JP6456580B1 - 異常検知装置、異常検知方法及び異常検知プログラム - Google Patents

異常検知装置、異常検知方法及び異常検知プログラム Download PDF

Info

Publication number
JP6456580B1
JP6456580B1 JP2018555298A JP2018555298A JP6456580B1 JP 6456580 B1 JP6456580 B1 JP 6456580B1 JP 2018555298 A JP2018555298 A JP 2018555298A JP 2018555298 A JP2018555298 A JP 2018555298A JP 6456580 B1 JP6456580 B1 JP 6456580B1
Authority
JP
Japan
Prior art keywords
outlier
abnormality
data
detection
abnormality detection
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2018555298A
Other languages
English (en)
Other versions
JPWO2019239542A1 (ja
Inventor
智晴 竹内
智晴 竹内
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mitsubishi Electric Corp
Original Assignee
Mitsubishi Electric Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Mitsubishi Electric Corp filed Critical Mitsubishi Electric Corp
Application granted granted Critical
Publication of JP6456580B1 publication Critical patent/JP6456580B1/ja
Publication of JPWO2019239542A1 publication Critical patent/JPWO2019239542A1/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G01M99/008—Subject matter not provided for in other groups of this subclass by doing functionality tests
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0237—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on parallel systems, e.g. comparing signals produced at the same time by same type systems and detect faulty ones by noticing differences among their responses
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Automation & Control Theory (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Debugging And Monitoring (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

外れ傾向計算部（２２）は、対象データのうち他のデータから外れているデータを特定し、特定されたデータの外れ度合いを示す外れスコアを計算する複数の外れ値検知手法それぞれにより、対象機器から得られた評価データを入力として外れスコアを計算して、計算された外れスコアから外れ傾向情報を計算する。異常検知部（２３）は、複数の外れ値検知手法それぞれについての複数の異常パターンそれぞれに対する感度を示す外れ感度情報と、計算された外れ傾向情報との類似度を異常パターン毎に計算して、対象機器の異常を検知する。

Description

この発明は、対象機器から得られたデータに基づき対象機器の異常を検知する技術に関する。
予防保全及び機器メンテナンスの分野において、メンテナンス実施及び予備品管理を無駄なく必要最小限に行うため、機器の劣化及び故障の兆候を検知又は予測する技術開発が行われている。センサネットワーク及びビッグデータ解析に注目が集まる中、機器稼働状況をセンシングし、物理的解析又は統計予測に基づき異常検知又は故障予測する技術が開発されつつある。
機器の異常検知に対しては、機器の稼働データを収集し、正常時及び異常時のデータの特徴を把握した上で異常検知モデルを構築するアプローチをとる場合が多い。
特許文献１に記載された手法では、プラントでのプロセス監視において、複数の異常診断モデルを用いて異常の検知及び要因の提示を行う。特許文献１では、主成分分析又は離散ウェーブレット変換を活用した異常診断モデルを事前に構築しておき、異常診断モデルをプロセス監視におけるオンラインでの異常検知に適用している。
ここで、異常診断モデルを構築するためには、正常時及び異常時のデータ特徴を解析し、機器状態の推定が可能な統計的な特徴量を把握する必要がある。しかし、例えば発電機及び昇降機といった長寿命機器の多くは、故障前にメンテナンスされることから、製造業者とメンテナンス事業者と機器導入者（ユーザ）とのいずれも故障データを保有していない場合が多い。そのため、故障時の機器状態及び計測データの変動を事前学習して異常検知を行う方式をとることが困難である。
外れ値検知技術は、正常及び異常の二値判定を基本とし、データ全体の中から外れているデータを抽出する技術である。外れ値検知技術には、統計的手法と機械学習系手法と深層学習系手法といった様々な手法が存在する。外れ値検知手法を機器の異常検知に適用する場合、数ある外れ値検知手法の中から機器センシングデータの特徴を元に最適な手法が選択され、逐次収集される機器の稼働データに対して正常及び異常が判定される。
外れ値検知技術に基づく異常検知は、評価データが正常時から外れる場合に、異常として検知することが可能である。そのため、正常データさえあれば異常検知が可能となる。つまり、故障データが少ない、あるいは全く存在しない場合においても理論上異常検知が可能である。このことから、未知の故障に対する検知及び予測に対して有効な手法であると言える。
特開２０１２−１５５３６１号公報
外れ値検知技術に基づく異常検知は、正常データがあれば正常及び異常を判定できる手法である。しかし、外れ値検知技術に基づく異常検知は、従来的な適用をするだけでは正常及び異常の二値情報以上のことが分からない。そのため。どのような異常が発生しているかはエンジニアらの点検による故障判定及び原因解明が必要となる。
また、対象機器には様々な異常パターンが発生する。あるアルゴリズムに則った外れ値検知手法を適用するだけでは、アルゴリズムに則らない異常は検知できない場合がある。外れ値検知技術は手法毎に検知アルゴリズムが異なることから、検知漏れする異常パターンも手法毎に異なると考えられ、最適手法を選択するのは難しい。
この発明は、適切に異常を検知可能にするとともに、どのような異常が発生しているかの特定を容易にすることを目的とする。
この発明に係る異常検知装置は、
対象データのうち他のデータから外れているデータを特定し、特定されたデータの外れ度合いを示す外れスコアを計算する複数の外れ値検知手法それぞれにより、対象機器から得られた評価データを入力として外れスコアを計算して、計算された前記外れスコアから外れ傾向情報を計算する外れ傾向計算部と、
前記複数の外れ値検知手法それぞれについての複数の異常パターンそれぞれに対する感度を示す外れ感度情報と、前記外れ傾向計算部によって計算された前記外れ傾向情報との類似度を異常パターン毎に計算して、前記対象機器の異常を検知する異常検知部と
を備える。
この発明では、外れ感度情報と外れ傾向情報との類似度を異常パターン毎に計算する。これにより、適切に異常を検知可能にするとともに、どのような異常が発生しているかの特定を容易にすることが可能である。
実施の形態１に係る異常検知システム１のハードウェア構成図。 実施の形態１に係る対象機器１００の機能構成図。 実施の形態１に係る異常検知装置２００の機能構成図。 実施の形態１に係る状態監視装置３００の機能構成図。 実施の形態１に係る異常検知処理のフローチャート。 実施の形態１に係る稼働データ取得処理の説明図。 実施の形態１に係る外れ傾向計算処理のフローチャート。 実施の形態１に係る異常特定処理のフローチャート。 実施の形態１に係る外れ感度情報の方式１を示す図。 実施の形態１に係る外れ感度情報の方式２を示す図。 実施の形態１に係る外れ感度情報の方式３を示す図。 実施の形態１に係る外れ感度情報の方式４を示す図。 実施の形態１に係る学習処理のフローチャート。 実施の形態１に係る外れ感度情報生成処理のフローチャート。 変形例１に係る異常検知システム１のハードウェア構成図。 実施の形態２に係る異常検知システム１のハードウェア構成図。 実施の形態２に係る検知装置５００と、学習装置６００と、データベース装置７００との機能構成図。 実施の形態３に係る異常検知システム１のハードウェア構成図。 実施の形態２に係る対象機器１００の機能構成図。
実施の形態１．
＊＊＊構成の説明＊＊＊
図１を参照して、実施の形態１に係る異常検知システム１のハードウェア構成を説明する。
異常検知システム１は、対象機器１００と、異常検知装置２００と、状態監視装置３００とを備える。対象機器１００と、異常検知装置２００と、状態監視装置３００とは、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）といったネットワーク４００を介して接続される。異常検知装置２００と状態監視装置３００とは、実体のあるサーバでもよいし、クラウドにより構成されてもよい。ネットワーク４００は、仮想ネットワークでもよい。
対象機器１００は、異常検知の対象となる装置である。
対象機器１００は、稼働機器１０１と、制御装置１０２と、センサ１０３と、演算装置１０４と、主記憶装置１０５と、通信装置１０６とのハードウェアを備える。
稼働機器１０１は、異常検知の対象となる部分である。稼働機器１０１は、具体例としては、発電機、昇降機といった機器である。
制御装置１０２は、稼働機器１０１を制御する。制御装置１０２は、具体例としては、マイクロコンピュータである。
センサ１０３は、稼働機器１０１の稼働状況をセンシングする。センサ１０３は、具体例としては、温度センサ、圧力センサ、又は、光センサである。
演算装置１０４は、プロセッシングを行うＩＣ（Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）であり、センサ１０３のセンシングにより得られた稼働データを異常検知装置２００に送信するための処理を実行する。演算装置１０４は、制御装置１０２の制御情報を稼働データに含めて送信してもよい。演算装置１０４は、具体例としては、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＤＳＰ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒ）、又は、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）である。
主記憶装置１０５は、制御情報と稼働データとを一時記憶する。主記憶装置１０５は、具体例としては、ＳＲＡＭ（Ｓｔａｔｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、又は、ＤＲＡＭ（Ｄｙｎａｍｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）である。
通信装置１０６は、演算装置１０４の処理に従い、制御情報と稼働データとを異常検知装置２００に送信する。通信装置１０６は、具体例としては、Ｅｔｈｅｒｎｅｔ（登録商標）、又は、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）のボードである。
異常検知装置２００は、対象機器１００の異常検知を行う装置である。
異常検知装置２００は、通信装置２０１と、演算装置２０２と、主記憶装置２０３と、外部記憶装置２０４とを備える。
通信装置２０１は、制御情報と稼働データとを対象機器１００から受信する。また、通信装置２０１は、異常検知の結果を状態監視装置３００に送信する。通信装置２０１は、具体例としては、Ｅｔｈｅｒｎｅｔ（登録商標）、又は、ＵＳＢのボードである。
演算装置２０２は、異常検知に関する処理を実行する。演算装置２０２は、具体例としては、ＣＰＵ、ＤＳＰ、又は、ＧＰＵである。
主記憶装置２０３は、演算装置２０２によって実行された処理の処理結果を一時記憶する。主記憶装置２０３は、具体例としては、ＳＲＡＭ、又は、ＤＲＡＭである。
外部記憶装置２０４は、各種データを保管する。外部記憶装置２０４は、具体例としては、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）である。また、外部記憶装置２０４は、ＳＤ（登録商標，Ｓｅｃｕｒｅ Ｄｉｇｉｔａｌ）メモリカード、ＣＦ（ＣｏｍｐａｃｔＦｌａｓｈ，登録商標）、ＮＡＮＤフラッシュ、フレキシブルディスク、光ディスク、コンパクトディスク、ブルーレイ（登録商標）ディスク、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｋ）といった可搬記録媒体であってもよい。
状態監視装置３００は、異常検知装置２００によって検知された異常を示すデータを出力する装置である。状態監視装置３００は、具体例としては、監視センターのモニタリング装置と使用者の所有するＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）といった装置である。
状態監視装置３００は、通信装置３０１と、演算装置３０２と、主記憶装置３０３と、表示装置３０４とを備える。
通信装置３０１は、異常検知の結果を異常検知装置２００から受信する。通信装置３０１は、具体例としては、Ｅｔｈｅｒｎｅｔ（登録商標）、又は、ＵＳＢのボードである。
演算装置３０２は、結果出力の処理を実行する。演算装置３０２は、具体例としては、ＣＰＵ、ＤＳＰ、又は、ＧＰＵである。
