2023-700045

特許第７１０４１２１号発明「故障予知装置、故障予知システム及び故障予知方法」の特許異議申立事件について、次のとおり決定する。

結 論 特許第７１０４１２１号の特許請求の範囲を訂正請求書に添付された訂正特許請求の範囲のとおり、訂正後の請求項〔１～１６〕、１７、１８、１９について訂正することを認める。 特許第７１０４１２１号の請求項２、４～６、８～１６及び１８に係る特許を維持する。 特許第７１０４１２１号の請求項１、３、７、１７及び１９に係る特許についての特許異議の申立てを却下する。

理 由 第１ 手続の経緯 特許第７１０４１２１号（以下「本件特許」という。）の請求項１～１９に係る発明についての出願は、平成２７年１１月３０日（優先権主張 同年７月３１日）に出願した特願２０１５－２３４０２２の一部を、平成２９年２月７日に新たな特許出願（特願２０１７－２０４０３）とし、その一部を、令和２年１０月１日に新たな特許出願（特願２０２０－１６７２２２）としたものである。そして、令和４年７月１１日に本件特許の設定登録がされ、同月２０日に特許掲載公報が発行された。 その後の本件特許異議の申立ての主な経緯は、次のとおりである。 令和５年 １月１７日 ：特許異議申立人 藤本信男（以下「申立人」 という。）による請求項１～１９に係る 特許に対する特許異議の申立て 同 年 ４月１８日付け：取消理由通知 同 年 ６月 １日 ：特許権者 ファナック株式会社及び株式会社 Ｐｒｅｆｅｒｒｅｄ Ｎｅｔｗｏｒｋｓ（以下 「特許権者」という。）と審判官との面接 同 年 ６月５日～６日：特許権者と審判官との電話及び電子メール での応対 同 年 ６月 ８日 ：特許権者と審判官との電話及び電子メール での応対 同 年 ６月１９日 ：特許権者による意見書及び訂正請求書の提出 同 年 ７月３１日 ：申立人による意見書の提出 同 年１０月２６日付け：申立人に対する審尋 同 年１０月３１日付け：取消理由通知（決定の予告） 同 年１２月１５日 ：申立人による回答書の提出 同 年１２月２５日 ：特許権者による意見書及び訂正請求書の提出 令和６年 １月１１日付け：令和５年１２月２５日提出の訂正請求書に 対する手続補正指令 同 年 １月３０日 ：特許権者による手続補正書（方式）の提出 同 年 ２月１３日付け：申立人に対する訂正請求があった旨の通知 （意見書において説明を求める点の提示） 同 年 ３月１３日 ：申立人による意見書の提出 なお、令和５年６月１９日提出の訂正請求書による訂正の請求は、特許法１２０条の５第７項の規定により取り下げられたものとみなす。 第２ 訂正の適否 令和５年１２月２５日に提出され、令和６年１月３０日提出の手続補正書（方式）により補正された訂正請求書によってされた、訂正の請求（以下「本件訂正請求」という。）による訂正の適否について検討する。 １ 本件訂正請求の趣旨 本件訂正請求の趣旨は、本件特許の特許請求の範囲を、本件訂正請求書に添付した訂正特許請求の範囲のとおり、訂正後の請求項１～１９について訂正することを求めるものである。 ２ 一群の請求項について 本件訂正請求に係る訂正前（以下「訂正前」という。）の請求項１～１６について、請求項４～１６は、請求項１～３を直接的又は間接的に引用しているものであって、以下の訂正事項１～３によって記載が訂正される請求項１～３に連動して訂正されるものであるから、訂正前の請求項１～１６に対応する本件訂正請求に係る訂正後の請求項１～１６は、特許法１２０条の５第４項に規定する一群の請求項である。 ３ 独立特許要件 本件特許異議申立てにおいては、訂正前の全ての請求項１～１９について特許異議申立てがされているので、本件訂正請求に関して、特許法１２０条の５第９項で読み替えて準用する同法１２６条７項の独立特許要件は課されない。 ４ 一群の請求項１～１６に係る訂正の適否 （１）一群の請求項１～１６に係る訂正事項 上記２に示す一群の請求項１～１６に係る訂正事項は、次のとおりである（下線は、特許権者が付したものである。）。 ア 訂正事項１ 特許請求の範囲の請求項１を削除する。 イ 訂正事項２ 特許請求の範囲の請求項２に 「前記第１の機械の故障の度合いを示す情報の時系列を通知部に出力する出力部」 と記載されているのを、 「前記第１の機械の故障の度合いを示す情報の時系列を表示装置に表示する出力部」 に訂正する。（請求項２の記載を直接的又は間接的に引用する請求項４～６、８～１６も同様に訂正する。） ウ 訂正事項３ 特許請求の範囲の請求項３を削除する。 エ 訂正事項４ 特許請求の範囲の請求項４に 「請求項１乃至３のいずれか１項」 と記載されているのを、 「請求項２」 に訂正する。（請求項４の記載を直接的又は間接的に引用する請求項８～１６も同様に訂正する。） オ 訂正事項５ 特許請求の範囲の請求項５に 「請求項１乃至３のいずれか１項」 と記載されているのを、 「請求項２」 に訂正する。（請求項５の記載を直接的又は間接的に引用する請求項６、８～１６も同様に訂正する。） カ 訂正事項６ 特許請求の範囲の請求項７を削除する。 キ 訂正事項７ 特許請求の範囲の請求項８に 「請求項１乃至７のいずれか１項」 と記載されているのを、 「請求項２、４乃至６のいずれか１項」 に訂正する。（請求項８の記載を直接的又は間接的に引用する請求項９～１６も同様に訂正する。） ク 訂正事項８ 特許請求の範囲の請求項９に 「請求項１乃至８のいずれか１項」 と記載されているのを、 「請求項２、４乃至６、及び８のいずれか１項」 に訂正する。（請求項９の記載を直接的又は間接的に引用する請求項１０～１６も同様に訂正する。） ケ 訂正事項９ 特許請求の範囲の請求項１０に 「請求項１乃至９のいずれか１項」 と記載されているのを、 「請求項２、４乃至６、８、及び９のいずれか１項」 に訂正する。（請求項１０の記載を直接的又は間接的に引用する請求項１１～１６も同様に訂正する。） コ 訂正事項１０ 特許請求の範囲の請求項１１に 「請求項１乃至１０のいずれか１項」 と記載されているのを、 「請求項２、４乃至６、及び８乃至１０のいずれか１項」 に訂正する。（請求項１１の記載を直接的又は間接的に引用する請求項１２～１６も同様に訂正する。） サ 訂正事項１１ 特許請求の範囲の請求項１２に 「請求項１乃至請求項１１のいずれか１項」 と記載されているのを、 「請求項２、４乃至６、及び８乃至１１のいずれか１項」 に訂正する。（請求項１２の記載を直接的又は間接的に引用する請求項１３～１６も同様に訂正する。） シ 訂正事項１２ 特許請求の範囲の請求項１３に 「請求項１乃至１２のいずれか１項」 と記載されているのを、 「請求項２、４乃至６、及び８乃至１２のいずれか１項」 に訂正する。（請求項１３の記載を直接的又は間接的に引用する請求項１４～１６も同様に訂正する。） ス 訂正事項１３ 特許請求の範囲の請求項１４に 「請求項１乃至１３のいずれか１項に記載の故障予知装置と、 前記通知部と、を備え、 前記通知部は、前記出力部からの出力をオペレータに通知する、 故障予知システム。」 と記載されているのを、 「請求項２、４乃至６、及び８乃至１３のいずれか１項に記載の故障予知装置と、 前記表示装置と、を備え、 前記表示装置は、前記出力部からの出力をオペレータに通知する、 故障予知システム。」 に訂正する。（請求項１４の記載を直接的又は間接的に引用する請求項１５～１６も同様に訂正する。） セ 訂正事項１４ 特許請求の範囲の請求項１５に 「前記通知部は、故障が発生する時期から遡って第１の所定期間で定められる時期より前であり、」 と記載されているのを、 「前記表示装置は、故障が発生する時期から遡って第１の所定期間で定められる時期より前であり、」 に訂正する。（請求項１５の記載を引用する請求項１６も同様に訂正する。） （２）訂正の目的の適否、新規事項の有無、及び特許請求の範囲の拡張・変更の存否 ア 訂正事項１、３及び６について （ア）訂正の目的について 訂正事項１、３及び６は、特許請求の範囲の請求項１、３及び７を削除するものであるから、その目的は、特許法１２０条の５第２項ただし書１号に掲げる特許請求の範囲の減縮に該当する。 （イ）新規事項の有無及び特許請求の範囲の拡張・変更の存否について 訂正事項１、３及び６は、請求項１、３及び７を削除するものであるから、願書に添付した明細書、特許請求の範囲又は図面（以下「本件明細書等」という。）に記載した事項の範囲内の訂正であり、また、カテゴリーや対象、目的を変更するものではないから、実質上特許請求の範囲を拡張し又は変更するものには該当しない。 したがって、訂正事項１、３及び６は、特許法１２０条の５第９項で準用する同法１２６条５項及び６項に適合する。 イ 訂正事項２ （ア）訂正の目的について 訂正事項２は、訂正前の請求項２の「通知部に出力する出力部」という事項を「表示装置に表示する出力部」と訂正するものであるところ、出力部による出力の態様を視覚的なものに限定して、「表示装置に表示する」と訂正するものであるから、訂正事項２の訂正の目的は、特許法１２０条の５第２項ただし書１号に掲げる特許請求の範囲の減縮に該当する。 （イ）新規事項の有無について 請求項２の「出力部」に対応する事項は、本件明細書等の【００４４】の「故障情報出力部４２は、・・・ロボット２の故障情報を出力する」という記載に示すように、「故障情報出力部４２」として記載されている。 