诊断系统、诊断方法及程序与流程

1.本发明涉及诊断系统、诊断方法及程序。


背景技术：

2.在fa(factory automation)现场，广泛使用从安装于工厂内的设备及装置上的传感器得到的传感器数据而对该设备及装置的状态进行诊断。被诊断的状态是有无异常，该异常例如是作为诊断对象的仪器未正常地进行动作的状态、产生了其它异常的预兆的状态、及多个种类中的特定种类的异常。
3.这样的使用了传感器数据的诊断大多通过熟练工人的手动作业进行。但是，即使是熟练工人，确认数据的作业也会耗费时间。因此，希望设备或装置本身实时地对状态进行诊断，在检测出某些异常时通知给作业者。因此，考虑利用如下技术，即，从传感器取得数据而对机器的运转状态进行判定，并且对异常进行检测(例如，参照专利文献1)。
4.在专利文献1中记载有如下技术，即，对根据数据而计算出的特征量实施聚类，对各个聚类赋予表示运转状态的标签，由此对工作机器的运转状态进行判定。在该技术中，基于聚类结果或所赋予的标签，根据特征量对异常度进行计算，由此对异常进行检测。根据专利文献1的技术，在工作机器产生了异常时，能够向用户通知该异常。
5.专利文献1：国际公开第2017/090098号


技术实现要素：

6.在专利文献1中还记载有下述内容，即，在发现了无法通过先验知识附加标记的未知的聚类的情况下，向用户发送警报而将标记的附加委托给作业者。另外，还记载有用户对运转状态的判定结果进行订正的例子。但是，这些记载说明的均是由用户对应该针对聚类的结果赋予的标签进行变更，根本没有考虑对聚类的过程进行更新。因此，在进行了与用户的意图不同的错误的聚类的情况下，这样的聚类有可能会继续进行下去。因此，存在使有无异常的诊断精度提高的余地。
7.本发明的目的在于使有无异常的诊断精度提高。
8.为了达成上述目的，本发明的诊断系统根据在工厂中收集到的收集数据对有无异常进行诊断，该诊断系统具有：诊断单元，其按照规定出多个组的模型将收集数据分类为多个组中的任意者，由此对有无异常进行诊断；提取单元，其从收集数据提取属于与多个组不同的新的组的数据的候选；接收单元，其提供与由提取单元提取出的候选相关的候选信息，对表示是否应该将新的组追加至多个组的追加信息进行接收；以及学习单元，其在由接收单元接收到表示应该将新的组追加至多个组的追加信息的情况下，对包含新的组的新的模型进行学习，诊断单元如果通过学习单元学习了新的模型，则通过新的模型对有无异常进行诊断。
9.发明的效果
10.根据本发明，提取单元从收集数据提取属于新的组的数据的候选，在接收单元接
收到表示应该将新的组追加至多个组的追加信息的情况下，学习单元对新的模型进行学习。因此，只有在新的组的追加妥当的情况下才对新的模型进行学习，能够通过新的模型对有无异常进行诊断。因此，能够使有无异常的诊断精度提高。
附图说明
11.图1是表示实施方式1涉及的诊断系统的结构的图。
12.图2是表示实施方式1涉及的诊断装置的硬件结构的图。
13.图3是表示实施方式1涉及的诊断装置的功能结构的图。
14.图4是表示实施方式1涉及的学习数据的例子的第1图。
15.图5是表示实施方式1涉及的数据的分布例的第1图。
16.图6是表示实施方式1涉及的诊断模型的学习的第1图。
17.图7是表示实施方式1涉及的诊断模型的例子的第1图。
18.图8是表示实施方式1涉及的诊断模型的学习的第2图。
19.图9是表示实施方式1涉及的诊断模型的例子的第2图。
20.图10是表示实施方式1涉及的学习数据的例子的第2图。
21.图11是表示实施方式1涉及的数据的分布例的第2图。
22.图12是表示实施方式1涉及的新组候选数据的例子的图。
23.图13是表示实施方式1涉及的新组候选数据的分布例的图。
24.图14是表示实施方式1涉及的候选信息的例子的图。
25.图15是表示实施方式1涉及的画面例的第1图。
26.图16是表示实施方式1涉及的画面例的第2图。
27.图17是表示实施方式1涉及的学习数据的例子的第3图。
28.图18是表示实施方式1涉及的数据的分布例的第3图。
29.图19是表示实施方式1涉及的诊断模型的学习的第3图。
30.图20是表示实施方式1涉及的诊断模型的例子的第3图。
31.图21是表示实施方式1涉及的诊断模型的学习的第4图。
32.图22是表示实施方式1涉及的诊断模型的例子的第4图。
33.图23是表示实施方式1涉及的诊断模型更新处理的流程图。
34.图24是表示实施方式1涉及的诊断处理的流程图。
35.图25是表示实施方式1涉及的新组生成处理的流程图。
36.图26是表示实施方式1涉及的模型更新处理的流程图。
37.图27是表示实施方式2涉及的诊断系统的结构的图。
38.图28是表示变形例涉及的画面例的第1图。
39.图29是表示变形例涉及的画面例的第2图。
40.图30是表示变形例涉及的画面例的第3图。
41.图31是表示变形例涉及的决策树的例子的图。
42.图32是用于说明变形例涉及的有教师学习的图。
具体实施方式
43.下面，一边参照附图，一边对本发明的实施方式涉及的诊断系统100进行详细的说明。
44.实施方式1
45.本实施方式涉及的诊断系统100为根据在工厂收集到的收集数据对有无异常进行诊断的系统，是作为以制造系统、加工系统及检查系统为代表的处理系统的一部分而构建的。工厂也可以包含成套设备(plant)。异常是指配置于工厂的设备、仪器及装置、以及它们的协作中的运转状态偏离工厂的管理者所预想的正常状态，例如也可以包含生产线上的不合格品的检测、机器部件的破损、软件的执行错误及通信错误。
46.如图1所示，诊断系统100具有：诊断装置10，其对有无异常进行诊断；以及仪器21、22，它们被诊断装置10进行状态的诊断。诊断装置10与仪器21、22经由工业用网络20连接。
47.仪器21、22为配置于工厂的生产线上的传感器装置、致动器或机器人，例如定期地将由压力传感器、超声波传感器、磁传感器、或红外线传感器得到的感测结果发送至诊断装置10。表示从仪器21、22发送来的感测结果的数据被诊断装置10监视，用于有无异常的诊断。此外，仪器的数量并不限于两个，也可以是1个，还可以是由多于两个仪器与仪器21、22同样地构成诊断系统100。
48.诊断装置10例如为ipc(industrial personal computer)或plc(programmable logic controller)。诊断装置10也可以是通过对包含仪器21、22的大量仪器进行控制而使生产线运转的控制装置。
49.就诊断装置10而言，作为其硬件结构，如图2所示，具有处理器11、主存储部12、辅助存储部13、输入部14、输出部15、通信部16。主存储部12、辅助存储部13、输入部14、输出部15及通信部16均经由内部总线17与处理器11连接。
50.处理器11包含cpu(central processing unit)。处理器11通过执行在辅助存储部13存储的程序p1，从而实现诊断装置10的各种功能，执行后述的处理。
51.主存储部12包含ram(random access memory)。从辅助存储部13将程序p1载入至主存储部12。而且，主存储部12被用作处理器11的工作区域。
52.辅助存储部13包含以eeprom(electrically erasable programmable read-only memory)及hdd(hard disk drive)为代表的非易失性存储器。辅助存储部13除了程序p1之外，还对处理器11的处理所用的各种数据进行存储。辅助存储部13按照处理器11的指示，将由处理器11利用的数据供给至处理器11，对从处理器11供给来的数据进行存储。
53.输入部14包含以输入键及指点设备为代表的输入设备。输入部14取得由诊断装置10的用户输入的信息，将取得的信息通知给处理器11。
54.输出部15包含以lcd(liquid crystal display)及扬声器为代表的输出设备。输出部15按照处理器11的指示，对用户提示各种信息。输出部15与输入部14一起实现gui(graphical user interface)。
55.通信部16包含用于与外部的装置进行通信的网络接口电路。通信部16从外部对信号进行接收，将该信号所示的数据向处理器11输出。另外，通信部16将表示从处理器11输出的数据的信号向外部的装置发送。
56.通过图2所示的硬件结构的协同动作，诊断装置10发挥包含仪器21、22的运转状态
的诊断在内的各种功能。如图3所示，诊断装置10作为其功能具有：收集部110，其从仪器21、22对数据进行收集；学习数据存储部120，其对学习部130的学习所使用的学习数据进行存储；学习部130，其对用于诊断有无异常的诊断模型141进行学习；诊断部140，其通过诊断模型141将数据分类为多个组而对有无异常进行诊断；诊断结果输出部150，其输出由诊断部140得到的诊断结果；提取部160，其从由收集部110收集到的数据提取属于新的组的数据的候选；新组候选存储部170，其对提取出的候选进行存储；新组生成部180，其根据提取出的候选而生成表示新的组的信息；以及接收部190，其从用户对关于新的组的妥当性的评价进行接收。
57.收集部110主要通过处理器11和通信部16的协同动作实现。收集部110在诊断装置10初次启动时，取得从仪器21、22发送的数据，将取得的数据储存于学习数据存储部120。储存于学习数据存储部120的数据被用作用于生成诊断模型141的学习数据。另外，如果诊断模型141的学习完成，则收集部110依次对从仪器21、22发送来的数据进行接收，将接收到的数据作为收集数据发送至诊断部140。收集部110在诊断系统100中相当于在工厂对收集数据进行收集的收集单元的一个例子。
58.学习数据存储部120主要由主存储部12及辅助存储部13中的至少一者实现。如图4所例示的那样，学习数据存储部120对学习数据进行存储，该学习数据将对各记录进行识别的id、从仪器21、22发送的数据、对该数据所属的组赋予的标签关联起来。图4中的“第1仪器”相当于仪器21，“第2仪器”相当于仪器22。在图4所示的例子中，将从第1仪器接收到的值和从第2仪器接收到的值组合后的数据各自被分类为附加了“正常”、“异常1”及“异常2”中的某标签的组。第1仪器数据及第2仪器数据是从收集部110提供的，标签是经由接收部190由用户附加的。
59.在图5中示出学习数据的分布。根据图5可知，第1仪器数据的值大、第2仪器数据的值小的数据属于“正常”的组。另外，第1仪器数据的值小、第2仪器数据的值小的数据属于“异常1”的组。另外，第1仪器数据的值小、第2仪器数据的值大的数据属于与“异常1”不同的“异常2”的组。此外，组也称为类。
60.此外，在诊断装置10初次启动时，也可以替代实际从仪器21、22发送来的值，通过由用户作为能够从仪器21、22发送的值而准备的值来构成学习数据。在用户准备学习数据的情况下，该学习数据也可以由接收部190从用户接收而储存于学习数据存储部120。
61.返回到图3，学习部130主要由处理器11实现。如果由接收部190接收到来自用户的学习指示，则学习部130读出在学习数据存储部120存储的学习数据，对用于诊断从仪器21、22收集到的数据所属的组的诊断模型141进行学习。学习得到的诊断模型141被提供给诊断部140，用于由诊断部140实施的诊断。
62.在图6中示出通过k-均值(k-means)聚类对诊断模型141进行学习的例子。在图6中示出“正常”组的聚类中心301、“异常1”组的聚类中心302、及“异常2”组的聚类中心303，由虚线表示聚类边界。在图7中，例示出表示通过这样的k-均值聚类进行学习得到的模型的信息。如图7所示，该模型与标签相关联地规定各组的聚类中心。
63.在图8中示出通过gmm(gaussian mixture model)对诊断模型141进行学习的例子。在图8中示出与“正常”组对应的高斯分布的平均311、与“异常1”组对应的高斯分布的平均312、及与“异常2”组对应的高斯分布的平均313，由虚线表示各高斯分布的1σ、2σ。在图9
中，例示出表示通过这样的gmm进行学习得到的模型的信息。如图9所示，该模型与标签相关联地规定与各组对应的高斯分布的权重、平均、及方差协方差矩阵。
64.返回到图3，诊断部140主要通过处理器11及主存储部12的协同动作而实现。诊断部140从学习部130接收所提供的通过学习部130进行学习得到的诊断模型141。然后，诊断部140通过将由收集部110从仪器21、22收集到的数据分类为由诊断模型141规定的多个组中的任意者，从而决定应该对该数据赋予的标签，对有无异常进行诊断。诊断部140将包含决定出的标签、被赋予该标签的数据的诊断结果发送至学习数据存储部120、诊断结果输出部150、及提取部160。诊断部140在诊断系统100中相当于执行第1诊断步骤及第2诊断步骤的诊断单元的一个例子，在该第1诊断步骤中，通过按照规定出多个组的模型将收集数据分类为多个组中的任意者，从而对有无异常进行诊断，在该第2诊断步骤中，如果通过学习单元对新的模型进行了学习，则通过新的模型对有无异常进行诊断。
65.在图10中例示出通过从诊断部140将诊断结果提供给学习数据存储部120而进行了更新的学习数据。在图10中，关于包含“401”这样的id的数据，诊断为属于“正常”组，关于包含“402”这样的id的数据，诊断为属于“异常2”组。在图11中示出图10所示的数据的分布。图11中的点401与图10中的包含“401”这样的id的数据对应，点402与图10中的包含“402”这样的id的数据对应。根据图11可知，可以说点401属于“正常”组是妥当的，另一方面，点402应该分类为哪个组则并不明确，但已按照诊断模型141分类为“正常”、“异常1”及“异常2”中的某组。
66.返回到图3，诊断结果输出部150主要通过处理器11、输出部15及通信部16的协同动作而实现。诊断结果输出部150实时地输出由诊断部140得到的诊断结果。由诊断结果输出部150实现的输出例如为向lcd即输出部15的显示、表示异常的led(light emitting diode)的点亮、由蜂鸣音实施的警报、向辅助存储部13的写入、或经由通信部16向外部装置的报告。
67.提取部160从由诊断部140得到的诊断结果，提取存在应该分类为未知的组的可能性的数据。具体而言，提取部160针对诊断结果所包含的数据的每一者，计算向通过诊断部140分类出的组的归属度。归属度是表示分类至组的妥当性的程度。例如，在诊断模型141通过k-均值聚类进行了学习的情况下，从聚类中心至该数据为止的距离越长则归属度越小，判断为存在应该分类为未知的组的可能性。另外，在诊断模型141通过gmm进行了学习的情况下，将根据各高斯分布计算出的似然度设为归属度即可。
68.在图11的例子中，就与点401对应的数据而言，由于向“正常”组的归属度高，因此从提取部160的提取对象排除，就与点402对应的数据而言，由于向任何组的归属度都低，因此被提取部160提取。提取部160将提取出的数据作为属于新的组的数据的候选，储存于图3所示的新组候选存储部170。提取部160在诊断系统100中相当于执行提取步骤的提取单元的一个例子，在该提取步骤中，从收集数据提取属于与多个组不同的新的组的数据的候选。此外，也可以是归属度的判断由诊断部140执行，提取部160与归属度对应地对数据进行挑选。
69.新组候选存储部170主要由主存储部12及辅助存储部13中的至少一者实现。如图12所例示的那样，新组候选存储部170将附加于数据的id、从仪器21、22收集到的数据相关联地存储。由于在新组候选存储部170存储的信息为属于新的组的数据的候选，因此对于该
数据不赋予由诊断模型141规定的“正常”、“异常1”及“异常2”中的任意者的组的标签。在图13中示出在新组候选存储部170储存的数据的分布。如图13所示，属于新的组的数据的候选大致是来自第1仪器的值大、来自第2仪器的值大的数据。
70.返回到图3，新组生成部180主要由处理器11实现。新组生成部180读出在新组候选存储部170储存的候选的数据，生成与该候选相关的候选信息。候选信息是规定新的组的信息。在图14中例示出诊断模型141通过k-均值聚类进行学习的情况下的候选信息。图14所示的候选信息将候选的数据的重心规定为新的组的聚类中心。
71.此外，新组生成部180在新组候选存储部170所储存的数据量大到某种程度时生成候选信息，在数据量小时等待，由此避免根据单纯的偏离值生成新的组。另外，候选信息并不限于根据从新组候选存储部170读出的全部数据生成，新组生成部180也可以根据读出的数据的一部分而生成候选信息。另外，候选信息并不限于表示新的组的信息，也可以是候选的数据本身。
72.新组生成部180将生成的候选信息发送至图3所示的接收部190。另外，新组生成部180在由接收部190接收到表示应该追加新的组的追加信息的情况下，将候选信息发送至学习数据存储部120。发送至学习数据存储部120的数据被作为属于新的组的数据用于新的诊断模型141的学习。新组生成部180在诊断系统100中相当于生成单元的一个例子，该生成单元根据由提取单元提取出的候选而生成表示新的组的候选信息。
73.接收部190是具有显示部191、输入部192的gui，该显示部191将从新组生成部180发送来的候选信息显示给用户，该输入部192对表示是否应该追加新的组的追加信息的输入进行接收作为用户基于候选信息对新的组的妥当性进行评价得到的结果。显示部191主要由输出部15实现，输入部192由输入部14实现。接收部190在诊断系统100中相当于执行接收步骤的接收单元的一个例子，在该接收步骤中，提供与由提取单元提取出的候选相关的候选信息，对表示是否应该将新的组追加至多个组的追加信息进行接收。另外，显示部191相当于对候选信息进行显示的显示单元的一个例子，输入部192相当于取得由用户输入的追加信息的输入单元的一个例子。
74.在图15中例示出由接收部190的显示部191显示的画面51。在图15中将成为候选的数据的分布、规定出新的组的聚类中心321这两者作为候选信息示出。用户对该画面51进行辨识，对追加新的组的妥当性进行评价，对按钮322或按钮323进行选择，其中，该按钮322输入应该追加新的组的指示，该按钮323输入不应该追加的指示。通过该选择，追加信息被输入至接收部190的输入部192。
75.在图16中，作为其它例子例示出对用户显示的画面52。在该画面52中，将新的组的候选之外的数据与该数据被分类到的组一起显示。画面52是通过在接收部190从学习数据存储部120读出诊断结果的数据而进行描绘后，以覆盖的方式写入候选信息而实现的。
76.接收部190在输入了表示应该追加新的组的追加信息的情况下，使新组生成部180将候选的数据储存于学习数据存储部120，并且从用户接收新的标签的名称，对候选的数据赋予接收到的新的标签。在图17中例示出包含新的标签的学习数据。在图17中，对“402”及“403”这样的id的数据新赋予“异常3”这样的标签。该学习数据的分布如图18所示。根据图18可知，对来自第1仪器的值大、来自第2仪器的值大的数据赋予“异常3”这样的标签。
77.如果接收部190进一步从用户接收到包含新的组的诊断模型141的学习指示，则接
收部190使学习部130对诊断模型141进行学习。在图19中示出由k-均值聚类实现的对新的诊断模型141进行学习的例子。在图19的例子中，追加与第4个新的组对应的聚类中心304，对聚类边界进行更新。在图20中示出对通过图19所示的学习生成的新的诊断模型141进行规定的信息。另外，在图21中示出由gmm实现的对新的诊断模型141进行学习的例子。在图21的例子中，追加与第4个新的组对应的高斯分布。在图22中示出对通过图21所示的学习生成的新的诊断模型141进行规定的信息。如果学习部130对新的诊断模型141进行了学习，则将该模型提供给诊断部140，通过诊断部140对下次及其后的诊断所利用的诊断模型141进行更新。例如，将图7、9所示的诊断模型141覆盖为图20、22所示的诊断模型141。而且，诊断部140通过更新后的新的诊断模型141对有无异常进行诊断。
78.学习部130在诊断系统100中相当于执行学习步骤的学习单元的一个例子，在该学习步骤中，在接收单元接收到表示应该将新的组追加至多个组的追加信息的情况下，对包含新的组的新的模型进行学习。
79.接下来，使用图23～27，对在诊断系统100中执行的诊断模型更新处理进行说明。通过接通诊断装置10的电源而开始图23所示的诊断模型更新处理。如图23所示，诊断模型更新处理包含：诊断模型初始化处理，将诊断模型141初始化(步骤s1)；诊断处理，根据收集数据基于诊断模型141对有无异常进行诊断(步骤s2)；新组生成处理，接收针对属于新的组的数据的候选由用户作出的评价(步骤s3)；以及模型更新处理，对诊断模型141进行更新(步骤s4)。
80.此外，在图23中示出在执行步骤s1后依次反复执行步骤s2～s4，但步骤s2～s4的执行顺序并不限于此，可以任意地变更，也可以彼此并行地执行步骤s2～s4。下面，依次对步骤s1～s4的每一者进行说明。
81.在步骤s1的诊断模型初始化处理中，从收集部110及接收部190将诊断模型141的学习所需要的数据储存于学习数据存储部120，由学习部130对诊断模型141进行学习。
82.在步骤s2的诊断处理中，如图24所示，收集部110取得作为诊断对象的数据(步骤s21)，将取得的数据发送至诊断部140。收集部110也可以将id、时间戳、其它信息与取得的数据一起发送至诊断部140。另外，在使用根据如从时序数据得到的波形所代表的那样随着时间的值的变化而对状态进行判断的诊断模型141的情况下，收集部110也可以在对多个采样值进行积蓄后发送至诊断部140。
83.接下来，诊断部140对是否存在应该诊断状态的数据进行判定(步骤s22)。具体而言，诊断部140对是否从收集部110发送来诊断所需要的量的数据进行判定。在判定为没有应该诊断的数据的情况下(步骤s22；no)，由诊断装置10进行的处理返回到步骤s21。
84.另一方面，在判定为存在应该诊断的数据的情况下(步骤s22；yes)，诊断部140按照诊断模型141对有无异常进行诊断，对数据赋予标签(步骤s23)。例如，诊断部140按照图7所示的诊断模型141，将数据分类为“正常”、“异常1”及“异常2”的组中的任意者，对数据赋予分类出的组的标签。
85.接下来，诊断部140对是否诊断为存在异常进行判定(步骤s24)。具体而言，诊断部140对是否具有分类为“异常1”或“异常2”的数据进行判定。步骤s24中的成为诊断对象的异常与存在被赋予了预先规定的组的标签的数据对应。在判定为作出了具有异常的诊断的情况下(步骤s24；yes)，诊断部140将诊断结果输出至诊断结果输出部150，向用户通知异常的
内容(步骤s25)。在通知异常内容时，诊断结果输出部150也可以一并通知数据的值、与产生的异常相关的详细信息、及从异常恢复的方法。
86.在步骤s25结束后及在步骤s24中判定为没有作出具有异常的诊断的情况下(步骤s24；no)，提取部160提取属于新的组的数据的候选(步骤s26)。然后，提取部160将属于新的组的数据的候选储存于新组候选存储部170(步骤s27)。由此，在新组候选存储部170中积蓄候选的数据。
87.接下来，诊断部140判定是否对全部应该诊断的数据都进行了诊断(步骤s28)。在判定为尚未进行全部诊断的情况下(步骤s28；no)，由诊断装置10进行的处理返回到步骤s23。另一方面，在判定为进行了全部诊断的情况下(步骤s28；yes)，由诊断装置10进行的处理从诊断处理返回到图23所示的诊断模型更新处理。
88.接下来，对步骤s3的新组生成处理进行说明。在新组生成处理中，如图25所示，接收部190对是否从用户接收到生成新组这一主旨的生成指示进行判定(步骤s31)。在判定为未接收到生成指示的情况下(步骤s31；no)，接收部190重复进行步骤s31的判定，等待至输入了生成指示为止。
89.另一方面，在判定为接收到生成指示的情况下(步骤s31；yes)，新组生成部180从新组候选存储部170读出候选的数据(步骤s32)，对能否生成新的组进行判定(步骤s33)。这里，生成新的组的方法可以是与由诊断模型141实现的分类方法相同的方法，也可以不同。新组生成部180例如通过以k-均值聚类或ward法为代表的分层聚类来尝试生成新组，然后对是否生成了满足一定条件的组进行判定。一定条件例如是新的组所包含的要素数量大于或等于一定数量。通过这样在新的组的生成中设置条件，从而能够对单纯的偏离值和属于有含义的组的数据进行区分。
90.在判定为无法生成新的组的情况下(步骤s33；no)，由诊断装置10进行的处理从新组生成处理返回到图23所示的诊断模型更新处理。另一方面，在判定为能够生成新的组的情况下(步骤s33；yes)，新组生成部180生成新的组(步骤s34)，接收部190的显示部191对与新的组相关的信息进行显示(步骤s35)。具体而言，显示部191对由新组生成部180生成的新的组、该组所包含的数据的候选进行显示，促使用户进行评价。
91.接下来，接收部190的输入部192对针对新的组的由用户作出的评价进行接收(步骤s35)。具体而言，对是否应该将新的组追加至诊断模型141的决定进行接收(步骤s36)。另外，由用户作出的评价除了这样的决定之外，也可以包含所生成的新的组属于现有的组的哪一个、是否是与现有的组不同的新的组、或者是否是没有实质含义而不应该追加的组这样的信息。不应该追加的组例如是与单纯的偏离值对应的组、或包含用户所期望的想要区分开的多个组的组。并且，接收部190在应该追加新的组时，从用户接收对该新的组赋予的标签名。
92.接下来，接收部190对是否从用户接收到新的组是妥当的这一主旨的评价进行判定(步骤s37)。在判定为未接收到是妥当的这一主旨的评价的情况下(步骤s37；no)，诊断装置10使处理跳转到步骤s39。另一方面，在判定为接收到是妥当的这一主旨的评价的情况下(步骤s37；yes)，接收部190对属于新的组的数据赋予标签，追加于学习数据存储部120(步骤s38)。
93.接下来，诊断装置10从新组候选存储部170删除属于所生成的新的组的数据(步骤
s39)。由此，避免了再次生成相同组。之后，由诊断装置10进行的处理从新组生成处理返回到图23所示的诊断模型更新处理。
94.接下来，对步骤s4的模型更新处理进行说明。在模型更新处理中，如图26所示，接收部190对是否从用户接收到用于更新模型的更新指示进行判定(步骤s41)。更新指示也可以包含诊断模型141的生成所使用的方法、该方法的参数、诊断模型141的生成所需要的其它信息。在判定为未接收到更新指示的情况下(步骤s41；no)，接收部190重复进行步骤s41的判定，等待至输入了更新指示为止。
95.另一方面，在判定为接收到更新指示的情况下(步骤s41；yes)，学习部130从学习数据存储部120读出数据而对诊断模型141进行学习(步骤s42)。这里，不需要使用在学习数据存储部120储存的全部数据进行学习。例如，也可以针对各组按照从新到旧的顺序使用100个数据进行学习，对学习所使用的数据进行限制。另外，也可以对学习所使用的信息进行选择。例如，也可以将来自多个仪器的数据中的一部分仪器的数据用于学习。另外，也可以在来自用户的更新指示中进行与数据的选择相关的设定。
96.接下来，诊断部140将诊断模型141更新为在步骤s42中学习得到的新的诊断模型141(步骤s43)。之后，由诊断装置10进行的处理从模型更新处理返回到图23所示的诊断模型更新处理。
97.如以上说明过那样，根据本实施方式涉及的诊断系统100，提取部160从数据提取属于新的组的数据的候选，该数据是从仪器21、22收集到的，在接收部190接收到表示应该将新的组追加至多个组的信息的情况下，学习部130对新的模型进行学习。因此，只有在新的组的追加妥当的情况下才对新的模型进行学习，能够通过新的模型对有无异常进行诊断。因此，能够使有无异常的诊断精度提高。
98.另外，在诊断系统100中单独执行了诊断处理、新组生成处理。因此，使用与数据的性质对应的诊断模型而对有无异常进行诊断，另一方面，能够在不受诊断模型的影响的情况下应用各种方法生成新的组。
99.实施方式2
100.接下来，以与上述实施方式1的区别为中心对实施方式2进行说明。此外，对与上述实施方式1相同或等同的结构使用相同的标号，并且省略或简化其说明。如图27所示，本实施方式与实施方式1的区别在于，由学习装置60和多个诊断装置61、62构成诊断系统100，该学习装置60对诊断模型141进行学习，多个诊断装置61、62通过诊断模型141对有无异常进行诊断。
101.学习装置60与实施方式1涉及的诊断装置10同样地，具有收集部110、学习数据存储部120、学习部130、提取部160、新组候选存储部170、新组生成部180和接收部190，并且，具有：发送部601，其将学习得到的诊断模型141分发至诊断装置61、62；以及接收部602，其对由诊断装置61、62得到的诊断结果进行接收。发送部601在诊断系统100中相当于将通过学习单元进行学习得到的新的模型发送至多个诊断装置的发送单元的一个例子。提取部160经由接收部602取得由诊断装置61、62收集到的收集数据，从取得的收集数据提取属于新的组的候选。
102.诊断装置61、62各自具有收集部110和诊断部140，并且，具有：接收部611，其对从学习装置60分发的诊断模型141进行接收；以及发送部612，其将由诊断部140得到的诊断结
果发送至学习装置60。如果由学习装置60的发送部601发送了新的诊断模型141，则诊断部140通过该新的诊断模型141对有无异常进行诊断。
103.如以上说明过那样，在本实施方式中，相对于具有学习部130的1个学习装置60，存在具有诊断部140的多个诊断装置61、62。因此，能够更多地对作为诊断对象的数据进行收集，并且一同地分发诊断模型141，诊断模型141的管理变得容易。另外，也能够针对各个诊断装置61、62对诊断模型141进行调整、分发。
104.以上，对本发明的实施方式进行了说明，但本发明并不限于上述实施方式。
105.例如，在上述实施方式中，说明了将学习数据存储部120和新组候选存储部170设为分体的结构，但并不限于此，也可以是1个存储装置具有与学习数据存储部120相当的存储区域、与新组候选存储部170相当的存储区域。
106.另外，也可以在由提取部160判断为是现有的组，将从属于新的组的候选的提取中排除的数据存储于学习数据存储部120后显示于显示部191，在用户评价了诊断结果的妥当性后，在诊断结果存在错误的情况下对输入部192进行操作而对诊断结果进行修正。例如，如图28所示，用户也可以通过对“异常2”这样的标签名进行选择而显示的子菜单，对聚类中心的坐标及组标签中的至少一者进行变更。另外，如图29所示，用户也可以通过对单独的数据进行选择而赋予与该数据所属的组不同的组标签，从而对组的变更指示进行输入。而且，也可以是接收部190对变更指示进行接收，学习部130根据通过变更指示而变更了组的数据对新的诊断模型141进行学习。由此，在由学习部130生成新的诊断模型141时，不限于被判断为未知的组的数据，对于被设为现有组的数据也能够反映用户的判断。因此，即使在诊断基准由于气温的变化、或者装置或设备的变更而产生了变化的情况下，也能够通过对诊断模型141进行更新而准确地执行诊断。
