阅读说明：本技术 诊断装置和诊断方法 (Diagnostic device and diagnostic method ) 是由 关合孝朗 丹野光浩 黑羽义幸 于 2018-12-05 设计创作，主要内容包括：本发明提供一种根据设备的运转数据诊断设备的异常的诊断装置,其设置有：聚类部,其判定是否能够将设备的运转数据分类为现存的集群,在判定为无法分类的情况下,向现存的集群追加将属性设为异常的集群；诊断部,其根据聚类部的处理结果,诊断设备的异常；集群属性设定部,其根据预定期间的设备的运转数据,设定现存的集群的属性。(The present invention provides a diagnostic device for diagnosing abnormality of equipment according to operation data of the equipment, which is provided with: a clustering unit that determines whether or not the operation data of the device can be classified into an existing cluster, and if it is determined that the operation data cannot be classified, adds a cluster having an abnormal attribute to the existing cluster; a diagnosis unit which diagnoses an abnormality of the device based on a processing result of the clustering unit; and a cluster attribute setting unit that sets an attribute of an existing cluster based on operation data of the device for a predetermined period.)

诊断装置和诊断方法

技术领域

本发明涉及诊断装置和诊断方法，例如适合适用于使用设备的运转数据诊断设备的异常的诊断装置和诊断方法。

背景技术

近年来，伴随着ICT(Information and Communication Technology：信息和通信技术)、IoT(Internet of Thing：物联网)的技术革新，正在形成能够利用高速计算机、网络通信、大容量数据保存装置的环境。在许多产业领域中大量积累的数据的灵活利用受到关注，其中，例如在发电业务的领域中，由于管理发电厂的测量数据、检修/维护数据等在现场地点收集到的数据、企业的经营和资产信息的系统的整合，要求制定更高效的经营方针。

在发电业务的领域中，从对风力发电、太阳能发电等可再生能源的利用增加所伴随的发电量的变动使电力系统的稳定性降低的担心出发，作为后备电源的火力发电厂的重要性正在增加。因此，对火力发电厂，要求考虑到运转率、环境性能、效率等重要业绩评价指标(KPI：Key Performance Indicators)的运营。

为了改善火力发电厂的KPI，研究了许多检测诊断对象发生异常状态之前的异常征兆的装置及其方法。例如，公开了利用自适应谐振理论(ART：Adaptive ResonanceTheory)的诊断装置(参照专利文献1)。在此，ART是根据其类似度而将多维的时序数据分类为集群(cluster)的理论。

在专利文献1记载的技术中，首先使用ART将正常时的运转数据分类为多个集群(正常集群)。接着，将现在的运转数据输入到ART，分类为集群。在无法将运转数据分类为正常集群时，生成新的集群(新集群)。新集群的产生意味着诊断对象的状态变化为新的状态(新状态)。因此，在专利文献1记载的诊断装置中，根据新集群的产生来判断异常征兆的产生。另外，在专利文献1中，公开了使用集群编号和各集群的出现次数进行异常诊断、原因推定的技术。

另外，例如作为外部环境的状态变化大的情况下的诊断方法，公开了将在最近的预定期间取得的运转数据作为学习数据而构筑正常集群的技术(参照专利文献2)。另外，在专利文献2记载的诊断装置中，在从对象数据到正常集群的距离超出预定的值的情况下，检测到异常征兆的发生。

现有技术文献

专利文献

专利文献1：日本特开2010-237893号公报

专利文献2：日本特开2015-018389号公报

发明内容

发明要解决的课题

如果由于常年变化、定期检查等，电厂的特性变化，则正常、异常的数据趋势都变化，因此即使是属于过去正常学习了的集群的数据，现在也有可能为异常。在这样的情况下，在专利文献1记载的技术中，无法检测到异常的发生，产生漏报。另外，在专利文献2记载的技术中，存在以下的问题，即在每次诊断时，需要对学习数据进行处理而生成正常集群的劳力、时间。

本发明就是考虑到以上的点而提出的，提出在每次诊断时不处理学习数据并生成正常集群就能够抑制漏报的产生的诊断装置和诊断方法。

用于解决课题的手段

为了解决该问题，在本发明中，提供一种根据设备的运转数据诊断上述设备的异常的诊断装置，其设置有：聚类(clustering)部，其判定是否能够将上述设备的运转数据分类为现存的集群，在判定为无法分类的情况下，向上述现存的集群追加将属性设为异常的集群；诊断部，其根据上述聚类部的处理结果，诊断上述设备的异常；以及集群属性设定部，其根据预定期间的上述设备的运转数据，设定上述现存的集群的属性。

另外，在本发明中，提供一种根据设备的运转数据诊断上述设备的异常的诊断方法，其设置有：聚类部判定是否能够将上述设备的运转数据分类为现存的集群，在判定为无法分类的情况下，向上述现存的集群追加将属性设为异常的集群的第一步骤；诊断部根据上述聚类部的处理结果，诊断上述设备的异常的第二步骤；以及集群属性设定部根据预定期间的上述设备的运转数据，设定上述现存的集群的属性的第三步骤。

根据上述结构，根据预定期间的设备的运转数据，设定现存的集群的属性，因此在每次诊断时，不需要处理学习数据并生成正常集群，就能够抑制漏报的发生。

发明效果

根据本发明，能够迅速并且适当地诊断设备的异常。

附图说明

图1是表示第一实施方式的诊断系统的结构的一个例子的图。

图2是表示第一实施方式的保存在数据库(DB)中的数据的一个例子的图。

图3是表示第一实施方式的诊断处理的处理步骤的一个例子的图。

图4是表示第一实施方式的聚类部的结构的一个例子的图。

图5是表示第一实施方式的数据的分类结果和异常度的计算方法的一个例子的图。

图6是表示第一实施方式的属性自动变更处理的处理步骤的一个例子的图。

图7是表示第一实施方式的集群属性设定部的处理内容的一个例子的图。

图8是表示第一实施方式的属性变更后处理的处理步骤的一个例子的图。

图9是表示第一实施方式的调整集群的加权系数的结果的一个例子的图。

图10是表示第一实施方式的重新计算异常度的结果的一个例子的图。

具体实施方式

以下，关于附图详细说明本发明的一个实施方式。

(1)第一实施方式

在图1中，1表示作为整体的第一实施方式的诊断系统。在诊断系统1中，通过适当地自动变更集群的属性，而抑制漏报的发生。另外，在诊断系统1中，通过变更现存的集群的属性的设定，而不需要在每次诊断时处理学习数据来生成正常集群的处理。以下，适当地列举例子说明该结构。

诊断系统1构成为具备电厂100、诊断电厂100的运转状况(例如电厂100的异常(异常征兆))的诊断装置200、用于对存储在诊断装置200中的各种信息进行参照、更新等的外部装置300。诊断装置200与电厂100和外部装置300可通信连接。

电厂100构成为具备构成电厂100的机器110、用于控制机器110的控制装置120。控制装置120接收从机器110发送的测量信号，发送控制信号。

诊断装置200根据电厂100的运转数据诊断电厂100的异常。诊断装置200是服务器装置、平板终端等计算机，构成为具备省略图示的CPU(中央处理单元)、RAM(随机存取存储器)、ROM(只读存储器)、HDD(硬盘驱动器)、通信部等。

诊断装置200的功能(外部输入接口部210、外部输出接口部220、聚类部230、诊断部240、计算结果修正部250等)例如既可以通过由CPU将存储在ROM中的程序读出到RAM并执行(通过软件)来实现，也可以通过专用的电路等硬件来实现，还可以组合软件和硬件地实现。另外，也可以通过能够与诊断装置200通信的其他计算机来实现诊断装置200的一部分功能。此外，通信部例如由NIC(网络接口卡)构成，进行与外部装置300进行通信时的协议控制。

作为DB，诊断装置200具备运转数据DB260和计算结果DB270。在DB中保存电子化了的信息，以称为电子文件(电子数据)的形式保存信息。

外部输入接口部210将在电厂100收集的运转数据、通过外部装置300所具备的外部输入装置310(键盘310和指示设备312)的操作制作的外部输入信号取入诊断装置200。例如将取入诊断装置200的运转数据保存到运转数据DB260。

外部输出接口部220输出(发送、印刷、显示等)保存在运转数据DB260中的运转数据、保存在计算结果DB270中的计算结果。

聚类部230判定是否能够将电厂100的运转数据分类为现存的集群，在判定为无法分类的情况下，向现存的集群追加将属性设为异常的集群(异常集群)。

更具体地说，聚类部230安装有利用了自适应谐振理论的技术(聚类技术)，根据其类似度将保存在运转数据DB260中的运转数据分类为集群。

例如，聚类部230首先对正常时的运转数据进行分类而生成多个集群，将生成的多个集群的属性设定为正常(定义为正常集群)。聚类部230在判定为将现在的运转数据分类为集群的结果是不属于正常集群的情况下，通过聚类技术生成新的集群(新集群)。聚类部230将聚类结果存储到计算结果DB270。此外，将在后面使用图4说明聚类部230。其中，也可以使用专利文献1等公知文献所公开的自适应谐振理论。补充地说，对于聚类部230，并不限于在本实施方式中说明的结构，也可以安装其他聚类技术来构成。

在诊断部240中，根据聚类部230的处理结果(聚类结果)，诊断电厂100的异常。通过聚类部230产生新集群意味着诊断对象的状态变化为新的状态(新状态)。由此，诊断部240例如能够根据新集群的产生来判断异常的发生。另外，诊断部240计算从对象数据到最接近的正常集群的距离作为异常度。

例如经由外部输出接口部220将诊断部240的诊断结果发送到显示装置320，将诊断结果通知操作人员。

计算结果修正部250具备集群属性设定部251和集群属性变更后处理部252，根据预定期间的电厂100的运转数据，设定保存在计算结果DB270中的现存的集群的属性，或修正异常度的计算结果。例如，集群属性设定部251针对现存的集群，将预定期间的电厂100的运转数据被分类的集群的属性设定为正常，将设定为正常的集群以外的集群的属性设定为异常。此外，将在后面使用图6说明集群属性设定部251的处理。另外，例如集群属性变更后处理部252在通过集群属性设定部251变更了现存的集群的属性时，针对过去的运转数据，重新计算运转数据与正常集群的距离即异常度。此外，将在后面使用图8说明集群属性变更后处理部252的处理。

此外，在诊断装置200中，表示了在诊断装置200的内部具备诊断装置200的功能和DB的例子，但也可以将它们的一部分配置在诊断装置200的外部，在装置之间只进行数据通信。另外，可以经由外部输出接口部220将保存在各DB中的信号(数据)即DB信息的全部信息显示到显示装置320，能够通过操作外部输入装置310生成的外部输入信号修正这些信息。

另外，在本实施方式中，由键盘311和指示设备312构成外部输入装置310，但可以适当地采用用于输入声音的麦克风、触摸屏等用于输入数据的装置。另外，能够通过笔记本电脑、平板终端等计算机实现外部装置300，但并不限于计算机。例如，也可以将外部输入装置310和显示装置320设置为分立的装置。另外，在诊断系统1中，也可以除了显示装置320以外或代替它，设置印刷装置、投影仪装置等其他装置。

另外，在诊断系统1中，当然能够将诊断装置200作为离线分析运转数据的装置来实施。另外，在诊断系统1中，将诊断装置200的适用对象设为电厂100，但适用对象没有限制，当然能够适用于各种设备。

图2是表示保存于设置在诊断装置200的DB中的数据的一个例子的图。

图2的(A)表示保存在运转数据DB260中的数据的一个例子。在图2的(A)所示的表中，在每个采样周期，对各项目(项目A、项目B、项目C、……)保存通过设置在电厂100中的各传感器(传感器A、传感器B、传感器C、……)测量的各测量值(运转数据)。

图2的(B)和(C)是通过使聚类部230等动作而得到的数据，表示保存在计算结果DB270中的数据的一个例子。在图2的(B)的表中，保存每个集群的属性、每个集群的加权系数的数据。在图2的(C)的表中，保存运转数据的分类结果(表示运转数据与时刻、集群编号等的关系的数据)。

在此，属性是指用于定义(识别)各集群是正常集群还是异常集群的信息。另外，加权系数是指用于定义各集群的中心坐标的系数信息。进而，针对异常集群，保存有对每个集群自动或手动地定义的现象。

在此，在将运转数据分割为多个组的情况下，对每个组设置图2的(B)所示的表和图2的(C)所示的表。更具体地说，在按照每个机器将包含多个传感器的多个数据(例如第一数据～第六数据)的运转数据分割为多个组的情况(例如对第一机器输入第一数据和第二数据(第一组的数据)，对设置在第一机器的下游的第二机器输入来自第一机器的输出数据、第三数据和第四数据(第二组的数据)，对与第一机器并行地设置的第三机器输入第五数据和第六数据(第三组数据)的情况)下，也可以针对聚类部230，构成为对各个组生成集群。

图3是表示诊断装置200进行的诊断处理的处理步骤的一个例子的图。

在步骤S10中，外部输入接口部210从控制装置120取入(收集)运转数据，保存到运转数据DB260。

在步骤S11中，诊断部240判定动作模式是学习模式还是诊断模式。诊断部240在判定为是学习模式的情况下，使处理转移到步骤S12，在判定为是诊断模式的情况下，使处理转移到步骤S13。在本实施方式中，进行处理使得在流程的重复是第一次(初次)时学习模式动作，在第二次以后诊断模式动作。

在步骤S12中，聚类部230处理学习数据，生成正常状态下的集群，使处理转移到步骤S10。

在步骤S13中，诊断部240判定是否需要修正计算结果(是否是预定的定时)。诊断部240在判定为需要修正计算结果的情况下，使处理转移到步骤S14，在判定为不需要修正计算结果的情况下，使处理转移到步骤S16。

在此，作为修正计算结果的预定的定时，可以设定定期检查后等电厂100的特性变化了的定时、上次修正计算结果后经过了预定的期间的定时、由操作人员输入了用于执行计算结果的修正的信号的定时等任意的定时。

在步骤S14中，进行计算结果修正处理。此外，将在后面使用图6、图8等详细说明计算结果修正处理，但在计算结果修正处理中，执行属性自动变更处理和属性变更后处理，进行集群的属性的修正、异常度的计算结果的修正、加权系数的修正等。

在步骤S15中，外部输出接口部220输出计算结果修正处理的结果。例如，外部输出接口部220将用于确认通过集群属性设定部251变更了集群的属性的结果的画面的画面信息(例如图5的(B)所示的包含表的一部分或全部的信息的画面信息)发送到外部装置300。另外，例如外部输出接口部220将用于确认集群属性变更后处理部252的处理结果的画面的画面信息(例如图5的(B)所示的包含表的一部分或全部的信息的画面信息、图10那样的表示异常度的画面信息)发送到外部装置300。

此外，输出计算结果修正处理的结果的契机既可以是来自外部装置300的请求，也可以是月度处理等定期处理，还可以是其他触发契机。

在步骤S16中，聚类部230处理运转数据。更具体地说，聚类部230将运转数据分类为集群。另外，聚类部230在判定为将运转数据分类为集群的结果是不属于现存的集群的情况下，通过聚类技术生成新的集群(新集群)。另外，聚类部230将新集群的信息(集群编号、属性、现象、加权系数等)、重新计算加权系数的结果、运转数据的分类结果(时刻、集群编号、异常度等)作为聚类结果存储到计算结果DB270。

在步骤S17中，诊断部240判定在电厂100中是否发生了异常(分类的集群的属性是否是异常)。诊断部240在判定为发生了异常的情况下，使处理转移到步骤S17，在判定为没有发生异常的情况下，使处理转移到步骤S18。

在步骤S18中，外部输出接口部220生成包含“检测到异常。”等检测到异常的信息的画面信息，发送到显示装置320(画面显示)。

此外，在本实施方式中，表示了在发生了异常的情况下输出聚类结果的信息的例子，但并不限于此，也可以无论有无发生异常，都输出聚类结果的信息。

在步骤S19中，诊断部240判定是否有来自操作人员的停止的指示。诊断部240在判定为有停止的指示的情况下，结束诊断处理，在判定为没有指示的情况下，使处理转移到步骤S10。

图4是作为聚类部230的一个例子表示利用自适应谐振理论的情况下的结构的一个例子的图。

将包含运转数据、以及设定了原料信息数据的根据标准化范围标准化为“0”～“1”的范围的数据Nxi(n)、以及标准化的数据的补数CNxi(n)(＝1-Nxi(n))的数据作为输入数据I_i(n)，输入到ART。

ART模块410具备F0层411、F1层412、F2层413、存储器414、以及选择子系统415，它们相互结合。F1层412和F2层413经由加权系数结合。

加权系数表示输入数据被分类的集群的原型(prototype)。在此，原型表示集群的代表值。

接着，说明ART模块410的算法。

将输入数据输入到ART模块410的情况下的算法的概要如下述(处理1)～(处理5)那样。

(处理1)

通过F0层411对输入向量进行标准化，除去噪声。

(处理2)

通过输入到F1层412的输入数据与加权系数的比较，选择合适的集群的候选。

(处理3)

根据与参数ρ的比，评价通过选择子系统415选择的集群的妥当性。在判断为是妥当的情况下，将输入数据分类为该集群，前进到(处理4)。另一方面，在不判断为是妥当的情况下，将该集群复位，从其他集群选择合适的集群的候选(重复进行(处理2))。如果增大参数ρ的值，则集群的分类变得细致。即，集群规模变小。相反，如果减小ρ的值，则分类变得粗略。集群规模变大。将该参数ρ称为警戒(vigilance)参数。

(处理4)

如果在(处理2)中，对全部的现存的集群进行了复位，则判断为输入数据属于新集群，生成表示新集群的原型的新的加权系数。

(处理5)

如果将输入数据分类为集群J，则使用过去的加权系数WJ(旧)和输入数据p(或从输入数据派生的数据)，根据下述的(公式1)更新与集群J对应的加权系数WJ(新)。

[数学式1]

WJ(新)＝Kw×p+(1-Kw)×WJ(旧)……(公式1)

在此，Kw是学习率参数(0<Kw<1)，是决定使输入向量反映到新的加权系数的程度的值。此外，将公式(1)和后述的(公式2)～(公式12)的各计算公式组合到ART模块410。

ART模块410的数据分类算法的特征在于上述的(处理4)。在(处理4)中，在输入了与学习时的模式不同的输入数据的情况下，不变更记录的模式就能够记录新的模式。因此，能够一边记录过去学习的模式，一边记录新的模式。

这样如果提供预先提供的运转数据作为输入数据，则ART模块410对所提供的模式进行学习。因此，如果向已学习的ART模块410输入新的输入数据，则能够根据上述算法，判定与过去的哪个模式接近。另外，如果是过去没有经验的模式，则分类为新的集群。

图4的(B)是表示F0层411的结构的一个例子的图。在F0层411中，在各时刻再次对输入数据I_i进行标准化，制作向F1层412和选择子系统415输入的标准化输入向量u_i ⁰。

首先，依照(公式2)，根据输入数据I_i计算W_i ⁰。在此，a是常数。

[数学式2]

w_i ⁰＝I_i+au_i ⁰……(公式2)

接着，使用公式(3)计算对W_i ⁰进行标准化所得的X_i ⁰。在此，||W0||是W0的模。

[数学式3]

x_i ⁰＝w_i ⁰/||w⁰||……(公式3)

然后，使用(公式4)计算从X_i ⁰除去了噪声的V_i ⁰。其中，θ是用于除去噪声的常数。通过公式(4)的计算，微小的值成为“0”，因此输入数据的噪声被除去。

[数学式4]

最后，使用(公式5)求出标准化输入向量u_i ⁰。u_i ⁰为F1层412的输入。

[数学式5]

图4的(C)是表示F1层412的结构的一个例子的图。在F1层412中，作为短期存储而保存通过(公式5)求出的u_i ⁰，计算向F2层413输入的P_i。如公式(6)～(公式12)所示，汇总F1层412的计算公式。其中，a、b是常数，f是(公式4)所示的函数，T_j是在F2层413中计算的适合度，z_j ⁱ是与集群编号j的输入数据I_i对应的加权系数。

[数学式6]

w_i＝u_i ⁰+au_i……(公式6)

[数学式7]

[数学式8]

v_i＝f(x_i)+bf(q_i)……(公式8)

[数学式9]

[数学式10]

[数学式11]

其中，g如下述那样。

[数学式12]

图5是表示聚类部230的数据的分类结果和诊断部240的异常度的计算方法的一个例子的图。

图5的(A)表示将运转数据分类为集群的分类结果的一个例子。在图5的(A)中，作为一个例子，表示运转数据中的2个项目，用二维的图表描述。另外，纵轴和横轴标准化地表示各个项目的运转数据。

运转数据通过ART模块410被分割为多个集群500(图5的(A)所示的圆)。一个圆相当于一个集群。

在图5的(A)的例子中，运转数据被分类为4个集群。集群编号“1”的集群500A是相对地项目A的值大、项目B的值小的集群。集群编号“2”的集群500B是相对地项目A和项目B的值都小的集群。集群编号“3”的集群500C是相对地项目A的值小、项目B的值大的集群。集群编号“4”的集群500D是相对地项目A和项目B的值都大的集群。

图5的(B)是表示将运转数据分类为集群的结果和运转数据的一个例子的图。横轴是时间，纵轴是运转数据(测量信号)或集群编号。如图5的(B)所示，运转数据被分类为集群编号“1”～“4”的集群。

在图5的(B)的例子中，在学习的期间，生成集群编号“1”～“3”的集群。由此，在诊断的期间运转数据没有被分类为集群编号“1”～(3)的集群的情况下，生成集群编号“4”的集群(正常时没有经验的新状态)。由此，在图3的步骤S17中，能够根据集群编号判定在电厂100中发生了异常(异常的发生)。

使用图5的(C)说明诊断部240的异常度的计算方法的一个例子。诊断部240在将运转数据501分类为新集群(在本例子中，为集群编号“4”的集群)的情况下，计算该运转数据501与最接近的正常集群的重心502的距离503作为异常度。通过计算异常度，能够评价运转数据501怎样程度地与正常集群背离。

图6是表示集群属性设定部251执行的属性自动变更处理的处理步骤的一个例子的图。此外，属性自动变更处理在图3的步骤S14中动作。在集群属性设定部251中设置了多个属性变更方式，作为选项，用户能够选择所使用的属性变更方式。

在步骤S20中，集群属性设定部251判定是否使用第一属性变更选项。集群属性设定部251在判定为使用的情况下，使处理转移到步骤S21，在判定为不使用的情况下，使处理转移到步骤S22。

在步骤S21中，集群属性设定部251设为第一属性变更选项的属性变更方式，将处理从现在到预先确定的一定期间前为止(预定的期间的一个例子)的运转数据时出现(产生)的集群设定为正常集群，将正常集群以外的集群设定为异常集群。更具体地说，集群属性设定部251变更图2的(B)所示的表的属性的值(属性值)。例如，在图2的(B)所示的表中，在预定的期间没有出现集群编号“1”的集群的运转数据的情况下，将属性值从“正常”变更为“异常”。

此外，作为预定的期间，列举从现在到预先确定的一定期间前为止的期间为例子进行了说明，但并不限于此，例如也可以采用从定期检查后到一定期间前为止等其他的期间。补充地说，对于图2的(B)所示的表的现象，既可以为自动地更新的结构，也可以为手动地更新的结构，还可以为通过自动和手动更新的结构。

在步骤S22中，集群属性设定部251判定是否使用第二属性变更选项。集群属性设定部251在判定为使用的情况下，使处理转移到步骤S23，在判定为不使用的情况下，结束属性自动变更处理。

在步骤S23中，集群属性设定部251提取通过定期检查调整了的机器的信息。例如，作为通过定期检查调整了的机器，集群属性设定部251参照定期检查的计划书、结果报告书等的数据，提取机器的信息。

在步骤S24中，集群属性设定部251确定与输入到在步骤S23中提取的机器的数据有关的组，针对该组，将处理从定期检查开始的一定期间(预定的期间的一个例子)的运转数据时出现的集群设定为正常集群，将正常集群以外的集群设定为异常集群。

通过这样确定并处理通过定期检查调整了的机器造成的影响的组(例如还包括位于该组的下游的组)，能够减少处理量。

根据属性自动变更处理，适当地重新设定正常集群和异常集群，因此能够抑制漏报和误报的发生。

图7是表示集群属性设定部251的处理内容的一个例子的图。

在此，如图7所示，通过聚类部230处理学习期间的运转数据(学习数据)，作为正常集群生成集群编号“1”～“3”的集群。在定期检查后，电厂的特性变化，只生成集群编号“3”的集群，在定期检查后，认为只有集群编号“3”的集群是正常集群。

然后，发生异常，在将运转数据分类为集群编号“1”的集群的情况下，在现有的方法中，将集群编号“1”～“3”的集群学习为是正常的，因此无法检测到异常的发生，产生漏报。但是，在诊断装置200中，使集群属性设定部251动作而进行诊断，由此自动变更只有集群编号“3”的集群为正常集群(正常状态)的设定，能够避免漏报而检测到异常(异常征兆)。

这样，对于如果由于常年变化、定期检查等而电厂的特性变化则过去作为正常而学习了的范围在现在成为异常的情况，通过使用诊断装置200，能够检测到异常。

图8是表示集群属性变更后处理部252执行的属性变更后处理的处理步骤的一个例子的图。此外，属性变更后处理在图3的步骤S14中，作为使集群属性设定部251动作后的后处理而动作。另外，在集群属性变更后处理部252中设置有多个后处理方式，作为选项，用户能够选择所使用的后处理方式。

在步骤S30中，集群属性变更后处理部252判定是否使用第一后处理选项。集群属性变更后处理部252在判定为使用的情况下，使处理转移到步骤S31，在判定为不使用的情况下，使处理转移到步骤S32。

在步骤S31中，集群属性变更后处理部252针对过去的运转数据，重新计算运转数据与正常集群的距离即异常度。对于异常度的计算方法，与诊断部240的计算方法同样，因此省略其说明。此外，将在后面使用图10说明重新计算的结果。

在步骤S32中，集群属性变更后处理部252判定是否使用第二后处理选项。集群属性变更后处理部252在判定为使用的情况下，使处理转移到步骤S33，在判定为不使用的情况下，使处理转移到步骤S34。

在步骤S33中，集群属性变更后处理部252调整与现象关联的集群的加权系数。集群属性变更后处理部252进行调整使得相对于正常集群的变化幅度与过去发生了异常时的运转数据的变化幅度一致，将在后面使用图9的(A)说明具体的调整方法。

在步骤S34中，集群属性变更后处理部252判定是否使用第三后处理选项，在判定为使用的情况下，使处理转移到步骤S35，在判定为不使用的情况下，结束属性变更后处理。

在步骤S35中，集群属性变更后处理部252针对将属性变更为正常后的集群，考虑到与异常的边界而调整加权系数。集群属性变更后处理部252计算属于变更为正常集群后的集群的运转数据与最接近的现存的正常集群的距离，调整集群的加权系数使得距离最大的运转数据成为正常与异常的边界，将在后面使用图9的(B)说明具体的调整方法。

根据属性变更后处理，重新计算异常度，因此能够适当地掌握过去的数据。另外，根据属性变更后处理，调整加权系数使得更适当地定义集群，因此能够更高精度地检测到电厂100的异常。