そして、請求項２の出力部が「表示装置に表示する」ことは、本件明細書等の【００４５】の「通知部３２は、故障情報出力部４２によって出力される故障情報をオペレータに通知する。故障情報が通知される態様は、オペレータが知得可能であれば、特に限定されない。例えば、予知された故障の有無又は故障の度合いを図示されない表示装置に表示してもよい」という記載に示すように、故障情報出力部４２が通知部３２に故障情報を出力し、その通知部３２の通知の態様が、表示装置に表示する態様として記載されている。 したがって、訂正事項２は、本件明細書等に記載した事項の範囲内の訂正であり、特許法１２０条の５第９項で準用する同法１２６条５項に適合する。 （ウ）特許請求の範囲の拡張・変更の存否について 訂正事項２は、訂正前の請求項２に記載された事項をより具体的に特定するように訂正するものであり、カテゴリーや対象、目的を変更するものではないから、実質上特許請求の範囲を拡張し又は変更するものには該当しない。 したがって、訂正事項２は、特許法１２０条の５第９項で準用する同法１２６条６項に適合する。 ウ 訂正事項４、５及び７～１２について （ア）訂正の目的について 訂正事項４、５及び７～１２は、訂正前の請求項４、５及び８～１３が、請求項１～３又は７のいずれかを直接的又は間接的に引用していたところ、訂正事項１、３及び６によって、請求項１、３及び７が削除されたことに伴って、請求項１、３及び７を引用しないように限定する（引用する請求項の選択肢から請求項１、３及び７を削除する）ものであるから、訂正事項４、５及び７～１２の訂正の目的は、特許法１２０条の５第２項ただし書１号に掲げる特許請求の範囲の減縮に該当する。 （イ）新規事項の有無及び特許請求の範囲の拡張・変更の存否について 訂正事項４、５及び７～１２は、訂正前に引用していた請求項の選択肢から請求項１、３及び７を削除するものであるから、本件明細書等に記載した事項の範囲内の訂正であり、また、カテゴリーや対象、目的を変更するものではないから、実質上特許請求の範囲を拡張し又は変更するものには該当しない。 したがって、訂正事項４、５及び７～１２は、特許法１２０条の５第９項で準用する同法１２６条５項及び６項に適合する。 エ 訂正事項１３について （ア）訂正の目的について 訂正事項１３は、訂正前の請求項１４が、請求項１～３又は７のいずれかを直接的又は間接的に引用していたところ、訂正事項１、３及び６によって、請求項１、３及び７が削除されたことに伴って、請求項１、３及び７を引用しないように限定する（引用する請求項の選択肢から請求項１、３及び７を削除する）ものである。 また、訂正前の請求項１４に記載された「通知部」について、訂正事項２によって「通知部」が「表示装置」に限定されたことに伴って、「表示装置」に限定するものである。 したがって、訂正事項１３の訂正の目的は、特許法１２０条の５第２項ただし書１号に掲げる特許請求の範囲の減縮に該当する。 （イ）新規事項の有無及び特許請求の範囲の拡張・変更の存否について 訂正事項１３のうち、訂正前に引用していた請求項の選択肢から請求項１、３及び７を削除する訂正は、本件明細書等に記載した事項の範囲内の訂正であり、また、カテゴリーや対象、目的を変更するものではないから、実質上特許請求の範囲を拡張し又は変更するものには該当しない。 また、訂正前の「通知部」を「表示装置」に限定する訂正は、訂正事項２と同様に、本件明細書等に記載した事項の範囲内の訂正であり、また、カテゴリーや対象、目的を変更するものではないから、実質上特許請求の範囲を拡張し又は変更するものには該当しない。 したがって、訂正事項１３は、特許法１２０条の５第９項で準用する同法１２６条５項及び６項に適合する。 オ 訂正事項１４について （ア）訂正の目的について 訂正事項１４は、訂正前の請求項１５に記載された「通知部」について、訂正事項２によって「通知部」が「表示装置」に限定されたことに伴って、「表示装置」に限定するものである。 したがって、訂正事項１４の訂正の目的は、特許法１２０条の５第２項ただし書１号に掲げる特許請求の範囲の減縮に該当する。 （イ）新規事項の有無及び特許請求の範囲の拡張・変更の存否について 訂正事項１４は、訂正前の「通知部」を「表示装置」に限定するものであるから、訂正事項２と同様に、本件明細書等に記載した事項の範囲内の訂正であり、また、カテゴリーや対象、目的を変更するものではないから、実質上特許請求の範囲を拡張し又は変更するものには該当しない。 したがって、訂正事項１４は、特許法１２０条の５第９項で準用する同法１２６条５項及び６項に適合する。 （３）一群の請求項１～１６に係る訂正の小括 一群の請求項１～１６に係る訂正は、特許法１２０条の５第２項ただし書１号に掲げる特許請求の範囲の減縮を目的とし、特許法１２０条の５第９項で準用する同法１２６条５項及び６項に適合する。 ５ 請求項１７に係る訂正の適否 （１）請求項１７に係る訂正事項 特許請求の範囲の請求項１７を削除する。 （２）訂正の目的について 請求項１７に係る訂正は、特許請求の範囲の請求項１７を削除するものであるから、その目的は、特許法１２０条の５第２項ただし書１号に掲げる特許請求の範囲の減縮に該当する。 （３）新規事項の有無及び特許請求の範囲の拡張・変更の存否について 請求項１７に係る訂正は、請求項１７を削除するものであるから、本件明細書等に記載した事項の範囲内の訂正であり、また、カテゴリーや対象、目的を変更するものではないから、実質上特許請求の範囲を拡張し又は変更するものには該当しない。 したがって、請求項１７に係る訂正は、特許法１２０条の５第９項で準用する同法１２６条５項及び６項に適合する。 ６ 請求項１８に係る訂正の適否 （１）請求項１８に係る訂正事項 特許請求の範囲の請求項１８に 「前記第１の機械の故障の度合いを示す情報の時系列を出力し」 と記載されているのを、 「前記第１の機械の故障の度合いを示す情報の時系列を表示装置に表示し」 に訂正する。 （２）訂正の目的について 請求項１８に係る訂正は、訂正前の請求項１８の「出力し」という事項を「表示装置に表示し」と訂正するものであるところ、出力の態様を視覚的なものに限定して、「表示装置に表示し」と訂正するものであるから、請求項１８に係る訂正の目的は、特許法１２０条の５第２項ただし書１号に掲げる特許請求の範囲の減縮に該当する。 （３）新規事項の有無及び特許請求の範囲の拡張・変更の存否について 請求項１８に係る訂正は、請求項２に係る訂正事項２と同様の訂正であるから、訂正事項２と同様に、本件明細書等に記載した事項の範囲内の訂正であり、また、カテゴリーや対象、目的を変更するものではないから、実質上特許請求の範囲を拡張し又は変更するものには該当しない。 したがって、請求項１８に係る訂正は、特許法１２０条の５第９項で準用する同法１２６条５項及び６項に適合する。 ７ 請求項１９に係る訂正の適否 （１）請求項１９に係る訂正事項 特許請求の範囲の請求項１９を削除する。 （２）訂正の目的について 請求項１９に係る訂正は、特許請求の範囲の請求項１９を削除するものであるから、その目的は、特許法１２０条の５第２項ただし書１号に掲げる特許請求の範囲の減縮に該当する。 （３）新規事項の有無及び特許請求の範囲の拡張・変更の存否について 請求項１９に係る訂正は、請求項１９を削除するものであるから、本件明細書等に記載した事項の範囲内の訂正であり、また、カテゴリーや対象、目的を変更するものではないから、実質上特許請求の範囲を拡張し又は変更するものには該当しない。 したがって、請求項１９に係る訂正は、特許法１２０条の５第９項で準用する同法１２６条５項及び６項に適合する。 ８ 本件訂正に対する申立人の意見について （１）申立人の意見の概要 本件訂正に対する申立人の意見（令和６年３月１３日の申立人の意見書の１～４ページ）の概要は次のとおりである。 請求項２、１４、１８に係る訂正は、訂正前の「通知部」を「表示装置」に訂正するものであるが、以下のア～イに示すように、特許法１２６条５項の要件を満たしていない。 ア 権利者は、訂正の根拠として本件明細書等の【００４５】を示すが、そこには「図示されない表示装置」と記載されているから、「表示装置」は図６には図示されていないはずであり、当該「表示装置」は、図６に図示されている「通知部３２」の具体的態様ではなく、【００１７】の「外部装置」の具体的態様である。したがって、【００４５】で説明する故障情報は、故障情報出力部４２→通知部３２→外部装置としての表示装置、の順に伝達され、故障情報出力部４２が故障情報を表示装置に表示することは記載も示唆もされていない。 イ 【００４６】の記載から、故障情報出力部４２が出力するのは、故障の度合いを示す指標値そのもの（図７（ａ））、故障の有無そのもの（図７（ｂ））、故障レベルそのもの（図７（ｃ））であって、「故障の度合いを示す時系列」とは異なるから、「故障の度合いを示す情報の時系列を表示装置に表示する出力部」は記載も示唆もされていない。 （２）申立人の意見の検討 ア 申立人は、【００４５】の「図示されない表示装置」という記載を根拠に、「表示装置」は本件明細書等の図６の「通知部３２」の具体的態様ではなく、【００１７】の「外部装置」の具体的態様であると説明しているが、「図示されない表示装置」という記載は、表示装置が図６に図示されていないことを意味するにすぎず、表示装置を包含する「通知部３２」が図６に図示されていても、上記の記載に矛盾するわけではない。そして、請求項２に係る訂正の新規事項の有無（上記４（２）イ（イ））で説示するとおり、【００４５】の記載からみて、故障情報出力部４２が故障情報を通知部３２に出力し、その通知部による通知の具体的な態様が、表示装置による表示であることは明らかである。 したがって、申立人の上記（１）アの意見は採用できない。 イ 申立人は、「故障の度合いを示す情報の時系列を表示装置に表示する出力部」は記載も示唆もされていないなどと説明するが、本件訂正は、訂正前の「通知部」を「表示装置」に訂正するものであり、「故障の度合いを示す情報の時系列」は、何ら訂正されていないから、申立人の上記（１）イの説明は失当であって採用できない。 ウ なお、請求項２及び１８の「故障の度合いを示す情報の時系列」が本件明細書等に記載された事項の範囲内のものかどうかは、発明の詳細な説明に記載された発明であるか否かという観点で、特許法３６条６項１号（サポート要件）に係る異議申立理由３と同趣旨のものであるが、以下の第５の８で説示するとおり、異議申立理由３によって、請求項２及び１８に係る特許を取り消すことはできない。 ９ 本件訂正の小括 以上のとおり、本件訂正は、特許法１２０条の５第２項ただし書１号に掲げる事項を目的とするものであり、かつ、同条９項において準用する同法１２６条５項及び６項の規定に適合するものである。 したがって、本件特許の特許請求の範囲を、訂正請求書に添付された訂正特許請求の範囲のとおり、訂正後の請求項〔１～１６〕、１７、１８、１９について訂正することを認める。 第３ 本件発明 上記第２のとおり、本件訂正は認められるから、本件特許の請求項１～１９に係る発明は、訂正特許請求の範囲の請求項１～１９に記載された事項により特定される、以下のとおりのものである。（以下、各請求項に係る発明を「本件発明１」などという。） 「【請求項１】 （削除） 【請求項２】 第１の機械の動作に関する情報を検出するセンサの出力データ、及び、前記出力データに基づいて得られるデータの少なくとも１つを含む状態変数を取得する観測部と、 機械学習モデルに前記状態変数を入力した際の前記機械学習モデルからの出力に基づいて、前記第１の機械の故障の度合いを示す情報の時系列を表示装置に表示する出力部と、を備え、 前記故障の度合いを示す情報は、前記機械学習モデルからの出力に基づいて生成される、 故障予知装置。 【請求項３】 （削除） 【請求項４】 前記機械学習モデルは、少なくとも、前記第１の機械の状態変数と前記第１の機械の故障情報との組合せ、及び、第２の機械の状態変数と前記第２の機械の故障情報との組合せ、のいずれかを含む訓練データセットを用いて学習されたものである、 請求項２に記載の故障予知装置。 【請求項５】 前記機械学習モデルは、少なくとも、前記第１の機械の故障が無いとき又は故障の度合いが低いときの状態変数、及び、前記第２の機械の故障が無いとき又は故障の度合いが低いときの状態変数、のいずれかを含む訓練データセットを用いて学習されたものである、 請求項２に記載の故障予知装置。 【請求項６】 前記第１の機械の故障がないとき又は故障の度合いが低いときは、前記第１の機械が出荷された後又はメンテナンスされた後を起点とした一定期間を表し、 前記第２の機械の故障がないとき又は故障の度合いが低いときは、前記第２の機械が出荷された後又はメンテナンスされた後を起点とした一定期間を表す、 請求項５に記載の故障予知装置。 【請求項７】 （削除） 【請求項８】 前記機械学習モデルは、クラウドサーバ上に存在する、 請求項２、４乃至６のいずれか１項に記載の故障予知装置。 【請求項９】 前記機械学習モデルは、他の機械の故障予知にも利用される、 請求項２、４乃至６、及び８のいずれか１項に記載の故障予知装置。 【請求項１０】 前記機械学習モデルは、時系列データを扱う機械学習モデルである、 請求項２、４乃至６、８、及び９のいずれか１項に記載の故障予知装置。 【請求項１１】 前記機械学習モデルは、ニューラルネットワークである、 請求項２、４乃至６、及び８乃至１０のいずれか１項に記載の故障予知装置。 【請求項１２】 前記出力部は、前記機械学習モデルからの出力と正常モデルとに基づいて、前記第１の機械の故障情報を出力する、 請求項２、４乃至６、及び８乃至１１のいずれか１項に記載の故障予知装置。 【請求項１３】 前記第１の機械は、少なくとも、産業用ロボット、サービス用ロボット、及び、コンピュータ数値制御装置で制御される機械のいずれか１つである、 請求項２、４乃至６、及び８乃至１２のいずれか１項に記載の故障予知装置。 【請求項１４】 請求項２、４乃至６、及び８乃至１３のいずれか１項に記載の故障予知装置と、 前記表示装置と、を備え、 前記表示装置は、前記出力部からの出力をオペレータに通知する、 故障予知システム。 【請求項１５】 前記表示装置は、故障が発生する時期から遡って第１の所定期間で定められる時期より前であり、かつ、前記故障が発生する時期から遡って前記第１の所定期間よりも長い第２の所定期間で定められる時期より後に、前記出力部からの出力をオペレータに通知する、 請求項１４に記載の故障予知システム。 【請求項１６】 前記センサと、 前記第１の機械と、を更に備える、 請求項１４又は１５に記載の故障予知システム。 【請求項１７】 （削除） 【請求項１８】 第１の機械の動作に関する情報を検出するセンサの出力データ、及び、前記出力データに基づいて得られるデータの少なくとも１つを含む状態変数を取得し、 機械学習モデルに前記状態変数を入力した際の前記機械学習モデルからの出力に基づいて、前記第１の機械の故障の度合いを示す情報の時系列を表示装置に表示し、 前記故障の度合いを示す情報は、前記機械学習モデルからの出力に基づいて生成される、 故障予知方法。 【請求項１９】 （削除） 第４ 当審で通知した取消理由について １ 取消理由の概要 当審が、令和５年１０月３１日付けで通知した取消理由通知（決定の予告）の第６で示した取消理由の概要は次のとおりである。 （１）特許法３６条６項２号（明確性）に係る取消理由 訂正前の請求項１４は請求項２を引用しているところ、請求項２に「通知部」が記載されておらず、請求項１４の「前記通知部」が不明確である点で特許請求の範囲の記載に不備があるため、請求項１４及び請求項１４を引用する請求項１５～１６に係る特許は、特許法３６条６項２号に規定する要件を満たしていない特許出願に対してされたものである。 （２）特許法３６条６項１号（サポート要件）に係る取消理由 訂正前の請求項１及び１７に「前記機械学習モデルからの出力に基づいて、前記第１の機械の故障情報と故障が発生する時期を取得し」と記載されているが、機械学習モデルからの出力に基づいて、故障が発生する時期を取得することについて、本件明細書等に記載されていない点で特許請求の範囲の記載に不備があるため、請求項１及び１７、並びに請求項１を引用する請求項４～１６に係る特許は、特許法３６条６項１号に規定する要件を満たしていない特許出願に対してされたものである。 ２ 取消理由についての判断 （１）明確性に係る取消理由について 請求項２及び１４の記載は上記第３のとおりであり、請求項２に「表示装置」が記載されていることに対して、請求項２を引用する請求項１４に「前記表示装置」と記載されているから、請求項１４の「前記表示装置」が請求項２の「表示装置」を意味することは明らかである。 したがって、明確性に係る取消理由により、請求項１４～１６に係る特許を取り消すことはできない。 （２）サポート要件 上記第３のとおり、請求項１及び１７は削除されたため、サポート要件に係る取消理由の対象は存在しない。 ３ 当審で通知した取消理由の小括 以上のとおりであるから、明確性に係る取消理由により、請求項１４～１６に係る特許を取り消すことはできない。 また、サポート要件に係る取消理由の対象は存在しない。 第５ 取消理由通知に採用しなかった特許異議申立理由について １ 申立人が提出した証拠 甲第 １号証：特開２０１５－８８０７９号公報 甲第 ２号証：特開２０１５－８８１５４号公報 甲第 ３号証：特開平１－２３７３４４号公報 甲第 ４号証：特許第５７１５２８８号公報 甲第 ５号証：特開２０１３－８１１１号公報 甲第 ６号証：特表２００８－５３７２６２号公報 甲第 ７号証：特開２０１４－１３２４００号公報 甲第 ８号証：特開２０１０－１６０５８９号公報 甲第 ９号証：再公表特許第２００８／１２０５５２号 甲第１０号証：特開平１０－２６７５０９号公報 甲第１１号証：特開２０１１－１８０６７３号公報 甲第１２号証：特許第５８７５７３４号公報 甲第１３号証：特開２０１２－１６８７９９号公報 （以下、各甲号証を「甲１」などという。） ２ 取消理由通知に採用しなかった特許異議申立理由の概要 本件特許異議の申立てにおいて、申立人が主張した特許異議申立理由のうち、令和５年１０月３１日付け取消理由通知（決定の予告）に採用しなかった理由の概要は、次のとおりである（項分けは、特許異議申立書の３（５）ア～エ（特許異議申立書の１２６～１２７ページ）に基づく。）。 異議申立理由１（特許法２９条１項３号及び同条２項） 異議申立理由１－１ 訂正前の本件発明１～３、７～１０、１２～１４及び１６～１９は、甲１又は甲２の各々に記載された発明であり、また、甲１又は甲２の各々に記載された発明から容易に発明をすることができたものである。 異議申立理由１－２ 訂正前の本件発明１及び１７は、甲３に記載された発明であり、また、甲３に記載された発明から容易に発明をすることができたものである。 異議申立理由１－３ 訂正前の本件発明２及び１８は、甲４に記載された発明であり、また、甲４に記載された発明から容易に発明をすることができたものである。 異議申立理由２（特許法２９条２項） 異議申立理由２－１ 訂正前の本件発明１～３は、甲１又は甲２の各々に記載された発明から容易に発明をすることができたものである。 異議申立理由２－２ 訂正前の本件発明１は、甲３に記載された発明から容易に発明をすることができたものである。 異議申立理由２－３ 訂正前の本件発明１は、甲１～３及び甲７～甲１３に記載された発明から容易に発明をすることができたものである。 異議申立理由２－４ 訂正前の本件発明２、３、１２、１８及び１９は、甲１、甲２及び甲４に記載された発明から容易に発明をすることができたものである。 （当審注：特許異議申立書の１２６ページ下から３行には、「本件特許の請求項２、３、１２に係る発明」と記載されているが、特許異議申立書の３（４）エ（イ）～（ウ）（同１１４～１１６ページ）及び同３（４）エ（カ）（同１２０～１２１ページ）からみて、「本件特許の請求項２、３、１２、１８及び１９に係る発明」の誤記と認める。） 異議申立理由２－５ 訂正前の本件発明９は、甲１、甲２、甲４、甲５及び甲７に記載された発明から容易に発明をすることができたものである。 異議申立理由２－６ 訂正前の本件発明１１は、甲１～甲３、甲６及び甲９に記載された発明から容易に発明をすることができたものである。 （当審注：特許異議申立書の１２７ページ２～３行には、「甲第１号証～甲第３号証、甲第６号証」と記載されているが、特許異議申立書の３（４）エ（オ）（同１１７～１１９ページ）からみて、「甲第１号証～甲第３号証、甲第６号証、甲第９号証」の誤記と認める。） 異議申立理由２－７ 訂正前の本件発明１４は、甲１、甲２、甲４及び甲７に記載された発明から容易に発明をすることができたものである。 異議申立理由２－８ 訂正前の本件発明１５は、甲１、甲２、甲７及び甲１３に記載された発明から容易に発明をすることができたものである。 異議申立理由３（特許法３６条６項１号） 訂正前の本件発明２～６、８～１６、１８及び１９は、特許法３６条６項１号に規定する要件を満たしていない。 異議申立理由４（特許法３６条６項２号） 訂正前の本件発明１、４～１７は、特許法３６条６項２号に規定する要件を満たしていない。 上記第２のとおり、請求項１、３、７、１７及び１９は削除され、第３のとおり存在しないことに鑑み、以下では、異議申立理由１－１、同１－３、同２－１、同２－４～同２－８及び同３について検討する。 ３ 各甲号証の記載事項、各甲号証に記載された技術的事項及び発明 （１）甲１の記載事項 甲１には、以下の事項が記載されている。 「【０００１】 本発明は、機械設備の健康状態と性能・品質のレベルとの関係性を把握する機械設備のヘルスマネージメントシステム及びヘルスマネージメント方法、並びに、機械設備の健康状態や性能・品質のレベルを予測する機械設備の異常診断システム及び異常診断方法に関する。」 「【００１８】 本発明は、工場、商業施設、工事現場などで使用される機械設備の稼働率を維持・向上するため、機械設備の健康状態を示す指標である性能・品質レベルを把握し、機械設備の稼働継続可能時間（ＲＵＬ）を診断する方法などを提供するものである。・・・ 【００１９】 具体的には、（１）非線形回帰手法であるガウシアンプロセスを用いた機械設備の異常測度の予測、設備状態の分類、（２）ｋ-ＮＮ（ｋ-Nearest Neighbor)法や局所部分空間法などの認識手法を時系列データに適用した機械設備の異常測度の予測、設備状態の分類、（３）機械設備の状態と、性能・品質レベルなどを指標とする健康状態との関係性を構築し、この関係性に基づくＲＵＬの予測、などからなり、高精度な異常度の予測や性能・品質の予測、及び機械設備のＲＵＬの予測方法を提供する。」 「【００２３】 図２は、本発明において、遠隔監視により、ヘルスマネージメント又は異常診断の対象となる機械設備の一例を示すものである。・・・以下、医療診断装置１０５ａ、発電設備１０５ｂなどを総称して、適宜に機械設備１０５と呼ぶ。」 「【００２６】 時系列データ取得部１１は、インターネット網などを介して、監視対象である機械設備１０５（例えば、図１に示した医療診断装置１０５ａ、発電設備１０５ｂなど）から出力される多次元のセンサデータと、機械設備１０５の設置環境を表す環境データとを取得する手段である。・・・時系列データ取得部１１は、取得した最新の、すなわち現在の時系列データを、取得するごとに時系列データベース記憶部１２に順次に記憶させることで蓄積するとともに、現在の時系列データを健康状態予測部１３に出力する。」 「【００２８】 なお、時系列データベース記憶部１２に、新たに取得した時系列データを追加する場合は、不図示の評価手段によって、データとしての妥当性（異常ではないこと、既に時系列データベースに格納されているデータとの類似性から新規追加の是非）を評価した後に蓄積され、正常状態における過去の時系列データとして活用できる形態になっている。・・・」 「【００３１】 健康状態予測部１３は、時系列データ取得部１１から入力される現在の時系列データと、時系列データベース記憶部１２に記憶されている過去の時系列データとを用いて、性能や品質などを指標とする健康状態を推定（予測）するものである。また、健康状態予測部１３は、推定した健康状態の指標である性能や品質をＲＵＬ予測部１４に出力する。」 「【００３５】 出力部１５は、ＲＵＬ予測部１４からＲＵＬの予測結果を入力するとともに、時系列データベース記憶部１２から設備状態や健康状態、あるいは異常測度や性能測度に影響が大きなセンサデータ１２ａを入力し、入力した時系列センサデータ１２ａや健康状態などを示す時系列データの波形を表示するものである。・・・」 「【００３７】 センサデータ１２ａは、冷却水やオイルの温度、オイルの圧力、電圧などである。センサデータ１２ａは、２種以上であればよいが、数十から数万種に及ぶものであってもよい。センサデータ１２ａは、所定のサンプリング間隔で、時系列データ取得部１１によって取得される。・・・」 「【００４０】 ［設備状態・健康状態の定量化方法］ 次に、設備状態や健康状態を定量化する方法について説明する。 設備状態や健康状態の定量化には、回帰手法や認識手法などを用いることができる。以下に、いくつかの手法について順次に説明する。 なお、設備状態や健康状態の定量化は、図３に示した健康状態予測部１３によって行われる処理である。 【００４１】 （第１の定量化手法） まず、図７を参照（適宜図３参照）して、設備状態の第１の定量化手法として、回帰手法について説明する。 第１の定量化手法は、過去の時系列データを学習データとして、回帰モデルを作成し、作成した回帰モデルを用いて、現在の時系列データの設備状態や健康状態を定量化するものである。 なお、定量化する指標が、設備状態又は健康状態の何れであっても同様に適用することができるため、設備状態（本明細書において、「機械設備の状態」又は、単に「状態」ということもある）を例にして説明する。」 【００４３】 次に、回帰手法としてガウシアンプロセスを用いた場合について説明する。・・・ガウシアンプロセスの特徴は、現在の時系列センサデータ（以下、「現在の時系列データ」を、適宜に「観測データ」という）に対する設備状態の予測値（推定値）として、学習データと類似したデータを出力し、かつ、その予測の信頼性も分散値として出力可能なことである。 【００４４】 学習データである過去の時系列センサデータを示す入力ベクトルｘ１，・・・，ｘｎと対応する設備状態が出力ｔ＝（ｔ１，・・・，ｔｎ）Ｔとして与えられているとする。このとき、現在の時系列センサデータとして入力される新しい入力ベクトルｘｎ＋１に対する出力ｔｎ＋１を予測する場合について考える。この出力ｔｎ＋１の予測値ｔｅｓｔは、式（１．１）によって得ることができる。」 「【００５０】 なお、ガウシアンプロセスでは、予測値の算出に際して、観測データに類似した過去の時系列センサデータ（以下、「過去の時系列データ」を、適宜に「過去データ」という）の重みが大きくなる。言い換えれば、どの過去データを参照しているか（重みの大きな過去データがどれか）が容易に分かるため、参照した過去データが属する設備状態が、観測データが取得された現在の設備状態に対応する。これは、後記する局所部分空間法で算出される残差ベクトルの始点に対応するものである。 【００５１】 すなわち、ガウシンアンプロセスにおいて、参照した過去データの位置を始点とし、観測データの位置を終点とする多次元ベクトルを考えた場合に、当該多次元ベクトルは、正常状態から異常状態に向かう多次元ベクトルとして定義することができる。この多次元ベクトルは、前記したように、局所部分空間法における残差ベクトルに相当するものである。 従って、当該多次元ベクトルの始点位置によって設備状態を定量化できる。また、多次元ベクトルの長さは、正常状態からの乖離度を示す異常測度として用いることができる。」 「【００５４】 （第２の定量化手法） 次に、図８を参照（適宜図３参照）して、設備状態の第２の定量化手法として、認識手法の一つであるｋ-ＮＮ（k-Nearest Neighbor；ｋ-近傍）法について説明する。 第２の定量化手法においても、設備状態の定量化を行うために、多次元のセンサデータ及び環境データをからなる過去データを学習データとして用いる。」 「【００５７】 ｋ-ＮＮ法において、観測データｑが分類されたクラスタＢの重心（代表値）を始点とし、観測データｑの位置を終点とする多次元ベクトルを考えた場合に、当該多次元ベクトルは、正常状態から異常状態に向かう多次元ベクトルとして定義することができる。この多次元ベクトルは、局所部分空間法における残差ベクトルに相当するものである。 従って、当該多次元ベクトルの始点位置によって設備状態を定量化することができる。また、多次元ベクトルの長さは、正常状態からの乖離度を示す異常測度として用いることができる。」 「【００６０】 （第３の定量化手法） 次に、図９を参照（適宜図３参照）して、設備状態の第３の定量化手法として、認識手法の１つである局所部分空間（ＬＳＣ：Local Subspace Classifier）法について説明する。・・・ 【００６１】 本定量化手法では、まず、未知データである観測データｑを用いて、前記したｋ-ＮＮ法と同様の手順により、学習データｘの中から観測データｑのｋ-近傍データｘ１～ｘ３を選択する。次に、ｋ-近傍データによって張られるｋ－１次元の局所部分空間（線形多様体）ＳＳを作成する。なお、ｋは、観測データｑ及び学習データｘの次元数以下であればよい。そして、観測データｑから局所部分空間ＳＳへ降ろした垂線の足Ｘｂを始点とし、観測データｑを終点とする残差ベクトルＶを求める。図９に示した例は、ｋ＝３の場合であり、局所部分空間ＳＳは、（ｋ－１）＝２次元空間（平面）である。 ＬＳＣ法で求めた残差ベクトルは、正常状態から異常状態に向かう多次元ベクトルとして用いることができる。すなわち、残差ベクトルの始点が設備状態を示すとともに、残差ベクトルの長さが正常状態からの乖離度を示し、異常測度として用いることができる。」 「【００８０】 ［健康状態予測部及びＲＵＬ予測部の構成］ 次に、図１７を参照（適宜図３参照）して、第１実施形態における健康状態予測部１３及びＲＵＬ予測部１４の詳細な構成について説明する。 健康状態予測部１３は、類似時系列データ選択部１３１と、第１識別部１３３ａと、第２識別部１３３ｂと、第１始点データ記憶部１３４ａと、第２始点データ記憶部１３４ｂと、第１クラスタ生成部１３５ａと、第２クラスタ生成部１３５ｂと、類似度算出部１３６と、類似度データ記憶部１３７と、健康状態推定部１３８と、健康状態記憶部１３９とを備えている。 また、本実施形態におけるヘルスマネージメントシステム１は、異常予兆検知部１６を備えている。 【００８１】 類似時系列データ選択部１３１は、時系列データ取得部１１から現在の時系列データである観測データを入力し、時系列データベース記憶部１２に記憶されている過去データから、観測データと類似するデータを選択する。具体的には、観測データである入力ベクトルと、時系列データベース記憶部１２に蓄積されている過去データである入力ベクトルとの間の距離を算出し、距離が近いものから所定数の過去データを選択する。更に具体的には、前記したカーネル関数（例えば、式（１．４））を用いて、カーネル関数の値が「１」に近いデータから順に選択することができる。 類似時系列データ選択部１３１は、選択した過去データを、第１識別部１３３ａ及び第２識別部１３３ｂに出力する。 【００８２】 第１識別部１３３ａ及び第２識別部１３３ｂは、それぞれ類似時系列データ選択部１３１から観測データ又は／及び過去データを入力し、それぞれ設備状態及び健康状態を定量化するものである。具体的には、前記したガウシアンプロセスなどの回帰手法や、ｋ-ＮＮ法やＬＳＣ法などの認識手法を用いて、正常状態から異常状態に向かう多次元ベクトルを算出し、その始点データによって設備状態及び健康状態を定量化する。 【００８３】 第１識別部１３３ａは、過去データについて算出した多次元ベクトルの始点データを第１始点データ記憶部１３４ａに記憶させる。また、第１識別部１３３ａは、観測データについて算出した多次元ベクトルの始点データを健康状態推定部１３８に出力するとともに、その長さを異常測度として異常予兆検知部１６に出力する。 第２識別部１３３ｂは、過去データについて算出した始点データを第２始点データ記憶部１３４ｂに記憶させる。また、第２識別部１３３ｂは、観測データについては、多次元ベクトルの算出は行わない。」 「【０１２０】 また、異常予兆検知部１６は、第１識別部１３３ａから異常測度を入力し、異常測度が所定の閾値を超えた場合に異常予兆ありと判定し、閾値以下の場合に異常予兆なしと判定することにより、異常予兆の有無を検知するものである。異常予兆検知部１６は、異常予兆の判定結果を出力部１５に出力する。」 「【０１２４】 ・・・ヘルスマネージメントシステム１は、出力部１５によって、異常予兆の検知結果を表示又は／及び外部に出力する。」 図１ 「 ［図：0001413290000001.jpg］ 」 図１７ 「 ［図：0001413290000002.jpg］ 」 （２）甲１に記載された技術的事項 上記（１）の記載を整理すると、甲１には、以下の技術的事項が記載されているといえる。 ア 甲１には、異常診断システムが記載されており、当該システムは、時系列データ取得部１１から入力される現在の時系列データと、時系列データベース記憶部１２に記憶されている過去の時系列データとを用いて、性能や品質などを推定する健康状態予測部１３（【００３１】）と、健康状態予測部１３が出力する異常測度が所定の閾値を超えた場合に異常予兆ありと判定する異常予兆検知部１６（【０１２０】）と、異常測度及び判定結果を出力する出力部１５（【０１２４】）を備えている。 イ 時系列データ取得部１１は、機械設備１０５（【００２６】）の冷却水やオイルの温度、オイルの圧力、電圧などを検出するセンサの時系列センサデータ１２ａ（【００３７】）を取得して、時系列データベース記憶部１２に蓄積する（【００２６】）。 ウ 時系列データベース記憶部１２には、正常状態における過去の時系列データが蓄積されている（【００２８】）。 エ 機械設備の異常測度の予測は、非線形回帰手法であるガウシアンプロセス、ｋ－ＮＮ法又は局所部分空間（ＬＳＣ：Local Subspace Classifier）法で行われる（【００１９】）。 オ ガウシアンプロセスでは、過去の時系列データ（以下「過去データ」という。）を学習データとして回帰モデルを作成し、回帰モデルを用いて現在の時系列データ（以下「観測データ」という。）の設備状態を定量化する（【００４１】）。 カ 第１の定量化手法であるガウシアンプロセスでは、観測データに類似した過去データの位置を始点とし、観測データの位置を終点とする多次元ベクトルを考えると、過去データは正常状態におけるデータである（上記ウ）から、この多次元ベクトルは正常状態から異常状態に向かう多次元ベクトルとして定義することができる。そして、当該多次元ベクトルの始点位置によって設備状態を定量化でき、多次元ベクトルの長さは、正常状態からの乖離度を示す異常測度として用いることができる（【００５１】）。 キ 第２の定量化手法であるｋ－ＮＮ法では、観測データｑが分類されるクラスタＢの重心位置を始点、観測データｑの位置を終点とする多次元ベクトルを考えると、当該多次元ベクトルを、正常状態から異常状態に向かう多次元ベクトルとして定義することができる。そして、多次元ベクトルの始点位置によって設備状態を定量化でき、多次元ベクトルの長さを異常測度として用いることができる（【００５７】）。 ク 第３の定量化手法であるＬＳＣ法では、観測データｑから局所部分空間ＳＳへ下ろした垂線の足Ｘｂの位置を始点とし、観測データｑの位置を終点とする残差ベクトルＶを考えると、当該残差ベクトルＶは、正常状態から異常状態に向かう多次元ベクトルとして用いることができる。そして、残差ベクトルＶの始点が設備状態を示し、残差ベクトルの長さを異常測度として用いることができる（【００６１】）。 ケ 健康状態予測部１３は、類似時系列データ選択部１３１、第１識別部１３３ａ、第２識別部１３３ｂを備えている（【００８０】）。 コ 類似時系列データ選択部１３１は、観測データと類似する過去データを選択する（【００８１】）。 サ 第１識別部１３３ａは、過去データについて多次元ベクトルの始点を算出し、観測データについて多次元ベクトルの終点を算出し、多次元ベクトルの長さを異常測度として異常予知検知部１６に出力する（【００８３】）。（当審注：【００８３】には「観測データについて算出した多次元ベクトルの始点データ」と記載されているが、ガウシアンプロセス、ｋ－ＮＮ法及びＬＳＣ法のいずれについても、観測データの位置を多次元ベクトルの終点としている（上記カ～ク）から、上記の記載は「観測データについて算出した多次元ベクトルの終点データ」の誤記と認める。） シ 異常予兆検知部１６は、健康状態予測部１３の第１識別部１３３ａが出力する異常測度（多次元ベクトルの長さ）が所定の閾値を超えた場合に異常予兆ありと判定する（【０１２０】）。 ス 出力部１５は、異常測度を入力し、入力した時系列データの波形を表示する（【００３５】、図１）。 （３）甲１発明 甲１の記載事項及び甲１記載の技術的事項を、本件発明２の記載に合わせて整理すると、甲１には、次の発明（以下「甲１発明」という。）が記載されているといえる。 「機械設備１０５の冷却水やオイルの温度、オイルの圧力、電圧などを検出するセンサの時系列センサデータ１２ａの少なくとも１つを含む時系列データを取得する時系列データ取得部１１と、 前記時系列センサデータ１２ａに類似する過去データの位置を始点とし、前記時系列センサデータ１２ａの位置を終点とする多次元ベクトルに基づいて、異常測度を示す多次元ベクトルの長さの時系列を表示する出力部１５と、を備え、 前記異常測度を示す多次元ベクトルの長さは、前記多次元ベクトルに基づいて生成される 異常診断システム。」 （４）甲２の記載事項及び甲２発明 甲２は、甲１の公開特許公報に係る出願（特願２０１３－２２７３８３）の一部を、平成２６年２月１０日に新たな出願（特願２０１４－２３６６７）としたものの公開特許公報であるから、甲１の記載事項（上記（１））と同様の事項が記載されており、甲１発明（上記（３））と同じ発明（以下「甲２発明」という。）が記載されているといえる。 （５）甲４の記載事項 甲４には、以下の事項が記載されている。 「【０００１】 本発明は、機械設備の動態を監視する動態監視装置等に関する。」 「【００１４】 ≪実施形態≫ 図１は、本実施形態に係る動態監視装置の構成図である。 動態監視装置１は、機械設備２に設置された複数のセンサの検出値を含む時系列データに基づいて、機械設備２の動態を監視する装置である。・・・」 「【００１７】 図２に示すように、装置ＡにはセンサＡ１，Ａ２，Ａ３が設置されている。センサＡ１は、装置Ａに関する特定の物理量（温度、圧力、流量、電圧、電流等）を所定のサンプリング周期で検出する機能を有している。センサＡ１の検出値は、ネットワークＮを介して、時系列データとして動態監視装置１に送信される。なお、センサＡ２，Ａ３についても同様である。また、装置Ｂに設置されたセンサＢ１，Ｂ２、装置Ｃに設置されたセンサＣ１、装置Ｄに設置されたセンサＤ１，Ｄ２についても同様である。」 「【００２１】 ＜動態監視装置の構成＞ 図１に示すように、動態監視装置１は、通信手段１１と、時系列データ取得手段１２と、時系列データ記憶手段１３と、設備情報取得手段１４と、設備情報記憶手段１５と、データマイニング手段１６と、診断結果記憶手段１７と、入力受付手段１８と、表示制御手段１９と、を備えている。」 「【００２３】 時系列データ取得手段１２は、ネットワークＮを介して通信手段１１に送信されたデータのうち、機械設備２に関する時系列データを取得する。前記した時系列データには、機械設備２に設置された各センサ（図２参照）の検出値と、各センサの識別情報と、各センサが所定の物理量を検出した日時と、が含まれる。時系列データ取得手段１２は、通信手段１１を介して取得した時系列データを時系列データ記憶手段１３に格納する。」 「【００２８】 診断結果記憶手段１７には、データマイニング手段１６による診断結果が格納される。診断結果記憶手段１７として、磁気ディスク装置、光ディスク装置、半導体記憶装置等を用いることができる。また、前記した診断結果には、機械設備２の識別情報と、各センサの検出値と、異常予兆の有無と、後記する異常測度と、が含まれる。 入力受付手段１８は、入力装置４を介したユーザの操作に応じて、所定の操作信号を表示制御手段１９に出力する。入力装置４として、タッチパネル、マウス、キーボード等を用いることができる。」 「【００３１】 図４は、動態監視装置が有するデータマイニング手段の構成図である。データマイニング手段１６は、データマイニング学習部１６１と、データマイニング診断部１６２と、を備えている。 【００３２】 （データマイニング学習部の構成） 図４は、動態監視装置が有するデータマイニング手段の構成図である。 データマイニング学習部１６１（学習手段）は、時系列データ取得手段１２によって取得される時系列データを用いて、機械設備２の状態に対応する特徴ベクトルを生成し、この特徴ベクトルの正常範囲を示す正常モデルを学習する。 図４に示すように、データマイニング学習部１６１は、学習対象データ取得部１６１ａと、学習対象データ記憶部１６１ｂと、正常モデル学習部１６１ｃと、正常モデル記憶部１６１ｄと、を備えている。」 「【００３７】 以下では、一例として、非階層的クラスタリングであるｋ平均法を用いてクラスタリングを行う場合について説明する。 正常モデル学習部１６１ｃは、まず、各特徴ベクトルに対してランダムにクラスタを割り振り、割り振ったデータに基づいて各クラスタの中心（クラスタ中心ｃ：図５参照）を算出する。クラスタ中心ｃは、例えば、クラスタに属する複数の特徴ベクトルの重心である。 【００３８】 次に、正常モデル学習部１６１ｃは、所定の特徴ベクトルと各クラスタ中心ｃとの距離を求め、この距離が最も小さくなるクラスタに当該特徴ベクトルを割り当て直す。このような処理を全ての特徴ベクトルについて実行し、クラスタの割り当てが変化しなかった場合はクラスタの生成処理を終了する。それ以外の場合は、新しく割り振られたクラスタからクラスタ中心ｃを再計算し、前記した処理を繰り返す。このようにして正常モデル学習部１６１ｃは、機械設備２の状態に対応する各特徴ベクトルを複数のクラスタに分類する。 【００３９】 さらに、正常モデル学習部１６１ｃは、各クラスタについてクラスタ中心ｃ（図５参照）の座標値と、クラスタ半径ｒと、を算出する。クラスタ半径ｒは、例えば、クラスタ中心ｃと特徴ベクトルとの距離の平均値である。なお、クラスタ半径ｒの算出方法はこれに限定されず、例えば、特徴ベクトルの各成分の分散値に基づいてクラスタ半径ｒを算出するようにしてもよい。 【００４０】 そして、正常モデル学習部１６１ｃは、生成したクラスタに関する情報（クラスタ中心ｃ、クラスタ半径ｒ）を正常モデル記憶部１６１ｄ（図４参照）に格納する。 図４に示す正常モデル記憶部１６１ｄには、正常モデル学習部１６１ｃによって学習された正常モデル（クラスタ）に関する情報がデータベースとして記憶されている。 【００４１】 （データマイニング診断部の構成） 図４に示すデータマイニング診断部１６２は、データマイニング学習部１６１によって学習されたクラスタを用いて、機械設備２における異常予兆の有無を診断する。 データマイニング診断部１６２は、診断対象データ取得部１６２ａと、診断対象データ記憶部１６２ｂと、異常測度算出部１６２ｃと、診断部１６２ｄと、を備えている。」 「【００４３】 異常測度算出部１６２ｃ（異常測度算出手段）は、診断対象データ記憶部１６２ｂから読み出した診断対象データを用いて、機械設備２の異常測度ｕを算出する。なお、「異常測度ｕ」とは、機械設備２（つまり、機械設備２の状態に対応する特徴ベクトル）の異常度合いを示す値である。 まず、異常測度算出部１６２ｃは、診断対象データを正規化（無次元量化）し、各時刻での機械設備２の状態を表す特徴ベクトルを生成する。 【００４４】 そして、異常測度算出部１６２ｃは、正常モデル記憶部１６１ｄから読み出した正常モデル（クラスタ）に基づいて、診断対象データの異常測度ｕを算出する。この異常測度ｕは、例えば、次のような手順で算出される。 すなわち、異常測度算出部１６２ｃは、特徴ベクトルの正常範囲を示す複数のクラスタのうち、診断対象データに最も近いクラスタ中心ｃを有するものを特定する。さらに異常測度算出部１６２ｃは、特定したクラスタのクラスタ中心ｃから診断対象データまでの距離ｄ（図５参照）と、クラスタ半径ｒと、を用いて、例えば、（数式１）に基づき異常測度ｕを算出する。」 「【００４８】 また、異常測度ｕ＞１である場合、診断対象データはクラスタの外に存在している。この場合、診断部１６２ｄは、この診断対象データに対応する機械設備２に関して「異常予兆あり」と診断する。なお、診断結果記憶手段１７に格納された情報は、表示制御手段１９（図１参照）によって表示装置５に表示される。」 （６）甲４に記載された技術的事項 上記（５）の記載を整理すると、甲４には、以下の技術的事項が記載されているといえる。 ア 甲４には、機械設備の動態を監視する動態監視装置（【０００１】）が記載され、当該動態監視装置は、時系列データ取得手段１２と、データマイニング手段１６と、表示制御手段１９を備えている（【００２１】）。 イ 時系列データ取得手段１２は、機械設備２に関する時系列データを取得する（【００２３】）。 ウ データマイニング手段１６は、データマイニング学習部１６１と、データマイニング診断部１６２を備えている（【００３１】）。 エ データマイニング学習部１６１は、時系列データ取得手段１２によって取得される時系列データを用いて、機械設備２の状態に対応する特徴ベクトルを生成し、この特徴ベクトルの正常範囲を示す正常モデルを学習するものであり、正常モデル学習部１６１ｃと正常モデル記憶部１６１ｄを備えている（【００３２】）。 