CN108628281A - 异常检测系统及异常检测方法 - Google Patents

异常检测系统及异常检测方法 Download PDF

Info

Publication number
CN108628281A
CN108628281A CN201810076586.8A CN201810076586A CN108628281A CN 108628281 A CN108628281 A CN 108628281A CN 201810076586 A CN201810076586 A CN 201810076586A CN 108628281 A CN108628281 A CN 108628281A
Authority
CN
China
Prior art keywords
abnormal
score
prediction
abnormality detection
detection system
Prior art date
Legal status (The legal status 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 status listed.)
Granted
Application number
CN201810076586.8A
Other languages
English (en)
Other versions
CN108628281B (zh
Inventor
但马庆行
望月义则
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hitachi Ltd
Original Assignee
Hitachi Ltd
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 Hitachi Ltd filed Critical Hitachi Ltd
Publication of CN108628281A publication Critical patent/CN108628281A/zh
Application granted granted Critical
Publication of CN108628281B publication Critical patent/CN108628281B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • 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
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
    • G05B23/0213—Modular or universal configuration of the monitoring system, e.g. monitoring system having modules that may be combined to build monitoring program; monitoring system that can be applied to legacy systems; adaptable monitoring system; using different communication protocols
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D3/00—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups
    • G01D3/08—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups with provision for safeguarding the apparatus, e.g. against abnormal operation, against breakdown
    • 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
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Automation & Control Theory (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明提供异常检测系统及异常检测方法，使得设定异常检测的阈值变得容易且精度变高。设为如下结构：在异常检测系统(1)中包含执行以下处理的运算装置(1H101)：基于作为监视对象的规定装置的工作数据，学习用于预测该装置的动作的预测模型的处理；进行调整以使各异常得分相对于关于正常时的工作数据得到的得分处于规定范围内的处理，所述各异常得分是基于所述预测模型的预测结果与从所述装置得到的各工作数据之间的背离情形的各异常得分；基于所述调整后的异常得分来检测异常或异常的预兆的处理；以及将所述异常得分或所述检测的结果中的至少任一个的信息显示在输出装置中的处理。

Description

异常检测系统及异常检测方法
技术领域
本发明涉及异常检测系统及异常检测方法。
背景技术
工厂等产业系统、铁路、电力等社会基础设施系统等多种系统由多个计算机、控制器、机器/设备构成。
这样的系统若其功能停止，则有可能对经济和社会都造成极大的影响。因此，为了不让该系统的功能停止，迅速地发现故障、障碍并进行应对，或防患于未然地预知并进行保全措置，是很重要的。
另一方面，近来，从计算机、控制器、机器/设备等得到大量工作数据。由此，使用以下方法：将机器/设备或者系统的正常时的举动作为统计模型来表现，基于上述的工作数据相对于该模型的背离情形，检测相应机器/设备、系统等中的异常或其预兆。
特别是，经常采取以下方法：在工作数据维持相同的值的情况下，假设遵照正态分布或混合正态分布等，根据正常时的工作数据而算出平均和方差，基于新观测到的工作数据在其概率分布上的概率密度来判断异常性。另一方面，在过渡期等中工作数据的值变动的情况下，存在上述的方法无法有效地起作用的情况。
关于这样的状况，例如，提出了如下设备状态监视方法(参照专利文献1)等，其是基于从被安装于设备的传感器输出的传感器信号来监视所述设备的状态的方法，其特征在于，从所述传感器信号提取成为回归模型的输入的输入矢量和成为回归模型的输出的输出矢量，从该提取到的输入矢量和输出矢量之中选择正常的矢量并作为学习数据来积蓄，从所述积蓄的学习数据之中，选定由从所述传感器信号提取到的所述输入矢量和所述输出矢量构成的观测数据之中的接近于所述输入矢量的规定数量的学习数据，基于该选定的学习数据制成所述回归模型，基于所述观测数据的输入矢量、输出矢量、以及所述回归模型，算出所述观测数据的异常度，基于该算出的异常度进行识别所述设备状态是异常还是正常的异常识别，基于所述设备状态的异常识别的结果及所述观测数据的输入矢量与最接近于该输入矢量的学习数据的类似度来更新所述学习数据。
现有技术文献
专利文献
专利文献1：(日本)特开2013-25367号公报
发明内容
但是，在现有技术中，没有考虑以下情况：由于模型的表现能力的不足、工作数据的不足、计测上的噪声，即使原本是正常时的工作数据，在预测结果和观测结果之间也产生背离(误差)的情况。
因此，即使是正常时，也存在由于预测结果和观测结果之间的背离而计算的异常度(异常得分)变高的可能性。在多数情况下，对异常得分设定阈值，根据是否高于该阈值等来判别是否异常，但如前述那样即使在正常时异常得分也变高，所以难以决定阈值。由此，根据情况，可能成为引起误报的状况。特别是，在检测以机器/设备等为目标的异常或者其预兆的情况下，应监视的对象多，所以对操作者来说成为不能忽略的负担。
因此本发明是鉴于上述而完成的，其目的在于，使得设定异常检测的阈值变得容易且精度变高。
用于解决上述课题的本发明的异常检测系统的特征在于，具备执行以下处理的运算装置：基于作为监视对象的规定装置的工作数据，学习用于预测该装置的动作的预测模型的处理；进行调整以使各异常得分相对于关于正常时的工作数据得到的得分处于规定范围内的处理，所述各异常得分是基于所述预测模型的预测结果与从所述装置得到的各工作数据之间的背离情形的各异常得分；基于所述调整后的异常得分来检测异常或异常的预兆的处理；以及将所述异常得分或所述检测的结果中的至少任一个的信息显示在输出装置中的处理。
此外，本发明的异常检测方法的特征在于，信息处理系统执行以下处理：基于作为监视对象的规定装置的工作数据，学习预测该装置的动作的预测模型的处理；进行调整以使各异常得分相对于关于正常时的工作数据得到的得分处于规定范围内的处理，所述各异常得分是基于所述预测模型的预测结果与从所述装置得到的各工作数据之间的背离情形的各异常得分；基于所述调整后的异常得分来检测异常或异常的预兆的处理；以及将所述异常得分或所述检测的结果中的至少任一个的信息显示在输出装置中的处理。
发明效果
根据本发明，能够使得设定异常检测的阈值变得容易且精度变高。
附图说明
图1是表示第一实施方式中的系统结构以及功能结构的图。
图2是表示第一实施方式中的硬件结构的图。
图3是表示第一实施方式中的工作数据的图。
图4是表示第一实施方式中的模型输入输出定义数据的图。
图5是表示第一实施方式中的模型参数的图。
图6是表示第一实施方式中的异常检测结果数据的图。
图7是表示第一实施方式中的模型学习的处理流程的图。
图8是表示第一实施方式中的异常检测的处理流程的图。
图9是表示第一实施方式中的点预测模型的结构例的图。
图10是表示第一实施方式中的分布预测模型的结构例的图。
图11是表示第一实施方式中的例外模式的结构例的图。
图12是表示第一实施方式中的监视画面的图。
图13是表示第二实施方式中的误差重构模型的学习例的图。
图14是表示第二实施方式中的模型数据的图。
图15是表示第二实施方式中的检测结果数据的图。
图16是表示第二实施方式中的学习阶段的处理流程的图。
图17是表示第二实施方式中的监视阶段的处理流程的图。
图18是表示第二实施方式中的监视画面的图。
标号说明：
1 异常检测系统
10 机器/设备
11 控制器
12 服务器
13 终端
111 收集部
112 检测部
113 本地数据管理部
122 学习部
123 整合数据管理部
131 显示部
1H101 CPU(运算装置)
1H102 ROM
1H103 RAM
1H104 外部存储装置
1H105 通信I/F
1H106 外部输入装置
1H107 外部输出装置
1D1 工作数据
1D2 输入输出定义数据
1D3、2D1 模型数据
1D4、2D2 检测结果数据
1D5 例外模式
具体实施方式
——概略(第一实施方式)——
在此首先说明本实施方式的异常检测系统及异常检测方法的概略。另外，本实施方式的异常检测系统为了防止成为监视对象的系统(工厂等产业系统、或铁路、电力等社会基础设施系统等)的功能停止，迅速且准确地发现、预知该监视对象系统的故障、障碍、或其预兆。
本实施方式中的异常检测系统中的处理被分为根据上述的监视对象系统中的正常时的工作数据来学习预测模型的学习阶段、和基于监视时的工作数据与预测模型的预测结果之间的背离情形来算出异常得分并对用户(监视者等)显示通知及关联信息的监视阶段。
其中在学习阶段中，异常检测系统根据从上述的监视对象系统中的各机器/设备收集到的工作数据，学习用于预测监视对象系统中的时序的动作的预测模型。
详细如后述，通过使用这样的预测模型，从而能够算出从当前至规定的将来为止的期间中的与上述的动作相关的预测值。将此时的预测期间称为窗宽。
此外，异常检测系统使用从监视对象系统得到的工作数据、和上述的预测模型，学习用于算出某时刻的窗宽的窗宽估计模型。异常得分基于窗宽的预测值序列与观测值序列的累积误差、似然而算出。从而，若将窗宽取得越大，则某时刻的异常得分变得越大。窗宽估计模型关于正常时的各工作数据，学习工作数据与窗宽的关系，以使在预测能力高处输出大的窗宽而在预测能力低处输出小的窗宽，从而其异常得分成为同程度。
此外，在上述的监视阶段中，异常检测系统基于关于监视时的监视对象系统得到的工作数据和窗宽估计模型来算出窗宽。此外，异常检测系统使用预测模型来算出预测值序列，基于该预测值序列和观测值序列而算出异常得分。在该异常得分超过了预先决定的阈值的情况下，异常检测系统判断为关于该监视对象系统产生了异常或异常的预兆，经由规定的终端等，向监视者即操作者输出异常信息。
——系统结构(第一实施方式)——
接着，使用图1说明本实施方式中的异常检测系统1的结构。本实施方式所涉及的异常检测系统1设想为如下结构，该结构包含：具备传感器、促动器的设备10(监视对象系统)、控制该设备10的控制器11、进行上述的预测模型的学习、数据管理的服务器12、以及将与异常或异常的预兆相关的信息提示给操作者的终端13。
这样的异常检测系统1中的各结构要素相互通过LAN(局域网(Local AreaNetwork))等网络14连接。另外，在本实施方式中设想为结构要素通过LAN连接的状况，但也可以设为经由WWW(万维网(World Wide Web))连接的结构。此外，关于异常检测系统1而例示的上述的结构要素只是一例，要素数量也可以增减，既可以通过一个网络来连接，也可以进一步分层而连接。另外，在本实施方式中说明设备10为监视对象系统的情况，但控制器11或其他计算机也可以成为监视对象。
——功能和硬件——
接着参照图1和图2，说明异常检测系统的功能和硬件的对应关系。本实施方式的异常检测系统1中的控制器11具备收集部111、检测部112及本地数据管理部113的各功能部。通过CPU(中央处理单元(Central Processing Unit))1H101将在ROM(只读存储器(ReadOnly Memory))1H102或外部存储装置1H104中储存的程序读入至RAM(随机存取存储器(Random Access Memory))1H103，对通信I/F(接口(Interface))1H105、以鼠标、键盘等为代表的外部输入装置1H106、以显示器等为代表的外部输出装置1H107进行控制，从而实现这些功能部。
此外，本实施方式的异常检测系统1中的服务器12具备集送部121、学习部122及整合数据管理部123的各功能部。通过CPU(中央处理单元(Central Processing Unit))1H10l将在ROM(只读存储器(Read Only Memory))1H102或外部存储装置1H104中储存的程序读入至RAM(随机存取存储器(Random Access Memory))1H103，对通信I/F(接口(Interface))1H105、以鼠标、键盘等为代表的外部输入装置1H106、以显示器等为代表的外部输出装置1H107进行控制，从而实现这些功能部。
此外，本实施方式的异常检测系统1中的终端13具备显示部131。通过CPU(中央处理单元(Central Processing Unit))1H101将在ROM(只读存储器(Read Only Memory))1H102或外部存储装置1H104中储存的程序读入至RAM(随机存取存储器(Random AccessMemory))1H103，对通信I/F(接口(Interface))1H105，以鼠标、键盘等为代表的外部输入装置1H106、以显示器等为代表的外部输出装置1H107进行控制，从而实现该显示部131。
——数据结构——
接着使用图3，说明控制器11从设备10、控制器11自身收集并由本地数据管理部113管理的工作数据1D1。
本实施方式中的工作数据1D1是被安装于设备10的传感器的计测值或被传送给设备10的控制信号，并且具备日期时间1D101、项目名lD102和值lD103。
其中日期时间1D101是产生或收集了该工作数据的日期时间。此外，项目名1D102是用于识别该工作数据的名称，并且是例如传感器编号或控制信号编号。此外，值lD103是某日期时间、项目下的工作数据的值。
另外，服务器12的整合数据管理部123管理的工作数据1D1的内容也同样，是对各个控制器11的本地数据管理部113的工作数据1D1进行整合后的工作数据。
接着使用图4，说明由控制器11的本地数据管理部113及服务器12的整合数据管理部123管理的输入输出定义数据1D2。
本实施方式中的输入输出定义数据1D2是定义预测模型的输入输出的数据，并且具备模型ID 1D201、输入输出类型1D202及项目名1D203。
其中模型ID 1D201是用于识别预测模型的ID。此外，输入输出类型1D202是用于指定所指定的项目是成为预测模型的输入还是成为输出的数据。此外，项目名1D203是成为预测模型的输入或输出的项目的名称。
例如，在图4所例示的输入输出定义数据1D2中，记载了模型ID为“1001”的预测模型，表示输入为两个(“控制器1.项目1”及“控制器1.项目2”)，输出为一个(“控制器1.项目3”)。另外，在该例中示出了2输入1输出的预测模型的例子，但能够设定1输入1输出、3输入2输出等恰当的输入输出数量。
接着使用图5，说明由控制器11的本地数据管理部113及服务器12的整合数据管理部123管理的模型数据1D3。
本实施方式中的模型数据1D3具备模型ID 1D301、预测模型参数1D302和窗宽估计模型参数1D303。
其中模型ID 1D301是用于识别预测模型的ID。此外，预测模型参数1D302表示预测成为监视对象的设备10的时序的动作的预测模型的参数。此外，窗宽估计模型参数1D303表示窗宽估计模型的参数，该窗宽估计模型动态地变更用于算出异常得分的窗宽，以使与正常时的各工作数据相关的异常得分相互成为同程度。这两个参数在预测模型由神经网络构成的情况下，对应于其权重矩阵的值等。
接着使用图6，说明由控制器11的本地数据管理部113管理的检测结果数据1D4。
本实施方式中的检测结果数据1D4具备检测日期时间1D401、模型ID1D402、异常得分1D403、窗宽1D404及例外1D405。
其中检测日期时间1D401表示检测到异常或其预兆的日期时间。此外，模型ID1D402是用于识别在检测中使用的预测模型的ID。此外，异常得分1D403是所算出的异常得分。此外，窗宽1D404表示在算出异常得分中使用的窗宽。此外，例外405表示是否符合后述的例外模式，在符合的情况下设为“1”，在不符合的情况下设为“0”。
接着使用图11，说明由控制器11的本地数据管理部113及服务器12的整合数据管理部123管理的例外模式1D5。
本实施方式中的例外模式1D5具备模式编号1D501、例外模式1D502。
其中模式编号1D501是用于识别例外模式的ID。此外，例外模式1D502表示即使在异常检测系统1检测到异常的情况下，也作为例外而不对终端13进行通知的工作数据的部分序列的模式。
——处理流程——
接着使用图7、图9、图10说明本实施方式中的异常检测系统1的学习阶段的处理流程。另外，设为先于本处理，已经注册(登记)有恰当的输入输出定义数据1D2。
首先，控制器11的收集部111从设备10或控制器11收集工作数据1D1，储存至本地数据管理部113(步骤1F101)。另外，在本实施方式中设为收集部111收集的工作数据的周期为一定。另一方面，在周期并非一定的情况下，设为收集部111变换为通过插补等调整了周期的工作数据，并储存至本地数据管理部113。
接着，服务器12的集送部121对在各控制器11的本地数据管理部113中储存的工作数据1D1进行汇聚，储存至服务器12的整合数据管理部123(步骤1F102)。
接着，服务器12的学习部122使用在整合数据管理部123中储存的正常时的工作数据1D1，学习具有由输入输出定义数据1D2定义的输入输出的预测模型，作为模型数据1D3(预测模型参数1D302)而储存至整合数据管理部123(步骤1F103)。
另外，在该时刻，窗宽估计模型参数1D303设为空(Null值)。此外，预测模型例如能够由图9的预测模型1N101所示的使用了LSTM(长短时记忆(Long short-term memory))的编码器-解码器(Encoder-decoder)形式的循环神经网络(recurrent neural network)构成。
即，关于图4的输入输出定义数据1D2中的模型ID“1001”的预测模型，在图9、图10所例示的模型中，循环神经网络的输入(图中的x)成为“控制器1.项目1”及“控制器1.项目2”，输出(图中的y^)为“控制器1.项目3”。另外，也可以将用于表示末端的信息追加到上述的“x”。
通过使用编码器-解码器(Encoder-decoder)形式的循环神经网络，从而能够构筑输入输出不同，且对任意长度的序列进行结构化预测(Structured prediction)的预测模型。
另外，图9中的“FC”的含义是全连接层(Full connected layer)。在这样构成的情况下，输出成为决定的值，所以异常得分成为基于累积预测误差的值。在此，累积预测误差设为预测值序列与观测值序列在各时刻的差的绝对值。
此外，也可以使用图10的预测模型1N2所示的以VAE(变分自动编码器(Variational auto encoder))为代表的生成模型，构筑能够得到输出的样本的预测模型。在此，图中的“μ”表示平均，“σ”表示方差，“N-Rand”表示正态随机数，“×”表示矩阵的要素积，“+”表示矩阵的和。
通过这样，与基于图9的预测模型1N1的方法相比，尽管计算量增加，但不仅输出期待值(平均)，还能够输出偏差情形(方差)，不仅算出基于累积预测误差的异常得分，还能够算出基于似然的异常得分。
在此，似然是观测值序列的发生概率，并且设为通过多次的采样而算出各时刻的平均及方差，基于此认为在各时刻遵照独立的正态分布，算出与观测值对应的所述平均及方差下的概率密度，取它们全部的积。在工作数据的偏差情形发生时间变化的情况下，与基于累积预测误差的异常得分相比，通过采用基于似然的异常得分，异常得分的偏差被抑制。
接着，服务器12的学习部122使用在整合数据管理部123中储存的正常时的工作数据1D1、和上述的预测模型，关于各时刻，算出首次超过目标累积预测误差、或首次低于目标似然的窗宽与该时刻的循环神经网络的内部状态所成的对(步骤1F104)。
在此，目标累积预测误差设为在窗宽30下的累积预测误差的平均的一半。此外，似然如果作为实施了对数变换的对数似然处理，则在计算上更方便。此外，对数似然取0以下的值。因此，设为考虑负的对数似然，目标对数似然设为在窗宽30下的负的对数似然的平均的一半。
另外，在本实施方式中，分别设为窗宽30时的累积预测误差或负的对数似然的平均的一半，但也可以根据工作数据而改变窗宽，或通过其他方法来算出目标累积预测误差或对数似然。
接着，服务器12的学习部122使用上述算出的目标累积预测误差或负的对数似然与内部状态所成的对，学习窗宽估计模型，追记对应的预测模型的模型数据1D3的窗宽估计模型参数1D303(步骤1F105)。
在此，窗宽估计模型是将内部状态设为输入，且将窗宽设为输出的预测器，具体而言，如图9的1N102、图10的1N202所示，通过线性回归模型进行学习。另外，在本实施方式中使用了线性回归模型，但也可以使用多层神经网络等其他模型。
接着，服务器12的学习部122使用在整合数据管理部123中储存的正常时的工作数据1D1、上述的预测模型及上述的窗宽估计模型，算出与正常时的工作数据1D1的各个相关的异常得分、即使用了所估计出的窗宽的累积预测误差或负的对数似然(步骤1F106)。
接着，服务器12的学习部122将上述的异常得分比阈值η大之处的前后窗宽30(共计61点)的工作数据的部分序列作为例外模式1D5而储存至整合数据管理部123(步骤1F107)。在此阈值η设为目标累积预测误差或目标对数似然的2倍，但也可以设定其他值。
最后，服务器12的集送部121将模型数据1D3及例外模式1D5分发至各控制器11，结束本处理(步骤1F108)。
另外，本实施方式中的预测模型使用从过去至当前的工作数据来算出从当前至将来的工作数据的预测值序列，但也可以构筑预测模型以使用从过去至当前的工作数据来算出(复原)从当前至过去的工作数据的预测值序列，也可以进行这双方。
此外，在本实施方式中使用了将工作数据原样设为输入、输出的预测模型，但也可以对工作数据施加低通滤波器，或将工作数据彼此的差等数据用于输入输出。
此外，在本实施方式中设为分别学习预测模型和窗宽估计模型，但也可以将它们整合。也就是说，在通过逆误差传播法等进行学习时，也可以使窗宽估计模型的误差信号在预测模型的中间层中传播。由此，能够考虑预测的准确度和预测可能性这双方而进行学习。
接着，使用图8说明本实施方式中的在某时刻t的监视阶段的处理流程。另外，设为先于本处理，预先收集时刻t前后的工作数据。
首先，控制器11的检测部112向上述的编码器-解码器(Encoder-decoder)形式的循环神经网络，连续输入从时刻t起至几十时刻～几百时刻程度之前的工作数据1D1，更新循环神经网络的内部状态(步骤1F201)。在本实施例中设为使用从50时刻之前的工作数据。
接着，控制器11的检测部112使用循环神经网络的内部状态、和窗宽估计模型，算出时刻t的窗宽(步骤1F202)。
接着，控制器11的检测部112按照上述算出的窗宽反复进行预测，算出异常得分、即累积预测误差或负的对数似然(步骤1F203)。在该步骤中，窗宽反映预测能力，如果是正常时的工作数据，则都被调整为同程度的异常得分。
接着，控制器11的检测部112确认异常得分是否小于阈值γ(步骤1F204)。
在其确认的结果是异常得分小于γ的情况下(步骤1F204：是)，控制器11的检测部112作为没有发生异常而在该时刻结束处理。另一方面，在异常得分并非小于γ的情况下(步骤1F204：否)，控制器11的检测部112作为检测到异常或其预兆，将处理转移至步骤1F205。在此，阈值γ设为目标累积预测误差或目标对数似然的2倍，但也可以设定其他值。
接着，控制器11的检测部112求得例外模式1D5和时刻t-30～t+30的工作数据之差的平方和，在其结果小于阈值θ的情况下，判断为符合例外模式(步骤1F205)。
最后，控制器11的检测部112制成检测结果数据1D4，储存至本地数据管理部113，且所检测到的结果在并非例外模式的情况下通知至终端13的显示部131。对应于此，终端13的显示部131读取相应的控制器11的本地数据管理部113的检测结果数据1D4，对操作者提示检测结果(步骤1F206)。
另外，上述为了简化说明，所以记载了每次对循环神经网络输入从时刻t起至50时刻之前的工作数据1D1从而更新内部状态的方法。但是，由于实际上在每次观测新的工作数据时向循环神经网络输入，在进行预测紧前保存内部状态并进行异常得分计算，(在异常得分计算中内部状态改变)因此通过采取复原内部状态的步骤，能够高效地执行内部状态更新及异常得分计算。
——用户界面——
使用图12，说明终端13的显示部131对操作者提示的监视画面1G1。该监视画面1G1具备模型选择组合框1G101、工作数据显示窗格1G102、异常得分显示窗格1G103及窗宽显示窗格1G104。
其中在模型选择组合框1G101中，以候选的方式显示与检测结果数据1D4的模型ID1D402对应的模型ID。与对终端13进行操作的操作者通过该模型选择组合框1G101选择的模型ID对应的检测结果信息被显示在工作数据显示窗格1G102、异常得分显示窗格1G103及窗宽显示窗格1G104。
此外，在工作数据显示窗格1G102中，显示与通过模型选择组合框1G101选择的模型ID的预测模型的输入输出对应的工作数据。在图12中的例子的情况下，横轴为时间，纵轴为值。此外预测模型中的输入、输出的选择通过标签(1G102a、1G102b、1G103c)来进行。
此外，在异常得分显示窗格1G103中，显示由通过模型选择组合框1G101选择的模型ID的预测模型算出的异常得分和阈值γ。在图12中的例子的情况下，横轴为时间，纵轴为值。异常得分之中超过阈值、且不符合例外模式之处被强调显示。操作者观看该异常得分显示窗格1GI03的显示信息，从而能够掌握是否发生了异常或其预兆。
此外，在窗宽显示窗格1G104中，显示由通过模型选择组合框1G 101选择的模型ID的窗宽估计模型算出的窗宽。在图12中的例子的情况下，横轴为时间，纵轴为窗宽。操作者观看该窗宽显示窗格1G104的显示信息，从而能够掌握异常或其预兆被通知的状况是对预测模型来说易于预测的状况还是典型的状况等、仅通过异常得分不能判断的补充的信息。
