CN112639844A - 控制系统以及控制方法 - Google Patents

控制系统以及控制方法 Download PDF

Info

Publication number
CN112639844A
CN112639844A CN201980057521.1A CN201980057521A CN112639844A CN 112639844 A CN112639844 A CN 112639844A CN 201980057521 A CN201980057521 A CN 201980057521A CN 112639844 A CN112639844 A CN 112639844A
Authority
CN
China
Prior art keywords
data
score
unit
data set
compression
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.)
Pending
Application number
CN201980057521.1A
Other languages
English (en)
Inventor
徳隆宏
宫本幸太
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.)
Omron Corp
Original Assignee
Omron Corp
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 Omron Corp filed Critical Omron Corp
Publication of CN112639844A publication Critical patent/CN112639844A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
    • H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
    • H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
    • H03M7/3059—Digital compression and data reduction techniques where the original information is represented by a subset or similar information, e.g. lossy compression
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • 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
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
    • H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
    • H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
    • H03M7/60—General implementation details not specific to a particular type of compression
    • H03M7/6041—Compression optimized for errors

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (AREA)

Abstract

控制系统包括：生成部，对应于每个单位区间而生成数据集；特征提取部，基于数据集来生成特征量数据；以及得分计算部，参照学习数据，算出表示特征量数据相对于学习数据的偏离程度的得分。特征量数据以及得分被输出作为数据集的压缩结果。控制系统包括恢复部，所述恢复部选择与根据压缩结果中所含的得分而决定的类别对应的图案数据，并且使用所述压缩结果中所含的特征量数据进行调整，从而恢复为与所述压缩结果对应的数据集的时间变化。

