JP2020155068A - 状態変動検出装置及び状態変動検出用プログラム - Google Patents

Abstract

【課題】状態変動がないとき或いは状態変動が生じているのか不明であるデータのみから状態変動を的確に捕えるようにする。【解決手段】状態変動を検出すべき対象について収集したデータをテストデータとして機械学習により作成した第１の予測モデル３０及び第２の予測モデル４０へ投入して状態変動を検出する状態変動検出装置である。前記第１の予測モデル３０により得られた第１の予測情報に基づく教師データを用いた機械学習により前記第２の予測モデル４０を作成し、前記第１の予測モデル３０により得られた第１の予測情報と、前記第２の予測モデル４０により得られた第２の予測情報との双方を用いて状態変動検出を行う。【選択図】図２

Description

この発明は、状態変動検出装置及び状態変動検出用プログラムに関するものである。

例えば、機械の電流と電圧と振動とを測定して、異常等の状態変動を検出する場合に、一般的には、人による過去の経験等に基づき異常の判定を行う。即ち、状態変動の閾値は人が設定するものであり、異常データを持っていない機械が状態変動を行うことはほぼ不可能であった。

特許文献１には、異常事態を検知する対象物や事象の種類・数、それらの対象物や事象を監視する空間（場所、時間帯等）に依存しない汎用性の高い異常検知装置が開示されている。

具体的には、対象の事象において異常が発生したことを検知する装置である。この装置では、事象に依存して変化するデータである入力パターンの時系列を取得し、取得された入力パターンの時系列における遷移についての特徴を解析し、解析された前記遷移についての特徴と予め決定されている基準値とを比較し、それらが一定範囲内で近似しているのでなければ、前記事象において異常が発生したと判断する。このようにして、上記比較の結果、異常が発生したと判断された場合に、その旨の出力動作を行う出力手段とを備えるものである。

つまり、監視の対象となる人又は物の動き等の事象の変化に応じて変化するデータを入力パターンとする時系列を取得し、その時系列におけるパターンの遷移に着目し、遷移における特徴量を抽出し、正常なケースにおけるものと比較することで異常事態の発生を検知する。ここで、「事象」とは、機器センサ等からの信号、人からの報告（データ入力）等によってコンピュータ処理可能なデータとして表現し得る現象のことであり、また、宅内における「人の行動」にも適用可能である。

特許文献２には、高精度な予測を実現する予測モデルを用いて、しかも予測過程が理解できるようなデータ予測方法又はデータ予測システムが開示されている。

この特許文献２の発明は、過去の実績に基づいて将来を予測するデータ予測方法において、予測モデルは、予測対象日における少なくとも一つの特徴量について予測値を出力する第１の予測モデルと、この第１の予測モデルから出力される予測値を入力因子に含み、予測対象日の所定時間ごとの予測値を出力する第２の予測モデルと、から構成されるものである。

そして、収集された至近実績データおよび過去実績データを用いて予測モデルを構築する予測モデル構築手段、構築された予測モデルに予測用入力データを入力して予測を実行し、予測値を得る予測実行手段、収集された至近実績データと予測値とから予測誤差またはモデル誤差を計算する予測誤差計算手段、予測誤差またはモデル誤差に基づいて前記予測値を補正する補正係数又は補正量を算出し、補正予測値を得る予測値補正手段により実現される。

引用文献３には、下水処理場における雨水の流入量予測、流入水質予測、河川の水位予測、ダムの貯留量予測、水道、ガス、電力などの需要予測、自然現象や人工的な現象・事象のオンライン予測を行う際に用いられる予測モデルシステムが開示されている。この特許文献３には、予測モデルを用いる方法を大別すると、物理・化学法則に基づいた数式に基づく予測モデルを利用するホワイトボックス的アプローチと呼ばれる方法と、実際に入手可能なデータを用いて、これに統計的な処理や、（例えばニューラルネットワークなどの）学習、システム同定などを行うことにより実データから予測モデルを構築するブラックボックス的アプローチと呼ばれる方法に分けられる旨の記載がある。

この特許文献３の発明は、ブラックボックス的アプローチの典型的な方法である離散時間系のモデルを用いたシステム同定手法による予測において、ホワイトボックス的アプローチによる物理法則（保存則）を考慮して予測モデルを構築することができる予測モデルシステムを提供する。特許文献３の予測モデルシステムは複数のパラメータを含む予測モデルを含み予測対象を予測する予測モデル構造部、パラメータ値を保存するパラメータ値保存部、入力と出力の時系列データを保存する入出力データ保存手段を備える。定常な入力データと出力データとに基づいて、静的パラメータ同定手段において、パラメータに関する制約条件が決定される。この制約条件を満足するようなパラメータが入出力データ保存手段に保存された非定常な入力データと出力データとに基づいて、動的パラメータ同定手段において、決定され、パラメータ値保存部へ送られる。

