JP2022027057A - 異常検出装置、異常検出方法および異常検出プログラム - Google Patents

Abstract

【課題】異常検出精度を向上させる。【解決手段】正常モデル生成部１０６は、学習対象データと第１状態観測値と第１潜在状態値とにより構成されるデータを競合型ニューラルネットワークに入力することにより正常モデルを生成する。第１状態観測値および第１潜在状態値はそれぞれ、状態観測器および質的ソフトセンサに学習対象データを入力することによって得られる。異常度算出部１０８は、監視対象データと第２状態観測値と第２潜在状態値とにより構成されるデータを正常モデルと比較することにより異常度を算出する。第２状態観測値および第２潜在状態値はそれぞれ、状態観測器および質的ソフトセンサに監視対象データを入力することによって得られる。【選択図】図２

Description

本開示は、競合型ニューラルネットワークを用いて異常を検出する異常検出装置、方法およびプログラムに関する。

近年、機械学習を用いて各種機器の異常を検出する手法が提案されている。特許文献１には、競合型ニューラルネットワークを用いて実センサ観測値を万遍なく学習させることにより、回転数、経年劣化、日時および季節等によって正常状態にばらつきがある場合でも、異常の有無を適切に診断する異常監視装置が記載されている。

特開２００７－１９８９１８号公報

実センサの観測値から読み取れる情報および特徴から異常を検出する場合において、異常であるにも関わらず正常と判定してしまう誤判定が発生することがある。
本開示は、異常検出精度を向上させることを目的とする。

本開示の一態様は、データ取得部（１０１）と、正常モデル生成部（１０６）と、異常度算出部（１０８）と、判定部（１０９）とを備える異常検出装置（１）である。
データ取得部は、異常を検出する対象である異常検出対象の学習対象データおよび監視対象データを取得するように構成される。

正常モデル生成部は、学習対象データと、異常検出対象が有する系統の状態を表す状態観測器に学習対象データを入力することによって得られる第１状態観測値と、異常検出対象の潜在状態を表す質的ソフトセンサに学習対象データを入力することによって得られる第１潜在状態値とにより構成されるデータを競合型ニューラルネットワークに入力することにより正常モデルを生成するように構成される。

異常度算出部は、監視対象データと、状態観測器に監視対象データを入力することによって得られる第２状態観測値と、質的ソフトセンサに監視対象データを入力することによって得られる第２潜在状態値とにより構成されるデータを正常モデルと比較することにより、異常検出対象の異常の度合いを示す異常度を算出するように構成される。

判定部は、異常度算出部により算出された異常度に基づいて、異常検出対象が正常であるか異常であるかを判定するように構成される。
このように構成された本開示の異常検出装置は、学習対象データおよび第１状態観測値に第１潜在状態値を加えて正常モデルを生成し、監視対象データおよび第２状態観測値に第２潜在状態値を加えて異常度を算出する。これにより、本開示の異常検出装置は、異常検出対象の状態を含めて学習した正常モデルにより異常を検出することができ、異常検出精度を向上させることができる。

異常検出装置の構成を示すブロック図である。 異常検出装置の機能的な構成を示す機能ブロック図である。 駆動系状態観測器の構成を示す図である。 空燃比系状態観測器の構成を示す図である。 第１実施形態の学習処理を示すフローチャートである。 質的ソフトセンサ生成処理を示すフローチャートである。 質的ソフトセンサの生成方法を説明する図である。 状態観測器生成処理を示すフローチャートである。 状態観測器間の相関の最大化を説明する図である。 第１実施形態の正常面を示す図である。 第１実施形態の監視処理を示すフローチャートである。 異常度算出処理を示すフローチャートである。 異常度、第１潜在状態および第２潜在状態のタイミングチャートである。 第２実施形態の学習処理を示すフローチャートである。 第２実施形態の監視処理を示すフローチャートである。 吸入空気量および負荷量のタイミングチャートと、吸入空気量および負荷量を軸とするグラフである。 第２実施形態の正常面を示す図である。 第２実施形態の異常判定方法を説明する図である。 第３実施形態の学習処理を示すフローチャートである。 パラメータ設定処理を示すフローチャートである。 クラスタリング係数設定処理を示すフローチャートである。 最適解を探索する方法を説明する図である。 異常度が正値と負値との両方で表現されることを示す図である。 潜在状態値を含む駆動系状態観測器の構成を示す図である。

［第１実施形態］
以下に本開示の第１実施形態を図面とともに説明する。
本実施形態の異常検出装置１は、車両に搭載され、図１に示すように、制御装置２と、通信装置３と、データ記憶装置４と、表示装置５とを備える。

制御装置２は、ＣＰＵ１１、ＲＯＭ１２およびＲＡＭ１３等を備えたマイクロコンピュータを中心に構成された電子制御装置である。マイクロコンピュータの各種機能は、ＣＰＵ１１が非遷移的実体的記録媒体に格納されたプログラムを実行することにより実現される。この例では、ＲＯＭ１２が、プログラムを格納した非遷移的実体的記録媒体に該当する。また、このプログラムの実行により、プログラムに対応する方法が実行される。なお、ＣＰＵ１１が実行する機能の一部または全部を、一つあるいは複数のＩＣ等によりハードウェア的に構成してもよい。また、制御装置２を構成するマイクロコンピュータの数は１つでも複数でもよい。

通信装置３は、通信線を介して複数のＥＣＵとの間でデータ通信可能に接続されており、ＣＡＮ通信プロトコルに従ってデータの送受信を行う。通信装置３に接続されている複数のＥＣＵは、具体的には、エンジン制御を行うエンジンＥＣＵ、ブレーキ制御を行うブレーキＥＣＵ、ステアリング制御を行うステアリングＥＣＵ等である。ＣＡＮは、Controller Area Networkの略である。ＣＡＮは登録商標である。

データ記憶装置４は、各種データを記憶するための装置であり、本実施形態では例えばハードディスクドライブである。
表示装置５は、制御装置２からの指示に基づいて、表示画面に各種画像を表示する。

制御装置２は、ＣＰＵ１１がプログラムを実行することで実現される機能の構成として、図２に示すように、データ取得部１０１、状態観測器生成部１０４、正常モデル生成部１０６、異常度算出部１０８、判定部１０９、要因分析部１１０および表示部１１１を備える。制御装置２を構成するこれらの要素を実現する手法はソフトウェアに限るものではなく、その一部又は全部の要素について、一つあるいは複数のハードウェアを用いて実現してもよい。例えば、上記機能がハードウェアである電子回路によって実現される場合、その電子回路は多数の論理回路を含むデジタル回路、又はアナログ回路、あるいはこれらの組合せによって実現してもよい。

またデータ記憶装置４は、学習対象データ記憶部１０２、監視対象データ記憶部１０３、状態観測器情報記憶部１０５および正常モデルパラメータ記憶部１０７を備える。
データ取得部１０１は、異常検出装置１に直接または間接的に接続された各種センサから、学習対象データおよび監視対象データを取得する。

各種センサは、車両に搭載されたセンサ、および、各種の車両電子制御装置に接続されたセンサなどである。車両に搭載されたセンサとしては、温度計、湿度計およびＧＰＳなどが挙げられる。車両電子制御装置に接続されたセンサとしては、エンジン回転センサ、タービン回転センサ、酸素センサおよび空燃比センサなどが挙げられる。

なお、データ取得部１０１は、ネットワークを介して、学習対象データおよび監視対象データを間接的に取得してもよい。例えば、データ取得部１０１は、ネットワークを介してデータベースからダウンロードすることにより、学習対象データおよび監視対象データを取得してもよい。

学習対象データおよび監視対象データは、車両の故障と車両の故障メカニズムとの少なくとも一方に関するデータであり、車両に関するデータと走行環境に関するデータとを含む。但し、学習対象データは、車両が正常状態である場合のデータである。監視対象データは、車両が正常状態である場合と、車両が異常状態である場合との両方を含むデータである。

学習対象データ記憶部１０２は、データ取得部１０１が取得した学習対象データを記憶する。
監視対象データ記憶部１０３は、データ取得部１０１が取得した監視対象データを記憶する。

状態観測器生成部１０４は、変数構成を取得し、取得した変数構成に含まれる変数を用いて、車両の系統ごとに状態観測器を生成する。
状態観測器は、オブザーバまたはソフトセンサともいう。変数は、データ取得部１０１が取得する学習対象データおよび監視対象データに対応する。系統は、車両を構成する制御装置およびセンサ等を車両の機能毎にまとめることにより形成されている。車両の系統として、例えば、駆動系、空燃比系、空気系、点火系、燃料系およびスロットル系などが挙げられる。

状態観測器生成部１０４は、設定者の知見に基づき、状態観測器が車両の機能および故障メカニズムを表現するために必要または有益な変数構成を取得するようにしてもよい。変数構成は、状態観測器を構成するために用いられる１つの変数、または、状態観測器を構成するために用いられる複数の変数の組み合わせである。

状態観測器生成部１０４は、例えば式（１）に示すように、取得した変数構成に含まれる変数を線形結合することにより、状態観測器を生成する。式（１）のａ_ｐＸ_ｐは、ｐ番目の状態観測器である。ｘ_ｐｉは、ｐ番目の状態観測器におけるｉ番目の変数である。ａ_ｐｉは、ｐ番目の状態観測器におけるｉ番目の係数である。すなわち、ａ_ｐｉは、変数ｘ_ｐｉの係数である。ｉは、１からｎまでの整数である。なお、状態観測器生成部１０４は、係数ａ_ｐｉの初期値をランダムな値とし、変数ｘ_ｐｉを結合して状態観測器の初期状態を生成する。

状態観測器は、異常検出装置１の検出対象となる機器の機能、または、機器の故障メカニズムを反映していることが望ましい。本実施形態では、機器の機能の例として、車両の駆動と、車両の空燃比とを含む。

機器の故障メカニズムとは、機器の故障が生じる仕組みである。「機器の故障メカニズムを反映している」とは、機器の機能または機器の故障メカニズムに応じて、状態観測器から出力される状態観測値が変化することである。

状態観測器の変数構成に含まれる変数は、異常検出装置１の検出対象となる機器の機能の因子、または機器の故障メカニズムの因子であることが望ましい。例えば、機器の故障メカニズムがエンジンのオーバーヒートの場合には、エンジンの温度が、オーバーヒートを引き起こす直接的な因子である。また、エンジンの回転数と冷却液の量とが、エンジンの温度上昇を引き起こす直接的な因子、すなわち、オーバーヒートを引き起こす間接的な因子である。

例えば、図３に示すように、車両の駆動系を機器の機能とした状態観測器（以下、駆動系状態観測器）は、エンジン回転数とタービン回転数とを変数として生成される。具体的には、１番目の状態観測器である駆動系状態観測器ａ_１Ｘ_１は、式（２）に示すように、エンジン回転数およびタービン回転数をそれぞれ変数ｘ_１１および変数ｘ_１２として、係数ａ_１１および係数ａ_１２を用いた線形結合により生成される。

また、図４に示すように、車両の空燃比系を機器の機能とした状態観測器（以下、空燃比系状態観測器）は、酸素センサ電圧と空燃比センサ電流とを変数として生成される。具体的には、２番目の状態観測器である空燃比系状態観測器ａ_２Ｘ_２は、式（３）に示すように、酸素センサ電圧および空燃比センサ電流をそれぞれ変数ｘ_２１および変数ｘ_２２として、係数ａ_２１および係数ａ_２２を用いた線形結合により生成される。

なお、上述した変数以外の変数を用いて状態観測器を生成してもよい。また、結合する変数の数は２つに限らず、３つ以上でもよい。さらに、生成する状態観測器の数は２つに限らず、１つでもよいし、３つ以上でもよい。

本実施形態では、状態観測器の例として、入力－出力の２層構造を有する例を挙げたが、３層以上であってもよい。３層以上の場合には、階層型ニューラルネットワークを用いて記述してもよい。

また、状態観測器として、変数を線形で結合する例を挙げたが、これに限らず、非線形な結合で構成されてもよい。例えば、階層型ニューラルネットワークを用いて記述する場合には、シグモイド関数を用いるので、非線形の結合で構成されることになる。

状態観測器を生成することにより、直接センサ等で測定することができない状態観測値を推定することができる。また、機器の機能および故障メカニズムを状態観測器に反映させることにより、故障の要因分析が容易になる。

状態観測器生成部１０４は、後述する質的ソフトセンサを生成する。ここで、「質的」データとは、直接数値で測定できないデータを指し、名義尺度及び順序尺度が属するデータの種類である。
状態観測器情報記憶部１０５は、状態観測器生成部１０４により生成された状態観測器および質的ソフトセンサの係数および変数構成を記憶する。

なお、異常検出装置１は、状態観測器を生成するときに状態観測器生成部１０４を備えていればよい。すなわち、異常検出装置１は、状態観測器を生成して状態観測器の変数構成および係数を状態観測器情報記憶部１０５に記憶した後に状態観測器生成部１０４を異常検出装置１から切り離してもよい。

正常モデル生成部１０６は、学習対象データ記憶部１０２から学習対象データを読み出し、状態観測器情報記憶部１０５から状態観測器および質的ソフトセンサの変数構成および係数を読み出す。そして正常モデル生成部１０６は、状態観測器ごとに、状態観測器を構成する変数に対して学習対象データを当て嵌めて第１状態観測値を算出する。また正常モデル生成部１０６は、質的ソフトセンサごとに、質的ソフトセンサを構成する変数に対して学習対象データを当て嵌めて第１潜在状態値を算出する。

正常モデル生成部１０６は、例えば、学習対象データとして取得したエンジン回転数およびタービン回転数を式（２）に代入して得られる値を、駆動系状態観測器ａ_１Ｘ_１の第１状態観測値とする。また正常モデル生成部１０６は、学習対象データとして取得した酸素センサ電圧および空燃比センサ電流を式（３）に代入して得られる値を、空燃比系状態観測器ａ_２Ｘ_２の第１状態観測値とする。

そして正常モデル生成部１０６は、第１状態観測値と第１潜在状態値と学習対象データとを結合する。例えば、正常モデル生成部１０６は、エンジン回転数、タービン回転数、駆動系状態観測器ａ_１Ｘ_１の第１状態観測値、酸素センサ電圧、空燃比センサ電流、空燃比系状態観測器ａ_２Ｘ_２の第１状態観測値、および、第１潜在状態値の７つのデータを結合する。なお、第１状態観測値と第１潜在状態値と学習対象データとの結合は、第１状態観測値と第１潜在状態値と学習対象データとを同時に競合型ニューラルネットワークに入力できる状態となればよい。

さらに正常モデル生成部１０６は、結合したデータを競合型ニューラルネットワークに入力することにより、正常モデルとして正常面を学習する。競合型ニューラルネットワークは、入力層と出力層との２つの層を備えるネットワークであり、複数個の入力層ニューロンと、入力層ニューロンに全結合で結ばれた複数個の出力層ニューロンとで構成されている。各出力層ニューロンの重みデータが、正常面に相当する。

なお、競合型ニューラルネットワークに与える初期値としては、例えば、車種、測定季節、昼夜、カスタマイズ仕様、経年度など、入力されるデータの属性の組み合わせが複数ある場合に、万遍なくサンプリングあるいはランダムにサンプリングすることが望ましい。これにより、競合型ニューラルネットワークのマップ上のニューロンの重みベクトルの学習時の収束を速くすることができる。

本実施形態では、競合型ニューラルネットワークに入力された学習対象データ、第１状態観測値および第１潜在状態値と、勝者ユニットのニューロン重みデータとの差分である異常度が算出される。そして、差分の集合を用いて閾値が算出される。例えば差分（または、差分の絶対値）の集合の９９．９％分位点の定数倍が閾値として用いられる。

正常モデルパラメータ記憶部１０７は、正常モデル生成部１０６が学習した正常面を表す学習済みパラメータを記憶する。また正常モデルパラメータ記憶部１０７は、正常モデル生成部１０６で算出された閾値を記憶する。

異常度算出部１０８は、監視対象データ記憶部１０３から監視対象データを読み出し、状態観測器情報記憶部１０５から状態観測器および質的ソフトセンサの変数構成および係数を読み出す。そして異常度算出部１０８は、状態観測器ごとに、状態観測器を構成する変数に対して監視対象データを当て嵌めて第２状態観測値を算出する。また異常度算出部１０８は、質的ソフトセンサごとに、質的ソフトセンサを構成する変数に対して監視対象データを当て嵌めて第２潜在状態値を算出する。

異常度算出部１０８は、例えば、監視対象データとして取得したエンジン回転数およびタービン回転数を式（２）に代入して得られる値を、駆動系状態観測器ａ_１Ｘ_１の第２状態観測値とする。また異常度算出部１０８は、監視対象データとして取得した酸素センサ電圧および空燃比センサ電流を式（３）に代入して得られる値を、空燃比系状態観測器ａ_２Ｘ_２の第２状態観測値とする。

そして異常度算出部１０８は、第２状態観測値と第２潜在状態値と監視対象データとを結合する。例えば、異常度算出部１０８は、エンジン回転数、タービン回転数、駆動系状態観測器ａ_１Ｘ_１の第２状態観測値、酸素センサ電圧、空燃比センサ電流、空燃比系状態観測器ａ_２Ｘ_２の第２状態観測値、および、第２潜在状態値の７つのデータを結合する。なお、第２状態観測値と第２潜在状態値と監視対象データとの結合は、第２状態観測値と第２潜在状態値と監視対象データとを同時に競合型ニューラルネットワークに入力できる状態となればよい。

さらに異常度算出部１０８は、正常モデルパラメータ記憶部１０７から、正常面（すなわち、ニューロンの重みデータ）などの学習済みパラメータを読み出す。そして異常度算出部１０８は、結合したデータを競合型ニューラルネットワークに入力することにより、監視対象データ、第２状態観測値および第２潜在状態値と正常面との距離を、異常度として算出する。

判定部１０９は、正常モデルパラメータ記憶部１０７から読み出した閾値と、異常度算出部１０８が算出した異常度とに基づいて、車両が正常であるか異常であるかを判定する。

要因分析部１１０は、車両が異常であると判定部１０９により判定された場合に、異常と判定される原因となった第２状態観測値、第２状態観測値および監視対象データを用いて、異常の原因を特定する。

表示部１１１は、異常の原因を特定する情報を表示装置５の表示画面に表示する。
次に、制御装置２のＣＰＵ１１が実行する学習処理の手順を説明する。学習処理は、制御装置２の動作中において繰り返し実行される処理である。

学習処理が実行されると、ＣＰＵ１１は、図５に示すように、まずＳ１０にて、各種センサから学習対象データを取得する。
さらにＣＰＵ１１は、Ｓ２０にて、Ｓ１０で取得した学習対象データに対して、正規分布に近づける分布変換を行う。分布変換の例として、Ｂоｘ－Ｃоｘ変換およびＪｏｈｎｓоｎ変換が挙げられる。分布変換により、判定部１０９における判定精度が向上する可能性がある。

そしてＣＰＵ１１は、Ｓ３０にて、分布変換後の学習対象データを学習対象データ記憶部１０２に記憶する。
次にＣＰＵ１１は、Ｓ４０にて、質的ソフトセンサ生成処理を実行する。ここで、質的ソフトセンサ生成処理の手順を説明する。

質的ソフトセンサ生成処理が実行されると、ＣＰＵ１１は、図６に示すように、まずＳ２１０にて、共起行列を生成する。
共起行列は、図７に示すように、車両に搭載された機器（以下、車載機器）の状態の時間変化を示す複数のフラグで構成されている。共起行列ＣＭ１は、フラグＡ、フラグＢ、フラグＣおよびフラグＤで構成されている。車載機器の状態として、ヘッドランプのオン／オフ、変速機のギア（例えば、１速、２速、３速など）、カーエアコンの送風のオン／オフ、カーエアコンの送風量（例えば、弱、中、強など）が挙げられる。

フラグＤの「１」、「２」、「３」はそれぞれ、カーエアコンの送風量の「弱」、「中」、「強」を示している。共起行列ＣＭ２で示すように、フラグＤの代わりに、フラグＤ１、フラグＤ２およびフラグＤ３を用いるようにしてもよい。フラグＤ１は、カーエアコンの送風量が「弱」のときにセットされるフラグである。フラグＤ２は、カーエアコンの送風量が「中」のときにセットされるフラグである。フラグＤ３は、カーエアコンの送風量が「強」のときにセットされるフラグである。

なお、車載機器の状態として、フラグの値の代わりに、フラグにおける０から１への立ち上がり、または、フラグにおける１から０への立ち上がりをカウントするようにしてもよい。また、タイムウインドウなどを用いて共起行列を生成するようにしてもよい。

共起行列の生成が終了すると、ＣＰＵ１１は、図６に示すように、Ｓ２２０にて、Ｓ２１０で生成した共起行列について、コサイン類似度による分散共分散行列を生成する。なお、ＣＰＵ１１は、相互情報量による分散共分散行列を生成するようにしてもよいし、前処理なしによる分散共分散行列を生成するようにしてもよい。

次にＣＰＵ１１は、Ｓ２３０にて、Ｓ２２０で生成された分散共分散行列に対してＳＶＤを行うことによって、正常状態の係数（例えば、特異値など）を生成する。ＳＶＤは、Singular Value Decompositionの略である。なお、ＣＰＵ１１は、ＳＶＤの代わりに、バリ／プロマックス回転またはＷｏｒｄ２Ｖｅｃなどを用いて正常状態の係数を生成するようにしてもよい。

さらにＣＰＵ１１は、Ｓ２４０にて、Ｓ２３０のＳＶＤで算出された寄与率に基づいて次元削減を行う。そしてＣＰＵ１１は、Ｓ２５０にて、Ｓ２４０での次元削減により得られた固有ベクトルを用いて質的ソフトセンサを生成する。

質的ソフトセンサは、例えば、複数のフラグの線形結合によって形成される。例えば、図７に示すように、第１潜在状態を示す質的ソフトセンサＱＳ１は、フラグＡとフラグＢとの線形結合により形成される。第２潜在状態を示す質的ソフトセンサＱＳ２は、フラグＣとフラグＤ１とフラグＤ２との線形結合により形成される。なお、第１潜在状態は、例えば、車両が暖気前であることを示し、第２潜在状態は、例えば、車両が暖気後であることを示す。

Ｓ２５０の処理が終了すると、ＣＰＵ１１は、図６に示すように、Ｓ２６０にて、Ｓ２５０で生成された質的ソフトセンサの係数と変数構成とを状態観測器情報記憶部１０５に記憶し、質的ソフトセンサ生成処理を終了する。

質的ソフトセンサ生成処理が終了すると、ＣＰＵ１１は、図５に示すように、Ｓ５０にて、状態観測器生成処理を実行する。ここで、状態観測器生成処理の手順を説明する。
状態観測器生成処理が実行されると、ＣＰＵ１１は、図８に示すように、まずＳ３１０にて、変数構成を取得する。