——概略(第二实施方式)——
接着说明其他实施方式(第二实施方式)。另外，设为关于与上述的第一实施方式重复的点，适当省略进行说明。
第二实施方式中的异常检测系统也为了防止成为其监视对象的系统(工厂等产业系统、或铁路、电力等社会基础设施系统等)的功能停止，迅速且准确地发现、预知该监视对象系统的故障、障碍、或其预兆。另外，第二实施方式中的异常检测系统的结构、功能等与第一实施方式同样，省略其说明。
本实施方式中的异常检测系统中的处理被分为根据上述的监视对象系统中的正常时的工作数据来学习预测模型的学习阶段、和基于监视时的工作数据与预测模型的预测结果之间的背离情形来算出异常得分并对用户(监视者等)显示通知及关联信息的监视阶段。
其中在学习阶段中，异常检测系统根据从上述的监视对象系统中的各机器/设备收集到的工作数据，学习用于预测监视对象系统中的时序的动作的预测模型。此外，异常检测系统使用工作数据和预测模型，学习用于重构与预先决定的窗宽对应的预测误差的序列的误差重构模型。
此外，异常检测系统通过图13所示的流程执行监视阶段的处理。在该情况下，异常检测系统根据监视时的工作数据和预测模型算出预先决定的窗宽的预测值序列。进而，异常检测系统使用所得到的预测值序列和误差重构模型，算出预测误差序列的重构误差，设为异常得分。异常检测系统在该异常得分超过了预先决定的阈值的情况下，判断为产生异常或异常的预兆并对操作者显示异常信息。
——数据结构——
异常检测系统1中的控制器11从设备10、控制器11自身收集并由本地数据管理部113管理的工作数据1D1是与第一实施方式同样的结构。此外，由控制器11的本地数据管理部113及服务器12的整合数据管理部123管理的输入输出定义数据1D2也是与第一实施方式同样的结构。
另一方面，关于由控制器11的本地数据管理部113及服务器12的整合数据管理部123管理的模型数据2D1，与第一实施方式的结构不同。在图14中，示出第二实施方式中的模型数据2D1的例子。
该模型数据2D1具备模型ID 2D101、预测模型参数2D102及对预测误差进行重构的误差重构模型的参数2D103。其中误差重构模型2D103的参数在如后述那样使用自动编码器的情况下，对应于输入层与中间层之间、中间层与输出层之间的各自的权重矩阵。
接着使用图15，说明由控制器11的本地数据管理部113管理的检测结果数据2D2。
该检测结果数据2D2具备检测日期时间2D201、模型ID 2D202、异常得分2D203及积蓄预测误差2D204。其中，积蓄预测误差2D204是从预测模型输出的预测值序列与观测值序列之差的绝对值的总和。
——处理流程——
接着使用图16说明第二实施方式中的异常检测系统1的学习阶段的处理。另外，设为先于本处理，注册(登记)有恰当的输入输出定义数据1D2。
在该情况下，控制器11的收集部111从设备10或控制器11收集工作数据1D1，储存至本地数据管理部113(步骤2F101)。另外，在第二实施方式中，设为收集部111收集的数据的周期为一定。在周期并非一定的情况下，设为收集部111变换为通过插补等调整了周期的工作数据并进行上述的储存。
接着，服务器12的集送部121对在各控制器11的本地数据管理部113中储存的工作数据1D1进行汇聚，储存至服务器12的整合数据管理部123(步骤2F102)。
接着，服务器12的学习部122使用在整合数据管理部123中储存的正常时的工作数据1D1，学习具有由输入输出定义数据1D2定义的输入输出的预测模型，作为模型数据1D3(预测模型参数1D302)而储存至整合数据管理部123(步骤2F103)。
在此，在上述的预测模型中，设为使用在第一实施方式中叙述的编码器-解码器(Encoder-decoder)形式的循环神经网络，但并非如第一实施方式那样为了调整异常得分而变更窗宽，因此也可以使用固定长度的预测模型。
例如，既可以更单纯地使用自动编码器(Auto Encoder)对同一区间的数据进行预测(重构)，也可以使用自回归模型等其他统计模型。
另外，预测模型关于时间预测的方向不仅可以针对从过去至未来进行，也可以针对从未来至过去进行，也可以针对这双方。
接着，服务器12的学习部122使用上述的预测模型，算出与正常时的工作数据1D1对应的预测值序列，与正常时的工作数据1D1进行比较，算出预测误差序列。在此，预测值序列的长度基于预先决定的窗宽。在第二实施方式中，作为一例而设为“30”，但也可以是其他值。此外，误差设为差的绝对值，但也可以使用其他。并且，服务器12的学习部122学习对预测误差序列进行重构的误差重构模型(2F104)。
在此，在第二实施方式中，对误差重构模型使用作为一种自动编码器的去噪自动编码器(Denoising AutoEncoder)。由此，即使是在监视时若干不同的数据，也能够健壮(鲁棒)地复原。另外，对误差重构模型，也能够使用主分量分析(PCA)、或者其他的矩阵分解等方法。
最后，服务器12的集送部121将模型数据1D3及例外模式1D5分发至各控制器11，结束本处理(步骤2F105)。
接着，使用图17，说明第二实施方式中的在某时刻t的监视阶段的处理流程。另外，设为先于本处理，收集了时刻t前后的工作数据。
首先，控制器11的检测部112对上述的编码器-解码器(Encoder-decoder)形式的循环神经网络，连续输入从时刻t起至几十时刻～几百时刻程度之前的工作数据1D1，更新循环神经网络的内部状态。此外，该检测部112算出从时刻t起窗宽(＝30)的预测值序列，计算与工作数据1D1之差的绝对值，从而算出预测误差序列(步骤2F201)。
接着，上述的检测部112使用误差重构模型，对上述得到的预测误差序列进行重构，根据该序列与原来的预测误差序列之差(重构误差)的绝对值的总和来算出异常得分(步骤2F202)。
接着，控制器11的检测部112确认异常得分是否小于阈值γ。在该确认的结果是异常得分小于γ的情况下(步骤2F203：是)，该检测部112作为没有发生异常而在该时刻结束处理。
另一方面，在上述的确认的结果是异常得分并非小于γ的情况下(步骤2F203：否)，上述的检测部112作为检测到异常或其预兆，将处理转移至步骤2F204(步骤1F203)。
在此，阈值γ在将正常时的工作数据的异常得分的平均设为μ，将标准偏差设为σ时，设为μ+2σ，但也可以设定其他值。
最后，控制器11的检测部112制成检测结果数据1D4，储存至本地数据管理部113。此外，终端13的显示部131读取相应的控制器11的本地数据管理部113的检测结果数据1D4，例如经由对终端13的输出，对操作者提示检测结果(步骤1F204)。
——用户界面——
用户界面基本上是与第一实施方式同样的结构，但由于没有与窗宽相应的信息，所以窗宽显示窗格1G104被省略。另一方面，如图18所示，也可以将上述的预测误差序列的总和显示为异常得分。由此，使得用户能够判断预测模型较好地预测且异常得分低之处、预测模型不能较好地预测而异常得分低的地方。
如以上说明的那样，异常得分根据预测模型对于工作数据的预测能力而被调整，在正常时都成为同程度。也就是说，根据在第一实施方式中叙述的方法，在能够较好地预测之处积极地评价异常性，在不能较好地预测之处消极地评价异常性。取得其平衡从而异常得分成为同程度。由此，阈值决定被简化。
此外，不是1点的预测，而是使用多个点的预测值序列来评价异常得分，因此在预测能力高之处偏离预测时异常得分大为变化。其结果，正常时和异常时之差变得明确，操作者能够容易地决定异常得分的阈值，且误检测减少。
此外，操作者能够确认算出的窗宽的信息作为预测能力。其结果，例如，操作者能够判断是在预测能力高的状况下异常得分也高(异常检测系统1具有确信的通报)，还是在预测能力低的状况下异常得分高(异常检测系统1不具有确信的通报)。
此外，若与预测模型制成当时相比窗宽表示更低的值，还能够判断为监视对象变化的可能性高而需要重制预测模型。
此外，根据第二实施方式，使用预测模型的预测值序列与观测值序列的误差的复原误差来评价异常性。由此，在预测模型不能较好地预测的情况下，只要是正常时可见的情况，则异常得分也被保持得小，仍然在正常时异常得分成为同程度。由此，阈值决定被简化。
以上，具体地说明了用于实施本发明的最佳方式等，但本发明并非限定于此，能够在不脱离其主旨的范围中进行各种变更。
通过本说明书的记载，至少下面的内容变得明确。即，在本实施方式的异常检测系统中，也可以设为所述运算装置通过所述预测模型，基于过去的工作数据，对至规定时间以后的将来的时序数据或该时序数据的发生概率进行结构化预测，基于所述结构化预测的结果与从所述装置得到的工作数据之间的背离情形的积蓄量，算出所述异常得分。
据此，通过结构化预测(Structured prediction)，不仅预测1点数据，还能够进行与表示规定的构造的多个点相关的将来预测，能够高效地进行异常得分的调整。
在本实施方式的异常检测系统中，也可以设为所述运算装置在所述调整的处理时，基于所述预测模型的预测能力，改变所述将来的时序数据的预测的窗宽，从而进行调整以使各异常得分相对于关于正常时的工作数据得到的得分处于规定范围内。
据此，根据基于预测模型的预测能力的适当的窗宽，能够高效地进行异常得分的高精度的调整。
在本实施方式的异常检测系统中，也可以是所述运算装置使用编码器/解码器模型作为所述预测模型，输出与所述将来的时序数据相关的预测值。
据此，使用编码器/解码器模型作为预测模型，能够得到与时序数据相关的高精度的预测值。
在本实施方式的异常检测系统中，也可以设为所述运算装置使用生成模型作为所述预测模型，输出与将来的工作数据相关的概率分布的统计量或样本。
据此，使用以VAE(变分自动编码器(Variational Auto Encoder))等为代表的生成模型作为预测模型，能够输出与将来的数据相关的概率分布的统计量或样本。
在本实施方式的异常检测系统中，也可以是所述运算装置使用神经网络的中间表现来预测所述窗宽。
据此，能够使用神经网络的中间表现(内部状态)来预测窗宽。
在本实施方式的异常检测系统中，所述运算装置在所述异常得分超过预先决定的阈值的情况下，如果与所述异常得分对应的工作数据的模式是在正常时也出现的已知的模式，则作为例外而不判定为异常或异常的预兆。
据此，即使是在以往判定为异常的状况下，关于本质上正常的状况，能够避免将误报通知给对监视者等情况。
在本实施方式的异常检测系统中，也可以是所述运算装置除了所述异常得分或所述检测的结果之外，还将在计算所述异常得分中使用的窗宽的信息显示在输出装置中。
据此，通过提示窗宽的信息，从而监视者等易于辨识预测模型的预测能力、与其相应的预测误差(异常得分)的举动等。
在本实施方式的异常检测系统中，也可以是所述运算装置将所述预测模型中的相对于正常时数据的预测误差的重构误差设为所述异常得分。
据此，以与基于上述调整窗宽的方法相比更高效且高精度地降低误检测，此外，将正常时与异常时之差明确，能够使得决定异常得分的阈值变得容易。
在本实施方式的异常检测系统中，也可以是所述运算装置使用时序预测模型或统计性预测模型作为所述预测模型。
据此，使用时序预测模型或统计性预测模型作为预测模型，能够得到与时序数据等相关的高精度的预测值。
在本实施方式的异常检测系统中，也可以设为所述运算装置在算出所述预测误差的重构误差时，使用统计性预测模型。
据此，在算出重构误差中使用统计性预测模型，能够得到高精度的预测值。
在本实施方式的异常检测系统中，也可以设为所述运算装置在所述输出装置中，与所述异常得分相应地显示所述预测误差。
据此，通过提示预测误差的信息，从而监视者等易于辨识预测模型的预测能力、与其相应的预测误差(异常得分)的举动等。

Claims (13)

1.一种异常检测系统，其特征在于，具备执行以下处理的运算装置：
基于作为监视对象的规定装置的工作数据，学习用于预测该规定装置的动作的预测模型的处理；
进行调整以使各异常得分相对于关于正常时的工作数据得到的得分处于规定范围内的处理，所述各异常得分是基于所述预测模型的预测结果与从所述规定装置得到的各工作数据之间的背离情形的各异常得分；
基于所述调整后的异常得分来检测异常或异常的预兆的处理；以及
将所述异常得分或所述检测的结果中的至少任一个的信息显示在输出装置中的处理。
2.如权利要求1所述的异常检测系统，其特征在于，
所述运算装置通过所述预测模型，基于过去的工作数据，对至规定时间以后为止的将来的时序数据或该时序数据的发生概率进行结构化预测，
所述运算装置基于所述结构化预测的结果与从所述规定装置得到的工作数据之间的背离情形的积蓄量，算出所述异常得分。
3.如权利要求2所述的异常检测系统，其特征在于，
所述运算装置在进行所述调整的处理时，基于所述预测模型的预测能力，改变所述将来的时序数据的预测的窗宽，从而进行调整以使各异常得分相对于关于正常时的工作数据得到的得分处于规定范围内。
4.如权利要求2所述的异常检测系统，其特征在于，
所述运算装置使用编码器/解码器模型作为所述预测模型，输出与所述将来的时序数据相关的预测值。
5.如权利要求1所述的异常检测系统，其特征在于，
所述运算装置使用生成模型作为所述预测模型，输出与将来的工作数据相关的概率分布的统计量或样本。
6.如权利要求3所述的异常检测系统，其特征在于，
所述运算装置使用神经网络的中间表现来预测所述窗宽。
7.如权利要求2所述的异常检测系统，其特征在于，
所述运算装置在所述异常得分超过预先决定的阈值的情况下，如果与所述异常得分对应的工作数据的模式是在正常时也出现的已知的模式，则作为例外而不判定为异常或异常的预兆。
8.如权利要求3所述的异常检测系统，其特征在于，
所述运算装置除了所述异常得分或所述检测的结果之外，还将在计算所述异常得分中使用的窗宽的信息显示在输出装置中。
9.如权利要求1所述的异常检测系统，其特征在于，
所述运算装置将所述预测模型中的相对于正常时数据的预测误差的重构误差作为所述异常得分。
10.如权利要求9所述的异常检测系统，其特征在于，
所述运算装置使用时序预测模型或统计性预测模型作为所述预测模型。
11.如权利要求9所述的异常检测系统，其特征在于，
所述运算装置在算出所述预测误差的重构误差时，使用统计性预测模型。
12.如权利要求9所述的异常检测系统，其特征在于，
所述运算装置在所述输出装置中与所述异常得分相应地显示所述预测误差。
13.一种异常检测方法，其特征在于，信息处理系统执行以下处理：
基于作为监视对象的规定装置的工作数据，学习用于预测该规定装置的动作的预测模型的处理；
进行调整以使各异常得分相对于关于正常时的工作数据得到的得分处于规定范围内的处理，各异常得分是基于所述预测模型的预测结果与从所述规定装置得到的各工作数据之间的背离情形的各异常得分；
基于所述调整后的异常得分来检测异常或异常的预兆的处理；以及
将所述异常得分或所述检测的结果中的至少任一个的信息显示在输出装置中的处理。
CN201810076586.8A 2017-03-23 2018-01-26 异常检测系统及异常检测方法 Active CN108628281B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2017056869A JP7017861B2 (ja) 2017-03-23 2017-03-23 異常検知システムおよび異常検知方法
JP2017-056869 2017-03-23

Publications (2)

Publication Number Publication Date
CN108628281A true CN108628281A (zh) 2018-10-09
CN108628281B CN108628281B (zh) 2021-01-26

Family

ID=61563138

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810076586.8A Active CN108628281B (zh) 2017-03-23 2018-01-26 异常检测系统及异常检测方法

Country Status (4)

Country Link
US (1) US20180275642A1 (zh)
EP (1) EP3379360B1 (zh)
JP (1) JP7017861B2 (zh)
CN (1) CN108628281B (zh)

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109543743A (zh) * 2018-11-19 2019-03-29 天津大学 一种基于重建预测残差的制冷机组多传感器故障诊断方法
CN109783361A (zh) * 2018-12-14 2019-05-21 平安壹钱包电子商务有限公司 确定代码质量的方法和装置
CN109978379A (zh) * 2019-03-28 2019-07-05 北京百度网讯科技有限公司 时序数据异常检测方法、装置、计算机设备和存储介质
CN110059894A (zh) * 2019-04-30 2019-07-26 无锡雪浪数制科技有限公司 设备状态评估方法、装置、系统及存储介质
CN110462594A (zh) * 2018-11-02 2019-11-15 阿里巴巴集团控股有限公司 监测多个系统指标
CN110473084A (zh) * 2019-07-17 2019-11-19 中国银行股份有限公司 一种异常检测方法和装置
CN111277603A (zh) * 2020-02-03 2020-06-12 杭州迪普科技股份有限公司 无监督异常检测系统和方法
CN111667065A (zh) * 2019-03-05 2020-09-15 埃莱西株式会社 异常模式检测系统和方法
CN111708739A (zh) * 2020-05-21 2020-09-25 北京奇艺世纪科技有限公司 时序数据的异常检测方法、装置、电子设备及存储介质
CN112598111A (zh) * 2020-12-04 2021-04-02 光大科技有限公司 异常数据的识别方法和装置
CN112949344A (zh) * 2019-11-26 2021-06-11 四川大学 一种用于异常检测的特征自回归方法
CN112955839A (zh) * 2018-10-30 2021-06-11 国立研究开发法人宇宙航空研究开发机构 异常检测装置、异常检测方法和程序
CN112990372A (zh) * 2021-04-27 2021-06-18 北京瑞莱智慧科技有限公司 一种数据处理方法、模型训练方法、装置及电子设备
CN113196707A (zh) * 2018-12-19 2021-07-30 日本电信电话株式会社 检测装置、检测方法及检测程序
CN113396370A (zh) * 2019-03-07 2021-09-14 东芝数字解决方案株式会社 协调型学习系统以及监视系统
CN113447287A (zh) * 2020-03-25 2021-09-28 株式会社日立制作所 异常检测装置和方法
CN113701431A (zh) * 2020-05-21 2021-11-26 东芝生活电器株式会社 信息处理系统
CN113748387A (zh) * 2019-05-29 2021-12-03 欧姆龙株式会社 控制系统、支持装置以及支持程序
CN113807527A (zh) * 2020-06-11 2021-12-17 华硕电脑股份有限公司 信号检测方法及使用其的电子装置
CN117851752A (zh) * 2023-12-04 2024-04-09 广州市广软物联网科技有限公司 目标物重量监测方法、系统及存储介质

Families Citing this family (63)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10419931B1 (en) * 2016-08-25 2019-09-17 EMC IP Holding Company LLC Security for network computing environment using centralized security system
US10637878B2 (en) * 2017-02-28 2020-04-28 Micro Focus Llc Multi-dimensional data samples representing anomalous entities
US11237939B2 (en) * 2017-03-01 2022-02-01 Visa International Service Association Predictive anomaly detection framework
US10650001B2 (en) * 2017-10-05 2020-05-12 Google Llc Disaggregating latent causes for computer system optimization
US12099571B2 (en) * 2018-01-18 2024-09-24 Ge Infrastructure Technology Llc Feature extractions to model large-scale complex control systems
WO2019166397A1 (en) * 2018-02-28 2019-09-06 Robert Bosch Gmbh Intelligent audio analytic apparatus (iaaa) and method for space system
US10402726B1 (en) * 2018-05-03 2019-09-03 SparkCognition, Inc. Model building for simulation of one or more target features
US10965708B2 (en) * 2018-06-06 2021-03-30 Whitehat Security, Inc. Systems and methods for machine learning based application security testing
JP7056406B2 (ja) * 2018-06-22 2022-04-19 日本電信電話株式会社 センサノード及びデータセンタとして機能する装置、センサネットワーク、通信方法及びプログラム
EP3594860B1 (en) * 2018-07-09 2024-05-08 Tata Consultancy Services Limited Sparse neural network based anomaly detection in multi-dimensional time series
JP6885911B2 (ja) 2018-10-16 2021-06-16 アイダエンジニアリング株式会社 プレス機械及びプレス機械の異常監視方法
CN109543943B (zh) * 2018-10-17 2023-07-25 国网辽宁省电力有限公司电力科学研究院 一种基于大数据深度学习的电价稽查执行方法
JP7028133B2 (ja) * 2018-10-23 2022-03-02 オムロン株式会社 制御システムおよび制御方法
JP7220550B2 (ja) 2018-11-12 2023-02-10 三菱重工業株式会社 エッジ装置、接続確立システム、接続確立方法及びプログラム
EP3690581B1 (en) * 2019-01-30 2021-02-17 Bühler AG System and method for detecting and measuring anomalies in signaling originating from components used in industrial processes
CN113454553B (zh) * 2019-01-30 2022-07-05 布勒有限公司 用于检测和测量源自工业过程中使用的部件的信令中的异常的系统和方法
JP7358755B2 (ja) * 2019-03-15 2023-10-11 株式会社リコー 診断装置、診断方法、及び診断プログラム
US20220147032A1 (en) * 2019-03-19 2022-05-12 Nec Corporation Monitoring method, monitoring apparatus, and program
KR20210145769A (ko) * 2019-03-26 2021-12-02 도쿄엘렉트론가부시키가이샤 상태 판정 장치, 상태 판정 방법 및 컴퓨터 판독 가능한 기록 매체
WO2020201989A1 (en) 2019-03-29 2020-10-08 Tata Consultancy Services Limited Method and system for anomaly detection and diagnosis in industrial processes and equipment
US11922301B2 (en) 2019-04-05 2024-03-05 Samsung Display Co., Ltd. System and method for data augmentation for trace dataset
JP7328799B2 (ja) * 2019-06-12 2023-08-17 株式会社日立製作所 ストレージシステムおよび記憶制御方法
US11316851B2 (en) 2019-06-19 2022-04-26 EMC IP Holding Company LLC Security for network environment using trust scoring based on power consumption of devices within network
JP2021009441A (ja) * 2019-06-28 2021-01-28 ルネサスエレクトロニクス株式会社 異常検知システム及び異常検知プログラム
CN110427320B (zh) * 2019-07-24 2022-10-11 长安大学 一种轻量级嵌入式程序控制流异常定位检测方法
US11410891B2 (en) 2019-08-26 2022-08-09 International Business Machines Corporation Anomaly detection and remedial recommendation
US20210065059A1 (en) * 2019-08-27 2021-03-04 Nec Laboratories America, Inc. Monitoring computing system status by implementing a deep unsupervised binary coding network
JP2021039685A (ja) * 2019-09-05 2021-03-11 株式会社デンソーテン 異常検出装置および異常検出方法
US11710045B2 (en) 2019-10-01 2023-07-25 Samsung Display Co., Ltd. System and method for knowledge distillation
JP7204626B2 (ja) * 2019-10-01 2023-01-16 株式会社東芝 異常検知装置、異常検知方法および異常検知プログラム
CN110830448B (zh) * 2019-10-16 2022-09-13 支付宝(杭州)信息技术有限公司 目标事件的流量异常检测方法、装置、电子设备及介质
JP7381353B2 (ja) * 2020-01-21 2023-11-15 三菱重工エンジン＆ターボチャージャ株式会社 予測装置、予測方法およびプログラム
US11312374B2 (en) * 2020-01-31 2022-04-26 International Business Machines Corporation Prediction of accident risk based on anomaly detection
JP7484281B2 (ja) * 2020-03-23 2024-05-16 株式会社レゾナック 対策方法選定支援システム、及び方法
EP3893069A1 (de) * 2020-04-06 2021-10-13 Siemens Aktiengesellschaft Stationäre ursachenanalyse bei technischen anlagen
EP3916667A1 (en) * 2020-05-29 2021-12-01 Fortia Financial Solutions Real-time time series prediction for anomaly detection
CN111930597B (zh) * 2020-08-13 2023-09-22 南开大学 基于迁移学习的日志异常检测方法
JP7514143B2 (ja) 2020-08-19 2024-07-10 オルガノ株式会社 プラント設備の診断方法及び装置
JP7318612B2 (ja) * 2020-08-27 2023-08-01 横河電機株式会社 監視装置、監視方法、および監視プログラム
US20230334361A1 (en) * 2020-09-18 2023-10-19 Nippon Telegraph And Telephone Corporation Training device, training method, and training program
CN112565275B (zh) * 2020-12-10 2022-09-20 杭州安恒信息技术股份有限公司 一种网络安全场景的异常检测方法、装置、设备及介质
CN112685273B (zh) * 2020-12-29 2024-07-16 京东科技控股股份有限公司 异常检测方法、装置、计算机设备和存储介质
JP7359174B2 (ja) 2021-03-01 2023-10-11 横河電機株式会社 測定データ記録装置、生成装置、システム、装置、方法およびプログラム
US11941155B2 (en) 2021-03-15 2024-03-26 EMC IP Holding Company LLC Secure data management in a network computing environment
CN113312809B (zh) * 2021-04-06 2022-12-13 北京航空航天大学 一种基于相关团划分的航天器遥测数据多参数异常检测方法
CN113191678B (zh) * 2021-05-21 2023-01-10 联洋国融(北京)科技有限公司 基于物联网和人工智能的安全生产指标异常快速感知方法
CN113110403B (zh) * 2021-05-25 2022-05-17 中南大学 一种基于稀疏约束的工业过程离群点检测与故障诊断方法和系统
EP4350547A4 (en) * 2021-05-26 2024-09-25 Panasonic Ip Corp America ANOMALY DETECTION SYSTEM, ANOMALY DETECTION METHOD AND PROGRAM
JP2022190376A (ja) * 2021-06-14 2022-12-26 株式会社日立製作所 異常検知システムおよび方法
CN113469247B (zh) * 2021-06-30 2022-04-01 广州天懋信息系统股份有限公司 网络资产异常检测方法
JP7353539B2 (ja) * 2021-07-21 2023-09-29 三菱電機株式会社 定常範囲決定システム、定常範囲決定方法、および、定常範囲決定プログラム
JP2023042945A (ja) * 2021-09-15 2023-03-28 株式会社東芝 監視装置、方法およびプログラム
KR102539448B1 (ko) * 2021-11-09 2023-06-05 주식회사 스피랩 딥러닝 기반 IIoT 설비 이상탐지 방법
CN114298141A (zh) * 2021-11-19 2022-04-08 中国华能集团清洁能源技术研究院有限公司 基于深度学习的发电设备异常检测方法及系统
CN114332537A (zh) * 2021-12-30 2022-04-12 畅捷通信息技术股份有限公司 一种基于深度学习的多云数据异常检测方法和系统
NO20220004A1 (en) * 2022-01-03 2023-07-04 Elliptic Laboratories Asa Robust virtual sensor
EP4220321A1 (de) * 2022-01-26 2023-08-02 Siemens Aktiengesellschaft Computer-implementiertes verfahren zur erkennung von abweichungen in einem herstellungsprozess
EP4224371A1 (de) * 2022-02-03 2023-08-09 Siemens Aktiengesellschaft Verfahren zum diebstahlschutz von maschinenlernmodulen sowie schutzsystem
FI20225225A1 (en) * 2022-03-14 2023-09-15 Elisa Oyj METHOD AND SYSTEM FOR DETECTING ANOVAS IN TIME SERIES DATA
FR3140185A1 (fr) * 2022-09-22 2024-03-29 Safran Aircraft Engines Procédé et dispositif de détection d’anomalie de fonctionnement d’un aéronef
CN115495320B (zh) * 2022-11-16 2023-02-17 智联信通科技股份有限公司 一种基于大数据的通信机房防护的监测管理系统
FR3145426A1 (fr) * 2023-01-27 2024-08-02 Diagrams Technologies Procédé pour détecter des anomalies de fonctionnement d’un équipement industriel à partir de scores d’anomalie et installation correspondante
CN117411518B (zh) * 2023-10-17 2024-09-27 北京合众科创科技有限公司 一种电力信息采集方法与系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007004769A (ja) * 2005-05-25 2007-01-11 Nippon Petroleum Refining Co Ltd 石油精製プラントのパラメータ予測装置及びパラメータ予測方法
US20070028219A1 (en) * 2004-10-15 2007-02-01 Miller William L Method and system for anomaly detection
US20140006330A1 (en) * 2012-06-28 2014-01-02 International Business Machines Corporation Detecting anomalies in real-time in multiple time series data with automated thresholding
CN104020724A (zh) * 2013-03-01 2014-09-03 中芯国际集成电路制造(上海)有限公司 告警监控方法和装置
US20150170147A1 (en) * 2013-12-13 2015-06-18 Cellco Partnership (D/B/A Verizon Wireless) Automated transaction cancellation
US20150254125A1 (en) * 2013-01-11 2015-09-10 Hitachi, Ltd. Information processing system monitoring apparatus, monitoring method, and monitoring program
JP2016045861A (ja) * 2014-08-26 2016-04-04 株式会社豊田中央研究所 異常診断装置及びプログラム
WO2016088362A1 (ja) * 2014-12-05 2016-06-09 日本電気株式会社 システム分析装置、システム分析方法および記憶媒体
WO2016181593A1 (ja) * 2015-05-13 2016-11-17 日本電気株式会社 漏水状態推定システム、方法、および記録媒体

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7457785B1 (en) * 2000-08-25 2008-11-25 Battelle Memorial Institute Method and apparatus to predict the remaining service life of an operating system
JP2013025367A (ja) * 2011-07-15 2013-02-04 Wakayama Univ 設備状態監視方法およびその装置
JP2015109024A (ja) * 2013-12-05 2015-06-11 日本電信電話株式会社 画像辞書生成装置、画像辞書生成方法及びコンピュータプログラム

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070028219A1 (en) * 2004-10-15 2007-02-01 Miller William L Method and system for anomaly detection
JP2007004769A (ja) * 2005-05-25 2007-01-11 Nippon Petroleum Refining Co Ltd 石油精製プラントのパラメータ予測装置及びパラメータ予測方法
US20140006330A1 (en) * 2012-06-28 2014-01-02 International Business Machines Corporation Detecting anomalies in real-time in multiple time series data with automated thresholding
US20150254125A1 (en) * 2013-01-11 2015-09-10 Hitachi, Ltd. Information processing system monitoring apparatus, monitoring method, and monitoring program
CN104020724A (zh) * 2013-03-01 2014-09-03 中芯国际集成电路制造(上海)有限公司 告警监控方法和装置
US20150170147A1 (en) * 2013-12-13 2015-06-18 Cellco Partnership (D/B/A Verizon Wireless) Automated transaction cancellation
JP2016045861A (ja) * 2014-08-26 2016-04-04 株式会社豊田中央研究所 異常診断装置及びプログラム
WO2016088362A1 (ja) * 2014-12-05 2016-06-09 日本電気株式会社 システム分析装置、システム分析方法および記憶媒体
WO2016181593A1 (ja) * 2015-05-13 2016-11-17 日本電気株式会社 漏水状態推定システム、方法、および記録媒体

Cited By (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112955839A (zh) * 2018-10-30 2021-06-11 国立研究开发法人宇宙航空研究开发机构 异常检测装置、异常检测方法和程序
CN110462594A (zh) * 2018-11-02 2019-11-15 阿里巴巴集团控股有限公司 监测多个系统指标
WO2020087489A1 (en) * 2018-11-02 2020-05-07 Alibaba Group Holding Limited Monitoring multiple system indicators
US11042461B2 (en) 2018-11-02 2021-06-22 Advanced New Technologies Co., Ltd. Monitoring multiple system indicators
CN110462594B (zh) * 2018-11-02 2023-11-14 创新先进技术有限公司 监测多个系统指标的方法和系统
CN109543743A (zh) * 2018-11-19 2019-03-29 天津大学 一种基于重建预测残差的制冷机组多传感器故障诊断方法
CN109543743B (zh) * 2018-11-19 2023-04-07 天津大学 一种基于重建预测残差的制冷机组多传感器故障诊断方法
CN109783361A (zh) * 2018-12-14 2019-05-21 平安壹钱包电子商务有限公司 确定代码质量的方法和装置
CN113196707A (zh) * 2018-12-19 2021-07-30 日本电信电话株式会社 检测装置、检测方法及检测程序
CN111667065A (zh) * 2019-03-05 2020-09-15 埃莱西株式会社 异常模式检测系统和方法
CN113396370A (zh) * 2019-03-07 2021-09-14 东芝数字解决方案株式会社 协调型学习系统以及监视系统
CN109978379A (zh) * 2019-03-28 2019-07-05 北京百度网讯科技有限公司 时序数据异常检测方法、装置、计算机设备和存储介质
CN110059894B (zh) * 2019-04-30 2020-06-26 无锡雪浪数制科技有限公司 设备状态评估方法、装置、系统及存储介质
CN110059894A (zh) * 2019-04-30 2019-07-26 无锡雪浪数制科技有限公司 设备状态评估方法、装置、系统及存储介质
CN113748387A (zh) * 2019-05-29 2021-12-03 欧姆龙株式会社 控制系统、支持装置以及支持程序
CN110473084A (zh) * 2019-07-17 2019-11-19 中国银行股份有限公司 一种异常检测方法和装置
CN112949344A (zh) * 2019-11-26 2021-06-11 四川大学 一种用于异常检测的特征自回归方法
CN112949344B (zh) * 2019-11-26 2023-03-31 四川大学 一种用于异常检测的特征自回归方法
CN111277603A (zh) * 2020-02-03 2020-06-12 杭州迪普科技股份有限公司 无监督异常检测系统和方法
CN111277603B (zh) * 2020-02-03 2021-11-19 杭州迪普科技股份有限公司 无监督异常检测系统和方法
CN113447287A (zh) * 2020-03-25 2021-09-28 株式会社日立制作所 异常检测装置和方法
CN113447287B (zh) * 2020-03-25 2024-03-15 株式会社日立制作所 异常检测装置和方法
CN113701431A (zh) * 2020-05-21 2021-11-26 东芝生活电器株式会社 信息处理系统
CN111708739A (zh) * 2020-05-21 2020-09-25 北京奇艺世纪科技有限公司 时序数据的异常检测方法、装置、电子设备及存储介质
CN111708739B (zh) * 2020-05-21 2024-02-27 北京奇艺世纪科技有限公司 时序数据的异常检测方法、装置、电子设备及存储介质
CN113807527A (zh) * 2020-06-11 2021-12-17 华硕电脑股份有限公司 信号检测方法及使用其的电子装置
CN112598111A (zh) * 2020-12-04 2021-04-02 光大科技有限公司 异常数据的识别方法和装置
CN112598111B (zh) * 2020-12-04 2024-09-20 光大科技有限公司 异常数据的识别方法和装置
CN112990372A (zh) * 2021-04-27 2021-06-18 北京瑞莱智慧科技有限公司 一种数据处理方法、模型训练方法、装置及电子设备
CN117851752A (zh) * 2023-12-04 2024-04-09 广州市广软物联网科技有限公司 目标物重量监测方法、系统及存储介质

Also Published As

Publication number Publication date
US20180275642A1 (en) 2018-09-27
EP3379360A3 (en) 2018-10-17
JP2018160093A (ja) 2018-10-11
JP7017861B2 (ja) 2022-02-09
EP3379360B1 (en) 2019-11-27
EP3379360A2 (en) 2018-09-26
CN108628281B (zh) 2021-01-26

Similar Documents

Publication Publication Date Title
CN108628281A (zh) 异常检测系统及异常检测方法
CN108604360B (zh) 设施异常监测方法及其系统
CN106872657B (zh) 一种多变量水质参数时序数据异常事件检测方法
JP7007243B2 (ja) 異常検知システム
US20180365089A1 (en) Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model
US10373065B2 (en) Generating database cluster health alerts using machine learning
CN110414155A (zh) 一种带有单测点的风机部件温度异常检测和报警方法
KR20160143512A (ko) 머신 러닝을 위한 진보된 분석 기반시설
CN117114454B (zh) 一种基于Apriori算法的直流套管状态评估方法及系统
CN111033413B (zh) 监视设备和用于监视系统的方法
US10678887B2 (en) Monitoring device, method and computer-readable recording medium for controlling monitoring device
ES2963926T3 (es) Método para monitorización del estado de subsistemas dentro de una planta de generación renovable o microrred
CN116224137A (zh) 一种ups设备故障预警方法及系统
US20230038164A1 (en) Monitoring and alerting system backed by a machine learning engine
CN115358155A (zh) 一种电力大数据异常预警方法、装置、设备及可读存储介质
CN110703743A (zh) 设备故障预测与检测系统和方法
JP7248103B2 (ja) 異常検知方法、異常検知装置、プログラム
Vigier et al. An application of OWA operators in fuzzy business diagnosis
KR102420120B1 (ko) 전력량 측정장치의 이상상태 모니터링 시스템
Atzmueller et al. Anomaly detection and structural analysis in industrial production environments
CN117216481A (zh) 一种用于电器的远程监控方法及系统
EP3416012B1 (en) Monitoring device, and method for controlling monitoring device
Hu et al. Digital twin-enhanced predictive maintenance for indoor climate: a parallel LSTM-autoencoder failure prediction approach
Wagner et al. An overview of useful data and analyzing techniques for improved multivariate diagnostics and prognostics in condition-based maintenance
Mousavi et al. Simulation-based real-time performance monitoring (simmon): A platform for manufacturing and healthcare systems

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant