CN112272763B - 异常探测装置、异常探测方法以及计算机可读取的存储介质 - Google Patents
异常探测装置、异常探测方法以及计算机可读取的存储介质 Download PDFInfo
- Publication number
- CN112272763B CN112272763B CN201880094472.4A CN201880094472A CN112272763B CN 112272763 B CN112272763 B CN 112272763B CN 201880094472 A CN201880094472 A CN 201880094472A CN 112272763 B CN112272763 B CN 112272763B
- Authority
- CN
- China
- Prior art keywords
- offset
- abnormality
- data
- similarity
- abnormality detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 244
- 230000005856 abnormality Effects 0.000 title claims abstract description 223
- 230000035945 sensitivity Effects 0.000 claims abstract description 86
- 238000004364 calculation method Methods 0.000 claims abstract description 43
- 238000011156 evaluation Methods 0.000 claims abstract description 20
- 238000000034 method Methods 0.000 claims description 68
- 230000002159 abnormal effect Effects 0.000 claims description 61
- 230000008569 process Effects 0.000 claims description 38
- 230000014509 gene expression Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 description 65
- 238000004891 communication Methods 0.000 description 24
- 230000006870 function Effects 0.000 description 23
- 238000010586 diagram Methods 0.000 description 14
- 238000012806 monitoring device Methods 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 13
- 239000011159 matrix material Substances 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 8
- 238000013500 data storage Methods 0.000 description 8
- 238000012986 modification Methods 0.000 description 7
- 230000004048 modification Effects 0.000 description 7
- 238000013480 data collection Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 239000000523 sample Substances 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000010978 in-process monitoring Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/008—Subject matter not provided for in other groups of this subclass by doing functionality tests
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0237—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on parallel systems, e.g. comparing signals produced at the same time by same type systems and detect faulty ones by noticing differences among their responses
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
- G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Automation & Control Theory (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Debugging And Monitoring (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供一种异常探测装置、异常探测方法以及计算机可读取的存储介质。偏移倾向计算部(22)通过确定对象数据中的与其它数据偏移的数据、并计算表示确定出的数据的偏移程度的偏移得分的多个偏移值探测方法的各个偏移值探测方法,将从对象设备得到的评价数据作为输入来计算偏移得分,根据计算出的偏移得分来计算偏移倾向信息。异常探测部(23)针对每个异常模式,计算偏移灵敏度信息和计算出的偏移倾向信息的类似度,探测对象设备的异常,所述偏移灵敏度信息表示关于多个偏移值探测方法的各个偏移值探测方法的针对多个异常模式的各个异常模式的灵敏度。
Description
技术领域
本发明涉及根据从对象设备得到的数据探测对象设备的异常的技术。
背景技术
在预防性维护以及设备维护的领域中,为了将维护实施以及备件管理不浪费地降至所需最小限而进行探测或者预测设备的劣化以及故障的迹象的技术开发。在关注传感器网络以及大数据解析的过程中,对设备工作状况进行感测,根据物理的解析或者统计预测进行异常探测或者故障预测的技术正被开发。
针对设备的异常探测,多数情况采取如下方法:收集设备的工作数据,在掌握正常时以及异常时的数据的特征的基础上,构筑异常探测模型。
关于专利文献1记载的方法,在工厂的过程监视中,使用多个异常诊断模型来进行异常的探测以及主要原因的提示。在专利文献1中,事先构筑有效利用主成分分析或者离散小波变换的异常诊断模型,将异常诊断模型应用于过程监视中的在线异常探测。
在此,为了构筑异常诊断模型,需要解析正常时以及异常时的数据特征,掌握能够推测设备状态的统计特征量。但是,例如发电机以及升降机这样的使用寿命长的设备大部分在故障前被进行维护,所以多数情况下,制造商、维护运营商、以及设备引进者(用户)都不保有故障数据。因此,难以采用事先学习故障时的设备状态以及测量数据的变动来进行异常探测的方式。
