知財求人 - 知財ポータルサイト「IP Force」
▶ 三菱電機株式会社の特許一覧 ▶ 三菱電機ビルテクノサービス株式会社の特許一覧
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】特許公報(B1)
(11)【特許番号】
(24)【登録日】2024-03-07
(45)【発行日】2024-03-15
(54)【発明の名称】要因推定装置、要因推定方法および要因推定プログラム
(51)【国際特許分類】
G06F 18/23 20230101AFI20240308BHJP
G05B 23/02 20060101ALI20240308BHJP
【ＦＩ】
G06F18/23
G05B23/02 302Y
【請求項の数】
7
(21)【出願番号】P 2023533299
(86)(22)【出願日】2022-11-14
(86)【国際出願番号】 JP2022042218
【審査請求日】2023-05-31
【早期審査対象出願】
(73)【特許権者】
【識別番号】000006013
【氏名又は名称】三菱電機株式会社
(73)【特許権者】
【識別番号】000236056
【氏名又は名称】三菱電機ビルソリューションズ株式会社
(74)【代理人】
【識別番号】110002491
【氏名又は名称】弁理士法人クロスボーダー特許事務所
(72)【発明者】
【氏名】後藤 圭
(72)【発明者】
【氏名】阪田 恒次
(72)【発明者】
【氏名】藤田 武
【審査官】松本 泰典
(56)【参考文献】
【文献】特開２０１０－２３６３０２（ＪＰ，Ａ）
【文献】特開２０１５－１７０１２１（ＪＰ，Ａ）
【文献】特開２０１７－２１１７１３（ＪＰ，Ａ）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ０５Ｂ ２３／０２
Ｇ０６Ｆ １８／２３
(57)【特許請求の範囲】
【請求項1】
信号グループの正常時の信号データである正常データを使って、正常時の信号間の相関関係を示す相関関係情報を算出する関係導出部と、異常が検出された信号データである異常データに基づいて前記信号グループの信号ごとに、機械学習によって作成された学習済みモデルを使って前記信号の異常度を算出し、前記異常データと前記相関関係情報に基づいて前記信号グループの信号間の相関関係の異常度を算出し、算出された異常度の組み合わせと、各信号の異常度と信号間の相関関係の異常度の組み合わせごとに異常要因を示す組み合わせ表と、に基づいて異常要因を推定する要因推定部と、
を備える要因推定装置。
【請求項2】
前記関係導出部は、前記正常データに対する主成分分析を行い、前記主成分分析の結果を前記相関関係情報として算出する請求項１に記載の要因推定装置。
【請求項3】
前記要因推定部は、検出された異常が前記異常データの取得元の故障を要因とする異常であるか否か、を前記異常要因として推定する請求項１に記載の要因推定装置。
【請求項4】
前記関係導出部は、前記正常データの第一主成分の統計量と、前記正常データの第二主成分の統計量と、を前記相関関係情報として算出し、前記要因推定部は、
前記第一主成分における前記異常データの値と、前記第二主成分における前記異常データの値と、を算出し、
前記第一主成分の前記統計量と、前記第一主成分における前記異常データの前記値と、を用いて前記第一主成分における前記異常データの特徴量を算出し、
前記第二主成分の前記統計量と、前記第二主成分における前記異常データの前記値と、
を用いて前記第二主成分における前記異常データの特徴量を算出し、
前記第一主成分における前記異常データの前記特徴量と、前記第二主成分における前記異常データの前記特徴量と、を前記信号グループの信号間の相関関係の前記異常度として算出して前記異常要因を推定する
請求項１に記載の要因推定装置。
【請求項5】
前記正常データを学習して学習済みモデルを作成するモデル構築部と、前記学習済みモデルを使って、信号データから異常を検出する異常検出部と、
を備える
請求項１から請求項４のいずれか１項に記載の要因推定装置。
【請求項6】
信号グループの正常時の信号データである正常データを使って、正常時の信号間の相関関係を示す相関関係情報を算出し、異常が検出された信号データである異常データに基づいて前記信号グループの信号ごとに、機械学習によって作成された学習済みモデルを使って前記信号の異常度を算出し、前記異常データと前記相関関係情報に基づいて前記信号グループの信号間の相関関係の異常度を算出し、算出された異常度の組み合わせと、各信号の異常度と信号間の相関関係の異常度の組み合わせごとに異常要因を示す組み合わせ表と、に基づいて異常要因を推定する要因推定方法。
【請求項7】
信号グループの正常時の信号データである正常データを使って、正常時の信号間の相関関係を示す相関関係情報を算出する関係導出処理と、異常が検出された信号データである異常データに基づいて前記信号グループの信号ごとに、機械学習によって作成された学習済みモデルを使って前記信号の異常度を算出し、前記異常データと前記相関関係情報に基づいて前記信号グループの信号間の相関関係の異常度を算出し、算出された異常度の組み合わせと、各信号の異常度と信号間の相関関係の異常度の組み合わせごとに異常要因を示す組み合わせ表と、に基づいて異常要因を推定する要因推定処理と、
をコンピュータに実行させるための要因推定プログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本開示は、教師データ無しの手法における異常要因の推定に関するものである。
【背景技術】
【0002】
設備から異常データが検出された場合、迅速かつ適切な保守対応を取るためには、「異常の要因は何か」を、早期に解明する必要がある。
異常要因の推定のための手法として、教師データ有りの手法と、教師データ無しの手法と、が知られている。
異常要因の推定のための手法として、教師データ有りの手法と、教師データ無しの手法と、が知られている。
【0003】
Ｋ近傍法による異常要因推定は、教師データ有りの手法である。
この手法では、異常の要因がラベル付けされた教師データが用いられる。そして、異常検出データの近傍の教師データの異常要因が異常検出データの異常要因として出力される。
但し、この手法では、異常要因推定に用いる教師データが十分に無いと、精度の良い異常要因推定ができない。また、この手法では、機器仕様および運転条件ごとに教師データを準備する必要があるため、教師データの作成に手間がかかる。
この手法では、異常の要因がラベル付けされた教師データが用いられる。そして、異常検出データの近傍の教師データの異常要因が異常検出データの異常要因として出力される。
但し、この手法では、異常要因推定に用いる教師データが十分に無いと、精度の良い異常要因推定ができない。また、この手法では、機器仕様および運転条件ごとに教師データを準備する必要があるため、教師データの作成に手間がかかる。
【0004】
特許文献１は、教師データ無しの手法を開示している。
この手法は、正常データに対する異常データのベクトルを算出し、算出したベクトルに基づいて異常な信号を示す情報を提示する。
この手法は、教師データを使わずに異常な信号を提示できるが、どのような異常が検出されたかを提示できない。
どのような異常が検出されたかが提示されないと、保守員は、検出された異常に対して迅速に正しい対応を取ることができない。
この手法は、正常データに対する異常データのベクトルを算出し、算出したベクトルに基づいて異常な信号を示す情報を提示する。
この手法は、教師データを使わずに異常な信号を提示できるが、どのような異常が検出されたかを提示できない。
どのような異常が検出されたかが提示されないと、保守員は、検出された異常に対して迅速に正しい対応を取ることができない。
【先行技術文献】
【特許文献】
【0005】
【文献】特開２０２１－１４９３１５号公報
【発明の概要】
【発明が解決しようとする課題】
【0006】
本開示は、教師データ無しの手法で異常要因を推定できるようにすることを目的とする。
【課題を解決するための手段】
【0007】
本開示の要因推定装置は、
信号グループの正常時の信号データである正常データを使って、正常時の信号間の相関関係を示す相関関係情報を算出する関係導出部と、
異常が検出された信号データである異常データと、前記相関関係情報と、に基づいて異常要因を推定する要因推定部と、を備える。
信号グループの正常時の信号データである正常データを使って、正常時の信号間の相関関係を示す相関関係情報を算出する関係導出部と、
異常が検出された信号データである異常データと、前記相関関係情報と、に基づいて異常要因を推定する要因推定部と、を備える。
【発明の効果】
【0008】
本開示によれば、教師データ無しの手法で異常要因を推定することが可能となる。
【図面の簡単な説明】
【0009】
【図1】実施の形態１における要因推定装置１００の構成図。
【図2】実施の形態１における要因推定システム２００の構成図。
【図3】実施の形態１における要因推定方法（準備）のフローチャート。
【図4】実施の形態１における第一主成分と第二主成分の関係図。
【図5】実施の形態１における要因推定方法（評価）のフローチャート。
【図6】実施の形態１における主成分と異常データの関係図。
【図7】実施の形態１における異常データの異常度を示すグラフ。
【図8】教師データ有りの従来手法を示す概要図。
【図9】教師データ無しの従来手法を示す概要図。
【図10】設備構成と組み合わせ表の例を示す図。
【図11】実施の形態１における要因推定装置１００のハードウェア構成図。
【発明を実施するための形態】
【0010】
実施の形態および図面において、同じ要素または対応する要素には同じ符号を付している。説明した要素と同じ符号が付された要素の説明は適宜に省略または簡略化する。図中の矢印はデータの流れ又は処理の流れを主に示している。
【0011】
【0012】
＊＊＊構成の説明＊＊＊
図１に基づいて、要因推定装置１００の構成を説明する。
要因推定装置１００は、プロセッサ１０１とメモリ１０２と補助記憶装置１０３と通信装置１０４と入出力インタフェース１０５といったハードウェアを備えるコンピュータである。これらのハードウェアは、信号線を介して互いに接続されている。
図１に基づいて、要因推定装置１００の構成を説明する。
要因推定装置１００は、プロセッサ１０１とメモリ１０２と補助記憶装置１０３と通信装置１０４と入出力インタフェース１０５といったハードウェアを備えるコンピュータである。これらのハードウェアは、信号線を介して互いに接続されている。
【0013】
プロセッサ１０１は、演算処理を行うＩＣであり、他のハードウェアを制御する。例えば、プロセッサ１０１は、ＣＰＵ、ＤＳＰまたはＧＰＵである。
ＩＣは、Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔの略称である。
ＣＰＵは、Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔの略称である。
ＤＳＰは、Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒの略称である。
ＧＰＵは、Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔの略称である。
ＩＣは、Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔの略称である。
ＣＰＵは、Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔの略称である。
ＤＳＰは、Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒの略称である。
ＧＰＵは、Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔの略称である。
【0014】
メモリ１０２は揮発性または不揮発性の記憶装置である。メモリ１０２は、主記憶装置またはメインメモリとも呼ばれる。例えば、メモリ１０２はＲＡＭである。メモリ１０２に記憶されたデータは必要に応じて補助記憶装置１０３に保存される。
ＲＡＭは、Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙの略称である。
ＲＡＭは、Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙの略称である。
【0015】
補助記憶装置１０３は不揮発性の記憶装置である。例えば、補助記憶装置１０３は、ＲＯＭ、ＨＤＤ、フラッシュメモリまたはこれらの組み合わせである。補助記憶装置１０３に記憶されたデータは必要に応じてメモリ１０２にロードされる。
ＲＯＭは、Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙの略称である。
ＨＤＤは、Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅの略称である。
ＲＯＭは、Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙの略称である。
ＨＤＤは、Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅの略称である。
【0016】
通信装置１０４はレシーバ及びトランスミッタである。例えば、通信装置１０４は通信チップまたはＮＩＣである。要因推定装置１００の通信は通信装置１０４を用いて行われる。
ＮＩＣは、Ｎｅｔｗｏｒｋ Ｉｎｔｅｒｆａｃｅ Ｃａｒｄの略称である。
ＮＩＣは、Ｎｅｔｗｏｒｋ Ｉｎｔｅｒｆａｃｅ Ｃａｒｄの略称である。
【0017】
入出力インタフェース１０５は、入力装置２９１および出力装置２９２が接続されるポートである。例えば、入出力インタフェース１０５はＵＳＢ端子であり、入力装置２９１はキーボードおよびマウスであり、出力装置２９２はディスプレイである。要因推定装置１００の入出力は入出力インタフェース１０５を用いて行われる。
ＵＳＢは、Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓの略称である。
ＵＳＢは、Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓの略称である。
【0018】
要因推定装置１００は、データ取得部１１１とモデル構築部１１２と関係導出部１１３と異常検出部１１４と要因推定部１１５といった要素を備える。これらの要素はソフトウェアで実現される。
【0019】
補助記憶装置１０３には、データ取得部１１１とモデル構築部１１２と関係導出部１１３と異常検出部１１４と要因推定部１１５としてコンピュータを機能させるための要因推定プログラムが記憶されている。要因推定プログラムは、メモリ１０２にロードされて、プロセッサ１０１によって実行される。
補助記憶装置１０３には、さらに、ＯＳが記憶されている。ＯＳの少なくとも一部は、メモリ１０２にロードされて、プロセッサ１０１によって実行される。
プロセッサ１０１は、ＯＳを実行しながら、要因推定プログラムを実行する。
ＯＳは、Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍの略称である。
補助記憶装置１０３には、さらに、ＯＳが記憶されている。ＯＳの少なくとも一部は、メモリ１０２にロードされて、プロセッサ１０１によって実行される。
プロセッサ１０１は、ＯＳを実行しながら、要因推定プログラムを実行する。
ＯＳは、Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍの略称である。
【0020】
要因推定プログラムの入出力データは記憶部１９０に記憶される。
メモリ１０２は記憶部１９０として機能する。但し、補助記憶装置１０３、プロセッサ１０１内のレジスタおよびプロセッサ１０１内のキャッシュメモリなどの記憶装置が、メモリ１０２の代わりに、又は、メモリ１０２と共に、記憶部１９０として機能してもよい。
メモリ１０２は記憶部１９０として機能する。但し、補助記憶装置１０３、プロセッサ１０１内のレジスタおよびプロセッサ１０１内のキャッシュメモリなどの記憶装置が、メモリ１０２の代わりに、又は、メモリ１０２と共に、記憶部１９０として機能してもよい。
【0021】
要因推定装置１００は、プロセッサ１０１を代替する複数のプロセッサを備えてもよい。
【0022】
要因推定プログラムは、光ディスクまたはフラッシュメモリ等の不揮発性の記録媒体にコンピュータ読み取り可能に記録（格納）することができる。
【0023】
図２に、要因推定システム２００の構成例を示す。
要因推定システム２００は、要因推定装置１００の要素と、設備２０１と、を備える。
信号データＤＢ２１０とモデルＤＢ２２０と相関関係ＤＢ２３０は、要因推定装置１００に備えられてもよいし、外部装置に備えられてもよい。ＤＢは、データベースを意味する。
正常データ２１１は、モデル構築部１１２を経由して関係導出部１１３に入力されてもよいし、信号データＤＢ２１０から関係導出部１１３へ直接に入力されてもよい。
要因推定システム２００は、要因推定装置１００の要素と、設備２０１と、を備える。
信号データＤＢ２１０とモデルＤＢ２２０と相関関係ＤＢ２３０は、要因推定装置１００に備えられてもよいし、外部装置に備えられてもよい。ＤＢは、データベースを意味する。
正常データ２１１は、モデル構築部１１２を経由して関係導出部１１３に入力されてもよいし、信号データＤＢ２１０から関係導出部１１３へ直接に入力されてもよい。
【0024】
＊＊＊動作の説明＊＊＊
要因推定装置１００の動作の手順は要因推定方法に相当する。また、要因推定装置１００の動作の手順は要因推定プログラムによる処理の手順に相当する。
要因推定装置１００の動作の手順は要因推定方法に相当する。また、要因推定装置１００の動作の手順は要因推定プログラムによる処理の手順に相当する。
【0025】
図３に基づいて、要因推定方法（準備）を説明する。
要因推定方法（準備）は、学習済みモデル２２１と相関関係情報２３１を用意するための方法である。
要因推定方法（準備）は、学習済みモデル２２１と相関関係情報２３１を用意するための方法である。
【0026】
要因推定方法（準備）において、設備２０１の状態は正常である。
設備２０１は、各時刻の信号データを出力する。信号データは、複数の信号のそれぞれの値を示す。
例えば、設備２０１は１つ以上の機器を備え、入力信号が各機器に入力され、出力信号が各機器から出力される。この場合、信号データは、各機器の入力信号の値と、各機器の出力信号の値と、を示す。
設備２０１は、各時刻の信号データを出力する。信号データは、複数の信号のそれぞれの値を示す。
例えば、設備２０１は１つ以上の機器を備え、入力信号が各機器に入力され、出力信号が各機器から出力される。この場合、信号データは、各機器の入力信号の値と、各機器の出力信号の値と、を示す。
