WO2023188052A1 - 学習データ選択装置、学習データ選択方法及び異常検知装置 - Google Patents
学習データ選択装置、学習データ選択方法及び異常検知装置 Download PDFInfo
- Publication number
- WO2023188052A1 WO2023188052A1 PCT/JP2022/015753 JP2022015753W WO2023188052A1 WO 2023188052 A1 WO2023188052 A1 WO 2023188052A1 JP 2022015753 W JP2022015753 W JP 2022015753W WO 2023188052 A1 WO2023188052 A1 WO 2023188052A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- sensor data
- data
- learning
- detection
- sensor
- Prior art date
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 375
- 238000010187 selection method Methods 0.000 title claims description 7
- 230000005856 abnormality Effects 0.000 title description 30
- 230000002159 abnormal effect Effects 0.000 claims abstract description 43
- 238000011156 evaluation Methods 0.000 claims description 112
- 238000004364 calculation method Methods 0.000 claims description 67
- 238000000034 method Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 32
- 239000002131 composite material Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
Definitions
- the present disclosure relates to a learning data selection device, a learning data selection method, and an anomaly detection device.
- An anomaly detection device acquires sensor data from a sensor that observes a failure detection target, feeds the sensor data to a learning model, and obtains detection data indicating whether the failure detection target is normal or abnormal from the learning model.
- the learning model assumes that sensor data when the failure detection target is normal is given as learning data, and that the distribution of sensor data when the failure detection target is normal is learned.
- the sensor data when the failure detection target is normal is, for example, sensor data output from the sensor during the initial stage of operation of the failure detection target.
- the learning model may be retrained in order to improve the detection accuracy of the learning model.
- the learning data used for relearning the learning model includes sensor data for additional learning and sensor data within a normal period of failure detection targets.
- the sensor data for additional learning is sensor data obtained when there is a high possibility that an erroneous detection of abnormality has occurred even though the failure detection target is normal.
- the sensor data within the normal period that is subject to failure detection is the sensor data that is determined to be within the normal period at the time of arbitrary evaluation.
- sensor data determined to be within a normal period of failure detection target among sensor data at any evaluation time is used as learning data used for relearning a learning model. used.
- the failure detection target may appear in the sensor data during the normal period.
- sensor data from when there is an abnormality is included. Therefore, among the sensor data at the time of any evaluation, sensor data that is determined to be within the normal period of the failure detection target may also include sensor data that is incorrectly detected as normal when the failure detection target is abnormal. may be included.
- the abnormality detection device will still be unable to detect failures even after the learning model is retrained. There has been a problem in that a false detection may occur, indicating that the target is normal when it is abnormal.
- the present disclosure was made in order to solve the above-mentioned problems, and it is possible to select learning data that can reduce false detections that indicate that the failure detection target is normal when it is abnormal.
- the object of the present invention is to obtain a learning data selection device and a learning data selection method.
- a learning data selection device includes a sensor data acquisition unit that acquires a plurality of sensor data indicating observation results of a failure detection target from a sensor that observes the failure detection target; Each sensor data acquired by the sensor data acquisition unit is given to a learning model whose data distribution has been learned, and detection data indicating whether the failure detection target is normal or abnormal is obtained from the learning model. and a sensed data acquisition unit that acquires each of the detected data.
- the learning data selection device determines which sensor data among the plurality of sensor data acquired by the sensor data acquisition unit is false negative detection data indicating that the failure detection target is normal even though it is abnormal.
- the learning data selection section selects sensor data related to detection data indicating that the failure detection target is normal from among the sensor data as learning data used for relearning the learning model.
- FIG. 1 is a configuration diagram showing a learning data selection device 2 according to Embodiment 1.
- FIG. FIG. 2 is a hardware configuration diagram showing the hardware of the learning data selection device 2 according to the first embodiment.
- FIG. 2 is a hardware configuration diagram of a computer when the learning data selection device 2 is realized by software, firmware, or the like.
- 3 is a flowchart showing a learning data selection method, which is a processing procedure of the learning data selection device 2.
- FIG. FIG. 3 is an explanatory diagram showing the distribution of sensor data learned by the learning model 13 when the failure detection target is normal. It is an explanatory view showing an example of sensor data displayed on a display.
- FIG. 3 is an explanatory diagram showing the distribution of sensor data re-learned by the learning model 13;
- FIG. 2 is a configuration diagram showing a learning data selection device 2 according to a second embodiment.
- 2 is a hardware configuration diagram showing hardware of a learning data selection device 2 according to a second embodiment.
- FIG. It is an explanatory view showing two false negative sensor data, two false positive sensor data, and four correct sensor data.
- 11 is an explanatory diagram showing each of a first evaluation value and a second evaluation value in four pieces of positive sensor data shown in FIG. 10.
- FIG. 3 is a configuration diagram showing a learning data selection device 2 according to Embodiment 3.
- FIG. 11 is an explanatory diagram showing each of a first evaluation value, a second evaluation value, and a third evaluation value in the four positive sensor data shown in FIG. 10.
- FIG. 3 is a configuration diagram showing a learning data selection device 2 according to a fourth embodiment.
- 12 is a hardware configuration diagram showing hardware of a learning data selection device 2 according to Embodiment 4.
- FIG. 3 is an explanatory diagram showing the proportion of learning data output from the learning data selection unit 14 included in the learning data used for the previous learning of the learning model 13.
- FIG. 7 is a configuration diagram showing an abnormality detection device according to a fifth embodiment.
- FIG. 7 is a hardware configuration diagram showing hardware of an abnormality detection device according to a fifth embodiment.
- FIG. 1 is a configuration diagram showing a learning data selection device 2 according to the first embodiment.
- FIG. 2 is a hardware configuration diagram showing the hardware of the learning data selection device 2 according to the first embodiment.
- a sensor 1 repeatedly observes a failure detection target.
- the sensor 1 outputs a plurality of sensor data indicating the observation results of the failure detection target to the learning data selection device 2.
- the learning data selection device 2 includes a sensor data acquisition section 11, a sensed data acquisition section 12, and a learning data selection section 14.
- the man-machine interface section (hereinafter referred to as "man-machine IF section") 3 includes an input device and an output device.
- the input device is a device that receives user operations, and is realized by, for example, a mouse or a keyboard.
- the output device is realized by a display device or the like that displays sensor data etc. output from the learning data selection device 2.
- the sensor data acquisition unit 11 is realized, for example, by a sensor data acquisition circuit 21 shown in FIG.
- the sensor data acquisition unit 11 acquires from the sensor 1 a plurality of sensor data indicating observation results of a failure detection target.
- the sensor data acquisition section 11 outputs each sensor data to the sensed data acquisition section 12 and the learning data selection section 14, respectively.
- the sensed data acquisition unit 12 is realized, for example, by the sensed data acquisition circuit 22 shown in FIG.
- the detected data acquisition unit 12 includes a learning model 13.
- the detection data acquisition unit 12 provides each sensor data acquired by the sensor data acquisition unit 11 to the learning model 13, and obtains detection data indicating whether the failure detection target is normal or abnormal from the learning model 13. Get each.
- the detection data acquisition unit 12 outputs each detection data to the learning data selection unit 14.
- the sensed data acquisition unit 12 includes a learning model 13.
- the learning model 13 may be provided outside the sensed data acquisition unit 12.
- the learning model 13 is realized by, for example, a neural network.
- the learning model 13 is, for example, an unsupervised learning model.
- the learning model 13 is given sensor data when the failure detection target is normal, and learns the distribution of the sensor data.
- the learning model 13 When the learning model 13 is given sensor data when the failure detection target is normal, it outputs detection data indicating that the failure detection target is normal.
- the learning model 13 When the learning model 13 is given sensor data when the failure detection target is abnormal, it outputs detection data indicating that the failure detection target is abnormal.
- the detection accuracy of the learning model 13 is low, the learning model 13 may generate false positive detection data indicating that the failure detection target is abnormal even though it is normal, or the failure detection target is normal even though it is abnormal. False detection may occur, resulting in the output of false negative detection data indicating that the
- the learning data selection unit 14 is realized, for example, by a learning data selection circuit 24 shown in FIG. 2.
- the learning data selection section 14 includes an identification information acquisition section 15 , a sensor data selection section 16 , and a learning data output section 17 .
- the learning data selection unit 14 determines which sensor data among the plurality of sensor data acquired by the sensor data acquisition unit 11 is false negative detection data indicating that the failure detection target is normal even though it is abnormal. Obtain identification information for identifying whether the sensor data is related to. Based on the identification information, the learning data selection unit 14 selects the learning model 13 from among the sensor data other than the sensor data related to false negative detection data among the plurality of sensor data acquired by the sensor data acquisition unit 11.
- Sensor data related to detection data indicating that the failure detection target is normal is selected as learning data used for relearning. Furthermore, the learning data selection unit 14 determines which sensor data among the plurality of sensor data acquired by the sensor data acquisition unit 11 is a false positive indicating that the failure detection target is abnormal even though it is normal. Identification information for identifying whether sensor data is related to detection data is acquired. Based on the identification information, the learning data selection unit 14 selects sensors related to false positive detection data as learning data to be used for relearning the learning model 13 from among the plurality of sensor data acquired by the sensor data acquisition unit 11. Select data. The learning data selection unit 14 outputs the selected sensor data to the outside as learning data used for relearning the learning model 13.
- the identification information acquisition unit 15 acquires each sensor data from the sensor data acquisition unit 11 and acquires each detection data from the detection data acquisition unit 12.
- the identification information acquisition unit 15 outputs each sensor data and each detection data to the man-machine IF unit 3.
- the man-machine IF unit 3 displays each sensor data on, for example, a display device together with the detection result indicated by each sensor data. If the sensor data displayed on the display is sensor data related to false positive detection data, the user operates the input device of the man-machine IF section 3 to confirm that the sensor data is false positive detection data.
- Set identification information indicating that the sensor data is related to.
- the man-machine IF unit 3 outputs the set identification information to the identification information acquisition unit 15.
- the user operates the input device of the man-machine IF section 3 to confirm that the sensor data is false negative detection data.
- Identification information indicating that the sensor data is related to the detection data is set.
- the man-machine IF unit 3 outputs the set identification information to the identification information acquisition unit 15.
- the sensor data displayed on the display is sensor data related to normal detection data indicating that the failure detection target is normal when the failure detection target is normal.
- the user can The input device is operated to set identification information indicating that the sensor data is sensor data related to normal detection data.
- the man-machine IF unit 3 outputs the set identification information to the identification information acquisition unit 15.
- the identification information acquisition unit 15 acquires the identification information output from the man-machine IF unit 3 and outputs the identification information to the sensor data selection unit 16.
- the user operates an input device to set identification information indicating that the sensor data is sensor data related to normal detection data.
- the man-machine IF section 3 outputs the set identification information to the identification information acquisition section 15.
- the sensor data selection unit 16 acquires each sensor data from the sensor data acquisition unit 11 , acquires each detection data from the sensed data acquisition unit 12 , and acquires identification information from the identification information acquisition unit 15 . Based on the identification information, the sensor data selection unit 16 selects sensor data related to normal detection data from among the plurality of sensor data acquired by the sensor data acquisition unit 11. Furthermore, the sensor data selection unit 16 selects sensor data related to false positive detection data from among the plurality of sensor data acquired by the sensor data acquisition unit 11 based on the identification information. The sensor data selection unit 16 outputs sensor data related to normal detection data and sensor data related to false positive detection data to the learning data output unit 17.
- the learning data output unit 17 acquires sensor data related to normal detection data and sensor data related to false positive detection data from the sensor data selection unit 16 . If the degree of similarity between sensor data related to normal detection data and sensor data related to false positive detection data is equal to or greater than a threshold, the learning data output unit 17 outputs normal data as learning data to be used for relearning the learning model 13. Sensor data related to time detection data is output to the outside. If the degree of similarity is less than the threshold, the learning data output unit 17 discards the sensor data related to the detection data during normal operation as learning data used for relearning the learning model 13 without outputting it to the outside. The learning data output unit 17 outputs sensor data related to false positive detection data to the outside as learning data used for relearning the learning model 13.
- the threshold value may be stored in the internal memory of the learning data output unit 17, or may be given from outside the learning data selection device 2.
- each of the sensor data acquisition unit 11, the sensed data acquisition unit 12, and the learning data selection unit 14, which are components of the learning data selection device 2 is realized by dedicated hardware as shown in FIG. is assumed. That is, it is assumed that the learning data selection device 2 is realized by the sensor data acquisition circuit 21, the sensed data acquisition circuit 22, and the learning data selection circuit 24.
- Each of the sensor data acquisition circuit 21, the sensed data acquisition circuit 22, and the learning data selection circuit 24 includes, for example, a single circuit, a composite circuit, a programmed processor, a parallel programmed processor, an ASIC (Application Specific Integrated Circuit), or an FPGA. (Field-Programmable Gate Array) or a combination thereof.
- the components of the learning data selection device 2 are not limited to those realized by dedicated hardware, but the learning data selection device 2 may be realized by software, firmware, or a combination of software and firmware. There may be.
- Software or firmware is stored in a computer's memory as a program.
- a computer means hardware that executes a program, and includes, for example, a CPU (Central Processing Unit), a central processing unit, a processing unit, an arithmetic unit, a microprocessor, a microcomputer, a processor, or a DSP (Digital Signal Processor). do.
- FIG. 3 is a hardware configuration diagram of a computer when the learning data selection device 2 is realized by software, firmware, or the like.
- a program for causing a computer to execute the respective processing procedures in the sensor data acquisition section 11, the sensed data acquisition section 12, and the learning data selection section 14 is stored in the memory 31. is stored in Then, the processor 32 of the computer executes the program stored in the memory 31.
- FIG. 2 shows an example in which each of the components of the learning data selection device 2 is realized by dedicated hardware
- FIG. 3 shows an example in which the learning data selection device 2 is realized by software, firmware, etc. ing.
- this is just an example, and some of the components in the learning data selection device 2 may be realized by dedicated hardware, and the remaining components may be realized by software, firmware, or the like.
- FIG. 4 is a flowchart showing a learning data selection method, which is a processing procedure of the learning data selection device 2.
- the failure detection target is, for example, a shaft connected to an automobile engine, and the sensor data output from the sensor 1 is, for example, the vibration frequency of the shaft.
- the failure detection target is not limited to the shaft, and the sensor data is not limited to the vibration frequency of the shaft.
- the failure detection target may be an air conditioner, and the sensor data may be power consumption.
- FIG. 5 is an explanatory diagram showing the distribution of sensor data learned by the learning model 13 when the failure detection target is normal.
- each of ⁇ , ⁇ , ⁇ , and ⁇ is sensor data related to detection data output from the learning model 13.
- ⁇ is sensor data related to normal detection data that indicates that the failure detection target is normal when it is normal
- ⁇ is false positive that indicates that the failure detection target is abnormal when it is normal.
- This is sensor data related to detection data of .
- ⁇ is sensor data related to false negative detection data that indicates that the failure detection target is normal when it is abnormal
- ⁇ is sensor data related to abnormal detection data that indicates that the failure detection target is abnormal when it is abnormal. This is sensor data related to data.
- Each detection result in the false positive detection data and the false negative detection data is a false positive.
- Retraining of the learning model 13 is necessary to reduce false positives. If sensor data related to false positive detection data is used as learning data for relearning, the sensor data related to false positive detection data will be included in the distribution of sensor data when the failure detection target is normal. It becomes like this.
- the sensor data related to false positive detection data is the sensor data when the failure detection target is normal, so the distribution of sensor data when the failure detection target is normal is an appropriate distribution, and as a result, False positive false positives are reduced. If sensor data related to false negative detection data is used as learning data for relearning, the sensor data related to false negative detection data will be included in the distribution of sensor data when the failure detection target is normal. It becomes like this.
- Sensor data related to false negative detection data is sensor data when the failure detection target is abnormal, so the distribution of sensor data when the failure detection target is normal becomes an inappropriate distribution, and as a result, , giving rise to the possibility of false negatives and false positives. If sensor data related to false negative detection data is not used as learning data for relearning, sensor data related to false negative detection data will be included in the distribution of sensor data when the failure detection target is normal. You will no longer be able to do it. As a result, false negative false positives are reduced. If sensor data when the failure detection target is normal is used as learning data used for relearning, a distribution of sensor data when the failure detection target is normal is formed.
- learning data used for relearning the learning model 13 it is useful to use sensor data related to false positive detection data and sensor data related to normal detection data.
- learning data used for relearning the learning model 13 sensor data related to false negative detection data and sensor data related to abnormality detection data should not be used. Note that among multiple sensor data related to normal detection data, sensor data closer to the center of the distribution of sensor data is more likely to indicate that the failure detection target is normal than sensor data close to sensor data related to false positive detection data. It is less effective in clarifying the distribution of sensor data when . Therefore, from the viewpoint of reducing the number of learning data and performing efficient learning, it is less necessary to use sensor data near the center of the distribution of sensor data as learning data.
- the sensor 1 repeatedly observes the failure detection target.
- the sensor 1 outputs a plurality of sensor data indicating the observation results of the failure detection target to the sensor data acquisition unit 11 of the learning data selection device 2.
- the sensor data acquisition unit 11 acquires a plurality of sensor data indicating the observation results of the failure detection target from the sensor 1 (step ST1 in FIG. 4).
- the sensor data acquisition section 11 outputs each sensor data to the sensed data acquisition section 12 and the learning data selection section 14, respectively.
- the detection data acquisition unit 12 acquires each sensor data from the sensor data acquisition unit 11.
- the detection data acquisition unit 12 supplies each sensor data to the learning model 13 and acquires from the learning model 13 detection data indicating whether the failure detection target is normal or abnormal (step ST2 in FIG. 4). ).
- the detection data acquisition unit 12 outputs each detection data to the learning data selection unit 14.
- false positive detection data or false negative detection data may be included. may be included. If the plurality of detection data output from the learning model 13 includes false positive detection data or false negative detection data, and the number of included false positive detection data etc. is large, the learning model 13 13 should be re-learned.
- the identification information acquisition unit 15 acquires each sensor data from the sensor data acquisition unit 11 and acquires each detection data from the detection data acquisition unit 12.
- the identification information acquisition unit 15 outputs each sensor data and each detection data to the man-machine IF unit 3.
- the man-machine IF unit 3 displays each sensor data on, for example, a display device together with the detection result indicated by each sensor data.
- FIG. 6 is an explanatory diagram showing an example of sensor data displayed on the display.
- ⁇ is sensor data indicating that the failure detection target is normal.
- the circles may include sensor data related to false negative detection data in addition to sensor data related to normal detection data.
- ⁇ is sensor data indicating that the failure detection target is abnormal.
- the x may include sensor data related to false positive detection data.
- the user who looks at the display determines that sensor data related to false negative detection data is included in the sensor data marked with ⁇ , the user operates the input device of the man-machine IF section 3 to detect false negative detection data.
- the man-machine IF section 3 outputs identification information (hereinafter referred to as "false negative label") indicating that the specified sensor data is sensor data related to false negative detection data to the identification information acquisition section 15.
- the user who looks at the display determines that sensor data related to false positive detection data is included in the sensor data of ⁇ , he/she operates the input device of the man-machine IF section 3 to Specify sensor data that is considered to be sensor data related to false positive detection data.
- the man-machine IF section 3 outputs identification information (hereinafter referred to as "false positive label") indicating that the specified sensor data is sensor data related to false positive detection data to the identification information acquisition section 15.
- the user who looks at the display determines that the sensor data marked with ⁇ includes sensor data related to normal detection data
- the user operates the input device of the man-machine IF unit 3 to Specify sensor data that is considered to be sensor data related to detection data during normal conditions.
- the man-machine IF section 3 outputs identification information (hereinafter referred to as "normal state label”) indicating that the specified sensor data is sensor data related to normal state detection data to the identification information acquisition section 15.