偏移值探测技术是指,以正常以及异常的二值判定为基本,从数据整体中抽出偏移的数据的技术。在偏移值探测技术中,存在统计方法、机械学习***方法、以及深度学习***方法这样的各种方法。在将偏移值探测方法应用于设备的异常探测的情况下,从数个偏移值探测方法中根据设备感测数据的特征选择最佳的方法,针对逐次收集的设备的工作数据,判定正常以及异常。
关于基于偏移值探测技术的异常探测,在评价数据与正常时发生偏移的情况下,能够探测为异常。因此,只要有正常数据,就能够进行异常探测。即、即使在故障数据少或者完全不存在的情况下,也能够在理论上进行异常探测。由此,可以说是针对未知的故障的探测以及预测有效的方法。
参考文献
参考文献1:日本特开2012-155361号公报
发明内容
基于偏移值探测技术的异常探测是只要有正常数据就能够判定正常以及异常的方法。但是,关于基于偏移值探测技术的异常探测,仅通过以往的应用,无法得知比正常以及异常的二值信息更多的信息。因此、需要由工程师进行检查来对发生什么样的异常进行故障判定以及原因查明。
另外,在对象设备中发生各种异常模式。仅通过应用遵循某个算法的偏移值探测方法,有时无法探测未遵循算法的异常。偏移值探测技术的探测算法针对每个方法而不同,所以探测遗漏的异常模式也被认为针对每个方法而不同,所以难以选择最适合的方法。
本发明的目的在于能够适当地探测异常、并且易于确定发生什么样的异常。
本发明所涉及的异常探测装置具备:
偏移倾向计算部,通过确定对象数据中的与其它数据发生偏移的数据、并计算表示确定出的数据的偏移程度的偏移得分的多个偏移值探测方法的各个偏移值探测方法,将从对象设备得到的评价数据作为输入来计算偏移得分,根据计算出的所述偏移得分来计算偏移倾向信息;以及
异常探测部,针对每个异常模式,计算偏移灵敏度信息和由所述偏移倾向计算部计算出的所述偏移倾向信息的类似度,探测所述对象设备的异常,所述偏移灵敏度信息表示关于所述多个偏移值探测方法的各个偏移值探测方法的针对多个异常模式的各个异常模式的灵敏度。
在本发明中,针对每个异常模式,计算偏移灵敏度信息和偏移倾向信息的类似度。由此,能够适当地探测异常,并且能够易于确定发生什么样的异常。
附图说明
图1是实施方式1所涉及的异常探测***1的硬件结构图。
图2是实施方式1所涉及的对象设备100的功能结构图。
图3是实施方式1所涉及的异常探测装置200的功能结构图。
图4是实施方式1所涉及的状态监视装置300的功能结构图。
图5是实施方式1所涉及的异常探测处理的流程图。
图6是实施方式1所涉及的工作数据取得处理的说明图。
图7是实施方式1所涉及的偏移倾向计算处理的流程图。
图8是实施方式1所涉及的异常确定处理的流程图。
图9是示出实施方式1所涉及的偏移灵敏度信息的方式1的图。
图10是示出实施方式1所涉及的偏移灵敏度信息的方式2的图。
图11是示出实施方式1所涉及的偏移灵敏度信息的方式3的图。
图12是示出实施方式1所涉及的偏移灵敏度信息的方式4的图。
图13是实施方式1所涉及的学习处理的流程图。
图14是实施方式1所涉及的偏移灵敏度信息生成处理的流程图。
图15是变形例1所涉及的异常探测***1的硬件结构图。
图16是实施方式2所涉及的异常探测***1的硬件结构图。
图17是实施方式2所涉及的探测装置500、学习装置600、以及数据库装置700的功能结构图。
图18是实施方式3所涉及的异常探测***1的硬件结构图。
图19是实施方式3所涉及的对象设备100的功能结构图。
(符号说明)
1:异常探测***;100:对象设备;101:工作设备;102:控制装置;103:传感器;104:运算装置;105:主存储装置;106:通信装置;11:工作数据收集部;12:工作数据发送部;200:异常探测装置;201:通信装置;202:运算装置;203:主存储装置;204:外部存储装置;21:工作数据取得部;211:工作数据接收部;212:工作数据积蓄部;22:偏移倾向计算部;221:过去数据取得部;222:数据合并部;223:探测处理部;224:倾向信息生成部;23:异常探测部;231:偏移灵敏度信息取得部;232:类似度计算部;233:类似得分计算部;234:模式判定部;24:参数学习部;241:过去数据取得部;242:学习部;25:偏移灵敏度信息生成部;251:信息生成部;252:信息积蓄部;26:存储部;261:过去数据存储部;262:探测算法存储部;263:偏移灵敏度信息存储部;300:状态监视装置;301:通信装置;302:运算装置;303:主存储装置;304:显示装置;31:结果接收部;32:结果输出部;400:网络;500:探测装置;501:通信装置;502:运算装置;503:主存储装置;600:学习装置;601:通信装置;602:运算装置;603:主存储装置;700:数据库装置;701:通信装置;702:运算装置;703:主存储装置;704:外部存储装置。
具体实施方式
实施方式1.
***结构的说明***
参照图1,说明实施方式1所涉及的异常探测***1的硬件结构。
异常探测***1具备对象设备100、异常探测装置200以及状态监视装置300。对象设备100、异常探测装置200以及状态监视装置300经由LAN(Local Area Network,局域网)这样的网络400连接。异常探测装置200和状态监视装置300既可以是有实体的服务器,也可以由云构成。网络400也可以是虚拟网络。
对象设备100是成为异常探测的对象的装置。
对象设备100具备工作设备101、控制装置102、传感器103、运算装置104、主存储装置105以及通信装置106的硬件。
工作设备101是成为异常探测的对象的部分。作为具体例子,工作设备101是发电机、升降机这样的设备。
控制装置102控制工作设备101。作为具体例子,控制装置102是微型计算机。
传感器103对工作设备101的工作状况进行感测。作为具体例子,传感器103是温度传感器、压力传感器、或者光传感器。
运算装置104是进行处理的IC(Integrated Circuit,集成电路),执行用于将通过传感器103的感测得到的工作数据发送给异常探测装置200的处理。运算装置104也可以将控制装置102的控制信息包含在工作数据中来发送。作为具体例,运算装置104是CPU(Central Processing Unit,中央处理单元)、DSP(Digital Signal Processor,数字信号处理器)、或者GPU(Graphics Processing Unit,图形处理单元)。
主存储装置105临时存储控制信息和工作数据。作为具体例子,主存储装置105是SRAM(Static Random Access Memory,静态随机存取存储器)、或者DRAM(Dynamic RandomAccess Memory,动态随机存取存储器)。
通信装置106依照运算装置104的处理,将控制信息和工作数据发送给异常探测装置200。作为具体例子,通信装置106是Ethernet(以太网)(注册商标)、或者USB(UniversalSerial Bus,通用串行总线)板。
异常探测装置200是进行对象设备100的异常探测的装置。
异常探测装置200具备通信装置201、运算装置202、主存储装置203以及外部存储装置204。
通信装置201从对象设备100接收控制信息和工作数据。另外,通信装置201将异常探测的结果发送给状态监视装置300。作为具体例子,通信装置201是Ethernet(注册商标)或者USB板。
运算装置202执行与异常探测有关的处理。作为具体例子,运算装置202是CPU、DSP、或者GPU。
主存储装置203临时存储由运算装置202执行的处理的处理结果。作为具体例子,主存储装置203是SRAM、或者DRAM。
外部存储装置204保管各种数据。作为具体例子,外部存储装置204是HDD(HardDisk Drive,硬盘驱动器)。另外,外部存储装置204也可以是SD(注册商标,SecureDigital:安全数字)存储卡、CF(CompactFlash:压缩闪存,注册商标)、NAND闪存、软盘、光盘、紧凑盘、蓝光(注册商标)盘、DVD(Digital Versatile Disk:数字通用光盘)这样的便携式记录介质。
状态监视装置300是输出表示由异常探测装置200探测的异常的数据的装置。作为具体例子,状态监视装置300是监视中心的监视装置和使用者所具有的PC(PersonalComputer,个人电脑)这样的装置。
状态监视装置300具备通信装置301、运算装置302、主存储装置303以及显示装置304。
通信装置301从异常探测装置200接收异常探测的结果。作为具体例子,通信装置301是Ethernet(注册商标)或者USB板。
运算装置302执行结果输出的处理。作为具体例子,运算装置302是CPU、DSP、或者GPU。
主存储装置303临时存储由运算装置302执行的处理的处理结果。作为具体例子,主存储装置303是SRAM、或者DRAM。
显示装置304进行结果输出。作为具体例子,是LCD(Liquid Crystal Display,液晶显示器)。
参照图2,说明实施方式1所涉及的对象设备100的功能结构。
作为功能构成要素,对象设备100具备工作数据收集部11和工作数据发送部12。
工作数据收集部11和工作数据发送部12的功能通过软件实现。通过由运算装置104读入并执行实现工作数据收集部11和工作数据发送部12的功能的程序,实现功能。
参照图3,说明实施方式1所涉及的异常探测装置200的功能结构。
作为功能构成要素,异常探测装置200具备工作数据取得部21、偏移倾向计算部22、异常探测部23、参数学习部24、偏移灵敏度信息生成部25以及存储部26。
工作数据取得部21、偏移倾向计算部22、异常探测部23、参数学习部24、偏移灵敏度信息生成部25的功能通过软件实现。通过由运算装置202读入并执行实现工作数据取得部21、偏移倾向计算部22、异常探测部23、参数学习部24、以及偏移灵敏度信息生成部25的功能的程序,实现功能。实现对象设备100的功能构成要素的功能的程序被存储到外部存储装置204。
存储部26的功能通过外部存储装置204实现。
工作数据取得部21具备工作数据接收部211和工作数据积蓄部212。
偏移倾向计算部22具备过去数据取得部221、数据合并部222、探测处理部223以及倾向信息生成部224。探测处理部223针对每个偏移探测方法具有处理块。在图1中,探测处理部223具有与方法1至方法N的N个方法对应的处理块。
异常探测部23具备偏移灵敏度信息取得部231、类似度计算部232、类似得分计算部233以及模式判定部234。
参数学习部24具备过去数据取得部241和学习部242。学习部242针对每个偏移探测方法具有处理块。在图1中,学习部242与探测处理部223同样地,具有与方法1至方法N的N个方法对应的处理块。
偏移灵敏度信息生成部25具备信息生成部251、和信息积蓄部252。
存储部26具备过去数据存储部261、探测算法存储部262以及偏移灵敏度信息存储部263。
参照图4,说明实施方式1所涉及的状态监视装置300的功能结构。
作为功能构成要素,状态监视装置300具备结果接收部31和结果输出部32。
结果接收部31和结果输出部32的功能通过软件实现。通过由运算装置302读入并执行实现结果接收部31和结果输出部32的功能的程序,实现功能。
参照图5至图13,说明实施方式1所涉及的异常探测***1的动作。
实施方式1所涉及的异常探测***1的动作与实施方式1所涉及的异常探测方法相当。另外,实施方式1所涉及的异常探测***1的动作与实施方式1所涉及的异常探测程序的处理相当。
参照图5,说明实施方式1所涉及的异常探测处理。
异常探测处理是探测对象设备100的异常的处理。异常探测处理通过对象设备100、异常探测装置200的工作数据取得部21、偏移倾向计算部22、异常探测部23以及状态监视装置300执行。异常探测处理既可以在任意的定时执行,也可以定期地执行。
(步骤S101:工作数据取得处理)
在对象设备100中,在工作设备101基于控制装置102的控制而工作的过程中,通过传感器103取得工作数据。工作数据收集部11收集取得的工作数据并写入到主存储装置105。工作数据发送部12将由工作数据收集部11收集的一定时间量的工作数据经由通信装置106发送给异常探测装置200。
异常探测装置200的工作数据取得部21经由通信装置201取得由工作数据发送部12发送的工作数据。工作数据取得部21将取得的工作数据写入到主存储装置203。
(步骤S102:偏移倾向计算处理)
异常探测装置200的偏移倾向计算部22计算针对在步骤S101中取得的工作数据的偏移倾向信息。
具体而言,偏移倾向计算部22通过确定对象数据中的与其它数据发生偏移的数据、并计算表示确定出的数据的偏移程度的偏移得分的多个偏移值探测方法的各个方法,将从对象设备100得到的评价数据作为输入来计算偏移得分。偏移倾向计算部22根据计算出的偏移得分,生成偏移倾向信息。偏移倾向计算部22将计算出的偏移倾向信息写入到主存储装置203。
(步骤S103:异常确定处理)
异常探测装置200的异常探测部23根据在步骤S102中计算的偏移倾向信息,判定有无异常以及在有异常的情况下确定被推测的异常模式。
具体而言,异常探测部23针对每个异常模式,计算表示关于多个偏移值探测方法的各个方法的针对多个异常模式的各个异常模式的灵敏度的偏移灵敏度信息、和在步骤S102中计算出的偏移倾向信息的类似度,探测对象设备100的异常。异常探测部23经由通信装置201将探测结果发送给状态监视装置300。
状态监视装置300的结果接收部31经由通信装置301接收由异常探测部23发送的探测结果。结果输出部32将由结果接收部31接收的探测结果输出给显示装置304。
参照图6,说明实施方式1所涉及的工作数据取得处理(图5的步骤S101)。
工作数据接收部211接收由工作数据发送部12发送的工作数据。于是,工作数据接收部211针对接收的工作数据,进行面向偏移倾向信息计算的数据加工。之后,工作数据积蓄部212将加工后的工作数据积蓄到过去数据存储部261。
在此,在时刻t被发送一次的工作数据是按照时间长度m(=时刻t-m至时刻t)切下的数据,被称为时刻t的工作数据。设为在时间长度m中,以一定间隔进行L次感测。另外,将时刻t的工作数据的变量的数量设为k。变量的数量是指,由传感器数量等决定的数据列数。因此,在时刻t被发送一次的工作数据能够作为在行方向上排列数据测量时刻、在列方向上排列各变量的数据的L×k矩阵数据来处理。因此,工作数据接收部211将接收的工作数据加工成L×k矩阵数据。
此外,在对象设备的工作数据是1个变量的时间序列数据的情况下,通过将按照时间长度m切下的数据重新排列处理为L×k矩阵数据,能够与多变量数据的情况同样地进行处理。其中,假设为时间长度m的1个变量的时间序列数据的数据个数等于L×k。在这样对象数据包括时间序列数据的情况下,通过按照某个时间长度(例如k)划分数据并将划分的数据作为k个多变量数据来处理,从而能够无关地同时处理时间序列数据和多变量数据。其中,在时间序列数据是具有周期性的数据的情况下,1个周期量的数据需要与划分的时间长度(例如k)一致。
参照图7,说明实施方式1所涉及的偏移倾向计算处理(图5的步骤S102)。
在步骤S201中,过去数据取得部221取得积蓄于过去数据存储部261的过去的工作数据。过去数据取得部221将取得的过去的工作数据写入到主存储装置203。
