JP6223936B2

JP6223936B2 - 異常傾向検出方法およびシステム

Info

Publication number: JP6223936B2
Application number: JP2014186015A
Authority: JP
Inventors: 渋谷　久恵; 久恵渋谷
Original assignee: Hitachi High Technologies Corp
Current assignee: Hitachi High Tech Corp
Priority date: 2014-09-12
Filing date: 2014-09-12
Publication date: 2017-11-01
Anticipated expiration: 2034-09-12
Also published as: JP2016058010A

Description

本発明は、プラントや設備などに取り付けられた各種のセンサから出力される多次元時系列データをもとにセンサ出力信号の異常の度合いが徐々に上昇することを検知する異常傾向検出方法およびそのシステムに関する。

電力会社では、ガスタービンの廃熱などを利用して地域暖房用温水を供給したり、工場向けに高圧蒸気や低圧蒸気を供給したりしている。石油化学会社では、ガスタービンなどを電源設備として運転している。このようにガスタービンなどを用いた各種プラントや設備において、設備の不具合あるいはその兆候を検知する異常検知は、社会へのダメージを最小限に抑えるためにも極めて重要である。

ガスタービンや蒸気タービンのみならず、水力発電所での水車、原子力発電所の原子炉、風力発電所の風車、航空機や重機のエンジン、鉄道車両や軌道、エスカレータ、エレベータ、機器・部品レベルでも、搭載電池の劣化・寿命など、上記のような予防保全を必要とする設備は枚挙に暇がない。

このため、対象設備やプラントに複数のセンサを取り付け、センサ毎の監視基準に従って正常か異常かを判断することが行われている。特開２０１１―７０６３５号公報（特許文献１）には、過去の正常データから作成されたモデルとの比較によって算出される異常測度に基づいて異常の有無を検知する異常検知方法において、正常モデルを局所部分空間法によって作成することが開示されている。この方法では、異常測度の大きさによって異常の有無を精度よく判定可能である。しかし、異常の有無だけではなく、異常の程度が徐々に悪化していること、すなわち異常測度の上昇傾向を検知したいというニーズがある。さらに、検知した異常測度の上昇に関連するセンサを特定する必要がある。

このようなニーズに関連して、特開２００９―１１５４８１号公報（特許文献２）には、センサ信号の蓄積データから上昇傾向または下降傾向の傾きを予め設定した基準値と比較することにより設備の劣化状態を判定する監視診断システムが開示されている。

特開２０１１―７０６３５号公報特開２００９―１１５４８１号公報

特許文献１記載の方法では、異常測度の大きさによって異常の有無を判定することが可能であるが、異常測度上昇傾向の検知については記載がない。また、特許文献２記載の方法では、センサ毎に上昇または下降の傾向を検出可能であるが、センサ毎に傾きを算出し予め設定した基準値と比較する必要がある。傾きは回帰分析によって算出するが、算出区間によって変化するため、適切な区間を設定することは困難であり、センサ毎に適切な基準値を設定することも一般的には困難であるという問題がある。特に多数のセンサを扱う場合は、より困難になる。また、センサ毎の上昇または下降の傾向を検出することは、時系列グラフの目視によって可能であるが、人あるいは日によって基準が変わってしまうという問題があり、また、センサ数が多い場合は実施困難となる。

そこで、本発明の目的は、上記課題を解決し、多次元時系列センサ信号を用いた設備状態監視において、異常測度の上昇傾向を検知しその関連センサを特定する方法およびシステムであって、判定の過程に人が介入することがなく、かつ煩雑な基準設定が不要である方法およびシステムを提供することにある。

上記目的を達成するために、本発明では、設備の異常傾向を検出する方法において、設備に取り付けられた複数のセンサから時系列的に出力される複数のセンサ信号を処理して複数のセンサ信号についてそれぞれ時刻毎に特徴ベクトルを作成し、この作成した特徴ベクトルに基づいて異常測度を算出し、この算出した異常測度の時系列変化に基づき時刻毎に異常測度上昇傾向を判定し、判定した結果から異常測度上昇傾向が連続する異常測度上昇区間を検出し、複数のセンサの中から検出した異常測度上昇区間において異常測度上昇に寄与したセンサを特定し、この特定したセンサの異常測度上昇区間における寄与量の傾きと異常測度上昇区間の長さに基づいて異常測度上昇区間における異常測度上昇傾向の有無を判定するようにした。

あるいは、上記異常検知方法において、異常測度算出方法を、学習データを用いて正常モデル作成し、各時刻の特徴ベクトルの正常モデルからの距離に基づいて算出するようにした。

また、上記目的を達成するために、本発明では、設備に装着された複数のセンサから時系列的に出力される複数のセンサ信号に基づいて設備の異常傾向を検出するシステムを、時系列的に出力されるセンサ信号を蓄積する生データ蓄積手段と、この生データ蓄積手段に蓄積された時系列的に出力されたセンサ信号から各時刻ごとの特徴ベクトルを作成する特徴ベクトル作成手段と、この特徴ベクトル作成手段により作成した各時刻の特徴ベクトルに基づいて異常測度を算出する異常測度算出手段と、この異常測度算出手段で算出した異常測度の時系列変化に基づいて各時刻の異常測度上昇傾向を判定するする異常測度上昇傾向判定手段と、この異常測度上昇傾向判定手段で判定した異常測度上昇傾向において異常測度上昇傾向が連続する区間を検出する異常測度上昇区間検出手段と、複数のセンサの中から検出した異常測度上昇区間において前記異常測度上昇に寄与したセンサを特定する関連センサ特定手段と、この関連センサ特定手段で特定したセンサの異常測度上昇区間における寄与量の傾きと区間の長さに基づいて異常測度上昇区間における異常測度上昇傾向の有無を判定する傾向有無判定手段を備えて構成した。

本発明によれば、複数のセンサ信号を用いた設備状態監視において、複数のセンサ信号に基づいて算出された異常測度の上昇傾向を検出するため、センサ毎に区間設定して上昇または下降の傾きを算出する必要がなく、センサ毎に基準設定して算出した傾きと比較する必要がない。すなわち、本発明によれば、異常測度上昇傾向の連続する区間を検出し、区間毎に関連センサを特定して傾向の有無を判定することが可能となり、異常測度上昇傾向検知とその関連センサ特定を少ない計算機負荷で実現することができるようになった。