- the user operates the input device of the man-machine IF section 3 to specify sensor data that is considered to be sensor data related to detection data during normal conditions, and the man-machine IF section 3 assigns a normal state label. It is output to the identification information acquisition section 15.
- the user may operate the input device of the man-machine IF section 3 to avoid specifying sensor data that is considered to be sensor data related to detection data during normal times. In this case, the man-machine IF unit 3 does not output the normal label to the identification information acquisition unit 15.
- the identification information acquisition unit 15 acquires each of the false negative label, false positive label, and normal state label from the man-machine IF unit 3 (step ST3 in FIG. 4).
- the identification information acquisition unit 15 outputs each of the false negative label, false positive label, and normal state label to the sensor data selection unit 16. If the normal state label is not output from the man-machine IF unit 3 to the identification information acquisition unit 15, the identification information acquisition unit 15 acquires each of the false negative label and the false positive label from the man-machine IF unit 3, and performs identification.
- the information acquisition unit 15 outputs each of the false negative label and the false positive label to the sensor data selection unit 16.
- the sensor data selection unit 16 acquires each sensor data from the sensor data acquisition unit 11 and acquires each detection data from the detection data acquisition unit 12. The sensor data selection unit 16 also acquires each of the false negative label, false positive label, and normal state label from the identification information acquisition unit 15. Based on the false positive label, the sensor data selection unit 16 selects sensor data related to false positive detection data from among the plurality of sensor data acquired by the sensor data acquisition unit 11 (step ST4 in FIG. 4). . The sensor data selection unit 16 outputs sensor data related to false positive detection data to the learning data output unit 17.
- the sensor data selection unit 16 selects sensor data related to one or more normal state detection data from among the plurality of sensor data obtained by the sensor data obtaining unit 11 (FIG. 4). step ST5).
- the sensor data selection unit 16 outputs sensor data related to the detection data during normal operation to the learning data output unit 17. If the normal state label is not output from the identification information acquisition unit 15, the sensor data selection unit 16 selects the failure detection target among the plurality of sensor data acquired by the sensor data acquisition unit 11 based on the false negative label.
- sensor data related to detection data indicating normality sensor data other than sensor data related to false negative detection data is selected as sensor data related to detection data during normal times.
- the learning data output unit 17 acquires sensor data related to normal detection data and sensor data related to false positive detection data from the sensor data selection unit 16.
- the learning data output unit 17 calculates the degree of similarity between sensor data related to normal detection data and sensor data related to false positive detection data.
- An example of the degree of similarity is the Euclidean distance between sensor data related to normal detection data and sensor data related to false positive detection data, for example.
- the learning data output unit 17 specifies the position of sensor data related to normal detection data in Euclidean space and the position of sensor data related to false positive detection data in Euclidean space, and calculates the distance between the two specified positions. Straight line distance can be calculated as Euclidean distance.
- the learning data output unit 17 selects sensor data whose similarity is equal to or greater than a threshold value from among the sensor data related to the plurality of normal detection data output from the sensor data selection unit 16.
- the learning data output unit 17 outputs sensor data whose degree of similarity is equal to or higher than a threshold value to the outside as learning data used for relearning the learning model 13 (step ST6 in FIG. 4).
- the learning data output unit 17 discards sensor data whose similarity is less than a threshold without outputting it to the outside. Further, the learning data output unit 17 outputs sensor data related to false positive detection data to the outside as learning data used for relearning the learning model 13 (step ST6 in FIG. 4).
- the learning model 13 uses the sensor data output from the learning data output unit 17 to relearn the distribution of sensor data when the failure detection target is normal.
- FIG. 7 is an explanatory diagram showing the distribution of sensor data re-learned by the learning model 13.
- the sensor data distribution after relearning includes only sensor data when the failure detection target is normal, and the sensor data distribution after relearning includes false negatives. Sensor data related to detection data is not included.
- the distribution of sensor data when the failure detection target is normal is an appropriate distribution.
- the distribution of sensor data retrained by the learning model 13 includes sensor data related to the four false positive detection data shown in FIG. 5, and sensor data related to the four normal detection data shown in FIG. Sensor data related to the data is included.
- the sensor data acquisition unit 11 acquires a plurality of sensor data indicating the observation results of the failure detection target from the sensor 1 that observes the failure detection target, and the sensor data acquisition unit 11 that acquires a plurality of sensor data indicating the observation results of the failure detection target, and the sensor
- Each sensor data acquired by the sensor data acquisition unit 11 is given to the learning model 13 whose data distribution has been learned, and the learning model 13 determines whether the failure detection target is normal or abnormal.
- the learning data selection device 2 is configured to include a detection data acquisition unit 12 that acquires the detection data shown in FIG.
- the learning data selection device 2 determines which sensor data among the plurality of sensor data acquired by the sensor data acquisition unit 11 is a false negative indicating that the failure detection target is normal even though it is abnormal. Acquire identification information for identifying whether the sensor data is related to the detection data, and based on the identification information, select the sensor related to the false negative detection data from among the plurality of sensor data acquired by the sensor data acquisition unit 11.
- a learning data selection unit 14 is provided which selects sensor data related to detection data indicating that the failure detection target is normal as learning data used for relearning the learning model 13 from sensor data other than data. Therefore, the learning data selection device 2 can select learning data that can reduce false detections that the failure detection target is normal even though it is abnormal.
- Embodiment 2 a learning data selection device 2 in which the learning data selection unit 41 includes an identification information acquisition unit 15, a data classification unit 42, an evaluation value calculation unit 43, a priority calculation unit 44, and a learning data output unit 45 will be described. do.
- FIG. 8 is a configuration diagram showing the learning data selection device 2 according to the second embodiment.
- the same reference numerals as those in FIG. 1 indicate the same or corresponding parts, so the explanation will be omitted.
- FIG. 9 is a hardware configuration diagram showing the hardware of the learning data selection device 2 according to the second embodiment.
- the learning data selection device 2 shown in FIG. 8 includes a sensor data acquisition section 11, a sensed data acquisition section 12, and a learning data selection section 41.
- the learning data selection unit 41 is realized, for example, by the learning data selection circuit 25 shown in FIG.
- the learning data selection section 41 includes an identification information acquisition section 15 , a data classification section 42 , an evaluation value calculation section 43 , a priority order calculation section 44 , and a learning data output section 45 .
- the learning data selection unit 41 determines which sensor data among the plurality of sensor data acquired by the sensor data acquisition unit 11 is false negative detection data indicating that the failure detection target is normal even though it is abnormal. Obtain identification information for identifying whether the sensor data is related to. Based on the identification information, the learning data selection unit 41 selects the learning model 13 from among the sensor data other than the sensor data related to false negative detection data among the plurality of sensor data acquired by the sensor data acquisition unit 11.
- Sensor data related to detection data indicating that the failure detection target is normal is selected as learning data used for relearning. Further, the learning data selection unit 41 determines which sensor data among the plurality of sensor data acquired by the sensor data acquisition unit 11 is a false positive indicating that the failure detection target is abnormal even though the failure detection target is normal. Identification information for identifying whether sensor data is related to detection data is acquired. Based on the identification information, the learning data selection unit 41 selects sensors related to false positive detection data as learning data to be used for relearning the learning model 13 from among the plurality of sensor data acquired by the sensor data acquisition unit 11. Select data. The learning data selection unit 41 outputs the selected sensor data to the outside as learning data used for relearning the learning model 13.
- the data classification unit 42 acquires each sensor data from the sensor data acquisition unit 11 and acquires each sensed data from the sensed data acquisition unit 12. Further, the data classification unit 42 acquires each of a false negative label, a false positive label, and a normal state label as identification information from the identification information acquisition unit 15. The data classification unit 42 classifies each sensor data acquired by the sensor data acquisition unit 11 based on each of the false negative label, false positive label, and normal state label into sensor data related to false negative detection data (hereinafter referred to as “ (hereinafter referred to as “false negative sensor data”), sensor data related to false positive detection data (hereinafter referred to as “false positive sensor data”), or sensor data related to normal detection data (hereinafter referred to as "correct sensor data”) do.
- false negative sensor data sensor data related to false positive detection data
- corrected sensor data sensor data related to normal detection data
- sensor data related to detection data at the time of abnormality is not classified by the data classification unit 42 .
- the data classification unit 42 outputs each of false negative sensor data, false positive sensor data, and correct sensor data to the evaluation value calculation unit 43. Further, the data classification section 42 outputs each of the false positive sensor data and the correct sensor data to the learning data output section 45.
- the data classification unit 42 determines whether the failure detection target is normal among the plurality of sensor data acquired by the sensor data acquisition unit 11 based on the false negative label. Among the sensor data related to the detection data indicating that , sensor data other than the sensor data related to the false negative detection data is selected as the sensor data related to the detection data at normal times. Then, the data classification unit 42 classifies the selected sensor data into normal sensor data.
- the evaluation value calculation unit 43 acquires each of false negative sensor data, false positive sensor data, and correct sensor data from the data classification unit 42 .
- the evaluation value calculation unit 43 calculates an evaluation value whose absolute value is larger and whose sign is positive as the degree of similarity between each correct sensor data and false positive sensor data is higher, as the first evaluation value of each correct sensor data. do.
- the evaluation value calculation unit 43 calculates, as a second evaluation value of each positive sensor data, an evaluation value whose absolute value is larger and whose sign is negative as the degree of similarity between each positive sensor data and false negative sensor data is higher. do.
- the evaluation value calculation section 43 outputs the first evaluation value of each correct sensor data and the second evaluation value of each correct sensor data to the priority order calculation section 44 .
- the priority calculation unit 44 acquires the first evaluation value of each correct sensor data and the second evaluation value of each correct sensor data from the evaluation value calculation unit 43.
- the priority calculation unit 44 calculates the priority of each correct sensor data based on the first evaluation value of each correct sensor data and the second evaluation value of each correct sensor data.
- the priority order calculation unit 44 outputs the priority order of each correct sensor data to the learning data output unit 45.
- the learning data output unit 45 selects one or more correct sensor data from among the plurality of correct sensor data output from the data classification unit 42 based on the priority order calculated by the priority order calculation unit 44.
- the learning data output unit 45 outputs the selected correct sensor data and false positive sensor data to the outside as learning data used for relearning the learning model.
- each of the sensor data acquisition section 11, the sensed data acquisition section 12, and the learning data selection section 41, which are the components of the learning data selection device 2 is realized by dedicated hardware as shown in FIG. is assumed. That is, it is assumed that the learning data selection device 2 is realized by the sensor data acquisition circuit 21, the sensed data acquisition circuit 22, and the learning data selection circuit 25.
- Each of the sensor data acquisition circuit 21, the sensed data acquisition circuit 22, and the learning data selection circuit 25 is, for example, a single circuit, a composite circuit, a programmed processor, a parallel programmed processor, an ASIC, an FPGA, or a combination thereof. This applies to
- the components of the learning data selection device 2 are not limited to those realized by dedicated hardware, but the learning data selection device 2 may be realized by software, firmware, or a combination of software and firmware. There may be.
- the learning data selection device 2 is realized by software, firmware, etc.
- a program for causing a computer to execute the respective processing procedures in the sensor data acquisition section 11, the sensed data acquisition section 12, and the learning data selection section 41 is shown in FIG.
- the data is stored in the memory 31 shown in FIG.
- the processor 32 shown in FIG. 3 executes the program stored in the memory 31.
- FIG. 9 shows an example in which each of the components of the learning data selection device 2 is realized by dedicated hardware
- FIG. 3 shows an example in which the learning data selection device 2 is realized by software, firmware, etc. ing.
- this is just an example, and some of the components in the learning data selection device 2 may be realized by dedicated hardware, and the remaining components may be realized by software, firmware, or the like.
- the data classification unit 42 acquires each sensor data from the sensor data acquisition unit 11 and acquires each sensed data from the sensed data acquisition unit 12. Further, the data classification unit 42 acquires each of a false negative label, a false positive label, and a normal state label as identification information from the identification information acquisition unit 15. The data classification unit 42 classifies each sensor data into false negative sensor data, false positive sensor data, or correct sensor data based on each of the false negative label, false positive label, and normal label. If the data classification unit 42 cannot acquire the normal state label from the identification information acquisition unit 15, the data classification unit 42 determines whether the failure detection target is normal among the plurality of sensor data acquired by the sensor data acquisition unit 11 based on the false negative label.
- the data classification unit 42 classifies the selected sensor data into normal sensor data. Among the plurality of sensor data acquired by the sensor data acquisition unit 11 , sensor data related to detection data at the time of abnormality is not classified by the data classification unit 42 .
- the data classification unit 42 outputs each of false negative sensor data, false positive sensor data, and correct sensor data to the evaluation value calculation unit 43. Further, the data classification section 42 outputs each of the false positive sensor data and the correct sensor data to the learning data output section 45.
- the evaluation value calculation unit 43 acquires each of false negative sensor data, false positive sensor data, and correct sensor data from the data classification unit 42 .
- the evaluation value calculation unit 43 collects two false negative sensor data, two false positive sensor data, and four positive sensor data from the data classification unit 42. shall be obtained.
- the first evaluation values EV Dm-FP1 and EV Dm-FP2 are, for example, Euclidean distances. The absolute value of the Euclidean distance as the first evaluation values EV Dm-FP1 and EV Dm-FP2 increases as the degree of similarity between the correct sensor data and the false positive sensor data increases.
- the evaluation value calculation unit 43 identifies the position of the correct sensor data in the Euclidean space and the position of the false positive sensor data in the Euclidean space, and calculates the straight-line distance between the position of the correct sensor data and the position of the false positive sensor data in the Euclidean space. It can be calculated as a distance.
- the evaluation value calculation unit 43 calculates second evaluation values EV Dm-FN1 and EV Dm-FN2 of the respective positive sensor data such that the higher the similarity between the respective positive sensor data and the false negative sensor data, the larger the absolute value. , calculates an evaluation value with a negative sign.
- the second evaluation values EV Dm-FN1 and EV Dm-FN2 are, for example, Euclidean distances.
- the absolute value of the Euclidean distance as the second evaluation values EV Dm-FN1 and EV Dm-FN2 increases as the degree of similarity between the correct sensor data and the false negative sensor data increases. Further, the signs of the Euclidean distances as the second evaluation values EV Dm-FN1 and EV Dm-FN2 are negative.
- the evaluation value calculation unit 43 calculates first evaluation values EV Dm-FP1 and EV Dm-FP2 of the respective positive sensor data and second evaluation values EV Dm-FN1 and EV Dm-FN2 of the respective positive sensor data. It is output to the priority calculation unit 44.
- FIG. 10 is an explanatory diagram showing two false negative sensor data, two false positive sensor data, and four correct sensor data.
- each of D 1 , D 2 , D 3 , and D 4 is positive sensor data
- each of FP 1 and FP 2 is false positive sensor data
- each of FN 1 and FN 2 is This is false negative sensor data.
- FIG. 11 is an explanatory diagram showing each of the first evaluation value and the second evaluation value in the four positive sensor data shown in FIG. 10.
- the numbers indicate the Euclidean distance as the first evaluation value or the Euclidean distance as the second evaluation value.
- the numbers shown in FIG. 11 do not indicate exact Euclidean distances, but are approximate values.
- the priority calculation unit 44 receives the first evaluation values EV Dm-FP1 and EV Dm-FP2 of the respective positive sensor data and the second evaluation value EV Dm-FN1 of the respective positive sensor data from the evaluation value calculation unit 43. , EV Dm-FN2 .
- the priority calculation unit 44 calculates the first evaluation value EV Dm-FP1 , EV Dm-FP2 of each positive sensor data and the first evaluation value EV Dm-FP2 of each positive sensor data, as shown in equations (1) to (4) below. Based on the evaluation values EV Dm-FN1 and EV Dm-FN2 of 2, a score SC m of each positive sensor data is calculated.
- the priority calculation unit 44 compares the four scores SC 1 to SC 4 with each other, and based on the comparison result of the scores SC 1 to SC 4 , the four positive sensor data D 1 , D 2 , D 3 , D 4 . Calculate priorities. The larger the score SC m is, the higher the priority of the positive sensor data D m is. In the example of FIG. 11, the priority of the positive sensor data D2 is 1st, the priority of the positive sensor data D1 is 2nd, the priority of the positive sensor data D4 is 3rd, and the priority of the positive sensor data D3 is is number 4.
- the priority order calculation section 44 outputs the priority order of the four correct sensor data D 1 , D 2 , D 3 , and D 4 to the learning data output section 45 .
- the positive sensor data D2 , the positive sensor data D1 , and the positive sensor data D4 are selected from the four positive sensor data D1, D2 , D3 , and D4 .
- the learning data output unit 45 outputs the selected correct sensor data to the outside as learning data used for relearning the learning model. Further, the learning data output unit 45 outputs the false positive sensor data FP 1 and FP 2 to the outside as learning data used for relearning the learning model.
- the learning data selection unit 41 includes the identification information acquisition unit 15, the data classification unit 42, the evaluation value calculation unit 43, the priority calculation unit 44, and the learning data output unit 45, as shown in FIG.
- a learning data selection device 2 shown in FIG. Therefore, the learning data selection device 2 shown in FIG. 8 is similar to the learning data selection device 2 shown in FIG. Data can be selected. Furthermore, the learning data selection device 2 shown in FIG. 8 can select learning data that can reduce false detections that indicate that the failure detection target is abnormal even though it is normal.
- the priority calculation unit 44 calculates the first evaluation values EV Dm-FP1 and EV Dm-FP2 of the respective positive sensor data and the second evaluation value of the respective positive sensor data.
- the scores SC 1 , SC 2 , SC 3 , and SC 4 of the respective positive sensor data are calculated.
- the priority order calculation unit 44 calculates the first evaluation values EV Dm-FP1 and EV Dm-FP2 of the respective positive sensor data and the second evaluation value of the respective positive sensor data.
- the scores SC 1 , SC 2 , SC 3 , and SC 4 of the respective positive sensor data may be calculated by calculating a weighted average of EV Dm-FN1 and EV Dm-FN2 .
- the learning data selecting device 2 shown in FIG. The top N positive sensor data are selected.
- the learning data output unit 45 selects one piece of positive sensor data from among the plurality of pieces of positive sensor data in the order of the priority calculated by the priority calculation unit 44. Then, the selected one correct sensor data is given to the learning model 13, the learning model 13 is retrained, and the learning data output unit 45
- one positive sensor data may be selected repeatedly. In this case, the learning data selection device 2 can increase the detection accuracy of the learning model 13 after relearning to a threshold value or higher.
- the learning data selection device 2 is configured such that the priority calculation unit 46 calculates the third evaluation value of each positive sensor data based on the acquisition time of each positive sensor data by the sensor data acquisition unit 11. I will explain about it.
- FIG. 12 is a configuration diagram showing a learning data selection device 2 according to the third embodiment.
- the priority calculation unit 46 acquires the first evaluation value of each correct sensor data and the second evaluation value of each correct sensor data from the evaluation value calculation unit 43.
- the priority calculation unit 46 acquires from the sensor data acquisition unit 11 the acquisition time of each correct sensor data by the sensor data acquisition unit 11 .
- the priority calculation unit 46 calculates a third evaluation value of each correct sensor data based on the acquisition time of each correct sensor data.
- the third evaluation value is a smaller value as the acquisition time of the correct sensor data is older.
- the priority calculation unit 46 calculates each positive sensor data based on the first evaluation value of each positive sensor data, the second evaluation value of each positive sensor data, and the third evaluation value of each positive sensor data. Calculate the priority of sensor data.
- the priority order calculation section 46 outputs the priority order of each correct sensor data to the learning data output section 45.
- the correct sensor data are D 1 , D 2 , D 3 , and D 4
- the false positive sensor data are FP 1 and FP 2
- the false negative sensor data is An example in which are FN 1 and FN 2 will be explained.
- the priority calculation unit 46 calculates a third evaluation value of the correct sensor data D m based on the acquisition time t m of the correct sensor data D m .