オ 正常モデル学習部１６１ｃは、特徴ベクトルをクラスタに割り振り、割り振ったデータに基づいて、各クラスタの中心ｃ（特徴ベクトルの重心）を算出し（【００３７】）、特徴ベクトルと各クラスタ中心ｃとの距離が最も小さくなるように、各クラスタに特徴ベクトルを割り当て直すことで、各特徴ベクトルを複数のクラスタに分類し（【００３８】）、各クラスタ中心ｃの座標値とクラスタ半径ｒを算出して（【００３９】）、その情報を正常モデル記憶部１６１ｄに格納する（【００４０】）。 カ データマイニング診断部１６２は、データマイニング学習部１６１によって学習されたクラスタを用いて、機械設備２における異常予兆の有無を診断するものであり、異常測度算出部１６２ｃと診断部１６２ｄを備えている（【００４１】）。 キ 異常測度算出部１６２ｃは、特徴ベクトルの正常範囲を示す複数のクラスタのうち、診断対象データに最も近いクラスタ中心ｃを特定し、そのクラスタの中心ｃから診断対象データまでの距離ｄとクラスタ半径ｒから異常測度ｕを算出する（【００４４】）。 ク 診断部１６２ｄは、異常測度ｕ＞１である場合、診断対象データに対応する機械設備２に関して「異常予兆あり」と診断し、診断結果は表示制御手段１９によって表示装置５に表示される（【００４８】）。 （７）甲４発明 甲４の記載事項及び甲４記載の技術的事項を、本件発明２の記載に合わせて整理すると、甲４には、次の発明（以下「甲４発明」という。）が記載されているといえる。 「機械設備２の装置に関する特定の物理量を検出するセンサの検出値の少なくとも１つを含む時系列データを取得する時系列データ取得手段１２と、 正常モデルのクラスタ中心ｃから診断対象となる時系列データまでの距離ｄ及びクラスタ半径ｒに基づいて、異常測度ｕを算出する異常測度算出部１６２ｃと、異常測度ｕを表示装置５に表示させる表示制御手段１９と、を備え、 前記異常測度ｕは、前記正常でモデルのクラスタ中心ｃ及びクラスタ半径ｒに基づいて生成される、 動態監視装置。」 ４ 異議申立理由１－１について （１）甲１発明に基づく本件発明２の新規性及び進歩性について ア 本件発明２と甲１発明の対比 異議申立理由１－１（上記２）を検討するため、本件発明２と甲１発明を対比すると、次のとおりである。 （ア）甲１発明の「機械設備１０５」が、本件発明２の「第１の機械」に相当することは明らかであり、以下同様に、「冷却水やオイルの温度、オイルの圧力、電圧などを検出するセンサの時系列センサデータ１２ａの少なくとも１つ」が、「動作に関する情報を検出するセンサの出力データ、及び、前記出力データに基づいて得られるデータの少なくとも１つ」に相当し、「時系列データ」が「状態変数」に相当し、「時系列データ取得部１１」が「観測部」に相当し、「異常診断システム」が「故障予知装置」に相当する。 （イ）本件発明２の「故障の度合い」は、故障の深刻さを意味する（本件明細書等の【００１４】）ところ、甲１発明の「異常測度」は、正常状態からの乖離度を定量化したもの（甲１の【００５１】）であり、正常状態から大きく乖離すれば、より深刻な故障といえるから、甲１発明の「異常測度」は、本件発明２の「前記第１の機械の故障の度合いを示す情報」に相当する。 そして、甲１発明の「異常測度を示す多次元ベクトルの長さの時系列を表示する出力部１５」は、本件発明２の「前記第１の機械の故障の度合いを示す情報の時系列を表示装置に表示する出力部」に相当する。 （ウ）以上をまとめると、本件発明２と甲１発明は、以下の点で一致及び相違する。 ［一致点］ 「第１の機械の動作に関する情報を検出するセンサの出力データ、及び、前記出力データに基づいて得られるデータの少なくとも１つを含む状態変数を取得する観測部と、 前記第１の機械の故障の度合いを示す情報の時系列を表示装置に表示する出力部と、を備える、 故障予知装置。」である点。 ［相違点１］ 故障の度合いを示す情報が、本件発明２は「機械学習モデルに前記状態変数を入力した際の前記機械学習モデルからの出力に基づいて」生成されるのに対して、甲１発明は「前記時系列センサデータ１２ａに類似する過去データの位置を始点とし、前記時系列センサデータ１２ａの位置を終点とする多次元ベクトルに基づいて」生成される点。 イ 相違点１の判断 （ア）故障の度合いを示す情報を「機械学習モデルに前記状態変数を入力した際の前記機械学習モデルからの出力に基づいて」生成することは、甲１には記載されていないし、示唆もないから、相違点１は、甲１に基づいて容易に想到できたものとはいえない。 （イ）これに対して、申立人は、令和６年３月１３日の意見書において、甲１には、学習したガウシアンプロセスに観測データを入力することや、学習済みのガウシアンプロセスから出力される設備状態の予測値が設備状態を示す始点データであることが示されている旨を説明し、その根拠として、甲１の【００８２】の「観測データ又は／及び過去データを入力し、それぞれ設備状態及び健康状態を定量化するものである。具体的には、前記したガウシアンプロセス・・・を用いて、正常状態から異常状態に向かう多次元ベクトルを算出し、その始点データによって設備状態及び健康状態を定量化する」という記載を挙げている。 （ウ）しかし、上記３（２）カで説示したとおり、甲１のガウシアンプロセスでは、多次元ベクトルの始点は、学習済みのガウシアンプロセスから出力されるものではなく、観測データに類似した過去データの位置であって、具体的には、類似時系列データ選択部１３１が、観測データと類似する過去データを選択することで決定される（上記３（２）コ）ものである。そして、このような始点と終点（観測データ（時系列センサデータ１２ａ）の位置）を有する多次元ベクトルが、「機械学習モデルに前記状態変数を入力した際の前記機械学習モデルからの出力に基づいて」生成されるものということはできない。 したがって、申立人の上記の説明は採用できない。 ウ 甲１発明に基づく本件発明２の新規性及び進歩性の小括 本件発明２と甲１発明を対比すると、相違点１が存在するから、本件発明２は甲１発明ではない。 また、相違点１に係る本件発明２の構成は、当業者が甲１の記載から容易に想到できたものとはいえないから、本件発明２は、甲１発明及び甲１の記載に基づいて、容易に発明をすることができたものとはいえない。 （２）本件発明８～１０、１２～１４及び１６に係る発明の新規性及び進歩性 本件発明８～１０、１２～１４及び１６は、本件発明２を直接的又は間接的に引用するから、本件発明２と同様に、本件発明８～１０、１２～１４及び１６は、甲１発明ではないし、甲１発明及び甲１の記載に基づいて、容易に発明をすることができたものとはいえない。 （３）本件発明１８の新規性及び進歩性について 本件発明１８は、請求項２の故障予知装置に係る発明を、故障予知方法の発明として記載したものであり、発明のカテゴリーの相違に基づく表現上の差異を除けば、本件発明２と実質的な差異はない。 そして、甲１には、異常診断システムに係る甲１発明が記載されているほかに、異常診断方法の発明（以下「甲１の診断方法発明」という。）も記載されているといえるところ、本件発明１８と甲１の診断方法発明を対比すると、相違点１と同様の相違点が存在することは明らかである。 したがって、本件発明１８は甲１の診断方法発明ではないし、甲１の診断方法発明及び甲１の記載に基づいて、容易に発明をすることができたものとはいえない。 （４）甲２発明に基づく本件発明２、８～１０、１２～１４、１６及び１８の新規性及び進歩性について 甲２には、甲１の記載事項と同様の事項が記載されており、甲１発明と同じ甲２発明が記載されているということができ（上記３（４））、本件発明２と甲２発明を対比すると、相違点１が存在するから、本件発明２は甲２発明ではないし、甲２発明及び甲２の記載に基づいて、容易に発明をすることができたものとはいえない。 また、本件発明８～１０、１２～１４及び１６は、本件発明２を直接的又は間接的に引用するから、本件発明２と同様に、本件発明８～１０、１２～１４及び１６は、甲２発明ではないし、甲２発明及び甲２の記載に基づいて、容易に発明をすることができたものとはいえない。 さらに、甲２には、異常診断システムに係る甲２発明が記載されているほかに、異常診断方法の発明（以下「甲２の診断方法発明」という。）も記載されているといえるところ、本件発明１８と甲２の診断方法発明を対比すると、相違点１と同様の相違点が存在することは明らかである。 したがって、本件発明１８は甲２の診断方法発明ではないし、甲２の診断方法発明及び甲２の記載に基づいて、容易に発明をすることができたものとはいえない。 （５）異議申立理由１－１の小括 以上のとおり、本件発明２、８～１０、１２～１４、１６及び１８は、甲１又は甲２の各々に記載された発明ではないし、また、甲１又は甲２の各々に記載された発明から容易に発明をすることができたものではないから、異議申立理由１－１によって、本件発明２、８～１０、１２～１４、１６及び１８に係る特許を取り消すことはできない。 また、請求項１、３、７、１７及び１９は削除され、異議申立の対象が存在しない。 ５ 異議申立理由１－３について （１）甲４発明に基づく本件発明２の新規性及び進歩性について ア 本件発明２と甲４発明の対比 異議申立理由１－３（上記２）を検討するため、本件発明２と甲４発明を対比すると、次のとおりである。 （ア）甲４発明の「機械設備２」が、本件発明２の「第１の機械」に相当することは明らかであり、以下同様に、「装置に関する特定の物理量を検出するセンサの検出値の少なくとも１つ」が、「動作に関する情報を検出するセンサの出力データ、及び、前記出力データに基づいて得られるデータの少なくとも１つ」に相当し、「時系列データ」が「状態変数」に相当し、「時系列データ取得手段１２」が「観測部」に相当し、「動態監視装置」が「故障予知装置」に相当する。 （イ）本件発明２の「故障の度合い」は、故障の深刻さを意味するところ、甲４発明の「異常測度ｕ」は、機械設備２の異常度合いを示す値（甲４の【００４３】）であり、異常度合いを示す値が大きくなれば、より深刻な故障といえるから、甲４発明の「異常測度ｕ」は、本件発明２の「前記第１の機械の故障の度合いを示す情報」に相当する。 そして、甲４発明の「異常測度ｕを算出する異常測度算出部１６２ｃと、異常測度ｕを表示装置５に表示させる表示制御手段１９」は、本件発明２の「前記第１の機械の故障の度合いを示す情報」「を表示装置に表示する出力部」に相当する。 （ウ）以上をまとめると、本件発明２と甲４発明は、以下の点で一致及び相違する。 ［一致点］ 「第１の機械の動作に関する情報を検出するセンサの出力データ、及び、前記出力データに基づいて得られるデータの少なくとも１つを含む状態変数を取得する観測部と、 前記第１の機械の故障の度合いを示す情報を表示装置に表示する出力部と、を備える、 故障予知装置。」である点。 ［相違点２］ 故障の度合いを示す情報が、本件発明２は「機械学習モデルに前記状態変数を入力した際の前記機械学習モデルからの出力に基づいて」生成されるのに対して、甲４発明は「正常モデルのクラスタ中心ｃから診断対象となる時系列データまでの距離ｄ及びクラスタ半径ｒに基づいて」生成される点。 ［相違点３］ 出力部の表示の態様が、本件発明２は「時系列」を表示するのに対して、甲４発明は「時系列」を表示しない点。 イ 相違点２の判断 （ア）故障の度合いを示す情報を「機械学習モデルに前記状態変数を入力した際の前記機械学習モデルからの出力に基づいて」生成することは、甲４には記載されていないし、示唆もないから、相違点２は、甲４に基づいて容易に想到できたものとはいえない。 （イ）これに対して、申立人は、令和５年１２月１５日の回答書５ページにおいて、甲４の正常モデルは、診断対象データという入力に対して診断対象データに最も近いクラスタ中心を有するクラスタという出力を決定する構成と同一視できるなどと説明し、さらに、令和６年３月１３日の意見書の５～６ページにおいて、仮に、甲４の正常モデルが、異常測度を算出するための計算自体を行うものでないとしても、正常モデル及び異常測度算出部１６２ｃをまとめた構成は、正常モデルに異常測度算出部１６２ｃの計算機能が付加された構成と同一視できるなどと説明している。 （ウ）しかし、診断対象データという入力に対して診断対象データに最も近いクラスタ中心を有するクラスタという出力を決定するのは、異常測度算出部１６２ｃであって、正常モデルではない（上記第５の３（６）キ）。 そして、甲４の異常測度算出部１６２ｃが機械学習モデルでないことは明らかであるから、仮に、申立人の説明するように、正常モデル及び異常測度算出部１６２をまとめた構成を仮定しても、その構成は、本件発明２の機械学習モデルに相当するとはいえない。 したがって、申立人の上記の説明は採用できない。 ウ 甲４発明に基づく本件発明２の新規性及び進歩性の小括 本件発明２と甲４発明を対比すると、相違点２が存在するから、本件発明２は甲４発明ではない。 また、相違点２に係る構成は、当業者が甲４の記載から容易に想到できたものとはいえないから、相違点３について検討するまでもなく、本件発明２は、甲４発明及び甲４の記載に基づいて、容易に発明をすることができたものとはいえない。 （２）本件発明１８の新規性及び進歩性について 本件発明１８は、請求項２の故障予知装置に係る発明を、故障予知方法の発明として記載したものであり、発明のカテゴリーの相違に基づく表現上の差異を除けば、本件発明２と実質的な差異はない。 そして、甲４には、動態監視装置に係る甲４発明が記載されているほかに、動態監視方法の発明（以下「甲４の監視方法発明」という。）も記載されているといえるところ、本件発明１８と甲４の監視方法発明を対比すると、少なくとも、相違点２と同様の相違点が存在することは明らかである。 したがって、本件発明１８は甲４の監視方法発明ではないし、甲４の監視方法発明及び甲４の記載に基づいて、容易に発明をすることができたものとはいえない。 （３）異議申立理由１－３の小括 以上のとおり、本件発明２及び１８は、甲４に記載された発明ではないし、また、甲４に記載された発明から容易に発明をすることができたものではないから、異議申立理由１－３によって、本件発明２及び１８に係る特許を取り消すことはできない。 ６ 異議申立理由２－１について 上記４で異議申立理由１－１について検討したとおり、本件発明２は、甲１発明又は甲２発明から容易に発明をすることができたものではないから、異議申立理由１－１と同様に、異議申立理由２－１によって、本件発明２に係る特許を取り消すことはできない。 また、請求項１及び３は削除され、異議申立の対象が存在しない。 ７ 異議申立理由２－４～同２－８について 本件発明２は、甲１発明又は甲２発明と対比すると、相違点１が存在するところ、甲４～甲７、甲９及び甲１３には、相違点１に係る構成が記載されているとはいえないから、本件発明２、９、１１、１２、１４、１５及び１８は、甲１発明又は甲２発明、並びに、甲４～甲７、甲９及び甲１３から容易に発明をすることができたものとはいえない。 したがって、異議申立理由２－４～同２－８によって、本件発明２、９、１１、１２、１４、１５及び１８に係る特許を取り消すことはできない。 また、請求項３、１９は削除され、異議申立の対象が存在しない。 ８ 異議申立理由３について （１）異議申立理由３の概要 本件明細書等には、「故障の度合いを示す情報の時系列」を「出力」することが記載されていないから、本件発明２及び１８並びに本件発明４～６及び８～１６は発明の詳細な説明に記載したものでなく、特許法３６条６項１号に規定する要件を満たしていない。 （２）異議申立理由３の検討 ア 一般に、「時系列」は、時間の経過とともに変化する値を得て、得られた値を時間の順序に従って整理・配列したものを意味するということができるから、本件発明２の「前記第１の機械の故障の度合いを示す情報の時系列を表示装置に表示する出力部」という記載は、第１の機械の故障の度合いを示す情報が、時間の順序に従って整理、配列されたものを、表示装置に表示する出力部を意味すると解される。 イ 本件明細書等の図７（ａ）～（ｃ）には、座標の横軸を時間、縦軸を故障の度合いとする不連続な関数が示されており、これらの関数の表示は、時間の序列に沿って故障の度合いを整理・配列して表示しているといえるから、図７（ａ）～（ｃ）を表示することは、故障の度合いを示す情報の時系列を表示することといえる。 ウ また、本件明細書等の【００４６】には、「・・・図７（ａ）に示されるように、・・・「故障の度合い」を示す指標値を、故障が近づくにつれて大きくなるように定め、学習によって得られた指標値をそのまま故障情報として故障情報出力部４２が出力するように構成することができる」と記載されており、故障情報出力部４２が、学習によって得られた「故障の度合い」を示す指標値を図７（ａ）に示されるように出力することが開示されている。 同様に、本件明細書等の【００４６】には、故障情報出力部４２が、「故障の度合い」を示す指標値を図７（ｂ）や（ｃ）に示されるように出力することも示されている。 そして、故障情報出力部４２の出力を通知する通知部３２の具体的な態様として、本件明細書の【００４５】には、表示装置に表示する態様が示されている。 エ 以上をまとめると、本件明細書等の図７（ａ）～（ｃ）には、故障の度合いを示す情報の時系列が記載され、【００４６】には、故障情報出力部４２が、「故障の度合い」を示す指標値を図７（ａ）～（ｃ）に示されるように出力することが記載され、【００４５】には、その出力を通知する具体的な態様として、表示装置に表示することが記載されているから、本件発明２の「前記第１の機械の故障の度合いを示す情報の時系列を表示装置に表示する出力部」という事項は、本件明細書等に記載されているといえる。 また、本件発明２を引用する本件発明４～６及び８～１６、並びに、本件発明２（故障予知装置に係る発明）を、故障予知方法の発明とした本件発明１８についても、本件発明２と同様に、本件明細書等に記載されているといえる。 （３）異議申立理由３の小括 したがって、異議申立理由３により、請求項２、４～６及び８～１６並びに１８に係る特許を取り消すことはできない。 また、請求項３及び１９は削除され、異議申立の対象が存在しない。 第６ むすび 以上のとおりであるから、取消理由通知（決定の予告）及び特許異議申立書に記載した特許異議申立理由によっては、請求項２、４～６、８～１６及び１８に係る特許を取り消すことはできない。 また、他に、請求項２、４～６、８～１６及び１８に係る特許を取り消すべき理由を発見しない。 そして、請求項１、３、７、１７及び１９に係る特許は、訂正により削除された。これにより、特許異議の申立てについて、請求項１、３、７、１７及び１９に係る申立ては、申立ての対象が存在しないものとなったため、特許法１２０条の８第１項で準用する同法１３５条の規定により却下する。 よって、結論のとおり決定する。