JP2012073756A - 異常診断フィルタ生成装置 - Google Patents

Abstract

【課題】異常の誤検出および見逃しを抑制した遠隔診断を可能とする
【解決手段】複数の診断対象のそれぞれから収集した観測値を用いて、前記診断対象毎にN回の診断を行い、K（KはN以下の整数）回以上異常と判断されたときに、前記診断対象は異常にあることを診断結果とする異常診断ロジックに対する前記Nおよび前記Kの値を決定するための異常診断フィルタ生成装置が提供される。診断ロジック偏り算出部は、診断結果データと点検結果データとに基づき、平均誤検出率P_FPと、平均見逃し率P_FNと、誤検出の偏り度M_FPと、見逃しの偏り度M_FNとを計算する。運用パラメータ決定部は、前記Nと前記Kの値の組み合わせのそれぞれ毎に、前記平均誤検出率と前記誤検出の偏り度と前記平均見逃し率と前記見逃しの偏り度とから最適化メトリックを計算し、最適化メトリックが最小または閾値以下になるようなNとKの組を選択する。
【選択図】図1

Description

本発明の実施形態は、たとえば診断対象の異常検出を行う遠隔異常検出システムの警告誤りを抑制するための異常診断フィルタ生成装置に関する。

対象システム（空調、水道、発電所など）のセンサ計測値や制御指示値などのプロセスデータを遠隔地で監視し、対象システムの異常を診断する遠隔診断において、診断結果を異常度としてスコア化し、スコアが警告値を上回る場合に、監視者に警報を発する方法がよく利用されている。

異常状態を見逃さないようにするため、警告値を低く設定すると、正常であるのに異常と警報を発する「誤検出」の問題が多発する。逆に、警告値を高く設定すると、異常であるのに正常としてしまう「見逃し」の問題が多発する。

このような問題を回避するための先行技術として、設定した期間内に複数回異常と判定された場合に警告を発する技術や、警告値を自動的に設定する技術が知られている。

しかしながら、前者の技術は、試行錯誤的に期間と判定回数を決定することを前提とするため、利用者によって診断システムの性能が左右される問題がある。

一方、後者の技術は自動的に警告値パラメータを設定することができるものの、異常診断の性能が不十分である場合に解が得られない問題があった。

また、これら両方に共通することとして、単変量の入力（診断結果もしくはセンサ計測値）に対する最適な運用パラメータを設定することを目的としているが、この方法であるとセンサ数や診断結果の数が増加することで、線形的に運用パラメータの数が増える問題がある。

特開2003-296851公報 特開2008-59270号公報

本発明は、異常の誤検出および見逃しを抑制した遠隔診断を可能とする異常診断フィルタ生成装置を提供する。

本発明の実施形態によれば、複数の診断対象のそれぞれから収集した観測値を用いて、前記診断対象毎にN（2以上の整数）回の診断を行い、前記N回の診断のうちK（KはN以下の整数）回以上異常と判断されたときに、前記診断対象は異常にあることを診断結果とする異常診断ロジックに対する前記Nおよび前記Kの値を決定するための異常診断フィルタ生成装置が提供される。

前記異常診断フィルタ生成装置は、第1記憶部と、第2記憶部と、診断ロジック偏り算出部、運用パラメータ決定部と、を備える。

前記第1記憶部は、複数の第1時期のそれぞれについて前記複数の診断対象がそれぞれ異常にあるか正常にあるかの診断結果を示した診断結果データを記憶する。

前記第2記憶部は、少なくとも1つの第2時期について前記複数の診断対象を保守点検することによって得られた前記複数の診断対象が異常にあるか正常にあるかの点検結果を示した点検結果データを記憶する。

前記診断ロジック偏り算出部は、（A-1）前記診断結果データと前記点検結果データとに基づき、前記診断結果データの各前記第1時期と、前記点検結果データの第2時期との時間差に応じて、前記診断結果データの各診断結果が異常の誤検出である確率を示した誤検出信頼度フィードバックデータと、前記診断結果データの各診断結果が異常の見逃しである確率を示した見逃し信頼度フィードバックデータを生成し、（A-2）誤検出に関する共通診断性能βfpと、誤検出に関する個別診断性能γfpの標準偏差σfpとをハイパーパラメータとしてもつ統計モデルについて、前記誤検出信頼度フィードバックデータに基づきハイパーパラメータを更新し、更新されたハイパーパラメータから誤検出の平均確率である平均誤検出率P_FPと、誤検出の偏り度M_FPとを計算し、（A-3）見逃しに関する共通診断性能βfnと、見逃しに関する個別診断性能γfnの標準偏差σfnとをハイパーパラメータとしてもつ統計モデルについて、前記見逃し信頼度フィードバックデータに基づきハイパーパラメータを更新し、更新されたハイパーパラメータから見逃しの平均確率である平均見逃し率P_FNと、見逃しの偏り度M_FNとを計算する。

前記運用パラメータ決定部は、（B-1）前記Nと前記Kの値の組み合わせのそれぞれ毎に、前記平均誤検出率と前記誤検出の偏り度と前記Nと前記Kの値によって定義される不均一性統計モデルから前記異常診断ロジックの期待平均誤検出率を計算し、前記平均見逃し率と前記見逃しの偏り度と前記Nと前記Kの値によって定義される不均一性統計モデルから前記異常診断ロジックの期待平均見逃し率を計算し、（B-2）前記期待平均誤検出率と前記期待平均見逃し率とから最適化メトリックを算出し、（B-3）前記最適化メトリックが、最小および最大のうち事前に定めた一方となるようにNとKの組を選択する。

また本発明の実施形態によれば、複数の診断対象のそれぞれから収集した観測値を用いて、前記診断対象毎にN（2以上の整数）回の診断を行い、前記N回の診断のうちK（KはN以下の整数）回以上異常と判断されたときに、前記診断対象は異常にあることを診断結果とする異常診断ロジックに対する前記Nおよび前記Kの値を決定するための異常診断フィルタ生成装置が提供される。

前記異常診断フィルタ生成装置は、第1記憶部と、第2記憶部と、フィードバックデータ生成部と、個別および共通診断性能算出部と、標本データ生成部と、偏り算出部と、期待平均誤検出率算出部と、メトリック計算部と、運用パラメータ最適化部と、を備える。

前記第1記憶部は、複数の第1時期のそれぞれについて前記複数の診断対象がそれぞれ異常にあるか正常にあるかの診断結果を示した診断結果データを記憶する。

前記第2記憶部は、少なくとも1つの第2時期について前記複数の診断対象を保守点検することによって得られた前記複数の診断対象が異常にあるか正常にあるかの点検結果を示した点検結果データを記憶する。

前記フィードバックデータ生成部は、前記診断結果データと前記点検結果データとに基づき、前記診断結果データの各前記第1時期と、前記点検結果データの第2時期との時間差に応じて、前記診断結果データの各診断結果が異常の誤検出である確率を示した誤検出信頼度フィードバックデータと、前記診断結果データの各診断結果が異常の見逃しである確率を示した見逃し信頼度フィードバックデータを生成する。

前記個別および共通診断性能算出部は、誤検出に関する共通診断性能βfpと、誤検出に関する個別診断性能γfpの標準偏差σfpとをハイパーパラメータとして用いて、前記βfp、前記γfp、および前記σfpの事後分布を定義した統計モデルを、前記誤検出信頼度フィードバックデータに基づき最尤推定またはマルコフチェーン・モンテカルロ法により解くことで、前記βfp、前記σfp、および前記γfpの期待値E（γfp）を求め、
見逃しに関する共通診断性能βfnと、見逃しに関する個別診断性能γfnの標準偏差σfnとをハイパーパラメータとして用いて、前記βfn、前記γfn、および前記σfnの事後分布を定義した統計モデルを、前記見逃し信頼度フィードバックデータに基づき前記最尤推定または前記マルコフチェーン・モンテカルロ法により解くことで、前記βfn、前記σfn、前記σfnの期待値E（γfn）を求める。

前記標本データ生成部は、前記βfp、前記σfp、前記E（γfp）に基づき、前記誤検出に関して、前記診断対象がそれぞれｎ回のうち何回誤診断するかを表した誤検出標本データを生成し、前記βfn、前記σfn、前記E（γfn）に基づき、前記見逃しに関して、前記診断対象がそれぞれｎ回のうち何回誤診断するかを表した見逃し標本データを生成する。

前記偏り算出部は、前記誤検出標本データと前記見逃し標本データに基づき、誤検出の平均確率である平均誤検出率P_FPと、見逃しの平均確率である平均見逃し率P_FNと、前記誤検出の偏り度M_FPと、前記見逃しの偏り度M_FNとを計算する。

前記期待平均誤検出率算出部は、前記Nと前記Kの値の組み合わせのそれぞれ毎に、前記平均誤検出率と前記誤検出の偏り度と前記Nと前記Kの値によって定義される不均一性統計モデルから前記異常診断ロジックの期待平均誤検出率を計算し、前記平均見逃し率と前記見逃しの偏り度と前記Nと前記Kの値によって定義される不均一性統計モデルから前記異常診断ロジックの期待平均見逃し率を計算する。

前記メトリック算出部は、前記期待平均誤検出率と前記期待平均見逃し率とから最適化メトリックを算出する。

前記運用パラメータ最適化部は、前記最適化メトリックが、最小および最大のうち事前に定めた一方となるようにNとKの組を選択する。

本発明の実施形態に係る異常診断フィルタ生成装置を備えた異常診断システムのブロック図である。 図1の装置の動作シーケンスを概略的に示すフローチャートである。 時刻付診断結果データの例を示す図である。 時間付点検結果データの一例を示す図である。 誤検出に関する時間付診断信頼度フィードバックデータの例を示す図である。 見逃しに関する時間付診断信頼度フィードバックデータの例を示す図である。 点検時刻と診断時刻との差に基づいて定義される信頼度を示す図である。 時間付診断結果データに対して得られる信頼度を説明する図である。 誤検出に関する時間付診断信頼度フィードバックデータの例を示す図である。 見逃しに関する時間付診断信頼度フィードバックデータの例を示す図である。 診断ロジック偏り算出部の構成を示すブロック図である。 診断ロジック評価モデル記憶部に格納されるデータ構造の例を示す図である。 診断ロジック評価モデルを更新する例を示す図である。 メトロポリス法のフローチャートである。 誤検出および見逃しに関する標本データのデータ構造例をそれぞれ示す図である。 診断ロジックの偏り算出部の動作手順を説明するフローチャートである。 運用パラメータ決定部の構成を示すブロック図である。 N=Kの制約を与えた場合の損失コスト、保守コスト、および総コストのグラフを表した図である。 N=Kの制約がない場合の総コストのグラフを表した図である。

本発明の実施形態は、以下の機能を有する異常診断フィルタ生成装置に関する。

１） 過去の遠隔診断結果と保守員の点検履歴から、遠隔異常検出システムの警告誤りによるコストを最小化する運用パラメータ（N,K）を算出する機能を有すること
２） N回診断してK回以上（あるいは以下）異常と診断される場合に監視者に警告を発する2つの運用パラメータ(N,K)で、多入力多出力の遠隔異常検出システムの警告誤りによるコスト最小化させること
３） 診断結果の誤検出と見逃しの2つの偏り度合に応じて、警告誤りによるコストを最小化する運用パラメータを算出すること
４） 過去の遠隔診断結果と保守員の点検履歴から、診断結果の誤検出と見逃しの2つの偏り度合を推定すること

以下、図面を参照しながら、本発明の実施形態を説明する。

図1は本発明の実施形態に係る異常診断フィルタ生成装置を備えた異常診断システムのブロック図である。

図1の異常診断フィルタ生成装置（CPU）104は、警告閾値（自動あるいは手動のいずれかで設定される）を超えたものを異常として、監視者に警告を発する異常診断ロジック6において、「誤検出」と「見逃し」の両者を考慮したコストを最小化する運用パラメータを算出し更新すること、また多変量の入力に対しても、その運用パラメータとして、N回診断してK回以上（あるいは以下）異常と診断される場合に監視者に警告を発する、1組の最適な運用パラメータ（N,K）を算出するものである。以下、図1の装置の詳細について説明する。

例えば、診断対象101としてビル空調システムのセンサやアクチュエータを考える。図には1つの診断対象が示されているが、実際には複数の診断対象が配置される。

遠隔診断システム103は、10分間隔で収集されるビル空調システムのセンサデータ（温度、風量）と制御指示値（バルブ開度など）から、異常診断ロジック6において、センサが異常か否かを2値で診断する。複数回の診断を行い、その結果に応じて、正常か異常かの最終判定を行い、異常のときは異常通知部8により、監視者104に異常を通知する。

なお、異常診断ロジック6は、異常度合をスコアのような数値で出力し、数値が閾値（δ）を超えた場合に異常信号を出力するものであってもよい。この場合の、閾値δは、ロジック設計者あるいは監視者が試行錯誤に与えても良いし、自動的に設定する方法のどちらであっても良い。

遠隔診断システム103の運用パラメータ格納部102は、異常診断ロジック6の運用パラメータを格納する。運用パラメータには、例えば、異常診断ロジックの実行間隔（T）、診断に用いるデータ長（D_L）、異常通知判定基準として、過去N回の診断結果に対して、K回以上（もしくは以下）、という診断回数（N）と、判定数（K）がある。

本発明の実施形態は、保守コストと信頼性の両側面を満たすための運用パラメータ（N、K）を異常診断フィルタ生成装置104によって最適化する。なお、運用パラメータの診断ロジックの実行間隔（T）、診断に用いるデータ長（D_L）に関しては、「任意の曜日のデータを利用する」「この時間帯のデータを利用する」などのバリエーションに変更することもできる。