- the third evaluation value is a smaller value as the acquisition time t m of the correct sensor data D m becomes older. The older the correct sensor data D m is at the acquisition time t m , the more likely it is to deviate from the current sensor data distribution , that is, the sensor data distribution when the failure detection target is normal.
- the third evaluation value of the old positive sensor data Dm is calculated to be a small value.
- the acquisition time t 2 of the positive sensor data D 2 is the latest
- the acquisition time t 4 of the positive sensor data D 4 is the second latest
- the acquisition time t 1 of the positive sensor data D 1 is the third latest
- the positive sensor If the acquisition time t 3 of the data D 3 is the oldest, the third evaluation value EV 3,m of the positive sensor data D m is, for example, as follows.
- Third evaluation value EV 3,1 60
- Third evaluation value EV 3,2 100
- Third evaluation value EV 3,3 20
- Third evaluation value EV 3,4 90
- the third evaluation value EV 3,2 of the correct sensor data D 2 is set based on the acquisition time t 2 of the newest correct sensor data D 2 among the acquisition times t m of the correct sensor data D m.
- the value of is set to 100.
- the priority calculation unit 46 calculates a value proportional to the time difference ⁇ t m between the acquisition time t 2 of the positive sensor data D 2 and the acquisition time t m of other positive sensor data D m . Then, the priority calculation unit 46 subtracts a value proportional to the time difference ⁇ t m from 100, which is the value of the third evaluation value EV 3,2 of the positive sensor data D 2 , and calculates the value obtained by subtracting the value proportional to the time difference ⁇ t m .
- the third evaluation value EV of m is set as 3, the value of m .
- FIG. 13 is an explanatory diagram showing each of the first evaluation value, second evaluation value, and third evaluation value in the four positive sensor data shown in FIG. 10.
- the priority calculation unit 46 calculates the first evaluation values EV Dm-FP1 and EV Dm-FP2 of the positive sensor data D m and the first evaluation value EV Dm-FP2 of the positive sensor data D m as shown in equations (5) to (8) below.
- a score SC m of the positive sensor data D m is calculated based on the second evaluation values EV Dm-FN1 and EV Dm-FN2 and the third evaluation value EV 3,m of the positive sensor data D m .
- the priority calculation unit 46 compares the four scores SC 1 to SC 4 with each other, and based on the comparison results of the scores SC 1 to SC 4 , the four positive sensor data D 1 , D 2 , D 3 , D 4 . Calculate priorities.
- the priority of the positive sensor data D2 is first
- the priority of the positive sensor data D4 is second
- the priority of the positive sensor data D1 is third
- the priority of the positive sensor data D3 is is number 4.
- the priority of the positive sensor data D2 is 1st
- the priority of the positive sensor data D1 is 2nd
- the priority of the positive sensor data D4 is 3rd
- the priority of the positive sensor data D3 is is number 4. Therefore, the priority order of the original sensor data D1 and the priority order of the original sensor data D4 are reversed.
- the priority order calculation section 46 outputs the priority order of the four correct sensor data D 1 , D 2 , D 3 , and D 4 to the learning data output section 45 .
- the priority calculation unit 46 calculates the third evaluation value of each positive sensor data based on the acquisition time of each positive sensor data by the sensor data acquisition unit 11, and calculates the third evaluation value of each positive sensor data. As shown in FIG. 12, the priority order of each positive sensor data is calculated based on each of the first evaluation value and the second evaluation value calculated by the calculation unit 43 and the third evaluation value.
- a learning data selection device 2 was constructed. Therefore, the learning data selection device 2 shown in FIG. 12 is similar to the learning data selection device 2 shown in FIG. Data can be selected. Further, the learning data selection device 2 shown in FIG. 12 is similar to the learning data selection device 2 shown in FIG. Data can be selected. Furthermore, the learning data selection device 2 shown in FIG. 12 can lower the priority of each correct sensor data as the acquisition time of each correct sensor data by the sensor data acquisition unit 11 becomes older.
- Embodiment 4 a learning data selection device 2 including a relearning section 50 that retrains the learning model 13 using the learning data selected by the learning data selecting section 14 will be described.
- FIG. 14 is a configuration diagram showing a learning data selection device 2 according to the fourth embodiment.
- the same reference numerals as those in FIGS. 1, 8, and 12 indicate the same or corresponding parts, so the explanation will be omitted.
- FIG. 15 is a hardware configuration diagram showing the hardware of the learning data selection device 2 according to the fourth embodiment.
- the same reference numerals as those in FIGS. 2 and 9 indicate the same or corresponding parts, so the explanation will be omitted.
- the learning data selection device 2 shown in FIG. 14 includes a sensor data acquisition section 11, a sensed data acquisition section 12, a learning data selection section 14, and a relearning section 50.
- the relearning unit 50 is realized, for example, by the relearning circuit 26 shown in FIG. 15.
- the relearning unit 50 retrains the learning model 13 using the learning data selected by the learning data selection unit 14.
- the relearning section 50 is applied to the learning data selection device 2 shown in FIG.
- the relearning unit 50 may be applied to the learning data selection device 2 shown in FIG. 8 or the learning data selection device 2 shown in FIG. 12.
- each of the sensor data acquisition unit 11, the sensed data acquisition unit 12, the learning data selection unit 14, and the relearning unit 50, which are the components of the learning data selection device 2 is a dedicated hardware as shown in FIG. It is assumed that this will be realized by That is, it is assumed that the learning data selection device 2 is realized by the sensor data acquisition circuit 21, the sensed data acquisition circuit 22, the learning data selection circuit 24, and the relearning circuit 26.
- Each of the sensor data acquisition circuit 21, the sensed data acquisition circuit 22, the learning data selection circuit 24, and the relearning circuit 26 is, for example, a single circuit, a composite circuit, a programmed processor, a parallel programmed processor, an ASIC, an FPGA, Or a combination of these applies.
- the components of the learning data selection device 2 are not limited to those realized by dedicated hardware, but the learning data selection device 2 may be realized by software, firmware, or a combination of software and firmware. There may be.
- the learning data selection device 2 is realized by software, firmware, etc., in order to cause a computer to execute the respective processing procedures in the sensor data acquisition section 11, the sensed data acquisition section 12, the learning data selection section 14, and the relearning section 50.
- the program is stored in the memory 31 shown in FIG.
- the processor 32 shown in FIG. 3 executes the program stored in the memory 31.
- FIG. 15 shows an example in which each of the components of the learning data selection device 2 is realized by dedicated hardware
- FIG. 3 shows an example in which the learning data selection device 2 is realized by software, firmware, etc. ing.
- this is just an example, and some of the components in the learning data selection device 2 may be realized by dedicated hardware, and the remaining components may be realized by software, firmware, or the like.
- the relearning unit 50 acquires the correct sensor data and false positive sensor data from the learning data selection unit 14 as learning data used for relearning the learning model 13.
- the relearning unit 50 retrains the learning model 13 using the correct sensor data and the false positive sensor data.
- the learning model 13 uses the correct sensor data and the false positive sensor data to re-learn the distribution of sensor data when the failure detection target is normal.
- the sensor data distribution after relearning does not include sensor data related to false negative detection data. As a result, the distribution of sensor data when the failure detection target is normal is an appropriate distribution.
- FIG. 16 is an explanatory diagram showing the proportion of learning data output from the learning data selection unit 14 included in the learning data used for the previous learning of the learning model 13.
- ⁇ indicates correct sensor data
- ⁇ with diagonal lines indicates correct sensor data output as learning data from the learning data selection unit 14 among the learning data used in the previous learning of the learning model 13. It is data. ⁇ is false positive sensor data output as learning data from the learning data selection unit 14.
- the hyperparameter of the learning model 13 is, for example, a value for controlling the behavior of the algorithm in the learning model 13. By adjusting the hyperparameters of the learning model 13, it is expected that, for example, the performance of the learning model 13 will be improved, overfitting will be suppressed, or learning efficiency will be improved.
- the learning data selection device 2 shown in FIG. did. Therefore, the learning data selection device 2 shown in FIG. 14 is similar to the learning data selection device 2 shown in FIG. In addition to being able to select data, it is also possible to cause the learning model 13 to relearn the distribution of sensor data.
- FIG. 17 is a configuration diagram showing an abnormality detection device according to Embodiment 5.
- the same reference numerals as those in FIG. 14 indicate the same or corresponding parts, so the explanation will be omitted.
- FIG. 18 is a hardware configuration diagram showing the hardware of the abnormality detection device according to the fifth embodiment.
- the anomaly detection device shown in FIG. 17 includes a learning data selection device 2 and an anomaly detection section 60.
- a learning model 13 is provided outside the detection data acquisition section 12.
- the sensed data acquisition unit 12 may include the learning model 13.
- the learning model 13 is a learning model that has been relearned by the relearning unit 50.
- the abnormality detection section 60 is realized, for example, by the abnormality detection circuit 27 shown in FIG. 18. After the learning model 13 is relearned by the relearning unit 50, the anomaly detection unit 60 provides the sensor data acquired by the sensor data acquisition unit 11 to the relearned learning model 13 to obtain the relearned learning model 13. 13, detection data indicating whether the failure detection target is normal or abnormal is acquired. The abnormality detection unit 60 outputs detection data to the outside.
- each of the sensor data acquisition section 11, the detected data acquisition section 12, the learning data selection section 14, the relearning section 50, and the anomaly detection section 60 which are the components of the anomaly detection device, is It is assumed that this will be realized using the following hardware. That is, it is assumed that the abnormality detection device is realized by the sensor data acquisition circuit 21, the sensed data acquisition circuit 22, the learning data selection circuit 24, the relearning circuit 26, and the abnormality detection circuit 27.
- Each of the sensor data acquisition circuit 21, the sensed data acquisition circuit 22, the learning data selection circuit 24, the relearning circuit 26, and the abnormality detection circuit 27 is, for example, a single circuit, a composite circuit, a programmed processor, or a parallel programmed processor. , ASIC, FPGA, or a combination thereof.
- the components of the anomaly detection device are not limited to those realized by dedicated hardware, and the learning data selection device 2 may be realized by software, firmware, or a combination of software and firmware. Good too.
- the anomaly detection device is realized by software, firmware, etc.
- each processing procedure in the sensor data acquisition section 11, the detected data acquisition section 12, the learning data selection section 14, the relearning section 50, and the anomaly detection section 60 can be executed on a computer.
- a program to be executed is stored in the memory 31 shown in FIG.
- the processor 32 shown in FIG. 3 executes the program stored in the memory 31.
- FIG. 18 shows an example in which each of the components of the anomaly detection device is realized by dedicated hardware
- FIG. 3 shows an example in which the anomaly detection device is realized by software, firmware, or the like.
- this is just an example, and some of the components in the abnormality detection device may be realized by dedicated hardware, and the remaining components may be realized by software, firmware, or the like.
- the abnormality detection unit 60 acquires sensor data from the sensor data acquisition unit 11 after the learning model 13 is relearned by the relearning unit 50 .
- the abnormality detection unit 60 provides the sensor data to the relearning learning model 13 and acquires detection data indicating whether the failure detection target is normal or abnormal from the relearning learning model 13.
- the abnormality detection unit 60 outputs detection data to the outside.
- the sensor data acquired by the sensor data acquiring unit 11 is The anomaly detection device is configured to include an anomaly detection unit 60 that is applied to the learning model 13 and acquires detection data indicating whether the failure detection target is normal or abnormal from the learning model 13 after relearning. did. Therefore, the abnormality detection device can reduce false detection that the failure detection target is normal even though it is abnormal.
- the present disclosure is suitable for a learning data selection device, a learning data selection method, and an anomaly detection device.
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
故障検知対象を観測するセンサ(1)から、故障検知対象の観測結果を示す複数のセンサデータを取得するセンサデータ取得部(11)と、故障検知対象が正常であるときのセンサデータの分布が学習されている学習モデル(13)に対して、センサデータ取得部(11)により取得されたそれぞれのセンサデータを与えて、学習モデル(13)から、故障検知対象が正常であるのか異常であるのかを示す検知データをそれぞれ取得する検知データ取得部(12)とを備えるように、学習データ選択装置(2)を構成した。また、学習データ選択装置(2)は、センサデータ取得部(11)により取得された複数のセンサデータの中で、いずれのセンサデータが、故障検知対象が異常であるのに正常である旨を示す偽陰性の検知データに係るセンサデータであるのかを識別するための識別情報を取得し、識別情報に基づいて、センサデータ取得部(11)により取得された複数のセンサデータのうち、偽陰性の検知データに係るセンサデータ以外のセンサデータの中から、学習モデル(13)の再学習に用いる学習データとして、故障検知対象が正常である旨を示す検知データに係るセンサデータを選択する学習データ選択部(14)を備えている。
Description
本開示は、学習データ選択装置、学習データ選択方法及び異常検知装置に関するものである。
故障検知対象を観測するセンサからセンサデータを取得し、センサデータを学習モデルに与えて、学習モデルから、故障検知対象が正常であるのか異常であるのかを示す検知データを取得する異常検知装置がある(例えば、特許文献1を参照)。当該学習モデルは、故障検知対象が正常であるときのセンサデータが学習データとして与えられ、故障検知対象が正常であるときのセンサデータの分布を学習したものであることを前提としている。故障検知対象が正常であるときのセンサデータは、例えば、故障検知対象の運用初期段階の期間内において、センサから出力されたセンサデータである。
当該異常検知装置では、学習モデルの検知精度を高めるために、学習モデルの再学習が行われることがある。学習モデルの再学習に用いる学習データとしては、追加学習用のセンサデータと、故障検知対象の正常期間内のセンサデータとがある。
追加学習用のセンサデータは、故障検知対象が正常であるのに異常である旨の誤検知を生じた可能性が高いときのセンサデータである。故障検知対象の正常期間内のセンサデータは、任意の評価時において、正常期間内のものと判断されているセンサデータである。
当該異常検知装置では、学習モデルの検知精度を高めるために、学習モデルの再学習が行われることがある。学習モデルの再学習に用いる学習データとしては、追加学習用のセンサデータと、故障検知対象の正常期間内のセンサデータとがある。
追加学習用のセンサデータは、故障検知対象が正常であるのに異常である旨の誤検知を生じた可能性が高いときのセンサデータである。故障検知対象の正常期間内のセンサデータは、任意の評価時において、正常期間内のものと判断されているセンサデータである。
特許文献1に開示されている異常検知装置では、学習モデルの再学習に用いる学習データとして、任意の評価時におけるセンサデータのうち、故障検知対象の正常期間内のものと判断されたセンサデータが用いられる。しかしながら、運用初期段階において、故障検知対象に初期故障が生じているような場合、あるいは、故障検知対象に経年劣化が生じているような場合、正常期間内のセンサデータの中に、故障検知対象が異常であるときのセンサデータが含まれている可能性がある。したがって、任意の評価時におけるセンサデータのうち、故障検知対象の正常期間内のものと判断されたセンサデータにも、故障検知対象が異常であるのに正常であると誤検知されたセンサデータが含まれ得る。学習モデルの再学習に用いる学習データに、故障検知対象が異常であるときのセンサデータが含まれていた場合、学習モデルの再学習が行われても、当該異常検知装置は、依然として、故障検知対象が異常であるのに正常である旨の誤検知を生じてしまうことがあるという課題があった。
本開示は、上記のような課題を解決するためになされたもので、故障検知対象が異常であるのに正常である旨の誤検知を低減させることが可能な学習データを選択することができる学習データ選択装置及び学習データ選択方法を得ることを目的とする。
本開示に係る学習データ選択装置は、故障検知対象を観測するセンサから、故障検知対象の観測結果を示す複数のセンサデータを取得するセンサデータ取得部と、故障検知対象が正常であるときのセンサデータの分布が学習されている学習モデルに対して、センサデータ取得部により取得されたそれぞれのセンサデータを与えて、学習モデルから、故障検知対象が正常であるのか異常であるのかを示す検知データをそれぞれ取得する検知データ取得部とを備えている。また、学習データ選択装置は、センサデータ取得部により取得された複数のセンサデータの中で、いずれのセンサデータが、故障検知対象が異常であるのに正常である旨を示す偽陰性の検知データに係るセンサデータであるのかを識別するための識別情報を取得し、識別情報に基づいて、センサデータ取得部により取得された複数のセンサデータのうち、偽陰性の検知データに係るセンサデータ以外のセンサデータの中から、学習モデルの再学習に用いる学習データとして、故障検知対象が正常である旨を示す検知データに係るセンサデータを選択する学習データ選択部を備えている。
本開示によれば、故障検知対象が異常であるのに正常である旨の誤検知を低減させることが可能な学習データを選択することができる。
以下、本開示をより詳細に説明するために、本開示を実施するための形態について、添付の図面に従って説明する。
実施の形態1.
