出され、
【数2】
【数3】
【数4】
【数5】
【請求項2】
請求項１に記載された要因分析装置において、予め特定のｎ次元データを学習データとして用いて学習することにより上記ｎ次元データで表される特定の第１測定点の集合を得る機械学習部を備えることを特徴とする要因分析装置。
【請求項3】
ｎ次元データ(ｎは２以上の整数)で表される特定の第１測定点の集合に基づいて、新たに入力されるｎ次元データで表される第２測定点の異常度を算出部により算出する第１ステップと、上記第１ステップで上記算出部により算出された上記第２測定点の異常度が所定のしきい値以上か否かを判定部により判定する第２ステップと、
ｎ次元空間において、上記第２ステップで上記判定部により上記異常度が上記所定のしきい値以上と判定された上記第２測定点のベクトルと、上記第１測定点の集合における上記第２測定点からｋ‐近傍の任意の第１測定点のベクトルとの差分ベクトルに基づいて、分析部により上記差分ベクトルの各要素のうち最も大きな値を示す要素を当該測定点の異常の要因とする第３ステップと
を有し、
上記特定の第１測定点の集合は、予め得られた正常なｎ次元データ群であり、
上記算出部は、上記第２測定点を標本ｐとし、上記第１測定点の集合における上記第２測定点からｋ‐近傍の第１測定点を標本０とするとき、以下の(式１)により算出されたＬＯＦｋ(p)を上記異常度とすることを特徴とする要因分析方法。
【数6】
│Ｎｋ(p)│ ： 標本ｐのｋ‐近傍の集合Ｎｋ(p)内の標本の数
ｌｒｄｋ(０) ： 標本０の局所到達可能性密度
ｌｒｄｋ(ｐ) ： 標本ｐの局所到達可能性密度
ｒｅａｃｈ‐ｄｉｓｔｋ(ｐ,０) ： 標本ｐの標本０からの到達可能性距離
ここで、標本０のｋ番目の近傍までの距離(ｋ‐近傍距離)をｋ‐ｄｉｓｔａｎｃｅ(０)、標本ｐと標本０との間の距離をｄ(ｐ,０)とするとき、ｒｅａｃｈ‐ｄｉｓｔｋ(ｐ,０)は、次式により算出され、
【数7】
【数8】
【数9】
【数10】
【発明の詳細な説明】
【技術分野】
【0001】
この発明は、要因分析装置および要因分析方法に関する。
【背景技術】
【0002】
従来、外れ値検出手法としてＬＯＦ(Local Outlier Factor)を用いたデータ識別部を備えた情報処理装置がある(例えば、特開２０１６－８５７０４号公報(特許文献１)参照)。
【0003】
上記情報処理装置では、データ識別部によって、学習データに基づき予め学習されたモデル等に基づき、識別対象データが異常値データであるか否かを判定する。
【先行技術文献】
【特許文献】
【0004】
【文献】特開２０１６－８５７０４号公報
【発明の概要】
【発明が解決しようとする課題】
【0005】
上記情報処理装置では、外れ値の度合いを数値として算出できるが、測定データのどの項目が要因で外れ値の度合いが上昇しているかを把握することができない。例えば、外れ値の度合いを異常度として異常検知を行うシステムでは、異常な状態であるかどうかは知ることはできても、測定データのどの項目が起因で異常を発生しているかは把握できない。
【0006】
そこで、この発明の課題は、異常を示した測定点とその測定点の異常の要因を特定できる要因分析装置および要因分析方法を提供することにある。
【課題を解決するための手段】
【0007】
この発明の要因分析装置は、
ｎ次元データ(ｎは２以上の整数)で表される特定の第１測定点の集合に基づいて、新たに入力されるｎ次元データで表される第２測定点の異常度を算出する算出部と、
上記算出部により算出された上記第２測定点の異常度が所定のしきい値以上か否かを判定する判定部と、