診断対象101は、m個の診断対象からなる。m個の診断対象の観測値が、少なくともデータ長（D_L）以上の長さ (D_L個以上の時刻分)で、診断対象101自身もしくはネットワークなどを介した外部記憶装置に、プロセスデータとして格納される。プロセスデータは、例えば、時刻1つに対して、全てのセンサ計測値と制御指示値が関連付けられた形式を有する。たとえばプロセスデータは1時間、10間隔、1分間隔など、所定の時間間隔で取得される。

異常診断ロジック6は、運用パラメータ格納部102に格納された実行間隔（T）、診断に用いるデータ長（D_L）に従い、診断対象101から取得される各プロセスデータ（センサ計測値や制御指示値）を診断する。異常診断ロジック6は、各プロセスデータの各診断対象に対して異常度を算出し、各診断対象に対して正常／異常の最終判断を下す。診断結果に時間情報を付与して時間付診断結果データとし、時間付診断結果格納部7に記憶させる。

異常通知部8は、異常診断ロジック6により異常との判断を下された診断対象を監視者104に通知する。

一方、時刻付点検データ格納部9は、保守作業担当者による診断対象の点検結果を時刻情報付きで格納したデータベースであり、正常／異常の判別情報を持つ。点検データは、例えば、ビル空調システムのセンサ群に対する保守作業を行った場合に保守作業担当者から入力が行われる。

時間付点検結果データは、時刻情報と、正常／異常の判別情報とを組みにしたデータである。判別情報は、正常であれば0、異常であれば1の値を有する値データである。時間付点検結果データは、時間付診断結果格納部7に記憶されている時間付診断結果データに対する教師信号となる。

診断ロジック偏り算出部1は、時間付診断結果データと、時間付点検結果データとを付き合わせ、異常診断ロジック6の性能と偏り度合を算出する。診断ロジック偏り算出部1は、時間付診断結果データを少なくとも一時的に記憶する第1記憶部と、時間付点検結果データを少なくとも一時的に記憶する第2記憶部とを含む。

診断ロジック偏り算出部1は、上記性能として「異常診断結果の平均誤検出率と平均見逃し率」を算出し、上記偏り度合として「診断対象による誤検出と見逃しのしやすさの偏り」を算出する。

誤検出とは実際は正常であるにもかかわらず、システムが異常と判定することを意味し、見逃しとは実際は異常であるにもかかわらず、システムが正常と判定することを意味する。
診断ロジック偏り算出部1の処理の詳細は後述する。

運用パラメータ決定部2は、診断回数N、判定数Kを変更しつつ、N,Kの値の組により表される各状態で、モデル（後述）を評価し、誤検出および見逃しに関する診断性能の期待値をそれぞれ求め、各期待値を最適化メトリック関数入力部4から入力された計算式（関数）に代入して、最適化メトリックを求める。

例えば、診断性能の誤検出からは保守コスト関数により保守コスト（第1メトリック）を求め、診断性能の見逃しからは損害コスト関数により、異常を見逃したことによる損害コスト（第2メトリック）を求める。保守コストおよび損害コストの合計を上記最適化メトリックとして計算する。保守コストは保守員が診断対象を点検することにより発生するコストであり、誤検出が多くなれば、保守員の不必要な出動が増加し、保守コストも増大する。損害コストは、診断対象が異常なのに点検に行かないことにより発生するコストであり、故障し見逃しが多いほど、診断対象の異常によるクレームが増えるため、損害コストが増加する。

運用パラメータを決定するにあたり、局所解に陥ることないように、診断回数N、判定回数Kのサンプリングと網羅性の評価を、網羅性評価部5で行う。網羅性評価部5は、NとKの値を変えて、運用パラメータに与える。

運用パラメータ決定部2は、保守コストおよび損害コストを重み付け合計した値を最小(もしくは最大)にする最適な運用パラメータ（最適診断回数N^*、最適判定数K^*）を決定する。

運用パラメータ決定部2の処理の詳細は後述する。

診断ロジック運用部3は、運用パラメータ決定部2で求めた最適な運用パラメータ（最適診断回数N^*、最適判定数K^*）を、診断回数N、判定数Kとして運用パラメータ格納部102に反映する。すなわち運用パラメータに格納されているN,Kを、N^*、K^*によって更新する。

以下、事例における動作シーケンスについて、図2を用いて説明する。

まず、診断時刻になると（ST2）、異常診断ロジック6による異常診断が実行される（ST3）。ここで、診断対象となるセンサ群に対して時刻付診断結果データが生成される。時刻付診断結果データの例を図3に示す。時間付診断結果データは、例えば診断対象と時刻（第1時期）毎に、診断結果として正常であれば0、異常であれば1が記録される行列データである。

次に、時間付点検結果データ格納部9から、時間付点検結果データを取得し、前回実行時の点検結果データから更新されているかを判断する（ST4）。たとえば最終時刻が前回と異なっているかによって判断する。時間付点検結果データの一例を、図4（A）および図4（B）に示す。

図4（A）では、時刻（第2時期）毎に全ての診断対象に対する点検結果データが記録されている（完全データ）。診断対象（対象機器）が非常に多い場合、診断対象すべてを同時に点検することは不可能であるため、診断毎に全ての対象機器に対する点検結果データが記録されていることは稀である。通常、図4（B）のように、全診断回数よりも低頻度かつ診断対象の部分集合に対して、点検が行われる（不完全データ）。

時間付点検結果データが前回から更新されていると判断された場合、診断ロジック偏り算出部1において、時刻付診断結果データと時間付点検結果データから、平均誤検出率、誤検出の偏り度、平均見逃し率、見逃しの偏り度を推定する（ST5）。

続いて、運用パラメータ決定部2において、保守コストと損失コストのバランスを考慮した最適診断回数N^*と最適判定数K^*を求める（ST6）。最適診断回数N^*・最適判定数K^*と、運用パラメータ格納部102に現在格納されている診断回数N・判定数Kとの間に差異があれば（ST7のYES）、最適診断回数N^*と最適判定数K^*を、新しい診断回数N、判定数Kとして運用パラメータ格納部102に書き込む（ST8）。

最後に、運用パラメータ格納部102から診断回数N、判定数Kを読み込み（ST9）、任意のセンサにおいて、異常診断ロジック6は、N回の診断中K回以上、異常と診断すれば、そのセンサを異常と判定し、異常通知部8は、そのセンサを監視者104に通知する（ST10のYES、ST11、ST 13）、それ以外は正常と判定する（ST10のNO、ST 12）。

ST9〜ST14における異常診断ロジック6による診断は、たとえば図4（A）または図4（B）のデータベースにおける最後の診断日時より後に取得されたプロセスデータを用いて行うことが考えられる。

＜診断ロジック偏り算出部＞
本実施形態は、1回の診断結果で異常と診断された場合に通知するのではなく、N回診断してK回以上(以下)異常と診断される場合に通知することにより、誤検出や見逃しを低減する効果を持つ。

誤検出や見逃しの発生確率が全診断対象（例えばセンサとアクチュエータ）で一様であれば、運用パラメータである診断回数Nと判定数Kは、二項分布モデルに従うため定式的に推定することができる。しかしながら、診断対象によって誤検出や見逃しの発生確率が異なる場合、二項分布モデルに従わないため、定式的に求めることができない。誤検出や見逃しの発生確率が異なる場合でも、N、Kに対する確率分布が定式的に推定できるように、不均一性統計モデルを導入する。

不均一性統計モデルの1つにベータ二項分布がある。ベータ二項分布は、マスメディアの広告媒体の到達率を推定する際の統計モデルなどに採用されるモデルである。ベータ二項分布による広告媒体の到達率推定を行う場合は、パラメータとして平均視聴率、平均重複視聴率を利用している。これは、本事例では、平均誤検出率(平均見逃し率)と、誤検出(見逃し)の偏り度(もしくは、平均重複度)に該当する。広告媒体の到達率推定の場合、アンケートを実施することによって、完全なフィードバックデータが入力となることを前提することができるが、本例のような点検では、図4（B）に示したような不完全データとなることが一般的である。なお、重複度とは、時刻iの状態と、時刻i以降のある時刻jの状態に、どれだけの重複があるかを表す（これをPijとする）。平均重複度は、全ての時刻の組み合わせに対する重複度の平均を表す。

(2/n(n-1))Σi<j(Pij)
そこで、図4（B）のような不完全データから、誤検出および見逃しのそれぞれに関して、時間付診断結果データにおける各診断対象が誤検出および見逃しである信頼度（確率）を表した確率付フィードバックデータ（診断信頼度フィードバックデータ）を生成し、これらの診断信頼度フィードバックデータから、平均誤検出率（P_FP）、平均見逃し率（P_FN）と、誤検出の偏り度（M_FP）、見逃しの偏り度（M_FN）(偏り度は誤検出(見逃し)の平均重複度に比例)を求めることを考える。

確率付フィードバックデータから、平均誤検出率（P_FP）、平均見逃し率（P_FN）と、誤検出の偏り度（M_FP）、見逃しの偏り度（M_FN）を求めるに当り、異常診断ロジックの共通診断性能と、個別診断性能の分散とをハイパーパラメータとして持つ統計モデル（ハイパーパラメータ付統計モデル）を利用する。

このハイパーパラメータを更新して現在の状態に適した近似モデルを導出し、平均誤検出率（P_FP）、誤検出の偏り度（M_FP）、平均見逃し率（P_FN）、見逃しの偏り度（M_FN）を算出する。

数式 1
p(β,{γ_i},σ|{y_i}) ∝ Π_i=1..L f(y_i|q_i) g_β(β) g_γ(γ_i|σ)h(σ)
ハイパーパラメータ付統計モデルを、数式1に示す。g_β(β) が共通能力を表すβの事前分布、g_γ(γ_i|σ)は、個別診断能力γ_iの事前分布、h(σ)が個別診断能力γ_iに関する分布であり、その分布の標準偏差σがハイパーパラメータである。

{yi}は観測されたデータを表し、本発明では、診断信頼度フィードバックデータである。

数式 2
q_i = 1 / (1+exp(-(β+γ_i)))
q_i は、各診断対象に対する診断能力を表し、数式2に示す統計モデル(ロジットモデル)である。βは、すべての個体共通の母数(母集団の特徴を1つの数値に表したもの)であり、γ_iは各個体特有の母数である。この例でいうと、βは異常診断装置の共通能力を表す母数と解釈でき、γ_iは各診断対象に対する個別診断能力と考えられる。γ_i が大きくなると、診断能力q_i の値は大きくなる。

数式 3
g_γ(γ_i|σ)= (1/sqrt(2σ²π))exp(-(γ_i ²/2σ²))
g_γ(γ_i|σ)は、個別診断能力の事前分布を表す。各診断対象に対する個別診断能力の分布は、ある種の分布に従うと考えられる。これは平均ゼロ、標準偏差σの正規分布として仮定することができるので、数式3のように表わすことができる。

数式 4
h(σ)=(σ^10-1exp(-σ/10))/(10¹⁰Γ(10))
個別診断能力の標準偏差σ は、個別診断能力に関する分布のハイパーパラメータである。標準偏差σは、σ>0であるので、例えば、数式4のようななだらかなガンマ分布(Γ)、もしくは、一様分布であると考える。

数式 5
g_β(β)=(1/sqrt(2×10²π))exp(-(β²/（2×10²)))
共通能力を表すβの事前分布に関しては、先験的な情報が何もないので、無情報事前分布とする。例えば、数式5のような、平均ゼロで標準偏差10の正規分布に従うと考えられる(なだらかな正規分布)。

＜診断ロジック偏り算出部−時間付診断信頼度フィードバックデータ生成−＞
図9は、診断ロジック偏り算出部1の構成を示すブロック図である。

時間付診断信頼度フィードバックデータ生成部11は、時間付診断結果データ（X）と時間付点検結果データ（Y）を受け取り、時間付診断結果データ（X）の診断結果に対して、誤検出と見逃しが発生しているかの教師信号を割り当てた時間付診断信頼度フィードバックデータZ_FP、Z_FNを生成する。

時間付診断信頼度フィードバックデータは、図4（A）のような完全データの場合、時間付診断結果データと時間付点検結果データの時刻情報が一致する行列をそれぞれ受信し、
Z_FP=X−Y
Z_FN=X−Y
によって求められる。なお、Z_FP≧0、Z_FN≦0である。

このとき、時間付診断信頼度フィードバックデータZ_FP（Z_FN）は、誤検出(もしくは見逃し)が発生していると「1」、それ以外の場合「0」となる。

図5Aに、誤検出に関する時間付診断信頼度フィードバックデータZ_FPの例を示す。図5Bに見逃しに関する時間付診断信頼度フィードバックデータZ_FNの例を示す。

一方、図4（B）のような不完全データの場合、点検時刻と診断時刻の時間差に基づく、信頼度（確率）を使って時間付診断信頼度フィードバックデータを生成する。

例えば、図3の時間付診断結果データと、図4（B）の時間付点検結果データから、図8Aに示す誤検出に関する時間付診断信頼度フィードバックデータZ_FPと、図8Bに示す見逃しに関する時間付診断信頼度フィードバックデータZ_FNが生成される。

以下、図4（B）のような不完全データの場合における時間付診断信頼度フィードバックデータの生成の詳細を説明する。

点検時刻と診断時刻との差に基づく信頼度は、例えば図6のように予め定義してもよいし、寿命分析によって動的に生成してもよい。ここでは、予め定義した図6を利用した例に関して記載する。

［時刻tの点検結果が正常（0）であった場合］
異常になった診断対象が自然に復旧することは考えにくいため、時刻t以前の診断結果が正常であることに対する信頼度は1.0である。逆に、時刻t以前の診断結果が異常であることに対する信頼度は0.0である。