図1は、実施の形態1に係る学習データ選択装置2を示す構成図である。
図2は、実施の形態1に係る学習データ選択装置2のハードウェアを示すハードウェア構成図である。
図1において、センサ1は、故障検知対象を繰り返し観測する。
センサ1は、故障検知対象の観測結果を示す複数のセンサデータを学習データ選択装置2に出力する。
学習データ選択装置2は、センサデータ取得部11、検知データ取得部12及び学習データ選択部14を備えている。
マンマシンインタフェース部(以下「マンマシンIF部」という)3は、入力装置及び出力装置を備えている。入力装置は、ユーザの操作を受ける装置であり、例えば、マウス、又は、キーボードによって実現されている。出力装置は、学習データ選択装置2から出力されたセンサデータ等を表示する表示機器等によって実現されている。
図1は、実施の形態1に係る学習データ選択装置2を示す構成図である。
図2は、実施の形態1に係る学習データ選択装置2のハードウェアを示すハードウェア構成図である。
図1において、センサ1は、故障検知対象を繰り返し観測する。
センサ1は、故障検知対象の観測結果を示す複数のセンサデータを学習データ選択装置2に出力する。
学習データ選択装置2は、センサデータ取得部11、検知データ取得部12及び学習データ選択部14を備えている。
マンマシンインタフェース部(以下「マンマシンIF部」という)3は、入力装置及び出力装置を備えている。入力装置は、ユーザの操作を受ける装置であり、例えば、マウス、又は、キーボードによって実現されている。出力装置は、学習データ選択装置2から出力されたセンサデータ等を表示する表示機器等によって実現されている。
センサデータ取得部11は、例えば、図2に示すセンサデータ取得回路21によって実現される。
センサデータ取得部11は、センサ1から、故障検知対象の観測結果を示す複数のセンサデータを取得する。
センサデータ取得部11は、それぞれのセンサデータを検知データ取得部12及び学習データ選択部14のそれぞれに出力する。
センサデータ取得部11は、センサ1から、故障検知対象の観測結果を示す複数のセンサデータを取得する。
センサデータ取得部11は、それぞれのセンサデータを検知データ取得部12及び学習データ選択部14のそれぞれに出力する。
検知データ取得部12は、例えば、図2に示す検知データ取得回路22によって実現される。
検知データ取得部12は、学習モデル13を備えている。
検知データ取得部12は、センサデータ取得部11により取得されたそれぞれのセンサデータを学習モデル13に与えて、学習モデル13から、故障検知対象が正常であるのか異常であるのかを示す検知データをそれぞれ取得する。
検知データ取得部12は、それぞれの検知データを学習データ選択部14に出力する。
図1に示す学習データ選択装置2では、検知データ取得部12が、学習モデル13を備えている。しかし、これは一例に過ぎず、学習モデル13が、検知データ取得部12の外部に設けられていてもよい。
検知データ取得部12は、学習モデル13を備えている。
検知データ取得部12は、センサデータ取得部11により取得されたそれぞれのセンサデータを学習モデル13に与えて、学習モデル13から、故障検知対象が正常であるのか異常であるのかを示す検知データをそれぞれ取得する。
検知データ取得部12は、それぞれの検知データを学習データ選択部14に出力する。
図1に示す学習データ選択装置2では、検知データ取得部12が、学習モデル13を備えている。しかし、これは一例に過ぎず、学習モデル13が、検知データ取得部12の外部に設けられていてもよい。
学習モデル13は、例えば、ニューラルネットワークによって実現される。
学習モデル13は、例えば、教師なし学習モデルである。
学習時において、学習モデル13は、故障検知対象が正常であるときのセンサデータが与えられ、センサデータの分布を学習している。
推論時において、学習モデル13は、故障検知対象が正常であるときのセンサデータが与えられると、故障検知対象が正常である旨を示す検知データを出力する。学習モデル13は、故障検知対象が異常であるときのセンサデータが与えられると、故障検知対象が異常である旨を示す検知データを出力する。
ただし、学習モデル13の検知精度が低い場合、学習モデル13は、故障検知対象が正常であるのに異常である旨を示す偽陽性の検知データ、あるいは、故障検知対象が異常であるのに正常である旨を示す偽陰性の検知データを出力してしまう誤検知を生じることがある。
学習モデル13は、例えば、教師なし学習モデルである。
学習時において、学習モデル13は、故障検知対象が正常であるときのセンサデータが与えられ、センサデータの分布を学習している。
推論時において、学習モデル13は、故障検知対象が正常であるときのセンサデータが与えられると、故障検知対象が正常である旨を示す検知データを出力する。学習モデル13は、故障検知対象が異常であるときのセンサデータが与えられると、故障検知対象が異常である旨を示す検知データを出力する。
ただし、学習モデル13の検知精度が低い場合、学習モデル13は、故障検知対象が正常であるのに異常である旨を示す偽陽性の検知データ、あるいは、故障検知対象が異常であるのに正常である旨を示す偽陰性の検知データを出力してしまう誤検知を生じることがある。
学習データ選択部14は、例えば、図2に示す学習データ選択回路24によって実現される。
学習データ選択部14は、識別情報取得部15、センサデータ選択部16及び学習データ出力部17を備えている。
学習データ選択部14は、センサデータ取得部11により取得された複数のセンサデータの中で、いずれのセンサデータが、故障検知対象が異常であるのに正常である旨を示す偽陰性の検知データに係るセンサデータであるのかを識別するための識別情報を取得する。
学習データ選択部14は、識別情報に基づいて、センサデータ取得部11により取得された複数のセンサデータのうち、偽陰性の検知データに係るセンサデータ以外のセンサデータの中から、学習モデル13の再学習に用いる学習データとして、故障検知対象が正常である旨を示す検知データに係るセンサデータを選択する。
また、学習データ選択部14は、センサデータ取得部11により取得された複数のセンサデータの中で、いずれのセンサデータが、故障検知対象が正常であるのに異常である旨を示す偽陽性の検知データに係るセンサデータであるのかを識別するための識別情報を取得する。
学習データ選択部14は、識別情報に基づいて、センサデータ取得部11により取得された複数のセンサデータの中から、学習モデル13の再学習に用いる学習データとして、偽陽性の検知データに係るセンサデータを選択する。
学習データ選択部14は、選択したセンサデータを学習モデル13の再学習に用いる学習データとして外部に出力する。
学習データ選択部14は、識別情報取得部15、センサデータ選択部16及び学習データ出力部17を備えている。
学習データ選択部14は、センサデータ取得部11により取得された複数のセンサデータの中で、いずれのセンサデータが、故障検知対象が異常であるのに正常である旨を示す偽陰性の検知データに係るセンサデータであるのかを識別するための識別情報を取得する。
学習データ選択部14は、識別情報に基づいて、センサデータ取得部11により取得された複数のセンサデータのうち、偽陰性の検知データに係るセンサデータ以外のセンサデータの中から、学習モデル13の再学習に用いる学習データとして、故障検知対象が正常である旨を示す検知データに係るセンサデータを選択する。
また、学習データ選択部14は、センサデータ取得部11により取得された複数のセンサデータの中で、いずれのセンサデータが、故障検知対象が正常であるのに異常である旨を示す偽陽性の検知データに係るセンサデータであるのかを識別するための識別情報を取得する。
学習データ選択部14は、識別情報に基づいて、センサデータ取得部11により取得された複数のセンサデータの中から、学習モデル13の再学習に用いる学習データとして、偽陽性の検知データに係るセンサデータを選択する。
学習データ選択部14は、選択したセンサデータを学習モデル13の再学習に用いる学習データとして外部に出力する。
識別情報取得部15は、センサデータ取得部11から、それぞれのセンサデータを取得し、検知データ取得部12から、それぞれの検知データを取得する。
識別情報取得部15は、それぞれのセンサデータとそれぞれの検知データとをマンマシンIF部3に出力する。マンマシンIF部3は、それぞれの検知データが示す検知結果と一緒に、それぞれのセンサデータを例えば表示器に表示させる。ユーザは、表示器に表示されているセンサデータが、偽陽性の検知データに係るセンサデータであれば、マンマシンIF部3の入力装置を操作して、当該センサデータが、偽陽性の検知データに係るセンサデータである旨を示す識別情報を設定する。マンマシンIF部3は、設定した識別情報を識別情報取得部15に出力する。また、ユーザは、表示器に表示されているセンサデータが、偽陰性の検知データに係るセンサデータであれば、マンマシンIF部3の入力装置を操作して、当該センサデータが、偽陰性の検知データに係るセンサデータである旨を示す識別情報を設定する。マンマシンIF部3は、設定した識別情報を識別情報取得部15に出力する。さらに、ユーザは、表示器に表示されているセンサデータが、故障検知対象が正常であるときに正常である旨を示す正常時の検知データに係るセンサデータであれば、マンマシンIF部3の入力装置を操作して、当該センサデータが、正常時の検知データに係るセンサデータである旨を示す識別情報を設定する。マンマシンIF部3は、設定した識別情報を識別情報取得部15に出力する。
識別情報取得部15は、マンマシンIF部3から出力された識別情報を取得し、識別情報をセンサデータ選択部16に出力する。
識別情報取得部15は、それぞれのセンサデータとそれぞれの検知データとをマンマシンIF部3に出力する。マンマシンIF部3は、それぞれの検知データが示す検知結果と一緒に、それぞれのセンサデータを例えば表示器に表示させる。ユーザは、表示器に表示されているセンサデータが、偽陽性の検知データに係るセンサデータであれば、マンマシンIF部3の入力装置を操作して、当該センサデータが、偽陽性の検知データに係るセンサデータである旨を示す識別情報を設定する。マンマシンIF部3は、設定した識別情報を識別情報取得部15に出力する。また、ユーザは、表示器に表示されているセンサデータが、偽陰性の検知データに係るセンサデータであれば、マンマシンIF部3の入力装置を操作して、当該センサデータが、偽陰性の検知データに係るセンサデータである旨を示す識別情報を設定する。マンマシンIF部3は、設定した識別情報を識別情報取得部15に出力する。さらに、ユーザは、表示器に表示されているセンサデータが、故障検知対象が正常であるときに正常である旨を示す正常時の検知データに係るセンサデータであれば、マンマシンIF部3の入力装置を操作して、当該センサデータが、正常時の検知データに係るセンサデータである旨を示す識別情報を設定する。マンマシンIF部3は、設定した識別情報を識別情報取得部15に出力する。
識別情報取得部15は、マンマシンIF部3から出力された識別情報を取得し、識別情報をセンサデータ選択部16に出力する。
ここでは、表示器に表示されているセンサデータが、故障検知対象が正常であるときに正常である旨を示す正常時の検知データに係るセンサデータであれば、ユーザが、マンマシンIF部3の入力装置を操作して、当該センサデータが、正常時の検知データに係るセンサデータである旨を示す識別情報を設定している。そして、マンマシンIF部3は、設定した識別情報を識別情報取得部15に出力している。しかし、これは一例に過ぎず、ユーザが、マンマシンIF部3の入力装置を操作して、正常時の検知データに係るセンサデータである旨を示す識別情報の設定を行わないようにしてもよい。この場合、マンマシンIF部3は、正常時の検知データに係るセンサデータである旨を示す識別情報を識別情報取得部15に出力しない。
センサデータ選択部16は、センサデータ取得部11から、それぞれのセンサデータを取得し、検知データ取得部12から、それぞれの検知データを取得し、識別情報取得部15から、識別情報を取得する。
センサデータ選択部16は、識別情報に基づいて、センサデータ取得部11により取得された複数のセンサデータの中から、正常時の検知データに係るセンサデータを選択する。
また、センサデータ選択部16は、識別情報に基づいて、センサデータ取得部11により取得された複数のセンサデータの中から、偽陽性の検知データに係るセンサデータを選択する。
センサデータ選択部16は、正常時の検知データに係るセンサデータと偽陽性の検知データに係るセンサデータとを学習データ出力部17に出力する。
センサデータ選択部16は、識別情報に基づいて、センサデータ取得部11により取得された複数のセンサデータの中から、正常時の検知データに係るセンサデータを選択する。
また、センサデータ選択部16は、識別情報に基づいて、センサデータ取得部11により取得された複数のセンサデータの中から、偽陽性の検知データに係るセンサデータを選択する。
センサデータ選択部16は、正常時の検知データに係るセンサデータと偽陽性の検知データに係るセンサデータとを学習データ出力部17に出力する。
学習データ出力部17は、センサデータ選択部16から、正常時の検知データに係るセンサデータと偽陽性の検知データに係るセンサデータとを取得する。
学習データ出力部17は、正常時の検知データに係るセンサデータと偽陽性の検知データに係るセンサデータとの類似度が閾値以上であれば、学習モデル13の再学習に用いる学習データとして、正常時の検知データに係るセンサデータを外部に出力する。
学習データ出力部17は、類似度が閾値未満であれば、学習モデル13の再学習に用いる学習データとして、正常時の検知データに係るセンサデータを外部に出力せずに破棄する。
学習データ出力部17は、学習モデル13の再学習に用いる学習データとして、偽陽性の検知データに係るセンサデータを外部に出力する。閾値は、学習データ出力部17の内部メモリに格納されていてもよいし、学習データ選択装置2の外部から与えられたものであってもよい。
学習データ出力部17は、正常時の検知データに係るセンサデータと偽陽性の検知データに係るセンサデータとの類似度が閾値以上であれば、学習モデル13の再学習に用いる学習データとして、正常時の検知データに係るセンサデータを外部に出力する。
学習データ出力部17は、類似度が閾値未満であれば、学習モデル13の再学習に用いる学習データとして、正常時の検知データに係るセンサデータを外部に出力せずに破棄する。
学習データ出力部17は、学習モデル13の再学習に用いる学習データとして、偽陽性の検知データに係るセンサデータを外部に出力する。閾値は、学習データ出力部17の内部メモリに格納されていてもよいし、学習データ選択装置2の外部から与えられたものであってもよい。
図1では、学習データ選択装置2の構成要素であるセンサデータ取得部11、検知データ取得部12及び学習データ選択部14のそれぞれが、図2に示すような専用のハードウェアによって実現されるものを想定している。即ち、学習データ選択装置2が、センサデータ取得回路21、検知データ取得回路22及び学習データ選択回路24によって実現されるものを想定している。
センサデータ取得回路21、検知データ取得回路22及び学習データ選択回路24のそれぞれは、例えば、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、ASIC(Application Specific Integrated Circuit)、FPGA(Field-Programmable Gate Array)、又は、これらを組み合わせたものが該当する。
センサデータ取得回路21、検知データ取得回路22及び学習データ選択回路24のそれぞれは、例えば、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、ASIC(Application Specific Integrated Circuit)、FPGA(Field-Programmable Gate Array)、又は、これらを組み合わせたものが該当する。
学習データ選択装置2の構成要素は、専用のハードウェアによって実現されるものに限るものではなく、学習データ選択装置2が、ソフトウェア、ファームウェア、又は、ソフトウェアとファームウェアとの組み合わせによって実現されるものであってもよい。
ソフトウェア又はファームウェアは、プログラムとして、コンピュータのメモリに格納される。コンピュータは、プログラムを実行するハードウェアを意味し、例えば、CPU(Central Processing Unit)、中央処理装置、処理装置、演算装置、マイクロプロセッサ、マイクロコンピュータ、プロセッサ、あるいは、DSP(Digital Signal Processor)が該当する。
ソフトウェア又はファームウェアは、プログラムとして、コンピュータのメモリに格納される。コンピュータは、プログラムを実行するハードウェアを意味し、例えば、CPU(Central Processing Unit)、中央処理装置、処理装置、演算装置、マイクロプロセッサ、マイクロコンピュータ、プロセッサ、あるいは、DSP(Digital Signal Processor)が該当する。
図3は、学習データ選択装置2が、ソフトウェア又はファームウェア等によって実現される場合のコンピュータのハードウェア構成図である。
学習データ選択装置2が、ソフトウェア又はファームウェア等によって実現される場合、センサデータ取得部11、検知データ取得部12及び学習データ選択部14におけるそれぞれの処理手順をコンピュータに実行させるためのプログラムがメモリ31に格納される。そして、コンピュータのプロセッサ32がメモリ31に格納されているプログラムを実行する。
学習データ選択装置2が、ソフトウェア又はファームウェア等によって実現される場合、センサデータ取得部11、検知データ取得部12及び学習データ選択部14におけるそれぞれの処理手順をコンピュータに実行させるためのプログラムがメモリ31に格納される。そして、コンピュータのプロセッサ32がメモリ31に格納されているプログラムを実行する。
また、図2では、学習データ選択装置2の構成要素のそれぞれが専用のハードウェアによって実現される例を示し、図3では、学習データ選択装置2がソフトウェア又はファームウェア等によって実現される例を示している。しかし、これは一例に過ぎず、学習データ選択装置2における一部の構成要素が専用のハードウェアによって実現され、残りの構成要素がソフトウェア又はファームウェア等によって実現されるものであってもよい。
次に、図1に示す学習データ選択装置2の動作について説明する。
図4は、学習データ選択装置2の処理手順である学習データ選択方法を示すフローチャートである。
図1に示す学習データ選択装置2では、故障検知対象が、例えば、自動車のエンジンに接続されているシャフトであり、センサ1から出力されるセンサデータが、例えば、シャフトの振動数である。ただし、故障検知対象がシャフトに限られるものではなく、また、センサデータがシャフトの振動数に限られるものではない。例えば、故障検知対象がエアコンであり、センサデータが消費電力であってもよい。
図4は、学習データ選択装置2の処理手順である学習データ選択方法を示すフローチャートである。
図1に示す学習データ選択装置2では、故障検知対象が、例えば、自動車のエンジンに接続されているシャフトであり、センサ1から出力されるセンサデータが、例えば、シャフトの振動数である。ただし、故障検知対象がシャフトに限られるものではなく、また、センサデータがシャフトの振動数に限られるものではない。例えば、故障検知対象がエアコンであり、センサデータが消費電力であってもよい。
図5は、学習モデル13により学習された、故障検知対象が正常であるときのセンサデータの分布を示す説明図である。
図5において、○、△、□、×のそれぞれは、学習モデル13から出力された検知データに係るセンサデータである。
特に、○は、故障検知対象が正常であるときに正常である旨を示す正常時の検知データに係るセンサデータ、△は、故障検知対象が正常であるのに異常である旨を示す偽陽性の検知データに係るセンサデータである。
□は、故障検知対象が異常であるのに正常である旨を示す偽陰性の検知データに係るセンサデータ、×は、故障検知対象が異常であるときに異常である旨を示す異常時の検知データに係るセンサデータである。
図5において、○、△、□、×のそれぞれは、学習モデル13から出力された検知データに係るセンサデータである。
