JP2010122912A - Abnormality decision device and method, and program - Google Patents
Abnormality decision device and method, and program Download PDFInfo
- Publication number
- JP2010122912A JP2010122912A JP2008296052A JP2008296052A JP2010122912A JP 2010122912 A JP2010122912 A JP 2010122912A JP 2008296052 A JP2008296052 A JP 2008296052A JP 2008296052 A JP2008296052 A JP 2008296052A JP 2010122912 A JP2010122912 A JP 2010122912A
- Authority
- JP
- Japan
- Prior art keywords
- data
- determination
- abnormality
- model
- unit
- 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.)
- Granted
Links
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
Description
本発明は、センサデータから計測対象の異常予兆を捉え、異常個所の推定を可能とする異常判定装置、方法、及びプログラムに関する。 The present invention relates to an abnormality determination device, method, and program capable of capturing an abnormality sign of a measurement target from sensor data and estimating an abnormal part.
近年、センサネットワークの普及により、さまざまなシーンでセンサデータ解析技術が必要になっている。しかしながら、多種多様で時々刻々と変化するセンサデータから計測対象の状態を正しく判定するための信号処理は、これまでの信号処理よりも困難であるという問題点がある。例えば、異種センサ信号の相対的な位相ずれを考慮しなければならない。また、計算資源制約の厳しいセンサノードおよび低コストの計算機やデバイスであっても即座にデータを処理しなければならないことから計算量を低く抑えなければならない。 In recent years, with the spread of sensor networks, sensor data analysis techniques are required in various scenes. However, there is a problem that signal processing for correctly determining the state of a measurement target from various and varied sensor data is more difficult than conventional signal processing. For example, the relative phase shift of different sensor signals must be considered. Even for sensor nodes and low-cost computers and devices with severe computational resource constraints, the amount of computation must be kept low because data must be processed immediately.
センサデータに対する異常の閾値を予め設定しておき、該閾値を超えたかどうかを判定することで異常を検知する方式(閾値法)には、処理時間はかからないが誤報が多くなる危険性があり、また、頻繁に閾値周辺上下にセンサデータの振幅が集まる場合にその判定の明確な根拠を示すことが困難であるという問題点がある(例えば下記特許文献1〜3参照)。この問題に対しては閾値周辺をファジー化させるなどの方法が考えられるが、この方法も同様に理解容易な形で明確な根拠としてユーザに提示することは難しい。
A method of detecting an abnormality by setting an abnormality threshold for sensor data in advance and determining whether the threshold has been exceeded (threshold method) does not take processing time but has a risk of increasing false alarms. In addition, when the amplitude of sensor data frequently gathers around the threshold, it is difficult to provide a clear basis for the determination (see, for example,
適応的フィルタ技術の導入に関しては、所望の信号を入力しなければならないため、異常判定にバイアスがかかるという問題点がある。 Regarding the introduction of the adaptive filter technique, since a desired signal must be input, there is a problem that an abnormality determination is biased.
さらに、時系列データの予測に用いられ一般に予測精度が高いと言われているニューラルネットワークなどの技術に関しては、モデルがブラックボックスとなっており、なぜそのような状態検知が行われたかの検証が難しく検知の根拠を示すことができないという問題点がある。
本発明は、上記事情を考慮してなされたものであり、計算資源制約下においても即座に状態検知を行い、閾値法よりも正確な結果を得ることができ、さらに異常検知の根拠を明確に示すことのできる異常状態判定装置、方法、及びプログラムを提供することを目的とする。 The present invention has been made in consideration of the above circumstances, and can immediately detect the state even under computational resource constraints, obtain a more accurate result than the threshold method, and further clarify the grounds for abnormality detection. An object of the present invention is to provide an abnormal state determination device, method, and program that can be shown.
本発明の一観点に係る異常判定装置は、センサデータを入力し、該センサデータからノイズを除去するノイズフィルタリング部と、前記ノイズが除去されたセンサデータから適切な長さ区間の部分波形データを抽出するセグメンテーション部と、前記部分波形データに基づいて判定モデルを構築するモデル構築部と、判定がなされていない未知データが入力された場合に、該未知データに異常があるかどうかを前記判定モデルを用いて判定する判定部と、前記未知データについての異常判定結果を出力する出力部と、を具備する。 An abnormality determination device according to an aspect of the present invention includes a noise filtering unit that inputs sensor data and removes noise from the sensor data, and partial waveform data of an appropriate length section from the sensor data from which the noise has been removed. A segmentation unit for extraction; a model construction unit for constructing a judgment model based on the partial waveform data; and when unknown data that has not been judged is input, whether the unknown data is abnormal or not And an output unit that outputs an abnormality determination result for the unknown data.
本発明の別の観点に係る異常判定方法は、ノイズフィルタリング部がセンサデータを入力し、該センサデータからノイズを除去するステップと、前記ノイズが除去されたセンサデータからセグメンテーション部が適切な長さ区間の部分波形データを抽出するステップと、前記部分波形データに基づいてモデル構築部が判定モデルを構築するステップと、判定がなされていない未知データが入力された場合に、該未知データに異常があるかどうかを判定部が前記判定モデルを用いて判定するステップと、前記未知データについての異常判定結果を出力部が出力するステップと、を具備する。 In the abnormality determination method according to another aspect of the present invention, the noise filtering unit inputs sensor data and removes noise from the sensor data, and the segmentation unit has an appropriate length from the sensor data from which the noise has been removed. A step of extracting partial waveform data of a section; a step of a model construction unit constructing a determination model based on the partial waveform data; and when unknown data that has not been determined is input, an abnormality is detected in the unknown data A step of determining whether or not there is a determination unit using the determination model; and a step of outputting an abnormality determination result for the unknown data by the output unit.
