WO2021176732A1 - 異常判定装置、異常判定方法及び異常判定プログラム - Google Patents

異常判定装置、異常判定方法及び異常判定プログラム Download PDF

Info

Publication number
WO2021176732A1
WO2021176732A1 PCT/JP2020/009876 JP2020009876W WO2021176732A1 WO 2021176732 A1 WO2021176732 A1 WO 2021176732A1 JP 2020009876 W JP2020009876 W JP 2020009876W WO 2021176732 A1 WO2021176732 A1 WO 2021176732A1
Authority
WO
WIPO (PCT)
Prior art keywords
unit
fluctuation
determination
abnormality
classification
Prior art date
Application number
PCT/JP2020/009876
Other languages
English (en)
French (fr)
Inventor
友美恵 三浦
直拓 柿村
Original Assignee
三菱電機株式会社
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 三菱電機株式会社 filed Critical 三菱電機株式会社
Priority to PCT/JP2020/009876 priority Critical patent/WO2021176732A1/ja
Priority to JP2021566593A priority patent/JP7106020B2/ja
Publication of WO2021176732A1 publication Critical patent/WO2021176732A1/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

Definitions

  • the present disclosure relates to a technique for determining whether or not data indicates an abnormality.
  • Plant equipment may be controlled to release or supply substances in the event of an event such as a decrease in fuel or an increase in concentration.
  • the time-series data which is the sensor data acquired by the sensor that detects the value related to the substance provided in the plant equipment, suddenly fluctuates in value when the substance is released or supplied. Therefore, in this time series data, two fluctuation patterns, a fluctuation pattern in which the fluctuation of the value is small and a fluctuation pattern in which the fluctuation of the value is large, are mixed. Fluctuation patterns with large fluctuations in value occur only when a substance is released or supplied, and therefore occur less frequently than fluctuation patterns with small fluctuations in value.
  • a detection method using the k-nearest neighbor method is widely used (see Patent Document 1).
  • the radius when a circle containing k normal data is drawn around the judgment target data is used as the judgment value of the judgment target data, and the size of the judgment value is large. It is determined whether or not it is abnormal.
  • an abnormality is detected by a detection method using the k-nearest neighbor method from time series data in which the above-mentioned two fluctuation patterns coexist.
  • learning is biased toward a fluctuation pattern in which the fluctuation of the value is small, which is a fluctuation pattern with a high frequency of occurrence, if a fluctuation pattern in which the fluctuation of the value is large occurs, it may be detected as an abnormality. That is, there is a risk of erroneous detection as an abnormality even though the control is normal for plant equipment. As a result, the load on the observer who monitors the result of abnormality detection increases.
  • An object of the present disclosure is to make it possible to appropriately determine whether or not an abnormality occurs even when a variation pattern of a plurality of values having different occurrence frequencies is included.
  • the abnormality determination device is A fluctuation amount calculation unit that calculates multiple fluctuation amounts by calculating the fluctuation amount of the value for each unit time for time series data, A classification unit that classifies a plurality of fluctuation amounts calculated by the fluctuation amount calculation unit into a plurality of groups, An abnormality determination unit that determines whether or not the determination target data indicates an abnormality by comparing the determination amount, which is the fluctuation amount of the value of the determination target data, with the fluctuation amount belonging to each group classified by the classification unit. To be equipped.
  • a plurality of fluctuation amounts obtained from time series data are classified into a plurality of groups, and the judgment amount is compared with the fluctuation amount belonging to each group to determine whether or not an abnormality is shown.
  • FIG. The block diagram of the abnormality determination apparatus 10 which concerns on Embodiment 1.
  • FIG. The flowchart which shows the overall operation of the abnormality determination apparatus 10 which concerns on Embodiment 1.
  • FIG. Explanatory drawing of time series data which concerns on Embodiment 1.
  • FIG. An explanatory diagram of information stored in the time-series data storage unit 31 according to the first embodiment.
  • the flowchart of the classification process which concerns on Embodiment 1. The explanatory view of the threshold value calculation process which concerns on Embodiment 1.
  • FIG. The explanatory view of the threshold value calculation process which concerns on Embodiment 1.
  • FIG. An explanatory diagram of information stored in the variable information storage unit 32 according to the first embodiment.
  • FIG. The block diagram of the abnormality determination apparatus 10 which concerns on modification 2.
  • FIG. The block diagram of the abnormality determination apparatus 10 which concerns on Embodiment 2.
  • FIG. The flowchart which shows the overall operation of the abnormality determination apparatus 10 which concerns on Embodiment 2.
  • the abnormality determination device 10 is a computer.
  • the abnormality determination device 10 includes hardware for a processor 11, a memory 12, a storage 13, and a communication interface 14.
  • the processor 11 is connected to other hardware via a signal line and controls these other hardware.
  • the processor 11 is an IC (Integrated Circuit) that performs processing. Specific examples of the processor 11 are a CPU (Central Processing Unit), a DSP (Digital Signal Processor), and a GPU (Graphics Processing Unit).
  • a CPU Central Processing Unit
  • DSP Digital Signal Processor
  • GPU Graphics Processing Unit
  • the memory 12 is a storage device that temporarily stores data. Specific examples of the memory 12 are SRAM (Static Random Access Memory) and DRAM (Dynamic Random Access Memory).
  • the storage 13 is a storage device for storing data.
  • the storage 13 is an HDD (Hard Disk Drive).
  • the storage 13 includes SD (registered trademark, Secure Digital) memory card, CF (Compact Flash, registered trademark), NAND flash, flexible disk, optical disk, compact disk, Blu-ray (registered trademark) disk, DVD (Digital Versaille Disk), and the like. It may be a portable recording medium.
  • the communication interface 14 is an interface for communicating with external devices such as an input device and an output device.
  • the communication interface 14 is a port of Ethernet (registered trademark), USB (Universal Serial Bus), HDMI (registered trademark, High-Definition Multimedia Interface).
  • the abnormality determination device 10 includes a data acquisition unit 21, a fluctuation amount calculation unit 22, a classification unit 23, and an abnormality determination unit 24 as functional components.
  • the classification unit 23 includes a probability distribution allocation unit 231, a threshold value calculation unit 232, and a fluctuation amount classification unit 233.
  • the functions of each functional component of the abnormality determination device 10 are realized by software.
  • the storage 13 stores a program that realizes the functions of each functional component of the abnormality determination device 10. This program is read into the memory 12 by the processor 11 and executed by the processor 11. As a result, the functions of each functional component of the abnormality determination device 10 are realized.
  • the storage 13 realizes the functions of the time-series data storage unit 31 and the variable information storage unit 32.
  • processors 11 In FIG. 1, only one processor 11 was shown. However, the number of processors 11 may be plural, and the plurality of processors 11 may execute programs that realize each function in cooperation with each other.
  • the operation of the abnormality determination device 10 according to the first embodiment will be described with reference to FIGS. 2 to 9.
  • the operation procedure of the abnormality determination device 10 according to the first embodiment corresponds to the abnormality determination method according to the first embodiment.
  • the program that realizes the operation of the abnormality determination device 10 according to the first embodiment corresponds to the abnormality determination program according to the first embodiment.
  • the data acquisition unit 21 acquires time series data. Specifically, the data acquisition unit 21 acquires sensor data periodically acquired when the target equipment is normal by a sensor provided in the target equipment such as a plant equipment as time series data.
  • the time series data includes fluctuation patterns of a plurality of values having different occurrence frequencies.
  • the time-series data includes two patterns, a fluctuation pattern having a high frequency of occurrence and a small fluctuation in value, and a fluctuation pattern having a low frequency of occurrence and a large fluctuation in value.
  • the portion surrounded by the broken line is the fluctuation pattern in which the fluctuation of the value is large, and the portion not surrounded by the broken line is the fluctuation pattern in which the fluctuation of the value is small.
  • the data acquisition unit 21 writes the acquired time-series data to the time-series data storage unit 31.
  • the time-series data storage unit 31 stores the sensor ID, the acquisition time, and the sensor value for each sensor data constituting the time-series data.
  • the sensor ID is an ID (Identifier) of the sensor from which the sensor data is acquired.
  • the acquisition time is the time when the sensor data is acquired by the sensor.
  • the sensor value is a value indicated by the sensor data.
  • Step S12 Fluctuation amount calculation process
  • the fluctuation amount calculation unit 22 calculates a plurality of fluctuation amounts by calculating the fluctuation amount of the value for each unit time with respect to the time series data acquired in step S11.
  • the amount of fluctuation is the absolute value of the value obtained by subtracting the minimum value from the maximum value of the sensor value of the sensor data acquired in a unit time.
  • the unit time is a time set in advance by the user of the abnormality determination device 10, and may be a different time depending on the time series data.
  • the fluctuation amount calculation unit 22 sets the earliest acquisition time of the time-series data stored in the time-series data storage unit 31 as the start time of the target period, and targets the time after the unit time of the start time. The end time of the period.
  • the fluctuation amount calculation unit 22 reads out the sensor data whose acquisition time falls into the target period from the start time to the end time from the time series data storage unit 31.
  • the fluctuation amount calculation unit 22 specifies the maximum value and the minimum value from the sensor values of the read sensor data.
  • the fluctuation amount calculation unit 22 calculates the absolute value of the value obtained by subtracting the minimum value from the maximum value as the fluctuation amount for the target period.
  • the fluctuation amount calculation unit 22 sets the end time of the target period as the start time of the next target period, and sets the time after the unit time of the start time as the end time of the next target period, and sets the fluctuation rate of the next target period. To calculate. The fluctuation amount calculation unit 22 repeats this process until the latest acquisition time of the time-series data stored in the time-series data storage unit 31 is included in the target period.
  • the fluctuation amount calculation unit 22 writes a plurality of calculated fluctuation amounts in the fluctuation information storage unit 32. For example, as shown in FIG. 5, the fluctuation amount calculation unit 22 writes the fluctuation amount, the unit time, and the start time of the unit time in the fluctuation information storage unit 32 for each sensor ID.
  • Step S13 Classification process
  • the classification unit 23 classifies the plurality of fluctuation amounts calculated in step S12 into a plurality of groups according to which probability distribution of the plurality of probability distributions each of the plurality of fluctuation amounts is included in. ..
  • the time series data includes two fluctuation patterns, that is, a fluctuation pattern in which the fluctuation of the value is small and a fluctuation pattern in which the fluctuation of the value is large. Therefore, the classification unit 23 classifies a plurality of fluctuation amounts into a group F1 having a small value fluctuation, that is, a small fluctuation amount, and a group F2 having a large value fluctuation, that is, a large fluctuation amount.
  • Step S131 Probability distribution allocation process
  • the probability distribution allocation unit 231 reads out a plurality of fluctuation amounts stored in the fluctuation information storage unit 32. Then, the probability distribution allocation unit 231 allocates a plurality of probability distributions so that a plurality of fluctuation amounts are included in any of the probability distributions. In the first embodiment, a plurality of fluctuation amounts are classified into two groups. Therefore, the probability distribution allocation unit 231 applies the mixed normal distribution to the time series data on the assumption that the time series data follows a mixed normal distribution having two elements. Any method may be used to apply the mixed normal distribution. For example, it is possible to apply a mixed normal distribution by using an EM (Expectation-Maximization) algorithm, which is an existing art. The data having a fluctuation amount of 0 may be excluded before applying the mixed normal distribution.
  • EM Extractation-Maximization
  • Step S132 Threshold calculation process
  • the threshold value calculation unit 232 When there is a fluctuation amount included in two probability distributions among the plurality of probability distributions assigned in step S131, the threshold value calculation unit 232 equally divides the area of the overlapping portion 41 in which the two probability distributions overlap. Is calculated as the classification threshold value T.
  • a mixed normal distribution having two elements is assigned as a plurality of probability distributions. That is, the distribution G1 of the group F1 having a small fluctuation amount and the distribution G2 of the group F2 having a large fluctuation amount are assigned.
  • the threshold value calculation unit 232 calculates the amount of variation that equally divides the area of the overlapping portion 41 as the classification threshold value T.
  • the threshold value calculation unit 232 calculates the classification threshold value T using a binary search. In this case, as shown in FIG. 8, the threshold calculation unit 232 uses the fluctuation amount V1 having the highest probability density in the distribution G1 and the fluctuation amount V2 having the highest probability density in the distribution G2 as two reference values. The median C1 of the two reference values is specified. The threshold value calculation unit 232 determines whether or not the area of the overlapping portion 41 is equally divided when the median value C1 is set as the classification threshold value T. The threshold value calculation unit 232 sets the median value C1 as the classification threshold value T when it is equally divided. When not equally divided, the threshold value calculation unit 232 determines which of the distribution G1 side (left side in FIG.
  • the threshold value calculation unit 232 specifies the median value C2 of the two reference values, with the reference value having the larger area (variation amount V2 in FIG. 8) and the median value C1 as two new reference values. Then, when the median value C2 is set as the classification threshold value T, it is determined whether or not the area of the overlapping portion 41 is equally divided. If it is equally divided, the median C2 is set as the classification threshold T. When not equally divided, the threshold value calculation unit 232 determines which of the distribution G1 side (left side in FIG. 8) and the distribution G2 side (right side in FIG. 8) has a larger area.
  • the threshold calculation unit 232 specifies the median C3 of the two reference values, with the larger reference value (median C1 in FIG. 8) and the median C2 as two new reference values. Then, when the median value C3 is set as the classification threshold value T, it is determined whether or not the area of the overlapping portion 41 is equally divided. The threshold value calculation unit 232 repeats this process until the classification threshold value T at which the area of the overlapping portion 41 is equally divided is specified.
  • Step S133 Fluctuation amount classification process
  • the fluctuation amount classification unit 233 classifies a plurality of fluctuation amounts into a group corresponding to a probability distribution in which each of the plurality of fluctuation amounts is included. Further, the fluctuation amount classification unit 233 classifies the fluctuation amount included in the two probability distributions into a group corresponding to one of the two probability distributions based on the classification threshold value T calculated in step S132. In the first embodiment, the fluctuation amount classification unit 233 classifies the fluctuation amount on the left side of the classification threshold value T in FIG. 7 into the group F1 in which the fluctuation amount is small, and the fluctuation amount on the right side of the classification threshold value T in FIG. Is classified into group F2, which has a large amount of fluctuation.
  • the classification unit 23 writes the classification result in the variable information storage unit 32. For example, as shown in FIG. 9, the classification unit 23 adds a classification threshold value T and a classification result to each record of the fluctuation information storage unit 32.
  • the classification result shows the group in which the fluctuation amount is classified.
  • Step S14 Abnormality determination process
  • the abnormality determination unit 24 compares the determination amount, which is the fluctuation amount of the value of the determination target data, with the fluctuation amount belonging to each group classified in step S13, and determines whether or not the determination target data shows an abnormality. .. Specifically, the abnormality determination unit 24 acquires sensor data for a certain period acquired by the same sensor as the time series data acquired in step S11 as determination target data. The abnormality determination unit 24 calculates the fluctuation amount of the determination target data as the determination amount. Then, the abnormality determination unit 24 calculates the determination value of the determination target data by, for example, comparing the fluctuation amount classified into the target group by the k-nearest neighbor method with the determination amount, with each group as the target group.
  • the abnormality determination unit 24 determines that the determination target data indicates an abnormality when the determination value calculated when all the groups are the target groups is higher than the abnormality threshold value. On the other hand, the abnormality determination unit 24 determines that the determination target data indicates normality when the determination value calculated when at least one of the groups is the target group is equal to or less than the abnormality threshold value.
  • step S14 is repeatedly executed for the number of determination target data.
  • the abnormality determination device 10 classifies the plurality of fluctuation amounts obtained from the time series data into a plurality of groups, and compares the determination amount with the fluctuation amount belonging to each group. Determine if it indicates an abnormality. That is, the abnormality determination device 10 according to the first embodiment learns the normal fluctuation amount for each group, and determines whether or not it is abnormal based on the learning result for each group. Thereby, even when a variation pattern of a plurality of values having different occurrence frequencies is included, it is possible to appropriately determine whether or not it is abnormal.
  • the abnormality determination device 10 classifies a plurality of fluctuation amounts into a plurality of groups by allocating a plurality of probability distributions to the time series data. This makes it possible to appropriately classify a plurality of fluctuation amounts. As a result, it is possible to appropriately determine whether or not it is abnormal.
  • the processes of steps S11 to S13 of FIG. 2 and the processes of step S14 are executed as a series of processes.
  • the processing of steps S11 to S13 is a learning process based on the sensor data in the normal state
  • the process of step S14 is an abnormality detection process using the result of the learning process. Therefore, the processes of steps S11 to S13 and the processes of step S14 may be separate processes instead of a series of processes.
  • the abnormality determination device 10 may periodically execute the processes of steps S11 to S13, and continuously execute the processes of step S14 based on the latest classification result.
  • each functional component is realized by software.
  • each functional component may be realized by hardware. The difference between the second modification and the first embodiment will be described.
  • the abnormality determination device 10 includes an electronic circuit 15 instead of the processor 11, the memory 12, and the storage 13.
  • the electronic circuit 15 is a dedicated circuit that realizes the functions of each functional component, the memory 12, and the storage 13.
  • Examples of the electronic circuit 15 include a single circuit, a composite circuit, a programmed processor, a parallel programmed processor, a logic IC, a GA (Gate Array), an ASIC (Application Specific Integrated Circuit), and an FPGA (Field-Programmable Gate Array). is assumed.
  • Each functional component may be realized by one electronic circuit 15, or each functional component may be distributed and realized by a plurality of electronic circuits 15.
  • Modification example 3 As a modification 3, some functional components may be realized by hardware, and other functional components may be realized by software.
  • the processor 11, the memory 12, the storage 13, and the electronic circuit 15 are called processing circuits. That is, the function of each functional component is realized by the processing circuit.
  • Embodiment 2 is different from the first embodiment in that it determines whether or not the time series data is suitable for classification. In the second embodiment, these different points will be described, and the same points will be omitted.
  • the configuration of the abnormality determination device 10 according to the second embodiment will be described with reference to FIG.
  • the abnormality determination device 10 is different from the abnormality determination device 10 shown in FIG. 1 in that the target determination unit 25 is provided as a functional component.
  • the target determination unit 25 is realized by software or hardware like other functional components.
  • the operation of the abnormality determination device 10 according to the second embodiment will be described with reference to FIGS. 12 and 13.
  • the operation procedure of the abnormality determination device 10 according to the second embodiment corresponds to the abnormality determination method according to the second embodiment.
  • the program that realizes the operation of the abnormality determination device 10 according to the second embodiment corresponds to the abnormality determination program according to the second embodiment.
  • step S21 to step S23 is the same as the process from step S11 to step S13 in FIG. Further, the process of step S25 is the same as the process of step S14 of FIG.
  • Step S24 Target determination process
  • the target determination unit 25 determines whether or not the appearance probability at which the classification threshold value T appears is lower than the reference value in either of the two probability distributions. As a result, it is determined whether or not the time series data is suitable for classification. That is, it is determined whether or not the sensor from which the time series data is acquired is suitable for classification. Not suitable for classification means that the time series data is likely not data containing multiple variation patterns. As a specific example, as shown in FIG. 7, it is assumed that a mixed normal distribution having two elements is assigned as a plurality of probability distributions. In this case, the target determination unit 25 determines whether or not the classification threshold T is outside the range of the average value ⁇ 3 ⁇ of the target normal distribution for each normal distribution. If the classification threshold value T is outside the range of the average value ⁇ 3 ⁇ of the normal distribution of the target, the target determination unit 25 determines that the appearance probability of the classification threshold value T appearing is lower than the reference value.
  • the target determination unit 25 determines that the appearance probability at which the classification threshold value T appears is lower than the reference value in either probability distribution, the target determination unit 25 determines that the time series data is suitable for classification, and performs the process in step S25. Proceed to.
  • the target determination unit 25 determines that the time series data is not suitable for classification and ends the process. ..
  • the target determination unit 25 writes the determination result in the fluctuation information storage unit 32. For example, as shown in FIG. 13, the target determination unit 25 writes the determination result in each record of the fluctuation information storage unit 32.
  • step S25 If the user of the abnormality determination device 10 gives only time-series data suitable for classification, the process of step S25 is unnecessary.
  • the abnormality determination device 10 determines whether or not the time series data is suitable for classification. As a result, when it is highly possible that the time series data is not data containing a plurality of fluctuation patterns, it is possible to prevent unnecessary classification and rather a state in which it cannot be appropriately determined whether or not the data is abnormal. ..

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

データ取得部（２１）は、時系列データを取得する。変動量計算部（２２）は、データ取得部（２１）によって取得された時系列データについて単位時間毎の値の変動量を計算することにより、複数の変動量を計算する。分類部（２３）は、変動量計算部（２２）によって計算された複数の変動量を複数のグループに分類する。異常判定部（２４）は、判定対象データの値の変動量である判定量を、分類部（２３）によって分類された各グループに属する変動量と比較して、判定対象データが異常を示すか否かを判定する。

Description

異常判定装置、異常判定方法及び異常判定プログラム
　本開示は、データが異常を示すか否かを判定する技術に関する。
　プラント設備では、燃料低下と濃度上昇といった事象が発生した場合に、物質を放出又は供給するような制御がされる場合がある。このような場合には、プラント設備に設けられた物質に関する値を検出するセンサによって取得されたセンサデータである時系列データは、物質が放出又は供給された際に値が急変動する。
　そのため、この時系列データには、値の変動が小さい変動パターンと、値の変動が大きい変動パターンとの２つの変動パターンが混在する。値の変動が大きい変動パターンは、物質が放出又は供給された際にだけ起こるため、値の変動が小さい変動パターンに比べ発生頻度が低い。
　時系列データから異常を検出する方法として、ｋ近傍法を用いた検知方法が広く用いられている（特許文献１参照）。
　ｋ近傍法を用いた検知方法では、例えば、判定対象データを中心としてｋ個の正常なデータが含まれる円を描いた場合の半径が、判定対象データの判定値として用いられ、判定値の大きさによって異常であるか否かが判定される。
特開２０１９－１７９３９５号公報
　上述した２つの変動パターンが混在する時系列データから、ｋ近傍法を用いた検知方法により異常を検出するとする。この場合には、発生頻度が高い変動パターンである、値の変動が小さい変動パターンに偏った学習が行われるため、値の変動が大きい変動パターンが発生すると異常として検出される恐れがある。
　つまり、プラント設備としては正常な制御であるにも関わらず、異常として誤検出される恐れがある。その結果、異常検出の結果を監視する監視員の負荷が増えてしまう。
　本開示は、発生頻度の異なる複数の値の変動パターンが含まれる場合であっても、適切に異常であるか否かを判定可能にすることを目的とする。
　本開示に係る異常判定装置は、
　時系列データについて単位時間毎の値の変動量を計算することにより、複数の変動量を計算する変動量計算部と、
　前記変動量計算部によって計算された複数の変動量を複数のグループに分類する分類部と、
　判定対象データの値の変動量である判定量を、前記分類部によって分類された各グループに属する変動量と比較して、前記判定対象データが異常を示すか否かを判定する異常判定部と
を備える。
　本開示では、時系列データから得られた複数の変動量を複数のグループに分類して、判定量を各グループに属する変動量と比較して異常を示すか否かを判定する。これにより、発生頻度の異なる複数の値の変動パターンが含まれる場合であっても、適切に異常であるか否かを判定可能である。
実施の形態１に係る異常判定装置１０の構成図。 実施の形態１に係る異常判定装置１０の全体的な動作を示すフローチャート。 実施の形態１に係る時系列データの説明図。 実施の形態１に係る時系列データ記憶部３１に記憶される情報の説明図。 実施の形態１に係る変動情報記憶部３２に記憶される情報の説明図。 実施の形態１に係る分類処理のフローチャート。 実施の形態１に係る閾値計算処理の説明図。 実施の形態１に係る閾値計算処理の説明図。 実施の形態１に係る変動情報記憶部３２に記憶される情報の説明図。 変形例２に係る異常判定装置１０の構成図。 実施の形態２に係る異常判定装置１０の構成図。 実施の形態２に係る異常判定装置１０の全体的な動作を示すフローチャート。 実施の形態２に係る変動情報記憶部３２に記憶される情報の説明図。
　実施の形態１．
　＊＊＊構成の説明＊＊＊
　図１を参照して、実施の形態１に係る異常判定装置１０の構成を説明する。
　異常判定装置１０は、コンピュータである。
　異常判定装置１０は、プロセッサ１１と、メモリ１２と、ストレージ１３と、通信インタフェース１４とのハードウェアを備える。プロセッサ１１は、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。
　プロセッサ１１は、プロセッシングを行うＩＣ（Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）である。プロセッサ１１は、具体例としては、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、ＤＳＰ（Ｄｉｇｉｔａｌ　Ｓｉｇｎａｌ　Ｐｒｏｃｅｓｓｏｒ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）である。
　メモリ１２は、データを一時的に記憶する記憶装置である。メモリ１２は、具体例としては、ＳＲＡＭ（Ｓｔａｔｉｃ　Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）、ＤＲＡＭ（Ｄｙｎａｍｉｃ　Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）である。
　ストレージ１３は、データを保管する記憶装置である。ストレージ１３は、具体例としては、ＨＤＤ（Ｈａｒｄ　Ｄｉｓｋ　Ｄｒｉｖｅ）である。また、ストレージ１３は、ＳＤ（登録商標，Ｓｅｃｕｒｅ　Ｄｉｇｉｔａｌ）メモリカード、ＣＦ（ＣｏｍｐａｃｔＦｌａｓｈ，登録商標）、ＮＡＮＤフラッシュ、フレキシブルディスク、光ディスク、コンパクトディスク、ブルーレイ（登録商標）ディスク、ＤＶＤ（Ｄｉｇｉｔａｌ　Ｖｅｒｓａｔｉｌｅ　Ｄｉｓｋ）といった可搬記録媒体であってもよい。
　通信インタフェース１４は、入力装置及び出力装置といった外部の装置と通信するためのインタフェースである。通信インタフェース１４は、具体例としては、Ｅｔｈｅｒｎｅｔ（登録商標）、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ　Ｓｅｒｉａｌ　Ｂｕｓ）、ＨＤＭＩ（登録商標，Ｈｉｇｈ－Ｄｅｆｉｎｉｔｉｏｎ　Ｍｕｌｔｉｍｅｄｉａ　Ｉｎｔｅｒｆａｃｅ）のポートである。
　異常判定装置１０は、機能構成要素として、データ取得部２１と、変動量計算部２２と、分類部２３と、異常判定部２４とを備える。分類部２３は、確率分布割当部２３１と、閾値計算部２３２と、変動量分類部２３３とを備える。異常判定装置１０の各機能構成要素の機能はソフトウェアにより実現される。
　ストレージ１３には、異常判定装置１０の各機能構成要素の機能を実現するプログラムが格納されている。このプログラムは、プロセッサ１１によりメモリ１２に読み込まれ、プロセッサ１１によって実行される。これにより、異常判定装置１０の各機能構成要素の機能が実現される。
　また、ストレージ１３は、時系列データ記憶部３１と、変動情報記憶部３２との機能を実現する。
　図１では、プロセッサ１１は、１つだけ示されていた。しかし、プロセッサ１１は、複数であってもよく、複数のプロセッサ１１が、各機能を実現するプログラムを連携して実行してもよい。
　＊＊＊動作の説明＊＊＊
　図２から図９を参照して、実施の形態１に係る異常判定装置１０の動作を説明する。
　実施の形態１に係る異常判定装置１０の動作手順は、実施の形態１に係る異常判定方法に相当する。また、実施の形態１に係る異常判定装置１０の動作を実現するプログラムは、実施の形態１に係る異常判定プログラムに相当する。
　図２を参照して、実施の形態１に係る異常判定装置１０の全体的な動作を説明する。
　（ステップＳ１１：データ取得処理）
　データ取得部２１は、時系列データを取得する。
　具体的には、データ取得部２１は、プラント設備等の対象設備に設けられたセンサによって、対象設備が正常な時に周期的に取得されたセンサデータを時系列データとして取得する。実施の形態１では、図３に示すように、時系列データには、発生頻度の異なる複数の値の変動パターンが含まれる。図３では、時系列データには、発生頻度が高い、値の変動が小さい変動パターンと、発生頻度が低い、値の変動が大きい変動パターンとの２つのパターンが含まれる。図３では、破線で囲まれた部分が値の変動が大きい変動パターンであり、破線で囲まれていない部分が値の変動が小さい変動パターンである。
　データ取得部２１は、取得された時系列データを時系列データ記憶部３１に書き込む。図４に示すように、時系列データ記憶部３１には、時系列データを構成する各センサデータについて、センサＩＤと、取得時刻と、センサ値とが記憶される。センサＩＤは、センサデータの取得元のセンサのＩＤ（ＩＤｅｎｔｉｆｉｅｒ）である。取得時刻は、センサデータがセンサによって取得された時刻である。センサ値は、センサデータが示す値である。
　（ステップＳ１２：変動量計算処理）
　変動量計算部２２は、ステップＳ１１で取得された時系列データについて単位時間毎の値の変動量を計算することにより、複数の変動量を計算する。変動量は、単位時間において取得されたセンサデータのセンサ値の最大値から最小値を減算して得られた値の絶対値である。単位時間は、異常判定装置１０の使用者によって事前に設定される時間であり、時系列データに応じて異なる時間であってもよい。
　具体的には、変動量計算部２２は、時系列データ記憶部３１に記憶された時系列データのうち最も早い取得時刻を対象期間の開始時刻とし、開始時刻の単位時間だけ後の時刻を対象期間の終了時刻とする。変動量計算部２２は、時系列データ記憶部３１から取得時刻が開始時刻から終了時刻までの対象期間に入るセンサデータを読み出す。変動量計算部２２は、読み出されたセンサデータのセンサ値から最大値と最小値とを特定する。変動量計算部２２は、最大値から最小値を減算して得られた値の絶対値を、対象期間についての変動量として計算する。
　そして、変動量計算部２２は、対象期間の終了時刻を次の対象期間の開始時刻とし、開始時刻の単位時間だけ後の時刻を次の対象期間の終了時刻として、次の対象期間の変動率を計算する。変動量計算部２２は、この処理を時系列データ記憶部３１に記憶された時系列データのうち最も遅い取得時刻が対象期間に含まれるまで繰り返す。
　変動量計算部２２は、計算された複数の変動量を変動情報記憶部３２に書き込む。例えば、図５に示すように、変動量計算部２２は、センサＩＤ毎に、変動量と、単位時間と、単位時間の開始時刻とを変動情報記憶部３２に書き込む。
　（ステップＳ１３：分類処理）
　分類部２３は、複数の変動量それぞれが複数の確率分布のうちのどの確率分布に含まれる変動量であるかに応じて、ステップＳ１２で計算された複数の変動量を複数のグループに分類する。
　実施の形態１では、時系列データには、値の変動が小さい変動パターンと、値の変動が大きい変動パターンとの２つの変動パターンが含まれている。そこで、分類部２３は、値の変動が小さい、つまり変動量が小さいグループＦ１と、値の変動が大きい、つまり変動量が大きいグループＦ２とに複数の変動量を分類する。
　図６を参照して、実施の形態１に係る分類処理を説明する。
　（ステップＳ１３１：確率分布割当処理）
　確率分布割当部２３１は、変動情報記憶部３２に記憶された複数の変動量を読み出す。そして、確率分布割当部２３１は、複数の変動量がいずれかの確率分布に含まれるように、複数の確率分布を割り当てる。
　実施の形態１では、複数の変動量が２つのグループに分類される。そこで、確率分布割当部２３１は、時系列データが要素数２の混合正規分布に従うと仮定して、時系列データに対して混合正規分布を適用する。混合正規分布の適用方法はどのような方法であっても構わない。例えば、既存時術であるＥＭ（Ｅｘｐｅｃｔａｔｉｏｎ　Ｍａｘｉｍｉｚａｔｉｏｎ）アルゴリズムを利用して混合正規分布を適用することが可能である。
　なお、変動量が０のデータについては、混合正規分布を適用する前に除外してもよい。
　（ステップＳ１３２：閾値計算処理）
　閾値計算部２３２は、ステップＳ１３１で割り当てられた複数の確率分布のうち２つの確率分布に含まれる変動量がある場合には、２つの確率分布が重なる重複部分４１の面積を等分する変動量を分類閾値Ｔとして計算する。
　実施の形態１では、図７に示すように、要素数２の混合正規分布が複数の確率分布として割り当てられる。つまり、変動量が小さいグループＦ１の分布Ｇ１と、変動量が大きいグループＦ２の分布Ｇ２とが割り当てられる。このとき、分布Ｇ１と分布Ｇ２とが重なる重複部分４１が存在する可能性がある。重複部分４１が存在するということは、２つの確率分布に含まれる変動量があるということである。この場合には、閾値計算部２３２は、重複部分４１の面積を等分する変動量を分類閾値Ｔとして計算する。
　具体例としては、閾値計算部２３２は、二分探索を用いて分類閾値Ｔを計算する。
　この場合には、図８に示すように、閾値計算部２３２は、分布Ｇ１で最も確率密度が高い変動量Ｖ１と、分布Ｇ２で最も確率密度が高い変動量Ｖ２とを２つの基準値として、２つの基準値の中央値Ｃ１を特定する。閾値計算部２３２は、中央値Ｃ１を分類閾値Ｔとした場合に、重複部分４１の面積が等分されているか否かを判定する。閾値計算部２３２は、等分されている場合には、中央値Ｃ１を分類閾値Ｔに設定する。
　閾値計算部２３２は、等分されていない場合には、分布Ｇ１側（図８の左側）と、分布Ｇ２側（図８の右側）とのどちらの方が面積が大きいかを判定する。閾値計算部２３２は、面積が大きい方の基準値（図８では、変動量Ｖ２）と、中央値Ｃ１とを新たに２つの基準値として、２つの基準値の中央値Ｃ２を特定する。そして、中央値Ｃ２を分類閾値Ｔとした場合に、重複部分４１の面積が等分されているか否かを判定する。等分されている場合には、中央値Ｃ２を分類閾値Ｔに設定する。
　閾値計算部２３２は、等分されていない場合には、分布Ｇ１側（図８の左側）と、分布Ｇ２側（図８の右側）とのどちらの方が面積が大きいかを判定する。閾値計算部２３２は、面積が大きい方の基準値（図８では、中央値Ｃ１）と、中央値Ｃ２とを新たに２つの基準値として、２つの基準値の中央値Ｃ３を特定する。そして、中央値Ｃ３を分類閾値Ｔとした場合に、重複部分４１の面積が等分されているか否かを判定する。
　この処理を、閾値計算部２３２は、重複部分４１の面積が等分される分類閾値Ｔが特定されるまで繰り返す。
　（ステップＳ１３３：変動量分類処理）
　変動量分類部２３３は、複数の変動量それぞれが含まれる確率分布に対応するグループに複数の変動量を分類する。また、変動量分類部２３３は、２つの確率分布に含まれる変動量についてはステップＳ１３２で計算された分類閾値Ｔに基づき２つの確率分布のうちどちらかの確率分布に対応するグループに分類する。
　実施の形態１では、変動量分類部２３３は、図７の分類閾値Ｔよりも左側の変動量については、変動量が小さいグループＦ１に分類し、図７の分類閾値Ｔよりも右側の変動量については、変動量が大きいグループＦ２に分類する。
　分類部２３は、分類した結果を変動情報記憶部３２に書き込む。例えば、図９に示すように、分類部２３は、変動情報記憶部３２の各レコードに、分類閾値Ｔと、分類結果とを追記する。分類結果は、変動量が分類されたグループを示す。
　（ステップＳ１４：異常判定処理）
　異常判定部２４は、判定対象データの値の変動量である判定量を、ステップＳ１３で分類された各グループに属する変動量と比較して、判定対象データが異常を示すか否かを判定する。
　具体的には、異常判定部２４は、ステップＳ１１で取得された時系列データと同じセンサによって取得されたある期間のセンサデータを判定対象データとして取得する。異常判定部２４は、判定対象データの変動量を判定量として計算する。そして、異常判定部２４は、各グループを対象のグループとして、例えばｋ近傍法により対象のグループに分類された変動量と判定量とを比較して、判定対象データの判定値を計算する。そして、異常判定部２４は、全てのグループを対象のグループとした場合に計算された判定値が異常閾値よりも高い場合には、判定対象データが異常を示すと判定する。一方、異常判定部２４は、少なくともいずれかのグループを対象のグループとした場合に計算された判定値が異常閾値以下の場合には、判定対象データが正常を示すと判定する。
　なお、判定対象データが複数存在する場合には、ステップＳ１４の処理が判定対象データの数だけ繰り返し実行される。
　＊＊＊実施の形態１の効果＊＊＊
　以上のように、実施の形態１に係る異常判定装置１０は、時系列データから得られた複数の変動量を複数のグループに分類して、判定量を各グループに属する変動量と比較して異常を示すか否かを判定する。つまり、実施の形態１に係る異常判定装置１０は、グループ毎に正常な変動量を学習しておき、各グループについての学習結果に基づき異常であるか否かを判定する。
　これにより、発生頻度の異なる複数の値の変動パターンが含まれる場合であっても、適切に異常であるか否かを判定可能である。
　特に、実施の形態１に係る異常判定装置１０は、時系列データに対して複数の確率分布を割り当てることにより、複数の変動量を複数のグループに分類する。これにより、複数の変動量を適切に分類することが可能である。その結果、適切に異常であるか否かを判定可能である。
　＊＊＊他の構成＊＊＊
　＜変形例１＞
　実施の形態１では、図２のステップＳ１１からステップＳ１３の処理と、ステップＳ１４の処理とが一連の処理として実行された。しかし、ステップＳ１１からステップＳ１３の処理は、正常時のセンサデータに基づく学習処理であり、ステップＳ１４の処理は、学習処理の結果を利用した異常検知処理である。そのため、ステップＳ１１からステップＳ１３の処理と、ステップＳ１４の処理とは、一連の処理ではなく、別々の処理としてもよい。
　例えば、異常判定装置１０は、定期的にステップＳ１１からステップＳ１３の処理を実行し、直近の分類結果に基づきステップＳ１４の処理を継続的に実行するようにしてもよい。
　＜変形例２＞
　実施の形態１では、各機能構成要素がソフトウェアで実現された。しかし、変形例２として、各機能構成要素はハードウェアで実現されてもよい。この変形例２について、実施の形態１と異なる点を説明する。
　図１０を参照して、変形例２に係る異常判定装置１０の構成を説明する。
　各機能構成要素がハードウェアで実現される場合には、異常判定装置１０は、プロセッサ１１とメモリ１２とストレージ１３とに代えて、電子回路１５を備える。電子回路１５は、各機能構成要素と、メモリ１２と、ストレージ１３との機能とを実現する専用の回路である。
　電子回路１５としては、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ロジックＩＣ、ＧＡ（Ｇａｔｅ　Ａｒｒａｙ）、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ　Ｓｐｅｃｉｆｉｃ　Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）が想定される。
　各機能構成要素を１つの電子回路１５で実現してもよいし、各機能構成要素を複数の電子回路１５に分散させて実現してもよい。
　＜変形例３＞
　変形例３として、一部の各機能構成要素がハードウェアで実現され、他の各機能構成要素がソフトウェアで実現されてもよい。
　プロセッサ１１とメモリ１２とストレージ１３と電子回路１５とを処理回路という。つまり、各機能構成要素の機能は、処理回路により実現される。
　実施の形態２．
　実施の形態２は、時系列データが分類に適しているか否かを判定する点が実施の形態１と異なる。実施の形態２では、この異なる点を説明し、同一の点については説明を省略する。
　＊＊＊構成の説明＊＊＊
　図１１を参照して、実施の形態２に係る異常判定装置１０の構成を説明する。
　異常判定装置１０は、機能構成要素として、対象判定部２５を備える点が図１に示す異常判定装置１０と異なる。対象判定部２５は、他の機能構成要素と同様に、ソフトウェア又はハードウェアによって実現される。
　＊＊＊動作の説明＊＊＊
　図１２及び図１３を参照して、実施の形態２に係る異常判定装置１０の動作を説明する。
　実施の形態２に係る異常判定装置１０の動作手順は、実施の形態２に係る異常判定方法に相当する。また、実施の形態２に係る異常判定装置１０の動作を実現するプログラムは、実施の形態２に係る異常判定プログラムに相当する。
　図１２を参照して、実施の形態２に係る異常判定装置１０の全体的な動作を説明する。
　ステップＳ２１からステップＳ２３の処理は、図２のステップＳ１１からステップＳ１３の処理と同じである。また、ステップＳ２５の処理は、図２のステップＳ１４の処理と同じである。
　（ステップＳ２４：対象判定処理）
　対象判定部２５は、２つの確率分布のどちらの確率分布においても分類閾値Ｔが出現する出現確率が基準値よりも低いか否かを判定する。これにより、時系列データが分類に適しているか否かが判定される。つまり、時系列データの取得元のセンサが分類に適しているか否かが判定される。分類に適していないとは、時系列データが複数の変動パターンを含むデータではない可能性が高いという意味である。
　具体例としては、図７に示すように、要素数２の混合正規分布が複数の確率分布として割り当てられたとする。この場合には、対象判定部２５は、各正規分布を対象として、分類閾値Ｔが、対象の正規分布の平均値±３σの範囲外であるか否かを判定する。対象判定部２５は、分類閾値Ｔが、対象の正規分布の平均値±３σの範囲外であれば、分類閾値Ｔが出現する出現確率が基準値よりも低いと判定する。
　対象判定部２５は、どちらの確率分布においても分類閾値Ｔが出現する出現確率が基準値よりも低いと判定した場合には、時系列データが分類に適していると判定し、処理をステップＳ２５に進める。一方、対象判定部２５は、少なくともいずれかの確率分布において分類閾値Ｔが出現する出現確率が基準値以上である場合には、時系列データが分類に適していないと判定し、処理を終了する。
　対象判定部２５は、判定した結果を変動情報記憶部３２に書き込む。例えば、図１３に示すように、対象判定部２５は、変動情報記憶部３２の各レコードに、判定した結果を書き込む。
　なお、異常判定装置１０の使用者が分類に適した時系列データのみを対象として与えるような場合には、ステップＳ２５の処理は不要である。
　＊＊＊実施の形態２の効果＊＊＊
　以上のように、実施の形態２に係る異常判定装置１０は、時系列データが分類に適しているか否かを判定する。
　これにより、時系列データが複数の変動パターンを含むデータではない可能性が高い場合に、不要な分類を行い、かえって適切に異常であるか否かを判定できない状態にすることを防止可能である。
　１０　異常判定装置、１１　プロセッサ、１２　メモリ、１３　ストレージ、１４　通信インタフェース、１５　電子回路、２１　データ取得部、２２　変動量計算部、２３　分類部、２３１　確率分布割当部、２３２　閾値計算部、２３３　変動量分類部、２４　異常判定部、２５　対象判定部、３１　時系列データ記憶部、３２　変動情報記憶部、４１　重複部分。

Claims (6)

  1. 　時系列データについて単位時間毎の値の変動量を計算することにより、複数の変動量を計算する変動量計算部と、
    　前記変動量計算部によって計算された前記複数の変動量を複数のグループに分類する分類部と、
    　判定対象データの値の変動量である判定量を、前記分類部によって分類された各グループに属する変動量と比較して、前記判定対象データが異常を示すか否かを判定する異常判定部と
    を備える異常判定装置。
  2. 　前記分類部は、前記複数の変動量それぞれが複数の確率分布のうちのどの確率分布に含まれる変動量であるかに応じて、前記複数の変動量を複数のグループに分類する
    請求項１に記載の異常判定装置。
  3. 　前記分類部は、
    　前記複数の変動量がいずれかの確率分布に含まれるように、前記複数の確率分布を割り当てる確率分布割当部と、
    　前記確率分布割当部によって割り当てられた前記複数の確率分布のうち２つの確率分布に含まれる変動量がある場合には、前記２つの確率分布が重なる重複部分の面積を等分する変動量を分類閾値として計算する閾値計算部と、
    　前記複数の変動量それぞれが含まれる確率分布に対応するグループに前記複数の変動量を分類するとともに、前記２つの確率分布に含まれる変動量については前記閾値計算部によって計算された前記分類閾値に基づき前記２つの確率分布のうちどちらかの確率分布に対応するグループに分類する変動量分類部と
    を備える請求項２に記載の異常判定装置。
  4. 　前記異常判定装置は、さらに、
    　前記２つの確率分布のどちらの確率分布においても前記分類閾値が出現する出現確率が基準値よりも低いか否かを判定する対象判定部
    を備え、
    　前記異常判定部は、前記対象判定部によってどちらの確率分布においても前記分類閾値が出現する出現確率が基準値よりも低いと判定された場合に、前記判定対象データが異常を示すか否かを判定する
    請求項３に記載の異常判定装置。
  5. 　変動量計算部が、時系列データについて単位時間毎の値の変動量を計算することにより、複数の変動量を計算し、
    　分類部が、前記複数の変動量を複数のグループに分類し、
    　異常判定部が、判定対象データの値の変動量である判定量を、各グループに属する変動量と比較して、前記判定対象データが異常を示すか否かを判定する異常判定方法。
  6. 　時系列データについて単位時間毎の値の変動量を計算することにより、複数の変動量を計算する変動量計算処理と、
    　前記変動量計算処理によって計算された前記複数の変動量を複数のグループに分類する分類処理と、
    　判定対象データの値の変動量である判定量を、前記分類処理によって分類された各グループに属する変動量と比較して、前記判定対象データが異常を示すか否かを判定する異常判定処理と
    を行う異常判定装置としてコンピュータを機能させる異常判定プログラム。
PCT/JP2020/009876 2020-03-06 2020-03-06 異常判定装置、異常判定方法及び異常判定プログラム WO2021176732A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/JP2020/009876 WO2021176732A1 (ja) 2020-03-06 2020-03-06 異常判定装置、異常判定方法及び異常判定プログラム
JP2021566593A JP7106020B2 (ja) 2020-03-06 2020-03-06 異常判定装置、異常判定方法及び異常判定プログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2020/009876 WO2021176732A1 (ja) 2020-03-06 2020-03-06 異常判定装置、異常判定方法及び異常判定プログラム

Publications (1)

Publication Number Publication Date
WO2021176732A1 true WO2021176732A1 (ja) 2021-09-10

Family

ID=77614015

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/009876 WO2021176732A1 (ja) 2020-03-06 2020-03-06 異常判定装置、異常判定方法及び異常判定プログラム

Country Status (2)

Country Link
JP (1) JP7106020B2 (ja)
WO (1) WO2021176732A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006275303A (ja) * 2005-03-28 2006-10-12 Daikin Ind Ltd 異常検知システム
JP2009298260A (ja) * 2008-06-12 2009-12-24 Furukawa Electric Co Ltd:The 異常電流検出装置および異常電流検出方法
JP2011070635A (ja) * 2009-08-28 2011-04-07 Hitachi Ltd 設備状態監視方法およびその装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006275303A (ja) * 2005-03-28 2006-10-12 Daikin Ind Ltd 異常検知システム
JP2009298260A (ja) * 2008-06-12 2009-12-24 Furukawa Electric Co Ltd:The 異常電流検出装置および異常電流検出方法
JP2011070635A (ja) * 2009-08-28 2011-04-07 Hitachi Ltd 設備状態監視方法およびその装置

Also Published As

Publication number Publication date
JP7106020B2 (ja) 2022-07-25
JPWO2021176732A1 (ja) 2021-09-10

Similar Documents

Publication Publication Date Title
TWI709986B (zh) 記憶體資源的熱監測技術
US8296274B2 (en) Considering multiple lookups in bloom filter decision making
EP3699914B1 (en) Artificial intelligence based monitoring of solid state drives and dual in-line memory modules
US11657121B2 (en) Abnormality detection device, abnormality detection method and computer readable medium
CN102448626B (zh) 产品分选装置及产品分选方法
US9681577B2 (en) System and method for improving fan life in an information handling system
US20150212742A1 (en) Memory control device, information processing apparatus, memory control method, and, storage medium storing memory control program
US11507484B2 (en) Ethod and computer storage node of shared storage system for abnormal behavior detection/analysis
KR20200116530A (ko) 전압 레벨 및 드룹 이벤트의 온보드 모니터링
WO2021176732A1 (ja) 異常判定装置、異常判定方法及び異常判定プログラム
CN109002348B (zh) 一种虚拟化***中的负载均衡方法及装置
CN108509154B (zh) 一种根据坏块分布动态重组raid的方法和装置
US20190222524A1 (en) Information processing apparatus, data management system, data management method, and non-transitory computer readable medium storing program
US20120054548A1 (en) Data processing device and method for controlling test process of electronic device using the same
CN107990929B (zh) 滤波时间常数的控制方法及装置、计算机装置、存储介质
US20240086393A1 (en) Cluster count setting apparatus, cluster count setting method and program
US20170124179A1 (en) Data categorizing system, method, program software and recording medium therein
TW202127226A (zh) 記錄裝置、記錄方法、記錄程式及磁帶
US20210033734A1 (en) Fog determination apparatus, fog determination method, and computer readable medium
TWI775114B (zh) 設定變更裝置、設定變更方法及設定變更程式產品
WO2023112167A1 (ja) 要因分析装置、要因分析方法及び要因分析プログラム
JP6918267B2 (ja) ボトルネック検出装置及びボトルネック検出プログラム
CN115563622B (zh) 一种运行环境的检测方法、装置和***
WO2024042636A1 (ja) 処理装置、処理方法およびプログラム
US11409566B2 (en) Resource control device, resource control method, and computer readable medium

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: 20923339

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021566593

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20923339

Country of ref document: EP

Kind code of ref document: A1