JPWO2020245968A1 - 異常兆候検知装置、異常兆候検知方法、及び、異常兆候検知プログラム - Google Patents
異常兆候検知装置、異常兆候検知方法、及び、異常兆候検知プログラム Download PDFInfo
- Publication number
- JPWO2020245968A1 JPWO2020245968A1 JP2021524591A JP2021524591A JPWO2020245968A1 JP WO2020245968 A1 JPWO2020245968 A1 JP WO2020245968A1 JP 2021524591 A JP2021524591 A JP 2021524591A JP 2021524591 A JP2021524591 A JP 2021524591A JP WO2020245968 A1 JPWO2020245968 A1 JP WO2020245968A1
- Authority
- JP
- Japan
- Prior art keywords
- data
- abnormality
- normal
- sign
- feature
- 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.)
- Granted
Links
Images
Classifications
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
Description
特許文献1に開示されている方法により、正常モデル構築時に人の操作等に基づく設備の状態変化の影響を取り除き、検知精度を高めることが可能になる。
時系列データの少なくとも一部である部分時系列データの特徴量に基づいて、前記部分時系列データの異常度を算出する異常度算出部と、
前記部分時系列データの前記異常度が閾値を超過している場合に、前記部分時系列データを異常兆候データと判定する異常兆候判定部と、
前記異常兆候データの信頼度を、前記異常兆候データの前記特徴量と対応する特徴データに基づいて算出し、前記信頼度を許容できない場合に、前記異常兆候データを平常データと判定する平常判定部と
を備え、
前記平常判定部は、前記異常兆候データの前記特徴量と対応する異常特徴データを、前記特徴データとして特徴データ記憶部に記憶させる。
以下、本実施の形態について、図面を参照しながら詳細に説明する。
図1は、本実施の形態における異常兆候検知装置100の構成例、及び、異常兆候検知装置100を用いた異常兆候検知システムの構成の例である。
図中の矢印は、データの流れを表す。異常兆候検知装置100の実行中に、データは矢先の方向へ流れ、矢先が両端にある場合、データはどちらの方向にも流れる。
対象設備101からセンサデータと、運転データとに関する時系列データを取得し、
各時刻におけるセンサデータから、異常兆候の有無を検知する装置である。
対象設備101から異常兆候検知装置100へのデータ送信は、任意の方法で行われて良い。異常兆候検知装置100と、対象設備101とがネットワークによって接続されており、対象設備101は、ネットワークを介して異常兆候検知装置100にデータを送信しても良い。
異常兆候検知装置100は、対象設備101に組み込まれていても良い。
下記のセンサデータは、時系列データ、又は、部分時系列データと読み替えても良い。
異常兆候検知装置100が異常兆候の有無を検知する対象とする設備であり、
時系列データを生成する、任意のものであって良い。
決められた閾値を超過していないために、対象設備101が異常状態に至っていないが、対象設備101の異常の兆候と考えられることでもあり、
対象設備101の状態が、平常な状態である平常状態とは異なる状態であることでもある。
平常状態は、学習データから導かれる正常状態のことである。
時系列データには、異常兆候検知装置100が時刻順に取得するデータが含まれる。
センサデータは、対象設備101のセンサが取得したデータである。センサデータには、ある時刻において対象設備101のセンサが取得したデータと、異なる2の時刻間において対象設備101のセンサが取得し続けたデータとが含まれる。
運転データには、人が対象設備101に対して操作した操作、及び、操作の結果を示すデータが含まれる。
異常兆候検知装置100が取得したセンサデータから、異常兆候検知に使用するモデルに対応するセンサデータを抽出し、
抽出したセンサデータに基づき、算術計算等により特徴量を算出する処理を実施し、
必要であれば、対象設備101のセンサが出力したセンサデータに対し、欠損値への対処、及び、ノイズ除去等の処理を実施する。
センサデータの抽出に、任意の方法を適用して良く、
特徴量の算出に、入力された各センサデータを一定の時刻幅で抽出したセンサデータから特徴量を算出する方法、又は、同一時刻における複数のセンサデータから、1つの特徴量を算出する方法等、任意の方法を適用して良い。
設備状態には、対象設備101の一部又は全体の、稼働状況と、人等が対象設備101に対して実施する操作とが含まれても良い。異常兆候検知装置100は、対象設備101が対象設備101の状態として管理する状態とは異なる状態を、設備状態としても良い。
設備状態判定部104が対象設備101の設備状態を1以上の設備状態に分類する場合、対象設備101は、1以上の設備状態を取り得る設備である。
平常モデル生成部105は、平常データ記憶部111が記憶している学習データに基づいて平常モデルを生成する。
センサデータと、センサデータに対応する運転データとを対応させて平常データ記憶部111に記憶させ、
平常データ記憶部111が記憶するセンサデータの数が一定数に達する等、所定の条件を満たした場合、平常モデルを生成する。
平常モデル生成部105は、