本発明の別の観点は、センサデータを入力し、該センサデータからノイズを除去するノイズフィルタリング部、前記ノイズが除去されたセンサデータから適切な長さ区間の部分波形データを抽出するセグメンテーション部、前記部分波形データに基づいて判定モデルを構築するモデル構築部、判定がなされていない未知データが入力された場合に、該未知データに異常があるかどうかを前記判定モデルを用いて判定する判定部、前記未知データについての異常判定結果を出力する出力部、としてコンピュータや組み込み機器等を機能させるためのプログラムである。 Another aspect of the present invention is a noise filtering unit that inputs sensor data and removes noise from the sensor data, a segmentation unit that extracts partial waveform data of an appropriate length section from the sensor data from which the noise has been removed, A model building unit that builds a determination model based on the partial waveform data, and a determination unit that determines whether or not there is an abnormality in the unknown data when unknown data that has not been determined is input A program for causing a computer, an embedded device, or the like to function as an output unit that outputs an abnormality determination result for the unknown data.
本発明によれば、過去に蓄積されたチャンネルセンサデータと検査対象の状態を示す情報とを活用し、判定に必要な特徴を切り出して絞り込みルールとして構造化し、これにより計算資源制約下においても即座に状態検知を行うことができ、かつ閾値法よりも正確な結果を得ることのできる異常状態判定装置を提供できる。閾値法では値の瞬間的なピークのみに着目していたが、本発明では複数チャネルの時系列データにおける値の瞬間的ピークの周辺波形情報とそれらの位相ずれをすべて考慮し、統合して状態判定することができる。 According to the present invention, the channel sensor data accumulated in the past and the information indicating the state of the inspection target are utilized, and the features necessary for the determination are cut out and structured as a narrowing rule. Thus, it is possible to provide an abnormal state determination device that can detect a state and obtain a more accurate result than the threshold method. The threshold method focused only on the instantaneous peak of the value, but in the present invention, all the surrounding waveform information of the instantaneous peak of the value in the time series data of multiple channels and their phase shifts are considered and integrated. Can be determined.
以下、図面を参照しながら本発明の実施形態を説明する。 Hereinafter, embodiments of the present invention will be described with reference to the drawings.
図1は、本発明の一実施形態に係り、センサデータから計測対象の異常予兆を捉え、異常個所の推定を可能とするための装置の構成を示すブロック図である。この装置は、センサデータを入力しノイズを除去するノイズフィルタリング部1と、入力されたセンサデータを適切な長さ区間だけ抽出するセグメンテーション部2と、部分波形データから判定モデルを学習するモデル構築部3と、構築された判定モデルを格納する判定モデル格納部4と、判定結果のついていない未知のデータが入力された場合にその未知データを判定する判定部5と、波形データや判定結果などを表示器や音で外部に知らせる出力部6とを具備する。
FIG. 1 is a block diagram illustrating a configuration of an apparatus for capturing an abnormal sign of a measurement target from sensor data and enabling estimation of an abnormal part according to an embodiment of the present invention. This apparatus includes a
まず、訓練用入力データ(以下訓練データという)としてセンサ時系列データと異常個所・予兆個所を示したデータとをノイズフィルタリング部1に入力する。異常個所・予兆個所は保守員があらかじめデータベース等に入力しておく。ノイズフィルタリング部1においては一般的な信号処理において用いられる低域周波数通過フィルタ(ローパスフィルタ)、波形の包絡線を滑らかにする平滑化フィルタなどにより、センサデータに混入するハムノイズや基線の揺れによるノイズ等を除去する。
First, sensor time-series data and data indicating abnormal locations / predictive locations are input to the
次に、セグメンテーション部2は、ノイズフィルタリング部1によりノイズ除去されたデータに対し、異常個所・予兆個所の時刻を中心として、その前後をあらかじめ決められた時区間分だけ取り出し予兆セグメント(単純モデル)とする。取り出されたデータは部分波形に相当する。
Next, the
正常データにおいては、異常ありのすべてのデータで指定された異常個所の前後の時区間にある部分波形を抜き出す。すべての訓練データに対してこの処理を施したら、予兆部分波形の幅を決定する。 In normal data, partial waveforms in the time interval before and after the abnormal part designated by all data with abnormality are extracted. When this process is performed on all training data, the width of the predictive partial waveform is determined.
あらかじめ決められた窓幅でずれの総和を計算すると、その窓幅にずれの累積量が強く依存してしまう。そこで本発明では、異常個所・予兆個所の中心時刻から前後にそれぞれ1つずつ幅を広げてずれの累積量を計算し、異常と正常の区別が可能だと考えられる条件を満たす最大区間幅まで拡張させる方法を採用する。予兆部分波形の幅は、例えば以下の手順で決定する。 If the sum of the deviations is calculated with a predetermined window width, the accumulated amount of deviations strongly depends on the window width. Accordingly, in the present invention, the cumulative amount of deviation is calculated by expanding the width one by one before and after the center time of the abnormal part / predictive part, up to the maximum section width that satisfies the condition that it is possible to distinguish between abnormal and normal. Adopt an expansion method. The width of the predictive partial waveform is determined by the following procedure, for example.