以上の手法を適用したシステムにより、ガスタービンや蒸気タービンなどの設備のみならず、水力発電所での水車、原子力発電所の原子炉、風力発電所の風車、航空機や重機のエンジン、鉄道車両や軌道、エスカレータ、エレベータ、工場の生産設備、そして機器・部品レベルでは、搭載電池の劣化・寿命など、あるいは脳波や心電図など人を対象としたセンシングデータにおいて、対象の異常の有無のみでなく、異常の程度が徐々に悪化するといった傾向を早期に検出することが可能となる。

本発明の実施例に１おける異常傾向検出システムの概略の構成を示すブロック図である。本発明の実施例１における異常傾向検出システムを用いた処理の流れを示すフロー図である。本発明の実施例１におけるセンサ信号の例を示す信号リストの表である。本発明の実施例１における特徴ベクトル作成の処理の流れを示すフロー図である。本発明の実施例１における異常測度算出の処理の流れを示すフロー図である。局所部分空間法を説明する図である。本発明の実施例１における異常測度の時系列データのグラフから異常測度上昇傾向の有無を判定する方法を説明する図である。本発明の実施例１における異常測度上昇区間の関連センサ特定の処理の流れを示すフロー図である。本発明の実施例１における特徴ベクトルと起点ベクトルの１個の要素の時系列グラフの例である。本発明の実施例１における時系列データの最小二乗近似直線の傾きを説明する区間内の時刻毎の差分データの変化を示すグラフである。本発明の実施例１におけるレシピ設定のためのＧＵＩの１例を表す表示画面の正面図である。本発明の実施例１及び２における結果表示画面の例で複数の時系列データを表示した画面の正面図である。本発明の実施例１及び２における結果表示画面の例で複数の時系列データを拡大表示した画面の正面図である。本発明の実施例１及び２における結果表示画面の例で異常測度上昇区間の情報の詳細を表示した画面の正面図である。本発明の実施例２におけるレシピ設定のためのＧＵＩの一例を表す表示画面の正面図である。本発明の実施例２における異常傾向検出システムを用いた処理の流れを示すフロー図である。本発明の実施例２における評価結果を示すためのＧＵＩの一例を表す表示画面の正面図である。

本発明は、設備に取り付けられた複数のセンサから時系列的に出力される複数のセンサ信号を処理して複数のセンサ信号についてそれぞれ時刻毎に特徴ベクトルを作成し、この作成した特徴ベクトルに基づいて異常測度を算出し、この算出した異常測度の時系列変化に基づき時刻毎に異常測度上昇傾向を判定し、判定した結果から異常測度上昇傾向が連続する異常測度上昇区間を検出し、複数のセンサの中から検出した異常測度上昇区間において異常測度上昇に寄与したセンサを特定し、この特定したセンサの異常測度上昇区間における寄与量の傾きと異常測度上昇区間の長さに基づいて異常測度上昇区間における異常測度上昇傾向の有無を判定するようにした設備の異常傾向を検出する方法及びそのシステムに関するものである。
以下に、図を用いて本発明の実施例を説明する。

以下、図面を用いて本発明の内容を詳細に説明する。
図１Ａに、本発明の異常傾向検出方法を実現する異常傾向検出システム１００の一構成例を示す。

異常傾向検出システム１００は、設備１０１から出力されるセンサ信号１０２を処理するデータ解析部１２０と、ＧＵＩ（Graphic User Interface）を表示する画面を備えた入出力部１１０、データを記憶する記憶部１１１を備えて構成される。

データ解析部１２０は、センサ信号１０２を蓄積するセンサ信号蓄積部１０３、このセンサ信号蓄積部１０３に蓄積されたセンサ信号１０２をもとに特徴ベクトルを作成する特徴ベクトル作成部１０４、特徴ベクトルに基づいて異常測度を算出する異常測度算出部１０５、異常測度の時系列変化に基づき時刻毎に異常測度上昇傾向を判定する異常測度上昇傾向判定部１０６、異常測度上昇傾向が連続する区間を検出する異常測度上昇区間検出部１０７、各センサの異常測度への寄与量の時系列変化に基づき各区間の関連センサを特定する関連センサ特定部１０８、関連センサの寄与量の傾きと区間長さに基づいてその区間の異常測度上昇傾向の有無を判定する傾向有無判定部１０９を備えている。

本実施例では、図１Ａに示したシステムを用いて、図１Ｂに示すような処理フローにより設備の異常傾向を検出する。すなわち、まず、センサ信号蓄積部１０３に蓄積された設備１０１から出力されたセンサ信号１０２を特徴ベクトル作成部１０４に入力し（Ｓ１２１）、特徴ベクトル作成部１０４において特徴ベクトルを作成し（Ｓ１２２）、異常測度算出部１０５において異常測度を算出し（Ｓ１２３）、異常測度上昇傾向判定部１０６において時刻毎に異常測度上昇傾向を判定し（Ｓ１２４）、異常測度上昇区間検出部１０７において異常測度上昇傾向が連続する区間を検出し（Ｓ１２５）、関連センサ特定部１０８において区間毎に関連センサを特定し（Ｓ１２６）、傾向有無判定部１０９において区間毎に異常測度上昇傾向の有無の最終判定を行い（Ｓ１２７），入出力部１１０から判定の結果を出力する（Ｓ１２８）。
以下に、各ステップの詳細について説明する。

状態監視の対象とする設備１０１は、例えばガスタービンや蒸気タービン、化学プラント、水プラントなどの設備やプラントである。設備１０１は、その状態を表すセンサ信号１０２を出力する。センサ信号１０２はセンサ信号蓄積部１０３に蓄積されている。センサ信号１０２をリスト化して表形式に表した例を図２に示す。センサ信号１０２は一定間隔毎に取得される多次元時系列信号であり、それをリスト化した表は、図２に示すように、日時の欄２０１と設備１０１に設けられた複数のセンサ値のデータの欄２０２からなる。センサの種類は、数百から数千といった数になる場合もあり、例えば、シリンダ、オイル、冷却水などの温度、オイルや冷却水の圧力、軸の回転速度、室温、運転時間などである。出力や状態を表すのみならず、何かをある値に制御するための制御信号の場合もある。

本システムでは、センサ信号蓄積部１０３に蓄積されたセンサ信号を用いて処理を行うことを前提とする。図示はしていないが、正常状態を学習するための「学習期間」と傾向検出の対象とする「評価期間」をそれぞれ予め設定しておき、Ｓ１２１において、センサ信号蓄積部１０３から学習期間および評価期間に含まれるセンサ信号を取り出す。

