窨井泵的诊断方法和窨井泵的诊断装置

本申请是下述专利申请的分案申请：

申请号：201911338676.0

申请日：2019年12月23日

发明名称：窨井泵的诊断方法和窨井泵的诊断装置

技术领域

本发明涉及设置在窨井内的、重复进行起动和停止的两台窨井泵的诊断方法和诊断装置。

背景技术

窨井泵设备具备：贮水部，该贮水部贮存从流入管流入的污水；多台泵，该多台泵将贮存于贮水部的污水向流出管排出；水位计，该水位计测量贮存于贮水部的污水的水位；以及控制盘，该控制盘具备执行如下的污水输送控制的控制装置，若水位计所测量出的水位达到泵起动水位则将任一泵起动而将污水排出到流出管，若水位达到泵停止水位则停止该泵。

在这样的窨井泵设备中，通常设置有两台泵，以每次输送污水时使这些泵交替地运转的方式构成控制装置。

在专利文献1中，提出一种泵场的监视系统，具备如下的单元：将应该由泵场中的多个泵排出的每隔规定的时间的累计流入量除以各泵的规定的时间内的运转时间而得的值作为各泵的平均的排水能力而按照时间序列数据进行管理的单元；判定作为该时间序列数据进行管理的各泵的平均的排水能力是否超过预先设定的排水能力范围的单元；以及在多个泵各自的平均的排水能力超过了设定排水能力范围时发出警报的单元。

在专利文献2中，公开了一种水中泵的控制装置，具备：压送控制部，若由水位传感器检测出的贮存水位达到泵起动水位，则该压送控制部使电磁开闭器工作而驱动水中泵；以及异常判定部，该异常判定部基于驱动电动机的电磁开闭器的工作状态、对经由电磁开闭器而与电枢绕组连接的供电线的电流进行检测的电流传感器的检测状态、贮存水位而判定异常的有无，若在电磁开闭器的工作中通过电流传感器未检测到电流、通过水位传感器未检测到贮存水位的降低，则异常判定部判定为进行自动切断的电动机的过热异常。

现有技术文献

专利文献

专利文献1：日本特开2001-34338号公报

专利文献2：日本特开2010-236191号公报

上述的以往的窨井泵设备所具备的控制装置根据泵的驱动电流值、从起动水位到达停止水位为止的泵的运转时间、泵的温度等物理量是否超过了规定的阈值而判定各泵是否异常。而且，为了测量适合于所假定的异常的种类的物理量，需要使用各种传感器来进行测量处理，存在非常繁琐的问题。

另外，用于异常判断的阈值也被设置有泵的窨井的环境所左右，因此很难统一设定。例如在每单位时间的入水量多的地域和每单位时间的入水量少的地域中，泵在起动频度和运转时间上产生长短的偏差，因此存在若以恒定的阈值进行判断则很难进行正确的判定这样的问题。

特别是，在远程监视系统中，在各窨井泵设备的控制盘具备通信装置、具备对从各通信装置发送的泵的运转数据进行管理的服务器，该远程监视系统能够从管理者所具有的终端访问服务器来监视运转状况，在该远程监视系统中存在如下的问题：为了独立地判定各个窨井泵设备所具备的泵的各种异常，需要发送非常多的物理量，为此传感器的数量和发送数据的容量增大，另一方面，很难设定适当的阈值。

发明内容

鉴于上述的问题，本发明的目的在于，提供如下的窨井泵的诊断方法和诊断装置，即使是较少的物理量也能够准确地进行基于各种原因的异常诊断。

为了实现上述的目的，在本发明的窨井泵的诊断方法的第一特征结构是设置在窨井内的重复进行起动和停止的两台窨井泵的诊断方法，该诊断方法的的特征点在于，具备如下步骤：采样步骤，对规定的期间内的各窨井泵的每一次起动的运转时间进行采样而将各个窨井泵的平均运转时间作为一对特性值进行计算；标准化步骤，将所述采样步骤中所计算出的一对特性值进行标准化；以及诊断步骤，在以一对特性值的一方为x轴、以另一方为y轴的二维坐标系中，描绘标准化后的一对特性值，基于所描绘的特性值点存在于在二维坐标系中预先设定的边界阈值的哪一侧而对各窨井泵的正常或者异常进行一次诊断。

通过在标准化步骤中对特性值进行标准化，该特性值由根据采样步骤中按照时间序列采样的各窨井泵的每一次起动的运转时间而计算的各自的平均运转时间构成，能够将排除了例如由窨井泵的固有的机差引起的影响、设置环境的影响等的一对特性值作为特征量来提取，通过诊断步骤而将表示一对特性值的特性值点描绘在二维坐标系，将预先设定的边界阈值作为指标而适当地对窨井泵是正常还是异常进行一次诊断。

该第二特征结构是设置在窨井内的重复进行起动和停止的两台窨井泵的诊断方法，该诊断方法的特征点在于，具备如下步骤：采样步骤，对规定的期间内的各窨井泵的每一次起动的运转时间进行采样而计算各个窨井泵的平均运转时间，将一方的平均运转时间、以及一方的平均运转时间与另一方的平均运转时间之比作为一对特性值；标准化步骤，将所述采样步骤中所计算出的一对特性值进行标准化；以及诊断步骤，在以一对特性值的一方为x轴、以另一方为y轴的二维坐标系中，描绘标准化后的一对特性值，基于所描绘的特性值点存在于在所述二维坐标系中预先设定的边界阈值的哪一侧而对各窨井泵的正常或者异常进行一次诊断。

将根据采样步骤中按照时间序列采样的各窨井泵的每一次起动的运转时间而计算的各自的平均运转时间中的、一方的平均运转时间以及一方的平均运转时间与另一方的平均运转时间之比作为一对特性值，在标准化步骤中将该一对特性值进行标准化，由此能够将排除了例如由窨井泵的固有的机差引起的影响、设置环境的影响等的一对特性值作为特征量来提取，通过诊断步骤而将表示一对特性值的特性值点描绘在二维坐标系，将预先设定的边界阈值作为指标而适当地对窨井泵是正常还是异常进行一次诊断。

该第三特征结构在上述第一或者第二特征结构的基础上，特征点在于，所述标准化步骤中所使用的标准化处理所需要的统计数据是基于所述标准化处理执行时的最近的规定期间的各特性值来计算的。

基于根据最近的规定期间的各特性值所求出的统计数据而对一对特性值进行标准化处理，由此排除例如因季节变动等时间经过引起的影响，能够进行可靠性高的诊断。

该第四特征结构在上述第一至第三特征结构中的任一特征结构的基础上，特征点在于，在所述诊断步骤中，每次特性值点被一次诊断为异常时，将规定的异常基准值乘以基于所述特性值点与所述边界阈值的距离的加权系数并与当前的累积评价值相加而得到新的累积评价值，并且每次特性值点在所述诊断步骤中被诊断为正常时，从当前的累积评价值减去规定的正常恢复评价值而得到新的累积评价值，基于最终得到的累积评价值而对所述窨井泵的正常或者异常进行最终诊断，所述累积评价值的初始值为0。

如果在一次诊断中诊断为异常的情况下然后诊断为正常这样的轻度的异常存在的话，则也存在持续诊断为异常而最终导致重大的故障的异常。在这样的情况下也是，每次在一次诊断中诊断为异常时，将规定的异常基准值乘以基于特性值点与边界阈值的距离的加权系数而得的值相加，每次诊断为正常时减去规定的正常恢复评价值，对由此得到的累积评价值进行计算，基于该累积评价值对窨井泵的正常或者异常进行最终诊断，由此能够进行考虑了例如近期需要维护的异常等异常的程度的诊断。

该第五特征结构在上述第一至第四特征结构中的任一特征结构的基础上，特征点在于，具备诊断图，在该诊断图中，在所述二维坐标系中设定的所述边界阈值的外侧被划分成多个区域，各区域与异常原因中的一个原因相关联，在所述诊断步骤中，基于描绘了各特性值点的区域来诊断异常原因。

能够根据标准化后的一对特性值所示的特性值点位于在表示正常区域的边界阈值的外侧所划分的诊断图的哪个区域来推断异常原因。

该第六特征结构在上述第一至第五特征结构中的任一特征结构的基础上，特征点在于，在所述诊断步骤中，基于作为学习数据所输入的所述特性值而由机器学习装置自动生成所述边界阈值。

不需要预先准备识别正常和异常的教师数据并使其进行机器学习这样的花费工夫的准备，若在窨井泵适当地运转的状态下的多个一对特性值被输入机器学习装置，则自动生成识别正常和异常的边界阈值。

在本发明的窨井泵的诊断装置的第一特征结构是设置在窨井内的重复进行起动和停止的两台窨井泵的诊断装置，该诊断装置的特征点在于，具备：标准化处理部，该标准化处理部将一对特性值进行标准化，该一对特性值由根据在规定期间内采样的各窨井泵的每一次起动的运转时间所计算出的各平均运转时间构成；以及诊断处理部，该诊断处理部在以一对特性值的一方为x轴、以另一方为y轴的二维坐标系中，描绘标准化后的一对特性值，基于所描绘的特性值点存在于在二维坐标系中预先设定的边界阈值的哪一侧而对各窨井泵的正常或者异常进行一次诊断。

该第二特征结构是设置在窨井内的重复进行起动和停止的两台窨井泵的诊断装置，该诊断装置的特征点在于，具备：标准化处理部，该标准化处理部将一对特性值进行标准化，该一对特性值由根据在规定期间内采样的各窨井泵的每一次起动的运转时间所计算出的各平均运转时间中的、一方的平均运转时间、以及一方的平均运转时间与另一方的平均运转时间之比构成；以及诊断处理部，该诊断处理部在以一对特性值的一方为x轴、以另一方为y轴的二维坐标系中，描绘标准化后的一对特性值，基于所描绘的特性值点存在于在所述二维坐标系中预先设定的边界阈值的哪一侧而对各窨井泵的正常或者异常进行一次诊断。

该第三特征结构在上述第一或者第二特征结构的基础上，特征点在于，在每次各特性值点被一次诊断为异常时，所述诊断处理部将规定的异常基准值乘以基于各特性值点与所述边界阈值的距离的加权系数并与当前的累积评价值相加而得到新的累积评价值，并且每次各特性值点在所述诊断步骤中被诊断为正常时，从当前的累积评价值减去规定的异常基准值而得到新的累积评价值，基于最终得到的累积评价值而对各窨井泵的正常或者异常进行最终诊断，所述累积评价值的初始值为0。

该第四特征结构在上述第一至第三特征结构中的任一特征结构的基础上，特征点在于，具备诊断图，在该诊断图中，在二维坐标系中设定的所述边界阈值的外侧被划分成多个区域，各区域与异常原因中的一个原因相关联，所述诊断处理部基于描绘了各特性值点的区域来诊断异常原因。

该第五特征结构在上述第一至第四特征结构中的任一特征结构的基础上，特征点在于，所述诊断处理部具备机器学习装置，该机器学习装置基于作为学习数据所输入的一对特性值而自动生成所述边界阈值。

像以上说明的那样，根据本发明，提供如下的窨井泵的诊断方法和诊断装置，即使是较少的物理量也能够准确地进行基于各种原因的异常诊断。

附图说明

图1是窨井泵的说明图。

图2是窨井泵的异常诊断装置的说明图。

图3是表示窨井泵的异常诊断方法的步骤的说明图。

图4(a)是测量数据的说明图，图4(b)是测量数据的主要部分放大说明图。

图5是标准化处理的说明图。

图6是一次诊断的说明图。

图7是累积评价值和最终诊断的说明图。

图8是诊断图的说明图。

符号说明

10窨井泵设备

PA、PB泵

18、19水位计

21控制部

22存储部

24通信部

30移动终端

40监视装置

41通信部

42数据处理部

44诊断部

46标准化处理部

48诊断处理部。

具体实施方式

以下，对本发明的窨井泵的诊断方法和诊断装置进行说明。

图1表示窨井泵装置10。窨井泵装置10具备：作为贮水部的窨井12，该窨井贮存从上游侧的污水流入管11流入的污水；两台泵PA、PB，该两台泵将贮存于窨井12的污水压送到下游侧的污水流出管13；以及水位计18、19，该水位计对贮存于窨井12的污水的水位进行测量。

在第一泵PA的出料弯管15a分别法兰连接有第一抽水管15b、第一弯管15c、第一水平管15d，第一水平管15d经由集管13a而与污水流出管13法兰连接。在第一抽水管15b与第一弯管15c之间设置有止回阀15e。

在第二泵PB的出料弯管17a分别法兰连接有第二抽水管17b、第二弯管17c，第二弯管17c经由集管13a而与污水流出管13法兰连接。在第二抽水管17b与第二弯管17c之间设置有止回阀17e。

投入压力式或者气泡式的水位计18设置于窨井12的底部。通过该水位计18而连续地检测贮存于窨井12的污水的水位。并且，浮动式的水位计19被设置为检测异常高水位HHWL的备用的水位计。

在窨井12的附近设置有收容控制盘20的控制盘装置200，该控制盘包含控制部21，该控制部执行控制泵PA、PB而将积存于窨井12的污水压送到污水流出管13的污水输送控制。

在控制盘20设置有控制部21、存储部22、通信部24。在存储部22存储有来自控制部21的控制信息、来自水位计18、19的水位信息等。通信部24具备：将存储于存储部22的各种信息发送给远程的监视装置40的发送部、以及接收来自监视装置40的控制指令的接收部。

构成为，作为将通信部24与监视装置40之间连接的通信介质，优选使用例如移动电话网这样的无线通信介质，监视装置40与通信部24经由这样的通信介质而进行网络连接，进一步地窨井泵装置10的管理者所具有的便携式通信终端30(参照图2)与监视装置40能够经由无线通信介质进行网络连接。

控制盘20与各泵PA、PB由交流的供电线L1、L2连接，控制盘20与水位计18、19由信号线S连接。

若检测到由水位计18测量出的水位达到规定的泵起动水位HWL，则控制部21为了将泵PA、PB中的一个泵PA起动而控制为从供电线L1供电，若检测到水位达到比泵起动水位HWL低位的泵停止水位LWL，则控制部21停止供电而停止该一个泵PA。

若之后再次检测到水位达到泵起动水位HWL，则控制部21为了将另一个泵PB起动而控制为从供电线L2供电，若检测到达到泵停止水位LWL，则控制部21停止供电而停止该泵PB。即，控制部21交替地对泵PA、PB进行运转控制。

并且，在由于水位计18的故障等而无法检测泵起动水位HWL的情况下、或者由于集中暴雨而使超过了1台泵的排水能力的大量的雨水流入窨井12，并由水位计19测量出达到异常高水位HHWL，若检测到如上的情况，则控制部21使两台泵PA、PB同时运转。

控制部21例如以1分钟间隔按照时间序列对水位计18、19所检测出的水位信息进行采样并存储于存储部22，并且将各泵PA、PB的起动时期和停止时期、从起动到停止的运转时间等时间序列的运转信息存储于存储部22。

如图2所示，各窨井泵装置10的控制盘20所具备的通信部24构成为，将存储于存储部22的水位信息和运转信息以规定的间隔发送给监视装置40。

监视装置40作为窨井泵装置10的诊断装置发挥功能，具备：通信部41，该通信部与各窨井泵装置10的通信部24、管理者的便携式通信终端30进行通信；数据库DB，该数据库储存从各窨井泵装置10的通信部24发送来的水位信息和运转信息；数据处理部42，该数据处理部在与数据库DB之间交换数据；以及诊断部44，该诊断部基于储存于数据库DB的水位信息和运转信息来诊断各窨井泵装置10是否正常运转。

诊断部44具备标准化处理部46和诊断处理部48。标准化处理部46构成为对根据按照时间序列采样的表示各泵PA、PB的特性的规定的期间的运转时间所得到的一对特性值进行标准化。能够计算各个泵的平均运转时间来作为一对特性值，并且也能够将一个泵的平均运转时间以及一个泵的平均运转时间与另一个泵的平均运转时间之比作为一对特性值。

诊断处理部48构成为具备机器学习装置，该机器学习装置基于作为学习数据所输入的表示一对特性值的过去的多个数据而自动生成对是正常还是异常进行诊断的边界阈值，机器学习装置构成为在以一对特性值的一方为x轴、以另一方为y轴的二维坐标系中描绘标准化后的一对特性值，基于所描绘的特性值点存在于在二维坐标系中预先设定的边界阈值的哪一侧而对各窨井泵的正常或者异常进行一次诊断。该机器学习装置由执行一类支持向量机(One-Class Support Vector Machine)算法的计算机构成。

并且，诊断处理部48构成为，每次一次诊断特性值点为异常时，将规定的异常基准值乘以基于特性值点与边界阈值的距离的加权系数并与当前的累积评价值相加而得到新的累积评价值，并且每次特性值点在一次诊断中被诊断为正常时，从当前的累积评价值减去规定的正常恢复评价值而得到新的累积评价值，基于最终得到的累积评价值而对窨井泵的正常或者异常进行最终诊断，所述累积评价值的初始值为0。

具备诊断图，在该诊断图中，在二维坐标系中设定的边界阈值的外侧被划分成多个区域，各区域与异常原因中的一个原因相关联，诊断处理部48构成为基于描绘了各特性值点的区域来诊断异常原因。

图3中表示由监视装置40执行的一系列的诊断处理的流程。若从各窨井泵装置10接收1天的量的测量数据并最终储存于数据库DB(SA1)，则针对各窨井泵装置10的每个泵，作为用于异常判定的测量数据而提取泵PA、PB各自的运转时间，并且分别对于泵PA、PB而计算将泵的1天的运转时间的合计除以运转次数而得的平均运转时间(SA2)。

作为特征量，可以选择一对特性值作为各个泵的平均运转时间，也可以选择一个泵的平均运转时间以及一个泵的平均运转时间与另一个泵的平均运转时间之比作为一对特性值。根据储存于数据库DB的最近的规定的期间内的平均运转时间来计算标准化处理所需要的统计量、即平均值和分散值，对作为判定对象的1天的特征量进行标准化处理(SA3)。

将标准化后的特征量输入给机器学习装置，而基于所设定的边界阈值来进行一次判定(SA5)，若判定为异常则考虑异常的程度而对累积评价值进行加法处理(SA6)，若判定为正常则对累积评价值进行减法处理(SA7)。

进行每天重复这样的处理而计算出的累积评价值是否超过预先设定的累积异常阈值的最终的异常判定(SA8)，若超过累积异常阈值，则基于预先表示与异常原因的相关性的诊断图来确定异常原因(SA9)，并与异常原因一同将作为异常状态的内容的警报发送给管理者所具有的移动终端等(SA10)。警报通知经由通信部41所具备的邮件器而作为电子邮件被发送。

以下，对诊断部44进行详细说明。

图4(a)中表示从上午0时0分到第二天0时0分为止的24小时的窨井泵装置的运转数据。从上层开始依次分别表示水位的变动状况、泵PA、PB的运转时机和运转时间、泵PA的电流值、泵PB的电流值。

在图4(b)中，是用于使图4(a)所示的水位的变动状况、泵PA、PB的运转时机与运转时间的关系理解容易的放大显示。若窨井的储水水位达到HWL则将泵PA起动，若水位降低到LWL则将泵PA停止。接着，若储水水位达到HWL则将泵PB起动，若水位降低到LWL则将泵PB停止。在水位从HWL降低到LWL的期间，将任一泵起动。在泵的输送量降低、或者污水向窨井的流入量较多的情况下等，泵的运转时间变长。

存储于各窨井泵装置10的存储部22中的这样的水位信息和运转信息经由通信部24而发送给监视装置40，经由数据处理部42而储存于数据库DB。

数据处理部42从这样的数据中提取各泵PA、PB起动时的各自的“泵运转时间的合计值”和各自的“运转次数”，基于“泵运转时间的合计值”除以“运转次数”而得的1天的平均运转时间而将各个泵的平均运转时间作为一对特性值、或者将一个泵的平均运转时间以及一个泵的平均运转时间与另一个泵的平均运转时间之比作为一对特性值进行计算并传递给标准化处理部46。

如图5所示，标准化处理部46将在最近的过去三个月的期间存储于数据库DB的特征量作为总体而对用于数据的标准化的平均值μ和分散σ

虽然不限于最近的过去三个月，但标准化处理所需要的统计数据(平均值、分散值)优选基于标准化处理执行时的最近的规定的期间的测量数据组来计算，排除了例如因季节变动等时间经过引起的影响，能够进行可靠性高的诊断。

若由标准化处理部46进行了标准化处理后的特征量“各泵的平均运转时间”所构成的一对特性值或者由“一个泵的平均运转时间以及一个泵的平均运转时间与另一个泵的平均运转时间之比”所构成的一对特性值输入给诊断处理部48，则在以一对特性值的一方为x轴、以另一方为y轴的二维坐标系中，描绘标准化后的一对特性值，基于所描绘的特性值点存在于在二维坐标系中预先设定的边界阈值的哪一侧而对各窨井泵的正常或者异常进行一次诊断。

通过在标准化步骤中对基于采样步骤中按照时间序列采样的测量值而计算出的特性值进行标准化，能够将排除了例如由窨井泵的机差引起的影响、设置环境的影响等的特性值作为特征量来提取，通过诊断步骤而将表示这些特征量、即两种测量数据组的点在二维坐标系中描绘为时间序列的多个点，将预先设定的边界阈值作为指标而适当地对窨井泵装置是正常还是异常进行一次诊断。

在图6中表示如下的情况，在以纵轴(y轴)为各泵的平均运转时间之比(T(PA)/T(PB))、以横轴(x轴)为泵PB的平均运转时间(T(PB))的二维坐标系中，将具有二维坐标系的原点(各值的平均值)的大致圆形的闭曲线(用粗线表示)作为边界阈值，若所描绘的特性值点位于边界阈值的内侧则判定为正常，若所描绘的特性值点位于边界阈值的外侧则判定为异常。另外，也可以在以纵轴(y轴)为一个泵的平均运转时间、以横轴(x轴)为另一个泵PB的平均运转时间的二维坐标系中描绘特性值点。

诊断处理部48具备机器学习装置，该机器学习装置基于作为学习数据所输入的测量数据组而自动生成上述的边界阈值。作为该机器学习装置，除了上述的一类支持向量机(One-Class Support Vector Machine)之外，能够使用执行LOF(local outlier factor：局部异常因子)法、IF(Isolation Forest：隔离林)法、RC(Robust Covariance：稳健协方差)法等算法的计算机等。

通过进行机器学习，而在图6所示的映射空间(特征空间)中，生成映射了正常的测定数据(训练数据)的正常数据空间、即边界阈值的内部空间。在图6的例中，表示了将设置有两台泵的100处的窨井泵装置所得到的1年的一对特性值作为学习数据进行学习的结果。

诊断处理部48每次一次诊断为特性值点为异常时，基于以下的数学式，将规定的异常基准值Vnb乘以基于各特性值点的位置与边界阈值的距离的加权系数W并相加，并且每次各特性值点在一次诊断中被诊断为正常时，通过减去规定的正常恢复评价值Vpb来计算累积评价值V，并基于累积评价值对窨井泵装置的正常或者异常进行最终诊断。特性值点的位置与边界阈值的距离是指，通过特性值点的与边界阈值相距的法线的长度。

V＝Vnb×W－Vpb

在本实施方式中，设定为Vnb＝1、Vnb＜Vpb＜Wmax×Vnb。

如果在一次诊断中诊断为异常的情况下然后诊断为正常这样的轻度的异常存在的话，则也存在持续诊断为异常而最终导致重大的故障这样的异常。在这样的情况下也是，每次在一次诊断中诊断为异常时将规定的异常基准值乘以基于特性值点与边界阈值的距离的加权系数而得的值相加，每次诊断为正常时减去规定的正常恢复评价值，对由此得到的累积评价值进行计算，基于该累积评价值对机械设备的正常或者异常进行最终诊断，由此能够进行考虑了例如近期需要维护的异常等异常的程度的诊断。