ｎ次元空間において、上記判定部により上記異常度が上記所定のしきい値以上と判定された上記第２測定点のベクトルと、上記第１測定点の集合における上記第２測定点からｋ‐近傍の第１測定点のベクトルとの差分ベクトルに基づいて、上記差分ベクトルの各要素のうち最も大きな値を示す要素を当該測定点の異常の要因とする分析部と
を備え、
上記算出部は、上記第２測定点を標本ｐとし、上記第１測定点の集合における上記第２測定点からｋ‐近傍の第１測定点を標本０とするとき、以下の(式１)により算出されたＬＯＦｋ(p)を上記異常度とすることを特徴とする。
ただし、ｋ ： ２以上の整数
│Ｎｋ(p)│ ： 標本ｐのｋ‐近傍の集合Ｎｋ(p)内の標本の数
ｌｒｄｋ(０) ： 標本０の局所到達可能性密度
ｌｒｄｋ(ｐ) ： 標本ｐの局所到達可能性密度
ｒｅａｃｈ‐ｄｉｓｔｋ(ｐ,０) ： 標本ｐの標本０からの到達可能性距離
ここで、標本０のｋ番目の近傍までの距離(ｋ‐近傍距離)をｋ‐ｄｉｓｔａｎｃｅ(０)、標本ｐと標本０との間の距離をｄ(ｐ,０)とするとき、ｒｅａｃｈ‐ｄｉｓｔｋ(ｐ,０)は、次式により算出され、
次式により標本ｐの全ての標本０からの到達可能性距離を算出してｌｒｄｋ(ｐ)を得ると共に、
標本０’∈Ｎｋ(p)＼{０}について、ｒｅａｃｈ‐ｄｉｓｔｋ(０,０’)を次式により算出し、
さらに、次式により標本０の全ての標本０’からの到達可能性距離を算出してｌｒｄｋ(０)を得る。
ｎ次元データ(ｎは２以上の整数)で表される特定の第１測定点の集合に基づいて、新たに入力されるｎ次元データで表される第２測定点の異常度を算出する算出部と、
上記算出部により算出された上記第２測定点の異常度が所定のしきい値以上か否かを判定する判定部と、
ｎ次元空間において、上記判定部により上記異常度が上記所定のしきい値以上と判定された上記第２測定点のベクトルと、上記第１測定点の集合における上記第２測定点からｋ‐近傍の第１測定点のベクトルとの差分ベクトルに基づいて、上記差分ベクトルの各要素のうち最も大きな値を示す要素を当該測定点の異常の要因とする分析部と
を備え、
上記算出部は、上記第２測定点を標本ｐとし、上記第１測定点の集合における上記第２測定点からｋ‐近傍の第１測定点を標本０とするとき、以下の(式１)により算出されたＬＯＦｋ(p)を上記異常度とすることを特徴とする。
【数1】
│Ｎｋ(p)│ ： 標本ｐのｋ‐近傍の集合Ｎｋ(p)内の標本の数
ｌｒｄｋ(０) ： 標本０の局所到達可能性密度
ｌｒｄｋ(ｐ) ： 標本ｐの局所到達可能性密度
ｒｅａｃｈ‐ｄｉｓｔｋ(ｐ,０) ： 標本ｐの標本０からの到達可能性距離
ここで、標本０のｋ番目の近傍までの距離(ｋ‐近傍距離)をｋ‐ｄｉｓｔａｎｃｅ(０)、標本ｐと標本０との間の距離をｄ(ｐ,０)とするとき、ｒｅａｃｈ‐ｄｉｓｔｋ(ｐ,０)は、次式により算出され、
【数2】
【数3】
【数4】
【数5】
【0008】
上記構成によれば、例えば、機器の異常検知として適用した場合、通常のＬＯＦ(local outlier factor：局所外れ値因子法)で異常を検知し、上述の要因分析で異常を示した測定点を特定することができると共に、機器の異常箇所を特定でき、早期復旧に寄与することができる。
【0009】
また、一実施形態の要因分析装置では、
予め特定のｎ次元データを学習データとして用いて学習することにより上記ｎ次元データで表される特定の第１測定点の集合を得る機械学習部を備える。
予め特定のｎ次元データを学習データとして用いて学習することにより上記ｎ次元データで表される特定の第１測定点の集合を得る機械学習部を備える。
【0010】