特許文献４には、電力需要・水需要・熱需要・ガス需要・蒸気需要その他の需要量、各種負荷量、各種販売量、若しくは、各種経済指標などを予測対象とし、過去の実績または関連情報を用いて、将来を予測するデータ予測方法及びデータ予測システムが開示されている。

特許文献４では、従来技術における以下の課題を解決する。過去の類似パターンを用いる第１の方法では、予測対象日の状況に応じた補正が必要であり、精度の良い補正を行うことは困難であることである。予測対象時間ごとに予測モデルを作成する第２の方法を採用すると、予測対象時間ごとにモデルを作成する必要がありモデル化作業が多大に必要となり、更に、時系列的なデータの推移傾向をモデル化できないため、予測精度が悪いことである。予測対象をニューラルネットワーク予測モデルによって一括して予測する第３の方法では、通常は、予測モデルとしてニューラルネットワークが用いられるが、ニューラルネットワークはその内部がブラックボックスとなっているため内部の解析が難しく、予測結果についての予測理由の説明が難しいという問題点がある。

以上に鑑み、特許文献４の発明は、予測モデル構築のための多大な作業量、作業時間を削減することを目的とし、また、１日のデータの時系列的な推移を考慮した高精度な予測方法を提供することを目的とする。

特許文献４の発明は、過去の実績に基づいて将来を予測するデータ予測方法である。
用いる予測モデルは、予測対象日における少なくとも一つの特徴量について予測値を出力する第１の予測モデルと、この第１の予測モデルから出力される予測値を入力因子に含み、予測対象日の所定時間ごとの予測値を出力する第２の予測モデルとから構成される。特許文献４の発明は、収集された至近実績データおよび過去実績データを用いて予測モデルを構築する予測モデル構築手段、構築された予測モデルに予測用入力データを入力して予測を実行し、予測値を得る予測実行手段、収集された至近実績データと予測値とから予測誤差またはモデル誤差を計算する予測誤差計算手段、予測誤差またはモデル誤差に基づいて前記予測値を補正する補正係数又は補正量を算出し、補正予測値を得る予測値補正手段を具備することを特徴とする。

特許文献５には音声合成における合成目標の予測技術に関し、特に、音声合成中の合成目標の音響特徴量の予測モデルの作成方法が開示されている。特許文献５の本発明は、より効率的に音声合成の合成目標の音響特徴量の予測モデルが構築できる予測モデル作成方法を提供することを目的とする。

特許文献５の発明によれば、予測モデルの作成方法は、音声合成における所定の音声単位に関する音響特徴量の合成目標値の予測のための予測モデルの作成方法であって、予め定められた音韻・韻律情報と言語情報とが所定の音声単位ごとに付され、かつ所定の音響特徴量に関するラベルが付された、コンピュータ読取可能な学習データを準備するステップと、学習データを用いたＧｒａｄｉｅｎｔ Ｂｏｏｓｔｉｎｇアルゴリズムにより、所定の予測モデルの学習を行なうステップとを含むものである。

更に、特許文献６に記載の発明は、予測誤差評価装置及び予測誤差評価方法及び予測誤差評価プログラムに関するものである。特許文献６に記載の発明は、例えば、予測値と実測値との誤差が、観測対象となる現象の属性値の系列との関係で（例えば、時系列的に）どのように変化するかを考慮して、誤差を評価できるようにする。

特許文献６に記載の発明は、例えば、所定の現象の属性値ごとに前記現象を観測して得られると予測された予測値と、前記現象の属性値が変化する度に前記現象を観測して得られた実測値との誤差を示す誤差データを、前記現象の属性値と対応付けて予め記憶する記憶装置を具備する。特許文献６に記載の発明は統計処理部を有しており、前記記憶装置に記憶された属性値の系列にて、１つの部分系列と、当該部分系列の先頭と末尾との少なくともいずれかを所定の数ずつずらして得られる複数の部分系列とを処理対象系列とし、処理対象系列ごとに、処理対象系列に含まれる属性値に対応する誤差データを記憶装置から読み取り、読み取った誤差データに対して所定の統計処理を処理装置により実行する。また、前記統計処理部により実行された統計処理の結果を出力装置により出力する結果出力部を備える。

特開２００３−２５６９５７号公報 特開２０１５−１２７９１４号公報 特開２００４−６２４４０号公報 特開２００４−９４４３７号公報 特開２００６−８４９６７号公報 特開２０１１−９５９４６号公報

しかしながら上記のように、従来の予測モデルは予測の精度や信頼性の向上更には効率化等を狙ったものであり、状態変動がないとき或いは状態変動が生じているのか不明であるデータのみから状態変動を的確に捕えることが可能な状態変動検出装置は知られていなかった。

本発明は、上記のような状態変動検出装置の現状に鑑みてなされたもので、その目的は、状態変動がないときのデータのみから状態変動ありを、或いは、状態変動が生じているデータのみから状態変動なしを、検出可能とする状態変動検出装置及び状態変動検出用プログラムを提供することにある。

本実施形態に係る状態変動検出装置は、状態変動を検出すべき対象について収集したデータをテストデータとして機械学習により作成した第１の予測モデル及び第２の予測モデルへ投入して状態変動を検出する状態変動検出装置であり、前記第１の予測モデルにより得られた第１の予測情報に基づく教師データを用いた機械学習により前記第２の予測モデルを作成し、前記第１の予測モデルにより得られた第１の予測情報と、前記第２の予測モデルにより得られた第２の予測情報との双方を用いて状態変動検出を行うことを特徴とする。

本発明に係る状態変動検出装置を実現するコンピュータシステムの構成を示すブロック図。 本発明に係る状態変動検出装置の実施形態の機能ブロック図。 本発明に係る状態変動検出装置の第１の予測モデルを用いて実現するコンピュータシステムに備えられる状態変動検出用プログラムで実現される手段を示す図。 本発明に係る状態変動検出装置の第１の予測モデルを用いて実現される構成の動作を説明するためのフローチャート。 本発明に係る状態変動検出装置の第１の予測モデルを用いる構成に用いられる教師データと、それを第１の予測モデルへ適用して得られる予測データと、標準誤差の値を示す図。 本発明に係る状態変動検出装置において教師データを用いて第１の予測モデルを作成するまでの手順を示す図。 本発明に係る状態変動検出装置において教師データを第１の予測モデルへ投入して、標準誤差を得るまでの手順を示す図。 本発明に係る状態変動検出装置の第１の予測モデルを用いて実現される構成に用いられる３つの時刻の測定データと、それらを第１の予測モデルへ適用して得られる予測データと誤差の値を示す図。 本発明に係る状態変動検出装置の第１の予測モデルを用いて実現される構成に用いられる３つの時刻の測定データを第１の予測モデルへ投入して、誤差を得るまでの手順を示す図。 本発明に係る状態変動検出装置の第１の予測モデルを用いて実現される構成において、３つの時刻の測定データから得られた標準誤差に対する誤差の倍率を概念的に示した図。 本発明に係る状態変動検出装置の第１の予測モデルを用いて実現される構成において、標準誤差の分布と誤差の分布とを用いて解離度であるピークの差を得ることをグラフにより示した図。 本発明に係る状態変動検出装置の第１の予測モデルを用いて実現される構成において、測定回毎の誤差を標準化して得た値である解離度と偏差値に基づき状態変動を検出することを説明する図。 本発明に係る状態変動検出装置における第２の予測モデル用教師データを作成から予測値（割合）と誤差量の双方を用いた状態変動の有無判定動作を示すフローチャート。 本発明に係る状態変動検出装置における第２の予測モデル作成の手順を示す図。 本発明に係る状態変動検出装置における第２の予測モデルにより正常データから予測値を得る手順を示す図。 本発明に係る状態変動検出装置における第２の予測モデルにより異常データから予測値を得る手順を示す図。 本発明に係る状態変動検出装置における予測値（割合）と誤差量の双方を用いた状態変動の有無判定処理で用いられる閾値により別れる判定結果を示す図。

以下添付図面を参照して、本発明に係る状態変動検出装置及び状態変動検出用プログラムの実施形態を説明する。各図において同一の構成要素には同一の符号を付して重複する説明を省略する。本発明の実施形態に係る状態変動検出装置は、例えば図１に示されるようなパーソナルコンピュータやワークステーション、その他のコンピュータシステムにより構成することができる。このコンピュータシステムは、ＣＰＵ１０が主メモリ１１に記憶されている或いは主メモリ１１に読み込んだプログラムやデータに基づき各部を制御し、必要な処理を実行することにより状態変動検出装置として動作を行うものである。

ＣＰＵ１０には、バス１２を介して外部記憶インタフェース１３、入力インタフェース１４、表示インタフェース１５、データ入力インタフェース１６が接続されている。外部記憶インタフェース１３には、状態変動検出用プログラム等のプログラムと必要なデータ等が記憶されている外部記憶装置２３が接続されている。入力インタフェース１４には、コマンドやデータを入力するための入力装置としてのキーボードなどの入力装置２４とポインティングデバイスとしてのマウス２２が接続されている。