Description

控制系统以及控制方法
技术领域
本发明涉及一种能够保存输入值的时间变化的控制系统以及控制方法。
背景技术
在各种生产现场，存在想要在早期探测机械或装置等中产生的异常以提高设备运转率的需求。作为典型的异常监测的方法，从机械或装置收集数据，并且基于所收集的数据来判断是否产生了某些异常。
另一方面，即使在判断为产生了某些异常的情况下，也有时在现实中并未发生任何异常。因此，除了监测结果以外，多要求保存从机械或装置收集的数据(以下也称作“原始数据”)。通过对此种经保存的原始数据进行事后分析，能够利用于异常监测的算法或阈值等的调谐(tuning)。
一般而言，长期的原始数据的保存需要大量的保存区域。因此，存在想要尽可能削减保存区域的需求。
例如，日本专利特开平05-089009号公报(专利文献1)公开了一种收发压缩数据的网络控制器。专利文献1中公开的网络控制器采用下述结构，即：包括设定有是否进行数据压缩的数据的寄存器，在发送时，参照在寄存器中设定的内容，由此，将原始数据或经由压缩电路的数据输出至收发器(transceiver)，在接收时，按照由判定逻辑对经由接收器所接收的数据进行解读的内容，作为原始数据或者经由恢复电路而导入至内部。
而且，国际公开第2016/068895号(专利文献2)公开了一种方法：基于上下文知识来进行压缩算法的选择以及参数的调整，并压缩原始数据。
现有技术文献
专利文献
专利文献1：日本专利特开平05-089009号公报
专利文献2：国际公开第2016/068895号
发明内容
发明所要解决的问题
通常，对于异常监测的处理自身必须分配资源，也有时无法追加执行专利文献1以及专利文献2中公开的用于数据压缩的处理。因此，期望除了异常监测处理以外，还能够更有效率地实现原始数据的保存的结构。
解决问题的技术手段
依据本发明的一例的控制系统包括：生成部，对应于每个单位区间而生成包含一个或多个输入值的时间变化的数据集；特征提取部，基于数据集来生成特征量数据；以及得分计算部，参照包含被标记有特定类别的特征量数据的学习数据，算出表示特征量数据相对于学习数据的偏离程度的得分。特征量数据以及得分被输出作为数据集的压缩结果。控制系统包括恢复部，所述恢复部参照预先准备的每个类别的图案数据，选择与根据压缩结果中所含的得分而决定的类别对应的图案数据，并且使用所述压缩结果中所含的特征量数据进行调整，从而恢复为与所述压缩结果对应的数据集的时间变化。
根据本结构，控制系统输出也被用于异常监测的特征量数据以及得分来作为数据集的压缩结果，由此，与直接保存包含一个或多个输入值的时间变化的数据集的情况相比，能够大幅降低所需的保存区域。而且，选择与根据压缩结果中所含的得分而决定的类别对应的图案数据，并且使用所述压缩结果中所含的特征量数据进行调整，从而恢复为与所述压缩结果对应的数据集的时间变化，由此，能够简化数据恢复处理。
所述结构中，也可为，连续输出多个所述压缩结果，恢复部根据各个压缩结果而连续恢复数据集的时间变化。
根据本结构，即便是遍及多个单位区间的时间变化，也能够适当地进行压缩以及恢复。
所述结构中，也可为，特征量数据包含关于数据集的平均值以及标准偏差，恢复部基于关于数据集的平均值以及标准偏差，对于对应的图案数据进行反归一化，由此来恢复所述数据集的时间变化。
根据本结构，通过使用平均值以及标准偏差，能够实现再现性高的数据恢复。
所述结构中，控制系统还包括：采样部，当压缩结果中所含的得分超过预先规定的值时，提取与所述压缩结果对应的数据集的时间变化。
根据本结构，即使在产生了与预先准备的每个类别的图案数据不同的时间变化的情况下，通过追加新的图案数据，仍能够提高所恢复的时间变化的再现性能。
所述结构中，采样部在所提取的数据集的时间变化从预先准备的图案数据的背离度超过预先规定的值时，追加所述提取的数据集的时间变化来作为恢复部参照的图案数据。
根据本结构，只是新追加由采样部所提取的图案数据中的、与预先准备的图案数据不同的图案数据，因此能够使保存区域以及处理效率化。
所述结构中，除了特征量数据以及得分以外，还输出由采样部所追加的图案数据作为压缩结果。
根据本结构，即使在产生了与预先准备的图案数据不同的时间变化的情况下，在恢复部中也能够参照所追加的图案数据，因此能够提高再现性。
所述结构中，恢复部除了预先准备的图案数据以外，还参照由采样部所追加的图案数据来恢复数据集的时间变化。
根据本结构，恢复部除了预先准备的图案数据以外，还参照由采样部所追加的图案数据，因此能够提高再现性。
所述结构中，控制系统还包括：判定部，基于得分，来判定与一个或多个输入值关联的监测对象是否发生了异常。
根据本结构，除了包含一个或多个输入值的时间变化的数据集的保存以及恢复的处理以外，还能够使用同一信息来实现监测对象中的异常有无的监测。
所述结构中，包括：控制装置，对控制对象进行控制；以及外部装置，能够与所述控制装置进行通信。也可为，生成部、特征提取部以及得分计算部被配置在控制装置，恢复部被配置在外部装置。
根据本结构，能够在控制装置中，执行包含一个或多个输入值的时间变化的数据集的保存处理，并且在外部装置中恢复所保存的数据集。
依据本发明的另一例，提供一种控制方法，是在包含对控制对象进行控制的控制装置的控制系统中执行。控制方法包括下述步骤：对应于每个单位区间而生成包含一个或多个输入值的时间变化的数据集；基于数据集来生成特征量数据；以及参照包含被标记有特定类别的特征量数据的学习数据，算出表示特征量数据相对于学习数据的偏离程度的得分。特征量数据以及得分被输出作为数据集的压缩结果。且控制方法包括下述步骤：参照预先准备的每个类别的图案数据，选择与根据压缩结果中所含的得分而决定的类别对应的图案数据，并且使用所述压缩结果中所含的特征量数据进行调整，从而恢复为与所述压缩结果对应的数据集的时间变化。
根据本结构，控制系统输出也被用于异常监测的特征量数据以及得分来作为数据集的压缩结果，由此，与直接保存包含一个或多个输入值的时间变化的数据集的情况相比，能够大幅降低所需的保存区域。而且，选择与根据压缩结果中所含的得分而决定的类别对应的图案数据，并且使用所述压缩结果中所含的特征量数据进行调整，从而恢复为与所述压缩结果对应的数据集的时间变化，由此，能够简化数据恢复处理。
发明的效果
根据本发明，能够实现除了异常监测处理以外，还能够更有效率地实现原始数据的保存的结构。
附图说明
图1是表示依据本实施方式的异常监测系统的整体结构例的示意图。
图2是用于实现依据本实施方式的异常监测系统中的异常监测处理的功能框图。
图3是表示与依据本实施方式的异常监测系统中的原始数据的压缩以及恢复相关的处理流程的示意图。
图4是表示与图3所示的原始数据的压缩以及恢复相关的处理的处理内容的一例的示意图。
图5是表示构成依据本实施方式的异常监测系统的控制装置的硬件结构例的框图。
图6是表示构成依据本实施方式的异常监测系统的支持装置的硬件结构例的框图。
图7是表示能够实现与依据本实施方式的异常监测系统中的原始数据的压缩以及恢复相关的图案数据的动态管理的处理流程的示意图。
图8是用于说明依据本实施方式的异常监测系统中的正常时的原始数据的压缩处理的图。
图9是用于说明依据本实施方式的异常监测系统中的正常时的原始数据的恢复处理的图。
图10是用于说明依据本实施方式的异常监测系统中的异常时的原始数据的压缩处理的图。
图11是用于说明依据本实施方式的异常监测系统中的异常时的原始数据的恢复处理的图。
图12是表示仅显示依据本实施方式的异常监测处理中的监测结果的显示例的示意图。
图13是表示显示依据本实施方式的异常监测处理中的经恢复的原始数据的显示例的示意图。
图14是表示利用依据本实施方式的异常监测处理的原始数据的压缩处理的处理流程的流程图。
图15是表示利用依据本实施方式的异常监测处理的原始数据的恢复处理的处理流程的流程图。
图16是表示依据本实施方式的变形例的异常监测系统的整体结构例的示意图。
图17是表示依据本实施方式的另一变形例的异常监测系统的整体结构例的示意图。
具体实施方式
一边参照附图，一边详细说明本发明的实施方式。另外，对于图中的相同或相当的部分，标注相同的符号并不再重复其说明。
＜A.适用例＞
首先，对适用本发明的场景的一例进行说明。
对可执行依据本实施方式的异常监测处理的控制系统的功能结构例进行说明。以下的说明中，主要着眼于控制系统所具有的异常监测处理来进行说明，因此也将控制系统整体称作“异常监测系统”。
首先，对依据本实施方式的异常监测系统1的整体结构例进行说明。
图1是表示依据本实施方式的异常监测系统1的整体结构例的示意图。参照图1，异常监测系统1包含对控制对象进行控制的控制装置100以及可连接于控制装置100的支持装置200，以作为主要的构成元件。异常监测系统1还包含上位服务器300以及显示装置(人机接口(Human Machine Interface，HMI)，以下也称作“HMI”)400，以作为可选(optional)结构。
控制装置100生成判定结果，所述判定结果表示控制对象中所含的监测对象是否发生了某些异常。控制装置100也可作为可编程逻辑控制器(Programmable LogicController，PLC)(可编程控制器)等的一种计算机而具现化。
更具体而言，控制装置100经由第一现场总线2而与现场装置群10连接，并且经由第二现场总线4而与一个或多个HMI 400连接。进而，控制装置100经由局域网6而连接于上位服务器300。控制装置100经由各个网络来与所连接的装置之间交换数据。
控制装置100具有控制运算执行引擎，所述控制运算执行引擎执行用于控制设备或机械的各种运算。除了控制运算执行引擎以外，控制装置100还具有获取功能，即，获取在现场装置群10中获取并转发给控制装置100的数据(以下也称作“输入数据”)。并且，控制装置100还具有异常监测功能，即，基于所获取的输入数据等，来监测控制对象中的异常发生的有无。通过将这些功能安装于控制装置100，能够以更短的周期来监测控制对象中产生的异常。
关于此种异常监测的功能，安装于控制装置100的异常监测引擎150提供监测功能，安装于控制装置100内的内部数据库(database)(以下也称作“内部DB”)140提供各种数据的保存功能。内部DB 140以及异常监测引擎150的详细将后述。
作为第一现场总线2以及第二现场总线4，优选采用保证数据到达时间的、进行固定周期通信的网络。作为此种进行固定周期通信的网络，已知有EtherCAT(注册商标)等。