時刻t以降は、診断結果が正常であることに対する信頼度は1.0であるが、時間が経過すると、センサが異常となる確率が高まるため、徐々に診断結果が正常であることに対する信頼度が低下してくる。逆に、診断結果が異常であることに対する信頼度は0.0であるが、時間が経過すると、徐々に診断結果が異常であることに対する信頼度が上昇してくる。

［時刻tの点検結果が異常（1）であった場合］
時刻tにおいて、点検結果が異常であった場合、その点検作業においてセンサの調整が行われるため、時刻t以降は、時刻tにおいて正常であった場合と同様である。

時刻t以前は、点検結果異常と判明しているので、時刻tの診断結果が異常であることに対する信頼度が1.0となるが、時刻tから時間を遡るにつれて、センサが異常である確率が低くなるため信頼度が低下する。逆に、時刻tの診断結果が正常であることに対する信頼度は、時刻tにおいて0.0であるが、時刻tから時間を遡るにつれて、信頼度が上昇する。

この定義で規定した信頼度を、図3の時間付診断結果データと、図4（B）の時間付点検結果データに適用すると、時間付診断結果データに対する信頼度は、図7に示す結果となる。このとき、信頼度が重複する時刻の信頼度に関しては、その時刻における信頼度の平均、現時刻に対して点検結果時刻から近い信頼度を採用、現時刻よりも後の点検結果から求められる信頼度を採用など、の方法によって求められる。

これを誤検出と見逃しごとに行うことで、図8Aに示す誤検出に関する時間付診断信頼度フィードバックデータZ_FPと、図8Bに示す時間間付診断信頼度フィードバックデータZ_FNが得られる。

＜診断ロジック偏り算出部−共通診断性能、個別診断性能の導出−＞
個別および共通診断性能算出部12は、時間付診断信頼度フィードバックデータZ_FP、Z_FNを受け取り、事後分布である数式1に適合する共通診断性能βの事後分布、個別診断性能の標準偏差σの事後分布、{γ_i }の事後分布を、最尤推定やマルコフチェーン・モンテカルロ法(ギブス法 メトロポリス法、メトロポリスヘイスティング法)と呼ばれる公知の手法を用いて求解する。

マルコフチェーン・モンテカルロ法は、分布関数の値に比例した密度の座標列をサンプリングし、その座標列で分布関数を擬似する方法である。図12にメトロポリス法のフローチャートを示す。x1は診断ロジック評価モデルパラメータの初期値ベクトル{β₁, σ₁, {γ_i1}}（それぞれ任意の値）である。結果として、時間付診断信頼度フィードバックデータに適合した診断ロジック評価モデルパラメータ{β^*, σ^*, {γ_i ^*}} が求められる。共通診断性能、個別診断性能は、誤検出、見逃しのそれぞれごとに導出する。診断ロジック評価モデルパラメータとして、以下の項目を診断ロジック評価モデル記憶部13に記憶し、
m ：診断対象数（時間付診断信頼度フィードバックデータの列サイズ）
n ：サンプリング数 （時間付診断信頼度フィードバックデータの行サイズ）
βfp ： 誤検出に関する共通診断性能 （誤検出に関するβ^*）
βfn ： 見逃しに関する共通診断性能 （見逃しに関するβ^*）
σfp ： 誤検出に関する個別診断性能の標準偏差 （誤検出に関するσ^*）
σfn ： 見逃しに関する個別診断性能の標準偏差 （見逃しに関するσ^*）
E(γfp) ： 誤検出に関する個別診断性能の期待値 （誤検出に関する{γ_i ^*} i=1..m）
E(γfn) ： 見逃しに関する個別診断性能の期待値 （見逃しに関する{γ_i ^*} i=1..m）
さらに、尤度テーブルをクリアしたのち、
Time： モデル生成時刻（1行目）
Lfp ：誤検出に関する診断ロジック評価モデルパラメータが与えられた場合における
時間付診断信頼度フィードバックデータの尤度
Lfn ：見逃しに関する診断ロジック評価モデルパラメータが与えられた場合における
時間付診断信頼度フィードバックデータの尤度
を診断ロジック評価モデル記憶部13に記憶する（尤度の計算方法は後述する）。

図10に診断ロジック評価モデル記憶部に格納されるデータ構造の例を示す。

なお、最尤推定による算出やマルコフチェーン・モンテカルロ法の具体的なアルゴリズムに関しては、湧井良幸「道具としてのベイズ統計」日本実業出版社(2009)に記載されている。

＜診断ロジック偏り算出部−診断ロジック評価モデル検証部−＞
診断ロジック評価モデル検証部14は、診断ロジック評価モデル記憶部13に格納された診断ロジックモデルパラメータを更新する必要があるか否かを判断する構成要素である。

まず、診断ロジック評価モデル記憶部13に格納されている診断ロジックモデルパラメータと、時間付診断信頼度フィードバックデータZ_FP、Z_FNを読み込み、診断ロジックモデルパラメータに対する時間付診断信頼度フィードバックデータZ_FP、Z_FNの状態になり得る尤もらしさ（尤度）を算出する。求めた尤度に実行時刻情報を付与して尤度履歴情報とし、診断ロジック評価モデル記憶部13に記憶する。尤度履歴情報は、誤検出に対する尤度(L_fp)、見逃しに対する尤度(L_fn)を含む。尤度の算出は、数式6に従って行う。

数式 6
L_fp = Π_i=1..m f(y_i(fp)|q_i(fp))
L_fn = Π_i=1..m f(y_i(fn)|q_i(fn))
qiは数式2にて定義されている

診断ロジック評価モデルを更新する判断は、対数尤度LOG(Lfp)+LOG(Lfn)のトレンドデータを利用して決定する。例えば、対数尤度が閾値δ未満になった場合、対数尤度が連続してs回（sの値は予め定義されているものとする）閾値δ未満になった場合、対数尤度のトレンド成分の傾きが閾値θ未満になった場合などがある。図11に閾値δ未満がs(=3)回連続発生した場合に診断ロジック評価モデルを更新する例を示す。

＜診断ロジック偏り算出部−標本データ生成部−＞
標本データ生成部15は、診断ロジック評価モデル記憶部13に記憶された診断ロジック評価モデルパラメータを読み取り、サンプル数nの標本データを、誤検出と見逃しのそれぞれに対して生成する。

標本データは、数式1で与えられる事後分布に対するサンプル数nの期待値といえる。最も簡単な算出方法は、数式2に対して、診断ロジック評価モデル記憶部13から読みだしたβ_fp, E(γ_fp), β_Fn, E(γ_fn)を代入して求める方法である。

x_FP = n / (1+exp(-(β_fp+E(γ_fp))))
x_FN = n / (1+exp(-(β_Fn+E(γ_fn))))

標本データは、各診断対象において、n回中何回誤診断(もしくは見逃し)するかを表す1次元ベクトルx_FP,(x_FN）である。ベクトルの長さは診断対象数であり、各要素は0〜nの離散値となる。図13（A）に標本データx_FPのデータ構造例、図13(B)に標本データx_FNのデータ構造例を示す。

＜診断ロジック偏り算出部−偏り算出部−＞
偏り算出部16は、標本データを受け取り、平均誤検出率p_FP,、誤検出の偏り度 M_FP、平均見逃し率p_FN 見逃しの偏り度M_FNを求める。

数式 7
p_FP=Σ_k=1..m x_FP(k)/n
p_FN=Σ_k=1..m x_FN(k)/n
nはサンプリング数

標準偏差σ_fp、σ_fnは、それぞれx_FP, x_FNの期待値を用いて以下の式で与えられる。

数式 8
σ_fp ² (x_FP)= 1/m Σ_k=1..m (x_FP-^~x_FP)²
σ_fn ² (x_FN)= 1/m Σ_k=1..m (x_FN-^~x_FN)²

偏り度M_FP, M_FNは、以下の式によって与えられる
数式 9
(1-M_FP)= (σ_s ²(x_FP)-σ_f ²(x_FP))/(σ_s ²(x_FP)-σ_r ²(x_FP))
(1-M_FN)= (σ_s ²(x_FN)-σ_f ²(x_FN))/(σ_s ²(x_FN)-σ_r ²(x_FN))

ここに、
σ_s ²は完全分離状態のxの分散であり、σ_r ²は、完全混合状態のxの分散である

数式 10
σ_s ² = n²p’(1-p’) p’はp_FP もしくは p_FN
σ_r ² = np’(1-p’) p’はp_FP もしくは p_FN

＜診断ロジック偏り算出部の動作説明＞
図14を用いて、診断ロジックの偏り算出部1の動作手順を説明する。

まず、時間付診断信頼度フィードバックデータ生成部11が、上述した方法により、時間付診断信頼度フィードバックデータZ_FP、Z_FNを生成する（ST21）。すなわち、誤検出に関するn×mのサイズの時間付診断信頼度フィードバックデータZ_FPと、見逃しに関するn×mのサイズの時間付診断信頼度フィードバックデータZ_FNを生成する。これらのデータは、メインメモリに格納される。

次に診断ロジック評価モデル記憶部13にデータ（例えば尤度テーブルの1行目）が格納されているか否かによって診断ロジック評価モデルが存在するか否かを判断する（ST22）。

存在する場合、誤診断・見逃しの各々に対して、診断ロジック評価モデル検証部14が、上述した方法により、診断ロジック評価モデルが妥当か否かを判断する（ST26、ST23）。

この評価結果、不適切であった場合、個別および共通診断性能算出部12が、上述した方法により、診断ロジック評価モデルパラメータ（個別診断性能の標準偏差および期待値、共通診断性能等）を算出し、診断ロジック評価モデル記憶部13に格納（更新）する（ST27、ST28、ST24、ST25）。

続いて、標本データ生成部15が、上述した方法で、診断ロジック評価モデル記憶部13に記憶されている診断ロジック評価モデルパラメータを読み出し、誤検出と見逃しの標本をサンプリングする（ST29）。

サンプリングされたデータは、図13に示したように(1×m)の行列であり、各行列要素には、サンプリング数nに対する期待誤検出数（期待見逃し数）が出力される。

そして、偏り算出部16が、上述した方法で、まず平均誤検出率p_FP, 平均見逃し率p_FN, 標準偏差σ_fp, σ_fnを求め（ST30）、次いで、偏り度M_FP, M_FNを算出する（ST31）。

＜運用パラメータ決定部＞
図1の運用パラメータ決定部2は、例えば保守コストと損害コストなどから求まる最適化メトリックを最小（もしくは最大）にする運用パラメータ（診断回数N^*、判定数K^*「診断ロジックN^*回の診断結果、K^*回以上診断結果が異常であった場合にのみ、異常と判断」）を導出する。これにより、一回の診断では目標達成が困難な弱診断ロジックでも、保守コスト削減目標を達成することが可能になる。

上記のように、N回実行しK回以上の診断結果の期待値を見積もる場合の統計モデルとして、二項分布がある。

しかしながら、診断ロジックの誤検出や見逃しは、診断対象によって起こりやすさが異なる場合が多いため、平均誤検出率（平均見逃し率）と誤検出の偏り度（見逃しの偏り度）によって表わされる不均一性統計モデルを使って、診断パフォーマンスを最大化する診断回数N^*・判定数K^*を決定する。

図15は、運用パラメータ決定部2の構成を示すブロック図である。

運用パラメータ決定部2の入力は、網羅性評価部5により設定された診断回数N、判定回数Kと、診断ロジック偏り算出部1の出力である、平均誤検出率、誤検出の偏り度、平均見逃し率、見逃しの偏り度と、利用者(ビルオーナあるいはビル管理部門)から入力される2つの最適化メトリック関数(誤検出/見逃し)である。運用パラメータ決定部2の出力は、最適診断回数N^*、最適判定数K^*である。

運用パラメータ決定部2は、最適化メトリック関数入力部４から入力された2つの最適化メトリック関数の出力の合計を最小（もしくは最大）にする運用パラメータ（診断回数N^*、判定数K^*「診断ロジックN^*回の診断結果、K^*回以上診断結果が異常であった場合にのみ、異常と判断」）を導出する。例えば保守コスト（メトリック）を算出する最適化メトリック関数と、損害コスト（メトリック）を算出する最適化メトリック関数とを入力し、保守コストと損害コストとの合計である総コスト（最適化メトリック）を最小化する。これにより、一回の診断では目標達成が困難な弱診断ロジックでも、保守コスト削減目標を達成することが可能になる。

＜期待平均誤検出率算出部＞
期待平均誤検出率算出部22は、入力されたK,N, p_FP, M_FPを、誤検出に関する不均一性統計モデルに代入し、期待平均誤検出率(0〜1の実数スカラ値)を求める。

不均一性統計モデルの1つにベータ二項分布が存在する。不均一性統計モデルは不均一性統計モデル格納部21に記憶されている。

平均誤検出率p_FP, 誤検出の偏り度M_FPは、診断ロジック偏り算出部1の出力であり、K,Nは、網羅性評価部5により、逐次与えられる自然数スカラ値である。

g_FP(K|N,p_FP,M_FP)=∫Φ(K|p,N)Β(p|M_FP,p_FP) dp
=_NC_KΒ(p_FP(1-M_FP)/M_FP)+K,(1-p_FP)(1-M_FP)/M_FP)+N-K)
/Β(p_FP(1-M_FP)/M_FP),(1-p_FP)(1-M_FP)/M_FP))
ここにBはベータ関数である。