平常モデルを生成する条件として任意の条件を採用して良く、
設備状態毎に異なる条件を採用しても良い。
時系列データを分析する際に、1つのセンサデータの時系列的な動きに着目して異常を判断することができるだけでなく、
相関分析のように複数のセンサデータ間の動きや値の関係性に着目して当該関係性を1つの特徴量と考えることができる。
対象設備101が平常状態である場合のセンサデータの特徴量が取り得る範囲にも対応し、
平常なデータの特徴量が取り得る範囲にも対応し、
通常は、教師なし学習により生成される。
特徴量は、1次元の値であっても良く、多次元の値であっても良い。
今までに見たことのある状態とは、学習データに含まれる状態のことである。
「正常でない状態」は、真の異常兆候を示す状態と、異常兆候検知システムが異常兆候と判断したものの本当は異常兆候ではない状態とから成る。異常兆候検知システムが異常兆候と判断したものの本当は異常兆候ではない状態が生じる原因としては、学習データが不足しているために、学習データが網羅していない領域であって、真の正常状態に対応する領域のデータに対する判断を誤ってしまうことが挙げられる。
真の正常状態は、対象設備101が実際に正常である状態のことである。
なお、「正常な状態」は、平常状態に対応する。
任意の異常度の定義を採用して良く、
具体例としては、異常度を、平常モデルと、センサデータの特徴量との距離に基づいて定義しても良い。
異常度算出部106は、平常モデルと、特徴量との距離の定義として、任意のものを採用して良い。特徴量との距離の定義の具体例としては、重心等の平常モデル全体の統計的代表値と、特徴量との距離であっても良く、平常モデルの要素であり、特徴量に最も近い平常モデルの要素と、特徴量との距離であっても良い。
閾値決定部107は、個々の特徴量から算出される異常度を考慮し、異常兆候を判定するための閾値を決定する。
統計的な手法の具体例としては、
平常モデル生成部105が、平常モデルを、学習データの特徴量の分布の平均とし、
異常度算出部106が、異常度を、センサデータの特徴量と、平常モデルとの距離とした場合に、
閾値決定部107は、閾値を、学習データの特徴量の分布の標準偏差に基づく値に決定しても良い。
具体例としては、センサデータの特徴量が、平常モデル±3σの外側である場合に、即ち、(平常モデル−3σ)以下、又は、(平常モデル+3σ)以上である場合に、異常兆候を示すものとする。この場合、閾値は3σである。なお、σは、異常度の分布の標準偏差である。
異常度算出部106は、実際のセンサデータに応じて、閾値を動的に決定しても良い。
センサデータの前記特徴量の異常度が前記閾値を超過している場合に、前記センサデータを異常兆候データと判定し、
それ以外の場合に、前記センサデータを平常データと判定する。
異常兆候データは、異常兆候が認められるセンサデータの総称でもある。平常データは、異常兆候が認められないセンサデータの総称でもある。
異常特徴データは、
複数の異常兆候データの特徴量を集約したデータであっても良く、
異常兆候データの特徴量と1対1に対応するデータであっても良い。
特徴データ記憶部109が記憶している特徴データと、異常兆候データの特徴量とに基づいて、異常兆候データの信頼度を算出し、
前記信頼度に基づいて、前記異常兆候データが、平常データであるか否かを判定する。
信頼度は、
異常兆候判定部108が異常兆候データと判定したセンサデータが、実際に異常兆候データである度合いを示すものであり、
任意の方法によって算出したものであって良い。信頼度は、真理値であっても良い。
平常判定部110が判定対象とする異常兆候データを、判定対象の異常兆候データと呼ぶ。
過去に異常兆候判定部108異常兆候データと判定したセンサデータであって、特徴データ記憶部109が記憶している異常特徴データに対応するセンサデータを、過去の異常兆候データと呼ぶ。
異常兆候判定部108の判定結果を確認し、
前記判定結果が平常データである場合に、平常判定部110の出力として、「平常」を出力し、
前記判定結果が異常兆候データである場合に、「異常兆候」を出力する。
「平常」は、対象設備101が平常状態であることを意味する。「異常兆候」は、対象設備101が平常状態でないことを意味する。
結果確認部201が「異常兆候」を出力した場合に、特徴データ記憶部109が記憶している特徴データと、判定対象の異常兆候データの特徴量とに基づいて、信頼度を算出し、
信頼度を許容できない場合に、判定対象の異常兆候データを平常データと判定する。
特徴データ記憶部109に判定対象の異常兆候データの特徴量に対応する異常特徴データを、特徴データとして記憶させ、
信頼度判定部202が判定対象の異常兆候データを平常データと判定した場合に、平常判定部110の出力として、「平常」を出力し、
それ以外の場合に、平常判定部110の出力として、「異常兆候」を出力する。
即ち、平常判定部110は、異常兆候データの特徴量に対応する異常特徴データを、特徴データとして特徴データ記憶部109に記憶させる。
各特徴データ層401は、下限値402と、上限値403とにより定義されている。即ち、1の特徴データ層401は、1の下限値402と、1の上限値403とにより定まる。
異常兆候データ累積数404は、異常兆候データ累積数404に対応する下限値402以上、かつ、異常兆候データ累積数404に対応する上限値403以下である特徴量であって、過去に異常兆候判定部108が閾値超過と判定した特徴量の累積数である。
異常兆候データ累積数404は、異常兆候データの特徴量に対応する異常特徴データでもある。
特徴データ層401の定義は、異常兆候データの特徴量に応じて任意のものであって良い。
平常判定部110は、特徴データ記憶部109に、
異常兆候データの特徴量の値の範囲に対応する層である特徴データ層401に対応付けて記憶させ、