特に、○は、故障検知対象が正常であるときに正常である旨を示す正常時の検知データに係るセンサデータ、△は、故障検知対象が正常であるのに異常である旨を示す偽陽性の検知データに係るセンサデータである。
□は、故障検知対象が異常であるのに正常である旨を示す偽陰性の検知データに係るセンサデータ、×は、故障検知対象が異常であるときに異常である旨を示す異常時の検知データに係るセンサデータである。
偽陽性の検知データ及び偽陰性の検知データにおけるそれぞれの検知結果は、誤検知である。
誤検知を低減するには、学習モデル13の再学習が必要である。再学習に用いる学習データとして、偽陽性の検知データに係るセンサデータを用いれば、故障検知対象が正常であるときのセンサデータの分布の中に、偽陽性の検知データに係るセンサデータが含まれるようになる。偽陽性の検知データに係るセンサデータは、故障検知対象が正常であるときのセンサデータであるため、故障検知対象が正常であるときのセンサデータの分布が適正な分布になり、その結果として、偽陽性の誤検知が低減される。
再学習に用いる学習データとして、偽陰性の検知データに係るセンサデータを用いれば、故障検知対象が正常であるときのセンサデータの分布の中に、偽陰性の検知データに係るセンサデータが含まれるようになる。偽陰性の検知データに係るセンサデータは、故障検知対象が異常であるときのセンサデータであるため、故障検知対象が正常であるときのセンサデータの分布が不適正な分布になり、その結果として、偽陰性の誤検知が発生する可能性を生じる。再学習に用いる学習データとして、偽陰性の検知データに係るセンサデータを用いなければ、故障検知対象が正常であるときのセンサデータの分布の中に、偽陰性の検知データに係るセンサデータが含まれないようになる。その結果、偽陰性の誤検知が低減される。
再学習に用いる学習データとして、故障検知対象が正常であるときのセンサデータを用いれば、故障検知対象が正常であるときのセンサデータの分布が形成される。
誤検知を低減するには、学習モデル13の再学習が必要である。再学習に用いる学習データとして、偽陽性の検知データに係るセンサデータを用いれば、故障検知対象が正常であるときのセンサデータの分布の中に、偽陽性の検知データに係るセンサデータが含まれるようになる。偽陽性の検知データに係るセンサデータは、故障検知対象が正常であるときのセンサデータであるため、故障検知対象が正常であるときのセンサデータの分布が適正な分布になり、その結果として、偽陽性の誤検知が低減される。
再学習に用いる学習データとして、偽陰性の検知データに係るセンサデータを用いれば、故障検知対象が正常であるときのセンサデータの分布の中に、偽陰性の検知データに係るセンサデータが含まれるようになる。偽陰性の検知データに係るセンサデータは、故障検知対象が異常であるときのセンサデータであるため、故障検知対象が正常であるときのセンサデータの分布が不適正な分布になり、その結果として、偽陰性の誤検知が発生する可能性を生じる。再学習に用いる学習データとして、偽陰性の検知データに係るセンサデータを用いなければ、故障検知対象が正常であるときのセンサデータの分布の中に、偽陰性の検知データに係るセンサデータが含まれないようになる。その結果、偽陰性の誤検知が低減される。
再学習に用いる学習データとして、故障検知対象が正常であるときのセンサデータを用いれば、故障検知対象が正常であるときのセンサデータの分布が形成される。
したがって、学習モデル13の再学習に用いる学習データとしては、偽陽性の検知データに係るセンサデータと、正常時の検知データに係るセンサデータとを用いることは有用である。
一方、学習モデル13の再学習に用いる学習データとしては、偽陰性の検知データに係るセンサデータと、異常時の検知データに係るセンサデータとを用いるべきでない。
なお、正常時の検知データに係る複数のセンサデータの中で、センサデータの分布の中心に近いセンサデータは、偽陽性の検知データに係るセンサデータに近いセンサデータよりも、故障検知対象が正常であるときのセンサデータの分布を明確にする効果が少ない。このため、学習データの数を減らして、効率的な学習を行う観点からは、センサデータの分布の中心に近いセンサデータは、学習データとして用いる必要性が小さい。
一方、学習モデル13の再学習に用いる学習データとしては、偽陰性の検知データに係るセンサデータと、異常時の検知データに係るセンサデータとを用いるべきでない。
なお、正常時の検知データに係る複数のセンサデータの中で、センサデータの分布の中心に近いセンサデータは、偽陽性の検知データに係るセンサデータに近いセンサデータよりも、故障検知対象が正常であるときのセンサデータの分布を明確にする効果が少ない。このため、学習データの数を減らして、効率的な学習を行う観点からは、センサデータの分布の中心に近いセンサデータは、学習データとして用いる必要性が小さい。
センサ1は、故障検知対象を繰り返し観測する。
センサ1は、故障検知対象の観測結果を示す複数のセンサデータを学習データ選択装置2のセンサデータ取得部11に出力する。
センサ1は、故障検知対象の観測結果を示す複数のセンサデータを学習データ選択装置2のセンサデータ取得部11に出力する。
センサデータ取得部11は、センサ1から、故障検知対象の観測結果を示す複数のセンサデータを取得する(図4のステップST1)。
センサデータ取得部11は、それぞれのセンサデータを検知データ取得部12及び学習データ選択部14のそれぞれに出力する。
センサデータ取得部11は、それぞれのセンサデータを検知データ取得部12及び学習データ選択部14のそれぞれに出力する。
検知データ取得部12は、センサデータ取得部11から、それぞれのセンサデータを取得する。
検知データ取得部12は、それぞれのセンサデータを学習モデル13に与えて、学習モデル13から、故障検知対象が正常であるのか異常であるのかを示す検知データをそれぞれ取得する(図4のステップST2)。
検知データ取得部12は、それぞれの検知データを学習データ選択部14に出力する。
学習モデル13の検知精度によっては、学習モデル13から出力される複数の検知データの中に、正常時の検知データ及び異常時の検知データの他に、偽陽性の検知データ又は偽陰性の検知データが含まれていることがある。
学習モデル13から出力される複数の検知データの中に、偽陽性の検知データ又は偽陰性の検知データが含まれており、含まれている偽陽性の検知データ等の数が多ければ、学習モデル13の再学習を行うべきである。
検知データ取得部12は、それぞれのセンサデータを学習モデル13に与えて、学習モデル13から、故障検知対象が正常であるのか異常であるのかを示す検知データをそれぞれ取得する(図4のステップST2)。
検知データ取得部12は、それぞれの検知データを学習データ選択部14に出力する。
学習モデル13の検知精度によっては、学習モデル13から出力される複数の検知データの中に、正常時の検知データ及び異常時の検知データの他に、偽陽性の検知データ又は偽陰性の検知データが含まれていることがある。
学習モデル13から出力される複数の検知データの中に、偽陽性の検知データ又は偽陰性の検知データが含まれており、含まれている偽陽性の検知データ等の数が多ければ、学習モデル13の再学習を行うべきである。
識別情報取得部15は、センサデータ取得部11から、それぞれのセンサデータを取得し、検知データ取得部12から、それぞれの検知データを取得する。
識別情報取得部15は、それぞれのセンサデータとそれぞれの検知データとをマンマシンIF部3に出力する。
マンマシンIF部3は、それぞれの検知データが示す検知結果と一緒に、それぞれのセンサデータを例えば表示器に表示させる。
図6は、表示器に表示されているセンサデータの一例を示す説明図である。
図6において、○は、故障検知対象が正常である旨を示すセンサデータである。ただし、○の中には、正常時の検知データに係るセンサデータの他に、偽陰性の検知データに係るセンサデータが含まれていることがある。
×は、故障検知対象が異常である旨を示すセンサデータである。ただし、×の中には、異常時の検知データに係るセンサデータの他に、偽陽性の検知データに係るセンサデータが含まれていることがある。
識別情報取得部15は、それぞれのセンサデータとそれぞれの検知データとをマンマシンIF部3に出力する。
マンマシンIF部3は、それぞれの検知データが示す検知結果と一緒に、それぞれのセンサデータを例えば表示器に表示させる。
図6は、表示器に表示されているセンサデータの一例を示す説明図である。
図6において、○は、故障検知対象が正常である旨を示すセンサデータである。ただし、○の中には、正常時の検知データに係るセンサデータの他に、偽陰性の検知データに係るセンサデータが含まれていることがある。
×は、故障検知対象が異常である旨を示すセンサデータである。ただし、×の中には、異常時の検知データに係るセンサデータの他に、偽陽性の検知データに係るセンサデータが含まれていることがある。
表示器を見たユーザは、○のセンサデータの中に、偽陰性の検知データに係るセンサデータが含まれていると判断すれば、マンマシンIF部3の入力装置を操作して、偽陰性の検知データに係るセンサデータであると思われるセンサデータを指定する。
マンマシンIF部3は、指定したセンサデータが偽陰性の検知データに係るセンサデータである旨を示す識別情報(以下「偽陰性ラベル」という)を識別情報取得部15に出力する。
また、表示器を見たユーザは、×のセンサデータの中に、偽陽性の検知データに係るセンサデータが含まれていると判断すれば、マンマシンIF部3の入力装置を操作して、偽陽性の検知データに係るセンサデータであると思われるセンサデータを指定する。
マンマシンIF部3は、指定したセンサデータが偽陽性の検知データに係るセンサデータである旨を示す識別情報(以下「偽陽性ラベル」という)を識別情報取得部15に出力する。
また、表示器を見たユーザは、○のセンサデータの中に、正常時の検知データに係るセンサデータが含まれていると判断すれば、マンマシンIF部3の入力装置を操作して、正常時の検知データに係るセンサデータであると思われるセンサデータを指定する。
マンマシンIF部3は、指定したセンサデータが正常時の検知データに係るセンサデータである旨を示す識別情報(以下「正常時ラベル」という)を識別情報取得部15に出力する。
マンマシンIF部3は、指定したセンサデータが偽陰性の検知データに係るセンサデータである旨を示す識別情報(以下「偽陰性ラベル」という)を識別情報取得部15に出力する。
また、表示器を見たユーザは、×のセンサデータの中に、偽陽性の検知データに係るセンサデータが含まれていると判断すれば、マンマシンIF部3の入力装置を操作して、偽陽性の検知データに係るセンサデータであると思われるセンサデータを指定する。
マンマシンIF部3は、指定したセンサデータが偽陽性の検知データに係るセンサデータである旨を示す識別情報(以下「偽陽性ラベル」という)を識別情報取得部15に出力する。
また、表示器を見たユーザは、○のセンサデータの中に、正常時の検知データに係るセンサデータが含まれていると判断すれば、マンマシンIF部3の入力装置を操作して、正常時の検知データに係るセンサデータであると思われるセンサデータを指定する。
マンマシンIF部3は、指定したセンサデータが正常時の検知データに係るセンサデータである旨を示す識別情報(以下「正常時ラベル」という)を識別情報取得部15に出力する。
ここでは、ユーザが、マンマシンIF部3の入力装置を操作して、正常時の検知データに係るセンサデータであると思われるセンサデータを指定し、マンマシンIF部3が、正常時ラベルを識別情報取得部15に出力している。しかし、これは一例に過ぎず、ユーザが、マンマシンIF部3の入力装置を操作して、正常時の検知データに係るセンサデータであると思われるセンサデータを指定しないようにしてもよい。この場合、マンマシンIF部3は、正常時ラベルを識別情報取得部15に出力しない。
識別情報取得部15は、マンマシンIF部3から、偽陰性ラベル、偽陽性ラベル及び正常時ラベルのそれぞれを取得する(図4のステップST3)。
識別情報取得部15は、偽陰性ラベル、偽陽性ラベル及び正常時ラベルのそれぞれをセンサデータ選択部16に出力する。
マンマシンIF部3から正常時ラベルが識別情報取得部15に出力されていなければ、識別情報取得部15は、マンマシンIF部3から、偽陰性ラベル及び偽陽性ラベルのそれぞれを取得し、識別情報取得部15は、偽陰性ラベル及び偽陽性ラベルのそれぞれをセンサデータ選択部16に出力する。
識別情報取得部15は、偽陰性ラベル、偽陽性ラベル及び正常時ラベルのそれぞれをセンサデータ選択部16に出力する。
マンマシンIF部3から正常時ラベルが識別情報取得部15に出力されていなければ、識別情報取得部15は、マンマシンIF部3から、偽陰性ラベル及び偽陽性ラベルのそれぞれを取得し、識別情報取得部15は、偽陰性ラベル及び偽陽性ラベルのそれぞれをセンサデータ選択部16に出力する。
センサデータ選択部16は、センサデータ取得部11から、それぞれのセンサデータを取得し、検知データ取得部12から、それぞれの検知データを取得する。
また、センサデータ選択部16は、識別情報取得部15から、偽陰性ラベル、偽陽性ラベル及び正常時ラベルのそれぞれを取得する。
センサデータ選択部16は、偽陽性ラベルに基づいて、センサデータ取得部11により取得された複数のセンサデータの中から、偽陽性の検知データに係るセンサデータを選択する(図4のステップST4)。
センサデータ選択部16は、偽陽性の検知データに係るセンサデータを学習データ出力部17に出力する。
また、センサデータ選択部16は、識別情報取得部15から、偽陰性ラベル、偽陽性ラベル及び正常時ラベルのそれぞれを取得する。
センサデータ選択部16は、偽陽性ラベルに基づいて、センサデータ取得部11により取得された複数のセンサデータの中から、偽陽性の検知データに係るセンサデータを選択する(図4のステップST4)。
センサデータ選択部16は、偽陽性の検知データに係るセンサデータを学習データ出力部17に出力する。
センサデータ選択部16は、正常時ラベルに基づいて、センサデータ取得部11により取得された複数のセンサデータの中から、1つ以上の正常時の検知データに係るセンサデータを選択する(図4のステップST5)。
センサデータ選択部16は、それぞれの正常時の検知データに係るセンサデータを学習データ出力部17に出力する。
センサデータ選択部16は、識別情報取得部15から、正常時ラベルが出力されなければ、偽陰性ラベルに基づいて、センサデータ取得部11により取得された複数のセンサデータのうち、故障検知対象が正常である旨を示す検知データに係るセンサデータの中から、正常時の検知データに係るセンサデータとして、偽陰性の検知データに係るセンサデータ以外のセンサデータを選択する。
センサデータ選択部16は、それぞれの正常時の検知データに係るセンサデータを学習データ出力部17に出力する。
センサデータ選択部16は、識別情報取得部15から、正常時ラベルが出力されなければ、偽陰性ラベルに基づいて、センサデータ取得部11により取得された複数のセンサデータのうち、故障検知対象が正常である旨を示す検知データに係るセンサデータの中から、正常時の検知データに係るセンサデータとして、偽陰性の検知データに係るセンサデータ以外のセンサデータを選択する。
学習データ出力部17は、センサデータ選択部16から、それぞれの正常時の検知データに係るセンサデータと偽陽性の検知データに係るセンサデータとを取得する。
学習データ出力部17は、それぞれの正常時の検知データに係るセンサデータと偽陽性の検知データに係るセンサデータとの類似度を算出する。類似度を示すものとしては、例えば、それぞれの正常時の検知データに係るセンサデータと偽陽性の検知データに係るセンサデータとのユークリッド距離がある。学習データ出力部17は、ユークリッド空間における正常時の検知データに係るセンサデータの位置と、ユークリッド空間における偽陽性の検知データに係るセンサデータの位置とを特定し、特定した2つの位置の間の直線距離を、ユークリッド距離として算出することができる。
学習データ出力部17は、センサデータ選択部16から出力された複数の正常時の検知データに係るセンサデータの中から、類似度が閾値以上であるセンサデータを選択する。
学習データ出力部17は、学習モデル13の再学習に用いる学習データとして、類似度が閾値以上であるセンサデータを外部に出力する(図4のステップST6)。
学習データ出力部17は、類似度が閾値未満のセンサデータについては、外部に出力せずに破棄する。
また、学習データ出力部17は、学習モデル13の再学習に用いる学習データとして、偽陽性の検知データに係るセンサデータを外部に出力する(図4のステップST6)。
学習データ出力部17は、それぞれの正常時の検知データに係るセンサデータと偽陽性の検知データに係るセンサデータとの類似度を算出する。類似度を示すものとしては、例えば、それぞれの正常時の検知データに係るセンサデータと偽陽性の検知データに係るセンサデータとのユークリッド距離がある。学習データ出力部17は、ユークリッド空間における正常時の検知データに係るセンサデータの位置と、ユークリッド空間における偽陽性の検知データに係るセンサデータの位置とを特定し、特定した2つの位置の間の直線距離を、ユークリッド距離として算出することができる。
学習データ出力部17は、センサデータ選択部16から出力された複数の正常時の検知データに係るセンサデータの中から、類似度が閾値以上であるセンサデータを選択する。
学習データ出力部17は、学習モデル13の再学習に用いる学習データとして、類似度が閾値以上であるセンサデータを外部に出力する(図4のステップST6)。
学習データ出力部17は、類似度が閾値未満のセンサデータについては、外部に出力せずに破棄する。
また、学習データ出力部17は、学習モデル13の再学習に用いる学習データとして、偽陽性の検知データに係るセンサデータを外部に出力する(図4のステップST6)。
学習モデル13は、学習データ出力部17から出力されたセンサデータを用いて、故障検知対象が正常であるときのセンサデータの分布が再学習される。
図7は、学習モデル13により再学習されたセンサデータの分布を示す説明図である。
図7に示すように、再学習後のセンサデータの分布には、故障検知対象が正常であるときのセンサデータのみが含まれており、再学習後のセンサデータの分布には、偽陰性の検知データに係るセンサデータが含まれていない。その結果、故障検知対象が正常であるときのセンサデータの分布が適正な分布になっている。
図7の例では、学習モデル13により再学習されたセンサデータの分布の中には、図5に示す4つの偽陽性の検知データに係るセンサデータと、図5に示す4つの正常時の検知データに係るセンサデータとが含まれている。
図7は、学習モデル13により再学習されたセンサデータの分布を示す説明図である。
図7に示すように、再学習後のセンサデータの分布には、故障検知対象が正常であるときのセンサデータのみが含まれており、再学習後のセンサデータの分布には、偽陰性の検知データに係るセンサデータが含まれていない。その結果、故障検知対象が正常であるときのセンサデータの分布が適正な分布になっている。
図7の例では、学習モデル13により再学習されたセンサデータの分布の中には、図5に示す4つの偽陽性の検知データに係るセンサデータと、図5に示す4つの正常時の検知データに係るセンサデータとが含まれている。
以上の実施の形態1では、故障検知対象を観測するセンサ1から、故障検知対象の観測結果を示す複数のセンサデータを取得するセンサデータ取得部11と、故障検知対象が正常であるときのセンサデータの分布が学習されている学習モデル13に対して、センサデータ取得部11により取得されたそれぞれのセンサデータを与えて、学習モデル13から、故障検知対象が正常であるのか異常であるのかを示す検知データをそれぞれ取得する検知データ取得部12とを備えるように、学習データ選択装置2を構成した。また、学習データ選択装置2は、センサデータ取得部11により取得された複数のセンサデータの中で、いずれのセンサデータが、故障検知対象が異常であるのに正常である旨を示す偽陰性の検知データに係るセンサデータであるのかを識別するための識別情報を取得し、識別情報に基づいて、センサデータ取得部11により取得された複数のセンサデータのうち、偽陰性の検知データに係るセンサデータ以外のセンサデータの中から、学習モデル13の再学習に用いる学習データとして、故障検知対象が正常である旨を示す検知データに係るセンサデータを選択する学習データ選択部14を備えている。したがって、学習データ選択装置2は、故障検知対象が異常であるのに正常である旨の誤検知を低減させることが可能な学習データを選択することができる。
実施の形態2.
実施の形態2では、学習データ選択部41が、識別情報取得部15、データ分類部42、評価値算出部43、優先順位算出部44及び学習データ出力部45を備える学習データ選択装置2について説明する。
実施の形態2では、学習データ選択部41が、識別情報取得部15、データ分類部42、評価値算出部43、優先順位算出部44及び学習データ出力部45を備える学習データ選択装置2について説明する。
図8は、実施の形態2に係る学習データ選択装置2を示す構成図である。図8において、図1と同一符号は同一又は相当部分を示すので説明を省略する。
図9は、実施の形態2に係る学習データ選択装置2のハードウェアを示すハードウェア構成図である。図9において、図2と同一符号は同一又は相当部分を示すので説明を省略する。
図8に示す学習データ選択装置2は、センサデータ取得部11、検知データ取得部12及び学習データ選択部41を備えている。
図9は、実施の形態2に係る学習データ選択装置2のハードウェアを示すハードウェア構成図である。図9において、図2と同一符号は同一又は相当部分を示すので説明を省略する。
図8に示す学習データ選択装置2は、センサデータ取得部11、検知データ取得部12及び学習データ選択部41を備えている。
学習データ選択部41は、例えば、図9に示す学習データ選択回路25によって実現される。
学習データ選択部41は、識別情報取得部15、データ分類部42、評価値算出部43、優先順位算出部44及び学習データ出力部45を備えている。
学習データ選択部41は、センサデータ取得部11により取得された複数のセンサデータの中で、いずれのセンサデータが、故障検知対象が異常であるのに正常である旨を示す偽陰性の検知データに係るセンサデータであるのかを識別するための識別情報を取得する。
学習データ選択部41は、識別情報に基づいて、センサデータ取得部11により取得された複数のセンサデータのうち、偽陰性の検知データに係るセンサデータ以外のセンサデータの中から、学習モデル13の再学習に用いる学習データとして、故障検知対象が正常である旨を示す検知データに係るセンサデータを選択する。
また、学習データ選択部41は、センサデータ取得部11により取得された複数のセンサデータの中で、いずれのセンサデータが、故障検知対象が正常であるのに異常である旨を示す偽陽性の検知データに係るセンサデータであるのかを識別するための識別情報を取得する。
学習データ選択部41は、識別情報に基づいて、センサデータ取得部11により取得された複数のセンサデータの中から、学習モデル13の再学習に用いる学習データとして、偽陽性の検知データに係るセンサデータを選択する。
学習データ選択部41は、選択したセンサデータを学習モデル13の再学習に用いる学習データとして外部に出力する。
学習データ選択部41は、識別情報取得部15、データ分類部42、評価値算出部43、優先順位算出部44及び学習データ出力部45を備えている。
学習データ選択部41は、センサデータ取得部11により取得された複数のセンサデータの中で、いずれのセンサデータが、故障検知対象が異常であるのに正常である旨を示す偽陰性の検知データに係るセンサデータであるのかを識別するための識別情報を取得する。
学習データ選択部41は、識別情報に基づいて、センサデータ取得部11により取得された複数のセンサデータのうち、偽陰性の検知データに係るセンサデータ以外のセンサデータの中から、学習モデル13の再学習に用いる学習データとして、故障検知対象が正常である旨を示す検知データに係るセンサデータを選択する。
また、学習データ選択部41は、センサデータ取得部11により取得された複数のセンサデータの中で、いずれのセンサデータが、故障検知対象が正常であるのに異常である旨を示す偽陽性の検知データに係るセンサデータであるのかを識別するための識別情報を取得する。
学習データ選択部41は、識別情報に基づいて、センサデータ取得部11により取得された複数のセンサデータの中から、学習モデル13の再学習に用いる学習データとして、偽陽性の検知データに係るセンサデータを選択する。
学習データ選択部41は、選択したセンサデータを学習モデル13の再学習に用いる学習データとして外部に出力する。
データ分類部42は、センサデータ取得部11から、それぞれのセンサデータを取得し、検知データ取得部12から、それぞれの検知データを取得する。
また、データ分類部42は、識別情報取得部15から、識別情報として、偽陰性ラベル、偽陽性ラベル及び正常時ラベルのそれぞれを取得する。
データ分類部42は、偽陰性ラベル、偽陽性ラベル及び正常時ラベルのそれぞれに基づいて、センサデータ取得部11により取得されたそれぞれのセンサデータを、偽陰性の検知データに係るセンサデータ(以下「偽陰性センサデータ」という)、偽陽性の検知データに係るセンサデータ(以下「偽陽性センサデータ」という)、又は、正常時の検知データに係るセンサデータ(以下「正センサデータ」という)に分類する。
センサデータ取得部11により取得された複数のセンサデータの中で、異常時の検知データに係るセンサデータについては、データ分類部42によって分類されない。
データ分類部42は、偽陰性センサデータ、偽陽性センサデータ及び正センサデータのそれぞれを評価値算出部43に出力する。
また、データ分類部42は、偽陽性センサデータ及び正センサデータのそれぞれを学習データ出力部45に出力する。
また、データ分類部42は、識別情報取得部15から、識別情報として、偽陰性ラベル、偽陽性ラベル及び正常時ラベルのそれぞれを取得する。
データ分類部42は、偽陰性ラベル、偽陽性ラベル及び正常時ラベルのそれぞれに基づいて、センサデータ取得部11により取得されたそれぞれのセンサデータを、偽陰性の検知データに係るセンサデータ(以下「偽陰性センサデータ」という)、偽陽性の検知データに係るセンサデータ(以下「偽陽性センサデータ」という)、又は、正常時の検知データに係るセンサデータ(以下「正センサデータ」という)に分類する。
センサデータ取得部11により取得された複数のセンサデータの中で、異常時の検知データに係るセンサデータについては、データ分類部42によって分類されない。
データ分類部42は、偽陰性センサデータ、偽陽性センサデータ及び正センサデータのそれぞれを評価値算出部43に出力する。
また、データ分類部42は、偽陽性センサデータ及び正センサデータのそれぞれを学習データ出力部45に出力する。
データ分類部42は、識別情報取得部15から、正常時ラベルが出力されなければ、偽陰性ラベルに基づいて、センサデータ取得部11により取得された複数のセンサデータのうち、故障検知対象が正常である旨を示す検知データに係るセンサデータの中から、正常時の検知データに係るセンサデータとして、偽陰性の検知データに係るセンサデータ以外のセンサデータを選択する。そして、データ分類部42は、選択したセンサデータを正センサデータに分類する。
評価値算出部43は、データ分類部42から、偽陰性センサデータ、偽陽性センサデータ及び正センサデータのそれぞれを取得する。ここでは、説明の便宜上、データ分類部42から出力された正センサデータの数が複数であるものとする。
評価値算出部43は、それぞれの正センサデータの第1の評価値として、それぞれの正センサデータと偽陽性センサデータとの類似度が高いほど絶対値が大きく、符号が正の評価値を算出する。
評価値算出部43は、それぞれの正センサデータの第2の評価値として、それぞれの正センサデータと偽陰性センサデータとの類似度が高いほど絶対値が大きく、符号が負の評価値を算出する。
評価値算出部43は、それぞれの正センサデータの第1の評価値とそれぞれの正センサデータの第2の評価値とを優先順位算出部44に出力する。
評価値算出部43は、それぞれの正センサデータの第1の評価値として、それぞれの正センサデータと偽陽性センサデータとの類似度が高いほど絶対値が大きく、符号が正の評価値を算出する。
評価値算出部43は、それぞれの正センサデータの第2の評価値として、それぞれの正センサデータと偽陰性センサデータとの類似度が高いほど絶対値が大きく、符号が負の評価値を算出する。
評価値算出部43は、それぞれの正センサデータの第1の評価値とそれぞれの正センサデータの第2の評価値とを優先順位算出部44に出力する。
優先順位算出部44は、評価値算出部43から、それぞれの正センサデータの第1の評価値とそれぞれの正センサデータの第2の評価値とを取得する。
優先順位算出部44は、それぞれの正センサデータの第1の評価値とそれぞれの正センサデータの第2の評価値とに基づいて、それぞれの正センサデータの優先順位を算出する。
優先順位算出部44は、それぞれの正センサデータの優先順位を学習データ出力部45に出力する。
優先順位算出部44は、それぞれの正センサデータの第1の評価値とそれぞれの正センサデータの第2の評価値とに基づいて、それぞれの正センサデータの優先順位を算出する。
優先順位算出部44は、それぞれの正センサデータの優先順位を学習データ出力部45に出力する。
学習データ出力部45は、データ分類部42から出力された複数の正センサデータの中から、優先順位算出部44により算出された優先順位に基づいて1つ以上の正センサデータを選択する。
学習データ出力部45は、学習モデルの再学習に用いる学習データとして、選択した正センサデータと偽陽性センサデータとを外部に出力する。
学習データ出力部45は、学習モデルの再学習に用いる学習データとして、選択した正センサデータと偽陽性センサデータとを外部に出力する。
図8では、学習データ選択装置2の構成要素であるセンサデータ取得部11、検知データ取得部12及び学習データ選択部41のそれぞれが、図9に示すような専用のハードウェアによって実現されるものを想定している。即ち、学習データ選択装置2が、センサデータ取得回路21、検知データ取得回路22及び学習データ選択回路25によって実現されるものを想定している。
センサデータ取得回路21、検知データ取得回路22及び学習データ選択回路25のそれぞれは、例えば、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、ASIC、FPGA、又は、これらを組み合わせたものが該当する。
センサデータ取得回路21、検知データ取得回路22及び学習データ選択回路25のそれぞれは、例えば、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、ASIC、FPGA、又は、これらを組み合わせたものが該当する。
学習データ選択装置2の構成要素は、専用のハードウェアによって実現されるものに限るものではなく、学習データ選択装置2が、ソフトウェア、ファームウェア、又は、ソフトウェアとファームウェアとの組み合わせによって実現されるものであってもよい。
学習データ選択装置2が、ソフトウェア又はファームウェア等によって実現される場合、センサデータ取得部11、検知データ取得部12及び学習データ選択部41におけるそれぞれの処理手順をコンピュータに実行させるためのプログラムが図3に示すメモリ31に格納される。そして、図3に示すプロセッサ32がメモリ31に格納されているプログラムを実行する。
学習データ選択装置2が、ソフトウェア又はファームウェア等によって実現される場合、センサデータ取得部11、検知データ取得部12及び学習データ選択部41におけるそれぞれの処理手順をコンピュータに実行させるためのプログラムが図3に示すメモリ31に格納される。そして、図3に示すプロセッサ32がメモリ31に格納されているプログラムを実行する。
また、図9では、学習データ選択装置2の構成要素のそれぞれが専用のハードウェアによって実現される例を示し、図3では、学習データ選択装置2がソフトウェア又はファームウェア等によって実現される例を示している。しかし、これは一例に過ぎず、学習データ選択装置2における一部の構成要素が専用のハードウェアによって実現され、残りの構成要素がソフトウェア又はファームウェア等によって実現されるものであってもよい。
次に、図8に示す学習データ選択装置2の動作について説明する。ただし、学習データ選択部41以外は、図1に示す学習データ選択装置2と同様である。このため、ここでは、学習データ選択部41の動作のみを説明する。
データ分類部42は、センサデータ取得部11から、それぞれのセンサデータを取得し、検知データ取得部12から、それぞれの検知データを取得する。
また、データ分類部42は、識別情報取得部15から、識別情報として、偽陰性ラベル、偽陽性ラベル及び正常時ラベルのそれぞれを取得する。
データ分類部42は、偽陰性ラベル、偽陽性ラベル及び正常時ラベルのそれぞれに基づいて、それぞれのセンサデータを、偽陰性センサデータ、偽陽性センサデータ、又は、正センサデータに分類する。
データ分類部42は、識別情報取得部15から、正常時ラベルを取得できなければ、偽陰性ラベルに基づいて、センサデータ取得部11により取得された複数のセンサデータのうち、故障検知対象が正常である旨を示す検知データに係るセンサデータの中から、正常時の検知データに係るセンサデータとして、偽陰性の検知データに係るセンサデータ以外のセンサデータを選択する。そして、データ分類部42は、選択したセンサデータを正センサデータに分類する。
センサデータ取得部11により取得された複数のセンサデータの中で、異常時の検知データに係るセンサデータについては、データ分類部42によって分類されない。
データ分類部42は、偽陰性センサデータ、偽陽性センサデータ及び正センサデータのそれぞれを評価値算出部43に出力する。
また、データ分類部42は、偽陽性センサデータ及び正センサデータのそれぞれを学習データ出力部45に出力する。
また、データ分類部42は、識別情報取得部15から、識別情報として、偽陰性ラベル、偽陽性ラベル及び正常時ラベルのそれぞれを取得する。
データ分類部42は、偽陰性ラベル、偽陽性ラベル及び正常時ラベルのそれぞれに基づいて、それぞれのセンサデータを、偽陰性センサデータ、偽陽性センサデータ、又は、正センサデータに分類する。
データ分類部42は、識別情報取得部15から、正常時ラベルを取得できなければ、偽陰性ラベルに基づいて、センサデータ取得部11により取得された複数のセンサデータのうち、故障検知対象が正常である旨を示す検知データに係るセンサデータの中から、正常時の検知データに係るセンサデータとして、偽陰性の検知データに係るセンサデータ以外のセンサデータを選択する。そして、データ分類部42は、選択したセンサデータを正センサデータに分類する。
センサデータ取得部11により取得された複数のセンサデータの中で、異常時の検知データに係るセンサデータについては、データ分類部42によって分類されない。
データ分類部42は、偽陰性センサデータ、偽陽性センサデータ及び正センサデータのそれぞれを評価値算出部43に出力する。
また、データ分類部42は、偽陽性センサデータ及び正センサデータのそれぞれを学習データ出力部45に出力する。
評価値算出部43は、データ分類部42から、偽陰性センサデータ、偽陽性センサデータ及び正センサデータのそれぞれを取得する。
図8に示す学習データ選択装置2では、説明の便宜上、評価値算出部43が、データ分類部42から、2つの偽陰性センサデータと、2つの偽陽性センサデータと、4つの正センサデータとを取得するものとする。
図8に示す学習データ選択装置2では、説明の便宜上、評価値算出部43が、データ分類部42から、2つの偽陰性センサデータと、2つの偽陽性センサデータと、4つの正センサデータとを取得するものとする。
評価値算出部43は、それぞれの正センサデータの第1の評価値EVDm-FP1,EVDm-FP2として、それぞれの正センサデータと偽陽性センサデータとの類似度が高いほど絶対値が大きく、符号が正の評価値を算出する。m=1,2,3,4である。
第1の評価値EVDm-FP1,EVDm-FP2として、例えば、ユークリッド距離がある。第1の評価値EVDm-FP1,EVDm-FP2としてのユークリッド距離の絶対値は、正センサデータと偽陽性センサデータとの類似度が高いほど大きい。また、第1の評価値EVDm-FP1,EVDm-FP2としてのユークリッド距離の符号は、正である。評価値算出部43は、ユークリッド空間における正センサデータの位置と、ユークリッド空間における偽陽性センサデータの位置とを特定し、正センサデータの位置と偽陽性センサデータの位置との直線距離を、ユークリッド距離として算出することができる。
第1の評価値EVDm-FP1,EVDm-FP2として、例えば、ユークリッド距離がある。第1の評価値EVDm-FP1,EVDm-FP2としてのユークリッド距離の絶対値は、正センサデータと偽陽性センサデータとの類似度が高いほど大きい。また、第1の評価値EVDm-FP1,EVDm-FP2としてのユークリッド距離の符号は、正である。評価値算出部43は、ユークリッド空間における正センサデータの位置と、ユークリッド空間における偽陽性センサデータの位置とを特定し、正センサデータの位置と偽陽性センサデータの位置との直線距離を、ユークリッド距離として算出することができる。
評価値算出部43は、それぞれの正センサデータの第2の評価値EVDm-FN1,EVDm-FN2として、それぞれの正センサデータと偽陰性センサデータとの類似度が高いほど絶対値が大きく、符号が負の評価値を算出する。
第2の評価値EVDm-FN1,EVDm-FN2として、例えば、ユークリッド距離がある。第2の評価値EVDm-FN1,EVDm-FN2としてのユークリッド距離の絶対値は、正センサデータと偽陰性センサデータとの類似度が高いほど大きい。また、第2の評価値EVDm-FN1,EVDm-FN2としてのユークリッド距離の符号は、負である。
評価値算出部43は、それぞれの正センサデータの第1の評価値EVDm-FP1,EVDm-FP2とそれぞれの正センサデータの第2の評価値EVDm-FN1,EVDm-FN2とを優先順位算出部44に出力する。
第2の評価値EVDm-FN1,EVDm-FN2として、例えば、ユークリッド距離がある。第2の評価値EVDm-FN1,EVDm-FN2としてのユークリッド距離の絶対値は、正センサデータと偽陰性センサデータとの類似度が高いほど大きい。また、第2の評価値EVDm-FN1,EVDm-FN2としてのユークリッド距離の符号は、負である。
評価値算出部43は、それぞれの正センサデータの第1の評価値EVDm-FP1,EVDm-FP2とそれぞれの正センサデータの第2の評価値EVDm-FN1,EVDm-FN2とを優先順位算出部44に出力する。
図10は、2つの偽陰性センサデータと2つの偽陽性センサデータと4つの正センサデータとを示す説明図である。
図10において、D1,D2,D3,D4のそれぞれは、正センサデータであり、FP1,FP2のそれぞれは、偽陽性センサデータであり、FN1,FN2のそれぞれは、偽陰性センサデータである。
図11は、図10に示す4つの正センサデータにおける第1の評価値及び第2の評価値のそれぞれを示す説明図である。
図11において、数字は、第1の評価値としてのユークリッド距離、又は、第2の評価値としてのユークリッド距離を示している。ただし、図11に示す数字は、正確なユークリッド距離を示しておらず、概略値である。
図10において、D1,D2,D3,D4のそれぞれは、正センサデータであり、FP1,FP2のそれぞれは、偽陽性センサデータであり、FN1,FN2のそれぞれは、偽陰性センサデータである。
図11は、図10に示す4つの正センサデータにおける第1の評価値及び第2の評価値のそれぞれを示す説明図である。
図11において、数字は、第1の評価値としてのユークリッド距離、又は、第2の評価値としてのユークリッド距離を示している。ただし、図11に示す数字は、正確なユークリッド距離を示しておらず、概略値である。
優先順位算出部44は、評価値算出部43から、それぞれの正センサデータの第1の評価値EVDm-FP1,EVDm-FP2とそれぞれの正センサデータの第2の評価値EVDm-FN1,EVDm-FN2とを取得する。
優先順位算出部44は、以下の式(1)~(4)に示すように、それぞれの正センサデータの第1の評価値EVDm-FP1,EVDm-FP2とそれぞれの正センサデータの第2の評価値EVDm-FN1,EVDm-FN2とに基づいて、それぞれの正センサデータのスコアSCmを算出する。
優先順位算出部44は、以下の式(1)~(4)に示すように、それぞれの正センサデータの第1の評価値EVDm-FP1,EVDm-FP2とそれぞれの正センサデータの第2の評価値EVDm-FN1,EVDm-FN2とに基づいて、それぞれの正センサデータのスコアSCmを算出する。
SC1
=EVD1-FP1+EVD1-FP2+EVD1-FN1+EVD1-FN2
=110+100-80-60=70 (1)
SC2
=EVD2-FP1+EVD2-FP2+EVD2-FN1+EVD2-FN2
=180+200-40-40=300 (2)
SC3
=EVD3-FP1+EVD3-FP2+EVD3-FN1+EVD3-FN2
=50+70-160-180=-220 (3)
SC4
=EVD4-FP1+EVD4-FP2+EVD4-FN1+EVD4-FN2
=50+100-40-60=50 (4)
=EVD1-FP1+EVD1-FP2+EVD1-FN1+EVD1-FN2
=110+100-80-60=70 (1)
SC2
=EVD2-FP1+EVD2-FP2+EVD2-FN1+EVD2-FN2
=180+200-40-40=300 (2)
SC3
=EVD3-FP1+EVD3-FP2+EVD3-FN1+EVD3-FN2
=50+70-160-180=-220 (3)
SC4
=EVD4-FP1+EVD4-FP2+EVD4-FN1+EVD4-FN2
=50+100-40-60=50 (4)
優先順位算出部44は、4つのスコアSC1~SC4を互いに比較し、スコアSC1~SC4の比較結果に基づいて、4つの正センサデータD1,D2,D3,D4の優先順位を算出する。スコアSCmが大きい程、正センサデータDmの優先順位が高くなる。
図11の例では、正センサデータD2の優先順位が1番、正センサデータD1の優先順位が2番、正センサデータD4の優先順位が3番、正センサデータD3の優先順位が4番である。
優先順位算出部44は、4つの正センサデータD1,D2,D3,D4の優先順位を学習データ出力部45に出力する。
図11の例では、正センサデータD2の優先順位が1番、正センサデータD1の優先順位が2番、正センサデータD4の優先順位が3番、正センサデータD3の優先順位が4番である。
優先順位算出部44は、4つの正センサデータD1,D2,D3,D4の優先順位を学習データ出力部45に出力する。
学習データ出力部45は、データ分類部42から出力された4つの正センサデータD1,D2,D3,D4の中から、優先順位算出部44により算出された優先順位に基づいて1つ以上の正センサデータを選択する。
具体的には、学習データ出力部45は、4つの正センサデータD1,D2,D3,D4の中で、優先順位算出部44により算出された優先順位が上位N個(Nは、1以上の整数)の正センサデータを選択する。
図11の例では、仮に、N=2であれば、4つの正センサデータD1,D2,D3,D4の中から、正センサデータD2と正センサデータD1とが選択される。
仮に、N=3であれば、4つの正センサデータD1,D2,D3,D4の中から、正センサデータD2と正センサデータD1と正センサデータD4とが選択される。
学習データ出力部45は、学習モデルの再学習に用いる学習データとして、選択した正センサデータを外部に出力する。
また、学習データ出力部45は、学習モデルの再学習に用いる学習データとして、偽陽性センサデータFP1,FP2を外部に出力する。
具体的には、学習データ出力部45は、4つの正センサデータD1,D2,D3,D4の中で、優先順位算出部44により算出された優先順位が上位N個(Nは、1以上の整数)の正センサデータを選択する。
図11の例では、仮に、N=2であれば、4つの正センサデータD1,D2,D3,D4の中から、正センサデータD2と正センサデータD1とが選択される。
仮に、N=3であれば、4つの正センサデータD1,D2,D3,D4の中から、正センサデータD2と正センサデータD1と正センサデータD4とが選択される。
学習データ出力部45は、学習モデルの再学習に用いる学習データとして、選択した正センサデータを外部に出力する。
また、学習データ出力部45は、学習モデルの再学習に用いる学習データとして、偽陽性センサデータFP1,FP2を外部に出力する。
以上の実施の形態2では、学習データ選択部41が、識別情報取得部15、データ分類部42、評価値算出部43、優先順位算出部44及び学習データ出力部45を備えるように、図8に示す学習データ選択装置2を構成した。したがって、図8に示す学習データ選択装置2は、図1に示す学習データ選択装置2と同様に、故障検知対象が異常であるのに正常である旨の誤検知を低減させることが可能な学習データを選択することができる。また、図8に示す学習データ選択装置2は、故障検知対象が正常であるのに異常である旨の誤検知を低減させることが可能な学習データを選択することができる。
図8に示す学習データ選択装置2では、優先順位算出部44が、それぞれの正センサデータの第1の評価値EVDm-FP1,EVDm-FP2とそれぞれの正センサデータの第2の評価値EVDm-FN1,EVDm-FN2とを加算することで、それぞれの正センサデータのスコアSC1,SC2,SC3,SC4を算出している。しかし、これは一例に過ぎず、優先順位算出部44が、例えば、それぞれの正センサデータの第1の評価値EVDm-FP1,EVDm-FP2とそれぞれの正センサデータの第2の評価値EVDm-FN1,EVDm-FN2との加重平均を算出することで、それぞれの正センサデータのスコアSC1,SC2,SC3,SC4を算出するようにしてもよい。
図8に示す学習データ選択装置2では、学習データ出力部45が、4つの正センサデータD1,D2,D3,D4の中で、優先順位算出部44により算出された優先順位が上位N個の正センサデータを選択している。しかし、これは一例に過ぎず、学習データ出力部45は、複数の正センサデータの中から、優先順位算出部44により算出された優先順位が高い順に、1つの正センサデータを選択する。そして、選択した1つの正センサデータが学習モデル13に与えられて、学習モデル13の再学習が行われ、再学習後の学習モデル13の検知精度が閾値以上になるまで、学習データ出力部45が、1つの正センサデータの選択を繰り返し行うようにしてもよい。
この場合、学習データ選択装置2は、再学習後の学習モデル13の検知精度を閾値以上に高めることができる。
この場合、学習データ選択装置2は、再学習後の学習モデル13の検知精度を閾値以上に高めることができる。
実施の形態3.