(ステップ1)N個の訓練データを異常群(n個)と正常群(m個)とに分ける。i=1とする。 (Step 1) N training data are divided into an abnormal group (n) and a normal group (m). i = 1.
(ステップ2)i=nとなったら処理を停止する。i<nの場合、n個の異常群の波形データのうちi番目の波形データを取り出し、予兆箇所を予兆中心位置として一定区間分だけその前後の波形データを2つの異なるバッファA、Bにそれぞれ格納する(Aにデータを格納する際には、予兆中心を最も先頭に格納するように逆順にデータを格納する)。s=1とする。 (Step 2) When i = n, the process is stopped. In the case of i <n, the i-th waveform data is extracted from the waveform data of n abnormal groups, and the waveform data before and after a certain interval is set in two different buffers A and B, respectively, with the sign point as the sign center position. Store (when data is stored in A, the data is stored in reverse order so that the sign center is stored first). Let s = 1.
(ステップ3)バッファBにおいて予兆中心から(s*Δ)分だけ進んだところまでを予兆セグメント候補範囲Bとし、2で取り出した異常群の波形データ以外のn-1個の異常群の波形データとの部分波形との値のずれの和をそれぞれ計算してδ1iとし、n-1でδ1iを正規化する。 (Step 3) Predictor segment candidate range B from buffer center to point advanced by (s * Δ) in the buffer B is waveform data of n−1 abnormal groups other than the abnormal group waveform data extracted in 2 The sum of the deviation of the values from the partial waveform is calculated as Δ1i, and Δ1i is normalized by n−1.
(ステップ4)同様に、ステップ3で計算した予兆セグメント候補範囲Bとすべての正常群の波形データとの値のずれの総和δ2iを計算し、mで徐してδ2iを正規化する。
(Step 4) Similarly, the sum δ2i of the difference between the predictive segment candidate range B calculated in
(ステップ5)ステップ3で計算した正規化済みδ1iとδ2iとを比較し、δ1i < δ2i であればs=s+1として3に戻る。そうでなければバッファBにおいて予兆中心から(s*Δ)分だけ進んだところまでを予兆セグメント範囲Bとし、予兆中心から(s*Δ)分を予兆範囲とする。
(Step 5) The normalized δ1i and δ2i calculated in
(ステップ6)q=1とする。 (Step 6) q = 1.
(ステップ7)バッファAにおいて、予兆中心から(q*Δ)分だけ進んだところまでを予兆セグメント候補範囲Aとし、2で取り出した異常群の波形データ以外のn-1個の異常群の波形データとの部分波形との値のずれの和をそれぞれ計算してδ3iとし、n-1でδ3iを正規化する。 (Step 7) In buffer A, the segment segment A that has been advanced by (q * Δ) from the center of the predictor is the predictor segment candidate range A. Waveforms of n−1 abnormal groups other than the abnormal group waveform data extracted in 2 The sum of the difference between the data and the partial waveform is calculated as Δ3i, and Δ3i is normalized by n−1.
(ステップ8)同様に、6で計算した予兆セグメント候補範囲Bとすべての正常群の波形データとの値のずれの総和δ4iを計算し、mで徐してδ4iを正規化する。 (Step 8) Similarly, the sum δ4i of the value deviation between the predictive segment candidate range B calculated in 6 and the waveform data of all normal groups is calculated, and δ4i is normalized gradually by m.
(ステップ9)ステップ6で計算した正規化済みδ3iとδ4iとを比較し、δ3i<δ4iであればs=s+1として6に戻る。そうでなければバッファAにおいて予兆中心から(q*Δ)分だけ戻ったところまでを予兆セグメント範囲Aとし、予兆中心から(q*Δ)分を予兆範囲としてi=i+1とし2に戻る。
(Step 9) The normalized δ3i calculated in
以上のように、入力される訓練波形を切り出す際に、ダブルバッファを利用して、前後方向のデータ区間を独立に切り出し、データの前後での窓幅が非対称になっても高速に区間切り計算が可能なように拡張することが好ましい。 As described above, when cutting out the input training waveform, using the double buffer, the data section in the front-rear direction is cut out independently, and even if the window width before and after the data becomes asymmetric, the section cut is calculated at high speed It is preferable to expand so as to be possible.
もちろん、予兆中心の前後の幅を等しくしてしまうことで計算を簡略化してしまってもよい。この場合は、ステップ3からステップ5のバッファBの部分を「バッファAとBともに同時に」処理するようにし、ステップ6からステップ9を省略し、ステップ5にて「i=i+1とし2に戻る」処理を加えればよい。
Of course, the calculation may be simplified by equalizing the width before and after the sign center. In this case, the portion of buffer B from
2つの波形の振幅値の差(距離)を計算するには、単に同時刻同士の振幅の差の絶対値を比較するユークリッド距離を用いても良い。波形同士の距離定義は一般に1≦p≦∞に対して以下のように与えられる。
特にp=1のときユークリッド距離となる。ユークリッド距離では、時系列データのピーク位相のずれを考慮せずに同時刻どうしで波形同士の距離を計算する。 Especially when p = 1, the Euclidean distance is used. In the Euclidean distance, the distance between waveforms is calculated at the same time without considering the shift of the peak phase of the time series data.
