JP2020030757A - 故障個所診断システム、故障個所診断方法、およびプログラム - Google Patents

Abstract

【課題】故障し得る複数個所のうちのどこで故障が発生しているかを、高い専門性を必要とせず、かつ、精度よく推定するのに適した技術を提供する。
【解決手段】故障個所診断システム１００は、ロジスティック回帰モデルが記憶された記憶部１１０を備える。ロジスティック回帰モデルは、発電システム２００の運転情報を表す複数の説明変数から、発電システム２００の複数個所のうち所定個所が故障しており他の個所が故障していない確率を表す目的変数を特定する。
【選択図】図３

Description

本開示は、故障個所診断システム、故障個所診断方法、およびプログラムに関する。

燃料電池等を用いた発電システムに、複数のセンサを取り付けることが行われている。特許文献１には、センサが取り付けられた発電システムが記載されている。

センサによれば、流量、圧力、温度、電圧等の機器状態値を計測できる。また、センサによれば、実行中の制御工程における、制御設定値、制御出力値等の制御状態値を計測できる。典型的には、機器状態値および制御状態値等の計測データは、一定周期で記憶される。

一従来例では、発電システムに、該システムのどこかで故障が発生していると判断できる制御部が設けられている。しかし、制御部のみで故障個所が具体的にどこなのかを判断しきることは難しかった。そこで、制御部により発電システムのどこかで故障が発生していると判断された場合、専門家が、一定周期で記憶された機器状態値や制御状態値等を確認することによって、事後的に発電システムの故障個所を推定していた。

近年、ロジスティック回帰モデルを利用して故障個所を診断するシステムが提案されている。特許文献２には、診断対象機器の故障内部情報と正常内部情報とから作成したロジスティック回帰式モデルを用いた診断システムの一例が記載されている。

特開２００６−０３２０９８号公報 特開２００９−００３５６１号公報

典型的な発電システムにおいては、発電に、複数の部品が用いられる。通常、複数の部品の中には、故障が発生する可能性がある個所が複数ある。発電に異常が発生した場合、複数個所のうちのどこかで故障が発生していることが予想される。しかし、その「どこか」を具体的に推定するのは、専門家にとっても必ずしも容易ではない。また、特許文献２では、上記の場合において、実際に故障している個所を推定することについては検討がなされていない。

そこで、本開示は、故障し得る複数個所のうちのどこで故障が発生しているかを、高い専門性を必要とせず、かつ、精度よく推定するのに適した技術を提供することを目的とする。

本開示は、
発電システムの故障個所診断システムであって、
ロジスティック回帰モデルが記憶された記憶部を備え、
前記ロジスティック回帰モデルは、前記発電システムの運転情報を表す複数の説明変数から、前記発電システムの複数個所のうち所定個所が故障しており他の個所が故障していない確率を表す目的変数を特定する、故障個所診断システムを提供する。

本開示に係る技術は、故障し得る複数個所のうちのどこで故障が発生しているかを、高い専門性を必要とせず、かつ、精度よく推定するのに適している。

図１は、特徴量と故障個所の関係を示す散布図である。 図２は、各確率を説明するためのベン図である。 図３は、発電システムおよび故障個所診断システムのブロック図である。 図４は、燃料電池発電装置のブロック図である。 図５は、故障個所診断システムの構成図である。 図６は、故障個所診断のフロー図である。 図７は、特徴量の変動を示す模式図である。 図８は、特徴量をまとめて記載した図である。 図９は、特徴量の変動およびサンプリングタイミングを示す模式図である。 図１０は、確信度を説明するための図である。

本開示に係る技術を説明する際、「故障」という用語を使用する場合がある。「故障」は、機器が完全に機能しない状態のみを示すものではない。「故障」は、機器の一部のみが機能しない状態を含む。

「故障」は、「異常」を包含する概念である。例えば、燃料供給経路の閉塞は「故障」に該当し得る。燃料供給経路という個所に「故障」があることを診断することは、故障個所の診断に該当する。水の経路という個所に「故障」があることを診断することは、故障個所の診断に該当する。当然ながら、この場合において、水の経路のうち、ポンプ、弁、フィルタ等という具体的な個所に「故障」があるという診断することも、故障個所の診断に該当する。

発電システムの「故障」は、発電の異常を引き起こすものを包含する概念である。すなわち、発電システムが自身の異常検出時または故障検出時にエラー発報を行うものである場合、発電システムの「故障」は、そのエラー発報を引き起こすものを包含する概念である。

（本開示の基礎となった知見）
本発明者らは、発電に異常が発生した場合において、故障し得る複数個所のうちのどこで故障が実際に発生しているのかを推定するのに適した技術を実現することを検討した。具体的には、本発明者らは、そのような推定に適した故障個所診断システムを、ロジスティック回帰モデルを用いて実現することを検討した。以下、ロジスティック回帰モデルを構築するための学習について、図１および２を参照しながら説明する。

図１において、特徴量ＪおよびＫは、発電システムの運転情報を表す。特徴量ＪおよびＫは、発電システムの故障個所を表すプロットと対応付けられている。特徴量Ｊは、例えば、センサＪの検出値である。特徴量Ｋは、例えば、別のセンサＫの検出値である。「Ｘ」のプロットは、発電システムの実際の故障個所が個所Ｘであったことを表している。「Ｙ」のプロットは、発電システムの実際の故障個所が個所Ｙであったことを表している。「Ｚ」のプロットは、発電システムの実際の故障個所が個所Ｚであったことを表している。

特徴量ＪおよびＫと、「Ｘ」、「Ｙ」および「Ｚ」のプロットとによって、ロジスティック回帰モデル用の教師データを構成できる。具体的には、特徴量ＪおよびＫを説明変数に対応付け、「Ｘ」、「Ｙ」および「Ｚ」のプロットを目的変数に対応付けることができる。

具体的には、説明変数ＪおよびＫから、個所Ｘが故障しており個所ＹおよびＺが故障していない確率Ｐｘを表す目的変数を特定するロジスティック回帰モデルＸを構築できる。説明変数ＪおよびＫから、個所Ｙが故障しており個所ＺおよびＸが故障していない確率Ｐｙを表す目的変数を特定するロジスティック回帰モデルＹを構築できる。説明変数ＪおよびＫから、個所Ｚが故障しており個所ＸおよびＹが故障していない確率Ｐｚを表す目的変数を特定するロジスティック回帰モデルＺを構築できる。確率Ｐｘ、ＰｙおよびＰｚを表すベン図を、図２に示す。

ところで、発電システムにおいては、複数個所が故障している場合には、単一個所が故障している場合に比べ、運転情報が無秩序な挙動を示し易い。このため、発電システムにおいて複数個所が故障している確率を特定しようとすると、その特定精度は低くなる傾向にある。この傾向は、発電システムが多数の部品から構成されておりそれらの部品が複雑に絡み合っている場合には顕在化し易い。燃料電池を用いた発電システムは、そのような発電システムに該当し得る。

仮に、図２とは異なり、個所Ｘだけが故障している第１確率と、個所Ｘとともに個所ＹおよびＺが故障している第２確率と、の合計確率を表す目的変数を特定するロジスティック回帰モデルを構築したとする。この合計確率の特定精度を確保するのは難しい。なぜなら、上述の理由でこの合計確率のうちの上記第２確率相当分の特定精度は低くなり易く、この低さは合計確率の特定精度低下を招くためである。一方、図２に示す確率Ｐｘ、ＰｙおよびＰｚは、第２確率に相当する成分を含まない。

以上の議論により、発電に異常が発生した場合において、故障し得る複数個所のうちのどこで故障が実際に発生しているのかを推定するのに適した故障個所診断システムについて、以下のことが言える。すなわち、そのような故障個所診断システムをロジスティック回帰モデルを用いて実現するには、ロジスティック回帰モデルが、以下の特徴を有していることが有利である。
特徴：発電システムの複数個所のうち所定個所が故障しており他の個所が故障していない確率を表す目的変数を特定する。

なお、常にではないが、発電システムでは、発電の異常は、異常発生から比較的早い段階で把握され得る。このことは、発電システムにおける１つの個所の故障が他の個所の故障に波及する前に、発電の異常が把握され得ることを意味する。このため、発電システムの複数個所のうち所定個所が故障しており他の個所が故障していない確率を表す目的変数を特定するロジスティック回帰モデルには、十分な価値がある。

（本開示に係る一態様の概要）
本開示の第１態様に係る故障個所診断システムは、
発電システムの故障個所診断システムであって、
ロジスティック回帰モデルが記憶された記憶部を備え、
前記ロジスティック回帰モデルは、前記発電システムの運転情報を表す複数の説明変数から、前記発電システムの複数個所のうち所定個所が故障しており他の個所が故障していない確率を表す目的変数を特定する。

第１態様に係る技術は、故障し得る複数個所のうちのどこで故障が発生しているかを、高い専門性を必要とせず、かつ、精度よく推定するのに適している。

本開示の第２態様において、例えば、第１態様に係る故障個所診断システムは、
前記発電システムがエラー発報を行った時刻に対応付けられた複数の前記説明変数から前記目的変数を特定する。

第２態様によれば、目的変数を、エラー発報がなされた時刻に対応付けることができる。このようにすれば、上記確率を精度よく表す目的変数が得られ易い。

本開示の第３態様において、例えば、第２態様に係る故障個所診断システムでは、
前記発電システムは、前記発電システムの運転情報をサンプリングタイミング毎に取得し、
前記エラー発報の直前のサンプリングタイミングにおける前記発電システムの運転情報に基づいたものを含む複数の前記説明変数から、前記目的変数を特定する。

本開示の第４態様において、例えば、第３態様に係る故障個所診断システムは、
前記発電システムの発電開始または発電再開が第１時刻になされ、前記第１時刻の後の１回目の前記エラー発報が第２時刻になされた場合において、
前記第１時刻の直後のサンプリングタイミングにおける前記発電システムの運転情報に基づいたものと、前記第２時刻の直前のサンプリングタイミングにおける前記発電システムの運転情報に基づいたものと、を含む複数の前記説明変数から、前記目的変数を特定する。