上記実施形態によれば、予め特定のｎ次元データを学習データとして用いて機械学習部により学習するので、常に適切なｎ次元データで表される特定の第１測定点の集合を得ることができる。
【0011】
また、この発明の要因分析方法は、
ｎ次元データ(ｎは２以上の整数)で表される特定の第１測定点の集合に基づいて、新たに入力されるｎ次元データで表される第２測定点の異常度を算出部により算出する第１ステップと、
上記第１ステップで上記算出部により算出された上記第２測定点の異常度が所定のしきい値以上か否かを判定部により判定する第２ステップと、
ｎ次元空間において、上記第２ステップで上記判定部により上記異常度が上記所定のしきい値以上と判定された上記第２測定点のベクトルと、上記第１測定点の集合における上記第２測定点からｋ‐近傍の第１測定点のベクトルとの差分ベクトルに基づいて、分析部により上記差分ベクトルの各要素のうち最も大きな値を示す要素を当該測定点の異常の要因とする第３ステップと
を有し、
上記算出部は、上記第２測定点を標本ｐとし、上記第１測定点の集合における上記第２測定点からｋ‐近傍の第１測定点を標本０とするとき、以下の(式１)により算出されたＬＯＦｋ(p)を上記異常度とすることを特徴とする。
ただし、ｋ ： ２以上の整数
│Ｎｋ(p)│ ： 標本ｐのｋ‐近傍の集合Ｎｋ(p)内の標本の数
ｌｒｄｋ(０) ： 標本０の局所到達可能性密度
ｌｒｄｋ(ｐ) ： 標本ｐの局所到達可能性密度
ｒｅａｃｈ‐ｄｉｓｔｋ(ｐ,０) ： 標本ｐの標本０からの到達可能性距離
ここで、標本０のｋ番目の近傍までの距離(ｋ‐近傍距離)をｋ‐ｄｉｓｔａｎｃｅ(０)、標本ｐと標本０との間の距離をｄ(ｐ,０)とするとき、ｒｅａｃｈ‐ｄｉｓｔｋ(ｐ,０)は、次式により算出され、
次式により全ての標本ｐの標本０からの到達可能性距離を算出してｌｒｄｋ(ｐ)を得ると共に、
標本０’∈Ｎｋ(０)＼{０}について、ｒｅａｃｈ‐ｄｉｓｔｋ(０,０’)を次式により算出し、
さらに、次式により全ての標本０の標本０’からの到達可能性距離を算出してｌｒｄｋ(０)を得る。
ｎ次元データ(ｎは２以上の整数)で表される特定の第１測定点の集合に基づいて、新たに入力されるｎ次元データで表される第２測定点の異常度を算出部により算出する第１ステップと、
上記第１ステップで上記算出部により算出された上記第２測定点の異常度が所定のしきい値以上か否かを判定部により判定する第２ステップと、
ｎ次元空間において、上記第２ステップで上記判定部により上記異常度が上記所定のしきい値以上と判定された上記第２測定点のベクトルと、上記第１測定点の集合における上記第２測定点からｋ‐近傍の第１測定点のベクトルとの差分ベクトルに基づいて、分析部により上記差分ベクトルの各要素のうち最も大きな値を示す要素を当該測定点の異常の要因とする第３ステップと
を有し、
上記算出部は、上記第２測定点を標本ｐとし、上記第１測定点の集合における上記第２測定点からｋ‐近傍の第１測定点を標本０とするとき、以下の(式１)により算出されたＬＯＦｋ(p)を上記異常度とすることを特徴とする。
【数6】
│Ｎｋ(p)│ ： 標本ｐのｋ‐近傍の集合Ｎｋ(p)内の標本の数
ｌｒｄｋ(０) ： 標本０の局所到達可能性密度
ｌｒｄｋ(ｐ) ： 標本ｐの局所到達可能性密度
ｒｅａｃｈ‐ｄｉｓｔｋ(ｐ,０) ： 標本ｐの標本０からの到達可能性距離
ここで、標本０のｋ番目の近傍までの距離(ｋ‐近傍距離)をｋ‐ｄｉｓｔａｎｃｅ(０)、標本ｐと標本０との間の距離をｄ(ｐ,０)とするとき、ｒｅａｃｈ‐ｄｉｓｔｋ(ｐ,０)は、次式により算出され、
【数7】
【数8】
【数9】
【数10】
【0012】
上記構成によれば、例えば、機器の異常検知として適用した場合、通常のＬＯＦで異常を検知し、上述の要因分析で異常を示した測定点を特定することができると共に、機器の異常箇所を特定でき、早期復旧に寄与することができる。
【発明の効果】
【0013】
以上より明らかなように、この発明によれば、異常を示した測定点とその測定点の異常の要因を特定できる要因分析装置および要因分析方法を実現することができる。
【図面の簡単な説明】
【0014】
【図1】この発明の実施の一形態の要因分析装置の構成を示すブロック図である。
【図2】ｎ次元空間における正常運転時のｎ次元データ群(第１測定点の集合)と新たな第２測定点の運転データ(ｎ次元データ)としての標本ｐを説明する図である。
【図3】ｎ次元空間における標本ｐの標本０からの到達可能性距離を説明する図である。
【図4】ｎ次元空間における差分ベクトルを説明する図である。
【図5】上記要因分析装置の動作を説明するフローチャートである。
【発明を実施するための形態】
【0015】
以下、この発明の要因分析装置および要因分析方法を図示の実施の形態により詳細に説明する。なお、図面において、同一の参照番号は、同一部分または相当部分を表わすものである。
【0016】
図１は、この発明の実施の一形態の要因分析装置１０のブロック図である。要因分析装置１０は、一例として発電機用エンジンの異常時の要因を分析する。
【0017】
この要因分析装置１０は、図１に示すように、ｎ次元データで表される特定の第１測定点の集合を得る学習モデル部１０ａと、学習モデル部１０ａにより学習された特定の第１測定点の集合に基づいて、新たに入力されるｎ次元データの第２測定点の異常度を算出する異常度算出部１０ｂと、異常度算出部１０ｂにより算出された第２測定点の異常度を判定する異常度判定部１０ｃと、第２測定点の異常の要因とする要因分析部１０ｄとを有する。
【0018】
学習モデル部１０ａは機械学習部の一例であり、異常度算出部１０ｂは算出部の一例であり、異常度判定部１０ｃは判定部の一例であり、要因分析部１０ｄは分析部の一例である。
【0019】
＜異常度の算出＞
この要因分析装置１０では、非特許文献１(Markus M. Breunig, Hans-Peter Kriegel, Raymond T. Ng and Jorg Sander, "LOF: Identifying Density-Based Local Outliers," in Proc. ACM SIGMOD, 2000, pp. 93-104.)に示されたＬＯＦ(local outlier factor：局所外れ値因子法)により異常度を算出する。この実施の形態では、例として異常度を算出する近傍の標本の数ｋを３とする。
この要因分析装置１０では、非特許文献１(Markus M. Breunig, Hans-Peter Kriegel, Raymond T. Ng and Jorg Sander, "LOF: Identifying Density-Based Local Outliers," in Proc. ACM SIGMOD, 2000, pp. 93-104.)に示されたＬＯＦ(local outlier factor：局所外れ値因子法)により異常度を算出する。この実施の形態では、例として異常度を算出する近傍の標本の数ｋを３とする。
【0020】
図２は、ｎ次元空間における正常運転時のｎ次元データ群(第１測定点の集合)と、新たな第２測定点の運転データ(ｎ次元データ)である標本ｐとを説明する図である。
【0021】
