JP6330922B2 - 情報処理装置および情報処理方法 - Google Patents

Description

本発明は、昇降機、プラント装置、工作機械等の制御システムに設置されたセンサが取得した値から、異常が発生した時刻を推定する技術に関する。

原子力発電所のような大規模なプラントや昇降機、工作機械等の制御システムでは、センサを設置し、センサが取得した信号に基づいて異常を検出している。さらに、異常が発生した信号の影響により他の信号でも異常が発生することがあるため、異常を検出した信号に基づいて、異常の原因である異常原因信号を推定する技術が開示されている。
例えば、特許文献１では、信号間の物理的な因果関係から、異常が発生した場合に異常が伝搬する信号の順序である伝搬経路を抽出し、予めリスト化している。異常として検出した信号に基づいてリストから伝搬経路を抽出し、抽出された伝搬経路の最初にある信号を異常原因信号として推定している。

また、特許文献２の半導体製造装置では、異常として複数の信号が検出された場合に、検出された信号を優先順位付けしている。優先順位付けは、予め設定した重要度の高い順、検出時刻の順、あるいは発生頻度の順に異常として検出された複数の信号を順位付けている。

特開平１０−０２０９２５号公報 特開平１１−１８４５８９号公報

しかしながら、制御システムによっては、異常が発生してから異常が検出されるまでの時間が信号ごとに異なることがあり、異常が伝搬した信号が先に検出され、異常の原因となる信号が後に検出される場合がある。このような場合、特許文献１および２では、異常の原因の信号を誤判定する可能性があるという問題点があった。

本発明は上記のような問題点を解決するためになされたもので、信号が異常を示し始めた時刻をより正確に求める情報処理装置を得ることを目的としている。

時系列の信号から成る監視対象データの正常な値の範囲を示す正常域を上限値と下限値とから設定する設定部と、監視対象データが正常域を外れたか否かを判定し、外れたと判定した場合に監視対象データが正常域から外れた時刻である判定時刻を出力する判定部と、既知の監視対象データのうち正常な値の信号から成る複数の学習データの平均値と監視対象データとの差である外れ度合いに基づいて、判定部から入力された判定時刻より前であって監視対象データが異常を示し始めた開始時刻を検出する検出部と、を備えた。

本発明によれば、信号が異常を示し始めた時刻をより正確に求めることができる。

実施の形態１に係る情報処理装置の構成を示すブロック図。 実施の形態１に係る学習データを描画したグラフ。 実施の形態１に係る学習データから正常域を定義する例を示す図。 実施の形態１に係る設定部がバンドモデルを作成する処理の流れを示すフローチャート。 実施の形態１に係る監視対象データが正常域を外れる例を示すグラフ 実施の形態１に係る監視対象データが平均的な振る舞いから外れ始めた時刻を示すグラフ 実施の形態１に係る外れ度合いＤ（ｔ）の例を示すグラフ。 実施の形態１に係る監視対象データの正常域の例を示すグラフ。 実施の形態１に係る一定幅のバンドモデルの例を示すグラフ。 実施の形態２に係る情報処理装置の構成を示すブロック図。 実施の形態２に係る情報処理システムの構成例を示す図。 実施の形態３に係る情報処理装置の構成を示すブロック図。 実施の形態３に係る表示部が表示する画面の例を示す図。 実施の形態１に係る情報処理装置のハードウェア構成を示すブロック図。

実施の形態１．
図１は、実施の形態１に係る情報処理装置１０１の構成を示すブロック図である。監視対象のシステムからデータを収集する手段の例として、データ収集・管理装置１０２の構成例、および監視対象１０３も併せて記載している。データ収集・管理装置１０２は、センサネットワーク１１１を介して監視対象１０３からデータを収集したデータを管理している。

異常開始時刻推定装置としての情報処理装置１０１は、第１の入力部１０４、設定部１０５、第２の入力部１０６、判定部１０７および検出部１０８から構成される。なお、第１の入力部１０４と第２の入力部１０６は１つの入力部で実現してもよい。

データ収集・管理装置１０２は、例えば、正常値学習データベース（以下、正常値学習ＤＢと称す）１０９、および監視対象データベース（以下、監視対象ＤＢと称す）１１０から構成される。その他構成例として、正常値学習ＤＢと監視対象ＤＢを１つに統合して管理する、３つ以上のＤＢ（Ｄａｔａ Ｂａｓｅ）に分散して管理する、ＤＢ形式ではなくファイル形式で管理してもよい。