现场装置群10包含收集控制对象、或者与控制关联的制造装置或生产线等(以下也总称作“现场”)的状态值来作为输入数据的装置。作为此种获取状态值的装置，设想输入继电器或各种传感器等。现场装置群10还包含基于由控制装置100所生成的指令值(以下也称作“输出数据”)来对现场给予某些作用的装置。作为此种对现场给予某些作用的装置，设想输出继电器、接触器(contactor)、伺服驱动器及伺服马达、其他任意的致动器。这些现场装置群10经由第一现场总线2而与控制装置100之间交换包含输入数据以及输出数据的数据。
图1所示的结构例中，现场装置群10包含远程输入/输出(Input/Output，I/O)装置12、继电器群14、图像传感器18及摄像机20与伺服驱动器22及伺服马达24。
远程I/O装置12包含经由第一现场总线2进行通信的通信部、及用于进行输入数据的获取及输出数据的输出的输入/输出部(以下也称作“I/O单元”)。经由此种I/O单元，在控制装置100与现场之间交换输入数据以及输出数据。图1中表示了下述示例，即，经由继电器群14来交换作为输入数据以及输出数据的数字信号。
I/O单元也可直接连接于现场总线。图1表示了I/O单元16直接连接于第一现场总线2的示例。
图像传感器18对由摄像机20所拍摄的图像数据进行图案匹配等图像测量处理，并将其处理结果发送至控制装置100。
伺服驱动器22根据来自控制装置100的输出数据(例如位置指令等)来驱动伺服马达24。
如上所述，经由第一现场总线2而在控制装置100与现场装置群10之间交换数据，但这些交换的数据将以数百微秒级～数十毫秒级的极短周期而受到更新。另外，此种经交换的数据的更新处理也被称作I/O刷新处理。
支持装置200是支持控制装置100对控制对象进行控制所需的准备的装置。具体而言，支持装置200提供下述等功能，即，由控制装置100所执行的程序的开发环境(程序制作编辑工具、分析器、编译器等)、用于设定控制装置100以及连接于控制装置100的各种设备的参数(配置)的设定环境、将所生成的用户程序发送至控制装置100的功能、在线对在控制装置100上执行的用户程序等进行修正/变更的功能。进而，支持装置200还提供设定参数以及学习数据的功能等，所述参数对安装于控制装置100的异常监测引擎150所进行的异常监测处理进行定义。
上位服务器300经由局域网6而与控制装置100连接，与控制装置100之间交换所需的数据。上位服务器300例如具有数据库功能，定期地或者按照事件来收集保存在控制装置100的内部DB 140中的数据。在局域网6中，也可安装以太网(注册商标)等通用协议。
HMI 400经由第二现场总线4而与控制装置100连接，接受来自用户的操作，对控制装置100发送与用户操作相应的命令等，并且以图形方式显示控制装置100中的处理结果等。
接下来，对依据本实施方式的异常监测处理进行说明。
图2是用于实现依据本实施方式的异常监测系统1中的异常监测处理的功能框图。参照图2，控制装置100的异常监测引擎150从控制对象获取一个或多个输入值(输入值1、输入值2、…、输入值n)，生成特征量等，由此，输出包含异常的发生有无等的监测结果。
本实施方式中，作为判定控制对象中所含的监测对象是否发生了某些异常的单位区间，导入“帧”这一概念。帧是指判定监测对象是否发生了某些异常的单位区间。因此，监测对象是否发生了某些异常的判定将针对每帧来进行。
更具体而言，异常监测引擎150包含数据集生成部152、特征提取部154、得分计算部156及类别决定部158来作为主要的功能结构。
数据集生成部152相当于生成部，根据帧信息，从控制对象针对每帧而生成包含一个或多个输入值(输入值1、输入值2、…、输入值n)的时间变化的数据集。
特征提取部154基于由数据集生成部152所生成的数据集，通过预先规定的处理，生成包含一个或多个特征量(特征量1、特征量2、…、特征量m)的特征量数据。作为特征量，例如可使用帧内的平均值、最大值、中间值、最小值、标准偏差等。
得分计算部156参照预先准备的学习数据130，算出表示由特征提取部154所生成的特征量数据(一个或多个特征量)相对于学习数据130的偏离程度的值(以下也称作“得分”)。此处，学习数据130包含被标记有特定类别(例如正常或异常)的特征量数据。典型的是，学习数据130包含正常时的特征量数据，此时，得分是指表示监测对象发生了某些异常的可能性的值。
作为异常监测引擎150中的异常监测算法的一例，采用下述方法：基于特征量数据相对于超空间上的正常值群的偏离程度，来算出与所述特征量数据对应的得分。此时，学习数据130表示超空间上的正常值群，其相当于表示监测对象的“模型”。
作为此种基于偏离程度的异常监测方法，已知有：基于从各点直至正常值群为止的最短距离来探测异常的方法(k近邻法)、将包含正常值群的群集包括在内来评估距离的局部异常因子(local outlier factor，LoF)法、使用根据路径(path)长度算出的得分的孤立森林(isolation forest，iForest)法等。
在采用基于偏离程度的异常监测方法的情况下，学习数据130将包含在正常时获得的特征量的群，异常监测引擎150基于对象特征量相对于学习数据130中所含的特征量群的偏离程度，来算出得分，所述得分是表示监测对象发生某些异常的可能性的值。
类别决定部158对由得分计算部156所算出的得分与预先规定的阈值进行比较，以决定所述算出的得分是否属于任一类别。在异常监测处理中，典型的是，基于所算出的得分是否处于通过阈值所规定的范围内，来决定分类为监测对象未发生某些异常的类别、与监测对象发生了某些异常的类别中的哪一种。输出此种经决定的类别来作为判定结果。
即，类别决定部158作为判定部而运行，所述判定部基于得分来判定与一个或多个输入值关联的监测对象是否发生了异常。
另外，作为依据本实施方式的异常监测处理的监测结果，除了表示监测对象是否发生了异常的判定结果以外，还可包含由得分计算部156所算出的得分。
通过如上所述的功能结构，实现依据本实施方式的异常监测处理。
接下来，对与利用依据本实施方式的异常监测处理的原始数据的压缩以及恢复相关的处理进行说明。
本实施方式中，通过活用异常监测引擎150得出的计算结果，从而大幅地不可逆压缩原始数据。而且，经压缩的原始数据能够通过特定的运算流程来恢复，通过使用像这样经恢复的原始数据，从而当判定为发生了某些异常时，能够进行各种分析。
图3是表示与依据本实施方式的异常监测系统1中的原始数据的压缩以及恢复相关的处理流程的示意图。参照图3，与依据本实施方式的异常监测系统1中的原始数据的压缩以及恢复相关的处理具有数据压缩阶段(phase)50以及数据恢复阶段60。
控制装置100具有异常监测引擎150(数据集生成部152、特征提取部154、得分计算部156以及类别决定部158)。在数据压缩阶段50，控制装置100针对对应于每个数据集区间(帧)而输入的原始数据来输出压缩结果。异常监测引擎150兼作压缩处理，使用通过特征提取以及异常监测等而获得的、相当于异常监测引擎150的监测结果的压缩结果162，来生成原始数据的压缩结果。
作为异常监测引擎150对数据集(原始数据160)的压缩结果162，例如包含：表示监测对象发生了某些异常的可能性的值即得分164；以及对象帧的平均值或标准偏差等特征量数据166。即，特征量数据166以及得分164被输出作为数据集的压缩结果162。
另一方面，作为外部装置的一例的上位服务器300具有数据恢复器240。在数据恢复阶段60，使用数据恢复器240，将来自异常监测引擎150的压缩结果162恢复为原始数据170。由数据恢复器240所进行的向原始数据170的恢复参照图案数据168。图案数据168是相当于原始数据的帧的波形，预先准备多种。
数据恢复器240基于来自异常监测引擎150的压缩结果162，依序选择图案数据168中的对应的图案数据来加以结合，从而恢复为原始数据170。这样，数据恢复器240利用异常监测引擎150得出的压缩结果162与用于恢复的图案数据168。
依据本实施方式的异常监测系统1中，能够使用也作为通过异常监测处理而生成的监测结果的压缩结果162，来对原始数据进行压缩以及恢复，因此能够有效率地实现异常监测处理以及原始数据的保存这两个处理。
图4是表示与图3所示的原始数据的压缩以及恢复相关的处理的处理内容的一例的示意图。首先，设想图4所示的原始数据160。将能够完全表达原始数据160的波形的数据容量设为100％。也作为数据压缩器发挥功能的异常监测引擎150根据原始数据160来算出特征量数据166，并基于所算出的特征量数据166来算出得分164。作为一例，特征量数据166包含表示各帧中的平均值的第一特征量数据1661以及表示各帧的标准偏差的第二特征量数据1662。
进而，异常监测引擎150针对关于各帧而算出的得分164，决定属于哪个类别。本例中，是设为两个类别(类别A以及类别B)的分类问题。典型的是，类别A相当于监测对象发生了某些异常的状态，类别B相当于监测对象未发生某些异常的状态。
图案数据168是对应于每个类别而预先准备。图4所示的示例中，包含属于类别A的帧的波形以及属于类别B的帧的波形。
这样，对原始数据160进行压缩而获得的信息将包含特征量数据166(第一特征量数据1661以及第二特征量数据1662)、得分164与图案数据168。
另一方面，数据恢复器240中，基于图案数据168中所含的属于经分类的各类别的每帧的波形(原始数据的时间变化)，将原始数据160的压缩结果恢复为原本的时间波形。图4所示的示例中，根据得分164中所含的每帧的类别分类，选择性地适用属于类别A的帧的波形、以及属于类别B的帧的波形中的任一种，由此来恢复为原始数据170。
如图4所示，连续输出关于原始数据160的多个压缩结果，数据恢复器240根据各个压缩结果来连续恢复数据集(原始数据160)的时间变化。
例如，若设想制造装置作为监测对象，则因所述制造装置呈稳定运转状态，因而在正常时成为同一图案波形的反复，而在异常时出现不同的图案波形。
依据本实施方式的异常监测系统1中的数据压缩的效果的一例能够以下述方式来估算。
例如，假设I/O刷新处理是以250μs周期(采样频率4kHz)来执行，若将用于异常监测处理的输入数据设为10变量(各两字节)，则必须保存的数据量为4kHz×10变量×两字节＝80k字节/sec。
而且，若将异常监测处理的帧长设为100msec(一个数据集的长度：监测频率10Hz)，将所算出的特征量关于各变量而设为平均值以及标准偏差这两种(各两字节)，则所生成的特征量的数据量为10Hz×10变量×2种×字节＝40字节/sec。即，能够压缩为原始数据160的约0.5％。而且，对于得分164，也能够通过同样的计算而压缩为原始数据160的约0.25％。而且，能够预估，图案数据168中所含的属于各类别的波形相对于原始数据160的总数据容量为约8％的大小。
综合这些压缩率，通过使用异常监测引擎150，能够将原始数据160压缩为约8％来保存。