主記憶装置３０３は、演算装置３０２によって実行された処理の処理結果を一時記憶する。主記憶装置３０３は、具体例としては、ＳＲＡＭ、又は、ＤＲＡＭである。
表示装置３０４は、結果出力を行う。具体例としては、ＬＣＤ（Ｌｉｑｕｉｄ Ｃｒｙｓｔａｌ Ｄｉｓｐｌａｙ）である。
図２を参照して、実施の形態１に係る対象機器１００の機能構成を説明する。
対象機器１００は、機能構成要素として、稼働データ収集部１１と、稼働データ送信部１２とを備える。
稼働データ収集部１１と、稼働データ送信部１２との機能は、ソフトウェアにより実現される。稼働データ収集部１１と、稼働データ送信部１２との機能を実現するプログラムが演算装置１０４により読み込まれ実行されることにより、機能が実現される。
図３を参照して、実施の形態１に係る異常検知装置２００の機能構成を実現する。
異常検知装置２００は、機能構成要素として、稼働データ取得部２１と、外れ傾向計算部２２と、異常検知部２３と、パラメータ学習部２４と、外れ感度情報生成部２５と、記憶部２６とを備える。
稼働データ取得部２１と、外れ傾向計算部２２と、異常検知部２３と、パラメータ学習部２４と、外れ感度情報生成部２５との機能は、ソフトウェアにより実現される。稼働データ取得部２１と、外れ傾向計算部２２と、異常検知部２３と、パラメータ学習部２４と、外れ感度情報生成部２５との機能を実現するプログラムが演算装置２０２により読み込まれ実行されることにより、機能が実現される。対象機器１００の機能構成要素の機能を実現するプログラムは、外部記憶装置２０４に記憶されている。
記憶部２６の機能は、外部記憶装置２０４により実現される。
稼働データ取得部２１は、稼働データ受信部２１１と、稼働データ蓄積部２１２とを備える。
外れ傾向計算部２２は、過去データ取得部２２１と、データ統合部２２２と、検知処理部２２３と、傾向情報生成部２２４とを備える。検知処理部２２３は、外れ検知手法毎に処理ブロックを有する。図１では、検知処理部２２３は、手法１から手法ＮまでのＮ個の手法に対応する処理ブロックを有する。
異常検知部２３は、外れ感度情報取得部２３１と、類似度計算部２３２と、類似スコア計算部２３３と、パターン判定部２３４とを備える。
パラメータ学習部２４は、過去データ取得部２４１と、学習部２４２とを備える。学習部２４２は、外れ検知手法毎に処理ブロックを有する。図１では、学習部２４２は、検知処理部２２３と同様に、手法１から手法ＮまでのＮ個の手法に対応する処理ブロックを有する。
外れ感度情報生成部２５は、情報生成部２５１と、情報蓄積部２５２とを備える。
記憶部２６は、過去データ記憶部２６１と、検知アルゴリズム記憶部２６２と、外れ感度情報記憶部２６３とを備える。
図４を参照して、実施の形態１に係る状態監視装置３００の機能構成を説明する。
状態監視装置３００は、機能構成要素として、結果受信部３１と、結果出力部３２とを備える。
結果受信部３１と、結果出力部３２との機能は、ソフトウェアにより実現される。結果受信部３１と、結果出力部３２との機能を実現するプログラムが演算装置３０２により読み込まれ実行されることにより、機能が実現される。
図５から図１３を参照して、実施の形態１に係る異常検知システム１の動作を説明する。
実施の形態１に係る異常検知システム１の動作は、実施の形態１に係る異常検知方法に相当する。また、実施の形態１に係る異常検知システム１の動作は、実施の形態１に係る異常検知プログラムの処理に相当する。
図５を参照して、実施の形態１に係る異常検知処理を説明する。
異常検知処理は、対象機器１００の異常を検知する処理である。異常検知処理は、対象機器１００と、異常検知装置２００の稼働データ取得部２１と外れ傾向計算部２２と異常検知部２３と、状態監視装置３００とによって実行される。異常検知処理は、任意のタイミングで実行されてもよいし、定期的に実行されてもよい。
（ステップＳ１０１：稼働データ取得処理）
対象機器１００では、制御装置１０２の制御に基づく稼働機器１０１の稼働中にセンサ１０３によって稼働データが取得される。稼働データ収集部１１は、取得された稼働データを収集して主記憶装置１０５に書き込む。稼働データ送信部１２は、稼働データ収集部１１によって収集された一定時間分の稼働データを、通信装置１０６を介して異常検知装置２００に送信する。
異常検知装置２００の稼働データ取得部２１は、稼働データ送信部１２によって送信された稼働データを、通信装置２０１を介して取得する。稼働データ取得部２１は、取得された稼働データを主記憶装置２０３に書き込む。
（ステップＳ１０２：外れ傾向計算処理）
異常検知装置２００の外れ傾向計算部２２は、ステップＳ１０１で取得された稼働データに対する外れ傾向情報を計算する。
具体的には、外れ傾向計算部２２は、対象データのうち他のデータから外れているデータを特定し、特定されたデータの外れ度合いを示す外れスコアを計算する複数の外れ値検知手法それぞれにより、対象機器１００から得られた評価データを入力として外れスコアを計算する。外れ傾向計算部２２は、計算された外れスコアから外れ傾向情報を生成する。外れ傾向計算部２２は、計算された外れ傾向情報を主記憶装置２０３に書き込む。
（ステップＳ１０３：異常特定処理）
異常検知装置２００の異常検知部２３は、ステップＳ１０２で計算された外れ傾向情報に基づき、異常の有無の判定、及び、異常がある場合には推定される異常パターンの特定を行う。
具体的には、異常検知部２３は、複数の外れ値検知手法それぞれについての複数の異常パターンそれぞれに対する感度を示す外れ感度情報と、ステップＳ１０２で計算された外れ傾向情報との類似度を異常パターン毎に計算して、対象機器１００の異常を検知する。異常検知部２３は、通信装置２０１を介して、検知結果を状態監視装置３００に送信する。
状態監視装置３００の結果受信部３１は、異常検知部２３によって送信された検知結果を、通信装置３０１を介して受信する。結果出力部３２は、結果受信部３１によって受信された検知結果を表示装置３０４に出力する。
図６を参照して、実施の形態１に係る稼働データ取得処理（図５のステップＳ１０１）を説明する。
稼働データ受信部２１１は、稼働データ送信部１２によって送信された稼働データを受信する。すると、稼働データ受信部２１１は、受信された稼働データに対して、外れ傾向情報計算向けのデータ加工を行う。その後、稼働データ蓄積部２１２は、加工した稼働データを過去データ記憶部２６１に蓄積する。
ここで、時刻ｔに一度に送信される稼働データは、時間長ｍ（＝時刻ｔ−ｍから時刻ｔまで）で切り取ったデータであるとし、時刻ｔの稼働データと呼ばれる。時間長ｍでは、一定間隔でＬ回センシングが行われるとする。また、時刻ｔの稼働データの変数の数をｋとする。変数の数とは、センサ数等によって決まるデータカラム数である。そのため、時刻ｔに一度に送信される稼働データは、行方向にデータ計測時刻、列方向に各変数のデータを並べたＬ×ｋの行列データとして取り扱うことができる。そこで、稼働データ受信部２１１は、受信された稼働データをＬ×ｋの行列データに加工する。
なお、対象機器の稼働データが１変数の時系列データである場合には、時間長ｍで切り取ったデータをＬ×ｋの行列データに並び替えて取り扱うことにより、多変量データの場合と同様に取り扱うことが可能である。但し、時間長ｍの１変数の時系列データのデータ点数がＬ×ｋに等しいと仮定している。このように対象データに時系列データが含まれる場合はある時間長（例えばｋ）でデータを区切り、区切ったデータをｋ個の多変量データとして取り扱うことで、時系列データも多変量データも無関係に同時に取り扱うことが可能となる。但し、時系列データが周期性を有するデータの場合は、１周期分のデータが区切りの時間長（例えばｋ）と一致している必要がある。
図７を参照して、実施の形態１に係る外れ傾向計算処理（図５のステップＳ１０２）を説明する。
ステップＳ２０１では、過去データ取得部２２１は、過去データ記憶部２６１に蓄積された過去の稼働データを取得する。過去データ取得部２２１は、取得された過去の稼働データを主記憶装置２０３に書き込む。
ステップＳ２０２では、データ統合部２２２は、ステップＳ１０１で取得された時刻ｔの稼働データと、ステップＳ２０１で取得された過去の稼働データとを主記憶装置２０３から読み出す。データ統合部２２２は、時刻ｔの稼働データと過去の稼働データとを統合して、評価データを生成する。データ統合部２２２は、生成された評価データを主記憶装置２０３に書き込む。
続いて、ステップＳ２０３からステップＳ２０９において、外れ値検知手法の数Ｎだけ外れスコアの計算処理が繰り返し実行される。
ステップＳ２０３では、検知処理部２２３は、カウンタｉの値を１に初期化する。ステップＳ２０４では、検知処理部２２３は、ｉ番目の外れ値検知手法のアルゴリズムを検知アルゴリズム記憶部２６２から読み出す。ステップＳ２０５では、検知処理部２２３は、評価データを主記憶装置２０３から読み出し、ｉ番目の外れ値検知手法のアルゴリズムにより評価データに対する外れ値検知処理を実行して、外れスコアを計算する。ステップＳ２０６では、検知処理部２２３は、ステップＳ２０５で計算された外れスコアから、評価時間帯である時刻ｔの稼働データに対する外れスコアのみを抽出する。ステップＳ２０７では、検知処理部２２３は、ステップＳ２０６で抽出された外れスコアを、外れ傾向情報Ｓｔ（ｉ）に追加する。ステップＳ２０８では、検知処理部２２３は、カウンタｉの値に１加算する。ステップＳ２０９では、検知処理部２２３は、カウンタｉの値が外れ値検知手法の数Ｎ以下であるか否かを判定する。
検知処理部２２３は、カウンタｉの値が外れ値検知手法の数Ｎ以下である場合には、処理をステップＳ２０４に戻して、次の外れ値検知手法により外れスコアを計算する。一方、検知処理部２２３は、カウンタｉの値が外れ値検知手法の数Ｎより大きい場合には、処理をステップＳ２１０に進める。
ステップＳ２１０では、傾向情報生成部２２４は、ステップＳ２０６で外れスコアが設定された外れ傾向情報Ｓｔを、時刻ｔにおける稼働データの外れ傾向情報として、主記憶装置２０３に書き込む。
ステップＳ２０６で計算される外れスコアと、ステップＳ２１０で確定する外れ傾向情報とを説明する。
時刻ｔにおける稼働データがＬ×ｋの行列データである場合、外れスコアは行数Ｌ分計算される。行毎のスコアは正常又は異常の二値情報である。外れ傾向情報として取り扱う場合には、行毎の異常判定率を時刻ｔにおける稼働データとして用いる。具体的には、異常スコアの数をｆとすると、外れスコアＳｔ（ｉ）はｆ／Ｌとなる。
そして、ステップＳ２１０で確定する時刻ｔにおける稼働データの外れ傾向情報は、外れスコアＳｔ（ｉ）が外れ値検知手法の数Ｎ分だけ統合されたＮ個の要素からなる列ベクトルデータＳｔである。外れ傾向情報は、外れ値検知手法の順（比較順）に外れスコアＳｔ（ｉ）が並べられた列ベクトルデータＳｔである。
ここで、ステップＳ２０５では、外れ値検知手法毎に対応する処理ブロックによってアルゴリズムが実行される。具体的には、対応する処理ブロックが、外れ値検知手法に対応した形態に評価データを加工した上で、評価データに対する外れ値検知を行い、外れスコアを計算する。データの加工と検知アルゴリズムの実行部分のみ手法別の構成とすることにより、評価データの生成までの処理を共通化できる。
図８を参照して、実施の形態１に係る異常特定処理（図５のステップＳ１０３）を説明する。
ステップＳ３０１では、外れ感度情報取得部２３１は、外れ感度情報を外れ感度情報記憶部２６３から読み出す。外れ感度情報取得部２３１は、読み出された外れ感度情報を主記憶装置２０３に書き込む。
続いて、ステップＳ３０２からステップＳ３０６において、評価対象の異常パターンの数Ｍだけ類似度の計算処理が繰り返し実行される。
ステップＳ３０２では、類似度計算部２３２は、カウンタｊの値を１に初期化する。ステップＳ３０３では、類似度計算部２３２は、ステップＳ１０２で計算された外れ傾向情報Ｓｔと、ステップＳ３０１で読み出された外れ感度情報とを主記憶装置２０３から読み出す。類似度計算部２３２は、外れ傾向情報Ｓｔと外れ感度情報のｊ番目の異常パターンである異常パターン（ｊ）との類似度を計算する。類似度の計算方法としては、相関計算と、ノルム計算（距離計算）といった一般的な計算方法を使用することができる。ステップＳ３０４では、類似スコア計算部２３３は、ステップＳ３０３で計算された類似度を類似度ベクトルＳＶｔ（ｊ）に追加する。ステップＳ３０５では、類似度計算部２３２は、カウンタｊの値に１加算する。ステップＳ３０６では、類似度計算部２３２は、カウンタｊの値が異常パターンの数Ｍ以下であるか否かを判定する。
類似度計算部２３２は、カウンタｊの値が異常パターンの数Ｍ以下である場合には、処理をステップＳ３０３に戻して、次の異常パターンについての類似度を計算する。一方、類似度計算部２３２は、カウンタｊの値が異常パターンの数Ｍより大きい場合には、処理をステップＳ３０７に進める。
ステップＳ３０７では、パターン判定部２３４は、ステップＳ３０４で類似度が設定された類似度ベクトルＳＶｔに基づき、異常検知を行う。そして、パターン判定部２３４は、検知結果を状態監視装置３００に送信する。
具体的には、パターン判定部２３４は、類似度ベクトルＳＶｔの各要素に対してある閾値を超えた類似度を持つ異常パターン全てを、発生可能性のある異常パターンとして検知する。この検知方法によれば、ある程度以上の異常発生可能性がある場合のみを検知できるため、従来方法と比較して誤検知が少なくなる効果が期待できる。
また、パターン判定部２３４は、類似度ベクトルＳＶｔの各要素に対してある閾値を超えた類似度を持つ異常パターンのうち、最大類似度を持つ異常パターンのみを発生可能性のある異常パターンとして検知してもよい。この検知方法によれば、ある程度以上の異常発生可能性がある異常パターンの中から可能性の最も高い異常パターンを推定できる。そのため、異常原因を絞り込んだ検知が可能となる。
パターン判定部２３４は、これらいずれかの検知方法により、時刻ｔの稼働データから算出された稼働状況について類似度の高い、つまり発生可能性の高い異常パターンを特定する。そして、パターン判定部２３４は、類似度が閾値以上の異常パターンがあったか否かと、特定された異常パターンとを検知結果として状態監視装置３００に送信する。
図９から図１２を参照して、実施の形態１に係る外れ感度情報を説明する。
外れ感度情報とは、様々な外れ値検知手法の各異常パターンに対する感度を体系整理した情報である。使用する外れ値検知手法の数がＮ、異常パターンの数がＭである場合、外れ感度情報はＮ×Ｍの行列データとして保持される。外れ感度情報のｎ行ｍ列のデータは、ｎ番目の外れ値検知手法アルゴリズム（外れ値検知手法（ｎ））のｍ番目の異常パターン（異常パターン（ｍ））に対する感度を表す。感度の値が高いほど、外れ値検知手法（ｎ）を用いた異常パターン（ｍ）に対する異常検知能力が高いことを示す。異常検知能力が高いとは、異常検知が容易であるという意味である。
外れ感度情報はＮ×Ｍの行列データとして保持される。そのため、図８のステップＳ３０３の処理における外れ感度情報のｊ番目の異常パターンである異常パターン（ｊ）とは、外れ感度情報のｊ列目データである。したがって、異常パターン（ｊ）は、外れ値検知手法の数であるＮ個の要素からなる列ベクトルデータである。異常パターン（ｊ）は、外れ傾向情報と同じ外れ値検知手法の順（比較順）に感度が並べられている。
異常パターンは、物理現象に基づいたデータの外れ方であってもよいし、単純に数値列データとして発生し得る外れ方であってもよい。
例えば、前者であれば、信号伝送経路の劣化に起因するノイズ重畳であり、後者であれば、時系列データの振幅増大変化である。物理現象としてどんな故障が発生し、それがデータにどのような特徴として発現するかが判明していれば、その情報を外れ感度情報に整理しておくことで、実際にその異常が発生した場合に容易に異常原因の推定が可能となる。一方、物理現象が掴めていない場合でも、異常パターンを推定可能であることから、異常あるいは故障の原因絞り込み及び原因分析を容易化することができる。
また、選択する外れ値検知手法及び検知したい異常パターンの情報保持方法は、使用者が任意に選択することができる。一般的には、機器動作（物理現象）のセンシングデータに対して発生し得る全ての異常パターン、及び、発生し得る異常パターンの少なくとも１つを検知可能な全ての外れ値検知手法の組合せを、外れ感度情報に保持しておく。これにより、全ての異常パターンに対して異常検知できるとともに、異常パターンの推定も実行することが可能となる。ここで、特定の外れ値検知手法に対する特定の異常パターンの感度については、過去データに対する特定の外れ値検知手法を適用した際の検知精度の実績値（真陽性率又は適合率等）を採用してもよいし、使用者が任意に設定してもよい。
また、対象機器の稼働データに対して事前にどんな異常パターンが発生するか判明している場合は、事前に用意した全ての異常パターンと全ての外れ値検知手法との組合せから、必要最小限な組合せのみを抽出して外れ感知表を再編成してもよい。これにより、効率的に異常検知を実行可能になる。
また、対象機器１００に何らかの異常が発生する場合、単箇所における単独原因に由来する単一の異常とは限らない。むしろ多くの場合が複数の異常が重なって１つの異常パターンとして発現する場合が多い。そのため、異常パターンのバリエーションは、単一の原因に由来する単一の異常パターンの全ての組合せ分想定する。つまり、単一の異常パターンの数がＰパターン想定される場合、最大で２Ｐパターンの異常を想定する必要がある。
図９から図１２は、外れ感度情報の情報保持方法の例を示す。
図９に示すように、外れ値検知手法（ｎ）と異常パターン異常パターン（ｍ）とに対する感度の表現は、感度の良し悪しが二値表現される二値表現方式（方式１）と、図１０から図１２に示すように、感度の良し悪しが［０，１］の実数でレベル表現されるレベル表現方式とがある。
レベル表現方式は、図９に示すように、Ｎ×Ｍ行列の各データそれぞれが［０，１］の実数で表現されている方式２と、図１０に示すように、異常パターン毎（Ｎ×Ｍ行列の列方向）に合計値が１になるよう標準化された方式３と、図１１に示すように、外れ値検知手法毎（Ｎ×Ｍ行列の行方向）に合計値が１になるよう標準化された方式４とがある。言い換えれば、方式２は、外れ値検知手法（ｎ）と異常パターン異常パターン（ｍ）とに対する感度を独立に保持する形式である。方式３は、各異常パターンに対して各外れ値検知手法の感度優劣を表現した方式である。方式５は、各外れ値検知手法に対して各異常パターンの感度優劣を表現した方式である。いずれの方式を選択するかは使用者が任意に選択することができる。
なお、ここでは、［０，１］の実数でレベル表現するとしたが、実数の取り得る値の範囲は［０，１］に限らず、ある基準範囲であればよい。基準範囲が［０，基準値］である場合には、方式３，４は合計値が基準値になるように標準化すればよい。
図１３を参照して、実施の形態１に係る学習処理を説明する。
学習処理は、各外れ値検知手法のモデル学習とパラメータ最適化との少なくともいずれかを行う処理である。学習処理は、例えば１年毎といった長期的な間隔で、非定期に実行される。
ステップＳ４０１では、過去データ取得部２４１は、過去データ記憶部２６１に蓄積された過去の稼働データを学習データとして取得する。過去データ取得部２４１は、取得された学習データを主記憶装置２０３に書き込む。
続いて、ステップＳ４０２からステップＳ４０７において、外れ値検知手法の数Ｎだけモデル学習とパラメータ最適化との少なくともいずれかの処理が繰り返し実行される。
ステップＳ４０２では、学習部２４２は、カウンタｉを１に初期化する。ステップＳ４０３では、学習部２４２は、外れ値検知手法（ｉ）の現在モデルと現在パラメータとの少なくともいずれかを抽出する。ステップＳ４０４では、学習部２４２は、学習データを主記憶装置２０３から読み出し、学習データによりモデル学習とパラメータ最適化との少なくともいずれかを行う。ステップＳ４０５では、学習部２４２は、ステップＳ４０４でモデル学習された場合には、学習されたモデルで検知アルゴリズム記憶部２６２のモデルを更新する。学習部２４２は、ステップＳ４０４でパラメータ最適化がされた場合には、最適化されたパラメータで検知アルゴリズム記憶部２６２のパラメータを更新する。ステップＳ４０６では、学習部２４２は、カウンタｉの値に１加算する。ステップＳ４０７では、学習部２４２は、カウンタｉの値が外れ値検知手法の数Ｎ以下であるか否かを判定する。
学習部２４２は、カウンタｉの値が外れ値検知手法の数Ｎ以下である場合には、処理をステップＳ４０３に戻して、次の外れ値検知手法についての処理を行う。一方、検知処理部２２３は、カウンタｉの値が外れ値検知手法の数Ｎより大きい場合には、処理を終了する。
