WO2019146315A1 - 異常検知システム、異常検知方法、および、プログラム - Google Patents

異常検知システム、異常検知方法、および、プログラム Download PDF

Info

Publication number
WO2019146315A1
WO2019146315A1 PCT/JP2018/046460 JP2018046460W WO2019146315A1 WO 2019146315 A1 WO2019146315 A1 WO 2019146315A1 JP 2018046460 W JP2018046460 W JP 2018046460W WO 2019146315 A1 WO2019146315 A1 WO 2019146315A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
abnormality
learning
evaluation
identification model
Prior art date
Application number
PCT/JP2018/046460
Other languages
English (en)
French (fr)
Inventor
章裕 小升
智昭 蛭田
内田　貴之
鈴木　英明
Original Assignee
株式会社日立製作所
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 株式会社日立製作所 filed Critical 株式会社日立製作所
Publication of WO2019146315A1 publication Critical patent/WO2019146315A1/ja

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Definitions

  • the present invention relates to an anomaly detection system capable of maintaining an environment suitable for evaluation of a model of normality and anomaly of facility equipment generated by a machine learning device, and an anomaly detection method and program used in the system.
  • Equipment equipment that is scheduled to always operate such as a wind turbine, is required to detect component abnormalities in advance in order to improve the operation rate or to prevent a serious accident from occurring.
  • transition from conventional time-based preventive maintenance, which is regularly performed according to the operation time of the equipment, to new preventive maintenance, which is regularly performed according to the state of the equipment, according to the state of the equipment. Is moving forward.
  • Patent Document 1 detects a shortage of data and other information necessary for learning a discrimination model, and urges the user to add necessary data etc. to avoid overfitting of learning. ing.
  • the present invention provides an abnormality detection system or the like that can appropriately evaluate a discrimination model based on data at the time of abnormality that is generated by using the data for verification that complements the shortage of data samples. With the goal.
  • the abnormality detection system comprises a learning data input unit for inputting learning data, an identification model learning unit for creating an identification model from the learning data, and an identification model check unit for evaluating detection performance of the identification model.
  • a data generation unit that generates abnormality simulation data necessary for evaluation, and a notification unit that notifies an evaluation result of the identification model.
  • the discrimination model can be properly evaluated by complementing the deficiency with the abnormality simulation data. . Then, by detecting the abnormality of the equipment using an appropriate identification model, the abnormality of the equipment can be detected with high accuracy.
  • FIG. 2 illustrates the main part of the abnormality detection system according to the first embodiment.
  • FIG. 7 is a diagram showing an example of the configuration of actual operation data input from the learning data input unit of FIG. 1;
  • FIG. 7 is a view showing an example of the configuration of learning information of the identification model stored in the identification model learning unit of FIG. 1;
  • FIG. 7 is a view showing an example of the configuration of check information of a discrimination model stored in the discrimination model check unit of FIG. 1;
  • FIG. 7 is a view showing an example of the configuration of abnormality simulation data generated by the data generation unit of FIG. 1;
  • FIG. 7 is a view showing an example of the configuration of information for generating abnormality simulation data, which is stored in the data generation unit of FIG. 1;
  • FIG. 7 is a view showing an example of the configuration of a learning data setting screen displayed by the notification unit of FIG. 1;
  • FIG. 7 is a view showing an example of the configuration of a generated data setting screen displayed by the notification unit of FIG. 1;
  • FIG. 7 is a view showing an example of the configuration of an evaluation data setting screen displayed by the notification unit of FIG. 1;
  • FIG. 7 is a view showing an example of the configuration of a detection performance evaluation screen displayed by the notification unit of FIG. 1;
  • Embodiment 1 of the present invention will be described with reference to FIGS. 1 to 13.
  • FIG. 1 is a diagram illustrating the main part of the abnormality detection system of the present embodiment.
  • the abnormality detection system includes a learning data input unit 1, an identification model learning unit 2, an identification model check unit 3, a data generation unit 4, and a notification unit 5.
  • These are actually arithmetic processing units (CPU (Central Processing Unit), MPU (Micro Processing Unit) etc.), storage devices (semiconductor memory, hard disk etc.), input / output devices (keyboard, mouse, display device, communication device etc.) And so on, and each function is realized by the arithmetic processing unit executing a program stored in the storage device.
  • CPU Central Processing Unit
  • MPU Micro Processing Unit
  • storage devices semiconductor memory, hard disk etc.
  • input / output devices keyboard, mouse, display device, communication device etc.
  • the learning data input unit 1 stores learning data related to the equipment to be identified as normal or abnormal, and the learning data is sent to the identification model learning unit 2.
  • the identification model learning unit 2 performs machine learning using the learning data sent from the learning data input unit 1 and creates an identification model for identifying whether the equipment is normal or abnormal.
  • the identification model check unit 3 evaluates the detection performance of the identification model created by the identification model learning unit 2, and sends the evaluation result to the notification unit 5.
  • the data generation unit 4 is requested to generate the complementary data corresponding to the insufficient abnormal data or the like.
  • the data generation unit 4 generates necessary complementary data in accordance with the request of the identification model check unit 3.
  • the generated complementary data is sent to the identification model checking unit 3.
  • the notification unit 5 notifies the user of the evaluation result of the identification model by the identification model check unit 3.
  • FIG. 2 is a diagram schematically showing the relationship between the abnormality detection system of the present embodiment, maintenance personnel, supervisors, and users.
  • the abnormality detection system includes the equipment 10, the state monitoring device 11, and the abnormality detection performance evaluation device 12, and the maintenance worker 13 maintains and checks the equipment 10 for monitoring.
  • the staff member 14 receives the diagnosis result from the state monitoring device 11, and the user 15 performs the work such as addition, correction, and selection based on the evaluation result received from the abnormality detection performance evaluation device 12.
  • the main part of the abnormality detection system shown in FIG. 1 is incorporated in the abnormality detection performance evaluation device 12 in FIG. 2, three of the equipment device 10, the state monitoring device 11, and the abnormality detection performance evaluation device 12. The person does not have to have a separate and independent configuration, and the three parties may be integrated, or the condition monitoring device 11 and the abnormality detection performance evaluation device 12 may be integrated.
  • the facility device 10 is a device such as a windmill or a mining device that achieves a predetermined function or operation by performing a mechanical operation, and is monitored by the state monitoring device 11.
  • Various kinds of sensors such as a shortage sensor, a current sensor, and a temperature sensor are attached to the equipment 10, and sensor data measured from the various sensors are written to a storage device or a storage medium through a wired or wireless communication system. Then, it is sent to the state monitoring device 11 as actual operation data 20.
  • the state monitoring device 11 includes a display device, an operation panel, a control computer, etc., and based on the actual operation data 20 collected from the facility device 10, whether there is an anomaly in the facility device 10 by a predetermined anomaly detection technology (identification model) Are diagnosed, and the diagnosis result is reported to the monitoring personnel 14 (a manager or the like resident in the installation place of the facility equipment).
  • the surveillance staff member 14 regularly instructs the maintenance staff 13 (such as a technician of a manufacturer who manufactured the equipment) when an abnormality or an abnormality sign of the equipment 10 is detected based on the diagnosis result.
  • the maintenance worker 13 carries out maintenance and inspection of the equipment 10 according to the instruction of the monitoring worker 14.
  • the abnormality detection performance evaluation device 12 is configured by a personal computer or a work station, and supports the user 15 (a system engineer who develops a program of the state monitoring device, etc.) developing the abnormality detection technology of the equipment 10. That is, the user 15 develops and provides an abnormality detection technique for the facility device 10 using the learning actual operation data 20 acquired from the state monitoring device 11 and domain knowledge.
  • the abnormality detection performance evaluation device 12 has a function of evaluating the detection performance of the abnormality detection technology developed by the user 15, and notifies the user 15 of the evaluation result.
  • the state monitoring device 11 appropriately identifies The equipment can be monitored using the model.
  • the abnormality detection system according to the first embodiment generates evaluation data of the identification model as necessary, and notifies the user of the evaluation result to promote determination of the optimum identification model.
  • abnormality detection in which the operation data 20 is input from the state monitoring device 11, the identification model is created from the input operation data 20, and the created identification model identifies whether the data for evaluation is normal or abnormal.
  • the performance evaluation unit 12 For example, abnormality detection in which the operation data 20 is input from the state monitoring device 11, the identification model is created from the input operation data 20, and the created identification model identifies whether the data for evaluation is normal or abnormal.
  • FIG. 3 is a diagram showing a configuration example of the actual operation data 20 inputted as learning data from the learning data input unit 1 of FIG. As shown here, the actual operation data 20 includes machine data 21, sensor data 22, and alarm data 23.
  • the machine data 21 is a table consisting of "category”, "model”, “ID”, and “operation data ID”, and the type of equipment 10 (eg, windmill, mining equipment), model (eg, A, B, etc.) C), data representing a serial number (for example, 001, 002) and the like are included.
  • the sensor data 22 is a table in which values acquired at predetermined intervals from various sensors attached to the facility device 10 are recorded in association with the acquisition time.
  • the sensor data 22 in FIG. 3 is data acquired by the “wind turbine” of the “A” model, ID “001” corresponding to the operation data ID “WA001”, and the wind speed, current, Each data of temperature is shown.
  • the items of the sensor data 22 may be different depending on the type of the equipment 10. For example, when the equipment 10 is a mining equipment such as a shovel car or a dump truck, the moving speed, position, loading amount measured by a sensor It is good also as composition which recorded etc.
  • the alarm data 23 is a table in which an abnormality or a mode change that has occurred in the facility device 10 is recorded in association with its occurrence time.
  • an alarm ID "1000” is generated at 0:10:00 on February 1, 2018 and an alarm ID "1001" is generated at 0:20:00, 0:20 It indicates that the alarm ID "1000” is released in 30 seconds.
  • Each alarm ID is a value corresponding to a combination of failure modes (for example, "part failure 1", “part failure 2", etc.) and operation modes to be described later, and one alarm ID corresponds to a plurality of failures or modes. It can indicate the occurrence of a change.
  • the learning data input unit 1 holds the information of the actual operation data 20 of FIG. 3 and transmits the actual operation data 20 to the identification model learning unit 2 as learning data to be used when generating the identification model.
  • FIG. 4 is a diagram showing a configuration example of the identification model learning information 30 stored in the identification model learning unit 2 of FIG. As shown here, the identification model learning information 30 is configured to include header information 31 and learning information 32.
  • the header information 31 includes information such as “data type”, “category”, “model”, “ID”, “operation data ID”, “failure mode” and the like.
  • the “category”, “model”, “ID”, and “operation data ID” are data obtained from the machine data 21 of the actual operation data 20.
  • the "data type” represents the origin of the data, and in addition to the "operation data", categories such as "processing data” and “simulation data” described later are set.
  • the "failure mode” the name of the failure or the name of the failure part of the facility device 10 to be detected is set, and if there is no failure, "normal” is set. If there is a failure, "part failure 1" It is set as "".
  • the learning information 32 includes information necessary for generation of the identification model, such as “sensor selection”, “operation mode selection”, “preprocessing”, “diagnostic algorithm”, “parameter”, “learning period” and the like. Be done.
  • the learning information 32 is created for each “model”, “ID” or “failure mode” of the facility device 10.
  • a sensor used for abnormality detection in the present embodiment or a name of data obtained from the sensor is set.
  • the wind speed, the current, and the temperature are set.
  • the operation mode of the facility device 10 is set.
  • the name of the operation mode is previously defined by the supervisor, and among them, one indicating the current operation mode is selected. In the example of FIG. 4, normal operation is set.
  • conversion processing of sensor data, separation conditions of the operation mode, and the like are set.
  • the conversion processing includes filtering processing for noise removal, moving average processing, and the like, and the separation condition of the operation mode is a condition for defining a normal state or an abnormal state of the equipment 10.
