JP6918735B2 - 監視装置、監視方法および監視プログラム - Google Patents
監視装置、監視方法および監視プログラム Download PDFInfo
- Publication number
- JP6918735B2 JP6918735B2 JP2018068297A JP2018068297A JP6918735B2 JP 6918735 B2 JP6918735 B2 JP 6918735B2 JP 2018068297 A JP2018068297 A JP 2018068297A JP 2018068297 A JP2018068297 A JP 2018068297A JP 6918735 B2 JP6918735 B2 JP 6918735B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- input
- encoder
- self
- output
- 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
Links
- 238000000034 method Methods 0.000 title claims description 103
- 238000012806 monitoring device Methods 0.000 title claims description 52
- 238000012544 monitoring process Methods 0.000 title claims description 23
- 230000005856 abnormality Effects 0.000 claims description 84
- 238000004364 calculation method Methods 0.000 claims description 72
- 230000008569 process Effects 0.000 claims description 70
- 238000001514 detection method Methods 0.000 claims description 39
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 11
- 239000000284 extract Substances 0.000 claims description 8
- 230000007704 transition Effects 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 description 41
- 238000012545 processing Methods 0.000 description 22
- 238000004458 analytical method Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 19
- 238000012800 visualization Methods 0.000 description 14
- 230000002159 abnormal effect Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
- Debugging And Monitoring (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Feedback Control In General (AREA)
Description
以下の実施の形態では、第1の実施形態に係る監視装置10の構成、監視装置10の処理の流れを順に説明し、最後に第1の実施形態による効果を説明する。なお、以下では、監視装置10が工場やプラントなどの監視対象設備からデータを収集し、自己符号化器を用いて、監視対象設備の異常度を算出する場合の例を説明する。
まず、図1を用いて、監視装置10の構成を説明する。図1は、第1の実施形態に係る監視装置の構成例を示すブロック図である。監視装置10は、例えば、工場やプラントなどの監視対象設備に設置されるセンサによって取得された複数のデータを収集し、収集した複数のデータを入力データとして、自己符号化器を用いて、各入力データを再現した出力データを出力し、該入力データと該出力データとを比較して、該入力データに対する該出力データの再現誤差を検出し、再現誤差に応じて、監視対象設備の異常度を算出する。
参考文献1:Bach, Sebastian, et al. "On pixel-wise explanations for non-linear classifier decisions by layer-wise relevance propagation." PloS one 10.7 (2015): e0130140.
参考文献2:Shrikumar, Avanti, Peyton Greenside, and Anshul Kundaje. "Learning important features through propagating activation differences." arXiv preprint arXiv:1704.02685 (2017).
次に、図10〜図12を用いて、第1の実施形態に係る監視装置10による処理手順の例を説明する。図10は、第1の実施形態に係る監視装置における異常予測処理の流れの一例を示すフローチャートである。図11は、第1の実施形態に係る監視装置における重要度算出処理の流れの一例を示すフローチャートである。図12は、第1の実施形態に係る監視装置におけるグラフ表示処理の流れの一例を示すフローチャートである。なお、図11に例示する処理は、再現誤差が大きい入力項目(センサ)のみを重要度計算の対象として絞り込む場合の処理である。
第1の実施形態に係る監視装置10は、監視対象設備に関する複数のデータを収集し、収集された複数のデータを入力データとして、自己符号化器を用いて、各入力データを再現した出力データを出力し、該入力データと該出力データとを比較して、該入力データに対する該出力データの再現誤差を検出する。そして、監視装置10は、自己符号化器に入力された各入力データと、自己符号化器から出力された出力データとを用いて、自己符号化器に入力された各入力データの出力データに対する重要度を算出する。このため、監視装置10では、各入力データの出力データに対する重要度を動的かつ容易に確認することが可能となる。
また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。さらに、各装置にて行なわれる各処理機能は、その全部または任意の一部が、CPUやGPUおよび当該CPUやGPUにて解析実行されるプログラムにて実現され、あるいは、ワイヤードロジックによるハードウェアとして実現され得る。