特徴データ層401毎に、特徴データ層401に対応する異常兆候データの異常兆候データ累積数404を、特徴データとして記憶させ、
平常判定部110は、異常兆候データ累積数404の総数に対する、異常兆候データに対応する異常兆候データ累積数404の割合に基づいて、異常兆候データの信頼度を算出する。
異常兆候データ特徴量405は、異常兆候データの特徴量に対応する異常特徴データでもある。
異常兆候検知装置100は、各特徴データ層401の下限値402及び上限値403を変更した場合、特徴データ記憶部109が記憶している異常兆候データ累積数604を、特徴データ層401毎に再計算することができる。そのため、図4に示すデータ構造を採用する異常兆候検知装置100の運用性は、図3に示すデータ構造を採用する異常兆候検知装置100の運用性よりも高いと考えられる。
特徴量変換部103と、設備状態判定部104と、平常モデル生成部105と、異常度算出部106と、閾値決定部107と、異常兆候判定部108と、平常判定部110とは、プロセッサ11及びメモリ12から構成される。
特徴データ記憶部109と、平常データ記憶部111とは、メモリ12及び記憶装置13から構成される。
記憶装置13は、異常兆候検知プログラムを記憶する。
異常兆候検知装置100の動作は、学習データに基づいて平常モデルの学習を行う学習フェーズと、学習フェーズにおいて学習した平常モデルを使用して異常兆候か否かを判定する運用フェーズとに分けられる。
図6は、異常兆候検知装置100の学習フェーズの動作を示すフローチャートの例である。
本フローチャートに示す処理の順序は、適宜変更しても良い。
特徴量変換部103は、異常兆候検知装置100が取得したセンサデータを、特徴量に変換する。
設備状態判定部104は、異常兆候検知装置100が取得した運転データから、対象設備101の設備状態を判定する。
平常モデル生成部105は、
ステップS201において特徴量変換部103が変換した特徴量と、ステップS202において設備状態判定部104が判定した設備状態とを対応させて、平常データ記憶部111に記憶させ、
所定の条件を満たした場合、平常データ記憶部111が記憶する特徴量と、設備状態とに基づいて、設備状態毎に平常モデルを生成する。
平常モデル生成部105は、
設備状態に対応する条件が満たされる度に平常モデルを生成しても良く、
設備状態に対応する条件が全て満たされたときに平常モデルを生成しても良い。
平常モデル生成部105が、平常モデルの生成が完了した場合、即ち、平常モデルを全ての設備状態について生成した場合、ステップS204を実行し、
それ以外の場合、ステップS201を実行する。
閾値決定部107は、閾値を決定する。
閾値決定部107は、
平常データ記憶部111が記憶する特徴量の異常度を異常度算出部106に算出させ、
前記異常度に基づいて閾値を決定しても良く、
前記異常度と、平常モデルとに基づいて閾値を決定しても良い。
図7は、異常兆候検知装置100の運用フェーズの動作を示すフローチャートの例である。
本フローチャートに示す処理の順序は、適宜変更しても良い。
(ステップS211:特徴量変換処理)
特徴量変換部103は、異常兆候検知装置100が取得したセンサデータを、特徴量に変換する。
前記センサデータを、判定対象のセンサデータと表記する。
前記特徴量を、判定対象の特徴量と表記する。
設備状態判定部104は、異常兆候検知装置100が取得した運転データから、設備状態を判定する。
前記異常度が、ステップS204において閾値決定部107が決定した閾値を超過しているか否かを判定し、
前記異常度が前記閾値を超過している場合、判定対象のセンサデータを、異常兆候データと判定し、
それ以外の場合、判定対象のセンサデータを、平常データと判定する。
設備状態判定部104と、異常度算出部106と、異常兆候判定部108との連携によって、「現在の設備状態に対応する平常モデルに基づいて異常兆候判定を実施する」というものであり、
上述の順に処理される必要はない。
平常判定部110は、ステップS212において異常兆候データと判定された判定対象のセンサデータが、平常データであるか否かを判定する。
本ステップの詳細は、ステップS301からステップS307によって説明する。
異常兆候検知装置100は、ステップS211からS213までの処理を繰り返し実行する。
図8は、本実施の形態に係る平常判定部110の動作を示すフローチャートの例である。
本フローチャートに示す処理の順序は、適宜変更しても良い。
結果確認部201は、異常兆候判定部108の判定結果を確認する。
平常判定部110は、
異常兆候判定部108の判定結果が閾値超過である場合、ステップS302を実行し、
それ以外の場合、ステップS305を実行する。
信頼度判定部202は、特徴データ記憶部109が記憶するデータに基づいて、異常兆候データの特徴量の信頼度を算出する。
なお、本ステップの処理は、算術計算によって値を算出することに限られない。
信頼度判定部202は、ステップS302において算出した信頼度を許容できるか否かに基づいて、判定対象の異常兆候データが平常データであるか否かを判定する。
閾値を設定し、前記閾値に基づいて許容できるか否かを決定しても良く、
過去の異常兆候データの特徴量と、判定対象の異常兆候データの特徴量との間に一定以上の類似性が認められる場合に、信頼度を許容できると判断しても良い。
異常兆候判定部108が閾値超過と判定した特徴量と類似関係にある特徴データを、特徴データ記憶部109が記憶している場合、異常兆候判定部108の判定の信頼性が低いと判断して、判定対象の異常兆候データを平常データと判定し、
それ以外の場合、判定対象の異常兆候データを異常兆候データと判定しても良い。
異常度算出部106が採用している異常度の算出方法により信頼度を算出し、
閾値決定部107と同様に閾値を決定し、
信頼度が前記閾値以下である場合に、判定対象の異常兆候データを平常データと判定しても良い。
判定対象の異常兆候データの特徴量と、特徴データ記憶部109が記憶している特徴データの内、判定対象の異常兆候データの特徴量との距離が最も短い特徴データとの距離を信頼度として算出し、
前記信頼度が一定の閾値以下である場合に、判定対象の異常兆候データを平常データと判定しても良く、
判定対象の異常兆候データの特徴量から一定距離以内に存在する前記特徴データの個数の逆数を信頼度として算出し、
前記信頼度が一定の閾値以下である場合に、判定対象の異常兆候データを平常データと判定しても良い。
信頼度が一定の閾値以下である場合に、判定対象の異常兆候データを平常データと判定しても良い。
記憶特徴量701は、特徴データ記憶部109が記憶する特徴量であって、過去に異常兆候判定部108に閾値超過と判定された特徴量である。
判定対象特徴量702は、判定対象の特徴量である。
近傍703は、判定対象特徴量702からの距離が一定値以内である領域である。
判定対象特徴量702の近傍703に、記憶特徴量701が含まれるか否かを判定し、
含まれる場合に、判定対象の異常兆候データを平常データと判定し、
含まれない場合に、判定対象の異常兆候データを異常兆候データと判定する。
本例において、信頼度は、判定対象特徴量702の近傍703に、記憶特徴量701が含まれるか否かによって定まる真理値である。
判定対象特徴量702と、判定対象特徴量702に最も近い記憶特徴量701との距離を信頼度とし、信頼度が一定値以下である場合に、即ち、近傍とみなす距離の最大値以下である場合に、判定対象の異常兆候データを平常データと判定し、
それ以外の場合に、判定対象の異常兆候データを異常兆候データと判定しても良い。
信頼度判定部202は、このように判定する場合、
距離の定義、及び、近傍とみなす距離の最大値等として任意のものを採用して良く、
異常兆候検知装置100を適用するシステムに応じて、これらを自由に変更して良い。
異常兆候データ学習部203は、
ステップS303の判定結果が平常データである場合、平常判定部110の判定結果を「平常」に確定し、
それ以外の場合、平常判定部110の判定結果を「異常兆候」に確定する。
結果確認部201は、平常判定部110の判定結果を「平常」に確定する。
異常兆候データ学習部203は、判定対象の異常兆候データの特徴量に対応する異常特徴データを、特徴データとして、特徴データ記憶部109に記憶させる。
結果確認部201又は異常兆候データ学習部203は、平常判定部110の判定結果を出力する。
図9は、信頼度判定部202の動作を示すフローチャートの例である。
本フローチャートに示す処理の順序は、適宜変更しても良い。
上述の通り、信頼度判定部202は、信頼度の算出手法として任意の手法を採用して良いが、ここでは、特徴データ記憶部109が、図3又は図4に示すデータ構造を採用する場合における手法について説明する。
信頼度判定部202は、
特徴データ記憶部109が記憶する、全ての異常兆候データ累積数404を取得し、
その合計値を算出する。
信頼度判定部202は、
判定対象の異常兆候データに対応する異常兆候データ累積数404を、特徴データ記憶部109から取得し、
ステップS502において算出した合計値に対する、判定対象の異常兆候データに対応する異常兆候データ累積数404の割合を算出する。
信頼度判定部202は、
ステップS502において算出された値が、一定値を超えていない場合に、判定対象の異常兆候データを平常データと判定し、
それ以外の場合、判定対象の異常兆候データを異常兆候データと判定する。
本実施の形態に係る異常兆候検知装置100は、時系列データの少なくとも一部である部分時系列データの特徴量に基づいて、部分時系列データの異常度を算出する異常度算出部106と、
部分時系列データの異常度が閾値を超過している場合に、部分時系列データを異常兆候データと判定する異常兆候判定部108と、
異常兆候データの異常の度合いである信頼度を、異常兆候データの特徴量と対応する特徴データに基づいて算出し、信頼度を許容できる場合に、異常兆候データを平常データと判定する平常判定部110と
を備え、
平常判定部110は、異常兆候データの特徴量と対応する異常特徴データを、特徴データとして特徴データ記憶部109に記憶させる。
異常兆候判定部108は、閾値決定部107が決定した閾値に基づいて判定する。
異常度算出部106は、部分時系列データの特徴量と、平常モデル生成部105が生成した平常モデルとに基づいて、異常度を算出する。
平常モデル生成部105は、平常モデルを1以上の設備状態を取り得る対象設備101(設備)の設備状態毎に生成し、
異常兆候検知装置100は、対象設備101(設備)から時系列データを取得し、
異常度算出部106は、部分時系列データの特徴量と、部分時系列データに対応する設備状態に対応する平常モデルとに基づいて、異常度を算出する。
以上のように、本実施の形態に係る異常兆候検知装置100によれば、
異常兆候判定部108が閾値超過と判定したセンサデータを活用して、平常判定部110が異常兆候判定部108の判定結果を見直すことにより、
網羅率の低い平常データの集合を、学習データとして平常モデルを生成した場合であっても、異常兆候検知装置100が最終的に異常兆候データと判定したセンサデータが、実際に異常兆候データである度合いを向上させることができる。
網羅率の低い平常データの集合とは、全ての平常データから成る空間に占める、平常データの集合に対応する空間の割合が低い平常データの集合を意味する。
様々な信頼度を評価する手法を採用することができるため、
様々な特性を有する時系列データに基づいて、異常兆候を検出することができる。
異常兆候検知装置100は、対象設備101からセンサデータを取得しなくても良い。
本変形例において、異常兆候検知装置100は、
あらかじめ用意された時系列データの異常兆候を検出し、
対象設備101の状態を出力しなくても良い。
異常兆候検知装置100は、センサデータ以外から成る時系列データを解析することもできる。
異常兆候検知装置100は、具体例としては、装置等の操作者の操作パターンから成る時系列データを解析し、操作者の状態に異変の兆候があるか否かを検出することができる。
検知結果管理部102は、図1において異常兆候検知装置100の外部に実装されている。しかし、検知結果管理部102は、異常兆候検知装置100の内部に実装されていても良い。
平常モデル生成部105は、対象設備101から取得したデータを使用して平常モデルを生成しなくても良い。
本変形例において、異常兆候検知装置100は、
対象設備101から取得したデータを使用して平常モデルを生成せず、
図6に示すステップS201及びステップS202の処理を実行しない。
本変形例の平常データ記憶部111は、用意されたセンサデータ及び運転データを記憶している。
本変形例によれば、
平常モデルを生成するまでに要する時間を短縮することができ、
一定の平常モデルを生成することができる。
異常兆候検知装置100は、平常モデル生成部105を備えなくても良い。
本変形例の異常兆候検知装置100は、
用意された平常モデルを使用し、
図6のステップS201からS203までの処理を実行しない。
平常モデル生成部105は、設備状態毎に平常モデルを生成しなくても良い。平常モデル生成部105が、設備状態毎に平常モデルを生成しない場合であっても、平常モデル生成部105が、設備状態毎に平常モデルを生成したとみなす。
本変形例の異常兆候検知装置100は、
設備状態判定部104を備えなくても良く、
ステップS202及びステップS213の処理を実行しない。
本変形例の平常データ記憶部111は、設備状態を記憶しなくても良い。
平常モデル生成部105は、設備状態毎に異なる手法により平常モデルを生成しても良い。
異常兆候検知装置100は、閾値決定部107を備えなくても良い。
本変形例において、
異常兆候検知装置100は、図6のステップS204の処理を実行せず、
異常兆候判定部108は、あらかじめ用意された閾値等を用いて判定する。
閾値決定部107は、設備状態毎に閾値を決定しても良い。
本変形例において、異常兆候判定部108は、判定対象のセンサデータの設備状態に対応する閾値を用いて判定する。
異常兆候データ学習部203は、特徴データ記憶部109に、判定対象の特徴量と、判定対象のセンサデータとを合わせて記憶させても良い。
本変形例によれば、信頼度判定部202は、特徴量変換部103が変換した特徴量とは別の特徴量を用いて、即ち、平常モデルの生成に用いる特徴量とは別の特徴量を用いて、判定対象の異常兆候データを評価することができる。
信頼度判定部202は、設備状態毎に、異なる手法により信頼度を算出しても良い。
本変形例において、異常兆候データ学習部203は、
特徴データ記憶部109に、設備状態も合わせて記憶させても良く、
設備状態毎に特徴データを記憶させても良い。
異常度算出部106は、設備状態毎に異なる手法により異常度を算出しても良い。
本実施の形態に係る異常兆候検知装置100は、対象設備101の状態が「平常」と「異常兆候」とのどちらであるか分類する。しかし、異常兆候検知装置100は、対象設備101の状態を、より多段階に分類しても良い。
本変形例において、異常兆候検知装置100は、「平常」「異常兆候」以外の判定結果を出力する。
本変形例において、
信頼度判定部202は、具体例としては、判定対象の異常兆候データを、閾値超過は発生したが類似データが多いこと等を理由として異常兆候判定部108による判定結果の信頼性が低いと判断したことを表すデータであることを表す「低異常兆候データ」と判定し、
異常兆候検知装置100は、対象設備101の状態として「低異常兆候」を出力しても良い。
本実施の形態では、異常兆候検知装置100の各機能をソフトウェアで実現する場合を説明した。しかし、変形例として、前記各機能は、ハードウェアにより実現されても良い。
以下、前述した実施の形態と異なる点について、図面を参照しながら説明する。
図11は、実施の形態2における平常判定部110の機能構成を示している。
本図に示すように、本実施の形態に係る平常判定部110は、平常データ学習部204を備える。
図12は、本実施の形態に係る平常判定部110の動作を示すフローチャートの例を示している。
本フローチャートに示す処理の順序は、適宜変更しても良い。
平常データ学習部204は、
異常兆候判定部108が平常データと判定したセンサデータの特徴量に対応する平常特徴データを、特徴データとして特徴データ記憶部109に記憶させ、
結果確認部201が出力した「平常」を、そのまま出力する。
平常特徴データは、平常データの特徴量と何らかの対応があるデータのことである。
平常特徴データの形式は、異常特徴データと同様であっても良く、異なっても良い。
なお、特徴データ記憶部109が記憶している平常特徴データに対応するセンサデータを、過去の平常データと呼ぶ。
本実施の形態に係る異常兆候検知装置100によれば、
異常兆候判定部108は、部分時系列データの異常度が閾値を超過していない場合に、部分時系列データを平常データと判定し、
平常判定部110は、特徴データ記憶部109に、平常データの特徴量と対応する平常特徴データを、特徴データとして記憶させる。
以上のように、本実施の形態に係る異常兆候検知装置100によれば、
平常データ学習部204は、異常兆候判定部108が平常データと判定したセンサデータの特徴量に対応する平常特徴データを、特徴データとして特徴データ記憶部109に記憶させるため、
信頼度判定部202は、過去の平常データも考慮して判定する。
そのため、本実施の形態に係る信頼度判定部202は、
過去の異常兆候データを鑑みると、判定対象の異常兆候データを平常データと判定できる場合であっても、
過去の平常データを鑑みると、判定対象の異常兆候データを平常データと判定できない場合に、判定対象の異常兆候データを、平常データと判定しない。
平常データ学習部204は、異常兆候判定部108が平常データと判定したセンサデータの特徴量に対応する平常特徴データを、特徴データとして特徴データ記憶部109に記憶させなくても良い。
本変形例において、平常データ学習部204は、
異常兆候判定部108が平常データと判定したセンサデータの累積数をカウントし、
前記累積値を特徴データ記憶部109に記憶させても良い。
以下、前述した実施の形態と異なる点について、図面を参照しながら説明する。
図13は、本実施の形態に係る異常兆候検知装置100の構成図の例と、本実施の形態に係る異常兆候検知装置100を用いた異常兆候検知システムの構成例とを示す。
本図に示すように、本実施の形態に係る異常兆候検知装置100は、特徴データ管理部121を備える。
図14は、本実施の形態に係る異常兆候検知装置100の動作を示すフローチャートの例である。
本フローチャートに示す処理の順序は、適宜変更しても良い。
異常兆候検知装置100は、
特徴データ管理部121が平常モデルを再生成する再生成指示を出した場合、ステップS215を実行し、
それ以外の場合、ステップS211を実行する。
特徴データ管理部121は、再生成指示を何度出しても良い。
特徴データ管理部121は、
平常モデル毎に再生成指示を出しても良いし、
全ての平常モデルに対する再生成指示を出しても良い。
平常データの異常兆候データは、信頼度判定部202が平常データと判定した判定対象の異常兆候データのことである。
平常モデル生成部105は、特徴データ記憶部109が平常データの異常兆候データとして記憶している記憶している異常兆候データと、平常データ記憶部111が記憶している学習データとに基づいて、特徴データ管理部121が出した再生成指示に対応する平常モデルを再生成する。
平常モデル生成部105は、平常モデルを何度再生成しても良い。
平常判定部110の動作を示すフローチャートの例は、図8又は図12に示すフローチャートと同じである。
しかし、一部の処理の内容に差異があるので、以下で説明する。
異常兆候データ学習部203は、
判定対象の異常兆候データの特徴量に対応する異常特徴データを、特徴データとして、特徴データ記憶部109に記憶させる。
異常兆候データ学習部203は、判定対象の異常兆候データが平常データの異常兆候データである場合、
判定対象の異常兆候データを平常データの異常兆候データとして、特徴データ記憶部109に記憶させ、
判定対象の異常兆候データに対応する設備状態を、判定対象の異常兆候データに対応させて記憶させる。
本実施の形態に係る異常兆候検知装置100によれば、
平常判定部110は、異常兆候データを平常データと判定した場合に、特徴データ記憶部109に、
異常兆候データを、平常データの異常兆候データとして記憶させ、
異常兆候データに対応する設備状態を、異常兆候データに対応させて記憶させ、
平常モデル生成部105は、設備状態毎に、特徴データ記憶部109が平常データの異常兆候データとして記憶している異常兆候データに基づいて、平常モデルを再生成する。
以上のように、本実施の形態に係る異常兆候検知装置100によれば、特徴データ管理部121の再生成指示を契機として、平常モデル生成部105は、特徴データ記憶部109と、平常データ記憶部111とが記憶しているデータに基づいて、平常モデルを再生成する。
信頼度判定部202は、平常データの異常兆候データを平常データ記憶部111に記憶させても良い。
本変形例において、
特徴データ管理部121は、平常データ記憶部111を監視し、
平常モデル生成部105は、平常データ記憶部111が記憶している学習データと、平常データの異常兆候データとに基づいて、平常モデルを再生成する。
閾値決定部107は、閾値を動的に決定しても良い。
具体例としては、閾値決定部107は、平常モデル生成部105が平常モデルを再生成することに合わせて、閾値を再設定しても良い。
本変形例によれば、異常兆候判定部108は、平常モデルが再生成された場合であっても、平常モデルに対応した閾値を用いて判定することができる。
前述した各実施の形態の自由な組み合わせ、あるいは各実施の形態の任意の構成要素の変形、もしくは各実施の形態において任意の構成要素の省略が可能である。
Claims (9)
- 時系列データの少なくとも一部である部分時系列データの特徴量に基づいて、前記部分時系列データの異常度を算出する異常度算出部と、
前記部分時系列データの前記異常度が閾値を超過している場合に、前記部分時系列データを異常兆候データと判定する異常兆候判定部と、
前記異常兆候データの信頼度を、前記異常兆候データの前記特徴量と対応する特徴データに基づいて算出し、前記信頼度を許容できない場合に、前記異常兆候データを平常データと判定する平常判定部と
を備え、
前記平常判定部は、前記異常兆候データの前記特徴量と対応する異常特徴データを、前記特徴データとして特徴データ記憶部に記憶させる異常兆候検知装置。 - 閾値を決定する閾値決定部を備え、
前記異常兆候判定部は、前記閾値決定部が決定した閾値に基づいて判定する請求項1に記載の異常兆候検知装置。 - 前記平常判定部は、前記特徴データ記憶部に、
前記異常兆候データの前記特徴量の値の範囲に対応する層である特徴データ層に対応付けて記憶させ、
前記特徴データ層毎に、前記特徴データ層に対応する前記異常兆候データの異常兆候データ累積数を、前記特徴データとして記憶させ、
前記平常判定部は、前記異常兆候データ累積数の総数に対する、前記異常兆候データに対応する前記異常兆候データ累積数の割合に基づいて、前記異常兆候データの前記信頼度を算出する請求項1又は2に記載の異常兆候検知装置。 - 前記異常兆候判定部は、前記部分時系列データの前記異常度が前記閾値を超過していない場合に、前記部分時系列データを前記平常データと判定し、
前記平常判定部は、前記特徴データ記憶部に、前記平常データの前記特徴量と対応する平常特徴データを、前記特徴データとして記憶させる請求項1から3のいずれか1項に記載の異常兆候検知装置。 - 平常なデータの特徴量が取り得る範囲に対応する平常モデルを生成する平常モデル生成部を備え、
前記異常度算出部は、前記部分時系列データの前記特徴量と、前記平常モデル生成部が生成した前記平常モデルとに基づいて、前記異常度を算出する請求項1から4のいずれか1項に記載の異常兆候検知装置。 - 前記平常モデル生成部は、前記平常モデルを1以上の設備状態を取り得る設備の設備状態毎に生成し、
前記異常兆候検知装置は、前記設備から前記時系列データを取得し、
前記異常度算出部は、前記部分時系列データの前記特徴量と、前記部分時系列データに対応する前記設備状態に対応する前記平常モデルとに基づいて、前記異常度を算出する請求項5に記載の異常兆候検知装置。 - 前記平常判定部は、前記異常兆候データを前記平常データと判定した場合に、前記特徴データ記憶部に、
前記異常兆候データを、前記平常データの前記異常兆候データとして記憶させ、
前記異常兆候データに対応する前記設備状態を、前記異常兆候データに対応させて記憶させ、
前記平常モデル生成部は、前記設備状態毎に、前記特徴データ記憶部が前記平常データの前記異常兆候データとして記憶している前記異常兆候データに基づいて、前記平常モデルを再生成する請求項6に記載の異常兆候検知装置。 - 異常度算出部が、時系列データの少なくとも一部である部分時系列データの特徴量に基づいて、前記部分時系列データの異常度を算出し、
異常兆候判定部が、前記部分時系列データの前記異常度が閾値を超過している場合に、前記部分時系列データを異常兆候データと判定し、
平常判定部が、前記異常兆候データの信頼度を、前記異常兆候データの前記特徴量と対応する特徴データに基づいて算出し、前記信頼度を許容できない場合に、前記異常兆候データを平常データと判定し、
前記平常判定部は、前記異常兆候データの前記特徴量と対応する異常特徴データを、前記特徴データとして特徴データ記憶部に記憶させる異常兆候検知方法。 - コンピュータに、
時系列データの少なくとも一部である部分時系列データの特徴量に基づいて、前記部分時系列データの異常度を算出させ、
前記部分時系列データの前記異常度が閾値を超過している場合に、前記部分時系列データを異常兆候データと判定させ、
前記異常兆候データの信頼度を、前記異常兆候データの前記特徴量と対応する特徴データに基づいて算出し、前記信頼度を許容できない場合に、前記異常兆候データを平常データと判定させ、
前記異常兆候データの前記特徴量と対応する異常特徴データを、前記特徴データとして記憶させる異常兆候検知プログラム。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2019/022495 WO2020245968A1 (ja) | 2019-06-06 | 2019-06-06 | 異常兆候検知装置、異常兆候検知方法、及び、異常兆候検知プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2020245968A1 true JPWO2020245968A1 (ja) | 2021-10-21 |
JP7016450B2 JP7016450B2 (ja) | 2022-02-04 |
Family
ID=73653055
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021524591A Active JP7016450B2 (ja) | 2019-06-06 | 2019-06-06 | 異常兆候検知装置、異常兆候検知方法、及び、異常兆候検知プログラム |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7016450B2 (ja) |
WO (1) | WO2020245968A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024047859A1 (ja) * | 2022-09-02 | 2024-03-07 | 三菱電機株式会社 | 異常検知装置、異常検知方法、および、異常検知プログラム |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006163517A (ja) * | 2004-12-02 | 2006-06-22 | Petroleum Energy Center | 異常検知装置 |
JP2009259020A (ja) * | 2008-04-17 | 2009-11-05 | Japan Energy Corp | 異常検知装置 |
JP2017097712A (ja) * | 2015-11-26 | 2017-06-01 | 株式会社日立製作所 | 機器診断装置及びシステム及び方法 |
JP2019067136A (ja) * | 2017-09-29 | 2019-04-25 | ファナック株式会社 | 数値制御システム |
-
2019
- 2019-06-06 WO PCT/JP2019/022495 patent/WO2020245968A1/ja active Application Filing
- 2019-06-06 JP JP2021524591A patent/JP7016450B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006163517A (ja) * | 2004-12-02 | 2006-06-22 | Petroleum Energy Center | 異常検知装置 |
JP2009259020A (ja) * | 2008-04-17 | 2009-11-05 | Japan Energy Corp | 異常検知装置 |
JP2017097712A (ja) * | 2015-11-26 | 2017-06-01 | 株式会社日立製作所 | 機器診断装置及びシステム及び方法 |
JP2019067136A (ja) * | 2017-09-29 | 2019-04-25 | ファナック株式会社 | 数値制御システム |
Also Published As
Publication number | Publication date |
---|---|
JP7016450B2 (ja) | 2022-02-04 |
WO2020245968A1 (ja) | 2020-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102118670B1 (ko) | Ict 인프라 관리 시스템 및 이를 이용한 ict 인프라 관리 방법 | |
US10354197B2 (en) | Pattern analytics for real-time detection of known significant pattern signatures | |
CN102713862B (zh) | 故障原因提取装置、故障原因提取方法和程序记录介质 | |
CN105474577B (zh) | 用于监测***性能和可用性的***和方法 | |
Compare et al. | Reliability model of a component equipped with PHM capabilities | |
CN110164501B (zh) | 一种硬盘检测方法、装置、存储介质及设备 | |
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 | |
US20150046757A1 (en) | Performance Metrics of a Computer System | |
JP6699012B2 (ja) | 異常予兆検出システムおよび異常予兆検出方法 | |
CN113986693A (zh) | 告警响应级别确定方法、装置、电子设备及存储介质 | |
CN113196311A (zh) | 用于识别和预测机器的异常感测行为模式的***和方法 | |
KR20190008515A (ko) | 개선된 sax 기법 및 rtc 기법을 이용한 공정 모니터링 장치 및 방법 | |
CN111742462A (zh) | 用于基于音频和振动的功率分配装备状况监测的***和方法 | |
KR102132077B1 (ko) | 설비 데이터의 이상 정도 평가 방법 | |
JP7016450B2 (ja) | 異常兆候検知装置、異常兆候検知方法、及び、異常兆候検知プログラム | |
CN102792278B (zh) | 用于计算环境中的诊断数据捕获的方法和设备 | |
CN113962253B (zh) | 基于深度小波极限学习机的轴承剩余寿命预测方法及*** | |
Reda Taha | A Neural‐Wavelet Technique for Damage Identification in the ASCE Benchmark Structure Using Phase II Experimental Data | |
JP6918735B2 (ja) | 監視装置、監視方法および監視プログラム | |
US10157113B2 (en) | Information processing device, analysis method, and recording medium | |
CN111555899A (zh) | 告警规则配置方法、设备状态监测方法、装置和存储介质 | |
CN115189961B (zh) | 一种故障识别方法、装置、设备及存储介质 | |
WO2023181241A1 (ja) | 監視サーバ装置、システム、方法、及びプログラム | |
JP6734362B2 (ja) | 監視装置、監視方法、プログラム | |
JP7095443B2 (ja) | 異常検知プログラム、異常検知方法及び異常検知装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210617 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210617 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20210617 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210921 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211013 |
|
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: 20211228 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220125 |