＜期待平均見逃し率算出部＞
期待平均誤検出率算出部22は、入力されたK,N, p_FN, M_FN を見逃しに関する不均一性統計モデルに代入し、期待平均見逃し率(0〜1の実数スカラ値)を求める。平均見逃し率p_FN, 見逃しの偏り度M_FNは、診断ロジック偏り算出部1の出力であり、K,Nは、網羅性評価部5により、逐次与えられる自然数スカラ値である。

g_FN(K|N,p_FN,M_FN)=∫Φ(K|p,N)Β(p|M_FN,p_FN) dp
=_NC_KΒ(p_FN(1-M_FN)/M_FN)+K,(1-p_FN)(1-M_FN)/M_FN)+N-K)
/Β(p_FN(1-M_FN)/M_FN),(1-p_FN)(1-M_FN)/M_FN))
ここにBはベータ関数である。

＜誤検出メトリック算出部＞
誤検出メトリック算出部24は、最適化メトリック関数入力部4から設定された誤検出に関する関数式である最適化メトリック関数（第1最適化メトリック関数）に、期待平均誤検出率を代入し、誤検出メトリック値(スカラ)に変換する。誤検出メトリック（第1メトリック）の1つである保守コストは、例えば以下の式で与えられる。

保守コスト=
(((センサ台数)×(平均故障率))＋(センサ台数)×(1-(平均故障率))×(期待平均誤検出率))×(単価)

最適化メトリック関数は、管理オペレータにより入力されることを想定する。このとき、センサ台数は設計仕様に従い入力され、平均故障率は過去の保守履歴や寿命分析、あるいは経験による仮定値として入力される。誤検出が多いほど、不必要な出動が増えるため、保守コストが増加する。

＜見逃しメトリック算出部＞
見逃しメトリック算出部25は、最適化メトリック関数入力部4から設定された見逃しに関する関数式である最適化メトリック関数（第2最適化メトリック関数）に、期待平均見逃し率を代入し、見逃しメトリック値(スカラ)に変換する。見逃しメトリック（第2メトリック）の1つである損失コストは、例えば以下の式で与えられる。

損失コスト=(損失係数)×(センサ台数)×(平均故障率)×(期待平均見逃し率)×(単価)

最適化メトリック関数は、管理オペレータにより入力されることを想定する。このとき、センサ台数は設計仕様に従い入力され、平均故障率は過去の保守履歴や寿命分析、あるいは経験による仮定値として入力される。損失係数は、過去の事例や経験による仮定値として入力する。見逃しが多いほど、センサ異常によるクレームが増えるため、損害コストが増加する。

＜運用パラメータ最適化部＞
運用パラメータ最適化部26は、診断パフォーマンスを最大化する診断回数N^*・判定数K^*を決定する。これは、N, Kを変化させた場合の総コスト＝保守コスト＋損失コストを最小とするN^*,K^*を求める最適化問題に相当する。運用パラメータ最適化部26は、網羅性評価部5から逐次与えられるN,Kの組について総コスト（最適化メトリック）を計算し、総コストが最も小さくなるN,Kを採用する。ここでは保守コストと損失コストの重み付けをそれぞれ同じ（値1）にしているが、それぞれ異なる重みW1,W2を用い、W1×保守コスト＋W2×損失コストにより総コストを計算してもよい。誤検出メトリック算出部24および見逃しメトリック算出部25の機能と、運用パラメータ最適化部26における上記重み付け合計を計算する機能を合わせたブロックは、メトリック算出部に相当する。

図16AにN=Kの制約を与えた場合の損失コスト、保守コスト、および総コストのグラフを示す。この例ではN=K=3のときに、総コストが最小となっている。すなわち、3回診断し、3回連続して異常である場合に異常と判断すると、総コストが最小となる。

また図16Bに、N=Kの制約がない場合の総コストのグラフを示す。この例ではN=10、K=7のときに、総コストが最小となっている。すなわち、10回診断し、7回以上異常である場合に異常と判断すると、総コストが最小となる。

ここでは総コストが最も小さくなるN,Kを選択したが、総コストが閾値以下となるような任意のN,Kを選択してもよい。

以上、本実施形態によれば、判定に必要な回数（NとK）を適切に決定できるため、誤警告や見逃しを最小にすることができる効果を持つ。すなわち、NとKの値が不適切であると、誤警告の増加や警告の見逃しが発生し、期待する効果が得られない問題であるが、本実施形態では、NとKを、診断結果データと点検結果データから自動的に最適化できるため、誤警告や見逃しを最小にすることができる効果を持つ。

なお以上に説明した異常診断フィルタ生成装置は、例えば、汎用のコンピュータ装置を基本ハードウエアとして用いることでも、実現可能である。すなわち、異常診断フィルタ生成装置内の各ブロックの機能は、各々の処理を行う指示を記述したプログラムをコンピュータに実行させることにより実現されてもよい。このとき、異常診断フィルタ生成装置は、上記のプログラムをコンピュータ装置にあらかじめインストールすることで実現してもよいし、ハードディスク、メモリ装置、光ディスク等の記憶媒体に記憶して、あるいはネットワークを介して上記のプログラムを配布して、このプログラムをコンピュータ装置に適宜インストールすることで実現してもよい。また、各種記憶部は、上記のコンピュータ装置に内蔵あるいは外付けされたメモリ、ハードディスクもしくはCD−R、CD−RW、DVD−RAM、DVD−Rなどの記憶媒体などを適宜利用して実現することができる。

なお、本発明は上記実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記実施形態に開示されている複数の構成要素の適宜な組み合わせにより、種々の発明を形成できる。例えば、実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。さらに、異なる実施形態にわたる構成要素を適宜組み合わせてもよい。

Claims (5)

1. 複数の診断対象のそれぞれから収集した観測値を用いて、前記診断対象毎にN（2以上の整数）回の診断を行い、前記N回の診断のうちK（KはN以下の整数）回以上異常と判断されたときに、前記診断対象は異常にあることを診断結果とする異常診断ロジックに対する前記Nおよび前記Kの値を決定するための異常診断フィルタ生成装置であって、
   複数の第1時期のそれぞれについて前記複数の診断対象がそれぞれ異常にあるか正常にあるかの診断結果を示した診断結果データを記憶する第1記憶部と、
   少なくとも1つの第2時期について前記複数の診断対象を保守点検することによって得られた前記複数の診断対象が異常にあるか正常にあるかの点検結果を示した点検結果データを記憶する第2記憶部と、
   （A-1）前記診断結果データと前記点検結果データとに基づき、前記診断結果データの各前記第1時期と、前記点検結果データの第2時期との時間差に応じて、前記診断結果データの各診断結果が異常の誤検出である確率を示した誤検出信頼度フィードバックデータと、前記診断結果データの各診断結果が異常の見逃しである確率を示した見逃し信頼度フィードバックデータを生成し、
   （A-2）誤検出に関する共通診断性能βfpと、誤検出に関する個別診断性能γfpの標準偏差σfpとをハイパーパラメータとしてもつ統計モデルについて、前記誤検出信頼度フィードバックデータに基づきハイパーパラメータを更新し、更新されたハイパーパラメータから誤検出の平均確率である平均誤検出率P_FPと、誤検出の偏り度M_FPとを計算し、
   （A-3）見逃しに関する共通診断性能βfnと、見逃しに関する個別診断性能γfnの標準偏差σfnとをハイパーパラメータとしてもつ統計モデルについて、前記見逃し信頼度フィードバックデータに基づきハイパーパラメータを更新し、更新されたハイパーパラメータから見逃しの平均確率である平均見逃し率P_FNと、見逃しの偏り度M_FNとを計算する、診断ロジック偏り算出部と、
   （B-1）前記Nと前記Kの値の組み合わせのそれぞれ毎に、前記平均誤検出率と前記誤検出の偏り度と前記Nと前記Kの値によって定義される不均一性統計モデルから前記異常診断ロジックの期待平均誤検出率を計算し、前記平均見逃し率と前記見逃しの偏り度と前記Nと前記Kの値によって定義される不均一性統計モデルから前記異常診断ロジックの期待平均見逃し率を計算し、
   （B-2）前記期待平均誤検出率と前記期待平均見逃し率とから最適化メトリックを算出し、
   （B-3）前記最適化メトリックが、最小および最大のうち事前に定めた一方となるようにNとKの組を選択する、運用パラメータ決定部と、
   を備えた異常診断フィルタ生成装置。
2. 複数の診断対象のそれぞれから収集した観測値を用いて、前記診断対象毎にN（2以上の整数）回の診断を行い、前記N回の診断のうちK（KはN以下の整数）回以上異常と判断されたときに、前記診断対象は異常にあることを診断結果とする異常診断ロジックに対する前記Nおよび前記Kの値を決定するための異常診断フィルタ生成装置であって、
   複数の第1時期のそれぞれについて前記複数の診断対象がそれぞれ異常にあるか正常にあるかの診断結果を示した診断結果データを記憶する第1記憶部と、
   少なくとも1つの第2時期について前記複数の診断対象を保守点検することによって得られた前記複数の診断対象が異常にあるか正常にあるかの点検結果を示した点検結果データを記憶する第2記憶部と、
   前記診断結果データと前記点検結果データとに基づき、前記診断結果データの各前記第1時期と、前記点検結果データの第2時期との時間差に応じて、前記診断結果データの各診断結果が異常の誤検出である確率を示した誤検出信頼度フィードバックデータと、前記診断結果データの各診断結果が異常の見逃しである確率を示した見逃し信頼度フィードバックデータを生成するフィードバックデータ生成部と、
   誤検出に関する共通診断性能βfpと、誤検出に関する個別診断性能γfpの標準偏差σfpとをハイパーパラメータとして用いて、前記βfp、前記γfp、および前記σfpの事後分布を定義した統計モデルを、前記誤検出信頼度フィードバックデータに基づき最尤推定またはマルコフチェーン・モンテカルロ法により解くことで、前記βfp、前記σfp、および前記γfpの期待値E（γfp）を求め、
   見逃しに関する共通診断性能βfnと、見逃しに関する個別診断性能γfnの標準偏差σfnとをハイパーパラメータとして用いて、前記βfn、前記γfn、および前記σfnの事後分布を定義した統計モデルを、前記見逃し信頼度フィードバックデータに基づき前記最尤推定または前記マルコフチェーン・モンテカルロ法により解くことで、前記βfn、前記σfn、前記σfnの期待値E（γfn）を求める、個別および共通診断性能算出部と、
   前記βfp、前記σfp、前記E（γfp）に基づき、前記誤検出に関して、前記診断対象がそれぞれｎ回のうち何回誤診断するかを表した誤検出標本データを生成し、前記βfn、前記σfn、前記E（γfn）に基づき、前記見逃しに関して、前記診断対象がそれぞれｎ回のうち何回誤診断するかを表した見逃し標本データを生成する、標本データ生成部と、
   前記誤検出標本データと前記見逃し標本データに基づき、誤検出の平均確率である平均誤検出率P_FPと、見逃しの平均確率である平均見逃し率P_FNと、前記誤検出の偏り度M_FPと、前記見逃しの偏り度M_FNとを計算する偏り算出部と、
   前記Nと前記Kの値の組み合わせのそれぞれ毎に、前記平均誤検出率と前記誤検出の偏り度と前記Nと前記Kの値によって定義される不均一性統計モデルから前記異常診断ロジックの期待平均誤検出率を計算し、前記平均見逃し率と前記見逃しの偏り度と前記Nと前記Kの値によって定義される不均一性統計モデルから前記異常診断ロジックの期待平均見逃し率を計算する期待平均誤検出率算出部と、
   前記期待平均誤検出率と前記期待平均見逃し率とから最適化メトリックを算出するメトリック計算部と、
   前記最適化メトリックが、最小および最大のうち事前に定めた一方となるようにNとKの組を選択する、運用パラメータ最適化部と、
   を備えた異常診断フィルタ生成装置。
3. 前記不均一性統計モデルは、β二項分布である
   ことを特徴とする請求項2に記載の異常診断フィルタ生成装置。
4. 前記βfp、前記σfp、前記E（γfp）、前記βfn、前記σfn、前記E（γfn）を記憶する診断ロジック評価モデル記憶部をさらに備え、
   前記診断ロジック評価モデル記憶部に記憶された前記βfp、前記σfp、前記E（γfp）に対する前記誤検出信頼度フィードバックデータの状態になり得る最も尤もらしさである尤度Lfpを計算し、
   前記診断ロジック評価モデル記憶部に記憶された前記βfn、前記σfn、前記E（γfn）に対する前記見逃し信頼度フィードバックデータの状態になり得る最も尤もらしさである尤度Lfnを計算し、
   尤度Lfpの対数と、尤度Lfnの対数との合計に基づき、前記診断ロジック評価モデル内の前記βfp、前記σfp、前記E（γfp）、前記βfn、前記σfn、前記E（γfn）を更新するか否かを決定する、診断ロジック評価モデル検証部をさらに備え、
   前記個別および共通診断性能算出部は、前記診断ロジック評価モデル検証部により更新すると決定されたとき、前記βfp、前記σfp、前記E（γfp）、前記βfn、前記σfn、前記E（γfn）を計算し、計算された前記βfp、前記σfp、前記E（γfp）、前記βfn、前記σfn、前記E（γfn）によって前記診断ロジック評価モデル記憶部を更新する
   ことを特徴とする請求項2または3に記載の異常診断フィルタ生成装置。
5. 前記期待平均誤検出率を入力パラメータとしてもつ第1最適化メトリック関数を計算することにより前記診断対象の保守点検により発生する保守コストを計算し、
   前記期待平均見逃し率を入力パラメータとしてもつ第2最適化メトリック関数を計算することにより、実際には異常である前記診断対象を保守点検しないことにより発生する損失コストを計算し、
   前記最適化メトリックとして、前記保守コストと前記損失コストの合計である総コストが最小または閾値以下となるように、前記NとKの組を選択する、
   ことを特徴とする請求項2ないし4のいずれか一項に記載の異常診断フィルタ生成装置。