  • the state of the equipment 10 includes a steady state in which a predetermined function or mode of operation does not change with time, and a non-steady state which is a transient process until reaching the steady state.
  • the number of steady states is not limited to one, and a transition to another state is made for each condition, so when an abnormality is diagnosed using all of the operation data 20 of the facility device 10, false alarms often appear in the diagnosis result. Therefore, false alarms can be reduced by diagnosing the actual operation data 20 of the facility device 10 separately for each operation mode.
  • sensor data 22, alarm data 23, and information obtained from those data are used as separation conditions of the operation mode. For example, conditions such as a wind speed of 5 m / s or more and 20 m / s or less are set as separation conditions for extracting the steady state of the wind turbine.
  • the name of the diagnosis algorithm for detecting the abnormality of the facility device 10 is set.
  • K average method is used in the example of FIG. 4, it is not limited thereto, and may be principal component analysis, support vector machine, local subspace, or the like.
  • parameter information used in the “diagnostic algorithm” is set in the “parameter”.
  • the “learning period” an arbitrary period is extracted from the sensor data 22 of the actual operation data 20, and a range in which machine learning for creating the identification model is performed is set.
  • discrimination model learning unit 2 machine learning is performed using the discrimination model learning information 30 of FIG. 4, and the generated discrimination model is sent to the discrimination model check unit 3.
  • FIG. 5 is a diagram showing a configuration example of the identification model check information 40 stored in the identification model check unit 3 of FIG.
  • the identification model check information 40 is configured to include header information 41, learning information 42, and evaluation information 43.
  • the header information 41 and the learning information 42 are the same as the header information 31 and the learning information 32 of FIG. 4, and the evaluation information 43 includes “learning period”, “diagnosis period”, “abnormality occurrence period”, “abnormality detection period”, It is configured to include information such as "post process”.
  • the same period as the learning information 42 of FIG. 5 is set.
  • 0:00:00 to 23:59:59 on January 1, 2018 is set.
  • a period in which the abnormality detection period, the detection rate, the false alarm rate, and the false alarm rate are evaluated is set.
  • 23:59:59 is set from 0:00:00 on January 1, 2018 to 23:59 on February 1, the same year.
  • abnormality occurrence period of the evaluation information 43, a period in which an abnormality is observed within the set “diagnosis period” is recorded.
  • the abnormality of the equipment 10 has occurred for three times from 00 to 59 seconds.
  • abnormality detection period a period in which an abnormality of the facility device 10 is detected by the identification model is recorded within the period set in the “diagnosis period”.
  • diagnosis period In the example of FIG. 5, 23:00:00 on January 10, 2018 to 59 seconds, 23:00:00 on January 20, 2018 to 59 seconds, 23:00 on January 25, 2018.
  • the abnormality of the facility device 10 is detected by the identification model over four minutes from 00:00 to 00:00 to 59 seconds on January 30, 2018 from 00:00 to 59 seconds.
  • the “abnormality occurrence period” and the “abnormality detection period” of the evaluation information 43 overlap only once on January 10, 2018, and the others do not overlap. From this, the fact that the anomaly has not been detected twice (January 15, February 1) has occurred, and the false alarm of the anomaly has occurred three times (January 20, 25 and 30) I understand.
  • clustering can be performed using each data.
  • multivariate data eg, wind speed, current, temperature, etc.
  • clustering can be performed using each data.
  • the actual operation data 20 composed of n sensor data it is possible to assume an n-dimensional vector space having the n sensor data as a component.
  • the sensor data at each time is divided into clusters in an n-dimensional vector space, and if there is sensor data that does not belong to any cluster, the sensor data is regarded as abnormal, and the abnormality or abnormality in the equipment 10 It is determined that a sign of has appeared.
  • the concept of the degree of abnormality is introduced to determine to which cluster n-dimensional sensor data belongs.
  • the degree of abnormality can be defined based on the Euclidean distance between the position indicated by the sensor data and the center of the cluster closest to the position. Then, when the degree of abnormality exceeds a predetermined threshold value, the sensor data can be regarded as abnormal, whereby abnormality detection using the identification model can be performed.
  • FIG. 6 is a diagram showing a configuration example of the detection performance evaluation information 50 for evaluating the detection performance of the identification model.
  • the detection performance evaluation information 50 is configured to include information such as an abnormality occurrence list 51, a threshold evaluation table 52, an ROC (Receiver Operating Characteristic) curve 53, and the like.
  • abnormality occurrence list 51 of the detection performance evaluation information 50 whether or not there was actually abnormality in the period in which the “abnormality” and the “abnormality” of the evaluation data evaluated by the identification model were observed (“normal / abnormal” ") Register.
  • the evaluation data is data in the "diagnosis period" of the evaluation information 43 of FIG. 5, and the setting of "normal / abnormal” is set based on whether or not the data is in the "abnormality generation period". In the example of FIG. 6, five normal cases and ten abnormal cases have occurred.
  • the threshold evaluation table 52 includes “threshold of abnormality degree” and “detection rate”, “false alarm rate”, “malfunction rate”, “BER (balanced) of abnormality of the abnormality occurrence list 51 when changing this”. "Error Rate)" is stored.
  • the probability that the abnormality degree of the evaluation data is equal to or more than the "threshold of abnormality degree” and the abnormality is determined is stored.
  • the information rate there are stored the probability of being correctly determined as being abnormal and the probability of being not detected although being abnormal.
  • BER the average of “false alarm rate” and “misreported rate” corresponding to misclassification is stored.
  • the threshold value of the abnormality degree is 10
  • data of the abnormality degree 10 or more in the abnormality occurrence list 51 is determined to be abnormal.
  • the "detection rate” becomes 0.2 in order to determine 2 out of 10 abnormalities as abnormality
  • the "malfunction rate” becomes 0.8 in order to determine 8 cases as normal.
  • the “false alarm rate” is 0.2 because one out of five cases is judged to be abnormal.
  • the abnormality degree is used as a parameter for abnormality determination, but the duration of abnormality may be used as a parameter.
  • the values of these parameters are increased, it becomes difficult to catch abnormalities, so the detection rate and false alarm rate tend to decrease and the false alarm rate tends to increase.
  • the parameter value is decreased, it becomes easy to catch an abnormality, so the detection rate and false alarm rate increase, and the false alarm rate tends to decrease.
  • the “abnormality threshold” in the threshold evaluation table 52 is changed, and the “false alarm rate” is plotted on the horizontal axis and the “detection rate” is plotted on the vertical axis.
  • AUC Area Under the Curve
  • the area is 1 if complete identification is possible and 0.5 for random identification.
  • the ROC curve 53 in the example of FIG. 6 is an ROC curve obtained by plotting the “false alarm rate” and the “detection rate” in the threshold value evaluation table 52, and the AUC value thereof is 0.75.
  • the identification model check unit 3 holds the information of the identification model check information 40 of FIG. 5 and the detection performance evaluation information 50 of FIG. 6, and transmits the evaluation result based on both information to the notification unit 5.
  • the data generation unit 4 is requested to generate the abnormality simulation data 60 to complement or substitute the actual operation data 20.
  • the physical model is a model that expresses physical phenomena on a computer based on the operation principle of the target equipment.
  • FIG. 7 is a diagram showing a configuration example of the abnormality simulation data 60 generated by the data generation unit 4 of FIG. As shown here, the abnormality simulation data 60 includes machine data 61, simulation data 62, and abnormality information 63.
  • the machine data 61 includes information indicating the type, model, serial number, etc. of the equipment 10 such as “category”, “model”, “ID”, “operation data ID”, etc. It is done.
  • simulation data 62 values generated by simulation of a physical model that simulates the facility device 10 are registered in association with the simulation time.
  • the simulation data 62 is generated at a predetermined cycle.
  • each data of the wind speed of 1 second period, an electric current, and temperature are produced
  • the content of the failure mode set on the physical model is registered in association with its occurrence time.
  • the simulation data 62 and the abnormality information 63 are registered in the abnormality simulation data 60 based on the physical model, but processing data in which an offset value and noise are added to actual operation data, and components of the equipment 10 Experimental data or the like which has been intentionally deteriorated or broken may be registered in the abnormality simulation data 60 instead of the simulation data 62.
  • processing data there is an advantage that the user can easily prepare it simply by generating an appropriate numerical value, but the quality as the abnormality simulation data 60 is lower than when using a physical model, and experimental data
  • the quality as the abnormality simulation data 60 is high as compared with the case of using a physical model, the work until acquiring it becomes complicated. Based on such characteristics, it is possible to cause the data generation unit 4 to generate appropriate abnormality simulation data 60.
  • FIG. 8 is a diagram showing a configuration example of data generation information 70 for generating the abnormality simulation data 60, which is stored in advance in the data generation unit 4 of FIG.
  • the data generation information 70 is configured to include information such as the header information 71, the part specification 72, the configuration diagram 73, and the generation condition 74.
  • the header information 71 includes information such as “data type”, “category”, “model”, “ID”, “abnormality simulation data ID” and the like.
  • the “category”, “model”, and “ID” are data obtained from the machine data 21 of FIG. Further, as “data type”, information indicating the basis of the abnormality simulation data 60 is registered.
  • the physical model simulation data 60 is generated using the physical model, so “physical model simulation data” is registered in “data type”, but processing data and experimental data are used as a basis.
  • the effect may be registered in the "data type”.
  • the part specification 72 the specification or performance of a part related to an object or target for simulating an abnormality is set.
  • the weight, length, height, diameter, voltage, and current of the “electromagnetic brake” of the wind turbine are set.
  • the part specification 72 may be configured to include the part specification itself.
  • the generation condition 74 includes information such as “data generation item”, “failure condition”, “data cycle”, “data generation time” and the like.
  • the name of data obtained from one or more sensors or sensors used in the abnormality detection technique of the present embodiment is set.
  • the wind speed, the current, and the temperature are set.
  • the contents of the failure mode and the conditions under which the failure mode is generated are set in the “failure condition”.
  • the example of FIG. 8 shows that the component failure 1 occurs when the wind speed is 20 m / s or more.
  • a time at which a failure mode occurs may be set as the failure condition.
  • the “data cycle” and the “data generation time” respectively have a cycle and time for generating data.
  • the example of FIG. 8 indicates that the wind speed, current, and temperature data are generated for 24 hours in a one-second cycle.
  • the data generation unit 4 generates the simulation data 62 and the abnormality information 63 of FIG. 7 in accordance with the data generation information 70 of FIG. 8 and sends abnormality simulation data 60 including these to the identification model check unit 3 as evaluation data.
  • FIG. 9 is a view showing a configuration example of a learning data setting screen 80 displayed on the notification unit 5 of FIG. 1 before learning starts in the identification model learning unit 2.
  • the learning data setting screen 80 includes a learning data selection screen 80a, learning data 80a1, data reference button 80a2, learning button 80a3, learning data reference screen 80b, header information 80b1, learning information 80b2, data setting button 80b3. , Data output button 80b4, data generation button 80b5, and the like.
  • the user 15 can select any learning data from the learning data 80a1 via the learning data selection screen 80a.
  • the learning data can be selected by a radio button, but may be selected by a check box or the like.
  • the learning data reference screen 80b of the selected learning data 80a1 can be operated.
  • the header information 80b1 and the learning information 80b2 of the learning data reference screen 80b are information obtained from the identification model learning information 30 of FIG.
  • the user 15 can execute machine learning of the selected learning data 80 a 1 under the conditions of the learning information 80 b 2 to generate a discrimination model.
  • the user 15 presses the data setting button 80b3 via the learning data reference screen 80b to select “sensor selection”, “operation mode selection”, “preprocessing”, “diagnostic algorithm”, “diagnosis algorithm” for the learning information 80b2.
  • the edited content is used to create and hold the identification model learning information 30 of FIG. 4 as setting of new learning data.
  • the data output button 80b4 By pressing the data output button 80b4, it is possible to output the actual operation data 20 of FIG. 3 as learning data or the abnormality simulation data 60 of FIG. However, when there is no data, a blank or error screen etc. is displayed.
