JP2009042997A - データ分類方法および装置 - Google Patents

Abstract

【課題】異常検知や異常診断に適用した場合に、判定精度を低下させず、かつ実装が容易なデータ分類装置を提供する。
【解決手段】複数個の入力データを複数個のカテゴリーに分類するデータ分類装置である。読み込んだ入力データに最も近いカテゴリーのプロトタイプを選択するプロトタイプ選択手段１３と、選択したプロトタイプが妥当であるかを評価するプロトタイプ評価手段１４を有する。選択したプロトタイプが妥当でなかった場合に、プロトタイプを追加するプロトタイプ追加手段１５を有する。また選択したプロトタイプが妥当であった場合に、カテゴリー毎にそのカテゴリーの領域の大きさを規定する領域決定パラメータとプロトタイプの少なくとも一方を補正することが可能な内部データ補正手段１６を有する。カテゴリーの領域の大きさがカテゴリー毎に設定可能であるため、適切なデータ分類が可能となり、異常検知や異常診断に適用した場合に判定精度を向上できる。
【選択図】図１

Description

本発明は、異常検知及び異常診断システムへの適用を目的とした、データ分類方法および装置に関する。

従来のデータ分類方法には特許文献１に記載された適応共鳴理論（Adaptive Resonance Theory：ART）がある。ARTは1987年にG.A.CarpenterとＳ．Grossbergによって、提案された教師なし学習ネットワークの一種であり、入力データを複数個のカテゴリーに分類する機能がある。

特許文献１の技術は、人間のパターン認識のアルゴリズムを模擬したアルゴリズムであり、次のような特徴を持つ。
（１）パターン生成ユニット（F1）とカテゴリー選択ユニット（F2）の間で入力パターンをやり取りし、カテゴリーの候補選定と候補の妥当性判定を繰り返してカテゴリーを決定する。
（２）妥当性の判定には、カテゴリーの領域の大きさを決定するパラメータ（vigilance parameter）を利用し、入力パターンが選択したカテゴリーの領域から外れるか否かを判定する。
（３）入力パターンに対して、全てのカテゴリーが妥当でないと判定されると、新しいカテゴリーを作成する。

これらの特徴により、様々なタイプのパターン認識に適用可能なアーキテクチャーとなっている。

また、G.A.Carpenter らは、ARTを教師付き学習型のデータ分類技術に拡張し、特許文献２に記載されたARTMAPというアーキテクチャーを提案している。この技術では、次のステップ１−４を繰り返すことで、入力データを与えたカテゴリーに分類する。
ステップ１：入力データを教師なしのデータ分類技術であるARTで分類する。
ステップ２：分類したカテゴリー（カテゴリーＡ）を分類したいカテゴリー（カテゴリーＢ）に変換する。
ステップ３：変換されたカテゴリーＢと教師として与えるカテゴリーＢを比較する。
ステップ４：比較した結果、カテゴリーが一致しなかった場合、ARTのパラメータを調整し、新しいカテゴリーＡを選択する。

このように、従来のデータ分類技術は様々なデータ分類、パターン認識に対応できるように、柔軟なアルゴリズムとなっている。

特表昭６３−５０１４５５号公報 ＵＳＰ５２１４７１５公報

しかしながら、異常検知や異常診断に上記アルゴリズムを適用した場合に、次のような２つの問題がある。１つは、検知や診断の精度が低下することである。これは、カテゴリーの領域の大きさを決定するパラメータ（vigilance parameter）が、カテゴリーによらず同じであることに起因する。

図２はＡＲＴの技術でデータを分類した概念図を示す。破線はカテゴリーの領域を模式的に表したもので、データは３つのカテゴリーに分類されている。カテゴリー１はカテゴリーの領域にデータが均等に分散しているが、カテゴリー２、カテゴリー３は、領域の中心にデータが偏っている。これは、カテゴリーの領域の大きさを決定するパラメータがカテゴリーによらず同じ値をとるためである。

異常検知や異常診断では、例えばカテゴリー２の領域の境界付近に位置するデータは、既存のデータとは離れており、別の事象である場合がある。このような場合、ＡＲＴでは判定精度が低下する。

図３はＡＲＴＭＡＰの技術でデータを分類した概念図を示す。白丸が正常な場合のデータ、黒丸が異常な場合のデータとする。入力データをＡＲＴで分類したカテゴリーＡと、教師として与えるカテゴリーＢ（例えば、「正常」「異常」）の対応関係から入力データとカテゴリーＢの関係を学習する。図３の例では、カテゴリーＡ１〜Ａ６までが「正常」に対応し、カテゴリーＡ７〜Ａ９が「異常」に対応する。この例ではカテゴリーＡ２〜Ａ５に属するデータは一塊になっているが、各カテゴリーの領域が小さく定義されているため、カテゴリーＡ２〜Ａ５で囲まれた領域は、どのカテゴリーにも属さない領域となっている。これは、カテゴリーＡ７をカテゴリーＡ５、Ａ６と分離させるために、カテゴリーＡ７の領域を小さくした結果、そのほかのカテゴリーの領域も小さくなったためである。

異常検知や異常診断では、このような領域は異常とも正常とも判定できない領域であり、このような領域が多くなると判定精度が低下する。

２つめの問題は、人間のパターン認識のアルゴリズムを模擬しているため、処理ステップ数が多くなり、実装するハードの制約で、処理の単純化が要求される場合に、実装が難しくなる場合を生じることである。

本発明の目的は、上記従来技術の問題点に鑑み、異常検知や異常診断に適用した場合に判定精度を低下させず、かつ実装が容易なデータ分類方法及び装置を提供することである。

上記目的を達成するために、本発明は、コンピュータにより、自然界の複数個の入力データを複数個のカテゴリーに分類するデータ分類方法であって、予めカテゴリーのプロトタイプと、カテゴリーの領域の大きさを規定する領域決定パラメータを格納し、入力された入力データを正規化し、正規化された入力データに最も近いカテゴリーのプロトタイプを選択し、該選択されたプロトタイプと入力データとの距離から該プロトタイプが妥当であるかを評価し、該プロトタイプが妥当と判定された場合に、領域決定パラメータとプロトタイプの少なくとも一方を補正し、該プロトタイプが妥当と判定されなかった場合に、新しいプロトタイプを追加することを特徴とする。

前記プロトタイプの評価は、入力データとプロトタイプの距離で判定することを特徴とする。

また、本発明は、コンピュータにより、自然界の複数個の入力データを予め設定した複数個のカテゴリーＢに分類するデータ分類方法であって、前記カテゴリーＢに関連するカテゴリーＡのプロトタイプと、カテゴリーＡの領域の大きさを規定する領域決定パラメータと、カテゴリーＡをカテゴリーＢに変換するためのカテゴリー対応マトリックスとを格納し、入力された入力データを正規化し、正規化された入力データに最も近いカテゴリーＡのプロトタイプを選択し、該選択されたプロトタイプと入力データとの距離から該プロトタイプが妥当であるかを評価し、該プロトタイプが妥当と判定されなかった場合に、新しいプロトタイプを追加して前記プロトタイプの選択を繰り返し、該プロトタイプが妥当と判定された場合に、前記領域決定パラメータ、前記プロトタイプ、及び前記カテゴリー対応マトリックスを補正し、補正されたカテゴリー対応マトリックスを用いて、前記選択されたカテゴリーＡをカテゴリーＢに変換することを特徴とする。

補正されたカテゴリー対応マトリックスに選択されたカテゴリーＡと予め設定したカテゴリーＢの関係を追加するときに、選択したカテゴリーＡが既に別のカテゴリーＢに対応している場合は対応関係の追加を拒否し、前記カテゴリーＡのプロトタイプを前記入力データから遠ざけるように補正し、前記領域決定パラメータを、該領域決定パラメータが該カテゴリーＡのプロトタイプと該入力データの距離と等しくなるように補正することを特徴とする。

本発明は、前記データ分類方法のいずれかを適用したデータ分類装置である。

本発明は、設備の運転データを入力して設備の診断を行う設備診断装置において、前記データ分類装置を採用し、前記設備の運転データを前記データ分類装置に入力し、分類されたカテゴリーに基づき設備の状態を診断することを特徴とする。

あるいは、前記設備の状態を教師パターンとして与え、前記設備の状態と前記設備の運転データとの関係を前記データ分類装置により学習し、学習後の前記データ分類装置に未学習の運転データを入力し、前記データ分類装置が出力したカテゴリーＢにより機器の状態を診断することを特徴とする。

本発明によれば、異常検知や異常診断に適用した場合でも、カテゴリーの領域の大きさがカテゴリー毎に設定できるため、より適切なデータ分類が可能となり、判定精度を低下させることがない。また、処理ステップが少ないため、実装が容易となる。

本発明では、自然界における複数個の入力データを複数個のカテゴリーに分類する第一の発明を提案する。また、本発明では、自然界における複数個の入力データを予め設定した複数個のカテゴリーＢに分類する第２の発明を提案する。また、本発明では、複数個の入力データを複数個のカテゴリーに分類する第一の発明を用いて、設備を診断する第三の発明を提案する。さらに、複数個の入力データを予め設定した複数個のカテゴリーＢに分類する第２の発明を用いて、設備を診断する第四の発明を提案する。

第一の発明に係るデータ分類装置の実施形態は、設備等から受信した複数個の入力データを複数個のカテゴリーに分類するデータ分類装置である。カテゴリーのプロトタイプと、カテゴリーの領域の大きさを規定する領域決定パラメータを格納する内部データ格納部１２と、読み込んだ入力データに最も近いカテゴリーのプロトタイプを選択するプロトタイプ選択手段１３と、選択したプロトタイプが妥当であるかを、プロトタイプと入力データの類似度を両者の距離で評価するプロトタイプ評価手段１４を有している。また、新しいプロトタイプを新規に作成するプロトタイプ追加手段１５と、領域決定パラメータとプロトタイプの少なくとも一方を補正することができる内部データ補正手段１６を有している。

プロトタイプ評価手段１４では、プロトタイプが妥当と判定された場合に、内部データ補正手段１６により、領域決定パラメータとプロトタイプの少なくとも一方を補正し、プロトタイプが妥当と判定されなかった場合に、プロトタイプ追加手段１５により新しいプロトタイプを作成することを特徴とする。

第二の発明に係るデータ分類装置の実施形態は、設備等から受信した複数個の入力データを予め設定した複数個のカテゴリーＢに分類するデータ分類装置である。該カテゴリーＢに関連するカテゴリーＡのプロトタイプと、カテゴリーＡの領域の大きさを規定する領域決定パラメータを格納する内部データ格納部１２と、カテゴリーＡをカテゴリーＢに変換するためのカテゴリー対応マトリックスを格納するカテゴリ対応マトリックス格納部２１を有する。また、読み込んだ入力データに最も近いカテゴリーＡのプロトタイプを選択するプロトタイプ選択手段１３と、選択したプロトタイプが妥当であるかを、プロトタイプと入力データの類似度から評価するプロトタイプ評価手段１４を有している。さらに、カテゴリーＡの新しいプロトタイプを新規に作成するプロトタイプ追加手段１５と、領域決定パラメータとプロトタイプの少なくとも一方、及びカテゴリー対応マトリックスを補正する内部データ及びマトリックス補正手段１８と、該選択されたカテゴリーＡをカテゴリー対応マトリックスを用いてカテゴリーＢに変換するカテゴリー変換手段２０を有している。

内部データ及びマトリックス補正手段１８が、カテゴリー対応マトリックスに選択されたカテゴリーＡと予め設定したカテゴリーＢの関係を追加する場合において、選択したカテゴリーＡが既に別のカテゴリーＢに対応している場合、対応関係の追加を拒否する。追加拒否された場合には、カテゴリーＡのプロトタイプを、前記入力データから遠ざけるように補正し、該領域決定パラメータを、該領域決定パラメータが該カテゴリーＡのプロトタイプと該入力データの距離と等しくなるように補正することを特徴とする。

第三の発明に係る設備診断装置の実施形態は、設備の診断システムにおいて、第一の発明であるデータ分類装置を有し、該設備の運転データを前記データ分類装置に入力し、分類されたカテゴリーに基づき設備の状態を診断することを特徴とする。

第四の発明に係る設備診断装置の実施形態は、第２の発明であるデータ分類装置を有し、設備の状態を教師パターンとして与え、設備の状態と該設備の運転データとの関係を前記データ分類装置により学習する。さらに学習後の前記データ分類装置に未学習の運転データを入力し、該データ分類装置が出力したカテゴリーＢにより機器の状態を診断することを特徴とする。

図１は実施例１によるデータ分類装置の構成を示すブロック図である。本実施例は、入力データをいくつかのカテゴリーに分類するデータ分類装置である。予め分類したいカテゴリーを教師データとして与えておらず、教師なし分類である。

本データ分類装置は、入力データ正規化手段９、データ読込み手段１０、内部データ初期化手段１１、データ格納部１２、プロトタイプ選択手段１３、領域妥当性評価手段１４、プロトタイプ追加手段１５、内部データ補正手段１６及び処理フロー制御手段１７からなる。

入力データ正規化手段９では、入力データを正規化する。入力データは、一般に、温度、流量、電圧、信号の強度などの物理量であるため、分類する入力データの種類、特性によって、値の大きさ、変動量には、ばらつきが生じる。入力データ正規化手段９では、これらのばらつきを補正するために、分類する入力データの最大値と最小値を用いて、データを正規化する。

データ読込み手段１０は、処理フロー制御手段の指令に応じて、正規化された入力データを読込む。内部データ初期化手段１１は、データ分類処理の最初にのみ実行され、内部データ格納部１２に格納されたデータを入力データに応じて初期化する。

内部データ格納部１２には各カテゴリーのプロトタイプと、各カテゴリーの領域を決定するパラメータ（領域決定パラメータ）が格納されている。プロトタイプは各カテゴリーの代表例であり、カテゴリーと１対１に対応する。入力データがＮ次元のデータであった場合、プロトタイプもＮ次元のデータとなる。領域決定パラメータは、各カテゴリーの領域を規定するパラメータであり、カテゴリー毎に定義されている。

プロトタイプ選択手段１３は、入力データと内部データ格納部１２に格納されているプロトタイプを比較し、入力データに最も近いプロトタイプを選択する機能である。どのプロトタイプが入力データに近いかは、入力データとプロトタイプの距離で判断する。すなわち、データ格納部１２に格納されているプロトタイプと入力データの距離を計算し、最も距離が近いプロトタイプを選択する。

プロトタイプ評価手段１４では、プロトタイプ選択手段１３で選択したプロトタイプが妥当であるかを評価する。選択したプロトタイプは内部データ格納部１２に格納されているものの中では、最も入力データに近いが、十分に近いプロトタイプであるとは限らない。プロトタイプ評価手段１３では、入力データと選択したプロトタイプjの距離ｒ_mjと領域決定パラメータR_jとを比較し、（１）式を満足する場合、選択したプロトタイプｊが妥当であると判断し、入力データが分類されるカテゴリーを決定する。また、同時に内部データ補正手段１６の処理を実施する。
ｒ_ｍｊ≦Ｒ_ｊ …（１）
（１）式を満足しなかった場合、プロトタイプ追加手段１５の処理を実施する。プロトタイプ追加手段１５は、プロトタイプ評価手段１４により、選択したプロトタイプが妥当でないと判断された場合に、プロトタイプを追加する。プロトタイプは入力データを代表するものでなければならないため、後述のように入力データの近傍のデータが新たなプロトタイプとして追加される。なお、入力データと全く同じデータをプロトタイプとして追加しても良い。

内部データ補正手段１６は、選択したプロトタイプが妥当であった場合に、プロトタイプ、領域決定パラメータを補正することで、データの分類特性をより適切にする手段である。したがって、内部データ補正手段１６は、領域決定パラメータ補正手段１６１とプロトタイプ補正手段１６２からなる。領域決定パラメータ補正手段１６１では、カテゴリー領域に含まれるデータの分布状態と領域決定パラメータを比較し、データの分布に対して、領域決定パラメータが大きい場合、領域決定パラメータを小さくする。プロトタイプ補正手段１６２では、プロトタイプを入力データに近づける。近づける度合いはパラメータで調整可能である。プロトタイプは複数の入力データの代表例であり、入力データは逐次入力される。プロトタイプを入力データに近づける処理をすることで、プロトタイプをより適切に設定することが可能となる。

処理フロー制御手段１７では、データ分類装置における処理フローを制御する。主な機能は、入力データを最初に読み込んだ場合に内部データ初期化手段１１を実行することと、プロトタイプ評価手段１４から出力されるカテゴリーの変化から繰り返し処理の打ち切りを判断することである。

次に実施例１の処理フローについて詳細に説明する。本実施例では、入力データは２次元データであるが、３次元以上のデータであっても同様の処理となる。

図４は実施例１のデータ分類装置の動作フローを示す。ここでは、入力データ(X,Y)及び教師カテゴリーはM組あるとした。また、本データ分類方法は、M組のデータを繰り返し何度か与えることでデータを適切に分類する手法である。本実施例では、繰り返し回数をK回とした。以下、処理フローについて説明する。

Step0：入力データ(X,Y)を正規化する。例えば、データXが温度、データYが流量で、それぞれ、500℃〜560℃、2.5t／h〜3.5t／hまで変動したとする。Step0では、X、Yのどちらも、最小値が0.1、最大値が0.9となるように正規化する。

Step1：内部データであるプロトタイプと領域決定パラメータを初期化する。プロトタイプの初期化処理とは、新規のプロトタイプを作成することである。本実施例では、プロトタイプ（Xj，Yj）（j=1〜5）を作成した。初期のプロトタイプはできるだけ分散している方が望ましいため、乱数を使って、x、yのそれぞれが、0.1から0.9に入るx、yの組み合わせを作成した。プロトタイプは、例えば、(0.45,0.28)，(0.78,0.31)，(0.15,0.17)，(0.54,0.39)，(0.78,0.12)のようになる。

領域決定パラメータRjは（２）式で作成した。
Ｒ_ｊ＝Ｋ_Ｒ × √Ｎ …（２）
K_Rは定数であり、Nは入力データの次元数である。これは、N次元の空間で各座標が０から１で囲まれた超立方体の最長の長さを1／（2×K_R）分割する分解能を示す。本実施例では、K_R＝0.1，Ｎ＝２であるため、Ｒの初期値は0.1414となる。

Step2：繰り返し回数１回目で、入力データ番号ｍ＝１のデータを読み込む。

Step3：読み込んだ入力データ(x，y)とプロトタイプ（Xj，Yj）の距離r_mjを式（３）で計算する。
ｒ_ｍｊ＝√（（ｘ−Ｘ_ｊ）^２＋(ｙ−Ｙ_ｊ)^２） …（３）
距離r_mjが、最小となるjをプロトタイプの候補として選択する。

Step4：プロトタイプの妥当性を評価する。具体的には、r_mjを、基準となる領域決定パラメータRjと比較し、r_mjがRjよりも小さければ、選択したプロトタイプは妥当であると評価し、Step6の処理を実行する。プロトタイプが妥当でなければ、Step5の処理を実行する。

Step5：ここでは新たにプロトタイプを１つ追加する。追加するプロトタイプは式（４）、（５）で決定する。
Ｘ^’ _ｊ＝ｋｐ×ｘ_ｍ （４）
Ｙ^’ _ｊ＝ｋｐ×ｙ_ｍ （５）
ここでkpはパラメータであり１近傍の値をとる。kp＝1の場合は、プロトタイプは入力データx_m，y_mと等しくなる。

Step6：Step4でプロトタイプが妥当であると評価された場合の処理で、プロトタイプを入力データに合わせて補正する。具体的には、式（６）、（７）で補正する。
Ｘ^’ _ｊ＝Ｘ_ｊ＋ｋｗ×（ｘ_ｍ−Ｘ_ｊ） …（６）
Ｙ^’ _ｊ＝Ｙ_ｊ＋ｋｗ×（ｙ_ｍ−Ｙ_ｊ） …（７）
ここで、kwはパラメータであり、０から１範囲の値をとり、kwの値によりどの程度入力データに合わせて補正するのかが決定される。ｋw＝１の場合は、プロトタイプを入力データと完全に一致するまで補正することを意味する。また、kw＝０の場合はプロトタイプは補正されない。

kwの値はデータ分類処理の進行に合わせて段階的に変化させることとした。具体的には、処理の初期過程ではkwの値を大きくして、入力データに合わせてプロトタイプが変化するようにし、処理がある程度進むとkwの値を小さくし、プロトタイプが変化しないようにした。

Step7：選択されたカテゴリーの領域に含まれるデータから、領域決定パラメータRjが妥当であるかを判定する。ここでは選択されたカテゴリーのプロトタイプと、このカテゴリーに含まれる入力データの距離r_mjの最大値r_mj_maxを求め、Rjとの比率F_rを式（８）で計算する。
Ｆ_ｒ＝ｒ_ｍｊ_ｍａｘ／Ｒ_ｊ …（８）
予め設定した閾値F_r_thと（８）式で求めたF_rを比較し、（９）式が成立すれば領域決定パラメータRjは妥当と判断し、Step9に進む。（９）式が成立しなければ、領域決定パラメータRjは妥当でないと判断し、Step8に進む。
Ｆ_ｒ≧F_r_th …（９）
Step8：領域決定パラメータＲjを（１０）式にしたがって変更する。
Ｒ_ｊ＝ｒ_ｍｊ_ｍａｘ／F_r_th …（１０）
Step9:入力データがＭ組全て処理されたかどうかを判定し、処理されていない入力データがあれば、次の入力データをStep3で処理する。全ての入力データが処理されていれば、Step10に進む。

Step10：繰り返し回数が、設定したK回実施されたか、あるいはデータ分類処理が収束した場合に処理を終了させる。データ分類の収束判定は、入力データが分類されたカテゴリーが前回（k−1回目）と今回（k回目）が同じか否かで判定する。分類されたカテゴリーが少なくとも１つ以上変化した場合、処理は収束していないと判定し、分類されたカテゴリーが全て同じであれば、処理が収束したと判定する。

実施例１では、k＝１から図４に示した処理を実施したが、kがある値になるまでは、Step7〜Step8の処理を実施せず、kがある値を超えてからStep７〜Step8の処理を実施する処理フローでも良い。

図５は実施例１による分類結果を示す概念図である。入力データは図２と同じであり、データは３つのカテゴリーに分類されている。しかしながら、カテゴリー２及びカテゴリー３の境界を表す破線は、図２に比べて、データに近いところに設定されている。これは、図４のStep7においてカテゴリーの領域の大きさを規定するＲjの妥当性を判定した結果、Ｒjが大きすぎると判定され、Step８において、Ｒjの値が小さく補正されたためである。

このように、本実施例では、カテゴリーの境界を表す破線はデータの分布状態によって合わせて設定されるため、図２のように領域の中心にデータが偏っていることはない。すなわち、与えられた入力データに対して忠実にカテゴリーの領域を決定している。

その結果、本分類方法により、データの傾向の違いをより正確に捉えることができる。例えば、図５の点Ａは、分類されたデータとは傾向が異なるが、従来の分類方法（図２）では、これまでに発生したカテゴリー２に分類されてしまうため、その傾向の変化を捉えることができなかった。一方、本実施例では、点Ａは、カテゴリーの境界がより適切に設定されているため、新たなカテゴリー（カテゴリー４）に分類され、データの傾向の変化を捕らえることができる。

したがって、本実施例による分類方法を異常検知や異常診断に適用した場合、判定精度を向上させることができる。また、本実施例の処理は従来の方法に比べて単純化しているため、実装するハードの制約から処理の単純化が要求される場合でも、実装が容易となる。

次に本発明の実施例２について説明する。本実施例は、入力データが対応するカテゴリーを予め学習させるデータ分類方法である。ここで、実施例１での分類結果であるカテゴリーと予め学習させるカテゴリーは、必ずしも１対１に対応するものではない。そこで、実施例１の分類結果であるカテゴリーをカテゴリーA、予め学習させるカテゴリーをカテゴリーBと定義して説明する。

図６は実施例２によるデータ分類装置の構成を示すブロック図である。実施例２の構成要素の多くは実施例１と同じであるため、ここでは、実施例１との相違点を中心に説明する。実施例２で新規に追加された構成要素は、カテゴリーＢ読込み手段１９、カテゴリー変換手段２０及びカテゴリー対応マトリックス２１である。また、実施例１の内部データ補正手段１６は、内部データ及びマトリックス補正手段１８に置き換わっている。

カテゴリーＢ読込み手段１９は、予め学習しておくデータ（教師データ）であるカテゴリーＢを読込む手段である。入力データ読込み手段１０と同様に処理フロー制御手段１７により、データの読込みタイミングを制御されている。

カテゴリー変換手段２０はカテゴリーＡをカテゴリーＢに変換する手段である。ここで、カテゴリーＡは、実施例１でデータを分類したカテゴリーと同じであり、いくつかの類似データを１つのグループに分類したものである。カテゴリーＡにはカテゴリー番号が付与されるが、その番号自体には意味がない。一方、カテゴリーＢは、人間が意味づけしたカテゴリーである。本データ分類方法を異常診断に利用した場合、カテゴリーＢは、例えば、「正常」、「異常１」、「異常２」などの事象が割り当てられる。

カテゴリーＡをカテゴリーＢに変換するには、カテゴリーＡとカテゴリーＢの対応関係を表した、カテゴリー対応マトリックスを利用する。カテゴリー対応マトリックス格納部２１にはカテゴリー対応マトリックスが格納されている。

図７にカテゴリー対応マトリックスの例を示す。この例で、カテゴリーＢは「正常」、「異常１」、「異常２」の３種類である。カテゴリーＡはカテゴリー１〜１０の１０種類である。複数のカテゴリーＡが１つのカテゴリーＢに対応している。また、各カテゴリーは必ず１つのカテゴリーＢにのみ対応しており、２つ以上のカテゴリーＢに対応していることはない。このカテゴリー対応マトリックスを利用することで、カテゴリーＡを与えるとカテゴリーＢに変換することが可能となる。

内部データ及びマトリックス補正手段１８は、内部データ格納部１２に格納されている内部データとカテゴリー対応マトリックス格納部２１に格納されているカテゴリー対応マトリックスを補正する。

補正する内部データは、プロトタイプと領域決定パラメータであり、実施例１の内部データ補正手段１６と同じである。ただし補正方法は内部データ補正手段１６とは異なる。内部データ及びマトリックス補正手段１８では、図７で示したように、カテゴリーＡに対応するとカテゴリーＢが２つ以上にならないように内部データを補正する。具体的な補正アルゴリズムについては後述する。

カテゴリー対応マトリックスの補正は、カテゴリーＡとカテゴリーＢの関係が常に最新の入力データの分類結果と一致するように補正する。各入力データに対応するカテゴリーＢは教師データとして与えられるため、変更はない。しかし、プロトタイプまたは領域決定パラメータが変化した場合、同じ入力データであっても、カテゴリーＡは変化する可能性がある。したがって、カテゴリーＡが変更となった場合に、逐次、カテゴリーＢとの対応関係を補正する。

次に、実施例２の動作について説明する。実施例２では、学習モードと判定モードの２種類の動作モードがある。学習モードでは、入力データとカテゴリーＢ（教師データ）を与え、入力データがカテゴリーＢに分類されるように学習する動作モードである。判定モードは入力データのみを与え、入力データが分類されるカテゴリーＢを判定する動作モードである。なお、入力データは、実施例１と同様に２次元データ(x，y)である。

図８に学習モードの処理フローを示す。図中の破線で囲んだ部分が、実施例１の処理フローと異なる部分である。異なる部分を中心に、処理フローを説明する。

Step0〜5：入力データを正規化し、プロトタイプなどの内部データを初期化し、入力データが分類されるカテゴリーＡのプロトタイプを決定する。

Step6−1：入力データが分類されたカテゴリーＡと、教師データとして与えられるカテゴリーＢの関係をカテゴリー対応マトリックスに追加する。ただし、追加するカテゴリーＡとカテゴリーＢの組み合わせにおいて、選択されたカテゴリーＡが既に別のカテゴリーＢとの対応関係が記録されている場合には、追加が拒否される。また、カテゴリーＡとカテゴリーＢの対応関係が既にマトリックスに記録されている場合は、修正しない。

Step6−2：プロトタイプの補正は、Step6−1によって追加拒否されたか否かで処理が異なる。Step6−1で追加拒否されなかった場合には、式（６）、（７）でプロトタイプを修正する。追加拒否された場合には、入力データが分類されたカテゴリーＡがふさわしくないことを意味する。したがって、対象の入力データが分類されたカテゴリーＡに分類されないようにプロトタイプを補正する必要がある。具体的には式（１１）、（１２）によって、プロトタイプを補正する。
Ｘ^’ _ｊ＝Ｘ_ｊ−ｋｗ×（ｘ_ｍ−Ｘ_ｊ） …（１１）
Ｙ^’ _ｊ＝Ｙ_ｊ−ｋｗ×（ｙ_ｍ−Ｙ_ｊ） …（１２）
（１１）、（１２）式で、ｋw＞０の場合、プロトタイプは入力データから離れる方向に補正される。kwの値が大きいほど、その度合いは大きくなる。なお、ｋw＝0の場合、プロトタイプは変更されない。

Step7：Ｒjの妥当性判断は、（９）式の成立の有無及び追加拒否の有無によって異なる。（９）式が成立し、かつ追加拒否がない場合は、妥当であると判定し、Step9に進む。（９）式を満足しないか追加拒否があった場合は妥当でないと判定し、Step8に進む。

Step8：追加拒否があった場合は、入力データが分類されたカテゴリーＡがふさわしくないことを意味する。したがって、対象の入力データが分類されたカテゴリーＡに分類されないように領域決定パラメータを補正する必要がある。具体的には式（１３）で補正する。
Ｒ_ｊ＝ｒ_ｍｊ …（１３）
また、（９）式を満足しない場合は、（１０）式でＲjを補正する。

Step9〜10：処理を繰り返すか否かを判定し、繰り返しが必要なければ、Step11に進む。Step10までの処理が全て終了すると、M個全ての入力データが、あるカテゴリーAに分類され、各カテゴリーAとカテゴリーBの対応関係がカテゴリー対応マトリックスに記録される。

Step11：カテゴリー対応マトリックスを利用してカテゴリーＡをカテゴリーＢに変換する。変換するデータはＭ個の入力データである。マトリックスとして図７の例を利用した場合、ある入力データのカテゴリーＡがカテゴリー３とすると、対応するカテゴリーＢは異常１であり、カテゴリー３は異常１に変換される。

以上の処理により、M個の入力データを、教師データとして与えたカテゴリーBに分類することができる。

なお、Step6-1〜Step8までの処理の中で、カテゴリー対応マトリックスに関連する処理を除くと実施例１のStep6〜Step8の処理と同じになる。実施例２では、k＝１から図８に示した処理を実施したが、kがある値になるまでは、カテゴリー対応マトリックスに関連する処理を実施せず、実施例１のStep6〜Step8の処理のみを実施し、kがある値を超えてからカテゴリー対応マトリックスに関連する処理を追加する処理フローとしてもよい。

次に判定モードについて説明する。１つの入力データを判定する場合について説明する。Step21：内部データを学習モードが終了した状態にする。
Step22：入力データを読み込む。
Step23：学習モードのStep3と同じアルゴリズムでプロトタイプを選択する。
Step24：学習モードのStep4と同じアルゴリズムでプロトタイプの妥当性を判定する。妥当であれば、入力データのカテゴリーＡは選択されたプロトタイプを持つカテゴリーＡであると判定しStep25に進む。妥当でなければ、入力データのカテゴリーＡは新規カテゴリーと判定しStep25に進む。
Step25：学習モードのStep11と同様のアルゴリズムで、カテゴリーＡをカテゴリーＢに変換する。ただし、入力データのカテゴリーＡが新規カテゴリーであった場合には、カテゴリー対応マトリックスに対応関係が記録されていないため、カテゴリーＢは不定となる。

実施例２の効果について説明する。図９に学習モードでデータを分類した結果を示す。図９の入力データ及び教師データは図３の例と同じである。図３の入力データではカテゴリーＡ２〜Ａ５の４つのカテゴリーＡに分類されていたが、図９入力データではカテゴリーＡ２という１つのカテゴリーＡに分類されている。

従来の手法では、カテゴリーの領域の大きさを決定する領域決定パラメータが、全カテゴリーで共通であったために、あるカテゴリーの領域決定パラメータを小さくすると、全ての領域決定パラメータが小さくなり、不必要にカテゴリーを細かく分類していた。判定モードであらたなデータの診断をする場合のデータが図３のカテゴリーＡ２〜Ａ４で囲まれた領域であったとすると、従来技術では異常とも正常とも判定できず（不定）、判定精度が低下する要因となっていた。

しかしながら、実施例２では、領域決定パラメータがカテゴリー毎に定義され、Step7、Step8において、カテゴリー毎に補正されるため、不必要にカテゴリーを細かく分類することがなくなった。その結果、実施例２では、図９のように、データが適切な領域で分類されるため、判定結果が不定となることが少なくなり、判定精度が向上する。また、カテゴリーの数が少なくなることで、実装する場合に必要なメモリー容量を小さくできる効果もある。したがって、実装するハードのメモリー容量に制約がある場合でも、実装が容易となる。

次に本発明の実施例３について説明する。実施例３は、本発明の実施例２であるデータ分類装置を利用した発電設備の遠隔診断システムである。

図１０に実施例３の構成を示す。本実施例は、発電設備8a〜8nと監視センタからなり、発電設備8a〜8nと監視センタはインターネット7により接続されている。

発電設備８a〜８nはそれぞれガスタービン発電機８１、制御装置８２及びデータ送信装置８３からなる。ガスタービン発電機８１は圧縮機、燃焼器、タービン及び発電機からなる。圧縮機による圧縮空気は燃焼器に送られ、燃料と混合されて燃焼器で燃焼する。燃焼により発生した高圧ガスによりタービンが回転し発電する。

制御装置８２では電力需要に応じてタービン発電機の出力を制御する。また、タービン発電機８１に設置されたセンサーを用いてタービン発電機８１の運転データを計測する。本実施例では、運転データとして吸気温度、燃料投入量、タービン排ガス温度、タービン回転数、発電機発電量等の状態量を１秒間隔で計測した。データ送信装置８３では、制御装置８２で計測した運転データをインターネット７経由で監視センターに送信する。

監視センターでは、インターネット７経由で受信した発電設備８a〜８nの運転データを受信し、発電設備８a〜８nの状態を監視する。監視センターは、データ受信装置２、運転データベース３、保守データベース４、データ制御装置５、データ分類装置１a〜１ｎ及び操作端末６からなる。

データ受信装置２は受信したデータを各データベース及びデータ制御装置５に送る。発電設備８a〜８nから送信された運転データはデータ制御装置５に送ると同時に運転データベース３に送る。保守情報は保守データベース４に送る。また、保守員が携帯端末から入力した保守情報も保守データベース４に送る。

運転データベース３はデータ受信装置２から送られた運転データを発電設備８a〜８n毎に格納する。図１１は運転データベースに格納されているデータの一例を示す。計測項目は吸気温度、燃料投入量、タービン排ガス温度、タービン回転数、発電機発電量等の状態量であり、１秒間隔で記録されている。また、これらの計測データの他に運転モードが記録されている。運転モードは「起動運転」、「定格運転」などに対応する数値で記録されており、図１１の例では、「定格運転」に対応する「０」が記入されている。さらに、発電設備から送信されるデータの他に、データ分類装置１a〜１ｎによる分類結果も格納されている。分類結果は２種類ある。一つはデータ分類装置内部のカテゴリーＡの番号が記録されている。もう一つは「正常」、「異常Ａ」などのような機器の状態（カテゴリーＢ）であり、同じく状態に対応する番号で記録されている。

保守データベース４はデータ受信装置２から送られた保守情報を格納する。保守データベース４には保守員が行った保守情報が記録されている。図１２に保守データベースに蓄積されている保守情報の一例を示す。図１２の例では、実際の保守作業は次ぎのようになる。9：50にモニタリングによりアラームが発生し、異常が確認された。10：30に現地に保守員が到着し保守作業を開始した。10：45に部品を交換したのち、ガスタービン発電機の試運転を実施した。11：30に異常が復旧したことを確認し、保守作業を終了した。

データ制御装置５では、運転データ及び保守データをサイト、運転モードで分類し、データ分類装置１a〜１nに入力可能な形式に加工する。図１３に加工したデータの例を示す。このデータの分類・加工方法の詳細については後述する。また、データ分類装置には推定モード、学習モード及び準備モードがある。データ制御装置５ではモードに合わせた入力データの制御を行う。

操作端末６では、データ制御装置５のモード切替え指令を入力する。また、運転データベース３や保守データベース４に記録された情報、あるいはデータ分類装置１a〜１nにより分類された結果をモニタ画面に出力することができる。

データ分類装置１a〜１nは、推定モードではデータ受信装置２０から送られた運転データに基づき発電設備８a〜８nの状態を診断する。診断結果は運転データベース３に送られる。学習モードでは運転データベース３及び保守データベースに格納された情報を用いて運転データと発電設備の状態の関係を学習する。また、準備モードは学習も推定も行わない。このモードは新規サイトが設置された場合などに学習に必要なデータがない場合のモードである。これらのモードは診断装置１a〜１n毎に個別に設定可能である。モードの設定は操作端末６にて行う。

次に、監視センターの動作について説明する。データ分類装置１a〜１nが実際に動作するモードは学習モード及び推定モードの２つであるため、学習モード、推定モードの順で説明する。前述したように、学習モード、推定モードはサイト毎に個別に設定可能であるが、ここでは、複数のサイトが全て学習モードの場合および全て推定モードの場合を例に説明する。

学習モードでは、運転データベース３及び保守データベースに格納された情報を用いて運転データと発電設備の状態の関係を学習する。ただし、両データベースに格納された情報をそのままデータ分類装置１a〜１nに入力することはできない。そこで、データ制御装置５において、運転データ及び保守情報をデータ分類装置１ａ〜１ｎに入力するデータ形式に変換する。

図１４にデータ分類装置の入力形式に変換する処理フローを示す。なお、以下の説明では、計測項目は図１１に示した５項目（DATA1〜DATA５）のみとする。

ステップ１１１では、全運転データをサイトと運転モードでグループ分けし、各グループのデータのサンプリング間隔を決定する。データのグループ分けは、例えば、「サイト１」〜「サイト３」の３つのサイトで運転モードが「起動運転」、「定格運転」、「停止運転」の３モードであったとすると、運転データは合計９つのグループにグループ分けられる。データのサンプリング間隔は運転モードによって異なる。本実施例では運転データの変化が少ない「定格運転」では1分間隔とし、それ以外のモードでは１秒間隔とした。

ステップ１１２では、ステップ１１１で分類したグループのうち１つのグループを選択する。

ステップ１１３では、ステップ１１２で選択したグループに該当するデータを用いてDATA1〜DATA５の計測項目毎に最大値及び最小値を計算する。例えば、「サイト１」の「定格運転」モードのデータが100時間分あったとすると、各項目のデータ数は6000個となる。最大値、最小値は6000個のデータから計算する。なお、ステップ１１３で計算した最大値及び最小値はサイト毎にデータ制御装置５内に記憶される。

ステップ１１４ではステップ１１３で求めた最大値及び最小値を用いてデータを正規化する。その方法についてDATA１を例に説明する。DATA1のデータ数がＭ個でm番目の計測値をdata1(m)とする。また、Ｍ個のデータの中の最大値及び最小値をそれぞれMax_1,Min_1すると、正規化したデータNdata_1(m)は式(14)で計算する。
Ndata_1(m)＝α+（1−α）×（data_1(m)−Min_1）/( Max_1−Min_1) …(１４)
ここで、αは（０≦α＜0.5）の定数であり、式１によりデータは［α,1−α］の範囲に正規化される。本実施例ではα＝0.2とした。

ステップ１１４で作成したNdata_1(m)〜Ndata_5(m)の５項目のデータが入力データaとなり、データ分類装置１a〜１nに入力される。

ステップ１１５では機器状態データを変換してカテゴリーBのデータを作成する。保守データベース４には機器の状態が記録されている。例えば、状態として「正常」、「異常A」「異常Ｂ」の３種類があったとすると、それぞれを「１」、「２」、「３」のような番号データに変換する。ただし、保守データベース４には決まった時間間隔で設備の状態が記録されているわけではない。したがって、入力データaの時間間隔に合わせてデータを加工する。このように時間間隔を修正することで、同一時刻の運転データとそのときの設備の状態が対応したデータが得られる。

ステップ１１６ではステップ１１１で分類した全てのグループに対してステップ１１３〜ステップ１１５の処理を実行したかを判定する。残っているグループがあればそれらのグループに対応するデータについてステップ１１３〜１１５を実行する。全てのグループに対して処理が完了した場合は終了する。

以上の処理により、ステップ１１１で分類した個数だけ入力データとそのときのカテゴリーBのペアが作成される。これらはそれぞれ異なるデータ分類装置１a〜１nに入力される。

次にデータ分類装置１a〜１nの動作について説明する。データ分類装置１a〜１nでは、入力データとカテゴリーBの関係を学習する。入力データ、カテゴリーBは共にＭ個ある。本実施例では、Ｍ組のデータを順にデータ分類装置１a〜１nに入力した。Ｍ組の入力データとカテゴリーＢの関係を学習するアルゴリズムについては実施例２において詳細に説明したため、本実施例での説明は割愛する。学習が終了すると、学習の結果得られたプロトタイプをデータ分類装置１a〜１n内の記憶領域に保存する。

次に推定モードの動作について説明する。推定モードでは、データ受信装置２から１分毎に送られる運転データに基づき発電設備８a〜８nの状態を診断する。データ受信装置２から送られたデータはデータ制御装置５により加工され、データ分類装置１a〜１nに送られる。

データ制御装置５にはサイト毎にデータを正規化するための最大値及び最小値が記憶されている。従って、データ受信装置２から送られたデータは、学習モードのステップ１１４の処理により瞬時にデータ変換され、データ分類装置１a〜１nに入力される。データ分類装置１a〜１nには学習モードで得られたプロトタイプが記憶されているので、実施例２の推定モードで説明した手順でカテゴリーＡ及び発電設備の状態（カテゴリーＢ）が推定される。推定されたカテゴリーＡ及び発電設備の状態は操作端末６のモニタ画面に出力される。また、運転データベース３に保存することもできる。

なお、実施例３では、実施例２のデータ分類装置を利用したが、実施例１のデータ分類装置を利用することも可能である。

本発明の実施例１によるデータ分類装置の構成を示すブロック図。 従来技術による分類結果の例を示す概念図。 他の従来技術による分類結果の例を示す概念図。 実施例１による学習動作を示す処理フロー図。 実施例１による分類結果を示す概念図。 本発明の実施例２によるデータ分類装置の構成を示すブロック図。 カテゴリー対応マトリックスの例を示す説明図。 実施例２による学習動作を示す処理フロー図。 実施例２による分類結果を示す概念図。 本発明の実施例３による設備診断装置の概要を示す構成図。 運転データの一例を示す説明図。 保守データの一例を示す説明図。 実施例３のデータ分類装置へ入力される入力データの一例を示す説明図。 実施例３のデータ制御装置のデータ変換を示す処理フロー図。

符号の説明

１…データ分類装置、２…データ受信装置、３…運転データベース、４…保守データベース、５…データ制御装置、６…操作端末、７…インターネット、８…発電設備、９…入力データ正規化装置、１０…データ読込み装置、１１…内部データ初期化手段、１２…内部データ格納部、１３…プロトタイプ選択手段、１４…プロトタイプ評価手段、１５…プロトタイプ追加手段、１６…内部データ補正手段、１７…処理フロー制御手段、１８…内部データ及びマトリックス補正手段、１９…カテゴリーB読込み手段、２０…カテゴリー変換手段、２１…カテゴリー対応マトリックス格納部。

Claims (10)

1. コンピュータにより、自然界の複数個の入力データを複数個のカテゴリーに分類するデータ分類方法であって、
   予めカテゴリーのプロトタイプと、カテゴリーの領域の大きさを規定する領域決定パラメータを格納し、
   入力された入力データを正規化し、正規化された入力データに最も近いカテゴリーのプロトタイプを選択し、該選択されたプロトタイプと入力データとの距離から該プロトタイプが妥当であるかを評価し、該プロトタイプが妥当と判定された場合に、領域決定パラメータとプロトタイプの少なくとも一方を補正し、該プロトタイプが妥当と判定されなかった場合に、新しいプロトタイプを追加することを特徴とするデータ分類方法。
2. 請求項１において、前記プロトタイプの評価は入力データとプロトタイプの距離で判定することを特徴とするデータ分類方法。
3. コンピュータにより、自然界の複数個の入力データを予め設定した複数個のカテゴリーＢに分類するデータ分類方法であって、
   前記カテゴリーＢに関連するカテゴリーＡのプロトタイプと、カテゴリーＡの領域の大きさを規定する領域決定パラメータと、カテゴリーＡをカテゴリーＢに変換するためのカテゴリー対応マトリックスとを格納し、
   入力された入力データを正規化し、正規化された入力データに最も近いカテゴリーＡのプロトタイプを選択し、該選択されたプロトタイプと入力データとの距離から該プロトタイプが妥当であるかを評価し、該プロトタイプが妥当と判定されなかった場合に、新しいプロトタイプを追加して前記プロトタイプの選択を繰り返し、該プロトタイプが妥当と判定された場合に、前記領域決定パラメータ及び／又は前記プロトタイプ、及び前記カテゴリー対応マトリックスを補正し、
   補正されたカテゴリー対応マトリックスを用いて、前記選択されたカテゴリーＡをカテゴリーＢに変換することを特徴とするデータ分類方法。
4. 請求項３において、補正されたカテゴリー対応マトリックスに選択されたカテゴリーＡと予め設定したカテゴリーＢの関係を追加するときに、選択したカテゴリーＡが既に別のカテゴリーＢに対応している場合は対応関係の追加を拒否し、前記カテゴリーＡのプロトタイプを前記入力データから遠ざけるように補正し、前記領域決定パラメータを、該領域決定パラメータが該カテゴリーＡのプロトタイプと該入力データの距離と等しくなるように補正することを特徴とするデータ分類方法。
5. 複数個の入力データを複数個のカテゴリーに分類するデータ分類装置であって、
   カテゴリーのプロトタイプと、カテゴリーの領域の大きさを規定する領域決定パラメータを格納する内部データ格納部と、
   読み込んだ入力データに最も近いカテゴリーのプロトタイプを選択するプロトタイプ選択手段と、
   前記プロトタイプと入力データの距離から該プロトタイプが妥当であるかを評価するプロトタイプ評価手段と、
   プロトタイプを新規に作成するプロトタイプ追加手段と、
   前記領域決定パラメータと前記プロトタイプを補正することができる内部データ補正手段を有し、
   前記プロトタイプ評価手段では、プロトタイプが妥当と判定された場合に、前記内部データ補正手段により、当該領域決定パラメータと当該プロトタイプの少なくとも一方を補正し、プロトタイプが妥当と判定されなかった場合に、前記プロトタイプ追加手段により新しいプロトタイプを作成することを特徴とするデータ分類装置。
6. 複数個の入力データを予め設定した複数個のカテゴリーＢに分類するデータ分類装置であって、
   前記カテゴリーＢに関連するカテゴリーＡのプロトタイプと、カテゴリーＡの領域の大きさを規定する領域決定パラメータを格納する内部データ格納部と、
   カテゴリーＡをカテゴリーＢに変換するためのカテゴリー対応マトリックスを格納するカテゴリー対応マトリックス格納部と、
   読み込んだ入力データに最も近いカテゴリーＡのプロトタイプを選択するプロトタイプ選択手段と、
   前記プロトタイプと前記入力データの距離から該プロトタイプが妥当であるかを評価するプロトタイプ評価手段と、
   カテゴリーＡのプロトタイプを新規に作成するプロトタイプ追加手段と、
   前記領域決定パラメータ、前記プロトタイプ、及び前記カテゴリー対応マトリックスを補正する内部データ及びマトリックス補正手段と、
   前記選択されたカテゴリーＡを前記カテゴリー対応マトリックスを用いてカテゴリーＢに変換するカテゴリー変換手段を有し、
   前記内部データ及びマトリックス補正手段において、前記カテゴリー対応マトリックスに選択されたカテゴリーＡと予め設定したカテゴリーＢの関係を追加するときに、選択したカテゴリーＡが既に別のカテゴリーＢに対応している場合、対応関係の追加を拒否し、前記カテゴリーＡのプロトタイプを、前記入力データから遠ざけるように補正し、該領域決定パラメータを、前記領域決定パラメータが前記カテゴリーＡのプロトタイプと該入力データの距離と等しくなるように補正することを特徴とするデータ分類装置。
7. 設備の運転データを入力して設備の診断を行う設備診断装置において、
   請求項５記載のデータ分類装置を備え、
   前記設備の運転データを前記データ分類装置に入力し、分類されたカテゴリーに基づき設備の状態を診断することを特徴とする設備診断装置。
8. 請求項７において、前記設備の運転データは計測項目毎に最大値及び最小値を計算し、求めた最大値及び最小値を用いてデータを正規化することを特徴とする設備診断装置。
9. 設備の運転データを入力して設備の診断を行う設備診断装置において、
   請求項６記載のデータ分類装置を備え、
   前記設備の状態を教師パターンとして与え、前記設備の状態と前記設備の運転データとの関係を前記データ分類装置により学習し、学習後の前記データ分類装置に未学習の運転データを入力し、前記データ分類装置が出力したカテゴリーＢにより機器の状態を診断することを特徴とする設備の診断装置。
10. 請求項９において、前記設備の運転データは計測項目毎に最大値及び最小値を計算し、求めた最大値及び最小値を用いてデータを正規化することを特徴とする設備診断装置。

Images