また、上記実施形態において説明した監視装置が実行する処理をコンピュータが実行可能な言語で記述したプログラムを作成することもできる。例えば、実施形態に係る監視装置10が実行する処理をコンピュータが実行可能な言語で記述した監視プログラムを作成することもできる。この場合、コンピュータが監視プログラムを実行することにより、上記実施形態と同様の効果を得ることができる。さらに、かかる監視プログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録された監視プログラムをコンピュータに読み込ませて実行することにより上記実施形態と同様の処理を実現してもよい。
11 収集部
12 検出部
12a 分析フレーム抽出部
12b フレーム異常評価値算出部
13 出力可視化部
13a 異常判定部
13b チャート表示部
14 算出部
14a 重要度算出部
14b 重要度ノイズ除去部
15 重要度可視化部
15a 取得部
15b 作成部
15c 重要度表示部
15d 報知部
16 プロセスデータバッファ
17 分析フレームバッファ
18 フレーム異常評価値バッファ
Claims (8)
- 監視対象に関する複数のデータを収集する収集手段と、
前記収集手段によって収集された複数のデータを入力データとして、自己符号化器を用いて、前記監視対象の状態を検出する検出手段と、
前記自己符号化器に入力された各入力データと、前記自己符号化器から出力された出力データとを用いて、前記自己符号化器に入力された各入力データの出力データに対する重要度を算出する算出手段と
を有し、
前記検出手段は、前記収集手段によって収集された複数のデータを入力データとして、前記自己符号化器を用いて、各入力データを再現した出力データを出力し、該入力データと該出力データとを比較して、該入力データに対する該出力データの再現誤差を検出し、
前記算出手段は、前記検出手段によって検出された再現誤差が所定の閾値以上である出力データを抽出し、前記自己符号化器に入力された各入力データと抽出した出力データとを用いて、抽出した出力データに対する前記各入力データの重要度を算出することを特徴とする監視装置。 - 監視対象に関する複数のデータを収集する収集手段と、
前記収集手段によって収集された複数のデータを入力データとして、自己符号化器を用いて、前記監視対象の状態を検出する検出手段と、
前記自己符号化器に入力された各入力データと、前記自己符号化器から出力された出力データとを用いて、前記自己符号化器に入力された各入力データの出力データに対する重要度を算出する算出手段と
を有し、
前記算出手段は、前記自己符号化器に入力された各入力データと前記自己符号化器のニューラルネットワークにおける中間層のノードの出力データとを用いて、該中間層の出力データに対する前記各入力データの重要度を算出することを特徴とする監視装置。 - 前記検出手段は、前記入力データに対する前記出力データの再現誤差を検出し、該再現誤差に応じて、前記監視対象の異常度を算出することを特徴とする請求項1に記載の監視装置。
- 前記算出手段によって算出された重要度を用いて、前記各入力データの出力データに対する重要度の推移を示すグラフを作成する作成手段と、
前記作成手段によって作成されたグラフを表示する表示手段と
をさらに有することを特徴とする請求項1または2に記載の監視装置。 - 監視装置によって実行される監視方法であって、
監視対象に関する複数のデータを収集する収集工程と、
前記収集工程によって収集された複数のデータを入力データとして、自己符号化器を用いて、前記監視対象の状態を検出する検出工程と、
前記自己符号化器に入力された各入力データと、前記自己符号化器から出力された出力データとを用いて、前記自己符号化器に入力された各入力データの出力データに対する重要度を算出する算出工程と
を含み、
前記検出工程は、前記収集工程によって収集された複数のデータを入力データとして、前記自己符号化器を用いて、各入力データを再現した出力データを出力し、該入力データと該出力データとを比較して、該入力データに対する該出力データの再現誤差を検出し、
前記算出工程は、前記検出工程によって検出された再現誤差が所定の閾値以上である出力データを抽出し、前記自己符号化器に入力された各入力データと抽出した出力データとを用いて、抽出した出力データに対する前記各入力データの重要度を算出することを特徴とする監視方法。 - 監視装置によって実行される監視方法であって、
監視対象に関する複数のデータを収集する収集工程と、
前記収集工程によって収集された複数のデータを入力データとして、自己符号化器を用いて、前記監視対象の状態を検出する検出工程と、
前記自己符号化器に入力された各入力データと、前記自己符号化器から出力された出力データとを用いて、前記自己符号化器に入力された各入力データの出力データに対する重要度を算出する算出工程と
を含み、
前記算出工程は、前記自己符号化器に入力された各入力データと前記自己符号化器のニューラルネットワークにおける中間層のノードの出力データとを用いて、該中間層の出力データに対する前記各入力データの重要度を算出することを特徴とする監視方法。 - 監視対象設備で取得された複数のデータを収集する収集ステップと、
監視対象に関する複数のデータを収集する収集ステップと、
前記収集ステップによって収集された複数のデータを入力データとして、自己符号化器を用いて、前記監視対象の状態を検出する検出ステップと、
前記自己符号化器に入力された各入力データと、前記自己符号化器から出力された出力データとを用いて、前記自己符号化器に入力された各入力データの出力データに対する重要度を算出する算出ステップと
をコンピュータに実行させ、
前記検出ステップは、前記収集ステップによって収集された複数のデータを入力データとして、前記自己符号化器を用いて、各入力データを再現した出力データを出力し、該入力データと該出力データとを比較して、該入力データに対する該出力データの再現誤差を検出し、
前記算出ステップは、前記検出ステップによって検出された再現誤差が所定の閾値以上である出力データを抽出し、前記自己符号化器に入力された各入力データと抽出した出力データとを用いて、抽出した出力データに対する前記各入力データの重要度を算出することを特徴とする監視プログラム。 - 監視対象設備で取得された複数のデータを収集する収集ステップと、
監視対象に関する複数のデータを収集する収集ステップと、
前記収集ステップによって収集された複数のデータを入力データとして、自己符号化器を用いて、前記監視対象の状態を検出する検出ステップと、
前記自己符号化器に入力された各入力データと、前記自己符号化器から出力された出力データとを用いて、前記自己符号化器に入力された各入力データの出力データに対する重要度を算出する算出ステップと
をコンピュータに実行させ、
前記算出ステップは、前記自己符号化器に入力された各入力データと前記自己符号化器のニューラルネットワークにおける中間層のノードの出力データとを用いて、該中間層の出力データに対する前記各入力データの重要度を算出することを特徴とする監視プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018068297A JP6918735B2 (ja) | 2018-03-30 | 2018-03-30 | 監視装置、監視方法および監視プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018068297A JP6918735B2 (ja) | 2018-03-30 | 2018-03-30 | 監視装置、監視方法および監視プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019179400A JP2019179400A (ja) | 2019-10-17 |