実施の形態3では、優先順位算出部46が、センサデータ取得部11によるそれぞれの正センサデータの取得時刻に基づいて、それぞれの正センサデータの第3の評価値を算出する学習データ選択装置2について説明する。
実施の形態3では、優先順位算出部46が、センサデータ取得部11によるそれぞれの正センサデータの取得時刻に基づいて、それぞれの正センサデータの第3の評価値を算出する学習データ選択装置2について説明する。
図12は、実施の形態3に係る学習データ選択装置2を示す構成図である。図12において、図1及び図8と同一符号は同一又は相当部分を示すので説明を省略する。
優先順位算出部46は、評価値算出部43から、それぞれの正センサデータの第1の評価値とそれぞれの正センサデータの第2の評価値とを取得する。
優先順位算出部46は、センサデータ取得部11から、センサデータ取得部11によるそれぞれの正センサデータの取得時刻を取得する。
優先順位算出部46は、それぞれの正センサデータの取得時刻に基づいて、それぞれの正センサデータの第3の評価値を算出する。第3の評価値は、正センサデータの取得時刻が古いほど、小さな値である。
優先順位算出部46は、それぞれの正センサデータの第1の評価値とそれぞれの正センサデータの第2の評価値とそれぞれの正センサデータの第3の評価値とに基づいて、それぞれの正センサデータの優先順位を算出する。
優先順位算出部46は、それぞれの正センサデータの優先順位を学習データ出力部45に出力する。
優先順位算出部46は、評価値算出部43から、それぞれの正センサデータの第1の評価値とそれぞれの正センサデータの第2の評価値とを取得する。
優先順位算出部46は、センサデータ取得部11から、センサデータ取得部11によるそれぞれの正センサデータの取得時刻を取得する。
優先順位算出部46は、それぞれの正センサデータの取得時刻に基づいて、それぞれの正センサデータの第3の評価値を算出する。第3の評価値は、正センサデータの取得時刻が古いほど、小さな値である。
優先順位算出部46は、それぞれの正センサデータの第1の評価値とそれぞれの正センサデータの第2の評価値とそれぞれの正センサデータの第3の評価値とに基づいて、それぞれの正センサデータの優先順位を算出する。
優先順位算出部46は、それぞれの正センサデータの優先順位を学習データ出力部45に出力する。
次に、図12に示す学習データ選択装置2の動作について説明する。ただし、優先順位算出部46以外は、図8に示す学習データ選択装置2と同様である。このため、ここでは、優先順位算出部46の動作のみを説明する。
図12に示す学習データ選択装置2では、説明の便宜上、正センサデータがD1,D2,D3,D4であり、偽陽性センサデータがFP1,FP2であり、偽陰性センサデータがFN1,FN2である例を説明する。
図12に示す学習データ選択装置2では、説明の便宜上、正センサデータがD1,D2,D3,D4であり、偽陽性センサデータがFP1,FP2であり、偽陰性センサデータがFN1,FN2である例を説明する。
優先順位算出部46は、評価値算出部43から、正センサデータDmの第1の評価値EVDm-FP1,EVDm-FP2と正センサデータDmの第2の評価値EVDm-FN1,EVDm-FN2とを取得する。m=1,2,3,4である。
また、優先順位算出部46は、センサデータ取得部11から、センサデータ取得部11による正センサデータDmの取得時刻tmを取得する。
また、優先順位算出部46は、センサデータ取得部11から、センサデータ取得部11による正センサデータDmの取得時刻tmを取得する。
優先順位算出部46は、正センサデータDmの取得時刻tmに基づいて、正センサデータDmの第3の評価値を算出する。第3の評価値は、正センサデータDmの取得時刻tmが古いほど、小さな値である。取得時刻tmが古い正センサデータDmほど、現時点におけるセンサデータの分布、即ち、故障検知対象が正常であるときのセンサデータの分布から外れている可能性が高いため、取得時刻tmが古い正センサデータDmの第3の評価値が、小さな値に算出される。
例えば、正センサデータD2の取得時刻t2が最も新しく、正センサデータD4の取得時刻t4が2番目に新しく、正センサデータD1の取得時刻t1が3番目に新しく、正センサデータD3の取得時刻t3が最も古ければ、正センサデータDmの第3の評価値EV3,mは、例えば、以下のようになる。
第3の評価値EV3,1=60
第3の評価値EV3,2=100
第3の評価値EV3,3=20
第3の評価値EV3,4=90
例えば、正センサデータD2の取得時刻t2が最も新しく、正センサデータD4の取得時刻t4が2番目に新しく、正センサデータD1の取得時刻t1が3番目に新しく、正センサデータD3の取得時刻t3が最も古ければ、正センサデータDmの第3の評価値EV3,mは、例えば、以下のようになる。
第3の評価値EV3,1=60
第3の評価値EV3,2=100
第3の評価値EV3,3=20
第3の評価値EV3,4=90
この例では、正センサデータDmの取得時刻tmの中で、最も新しい正センサデータD2の取得時刻t2を基準にして、正センサデータD2の第3の評価値EV3,2の値を100としている。
優先順位算出部46は、正センサデータD2の取得時刻t2と、他の正センサデータDmの取得時刻tmとの時間差Δtmに比例する値を算出している。
そして、優先順位算出部46は、正センサデータD2の第3の評価値EV3,2の値である100から、時間差Δtmに比例する値を減算した値を、他の正センサデータDmの第3の評価値EV3,mの値としている。
図13は、図10に示す4つの正センサデータにおける第1の評価値、第2の評価値及び第3の評価値のそれぞれを示す説明図である。
優先順位算出部46は、正センサデータD2の取得時刻t2と、他の正センサデータDmの取得時刻tmとの時間差Δtmに比例する値を算出している。
そして、優先順位算出部46は、正センサデータD2の第3の評価値EV3,2の値である100から、時間差Δtmに比例する値を減算した値を、他の正センサデータDmの第3の評価値EV3,mの値としている。
図13は、図10に示す4つの正センサデータにおける第1の評価値、第2の評価値及び第3の評価値のそれぞれを示す説明図である。
優先順位算出部46は、以下の式(5)~(8)に示すように、正センサデータDmの第1の評価値EVDm-FP1,EVDm-FP2と正センサデータDmの第2の評価値EVDm-FN1,EVDm-FN2と正センサデータDmの第3の評価値EV3,mとに基づいて、正センサデータDmのスコアSCmを算出する。
SC1
=EVD1-FP1+EVD1-FP2+EVD1-FN1+EVD1-FN2+EV3,1
=110+100-80-60+60=130 (5)
SC2
=EVD2-FP1+EVD2-FP2+EVD2-FN1+EVD2-FN2+EV3,2
=180+200-40-40+100=400 (6)
SC3
=EVD3-FP1+EVD3-FP2+EVD3-FN1+EVD3-FN2+EV3,3
=50+70-160-180+20=-200 (7)
SC4
=EVD4-FP1+EVD4-FP2+EVD4-FN1+EVD4-FN2+EV3,4
=50+100-40-60+90=140 (8)
=EVD1-FP1+EVD1-FP2+EVD1-FN1+EVD1-FN2+EV3,1
=110+100-80-60+60=130 (5)
SC2
=EVD2-FP1+EVD2-FP2+EVD2-FN1+EVD2-FN2+EV3,2
=180+200-40-40+100=400 (6)
SC3
=EVD3-FP1+EVD3-FP2+EVD3-FN1+EVD3-FN2+EV3,3
=50+70-160-180+20=-200 (7)
SC4
=EVD4-FP1+EVD4-FP2+EVD4-FN1+EVD4-FN2+EV3,4
=50+100-40-60+90=140 (8)
優先順位算出部46は、4つのスコアSC1~SC4を互いに比較し、スコアSC1~SC4の比較結果に基づいて、4つの正センサデータD1,D2,D3,D4の優先順位を算出する。スコアSCmが大きい程、正センサデータDmの優先順位が高くなる。
図13の例では、正センサデータD2の優先順位が1番、正センサデータD4の優先順位が2番、正センサデータD1の優先順位が3番、正センサデータD3の優先順位が4番である。
図11の例では、正センサデータD2の優先順位が1番、正センサデータD1の優先順位が2番、正センサデータD4の優先順位が3番、正センサデータD3の優先順位が4番である。
したがって、正センサデータD1の優先順位と正センサデータD4の優先順位とが逆転している。
優先順位算出部46は、4つの正センサデータD1,D2,D3,D4の優先順位を学習データ出力部45に出力する。
図13の例では、正センサデータD2の優先順位が1番、正センサデータD4の優先順位が2番、正センサデータD1の優先順位が3番、正センサデータD3の優先順位が4番である。
図11の例では、正センサデータD2の優先順位が1番、正センサデータD1の優先順位が2番、正センサデータD4の優先順位が3番、正センサデータD3の優先順位が4番である。
したがって、正センサデータD1の優先順位と正センサデータD4の優先順位とが逆転している。
優先順位算出部46は、4つの正センサデータD1,D2,D3,D4の優先順位を学習データ出力部45に出力する。
以上の実施の形態3では、優先順位算出部46が、センサデータ取得部11によるそれぞれの正センサデータの取得時刻に基づいて、それぞれの正センサデータの第3の評価値を算出し、評価値算出部43により算出された第1の評価値及び第2の評価値のそれぞれと、第3の評価値とに基づいて、それぞれの正センサデータの優先順位を算出するように、図12に示す学習データ選択装置2を構成した。したがって、図12に示す学習データ選択装置2は、図1に示す学習データ選択装置2と同様に、故障検知対象が異常であるのに正常である旨の誤検知を低減させることが可能な学習データを選択することができる。また、図12に示す学習データ選択装置2は、図8に示す学習データ選択装置2と同様に、故障検知対象が正常であるのに異常である旨の誤検知を低減させることが可能な学習データを選択することができる。さらに、図12に示す学習データ選択装置2は、センサデータ取得部11によるそれぞれの正センサデータの取得時刻が古いほど、それぞれの正センサデータの優先順位を下げることができる。
実施の形態4.
実施の形態4では、学習データ選択部14により選択された学習データを用いて、学習モデル13を再学習させる再学習部50を備える学習データ選択装置2について説明する。
実施の形態4では、学習データ選択部14により選択された学習データを用いて、学習モデル13を再学習させる再学習部50を備える学習データ選択装置2について説明する。
図14は、実施の形態4に係る学習データ選択装置2を示す構成図である。図14において、図1、図8及び図12と同一符号は同一又は相当部分を示すので説明を省略する。
図15は、実施の形態4に係る学習データ選択装置2のハードウェアを示すハードウェア構成図である。図15において、図2及び図9と同一符号は同一又は相当部分を示すので説明を省略する。
図14に示す学習データ選択装置2は、センサデータ取得部11、検知データ取得部12、学習データ選択部14及び再学習部50を備えている。
図15は、実施の形態4に係る学習データ選択装置2のハードウェアを示すハードウェア構成図である。図15において、図2及び図9と同一符号は同一又は相当部分を示すので説明を省略する。
図14に示す学習データ選択装置2は、センサデータ取得部11、検知データ取得部12、学習データ選択部14及び再学習部50を備えている。
再学習部50は、例えば、図15に示す再学習回路26によって実現される。
再学習部50は、学習データ選択部14により選択された学習データを用いて、学習モデル13を再学習させる。
図14に示す学習データ選択装置2では、再学習部50が図1に示す学習データ選択装置2に適用されている。しかし、これは一例に過ぎず、再学習部50が図8に示す学習データ選択装置2又は図12に示す学習データ選択装置2に適用されているものであってもよい。
再学習部50は、学習データ選択部14により選択された学習データを用いて、学習モデル13を再学習させる。
図14に示す学習データ選択装置2では、再学習部50が図1に示す学習データ選択装置2に適用されている。しかし、これは一例に過ぎず、再学習部50が図8に示す学習データ選択装置2又は図12に示す学習データ選択装置2に適用されているものであってもよい。
図14では、学習データ選択装置2の構成要素であるセンサデータ取得部11、検知データ取得部12、学習データ選択部14及び再学習部50のそれぞれが、図15に示すような専用のハードウェアによって実現されるものを想定している。即ち、学習データ選択装置2が、センサデータ取得回路21、検知データ取得回路22、学習データ選択回路24及び再学習回路26によって実現されるものを想定している。
センサデータ取得回路21、検知データ取得回路22、学習データ選択回路24及び再学習回路26のそれぞれは、例えば、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、ASIC、FPGA、又は、これらを組み合わせたものが該当する。
センサデータ取得回路21、検知データ取得回路22、学習データ選択回路24及び再学習回路26のそれぞれは、例えば、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、ASIC、FPGA、又は、これらを組み合わせたものが該当する。
学習データ選択装置2の構成要素は、専用のハードウェアによって実現されるものに限るものではなく、学習データ選択装置2が、ソフトウェア、ファームウェア、又は、ソフトウェアとファームウェアとの組み合わせによって実現されるものであってもよい。
学習データ選択装置2が、ソフトウェア又はファームウェア等によって実現される場合、センサデータ取得部11、検知データ取得部12、学習データ選択部14及び再学習部50におけるそれぞれの処理手順をコンピュータに実行させるためのプログラムが図3に示すメモリ31に格納される。そして、図3に示すプロセッサ32がメモリ31に格納されているプログラムを実行する。
学習データ選択装置2が、ソフトウェア又はファームウェア等によって実現される場合、センサデータ取得部11、検知データ取得部12、学習データ選択部14及び再学習部50におけるそれぞれの処理手順をコンピュータに実行させるためのプログラムが図3に示すメモリ31に格納される。そして、図3に示すプロセッサ32がメモリ31に格納されているプログラムを実行する。
また、図15では、学習データ選択装置2の構成要素のそれぞれが専用のハードウェアによって実現される例を示し、図3では、学習データ選択装置2がソフトウェア又はファームウェア等によって実現される例を示している。しかし、これは一例に過ぎず、学習データ選択装置2における一部の構成要素が専用のハードウェアによって実現され、残りの構成要素がソフトウェア又はファームウェア等によって実現されるものであってもよい。
次に、図14に示す学習データ選択装置2の動作について説明する。ただし、再学習部50以外は、図1に示す学習データ選択装置2と同様である。このため、ここでは、再学習部50の動作のみを説明する。
再学習部50は、学習データ選択部14から、学習モデル13の再学習に用いる学習データとして、正センサデータと偽陽性センサデータとを取得する。
再学習部50は、正センサデータと偽陽性センサデータとを用いて、学習モデル13を再学習させる。これにより、学習モデル13は、正センサデータと偽陽性センサデータとを用いて、故障検知対象が正常であるときのセンサデータの分布を再学習する。再学習後のセンサデータの分布には、偽陰性の検知データに係るセンサデータが含まれていない。その結果、故障検知対象が正常であるときのセンサデータの分布が適正な分布になっている。
再学習部50は、正センサデータと偽陽性センサデータとを用いて、学習モデル13を再学習させる。これにより、学習モデル13は、正センサデータと偽陽性センサデータとを用いて、故障検知対象が正常であるときのセンサデータの分布を再学習する。再学習後のセンサデータの分布には、偽陰性の検知データに係るセンサデータが含まれていない。その結果、故障検知対象が正常であるときのセンサデータの分布が適正な分布になっている。
再学習部50は、学習モデル13を再学習させる際、図16に示すように、学習モデル13の前回の学習に用いられた学習データの中に、学習データ選択部14により選択された学習データが含まれている割合が閾値以下であれば、再学習後の学習モデル13のハイパーパラメータを調整するようにしてもよい。閾値は、再学習部50の内部メモリに格納されていてもよいし、学習データ選択装置2の外部から与えられるものであってもよい。
図16は、学習モデル13の前回の学習に用いられた学習データの中に、学習データ選択部14から出力された学習データが含まれている割合を示す説明図である。
図16において、○は、正センサデータ、斜線が施されている○は、学習モデル13の前回の学習に用いられた学習データのうち、学習データ選択部14から学習データとして出力された正センサデータである。△は、学習データ選択部14から学習データとして出力された偽陽性センサデータである。
図16は、学習モデル13の前回の学習に用いられた学習データの中に、学習データ選択部14から出力された学習データが含まれている割合を示す説明図である。
図16において、○は、正センサデータ、斜線が施されている○は、学習モデル13の前回の学習に用いられた学習データのうち、学習データ選択部14から学習データとして出力された正センサデータである。△は、学習データ選択部14から学習データとして出力された偽陽性センサデータである。
学習モデル13のハイパーパラメータは、例えば、学習モデル13におけるアルゴリズムの挙動を制御するための値である。学習モデル13のハイパーパラメータが調整されることで、例えば、学習モデル13の性能向上、過学習の抑制、又は、学習効率の向上が見込まれる。
以上の実施の形態4では、学習データ選択部14により選択された学習データを用いて、学習モデル13を再学習させる再学習部50を備えるように、図14に示す学習データ選択装置2を構成した。したがって、図14に示す学習データ選択装置2は、図1に示す学習データ選択装置2と同様に、故障検知対象が異常であるのに正常である旨の誤検知を低減させることが可能な学習データを選択することができるほか、学習モデル13に対してセンサデータの分布を再学習させることができる。
実施の形態5.
実施の形態5では、異常検知部60を備える異常検知装置について説明する。
図17は、実施の形態5に係る異常検知装置を示す構成図である。図17において、図14と同一符号は同一又は相当部分を示すので説明を省略する。
図18は、実施の形態5に係る異常検知装置のハードウェアを示すハードウェア構成図である。図18において、図15と同一符号は同一又は相当部分を示すので説明を省略する。
図17に示す異常検知装置は、学習データ選択装置2及び異常検知部60を備えている。
図17に示す異常検知装置では、学習モデル13が、検知データ取得部12の外部に設けられている。しかし、これは一例に過ぎず、検知データ取得部12が学習モデル13を備えていてもよい。学習モデル13は、再学習部50によって再学習された学習モデルである。
実施の形態5では、異常検知部60を備える異常検知装置について説明する。
図17は、実施の形態5に係る異常検知装置を示す構成図である。図17において、図14と同一符号は同一又は相当部分を示すので説明を省略する。
図18は、実施の形態5に係る異常検知装置のハードウェアを示すハードウェア構成図である。図18において、図15と同一符号は同一又は相当部分を示すので説明を省略する。
図17に示す異常検知装置は、学習データ選択装置2及び異常検知部60を備えている。
図17に示す異常検知装置では、学習モデル13が、検知データ取得部12の外部に設けられている。しかし、これは一例に過ぎず、検知データ取得部12が学習モデル13を備えていてもよい。学習モデル13は、再学習部50によって再学習された学習モデルである。
異常検知部60は、例えば、図18に示す異常検知回路27によって実現される。
異常検知部60は、再学習部50によって学習モデル13が再学習された後に、センサデータ取得部11により取得されたセンサデータを再学習後の学習モデル13に与えて、再学習後の学習モデル13から、故障検知対象が正常であるのか異常であるのかを示す検知データを取得する。
異常検知部60は、検知データを外部に出力する。
異常検知部60は、再学習部50によって学習モデル13が再学習された後に、センサデータ取得部11により取得されたセンサデータを再学習後の学習モデル13に与えて、再学習後の学習モデル13から、故障検知対象が正常であるのか異常であるのかを示す検知データを取得する。
異常検知部60は、検知データを外部に出力する。
図17では、異常検知装置の構成要素であるセンサデータ取得部11、検知データ取得部12、学習データ選択部14、再学習部50及び異常検知部60のそれぞれが、図18に示すような専用のハードウェアによって実現されるものを想定している。即ち、異常検知装置が、センサデータ取得回路21、検知データ取得回路22、学習データ選択回路24、再学習回路26及び異常検知回路27によって実現されるものを想定している。
センサデータ取得回路21、検知データ取得回路22、学習データ選択回路24、再学習回路26及び異常検知回路27のそれぞれは、例えば、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、ASIC、FPGA、又は、これらを組み合わせたものが該当する。
センサデータ取得回路21、検知データ取得回路22、学習データ選択回路24、再学習回路26及び異常検知回路27のそれぞれは、例えば、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、ASIC、FPGA、又は、これらを組み合わせたものが該当する。
異常検知装置の構成要素は、専用のハードウェアによって実現されるものに限るものではなく、学習データ選択装置2が、ソフトウェア、ファームウェア、又は、ソフトウェアとファームウェアとの組み合わせによって実現されるものであってもよい。
異常検知装置が、ソフトウェア又はファームウェア等によって実現される場合、センサデータ取得部11、検知データ取得部12、学習データ選択部14、再学習部50及び異常検知部60におけるそれぞれの処理手順をコンピュータに実行させるためのプログラムが図3に示すメモリ31に格納される。そして、図3に示すプロセッサ32がメモリ31に格納されているプログラムを実行する。
異常検知装置が、ソフトウェア又はファームウェア等によって実現される場合、センサデータ取得部11、検知データ取得部12、学習データ選択部14、再学習部50及び異常検知部60におけるそれぞれの処理手順をコンピュータに実行させるためのプログラムが図3に示すメモリ31に格納される。そして、図3に示すプロセッサ32がメモリ31に格納されているプログラムを実行する。
また、図18では、異常検知装置の構成要素のそれぞれが専用のハードウェアによって実現される例を示し、図3では、異常検知装置がソフトウェア又はファームウェア等によって実現される例を示している。しかし、これは一例に過ぎず、異常検知装置における一部の構成要素が専用のハードウェアによって実現され、残りの構成要素がソフトウェア又はファームウェア等によって実現されるものであってもよい。
次に、図17に示す異常検知装置の動作について説明する。ただし、異常検知部60以外は、図14に示す学習データ選択装置2と同様である。このため、ここでは、異常検知部60の動作のみを説明する。
異常検知部60は、再学習部50によって学習モデル13が再学習された後に、センサデータ取得部11から、センサデータを取得する。
異常検知部60は、センサデータを再学習後の学習モデル13に与えて、再学習後の学習モデル13から、故障検知対象が正常であるのか異常であるのかを示す検知データを取得する。
異常検知部60は、検知データを外部に出力する。
異常検知部60は、センサデータを再学習後の学習モデル13に与えて、再学習後の学習モデル13から、故障検知対象が正常であるのか異常であるのかを示す検知データを取得する。
異常検知部60は、検知データを外部に出力する。
以上の実施の形態5では、図14に示す学習データ選択装置2と、再学習部50によって学習モデル13が再学習された後に、センサデータ取得部11により取得されたセンサデータを再学習後の学習モデル13に与えて、再学習後の学習モデル13から、故障検知対象が正常であるのか異常であるのかを示す検知データを取得する異常検知部60とを備えるように、異常検知装置を構成した。したがって、異常検知装置は、故障検知対象が異常であるのに正常である旨の誤検知を低減させることができる。
なお、本開示は、各実施の形態の自由な組み合わせ、あるいは各実施の形態の任意の構成要素の変形、もしくは各実施の形態において任意の構成要素の省略が可能である。
本開示は、学習データ選択装置、学習データ選択方法及び異常検知装置に適している。
1 センサ、2 学習データ選択装置、3 マンマシンIF部、11 センサデータ取得部、12 検知データ取得部、13 学習モデル、14 学習データ選択部、15 識別情報取得部、16 センサデータ選択部、17 学習データ出力部、21 センサデータ取得回路、22 検知データ取得回路、24,25 学習データ選択回路、26 再学習回路、27 異常検知回路、31 メモリ、32 プロセッサ、41 学習データ選択部、42 データ分類部、43 評価値算出部、44 優先順位算出部、45 学習データ出力部、46 優先順位算出部、50 再学習部、60 異常検知部。
Claims (15)
- 故障検知対象を観測するセンサから、前記故障検知対象の観測結果を示す複数のセンサデータを取得するセンサデータ取得部と、
前記故障検知対象が正常であるときのセンサデータの分布が学習されている学習モデルに対して、前記センサデータ取得部により取得されたそれぞれのセンサデータを与えて、前記学習モデルから、前記故障検知対象が正常であるのか異常であるのかを示す検知データをそれぞれ取得する検知データ取得部と、
前記センサデータ取得部により取得された複数のセンサデータの中で、いずれのセンサデータが、前記故障検知対象が異常であるのに正常である旨を示す偽陰性の検知データに係るセンサデータであるのかを識別するための識別情報を取得し、前記識別情報に基づいて、前記センサデータ取得部により取得された複数のセンサデータのうち、前記偽陰性の検知データに係るセンサデータ以外のセンサデータの中から、前記学習モデルの再学習に用いる学習データとして、前記故障検知対象が正常である旨を示す検知データに係るセンサデータを選択する学習データ選択部と
を備えた学習データ選択装置。 - 前記学習データ選択部は、
前記センサデータ取得部により取得された複数のセンサデータの中で、いずれのセンサデータが、前記故障検知対象が正常であるのに異常である旨を示す偽陽性の検知データに係るセンサデータであるのかを識別するための識別情報を取得し、前記識別情報に基づいて、前記センサデータ取得部により取得された複数のセンサデータの中から、前記学習モデルの再学習に用いる学習データとして、前記偽陽性の検知データに係るセンサデータを選択することを特徴とする請求項1記載の学習データ選択装置。 - 前記学習データ選択部は、
前記センサデータ取得部により取得された複数のセンサデータの中で、いずれのセンサデータが、前記偽陰性の検知データに係るセンサデータであるのか、いずれのセンサデータが、前記偽陽性の検知データに係るセンサデータであるのか、いずれのセンサデータが、前記故障検知対象が正常であるときに正常である旨を示す正常時の検知データに係るセンサデータであるのかを示す識別情報を取得する識別情報取得部と、
前記識別情報取得部により取得された識別情報に基づいて、前記センサデータ取得部により取得された複数のセンサデータの中から、前記正常時の検知データに係るセンサデータと前記偽陽性の検知データに係るセンサデータとを選択するセンサデータ選択部と、
前記学習モデルの再学習に用いる学習データとして、前記センサデータ選択部により選択されたセンサデータを出力する学習データ出力部とを備えていることを特徴とする請求項2記載の学習データ選択装置。 - 前記識別情報取得部は、
前記センサデータ取得部により取得された複数のセンサデータの中で、いずれのセンサデータが、前記偽陰性の検知データに係るセンサデータであるのか、いずれのセンサデータが、前記偽陽性の検知データに係るセンサデータであるのかを示す識別情報を取得して、いずれのセンサデータが、前記正常時の検知データに係るセンサデータであるのかを示す識別情報を取得しなければ、
前記センサデータ選択部は、
いずれのセンサデータが、前記偽陰性の検知データに係るセンサデータであるのかを示す識別情報に基づいて、前記センサデータ取得部により取得された複数のセンサデータのうち、前記故障検知対象が正常である旨を示す検知データに係るセンサデータの中から、前記正常時の検知データに係るセンサデータとして、前記偽陰性の検知データに係るセンサデータ以外のセンサデータを選択することを特徴とする請求項3記載の学習データ選択装置。 - 前記学習データ出力部は、
前記センサデータ選択部により選択された正常時の検知データに係るセンサデータと前記偽陽性の検知データに係るセンサデータとの類似度が閾値以上であれば、前記学習モデルの再学習に用いる学習データとして、前記正常時の検知データに係るセンサデータを出力し、前記類似度が前記閾値未満であれば、前記正常時の検知データに係るセンサデータを破棄することを特徴とする請求項3記載の学習データ選択装置。 - 前記学習データ選択部は、
前記センサデータ取得部により取得された複数のセンサデータの中で、いずれのセンサデータが、前記偽陰性の検知データに係るセンサデータであるのか、いずれのセンサデータが、前記偽陽性の検知データに係るセンサデータであるのか、いずれのセンサデータが、前記故障検知対象が正常であるときに正常である旨を示す正常時の検知データに係るセンサデータであるのかを示す識別情報を取得する識別情報取得部と、
前記識別情報取得部により取得された識別情報に基づいて、前記センサデータ取得部により取得されたそれぞれのセンサデータを、前記偽陰性の検知データに係る偽陰性センサデータ、前記偽陽性の検知データに係る偽陽性センサデータ、又は、前記正常時の検知データに係る正センサデータに分類するデータ分類部と、
前記データ分類部による分類後の正センサデータが複数あれば、それぞれの正センサデータの第1の評価値として、それぞれの正センサデータと前記偽陽性センサデータとの類似度が高いほど絶対値が大きく、符号が正の評価値を算出し、それぞれの正センサデータの第2の評価値として、それぞれの正センサデータと前記偽陰性センサデータとの類似度が高いほど絶対値が大きく、符号が負の評価値を算出する評価値算出部と、
前記評価値算出部により算出された第1の評価値及び第2の評価値のそれぞれに基づいて、それぞれの正センサデータの優先順位を算出する優先順位算出部と、
前記複数の正センサデータの中から、前記優先順位算出部により算出された優先順位に基づいて1つ以上の正センサデータを選択し、前記学習モデルの再学習に用いる学習データとして、選択した正センサデータと前記偽陽性センサデータとを出力する学習データ出力部とを備えていることを特徴とする請求項2記載の学習データ選択装置。 - 前記識別情報取得部は、
前記センサデータ取得部により取得された複数のセンサデータの中で、いずれのセンサデータが、前記偽陰性の検知データに係るセンサデータであるのか、いずれのセンサデータが、前記偽陽性の検知データに係るセンサデータであるのかを示す識別情報を取得して、いずれのセンサデータが、前記正常時の検知データに係るセンサデータであるのかを示す識別情報を取得しなければ、
前記データ分類部は、
いずれのセンサデータが、前記偽陰性の検知データに係るセンサデータであるのかを示す識別情報に基づいて、前記センサデータ取得部により取得された複数のセンサデータのうち、前記故障検知対象が正常である旨を示す検知データに係るセンサデータの中から、前記正常時の検知データに係るセンサデータとして、前記偽陰性の検知データに係るセンサデータ以外のセンサデータを選択し、前記正常時の検知データに係るセンサデータを前記正センサデータに分類することを特徴とする請求項6記載の学習データ選択装置。 - 前記学習データ出力部は、
前記複数の正センサデータの中で、前記優先順位算出部により算出された優先順位が上位N個(Nは、1以上の整数)の正センサデータを選択することを特徴とする請求項6記載の学習データ選択装置。 - 前記学習データ出力部は、
前記複数の正センサデータの中から、前記優先順位算出部により算出された優先順位が高い順に、1つの正センサデータを選択し、選択した1つの正センサデータが前記学習モデルに与えられて、前記学習モデルの再学習が行われ、再学習後の学習モデルの検知精度が閾値以上になるまで、1つの正センサデータの選択を繰り返し行うことを特徴とする請求項6記載の学習データ選択装置。 - 前記評価値算出部は、
それぞれの正センサデータの第1の評価値として、それぞれの正センサデータと前記偽陽性センサデータとの類似度が高いほど絶対値が大きく、符号が正のユークリッド距離を算出し、
それぞれの正センサデータの第2の評価値として、それぞれの正センサデータと前記偽陰性センサデータとの類似度が高いほど絶対値が大きく、符号が負のユークリッド距離を算出することを特徴とする請求項6記載の学習データ選択装置。 - 前記優先順位算出部は、
前記センサデータ取得部によるそれぞれの正センサデータの取得時刻に基づいて、それぞれの正センサデータの第3の評価値を算出し、
前記評価値算出部により算出された第1の評価値及び第2の評価値のそれぞれと、前記第3の評価値とに基づいて、それぞれの正センサデータの優先順位を算出することを特徴とする請求項6記載の学習データ選択装置。 - 前記学習データ選択部により選択された学習データを用いて、前記学習モデルを再学習させる再学習部を備えたことを特徴とする請求項1記載の学習データ選択装置。
- 前記再学習部は、
前記学習モデルの前回の学習に用いられた学習データの中に、前記学習データ選択部により選択された学習データが含まれている割合が閾値以下であれば、再学習後の学習モデルのハイパーパラメータを調整することを特徴とする請求項12記載の学習データ選択装置。 - センサデータ取得部が、故障検知対象を観測するセンサから、前記故障検知対象の観測結果を示す複数のセンサデータを取得し、
検知データ取得部が、前記故障検知対象が正常であるときのセンサデータの分布が学習されている学習モデルに対して、前記センサデータ取得部により取得されたそれぞれのセンサデータを与えて、前記学習モデルから、前記故障検知対象が正常であるのか異常であるのかを示す検知データをそれぞれ取得し、
学習データ選択部が、前記センサデータ取得部により取得された複数のセンサデータの中で、いずれのセンサデータが、前記故障検知対象が異常であるのに正常である旨を示す偽陰性の検知データに係るセンサデータであるのかを識別するための識別情報を取得し、前記識別情報に基づいて、前記センサデータ取得部により取得された複数のセンサデータのうち、前記偽陰性の検知データに係るセンサデータ以外のセンサデータの中から、前記学習モデルの再学習に用いる学習データとして、前記故障検知対象が正常である旨を示す検知データに係るセンサデータを選択する
学習データ選択方法。 - 請求項12記載の学習データ選択装置と、
前記再学習部によって学習モデルが再学習された後に、前記センサデータ取得部により取得されたセンサデータを再学習後の学習モデルに与えて、再学習後の学習モデルから、前記故障検知対象が正常であるのか異常であるのかを示す検知データを取得する異常検知部とを備えたことを特徴とする異常検知装置。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2024503519A JP7504318B2 (ja) | 2022-03-30 | 2022-03-30 | 学習データ選択装置、学習データ選択方法及び異常検知装置 |
PCT/JP2022/015753 WO2023188052A1 (ja) | 2022-03-30 | 2022-03-30 | 学習データ選択装置、学習データ選択方法及び異常検知装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2022/015753 WO2023188052A1 (ja) | 2022-03-30 | 2022-03-30 | 学習データ選択装置、学習データ選択方法及び異常検知装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2023188052A1 true WO2023188052A1 (ja) | 2023-10-05 |
Family
ID=88200217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/JP2022/015753 WO2023188052A1 (ja) | 2022-03-30 | 2022-03-30 | 学習データ選択装置、学習データ選択方法及び異常検知装置 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7504318B2 (ja) |
WO (1) | WO2023188052A1 (ja) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019028565A (ja) * | 2017-07-26 | 2019-02-21 | 安川情報システム株式会社 | 故障予知方法、故障予知装置および故障予知プログラム |
WO2019073557A1 (ja) * | 2017-10-11 | 2019-04-18 | 三菱電機株式会社 | サンプルデータ生成装置、サンプルデータ生成方法およびサンプルデータ生成プログラム |
WO2020004315A1 (ja) * | 2018-06-27 | 2020-01-02 | 日本電信電話株式会社 | 異常検知装置、および、異常検知方法 |
US20200042829A1 (en) * | 2017-07-24 | 2020-02-06 | Huawei Technologies Co., Ltd. | Classification Model Training Method and Apparatus |
JP2022015575A (ja) * | 2020-07-09 | 2022-01-21 | コニカミノルタ株式会社 | 異常検知システム、学習装置、異常検知プログラム、学習プログラム、異常検知方法、および学習方法 |
-
2022
- 2022-03-30 JP JP2024503519A patent/JP7504318B2/ja active Active
- 2022-03-30 WO PCT/JP2022/015753 patent/WO2023188052A1/ja active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200042829A1 (en) * | 2017-07-24 | 2020-02-06 | Huawei Technologies Co., Ltd. | Classification Model Training Method and Apparatus |
JP2019028565A (ja) * | 2017-07-26 | 2019-02-21 | 安川情報システム株式会社 | 故障予知方法、故障予知装置および故障予知プログラム |
WO2019073557A1 (ja) * | 2017-10-11 | 2019-04-18 | 三菱電機株式会社 | サンプルデータ生成装置、サンプルデータ生成方法およびサンプルデータ生成プログラム |
WO2020004315A1 (ja) * | 2018-06-27 | 2020-01-02 | 日本電信電話株式会社 | 異常検知装置、および、異常検知方法 |
JP2022015575A (ja) * | 2020-07-09 | 2022-01-21 | コニカミノルタ株式会社 | 異常検知システム、学習装置、異常検知プログラム、学習プログラム、異常検知方法、および学習方法 |
Also Published As
Publication number | Publication date |
---|---|
JP7504318B2 (ja) | 2024-06-21 |
JPWO2023188052A1 (ja) | 2023-10-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mathew et al. | Classification of imbalanced data by oversampling in kernel space of support vector machines | |
WO2021045818A1 (en) | Protecting machine learning models from privacy attacks | |
El Hamdaoui et al. | A clinical support system for prediction of heart disease using machine learning techniques | |
CN110033028B (zh) | 基于算术平均贴近度的冲突证据融合方法 | |
JP7213754B2 (ja) | 情報処理システム、推論方法、攻撃検知方法、推論実行プログラム及び攻撃検知プログラム | |
JP2017076287A (ja) | データ解析装置、データ解析方法及びプログラム | |
WO2023188052A1 (ja) | 学習データ選択装置、学習データ選択方法及び異常検知装置 | |
US20220405299A1 (en) | Visualizing feature variation effects on computer model prediction | |
Mahmoudi et al. | Diversity and separable metrics in over-sampling technique for imbalanced data classification | |
Han et al. | Fuzzy-rough k-nearest neighbor algorithm for imbalanced data sets learning | |
WO2021065574A1 (ja) | 画像処理装置、画像処理方法、プログラム | |
WO2022024991A1 (ja) | 異常検出装置、異常検出方法および異常検出プログラム | |
EP4033219B1 (en) | Anomaly determination device and anomaly determination method | |
Choi et al. | Data Preprocessing Method in Motor Fault Diagnosis Using Unsupervised Learning | |
CN110555193B (zh) | 基于修正余弦相似度的冲突度量方法及设备 | |
Steinmann et al. | Variational autoencoder based novelty detection for real-world time series | |
CN113610148A (zh) | 一种基于偏置加权AdaBoost的故障诊断方法 | |
CN113168571A (zh) | 用于训练神经网络的方法 | |
US20240210937A1 (en) | Data processing system and data processing method | |
Hülsmann et al. | Incorporating dynamic uncertainties into a fuzzy classifier | |
CN113696177B (zh) | 应用于外骨骼机器人的控制与评估方法及*** | |
CN106529025B (zh) | 一种网络故障诊断方法 | |
CN112580715B (zh) | 一种家居设备故障检测方法、装置、设备及介质 | |
US20240192673A1 (en) | Data processing system and data processing method | |
US20240201681A1 (en) | Data processing system, data processing method, and program |
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: 22935200 Country of ref document: EP Kind code of ref document: A1 |
|
WWE | Wipo information: entry into national phase |
Ref document number: 2024503519 Country of ref document: JP |