特許 7592230 学習装置、状態推論装置、状態監視システム、及び学習方法

(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】2024-11-21

(45)【発行日】2024-11-29

(54)【発明の名称】学習装置、状態推論装置、状態監視システム、及び学習方法

(51)【国際特許分類】

   G06N 20/00 20190101AFI20241122BHJP

   G06F 18/211 20230101ALI20241122BHJP

   G06F 18/27 20230101ALI20241122BHJP

【ＦＩ】

G06N20/00

G06F18/211

G06F18/27

【請求項の数】 13

(21)【出願番号】P 2024556622

(86)(22)【出願日】2023-02-15

(86)【国際出願番号】 JP2023005086

【審査請求日】2024-09-25

【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

(74)【代理人】

【識別番号】110003166

【氏名又は名称】弁理士法人山王内外特許事務所

(72)【発明者】

【氏名】太中 裕貴

(72)【発明者】

【氏名】脇本 浩司

(72)【発明者】

【氏名】中村 隆顕

(72)【発明者】

【氏名】植村 美優

【審査官】大倉 崚吾

(56)【参考文献】

【文献】特開２０１０－０９２３５５（ＪＰ，Ａ）

【文献】特開２０１８－０５５４２４（ＪＰ，Ａ）

【文献】特開２０２０－１２８９７５（ＪＰ，Ａ）

【文献】米国特許出願公開第２０１１／０１１２９９８（ＵＳ，Ａ１）

【文献】特開２００８－１１７３８１（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｎ ３／００－９９／００

Ｇ０６Ｆ １８／００－１８／４０

(57)【特許請求の範囲】

【請求項1】

複数の説明変数により説明可能な学習データと、外部から指定された説明変数であって、前記複数の説明変数のうちの一つである第１の説明変数とに基づいて、前記学習データと前記第１の説明変数とにあてはまる第１の回帰モデルを構築する大域モデル構築部と、
前記複数の説明変数の中から第２の説明変数を選択する変数選択部であって、前記学習データのうち、前記大域モデル構築部により構築された第１の回帰モデルに基づいてばらついているとみなされる対象データを、前記学習データから分離可能な第２の説明変数を選択する変数選択部と、
前記変数選択部により選択された第２の説明変数と、前記第１の説明変数とに基づいて、前記対象データが分離された後の学習データを用いて、当該学習データと前記第１の説明変数とにあてはまる第２の回帰モデルを構築する局所モデル構築部と、
を備えた学習装置。

【請求項2】

前記変数選択部は、
前記大域モデル構築部により構築された第１の回帰モデルに基づいて、前記学習データを、ばらついているとみなされる前記対象データと、ばらついていないとみなされる非対象データとに分類するフィルタ処理部と、
前記フィルタ処理部により分類された前記対象データ及び前記非対象データに基づいて、前記第１の説明変数が取り得る範囲のうちの所定範囲を選択する範囲選択部と、
前記範囲選択部により選択された所定範囲に含まれる学習データを用いて、前記第２の説明変数を選択する変数選択処理部と、
を備えたことを特徴とする請求項１記載の学習装置。

【請求項3】

前記フィルタ処理部は、
前記大域モデル構築部により構築された第１の回帰モデルに基づいて得られる予測線に対して設定される、当該予測線を中心とした所定の信頼区間の外側に位置する学習データを前記対象データとし、当該予測線を中心とした所定の信頼区間の内側に位置する学習データを前記非対象データとすることを特徴とする請求項２記載の学習装置。

【請求項4】

前記範囲選択部は、
前記フィルタ処理部により分類された前記対象データ及び前記非対象データが、前記第１の説明変数に対してどの程度の頻度で出現するかを示す確率分布を、前記対象データ及び前記非対象データ毎に算出する分布計算部と、
前記分布計算部により算出された前記対象データの確率分布と、前記分布計算部により算出された前記非対象データの確率分布との差分を算出し、当該算出した差分が所定値以上となる前記第１の説明変数の範囲を、前記所定範囲として選択する分布差比較部と、
を備えたことを特徴とする請求項２又は請求項３に記載の学習装置。

【請求項5】

前記分布差比較部は、
外部から受け付けた探索幅であって、前記第１の説明変数の範囲のうち、前記非対象データが存在する割合が比較的高いと想定される範囲を示す探索幅の中から、前記所定範囲を選択することを特徴とする請求項４記載の学習装置。

【請求項6】

前記変数選択処理部は、
前記範囲選択部により選択された所定範囲に含まれる学習データが、ある説明変数に対してどの程度の頻度で出現するかを示す確率分布を生成し、当該生成した確率分布において、前記学習データの数に対して前記対象データが占める割合が所定値以上となる第１の説明変数の範囲を第１の範囲とし、当該第１の範囲を除く第１の説明変数の範囲を第２の範囲としたとき、
当該第２の範囲に含まれる学習データのうち、前記非対象データが占める割合が所定値以上となるような説明変数を、前記第２の説明変数として選択することを特徴とする請求項２又は請求項３に記載の学習装置。

【請求項7】

前記局所モデル構築部は、
前記変数選択部により選択された第２の説明変数と、前記第１の説明変数との組み合わせにより定められる領域のうち、ばらついているとみなされる前記対象データが出現した領域と、ばらついていないとみなされる非対象データが出現した領域とが示された画像を示すデータを生成する領域評価部と、
前記第１の説明変数と前記第２の説明変数との組み合わせにより定められる領域のうち、前記領域評価部により生成されたデータが示す画像に基づいて外部から指定された領域を受け付け、当該受け付けた領域に含まれる学習データを用いて、前記第２の回帰モデルを構築するモデル構築部と、
を備えたことを特徴とする請求項１から請求項３のうちのいずれか１項に記載の学習装置。

【請求項8】

前記大域モデル構築部により構築された第１の回帰モデルに対する外部からの評価を受け付ける第１のモデル評価部と、
前記局所モデル構築部により構築された第２の回帰モデルに対する外部からの評価を受け付ける第２のモデル評価部と、
を備えたことを特徴とする請求項１から請求項３のうちのいずれか１項に記載の学習装置。

【請求項9】

前記大域モデル構築部は、
前記第２のモデル評価部により受け付けられた評価が、所望の第２の回帰モデルが存在しないことを示すものである場合、前記学習データと、外部から指定された新たな第１の説明変数であって、前記複数の説明変数のうちの一つである新たな第１の説明変数とに基づいて、前記学習データと当該新たな第１の説明変数とにあてはまる第１の回帰モデルを再構築するモデル更新部を備える
ことを特徴とする請求項８記載の学習装置。

【請求項10】

複数の説明変数により説明可能な学習データと、外部から指定された説明変数であって、前記複数の説明変数のうちの一つである第１の説明変数とに基づいて、前記学習データと前記第１の説明変数とにあてはまる第１の回帰モデルを構築する大域モデル構築部と、
前記複数の説明変数の中から第２の説明変数を選択する変数選択部であって、前記学習データのうち、前記大域モデル構築部により構築された第１の回帰モデルに基づいてばらついているとみなされる対象データを、前記学習データから分離可能な第２の説明変数を選択する変数選択部と、
前記変数選択部により選択された第２の説明変数と、前記第１の説明変数とに基づいて、前記対象データが分離された後の学習データを用いて、当該学習データと前記第１の説明変数とにあてはまる第２の回帰モデルを構築する局所モデル構築部と、を備えた学習装置の前記局所モデル構築部により構築された第２の回帰モデルと、
対象機器から取得された、前記学習データに対応するデータ及び前記第１の説明変数に対応するデータと、を用いて、前記対象機器の状態を推論する状態推論装置。

【請求項11】

外部から受け付けた補正値であって、前記第２の回帰モデルにおける回帰係数を補正するための補正値に基づいて、前記第２の回帰モデルにおける回帰係数を補正するフィードバック情報生成部を備えた
ことを特徴とする請求項１０記載の状態推論装置。

【請求項12】

複数の説明変数により説明可能な学習データと、外部から指定された説明変数であって、前記複数の説明変数のうちの一つである第１の説明変数とに基づいて、前記学習データと前記第１の説明変数とにあてはまる第１の回帰モデルを構築する大域モデル構築部と、
前記複数の説明変数の中から第２の説明変数を選択する変数選択部であって、前記学習データのうち、前記大域モデル構築部により構築された第１の回帰モデルに基づいてばらついているとみなされる対象データを、前記学習データから分離可能な第２の説明変数を選択する変数選択部と、
前記変数選択部により選択された第２の説明変数と、前記第１の説明変数とに基づいて、前記対象データが分離された後の学習データを用いて、当該学習データと前記第１の説明変数との間にあてはまる第２の回帰モデルを構築する局所モデル構築部と、を備えた学習装置と、
前記局所モデル構築部により構築された第２の回帰モデルと、対象機器から取得された、前記学習データに対応するデータ及び前記第１の説明変数に対応するデータと、を用いて、前記対象機器の状態を推論する状態推論装置と、
を備えた状態監視システム。

【請求項13】

学習装置による学習方法であって、
大域モデル構築部が、複数の説明変数により説明可能な学習データと、外部から指定された説明変数であって、前記複数の説明変数のうちの一つである第１の説明変数とに基づいて、前記学習データと前記第１の説明変数とにあてはまる第１の回帰モデルを構築するステップと、
前記複数の説明変数の中から第２の説明変数を選択するステップであって、変数選択部が、前記学習データのうち、前記大域モデル構築部により構築された第１の回帰モデルに基づいてばらついているとみなされる対象データを、前記学習データから分離可能な第２の説明変数を選択するステップと、
局所モデル構築部が、前記変数選択部により選択された第２の説明変数と、前記第１の説明変数とに基づいて、前記対象データが分離された後の学習データを用いて、当該学習データと前記第１の説明変数との間にあてはまる第２の回帰モデルを構築するステップと、
を有する学習方法。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、学習装置、状態推論装置、状態監視システム、及び学習方法に関するものである。

【背景技術】

【0002】

製造業分野では、機械学習により学習された学習済みモデルを用いて、プラント及び回転機などの機器（以下、「対象機器」ともいう。）の異常検知が行われている。ここで、対象機器の異常とは、例えば対象機器の劣化である。一般に、対象機器からは、正常データを収集するよりも、異常データを収集する方が難しい。そこで、学習済みモデルの学習に際しては、学習装置は対象機器から収集された正常データのみを学習データとして用いて教師なし学習を行い、当該モデルを学習する場合が多い。この場合、対象機器の状態を推論する推論装置では、当該学習したモデルを用いて、対象機器の状態が正常状態からどの程度乖離しているかを表す異常度を算出する。このとき、推論装置では、異常度に対して異常と判定するための閾値が設定されており、算出した異常度が閾値を超えた場合に対象機器が異常であると判定する。このような異常検知技術に関連して、例えば非特許文献１及び非特許文献２には、線形回帰モデル及びガウス過程回帰モデルによる異常検知技術について記載されている。

【先行技術文献】

【非特許文献】

【0003】

【文献】井手 剛、“入門 機械学習による異常検知”、コロナ社、２０１９

【文献】井手 剛、“異常検知と変化検知”、コロナ社、２０１８

【発明の概要】

【発明が解決しようとする課題】

【0004】

上記非特許文献１及び非特許文献２は、学習装置が学習する正常データにばらつきが生じない場合の異常検知技術について述べている。一方、プラント及び回転機などの対象機器は、一定の稼働条件（例えば、一定の運転パターン及び動作パターン）で稼働し続けている場合は少なく、さまざまな稼働条件で稼働する場合が多い。この場合、対象機器から収集される正常データは、当該稼働条件の違いによってばらつきが生じることがある。なお、対象機器の稼働条件は、例えば当該対象機器の稼働に必要な電力の電流値又は電圧値など、数十から数百に及ぶ多数の制御情報（パラメータ）で決定される。