图7中表示累积评价值的转变。累积评价值每隔描绘特性值点的规定的期间而进行一次评价，若进行异常判定则从初始值0加上Vnb×W的值，若进行正常判定则减去Vpb的值。若累积评价值超过规定的阈值、在本例中为超过“10”则进行最终的异常判定，向管理者所具有的移动终端等发送该内容。另外，在进行了异常判定之后也继续进行一次判定和最终判定。

在图8中例表示诊断图。图6所示的特征空间所示的边界阈值的外侧被划分成八个区域，各区域与异常原因的一个原因相关联。诊断处理部48基于描绘了各特征数据的区域来诊断异常原因。

例如，在图8的例中，若在区域2中描绘特性值点，则诊断为仅处于长时间运转的泵PA异常，若在区域4中描绘特性值点，则诊断为水位计的异常等外部环境的异常，若在区域5中描绘特性值点，则诊断为双方处于长时间运转的双方的泵的异常、污水的流入量的增加、排出管的合流部关闭等外部环境的异常，若在区域8中描绘特性值点，则诊断为仅处于长时间运转的泵PB异常。

在上述的例中，说明了将各泵的平均运转时间、或者一个泵的平均运转时间与另一个泵的平均运转时间之比作为一对特性值的例子，但一对特性值不限于这些数据，各泵的每一次运转的运转时间、一个泵的每一次运转的运转时间与另一个泵的每一次运转的运转时间之比、图4(a)所示的各泵的运转时的电流值、平均电流值、双方的泵的平均电流值之比等当然能够适当地设定。

像以上说明的那样，在本发明的窨井泵的诊断方法中，两台窨井泵设置在窨井内，重复进行起动和停止，其中，窨井泵的诊断方法具备：采样步骤，对规定的期间内的各窨井泵的每一次起动的运转时间进行采样而将各个窨井泵的平均运转时间作为一对特性值进行计算；标准化步骤，将采样步骤中所计算出的一对特性值进行标准化；以及诊断步骤，在以一对特性值的一方为x轴、以另一方为y轴的二维坐标系中，描绘标准化后的一对特性值，基于所描绘的特性值点存在于在二维坐标系中预先设定的边界阈值的哪一侧而对各窨井泵的正常或者异常进行一次诊断。

另外，具备：采样步骤，对规定的期间内的各窨井泵的每一次起动的运转时间进行采样而计算各个窨井泵的平均运转时间，将一方的平均运转时间以及一方的平均运转时间与另一方的平均运转时间之比作为一对特性值；标准化步骤，将采样步骤中计算出的一对特性值进行标准化；以及诊断步骤，在以一对特性值的一方为x轴、以另一方为y轴的二维坐标系中，描绘标准化后的一对特性值，基于所描绘的特性值点存在于在二维坐标系中预先设定的边界阈值的哪一侧而对各窨井泵的正常或者异常进行一次诊断。

构成为，标准化步骤中所使用的标准化处理所需要的统计数据是基于上述标准化处理执行时的最近的规定的期间的各特性值来计算的。

诊断步骤构成为，每次特性值点被一次诊断为异常时，将规定的异常基准值乘以基于特性值点与边界阈值的距离的加权系数并与当前的累积评价值相加而得到新的累积评价值，并且每次特性值点在诊断步骤中被诊断为正常时，从当前的累积评价值减去规定的正常恢复评价值而得到新的累积评价值，基于最终得到的累积评价值而对窨井泵的正常或者异常进行最终诊断，所述累积评价值的初始值为0。

构成为，具备诊断图，在该诊断图中，在二维坐标系中设定的边界阈值的外侧被划分成多个区域，各区域与异常原因中的一个原因相关联，诊断步骤基于描绘了各特性值点的区域来诊断异常原因。

在诊断步骤中，优选基于作为学习数据所输入的特性值而由机器学习装置自动生成边界阈值。

在上述的实施方式中，诊断步骤的整体由机器学习装置执行，但可以是，仅边界阈值的生成由机器学习装置执行，还可以是，不使用机器学习装置而使用已定的边界阈值来执行诊断步骤。

上述的实施方式都是本发明的一例，本发明的技术范围不被该记载限定，以泵、水位计等为代表的各部分的具体的结构、为了异常判定而设定的阈值等在实现本发明的作用效果的范围内当然能够适当地变更设计。