第３態様および第４態様は、精度のよい故障個所診断システムを実現する観点から有利である。

本開示の第５態様において、例えば、第２態様から第４態様のいずれか１つに係る故障個所診断システムは、
前記発電システムにおいて複数回の前記エラー発報がなされた場合において、
前記エラー発報が行われた時刻に対応付けられた複数の前記説明変数から前記目的変数を特定することを、複数回の前記エラー発報について行い、これにより、複数の前記目的変数を特定し、
複数の前記目的変数に基づいて、前記発電システムの故障個所を判定する際に前記確率として使用される値である確信度を特定する。

第５態様では、複数の目的変数に基づいて、確信度を特定する。１つの目的変数ではなく確信度を上記確率として使用することは、故障個所判定の信頼性向上に寄与し得る。

本開示の第６態様において、例えば、第５態様に係る故障個所診断システムでは、
前記確信度は、複数の前記目的変数の幾何平均である。

本開示の第７態様において、例えば、第５態様に係る故障個所診断システムでは、
前記確信度は、複数の前記目的変数のうち大きいものから数えてＮ番目のものまでを含む群から選択される１つの値である、または、前記群から選択される少なくとも２つの前記目的変数の幾何平均である。
ここで、複数の前記目的変数の個数をＭとしたとき、Ｍが偶数の場合にはＮは２以上かつＭ／２以下の値であり、Ｍが奇数の場合にはＮは２以上かつ（Ｍ＋１）／２以下の値である。

本開示の第８態様において、例えば、第５態様に係る故障個所診断システムでは、
前記確信度は、複数の前記目的変数のうち複数の前記目的変数のうち大きいものから数えてＮ番目のもの以上の値である。
ここで、複数の前記目的変数の個数をＭとしたとき、Ｍが偶数の場合にはＮは２以上かつＭ／２以下の値であり、Ｍが奇数の場合にはＮは２以上かつ（Ｍ＋１）／２以下の値である。

第６態様、第７態様および第８態様の確信度によれば、故障個所の判定の信頼性を高めることができる。

本開示の第９態様において、例えば、第１態様から第８態様のいずれか１つに係る故障個所診断システムでは、
前記記憶部には、ルールベースモデルが記憶され、
前記ルールベースモデルは、前記発電システムの運転情報に基づいて、ルールベースで前記発電システムの故障個所を特定する。

第９態様によれば、ロジスティック回帰モデルとルールベースモデルの双方の利点を生かした故障個所診断システムを実現できる。

本開示の第１０態様において、例えば、第１態様から第９態様のいずれか１つに係る故障個所診断システムは、
前記目的変数に基づいて、前記発電システムの故障個所を判定し、
前記故障個所を復旧させるための保守部品の少なくとも１つの候補を、人が認識可能な態様で報知する。

第１０態様によれば、ロジスティック回帰モデルに基づく故障個所の判定結果を、故障個所の復旧に役立てることができる。

本開示の第１１態様に係る故障個所診断方法は、
発電システムの故障個所診断方法であって、
前記発電システムの運転情報を表す複数の説明変数から、前記発電システムの複数個所のうち所定個所が故障しており他の個所が故障していない確率を表す目的変数を特定することを備える。
ここで、複数の前記説明変数および前記目的変数は、ロジスティック回帰モデルに基づいたものである。

本開示の第１２態様に係るプログラムは、
コンピュータを、前記発電システムの運転情報を表す複数の説明変数から、前記発電システムの複数個所のうち所定個所が故障しており他の個所が故障していない確率を表す目的変数を特定する手段として機能させる。
ここで、複数の前記説明変数および前記目的変数は、ロジスティック回帰モデルに基づいたものである。

故障個所診断システムの技術は、故障個所診断方法およびプログラムに適用できる。故障個所診断方法の技術は、故障個所診断システムおよびプログラムに適用できる。プログラムの技術は、故障個所診断システムおよび故障個所診断方法に適用できる。

以下、本開示の実施の形態について、図面を参照しながら説明する。なお、この実施の形態によって本開示が限定されるものではない。

図３に、実施の形態に係る発電システム２００および故障個所診断システム１００を示す。診断システム１００は、発電システム２００の故障個所診断を行う。

発電システム２００は、発電部２１０と、検出部２２１と、検出部２２２と、検出部２２３と、検出部２２４と、運転情報取得部２４０と、制御部２７０と、を含む。

発電部２１０は、発電を行う。発電部２１０として、公知の発電装置を使用できる。本実施の形態では、発電部２１０は、燃料電池発電装置である。燃料電池発電装置の構成例を、図４に示す。

図４に示す燃料電池発電装置２１０ｆは、水供給器２１１と、燃料供給器２１２と、水素生成器２１３と、空気供給器２１４と、セルスタック２１５と、インバータ２１６と、を含む。

水供給器２１１は、水素生成器２１３に水を供給する。燃料供給器２１２は、水素生成器２１３に燃料を供給する。水素生成器２１３は、水と燃料から水素を生成する。空気供給器２１４は、セルスタック２１５に空気を供給する。これにより、セルスタック２１５に、空気中の酸素が与えられる。セルスタック２１５は、酸素および水素から直流電力を生成する。インバータ２１６は、直流電力を交流電力に変換する。交流電力は、負荷において利用される。

本実施の形態では、燃料は、都市ガス、液化石油ガス（ＬＰガス）等の燃料ガスである。水供給器２１１は、少なくとも１つの弁と、フィルターと、ポンプと、を含む。燃料供給器２１２は、少なくとも１つの弁と、ポンプと、を含む。燃料供給器２１２のポンプは、具体的には、ブースターポンプである。空気供給器２１４は、少なくとも１つの弁と、ブロワと、を含む。

水供給器２１１、燃料供給器２１２および空気供給器２１４の弁として、開閉弁を用いてもよい。これらの弁として、開度調整弁を用いてもよい。ここで、開閉弁は、その開度が０％および１００％のいずれかに設定される弁である。開度調整弁は、開度を０〜１００％の間の任意の値に設定可能な弁である。開度調整弁の例は、ニードル弁である。水供給器２１１は、開閉弁および開度調整弁の両方または一方を有し得る。燃料供給器２１２および空気供給器２１４についても同様である。

一具体例では、水供給器２１１は、複数の開閉弁を有する。燃料供給器２１２は、複数の開閉弁と、１つのニードル弁と、を有する。空気供給器２１４は、複数の開閉弁と、１つのニードル弁と、を有する。

本実施の形態では、水素生成器２１３は、改質部と、変成部と、選択酸化部と、燃焼器と、を含む。改質部は、改質触媒を有する。変成部は、変成触媒を有する。選択酸化部は、選択酸化触媒を有する。改質触媒は、水と燃料を用いた改質反応によって、水素を生成する。変成触媒は、水と一酸化炭素とを反応させることによって、一酸化炭素を低減させる。選択酸化触媒は、選択酸化反応によって、一酸化炭素を低減させる。燃焼器は、改質反応に必要な熱を生成する。燃焼器は、例えば、バーナーである。

本実施の形態では、図４に示すように、空気供給器２１４は、水素生成器２１３にも空気を供給する。これにより、水素生成器２１３に、改質反応および選択酸化反応に用いる酸素が与えられる。

なお、図４を参照して説明した燃料電池発電装置２１０ｆは、具体的には、固体高分子形燃料電池（ＰＥＦＣ）を用いた発電装置の一例である。本開示に係る技術は、固体酸化物形燃料電池（ＳＯＦＣ）にも適用可能である。固体酸化物形燃料電池では、改質ガス中における一酸化炭素の存在を許容できる。このため、固体酸化物形燃料電池は、変成部および選択酸化部を有さなくてもよい。固体高分子形燃料電池についても、変成部および選択酸化部は必須ではない。また、本開示に係る技術は、燃料電池発電装置以外の発電装置にも適用可能である。

図３に戻って、検出部２２１，２２２，２２３および２２４は、発電部２１０の物理量を検出する。これらの検出部として、公知のセンサを使用できる。具体的には、これらの検出部は、検出結果を表す検出信号を、運転情報取得部２４０に送信する。

運転情報取得部２４０は、発電システム２００の運転情報を取得する。具体的には、運転情報取得部２４０は、検出部２２１，２２２，２２３および２２４からの検出信号を受信する。これにより、運転情報取得部２４０は、検出部２２１，２２２，２２３および２２４の物理量の検出値を、特徴量として取得する。

検出値以外の特徴量として、目標値が挙げられる。目標値である特徴量は、例えば、制御部２７０から運転情報取得部２４０に送信される。目標値として、発電部２１０の発電電力目標値、各種温度の目標値、空気流量の目標値、燃料流量の目標値等が例示される。目標値の他の例は、後述の説明により明らかとなる。

検出値以外の特徴量として、操作量も挙げられる。操作量は、ある機器の出力の最大値を１００％としたときの出力のパーセンテージを指す。操作量として、各種ポンプの操作量、ニードル弁の開度操作量、ブロワの操作量等が例示される。操作量の例は、後述の説明により明らかとなる。

上述の記載から理解されるように、特徴量は、検出値、目標値および操作量を含む概念である。特徴量は、検出値および目標値の差分であってもよい。特徴量は、発電システム２００の運転情報を表す。

特徴量は、物理量の瞬時値であってもよく、物理量の変動量であってもよい。物理量の変動量は、時間経過に伴う物理量の変化を表すものである。物理量の変動量は、例えば、物理量の時間微分である。物理量の変動量は、隣り合うサンプリング間隔で取得された２つの物理量の差分を、サンプリング間隔で割ることによって求めることもできる。このようにして求められた値は、時間微分の近似値の意味合いを有する。物理量の変動量は、隣り合うサンプリング間隔で取得された２つの物理量の差分であってもよい。

