JP2021022311A

JP2021022311A - 異常検知装置、異常検知システムおよびプログラム

Info

Publication number: JP2021022311A
Application number: JP2019140069A
Authority: JP
Inventors: 鷹見　淳一; Junichi Takami; 淳一鷹見; 智萩原; Satoshi Hagiwara
Original assignee: Ricoh Co Ltd
Current assignee: Ricoh Co Ltd
Priority date: 2019-07-30
Filing date: 2019-07-30
Publication date: 2021-02-18

Abstract

【課題】対象機の異常検知のための学習モデルの学習に用いるサンプルデータのラベリング作業を効率化することができ、高い異常検知精度を保ち、異常およびその予兆の早期発見を実現することができる異常検知装置、異常検知システムおよびプログラムを提供する。【解決手段】異常検知対象から検知された検知信号に対して周波数解析を行い、周波数特性を求める周波数解析処理部と、周波数特性に含まれる各フレームのサンプルデータをクラスタに分類するクラスタリング処理部と、多変量解析で特徴量を抽出する多変量解析処理部と、サンプルデータがどのクラスタに分類されたか可視化する特徴量表示部と、表示されたサンプルデータのうち、選択されたサンプルデータに対応する情報を提示する提示部と、クラスタ毎にサンプルデータのラベルを設定するラベリング処理部と、ラベルが設定されたサンプルデータを用いて学習モデルを生成するモデル生成部と、を備える。【選択図】図４

Description

本発明は、異常検知装置、異常検知システムおよびプログラムに関する。

加工機等の工作機械または設備等（以下、機械等と称する場合がある）において、ポンプまたはコンプレッサ等の駆動装置の稼働状況をマイクロフォンまたは振動センサ等で監視し、自動的に異常を検知するシステムが広く検討されている。このような機械等をトラブルなく安定して稼働させるためには、日頃の点検により、故障の発生およびその予兆をできるだけ早期に発見し、適切な保全を行うことが重要である。機械等の動作不良は、それらが発生する音または振動の異常として現れることが多いため、点検は保全担当者の耳によって行われることが多い。しかし、常時、機械等を監視することは人的コストが高く、一定期間毎の定期点検では発見が遅れる可能性があり、さらに、異常の発見の判断も保全担当者の熟練度によってばらつきがあるため、適切なタイミングでの異常の発生およびその予兆を見逃す可能性がある等の課題が存在する。こうした課題を解決するために、近年では機械学習に基づいて異常検知を行う学習モデルを用いた自動検知システムが検討されている。

一般に、機械学習における学習モデルは、事前に収集した判定対象と同じ性質を有する大量のサンプルデータ（学習データ）を用いた「学習」と称するプロセスによって構築される。このような機械学習の学習モデルにはいくつかのタイプが存在するが、機械等の異常検知を目的とする場合、発生頻度が低い異常時のサンプルデータ（以下、単に異常サンプルデータと称する場合がある）を大量に収集することが困難である。したがって、正常時のサンプルデータのみを用いる外れ値検知器、または１クラス分類器と呼称される学習モデルが利用される場合が多い。

外れ値検知器は、事前に学習に用いた正常とされるサンプルデータ（以下、単に正常サンプルデータと称する場合がある）の分布からどの程度乖離しているかを示す乖離度を算出し、当該乖離度が一定の閾値未満であれば正常、閾値以上であれば異常と分類することで実現される。そのため、外れ値検知器の学習時に使用する正常サンプルデータの品質が、当該外れ値検知器の性能に大きな影響を与える。サンプルデータ数が不十分な場合、または、本来の正常データの母集団分布から大きく偏ったサンプルデータで学習した場合には、正常なサンプルデータの入力に対して異常と誤判定しやすくなる。一方、サンプルデータの一部に、本来異常とされるべきサンプルデータが混入されている場合、それに似たサンプルデータの入力に対して、正常と誤判定してしまう可能性が高くなる。したがって、高精度な判定（異常検知）を実現するためには、学習時に与えるサンプルデータを人が選別（ラベリング）する必要があり、このラベリング作業に膨大な手間、時間およびコストが生じることが大きな課題となる。

このような、外れ値検知器（１クラス分類器）を用いた異常検知システムとして、撮像データを対象とする外れ値検知器において、正常サンプルデータのみで学習した外れ値検知器に加えて、異常サンプルデータのみで学習した外れ値検知器を併用するシステムが開示されている（例えば特許文献１）。当該システムでは、正常サンプルデータの追加学習だけでは低減させることができない、異常サンプルデータを正常と誤判定してしまうという事象の発生を低減することができることが記載されている。

また、上述の異常検知システムとして、異常検知のために外れ値検知器（１クラスサポートベクタマシン）における、パターンの経年劣化に対応するための手段としての追加学習の有用性について開示されている（例えば特許文献２）。当該システムは、初期のサンプルデータで学習された外れ値検知器と、最新のサンプルデータで追加学習された外れ値検知器との併用によって、発生した異常が経年劣化によるものか否かの切り分けを行う仕組みを備えていることが開示されている。

一般に、外れ値検知器（１クラス分類器）による検知動作は、２クラス分類器による検知動作に比べて難易度が高く、高精度な判定が難しいことが知られている。２クラス分類器は、ＡとＢとのどちらにより近いかという相対的な判断が可能であるのに対し、外れ値検知器は、ＡであるかＡでないかという絶対的は判断が必要となるためである。それにもかかわらず、機器等を対象とする多くの異常検知システムで、外れ値検知器型のアプローチを採らざるを得ないのは、一般に、異常の発生確率は非常に低く、事前に大量の異常サンプルデータを取得することが難しいためである。したがって、特許文献１に記載されたシステムのように、異常サンプルデータのみで学習した外れ値検知器を用いるものとするアプローチは、非現実的である。さらに、仮に大量の異常サンプルデータを取得することができるようなシステム環境であっても、その場合は、正常および異常の２クラス分類器を用いて異常検知を行う方が、高い性能を期待できるため、あえて２種類の外れ値検知器を用いる必然性がない。そもそも、異常サンプルデータを正常と誤判定してしまう根本的な原因は、外れ値検知器の学習に用いた正常サンプルデータ（正常とみなしているサンプルデータ）の中に、実は異常であるサンプルデータに近いデータが混入してしまう点にある。この問題を解決するためには、外れ値検知器等の学習モデルの学習データとして入力されるサンプルデータに対して、本当に正常なサンプルデータなのか、実は異常なサンプルデータなのではないか等を判断し、適切なラベリングができる仕組みが必要である。当該判断は、最終的には人間が行うしかないが、大量の学習データ全体に亘って、人が目視、または聴取しながら逐一判断するのは非現実的であるため、その判断処理についての人の負荷を軽減するために技術の介入の余地があるはずであるが、特許文献１に記載された技術では当該問題を解決することができない。

また、特許文献２に記載されたシステムでは、追加学習時に用いるサンプルデータ（学習データ）の妥当性を担保する仕組みについて開示されておらず、上述と同様に、大量の学習データに対して妥当性を判断するに際して発生する人の負荷を軽減することができないという問題がある。

本発明は、上記に鑑みてなされたものであって、対象機の異常検知のための学習モデルの学習に用いるサンプルデータのラベリング作業を効率化することができ、高い異常検知精度を保ち、異常およびその予兆の早期発見を実現することができる異常検知装置、異常検知システムおよびプログラムを提供することを目的とする。

上述した課題を解決し、目的を達成するために、本発明は、異常検知対象から検知された検知信号に対して周波数解析を行い、周波数特性を求める周波数解析処理部と、前記周波数解析処理部により求められた前記周波数特性に含まれる各フレームをサンプルデータとして、該サンプルデータを１以上のクラスタに分類するクラスタリング処理部と、前記周波数解析処理部により求められた前記周波数特性に対して多変量解析を行い、特徴量を抽出する多変量解析処理部と、前記多変量解析処理部により抽出された前記特徴量に基づき、前記サンプルデータがどの前記クラスタに分類されたか判別可能なように可視化する特徴量表示部と、前記特徴量表示部により表示された前記サンプルデータのうち、入力部からの入力信号によって選択された前記サンプルデータに対応する情報を提示する提示部と、前記提示部により提示された情報に基づき、前記入力部からの入力信号に応じて、前記クラスタ毎に前記サンプルデータのラベルを設定するラベリング処理部と、前記ラベリング処理部によりラベルが設定された前記サンプルデータを用いた学習により学習モデルを生成するモデル生成部と、を備えたことを特徴とする。

本発明によれば、対象機の異常検知のための学習モデルの学習に用いるサンプルデータのラベリング作業を効率化することができ、高い異常検知精度を保ち、異常およびその予兆の早期発見を実現することができる。

図１は、実施形態に係る異常検知システムの全体構成の一例を示す図である。図２は、実施形態に係る異常検知装置のハードウェア構成の一例を示す図である。図３は、実施形態に係る工作機械のハードウェア構成の一例を示す図である。図４は、実施形態に係る異常検知装置の機能ブロック構成の一例を示す図である。図５は、実施形態に係る異常検知装置の周波数解析処理部の動作を説明する図である。図６は、実施形態に係る異常検知装置のクラスタリング処理部の動作を説明する図である。図７は、実施形態に係る異常検知装置の多変量解析処理部の動作を説明する図である。図８は、実施形態に係る異常検知装置の特徴量表示部の動作を説明する図である。図９は、実施形態に係る異常検知装置の基本情報表示部の動作を説明する図である。図１０は、実施形態に係る異常検知装置の再生部の動作を説明する図である。図１１は、実施形態に係る異常検知装置のラベリング処理部の動作を説明する図である。図１２は、実施形態に係る異常検知装置のモデル生成部の動作を説明する図である。図１３は、実施形態に係る異常検知装置の異常検知部の動作を説明する図である。図１４は、実施形態に係る異常検知装置の適合度算出部の動作を説明する図である。図１５は、実施形態に係る異常検知装置の付帯情報取得部の動作を説明する図である。図１６は、実施形態に係る異常検知装置のモデル管理部の動作を説明する図である。図１７は、実施形態に係る異常検知装置のモデル選択部の動作を説明する図である。図１８は、実施形態に係る異常検知装置のデータ調整部の動作を説明する図である。図１９は、実施形態に係る工作機械の機能ブロック構成の一例を示す図である。図２０は、実施形態に係る異常検知装置の全体動作の流れの一例を示す図である。図２１は、実施形態に係る異常検知装置の全体動作の流れの一例を示す図である。

以下に、図面を参照しながら、本発明に係る異常検知装置、異常検知システムおよびプログラムの実施形態を詳細に説明する。また、以下の実施形態によって本発明が限定されるものではなく、以下の実施形態における構成要素には、当業者が容易に想到できるもの、実質的に同一のもの、およびいわゆる均等の範囲のものが含まれる。さらに、以下の実施形態の要旨を逸脱しない範囲で構成要素の種々の省略、置換、変更および組み合わせを行うことができる。

（異常検知システムの全体構成）
図１は、実施形態に係る異常検知システムの全体構成の一例を示す図である。図１を参照しながら、本実施形態に係る異常検知システム１の全体構成について説明する。

図１に示すように、異常検知システム１は、異常検知装置１０と、工作機械２０（異常検知対象の一例）と、Ａ／Ｄコンバータ３０と、を含む。

異常検知装置１０は、工作機械２０による加工サイクルで発生する振動データまたは音響データを検知信号として受信し、異常の有無についての検知、判定等の分析処理を行う情報処理装置である。異常検知装置１０は、検知信号をＡ／Ｄコンバータ３０により変換されたデジタル信号として受信する。異常検知装置１０は、受信した検知信号等を表示するためのディスプレイ５８（表示装置）を備えている。異常検知装置１０は、工作機械２０のＮＣ制御装置２５から、後述するコンテキスト情報を受信し、工作機械２０において加工処理中であることを示す動作信号をＡ／Ｄコンバータ３０を介して受信する。また、異常検知装置１０は、図１に示すように、ネットワークを介してクラウド４０に接続し、取得した検知信号等がクラウド４０に保存させることもできる。なお、異常検知装置１０がクラウド４０に接続されていることは、必須ではない。

工作機械２０は、工具２３を用いて、加工対象に対して切削、研削または研磨等の加工を行う機械である。工作機械２０は、異常検知装置１０による異常検知の対象となる異常検知対象の一例である。工作機械２０は、加工サイクルで発生する振動または音を検知するセンサ２４が設置されており、ホルダ２２におり保持され加工対象に対して、切削、研削または研磨等の加工を行う工具２３と、加工サイクルの動作を制御するＮＣ（ＮｕｍｅｒｉｃａｌＣｏｎｔｒｏｌ）制御装置２５と、を備えている。

なお、異常検知装置１０による異常検知の対象は、工作機械２０に限定されるものではなく、振動または音の波形等の解析により動作の異常を検知することができる対象であれば、例えば、プリンタまたは自動車等（異常検知対象の一例）を対象とすることもできる。また、図１に示す例では、異常検知装置１０は、工作機械２０とは別体の装置となっているが、これに限定されるものではなく、工作機械２０に搭載されるものとしてもよい。

センサ２４は、工作機械２０とは別個独立に設置され、ドリル、エンドミル、フェイスミル、ロングドリル、バイトチップまた砥石等の工具２３が発する振動または音等の物理量を検知し、検知した物理量の情報を検知信号（振動データまたは音響データ等）としてＡ／Ｄコンバータ３０へ出力するセンサである。センサ２４は、例えば、加速度センサ、ＡＥ（ＡｃｏｕｓｔｉｃＥｍｉｓｓｉｏｎ）センサ、またはマイクロフォン等で構成される。なお、センサ２４の個数は複数であってもよい。

なお、工作機械２０が発生する物理量を検知するセンサ２４は、振動データまたは音響データ等を検知するものとしたが、これに限定されるものではなく、例えば、工具の回転トルクを検知するトルクセンサ、加工対象等に係る荷重を検知するロードセル等の外付けのセンサ、温度情報を検知する温度センサ、または画像を検出するカメラ等であってもよい。

工具２３は、加工対象に対して切削、研削または研磨等の加工を施すためのドリル、エンドミル、フェイスミル、ロングドリル、バイトチップまたは砥石等の加工ツールである。

ＮＣ制御装置２５は、ＮＣプログラムを実行することにより、工作機械２０における加工サイクルの動作全体を制御する制御装置である。ＮＣ制御装置２５は、後述するコンテキスト情報、および加工処理中であることを示す動作信号を出力する。

Ａ／Ｄコンバータ３０は、センサ２４から出力されたアナログの検知信号（振動データ、音響データ等）を、デジタル信号に変換する装置である。また、Ａ／Ｄコンバータ３０は、ＮＣ制御装置２５から出力される加工処理中であることを示す動作信号を、デジタル信号に変換する。すなわち、センサ２４から出力されたアナログの検知信号、および、ＮＣ制御装置２５から出力される動作信号は、それぞれＡ／Ｄコンバータ３０の別々のチャネルに入力される。Ａ／Ｄコンバータ３０は、変換したデジタル信号を異常検知装置１０へ出力する。

なお、Ａ／Ｄコンバータ３０は、異常検知装置１０とは別の装置となっているが、例えば、異常検知装置１０に拡張ボードとして組み込まれるＡ／Ｄ変換ボードであってもよい。また、ＮＣ制御装置２５から出力される動作信号は、Ａ／Ｄコンバータ３０へ送信されるのではなく、オン／オフ信号として、異常検知装置１０へ直接送信されるものとしてもよい。

（異常検知装置のハードウェア構成）
図２は、実施形態に係る異常検知装置のハードウェア構成の一例を示す図である。図２を参照しながら、本実施形態に係る異常検知装置１０のハードウェア構成について説明する。

図２に示すように、異常検知装置１０は、ＣＰＵ（ＣｅｎｔｒａｌＰｒｏｃｅｓｓｉｎｇＵｎｉｔ）５１と、ＲＯＭ（ＲｅａｄＯｎｌｙＭｅｍｏｒｙ）５２と、ＲＡＭ（ＲａｎｄｏｍＡｃｃｅｓｓＭｅｍｏｒｙ）５３と、通信Ｉ／Ｆ５４と、センサＩ／Ｆ５５と、入出力Ｉ／Ｆ５６と、補助記憶装置５９と、音声Ｉ／Ｆ６１と、を有し、各部が互いに通信可能となるようにバス６０で接続されている。

ＣＰＵ５１は、異常検知装置１０の全体を制御する演算装置である。ＣＰＵ５１は、例えば、ＲＡＭ５３をワークエリア（作業領域）としてＲＯＭ５２等に格納されたプログラムを実行することで、異常検知装置１０全体の動作を制御し、診断機能を実現する。

通信Ｉ／Ｆ５４は、工作機械２０等の外部装置と通信するためのインターフェースである。通信Ｉ／Ｆ５４は、例えば、Ｅｔｈｅｒｎｅｔ（登録商標）、およびＴＣＰ（ＴｒａｎｓｍｉｓｓｉｏｎＣｏｎｔｒｏｌＰｒｏｔｏｃｏｌ）／ＩＰ（ＩｎｔｅｒｎｅｔＰｒｏｔｏｃｏｌ）に準拠したインターフェースである。

センサＩ／Ｆ５５は、工作機械２０に設置されたセンサ２４から検知信号（振動データまたは音響データ等）、および動作信号を受信するためのインターフェースである。実際には、センサＩ／Ｆ５５は、検知信号および動作信号がＡ／Ｄコンバータ３０によってＡ／Ｄ変換されたデジタル信号を受信する。なお、検知信号を受信するインターフェースと、動作信号を受信するインターフェースとは、別々であってもよい。

入出力Ｉ／Ｆ５６は、各種装置（例えば入力装置５７およびディスプレイ５８）とバス６０とを接続するためのインターフェースである。

入力装置５７は、文字および数字等の入力、各種指示の選択、ならびにカーソルの移動等の操作を行うためのマウスまたはキーボード等の装置である。なお、入力装置５７は、例えば、タッチパネルの入力機能（タッチ操作機能）により実現されてもよい。

ディスプレイ５８は、カーソル、メニュー、ウィンドウ、文字または画像等の各種情報を表示するＬＣＤ（ＬｉｑｕｉｄＣｒｙｓｔａｌＤｉｓｐｌａｙ）または有機ＥＬ（Ｅｌｅｃｔｒｏ−Ｌｕｍｉｎｅｓｃｅｎｃｅ）ディスプレイ等の表示装置である。

補助記憶装置５９は、異常検知装置１０の設定情報、工作機械２０から受信された検知信号（振動データまたは音響データ等）、ＯＳ（ＯｐｅｒａｔｉｎｇＳｙｓｔｅｍ）、およびアプリケーションプログラム等の各種データを記憶するＨＤＤ（ＨａｒｄＤｉｓｋＤｒｉｖｅ）、ＳＳＤ（ＳｏｌｉｄＳｔａｔｅＤｒｉｖｅ）、またはＥＥＰＲＯＭ（ＥｌｅｃｔｒｉｃａｌｌｙＥｒａｓａｂｌｅＰｒｏｇｒａｍｍａｂｌｅＲｅａｄ−ＯｎｌｙＭｅｍｏｒｙ）等の不揮発性の記憶装置である。なお、補助記憶装置５９は、異常検知装置１０が備えるものとしているが、これに限定されるものではなく、例えば、異常検知装置１０の外部に設置された記憶装置であってもよく、または、異常検知装置１０とデータ通信可能なサーバ装置、またはクラウド４０等に含まれる記憶装置であってもよい。

