JP2012059198A - Abnormality detection device and abnormality detection method - Google Patents

Abnormality detection device and abnormality detection method Download PDF

Info

Publication number
JP2012059198A
JP2012059198A JP2010204406A JP2010204406A JP2012059198A JP 2012059198 A JP2012059198 A JP 2012059198A JP 2010204406 A JP2010204406 A JP 2010204406A JP 2010204406 A JP2010204406 A JP 2010204406A JP 2012059198 A JP2012059198 A JP 2012059198A
Authority
JP
Japan
Prior art keywords
series data
time
detection
contraction
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.)
Pending
Application number
JP2010204406A
Other languages
Japanese (ja)
Inventor
Keisuke Nogami
啓介 野上
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Toshiba Corp
Original Assignee
Toshiba Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Toshiba Corp filed Critical Toshiba Corp
Priority to JP2010204406A priority Critical patent/JP2012059198A/en
Publication of JP2012059198A publication Critical patent/JP2012059198A/en
Pending legal-status Critical Current

Links

Images

Landscapes

  • Testing And Monitoring For Control Systems (AREA)

Abstract

PROBLEM TO BE SOLVED: To provide an abnormality detection device and an abnormality detection method capable of detecting expansion and contraction of time in a detection section of time series data which is an object of abnormality detection.SOLUTION: The abnormality detection device includes: a data acquisition section which acquires time series data which an object of abnormality detection; an expansion and contraction detection section which detects expansion and contraction of time in the detection section of the time series data which is the object of the abnormality detection, on the basis of the time series data and reference time series data corresponding to the time series data; and a determination section which determines the presence or absence of abnormality on the basis of the detection result of the expansion and contraction detection section.

Description

本発明の実施形態は、異常検出装置および異常検出方法に関する。   Embodiments described herein relate generally to an abnormality detection apparatus and an abnormality detection method.

生産プロセスの管理においては異常を早期に検出する必要がある。そのため、ワーピングパスにおける絶対差の合計（総距離）を求めて、取得されたプロセスデータなどの異常検出の対象となる時系列データに異常があるかないかの判定を行う技術が提案されている。 しかしながら、ワーピングパスにおける絶対差の合計（総距離）を用いたのでは、異常検出の対象となる時系列データの波形と基準となるデータの波形とが異なることは分かるが、異常検出の対象となる時系列データの検出区間における時間的な伸縮を検出することができない。   In the management of production processes, it is necessary to detect abnormalities at an early stage. For this reason, a technique has been proposed in which the sum (absolute distance) of absolute differences in the warping path is obtained to determine whether or not there is an abnormality in the time-series data to be detected for abnormality such as the acquired process data. However, using the sum of absolute differences in the warping path (total distance), it can be seen that the waveform of the time-series data that is the target of abnormality detection differs from the waveform of the reference data. It is not possible to detect temporal expansion and contraction in the time-series data detection interval.

特開２００９−１５７７８号公報JP 2009-15778 A

本発明の実施形態は、異常検出の対象となる時系列データの検出区間における時間的な伸縮を検出することができる異常検出装置および異常検出方法を提供する。   Embodiments of the present invention provide an abnormality detection apparatus and an abnormality detection method that can detect temporal expansion and contraction in a detection section of time-series data that is an object of abnormality detection.

実施形態によれば、異常検出の対象となる時系列データを取得するデータ取得部と、前記時系列データと、前記時系列データに対応する基準時系列データと、に基づいて、異常検出の対象となる時系列データの検出区間における時間的な伸縮を検出する伸縮検出部と、前記伸縮検出部による検出結果に基づいて、異常の有無を判定する判定部と、を備えたことを特徴とする異常検出装置が提供される。   According to the embodiment, an abnormality detection target based on a data acquisition unit that acquires time-series data that is a target of abnormality detection, the time-series data, and reference time-series data corresponding to the time-series data. An expansion / contraction detection unit that detects temporal expansion / contraction in a detection section of time series data to be, and a determination unit that determines presence / absence of abnormality based on a detection result by the expansion / contraction detection unit An anomaly detection device is provided.

また、他の実施形態によれば、異常検出の対象となる時系列データを取得する工程と、前記時系列データと、前記時系列データに対応する基準時系列データと、に基づいて、異常検出の対象となる時系列データの検出区間における時間的な伸縮を検出する工程と、前記時間的な伸縮を検出する工程における検出結果に基づいて、異常の有無を判定する工程と、を備えたことを特徴とする異常検出方法が提供される。   According to another embodiment, the abnormality detection is performed based on the step of acquiring time series data to be subjected to abnormality detection, the time series data, and the reference time series data corresponding to the time series data. And a step of detecting temporal expansion / contraction in the detection section of the time-series data to be subject to, and a step of determining presence / absence of abnormality based on a detection result in the step of detecting temporal expansion / contraction. An abnormality detection method is provided.

第１の実施形態に係る異常検出装置を例示するためのブロック図である。It is a block diagram for illustrating the abnormality detection device concerning a 1st embodiment. 第１の検出法について例示をするための模式グラフ図である。（ａ）は異常検出の対象となる時系列データであり、（ｂ）は（ａ）に示す時系列データを一次微分したものである。It is a schematic graph for demonstrating about a 1st detection method. (A) is the time series data used as the object of abnormality detection, (b) is the primary differentiation of the time series data shown in (a). 第２の検出法について例示をするための模式グラフ図である。It is a schematic graph for demonstrating about a 2nd detection method. 第３の検出法について例示をするための模式グラフ図である。It is a schematic graph for demonstrating about the 3rd detection method. 第２の実施形態に係る異常検出方法を例示するためのフローチャートである。It is a flowchart for illustrating the abnormality detection method according to the second embodiment. 第３の実施形態に係る異常検出方法を例示するためのフローチャートである。10 is a flowchart for illustrating an abnormality detection method according to a third embodiment. 第４の実施形態に係る異常検出方法を例示するためのフローチャートである。It is a flowchart for demonstrating the abnormality detection method which concerns on 4th Embodiment.

以下、図面を参照しつつ、実施の形態について例示をする。
[第１の実施形態]
図１は、第１の実施形態に係る異常検出装置を例示するためのブロック図である。
図１に示すように、異常検出装置１には、データ取得部２、伸縮検出部３、判定部４が設けられている。
また、検出部２０は、異常検出装置１の外部に設けられている。例えば、検出部２０は、異常検出の対象となる各種の処理装置や設備に設けられるようにすることができる。検出部２０としては、例えば、圧力、温度、流量、電力、光の強度、振動、音、成分比などを検出し、電気信号に変換するものなどを例示することができる。 Hereinafter, embodiments will be illustrated with reference to the drawings.
[First embodiment]
FIG. 1 is a block diagram for illustrating the abnormality detection apparatus according to the first embodiment.
As shown in FIG. 1, the abnormality detection device 1 includes a data acquisition unit 2, an expansion / contraction detection unit 3, and a determination unit 4.
The detection unit 20 is provided outside the abnormality detection device 1. For example, the detection unit 20 can be provided in various processing apparatuses and facilities that are objects of abnormality detection. Examples of the detection unit 20 include those that detect pressure, temperature, flow rate, power, light intensity, vibration, sound, component ratio, and the like and convert them into electrical signals.

記憶部３０は、データ取得部２により取得された異常検出の対象となる時系列データ、基準時系列データ、伸縮検出部３による検出結果、判定部４による判定結果などの各種のデータを格納する。また、必要に応じて、取得された異常検出の対象となる時系列データに対応する基準時系列データを伸縮検出部３に提供するようにすることもできる。
なお、基準時系列データは、良品が製造された際に取得された時系列データ、設計データに基づいて形成された時系列データなどとすることができるし、過去に取得された時系列データを統計処理することで得られた時系列データとすることもできる。 The storage unit 30 stores various data such as time series data to be detected by the data acquisition unit 2, time series data, reference time series data, a detection result by the expansion / contraction detection unit 3, and a determination result by the determination unit 4. . Further, if necessary, reference time-series data corresponding to the acquired time-series data to be subjected to abnormality detection can be provided to the expansion / contraction detection unit 3.
The reference time-series data can be time-series data acquired when a non-defective product is manufactured, time-series data formed based on design data, and the like. Time series data obtained by statistical processing can also be used.

データ取得部２は、検出部２０から提供されたデータを時系列データとして取得する。すなわち、データ取得部２は、異常検出の対象となる時系列データを取得する。この場合、検出部２０から送られてきた電気信号がアナログ信号である場合には、アナログ信号をデジタル信号に変換し、デジタル化されたデータを時系列データとして取得するようにすることができる。
伸縮検出部３は、データ取得部２により取得された異常検出の対象となる時系列データと、異常検出の対象となる時系列データに対応する基準時系列データと、に基づいて、異常検出の対象となる時系列データの検出区間における時間的な伸縮を検出する。なお、異常検出の対象となる時系列データの検出区間における時間的な伸縮の検出については後述する。 The data acquisition unit 2 acquires the data provided from the detection unit 20 as time series data. That is, the data acquisition unit 2 acquires time series data that is an object of abnormality detection. In this case, when the electrical signal sent from the detection unit 20 is an analog signal, the analog signal can be converted into a digital signal, and the digitized data can be acquired as time-series data.
The expansion / contraction detection unit 3 performs abnormality detection based on the time-series data that is the target of abnormality detection acquired by the data acquisition unit 2 and the reference time-series data corresponding to the time-series data that is the target of abnormality detection. Temporal expansion and contraction is detected in the detection section of the target time-series data. Note that detection of temporal expansion and contraction in the detection section of the time-series data that is the target of abnormality detection will be described later.

判定部４は、伸縮検出部３による検出結果に基づいて、異常の有無を判定する。判定部４における判定は、予め定められた閾値に基づいて行うようにすることができる。
判定部４による判定結果は、外部に向けて出力されるようにすることもできるし、異常検出装置１に設けられた図示しない表示部などに表示することもできる。 The determination unit 4 determines the presence or absence of an abnormality based on the detection result by the expansion / contraction detection unit 3. The determination in the determination unit 4 can be performed based on a predetermined threshold value.
The determination result by the determination unit 4 can be output to the outside, or can be displayed on a display unit (not shown) provided in the abnormality detection device 1.

次に、伸縮検出部３において実行される検出法について例示をする。
（第１の検出法）
まず、伸縮検出部３において実行される第１の検出法について例示をする。
第１の検出法においては、異常検出の対象となる時系列データにおける基準となる点を複数抽出し、抽出された点を適宜組み合わせることで検出区間を設定する。そして、異常検出の対象となる時系列データの検出区間における時間と、基準時系列データの検出区間における時間と、の差から時間的な伸縮を検出する。
ここでは、一例として、異常検出の対象となる時系列データを微分することで基準となる点を抽出する場合について例示をする。 Next, the detection method executed in the expansion / contraction detection unit 3 will be illustrated.
(First detection method)
First, the first detection method executed in the expansion / contraction detection unit 3 will be illustrated.
In the first detection method, a plurality of reference points in time-series data to be subjected to abnormality detection are extracted, and a detection interval is set by appropriately combining the extracted points. Then, temporal expansion and contraction is detected from the difference between the time in the detection section of the time series data that is the target of abnormality detection and the time in the detection section of the reference time series data.
Here, as an example, a case where a reference point is extracted by differentiating time-series data that is an object of abnormality detection is illustrated.

図２は、第１の検出法について例示をするための模式グラフ図である。なお、図２（ａ）は異常検出の対象となる時系列データであり、図２（ｂ）は図２（ａ）に示す時系列データを一次微分したものである。
図２（ａ）に示す異常検出の対象となる時系列データにおける「山」の頂点Ａは、図２（ｂ）に示す一次微分された線図においては「０（ゼロ）」点であるＡ１点となる。この様に、異常検出の対象となる時系列データにおける「山」または「谷」の頂点は、一次微分された線図においては「０（ゼロ）」点となる。 FIG. 2 is a schematic graph for illustrating the first detection method. Note that FIG. 2A shows time series data to be subjected to abnormality detection, and FIG. 2B shows a first derivative of the time series data shown in FIG.
The apex A of “mountain” in the time-series data to be subjected to abnormality detection shown in FIG. 2A is A1 which is a “0 (zero)” point in the first-order differentiated diagram shown in FIG. It becomes a point. As described above, the peak of “mountain” or “valley” in the time-series data to be subjected to abnormality detection is a “0 (zero)” point in the first-order differentiated diagram.

また、図２（ｂ）に示す一次微分された線図における「谷」の頂点Ｂ１、Ｄ１、または、「山」の頂点Ｃ１は、一次微分された線図をさらに微分した線図においては「０（ゼロ）」点となる。   In addition, the vertexes B1 and D1 of the “valley” or the vertex C1 of the “mountain” in the linearly differentiated diagram shown in FIG. 0 (zero) "point.

この様に、異常検出の対象となる時系列データをｎ次微分（ｎは正の整数）し、「０（ゼロ）」となる点を抽出するようにすることができる。そして、異常検出の対象となる時系列データにおいて、抽出された点に対応する点を求める。
例えば、抽出された点、Ａ１、Ｂ１、Ｃ１、Ｄ１に対応する点、Ａ、Ｂ、Ｃ、Ｄを求める。 As described above, the time series data to be subjected to abnormality detection is subjected to n-order differentiation (n is a positive integer), and a point that becomes “0 (zero)” can be extracted. And the point corresponding to the extracted point is calculated | required in the time series data used as the object of abnormality detection.
For example, the points A, B, C, and D corresponding to the extracted points A1, B1, C1, and D1 are obtained.

この様にして求められた点を適宜組み合わせることで、時間的な伸縮の検出を行う際の検出区間を設定することができる。
例えば、図２（ａ）に示す点Ａ、Ｂ、Ｃ、Ｄを適宜組み合わせることで検出区間を設定することができる。
そして、異常検出の対象となる時系列データにおいて設定された検出区間における時間Ｔ１を求める。 By appropriately combining the points obtained in this way, it is possible to set a detection section when detecting temporal expansion and contraction.
For example, the detection section can be set by appropriately combining points A, B, C, and D shown in FIG.
Then, the time T1 in the detection section set in the time series data that is the target of abnormality detection is obtained.

一方、記憶部３０から異常検出の対象となる時系列データに対応する基準時系列データが提供される。
そして、記憶部３０から提供された基準時系列データにおいて、異常検出の対象となる時系列データにおいて設定された検出区間に対応する区間を設定する。
次に、基準時系列データにおいて、設定された区間における時間Ｔ０を求める。
時間Ｔ１と時間Ｔ０との差を求めることで、異常検出の対象となる時系列データの検出区間における時間的な伸縮を検出することができる。 On the other hand, the reference time series data corresponding to the time series data to be subjected to abnormality detection is provided from the storage unit 30.
Then, in the reference time series data provided from the storage unit 30, a section corresponding to the detection section set in the time series data that is the target of abnormality detection is set.
Next, in the reference time series data, a time T0 in the set section is obtained.
By obtaining the difference between the time T1 and the time T0, it is possible to detect temporal expansion and contraction in the detection section of the time-series data that is the target of abnormality detection.

以上に例示をしたように本実施の形態においては、伸縮検出部３は、異常検出の対象となる時系列データにおける基準となる点を複数抽出し、抽出された点を組み合わせることで検出区間を設定し、異常検出の対象となる時系列データの検出区間における時間と、基準時系列データの検出区間における時間と、の差から時間的な伸縮を検出する。
（第２の検出法）
次に、伸縮検出部３において実行される第２の検出法について例示をする。
第２の検出法においては、動的時間伸縮法（ＤＴＷ；Dynamic Time Warping）を用いる。そして、所定の計測単位を用いて、ワーピングパスＷの時間的な伸縮を検出するようにしている。 As described above, in the present embodiment, the expansion / contraction detection unit 3 extracts a plurality of reference points in the time-series data that is the target of abnormality detection, and combines the extracted points to determine the detection interval. The time expansion / contraction is detected from the difference between the time in the detection section of the time series data that is the target of abnormality detection and the time in the detection section of the reference time series data.
(Second detection method)
Next, the second detection method executed in the expansion / contraction detection unit 3 will be illustrated.
In the second detection method, dynamic time warping (DTW) is used. Then, temporal expansion and contraction of the warping path W is detected using a predetermined measurement unit.

図３は、第２の検出法について例示をするための模式グラフ図である。
まず、異常検出の対象となる時系列データＥと、記憶部３０から提供された基準時系列データＦとからワーピングパスＷを求める。
図３に示すように、時系列データＥを横軸に配置し、時系列データＦを縦軸に配置する。そして、時系列データＥのサンプリングタイムと、時系列データＦのサンプリングタイムと、により画された区画（升目）に、時系列データＥにおける「ｔｉｍｅ」、「ｖａｌｕｅ」と時系列データＦにおける「ｔｉｍｅ」、「ｖａｌｕｅ」から算出されるユークリッド距離を記入する。記入された値が最も小さい区画を左下隅から右上隅に向かって辿った際に描かれる軌跡がワーピングパスＷとなる。
なお、図３においては、区画に記入される値は省略している。また、ワーピングパスＷの算出方法には、既知の技術を用いることができるので詳細な説明は省略する。 FIG. 3 is a schematic graph for illustrating the second detection method.
First, the warping path W is obtained from the time series data E that is an object of abnormality detection and the reference time series data F provided from the storage unit 30.
As shown in FIG. 3, the time series data E is arranged on the horizontal axis, and the time series data F is arranged on the vertical axis. Then, “time”, “value” in the time series data E and “time” in the time series data F are displayed in a section (a grid) defined by the sampling time of the time series data E and the sampling time of the time series data F. ", Euclidean distance calculated from" value "is entered. A trajectory drawn when the section with the smallest entered value is traced from the lower left corner toward the upper right corner is the warping path W.
In FIG. 3, values entered in the sections are omitted. Further, since a known technique can be used for the method of calculating the warping path W, detailed description thereof is omitted.

ここで、本実施の形態においては、所定の計測単位を用いて、ワーピングパスＷの時間的な伸縮を検出するようにしている。
この場合、計測単位は、異常検出の対象となる時系列データのサンプリングタイムと、基準時系列データのサンプリングタイムと、により画された区画をワーピングパスが辿る方向により規定されるものとすることができる。 Here, in the present embodiment, temporal expansion and contraction of the warping path W is detected using a predetermined measurement unit.
In this case, the measurement unit may be defined by the direction in which the warping path follows the section defined by the sampling time of the time series data to be detected for anomaly and the sampling time of the reference time series data. it can.

例えば、異常検出の対象となる時系列データＥのサンプリングタイムと、記憶部３０から提供された基準時系列データＦのサンプリングタイムと、により画された１つの区画をワーピングパスＷが上方向に辿る場合（時間的に伸びる場合）を「＋Ｎ」、１つの区画をワーピングパスＷが右方向に辿る場合（時間的に縮む場合）を「−Ｎ」、ワーピングパスＷが１つの区画の左下隅から右上隅に向かって辿る場合（時間的な伸縮がない場合）を「０」とすることができる。なお、Ｎは任意の数などとすることができる。
そして、検出区間Ｇに含まれるワーピングパスＷに基づいて、計測単位を加算することでワーピングパスＷの時間的な伸縮を検出するようにすることができる。 For example, the warping path W traces upward in one section defined by the sampling time of the time-series data E that is an abnormality detection target and the sampling time of the reference time-series data F provided from the storage unit 30. The case (when extending in time) is “+ N”, the case where the warping path W follows the right direction in one section (when shrinking in time) is “−N”, and the warping path W is from the lower left corner of one section The case of tracing toward the upper right corner (when there is no temporal expansion / contraction) can be set to “0”. N can be an arbitrary number.
Then, based on the warping path W included in the detection section G, the temporal expansion / contraction of the warping path W can be detected by adding the measurement unit.

例えば、Ｎ＝１とし、図３に例示をした検出区間Ｇに含まれるワーピングパスＷの時間的な伸縮を検出すると以下のようになる。
図３に示すように、検出区間Ｇに含まれるワーピングパスＷにおいては、「０＋（−１）＋（−１）＋（−１）＋（−１）＋（−１）＋（−１）＋０＋０＝−６」と検出される。 For example, when N = 1 and temporal expansion / contraction of the warping path W included in the detection section G illustrated in FIG.
As shown in FIG. 3, in the warping path W included in the detection section G, “0 + (− 1) + (− 1) + (− 1) + (− 1) + (− 1) + (− 1) + 0 + 0 = −6 ”is detected.

この様に、所定の計測単位を加算することで、検出区間ＧにおけるワーピングパスＷの時間的な伸縮を検出することができる。例えば、前述したものの場合には、「−６」と検出されたことにより、検出区間Ｇにおける変化量の程度と縮んだことを検出することができる。   In this way, by adding a predetermined measurement unit, temporal expansion and contraction of the warping path W in the detection section G can be detected. For example, in the case of the above-described case, it can be detected that the amount of change in the detection section G is reduced by detecting “−6”.

以上に例示をしたように本実施の形態においては、伸縮検出部３は、異常検出の対象となる時系列データと基準時系列データとからワーピングパスＷを求め、任意の検出区間に含まれるワーピングパスＷに基づいて、異常検出の対象となる時系列データのサンプリングタイムと基準時系列データのサンプリングタイムとにより画された区画をワーピングパスＷが辿る方向により規定された計測単位を加算することで、ワーピングパスＷの時間的な伸縮を検出する。
この場合、検出区間は、前述した区画を単位として任意に設定することができ、区画もサンプリングタイムを変えることで変化させることができる。そのため、短い検出区間であっても長い検出区間であっても容易に対応することができる。
（第３の検出法）
次に、伸縮検出部３において実行される第３の検出法について例示をする。
第３の検出法においても、動的時間伸縮法（ＤＴＷ；Dynamic Time Warping）を用いる。そして、第２の検出法を用いてワーピングパスＷの時間的な伸縮を検出する。
またさらに、検出区間における伸び縮みの有無をも検出する。すなわち、検出区間において伸縮がないとされた場合であっても、検出区間において伸縮が全くなかったのか、伸び縮みの結果として伸縮がないとされたのかをも検出する。 As illustrated above, in the present embodiment, the expansion / contraction detection unit 3 obtains the warping path W from the time series data and the reference time series data that are the targets of abnormality detection, and warping included in an arbitrary detection section. Based on the path W, by adding the measurement unit defined by the direction in which the warping path W follows the section defined by the sampling time of the time-series data and the sampling time of the reference time-series data subject to abnormality detection The temporal expansion and contraction of the warping path W is detected.
In this case, the detection section can be arbitrarily set in units of the above-described sections, and the sections can be changed by changing the sampling time. Therefore, it is possible to easily cope with a short detection section or a long detection section.
(Third detection method)
Next, the third detection method executed in the expansion / contraction detection unit 3 is illustrated.
Also in the third detection method, the dynamic time warping (DTW) is used. Then, temporal expansion and contraction of the warping path W is detected using the second detection method.
Furthermore, the presence or absence of expansion / contraction in the detection section is also detected. That is, even if it is determined that there is no expansion / contraction in the detection section, it is also detected whether there was no expansion / contraction in the detection section or whether there was no expansion / contraction as a result of expansion / contraction.

図４は、第３の検出法について例示をするための模式グラフ図である。
まず、図３において例示をしたものと同様にして、時系列データＥと時系列データＦとからワーピングパスＷを求める。なお、図４中に示すワーピングパスＷ１は伸縮が全くない場合である。 FIG. 4 is a schematic graph for illustrating the third detection method.
First, the warping path W is obtained from the time series data E and the time series data F in the same manner as illustrated in FIG. The warping path W1 shown in FIG. 4 is a case where there is no expansion / contraction.

ここで、検出区間Ｇ１において、第２の検出法を用いてワーピングパスＷの時間的な伸縮を検出すると、「（＋Ｎ）＋（＋Ｎ）＋（＋Ｎ）＋（＋Ｎ）＋０＋０＋（−Ｎ）＋（−Ｎ）＋（−Ｎ）＋（−Ｎ）＝０」となる。なお、Ｎは任意の数などとすることができる。 一方、検出区間Ｇ１において、第２の検出法を用いてワーピングパスＷ１の時間的な伸縮を検出すると、「０＋０＋０＋０＋０＋０＝０」となる。
すなわち、検出区間Ｇ１においては、伸び縮みが有るワーピングパスＷと、伸び縮みが無いワーピングパスＷ１とが同じ検出結果となる。 Here, when the temporal expansion / contraction of the warping path W is detected using the second detection method in the detection section G1, “(+ N) + (+ N) + (+ N) + (+ N) + 0 + 0 + (− N) +” is detected. (−N) + (− N) + (− N) = 0 ”. N can be an arbitrary number. On the other hand, when the temporal expansion / contraction of the warping path W1 is detected using the second detection method in the detection section G1, “0 + 0 + 0 + 0 + 0 + 0 = 0” is obtained.
That is, in the detection section G1, the warping path W with expansion / contraction and the warping path W1 without expansion / contraction have the same detection result.

そのため、第３の検出法においては、前述したワーピングパスの検出を行う際に加算される計測単位の自乗和をも求めるようにしている。
例えば、検出区間Ｇ１において、ワーピングパスＷの検出を行う際に加算される計測単位の自乗和を求めると、「（＋Ｎ）２＋（＋Ｎ）２＋（＋Ｎ）２＋（＋Ｎ）２＋０２＋０２＋（−Ｎ）２＋（−Ｎ）２＋（−Ｎ）２＋（−Ｎ）２＝８Ｎ２」となる。
一方、検出区間Ｇ１において、ワーピングパスＷ１の検出を行う際に加算される計測単位の自乗和を求めると、「０２＋０２＋０２＋０２＋０２＋０２＝０」となる。
そのため、ワーピングパスＷにおいては、伸び縮みの結果として伸縮がないとされたことを検出することができる。
一方、ワーピングパスＷ１においては、伸縮が全くなかったことを検出することができる。 Therefore, in the third detection method, the sum of squares of the measurement units added when the above-described warping path is detected is also obtained.
For example, when the sum of squares of the measurement units added when detecting the warping path W is obtained in the detection section G1, “(+ N) 2 + (+ N) 2 + (+ N) 2 + (+ N) 2 +0 2 +0 2 + (− N) 2 + (− N) 2 + (− N) 2 + (− N) 2 = 8N 2 ”.
On the other hand, when the square sum of the measurement unit added when the warping path W1 is detected in the detection section G1, “0 2 +0 2 +0 2 +0 2 +0 2 +0 2 = 0” is obtained.
Therefore, in the warping path W, it can be detected that there is no expansion / contraction as a result of expansion / contraction.
On the other hand, in the warping path W1, it can be detected that there is no expansion or contraction.

以上に例示をしたように本実施の形態においては、伸縮検出部３は、異常検出の対象となる時系列データと基準時系列データとからワーピングパスＷを求め、任意の検出区間に含まれるワーピングパスＷに基づいて、異常検出の対象となる時系列データのサンプリングタイムと基準時系列データのサンプリングタイムとにより画された区画をワーピングパスＷが辿る方向により規定された計測単位を加算することで、ワーピングパスＷの時間的な伸縮を検出する。
そして、伸縮検出部３は、加算される計測単位の自乗和をさらに求める。 As illustrated above, in the present embodiment, the expansion / contraction detection unit 3 obtains the warping path W from the time series data and the reference time series data that are the targets of abnormality detection, and warping included in an arbitrary detection section. Based on the path W, by adding the measurement unit defined by the direction in which the warping path W follows the section defined by the sampling time of the time-series data and the sampling time of the reference time-series data subject to abnormality detection The temporal expansion and contraction of the warping path W is detected.
And the expansion-contraction detection part 3 calculates | requires further the square sum of the measurement unit added.