本実施の形態では、複数の時刻における運転情報を表す時系列データが、運転情報取得部２４０に記憶される。時系列データには、最新の時刻の特徴量が逐次追加される。運転情報取得部２４０は、この記憶を行うための、図示しない記憶部を含む。記憶部は、ＳＤカード等の取り外し可能なものであってもよく、運転情報取得部２４０に固定されたものであってもよい。

制御部２７０は、発電部２１０を制御する。具体的には、制御部２７０は、上記目標値を発電部２１０に送信することによって、発電部２１０を制御する。この例では、上述のように、制御部２７０は、上記目標値を、運転情報取得部２４０にも送信する。

発電システム２００は、エラー発報を行うことができる。エラー発報は、発電システム２００において異常が生じた場合に発せられる。エラー発報は、発電システム２００のユーザーが認識可能なものであってもよく、ユーザーが認識不可能なものであってもよい。例えば、異常発生をデータとして記録することは、後者のエラー発報に該当し得る。

エラー発報を引き起こす異常は、例えば、発電部２１０の出力電圧低下である。典型的には、出力電圧低下は、出力電圧が閾値を下回ることを指す。出力電圧低下によるエラー発報は、例えば、発電部２１０の定常運転の期間、定常運転開始直前の繋ぎ込みの期間等においてなされる。定常運転は、例えば、発電部２１０の出力電力を定格範囲内に維持する運転である。本実施の形態では、エラー発報がなされたときには、エラー発報がなされた時刻が、運転情報取得部２４０に記憶される。

エラー発報を引き起こす異常の別の例は、過昇温である。例えば、選択酸化部の温度が閾値を越えた場合には、選択酸化部の過昇温によるエラー発報が行われる。選択酸化部の過昇温は、例えば、水素生成器２１３への水の供給異常により生じ得る。なお、選択酸化部の温度は、例えば、サーミスタによって検出できる。この点は、他の個所の温度についても同様である。

本実施の形態では、発電システム２００は、所定期間内にエラー発報が所定回数なされると、「エラー確定状態」となる。エラー確定状態では、発電部２１０の発電が停止され、発電部２１０の発電再開が禁止される。発電システム２００のユーザーは、発電システム２００の表示部に表示されるエラーコードによって、エラー確定状態となったことを知ることができる。所定期間は、例えば１週間である。所定回数は、例えば４回である。表示部は、例えば、発電システム２００を制御するリモートコントローラーに含まれている。

診断システム１００は、記憶部１１０と、判定部１４０と、報知部１７０と、を含む。

記憶部１１０には、複数のロジスティック回帰モデルが記憶されている。具体的には、記憶部１１０には、ロジスティック回帰モデルＭ１と、ロジスティック回帰モデルＭ２と、ロジスティック回帰モデルＭ３と、ロジスティック回帰モデルＭ４と、が記憶されている。

ロジスティック回帰モデルＭ１は、発電システム２００の運転情報を表す複数の説明変数から、確率Ｐ１を表す目的変数を特定する。確率Ｐ１は、発電システム２００の複数個所のうち第１個所が故障しており他の個所が故障していない確率である。

ロジスティック回帰モデルＭ２は、発電システム２００の運転情報を表す複数の説明変数から、確率Ｐ２を表す目的変数を特定する。確率Ｐ２は、発電システム２００の複数個所のうち第２個所が故障しており他の個所が故障していない確率である。

ロジスティック回帰モデルＭ３は、発電システム２００の運転情報を表す複数の説明変数から、確率Ｐ３を表す目的変数を特定する。確率Ｐ３は、発電システム２００の複数個所のうち第３個所が故障しており他の個所が故障していない確率である。

ロジスティック回帰モデルＭ４は、発電システム２００の運転情報を表す複数の説明変数から、確率Ｐ４を表す目的変数を特定する。確率Ｐ４は、発電システム２００の複数個所のうち第４個所が故障しており他の個所が故障していない確率である。

このように、複数のロジスティック回帰モデルは、それぞれ、故障が発生し得る個所と対応付けられている。具体的には、ロジスティック回帰モデルＭ１は、第１個所に対応付けられている。ロジスティック回帰モデルＭ２は、第２個所に対応付けられている。ロジスティック回帰モデルＭ３は、第３個所に対応付けられている。ロジスティック回帰モデルＭ４は、第４個所に対応付けられている。

故障が発生し得る個所は、例えば、水供給器２１１と、燃料供給器２１２、水素生成器２１３、空気供給器２１４、セルスタック２１５、インバータ２１６等である。これらの機器の間には、燃料、水、空気、水素、電気等の流体の流路が形成されている。このような流路も、故障が発生し得る個所に該当し得る。

故障が発生し得る個所は、ピンポイントなものであってもよい。具体的に、故障が発生し得る個所は、例えば、水供給器２１１の弁、水供給器２１１のフィルター、水供給器２１１のポンプ、燃料供給器２１２の弁、燃料供給器２１２のポンプ、空気供給器２１４の弁、空気供給器２１４のブロワ等であってもよい。

故障が発生し得る個所は、大雑把なものであってもよい。具体的に、故障が発生し得る個所は、例えば、水供給器２１１を含む水の経路、燃料供給器２１２を含む燃料の経路、水素生成器２１３を含む水素の経路、空気供給器２１４を含む空気の経路、セルスタック２１５および／またはインバータ２１６を含む電気の経路等であってもよい。

なお、本実施の形態では、上記複数個所は、第１個所、第２個所、第３個所および第４個所である。各ロジスティック回帰モデルの説明変数は、全て重複していてもよく、一部重複していてもよく、全く重複していなくてもよい。

本実施の形態では、運転情報を表す特徴量を、説明変数として用いる。このため、説明変数は、運転情報を表すものである。

説明変数は、例えば、水供給器２１１における水の流量、燃料供給器２１２における燃料の温度、燃料供給器２１２における燃料の流量、水素生成器２１３の温度（例えば、水素生成器２１３の改質部、変成部、選択酸化部等の温度）、水素生成器２１３における燃料、空気または水の流量、水素生成器２１３で生成される水素の流量、空気供給器２１４における空気の流量、インバータ２１６の入力電圧、インバータ２１６の入力電流、発電部２１０の出力電力等である。これらの目標値、変動量、操作量等も、説明変数として利用できる。各機器における流体の温度および流量は、各機器の入口、内部および出口のいずれの位置のものであってもよい。当然ではあるが、これらは、説明変数として用いられる特徴量の例でもある。

水供給器２１１における水の流量の操作量は、例えば、水供給器２１１のポンプの操作量（ポンプ出力のパーセンテージ）、水供給器２１１の弁の開度操作量等である。燃料供給器２１２における燃料の流量の操作量は、例えば、燃料供給器２１２のポンプの操作量（ポンプ出力のパーセンテージ）、燃料供給器２１２の弁の開度操作量等である。空気供給器２１４における空気の流量の操作量は、例えば、空気供給器２１４のブロワの操作量（ブロワ出力のパーセンテージ）、空気供給器２１４の弁の開度操作量等である。

本実施の形態では、ロジスティック回帰モデルＭ１、Ｍ２、Ｍ３およびＭ４は、以下の関数Ｐ_k（Ｚ_k）で表される。ｋおよびｍは、自然数である。具体的に、Ｐ₁（Ｚ₁）は、ロジスティック回帰モデルＭ１の目的変数である。目的変数Ｐ₁（Ｚ₁）は、確率Ｐ１を表す。Ｐ₂（Ｚ₂）は、ロジスティック回帰モデルＭ２の目的変数である。目的変数Ｐ₂（Ｚ₂）は、確率Ｐ２を表す。Ｐ₃（Ｚ₃）は、ロジスティック回帰モデルＭ３の目的変数である。目的変数Ｐ₃（Ｚ₃）は、確率Ｐ３を表す。Ｐ₄（Ｚ₄）は、ロジスティック回帰モデルＭ４の目的変数である。目的変数Ｐ₄（Ｚ₄）は、確率Ｐ４を表す。ａ_kiは、回帰係数である。ｘ_kiは説明変数である。

上述のとおり、本実施の形態のロジスティック回帰モデルは、発電システム２００の運転情報を表す複数の説明変数から、発電システム２００の複数個所のうち所定個所が故障しており他の個所が故障していない確率を表す目的変数を特定する。このことは、精度のよい故障個所診断を実現する観点から有利である。診断精度が確保されることにより、誤診断を抑えることができる。また、回帰モデルを利用した故障個所の診断は、高い専門性を必要とすることなく実施できる。

また、本実施の形態は、発電システム２００の運転情報を表す複数の説明変数から、発電システム２００の複数個所のうち所定個所が故障しており他の個所が故障していない確率を表す目的変数を特定することを備える、発電システム２００の故障個所診断方法を開示するとも言える。ここで、複数の説明変数および目的変数は、ロジスティック回帰モデルに基づいたものである。

本実施の形態の技術を、プログラムに適用することもできる。そのようなプログラムは、コンピュータを、発電システム２００の運転情報を表す複数の説明変数から、発電システム２００の複数個所のうち所定個所が故障しており他の個所が故障していない確率を表す目的変数を特定する手段として機能させることができる。ここで、複数の説明変数および目的変数は、ロジスティック回帰モデルに基づいたものである。

本実施の形態では、故障個所診断システム１００は、発電システム２００がエラー発報を行った時刻に対応付けられた複数の説明変数から目的変数を特定する。具体的には、この特定は、判定部１４０がロジスティック回帰モデルを用いて行う。このようにすれば、目的変数を、エラー発報がなされた時刻に対応付けることができる。このようにすれば、上記確率を精度よく表す目的変数が得られ易い。

本実施の形態では、記憶部１１０には、ルールベースモデルＲが記憶されている。ルールベースモデルＲは、発電システム２００の運転情報に基づいて、ルールベースで発電システム２００の故障個所を特定する。具体的には、ルールベースモデルＲは、発電システム２００の運転情報を表す１または複数の特徴量を用いて、ルールベースで発電システム２００の故障個所を特定する。

