WO2024047859A1 - 異常検知装置、異常検知方法、および、異常検知プログラム - Google Patents

異常検知装置、異常検知方法、および、異常検知プログラム Download PDF

Info

Publication number
WO2024047859A1
WO2024047859A1 PCT/JP2022/033076 JP2022033076W WO2024047859A1 WO 2024047859 A1 WO2024047859 A1 WO 2024047859A1 JP 2022033076 W JP2022033076 W JP 2022033076W WO 2024047859 A1 WO2024047859 A1 WO 2024047859A1
Authority
WO
WIPO (PCT)
Prior art keywords
control signal
abnormality
abnormality detection
data
model
Prior art date
Application number
PCT/JP2022/033076
Other languages
English (en)
French (fr)
Inventor
昂平 桑島
雅司 立床
Original Assignee
三菱電機株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 三菱電機株式会社 filed Critical 三菱電機株式会社
Priority to PCT/JP2022/033076 priority Critical patent/WO2024047859A1/ja
Publication of WO2024047859A1 publication Critical patent/WO2024047859A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring

Definitions

  • the present disclosure relates to an anomaly detection device, an anomaly detection method, and an anomaly detection program.
  • Facilities such as power generation plants have various modes.
  • the various modes include control states such as starting, stopping, a state where the amount of power generation is constant, and a transition state where the amount of power generation is switched from 100% to 80%. refers to something unrelated.
  • control states such as starting, stopping, a state where the amount of power generation is constant, and a transition state where the amount of power generation is switched from 100% to 80%. refers to something unrelated.
  • there is an imbalance in the amount of data for each mode and the amount of data for some modes may be extremely small.
  • verification data of normal equipment may be mistakenly detected as abnormal due to the nature of outlier detection.
  • training data and verification data are divided in a chronological direction for each mode based on data of pairs of events such as startup/stop or occurrence of alerts output by equipment and their occurrence times.
  • the technique described in Patent Document 1 generates a model using the divided data, and adjusts the threshold value depending on the sufficiency of the divided data.
  • sensor signals data related to sensors attached to equipment
  • control signals data regarding indicated values for controlling equipment
  • events such as start/stop or alert occurrence output by equipment and combinations of their occurrence times.
  • the related data is described as an event signal.
  • a control signal model for calculating the degree of abnormality of a control signal is created by applying the same method as outlier detection used for detecting an abnormality of a sensor signal to time-series data of a control signal indicating a mode. generate. Accordingly, the present disclosure aims to calculate the reliability of an abnormality detection result determined based on time-series data of a sensor signal from the degree of abnormality of a control signal.
  • An abnormality detection device includes a sensor and detects an abnormality in equipment controlled by a control signal.
  • the time-series data of the control signal in a specific time range of the abnormality detection result detected by the sensor signal obtained from the sensor is used as verification data, and is generated based on training data that is the feature amount of the time-series data of the past control signal.
  • the degree of abnormality of the control signal in the specific time range is obtained by inputting it into the control signal model, which is a model that outputs the degree of abnormality for each control signal from time-series data of the control signal, and the degree of abnormality of the control signal in the specific time range is obtained.
  • a reliability calculation unit that calculates the reliability of the control signal in the specific time range; and an abnormality diagnosis section that outputs information obtained by adding the reliability of the control signal in the specific time range to the abnormality detection result in the specific time range as an abnormality diagnosis result.
  • the abnormality detection device uses a control signal model for calculating the degree of abnormality of the control signal with respect to time-series data of the control signal indicating the mode.
  • the control signal model is a model that is generated based on training data that is a feature amount of time-series data of past control signals, and outputs the degree of abnormality for each control signal from the time-series data of control signals. Therefore, according to the abnormality detection device according to the present disclosure, the reliability of the abnormality detection result determined based on the time series data of the sensor signal can be calculated from the degree of abnormality of the control signal.
  • the anomaly detection device According to the anomaly detection device according to the present disclosure, it is possible to determine whether the time series data of the sensor signal being diagnosed by the anomaly detection device was determined to be abnormal in a mode where the amount of data is sufficient, or whether the amount of data is extremely large. It is possible to immediately determine whether an abnormality has been determined in a small number of modes.
  • FIG. 1 is a diagram showing an example of a hardware configuration of an abnormality detection device according to Embodiment 1.
  • FIG. 1 is a diagram showing an example of a functional configuration of an abnormality detection device according to Embodiment 1.
  • FIG. FIG. 3 is a diagram illustrating a configuration example of correspondence information according to the first embodiment.
  • FIG. 3 is a diagram illustrating a configuration example of abnormality detection method information according to the first embodiment.
  • FIG. 3 is a diagram illustrating a configuration example of control signal time series data according to the first embodiment.
  • FIG. 3 is a diagram illustrating a configuration example of abnormality detection result information according to the first embodiment.
  • FIG. 3 is a flow diagram showing the operation of the model generation unit according to the first embodiment.
  • 5 is a diagram showing a state in which the correspondence information of FIG.
  • FIG. 3 is a diagram showing an example of how the abnormality diagnosis result is obtained by the abnormality diagnosis section according to the first embodiment.
  • FIG. 3 is a flow diagram showing the operation of the abnormality diagnosis section according to the first embodiment.
  • FIG. 3 is a flow diagram showing a learning process for generating a control signal model in the abnormality detection process according to the first embodiment.
  • FIG. 3 is a flowchart showing an estimation process for determining the degree of abnormality from a control signal model in the abnormality detection process according to the first embodiment.
  • FIG. 7 is a diagram illustrating a configuration example of an abnormality detection device according to a second modification of the first embodiment.
  • FIG. 7 is a diagram illustrating a configuration example of correspondence information according to Embodiment 2.
  • FIG. 7 is a diagram illustrating a configuration example of abnormality detection method information according to Embodiment 2;
  • FIG. 7 is a diagram illustrating an example of a result of combining correspondence relationship information and abnormality detection method information according to Embodiment 2;
  • FIG. 7 is a diagram illustrating an example of how to obtain an abnormality diagnosis result by an abnormality diagnosis unit according to the second embodiment.
  • FIG. 7 is a flow diagram showing the operation of the abnormality diagnosis section according to the second embodiment.
  • FIG. 7 is a diagram illustrating an example of a functional configuration of an abnormality detection device according to a third embodiment.
  • FIG. 7 is a diagram illustrating a configuration example of event signal information according to Embodiment 3; 22 is a diagram illustrating an example of mode division when event signal information according to Embodiment 3 is as shown in FIG. 21.
  • FIG. FIG. 7 is a flow diagram showing the operation of the mode division unit according to the third embodiment.
  • 10 is a flow diagram showing processing during learning to generate a control signal model according to Embodiment 3.
  • FIG. FIG. 7 is a flowchart showing a process for estimating a degree of abnormality from a control signal model according to Embodiment 3;
  • FIG. 1 is a diagram showing an example of the hardware configuration of an abnormality detection device 100 according to the present embodiment.
  • FIG. 2 is a diagram showing an example of the functional configuration of the abnormality detection device 100 according to the present embodiment.
  • the abnormality detection device 100 detects abnormalities in equipment.
  • the equipment is equipped with sensors and controlled by control signals.
  • the abnormality detection device 100 detects abnormalities in equipment using sensor signals obtained from sensors, and determines the reliability of the detection results when abnormalities are detected.
  • the abnormality detection device 100 is a computer.
  • the abnormality detection device 100 includes a processor 910 and other hardware such as a memory 921, an auxiliary storage device 922, an input interface 930, an output interface 940, and a communication device 950.
  • Processor 910 is connected to other hardware via signal lines and controls these other hardware.
  • the anomaly detection device 100 includes a model generation section 110, a reliability calculation section 120, an anomaly diagnosis section 130, and a storage section 140 as functional elements.
  • the storage unit 140 stores correspondence information 141, abnormality detection method information 142, control signal time series data 143, control signal model 144, abnormality detection result information 145, and abnormality diagnosis result 146.
  • the abnormality detection device 100 is a device that calculates the reliability of abnormality detection results regarding equipment based on data stored in the storage unit 140.
  • the functions of the model generation section 110, reliability calculation section 120, and abnormality diagnosis section 130 are realized by software.
  • the storage unit 140 is included in the memory 921. Note that the storage unit 140 may be provided in the auxiliary storage device 922 or may be provided in a distributed manner in the memory 921 and the auxiliary storage device 922.
  • Processor 910 is a device that executes an abnormality detection program.
  • the anomaly detection program is a program that implements the functions of the model generation section 110, the reliability calculation section 120, and the anomaly diagnosis section 130.
  • Processor 910 is an IC that performs arithmetic processing. Specific examples of the processor 910 are a CPU, a DSP, and a GPU.
  • IC is an abbreviation for Integrated Circuit.
  • CPU is an abbreviation for Central Processing Unit.
  • DSP is an abbreviation for Digital Signal Processor.
  • GPU is an abbreviation for Graphics Processing Unit.
  • Memory 921 is a storage device that temporarily stores data.
  • a specific example of the memory 921 is SRAM or DRAM.
  • SRAM is an abbreviation for Static Random Access Memory.
  • DRAM is an abbreviation for Dynamic Random Access Memory.
  • Auxiliary storage device 922 is a storage device that stores data.
  • a specific example of the auxiliary storage device 922 is an HDD.
  • the auxiliary storage device 922 may be a portable storage medium such as an SD (registered trademark) memory card, CF, NAND flash, flexible disk, optical disk, compact disc, Blu-ray (registered trademark) disc, or DVD.
  • SD registered trademark
  • SD Secure Digital
  • CF is an abbreviation for CompactFlash®.
  • DVD is an abbreviation for Digital Versatile Disk.
  • the input interface 930 is a port connected to an input device such as a mouse, keyboard, or touch panel.
  • Input interface 930 is specifically a USB terminal. Note that the input interface 930 may be a port connected to a LAN.
  • USB is an abbreviation for Universal Serial Bus.
  • LAN is an abbreviation for Local Area Network.
  • the output interface 940 is a port to which a cable of an output device such as a display is connected.
  • the output interface 940 is a USB terminal or an HDMI (registered trademark) terminal.
  • the display is specifically an LCD.
  • Output interface 940 is also referred to as a display interface.
  • HDMI registered trademark
  • LCD is an abbreviation for Liquid Crystal Display.
  • the communication device 950 has a receiver and a transmitter.
  • the communication device 950 is connected to a communication network such as a LAN, the Internet, or a telephone line.
  • Communication device 950 is specifically a communication chip or NIC.
  • NIC is an abbreviation for Network Interface Card.
  • the anomaly detection program is executed in the anomaly detection device 100.
  • the abnormality detection program is loaded into the processor 910 and executed by the processor 910.
  • the memory 921 stores not only the abnormality detection program but also the OS.
  • OS is an abbreviation for Operating System.
  • Processor 910 executes the abnormality detection program while executing the OS.
  • the abnormality detection program and the OS may be stored in the auxiliary storage device 922.
  • the abnormality detection program and OS stored in the auxiliary storage device 922 are loaded into the memory 921 and executed by the processor 910. Note that part or all of the abnormality detection program may be incorporated into the OS.
  • the abnormality detection device 100 may include a plurality of processors that replace the processor 910. These multiple processors share execution of the abnormality detection program.
  • Each processor like processor 910, is a device that executes an abnormality detection program.
  • Data, information, signal values, and variable values used, processed, or output by the abnormality detection program are stored in the memory 921, the auxiliary storage device 922, or the register or cache memory in the processor 910.
  • the "unit" of each part of the model generation section 110, reliability calculation section 120, and abnormality diagnosis section 130 may be read as “circuit,””process,””procedure,””process,” or “circuitry.”
  • the abnormality detection program causes the computer to execute model generation processing, reliability calculation processing, and abnormality diagnosis processing.
  • the "processing" of model generation processing, reliability calculation processing, and abnormality diagnosis processing is referred to as "program,””programproduct,””computer-readable storage medium that stores a program,” or “computer-readable record that stores a program.” It may also be read as "media”.
  • the abnormality detection method is a method performed by the abnormality detection device 100 executing an abnormality detection program.
  • the anomaly detection program may be provided stored in a computer-readable recording medium. Further, the abnormality detection program may be provided as a program product.
  • a sensor signal is data obtained from a sensor attached to equipment.
  • a control signal is data indicating an instruction value for controlling equipment.
  • an event signal is data indicating a set of an event such as start/stop and occurrence of an alert output by equipment and its occurrence time.
  • the abnormality detection device 100 determines an abnormality in equipment by inputting multidimensional time-series data based on sensor signals obtained from equipment having various modes. Furthermore, the abnormality detection device 100 calculates the reliability of the equipment abnormality detection result based on time-series data of control signals related to equipment control for realizing various modes.
  • the model generation unit 110 extracts feature amounts from the control signal data and generates a control signal model 144 that is a model for calculating the degree of abnormality.
  • the reliability calculation unit 120 calculates the reliability of the abnormality detection result in a specific period from the time-series data of the control signal based on the control signal model 144.
  • the abnormality diagnosis unit 130 generates output content to the user based on the reliability of the abnormality detection result for a specific period of the sensor signal.
  • FIG. 3 is a diagram showing a configuration example of the correspondence information 141 according to the present embodiment.
  • the correspondence information 141 is data indicating the correspondence between sensor signals and control signals.
  • a sensor signal and a control signal that affects the sensor signal are associated with each other.
  • the correspondence information 141 is used, for example, in the abnormality diagnosis section 130 to select a control signal corresponding to a sensor signal.
  • the correspondence information 141 may be any data as long as it includes a set of one or more sensor signal IDs and one or more control signal IDs.
  • the example in FIG. 3 shows that there is a correspondence between sensor signal S0001, sensor signal S0002, sensor signal S0003, and sensor signal S0004, and control signal C0001, control signal C0002, and control signal C0003.
  • FIG. 4 is a diagram showing a configuration example of the abnormality detection method information 142 according to the present embodiment.
  • the abnormality detection method information 142 is data indicating a method for detecting an abnormality in a sensor signal.
  • the anomaly detection method information 142 can be any data that includes one or more sensor signals, an anomaly detection method, input data, dimensions of the input data, start time, end time, and parameters of the anomaly detection method. Good too.
  • the example in FIG. 4 shows that abnormality detection is performed using isolate-forest on the sensor signals S0001, S0002, S0003, and S0004.
  • time-series values at specific times are used as input data to the anomaly detection method.
  • the dimension of the input data is set to the number of IDs of the sensor signal. In the example of FIG. 4, the input data has four dimensions. Further, the number of decision trees, which is one of the parameters of isolate-forest, is 100. Note that the start time is the start time of the time series value, and the end time is the end time of the time
  • FIG. 5 is a diagram showing a configuration example of control signal time series data 143 according to the present embodiment.
  • the control signal time series data 143 is time series data of control signals.
  • the control signal time series data 143 includes data for uniquely specifying the control signal, the time at which the data was measured from the equipment, and the command value measured at each time. Note that the measured times must be at equal intervals, excluding defects due to failures, etc.
  • the example in FIG. 5 shows data in which command values for the boiler temperature are recorded in units of one minute for a boiler in a power generation plant. In the example, one time series data in which the data for uniquely specifying the control signal is C0001 is described, but a plurality of control signals may be stored.
  • the control signal model 144 is a model for calculating the degree of abnormality of the control signal.
  • the control signal model 144 is generated by the model generation unit 110 by applying to the control signal time series data 143 the same abnormality detection method as the abnormality detection method used for sensor signal abnormality detection.
  • the control signal model 144 may be any data as long as it includes information and a model that can uniquely identify the model stored for each control signal.
  • FIG. 6 is a diagram showing a configuration example of the abnormality detection result information 145 according to the present embodiment.
  • the abnormality detection result information 145 stores abnormality detection results for a specific period of sensor signals.
  • the data stored in the abnormality detection result information 145 may be any data as long as it includes data that uniquely identifies the sensor signal, the start time at which it was determined to be abnormal, and the end time at which it was determined to be abnormal. good.
  • the sensor signal S0001 indicates that an abnormality has occurred during the period from "2021-06-01 00:00:00" to "2021-06-01 00:15:00.”
  • the abnormality diagnosis result 146 is generated by the abnormality diagnosis unit 130 and presented to the user.
  • the abnormality diagnosis result 146 will be described later.
  • the operation procedure of the abnormality detection device 100 corresponds to an abnormality detection method. Further, a program that realizes the operation of the abnormality detection device 100 corresponds to an abnormality detection program.
  • FIG. 7 is a flow diagram showing the operation of model generation section 110 according to this embodiment.
  • the model generation unit 110 extracts feature amounts of control signal time series data 143, which is time series data of control signals, and uses a control signal model that is a model for calculating the degree of abnormality for each control signal based on the feature amounts. 144 is generated.
  • the model generation unit 110 uses past time series data of control signals as training data and generates a control signal model 144 that outputs the degree of abnormality of the control signal from the time series data of the control signals based on the training data.
  • the model generation unit 110 determines an abnormality detection method to be applied to the control signal set in the correspondence information 141 based on the correspondence information 141, the abnormality detection method information 142, and the control signal time series data 143. Then, the model generation unit 110 generates training data to be input to the anomaly detection method by replacing the data format of the sensor signal input to the anomaly detection method with the data format of the control signal included in the time series data of past control signals. do.
  • the model generation unit 110 generates the control signal model 144 by inputting the generated training data to the anomaly detection method.
  • the correspondence information 141 is information that associates a sensor signal with a control signal that affects the sensor signal.
  • the abnormality detection method information 142 is information in which a sensor signal, an abnormality detection method applied to the sensor signal, and a data format of the sensor signal input to the abnormality detection method are set.
  • the control signal time series data 143 is time series data of past control signals. Specifically, it is as follows.
  • the model generation unit 110 determines an abnormality detection method to be used to generate the control signal model 144 from the control signal time series data 143.
  • the model generation unit 110 To determine the abnormality detection method, data of the sensor signal ID and control signal ID described in the correspondence information 141 and data of the sensor signal ID, input data, and dimension of the input data described in the abnormality detection method information 142 are used. Make use of it.
  • the model generation unit 110 combines, or links, the data of the correspondence information 141 and the data of the abnormality detection method information 142 using the sensor signal ID. Thereby, the model generation unit 110 determines the abnormality detection method linked to the control signal ID of the control signal time series data 143.
  • the model generation unit 110 determines an abnormality detection method for all control signal sets included in the correspondence information 141.
  • the set of control signals may include one control signal.
  • FIG. 8 is a diagram showing a state in which the correspondence information 141 of FIG. 3 and the abnormality detection method information 142 of FIG. 4 according to the present embodiment are combined. From FIG. 8, Isolate-forest is applied to the control signal C0001, the control signal C0002, and the control signal C0003 as an abnormality detection method.
  • a set of sensor signals S0001, S0002, S0003, and S0004 corresponds to a set of control signals C0001, C0002, and C0003.
  • the abnormality detection method information 142 in FIG. 4 the same abnormality detection method corresponds to sensor signals S0001, S0002, S0003, and S0004.
  • the same anomaly detection method corresponds to the sensor signals S0001, S0002, S0003, and S0004, so one anomaly detection method is used for the set of control signals C0001, C0002, and C0003. It is determined.
  • the processing is performed as follows.
  • sensor signals S0001 and S0002 different abnormality detection methods may correspond to each of the sensor signals S0001 and S0002.
  • the abnormality detection method information 142 includes information on "sensor signals S0001, S0002,”"sensor signal S0001,” and “sensor signal S0002,” a different abnormality detection method for each, that is, three Anomaly detection method is set.
  • all methods are applied according to the correspondence information 141.
  • the correspondence information 141 includes three sets of "sensor signals S0001, S0002 and control signal C0001", “sensor signal S0001 and control signal C0001", and “sensor signal S0002 and control signal C0001", the following That's right.
  • Three abnormality detection methods selected for each sensor signal set are applied to the control signal C0001.
  • step S002 the model generation unit 110 generates input data from the control signal time series data 143 based on the data generated in step S001 in order to generate input to the abnormality detection method.
  • the model generation unit 110 since time-series values at specific times are input, three-dimensional vectors are generated by combining data at each time of control signal C0001, control signal C0002, and control signal C0003 for the number of times.
  • the input data is a vector set of time-series values at the same time in the set of control signals.
  • the data acquisition unit for time series values is 1 minute, 2 minutes, Or it is in units of 3 minutes.
  • the input data of FIG. 8 if the control signal i is Ci, the time series value of control signal i at time t is Ci[t], the start time is start, the end time is end, and the vector is ⁇ >, the input data is as follows. It is as follows. ⁇ C C0001 [start], C C0002 [start], C C0003 [start]>, ⁇ C C0001 [start+1], C C0002 [start+1], C C0003 [start+1]>, ..., ⁇ C C0001 [end] , C C0002 [end], C C0003 [end]>
  • step S003 the model generation unit 110 generates the control signal model 144 by inputting the input data generated in step S002 to the abnormality detection method determined in step S001.
  • the model generation unit 110 uses Isolate-forest as the abnormality detection method.
  • the model generation unit 110 generates 100 decision trees and an abnormality threshold, assuming that the number of decision trees, which is one of the parameters of Isolate-forest, is 100.
  • the input data used to generate the decision tree is the data generated in step S002.
  • the control signal model 144 for each control signal is generated, which is composed of 100 decision trees and abnormality thresholds.
  • step S004 the model generation unit 110 stores the control signal model 144 in the storage unit 140.
  • FIG. 9 is a flow diagram showing the operation of reliability calculation section 120 according to this embodiment.
  • the reliability calculation unit 120 calculates the reliability of the anomaly detection results output by the anomaly detection method for a specific period, which indicates whether training data for each mode was sufficient to obtain the anomaly detection results.
  • the reliability calculation unit 120 inputs time-series data of the control signal in a specific time range of the abnormality detection result detected by the sensor signal to the control signal model 144 as verification data.
  • the reliability calculation unit 120 obtains the degree of abnormality of the control signal in a specific time range by inputting the verification data into the control signal model 144, and calculates the reliability of the control signal in the specific time range based on the degree of abnormality.
  • the reliability calculation unit 120 calculates the reliability of the abnormality detection results in the specific time range based on the correspondence relationship information 141, the abnormality detection method information 142, the control signal model 144, and the control signal time series data 143 in the specific time range of the abnormality detection results.
  • Verification data is generated from the control signal time series data 143. Specifically, it is as follows.
  • step S101 the reliability calculation unit 120 calculates the data of the sensor signal ID and the control signal ID described in the correspondence information 141, the sensor signal ID, the input data, and the dimension of the input data described in the abnormality detection method information 142, The start time and end time data are combined using the sensor signal ID.
  • step S102 the reliability calculation unit 120 generates input data for each control signal from the control signal time series data 143 based on the data generated in step S101 in order to generate input for the abnormality detection method.
  • This procedure is similar to step S002.
  • the start time and end time are read as "abnormal end date and time” from “abnormal start date and time” in the abnormality detection result information 145 in FIG.
  • the specific time range is from the "abnormal start date and time” to the "abnormal end date and time.”
  • the input data generated in the model generation process was training data for machine learning.
  • the input data for the reliability calculation process is estimated data, that is, verification data.
  • the data creation method is the same except that the period of time series data is different.
  • step S103 the reliability calculation unit 120 uses the control signal model 144 and the input data generated in step S102 to calculate the degree of abnormality in a specific time range from the start time to the end time for each control signal.
  • each control signal includes the meaning of each control signal set.
  • Control within a specific time range for each control signal is detailed control of each facility to realize the mode. That is, the degree of abnormality in a specific time range for each control signal means the degree of abnormality for each mode.
  • the reliability calculation unit 120 inputs the input data generated in step S102 to the decision tree stored in the control signal model 144, and calculates the results of all decision trees. Let the average of these be the degree of abnormality in a specific time range for each control signal.
  • the mode refers to a state such as stop, 80% power generation, or 100% power generation in a power generation plant.
  • the control signal is time-series data of instruction values that indicate how each part of the plant should move when the plant is shut down. For example, when shutting down a power plant, various valves are closed to stop the supply of fuel. At this time, an instruction value such as "close” is sent to the valve. In this example, "stop” is the mode, and a numerical value representing the action of "close” the valve is the control signal.
  • the specific time range in the reliability calculation process is the range in which the sensor signal described in the abnormality detection result information 145 is determined to be abnormal.
  • the abnormality detection device has a function of determining the reliability of a determination of "abnormality or not" determined from time-series data of sensor signals using time-series data of control signals. Therefore, the specific time range basically corresponds to the period of training data for the anomaly detection method for the sensor signal and the period in which it is determined to be "abnormal” based on the verification data.
  • the specific time range of the reliability calculation process is the period in which the abnormality detection method for the sensor signal determines that the sensor signal is "abnormal” based on the verification data.
  • the reliability calculation unit 120 calculates the reliability for each specific time range for each control signal based on the degree of abnormality determined in step S103.
  • the degree of abnormality is assumed to be amn
  • the threshold value for determining the degree of abnormality as abnormal is thr
  • the reliability is calculated by the following formula. In the following formula, if the degree of abnormality is smaller than the threshold value of abnormality, the reliability will be 1 or more, and if the degree of abnormality is larger than the threshold value of abnormality, the reliability will be 1 or less.
  • Reliability 1/(amn/thr)
  • the abnormality diagnosis unit 130 determines the abnormality diagnosis result from the sensor signal abnormality detection result stored in the sensor signal abnormality detection result information 145 and the reliability of the abnormality diagnosis calculated by the reliability calculation unit 120 based on the correspondence relationship information 141. generate.
  • the abnormality diagnosis unit 130 outputs information obtained by adding the reliability of the control signal in a specific time range to the abnormality detection result in the specific time range as an abnormality diagnosis result. Specifically, it is as follows.
  • FIG. 10 is a diagram illustrating an example of how to obtain an abnormality diagnosis result by the abnormality diagnosis unit 130 according to the present embodiment.
  • FIG. 11 is a flow diagram showing the operation of the abnormality diagnosis section 130 according to this embodiment. In FIG. 10, it is assumed that the abnormality detection results and the reliability represent the results for the same period.
  • step S201 the abnormality diagnosis unit 130 acquires the correspondence between the sensor signal and the control signal from the correspondence information 141.
  • the correspondence information 141 there is a set of sensor signals S0001, S0002, S0003, and S0004, and a set of control signals C0001, C0002, and C0003.
  • step S202 the abnormality diagnosis unit 130 acquires the abnormality detection result of the sensor signal from the sensor signal abnormality detection result information 145 based on the data acquired in step S201. Furthermore, the abnormality diagnosis unit 130 obtains the reliability of the control signal from the reliability output by the reliability calculation unit 120. In the example of FIG. 10, the sensor signal is abnormal and the reliability of the control signal is 0.3.
  • step S203 the reliability of the abnormality detection result of a certain sensor signal is determined based on the correspondence between the sensor signal and the control signal, and the reliability of the abnormality detection result of the sensor signal and the control signal. to decide. If the reliability is 1 or less, the words ⁇ in a control state with extremely little training data'' are added to the prefix of the anomaly detection result. In the example of FIG. 10, since the reliability is 0.3, it is determined that it is necessary to prefix the anomaly detection result with "in a control state with extremely little training data.”
  • step S204 an abnormality diagnosis result consisting of a combination of each sensor signal, abnormality detection result, and reliability is generated and output using the result of step S203.
  • the set of sensor signals S0001, S0002, S0003, and S0004 is detected as abnormal when the training data is extremely small, indicating that the reliability of abnormality detection is 0.3. There is.
  • the model generation unit extracts the feature amount of the control signal time series data, which is the time series data of the control signal, and calculates the degree of abnormality for each control signal based on the feature amount. Generate a control signal model that is a model for Furthermore, by inputting time-series data of the control signal into the control signal model, the reliability calculation unit calculates Calculate reliability, which indicates whether past data was sufficient. Further, the abnormality diagnosis unit combines the reliability and the abnormality detection result obtained by one abnormality detection method applied to the sensor signal based on the abnormality detection result information storing the abnormality detection result for the sensor signal, and The anomaly detection result of one anomaly detection method applied to is modified based on reliability. Then, the abnormality diagnosis section adds the reliability to the abnormality detection result and outputs the result as an abnormality diagnosis result.
  • the model generation unit calculates reliability for each anomaly detection method based on the correspondence information, the anomaly detection method information, and the control signal time series data. A set of control signals to be input for this purpose is determined from the correspondence information. Then, the model generation unit generates the control signal model for the set of control signals based on the abnormality detection method.
  • the correspondence information is information that associates the control signal with the sensor signal that is affected by the control signal.
  • the abnormality detection method information is information that stores a combination of the abnormality detection method of the equipment and the sensor signal input to the abnormality detection method.
  • the reliability calculation unit calculates the input input to the control signal model based on the correspondence information, the anomaly detection method information, the control signal model, and the control signal time series data. Reliability is calculated by generating data and inputting the input data to the control signal model.
  • the anomaly detection device applies the same method of outlier detection used for sensor signal anomaly detection to the time series data of the control signal indicating the mode, and detects the anomaly of the control signal. Generate a control signal model for calculating the degree. Therefore, according to the abnormality detection device according to the present disclosure, the reliability of the abnormality detection result determined based on the time series data of the sensor signal can be calculated from the degree of abnormality of the control signal. As a result, according to the anomaly detection device according to the present disclosure, it is possible to determine whether the time series data of the sensor signal being diagnosed by the anomaly detection device was determined to be abnormal in a mode where the amount of data is sufficient, or whether the amount of data is extremely large. It is possible to immediately determine whether an abnormality has been determined in a small number of modes.
  • the reliability calculation unit determines whether the mode is rare based on the degree of abnormality of the control signal, and calculates the reliability of the abnormality detection result of the sensor signal that is affected by the control. do. Determining whether a mode is rare means determining whether there is extremely little training data for "a certain mode.” In other words, it is determined that among all the training data including a plurality of modes, training data for a certain mode is extremely small or absent. Further, in the abnormality detection device according to the present embodiment, the abnormality diagnosis section 130 corrects the abnormality diagnosis result of the sensor signal output to a person based on reliability.
  • modification 1 a modification of the processing flow of the abnormality detection device 100 described with reference to FIGS. 7, 9, and 11 will be described.
  • the processing of the abnormality detection device 100 can be expressed as two processing flows: a learning process for generating the control signal model 144 and an estimation process for calculating the degree of abnormality from the control signal model 144.
  • the learning process for generating the control signal model 144 corresponds to the model generation process described above.
  • Estimating the degree of abnormality from the control signal model 144 corresponds to the reliability calculation process described above.
  • FIG. 12 is a flow diagram showing a learning process for generating the control signal model 144 in the abnormality detection process according to the present embodiment.
  • FIG. 13 is a flowchart showing an estimation process for determining the degree of abnormality from the control signal model 144, which is part of the abnormality detection process according to the present embodiment. In FIG. 13, abnormality diagnosis processing is also included.
  • the learning flow shown in FIG. 12 uses a model generation unit 110, correspondence information 141, abnormality detection method information 142, control signal time series data 143, and control signal model 144.
  • step S301 the model generation unit 110 acquires the relationship between the sensor signal set and the control signal set from the correspondence information 141.
  • the model generation unit 110 acquires the abnormality detection method applied to the specific sensor signal, information regarding input, and parameters of the abnormality detection method from the abnormality detection method information 142.
  • step S ⁇ b>303 the model generation unit 110 acquires control signal time series data from the control signal time series data 143 .
  • step S304 the model generation unit 110 generates a model for each set of control signals based on the data obtained from steps S301, S302, and S303.
  • the flowchart for generation is the same as that shown in FIG. 7 described in the model generation unit 110.
  • step S305 the model generation unit 110 stores all the models obtained in step S304 as the control signal model 144 in the storage unit 140.
  • the processing in FIG. 12 corresponds to the processing in FIG. 7.
  • the estimation flow shown in FIG. 13 uses the reliability calculation unit 120, correspondence information 141, anomaly detection method information 142, control signal time series data 143, control signal model 144, anomaly detection result information 145, and anomaly diagnosis result 146. ing.
  • step S401 the reliability calculation unit 120 obtains the relationship between the sensor signal set and the control signal set from the correspondence relationship information 141.
  • step S402 the reliability calculation unit 120 acquires the abnormality detection method applied to the specific sensor signal, information regarding input, and parameters of the abnormality detection method from the abnormality detection method information 142.
  • step S403 the reliability calculation unit 120 acquires time series data of the control signal from the control signal time series data 143.
  • step S404 the reliability calculation unit 120 obtains a model corresponding to the control signal from the control signal model 144.
  • step S405 the reliability calculation unit 120 calculates the sensor signal set corresponding to the control signal set described in the correspondence relationship information 141 based on the data acquired from step S401, step S402, step S403, and step S404. Calculate reliability for anomaly detection results.
  • the flowchart for calculating reliability is the same as that described in the reliability calculation process of FIG.
  • step S406 the abnormality diagnosis unit 130 acquires the abnormality detection result for each sensor signal from the sensor signal abnormality detection result information 145.
  • step S407 the abnormality diagnosis unit 130 converts the abnormality detection results of all sensor signals based on the information acquired from steps S401, S405, and S406, and converts the abnormality detection results into a set of sensor signals, abnormality diagnosis results, and reliability.
  • An abnormality diagnosis result 146 is generated.
  • the flowchart for generating the abnormality diagnosis result is the same as that shown in FIG. 11 described for the abnormality diagnosis section 130.
  • FIG. 13 corresponds to the processing in FIGS. 9 and 11.
  • model generation section 110 the functions of model generation section 110, reliability calculation section 120, and abnormality diagnosis section 130 are realized by software.
  • the functions of the model generation section 110, reliability calculation section 120, and abnormality diagnosis section 130 may be realized by hardware.
  • the abnormality detection device 100 includes an electronic circuit 909 instead of the processor 910.
  • FIG. 14 is a diagram showing a configuration example of an abnormality detection device 100 according to a second modification of the present embodiment.
  • the electronic circuit 909 is a dedicated electronic circuit that realizes the functions of the model generation section 110, reliability calculation section 120, and abnormality diagnosis section 130.
  • Electronic circuit 909 is specifically a single circuit, a composite circuit, a programmed processor, a parallel programmed processor, a logic IC, a GA, an ASIC, or an FPGA.
  • GA is an abbreviation for Gate Array.
  • ASIC is an abbreviation for Application Specific Integrated Circuit.
  • FPGA is an abbreviation for Field-Programmable Gate Array.
  • model generation section 110 The functions of the model generation section 110, reliability calculation section 120, and abnormality diagnosis section 130 may be realized by one electronic circuit, or may be realized by being distributed among multiple electronic circuits.
  • some of the functions of the model generation section 110, reliability calculation section 120, and abnormality diagnosis section 130 may be realized by electronic circuits, and the remaining functions may be realized by software. Furthermore, some or all of the functions of the model generation section 110, reliability calculation section 120, and abnormality diagnosis section 130 may be realized by firmware.
  • Each of the processor and electronic circuit is also referred to as processing circuitry. That is, the functions of the model generation section 110, reliability calculation section 120, and abnormality diagnosis section 130 are realized by processing circuitry.
  • Embodiment 2 points different from Embodiment 1 and points added to Embodiment 1 will be mainly described.
  • components having the same functions as those in Embodiment 1 are denoted by the same reference numerals, and the description thereof will be omitted.
  • the abnormality detection method is for a single signal, and a mode will be described in which one sensor signal is affected by a plurality of control signals.
  • FIG. 15 is a diagram showing a configuration example of correspondence information 141 according to the present embodiment.
  • the data stored in the correspondence information 141 may be any data as long as it includes one sensor signal ID, one or more control signal IDs, and a set of conditions used for reliability calculation.
  • the example in FIG. 15 shows that there is a correspondence between the sensor signal S0001 and the control signal C0001, and between the sensor signal S0002 and the control signals C0001 and C0002.
  • the reliability combination method and reliability output content are stored as reliability determination of the abnormality detection results.
  • the combination method is disjunctive and the reliability output content is minimal.
  • FIG. 16 is a diagram showing a configuration example of the abnormality detection method information 142 according to the present embodiment.
  • the data stored in the anomaly detection method information 142 includes one sensor signal, an anomaly detection method, input data, dimensions of the input data, and parameters of the anomaly detection method.
  • abnormality detection is performed using the k-nearest neighbor method for each of the sensor signal S0001 and the sensor signal S0002.
  • the sensor signal S0001 is time series data
  • the sensor signal S0002 is a high frequency component.
  • the number of dimensions of input data for both sensor signals is 10.
  • the sensor signal S0001 is 2, and the sensor signal S0002 is 3.
  • the abnormality detection method information 142 in FIG. 16 the start time and end time are omitted.
  • the abnormality detection method information 142 in FIG. 16 also includes information on start time and end time, as in the first embodiment.
  • the operation procedure of the abnormality detection device 100 corresponds to an abnormality detection method. Further, a program that realizes the operation of the abnormality detection device 100 corresponds to an abnormality detection program.
  • the correspondence information 141 associates one sensor signal with a control signal set, and sets a reliability combination method for the control signal set.
  • the model generation unit 110 generates a control signal model 144 by applying an abnormality detection method corresponding to the sensor signal to each control signal of the control signal set.
  • the reliability calculation unit 120 calculates the reliability of the set of control signals using a reliability combination method. Specifically, it is as follows.
  • the model generation unit 110 generates a control signal model 144 for calculating the degree of abnormality indicating the degree of abnormality from the control signal time series data stored in the control signal time series data 143.
  • the basic processing flow of model generation unit 110 is the same as that shown in FIG. 7 described in Embodiment 1, but the differences from Embodiment 1 will be described below.
  • step S001 the model generation unit 110 determines an abnormality detection method to be used to generate a model of the control signal. For the determination, the sensor signal ID and control signal ID described in the correspondence information 141, and the sensor signal ID, input data, and dimension data of the input data described in the abnormality detection method information 142 are used. Specifically, the model generation unit 110 combines the data in each storage area using the sensor signal ID, and determines the abnormality detection method based on the control signal ID and abnormality detection method of the combined data.
  • FIG. 17 is a diagram showing an example of the result of combining the correspondence information 141 and the abnormality detection method information 142 according to the present embodiment.
  • the abnormality detection method of sensor signal S0001 corresponds to control signal C0001
  • the abnormality detection method of sensor signal S0002 corresponds to control signals C0001 and C0002.
  • the control signals C0001 and C0002 are two signals for abnormality detection, they are separated into one control signal. Therefore, for the control signal C0001, abnormality detection is performed using both the abnormality detection method performed for the sensor signal S0001 and the abnormality detection method performed for the sensor signal S0002. Note that, as described above, the start time and end time are omitted in FIG. 17 as well.
  • step S002 the model generation unit 110 extracts input data from the data stored in the control signal time series data 143 based on the information of the data combined in the previous stage in order to generate input for the abnormality detection method.
  • the model generation unit 110 extracts 10-dimensional partial time series data for the control signal C0001, and extracts 10-dimensional high frequency components for the control signal C0001 and the control signal C0002.
  • step S003 the model generation unit 110 inputs the data generated in step S002 and generates a model for the abnormality detection method.
  • the parameters of the abnormality detection method the parameters described in the data generated in step S001 are used.
  • An example of a model generated for a signal with control signal ID C0001 when the data generated in step S001 is the information shown in FIG. 17 will be described.
  • the k-nearest neighbor method is used as an anomaly detection method.
  • input data is 10-dimensional time series data and 10-dimensional high frequency component.
  • the number of neighbors, which is one of the parameters is set to 2
  • the number of neighbors, which is one of the parameters is set to 3.
  • step S004 the model generation unit 110 stores the model generated in step S003 in the storage unit 140 as the control signal model 144.
  • step S101 similarly to step S001 of the model generation unit 110, if there are two or more control signals for one sensor signal, they are separated into one control signal.
  • the abnormality diagnosis unit 130 generates an abnormality diagnosis result from the sensor signal abnormality detection result information 145 and the reliability of the abnormality diagnosis calculated by the reliability calculation unit 120 based on the correspondence information 141.
  • FIG. 18 is a diagram illustrating an example of how to obtain an abnormality diagnosis result by the abnormality diagnosis unit 130 according to the present embodiment.
  • FIG. 19 is a flow diagram showing the operation of abnormality diagnosis section 130 according to this embodiment. In FIG. 18, it is assumed that the abnormality detection results and the reliability represent the results for the same period.
  • step S201 the abnormality diagnosis unit 130 acquires the correspondence between the sensor signal and the control signal from the data stored in the correspondence information 141.
  • sensor signal S0001 corresponds to control signal C0001
  • sensor signal S0002 corresponds to control signals C0001 and C0002.
  • the process in step S201 is similar to step S201 described in FIG. 11.
  • step S202 based on the data acquired in step S201, the abnormality diagnosis unit 130 determines the sensor signal based on the abnormality detection result of the sensor signal from the sensor signal abnormality detection result information 145 and the reliability output by the reliability calculation unit 120. Obtain the reliability of the control signal for each abnormality detection result.
  • sensor signal S0001 is normal
  • sensor signal S0002 is abnormal
  • reliability of control signal C0001 using the abnormality detection method of sensor signal S0001 is 1.2
  • the reliability of the signal C0001 is 1.4
  • the reliability of the control signal C0002 using the abnormality detection method of the sensor signal S0002 is 0.3.
  • the process in step S202 is similar to step S202 described in FIG. 11.
  • step S203a the abnormality diagnosis unit 130 converts the reliability of the control signal into a logical value.
  • the reliability is 1 or more, which is sufficient, it is converted to 0, and if the reliability is not sufficient, which is 1 or less, it is converted to 1.
  • the logical value of the control signal C0001 using the abnormality detection method of sensor signal S0001 is 0, the logical value of control signal C0001 using the abnormality detection method of sensor signal S0002 is 0, and the abnormality detection of sensor signal S0002 is The logical value of the control signal C0002 using this method is 1.
  • step S203b the abnormality diagnosis unit 130 determines whether the reliability of the abnormality detection result of a certain sensor signal is sufficient based on the correspondence between the sensor signal and the control signal, the abnormality detection result of the sensor signal, and the result of step S203a. Specifically, if the result determined by the combination method described in the correspondence between signals for the logical value of reliability of the control signal corresponding to each sensor signal is 1, the prefix of the abnormality detection result is Add the words "in a control state with extremely little training data.” In the example of FIG. 18, the result of the sufficiency of the training data for the sensor signal S0001 is 0, and the result of the sufficiency of the training data for the sensor signal S0002 is 1.
  • step S203a and step S203b corresponds to step S203 described in FIG. 11.
  • This embodiment differs from the first embodiment in that the reliability of the control signal is converted into a logical value.
  • step S204 the abnormality diagnosis unit 130 uses the results of step S204 to generate and output an abnormality diagnosis result consisting of a set of each sensor signal, an abnormality detection result, and reliability.
  • the sensor signal S0001 is determined to be normal when the training data is sufficient, and the sensor signal S0002 is determined to be abnormal when the training data is extremely small.
  • the sensor signal S0001 outputs the reliability of the control signal C0001 as is.
  • the sensor signal S0002 compares the control signal C0001 and the control signal C0002, and outputs the reliability of the control signal C0002, which is the lowest.
  • the process in step S204 is similar to step S204 described in FIG. 11.
  • the anomaly detection device 100 has two flows: learning for generating a model and estimation for determining the degree of anomaly from the model.
  • the learning and estimation flow is the same as in the first embodiment.
  • the abnormality detection device in the correspondence information, a combination method for control signals and sensor signals is added to existing data.
  • the restriction on inputting the anomaly detection method is only one signal, and when the sensor signal and the control signal are one-to-many, the anomaly detection method is applied to each control signal.
  • a control signal model is generated based on this.
  • the reliability calculation unit bundles the reliability obtained from the control signal model based on the combination method to generate reliability corresponding to the anomaly detection result.
  • the anomaly detection device bundles control signal models of existing anomaly detection methods even when the control signal corresponding to a specific sensor signal does not satisfy the input constraints of the anomaly detection method. This makes it possible to determine the sufficiency of past data.
  • the abnormality detection device even when the abnormality detection method is for a single signal and one sensor signal is influenced by a plurality of control signals, the same effect as in the first embodiment can be obtained. is possible.
  • Embodiment 3 differences from Embodiments 1 and 2 and points added to Embodiments 1 and 2 will be mainly described.
  • components having the same functions as those in Embodiments 1 and 2 are denoted by the same reference numerals, and the description thereof will be omitted.
  • a case where an imbalance occurs between modes will be described.
  • FIG. 20 is a diagram showing an example of the functional configuration of the abnormality detection device 100 according to the present embodiment.
  • Anomaly detection device 100 according to this embodiment includes a mode division section 150 in addition to the functional elements of Embodiment 1.
  • the mode dividing unit 150 divides the data depending on the control content.
  • the abnormality detection device 100 according to the present embodiment stores event signal information 147 in the storage unit 140 in addition to the configuration of the first embodiment.
  • the event signal information 147 stores log data of event signals.
  • the control signal model generated by the model generation unit 110 is stored in the control signal model 144.
  • correspondence information 141, anomaly detection method information 142, control signal time series data 143, sensor signal anomaly detection result information 145, and event signal information 147 the corresponding data is saved before execution of the anomaly detection device 100. Must have been.
  • correspondence information 141, abnormality detection method information 142, control signal time series data 143, and sensor signal abnormality detection result information 145 are the same as those in the first embodiment or the second embodiment.
  • the control signal model 144 that stores the control signal model generated by the model generation unit 110 can be any type of data as long as it includes information and a model that can uniquely identify the stored model based on the control signal and mode. It's okay.
  • FIG. 21 is a diagram showing a configuration example of event signal information 147 according to this embodiment.
  • the data stored in the event signal information 147 may be any data as long as it includes a set of date and time when the event occurred in addition to event information such as control details and warnings.
  • FIG. 21 is an example of saved data targeting a power generation plant. In the example in Figure 21, the adjustment of the power generation amount starts at 1:00 on January 1, 2020, the adjustment of the power generation amount ends at 1:30 on January 1, 2020, and the boiler A warning has been issued due to the temperature, indicating that the adjustment of the power generation amount will be restarted at 12:00 on January 2, 2020.
  • the event signal represents an instruction value in a larger unit than the control signal.
  • a log such as "stopping power generation plant” corresponds to the log. Therefore, the event signal is not time-series data that is recorded at equal intervals (for example, one minute intervals) like a control signal, but is log data that is recorded irregularly.
  • the control signal indicates "detailed control for each facility when the power generation plant is stopped," and the mode indicates a large control system such as "stopping the power generation plant.”
  • the operation procedure of the abnormality detection device 100 corresponds to an abnormality detection method. Further, a program that realizes the operation of the abnormality detection device 100 corresponds to an abnormality detection program.
  • the abnormality detection device includes a mode dividing unit 150 that divides time-series data of control signals by control state based on event signal information that stores log data of event signals representing equipment control states or alerts. Equipped with The model generation unit 110 generates a control signal model 144 from time-series data of control signals for each mode. Specifically, it is as follows.
  • the model generation process by the model generation unit 110 is similar to that in the first embodiment or the second embodiment.
  • the reliability calculation process by the reliability calculation unit 120 is the same as in the first embodiment or the second embodiment.
  • the abnormality diagnosis processing performed by the abnormality diagnosis unit 130 is the same as in the first embodiment or the second embodiment.
  • FIG. 22 is a diagram showing an example of mode division when the event signal information 147 according to this embodiment is shown in FIG. 21.
  • FIG. 23 is a flow diagram showing the operation of mode division section 150 according to this embodiment.
  • the mode dividing unit 150 divides the data for each specific mode based on the data stored in the event signal information 147.
  • step S501 the mode division unit 150 extracts only event information for specifying the mode from the data stored in the event signal information 147.
  • the warning is different from the information specifying the mode, so it is excluded. As a result, only logs related to power generation adjustment remain.
  • step S502 the mode division unit 150 uses the event information for specifying the mode extracted in step S501 and its time to determine the period in which the specific mode exists.
  • the power generation amount adjustment starts at 1:00 a.m. on January 1, 2020, until it ends at 1:30 a.m. on January 1, 2020, and then on January 1, 2020, when the power generation amount adjustment ends.
  • step S503 the mode for each period is specified based on the event information at the start of each period.
  • the power generation amount is adjusted during the period from 1:00 on January 1, 2020 to 1:30 on January 1, 2020 because the event information on the start date and time is the start of power generation adjustment. It falls under the transition period.
  • the period from 1:30 on January 1, 2020 to 12:00 on January 2, 2020 corresponds to a period in which the power generation amount adjustment is completed and the power generation amount is operated at 100%.
  • the abnormality detection device 100 has two flows: learning for generating the control signal model 144 and estimation for determining the degree of abnormality from the control signal model 144.
  • Learning for generating the control signal model 144 corresponds to the model generation process described above.
  • Estimating the degree of abnormality from the control signal model 144 corresponds to the reliability calculation process described above.
  • the mode division process according to this embodiment is performed before each process of model generation process and reliability calculation process.
  • FIG. 24 is a flow diagram showing processing during learning to generate the control signal model 144 according to this embodiment.
  • the mode division unit 150 acquires data from the event signal information 147.
  • the mode division unit 150 performs mode division based on the data acquired in step S601.
  • the mode division process is the same as that in FIG. 23.
  • step S301 the model generation unit 110 acquires the relationship between the sensor signal set and the control signal set from the correspondence information 141.
  • the model generation unit 110 acquires the abnormality detection method applied to the specific sensor signal, information regarding input, and parameters of the abnormality detection method from the abnormality detection method information 142.
  • step S ⁇ b>303 the model generation unit 110 acquires control signal time series data from the control signal time series data 143 . Steps S301 to S303 are the same as those in FIG. 12.
  • Step S304a corresponds to step S304 in FIG. 12, and step S305a corresponds to step S305 in FIG.
  • the model generation unit 110 generates a model of each control signal as a control signal model 144 for each mode based on the data acquired from step S602, step S301, step S302, and step S303.
  • the model generation unit 110 stores in the storage unit 140 the control signal model 144 for all control signals for each mode, which was obtained in step S304a. Steps S304a and S305a are repeated for all modes (step S603).
  • FIG. 25 is a flowchart showing a process for estimating the degree of abnormality from the control signal model 144 according to the present embodiment. Step S601 and step S602 are similar to step S601 and step S602 in FIG. 24.
  • step S401 the reliability calculation unit 120 obtains the relationship between the sensor signal set and the control signal set from the correspondence relationship information 141.
  • step S402 the reliability calculation unit 120 acquires the abnormality detection method applied to the specific sensor signal, information regarding input, and parameters of the abnormality detection method from the abnormality detection method information 142.
  • step S403 the reliability calculation unit 120 acquires time series data of the control signal from the control signal time series data 143. Steps S401 to S403 are the same as those in FIG. 13.
  • Step S404a corresponds to step S404 in FIG. 13, and step S405a corresponds to step S405 in FIG.
  • the reliability calculation unit 120 obtains a model for each mode corresponding to the control signal from the control signal model 144.
  • step S405a the reliability calculation unit 120 calculates reliability for each mode for the abnormality detection results of all sensor signals based on the data acquired from steps S602, S401, S402, S402, and S404a. .
  • Step S406 and step S407 are similar to step S406 and step S407 in FIG. 13.
  • the abnormality detection device includes a mode division unit that divides the control signal time series data by control state based on event signal information that stores log data of an event signal representing a control state or an alert of the equipment. Equipped with The model generation unit generates a model from the control signal for each mode.
  • the abnormality detection device According to the abnormality detection device according to this embodiment, it is possible to obtain the same effects as in Embodiments 1 and 2 even when there is an imbalance between modes.
  • each part of the abnormality detection device has been described as an independent functional block.
  • the configuration of the abnormality detection device does not have to be the configuration of the above-described embodiment.
  • the functional blocks of the abnormality detection device may have any configuration as long as they can realize the functions described in the embodiments described above.
  • the abnormality detection device may not be one device, but may be a system composed of a plurality of devices.
  • the anomaly detection device does not need to be equipped with a model generation section.
  • the model generation unit may be installed in a server or another device, and the control signal model may be generated by the server or another device.
  • the abnormality detection device may use a control signal model prepared in advance.
  • Embodiments 1 to 3 may be combined and implemented. Alternatively, one part of these embodiments may be implemented. In addition, these embodiments may be implemented in any combination, in whole or in part. That is, in Embodiments 1 to 3, it is possible to freely combine each embodiment, to modify any component of each embodiment, or to omit any component in each embodiment.
  • abnormality detection device 110 model generation unit, 120 reliability calculation unit, 130 abnormality diagnosis unit, 140 storage unit, 150 mode division unit, 141 correspondence information, 142 abnormality detection method information, 143 control signal time series data, 144 control Signal model, 145 Abnormality detection result information, 146 Abnormality diagnosis result, 147 Event signal information, 909 Electronic circuit, 910 Processor, 921 Memory, 922 Auxiliary storage device, 930 Input interface, 940 Output interface, 950 Communication device.

Landscapes

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

Abstract

異常検知装置（１００）は、設備の異常を検知する。モデル生成部（１１０）は、制御信号時系列データ（１４３）の特徴量を訓練データとして抽出し、前記訓練データに基づいて、制御信号の時系列データから制御信号毎の異常度合いを出力する制御信号モデル（１４４）を生成する。信頼性算出部（１２０）は、センサ信号において検知された異常検知結果の特定時刻範囲における制御信号の時系列データを検証データとして制御信号モデル（１４４）に入力することにより、特定時刻範囲における制御信号の信頼性を算出する。異常診断部（１３０）は、特定時刻範囲における制御信号の信頼性を、特定時刻範囲における異常検知結果に付加した情報を異常診断結果（１４６）として出力する。

Description

異常検知装置、異常検知方法、および、異常検知プログラム
　本開示は、異常検知装置、異常検知方法、および、異常検知プログラムに関する。
　発電プラントといった設備では、故障等の要因による停止に莫大なコストがかかる。このため、異常検知装置の導入による予知保全の実現が進められている。ここで、発電プラントといった設備に対する異常検知では、異常発生時のデータが著しく少ないため、外れ値検知という手法が利用される。
　外れ値検知では、異常を含まないデータまたはほぼ含まないデータである訓練データから、異常度合いの算出式と異常を判定するためのしきい値とで構成されるモデルが生成される。そして、異常か正常か不明なデータである検証データをモデルに適用することで異常度合いを算出し、異常度合いがしきい値以上の場合に異常と判定する。
　発電プラントといった設備は、多様なモードを持つ。多様なモードとは、例えば発電プラントであれば、発電プラントの起動、停止、発電量が一定の状態、および発電量を１００％から８０％に切り替える遷移状態といった制御状態であり、正常あるいは異常とは無関係なものを指す。
　多様なモードを持つ設備では、モード毎のデータ量に不均衡があり、一部のモードのデータ量が極端に少ないことがある。結果として、モードのデータが少ない場合に、外れ値検知の性質から正常な設備の検証データを異常と誤検知する事がある。
　特許文献１に記載の技術では、設備が出力する起動・停止あるいはアラートの発生といったイベントと、その発生時間との組のデータに基づき、訓練データおよび検証データをモード毎に時系列方向に分割する。そして、特許文献１に記載の技術は、分割したデータを用いてモデルを生成し、分割したデータの十分性により、しきい値を調整する。
特開２０１５－１７２９４５号公報
　以降の説明では、設備に取り付けられたセンサに関するデータをセンサ信号、設備を制御するための指示値に関するデータを制御信号、設備が出力する起動・停止あるいはアラートの発生といったイベントとその発生時間の組に関するデータをイベント信号と記載する。
　発電プラントといった設備に異常が発生し、設備を点検する際は、設備を停止する必要がある。設備を停止すると、停止に伴うコストあるいは設備停止による機会損失が発生する。そのため、異常検知装置の結果を人が精査し、最終的な停止判断は人が行う必要がある。
　特許文献１に記載の方法では、モード毎の訓練データにおけるデータ量の十分性をモデルの生成時にのみ利用している。よって、異常検知装置の異常検知結果が異常である場合に、検証データのモードと同一のモードである訓練データが十分にある場合に異常と判断されたのか、訓練データが極端に少ない場合に異常と判断されたのかを説明することができない。よって、停止判断を行う人は、上記を判断するためデータ分析を行う必要があり、判断コストが大きいという課題がある。
　本開示では、モードを示す制御信号の時系列データに対して、センサ信号の異常検知に利用する外れ値検知と同一の手法を適用して、制御信号の異常度合いを算出するための制御信号モデルを生成する。これにより、本開示では、制御信号の異常度合いからセンサ信号の時系列データを基に判定された異常検知結果の信頼性を算出することを目的とする。
　本開示に係る異常検知装置は、センサを備え、制御信号により制御される設備における異常を検知する異常検知装置において、
　前記センサから得られるセンサ信号により検知された異常検知結果の特定時刻範囲における制御信号の時系列データを検証データとして、過去の制御信号の時系列データの特徴量である訓練データに基づいて生成され、制御信号の時系列データから制御信号毎の異常度合いを出力するモデルである前記制御信号モデルに入力することにより、前記特定時刻範囲における制御信号の異常度合いを取得し、前記異常度合いに基づいて前記特定時刻範囲における制御信号の信頼性を算出する信頼性算出部と、
　前記特定時刻範囲における制御信号の信頼性を、前記特定時刻範囲における前記異常検知結果に付加した情報を異常診断結果として出力する異常診断部とを備える。
　本開示に係る異常検知装置では、モードを示す制御信号の時系列データに対して、制御信号の異常度合いを算出するための制御信号モデルを用いる。制御信号モデルは、過去の制御信号の時系列データの特徴量である訓練データに基づいて生成され、制御信号の時系列データから制御信号毎の異常度合いを出力するモデルである。よって、本開示に係る異常検知装置によれば、センサ信号の時系列データを基に判定された異常検知結果の信頼性を制御信号の異常度合いから算出することができる。これにより、本開示に係る異常検知装置によれば、異常検知装置で診断しているセンサ信号の時系列データについて、データ量が十分なモードにて異常と判断されたのか、データ量が極端に少ないモードにて異常と判断されたのかを即座に判断することができる。
実施の形態１に係る異常検知装置のハードウェア構成例を示す図。 実施の形態１に係る異常検知装置の機能構成例を示す図。 実施の形態１に係る対応関係情報の構成例を示す図。 実施の形態１に係る異常検知手法情報の構成例を示す図。 実施の形態１に係る制御信号時系列データの構成例を示す図。 実施の形態１に係る異常検知結果情報の構成例を示す図。 実施の形態１に係るモデル生成部の動作を示すフロー図。 実施の形態１に係る図３の対応関係情報と図４の異常検知手法情報とを結合した状態を示す図。 は、本実施の形態に係る信頼性算出部の動作を示すフロー図。 実施の形態１に係る異常診断部による異常診断結果の求め方の例を示す図。 実施の形態１に係る異常診断部の動作を示すフロー図。 実施の形態１に係る異常検知処理のうち制御信号モデルを生成するための学習処理を示すフロー図。 実施の形態１に係る異常検知処理のうち制御信号モデルから異常度合いを求める推定処理を示すフロー図。 実施の形態１の変形例２に係る異常検知装置の構成例を示す図。 実施の形態２に係る対応関係情報の構成例を示す図。 実施の形態２に係る異常検知手法情報の構成例を示す図。 実施の形態２に係る対応関係情報と異常検知手法情報とを結合した結果の例を示す図。 実施の形態２に係る異常診断部による異常診断結果の求め方の例を示す図。 実施の形態２に係る異常診断部の動作を示すフロー図。 実施の形態３に係る異常検知装置の機能構成例を示す図。 実施の形態３に係るイベント信号情報の構成例を示す図。 実施の形態３に係るイベント信号情報を図２１とした場合のモード分割の例を示す図。 実施の形態３に係るモード分割部による動作を示すフロー図。 実施の形態３に係る制御信号モデルを生成するための学習時の処理を示すフロー図。 実施の形態３に係る制御信号モデルから異常度合いを求める推定時の処理を示すフロー図。
　以下、本実施の形態について、図を用いて説明する。各図中、同一または相当する部分には、同一符号を付している。実施の形態の説明において、同一または相当する部分については、説明を適宜省略または簡略化する。図中の矢印はデータの流れまたは処理の流れを主に示している。
　実施の形態１．
＊＊＊構成の説明＊＊＊
　図１は、本実施の形態に係る異常検知装置１００のハードウェア構成例を示す図である。
　図２は、本実施の形態に係る異常検知装置１００の機能構成例を示す図である。
　異常検知装置１００は、設備における異常を検知する。設備は、センサを備え、制御信号により制御される。異常検知装置１００は、センサから得られるセンサ信号により設備における異常を検知し、異常を検知した際の検知結果の信頼性を判断する。
　異常検知装置１００は、コンピュータである。異常検知装置１００は、プロセッサ９１０を備えるとともに、メモリ９２１および補助記憶装置９２２、入力インタフェース９３０、出力インタフェース９４０、および通信装置９５０といった他のハードウェアを備える。プロセッサ９１０は、信号線を介して他のハードウェアと接続され、これら他のハードウェアを制御する。
　異常検知装置１００は、機能要素として、モデル生成部１１０と信頼性算出部１２０と異常診断部１３０と記憶部１４０とを備える。
　記憶部１４０には、対応関係情報１４１と異常検知手法情報１４２と制御信号時系列データ１４３と制御信号モデル１４４と異常検知結果情報１４５と異常診断結果１４６とが記憶される。
　異常検知装置１００は、記憶部１４０に記憶されているデータを基に、設備に関する異常検知結果の信頼性を算出する装置である。
　モデル生成部１１０と信頼性算出部１２０と異常診断部１３０の機能は、ソフトウェアにより実現される。記憶部１４０は、メモリ９２１に備えられる。なお、記憶部１４０は、補助記憶装置９２２に備えられていてもよいし、メモリ９２１と補助記憶装置９２２に分散して備えられていてもよい。
　プロセッサ９１０は、異常検知プログラムを実行する装置である。異常検知プログラムは、モデル生成部１１０と信頼性算出部１２０と異常診断部１３０の機能を実現するプログラムである。
　プロセッサ９１０は、演算処理を行うＩＣである。プロセッサ９１０の具体例は、ＣＰＵ、ＤＳＰ、ＧＰＵである。ＩＣは、Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔの略語である。ＣＰＵは、Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔの略語である。ＤＳＰは、Ｄｉｇｉｔａｌ　Ｓｉｇｎａｌ　Ｐｒｏｃｅｓｓｏｒの略語である。ＧＰＵは、Ｇｒａｐｈｉｃｓ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔの略語である。
　メモリ９２１は、データを一時的に記憶する記憶装置である。メモリ９２１の具体例は、ＳＲＡＭ、あるいはＤＲＡＭである。ＳＲＡＭは、Ｓｔａｔｉｃ　Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙの略語である。ＤＲＡＭは、Ｄｙｎａｍｉｃ　Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙの略語である。
　補助記憶装置９２２は、データを保管する記憶装置である。補助記憶装置９２２の具体例は、ＨＤＤである。また、補助記憶装置９２２は、ＳＤ（登録商標）メモリカード、ＣＦ、ＮＡＮＤフラッシュ、フレキシブルディスク、光ディスク、コンパクトディスク、ブルーレイ（登録商標）ディスク、ＤＶＤといった可搬の記憶媒体であってもよい。なお、ＨＤＤは、Ｈａｒｄ　Ｄｉｓｋ　Ｄｒｉｖｅの略語である。ＳＤ（登録商標）は、Ｓｅｃｕｒｅ　Ｄｉｇｉｔａｌの略語である。ＣＦは、ＣｏｍｐａｃｔＦｌａｓｈ（登録商標）の略語である。ＤＶＤは、Ｄｉｇｉｔａｌ　Ｖｅｒｓａｔｉｌｅ　Ｄｉｓｋの略語である。
　入力インタフェース９３０は、マウス、キーボード、あるいはタッチパネルといった入力装置と接続されるポートである。入力インタフェース９３０は、具体的には、ＵＳＢ端子である。なお、入力インタフェース９３０は、ＬＡＮと接続されるポートであってもよい。ＵＳＢは、Ｕｎｉｖｅｒｓａｌ　Ｓｅｒｉａｌ　Ｂｕｓの略語である。ＬＡＮは、Ｌｏｃａｌ　Ａｒｅａ　Ｎｅｔｗｏｒｋの略語である。
　出力インタフェース９４０は、ディスプレイといった出力機器のケーブルが接続されるポートである。出力インタフェース９４０は、具体的には、ＵＳＢ端子またはＨＤＭＩ（登録商標）端子である。ディスプレイは、具体的には、ＬＣＤである。出力インタフェース９４０は、表示器インタフェースともいう。ＨＤＭＩ（登録商標）は、Ｈｉｇｈ　Ｄｅｆｉｎｉｔｉｏｎ　Ｍｕｌｔｉｍｅｄｉａ　Ｉｎｔｅｒｆａｃｅの略語である。ＬＣＤは、Ｌｉｑｕｉｄ　Ｃｒｙｓｔａｌ　Ｄｉｓｐｌａｙの略語である。
　通信装置９５０は、レシーバとトランスミッタを有する。通信装置９５０は、ＬＡＮ、インターネット、あるいは電話回線といった通信網に接続している。通信装置９５０は、具体的には、通信チップまたはＮＩＣである。ＮＩＣは、Ｎｅｔｗｏｒｋ　Ｉｎｔｅｒｆａｃｅ　Ｃａｒｄの略語である。
　異常検知プログラムは、異常検知装置１００において実行される。異常検知プログラムは、プロセッサ９１０に読み込まれ、プロセッサ９１０によって実行される。メモリ９２１には、異常検知プログラムだけでなく、ＯＳも記憶されている。ＯＳは、Ｏｐｅｒａｔｉｎｇ　Ｓｙｓｔｅｍの略語である。プロセッサ９１０は、ＯＳを実行しながら、異常検知プログラムを実行する。異常検知プログラムおよびＯＳは、補助記憶装置９２２に記憶されていてもよい。補助記憶装置９２２に記憶されている異常検知プログラムおよびＯＳは、メモリ９２１にロードされ、プロセッサ９１０によって実行される。なお、異常検知プログラムの一部または全部がＯＳに組み込まれていてもよい。
　異常検知装置１００は、プロセッサ９１０を代替する複数のプロセッサを備えていてもよい。これら複数のプロセッサは、異常検知プログラムの実行を分担する。それぞれのプロセッサは、プロセッサ９１０と同じように、異常検知プログラムを実行する装置である。
　異常検知プログラムにより利用、処理または出力されるデータ、情報、信号値および変数値は、メモリ９２１、補助記憶装置９２２、または、プロセッサ９１０内のレジスタあるいはキャッシュメモリに記憶される。
　モデル生成部１１０と信頼性算出部１２０と異常診断部１３０の各部の「部」を「回路」、「工程」、「手順」、「処理」、あるいは「サーキットリー」に読み替えてもよい。異常検知プログラムは、モデル生成処理と信頼性算出処理と異常診断処理を、コンピュータに実行させる。モデル生成処理と信頼性算出処理と異常診断処理の「処理」を「プログラム」、「プログラムプロダクト」、「プログラムを記憶したコンピュータ読取可能な記憶媒体」、または「プログラムを記録したコンピュータ読取可能な記録媒体」に読み替えてもよい。また、異常検知方法は、異常検知装置１００が異常検知プログラムを実行することにより行われる方法である。
　異常検知プログラムは、コンピュータ読取可能な記録媒体に格納されて提供されてもよい。また、異常検知プログラムは、プログラムプロダクトとして提供されてもよい。
＊＊＊機能の説明＊＊＊
　次に、本実施の形態に係る異常検知装置１００の各機能要素の概要について説明する。
　センサ信号とは、設備に取り付けられたセンサから取得されるデータである。制御信号とは、設備を制御するための指示値を示すデータである。また、イベント信号とは、設備が出力する起動・停止およびアラートの発生といったイベントとその発生時間の組を示すデータである。
　本実施の形態に係る異常検知装置１００は、多様なモードを持つ設備から取得されるセンサ信号による多次元時系列データを入力として設備の異常を判断する。また、異常検知装置１００は、設備の異常検知結果に対して、多様なモードを実現するための設備制御に関する制御信号の時系列データに基づき、設備の異常検知結果に対する信頼性を算出する。
　モデル生成部１１０は、制御信号のデータから特徴量を抽出し、異常度合いを算出するためのモデルである制御信号モデル１４４を生成する。
　信頼性算出部１２０は、制御信号モデル１４４に基づき制御信号の時系列データから特定期間における異常検知結果の信頼性を求める。
　異常診断部１３０は、センサ信号の特定期間の異常検知結果に対して、その異常検知結果の信頼性を基にユーザへの出力内容を生成する。
　図３は、本実施の形態に係る対応関係情報１４１の構成例を示す図である。
　対応関係情報１４１は、センサ信号と制御信号との対応関係を示すデータである。対応関係情報１４１では、センサ信号と、そのセンサ信号に影響を与える制御信号とが対応付けられている。対応関係情報１４１は、例えば、異常診断部１３０にて、センサ信号に対応した制御信号を選択するために用いられる。
　対応関係情報１４１は、１つ以上のセンサ信号ＩＤおよび１つ以上の制御信号ＩＤの組を含んでいればどのようなデータでもよい。
　図３の例では、センサ信号Ｓ０００１、センサ信号Ｓ０００２、センサ信号Ｓ０００３、およびセンサ信号Ｓ０００４と、制御信号Ｃ０００１、制御信号Ｃ０００２、および制御信号Ｃ０００３とに対応関係があることを示している。
　図４は、本実施の形態に係る異常検知手法情報１４２の構成例を示す図である。
　異常検知手法情報１４２は、センサ信号の異常を検知する手法を示すデータである。
　異常検知手法情報１４２は、１つ以上のセンサ信号、異常検知手法、入力データ、入力データの次元、開始時刻、終了時刻、および異常検知手法のパラメータを含んでいればどのようなデータであってもよい。
　図４の例では、センサ信号Ｓ０００１、センサ信号Ｓ０００２、センサ信号Ｓ０００３、およびセンサ信号Ｓ０００４のセンサ信号に対して、ｉｓｏｌａｔｅ－ｆｏｒｅｓｔによる異常検知を行うことを示している。また、異常検知手法への入力データには、特定時刻の時系列値が採用されている。また、入力データの次元は、センサ信号のＩＤの数と設定されている。図４の例では入力データの次元は４となる。また、ｉｓｏｌａｔｅ－ｆｏｒｅｓｔのパラメータの１つである決定木数は１００である。
　なお、開始時刻は時系列値の開始時刻であり、終了時刻は時系列値の終了時刻である。
　図５は、本実施の形態に係る制御信号時系列データ１４３の構成例を示す図である。
　制御信号時系列データ１４３は、制御信号の時系列データである。
　制御信号時系列データ１４３は、制御信号を一意に特定するためのデータ、設備からデータを計測した時刻および各時刻にて計測した指令値を含んでいる。なお、計測した時刻が障害等による欠損を除いて等間隔である必要がある。
　図５の例では、発電プラントにおけるボイラを対象に、ボイラの温度に対する指示値を１分単位で記録したデータを示している。例では制御信号を一意に特定するためのデータがＣ０００１である１つの時系列データを記載しているが、複数の制御信号を保存していてもよい。
　制御信号モデル１４４は、制御信号の異常度合いを算出するためのモデルである。制御信号モデル１４４は、モデル生成部１１０により、制御信号時系列データ１４３に対してセンサ信号の異常検知に利用する異常検知手法と同一の異常検知手法を適用することにより生成される。
　制御信号モデル１４４は、制御信号毎に保存されているモデルを一意に特定できる情報とモデルを含んでいればどのようなデータであってもよい。
　図６は、本実施の形態に係る異常検知結果情報１４５の構成例を示す図である。
　異常検知結果情報１４５には、センサ信号の特定期間の異常検知結果が保存される。
　異常検知結果情報１４５に保存されるデータは、センサ信号を一意に特定するデータ、異常と判定された開始時刻、および異常と判定された終了時刻を含んでいればどのようなデータであってもよい。
　図６の例では、センサ信号Ｓ０００１が「２０２１－０６－０１　００：００：００」から「２０２１－０６－０１　００：１５：００」の期間で異常が発生したことを示している。
　異常診断結果１４６は、異常診断部１３０により生成され、ユーザに対して提示される。異常診断結果１４６については後述する。
＊＊＊動作の説明＊＊＊
　次に、本実施の形態に係る異常検知装置１００の動作について説明する。異常検知装置１００の動作手順は、異常検知方法に相当する。また、異常検知装置１００の動作を実現するプログラムは、異常検知プログラムに相当する。
＜モデル生成処理＞
　図７は、本実施の形態に係るモデル生成部１１０の動作を示すフロー図である。
　モデル生成部１１０は、制御信号の時系列データである制御信号時系列データ１４３の特徴量を抽出し、その特徴量に基づいて制御信号毎の異常度合いを算出するためのモデルである制御信号モデル１４４を生成する。
　以下に、モデル生成処理の概要を説明する。
　モデル生成部１１０は、過去の制御信号の時系列データを訓練データとして、前記訓練データに基づいて、制御信号の時系列データから制御信号の異常度合いを出力する制御信号モデル１４４を生成する。
　モデル生成部１１０は、対応関係情報１４１と異常検知手法情報１４２と制御信号時系列データ１４３とに基づいて、対応関係情報１４１に設定されている制御信号に適用する異常検知手法を決定する。そして、モデル生成部１１０は、異常検知手法に入力するセンサ信号のデータ形式を過去の制御信号の時系列データに含まれる制御信号のデータ形式に置き換えることにより異常検知手法に入力する訓練データを生成する。モデル生成部１１０は、生成した訓練データを異常検知手法に入力することにより制御信号モデル１４４を生成する。
　ここで、対応関係情報１４１は、センサ信号と前記センサ信号に影響を与える制御信号とを対応付けた情報である。異常検知手法情報１４２は、センサ信号と前記センサ信号に適用する異常検知手法と前記異常検知手法に入力する前記センサ信号のデータ形式とが設定された情報である。制御信号時系列データ１４３は、過去の制御信号の時系列データである。
　具体的には、以下の通りである。
　ステップＳ００１において、モデル生成部１１０は、制御信号時系列データ１４３から制御信号モデル１４４を生成するために利用する異常検知手法を決定する。異常検知手法の決定には、対応関係情報１４１に記載のセンサ信号ＩＤおよび制御信号ＩＤのデータと、異常検知手法情報１４２に記載のセンサ信号ＩＤ、入力データ、および入力データの次元のデータとを利用する。
　具体的には、モデル生成部１１０は、対応関係情報１４１のデータと異常検知手法情報１４２のデータとをセンサ信号ＩＤで結合、すなわち紐付ける。これにより、モデル生成部１１０は、制御信号時系列データ１４３の制御信号ＩＤに紐づけられた異常検知手法を決定する。
　なお、モデル生成部１１０は、対応関係情報１４１に含まれるすべての制御信号の組について異常検知手法を決定する。制御信号の組は、制御信号が１つの場合もある。
　図８は、本実施の形態に係る図３の対応関係情報１４１と図４の異常検知手法情報１４２とを結合した状態を示す図である。
　図８より、制御信号Ｃ０００１、制御信号Ｃ０００２および制御信号Ｃ０００３には異常検知手法としてＩｓｏｌａｔｅ－ｆｏｒｅｓｔを適用する。
　図３の対応関係情報１４１では、センサ信号Ｓ０００１，Ｓ０００２，Ｓ０００３，Ｓ０００４の組と、制御信号Ｃ０００１，Ｃ０００２，Ｃ０００３の組が対応している。また、図４の異常検知手法情報１４２では、センサ信号Ｓ０００１，Ｓ０００２，Ｓ０００３，Ｓ０００４に対して同じ異常検知手法が対応している。図４の異常検知手法情報１４２ではセンサ信号Ｓ０００１，Ｓ０００２，Ｓ０００３，Ｓ０００４に対して同じ異常検知手法が対応しているので、制御信号Ｃ０００１，Ｃ０００２，Ｃ０００３の組に対して１つの異常検知手法が決定される。
　一方、例えばセンサ信号Ｓ０００１とＳ０００２の各々に異なる異常検知手法が対応する場合は、次のように処理される。
　説明を簡単にするために、センサ信号をＳ０００１とＳ０００２だけに絞って記載する。
　例えばセンサ信号Ｓ０００１とＳ０００２の各々に異なる異常検知手法が対応する場合がある。具体的には、異常検知手法情報１４２に、「センサ信号Ｓ０００１，Ｓ０００２」、「センサ信号Ｓ０００１」、および「センサ信号Ｓ０００２」の情報があれば、各々に対して異なる異常検知手法、すなわち３つの異常検知手法が設定される。
　このような場合は、対応関係情報１４１に則って、全ての手法を適用する。例えば、対応関係情報１４１に、「センサ信号Ｓ０００１，Ｓ０００２と制御信号Ｃ０００１」、「センサ信号Ｓ０００１と制御信号Ｃ０００１」、および「センサ信号Ｓ０００２と制御信号Ｃ０００１」の３つの組がある場合は以下の通りである。制御信号Ｃ０００１に対して、各センサ信号の組で選択されている３つの異常検知手法が適用される。
　ステップＳ００２において、モデル生成部１１０は、異常検知手法への入力を生成するために、制御信号時系列データ１４３から、ステップＳ００１で生成したデータを基に、入力データを生成する。
　図８の例では、特定時刻の時系列値が入力となるため、制御信号Ｃ０００１、制御信号Ｃ０００２および制御信号Ｃ０００３の各時刻のデータを結合した３次元ベクトルを時刻数分生成する。
　図８の例では、入力データの次元がセンサ信号ＩＤの数であるため、入力データの次元を制御信号ＩＤの数に読み替える。よって、入力データは制御信号の組における同一時刻の時系列値のベクトル集合となる。入力データの集合に含まれるベクトル数は、開始時刻と終了時刻に基づいて下記のよう定義される。
入力データの集合に含まれるベクトル数＝（終了時刻－開始時刻）／時系列値におけるデータの取得単位
　ここで、時系列値におけるデータの取得単位は、具体的には、１分、２分、あるいは３分といった単位である。
　図８の入力データでは、制御信号ｉをＣｉ、制御信号ｉの時刻ｔの時系列値をＣｉ［ｔ］、開始時刻をｓｔａｒｔ，終了時刻をｅｎｄ，ベクトルを＜＞とすると、入力データは以下の通りである。
＜ＣＣ０００１［ｓｔａｒｔ］，ＣＣ０００２［ｓｔａｒｔ］，ＣＣ０００３［ｓｔａｒｔ］＞，＜ＣＣ０００１［ｓｔａｒｔ＋１］，ＣＣ０００２［ｓｔａｒｔ＋１］，ＣＣ０００３［ｓｔａｒｔ＋１］＞，・・・，＜ＣＣ０００１［ｅｎｄ］，ＣＣ０００２［ｅｎｄ］，ＣＣ０００３［ｅｎｄ］＞
　ステップＳ００３では、モデル生成部１１０は、ステップＳ００１で決定した異常検知手法に対して、ステップＳ００２で生成した入力データを入力することにより、制御信号モデル１４４を生成する。
　例えば、ステップＳ００１で生成したデータが図８の情報である場合、モデル生成部１１０は、異常検知手法としてＩｓｏｌａｔｅ－ｆｏｒｅｓｔを利用する。モデル生成部１１０は、Ｉｓｏｌａｔｅ－ｆｏｒｅｓｔのパラメータの１つである決定木数を１００として、１００個の決定木と異常のしきい値を生成する。決定木の生成に利用する入力データはステップＳ００２で生成したデータである。
　このように、１００個の決定木と異常のしきい値とから構成された、制御信号毎の制御信号モデル１４４が生成される。
　ステップＳ００４では、モデル生成部１１０は、制御信号モデル１４４を記憶部１４０に記憶する。
＜信頼性算出処理＞
　図９は、本実施の形態に係る信頼性算出部１２０の動作を示すフロー図である。
　信頼性算出部１２０は、特定期間の異常検知手法が出力する異常検知結果に対して、異常検知結果を求める上でモード毎の訓練データが十分であったかを示す信頼性を算出する。
　以下に、信頼性算出処理の概要を説明する。
　信頼性算出部１２０は、センサ信号により検知された異常検知結果の特定時刻範囲における制御信号の時系列データを検証データとして制御信号モデル１４４に入力する。信頼性算出部１２０は、検証データを制御信号モデル１４４に入力することにより、特定時刻範囲における制御信号の異常度合いを取得し、異常度合いに基づいて特定時刻範囲における制御信号の信頼性を算出する。
　信頼性算出部１２０は、対応関係情報１４１と異常検知手法情報１４２と制御信号モデル１４４と異常検知結果の特定時刻範囲における制御信号時系列データ１４３とに基づいて、異常検知結果の特定時刻範囲における制御信号時系列データ１４３から検証データを生成する。
　具体的には、以下の通りである。
　ステップＳ１０１では、信頼性算出部１２０は、対応関係情報１４１に記載のセンサ信号ＩＤおよび制御信号ＩＤのデータと、異常検知手法情報１４２に記載のセンサ信号ＩＤ、入力データ、および入力データの次元、開始時刻、および終了時刻のデータとをセンサ信号ＩＤで結合する。
　ステップＳ１０２では、信頼性算出部１２０は、異常検知手法の入力を生成するために、制御信号時系列データ１４３から、ステップＳ１０１で生成したデータを基に、制御信号毎の入力データを生成する。本手順はステップＳ００２と同様である。
　信頼性算出処理では、開始時刻、および終了時刻を、図６の異常検知結果情報１４５における「異常開始日時」から「異常終了日時」に読み替える。信頼性算出処理では、「異常開始日時」から「異常終了日時」までを特定時刻範囲とする。図６の例では、入力データの集合に含まれるベクトル数は、異常開始時刻と異常終了時刻に基づいて下記のよう定義される。
入力データの集合に含まれるベクトル数＝（異常終了時刻－異常開始時刻）／時系列値におけるデータの取得単位
　モデル生成処理で生成される入力データは、機械学習における訓練データであった。一方、信頼性算出処理の入力データは、推定データ、すなわち検証データである。データの作成方法は、時系列データの期間が異なること以外は同様である。
　ステップＳ１０３では、信頼性算出部１２０は、制御信号モデル１４４と、ステップＳ１０２で生成した入力データとを利用して、制御信号毎の開始時刻から終了時刻までの特定時刻範囲における異常度合いを算出する。なお、制御信号毎には、制御信号組毎の意味を含むものとする。
　制御信号毎の特定時刻範囲における制御とは、モードを実現するための各設備の細かい制御である。すなわち、制御信号毎の特定時刻範囲における異常度合いは、モード毎の異常度合いを意味する。
　例えば、異常検知手法がＩｓｏｌａｔｅ－ｆｏｒｅｓｔの場合、信頼性算出部１２０は、制御信号モデル１４４に記憶してある決定木に対して、ステップＳ１０２で生成した入力データを入力し、全決定木の結果の平均を制御信号毎の特定時刻範囲における異常度合いとする。
　ここで、制御信号とモードの関係の具体例を発電プラントの設備で記述する。
　モードとは、発電プラントにおける、停止、発電量８０％、発電量１００％といった状態を指す。制御信号は、停止を行う際に、プラントの各部品がどのように動くべきかを指し示す指示値の時系列データである。例えば、発電プラントを停止させる場合は、燃料の供給を止めるため、様々なバルブを閉める。この際、バルブの弁に「閉めろ」というような指示値を送る。この例における「停止」がモードであり、バルブの弁への「閉めろ」という動作を表す数値が制御信号となる。
　信頼性算出処理における特定時刻範囲は、異常検知結果情報１４５に記載のセンサ信号にて異常と判断した範囲となる。本実施の形態に係る異常検知装置は、制御信号の時系列データを使って、センサ信号の時系列データから求めた「異常か否か」という判定の信頼性を求める機能を有する。よって、特定時刻範囲は、基本的にセンサ信号に対する異常検知手法の訓練データの期間と、検証データで「異常」と判断された期間とになる。信頼性算出処理の特定時刻範囲は、センサ信号に対する異常検知手法が検証データで「異常」と判断した期間になる。
　ステップＳ１０４では、信頼性算出部１２０は、ステップＳ１０３で求めた異常度合いに基づき、制御信号毎における特定時刻範囲毎の信頼性を算出する。信頼度の算出方法の例として、異常度合いをａｍｎ、異常度合いを異常と判断するしきい値をｔｈｒとし、以下の式により算出する。以下の式は異常度合いが異常のしきい値より小さければ信頼性は１以上となり、異常度合いが異常のしきい値より大きければ信頼性は１以下となる。
　信頼性＝１／（ａｍｎ／ｔｈｒ）
　また、信頼精度の算出方法の別の例として、以下の式のように定義してもよい。その場合、異常度合いが異常のしきい値より大きければ信頼性は１以上となり、異常度合いが異常の閾値より小さければ信頼性は１以下となる
　信頼性＝ａｎｍ／ｔｈｒ
＜異常診断処理＞
　異常診断部１３０は、対応関係情報１４１に基づき、センサ信号の異常検知結果情報１４５に保存されたセンサ信号の異常検知結果と信頼性算出部１２０で算出した異常診断の信頼性から異常診断結果を生成する。
　異常診断部１３０は、特定時刻範囲における制御信号の信頼性を、特定時刻範囲における異常検知結果に付加した情報を異常診断結果として出力する。
　具体的には、以下の通りである。
　図１０は、本実施の形態に係る異常診断部１３０による異常診断結果の求め方の例を示す図である。
　図１１は、本実施の形態に係る異常診断部１３０の動作を示すフロー図である。
　図１０において、異常検知結果および信頼性は同一の期間の結果を表しているものとする。
　ステップＳ２０１では、異常診断部１３０は、対応関係情報１４１から、センサ信号と制御信号の対応関係を取得する。図１０の例ではセンサ信号Ｓ０００１、Ｓ０００２、Ｓ０００３、およびＳ０００４の組と、制御信号Ｃ０００１、Ｃ０００２、およびＣ０００３の組である。
　ステップＳ２０２では、異常診断部１３０は、ステップＳ２０１で取得したデータを基に、センサ信号の異常検知結果情報１４５からセンサ信号の異常検知結果を取得する。また、異常診断部１３０は、信頼性算出部１２０が出力する信頼性から制御信号の信頼性を取得する。図１０の例では、センサ信号は異常、制御信号は信頼性が０．３となる。
　ステップＳ２０３では、センサ信号と制御信号の対応関係、および、センサ信号の異常検知結果および制御信号の信頼性から、あるセンサ信号の異常検知結果に対して、その信頼性がどの程度であるかを判断する。もし信頼性が１以下であれば、異常検知結果の接頭辞に「訓練データが極端に少ない制御状態の」という言葉を追加する。図１０の例では、信頼性が０．３であるため、異常検知結果の接頭辞に「訓練データが極端に少ない制御状態の」を付ける必要があると判断している。
　ステップＳ２０４では、ステップＳ２０３の結果を利用した、各センサ信号、異常検知結果、信頼性の組みで構成される異常診断結果を生成し、出力する。図１０の例では、センサ信号Ｓ０００１、Ｓ０００２、Ｓ０００３、およびＳ０００４の組は、訓練データが極端に少ないモード時に異常と検知されており、異常検知の信頼性が０．３であることを示している。
＊＊＊本実施の形態の効果の説明＊＊＊
　本実施の形態に係る異常検知装置では、モデル生成部が、制御信号の時系列データである制御信号時系列データの特徴量を抽出し、前記特徴量に基づいて制御信号毎の異常度合いを算出するためのモデルである制御信号モデルを生成する。また、信頼性算出部が、前記制御信号モデルに制御信号の時系列データを入力することで、前記センサから取得されるセンサ信号に適用した１つの異常検知手法による検知結果の期間に対して、過去データが十分であったかを示す信頼性を算出する。また、異常診断部が、前記センサ信号に対する異常検知結果を保存する異常検知結果情報に基づいて、前記信頼性と前記センサ信号に適用した１つの異常検知手法による異常検知結果を組合せ、前記センサ信号に適用した１つの異常検知手法の異常検知結果を信頼性により修正する。そして、異常診断部が、前記信頼性を前記異常検知結果に付加して、異常診断結果として出力する。
　また、本実施の形態に係る異常検知装置では、モデル生成部は、対応関係情報と、異常検知手法情報と、前記制御信号時系列データとに基づいて、異常検知手法毎に信頼性を算出するために入力する制御信号の組を前記対応関係情報から決定する。そして、モデル生成部は、前記制御信号の組に対して前記異常検知手法を基に前記制御信号モデルを生成する。対応関係情報は、前記制御信号と前記制御信号の影響をうける前記センサ信号とを対応付けた情報である。異常検知手法情報は、前記設備の異常検知手法と前記異常検知手法に入力する前記センサ信号との組み合わせを保存する情報である。
　また、本実施の形態に係る異常検知装置では、信頼性算出部は、対応関係情報と、異常検知手法情報と、制御信号モデルと、制御信号時系列データに基づき、制御信号モデルに入力する入力データを生成し、入力データを制御信号モデルに入力することにより信頼性を算出する。
　このように、本開示に係る異常検知装置では、モードを示す制御信号の時系列データに対して、センサ信号の異常検知に利用する外れ値検知と同一の手法を適用して、制御信号の異常度合いを算出するための制御信号モデルを生成する。よって、本開示に係る異常検知装置によれば、センサ信号の時系列データを基に判定された異常検知結果の信頼性を制御信号の異常度合いから算出することができる。これにより、本開示に係る異常検知装置によれば、異常検知装置で診断しているセンサ信号の時系列データについて、データ量が十分なモードにて異常と判断されたのか、データ量が極端に少ないモードにて異常と判断されたのかを即座に判断することができる。
　本実施の形態に係る異常検知装置では、信頼性算出部にて、制御信号の異常度合いからモードが稀であるかを判定し、制御の影響を受けるセンサ信号の異常検知結果の信頼性を算出する。モードが稀であるかを判定するとは、「あるモードの」訓練データが極端に少ないかを判定することである。つまり、複数のモードを含む訓練データ全体に対して、あるモードの訓練データだけ極端に少ないまたは無いことを判定することである。
　また、本実施の形態に係る異常検知装置では、異常診断部１３０にて、人に出力するセンサ信号の異常診断結果を信頼性に基づいて修正する。これにより、制御が発生する機器の異常検知にて、過去に発生していた制御か否かを検出し、異常検知の結果に反映できる。よって、異常検知装置で診断しているセンサ信号の時系列データについて、データ量が十分なモードにて異常と判断されたのか、データ量が極端に少ないモードにて異常と判断されたのかを即座に判断することができる。
　＊＊＊他の構成＊＊＊
＜変形例１＞
　本実施の形態に係る変形例１では、図７，９，１１で説明した異常検知装置１００の処理フローの変形例について説明する。
　異常検知装置１００の処理は、制御信号モデル１４４を生成するための学習処理と、制御信号モデル１４４から異常度合いを求める推定処理との２つの処理フローとして表すことができる。
　制御信号モデル１４４を生成するための学習処理は、上述のモデル生成処理に相当する。
　制御信号モデル１４４から異常度合いを求める推定は、上述の信頼性算出処理に相当する。
　図１２は、本実施の形態に係る異常検知処理のうち制御信号モデル１４４を生成するための学習処理を示すフロー図である。
　図１３は、本実施の形態に係る異常検知処理のうち制御信号モデル１４４から異常度合いを求める推定処理を示すフロー図である。図１３では、異常診断処理も含めている。
　図１２に示す学習フローでは、モデル生成部１１０、対応関係情報１４１、異常検知手法情報１４２、制御信号時系列データ１４３、および制御信号モデル１４４を用いている。
　ステップＳ３０１において、モデル生成部１１０は、対応関係情報１４１からセンサ信号の組と制御信号の組の関係を取得する。
　ステップＳ３０２において、モデル生成部１１０は、異常検知手法情報１４２から特定のセンサ信号に対して適用した異常検知手法、入力に関する情報、および異常検知手法のパラメータを取得する。
　ステップＳ３０３において、モデル生成部１１０は、制御信号時系列データ１４３から制御信号の時系列データを取得する。
　ステップＳ３０４において、モデル生成部１１０は、ステップＳ３０１、ステップＳ３０２およびステップＳ３０３から取得したデータを基に、制御信号の組毎にモデルを生成する。生成するためのフローチャートはモデル生成部１１０にて説明した図７と同様である。
　ステップＳ３０５において、モデル生成部１１０は、ステップＳ３０４で求めた全てのモデルを制御信号モデル１４４として記憶部１４０に保存する。
　図１２の処理は図７の処理に相当する。
　図１３に示す推定フローでは、信頼性算出部１２０、対応関係情報１４１、異常検知手法情報１４２、制御信号時系列データ１４３、制御信号モデル１４４、異常検知結果情報１４５、および異常診断結果１４６を用いている。
　ステップＳ４０１において、信頼性算出部１２０は、対応関係情報１４１からセンサ信号の組と制御信号の組との関係を取得する。
　ステップＳ４０２において、信頼性算出部１２０は、異常検知手法情報１４２から特定のセンサ信号に対して適用した異常検知手法、入力に関する情報、および異常検知手法のパラメータを取得する。
　ステップＳ４０３において、信頼性算出部１２０は、制御信号時系列データ１４３から制御信号の時系列データを取得する。
　ステップＳ４０４において、信頼性算出部１２０は、制御信号モデル１４４から制御信号に対応するモデルを取得する。
　ステップＳ４０５において、信頼性算出部１２０は、ステップＳ４０１、ステップＳ４０２、ステップＳ４０３およびステップＳ４０４から取得したデータを基に、対応関係情報１４１に記載の、制御信号の組に対応したセンサ信号の組の異常検知結果に対して信頼性を算出する。信頼性を算出するためのフローチャートは、図９の信頼性算出処理にて説明したものと同様である。
　ステップＳ４０６において、異常診断部１３０は、センサ信号の異常検知結果情報１４５からセンサ信号毎の異常検知結果を取得する。
　ステップＳ４０７において、異常診断部１３０は、ステップＳ４０１、ステップＳ４０５およびステップＳ４０６から取得した情報を基に全センサ信号の異常検知結果を変換し、センサ信号、異常診断結果および信頼性の組で構成された異常診断結果１４６を生成する。異常診断結果を生成するためのフローチャートは、異常診断部１３０にて説明した図１１と同様である。
　図１３の処理は図９および図１１の処理に相当する。
＜変形例２＞
　本実施の形態では、モデル生成部１１０と信頼性算出部１２０と異常診断部１３０の機能がソフトウェアで実現される。変形例として、モデル生成部１１０と信頼性算出部１２０と異常診断部１３０の機能がハードウェアで実現されてもよい。
　具体的には、異常検知装置１００は、プロセッサ９１０に替えて電子回路９０９を備える。
　図１４は、本実施の形態の変形例２に係る異常検知装置１００の構成例を示す図である。
　電子回路９０９は、モデル生成部１１０と信頼性算出部１２０と異常診断部１３０の機能を実現する専用の電子回路である。電子回路９０９は、具体的には、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ロジックＩＣ、ＧＡ、ＡＳＩＣ、または、ＦＰＧＡである。ＧＡは、Ｇａｔｅ　Ａｒｒａｙの略語である。ＡＳＩＣは、Ａｐｐｌｉｃａｔｉｏｎ　Ｓｐｅｃｉｆｉｃ　Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔの略語である。ＦＰＧＡは、Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙの略語である。
　モデル生成部１１０と信頼性算出部１２０と異常診断部１３０の機能は、１つの電子回路で実現されてもよいし、複数の電子回路に分散して実現されてもよい。
　別の変形例として、モデル生成部１１０と信頼性算出部１２０と異常診断部１３０の一部の機能が電子回路で実現され、残りの機能がソフトウェアで実現されてもよい。また、モデル生成部１１０と信頼性算出部１２０と異常診断部１３０の一部またはすべての機能がファームウェアで実現されてもよい。
　プロセッサと電子回路の各々は、プロセッシングサーキットリとも呼ばれる。つまり、モデル生成部１１０と信頼性算出部１２０と異常診断部１３０の機能は、プロセッシングサーキットリにより実現される。
　実施の形態２．
　本実施の形態では、主に、実施の形態１と異なる点および実施の形態１に追加する点について説明する。
　本実施の形態において、実施の形態１と同様の機能を有する構成については同一の符号を付し、その説明を省略する。
　本実施の形態では、異常検知手法が単信号に対するものであり、１つのセンサ信号が複数の制御信号の影響を受ける場合の態様について説明する。
＊＊＊構成の説明＊＊＊
　本実施の形態では、対応関係情報１４１と異常検知手法情報１４２のデータ形式が実施の形態１と異なる。
　その他の構成は、図１および図２で説明した構成と同様である。
　図１５は、本実施の形態に係る対応関係情報１４１の構成例を示す図である。
　対応関係情報１４１に保存されるデータは、１つのセンサ信号ＩＤ、１つ以上の制御信号ＩＤおよび信頼性算出に利用する条件の組を含んでいればどのようなデータでもよい。
　図１５の例では、センサ信号Ｓ０００１と制御信号Ｃ０００１、センサ信号Ｓ０００２と制御信号Ｃ０００１およびＣ０００２に対応関係があることを示している。また、センサ信号Ｓ０００２と制御信号Ｃ０００１およびＣ０００２については、異常検知結果の信頼性判定として、信頼性の組合せ方法および信頼性出力内容が保存されている。組合せ方法は論理和であり、信頼性出力内容は最小である。
　図１６は、本実施の形態に係る異常検知手法情報１４２の構成例を示す図である。
　異常検知手法情報１４２に保存されるデータは、１つのセンサ信号、異常検知手法、入力データ、入力データの次元、異常検知手法のパラメータを含むデータである。図１６の例では、センサ信号Ｓ０００１およびセンサ信号Ｓ０００２の各々に対してｋ－近傍法による異常検知を行っている。また、異常検知の入力は、センサ信号Ｓ０００１が時系列データであるのに対して、センサ信号Ｓ０００２は高周波成分である。双方のセンサ信号共に入力データの次元数は１０である。パラメータである近傍数についてセンサ信号Ｓ０００１は２であり、センサ信号Ｓ０００２は３である。
　なお、図１６の異常検知手法情報１４２では、開始時刻および終了時刻を省略している。しかし、図１６の異常検知手法情報１４２においても、実施の形態１と同様に開始時刻および終了時刻の情報を有する。
＊＊＊動作の説明＊＊＊
　次に、本実施の形態に係る異常検知装置１００の動作について説明する。異常検知装置１００の動作手順は、異常検知方法に相当する。また、異常検知装置１００の動作を実現するプログラムは、異常検知プログラムに相当する。
　本実施の形態では、対応関係情報１４１には、１つのセンサ信号と制御信号の組とが対応付けられているとともに、制御信号の組における信頼性の組合せ方法が設定されている。モデル生成部１１０は、制御信号の組の各制御信号に対してセンサ信号に対応する異常検知手法を適用して制御信号モデル１４４を生成する。
　信頼性算出部１２０は、信頼性の組合せ方法を用いて、制御信号の組の信頼性を算出する。
　具体的には、以下の通りである。
＜モデル生成処理＞
　モデル生成部１１０は、制御信号時系列データ１４３に保存された制御信号の時系列データから異常の度合いを示す異常度合いを算出するための制御信号モデル１４４を生成する。モデル生成部１１０の基本的な処理フローは、実施の形態１で説明した図７と同様であるが、実施の形態１と異なる点について以下に説明する。
　ステップＳ００１では、モデル生成部１１０は、制御信号のモデルを生成するために利用する異常検知手法を決定する。決定には、対応関係情報１４１に記載のセンサ信号ＩＤおよび制御信号ＩＤ、および異常検知手法情報１４２に記載のセンサ信号ＩＤ、入力データ、入力データの次元のデータが利用される。具体的には、モデル生成部１１０は、各記憶領域のデータをセンサ信号ＩＤで結合し、結合したデータの制御信号ＩＤと異常検知手法から決定する。
　図１７は、本実施の形態に係る対応関係情報１４１と異常検知手法情報１４２とを結合した結果の例を示す図である。
　図１７より、制御信号Ｃ０００１に対してセンサ信号Ｓ０００１の異常検知手法が対応し、制御信号Ｃ０００１、Ｃ０００２に対してセンサ信号Ｓ０００２の異常検知手法が対応する。ただし、制御信号Ｃ０００１およびＣ０００２は２つの信号に対する異常検知になっているので、１つの制御信号となるように分離する。よって、制御信号Ｃ０００１に対しては、センサ信号Ｓ０００１に対して実施した異常検知手法と、センサ信号Ｓ０００２に対して実施した異常検知手法の双方で異常検知を実行する。
　なお、上述したように図１７においても開始時刻および終了時刻を省略している。
　ステップＳ００２では、モデル生成部１１０は、異常検知手法の入力を生成するために、制御信号時系列データ１４３に保存されたデータから、前段で結合したデータの情報を基に、入力データを抽出する。図１７の例では、モデル生成部１１０は、制御信号Ｃ０００１に対して１０次元の部分時系列データを抽出し、制御信号Ｃ０００１、制御信号Ｃ０００２に対して１０次元の高周波成分を抽出する。
　ステップＳ００３では、モデル生成部１１０は、異常検知手法に対して、ステップＳ００２で生成したデータを入力してモデルを生成する。異常検知手法のパラメータは、ステップＳ００１で生成したデータに記載されたパラメータを利用する。ステップＳ００１で生成したデータが図１７の情報である場合に、制御信号ＩＤがＣ０００１の信号に対して生成されるモデルについての例を説明する。異常検知手法としてｋ－近傍法を利用する。また、制御信号ＩＤがＣ０００１の信号には、入力データが１０次元の時系列データのものと、１０次元の高周波成分のものを利用する。入力データが時系列データのｋ－近傍法では、パラメータの１つである近傍数を２、入力データが高周波成分のｋ－近傍では、パラメータの１つである近傍数を３とする。これによって、１０次元空間上に入力データをマッピングしたモデルと異常のしきい値を生成する。
　ステップＳ００４では、モデル生成部１１０は、ステップＳ００３で生成したモデルを制御信号モデル１４４として記憶部１４０に記憶する。
＜信頼性算出処理＞
　信頼性算出部１２０の動作フローは、実施の形態１と同様である。ただし、ステップＳ１０１については、モデル生成部１１０のステップＳ００１と同様に、１つのセンサ信号に対して２つ以上の制御信号がある場合、制御信号が１つになるように分離する。
＜異常診断処理＞
　異常診断部１３０は、対応関係情報１４１に基づき、センサ信号の異常検知結果情報１４５と信頼性算出部１２０で算出した異常診断の信頼性とから、異常診断結果を生成する。
　図１８は、本実施の形態に係る異常診断部１３０による異常診断結果の求め方の例を示す図である。
　図１９は、本実施の形態に係る異常診断部１３０の動作を示すフロー図である。
　図１８において、異常検知結果および信頼性は同一の期間の結果を表しているものとする。
　ステップＳ２０１では、異常診断部１３０は、対応関係情報１４１に保存されたデータから、センサ信号と制御信号の対応関係を取得する。図１８の例ではセンサ信号Ｓ０００１が制御信号Ｃ０００１に、センサ信号Ｓ０００２が制御信号Ｃ０００１，Ｃ０００２に対応する。
　ステップＳ２０１の処理は、図１１で説明したステップＳ２０１と同様である。
　ステップＳ２０２では、ステップＳ２０１で取得したデータを基に、異常診断部１３０は、センサ信号の異常検知結果情報１４５からセンサ信号の異常検知結果および信頼性算出部１２０が出力する信頼性からセンサ信号の異常検知結果毎の制御信号の信頼性を取得する。
　図１８の例では、センサ信号Ｓ０００１は正常、センサ信号Ｓ０００２は異常、センサ信号Ｓ０００１の異常検知手法を用いた制御信号Ｃ０００１の信頼性は１．２、センサ信号Ｓ０００２の異常検知手法を用いた制御信号Ｃ０００１の信頼性は１．４、センサ信号Ｓ０００２の異常検知手法を用いた制御信号Ｃ０００２の信頼性は０．３である。
　ステップＳ２０２の処理は、図１１で説明したステップＳ２０２と同様である。
　ステップＳ２０３ａでは、異常診断部１３０は、制御信号の信頼性を論理値に変換する。ここでは、信頼性が十分である１以上の場合を０、十分でない１以下の場合は１に変換する。図１８の例では、センサ信号Ｓ０００１の異常検知手法を用いた制御信号Ｃ０００１の論理値は０、センサ信号Ｓ０００２の異常検知手法を用いた制御信号Ｃ０００１の論理値は０、センサ信号Ｓ０００２の異常検知手法を用いた制御信号Ｃ０００２の論理値は１である。
　ステップＳ２０３ｂでは、異常診断部１３０は、センサ信号と制御信号の対応関係、センサ信号の異常検知結果およびステップＳ２０３ａの結果から、あるセンサ信号の異常検知結果の信頼性が十分であるか判断する。具体的には、各センサ信号に対応する制御信号の信頼性の論理値に対して、信号間の対応関係に記載の組合せ方法で判定した結果が１であれば、異常検知結果の接頭辞に「訓練データが極端に少ない制御状態の」という言葉を追加する。図１８の例では、センサ信号Ｓ０００１の訓練データの十分性の結果が０、センサ信号Ｓ０００２の訓練データの十分性の結果が１である。よって、センサ信号Ｓ０００２の異常検知結果の接頭辞に「訓練データが極端に少ない制御状態の」を付ける必要があると判断している。
　ステップＳ２０３ａおよびステップＳ２０３ｂの処理が、図１１で説明したステップＳ２０３に対応する。本実施の形態では、制御信号の信頼性を論理値に変換する点が実施の形態１と異なっている。
　ステップＳ２０４では、異常診断部１３０は、ステップＳ２０４の結果を利用した、各センサ信号、異常検知結果、信頼性の組で構成される異常診断結果を生成し、出力する。図１８の例では、センサ信号Ｓ０００１は訓練データが十分なモード時に正常と判断しており、センサ信号Ｓ０００２は訓練データが極端に少ないモード時に異常と判断している。信頼性に関しては、センサ信号Ｓ０００１は制御信号Ｃ０００１の信頼性をそのまま出力する。センサ信号Ｓ０００２は制御信号Ｃ０００１と制御信号Ｃ０００２を比較して、最小である制御信号Ｃ０００２の信頼性を出力している。
　ステップＳ２０４の処理は、図１１で説明したステップＳ２０４と同様である。
　異常検知装置１００は、モデルを生成するための学習とモデルから異常度合いを求める推定の２つのフローが存在する。学習および推定フローは実施の形態１と同様である。
＊＊＊本実施の形態の効果の説明＊＊＊
　本実施の形態に係る異常検知装置では、対応関係情報において、制御信号とセンサ信号に対する組合せ方法を既存のデータに追加している。また、本実施の形態に係る異常検知装置では、異常検知手法の入力に関する制約が１つの信号だけであり、センサ信号と制御信号が１対多である場合に、制御信号毎に異常検知手法に基づき制御信号モデルを生成する。
　また、本実施の形態に係る異常検知装置では、信頼性算出部は、前記組合せ方法を基に前記制御信号モデルから求めた信頼性を束ねて、異常検知結果に対応する信頼性を生成する。このように、本実施の形態に係る異常検知装置では、特定のセンサ信号に対応する制御信号が異常検知手法の入力に関する制約を満たさない場合でも、既存の異常検知手法の制御信号のモデルを束ねることで、過去データの十分性を判定可能である。
　本実施の形態に係る異常検知装置によれば、異常検知手法が単信号に対するものであり、１つのセンサ信号が複数の制御信号の影響を受ける場合でも実施の形態１と同様の効果を得ることが可能である。
　実施の形態３．
　本実施の形態では、主に、実施の形態１，２と異なる点および実施の形態１，２に追加する点について説明する。
　本実施の形態において、実施の形態１，２と同様の機能を有する構成については同一の符号を付し、その説明を省略する。
　本実施の形態では、モード間に不均衡が生じている場合の態様について説明する。
＊＊＊構成の説明＊＊＊
　本実施の形態のハードウェア構成は、実施の形態１で説明した図１と同様である。
　図２０は、本実施の形態に係る異常検知装置１００の機能構成例を示す図である。
　本実施の形態に係る異常検知装置１００は、実施の形態１の機能要素に加え、モード分割部１５０を備える。モード分割部１５０は、データを制御内容により分割する。
　また、本実施の形態に係る異常検知装置１００は、記憶部１４０に、実施の形態１の構成に加え、イベント信号情報１４７を記憶する。イベント信号情報１４７には、イベント信号のログデータが保存されている。
　記憶部１４０において、制御信号モデル１４４には、モデル生成部１１０により生成された制御信号モデルが記憶される。一方、対応関係情報１４１、異常検知手法情報１４２、制御信号時系列データ１４３、センサ信号の異常検知結果情報１４５、およびイベント信号情報１４７については、異常検知装置１００の実行前に該当するデータが保存されている必要がある。また、対応関係情報１４１、異常検知手法情報１４２、制御信号時系列データ１４３、センサ信号の異常検知結果情報１４５については、実施の形態１または実施の形態２と同等である。
　モデル生成部１１０にて生成される制御信号モデルを保存する制御信号モデル１４４は、制御信号とモードにより保存されているモデルを一意に特定できる情報とモデルを含んでいればどのようなデータであってもよい。
　図２１は、本実施の形態に係るイベント信号情報１４７の構成例を示す図である。
　イベント信号情報１４７に保存されるデータは、制御内容、警告等のイベント情報に加えて、イベントが発生した日時の組を含んでいればどのようなデータであってもよい。図２１は、発電プラントを対象とした保存されるデータの例である。図２１の例では、２０２０年１月１日１時に発電量の調整が開始され、２０２０年１月１日１時３０分に発電量の調整が終了し、２０２０年１月１日１２時にボイラ温度で警告が発生し、２０２０年１月２日１２時に発電量の調整が再度開始されていることを示している。
　イベント信号は、制御信号より大きい単位での指示値を表わす。例えば、発電プラントを停止させる場合、「発電プラントを停止」といったログが該当する。よって、イベント信号は、制御信号のように、等間隔（例えば１分間隔）で記録されるような時系列データではなく、不定期に記録されるログデータになる。このように、制御信号は、「発電プラントが停止する際の設備ごとの細かい制御」を示し、モードは「発電プラントの停止」といった大きな制御のくくりを示している。
＊＊＊動作の説明＊＊＊
　次に、本実施の形態に係る異常検知装置１００の動作について説明する。異常検知装置１００の動作手順は、異常検知方法に相当する。また、異常検知装置１００の動作を実現するプログラムは、異常検知プログラムに相当する。
　本実施の形態では、異常検知装置は、設備の制御状態あるいはアラートを表すイベント信号のログデータを保存するイベント信号情報に基づいて、制御状態別に制御信号の時系列データを分割するモード分割部１５０を備える。
　モデル生成部１１０は、モード別に制御信号の時系列データから制御信号モデル１４４を生成する。
　具体的には、以下の通りである。
　モデル生成部１１０によるモデル生成処理は、実施の形態１または実施の形態２と同様である。
　信頼性算出部１２０による信頼性算出処理は、実施の形態１または実施の形態２と同様である。
　異常診断部１３０により異常診断処理は、実施の形態１または実施の形態２と同様である。
＜モード分割処理＞
　図２２は、本実施の形態に係るイベント信号情報１４７を図２１とした場合のモード分割の例を示す図である。
　図２３は、本実施の形態に係るモード分割部１５０による動作を示すフロー図である。
　モード分割部１５０は、イベント信号情報１４７に保存されたデータに基づき、特定のモード毎にデータを分割する。
　ステップＳ５０１では、モード分割部１５０は、イベント信号情報１４７に保存されたデータから、モードを特定するためのイベント情報のみを抽出する。図２１の例では、警告はモードを特定する情報とは異なるため、これを除外する。結果的に、残るのは発電量調整に関するログのみとなる。
　ステップＳ５０２では、モード分割部１５０は、ステップＳ５０１で抽出したモードを特定するためのイベント情報とその時刻を利用して、特定のモードが存在する期間を求める。
　図２２の例では、発電量調整が開始される２０２０年１月１日１時から終了するまでの２０２０年１月１日１時３０分まで、さらに発電量調整が終了した２０２０年１月１日１時３０分から発電量調整が開始される２０２０年１月２日１２時までを期間として抽出する。
　ステップＳ５０３では、各期間の開始時のイベント情報に基づき、各期間のモードを特定する。図２１では、２０２０年１月１日１時から２０２０年１月１日１時３０分までの期間は開始日時のイベント情報が発電量調整の開始であるため、発電量調整が行われている遷移期間に該当する。同様に、２０２０年１月１日１時３０分から２０２０年１月２日１２時までの期間は発電量調整が終了し、１００％の発電量で動作する期間に該当する。
　異常検知装置１００は、制御信号モデル１４４を生成するための学習と、制御信号モデル１４４から異常度合いを求める推定の２つのフローが存在する。
　制御信号モデル１４４を生成するための学習は、上述のモデル生成処理に相当する。
　制御信号モデル１４４から異常度合いを求める推定は、上述の信頼性算出処理に相当する。
　本実施の形態に係るモード分割処理は、モデル生成処理と信頼性算出処理の各処理の前に実施される。
　図２４は、本実施の形態に係る制御信号モデル１４４を生成するための学習時の処理を示すフロー図である。
　ステップＳ６０１において、モード分割部１５０は、イベント信号情報１４７からデータを取得する。
　ステップＳ６０２において、モード分割部１５０は、ステップＳ６０１で取得したデータを基にモード分割を実施する。モード分割処理は、図２３と同様である。
　ステップＳ３０１において、モデル生成部１１０は、対応関係情報１４１からセンサ信号の組と制御信号の組の関係を取得する。
　ステップＳ３０２において、モデル生成部１１０は、異常検知手法情報１４２から特定のセンサ信号に対して適用した異常検知手法、入力に関する情報、および異常検知手法のパラメータを取得する。
　ステップＳ３０３において、モデル生成部１１０は、制御信号時系列データ１４３から制御信号の時系列データを取得する。
　ステップＳ３０１からステップＳ３０３については、図１２と同様である。
　ステップＳ３０４ａは図１２のステップＳ３０４に相当し、ステップＳ３０５ａは図１２のステップＳ３０５に相当する。
　ステップＳ３０４ａにおいて、モデル生成部１１０は、ステップＳ６０２、ステップＳ３０１、ステップＳ３０２およびステップＳ３０３から取得したデータを基に、モード毎に各制御信号のモデルを制御信号モデル１４４として生成する。
　ステップＳ３０５ａにおいて、モデル生成部１１０は、制御信号モデル１４４にステップＳ３０４ａで求めた、モード毎の全制御信号に対する制御信号モデル１４４を記憶部１４０に保存する。
　ステップＳ３０４ａとステップＳ３０５ａについては、全てのモードに対して繰り返し実施する（ステップＳ６０３）。
　図２５は、本実施の形態に係る制御信号モデル１４４から異常度合いを求める推定時の処理を示すフロー図である。
　ステップＳ６０１およびステップＳ６０２は、図２４のステップＳ６０１およびステップＳ６０２と同様である。
　ステップＳ４０１において、信頼性算出部１２０は、対応関係情報１４１からセンサ信号の組と制御信号の組の関係を取得する。
　ステップＳ４０２において、信頼性算出部１２０は、異常検知手法情報１４２から特定のセンサ信号に対して適用した異常検知手法、入力に関する情報、および異常検知手法のパラメータを取得する。
　ステップＳ４０３において、信頼性算出部１２０は、制御信号時系列データ１４３から制御信号の時系列データを取得する。
　ステップＳ４０１からステップＳ４０３については、図１３と同様である。
　ステップＳ４０４ａは図１３のステップＳ４０４に相当し、ステップＳ４０５ａは図１３のステップＳ４０５に相当する。
　ステップＳ４０４ａにおいて、信頼性算出部１２０は、制御信号モデル１４４から制御信号に対応するモード毎のモデルを取得する。
　ステップＳ４０５ａにおいて、信頼性算出部１２０は、ステップＳ６０２、ステップＳ４０１、ステップＳ４０２、ステップＳ４０２およびステップＳ４０４ａから取得したデータを基に全センサ信号の異常検知結果に対してモード毎に信頼性を算出する。
　ステップＳ４０６およびステップＳ４０７は、図１３のステップＳ４０６およびステップＳ４０７と同様である。
＊＊＊本実施の形態の効果の説明＊＊＊
　本実施の形態に係る異常検知装置は、前記設備の制御状態あるいはアラートを表すイベント信号のログデータを保存するイベント信号情報に基づいて、制御状態別に前記制御信号時系列データを分割するモード分割部を備える。モデル生成部は、モード別に前記制御信号からモデルを生成する。
　本実施の形態に係る異常検知装置によれば、モード間に不均衡が生じている場合でも、実施の形態１および実施の形態２と同様の効果を得ることが可能である。
　以上の実施の形態１から３では、異常検知装置の各部を独立した機能ブロックとして説明した。しかし、異常検知装置の構成は、上述した実施の形態のような構成でなくてもよい。異常検知装置の機能ブロックは、上述した実施の形態で説明した機能を実現することができれば、どのような構成でもよい。また、異常検知装置は、１つの装置でなく、複数の装置から構成されたシステムでもよい。
　例えば、異常検知装置がモデル生成部を搭載していなくてもよい。モデル生成部はサーバあるいは別の装置に搭載され、サーバあるいは別の装置で制御信号モデルを生成してもよい。あるいは、異常検知装置は予め用意されている制御信号モデルを使用してもよい。
　また、実施の形態１から３のうち、複数の部分を組み合わせて実施しても構わない。あるいは、これらの実施の形態のうち、１つの部分を実施しても構わない。その他、これらの実施の形態を、全体としてあるいは部分的に、どのように組み合わせて実施しても構わない。
　すなわち、実施の形態１から３では、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。
　なお、上述した実施の形態は、本質的に好ましい例示であって、本開示の範囲、本開示の適用物の範囲、および本開示の用途の範囲を制限することを意図するものではない。上述した実施の形態は、必要に応じて種々の変更が可能である。例えば、フロー図あるいはシーケンス図を用いて説明した手順は、適宜に変更してもよい。
　１００　異常検知装置、１１０　モデル生成部、１２０　信頼性算出部、１３０　異常診断部、１４０　記憶部、１５０　モード分割部、１４１　対応関係情報、１４２　異常検知手法情報、１４３　制御信号時系列データ、１４４　制御信号モデル、１４５　異常検知結果情報、１４６　異常診断結果、１４７　イベント信号情報、９０９　電子回路、９１０　プロセッサ、９２１　メモリ、９２２　補助記憶装置、９３０　入力インタフェース、９４０　出力インタフェース、９５０　通信装置。

Claims (8)

  1. 　センサを備え、制御信号により制御される設備における異常を検知する異常検知装置において、
    　前記センサから得られるセンサ信号において検知された異常検知結果の特定時刻範囲における制御信号の時系列データを検証データとして、過去の制御信号の時系列データの特徴量である訓練データに基づいて生成され、制御信号の時系列データから制御信号毎の異常度合いを出力するモデルである制御信号モデルに入力することにより、前記特定時刻範囲における制御信号の異常度合いを取得し、前記特定時刻範囲における制御信号の信頼性を算出する信頼性算出部と、
    　前記特定時刻範囲における制御信号の信頼性を、前記特定時刻範囲における前記異常検知結果に付加した情報を異常診断結果として出力する異常診断部と
    を備える異常検知装置。
  2. 　前記異常検知装置は、
    　前記過去の制御信号の時系列データの特徴量を前記訓練データとして抽出し、前記訓練データに基づいて前記制御信号モデルを生成するモデル生成部を備える請求項１に記載の異常検知装置。
  3. 　前記モデル生成部は、
    　前記センサ信号と前記センサ信号に影響を与える前記制御信号とを対応付けた対応関係情報と、前記センサ信号と前記センサ信号に適用する異常検知手法と前記異常検知手法に入力する前記センサ信号のデータ形式とが設定された異常検知手法情報と、前記制御信号の時系列データと、に基づいて、前記対応関係情報に設定されている制御信号毎に適用する異常検知手法を決定し、前記異常検知手法に入力する前記センサ信号のデータ形式を前記制御信号のデータ形式に置き換えることにより前記異常検知手法に入力する前記訓練データを生成し、前記訓練データを前記異常検知手法に入力することにより前記制御信号モデルを生成する請求項２に記載の異常検知装置。
  4. 　前記信頼性算出部は、
    　前記対応関係情報と、前記異常検知手法情報と、前記制御信号モデルと、前記制御信号の時系列データと、前記異常検知結果の特定時刻範囲とに基づいて、前記検証データを前記制御信号の時系列データから生成し、前記検証データを前記制御信号モデルに入力することにより前記制御信号の異常度合いを取得する請求項３に記載の異常検知装置。
  5. 　前記モデル生成部は、
    　前記対応関係情報において、１つのセンサ信号と制御信号の組とが対応付けられているとともに、前記制御信号の組の組合せ方法が設定されている場合、前記制御信号の組の各々に対してセンサ信号に対応する異常検知手法を適用して前記制御信号モデルを生成し、
    　前記信頼性算出部は、
    　前記制御信号の組の組合せ方法を用いて、前記制御信号の組の信頼性を算出する請求項３または請求項４に記載の異常検知装置。
  6. 　前記異常検知装置は、
    　前記設備の制御状態あるいはアラートを表すイベント信号のログデータを保存するイベント信号情報に基づいて、制御状態別に前記制御信号の時系列データを分割するモード分割部を備え、
    　前記モデル生成部は、モード別に前記制御信号の時系列データから前記制御信号モデルを生成する請求項２から請求項５のいずれか１項に記載の異常検知装置。
  7. 　センサを備え、制御信号により制御される設備における異常を検知する異常検知装置に用いられる異常検知方法において、
    　コンピュータが、前記センサから得られるセンサ信号において検知された異常検知結果の特定時刻範囲における制御信号の時系列データを検証データとして、過去の制御信号の時系列データの特徴量である訓練データに基づいて生成され、制御信号の時系列データから制御信号毎の異常度合いを出力するモデルである制御信号モデルに入力することにより、前記特定時刻範囲における制御信号の異常度合いを取得し、前記特定時刻範囲における制御信号の信頼性を算出し、
    　コンピュータが、前記特定時刻範囲における制御信号の信頼性を、前記特定時刻範囲における前記異常検知結果に付加した情報を異常診断結果として出力する異常検知方法。
  8. 　センサを備え、制御信号により制御される設備における異常を検知する異常検知装置に用いられる異常検知プログラムにおいて、
    　前記センサから得られるセンサ信号において検知された異常検知結果の特定時刻範囲における制御信号の時系列データを検証データとして、過去の制御信号の時系列データの特徴量である訓練データに基づいて生成され、制御信号の時系列データから制御信号毎の異常度合いを出力するモデルである制御信号モデルに入力することにより、前記特定時刻範囲における制御信号の異常度合いを取得し、前記特定時刻範囲における制御信号の信頼性を算出する信頼性算出処理と、
    　前記特定時刻範囲における制御信号の信頼性を、前記特定時刻範囲における前記異常検知結果に付加した情報を異常診断結果として出力する異常診断処理と
    をコンピュータに実行させる異常検知プログラム。
PCT/JP2022/033076 2022-09-02 2022-09-02 異常検知装置、異常検知方法、および、異常検知プログラム WO2024047859A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/033076 WO2024047859A1 (ja) 2022-09-02 2022-09-02 異常検知装置、異常検知方法、および、異常検知プログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/033076 WO2024047859A1 (ja) 2022-09-02 2022-09-02 異常検知装置、異常検知方法、および、異常検知プログラム

Publications (1)

Publication Number Publication Date
WO2024047859A1 true WO2024047859A1 (ja) 2024-03-07

Family

ID=90099030

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/033076 WO2024047859A1 (ja) 2022-09-02 2022-09-02 異常検知装置、異常検知方法、および、異常検知プログラム

Country Status (1)

Country Link
WO (1) WO2024047859A1 (ja)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009186463A (ja) * 2008-01-18 2009-08-20 Rolls Royce Plc ノベルティ検出
JP2011070635A (ja) * 2009-08-28 2011-04-07 Hitachi Ltd 設備状態監視方法およびその装置
JP2019095930A (ja) * 2017-11-20 2019-06-20 株式会社東芝 決定装置、補正装置、表示装置、決定システム、決定方法及びコンピュータプログラム
WO2020245968A1 (ja) * 2019-06-06 2020-12-10 三菱電機株式会社 異常兆候検知装置、異常兆候検知方法、及び、異常兆候検知プログラム
JP2021135566A (ja) * 2020-02-25 2021-09-13 セイコーエプソン株式会社 推奨動作パラメーター決定方法、およびロボットシステム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009186463A (ja) * 2008-01-18 2009-08-20 Rolls Royce Plc ノベルティ検出
JP2011070635A (ja) * 2009-08-28 2011-04-07 Hitachi Ltd 設備状態監視方法およびその装置
JP2019095930A (ja) * 2017-11-20 2019-06-20 株式会社東芝 決定装置、補正装置、表示装置、決定システム、決定方法及びコンピュータプログラム
WO2020245968A1 (ja) * 2019-06-06 2020-12-10 三菱電機株式会社 異常兆候検知装置、異常兆候検知方法、及び、異常兆候検知プログラム
JP2021135566A (ja) * 2020-02-25 2021-09-13 セイコーエプソン株式会社 推奨動作パラメーター決定方法、およびロボットシステム

Similar Documents

Publication Publication Date Title
US10805329B2 (en) Autonomous reconfigurable virtual sensing system for cyber-attack neutralization
JP7068246B2 (ja) 異常判定装置、および、異常判定方法
WO2012157471A1 (ja) 複数の制御システムの異常を検知する異常検知システム
JP2012242159A (ja) システムの高い可用性のためにセンサデータを補間する方法、コンピュータプログラム、システム。
US11411983B2 (en) Dynamic, resilient sensing system for automatic cyber-attack neutralization
JPWO2019239542A1 (ja) 異常検知装置、異常検知方法及び異常検知プログラム
US20210294518A1 (en) Method of determining potential anomaly of memory device
CN111913656B (zh) 分布式共享储存***中的计算机储存节点及方法
JPWO2017061028A1 (ja) 異常検知装置
WO2024047859A1 (ja) 異常検知装置、異常検知方法、および、異常検知プログラム
US20230280240A1 (en) Abnormality diagnosis device and abnormality diagnosis method
US20210080924A1 (en) Diagnosis Method and Diagnosis System for a Processing Engineering Plant and Training Method
US20140359365A1 (en) Integrated Configuration Management and Monitoring for Computer Systems
JP2001125626A (ja) プラント機器管理装置
JP2022010913A (ja) データ管理システム、データ管理方法、および、データ管理プログラム
KR20210087373A (ko) 플랜트의 고장을 진단하기 위한 장치 및 이를 위한 방법
WO2021140942A1 (ja) 診断装置、診断方法およびプログラム
WO2020162603A1 (ja) 異常検出装置、シミュレータ、プラント監視システム、異常検出方法及びプログラム
JP7453049B2 (ja) 異常予兆監視システム、異常予兆監視方法、及びプログラム
JP2022007222A (ja) データ管理システム、データ管理方法、および、データ管理プログラム
WO2024048428A1 (ja) 予兆検知システム及び予兆検知方法
WO2023112167A1 (ja) 要因分析装置、要因分析方法及び要因分析プログラム
WO2021149277A1 (ja) 予測装置、予測方法およびプログラム
WO2024105727A1 (ja) 要因推定装置、要因推定方法および要因推定プログラム
CN115695159B (zh) 一种设备诊断方法、装置、设备和存储介质

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: 22957453

Country of ref document: EP

Kind code of ref document: A1