如上所述，依据本实施方式的异常监测系统1中，通过利用异常监测引擎150中的特征提取、得分计算、类别决定等处理，能够大幅压缩原始数据160。
＜B.各装置的硬件结构例＞
接下来，对构成依据本实施方式的异常监测系统1的主要装置的硬件结构例进行说明。
(b1：控制装置100的硬件结构例)
图5是表示构成依据本实施方式的异常监测系统1的控制装置100的硬件结构例的框图。参照图5，控制装置100包含中央处理器(Central Processing Unit，CPU)或微处理器(Micro-Processing Unit，MPU)等处理器102、芯片组104、主存储装置106、二次存储装置108、局域网控制器110、通用串行总线(Universal Serial Bus，USB)控制器112、存储卡接口114、内部总线控制器122、现场总线控制器118、现场总线控制器120以及I/O单元124-1、I/O单元124-2、…。
处理器102读出保存在二次存储装置108中的各种程序，并在主存储装置106中展开而执行，由此来实现与控制对象相应的控制以及如后所述的各种处理。芯片组104与处理器102一同控制各组件，由此来实现作为控制装置100整体的处理。
在二次存储装置108中，除了用于实现控制装置100所提供的功能的系统程序126(相当于控制程序)以外，还保存有利用系统程序126所提供的执行环境来执行的用户程序。系统程序126还保存有内部DB 140以及用于实现异常监测引擎150的程序。
局域网控制器110对经由局域网6的与其他装置之间的数据交换进行控制。USB控制器112对经由USB连接的与支持装置200之间的数据交换进行控制。
存储卡接口114构成为可装卸存储卡116，能够对存储卡116写入数据，并从存储卡116读出各种数据(用户程序或跟踪数据等)。
内部总线控制器122是在搭载于控制装置100的I/O单元124-1、I/O单元124-2、…之间交换数据的接口。
现场总线控制器118对经由第一现场总线2的与其他装置之间的数据交换进行控制。同样地，现场总线控制器120对经由第二现场总线4的与其他装置之间的数据交换进行控制。
图5中表示了通过处理器102执行程序而提供所需功能的结构例，但这些提供的功能的一部分或全部也可使用专用的硬件电路(例如专用集成电路(Application SpecificIntegrated Circuit，ASIC)或现场可编程门阵列(Field-Programmable Gate Array，FPGA)等)而实现。或者，控制装置100的主要部分也可使用遵循通用架构的硬件(例如将通用个人计算机作为基础的工业个人计算机)来实现。此时，也可使用虚拟技术来并列地执行用途不同的多个操作系统(Operating System，OS)，并且在各OS上执行所需的应用。
(b2：支持装置200的硬件结构例)
接下来，作为一例，依据本实施方式的支持装置200是通过使用遵循通用架构的硬件(例如通用个人计算机)来执行程序而实现。
图6是表示构成依据本实施方式的异常监测系统1的支持装置200的硬件结构例的框图。参照图6，支持装置200包含CPU或MPU等处理器202、驱动器204、主存储装置206、二次存储装置208、USB控制器212、局域网控制器214、输入部216以及显示部218。这些组件经由总线220而连接。
处理器202读出保存在二次存储装置208中的各种程序，并在主存储装置206中展开而执行，由此来实现如后所述的各种处理。
二次存储装置208例如包含硬盘驱动器(Hard Disk Drive，HDD)或固态硬盘(Solid State Drive，SSD)等。典型的是，在二次存储装置208中，保存有包含未图示的开发程序、数据挖掘工具250及数据恢复工具260的各种程序，所述开发程序用于进行在支持装置200中执行的用户程序的制作、所制作的程序的调试、系统结构的定义、各种参数的设定等。在二次存储装置208中，也可保存有OS以及其他的必要程序。
驱动器204能够对存储介质205写入数据，并从存储介质205读出各种数据(用户程序、跟踪数据或时间序列数据等)。存储介质205例如包含非一次性地保存计算机可读取的程序的存储介质205(例如数字多功能光盘(Digital Versatile Disc，DVD)等光学存储介质)。从存储卡116或存储介质205读取保存在其中的程序或数据并安装到二次存储装置208等的内部的存储区域中。
由支持装置200所执行的各种程序也可经由计算机可读取的存储卡116或存储介质205而安装，但也可以从网络上的服务器装置等下载的形式而安装。而且，依据本实施方式的支持装置200所提供的功能也有时以利用OS所提供的模块的一部分的形式而实现。
USB控制器212对经由USB连接的与控制装置100之间的数据交换进行控制。局域网控制器214对经由任意网络的与其他装置之间的数据交换进行控制。
输入部216包含键盘或鼠标等，受理用户操作。显示部218包含显示器、各种指示器等，输出来自处理器202的处理结果等。在支持装置200，也可连接有打印机。
图6中表示了通过处理器202执行程序而提供所需功能的结构例，但这些提供的功能的一部分或全部也可使用专用的硬件电路(例如ASIC或FPGA等)而实现。
(b3：上位服务器300的硬件结构例)
作为一例，依据本实施方式的上位服务器300是通过使用遵循通用架构的硬件(例如通用服务器)来执行程序而实现。其硬件结构与图6所示的支持装置200的硬件结构同样，因此不再重复详细说明。
(b4：HMI 400的硬件结构例)
作为一例，依据本实施方式的HMI 400是通过使用遵循通用架构的硬件(例如将通用个人计算机作为基础的工业个人计算机)来执行程序而实现。其硬件结构与图6所示的支持装置200的硬件结构同样，因此不再重复详细说明。
＜C.数据压缩以及数据恢复＞
依据本实施方式的异常监测系统1中，并非通过选择所述专利文献2所公开的最佳算法来提高压缩性能，而是通过准备最佳的图案数据来提高压缩性能。尤其，当使用图案数据来恢复原始数据时，通过利用异常监测处理的监测结果(压缩结果162)，无须进行与数据的压缩以及恢复相关的专用处理，而能够选择最佳的图案数据。
此种图案数据能够通过下述方法来管理，即：(1)使用事先收集的图案数据的集合的方法(静态管理)；以及(2)在控制装置100中，将随机设定的采样区间的波形以及发生异常的可能性高的区间的波形这两者加以组合而作为图案数据的方法(动态管理)。通过采用(2)的动态管理，对于发生异常时的调试性能以及针对不可逆压缩的数据保存/恢复方法的数据可靠性的改善有效。
动态管理中，从控制装置100向进行数据恢复的处理主体(上位服务器300、HMI400、支持装置200等)发送包含图案数据的必要信息。处理主体(上位服务器300、HMI 400、支持装置200等)相当于可与控制装置100进行通信的外部装置。作为典型例，包含图案数据的必要信息被发送至上位服务器300。为了便于说明，以包含图案数据的必要信息被发送至上位服务器300为前提来推进说明，但发送目的地并不限于上位服务器300，也可为任意的处理主体或者控制装置100自身。
(1)静态管理
在使用事先收集的图案数据的集合的情况下，先决定各帧属于哪个类别。在各类别中，收集多个帧的波形后，选择代表各类别的波形来决定为图案数据。作为选择代表各类别的波形的方法，通过下述方式来实现，即，在属于同一类别的多个帧之间，搜索使用任一帧的波形来恢复其他帧的结果的再现性为最高的波形。再现性为最高的波形能够通过搜索帧的恢复结果与原本的原始数据之间的自相关为最高的波形来决定。
(2)动态管理
在控制装置100中收集并追加所需的图案数据的情况下，异常时的波形、得分的阈值、向上位服务器300发送的阈值等的设定是从上位服务器300事先设定。从控制装置100收到追加图案数据的上位服务器300使用如在(1)静态管理中说明的那样的算法，来判定是否实际登记来自控制装置100的追加图案数据。即，在判定为通过使用追加图案数据而提高了恢复结果的再现性的情况下，将所述追加图案数据登记到上位服务器300中。
图7是表示能够实现与依据本实施方式的异常监测系统1中的原始数据的压缩以及恢复相关的图案数据的动态管理的处理流程的示意图。图7所示的处理流程除了图3所示的处理流程以外，还追加有图案设定器180以及图案数据采样器182。而且，压缩结果162还包含追加图案数据169。
图案数据采样器182提取在原始数据160中出现的波形来作为图案数据，并输出作为追加图案数据169。图案数据采样器182指定由图案设定器180所提取的波形。
图案数据采样器182也可仅限于由异常监测引擎150所算出的得分164超过预先规定的阈值的情况，而提取被用于所述得分164的计算的帧的波形来作为追加图案数据169。即，图案数据采样器182在压缩结果162中所含的得分164表示预先规定的值的情况下，提取与压缩结果162对应的数据集的时间变化(原始数据)。并且，除了特征量数据166以及得分164以外，还输出通过图案数据采样器182而追加的图案数据来作为压缩结果。
例如，若将针对每帧而算出的得分的值设为x，将得分的阈值设为y，则也可在得分x＞阈值y或者(得分x/阈值y)＞1等条件成立的情况下，提取所述帧的波形来作为图案数据。
或者，也可使用产生0～1的随机数的函数random(t)，在random(t)＞Σ(x/y)等条件成立的情况下，提取所述帧的波形来作为图案数据。通过采用此种条件，不仅在发生了某些异常的情况下，在正常时也能够提取追加图案数据169。
通过如上所述的处理而提取的追加图案数据169被发送至上位服务器300，上位服务器300根据需要来更新图案数据168。
通过采用图7所示的结构，关于得分相对较高(即，发生了某些异常的帧)，能够根据需要来追加或更新图案数据。通过采用此种追加或更新图案数据的结构，能够提高异常时的原始数据的再现性，或者也能够应对出现异常时的新波形的情况。
＜D.处理例＞
接下来，对依据本实施方式的异常监测系统1中的数据压缩以及数据恢复的处理例进行说明。
(d1：正常时的原始数据的压缩处理/恢复处理)
首先，对正常时的原始数据的压缩处理/恢复处理进行说明。如上所述，通过利用异常监测处理的监测结果(压缩结果162)，能够相对于原本的原始数据而大幅削减数据量(例如10％以下)。
图8是用于说明依据本实施方式的异常监测系统1中的正常时的原始数据的压缩处理的图。参照图8，将原始数据160输入至异常监测引擎150(异常监测引擎150)而算出特征量数据166。而且，所算出的特征量数据166与学习数据130一同输入至异常监测引擎150，而算出得分164。所算出的特征量数据166以及得分164作为时间序列数据而保存到内部DB140等中。
这样，正常时(即，得分164处于正常范围的区间)的原始数据160是使用相当于为了生成学习数据130而使用的正常时的波形的图案数据而受到压缩。另外，在一般的异常监测处理中，大部分区间为正常状态，为了削减网络频带以及保存区域，优选的是不保存正常时的原始数据160或者不将正常时的原始数据160输出至外部。
接下来，对将压缩正常时的原始数据而获得的压缩数据恢复为原始数据的处理进行说明。
恢复处理中，基于压缩数据，依照反归一化的流程来恢复原始数据。依据本实施方式的数据压缩为不可逆压缩，因此经恢复的原始数据与原本的原始数据并不完全一致，但可利用于识别异常时的波形、或者与其他系统的联动等。
图9是用于说明依据本实施方式的异常监测系统1中的正常时的原始数据的恢复处理的图。参照图9，作为压缩数据，将得分164以及特征量数据166的时间序列数据输入至数据恢复器240。数据恢复器240是使用相当于为了生成学习数据130而使用的正常时的波形的图案数据来恢复。
但是，原本的原始数据160的振幅以及偏倚通常与图案数据所示的波形并不一致。因此，通过使用特征量数据166中所含的平均值以及标准偏差，对进行振幅以及偏倚进行调整，从而恢复为原始数据(使用特征量的反归一化)。
更具体而言，所恢复的原始数据170的位置i的位移xi'是使用图案数据的对应的位置i的位移xi、图案数据的平均值E(x)、图案数据的标准偏差S(x)、特征量数据166的平均值μ以及特征量数据166的标准偏差σ，并通过以下所示的反归一化而算出。
xi'＝(xi-E(x)/S(s))×σ+μ
这样，特征量数据166包含关于数据集(各帧的原始数据)的平均值μ以及标准偏差σ，数据恢复器240基于关于数据集(各帧的原始数据)的平均值μ以及标准偏差σ来将对应的图案数据反归一化，由此来恢复对象数据集的时间变化。
另外，在登记有多个图案数据的情况下，也可选择自相关最高的图案数据来恢复为原始数据。
这样，数据恢复器240参照预先准备的每个类别的图案数据，选择与根据压缩结果中所含的得分164而决定的类别对应的图案数据，并且使用所述压缩结果中所含的特征量数据166进行调整，从而恢复为与监测结果(压缩结果162)对应的数据集的时间变化。
通过如上所述的压缩处理以及恢复处理，能够有效率地压缩以及恢复正常时的原始数据160。
(d2：异常时的原始数据的压缩处理/恢复处理)
接下来，对异常时的原始数据的压缩处理/恢复处理进行说明。异常时的原始数据有益于异常的原因分析以及预兆分析等目的。因此，通过判定在所发生的异常中出现的波形是否与已知的异常时的图案数据(波形)同样，并根据需要来提取作为追加图案数据，从而能够以更高的精度来进行压缩以及恢复。
图10是用于说明依据本实施方式的异常监测系统1中的异常时的原始数据的压缩处理的图。参照图10，将原始数据160输入至异常监测引擎150(异常监测引擎150)而算出特征量数据166。而且，所算出的特征量数据166与根据正常时的波形而生成的学习数据130(正常)一同输入至异常监测引擎150，从而算出得分164。所算出的特征量数据166以及得分164作为时间序列数据而被保存到内部DB 140等中。
进而，在所算出的得分164超过阈值的情况下，图案数据采样器182判定从已知的图案数据(根据异常时的波形而生成的学习数据131(异常))的背离度。并且，对于从已知的图案数据的背离度大的波形，提取作为追加图案数据169。即，图案数据采样器182在所提取的数据集的时间变化从预先准备的图案数据的背离度超过预先规定的值的情况下，将所述提取的数据集的时间变化追加作为数据恢复器240所参照的图案数据。另外，根据需要，所提取的追加图案数据169既可被发送至上位服务器300，也可保存到控制装置100内。
这样，异常时(即，得分164处于异常范围的区间)的原始数据160是使用相当于为了生成学习数据131而使用的异常时的波形的图案数据受到压缩。或者，使用在异常监测处理的过程中所提取的追加图案数据169而受到压缩。
接下来，对将压缩异常时的原始数据而获得的压缩数据恢复为原始数据的处理进行说明。
与异常时的原始数据的恢复处理同样，基于压缩数据，利用图案数据并依照反归一化的流程来恢复原始数据。利用于恢复的图案数据既可为已知的图案数据，也可在产生了异常时的新的波形时，使用与所述新的波形对应的图案数据(追加图案数据169)。
图11是用于说明依据本实施方式的异常监测系统1中的异常时的原始数据的恢复处理的图。参照图11，作为压缩数据，将得分164以及特征量数据166的时间序列数据输入至数据恢复器240。数据恢复器240是使用由异常时的波形所生成的学习数据131中所含的图案数据来恢复。根据需要，对于特定的区间，也有时使用追加图案数据169来恢复。
这样，数据恢复器240除了预先准备的图案数据以外，还参照通过图案数据采样器182而追加的追加图案数据169来恢复数据集的时间变化(原始数据)。
此时，与正常时的原始数据的恢复处理同样，通过使用特征量数据166中所含的平均值以及标准偏差，对振幅以及偏倚进行调整，从而恢复为原始数据(使用特征量的反归一化)。关于具体的流程，与图9所示的正常时的原始数据的恢复处理同样，因此不再重复详细说明。
这样，数据恢复器240参照预先准备的每个类别的图案数据，选择与根据压缩结果中所含的得分164而决定的类别对应的图案数据，并且使用所述压缩结果中所含的特征量数据166进行调整，从而恢复为与压缩结果162(监测结果)对应的数据集的时间变化。
通过如上所述的压缩处理以及恢复处理，能够有效率地压缩以及恢复异常时的原始数据160。
(d3：显示例)
接下来，对利用依据本实施方式的异常监测处理中的原始数据的保存功能的优点等进行说明。
图12是表示仅显示依据本实施方式的异常监测处理中的监测结果的显示例的示意图。图13是表示显示依据本实施方式的异常监测处理中的经恢复的原始数据的显示例的示意图。
参照图12，在依据本实施方式的异常监测处理中，使用根据输入数据而算出的特征量数据166、以及根据特征量数据166而算出的得分164，来监测异常的有无。另一方面，仅仅只显示这些数据，并不容易推测为何发生异常以及发生异常时产生了何种情况等。
与此相对，通过一并显示图13所示的经恢复的原始数据，一眼便能够掌握发生异常时产生了何种情况。进而，还能够与过去的实绩等对照而确认所发生的异常的真正原因。
在发生了某些异常的情况下，不仅显示用于判定为所述异常的信息(特征量以及得分)，还恢复产生所述异常时的原始数据(波形)并予以显示，由此，用户能够容易地理解或者推测现实的控制对象的状态。
＜E.处理流程＞
接下来，对与利用依据本实施方式的异常监测处理的原始数据的压缩以及恢复相关的处理进行说明。
(e1：压缩处理)
图14是表示利用依据本实施方式的异常监测处理的原始数据的压缩处理的处理流程的流程图。图14表示由控制装置100以及上位服务器300分别执行处理的示例。典型的是，通过控制装置100的处理器102执行系统程序126，从而实现控制装置100的各步骤，同样，通过上位服务器300的处理器执行必要的程序，从而实现上位服务器300的各步骤。
参照图14，控制装置100判断用于开始帧的条件是否成立(步骤S100)。若用于开始帧的条件不成立(步骤S100中为否)，则重复步骤S100的处理。
若用于开始帧的条件成立(步骤S100中为是)，则控制装置100收集预先规定的输入数据(步骤S102)。
继而，控制装置100判断用于结束帧的条件是否成立(步骤S104)。若用于结束帧的条件成立(步骤S104中为否)，则重复步骤S102以下的处理。
若用于结束帧的条件成立(步骤S104中为是)，则控制装置100根据包含在步骤S102中收集的输入数据的数据集来算出特征量数据166(步骤S106)。接下来，控制装置100参照学习数据130，根据特征量数据166来算出得分(步骤S108)。
控制装置100基于所算出的得分来决定属于哪个类别(步骤S110)。典型的是，判断监测对象是否正常，或者是否发生了某些异常。
若判断为所算出的得分属于异常的类别(步骤S100中为“异常”)，则控制装置100算出对象数据集从预先登记的学习数据131中所含的图案数据的背离度(步骤S112)。接下来，控制装置100判断所算出的背离度是否超过预先规定的阈值(步骤S114)。
若所算出的背离度超过预先规定的阈值(步骤S114中为是)，则控制装置100提取对象数据集来作为追加图案数据169(步骤S116)。控制装置100将所提取的追加图案数据169保存到自身装置内，或者发送至上位服务器300。
若所算出的背离度未超过预先规定的阈值(步骤S114中为否)，则跳过步骤S116的处理。
另一方面，若判断为所算出的得分属于正常的类别(步骤S100中为“正常”)，则跳过步骤S112～步骤S116的处理。
当以上的一连串处理结束时，重复步骤S100以下的处理。
而且，上位服务器300判断是否从控制装置100收到追加图案数据169(步骤S200)。若未从控制装置100收到追加图案数据169(步骤S200中为否)，则重复步骤S200的处理。
若从控制装置100收到追加图案数据169(步骤S200中为是)，则上位服务器300保存从控制装置100收到的追加图案数据169(步骤S202)。
当以上的一连串处理结束时，重复步骤S200以下的处理。
(e2：恢复处理)
图15是表示利用依据本实施方式的异常监测处理的原始数据的恢复处理的处理流程的流程图。图15表示在上位服务器300中执行恢复处理的示例。典型的是，通过上位服务器300的处理器执行必要的程序，从而实现上位服务器300的各步骤。
参照图15，上位服务器300根据来自用户的请求或者预先规定的条件的成立，而获取保存在控制装置100中的压缩结果(特征量以及得分的时间序列数据)(步骤S150)。
接下来，上位服务器300选择恢复对象帧中的任一帧来作为对象(步骤S152)，并基于选择作为所述对象的帧的得分，来判断选择作为所述对象的帧属于正常以及异常中的哪个类别(步骤S154)。
若判断为选择作为所述对象的帧属于正常的类别(步骤S154中为“正常”)，则上位服务器300使用与根据正常时的波形而生成的学习数据130相关联的图案数据，来恢复对象帧的区间的原始数据(波形)(步骤S156)。
另一方面，若判断为选择作为所述对象的帧属于正常的类别(步骤S154中为“异常”)，则上位服务器300使用与根据异常时的波形而生成的学习数据130相关联的图案数据、或追加图案数据169，来恢复对象帧的区间的原始数据(波形)(步骤S158)。
然后，上位服务器300判断是否已对所有恢复对象帧完成了原始数据的恢复(步骤S160)。若恢复对象帧中的任一原始数据的恢复未完成(步骤S160中为否)，则上位服务器300选择下个帧来作为对象(步骤S162)，重复步骤S154以下的处理。
若对所有恢复对象帧完成了原始数据的恢复(步骤S160中为是)，则上位服务器300输出所恢复的原始数据(步骤S164)。并且，数据恢复的处理完成。
＜F.变形例＞
以下，对若干个变形例进行说明。
(f1：由控制装置100所执行的恢复处理)
所述说明中，对控制装置100以外的处理主体(上位服务器300、HMI 400、支持装置200等)具有数据恢复器240的结构例进行了说明，但并不限于此，也可将数据恢复器240配置到控制装置100中。通过将数据恢复器240配置到控制装置100中，将能够利用所恢复的原始数据，从而能够实现各种数据活用。
图16是表示依据本实施方式的变形例的异常监测系统1的整体结构例的示意图。图16所示的异常监测系统1中，能够在现场侧压缩原始数据，并在控制装置100中予以恢复。由此，控制装置100能够活用所恢复的原始数据。
更具体而言，参照图16，远程I/O装置12具有数据压缩部190。数据压缩部190对从现场获取的输入数据(原始数据)执行特征提取以及得分计算的处理。数据压缩部190生成包含得分164以及特征量数据166的压缩结果192，并发送至控制装置100。
另外，当在现场侧安装数据压缩部190时，不仅可使用处理器来实现，也可使用FPGA等能够使处理高速化的设备。通过采用此类设备，能够确保程序的实时性。
控制装置100具有数据恢复器240，数据恢复器240将压缩结果192恢复为原始数据170。由此，在控制装置100中，能够访问所恢复的原始数据170。典型的是，由控制装置100所执行的用户程序128能够活用所恢复的原始数据170。
例如，用户程序128能够实现下述处理：基于所恢复的原始数据170来算出帧中的波形的上升所需的时间等，若所述算出的时间为低于预先规定的阈值的急遽的时间，则控制任意的致动器来修正为适当的时间。
这样，图16所示的异常监测系统1中，能够在控制装置100中恢复为原始数据170，因此能够从用户程序128等参照有效的信息。
进而，图16所示的异常监测系统1中，在经由现场总线而连接的任意设备与控制装置100之间的数据转发量存在限制的情况下也有效。例如，在设备中的采样周期短的情况或者大量存在要传输的信息的情况等下有效。
图16所示的异常监测系统1中，能够将在现场侧产生了某些异常时的信息保存到控制装置100侧。通过此种信息的保存，能够实现具有溯源性(traceability)的数据管理。
而且，通过使用户程序128中包含将发生了某些异常的特定帧的数据作为触发的处理，能够容易地实现异常时的特殊处理或自我诊断功能等。
(f2：由支持装置200所执行的恢复处理)
在控制装置100中，也能够基于根据输入数据而算出的特征量数据来执行控制，但执行此种控制的用户程序128的调试困难。因此，通过在支持装置200中恢复为原始数据并且参照所述恢复的原始数据，从而能够提高调试的效率。
即，用户程序128基于特征量数据来执行处理，但用户程序128自身能够使用支持装置200而于在线调试等时确认所恢复的原始数据等，由此，使其合理性的确认容易化。
图17是表示依据本实施方式的另一变形例的异常监测系统1的整体结构例的示意图。图17所示的异常监测系统1中，能够在现场侧压缩原始数据，并在支持装置200中予以恢复。由此，能够活用在支持装置200侧经恢复的原始数据。
更具体而言，参照图17，远程I/O装置12具有数据压缩部190。数据压缩部190对从现场获取的输入数据(原始数据)执行特征提取以及得分计算的处理。数据压缩部190生成包含得分164以及特征量数据166的压缩结果192，并发送至控制装置100。
另外，当在现场侧安装数据压缩部190时，不仅可使用处理器来实现，也可使用FPGA等能够使处理高速化的设备。通过采用此类设备，能够确保程序的实时性。
由控制装置100所执行的用户程序128是基于压缩结果192中所含的特征量数据166来执行处理。
而且，压缩结果192被转发至支持装置200，或者，支持装置200能够参照控制装置100所保持的压缩结果192。支持装置200具有数据恢复器240，数据恢复器240将压缩结果192恢复为原始数据170。由此，在支持装置200中，能够参照所恢复的原始数据170。典型的是，在支持装置200上调试由控制装置100所执行的用户程序128的场景下，能够参照所恢复的原始数据170，从而能够使调试效率化。
这样，在使用特征量数据来执行处理的用户程序128中，只能进行用户程序128单体的调试，而无法进行确认与原始数据的一致性等的综合调试。与此相对，通过在支持装置200中安装数据恢复器240，所恢复的原始数据的确认以及记录成为可能，从而能够容易地确认用户程序128对原始数据的行为是否适当。
例如，有可能利用特征量数据166中的方差，来制作对偏差进行监测的用户程序128。此种情况下，关于将方差作为条件的用户程序128，能够作为单体测试来进行动作确认，但难以确认是否针对现实的数据而准确地进行了判断。针对此种课题，以往设想使用搭载于控制装置100的数据跟踪功能的调试、或者将测量器连接于实际的传感器等来确认的方法等，但存在下述问题：关于前者，无法应对铁氧体总线上的设备中的数据压缩，而关于后者，耗时耗力。
针对此种问题，通过采用如上所述的方法，能够更容易地进行调试。
＜G.附注＞
如上所述的本实施方式包含如下所述的技术思想。
[结构1]
一种控制系统，包括：
生成部(152)，对应于每个单位区间而生成包含一个或多个输入值的时间变化的数据集；特征提取部(154)，基于所述数据集来生成特征量数据(166)；以及
得分计算部(156)，参照包含被标记有特定类别的特征量数据的学习数据(130)，算出表示所述特征量数据相对于所述学习数据的偏离程度的得分(164)，且所述特征量数据(166)以及所述得分(164)被输出作为所述数据集的压缩结果(162)，且所述控制系统包括：
恢复部(240)，参照预先准备的每个类别的图案数据(168)，选择与根据所述压缩结果中所含的所述得分而决定的类别对应的图案数据，并且使用所述压缩结果中所含的特征量数据进行调整，从而恢复为与所述压缩结果对应的数据集的时间变化(170)。
[结构2]
根据结构1所述的控制系统，其中
连续输出多个所述压缩结果，
所述恢复部根据各个所述压缩结果而连续恢复数据集的时间变化。
[结构3]
根据结构1或2所述的控制系统，其中
所述特征量数据包含关于所述数据集的平均值(1661)以及标准偏差(1662)，
所述恢复部基于关于所述数据集的平均值以及标准偏差，对于对应的图案数据进行反归一化，由此来恢复所述数据集的时间变化。
[结构4]
根据结构1至3中任一项所述的控制系统，还包括：
采样部(182)，当所述压缩结果中所含的所述得分超过预先规定的值时，提取与所述压缩结果对应的数据集的时间变化。
[结构5]
根据结构4所述的控制系统，其中
所述采样部在所述提取的数据集的时间变化从所述预先准备的图案数据的背离度超过预先规定的值时，追加所述提取的数据集的时间变化来作为所述恢复部参照的图案数据(169)。
[结构6]
根据结构5所述的控制系统，其中
除了所述特征量数据以及所述得分以外，还输出由所述采样部所追加的图案数据(169)来作为所述压缩结果。
[结构7]
根据结构5或6所述的控制系统，其中
所述恢复部除了所述预先准备的图案数据以外，还参照由所述采样部所追加的图案数据(169)，来恢复数据集的时间变化。
[结构8]
根据结构1至7中任一项所述的控制系统，还包括：
判定部(158)，基于所述得分，来判定与所述一个或多个输入值关联的监测对象是否发生了异常。
[结构9]
根据结构1至8中任一项所述的控制系统，包括：
控制装置(100)，对控制对象进行控制；以及
外部装置(200、300、400)，能够与所述控制装置进行通信，
所述生成部(152)、所述特征提取部(154)以及所述得分计算部(156)被配置在所述控制装置，
所述恢复部(240)被配置在所述外部装置。
[结构10]
一种控制方法，是在包含对控制对象进行控制的控制装置(100)的控制系统(1)中执行，所述控制方法包括：
步骤(S100、S102、S104)，对应于每个单位区间而生成包含一个或多个输入值的时间变化的数据集；
步骤(S106)，基于所述数据集来生成特征量数据(166)；以及
步骤(S108)，参照包含被标记有特定类别的特征量数据的学习数据(130)，算出表示所述特征量数据相对于所述学习数据的偏离程度的得分，且所述特征量数据(166)以及所述得分(164)被输出作为所述数据集的压缩结果(162)，且所述控制方法包括：
步骤(S152、S154、S156、S158、S160)，参照预先准备的每个类别的图案数据(168)，选择与根据所述压缩结果中所含的所述得分而决定的类别对应的图案数据，并且使用所述压缩结果中所含的特征量数据进行调整，从而恢复为与所述压缩结果对应的数据集的时间变化(170)。
＜H.优点＞
依据本实施方式的异常监测系统中，能够利用异常监测处理来实现基于原始数据压缩的保存。而且，经压缩的原始数据能够使用图案数据而适当恢复。这样，能够将异常监测处理以及数据的压缩及恢复的处理作为共同的处理来执行，因此能够防止与数据保存相关的处理负载的增大，并且能够实现有效率的原始数据的积累。
应认为，此次公开的实施方式在所有方面仅为例示而非限制者。本发明的范围是由权利要求而非所述说明所示，且意图包含与权利要求均等的含义及范围内的所有变更。
符号的说明
1：异常监测系统
2：第一现场总线
4：第二现场总线
6：局域网
10：现场装置群
12：远程I/O装置
14：继电器群
16、124：I/O单元
18：图像传感器
20：摄像机
22：伺服驱动器
24：伺服马达
50：数据压缩阶段
60：数据恢复阶段
100：控制装置
102、202：处理器
104：芯片组
106、206：主存储装置
108、208：二次存储装置
110、214：局域网控制器
112、212：USB控制器
114：存储卡接口
116：存储卡
118、120：现场总线控制器
122：内部总线控制器
126：系统程序
128：用户程序
130、131：学习数据
140：内部DB
150：异常监测引擎
152：数据集生成部
154：特征提取部
156：得分计算部
158：类别决定部
160、170：原始数据
162、192：压缩结果
164：得分
166：特征量数据
168：图案数据
169：追加图案数据
180：图案设定器
182：图案数据采样器
190：数据压缩部
200：支持装置
204：驱动器
205：存储介质
216：输入部
218：显示部
220：总线
240：数据恢复器
250：数据挖掘工具
260：数据恢复工具
300：上位服务器
400：HMI
1661：第一特征量数据
1662：第二特征量数据

Claims (10)

1.一种控制系统，包括：
生成部，对应于每个单位区间而生成包含一个或多个输入值的时间变化的数据集；
特征提取部，基于所述数据集来生成特征量数据；以及
得分计算部，参照包含被标记有特定类别的特征量数据的学习数据，算出表示所述特征量数据相对于所述学习数据的偏离程度的得分，且所述特征量数据以及所述得分被输出作为所述数据集的压缩结果，且所述控制系统包括：
恢复部，参照预先准备的每个类别的图案数据，选择与根据所述压缩结果中所含的所述得分而决定的类别对应的图案数据，并且使用所述压缩结果中所含的特征量数据进行调整，从而恢复为与所述压缩结果对应的数据集的时间变化。
2.根据权利要求1所述的控制系统，其中
连续输出多个所述压缩结果，
所述恢复部根据各个所述压缩结果而连续恢复数据集的时间变化。
3.根据权利要求1或2所述的控制系统，其中
所述特征量数据包含关于所述数据集的平均值以及标准偏差，
所述恢复部基于关于所述数据集的平均值以及标准偏差，对于对应的图案数据进行反归一化，由此来恢复所述数据集的时间变化。
4.根据权利要求1至3中任一项所述的控制系统，还包括：
采样部，当所述压缩结果中所含的所述得分超过预先规定的值时，提取与所述压缩结果对应的数据集的时间变化。
5.根据权利要求4所述的控制系统，其中
所述采样部在所述提取的数据集的时间变化从所述预先准备的图案数据的背离度超过预先规定的值时，追加所述提取的数据集的时间变化来作为所述恢复部参照的图案数据。
6.根据权利要求5所述的控制系统，其中
除了所述特征量数据以及所述得分以外，还输出由所述采样部所追加的图案数据来作为所述压缩结果。
7.根据权利要求5或6所述的控制系统，其中
所述恢复部除了所述预先准备的图案数据以外，还参照由所述采样部所追加的图案数据，来恢复数据集的时间变化。
8.根据权利要求1至7中任一项所述的控制系统，还包括：
判定部，基于所述得分，来判定与所述一个或多个输入值关联的监测对象是否发生了异常。
9.根据权利要求1至8中任一项所述的控制系统，包括：
控制装置，对控制对象进行控制；以及
外部装置，能够与所述控制装置进行通信，
所述生成部、所述特征提取部以及所述得分计算部被配置在所述控制装置，
所述恢复部被配置在所述外部装置。
10.一种控制方法，是在包含对控制对象进行控制的控制装置的控制系统中执行，所述控制方法包括下述步骤：
对应于每个单位区间而生成包含一个或多个输入值的时间变化的数据集；
基于所述数据集来生成特征量数据；以及
参照包含被标记有特定类别的特征量数据的学习数据，算出表示所述特征量数据相对于所述学习数据的偏离程度的得分，且所述特征量数据以及所述得分被输出作为所述数据集的压缩结果，且所述控制方法包括下述步骤：
参照预先准备的每个类别的图案数据，选择与根据所述压缩结果中所含的所述得分而决定的类别对应的图案数据，并且使用所述压缩结果中所含的特征量数据进行调整，从而恢复为与所述压缩结果对应的数据集的时间变化。
CN201980057521.1A 2018-10-23 2019-10-09 控制系统以及控制方法 Pending CN112639844A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2018198963A JP7028133B2 (ja) 2018-10-23 2018-10-23 制御システムおよび制御方法
JP2018-198963 2018-10-23
PCT/JP2019/039737 WO2020085084A1 (ja) 2018-10-23 2019-10-09 制御システムおよび制御方法

Publications (1)

Publication Number Publication Date
CN112639844A true CN112639844A (zh) 2021-04-09

Family

ID=70330332

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980057521.1A Pending CN112639844A (zh) 2018-10-23 2019-10-09 控制系统以及控制方法

Country Status (5)

Country Link
US (1) US12008072B2 (zh)
EP (1) EP3872717A4 (zh)
JP (1) JP7028133B2 (zh)
CN (1) CN112639844A (zh)
WO (1) WO2020085084A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7101131B2 (ja) * 2019-01-31 2022-07-14 ファナック株式会社 数値制御システム
CN115668084A (zh) * 2020-05-25 2023-01-31 发那科株式会社 诊断装置、服务器以及诊断方法
CN113159084B (zh) * 2020-12-18 2024-04-19 国家电网有限公司大数据中心 一种空壳企业确定方法及装置、空壳企业监测方法及装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06113580A (ja) * 1992-09-29 1994-04-22 Toshiba Corp 電動機駆動監視装置
CN101484910A (zh) * 2006-07-06 2009-07-15 旭硝子株式会社 聚类系统及缺陷种类判定装置
JP2012165357A (ja) * 2011-01-18 2012-08-30 Nippon Telegr & Teleph Corp <Ntt> 信号処理システム及び信号処理方法
JP2017062713A (ja) * 2015-09-25 2017-03-30 キヤノン株式会社 識別器作成装置、識別器作成方法、およびプログラム
CN106797463A (zh) * 2014-10-03 2017-05-31 索尼公司 信息处理装置和信息处理方法
CN108227641A (zh) * 2016-12-14 2018-06-29 欧姆龙株式会社 控制装置、控制方法及计算机可读存储介质
WO2018167900A1 (ja) * 2017-03-16 2018-09-20 日本電気株式会社 ニューラルネットワーク学習装置、方法、およびプログラム
EP3379360A2 (en) * 2017-03-23 2018-09-26 Hitachi, Ltd. Anomaly detection system and anomaly detection method
US20180275631A1 (en) * 2017-03-22 2018-09-27 Omron Corporation Control system, control device, and control method

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0589009A (ja) 1991-09-30 1993-04-09 Toshiba Corp ネツトワークコントローラ
JPH06237909A (ja) * 1993-02-19 1994-08-30 Nippon Koden Corp 心電図データ処理装置
JP5423553B2 (ja) * 2010-04-09 2014-02-19 株式会社日立製作所 データベース管理方法、計算機、センサネットワークシステム及びデータベース検索プログラム
WO2016068895A1 (en) 2014-10-29 2016-05-06 Siemens Aktiengesellschaft Automatic compression algorithm selection and parameter tuning based on contextual knowledge
US10433075B2 (en) * 2017-09-12 2019-10-01 Whisper.Ai, Inc. Low latency audio enhancement

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06113580A (ja) * 1992-09-29 1994-04-22 Toshiba Corp 電動機駆動監視装置
CN101484910A (zh) * 2006-07-06 2009-07-15 旭硝子株式会社 聚类系统及缺陷种类判定装置
JP2012165357A (ja) * 2011-01-18 2012-08-30 Nippon Telegr & Teleph Corp <Ntt> 信号処理システム及び信号処理方法
CN106797463A (zh) * 2014-10-03 2017-05-31 索尼公司 信息处理装置和信息处理方法
JP2017062713A (ja) * 2015-09-25 2017-03-30 キヤノン株式会社 識別器作成装置、識別器作成方法、およびプログラム
CN108227641A (zh) * 2016-12-14 2018-06-29 欧姆龙株式会社 控制装置、控制方法及计算机可读存储介质
WO2018167900A1 (ja) * 2017-03-16 2018-09-20 日本電気株式会社 ニューラルネットワーク学習装置、方法、およびプログラム
US20180275631A1 (en) * 2017-03-22 2018-09-27 Omron Corporation Control system, control device, and control method
EP3379360A2 (en) * 2017-03-23 2018-09-26 Hitachi, Ltd. Anomaly detection system and anomaly detection method

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JINWON AN ET AL.: "Variational autoencoder based Anomaly Detection using Reconstruction Probability", 《SPECIAL LECTURE ON IE》, pages 1 - 18 *
张秋实;仝卫国;于浩进;: "分散控制系统中数据库的应用研究", 计算机仿真, no. 11 *

Also Published As

Publication number Publication date
JP7028133B2 (ja) 2022-03-02
US12008072B2 (en) 2024-06-11
EP3872717A4 (en) 2022-07-27
EP3872717A1 (en) 2021-09-01
US20220044060A1 (en) 2022-02-10
JP2020067730A (ja) 2020-04-30
WO2020085084A1 (ja) 2020-04-30

Similar Documents

Publication Publication Date Title
JP6965798B2 (ja) 制御システムおよび制御方法
US10739746B2 (en) Using soft-sensors in a programmable logic controller
US10591886B2 (en) Control system, control program, and control method for device switching responsive to abnormality detection
CN112639844A (zh) 控制系统以及控制方法
EP3379358B1 (en) Control system, control device, control program, and control method
JP6388050B1 (ja) 制御装置
JP2018151918A (ja) 制御装置、データ構造、情報処理方法
CN116209963A (zh) 故障诊断及解决方案推荐方法、设备、系统和存储介质
CN114710369B (zh) 一种异常数据检测方法、装置、计算机设备及存储介质
CN112673326A (zh) 控制装置及控制程序
US11520302B2 (en) Control system and control device
JP2019159868A (ja) 制御システム、制御装置および表示装置
WO2022162957A1 (ja) 情報処理装置、制御システムおよびレポート出力方法
EP4300232A1 (en) Information processing device, information processing program, and information processing method
JP7403709B1 (ja) 情報処理装置、情報処理方法及びプログラム
CN107085410A (zh) 数值控制装置
EP4361742A1 (en) Prediction system, information processing device, and information processing program
WO2023053511A1 (ja) 制御システム、情報処理方法および情報処理装置
EP4365690A1 (en) Control device, system program, and method
WO2022176375A1 (ja) 予測システム、情報処理装置および情報処理プログラム
WO2021111936A1 (ja) 予測システム、情報処理装置および情報処理プログラム
JP2023006304A (ja) 制御システム、モデル生成方法およびモデル生成プログラム
JP2018142158A (ja) データ収集システムおよびデータ収集システムの制御方法

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