正常値学習ＤＢ１０９は、監視対象データのうち正常である既知のデータを学習データとして保存する。正常値学習ＤＢ１０９は、本発明の情報処理装置で正常と判定された監視対象データを学習データとして追加していく。過去の監視対象データのうち既存の方法で正常と判定したデータを学習データとして保存してもよい。特に、本発明の情報処理装置の導入時等は、本発明の情報処理装置で正常と判定された監視対象データはないため、正常値学習ＤＢ１０９は既存の方法で正常と判定されたデータを学習データとして保存すればよい。既存の方法とは、例えば、監視対象の制御システムが有している上限値以下および下限値以上の範囲を正常と判定してもよいし、人が判断してもよい。

また、正常値学習ＤＢ１０９は、最初の指定した期間は既存の方法で正常と判定されたデータを学習データとして保存し、その後は、本発明の情報処理装置で正常と判定されたデータを学習データとして追加していくようにしてもよい。
正常値学習ＤＢ１０９は、古いデータを削除するようにしてもよい。例えば、監視対象のシステムの機器が更新され、古いデータが不要になった場合、正常値学習ＤＢ１０９は古いデータを削除する。また、学習データの容量が必要以上に多くなった場合にも削除してもよい。

また、監視対象のシステムなどデータ収集・管理装置１０２以外の場所に、正常と判定されたデータを保持するデータサーバを設け、正常値学習ＤＢ１０９は、データ自体を保存せず、データサーバが保持するデータへのインデックスを保存するようにしてもよい。

監視対象１０３は、例えば昇降機、プラント装置、工作機械等の制御システムであり、センサを備えている。監視対象１０３は、１つ以上の制御システムを連結、または分散して構成されていても構わない。また、監視対象１０３はセンサネットワーク１１１に接続せず、データ収集・管理装置１０２と直結する構成でも構わない。

次に、監視対象１０３とデータ収集・管理装置１０２との間の処理について説明する。
監視対象１０３のセンサから取得した信号の集合が、センサネットワーク１１１を通して、データ収集・管理装置１０１に継続的、または断続的に入力される。信号データは、監視対象１０３のセンサから取得した信号の集合で、時系列データである。ここで、データ収集・管理装置１０２は、監視対象ＤＢ１１０に入力された信号データを、正常値学習ＤＢ１０９に入力しても構わない。また、データ収集・管理装置１０２は、正常値学習ＤＢ１０９に入力された信号データを、監視対象ＤＢ１１０に入力しても構わない。

次に、データ収集・管理装置１０２と情報処理装置１０１との間の処理について説明する。
データ収集・管理装置１０２は、異常を検知するときの正常値の基準とする信号データを、正常値学習ＤＢ１０９から出力し、情報処理装置１０１の入力部１０４へ入力する。データ収集・管理装置１０２は、異常の有無、および異常の開始時刻を推定する信号データを、監視対象ＤＢ１１０から出力し、情報処理装置１０１の入力部１０６へ入力する。

次に、情報処理装置１０１を構成する各機能の概要を説明する。
入力部１０４は、データ収集・管理装置１０２の正常値学習ＤＢ１０９から入力された信号データを変換、整形し、設定部１０５に出力する。設定部１０５は、判定部１０７にて異常を判定するときの、信号データの正常な値の範囲である正常域を設定する。入力部１０６は、監視対象ＤＢ１１０から入力された信号データを変換、整形し、判定部１０７に出力する。

判定部１０７は、入力部１０６から入力された信号データが、設定部１０５から入力された正常域を外れているか判定する。検出部１０８は、判定部１０７にて正常域を外れていると判定された信号データにおいて、正常域を外れる前に始まった、正常時と異なる振る舞いを示し始めた開始時刻を検出する。

入力部１０６は、監視対象ＤＢ１１０から入力された信号データを変換、整形し、判定部１０７に出力する。信号データの変換は、例えば信号データのフォーマットを変換する処理である。信号データのフォーマット変換の例として、信号データの形式を既定のデータフォーマットに変換する処理がある。監視対象１０３のシステムごとに信号データの形式が異なる場合に、情報処理装置１０１の各機能を正常に動作させるために、信号データのフォーマット変換が行われる。また、信号データのフォーマット変換の例として、処理の高速化を目的として、信号データのサンプリング処理や信号データ中の不要な期間の信号の削除がある。

信号データの整形は、例えば入力された信号データが１つ以上あった場合に、信号データをある条件のもとに分類、集約する処理がある。信号データの分類、集約の例として、入力された複数の信号データを、制御システムの設定、外気温や湿度などの外部環境などにおいて、同類の条件の信号データを分類し、条件ごとに集約する処理がある。この例の集約処理では、判定部１０７において正常域を外れていることを判定する際に、監視対象の信号データと正常域の信号データを同類の条件同士で比較することで異常検知の精度を向上させることができる。また、信号データを分類、集約する他の例として、入力された複数の信号データを、制御システムの起動直後や定常運転時など、同種の運転の期間ごとに信号データを分割し、集約する処理がある。

