JPWO2020245968A1

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

Info

Publication number: JPWO2020245968A1
Application number: JP2021524591A
Authority: JP
Inventors: 佳典 ▲高▼田; 昂平桑島
Original assignee: Mitsubishi Electric Corp
Current assignee: Mitsubishi Electric Corp
Priority date: 2019-06-06
Filing date: 2019-06-06
Publication date: 2021-10-21
Anticipated expiration: 2039-06-06
Also published as: JP7016450B2; WO2020245968A1

Abstract

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、信頼度を許容できない場合に、異常兆候データを平常データと判定する平常判定部（１１０）とを備える。

Description

この発明は、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に関する。

近年、データ活用の一環として、様々な分野において、システムから取得できるデータを使ったシステム状態の推定と、今後の異常発生を見極める異常兆候検知の取り組みが行われている。

従来の監視システムは異常発生を監視するものであり、具体例としては、個別のセンサ値が一定の閾値を超えた等の、明確に判断できる条件を使い実現されているルールベースの異常検知であった。このような監視システムを用いた場合、異常判定をすることは可能であるが、異常兆候を捉えることは困難である。

発電プラントのような、定期的にメンテナンスがなされ、過去にほとんど故障が発生していないシステムの異常兆候検知においては、異常兆候を含むデータをほとんど集めることができない。そのため、正常状態のデータと、異常状態のデータとの違いに着目した教師あり学習により異常兆候を捉えることは、困難である。

このため、発電プラントの異常兆候検知システムでは、正常状態である発電プラントのデータから正常状態に対応する正常モデルを生成し、正常モデルと、検証対象データとの乖離度を異常度として定義し、異常度がある閾値を超えていた場合には、異常の兆候を表すデータであるとして検知する教師なし学習による異常兆候検知が使われる。

教師なし学習を使う場合には、取得したデータを特徴量に変換し、その特徴量に基づきデータのパターン、規則性、及び、分布等を分析することにより、正常モデルを生成する。この際、正常モデルを生成するために使用する特徴量を決定するためには、有効であると予想される特徴量に基づいて複数の正常モデルの生成を試行し、正常モデルの適切さの度合いを個別に確認し、最も適切な正常モデルを採用する。

これら特徴量を自動的に列挙し、それぞれのモデルの有効性を判断するためには、正常状態のデータの網羅率が重要となる。しかし、実際の運用において正常状態のデータを網羅的に学習させることは、異常がほとんど発生しないシステムにおいて異常状態のデータを集めることと同様に、その状況を作り出すことが難しいという観点から困難である。また、どのような特徴量を使ってモデル生成を試みるかの決定方針、及び、異常兆候と判断するための閾値をどのように決めることが妥当なのかについて、検討すべき課題がある。

また、実際の運用において正常状態のデータを網羅的に学習させることは、扱うデータ量の増大という観点からも困難であると言える。

特許文献１は、設備から取得できる、人の操作及びユニットの少なくとも一方等の状態を表すイベント信号から、イベント列を切り出し、イベント列と所定時間内に発生したアラームの頻度マトリクスを事前に生成しておくことにより、人の操作及びユニットの少なくとも一方等の状態が変わったことを原因とする通常の状態からの乖離を見分けるための方法について開示している。
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。

特開２０１１−０８１６９７号公報

しかしながら、正常なシステム運用で取り得るデータの範囲に対して、網羅性が低い学習データを用いて正常モデルを生成した場合、実際には正常である評価対象データを異常と判定してしまうことが多く、判定の精度が低いという課題があった。

この発明の異常兆候検知装置は、
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、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。

本発明の異常兆候検知装置によれば、網羅性が低い学習データを用いて平常モデルを生成した場合であっても、平常判定部が、異常兆候データの特徴量を用いて異常兆候データを判定することにより、部分時系列データの判定の精度を高めることができる。

