JP2020008997A5 - - Google Patents

Claims (9)

1. 監視対象となる設備の稼動データに基づいて、設備の異常またはその予兆を検知する異常検知システムであって、
   前記設備から稼動データを収集する機器と、
   前記稼動データから構築される異常検知モデルに基づいて、設備の異常またはその予兆を検知する情報処理装置とを有し、
   前記情報処理装置は、
   前記稼動データを収集する手段と、
   前記稼働データから異常検知モデルを学習する手段と、
   前記稼働データと異常検知モデルから、個々の稼動データに対して異常スコアを算出する手段とを有し、
   前記稼働データから異常検知モデルを学習する手段は、前記異常検知モデルの内で、その異常検知モデルの要素のばらつきが小さい異常検知モデルを学習し、
   前記稼働データから異常検知モデルを学習する手段は、複数の異常検知モデルから生成する異常検知モデルの異常スコアを、重み付き線形和によって合成することを特徴とする異常検知システム。
2. 前記異常検知モデルの要素のばらつきは、前記異常検知モデルの要素の異常スコアの分散または四分位範囲であることを特徴とする請求項１記載の異常検知システム。
3. 前記稼働データから異常検知モデルを学習する手段は、初期の異常検知モデルを設定し、逐次的に異常検知モデルから異常スコアのばらつきが小さい異常検知モデルを再構成することを特徴とする請求項１記載の異常検知システム。
4. 逐次的に異常検知モデル新たな異常検知モデルを追加する際、所定探索範囲内で異常検知モデルの異常スコアの最もばらつきが小さい組み合わせ方を探索し、それを異常検知モデルの異常スコアの合成に用いることを特徴とする請求項１記載の異常検知システム。
5. 前記異常検知モデルは、ｋ近傍距離に基づく異常検知モデルであることを特徴とする請求項１記載の異常検知システム。
6. 前記稼働データから異常検知モデルを学習する手段は、複数の異常検知モデルから新たな異常検知モデルを生成するにあたり、複数の異常検知モデルから稼働データをサンプリングして新たな異常検知モデルを生成することを特徴とする請求項１記載の異常検知システム。
7. 前記稼働データから異常検知モデルを学習する手段は、前記異常スコアの大きい異常検知モデルに対して、大きな確率でサンプリングすることを特徴とする請求項６記載の異常検知システム。
8. 前記稼働データから異常検知モデルを学習する手段は、ランダム分布に基づいてサンプリングするか、補間値あるいは推定値を用いてサンプリングするか、稼働データから生成モデルを学習し、そこからサンプリングするかのいずれかでサンプリングすることを特徴とする請求項６記載の異常検知システム。
9. さらに、初期の異常検知モデルの異常スコアと、再構成された異常検知モデルの異常スコアの比率を表示する手段とを有することを特徴とする請求項１記載の異常検知システム。