表示インタフェース１５には、ＬＥＤやＬＣＤなどの表示画面を有する表示装置２５が接続されている。データ入力インタフェース１６には、測定データを得るためのセンサ２６−１、２６−２、・・・、２６−ｍが接続されている。このコンピュータシステムには、他の構成が備えられていても良く、また、図１の構成は一例に過ぎない。

状態変動検出装置５０の実施形態は、例えば図２に示すように、第１の予測モデル３０と第２の予測モデル４０と、状態変動判定部５３により構成される。第１の予測モデル３０と第２の予測モデル４０に対しては、テストデータ収集部５４から状態変動を検出すべき対象について収集したデータをテストデータとして与えられる。テストデータ収集部５４は、図１の構成例では、センサ２６−１、２６−２、・・・、２６−ｍに相当するものである。センサ２６−１、２６−２、・・・、２６−ｍは、収集する対象が、温度、湿度、振動などのように異なるものとすることができ、また、設置される機械における部位や複数の機械のどれかに１または２以上設けられても良い。状態検出は、収集するデバイス、場所・位置が複数であるテストデータの群を用いて行われる。

第１の予測モデル３０は、投入されたテストデータに基づき第１の予測情報を生成するものであり、第２の予測モデル４０は、投入されたテストデータに基づき第２の予測情報を生成するものである。状態変動判定部５３は、上記第１の予測モデル３０により得られた第１の予測情報と、上記第２の予測モデル４０により得られた第２の予測情報との双方を用いて状態変動検出を行う。

状態変動判定部５３により得られた判定結果情報は、出力装置５５へ出力される。出力装置５５は、図１における表示装置２５とすることができ、この表示装置２５以外にプリンタ等を設けて、これも出力装置５５として機能させても良い。

第１の予測モデル３０は、第１の予測モデル作成手段３１によって作成され、第２の予測モデル４０は、第２の予測モデル作成手段４１によって作成される。第２の予測モデル４０は、上記第１の予測モデル３０により得られた第１の予測情報に基づく教師データを用いた機械学習により作成される。

次に、第１の予測モデル３０、第１の予測モデル作成手段３１、状態変動判定部５３によって行われる第２の予測モデル４０を作成するための教師データ（第２の予測モデル用教師データ）の生成を説明する。

図１に示されるＣＰＵ１０は、外部記憶装置２３内の状態変動検出用プログラムによって図２に記載の各手段等を実現する。即ち、予測モデル作成手段３１、予測モデル３０、教師予測データ取得手段３２、標準誤差取得手段３３、測定予測データ取得手段３４、誤差取得手段３５、状態変動検出手段３６が実現される。また、外部記憶装置２３内には、教師データが記憶されている。予測モデル作成手段３１は、教師データを用いて予測モデル３０を作成するものである。予測モデル３０は、機械学習により説明変数から目的変数を予測するものである。ここに、機械学習のアルゴリズムとしては、パターンマイニングのランダムフォレストを挙げることができるが、これ以外に、回帰分析や回帰木などのアリゴリズムを採用しても良い。

また、説明変数、目的変数予測モデルについては、ｙを目的変数、ｘiを説明変数、ｆを予測モデルとするとき、ｙ＝ｆ（ｘ１，ｘ２，・・・，ｘi，・・・,xn）により表わすことができる。教師予測データ取得手段３２は、定まった値の目的変数である教師目的変数と、定まった値の説明変数である教師説明変数とにより構成される教師データを用いて、上記教師説明変数を上記予測モデル３０へ入力して教師予測データを得るものである。標準誤差取得手段３３は、上記教師予測データと上記教師目的変数との差分である標準誤差を取得するものである。

測定予測データ取得手段３４は、測定した目的変数である測定目的変数と、測定した説明変数である測定説明変数とにより構成される測定データを用いて、上記測定説明変数を上記予測モデル３０へ入力して測定予測データを得るものである。測定データは、センサ２６−１、２６−２、・・・、２６−ｍにより得られたデータとすることができる。誤差取得手段３５は、上記測定予測データと上記測定目的変数との差分である誤差を取得するものである。

状態変動検出手段３６は、上記標準誤差と上記誤差との解離度を求め、この解離度に基づき状態変動を検出するものである。

以上のような手段等によって構成される状態変動検出装置は、図４に示すフローチャートによって処理動作を実行するので、このフローチャートを参照して動作説明を行う。最初に教師データを用いて予測モデル３０を作成する（ＳＴＥＰ１）。例えば、教師データは、図５により示すように、センサＡにより得られるべき目的変数のデータと、センサＢにより得られる１つ目の説明変数のデータと、センサＣにより得られる２つ目の説明変数のデータとにより構成される。データの取得回数（図５の縦方向のデータの数）は任意である。図６のように、図５に例示した如くの数値により構成される教師データＴを用いて予測モデル作成手段３１が予測モデル３０を作成する。

次に、図４のフローチャートと図７の動作シーケンス図に示すように、教師データＴを用いて予測モデル３０に説明変数（図５のセンサＢのデータとセンサＣのデータ）を入力し、予測データ（教師予測データＴＦ（図７では、教師データ予測結果））を得て、この予測データ（教師予測データＴＦ）と教師データＴの目的変数との差である誤差（標準誤差）を求める（ＳＴＥＰ２）。ここで、説明変数は、図５の教師データ中のセンサＢとセンサＣのデータである。図７に示すように、教師データＴの目的変数をＴＴとし、この目的変数ＴＴが例えば真円により表わされるとすれば、この目的変数ＴＴに対し、教師予測データＴＦは歪（いびつ）であるから、真円から飛び出たり引っ込んだりした部分が誤差となる。実際には、図５の「教師データの予測値・標準誤差」の欄に示すように、予測データ（教師予測データ）と誤差（標準誤差ＳＴＥＲ）は、数値として得られる。これらは、データの取得回数と同じだけ計算して得られるから、取得回数と同じ数量が得られるので、これらの平均を計算して求め、これを平均標準誤差（ＡＶＳＴＥＲ）として保持する。

次に、図４のフローチャートに示すように、センサＢ、Ｃによる測定データＭを用いて予測モデル３０に説明変数Ｍ１、Ｍ２を入力し、予測データ（測定予測データ）を得て、この予測データ（測定予測データ）と測定データＭの実測された目的変数との差である誤差を求める（ＳＴＥＰ３）。

ここでは、時刻を異ならせて、測定ｔ１、ｔ２、ｔ３を行って、測定ｔ１の説明変数ｔ１Ｍ１、ｔ１Ｍ２を得て、測定ｔ２の説明変数ｔ２Ｍ１、ｔ２Ｍ２を得て、測定ｔ３の説明変数ｔ３Ｍ１、ｔ３Ｍ２を得る（図８）。図９に示すように、これらを同じ予測モデル３０に入力して予測データ（測定予測データ）ｔ１Ｆ、ｔ２Ｆ、ｔ3Ｆを得る（図８では、右欄）。図９においては、予測モデル３０を３つ設けているように描いているが、予測モデル３０を１つ用いて順次予測を行っても良い。勿論、予測モデル３０を３つ設けても良い。図８、図９に示すように予測データ（測定予測データ）ｔ１Ｆ、ｔ２Ｆ、ｔ3Ｆと測定データＭの実測された目的変数ｔ１ＭＴ、ｔ２ＭＴ、ｔ3ＭＴとの差分を誤差（個別誤差）ｔ１ＥＲ、ｔ２ＥＲ、ｔ３ＥＲとして求める。誤差ｔ１ＥＲ、ｔ２ＥＲ、ｔ３ＥＲは、データの測定回数と同じだけ計算して得られるから、取得回数と同じ数量が得られるので、これらの平均値を求めて、これを測定ｔ１、ｔ２、ｔ３毎に平均誤差（ｔ１ＡＶＥＲ、ｔ２ＡＶＥＲ、ｔ３ＡＶＥＲ）として保持する。

次に、図４のＳＴＥＰ４に示すように、各測定データから求めた誤差量が、教師データから求めた基準誤差と比較して何倍であるかを計算する。この倍率が大きいほど状態変動が生じていると結論する。図１０には、比較主体として「測定ｔ１の誤差（平均）（ｔ１ＡＶＥＲ）」、「測定ｔ２の誤差（平均）（ｔ２ＡＶＥＲ）」、「測定ｔ３の誤差（平均）（ｔ３ＡＶＥＲ）」に示すような円の面積に相当する値があり、比較対象として「標準誤差（平均）（ＡＶＳＴＥＲ）」に示すような円の面積に相当する値があるとする。倍率が、１．２、２．３、３．８であるとすると、（測定ｔ１の誤差）＜（測定ｔ２の誤差）＜（測定ｔ３の誤差）が成り立つから、測定３が最も状態変動が起こっていると結論でき、その次に測定２において状態変動が起こっていると結論でき、測定１は最も状態変動が起こっている確率が低いと結論できる。

或いは、標準誤差や誤差について平均を求めるのではなく、標準誤差の値の分布グラフを作成し、誤差の値の分布グラフを作成し、これらの分布グラフを用いて状態変動を検出する。標準誤差の値の分布グラフが図１１（ａ）のようであり、測定ｔ１の誤差の値の分布グラフが図１１（ｂ）のようであり、測定ｔ２の誤差の値の分布グラフが図１１（ｃ）のようであり、測定ｔ３の誤差の値の分布グラフが図１１（ｄ）のようであるとする。

上記の場合においては、解離度として分布グラフのピークの差を採用する。標準誤差の値の分布グラフのピークと測定ｔ１の誤差の値の分布グラフのピークの差は、図１１（ｂ）に示すｄ１のようである。標準誤差の値の分布グラフのピークと測定ｔ２の誤差の値の分布グラフのピークの差は、図１１（ｃ）に示すｄ２のようである。標準誤差の値の分布グラフのピークと測定ｔ３の誤差の値の分布グラフのピークの差は、図１１（ｄ）に示すｄ３のようである。ピークの差は、ｄ_１＜ｄ_２＜ｄ_３であるから、状態変動の判定については、図１０を用いて説明した通りとなる。

また、図４のＳＴＥＰ４に示すように、上記で求めた倍率に対し、または、上記測定回数毎の誤差を標準化した値σに対して異常判定の閾値を設定し、異常を検知するようにしても良い。例えば、図１０の例において、閾値が「３．５」であれば、測定ｔ３において異常であると判定することができる。

上記偏差値σを用いる場合の例を図１２に示す。前述の誤差の分布が図１２のグラフに示すようであるとする。この誤差の平均値を求める（Ｓ１１）。この平均値を用いて、偏差値σを求める（Ｓ１２）。次に、上記で求めた偏差値σを用いて状態変化を検出する（Ｓ１３）。例えば、標準誤差も測定回毎に得られるから、これらの分布から標準誤差の偏差値σ_STが得られる。一方、測定ｔ１、ｔ２、ｔ３についても、偏差値σ_t1、σ_t2、σ_t3が得られる。偏差値σ_t1、σ_t2、σ_t3のうち、標準誤差の偏差値σ_STとの差または比或いは倍率が大きいほど状態変化である確率が高いものとする。偏差値σ_t1、σ_t2、σ_t3に対する閾値σ_SHを設定し、これを越えた場合に状態変化（異常）ありとすることができる。

なお、上記においては、２つの説明変数から１つの目的変数を得るものとしたが、１つ以上の説明変数から１つの目的変数を得る予測モデルについて適用可能である。また、状態変動は異常への変動に限定されず、過剰状態、不足状態、低い状態、高い状態など、各種の状態変動検出に適用可能である。

上記の実施形態では、センサＡ、Ｂ、Ｃによりデータの測定を行う場合において、目的変数をセンサＡにより得られるデータとし、説明変数をセンサＢ、Ｃにより得られるデータとする、センサＡ予測モデルを１つの予測モデルのみを構成するようにした。しかしながら、このように、３系統以上のデータの測定を行うシステムでは、複数の予測システムを構築することができる。

例えば、センサＡ、Ｂ、Ｃによりデータの測定を行う場合においては、目的変数をセンサＡにより測定されるデータとし、説明変数をセンサＢ、Ｃにより測定されるデータとする場合を、センサＡ予測モデルと称し、目的変数をセンサＢにより測定されるデータとし、説明変数をセンサＡ、Ｃにより測定されるデータとする場合を、センサＢ予測モデルと称し、目的変数をセンサＣにより測定されるデータとし、説明変数をセンサＡ、Ｂにより測定されるデータとする場合を、センサＣ予測モデルと称するとき、センサＡ予測モデル、センサＢ予測モデル、センサＣ予測モデルのように、３つの予測モデルを作成することができる。

仮にセンサＡ、Ｂ、Ｃのデータを測定した時系列の測定値が、ｔ１、ｔ２、ｔ３であるとする。ｔ１、ｔ２、ｔ３はいずれもセンサＡ、Ｂ、Ｃの３種のデータにより構成される。センサＡ予測モデルにおいては、センサＢ、Ｃの測定値ｔ１、ｔ２、ｔ３を入力し、センサＡ予測モデルの３種の平均誤差、Ａ＿ｔ１ＡＶＥＲ、Ａ＿ｔ２ＡＶＥＲ、Ａ＿ｔ３ＡＶＥＲを得ることができる。センサＢ予測モデルにおいては、センサＡ、Ｃの測定値ｔ１、ｔ２、ｔ３を入力し、センサＢ予測モデルの３種の平均誤差、Ｂ＿ｔ１ＡＶＥＲ、Ｂ＿ｔ２ＡＶＥＲ、Ｂ＿ｔ３ＡＶＥＲを得ることができる。センサＣ予測モデルにおいては、センサＡ、Ｂの測定値ｔ１、ｔ２、ｔ３を入力し、センサＣ予測モデルの３種の平均誤差、Ｃ＿ｔ１ＡＶＥＲ、Ｃ＿ｔ２ＡＶＥＲ、Ｃ＿ｔ３ＡＶＥＲを得ることができる。

教師データから求めた各モデルの基準誤差を、Ａ＿ＡＶＳＴＥＲ、Ｂ＿ＡＶＳＴＥＲ、Ｃ＿ＡＶＳＴＥＲとした場合には、基準誤差Ａ＿ＡＶＳＴＥＲを基準とした対Ａ＿ｔ１ＡＶＥＲ、Ａ＿ｔ２ＡＶＥＲ、Ａ＿ｔ３ＡＶＥＲのそれぞれ倍率や誤差の分布（偏差）を求めることができ、基準誤差Ｂ＿ＡＶＳＴＥＲを基準とした対Ｂ＿ｔ１ＡＶＥＲ、Ｂ＿ｔ２ＡＶＥＲ、Ｂ＿ｔ３ＡＶＥＲのそれぞれ倍率や誤差の分布（偏差）を求めることができ、基準誤差Ｃ＿ＡＶＳＴＥＲを基準とした対Ｃ＿ｔ１ＡＶＥＲ、Ｃ＿ｔ２ＡＶＥＲ、Ｃ＿ｔ３ＡＶＥＲのそれぞれ倍率や誤差の分布（偏差）も求めることができる。

上記で、偏差を求めた場合には、例えば、センサＡ予測モデルにおける測定値ｔ１の偏差値σＡ＿ｔ１、センサＢ予測モデルにおける測定値ｔ１の偏差値σＢ＿ｔ１、センサＣ予測モデルにおける測定値ｔ１の偏差値σＣ＿ｔ１の平均等を求めることによって、測定値ｔ１の新たな特徴量を生成することができ、これに対して閾値を設けることで異常を検知することも可能である。上記は、測定値ｔ１の例であるが、測定値ｔ２、ｔ３についても同様に扱うことが可能である。

以上のようにして測定データ（テストデータ）に基づき第１の予測モデル３０を用いて第１の予測情報を得て、この第１の予測情報から誤差量や偏差値が求められ、閾値と比較して状態変動（ここでは、異常）が生じているか判定される。これ以降には、図１３に示すフローチャートに記載の処理が行われる。即ち、第１の予測情報に基づく判定結果から測定データ（テストデータ）にラベル付を行い、教師データ（第２の予測モデル用教師データを作成する（Ｓ２１）。上記判定の結果、判定がなされた測定データ（テストデータ）については、「状態変動（ここでは、異常）が生じている」というラベルと「状態変動（ここでは、異常）が生じていない（正常）」というラベル付を行うことができる。このようにしてラベル付された測定データ（テストデータ）を第２の予測モデルを作成するための教師データ（第２の予測モデル用教師データ）とする。

上記のように、第１の予測情報に基づく教師データには、過去に用いられたテストデータとこのテストデータに対する状態変動検出結果である状態変動の有無を示すラベルデータとが含まれるようにすることができる。この第２の予測モデル用教師データには、測定データ（テストデータ）以外に第１の予測情報から求めた倍率や誤差量や偏差値を含んだものとしても良い。この第２の予測モデル用教師データは、システムの運用においてオペレータ等が判断して、明らかに状態変動が生じているまたは状態変動が生じていないとして、選択した測定データ（テストデータ）のみを対象とすることができる。このようにステップＳ２１において作成した第２の予測モデル用教師データを第２の予測モデル作成手段４１へ与えて、ディープラーニングやランダムフォレストなどの機械学習により第２の予測モデル４０を作成する（Ｓ２２）。

つまり、図１４に示されるように、正常と異常にラベル付されたデータを含む第２の予測モデル用教師データＴ−２から、第２の予測モデル作成手段４１がディープラーニングやランダムフォレストなどの機械学習を行うことにより第２の予測モデル４０が作成される。

次に、図１３のステップＳ２３に示されるようにテストデータを第２の予測モデル４０へ投入して、第２の予測値を得る（Ｓ２３）。図１５Ａに示すように、正常であるデータを概ね大きな円により示し、小さな黒円で示す異常データを除くデータから構成されるテストデータｔｅｓｔ１については、異常の予測値が０．５未満の値で得られる一方、図１５Ｂに示すように、小さな黒円で示す異常であるデータのみから構成されるテストデータｔｅｓｔ２については、異常の予測値が０．５以上の値で得られる。なお、本実施形態において予測値は、０から１までとする。

上記図１３のフローチャートの処理が行われる前に、同じテストデータは図９に示した処理により誤差量の予測値が得られているものとする。そこで、上記ステップＳ２３において得られた予測値（割合）についての閾値ＴＨ−Ａと比較し、誤差量についての閾値ＴＨ−Ｂと比較し（Ｓ２４）、共に閾値を超えた場合を状態変動あり（異常）と判定する（Ｓ２５）。

判定結果については、図１６に示すように、予測値（割合）のみが閾値ＴＨ−Ａを越えた場合と誤差量のみが閾値ＴＨ−Ｂを超えた場合を「準異常」とし、予測値（割合）が閾値ＴＨ−Ａを越えており且つ誤差量も閾値ＴＨ−Ｂを超えた場合を「異常」とし、予測値（割合）が閾値ＴＨ−Ａを下回っており且つ誤差量も閾値ＴＨ−Ｂを下回っている場合を「正常」とすることができる。

ここでは、第１の予測値を誤差量としたが、先に説明した誤差平均値や偏差値σを用いても良い。この実施形態に係る状態変動検出装置によれば、状態変動がないとき或いは状態変動が生じているのか不明であるデータのみから状態変動を的確に捕えることが可能となる。

１０ ＣＰＵ
１１ 主メモリ
１２ バス
１３ 外部記憶インタフェース
１４ 入力インタフェース
１５ 表示インタフェース
１６ データ入力インタフェース
２２ マウス
２３ 外部記憶装置
２４ 入力装置
２５ 表示装置
２６ センサ
３０ 予測モデル
３１ 予測モデル作成手段
３２ 教師予測データ取得手段
３３ 標準誤差取得手段
３４ 測定予測データ取得手段
３５ 誤差取得手段
３６ 状態変動検出手段
４０ 予測モデル
４１ 予測モデル作成手段
５０ 状態変動検出装置
５３ 状態変動判定部
５４ テストデータ収集部
５５ 出力装置

Claims (10)

1. 状態変動を検出すべき対象について収集したデータをテストデータとして機械学習により作成した第１の予測モデル及び第２の予測モデルへ投入して状態変動を検出する状態変動検出装置であり、
   前記第１の予測モデルにより得られた第１の予測情報に基づく教師データを用いた機械学習により前記第２の予測モデルを作成し、
   前記第１の予測モデルにより得られた第１の予測情報と、前記第２の予測モデルにより得られた第２の予測情報との双方を用いて状態変動検出を行うことを特徴とする状態変動検出装置。
2. 収集するデバイス、場所・位置が複数である前記テストデータの群を用いて状態変動検出を行うことを特徴とする請求項１に記載の状態変動検出装置。
3. 第１の予測情報として、前記第１の予測モデルにより得られた予測データと実測により得られた実測データとの誤差量を求め、
   前記第２の予測情報として、前記第２のモデルにより状態変動予測値を求め、
   前記誤差量と第１の閾値に基づく判定と、前記状態変動予測値と第２の閾値に基づく判定とを合わせた状態変動検出を行うことを特徴とする請求項１または２に記載の状態変動検出装置。
4. 前記第１の予測情報に基づく教師データには、過去に用いられたテストデータとこのテストデータに対する状態変動検出結果である状態変動の有無を示すラベルデータとが含まれることを特徴とする請求項１乃至３のいずれか１項に記載の状態変動検出装置。
5. 状態変動は異常状態であるか否かであることを特徴とする請求項１乃至４のいずれか１項に記載の状態変動検出装置。
6. 状態変動を検出すべき対象について収集したデータをテストデータとして機械学習により作成した第１の予測モデル及び第２の予測モデルとして機能するコンピュータへ投入して状態変動を検出する状態変動検出用プログラムであり、
   前記コンピュータを、
   前記第１の予測モデルにより得られた第１の予測情報に基づく教師データを用いた機械学習により前記第２の予測モデルを作成する手段、
   前記第１の予測モデルにより得られた第１の予測情報と、前記第２の予測モデルにより得られた第２の予測情報との双方を用いて状態変動検出を行う手段
   として機能させることを特徴とする状態変動検出用プログラム。
7. 収集するデバイス、場所・位置が複数である前記テストデータの群を用いて状態変動検出を行うことを特徴とする請求項６に記載の状態変動検出用プログラム。
8. 前記コンピュータを、第１の予測情報として、前記第１の予測モデルにより得られた予測データと実測により得られた実測データとの誤差量を求める手段、
   前記第２の予測情報として、前記第２のモデルにより状態変動予測値を求め、
   前記誤差量と第１の閾値に基づく判定と、前記状態変動予測値と第２の閾値に基づく判定とを合わせた状態変動検出を行う手段
   として機能させることを特徴とする請求項６または７に記載の状態変動検出用プログラム。
9. 前記第１の予測情報に基づく教師データには、過去に用いられたテストデータとこのテストデータに対する状態変動検出結果である状態変動の有無を示すラベルデータとが含まれることを特徴とする請求項６乃至８のいずれか１項に記載の状態変動検出用プログラム。
10. 状態変動は異常状態であるか否かであることを特徴とする請求項６乃至９のいずれか１項に記載の状態変動検出用プログラム。