学習処理の実行の頻度は、異常検知精度にも影響する。使用者が満足する異常検知精度に達していれば、学習処理を実行する必要はない。そこで、例えば、異常検知装置２００の導入初期はある程度頻度高くモデル更新するが、ある程度更新して精度向上した後は更新をやめてもよい。
また、モデル学習の要否及びパラメータ最適化の要否は、選択した外れ値検知手法毎に異なる場合が多い。そのため、全ての外れ値検知手法について、一括でモデル学習及びパラメータ最適化する必要が無い場合がある、その場合は、特定の外れ値検知手法のみ対象として学習処理を実行してもよい。
図１４を参照して、実施の形態１に係る外れ感度情報生成処理を説明する。
外れ感度情報生成処理は、異常特定処理（図５のステップＳ１０３）で使用される外れ感度情報を生成する処理である。外れ感度情報生成処理は、異常特定処理の実行前に少なくとも１度実行されている必要がある。外れ感度情報生成処理は、学習処理と同様に、例えば１年毎といった長期的な間隔で、非定期に実行される。
ステップＳ５０１では、情報生成部２５１は、対象とする外れ値検知手法を選択する。ステップＳ５０２では、情報生成部２５１は、対象とする異常パターンを選択する。ステップＳ５０３では、情報生成部２５１は、外れ感度情報における、ステップＳ５０１で選択された検知手法とステップＳ５０２で選択された異常パターンとに対応する欄にデータを設定して、新たな外れ感度情報を生成する。ステップＳ５０４では、情報蓄積部２５２は、ステップＳ５０３で生成された外れ感度情報により、外れ感度情報記憶部２６３に記憶された外れ感度情報を更新する。
使用する外れ値検知手法及び想定する異常パターンの組合せは、異常検知装置２００の使用途中であっても任意に変更が可能である。但し、外れ感度情報を変更する場合は、外れ感度情報生成処理、及び、学習処理を再度実行する必要がある。
＊＊＊実施の形態１の効果＊＊＊
以上のように、実施の形態１に係る異常検知装置２００は、外れ感度情報と外れ傾向情報との類似度を異常パターン毎に計算する。これにより、適切に異常を検知可能にするとともに、どのような異常が発生しているかの特定を容易にすることが可能である。
実施の形態１に係る異常検知装置２００は、様々な外れ値検知手法の各異常パターンに対する感度を体系整理した関係表である外れ感度情報を活用して、異常検知と異常パターン推定とを実現する。これにより、外れ値検知手法を用いた既存の異常検知のような正常又は異常の二値判定だけではなく、どんな異常が発生しているかの解析まで可能である。異常パターンが対象機器の故障パターンと一意に関係づけられていれば、故障箇所の特定も容易に実行できる。
また、単純に外れ値検知手法を用いるだけでは、ある異常パターンについては検知できない可能性があった。これに対して、実施の形態１に係る異常検知装置２００は、あらゆる異常パターンについて事前に外れ感度情報にて網羅しておくことで、あらゆる異常に対する検知漏れを低減させることが可能となる。
また、実施の形態１に係る異常検知装置２００は、対象機器１００毎に事前にモデルをカスタマイズすることなく適用可能である。そのため、物理モデルを解明できない複雑な機器とブラックボックスである他社機器とに対しても異常検知の効果が期待できる。
＊＊＊他の構成＊＊＊
＜変形例１＞
実施の形態１では、稼働データ収集部１１と、稼働データ送信部１２と、稼働データ取得部２１と、外れ傾向計算部２２と、異常検知部２３と、パラメータ学習部２４と、外れ感度情報生成部２５と、結果受信部３１と、結果出力部３２との各部の機能がソフトウェアで実現された。しかし、変形例１として、上記各部の機能はハードウェアで実現されてもよい。この変形例１について、実施の形態１と異なる点を説明する。
図１５を参照して、変形例１に係る異常検知システム１のハードウェア構成を説明する。
上記各部の機能がハードウェアで実現される場合には、対象機器１００は、演算装置１０４と主記憶装置１０５とに代えて、電子回路１０７を備える。また、異常検知装置２００は、演算装置２０２と主記憶装置２０３とに代えて、電子回路２０５を備える。状態監視装置３００は、演算装置３０２と主記憶装置３０３とに代えて、電子回路３０５を備える。
電子回路１０７は、稼働データ収集部１１と稼働データ送信部１２との機能と、主記憶装置１０５の機能とを実現する専用の回路である。電子回路２０５は、稼働データ取得部２１と外れ傾向計算部２２と異常検知部２３とパラメータ学習部２４と外れ感度情報生成部２５との機能と、主記憶装置２０３との機能とを実現する専用の回路である。電子回路３０５は、結果受信部３１と結果出力部３２との機能と、主記憶装置３０３の機能とを実現する専用の回路である。
電子回路１０７，２０５，３０５としては、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ロジックＩＣ、ＧＡ（Ｇａｔｅ Ａｒｒａｙ）、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ−Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）が想定される。
上記各部の機能を１つの電子回路１０７，２０５，３０５で実現してもよいし、上記各部の機能を複数の電子回路１０７，２０５，３０５に分散させて実現してもよい。
＜変形例２＞
変形例２として、一部の機能構成要素がハードウェアで実現され、他の機能構成要素がソフトウェアで実現されてもよい。
演算装置１０４，２０２，３０２と、主記憶装置１０５，２０３，３０３と、電子回路１０７，２０５，３０５とを処理回路という。つまり、上記各部の機能は、処理回路により実現される。
実施の形態２．
実施の形態２は、異常検知装置２００が３つの装置に分かれている点が実施の形態１と異なる。実施の形態２では、この異なる点を説明し、同一の点については説明を省略する。
図１６を参照して、実施の形態２に係る異常検知システム１のハードウェア構成を説明する。なお、図１６では、対象機器１００及び状態監視装置３００の構成については省略している。
異常検知システム１は、異常検知装置２００に代えて、検知装置５００と、学習装置６００と、データベース装置７００とを備える点が図１に示す異常検知システム１と異なる。検知装置５００と、学習装置６００と、データベース装置７００とは、実体のあるサーバでもよいし、クラウドにより構成されてもよい。
検知装置５００は、通信装置５０１と、演算装置５０２と、主記憶装置５０３とを備える。学習装置６００は、通信装置６０１と、演算装置６０２と、主記憶装置６０３とを備える。データベース装置７００は、通信装置７０１と、演算装置７０２と、主記憶装置７０３と、外部記憶装置７０４とを備える。
図１７を参照して、実施の形態２に係る検知装置５００と、学習装置６００と、データベース装置７００との機能構成を説明する。
検知装置５００は、機能構成要素として、稼働データ取得部２１と、外れ傾向計算部２２と、異常検知部２３とを備える。学習装置６００は、機能構成要素として、パラメータ学習部２４と、外れ感度情報生成部２５とを備える。データベース装置７００は、機能構成要素として、記憶部２６を備える。
つまり、実施の形態２では、図３に示す異常検知装置２００が、異常検知処理を実行する検知装置５００と、学習処理及び外れ感度情報生成処理を実行する学習装置６００と、データを蓄積するデータベース装置７００とに分けられている。
実施の形態２に係る構成にすることにより、異常検知処理と、学習処理及び外れ感度情報生成処理とを独立して実行させることが可能になる。そのため、オンライン処理で実行される異常検知処理の実行速度の担保が容易になる。
実施の形態３．
実施の形態３は、異常検知処理を行う機能が対象機器１００に設けられた点が実施の形態１，２と異なる。実施の形態３では、この異なる点を説明し、同一の点については説明を省略する。
図１８を参照して、実施の形態３に係る異常検知システム１のハードウェア構成を説明する。
異常検知システム１は、検知装置５００を備えていない点が図１６に示す異常検知システム１と異なる。
図１９を参照して、実施の形態２に係る対象機器１００の機能構成を説明する。
対象機器１００は、機能構成要素として、検知装置５００が備えていた稼働データ取得部２１と、外れ傾向計算部２２と、異常検知部２３とを備える点が図２に示す対象機器１００と異なる。
つまり、実施の形態３では、対象機器１００が異常検知処理を実行する構成になっている。
実施の形態３に係る構成にすることにより、異常検知処理をエッジコンピューティングにより処理することが可能になる。これにより、常時監視等を目的に常に稼働データといったデータの送受信を絶えず実行する必要はなく、常時通信を異常判定結果と異常パターン推定結果の送信のみに絞ることが可能になる。そのため、ネットワーク４００の通信量を節減することが可能である。
なお、実施の形態３では、実施の形態２に係る異常検知システム１の構成を変形した構成を説明した。しかし、実施の形態１に係る異常検知システム１の構成を変形することも可能である。
１ 異常検知システム、１００ 対象機器、１０１ 稼働機器、１０２ 制御装置、１０３ センサ、１０４ 演算装置、１０５ 主記憶装置、１０６ 通信装置、１１ 稼働データ収集部、１２ 稼働データ送信部、２００ 異常検知装置、２０１ 通信装置、２０２ 演算装置、２０３ 主記憶装置、２０４ 外部記憶装置、２１ 稼働データ取得部、２１１ 稼働データ受信部、２１２ 稼働データ蓄積部、２２ 外れ傾向計算部、２２１ 過去データ取得部、２２２ データ統合部、２２３ 検知処理部、２２４ 傾向情報生成部、２３ 異常検知部、２３１ 外れ感度情報取得部、２３２ 類似度計算部、２３３ 類似スコア計算部、２３４ パターン判定部、２４ パラメータ学習部、２４１ 過去データ取得部、２４２ 学習部、２５ 外れ感度情報生成部、２５１ 情報生成部、２５２ 情報蓄積部、２６ 記憶部、２６１ 過去データ記憶部、２６２ 検知アルゴリズム記憶部、２６３ 外れ感度情報記憶部、３００ 状態監視装置、３０１ 通信装置、３０２ 演算装置、３０３ 主記憶装置、３０４ 表示装置、３１ 結果受信部、３２ 結果出力部、４００ ネットワーク、５００ 検知装置、５０１ 通信装置、５０２ 演算装置、５０３ 主記憶装置、６００ 学習装置、６０１ 通信装置、６０２ 演算装置、６０３ 主記憶装置、７００ データベース装置、７０１ 通信装置、７０２ 演算装置、７０３ 主記憶装置、７０４ 外部記憶装置。