【0005】

このように、正常データにばらつきが生じる場合に対し、上記非特許文献１及び非特許文献２に記載の異常検知技術を適用する場合、当該異常検知技術を適用した学習装置（計算機）によって所望の回帰モデルを学習することが考えられる。この場合、当該学習装置（以下、「従来装置」ともいう。）では、すべてのパターンを網羅するように正常データをクラスタリングし、その結果学習された回帰モデルを用いて、推論装置が異常検知を実施することになる。ここで、物理的な観点で見れば、異常検知に向いている対象機器の稼働条件は限定的であることが少なくない。例えば、回転機の異常検知においては、通電時に当該回転機から収集した正常データには、電流による電磁ノイズの影響が含まれることがある。したがって、この場合、従来装置は無通電時に当該回転機から収集した正常データに限定して分析（回帰モデルの構築及び評価）を行うのが望ましい。しかしながら、従来装置は、現状では上記のような分析を行うことが困難であり、その結果、回帰モデルの学習にかかる工数が増大するという問題があった。

【0006】

本開示は上記のような課題を解決するためになされたもので、ばらつきのある学習データを用いて対象機器の異常を検知するための回帰モデルを学習するに際し、学習にかかる工数を従来よりも削減可能な学習装置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】

【0007】

本開示に係る学習装置は、複数の説明変数により説明可能な学習データと、外部から指定された説明変数であって、複数の説明変数のうちの一つである第１の説明変数とに基づいて、学習データと第１の説明変数とにあてはまる第１の回帰モデルを構築する大域モデル構築部と、複数の説明変数の中から第２の説明変数を選択する変数選択部であって、学習データのうち、大域モデル構築部により構築された第１の回帰モデルに基づいてばらついているとみなされる対象データを、学習データから分離可能な第２の説明変数を選択する変数選択部と、変数選択部により選択された第２の説明変数と、第１の説明変数とに基づいて、対象データが分離された後の学習データを用いて、当該学習データと第１の説明変数とにあてはまる第２の回帰モデルを構築する局所モデル構築部と、を備えたものである。

【発明の効果】

【0008】

本開示によれば、対象機器から収集されたばらつきのあるデータを用いて、当該対象機器の異常を検知するためのモデルを学習するに際し、学習にかかる工数を従来よりも削減可能となる。

【図面の簡単な説明】

【0009】

【図1】実施の形態１に係る状態監視システムの構成例を示す図である。

【図2】実施の形態１に係る学習装置の構成例を示す図である。

【図3】実施の形態１における振動データ及び制御情報データの一例を示す図である。

【図4】実施の形態１における大域的学習部（大域モデル構築部及びモデル評価部）の構成例を示す図である。

【図5】実施の形態１における大域モデルの画像例を示す図である。

【図6】実施の形態１における大域モデルの画像例を示す図である。

【図7】実施の形態１におけるフィルタ処理部による分類処理の具体例を説明する図である。

【図8】実施の形態１における局所的学習部（範囲選択部、局所モデル構築部及びモデル評価部）の構成例を示す図である。

【図9】実施の形態１における分布計算部による処理の具体例を説明する図である。

【図10】実施の形態１における第二変数選択処理部により生成される確率分布図の例を示す図である。

【図11】実施の形態１における領域評価部により生成される振動データの分布図の例を示す図である。

【図12】実施の形態１における画像出力部により生成される、予測誤差の算出結果を示す画像の例を示す図である。

【図13】実施の形態１に係る学習装置の動作例を説明するためのフローチャートである。

【図14】図１４Ａ、図１４Ｂは、実施の形態１に係る学習装置のハードウェア構成の一例を示す図である。

【図15】実施の形態１に係る状態推論装置の構成例を示す図である。

【図16】実施の形態１に係る状態推論装置における評価部の構成例を示す図である。

【図17】実施の形態１における画像出力部により生成される、比較結果を示す画像の例を示す図である。

【図18】実施の形態１に係る状態推論装置の動作例を説明するためのフローチャートである。

【図19】図１９Ａ、図１９Ｂは、実施の形態１に係る状態推論装置のハードウェア構成の一例を示す図である。

【図20】図２０Ａは、従来装置において適切な回帰モデルを選択することの困難性を説明するための図であり、図２０Ｂは、従来装置において学習データ（正常データ）のばらつきを評価することの困難性を説明するための図である。

【発明を実施するための形態】

【0010】

以下、本開示の実施の形態について、図面を参照しながら詳細に説明する。
実施の形態１．

【0011】

図１は、実施の形態１に係る状態監視システム１０００の構成例を示す図である。状態監視システム１０００は、例えば図１に示すように、記録部１００と、学習データ記録部２００と、学習装置３００と、状態推論装置６００とを含んで構成される。

【0012】

記録部１００は、例えばＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）及びＳＤＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）などの記録媒体で構成される。記録部１００は、学習装置３００により構築された学習済みモデルを示すデータを記録する。

【0013】

学習データ記録部２００は、例えばＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）及びＳＤＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）などの記録媒体で構成される。学習データ記録部２００は、学習装置３００が学習済みモデルを構築するために用いる学習データを記録する。

【0014】

学習装置３００及び状態推論装置６００は、それぞれ記録部１００に接続可能に構成されている。また、学習装置３００は、学習データ記録部２００に接続可能に構成されている。

【0015】

学習装置３００は、学習データ記録部２００に記録されている学習データを用いて、プラント及び回転機などの機器（対象機器）の異常検知を行うための学習済みモデルを機械学習により構築する。学習装置３００は、構築した学習済みモデルを示すデータを記録部１００に記録させる。

【0016】

状態推論装置６００は、学習装置３００により記録部１００に記録されたデータが示す学習済みモデルを用いて、対象機器の状態を推論することにより、当該対象機器の異常（例えば劣化）を検知する。

【0017】

また、状態監視システム１０００は、例えば図１に示すように、第一外部評価装置４００と、第二外部評価装置５００と、第三外部評価装置７００とを含んで構成される。

【0018】

第一外部評価装置４００及び第二外部評価装置５００は、学習装置３００に接続可能に構成されている。第一外部評価装置４００及び第二外部評価装置５００は、ユーザからの指示を学習装置３００に送信したり、学習装置３００による処理内容をユーザに提示するなど、学習装置３００に対するインタフェースとしての役割を担う装置である。

【0019】

第三外部評価装置７００は、状態推論装置６００に接続可能に構成されている。第三外部評価装置７００は、ユーザからの指示を状態推論装置６００に送信したり、状態推論装置６００による処理内容をユーザに提示するなど、状態推論装置６００に対するインタフェースとしての役割を担う装置である。

【0020】

以下の説明では、説明の便宜上、まず学習装置３００の詳細について説明し、次に状態推論装置６００の詳細について説明する。

【0021】

＜学習装置３００＞
図２は、実施の形態１に係る学習装置３００の構成例を示す図である。学習装置３００は、例えば図２に示すように、大域的学習部３０１と、局所的学習部３５０と、中間記録部３９０とを含んで構成される。

【0022】

学習装置３００は、任意の複数の説明変数（以下、「説明変数群」ともいう。）によって説明される目的変数を学習データとして、大域的学習部３０１による学習と、局所的学習部３５０による学習との二段階の機械学習を行うことにより、対象機器の異常を検知するための学習済みモデルを構築する。

【0023】

具体的には、まず、大域的学習部３０１は、対象機器に関する技能及び知識を有するユーザによって、説明変数群の中から選択された第１の説明変数を取得する。また、大域的学習部３０１は、当該取得した第１の説明変数によって説明される目的変数を学習データとして機械学習を行い、当該学習データと第１の説明変数との間にあてはまる学習済みモデルを構築する。また、大域的学習部３０１は、第一外部評価装置４００を介して、ユーザから当該学習済みモデルに対する評価を得る。これにより、大域的学習部３０１は、物理的な観点からの妥当性を獲得した大局的な学習済みモデルを構築する。大域的学習部３０１は、当該構築した学習済みモデルを示すデータを中間記録部３９０に記録させる。

【0024】

次いで、局所的学習部３５０は、大域的学習部３０１により中間記録部３９０に記録されたデータが示す学習済みモデルを用いて、上述の学習データを、「ばらついている（ばらつきが大きい）とみなされるデータ」と「ばらついていない（ばらつきが小さい）とみなされるデータ」とに分類する。また、局所的学習部３５０は、上述の学習データから、「ばらついている（ばらつきが大きい）とみなされるデータ」を精度よく分離することが可能な説明変数であって、ユーザによって選択された第１の説明変数とは異なる第２の説明変数を、上述の説明変数群の中から探索する。なお、ここでは、「分離することが可能」もしくは「分離可能」とは、学習データから「ばらついている（ばらつきが大きい）とみなされるデータ」を完全に分離可能であることを意味するのではなく、前者から後者を大まかに分離可能であることを意味する。

【0025】

そして、局所的学習部３５０は、探索された第２の説明変数と、上述の第１の説明変数とに基づいて、「ばらついている（ばらつきが大きい）とみなされるデータ」が分離された後の学習データを用いて機械学習を行うことにより、当該分離後の学習データと、第１の説明変数との間にあてはまる局所的な学習済みモデルを構築する。ここで、局所的な学習済みモデルとは、物理的な観点から「ばらついている（ばらつきが大きい）とみなされるデータ」が分離された後の学習データを用いて学習されたモデルを意味する。

【0026】

ここで、学習装置３００が学習に用いる学習データは、学習データ記録部２００に記録されている。学習データ記録部２００は、例えば図２に示すように、振動ＤＢ２１０と、制御情報ＤＢ２２０とを備えている。

【0027】

振動ＤＢ２１０は、振動データを記録する。振動データは、例えば図３の一番上のグラフに示すように、振動振幅値の時間変化を示すデータである。なお、振動データは、振動振幅値の特徴量の時間変化を示すデータであってもよい。その場合、振動振幅値の特徴量とは、例えば振動振幅値のＲＭＳ値などであればよい。なお、以下の説明では、振動データが振動振幅値のＲＭＳ値である場合を例に説明する。

【0028】

制御情報ＤＢ２２０は、説明変数である制御情報データを記録する。制御情報データは、例えば図３の上から二番目から四番目のグラフに示すように、制御情報の時間変化を示すデータである。ここで、制御情報とは、対象機器の稼働条件を決定するパラメータであり、例えば対象機器が回転機である場合の回転数、当該回転機の駆動電力の電流値、及び、Ａｃｃｅｌ／Ｄｅｃｅｌなどである。

【0029】

なお、制御情報ＤＢ２２０に記録されている各制御情報データと、振動ＤＢ２１０に記録されている振動データとは、時間的に同期している。また、この場合、振動データは目的変数に相当し、各制御情報データは当該振動データを説明する説明変数に相当する。

【0030】

なお、以下の説明では、振動データが目的変数に相当し、各制御情報データが説明変数に相当する場合を例に説明するが、これはあくまで一例であり、目的変数及び説明変数は上記以外のデータであってもよい。また、以下の説明では、説明変数群を制御情報群ともいう。

【0031】

＜大域的学習部３０１＞
大域的学習部３０１は、例えば図２に示すように、データ抽出部３０２と、説明変数取得部３０３と、大域モデル構築部３０４と、モデル評価部３０５とを含んで構成される。

【0032】

（説明変数取得部３０３）
まず、ユーザは、振動データを説明する説明変数群（制御情報群）の中から、任意の制御情報を選択し、当該選択した制御情報を第一外部評価装置４００に入力する。ここでは、説明を分かり易くするため、ユーザは制御情報として「回転数」を選択したものとする。説明変数取得部３０３は、ユーザが第一外部評価装置４００に入力した制御情報を、第１の説明変数ｘ１として、第一外部評価装置４００から取得する。また、説明変数取得部３０３は、当該取得した第１の説明変数ｘ１を示すデータを、変数記述子Ｄ１３として、データ抽出部３０２に出力する。

【0033】

（データ抽出部３０２）
データ抽出部３０２は、説明変数取得部３０３から変数記述子Ｄ１３を取得する。データ抽出部３０２は、当該取得した変数記述子Ｄ１３に該当する制御情報データを、学習データ記録部２００内の制御情報ＤＢ２２０から取得する。ここでは、データ抽出部３０２は、変数記述子Ｄ１３が「回転数」を示しているため、図３の上から二番目に示す制御情報データを制御情報ＤＢ２２０から取得する。

【0034】

また、データ抽出部３０２は、学習データ記録部２００内の振動ＤＢ２１０から振動データを取得する。そして、データ抽出部３０２は、当該取得した制御情報データ及び振動データを、学習用データＤ１２として、大域モデル構築部３０４へ出力する。

【0035】

（大域モデル構築部３０４）
大域モデル構築部３０４は、複数の説明変数により説明可能な振動データと、外部から指定された説明変数であって、複数の説明変数のうちの一つである第１の説明変数ｘ１とに基づいて、振動データと第１の説明変数ｘ１とにあてはまる回帰モデルを学習する。大域モデル構築部３０４は、例えば図４に示すように、モデル構築部３１１と、モデル更新部３１２とを含んで構成される。

【0036】

モデル構築部３１１は、データ抽出部３０２から学習用データＤ１２を取得する。モデル構築部３１１は、当該取得した学習用データＤ１２を用いて、教師なし学習による学習を行うことにより、回帰モデルを構築する。このとき、モデル構築部３１１は、学習用データＤ１２に含まれる制御情報データ（回転数）を説明変数とし、学習用データＤ１２に含まれる振動データ（振動振幅値のＲＭＳ値）を目的変数として、教師なし学習による学習を行う。なお、この場合の学習方法としては、線形回帰、多項式回帰、及びガウス過程回帰等の既知の学習方法を用いればよい。また、以下の説明では、ここで構築される回帰モデルを「大域モデル」ともいう。

【0037】

なお、大域モデルは、第１の説明変数ｘ１（制御情報データ）を入力とし、目的変数（振動データ）を出力するモデルであるが、大域モデルでは、制御情報データと振動データとの間のおおまかな回帰の傾向が再現できればよい。そのため、モデル構築部３１１は、大域モデルの構築に際し、必ずしも学習用データＤ１２に含まれるすべての制御情報データ及び振動データを用いる必要はない。例えば、モデル構築部３１１は、ユーザにより指定された任意の時間範囲に対応する制御情報データ及び振動データを用いて、大域モデルの構築を行ってもよい。

【0038】

モデル構築部３１１は、構築した大域モデルを示すデータ（以下、「大域モデルデータ」ともいう。）、及び、当該大域モデルの学習に用いた制御情報データ及び振動データを、データＤ１８としてモデル更新部３１２に出力する。

【0039】

なお、モデル構築部３１１は、複数パターンの大域モデルを構築してもよい。その場合、モデル構築部３１１は、パターン毎の大域モデルデータと、その学習に用いた制御情報データ及び振動データとを、データＤ１８としてモデル更新部３１２に出力する。

【0040】

モデル更新部３１２は、モデル構築部３１１からデータＤ１８を取得する。また、モデル更新部３１２は、後述する局所的学習部３５０のモデル評価部３５５がデータＤ６０を出力した場合、当該データＤ６０をモデル評価部３５５から取得し、ユーザの指示に応じて大域モデルの更新（再構築）を行う。この場合の更新処理については後述する。

【0041】

モデル更新部３１２は、大域モデルを更新した場合、更新後の大域モデルを示すデータと、更新の際に用いた制御情報データ及び振動データとを合わせたデータを、データＤ１４として、モデル評価部３０５に出力する。また、モデル更新部３１２は、上記モデル評価部３５５がデータＤ６０を出力しておらず、大域モデルを更新しなかった場合、データＤ１８をそのままデータＤ１４として、モデル評価部３０５に出力する。

【0042】

（モデル評価部３０５）
モデル評価部３０５は、データＤ１４に含まれるデータが示す大域モデルに対する外部（例えばユーザ）からの評価を受け付ける。モデル評価部３０５は、例えば図４に示すように、画像出力部３１３と、モデル決定部３１４とを含んで構成される。

【0043】

画像出力部３１３は、モデル更新部３１２からデータＤ１４を取得する。画像出力部３１３は、当該取得したデータＤ１４に含まれる大域モデルデータに基づいて、当該データが示す大域モデルを画像化し、大域モデルの画像を示すデータ（以下、「大域モデル画像データ」ともいう。）を生成する。画像出力部３１３は、生成した大域モデル画像データを、データＤ１５として、第一外部評価装置４００に出力する。

【0044】

大域モデルの画像の例を図５に示す。例えば図５において、符号５０１は大域モデルにより得られる回帰式を示す曲線（予測線）であり、符号５０２は回帰式を示す曲線（予測線）に対して設定される信頼区間（例えば曲線５０１±５％）の境界を示している。

【0045】

なお、画像出力部３１３は、データＤ１４に複数パターンの大域モデルデータが含まれている場合、各大域モデルデータに基づいて、例えば図６のように、パターン毎の大域モデル画像データを生成し、生成した各大域モデル画像データを、データＤ１５として、第一外部評価装置４００に出力する。

【0046】

第一外部評価装置４００は、画像出力部３１３からデータＤ１５を取得する。第一外部評価装置４００は、当該取得したデータＤ１５に基づいて、大域モデルの画像をディスプレイなどの表示部（不図示）に１つ以上表示する。ユーザは、当該表示部に表示された大域モデルの画像が１つである場合、当該画像を確認し、物理的な観点から当該大域モデルが正しいと考えられるか否かを判定し、正しいと考えられる場合はその旨を示す判定結果を第一外部評価装置４００に入力する。また、ユーザは、当該表示部に表示された大域モデルの画像が複数である場合、当該各画像を確認し、物理的な観点から正しいと考えられる大域モデルを選択し、選択結果を第一外部評価装置４００に入力する。

【0047】

また、このとき、ユーザは、上記学習に用いた制御情報データ（ここでは回転数）の時系列上の時間範囲のうち、振動データのばらつきが比較的少ないと考えられる範囲、又は、振動データに対象機器の特性が反映されていると考えられる範囲を、探索幅Ｓとして指定し、第一外部評価装置４００に入力する。ここで、探索幅Ｓとは、後述する局所的学習部３５０の範囲選択部３５２において、振動データのばらつきが少ない領域を探索する際に用いられる変数である。

【0048】

第一外部評価装置４００は、ユーザによる上記判定結果又は上記選択結果を示すデータと、ユーザから入力された探索幅Ｓを示すデータとを合わせたデータを、データＤ１６として、モデル決定部３１４へ出力する。

【0049】

なお、ユーザは、物理的な観点から正しいと考えられる大域モデルが存在しない場合、例えば以下の二つの動作のうちのいずれかを行えばよい。例えば、ユーザは、第一外部評価装置４００を用いて、その時点で構築されている大域モデルを棄却し、最初に入力した制御変数（ここでは回転数）とは別の制御情報を第一外部評価装置４００に入力する。そして、当該別の制御情報を、新たな第１の説明変数ｘ１として説明変数取得部３０３に取得させ、以降は上記と同様の処理を経て、大域モデル構築部３０４に大域モデルを再構築させればよい。

【0050】

あるいは、ユーザは第１の説明変数ｘ１をそのままとし、第一外部評価装置４００を用いて、大域モデルの画像に基づいて、ばらついているとみなされるデータを振動データから除外し、その上で大域モデル構築部３０４に大域モデルを再構築させる。ユーザは、上記いずれかの動作を、物理的な観点から正しいと考えられる大域モデルが構築されるまで繰り返せばよい。

【0051】

モデル決定部３１４は、第一外部評価装置４００からデータＤ１６を取得する。モデル決定部３１４は、当該取得したデータＤ１６に基づき、ユーザが物理的な観点から正しいと判定した大域モデルを示すデータ、又はユーザが物理的な観点から正しいモデルとして選択した大域モデルを示すデータを、データＤ１７として中間記録部３９０へ記録させる。このデータＤ１７が示すモデルが、上述した大局的な学習済みモデルに相当する。

【0052】

なお、その際、モデル決定部３１４は、データＤ１６に含まれている上記探索幅Ｓを示すデータを範囲記述子とし、当該範囲記述子と、上記大域モデルの学習に用いられた制御情報データの識別子（例えば名称）とを、データＤ１７に含めて中間記録部３９０へ記録させる。

【0053】

（中間記録部３９０）
中間記録部３９０は、データＤ１７を記録する。すなわち、中間記録部３９０は、大局的な学習済みモデルに相当する大域モデルを示すデータ（大域モデルデータ）、制御情報データの識別子、及び、範囲記述子を記録する。

【0054】

＜局所的学習部３５０＞
局所的学習部３５０は、例えば図２に示すように、第二変数選択部３６０と、局所モデル構築部３５４と、モデル評価部３５５とを含んで構成される。また、第二変数選択部３６０は、例えばフィルタ処理部３５１と、範囲選択部３５２と、第二変数選択処理部３５３とを含んで構成される。

【0055】

（フィルタ処理部３５１）
フィルタ処理部３５１は、中間記録部３９０に記録されているデータＤ１７（大域モデルデータ、制御情報データの識別子、及び、範囲記述子）を大域的モデル記述子Ｄ５１として取得する。

【0056】

また、フィルタ処理部３５１は、学習データ記録部２００を参照し、振動ＤＢ２１０に記録されている振動データと、制御情報ＤＢ２２０に記録されている制御情報データのうちデータＤ１７に含まれる制御情報データの識別子に該当するデータとを、データＤ５２として取得する。

【0057】

そして、フィルタ処理部３５１は、当該取得した大域的モデル記述子Ｄ５１及びデータＤ５２に基づいて、データＤ５２に含まれる振動データを、ばらついているとみなされるデータと、ばらついていないとみなされるデータとに分類（フィルタリング）し、分類した双方のデータにラベル付けを行う。

【0058】

例えば、フィルタ処理部３５１は、大域モデルに基づいて振動データのばらつき具合を判定し、振動データのうちばらついているとみなされるデータに対して「ＤａｔａＡ」とのラベルを付し、振動データのうちばらついていないとみなされるデータに対して「ＤａｔａＢ」とのラベルを付す。そして、フィルタ処理部３５１は、当該ラベルを付与した振動データと、上述の大域的モデル記述子Ｄ５１と合わせたデータを、データＤ５３として、範囲選択部３５２に出力する。

【0059】

フィルタ処理部３５１による分類処理の具体例を図７に示す。例えば、図７Ａは、横軸に第１の説明変数ｘ１（回転数）を取り、縦軸に振動データを取った場合の振動データ（ＲＭＳ値）の分布図を示している。また、図７Ｂは、中間記録部３９０に記録されているデータＤ１７に含まれる大域モデルデータが示す大域モデルの画像を示している。また、図７Ｃは、フィルタ処理部３５１による分類処理後の振動データの分布図である。

【0060】

例えば、フィルタ処理部３５１は、図７Ａと図７Ｂとを重ね合わせ、図７Ａに示す振動データのうち、図７Ｂの大域モデルにおける曲線（予測線）７０１に対して設定された信頼区間の外側に位置する振動データを、ばらついているとみなされるデータとし、それらのデータに「ＤａｔａＡ」とのラベルを付す（図７Ｃの下側の図）。また、フィルタ処理部３５１は、図７Ａに示す振動データのうち、上記信頼区間の内側に位置する振動データを、ばらついていないとみなされるデータとし、それらのデータに「ＤａｔａＢ」とのラベルを付す（図７Ｃの上側の図）。

【0061】

なお、以下の説明では、説明を分かり易くするため、フィルタ処理部３５１により、ばらついているとみなされたデータを単に「ＤａｔａＡ」ともいい、ばらついていないとみなされたデータを単に「ＤａｔａＢ」ともいう。また、これらのデータを合わせて「ラベル付きデータ」ともいう。

【0062】

（範囲選択部３５２）
範囲選択部３５２は、例えば図８に示すように、分布計算部３６１と、分布差比較部３６２とを含んで構成される。

【0063】

分布計算部３６１は、フィルタ処理部３５１からデータＤ５３を取得する。分布計算部３６１は、当該取得したデータＤ５３に含まれるラベル付きデータに基づいて、ＤａｔａＡとＤａｔａＢとの分布を解析する。具体的には、分布計算部３６１は、例えば図９に示すように、第１の説明変数ｘ１に対するＤａｔａＡの確率分布ｐＡとＤａｔａＢの確率分布ｐＢとをそれぞれ算出し、当該算出した確率分布を示すデータと、データＤ５３とを、分布差比較部３６２に出力する。

【0064】

なお、図９に示されている「探索幅」は、ユーザが第一外部評価装置４００を介して入力した、上述の探索幅を示している。図９の例では、探索幅は回転数が５００～１０００の間に設定されている。これは、回転数が５００～１０００の間であれば、振動データのばらつきが比較的小さいとユーザが判断したということを意味している。

【0065】

分布差比較部３６２は、分布計算部３６１から確率分布ｐＡ及びｐＢを示すデータと、データＤ５３とを取得する。分布差比較部３６２は、当該取得した確率分布ｐＡ及びｐＢを示すデータに基づいて、確率分布ｐＡと確率分布ｐＢとの差分を取る。このとき、分布差比較部３６２は、差分が最も大きくなるような制御情報データ（回転数）の時系列上の範囲であって、確率分布ｐＢが確率分布ｐＡよりも大きい範囲を、データＤ５３に含まれる範囲記述子が示す探索幅の中から選択する。

【0066】

具体的には、分布差比較部３６２は、分布計算部３６１から取得した確率分布ｐＡ及びｐＢに基づいて、それぞれの差分ｐＢ－ｐＡを算出する。このとき、探索幅をＳとすると、分布差比較部３６２は、探索幅Ｓの中から、ｐＢ｜Ω－ｐＡ｜Ω（ここでΩ＝［ａ、ａ＋Ｓ］、ａは第１の説明変数ｘ１の任意の値）が最大となる範囲Ωを選択し、選択した範囲Ωを新たな範囲記述子とする。そして、分布差比較部３６２は、当該新たな範囲記述子と、ラベル付きデータ（ＤａｔａＡ及びＤａｔａＢ）と、大域的モデル記述子Ｄ５１とを合わせたデータを、データＤ５４として、第二変数選択処理部３５３に出力する。

【0067】

なお、ここでは、分布差比較部３６２が、ｐＢ｜Ω－ｐＡ｜Ωが最大となる範囲Ωを選択する例を説明したが、分布差比較部３６２はこれに限らず、例えばｐＢ｜Ω－ｐＡ｜Ωが所定値以上となる範囲Ωを選択し、選択した範囲Ωを新たな範囲記述子としてもよい。

【0068】

（第二変数選択処理部３５３）
第二変数選択処理部３５３は、範囲選択部３５２からデータＤ５４を取得する。そして、第二変数選択処理部３５３は、大域的学習部３０１における学習の際に、ユーザにより選ばれた第１の説明変数ｘ１以外の説明変数（制御情報）であって、ＤａｔａＡとＤａｔａＢとを精度よく分離することが可能な説明変数を、説明変数群の中から選択する。なお、以下の説明では、ここで選択される説明変数を「第２の説明変数ｘ２」ともいう。

【0069】

例えば、第二変数選択処理部３５３は、図１０に示すような確率分布図を生成する。図１０において、横軸は、第１の説明変数ｘ１以外のある説明変数であって、第２の説明変数ｘ２の候補となる説明変数である。また、縦軸は、データＤ５４に含まれる上述の範囲Ωに存在するＤａｔａＡ及びＤａｔａＢの出現頻度を示している。

【0070】

このとき、第二変数選択処理部３５３は、第２の説明変数ｘ２の候補となる説明変数を順次変えながら、以下の手順で説明変数を探索し、探索した説明変数を、第２の説明変数ｘ２として選択する。

【0071】

（１）第二変数選択処理部３５３は、例えば図１０に示すような確率分布図において、横軸全体の長さを「１００」としたとき、すべてのＤａｔａＡのうち、ＤａｔａＡが占める割合が「１００－ε」％以上（εは小さい正の整数）となる横軸の範囲をＹ（第１の範囲）とする。例えば、第二変数選択処理部３５３は、ε＝５とし、すべてのＤａｔａＡのうちの９５％以上のＤａｔａＡが含まれるような横軸の範囲をＹとする。

【0072】

（２）次に、第二変数選択処理部３５３は、上記確率分布図の横軸において、範囲Ｙを除く範囲を範囲Ｘ（第２の範囲）とし、範囲Ｘに含まれるすべてのデータのうち、ＤａｔａＢが占める割合が所定値（例えば８０％）以上となるような説明変数を探索する。そして、第二変数選択処理部３５３は、探索した説明変数を、第２の説明変数ｘ２として選択する。なお、第二変数選択処理部３５３は、範囲Ｘに含まれるすべてのデータのうち、ＤａｔａＢが占める割合が所定値以上となるような説明変数を複数探索した場合、例えば範囲ＸにおいてＤａｔａＢが占める割合が最も大きくなるような説明変数を、第２の説明変数ｘ２として選択する。

【0073】

なお、第二変数選択処理部３５３は、上記探索に失敗した場合は、第２の説明変数ｘ２の候補となる説明変数を順次変えながら、上記（１）及び（２）を繰り返す。そして、第二変数選択処理部３５３は、上記の手順により選択した第２の説明変数ｘ２と、上述したデータＤ５４とを合わせたデータを、データＤ５６として局所モデル構築部３５４に出力する。

【0074】

この第２の説明変数ｘ２は、大域的学習部３０１における学習の際に、ユーザが指定した第１の説明変数ｘ１とは異なる変数であり、第１の説明変数ｘ１と組み合わせることにより、ＤａｔａＡとＤａｔａＢとを精度よく（正確に）分離できる可能性の高い変数である。

【0075】

（局所モデル構築部３５４）
局所モデル構築部３５４は、例えば図８に示すように、領域評価部３６３と、モデル構築部３６４とを含んで構成される。

【0076】

（領域評価部３６３）
領域評価部３６３は、第二変数選択処理部３５３からデータＤ５６を取得する。領域評価部３６３は、当該取得したデータＤ５６に含まれる第２の説明変数ｘ２と、第１の説明変数ｘ１（ここでは回転数）とを用いて、例えば図１１に示すような振動データの分布図を生成する。

【0077】

この分布図は、例えば図１１に示すように、横軸に第１の説明変数ｘ１（回転数）を取り、縦軸に第２の説明変数ｘ２を取り、双方の変数の組み合わせにより定められる領域（以下、「組み合わせ領域」ともいう。）に振動データを表示した図であり、当該組み合わせ領域においてＤａｔａＡとＤａｔａＢとのそれぞれが出現した領域を示した図である。なお、図１１では、ＤａｔａＡをグレーのドットで示し、ＤａｔａＢを黒のドットで示している。

【0078】

このように、領域評価部３６３は、組み合わせ領域にＤａｔａＡとＤａｔａＢとを表示することにより、組み合わせ領域において、ＤａｔａＡが比較的多い領域と、ＤａｔａＡが比較的少ない領域（図１１では符号Ｕ１～Ｕ３で表示）とを明示することができる。領域評価部３６３は、生成した分布図を示すデータを、データＤ６２として第二外部評価装置５００へ出力する。

【0079】

第二外部評価装置５００は、領域評価部３６３からデータＤ６２を取得する。第二外部評価装置５００は、当該取得したデータＤ６２に基づいて、上記分布図の画像をディスプレイなどの表示部（不図示）に表示する。

【0080】

ユーザは、当該表示部に表示された分布図の画像を参照し、例えば図１１の領域Ｕ１～Ｕ３のような、上記組み合わせ領域のうちＤａｔａＡが比較的少ない領域を選択し、選択した領域を第二外部評価装置５００に入力する。このとき、ユーザは、例えば領域Ｕ１などのように、領域を１か所のみ選択してもよいし、例えば領域Ｕ１～Ｕ３などのように、領域を複数個所選択してもよい。第二外部評価装置５００は、当該入力された領域を示すデータを、領域範囲データＤ６３として、モデル構築部３６４へ出力する。

【0081】

モデル構築部３６４は、第二外部評価装置５００から領域範囲データＤ６３を取得する。また、モデル構築部３６４は、第二変数選択処理部３５３からデータＤ５６を取得する。そして、モデル構築部３６４は、当該取得した領域範囲データＤ６３及びデータＤ５６に基づいて、例えば図１１の領域Ｕ１～Ｕ３に含まれる振動データを特定し、当該特定した振動データと、振動データに対応する制御情報データとを学習データとして教師なし学習を行い、回帰モデルを構築する。なお、以下の説明では、ここで構築される回帰モデルを「局所モデル」ともいう。局所モデルは、第１の説明変数ｘ１（制御情報データ）を入力とし、目的変数（振動データ）を出力するモデルである。

【0082】

なお、モデル構築部３６４は、ユーザにより領域が複数選択された場合、当該選択された領域ごとに局所モデルを構築する。また、このとき、モデル構築部３６４は、大域的学習部３０１の大域モデル構築部３０４が用いた学習モデルと同様の学習モデルを用いる。ただし、両学習モデルは必ずしも同じモデルでなくともよい。

【0083】

モデル構築部３６４は、構築した局所モデルを示すデータ（以下、「局所モデルデータ」ともいう。）と、学習に用いた振動データ（ＤａｔａＡ及びＤａｔａＢ）とを合わせたデータを、データＤ５７としてモデル評価部３５５へ出力する。

【0084】

（モデル評価部３５５）
モデル評価部３５５は、データＤ５７に含まれる局所モデルデータが示す局所モデルに対する外部（例えばユーザ）からの評価を受け付ける。モデル評価部３５５は、例えば図８に示すように、予測誤差算出部３６５と、画像出力部３６６と、モデル決定部３６７とを含んで構成される。

【0085】

予測誤差算出部３６５は、モデル構築部３６４からデータＤ５７を取得する。予測誤差算出部３６５は、当該取得したデータＤ５７に基づいて、局所モデルの予測誤差を算出する。

【0086】

例えば、予測誤差算出部３６５は、データＤ５７に含まれる局所モデルデータが示す局所モデルに、第１の説明変数ｘ１（回転数）を入力し、このときに局所モデルから出力される振動データ（ＲＭＳ値）が、本来出力されるべき振動データに対してどのくらい誤差があるかを算出する。このとき、予測誤差算出部３６５は、例えば平均絶対誤差率（ＭＡＰＥ：Ｍｅａｎ Ａｂｓｏｌｕｔｅ Ｐｅｒｃｅｎｔａｇｅ Ｅｒｒｏｒ）のような値で予測誤差を算出する。予測誤差算出部３６５は、当該予測誤差の算出に用いた第１の説明変数ｘ１及び振動データと、当該算出した予測誤差を示すデータとを、画像出力部３６６に出力する。

【0087】

画像出力部３６６は、予測誤差算出部３６５から、第１の説明変数ｘ１及び振動データと、予測誤差を示すデータとを取得する。そして、画像出力部３６６は、当該取得したデータに基づき、例えば図１２の右側に示すような、予測した結果が分かる画像を示すデータを領域ごとに生成する。そして、画像出力部３６６は、当該生成した画像を示すデータと、予測誤差を示すデータとを合わせたデータを、データＤ５８として第二外部評価装置５００に出力する。なお、図１２の右側に示す画像では、図５に示した大域モデルの画像と同様に、局所モデルにより得られる回帰式を示す曲線（予測線）と、当該回帰式を示す曲線（予測線）に対して設定される信頼区間（例えば曲線±５％）の境界とが示されている。

【0088】

第二外部評価装置５００は、画像出力部３６６からデータＤ５８を取得する。第二外部評価装置５００は、当該取得したデータＤ５８に基づいて、例えば図１２の右側に示す画像をディスプレイなどの表示部（不図示）に表示する。ユーザは、当該表示部に表示された画像を参照し、局所モデルの中から最終的に記録部１００に出力する局所モデルを決定し、決定した局所モデルの識別子を第二外部評価装置５００に入力する。第二外部評価装置５００は、当該入力された局所モデルの識別子を、データＤ５９としてモデル決定部３６７に出力する。

【0089】

モデル決定部３６７は、第二外部評価装置５００からデータＤ５９を取得する。モデル決定部３６７は、当該取得したデータＤ５９に基づき、ユーザが最終的に出力すると決定した局所モデルを示すデータを、データＤ６１として記録部１００に記録させる。

【0090】

また、このとき、モデル決定部３６７は、ユーザが出力すると決定した局所モデルを構築した際の制御情報（説明変数）の条件（以下、「制御条件」ともいう。）を示すデータ（以下、「制御条件データ」ともいう。）を、データＤ６１に含めて記録部１００に記録させる。ここで、制御条件とは、例えば第１の説明変数ｘ１の種類（回転数など）、第２の説明変数ｘ２の種類（回転数以外）、局所モデルを構築した際の学習データが存在した第１の説明変数ｘ１の範囲及び第２の説明変数ｘ２の範囲などをいう。

【0091】

なお、モデル決定部３６７は、ユーザが複数の局所モデルを出力対象とした場合、当該複数の局所モデルデータを記録部１００に記録させる。また、この場合、モデル決定部３６７は、複数の局所モデル毎に、制御条件データを対応させて記録部１００に記録させる。

【0092】

なお、ユーザは、上記表示部に表示された画像を参照したが、最終的に記録部１００に出力する局所モデルを見出せなかった場合、例えばその旨を第二外部評価装置５００に入力する。第二外部評価装置５００は、出力する局所モデルが存在しなかった旨を示すデータを、データＤ５９としてモデル決定部３６７に出力する。

【0093】

モデル決定部３６７は、データＤ５９を取得すると、予測誤差算出部３６５からデータＤ５７（局所モデルデータと、局所モデルの学習に用いた振動データ（ＤａｔａＡ及びＤａｔａＢ）とを合わせたデータ）を取得し、当該取得したデータＤ５７を、データＤ６０として、大域的学習部３０１のモデル更新部３１２に出力する。

【0094】

モデル更新部３１２は、モデル決定部３６７からデータＤ６０を取得する。モデル更新部３１２は、当該データＤ６０を取得すると、第一外部評価装置４００の表示部にデータＤ６０の内容を表示させる。また、モデル更新部３１２は、大域モデルの更新処理（つまり作り直し）を行うようにユーザに指示する旨を第一外部評価装置４００の表示部にさせる。

【0095】

この表示を受けて、ユーザは、大域モデルの構築の際に最初に選択した第１の説明変数ｘ１とは別の説明変数を選択し直し、当該選択した新たな説明変数を第一外部評価装置４００に入力する。以下、モデル更新部３１２は、上述したモデル構築部３１１と同様の方法で、大域モデルを更新（再構築）する。

【0096】

なお、ここでは、ユーザが、大域モデルの構築の際に最初に選択した第１の説明変数ｘ１とは別の説明変数を選択し直して、大域モデルを更新（再構築）する例を説明したが、大域モデルの更新（再構築）の方法はこれに限られない。例えば、ユーザは、大域モデルの構築の際に最初に選択した第１の説明変数ｘ１はそのままに、当該第１の説明変数ｘ１の範囲を狭めるなど、当該第１の説明変数ｘ１の範囲を最初の状態から変更させてもよい。この場合、モデル更新部３１２は、当該変更された範囲に含まれる学習データを用いて、大域モデルを更新（再構築）すればよい。

【0097】

また、モデル更新部３１２は、例えば大域モデルは更新せずに、第一外部評価装置４００を介して、探索幅の入力のし直しをユーザに指示してもよい。この場合、ユーザは第一外部評価装置４００を介して新たな探索幅を入力し、当該新たな探索幅が範囲記述子として中間記録部３９０に記録される。以下、この新たな範囲記述子に基づいて、第二変数選択処理部３５３により新たな第２の説明変数ｘ２が選択され、局所的学習部３５０により局所モデルが再構築される。

【0098】

または、モデル更新部３１２は、大域モデルは更新せずに、第二外部評価装置５００を介して、図１１に示す領域Ｕ１～Ｕ３の選択のし直しをユーザに指示してもよい。この場合、ユーザは第二外部評価装置５００を介して新たな領域を入力し、当該新たな領域を示すデータが領域範囲データとしてモデル構築部３６４に送られる。以下、この新たな領域範囲データを用いて、モデル構築部３６４により局所モデルが再構築される。

【0099】

次に、実施の形態１に係る学習装置３００の動作例について、図１３に示すフローチャートを参照しながら説明する。

【0100】

まず、説明変数取得部３０３は、ユーザが第一外部評価装置４００に入力した制御情報を、第１の説明変数ｘ１として、第一外部評価装置４００から取得する（ステップＳＴ１）。説明変数取得部３０３は、当該取得した第１の説明変数ｘ１を示すデータを、変数記述子Ｄ１３として、データ抽出部３０２に出力する。

【0101】

次に、データ抽出部３０２は、当該取得した変数記述子Ｄ１３に該当する制御情報データを、学習データ記録部２００内の制御情報ＤＢ２２０から取得する。また、データ抽出部３０２は、学習データ記録部２００内の振動ＤＢ２１０から学習データである振動データを取得する（ステップＳＴ２）。

【0102】

次に、モデル構築部３１１は、ステップＳＴ２で取得されたデータを用いて、大域モデルを構築する（ステップＳＴ３）。

【0103】

次に、画像出力部３１３は、大域モデル画像データを生成し、生成した大域モデル画像データを第一外部評価装置４００に出力する（ステップＳＴ４）。第一外部評価装置４００は、当該取得したデータに基づいて、大域モデルの画像をディスプレイなどの表示部に表示し、ユーザによる判定結果又は選択結果を受け付ける。第一外部評価装置４００は、ユーザによる判定結果又は選択結果を示すデータをモデル決定部３１４に出力する。

【0104】

次に、モデル決定部３１４は、ユーザによる判定結果又は選択結果を示すデータを取得し、当該結果が、いずれかの大域モデルが選択されたことを示しているか否かを判定する（ステップＳＴ５）。その結果、当該結果が、いずれの大域モデルも選択されていないことを示している場合（ステップＳＴ５；Ｎｏ）、処理はステップＳＴ１へ戻り、説明変数取得部３０３は、第一外部評価装置４００を介して、ユーザから新たな第１の説明変数ｘ１を取得する。以下、ステップＳＴ２～ＳＴ５を繰り返す。

【0105】

一方、上記結果が、いずれかの大域モデルが選択されたことを示している場合（ステップＳＴ５；Ｙｅｓ）、処理はステップＳＴ６へ移り、フィルタ処理部３５１は、振動データを、ばらついているとみなされるデータ（ＤａｔａＡ）と、ばらついていないとみなされるデータ（ＤａｔａＢ）とに分類（フィルタリング）する（ステップＳＴ６）。

【0106】

次に、分布計算部３６１は、第１の説明変数ｘ１に対するＤａｔａＡの確率分布ｐＡとＤａｔａＢの確率分布ｐＢとをそれぞれ算出する。また、分布差比較部３６２は、探索幅Ｓの中から、ｐＢ｜Ω－ｐＡ｜Ω（Ω＝［ａ、ａ＋Ｓ］、ａは第１の説明変数ｘ１の任意の値）が最大となる範囲Ωを選択する（ステップＳＴ７）。

【0107】

次に、第二変数選択処理部３５３は、第１の説明変数ｘ１以外の説明変数であって、ＤａｔａＡとＤａｔａＢとを精度よく分離することが可能な第２の説明変数ｘ２を選択する（ステップＳＴ８）。

【0108】

次に、領域評価部３６３は、第１の説明変数ｘ１と第２の説明変数ｘ２との組み合わせにより定められる領域に振動データを表示した分布図を生成する。そして、モデル構築部３６４は、当該分布図に基づいてユーザによりなされた領域の選択を受け付ける（ステップＳＴ９）。

【0109】

次に、モデル構築部３６４は、ステップＳＴ９で選択された領域に含まれる振動データ及び制御情報データを用いて、局所モデルを構築する（ステップＳＴ１０）。

【0110】

次に、予測誤差算出部３６５は、局所モデルの予測誤差を算出し、画像出力部３６６は、予測結果を示す画像データを生成し、第二外部評価装置５００に出力する。第二外部評価装置５００は、予測結果を示す画像を表示部に表示し、ユーザによる判定結果又は選択結果を受け付ける。第二外部評価装置５００は、ユーザによる判定結果又は選択結果を示すデータをモデル決定部３６７に出力する。

【0111】

次に、モデル決定部３６７は、ユーザによる判定結果又は選択結果を示すデータを取得し、当該結果が、いずれかの局所モデルが選択されたことを示しているか否かを判定する（ステップＳＴ１１）。その結果、当該結果が、いずれの局所モデルも選択されていないことを示している場合（ステップＳＴ１１；Ｎｏ）、モデル更新部３１２は、第一外部評価装置４００を介して、ユーザに新たな第１の説明変数ｘ１の選択を指示する。その後、処理はステップＳ２１へ移り、説明変数取得部３０３は、第一外部評価装置４００を介して、ユーザから新たな第１の説明変数ｘ１を取得する。以下、ステップＳＴ２～ＳＴ１１を繰り返す。

【0112】

なお、図１３のフローチャートには示していないが、上記結果が、いずれの局所モデルも選択されていないことを示している場合（ステップＳＴ１１；Ｎｏ）、モデル更新部３１２は、第一外部評価装置４００を介して、ユーザに対し、第１の説明変数ｘ１の範囲を狭めさせるなど、第１の説明変数ｘ１の範囲を変更することを指示してもよい。モデル更新部３１２が、ユーザに対し、第１の説明変数ｘ１の範囲の変更を指示した場合、処理はステップＳＴ２に戻ればよい。

【0113】

また、同様に、上記結果が、いずれの局所モデルも選択されていないことを示している場合（ステップＳＴ１１；Ｎｏ）、モデル更新部３１２は、第一外部評価装置４００を介して、ユーザに対し、探索幅の入力し直し、又は、領域Ｕ１～Ｕ３の選択のし直しを指示してもよい。モデル更新部３１２が、ユーザに対し、探索幅の入力し直しを指示した場合、処理はステップＳＴ７に戻り、領域Ｕ１～Ｕ３の選択のし直しを指示した場合、処理はステップＳＴ９に戻ればよい。

【0114】

一方、上記結果が、いずれかの局所モデルが選択されたことを示している場合（ステップＳＴ１１；Ｙｅｓ）、処理はステップＳ３２へ移り、モデル決定部３６７は、選択された局所モデルを示すデータを記録部１００に記録させる（ステップＳＴ１２）。また、モデル決定部３６７は、上記制御条件データを併せて記録部１００に記録させる。

【0115】

実施の形態１に係る学習装置３００は、以上のように構成されることにより、対象機器から収集されたばらつきのあるデータを用いて、当該対象機器の異常を検知するためのモデルを学習するに際し、学習にかかる工数を従来よりも削減可能となる。

【0116】

この点について補足すると、例えば、従来装置では、ばらつきのある正常データ（学習データ）について、すべてのパターンを網羅するように正常データをクラスタリングするが、物理的な観点で見れば、異常検知に向いている対象機器の稼働条件は限定的であることが少なくない。しかしながら、従来装置では、当該限定的な稼働条件のもとで収集された正常データを用いて学習を行うことは困難であり、その結果、回帰モデルの学習にかかる工数が増大するという問題があった。また、従来装置では、稼働条件を決定する制御情報（パラメータ）が多数に及ぶ場合、あるいは、それぞれの制御情報が連続値をとる場合、条件分けの方法が無数に考えられ、計算コストがかかるという問題があった。さらに、従来装置では、すべてのパターンを網羅するように正常データをクラスタリングすることにより、例えば図２０Ａに示すように、いくつかの回帰モデルを構築できたとしても、これらの中から適切な回帰モデルを選択することは困難であった。また、従来装置では、どの回帰モデルを選択するかによって、正常データのばらつきの評価も異なってくることが想定される。したがって、従来装置では、例えば図２０Ｂに示すように、四角の枠内に存在する正常データが、真にばらつきのあるデータであるといえるかどうかを評価することも困難であった。

【0117】

この点、実施の形態１に係る学習装置３００は、上記のように、まず大域モデル構築部３０４により、物理的な観点からの妥当性を獲得した大局的な学習済みモデル（大域モデル）を構築し、次に、第二変数選択部３６０により、ばらついているとみなされる対象データを、学習データから分離可能な第２の説明変数ｘ２を選択し、局所モデル構築部３５４により、第２の説明変数ｘ２と、第１の説明変数ｘ１とに基づいて、対象データが分離された後の学習データを用いて、当該学習データと第１の説明変数ｘ１との間にあてはまる回帰モデル（局所モデル）を構築する。このように、学習装置３００では、ばらついているとみなされる対象データを、学習データから分離可能な第２の説明変数ｘ２を選択することにより、対象機器の限定的な稼働条件を見出す可能性が高まり、従来装置よりも学習にかかる工数及び計算コストを削減可能となる。また、学習装置３００では、ばらついているとみなされる対象データを、学習データから分離可能であるため、従来装置では困難であった、適切な回帰モデルの選択及び学習データのばらつきの評価が容易となるのに加え、推論精度の高い回帰モデルを構築することができる。

【0118】

次に、図１４を参照して、実施の形態１に係る学習装置３００のハードウェア構成例を説明する。学習装置３００における大域的学習部３０１及び局所的学習部３５０の各機能は、処理回路により実現される。処理回路は、図１４Ａに示すように、専用のハードウェアであってもよいし、図１４Ｂに示すように、メモリ７３に格納されるプログラムを実行するＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ、中央処理装置、処理装置、演算装置、マイクロプロセッサ、マイクロコンピュータ、プロセッサ、又はＤＳＰ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒ）ともいう）７２であってもよい。

【0119】

処理回路が専用のハードウェアである場合、処理回路７１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（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）、又はこれらを組み合わせたものが該当する。大域的学習部３０１及び局所的学習部３５０の各部の機能それぞれを処理回路７１で実現してもよいし、各部の機能をまとめて処理回路７１で実現してもよい。

【0120】

処理回路がＣＰＵ７２の場合、大域的学習部３０１及び局所的学習部３５０の機能は、ソフトウェア、ファームウェア、又はソフトウェアとファームウェアとの組み合わせにより実現される。ソフトウェア及びファームウェアはプログラムとして記述され、メモリ７３に格納される。処理回路は、メモリ７３に記録されたプログラムを読み出して実行することにより、各部の機能を実現する。すなわち、学習装置３００は、処理回路により実行されるときに、例えば図１３に示した各ステップが結果的に実行されることになるプログラムを格納するためのメモリを備える。また、これらのプログラムは、大域的学習部３０１及び局所的学習部３５０の手順及び方法をコンピュータに実行させるものであるともいえる。ここで、メモリ７３としては、例えば、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、フラッシュメモリ、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ）、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ ＥＰＲＯＭ）等の不揮発性又は揮発性の半導体メモリ、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ミニディスク、又はＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ）等が該当する。

【0121】

なお、大域的学習部３０１及び局所的学習部３５０の各機能について、一部を専用のハードウェアで実現し、一部をソフトウェア又はファームウェアで実現するようにしてもよい。例えば、大域的学習部３０１については専用のハードウェアとしての処理回路でその機能を実現し、局所的学習部３５０については処理回路がメモリ７３に格納されたプログラムを読み出して実行することによってその機能を実現することが可能である。

【0122】

このように、処理回路は、ハードウェア、ソフトウェア、ファームウェア、又はこれらの組み合わせによって、上述の各機能を実現することができる。

【0123】

＜状態推論装置６００＞
次に、実施の形態１に係る状態推論装置６００について説明する。図１５は、実施の形態１に係る状態推論装置６００の構成例を示す図である。状態推論装置６００は、例えば図１５に示すように、取得部６０１と、データ選択部６０２と、評価部６０３と、フィードバック情報生成部６０４とを含んで構成される。

【0124】

状態推論装置６００は、学習装置３００により記録部１００に記録されたデータ（局所モデルデータ）が示す局所モデルを用いて、対象機器の状態を推論することにより、当該対象機器の異常を検知する。なお、以下の説明では、対象機器の異常とは、対象機器の劣化であるものとする。

【0125】

（取得部６０１）
取得部６０１は、対象機器に付設された振動センサ５０から振動データＡ１を取得する。この振動データＡ１は、対象機器に付設された振動センサ５０により、当該対象機器から取得された、当該対象機器の振動振幅値の時間変化を示すデータである。なお、振動データＡ１は、振動振幅値の特徴量の時間変化を示すデータであってもよい。その場合、振動振幅値の特徴量とは、例えば振動振幅値のＲＭＳ値などであればよい。なお、以下の説明では、振動データが振動振幅値のＲＭＳ値である場合を例に説明する。

【0126】

また、取得部６０１は、制御情報記録機器６０から制御情報データＢ１～Ｂｎを取得する。ここで、制御情報データＢ１～Ｂｎは、上述の図３の上から二番目から四番目のグラフに示したように、制御情報の時間変化を示すデータであり、振動データと時間的に同期したデータである。また、ｎは制御情報の数である。ここで、制御情報とは、対象機器の稼働条件を決定するパラメータであり、例えば対象機器が回転機である場合の回転数、当該回転機の駆動電力の電流値などである。なお、制御情報記録機器６０は、制御情報データＢ１～Ｂｎを記録するための専用の機器である。

【0127】

取得部６０１は、当該取得した振動データＡ１と制御情報データＢ１～Ｂｎとをまとめたデータを、データＤ１として、データ選択部６０２に出力する。

【0128】

（データ選択部６０２）
データ選択部６０２は、記録部１００を参照し、記録部１００から局所モデルデータＭＡ１～ＭＡｎと制御条件データＭＢ１～ＭＢｎとを取得する。ここで、ｎは局所モデルの数であり、局所モデルデータと制御条件データとは１対１に対応する。なお、ここでは、説明を分かり易くするため、ｎ＝１であるものとする。

【0129】

データ選択部６０２は、当該取得した制御条件データＭＢ１が示す制御条件を満たす振動データ及び制御情報データを、上述のデータＤ１に含まれる振動データ及び制御情報データから抽出し、抽出した各データと、局所モデルデータＭＡ１及び制御条件データＭＢ１とをまとめたデータを、データＤ２として評価部６０３へ出力する。

【0130】

（評価部６０３）
評価部６０３は、例えば図１６に示すように、劣化度算出部６３１と、パラメータ調整部６３２と、画像出力部６３３とを含んで構成される。

【0131】

（劣化度算出部６３１）
劣化度算出部６３１は、データ選択部６０２からデータＤ２を取得する。劣化度算出部６３１は、当該取得したデータＤ２を解析して、対象機器の劣化度を算出する。具体的には、劣化度算出部６３１は、例えばデータＤ２に含まれる制御情報データＢ１の任意の値（例えば回転数＝５００）を、データＤ２に含まれる局所モデルデータＭＡ１が示す局所モデルに入力する。局所モデルは、入力された値に基づいて、当該値に対応する振動データ（例えばＲＭＳ値＝１．５）を出力する。

【0132】

そして、劣化度算出部６３１は、当該局所モデルから出力された振動データと、上記データＤ２に含まれる、上記任意の値に対応する振動データとを比較し、両者の誤差を算出する。そして、劣化度算出部６３１は、算出した誤差と、予め定められた閾値との比較により、対象機器の劣化度を算出する。なお、劣化度算出部６３１は、例えば平均絶対誤差率（ＭＡＰＥ）、又はＴ２ホテリングなどを用いて劣化度を算出できる。劣化度算出部６３１は、算出した劣化度を示すデータを、状態記述子として画像出力部６３３に出力する。

【0133】

（画像出力部６３３）
画像出力部６３３は、劣化度算出部６３１から状態記述子を取得する。また、画像出力部６３３は、データ選択部６０２から上記データＤ２を取得する。そして、画像出力部６３３は、当該取得した各データを用いて、例えば図１７に示すような比較画像を示すデータを生成する。図１７において、左側は局所モデルの構築の際に使用した振動データ（学習データ）の分布を示す画像であり、右側は実際に対象機器から取得した制御情報データＢ１を局所モデルに入力して得られた振動データの分布を示す画像である。このような画像により、ユーザは、実際に対象機器から取得した制御情報データＢ１を局所モデルに入力して得られた振動データの分布が、局所モデルの構築の際に使用した振動データ（学習データ）の分布からどの程度乖離しているかを容易に把握することができる。画像出力部６３３は、生成した比較画像を示すデータを、第三外部評価装置７００へ出力する。

【0134】

第三外部評価装置７００は、画像出力部６３３から比較画像を示すデータを取得する。第三外部評価装置７００は、当該取得したデータに基づいて、図１７に示すような比較画像を表示部（不図示）に表示する。ユーザは、当該表示部に表示された比較画像を確認し、必要に応じて、第三外部評価装置７００を用いてパラメータ調整を行う。

【0135】

例えば、図１７に示すように、上記双方の分布は、偶発的な原因によってわずかな差が生じることがある。この場合、劣化とは無関係な偶発的な原因によって生じるわずかな差により、劣化度が変化してしまう場合がある。例えば図１７の例では、実際には対象機器はさほど劣化していないにもかかわらず、「劣化度１８％」と算出されている。そこで、ユーザは、このようなわずかな差を調整するためにパラメータ調整を行う。

【0136】

例えば、ユーザは、図１７の左側に示す局所モデルにより得られる予測線１７０１の位置と、当該予測線１７０１に対して設定された信頼区間の境界を示す線１７０２の位置とを調整する。この場合、ユーザは、例えば図１７の左右の分布図の差を目視で確認して各線の位置を調整するか、あるいは、左右の振動データの平均値同士の差を算出して各線の位置を調整する。

【0137】

または、ユーザは、図１７の左側に示す局所モデルにより得られる予測線１７０１と、当該予測線１７０１に対して設定された信頼区間の境界を示す線１７０２との間隔を調整する。この場合も、ユーザは、例えば図１７の左右の分布図における振動データのばらつきの比率を目視で確認して間隔を調整するか、あるいは、左右の振動データの標準偏差値の倍率をとることで間隔を調整する。

【0138】

第三外部評価装置７００は、ユーザにより入力された調整内容を示すデータを、調整記述子Ｄ４として、パラメータ調整部６３２へ出力する。調整記述子Ｄ４には、調整対象の回帰モデルデータ、制御条件データ、モデル調整に必要なデータ（具体的には回帰係数の補正値）などが含まれる。特に、モデル調整に必要なデータのことをパラメータ調整子ともいう。また、調整記述子Ｄ４には、ユーザにより入力された、フィードバック情報生成部６０４へ調整記述子Ｄ４を出力するか否かを決定する判定子も含まれる。例えば、判定子が１であれば、フィードバック情報生成部６０４へ調整記述子Ｄ４を出力することを示し、判定子が０であれば、フィードバック情報生成部６０４へ調整記述子Ｄ４を出力しないことを示す。

【0139】

なお、調整記述子Ｄ４のうち、パラメータ調整子については、例えばユーザが図１７の左右の分布図を目視して調整する場合はユーザが入力するが、それ以外の場合（例えば、左右の振動データの平均値同士の差を算出して各線の位置を調整する場合）は、例えばパラメータ調整部６３２が自動で計算可能であるため、必ずしもユーザが入力する必要はない。

【0140】

（パラメータ調整部６３２）
パラメータ調整部６３２は、第三外部評価装置７００から調整記述子Ｄ４を取得する。パラメータ調整部６３２は、当該取得した調整記述子Ｄ４を劣化度算出部６３１に出力するとともに、当該調整記述子Ｄ４に基づいて局所モデルの調整をする旨を劣化度算出部６３１に指示する。この指示を受け、劣化度算出部６３１は、局所モデルを調整し、当該調整後の局所モデルを用いて、上記の手順により劣化度を再度算出する。また、劣化度算出部６３１は、再度算出した劣化度を示すデータを、状態記述子として画像出力部６３３に出力する。以下、画像出力部６３３、第三外部評価装置７００、及びパラメータ調整部６３２は、上述した処理を繰り返す。

【0141】

なお、パラメータ調整部６３２は、上記の繰り返しにおいて、第三外部評価装置７００から調整記述子Ｄ４を取得しなくなると、画像出力部６３３に対し、最終的な劣化度の算出結果を第三外部評価装置７００の表示部に表示させる旨を指示する。

【0142】

また、パラメータ調整部６３２は、上記取得した調整記述子Ｄ４に含まれる判定子の内容を確認する。パラメータ調整部６３２は、判定子の内容が、フィードバック情報生成部６０４へ調整記述子Ｄ４を出力することを示している場合、調整記述子Ｄ４をデータＤ５としてフィードバック情報生成部６０４へ出力する。一方、パラメータ調整部６３２は、判定子の内容が、フィードバック情報生成部６０４へ調整記述子Ｄ４を出力しないことを示している場合、調整記述子Ｄ４をフィードバック情報生成部６０４へ出力しない。

【0143】

（フィードバック情報生成部６０４）
フィードバック情報生成部６０４は、パラメータ調整部６３２からデータＤ５を取得する。フィードバック情報生成部６０４は、当該取得したデータＤ５に基づいて、フィードバック情報Ｄ６を生成し、当該生成したフィードバック情報Ｄ６を記録部１００に記録させる。フィードバック情報Ｄ６には、調整記述子Ｄ４とほぼ同様に、調整対象の回帰モデルデータ、制御条件データ、モデル調整に必要なデータ（具体的には回帰係数の補正値）などが含まれる。なお、フィードバック情報生成部６０４は、既に記録部１００に記録されている局所モデルデータＭＡ１及び制御条件データＭＢ１とは別の情報として、フィードバック情報Ｄ６を記録部１００に記録させる。

【0144】

その後、ユーザは、記録部１００に記録されたフィードバック情報Ｄ６を適宜局所モデルデータＭＡ１及び制御条件データＭＢ１に反映させてもよい。これにより、局所モデルデータＭＡ１及び制御条件データＭＢ１がフィードバック情報Ｄ６に基づいて更新されることになり、実際に対象機器から取得されるデータと、第２の回帰モデルを構築した際に用いた学習データとの間における、当該第２の回帰モデルの構築時点では分からないような差分（例えば、上述した偶発的な原因による差分）から生じる検知誤りの可能性を低減することができる。

【0145】

次に、実施の形態１に係る状態推論装置６００の動作例について、図１８に示すフローチャートを参照しながら説明する。

【0146】

まず、取得部６０１は、対象機器に付設された振動センサ５０から振動データを受信する。また、取得部６０１は、制御情報記録機器６０から制御情報データを取得する（ステップＳＴ２１）。

【0147】

次に、データ選択部６０２は、記録部１００から局所モデルデータと制御条件データとを取得し、当該取得した制御条件データが示す制御条件を満たす振動データ及び制御情報データを、ステップＳＴ２１で取得した振動データ及び制御情報データから抽出する（ステップＳＴ２２）。

【0148】

次に、劣化度算出部６３１は、ステップＳＴ２２で抽出されたデータを用いて、対象機器の劣化度を算出する（ステップＳＴ２３）。

【0149】

次に、画像出力部６３３は、ステップＳＴ２３での算出結果を用いて、例えば図１７に示すような比較画像を示すデータを生成する（ステップＳＴ２４）。画像出力部６３３は、生成した比較画像を示すデータを、第三外部評価装置７００へ出力する。

【0150】

次に、パラメータ調整部６３２は、第三外部評価装置７００から調整記述子Ｄ４を取得したか否かを判定する（ステップＳＴ２５）。その結果、パラメータ調整部６３２は、第三外部評価装置７００から調整記述子Ｄ４を取得したと判定した場合（ステップＳＴ２５；Ｙｅｓ）、パラメータ調整部６３２は、調整記述子Ｄ４を劣化度算出部６３１に出力するとともに、当該調整記述子Ｄ４に基づいて局所モデルの調整をする旨を劣化度算出部６３１に指示する。劣化度算出部６３１は、調整記述子Ｄ４に基づいて局所モデルを調整する（ステップＳＴ２６）。その後、処理はステップＳＴ２３に戻る。

【0151】

一方、パラメータ調整部６３２は、第三外部評価装置７００から調整記述子Ｄ４を取得していないと判定した場合（ステップＳＴ２５；Ｎｏ）、処理はステップＳＴ２６へ遷移する。

【0152】

ステップＳＴ２６において、パラメータ調整部６３２は、それまでに第三外部評価装置７００から一度でも調整記述子Ｄ４を取得したか否かを判定する（ステップＳＴ２６）。その結果、パラメータ調整部６３２は、それまでに第三外部評価装置７００から一度でも調整記述子Ｄ４を取得していないと判定した場合（ステップＳＴ２６；Ｎｏ）、処理はステップＳＴ２９へ遷移する。

【0153】

一方、パラメータ調整部６３２は、それまでに第三外部評価装置７００から一度でも調整記述子Ｄ４を取得したと判定した場合（ステップＳＴ２６；Ｙｅｓ）、最後に取得した調整記述子Ｄ４に含まれる判定子の内容を確認する。そして、判定子の内容が、フィードバック情報生成部６０４へ調整記述子Ｄ４を出力することを示している場合、最後に取得した調整記述子Ｄ４をデータＤ５としてフィードバック情報生成部６０４へ出力する。

【0154】

フィードバック情報生成部６０４は、パラメータ調整部６３２から取得したデータＤ５に基づいて、フィードバック情報Ｄ６を生成し（ステップＳＴ２７）、当該生成したフィードバック情報Ｄ６を記録部１００に記録させる（ステップＳＴ２８）。その後、処理はステップＳＴ２９へ遷移する。

【0155】

ステップＳＴ２９において、画像出力部６３３は、対象機器の劣化度の最終的な算出結果を示すデータを生成し、当該生成したデータを第三外部評価装置７００へ出力することにより、対象機器の劣化度の最終的な算出結果を表示部に表示させる（ステップＳＴ２９）。

【0156】

次に、図１９を参照して、実施の形態１に係る状態推論装置６００のハードウェア構成例を説明する。状態推論装置６００における取得部６０１、データ選択部６０２、評価部６０３、及びフィードバック情報生成部６０４の各機能は、処理回路により実現される。処理回路は、図１９Ａに示すように、専用のハードウェアであってもよいし、図１９Ｂに示すように、メモリ８３に格納されるプログラムを実行するＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ、中央処理装置、処理装置、演算装置、マイクロプロセッサ、マイクロコンピュータ、プロセッサ、又はＤＳＰ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒ）ともいう）８２であってもよい。

【0157】

処理回路が専用のハードウェアである場合、処理回路８１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（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）、又はこれらを組み合わせたものが該当する。取得部６０１、データ選択部６０２、評価部６０３、及びフィードバック情報生成部６０４の各部の機能それぞれを処理回路８１で実現してもよいし、各部の機能をまとめて処理回路８１で実現してもよい。

【0158】

処理回路がＣＰＵ８２の場合、取得部６０１、データ選択部６０２、評価部６０３、及びフィードバック情報生成部６０４の機能は、ソフトウェア、ファームウェア、又はソフトウェアとファームウェアとの組み合わせにより実現される。ソフトウェア及びファームウェアはプログラムとして記述され、メモリ８３に格納される。処理回路は、メモリ８３に記録されたプログラムを読み出して実行することにより、各部の機能を実現する。すなわち、状態推論装置６００は、処理回路により実行されるときに、例えば図１８に示した各ステップが結果的に実行されることになるプログラムを格納するためのメモリを備える。また、これらのプログラムは、取得部６０１、データ選択部６０２、評価部６０３、及びフィードバック情報生成部６０４の手順及び方法をコンピュータに実行させるものであるともいえる。ここで、メモリ８３としては、例えば、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、フラッシュメモリ、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ）、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ ＥＰＲＯＭ）等の不揮発性又は揮発性の半導体メモリ、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ミニディスク、又はＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ）等が該当する。

【0159】

なお、取得部６０１、データ選択部６０２、評価部６０３、及びフィードバック情報生成部６０４の各機能について、一部を専用のハードウェアで実現し、一部をソフトウェア又はファームウェアで実現するようにしてもよい。例えば、取得部６０１については専用のハードウェアとしての処理回路でその機能を実現し、データ選択部６０２、評価部６０３、及びフィードバック情報生成部６０４については処理回路がメモリ８３に格納されたプログラムを読み出して実行することによってその機能を実現することが可能である。

【0160】

このように、処理回路は、ハードウェア、ソフトウェア、ファームウェア、又はこれらの組み合わせによって、上述の各機能を実現することができる。

【0161】

以上のように、実施の形態１によれば、学習装置３００は、複数の説明変数により説明可能な学習データと、外部から指定された説明変数であって、複数の説明変数のうちの一つである第１の説明変数ｘ１とに基づいて、学習データと第１の説明変数ｘ１とにあてはまる第１の回帰モデル（大域モデル）を構築する大域モデル構築部３０４と、複数の説明変数の中から第２の説明変数ｘ２を選択する第二変数選択部３６０であって、学習データのうち、大域モデル構築部３０４により構築された第１の回帰モデルに基づいてばらついているとみなされる対象データを、学習データから分離可能な第２の説明変数ｘ２を選択する第二変数選択部３６０と、第二変数選択部３６０により選択された第２の説明変数ｘ２と、第１の説明変数ｘ１とに基づいて、対象データが分離された後の学習データを用いて、当該学習データと第１の説明変数ｘ１とにあてはまる第２の回帰モデル（局所モデル）を構築する局所モデル構築部３５４と、を備えた。これにより、実施の形態１に係る学習装置３００は、対象機器から収集されたばらつきのあるデータを用いて、当該対象機器の異常を検知するためのモデルを学習するに際し、学習にかかる工数を従来よりも削減可能となる。

【0162】

また、第二変数選択部３６０は、大域モデル構築部３０４により構築された第１の回帰モデルに基づいて、学習データを、ばらついているとみなされる対象データ（ＤａｔａＡ）と、ばらついていないとみなされる非対象データ（ＤａｔａＢ）とに分類するフィルタ処理部３５１と、フィルタ処理部３５１により分類された対象データ及び非対象データに基づいて、第１の説明変数ｘ１が取り得る範囲のうちの所定範囲を選択する範囲選択部３５２と、範囲選択部３５２により選択された所定範囲に含まれる学習データを用いて、第２の説明変数ｘ２を選択する第二変数選択処理部３５３と、を備えた。これにより、実施の形態１に係る学習装置３００は、第１の回帰モデルと学習データとに基づいて、第２の説明変数ｘ２を適切に選択することができる。

【0163】

また、フィルタ処理部３５１は、大域モデル構築部３０４により構築された第１の回帰モデルに基づいて得られる予測線に対して設定される、当該予測線を中心とした所定の信頼区間の外側に位置する学習データを対象データとし、当該予測線を中心とした所定の信頼区間の内側に位置する学習データを非対象データとする。これにより、実施の形態１に係る学習装置３００は、学習データを、ばらついているとみなされる対象データ（ＤａｔａＡ）と、ばらついていないとみなされる非対象データ（ＤａｔａＢ）とに容易に分類することができる。

【0164】

また、範囲選択部３５２は、フィルタ処理部３５１により分類された対象データ及び非対象データが、第１の説明変数ｘ１に対してどの程度の頻度で出現するかを示す確率分布を、対象データ及び非対象データ毎に算出する分布計算部３６１と、分布計算部３６１により算出された対象データの確率分布と、分布計算部３６１により算出された非対象データの確率分布との差分を算出し、当該算出した差分が所定値以上となる第１の説明変数ｘ１の範囲を、所定範囲として選択する分布差比較部３６２と、を備えた。これにより、実施の形態１に係る学習装置３００は、第２の説明変数ｘ２を選択するために用いられる第１の説明変数ｘ１の所定範囲を容易に選択することができる。

【0165】

また、分布差比較部３６２は、外部から受け付けた探索幅Ｓであって、第１の説明変数ｘ１の範囲のうち、非対象データが存在する割合が比較的高いと想定される範囲を示す探索幅Ｓの中から、所定範囲を選択する。これにより、実施の形態１に係る学習装置３００は、外部から受け付けた探索幅Ｓに基づいて、第１の説明変数ｘ１の所定範囲を適切に選択することができる。

【0166】

また、第二変数選択処理部３５３は、範囲選択部３５２により選択された所定範囲に含まれる学習データが、ある説明変数に対してどの程度の頻度で出現するかを示す確率分布を生成し、当該生成した確率分布において、学習データの数に対して対象データが占める割合が所定値以上となる第１の説明変数ｘ１の範囲を第１の範囲Ｙとし、当該第１の範囲Ｙを除く第１の説明変数ｘ１の範囲を第２の範囲Ｘとしたとき、当該第２の範囲Ｘに含まれる学習データのうち、非対象データが占める割合が所定値以上となるような説明変数を、第２の説明変数ｘ２として選択する。これにより、実施の形態１に係る学習装置３００は、第２の説明変数ｘ２を適切かつ効率的に選択することができる。

【0167】

また、局所モデル構築部３５４は、第二変数選択部３６０により選択された第２の説明変数ｘ２と、第１の説明変数ｘ１との組み合わせにより定められる領域のうち、対象データが出現した領域と、非対象データが出現した領域とが示された画像を示すデータを生成する領域評価部３６３と、第１の説明変数ｘ１と第２の説明変数ｘ２との組み合わせにより定められる領域のうち、領域評価部３６３により生成されたデータが示す画像に基づいて外部から指定された領域を受け付け、当該受け付けた領域に含まれる学習データを用いて、第２の回帰モデルを構築するモデル構築部３６４と、を備えた。これにより、実施の形態１に係る学習装置３００は、外部（例えばユーザ）の意向が反映された第２の回帰モデルを構築することができる。

【0168】

また、学習装置３００は、大域モデル構築部３０４により構築された第１の回帰モデルに対する外部からの評価を受け付けるモデル評価部３０５と、局所モデル構築部３５４により構築された第２の回帰モデルに対する外部からの評価を受け付けるモデル評価部３５５と、を備えた。これにより、実施の形態１に係る学習装置３００は、第１の回帰モデル及び第２の回帰モデルに対する外部（例えばユーザ）からの評価を得ることができる。

【0169】

また、大域モデル構築部３０４は、モデル評価部３５５により受け付けられた評価が、所望の第２の回帰モデルが存在しないことを示すものである場合、学習データと、外部から指定された新たな第１の説明変数ｘ１であって、複数の説明変数のうちの一つである新たな第１の説明変数ｘ１とに基づいて、学習データと当該新たな第１の説明変数ｘ１とにあてはまる第１の回帰モデルを再構築するモデル更新部３１２を備える。これにより、実施の形態１に係る学習装置３００は、所望の第２の回帰モデルが構築されなかった場合、第１の回帰モデルから再構築することができる。

【0170】

また、実施の形態１によれば、状態推論装置６００は、複数の説明変数により説明可能な学習データと、外部から指定された説明変数であって、複数の説明変数のうちの一つである第１の説明変数ｘ１とに基づいて、学習データと第１の説明変数ｘ１とにあてはまる第１の回帰モデル（大域モデル）を構築する大域モデル構築部３０４と、複数の説明変数の中から第２の説明変数ｘ２を選択する第二変数選択部３６０であって、学習データのうち、大域モデル構築部３０４により構築された第１の回帰モデルに基づいてばらついているとみなされる対象データを、学習データから分離可能な第２の説明変数ｘ２を選択する第二変数選択部３６０と、第二変数選択部３６０により選択された第２の説明変数ｘ２と、第１の説明変数ｘ１とに基づいて、対象データが分離された後の学習データを用いて、当該学習データと第１の説明変数ｘ１とにあてはまる第２の回帰モデル（局所モデル）を構築する局所モデル構築部３５４と、を備えた学習装置３００の局所モデル構築部３５４により構築された第２の回帰モデルと、対象機器から取得された、学習データに対応するデータ及び第１の説明変数に対応するデータと、を用いて、対象機器の状態を推論する。これにより、実施の形態１に係る状態推論装置６００は、対象機器の状態を精度よく推論することができる。

【0171】

また、状態推論装置６００は、外部から受け付けた補正値であって、第２の回帰モデルにおける回帰係数を補正するための補正値に基づいて、第２の回帰モデルにおける回帰係数を補正するフィードバック情報生成部６０４を備えた。これにより、実施の形態１に係る状態推論装置６００は、実際に対象機器から取得されるデータと、第２の回帰モデルを構築した際に用いた学習データとの間における、構築時点では分からないような差分から生じる検知誤りの可能性を低減することができる。

【0172】

また、実施の形態１によれば、状態監視システム１０００は、複数の説明変数により説明可能な学習データと、外部から指定された説明変数であって、複数の説明変数のうちの一つである第１の説明変数ｘ１とに基づいて、学習データと第１の説明変数ｘ１とにあてはまる第１の回帰モデル（大域モデル）を構築する大域モデル構築部３０４と、複数の説明変数の中から第２の説明変数ｘ２を選択する第二変数選択部３６０であって、学習データのうち、大域モデル構築部３０４により構築された第１の回帰モデルに基づいてばらついているとみなされる対象データを、学習データから分離可能な第２の説明変数ｘ２を選択する第二変数選択部３６０と、第二変数選択部３６０により選択された第２の説明変数ｘ２と、第１の説明変数ｘ１とに基づいて、対象データが分離された後の学習データを用いて、当該学習データと第１の説明変数ｘ１との間にあてはまる第２の回帰モデル（局所モデル）を構築する局所モデル構築部３５４と、を備えた学習装置３００と、局所モデル構築部３５４により構築された第２の回帰モデルと、対象機器から取得された、学習データに対応するデータ及び第１の説明変数ｘ１に対応するデータと、を用いて、対象機器の状態を推論する状態推論装置６００と、を備えた。これにより、実施の形態１に係る状態監視システム１０００は、対象機器から収集されたばらつきのあるデータを用いて、当該対象機器の異常を検知するためのモデルを学習するに際し、学習にかかる工数を従来よりも削減可能となるとともに、当該モデルを用いて、対象機器の状態を精度よく推論することができる。

【0173】

最後に、実施の形態１に係る学習装置３００及び状態推論装置６００の好適な適用例について説明する。実施の形態１に係る学習装置３００は、例えば、鉄道車両に搭載された電動機の監視システムに用いられるのに適している。鉄道車両に搭載された電動機では、振動データと同時に、電動機のブレーキ情報、回転数情報、電流情報、及び電圧情報といった多数の制御情報が存在する。電動機の状態が反映される振動データを、制御情報を下に監視するシステムを構築する場合、ユーザの知見（例えば、振動と回転数とは密接に関係し、低速時に高周波の振動特徴が現れやすいといった知見）を活用するために、まず、大域モデル構築部３０４により、回転数を説明変数としたモデル（大域モデル）を構築する。次に、当該モデルの精度を向上させるために、ユーザによる回転数の領域の指定、及び、大域モデルからはずれたデータを除外しうる他の制御情報を活用した条件の絞り込みを経て、モデル（局所モデル）を構築する。これにより、監視システムでは、モデルの構築にユーザの知見を取り込み、劣化検知に必要がないと考えられる説明変数及び条件を用いたモデル構築及び評価の工程を減らし、モデルを効率的に構築することが可能となる。

【0174】

また、実施の形態１に係る状態推論装置６００も、学習装置３００と同様に、例えば、鉄道車両に搭載された電動機の監視システムに用いられるのに適している。例えば、実施の形態１に係る状態推論装置６００にさらに警報装置を設け、対象機器に付設された振動センサ５０から取得した振動データに基づき、当該対象機器が、監視対象として設定されたオブジェクトと同一のオブジェクトでないと状態推論装置６００により判定された場合に、監視システムの使用者に警報を出力するように構成する。実施の形態１に係る状態推論装置６００は、このようにして、監視システムに適用可能である。

【0175】

また、実施の形態１に係る状態監視システム１０００も、学習装置３００及び状態推論装置６００と同様に、例えば鉄道車両に搭載された電動機の監視システムに用いられるのに適している。

【0176】

なお、本開示は、実施の形態の任意の構成要素の変形、もしくは実施の形態の任意の構成要素の省略が可能である。たとえば、上記の説明では、目的変数である学習データが振動データであり、当該目的変数を説明する説明変数が制御情報データである場合を例に挙げて説明した。しかしながら、目的変数である学習データ、及び説明変数は上記の例に限らず、説明変数が目的変数を説明するものであれば、任意の種類のデータであってもよい。

【0177】

また、上記の説明では、記録部１００が学習装置３００及び状態推論装置６００とは別個に設けられている例を説明した。しかしながら、記録部１００はこれに限らず、例えば学習装置３００及び状態推論装置６００のうちのいずれか一方に内蔵されていてもよい。
あるいは、記録部１００は、第一外部評価装置４００、第二外部評価装置５００、及び第三外部評価装置７００のうちのいずれか１つに内蔵されていてもよい。

【0178】

また、上記の説明では、第一外部評価装置４００、第二外部評価装置５００、及び第三外部評価装置７００がそれぞれ別個に設けられている例を説明した。しかしながら、当該各装置はこれに限らず、当該各装置の機能がいずれか１つの装置に集約されていてもよいし、いずれか２つの装置の機能が１つの装置に集約されていてもよい。

【符号の説明】

【0179】

５０ 振動センサ、６０ 制御情報記録機器、７１ 処理回路、７２ ＣＰＵ、７３ メモリ、８１ 処理回路、８２ ＣＰＵ、８３ メモリ、１００ 記録部、２００ 学習データ記録部、３００ 学習装置、３０１ 大域的学習部、３０２ データ抽出部、３０３ 説明変数取得部、３０４ 大域モデル構築部、３０５ モデル評価部（第１のモデル評価部）、３１１ モデル構築部、３１２ モデル更新部、３１３ 画像出力部、３１４ モデル決定部、３５０ 局所的学習部、３５１ フィルタ処理部、３５２ 範囲選択部、３５３ 第二変数選択処理部（変数選択処理部）、３５４ 局所モデル構築部、３５５ モデル評価部（第２のモデル評価部）、３６０ 第二変数選択部（変数選択部）、３６１ 分布計算部、３６２ 分布差比較部、３６３ 領域評価部、３６４ モデル構築部、３６５ 予測誤差算出部、３６６ 画像出力部、３６７ モデル決定部、３９０ 中間記録部、４００ 第一外部評価装置、５００ 第二外部評価装置、５０１ 予測線、５０２ 信頼区間の境界を示す線、６００ 状態推論装置、６０１ 取得部、６０２ データ選択部、６０３ 評価部、６０４ フィードバック情報生成部、６３１ 劣化度算出部、６３２ パラメータ調整部、６３３ 画像出力部、７００ 第三外部評価装置、１０００ 状態監視システム、１７０１ 予測線、１７０２ 信頼区間の境界を示す線、Ａ１ 振動データ、Ｂ１ 制御情報データ、２１０ 振動ＤＢ、２２０ 制御情報ＤＢ、Ｕ１ 領域、Ｕ２ 領域、Ｕ３ 領域。

【要約】

学習装置（３００）は、複数の説明変数により説明可能な学習データと、外部から指定された説明変数であって、複数の説明変数のうちの一つである第１の説明変数（ｘ１）とに基づいて、学習データと第１の説明変数とにあてはまる第１の回帰モデル（大域モデル）を構築する大域モデル構築部（３０４）と、複数の説明変数の中から第２の説明変数（ｘ２）を選択する変数選択部（３６０）であって、学習データのうち、大域モデル構築部により構築された第１の回帰モデルに基づいてばらついているとみなされる対象データを、学習データから分離可能な第２の説明変数を選択する変数選択部と、変数選択部により選択された第２の説明変数と、第１の説明変数とに基づいて、対象データが分離された後の学習データを用いて、当該学習データと第１の説明変数とにあてはまる第２の回帰モデル（局所モデル）を構築する局所モデル構築部（３５４）と、を備えた。

【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】

【図14】

【図15】

【図16】

【図17】

【図18】

【図19】

【図20】