在步骤S202中,数据合并部222从主存储装置203读出在步骤S101中取得的时刻t的工作数据、和在步骤S201中取得的过去的工作数据。数据合并部222将时刻t的工作数据和过去的工作数据合并,生成评价数据。数据合并部222将生成的评价数据写入到主存储装置203。
接下来,在步骤S203至步骤S209中,将偏移得分的计算处理反复执行偏移值探测方法的数量N次。
在步骤S203中,探测处理部223将计数器i的值初始化为1。在步骤S204中,探测处理部223从探测算法存储部262读出第i个偏移值探测方法的算法。在步骤S205中,探测处理部223从主存储装置203读出评价数据,通过第i个偏移值探测方法的算法,执行针对评价数据的偏移值探测处理,计算偏移得分。在步骤S206中,探测处理部223从在步骤S205中计算出的偏移得分,仅抽出针对作为评价时间段的时刻t的工作数据的偏移得分。在步骤S207中,探测处理部223将在步骤S206中抽出的偏移得分追加到偏移倾向信息St(i)。在步骤S208中,探测处理部223对计数器i的值加上1。在步骤S209中,探测处理部223判定计数器i的值是否为偏移值探测方法的数量N以下。
在计数器i的值是偏移值探测方法的数量N以下的情况下,探测处理部223使处理返回到步骤S204,通过接下来的偏移值探测方法计算偏移得分。另一方面,在计数器i的值大于偏移值探测方法的数量N的情况下,探测处理部223使处理进入到步骤S210。
在步骤S210中,倾向信息生成部224将在步骤S206中设定了偏移得分的偏移倾向信息St作为时刻t的工作数据的偏移倾向信息,写入到主存储装置203。
说明在步骤S206中计算的偏移得分、和在步骤S210中确定的偏移倾向信息。
在时刻t的工作数据是L×k矩阵数据的情况下,计算与行数L相应量的偏移得分。每行的得分是正常或者异常的二值信息。在作为偏移倾向信息进行处理的情况下,将每行的异常判定率用作时刻t的工作数据。具体而言,在将异常得分的数量设为f时,偏移得分St(i)为f/L。
而且,在步骤S210中确定的时刻t的工作数据的偏移倾向信息是由将偏移得分St(i)合并了与偏移值探测方法的数量N相应量的N个要素构成的列矢量数据St。偏移倾向信息是按照偏移值探测方法的顺序(比较顺序)排列偏移得分St(i)而得的列矢量数据St。
在此,在步骤S205中,通过与每个偏移值探测方法对应的处理块执行算法。具体而言,在对应的处理块将评价数据加工成与偏移值探测方法对应的方式的基础上,进行针对评价数据的偏移值探测,计算偏移得分。通过仅数据的加工和探测算法的执行部分形成按照每个方法不同的结构,能够使直至生成评价数据为止的处理通用化。
参照图8,说明实施方式1所涉及的异常确定处理(图5的步骤S103)。
在步骤S301中,偏移灵敏度信息取得部231从偏移灵敏度信息存储部263读出偏移灵敏度信息。偏移灵敏度信息取得部231将读出的偏移灵敏度信息写入到主存储装置203。
接下来,在步骤S302至步骤S306中,将类似度的计算处理反复执行评价对象的异常模式的数量M次。
在步骤S302中,类似度计算部232将计数器j的值初始化为1。在步骤S303中,类似度计算部232从主存储装置203读出在步骤S102中计算出的偏移倾向信息St、和在步骤S301中读出的偏移灵敏度信息。类似度计算部232计算偏移倾向信息St和作为偏移灵敏度信息的第j个异常模式的异常模式(j)的类似度。作为类似度的计算方法,能够使用相关计算和范数计算(距离计算)这样的通常计算方法。在步骤S304中,类似得分计算部233将在步骤S303中计算的类似度追加到类似度矢量SVt(j)。在步骤S305中,类似度计算部232对计数器j的值加上1。在步骤S306中,类似度计算部232判定计数器j的值是否为异常模式的数量M以下。
类似度计算部232在计数器j的值是异常模式的数量M以下的情况下,使处理返回到步骤S303,计算关于接下来的异常模式的类似度。另一方面,类似度计算部232在计数器j的值大于异常模式的数量M的情况下,使处理进入到步骤S307。
在步骤S307中,模式判定部234根据在步骤S304中设定类似度而得的类似度矢量SVt进行异常探测。然后,模式判定部234将探测结果发送给状态监视装置300。
具体而言,模式判定部234将针对类似度矢量SVt的各要素具有超过某个阈值的类似度的全部异常模式探测为有发生可能性的异常模式。根据该探测方法,能够仅探测存在某种程度以上的异常发生可能性的情况,所以能够期待相比于以往方法误探测变少的效果。
另外,模式判定部234也可以仅将针对类似度矢量SVt的各要素具有超过某个阈值的类似度的异常模式中的具有最大类似度的异常模式探测为有发生可能性的异常模式。根据该探测方法,能够从有某种程度以上的异常发生可能性的异常模式中推测可能性最高的异常模式。因此,能够进行缩小了异常原因的探测。
模式判定部234通过它们中的任意一个探测方法,关于根据时刻t的工作数据计算的工作状况,确定类似度高、即发生可能性高的异常模式。然后,模式判定部234将是否有类似度是阈值以上的异常模式和确定出的异常模式,作为探测结果发送给状态监视装置300。
参照图9至图12,说明实施方式1所涉及的偏移灵敏度信息。
偏移灵敏度信息是指,对各种偏移值探测方法的针对各异常模式的灵敏度进行体系整理而得到的信息。在使用的偏移值探测方法的数量是N、异常模式的数量是M的情况下,偏移灵敏度信息被保持为N×M矩阵数据。偏移灵敏度信息的n行m列的数据表示第n个偏移值探测方法算法(偏移值探测方法(n))针对第m个异常模式(异常模式(m))的灵敏度。灵敏度的值越高,表示使用偏移值探测方法(n)的针对异常模式(m)的异常探测能力越高。异常探测能力高是指,异常探测容易这样的含义。
偏移灵敏度信息被保持为N×M矩阵数据。因此,图8的步骤S303的处理中的作为偏移灵敏度信息的第j个异常模式的异常模式(j)是指偏移灵敏度信息的第j列数据。因此,异常模式(j)是包含作为偏移值探测方法的数量的N个要素的列矢量数据。关于异常模式(j),按照与偏移倾向信息相同的偏移值探测方法的顺序(比较顺序)排列灵敏度。
异常模式既可以是基于物理现象的数据的偏移方式,也可以是单纯地可能作为数值列数据发生的偏移方式。
例如,如果是前者,则是信号传送路径的劣化所引起的噪声重叠,如果是后者,则是时间序列数据的振幅增大变化。如果判明作为物理现象发生什么样的故障,并且其在数据中作为什么样的特征表现,则通过将该信息整理到偏移灵敏度信息,从而在实际上发生了该异常的情况下能够容易地推测异常原因。另一方面,即使在无法辨识出物理现象的情况下,也能够推测异常模式,所以能够使异常或者故障的原因辨析以及原因缩小容易。
另外,使用者可任意地选择要选择的偏移值探测方法以及希望探测的异常模式的信息保持方法。一般,将针对设备动作(物理现象)的感测数据可能发生的所有异常模式、以及能够探测可能发生的异常模式的至少1个异常模式的所有偏移值探测方法的组合保持于偏移灵敏度信息。由此,能够针对所有异常模式进行异常探测,并且还能够执行异常模式的推测。在此,关于确定的异常模式针对确定的偏移值探测方法的灵敏度,既可以采用针对过去数据应用了确定的偏移值探测方法时的探测精度的实际值(真阳性率或者适合率等),也可以由使用者任意地设定。
另外,在针对对象设备的工作数据事先判明发生什么样的异常模式的情况下,也可以从事先准备的所有异常模式和所有偏移值探测方法的组合中仅抽出所需最小限的组合,并重新编成偏移感知表。由此,能够高效地执行异常探测。
另外,在对象设备100中发生某种异常的情况下,不限于由于单个部位处的单独原因产生的单一异常。反而在多数的情况下,多个异常重叠而作为1个异常模式表现的情况较多。因此,设想与由于单一的原因产生的单一的异常模式的所有组合相应量的异常模式的变化。即,在将单一的异常模式的数量设想P个模式的情况下,需要设想最大2P个模式的异常。
图9至图12示出偏移灵敏度信息的信息保持方法的例子。
如图9所示,针对偏移值探测方法(n)和异常模式(m)的灵敏度的表现有对灵敏度的好坏进行二值表现的二值表现方式(方式1)、和如图10至图12所示用[0,1]的实数对灵敏度的好坏进行等级表现的等级表现方式。
关于等级表现方式,有如图9所示用[0,1]的实数分别表现N×M矩阵的各数据的方式2、如图10所示针对每个异常模式(N×M矩阵的列方向)以使合计值成为1的方式进行标准化的方式3、以及如图11所示针对每个偏移值探测方法(N×M矩阵的行方向)以使合计值成为1的方式进行标准化的方式4。换言之,方式2是将针对偏移值探测方法(n)和异常模式(m)的灵敏度独立地保持的形式。方式3是针对各异常模式表现各偏移值探测方法的灵敏度优劣的方式。方式4是针对各偏移值探测方法表现各异常模式的灵敏度优劣的方式。使用者可任意地对选择哪一个方式进行选择。
此外,在此,用[0,1]的实数进行等级表现,但实数可取的值范围不限于[0,1],只要是某个基准范围即可。在基准范围是[0,基准值]的情况下,方式3、4以使合计值成为基准值的方式进行标准化即可。
参照图13,说明实施方式1所涉及的学习处理。
学习处理是进行各偏移值探测方法的模型学习和参数最佳化的至少任意一个的处理。学习处理例如以每1年这样的长期间隔非定期地执行。
在步骤S401中,过去数据取得部241取得积蓄于过去数据存储部261的过去的工作数据作为学习数据。过去数据取得部241将取得的学习数据写入到主存储装置203。
接下来,在步骤S402至步骤S407中,将模型学习和参数最佳化的至少任意一个的处理,反复执行偏移值探测方法的数量N次。
在步骤S402中,学习部242将计数器i初始化为1。在步骤S403中,学习部242抽出偏移值探测方法(i)的当前模型和当前参数的至少任意一个。在步骤S404中,学习部242从主存储装置203读出学习数据,通过学习数据进行模型学习和参数最佳化的至少任意一个。在步骤S405中,学习部242在步骤S404中进行了模型学习的情况下,用学习后的模型更新探测算法存储部262的模型。学习部242在步骤S404中进行了参数最佳化的情况下,用最佳化的参数更新探测算法存储部262的参数。在步骤S406中,学习部242对计数器i的值加上1。在步骤S407中,学习部242判定计数器i的值是否为偏移值探测方法的数量N以下。
学习部242在计数器i的值是偏移值探测方法的数量N以下的情况下,使处理返回到步骤S403,进行关于接下来的偏移值探测方法的处理。另一方面,探测处理部223在计数器i的值大于偏移值探测方法的数量N的情况下,结束处理。
执行学习处理的频度还对异常探测精度造成影响。如果达到使用者要求的异常探测精度,则无需执行学习处理。因此,例如,也可以在异常探测装置200的导入初始,以某种程度高频度地更新模型,而在更新某种程度而提高了精度之后,停止更新。
另外,关于是否需要模型学习以及是否需要参数最佳化,针对选择的每个偏移值探测方法而不同的情况较多。因此,有时无需关于所有偏移值探测方法一并进行模型学习以及参数最佳化。在该情况下,也可以仅将确定的偏移值探测方法作为对象,执行学习处理。
参照图14,说明实施方式1所涉及的偏移灵敏度信息生成处理。
偏移灵敏度信息生成处理是生成在异常确定处理(图5的步骤S103)中使用的偏移灵敏度信息的处理。偏移灵敏度信息生成处理需要在异常确定处理执行前至少执行1次。偏移灵敏度信息生成处理与学习处理同样地,以例如每1年这样的长期间隔非定期地执行。
在步骤S501中,信息生成部251选择作为对象的偏移值探测方法。在步骤S502中,信息生成部251选择作为对象的异常模式。在步骤S503中,信息生成部251在偏移灵敏度信息中的、与在步骤S501中选择的探测方法和在步骤S502中选择的异常模式对应的栏中设定数据,生成新的偏移灵敏度信息。在步骤S504中,信息积蓄部252通过在步骤S503中生成的偏移灵敏度信息,更新存储于偏移灵敏度信息存储部263的偏移灵敏度信息。
所使用的偏移值探测方法以及所设想的异常模式的组合在异常探测装置200的使用过程中也能够任意地变更。但是,在变更偏移灵敏度信息的情况下,需要再次执行偏移灵敏度信息生成处理以及学习处理。
***实施方式1的效果***
如以上所述,实施方式1所涉及的异常探测装置200针对每个异常模式,计算偏移灵敏度信息和偏移倾向信息的类似度。由此,能够适当地探测异常,并且能够易于确定发生什么样的异常。
实施方式1所涉及的异常探测装置200有效利用作为对各种偏移值探测方法针对各异常模式的灵敏度进行体系整理而得到的关系表的偏移灵敏度信息,实现异常探测和异常模式推测。由此,不仅能够实现如使用偏移值探测方法的已有的异常探测的正常或者异常的二值判定,而且连发生什么样的异常的解析也能够实现。只要将异常模式与对象设备的故障模式唯一地关联起来,则故障部位的确定也能够容易地执行。
另外,仅通过单纯地使用偏移值探测方法,存在关于某个异常模式无法探测的可能性。相对于此,实施方式1所涉及的异常探测装置200通过关于所有异常模式事先在偏移灵敏度信息中网罗,能够减少针对所有异常的探测遗漏。
另外,实施方式1所涉及的异常探测装置200无需针对每个对象设备100事先定制模型就能够应用。因此,针对无法查明物理模型的复杂的设备和作为黑盒的其它公司设备也能够期待异常探测的效果。
***其它结构***
<变形例1>
在实施方式1中,工作数据收集部11、工作数据发送部12、工作数据取得部21、偏移倾向计算部22、异常探测部23、参数学习部24、偏移灵敏度信息生成部25、结果接收部31、以及结果输出部32的各部分的功能用软件实现。但是,作为变形例1,上述各部分的功能也可以用硬件实现。关于该变形例1,说明与实施方式1不同的点。
参照图15,说明变形例1所涉及的异常探测***1的硬件结构。
在上述各部分的功能用硬件实现的情况下,对象设备100代替运算装置104和主存储装置105而具备电子电路107。另外,异常探测装置200代替运算装置202和主存储装置203而具备电子电路205。状态监视装置300代替运算装置302和主存储装置303而具备电子电路305。
电子电路107是实现工作数据收集部11以及工作数据发送部12的功能、和主存储装置105的功能的专用电路。电子电路205是实现工作数据取得部21、偏移倾向计算部22、异常探测部23、参数学习部24以及偏移灵敏度信息生成部25的功能、和主存储装置203的功能的专用电路。电子电路305是实现结果接收部31以及结果输出部32的功能、和主存储装置303的功能的专用电路。
作为电子电路107、205、305,设想单一电路、复合电路、程序化的处理器、并行程序化的处理器、逻辑IC、GA(Gate Array,门阵列)、ASIC(Application Specific IntegratedCircuit,专用集成电路)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)。
既可以用1个电子电路107、205、305实现上述各部分的功能,也可以将上述各部分的功能分散到多个电子电路107、205、305来实现。
<变形例2>
作为变形例2,也可以将一部分的功能构成要素用硬件实现,其它功能构成要素用软件实现。
将运算装置104、202、302、主存储装置105、203、303以及电子电路107、205、305称为处理电路。即,上述各部分的功能通过处理电路实现。
实施方式2.