Claims (12)

  1. 対象データのうち他のデータから外れているデータを特定し、特定されたデータの外れ度合いから異常と判定する度合いである異常判定率を示す外れスコアを計算する複数の外れ値検知手法それぞれにより、対象機器から得られた評価データを入力として外れスコアを計算して、計算された前記外れスコアから外れ傾向情報を計算する外れ傾向計算部と、
    前記複数の外れ値検知手法それぞれについての複数の異常パターンそれぞれに対する異常検知能力の高さである感度を示す外れ感度情報と、前記外れ傾向計算部によって計算された前記外れ傾向情報との類似度を異常パターン毎に計算して、前記対象機器の異常を検知する異常検知部と
    を備える異常検知装置。
  2. 前記外れ傾向計算部は、前記複数の外れ値検知手法それぞれにより計算された前記外れスコアを比較順に並べたベクトル情報を前記外れ傾向情報として生成し、
    前記異常検知部は、異常パターン毎に前記複数の外れ値検知手法それぞれについての感度を前記比較順に並べた前記外れ感度情報と、前記外れ傾向情報との類似度を異常パターン毎に計算する
    請求項１に記載の異常検知装置。
  3. 前記評価データは、前記対象機器から得られた時系列データであり、
    前記外れスコアは、前記時系列データのうちの評価時間帯に得られたデータの外れ度合いを示す
    請求項１又は２に記載の異常検知装置。
  4. 前記外れスコアは、前記評価時間帯におけるＬ回のタイミングで取得されたデータのうち、他のデータから外れていると判定されたデータの数ｆの割合である
    請求項３に記載の異常検知装置。
  5. 前記外れ感度情報は、過去の評価データを入力として、前記複数の外れ値検知手法それぞれにより、前記複数の異常パターンそれぞれを検知した場合における実績値を前記感度として示す
    請求項１から４までのいずれか１項に記載の異常検知装置。
  6. 前記外れ感度情報は、前記感度が二値で表された二値表現方式と、前記感度が基準範囲における実数で表されたレベル表現方式とのいずれかの方式で表される
    請求項５に記載の異常検知装置。
  7. 前記外れ感度情報は、前記レベル表現方式で表される場合には、前記複数の外れ値検知手法それぞれについての前記複数の異常パターンそれぞれに対する感度が前記基準範囲における実数で表された方式と、異常パターン毎に合計値が基準値になるように標準化された実数で表された方式と、外れ値検知手法毎に合計値が前記基準値になるように標準化された実数で表された方式とのいずれかの方式で表される
    請求項６に記載の異常検知装置。
  8. 前記異常パターンは、対象機器に発生する可能性があるパターンであり、
    前記外れ値検知手法は、前記複数の異常パターンのうち少なくとも１つの異常パターンを検出可能な手法である
    請求項１から７までのいずれか１項に記載の異常検知装置。
  9. 前記異常検知部は、少なくとも１つの異常パターンについて計算された前記類似度が閾値よりも高い場合には、異常が検知されたと判定する
    請求項１から８までのいずれか１項に記載の異常検知装置。
  10. 前記異常検知部は、前記類似度が閾値よりも高い異常パターンが示す異常が発生した、又は、前記類似度が最も高い異常パターンが示す異常が発生したと判定する
    請求項１から９までのいずれか１項に記載の異常検知装置。
  11. 外れ傾向計算部が、対象データのうち他のデータから外れているデータを特定し、特定されたデータの外れ度合いから異常と判定する度合いである異常判定率を示す外れスコアを計算する複数の外れ値検知手法それぞれにより、対象機器から得られた評価データを入力として外れスコアを計算して、計算された前記外れスコアから外れ傾向情報を計算し、
    異常検知部が、前記複数の外れ値検知手法それぞれについての複数の異常パターンそれぞれに対する異常検知能力の高さである感度を示す外れ感度情報と、計算された前記外れ傾向情報との類似度を異常パターン毎に計算して、前記対象機器の異常を検知する異常検知方法。
  12. 対象データのうち他のデータから外れているデータを特定し、特定されたデータの外れ度合いから異常と判定する度合いである異常判定率を示す外れスコアを計算する複数の外れ値検知手法それぞれにより、対象機器から得られた評価データを入力として外れスコアを計算して、計算された前記外れスコアから外れ傾向情報を計算する外れ傾向計算処理と、
    前記複数の外れ値検知手法それぞれについての複数の異常パターンそれぞれに対する異常検知能力の高さである感度を示す外れ感度情報と、前記外れ傾向計算処理によって計算された前記外れ傾向情報との類似度を異常パターン毎に計算して、前記対象機器の異常を検知する異常検知処理と
    をコンピュータに実行させる異常検知プログラム。
JP2018555298A 2018-06-14 2018-06-14 異常検知装置、異常検知方法及び異常検知プログラム Active JP6456580B1 (ja)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2018/022709 WO2019239542A1 (ja) 2018-06-14 2018-06-14 異常検知装置、異常検知方法及び異常検知プログラム

Publications (2)

Publication Number Publication Date
JP6456580B1 true JP6456580B1 (ja) 2019-01-23
JPWO2019239542A1 JPWO2019239542A1 (ja) 2020-06-25

Family

ID=65037116

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018555298A Active JP6456580B1 (ja) 2018-06-14 2018-06-14 異常検知装置、異常検知方法及び異常検知プログラム

Country Status (5)

Country Link
US (1) US11657121B2 (ja)
EP (1) EP3795975B1 (ja)
JP (1) JP6456580B1 (ja)
CN (1) CN112272763B (ja)
WO (1) WO2019239542A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021022311A (ja) * 2019-07-30 2021-02-18 株式会社リコー 異常検知装置、異常検知システムおよびプログラム

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11341682B2 (en) * 2020-08-13 2022-05-24 Argo AI, LLC Testing and validation of a camera under electromagnetic interference
CN112506908A (zh) * 2020-12-10 2021-03-16 云南电网有限责任公司玉溪供电局 一种电能计量数据清洗方法和***
CN116879662B (zh) * 2023-09-06 2023-12-08 山东华尚电气有限公司 基于数据分析的变压器故障检测方法
CN116881635B (zh) * 2023-09-08 2023-12-05 北京日光旭升精细化工技术研究所 一种用于纺织品洗涤剂设备数据管理***
CN116930595B (zh) * 2023-09-18 2023-11-24 法拉迪电气有限公司 一种用于新能源并网调压的精准数据计量方法
CN117407728B (zh) * 2023-12-15 2024-03-15 湖南南华生物技术有限公司 一种用于干细胞的存储环境实时监测方法及***

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005251925A (ja) * 2004-03-03 2005-09-15 Toshiba Corp 製造装置管理システム、製造装置管理方法及びプログラム
JP2009076056A (ja) * 2007-07-27 2009-04-09 General Electric Co <Ge> 異常集約方法
WO2011104760A1 (ja) * 2010-02-26 2011-09-01 株式会社 日立製作所 故障原因診断システムおよびその方法
WO2012001921A1 (ja) * 2010-06-28 2012-01-05 日本電気株式会社 フィードバック情報を用いた医療情報からの異常イベント抽出装置、方法およびプログラム
US20160343180A1 (en) * 2015-05-19 2016-11-24 GM Global Technology Operations LLC Automobiles, diagnostic systems, and methods for generating diagnostic data for automobiles
WO2017051575A1 (ja) * 2015-09-25 2017-03-30 三菱重工業株式会社 異常診断システム及び異常診断方法

Family Cites Families (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE69000749T2 (de) * 1989-03-13 1993-04-29 Westinghouse Electric Corp Automatische orbitanalyse mit anwendung eines neuronnetzwerkes.
JPH04121622A (ja) 1990-09-13 1992-04-22 Hitachi Ltd プラント運転支援方法及びその装置並びにデータ表示方法
US6092029A (en) * 1998-02-19 2000-07-18 Bently Nevada Corporation Method and apparatus for diagnosing and controlling rotating stall and surge in rotating machinery
JP3068091B1 (ja) 1999-06-02 2000-07-24 核燃料サイクル開発機構 異常診断装置
US20160026915A1 (en) * 2001-01-05 2016-01-28 In-Depth Test Llc Methods and Apparatus for Data Analysis
JP2005345154A (ja) 2004-05-31 2005-12-15 Kyushu Electric Power Co Inc 異常予兆検出方法および装置
JP5048625B2 (ja) 2008-10-09 2012-10-17 株式会社日立製作所 異常検知方法及びシステム
JP5301310B2 (ja) 2009-02-17 2013-09-25 株式会社日立製作所 異常検知方法及び異常検知システム
JP5363927B2 (ja) * 2009-09-07 2013-12-11 株式会社日立製作所 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム
JP5461136B2 (ja) 2009-09-30 2014-04-02 三菱重工業株式会社 プラントの診断方法及び診断装置
JP2011145846A (ja) 2010-01-14 2011-07-28 Hitachi Ltd 異常検知方法、異常検知システム、及び異常検知プログラム
JP5439265B2 (ja) 2010-04-20 2014-03-12 株式会社日立製作所 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム
JP5501903B2 (ja) 2010-09-07 2014-05-28 株式会社日立製作所 異常検知方法及びそのシステム
JP5132746B2 (ja) 2010-09-30 2013-01-30 中国電力株式会社 動作異常検出装置、動作異常検出方法
JP2012155361A (ja) 2011-01-21 2012-08-16 Toshiba Corp プロセス監視装置
JP5868216B2 (ja) 2012-02-27 2016-02-24 三菱電機株式会社 クラスタリング装置及びクラスタリングプログラム
US9850422B2 (en) 2013-03-07 2017-12-26 Prostim Labs, Llc Hydrocarbon-based fracturing fluid composition, system, and method
US20160127402A1 (en) 2014-11-04 2016-05-05 Patternex, Inc. Method and apparatus for identifying and detecting threats to an enterprise or e-commerce system
US9904893B2 (en) 2013-04-02 2018-02-27 Patternex, Inc. Method and system for training a big data machine to defend
JP5530019B1 (ja) 2013-11-01 2014-06-25 株式会社日立パワーソリューションズ 異常予兆検知システム及び異常予兆検知方法
JP6216242B2 (ja) 2013-12-13 2017-10-18 株式会社日立ハイテクノロジーズ 異常検知方法およびその装置
JP6143667B2 (ja) 2013-12-27 2017-06-07 三菱重工業株式会社 予測システム、監視システム、運転支援システム、ガスタービン設備及び予測方法
CN104089774B (zh) * 2014-07-25 2016-05-25 北京工业大学 一种基于并行多字典正交匹配的齿轮故障诊断方法
US10271802B2 (en) 2014-08-12 2019-04-30 Carestream Health, Inc. Digital x-ray imaging apparatus and method
JP6330922B2 (ja) * 2015-01-21 2018-05-30 三菱電機株式会社 情報処理装置および情報処理方法
JP6472327B2 (ja) 2015-05-26 2019-02-20 株式会社日立パワーソリューションズ 異常予兆診断装置及び異常予兆診断方法
JP6523815B2 (ja) 2015-06-22 2019-06-05 株式会社日立製作所 プラント診断装置及びプラント診断方法
JP6573838B2 (ja) * 2016-02-10 2019-09-11 株式会社神戸製鋼所 回転機の異常検知システム
JP6605357B2 (ja) 2016-02-29 2019-11-13 株式会社日立製作所 異常検知装置、異常検知システムおよびその方法
JP6890382B2 (ja) 2016-05-23 2021-06-18 ルネサスエレクトロニクス株式会社 生産システム
JP6772963B2 (ja) * 2017-06-05 2020-10-21 トヨタ自動車株式会社 異常診断装置及び異常診断方法
CN107644229A (zh) * 2017-08-31 2018-01-30 浙江工业大学 基于多传感器信息融合的室内异常行为检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005251925A (ja) * 2004-03-03 2005-09-15 Toshiba Corp 製造装置管理システム、製造装置管理方法及びプログラム
JP2009076056A (ja) * 2007-07-27 2009-04-09 General Electric Co <Ge> 異常集約方法
WO2011104760A1 (ja) * 2010-02-26 2011-09-01 株式会社 日立製作所 故障原因診断システムおよびその方法
WO2012001921A1 (ja) * 2010-06-28 2012-01-05 日本電気株式会社 フィードバック情報を用いた医療情報からの異常イベント抽出装置、方法およびプログラム
US20160343180A1 (en) * 2015-05-19 2016-11-24 GM Global Technology Operations LLC Automobiles, diagnostic systems, and methods for generating diagnostic data for automobiles
WO2017051575A1 (ja) * 2015-09-25 2017-03-30 三菱重工業株式会社 異常診断システム及び異常診断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吉澤 亜耶，橋本 洋一: "異常検知技術の概要と応用動向について", INTEC TECHNICAL JOURNAL 2016.9, vol. 第17号, JPN6018032420, 30 September 2016 (2016-09-30), pages 42 - 47, ISSN: 0003919986 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021022311A (ja) * 2019-07-30 2021-02-18 株式会社リコー 異常検知装置、異常検知システムおよびプログラム

Also Published As

Publication number Publication date
JPWO2019239542A1 (ja) 2020-06-25
EP3795975B1 (en) 2023-08-02
EP3795975A1 (en) 2021-03-24
WO2019239542A1 (ja) 2019-12-19
EP3795975A4 (en) 2021-09-15
CN112272763A (zh) 2021-01-26
CN112272763B (zh) 2023-05-19
US20210042585A1 (en) 2021-02-11
US11657121B2 (en) 2023-05-23

Similar Documents

Publication Publication Date Title
JP6456580B1 (ja) 異常検知装置、異常検知方法及び異常検知プログラム
Widodo et al. Machine health prognostics using survival probability and support vector machine
JP6053487B2 (ja) 時系列データ処理装置、時系列データ処理方法及び時系列データ処理プログラム
US10810508B1 (en) Methods and apparatus for classifying and discovering historical and future operational states based on Boolean and numerical sensor data
JP7068246B2 (ja) 異常判定装置、および、異常判定方法
US11640459B2 (en) Abnormality detection device
CN102265227A (zh) 用于在机器状况监视中创建状态估计模型的方法和设备
US20160255109A1 (en) Detection method and apparatus
CN111666198A (zh) 日志异常监控方法、装置及电子设备
US20200041988A1 (en) Display method, display device, and program
US20210026747A1 (en) Multivariate anomaly detection and identification
JP2020052714A5 (ja)
JP7501266B2 (ja) 運転支援装置、運転支援システム及び運転支援方法
CN111061581B (zh) 一种故障检测方法、装置及设备
CN110858072B (zh) 设备运行状态的确定方法及装置
US20190265088A1 (en) System analysis method, system analysis apparatus, and program
JP6915693B2 (ja) システム分析方法、システム分析装置、および、プログラム
Szarek et al. Non-Gaussian feature distribution forecasting based on ConvLSTM neural network and its application to robust machine condition prognosis
CN110874601B (zh) 识别设备运行状态的方法、状态识别模型训练方法及装置
US10372719B2 (en) Episode mining device, method and non-transitory computer readable medium of the same
US20200133253A1 (en) Industrial asset temporal anomaly detection with fault variable ranking
CN113296990B (zh) 时序数据的异常识别方法及装置
JP6973445B2 (ja) 表示方法、表示装置、および、プログラム
KR102212022B1 (ko) 양수 수차의 건전성 자동 판정 방법 및 이를 위한 시스템
Mebratu et al. Online server fan failure prediction by vibration analysis augmented by hardware and software telemetry

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20181019

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20181019

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20181019

A975 Report on accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A971005

Effective date: 20181113

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20181120

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20181218

R150 Certificate of patent or registration of utility model

Ref document number: 6456580

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250