本実施の形態では、ルールベースモデルＲは、ルールＲ１、ルールＲ２、ルールＲ３およびルールＲ４を含む。

本実施の形態では、ルールＲ１は、発電システム２００の１または複数の特徴量から、発電システム２００の複数個所のうち第１個所が故障しており他の個所が故障していないという状況にあるか否かを判定する。ただし、ルールＲ１は、発電システム２００の１または複数の特徴量から、発電システム２００の第１個所が故障しているか否かを判定するものであってもよい。

本実施の形態では、ルールＲ２は、発電システム２００の１または複数の特徴量から、発電システム２００の複数個所のうち第２個所が故障しており他の個所が故障していないという状況にあるか否かを判定する。ただし、ルールＲ２は、発電システム２００の１または複数の特徴量から、発電システム２００の第２個所が故障しているか否かを判定するものであってもよい。

本実施の形態では、ルールＲ３は、発電システム２００の１または複数の特徴量から、発電システム２００の複数個所のうち第３個所が故障しており他の個所が故障していないという状況にあるか否かを判定する。ただし、ルールＲ３は、発電システム２００の１または複数の特徴量から、発電システム２００の第３個所が故障しているか否かを判定するものであってもよい。

本実施の形態では、ルールＲ４は、発電システム２００の１または複数の特徴量から、発電システム２００の複数個所のうち第４個所が故障しており他の個所が故障していないという状況にあるか否かを判定する。ただし、ルールＲ４は、発電システム２００の１または複数の特徴量から、発電システム２００の第４個所が故障しているか否かを判定するものであってもよい。

ルールベースモデルＲで用いられる特徴量は特に限定されない。説明変数として用いられ得る特徴量として先に説明した特徴量を、ルールベースモデルＲで用いる特徴量として利用できる。

判定部１４０は、回帰モデル設定部１４１と、目的変数特定部１４２と、確信度特定部１４３と、故障個所判定部１４４と、ルールベースモデル利用部１４５を含む。判定部１４０は、発電システム２００の故障個所を判定する。

報知部１７０は、発電システム２００の故障個所を報知する。典型的には、報知は、人が認識可能なものある。一例では、報知部１７０は表示部であり、報知は視覚に基づいたものである。別例では、報知部１７０は音出力部であり、報知は音に基づいたものである。

本実施の形態における情報の流れを簡単にまとめると、以下のようになる。検出値、目標値、操作量等である発電システム２００の運動情報が、運転情報取得部２４０によって取得される。運動情報は、特徴量として扱われる。特徴量は、故障個所診断システム１００に送られる。故障個所診断システム１００において、特徴量は、ロジスティック回帰モデルによって用いられたり、ルールモデルＲによって用いられたりする。ロジスティック回帰モデルは、特徴量を、説明変数として用いる。別の言い方をすると、特徴量が、説明変数に代入される。これにより、目的変数が特定される。この代入および特定が複数回行われ、得られた複数の目的変数に基づいて後述の確信度が特定される。確信度の特定がロジスティック回帰モデル毎に行われ、得られた複数の確信度に基づいて故障個所が判定される。一方、ルールモデルＲは、特徴量に基づいて、ルールベースで故障個所を判定する。

図５に、故障個所診断システム１００の構成例を示す。図５の例では、診断システム１００は、ポータブル端末３１０と、保守センター３２０と、を含む。ポータブル端末３１０のコンピュータは、図３に示す記憶部１１０と、判定部１４０と、報知部１７０と、を含む。ポータブル端末３１０は、例えば、タブレットである。

図５の例において、発電システム２００で所定期間内にエラー発報が所定回数なされ、発電システム２００が「エラー確定状態」になったとする。その場合、発電システム２００のユーザーは、保守センター３２０に連絡する。保守センター３２０から、ポータブル端末３１０を持ったサービスマンが発電システム２００に派遣される。発電システム２００からポータブル端末３１０に発電システム２００の特徴量が抽出される。この抽出は、例えば、運転情報取得部２４０から記憶部を取り外し、該記憶部をポータブル端末３１０に取り付けることによって行われる。この抽出は、運転情報取得部２４０とポータブル端末３１０との間の有線通信または無線通信によって行われてもよい。ポータブル端末３１０は、記憶部１１０および判定部１４０を用いて、発電システム２００の故障個所診断を行う。ポータブル端末３１０は、報知部１７０を用いて、診断結果を報知する。サービスマンは、報知内容に基づいて、発電システム２００を修理する。

別例では、保守センター３２０のコンピュータが、記憶部１１０と、判定部１４０と、を含む。ポータブル端末３１０は、保守センター３２０との通信機能を有する。この別例では、発電システム２００の特徴量が、発電システム２００からポータブル端末３１０に抽出され、その後、ポータブル端末３１０から保守センター３２０に送信される。保守センター３２０は、記憶部１１０および判定部１４０を用いて、発電システム２００の故障個所診断を行う。保守センター３２０は、診断結果を、ポータブル端末３１０に送信する。ポータブル端末３１０は、報知部１７０を用いて、診断結果を報知する。サービスマンは、報知内容に基づいて、発電システム２００を修理する。

以下、故障個所診断の詳細を、図６に示すフローチャートを参照しつつ説明する。なお、以下で説明する例では、エラー発報が所定期間内に４回なされ、発電システム２００が「エラー確定状態」であるときに故障個所診断が行われることを想定している。

ステップＳ１において、故障個所診断システム１００は、発電システム２００の特徴量を抽出する。具体的には、運転情報取得部２４０から判定部１４０へと、特徴量が抽出される。

ステップＳ１の次に、ステップＳ２、Ｓ３、Ｓ４およびＳ５において、診断システム１００は、ルールベースモデルＲによる故障個所診断を行う。具体的には、ルールベースモデル利用部１４５は、特徴量をルールベースモデルＲに当てはめる。ルールベースモデル利用部１４５は、この当てはめにより、発電システム２００の故障個所を特定する。

具体的には、ステップＳ２において、ルールベースモデル利用部１４５は、特徴量をルールＲ１に当てはめる。ルールベースモデル利用部１４５は、この当てはめにより、発電システム２００の複数個所のうち第１個所が故障しており他の個所が故障していないという状況にあるか否かを判定する。

ステップＳ３において、ルールベースモデル利用部１４５は、特徴量をルールＲ２に当てはめる。ルールベースモデル利用部１４５は、この当てはめにより、発電システム２００の複数個所のうち第２個所が故障しており他の個所が故障していないという状況にあるか否かを判定する。

ステップＳ４において、ルールベースモデル利用部１４５は、特徴量をルールＲ３に当てはめる。ルールベースモデル利用部１４５は、この当てはめにより、発電システム２００の複数個所のうち第３個所が故障しており他の個所が故障していないという状況にあるか否かを判定する。

ステップＳ５において、ルールベースモデル利用部１４５は、特徴量をルールＲ４に当てはめる。ルールベースモデル利用部１４５は、この当てはめにより、発電システム２００の複数個所のうち第４個所が故障しており他の個所が故障していないという状況にあるか否かを判定する。

ルールベースモデルＲによる故障個所診断について、特徴量の時間変化に触れつつ、図７および図８を参照して詳細に説明する。

図７は、一例に係る、特徴量の時間変化を示す。特徴量は、エラー発報がなされるタイミング付近で特異な変動を示す傾向にある。

図７において、エラー発報Ｅ１がなされたタイミング付近で、特徴量が急激に変動している。エラー発報Ｅ１を契機として、発電が一旦停止される。この一旦停止により、発電システム２００の内部状態は、初期状態となる。これにより、特徴量の変動は解消されていく。

エラー発報Ｅ１から一定時間経過後に、発電が再開される。この発電再開後に、エラー発報Ｅ２がなされている。エラー発報Ｅ２がなされたタイミング付近で、特徴量が急激に変動している。エラー発報Ｅ２を契機として、発電が一旦停止される。この一旦停止により、発電システム２００の内部状態は、初期状態となる。これにより、特徴量の変動は解消されていく。

エラー発報Ｅ２から一定時間経過後に、発電が再開される。この発電再開後に、エラー発報Ｅ３がなされている。エラー発報Ｅ３がなされたタイミング付近で、特徴量が急激に変動している。エラー発報Ｅ３を契機として、発電が一旦停止される。この一旦停止により、発電システム２００の内部状態は、初期状態となる。これにより、特徴量の変動は解消されていく。

エラー発報Ｅ３から一定時間経過後に、発電が再開される。この発電再開後に、エラー発報Ｅ４がなされている。エラー発報Ｅ４は、エラー発報Ｅ１から数えて４回目のエラー発報である。このため、エラー発報Ｅ４により、発電システム２００は「エラー確定状態」となっている。

図８に示すように、特徴量Ｆ１、Ｆ２、Ｆ３、Ｆ４、Ｆ５およびＦ６の値が、エラー発報Ｅ１と対応付けられて取得される。特徴量Ｆ１、Ｆ２、Ｆ３、Ｆ４、Ｆ５およびＦ６の値が、エラー発報Ｅ２と対応付けられて取得される。特徴量Ｆ１、Ｆ２、Ｆ３、Ｆ４、Ｆ５およびＦ６の値が、エラー発報Ｅ３と対応付けられて取得される。特徴量Ｆ１、Ｆ２、Ｆ３、Ｆ４、Ｆ５およびＦ６の値が、エラー発報Ｅ４と対応付けられて取得される。図８は、例えば、エラー発報Ｅ２に対応付けられて取得された特徴量Ｆ３の値がｆ２３であることを示している。

１つのエラー発報に対応付けられた特徴量の値の集合を、「特徴量の行」と定義する。エラー発報Ｅ１に対応付けられた「第１の特徴量の行」は、値ｆ１１、ｆ１２、ｆ１３、ｆ１４、ｆ１５およびｆ１６によって構成される。エラー発報Ｅ２に対応付けられた「第２の特徴量の行」は、値ｆ２１、ｆ２２、ｆ２３、ｆ３４、ｆ２５およびｆ２６によって構成される。エラー発報Ｅ３に対応付けられた「第３の特徴量の行」は、値ｆ３１、ｆ３２、ｆ３３、ｆ３４、ｆ３５およびｆ３６によって構成される。エラー発報Ｅ４に対応付けられた「第４の特徴量の行」は、値ｆ４１、ｆ４２、ｆ４３、ｆ４４、ｆ４５およびｆ４６によって構成される。

ルールＲ１について説明する。第１の特徴量の行について、特徴量Ｆ１、Ｆ２、Ｆ３、Ｆ４、Ｆ５およびＦ６の値の少なくとも１つを用いた処理を行う。これにより、値ｒ１１を得る。第２の特徴量の行について、同じ処理を行うことによって、値ｒ２１を得る。第３の特徴量の行について、同じ処理を行うことによって、値ｒ３１を得る。第４の特徴量の行について、同じ処理を行うことによって、値ｒ４１を得る。これらの値のうち、所定範囲にあるものの数を数える。この数が所定個以上である場合を、ルールＲ１が成立する場合と設定できる。

一具体例では、上記処理は、特徴量Ｆ２と特徴量Ｆ４の掛算である。所定範囲は、閾値よりも大きいという範囲である。所定個は、２個である。つまり、この具体例では、特徴量Ｆ２と特徴量Ｆ４の積が閾値よりも大きい行が２つ以上ある場合が、ルールＲ１が成立する場合に該当する。

所定個は１個であってもよく、複数個であってもよく、特徴量の行の数と同じであってもよい。処理は、演算であってもよく、Ｆ１〜Ｆ６からの１つの値の抽出であってもよい。所定範囲は、閾値よりも大きいという範囲、閾値よりも小さいという範囲、および、２つの閾値に挟まれた範囲のいずれであってもよい。これらは、ルールＲ２、ルールＲ３およびＲ４についても同様である。

ルールＲ１と同様に、ルールＲ２、ルールＲ３およびＲ４を設定できる。ルールＲ１、ルールＲ２、ルールＲ３およびＲ４は、互いに異なるルールである。具体的には、これらのルール間では、上記の所定個、処理、所定範囲等から選択される少なくとも１つが互いに異なる。

ルールＲ２について説明する。第１の特徴量の行について、特徴量Ｆ１、Ｆ２、Ｆ３、Ｆ４、Ｆ５およびＦ６の値の少なくとも１つを用いた処理を行う。これにより、値ｒ１２を得る。第２の特徴量の行について、同じ処理を行うことによって、値ｒ２２を得る。第３の特徴量の行について、同じ処理を行うことによって、値ｒ３２を得る。第４の特徴量の行について、同じ処理を行うことによって、値ｒ４２を得る。これらの値のうち、所定範囲にあるものの数を数える。この数が所定個以上である場合を、ルールＲ２が成立する場合と設定できる。

ルールＲ３について説明する。第１の特徴量の行について、特徴量Ｆ１、Ｆ２、Ｆ３、Ｆ４、Ｆ５およびＦ６の値の少なくとも１つを用いた処理を行う。これにより、値ｒ１３を得る。第２の特徴量の行について、同じ処理を行うことによって、値ｒ２３を得る。第３の特徴量の行について、同じ処理を行うことによって、値ｒ３３を得る。第４の特徴量の行について、同じ処理を行うことによって、値ｒ４３を得る。これらの値のうち、所定範囲にあるものの数を数える。この数が所定個以上である場合を、ルールＲ３が成立する場合と設定できる。

ルールＲ４について説明する。第１の特徴量の行について、特徴量Ｆ１、Ｆ２、Ｆ３、Ｆ４、Ｆ５およびＦ６の値の少なくとも１つを用いた処理を行う。これにより、値ｒ１４を得る。第２の特徴量の行について、同じ処理を行うことによって、値ｒ２４を得る。第３の特徴量の行について、同じ処理を行うことによって、値ｒ３４を得る。第４の特徴量の行について、同じ処理を行うことによって、値ｒ４４を得る。これらの値のうち、所定範囲にあるものの数を数える。この数が所定個以上である場合を、ルールＲ４が成立する場合と設定できる。

図６に戻って、ステップＳ５の後に、ステップＳ６において、故障個所診断システム１００は、故障個所が特定されたか否かを判断する。具体的には、診断システム１００は、ステップＳ２〜Ｓ５のいずれかにおいて故障個所が特定されたか否かを判断する。故障個所が特定されている場合には、フローは終了する。故障個所が判定されていない場合には、ステップＳ７に進む。

ステップＳ７において、診断システム１００は、ロジスティック回帰モデルＭ１を用いて、確信度Ｃ１を特定する。具体的には、回帰モデル設定部１４１は、ロジスティック回帰モデルＭ１を選択する。目的変数特定部１４２は、ロジスティック回帰モデルＭ１の説明変数として、ステップＳ１で抽出された特徴量の少なくとも一部を用いる。これにより、確率Ｐ１を表す目的変数が特定される。具体的には、目的変数特定部１４２は、目的変数を、エラー発報Ｅ１〜Ｅ４のそれぞれについて特定する。確信度特定部１４３は、得られた複数の目的変数に基づいて、確信度Ｃ１を特定する。

ステップＳ８において、診断システム１００は、ロジスティック回帰モデルＭ２を用いて、確信度Ｃ２を特定する。具体的には、回帰モデル設定部１４１は、ロジスティック回帰モデルＭ２を選択する。目的変数特定部１４２は、ロジスティック回帰モデルＭ２の説明変数として、ステップＳ１で抽出された特徴量の少なくとも一部を用いる。これにより、確率Ｐ２を表す目的変数が特定される。具体的には、目的変数特定部１４２は、目的変数を、エラー発報Ｅ１〜Ｅ４のそれぞれについて特定する。確信度特定部１４３は、得られた複数の目的変数に基づいて、確信度Ｃ２を特定する。

ステップＳ９において、診断システム１００は、ロジスティック回帰モデルＭ３を用いて、確信度Ｃ３を特定する。具体的には、回帰モデル設定部１４１は、ロジスティック回帰モデルＭ３を選択する。目的変数特定部１４２は、ロジスティック回帰モデルＭ３の説明変数として、ステップＳ１で抽出された特徴量の少なくとも一部を用いる。これにより、確率Ｐ３を表す目的変数が特定される。具体的には、目的変数特定部１４２は、目的変数を、エラー発報Ｅ１〜Ｅ４のそれぞれについて特定する。確信度特定部１４３は、得られた複数の目的変数に基づいて、確信度Ｃ３を特定する。

ステップＳ１０において、診断システム１００は、ロジスティック回帰モデルＭ４を用いて、確信度Ｃ４を特定する。具体的には、回帰モデル設定部１４１は、ロジスティック回帰モデルＭ４を選択する。目的変数特定部１４２は、ロジスティック回帰モデルＭ４の説明変数として、ステップＳ１で抽出された特徴量の少なくとも一部を用いる。これにより、確率Ｐ４を表す目的変数が特定される。具体的には、目的変数特定部１４２は、目的変数を、エラー発報Ｅ１〜Ｅ４のそれぞれについて特定する。確信度特定部１４３は、得られた複数の目的変数に基づいて、確信度Ｃ４を特定する。

確信度について、確信度を特定する必要性に触れつつ、図７、８、９および１０を参照して詳細に説明する。

図９は、図７のエラー発報Ｅ１の時刻付近を拡大した拡大図である。特徴量が検出されてから次に特徴量が検出されるまでの期間を、サンプリング間隔ｓｉと定義する。サンプリング間隔ｓｉの存在により、特徴量のピークを検出できないことがある。具体的に、図９では、特徴量として、値ｓ１、ｓ２、ｓ３、ｓ４、ｓ５、ｓ６、ｓ７およびｓ８が検出されている。ｓ５では、ある程度は特徴量の高まりが示されている。しかし、値ｓ５およびｓ６の検出時刻の間において、特徴量がピークとなっている。図９の例では、このピークを検出できていない。ピーク付近の特徴量が検出されることが想定されているにも関わらずピーク付近にない特徴量が検出されると、上記確率を表す目的変数が精度よく特定されないおそれがある。

そこで、確信度を特定する。具体的には、発電システム２００において複数回のエラー発報がなされた場合において、エラー発報が行われた時刻に対応付けられた複数の説明変数から目的変数を特定することを、複数回のエラー発報について行う。これにより、複数の目的変数を特定する。そして、故障個所診断システム１００は、これら複数の目的変数に基づいて、発電システム２００の故障個所を判定する際に上記確率として使用される値である確信度を特定する。１つの目的変数ではなく確信度を上記確率として使用することは、故障個所判定の信頼性向上に寄与し得る。なお、複数の目的変数の特定は、具体的には、判定部１４０がロジスティック回帰モデルを用いて行う。確信度の特定は、確信度特定部１４３が行う。

具体的に、確信度の採用により、上記のピークの不検出による、故障個所判定の信頼性低下のリスクを緩和できる。検出誤差による、故障個所判定の信頼性低下も緩和できる。また、故障した部品が存在する場合、その部品の挙動は時間経過とともに変動することがある。例えば、弁が故障していて上手く開閉しない場合、その開度が時間経過とともに変動し、この変動に伴い目的変数も変動することがあり得る。しかし、確信度の採用により、目的変数のそのような変動による影響を抑制でき、故障個所判定の信頼性を確保できる。

なお、図９は、説明用の模式図である。サンプリング間隔ｓｉと曲線の曲がり方との関係が正確に表現されているとは限らない。図７の曲線についても同様である。

以下、確信度について、さらに説明する。

図８に戻って、ロジスティック回帰モデルＭ１は、「第１の特徴量の行」に属する複数の特徴量を複数の説明変数として用いる。そして、ロジスティック回帰モデルＭ１は、それら複数の特徴量から、確率Ｐ１の値ｐ１１を特定する。ロジスティック回帰モデルＭ１は、「第２の特徴量の行」に属する同じ特徴量から、確率Ｐ１の値ｐ２１を特定する。ロジスティック回帰モデルＭ１は、「第３の特徴量の行」に属する同じ特徴量から、確率Ｐ１の値ｐ３１を特定する。ロジスティック回帰モデルＭ１は、「第４の特徴量の行」に属する同じ特徴量から、確率Ｐ１の値ｐ４１を特定する。

ロジスティック回帰モデルＭ２は、「第１の特徴量の行」に属する複数の特徴量から、確率Ｐ２の値ｐ１２を特定する。ロジスティック回帰モデルＭ２は、「第２の特徴量の行」に属する同じ特徴量から、確率Ｐ２の値ｐ２２を特定する。ロジスティック回帰モデルＭ２は、「第３の特徴量の行」に属する同じ特徴量から、確率Ｐ２の値ｐ３２を特定する。ロジスティック回帰モデルＭ２は、「第４の特徴量の行」に属する同じ特徴量から、確率Ｐ２の値ｐ４２を特定する。

ロジスティック回帰モデルＭ３は、「第１の特徴量の行」に属する複数の特徴量から、確率Ｐ３の値ｐ１３を特定する。ロジスティック回帰モデルＭ３は、「第２の特徴量の行」に属する同じ特徴量から、確率Ｐ３の値ｐ２３を特定する。ロジスティック回帰モデルＭ３は、「第３の特徴量の行」に属する同じ特徴量から、確率Ｐ３の値ｐ３３を特定する。ロジスティック回帰モデルＭ３は、「第４の特徴量の行」に属する同じ特徴量から、確率Ｐ３の値ｐ４３を特定する。

ロジスティック回帰モデルＭ４は、「第１の特徴量の行」に属する複数の特徴量から、確率Ｐ４の値ｐ１４を特定する。ロジスティック回帰モデルＭ４は、「第２の特徴量の行」に属する同じ特徴量から、確率Ｐ４の値ｐ２４を特定する。ロジスティック回帰モデルＭ４は、「第３の特徴量の行」に属する同じ特徴量から、確率Ｐ４の値ｐ３４を特定する。ロジスティック回帰モデルＭ４は、「第４の特徴量の行」に属する同じ特徴量から、確率Ｐ４の値ｐ４４を特定する。

モデルＭ１が確率Ｐ１の特定に用いる複数の特徴量と、モデルＭ２が確率Ｐ２の特定に用いる複数の特徴量とは、全て重複していてもよく、一部重複していもよく、全く重複していなくてもよい。他の２つのモデルの組み合わせについても、同様である。

得られた値ｐ１１、ｐ２１、ｐ３１、ｐ４１、ｐ１２、ｐ２２、ｐ３２、ｐ４２、ｐ１３、ｐ２３、ｐ３３、ｐ４３、ｐ１４、ｐ２４、ｐ３４およびｐ４４を、図１０にまとめる。

図１０において、確率Ｐ１として特定された値の集合を、「確率Ｐ１の列」と定義する。確率Ｐ２として特定された値の集合を、「確率Ｐ２の列」と定義する。確率Ｐ３として特定された値の集合を、「確率Ｐ３の列」と定義する。確率Ｐ４として特定された値の集合を、「確率Ｐ４の列」と定義する。

「確率Ｐ１の列」は、ｐ１１、ｐ２１、ｐ３１およびｐ４１によって構成される。「確率Ｐ２の列」は、ｐ１２、ｐ２２、ｐ３２およびｐ４２によって構成される。「確率Ｐ３の列」は、ｐ１３、ｐ２３、ｐ３３およびｐ４３によって構成される。「確率Ｐ４の列」は、ｐ１４、ｐ２４、ｐ３４およびｐ４４によって構成される。

「確率Ｐ１の列」に基づいて、確信度Ｃ１が特定される。「確率Ｐ２の列」に基づいて、確信度Ｃ２が特定される。「確率Ｐ３の列」に基づいて、確信度Ｃ３が特定される。「確率Ｐ４の列」に基づいて、確信度Ｃ４が特定される。

この例では、確信度は、上記の複数の目的変数の幾何平均である。確信度は、上記の複数の確率の幾何平均であるとも言える。具体的には、確信度Ｃ１は、確率Ｐ１の列の値ｐ１１、ｐ２１、ｐ３１およびｐ４１の幾何平均である。確信度Ｃ２は、確率Ｐ２の列の値ｐ１２、ｐ２２、ｐ３２およびｐ４２の幾何平均である。確信度Ｃ３は、確率Ｐ３の列の値ｐ１３、ｐ２３、ｐ３３およびｐ４３の幾何平均である。確信度Ｃ４は、確率Ｐ４の列の値ｐ１４、ｐ２４、ｐ３４およびｐ４４の幾何平均である。このような確信度によれば、故障個所の判定の信頼性を高めることができる。

第１の別例では、確信度は、複数の目的変数のうち大きいものから数えてＮ番目のものまでを含む群から選択される１つの値である。ここで、複数の目的変数の個数をＭとしたとき、Ｍが偶数の場合にはＮは２以上かつＭ／２以下の値であり、Ｍが奇数の場合にはＮは２以上かつ（Ｍ＋１）／２以下の値である。例えば、ｐ１１＞ｐ２１＞ｐ３１＞ｐ４１であるとする。図１０の例では、Ｍは４であり、Ｎは２である。このため、この例では、確信度Ｃ１は、ｐ１１またはｐ２１である。確信度Ｃ２、Ｃ３およびＣ４についても、同様に特定され得る。

第２の別例では、確信度は、複数の目的変数のうち大きいものから数えてＮ番目のものである。例えば、ｐ１１＞ｐ２１＞ｐ３１＞ｐ４１であるとする。図１０の例では、Ｍは４であり、Ｎは２である。このため、この例では、確信度Ｃ１は、ｐ２１である。確信度Ｃ２、Ｃ３およびＣ４についても、同様に特定され得る。

第３の別例では、確信度は、上記群から選択される少なくとも２つの目的変数の幾何平均である。例えば、ｐ１１＞ｐ２１＞ｐ３１＞ｐ４１であるとする。図１０の例では、Ｍは４であり、Ｎは２である。このため、この例では、確信度Ｃ１は、ｐ１１およびｐ２１の幾何平均＝（ｐ１１×ｐ２１）^1/2である。確信度Ｃ２、Ｃ３およびＣ４についても、同様に特定され得る。

確信度は、複数の目的変数のうち大きいものから数えてＮ番目のもの以上の値であり得る。この場合、確信度は、例えば、複数の目的変数のうち最も大きいもの以下の値である。

図６に戻って、ステップＳ１０の後に、ステップＳ１１において、故障個所診断システム１００は、複数の確信度Ｃ１、Ｃ２、Ｃ３およびＣ４に基づいて、故障個所を判定する。具体的には、故障個所判定部１４４は、複数の確信度Ｃ１、Ｃ２、Ｃ３およびＣ４に基づいて、故障個所を判定する。

この例では、複数の確信度Ｃ１、Ｃ２、Ｃ３およびＣ４に閾値を超えるものが含まれている場合において、最も大きい確信度に対応する個所が、故障個所として特定される。確信度Ｃ１が閾値を超えておりかつ最も大きい場合、第１個所が故障個所として特定される。確信度Ｃ２が閾値を超えておりかつ最も大きい場合、第２個所が故障個所として特定される。確信度Ｃ３が閾値を超えておりかつ最も大きい場合、第３個所が故障個所として特定される。確信度Ｃ４が閾値を超えておりかつ最も大きい場合、第４個所が故障個所として特定される。閾値は、例えば、０．５よりも大きい値である。

確信度を特定することは、必須ではない。例えば、たとえば、ステップＳ１１において、確信度Ｃ１、Ｃ２、Ｃ３およびＣ４に代えて、確率Ｐ１、Ｐ２、Ｐ３およびＰ４を用いてもよい。

ロジスティック回帰モデルの数、ルールベースモデルＲが有するルールの数、特徴量の数、確信度の特定に際して考慮されるエラー発報の数等は、特に限定されない。これらの数は、１つであってもよい。ロジスティック回帰モデルの数とルールベースモデルＲが有するルールの数とは、同じであってもよく、異なっていてもよい。

サンプリング間隔ｓｉを十分に小さくすることは、図９で説明した特徴量のピークを検出する観点から有利である。このようにすることは、確信度を特定する場合およびこれに代えて確率を用いる場合の両方において、故障個所診断の精度を確保する観点から有利である。この観点から、サンプリング間隔ｓｉを、例えば１０秒以下にすることができる。

先に述べたとおり、本実施の形態では、故障個所診断システム１００は、エラー発報が行われた時刻に対応付けられた複数の説明変数から目的変数を特定する。エラー発報が行われた時刻に対応付けられた複数の説明変数は、いつの時刻の運転情報を表すものであっても構わない。

本実施の形態では、発電システム２００は、発電システム２００の運転情報をサンプリングタイミング毎に取得する。故障個所診断システム１００は、エラー発報の直前のサンプリングタイミングにおける発電システム２００の運転情報に基づいたものを含む複数の説明変数から、目的変数を特定する。具体的には、この特定は、判定部１４０がロジスティック回帰モデルを用いて行う。図９の例では、この運転情報は、値ｓ５に対応する。このタイミングにおける運転情報は、特異な傾向を示すことが多い。このことは、図９のｓ５近傍で特徴量がピークとなっていることから理解される。そのような運転情報に基づいたものを含む複数の説明変数から目的変数を特定することは、精度のよい故障個所診断システム１００を実現する観点から有利である。

本実施の形態では、発電システム２００の発電開始または発電再開が第１時刻になされ、第１時刻の後の１回目のエラー発報が第２時刻になされた場合において、故障個所診断システム１００は、第１時刻の直後のサンプリングタイミングにおける発電システム２００の運転情報（以下、第１運転情報）に基づいたものと、第２時刻の直前のサンプリングタイミングにおける発電システム２００の運転情報（以下、第２運転情報）に基づいたものと、を含む複数の説明変数から、目的変数を特定する。具体的には、この特定は、判定部１４０がロジスティック回帰モデルを用いて行う。図９の例では、第１運転情報は値ｓ１に対応し、第２運転情報は値ｓ５に対応する。

先の説明から理解されるように、第２運転情報は、特異な傾向を示すことが多い。このことは、図９のｓ５近傍で運転情報がピークとなっていることから理解される。そのような運転情報に基づいたものを含む複数の説明変数から目的変数を特定することは、精度のよい故障個所診断システム１００を実現する観点から有利である。

一方、第１運転情報は、一定の傾向を示すことが多い。上述のように、本実施の形態では、第２運転情報に基づいたもののみならず第１運転情報に基づいたものを含む複数の説明変数から目的変数を特定する。運転情報には、正常時には、ある発電開始直後と別の発電開始直後とでバラツキ難いものがある。発電開始直後において、その運転情報が想定されるバラツキの範囲を逸脱している場合、その運転情報は異常の存在を示唆していると言える。このような理由で、第１運転情報は、故障個所診断に役立ち得る。なお、複数の説明変数は、第２運転情報に基づいたものを含まず第１運転情報に基づいたものを含んでいてもよい。

一例では、第１運転情報に基づいた説明変数は、第１運転情報を表すものである。この例では、第１運転情報に基づいた説明変数は、図９の値ｓ１に対応する。

別例では、第１運転情報に基づいた説明変数は、第１運転情報を用いて得られる変動量を表すものである。別例の具体例では、第１運転情報に基づいた説明変数は、第１時刻の直後のサンプリングタイミングにおける発電システム２００の運転情報（すなわち第１運転情報）を、その１つ後のサンプリングタイミングにおける発電システム２００の運転情報から差し引いた差分を表すものである。この具体例では、第１運転情報に基づいた説明変数は、図９の値ｓ２から値ｓ１を差し引いた差分に対応する。

一例では、第２運転情報に基づいた説明変数は、第２運転情報を表すものである。この例では、第２運転情報に基づいた説明変数は、図９の値ｓ５に対応する。

別例では、第２運転情報に基づいた説明変数は、第２運転情報を用いて得られる変動量を表すものである。別例の具体例では、第２運転情報に基づいた説明変数は、第２時刻の直前のサンプリングタイミングにおける発電システム２００の運転情報（すなわち第２運転情報）から、その１つ前のサンプリングタイミングにおける発電システム２００の運転情報を差し引いた差分を表すものである。この具体例では、第２運転情報に基づいた説明変数は、図９の値ｓ５から値ｓ４を差し引いた差分に対応する。以下、このような差分を、第２時刻の直前のサンプリングタイミングにおける差分と称することがある。

図示の例では、検出部により、第１運転情報および第２運転情報が検出される。検出されたこれらの情報は、特徴量として、運転情報取得部２４０に取得される。別の言い方をすると、これらの情報は、検出値として取り出される情報である。第１運転情報のサンプリングタイミングの１つ後のサンプリングタイミングにおける運転情報についても、同様である。第２運転情報のサンプリングタイミングの１つ前のサンプリングタイミングにおける運転情報についても、同様である。ただし、第１運転情報および第２運転情報は、目標値または操作量であり得る。制御の態様等にもよるが、これらの値も、エラー発報の直前に特異な挙動を示すことがある。例えば、ある物理量の上昇が不十分である場合に、目標値が通常よりも高い値を採ることはあり得る。

第２運転情報に基づいた説明変数に関する上記議論は、上述の「エラー発報の直前のサンプリングタイミングにおける発電システム２００の運転情報に基づいたものを含む複数の説明変数」にも適用され得る。

図９ではエラー発報Ｅ１が記載されているが、エラー発報Ｅ２、Ｅ３およびＥ４についても、これらの議論は成立し得る。エラー発報Ｅ２については、エラー発報Ｅ２の時刻が第２時刻に対応し、エラー発報Ｅ１とエラー発報Ｅ２の間になされた発電再開（図７参照）の時刻が第１時刻に対応する。エラー発報Ｅ３については、エラー発報Ｅ３の時刻が第２時刻に対応し、エラー発報Ｅ２とエラー発報Ｅ３の間になされた発電再開の時刻が第１時刻に対応する。エラー発報Ｅ４については、エラー発報Ｅ４の時刻が第２時刻に対応し、エラー発報Ｅ３とエラー発報Ｅ４の間になされた発電再開の時刻が第１時刻に対応する。

第１運転情報として得られる運転情報は、いずれの運転情報であってもよい。そのような運転情報の例は、インバータ２１６の入力電圧である。

一具体例に係る発電システム２００では、発電開始時において、発電部２００の発電電力目標値が所定値に設定される。このため、ある発電開始直後と別の発電開始直後とで、発電電力目標値はバラツキ難い。このことは、インバータ２１６の入力電圧は、ある発電開始直後と別の発電開始直後とでバラツキ難いことを意味する。これに反し、発電開始直後において、インバータ２１６の入力電圧が想定されるバラツキの範囲を逸脱している場合、その入力電圧は異常の存在を示唆していると言える。このような理由で、第１運転情報として得られる運転情報がインバータ２１６の入力電圧であることは、精度のよい故障個所診断に寄与し得る。

さらに説明すると、例えば、セルスタック２１５が故障した状態では、セルスタック２１５の出力電圧すなわちインバータ２１６の入力電圧は、通常よりも低くなる傾向にある。ただし、入力電圧が通常よりも低いという現象が、分かり易い異常として現れるとは限らない。なぜなら、発電電力目標値は電力需要によって変動し、この変動に伴いインバータ２１６の入力電圧もまた変動し得るためである。しかし、発電開始時において発電部２００の発電電力目標値が所定値に設定される場合は、これらの変動は発生し難い。この説明により、第１運転情報として得られる運転情報がインバータ２１６の入力電圧であることの優位性は、より明らかになる。

第２運転情報として得られる運転情報は、いずれの運転情報であってもよい。そのような運転情報の例は、水供給器２１１における水の流量、燃料供給器２１２における燃料の温度、燃料供給器２１２における燃料の流量、水素生成器２１３の温度（例えば、水素生成器２１３の改質部、変成部、選択酸化部等の温度）、水素生成器２１３における燃料、空気または水の流量、水素生成器２１３で生成される水素の流量、空気供給器２１４における空気の流量、インバータ２１６の入力電圧、インバータ２１６の入力電流、発電部２１０の出力電力等である。これらの目標値、変動量、操作量等も、そのような運転情報の例である。

一具体例に係るロジスティック回帰モデルＭ１では、第１個所は、水供給器２１１を含む水の経路である。ロジスティック回帰モデルＭ１の説明変数は、第２時刻の直前のサンプリングタイミングにおける水素生成器２１３の変成部の温度、第２時刻の直前のサンプリングタイミングにおける水素生成器２１３に流入する空気の流量、第２時刻の直前のサンプリングタイミングにおける水供給器２１１のポンプの操作量、第２時刻の直前のサンプリングタイミングにおける空気供給器２１４のブロワの操作量、および、第２時刻の直前のサンプリングタイミングにおける発電部２１０の発電電力の目標値の差分、から選択される少なくとも１つを含む。

一具体例に係るロジスティック回帰モデルＭ２では、第２個所は、セルスタック２１５である。ロジスティック回帰モデルＭ２の説明変数は、第１時刻の直後のサンプリングタイミングにおけるインバータ２１６の入力電圧、第２時刻の直前のサンプリングタイミングにおける水素生成器２１３に流入する燃料ガスの流量の目標値の差分、第２時刻の直前のサンプリングタイミングにおける空気供給器２１４の弁の開度の操作量、第２時刻の直前のサンプリングタイミングにおけるインバータ２１６の入力電圧、および、第２時刻の直前のサンプリングタイミングにおける空気供給器２１４のブロワの操作量の差分、から選択される少なくとも１つを含む。

一具体例に係るロジスティック回帰モデルＭ３では、第３個所は、水素生成器２１３である。ロジスティック回帰モデルＭ３の説明変数は、第２時刻の直前のサンプリングタイミングにおける水素生成器２１３の変成部の温度、第２時刻の直前のサンプリングタイミングにおける水素生成器２１３の選択酸化部の温度、第２時刻の直前のサンプリングタイミングにおける水素生成器２１３に流入する空気の流量の差分、第１時刻の直後のサンプリングタイミングにおけるインバータ２１６の入力電圧、および、第２時刻の直前のサンプリングタイミングにおける空気供給器２１４のブロワの操作量の差分、から選択される少なくとも１つを含む。

一具体例に係るロジスティック回帰モデルＭ４では、第４個所は、空気供給器２１４を含む空気の経路である。ロジスティック回帰モデルＭ４の説明変数は、第１時刻の直後のサンプリングタイミングにおけるインバータ２１６の入力電圧、第２時刻の直前のサンプリングタイミングにおける燃料供給機２１２における燃料ガスの流量、第２時刻の直前のサンプリングタイミングにおけるインバータ２１６の入力電流、第２時刻の直前のサンプリングタイミングにおける水素生成器２１３に流入する燃料ガスの流量の目標値、および、第２時刻の直前のサンプリングタイミングにおけるインバータ２１６の入力電圧、から選択される少なくとも１つを含む。

一具体例に係るルールＲ１は、第２時刻の直前のサンプリングタイミングにおける燃料供給器２１２の弁の開度の操作量と、第２時刻の直前のサンプリングタイミングにおける燃料供給器２１２のポンプの操作量と、の積が閾値よりも大きいという条件が所定回成立した場合に、燃料供給器２１２を含む燃料の経路に故障が存在すると判断する。