例えば、図2に示すように、異常個所・予兆個所の中心を境に、前後で幅の異なる区間を抽出し、ここで算出した予兆セグメント範囲を利用してこれ異常・予兆パターンとして抽出する。 For example, as shown in FIG. 2, sections having different widths are extracted before and after the center of the abnormal part / predictive part, and this abnormal / predictive pattern is extracted using the predictive segment range calculated here.
また、ずれの累積量を計算するのには、局所的なピークの位相ずれを考慮してDTW距離を取っても良い。DTW距離は以下の手順で計算する。まず、波形xと波形yのワーピングパスWを求める。ワーピングパスWは任意の2つの部分波形同士の局所的な時刻ずれを非線形に最小化するための時刻ずれ補正の情報を計算していることになる。
Wは以下の条件を満たす必要がある。 W must satisfy the following conditions.
[制約1] 境界条件
[制約2] 連続性条件
[制約3] 単調性条件
ここで、波形同士の距離行列においてこれらの制約を満たすパスのうち以下の式に示す方法で最短パスを求め、その最短パスで求めた距離をDTW距離とする。
実際には以下の再帰式を利用し、最短の累積距離γ(i,j)を通るiとjの組のパスを求め、Wとする。
このようにして得られた予兆箇所・異常個所に関する波形断片の振幅値ベクトルと波形断片の開始時刻ならびに終了時刻の組(これを単純モデルと呼ぶ)をモデル構築部3に渡す。以上に述べた異常と正常の区別が可能だと考えられる条件を満たす最大区間幅まで拡張させる方法は、先に述べた、予兆中心の前後の幅を等しくしてしまう簡略計算で幅を決めてしまう方法に比べ、より柔軟でしかも根拠としてユーザが理解することがより容易な部分波形パターンを算出することができる。
The set of the amplitude value vector of the waveform fragment and the start time and end time of the waveform fragment (this is referred to as a simple model) relating to the sign / abnormal portion obtained in this way is passed to the
モデル構築部3は、セグメンテーション部2で算出した予兆セグメントすなわち波形断片である単純モデルを構造化して組み合わせ、訓練データの数分だけ内部検証を行い、少なくとも1つ以上の判定精度の高い単純モデルのみを判定モデルとして判定モデル格納部4に保持する。判定精度の下限値はたとえば95%といった値をあらかじめユーザが決めておき、これを超える単純モデルのみを判定モデルとする。
The
次に、先に述べた単純モデルから得られた単純な判定モデルを構造化して内部検証を行い、判定精度の高い複雑な判定モデルをさらに構築する。この手順の一例は例えば以下のようになる。ただし、単純モデル(波形断片)はL個あるとする。 Next, a simple determination model obtained from the simple model described above is structured and subjected to internal verification, and a complex determination model with high determination accuracy is further constructed. An example of this procedure is as follows, for example. However, it is assumed that there are L simple models (waveform fragments).
(ステップ1)L個の単純モデルのうち1モデルまたは任意の組み合わせで判定モデル候補を生成する。すべての判定モデル候補を生成し終わったら処理を停止し、これまでに計算した判定モデル集合の中の判定モデルすべてを結果として返す。判定確率の下限値を設定する。 (Step 1) One of the L simple models or a determination model candidate is generated by any combination. When the generation of all judgment model candidates is completed, the process is stopped, and all judgment models in the judgment model set calculated so far are returned as results. Set the lower limit of the judgment probability.
(ステップ2)生成した判定モデルを用い、あらかじめ判定結果の分かっている訓練データの判定を行う。 (Step 2) Using the generated determination model, training data whose determination result is known in advance is determined.
(ステップ3)ステップ1で生成した判定モデル候補に関してステップ2の判定成否確率を計算し、ステップ1で設定した判定確率の下限値を上回る判定モデル候補を判定モデル集合に加える。
(Step 3) The determination success / failure probability of
(ステップ4)ステップ1に戻る。
(Step 4) Return to
ここで、ステップ3の判定成否確率は、精度でもよいし、正常のものを異常と判定した確率(誤報確率)や異常なものを正常と判定した確率(取り逃し確率)を用いてもよい。
Here, the determination success / failure probability in
この判定モデル集合中の判定モデルをルール形式に変換すると、装置ユーザにとって理解しやすい表現になる(図3参照)。このような形式で出力部6においてディスプレイ等に異常・予兆パターンとして表示することで、判定モデルの算出の根拠を明らかにすることができる。
When the determination model in the determination model set is converted into the rule format, the expression becomes easy for the device user to understand (see FIG. 3). The basis of calculation of the determination model can be clarified by displaying the abnormality / predictive pattern on the display or the like in the
これは、未知入力波形が多チャンネルで入力されたときに、予兆セグメントの生起時刻付近に類似するパターンが同様に生起していることを学習された判定モデルを用いて捉えることで、未知入力波形において異常となる区間を推定可能であることを示している。この予兆セグメントの部分波形と、検査対象波形における同部分の部分波形との距離の総和を計算し、判定モデルにより類似しているか、正常データに類似しているかをk最近傍法により計算することで、異常が起こるかどうかを判定することが可能となる(図4)。これは特に、過去データの波形断片と検査対象データの波形の一部との距離の近さで異常かどうかを判定する装置構成において必須の判定方法となる。k最近傍法においては、少なくとも1つ以上の正常を判定する判定モデル(正常判定モデル)、少なくとも1つ以上の異常を判定する判定モデル(異常判定モデル)を、それぞれ、検査対象波形の先頭から時刻位置をずらして照合し、その距離が最も近くなる時刻位置における検査対象波形と判定モデルにおける予兆セグメントが存在する区間との距離を求め、正常判定モデルと異常判定モデルのうち、距離が小さい順にモデルを並べたときの上位k個のモデルの中で、正常と判定される数が多いのか、異常と判定される数が多いのかで正常か異常かを決定する。たとえば、k=3としておいた場合、正常判定モデルが100個、異常判定モデルが80個あった場合、検査対象波形の該当部分とモデルに含まれる予兆パターンの各点との距離の総和を計算した結果、距離の小さい上位3個分の中に、正常と判定されるケースが1つ、異常と判定されるケースが2つある場合、多数決により異常と判定(推定)されることになる。 This is because, when an unknown input waveform is input in multiple channels, the similar input pattern near the occurrence time of the predictor segment is detected using a learned determination model. This indicates that an abnormal section can be estimated. Calculate the sum of the distance between the partial waveform of this predictive segment and the partial waveform of the same waveform in the waveform to be inspected, and calculate whether it is similar to the judgment model or normal data by the k nearest neighbor method Thus, it is possible to determine whether or not an abnormality occurs (FIG. 4). This is an indispensable determination method particularly in an apparatus configuration that determines whether there is an abnormality in the proximity of the distance between the waveform fragment of the past data and a part of the waveform of the inspection target data. In the k nearest neighbor method, at least one determination model for determining normality (normal determination model) and at least one determination model for determining abnormality (abnormality determination model) are respectively obtained from the head of the inspection target waveform. The time position is shifted and collated, and the distance between the waveform to be inspected at the time position where the distance is closest to the section where the predictive segment exists in the determination model is obtained, and the normal determination model and the abnormality determination model are in order of increasing distance. Of the top k models when the models are arranged, it is determined whether the number is determined to be normal or the number is determined to be normal, or whether the number is determined to be normal or abnormal. For example, when k = 3, when there are 100 normal determination models and 80 abnormality determination models, the sum of the distances between the corresponding portion of the waveform to be inspected and each point of the predictive pattern included in the model is calculated. As a result, if there is one case that is determined to be normal and two cases that are determined to be abnormal among the top three items having the smallest distance, it is determined (estimated) as abnormal by majority vote.
多チャンネルの波形を同時に処理する場合には、以上の方法を多変量に拡張する必要がある。多変量波形を同時に処理する場合の実施形態を図5に示す。学習された判定ルール、すなわち判定モデル(異常予兆パターン)は、多変量の場合には例えば図6のように複数チャンネルになる。ただし、チャンネル1は加速度センサのx座標、チャンネル2は加速度センサのy座標、チャンネル3はONまたはOFF状態を検知する検知スイッチの状態を表すこととする。判定部5における異常範囲推定の一例を図7に示す。多変量の場合には予兆セグメントが異種のセンサになる可能性があることが分かる。
When processing multi-channel waveforms simultaneously, the above method needs to be extended to multivariate. An embodiment in which multivariate waveforms are processed simultaneously is shown in FIG. The learned determination rule, that is, the determination model (abnormal sign pattern) has a plurality of channels as shown in FIG. However,
ここで、訓練用入力データが新たに入力された場合、モデル更新部7によって動的に判定モデルを更新することが可能である。その手順をフローチャートにすると図8のようになる。まず、新たに入力される訓練データと異常範囲の時刻を示すパラメータを入力し(ステップS1)、ノイズフィルタリングを施す(ステップS2)。次に、新たに入力される訓練波形を先の方法で動的にセグメンテーションし、単純モデルを生成する(ステップS3)。今までの判定モデルでこの訓練データを正しく判定することができるのであれば、モデル更新をせずに今までの判定モデルのままにしておく(ステップS4)。もしこの訓練データを正しく判定できない場合は、新たに単純モデルを生成し、訓練データを用いて分類検証し、精度の下限値を超える単純モデルを判定モデルに加える。さらに、精度の下限値を超える単純モデルを構造化し、より複雑な判定モデルを判定モデル格納部4に追加する(ステップS5)。もし判定モデル格納部4に格納されている判定モデルのうち、判定に悪影響を及ぼすものがあればその判定モデルを部分的に削除する場合もある。このような処理をモデル更新とよぶ。
Here, when the training input data is newly input, the
異常判定結果は、図9のブロック図に示すネットワーク部8を経由して遠隔監視することにも応用が可能である。このような実施形態を実現する装置のより具体的な構成を図10に示す。マルチプレクサ等を経由して各種多チャンネルセンサのデータをI/Oから同期入力し、CPU、RAM、ROMを利用して上述した異常状態判定モデルの学習、未知データの判定を行う。なお、多チャンネルのデータを扱う場合は、入出力データは図5に示したものと同様である。
The abnormality determination result can also be applied to remote monitoring via the
以上説明した本発明の実施形態によれば、時々刻々と変化するチャンネルセンサデータから、計測対象物体や計測対象者の状態を適切にかつ簡潔に検知することが可能となる。また、判定モデルは明示的な予兆パターンから構成されるため、なぜそのような状態検知がされたのかの根拠を示すことができ、品質管理・保守部門における保守センサデータ、医療などにおける生体センサデータなどのさまざまな事象の時系列記録から、異常や予兆などを検知・判定することが可能になる。 According to the embodiment of the present invention described above, it is possible to appropriately and simply detect the state of the measurement target object or the measurement target person from the channel sensor data that changes every moment. In addition, since the judgment model is composed of explicit predictive patterns, it is possible to show the reason why such state detection was performed. Maintenance sensor data in quality control / maintenance departments, biosensor data in medical care, etc. It is possible to detect and determine abnormalities and signs from time-series recordings of various events.
なお、本発明は上記実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記実施形態に開示されている複数の構成要素の適宜な組み合わせにより、種々の発明を形成できる。例えば、実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。さらに、異なる実施形態にわたる構成要素を適宜組み合わせてもよい。 Note that the present invention is not limited to the above-described embodiment as it is, and can be embodied by modifying the constituent elements without departing from the scope of the invention in the implementation stage. In addition, various inventions can be formed by appropriately combining a plurality of components disclosed in the embodiment. For example, some components may be deleted from all the components shown in the embodiment. Furthermore, constituent elements over different embodiments may be appropriately combined.
1…ノイズフィルタリング部;
2…セグメンテーション部;
3…モデル構築部;
4…判定モデル格納部;
5…判定部;
6…出力部;
7…モデル更新部
1 ... noise filtering unit;
2 ... Segmentation part;
3 ... Model building department;
4 ... judgment model storage unit;
5 ... determination part;
6 ... output part;
7 ... Model update section
Claims (8)
前記ノイズが除去されたセンサデータから、少なくとも2つのバッファを利用して前後方向のデータ区間を独立に切り出し、データの前後での窓幅を非対称として適切な長さ区間の部分波形データを抽出するセグメンテーション部と、
前記部分波形データに基づいて判定モデルを構築するモデル構築部と、
判定がなされていない未知データが入力された場合に、該未知データに異常があるかどうかを前記判定モデルを用いて判定する判定部と、
前記未知データについての異常判定結果を出力する出力部と、
を具備する異常判定装置。 A noise filtering unit for inputting sensor data and removing noise from the sensor data;
From the sensor data from which the noise has been removed, data sections in the front-rear direction are cut out independently using at least two buffers, and partial waveform data in an appropriate length section is extracted with the window width before and after the data asymmetry. A segmentation section;
A model building unit that builds a determination model based on the partial waveform data;
When unknown data that has not been determined is input, a determination unit that determines whether the unknown data has an abnormality using the determination model;
An output unit for outputting an abnormality determination result for the unknown data;
An abnormality determination device comprising:
前記ノイズが除去されたセンサデータからセグメンテーション部が少なくとも2つのバッファを利用して前後方向のデータ区間を独立に切り出し、データの前後での窓幅を非対称として適切な長さ区間の部分波形データを抽出するステップと、
前記部分波形データに基づいてモデル構築部が判定モデルを構築するステップと、
判定がなされていない未知データが入力された場合に、該未知データに異常があるかどうかを判定部が前記判定モデルを用いて判定するステップと、
前記未知データについての異常判定結果を出力部が出力するステップと、
を具備する異常判定方法。 A noise filtering unit that inputs sensor data and removing noise from the sensor data;
From the sensor data from which the noise has been removed, the segmentation unit independently cuts out the data section in the front-rear direction using at least two buffers, and obtains partial waveform data in an appropriate length section with the window width before and after the data asymmetry. Extracting, and
A model construction unit constructing a determination model based on the partial waveform data;
When unknown data that has not been determined is input, the determination unit determines whether the unknown data has an abnormality using the determination model; and
An output unit that outputs an abnormality determination result for the unknown data;
An abnormality determination method comprising:
センサデータを入力し、該センサデータからノイズを除去するノイズフィルタリング部、
前記ノイズが除去されたセンサデータから、少なくとも2つのバッファを利用して前後方向のデータ区間を独立に切り出し、データの前後での窓幅を非対称として適切な長さ区間の部分波形データを抽出するセグメンテーション部、
前記部分波形データに基づいて判定モデルを構築するモデル構築部、
判定がなされていない未知データが入力された場合に、該未知データに異常があるかどうかを前記判定モデルを用いて判定する判定部、
前記未知データについての異常判定結果を出力する出力部、
として機能させるためのプログラム。 Computer
A noise filtering unit for inputting sensor data and removing noise from the sensor data;
From the sensor data from which the noise has been removed, data sections in the front-rear direction are cut out independently using at least two buffers, and partial waveform data in an appropriate length section is extracted with the window width before and after the data asymmetry. Segmentation section,
A model construction unit for constructing a determination model based on the partial waveform data;
When unknown data that has not been determined is input, a determination unit that determines whether the unknown data has an abnormality using the determination model,
An output unit for outputting an abnormality determination result for the unknown data;
Program to function as.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2008296052A JP5148457B2 (en) | 2008-11-19 | 2008-11-19 | Abnormality determination apparatus, method, and program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2008296052A JP5148457B2 (en) | 2008-11-19 | 2008-11-19 | Abnormality determination apparatus, method, and program |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2010122912A true JP2010122912A (en) | 2010-06-03 |
JP5148457B2 JP5148457B2 (en) | 2013-02-20 |
Family
ID=42324197