107.另外，除了被判断为未知的组的数据之外，针对存储于学习数据存储部120的数据中的从提取部160的提取中排除的已知的组的数据，新组生成部180也可以将属于单一组的数据分类为新的多个组。例如，如图30所示，新组生成部180也可以根据由诊断部140分类为“异常2”的组的数据，生成“异常2-a”的子组和“异常2-b”的子组，将“异常2”的组的数据进一步分类为这些子组。而且，也可以是在通过接收部190从用户输入了对诊断模型141进行更新这一主旨的指示时，学习部130对包含子组的新的诊断模型141进行学习。由此，例如在1个大的组中存在子组的情况下，能够检测出属于该子组的数据。
108.另外，在学习数据存储部120及新组候选存储部170存储的信息的格式并不限于在上述实施方式中说明过的格式，也可以任意地进行变更。例如，在由收集部110对图像数据进行收集的情况下，也可以将用于参照该图像数据的链接数据储存于学习数据存储部120。
109.另外，作为诊断模型141的学习方法，也可以使用任意的有教师学习的方法。例如，通过由图31所示那样的决策树实现的分类方法，能够正确地对具有图32所示那样的复杂分布的数据进行分类。另外，也可以将多个方法组合而生成输出诊断结果的诊断模型141。
110.另外，模型更新处理的开始定时(timing)并不限于由用户提供的更新指示。例如，也可以在新组生成处理刚完成之后，或者从前一次诊断模型的更新起经过了一定时间的定时自动地开始模型更新处理。另外，作为用于由用户决定更新指示的内容的辅助信息，显示部191也可以对储存于学习数据存储部120的信息进行显示。
111.另外，为了使按照诊断模型141实施的诊断的精度提高，学习部130及诊断部140也
可以根据需要对数据实施以标准化及测定欠缺值的插补为代表的在先处理。
112.另外，诊断系统100的功能也能够通过专用硬件或通常的计算机系统实现。
113.例如，通过将由处理器11执行的程序p1储存于计算机可读取的非暂时性的记录介质而进行分发，将该程序p1安装于计算机，从而能够构成执行上述处理的装置。作为这样的记录介质，例如想到软盘、cd-rom(compact disc read-only memory)、dvd(digital versatile disc)、mo(magneto-optical disc)。
114.另外，也可以是预先将程序p1储存于以互联网为代表的通信网络上的服务器装置所具有的磁盘装置，例如，使其叠加于载波而下载至计算机。
115.另外，通过一边经由通信网络转发程序p1一边启动执行，也能够实现上述处理。
116.并且，通过在服务器装置之上执行程序p1的全部或一部分，计算机经由通信网络对与该处理相关的信息进行收发并且执行程序，也能够实现上述处理。
117.此外，在由os(operating system)分担地实现上述功能的情况下或通过os和应用的协同动作实现上述功能的情况下，可以仅将os之外的部分储存于介质而进行分发，另外，也可以下载至计算机。
118.另外，实现诊断系统100的功能的方法并不限于软件，也可以通过包含电路的专用硬件实现其一部分或全部。
119.本发明在不脱离本发明的广义的精神和范围的情况下，能够设为各种实施方式及变形。另外，上述实施方式用于对本发明进行说明，并不是对本发明的范围进行限定。即，本发明的范围不是由实施方式表示，而是由权利要求书表示。而且，在权利要求书的范围内及与其等同的公开意义的范围内实施的各种变形被视为落在本发明的范围内。
120.工业实用性
121.本发明适于工厂中的异常检测。
122.标号的说明
123.10诊断装置，11处理器，12主存储部，13辅助存储部，14输入部，15输出部，16通信部，17内部总线，20工业用网络，21、22仪器，51、52画面，60学习装置，61诊断装置，62诊断装置，100诊断系统，110收集部，120学习数据存储部，130学习部，140诊断部，141诊断模型，150诊断结果输出部，160提取部，170新组候选存储部，180新组生成部，190接收部，191显示部，192输入部，301～304、321聚类中心，311～313平均，322、323按钮，401、402点，601、612发送部，602、611接收部，p1程序。