特許 7520302 情報処理装置、情報処理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】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-07-12

(45)【発行日】2024-07-23

(54)【発明の名称】情報処理装置、情報処理方法及びプログラム

(51)【国際特許分類】

   G05B 23/02 20060101AFI20240716BHJP

【ＦＩ】

G05B23/02 302Y

【請求項の数】 7

(21)【出願番号】P 2020091650

(22)【出願日】2020-05-26

(65)【公開番号】P2021189552

(43)【公開日】2021-12-13

【審査請求日】2023-02-13

【新規性喪失の例外の表示】特許法第３０条第２項適用 令和 １年 ９月 ３日に、テイラー・アンド・フランシス・グループのウェブサイトにて公開（ｈｔｔｐｓ：／／ｗｗｗ．ｔａｎｄｆｏｎｌｉｎｅ．ｃｏｍ／ｄｏｉ／ｆｕｌｌ／１０．１０８０／２３７４４７３１．２０１９．１６５１６１９） 令和 １年 ９月 ４日に、１６ｔｈ ＩＢＰＳＡ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ａｎｄ Ｅｘｈｉｂｉｔｉｏｎにて公開 令和 １年 ９月２０日に、令和元年度空気調和・衛生工学会大会にて公開

(73)【特許権者】

【識別番号】000003687

【氏名又は名称】東京電力ホールディングス株式会社

(73)【特許権者】

【識別番号】504137912

【氏名又は名称】国立大学法人 東京大学

(74)【代理人】

【識別番号】100114557

【弁理士】

【氏名又は名称】河野 英仁

(74)【代理人】

【識別番号】100078868

【弁理士】

【氏名又は名称】河野 登夫

(72)【発明者】

【氏名】田中 勝彦

(72)【発明者】

【氏名】大神 寛人

(72)【発明者】

【氏名】赤司 泰義

(72)【発明者】

【氏名】宮田 翔平

(72)【発明者】

【氏名】桑原 康浩

【審査官】大古 健一

(56)【参考文献】

【文献】特開２０１２－０５８９３７（ＪＰ，Ａ）

【文献】特開２０１８－１９０２４５（ＪＰ，Ａ）

【文献】特開２０１２－０４３４２１（ＪＰ，Ａ）

【文献】特開２００５－２４８８４８（ＪＰ，Ａ）

【文献】特開２００４－２１１５８７（ＪＰ，Ａ）

(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】

熱源システムで消費、又は前記熱源システムから供給されたエネルギー量に関する指標値を含む前記熱源システムの運転データを取得する第１取得部と、
前記熱源システムに不具合がない正常運転状態での前記指標値を取得する第２取得部と、
前記運転データを入力として、予め定められた複数種類の不具合夫々の特徴が前記運転データに表れている度合いを示す確率値を出力するよう訓練データを学習済みの学習済みモデルに基づき、取得した前記運転データから前記確率値を算出する第１算出部と、
前記運転データが示す前記指標値と、正常運転状態での前記指標値とに基づき、前記エネルギー量の損失に相当する前記指標値の差分値を算出する第２算出部と、
前記確率値及び差分値の乗算値を閾値と比較することで、前記熱源システムの修繕箇所を決定する決定部とを備え、
前記第１取得部は、所定期間に亘る前記運転データを取得し、
前記第２取得部は、前記所定期間に亘る正常運転状態での前記指標値を取得し、
前記第１算出部は、前記所定期間に亘る前記運転データを単位期間毎に分割した各前記運転データを前記学習済みモデルに順次入力して前記確率値を算出し、前記所定期間に亘る前記確率値の時系列データを生成し、
前記第２算出部は、前記運転データが示す前記指標値と、正常運転状態での前記指標値との前記差分値を前記単位期間毎に算出して、前記所定期間に亘る前記差分値の時系列データを生成し、
前記決定部は、前記確率値及び差分値夫々の時系列データに基づき、前記修繕箇所を修繕すべき時期を決定する
ことを特徴とする情報処理装置。

【請求項2】

前記第２取得部は、前記指標値を含む正常運転状態での前記運転データを取得し、
前記第１取得部が取得した前記運転データと、正常運転状態での前記運転データとの差分を取って入力用の前記運転データを生成する生成部を備え、
前記第１算出部は、前記入力用の運転データを前記学習済みモデルに入力して前記確率値を算出する
ことを特徴とする請求項１に記載の情報処理装置。

【請求項3】

前記学習済みモデルは、訓練用の前記運転データに対し、不具合の種類及び程度を示すラベルが付与された訓練データを学習済みのモデルであり、
前記第１算出部は、前記学習済みモデルに基づき、不具合の種類及び程度に応じた前記確率値を算出する
ことを特徴とする請求項１又は２に記載の情報処理装置。

【請求項4】

前記学習済みモデルは、訓練用の前記運転データに対し、同時に発生している一又は複数の不具合の種類を示すラベルが付与された訓練データを学習済みのモデルであり、
前記第１算出部は、前記学習済みモデルに基づき、同時に発生している一又は複数の不具合の種類に応じた前記確率値を算出する
ことを特徴とする請求項１～３のいずれか１項に記載の情報処理装置。

【請求項5】

前記熱源システムの運転状態を再現するためのシミュレーションモデルを用いて、前記熱源システムに各種類の不具合が生じている状態の前記指標値と、正常運転状態での前記指標値とを算出する第３算出部と、
各種類の不具合が生じている状態の前記指標値と、正常運転状態での前記指標値とに基づき、各種類の不具合が生じた場合の前記指標値の変化率を算出する第４算出部と、
前記変化率に基づき、前記熱源システムの運転状態に与える影響が大きい不具合の種類を特定する特定部とを備え、
前記決定部は、前記確率値及び差分値に基づき、予め定められた複数種類の不具合の内、前記特定部が特定した種類の不具合に対応する箇所を修繕すべきか否か決定する
ことを特徴とする請求項１～４のいずれか１項に記載の情報処理装置。

【請求項6】

熱源システムで消費、又は前記熱源システムから供給されたエネルギー量に関する指標値を含む前記熱源システムの運転データを取得し、
前記熱源システムに不具合がない正常運転状態での前記指標値を取得し、
前記運転データを入力として、予め定められた複数種類の不具合夫々の特徴が前記運転データに表れている度合いを示す確率値を出力するよう訓練データを学習済みの学習済みモデルに基づき、取得した前記運転データから前記確率値を算出し、
前記運転データが示す前記指標値と、正常運転状態での前記指標値とに基づき、前記エネルギー量の損失に相当する前記指標値の差分値を算出し、
前記確率値及び差分値の乗算値を閾値と比較することで、前記熱源システムの修繕箇所を決定する
処理をコンピュータが実行する情報処理方法であって、
所定期間に亘る前記運転データを取得し、
前記所定期間に亘る正常運転状態での前記指標値を取得し、
前記所定期間に亘る前記運転データを単位期間毎に分割した各前記運転データを前記学習済みモデルに順次入力して前記確率値を算出し、前記所定期間に亘る前記確率値の時系列データを生成し、
前記運転データが示す前記指標値と、正常運転状態での前記指標値との前記差分値を前記単位期間毎に算出して、前記所定期間に亘る前記差分値の時系列データを生成し、
前記確率値及び差分値夫々の時系列データに基づき、前記修繕箇所を修繕すべき時期を決定する
処理をコンピュータが実行することを特徴とする情報処理方法。

【請求項7】

熱源システムで消費、又は前記熱源システムから供給されたエネルギー量に関する指標値を含む前記熱源システムの運転データを取得し、
前記熱源システムに不具合がない正常運転状態での前記指標値を取得し、
前記運転データを入力として、予め定められた複数種類の不具合夫々の特徴が前記運転データに表れている度合いを示す確率値を出力するよう訓練データを学習済みの学習済みモデルに基づき、取得した前記運転データから前記確率値を算出し、
前記運転データが示す前記指標値と、正常運転状態での前記指標値とに基づき、前記エネルギー量の損失に相当する前記指標値の差分値を算出し、
前記確率値及び差分値の乗算値を閾値と比較することで、前記熱源システムの修繕箇所を決定する
処理をコンピュータに実行させるプログラムであって、
所定期間に亘る前記運転データを取得し、
前記所定期間に亘る正常運転状態での前記指標値を取得し、
前記所定期間に亘る前記運転データを単位期間毎に分割した各前記運転データを前記学習済みモデルに順次入力して前記確率値を算出し、前記所定期間に亘る前記確率値の時系列データを生成し、
前記運転データが示す前記指標値と、正常運転状態での前記指標値との前記差分値を前記単位期間毎に算出して、前記所定期間に亘る前記差分値の時系列データを生成し、
前記確率値及び差分値夫々の時系列データに基づき、前記修繕箇所を修繕すべき時期を決定する
処理をコンピュータに実行させることを特徴とするプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、情報処理装置、情報処理方法及びプログラムに関する。

【背景技術】

【0002】

機械学習技術を用いて空気調和装置（以下、「空調機」と呼ぶ）、チラー装置などの熱源システムの不具合を診断する手法がある。例えば特許文献１では、空調機から検出した検出情報を、所定の時間間隔毎のフレームで区切って生成した二次元画像データと、当該二次元画像データが異常又は異常の前兆を示すものであるか否かを判定するための正解ラベルとを学習し、空調機の状態を検出する状態監視装置が開示されている。

【先行技術文献】

【特許文献】

【0003】

【文献】特許第６２９８５６２号公報

【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、特許文献１に係る発明は、診断対象のシステムの何処かに異常があることを検出するに過ぎず、不具合がある箇所を特定するに至っていない。

【0005】

一つの側面では、熱源システムの不具合診断を好適に実施することができる情報処理装置等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】

【0006】

一つの側面に係る情報処理装置は、熱源システムで消費、又は前記熱源システムから供給されたエネルギー量に関する指標値を含む前記熱源システムの運転データを取得する第１取得部と、前記熱源システムに不具合がない正常運転状態での前記指標値を取得する第２取得部と、前記運転データを入力として、予め定められた複数種類の不具合夫々の特徴が前記運転データに表れている度合いを示す確率値を出力するよう訓練データを学習済みの学習済みモデルに基づき、取得した前記運転データから前記確率値を算出する第１算出部と、前記運転データが示す前記指標値と、正常運転状態での前記指標値とに基づき、前記エネルギー量の損失に相当する前記指標値の差分値を算出する第２算出部と、前記確率値及び差分値の乗算値を閾値と比較することで、前記熱源システムの修繕箇所を決定する決定部とを備え、前記第１取得部は、所定期間に亘る前記運転データを取得し、前記第２取得部は、前記所定期間に亘る正常運転状態での前記指標値を取得し、前記第１算出部は、前記所定期間に亘る前記運転データを単位期間毎に分割した各前記運転データを前記学習済みモデルに順次入力して前記確率値を算出し、前記所定期間に亘る前記確率値の時系列データを生成し、前記第２算出部は、前記運転データが示す前記指標値と、正常運転状態での前記指標値との前記差分値を前記単位期間毎に算出して、前記所定期間に亘る前記差分値の時系列データを生成し、前記決定部は、前記確率値及び差分値夫々の時系列データに基づき、前記修繕箇所を修繕すべき時期を決定することを特徴とする。

【発明の効果】

【0007】

一つの側面では、熱源システムの不具合診断を好適に実施することができる。

【図面の簡単な説明】

【0008】

【図1】不具合診断システムの構成例を示す説明図である。

【図2】サーバの構成例を示すブロック図である。

【図3】運転ＤＢ、ラベルＤＢのレコードレイアウトの一例を示す説明図である。

【図4】診断モデルに関する説明図である。

【図5】不具合に応じた年間のエネルギー消費効率の変化率を示す説明図である。

【図6】診断確率、エネルギー消費効率、消費電力のピーク値、及び消費電力量に関する時系列データを示す説明図である。

【図7】診断結果の通知画面例を示す説明図である。

【図8】診断モデルの生成処理の手順を示すフローチャートである。

【図9】熱源システムの不具合診断処理の手順を示すフローチャートである。

【図10】変形例に係る修繕箇所の決定処理を説明するための説明図である。

【図11】実施の形態２に係るラベルＤＢのレコードレイアウトの一例を示す説明図である。

【図12】実施の形態２に係る診断モデルの生成処理の手順を示すフローチャートである。

【図13】実施の形態２に係る熱源システムの不具合診断処理の手順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、本発明をその実施の形態を示す図面に基づいて詳述する。
（実施の形態１）
図１は、不具合診断システムの構成例を示す説明図である。本実施の形態では、熱源システム４の不具合を診断する不具合診断システムについて説明する。不具合診断システムは、情報処理装置１、端末２、監視装置３を含む。各装置は、インターネット等のネットワークＮに通信接続されている。

【0010】

熱源システム４は、例えば建築物に設置された空調機用の熱源システムであり、室内側の熱負荷に応じて熱を生産・搬送するシステムである。なお、熱源システム４は、工業用機械の冷却システムなど、空調機以外の用途で使用される熱源システムであってもよい。熱源システム４は、冷凍機、冷却塔、蓄熱槽等を備え、冷媒（例えば水）を介して空調機に熱を供給する。

【0011】

情報処理装置１は、種々の情報処理、情報の送受信が可能な情報処理装置であり、例えばサーバコンピュータ、パーソナルコンピュータ等である。本実施の形態では情報処理装置１がサーバコンピュータであるものとし、以下では簡潔のためサーバ１と読み替える。サーバ１は、例えば冷媒の出入口温度、流量、圧力など、熱源システム４の運転状況を示す運転データから、当該熱源システム４の不具合を診断する処理を行う。具体的には、サーバ１は、運転データに対して不具合の有無及び種類を表すラベルが付与された訓練データを用いて機械学習を行い、不具合診断用の診断モデル１４２（学習済みモデル。図４参照）を生成してある。サーバ１は、診断対象である熱源システム４の運転データを診断モデル１４２に入力して、熱源システム４の不具合を診断し、修繕すべき熱源システム４の修繕箇所を決定する。

【0012】

端末２は、サーバ１のクライアント端末として機能する端末装置であり、例えばパーソナルコンピュータ、タブレット端末、スマートフォン等である。端末２のユーザは、例えば熱源システム４が設置されている建築物のオーナー、あるいは熱源システム４の保守点検を行う事業者などであり、サーバ１は、不具合の診断結果を端末２に通知してユーザに提示する。

【0013】

監視装置３は、熱源システム４の運転状況を監視する監視装置であり、例えばＢＥＭＳ（Building Energy Management System）を構成するローカルサーバである。監視装置３は、所定の時間毎（例えば１５分毎）に熱源システム４から運転データを取得して記録する。本実施の形態でサーバ１は、監視装置３から熱源システム４の運転データを取得して不具合診断を行う。

【0014】

なお、運転データの取得元は監視装置３に限定されず、例えばサーバ１は、ユーザが手動で計測、入力した運転データを端末２から取得するようにしてもよい。また、本実施の形態ではクラウド上のサーバ１が不具合診断を行うものとするが、診断モデル１４２をローカルコンピュータ（例えば端末２）にインストールし、ローカルで不具合診断を行うようにしてもよい。

【0015】

図２は、サーバ１の構成例を示すブロック図である。サーバ１は、制御部１１、主記憶部１２、通信部１３、及び補助記憶部１４を備える。
制御部１１は、一又は複数のＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro-Processing Unit）、ＧＰＵ（Graphics Processing Unit）等の演算処理装置を有し、補助記憶部１４に記憶されたプログラムＰを読み出して実行することにより、種々の情報処理、制御処理等を行う。主記憶部１２は、ＳＲＡＭ（Static Random Access Memory）、ＤＲＡＭ（Dynamic Random Access Memory）、フラッシュメモリ等の一時記憶領域であり、制御部１１が演算処理を実行するために必要なデータを一時的に記憶する。通信部１３は、通信に関する処理を行うための通信モジュールであり、外部と情報の送受信を行う。

【0016】

補助記憶部１４は、大容量メモリ、ハードディスク等の不揮発性記憶領域であり、制御部１１が処理を実行するために必要なプログラムＰ、その他のデータを記憶している。また、補助記憶部１４は、シミュレーションモデル１４１、診断モデル１４２、運転ＤＢ１４３、ラベルＤＢ１４４を記憶している。シミュレーションモデル１４１は、熱源システム４の運転状態を再現するためのモデルであり、実際の熱源システム４の仕様（冷凍機、冷却塔等の構成や定格値など）を元に構築されたシミュレーション計算用のモデルである。本実施の形態でサーバ１は、シミュレーションで計算（生成）された運転データを診断モデル１４２の訓練データとして用いる。診断モデル１４２は、訓練データを学習することで生成される学習済みモデルであって、後述のように、例えば深層学習で生成されたニューラルネットワークモデルである。診断モデル１４２は、人工知能ソフトウェアの一部として機能するプログラムモジュールとしての利用が想定される。運転ＤＢ１４３は、熱源システム４の運転データを格納するデータベースである。ラベルＤＢ１４４は、本実施の形態において不具合を表すデータとして用いられるラベルに関する情報を格納するデータベースである。

【0017】

なお、補助記憶部１４はサーバ１に接続された外部記憶装置であってもよい。また、サーバ１は複数のコンピュータからなるマルチコンピュータであっても良く、ソフトウェアによって仮想的に構築された仮想マシンであってもよい。

【0018】

また、本実施の形態においてサーバ１は上記の構成に限られず、例えば操作入力を受け付ける入力部、画像を表示する表示部等を含んでもよい。また、サーバ１は、ＣＤ（Compact Disk）－ＲＯＭ、ＤＶＤ（Digital Versatile Disc）－ＲＯＭ等の可搬型記憶媒体１ａを読み取る読取部を備え、可搬型記憶媒体１ａからプログラムＰを読み取って実行するようにしても良い。あるいはサーバ１は、半導体メモリ１ｂからプログラムＰを読み込んでも良い。

【0019】

図３は、運転ＤＢ１４３、ラベルＤＢ１４４のレコードレイアウトの一例を示す説明図である。運転ＤＢ１４３は、機器ＩＤ列、日時列、運転データ列を含む。機器ＩＤ列は、診断対象として本システムに登録してある熱源システム４（機器）を識別するための機器ＩＤを記憶している。日時列、運転データ列はそれぞれ、機器ＩＤと対応付けて、運転データの計測日時、及び計測された運転データを記憶している。運転データは、監視装置３（ＢＥＭＳ）で計測可能な複数のデータ項目から成るパラメータ群であって、例えば熱源システム４における冷媒の出口温度、入口温度、冷媒の流量などのパラメータのほかに、熱源システム４における消費電力、あるいは熱源システム４から空調機に供給された熱量など、エネルギー量に関する指標値を含む。

【0020】

ラベルＤＢ１４４は、ラベル列、不具合列、発生箇所列を含む。ラベル列は、不具合の有無及び種類を表すラベルを記憶している。本実施の形態では、ラベルはＦｘ（ｘ＝０、１、２…）で表され、不具合がない正常運転状態を表すラベルＦ０と、想定される不具合の種類に応じた３５種類のラベルＦ１～Ｆ３５とが用意されている。不具合列、発生箇所列はそれぞれ、ラベルと対応付けて、当該ラベルが表す不具合、及び当該不具合が発生する熱源システム４の該当箇所を記憶している。

【0021】

図４は、診断モデル１４２に関する説明図である。図４に基づき、診断モデル１４２の概要を説明する。

【0022】

本実施の形態でサーバ１は、診断モデル１４２として、ニューラルネットワークの一種であるＣＮＮ（Convolution Neural Network）から構成されるモデルを生成する。なお、図４ではＣＮＮを表すブロックを４つ図示してあるが、その理由は後述する。診断モデル１４２（ＣＮＮ）は、熱源システム４の運転データの入力を受け付ける入力層と、入力層に入力されたデータに基づく演算を行う中間層と、中間層での演算結果に基づき出力を行う出力層とを有する。入力層は、データの入力を受け付ける複数のニューロンを有し、入力された計測値を中間層に受け渡す。中間層は、入力データに基づく演算を行うための複数のニューロンを有し、入力データから特徴量を抽出する演算を行う。ＣＮＮでは、中間層は畳み込み層及びプーリング層が交互に連結された構造を有し、入力データを圧縮しながら特徴量を抽出する。出力層は、中間層で抽出した特徴量に基づき出力値の演算を行う。

【0023】

なお、診断モデル１４２はＣＮＮに限定されず、ＬＳＴＭ（Long-Short Term Memory）等の他のニューラルネットワークモデル、あるいはＳＶＭ（Support Vector Machine）、ランダムフォレスト、決定木など、その他の学習アルゴリズムに基づくモデルであってもよい。

【0024】

サーバ１は、訓練用の熱源システム４の運転データに対し、不具合の有無及び種類を表すラベルＦｘ（ｘ＝０、１、２…）が付与された訓練データを学習し、診断モデル１４２を生成する。具体的には、サーバ１は、シミュレーションモデル１４１を用いてシミュレーション計算を行い、各ラベルＦｘの熱源システム４の運転状態を再現した運転データを生成して訓練データに用いる。

【0025】

シミュレーションモデル１４１は、実際の熱源システム４の仕様（冷凍機、冷却塔等の構成や定格値など）を元に構築されたモデルであり、Ｍａｔｌａｂ（登録商標）等のソフトウェアにより実装される。なお、当該ソフトウェアはＭａｔｌａｂに限定されず、例えばＰｙｔｈｏｎなど、他のソフトウェアであってもよい。サーバ１は、シミュレーションを実行する上で必要な所定のパラメータの設定入力を受け付け、所定期間（例えば１年間）に亘って熱源システム４を運転した場合の運転データのシミュレーション計算を行う。なお、手動で設定されるパラメータは負荷流量、負荷熱量、送水温度設定値、外気温、外気相対湿度の５種類のパラメータであるが、その内容は特に限定されない。

【0026】

シミュレーションを実行する場合、サーバ１は、熱源システム４に不具合がない正常運転状態（Ｆ０）のほか、ラベルＦ１～Ｆ３５の各種類の不具合がある状態でのシミュレーション計算をそれぞれ行う。具体的には、サーバ１は、不具合に該当するラベルＦｘ（ｘ＝１、２、３…）のシミュレーションを行う場合、そのラベルＦｘの種類に応じてシミュレーションモデル１４１の規定値を変更する。詳細な説明は省略するが、例えばラベルＦ１（冷凍機劣化）の場合、凝縮器の汚れにより圧力損失が１５％増加し、冷凍機の性能が１０％低下するものとして、シミュレーションモデル１４１の規定値を変更する。また、例えばラベルＦ２（冷却塔劣化）の場合、性能低下により熱交換率が１０％低下するものとして規定値を変更する。以下同様に、サーバ１は、ラベルＦｘに応じて規定値を変更し、シミュレーション計算を行う。

【0027】

サーバ１は、各ラベルＦｘに応じた規定値の下でシミュレーションを行い、複数のデータ項目から成る運転データを生成する。運転データを構成するデータ項目は、実際の熱源システム４から計測可能なパラメータであり、例えば冷媒の出入口温度、流量、圧力などのほか、消費電力、供給熱量など、熱源システム４で消費又は供給されるエネルギー量に関する指標値を含む。なお、これらは運転データの一例であって、熱源システム４から計測可能なパラメータであればよい。本実施の形態でサーバ１は、監視装置３（ＢＥＭＳ）から取得可能な４８項目のパラメータを運転データとして扱う。

【0028】

サーバ１は、所定期間分の熱源システム４の運転データをシミュレーションで計算し、当該期間の運転データを訓練データに用いる。当該期間は例えば１年間であるが、１ヶ月、１週間など、その他の時間単位であってもよい。

【0029】

本実施の形態でサーバ１は、運転データを所定の単位期間毎に分割し、分割した各単位期間の運転データを画像に変換して、診断モデル１４２への入力とする。当該単位期間は例えば２４時間であるが、その時間単位は特に限定されない。サーバ１は、２４時間毎の運転データを画像に変換し、診断モデル１４２に入力する。

【0030】

図４左上に、診断モデル１４２への入力とする画像を概念的に図示する。当該画像は、一方の軸（図４では縦軸）を時間軸とし、他方の軸（横軸）を、運転データを構成する各データ項目とする画像である。画像内では、各時間（時刻）及びデータ項目に対応するパラメータの高低が濃淡で表現される。なお、図４では図示の便宜上、濃淡をハッチングにより図示している。

【0031】

サーバ１は、シミュレーションで計算した所定期間の運転データを単位期間毎に分割し、図４に示す画像に変換する。なお、濃淡は運転データの表現手法の一例であって、例えば色、輝度などで表現してもよい。サーバ１は、ラベルＦ０、Ｆ１、Ｆ２…の各運転データを同様に画像に変換して診断モデル１４２に入力し、診断モデル１４２（ＣＮＮ）に画像の特徴量を学習させる。

【0032】

なお、入力用の画像を生成する際に、前処理として、運転データを構成する各データ項目のパラメータを正規化し、不具合が生じている状態（Ｆ１～Ｆ３５）のパラメータから正常運転状態（Ｆ０）のパラメータを差し引いた値を入力用の運転データとする。運転データを構成するパラメータをｘ、Ｆ０でのパラメータをｘ０、前処理後のパラメータをΔｘとすると、当該前処理は以下の式（１）で表される。

【0033】

【数1】

【0034】

正常運転状態との差分を取って入力用の運転データとすることで、不具合の検出精度を高めることができる。

【0035】

本実施の形態に係る診断モデル１４２では、不具合診断を分類問題と捉え、入力された運転データ（画像）が、ラベルＦ０～Ｆ３５の何れの状態に類似するかを判断する。具体的には、診断モデル１４２は、各ラベルＦｘの特徴が運転データに表れている度合いを示す確率値を出力とする。なお、以下の説明では、診断モデル１４２から出力される確率値を「診断確率」と称する。

【0036】

図４下側に、診断モデル１４２から出力される診断確率を概念的に図示する。図４では、運転データに対応する所定期間（１年間）に亘って、単位期間（２４時間）毎の診断確率を示す時系列データを図示してある。サーバ１は、診断モデル１４２に入力される各単位期間の運転データ（画像）に基づき、各時点での診断確率を算出する。

【0037】

診断確率は、ラベルＦｘの特徴が入力の画像（運転データ）にどの程度表れているか、その度合いを確率値で表現したものであり、ラベルＦ０～Ｆ３５それぞれの確率値の合計が１００％（１．０）となるように計算される。ここで、各ラベルＦｘの診断確率は、必ずしもラベルＦｘに対応する不具合が生じている確率とは限らないことに留意されたい。なぜならば、学習時には訓練用の運転データとラベルＦｘとの関係が一対一の関係になっているものの、実際の熱源システム４では複数の不具合が同時に発生している場合があるためである。例えばラベルＦ１、Ｆ２の不具合が同時に発生している場合、ラベルＦ１、Ｆ２の確率は共に１００％と計算されるべきであるが、合計が１００％となるように、ラベルＦ１の診断確率がＸ％（Ｘ＜１００）、ラベルＦ２の診断確率は（１００－Ｘ）％というように計算される。このように、診断確率が小さくてもその不具合が生じている可能性はあり、不具合が生じている確率と診断確率とは必ずしも一致しない。そこで本明細書では、診断確率を、各種類の不具合（ラベルＦｘ）の特徴が運転データ（画像）に表れている度合いと定義する。

【0038】

サーバ１は、シミュレーションで計算した運転データを変換した画像を診断モデル１４２に入力し、診断確率を出力として取得する。そしてサーバ１は、取得した診断確率と正解のラベルＦｘとを比較し、正解のラベルＦｘの確率が高くなるように、ニューロン間の重みを誤差逆伝播法で調整する。サーバ１は、単位期間毎に生成した画像を順次入力して学習を行い、重みを最適化する。

【0039】

ここでサーバ１は、訓練データの学習効率を高めるため、アンサンブル学習により診断モデル１４２を生成する。アンサンブル学習は、複数の弱識別器を用いて学習を行う手法であり、各弱識別器を組み合わせることで識別精度を向上させる手法である。

【0040】

本実施の形態でサーバ１は、上記の所定期間（１年間）を複数の期間（例えば３ヶ月毎）に区分し、各期間の運転データを同じネットワーク構造の別々のＣＮＮ（弱識別器）に与えて学習させる。そしてサーバ１は、複数のＣＮＮそれぞれの出力（診断確率）の平均値を算出する集計関数を最終的な出力層として各ＣＮＮに接続し、最終的な診断モデル１４２とする。従って、図４に示すように、本実施の形態に係る診断モデル１４２は、並列関係にある複数のＣＮＮと、各ＣＮＮの出力が入力される一の出力層とを備えた構造となる。サーバ１は、上記のようにアンサンブル学習の手法を用いて診断モデル１４２を生成する。

【0041】

サーバ１は、生成した診断モデル１４２を用いて、診断対象である実際の熱源システム４の不具合診断を行う。例えばサーバ１は、監視装置３から運転データを逐次取得し、運転ＤＢ１４３に記憶してある。サーバ１は、直近の所定期間（１年間）の運転データを運転ＤＢ１４３から読み出し、学習時と同様に単位期間毎の画像に変換して診断モデル１４２に入力する。そしてサーバ１は、各単位期間の運転データに対応する診断確率を算出する。なお、診断時は、診断モデル１４２を構成する各ＣＮＮ（弱識別器）に同じ画像を入力して診断確率を算出し、出力層において平均値を算出する。これにより、図４下側に示すように、所定期間に亘る診断確率の時系列データを生成する。

【0042】

本実施の形態においてサーバ１は、診断モデル１４２に基づき算出した診断確率のほか、運転データに含まれるエネルギー量（消費電力、供給熱量等）に関する指標値を用いて、修繕すべき不具合を特定し、修繕箇所を決定する。

【0043】

図５は、不具合に応じた年間のエネルギー消費効率の変化率を示す説明図である。図６は、診断確率、エネルギー消費効率、消費電力のピーク値、及び消費電力量に関する時系列データを示す説明図である。図５及び図６に基づき、修繕箇所を決定する際の処理内容について説明する。

【0044】

上記のように、サーバ１は診断確率以外に、熱源システム４で消費、又は熱源システム４から空調機に供給されるエネルギー量に関する指標値を用いて修繕箇所を決定する。指標値は、例えばエネルギー消費効率（ＣＯＰ；Coefficient Of Performance、供給熱量を消費電力量で除算した値）、消費電力のピーク値、及び消費電力量である。なお、これらは指標値の例示であって、熱源システム４で消費又は供給されるエネルギー量に関連したパラメータであればよい。サーバ１は、エネルギー消費効率、消費電力のピーク値、及び消費電力量の内、一又は複数の指標値を用いて不具合診断を行う。具体的には、サーバ１は、図５に示す年間のエネルギー消費効率の変化率から、熱源システム４の運転状態に与える影響が大きい重要な不具合（以下、「重要不具合」と称する）を特定する。そしてサーバ１は、図６に示す診断確率及び指標値の時系列データから修繕すべき不具合を特定し、修繕箇所を決定する。

【0045】

図５では、不具合の発生によりエネルギー消費効率がどの程度変化するか、エネルギー消費効率の変化率をラベルＦｘ別に計算した結果を図示している。なお、変化率は以下の数式（２）で定義される。

【0046】

変化率 ＝ ｛（ＦｘのＣＯＰ－Ｆ０のＣＯＰ）／Ｆ０のＣＯＰ｝×１００ …（２）

【0047】

サーバ１は、上記のシミュレーション結果を用いて各ラベルＦｘのエネルギー消費効率を計算し、各ラベルＦｘに対応する変化率を算出する。図５では、各ラベルＦｘのエネルギー消費効率の変化率をドットで図示している。サーバ１は、算出した変化率に基づき、エネルギー消費効率の低下の幅が大きいラベルＦｘ、すなわち重要不具合を特定する。重要不具合の特定方法は特に限定されないが、例えば変化率を閾値（例えば－３％）と比較して閾値以下のラベルＦｘを特定する。あるいはサーバ１は、全てのラベルＦｘの変化率から外れ値検定を行い、外れ値となっているラベルＦｘを検出してもよい。

【0048】

なお、上記ではエネルギー消費効率に基づいて重要不具合を特定したが、消費電力のピーク値、又は消費電力量の変化率を算出して重要不具合を特定してもよい。すなわち、エネルギー量に関する指標値の変化率に基づいて重要不具合を特定可能であればよく、その指標値はエネルギー消費効率に限定されない。

【0049】

診断対象の熱源システム４の不具合を診断する場合、サーバ１は、上記で特定した重要不具合から、修繕すべき不具合を特定する。具体的には、図６に示す診断確率及び指標値の時系列データから、重要不具合の内、診断対象の熱源システム４に悪影響を及ぼしている不具合を特定する。

【0050】

図６では、診断モデル１４２を用いて生成した診断確率の時系列データのほかに、エネルギー消費効率、消費電力のピーク値、及び消費電力量について、正常運転状態との差分値を時系列で示す時系列データを図示している。サーバ１は、診断対象の熱源システム４の運転データが示す指標値と、正常運転状態での指標値との差分値を単位期間（２４時間）毎に算出し、図６に示す時系列データを生成する。各指標値に対応する差分値はそれぞれ、エネルギー消費効率の低下分、消費電力量のピーク値の増加分、及び消費電力量の損失分を表している。

【0051】

なお、正常運転状態での指標値は、例えばシミュレーションで計算したラベルＦ０の値を用いてもよく、あるいは診断対象である実際の熱源システム４において、正常運転状態での消費電力や供給熱量のサンプルテストを事前に行っておき、サンプルテストで計測した値を用いてもよい。このように、正常運転状態での指標値の取得方法は特に限定されない。

【0052】

サーバ１は、図６に示す時系列データから修繕すべき不具合を特定し、修繕箇所を決定する。例えばサーバ１は、エネルギー消費効率、消費電力のピーク値、及び消費電力量の内、一又は複数の指標値について差分値が閾値以上となっている時点（日付）を時系列データから特定する。そしてサーバ１は、特定した時点の診断確率を参照して、診断確率が閾値以上の不具合を特定する。サーバ１はラベルＤＢ１４４を参照して、特定した不具合に対応する箇所を修繕箇所に決定する。

【0053】

なお、上記の修繕箇所の決定方法は一例であり、他の方法で修繕箇所を決定してもよい。例えば後述の変形例のように、各ラベルＦｘの診断確率と差分値とを乗算して、各不具合に起因するエネルギー量の損失を不具合毎に推定し、修繕箇所を決定するようにしてもよい。

【0054】

また、上記では個々の時点について独立して診断確率及び差分値を閾値と比較したが、診断確率及び／又は差分値の時系列変化から修繕すべき不具合を特定してもよい。例えばサーバ１は、エネルギー量に関する指標値の正常運転状態との差分値（損失）が、一定期間で一定値以上上昇した場合、何らかの不具合が生じたものと判断し、診断確率を参照して不具合の種類を特定する。このように、サーバ１は、診断確率及び／又は差分値の時系列変化から修繕すべき不具合を特定してもよい。

【0055】

また、上記では、複数種類の不具合の内、指標値の変化率に基づいて特定した重要不具合のみを対象として、重要不具合に対応する箇所を修繕すべきか否か決定したが、本実施の形態はこれに限定されるものではない。例えばサーバ１は、重要不具合とその他の不具合とで異なる閾値と比較し、修繕すべき不具合を特定してもよい。例えばサーバ１は、重要不具合の閾値を、その他の不具合の閾値よりも小さな値に設定し、各々異なる閾値と比較する。これにより、全ての不具合を診断対象としつつ、重要不具合に対する重み付けがなされ、検出感度を向上させることができる。

【0056】

また、サーバ１は、診断対象とする熱源システム４に応じて、エネルギー消費効率、消費電力のピーク値、及び消費電力量の３種類の指標値から、不具合診断に用いる指標値を選択するようにしてもよい。例えばサーバ１は、熱源システム４が設置されている建築物での電力契約の形態に応じて、不具合診断の基準とする指標値を選択する。例えば電気料が消費電力のピーク値に大きく依存する電力契約である場合、サーバ１は消費電力のピーク値を指標値とする選択入力を事前に受け付け、消費電力のピーク値を指標値として不具合診断を行う。このように、個々の熱源システム４に応じて複数の指標値から何れかを選択し、不具合診断を行うようにしてもよい。

【0057】

サーバ１は、上記のように熱源システム４の修繕箇所を決定するほか、当該箇所を修繕すべき時期を年間（所定期間）の時系列データから決定する。例えばサーバ１は、上記で特定した時点（日付）に応じて修繕時期を決定する。例えばあるラベルＦｘの診断確率及び指標値が１月～４月の時点で閾値以上となっている場合、サーバ１は、１月～４月を修繕時期に決定する（図７参照）。このように、該当の不具合が発生時期を時系列データから推定し、修善時期を決定してもよい。

【0058】

図７は、診断結果の通知画面例を示す説明図である。サーバ１は、診断モデル１４２に基づき算出した診断確率や、診断確率等から決定した修繕箇所を含む診断結果を端末２に通知し、表示させる。図７では、端末２が表示する画面例を図示している。例えば端末２は、図７に示すように、各重要不具合の内容やその診断確率を示す表、並びに診断確率及び各指標値に係る差分値の時系列データを表示する。また、端末２は、修繕箇所及び時期に応じたメッセージを「診断結果」として表示し、ユーザに提示する。なお、図７の例では、現時点で既に修繕時期に当たる箇所については強調表示（下線付きのメッセージ）を行い、早急に修繕すべき旨をユーザに提示している。このように、修繕箇所だけでなく時期を併せて提示することで、ユーザは優先順位を付けて修繕を行うことができる。

【0059】

図８は、診断モデル１４２の生成処理の手順を示すフローチャートである。図８に基づき、機械学習を行って診断モデル１４２を生成する際の処理内容を説明する。
サーバ１の制御部１１は、シミュレーションモデル１４１に設定するパラメータの設定入力を受け付ける（ステップＳ１１）。制御部１１は、入力されたパラメータをシミュレーションモデル１４１に設定してシミュレーションを実行し、熱源システム４に不具合がない正常運転状態、及び熱源システム４に各種類の不具合がそれぞれ発生している状態の運転データを生成する（ステップＳ１２）。すなわち、制御部１１は、各ラベルＦｘ（ｘ＝０、１、２…）に対応する運転データのシミュレーション計算を行う。運転データは、熱源システム４から計測可能な複数のデータ項目から成るパラメータ群であって、冷媒の出入口温度、流量、圧力などのほか、消費電力、供給熱量など、熱源システム４で消費、又は熱源システム４から供給されるエネルギー量に関する指標値を含む。

【0060】

制御部１１は、生成した所定期間分の各ラベルＦｘの運転データを、当該所定期間を区分した複数の期間それぞれに対応して区分する（ステップＳ１３）。制御部１１は、各期間の運転データを単位期間（例えば２４時間）毎に分割し、分割した各運転データを、時間軸を一方の軸とし、運転データを構成する各データ項目を他方の軸として、各時間（時刻）及びデータ項目に対応するパラメータの高低を濃淡等で表現した画像に変換する（ステップＳ１４）。

【0061】

制御部１１は、ステップＳ１２で生成した運転データを訓練データとして、熱源システム４の運転データを入力とし、各種類の不具合それぞれの特徴が運転データに表れている度合いを示す診断確率を出力とする診断モデル１４２を生成する（ステップＳ１５）。具体的には上述の如く、制御部１１は、単位期間毎に変換した画像を入力として、各ラベルＦｘの診断確率を出力とするＣＮＮを診断モデル１４２として生成する。制御部１１は、ステップＳ１４で変換した画像を診断モデル１４２に入力し、各ラベルＦｘの診断確率を出力として取得する。制御部１１は、取得した診断確率を正解のラベルＦｘと比較し、ニューロン間の重みを最適化する。これにより制御部１１は、診断モデル１４２を生成する。

【0062】

この場合に制御部１１は、ステップＳ１３で区分した各期間の画像をそれぞれ別々の弱識別器（ＣＮＮ）に与え、複数の弱識別器を生成する。サーバ１は、複数の弱識別器と、各弱識別器から出力される診断確率の平均値を算出する出力層とから成る診断モデル１４２を生成する。