  • the generation data setting screen 81 of FIG. 10 can be displayed by pressing the data generation button 80b5.
  • FIG. 10 is a diagram showing a configuration example of the generated data setting screen 81 displayed by the notification unit 5 of FIG. 1 after the identification model learning unit 2 performs learning.
  • the generation data setting screen 81 is a generation data selection screen 81a, generation data 81a1, data information button 81a2, generation button 81a3, generation data information screen 81b, header information 81b1, component specification 81b2, configuration diagram 81b3, The generation condition 81 b 4, the data setting button 81 b 5 and the like are included.
  • the user 15 can select any generated data from among the generated data 81a1 via the generated data selection screen 81a.
  • the generated data can be selected by a radio button, but may be selected by a check box or the like.
  • the data information button 81a2 it is possible to operate the generated data information screen 81b of the selected generated data 81a1.
  • the header information 81b1 of the generated data information screen 81b, the part specification 81b2, and the configuration diagram 81b3 are information obtained from the data generation information 70 of FIG.
  • the generation button 81a3 By pressing the generation button 81a3, the user 15 can generate the selected generation data 81a1 under the condition of the generation condition 81b4.
  • the user 15 presses the data setting button 81b5 via the generated data information screen 81b to display the contents of "data generation item", “fault condition”, “data cycle” and “data generation time” of the generation condition 81b4. Can be edited freely.
  • the data generation information 70 of FIG. 8 is created and held as setting of new generation data as the edited contents.
  • FIG. 11 is a diagram showing a configuration example of the evaluation data setting screen 82 displayed by the notification unit 5 of FIG. 1 before the identification model evaluation by the identification model check unit 3.
  • the evaluation data setting screen 82 includes an evaluation data selection screen 82a, an evaluation data 82a1, a data reference button 82a2, an evaluation button 82a3, an evaluation data reference screen 82b, a header information 82b1, an evaluation information 82b2, a data setting button 82b3. , Data output button 82b4, data generation button 82b5, and the like.
  • the user 15 can select any evaluation data from among the evaluation data 82a1 via the evaluation data selection screen 82a.
  • evaluation data can be selected by a radio button in the example of FIG. 11, it may be selected by a check box or the like.
  • the evaluation data reference screen 82b of the selected evaluation data 82a1 can be operated.
  • the header information 82b1 and the evaluation information 82b2 of the evaluation data reference screen 82b are information obtained from the identification model check information 40 of FIG.
  • the user 15 can evaluate the selected evaluation data 82a1 under the condition of the evaluation information 82b2 by pressing the evaluation button 82a3.
  • the user 15 can freely edit the contents of the “diagnosis period” and the “post-processing” of the evaluation information 82b2 by pressing the data setting button 82b3 via the evaluation data reference screen 82b.
  • the edited contents are created as identification model check information 40 of FIG. 5 as setting of new evaluation data, and are held.
  • the data output button 82b4 By pressing the data output button 82b4, it is possible to output the actual operation data 20 of FIG. 3 as the evaluation data or the abnormality simulation data 60 of FIG. However, when there is no data, a blank or error screen etc. is displayed.
  • the generation data setting screen 81 of FIG. 10 can be displayed by pressing the data generation button 82b5.
  • the generated data setting screen 81 is distinguished from the generated data setting screen 81 called from the learning data setting screen 80 of FIG.
  • FIG. 12 is a diagram showing a configuration example of the detection performance evaluation screen 83 displayed by the notification unit 5 of FIG. 1 after the identification model evaluation by the identification model check unit 3.
  • the detection performance evaluation screen 83 includes an evaluation result setting screen 83a, an identification model name input column 83a1, an evaluation data ID input column 83a2, a post-processing range input column 83a3, an add button 83a4, a display button 83a5, and an evaluation result.
  • a display screen 83b, an abnormality occurrence list 83b1, an evaluation result 83b2, a graph display button 83b3, an ROC curve display button 83b4, an AUC value display button 83b5, and the like are included.
  • the user 15 can input a prescribed name in the identification model name input column 83a1 and the evaluation data ID input column 83a2 via the evaluation result setting screen 83a, and can set an arbitrary value in the post-processing range input column 83a3. Further, by pressing the add button 83a4, parameters of the post-processing range input field 83a3 can be added. The user 15 can operate the evaluation result display screen 83b by pressing the display button 83a5.
  • the user 15 can confirm the abnormality occurrence list 83b1 and the evaluation result 83b2 through the evaluation result display screen 83b.
  • the abnormality occurrence list 83b1 and the evaluation result 83b2 are information obtained from the detection performance evaluation information 50 of FIG.
  • the graph display button 83b3 it is possible to display a graph in which the vertical axis is the degree of abnormality and the horizontal axis is the date and time based on the information in the abnormality occurrence list 83b1.
  • an ROC curve based on the evaluation result 83b2 can be displayed (see FIG. 6), and by pressing the AUC value display button 83b5, the AUC value of the ROC curve is displayed.
  • the user 15 can determine the identification model to be adopted and the threshold value of the abnormality degree.
  • FIG. 13 is a flowchart illustrating an example of processing operation of the abnormality detection system according to the first embodiment.
  • the learning data input unit 1 inputs learning data to the identification model learning unit 2.
  • the identification model learning unit 2 performs machine learning using learning data, creates an identification model, and inputs the identification model to the identification model check unit 3.
  • the identification model checking unit 3 uses the actual operation data 20 to evaluate the detection performance of the identification model.
  • the identification model check unit 3 or the user 15 determines whether the actual operation data 20 is insufficient. If there is a shortage, the process proceeds to step S5, and if not, the process proceeds to step S7.
  • step S5 the data generation unit 4 creates the abnormality simulation data 60 and inputs the data to the identification model check unit 3. Thereafter, in step S6, the identification model checking unit 3 uses the abnormality simulation data 60 to evaluate the detection performance of the identification model. Finally, in step S7, the notification unit 5 notifies the user 15 of the evaluation result of the detection performance.
  • the user 15 can obtain a more accurate evaluation result of the detection performance of the identification model by complementing the lack of actual operation data with the abnormality simulation data, so that the abnormality of the facility device 10 is detected. It is possible to select an identification model that is most suitable for registration and register it in the state monitoring device 11.
  • the user 15 such as a system engineer who operates the abnormality detection performance evaluation device 12 can easily develop an identification model which is a main part of the abnormality detection technology of the facility device 10.
  • an identification model which is a main part of the abnormality detection technology of the facility device 10.
  • it is easy to confirm the detection performance of the identification model it is possible to select a more reliable identification model.
  • abnormalities such as components of the facility device 10 can be detected more quickly and more accurately, and as a result, such as a windmill requiring constant operation. It is possible to greatly suppress the stop time of the operation of the facility device 10.
  • the abnormality detection system of the second embodiment evaluates the detection performance of the identification model using each of the actual operation data 20 of the facility device 10 and the abnormality simulation data 60, and notifies the user of the final evaluation result obtained by weighting both evaluation results. By doing this, it is possible to promote the selection of an optimal discrimination model.
  • redundant description of common points with the first embodiment will be omitted, and different points will be described.
  • the abnormality detection system also basically has the same configuration as that of FIG. 2 of the first embodiment, and receives the operation data 20 from the state monitoring device 11 and uses the input operation data 20 to identify the identification model.
  • the generated identification model is used to identify whether the learning data for evaluation is appropriate.
  • FIG. 14 is a flowchart showing an example of processing operation in the second embodiment.
  • the learning data input unit 1 inputs learning data to the identification model learning unit 2.
  • the identification model learning unit 2 performs machine learning using learning data, creates an identification model, and inputs the identification model to the identification model check unit 3.
  • the identification model checking unit 3 uses the actual operation data 20 and the abnormality simulation data 60 to evaluate the detection performance of the identification model.
  • the identification model check unit 3 or the user 15 determines whether the abnormality simulation data 60 is insufficient. If not, the process proceeds to step S50. If not, the process proceeds to step S70.
  • step S ⁇ b> 50 the data generation unit 4 further creates the abnormality simulation data 60 and inputs the data to the identification model check unit 3. Thereafter, in step S60, the identification model checking unit 3 uses the added abnormality simulation data 60 to evaluate the detection performance of the identification model. Next, final evaluation is performed by weighting two types of evaluation results in step S70. Finally, in step S80, the notification unit 5 notifies the user 15 of the final evaluation of the detection performance.
  • the detection performance of the identification model is evaluated using each of the actual operation data 20 and the abnormality simulation data 60, and as shown in steps S70 and S80, two types of evaluation results are obtained.
  • the evaluation data is used as the abnormality simulation data 60 instead of the actual operation data 20.
  • the same abnormality simulation data 60 can be provided with respect to the same abnormality or failure, taking into consideration the difference in environment and conditions. Also, the effects of the present invention can be exhibited.
  • FIG. 15 is a diagram showing an example of the evaluation result weighting screen 84 displayed by the notification unit 5 of FIG. 1 when weighting the evaluation result in step S70.
  • the evaluation result weighting screen 84 is an output value setting screen 84a, an identification model name input field 84a1, an evaluation data input field 84a2, an output value input field 84a3, an add button 84a4, an output button 84a5, an output result display screen 84b, data type 84b1, output value 84b2, weighting button 84b3, weighting setting screen 84c, weight 84c1, evaluation value 84c2, number of data types 84c3, calculation formula display screen 84c4, evaluation button 84c5 and the like.
  • the user 15 can set an arbitrary value in the identification model name input field 84a1, the evaluation data input field 84a2, and the output value input field 84a3 via the output value setting screen 84a.
  • the value of the output value input column 84a3 is AUC variance, but may be the number of data, the number of samples, the SN ratio, or the like.
  • the item of the output value input field 84a3 can be added by pressing the add button 84a4. After determining the output value, the user 15 activates the output result display screen 84b by pressing the output button 84a5.
  • the user 15 can confirm the data type 84b1 and the output value 84b2 via the output result display screen 84b.
  • the data type 84b1 and the output value 84b2 is information that is calculated based on the input of the output value input field 84a3 and evaluation data input column 84A2, in the example of FIG. 15, AUC variance sigma 1 based on production data 2 , AUC variance ⁇ 2 2 based on physical model simulation data, AUC variance ⁇ 3 2 2 based on experimental data, and four kinds of output values 84b 2 of AUC variance ⁇ 4 2 based on processed data are displayed. Then, by pressing the weighting button 84b3, the evaluation value can be weighted based on the value of the output value 84b2.
  • the weight 84c1 is "AUC variance”
  • the evaluation value 84c2 is "AUC value”
  • the number of data types 84c3 is "4", and the calculation formula in that case is output to the calculation formula display screen 84c4. It is done.
  • the user 15 By pressing the evaluation button 84c5, the user 15 weights the evaluation value 84c2 with the calculation formula output on the calculation formula display screen 84c4, and notifies the user 15 of the weighted average as the final evaluation.
  • the user 15 can obtain the final evaluation obtained by weighting the evaluation results of the plurality of detection performances through the notification unit 5, and selects the most suitable identification model in detecting the abnormality of the facility device 10. be able to.
  • the user 15 such as a system engineer who operates the abnormality detection performance evaluation device 12 develops an identification model which is a main part of the abnormality detection technology of the facility device 10 as in the first embodiment. It becomes easy.
  • the present embodiment when evaluating the detection performance of each discrimination model, since a plurality of evaluation results are weighted and used, more reliable identification than in the first embodiment in which such processing is not performed Allows selection of models.
  • Example 1 and Example 2 are an example of embodiment in the case of implementing this invention, and the technical scope of this invention is not limited. That is, the present invention can be practiced in various forms without departing from the technical spirit, features and characteristics of the present invention.

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

設備機器の異常時のデータ量は少なく、データの追加が難しい。そのため識別モデルの検知性能を確認しても、その信頼性は低い。　本発明に係る異常検知システムは、学習データを入力する学習データ入力部と、前記学習データから識別モデルを作成する識別モデル学習部と、前記識別モデルの検知性能を評価する識別モデルチェック部と、評価に必要な異常模擬データを生成するデータ生成部と、前記識別モデルの評価結果を通知する通知部と、を有し、異常データが少ないと判定された場合には、前記データ生成部で異常模擬データを生成する。

Description

異常検知システム、異常検知方法、および、プログラム
　本発明は、機械学習装置が生成した、設備機器の正常、異常の識別モデルの評価に適した環境を整備できる異常検知システム、及び、同システムで用いられる異常検知方法、プログラムに関する。
　風車のように常時稼動が予定された設備機器では、稼動率を向上させるために、或いは、深刻な事故の発生を防止するために、構成部品の異常を事前に検知することが求められている。そのために、設備機器の稼動時間に合わせて定期的に保守するという、時間基準の従来の予防保全から、設備機器の状態に合わせて随時に保守するという、状態基準の新たな予防保全への移行が進みつつある。
　状態基準の予防保全を実現するには、設備機器に取り付けた各種センサを介して得られる実稼動データを基に、所定の異常検知方法によって設備機器の異常や異常予兆を検知することが重要である。
　異常検知方法には機械学習を利用した方法がある。この方法では、まず正常時のデータを学習し、正常の識別モデルを作成する。そして、設備機器から得られる実稼動データが識別モデルの定義する正常範囲から閾値以上外れているかどうかで、設備機器が正常か異常かを判定する。
　但し、この異常検知方法の実行前には、用意した識別モデルで設備機器の異常を正確に検知可能か確認しておく必要があり、そのためには、各故障で観測される多種多様な異常時の標本データを用いて識別モデルの適否を検査する必要がある。
　このように、識別モデルの適否の判断には十分な数の標本データが必要となり、標本データが不足する場合には、識別モデルが用意した標本データに過剰適合する可能性もある。このため、特許文献１には、段落００３３で「分類対象の難しさと事前に仮定している識別モデルの複雑さとによって適切なデータ数のおよその数を知り、現状のデータ数で足りているか不足しているかを判定することができる。特に、訓練データの数が足りている場合には問題無いが、不足している場合には正しい判定を行えない可能性が高い。そのため、訓練データの数が不足している場合には、データを補充する必要があるメッセージを出して現状の訓練データだけでは過剰適合が発生する可能性があり、良好な性能が得られないことを知らせる必要がある。」と説明されるように、識別モデルの学習時に実稼動データやその他の情報が不足しているか否かを判定し、判定結果に応じてユーザにデータの追加を促すメッセージを通知する手法が開示されている。
特開2016-133895号公報
　上述したように、特許文献１の技術は、識別モデルの学習に必要なデータやその他の情報の不足を検知し、必要とされるデータ等の追加をユーザに促すことで学習の過剰適合を避けている。
　しかしながら、発生頻度の低い異常時のデータの追加が求められても、そのようなデータは標本数が少なく、データの追加が難しいことが多い。そのため、データ不足の状態で識別モデルの検知性能を確認せざるを得ず、その評価結果の信頼性は低いものとなり、結果的に、異常検知の性能も低いものとなっていた。
　そこで、本発明は、データ標本の不足分を補完する検証用データを生成し、これを用いて補完した異常時のデータを基に、識別モデルを適正に評価できる異常検知システム等を提供することを目的とする。
　本発明に係る異常検知システムは、学習データを入力する学習データ入力部と、前記学習データから識別モデルを作成する識別モデル学習部と、前記識別モデルの検知性能を評価する識別モデルチェック部と、評価に必要な異常模擬データを生成するデータ生成部と、前記識別モデルの評価結果を通知する通知部と、を有するものとした。
　本発明によれば、識別モデルの適否の評価に利用する異常データの標本が不足する場合であっても、その不足を異常模擬データで補完することで、識別モデルを適正に評価することができる。そして、適切な識別モデルを用いて設備機器の異常を検知することで、設備機器の異常を高精度に検知することができる。
実施例１の異常検知システムの主要部を例示した図。 実施例１の異常検知システムと保守員、監視員、ユーザの関係を示した図。 図１の学習データ入力部から入力される、実稼動データの構成例を示した図。 図１の識別モデル学習部に記憶される、識別モデルの学習情報の構成例を示した図。 図１の識別モデルチェック部に記憶される、識別モデルのチェック情報の構成例を示した図。 識別モデルの検知性能を評価する情報の構成例を示した図。 図１のデータ生成部で生成される、異常模擬データの構成例を示した図。 図１のデータ生成部に記憶される、異常模擬データを生成するための情報の構成例を示した図。 図１の通知部で表示される学習データ設定画面の構成例を示した図。 図１の通知部で表示される生成データ設定画面の構成例を示した図。 図１の通知部で表示される評価データ設定画面の構成例を示した図。 図１の通知部で表示される検知性能評価画面の構成例を示した図。 実施例１での処理動作例を示すフローチャート。 実施例２での処理動作例を示すフローチャート。 図１の通知部で表示される評価結果重み付け画面の例を示した図。
　以下、本発明の実施形態を図面に基づいて説明する。
　図１から図１３を用いて、本発明の実施例１について説明する。
　図１は、本実施例の異常検知システムの主要部を例示した図である。ここに示すように、本実施例の異常検知システムは、学習データ入力部１、識別モデル学習部２、識別モデルチェック部３、データ生成部４、通知部５から構成される。これらは実際には演算処理装置(CPU(Central Processing Unit)、MPU(Micro Processing Unit)など)、記憶装置(半導体メモリ、ハードディスクなど)、入出力装置(キーボード、マウス、表示装置、通信装置など)等を備えた、いわゆるコンピュータによって構成されており、演算処理装置が記憶装置に記憶されたプログラムを実行することで各機能が実現される。
　学習データ入力部１には、正常か異常かを識別したい設備機器に関する学習データが記憶されており、その学習データは識別モデル学習部２に送られる。
　識別モデル学習部２は、学習データ入力部１から送られた学習データを用いて機械学習を行い、設備機器が正常か異常かを識別するための識別モデルを作成する。
　識別モデルチェック部３は、識別モデル学習部２で作成された識別モデルの検知性能を評価し、評価結果を通知部５に送る。また、検知性能の評価に用いる異常データが不足している場合には、データ生成部４に不足している異常データ等に相当する補完データの生成を要求する。
　データ生成部４は、識別モデルチェック部３の要求に従い、必要な補完データを生成する。生成された補完データは識別モデルチェック部３に送られる。
　通知部５は、識別モデルチェック部３による識別モデルの評価結果をユーザに通知する。
　図２は、本実施例の異常検知システムと保守員、監視員、ユーザの関係の概略を示した図である。ここに示すように、本実施例の異常検知システムは、設備機器１０、状態監視装置１１、異常検知性能評価装置１２から構成されており、保守員１３が設備機器１０を保守・点検し、監視員１４が状態監視装置１１から診断結果を受け、ユーザ１５が異常検知性能評価装置１２から受けた評価結果を基に追加・修正・選択などの作業を実行することを示している。なお、図１に示した異常検知システムの主要部は、図２では異常検知性能評価装置１２に内蔵されるものであるが、設備機器１０、状態監視装置１１、異常検知性能評価装置１２の三者は分離独立した構成である必要はなく、三者が一体となった構成としても良いし、状態監視装置１１、異常検知性能評価装置１２が一体となった構成としても良い。
　設備機器１０は、機械的な動作をすることで所定の機能や動作を実現する、風車や鉱山機器などの機器であり、状態監視装置１１によって監視される。設備機器１０には、不足センサ、電流センサ、温度センサなどの各種センサが取り付けられており、各種センサから計測されたセンサデータは有線や無線の通信システムを通じて、または記憶装置や記憶媒体に書き込まれて、実稼動データ２０として状態監視装置１１に送られる。
　状態監視装置１１は、表示装置、操作盤、制御コンピュータなどによって構成され、設備機器１０から収集した実稼動データ２０を基に、所定の異常検知技術（識別モデル）によって設備機器１０の異常の有無を診断し、その診断結果を監視員１４（設備機器設置場所に駐在する管理者等）に発報する。監視員１４は定期的に、または診断結果に基づき設備機器１０の異常、異常予兆が検知されたときに、保守員１３（設備機器を製造したメーカーの技術者等）に指示を出す。保守員１３は監視員１４の指示に従い、設備機器１０の保守・点検を行う。
　異常検知性能評価装置１２は、パーソナルコンピュータやワークステーションによって構成され、ユーザ１５（状態監視装置のプログラムを開発するシステムエンジニア等）が設備機器１０の異常検知技術を開発するのを支援する。すなわち、ユーザ１５は状態監視装置１１から取得した学習用の実稼動データ２０や、ドメイン知識を用いて設備機器１０の異常検知技術を開発し、提供する。ここで、異常検知性能評価装置１２はユーザ１５が開発した異常検知技術の検知性能を評価する機能を有しており、評価結果をユーザ１５に通知する。
　以上のようにして、ユーザ１５が開発し、異常検知性能評価装置１２が適切と評価した設備機器１０の異常検知技術は状態監視装置１１に登録されるため、状態監視装置１１では、適切な識別モデルを用いて設備機器１０を監視することができる。
　以下では、図３から図１３を用いて、実施例１の異常検知システムをより具体的に説明する。実施例１の異常検知システムは、識別モデルの評価データを必要に応じて生成し、評価結果をユーザに通知することによって最適な識別モデルの決定を促すものである。
　一例として、状態監視装置１１から実稼動データ２０が入力され、入力された実稼動データ２０から識別モデルを作成し、作成した識別モデルで評価用のデータが正常か異常かを識別するという異常検知性能評価装置１２を考える。
　図３は、図１の学習データ入力部１から学習データとして入力される、実稼動データ２０の構成例を示した図である。ここに示すように、実稼動データ２０は、マシンデータ２１、センサデータ２２、アラームデータ２３から構成される。
　マシンデータ２１は、「カテゴリ」、「機種」、「ID」、「稼動データID」からなるテ
ーブルであり、設備機器１０の種別（例えば、風車、鉱山機器）、型式（例えば、Ａ、Ｂ、Ｃ）、製造番号（例えば、001、002）などを表すデータが含まれている。
　センサデータ２２は、設備機器１０に取り付けられた各種センサから所定周期で取得された値が、その取得時刻と関連付けて記録されたテーブルである。図３のセンサデータ２２は、稼動データID「WA001」に対応する、「Ａ」機種、ID「001」の「風車」で取得されたデータであり、１秒周期で取得された風速、電流、温度の各データを示している。なお、センサデータ２２の項目は設備機器１０の種別毎に異なっても良く、例えば、設備機器１０がショベルカーやダンプカー等の鉱山機器である場合は、センサで測定した移動速度、位置、積載量などを記録した構成としても良い。
　アラームデータ２３は、設備機器１０に起きた異常やモード変化を、その発生時刻と対応付けて記録したテーブルである。図３の例は、２０１８年２月１日の０時１０分００秒にアラームID「１０００」が発生し、０時２０分００秒にアラームID「１００１」が発生した後、０時２０分３０秒にアラームID「１０００」が解除されたことを示している。なお、各々のアラームIDは、後述する故障モード（例えば、「部品故障１」、「部品故障２」など）や運転モードの組合せに対応する値であり、一つのアラームIDで複数の故障やモード変化の発生を示すことができる。
　学習データ入力部１は、図３の実稼動データ２０の情報を保持しており、識別モデルを生成する際に利用する学習データとして、実稼動データ２０を識別モデル学習部２へ送信する。
　図４は、図１の識別モデル学習部２に記憶される、識別モデル学習情報３０の構成例を示した図である。ここに示すように、識別モデル学習情報３０は、ヘッダ情報３１、学習情報３２を含んで構成される。
　ヘッダ情報３１は「データ種類」、「カテゴリ」、「機種」、「ID」、「稼動データID」、「故障モード」などの情報を含んで構成される。なお、「カテゴリ」、「機種」、「ID」、「稼動データID」は、実稼動データ２０のマシンデータ２１から得られるデータである。「データ種類」はそのデータの出自を表すものであり、「実稼動データ」の他、後述する「加工データ」、「シミュレーションデータ」といった区分が設定される。「故障モード」には、検知対象となる設備機器１０の故障の名称または故障部位の名称が設定され、故障がない場合には「正常」と設定され、故障がある場合には「部品故障１」のように設定される。
　また、学習情報３２は「センサ選択」、「運転モード選択」、「前処理」、「診断アルゴリズム」、「パラメータ」、「学習期間」などの、識別モデルの生成に必要な情報を含んで構成される。なお、学習情報３２は、設備機器１０の「機種」、「ID」または「故障モード」毎にそれぞれ作成される。
　学習情報３２の「センサ選択」には、設備機器１０に取り付けられた各種センサのうち、本実施例の異常検知に用いるセンサ、またはそのセンサから得られるデータの名称が設定される。図４の例では、風速、電流、温度が設定されている。
　学習情報３２の「運転モード選択」には、設備機器１０の運転モードが設定される。運転モードの名称は監視員によって予め定義付けられており、その中から現在の運転モードを示すものが選択される。図４の例では、正常運転が設定されている。
　学習情報３２の「前処理」には、センサデータの変換処理及び運転モードの分離条件などが設定される。変換処理にはノイズ除去のためのフィルタリング処理や移動平均処理などがあり、運転モードの分離条件とは設備機器１０の正常状態や異常状態を定義するための条件のことである。
　一般的に設備機器１０の状態は、所定の機能や動作の形態が時間的に変化しない定常状態と、定常状態に到達するまでの過渡的な過程である非定常状態がある。また、定常状態は一つとは限らず、条件毎に別の状態に遷移するため、設備機器１０の全ての実稼動データ２０を用いて異常を診断した場合、診断結果に誤報が頻繁に現れる。そのため、設備機器１０の実稼動データ２０を運転モード毎に分離して診断することで、誤報を低減させることができる。本実施例では運転モードの分離条件にセンサデータ２２、アラームデータ２３及びそれらのデータから得られる情報を用いる。例えば、風車の定常状態を抽出するための分離条件として風速5m/s以上かつ20m/s以下というような条件が設定される。
　また、学習情報３２の「診断アルゴリズム」の情報としては設備機器１０の異常を検知するための診断アルゴリズムの名称が設定される。図４の例ではK平均法としているが、それに限定されず、主成分分析、サポートベクターマシン、局所部分空間などであってもよい。なお、「パラメータ」には「診断アルゴリズム」で用いられるパラメータ情報が設定される。また、「学習期間」には実稼動データ２０のセンサデータ２２から任意の期間を抽出し、識別モデルを作成するための機械学習が実施された範囲を設定する。
　識別モデル学習部２では、図４の識別モデル学習情報３０を用いて機械学習が行われ、作成された識別モデルは識別モデルチェック部３へ送られる。
　図５は、図１の識別モデルチェック部３に記憶される、識別モデルチェック情報４０の構成例を示した図である。ここに示すように、識別モデルチェック情報４０は、ヘッダ情報４１、学習情報４２、評価情報４３を含んで構成される。ヘッダ情報４１と学習情報４２は、図４のヘッダ情報３１と学習情報３２と同様であり、評価情報４３は「学習期間」、「診断期間」、「異常発生期間」、「異常検知期間」、「後処理」などの情報を含んで構成される。
　評価情報４３の「学習期間」には、図５の学習情報４２と同じ期間が設定される。図５の例では、２０１８年１月１日の０時００分００秒から２３時５９分５９秒が設定されている。
　評価情報４３の「診断期間」には、異常検知期間、検知率、誤報率、失報率を評価した期間が設定される。図５の例では、２０１８年１月１日の０時００分００秒から同年２月１日の２３時５９分５９秒が設定されている。
　評価情報４３の「異常発生期間」には、設定された「診断期間」内に異常が観測された期間が記録される。図５の例では、２０１８年１月１０日の２３時００分００秒から５９秒、２０１８年１月１５日の２３時００分００秒から５９秒、２０１８年２月１日の２３時００分００秒から５９秒の三度に亘り、設備機器１０の異常が発生している。
　評価情報４３の「異常検知期間」には、「診断期間」で設定された期間内に識別モデルによって設備機器１０の異常を検知した期間が記録される。図５の例では、２０１８年１月１０日の２３時００分００秒から５９秒、２０１８年１月２０日の２３時００分００秒から５９秒、２０１８年１月２５日の２３時００分００秒から５９秒、２０１８年１月３０日の２３時００分００秒から５９秒の四度に亘り、識別モデルによって設備機器１０の異常が検知されている。
　なお、図５の例では、評価情報４３の「異常発生期間」と「異常検知期間」で重複するのは、２０１８年１月１０日の１回のみであり、他は重複していない。このことから、異常の未検出が２回（１月１５日、２月１日）発生しており、異常の誤報が３回（１月２０日、２５日、３０日）発生していることが分かる。
　また、図３のセンサデータ２２のような多変量のデータ（風速、電流、温度など）がある場合には、それぞれのデータを用いてクラスタリングをすることができる。一般的なクラスタリングにおいて、n個のセンサデータから構成される実稼動データ２０では、そのn個のセンサデータを成分としたn次元のベクトル空間を想定することができる。各時刻におけるセンサデータはn次元のベクトル空間の中で各クラスタに分けられ、いずれのクラスタにも属さないセンサデータがあった場合にはそのセンサデータを異常とみなし、設備機器１０において異常または異常の予兆が現れたと判定する。ここで、n次元のセンサデータがどのクラスタに属しているか否かを判定するために異常度の概念が導入される。例えば異常度はセンサデータが示す位置とその位置に最も近いクラスタの中心とのユークリッド距離に基づいて定義することができる。そして、その異常度が任意に定められた閾値を越えた場合に、そのセンサデータを異常とみなすことで、識別モデルを用いた異常検知を実施することができる。
　評価情報４３の「後処理」には、設備機器１０の異常を検知する際に用いられる異常判定の条件が設定される。図５の例では、５以上の異常度が１０秒以上継続したときに、異常と判定している。また、図５の例では異常判定の条件は異常度であったが、図３のアラームデータ２３の「アラームID」の値を基に異常判定を行ってもよい。
　図６は、識別モデルの検知性能を評価するための、検知性能評価情報５０の構成例を示した図である。ここに示すように、検知性能評価情報５０は、異常発生リスト５１、閾値評価表５２、ROC(Receiver Operating Characteristic)曲線５３などの情報を含んで構成される。
　検知性能評価情報５０の異常発生リスト５１には、識別モデルによって評価された評価データの「異常度」とその「異常度」が観測された期間に実際に異常があったか否か(「正常/異常」)を登録する。なお、評価データとは、図５の評価情報４３の「診断期間」内のデータのことであり、「正常/異常」の設定は「異常発生期間」内のデータか否かで設定する。図６の例では、正常が５件、異常が１０件、発生している。なお、ここでは、異常発生しているのに異常度が低い場合（異常度「２」で「異常」）や、異常発生していないのに異常度が高い場合（異常度「１０」で「正常」）もあるが、これらは、診断モデルが最適化されていないことや、センサ出力に異常があること等が原因で、求めた異常度が正確でなかったと考えられる。
　閾値評価表５２には、「異常度の閾値」と、これを変化させた場合の、異常発生リスト５１の異常の「検知率」、「誤報率」、「失報率」、「BER(Balanced Error Rate)」を格納させる。
　検知性能評価情報５０の閾値評価表５２の「検知率」には、評価データの異常度が「異常度の閾値」以上となり、異常と判定された確率が格納され、「誤報率」及び「失報率」にはそれぞれ正常なのに異常と誤判定された確率及び異常なのに検知されなかった確率が格納される。また、「BER」には誤分類に相当する「誤報率」と「失報率」の平均が格納される。
　例えば、「異常度の閾値」を１０とした場合、異常発生リスト５１の異常度１０以上のデータを異常と判定する。この閾値１０を用いると、異常１０件のうち２件を異常と判定するため「検知率」は０．２となり、８件を正常と判定するため「失報率」は０．８となり、正常５件のうち１件を異常と判定するため「誤報率」は０．２となる。これらの値が閾値評価表５２に格納され、「BER」には「誤報率」と「失報率」の平均である０．５が格納される。
　図６の例では、異常度を異常判定のパラメータとしているが、異常の継続時間などをパラメータとしてもよい。なお、一般的にはこれらのパラメータの値を大きくしていくと、異常を捉えにくくなるため、検知率、誤報率は低下し、失報率は増加する傾向にある。一方、パラメータの値を小さくしていくと、異常をとらえやすくなるため、検知率、誤報率は増加し、失報率は低下する傾向にある。
　検知性能評価情報５０のROC曲線５３には、閾値評価表５２の「異常度の閾値」を変化させ、横軸に「誤報率」、縦軸に「検知率」をプロットしたものが表示される。ここで、ROC曲線下の面積はAUC(Area Under the Curve)値と呼ばれ、識別モデルの検知性能の良さを表す。完全な識別が可能な場合には面積は１となり、ランダムな識別である場合には0.5になる。図６の例のROC曲線５３は、閾値評価表５２の「誤報率」と「検知率」をプロットしたROC曲線であり、そのAUC値は0.75となっている。
　識別モデルチェック部３は、図５の識別モデルチェック情報４０と、図６の検知性能評価情報５０の情報を保持しており、両情報に基づく評価結果を通知部５へ送信するが、識別モデルの検知性能を評価するための実稼動データ２０が不足している場合には、データ生成部４に実稼動データ２０を補完あるいは代替させる異常模擬データ６０の生成を要請する。
　データ生成部４で異常模擬データ６０を生成する方法の一例としては、物理モデルによるシミュレーションを利用する方法がある。物理モデルとは対象とする設備機器の動作原理から計算機上で物理現象を表現するモデルのことである。
　図７は、図１のデータ生成部４で生成される異常模擬データ６０の構成例を示した図である。ここに示すように、異常模擬データ６０は、マシンデータ６１、シミュレーションデータ６２、異常情報６３から構成される。
　マシンデータ６１には、図３のマシンデータ２１と同様に、「カテゴリ」、「機種」、「ID」、「稼動データID」など設備機器１０の種別、型式、製造番号などを表す情報が含まれている。
　シミュレーションデータ６２には、設備機器１０を模擬した物理モデルのシミュレーションによって生成された値が、そのシミュレーション時刻に対応付けられて登録される。また、シミュレーションデータ６２は予め定められた周期で生成される。図７の例では、設備機器１０が風車である場合のシミュレーションデータ６２として、１秒周期の風速、電流、温度の各データが生成されているが、これらの項目はそれぞれの設備機器１０を模擬した物理モデルによって項目構成が異なっていてもよい。
　異常情報６３には、物理モデル上で設定した故障モードの内容が、その発生時刻に対応付けられて登録される。
　図７では、物理モデルに基づく、シミュレーションデータ６２、異常情報６３を異常模擬データ６０に登録しているが、実稼動データにオフセット値やノイズを入れた加工データや、設備機器１０の構成部品を意図的に劣化・故障をさせた実験データなどを、シミュレーションデータ６２に代えて異常模擬データ６０に登録してもよい。加工データを用いる場合は、ユーザが適当な数値を生成するだけで簡易に用意できるという利点がある反面、物理モデルを利用する場合に比べ異常模擬データ６０としての品質が低くなり、また、実験データを用いる場合は、物理モデルを利用する場合に比べ異常模擬データ６０としての品質が高い反面、それを取得するまでの作業が煩雑となる。このような特性を踏まえ、データ生成部４に適切な異常模擬データ６０を生成させることができる。
　図８は、図１のデータ生成部４に予め記憶されている、異常模擬データ６０を生成するためのデータ生成情報７０の構成例を示した図である。ここに示すように、データ生成情報７０は、ヘッダ情報７１、部品仕様７２、構成図７３、生成条件７４などの情報を含んで構成される。
　ヘッダ情報７１には、「データ種類」「カテゴリ」、「機種」、「ID」、「異常模擬データID」などの情報を含んで構成される。「カテゴリ」、「機種」、「ID」は、図３のマシンデータ２１から得られるデータである。また、「データ種類」は、異常模擬データ６０の根拠を示す情報が登録される。図８の例では、物理モデルを利用して異常模擬データ６０を生成する状況であるため、「データ種別」には「物理モデルシミュレーションデータ」が登録されているが、加工データや実験データを基に異常模擬データ６０を生成する場合は、「データ種別」にその旨を登録すればよい。
　部品仕様７２には、異常を模擬する対象あるいは対象に係わる部品の仕様や性能が設定される。図８の例では、風車の「電磁ブレーキ」の重量、長さ、高さ、径、電圧、電流が設定されている。この部品仕様７２には部品の仕様書そのものを含んで構成されていてもよい。
　構成図７３には、部品仕様７２の部品の外観や構成などの情報が設定される。図８の例では、風車の電磁ブレーキの模式図が表示されている。
　生成条件７４には、「データ生成項目」、「故障条件」、「データ周期」、「データ生成時間」などの情報を含んで構成される。
　「データ生成項目」には、本実施例の異常検知技術に用いられる１つ以上のセンサまたはセンサから得られるデータの名称が設定される。図８の例では、風速、電流、温度が設定されている。
　「故障条件」には、故障モードの内容と故障モードが発生する条件が設定される。図８の例では、風速が20m/s以上の場合に部品故障１が発生することを示している。また、故障条件には故障モードが発生する時間などを設定してもよい。
　「データ周期」、「データ生成時間」には、それぞれデータを生成する周期と時間が設定される。図８の例では、風速、電流、温度のデータが1秒周期で24時間分生成されることを示している。
　データ生成部４では、図８のデータ生成情報７０に従い、図７のシミュレーションデータ６２、異常情報６３が生成され、これらを含む異常模擬データ６０が評価データとして識別モデルチェック部３へ送られる。
　図９は、識別モデル学習部２での学習開始前に、図１の通知部５に表示される、学習データ設定画面８０の構成例を示した図である。ここに示すように、学習データ設定画面８０は、学習データ選択画面８０ａ、学習データ８０ａ１、データ参照ボタン８０ａ２、学習ボタン８０ａ３、学習データ参照画面８０ｂ、ヘッダ情報８０ｂ１、学習情報８０ｂ２、データ設定ボタン８０ｂ３、データ出力ボタン８０ｂ４、データ生成ボタン８０ｂ５などを含んで構成される。
　ユーザ１５は、学習データ選択画面８０ａを介して、学習データ８０ａ１の中から任意の学習データを選択できる。図９の例では、学習データをラジオボタンで選択できるようになっているが、チェックボックスなどで選択できるようにしてもよい。また、データ参照ボタン８０ａ２を押すことで、選択した学習データ８０ａ１の学習データ参照画面８０ｂを操作することができる。ここで、学習データ参照画面８０ｂのヘッダ情報８０ｂ１、学習情報８０ｂ２は図４の識別モデル学習情報３０から得られる情報である。ユーザ１５は学習ボタン８０ａ３を押すことで、選択した学習データ８０ａ１を学習情報８０ｂ２の条件で機械学習を実行し、識別モデルを生成することができる。
　また、ユーザ１５は、学習データ参照画面８０ｂを介して、データ設定ボタン８０ｂ３を押すことで、学習情報８０ｂ２の「センサ選択」、「運転モード選択」、「前処理」、「診断アルゴリズム」、「パラメータ」、「学習期間」の内容を自由に編集できる。編集した内容は新たな学習データの設定として図４の識別モデル学習情報３０が作成され、保持される。データ出力ボタン８０ｂ４を押すことで、学習データである図３の実稼動データ２０あるいは図７の異常模擬データ６０を出力することができる。ただし、データが無い場合には空白もしくはエラー画面などを表示する。さらに、データ生成ボタン８０ｂ５を押すことで、図１０の生成データ設定画面８１を表示することができる。
　図１０は、識別モデル学習部２での学習実行後に、図１の通知部５で表示される、生成データ設定画面８１の構成例を示した図である。ここに示すように、生成データ設定画面８１は、生成データ選択画面８１ａ、生成データ８１ａ１、データ情報ボタン８１ａ２、生成ボタン８１ａ３、生成データ情報画面８１ｂ、ヘッダ情報８１ｂ１、部品仕様８１ｂ２、構成図８１ｂ３、生成条件８１ｂ４、データ設定ボタン８１ｂ５などを含んで構成される。
　ユーザ１５は、生成データ選択画面８１ａを介して、生成データ８１ａ１の中から任意の生成データを選択できる。図１０の例では、生成データをラジオボタンで選択できるようになっているが、チェックボックスなどで選択できるようにしてもよい。また、データ情報ボタン８１ａ２を押すことで、選択した生成データ８１ａ１の生成データ情報画面８１ｂを操作することができる。ここで、生成データ情報画面８１ｂのヘッダ情報８１ｂ１、部品仕様８１ｂ２、構成図８１ｂ３は図８のデータ生成情報７０から得られる情報である。ユーザ１５は生成ボタン８１ａ３を押すことで、選択した生成データ８１ａ１を生成条件８１ｂ４の条件で生成することができる。
　また、ユーザ１５は生成データ情報画面８１ｂを介して、データ設定ボタン８１ｂ５を押すことで、生成条件８１ｂ４の「データ生成項目」、「故障条件」、「データ周期」、「データ生成時間」の内容を自由に編集できる。編集した内容は新たな生成データの設定として図８のデータ生成情報７０が作成され、保持される。
　図１１は、識別モデルチェック部３での識別モデル評価前に、図１の通知部５で表示される、評価データ設定画面８２の構成例を示した図である。ここに示すように、評価データ設定画面８２は、評価データ選択画面８２ａ、評価データ８２ａ１、データ参照ボタン８２ａ２、評価ボタン８２ａ３、評価データ参照画面８２ｂ、ヘッダ情報８２ｂ１、評価情報８２ｂ２、データ設定ボタン８２ｂ３、データ出力ボタン８２ｂ４、データ生成ボタン８２ｂ５などを含んで構成される。
　ユーザ１５は、評価データ選択画面８２ａを介して、評価データ８２ａ１の中から任意の評価データを選択できる。図１１の例では評価データをラジオボタンで選択できるようになっているが、チェックボックスなどで選択できるようにしてもよい。また、データ参照ボタン８２ａ２を押すことで、選択した評価データ８２ａ１の評価データ参照画面８２ｂを操作することができる。ここで、評価データ参照画面８２ｂのヘッダ情報８２ｂ１、評価情報８２ｂ２は図５の識別モデルチェック情報４０から得られる情報である。ユーザ１５は評価ボタン８２ａ３を押すことで、選択した評価データ８２ａ１を評価情報８２ｂ２の条件で評価することができる。
　また、ユーザ１５は評価データ参照画面８２ｂを介して、データ設定ボタン８２ｂ３を押すことで、評価情報８２ｂ２の「診断期間」、「後処理」の内容を自由に編集できる。編集した内容は新たな評価データの設定として図５の識別モデルチェック情報４０が作成され、保持される。データ出力ボタン８２ｂ４を押すことで、評価データである図３の実稼動データ２０あるいは図７の異常模擬データ６０を出力することができる。ただし、データが無い場合には空白もしくはエラー画面などを表示する。さらに、データ生成ボタン８２ｂ５を押すことで、図１０の生成データ設定画面８１を表示することができる。ただし、この生成データ設定画面８１は図９の学習データ設定画面８０から呼び出した生成データ設定画面８１とは区別する。
　図１２は、識別モデルチェック部３での識別モデル評価後に、図１の通知部５で表示される、検知性能評価画面８３の構成例を示した図である。ここに示すように、検知性能評価画面８３は、評価結果設定画面８３ａ、識別モデル名称入力欄８３ａ１、評価データID入力欄８３ａ２、後処理範囲入力欄８３ａ３、追加ボタン８３ａ４、表示ボタン８３ａ５、評価結果表示画面８３ｂ、異常発生リスト８３ｂ１、評価結果８３ｂ２、グラフ表示ボタン８３ｂ３、ROC曲線表示ボタン８３ｂ４、AUC値表示ボタン８３ｂ５などを含んで構成される。
　ユーザ１５は、評価結果設定画面８３ａを介して、識別モデル名称入力欄８３ａ１、評価データID入力欄８３ａ２に規定の名称を入力でき、後処理範囲入力欄８３ａ３に任意の値を設定できる。また、追加ボタン８３ａ４を押すことで、後処理範囲入力欄８３ａ３のパラメータを追加することができる。ユーザ１５は表示ボタン８３ａ５を押すことで評価結果表示画面８３ｂを操作することができる。
　また、ユーザ１５は評価結果表示画面８３ｂを介して、異常発生リスト８３ｂ１、評価結果８３ｂ２を確認することができる。ここで、異常発生リスト８３ｂ１と評価結果８３ｂ２は図６の検知性能評価情報５０から得られる情報である。さらに、グラフ表示ボタン８３ｂ３を押すことで、異常発生リスト８３ｂ１の情報をもとに、縦軸を異常度、横軸を日時としたグラフを表示できる。また、ROC曲線表示ボタン８３ｂ４を押すことで、評価結果８３ｂ２に基づくROC曲線を表示することができ(図６参照)、AUC値表示ボタン８３ｂ５を押すことで、ROC曲線のAUC値を表示することができる。そして、表示された評価結果８３ｂ２やROC曲線５３を参照することで、ユーザ１５は、採用する識別モデルや異常度の閾値を決定することができる。
　図１３は、実施例１の異常検知システムでの処理動作例を示すフローチャートである。まず、ステップＳ１にて、学習データ入力部１は、学習データを識別モデル学習部２へ入力する。続いて、ステップＳ２にて、識別モデル学習部２は、学習データを用いて機械学習を行い、識別モデルを作成し、識別モデルチェック部３へ入力する。次に、ステップＳ３にて、識別モデルチェック部３は、実稼動データ２０を用いて識別モデルの検知性能を評価する。ステップＳ４にて、識別モデルチェック部３またはユーザ１５は、実稼動データ２０が不足しているかを判断する。不足している場合には、ステップＳ５に移行し、不足していない場合にはステップＳ７に移行する。ステップＳ５では、データ生成部４は、異常模擬データ６０を作成し、識別モデルチェック部３へ入力する。その後、ステップＳ６にて、識別モデルチェック部３は、異常模擬データ６０を用いて識別モデルの検知性能を評価する。最後に、ステップＳ７にて、通知部５は、検知性能の評価結果をユーザ１５に通知する。
　このように、実稼動データの不足を異常模擬データで補完できるようにすることで、ユーザ１５は、識別モデルの検知性能のより正確な評価結果を知得できるため、設備機器１０の異常を検知する上で最適な識別モデルを選択し、状態監視装置１１に登録することができる。
　以上、本実施例によれば、異常検知性能評価装置１２を操作するシステムエンジニア等のユーザ１５は、設備機器１０の異常検知技術の主要部である識別モデルを開発することが容易になる。とくに、識別モデルの検知性能の確認が容易になるため、より信頼性の高い識別モデルの選択が可能になる。そして、このようにして選択された識別モデルを利用することで、設備機器１０の構成部品等の異常をより早く、より正確に検知できるため、結果的に、常時稼働が求められる風車のような設備機器１０の稼動の停止時間を大きく抑制することができるようになる。
　次に、本発明の実施例２について説明する。実施例２の異常検知システムは、設備機器１０の実稼動データ２０と異常模擬データ６０のそれぞれを用いて識別モデルの検知性能を評価し、両方の評価結果を重み付けした最終評価結果をユーザに通知することによって、最適な識別モデルの選択を促すものである。以下では、実施例１との共通点の重複説明は省略し、異なる点について説明することとする。
　本実施例の異常検知システムも、基本的には実施例１の図２と同様の構成であり、状態監視装置１１から実稼動データ２０が入力され、入力された実稼動データ２０から識別モデルを作成し、作成した識別モデルで評価用の学習データが適正かを識別するものである。
　図１４は、実施例２での処理動作例を示すフローチャートである。まず、ステップＳ１０にて、学習データ入力部１は、学習データを識別モデル学習部２へ入力する。続いて、ステップＳ２０にて、識別モデル学習部２は、学習データを用いて機械学習を行い、識別モデルを作成し、識別モデルチェック部３へ入力する。次に、ステップＳ３０にて、識別モデルチェック部３は、実稼動データ２０と異常模擬データ６０それぞれを用いて識別モデルの検知性能を評価する。ステップＳ４０にて、識別モデルチェック部３またはユーザ１５は、異常模擬データ６０が不足しているかを判断する。不足している場合には、ステップＳ５０に移行し、不足していない場合にはステップＳ７０に移行する。ステップＳ５０では、データ生成部４は、異常模擬データ６０を更に作成し、識別モデルチェック部３へ入力する。その後、ステップＳ６０にて、識別モデルチェック部３は、追加した異常模擬データ６０を用いて識別モデルの検知性能を評価する。次に、ステップＳ７０にて二種類の評価結果を重み付けして最終評価を行う。最後に、ステップＳ８０にて、通知部５は、検知性能の最終評価をユーザ１５に通知する。
　実施例２は、ステップＳ３０に示すように、識別モデルの検知性能の評価を実稼動データ２０と異常模擬データ６０それぞれを用いて行い、ステップＳ７０、Ｓ８０に示すように、二種類の評価結果を重み付けした最終評価をユーザに通知することによって、最適な識別モデルの選択を促すものである。実施例１では、実稼動データ２０の代わりに異常模擬データ６０を用いて評価データとしていたが、同じ異常、故障を想定した評価データであっても、環境や条件の違いにより異なる評価データが必要とされる場合がある。実施例２では、同じ異常、故障に対し、環境や条件の違いを踏まえた適切な異常模擬データ６０を提供することができるため、当初用意した異常模擬データ６０が想定しない環境下や条件下においても、本発明の効果を発揮することができる。
　図１５は、ステップＳ７０で評価結果を重み付けする際に、図１の通知部５で表示される、評価結果重み付け画面８４の例を示した図である。ここに示すように、評価結果重み付け画面８４は、出力値設定画面８４ａ、識別モデル名称入力欄８４ａ１、評価データ入力欄８４ａ２、出力値入力欄８４ａ３、追加ボタン８４ａ４、出力ボタン８４ａ５、出力結果表示画面８４ｂ、データ種類８４ｂ１、出力値８４ｂ２、重み付けボタン８４ｂ３、重み付け設定画面８４ｃ、重み８４ｃ１、評価値８４ｃ２、データ種類数８４ｃ３、計算式表示画面８４ｃ４、評価ボタン８４ｃ５などを含んで構成される。
　ユーザ１５は、出力値設定画面８４ａを介して、識別モデル名称入力欄８４ａ１、評価データ入力欄８４ａ２、出力値入力欄８４ａ３に任意の値を設定できる。図１５の例では、出力値入力欄８４ａ３の値はAUC分散としたが、データ数、サンプル数、SN比などでもよい。また、追加ボタン８４ａ４を押すことで、出力値入力欄８４ａ３の項目を追加することができる。出力値を決定した後、ユーザ１５は、出力ボタン８４ａ５を押すことで出力結果表示画面８４ｂを起動する。
　そして、ユーザ１５は、出力結果表示画面８４ｂを介して、データ種類８４ｂ１、出力値８４ｂ２を確認できる。ここで、データ種類８４ｂ１と出力値８４ｂ２は、評価データ入力欄８４ａ２と出力値入力欄８４ａ３の入力に基づいて演算された情報であり、図１５の例では、実稼動データに基づくAUC分散σ１ ２、物理モデルシミュレーションデータに基づくAUC分散σ２ ２、実験データに基づくAUC分散σ３ ２、加工データに基づくAUC分散σ４ ２の四種類の出力値８４ｂ２が表示されている。そして、重み付けボタン８４ｂ３を押すことで、出力値８４ｂ２の値をもとに評価値の重み付けをすることができる。図１５の重み付け設定画面８４ｃでは、重み８４ｃ１を「AUC分散」、評価値８４ｃ２を「AUC値」、データ種類数８４ｃ３を「４」としており、その場合の計算式が計算式表示画面８４ｃ４に出力されている。
　ユーザ１５は、評価ボタン８４ｃ５を押すことで、計算式表示画面８４ｃ４に出力される計算式で評価値８４ｃ２の重み付けを行い、その重み付け平均を最終評価としてユーザ１５に通知する。
　このようにして、ユーザ１５は、通知部５を介して、複数の検知性能の評価結果を重み付けした最終評価を知得でき、設備機器１０の異常を検知する上で最適な識別モデルを選択することができる。
　以上、本実施例によれば、異常検知性能評価装置１２を操作するシステムエンジニア等のユーザ１５は、実施例１と同様に、設備機器１０の異常検知技術の主要部である識別モデルを開発することが容易になる。とくに、本実施例では、各識別モデルの検知性能を評価する際に、複数の評価結果を重み付けして利用するため、このような処理を行わない実施例１に比べ、より信頼性の高い識別モデルの選択が可能になる。
　なお、前記の実施例１、実施例２は本発明を実施するにあたっての具体化の一例であり、本発明の技術的範囲が限定されるものではない。すなわち、本発明はその技術、思想、特徴から逸脱することなく、様々な形態で実施することができる。
１　学習データ入力部
２　識別モデル学習部
３　識別モデルチェック部
４　データ生成部
５　通知部
１０　設備機器
１１　状態監視装置
１２　異常検知性能評価装置
１３　保守員
１４　監視員
１５　ユーザ
２０　実稼動データ
２１　マシンデータ
２２　センサデータ
２３　アラームデータ
３０　識別モデル学習情報
３１　ヘッダ情報
３２　学習情報
４０　識別モデルチェック情報
４１　ヘッダ情報
４２　学習情報
４３　評価情報
５０　検知性能評価情報
５１　異常発生リスト
５２　閾値評価表
５３　ROC曲線
６０　異常模擬データ
６１　マシンデータ
６２　シミュレーションデータ
６３　異常情報
７０　データ生成情報
７１　ヘッダ情報
７２　部品仕様
７３　構成図
７４　生成条件
８０　学習データ設定画面
８０ａ　学習データ選択画面
８０ａ１　学習データ
８０ａ２　データ参照ボタン
８０ａ３　学習ボタン
８０ｂ　学習データ参照画面
８０ｂ１　ヘッダ情報
８０ｂ２　学習情報
８０ｂ３　データ設定ボタン
８０ｂ４　データ出力ボタン
８０ｂ５　データ生成ボタン
８１　生成データ設定画面
８１ａ　生成データ選択画面
８１ａ１　生成データ
８１ａ２　データ情報ボタン
８１ａ３　生成ボタン
８１ｂ　生成データ情報画面
８１ｂ１　ヘッダ情報
８１ｂ２　部品仕様
８１ｂ３　構成図
８１ｂ４　生成条件
８１ｂ５　データ設定ボタン
８２　評価データ設定画面
８２ａ　評価データ選択画面
８２ａ１　評価データ
８２ａ２　データ参照ボタン
８２ａ３　評価ボタン
８２ｂ　評価データ参照画面
８２ｂ１　ヘッダ情報
８２ｂ２　評価情報
８２ｂ３　データ設定ボタン
８２ｂ４　データ出力ボタン
８２ｂ５　データ生成ボタン
８３　検知性能評価画面
８３ａ　評価結果設定画面
８３ａ１　識別モデル名称入力欄
８３ａ２　評価データID入力欄
８３ａ３　後処理範囲入力欄
８３ａ４　追加ボタン
８３ａ５　表示ボタン
８３ｂ　評価結果表示画面
８３ｂ１　異常発生リスト
８３ｂ２　評価結果
８３ｂ３　グラフ表示ボタン
８３ｂ４　ROC曲線表示ボタン
８３ｂ５　AUC値表示ボタン
８４　評価結果重み付け画面
８４ａ　出力値設定画面
８４ａ１　識別モデル名称入力欄
８４ａ２　評価データ入力欄
８４ａ３　出力値入力欄
８４ａ４　追加ボタン
８４ａ５　出力ボタン
８４ｂ　出力結果表示画面
８４ｂ１　データ種類
８４ｂ２　出力値
８４ｂ３　重み付けボタン
８４ｃ　重み付け設定画面
８４ｃ１　重み
８４ｃ２　評価値
８４ｃ３　データ種類数
８４ｃ４　計算式表示画面
８４ｃ５　評価ボタン

Claims (14)

  1. 　設備機器の異常を検知する異常検知システムであって、
    　学習データを入力する学習データ入力部と、
    　前記学習データから識別モデルを作成する識別モデル学習部と、
    　前記識別モデルの検知性能を評価する識別モデルチェック部と、
    　評価に必要な異常模擬データを生成するデータ生成部と、
    　前記識別モデルの評価結果を通知する通知部と、
    　を有することを特徴とする異常検知システム。
  2. 　前記データ生成部は、
    　前記異常模擬データを生成する異常模擬データ生成手段と、
    　生成した前記異常模擬データを保存する異常模擬データ保存手段と、
    　を有することを特徴とする請求項１に記載の異常検知システム。
  3. 　前記データ生成部で生成される前記異常模擬データは、
    　前記設備機器の物理モデルを基にしたシミュレーションデータ、
    　前記設備機器の構成部品を意図的に劣化・故障をさせて採取した実験データ、又は、
    　前記設備機器の実稼動データにオフセット値やノイズを入れた加工データ、
    　の何れかであることを特徴とする請求項１に記載の異常検知システム。
  4. 　前記識別モデル学習部は、
    　前記学習データ入力部から入力される学習データ及び学習データ関連情報を保存する学習データ保存手段と、
    　前記学習データに基づいて機械学習を行う機械学習手段と、
    　前記機械学習により作成された識別モデルを保存する識別モデル保存手段と、
    　を有することを特徴とする請求項１～３の何れか一項に記載の異常検知システム。
  5. 　前記識別モデルチェック部は、学習データとして用いられる前記設備機器の実稼動データの種類や量に基づいて、正常データ及び異常データが不足しているか否かを判定することを特徴とする請求項１～３の何れか一項に記載の異常検知システム。
  6. 　前記識別モデルチェック部が、前記識別モデルの検知性能の評価に用いる異常データは、前記設備機器の実稼動データ、または、前記データ生成部で生成された前記異常模擬データの少なくとも一方であることを特徴とする請求項１～３の何れか一項に記載の異常検知システム。
  7. 　前記通知部は、前記設備機器、故障モード及び学習データの種類、ならびに、異常検知に用いられるセンサ選択、運転モード選択、前処理、診断アルゴリズム、パラメータ及び学習期間に係わる情報を含んでいる学習情報を設定するための、学習データ設定画面を表示することを特徴とする請求項１～３の何れか一項に記載の異常検知システム。
  8. 　前記通知部は、前記設備機器、故障モード及び生成データの種類、ならびに、前記異常模擬データの生成に用いられる部品仕様、構成図、生成条件に係わる情報を含んでいる生成データ情報を設定するための、生成データ設定画面を表示することを特徴とする請求項１～３の何れか一項に記載の異常検知システム。
  9. 　前記通知部は、前記設備機器、故障モード及び評価データの種類、ならびに、異常検知に用いられる学習期間、診断期間、異常発生期間、後処理に係わる情報を含んでいる評価情報を設定するための、評価データ設定画面を表示することを特徴とする請求項１～３の何れか一項に記載の異常検知システム。
  10. 　前記通知部は、異常検知の識別モデルの名称、評価データID及び後処理範囲、
    ならびに異常検知性能の評価結果に係わる情報を含んでいる検知性能評価を出力するための、検知性能評価画面を表示することを特徴とする請求項１～３の何れか一項に記載の異常検知システム。
  11. 　前記通知部は、異常検知性能の評価結果を、データ毎にユーザの入力値に基づいて重み付けするための、評価結果重み付け画面を表示することを特徴とする請求項１～３の何れか一項に記載の異常検知システム。
  12. 　設備機器の異常を検知する異常検知方法であって、
    　学習データを入力する学習データ入力工程と、
    　前記学習データから識別モデルを作成する識別モデル学習工程と、
    　前記識別モデルの検知性能を評価する識別モデルチェック工程と、
    　評価に必要な異常模擬データを生成するデータ生成工程と、
    　前記識別モデルの評価結果を通知する通知工程と、
    　を有することを特徴とする異常検知方法。
  13. 　前記データ生成工程で生成される前記異常模擬データは、
    　前記設備機器の物理モデルを基にしたシミュレーションデータ、
    　前記設備機器の構成部品を意図的に劣化・故障をさせて採取した実験データ、又は、
    　前記設備機器の実稼動データにオフセット値やノイズを入れた加工データ、
    　の何れかであることを特徴とする請求項１２に記載の異常検知方法。
  14. 　設備機器の異常を検知する異常検知プログラムであって、
    　学習データを入力する学習データ入力工程と、
    　前記学習データから識別モデルを作成する識別モデル学習ステップと、
    　識別モデルの検知性能を評価する識別モデルチェックステップと、
    　評価に必要な異常データを生成するデータ生成ステップと、
    　評価結果を通知する通知ステップと、
    　を異常検知システムに実行させるためのプログラム。
PCT/JP2018/046460 2018-01-29 2018-12-18 異常検知システム、異常検知方法、および、プログラム WO2019146315A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018012202A JP7108417B2 (ja) 2018-01-29 2018-01-29 異常検知システム
JP2018-012202 2018-01-29

Publications (1)

Publication Number Publication Date
WO2019146315A1 true WO2019146315A1 (ja) 2019-08-01

Family

ID=67394573

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2018/046460 WO2019146315A1 (ja) 2018-01-29 2018-12-18 異常検知システム、異常検知方法、および、プログラム

Country Status (2)

Country Link
JP (1) JP7108417B2 (ja)
WO (1) WO2019146315A1 (ja)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112261045A (zh) * 2020-10-22 2021-01-22 广州大学 一种基于攻击原理的网络攻击数据自动生成方法及***
CN112599234A (zh) * 2019-10-02 2021-04-02 发那科株式会社 诊断装置
JP2023050478A (ja) * 2021-09-30 2023-04-11 横河電機株式会社 監視装置、監視方法、および監視プログラム
CN116596336A (zh) * 2023-05-16 2023-08-15 合肥联宝信息技术有限公司 电子设备的状态评估方法、装置、电子设备及存储介质
CN117744002A (zh) * 2023-12-25 2024-03-22 河北网星软件有限公司 实验室数据分析方法及实验室信息管理平台

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7358257B2 (ja) * 2020-01-28 2023-10-10 住友重機械工業株式会社 制御プログラム生成装置、制御プログラム生成方法、ロール・ツー・ロール搬送システム
JP7496223B2 (ja) 2020-03-18 2024-06-06 コマツ産機株式会社 学習データを収集するための方法、及びシステム
JP2022056746A (ja) * 2020-09-30 2022-04-11 アズビル株式会社 異常検知モデルの評価システムおよび評価方法
JPWO2023026879A1 (ja) * 2021-08-25 2023-03-02

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07168619A (ja) * 1993-10-20 1995-07-04 Hitachi Ltd 機器／設備診断方法およびシステム
JP2016062258A (ja) * 2014-09-17 2016-04-25 インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ 検出装置、検出方法、およびプログラム

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
JP6632193B2 (ja) 2015-01-16 2020-01-22 キヤノン株式会社 情報処理装置、情報処理方法、及びプログラム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07168619A (ja) * 1993-10-20 1995-07-04 Hitachi Ltd 機器／設備診断方法およびシステム
JP2016062258A (ja) * 2014-09-17 2016-04-25 インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ 検出装置、検出方法、およびプログラム

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112599234A (zh) * 2019-10-02 2021-04-02 发那科株式会社 诊断装置
CN112261045A (zh) * 2020-10-22 2021-01-22 广州大学 一种基于攻击原理的网络攻击数据自动生成方法及***
JP2023050478A (ja) * 2021-09-30 2023-04-11 横河電機株式会社 監視装置、監視方法、および監視プログラム
JP7452509B2 (ja) 2021-09-30 2024-03-19 横河電機株式会社 監視装置、監視方法、および監視プログラム
CN116596336A (zh) * 2023-05-16 2023-08-15 合肥联宝信息技术有限公司 电子设备的状态评估方法、装置、电子设备及存储介质
CN116596336B (zh) * 2023-05-16 2023-10-31 合肥联宝信息技术有限公司 电子设备的状态评估方法、装置、电子设备及存储介质
CN117744002A (zh) * 2023-12-25 2024-03-22 河北网星软件有限公司 实验室数据分析方法及实验室信息管理平台
CN117744002B (zh) * 2023-12-25 2024-06-07 河北网星软件有限公司 实验室数据分析方法及实验室信息管理平台

Also Published As

Publication number Publication date
JP2019133212A (ja) 2019-08-08
JP7108417B2 (ja) 2022-07-28

Similar Documents

Publication Publication Date Title
WO2019146315A1 (ja) 異常検知システム、異常検知方法、および、プログラム
CN109001649B (zh) 一种电源智能诊断***及保护方法
US10733536B2 (en) Population-based learning with deep belief networks
US20170284896A1 (en) System and method for unsupervised anomaly detection on industrial time-series data
Niu Data-driven technology for engineering systems health management
US7826990B2 (en) Systems and methods for real-time system monitoring and predictive analysis
JP4832609B1 (ja) 異常予兆診断装置および異常予兆診断方法
JP5484591B2 (ja) プラントの診断装置及びプラントの診断方法
EP3105644B1 (en) Method of identifying anomalies
EP3183622B1 (en) Population-based learning with deep belief networks
JP5097739B2 (ja) プラントの異常診断装置及び異常診断方法
JP6200833B2 (ja) プラントと制御装置の診断装置
RU2724075C1 (ru) Система и способ определения источника аномалии в кибер-физической системе, обладающей определенными характеристиками
JPWO2008120552A1 (ja) 診断システム
JP2008186472A (ja) 予測的状態監視のための診断システムおよび方法
CN108027611B (zh) 利用受专家意见监督的决策模式学习的用于机器维护的决策辅助***和方法
JP2013008092A (ja) 異常予兆診断装置及び異常予兆診断方法
JP2013008098A (ja) 異常予兆診断結果の表示方法
JP6880560B2 (ja) 故障予測装置、故障予測方法及び故障予測プログラム
US11645794B2 (en) Monitoring apparatus, monitoring method, and computer-readable medium having recorded thereon monitoring program
JP5267109B2 (ja) 障害発見システム検証装置、障害発見システム検証方法及び障害発見システム検証制御プログラム
Li et al. Meteorological radar fault diagnosis based on deep learning
JP2020107248A (ja) 異常判定装置および異常判定方法
Pipe et al. An automated data-driven toolset for predictive analytics
CN116050597A (zh) 任务风险识别与优化***以及任务风险识别与优化方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18902214

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18902214

Country of ref document: EP

Kind code of ref document: A1