次に、本実施の形態に係る異常検出方法について例示をする。
本実施の形態に係る異常検出方法は、異常検出の対象となる時系列データを取得する工程と、異常検出の対象となる時系列データと、異常検出の対象となる時系列データに対応する基準時系列データと、に基づいて、異常検出の対象となる時系列データの検出区間における時間的な伸縮を検出する工程と、時間的な伸縮を検出する工程における検出結果に基づいて異常の有無を判定する工程と、を備えている。 Next, the abnormality detection method according to this embodiment will be illustrated.
The abnormality detection method according to the present embodiment includes a step of obtaining time-series data that is a target of abnormality detection, time-series data that is a target of abnormality detection, and a reference that corresponds to the time-series data that is a target of abnormality detection Based on the time-series data, whether or not there is an abnormality based on the detection result in the step of detecting temporal expansion and contraction in the detection section of the time-series data that is the target of abnormality detection and the step of detecting temporal expansion and contraction And a step of determining.

[第２の実施形態]
まず、第２の実施形態に係る異常検出方法について例示をする。
第２の実施形態に係る異常検出方法においては、前述した第１の検出法を用いて異常検出の対象となる時系列データの検出区間における時間的な伸縮を検出する。なお、前述した第１の検出法の説明は省略する。
図５は、第２の実施形態に係る異常検出方法を例示するためのフローチャートである。 まず、異常検出の対象となる時系列データを取得する（ステップＳ１−１）。
次に、異常検出の対象となる時系列データにおいて基準となる点を複数抽出し、抽出された点を適宜組み合わせることで検出区間を設定する（ステップＳ２−１）。
例えば、異常検出の対象となる時系列データをｎ次微分（ｎは正の整数）し、「０（ゼロ）」となる点を複数抽出するようにすることができる。そして、異常検出の対象となる時系列データにおいて、抽出された点に対応する点を求める。この様にして求められた点を適宜組み合わせることで、時間的な伸縮の検出を行う際の検出区間を設定するようにすることができる。 [Second Embodiment]
First, the abnormality detection method according to the second embodiment is illustrated.
In the abnormality detection method according to the second embodiment, temporal expansion and contraction is detected in the detection section of the time-series data that is the target of abnormality detection using the first detection method described above. The description of the first detection method described above is omitted.
FIG. 5 is a flowchart for illustrating the abnormality detection method according to the second embodiment. First, time series data to be subjected to abnormality detection is acquired (step S1-1).
Next, a plurality of reference points are extracted from the time-series data to be subjected to abnormality detection, and a detection section is set by appropriately combining the extracted points (step S2-1).
For example, it is possible to perform n-order differentiation (n is a positive integer) for time series data to be subjected to abnormality detection, and extract a plurality of points that are “0 (zero)”. And the point corresponding to the extracted point is calculated | required in the time series data used as the object of abnormality detection. By appropriately combining the points obtained in this way, it is possible to set a detection section when detecting temporal expansion and contraction.

次に、異常検出の対象となる時系列データにおいて設定された検出区間における時間Ｔ１を求める（ステップＳ３−１）。   Next, the time T1 in the detection section set in the time series data to be subjected to abnormality detection is obtained (step S3-1).

一方、異常検出の対象となる時系列データに対応する基準時系列データを取得する（ステップＳ１−２）。
次に、基準時系列データにおいて、設定された検出区間に対応する区間を設定する（ステップＳ２−２）。
次に、基準時系列データにおいて、設定された区間における時間Ｔ０を求める（ステップＳ３−２）。
次に、時間Ｔ１と時間Ｔ０との差を求めることで、異常検出の対象となる時系列データの検出区間における時間的な伸縮を検出する（ステップＳ４）。
次に、検出結果に基づいて、異常の有無を判定する（ステップＳ５）。
判定は、予め定められた閾値に基づいて行うようにすることができる。 On the other hand, the reference time series data corresponding to the time series data to be detected for abnormality is acquired (step S1-2).
Next, an interval corresponding to the set detection interval is set in the reference time series data (step S2-2).
Next, in the reference time series data, a time T0 in the set section is obtained (step S3-2).
Next, by calculating the difference between the time T1 and the time T0, temporal expansion and contraction in the detection section of the time series data that is the target of abnormality detection is detected (step S4).
Next, the presence or absence of abnormality is determined based on the detection result (step S5).
The determination can be made based on a predetermined threshold value.

[第３の実施形態]
次に、第３の実施形態に係る異常検出方法について例示をする。
第３の実施形態に係る異常検出方法においては、前述した第２の検出法を用いて異常検出の対象となる時系列データの検出区間における時間的な伸縮を検出する。なお、前述した第２の検出法の説明は省略する。
図６は、第３の実施形態に係る異常検出方法を例示するためのフローチャートである。 まず、異常検出の対象となる時系列データを取得する（ステップＳ１１）。
次に、異常検出の対象となる時系列データに対応する基準時系列データを取得する（ステップＳ１２）。
次に、異常検出の対象となる時系列データと、基準時系列データとからワーピングパスＷを求める（ステップＳ１３）。 [Third embodiment]
Next, the abnormality detection method according to the third embodiment is illustrated.
In the abnormality detection method according to the third embodiment, temporal expansion and contraction is detected in the detection section of the time series data to be subjected to abnormality detection, using the second detection method described above. The description of the second detection method described above is omitted.
FIG. 6 is a flowchart for illustrating the abnormality detection method according to the third embodiment. First, time series data to be subjected to abnormality detection is acquired (step S11).
Next, the reference time series data corresponding to the time series data to be detected for abnormality is acquired (step S12).
Next, the warping path W is obtained from the time series data that is the target of abnormality detection and the reference time series data (step S13).

次に、所望の検出区間を設定する（ステップＳ１４）。
次に、所定の計測単位を用いて、検出区間に含まれるワーピングパスＷの時間的な伸縮を検出する（ステップＳ１５）。
ワーピングパスＷの時間的な伸縮は、検出区間に含まれるワーピングパスＷに基づいて、計測単位を加算することで検出することができる。 Next, a desired detection section is set (step S14).
Next, temporal expansion and contraction of the warping path W included in the detection section is detected using a predetermined measurement unit (step S15).
The temporal expansion and contraction of the warping path W can be detected by adding a measurement unit based on the warping path W included in the detection section.