【0027】
設備２０１の複数の信号は、１つ以上の信号グループを構成する。設備２０１の複数の信号は、例えば設備２０１の設計情報に基づいてグループ化される。
信号グループは、信号の組であり、関係がある２つ以上の信号から成る。例えば、入力信号と出力信号には入出力の関係があり、入力信号と出力信号が信号グループを構成する。
信号グループは、信号の組であり、関係がある２つ以上の信号から成る。例えば、入力信号と出力信号には入出力の関係があり、入力信号と出力信号が信号グループを構成する。
【0028】
正常時の信号データを、正常データ２１１と称する。
【0029】
ステップＳ１１０において、データ取得部１１１は、設備２０１から各時刻の正常データ２１１を取得し、取得した正常データ２１１を信号データＤＢ２１０に記憶する。
【0030】
ステップＳ１２０において、モデル構築部１１２は、正常データ２１１を学習して学習済みモデル２２１を作成する。
【0031】
具体的には、モデル構築部１１２は、信号グループごとに、正常データ２１１を学習して学習済みモデル２２１を作成する。
【0032】
学習済みモデル２２１は、以下のように作成される。
利用者は、入力装置２９１を使用して学習条件情報および信号グループ情報を要因推定装置１００に入力する。
学習条件情報は、学習のための条件を示す。例えば、学習条件情報は、学習対象期間および機器仕様などを示す。学習対象期間は、学習の対象となる期間である。機器仕様は、設備２０１に備わる機器の仕様である。
信号グループ情報は、１つ以上の信号グループを示す。
モデル構築部１１２は、入力された学習条件情報および入力された信号グループ情報を受け付ける。
利用者は、入力装置２９１を使用して学習条件情報および信号グループ情報を要因推定装置１００に入力する。
学習条件情報は、学習のための条件を示す。例えば、学習条件情報は、学習対象期間および機器仕様などを示す。学習対象期間は、学習の対象となる期間である。機器仕様は、設備２０１に備わる機器の仕様である。
信号グループ情報は、１つ以上の信号グループを示す。
モデル構築部１１２は、入力された学習条件情報および入力された信号グループ情報を受け付ける。
【0033】
モデル構築部１１２は、学習条件情報および信号グループ情報に基づいて、正常データ２１１の学習を行う。学習は以下のように行われる。
まず、モデル構築部１１２は、学習条件情報を参照し、学習対象期間の信号データ（正常データ２１１）を信号データＤＢ２１０から取得する。
次に、モデル構築部１１２は、信号グループ情報を参照し、取得された正常データ２１１を１つ以上の信号グループに対応する１つ以上の正常データ２１１に分ける。
そして、モデル構築部１１２は、信号グループごとに、正常データ２１１を学習して学習済みモデル２２１を作成する。
まず、モデル構築部１１２は、学習条件情報を参照し、学習対象期間の信号データ（正常データ２１１）を信号データＤＢ２１０から取得する。
次に、モデル構築部１１２は、信号グループ情報を参照し、取得された正常データ２１１を１つ以上の信号グループに対応する１つ以上の正常データ２１１に分ける。
そして、モデル構築部１１２は、信号グループごとに、正常データ２１１を学習して学習済みモデル２２１を作成する。
【0034】
学習の具体的な方法は機械学習である。機械学習の一例はマハラノビスタグチ手法である。
【0035】
モデル構築部１１２は、作成された学習済みモデル２２１をモデルＤＢ２２０に記憶する。
【0036】
ステップＳ１３０において、関係導出部１１３は、正常データ２１１を使って相関関係情報２３１を算出する。
相関関係情報２３１は、正常時の信号間の相関関係を示す。
相関関係情報２３１は、正常時の信号間の相関関係を示す。
【0037】
具体的には、関係導出部１１３は、信号グループごとに、正常データ２１１を使って相関関係情報２３１を算出する。
【0038】
相関関係情報２３１は、以下のように算出される。
関係導出部１１３は、正常データ２１１に対する主成分分析を行い、主成分分析の結果を算出する。算出された結果が相関関係情報２３１となる。
主成分分析の結果は、第一主成分の方向と第二主成分の方向を含む。また、主成分分析の結果は、正常データ２１１の第一主成分の統計量と、正常データ２１１の第二主成分の統計量を含む。統計量の例は平均および標準偏差である。
第一主成分は、正常時の信号間の相関関係を示す方向（相関方向）の成分である。
第二主成分は、正常時の信号間の相関関係と無関係の方向（無関係方向）の成分である。相関方向と垂直な方向が無関係方向である。
関係導出部１１３は、正常データ２１１に対する主成分分析を行い、主成分分析の結果を算出する。算出された結果が相関関係情報２３１となる。
主成分分析の結果は、第一主成分の方向と第二主成分の方向を含む。また、主成分分析の結果は、正常データ２１１の第一主成分の統計量と、正常データ２１１の第二主成分の統計量を含む。統計量の例は平均および標準偏差である。
第一主成分は、正常時の信号間の相関関係を示す方向（相関方向）の成分である。
第二主成分は、正常時の信号間の相関関係と無関係の方向（無関係方向）の成分である。相関方向と垂直な方向が無関係方向である。
【0039】
図４に、第一主成分と第二主成分の関係の例を示す。
第二主成分の方向は、第一主成分の方向と直交している。
実線楕円は、学習データ（正常データ２１１）の存在範囲を表す。
破線楕円は、学習済みモデル２２１における正常範囲を表す。
第二主成分の方向は、第一主成分の方向と直交している。
実線楕円は、学習データ（正常データ２１１）の存在範囲を表す。
破線楕円は、学習済みモデル２２１における正常範囲を表す。
【0040】
図３に戻り、ステップＳ１３０の説明を続ける。
関係導出部１１３は、算出された相関関係情報２３１を相関関係ＤＢ２３０に記憶する。
関係導出部１１３は、算出された相関関係情報２３１を相関関係ＤＢ２３０に記憶する。
【0041】
図５に基づいて、要因推定方法（評価）を説明する。
要因推定方法（評価）は、学習済みモデル２２１を使って異常を検出し、相関関係情報２３１を使って異常要因を推定するための方法である。
要因推定方法（評価）は、学習済みモデル２２１を使って異常を検出し、相関関係情報２３１を使って異常要因を推定するための方法である。
【0042】