センサ信号蓄積部１０３から取り出されたセンサ信号を用い、特徴ベクトル作成部１０４において、特徴ベクトル作成を行う。特徴ベクトル作成部１０４における処理の流れ（Ｓ１２２の詳細な処理の流れ）を、図３を用いて説明する。

始めに、センサ信号蓄積部１０３から取り出したセンサ信号１０２を入力し（Ｓ３０１）、センサ毎に正準化する（Ｓ３０２）。正準化は、例えば、学習データの平均μと標準偏差σを用いて、（元の信号値−μ）／σの計算式により、平均を０、分散を１となるように変換する。評価データに対しても同じ平均と標準偏差を用いて同じ計算式により変換を行う。あるいは、各センサ信号の最大値と最小値を用いて最大が１、最小が０となるように変換する。あるいは、最大値と最小値の代わりに予め設定した上限値と下限値を用いてもよい。センサ信号の正準化は、単位およびスケールの異なるセンサ信号を同時に扱うための処理である。

次に、センサ毎に平滑化を行う（Ｓ３０３）。具体的には、ある時刻のデータはその時刻を含みそれより前のウィンドウ幅分のデータの平均とする。ウィンドウ幅はパラメータであり，平均を計算するデータ数のことである。センサ信号の平滑化は、数値の細かいアップダウンにとらわれずにマクロ的な視点で判断することを目的に行う。

次に、時刻毎に特徴ベクトルの作成を行う（Ｓ３０４）。ある時刻の特徴ベクトルは、その時刻を含みそれより前から予め決められた次数のセンサ信号を抽出し、全センサについて一つにまとめたものである。その際、連続したデータではなく、平滑化のウィンドウが重ならずに接する間隔のデータを抽出する。また、時刻毎ではなく予め決められたサンプリング間隔毎に行ってもよい。これはデータを間引くことに相当し、本質的な処理ではないが、計算時間を短縮する効果が得られる。平滑化を行っているのでウィンドウの重なりがある分、間引いても情報の喪失は少ない。

Ｓ１２２で特徴ベクトル作成部１０４において作成された特徴ベクトルに基づき、Ｓ１２３で異常測度算出部１０５において、特徴ベクトル毎に異常測度を算出する。異常測度算出部１０５における処理の流れ（Ｓ１２３における処理の詳細）を、図４を用いて説明する。

始めに、学習期間のセンサ信号から作成された特徴ベクトルを学習データとする。ただし、学習データから、予め指定された条件に当てはまる特徴ベクトルを除外してもよい（Ｓ４０１）。条件の指定は、日時に対するもの、特定のセンサ信号の大きさや変化率に対するもの、特定の２種以上のセンサ信号間の演算結果に対するものなどが考えられる。また、図示していないが、設備から出力される設備の運転開始や運転終了等に関するイベント信号を用いて特定のイベントあるいは２種以上のイベントの組合せの有無や所定の区間での回数、間隔などを算出し、その算出結果に対する条件を指定してもよい。

次に、全ての特徴ベクトルについて以下のステップＳ４０３〜Ｓ４０５の処理を行う（Ｓ４０２）。１個の特徴ベクトルに注目し、正常モデル作成部１０６において、注目した特徴ベクトル（注目ベクトル）と同じ区間を除く学習データを用いて、正常モデルを作成する（Ｓ４０３）。なお、ここでの区間は例えば１日など予め決められた長さで分割したものが考えられるが、予め定義されていればどのような分割でもよい。また、注目ベクトルが評価期間に含まれるのであれば、除外される区間はなく、すべての学習データを用いる。

次に、注目ベクトルと正常モデルの距離に基づいて異常測度を算出する（Ｓ４０４）。ここで、距離の計測に用いた起点ベクトルを記録しておく（Ｓ４０５）。全ての特徴ベクトルについて処理が終了していればループを抜け、算出された異常測度の平滑化を行う（Ｓ４０７）。具体的にはある時刻の異常測度として、その時刻の前後の予め決められた個数分の異常測度の平均を算出する。この処理により、異常測度上昇傾向の検知を容易にすることができる。

Ｓ４０３における正常モデルの作成手法としては、局所部分空間法(LSC: Local Sub-space Classifier)や投影距離法(PDM: Projection Distance Method)が考えられる。

局所部分空間法は、注目ベクトルqのk-近傍ベクトルを用いてｋ−１次元のアフィン部分空間を作成する方法である。図５にｋ＝３の場合の例を示す。図５に示すように、異常測度は図に示す投影距離で表されるため、注目ベクトルqに最も近いアフィン部分空間上の点Ｘｂを求めればよい。この点は注目ベクトルqからアフィン部分空間に下した垂線の足であり、ステップＳ４０５における起点ベクトルである。評価データqとそのk-近傍ベクトルxi( i = 1,り、ステッから算出することができる、qをk個並べた行列Qとxiを並べた行列Xから

により相関行列Cを求め、

によりbを計算する。ｂは、xiの重み付けを表す係数ベクトルである。

異常測度ｄはｑとＸｂの間の距離であるから次式で表される。

なお、図５ではｋ＝３の場合を説明したが、特徴ベクトルの次元数より十分小さければいくつでもよい。ｋ＝１の場合は、最近傍法と等価の処理になる。

投影距離法は、選択された特徴ベクトルに対し独自の原点をもつ部分空間すなわちアフィン部分空間（分散最大の空間）を作成する方法である。なんらかの方法で注目ベクトルに対応する複数の特徴ベクトルを選択し、以下の方法でアフィン部分空間を算出する。

まず、選択された特徴ベクトルの平均μと共分散行列Σ共を求め、次にΣの固有値問題を解いて値の大きい方から予め指定したr個の固有値に対応する固有ベクトルを並べた行列Ｕをアフィン部分空間の正規直交基底とする。ｒは特徴ベクトルの次元より小さくかつ選択データ数より小さい数とする。あるいはｒを固定した数とせず、固有値の大きい方から累積した寄与率が予め指定した割合を超えたときの値としてもよい。

異常測度は、注目ベクトルのアフィン部分空間への投影距離とする。局所部分空間法と同様にアフィン部分空間に下した垂線の足の位置を算出することができ、これをＳ４０５における起点ベクトルとして記録する。ここで、複数の特徴ベクトルの選択方法としては、予め指定した数十から数百の数の特徴ベクトルを注目ベクトルから近い順に選択する方法が考えられる。また、学習対象の特徴ベクトルを予めクラスタリングしておき、注目ベクトルに最も近いクラスタに含まれる特徴ベクトルを選択するようにしてもよい。

この他、注目ベクトルqのk-近傍ベクトルの平均ベクトルまでの距離を異常測度とする局所平均距離法や、ガウシアンプロセス、マハラノビス距離法、クラスタリング法などを用いてもよい。

次に、算出された異常測度の時系列変化に基づき、Ｓ１２４において、異常測度上昇傾向判定部１０６で時刻毎に異常測度上昇傾向を判定する。このＳ１２４における異常測度上昇傾向を判定する方法の一実施例を、図６を用いて説明する。

図６は算出した異常測度の時系列データの一部を切り出して表示したグラフである。図６の横軸は時刻、縦軸は異常測度を表す。予め定めた周期に基づき、注目時刻の異常測度から１周期前、２周期前の異常測度を引いた値をそれぞれy0、y1、１周期後、２周期後の異常測度から基準となる時刻の異常測度を引いた値をそれぞれy2、y3としたとき、(y0 >0 || y1 >0) && (y2 >0 || y3 >0)またはy1+y3 >thが成り立つ場合、その時刻は異常測度上昇傾向があると判断する。ここで、ｔｈは予め設定されたしきい値である。また、周期は、設備の運転サイクルに合わせて設定されるパラメータである。たとえば、１日の決まった時刻に起動され、決まった時刻に停止される装置の場合１日とする。

ここで、上記判定ロジックは予め決められた別のものでもよい。また１周期前と１周期後の異常測度のみを用いてもよいし、３周期以上離れた異常測度を用いてもよい。この処理の狙いは、同じ状態であると期待される時刻どうしを比較することにより、状態の変化に起因する変化をキャンセルして異常測度の上昇傾向を判定することにある。

異常測度上昇傾向を判定する方法の別の実施例では、注目時刻の前後に予め設定した区間からランダムに１点ずつ取り出して異常測度が上昇しているかどうかチェックする処理を多数繰り返し、上昇している割合が予め決められたしきい値以上である場合に、その時刻は異常測度上昇傾向があると判断する。

次に、Ｓ１２５における処理として、各時刻の異常測度上昇傾向の有無に基づき、異常測度上昇区間検出部１０７において、異常測度上昇傾向が連続する区間を検出する。その際、許容間隙（異常測度上昇傾向の連続性に中断する区間が発生した場合に、その中断区間を無視して異常測度上昇傾向が連続しているとみなすことができる中断時間（期間）または中断するサンプリング個数）をパラメータとして与えておき、異常測度上昇傾向の中断が許容間隙より短い（少ない）場合は連続した区間として検出する。

異常測度上昇区間検出部１０７における処理の別の実施例では、各時刻の異常測度上昇傾向の有無と後述する方法で判定される異常の有無に基づき、異常ありかつ異常測度上昇傾向ありの状態が連続する区間を検出する。上記と同様、中断が許容間隙より短い（少ない）場合は連続した区間として検出する。

各時刻の異常の有無の判定は、異常測度算出部１０５における処理の後に行う。まず、学習データの異常測度に基づき、学習データを異常と判定しないしきい値を設定する。つまり、学習データの異常測度の最大値をしきい値とする。あるいは、学習データの異常測度を昇順にソートし、予め指定した１に近い比率に到達する値をしきい値とする。この場合は、学習データの大部分を異常と判定しないしきい値が設定される。次に、異常測度と算出したしきい値の比較を時刻毎に行い、異常測度がしきい値を超える場合、その時刻は異常ありと判定する。

次に、Ｓ１２６における関連センサを特定する処理として、検出された異常測度上昇区間について、関連センサ特定部１０８において、関連センサを特定する。関連センサ特定部１０８における処理の詳細な流れを、図７を用いて説明する。

関連センサ特定の処理は全区間について行う（Ｓ７０１）。始めに、区間内データのインデクスを取得する（Ｓ７０２）。これは全ての特徴ベクトルとＳ４０５で記録した起点ベクトルを参照可能とするためのものであり、同時刻のデータを対応付け可能であれば、形式は問わない。

次に、全てのセンサについて以下の処理を行う（Ｓ７０３）。まず、区間内の時刻毎の差分データを算出する（Ｓ７０４）。

図８Ａに、特徴ベクトルと起点ベクトルの１個の要素の時系列グラフの例を示す。横軸は時刻、縦軸は要素の値を表す。太線８０１が特徴ベクトルの要素、細線８０２が起点ベクトルの要素を表す。

ここで、算出した区間内の時刻毎の差分データは、図８Ｂに示すように、起点ベクトルの要素８０２と特徴ベクトルの要素８０１の差の絶対値（│（８０２）−（８０１）│）の時系列データとして得られる。

この差分データの時系列データから、横軸を時間、縦軸を差分として傾きを算出する（Ｓ７０５）。傾きとは、例えば時系列データの最小二乗近似直線の傾きのことである。すなわち、図８Ｂに示したように、ある期間Δｔにおける最小二乗近似直線の変化量をΔΔｘとするとき、Δｘ／Δｔを傾きとして定義する。この傾きは、図８Ａに示した１個の要素の異常測度の時系列変化の程度を表すとみることができる。すなわち、この傾きが大きいほど異常測度の時系列変化に寄与していることになる。以後、この傾きを寄与量の傾きと記載する。

差分データは、その時刻の特徴ベクトルと起点ベクトルの差のベクトルの要素のうち、ステップＳ３０４において処理対象のセンサから抽出したものを用いて算出する。例えばそれらの絶対値の和、二乗和などを差分データと定義する。あるいはそれらの中の一番新しい時刻のデータとしてもよい。差分データは異常測度に対する寄与が大きいほど値が大きくなる。

全てのセンサについて処理が終了したら、傾きが最大となるセンサ（変化量の割合が最も大きいセンサ）を探索し、そのセンサを関連センサとする。関連センサ番号とその傾きを記録する（Ｓ７０６）。区間長さも記録しておく（Ｓ７０７）。

関連センサ特定処理の別の実施例について説明する。ステップＳ７０１からＳ７０３までは上記と同様である。ステップＳ７０４に対応するステップにおいて、差分データのかわりに、区間内の特徴ベクトルからステップＳ３０４において処理対象のセンサから抽出した中の一番新しい時刻のデータを抽出する。ここで得られるのは、図８Ａに黒線８０１で示す時系列データである。ステップＳ７０５に対応するステップにおいて、ステップＳ７０４に対応するステップで得られたデータの傾きを算出する。

ステップＳ７０６に対応するステップでは、傾きの絶対値が最大となるセンサを探索し、そのセンサを関連センサとする。ステップＳ７０７に対応するステップでは、上記に説明したステップＳ７０７の場合と同様の処理とする。

上記いずれかの処理により、異常測度が上昇していることに寄与するセンサを特定することができる。

次に、Ｓ１２７における異常測度上昇傾向のを有無を最終判定する処理として、関連センサ特定部１０８で区間毎に関連センサを特定後、傾向有無判定部１０９において、各区間の異常測度上昇傾向の有無の最終判定を行う。具体的には、ステップＳ７０６で記録した傾きとステップＳ７０７で記録した区間長さに対するルールを予め決めておき、そのルールに従って判定する。ルールは例えば、「傾き＞ＴＨ１かつ区間長さ＞ＴＨ２ならば上昇傾向ありとする」というようなしきい値と不等号で表される条件式の論理演算、すなわち「かつ」や「または」による結合である。また、このようなルールが複数あってもよい。

最後に、Ｓ１２８において、入出力部１１０から判定の結果を出力するが、この出力に仕方については、以下のＧＵＩの説明で詳細を述べる。

上記に示したように、本実施例では、異常の程度が徐々に悪化していることを検知したいというニーズに対し、正常データの学習に基づいて算出された異常測度を用いて、異常測度の上昇傾向を検出するため、個々のセンサの時系列信号について下降または上昇傾向の傾きを算出しなくても異常測度の上昇を検知することができる。

関連センサ特定については、異常測度が上昇している区間を検出し、区間毎に異常測度に対する各センサの寄与の傾きを算出し、傾き最大のものを関連センサとするため、傾きを算出する区間を適切に調整するという実行困難な手続きを回避できる。また、関連センサが自動で特定されるため、関連しない大多数のセンサ信号を人が確認する必要がなくなる。

なお、本実施例は蓄積されたセンサ信号を対象としたものであるが、対象に合わせた適切な間隔で定期的に処理を実行すれば、準リアルタイムな解析が可能となり、早期に異常測度が上昇する傾向を検知することが可能である。

以上の方法を実現するシステムのＧＵＩの実施例を説明する。

評価対象および処理パラメータ設定のためのＧＵＩの例を、図９に示す。以下の説明ではこの設定のことを単にレシピ設定と呼ぶことにする。また、過去のセンサ信号１０２は設備ＩＤおよび時刻と対応付けられてセンサ信号蓄積部１０３にデータベースとして保存されているものとする。入出力部１１０の画面上に表示されるＧＵＩのレシピ設定画面９０１では、対象装置、学習期間、評価期間、使用センサ、特徴ベクトル作成パラメータ、正常モデルパラメータ、傾向判定パラメータ、最終判定パラメータを入力する。設備ＩＤ入力ウィンドウ９０２には、対象とする設備のＩＤを入力する。

設備リスト表示ボタン９０３押下により図示はしていないがデータベースに保存されているデータの装置ＩＤのリストが表示されるので、リストから選択入力する。学習期間入力ウィンドウ９０４には、学習データを抽出したい期間の開始日と終了日を入力する。評価期間入力ウィンドウ９０５には、異常測度上昇傾向検出の対象とする期間の開始日と終了日を入力する。センサ選択ウィンドウ９０６には、使用するセンサを入力する。リスト表示ボタン９０７のクリックにより図示はしていないが対象設備のセンサリストが表示されるので、リストから複数選択入力する。

特徴ベクトル作成パラメータ入力ウィンドウ９０８には、特徴ベクトル作成部１０４における処理で用いるパラメータを設定する。ここで設定するパラメータは、ステップＳ３０３の平滑化で使用するウィンドウ幅、ステップＳ３０４の特徴ベクトル作成で使用する次数とサンプリング間隔である。

正常モデルパラメータ入力ウィンドウ９０９には、正常モデル作成において使用するパラメータを入力する。図は正常モデルとして局所部分空間を採用した場合の例であり、モデル作成に使う近傍ベクトル数と正則化パラメータを入力する。正則化パラメータは、数式２において相関行列Cの逆行列が求められないことを防ぐため、対角成分に加算する小さい数である。

傾向判定パラメータ入力ウィンドウ９１０には、異常測度上昇傾向判定部１０６における処理で用いる周期と、異常測度上昇区間検出部１０７における処理で用いる許容間隙を設定する。単位は時間である例を示したが、秒、分、日など時間を表すどの単位でもよいし、データ個数という意味で「個」でもよい。

最終判定パラメータ入力ウィンドウ９１１には、傾向有無判定部１０９における処理で用いるルールを設定する。この例では、複数の入力部を用意し、チェックボックスにチェックが入れられたルールを用いることとしている。各段の左側には区間長に対するしきい値、右側には傾きに対するしきい値を入力する。チェックの入れられた段のいずれかの条件を満たせば、上昇傾向ありと判定するものとする。レシピ名入力ウィンドウ９１２には、入力された情報および処理結果に対応付けるユニークな名前を入力する。以上の情報を入力後、実行ボタン９１３の押下により、上述の異常測度上昇傾向検出を実行する。

処理実行後は、レシピ設定画面９０１上で入力された装置ＩＤ、学習期間、評価期間、使用センサ情報、各パラメータと評価結果を仮のデータフォルダに保存しておく。評価結果として保存するのは、学習期間と評価期間の特徴ベクトルデータ、ステップＳ４０５で記録した起点ベクトルデータ、異常測度データ、異常測度上昇傾向判定部１０６で得られる異常測度上昇傾向判定結果データの時系列データと、異常測度上昇区間検出部１０７における処理以降で得られる異常測度上昇区間の情報である。異常測度上昇区間の情報は、区間開始および終了の時刻、区間の長さ、各センサの差分データの傾き、その最大値、関連センサ名、最終判定結果を含む。

そして、処理結果が入出力部１１０でユーザに示される。そのためのＧＵＩの例を図１０Ａおよび図１０Ｂおよび図１０Ｃに示す。各画面の上部に表示されたタブを選択することにより、結果表示画面１００１と結果拡大表示画面１００２と異常測度上昇区間情報表示画面１００３を切り換えることができる。

図１０Ａには、結果の全体を表示する結果表示画面１００１を示す。結果表示画面１００１には、指定された全期間の異常測度、異常測度上昇傾向判定結果とセンサ信号の時系列グラフと検出された異常測度上昇区間を表示する。

期間表示ウィンドウ１００４には、指定された学習期間および評価期間が表示される。関連センサ名表示ウィンドウ１００５には、指定区間の関連センサ名を関連センサ名表示部１００５１に表示する。最初は、区間番号１の関連センサ名が表示され、矢印のクリックまたは区間番号を区間番号表示部１００５２に直接入力することにより切り替わるものとする。異常測度表示ウィンドウ１００６には、指定された学習期間および評価期間の異常測度と異常測度上昇傾向判定結果（傾向）が表示される。また、学習に使用した日に丸印が表示される。

異常測度上昇区間表示ウィンドウ１００７には、異常測度上昇区間が矩形で表示される。黒の矩形１００７１は最終判定結果が上昇傾向ありの区間、白の矩形１００７２は上昇傾向なしの区間を表す。

センサ信号表示ウィンドウ１００８には、指定された期間の指定されたセンサの信号値が表示される。実線１００８１は特徴ベクトル、破線１００８２は起点ベクトルの指定されたセンサに対応する要素を表す。センサ信号表示ウィンドウ１００８に表示するセンサの指定は、センサ名選択ウィンドウ１００９への入力によって行う。ただし、ユーザが指定する前は、センサ名選択ウィンドウ１００９には関連センサ名表示ウィンドウ１００５の関連センサ名表示部１００５１に表示されている関連センサが選択されている。

関連センサ名表示ウィンドウ１００５において区間番号表示部１００５２で区間番号が切り替えられた場合は、選択センサが合わせて変更され、センサ信号表示ウィンドウ１００８も選択センサのグラフに再描画される。カーソル１０１０は、拡大表示の時の起点を表し、マウス操作により移動できる。表示日数指定ウィンドウ１０１１には、この画面では使用しないが、結果拡大表示画面１００２での、拡大表示の起点から終点までの日数が表示される。この画面で入力することもできる。日付表示ウィンドウ１０１２には、カーソル位置の日付が表示される。終了ボタン１０１３押下により結果表示画面１００１、結果拡大表示画面１００２、異常測度上昇区間情報表示画面１００３とも消去し終了する。

図１０Ｂには、結果拡大表示画面１００２を示す。結果拡大表示画面１００２には、結果表示画面１００１において、カーソル１０１０で示されて日付表示ウィンドウ１０１２に表示された日付を起点として、表示日数指定ウィンドウ１０１１で指定された日数の異常測度、異常測度上昇傾向判定結果とセンサ信号の時系列グラフを表示する。期間表示ウィンドウ１００４には、結果表示画面１００１と同じ情報が表示される。関連センサ名表示ウィンドウ１００５にも、結果表示画面１００１と同じ情報が表示される。この画面で区間番号表示部１００５２で区間番号を切り替えてもよい。

異常測度表示ウィンドウ１００６および異常測度上昇区間表示ウィンドウ１００７およびセンサ信号表示ウィンドウ１００８には、結果表示画面１００１と同様の情報が、拡大表示される。表示日数指定ウィンドウ１０１１で、拡大表示の起点から終点までの日数を指定する。日付表示ウィンドウ１０１２には、拡大表示の起点の日付が表示されている。

スクロールバー１０１４で表示の起点を変更することも可能であり、この変更はカーソル１０１０の位置と日付表示ウィンドウ１０１２の表示に反映される。スクロールバー表示領域１０１５の全体の長さは結果表示画面１００１に表示されている全期間に相当する。また、スクロールバー１０１４の長さは表示日数指定ウィンドウ１０１１で指定された日数に相当し、スクロールバー１０１４の左端部が拡大表示の起点に対応する。終了ボタン１０１３押下により終了する。

図１０Ｃには、異常測度上昇区間情報表示画面１００３の例を示す。異常測度上昇区間情報表示画面１００３には、異常測度上昇区間情報を表示する。期間表示ウィンドウ１００４には、結果表示画面１００１と同じ情報が表示される。関連センサ名表示ウィンドウ１００５にも、結果表示画面１００１と同じ情報が表示される。この画面で区間番号表示部１００５２で区間番号を切り替えてもよい。区間情報一覧表示ウィンドウ１０１６には区間の開始および終了の時刻、区間長さ、傾きの最大値、関連センサ名、最終判定結果の一覧を表示する。最終判定結果は上昇傾向ありを○でなしを無印で表す。

傾きグラフ表示ウィンドウ１０１７には、関連センサ名表示ウィンドウ１００５の区間番号表示部１００５２で指定された区間について、各センサの差分データの傾きの棒グラフを表示する。区間情報詳細表示ウィンドウ１０１８には、区間番号表示部１００５２で指定されたものと同じ区間の開始および終了の時刻、区間長さ、傾きの最大値、関連センサ名、最終判定結果を表示する。終了ボタン１０１３押下により終了する。

図１０Ａ〜Ｃに示すいずれかの画面で、終了ボタン１０１３押下により異常測度上昇傾向検出結果の確認が終了したら、図９に示すレシピ設定画面９０１の表示に戻る。この画面上で表示ボタン９１４の押下により、記憶部１１１の仮のデータフォルダに保存してあったデータを読み出し、再度図１０Ａ〜Ｃの画面を表示させることができる。登録ボタン９１５の押下により、仮のデータフォルダに保存してあったデータを、レシピ名入力ウィンドウ９１２に入力されたレシピ名に対応付けて、記憶部１１１に保存する。

終了ボタン９１６の押下により、仮のデータフォルダに保存してあったデータを削除し、レシピ設定画面を消去する。記憶部１１１に一旦保存したレシピは、図示はしないが、指定により再度呼び出してレシピ設定画面９０１を開くことが可能である。記憶部１１１に保存していたデータは、仮のデータフォルダにコピーされる。表示ボタン９１４の押下により図１０Ａ〜Ｃの画面を表示させることができる。また、条件を変更して、実行することも可能である。レシピ名を変更し、登録ボタン９１５の押下により、仮のデータフォルダの中のデータは新しいレシピ名と対応づけて記憶部１１１に保存される。

以上に説明した通り、実施例１においては、図９に示すＧＵＩによれば、１つの装置、１組のパラメータセットで１回の評価を実施し、結果を表示し、保存することができる。
実施例２においては、１つの装置、１組のパラメータセットで定期的に評価を実施するためのＧＵＩの例を、図１１に示す。

本実施例におけるレシピ設定画面１１０１では、対象装置、学習期間、評価期間、使用センサ、特徴ベクトル作成パラメータ、正常モデルパラメータ、傾向判定パラメータ、最終判定パラメータを入力する。設備ＩＤ入力ウィンドウ１１０２、学習期間入力ウィンドウ１１０４には、実施例１において図９を用いて説明したレシピ設定画面９０１の場合と同様に、ＧＵＩと同様に対象装置、学習期間の情報を入力する。

設備ＩＤ入力ウィンドウ１１０２では設備リスト表示ボタン１１０３の押下げによりデータベース（図示せず）に保存されているデータの装置ＩＤのリストが表示されるので、そのリストから選択入力する。学習期間入力ウィンドウ１１０４で設定する学習期間の終了日は現時刻より後にならないように制限をかける。評価期間入力ウィンドウ１１０５には、異常測度上昇傾向検出の対象とする期間の開始日時１１０５１と評価実行の間隔１１０５２を入力する。

センサ選択ウィンドウ１１０６、特徴ベクトル作成パラメータ入力ウィンドウ１１０８、正常モデルパラメータ入力ウィンドウ１１０９、傾向判定パラメータ入力ウィンドウ１１１０、最終判定パラメータ入力ウィンドウ１１１１には、図９で説明したレシピ設定画面９０１の場合と同様の情報を入力する。センサ選択ウィンドウ１１０６では、リスト表示ボタン１１０７の押下げによりデータベース（図示せず）に保存されている対象設備のセンサリストが表示されるので、そのリストから複数選択入力する。

レシピ名入力ウィンドウ１１１２には、入力された情報および処理結果に対応付けるユニークな名前を入力する。テストボタン１１１３の押下により、テストを行う。まず、評価期間入力ウィンドウ１１０５に入力された開始日時から対象装置のセンサ信号を取得済みの最新時刻までを仮の評価期間として、実施例１で説明したような異常測度上昇傾向検出を実行する。

処理実行後は、入力された装置ＩＤ、学習期間、評価期間、使用センサ情報、各パラメータと仮の評価期間と評価結果を記憶部１１１の仮のデータフォルダに保存し、図１０Ａに示す結果表示画面１００１を表示する。図１０Ａ〜Ｃに示す画面により確認ができたら、終了ボタン１０１３押下により終了し、レシピ設定画面１１０１に戻る。表示ボタン１１１４の押下により、記憶部１１１の仮のデータフォルダに保存してあったデータを読み出し、再度図１０Ａ〜Ｃの画面を表示させることができる。

登録ボタン１１１５の押下により、記憶部１１１の仮のデータフォルダに保存してあったデータを、レシピ名入力ウィンドウ１１１２に入力されたレシピ名に対応付けて、記憶部１１１に保存する。また、次回実行日時を保存する。

次回実行日時は、評価期間入力ウィンドウ１１０５の開始日時１１０５１に入力された開始日時から実行間隔１１０５２に入力された実行間隔の整数倍経過した時刻で、テストにて評価した期間より後の最初の時刻とする。終了ボタン１１１６の押下により、記憶部１１１の仮のデータフォルダに保存してあったデータを削除し、レシピ設定画面１１０１を消去する。

レシピ設定後は、システムが対象装置のセンサ信号を取得済みの最新時刻を常に監視し、それがレシピと対応付けて保存してあった次回実行日時を超えたら、開始日時から次回実行日時までを評価期間として、異常測度上昇傾向検出を実行し、レシピ名と対応付けて処理結果と評価期間を保存する。次回実行日時に実行間隔を足して次回実行日時を更新する。

本実施例における定期的に評価を実施する処理のフローを図１２に示す。
まず、図１１に示したＧＵＩ画面１１０１上で評価開始日時１１０５１を設定し（Ｓ１２０１）、実行間隔の欄１１０５２に実行間隔を入力して設定する（Ｓ１２０２）。次に、設定した実行間隔ごとに、以下の処理を実行する（Ｓ１２０３）。まず、実施例１で図１Ｂを用いて説明した場合と同様に、センサ信号蓄積部１０３に蓄積された設備１０１から出力されたセンサ信号１０２を特徴ベクトル作成部１０４に入力し（Ｓ１２０４）、特徴ベクトル作成部１０４において特徴ベクトルを作成し（Ｓ１２０５）、異常測度算出部１０５において異常測度を算出し（Ｓ１２０６）、異常測度上昇傾向判定部１０６において時刻毎に異常測度上昇傾向を判定し（Ｓ１２０７）、異常測度上昇区間検出部１０７において異常測度上昇傾向が連続する区間を検出し（Ｓ１２０８）、関連センサ特定部１０８において区間毎に関連センサを特定し（Ｓ１２０９）、傾向有無判定部１０９において区間毎に異常測度上昇傾向の有無の最終判定を行い（Ｓ１２１０），入出力部１１０から判定の結果を出力する（Ｓ１２１１）。

以上により定期的に異常測度上昇傾向検出が実行される。評価結果をユーザに示すためのＧＵＩの例を、図１３に示す。

図１３は、定期的な評価結果の表示対象を指定するＧＵＩの例である。表示対象指定画面１３０１から表示対象の設備およびレシピを指定する。始めに、装置ＩＤ選択ウィンドウ１３０２により装置ＩＤを選択する。次に、レシピ名選択ウィンドウ１３０３により、装置ＩＤを対象としたレシピのリストから表示対象のレシピを選択する。

表示ボタン１３０４押下により、記憶部１１０にレシピ名と対応付けて保存された最新の処理結果と評価期間を仮のデータフォルダにコピーし、その情報に基づいて図１０Ａに示す結果表示画面１００１を表示する。タブの切り替えにより、図１０Ｂに示した結果拡大表示画面１００２または図１０Ｃに示した異常測度上昇区間情報表示画面１００３を表示させることも可能である。終了ボタン１０１３押下により仮のデータフォルダのデータを削除して、画面を消去する。表示対象指定画面１３０１において、終了ボタン１３０５押下により、画面を消去する。

１０１・・・設備１０２・・・センサ信号１０３・・・センサ信号蓄積部１０４・・・特徴ベクトル作成部１０５・・・異常測度算出部１０６・・・異常測度上昇傾向判定部１０７・・・異常測度上昇区間検出部１０８・・・関連センサ特定部１０９・・・傾向有無判定部１１０・・・入出力部１１１・・・記憶部９０１・・・レシピ設定画面１００１・・・結果表示画面１００２・・・結果拡大表示画面１００３・・・異常測度上昇区間情報表示画面１１０１・・・レシピ設定画面１２０１・・・表示対象指定画面。

Claims

設備の異常傾向を検出する方法であって、設備に取り付けられた複数のセンサから時系列的に出力された複数のセンサ信号を処理して前記複数のセンサ信号についてそれぞれ時刻毎に特徴ベクトルを作成し、前記作成した特徴ベクトルに基づいて異常測度を算出し、
前記算出した異常測度の時系列変化に基づき前記時刻毎に異常測度上昇傾向を判定し、
前記判定した結果から異常測度上昇傾向が連続する異常測度上昇区間を検出し、前記複数のセンサの中から前記異常測度への寄与量の時系列変化に基づいて前記検出した異常測度上昇区間において前記異常測度上昇に寄与したセンサを特定し、前記特定したセンサの前記異常測度上昇区間における寄与量の傾きと前記異常測度上昇区間の長さに基づいて前記異常測度上昇区間における異常測度上昇傾向の有無を判定することを特徴とする異常傾向検出方法。
前記異常測度は、前記特徴ベクトルの中から予め指定された正常状態を学習するための学習期間における学習データを用いて作成した正常モデルからの各時刻の前記特徴ベクトルの距離に基づいて算出することを特徴とする請求項１記載の異常傾向検出方法。
前記特徴ベクトルの作成時に、前記センサ信号を平滑化し、前記平滑化したセンサ信号を用いて前記特徴ベクトルを作成することを特徴とする請求項１記載の異常傾向検出方法。
前記異常測度の算出時に、前記正常モデルからの距離に基づいて算出された異常測度を平滑化することを特徴とする請求項２記載の異常傾向検出方法。
前記判定する時刻毎の異常測度上昇傾向を、予め定めた周期に基づき、注目時刻および注目時刻の１ないし予め指定された数周期前および注目時刻の１ないし予め指定された数周期後の異常測度間の差分に基づいて判定することを特徴とする請求項１記載の異常傾向検出方法。
前記判定する時刻毎の異常測度上昇傾向を、注目時刻の前後に予め設定した区間からランダムに１点ずつ取り出して異常測度が上昇しているかどうかチェックする処理を多数回繰り返し、上昇している割合が予め決められたしきい値以上である場合に、その時刻は異常測度上昇傾向があると判定することを特徴とする請求項１記載の異常傾向検出方法。
前記異常測度上昇区間の検出時に、予め指定された許容期間より短い中断期間を連続とみなしながら、異常測度上昇傾向が連続する区間を検出することを特徴とする請求項１記載の異常傾向検出方法。
前記センサを特定することを、前記異常測度上昇区間において、全てのセンサについて、それぞれのセンサの時刻毎に前記特徴ベクトルと前記正常モデルからの距離の計測の起点となるベクトルの差のベクトルの要素のうち該それぞれのセンサから抽出したものの絶対値和または二乗和または最新時刻のデータとして定義された差分データを算出し、
前記差分データの前記異常測度上昇区間における傾きを算出し、前記傾きが最大となるセンサを前記センサとして特定することにより行うことを特徴とする請求項２記載の異常傾向検出方法。
前記センサを特定することを、前記異常測度上昇区間において、全てのセンサについて、それぞれのセンサの前記時刻毎に前記特徴ベクトルの要素のうち前記それぞれのセンサから抽出したものの中の最新時刻のデータを抽出し、前記抽出したデータの前記異常測度上昇区間における傾きを算出し、前記傾きの絶対値が最大となるセンサを前記センサとして特定することを特徴とする請求項１記載の異常傾向検出方法。
前記特徴ベクトルを作成する工程から前記異常測度上昇傾向の有無を判定する工程までを、予め設定された時間間隔ごとに繰り返して実行することを特徴とする請求項１記載の異常傾向検出方法。
設備または装置に装着された複数のセンサから時系列的に出力されるセンサ信号に基づいて前記設備または装置の異常傾向を検出する異常傾向検出システムであって、前記時系列的に出力されるセンサ信号を蓄積する生データ蓄積手段と、前記生データ蓄積手段に蓄積された前記時系列的に出力されたセンサ信号から各時刻の特徴ベクトルを作成する特徴ベクトル作成手段と、前記特徴ベクトル作成手段により作成した各時刻の特徴ベクトルに基づいて異常測度を算出する異常測度算出手段と、前記異常測度算出手段で算出した異常測度の時系列変化に基づいて各時刻の異常測度上昇傾向を判定する異常測度上昇傾向判定手段と、前記異常測度上昇傾向判定手段で判定した異常測度上昇傾向において前記異常測度上昇傾向が連続する区間を検出する異常測度上昇区間検出手段と、前記複数のセンサの異常測度への寄与量の時系列変化に基づいて前記検出した異常測度上昇区間において前記異常測度上昇に寄与したセンサを特定する関連センサ特定手段と、前記関連センサ特定手段で特定したセンサの前記異常測度上昇区間における寄与量の傾きと前記異常測度上昇区間の長さに基づいて前記異常測度上昇区間における異常測度上昇傾向の有無を判定する傾向有無判定手段とを備えたことを特徴とする異常傾向検出システム。
前記異常測度算出手段は、前記特徴ベクトルの中から予め指定された正常状態を学習するための学習期間における学習データを用いて正常モデルを作成し、前記作成した正常モデルからの各時刻の前記特徴ベクトルの距離に基づいて前記異常測度を算出することを特徴とする請求項１１記載の異常傾向検出システム。
前記特徴ベクトルの作成手段は、前記センサ信号を平滑化し、前記平滑化したセンサ信号を用いて前記特徴ベクトルを作成することを特徴とする請求項１２記載の異常傾向検出システム。
前記異常測度算出手段は、前記正常モデルからの距離に基づいて算出された異常測度を平滑化する異常測度平滑化手段をさらに含むことを特徴とする請求項１２記載の異常傾向検出システム。
前記異常測度上昇傾向判定手段は、予め定めた周期に基づき、注目時刻および注目時刻の１ないし予め指定された数周期前および注目時刻の１ないし予め指定された数周期後の異常測度間の差分を算出し、前記算出した差分に基づいて上昇傾向の有無を判定することを特徴とする請求項１１記載の異常傾向検出システム。
前記異常測度上昇傾向判定手段は、注目時刻の前後に予め設定した区間からランダムに１点ずつ取り出して異常測度が上昇しているかどうかをチェックすることを多数回繰り返して上昇している場合をカウントし、上昇回数の割合が予め決められたしきい値以上である場合にその時刻は異常測度上昇傾向があると判定することを特徴とする請求項１１記載の異常傾向検出システム。
前記異常測度上昇区間検出手段において、予め指定された許容期間より短い中断期間を連続とみなしながら、異常測度上昇傾向が連続する区間を検出することを特徴とする請求項１１記載の異常傾向検出システム。