なお、計測単位や計測単位を加算することでワーピングパスＷの時間的な伸縮を検出することについては、前述したものと同様のため詳細な説明は省略する。
次に、検出結果に基づいて、異常の有無を判定する（ステップＳ１６）。
判定は、予め定められた閾値に基づいて行うようにすることができる。 It should be noted that detection of temporal expansion / contraction of the warping path W by adding measurement units and measurement units is the same as described above, and thus detailed description thereof is omitted.
Next, the presence or absence of abnormality is determined based on the detection result (step S16).
The determination can be made based on a predetermined threshold value.

[第４の実施形態]
次に、第４の実施形態に係る異常検出方法について例示をする。
第４の実施形態に係る異常検出方法においては、前述した第３の検出法を用いて異常検出の対象となる時系列データの検出区間における時間的な伸縮を検出する。なお、前述した第３の検出法の説明は省略する。
図７は、第４の実施形態に係る異常検出方法を例示するためのフローチャートである。 まず、異常検出の対象となる時系列データを取得する（ステップＳ２１）。
次に、取得された異常検出の対象となる時系列データに対応する基準時系列データを取得する（ステップＳ２２）。
次に、異常検出の対象となる時系列データと、基準時系列データとからワーピングパスを求める（ステップＳ２３）。 [Fourth Embodiment]
Next, an abnormality detection method according to the fourth embodiment will be illustrated.
In the abnormality detection method according to the fourth embodiment, temporal expansion / contraction in the detection section of the time-series data that is the target of abnormality detection is detected using the third detection method described above. The description of the third detection method described above is omitted.
FIG. 7 is a flowchart for illustrating the abnormality detection method according to the fourth embodiment. First, time series data to be subjected to abnormality detection is acquired (step S21).
Next, reference time-series data corresponding to the acquired time-series data to be subjected to abnormality detection is acquired (step S22).
Next, a warping path is obtained from the time-series data that is the target of abnormality detection and the reference time-series data (step S23).

次に、所望の検出区間を設定する（ステップＳ２４）。
次に、所定の計測単位を用いて、検出区間に含まれるワーピングパスＷの時間的な伸縮を検出する（ステップＳ２５）。
ワーピングパスＷの時間的な伸縮は、検出区間に含まれるワーピングパスＷに基づいて、計測単位を加算することで検出することができる。 Next, a desired detection section is set (step S24).
Next, temporal expansion and contraction of the warping path W included in the detection section is detected using a predetermined measurement unit (step S25).
The temporal expansion and contraction of the warping path W can be detected by adding a measurement unit based on the warping path W included in the detection section.

なお、計測単位や計測単位を加算することでワーピングパスＷの時間的な伸縮を検出することについては、前述したものと同様のため詳細な説明は省略する。
次に、ステップＳ２５において加算される計測単位の自乗和を求める（ステップＳ２６）。
次に、ステップＳ２５において検出された値と、ステップＳ２６において求められた値とに基づいて、異常の有無を判定する（ステップＳ２７）。
判定は、予め定められた閾値に基づいて行うようにすることができる。 It should be noted that detection of temporal expansion / contraction of the warping path W by adding measurement units and measurement units is the same as described above, and thus detailed description thereof is omitted.
Next, the square sum of the unit of measurement added in step S25 is obtained (step S26).
Next, the presence or absence of abnormality is determined based on the value detected in step S25 and the value obtained in step S26 (step S27).
The determination can be made based on a predetermined threshold value.

[第５の実施形態]
次に、第５の実施形態に係る異常検出プログラムについて例示をする。
本実施の形態に係る異常検出プログラムは、コンピュータに、前述した異常検出方法を実行させるものとすることができる。
一連の異常検出方法を実行させるために、本実施の形態に係る異常検出プログラムが、例えば、コンピュータに設けられた格納部に格納される。異常検出プログラムは、例えば、記録媒体に格納された状態でコンピュータに供給され、読み出されることでコンピュータに設けられた格納部に格納されるようにすることができる。なお、ＭＥＳ（Manufacturing Execution System）系ＬＡＮ（Local Area Network）などを介して、異常検出プログラムがコンピュータに設けられた格納部に格納されるようにすることもできる。 [Fifth Embodiment]
Next, an abnormality detection program according to the fifth embodiment is illustrated.
The abnormality detection program according to the present embodiment can cause a computer to execute the above-described abnormality detection method.
In order to execute a series of abnormality detection methods, the abnormality detection program according to the present embodiment is stored in, for example, a storage unit provided in a computer. For example, the abnormality detection program can be supplied to a computer in a state of being stored in a recording medium and read out to be stored in a storage unit provided in the computer. The abnormality detection program may be stored in a storage unit provided in the computer via a MES (Manufacturing Execution System) system LAN (Local Area Network) or the like.

この場合、例えば、コンピュータに設けられた格納部には、図５において例示をした以下の手順を実行する異常検出プログラムが格納されるようにすることができる。
（１−１）異常検出の対象となる時系列データを取得する手順。
（２−１）基準となる点を複数抽出し、抽出された点を適宜組み合わせることで検出区間を設定する手順。
（３−１）異常検出の対象となる時系列データにおいて設定された検出区間における時間Ｔ１を求める手順。
（１−２）異常検出の対象となる時系列データに対応する基準時系列データを取得する手順。
（２−２）基準時系列データにおいて設定された検出区間に対応する区間を設定する手順。
（３−２）基準時系列データにおいて設定された区間における時間Ｔ０を求める手順。 （４）時間Ｔ１と時間Ｔ０との差を求めることで、異常検出の対象となる時系列データの検出区間における時間的な伸縮を検出する手順。
（５）検出結果に基づいて、異常の有無を判定する手順。 In this case, for example, the abnormality detection program for executing the following procedure illustrated in FIG. 5 can be stored in the storage unit provided in the computer.
(1-1) A procedure for acquiring time-series data that is an object of abnormality detection.
(2-1) A procedure for setting a detection section by extracting a plurality of reference points and appropriately combining the extracted points.
(3-1) A procedure for obtaining the time T1 in the detection section set in the time series data to be subjected to abnormality detection.
(1-2) A procedure for acquiring reference time-series data corresponding to time-series data to be subjected to abnormality detection.
(2-2) A procedure for setting a section corresponding to the detection section set in the reference time series data.
(3-2) A procedure for obtaining the time T0 in the section set in the reference time series data. (4) A procedure for detecting temporal expansion and contraction in a detection section of time-series data to be detected for abnormality by obtaining a difference between time T1 and time T0.
(5) A procedure for determining the presence or absence of abnormality based on the detection result.