要因推定方法（評価）において、設備２０１の状態は正常または異常である。
【0043】
評価の対象となる信号データを、対象データ２１２と称する。
【0044】
ステップＳ１４０において、データ取得部１１１は、設備２０１から各時刻の対象データ２１２を取得し、取得した対象データ２１２を信号データＤＢ２１０に記憶する。
【0045】
ステップＳ１５０において、異常検出部１１４は、学習済みモデル２２１を使って、対象データ２１２から異常を検出する。
【0046】
具体的には、異常検出部１１４は、信号グループごとに、学習済みモデル２２１を使って、対象データ２１２から異常を検出する。
【0047】
異常検出は、以下のように行われる。
利用者は、入力装置２９１を使用して評価条件情報および信号グループ情報を要因推定装置１００に入力する。
評価条件情報および信号グループ情報は、ステップＳ１２０における学習条件情報および信号グループ情報に相当する。
評価条件情報は、評価（異常検出）のための条件を示す。例えば、評価条件情報は、評価対象期間および機器仕様などを示す。評価対象期間は、評価の対象となる期間である。機器仕様は、設備２０１に備わる機器の仕様である。
信号グループ情報は、１つ以上の信号グループを示す。
異常検出部１１４は、入力された評価条件情報および入力された信号グループ情報を受け付ける。
利用者は、入力装置２９１を使用して評価条件情報および信号グループ情報を要因推定装置１００に入力する。
評価条件情報および信号グループ情報は、ステップＳ１２０における学習条件情報および信号グループ情報に相当する。
評価条件情報は、評価（異常検出）のための条件を示す。例えば、評価条件情報は、評価対象期間および機器仕様などを示す。評価対象期間は、評価の対象となる期間である。機器仕様は、設備２０１に備わる機器の仕様である。
信号グループ情報は、１つ以上の信号グループを示す。
異常検出部１１４は、入力された評価条件情報および入力された信号グループ情報を受け付ける。
【0048】
異常検出部１１４は、評価条件情報および信号グループ情報に基づいて、対象データ２１２の評価を行う。評価は以下のように行われる。評価対象期間の各時刻を、評価対象時刻と称する。
まず、異常検出部１１４は、評価条件情報を参照し、評価対象時刻の信号データ（対象データ２１２）を信号データＤＢ２１０から取得する。
次に、異常検出部１１４は、信号グループ情報を参照し、取得された対象データ２１２を１つ以上の信号グループに対応する１つ以上の対象データ２１２に分ける。
そして、異常検出部１１４は、信号グループごとに、対象データ２１２を入力にして学習済みモデル２２１を演算する。
対象データ２１２が異常時の信号データである場合、学習済みモデル２２１の演算によって異常が検出される。異常検出のために、学習済みモデル２２１は例えば閾値を使用する。
まず、異常検出部１１４は、評価条件情報を参照し、評価対象時刻の信号データ（対象データ２１２）を信号データＤＢ２１０から取得する。
次に、異常検出部１１４は、信号グループ情報を参照し、取得された対象データ２１２を１つ以上の信号グループに対応する１つ以上の対象データ２１２に分ける。
そして、異常検出部１１４は、信号グループごとに、対象データ２１２を入力にして学習済みモデル２２１を演算する。
対象データ２１２が異常時の信号データである場合、学習済みモデル２２１の演算によって異常が検出される。異常検出のために、学習済みモデル２２１は例えば閾値を使用する。
【0049】
異常が検出された対象データ２１２を、異常データ２１３と称する。
【0050】
ステップＳ１６０において、要因推定部１１５は、異常データ２１３と相関関係情報２３１に基づいて異常要因を推定する。
【0051】
具体的には、要因推定部１１５は、信号グループごとに、異常データ２１３と相関関係情報２３１に基づいて異常要因を推定する。
【0052】
特に、要因推定部１１５は、検出された異常が設備２０１の故障を要因とする異常であるか否か、を異常要因として推定する。設備２０１は異常データ２１３の取得元である。
【0053】
異常要因は、以下のように推定される。
要因推定部１１５は、相関関係情報２３１に基づいて異常データ２１３の特徴量を算出し、算出された特徴量に基づいて異常要因を推定する。
要因推定部１１５は、相関関係情報２３１に基づいて異常データ２１３の特徴量を算出し、算出された特徴量に基づいて異常要因を推定する。
【0054】
具体的には、異常要因は以下のような手順で推定される。第一主成分および第二主成分は、相関関係情報２３１に示される主成分を意味する。つまり、第一主成分および第二主成分は、正常データ２１１の主成分を意味する。
まず、要因推定部１１５は、第一主成分における異常データ２１３の値と、第二主成分における異常データ２１３の値と、を算出する。
次に、要因推定部１１５は、第一主成分の統計量と、第一主成分における異常データ２１３の値と、を用いて第一主成分における異常データ２１３の特徴量を算出する。
また、要因推定部１１５は、第二主成分の統計量と、第二主成分における異常データ２１３の値と、を用いて第二主成分における異常データ２１３の特徴量を算出する。
そして、要因推定部１１５は、第一主成分における異常データ２１３の特徴量と、第二主成分における異常データ２１３の特徴量と、に基づいて異常要因を推定する。
まず、要因推定部１１５は、第一主成分における異常データ２１３の値と、第二主成分における異常データ２１３の値と、を算出する。
次に、要因推定部１１５は、第一主成分の統計量と、第一主成分における異常データ２１３の値と、を用いて第一主成分における異常データ２１３の特徴量を算出する。
また、要因推定部１１５は、第二主成分の統計量と、第二主成分における異常データ２１３の値と、を用いて第二主成分における異常データ２１３の特徴量を算出する。
そして、要因推定部１１５は、第一主成分における異常データ２１３の特徴量と、第二主成分における異常データ２１３の特徴量と、に基づいて異常要因を推定する。
【0055】
第二主成分における異常データ２１３の特徴量が第一主成分における異常データ２１３の特徴量より大きい場合、要因推定部１１５は、設備２０１の故障を異常要因として推定する。設備２０１は異常データ２１３の取得元である。
【0056】
図６に、第一主成分と第二主成分と異常データ（Ａ，Ｂ）の値の関係を示す。
図７に、異常データ（Ａ，Ｂ）の異常度を示す。異常度は特徴量に相当する。
異常データＡの場合、第二主成分の異常度よりも第一主成分の異常度の方が大きい。この場合、異常が検出されたが、信号間の相関関係は保たれている。そのため、異常要因が設備２０１の故障ではない可能性が高い。レアな運転条件が異常要因になっている可能性がある。
異常データＢの場合、第一主成分の異常度よりも第二主成分の異常度の方が大きい。この場合、信号間の相関関係が崩れている。そのため、異常要因が設備２０１の故障である可能性が高い。
図７に、異常データ（Ａ，Ｂ）の異常度を示す。異常度は特徴量に相当する。
異常データＡの場合、第二主成分の異常度よりも第一主成分の異常度の方が大きい。この場合、異常が検出されたが、信号間の相関関係は保たれている。そのため、異常要因が設備２０１の故障ではない可能性が高い。レアな運転条件が異常要因になっている可能性がある。
異常データＢの場合、第一主成分の異常度よりも第二主成分の異常度の方が大きい。この場合、信号間の相関関係が崩れている。そのため、異常要因が設備２０１の故障である可能性が高い。
【0057】
異常度（特徴量）は、例えばホテリング理論を使って以下のように計算される。
第一主成分の異常度ａ（ｄ１）は、以下の式で表される。
ａ（ｄ１） ＝（ｄ１）＾２／（σ１）＾２
ｄ１は、第一主成分における異常データ２１３の値（第一主成分得点）である。
σ１は、第一主成分における正常データ２１１の値の標準偏差である。
第二主成分の異常度ａ（ｄ２）は、以下の式で表される。
ａ（ｄ２） ＝（ｄ２）＾２／（σ２）＾２
ｄ２は、第二主成分における異常データ２１３の値（第二主成分得点）である。
σ２は、第二主成分における正常データ２１１の値の標準偏差である。
第一主成分の異常度ａ（ｄ１）は、以下の式で表される。
ａ（ｄ１） ＝（ｄ１）＾２／（σ１）＾２
ｄ１は、第一主成分における異常データ２１３の値（第一主成分得点）である。
σ１は、第一主成分における正常データ２１１の値の標準偏差である。
第二主成分の異常度ａ（ｄ２）は、以下の式で表される。
ａ（ｄ２） ＝（ｄ２）＾２／（σ２）＾２
ｄ２は、第二主成分における異常データ２１３の値（第二主成分得点）である。
σ２は、第二主成分における正常データ２１１の値の標準偏差である。
【0058】
図５に戻り、ステップＳ１６０の説明を続ける。
要因推定部１１５は、異常要因を示す情報（異常要因情報）を出力する。
例えば、要因推定部１１５は、異常データグループと、異常要因情報と、をディスプレイに表示する。
要因推定部１１５は、異常要因を示す情報（異常要因情報）を出力する。
例えば、要因推定部１１５は、異常データグループと、異常要因情報と、をディスプレイに表示する。
【0059】
＊＊＊実施の形態１の効果＊＊＊
図８に、教師データ有りの従来手法の概要を示す。
黒丸は異常検出データを表す。網掛けの丸は要因Ａの教師データを表す。白丸は要因Ｂの教師データを表す。
第１異常検出データの近傍には要因Ａの教師データが多い。そのため、第１異常検出データの場合、異常要因が要因Ａであると推定される。
第２異常検出データの近傍には、いずれの要因の教師データも無い。そのため、第２異常検出データの場合、異常要因を推定できない。
このように、教師データ有りの従来手法では、教師データが十分に無ければ異常要因をうまく推定できない。
図８に、教師データ有りの従来手法の概要を示す。
黒丸は異常検出データを表す。網掛けの丸は要因Ａの教師データを表す。白丸は要因Ｂの教師データを表す。
第１異常検出データの近傍には要因Ａの教師データが多い。そのため、第１異常検出データの場合、異常要因が要因Ａであると推定される。
第２異常検出データの近傍には、いずれの要因の教師データも無い。そのため、第２異常検出データの場合、異常要因を推定できない。
このように、教師データ有りの従来手法では、教師データが十分に無ければ異常要因をうまく推定できない。
【0060】
図９に、教師データ無しの従来手法の概要を示す。
黒丸は正常データを表す。網掛けの丸は異常データを表す。グラフは、第１異常データのベクトルと信号の関係を示す。
教師データ有りの従来手法では、正常データに対する異常データのベクトルに基づいて異常な信号が推定される。
第１異常データの場合、信号Ｘ１が異常であると推定される。
第２異常データは正常領域から外れているが、第２異常データにおいて信号Ｘ１のベクトルと信号Ｘ２のベクトルの相関関係が保たれている。この場合、異常要因は設備の故障ではなく、レアな稼働条件での学習データが不足していると考えられる。従来、このような考えを推定することはできなかった。
このように、教師データ無しの従来手法では、異常な信号を提示することはできるが、異常の種類を提示することはできなかった。
黒丸は正常データを表す。網掛けの丸は異常データを表す。グラフは、第１異常データのベクトルと信号の関係を示す。
教師データ有りの従来手法では、正常データに対する異常データのベクトルに基づいて異常な信号が推定される。
第１異常データの場合、信号Ｘ１が異常であると推定される。
第２異常データは正常領域から外れているが、第２異常データにおいて信号Ｘ１のベクトルと信号Ｘ２のベクトルの相関関係が保たれている。この場合、異常要因は設備の故障ではなく、レアな稼働条件での学習データが不足していると考えられる。従来、このような考えを推定することはできなかった。
このように、教師データ無しの従来手法では、異常な信号を提示することはできるが、異常の種類を提示することはできなかった。
【0061】
実施の形態１は、正常時のデータ特性（信号間の相関関係）に対して異常が検出されたデータがどのように乖離しているかを示す特徴量を算出して異常の種類を推定することができる、という効果を奏する。
つまり、実施の形態１は、教師データ無しの従来の手法よりも詳細に要因推定結果を提示できる。これにより、異常検出時に保守員は適切な対応を取ることができる。
つまり、実施の形態１は、教師データ無しの従来の手法よりも詳細に要因推定結果を提示できる。これにより、異常検出時に保守員は適切な対応を取ることができる。
【0062】
＊＊＊実施の形態１のまとめ＊＊＊
実施の形態１は、教師データ無しの異常要因推定手法として、信号ごとの異常度だけでなく異常の種類も推定する手法を開示する。