JP6918735B2 true JP6918735B2 (ja) | 2021-08-11 |
Family
ID=68278566
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018068297A Active JP6918735B2 (ja) | 2018-03-30 | 2018-03-30 | 監視装置、監視方法および監視プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6918735B2 (ja) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021135766A (ja) * | 2020-02-27 | 2021-09-13 | 三菱電機株式会社 | IoTシステム向け時系列データ管理システム |
JP7414655B2 (ja) * | 2020-07-01 | 2024-01-16 | 株式会社東芝 | 学習システム、情報処理装置、学習方法およびプログラム |
EP3958423A1 (en) * | 2020-08-19 | 2022-02-23 | Hitachi Energy Switzerland AG | Method and computer system for generating a decision logic for a controller |
JP7491382B2 (ja) | 2020-08-19 | 2024-05-28 | 日本電信電話株式会社 | 重要度計算装置、重要度計算方法及び重要度計算プログラム |
-
2018
- 2018-03-30 JP JP2018068297A patent/JP6918735B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2019179400A (ja) | 2019-10-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6918735B2 (ja) | 監視装置、監視方法および監視プログラム | |
Li et al. | Deep learning for anomaly detection in multivariate time series: Approaches, applications, and challenges | |
US20200195678A1 (en) | On-board networked anomaly detection (onad) modules | |
JPWO2019142331A1 (ja) | 障害予測システムおよび障害予測方法 | |
JP2018120300A (ja) | 情報処理装置、情報処理方法およびプログラム | |
JP7470784B2 (ja) | 異常機器トレース検出および分類 | |
WO2019087803A1 (ja) | 画像処理装置、画像処理方法及び記録媒体 | |
JP7481897B2 (ja) | 監視装置、監視方法、プログラムおよびモデル訓練装置 | |
WO2020066052A1 (ja) | 監視システム及び監視方法 | |
JP2018139085A (ja) | 異常予測方法、異常予測装置、異常予測システムおよび異常予測プログラム | |
Ding et al. | Rolling bearing remaining useful life prediction based on dilated causal convolutional DenseNet and an exponential model | |
JP7019364B2 (ja) | 監視装置、監視方法、監視プログラム、表示装置、表示方法および表示プログラム | |
WO2019146538A1 (ja) | 画像処理装置、画像処理方法及び記録媒体 | |
US11663815B2 (en) | System and method for inspection of heat recovery steam generator | |
JP2009110262A (ja) | フィルタ装置、フィルタ装置のフィルタリング方法およびフィルタリングプログラム | |
JP7322962B2 (ja) | 生成方法、生成プログラムおよび情報処理装置 | |
Marhic et al. | An evidential approach for detection of abnormal behaviour in the presence of unreliable sensors | |
JP6896380B2 (ja) | 故障予兆判定方法、故障予兆判定装置および故障予兆判定プログラム | |
JP7225447B2 (ja) | 監視装置、監視方法および監視プログラム | |
Kamranfar et al. | Multiple instance learning for detecting anomalies over sequential real-world datasets | |
JP6910997B2 (ja) | 情報処理装置、算出方法および算出プログラム | |
TWI824681B (zh) | 裝置管理系統、裝置的障礙原因推測方法以及非暫時性地記憶程式的記憶媒體 | |
JP2020057290A (ja) | 監視装置、監視方法および監視プログラム | |
WO2024157719A1 (ja) | 異常検出装置、異常検出方法、及びプログラム | |
JPWO2019187433A1 (ja) | 製品検出装置、方法およびプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200218 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210324 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210413 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210608 |
|
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: 20210706 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210721 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6918735 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |