JP2020027342A

JP2020027342A - Information processing apparatus, monitoring device and information processing method

Info

Publication number: JP2020027342A
Application number: JP2018150448A
Authority: JP
Inventors: 慎大原; Shinta Hara; 雄川村; Yu Kawamura
Original assignee: Fuji Electric Co Ltd
Current assignee: Fuji Electric Co Ltd
Priority date: 2018-08-09
Filing date: 2018-08-09
Publication date: 2020-02-20

Abstract

To shorten a calculation time for abnormality detection while reducing a decrease in precision of the abnormality detection.SOLUTION: An information processing apparatus includes a storage part which stores a plurality of normal data measured when an object to be monitored is normal and data for evaluation measured when the object to be monitored is normal or abnormal; a decision part which decides data for learning to be used for abnormality detection based upon similarities between the plurality of normal data; a generation part which uses the data for learning decided by the decision part to generate a normal model to be used for the abnormal detection; and an abnormality determination part which performs the abnormality detection on the data for evaluation based upon the data for learning decided by the decision part and the normal model generated by the generation part.SELECTED DRAWING: Figure 5

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ｘ_ｍ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Ｔ^２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).

Carlos F. Alcala and S. Joe Qin, "Reconstruction-based Contribution for Process Monitoring with Kernel Principal Component Analysis." 2010 American Control Conference Marriott Waterfront, Baltimore, MD, USA June 30-July 02, 2010 FrC21.6Carlos F. Alcala and S. Joe Qin, "Reconstruction-based Contribution for Process Monitoring with Kernel Principal Component Analysis." 2010 American Control Conference Marriott Waterfront, Baltimore, MD, USA June 30-July 02, 2010 FrC21.6 里山雄亮ら、"変数除去寄与による異常要因同定"、計測自動制御学会制御部門マルチシンポジウム（ＣＤ−ＲＯＭ）３巻、3E4‐3、２０１６年３月７日Yusuke Satoyama et al., "Identification of Abnormal Factors by Contribution of Variable Removal", 3rd Symposium on Control Division of the Society of Instrument and Control Engineers (CD-ROM), 3E4-3, March 7, 2016

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.

実施形態に係る監視システムの構成例を示す図である。FIG. 1 is a diagram illustrating a configuration example of a monitoring system according to an embodiment. 実施形態に係る支援装置、及び監視装置のハードウェア構成例を示す図である。FIG. 2 is a diagram illustrating an example of a hardware configuration of a support device and a monitoring device according to the embodiment. 実施形態に係る支援装置、及び監視装置の機能ブロック図である。It is a functional block diagram of a support device and a monitoring device according to the embodiment. 実施形態に係る正常データ情報の一例を示す図である。FIG. 4 is a diagram illustrating an example of normal data information according to the embodiment. 実施形態に係る支援装置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。9 is a flowchart illustrating an example of a learning data determination process of the support device according to the embodiment. 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。It is a flow chart which shows an example (the 1) of processing which reduces the number of pieces of learning data concerning an embodiment. 実施形態に係る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。FIG. 9 is a diagram illustrating an example of a process for removing normal data based on each area according to the embodiment. 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。It is a flowchart which shows an example (the 2) of the process which reduces the number of learning data which concerns on embodiment. 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。It is a flowchart which shows an example (the 3) of the process which reduces the number of learning data which concerns on embodiment. 実施形態に係る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。FIG. 7 is a diagram illustrating an example of a process for removing normal data based on each area and each distance according to the embodiment. 実施形態に係る監視装置の異常検出処理の一例を示すフローチャートである。5 is a flowchart illustrating an example of an abnormality detection process of the monitoring device according to the embodiment.

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 monitoring device 20, a measuring device 30, and a device 40. Note that the numbers of the support devices 10, the monitoring devices 20, the measurement devices 30, and the devices 40 are not limited to the example in FIG.

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 support device 10, the monitoring device 20, and the measuring device 30 are communicably connected by a communication line N such as a local area network (LAN), a wireless LAN, and the Internet.

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 support device 10 is an information processing device such as a server, a PC (Personal Computer), and a tablet terminal. The support device 10 determines learning data and a normal model (learned model) for performing abnormality determination of a product manufactured by the device 40 or a monitoring target such as the state of the device 40, and determines the determined normal model, and The learning data is output to the monitoring device 20.

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 monitoring device 20 determines the abnormality of the monitoring target based on the normal model acquired from the support device 10 and the learning data. When the monitoring device 20 determines an abnormality, the monitoring device 20 notifies the user of the abnormality by an alarm, a screen display, or the like. The monitoring device 20 performs, for example, monitoring of a manufacturing process, monitoring of the state of equipment, and the like.

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 measurement device 30 measures and measures, for example, data of one or more types of state quantities such as the temperature, humidity, and pressure of a product manufactured by the device 40, or the temperature, humidity, pressure, stirring speed, and flow rate of the device 40. It is a sensor that notifies the support device 10 and the monitoring device 20 of the data (measurement data) obtained.

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 device 40 is, for example, a manufacturing facility (manufacturing apparatus) in a plant or the like, or an industrial or consumer facility. The equipment 40 includes, for example, plant equipment such as chemical, petroleum, fiber, food, beverage, steel, non-ferrous, pulp, chemical, glass, cement, semiconductor, and fiber, and refrigeration / freezer and refrigeration / frozen showcases. It is.

＜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 support device 10 and the monitoring device 20 according to the embodiment. Hereinafter, the support device 10 will be described, but the hardware configuration of the monitoring device 20 may be the same as the hardware configuration of the support device 10.

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 support device 10 in FIG. 2 includes a drive device 100, an auxiliary storage device 102, a memory device 103, a CPU 104, an interface device 105, a display device 106, an input device 107, and the like, which are mutually connected by a bus B.

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 support device 10 is provided by the recording medium 101. When the recording medium 101 recording the monitoring program is set in the drive device 100, the monitoring program is installed from the recording medium 101 to the auxiliary storage device 102 via the drive device 100. However, the monitoring program need not always be installed from the recording medium 101, and may be downloaded from another computer via a network. The auxiliary storage device 102 stores the installed monitoring program and also stores necessary files and data.

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 memory device 103 reads out the program from the auxiliary storage device 102 and stores it when there is an instruction to start the program. The CPU 104 implements functions related to the support device 10 according to a program stored in the memory device 103. The interface device 105 is used as an interface for connecting to a network. The display device 106 displays a GUI (Graphical User Interface) based on a program. The input device 107 includes a keyboard and a mouse, or a touch panel and buttons, and is used to input various operation instructions.

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 recording medium 101 include a portable recording medium such as a CD-ROM, a DVD disk, or a USB memory. An example of the auxiliary storage device 102 is a hard disk drive (HDD) or a flash memory. Each of the recording medium 101 and the auxiliary storage device 102 corresponds to a computer-readable recording medium.

＜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 support device 10 and the monitoring device 20 according to the embodiment will be described with reference to FIGS. FIG. 3 is a functional block diagram of the support device 10 and the monitoring device 20 according to the embodiment. FIG. 4 is a diagram illustrating an example of the normal data information 111 according to the embodiment.

≪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。 ≪Support device 10≫
The support device 10 includes a determination unit 12, a generation unit 13, and an abnormality determination unit 14. These units are realized by a process in which one or more programs installed in the support device 10 are executed by the CPU 104 of the support device 10.

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 support device 10 has a storage unit 11. The storage unit 11 is realized using, for example, the auxiliary storage device 102 and the like.

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 normal data information 111, evaluation data information 112, normal model information 113, and learning data information 114.

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 normal data information 111 previously stores, for example, each measurement data (normal data) measured by the measuring device 30 at a plurality of times when the monitoring target of the device 40 or the like is normal. Note that whether or not the measurement data is normal can be determined by an administrator or the like.

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 normal data information 111 stores a measurement time, a temperature, a humidity, a pressure, a stirring speed, a flow rate, and the like in association with the measurement data ID. The measurement data ID is identification information of the measurement data. The measurement time is the time when the measurement data is measured by the measurement device 30. The temperature, the humidity, the pressure, the stirring speed, the flow rate, and the like are the temperatures of the device 40 measured by the measuring device 30 and the like.

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 evaluation data information 112, for example, each measurement data measured at a plurality of times by the measurement device 30 and information indicating whether each measurement data is normal or abnormal are stored in advance in association with each other. It is assumed that Whether each measurement data is normal or abnormal may be determined by an administrator or the like.

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 normal model information 113 and the learning data information 114 record the learning data determined by the determination unit 12 and the normal model generated by the generation unit 13, respectively.

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 unit 12 determines a set of data (learning data) to be used for abnormality determination among the normal data stored in the normal data information 111 based on the abnormality determination result by the abnormality determination unit 14.

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 generation unit 13 generates a model (normal model) to be used for abnormality determination based on the learning data determined by the determination unit 12.

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 abnormality determination unit 14 performs an abnormality determination on the evaluation data stored in the evaluation data information 112 based on the learning data determined by the determination unit 12 and the normal model generated by the generation unit 13.

≪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。 ≪Monitoring device 20≫
The monitoring device 20 includes an acquisition unit 22, an abnormality determination unit 23, and a notification unit 24. These units are realized by a process in which one or more programs installed in the monitoring device 20 cause the CPU of the monitoring device 20 to execute.

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 monitoring device 20 has a storage unit 21. The storage unit 21 is realized using, for example, an auxiliary storage device or the like.

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 storage unit 21 stores normal model information 211 and learning data information 212.

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 acquisition unit 22 acquires the normal model and the learning data stored in the normal model information 113 and the learning data information 114 of the support device 10, respectively, and stores them in the normal model information 211 and the learning data information 212. Let it.

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 acquisition unit 22 acquires measurement data such as the temperature of the device 40 measured by the measurement device 30.

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 abnormality determination unit 23 performs an abnormality determination on the measurement data of the device 40 and the like acquired by the acquisition unit 22 based on the normal model information 211, the learning data stored in the learning data information 212, and the normal model. Do.

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 unit 24 notifies (notifies) an abnormality to the screen of the monitoring device 20, a patrol lamp, a pre-registered e-mail address, or the like in accordance with an instruction from the abnormality determining unit 23.

＜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 support device 10 will be described with reference to FIG. FIG. 5 is a flowchart illustrating an example of the learning data determination process of the support device 10 according to the embodiment. The following processing may be executed, for example, at a predetermined cycle (for example, every three months) and while the device 40 is not operating (during suspension or offline).

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ｘ_１、ｘ_２、・・・ｘ_ｍ（ｍは任意の自然数）が予め記憶されている。各正常データｘ_１、ｘ_２、・・・ｘ_ｍ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ｘ_１、ｘ_２、・・・ｘ_ｍ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 acquisition unit 22 acquires a set of normal data (an example of a “first set”) from the normal data information 111, and normalizes each acquired normal data for each dimension. Here, as shown in FIG. 4, the normal data information 111 includes normal data x ₁ , x ₂ , which are data measured at a plurality of time points by the measuring device 30 during normal (normal) operation of the device 40. ··· x _m (m is an arbitrary natural number) are stored in advance. Each of the normal data x ₁ , x ₂ ,..., X _m is data of an n-dimensional vector. Note that each of the n-dimensional variables may be, for example, temperature, humidity, pressure, agitation speed, flow rate, and the like. Then, the determination unit 12 converts, for example, the data of each dimension from 1 to n of the normal data x ₁ , x ₂ ,... X _{m so} that the average is 0 and the variance is 1. Good.

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ｘ_１、ｘ_２、・・・ｘ_ｍ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 normal data information 111, each of the normal data used as learning data for detecting an abnormality is referred to as "learning data". Subsequently, the determination unit 12 sets the normal data x ₁ , x ₂ ,..., X _m stored in the normal data information 111 as learning data (step S102).

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 generation unit 13 generates a normal model based on the set learning data (Step S103). Here, the generation unit 13 calculates D in Expression (8) and C in Expression (10), which will be described later, and sets it as a normal model. The normal models C and D are calculated from the eigenvectors and eigenvalues of the kernel matrix K, as described later.

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 abnormality determining unit 14 verifies the set learning data and the normal model using the evaluation data stored in the evaluation data information 112 (Step S104).

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Ｔ^２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 abnormality determination unit 14 first performs abnormality detection using, for example, the kernel principal component analysis (KPCA) method described in Non-Patent Documents 1 and 2 described above, for example, as described below. You may. Note that the KPCA method, a set of data measured in the normal state and based on the kernel function, the measurement data at a certain point in time, T ² statistic indicating the degree of deviation from normal and Q statistic (squared prediction Error (Squared Prediction Error; SPE)) is calculated, and the abnormality of the measurement data is determined. In this case, the abnormality determination unit 14 may use a Gaussian function as the kernel function k, for example, without limitation. The following equation (1) shows an example of the kernel function k in this case. Here, c is a parameter of the kernel function.

そして、異常判定部１４は、カーネル行列Ｋを以下の式（２）のように定義する。ここで、ｍは学習用データの数である。

Then, the abnormality determination unit 14 defines the kernel matrix K as in the following equation (2). Here, m is the number of learning data.

そして、α、及びλをそれぞれカーネル行列Ｋの固有ベクトル、及び固有値とすると、以下の式（３）が得られる。

If α and λ are the eigenvectors and eigenvalues of the kernel matrix K, respectively, the following equation (3) is obtained.

そして、α_i ^oをλ_iの単位長さの固有ベクトルとすると、以下の式（４）が得られる。

If α _i ^o is an eigenvector having a unit length of λ _i , the following equation (4) is obtained.

そして、異常判定部１４は、評価対象のデータｘと各学習用データｘ_１、ｘ_２、・・・ｘ_ｍとのカーネル関数ｋの値を並べたベクトルであるｋ（ｘ）を以下の式（５）により算出する。そして、異常判定部１４は、Ｔ^２統計量を以下の式（６）から式（９）、Ｑ統計量（ＳＰＥ）を以下の式（６）、（７）、（１０）、（１１）により算出し、Ｔ^２統計量及びＱ統計量に基づいて、評価用データが異常であるか否かを判定してもよい。

Then, abnormality determination unit 14, the data x and the learning data x ₁ to be _evaluated, x _2, · · · is a vector obtained by arranging the value of the kernel function k of the x _m k (x) the following equation It is calculated by (5). Then, the abnormality determination section 14, ^{T 2} statistic formula of the following equation (6) (9), the following equation Q statistic (the SPE) (6), (7), (10), (11) calculated by, on the basis of the T ² statistic and Q statistic may determine whether the evaluation data is abnormal.

なお、式（６）で、Ｐはカーネル行列Ｋのｌ個の主要な固有ベクトルであり、式（７）で、Λはカーネル行列Ｋのｌ個の主要な固有値である。

In Equation (6), P is one of the main eigenvectors of the kernel matrix K, and in Equation (7), Λ is one of the main eigenvalues of the kernel matrix K.

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 unit 12 determines whether to reduce the number of learning data based on the result of the abnormality detection (Step S105). Here, the determination unit 12 may determine that the reduction is not to be performed, for example, when the accuracy of the current abnormality detection is no more than a predetermined threshold. In this case, for example, the determination unit 12 determines the abnormality detection result for each evaluation data when the number of learning data is a predetermined number, and the abnormality detection result for each evaluation data in the current learning data. May be used as the accuracy of abnormality detection.

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 determination unit 12 determines that reduction is not performed. Is also good. Thereby, for example, in a case where abnormality detection processing described later is performed at predetermined time intervals, learning data for which the calculation time of abnormality detection is equal to or less than a predetermined threshold is determined while maintaining the accuracy of abnormality detection as much as possible. be able to.

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 determination unit 12 reduces the number of learning data by removing a predetermined number of normal data based on the similarity of the learning data (step S106). Then, the process proceeds to step S102. It is assumed that the number of learning data after the reduction in the process of step S102 is m. Here, the determination unit 12 may remove, for example, a predetermined percentage (for example, 5%) of normal data of the total number of learning data. Thereby, the number of learning data is reduced. This processing will be described later.

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 determination unit 12 determines the learning data and the normal model (step S107), and ends the process. Here, the determining unit 12 stores the normal model and the learning data in the normal model information 113 and the learning data information 114, respectively. When the accuracy of the current abnormality detection is not equal to or greater than the predetermined threshold value in the process of step S105, the determination unit 12 determines whether the accuracy of the abnormality detection in the process of step S107 is equal to or higher than the predetermined threshold value. The data and normal model may be determined. This makes it possible to determine learning data in which the accuracy of the abnormality detection is equal to or higher than the predetermined threshold value and the calculation time for the abnormality detection can be reduced.

（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 determination unit 12 classifies the learning data into regions (ranges). Here, since each piece of normal data is data of an n-dimensional vector, the determination unit 12 classifies the n-dimensional space into n-dimensional regions having an equal size, for example, and is normalized in the process of step S102. The n-dimensional area including each normal data may be determined.

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 determination unit 12 may arbitrarily select a predetermined number of dimensions from n dimensions, and determine a one-dimensional area including each normal data normalized in the process of step S102. For example, the determination unit 12 may determine the area based on temperature data among n types of data such as temperature, humidity, pressure, stirring speed, and flow rate at a certain time.

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 unit 12 removes a predetermined number of normal data from the learning data based on each area (step S1002). As a result, normal data having a high degree of similarity to other normal data is removed. This is because the normal data classified into the same area are considered to be similar. Here, the determination unit 12 may remove a predetermined percentage of normal data from each area.

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 determination unit 12 may repeat the process of removing one piece of normal data from the area having the largest number of normal data. In this case, when there are a plurality of areas where the number of normal data is the largest, the determination unit 12 may remove the normal data from any one area where the number of the normal data is the largest. In the example of FIG. 7, an example of the number of normal data included in each of the nine one-dimensional regions 701 to 709 including the normalized normal data is shown. In the example of FIG. 7, the determining unit 12 removes a plurality of pieces of normal data 710 from the area 705 containing the most normal data. Thereby, the difference in the number of normal data included in each area is further equalized, and thus the number of other normal data similar to one normal data is further equalized.

（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 determination unit 12 calculates the distance between the learning data. Here, the Euclidean distance between one piece of normal data that is n-dimensional vector data and each other piece of normal data is calculated for each piece of normal data used as learning data.

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 unit 12 removes a predetermined number of normal data from the learning data based on each distance (step S1002). As a result, similar normal data is removed. Here, for example, the process of removing one of the two normal data may be repeated in ascending order of the distance between the two normal data. This is because two pieces of normal data having a short distance between the two pieces of normal data are considered to be similar.

（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 determination unit 12 classifies the learning data into each area. This process may be similar to the process of step S1001 in FIG.

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 unit 12 calculates the distance between the learning data in each of the classified areas (step S3002). Here, the determination unit 12 calculates, for each of the classified areas, the Euclidean distance between each piece of normal data included in one area and each piece of other normal data included in the one area.

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 unit 12 removes a predetermined number of normal data from the learning data based on each area and each distance (step S3003). As a result, similar normal data is removed.

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 unit 12 removes one of the two pieces of normal data in order of decreasing distance between the two pieces of normal data included in each area until a predetermined percentage of normal data is removed from each area. May be repeated.

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 determination unit 12 may repeat the process of removing the normal data from the area having the largest number of normal data in the order of decreasing distance between the two pieces of normal data included in the area. In the example of FIG. 10, an example of the number of normal data included in each of the nine regions 1001 to 1009 in two dimensions including each normalized normal data is shown. In the example of FIG. 10, the determining unit 12 removes one of the normal data 1010 and the normal data 1011 having the shortest distance d between the two normal data from the area 1004 including the most normal data. Good. Then, the determination unit 12 may repeat the same processing until a predetermined number of normal data is removed.

≪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 monitoring device 20 will be described with reference to FIG. FIG. 11 is a flowchart illustrating an example of an abnormality detection process of the support device 10 according to the embodiment. The following processing may be executed at a predetermined cycle (for example, every one minute) while the device 40 is operating (online). The normal model information 211 and the learning data information 212 store the normal model and the learning data stored in the normal model information 113 and the learning data information 114 of the support device 10, respectively. And

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 acquisition unit 22 acquires measurement data to be subjected to abnormality detection from the measurement device 30.

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 abnormality determination unit 23 performs an abnormality determination on the measurement data to be subjected to the abnormality determination using the learning data stored in the learning data information 212 (Step S202). Here, the abnormality determination unit 23 may determine whether there is an abnormality by the same processing as the processing of step S104 in FIG. In this case, the measurement data obtained in the process of step S201 may be used as x in the above-described equations (5), (9), and (11).

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 data information 212. In the present embodiment, in order to reduce the number of learning data by the learning data determination process of FIG. 5 described above, it is possible to shorten the calculation time required for the process of step S202 when detecting an abnormality of the device 40. it can.

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 abnormality determination unit 23 determines whether an abnormality has been detected (Step S203). If no abnormality is detected (NO in step S203), the process ends.

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 notification unit 24 outputs a predetermined warning (alarm) (step S204), and ends the process. Here, the notification unit 24 may display a warning message on the screen of the monitoring device 20, for example. Further, the notification unit 24 may transmit a warning message mail to a predetermined mail address or the like.

＜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 support device 10 may be realized by, for example, cloud computing including one or more computers. Further, the support device 10 and the monitoring device 20 may be configured as an integrated device. In this case, the support device 10 may update the normal model and the learning data using the latest normal data in actual operation. Further, the monitoring device 20 and the measuring device 30 may be configured as an integrated device.

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 support device 10 and the monitoring device 20 may be realized by a dedicated hardware circuit (for example, a semiconductor integrated circuit or the like). For example, it may be realized using a semiconductor integrated circuit such as an FPGA (Field Programmable Gate Array) or an ASIC (Application Specific Integrated Circuit).

＜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 LIST 10 support device 11 storage unit 111 normal data information 112 evaluation data information 113 normal model information 114 learning data information 12 determination unit 13 generation unit 14 abnormality determination unit 20 monitoring device 21 storage unit 211 normal model information 212 learning data information 22 Acquisition unit 23 Abnormality determination unit 24 Notification unit 30 Measurement device 40 Equipment

Claims

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.

前記異常判定部は、カーネル主成分分析法を用いて、前記評価用データに対する異常検出の精度、及び異常検出の所要時間の少なくとも一つを算出する、
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.

前記決定部は、前記異常判定部による異常検出の精度が所定の閾値以上となるように学習用データを決定する、
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.

前記決定部は、前記異常判定部による異常検出の所要時間が所定の閾値以下となるように学習用データを決定する、
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.

前記決定部は、前記複数の正常データにそれぞれ含まれる１以上の種類の状態量の領域に応じて、前記複数の正常データ間の類似度を判定する、
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.

前記決定部は、前記複数の正常データにそれぞれ含まれる１以上の種類の状態量間の距離に応じて、前記複数の正常データ間の類似度を判定する、
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.

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を有し、
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.

請求項１から６のいずれか一項に記載の情報処理装置から取得された学習用データ及び正常モデルを記憶する記憶部と、
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.

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.