具体的には、実施の形態１は、正常時のデータ特性（信号間の相関関係）に対して異常が検出されたデータがどのように乖離しているかを示す特徴量を算出して異常の種類を推定する。
実施の形態１は、教師データ無しの異常要因推定手法として、信号ごとの異常度だけでなく異常の種類も推定する手法を開示する。
具体的には、実施の形態１は、正常時のデータ特性（信号間の相関関係）に対して異常が検出されたデータがどのように乖離しているかを示す特徴量を算出して異常の種類を推定する。
【0063】
要因推定方法は、関係導出処理と要因推定処理を有することを特徴とする。
関係導出処理は、正常時の信号間の相関関係を計算する。
要因推定処理は、正常時の信号間の相関関係を利用して異常検出データを特徴量に変換し、その特徴量を利用して異常要因を推定する。
関係導出処理は、正常時の信号間の相関関係を計算する。
要因推定処理は、正常時の信号間の相関関係を利用して異常検出データを特徴量に変換し、その特徴量を利用して異常要因を推定する。
【0064】
実施の形態１は、正常時の相関関係を考慮して異常データをベクトルに分解し、ベクトルを用いて要因を推定する、という新規性を有する。
実施の形態１は、教師データ無しでも異常の種類を推定できる、という進歩性を有する。
実施の形態１は、教師データ無しでも異常の種類を推定できる、という進歩性を有する。
【0065】
実施の形態１は、異常要因がラベル付けされた教師データを用いることなく異常時の要因（異常の種類）を推定することができる。
実施の形態１は、異常要因推定のための教師データの作成および蓄積の手間が省ける。そのため、実施の形態１の運用を早期に開始することができる。
実施の形態１は、異常要因推定のための教師データの作成および蓄積の手間が省ける。そのため、実施の形態１の運用を早期に開始することができる。
【0066】
＊＊＊実施例の説明＊＊＊
要因推定部１１５は、各信号の単体の異常度と信号間の相関関係の異常度に基づいて、異常要因を推定してもよい。これにより、より詳細な要因の推定が可能になる。
異常要因は以下のように推定される。
まず、要因推定部１１５は、信号ごとの異常度を算出する。また、要因推定部１１５は、信号間の相関関係の異常度を算出する。異常度は、異常データ２１３を使って、例えばホテリングＴ２法で算出される。
そして、要因推定部１１５は、算出された異常度の組み合わせに対応する異常要因を組み合わせ表から選択する。選択された異常要因が推定された異常要因である。
組み合わせ表は、各信号の異常度と信号間の相関関係（入出力関係）の異常度の組み合わせごとに異常要因を示す。
組み合わせ表は以下のように作成される。
まず、利用者は、設備２０１の設計情報および設備２０１の制御関係情報などを参照し、設備２０１の構成を把握する。
そして、利用者は、設備２０１の構成に基づいて、組み合わせ表を作成する。
図１０に、設備構成と組み合わせ表の例を示す。
設備は、機器ＡとセンサＢとセンサＣを備える。センサＢは入力信号Ｘを検出し、機器Ａは入力信号Ｘを出力信号Ｙに変換し、センサＣは出力信号Ｙを検出する。例えば、機器Ａは電動機であり、入力信号Ｘは電流であり、出力信号Ｙはトルクである。
組み合わせ表において、異常要因の欄は、結果の解釈と、故障の可能性が高い部位と、を示す。
要因（１）は、異常なし（正常）を意味する。
要因（２）は、単信号（Ｘ，Ｙ）は正常範囲だが入出力関係が崩れているため、機器Ａの故障の可能性が高いことを意味する。
要因（３）は、単信号は異常だが入出力関係が保たれているため、レアな運転条件（および操作ミスなど）が要因である可能性が高いことを意味する。
要因（４）は、単信号と入出力関係のどちらもおかしいため、設備構成（Ａ，Ｂ，Ｃ）がおかしいという可能性、又は、レアな運転条件（および操作ミスなど）が要因である可能性が高い、又は、両方の可能性が高いことを意味する。
要因（５）は、入力信号Ｘの異常度が高く入出力関係が崩れているため、センサＢが異常である可能性、又は、レアな運転条件（入力信号Ｘが高め）と機器Ａの異常が要因である可能性が高いことを意味する。
要因（６）は、出力信号Ｙの異常度が高く入出力関係が崩れているため、センサＣが異常である可能性、又は、機器Ａが異常である可能性が高いことを意味する。
要因推定部１１５は、各信号の単体の異常度と信号間の相関関係の異常度に基づいて、異常要因を推定してもよい。これにより、より詳細な要因の推定が可能になる。
異常要因は以下のように推定される。
まず、要因推定部１１５は、信号ごとの異常度を算出する。また、要因推定部１１５は、信号間の相関関係の異常度を算出する。異常度は、異常データ２１３を使って、例えばホテリングＴ２法で算出される。
そして、要因推定部１１５は、算出された異常度の組み合わせに対応する異常要因を組み合わせ表から選択する。選択された異常要因が推定された異常要因である。
組み合わせ表は、各信号の異常度と信号間の相関関係（入出力関係）の異常度の組み合わせごとに異常要因を示す。
組み合わせ表は以下のように作成される。
まず、利用者は、設備２０１の設計情報および設備２０１の制御関係情報などを参照し、設備２０１の構成を把握する。
そして、利用者は、設備２０１の構成に基づいて、組み合わせ表を作成する。
図１０に、設備構成と組み合わせ表の例を示す。
設備は、機器ＡとセンサＢとセンサＣを備える。センサＢは入力信号Ｘを検出し、機器Ａは入力信号Ｘを出力信号Ｙに変換し、センサＣは出力信号Ｙを検出する。例えば、機器Ａは電動機であり、入力信号Ｘは電流であり、出力信号Ｙはトルクである。
組み合わせ表において、異常要因の欄は、結果の解釈と、故障の可能性が高い部位と、を示す。
要因（１）は、異常なし（正常）を意味する。
要因（２）は、単信号（Ｘ，Ｙ）は正常範囲だが入出力関係が崩れているため、機器Ａの故障の可能性が高いことを意味する。
要因（３）は、単信号は異常だが入出力関係が保たれているため、レアな運転条件（および操作ミスなど）が要因である可能性が高いことを意味する。
要因（４）は、単信号と入出力関係のどちらもおかしいため、設備構成（Ａ，Ｂ，Ｃ）がおかしいという可能性、又は、レアな運転条件（および操作ミスなど）が要因である可能性が高い、又は、両方の可能性が高いことを意味する。
要因（５）は、入力信号Ｘの異常度が高く入出力関係が崩れているため、センサＢが異常である可能性、又は、レアな運転条件（入力信号Ｘが高め）と機器Ａの異常が要因である可能性が高いことを意味する。
要因（６）は、出力信号Ｙの異常度が高く入出力関係が崩れているため、センサＣが異常である可能性、又は、機器Ａが異常である可能性が高いことを意味する。
【0067】
使用される主成分分析は、一般的な主成分分析でもよいし、カーネル主成分分析のような特別な主成分分析でもよい。また、主成分分析以外の手法が使用されてもよい。
一般的な主成分分析以外の手法は、非線形の相関関係を有する信号の組が推定の対象になる場合に特に有効である。
信号間の相関関係の種類（線形または非線形）は、設備２０１の設計情報を参照して判定することができる。設計情報は信号仕様を示す。信号仕様は信号の仕様である。
一般的な主成分分析以外の手法は、非線形の相関関係を有する信号の組が推定の対象になる場合に特に有効である。
信号間の相関関係の種類（線形または非線形）は、設備２０１の設計情報を参照して判定することができる。設計情報は信号仕様を示す。信号仕様は信号の仕様である。
【0068】
非線形の相関関係を有する信号の組が推定の対象になる場合、要因推定装置１００は、信号間の相関関係を線形に変換し、変換後に一般的な主成分分析などを行ってもよい。
【0069】
信号間の相関関係を変化させる条件を、変化条件と称する。例えば、設備２０１の動作モードが変化条件となる。
学習済みモデル２２１は、変化条件ごとに作成され使い分けられてもよい。相関関係情報２３１は、変化条件ごとに算出され使い分けられてもよい。これにより、より精度の高い推定を実施することができる。
学習済みモデル２２１は、変化条件ごとに作成され使い分けられてもよい。相関関係情報２３１は、変化条件ごとに算出され使い分けられてもよい。これにより、より精度の高い推定を実施することができる。
【0070】
モデル構築部１１２は、除外時刻の正常データ２１１を除外し、残りの正常データ２１１を学習して学習済みモデル２２１を作成してもよい。
関係導出部１１３は、除外時刻の正常データ２１１を除外し、残りの正常データ２１１を使って相関関係情報２３１を算出してもよい。
除外時刻は、不正な信号データが取得された時刻である。例えば、除外時刻は、一部または全部の信号の値が取得されなかった時刻、または、一部または全部の信号の値が外れ値であった時刻である。
関係導出部１１３は、除外時刻の正常データ２１１を除外し、残りの正常データ２１１を使って相関関係情報２３１を算出してもよい。
除外時刻は、不正な信号データが取得された時刻である。例えば、除外時刻は、一部または全部の信号の値が取得されなかった時刻、または、一部または全部の信号の値が外れ値であった時刻である。
【0071】
＊＊＊実施の形態１の補足＊＊＊
図１１に基づいて、要因推定装置１００のハードウェア構成を説明する。
要因推定装置１００は処理回路１０９を備える。
処理回路１０９は、データ取得部１１１とモデル構築部１１２と関係導出部１１３と異常検出部１１４と要因推定部１１５とを実現するハードウェアである。
処理回路１０９は、専用のハードウェアであってもよいし、メモリ１０２に格納されるプログラムを実行するプロセッサ１０１であってもよい。
図１１に基づいて、要因推定装置１００のハードウェア構成を説明する。
要因推定装置１００は処理回路１０９を備える。
処理回路１０９は、データ取得部１１１とモデル構築部１１２と関係導出部１１３と異常検出部１１４と要因推定部１１５とを実現するハードウェアである。
処理回路１０９は、専用のハードウェアであってもよいし、メモリ１０２に格納されるプログラムを実行するプロセッサ１０１であってもよい。
【0072】
処理回路１０９が専用のハードウェアである場合、処理回路１０９は、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ、ＦＰＧＡまたはこれらの組み合わせである。
ＡＳＩＣは、Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔの略称である。
ＦＰＧＡは、Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙの略称である。
ＡＳＩＣは、Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔの略称である。
ＦＰＧＡは、Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙの略称である。
【0073】
要因推定装置１００は、処理回路１０９を代替する複数の処理回路を備えてもよい。
【0074】
処理回路１０９において、一部の機能が専用のハードウェアで実現されて、残りの機能がソフトウェアまたはファームウェアで実現されてもよい。
【0075】
このように、要因推定装置１００の機能はハードウェア、ソフトウェア、ファームウェアまたはこれらの組み合わせで実現することができる。
【0076】
実施の形態１は、好ましい形態の例示であり、本開示の技術的範囲を制限することを意図するものではない。実施の形態１は、部分的に実施してもよいし、他の形態と組み合わせて実施してもよい。フローチャート等を用いて説明した手順は、適宜に変更してもよい。
【0077】
要因推定装置１００の各要素の「部」は、「処理」、「工程」、「回路」または「サーキットリ」と読み替えてもよい。
【符号の説明】
【0078】
１００ 要因推定装置、１０１ プロセッサ、１０２ メモリ、１０３ 補助記憶装置、１０４ 通信装置、１０５ 入出力インタフェース、１０９ 処理回路、１１１ データ取得部、１１２ モデル構築部、１１３ 関係導出部、１１４ 異常検出部、１１５ 要因推定部、１９０ 記憶部、２００ 要因推定システム、２０１ 設備、２１０ 信号データＤＢ、２１１ 正常データ、２１２ 対象データ、２１３ 異常データ、２２０ モデルＤＢ、２２１ 学習済みモデル、２３０ 相関関係ＤＢ、２３１ 相関関係情報、２９１ 入力装置、２９２ 出力装置。
【要約】
関係導出部（１１３）は、信号グループの正常時の信号データである正常データを使って、正常時の信号間の相関関係を示す相関関係情報を算出する。要因推定部（１１５）は、異常が検出された信号データである異常データと、前記相関関係情報と、に基づいて異常要因を推定する。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】