図２に示す正常なｎ次元データ群は、要因分析装置１０の学習モデル部１０ａによって、予め正常運転時の運転データを学習データとして用いて学習することにより正常運転時のｎ次元データ群(学習モデル)が得られる。ここで、新たな第２測定点である標本ｐの運転データ(ｎ次元データ)が異常度算出部１０ｂに入力されると、異常度算出部１０ｂにおいて標本ｐのｋ-近傍の集合Ｎｋ(ｐ)が得られる。この集合Ｎｋ(ｐ)に標本０が属する(標本０∈Ｎｋ(ｐ))。
【0022】
ここで、標本ｐのｋ-近傍とは、正常運転時のｎ次元データ群(第１測定点の集合)のうち、標本ｐに最も近い１番目からｋ番目までの運転データ(ｎ次元データ)である。
【0023】
次に、図３に従ってｎ次元空間における標本ｐの標本０からの到達可能性距離について説明する。
【0024】
図３に示すように、集合Ｎｋ(ｐ)内の任意の標本０において、標本０のｋ番目の近傍までの距離(ｋ‐近傍距離)をｋ‐ｄｉｓｔａｎｃｅ(０)、標本ｐと標本０との間の距離をｄ(ｐ,０)とする。このとき、標本ｐの標本０からの到達可能性距離ｒｅａｃｈ‐ｄｉｓｔｋ(ｐ,０)は、
により算出される。
【数11】
【0025】
そこで、
により、標本ｐの全ての標本０からの到達可能性距離を算出して、標本ｐの局所到達可能性密度ｌｒｄｋ(ｐ)を得る。
【数12】
【0026】
さらに、標本０’∈Ｎｋ(p)＼{０}について、標本０の標本０’からの到達可能性距離ｒｅａｃｈ‐ｄｉｓｔｋ(０,０’)が、
により算出される。
【数13】
【0027】
次に、
により、標本０の全ての標本０’からの到達可能性距離を算出して、標本０の局所到達可能性密度ｌｒｄｋ(０)を得る。
【数14】
【0028】
そして、以下の(式１)により異常度ＬＯＦｋ(p)を算出する。
ただし、ｋ ： ２以上の整数(この実施の形態ではｋ＝３)
│Ｎｋ(p)│ ： 標本ｐのｋ‐近傍の集合Ｎｋ(p)内の標本の数
【数15】
│Ｎｋ(p)│ ： 標本ｐのｋ‐近傍の集合Ｎｋ(p)内の標本の数
【0029】
このように、異常度算出部１０ｂは、ｎ次元データで表される正常運転時の第１測定点の集合(正常運転時のｎ次元データ群)に基づいて、新たに入力される第２測定点の運転データ(ｎ次元データ)としての標本ｐの異常度ＬＯＦｋ(p)を算出する。
【0030】
上記標本ｐの異常度ＬＯＦｋ(p)が１に近い値であるとき、標本ｐはその近傍と同程度であって外れ値ではなく、異常度ＬＯＦｋ(p)＜１であるとき、標本ｐは密度が高い領域に位置する。そして、異常度ＬＯＦｋ(p)＞１であるとき、外れ値である。
【0031】
＜異常度の判定＞
異常度判定部１０ｃは、異常度算出部１０ｂにより算出された標本ｐの異常度ＬＯＦｋ(p)が所定のしきい値ａ以上か否かを判定する。ここで、しきい値ａは１以上の値であって、故障時のデータに基づいてしきい値を設定する(例えば１．５)。
異常度判定部１０ｃは、異常度算出部１０ｂにより算出された標本ｐの異常度ＬＯＦｋ(p)が所定のしきい値ａ以上か否かを判定する。ここで、しきい値ａは１以上の値であって、故障時のデータに基づいてしきい値を設定する(例えば１．５)。
【0032】
＜要因分析＞
次に、要因分析部１０ｄは、ｎ次元空間において、標本ｐの異常度ＬＯＦｋ(p)が所定のしきい値ａ以上と判定された標本ｐのベクトルと、正常運転時のｎ次元データ群(第１測定点の集合)において標本ｐからｋ‐近傍のうちの任意の第１測定点である標本０のベクトルとの差分ベクトル(図４に示す)に基づいて、当該差分ベクトルの各要素のうち最も大きな値を示す要素を標本ｐの異常の要因とする。
次に、要因分析部１０ｄは、ｎ次元空間において、標本ｐの異常度ＬＯＦｋ(p)が所定のしきい値ａ以上と判定された標本ｐのベクトルと、正常運転時のｎ次元データ群(第１測定点の集合)において標本ｐからｋ‐近傍のうちの任意の第１測定点である標本０のベクトルとの差分ベクトル(図４に示す)に基づいて、当該差分ベクトルの各要素のうち最も大きな値を示す要素を標本ｐの異常の要因とする。
【0033】
上記構成の要因分析装置１０によれば、例えば、ｎ種類の計測データのうち、入力される第２測定点の運転データのｍ番目(ｍはｎ以下の整数)に異常が起こった際には、差分ベクトルの要素のうちのｍ番目の成分に比較的大きな値が観測されることが期待される。
【0034】
また、ｎ種類の計測データのうち、複数種類の計測データに大きな値(つまりは外れ値)が観測された場合、差分ベクトルの方向に故障の原因特定に重要な情報が含まれる。例えば、差分ベクトルで、排ガス温度に該当する成分と、エンジンの冷却水温度に該当する成分とに大きな値が観測されたことがわかれば、インタークーラーの冷却効率が低下しているのが原因で排気温度が高くなっていることがわかる。
【0035】
なお、差分ベクトルの方向と不具合の内容を、予め機械学習やドメイン知識で対応付けするようにしてもよい。この場合、自動で計測点の異常からエンジンの故障箇所を特定する診断機能を実現することができる。
【0036】
図５は、上記要因分析装置１０の動作を説明するフローチャートである。
【0037】
まず、処理がスタートすると、ステップＳ１で第２測定点の運転データ(ｎ次元データ)の入力する。
【0038】
次に、ステップＳ２に進み、学習モデル部１０ａによって、予め学習により得られた正常運転時のｎ次元データ群(第１測定点の集合)を学習モデルとして用いて、第２測定点の運転データ(ｎ次元データ)の異常度を異常度算出部１０ｂにより算出する。
【0039】
次に、ステップＳ３に進み、異常度算出部１０ｂにより算出された異常度が所定のしきい値ａ以上か否かを異常度判定部１０ｃにより判定する。そして、上記異常度が所定のしきい値ａ以上のとき、ステップＳ４に進む一方、異常度が所定のしきい値ａ未満のとき、ステップＳ１に戻り、ステップＳ１～Ｓ３を繰り返す。
【0040】
ステップＳ４では、第２測定点の運転データ(ｎ次元データ)について要因分析部１０ｄにより異常の要因を分析する。
【0041】
次に、ステップＳ５に進み、分析結果を出力した後、ステップＳ１に戻り、ステップＳ１～Ｓ５を繰り返す。
【0042】
上記構成の要因分析装置１０および要因分析方法によれば、例えば、機器の異常検知として適用した場合、通常のＬＯＦ(local outlier factor：局所外れ値因子法)で異常を検知し、上述の要因分析で異常を示した測定点を特定することができると共に、機器の異常箇所を特定でき、早期復旧に寄与することができる。
【0043】
また、予め特定のｎ次元データを学習データとして用いて機械学習部により学習するので、常に適切なｎ次元データで表される特定の第１測定点の集合を得ることができる。
【0044】
上記実施の形態では、発電機用エンジンの異常時の要因を分析する要因分析装置１０について説明したが、他の構成の装置の異常時の要因を分析する要因分析装置にこの発明を適用してもよい。
【0045】
この発明の具体的な実施の形態について説明したが、この発明は上記実施の形態に限定されるものではなく、この発明の範囲内で種々変更して実施することができる。
【符号の説明】
【0046】
１０…要因分析装置
１０ａ…学習モデル部
１０ｂ…異常度算出部
１０ｃ…判定異常度判定部
１０ｄ…要因分析部
１０ａ…学習モデル部
１０ｂ…異常度算出部
１０ｃ…判定異常度判定部
１０ｄ…要因分析部
【図1】
【図2】
【図3】
【図4】
【図5】