一具体例に係るルールＲ２は、所定の内部シーケンスにおいて、第２時刻の直前のサンプリングタイミングにおける水素生成器２１３に流入する空気の流量が閾値以上であるという条件が所定回成立した場合に、空気供給器２１４を含む空気の経路に故障が存在すると判断する。

なお、内部シーケンスは、発電部２１０の運転段階を指す。内部シーケンスとしては、起動運転シーケンス、定常運転シーケンス、停止運転シーケンス等がある。内部シーケンスには、定常運転開始直前の繋ぎ込みシーケンスもある。

一具体例に係るルールＲ３は、所定の内部シーケンスにおいて、第２時刻の直前のサンプリングタイミングにおける空気供給機２１４のブロワの操作量が閾値以上であるという条件が所定回成立した場合に、インバータ２１６が故障していると判断する。

故障個所診断システム１００は、発電システム２００の第１運転において、ルールベースモデルＲのルールベースで発電システム２００の故障個所を特定し、発電システム２００の第２運転において、ロジスティック回帰モデルに基づく目的変数を用いて発電システム２００の故障個所を特定するものであってもよい。第１運転は、例えば、ロジスティック回帰モデル用の説明変数として利用し易い運転情報を取得するのが難しい運転である。ルールベースモデルＲによれば、発電システム２００がそのような第１運転を行っているときであっても、発電システム２００の故障個所を特定し易い。

第１運転の具体例は、起動運転である。起動運転は、例えば、発電部２１０の出力電力を定格範囲へと上昇させていく運転である。第２運転の具体例は、定常運転である。先に説明したとおり、定常運転は、例えば、発電部２１０の出力電力を定格範囲内に維持する運転である。

起動運転において、ロジスティック回帰モデルに基づく目的変数を用いて発電システム２００の故障個所を特定してもよい。

本実施の形態では、故障個所診断システム１００は、目的変数に基づいて、発電システム２００の故障個所を判定する。そして、故障個所診断システム１００は、その故障個所を復旧させるための保守部品の少なくとも１つの候補を、人が認識可能な態様で報知する。このようにすれば、ロジスティック回帰モデルに基づく故障個所の判定結果を、故障個所の復旧に役立てることができる。この報知は、報知部１７０により実行され得る。なお、保守部品は、故障個所を復旧させるための部品全般を指す。

一例では、保守部品の候補の選定に、過去のデータが使用される。具体的には、過去のデータは、故障個所の復旧にどの保守部品が使用されたのかを表すデータである。ここで、ある個所が故障個所であると特定された複数のケースにおいて、その故障個所を復旧するために最も高い頻度で使用された保守部品を、優先交換部品と定義する。故障個所診断システム１００は、優先交換部品と、上記頻度を表す割合と、を特定する。具体的には、故障個所診断システム１００は、これらの特定を行う優先交換部品設定処理部を備える。故障個所診断システム１００は、故障個所を復旧するために必要な保守部品の候補を、優先交換部品設定処理部から読み出す。典型的には、上記候補は、優先交換部品を含む。このようにすれば、過去の修理結果を、故障個所の復旧に役立てることができる。なお、報知部１７０に、上記優先交換部品とともに、上記頻度を表す割合を報知させてもよい。

（ロジスティック回帰モデルの学習について）
以下、本実施の形態のロジスティック回帰モデルを構築するための学習について説明する。

ロジスティック回帰モデルを構築するための学習においては、教師データが必要である。教師データとして、過去に取得した発電システム２００のデータを使用できる。

本実施の形態では、分析により、エラー発報を引き起こした故障個所を特定する。この分析は、人間が行ってもよく、コンピュータに行わせてもよい。故障個所の特定後に、エラー発報毎に、複数の特徴量を特定する。これらの特徴量は、典型的には、対応するエラー発報と相関のある特徴量を含む。特定された複数の特徴量と、分析により判明した故障個所と、の関係を示す教師データを作る。その教師データを用いて、ロジスティック回帰モデルを構築する。

本実施の形態では、発電システム２００の定常運転のデータのみを、教師データとして採用している。このようにすると、傾向が揃った教師データが得られ易い。このことは、ロジスティック回帰モデルの精度確保に寄与し得る。

本実施の形態では、特異な傾向を示すデータを、ロジスティック回帰モデルの構築ではなく、ルールベースモデルの構築に用いている。ケースにもよるが、ルールベースモデルは、特異な傾向を示すデータから故障個所を特定するのに適していることが多い。一方、上述のように、ロジスティック回帰モデルは、特異な傾向を示すデータを含まない教師データにより構築されることにより、精度のよいモデルとなり易い。つまり、ロジスティック回帰モデルとルールベースモデルとを併用することにより、双方の利点を生かした故障個所診断システム１００が実現される。

また、特徴量と故障個所の対応関係は、技術的に説明がつく場合がある。そのような場合の故障個所診断をルールベースモデルに担当させることは、故障個所診断の精度向上に繋がる。このこともまた、ロジスティック回帰モデルに加えてルールベースモデルを用いるメリットと言える。

本開示は、上記のような学習方法も開示する。

本開示に係る故障個所診断システムは、発電システムの故障個所診断に利用できる。具体的には、故障個所診断システムは、エラー発報がなされた発電システムの故障個所を特定するための、故障個所診断に利用できる。

１００ 故障個所診断システム
１１０ 記憶部
１４０ 判定部
１４１ 回帰モデル設定部
１４２ 目的変数特定部
１４３ 確信度特定部
１４４ 故障個所判定部
１４５ ルールベースモデル利用部
１７０ 報知部
２００ 発電システム
２１０ 発電部
２１０ｆ 燃料電池発電装置
２１１ 水供給器
２１２ 燃料供給器
２１３ 水素生成器
２１４ 空気供給器
２１５ セルスタック
２１６ インバータ
２２１，２２２，２２３，２２４ 検出部
２４０ 運転情報取得部
２７０ 制御部
３１０ ポータブル端末
３２０ 保守センター

Claims (12)

1. 発電システムの故障個所診断システムであって、
   ロジスティック回帰モデルが記憶された記憶部を備え、
   前記ロジスティック回帰モデルは、前記発電システムの運転情報を表す複数の説明変数から、前記発電システムの複数個所のうち所定個所が故障しており他の個所が故障していない確率を表す目的変数を特定する、故障個所診断システム。
2. 前記発電システムがエラー発報を行った時刻に対応付けられた複数の前記説明変数から、前記目的変数を特定する、請求項１に記載の故障個所診断システム。
3. 前記発電システムは、前記発電システムの運転情報をサンプリングタイミング毎に取得し、
   前記故障個所診断システムは、前記エラー発報の直前のサンプリングタイミングにおける前記発電システムの運転情報に基づいたものを含む複数の前記説明変数から、前記目的変数を特定する、請求項２に記載の故障個所診断システム。
4. 前記発電システムの発電開始または発電再開が第１時刻になされ、前記第１時刻の後の１回目の前記エラー発報が第２時刻になされた場合において、
   前記第１時刻の直後のサンプリングタイミングにおける前記発電システムの運転情報に基づいたものと、前記第２時刻の直前のサンプリングタイミングにおける前記発電システムの運転情報に基づいたものと、を含む複数の前記説明変数から、前記目的変数を特定する、請求項３に記載の故障個所診断システム。
5. 前記発電システムにおいて複数回の前記エラー発報がなされた場合において、
   前記エラー発報が行われた時刻に対応付けられた複数の前記説明変数から前記目的変数を特定することを、複数回の前記エラー発報について行い、これにより、複数の前記目的変数を特定し、
   複数の前記目的変数に基づいて、前記発電システムの故障個所を判定する際に前記確率として使用される値である確信度を特定する、請求項２から４のいずれか１項に記載の故障個所診断システム。
6. 前記確信度は、複数の前記目的変数の幾何平均である、請求項５に記載の故障個所診断システム。
7. 前記確信度は、複数の前記目的変数のうち大きいものから数えてＮ番目のものまでを含む群から選択される１つの値である、または、前記群から選択される少なくとも２つの前記目的変数の幾何平均である、請求項５に記載の故障個所診断システム。
   ここで、複数の前記目的変数の個数をＭとしたとき、Ｍが偶数の場合にはＮは２以上かつＭ／２以下の値であり、Ｍが奇数の場合にはＮは２以上かつ（Ｍ＋１）／２以下の値である。
8. 前記確信度は、複数の前記目的変数のうち大きいものから数えてＮ番目のもの以上の値である、請求項５に記載の故障個所診断システム。
   ここで、複数の前記目的変数の個数をＭとしたとき、Ｍが偶数の場合にはＮは２以上かつＭ／２以下の値であり、Ｍが奇数の場合にはＮは２以上かつ（Ｍ＋１）／２以下の値である。
9. 前記記憶部には、ルールベースモデルが記憶され、
   前記ルールベースモデルは、前記発電システムの運転情報に基づいて、ルールベースで前記発電システムの故障個所を特定する、請求項１から８のいずれか１項に記載の故障個所診断システム。
10. 前記目的変数に基づいて、前記発電システムの故障個所を判定し、
    前記故障個所を復旧させるための保守部品の少なくとも１つの候補を、人が認識可能な態様で報知する、請求項１から９のいずれか１項に記載の故障個所診断システム。
11. 発電システムの故障個所診断方法であって、
    前記発電システムの運転情報を表す複数の説明変数から、前記発電システムの複数個所のうち所定個所が故障しており他の個所が故障していない確率を表す目的変数を特定することを備えた、故障個所診断方法。
    ここで、複数の前記説明変数および前記目的変数は、ロジスティック回帰モデルに基づいたものである。
12. コンピュータを、前記発電システムの運転情報を表す複数の説明変数から、前記発電システムの複数個所のうち所定個所が故障しており他の個所が故障していない確率を表す目的変数を特定する手段として機能させる、プログラム。
    ここで、複数の前記説明変数および前記目的変数は、ロジスティック回帰モデルに基づいたものである。

Images