そしてＣＰＵ１１は、Ｓ３２０にて、例えば式（１）に示すように、取得した変数構成に含まれる変数を線形結合することにより、状態観測器を生成する。
次にＣＰＵ１１は、Ｓ３３０にて、Ｓ３２０で生成した状態観測器の数が１つであるか否かを判断する。ここで、状態観測器の数が１つである場合には、ＣＰＵ１１は、Ｓ３７０に移行する。

一方、状態観測器の数が１つでない場合には、ＣＰＵ１１は、Ｓ３４０にて、Ｓ３２０で生成した状態観測器の数が２つであるか否かを判断する。ここで、状態観測器の数が２つである場合には、ＣＰＵ１１は、Ｓ３５０にて、生成した２つの状態観測器の相関を最大化し、Ｓ２７０に移行する。以下、Ｓ３２０で生成した２つの状態観測器のうち、一方の状態観測器を第１状態観測器、他方の状態観測器を第２状態観測器という。

具体的には、ＣＰＵ１１は、式（５）に示す制約条件下で、式（４）に示す相関係数ρが最大となるように第１状態観測器の係数と第２状態観測器の係数とを調整する。式（５）は、ラグランジュの未定乗数法の制約条件である。ｎ，ｍは状態観測器の番号、Ｖは分散である。式（４）の分子は、第１状態観測器と第２状態観測器との標本共分散、式（４）の分母は、第１状態観測器の標本分散の平方根と第２状態観測器の標本分散の平方根との積である。

Ｓ３４０にて状態観測器の数が２つでない場合には、ＣＰＵ１１は、Ｓ３６０にて、Ｓ３２０で生成した３つ以上の状態観測器の相関を最大化し、Ｓ３７０に移行する。例えば、Ｓ３２０で第１状態観測器、第２状態観測器および第３の状態観測器が生成されている場合には、図９に示すように、２つの状態観測器間の相関の和を最大化することが望ましい。具体的には、式（６）を用いて、２つの状態観測器間の相関の和を最大化する。Ｎは状態観測器の総数である。ｇは和を表す関数であり、ｇの括弧内は和の対象である。状態観測器が４つ以上である場合でも、３つの場合と同様の方法で最大化を行う。なお、本実施形態において、「和」とは、単純和の他、二乗和、絶対値和などのように演算に和を含んでいればよい。

Ｓ３７０に移行すると、ＣＰＵ１１は、Ｓ３２０～Ｓ３６０の処理によって生成された状態観測器の係数と変数構成とを状態観測器情報記憶部１０５に記憶し、状態観測器生成処理を終了する。

状態観測器生成処理が終了すると、ＣＰＵ１１は、図５に示すように、Ｓ６０にて、学習対象データ、変数構成および係数を読み出し、状態観測器ごとに、状態観測器を構成する変数に対して学習対象データを当て嵌めて第１状態観測値を算出する。

さらにＣＰＵ１１は、Ｓ７０にて、学習対象データ、変数構成および係数を読み出し、質的ソフトセンサごとに、質的ソフトセンサを構成する変数に対して学習対象データを当て嵌めて第１潜在状態値を算出する。

そしてＣＰＵ１１は、Ｓ８０にて、Ｓ１０で取得した学習対象データと、Ｓ６０で算出した第１状態観測値と、Ｓ７０で算出した第１潜在状態値とを結合する。
次にＣＰＵ１１は、Ｓ９０にて、Ｓ８０で結合したデータを競合型ニューラルネットワークに入力することにより、正常モデルとして正常面を学習する。

図１０に示すように、初期化された正常面ＰＬ１は、ニューロンを二次元格子状に配置したＳＯＭである。ＳＯＭは、Self-Organizing Mapの略である。各ニューロンは、学習対象データ、第１状態観測値および第１潜在状態値で構成されている。例えば、各ニューロンは、エンジン回転数、タービン回転数、駆動系状態観測器ａ_１Ｘ_１の第１状態観測値、酸素センサ電圧、空燃比センサ電流、空燃比系状態観測器ａ_２Ｘ_２の第１状態観測値、および、第１潜在状態値の７つのデータで構成されている。以下、ニューロンを構成する各データを、ニューロンの重みデータという。

学習により、正常面を構成するニューロンの重みが初期値から変化し、学習済みの正常面ＰＬ２が得られる。
正常面の学習が終了すると、ＣＰＵ１１は、図５に示すように、Ｓ１００にて、Ｓ９０で学習した正常面を表す学習済みパラメータを正常モデルパラメータ記憶部１０７に記憶し、学習処理を終了する。

次に、制御装置２のＣＰＵ１１が実行する監視処理の手順を説明する。監視処理は、正常面の学習が終了した後に繰り返し実行される処理である。
監視処理が実行されると、ＣＰＵ１１は、図１１に示すように、まずＳ４１０にて、各種センサから監視対象データを取得する。

さらにＣＰＵ１１は、Ｓ４２０にて、Ｓ４１０で取得した監視対象データに対して、正規分布に近づける分布変換を行う。
そしてＣＰＵ１１は、Ｓ４３０にて、分布変換後の監視対象データを監視対象データ記憶部１０３に記憶する。

次にＣＰＵ１１は、Ｓ４４０にて、監視対象データ、変数構成および係数を読み出し、状態観測器ごとに、状態観測器を構成する変数に対して監視対象データを当て嵌めて第２状態観測値を算出する。

さらにＣＰＵ１１は、Ｓ４５０にて、監視対象データ、変数構成および係数を読み出し、質的ソフトセンサごとに、質的ソフトセンサを構成する変数に対して監視対象データを当て嵌めて第２潜在状態値を算出する。

そしてＣＰＵ１１は、Ｓ４６０にて、Ｓ４１０で取得した監視対象データと、Ｓ４４０で算出した第２状態観測値と、Ｓ４５０で算出した第２潜在状態値とを結合する。以下、結合された監視対象データ、第２状態観測値および第２潜在状態値をまとめて検証用データという。

またＣＰＵ１１は、Ｓ４７０にて、正常モデルパラメータ記憶部１０７から学習済みパラメータを取得する。
そしてＣＰＵ１１は、Ｓ４８０にて、異常度算出処理を実行する。ここで、異常度算出処理の手順を説明する。

異常度算出処理が実行されると、ＣＰＵ１１は、図１２に示すように、まずＳ６１０にて、ループカウンタｌの値を１に設定する。
そしてＣＰＵ１１は、Ｓ６２０にて、まず、監視時点ｋにおける検証用データＺ_ｋと、正常面を構成する各ニューロンＷ_ｉ，ｊとのユークリッド距離ｄ_{ｋ，ｌ，ｉ，ｊ}を算出する。ｉは、正常面におけるニューロンの横方向位置を示す番号であり、１～Ｎの整数である。Ｎは正常面の横サイズを示す。ｊは、正常面におけるニューロンの縦方向位置を示す番号であり、１～Ｍの整数である。Ｍは正常面の縦サイズを示す。

検証用データＺ_ｋは、式（７）に示すように、Ｘ個のデータで構成されている。ニューロンＷ_ｉ，ｊは、式（８）に示すように、Ｘ個の重みデータで構成されている。

さらにＣＰＵ１１は、Ｓ６２０にて、全てのニューロンＷ_ｉ，ｊにおいて算出されたユークリッド距離ｄ_{ｋ，ｌ，ｉ，ｊ}の中から、最小のユークリッド距離を、最小ユークリッド距離ｄ_ｋ，ｌとする。

またＣＰＵ１１は、Ｓ６３０にて、検証用データＺ_ｋと、検証用データＺ_ｋに最も近いニューロンＷ’_ｋ，ｌとのコサイン類似度ｃｏｓθ_ｋ，ｌを算出する。
またＣＰＵ１１は、Ｓ６４０にて、最小ユークリッド距離ｄ_ｋ，ｌとコサイン類似度ｃｏｓθ_ｋ，ｌとの積を異常度ｃ_ｋ，ｌとして算出する。

そしてＣＰＵ１１は、Ｓ６５０にて、ループカウンタｌの値が予め設定された終了判定値Ｌ（例えば、１０）を超えているか否かを判断する。ここで、ループカウンタｌの値が終了判定値Ｌを超えていない場合には、ＣＰＵ１１は、Ｓ６６０にて、ループカウンタｌをインクリメント（すなわち、１加算）する。さらにＣＰＵ１１は、Ｓ６７０にて、正常面を構成するニューロンＷ_ｉ，ｊの中から、検証用データＺ_ｋに最も近いニューロンＷ’_ｋ，ｌを取り除いて、Ｓ６２０に移行する。

またＳ６５０にて、ループカウンタｌの値が終了判定値Ｌを超えている場合には、ＣＰＵ１１は、Ｓ６８０にて、Ｌ個の異常度ｃ_ｋ，ｌの総和を総合異常度ｃ_ｋとして算出して、異常度算出処理を終了する。

異常度算出処理が終了すると、ＣＰＵ１１は、図１１に示すように、Ｓ４９０にて、異常判定を行い、監視処理を終了する。具体的には、ＣＰＵ１１は、正常モデルパラメータ記憶部１０７から閾値を読み出し、Ｓ６８０で算出された総合異常度ｃ_ｋが閾値以下であるか否か判断する。総合異常度ｃ_ｋが閾値以下である場合には、ＣＰＵ１１は、車両が正常であると判断する。総合異常度ｃ_ｋが閾値を超えている場合には、ＣＰＵ１１は、車両が異常であると判断する。

このように構成された異常検出装置１は、データ取得部１０１と、正常モデル生成部１０６と、異常度算出部１０８と、判定部１０９とを備える。
データ取得部１０１は、車両の学習対象データおよび監視対象データを取得する。

正常モデル生成部１０６は、学習対象データと、第１状態観測値と、第１潜在状態値とにより構成されるデータを競合型ニューラルネットワークに入力することにより正常モデルを生成する。第１状態観測値は、車両が有する系統の状態を表す状態観測器に学習対象データを入力することによって得られる。第１潜在状態値は、車両の潜在状態を表す質的ソフトセンサに学習対象データを入力することによって得られる。

異常度算出部１０８は、監視対象データと、第２状態観測値と、第２潜在状態値とにより構成されるデータを正常モデルと比較することにより、車両の異常の度合いを示す異常度を算出する。第２状態観測値は、状態観測器に監視対象データを入力することによって得られる。第２潜在状態値は、質的ソフトセンサに監視対象データを入力することによって得られる。

判定部１０９は、異常度算出部１０８により算出された異常度に基づいて、車両が正常であるか異常であるかを判定する。
このように異常検出装置１は、学習対象データおよび第１状態観測値に第１潜在状態値を加えて正常モデルを生成し、監視対象データおよび第２状態観測値に第２潜在状態値を加えて異常度を算出する。これにより、異常検出装置１は、車両の状態を含めて学習した正常モデルにより異常を検出することができ、異常検出精度を向上させることができる。

また異常検出装置１は、例えば図１３に示すように、各監視時点においてどのようなデータの背景から異常が発生したかを可視化して要因分析を行うことができる。図１３では、異常検出装置１は、監視時点ｔ１および監視時点ｔ２において第１潜在状態および第２潜在状態の値が０でないことを加味して要因分析を行うことができる。

質的ソフトセンサは、車両を構成する構成要素（例えば、ヘッドランプ、変速機、カーエアコン）の状態を表す複数のフラグを結合することにより生成される。これにより、異常検出装置１は、次元圧縮することで潜在的な状態を表す変数を生成し、ノイズ等に対しロバストなデータ状態を表す変数を獲得することができる。

以上説明した実施形態において、車両は異常検出対象に相当し、Ｓ１０，Ｓ４１０はデータ取得手順としての処理に相当し、Ｓ９０は正常モデル生成手順としての処理に相当し、Ｓ４８０は異常度算出手順としての処理に相当し、Ｓ４９０は判定手順としての処理に相当する。

［第２実施形態］
以下に本開示の第２実施形態を図面とともに説明する。なお第２実施形態では、第１実施形態と異なる部分を説明する。共通する構成については同一の符号を付す。

第２実施形態の異常検出装置１は、学習処理および監視処理が変更された点が第１実施形態と異なる。
第２実施形態の学習処理は、Ｓ４５，Ｓ７５の処理が追加された点と、Ｓ８０，Ｓ９０の代わりにＳ８５，Ｓ９５の処理が実行される点とが第１実施形態と異なる。

すなわち、図１４に示すように、Ｓ４０の処理が終了すると、ＣＰＵ１１は、Ｓ４５にて、マハラノビス距離算出用パラメータを生成する。具体的には、ＣＰＵ１１は、状態観測器毎に、状態観測器を構成する変数に対応する学習対象データで標本平均および標本共分散行列をマハラノビス距離算出用パラメータとして算出する。例えば、駆動系状態観測器では、エンジン回転数およびタービン回転数を変数としてマハラノビス距離算出用パラメータが算出される。標本平均は式（９）で算出される。標本共分散行列は式（１０）で算出される。式（９），（１０）におけるｘ^（ｎ）は、状態観測器を構成する変数である。式（９），（１０）におけるＮは、学習対象データの数である。

Ｓ４５の処理が終了すると、Ｓ５０に移行する。
また、Ｓ７０の処理が終了すると、ＣＰＵ１１は、Ｓ７５にて、Ｓ１０で取得した学習対象データを用いて、式（１１）により第１指標を算出する。式（１１）の左辺は第１指標である。式（１１）の右辺は、マハラノビス距離を算出するための式である。

Ｓ７５の処理が終了すると、ＣＰＵ１１は、Ｓ８５にて、Ｓ１０で取得した学習対象データと、Ｓ６０で算出した第１状態観測値と、Ｓ７０で算出した第１潜在状態値と、Ｓ７５で算出した第１指標とを結合する。

次にＣＰＵ１１は、Ｓ９５にて、Ｓ８５で結合したデータを競合型ニューラルネットワークに入力することにより、正常モデルとして正常面を学習し、Ｓ１００に移行する。
第２実施形態の監視処理は、Ｓ４５５の処理が追加された点と、Ｓ４６０の代わりにＳ４６５の処理が実行される点とが第１実施形態と異なる。

すなわち、図１５に示すように、Ｓ４５０の処理が終了すると、ＣＰＵ１１は、Ｓ４５５にて、Ｓ４１０で取得した監視対象データを用いて、式（１１）により第２指標を算出する。

そしてＣＰＵ１１は、Ｓ４６５にて、Ｓ４１０で取得した監視対象データと、Ｓ４４０で算出した第２状態観測値と、Ｓ４５０で算出した第２潜在状態値と、Ｓ４５５で算出した第２指標とを結合し、Ｓ４７０に移行する。第２実施形態では、結合された監視対象データ、第２状態観測値、第２潜在状態値および第２指標をまとめて検証用データという。

次に、マハラノビス距離を用いた正常面の学習と、マハラノビス距離を用いた異常検出とについて説明する。
図１６のターミングチャートＴＣ１は、車両の空気系の状態観測器を構成する変数である吸入空気量および負荷値の時間変化を示す。ターミングチャートＴＣ１は、期間Ｔ１において、学習対象データとして取得された吸入空気量および負荷値の時間変化を示し、期間Ｔ２において、監視対象データとして取得された吸入空気量および負荷値の時間変化を示す。

領域Ｒ１，Ｒ２では、吸入空気量と負荷値との間で負の相関がある。これは、潜在状態が変化しただけであり、正常である。
領域Ｒ３では、吸入空気量が低下しているのに対して、負荷値が一定である。これは、負荷値の固着異常である。領域Ｒ１，Ｒ２，Ｒ３以外の領域では、吸入空気量と負荷値との間で正の相関がある。これは、正常である。