また、コンピュータに設けられた格納部には、図６において例示をした以下の手順を実行する異常検出プログラムが格納されるようにすることができる。
（１１）異常検出の対象となる時系列データを取得する手順。
（１２）異常検出の対象となる時系列データに対応する基準時系列データを取得する手順。
（１３）異常検出の対象となる時系列データと、基準時系列データとからワーピングパスを求める手順。
（１４）所望の検出区間を設定する手順。
（１５）所定の計測単位を用いて、検出区間に含まれるワーピングパスＷの時間的な伸縮を検出する手順。
（１６）検出結果に基づいて、異常の有無を判定する手順。 In addition, the storage unit provided in the computer may store an abnormality detection program that executes the following procedure illustrated in FIG.
(11) A procedure for acquiring time-series data to be subjected to abnormality detection.
(12) A procedure for acquiring reference time-series data corresponding to time-series data to be subjected to abnormality detection.
(13) A procedure for obtaining a warping path from time-series data to be subjected to abnormality detection and reference time-series data.
(14) A procedure for setting a desired detection interval.
(15) A procedure for detecting temporal expansion and contraction of the warping path W included in the detection section using a predetermined measurement unit.
(16) A procedure for determining the presence or absence of an abnormality based on the detection result.

また、コンピュータに設けられた格納部には、図７において例示をした以下の手順を実行する異常検出プログラムが格納されるようにすることができる。
（２１）異常検出の対象となる時系列データを取得する手順。
（２２）異常検出の対象となる時系列データに対応する基準時系列データを取得する手順。
（２３）異常検出の対象となる時系列データと、基準時系列データとからワーピングパスを求める手順。
（２４）所望の検出区間を設定する手順。
（２５）所定の計測単位を用いて、検出区間に含まれるワーピングパスＷの時間的な伸縮を検出する手順。 In addition, the storage unit provided in the computer may store an abnormality detection program that executes the following procedure illustrated in FIG.
(21) A procedure for acquiring time-series data to be subjected to abnormality detection.
(22) A procedure for acquiring reference time-series data corresponding to time-series data to be subjected to abnormality detection.
(23) A procedure for obtaining a warping path from time-series data to be subjected to abnormality detection and reference time-series data.
(24) A procedure for setting a desired detection interval.
(25) A procedure for detecting temporal expansion and contraction of the warping path W included in the detection section using a predetermined measurement unit.

（２６）（２５）において加算される計測単位の自乗和を求める手順。
（２７）（２５）において検出された値と、（２６）において求められた値とに基づいて、異常の有無を判定する手順。 (26) A procedure for obtaining the sum of squares of the measurement units added in (25).
(27) A procedure for determining the presence or absence of an abnormality based on the value detected in (25) and the value obtained in (26).

なお、各手順の内容は前述したものと同様とすることができるので、詳細な説明は省略する。
また、本実施の形態に係る異常検出プログラムは、前述の順序に従って時系列的に実行されるようにしてもよいし、必ずしも時系列的に実行されなくとも並列的あるいは選別的に実行されるようにしてもよい。
また、本実施の形態に係る異常検出プログラムは、単一の演算部により処理されるものであってもよいし、複数の演算部によって分散処理されるものであってもよい。 Since the contents of each procedure can be the same as those described above, detailed description thereof is omitted.
Further, the abnormality detection program according to the present embodiment may be executed in time series according to the above-described order, or may be executed in parallel or selectively even if not necessarily executed in time series. It may be.
Further, the abnormality detection program according to the present embodiment may be processed by a single calculation unit, or may be distributedly processed by a plurality of calculation units.

以上、本発明のいくつかの実施形態を例示したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更などを行うことができる。これら実施形態やその変形例は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明及びそれと等価とみなされるものの範囲に含まれる。また、前述の各実施形態は、相互に組み合わせて実施することができる。   As mentioned above, although several embodiment of this invention was illustrated, these embodiment is shown as an example and is not intending limiting the range of invention. These novel embodiments can be implemented in various other forms, and various omissions, replacements, changes, and the like can be made without departing from the spirit of the invention. These embodiments and modifications thereof are included in the scope and gist of the invention, and are included in the scope of the invention described in the claims and equivalents thereof. Further, the above-described embodiments can be implemented in combination with each other.

例えば、異常検出装置１が備える各要素の数、配置などは、例示をしたものに限定されるわけではなく適宜変更することができる。検出部２０により検出される対象として、圧力、温度、流量、電力、光の強度、振動、音、成分比などを例示したがこれらに限定されるわけではなく、時系列データとして取得可能なものであればよい。
また、異常検出の対象となる処理装置や設備にも特に限定はない。 For example, the number and arrangement of each element included in the abnormality detection device 1 are not limited to those illustrated, but can be changed as appropriate. Examples of objects detected by the detection unit 20 include pressure, temperature, flow rate, power, light intensity, vibration, sound, component ratio, etc., but are not limited to these, and can be acquired as time-series data If it is.
Also, there is no particular limitation on the processing apparatus or equipment that is the target of abnormality detection.

例えば、半導体装置やフラットパネルディスプレイなどの電子デバイスの製造において、プラズマ処理などにおける圧力、温度、流量、電力、光の強度、振動、音、成分比などの変化を時系列データとして取得して異常検出をする場合に、本実施の形態に係る異常検出装置、異常検出方法、異常検出プログラムを適用することができる。
また、有機材料、無機材料、金属材料、化学薬品などの製造において、原料の供給量、温度、濃度、成分比などの変化を時系列データとして取得して異常検出をする場合に、本実施の形態に係る異常検出装置、異常検出方法、異常検出プログラムを適用することができる。
また、自動車、輸送機器、精密機械、電気機械、産業用機械、機械部品、金型などの製造において、プロセスデータを時系列データとして取得して異常検出をする場合に、本実施の形態に係る異常検出装置、異常検出方法、異常検出プログラムを適用することができる。
また、食品などの製造において、原料の供給量、温度、濃度、乳酸菌の数などの変化を時系列データとして取得して異常検出をする場合に、本実施の形態に係る異常検出装置、異常検出方法、異常検出プログラムを適用することができる。
また、石油、ガス、電力などの製造において、圧力、温度、流量、電力、光の強度、振動、音、成分比などの変化を時系列データとして取得して異常検出をする場合に、本実施の形態に係る異常検出装置、異常検出方法、異常検出プログラムを適用することができる。
この様に種々の製造において、プロセスデータを時系列データとして取得して異常検出をする場合に、本実施の形態に係る異常検出装置、異常検出方法、異常検出プログラムを適用することができる。 For example, in the manufacture of electronic devices such as semiconductor devices and flat panel displays, changes in pressure, temperature, flow rate, power, light intensity, vibration, sound, component ratio, etc. in plasma processing etc. are acquired as time series data and abnormal. When detecting, the abnormality detection device, abnormality detection method, and abnormality detection program according to the present embodiment can be applied.
In addition, in the manufacture of organic materials, inorganic materials, metal materials, chemicals, etc., when changes in raw material supply amount, temperature, concentration, component ratio, etc. are acquired as time series data to detect anomalies, this implementation The abnormality detection device, the abnormality detection method, and the abnormality detection program according to the embodiment can be applied.
In addition, in manufacturing automobiles, transportation equipment, precision machines, electrical machines, industrial machines, machine parts, molds, etc., when process data is acquired as time-series data and abnormality detection is performed, the present embodiment relates to An abnormality detection device, an abnormality detection method, and an abnormality detection program can be applied.
In addition, in the manufacture of foods and the like, when abnormality detection is performed by acquiring changes in raw material supply amount, temperature, concentration, the number of lactic acid bacteria, etc. as time series data, the abnormality detection device and abnormality detection according to the present embodiment Method and abnormality detection program can be applied.
Also, when manufacturing abnormalities such as oil, gas, electric power, etc., when detecting changes in pressure, temperature, flow rate, electric power, light intensity, vibration, sound, component ratio, etc. The abnormality detection device, the abnormality detection method, and the abnormality detection program according to the embodiment can be applied.
As described above, in various manufacturing, when the process data is acquired as time-series data to detect an abnormality, the abnormality detection device, the abnormality detection method, and the abnormality detection program according to the present embodiment can be applied.