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2008296052A Expired - Fee Related JP5148457B2 (en) | 2008-11-19 | 2008-11-19 | Abnormality determination apparatus, method, and program |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5148457B2 (en) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012089057A (en) * | 2010-10-22 | 2012-05-10 | Hitachi Engineering & Services Co Ltd | Facility state monitoring method, apparatus therefor and facility state monitoring program |
JP2014056598A (en) * | 2013-11-14 | 2014-03-27 | Hitachi Ltd | Abnormality detection method and its system |
JP2014149840A (en) * | 2014-03-12 | 2014-08-21 | Hitachi Ltd | Abnormality detection method and system therefor |
JP2018028845A (en) * | 2016-08-19 | 2018-02-22 | 株式会社明電舎 | Abnormality sign detection system and abnormality sign detection method |
JP2019520659A (en) * | 2016-07-07 | 2019-07-18 | アスペン テクノロジー インコーポレイテッド | Computer system and method for monitoring key performance indicators (KPIs) using time series pattern models |
JP2019527413A (en) * | 2016-07-07 | 2019-09-26 | アスペン テクノロジー インコーポレイテッド | Computer system and method for performing root cause analysis to build a predictive model of rare event occurrences in plant-wide operations |
CN110832557A (en) * | 2017-08-02 | 2020-02-21 | 欧姆龙株式会社 | Sensor device, background noise data transmission method, and background noise data transmission program |
JP2020155114A (en) * | 2019-03-19 | 2020-09-24 | 三菱電機株式会社 | System and method for abnormality detection in time-varying system operation and computer-readable storage medium |
JP2020193847A (en) * | 2019-05-27 | 2020-12-03 | 株式会社東芝 | Waveform segmentation device and waveform segmentation method |
JPWO2020166011A1 (en) * | 2019-02-14 | 2021-12-02 | 日本電気株式会社 | Time series data processing method |
JP2022133158A (en) * | 2021-03-01 | 2022-09-13 | 横河電機株式会社 | Measurement data recording device, generation device, system, device, method and program |
JP7166395B1 (en) | 2021-06-23 | 2022-11-07 | セイコーソリューションズ株式会社 | MONITORING SYSTEM, MONITORING METHOD, AND MONITORING PROGRAM |
JP7364803B1 (en) * | 2022-03-31 | 2023-10-18 | 三菱電機株式会社 | Monitoring support system, monitoring support device, and monitoring support method |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102580554B1 (en) * | 2020-02-27 | 2023-09-21 | 한국전자통신연구원 | Machine-learning based abnormal signal detection using normal signal removing filter |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07334479A (en) * | 1994-06-08 | 1995-12-22 | Adoin Kenkyusho:Kk | Pattern sorting device and state monitoring system utilizing the device |
JP2006338373A (en) * | 2005-06-02 | 2006-12-14 | Toshiba Corp | Multivariable time series data analyzing apparatus, method, and program |
JP2008071270A (en) * | 2006-09-15 | 2008-03-27 | Omron Corp | Process abnormality analyzing device, process abnormality analyzing method and program |
-
2008
- 2008-11-19 JP JP2008296052A patent/JP5148457B2/en not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07334479A (en) * | 1994-06-08 | 1995-12-22 | Adoin Kenkyusho:Kk | Pattern sorting device and state monitoring system utilizing the device |
JP2006338373A (en) * | 2005-06-02 | 2006-12-14 | Toshiba Corp | Multivariable time series data analyzing apparatus, method, and program |
JP2008071270A (en) * | 2006-09-15 | 2008-03-27 | Omron Corp | Process abnormality analyzing device, process abnormality analyzing method and program |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012089057A (en) * | 2010-10-22 | 2012-05-10 | Hitachi Engineering & Services Co Ltd | Facility state monitoring method, apparatus therefor and facility state monitoring program |
JP2014056598A (en) * | 2013-11-14 | 2014-03-27 | Hitachi Ltd | Abnormality detection method and its system |
JP2014149840A (en) * | 2014-03-12 | 2014-08-21 | Hitachi Ltd | Abnormality detection method and system therefor |
JP7009438B2 (en) | 2016-07-07 | 2022-01-25 | アスペン テクノロジー インコーポレイテッド | Computer systems and methods for monitoring key performance indicators (KPIs) using time series pattern models |
JP2019527413A (en) * | 2016-07-07 | 2019-09-26 | アスペン テクノロジー インコーポレイテッド | Computer system and method for performing root cause analysis to build a predictive model of rare event occurrences in plant-wide operations |
JP2019520659A (en) * | 2016-07-07 | 2019-07-18 | アスペン テクノロジー インコーポレイテッド | Computer system and method for monitoring key performance indicators (KPIs) using time series pattern models |
JP7461440B2 (en) | 2016-07-07 | 2024-04-03 | アスペンテック・コーポレーション | COMPUTER SYSTEM AND METHOD FOR PERFORMING ROOT CAUSE ANALYSIS AND BUILDING PREDICTION MODELS FOR THE OCCURRENCE OF RARE EVENTS IN PLANT-WIDE OPERATIONS - Patent application |
JP2023017888A (en) * | 2016-07-07 | 2023-02-07 | アスペンテック・コーポレーション | Computer systems and methods for performing root cause analysis and building predictive model for rare event occurrences in plant-wide operations |
JP2018028845A (en) * | 2016-08-19 | 2018-02-22 | 株式会社明電舎 | Abnormality sign detection system and abnormality sign detection method |
CN110832557A (en) * | 2017-08-02 | 2020-02-21 | 欧姆龙株式会社 | Sensor device, background noise data transmission method, and background noise data transmission program |
CN110832557B (en) * | 2017-08-02 | 2022-04-19 | 欧姆龙株式会社 | Sensor device, background noise data transmission method, and storage medium |
JP7218764B2 (en) | 2019-02-14 | 2023-02-07 | 日本電気株式会社 | Time series data processing method |
JPWO2020166011A1 (en) * | 2019-02-14 | 2021-12-02 | 日本電気株式会社 | Time series data processing method |
JP2020155114A (en) * | 2019-03-19 | 2020-09-24 | 三菱電機株式会社 | System and method for abnormality detection in time-varying system operation and computer-readable storage medium |
JP7275062B2 (en) | 2019-03-19 | 2023-05-17 | 三菱電機株式会社 | System, method and computer readable storage medium for anomaly detection in time-varying system behavior |
JP2020193847A (en) * | 2019-05-27 | 2020-12-03 | 株式会社東芝 | Waveform segmentation device and waveform segmentation method |
JP7324050B2 (en) | 2019-05-27 | 2023-08-09 | 株式会社東芝 | Waveform segmentation device and waveform segmentation method |
JP7359174B2 (en) | 2021-03-01 | 2023-10-11 | 横河電機株式会社 | Measurement data recording device, generation device, system, device, method and program |
US11885719B2 (en) | 2021-03-01 | 2024-01-30 | Yokogawa Electric Corporation | Measurement data recording apparatus, generating apparatus, system, apparatus, method, and computer readable medium |
JP2022133158A (en) * | 2021-03-01 | 2022-09-13 | 横河電機株式会社 | Measurement data recording device, generation device, system, device, method and program |
JP2023003226A (en) * | 2021-06-23 | 2023-01-11 | セイコーソリューションズ株式会社 | Monitoring system, monitoring method, and monitoring program |
JP7166395B1 (en) | 2021-06-23 | 2022-11-07 | セイコーソリューションズ株式会社 | MONITORING SYSTEM, MONITORING METHOD, AND MONITORING PROGRAM |
JP7364803B1 (en) * | 2022-03-31 | 2023-10-18 | 三菱電機株式会社 | Monitoring support system, monitoring support device, and monitoring support method |
Also Published As
Publication number | Publication date |
---|---|
JP5148457B2 (en) | 2013-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5148457B2 (en) | Abnormality determination apparatus, method, and program | |
JP6406261B2 (en) | Information processing apparatus and analysis method | |
JP6312630B2 (en) | How to detect anomalies in time series data | |
JP6141235B2 (en) | How to detect anomalies in time series data | |
JP5868216B2 (en) | Clustering apparatus and clustering program | |
US8347144B2 (en) | False alarm mitigation | |
JP2018156151A (en) | Abnormality detecting apparatus and machine learning device | |
US20180260656A1 (en) | Abnormal waveform sensing system, abnormal waveform sensing method, and waveform analysis device | |
JPWO2013105164A1 (en) | Abnormal signal determination device, abnormal signal determination method, and abnormal signal determination program | |
JP2018077779A (en) | Sensor interface apparatus, measurement information communication system, measurement information communication method, and measurement information communication program | |
JP2007249922A (en) | Nonroutine action detecting system | |
JP4922265B2 (en) | Plant monitoring apparatus and plant monitoring method | |
KR100707168B1 (en) | Method and Apparatus for unmanned vehicle navigation using sensors fusion | |
JP7283485B2 (en) | Estimation device, estimation method, and program | |
WO2015174067A1 (en) | Information processing device, anomaly detection method and recording medium | |
JP5061744B2 (en) | Situation analysis system and situation analysis method | |
JP2019159786A (en) | Information processing device, information processing method, and program | |
US20090066802A1 (en) | Image processing device and method | |
KR101656012B1 (en) | IT Infra Quality Monitoring System and Method therefor | |
CN112320520B (en) | Elevator abnormal vibration detection method based on residual error analysis | |
JP6898607B2 (en) | Abnormality sign detection system and abnormality sign detection method | |
JP6586788B2 (en) | Information processing apparatus, information processing method, and program | |
JP2020107248A (en) | Abnormality determination device and abnormality determination method | |
JP6733656B2 (en) | Information processing apparatus, information processing system, plant system, information processing method, and program | |
CN115315711A (en) | Machine learning device, learning model generation method, and program |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20110323 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20120529 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20120530 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20120730 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20121030 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20121128 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20151207 Year of fee payment: 3 |
|
LAPS | Cancellation because of no payment of annual fees |