グラフＧＲ１，ＧＲ２は、縦軸を吸入空気量とし横軸を吸入空気量として、ターミングチャートＴＣ１における吸入空気量および負荷値の分布を示す。
グラフＧＲ１，ＧＲ２における領域Ｒ４内の複数の点は、ターミングチャートＴＣ１における領域Ｒ１，Ｒ２内のデータに対応している。グラフＧＲ１，ＧＲ２における領域Ｒ５内の複数の点は、ターミングチャートＴＣ１における領域Ｒ３内のデータに対応している。グラフＧＲ１，ＧＲ２における領域Ｒ４，Ｒ５以外の複数の点は、ターミングチャートＴＣ１における領域Ｒ１，Ｒ２，Ｒ３以外のデータに対応している。

グラフＧＲ１における複数の楕円は、マハラノビス距離の等距離線である。グラフＧＲ２における複数の円は、ユークリッド距離の等距離線である。
図１７に示すように、初期化された正常面ＰＬ３は、ニューロンを二次元格子状に配置したＳＯＭである。各ニューロンは、学習対象データ、第１状態観測値、第１潜在状態値および第１指標で構成されている。例えば、各ニューロンは、エンジン回転数、タービン回転数、駆動系状態観測器ａ_１Ｘ_１の第１状態観測値、酸素センサ電圧、空燃比センサ電流、空燃比系状態観測器ａ_２Ｘ_２の第１状態観測値、第１潜在状態値、および、第１指標の８つのデータで構成されている。学習により、正常面を構成するニューロンの重みが初期値から変化し、学習済みの正常面ＰＬ４が得られる。

マハラノビス距離を用いて算出された指標を、潜在状態値とともに学習させることにより、図１８に示すように、領域Ｒ４内の複数の点を正常、領域Ｒ５内の複数の点を異常と判定させることが可能となる。図１８における領域Ｒ６は、正常と判定される領域である。なお、指標によって、吸入空気量と負荷値との関係を見るが例外条件をＳＯＭで設定する。

このように構成された異常検出装置１では、正常モデル生成部１０６は、第１指標を算出し、学習対象データと、第１状態観測値と、第１潜在状態値と、第１指標とにより構成されるデータを競合型ニューラルネットワークに入力することにより正常モデルを生成する。第１指標は、状態観測器を構成する複数の変数の関係性の変化を表し学習対象データを入力することによって得られる。

異常度算出部１０８は、第２指標を算出し、監視対象データと、第２状態観測値と、第２潜在状態値と、第２指標とにより構成されるデータを正常モデルと比較することにより異常度を算出する。第２指標は、状態観測器を構成する複数の変数の関係性の変化を表して監視対象データを入力することによって得られる。

これにより、異常検出装置１は、状態観測器を構成する複数の変数の関係性を含めて学習した正常モデルにより異常を検出することができ、異常検出精度を向上させることができる。

また、第１指標および第２指標はマハラノビス距離である。これにより、異常検出装置１は、ユークリッド距離基準では検出が難しかった関係性変化を検出することができる。
なお、マハラノビス距離では、状態観測器を構成する２つの変数が稀に線形関係から崩れる場合に、正常であっても指標が大きくなってしまうことがある。しかし、正常時に線形関係から崩れる場合の指標を、競合型ニューラルネットワークを用いて他の値と共にニューロンへ学習させることで、指標が高くても他の値を含めて判断することができ、第２種の過誤を抑止することができる。

［第３実施形態］
以下に本開示の第３実施形態を図面とともに説明する。なお第３実施形態では、第１実施形態と異なる部分を説明する。共通する構成については同一の符号を付す。

第３実施形態の異常検出装置１は、学習処理が変更された点が第１実施形態と異なる。
第３実施形態の学習処理は、Ｓ３５の処理が追加された点が第１実施形態と異なる。
すなわち、図１９に示すように、Ｓ３０の処理が終了すると、ＣＰＵ１１は、Ｓ３５にて、パラメータ設定処理を実行する。ここで、パラメータ設定処理の手順を説明する。

パラメータ設定処理が実行されると、ＣＰＵ１１は、図２０に示すように、まずＳ７１０にて、後述するクラスタリング係数設定処理を実行する。
そしてＣＰＵ１１は、Ｓ７２０にて、後述する正則化係数設定処理を実行する。さらにＣＰＵ１１は、Ｓ７３０にて、後述するマップサイズ設定処理を実行して、パラメータ設定処理を終了する。

次に、Ｓ７１０で実行されるクラスタリング係数設定処理の手順を説明する。
クラスタリング係数設定処理が実行されると、ＣＰＵ１１は、図２１に示すように、まずＳ８１０にて、外部要因による層別分類を行う。外部要因による層別分類とは、後述する第１探索範囲を、車両の条件に応じて設定することである。車両の条件として、例えば車速が挙げられる。

またＣＰＵ１１は、Ｓ８２０にて、クラスタリング係数の正常データの範囲を定義する。
そしてＣＰＵ１１は、Ｓ８３０にて、ＤＢＳＣＡＮのクラスタリング係数を探索するための第１探索範囲を設定する。ＤＢＳＣＡＮは、Density-Based Spatial Clustering of Applications with Noiseの略であり、クラスタリングアルゴリズムである。ＤＢＳＣＡＮは、教師データの外れ値を除去するために行われる。ＤＢＳＣＡＮのクラスタリング係数は、近傍探索半径εおよび最小近傍点数ｍｉｎｐｔｓの２つである。第１探索範囲は、近傍探索半径εおよび最小近傍点数ｍｉｎｐｔｓのそれぞれで設定される。

次にＣＰＵ１１は、Ｓ８４０にて、Ｓ８３０で設定された第１探索範囲内で、近傍探索半径εおよび最小近傍点数ｍｉｎｐｔｓの最適解を探索する。具体的には、ＣＰＵ１１は、Ｓ１０で取得した学習対象データを用いて、第１探索範囲内で近傍探索半径εおよび最小近傍点数ｍｉｎｐｔｓを変化させながら正常モデルの学習を行って総合異常度を算出し、総合異常度が最小となる近傍探索半径εおよび最小近傍点数ｍｉｎｐｔｓを最適解として決定する。なお、正常モデルの学習および異常度の算出において、クロスバリデーションが用いられている。クロスバリデーションにより過学習を抑制し、汎化精度を確保することができる。また、クラスタリング係数の探索において、グリッドサーチが用いられている。

Ｓ８４０における最適解の探索では、例えば、図２２のグラフＧＲ３に示すように、ＣＰＵ１１は、まず、第１探索範囲ＳＲ１内に複数の設定値ｘ０，ｘ１，ｘ２，ｘ３，ｘ４を設定する。そしてＣＰＵ１１は、設定値ｘ０，ｘ１，ｘ２，ｘ３，ｘ４のそれぞれについて総合異常度を算出し、総合異常度が最小となる設定値を最適解とする。グラフＧＲ３では、設定値ｘ２が最適解である。

Ｓ８４０の処理が終了すると、ＣＰＵ１１は、図２１に示すように、Ｓ８５０にて、Ｓ８４０で探索した最適解の近傍に、第１探索範囲より狭い第２探索範囲を設定する。
次にＣＰＵ１１は、Ｓ８６０にて、Ｓ８５０で設定された第２探索範囲内で、近傍探索半径εおよび最小近傍点数ｍｉｎｐｔｓの最適解を探索する。具体的には、ＣＰＵ１１は、Ｓ１０で取得した学習対象データを用いて、第２探索範囲内で近傍探索半径εおよび最小近傍点数ｍｉｎｐｔｓを変化させながら正常モデルの学習を行って総合異常度を算出し、総合異常度が最小となる近傍探索半径εおよび最小近傍点数ｍｉｎｐｔｓを最適解として決定する。

Ｓ８６０における最適解の探索では、例えば、図２２のグラフＧＲ４に示すように、ＣＰＵ１１は、まず、第２探索範囲ＳＲ２内に複数の設定値（ｘ２－２ａ），（ｘ２－ａ），ｘ２，（ｘ２＋ａ），（ｘ２＋２ａ）を設定する。そしてＣＰＵ１１は、設定値（ｘ２－２ａ），（ｘ２－ａ），ｘ２，（ｘ２＋ａ），（ｘ２＋２ａ）のそれぞれについて総合異常度を算出し、総合異常度が最小となる設定値を最適解とする。グラフＧＲ４では、設定値（ｘ２－２ａ）が最適解である。

Ｓ８６０の処理が終了すると、ＣＰＵ１１は、図２１に示すように、Ｓ８７０にて、Ｓ８６０で探索した最適解を、クラスタリング係数（すなわち、近傍探索半径εおよび最小近傍点数ｍｉｎｐｔｓ）に設定して、クラスタリング係数設定処理を終了する。

クラスタリング係数設定処理が終了すると、ＣＰＵ１１は、図２０に示すように、Ｓ７２０にて、正則化係数設定処理を実行する。
正則化係数設定処理は、クラスタリング係数の代わりに正則化係数の最適解を探索する点以外はクラスタリング係数設定処理と同じであるため詳細な説明を省略する。すなわち、正則化係数設定処理では、ＣＰＵ１１は、まず、第１探索範囲を設定して第１探索範囲内で正則化係数の最適解を探索する。またＣＰＵ１１は、第１探索範囲より狭い第２探索範囲を最適解の近傍に設定して第２探索範囲内で正則化係数の最適解を探索する。そしてＣＰＵ１１は、第２探索範囲内で探索した最適解を正則化係数に設定する。

正則化係数は、状態観測器の係数を算出するために行われるＲＧＣＣＡで用いられる正則化項の係数である。ＲＧＣＣＡは、Regularized Generalized Canonical Correlation Analysisの略である。

正則化係数設定処理が終了すると、ＣＰＵ１１は、Ｓ７３０にて、マップサイズ設定処理を実行して、パラメータ設定処理を終了する。
マップサイズ設定処理は、クラスタリング係数の代わりに正常面の横サイズおよび縦サイズの最適解を探索する点以外はクラスタリング係数設定処理と同じであるため詳細な説明を省略する。すなわち、マップサイズ設定処理では、ＣＰＵ１１は、まず、第１探索範囲を設定して第１探索範囲内で正常面の横サイズおよび縦サイズの最適解を探索する。またＣＰＵ１１は、第１探索範囲より狭い第２探索範囲を最適解の近傍に設定して第２探索範囲内で正常面の横サイズおよび縦サイズの最適解を探索する。そしてＣＰＵ１１は、第２探索範囲内で探索した最適解を正常面の横サイズおよび縦サイズに設定する。

パラメータ設定処理が終了すると、ＣＰＵ１１は、図１９に示すように、Ｓ４０に移行する。
このように構成された異常検出装置１は、正常モデルを生成するために用いられるクラスタリング係数、正則化係数およびマップサイズ（以下、パラメータ）について、予め設定された第１探索範囲内で最適解（以下、第１最適解）を探索する。そして異常検出装置１は、探索された第１最適解を含み且つ第１探索範囲より狭くなるように設定された第２探索範囲内でパラメータの最適解（以下、第２最適解）を探索する。

これにより、異常検出装置１は、第１探索範囲内で粗く第１最適解を探索し、その後に第２探索範囲内で細かく第２最適解を探索することにより、パラメータの最適解を決定することができるため、最適解を探索するための計算量を削減することができる。

異常検出装置１は、クラスタリング係数、正則化係数、マップサイズの順に最適解の探索を行う。クラスタリング係数、正則化係数、マップサイズの順は、正常モデルの精度に及ぼす影響が大きい順である。これにより、異常検出装置１は、正常モデルの精度の低下を抑制することができる。

以上説明した実施形態において、Ｓ８３０，Ｓ８４０は第１探索部および第１探索手順としての処理に相当し、Ｓ８５０，Ｓ８６０は第２探索部および第２探索手順としての処理に相当する。

以上、本開示の一実施形態について説明したが、本開示は上記実施形態に限定されるものではなく、種々変形して実施することができる。
［変形例１］
上記実施形態では、異常検出装置１が車両の異常を検出する形態を示した。しかし、異常検出装置１は、輸送機器、農具機器および建設機器などの異常を検出するようにしてもよい。

［変形例２］
上記実施形態では、異常検出装置１が車両に搭載される形態を示した。しかし、異常検出装置１は、車両に搭載されていなくてもよい。例えば、異常検出装置１は、車両の外部に設置され、車両のコネクティッドＥＣＵに有線または無線で接続されるようにしてもよい。

［変形例３］
上記実施形態では、監視対象データとニューロンとの差分で異常度を算出する形態を示した。しかし、図２３に示すように、各次元のニューロンと監視対象データとの大小を加味して負値の異常度を表現するようにしてもよい。これにより、各次元の正常値より大きいか小さいかを判断することが可能となる。

［変形例４］
上記実施形態では、学習対象データと第１状態観測値と第１潜在状態値とを結合して競合型ニューラルネットワークに入力することにより正常モデルとして正常面を学習する形態を示した。しかし、図２４に示すように、状態観測器を構成する変数に、潜在状態値を含めるようにしてもよい。この場合には、学習対象データと、潜在状態値を含めて算出された第１状態観測値とを結合して競合型ニューラルネットワークに入力することにより正常モデルが生成される。

本開示に記載の制御装置２およびその手法は、コンピュータプログラムにより具体化された一つ乃至は複数の機能を実行するようにプログラムされたプロセッサおよびメモリを構成することによって提供された専用コンピュータにより、実現されてもよい。あるいは、本開示に記載の制御装置２およびその手法は、一つ以上の専用ハードウェア論理回路によってプロセッサを構成することによって提供された専用コンピュータにより、実現されてもよい。もしくは、本開示に記載の制御装置２およびその手法は、一つ乃至は複数の機能を実行するようにプログラムされたプロセッサおよびメモリと一つ以上のハードウェア論理回路によって構成されたプロセッサとの組み合わせにより構成された一つ以上の専用コンピュータにより、実現されてもよい。また、コンピュータプログラムは、コンピュータにより実行されるインストラクションとして、コンピュータ読み取り可能な非遷移有形記録媒体に記憶されてもよい。制御装置２に含まれる各部の機能を実現する手法には、必ずしもソフトウェアが含まれている必要はなく、その全部の機能が、一つあるいは複数のハードウェアを用いて実現されてもよい。

上記実施形態における１つの構成要素が有する複数の機能を、複数の構成要素によって実現したり、１つの構成要素が有する１つの機能を、複数の構成要素によって実現したりしてもよい。また、複数の構成要素が有する複数の機能を、１つの構成要素によって実現したり、複数の構成要素によって実現される１つの機能を、１つの構成要素によって実現したりしてもよい。また、上記実施形態の構成の一部を省略してもよい。また、上記実施形態の構成の少なくとも一部を、他の上記実施形態の構成に対して付加または置換してもよい。

上述した異常検出装置１の他、当該異常検出装置１を構成要素とするシステム、当該異常検出装置１としてコンピュータを機能させるためのプログラム、このプログラムを記録した半導体メモリ等の非遷移的実体的記録媒体、異常検出方法など、種々の形態で本開示を実現することもできる。

１…異常検出装置、２…制御装置、１０１…データ取得部、１０４…状態観測器生成部、１０６…正常モデル生成部、１０８…異常度算出部、１０９…判定部

Claims (12)

1. 異常を検出する対象である異常検出対象の学習対象データおよび監視対象データを取得するように構成されたデータ取得部（１０１）と、
   前記学習対象データと、前記異常検出対象が有する系統の状態を表す状態観測器に前記学習対象データを入力することによって得られる第１状態観測値と、前記異常検出対象の潜在状態を表す質的ソフトセンサに前記学習対象データを入力することによって得られる第１潜在状態値とにより構成されるデータを競合型ニューラルネットワークに入力することにより正常モデルを生成するように構成された正常モデル生成部（１０６）と、
   前記監視対象データと、前記状態観測器に前記監視対象データを入力することによって得られる第２状態観測値と、前記質的ソフトセンサに前記監視対象データを入力することによって得られる第２潜在状態値とにより構成されるデータを前記正常モデルと比較することにより、前記異常検出対象の異常の度合いを示す異常度を算出するように構成された異常度算出部（１０８）と、
   前記異常度算出部により算出された前記異常度に基づいて、前記異常検出対象が正常であるか異常であるかを判定するように構成された判定部（１０９）と
   を備える異常検出装置（１）。
2. 請求項１に記載の異常検出装置であって、
   前記質的ソフトセンサは、前記異常検出対象を構成する構成要素の状態を表す複数のフラグを結合することにより生成される異常検出装置。
3. 請求項１または請求項２に記載の異常検出装置であって、
   前記正常モデル生成部は、前記状態観測器を構成する複数の変数の関係性の変化を表し前記学習対象データを入力することによって得られる第１指標を算出し、前記学習対象データと、前記第１状態観測値と、前記第１潜在状態値と、前記第１指標とにより構成されるデータを前記競合型ニューラルネットワークに入力することにより前記正常モデルを生成し、
   前記異常度算出部は、前記状態観測器を構成する複数の変数の関係性の変化を表して前記監視対象データを入力することによって得られる第２指標を算出し、前記監視対象データと、前記第２状態観測値と、前記第２潜在状態値と、前記第２指標とにより構成されるデータを前記正常モデルと比較することにより前記異常度を算出する異常検出装置。
4. 請求項３に記載の異常検出装置であって、
   前記第１指標および前記第２指標はマハラノビス距離である異常検出装置。
5. 請求項１～請求項４の何れか１項に記載の異常検出装置であって、
   前記正常モデル生成部が前記正常モデルを生成するために用いられる少なくとも一つのパラメータについて、予め設定された第１探索範囲内で最適解を第１最適解として探索するように構成された第１探索部（Ｓ８３０，Ｓ８４０）と、
   前記第１探索部で探索された前記第１最適解を含み且つ前記第１探索範囲より狭くなるように設定された第２探索範囲内で前記パラメータの最適解を第２最適解として探索するように構成された第２探索部（Ｓ８５０，Ｓ８６０）と
   を備える異常検出装置。
6. 請求項５に記載の異常検出装置であって、
   前記第１探索部および前記第２探索部は、前記パラメータが複数存在する場合には、前記正常モデルの精度に及ぼす影響が大きい順に前記パラメータを探索する異常検出装置。
7. 異常を検出する対象である異常検出対象の学習対象データおよび監視対象データを取得するデータ取得手順（Ｓ１０，Ｓ４１０）と、
   前記学習対象データと、前記異常検出対象が有する系統の状態を表す状態観測器に前記学習対象データを入力することによって得られる第１状態観測値と、前記異常検出対象の潜在状態を表す質的ソフトセンサに前記学習対象データを入力することによって得られる第１潜在状態値とにより構成されるデータを競合型ニューラルネットワークに入力することにより正常モデルを生成する正常モデル生成手順（Ｓ９０）と、
   前記監視対象データと、前記状態観測器に前記監視対象データを入力することによって得られる第２状態観測値と、前記質的ソフトセンサに前記監視対象データを入力することによって得られる第２潜在状態値とにより構成されるデータを前記正常モデルと比較することにより、前記異常検出対象の異常の度合いを示す異常度を算出する異常度算出手順（Ｓ４８０）と、
   前記異常度に基づいて、前記異常検出対象が正常であるか異常であるかを判定する判定手順（Ｓ４９０）と
   を備える異常検出方法。
8. 請求項７に記載の異常検出方法であって、
   前記正常モデル生成手順は、前記状態観測器を構成する複数の変数の関係性の変化を表し前記学習対象データを入力することによって得られる第１指標を算出し、前記学習対象データと、前記第１状態観測値と、前記第１潜在状態値と、前記第１指標とにより構成されるデータを前記競合型ニューラルネットワークに入力することにより前記正常モデルを生成し、
   前記異常度算出手順は、前記状態観測器を構成する複数の変数の関係性の変化を表し前記監視対象データを入力することによって得られる第２指標を算出し、前記監視対象データと、前記第２状態観測値と、前記第２潜在状態値と、前記第２指標とにより構成されるデータを前記競合型ニューラルネットワークに入力することにより前記異常度を算出する異常検出方法。
9. 請求項７または請求項８に記載の異常検出方法であって、
   前記正常モデルを生成するために用いられる少なくとも一つのパラメータについて、予め設定された第１探索範囲内で最適解を第１最適解として探索する第１探索手順（Ｓ８３０，Ｓ８４０）と、
   前記第１最適解を含み且つ前記第１探索範囲より狭くなるように設定された第２探索範囲内で前記パラメータの最適解を第２最適解として探索する第２探索手順（Ｓ８５０，Ｓ８６０）と
   を備える異常検出方法。
10. コンピュータを、
    異常を検出する対象である異常検出対象の学習対象データおよび監視対象データを取得するように構成されたデータ取得部、
    前記学習対象データと、前記異常検出対象が有する系統の状態を表す状態観測器に前記学習対象データを入力することによって得られる第１状態観測値と、前記異常検出対象の潜在状態を表す質的ソフトセンサに前記学習対象データを入力することによって得られる第１潜在状態値とにより構成されるデータを競合型ニューラルネットワークに入力することにより正常モデルを生成するように構成された正常モデル生成部、
    前記監視対象データと、前記状態観測器に前記監視対象データを入力することによって得られる第２状態観測値と、前記質的ソフトセンサに前記監視対象データを入力することによって得られる第２潜在状態値とにより構成されるデータを前記正常モデルと比較することにより、前記異常検出対象の異常の度合いを示す異常度を算出するように構成された異常度算出部、及び、
    前記異常度算出部により算出された前記異常度に基づいて、前記異常検出対象が正常であるか異常であるかを判定するように構成された判定部
    として機能させるための異常検出プログラム。
11. 請求項１０に記載の異常検出プログラムであって、
    前記正常モデル生成部は、前記状態観測器を構成する複数の変数の関係性の変化を表して前記学習対象データを入力することによって得られる第１指標を算出し、前記学習対象データと、前記第１状態観測値と、前記第１潜在状態値と、前記第１指標とにより構成されるデータを前記競合型ニューラルネットワークに入力することにより前記正常モデルを生成し、
    前記異常度算出部は、前記状態観測器を構成する複数の変数の関係性の変化を表して前記監視対象データを入力することによって得られる第２指標を算出し、前記監視対象データと、前記第２状態観測値と、前記第２潜在状態値と、前記第２指標とにより構成されるデータを前記正常モデルと比較することにより前記異常度を算出する異常検出プログラム。
12. 請求項１０または請求項１１に記載の異常検出プログラムであって、
    コンピュータを、更に、
    前記正常モデル生成部が前記正常モデルを生成するために用いられる少なくとも一つのパラメータについて、予め設定された第１探索範囲内で最適解を第１最適解として探索するように構成された第１探索部、及び、
    前記第１探索部で探索された前記第１最適解を含み且つ前記第１探索範囲より狭くなるように設定された第２探索範囲内で前記パラメータの最適解を第２最適解として探索するように構成された第２探索部
    として機能させるための異常検出プログラム。

Images