次に、情報処理装置１０１のハードウェア構成について説明する。
図１４は、実施の形態１に係る情報処理装置１０１のハードウェア構成例である。情報処理装置としての情報処理装置１０１は、受信装置１４０１、プロセッサ１４０２、メモリ１４０３、およびディスプレイ１４０４により構成される。
第１の入力部１０４および第２の入力部１０６は受信装置である。設定部１０５、判定部１０７および検出部１０８は、メモリに記憶されたプログラムを実行するＣＰＵ、システムＬＳＩ（Ｌａｒｇｅ Ｓｃａｌｅ Ｉｎｔｅｇｒａｔｉｏｎ）等の処理回路により、実現される。また、複数の処理回路が連携して上記機能を実行してもよい。検出部１０８は、算出した開始時刻をディスプレイ１４０４に出力してもよい。

次に、正常域を設定する例を説明する。
設定部１０５は、判定部１０７において異常を判定するときの、信号データの正常域を設定する。

図２は、実施の形態１に係る学習データ２０２を描画したグラフ２０１である。グラフ２０１の縦軸が信号値、横軸が時刻を示している。学習データ２０２は、入力部１０４にて分類、集約した、同条件の複数の信号データである。学習データ２０２は、それぞれ正常な値の信号の集合である。学習データ２０２は複数の信号データを示しているが、信号データそれぞれを学習データと呼んでもよい。２０３、２０４は、それぞれの時刻における信号データのばらつきの幅を示す矢印である。

グラフ２０１において、学習データ２０２は複数の信号データを重ね合わせて表示している。設定部１０５は、学習データ２０２をもとに、正常域を定義する。学習データ２０２は同条件の信号データを集約したものであるため、大まかには同様の挙動を示しているが、２０３、２０４の矢印が示すとおり、時刻によってばらつきの差異がある。２０４より２０３のばらつきが大きい。この時刻ごとのばらつきの差異は、実際の制御システムでも発生しうる現象である。

図３は、実施の形態１に係る学習データ３０３から正常域を定義する例を示す図である。３０１は、学習データ３０３を描画したグラフである。グラフ３０１の縦軸が信号値、横軸が時刻を示している。３０３は複数の信号データからなる学習データである。３０４は、時刻ｔ１を示す。

３０２は、学習データ３０３を含む正常域をバンドモデルで示すグラフである。バンドモデルは、時刻ごとに幅の異なる領域を定義することができるモデルである。３０５は、時刻ごとの学習データの平均値である。本実施の形態において、３０５をバンドモデル平均と呼ぶ。３０６は、バンドモデルの上限値である。３０７は、バンドモデルの下限値である。３０８は、時刻ｔ１におけるバンドモデル平均３０５とバンドモデルの上限値３０６または下限値３０７との差である。本実施の形態において、３０８をバンドモデル幅と呼ぶ。本実施の形態において、それぞれの時刻のバンドモデル平均の値とバンドモデルの上限値との差は、下限値との差と同じとして説明するが、異なる値であってもよい。

次に、バンドモデルの作成方法を説明する。
図４は、実施の形態１に係る設定部１０５がバンドモデルを作成する処理の流れを示すフローチャートである。バンドモデルの作成は、次に示す通り３段階からなる。学習データの平均および標準偏差を算出し（ステップＳ４０１）、バンドモデルの幅を算出し（ステップＳ４０２）、バンドモデルの上限値および下限値を算出する（ステップＳ４０３）。

次に、各ステップの詳細を説明する。
ステップＳ４０１において、設定部１０５は、バンドモデルを算出する要素として、学習データの平均および標準偏差を算出する。設定部１０５は、学習データ２０２の時刻ごとの平均を数式１で算出する。また、設定部１０５は、時刻ごとの標準偏差を、数式２で算出する。

ステップＳ４０２において、設定部１０５はバンドモデルの幅を算出する。設定部１０５は、グラフ３０２のバンドモデルの上下方向の幅３０６であるＷ（ｔ）を、数式３で算出する。

定数ｎは、バンドモデルの上下の幅ｎσ（ｔ）を調整する値である。例えば、３０４の時刻ｔ１におけるバンドモデルの幅３０６はW（ｔ１）と表記する。

ステップＳ４０３において、設定部１０５は、バンドモデルの上限値、下限値を算出し、正常域の範囲を定義する。
設定部１０５は、バンドモデルの時刻ごとの上限値３０６を示すＭＵ（ｔ）を数式４で算出する。数式においては、ＭＵ（ｔ）の「Ｕ」は下付き文字で表示する。