【0063】

制御部１１は、ステップＳ１１の計算した、正常運転状態でのエネルギー量に関する指標値と、各種類の不具合が生じている状態の指標値とに基づき、各不具合が生じた場合の指標値の変化率を算出する（ステップＳ１６）。制御部１１は、算出した変化率に基づき、熱源システム４の運転状態に与える影響が大きい重要不具合を特定する（ステップＳ１７）。制御部１１は一連の処理を終了する。

【0064】

図９は、熱源システム４の不具合診断処理の手順を示すフローチャートである。図９に基づき、診断対象である熱源システム４の不具合を診断する際の処理内容を説明する。
サーバ１の制御部１１は、診断対象である熱源システム４の運転データを取得する（ステップＳ３１）。具体的には、制御部１１は、直近の所定期間（例えば１年間）の運転データを運転ＤＢ１４３から読み出す。制御部１１は、取得した運転データを単位期間（２４時間）毎に分割し、画像に変換する（ステップＳ３２）。

【0065】

制御部１１は、変換した画像を診断モデル１４２に入力し、各種類の不具合の特徴が運転データに表れている度合いを示す診断確率を算出する（ステップＳ３３）。具体的には、制御部１１は、各単位期間（２４時間）の運転データを変換した各画像を診断モデル１４２に順次入力して診断確率を算出し、所定期間（１年間）に亘る診断確率の時系列データを生成する。

【0066】

また、制御部１１は、ステップＳ３１で取得した運転データに含まれるエネルギー量の指標値と、熱源システム４の正常運転状態での指標値とに基づき、熱源システム４におけるエネルギー量の損失に相当する指標値の差分値を算出する（ステップＳ３４）。具体的には、制御部１１は、ステップＳ３１で取得した運転データが示す指標値と、正常運転状態での指標値との差分値を単位期間毎に算出して、上記の所定期間に亘る差分値の時系列データを生成する。

【0067】

制御部１１は、ステップＳ３３で算出した診断確率と、ステップＳ３４で算出した差分値とに基づき、診断対象とした熱源システム４の修繕箇所を決定する（ステップＳ３５）。具体的には、制御部１１は、ステップＳ３３で生成した診断確率の時系列データと、ステップＳ３４で生成した差分値の時系列データとから、修繕箇所及び時期を決定する。例えば制御部１１は、エネルギー量に関する指標値の差分値が閾値以上である時点（日付）を特定する。制御部１１は、当該時点に対応する各不具合の診断確率から、ステップＳ１７で特定した重要不具合の内、診断確率が閾値以上の不具合を特定する。制御部１１はラベルＤＢ１４４を参照して、特定した不具合に対応する箇所を修繕箇所に決定する。また、制御部１１は、上記で特定した時点に応じて、修繕箇所を修繕すべき時期を決定する。制御部１１は、ステップＳ３３で算出した診断確率、ステップＳ３４で算出した差分値、ステップＳ３５で決定した修繕箇所及び時期等を含む診断結果を端末２に通知し（ステップＳ３６）、一連の処理を終了する。

【0068】

なお、上記ではシミュレーションにより訓練データを生成して診断モデル１４２の学習に用いることとしたが、訓練データは実際の診断モデル１４２から計測した運転データであってもよい。

【0069】

以上より、本実施の形態１によれば、診断モデル１４２から出力される診断確率によって熱源システム４に生じる不具合を把握すると共に、熱源システム４で消費又は供給されるエネルギー量の損失を把握して不具合診断を行う。これにより、単に熱源システム４の不具合を検知できるだけでなく、修繕すべきかどうかを定量的に評価することができ、不具合診断を好適に実施することができる

【0070】

また、本実施の形態１によれば、所定期間に亘る運転データから診断確率及び指標値に関する時系列データを生成し、修繕時期を決定する。これにより、修繕箇所を何時のタイミングで修繕すべきか、ユーザに提示することができる。

【0071】

また、本実施の形態１によれば、正常運転状態での運転データとの差分を取って入力用の運転データとすることで、不具合の検出精度を高めることができる。

【0072】

また、本実施の形態１によれば、重要不具合を予め特定し、当該重要不具合から修繕すべき不具合を特定するようにすることで、熱源システム４の修繕をより好適に支援することができる。

【0073】

また、本実施の形態１によれば、アンサンブル学習を行って複数の弱識別器から成る診断モデル１４２を生成することで、不具合の識別精度をより高めることができる。

【0074】

（変形例）
実施の形態１では、修繕箇所を決定する際に、不具合の診断確率と、エネルギー量に関する指標値とを別々に閾値と比較するものとした。一方で、両者を組み合わせて、各種類の不具合に起因するエネルギー量の損失を不具合毎に推定してもよい。

【0075】

図１０は、変形例に係る修繕箇所の決定処理を説明するための説明図である。図１０では、各不具合の診断確率と、エネルギー量に関する指標値の正常運転状態との差分値（熱源システム４全体でのエネルギー量の損失に相当）とを乗算して、不具合毎にエネルギー量の損失を推定する様子を概念的に図示している。

【0076】

例えばサーバ１は、重要不具合に該当する一又は複数のラベルＦｘの診断確率と、正常運転状態との差分値とを各時点について乗算し、各重要不具合に起因するエネルギー量の損失に相当する推定値を算出する。これにより、図１０下側に示すように、熱源システム４全体でのエネルギー量の損失に占める、各重要不具合による損失が時系列で計算される。サーバ１は、各重要不具合による損失に相当する推定値を閾値と比較し、修繕すべき重要不具合を特定して修繕箇所を決定する。サーバ１は、不具合毎にエネルギー量の損失を評価した図１０の下側の時系列データを端末２に通知して表示させ、決定した修繕箇所をユーザに提示する。

【0077】

このように、サーバ１は、各不具合の診断確率、及び熱源システム４全体のエネルギー量に関する指標値（の差分値）を組み合わせて、エネルギー量の損失を不具合毎に推定し、推定値に基づいて修繕箇所を決定してもよい。これにより、熱源システム４の損失を不具合毎に可視化し、修繕すべき箇所を好適に提示することができる。

【0078】

（実施の形態２）
実施の形態１では、不具合の有無及び種類を示すラベルＦｘを診断モデル１４２に学習させた。本実施の形態では、不具合の種類だけではなく、不具合の程度、及び複数種類の不具合の同時発生を診断モデル１４２に学習させる形態について述べる。なお、実施の形態１と重複する内容については同一の符号を付して説明を省略する。

【0079】

図１１は、実施の形態２に係るラベルＤＢ１４４のレコードレイアウトの一例を示す説明図である。本実施の形態に係るラベルＤＢ１４４は、不具合の有無及び種類を表すラベルＦ０、Ｆ１、Ｆ２、Ｆ３…以外に、不具合の程度を表現したラベルＦ１’、Ｆ２’、Ｆ３’…、及び複数種類の不具合が同時に発生していることを表現したラベルＦ１＋Ｆ２、Ｆ１＋Ｆ３、Ｆ１＋Ｆ２＋Ｆ３…を記憶している。ラベルＦ１’、Ｆ２’、Ｆ３’…はそれぞれ、ラベルＦ１、Ｆ２、Ｆ３…よりも不具合の程度が強いことを表す。ラベルＦ１＋Ｆ２、Ｆ１＋Ｆ３、Ｆ１＋Ｆ２＋Ｆ３…はそれぞれ、ラベルＦ１及びＦ２、ラベルＦ１及びＦ３、ラベルＦ１、Ｆ２及びＦ３…の不具合が同時に発生していることを表す。このように、本実施の形態では、不具合の種類及び程度を示すラベルＦ１’、Ｆ２’、Ｆ３’ …と、同時に発生している複数の不具合の種類を示すラベルＦ１＋Ｆ２、Ｆ１＋Ｆ３、Ｆ１＋Ｆ２＋Ｆ３…とが用意されている。

【0080】

サーバ１は、シミュレーションモデル１４１を用いて運転データを生成する際に、ラベルＦ０、Ｆ１、Ｆ２、Ｆ３…のほかに、ラベルＦ１’、Ｆ２’、Ｆ３’…、及びラベルＦ１＋Ｆ２、Ｆ１＋Ｆ３、Ｆ１＋Ｆ２＋Ｆ３…にそれぞれ対応する運転データを生成する。ラベルＦ１’、Ｆ２’、Ｆ３’…の運転データを生成する場合、サーバ１は、不具合の程度が強いことを再現するため、ラベルＦ１、Ｆ２、Ｆ３…よりも圧力損失や冷凍機の性能といった規定値の変更幅を大きくしてシミュレーションを実行し、運転データを生成する。ラベルＦ１＋Ｆ２、Ｆ１＋Ｆ３、Ｆ１＋Ｆ２＋Ｆ３…の運転データを生成する場合、サーバ１は、ラベルを構成する各不具合に応じて規定値を変更し、シミュレーションを行って運転データを生成する。

【0081】

サーバ１は、各ラベルの運転データを訓練データとして学習を行い、各ラベルの診断確率を出力する診断モデル１４２を生成する。これにより、サーバ１は、不具合の種類だけでなく、不具合の程度、及び同時発生を診断可能なモデルを構築する。診断対象の熱源システム４について不具合診断を行う場合、サーバ１は、運転データから上記の各ラベルの診断確率を算出する。

【0082】

診断確率から修繕箇所を決定する場合、サーバ１は、上記のラベルの種類に応じて修繕箇所や時期を決定してもよい。例えば不具合の程度が強いラベルＦ１’、Ｆ２’、Ｆ３’…については、ラベルＦ１、Ｆ２、Ｆ３…よりも閾値を小さく設定して検出感度を高めてもよい。また、複数種類の不具合が同時に発生しているラベルＦ１＋Ｆ２、Ｆ１＋Ｆ３、Ｆ１＋Ｆ２＋Ｆ３…についても、多数の箇所を修繕する必要があるため、同様に閾値を小さく設定して検出精度を高めてもよい。修繕時期についても同様に、ラベルＦ１’、Ｆ２’、Ｆ３’…及びラベルＦ１＋Ｆ２、Ｆ１＋Ｆ３、Ｆ１＋Ｆ２＋Ｆ３…については、ラベルＦ１、Ｆ２、Ｆ３…よりも修繕時期を早めてもよい。

【0083】

図１２は、実施の形態２に係る診断モデル１４２の生成処理の手順を示すフローチャートである。シミュレーション計算のためのパラメータの設定入力を受け付けた後（ステップＳ１１）、サーバ１は以下の処理を実行する。
サーバ１の制御部１１は、シミュレーションモデル１４１に基づくシミュレーションを実行し、熱源システム４の運転データを生成する（ステップＳ２０１）。本実施の形態で制御部１１は、上述の如く、不具合の有無及び種類を表すラベルＦｘのシミュレーションを行うほかに、ラベルＦｘよりも不具合の程度が強いことを表すラベルＦｘ’のシミュレーション、及び複数の不具合が同時に発生している場合のシミュレーションを行う。制御部１１は、各ラベルに応じた運転条件のパラメータを設定し、運転データを計算する。制御部１１は処理をステップＳ１３に移行する。

【0084】

ステップＳ１４での処理を実行後、制御部１１は、シミュレーションで計算した各ラベルの運転データを訓練データとして、診断モデル１４２を生成する（ステップＳ２０２）。すなわち、制御部１１は、ラベルＦｘの運転データのほか、不具合の程度が強いことを表すラベルＦｘ’の運転データ、及び複数の不具合が同時に発生している場合の運転データを訓練用の運転データに用いて、不具合の種類のほか、不具合の程度、及び同時発生を学習させた診断モデル１４２を生成する。制御部１１は処理をステップＳ１６に移行する。

【0085】

図１３は、実施の形態２に係る熱源システムの不具合診断処理の手順を示すフローチャートである。ステップＳ３２の処理を実行後、サーバ１は以下の処理を実行する。
サーバ１の制御部１１は、診断対象である熱源システム４の運転データから、診断モデル１４２に基づいて診断確率を算出する（ステップＳ２２１）。本実施の形態で制御部１１は、上述の如く、不具合の種類のほかに、不具合の程度、及び同時発生を一つのラベルと見なして、各ラベルに対応する診断確率を算出する。制御部１１は処理をステップＳ３４に移行する。

【0086】

ステップＳ３４の処理を実行後、制御部１１は、ステップＳ２２１で算出した診断確率と、及びエネルギー量に関する指標値の正常状態との差分値に基づいて修繕箇所を決定する（ステップＳ２２２）。ここで制御部１１は、不具合の種類のほかに程度、同時発生を表す各ラベルの診断確率を用いて修繕箇所を決定する。制御部１１は処理をステップＳ３６に移行する。

【0087】

以上より、本実施の形態２によれば、不具合の種類だけでなく、不具合の程度や同時発生を診断モデル１４２に学習させることで、熱源システム４の状態をより詳細に診断することができる。

【0088】

今回開示された実施の形態はすべての点で例示であって、制限的なものではないと考えられるべきである。本発明の範囲は、上記した意味ではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味及び範囲内でのすべての変更が含まれることが意図される。

【符号の説明】

【0089】

１ サーバ（情報処理装置）
１１ 制御部
１２ 主記憶部
１３ 通信部
１４ 補助記憶部
Ｐ プログラム
１４１ シミュレーションモデル
１４２ 診断モデル
１４３ 運転ＤＢ
１４４ ラベルＤＢ
２ 端末
３ 監視装置
４ 熱源システム

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】