JP2020027342A - Information processing apparatus, monitoring device and information processing method - Google Patents
Information processing apparatus, monitoring device and information processing method Download PDFInfo
- Publication number
- JP2020027342A JP2020027342A JP2018150448A JP2018150448A JP2020027342A JP 2020027342 A JP2020027342 A JP 2020027342A JP 2018150448 A JP2018150448 A JP 2018150448A JP 2018150448 A JP2018150448 A JP 2018150448A JP 2020027342 A JP2020027342 A JP 2020027342A
- Authority
- JP
- Japan
- Prior art keywords
- data
- normal
- abnormality
- learning data
- information processing
- 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.)
- Withdrawn
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 18
- 238000003672 processing method Methods 0.000 title claims description 3
- 238000012806 monitoring device Methods 0.000 title description 30
- 230000005856 abnormality Effects 0.000 claims abstract description 91
- 238000001514 detection method Methods 0.000 claims abstract description 45
- 238000011156 evaluation Methods 0.000 claims abstract description 20
- 238000003860 storage Methods 0.000 claims abstract description 20
- 230000002159 abnormal effect Effects 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 48
- 230000008569 process Effects 0.000 claims description 46
- 238000005259 measurement Methods 0.000 claims description 34
- 238000012544 monitoring process Methods 0.000 claims description 17
- 238000012847 principal component analysis method Methods 0.000 claims 3
- 238000004364 calculation method Methods 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 5
- 230000009467 reduction Effects 0.000 description 4
- 238000003756 stirring Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 238000005057 refrigeration Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- CWYNVVGOOAEACU-UHFFFAOYSA-N Fe2+ Chemical compound [Fe+2] CWYNVVGOOAEACU-UHFFFAOYSA-N 0.000 description 1
- 238000003070 Statistical process control Methods 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000013019 agitation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
Description
本発明は、情報処理装置、監視装置、及び情報処理方法に関する。 The present invention relates to an information processing device, a monitoring device, and an information processing method.
従来、センサにより取得されたデータに基づいて、異常を検出する技術が知られている。この技術において、カーネル主成分分析(Kernel Principal Component Analysis; KPCA)法を用いた多変量統計的プロセス管理(Multivariate Statistical Process Control; MSPC)が知られている。この手法では、正常状態で測定されたデータの集合xm及びカーネル関数に基づいて、ある時点での測定データについて、正常状態からの乖離度を示すT2統計量及びQ統計量等を算出し、当該測定データの異常を判定する(例えば、非特許文献1、2を参照)。 2. Description of the Related Art Conventionally, a technology for detecting an abnormality based on data acquired by a sensor has been known. In this technology, Multivariate Statistical Process Control (MSPC) using Kernel Principal Component Analysis (KPCA) is known. In this approach, based on a set x m and kernel function of the data measured in the normal state, the measurement data at a certain time, calculates the T 2 statistic and Q statistic like indicating the degree of deviation from the normal state Then, the abnormality of the measurement data is determined (for example, see Non-Patent Documents 1 and 2).
しかしながら、正常状態で測定されたデータの集合に基づいて異常を検出する場合、当該データの数が大きくなる程、検出の精度は向上するものの、検出のための計算時間が増大するという問題がある。 However, when an abnormality is detected based on a set of data measured in a normal state, as the number of data increases, the accuracy of detection improves, but there is a problem that the calculation time for detection increases. .
そこで、一側面では、異常検出の精度の低下を低減しながら、異常検出の計算時間を短縮することを目的とする。 Therefore, in one aspect, it is an object to reduce the calculation time of abnormality detection while reducing the accuracy of abnormality detection.
一つの案では、情報処理装置が、監視対象が正常である際に測定された複数の正常データ、及び前記監視対象が正常または異常である際に測定された評価用データを記憶する記憶部と、前記複数の正常データ間の類似度に基づいて、異常検出に用いられる学習用データを決定する決定部と、前記決定部により決定された学習用データを用いて、異常検出に用いられる正常モデルを生成する生成部と、前記決定部により決定された学習用データ、及び前記生成部により生成された正常モデルに基づいて、前記評価用データに対する異常検出を行う異常判定部と、を有する。 In one proposal, the information processing device, a storage unit that stores a plurality of normal data measured when the monitoring target is normal, and evaluation data measured when the monitoring target is normal or abnormal A determining unit that determines learning data used for abnormality detection based on the similarity between the plurality of normal data, and a normal model used for abnormality detection using the learning data determined by the determining unit. And an abnormality determination unit that performs abnormality detection on the evaluation data based on the learning data determined by the determination unit and the normal model generated by the generation unit.
一側面によれば、異常検出の精度の低下を低減しながら、異常検出の計算時間を短縮することができる。 According to an aspect, it is possible to reduce the calculation time of the abnormality detection while reducing the decrease in the accuracy of the abnormality detection.
以下、図面に基づいて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.
<システム構成>
図1は、実施形態に係る監視システムの構成例を示す図である。図1において、監視システム1は、支援装置10(「情報処理装置」の一例。)、監視装置20、測定装置30、及び機器40を含む。なお、支援装置10、監視装置20、測定装置30、及び機器40の数は図1の例に限定されない。
<System configuration>
FIG. 1 is a diagram illustrating a configuration example of a monitoring system according to an embodiment. 1, the monitoring system 1 includes a support device 10 (an example of an “information processing device”), a
支援装置10、監視装置20、及び測定装置30は、LAN(Local Area Network)、無線LAN、インターネット等の通信回線Nによって通信可能なように接続される。
The
支援装置10は、例えば、サーバ、PC(Personal Computer)、タブレット型端末等の情報処理装置である。支援装置10は、機器40が製造する製品、または機器40の状態等の監視対象の異常判定を行うための学習用データ、及び正常モデル(学習済モデル)を決定し、決定した正常モデル、及び学習用データを監視装置20に出力する。
The
監視装置20は、支援装置10から取得した正常モデル、及び学習用データに基づいて、監視対象の異常判定を行う。監視装置20は、異常を判定すると、アラームや画面表示等によりユーザに異常を報知する。監視装置20は、例えば、製造プロセスの監視、設備の状態の監視等を行う。
The
測定装置30は、例えば、機器40が製造する製品の温度、湿度、圧力、または機器40の温度、湿度、圧力、撹拌速度、流量等の1以上の種類の状態量のデータを測定し、測定したデータ(測定データ)を支援装置10、及び監視装置20に通知するセンサである。
The
機器40は、例えば、プラント等における製造設備(製造装置)や、産業用・民生用の設備である。機器40には、例えば、化学・石油・繊維・食品・飲料・鉄鋼・非鉄・パルプ・薬品・ガラス・セメント・半導体・繊維などのプラントの設備、冷蔵・冷凍庫や冷蔵・冷凍ショーケース等が含まれる。
The
<ハードウェア構成>
図2は、実施形態に係る支援装置10、及び監視装置20のハードウェア構成例を示す図である。以下では、支援装置10について説明するが、監視装置20のハードウェア構成は支援装置10のハードウェア構成と同様でもよい。
<Hardware configuration>
FIG. 2 is a diagram illustrating a hardware configuration example of the
図2の支援装置10は、それぞれバスBで相互に接続されているドライブ装置100、補助記憶装置102、メモリ装置103、CPU104、インタフェース装置105、表示装置106、及び入力装置107等を有する。
The
支援装置10での処理を実現する監視プログラムは、記録媒体101によって提供される。監視プログラムを記録した記録媒体101がドライブ装置100にセットされると、監視プログラムが記録媒体101からドライブ装置100を介して補助記憶装置102にインストールされる。但し、監視プログラムのインストールは必ずしも記録媒体101より行う必要はなく、ネットワークを介して他のコンピュータよりダウンロードするようにしてもよい。補助記憶装置102は、インストールされた監視プログラムを格納すると共に、必要なファイルやデータ等を格納する。
A monitoring program for realizing the processing in the
メモリ装置103は、プログラムの起動指示があった場合に、補助記憶装置102からプログラムを読み出して格納する。CPU104は、メモリ装置103に格納されたプログラムに従って支援装置10に係る機能を実現する。インタフェース装置105は、ネットワークに接続するためのインタフェースとして用いられる。表示装置106はプログラムによるGUI(Graphical User Interface)等を表示する。入力装置107はキーボード及びマウス等、またはタッチパネル及びボタン等で構成され、様々な操作指示を入力させるために用いられる。
The
なお、記録媒体101の一例としては、CD−ROM、DVDディスク、又はUSBメモリ等の可搬型の記録媒体が挙げられる。また、補助記憶装置102の一例としては、HDD(Hard Disk Drive)又はフラッシュメモリ等が挙げられる。記録媒体101及び補助記憶装置102のいずれについても、コンピュータ読み取り可能な記録媒体に相当する。
Note that examples of the
<機能構成>
次に、図3、及び図4を参照し、実施形態に係る支援装置10、及び監視装置20の機能構成について説明する。図3は、実施形態に係る支援装置10、及び監視装置20の機能ブロック図である。図4は、実施形態に係る正常データ情報111の一例を示す図である。
<Functional configuration>
Next, a functional configuration of the
≪支援装置10≫
支援装置10は、決定部12、生成部13、及び異常判定部14を有する。これら各部は、支援装置10にインストールされた1以上のプログラムが、支援装置10のCPU104に実行させる処理により実現される。
≪
The
また、支援装置10は、記憶部11を有する。記憶部11は、例えば、補助記憶装置102等を用いて実現される。
The
記憶部11は、正常データ情報111、評価用データ情報112、正常モデル情報113、及び学習用データ情報114を記憶する。
The storage unit 11 stores
正常データ情報111には、例えば、機器40等の監視対象が正常である際に測定装置30により複数の時点でそれぞれ測定された各測定データ(正常データ)が予め記憶されているものとする。なお、測定データが正常時のものであるか否かは、管理者等により判断されてもよい。
It is assumed that the
図4の例では、正常データ情報111には、測定データIDに対応付けて、測定時刻、温度、湿度、圧力、撹拌速度、流量等が記憶される。測定データIDは、測定データの識別情報である。測定時刻は、測定装置30により測定データが測定された時刻である。温度、湿度、圧力、撹拌速度、流量等は、測定装置30により測定された機器40に関する温度等である。
In the example of FIG. 4, the
評価用データ情報112には、例えば、測定装置30により複数の時点でそれぞれ測定された各測定データと、各測定データが正常であるか異常であるかを示す情報とが対応付けられて予め記憶されているものとする。なお、各測定データが正常であるか異常であるかは、管理者等により判断されてもよい。
In the
正常モデル情報113、及び学習用データ情報114には、それぞれ、決定部12により決定された学習用データ、及び生成部13により生成された正常モデルが記録される。
The
決定部12は、異常判定部14による異常判定結果に基づいて、正常データ情報111に記憶されている正常データのうち、異常判定に用いるデータの集合(学習用データ)を決定する。
The determining
生成部13は、決定部12により決定された学習用データに基づいて、異常判定に用いるためのモデル(正常モデル)を生成する。
The
異常判定部14は、決定部12により決定された学習用データ、及び生成部13により生成された正常モデルに基づいて、評価用データ情報112に記憶されている評価用データに対する異常判定を行う。
The
≪監視装置20≫
監視装置20は、取得部22、異常判定部23、及び報知部24を有する。これら各部は、監視装置20にインストールされた1以上のプログラムが、監視装置20のCPUに実行させる処理により実現される。
The
また、監視装置20は、記憶部21を有する。記憶部21は、例えば、補助記憶装置等を用いて実現される。
The
記憶部21は、正常モデル情報211、及び学習用データ情報212を記憶する。
The
取得部22は、支援装置10の正常モデル情報113、及び学習用データ情報114にそれぞれ記憶されている正常モデル、及び学習用データを取得し、正常モデル情報211、及び学習用データ情報212に記憶させる。
The
また、取得部22は、測定装置30にて測定された、機器40の温度等の測定データを取得する。
The
異常判定部23は、正常モデル情報211、及び学習用データ情報212に記憶されている学習用データ、及び正常モデルに基づいて、取得部22により取得された機器40等の測定データに対する異常判定を行う。
The
報知部24は、異常判定部23の指示に応じて、監視装置20の画面、パトランプ、予め登録されているメールアドレス等に、異常の報知(通知)を行う。
The notifying
<処理>
≪学習用データ決定処理≫
次に、図5を参照し、支援装置10の学習用データ決定処理について説明する。図5は、実施形態に係る支援装置10の学習用データ決定処理の一例を示すフローチャートである。以下の処理は、例えば、所定の周期(例えば、3ケ月毎)で、かつ機器40が運転されていない間(休止中、オフライン時)に実行されてもよい。
<Process>
≪Learning data decision processing≫
Next, the learning data determination process of the
ステップS101において、取得部22は、正常データ情報111から、正常データの集合(「第1集合」の一例。)を取得し、取得した各正常データを次元毎に正規化する。ここで、図4に示すように、正常データ情報111には、機器40の正常(通常)動作時に測定装置30により複数の時点でそれぞれ測定されたデータである各正常データx1、x2、・・・xm(mは任意の自然数)が予め記憶されている。各正常データx1、x2、・・・xmは、それぞれ、n次元のベクトルのデータである。なお、n次元の各変数は、それぞれ、例えば、温度、湿度、圧力、撹拌速度、流量等でもよい。そして、決定部12は、例えば、各正常データx1、x2、・・・xmの1からnまでの各次元のデータを、平均が0、分散が1となるように変換してもよい。
In step S101, the
以下で、正常データ情報111に記憶されている各正常データのうち、異常を検出するための学習データとして用いられる各正常データのことを、「学習用データ」と称する。続いて、決定部12は、正常データ情報111に記憶されている各正常データx1、x2、・・・xmを、学習用データとして設定する(ステップS102)。
Hereinafter, among the normal data stored in the
続いて、生成部13は、設定されている学習用データに基づいて、正常モデルを生成する(ステップS103)。ここで、生成部13は、後述する式(8)のD、及び式(10)のCを算出し、正常モデルとする。正常モデルC、Dは、後述するように、カーネル行列Kの固有ベクトル、及び固有値から算出される。
Subsequently, the
続いて、異常判定部14は、評価用データ情報112に記憶されている評価用データを用いて、設定されている学習用データ、及び正常モデルの検証を行う(ステップS104)。
Subsequently, the
ここで、異常判定部14は、まず、例えば、以下に示すように、上述した非特許文献1、2等に記載されているようなカーネル主成分分析(KPCA)法を用いて異常検出を行ってもよい。なお、KPCA法とは、正常状態で測定されたデータの集合及びカーネル関数に基づいて、ある時点での測定データについて、正常状態からの乖離度を示すT2統計量及びQ統計量(二乗予測誤差(Squared Prediction Error; SPE))等を算出し、当該測定データの異常を判定する。この場合、異常判定部14は、カーネル関数kとして、限定ではなく一例として、ガウシアン関数を用いてもよい。この場合のカーネル関数kの例を以下の式(1)に示す。ここで、cはカーネル関数のパラメータである。
Here, the
続いて、決定部12は、異常検出の結果に基づいて、学習用データの数を削減するか否かを判定する(ステップS105)。ここで、決定部12は、例えば、今回の異常検出の精度が所定の閾値以上でなくなった場合に、削減しないと判定してもよい。この場合、決定部12は、例えば、学習用データの数が所定数であった場合の各評価用データに対する異常検出結果と、今回の学習用データでの当該各評価用データに対する異常検出結果とが相違した割合を、異常検出の精度として用いてもよい。
Subsequently, the determining
または、決定部12は、ステップS104の各評価用データに対する異常検出の各計算時間(所要時間)の全てが、所定の閾値(例えば、1分)以下である場合に、削減しないと判定してもよい。これにより、例えば、後述する異常検出処理を所定時間間隔で行う場合等のために、異常検出の精度をできるだけ維持しながら、異常検出の計算時間が所定の閾値以下となる学習用データを決定することができる。
Alternatively, when all calculation times (required times) of abnormality detection for each evaluation data in step S104 are equal to or shorter than a predetermined threshold value (for example, 1 minute), the
削減すると判定した場合(ステップS105でYES)、決定部12は、学習用データの類似度に基づいて、所定数の正常データを除去することにより、学習用データの数を削減し(ステップS106)、ステップS102の処理に進む。なお、ステップS102の処理で、削減された後の学習用データの数をmとする。ここで、決定部12は、例えば、学習用データの総数の所定の割合(例えば、5%)の数の正常データを除去してもよい。これにより、学習用データの数が削減される。なお、この処理については後述する。
If it is determined to be reduced (YES in step S105), the
一方、削減しないと判定した場合(ステップS105でNO)、決定部12は、学習用データ、及び正常モデルを決定し(ステップS107)、処理を終了する。ここで、決定部12は、正常モデル、及び学習用データを、正常モデル情報113、及び学習用データ情報114にそれぞれ記憶させる。なお、決定部12は、ステップS105の処理で、今回の異常検出の精度が所定の閾値以上でなくなった場合、ステップS107の処理において異常検出の精度が所定の閾値以上であった前回の学習用データ及び正常モデルに決定してもよい。これにより、異常検出の精度が所定の閾値以上であり、異常検出の計算時間を低減できる学習用データを決定することができる。
On the other hand, when it is determined not to reduce (NO in step S105), the
(学習用データの削減処理の一例(その1))
次に、図6、図7を参照し、図5のステップS106の、学習用データの数を削減する処理の一例について説明する。図6は、実施形態に係る学習用データの数を削減する処理の一例(その1)を示すフローチャートである。図7は、各領域に基づいて正常データを除去する処理の一例について説明する図である。
(Example of learning data reduction process (part 1))
Next, an example of the process of reducing the number of learning data in step S106 of FIG. 5 will be described with reference to FIGS. FIG. 6 is a flowchart illustrating an example (part 1) of a process for reducing the number of learning data according to the embodiment. FIG. 7 is a diagram illustrating an example of a process of removing normal data based on each area.
ステップS1001において、決定部12は、学習用データを、各領域(範囲)に分類する。ここで、各正常データはn次元のベクトルのデータであるため、決定部12は、例えば、n次元空間を均等な大きさのn次元領域毎に分類し、ステップS102の処理で正規化された各正常データが含まれる当該n次元領域を判定してもよい。
In step S1001, the
または、決定部12は、n次元の中から所定数の次元を任意に選択し、ステップS102の処理で正規化された各正常データが含まれる1次元での領域を判定してもよい。例えば、決定部12は、ある時点における温度、湿度、圧力、撹拌速度、流量等のn種類のデータのうち、温度のデータに基づいて領域を判定してもよい。
Alternatively, the
続いて、決定部12は、各領域に基づいて、学習用データから、所定数の正常データを除去する(ステップS1002)。これにより、他の正常データとの類似度が高い正常データが除去される。これは、同一の領域に分類される各正常データは、類似していると考えられるためである。ここで、決定部12は、各領域から所定の割合の正常データを除去してもよい。
Subsequently, the determining
または、決定部12は、正常データの数が最も多い領域から、一の正常データを除去する処理を繰り返してもよい。この場合、決定部12は、正常データの数が最も多い領域が複数ある場合は、正常データの数が最も多い任意の一の領域から、正常データを除去してもよい。図7の例では、正規化された各正常データが含まれる1次元での9つの各領域701から709に含まれる正常データの数の例が示されている。決定部12は、図7の例では、最も多くの正常データが含まれる領域705から、複数の正常データ710を除去している。これにより、各領域に含まれる正常データの数の差がより均等化されるため、一の正常データに類似する他の正常データの数がより均等化される。
Alternatively, the
(学習用データの削減処理の一例(その2))
次に、図8を参照し、図5のステップS104の、学習用データの数を削減する処理の一例について説明する。図8は、実施形態に係る学習用データの数を削減する処理の一例(その2)を示すフローチャートである。
(Example of learning data reduction processing (part 2))
Next, an example of the process of reducing the number of learning data in step S104 of FIG. 5 will be described with reference to FIG. FIG. 8 is a flowchart illustrating an example (part 2) of a process for reducing the number of learning data according to the embodiment.
ステップS2001において、決定部12は、学習用データ間の距離をそれぞれ算出する。ここで、n次元のベクトルのデータである一の正常データと、他の各正常データとのユークリッド距離を、学習用データとして用いられる各正常データについて算出する。
In step S2001, the
続いて、決定部12は、各距離に基づいて、学習用データから、所定数の正常データを除去する(ステップS1002)。これにより、類似する正常データが除去される。ここで、例えば、2つの正常データ間の距離が短い順に、当該2つの正常データの一方を除去する処理を繰り返してもよい。これは、2つの正常データ間の距離が短い2つの正常データは、類似していると考えられるためである。
Subsequently, the determining
(学習用データの削減処理の一例(その3))
次に、図9を参照し、図5のステップS104の、学習用データの数を削減する処理の一例について説明する。図9は、実施形態に係る学習用データの数を削減する処理の一例(その3)を示すフローチャートである。図10は、各領域及び各距離に基づいて正常データを除去する処理の一例について説明する図である。
(Example of learning data reduction process (part 3))
Next, an example of the process of reducing the number of learning data in step S104 of FIG. 5 will be described with reference to FIG. FIG. 9 is a flowchart illustrating an example (part 3) of a process for reducing the number of learning data according to the embodiment. FIG. 10 is a diagram illustrating an example of a process of removing normal data based on each area and each distance.
ステップS3001において、決定部12は、学習用データを、各領域に分類する。この処理は、図6のステップS1001の処理と同様でもよい。
In step S3001, the
続いて、決定部12は、分類された各領域において、学習用データ間の距離をそれぞれ算出する(ステップS3002)。ここで、決定部12は、分類された各領域に対して、一の領域に含まれる各正常データと、当該一の領域に含まれる他の各正常データとのユークリッド距離をそれぞれ算出する。
Next, the determining
続いて、決定部12は、各領域及び各距離に基づいて、学習用データから、所定数の正常データを除去する(ステップS3003)。これにより、類似する正常データが除去される。
Subsequently, the determining
ここで、決定部12は、各領域から所定の割合の正常データが除去されるまで、各領域に含まれる2つの正常データ間の距離が短い順に、当該2つの正常データの一方を除去する処理を繰り返してもよい。
Here, the determining
または、決定部12は、正常データの数が最も多い領域から、当該領域に含まれる2つの正常データ間の距離が短い順に、正常データを除去する処理を繰り返してもよい。図10の例では、正規化された各正常データが含まれる2次元での9つの各領域1001から1009に含まれる正常データの数の例が示されている。決定部12は、図10の例では、最も多くの正常データが含まれる領域1004から、2つの正常データ間の距離dが最も短い正常データ1010及び正常データ1011のうちの一方を除去してもよい。そして、決定部12は、所定の数の正常データが除去されるまで、同様の処理を繰り返してもよい。
Alternatively, the
≪異常検出処理≫
次に、図11を参照し、監視装置20の異常検出処理について説明する。図11は、実施形態に係る支援装置10の異常検出処理の一例を示すフローチャートである。以下の処理は、例えば、機器40が運転されている間(オンライン時)に、所定の周期(例えば、1分毎)で実行されてもよい。なお、正常モデル情報211、及び学習用データ情報212には、支援装置10の正常モデル情報113、及び学習用データ情報114にそれぞれ記憶されている正常モデル、及び学習用データが記憶されているものとする。
≪Error detection processing≫
Next, an abnormality detection process of the
ステップS201において、取得部22は、異常検出の対象とする測定データを測定装置30から取得する。
In step S201, the
続いて、異常判定部23は、学習用データ情報212に記憶されている学習用データを用いて、異常判定の対象とする測定データに対する異常判定を行う(ステップS202)。ここで、異常判定部23は、図5のステップS104の処理と同様の処理により、異常であるか否かの判定を行ってもよい。この場合、ステップS201の処理で取得した測定データを、上述した式(5)、(9)、(11)のxとして用いればよい。
Subsequently, the
ここで、式(5)の計算には、学習用データ情報212に記憶されている学習用データの数だけ式(1)の計算が必要となる。本実施形態では、上述した図5の学習用データ決定処理により、学習用データの数を削減するため、機器40の異常を検出する際のステップS202の処理に必要な計算時間を短縮することができる。
Here, the calculation of the expression (5) requires the calculation of the expression (1) by the number of learning data stored in the learning
続いて、異常判定部23は、異常を検出したか否かを判定する(ステップS203)。異常を検出していない場合(ステップS203でNO)、処理を終了する。
Subsequently, the
異常を検出した場合(ステップS203でYES)、報知部24は、所定の警告(アラーム)を出力し(ステップS204)、処理を終了する。ここで、報知部24は、例えば、監視装置20の画面に警告のメッセージを表示させてもよい。また、報知部24は、所定のメールアドレス等に、警告のメッセージのメールを送信してもよい。
If an abnormality is detected (YES in step S203), the
<変形例>
支援装置10は、例えば1以上のコンピュータにより構成されるクラウドコンピューティングにより実現されてもよい。また、支援装置10と監視装置20は、一体の装置として構成されてもよい。この場合、支援装置10は、実運用中の最新の正常データを用いて、正常モデル、及び学習用データを更新してもよい。また、監視装置20と測定装置30は、一体の装置として構成してもよい。
<Modification>
The
支援装置10、及び監視装置20の各部の機能のうちの少なくとも一部を、専用のハードウェア回路(例えば半導体集積回路等)で実現してもよい。例えば、FPGA(Field Programmable Gate Array)や、ASIC(Application Specific Integrated Circuit)等の半導体集積回路を用いて実現してもよい。
At least a part of the function of each part of the
<実施形態のまとめ>
上述した実施形態では、監視対象の正常データ間の類似度に基づいて、当該監視対象の異常検出を行うための正常データを決定する。これにより、異常検出の精度の低下を低減しながら、異常検出の計算時間を短縮することができる。
<Summary of Embodiment>
In the embodiment described above, the normal data for detecting the abnormality of the monitoring target is determined based on the similarity between the normal data of the monitoring target. As a result, the calculation time for abnormality detection can be reduced while reducing the accuracy of abnormality detection.
以上、本発明の実施例について詳述したが、本発明は斯かる特定の実施形態に限定されるものではなく、特許請求の範囲に記載された本発明の要旨の範囲内において、種々の変形・変更が可能である。 As mentioned above, although the Example of this invention was described in full detail, this invention is not limited to such a specific embodiment, A various deformation | transformation is carried out within the range of the gist of this invention described in the claim.・ Change is possible.
10 支援装置
11 記憶部
111 正常データ情報
112 評価用データ情報
113 正常モデル情報
114 学習用データ情報
12 決定部
13 生成部
14 異常判定部
20 監視装置
21 記憶部
211 正常モデル情報
212 学習用データ情報
22 取得部
23 異常判定部
24 報知部
30 測定装置
40 機器
REFERENCE SIGNS
Claims (9)
前記複数の正常データ間の類似度に基づいて、異常検出に用いられる学習用データを決定する決定部と、
前記決定部により決定された学習用データを用いて、異常検出に用いられる正常モデルを生成する生成部と、
前記決定部により決定された学習用データ、及び前記生成部により生成された正常モデルに基づいて、前記評価用データに対する異常検出を行う異常判定部と、を有する情報処理装置。 A plurality of normal data measured when the monitoring target is normal, and a storage unit that stores evaluation data measured when the monitoring target is normal or abnormal,
Based on the similarity between the plurality of normal data, a determination unit that determines learning data used for abnormality detection,
Using the learning data determined by the determination unit, a generation unit that generates a normal model used for abnormality detection,
An information processing apparatus, comprising: an abnormality determination unit that performs abnormality detection on the evaluation data based on the learning data determined by the determination unit and the normal model generated by the generation unit.
請求項1に記載の情報処理装置。 The abnormality determination unit calculates at least one of the accuracy of abnormality detection for the evaluation data and the time required for abnormality detection using a kernel principal component analysis method.
The information processing device according to claim 1.
請求項1または2に記載の情報処理装置。 The determining unit determines learning data such that the accuracy of the abnormality detection by the abnormality determination unit is equal to or greater than a predetermined threshold.
The information processing apparatus according to claim 1.
請求項1から3のいずれか一項に記載の情報処理装置。 The determining unit determines learning data such that the time required for abnormality detection by the abnormality determination unit is equal to or less than a predetermined threshold.
The information processing device according to claim 1.
請求項1から4のいずれか一項に記載の情報処理装置。 The determining unit determines a degree of similarity between the plurality of normal data in accordance with at least one type of state quantity region included in each of the plurality of normal data.
The information processing apparatus according to claim 1.
請求項1から5のいずれか一項に記載の情報処理装置。 The determining unit determines a similarity between the plurality of normal data according to a distance between one or more types of state quantities included in the plurality of normal data.
The information processing apparatus according to claim 1.
前記異常判定部は、前記取得部により取得された測定データ、前記決定部により決定された学習用データ、及び前記生成部により生成された正常モデルに基づいて、カーネル主成分分析法を用いて、前記装置または前記製品の異常を検出する、
請求項1から6のいずれか一項に記載の情報処理装置。 Having an acquisition unit for acquiring measurement data of the device or product from the measurement device,
The abnormality determination unit is based on the measurement data acquired by the acquisition unit, the learning data determined by the determination unit, and the normal model generated by the generation unit, using a kernel principal component analysis method. Detecting an abnormality of the device or the product;
The information processing apparatus according to claim 1.
測定装置から装置または製品の測定データを取得する取得部と、
前記取得部により取得された測定データ、前記学習用データ、及び前記正常モデルに基づいて、カーネル主成分分析法を用いて、前記装置または前記製品の異常を検出する異常判定部と、を有する監視装置。 A storage unit configured to store learning data and a normal model acquired from the information processing apparatus according to claim 1,
An acquisition unit that acquires measurement data of the device or the product from the measurement device,
An abnormality determining unit that detects an abnormality of the device or the product by using a kernel principal component analysis method based on the measurement data acquired by the acquisition unit, the learning data, and the normal model. apparatus.
監視対象が正常である際に測定された複数の正常データ、及び前記監視対象が正常または異常である際に測定された評価用データを記憶する処理と、
前記複数の正常データ間の類似度に基づいて、異常検出に用いられる学習用データを決定する処理と、
前記決定する処理により決定された学習用データを用いて、異常検出に用いられる正常モデルを生成する処理と、
前記決定する処理により決定された学習用データ、及び前記生成する処理により生成された正常モデルに基づいて、前記評価用データに対する異常検出を行う処理と、を実行する情報処理方法。 The information processing device is
A plurality of normal data measured when the monitoring target is normal, and a process of storing evaluation data measured when the monitoring target is normal or abnormal,
Based on the similarity between the plurality of normal data, a process of determining learning data used for abnormality detection,
Using the learning data determined by the determining process, a process of generating a normal model used for abnormality detection,
An information processing method for performing an abnormality detection process on the evaluation data based on the learning data determined by the determining process and the normal model generated by the generating process.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018150448A JP2020027342A (en) | 2018-08-09 | 2018-08-09 | Information processing apparatus, monitoring device and information processing method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018150448A JP2020027342A (en) | 2018-08-09 | 2018-08-09 | Information processing apparatus, monitoring device and information processing method |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2020027342A true JP2020027342A (en) | 2020-02-20 |
Family
ID=69620057
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018150448A Withdrawn JP2020027342A (en) | 2018-08-09 | 2018-08-09 | Information processing apparatus, monitoring device and information processing method |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2020027342A (en) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111914889A (en) * | 2020-06-13 | 2020-11-10 | 宁波大学 | Rectifying tower abnormal state identification method based on brief kernel principal component analysis |
CN113688895A (en) * | 2021-08-19 | 2021-11-23 | 广东工业大学 | Method and system for detecting abnormal firing zone of ceramic roller kiln based on simplified KECA |
JP2022510858A (en) * | 2018-11-29 | 2022-01-28 | ウララ ラボ インコーポレイテッド | Algorithms and methods for detecting machine error data based on machine learning methods |
JP7258244B1 (en) * | 2022-03-31 | 2023-04-14 | 三菱電機株式会社 | MONITORING SUPPORT SYSTEM, MONITORING SUPPORT DEVICE, AND MONITORING SUPPORT METHOD |
WO2023120473A1 (en) * | 2021-12-22 | 2023-06-29 | Jfeスチール株式会社 | Normal vector registration device, equipment-abnormality-monitoring system, and equipment-abnormality-monitoring method |
TWI830341B (en) * | 2022-03-31 | 2024-01-21 | 日商三菱電機股份有限公司 | Monitoring support system, monitoring support device, and monitoring support method |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011070635A (en) * | 2009-08-28 | 2011-04-07 | Hitachi Ltd | Method and device for monitoring state of facility |
JP2013143009A (en) * | 2012-01-11 | 2013-07-22 | Hitachi Ltd | Equipment state monitoring method and device using the same |
WO2018016098A1 (en) * | 2016-07-20 | 2018-01-25 | 三菱電機株式会社 | Facility monitoring device and facility monitoring method |
JP2018027577A (en) * | 2016-08-15 | 2018-02-22 | 富士通株式会社 | Determination device, determination method and determination program |
JP2018124937A (en) * | 2017-02-03 | 2018-08-09 | 株式会社東芝 | Abnormality detection device, abnormality detection method, and program |
-
2018
- 2018-08-09 JP JP2018150448A patent/JP2020027342A/en not_active Withdrawn
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011070635A (en) * | 2009-08-28 | 2011-04-07 | Hitachi Ltd | Method and device for monitoring state of facility |
JP2013143009A (en) * | 2012-01-11 | 2013-07-22 | Hitachi Ltd | Equipment state monitoring method and device using the same |
WO2018016098A1 (en) * | 2016-07-20 | 2018-01-25 | 三菱電機株式会社 | Facility monitoring device and facility monitoring method |
JP2018027577A (en) * | 2016-08-15 | 2018-02-22 | 富士通株式会社 | Determination device, determination method and determination program |
JP2018124937A (en) * | 2017-02-03 | 2018-08-09 | 株式会社東芝 | Abnormality detection device, abnormality detection method, and program |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2022510858A (en) * | 2018-11-29 | 2022-01-28 | ウララ ラボ インコーポレイテッド | Algorithms and methods for detecting machine error data based on machine learning methods |
JP7169706B2 (en) | 2018-11-29 | 2022-11-11 | ウララ ラボ インコーポレイテッド | Algorithms and methods for detecting machine error data based on machine learning techniques |
CN111914889A (en) * | 2020-06-13 | 2020-11-10 | 宁波大学 | Rectifying tower abnormal state identification method based on brief kernel principal component analysis |
CN113688895A (en) * | 2021-08-19 | 2021-11-23 | 广东工业大学 | Method and system for detecting abnormal firing zone of ceramic roller kiln based on simplified KECA |
WO2023120473A1 (en) * | 2021-12-22 | 2023-06-29 | Jfeスチール株式会社 | Normal vector registration device, equipment-abnormality-monitoring system, and equipment-abnormality-monitoring method |
WO2023119486A1 (en) * | 2021-12-22 | 2023-06-29 | Jfeスチール株式会社 | Proper-vector registering device, equipment-abnormality monitoring system, and equipment abnormality monitoring method |
JP7343078B1 (en) * | 2021-12-22 | 2023-09-12 | Jfeスチール株式会社 | Normal vector registration device, equipment abnormality monitoring system, and equipment abnormality monitoring method |
JP7258244B1 (en) * | 2022-03-31 | 2023-04-14 | 三菱電機株式会社 | MONITORING SUPPORT SYSTEM, MONITORING SUPPORT DEVICE, AND MONITORING SUPPORT METHOD |
WO2023188227A1 (en) * | 2022-03-31 | 2023-10-05 | 三菱電機株式会社 | Monitoring assistance system, monitoring assistance device, and monitoring assistance method |
TWI830341B (en) * | 2022-03-31 | 2024-01-21 | 日商三菱電機股份有限公司 | Monitoring support system, monitoring support device, and monitoring support method |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2020027342A (en) | Information processing apparatus, monitoring device and information processing method | |
KR101907269B1 (en) | Time-series data processing method, recording medium having recorded thereon time-series data processing program, and time-series data processing device | |
EP3847586A1 (en) | Computer-implemented method, computer program product and system for anomaly detection and/or predictive maintenance | |
JP6733164B2 (en) | Process monitoring device, process monitoring method and program | |
WO2016079972A1 (en) | Factor analysis apparatus, factor analysis method and recording medium, and factor analysis system | |
US11788898B2 (en) | Abnormal temperature detection device, abnormal temperature detection method, and storage medium | |
EP3795975B1 (en) | Abnormality sensing apparatus, abnormality sensing method, and abnormality sensing program | |
EP3859472B1 (en) | Monitoring system and monitoring method | |
JP2018205994A (en) | Time series data analysis device, time series data analysis method, and computer program | |
JP2019096289A (en) | Abnormality detector, abnormality detection method, abnormality detection program, and abnormality detection system | |
TW201523311A (en) | K-nearest neighbor-based method and system to provide multi-variate analysis on tool process data | |
US11941495B2 (en) | Information processing device, information processing method, and recording medium | |
JPWO2016111240A1 (en) | Information processing system, change point detection method, and program | |
US10360249B2 (en) | System and method for creation and detection of process fingerprints for monitoring in a process plant | |
JP2017215959A (en) | Batch process monitoring device and batch process monitoring method | |
JP6129508B2 (en) | Anomaly detection pre-processing apparatus and method, program, and anomaly detection apparatus having the same | |
US10853538B2 (en) | Model generation system and model generation method | |
US10866163B2 (en) | Anomaly monitoring device and method for producing anomaly signs according to combinations of sensors based on relationship of sensor fluctuations | |
Gatta et al. | Capability of the Bayesian Forecasting Method to Predict Field Time Series | |
JP7230371B2 (en) | Abnormality detection device, abnormality detection method, abnormality detection program and abnormality detection system | |
JP7226542B2 (en) | TIME-SERIES DATA PROCESSING METHOD, TIME-SERIES DATA PROCESSING DEVICE, AND PROGRAM | |
JP6488168B2 (en) | Time-series data processing method, time-series data processing program, and time-series data processing apparatus | |
JP7467876B2 (en) | PERFORMANCE CHANGE DETECTION DEVICE, PERFORMANCE CHANGE DETECTION METHOD, AND PROGRAM | |
US11885720B2 (en) | Time series data processing method | |
EP4379618A1 (en) | Computer implemented method for determining a quality result for input data of a data model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210714 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220427 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220510 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220615 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220920 |
|
A761 | Written withdrawal of application |
Free format text: JAPANESE INTERMEDIATE CODE: A761 Effective date: 20221116 |