特許 7392107 異常判定装置

(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】2023-11-27

(45)【発行日】2023-12-05

(54)【発明の名称】異常判定装置

(51)【国際特許分類】

   G05B 23/02 20060101AFI20231128BHJP

【ＦＩ】

G05B23/02 302V

G05B23/02 302S

【請求項の数】 3

(21)【出願番号】P 2022508299

(86)(22)【出願日】2021-03-11

(86)【国際出願番号】 JP2021009903

(87)【国際公開番号】W WO2021187334

(87)【国際公開日】2021-09-23

【審査請求日】2022-11-21

(31)【優先権主張番号】P 2020046633

(32)【優先日】2020-03-17

(33)【優先権主張国・地域又は機関】JP

(73)【特許権者】

【識別番号】390008235

【氏名又は名称】ファナック株式会社

(74)【代理人】

【識別番号】100099759

【弁理士】

【氏名又は名称】青木 篤

(74)【代理人】

【識別番号】100123582

【弁理士】

【氏名又は名称】三橋 真二

(74)【代理人】

【識別番号】100112357

【弁理士】

【氏名又は名称】廣瀬 繁樹

(74)【代理人】

【識別番号】100169856

【弁理士】

【氏名又は名称】尾山 栄啓

(72)【発明者】

【氏名】羽田 啓太

【審査官】牧 初

(56)【参考文献】

【文献】特開２０１９－１８５３９１（ＪＰ，Ａ）

【文献】特開２０１７－２１８９７５（ＪＰ，Ａ）

【文献】特開２０１３－０４１４４８（ＪＰ，Ａ）

【文献】国際公開第２０１９／２０７７１８（ＷＯ，Ａ１）

【文献】欧州特許出願公開第０３６２９１１８（ＥＰ，Ａ１）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０５Ｂ ２３／００－２３／０２

(57)【特許請求の範囲】

【請求項1】

機械の異常を判定する異常判定装置であって、
前記機械の状態に係るデータであって前記機械が正常に動作している際の正常データと、該正常データが取得されたときの前記機械の環境温度とを関連付けて記憶する正常データ記憶部と、
前記機械の状態に係るデータであって前記機械の診断を行う際の診断データと、該診断データが取得された時の前記機械の環境温度とを関連付けて記憶する診断データ記憶部と、
前記正常データ記憶部に記憶されている前記正常データについて前記環境温度毎に所定の特徴量を求め、求められた前記環境温度毎の前記特徴量から求めた統計量を前記環境温度毎の補正値として導出する補正値導出部と、
前記正常データ記憶部に前記正常データが含まれる少なくとも２つの環境温度についての前記補正値を用い、前記診断データが取得されたときの環境温度についての前記補正値を補間により求める補正値補間部と、
前記正常データの特徴量を、前記環境温度毎の前記補正値を用いて補正する正常データ補正部と、
前記補正された前記正常データの特徴量を正常時の学習データとして学習し学習モデルを構築する学習部と、
前記診断データの特徴量を、前記補正値補間部によって求められた前記補正値を用いて補正する診断データ補正部と、
当該補正された前記診断データの特徴量と前記学習モデルとの乖離度に基づいて前記診断データが正常であるか否を判定する機械異常判定部と、
前記機械から前記機械の状態に係るデータを取得する状態データ取得部と、
前記機械の前記環境温度を取得する環境温度取得部と、を備え、
前記補正値補間部は、前記環境温度と前記補正値との関係を表す関係式を求め、該関係式を用いて前記補間を実行し、
前記正常データ記憶部は、前記状態データ取得部により取得された前記機械の状態に係るデータを該データが取得されたときの前記環境温度と関連付けて記憶し、
前記補正値補間部は、前記機械の本稼働前に予め前記正常データ記憶部に記憶された前記正常データでは前記関係式の導出ができない場合、前記本稼働後に前記状態データ取得部により取得された前記データを追加データとして用いて前記補正値導出部により導出された補正値を用いて前記関係式の導出を行う、
異常判定装置。

【請求項2】

前記学習部は、前記機械の本稼働前に予め前記正常データ記憶部に記憶された前記正常データに基づいて得られた前記学習モデルを、前記機械の本稼働後に前記状態データ取得部により取得され前記正常データ補正部により補正された前記正常データを追加データとして用いて更新する、請求項１に記載の異常判定装置。

【請求項3】

前記機械は、電動機を有する機械であり、
前記機械の状態に係る前記データは、前記電動機のトルクコマンドの波形である、請求項１又は２に記載の異常判定装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、異常判定装置に関する。

【背景技術】

【0002】

工作機械等の産業機械の異常を判定する装置が知られている。例えば、特許文献１は、産業機械が正常に動作している際に取得したデータと、診断対象となる産業機械から取得されたデータとの間の乖離度を機械学習手法により求め、得られた乖離度に基づいて異常を判定する装置を記載している。

【先行技術文献】

【特許文献】

【0003】

【文献】特許第６４５１６６２号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

図３Ａ－図３Ｄは、機械から取得されるトルクコマンド波形の例を示す。図３Ａから図３Ｄは、機械のある軸を駆動する電動機に対して同一のトルク指令が加わる場合のトルク波形である。具体的には、図３Ａは環境温度が低温で機械が正常である場合のトルクコマンド波形２０１を示し、図３Ｂは環境温度が低温で機械が異常である場合のトルクコマンド波形２０２を示し、図３Ｃは環境温度が高温で機械が正常である場合のトルクコマンド波形２０３を示し、図３Ｄは環境温度が高温で機械が異常である場合のトルクコマンド波形２０４を示す。

【0005】

図３Ａから図３Ｄを参照すると、低温・正常時のトルクコマンド波形２０１と、低温・異常時のトルクコマンド波形２０２とは、波形の特徴量（最大値、最小値、Peak to Peak（P2P）等）により識別し得ることを理解できる。また、高温・正常時のトルクコマンド波形２０３と、高温・異常時のトルクコマンド波形２０４とも、波形の特徴量により識別し得ることを理解できる。すなわち、正常時と異常時の環境温度が同一の場合は、トルクコマンド波形の乖離度を計算することで機械の異常を判定することができる。しかしながら、低温・異常時のトルクコマンド波形２０２と、高温・正常時のトルクコマンド波形２０３は似ているため、トルクコマンド波形に十分な乖離度がなく、機械の異常を判定できない可能性がある。

【課題を解決するための手段】

【0006】

本開示の一態様は、機械の異常を判定する異常判定装置であって、前記機械の状態に係るデータであって前記機械が正常に動作している際の正常データと、該正常データが取得されたときの前記機械の環境温度とを関連付けて記憶する正常データ記憶部と、前記機械の状態に係るデータであって前記機械の診断を行う際の診断データと、該診断データが取得された時の前記機械の環境温度とを関連付けて記憶する診断データ記憶部と、前記正常データ記憶部に記憶されている前記正常データについて前記環境温度毎に所定の特徴量を求め、求められた前記環境温度毎の前記特徴量から求めた統計量を前記環境温度毎の補正値として導出する補正値導出部と、前記正常データ記憶部に前記正常データが含まれる少なくとも２つの環境温度についての前記補正値を用い、前記診断データが取得されたときの環境温度についての前記補正値を補間により求める補正値補間部と、前記正常データの特徴量を、前記環境温度毎の前記補正値を用いて補正する正常データ補正部と、前記補正された前記正常データの特徴量を正常時の学習データとして学習し学習モデルを構築する学習部と、前記診断データの特徴量を、前記補正値補間部によって求められた前記補正値を用いて補正する診断データ補正部と、当該補正された前記診断データの特徴量と前記学習モデルとの乖離度に基づいて前記診断データが正常であるか否を判定する機械異常判定部と、前記機械から前記機械の状態に係るデータを取得する状態データ取得部と、前記機械の前記環境温度を取得する環境温度取得部と、を備え、前記補正値補間部は、前記環境温度と前記補正値との関係を表す関係式を求め、該関係式を用いて前記補間を実行し、前記正常データ記憶部は、前記状態データ取得部により取得された前記機械の状態に係るデータを該データが取得されたときの前記環境温度と関連付けて記憶し、前記補正値補間部は、前記機械の本稼働前に予め前記正常データ記憶部に記憶された前記正常データでは前記関係式の導出ができない場合、前記本稼働後に前記状態データ取得部により取得された前記データを追加データとして用いて前記補正値導出部により導出された補正値を用いて前記関係式の導出を行う、異常判定装置である。

【発明の効果】

【0007】

以上説明したように、本実施形態によれば、環境温度に応じて正常データから補正値を求めて機械の状態に係るデータの補正を行うことで、正確な診断を行うことが可能となる。

【0008】

添付図面に示される本発明の典型的な実施形態の詳細な説明から、本発明のこれらの目的、特徴および利点ならびに他の目的、特徴および利点がさらに明確になるであろう。

【図面の簡単な説明】

【0009】

【図1】一実施形態に係る異常判定装置のハードウェア構成を表すブロック図である。

【図2】異常判定装置の機能ブロック図である。

【図3A】機械の低温・正常時における状態データとしてのトルクコマンド波形の例を示す図である。

【図3B】機械の低温・異常時における状態データとしてのトルクコマンド波形の例を示す図である。

【図3C】機械の高温・正常時における状態データとしてのトルクコマンド波形の例を示す図である。

【図3D】機械の高温・異常時における状態データとしてのトルクコマンド波形の例を示す図である。

【図4】補正値の補間の第１の例を示す図である。

【図5】補正値の補間の第２の例を示す図である。

【図6】第１の実施形態の診断処理を表すフローチャートである。

【図7】第２の実施形態の診断処理を表すフローチャートである。

【図8】第３の実施形態の診断処理を表すフローチャートである。

【発明を実施するための形態】

【0010】

次に、本開示の実施形態について図面を参照して説明する。参照する図面において、同様の構成部分または機能部分には同様の参照符号が付けられている。理解を容易にするために、これらの図面は縮尺を適宜変更している。また、図面に示される形態は本発明を実施するための一つの例であり、本発明は図示された形態に限定されるものではない。

【0011】

図１は一実施形態に係る異常判定装置１０のハードウェア構成を表すブロック図である。図１に示すように、異常判定装置１０は、ＣＰＵ１、ＲＯＭ２、ＲＡＭ３、不揮発性メモリ（フラッシュメモリ、ＨＤＤ等）４がバス９を介して相互に接続される構成を有する。また、バス９には、インタフェース１１を介して表示装置（液晶ディスプレイ等）２１が接続され、インタフェース１２を介して入力装置（キーボード、マウス等）２２が接続され、インタフェース１４を介して機械学習装置２４が接続されている。異常判定装置１０、表示装置２１及び入力装置２２は、一般的なパーソナルコンピュータにより実現することができる。また、異常判定装置１０には、外部インタフェース１３を介して機械５０が接続される。以下で詳細に説明するように、異常判定装置１０は、機械５０の状態に係るデータ（以下では、状態データとも記載する）を取得して機械５０の異常判定を行う。

【0012】

図２は、異常判定装置１０の機能ブロック図である。異常判定装置１０は、機械５０の環境温度を機械５０から直接、あるいは入力装置２２を介して取得する環境温度取得部１０１と、機械５０の状態に係るデータを取得する状態データ取得部１０２とを備える。また、異常判定装置１０は、機械５０の正常動作時の状態データと、該状態データが取得されたときの機械５０の環境温度とを関連付けて記憶する正常データ記憶部１１３と、正常データ記憶部１１３に記憶されている状態データについて環境温度毎に所定の特徴量を求め、求められた環境温度毎の特徴量から算出した統計量を環境温度毎の補正値として導出する補正値導出部１０５と、補正値導出部１０５によって導出された補正値を用いて、状態データの特徴量を環境温度毎にそれぞれ補正する正常データ補正部１０３とを備える。更に、異常判定装置１０は、機械５０の診断を行う際の状態データと、該状態データが取得された時の機械５０の環境温度とを関連付けて記憶する診断データ記憶部１１４と、正常データ記憶部１１３に状態データが含まれる少なくとも２つの環境温度についての補正値を用い、機械５０の診断データが取得されたときの環境温度についての補正値を補間により求める補正値補間部１０４と、補正値補間部１０４によって導出された補正値を用いて、診断を行う際の状態データの特徴量を補正する診断データ補正部１０６とを備える。

【0013】

また、異常判定装置１０は、機械学習装置２４を備える。機械学習装置２４は、正常データ補正部１０３によって補正された状態データの特徴量を正常時の学習データとして学習し学習モデルを構築する学習部２４２と、学習部２４２によって構築された学習モデルを記憶する学習モデル記憶部２４１と、診断データ補正部１０６によって補正された診断データの特徴量と学習モデルとの乖離度に基づいて診断データが正常であるか否を判定する機械異常判定部２４３と、を備える。

【0014】

機械５０は、工作機械、産業用ロボットとその他の各種機械を含む。機械５０の状態データとしては、機械５０の物理状態を表す各種データが含まれる。ここでは、例示として、機械５０は工作機械であり、状態データは工作機械の軸を駆動する電動機に対するトルクコマンド（トルク制御）波形である場合について説明する。

【0015】

異常判定装置１０において正常データ補正部１０３は、状態データの温度毎の補正値を用いて一定の規則にしたがって状態データの補正を行う。一定の規則は、例えば補正対象となる状態データの特徴量を、それぞれの環境温度についての補正値で割り算する演算である。これにより、補正対象となる状態データが正常時の状態データであった場合は補正後の特徴量は環境温度によらず１近辺となり、診断における比較が行い易くなる。

【0016】

正常データ補正部１０３における補正で用いる補正値は、補正値導出部１０５によって求められた、環境温度毎の正常時の状態データの波形群から求めた特徴量に対する所定の統計量である。補正値導出部１０５は、正常データ記憶部１１３に環境温度データと関連付けて記憶されている状態データ群の中から、特定の環境温度の状態データを抽出する。抽出された状態データ波形の特徴量に対して算出した所定の統計量を、当該環境温度における補正値とする。ここでは、波形の特徴量はP2P（Peak to Peak）を用いる。なお、波形の特徴量として最大値或いは最小値が用いられても良い。また、所定の統計量は、本実施形態では平均値を用いることとするが、中央値、最頻値等を用いても良いし、２つ以上の特徴量を用いても良い。同様の操作を行うことで、正常データ記憶部１１３に対応する環境温度における状態データが存在すれば、その環境温度における補正値を導出することが可能である。

【0017】

上述の構成により機械５０の正常時の状態データを環境温度ごとに得ることは可能であるが、一般に機械の環境温度はあまり変動するものではなく、あらゆる環境温度について正常時の状態データを事前に取得して正常データ記憶部１１３に蓄積しておくことは困難である。したがって、事前に状態データが得られなかった環境温度については、補正値が得られないという問題が生じ得る。この点、本実施形態に係る異常判定装置１０は、状態データが得られている環境温度についての補正値に基づいて、補正値が得られていない環境温度については補間演算により補正値を得る構成とした。異常判定装置１０において、補正値補間部１０４がこの機能を担う。

【0018】

補正値補間部１０４による補正値の補間動作について説明する。例示として、図４に示すように、２つの環境温度（ここでは、２０°Ｃと３０°Ｃとする）についての補正値３０１、３０２が補正値導出部１０５によって事前に得られているとする。補正値補間部１０４は、既知の補正値３０１、３０２を用いて直線回帰により、環境温度と補正値との関係を表す直線３１１（関係式）を求める。補正値補間部１０４は、特定の環境温度（ここでは、２５°Ｃとする）の補正値Ｃ１を、直線３１１を用いて算出する。

【0019】

また、他の補間計算の例として、図５に示すように３つの環境温度について既知の補正値３２１、３２２、３２３がある状況を想定する。この場合、補正値補間部１０４は、３つの補正値３２１、３２２、３２３を用いて、曲線近似により環境温度と補正値との関係を表す曲線３３１（関係式）を求めるようにしても良い。補正値補間部１０４は、特定の環境温度（ここでは、２５°Ｃとする）の補正値Ｃ２を、曲線３３１を用いて算出する。

【0020】

診断データ補正部１０６は、補正値補間部１０４を用いて、診断データ記憶部１１４に記憶されている診断データに対応する環境温度における補正値を求める。そして、正常データ補正部１０３と同様の手法を用いて、診断データの補正を行う。

【0021】

次に、機械学習装置２４による学習について説明する。機械学習装置２４は、学習モデル記憶部２４１と、学習部２４２と、機械異常判定部２４３とを備える。学習部２４２は、正常データ補正部１０３で求められた補正された正常状態データ波形の特徴量を用いて機械学習を行い、学習モデルを構築する。構築された学習モデルは学習モデル記憶部２４１に記憶され、機械異常判定部２４３による異常判定に用いられる。

【0022】

本実施形態では、機械学習装置２４は、ＭＴ法（マハラノビス・タグチ法）による異常判定を行う。学習部２４２は、正常データ補正部１０３により補正された正常データの特徴量を用いて、機械異常判定部２４３が正常データからの乖離度に基づき異常判定を行うための下記数理モデルを提供する。

【0023】

【数1】

ｄは、診断データの正常データからの乖離度を表すマハラノビス距離である。ｘは、診断データ補正部１０６により補正された診断データ波形の特徴量を並べたベクトルである。μは、正常データ補正部１０３により補正された正常状態データ波形の特徴量の平均値を並べたベクトルであり、Σは、正常データ補正部１０３により補正された正常状態データ波形の特徴量の分散共分散行列である。

【0024】

学習部２４２は、上記数式（１）で表される数理モデル（学習モデル）を、機械異常判定部２４３に提供する。機械異常判定部２４３は、診断データ補正部１０６により補正された診断データ波形の特徴量ｘについて上記数式（１）により正常データからの乖離度をマハラノビス距離ｄとして求める。そして、機械異常判定部２４３は、数式（１）により求められたマハラノビス距離ｄが予め設定した閾値よりも大きい場合、診断データが異常であると判定する。ここで用いる閾値は、例えば、実験値、経験値に基づいて設定しても良い。閾値は、異常判定装置１０に対してユーザが設定できるように構成されていても良い。

【0025】

以降、異常判定装置１０の実施形態例を説明する。ここでは、学習部２４２により学習モデルがすでに構築されているものとする。図６は、第１の実施形態の診断処理を表すフローチャートである。図６（及び図７－図８）の診断処理は、異常判定装置１０のＣＰＵ１による制御の下で実行される。第１の実施形態では、補正値の補間に必要な既知の補正値が既に補正値導出部１０５によって導出されているものとする。はじめに、状態データ取得部１０２を介して診断用の状態データ（診断データ）が取得される（ステップＳ１０１）。次に、以降の処理のために、既に補正値導出部１０５によって算出されている補正値が取り込まれる（ステップＳ１０２）。

【0026】

次に、補正値補間部１０４は、上述した補間演算により、診断データが取得されたときの環境温度についての補正値を算出する（ステップＳ１０３）。また、このとき、診断データ補正部１０６は、補正値補間部１０４の補間演算により得られた診断データについての補正値を用いて診断データの補正を行う（ステップＳ１０３）。次に、機械異常判定部２４３は、学習部２４２により既に構築されている学習モデル（すなわち、上記数式（１））を呼び出す（ステップＳ１０４）。次に、機械異常判定部２４３は、診断データの学習モデルからの乖離度を算出し、この乖離度を所定の閾値と比較することで、診断データの正常／異常の判定を行う（ステップＳ１０５）。

【0027】

図７は、第２の実施形態の診断処理を表すフローチャートである。はじめに、異常判定装置１０（補正値補間部１０４）は、追加データを取得する必要があるかを判定する。ここで追加データとは、機械５０の本稼働開始後に取得可能な正常時の状態データを表す。例えば、現在既に取得済みの状態データで補間演算が不可能な状態であれば、追加データの取得は必要であると判定する（ステップＳ２０１）。追加データの取得が不要な場合には（Ｓ２０１：ＮＯ）、上述のステップＳ１０１からＳ１０４の診断処理が実行される。

【0028】

追加データの取得が必要な場合（Ｓ２０１：ＹＥＳ）、異常判定装置１０は、機械５０から学習用の追加の状態データ（追加データ）を取得する（ステップＳ２０２）。補正値導出部１０５によって、追加データに対応する補正値が導出される（ステップＳ２０３）。補正値の更新（関係式の更新）に必要な既知の補正値が取り込まれる（ステップＳ２０４）。そして、取り込まれた既知の補正値に、追加データに対応する補正値を追加する更新がなされる。このように更新された補正値のセットが準備される（ステップＳ２０５）。

【0029】

処理はステップＳ２０１に戻り、更なる追加データの取得が不要な場合には（Ｓ２０１：ＮＯ）、上述したステップＳ１０１からＳ１０５による診断処理が実行される。ステップＳ１０１からＳ１０５での診断処理において、ステップＳ２０５において準備された補正値が適用される（ステップＳ２０５、Ｓ１０２）。

【0030】

図８は、第３の実施形態の診断処理を表すフローチャートである。はじめに、異常判定装置１０（補正値補間部１０４）は、追加データを取得する必要があるかを判定する。例えば、現在既に取得済みの状態データで補間演算が不可能な状態であれば、追加データの取得は必要であると判定する（ステップＳ３０１）。追加データを取得する必要がある場合（Ｓ３０１：ＹＥＳ）、異常判定装置１０は、機械５０から学習用の追加の状態データ（追加データ）を取得する（ステップＳ３０２）。補正値導出部１０５によって、追加データに対応する補正値が導出される（ステップＳ３０３）。補正値の更新（関係式の更新）に必要な既知の補正値が取り込まれる（ステップＳ３０４）。

【0031】

そして、取り込まれた既知の補正値に、追加データに対応する補正値を追加する補正値の更新がなされる。このように更新された補正値のセットが準備される（ステップＳ３０５）。学習部２４２は、学習済みの学習モデルを呼び出す（ステップＳ３０６）。学習部２４２は、既に取得済の状態データに追加データを加えた上で再学習を実行し、学習モデルの再構築（学習モデルの更新）を行う（ステップＳ３０７）。処理はステップＳ３０１に戻り、追加データの取得が必要であるかが再度判定される（ステップＳ３０１）。

【0032】

追加データの取得が不要な場合には（Ｓ３０１：ＮＯ）、上述したステップＳ１０１からＳ１０５による診断処理が実行される。ステップＳ１０１からＳ１０５での診断処理において、ステップＳ３０５及びＳ３０７で更新された新補正値及び新学習モデルが適用される（ステップＳ３０５、Ｓ３０７、Ｓ１０２、Ｓ１０４）。

【0033】

上記図７及び図８で示した診断処理では、状態データ取得部による状態データ（追加データ）の取得を継続的に行い、追加データの取得が不要となったときに補正値補間部１０４が関係式を更新して診断に利用する処理に相当する。このような処理の変形例として、補正値補間部１０４は、補正値補間が可能になったとき、追加データの数が規定数に達したとき、或いは環境温度の変化の度合いが規定値を上回ったとき（環境温度が急激に変化したとき）に関係式の更新を行うようにしても良い。

【0034】

以上説明したように、本実施形態によれば、環境温度に応じて正常データから補正値を求めて状態データの補正を行うことで、正確な診断を行うことが可能となる。また、既知の補正値から未知の環境温度の補正値を補間して求めることで、事前に正常データが得られなかった環境温度についても補正が可能となる。

【0035】

以上、典型的な実施形態を用いて本発明を説明したが、当業者であれば、本発明の範囲から逸脱することなしに、上述の各実施形態に変更及び種々の他の変更、省略、追加を行うことができるのを理解できるであろう。

【0036】

上述の実施形態では、機械の状態に係るデータとしてトルクコマンド波形を用いる例を説明したが、これは一例であり、機械の状態を表すデータとしては、各種センサのデータ、電動機の入出力に係わる各種データ（速度、加速度等）等、各種のデータを用いることができる。

【0037】

また、上述の実施形態では、機械学習としてＭＴ法を用いる例を示したが、診断データの正常データからの乖離度を評価するための手法としてＭＴ法以外の手法が用いられても良い。例えば、機械の状態に係るデータとして正常時のデータと異常時のデータの双方が十分に得られる場合には、機械学習装置において教師有り学習を適用して学習モデルを構築し、この学習モデルを用いて異常判定を行うようにしても良い。

【0038】

上述の実施形態では、異常判定装置１０が、状態データを機械５０から取得する構成であったが、このような構成に替えて、異常判定装置は、キーボード等の入力装置、或いは、外部のコンピュータから状態データを取得するように構成されていてもよい。

【0039】

図２に示した異常判定装置１０の機能ブロックは、異常判定装置１０のＣＰＵ１が、記憶装置に格納された各種ソフトウェアを実行することで実現されても良く、或いは、ＡＳＩＣ（Application Specific Integrated Circuit）等のハードウェアを主体とした構成により実現されても良い。

【0040】

上述した実施形態における診断処理（図６－図８）を実行するプログラムは、コンピュータに読み取り可能な各種記録媒体（例えば、ＲＯＭ、ＥＥＰＲＯＭ、フラッシュメモリ等の半導体メモリ、磁気記録媒体、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ等の光ディスク）に記録することができる。

【符号の説明】

【0041】

１ ＣＰＵ
２ ＲＯＭ
３ ＲＡＭ
４ 不揮発性メモリ
１０ 異常判定装置
２１ 表示装置
２２ 入力装置
２４ 機械学習装置
５０ 機械
１０１ 環境温度取得部
１０２ 状態データ取得部
１０３ 正常データ補正部
１０４ 補正値補間部
１０５ 補正値導出部
１０６ 診断データ補正部
１１３ 正常データ記憶部
１１４ 診断データ記憶部
２４１ 学習モデル記憶部
２４２ 学習部
２４３ 機械異常判定部

【図1】

【図2】

【図3A】

【図3B】

【図3C】

【図3D】

【図4】

【図5】

【図6】

【図7】

【図8】