实施方式2在异常探测装置200被分成3个装置这点上与实施方式1不同。在实施方式2中,说明该不同的点,关于相同点省略说明。
参照图16,说明实施方式2所涉及的异常探测***1的硬件结构。此外,在图16中,省略对象设备100以及状态监视装置300的结构。
异常探测***1在代替异常探测装置200而具备探测装置500、学习装置600以及数据库装置700这点上与图1所示的异常探测***1不同。探测装置500、学习装置600以及数据库装置700既可以是有实体的服务器,也可以由云构成。
探测装置500具备通信装置501、运算装置502以及主存储装置503。学习装置600具备通信装置601、运算装置602以及主存储装置603。数据库装置700具备通信装置701、运算装置702、主存储装置703以及外部存储装置704。
参照图17,说明实施方式2所涉及的探测装置500、学习装置600以及数据库装置700的功能结构。
作为功能构成要素,探测装置500具备工作数据取得部21、偏移倾向计算部22以及异常探测部23。作为功能构成要素,学习装置600具备参数学习部24和偏移灵敏度信息生成部25。作为功能构成要素,数据库装置700具备存储部26。
即,在实施方式2中,图3所示的异常探测装置200被分成执行异常探测处理的探测装置500、执行学习处理及偏移灵敏度信息生成处理的学习装置600、以及积蓄数据的数据库装置700。
通过形成实施方式2所涉及的结构,能够独立地执行异常探测处理、和学习处理以及偏移灵敏度信息生成处理。因此,容易担保通过在线处理执行的异常探测处理的执行速度。
实施方式3.
在进行异常探测处理的功能设置于对象设备100这点上,实施方式3与实施方式1、2不同。在实施方式3中,说明该不同的点,关于相同点省略说明。
参照图18,说明实施方式3所涉及的异常探测***1的硬件结构。
异常探测***1在未具备探测装置500这点上与图16所示的异常探测***1不同。
参照图19,说明实施方式3所涉及的对象设备100的功能结构。
作为功能构成要素,对象设备100具备探测装置500具备的工作数据取得部21、偏移倾向计算部22以及异常探测部23这点上与图2所示的对象设备100不同。
即,在实施方式3中,为由对象设备100执行异常探测处理的结构。
通过形成实施方式3所涉及的结构,能够通过边缘计算来处理异常探测处理。由此,无需以持续监视等为目的始终不中断地执行工作数据这样的数据的发送接收,而能够将持续通信仅限定为异常判定结果和异常模式推测结果的发送。因此,能够节省网络400的通信量。
此外,在实施方式3中,说明将实施方式2所涉及的异常探测***1的结构变形而得到的结构。但是,还能够使实施方式1所涉及的异常探测***1的结构发生变形。
Claims (11)
1.一种异常探测装置,具备:
偏移倾向计算部,将从对象设备得到的评价数据作为输入来计算第一偏移得分,根据计算出的所述第一偏移得分来计算偏移倾向信息,确定对象数据中的与其它数据发生偏移的数据,根据确定出的数据的偏移程度计算表示判定为异常的程度即异常判定率的第二偏移得分,所述第一偏移得分是分别通过多个偏移值探测方法计算出的;以及
异常探测部,针对每个异常模式,计算偏移灵敏度信息和由所述偏移倾向计算部计算出的所述偏移倾向信息的类似度,将计算出的所述类似度追加到类似度矢量,将针对所述类似度矢量的各要素具有超过阈值的类似度的全部异常模式探测为有发生可能性的异常模式,所述偏移灵敏度信息表示关于所述多个偏移值探测方法的各个偏移值探测方法的针对多个异常模式的各个异常模式的作为异常探测能力的高低的灵敏度,
所述异常模式是有可能在对象设备中发生的模式,
所述偏移值探测方法是能够检测所述多个异常模式中的至少1个异常模式的方法,
所述偏移倾向信息是由N个要素构成的列矢量数据,其中所述第一偏移得分按照所述偏移值探测方法的比较顺序排列。
2.根据权利要求1所述的异常探测装置,其中,
所述异常探测部针对每个异常模式,计算针对每个异常模式将关于所述多个偏移值探测方法的各个偏移值探测方法的灵敏度按照所述比较顺序排列的所述偏移灵敏度信息、和所述偏移倾向信息的类似度。
3.根据权利要求1或者2所述的异常探测装置,其中,
所述评价数据是从所述对象设备得到的时间序列数据,
所述第一偏移得分表示所述时间序列数据中的在评价时间段得到的数据的偏移程度。
4.根据权利要求3所述的异常探测装置,其中,
所述第一偏移得分是以所述评价时间段中的L次定时取得的数据中的被判定为与其它数据偏移的数据的数量f的比例。
5.根据权利要求1或者2所述的异常探测装置,其中,
关于所述偏移灵敏度信息,将过去的评价数据作为输入,通过所述多个偏移值探测方法的各个偏移值探测方法将探测到所述多个异常模式的各个异常模式的情况下的实际值表示为所述灵敏度。
6.根据权利要求5所述的异常探测装置,其中,
通过用二值表示所述灵敏度的二值表现方式、和用基准范围中的实数表示所述灵敏度的等级表现方式中的某一个方式来表示所述偏移灵敏度信息。
7.根据权利要求6所述的异常探测装置,其中,
将所述偏移灵敏度信息在用所述等级表现方式来表示的情况下,通过将关于所述多个偏移值探测方法的各个偏移值探测方法的针对所述多个异常模式的各个异常模式的灵敏度用所述基准范围中的实数表示的方式、用针对每个异常模式以使合计值成为基准值的方式进行标准化的实数表示的方式、以及用针对每个偏移值探测方法以使合计值成为所述基准值的方式进行标准化的实数表示的方式中的某一个方式来表示。
8.根据权利要求1或者2所述的异常探测装置,其中,
所述异常探测部在关于至少1个异常模式计算出的所述类似度高于阈值的情况下,判定为探测到异常。
9.根据权利要求1或者2所述的异常探测装置,其中,
所述异常探测部判定出发生了由所述类似度高于阈值的异常模式所表示的异常、或者、发生了由所述类似度最高的异常模式所表示的异常。
10.一种异常探测方法,其中,
偏移倾向计算部将从对象设备得到的评价数据作为输入来计算第一偏移得分,根据计算出的所述第一偏移得分来计算偏移倾向信息,确定对象数据中的与其它数据发生偏移的数据,根据确定出的数据的偏移程度计算表示判定为异常的程度即异常判定率的第二偏移得分,所述第一偏移得分是分别通过多个偏移值探测方法计算出的,
异常探测部针对每个异常模式,计算偏移灵敏度信息和计算出的所述偏移倾向信息的类似度,将计算出的所述类似度追加到类似度矢量,将针对所述类似度矢量的各要素具有超过阈值的类似度的全部异常模式探测为有发生可能性的异常模式,所述偏移灵敏度信息表示关于所述多个偏移值探测方法的各个偏移值探测方法的针对多个异常模式的各个异常模式的作为异常探测能力的高低的灵敏度,
所述异常模式是有可能在对象设备中发生的模式,
所述偏移值探测方法是能够检测所述多个异常模式中的至少1个异常模式的方法,
所述偏移倾向信息是由N个要素构成的列矢量数据,其中所述第一偏移得分按照所述偏移值探测方法的比较顺序排列。
11.一种计算机可读取的存储介质,存储异常探测程序,所述异常探测程序使计算机执行:
偏移倾向计算处理,将从对象设备得到的评价数据作为输入来计算第一偏移得分,根据计算出的所述第一偏移得分来计算偏移倾向信息,确定对象数据中的与其它数据发生偏移的数据,根据确定出的数据的偏移程度计算表示判定为异常的程度即异常判定率的第二偏移得分,所述第一偏移得分是分别通过多个偏移值探测方法计算出的;以及
异常探测处理,针对每个异常模式计算偏移灵敏度信息和通过所述偏移倾向计算处理计算出的所述偏移倾向信息的类似度,将计算出的所述类似度追加到类似度矢量,将针对所述类似度矢量的各要素具有超过阈值的类似度的全部异常模式探测为有发生可能性的异常模式,所述偏移灵敏度信息表示关于所述多个偏移值探测方法的各个偏移值探测方法的针对多个异常模式的各个异常模式的作为异常探测能力的高低的灵敏度,
所述异常模式是有可能在对象设备中发生的模式,
所述偏移值探测方法是能够检测所述多个异常模式中的至少1个异常模式的方法,
所述偏移倾向信息是由N个要素构成的列矢量数据,其中所述第一偏移得分按照所述偏移值探测方法的比较顺序排列。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2018/022709 WO2019239542A1 (ja) | 2018-06-14 | 2018-06-14 | 異常検知装置、異常検知方法及び異常検知プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112272763A CN112272763A (zh) | 2021-01-26 |
CN112272763B true CN112272763B (zh) | 2023-05-19 |
Family
ID=65037116
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880094472.4A Active CN112272763B (zh) | 2018-06-14 | 2018-06-14 | 异常探测装置、异常探测方法以及计算机可读取的存储介质 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11657121B2 (zh) |
EP (1) | EP3795975B1 (zh) |
JP (1) | JP6456580B1 (zh) |
CN (1) | CN112272763B (zh) |
WO (1) | WO2019239542A1 (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021022311A (ja) * | 2019-07-30 | 2021-02-18 | 株式会社リコー | 異常検知装置、異常検知システムおよびプログラム |
US11341682B2 (en) * | 2020-08-13 | 2022-05-24 | Argo AI, LLC | Testing and validation of a camera under electromagnetic interference |
CN112506908A (zh) * | 2020-12-10 | 2021-03-16 | 云南电网有限责任公司玉溪供电局 | 一种电能计量数据清洗方法和*** |
CN116879662B (zh) * | 2023-09-06 | 2023-12-08 | 山东华尚电气有限公司 | 基于数据分析的变压器故障检测方法 |
CN116881635B (zh) * | 2023-09-08 | 2023-12-05 | 北京日光旭升精细化工技术研究所 | 一种用于纺织品洗涤剂设备数据管理*** |
CN116930595B (zh) * | 2023-09-18 | 2023-11-24 | 法拉迪电气有限公司 | 一种用于新能源并网调压的精准数据计量方法 |
CN117407728B (zh) * | 2023-12-15 | 2024-03-15 | 湖南南华生物技术有限公司 | 一种用于干细胞的存储环境实时监测方法及*** |
Family Cites Families (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE69000749T2 (de) * | 1989-03-13 | 1993-04-29 | Westinghouse Electric Corp | Automatische orbitanalyse mit anwendung eines neuronnetzwerkes. |
JPH04121622A (ja) | 1990-09-13 | 1992-04-22 | Hitachi Ltd | プラント運転支援方法及びその装置並びにデータ表示方法 |
US6092029A (en) * | 1998-02-19 | 2000-07-18 | Bently Nevada Corporation | Method and apparatus for diagnosing and controlling rotating stall and surge in rotating machinery |
JP3068091B1 (ja) | 1999-06-02 | 2000-07-24 | 核燃料サイクル開発機構 | 異常診断装置 |
US20160026915A1 (en) * | 2001-01-05 | 2016-01-28 | In-Depth Test Llc | Methods and Apparatus for Data Analysis |
JP4250552B2 (ja) * | 2004-03-03 | 2009-04-08 | 株式会社東芝 | 製造装置管理システム、製造装置管理方法及びプログラム |
JP2005345154A (ja) | 2004-05-31 | 2005-12-15 | Kyushu Electric Power Co Inc | 異常予兆検出方法および装置 |
US20090030753A1 (en) | 2007-07-27 | 2009-01-29 | General Electric Company | Anomaly Aggregation method |
JP5048625B2 (ja) | 2008-10-09 | 2012-10-17 | 株式会社日立製作所 | 異常検知方法及びシステム |
JP5301310B2 (ja) | 2009-02-17 | 2013-09-25 | 株式会社日立製作所 | 異常検知方法及び異常検知システム |
JP5363927B2 (ja) * | 2009-09-07 | 2013-12-11 | 株式会社日立製作所 | 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム |
JP5461136B2 (ja) | 2009-09-30 | 2014-04-02 | 三菱重工業株式会社 | プラントの診断方法及び診断装置 |
JP2011145846A (ja) | 2010-01-14 | 2011-07-28 | Hitachi Ltd | 異常検知方法、異常検知システム、及び異常検知プログラム |
JP5454671B2 (ja) | 2010-02-26 | 2014-03-26 | 株式会社日立製作所 | 故障原因診断システムおよびその方法 |
JP5439265B2 (ja) | 2010-04-20 | 2014-03-12 | 株式会社日立製作所 | 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム |
US20130268288A1 (en) * | 2010-06-28 | 2013-10-10 | Nec Corporation | Device, method, and program for extracting abnormal event from medical information using feedback information |
JP5501903B2 (ja) | 2010-09-07 | 2014-05-28 | 株式会社日立製作所 | 異常検知方法及びそのシステム |
JP5132746B2 (ja) | 2010-09-30 | 2013-01-30 | 中国電力株式会社 | 動作異常検出装置、動作異常検出方法 |
JP2012155361A (ja) | 2011-01-21 | 2012-08-16 | Toshiba Corp | プロセス監視装置 |
JP5868216B2 (ja) | 2012-02-27 | 2016-02-24 | 三菱電機株式会社 | クラスタリング装置及びクラスタリングプログラム |
US9850422B2 (en) | 2013-03-07 | 2017-12-26 | Prostim Labs, Llc | Hydrocarbon-based fracturing fluid composition, system, and method |
US20160127402A1 (en) | 2014-11-04 | 2016-05-05 | Patternex, Inc. | Method and apparatus for identifying and detecting threats to an enterprise or e-commerce system |
US9904893B2 (en) | 2013-04-02 | 2018-02-27 | Patternex, Inc. | Method and system for training a big data machine to defend |
JP5530019B1 (ja) | 2013-11-01 | 2014-06-25 | 株式会社日立パワーソリューションズ | 異常予兆検知システム及び異常予兆検知方法 |
JP6216242B2 (ja) | 2013-12-13 | 2017-10-18 | 株式会社日立ハイテクノロジーズ | 異常検知方法およびその装置 |
JP6143667B2 (ja) | 2013-12-27 | 2017-06-07 | 三菱重工業株式会社 | 予測システム、監視システム、運転支援システム、ガスタービン設備及び予測方法 |
CN104089774B (zh) * | 2014-07-25 | 2016-05-25 | 北京工业大学 | 一种基于并行多字典正交匹配的齿轮故障诊断方法 |
US10271802B2 (en) | 2014-08-12 | 2019-04-30 | Carestream Health, Inc. | Digital x-ray imaging apparatus and method |
JP6330922B2 (ja) * | 2015-01-21 | 2018-05-30 | 三菱電機株式会社 | 情報処理装置および情報処理方法 |
US20160343180A1 (en) * | 2015-05-19 | 2016-11-24 | GM Global Technology Operations LLC | Automobiles, diagnostic systems, and methods for generating diagnostic data for automobiles |
JP6472327B2 (ja) | 2015-05-26 | 2019-02-20 | 株式会社日立パワーソリューションズ | 異常予兆診断装置及び異常予兆診断方法 |
JP6523815B2 (ja) | 2015-06-22 | 2019-06-05 | 株式会社日立製作所 | プラント診断装置及びプラント診断方法 |
JP6647824B2 (ja) * | 2015-09-25 | 2020-02-14 | 三菱重工業株式会社 | 異常診断システム及び異常診断方法 |
JP6573838B2 (ja) * | 2016-02-10 | 2019-09-11 | 株式会社神戸製鋼所 | 回転機の異常検知システム |
JP6605357B2 (ja) | 2016-02-29 | 2019-11-13 | 株式会社日立製作所 | 異常検知装置、異常検知システムおよびその方法 |
JP6890382B2 (ja) | 2016-05-23 | 2021-06-18 | ルネサスエレクトロニクス株式会社 | 生産システム |
JP6772963B2 (ja) * | 2017-06-05 | 2020-10-21 | トヨタ自動車株式会社 | 異常診断装置及び異常診断方法 |
CN107644229A (zh) * | 2017-08-31 | 2018-01-30 | 浙江工业大学 | 基于多传感器信息融合的室内异常行为检测方法 |
-
2018
- 2018-06-14 JP JP2018555298A patent/JP6456580B1/ja active Active
- 2018-06-14 WO PCT/JP2018/022709 patent/WO2019239542A1/ja unknown
- 2018-06-14 EP EP18922746.5A patent/EP3795975B1/en active Active
- 2018-06-14 CN CN201880094472.4A patent/CN112272763B/zh active Active
-
2020
- 2020-10-23 US US17/078,371 patent/US11657121B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
JPWO2019239542A1 (ja) | 2020-06-25 |
EP3795975B1 (en) | 2023-08-02 |
EP3795975A1 (en) | 2021-03-24 |
WO2019239542A1 (ja) | 2019-12-19 |
EP3795975A4 (en) | 2021-09-15 |
CN112272763A (zh) | 2021-01-26 |
US20210042585A1 (en) | 2021-02-11 |
US11657121B2 (en) | 2023-05-23 |
JP6456580B1 (ja) | 2019-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112272763B (zh) | 异常探测装置、异常探测方法以及计算机可读取的存储介质 | |
JP7003159B2 (ja) | 障害予測システムおよび障害予測方法 | |
CN111459700A (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
CN101999101B (zh) | ***运行预测的确定方法 | |
US20080167842A1 (en) | Method and system for detecting, analyzing and subsequently recognizing abnormal events | |
US20070239629A1 (en) | Cluster Trending Method for Abnormal Events Detection | |
KR20190025474A (ko) | 플랜트 데이터 예측 장치 및 방법 | |
CN102265227A (zh) | 用于在机器状况监视中创建状态估计模型的方法和设备 | |
US11640459B2 (en) | Abnormality detection device | |
KR102321607B1 (ko) | 기계의 결함 검출 장치 및 방법 | |
CN112083244A (zh) | 综合化航空电子设备故障智能诊断*** | |
Li et al. | Canonical variate residuals-based contribution map for slowly evolving faults | |
CN114462820A (zh) | 一种轴承状态监测与健康管理***性能测试及优化方法和*** | |
CN116975604B (zh) | 贴片机驱动***的故障预测方法及*** | |
JP6915693B2 (ja) | システム分析方法、システム分析装置、および、プログラム | |
CN111555899A (zh) | 告警规则配置方法、设备状态监测方法、装置和存储介质 | |
US10372719B2 (en) | Episode mining device, method and non-transitory computer readable medium of the same | |
Wang et al. | Impact of mahalanobis space construction on effectiveness of Mahalanobis–Taguchi system | |
JP7184636B2 (ja) | データ選別装置及び方法、ならびに監視診断装置 | |
US20220413480A1 (en) | Time series data processing method | |
CN113646786A (zh) | 信号选择装置、学习装置、信号选择方法及程序 | |
Al-Najjar | Determination of potential failure initiation time using cumulative sum chart | |
CN114286931B (zh) | 异常部分检测装置、异常部分检测方法及计算机可读取的记录介质 | |
TWI824681B (zh) | 裝置管理系統、裝置的障礙原因推測方法以及非暫時性地記憶程式的記憶媒體 | |
WO2024043153A1 (ja) | 因子選択装置、因子選択方法及びプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |