异常检测系统、异常检测系统的异常检测方法及异常检测系统的记录介质与流程

阅读：评论：0

1.本发明涉及异常检测系统、异常检测系统的异常检测方法以及异常检测系统的记录介质，特别是涉及检测空调系统的异常的异常检测系统、异常检测系统的异常检测方法以及异常检测系统的记录介质。

背景技术：

2.对空调系统的异常、故障(以下，表述为异常)、该异常的发生的征兆进行检测(异常检测)对于空调系统的检查作业、维护的成本降低是非常重要的。另外最近不仅向顾客提供空调设备，还存在将统一承担空调设备的运用、维护的服务运营化的动向。
3.另外，在业务用空调系统、冷冻冷藏设备中，从2015年4月开始实施环境省的“氟利昂排出抑制法”，对企业所保有的使用氟利昂气体的设备义务进行“简易检查”和“定期检查”。因此，掌握空调系统的异常在运营服务事业方面变得重要。
4.而且，从维护、修理的观点出发，检测由供制冷剂循环的配管连结的、由室外机(一台或多台)和室内机(多台)构成的空调系统的异常，确定该异常原因并确定哪个设备发生了异常是重要的。
5.通过利用这样的异常检测，能够提供以下所示的环境价值、经济价值、社会价值。
6.即，在环境价值中，能够通过由制冷剂(氟利昂)泄漏的早期检测产生的泄漏量削减而有助于防止温室效应。另外，在经济价值中，通过抑制空调设备的突发故障所引起的顾客的事业损失(生产停止、成品率、食品废弃损失等)，或者将维护保养从时间基准变更为状态基准，由此能够有助于寿命周期成本的削减。并且，在社会价值中，能够有助于医疗现场等的至关重要的空调设备的稳定运转、以及维护人才不足(维护作业员的作业效率提高)的消除。
7.然而，在空调系统的异常检测中，已知如下方法：将根据设置于室外机和室内机的传感器信号计算出的每个设备的能力值(特征量)作为输入来学习正常状态，根据与学习到的正常状态的偏离程度来进行异常检测。作为学习方式，有通过1台室内机和1台室外机的组合进行的个别学习、以及将全部室内机和全部室外机汇总进行的统一学习。
8.个别学习的问题点是室外机中的每个设备的能力值(特征量)受到多个室内机的运转状态(运转/非运转)的影响。即，在个别学习的情况下，根据运转模式(各室内机的运转/非运转的组合)，室外机的正常状态的特征分布发生变化，因此无法进行正确的异常检测。
9.为了避免该问题，需要按运转模式进行学习。然而，若以由多个室外机、室内机构成的vrf(variable refrigerant flow：变制冷剂流量)空调系统为对象，则运转模式数变得庞大，因此不现实。
10.另外，如果是统一学习，则统一学习的问题点在于根据运转模式学习不同的分布。然而，在统一学习中维度变高，正常状态的特征分布变得较粗，因此会产生如虚报多发或者
阈值变高而异常检测灵敏度降低这样的不良情况。
11.关于构成系统的设备的异常检测，例如在日本特开2001-289492公报(专利文献1)中公开了如下系统：在发动机驱动式空调机中，在发动机成为不能运转的状态的情况下，预先监视是否发生了发动机熄火，在发生了发动机熄火的情况下开始节气门诊断模式，执行燃料调整阀诊断模式，由此检测驱动压缩机的内燃机的不良情况。
12.现有技术文献
13.专利文献
14.专利文献1：日本特开2001-289492公报

技术实现要素：

15.发明所要解决的课题
16.专利文献1所记载的异常检测系统是如下系统：在发动机驱动式空调机中，在发动机成为不能运转的状态的情况下，预先监视是否发生了发动机熄火，若发生发动机熄火则开始节气门诊断模式，执行燃料调整阀诊断模式，由此检测驱动压缩机的内燃机的不良情况。
17.然而，在专利文献1中，未考虑应用于由多个室内机、室外机构成的空调系统的情况下的异常检测。这样，在专利文献1中，没有发现关于如下情况的公开和启示：检测由供制冷剂循环的配管连结而成的、由室外机(1台或者多台)和室内机(多台)构成的空调设备的异常，确定该异常原因，确定哪个设备异常。
18.本发明的目的在于，提供能够检测由供制冷剂循环的配管连结而成的、由室外机(1台或者多台)和室内机(多台)构成的空调设备的异常，确定该异常原因，而且能够确定哪个设备发生了异常的异常检测系统、异常检测系统的异常检测方法以及异常检测系统的记录介质。
19.用于解决课题的手段
20.本发明是一种异常检测系统，具有：
21.空调系统，其具有多个设备和传感器；以及监视计算机，其监视该空调系统，
22.其特征在于，
23.多个设备由多个设备种类构成，
24.监视计算机进行如下处理：
25.(1)从多个传感器取得与多个设备相关的多个测定值，
26.(2)针对各设备种类，
27.(2a)选择与该设备种类相关的传感器的测定值，
28.(2b)基于选择出的值来计算统计值，
29.(3)按照多个设备种类中的每一个，基于计算出的多个统计值来计算表示特征量空间内的位置的特征量集，
30.(4)在处于学习中的情况下，
31.(4a)将特征量集作为正常数据登记到特征量空间，
32.(5)在处于学习后的监视状态的情况下，
33.(5a)基于特征量集与正常数据的偏离，判断有无异常，
34.(5b)在判断为异常的情况下，
35.(5ba)从多个设备种类中，将规定的设备种类确定为发生了异常的设备种类，
36.(5bb)从作为规定的设备种类的1个以上的设备中，确定发生了异常的设备。
37.另外，本发明是一种异常检测系统的异常检测方法，所述异常检测系统具有：空调系统，其具有用于进行空气调节的多个设备和对所述多个设备的动作状态量进行测量的多个传感器；以及监视计算机，其监视空调系统的动作状态，其特征在于，监视计算机执行以下步骤：
38.从多个传感器取得与多个设备种类相关的多个测定值，选择与相同的设备种类(以下，表述为同种设备)相关的测定值，基于选择出的测定值来计算统计值的步骤；
39.基于至少2种同种设备各自的统计值，计算表示特征量空间内的位置的特征量集的步骤；
40.在处于学习状态的情况下，将特征量集作为正常数据登记于特征量空间的步骤；
41.在处于学习后的监视状态的情况下，基于特征量集与正常数据的偏离程度，判断异常原因的步骤；以及
42.基于异常原因，从多个同种设备中，将规定的同种设备确定为发生了异常的同种设备，进而从规定的同种设备中确定发生了异常的设备。
43.并且，本发明是一种存储有程序的异常检测系统的记录介质，该程序使异常检测系统中使用的监视计算机进行动作，该异常检测系统具有：空调系统，其具有用于进行空气调节的多个设备和对多个设备的动作状态量进行测量的多个传感器；监视计算机，其监视空调系统的动作状态，其特征在于，
44.在记录介质中具备：
45.测定值取得程序，其从多个传感器取得与多个设备相关的多个测定值；
46.统计值计算程序，其根据与多个设备中的相同的设备种类(以下，表述为同种设备)相关的测定值来计算同种设备的统计值；
47.统计值分布密度计算程序，其计算表示以与同种设备相关的2组统计值为参数的统计值二维平面中的统计值的位置的统计值集；
48.统计值正常数据存储程序，其在学习模式下，将统计值集作为正常数据登记到统计值二维平面；
49.异常检测程序，其在学习模式之后执行的监视模式下，基于由统计值分布密度计算程序计算出的统计值集与由正常数据存储程序存储的统计值集的偏离状态，判断同种设备有无异常；
50.异常原因确定程序，其根据由异常检测程序检测出的多个异常的相关性来确定异常原因；
51.测定值分布密度计算程序，其计算表示以2组测定值为参数的测定值二维平面中的测定值的位置的测定值集；
52.测定值正常数据存储程序，其在学习模式下，将测定值集作为正常数据登记到测定值二维平面；以及
53.异常设备确定程序，其在学习模式之后执行的监视模式下，选择与由异常原因确定程序求出的异常原因相关的测定值，根据基于选择出的测定值由测定值分布密度计算程
序计算出的测定值集与由测定值正常数据存储程序存储的测定值集的偏离状态，确定与异常原因相关的同种设备，进而从同种设备中确定发生了异常的异常设备。
54.发明效果
55.根据本发明，能够检测由制冷剂循环的配管连结而成的、由室外机(1台以上)和室内机(1台以上)构成的空调设备的异常，确定该异常原因，进而确定哪一个设备发生了异常。
附图说明
56.图1是表示应用本发明的空调系统的异常检测系统的基本结构的结构图。
57.图2是表示本发明的实施方式的空调系统的异常检测系统的处理块的控制框图。
58.图3是说明具有多个设备的空调系统的结构的说明图。
59.图4是说明每个设备的测定值与同种设备统计值的关系的说明图。
60.图5a是说明学习模式下的正常数据的二维分布密度的说明图。
61.图5b是详细说明图5a的二维分布密度的说明图。
62.图6a是说明对图2所示的整体解析部中的二维分布密度所引起的异常原因进行确定的例子的说明图。
63.图6b是更详细地说明确定图6a所示的异常原因的例子的说明图。
64.图7是说明基于统计值的组合的异常原因确定映射的例子的说明图。
65.图8是说明对基于与异常原因相关的设备的测定值集所产生的二维分布密度的异常设备进行确定的例子的说明图。
66.图9a是表示基于正常时的空调系统中的设备的测定值以及统计值的学习处理流程的前半部分的流程图。
67.图9b是表示基于正常时的空调系统中的设备的测定值以及统计值的学习处理流程的后半部分的流程图。
68.图10a是表示基于监视时的空调系统中的设备的测定值以及统计值的监视处理流程的前半部分的流程图。
69.图10b是表示基于监视时的空调系统中的设备的测定值以及统计值的监视处理流程的中间部分的流程图。
70.图10c是表示基于监视时的空调系统中的设备的测定值以及统计值的监视处理流程的后半部分的流程图。
71.图11是说明构成异常检测系统的显示装置的显示画面的显示例的说明图。
72.附图标记说明
73.100
…
空调设备系统，ssig多个设备的传感器信号，102
…
传感器信号输入部，200
…
监视计算机，210
…
整体解析部，220
…
详细解析部，211
…
传感器信号加工部，ssta
…“
同种设备”的统计值，212
…
特征向量提取部，213
…
异常测度计算部，214
…
阈值计算部，215
…
异常检测部，216
…
异常原因确定部，ssop
…
每个设备的测定值，221
…
异常原因特征量提取部，222
…
异常原因特征量解析部，223
…
异常原因特征量学习数据存储部，224
…
异常位置确定部。
具体实施方式
74.以下，使用附图对本发明的实施方式进行详细说明，但本发明并不限定于以下的实施方式，在本发明的技术概念中，各种变形例、应用例也包含在该范围内。
75.图1表示空调系统中的异常检测系统的基本结构。空调系统中的异常检测系统由空调设备系统100和监视计算机200构成，空调设备系统100具有进行空气调节的多个设备和传感器，监视计算机200监视空调设备系统100的动作。
76.空调设备系统100中的空调系统基本上由室外机和室内机构成，它们通过制冷剂配管连结。室外机具备压缩机、热交换器、膨胀阀、送风风扇等设备，另外，室内机具备热交换器、膨胀阀、送风风扇等设备。而且，在各个设备中设置有对设备的动作状态量(例如温度、压力、电流等)进行检测的传感器。
77.空调系统由1台以上的室外机和1台以上的室内机构成，因此各个构成室外机、室内机的多个设备作为设备种类来掌握。在此，设备种类是指执行某种功能的设备的种类。例如，若着眼于压缩机作为设备种类，则在作为压缩机来观察时不同的室外机的压缩机就是“同种设备”，同样地，若着眼于膨胀阀、送风风扇来作为设备种类，则不同的室外机的膨胀阀、送风风扇分别成为“同种设备”。当然关于室内机也是同样的。
78.动作状态量有能够从传感器直接测量的传感器信号、无法用传感器测量而基于传感器信号通过运算求出的测定值，但基本上，以下包含双方作为测定值来进行说明。此外，在作为传感器信号或测定值来特别处理的情况下，进行该意思的记载。
79.另外，监视计算机200具备具有输入输出功能的接口和具有运算功能的处理器，处理器能够根据控制程序执行以下所述的本实施方式的运算。另外，作为处理器的一例，可以考虑cpu(central processing unit：中央处理单元)或gpu(graphics processing unit：图形处理单元)，但只要是执行规定的运算处理的主体，也能够使用其他的半导体器件。
80.监视计算机200可以与空调设备系统一体地结合，也可以是通过有线/无线而连接的云系统。另外，由于控制程序具备控制功能，所以能够理解为控制功能块。
81.图2表示空调系统中的异常检测系统的结构。空调设备系统100设置于多个顾客站点，经由网络将传感器信息等传送至监视计算机200。顾客站点与建筑物(大楼等建筑物)对应，例如对应于建筑物所具备的vrf空调系统等。
82.空调设备系统100由1个或多个空调系统101、以及输入被设置于空调系统101的多个设备的传感器信号(ssig)并向监视计算机200传送的传感器信号输入部102构成。在空调系统101中，在1个或多个各种设备中设置有传感器。此外，多个设备的传感器信号(ssig)例如是与温度、电流、压力等相关的信号。
83.监视计算机200由以下部分构成：整体解析部(异常原因确定解析部)210，其检测空调系统101的异常，确定该“异常原因”；以及详细解析部(异常设备确定解析部)220，其基于由该整体解析部210得到的“异常原因”，确定空调系统101的异常位置，例如确定多个室外机、或者室内机的“异常设备”。
84.这些整体解析部210以及详细解析部220是由处理器的控制程序执行的功能。对由这些控制程序执行的处理流程在图9a～图9b以及图10a～图10c中进行说明。
85.整体解析部210将从空调设备系统100传送的多个设备的传感器信号(ssig)输入到传感器信号加工部211，使用由该传感器信号加工部211生成的“同种设备”的统计值
(ssta)，检测空调系统101的异常，确定该“异常原因”。
86.整体解析部210具备特征向量提取部212、异常测度计算部213、阈值计算部214、异常检测部215以及异常原因确定部216。
87.另一方面，详细解析部220将从空调设备系统100传送的多个设备的传感器信号(ssig)输入到传感器信号加工部211，使用由传感器信号加工部211生成的每个设备的测定值(ssop)，基于由整体解析部210得到的“异常原因”来选择测定值(ssop)，确定作为空调系统101的异常位置的“异常设备”。
88.详细解析部220具备异常原因特征量提取部221、异常原因特征量解析部222、异常原因特征量学习数据存储部223以及异常位置确定部224。
89.接着，对整体解析部210及详细解析部220的控制功能进行说明，首先对整体解析部210在正常状态下的“学习模式”进行说明。
90.在整体解析部210中，从空调设备系统100传送的多个设备的传感器信号(ssig)通过传感器信号加工部211而转换为“同种设备”的统计值(ssta)。求出多个该统计值(ssta)。另外，统计值(ssta)通过“合计值、平均值、最大值、最小值、标准偏差、方差、中央值、直方图”等定义。该统计值(ssta)被输入到后级的特征向量提取部212。
91.特征向量提取部212使用“同种设备”的统计值(ssta)来提取特征向量，将提取出的特征向量输入到异常测度计算部213。异常测度计算部213使用预先指定的学习期间的特征向量，以规定时间间隔(有时也表现为各时刻)，按每个特征向量计算出异常测度。
92.计算出的异常测度被输入到阈值计算部214，阈值计算部214计算与“学习模式”下的异常测度对应的阈值(sl)。由阈值计算部214计算出的阈值(sl)和由异常测度计算部213求出的异常测度通过异常检测部215进行比较。然后，将该比较结果发送至异常原因确定部216，在此，确定“异常原因”。
93.接着，对整体解析部210的“监视模式”进行说明。“监视模式”在“学习模式”结束后执行。在整体解析部210的“监视模式”下，从空调设备系统100传送的多个设备的传感器信号(ssig)通过传感器信号加工部211转换为“同种设备”的统计值(ssta)，特征向量提取部212使用“同种设备”的统计值(ssta)来提取特征向量。
94.异常测度计算部213使用预先指定的监视期间的特征向量，以规定时间间隔(有时也表现为各时刻)，按每个特征向量计算出异常测度。异常检测部215对在“监视模式”下计算出的异常测度与通过阈值计算部214根据“学习模式”的异常测度求出的阈值(sl)进行比较来判定异常。异常原因确定部216通过分析与异常相关的“同种设备”的统计值(ssta)、即与统计值(ssta)对应的特征向量，从而确定空调设备系统100的“异常原因”。
95.接着，对传感器信号加工部211、特征向量提取部212、异常测度计算部213、阈值计算部214、异常检测部215以及异常原因确定部216的详细功能进行说明。
96.传感器信号加工部211从设置于空调设备系统100的多个设备的传感器信号(ssig)中提取稳定运转数据(以下，表述为正常数据)，作为与设备种类相关的传感器的测定值来计算每个设备的测定值(ssop)。该测定值(ssop)也在详细解析部220中使用。
97.并且，传感器信号加工部2择每个设备种类的测定值(ssop)，基于选择出的测定值(ssop)，计算出按每个设备种类汇总的统计值即“同种设备”的统计值(ssta)。如上所述，统计值(ssta)是“合计值、平均值、最大值、最小值、标准偏差、方差、中央值、直方图”等。
当然也可以使用除此以外的统计值。
98.特征向量提取部212执行对统计值(ssta)实施将平均值设为“0”、将方差设为“1”的标准化的处理。然后，对于某个时刻t(t＝0、1、2、
…
)，如以下的[式1]所示，在每1个时刻提取1个向量x(t)。
[0099]
x(t)＝(x1(t)，x2(t)，
…
，xm-1(t)，xm(t))
t
……
[式1]。
[0100]
这里，xm(t)(m＝1，2，
…
，m)是标准化后的时刻t的第m个统计值(ssta)。
[0101]
异常测度计算部213采用局部部分空间法(lsc：local subspace classifier)来求出测度。lsc法作为异常检测技术而被广泛使用，使用针对未知数据的k个相邻数据xi(i＝1、
…
、k)来生成“k-1维”的部分空间。并且，是基于未知数据和“k-1维”的部分空间的投影距离来判定是否异常的方法。异常测度由未知数据和“k-1维”的部分空间的投影距离来表示，因此求出最接近未知数据的部分空间上的点即可。
[0102]
阈值计算部214按照升降顺序对异常测度计算部213所计算出的异常测度进行排序，并将最大的异常测度的值作为阈值(sl)。根据该方法，能够简单地求出阈值(sl)。此外，也可以通过除此以外的方法求出阈值(sl)。
[0103]
异常检测部215判定异常测度计算部213所计算出的异常测度是否超过阈值计算部214所设定的阈值(sl)，若超过该阈值(sl)则判定为异常，若不超过阈值(sl)则判定为正常。
[0104]
异常原因确定部216求出连续检测到异常的异常区间，针对每个区间，基于二维分布密度，提取与异常相关的“同种设备”的统计值(ssta)。为此，在“学习模式”时，以2种“同种设备”的统计值(ssta)的循环方式计算基于“同种设备”的统计值(ssta)的正常数据的二维分布密度，并将该二维分布密度以图像格式进行保存。因此，能够得到以循环方式计算出的多个二维分布密度。详细内容在图5a、图5b中示出。
[0105]
二维分布密度在请求专利权的技术方案中被定义为“特征空间”，是表现特征向量的空间。此外，统计值(ssta)由特征向量表示，所以能够作为浓淡图像进行处理，该图像成为通过“学习模式”得到的正常状态的图像。
[0106]
另一方面，在“监视模式”时，根据由多个测定值求出的“同种设备”的统计值(ssta)的监视数据被绘制在二维分布密度的图像的何处，计算出2种“同种设备”的统计值(ssta)的偏离度。然后，从该偏离度大的值开始依次作为与异常相关的“同种设备”的统计值(ssta)而被提取。
[0107]
这意味着，异常数据的分布中将发现远离正常数据的分布的与异常相关的“同种设备”的统计值(ssta)。在确定了与异常相关的“同种设备”的统计值(ssta)之后，参照基于“同种设备”的统计值(ssta)的组合的异常原因确定映射(详细内容参照图7进行说明)，确定异常原因。通常，异常原因可以被认为是例如制冷剂泄漏、膨胀阀故障、压缩机故障等。
[0108]
接着，对详细解析部220的功能进行说明，首先对详细解析部220的正常状态下的“学习模式”进行说明。
[0109]
在详细解析部220的“学习模式”下，从空调设备系统100传送的多个设备的传感器信号(ssig)被输入至传感器信号加工部211，传感器信号加工部211转换为每个设备的测定值(ssop)。该测定值(ssop)被输入到异常原因特征量提取部221，异常原因特征量提取部221提取与“异常原因”相关的每个设备的测定值(ssop)集。测定值(ssop)集表示与某特定
的设备相关的多个测定值的集合。
[0110]
异常原因特征量解析部222使用与各异常原因相关的每个设备的测定值(ssop)集，生成正常数据的二维分布密度。正常数据的二维分布密度通过与由整体解析部210生成的统计值(ssta)的二维分布密度相同的方法来生成。该正常数据的二维分布密度被发送到异常原因特征量学习数据存储部223，并存储在异常原因特征量学习数据存储部223的存储器中。
[0111]
此外，正常数据的二维分布密度按照设备数量、例如按照与室外机的数量对应的压缩机、膨胀阀、送风风扇、热交换器的数量、与室内机的数量对应的膨胀阀、送风风扇、热交换器的数量来生成。当然，如果有除此以外的设备，则也对针对该设备来生成。
[0112]
另一方面，在详细解析部220的“监视模式”下，从空调设备系统100传送的多个设备的传感器信号(ssig)通过传感器信号加工部211而转换为每个设备的测定值(ssop)。另外，异常特征量提取部221提取与“异常原因”相关的每个设备的测定值(ssop)集，每个设备的测定值(ssop)集被发送到异常原因特征量解析部222。
[0113]
接着，异常原因特征量解析部222使用被输入的与“异常原因”相关的每个设备的测定值(ssop)集，将监视数据的二维分布密度生成为图像。然后，异常原因特征量学习数据存储部223基于由整体解析部210的异常原因确定部216确定的“异常原因”，选定基于与该“异常原因”相关的每个设备的测定值(ssop)集的正常数据的二维分布密度。
[0114]
并且，将基于每个设备的测定值(ssop)集的监视数据的二维分布密度与正常数据的二维分布密度进行比较，确定“异常设备”。此外，监视数据的二维分布密度按照设备数量、例如按照与室外机的数量对应的压缩机、膨胀阀、送风风扇、热交换器的数量、与室内机的数量对应的膨胀阀、送风风扇、热交换器的数量来生成。
[0115]
接着，对异常原因特征量提取部221、异常原因特征量解析部222、异常原因特征量学习数据存储部223、异常位置确定部224的功能进行说明。
[0116]
异常原因特征量提取部221从由传感器信号加工部211得到的每个设备的测定值(ssop)中提取与“异常原因”相关的每个设备的测定值(ssop)集。
[0117]
异常原因特征量解析部222将提取出的每个设备的测定值(ssop)集中的与异常原因相关的2种测定值(ssop)作为输入，按照每个设备(例如，与室外机、室内机的数量对应的压缩机、膨胀阀、送风风扇中的每一个)来生成基于循环组合的正常数据及监视数据的二维分布密度。
[0118]
异常原因特征量学习数据存储部223按每个设备(例如，与室外机、室内机的数量对应的压缩机、膨胀阀、送风风扇中的每一个)，将由异常原因特征量解析部222求出的正常数据的二维分布密度存储在存储器中。
[0119]
异常位置确定部224基于由整体解析部210的异常原因确定部216确定的“异常原因”，从异常原因特征量学习数据存储部223中选定基于与该“异常原因”相关的每个设备的测定值(ssop)集的正常数据的二维分布密度，并且和基于与“异常原因”相关的每个设备的测定值(ssop)集的监视数据的二维分布密度进行比较。根据该比较结果，能够确定“异常设备”。此外，监视数据的二维分布密度按照每个设备(例如，与室外机、室内机的数量对应的压缩机、膨胀阀、送风风扇)来生成。
[0120]
接着，对具有多个设备的空调系统的结构进行说明。图3所示的空调系统101例如
由多个室外机110、120、130和多个室内机140、150、160、170构成。这些室外机以及室内机的数量并不限定，也能够增加减少其数量。
[0121]
另外，室外机110、120、130具有相同种类的同种设备111、121、131以及同种设备112、122、132。例如，同种设备111～131是热交换器，同种设备112～132是压缩机，这些相同种类的同种设备也可以有若干。
[0122]
同样地，室内机140、150、160、170也具有同种设备141、151、161、171以及同种设备142、152、162、172。例如，同种设备141～171是膨胀阀，同种设备142～172是热交换器，这些相同种类的同种设备也可以有若干。
[0123]
由室外机110～130以及室内机140～170构成的空调系统101通过供制冷剂循环的配管201连结。因此，设置于室外机110～130的传感器受到室内机140～170的运转状态(运转/日运转)的影响。
[0124]
另一方面，将检测多个设备的动作状态量的传感器的传感器信号(ssig)、从该传感器信号(ssig)求出的每个设备的测定值(ssop)、以及“同种设备”的统计值(ssta)视为反映设备自身的动作状态的值。图4表示其中一例。
[0125]
图4示出了项目编号、特征量的名称、每个设备的测定值(ssop)以及“同种设备”的统计值(ssta)。不能直接用传感器测量的设备(压缩机、热交换器等)的能力值(特征量)能够根据实际设置的现有传感器的动作状态量，通过运算式求出为模拟的测定值。使用这些值能够容易地掌握异常状态。
[0126]
图4中的第一列表示项目编号，第二列表示特征量的名称，第三列表示根据现有传感器的动作状态量通过运算式(例如，四则运算)求出的每个设备的测定值(ssop)，第四列表示按每个相同机型汇总了每个设备的测定值(ssop)而得的“同种设备”的统计值(ssta)。
[0127]
第二列的特征量中，例如f1是表示膨胀阀的控制的特征量，f2是表示制冷剂的状态的特征量，f3是表示压缩机的效率的特征量。在f4～f7中也是同样的。除此之外，这些特征量也能够设定更多的特征量。
[0128]
第三列的每个设备的测定值(ssop)按每个设备的种类来测量。例如，在是与室外机关联的特征量的情况下，求出与室外机的数量对应的设备、例如压缩机、热交换器、膨胀阀、送风风扇的测定值(ssop)。同样地，在是与室内机关联的特征量的情况下，求出与室内机的数量对应的设备、例如热交换器、膨胀阀、送风风扇的测定值(ssop)。当然，如果设备数量增加，则每个设备的测定值(ssop)的数量也增加。
[0129]
第四列的“同种设备”的统计值(ssta)按每个设备的种类而作为“同种设备”汇总求出。例如，在是与室内机关联的特征量且存在多个相同设备的每一个的测定值(ssop)的情况下，这些测定值(ssop)被汇总为统计值(ssta)，所以“同种设备”的统计值(ssta)为1种。与室外机关联和与压缩机关联的特征量也相同，“同种设备”的统计值(ssta)为1种。
[0130]
此外，统计值(ssta)与特征向量对应，因此，以下有时统计值(ssta)是指特征向量来进行说明。
[0131]
统计值(ssta)例如被定义为“合计值、平均值、最大值、最小值、标准偏差、方差、中央值、直方图”等。例如，特征量f1作为“平均值”而定义统计值(ssta)，特征量f2作为“合计值”而定义统计值(ssta)，特征量f3也作为“平均值”而定义统计值(ssta)。
[0132]
例如，表示设备的能力的、与热量或控制量相关的特征量是通过将每个同种设备
的测定值(ssop)进行合计的运算而求出的，表示设备的状态、效率、指数的特征量是通过对每个同种设备的测定值(ssop)进行平均的运算而求出的。
[0133]
这样，与特征量的种类、状态对应地求出每个同种设备的测定值(ssop)中的统计值(ssta)即可。此外，在计算出“同种设备”的统计值(ssta)时，在热关闭(室外机停止的状态)的情况下，优选将成为热关闭条件的每个设备的测定值(ssop)设为“0”。这是因为从热关闭的设备输出的信号成为噪声。
[0134]
这样，多个设备至少具有运转以及非运转的状态，统计值的计算能够将与停止中的设备相关的测定值设为考虑对象以外，或者视为事先决定的值而用于计算。
[0135]
图5a、图5b表示由整体解析部210的异常原因确定部216产生的正常数据及监视数据的二维分布密度的图像的例子。在此，在详细解析部220的异常原因特征量解析部222中也是同样的。此外，以下以图4的记载为基础，用“fall”来标记统计值。
[0136]
图5a中的横轴是图4所示的某“同种设备”的特征量(f1)的统计值(fall1)，纵轴是与横轴的“同种设备”关联的、图4所示的某“同种设备”的特征量(f2)的统计值(fall2)。
[0137]
图5a是作为表现特征向量的“特征空间”的图像格式的二维分布密度图表(g2dg)，是将二维分布密度的像素值的“0”表现为白，将“最大值”表现为黑，将中间值表现为灰的浓淡的图表。由该图可知，监视数据(derr)存在相对于正常数据(dnor)而偏离的位置，产生了异常。
[0138]
此外，图像的制作方法不限于上述方法，例如也可以不是单纯的频度分布，而是对1个数据分配高斯分布或其他加权滤波器，并将该数据重叠。
[0139]
另外，也可以对通过上述方法得到的图像施加规定尺寸的最大值滤波器，或者施加平均滤波器、其他加权滤波器。另外，不一定需要以图像格式进行保存，也可以以文本格式保存二维数组。并且，像素值也可以不是灰的浓淡，而是以将具有分布的像素设为1、将没有分布的像素设为0的二值化二维数组的文本格式进行保存。
[0140]
图5b作为一例，示出了空调系统101中的与相互关联的某2种“同种设备”相关的二维分布密度图表(g2dg)。横轴上的第一“同种设备”的统计值(fall1)例如是表示膨胀阀的控制的特征量，纵轴上的第二“同种设备”的统计值(fall2)例如是表示制冷剂状态的特征量。
[0141]
在图5b中，将标度化后的第一“同种设备”的统计值(fall1)的最小值(min)到最大值(max)设为横轴，将同样地进行了标度化的第二“同种设备”的统计值(fall2)的最小值(min)到最大值(max)设为纵轴。
[0142]
而且，作为第一参数的横轴的表示膨胀阀的控制的特征量(t1)中的表示制冷剂状态的特征量(p1)被绘制为(x1，y1)，作为第二参数的表示膨胀阀的控制的特征量(t2)中的表示制冷剂状态的特征量(p2)被绘制为(x2，y2)。
[0143]
在所生成的图像格式的二维分布密度图表(g2dg)中，赋予用于识别顾客站点以及空调系统的空调机的识别信息“s0001 a0001”(在此，s0001是顾客站点识别编号，a0001是空调机识别编号)。这样，基于与空调系统101相关联的所有“同种设备”的统计值(fall)，针对2种“同种设备”的统计值(fall)的组合，生成如图5a、图5b那样的被图像化后的二维分布密度图表(g2dg)，并与识别编号对应起来。
[0144]
在上述处理中生成的二维分布密度图表(g2dg)可以说是表示2种“同种设备”的统
计值(fall)的相关关系的图表。此外，二维分布密度图表(g2dg)不仅能够应用于“同种设备”的统计值(fall)，也能够应用于每个设备的测定值(ssop)。这适用于后述的详细解析部220。
[0145]
图6a示出了整体解析部210的监视模式中下的、使用按每个设备种类汇总的统计值(fall)所产生的二维分布密度图表(g2dg)来确定“异常原因”的例子。特别地，示出了异常测度计算部213、阈值计算部214、异常检测部215以及异常原因确定部216的输出。
[0146]
在图6a的异常检测图表(grp)中，横轴表示时间(日期)的经过，“am”表示异常测度计算部213所产生的异常测度，“sl”表示阈值计算部214所产生的阈值(sl)，“ad”表示有无异常检测部215的异常检测。然后，示出了在异常测度(am)超过了阈值(sl)的情况下，输出异常检测(ad)。
[0147]
在图6a中，例如在异常区间(wd1)和异常区间(wd2)中连续地进行了异常检测。然后，以连续检测到异常的异常区间为对象，针对每个异常区间，基于二维分布密度图表(g2dg)，提取与图5a的监视数据(derr)对应的异常关联特征量(统计值)。
[0148]
图6b示出了在监视模式下针对异常检测出的异常区间(wd1)和异常区间(wd2)，灵活运用了按照每个设备种类汇总的统计值(fall)的、与图5a同样的形式的二维分布密度图表(g2dg-1)、(g2dg-2)、和基于二维分布密度图表(g2dg)的异常关联特征量(统计值)的贡献度图表(即gcnt-1)、(gcnt-2)。
[0149]
在此，二维分布密度图表(g2dg-1)和贡献度图表(gcnt-1)表示异常区间(wd1)的情况，二维分布密度图表(g2dg-2)和贡献度图表(gcnt-2)表示异常区间(wd2)的情况。
[0150]
在“学习模式”时，图5a所示的正常数据的二维分布密度图表(g2dg)以循环方式计算2种“同种设备”的统计值(fall)，并以图像格式进行保存。因此，能够得到以循环方式计算出的多个二维分布密度图表(g2dg)。以下，将该图像表述为“分布密度图像”。
[0151]
然后，在异常检测时，根据图5a所示的异常数据(derr)被绘制在分布密度图像的何处来计算出特征量的贡献度，并从贡献度高的特征量起依次提取为异常关联特征量。这意味着异常数据的分布中将发现远离正常数据的分布的特征量。
[0152]
在图6b中，在异常区间(wd1)中如处于贡献度图表(gcnt-1)那样，按照统计值(fall7)、(fall2)、(fall1)
…
的顺序进行提取，在异常区间(wd2)中如处于贡献度图表(gcnt-2)那样，按照统计值(fall7)、(fall4)、(fall1)
…
的顺序进行提取。
[0153]
图7表示基于按每个设备种类汇总的统计值(fall)的组合的异常原因确定映射的例子。横轴表示按每个设备种类汇总的统计值(fall)、即特征量(例如制冷制热能力、制冷剂状态、压缩机效率等)，纵轴表示异常原因(例如制冷剂泄漏、膨胀阀故障、压缩机故障等)。映射内的低/高表示以“学习模式”时的特征量(正常统计值)的状态为基准的、异常关联特征量(异常统计值)的状态(一致度)。在此，“高”表示接近正常统计值。
[0154]
然后，如图7所示，比较异常检测出的特征量集(fall1～fall7的多个特征量的集合)和各异常原因的相关度，确定相关度高的“异常原因”。例如，在异常检测出的特征量集为(fall1)、(fall2)、(fall7)的组合的情况下，“异常原因”为ac5。即，以映射形式登记多个统计值(特征量)的异常状态和多个异常原因，根据各个统计值(特征量)的异常状态的组合的相关性，从映射中提取异常原因。
[0155]
这样，能够从多个设备种类中，基于与规定的设备种类相关联的规定的统计值来
评价有无规定的设备种类的异常，并确定“异常原因”。
[0156]
接着，对从“异常原因”确定“异常设备”的详细解析部220进行说明。在此，示出了室内机的数量为3台的情况。图8示出了从图2所示的整体解析部210输入到详细解析部220的、与“异常原因”相关的设备的测定值集所产生的二维分布密度图表来确定“异常设备”的例子。二维分布密度图表的想法与前面所述的统计值的情况相同。
[0157]
例如，对于在图6a的“监视模式”下异常检测出的异常区间(wd1)和异常区间(wd2)，灵活运用图7的异常原因确定映射，假设“异常原因”为ac5，而且，该“异常原因”为与室内机(同种设备)关联的异常。
[0158]
接着，对详细解析部220的异常原因特征量解析部222所产生的正常数据和监视数据的二维分布密度的图像的例子进行说明。
[0159]
图8表示与图5a相同形式的二维分布密度图表(g2sdg-1)、(g2sdg-2)和基于二维分布密度图表(g2sdg)的设备的异常发生次数图表(gscnt-1)、(gscnt-2)。
[0160]
二维分布密度图表(g2sdg-1)和设备的异常发生次数图表(gscnt-1)表示异常区间(wd1)的情况，二维分布密度图表(g2sdg-2)和设备的异常发生次数图表(gscnt-2)表示异常区间(wd2)的情况。
[0161]
在“学习模式”时，二维分布密度图表(g2sdg)以循环方式计算2种“同种设备”的测定值(ssop)，并以图像格式进行保存。因此，能够得到以循环计算出的多个二维分布密度(g2sdg)。这也与统计值的情况相同。
[0162]
然后，在“监视模式”下的异常检测时，根据图8所示的异常数据(dserr)被绘制在以循环方式计算出的多个二维分布密度图表(g2sdg)的何处来检测异常发生。在该情况下，可知在异常区间(wd1)和异常区间(wd2)，室内机3发生了异常。
[0163]
并且，对以循环方式计算出2种“同种设备”的测定值(ssop)的二维分布密度图表(g2sdg)中的异常发生次数进行计数，如处于异常发生次数图表(gscnt-1)、(gscnt-2)那样，对于异常发生次数多的某个特定的“异常设备”在此视为室内机3发生异常的可能性高。
[0164]
即，通过二维分布密度图表(g2sdg-1)、(g2sdg-2)，将与“异常原因”相关的个别的设备的测定值集在正常时的“学习模式”下的正常数据和“监视模式”下的监视数据进行比较，对每个室内机的异常发生的次数进行计数，视为计数值越多，则发生异常的可能性越高。在该情况下，视为室内机3发生了异常。此外，在此，将“异常设备”捕捉为室内机，当然也能够将更下位的室内机的构成设备作为对象。
[0165]
这样，能够从异常检测出的规定的设备种类中，基于与规定的设备相关联的规定的测定值，评价有无规定的设备的异常，确定异常位置(异常设备)。
[0166]
根据以上说明的本实施方式，
[0167]
(1)通过导入按每个设备种类汇总的统计值，即使在该设备的一部分停止或者一部分设备的运转状态发生了变化的情况下，也能够得到作为统计值的值，因此能够继续监视；
[0168]
(2)通过导入按每个设备种类汇总的统计值，能够以较少的运转数据进行学习来检测异常，因此能够缩短初始学习期间；
[0169]
(3)相对于以个别设备的测定值集来生成特征量空间，由于特征空间的维数减少，因此不会稀疏。因此，可以实现使正常数据变得足够密，从而能够高精度地进行异常判别的
作用、效果。
[0170]
接着，对由监视计算机200的处理器执行的“学习模式”的处理流程进行说明。图9表示基于正常的空调系统的个别设备的测定值以及按每个设备种类(同种设备)汇总的统计值的学习处理流程。
[0171]
《步骤s901》
[0172]
在步骤s901中，首先从空调系统101传送的多个设备的传感器信号(ssig)被取入传感器信号输入部102。当输入传感器信号(ssig)时，执行步骤s902的处理。
[0173]
《步骤s902》
[0174]
在步骤s902中，在“学习模式”的任意期间，开始循环处理1，反复执行以下的处理，直到任意的期间结束。当开始循环处理1时，执行步骤s903的处理。
[0175]
《步骤s903》
[0176]
在步骤s903中，当在步骤s902中开始循环处理1时，开始循环处理2，按每个传感器信号取入正常时的数据，反复执行以下的处理，直到循环处理2结束。当开始循环处理2时，执行步骤s904的处理。
[0177]
《步骤s904》
[0178]
在步骤s904中，根据取入的数据求出每个设备的测定值。例如，求出1分钟间隔、1小时间隔、1天间隔的测定值。测定值是通过传感器信号加工部211将传感器信号转换为每个设备的测定值而得到的，与“异常原因”相关的每个设备的测定值集被输入到异常特征量提取部221。当执行该处理时，执行步骤s905的处理。
[0179]
《步骤s905》
[0180]
在步骤s905中，通过详细解析部220按每个异常原因数开始循环处理3，反复执行以下的处理，直到循环处理3结束为止。当执行该处理时，执行步骤s906的处理。
[0181]
《步骤s906》
[0182]
在步骤s906中，进一步通过详细解析部220，按每个设备数(例如，按每个室内机数、按每个室外机数、按每个压缩机数)开始循环处理4，反复执行以下的处理，直到循环处理4结束。当执行该处理时，执行步骤s907的处理。
[0183]
《步骤s907》
[0184]
在步骤s907中，异常特征量提取部222提取与“异常原因”相关联的每个设备的测定值集，异常原因特征量解析部222使用与各异常原因相关联的每个设备的测定值集，生成正常数据的二维分布密度。当执行该处理时，执行步骤s908的处理。
[0185]
《步骤s908》
[0186]
在步骤s908中，正常数据的二维分布密度被存储在异常原因特征量学习数据存储部223中。通过该存储处理，循环处理4结束。当执行该处理时，执行步骤s909的处理。
[0187]
《步骤s909》
[0188]
在步骤s909中，传感器信号加工部211计算基于每个设备的测定值的“同种设备”的统计值，将该“同种设备”的统计值集输入到异常原因确定部216。当执行该处理时，执行步骤s910的处理。
[0189]
《步骤s910》
[0190]
在步骤s910中，异常原因确定部216提取与“异常原因”相关联的“同种设备”的统
计值集，异常原因确定部216使用与各异常原因相关联的“同种设备”的统计值集，生成正常数据的二维分布密度。当执行该处理时，执行步骤s911的处理。
[0191]
《步骤s911》
[0192]
在步骤s911中，正常数据的二维分布密度被存储在异常原因确定部217中。通过该存储处理，循环处理3结束。当执行该处理时，执行步骤s912的处理。
[0193]
《步骤s912》
[0194]
在步骤s912中，通过整体解析部210，将“同种设备”的统计值集输入至特征向量提取部212。当执行该处理时，执行步骤s913的处理。
[0195]
《步骤s913》
[0196]
在步骤s913中，特征向量提取部212提取使用了“同种设备”的统计值的特征向量。当执行该处理时，执行步骤s914的处理。
[0197]
《步骤s914》
[0198]
在步骤s914中，通过异常测度计算部213，使用预先指定的学习期间的特征向量，对每隔规定时间(有时也表现为各时刻)的每个特征向量计算出异常测度。当执行该处理时，执行步骤s915的处理。
[0199]
《步骤s915》
[0200]
在步骤s915中，通过阈值计算部214计算出与异常测度对应的阈值(sl)。当执行该处理时，执行步骤s916的处理。
[0201]
《步骤s916》
[0202]
在步骤s916中，循环处理2结束。当执行该处理时，执行步骤s917的处理。
[0203]
《步骤s917》
[0204]
在步骤s917中，循环处理1结束。当执行该处理时，“学习模式”结束。
[0205]
接着，对由监视计算机200的处理器执行的“监视模式”的处理流程进行说明。图10a～图10c表示基于学习后的处于监视状态的空调系统的个别设备的测定值以及按每个设备种类汇总的统计值的监视处理流程。首先，根据图10a进行说明。
[0206]
《步骤s1001》
[0207]
在步骤s1001中，首先从空调系统101传送的多个设备的传感器信号(ssig)被取入传感器信号输入部102。当输入传感器信号(ssig)时，执行步骤s1002的处理。
[0208]
《步骤s1002》
[0209]
在步骤s1002中，在监视模式的任意期间，开始循环处理1，反复执行以下的处理，直到任意的期间结束。当开始循环处理1时，执行步骤s1003的处理。
[0210]
《步骤s1003》
[0211]
在步骤s1003中，当在步骤s1002中开始循环处理1时，开始循环处理2，按每个传感器信号取入监视时的数据，反复执行以下的处理。当开始循环处理2时，执行步骤s1004的处理。
[0212]
《步骤s1004》
[0213]
在步骤s1004中，求出每个设备的测定值。例如，求出1分钟间隔、1小时间隔、1天间隔的测定值。测定值是通过传感器信号加工部211将传感器信号转换为每个设备的测定值而得到的，与“异常原因”相关联的每个设备的测定值集被输入到异常特征量提取部221。当
执行该处理时，执行步骤s1005的处理。
[0214]
《步骤s1005》
[0215]
在步骤s1005中，传感器信号加工部211计算基于每个设备的测定值的“同种设备”的统计值，将该“同种设备”的统计值集输入至特征向量提取部212。当执行该处理时，执行步骤s1006的处理。
[0216]
《步骤s1006》
[0217]
在步骤s1006中，通过特征向量提取部212提取使用了“同种设备”的统计值的特征向量。当执行该处理时，执行步骤s1007的处理。
[0218]
《步骤s1007》
[0219]
在步骤s1007中，通过异常测度计算部213，使用预先指定的监视期间的特征向量，对每隔规定时间(有时也表现为各时刻)的每个特征向量异常测计算出度。这对应于图6a所示的异常测度(am)。当执行该处理时，执行步骤s1008的处理。
[0220]
《步骤s1008》
[0221]
在步骤s1008中，通过异常检测部215，将步骤s1007中计算出的异常测度和根据“学习模式”下的异常测度求出的阈值(sl)进行比较，根据其大小来判定是否异常。这对应于图6a所示的异常测度(am)与阈值(sl)的比较，另外，若判定为异常，则生成异常检测(ad)。当执行该处理时，执行步骤s1009的处理。
[0222]
《步骤s1009》
[0223]
在步骤s1009中，在通过异常检测部216判定为在步骤s1007中求出的异常测度正常的情况下，返回步骤s1003，对下一个异常测度反复进行s1003～s1008的处理。另一方面，在步骤s1007中求出的异常测度被判定为异常的情况下，执行步骤s1010的处理。步骤s1010之后的处理如图10b所示。
[0224]
《步骤s1010》
[0225]
在步骤s1010中，通过整体解析部210，按异常原因数开始循环处理3，反复执行以下的处理。当执行该处理时，执行步骤s1011的处理。
[0226]
《步骤s1011》
[0227]
在步骤s1011中，异常原因确定部216提取与“异常原因”相关联的“同种设备”的统计值集。然后，使用与各异常原因相关联的“同种设备”的统计值集，生成监视数据的二维分布密度。此外，“异常原因”例如有制冷剂泄漏、膨胀阀故障、压缩机故障等。当执行该处理时，执行步骤s1012的处理。