图9是表示通过集群属性变更后处理部252的动作而调整集群的加权系数的结果的一个例子的图。在图9的(A)中表示步骤S33的加权系数的调整内容，在图9的(B)中表示步骤S35的加权系数的调整内容。

在图9的(A)中，集群编号“1”、“2”的集群是正常集群，集群编号“3”、“4”的集群是异常集群，集群编号“4”的集群与作为现象的传感器漂移异常(传感器的状况恶化而提升了一定值的异常)关联(参照图9的(A)的左图)。在根据该状态而将集群编号“3”的集群变更为“正常集群”的情况下，调整集群编号“4”的加权系数使得相对于最接近的正常集群(在本例子中，为集群编号“3”的集群)的变化幅度902成为发生传感器漂移时的运转数据的变化幅度901(参照图9的(A)的右图)。

换言之，在由于运转数据的值提升的漂移异常而向现存的集群(集群编号“1”、“2”、“3”的集群)追加第一集群(集群编号“4”的集群)，并且通过集群属性设定部251将与第一集群对应的漂移异常前的第二集群(集群编号“3”)的属性变更为正常的情况下，集群属性变更后处理部252调整第一集群的加权系数，使得第一集群和与第二集群对应的漂移异常前的属性是正常的第三集群(集群编号“2”的集群)的变化幅度(变化幅度901)和调整了表示第一集群的中心的加权系数后的集群和第二集群的变化幅度(变化幅度902)相等。

这样，通过调整集群的加权系数，能够包括漂移异常在内地适当地诊断电厂100的异常。

在图9的(B)中，集群编号“1”、“2”、“3”的集群是正常集群，集群编号“4”的集群是异常集群(参照图9的(B)的左图)。在根据该状态通过集群属性设定部251将集群编号“4”的集群变更为正常集群的情况下，集群属性变更后处理部252计算属于该正常集群的各数据与最接近的现存的正常集群的距离，调整集群的加权系数使得距离最大的数据(在本例子中为数据903)成为正常与异常的边界(参照图9的(B)的右图)。

这样，通过调整集群的加权系数，在属于集群编号“4”的数据的数量少的情况下，能够避免将怀疑是否正常的数据(此前判定为异常的数据904)识别为正常的状况。

图10是表示通过集群属性变更后处理部252的动作而重新计算异常度的结果(用于确认集群属性变更后处理部252的处理结果的画面)的一个例子的图。

在图10中，表示在将集群编号“2”的集群的属性从异常集群变更为正常集群后，通过集群属性变更后处理部252利用第一后处理选项重新计算异常度的结果。

异常度的计算结果被修正，与属性变更为正常后的集群对应的异常度降低。即，在参照了过去的数据时，不再有正常集群的异常度高、异常集群的异常度低的情况。

此外，在显示装置320中，既能够显示属性变更前的诊断结果和属性变更后的诊断结果两者，也能够显示任意一方。

如以上那样，根据诊断装置200，在每次诊断时不需要用于处理学习数据而生成正常集群的时间，能够抑制漏报的发生。

(2)其他实施方式

此外，在上述实施方式中，说明了将本发明适用于诊断装置200的情况，但本发明并不限于此，能够广泛地适用于其他各种诊断装置和诊断方法。

另外，在上述实施方式中，为了说明的方便，使用XX表、XXDB说明了各种数据，但数据构造没有限制，也可以表达为XX信息等。

另外，能够将在上述说明中实现各功能的程序、表、文件等信息放置在存储器、硬盘、SSD(固态驱动器)等存储装置、或IC卡、SD卡、DVD等记录介质中。

另外，也可以在不超出本发明的主旨的范围内，适当地对上述结构进行变更、替换、组合、或省略。

附图标记说明

1：诊断系统；100：电厂；200：诊断装置；210：外部输入接口部；220：外部输出接口部；230：聚类部；240：诊断部；250：计算结果修正部；251：集群属性设定部；252：集群属性变更后处理部；260：运转数据DB；270：计算结果DB；300：外部装置。