設定部１０５は、バンドモデルの時刻ごとの下限値３０７を示すＭＬ（ｔ）を数式５で算出する。数式においては、ＭＬ（ｔ）の「Ｌ」は下付き文字で表示する。

例えば、３０４の時刻ｔ１における正常域は、ＭＵ（ｔ１）以上、ＭＬ（ｔ１）以下の範囲となる。設定部１０５は、信号がこの正常域を外れた場合、異常として判定する。

入力部１０６は、判定部１０７で処理するために、監視対象ＤＢ１１０から入力された信号データを変換、整形する。信号データの変換は、入力部１０４と同様、例えば信号データのフォーマットを変換する処理である。信号データのフォーマット変換の例として、信号データの形式を既定のデータフォーマットへ変換する処理がある。監視対象１０３のシステムごとに信号データの形式が異なる場合に、情報処理装置１０１の各機能を正常に動作させるために、信号データのフォーマット変換が行われる。

また、信号データのフォーマット変換の例として、処理の高速化を目的として、信号データのサンプリング処理や信号データ中の不要な期間の信号の削除がある。入力部１０６は、信号データのサンプリングや、信号データ中の不要な期間の信号の削除などについて、入力部１０４と同じポリシーを適用してもよい。また、信号データのフォーマット変換の例として、判定部１０７へ入力する監視対象データの長さを、一定の期間で区切る、リアルタイムで逐次入力するなど、調整してもよい。

信号データの整形は、例えば、入力された信号データを、入力部１０４で分類、集約した信号データと同じ条件で比較するために、入力された信号データの条件と類似した入力部１０４で分類、集約した信号データを抽出する処理がある。また、信号データの分類、集約の例として、入力された複数の信号データを、制御システムの起動直後や定常運転時など、同種の運転の期間ごとに信号データを分割し、集約する処理がある。入力部１０６は、分割する運転の期間について、入力部１０４と同じポリシーを適用してもよい。

次に、監視対象データが正常域を外れているか判定する方法について説明する。
判定部１０７は、入力部１０６から入力された信号データが、設定部１０５から入力された正常域を外れているか判定する。

図５は、実施の形態１に係る監視対象データが正常域を外れる例を示すグラフである。グラフの縦軸が信号値、横軸が時刻を示している。５０１は、入力部１０６から出力された監視対象データである。５０２は、監視対象データ５０１が正常域を外れたことを判定部１０７が判定した判定時刻ｔ２である。

判定部１０７は、監視対象データ５０１がバンドモデルの上限値３０６を上回った場合、もしくは、バンドモデルの下限値３０７を下回った場合に、正常域を外れたと判定する。図５では、５０２の時刻ｔ２に、監視対象データ５０１がバンドモデルの上限値３０６を上回ったことを示している。

本実施の形態では、正常域の例としてバンドモデルを使用しているが、正常域を外れた時刻を判定可能な手法であればその他の手法により定義した正常域でも構わない。

検出部１０８は、判定部１０７にて正常域を外れていると判定された信号データにおいて、正常域を外れる前に始まった、平均的な振る舞いから外れ始めた時刻である開始時刻を検出し、出力する。

図６は、実施の形態１に係る監視対象データが平均的な振る舞いから外れ始めた時刻を示すグラフである。縦軸が信号値、横軸が時刻を示している。６０１は、平均的な振る舞いから外れ始めた時刻である開始時刻ｔ３を表す。開始時刻ｔ３は、判定時刻５０２より前の時刻である。

検出部１０８は、平均的な振る舞いからの外れを、外れ度合いにより表現する。外れ度合いＤ（ｔ）は、数式６で算出する。

図７は、実施の形態１に係る外れ度合いＤ（ｔ）の例を示すグラフある。縦軸が外れ度合、横軸が時刻を示している。７０１は、外れ度合いＤ（ｔ）を表す。７０２は、バンドモデルの正常域に相当する領域である。７０３は、バンドモデルの幅Ｗ（ｔ）を算出するときに設定した定数ｎである。７０４は、変化の有無を判定する定数ｎ１である。定数ｎ１は、定数ｎとは異なる値である。

従来の方法では、開始時刻ｔ３と判定時刻ｔ２との間の時間の長さが、信号データごとに差異があることを考慮せず、判定時刻ｔ２のみ利用していた。この信号データごとの差異の影響を軽減するため、開始時刻ｔ３を算出する。開始時刻ｔ３は、異常の原因の信号の推定等に活用可能である。

次に、検出部１０８が開始時刻ｔ３を算出する方法を説明する。図７において、判定時刻ｔ２より前に、外れ度合いが平坦から上昇傾向に変化し始めた時刻が開始時刻ｔ３である。本実施の形態では、外れ度合いの傾きを変化指標として外れ度合いの振る舞いの変化を算出する。検出部１０８は、変化指標Ｃ（ｔ）を数式７で算出する。ｔ≧２とする。

変化指標Ｃ（ｔ）が、第１の閾値を上回る場合、変化ありとみなすことが可能である。そこで、検出部１０８は、判定時刻ｔ２から時刻を遡り、変化指標Ｃ（ｔ）が第１の閾値を初めて下回った時刻を、開始時刻ｔ３として算出する。

したがって、本実施の形態では、時系列の信号から成る監視対象データの正常な値の範囲を示す正常域を上限値と下限値とから設定する設定部と、監視対象データが正常域を外れたか否かを判定し、外れたと判定した場合に監視対象データが正常域から外れたと判定した時刻である判定時刻を出力する判定部と、既知の監視対象データのうち正常な値の信号から成る複数の学習データの平均値と監視対象データとの差を示す外れ度合いに基づいて、判定部から入力された判定時刻より前であって監視対象データが異常を示し始めた開始時刻を検出する検出部と、を備えたので、信号が異常を示し始めた時刻をより正確に求めることができる。

また、設定部は、複数の時刻それぞれで複数の学習データの最大値を上限値に設定するとともに、複数の学習データの最小値を下限値に設定するので、時点ごとの信号データのばらつきに応じた広がりを持つ正常域を定義することが可能となる。よって、ばらつきの大きい時刻において閾値を緩くすることで誤検知を抑制し、ばらつきの小さい時刻において閾値を厳しくすることで検出漏れを抑制することが可能である。

また、検出部は、判定時刻より前であって外れ度合いの傾きが第１の閾値以上となる時刻を開始時刻として検出するので、信号ごとの異常が発生してから異常が検出されるまでの時間の差異による影響を軽減することが可能である。

なお、本実施の形態において、正常域の上限値は時刻によらず同じ値を使用してもよい。下限値についても同様である。
図８は、実施の形態１に係る監視対象データの正常域の例を示すグラフである。２０２は、図２で示した学習データである。８０１は、正常域の上限値である。８０２は、正常域の下限値である。

監視対象の制御システムは監視対象データが上限値を上回った場合または下限値を下回った場合にアラームを通知するアラームシステムを有している場合がある。設定部１０５は、アラームシステムの下限値以上および上限値以下の範囲を正常域として設定しても構わない。設定部１０５は、あらかじめアラームシステムの上限値および下限値を入力または設定されて保持しているものとする。この場合、情報処理装置１０１は入力部１０４を保持しない構成となる。

したがって、設定部は、上限値を複数の時刻で同じ値に設定するとともに、下限値を複数の時刻で同じ値に設定するので、情報処理装置１０１は、監視対象システムが有しているアラームシステムの上限値および下限値を流用することで、信号データから正常域を設定する処理が不要となり、開発の省力化が可能になる。

また、本実施の形態において、設定部１０５は、すべての時刻でバンドモデルの平均を中心とする同じ幅の正常域を定義する一定幅のバンドモデルを使用しても構わない。一定幅のバンドモデルは、学習データのばらつきが小さく、バンドモデルの幅を適正に設定できない場合などに有効である。また、バンドモデルと一定幅バンドモデルを使い分け、または併用しても構わない。

図９は、実施の形態１に係る一定幅のバンドモデルの例を示すグラフである。９０１は、学習データと一定幅のバンドモデルを重ね合わせたグラフである。９０２は、一定幅のバンドモデルの構造を示すグラフである。９０３は上限値、９０４は下限値である。９０５は、一定幅のバンドモデルの幅である。
一定幅のバンドモデルの幅９０５は、例えばバンドモデル平均３０５の標準偏差の定数倍としてもよいし、バンドモデル平均３０５の平均値の定数倍に設定してもよい。設定部１０５があらかじめ幅の値または、算出方法を保持しているものとする。幅の値は、監視対象システムや監視対象データの取得条件に応じて、複数あってもよい。

したがって、本実施の形態では、設定部は、上限値と下限値について複数の学習データの平均値との差が複数の時刻で同じ値になるように上限値と下限値とを設定するので、学習データのばらつきが小さい場合、学習データが少ない場合、学習データが一定値である場合などに対応可能である。これらの場合、学習データから正常域を設定すると正常域の上下の幅が小さく、正常な監視対象データであっても異常と誤判定することが多くなってしまう。

また、本実施の形態において、設定部１０５は、主成分分析、独立成分分析等の手法で次元を削減した空間において正常域を設定してもよい。また、設定部１０５は、相関係数、マハラノビス距離等を使用した特徴量において正常域を設定してもよい。

したがって、本実施の形態では、複数の学習データから相関係数またはマハラノビス距離に基づく特徴量を算出し、特徴量の範囲から上限値と下限値とを設定するので、大規模なデータを対象とした場合に、次元を削減することにより処理時間の短縮が可能となる。また、バンドモデルとの時刻ごとの差以外の指標により、異常を多角的に評価することが可能である。

また、本実施の形態において、検出部１０８は、平均的な振る舞いから外れ始めた開始時刻を算出するときに、変化指標Ｃ（ｔ）が第１の閾値を上回る場合に加え、外れ度合いＤ（ｔ）が第２の閾値を上回る場合を、変化ありとみなしてもよい。例えば、第２の閾値は定数ｎ１とする。

したがって、本実施の形態では、判定時刻より前であって外れ度合いの傾きが第１の閾値以上となるとともに、外れ度合いが第２の閾値以上となる時刻を開始時刻として検出するので、外れ度合いＤ（ｔ）の変化が緩やかで、変化指標Ｃ（ｔ）が第１の閾値を外れない場合に、開始時刻の算出もれを抑制できる可能性がある。

また、本実施の形態において、検出部１０８は、外れ度合いＤ（ｔ）から既知の変化点検出手法により算出した変化指標を使用してもよい。変化点検出手法の例として、ベイズの変化点検出などがある。

したがって、本実施の形態では、外れ度合いからベイズの変化点検出に基づいて開始時刻を検出するので、外れ度合いＤ（ｔ）の傾き以外の指標により、平均的な振る舞いから外れ始めた開始時刻を多角的に算出することが可能である。

また、本実施の形態において、検出部１０８は、外れ度合いＤ（ｔ）もしくは変化指標Ｃ（ｔ）を平滑化処理した後、平均的な振る舞いから外れ始めた開始時刻を算出してもよい。

したがって、本実施の形態では、外れ度合いまたは外れ度合いの傾きを平滑化処理した後、開始時刻を検出するので、外れ度合いＤ（ｔ）の値が上下に振動することが多い場合、平均的な振る舞いから外れ始めた開始時刻の誤算出を抑制できる可能性がある。

なお、本実施の形態において、設定部１０５が正常域を設定する手法と検出部１０８が平均的な振る舞いから外れ始めた開始時刻を検出する手法について、複数の方法を示した。これらの方法を適宜組み合わせて実現してもよい。

実施の形態２．
以上の実施の形態１では、信号に異常が発生した時刻を推定するようにしたものであるが、本実施の形態においては、異常の原因の信号を推定する実施の形態を示す。

図１０は、実施の形態２に係る情報処理装置１００１の構成を示すブロック図である。情報処理装置１００１は、異常開始時刻推定装置としての情報処理装置１０１を活用した装置の例であり、異常の原因の信号を推定する異常原因信号推定装置である。図１０では、監視対象の制御システムからデータを収集する手段の例として、図１と同じく、データ収集・管理装置１０２の構成例、および監視対象１０３も併せて記載している。

情報処理装置１００１の情報処理装置１０との違いは、推定部１００２を追加したことである。推定部１００２は、検出部１０８から入力された正常域を外れたと判定された複数の信号から、平均的な振る舞いから外れ始めた開始時刻をもとに、異常の原因と推定される信号を出力する。

推定部１００２では、検出部１０８から入力された信号のうち、最初に変化し始めた信号を、異常の原因の信号として出力する。最初に変化し始めた信号を特定するために、推定部１００２は入力された正常域を外れた複数の信号を、開始時刻が早い順に並び替え、最初に変化した信号を出力する。開始時刻が早い順に並び替えた表を出力してもよい。

情報処理装置１００１のハードウェア構成例は、図１４に示した実施の形態１のハードウェア構成と同じである。推定部１００２は、ＣＰＵ、システムＬＳＩ等の処理回路により、実現される。また、複数の処理回路が連携して実行してもよい。推定部１００２は、推定した開始時刻をディスプレイ１４０４に出力してもよい。