実施の形態１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図。実施の形態１に係る平常判定部１１０の構成図。実施の形態１に係る特徴データ記憶部１０９のデータ構造。実施の形態１に係る特徴データ記憶部１０９のデータ構造。実施の形態１に係る異常兆候検知装置１００のハードウェア構成図。実施の形態１に係る異常兆候検知装置１００の学習フェーズの動作を示すフローチャート。実施の形態１に係る異常兆候検知装置１００の運用フェーズの動作を示すフローチャート。実施の形態１に係る平常判定部１１０の動作を示すフローチャート。実施の形態１に係る信頼度判定部２０２の動作を示すフローチャート。実施の形態１に係る信頼度判定処理の概念図。実施の形態２に係る平常判定部１１０の構成図。実施の形態２に係る平常判定部１１０の処理を示すフローチャート。実施の形態３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図。実施の形態３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。

実施の形態１．
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。

＊＊＊構成の説明＊＊＊
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。

異常兆候検知装置１００は、
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。

なお、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、異常兆候を検出することができる。しかし、説明の便宜上、異常兆候検知装置１００が、センサデータから成る時系列データを解析する場合について説明する。
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。

対象設備１０１は、
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。

異常兆候検知装置１００は、工場又は発電所等の各種プラントの、設備の稼働状況を表す運転データと、設備に組み込まれたセンサから取得したデータとを活用し、現在のプラントの運転状況を監視するだけでなく、今後のプラントの異常発生の可能性を検知することもできる。

異常兆候は、
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。

検知結果管理部１０２は、対象設備１０１が出力したセンサデータ及び運転データと、異常兆候検知装置１００がセンサデータに基づいて異常兆候を検知した結果とを紐づけて管理する。

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。

特徴量変換部１０３は、
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。

設備状態判定部１０４は、運転データに基づき、対象設備１０１の状態である設備状態を判定する処理を実施する。
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。

設備状態判定部１０４は、対象設備１０１全体の設備状態だけでなく、対象設備１０１を構成するより小さな単位毎に、具体例としては対象設備１０１の各構成要素別に、設備状態を判定する機能を実装しても良い。対象設備１０１が発電プラント全体である場合、より小さな単位の具体例は、発電機と、ボイラと等である。

平常モデル生成部１０５は、特徴量変換部１０３が算出した特徴量と、設備状態判定部１０４が判定した設備状態とに基づき、対象設備１０１の設備状態毎に、平常モデルを生成する。
平常モデル生成部１０５は、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。

平常モデル生成部１０５は、異常兆候検知装置１００が取得したセンサデータを学習データとして利用する場合、
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。

平常モデル生成部１０５は、
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。

平常モデルは、
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。

教師なし学習による異常兆候検知システムは、今までに見たことのある状態に基づいて「正常な状態」と判断し、今まで見たことの無い状態を「正常でない状態」と判断する。
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。

異常度算出部１０６は、平常モデル生成部１０５が生成した平常モデルと、センサデータから算出された各特徴量とから、各特徴量の異常度を算出する。

異常度算出部１０６は、
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、平常モデル等に基づいて、異常兆候を判定するための閾値を決定する処理を行う。
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。

閾値決定部１０７は、閾値決定について、任意の手法を採用して良く、統計的な手法を用いても良い。
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。

異常兆候判定部１０８は、異常度算出部１０６が算出した特徴量の異常度が、閾値決定部１０７が決定した閾値を超過しているか否か、即ち、特徴量が閾値超過か否かを判定する。

異常兆候判定部１０８は、
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。

特徴データ記憶部１０９は、異常兆候判定部１０８が閾値超過と判定した特徴量、即ち異常兆候データの特徴量と対応する異常特徴データを、特徴データとして記憶する。ここで、異常特徴データは、異常兆候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。
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。

平常判定部１１０は、
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。

図２は、本実施の形態における平常判定部１１０の構成図である。

結果確認部２０１は、
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。

信頼度判定部２０２は、
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。

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。

図３は、特徴データ記憶部１０９のデータ構造の例である。

本図の特徴データ記憶部１０９は、特徴データ層４０１毎に、異常兆候データ累積数４０４を記憶している。
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。

特徴データ記憶部１０９が本図のように実装されている場合、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４０４から、異常兆候データ累積数４０４の総数に対する、特定の特徴データ層４０１の異常兆候データ累積数４０４の割合を求めることができる。

本図は、異常兆候データの特徴量が１次元の値である場合の特徴データ層４０１の例を示しているが、前記特徴量は、多次元の値であっても良い。
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。

本例によれば、
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。

図４は、特徴データ記憶部１０９のデータ構造の、別の例である。

本図の特徴データ記憶部１０９は、特徴データ層４０１毎に、異常兆候データ累積数６０４に加えて、異常兆候データの特徴量である異常兆候データ特徴量４０５を記憶している。
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。

特徴データ記憶部１０９が異常兆候データ特徴量４０５も合わせて記憶することにより、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、異常兆候検知装置１００の運用中に変更することができる。
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。

図５は、異常兆候検知装置１００のハードウェア構成図である。

本図に示すように、異常兆候検知装置１００は、一般的なコンピュータ１０から構成される。
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。

プロセッサ１１は、データバス１４（信号線）を介して他のハードウェアと接続され、これら他のハードウェアを制御する。
記憶装置１３は、異常兆候検知プログラムを記憶する。

プロセッサ１１は、プログラム及びＯＳ（ＯｐｅｒａｔｉｎｇＳｙｓｔｅｍ）等を実行するプロセッシング装置である。プロセッシング装置は、ＩＣ（ＩｎｔｅｇｒａｔｅｄＣｉｒｃｕｉｔ）と呼ぶこともあり、プロセッサ１１は、具体例としては、ＣＰＵ（ＣｅｎｔｒａｌＰｒｏｃｅｓｓｉｎｇＵｎｉｔ）、ＤＳＰ（ＤｉｇｉｔａｌＳｉｇｎａｌＰｒｏｃｅｓｓｏｒ）、ＧＰＵ（ＧｒａｐｈｉｃｓＰｒｏｃｅｓｓｉｎｇＵｎｉｔ）である。プロセッサ１１は、メモリ１２に格納されたプログラムを読み出して実行する。

本図のコンピュータ１０は、プロセッサ１１を１つだけ備えているが、コンピュータ１０は、プロセッサ１１を代替する複数のプロセッサを備えていても良い。これら複数のプロセッサは、プログラムの実行等を分担する。

メモリ１２は、データを一時的に記憶する記憶装置であり、プロセッサ１１の作業領域として使用されるメインメモリとして機能する。メモリ１２は、具体例としては、ＳＲＡＭ（ＳｔａｔｉｃＲａｎｄｏｍＡｃｃｅｓｓＭｅｍｏｒｙ）、ＤＲＡＭ（ＤｙｎａｍｉｃＲａｎｄｏｍＡｃｃｅｓｓＭｅｍｏｒｙ）等のＲＡＭ（ＲａｎｄｏｍＡｃｃｅｓｓＭｅｍｏｒｙ）である。メモリ１２は、プロセッサ１１の演算結果を保持する。

記憶装置１３は、データを不揮発的に保管する記憶装置であり、ＯＳ、プロセッサ１１によって実行される各プログラム、各プログラムの実行時に使用されるデータ等を記憶する。記憶装置１３は、具体例としては、ＨＤＤ（ＨａｒｄＤｉｓｋＤｒｉｖｅ）、ＳＳＤ（ＳｏｌｉｄＳｔａｔｅＤｒｉｖｅ）である。また、記憶装置１３は、メモリカード、ＳＤ（ＳｅｃｕｒｅＤｉｇｉｔａｌ、登録商標）メモリカード、ＣＦ（ＣｏｍｐａｃｔＦｌａｓｈ）、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（ＤｉｇｉｔａｌＶｅｒｓａｔｉｌｅＤｉｓｋ）等の可搬記録媒体であってもよい。

本図には記載していないが、ＯＳは、プロセッサ１１によって記憶装置１３からロードされ、メモリ１２に展開され、プロセッサ１１上で実行される。ＯＳは、具体例としては、Ｌｉｎｕｘ（登録商標）又はＷｉｎｄｏｗｓ（登録商標）等、プロセッサ１１に適合する任意のものでよい。なお、異常兆候検知プログラム及びＯＳは、メモリ１２に記憶されていてもよい。

＊＊＊動作の説明＊＊＊
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。

異常兆候検知装置１００の動作手順は、異常兆候検知方法に相当する。また、異常兆候検知装置１００の動作を実現するプログラムは、異常兆候検知プログラムに相当する。

＊＊＊学習フェーズの動作の説明＊＊＊
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。

（ステップＳ２０１：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。

（ステップＳ２０２：運転状態判定処理）
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。

（ステップＳ２０３：平常モデル生成処理）
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。

異常兆候検知装置１００は、
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。

（ステップＳ２０４：閾値決定処理）
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。

＊＊＊運用フェーズの動作の説明＊＊＊
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。

（ステップＳ２１２：異常兆候判定処理）
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。

異常度算出部１０６は、設備状態に対応する平常モデルであって、ステップＳ２０３において生成した平常モデルに基づいて、ステップＳ２１１において特徴量変換部１０３が変換した特徴量の異常度を算出する。

異常兆候判定部１０８は、
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。

なお、本ステップの処理は、
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。

（ステップＳ２１３：平常判定処理）
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。

＊＊＊平常判定部１１０の動作の説明＊＊＊
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。

（ステップＳ３０１：結果確認処理）
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。

（ステップＳ３０２：信頼度算出処理）
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。

（ステップＳ３０３：信頼度判定処理）
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。

信頼度判定部２０２は、
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。

信頼度判定部２０２は、
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。

信頼度判定部２０２は、具体例としては、
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。

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。

信頼度判定部２０２は、特徴データ記憶部１０９が図３又は図４に示すようなデータ構造を採用している場合、異常兆候データ累積数の総数に対する、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の割合の逆数を信頼度とし、
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。

図１０は、異常兆候データの特徴量が３次元の値である場合の、本ステップの処理の概念の例を示したものである。本例は、図示の都合上、特徴量を３次元の値としているが、特徴量は任意の次元の値であって良い。
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。

信頼度判定部２０２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。

信頼度判定部２０２は、判定対象特徴量７０２の近傍７０３に含まれる記憶特徴量７０１の数の逆数を信頼度としても良い。

信頼度判定部２０２は、
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。

（ステップＳ３０４：判定結果確定処理）
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。

（ステップＳ３０５：判定結果確定処理）
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。

（ステップＳ３０６：異常兆候データ学習処理）
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。

（ステップＳ３０７：結果出力処理）
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。

＊＊＊信頼度判定部２０２の動作の説明＊＊＊
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。

（ステップＳ５０１：合計値算出処理）
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。

（ステップＳ５０２：信頼度算出処理）
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。

（ステップＳ５０３：信頼度判定処理）
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。

＊＊＊実施の形態１の特徴＊＊＊
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。

本実施の形態に係る異常兆候検知装置１００は、閾値を決定する閾値決定部１０７を備え、
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。

本実施の形態に係る異常兆候検知装置１００は、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１０５を備え、
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。

本実施の形態に係る異常兆候検知装置１００によれば、
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。

＊＊＊実施の形態１の効果の説明＊＊＊
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。

本実施の形態に係る異常兆候検知装置１００は、
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。

＜変形例１＞
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。

＜変形例２＞
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。

＜変形例３＞
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。

＜変形例４＞
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。

＜変形例５＞
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。

＜変形例６＞
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。

＜変形例７＞
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。

＜変形例８＞
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。

＜変形例９＞
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。

＜変形例１０＞
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。

＜変形例１１＞
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。

＜変形例１２＞
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。

＜変形例１３＞
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。

＜変形例１４＞
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。

前記各機能がハードウェアにより実現される場合には、異常兆候検知装置１００は、プロセッサ１１に代えて、電子回路（処理回路）を備える。あるいは、異常兆候検知装置１００は、プロセッサ１１、及び、メモリ１２に代えて、電子回路を備える。電子回路は、前記各機能（及びメモリ１２）を実現する専用の電子回路である。

電子回路は、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（ＧａｔｅＡｒｒａｙ）、ＡＳＩＣ（ＡｐｐｌｉｃａｔｉｏｎＳｐｅｃｉｆｉｃＩｎｔｅｇｒａｔｅｄＣｉｒｃｕｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ−ＰｒｏｇｒａｍｍａｂｌｅＧａｔｅＡｒｒａｙ）が想定される。

前記各機能を１つの電子回路で実現してもよいし、前記各機能を複数の電子回路に分散させて実現してもよい。

あるいは、一部の前記各機能がハードウェアで実現され、他の前記各機能がソフトウェアで実現されてもよい。

前述したプロセッサ１１とメモリ１２と電子回路とを、総称して「プロセッシングサーキットリー」という。つまり、前記各機能は、プロセッシングサーキットリーにより実現される。

実施の形態２．
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。

＊＊＊構成の説明＊＊＊
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。

＊＊＊動作の説明＊＊＊
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。

（ステップＳ３０８：平常データ学習処理）
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。

＊＊＊実施の形態２の特徴＊＊＊
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。

＊＊＊実施の形態２の効果の説明＊＊＊
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。

信頼度判定部２０２は、具体例としては、過去の平常データの数に対する、判定対象の異常兆候データに対応する過去の異常兆候データの数の割合が著しく低い場合、判定対象の異常兆候データを平常データと判定しない。

従って、本実施の形態に係る異常兆候検知装置１００は、異常兆候データ検出の精度を高めることができる。

＜変形例１５＞
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。

実施の形態３．
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。

＊＊＊構成の説明＊＊＊
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。

＊＊＊動作の説明＊＊＊
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。

（ステップＳ２１４：平常モデル再生成指示処理）
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、任意の条件により、再生成指示を出して良い。前記条件の具体例としては、特徴データ記憶部１０９が記憶する特徴データの数であって、平常データの異常兆候データに対応する特徴データの数が、一定値を超えた場合である。
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。

（ステップＳ２１５：平常モデル再生成処理）
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の動作の説明＊＊＊
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。

（ステップＳ３０６：異常兆候データ学習処理）
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。

＊＊＊実施の形態３の特徴＊＊＊
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。

＊＊＊実施の形態３の効果の説明＊＊＊
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。

従って、本実施の形態に係る異常兆候検知装置１００が使用する平常モデルの網羅性が、異常兆候検知装置１００の運用中に徐々に高まるため、本実施の形態に係る異常兆候検知装置１００は、異常兆候データ検出の精度を向上させることができる。

＜変形例１６＞
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。

＜変形例１７＞
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。

＊＊＊他の実施の形態＊＊＊
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。

また、実施の形態は、実施の形態１から３で示したものに限定されるものではなく、必要に応じて種々の変更が可能である。

１０コンピュータ、１１プロセッサ、１２メモリ、１３記憶装置、１４データバス、１００異常兆候検知装置、１０１対象設備、１０２検知結果管理部、１０３特徴量変換部、１０４設備状態判定部、１０５平常モデル生成部、１０６異常度算出部、１０７閾値決定部、１０８異常兆候判定部、１０９特徴データ記憶部、１１０平常判定部、１１１平常データ記憶部、１２１特徴データ管理部、２０１結果確認部、２０２信頼度判定部、２０３異常兆候データ学習部、２０４平常データ学習部、４０１特徴データ層、４０２下限値、４０３上限値、４０４異常兆候データ累積数、４０５異常兆候データ特徴量、７０１記憶特徴量、７０２判定対象特徴量、７０３近傍。

Claims

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。