音声Ｉ／Ｆ６１は、音声入出力機器（例えばスピーカ６２）とバス６０とを接続するためのインターフェースである。スピーカ６２（出力装置）は、音声を出力する装置である。

なお、図２に示した異常検知装置１０のハードウェア構成は一例を示すものであり、図２に示した構成要素を全て含む必要はなく、または、その他の構成要素を含むものとしてもよい。

（工作機械のハードウェア構成）
図３は、実施形態に係る工作機械のハードウェア構成の一例を示す図である。図３を参照しながら、本実施形態に係る工作機械２０のハードウェア構成について説明する。

図３に示すように、工作機械２０は、ＣＰＵ７１と、ＲＯＭ７２と、ＲＡＭ７３と、通信Ｉ／Ｆ７４と、駆動制御回路７５と、信号Ｉ／Ｆ７７と、を有し、各部が互いに通信可能となるようにバス７８で接続されている。センサ２４は、上述の図１で示したように、工具２３による加工サイクルで発生する振動または音等を検知できる工作機械２０の所定の位置に設置されているが、工作機械２０と直接データの送受信をしておらず、上述したように、Ａ／Ｄコンバータ３０へ検知信号（振動データまたは音響データ等）を出力する。

ＣＰＵ７１は、工作機械２０の全体を制御する演算装置である。ＣＰＵ７１は、例えば、ＲＡＭ７３をワークエリア（作業領域）としてＲＯＭ７２等に格納されたプログラム（ＮＣプログラム）を実行することで、工作機械２０全体の動作を制御し、加工機能を実現する。

通信Ｉ／Ｆ７４は、異常検知装置１０等の外部装置と通信するためのインターフェースである。駆動制御回路７５は、モータ７６の駆動を制御する回路である。モータ７６は、ドリル、エンドミル、フェイスミル、ロングドリル、バイトチップまたは砥石等の工具２３を駆動する。

信号Ｉ／Ｆ７７は、工作機械２０において加工処理が行われている場合に動作信号を異常検知装置１０へ送信するためのインターフェースである。信号Ｉ／Ｆ７７は、例えば、１０ＢＡＳＥ−２等のＥｔｈｅｒｎｅｔ規格に準拠したＢＮＣ（ＢａｙｏｎｅｔＮｅｉｌｌ−Ｃｏｎｃｅｌｍａｎｃｏｎｎｅｃｔｏｒ）のコネクタ等を介した同軸ケーブルが接続される。

なお、図３に示した工作機械２０のハードウェア構成は一例を示すものであり、図３に示した構成要素以外の構成要素を含むものとしてもよい。例えば、工作機械２０は、ディスプレイを備えるものとし、異常検知装置１０が備えるディスプレイ５８の表示内容と同様のものを表示できるものとしてもよい。

また、上述の図１に示したＮＣ制御装置２５は、例えば、ＣＰＵ７１、ＲＯＭ７２、ＲＡＭ７３、通信Ｉ／Ｆ７４、および駆動制御回路７５を含む装置となっている。ただし、これに限定されるものではなく、工作機械２０は、ＮＣ制御装置２５が備えるＣＰＵ７１とは、別にＣＰＵを備える構成であってもよい。この場合、ＣＰＵ７１とは別のＣＰＵは、加工動作以外の動作、例えば、工作機械２０に備えられたランプまたはＬＥＤ（ＬｉｇｈｔＥｍｉｔｔｉｎｇＤｉｏｄｅ）等の点灯動作、および、加工動作とは直接関係のない回転部２１の位置決めを行う回転モータの制御等を行うものとしてもよい。

（異常検知装置の機能ブロックの構成および動作）
図４は、実施形態に係る異常検知装置の機能ブロック構成の一例を示す図である。図４を参照しながら、本実施形態に係る異常検知装置１０の機能ブロックの構成および動作について説明する。

図４に示すように、異常検知装置１０は、周波数解析処理部１０１と、クラスタリング処理部１０２と、多変量解析処理部１０３と、特徴量表示部１０４と、基本情報表示部１０５（提示部の一例）と、再生部１０６（提示部の一例）と、ラベリング処理部１０７と、モデル生成部１０８と、付帯情報取得部１０９と、モデル管理部１１０と、異常検知部１１１と、適合度算出部１１２と、モデル選択部１１３と、データ調整部１１４と、を有する。異常検知装置１０は、さらに、通信部１２１と、信号受信部１２２と、入力部１２３と、表示部１２４（表示装置）と、出力部１２５（出力装置）と、記憶部１３０と、を有する。

記憶部１３０は、各種情報を記憶する機能部である。記憶部１３０は、図２に示すＲＡＭ５３および補助記憶装置５９の少なくともいずれかによって実現される。記憶部１３０は、音響データ記憶部１３１と、周波数特性記憶部１３２と、特徴量記憶部１３３と、クラスタ記憶部１３４と、モデル記憶部１３５と、検知結果記憶部１３６と、を含む。

＜周波数解析処理部の動作＞
図５は、実施形態に係る異常検知装置の周波数解析処理部の動作を説明する図である。図５を参照しながら、異常検知装置１０の周波数解析処理部１０１の動作について説明する。

異常検知装置１０の周波数解析処理部１０１は、工作機械２０のセンサ２４で検知された検知信号である振動データまたは音響データ等（以下、音響データであるものとして説明する）が記憶された音響データ記憶部１３１から音響データを読み出し、周波数解析を行う機能部である。具体的には、周波数解析処理部１０１は、音響データに対して、周波数解析としてフーリエ変換（ＦａｓｔＦｏｕｒｉｅｒＴｒａｎｓｆｏｒｍ：ＦＦＴ）、またはウェーブレット解析等を行い、図５に示すようなスペクトログラム等の周波数特性を得る。例えば、周波数解析処理部１０１は、サンプリング周波数４８［ｋＨｚ］で取得した１分間の音響データに対して、２０［ｍｓ］の窓長（窓関数は、例えばハミング窓）、１０［ｍｓ］のシフト長でＦＦＴを行い、１フレームあたり５１２次元の特徴量を有する周波数スペクトルを算出した場合、全体で５９９９フレーム（最終フレームのデータの後半１０［ｍｓ］に「０」のデータを付加して処理した場合は６０００フレーム）×５１２次元の周波数特性（スペクトログラム）を得る。周波数解析処理部１０１は、求めた周波数特性（スペクトログラム）を、記憶部１３０の周波数特性記憶部１３２に記憶させ、また、周波数特性に含まれる各フレーム（周波数スペクトル）の５１２次元の特徴量を、特徴量記憶部１３３に記憶させる。周波数解析処理部１０１は、例えば、図２に示すＣＰＵ５１がプログラムを実行することによって実現される。

＜クラスタリング処理部の動作＞
図６は、実施形態に係る異常検知装置のクラスタリング処理部の動作を説明する図である。図６を参照しながら、異常検知装置１０のクラスタリング処理部１０２の動作について説明する。

異常検知装置１０のクラスタリング処理部１０２は、周波数解析処理部１０１により求められた周波数特性を周波数特性記憶部１３２から読み出し、当該周波数特性に含まれる各フレームの周波数スペクトルを、複数の集団（クラスタ）に分類（クラスタリング）する機能部である。このクラスタリング処理は、例えばｋ−ｍｅａｎｓ法、またはＧＭＭ（ＧａｕｓｓｉａｎＭｉｘｔｕｒｅＭｏｄｅｌ：混合ガウスモデル）等のアルゴリズムによって実現される。ここで、クラスタリング処理部１０２により各フレームの周波数スペクトルを複数のクラスタに分類された後、各クラスタに属するフレームの数が多いものから順に第１集団、第２集団、第３集団（図６に示すクラスタ１、クラスタ２、クラスタ３）、・・・のように呼称するものとする。クラスタリング処理部１０２は、周波数特性の各フレームをどのようなクラスタに分類したかについての情報を、記憶部１３０のクラスタ記憶部１３４に記憶させる。クラスタリング処理部１０２は、例えば、図２に示すＣＰＵ５１がプログラムを実行することによって実現される。

なお、図６に示すデータ１〜データｎは、各音響データに対応するスペクトログラムを示し（すなわちｎ個のスペクトログラム）、図６に示した３次元空間上の各プロットは、各スペクトログラムに含まれる各フレーム（周波数スペクトル）を示す。また、図６では、表示の都合上、３次元の特徴量空間として表現しているが、実際には周波数解析処理部１０１で算出した各フレーム（周波数スペクトル）の特徴量の次元（例えば、上述のように５１２次元）の高次元空間である。

＜多変量解析処理部の動作＞
図７は、実施形態に係る異常検知装置の多変量解析処理部の動作を説明する図である。図７を参照しながら、異常検知装置１０の多変量解析処理部１０３の動作について説明する。

異常検知装置１０の多変量解析処理部１０３は、周波数解析処理部１０１により求められた周波数特性を周波数特性記憶部１３２から読み出し、当該周波数特性に含まれる高次元（例えば５１２次元）の各周波数スペクトルを、主成分分析またはオートエンコーダ等の多変量解析を行い、可視化できる２次元または３次元の特徴量を算出する機能部である。例えば、多変量解析処理部１０３は、周波数解析処理部１０１により得られた周波数特性に含まれる各周波数スペクトルに対して主成分分析を行い、特徴量として第１主成分〜第３主成分を抽出する。これによって、高次元の特徴量空間上の点である各フレーム（周波数スペクトル）を、その主たる特徴を保持したまま、２次元または３次元の特徴量空間上の座標として表現することが可能となる。

多変量解析処理部１０３は、各周波数スペクトルに対する多変量解析により算出した２次元または３次元の特徴量を、記憶部１３０の特徴量記憶部１３３へ記憶させる。例えば、多変量解析処理部１０３は、図７に示すように、データ（音響データ、スペクトログラム）と、フレームと、クラスタリング処理部１０２により分類されたクラスタと、主成分分析により得られた第１主成分〜第３主成分と、を関連付けた対応テーブルを特徴量記憶部１３３に記憶させる。多変量解析処理部１０３は、例えば、図２に示すＣＰＵ５１がプログラムを実行することによって実現される。

＜特徴量表示部の動作＞
図８は、実施形態に係る異常検知装置の特徴量表示部の動作を説明する図である。図８を参照しながら、異常検知装置１０の特徴量表示部１０４の動作について説明する。

異常検知装置１０の特徴量表示部１０４は、特徴量記憶部１３３に記憶された対応テーブルを参照し、各フレームの周波数スペクトルに対して多変量解析処理部１０３により算出された特徴量を、元の周波数スペクトルが属するクラスタが判別できる態様で、表示部１２４に表示させる機能部である。例えば、特徴量表示部１０４は、図８に示すように、多変量解析処理部１０３により算出された特徴量（第１主成分〜第３主成分）を軸とする３次元の特徴量空間上に、各フレーム（周波数スペクトル）を示すプロットを、当該フレームが属するクラスタに応じて色または形状を変えて表示させる（提示する）。これによって、利用者は、第１主成分〜第３主成分の３次元の特徴量空間において、各フレーム（周波数スペクトル）の分布の状態を把握することができ、上位の大集団から外れたプロットの様子等を視認することができ、注目すべきフレームが明確となる。なお、各フレームを３次元の特徴量空間上のプロットとして表示する場合、図８では固定の視点からの特徴量空間上のプロットの状態を示しているが、入力部１２３への操作入力に応じて、視点の方向を自由に変更することができるものとしてもよい。

特徴量表示部１０４は、例えば、図２に示すＣＰＵ５１がプログラムを実行することによって実現される。

＜基本情報表示部の動作＞
図９は、実施形態に係る異常検知装置の基本情報表示部の動作を説明する図である。図９を参照しながら、異常検知装置１０の基本情報表示部１０５の動作について説明する。

異常検知装置１０の基本情報表示部１０５は、特徴量表示部１０４により特徴量空間に表示された各フレーム（周波数スペクトル）を示すプロットの中から、利用者からの入力部１２３への操作により選択されたプロットに対応するフレームに関する基本情報を、表示部１２４に表示して提示する機能部である。特徴量空間上の各プロットは、あくまで多変量解析によって可視化できるような低次元（２次元または３次元）の特徴量空間上にマッピングされたものであり、各プロットに対応するフレームが元来有するすべての情報を表現できておらず、また、各次元が持つ意味も必ずしも明確ではない。そこで、基本情報表示部１０５は、図９に示すように、利用者が選択したプロット（フレーム）に対応する音響データの本来の波形、および周波数スペクトルの時系列（スペクトログラム）といった基本情報を利用者に提示するものとし、直感的な理解を支援するものとしている。このように、利用者が選択したプロット（フレーム）の基本情報を視覚的に表示する（提示する）ことによって、利用者の知見が反映された後述のラベリング作業の補助とすることができる。

基本情報表示部１０５は、例えば、図２に示すＣＰＵ５１がプログラムを実行することによって実現される。

＜再生部の動作＞
図１０は、実施形態に係る異常検知装置の再生部の動作を説明する図である。図１０を参照しながら、異常検知装置１０の再生部１０６の動作について説明する。

異常検知装置１０の再生部１０６は、特徴量表示部１０４により特徴量空間に表示された各フレーム（周波数スペクトル）を示すプロットの中から、利用者からの入力部１２３への操作により選択されたプロットに対応するフレームを含む音響データを、図１０に示すように、当該プロットに対応する時刻を含む前後所定時間（例えば前後１秒）だけ、出力部１２５から音で再生させる機能部である。上述の基本情報表示部１０５による表示動作は、選択されたフレームの基本情報を視覚的に確認するものだが、工作機械２０が設置された現場では、保全担当者は耳で工作機械２０の状態を捉えており、再生部１０６により音響データを音として提示して耳で聞くことによって、正常か異常か等の判断の大きな手掛かりとすることができる。このように、利用者が選択したプロット（フレーム）に対応する音響データを音として再生する（提示する）ことによって、利用者の知見が反映された後述のラベリング作業の補助とすることができる。

なお、音響データのみを音として再生させることに限定されるものではなく、信号受信部１２２により検知された検知信号が振動データである場合は、当該振動データの波形を音のデータとして再生させるものとしてもよい。

再生部１０６は、例えば、図２に示すＣＰＵ５１がプログラムを実行することによって実現される。

＜ラベリング処理部の動作＞
図１１は、実施形態に係る異常検知装置のラベリング処理部の動作を説明する図である。図１１を参照しながら、異常検知装置１０のラベリング処理部１０７の動作について説明する。

異常検知装置１０のラベリング処理部１０７は、少なくとも基本情報表示部１０５および再生部１０６のいずれかによる利用者が選択したプロットに対応する情報（サンプルデータに対応する情報）の提示を踏まえ、利用者からの入力部１２３への操作により、選択されたプロットが属するクラスタに対応するラベルの変更を反映する機能部である。例えば、上述のクラスタリング処理部１０２は、周波数特性に含まれる各フレームの周波数スペクトルをクラスタに分類した際に、図１１に示すように、分類したクラスタと、ラベルとを関連付けるラベリングテーブルを、クラスタ記憶部１３４へ保存するものとする。この際、例えば、クラスタリング処理部１０２により保存されたラベリングテーブルの各クラスタに対応するラベルは初期値として「正常」と書き込まれているものとする。そして、利用者が、入力部１２３への操作により選択したプロット（およびその周辺の同クラスタのプロット）のフレームについて「異常」のデータであると判断した場合、クラスタリング処理部１０２は、ラベリングテーブルにおいて、利用者からの入力部１２３への操作により、当該プロットのクラスタに対応するラベルを「異常」に変更して更新する。なお、ラベリングテーブルにおいて各クラスタに対応するラベルが初期値として「正常」に設定されているものとしたが、これに限定されるものではなく、ラベルが初期値として「異常」に設定されているものとして、利用者により適宜、正常と判断するクラスタのラベルを「正常」に変更するものとしてよい。または、ラベルはデフォルトで空欄とし、利用者が適宜クラスタ毎にラベルを設定するものとしてもよい。

なお、上述ではラベリング処理部１０７により、ラベリングテーブルにおいてクラスタ毎にラベルを設定するものとしたが、これに限定されるものではなく、利用者により選択されたプロット毎（フレーム毎）にラベルを設定できるものとしてもよいが、音響データから得られるフレームは膨大な量であるため、クラスタ毎にラベルを設定する方が現実的である。

ラベリング処理部１０７は、例えば、図２に示すＣＰＵ５１がプログラムを実行することによって実現される。

＜モデル生成部の動作＞
図１２は、実施形態に係る異常検知装置のモデル生成部の動作を説明する図である。図１２を参照しながら、異常検知装置１０のモデル生成部１０８の動作について説明する。

異常検知装置１０のモデル生成部１０８は、図１２に示すように、特徴量記憶部１３３に記憶されたフレームとクラスタとを関連付ける対応テーブル、および、クラスタ記憶部１３４に記憶されたクラスタとラベルとを関連付けたラベリングテーブルを参照し、音響データ記憶部１３１に記憶された音響データをラベル付き学習データとして学習して、学習モデルを生成する機能部である。ここで、学習データは、周波数特性であるスペクトログラムに含まれる各フレーム（周波数スペクトル）に対応する。ここでは、モデル生成部１０８は、学習モデルとして外れ値検知器を生成するものとする。この場合、モデル生成部１０８は、ラベル付き学習データのうち、「正常」ラベルが付与された学習データ（正常サンプルデータ）のみを用いて、１クラスサポートベクタマシン（ＳＶＭ）またはオートエンコーダ等の学習モデル（外れ値検知器）の学習を行う。当該学習モデル（外れ値検知器）は、入力された学習データが、正常サンプルデータからどれだけ外れているかを算出することができる。

モデル生成部１０８は、例えば、図２に示すＣＰＵ５１がプログラムを実行することによって実現される。

＜異常検知部の動作＞
図１３は、実施形態に係る異常検知装置の異常検知部の動作を説明する図である。図１３を参照しながら、異常検知装置１０の異常検知部１１１の動作について説明する。

異常検知装置１０の異常検知部１１１は、モデル生成部１０８により生成され、後述するようにモデル管理部１１０によりモデル記憶部１３５に記憶された学習モデル（外れ値検知器）を用いて、入力された音響データ（音響データ記憶部１３１に記憶された音響データ）（図１３に示すデータ１’〜ｎ’）に対して異常検知、すなわち、正常か異常かの判定を行う機能部である。異常検知部１１１は、音響データに対して学習モデルを用いて行った異常検知の結果を、記憶部１３０の検知結果記憶部１３６へ記憶させる。このように、検知結果記憶部１３６へ異常検知結果を保存しておくことによって、保存担当者が後ほど確認することができる。なお、異常検知部１１１は、学習モデルを用いて異常と判定された場合、当該異常の深刻度（例えば正常からの外れ度合い等）に応じて、保全担当者に通報（例えば表示部１２４への表示、またはメール通知等）するものとしてもよい。

異常検知部１１１は、例えば、図２に示すＣＰＵ５１がプログラムを実行することによって実現される。

＜適合度算出部の動作＞
図１４は、実施形態に係る異常検知装置の適合度算出部の動作を説明する図である。図１４を参照しながら、異常検知装置１０の適合度算出部１１２の動作について説明する。

異常検知装置１０の適合度算出部１１２は、現在、異常検知部１１１による異常検知で使用している学習モデル（外れ値検知器）が、現在入力されている音響データに対してどの程度適しているモデルであるのかを表す指標となる適合度を算出する機能部である。例えば、適合度算出部１１２は、図１４に示すように、現在使用されている学習モデルの学習に使用した学習データを示すプロットについての各クラスタでのセントロイドと、現在入力されている音響データに基づく各フレームのプロットとの距離（例えばユークリッド距離またはマハラノビス距離等）の平均値、または、ＧＭＭによって算出される平均尤度等に基づいて適合度を算出する。

なお、適合度算出部１１２は、算出した適合度に対して閾値判定することにより、現在使用している学習モデルが、入力されている音響データに対して異常検知するための適切な学習モデルから乖離している旨（例えば、乖離している度合いを示す数値、または適合度自体等）（適合度に関する情報の一例）を表示部１２４へ表示させ、後述のモデル選択部１１３に対し、再学習に使用する学習モデル、または、当該音響データに対する適切な異常検知を行うための学習モデルとして、過去に生成済みの学習モデルの中から選択させることを促すようにしてもよい。また、適合度算出部１１２は、異常検知するための適切な学習モデルから乖離している旨の表示として、例えば、低次元の特徴量空間において、現在使用している学習モデルの学習に用いたサンプルデータを表示すると共に、それ以降に入力された音響データに基づくサンプルデータを別の色で表示するようにしてもよい。

適合度算出部１１２は、例えば、図２に示すＣＰＵ５１がプログラムを実行することによって実現される。

＜付帯情報取得部の動作＞
図１５は、実施形態に係る異常検知装置の付帯情報取得部の動作を説明する図である。図１５を参照しながら、異常検知装置１０の付帯情報取得部１０９の動作について説明する。

異常検知装置１０の付帯情報取得部１０９は、モデル生成部１０８により生成された学習モデル（外れ値検知器）と関連付けて管理するための付帯情報を取得する機能部である。ここで、付帯情報とは、学習モデルの適用範囲を把握するための手掛かりとして利用可能な情報であり、入力される音響データと何らかの相関を有するものと予想される情報である。例えば、付帯情報は、学習モデルを学習するために用いる学習データが取得されたときの「気温」、「天候」、「時刻」等のようなネットワークを介して取得できる情報、または、工作機械２０から取得可能な動作状況および設定値等の各種パラメータ、ならびに、予め利用者によって入力済みの任意のラベル等である。また、図１５に示す付帯情報の例では、学習モデルのＩＤとして「ＣｌａｓｓｉｆｉｅｒＡ」、生成された日時として「ＹＹＹＹ／ＭＭ／ＤＤＨＨ：ｍｍ：ｓｓ」、学習モデルの種類として「ＡｕｔｏＥｎｃｏｄｅｒ」、エポックとして「１０００」、特徴量として「ＬｏｇＳｐｅｃｔｒｕｍ」、天気として「Ｒａｉｎｙ」、工作機械２０のモデルとして「ＭｉｄｄｌｅＲｏｔａｔｉｏｎ」を含んでいる。

付帯情報取得部１０９は、例えば、図２に示すＣＰＵ５１がプログラムを実行することによって実現される。

＜モデル管理部の動作＞
図１６は、実施形態に係る異常検知装置のモデル管理部の動作を説明する図である。図１６を参照しながら、異常検知装置１０のモデル管理部１１０の動作について説明する。

異常検知装置１０のモデル管理部１１０は、モデル生成部１０８により生成された学習モデル（外れ値検知器）を、当該学習モデルの学習に使用した学習データ、および付帯情報取得部１０９により取得された付帯情報と、関連付けて記憶部１３０のモデル記憶部１３５へ保存および管理する機能部である。また、学習モデルに関連付ける学習データとしては、例えば、図１６に示すように、多変量解析処理部１０３により生成された対応テーブル、およびラベリング処理部１０７によりラベルが書き込まれたラベリングテーブルであってもよい。

モデル管理部１１０は、例えば、図２に示すＣＰＵ５１がプログラムを実行することによって実現される。

＜モデル選択部の動作＞
図１７は、実施形態に係る異常検知装置のモデル選択部の動作を説明する図である。図１７を参照しながら、異常検知装置１０のモデル選択部１１３の動作について説明する。

異常検知装置１０のモデル選択部１１３は、適合度算出部１１２により算出された適合度が現在入力されている音響データに対して異常検知を行うための学習モデルとして、現在使用している学習モデルが適していないことを示す場合、モデル記憶部１３５で管理されている学習モデルの中から、入力されている音響データに基づいて再学習を行うための初期モデルを選択する機能部である。選択するための具体的な尺度としては、例えば、モデル記憶部１３５に管理されている学習モデルに関連付けられた付帯情報が、付帯情報取得部１０９により新たに取得された付帯情報と同一もしくは類似である学習モデル、または、管理されている学習モデルの学習に使用された学習データの分布と、新たに入力されている音響データに基づくサンプルデータ（フレーム）との間に距離（例えばユークリッド距離またはマハラノビス距離等）が最も小さい学習モデル、等である。このように、モデル選択部１１３により付帯情報が同一または類似の学習モデル、または、学習データの分布が新たな入力データとの距離が近い学習モデルを、初期モデルとして再学習することによって、学習時間を短縮することができ、局所最適解に陥るリスクも低減することができる。

なお、学習モデルの再学習においては、新たに入力された音響データだけで再学習することに限定されるものではなく、例えば、今まで異常検知に使用していた学習モデルの学習に使用した学習データを混合して再学習に用いるものとしてもよい。また、モデル選択部１１３によりモデル記憶部１３５に記憶された学習モデルの中から、再学習のための初期モデルとして選択する動作を説明したが、これに限定されるものではない。例えば、モデル記憶部１３５に、関連付けられた付帯情報が、付帯情報取得部１０９により新たに取得された付帯情報とほぼ同一である学習モデル、または、管理されている学習モデルの学習に使用された学習データの分布と、新たに入力されている音響データに基づくサンプルデータ（フレーム）との間に距離（例えばユークリッド距離またはマハラノビス距離等）がほぼ０とみなせる学習モデルがあれば、再学習をせずに、当該学習モデルをそのまま用いるものとしてもよい。

モデル選択部１１３は、例えば、図２に示すＣＰＵ５１がプログラムを実行することによって実現される。

＜データ調整部の動作＞
図１８は、実施形態に係る異常検知装置のデータ調整部の動作を説明する図である。図１８を参照しながら、異常検知装置１０のデータ調整部１１４の動作について説明する。

異常検知装置１０のデータ調整部１１４は、モデル選択部１１３により選択された学習モデルを初期モデルとして再学習を行う際に、当該再学習に用いる学習データ数を調整する機能部である。データ調整部１１４は、学習データの調整方法として、例えば、学習データに付与されているタイムスタンプの古いものから順に取り除く方法、または乱数を用いてランダムに選択した学習データを取り除く方法等によってデータ調整を行う。または、データ調整部１１４は、新たに入力された音響データに基づく学習データ全体についてクラスタリング処理部１０２によりクラスタリングされたときに、各クラスタに属する学習データの数（図１８に示すカウント数）が多いものの中から優先的に学習データを除くことによって、学習データのバリエーションを確保しつつ、類似した学習データを効果的に除去することができる。

以上のように、学習モデルの再学習の際に、順次新たな学習データが追加されることで学習データが単調に増加し、いずれは利用可能なリソース（主にメモリ容量）のキャパシティをオーバーして計算不能に陥ることを抑制することができる。

データ調整部１１４は、例えば、図２に示すＣＰＵ５１がプログラムを実行することによって実現される。

＜その他の機能部の動作＞
図４に戻り、異常検知装置１０のその他の機能部の動作について説明する。

通信部１２１は、工作機械２０とデータ通信を行ったり、上述の付帯情報を受信する機能部である。例えば、通信部１２１は、工作機械２０からコンテキスト情報を受信する。ここで、コンテキスト情報とは、工作機械２０についての識別情報および動作情報等を含む情報である。コンテキスト情報は、例えば、工作機械２０の識別情報（型式等）、駆動部２０４の識別情報、そのときの動作状態、回転数および加工速度、駆動部２０４に駆動される工具２３の径および材質等の加工条件、ならびに、シーケンス番号、サイクル番号およびツール番号等を含む。通信部１２１は、図２に示す通信Ｉ／Ｆ５４によって実現される。

信号受信部１２２は、工作機械２０において加工処理中であることを示す動作信号、および、工作機械２０に設置されたセンサ２４から加工処理中に発生する振動または音を検知した検知信号（振動データまたは音響データ等）を、Ａ／Ｄコンバータ３０を介して受信する機能部である。信号受信部１２２は、図２に示すセンサＩ／Ｆ５５によって実現される。

入力部１２３は、ユーザからの操作入力を受け付ける機能部である。入力部１２３は、図２に示す入力装置５７によって実現される。

表示部１２４は、特徴量表示部１０４により特徴量空間上に各フレーム（周波数スペクトル）を示すプロット、基本情報表示部１０５により特徴量空間上で選択されたプロットに対応する基本情報、および適合度算出部１１２により算出された適合度等を、表示する機能部である。表示部１２４は、図２に示すディスプレイ５８によって実現される。

出力部１２５は、再生部１０６からの指示に従って、特徴量空間上で選択されたプロットに対応するフレームを含む音響データを音で再生させる機能部である。出力部１２５は、図２に示すスピーカ６２によって実現させる。

音響データ記憶部１３１は、信号受信部１２２によって受信された音響データを記憶する機能部である。周波数特性記憶部１３２は、周波数解析処理部１０１により求められた周波数特性（スペクトログラム）のデータを記憶する機能部である。特徴量記憶部１３３は、周波数解析処理部１０１により求められた周波数特性に含まれる各フレームの特徴量、および、多変量解析処理部１０３により多変量解析により算出された２次元または３次元の特徴量等を記憶する機能部である。クラスタ記憶部１３４は、クラスタリング処理部１０２により分類されたクラスタの情報を記憶する機能部である。モデル記憶部１３５は、モデル生成部１０８により生成された学習モデル（外れ値検知器）を、当該学習モデルの学習に使用した学習データ、および付帯情報取得部１０９により取得された付帯情報と、関連付けて記憶する機能部である。検知結果記憶部１３６は、異常検知部１１１により、音響データに対して学習モデルを用いて行われた異常検知の結果を記憶する機能部である。

なお、図４に示した異常検知装置１０の周波数解析処理部１０１、クラスタリング処理部１０２、多変量解析処理部１０３、特徴量表示部１０４、基本情報表示部１０５、再生部１０６、ラベリング処理部１０７、モデル生成部１０８、付帯情報取得部１０９、モデル管理部１１０、異常検知部１１１、適合度算出部１１２、モデル選択部１１３およびデータ調整部１１４は、図２に示すＣＰＵ５１がプログラムを実行することによって実現されることに限定されるものではなく、ＩＣ（ＩｎｔｅｇｒａｔｅｄＣｉｒｃｕｉｔ）等のハードウェアによって実現されるものとしてもよい。

また、図４に示す異常検知装置１０の各機能部は、機能を概念的に示したものであって、このような構成に限定されるものではない。例えば、図４に示す異常検知装置１０で独立した機能部として図示した複数の機能部を、１つの機能部として構成してもよい。一方、図４に示す異常検知装置１０で１つの機能部が有する機能を複数に分割し、複数の機能部として構成するものとしてもよい。

また、異常検知装置１０に含まれる各機能部は、必ずしも異常検知装置１０上で実現されなければならないわけではなく、例えば、機能部の一部がクラウド４０によって実現されるものとしてもよい。例えば、工作機械２０からの検知信号を取得する信号受信部１２２、付帯情報を受信する通信部１２１および付帯情報取得部１０９、ならびに学習モデルを利用して音響データに対する異常検知を行う異常検知部１１１以外の機能部は、クラウド４０上で実現されるものとしてもよい。

（工作機械の機能ブロックの構成および動作）
図１９は、実施形態に係る工作機械の機能ブロック構成の一例を示す図である。図１９を参照しながら、本実施形態に係る工作機械２０の機能ブロックの構成および動作について説明する。

図１９に示すように、工作機械２０は、数値制御部２０１と、通信部２０２と、駆動制御部２０３と、駆動部２０４と、信号送信部２０５と、検知部２１１と、を有する。

数値制御部２０１は、駆動部２０４による加工を数値制御（ＮＣ）により実行する機能部である。例えば、数値制御部２０１は、駆動部２０４の動作を制御するための数値制御データを生成して出力する。また、数値制御部２０１は、コンテキスト情報を通信部２０２を介して異常検知装置１０へ送信し、ＮＣプログラムで規定される加工サイクルの加工処理の実行中には、動作信号を信号送信部２０５を介して異常検知装置１０へ送信する。数値制御部２０１は、加工対象を加工する際、加工処理に応じて、駆動する駆動部２０４の種類、または駆動部２０４の駆動状態（回転数、回転速度等）を変更する。数値制御部２０１は、動作の種類を変更するごとに、変更した動作の種類に対応するコンテキスト情報を、通信部２０２を介して異常検知装置１０へ逐次送信する。数値制御部２０１は、例えば、図３に示すＣＰＵ７１がプログラム（ＮＣプログラム）を実行することによって実現される。

通信部２０２は、異常検知装置１０とデータ通信を行う機能部である。例えば、通信部２０２は、その時点での動作に対応するコンテキスト情報を、数値制御部２０１の制御に従って、異常検知装置１００へ送信する。通信部２０２は、例えば、図３に示す通信Ｉ／Ｆ７４、およびＣＰＵ７１で動作するプログラムによって実現される。

駆動制御部２０３は、数値制御部２０１により求められた数値制御データに基づいて、駆動部２０４を駆動制御する機能部である。駆動制御部２０３は、例えば、図３に示す駆動制御回路７５によって実現される。

駆動部２０４は、駆動制御部２０３による駆動制御の対象となる機能部である。駆動部２０４は、駆動制御部２０３による制御によって工具２３を駆動する。駆動部２０４は、例えば、モータ等であり、加工に用いられ、数値制御の対象となるものであればどのようなものであってもよい。なお、駆動部２０４は、２以上備えられていてもよい。駆動部２０４は、駆動制御部２０３によって駆動制御されるアクチュエータであり、例えば、図３に示すモータ７６等によって実現される。

信号送信部２０５は、数値制御部２０１によりＮＣプログラムで規定される加工サイクルの加工処理が実行されているときに、動作信号を異常検知装置１０へ送信する機能部である。信号送信部２０５は、図３に示す信号Ｉ／Ｆ７７、およびＣＰＵ７１で動作するプログラムによって実現される。

検知部２１１は、工作機械２０で保持された工具２３が発する振動または音等の物理量を検知し、検知した物理量の情報を検知信号としてＡ／Ｄコンバータ３０へ出力する機能部である。検知部２１１は、図３に示すセンサ２４によって実現される。なお、検知部２１１の個数は任意である。例えば、同一の物理量を検知する複数の検知部２１１を備えてもよいし、相互に異なる物理量を検知する複数の検知部２１１を備えてもよい。

なお、図１９に示す工作機械２０の各機能部は、機能を概念的に示したものであって、このような構成に限定されるものではない。例えば、図１９に示す工作機械２０で独立した機能部として図示した複数の機能部を、１つの機能部として構成してもよい。一方、図１９に示す工作機械２０で１つの機能部が有する機能を複数に分割し、複数の機能部として構成するものとしてもよい。

（異常検知装置の全体動作）
図２０および図２１は、実施形態に係る異常検知装置の全体動作の流れの一例を示す図である。図２０および図２１を参照しながら、本実施形態に係る異常検知装置１０の全体動作の流れについて説明する。

＜ステップＳ１１＞
異常検知装置１０の周波数解析処理部１０１は、工作機械２０のセンサ２４で検知された検知信号（ここでは音響データ）が記憶された音響データ記憶部１３１から音響データを読み出し、周波数解析を行い、スペクトルグラム等の周波数特性を得る。周波数解析処理部１０１は、求めた周波数特性（スペクトログラム）を、記憶部１３０の周波数特性記憶部１３２に記憶させ、また、周波数特性に含まれる各フレーム（周波数スペクトル）の特徴量を、特徴量記憶部１３３に記憶させる。そして、ステップＳ１２へ移行する。

＜ステップＳ１２＞
異常検知装置１０のクラスタリング処理部１０２は、周波数解析処理部１０１により求められた周波数特性を周波数特性記憶部１３２から読み出し、当該周波数特性に含まれる各フレームの周波数スペクトルを、複数の集団（クラスタ）に分類（クラスタリング）する。クラスタリング処理部１０２は、周波数特性の各フレームをどのようなクラスタに分類したかについての情報を、記憶部１３０のクラスタ記憶部１３４に記憶させる。そして、ステップＳ１３へ移行する。

＜ステップＳ１３＞
異常検知装置１０の多変量解析処理部１０３は、周波数解析処理部１０１により求められた周波数特性を周波数特性記憶部１３２から読み出し、当該周波数特性に含まれる高次元（例えば５１２次元）の各周波数スペクトルを、主成分分析またはオートエンコーダ等の多変量解析を行い、可視化できる２次元または３次元の特徴量を算出する。多変量解析処理部１０３は、各周波数スペクトルに対する多変量解析により算出した２次元または３次元の特徴量を、記憶部１３０の特徴量記憶部１３３へ記憶させる。例えば、多変量解析処理部１０３は、図７に示すように、データ（音響データ、スペクトログラム）と、フレームと、クラスタリング処理部１０２により分類されたクラスタと、主成分分析により得られた第１主成分〜第３主成分と、を関連付けた対応テーブルを特徴量記憶部１３３に記憶させる。なお、クラスタリング処理部１０２によるクラスタリング、および多変量解析処理部１０３による多変量解析は、どちらを先に実行してもよい。そして、ステップＳ２１へ移行する。

＜ステップＳ２１＞
異常検知装置１０の特徴量表示部１０４は、特徴量記憶部１３３に記憶された対応テーブルを参照し、各フレームの周波数スペクトルに対して多変量解析処理部１０３により算出された特徴量を、元の周波数スペクトルが属するクラスタが判別できる態様で、表示部１２４に表示させる機能部である。例えば、特徴量表示部１０４は、図８に示すように、多変量解析処理部１０３により算出された特徴量（第１主成分〜第３主成分）を軸とする３次元の特徴量空間上に、各フレーム（周波数スペクトル）を示すプロットを、当該フレームが属するクラスタに応じて色または形状を変えて表示させる（提示する）。そして、ステップＳ２２へ移行する。

＜ステップＳ２２＞
異常検知装置１０の基本情報表示部１０５は、特徴量表示部１０４により特徴量空間に表示された各フレーム（周波数スペクトル）を示すプロットの中から、利用者からの入力部１２３への操作により選択されたプロットに対応するフレームに関する基本情報を、表示部１２４に表示して提示する。そして、ステップＳ２３へ移行する。

＜ステップＳ２３＞
異常検知装置１０の再生部１０６は、特徴量表示部１０４により特徴量空間に表示された各フレーム（周波数スペクトル）を示すプロットの中から、利用者からの入力部１２３への操作により選択されたプロットに対応するフレームを含む音響データを、当該プロットに対応する時刻を含む前後所定時間（例えば前後１秒）だけ、出力部１２５から音で再生させて提示する。なお、基本情報表示部１０５による基本情報の表示、および再生部１０６による音響データの再生は、上述の順序に限定されるものではなく、また、いずれかの提示のみが行われるものとしてもよい。そして、ステップＳ２４へ移行する。

＜ステップＳ２４＞
異常検知装置１０のラベリング処理部１０７は、少なくとも基本情報表示部１０５および再生部１０６のいずれかによる利用者が選択したプロットに対応する情報の提示を踏まえ、クラスタ記憶部１３４に記憶されたラベリングテーブルにおいて、利用者からの入力部１２３への操作により、選択されたプロットが属するクラスタに対応するラベルを設定する。さらに、利用者による入力部１２３への操作入力によって異なるプロットが選択された場合、ステップＳ２２へ戻り、クラスタに対応するラベルの設定作業が終了した場合、ステップＳ３１へ移行する。

＜ステップＳ３１＞
異常検知装置１０のモデル生成部１０８は、図１２に示すように、特徴量記憶部１３３に記憶されたフレームとクラスタとを関連付ける対応テーブル、および、クラスタ記憶部１３４に記憶されたクラスタとラベルとを関連付けたラベリングテーブルを参照し、音響データ記憶部１３１に記憶された音響データをラベル付き学習データとして学習して、学習モデルを生成する。そして、ステップＳ３２へ移行する。

＜ステップＳ３２＞
異常検知装置１０の付帯情報取得部１０９は、モデル生成部１０８により生成された学習モデル（外れ値検知器）と関連付けて管理するための付帯情報を取得する。そして、ステップＳ３３へ移行する。

＜ステップＳ３３＞
異常検知装置１０のモデル管理部１１０は、モデル生成部１０８により生成された学習モデル（外れ値検知器）を、当該学習モデルの学習に使用した学習データ、および付帯情報取得部１０９により取得された付帯情報と、関連付けて記憶部１３０のモデル記憶部１３５へ保存および管理する。また、学習モデルに関連付ける学習データとしては、例えば、図１６に示すように、多変量解析処理部１０３により生成された対応テーブル、およびラベリング処理部１０７によりラベルが書き込まれたラベリングテーブルであってもよい。そして、モデル生成部１０８により生成され、モデル管理部１１０によりモデル記憶部１３５へ記憶された学習モデルが、以降の音響データに対する異常検知に用いられる。そして、ステップＳ３４へ移行する。

＜ステップＳ３４＞
異常検知装置１０の異常検知部１１１は、モデル生成部１０８により生成され、モデル管理部１１０によりモデル記憶部１３５に記憶された学習モデル（外れ値検知器）を用いて、入力された音響データ（音響データ記憶部１３１に記憶された音響データ）に対して異常検知、すなわち、正常か異常かの判定を行う。以降、信号受信部１２２から入力（受信）され音響データ記憶部１３１へ記憶された音響データにして異常検知が行われる。そして、ステップＳ４１へ移行する。

＜ステップＳ４１＞
異常検知装置１０の適合度算出部１１２は、現在、異常検知部１１１による異常検知で使用している学習モデル（外れ値検知器）が、現在、入力されている音響データに対してどの程度適しているモデルであるのかを表す指標となる適合度を算出する機能部である。例えば、適合度算出部１１２は、図１４に示すように、現在使用されている学習モデルの学習に使用した学習データを示すプロットについての各クラスタでのセントロイドと、現在入力されている音響データに基づく各フレームのプロットとの距離（例えばユークリッド距離またはマハラノビス距離等）の平均値、または、ＧＭＭによって算出される平均尤度等に基づいて適合度を算出する。そして、ステップＳ４２へ移行する。

＜ステップＳ４２＞
異常検知装置１０のモデル選択部１１３は、適合度算出部１１２により算出された適合度が現在入力されている音響データに対して異常検知を行うための学習モデルとして、現在使用している学習モデルが適していないことを示す場合、モデル記憶部１３５で管理されている学習モデルの中から、入力されている音響データに基づいて再学習を行うための初期モデルを選択する機能部である。選択するための具体的な尺度としては、例えば、モデル記憶部１３５に管理されている学習モデルに関連付けられた付帯情報が、付帯情報取得部１０９により新たに取得された付帯情報と同一もしくは類似である学習モデル、または、管理されている学習モデルの学習に使用された学習データの分布と、新たに入力されている音響データに基づくサンプルデータ（フレーム）との間に距離（例えばユークリッド距離またはマハラノビス距離等）が最も小さい学習モデル、等である。そして、ステップＳ４３へ移行する。

なお、モデル記憶部１３５に、関連付けられた付帯情報が、付帯情報取得部１０９により新たに取得された付帯情報とほぼ同一である学習モデル、または、管理されている学習モデルの学習に使用された学習データの分布と、新たに入力されている音響データに基づくサンプルデータ（フレーム）との間に距離（例えばユークリッド距離またはマハラノビス距離等）がほぼ０とみなせる学習モデルがあれば、再学習をせずに、当該学習モデルをそのまま用いるものとしてもよく、この場合、ステップＳ３４へ移行する。

＜ステップＳ４３＞
異常検知装置１０のデータ調整部１１４は、モデル選択部１１３により選択された学習モデルを初期モデルとして再学習を行う際に、当該再学習に用いる学習データ数を調整する。そして、ステップＳ３１へ戻り、学習モデルの再学習が行われる。

以上の図２０および図２１に示した処理の流れで、異常検知装置１０の全体動作が実行される。

以上のように、本実施形態に係る異常検知装置１０では、検知信号（音響データまたは振動データ等）を周波数解析して算出した高次元の特徴量に対して、主成分分析等の多変量解析を行って、それらの分布を２次元または３次元の低次元の特徴量空間上にマッピングして可視化して表示し、低次元の特徴量空間上の任意のプロットを選択することによって、そのプロットに対応する情報を提示するものとしている。これによって、個々の学習データのばらつき具合、および最大のクラスタを形成している典型的な正常サンプルデータからの乖離度等を目視で確認することができ、低次元の特徴量空間上で選択したプロットに対応する情報の提示に基づいて、対象機（工作機械２０）の異常検知のための学習モデルの学習に用いるサンプルデータのラベリング作業を効率化することができ、高い異常検知精度を保ち、異常およびその予兆の早期発見を実現することができる。選択したプロットに対応する情報の提示としては、基本情報表示部１０５による選択されたプロットに対応するフレームに関する基本情報の表示動作、および、再生部１０６による選択されたプロットに対応するフレームを含む音響データについて、当該プロットに対応する時刻を含む前後所定時間（例えば前後１秒）だけ音で再生させる動作によって実現される。

また、低次元の特徴量空間上に各クラスタの学習データをプロットする場合、当該学習データが属するクラスタに応じて色または形状を変えて表示させるものとしている。これによって、各プロットがどのクラスタに属するのか一目で認識することができ、ラベリング作業をさらに効率化させることができる。

また、一旦生成された学習モデルが、以降永続的に利用できる保証もない。というのは、機械等の動作音は、正常時であってもそれらの経年劣化に応じて徐々に変化するものであり、また気温、天候、時刻、機械等の稼働状況といった様々な変動要因によって周期的かつ不規則に変動する可能性もある。これに対応するため本実施形態に係る異常検知装置１０では、適合度算出部１１２により現在、異常検知部１１１による異常検知で使用している学習モデル（外れ値検知器）が、現在入力されている音響データに対してどの程度適しているモデルであるのかを表す指標となる適合度が算出され、現在使用している学習モデルが、入力されている音響データに対して異常検知するための適切な学習モデルから乖離している旨（例えば、乖離している度合いを示す数値、または適合度自体等）を表示部１２４へ表示させるものとしている。これによって、既に生成済みの学習モデルが現在の状況にどの程度適合しているかを定量的に把握することができ、適切な再学習のタイミングを知ることが可能となる。また、適合度算出部１１２により算出した適合度に対して閾値判定を行うことによって、人の判断を介在させることなしに、適切なタイミングで自動的に学習モデルの再学習を実行させることもできる。

また、本実施形態に係る異常検知装置１０では、適合度算出部１１２により算出された適合度が現在入力されている音響データに対して異常検知を行うための学習モデルとして、現在使用している学習モデルが適していないことを示す場合、モデル記憶部１３５で管理されている学習モデルの中から、入力されている音響データに基づいて再学習を行うための初期モデルを選択するものとしている。選択するための具体的な尺度としては、例えば、モデル記憶部１３５に管理されている学習モデルに関連付けられた付帯情報が、付帯情報取得部１０９により新たに取得された付帯情報と同一もしくは類似である学習モデル、または、管理されている学習モデルの学習に使用された学習データの分布と、新たに入力されている音響データに基づくサンプルデータ（フレーム）との間に距離（例えばユークリッド距離またはマハラノビス距離等）が最も小さい学習モデル、等である。このように、モデル選択部１１３により付帯情報が同一または類似の学習モデル、または、学習データの分布が新たな入力データとの距離が近い学習モデルを、初期モデルとして再学習することによって、学習時間を短縮することができ、局所最適解に陥るリスクも低減することができる。また、モデル記憶部１３５に、関連付けられた付帯情報が、付帯情報取得部１０９により新たに取得された付帯情報とほぼ同一である学習モデル、または、管理されている学習モデルの学習に使用された学習データの分布と、新たに入力されている音響データに基づくサンプルデータ（フレーム）との間に距離（例えばユークリッド距離またはマハラノビス距離等）がほぼ０とみなせる学習モデルがあれば、再学習をせずに、当該学習モデルをそのまま用いるものとしてもよい。これによって、周期的な変動要因、および様々な付帯情報との間に何らかの因果関係を有する不規則な変動要因に対して、再学習を行うことなしに対応することが可能となる。

なお、本実施形態に係る異常検知装置１０で生成される学習モデルとして、外れ値検知器について説明したが、ラベリング処理部１０７により複数種類のラベルをサンプルデータに付与することができるのであれば、異なる学習モデル（例えば２クラス分類器）等を生成するものとしてもよい。

また、上述の実施形態の各機能は、一または複数の処理回路によって実現することが可能である。ここで、「処理回路」とは、電子回路により実装されるプロセッサのようにソフトウェアによって各機能を実行するようプログラミングされたプロセッサや、上述した各機能を実行するよう設計されたＡＳＩＣ（ＡｐｐｌｉｃａｔｉｏｎＳｐｅｃｉｆｉｃＩｎｔｅｇｒａｔｅｄＣｉｒｃｕｉｔ）、ＤＳＰ（ＤｉｇｉｔａｌＳｉｇｎａｌＰｒｏｃｅｓｓｏｒ）、ＦＰＧＡ（Ｆｉｅｌｄ−ＰｒｏｇｒａｍｍａｂｌｅＧａｔｅＡｒｒａｙ）、ＳｏＣ（Ｓｙｓｔｅｍｏｎａｃｈｉｐ)、ＧＰＵ（ＧｒａｐｈｉｃｓＰｒｏｃｅｓｓｉｎｇＵｎｉｔ）や従来の回路モジュール等のデバイスを含むものとする。

また、上述の実施形態の異常検知装置１０および工作機械２０で実行されるプログラムは、インストール可能な形式又は実行可能な形式のファイルでＣＤ−ＲＯＭ（ＣｏｍｐａｃｔＤｉｓｃＲｅａｄＯｎｌｙＭｅｍｏｒｙ）、フレキシブルディスク（ＦＤ）、ＣＤ−Ｒ（ＣｏｍｐａｃｔＤｉｓｋ−Ｒｅｃｏｒｄａｂｌｅ）、ＤＶＤ（ＤｉｇｉｔａｌＶｅｒｓａｔｉｌｅＤｉｓｋ）等のコンピュータで読み取り可能な記録媒体に記録してコンピュータ・プログラム・プロダクトとして提供するように構成してもよい。

また、上述の実施形態の異常検知装置１０および工作機械２０で実行されるプログラムを、インターネット等のネットワークに接続されたコンピュータ上に格納し、ネットワーク経由でダウンロードさせることにより提供するように構成してもよい。また、上述の実施形態の異常検知装置１０および工作機械２０で実行されるプログラムをインターネット等のネットワーク経由で提供または配布するように構成してもよい。

また、上述の実施形態の異常検知装置１０および工作機械２０で実行されるプログラムは、上述した各機能部を含むモジュール構成となっており、実際のハードウェアとしてはＣＰＵ（プロセッサ）が上述のＲＯＭからプログラムを読み出して実行することにより上記各部が主記憶装置上にロードされ、各部が主記憶装置上に生成されるようになっている。

１異常検知システム
１０異常検知装置
２０工作機械
２２ホルダ
２３工具
２４センサ
２５ＮＣ制御装置
３０Ａ／Ｄコンバータ
４０クラウド
５１ＣＰＵ
５２ＲＯＭ
５３ＲＡＭ
５４通信Ｉ／Ｆ
５５センサＩ／Ｆ
５６入出力Ｉ／Ｆ
５７入力装置
５８ディスプレイ
５９補助記憶装置
６０バス
６１音声Ｉ／Ｆ
６２スピーカ
７１ＣＰＵ
７２ＲＯＭ
７３ＲＡＭ
７４通信Ｉ／Ｆ
７５駆動制御回路
７６モータ
７７信号Ｉ／Ｆ
７８バス
１０１周波数解析処理部
１０２クラスタリング処理部
１０３多変量解析処理部
１０４特徴量表示部
１０５基本情報表示部
１０６再生部
１０７ラベリング処理部
１０８モデル生成部
１０９付帯情報取得部
１１０モデル管理部
１１１異常検知部
１１２適合度算出部
１１３モデル選択部
１１４データ調整部
１２１通信部
１２２信号受信部
１２３入力部
１２４表示部
１２５出力部
１３０記憶部
１３１音響データ記憶部
１３２周波数特性記憶部
１３３特徴量記憶部
１３４クラスタ記憶部
１３５モデル記憶部
１３６検知結果記憶部
２０１数値制御部
２０２通信部
２０３駆動制御部
２０４駆動部
２０５信号送信部
２１１検知部

特許第４３６９９６１号公報特許第６０９７５１７号公報

Claims

異常検知対象から検知された検知信号に対して周波数解析を行い、周波数特性を求める周波数解析処理部と、
前記周波数解析処理部により求められた前記周波数特性に含まれる各フレームをサンプルデータとして、該サンプルデータを１以上のクラスタに分類するクラスタリング処理部と、
前記周波数解析処理部により求められた前記周波数特性に対して多変量解析を行い、特徴量を抽出する多変量解析処理部と、
前記多変量解析処理部により抽出された前記特徴量に基づき、前記サンプルデータがどの前記クラスタに分類されたか判別可能なように可視化する特徴量表示部と、
前記特徴量表示部により表示された前記サンプルデータのうち、入力部からの入力信号によって選択された前記サンプルデータに対応する情報を提示する提示部と、
前記提示部により提示された情報に基づき、前記入力部からの入力信号に応じて、前記クラスタ毎に前記サンプルデータのラベルを設定するラベリング処理部と、
前記ラベリング処理部によりラベルが設定された前記サンプルデータを用いた学習により学習モデルを生成するモデル生成部と、
を備えた異常検知装置。
前記提示部は、前記入力部によって選択された前記サンプルデータに対応する情報として、該サンプルデータに対応する前記検知信号の波形、および該サンプルデータの周波数スペクトルの時系列データのうち少なくともいずれかを含む基本情報を、表示装置に表示させる基本情報表示部である請求項１に記載の異常検知装置。
前記提示部は、前記入力部によって選択された前記サンプルデータに対応する情報として、該サンプルデータに対応する前記検知信号を、出力装置から音として再生させる再生部である請求項１に記載の異常検知装置。
前記モデル生成部により生成された前記学習モデルを用いて、前記異常検知対象から入力された検知信号に対して異常検知を行う異常検知部を、さらに備えた請求項１〜３のいずれか一項に記載の異常検知装置。
前記異常検知部による異常検知で使用している前記学習モデルの、現在前記異常検知対象から入力されている検知信号に対する適合度を算出し、該適合度に関する情報を表示装置に表示させる適合度算出部を、さらに備えた請求項４に記載の異常検知装置。
前記モデル生成部により生成された前記学習モデルを、該学習モデルの学習のために入力された前記検知信号と相関を有するものと予測される付帯情報と関連付けて記憶部に記憶させるモデル管理部を、さらに備えた請求項５に記載の異常検知装置。
前記モデル管理部は、さらに、前記モデル生成部により生成された前記学習モデルを、該学習モデルの学習に用いたサンプルデータと関連付けて前記記憶部に記憶させる請求項６に記載の異常検知装置。
前記適合度算出部により算出された前記適合度が、現在前記異常検知対象から入力されている検知信号に対して異常検知を行うための学習モデルとして、現在使用している学習モデルが適していないことを示す場合、前記記憶部に記憶されている学習モデルの中から、該検知信号に適した学習モデルを初期モデルとして選択するモデル選択部を、さらに備え、
前記モデル生成部は、前記初期モデル、および、少なくとも現在前記異常検知対象から入力されている検知信号を用いて、新たな学習モデルを再学習する請求項６または７に記載の異常検知装置。
前記モデル生成部は、前記初期モデル、該初期モデルの学習に用いたサンプルデータ、および、現在前記異常検知対象から入力されている検知信号に基づくサンプルデータを用いて、新たな学習モデルを再学習する請求項８に記載の異常検知装置。
前記適合度算出部により算出された前記適合度が、現在前記異常検知対象から入力されている検知信号に対して異常検知を行うための学習モデルとして、現在使用している学習モデルが適していないことを示す場合、前記記憶部に記憶されている学習モデルの中から、該検知信号に適した学習モデルを、次に異常検知に使用する学習モデルとして選択するモデル選択部を、さらに備え、
前記異常検知部は、前記モデル選択部により選択された学習モデルを用いて、前記異常検知対象から入力された検知信号に対して異常検知を行う請求項６または７に記載の異常検知装置。
前記モデル選択部により選択された学習モデルを前記初期モデルとして再学習が行われる際に、該再学習に用いるサンプルデータの数を調整するデータ調整部を、さらに備えた請求項８または９に記載の異常検知装置。
前記データ調整部は、サンプルデータに付与されているタイムスタンプの古いものから順に取り除く請求項１１に記載の異常検知装置。
前記データ調整部は、前記異常検知対象から入力されるサンプルデータに対して前記クラスタリング処理部により１以上のクラスタに分類された場合に、前記各クラスタに属するサンプルデータの数に応じて、サンプルデータを取り除く請求項１１に記載の異常検知装置。
前記モデル生成部は、前記学習モデルとして外れ値検知器を学習により生成する請求項１〜１３のいずれか一項に記載の異常検知装置。
異常検知対象から検知された検知信号に対して周波数解析を行い、周波数特性を求める周波数解析処理部と、
前記周波数解析処理部により求められた前記周波数特性に含まれる各フレームをサンプルデータとして、該サンプルデータを１以上のクラスタに分類するクラスタリング処理部と、
前記周波数解析処理部により求められた前記周波数特性に対して多変量解析を行い、特徴量を抽出する多変量解析処理部と、
前記多変量解析処理部により抽出された前記特徴量に基づき、前記サンプルデータがどの前記クラスタに分類されたか判別可能なように可視化する特徴量表示部と、
前記特徴量表示部により表示された前記サンプルデータのうち、入力部からの入力信号によって選択された前記サンプルデータに対応する情報を提示する提示部と、
前記提示部により提示された情報に基づき、前記入力部からの入力信号に応じて、前記クラスタ毎に前記サンプルデータのラベルを設定するラベリング処理部と、
前記ラベリング処理部によりラベルが設定された前記サンプルデータを用いた学習により学習モデルを生成するモデル生成部と、
を有する異常検知システム。
コンピュータに、
異常検知対象から検知された検知信号に対して周波数解析を行い、周波数特性を求める周波数解析処理ステップと、
前記周波数特性に含まれる各フレームをサンプルデータとして、該サンプルデータを１以上のクラスタに分類するクラスタリング処理ステップと、
前記周波数特性に対して多変量解析を行い、特徴量を抽出する多変量解析処理ステップと、
抽出した前記特徴量に基づき、前記サンプルデータがどの前記クラスタに分類されたか判別可能なように可視化する特徴量表示ステップと、
表示した前記サンプルデータのうち、入力部からの入力信号によって選択された前記サンプルデータに対応する情報を提示する提示ステップと、
提示した情報に基づき、前記入力部からの入力信号に応じて、前記クラスタ毎に前記サンプルデータのラベルを設定するラベリング処理ステップと、
ラベルを設定した前記サンプルデータを用いた学習により学習モデルを生成するモデル生成ステップと、
を実行させるためのプログラム。