図１１は、実施の形態２に係る情報処理システム１１００の構成例を示す図である。情報処理システム１１００は、異常原因信号推定装置としての情報処理装置１００１を利用して異常の原因となった信号を推定する異常原因信号推定システムである。データ収集・管理装置１０２は、監視対象１０３からデータを収集したデータを管理している。監視対象１０３は、センサを搭載している制御システムであればよく、空調機器、昇降機、プラント機器、自動車、鉄道車両などのシステムに適用が可能である。

なお、データ収集・管理装置１０２を設けず、情報処理装置１００１がデータ収集・管理装置１０２に相当する機能部を保持するようにしてもよい。計算機を用いて情報処理装置１００１を実現する場合には、データ収集・管理部が同じ計算機に搭載されることになる。

したがって、本実施の形態では、検出部から入力された複数の監視対象データの開始時刻のうち、最も早い時刻の開始時刻の監視対象データが異常の原因の信号データであると推定する推定部を備えたので、因果関係が未知の異常に対し、異常の原因となった信号を推定することが可能である。

なお、本実施の形態において、推定部１００２は信号間の物理的な因果関係を示すリストを保持し、このリストから異常の原因となる信号を推定する方法を併用してもよい。推定部１００２は、あらかじめリストを保持し、検出部１０８から入力された信号がリストにあるか否かを判定する。推定部１００２は、リストにあれば物理的な因果関係から異常の原因となる信号を推定し、リストになければ平均的な振る舞いから外れ始めの開始時刻をもとに、異常の原因と推定される信号を推定する。物理的な因果関係を把握している信号については、効率的に異常の原因となる信号を推定することができる。

したがって、本実施の形態では推定部は、複数の監視対象データの物理的な因果関係のリストを保持し、検出部から入力された監視対象データがリストにある場合、リストに基づいて異常の原因の監視対象データを推定するので、物理的な因果関係を把握している信号については、効率的に異常の原因となる信号を推定することが可能である。

実施の形態３．
以上の実施の形態２では、異常が発生した原因の信号を推定するようにしたものであるが、本実施の形態においては、異常を判定した判定時刻と平均的な振る舞いから外れ始めた開始時刻を表示する実施の形態を示す。

図１２は、実施の形態３に係る情報処理装置１２０１の構成を示すブロック図である。情報処理装置１２０１と情報処理装置１０１との違いは、表示部１２０２を追加したことである。表示部１２０２は、判定部１０７から出力された判定時刻と検出部１０８から出力された開始時刻を画面に表示する。

図１３は、実施の形態３に係る表示部１２０２が表示する画面の例を示す図である。１３０１は監視対象データと正常域を重ね合わせたグラフである。１３０２は正常域を外れたと判定された信号を開始時刻の順に並べ替えた表である。

１３０３は監視対象データ、１３０４は正常域の上限値、１３０５は正常域の下限値を示す。１３０６は、判定部１０７にて異常と判定した判定時刻を示す。１３０７は、検出部１０８にて検出した開始時刻を示す。１３０８は正常域を外れたと判定された信号の信号名、１３０９は各監視対象データにおいて推定した開始時刻、１３１０は各監視対象データにおいて異常と判定した判定時刻を示す。

情報処理装置１２０１のハードウェア構成例は、図１４に示した実施の形態１のハードウェア構成と同じである。表示部１２０２は、ディスプレイ１４０４である。

したがって、本実施の形態では監視対象データをグラフで表示するとともに判定部から出力される判定時刻と検出部が検出した開始時刻とをグラフ上に表示する表示部を備えたので、正常域と監視対象データの差異、および異常と判定した判定時刻と開始時刻との差異を視覚化することが可能である。

また、表示部は複数の監視対象データについて検出部が検出した開始時刻の順に表示するので、異常の原因の監視対象データの候補を、異常の原因である可能性が高い順に提示することも可能である。

１０１、１２０１ 情報処理装置
１０２ データ管理装置
１０３ 監視対象の制御システム
１０４、１０６ 入力部
１０５ 設定部
１０７ 判定部
１０８ 検出部
１０９ 正常値学習ＤＢ
１１０ 監視対象ＤＢ
１１１ センサネットワーク
２０１、３０１、３０２、９０１、９０２、１３０１ グラフ
２０２、３０３ 信号データ
２０３、２０４ データのばらつきを示す幅
３０４、５０２、６０１、１３０６、１３０７ 時刻
３０５ 平均
３０６ 上限値
３０７ 下限値
３０８ バンドモデル幅
５０１、１３０３ 監視対象データ
７０１ 外れ度合いデータ
７０２ バンドモデル正常域相当領域
７０３、７０４ 定数
８０１、９０３、１３０４ 上限値
８０２、９０４、１３０５ 下限値
８０５ バンドモデル幅
１００１ 情報処理装置
１００２ 推定部
１２０２ 表示部
１３０２ 表
１３０８ 信号名
１３０９ 開始時刻
１３１０ 判定時刻

Claims (16)

1. 時系列の信号から成る監視対象データの正常な値の範囲を示す正常域を上限値と下限値とから設定する設定部と、
   前記監視対象データが前記正常域を外れたか否かを判定し、外れたと判定した場合に前記監視対象データが前記正常域から外れたと判定した時刻である判定時刻を出力する判定部と、
   既知の監視対象データのうち正常な値の信号から成る複数の学習データの平均値と前記監視対象データとの差を示す外れ度合いに基づいて、前記判定部から入力された前記判定時刻より前であって前記監視対象データが異常を示し始めた開始時刻を検出する検出部と、
   を備えることを特徴とする情報処理装置。
2. 前記設定部は、複数の時刻それぞれで前記複数の学習データの最大値を前記上限値に設定するとともに、前記複数の学習データの最小値を前記下限値に設定することを特徴とする請求項１に記載の情報処理装置。
3. 前記設定部は、前記上限値を前記複数の時刻で同じ値に設定するとともに、前記下限値を前記複数の時刻で同じ値に設定することを特徴とする請求項１に記載の情報処理装置。
4. 前記設定部は、前記上限値と前記下限値について前記複数の学習データの平均値との差が前記複数の時刻で同じ値になるように前記上限値と前記下限値とを設定することを特徴とする請求項１に記載の情報処理装置。
5. 前記設定部は、前記複数の学習データから相関係数に基づく特徴量を算出し、前記特徴量の範囲から前記上限値と前記下限値とを設定することを特徴とする請求項１に記載の情報処理装置。
6. 前記設定部は、前記複数の学習データからマハラノビス距離に基づく特徴量を算出し、前記特徴量の範囲から前記上限値と前記下限値とを設定することを特徴とする請求項１に記載の情報処理装置。
7. 前記検出部は、前記判定時刻より前であって前記外れ度合いの傾きが第１の閾値以上となる時刻を前記開始時刻として検出することを特徴とする請求項１から６のいずれか一項に記載の情報処理装置。
8. 前記検出部は、前記外れ度合いの傾きを平滑化処理した後、前記開始時刻を検出することを特徴とする請求項７に記載の情報処理装置。
9. 前記検出部は、前記判定時刻より前であって前記外れ度合いの傾きが第１の閾値以上となるとともに、前記外れ度合いが第２の閾値以上となる時刻を前記開始時刻として検出することを特徴とする請求項１から６のいずれか一項に記載の情報処理装置。
10. 前記検出部は、前記外れ度合いまたは前記外れ度合いの傾きを平滑化処理した後、前記開始時刻を検出することを特徴とする請求項９に記載の情報処理装置。
11. 前記検出部は、前記外れ度合いからベイズの変化点検出に基づいて前記開始時刻を検出することを特徴とする請求項１から６のいずれか一項に記載の情報処理装置。
12. 前記検出部から入力された複数の監視対象データの前記開始時刻のうち、最も早い時刻の前記開始時刻の監視対象データが異常の原因の信号データであると推定する推定部を備えたことを特徴とする請求項１から１１のいずれか一項に記載の情報処理装置。
13. 前記推定部は、複数の監視対象データの物理的な因果関係のリストを保持し、前記検出部から入力された監視対象データが前記リストにある場合、前記リストに基づいて異常の原因の監視対象データを推定することを特徴とする請求項１２に記載の情報処理装置。
14. 監視対象データをグラフで表示するとともに前記判定部から出力される前記判定時刻と前記検出部が検出した前記開始時刻とを前記グラフ上に表示する表示部を備えたことを特徴とする請求項１から１１のいずれか一項に記載の情報処理装置。
15. 複数の監視対象データについて前記検出部が検出した前記開始時刻を表示する表示部を備えたことを特徴とする請求項１から１１のいずれか一項に記載の情報処理装置。
16. 時系列の信号から成る監視対象データの正常な値の範囲を示す正常域を上限値と下限値とから設定する設定ステップと、
    前記監視対象データが前記正常域を外れたか否かを判定し、外れたと判定した場合に前記監視対象データが前記正常域から外れたと判定した時刻である判定時刻を出力する判定ステップと、
    既知の監視対象データのうち正常な値の信号から成る複数の学習データの平均値と前記監視対象データとの差を示す外れ度合いに基づいて、前記判定時刻より前であって前記監視対象データが異常を示し始めた開始時刻を検出する検出ステップと、
    を有する情報処理装置による情報処理方法。

Images