１ 異常検出装置、２ データ取得部、３ 伸縮検出部、４ 判定部、２０ 検出部、３０ 記憶部   DESCRIPTION OF SYMBOLS 1 Abnormality detection apparatus, 2 Data acquisition part, 3 Expansion / contraction detection part, 4 Determination part, 20 Detection part, 30 Storage part

Claims (5)

異常検出の対象となる時系列データを取得するデータ取得部と、
前記時系列データと、前記時系列データに対応する基準時系列データと、に基づいて、異常検出の対象となる時系列データの検出区間における時間的な伸縮を検出する伸縮検出部と、
前記伸縮検出部による検出結果に基づいて、異常の有無を判定する判定部と、
を備えたことを特徴とする異常検出装置。 A data acquisition unit for acquiring time-series data to be an anomaly detection target;
Based on the time-series data and the reference time-series data corresponding to the time-series data, an expansion / contraction detection unit that detects temporal expansion / contraction in the detection section of the time-series data that is the target of abnormality detection;
A determination unit for determining the presence or absence of an abnormality based on a detection result by the expansion and contraction detection unit;
An abnormality detection device characterized by comprising: 前記伸縮検出部は、前記時系列データにおける基準となる点を複数抽出し、抽出された点を組み合わせることで検出区間を設定し、前記時系列データの前記検出区間における時間と、前記基準時系列データの前記検出区間における時間と、の差から時間的な伸縮を検出することを特徴とする請求項１記載の異常検出装置。   The expansion / contraction detection unit extracts a plurality of reference points in the time series data, sets a detection section by combining the extracted points, and sets the time in the detection section of the time series data, and the reference time series The abnormality detection device according to claim 1, wherein temporal expansion and contraction is detected from a difference between the time in the detection section of the data. 前記伸縮検出部は、前記時系列データと前記基準時系列データとからワーピングパスを求め、任意の検出区間に含まれる前記ワーピングパスに基づいて、前記時系列データのサンプリングタイムと前記基準時系列データのサンプリングタイムとにより画された区画を前記ワーピングパスが辿る方向により規定された計測単位を加算することで、前記ワーピングパスの時間的な伸縮を検出することを特徴とする請求項１記載の異常検出装置。   The expansion / contraction detection unit obtains a warping path from the time series data and the reference time series data, and based on the warping path included in an arbitrary detection section, the sampling time of the time series data and the reference time series data 2. The abnormality according to claim 1, wherein a temporal expansion and contraction of the warping path is detected by adding a measurement unit defined by a direction in which the warping path follows a section defined by the sampling time of Detection device. 前記伸縮検出部は、加算される前記計測単位の自乗和をさらに求めること、を特徴とする請求項３記載の異常検出装置。   The abnormality detection device according to claim 3, wherein the expansion / contraction detection unit further calculates a sum of squares of the measurement units to be added. 異常検出の対象となる時系列データを取得する工程と、
前記時系列データと、前記時系列データに対応する基準時系列データと、に基づいて、異常検出の対象となる時系列データの検出区間における時間的な伸縮を検出する工程と、
前記時間的な伸縮を検出する工程における検出結果に基づいて、異常の有無を判定する工程と、
を備えたことを特徴とする異常検出方法。 Acquiring time-series data that is an object of anomaly detection;
Detecting temporal expansion and contraction in a detection section of time-series data that is a target of abnormality detection based on the time-series data and reference time-series data corresponding to the time-series data;
A step of determining the presence or absence of abnormality based on a detection result in the step of detecting the temporal expansion and contraction;
An abnormality detection method comprising:
JP2010204406A 2010-09-13 2010-09-13 Abnormality detection device and abnormality detection method Pending JP2012059198A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2010204406A JP2012059198A (en) 2010-09-13 2010-09-13 Abnormality detection device and abnormality detection method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2010204406A JP2012059198A (en) 2010-09-13 2010-09-13 Abnormality detection device and abnormality detection method

Publications (1)

Publication Number Publication Date
JP2012059198A true JP2012059198A (en) 2012-03-22

Family

ID=46056181

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2010204406A Pending JP2012059198A (en) 2010-09-13 2010-09-13 Abnormality detection device and abnormality detection method

Country Status (1)

Country Link
JP (1) JP2012059198A (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020082287A (en) * 2018-11-27 2020-06-04 株式会社タダノ Welding robot

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020082287A (en) * 2018-11-27 2020-06-04 株式会社タダノ Welding robot
JP7238362B2 (en) 2018-11-27 2023-03-14 株式会社タダノ welding robot

Similar Documents

Publication Publication Date Title
JP6076571B1 (en) Information processing apparatus, information processing system, information processing method, and program
EP3399376A1 (en) Plant-abnormality-monitoring method and computer program for plant abnormality monitoring
JP6151227B2 (en) Anomaly detection system and semiconductor device manufacturing method
JP6050599B2 (en) Method and system for device operation monitoring
TW201239330A (en) Method and apparatus for judging status of mechanic system
US11137750B2 (en) Time-series data processing device
JP2012059198A (en) Abnormality detection device and abnormality detection method
JP2011128951A (en) Test table generation device and test table generating method
JP2018045360A (en) Heat map display device, and heat map display method
JP2010224988A (en) Quality control system, quality control method, quality control program, and method for manufacturing product
JP5492622B2 (en) Data monitoring method and data monitoring apparatus
Jiang et al. Statistical process control
JP2010164446A (en) Visual inspection method of item to be inspected and program
JP2013041492A (en) Abnormality diagnostic device
JP2015228269A (en) Abnormality diagnostic device
Golmohammadi et al. Statistical process control for energy consumption monitoring in a cement factory iranian cement factory
Petersen et al. A methodology for robust fault detection in dynamic systems
JP6444952B2 (en) Molded article monitoring device
JP2020038594A (en) Abnormality detecting apparatus, abnormality detecting method, and program
WO2022195890A1 (en) Time series data processing method
JP6071464B2 (en) Failure determination support apparatus and method, and program
JP2018018257A (en) Heat map display device and heat map display method
Khoo Power functions of the Shewhart control chart
KR20100087930A (en) Diagnostic system and method for single crystal silicon ingot growth furnace for solar cell
JP2013210703A5 (en)