[0228]
《步骤s1012》
[0229]
在步骤s1012中，循环处理3结束。当执行该处理时，执行步骤s1013的处理。
[0230]
《步骤s1013》
[0231]
在步骤s1013中，异常原因确定部216将使用了与各异常原因相关联的“同种设备”的统计值集的正常数据与监视数据的二维分布密度进行比较。当执行该处理时，执行步骤s1014的处理。
[0232]
《步骤s1014》
[0233]
在步骤s1014中，通过步骤s1013的比较，按照异常特征量对作为异常的“同种设备”的统计值(以下，称为异常特征量)进行计数。这对应于图6b中的异常特征量(统计值)的
贡献度图表(gcnt)。当执行该处理时，执行步骤s1015的处理。
[0234]
《步骤s1015》
[0235]
在步骤s1015中，按照在步骤s1014中计数的异常特征量多的顺序赋予排序。这也与图6b中的异常特征量(统计值)的贡献度图表(gcnt)对应，例如按照“fall7”、“fall2”、
…
的方式进行排序。当执行该处理时，执行步骤s1016的处理。
[0236]
《步骤s1016》
[0237]
在步骤s1016中，在排序后的异常特征量中，提取规定的上位n位的异常特征量。这也与图6b中的异常特征量(统计值)的贡献度图表(gcnt)对应，例如提取“fall7”、“fall2”、“fall1”、“fall4”。上位n位根据能够区分“异常原因”的主要特征量数来决定。当执行该处理时，执行步骤s1017的处理。
[0238]
《步骤s1017》
[0239]
在步骤s1017中，计算与各异常原因的主要特征量的一致度。这与图7的按每个特征量赋予的“低/高”对应。当执行该处理时，执行步骤s1018的处理。
[0240]
《步骤s1018》
[0241]
在步骤s1018中，根据特征量的一致度，计算出各异常原因发生的比例(相关度)。这是对图7所示的一致度的集合进行评价而算出的。当执行该处理时，执行步骤s1018的处理。
[0242]
《步骤s1019》
[0243]
在步骤s1019中，从各异常原因(ac)的发生比例高的异常原因开始依次赋予排序。例如，按照“ac5”、“ac4
”…
的顺序进行排序。当执行该处理时，执行步骤s1020的处理。步骤s1020以后的处理如图10c所示。
[0244]
《步骤s1020》
[0245]
在步骤s1020中，从步骤s1019中求出的排序中，将“异常原因”的发生比例的位次第一位确定为“异常原因”。
[0246]
《步骤s1021》
[0247]
在步骤s1021中，详细解析部220的异常原因特征量提取部222基于由异常原因确定部216确定的“异常原因”，从存储在传感器信号加工部211中的每个设备的测定值中，提取与“异常原因”相关的每个设备的测定值集。当执行该处理时，执行步骤s1021的处理。
[0248]
《步骤s1022》
[0249]
在步骤s1021中，按照与“异常原因”相关的每个设备数开始循环处理4，反复执行以下的处理。当执行该处理时，执行步骤s1023的处理。
[0250]
《步骤s1023》
[0251]
在步骤s1023中，异常原因特征量解析部222将提取出的每个设备的测定值集中的与各异常原因相关的2种作为输入，按每个设备生成基于循环组合的监视数据的二维分布密度。这对应于图8的二维分布密度图表(g2sdg)。当执行该处理时，执行步骤s1024的处理。
[0252]
《步骤s1024》
[0253]
在步骤s1024中，循环处理4结束。当执行该处理时，执行步骤s1025的处理。
[0254]
《步骤s1025》
[0255]
在步骤s1025中，通过异常位置确定部224，基于由异常原因确定部216确定出的“异常原因”，从异常原因特征量学习数据存储部223中选定与该“异常原因”相关的每个设备的测定值集所产生的正常数据的二维分布密度，并且，与“监视模式”下的每个设备的测定值集所产生的监视数据的二维分布密度进行比较。当执行该处理时，执行步骤s1026的处理。
[0256]
《步骤s1026》
[0257]
在步骤s1026中，通过步骤s1025的比较，按每个异常设备对异常的设备进行计数。这对应于图8中的设备的异常发生次数图表(gscnt)。并且，将计数值最多的设备确定为“异常设备”。当执行该处理时，执行步骤s1027的处理。
[0258]
《步骤s1027》
[0259]
在步骤s1027中，循环处理2结束。当执行该处理时，执行步骤s1028的处理。
[0260]
《步骤s1028》
[0261]
在步骤s1028中，循环处理1结束。当执行该处理时，监视模式结束。
[0262]
接着，说明与监视计算机200连接的显示画面的画面结构。图11示出了显示异常预兆检测、异常原因以及异常设备(异常位置)的画面的例子。
[0263]
在图11中，显示画面(dspy)显示于与监视计算机200连接的显示装置的画面。在显示画面(dspy)中，显示异常预兆检测显示框(dpd)、异常原因确定框(dic)以及异常设备确定框(ddi)。
[0264]
在异常预兆检测显示框(dpd)中显示沿着时间经过的图6a所示的异常检测图表(grp)。由此，能够读取异常检测的随时间的推移，因此能够读取异常发生的预兆。
[0265]
在异常原因确定框(dic)中显示图6b所示的二维分布密度图表(g2dg)和异常关联特征量的贡献度图表(gcnt)。由此，由于确定“异常原因”的依据被视觉化，因此能够加深对于用户的理解。而且，由于还显示了该异常原因的具体的文字显示框(sc)，因此能够明确地掌握故障原因。
[0266]
在异常设备确定框(ddi)中显示图8所示的二维分布密度图表(g2sdg)和设备的异常发生次数图表(gscnt)。由此，确定“异常设备”的依据被视觉化，因此能够加深对于用户的理解。而且，由于还显示了该异常设备的具体的文字显示框(se)，因此能够明确地掌握“异常设备”。
[0267]
本发明的特征在于，从多个传感器取得与多个设备种类相关的多个测定值，选择与设备种类相关的传感器的测定值，基于所选择的值来计算统计值，按照多个设备种类中的每一个，基于计算出的多个统计值，计算表示特征量空间内的位置的特征量集，在处于学习中的情况下，将特征量集作为正常数据登记于特征量空间，在处于学习后的监视状态的情况下，基于特征量集与正常数据的偏离，判断有无异常，在判断为异常的情况下，从多个设备种类中，将规定的设备种类确定为发生了异常的设备种类，并且从作为规定的设备种类的1个以上的设备中确定发生了异常的设备。
[0268]
由此，能够检测由供制冷剂循环的配管连结的、由室外机(1台以上)以及室内机(1台以上)构成的空调设备的异常，确定该异常原因，并且确定哪个设备发生了异常。
[0269]
此外，本发明并不限定于上述的几个实施例，包括各种变形例。上述的实施例是为了容易理解地说明本发明而详细地进行了说明的实施例，并不限定于必须具备所说明的全部结构。另外，能够将某实施例的结构的一部分置换为其他实施例的结构，也能够在某实施
例的结构中添加其他实施例的结构。对于各实施例的结构，也能够进行其他结构的追加、删除、置换。

技术特征：

1.一种异常检测系统，具有：空调系统，其具有多个设备和传感器；以及监视计算机，其监视所述空调系统，其特征在于，所述多个设备由多个设备种类构成，所述监视计算机进行如下处理：(1)从所述多个传感器取得与所述多个设备相关的多个测定值，(2)针对所述多个设备种类：(2a)选择与所述设备种类相关的所述传感器的测定值，(2b)基于所选择的所述测定值来计算统计值，(3)按照所述多个设备种类中的每一个，基于计算出的多个所述统计值来计算表示特征量空间内的位置的特征量集，(4)在处于学习中的情况下：(4a)将所述特征量集作为正常数据登记到所述特征量空间，(5)在学习后的监视状态的情况下：(5a)基于所述特征量集与正常数据的偏离，判断有无异常，(5b)在判断为异常的情况下：(5ba)从所述多个设备种类中，将规定的设备种类确定为发生了异常的设备种类，(5bb)从作为所述规定的设备种类的1个以上的设备中，确定发生了异常的设备。2.根据权利要求1所述的异常检测系统，其特征在于，所述(5ba)是从所述多个设备种类中，基于与规定的设备种类相关联的规定的所述统计值，评价所述规定的设备种类有无异常，并确定异常原因。3.根据权利要求2所述的异常检测系统，其特征在于，所述(5bb)是从异常检测出的规定的设备种类中，基于与规定的设备相关联的规定的测定值来评价所述规定的设备有无异常，并确定异常位置。4.根据权利要求3所述的异常检测系统，其特征在于，所述多个设备至少具有运转以及非运转的状态，所述(2b)的所述统计值的计算将与停止中的设备相关的测定值视为考虑对象以外，或者视为事先决定的值来用于计算。5.一种监视计算机，其具有处理器和接口，对空调系统进行监视，其特征在于，所述空调系统具有多个设备和传感器，所述多个设备由多个种类的设备构成，所述处理器进行如下处理：(1)经由所述接口从所述多个传感器取得测定值，(2)针对构成所述空调系统的设备的种类的每一个：(2a)选择与所述设备种类相关的传感器的测定值，(2b)基于选择出的测定值来计算统计值，(3)按照所述多个设备种类中的每一个，基于计算出的多个统计值，计算表示特征量空间内的位置的特征量集，(4)在处于学习中的情况下：
(4a)将所述特征量集作为正常数据登记到所述特征量空间，(5)在学习后的监视状态的情况下：(5a)基于所述特征量集与正常数据的偏离，判断有无异常，(5b)在判断为异常的情况下：(5ba)从多个设备种类中，将规定的设备种类确定为发生了异常的设备种类，(5bb)从作为所述规定的设备种类的1个以上的设备中，确定发生了异常的设备。6.一种异常检测系统的异常检测方法，所述异常检测系统具有：空调系统，其具有用于进行空气调节的多个设备和对所述多个设备的动作状态量进行测量的多个传感器；以及监视计算机，其监视所述空调系统的动作状态，其特征在于，所述监视计算机执行以下步骤：从多个所述传感器取得与多个设备种类相关的多个测定值，选择与同种设备相关的测定值，基于选择出的测定值来计算统计值的步骤；基于至少2种所述同种设备各自的统计值，计算表示特征量空间内的位置的特征量集的步骤；在学习状态的情况下，将所述特征量集作为正常数据登记到特征量空间的步骤；在学习后的监视状态的情况下，基于所述特征量集与所述正常数据的偏离程度，判断异常原因的步骤；基于所述异常原因，从多个所述同种设备中，将规定的所述同种设备确定为发生了异常的所述同种设备，进而从规定的所述同种设备中确定发生了异常的所述设备的步骤。7.一种异常检测系统，具有：空调系统，其具有用于进行空气调节的多个设备和对所述多个设备的动作状态量进行测量的多个传感器；以及监视计算机，其监视所述空调系统的动作状态，其特征在于，所述监视计算机具备整体解析部和详细解析部，所述整体解析部具备：测定值取得部，其从所述多个传感器取得与所述多个设备相关的多个测定值；统计值计算部，其基于与所述多个设备中的同种设备相关的所述测定值，计算所述同种设备的统计值；统计值分布密度计算部，其计算表示以2组所述同种设备的所述统计值为参数的统计值二维平面中的所述统计值的位置的统计值集；统计值正常数据存储部，其在学习模式下，将所述统计值集作为正常数据登记于所述统计值二维平面；异常检测部，其在学习模式之后执行的监视模式下，基于由所述统计值分布密度计算部计算出的所述统计值集与存储于所述统计值正常数据存储部的所述统计值集的偏离状态，判断所述同种设备有无异常；以及异常原因确定部，其根据由所述异常检测部检测出的多个异常的相关性来确定异常原因，所述详细解析部具备：
测定值分布密度计算部，其计算表示以2组所述测定值为参数的测定值二维平面中的所述测定值的位置的测定值集；测定值正常数据存储部，其在学习模式中，将所述测定值集作为正常数据登记于所述测定值二维平面；以及异常设备确定部，其在学习模式之后执行的监视模式下，选择与来自所述异常原因确定部的异常原因相关的所述测定值，根据基于选择出的所述测定值并通过所述测定值分布密度计算部计算出的所述测定值集与存储于所述测定值正常数据存储部的所述测定值集的偏离状态，确定与所述异常原因相关的所述同种设备，进而从所述同种设备中确定发生了异常的异常设备。8.根据权利要求7所述的异常检测系统，其特征在于，由所述统计值分布密度计算部求出的所述统计值二维平面仅被求出以循环方式对多个所述统计值中的2组所述统计值计算而得的数量，由所述测定值分布密度计算部求出的所述测定值二维平面仅被求出以循环方式对多个所述测定值中的2组所述测定值计算而得的数量。9.根据权利要求7所述的异常探测系统，其特征在于，所述统计值分布密度计算部将所述统计值转换为特征向量并以图像形式登记于所述统计值二维平面，所述测定值分布密度计算部将所述测定值转换为特征向量并以图像形式登记于所述测定值二维平面。10.根据权利要求7所述的异常检测系统，其特征在于，所述异常原因确定部对多个统计值的异常状态和多个所述异常原因以映射形式进行登记，根据各个所述统计值的异常状态的组合的相关性，从所述映射中提取所述异常原因。11.一种存储有程序的异常检测系统的记录介质，该程序使异常检测系统中使用的监视计算机进行动作，所述异常检测系统具有：空调系统，其具有用于进行空气调节的多个设备和对所述多个设备的动作状态量进行测量的多个传感器；以及所述监视计算机，其监视所述空调系统的动作状态，其特征在于，在所述记录介质中具备：测定值取得程序，其从所述多个传感器取得与所述多个设备相关的多个测定值；统计值计算程序，其根据与所述多个设备中的同种设备相关的所述测定值，计算所述同种设备的统计值；统计值分布密度计算程序，其计算表示以与所述同种设备相关的2组所述统计值为参数的统计值二维平面中的所述统计值的位置的统计值集；统计值正常数据存储程序，其在学习模式下，将所述统计值集作为正常数据登记到所述统计值二维平面；异常检测程序，其在学习模式之后执行的监视模式下，基于由所述统计值分布密度计算程序计算出的所述统计值集与由所述正常数据存储程序存储的所述统计值集的偏离状态，判断所述同种设备有无异常；
异常原因确定程序，其根据由所述异常检测程序检测出的多个异常的相关性来确定异常原因；测定值分布密度计算程序，其计算表示以2组所述测定值为参数的测定值二维平面中的所述测定值的位置的测定值集；测定值正常数据存储程序，其在学习模式下，将所述测定值集作为正常数据登记到所述测定值二维平面；以及异常设备确定程序，其在学习模式之后执行的监视模式下，选择与由所述异常原因确定程序求出的所述异常原因相关的所述测定值，根据基于选择出的所述测定值由所述测定值分布密度计算程序计算出的所述测定值集与由所述测定值正常数据存储程序存储的所述测定值集的偏离状态，确定与所述异常原因相关的所述同种设备，进而从所述同种设备中确定发生了异常的异常设备。

技术总结

本发明提供一种异常检测系统，其能够检测由室外机和室内机构成的空调设备的异常，确定该异常原因，确定哪个设备发生了异常。从多个传感器取得与多个设备相关的多个测定值，选择与该设备种类相关的传感器的测定值，基于选择出的值来计算统计值，按照多个设备种类中的每一个，基于计算出的多个统计值，计算表示特征量空间内的位置的特征量集，在处于学习中的情况下，将特征量集作为正常数据登记于特征量空间，在学习后的监视状态的情况下，基于特征量集与正常数据的偏离，判断有无异常，在判断为异常的情况下，从多个设备种类中，将规定的设备种类确定为发生了异常的设备种类，从作为规定的设备种类的1个以上的设备中确定发生了异常的设备。常的设备。常的设备。