CN113168171A - 异常探测装置以及异常探测方法 - Google Patents

异常探测装置以及异常探测方法 Download PDF

Info

Publication number
CN113168171A
CN113168171A CN201880099824.5A CN201880099824A CN113168171A CN 113168171 A CN113168171 A CN 113168171A CN 201880099824 A CN201880099824 A CN 201880099824A CN 113168171 A CN113168171 A CN 113168171A
Authority
CN
China
Prior art keywords
waveform
outlier
abnormality detection
outlier data
learning
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
CN201880099824.5A
Other languages
English (en)
Other versions
CN113168171B (zh
Inventor
中村隆显
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.)
Mitsubishi Electric Corp
Original Assignee
Mitsubishi Electric 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 Mitsubishi Electric Corp filed Critical Mitsubishi Electric Corp
Publication of CN113168171A publication Critical patent/CN113168171A/zh
Application granted granted Critical
Publication of CN113168171B publication Critical patent/CN113168171B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
    • 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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • G06F16/2365—Ensuring data consistency and integrity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24042—Signature analysis, compare recorded with current data, if error then alarm

Abstract

异常探测装置构成为，具备：离群评分计算部(3)，根据时序地表示多个时刻下的异常探测对象的设备的状态的异常探测用的时序数据，计算多个时刻的各个时刻下的设备的异常度，作为异常探测用的离群评分；离群数据提取部(4)，根据由离群评分计算部(3)计算的多个时刻的各个时刻下的异常探测用的离群评分，从异常探测用的时序数据中提取有在设备中发生了异常的可能性的时间带的异常探测用的时序数据，作为离群数据；以及异常判定部(8)，对照表示由离群数据提取部(4)提取的异常探测用的离群数据的变化的波形被认为是设备正常时的波形的波形条件和异常探测用的离群数据的波形，根据波形条件和异常探测用的离群数据的波形的对照结果，判定设备是否异常。

Description

异常探测装置以及异常探测方法
技术领域
本发明涉及判定设备是否异常的异常探测装置以及异常探测方法。
背景技术
在探测设备的异常的以往的异常探测方法中，比较时序地表示多个时刻下的设备的状态的异常探测用的时序数据和在设备正常时收集的正常时的时序数据。
在以往的异常探测方法中，通过从异常探测用的时序数据中检测举动与正常时的时序数据不同的部分的时序数据(以下称为“子序列数据”)，探测设备的异常。
但是，子序列数据是有在设备中发生了异常的可能性的时间带的时序数据，但不一定在设备中发生了异常，而还有时设备正常。
在以下的专利文献1中，公开了异常探测系统，该异常探测系统在设备正常时，为了避免发生表示在设备中发生了异常的意思的误判定，组合以往的异常探测方法和解析事件信息的方法，探测设备的异常。
作为事件信息，有表示与由作业者实施的设备的运转操作有关的事件的信息或者表示与设备的零件更换有关的事件的信息等。
专利文献1公开的异常探测系统即使检测到子序列数据，如果检测的子序列数据与事件信息表示的事件同步，则判定为在设备中未发生异常。
现有技术文献
专利文献
专利文献1：日本特开2013-218725号公报
发明内容
专利文献1公开的异常探测系统需要事先准备事件信息。
专利文献1公开的异常探测系统存在如下的课题：如果无法事先准备事件信息，则在设备正常时如果检测到子序列数据，则会错误地判定为在设备中发生异常。
本发明是为了解决如上述的课题而完成的，其目的在于得到无需事先准备事件信息而能够避免发生表示在设备中发生了异常的意思的误判定的异常探测装置以及异常探测方法。
本发明所涉及的异常探测装置具备：离群评分计算部，根据时序地表示多个时刻下的异常探测对象的设备的状态的异常探测用的时序数据，计算多个时刻的各个时刻下的设备的异常度，作为异常探测用的离群评分；离群数据提取部，根据由离群评分计算部计算的多个时刻的各个时刻下的异常探测用的离群评分，从异常探测用的时序数据中提取有在设备中发生了异常的可能性的时间带的异常探测用的时序数据，作为异常探测用的离群数据；以及异常判定部，对照表示由离群数据提取部提取的异常探测用的离群数据的变化的波形被认为是设备正常时的波形的波形条件和异常探测用的离群数据的波形，根据波形条件和异常探测用的离群数据的波形的对照结果，判定设备是否异常。
根据本发明，异常探测装置构成为异常判定部对照表示由离群数据提取部提取的异常探测用的离群数据的变化的波形被认为是设备正常时的波形的波形条件和异常探测用的离群数据的波形，根据波形条件和异常探测用的离群数据的波形的对照结果，判定设备是否异常。因此，本发明所涉及的异常探测装置无需事先准备事件信息而能够避免发生表示在设备中发生了异常的意思的误判定。
附图说明
图1是示出实施方式1所涉及的异常探测装置的结构图。
图2是示出实施方式1所涉及的异常探测装置的硬件的硬件结构图。
图3是异常探测装置用软件或者固件等实现的情况下的计算机的硬件结构图。
图4是示出异常探测装置的学习时的处理过程的流程图。
图5是示出作为异常探测装置的异常探测时的处理过程的异常探测方法的流程图。
图6：图6A是示出学习用的时序数据DG，n，t的一个例子的说明图，图6B是示出学习用的离群评分SG，n，t以及阈值Sth的一个例子的说明图。
图7：图7A是示出波形的类别是“上峰值型”的情况下的学习用的离群数据ODG，n，ts-te的波形的一个例子的说明图，图7B是示出波形的类别是“下峰值型”的情况下的学习用的离群数据ODG，n，ts-te的波形的一个例子的说明图，图7C是示出波形的类别是“上下峰值型”的情况下的学习用的离群数据ODG，n，ts-te的波形的一个例子的说明图，图7D是示出波形的类别是“过渡上升型”的情况下的学习用的离群数据ODG，n，ts-te的波形的一个例子的说明图，图7E是示出波形的类别是“过渡下降型”的情况下的学习用的离群数据ODG，n，ts-te的波形的一个例子的说明图，图7F是示出波形的类别是“振动型”的情况下的学习用的离群数据ODG，n，ts-te的波形的一个例子的说明图。
图8是示出学习用的离群数据ODG，n，ts-te中的特征量CG，n的一个例子的说明图。
图9：图9A是示出波形的类别是“上峰值型”的N(N＝12)个学习用的离群数据ODG，n，ts-te的说明图，图9B是示出N个学习用的离群数据ODG，n，ts-te的平均值Pmean[t]、带模型表示的正常范围的上限值Bupper[t]以及下限值Blower[t]的说明图。
图10：图10A是示出由异常判定处理部11判定为设备正常的情况下的异常探测用的离群数据ODU，ts’-te’的波形的说明图。图10B是示出由异常判定处理部11判定为设备异常的情况下的异常探测用的离群数据ODU，ts’-te’的波形的说明图。
图11是示出由波形条件生成处理部14生成的直方图的一个例子的说明图。
图12是示出实施方式3所涉及的异常探测装置的结构图。
图13是示出实施方式3所涉及的异常探测装置的硬件的硬件结构图。
图14是示出显示由波形条件生成处理部14生成的1个以上的波形条件Wp的一览表的一览表确认画面的说明图。
图15是示出显示波形条件Wp的生成源的学习用的离群数据ODG，n，ts-te的一览表的一览表确认画面的说明图。
图16是示出实施方式4所涉及的异常探测装置的结构图。
图17是示出实施方式4所涉及的异常探测装置的硬件的硬件结构图。
图18是示出显示在由异常判定处理部11判定为设备异常时与波形条件Wp对照的异常探测用的离群数据ODU，ts’-te’以及异常探测用的时序数据DU，t的数据显示画面的一个例子的说明图。
(符号说明)
1：学习用数据输入部；2：异常探测用数据输入部；3：离群评分计算部；4：离群数据提取部；5：阈值计算部；6：阈值存储部；7：离群数据提取处理部；8：异常判定部；9：类别判别部；10：波形条件选择部；11：异常判定处理部；12：波形条件生成部；13：波形分类部；14：波形条件生成处理部；15：波形条件存储部；16：探测结果输出部；17：选择受理部；18：类别判别部；19：探测结果输出部；21：输入接口电路；22：输入接口电路；23：离群评分计算电路；24：阈值计算电路；25：阈值存储电路；26：离群数据提取处理电路；27：类别判别电路；28：波形条件选择电路；29：异常判定处理电路；30：波形分类电路；31：波形条件生成处理电路；32：波形条件存储电路；33：探测结果输出电路；34：选择受理电路；35：类别判别电路；36：探测结果输出电路；41：存储器；42：处理器。
具体实施方式
以下，为了更详细地说明本发明，依照附图，说明用于实施本发明的方式。
实施方式1.
图1是示出实施方式1所涉及的异常探测装置的结构图。图2是示出实施方式1所涉及的异常探测装置的硬件的硬件结构图。
在图1以及图2中，学习用数据输入部1例如通过图2所示的输入接口电路21实现。
学习用数据输入部1受理时序地表示异常探测对象的设备正常时的多个时刻t下的该设备的状态的N个学习用的时序数据DG，n，t(n＝1，2，…，N)的输入。N是1以上的整数。
学习用的时序数据DG，n，t包括各个时刻t下的传感器的观测值，传感器的观测值表示设备的状态。
学习用数据输入部1将受理输入的学习用的时序数据DG，n，t输出到离群评分计算部3以及离群数据提取处理部7各自。
作为异常探测对象的设备，考虑发电厂、化工厂或者上下水道厂等的设备。另外，作为异常探测对象的设备，考虑办公大厦或者工厂中的空调设备、电气设备、照明设备或者给排水设备等，并且考虑构成工厂的生产线的输送机等的设备、搭载于汽车的设备或者搭载于铁路车辆的设备。进而，作为异常探测对象的设备，还考虑与经济有关的信息系统的设备或者与经营有关的信息系统的设备。
异常探测用数据输入部2例如通过图2所示的输入接口电路22实现。
异常探测用数据输入部2受理时序地表示多个时刻t下的异常探测对象的设备的状态的异常探测用的时序数据DU，t的输入。
异常探测用的时序数据DU，t包括各个时刻t下的传感器的观测值，传感器的观测值表示设备的状态。
异常探测用数据输入部2将异常探测用的时序数据DU，t输出给离群评分计算部3以及离群数据提取处理部7各自。
离群评分计算部3例如通过图2所示的离群评分计算电路23实现。
离群评分计算部3根据从学习用数据输入部1输出的N个学习用的时序数据DG，n，t各自，计算各个时刻t下的设备的异常度，作为学习用的离群评分SG，n，t。离群评分计算部3将计算的各个时刻t下的学习用的离群评分SG，n，t输出给离群数据提取部4。
离群评分计算部3根据从异常探测用数据输入部2输出的异常探测用的时序数据DU，t，计算各个时刻t下的设备的异常度，作为异常探测用的离群评分SU，t。离群评分计算部3将计算的各个时刻t下的异常探测用的离群评分SU，t输出给离群数据提取部4。
离群数据提取部4具备阈值计算部5、阈值存储部6以及离群数据提取处理部7。
离群数据提取部4根据由离群评分计算部3计算的学习用的离群评分SG，n，t，从学习用的时序数据DG，n，t中提取有在设备中发生了异常的可能性的时间带的时序数据，作为学习用的离群数据ODG，n。离群数据提取部4将提取的学习用的离群数据ODG，n输出给异常判定部8以及波形条件生成部12各自。
离群数据提取部4根据由离群评分计算部3计算的异常探测用的离群评分SU，t，从异常探测用的时序数据DU，t中提取有在设备中发生了异常的可能性的时间带的异常探测用的时序数据，作为异常探测用的离群数据ODU，ts’-te’。离群数据提取部4将提取的异常探测用的离群数据ODU，ts’-te’输出给异常判定部8。
阈值计算部5例如通过图2所示的阈值计算电路24实现。
阈值计算部5根据由离群评分计算部3计算的学习用的离群评分SG，n，t，计算阈值Sth，将阈值Sth输出给阈值存储部6。
阈值存储部6例如通过图2所示的阈值存储电路25实现。
阈值存储部6存储从阈值计算部5输出的阈值Sth。
离群数据提取处理部7例如通过图2所示的离群数据提取处理电路26实现。
离群数据提取处理部7比较由离群评分计算部3计算的各个时刻t下的学习用的离群评分SG，n，t和由阈值存储部6存储的阈值Sth。
离群数据提取处理部7根据各个时刻t下的学习用的离群评分SG，n，t和阈值Sth的比较结果，从学习用的时序数据DG，n，t中提取学习用的离群数据ODG，n，ts-te。离群数据提取处理部7将提取的学习用的离群数据ODG，n，ts-te输出给类别判别部9、波形条件选择部10、波形分类部13以及波形条件生成处理部14各自。
离群数据提取处理部7比较由离群评分计算部3计算的各个时刻t下的异常探测用的离群评分SU，t和由阈值存储部6存储的阈值Sth。
离群数据提取处理部7根据各个时刻t下的异常探测用的离群评分SU，t和阈值Sth的比较结果，从异常探测用的时序数据DU，t中提取异常探测用的离群数据ODU，ts’-te’。离群数据提取处理部7将提取的异常探测用的离群数据ODU，ts’-te’输出给类别判别部9、波形条件选择部10以及异常判定处理部11各自。
异常判定部8具备类别判别部9、波形条件选择部10以及异常判定处理部11。
异常判定部8对照波形条件Wp和由离群数据提取部4提取的异常探测用的离群数据ODU，ts’-te’的波形。波形条件Wp是指，表示由离群数据提取部4提取的异常探测用的离群数据ODU，ts’-te’的变化的波形被认为是设备正常时的波形的情况下的条件。
异常判定部8根据波形条件Wp和异常探测用的离群数据ODU，ts’-te’的波形的对照结果，判定设备是否异常，将表示设备是否异常的判定结果，输出给探测结果输出部16。
类别判别部9例如通过图2所示的类别判别电路27实现。
类别判别部9计算由离群数据提取处理部7提取的学习用的离群数据ODG，n，ts-te的特征量CG，n，根据特征量CG，n，判别学习用的离群数据ODG，n，ts-te的波形的类别。类别判别部9将判别的学习用的离群数据ODG，n，ts-te的波形的类别输出给波形分类部13。
类别判别部9计算由离群数据提取处理部7提取的异常探测用的离群数据ODU，ts’-te’的特征量CU，根据特征量CU，判别异常探测用的离群数据ODU，ts’-te’的波形的类别。类别判别部9将判别的异常探测用的离群数据ODU，ts’-te’的波形的类别输出给波形条件选择部10。
波形条件选择部10例如通过图2所示的波形条件选择电路28实现。
波形条件选择部10从由波形条件存储部15存储的1个以上的波形条件Wp中选择与由类别判别部9判别的类别对应的波形条件Wp，将选择的波形条件Wp输出给异常判定处理部11。
异常判定处理部11例如通过图2所示的异常判定处理电路29实现。
异常判定处理部11对照由波形条件选择部10选择的波形条件Wp和由离群数据提取处理部7提取的异常探测用的离群数据ODU，ts’-te’的波形。
异常判定处理部11根据波形条件Wp和异常探测用的离群数据ODU，ts’-te’的波形的对照结果，判定设备是否异常，将表示设备是否异常的判定结果输出给探测结果输出部16。
波形条件生成部12具备波形分类部13、波形条件生成处理部14以及波形条件存储部15。
波形条件生成部12根据由离群数据提取部4提取的各个学习用的离群数据ODG，n，ts-te中的、由类别判别部9判别为波形是相互相同的类别的1个以上的学习用的离群数据ODG，n，ts-te的波形，生成与该类别对应的波形条件。波形条件生成部12存储生成的波形条件。
波形分类部13例如通过图2所示的波形分类电路30实现。
波形分类部13计算由离群数据提取部4提取的各个学习用的离群数据ODG，n，ts-te中的、由类别判别部9判别为波形是相互相同的类别的1个以上的学习用的离群数据ODG，n，ts-te之间的类似度。
波形分类部13根据计算的类似度，对由类别判别部9判别为波形是相同的类别的1个以上的学习用的离群数据ODG，n，ts-te进行分组。
波形分类部13将1个以上的学习用的离群数据ODG，n，ts-te的分组结果输出给波形条件生成处理部14。
波形条件生成处理部14例如通过图2所示的波形条件生成处理电路31实现。
波形条件生成处理部14关于由波形分类部13分组得到的全部群组，根据由波形分类部13分类为同一群组的1个以上的学习用的离群数据ODG，n，ts-te的波形生成与该群组对应的波形条件Wp。波形条件生成处理部14将生成的波形条件Wp输出给波形条件存储部15。
波形条件存储部15例如通过图2所示的波形条件存储电路32实现。
波形条件存储部15存储由波形条件生成处理部14生成的波形条件Wp。
探测结果输出部16例如通过图2所示的探测结果输出电路33实现。
探测结果输出部16使从异常判定处理部11输出的判定结果例如显示于未图示的显示器。
在图1中，设想作为异常探测装置的构成要素的学习用数据输入部1、异常探测用数据输入部2、离群评分计算部3、阈值计算部5、阈值存储部6、离群数据提取处理部7、类别判别部9、波形条件选择部10、异常判定处理部11、波形分类部13、波形条件生成处理部14、波形条件存储部15以及探测结果输出部16各自通过如图2所示的专用的硬件实现。即，设想异常探测装置通过输入接口电路21、输入接口电路22、离群评分计算电路23、阈值计算电路24、阈值存储电路25、离群数据提取处理电路26、类别判别电路27、波形条件选择电路28、异常判定处理电路29、波形分类电路30、波形条件生成处理电路31、波形条件存储电路32以及探测结果输出电路33实现。
在此，关于阈值存储电路25以及波形条件存储电路32各自，例如，RAM(RandomAccess Memory，随机存取存储器)、ROM(Read Only Memory，只读存储器)、闪速存储器、EPROM(Erasable Programmable Read Only Memory，可擦可编程只读存储器)、EEPROM(Electrically Erasable Programmable Read Only Memory，电可擦可编程只读存储器)等非易失性或者易失性的半导体存储器、磁盘、软盘、光盘、紧凑盘、迷你盘或者DVD(Digital Versatile Disc，数字通用光盘)相应。
另外，关于输入接口电路21、输入接口电路22、离群评分计算电路23、阈值计算电路24、离群数据提取处理电路26、类别判别电路27、波形条件选择电路28、异常判定处理电路29、波形分类电路30、波形条件生成处理电路31以及探测结果输出电路33各自，例如，单一电路、复合电路、程序化的处理器、并行程序化的处理器、ASIC(Application SpecificIntegrated Circuit，专用集成电路)、FPGA(Field-Programmable Gate Array，现场可编程门阵列)或者它们的组合相应。
异常探测装置的构成要素不限于用专用的硬件实现，异常探测装置也可以通过软件、固件或者软件和固件的组合实现。
软件或者固件作为程序，储存到计算机的存储器。计算机意味着执行程序的硬件，例如，CPU(Central Processing Unit，中央处理单元)、中央处理装置、处理装置、运算装置、微型处理器、微型计算机、处理器或者DSP(Digital Signal Processor，数字信号处理器)相应。
图3是异常探测装置用软件或者固件等实现的情况下的计算机的硬件结构图。
在异常探测装置用软件或者固件等实现的情况下，在计算机的存储器41上构成阈值存储部6以及波形条件存储部15。用于使计算机执行学习用数据输入部1、异常探测用数据输入部2、离群评分计算部3、阈值计算部5、离群数据提取处理部7、类别判别部9、波形条件选择部10、异常判定处理部11、波形分类部13、波形条件生成处理部14以及探测结果输出部16的处理过程的程序储存于存储器41。而且，计算机的处理器42执行储存于存储器41的程序。
图4是示出异常探测装置的学习时的处理过程的流程图。
图5是示出作为异常探测装置的异常探测时的处理过程的异常探测方法的流程图。
另外，在图2中，示出异常探测装置的构成要素的各个用专用的硬件实现的例子，在图3中，示出异常探测装置用软件或者固件等实现的例子。但是，其仅为一个例子，也可以异常探测装置中的一部分的构成要素用专用的硬件实现，剩余的构成要素用软件或者固件等实现。
接下来，说明图1所示的异常探测装置的动作。
最初，说明异常探测装置中的学习时的动作。
首先，学习用数据输入部1受理时序地表示异常探测对象的设备正常时的多个时刻t下的该设备的状态的N个学习用的时序数据DG，n，t(n＝1，2，…，N)的输入(图4的步骤ST1)。
学习用数据输入部1将受理输入的学习用的时序数据DG，n，t输出给离群评分计算部3以及离群数据提取部4各自。
图6A是示出学习用的时序数据DG，n，t的一个例子的说明图。在图6A中，横轴是时刻，纵轴是包含于学习用的时序数据DG，n，t的传感器的观测值。
在图6A中，为了简化附图，记载为包含于学习用的时序数据DG，n，t的传感器的观测值是连续值，但传感器的观测值是离散值。
离群评分计算部3在从学习用数据输入部1接受到N个学习用的时序数据DG，n，t时，根据各个学习用的时序数据DG，n，t，计算各个时刻t下的设备的异常度，作为学习用的离群评分SG，n，t(图4的步骤ST2)。
图6B是示出学习用的离群评分SG，n，t以及阈值Sth的一个例子的说明图。在图6B中，横轴是时刻，纵轴是学习用的离群评分SG，n，t。
在学习用的离群评分SG，n，t的计算处理中，应用公知的技术。例如，在以下的非专利文献1中，公开了离群评分的计算处理。非专利文献1记载的“Matrix Profile(矩阵画像)”与离群评分相当。
[非专利文献1]
Chin-Chia Michael Yeh，Yan Zhu，Liudmila Ulanova，Nurjahan Begum，YifeiDing，Hoang Anh Dau，Diego FurtadoSilva，Abdullah Mueen，Eamonn Keogh(2016).Matrix Profile I：All Pairs Similarity Joins for Time Series：A Unifying Viewthat Includes Motifs，Discords and Shapelets.
在图1所示的异常探测装置中，离群评分计算部3使用非专利文献1公开的离群评分的计算处理，计算学习用的离群评分SG，n，t。
但是，其仅为一个例子，离群评分计算部3例如也可以计算包含于学习用的时序数据DG，n，t的各个时刻t的传感器的观测值和时刻t的预测值的残差，作为学习用的离群评分SG，n，t。
离群评分计算部3将计算的各个时刻t下的学习用的离群评分SG，n，t输出给阈值计算部5以及离群数据提取处理部7各自。
阈值计算部5根据由离群评分计算部3计算的各个时刻t下的学习用的离群评分SG，n，t，计算如图6B所示的阈值Sth(图4的步骤ST3)。
阈值计算部5将计算的阈值Sth输出给阈值存储部6。
阈值存储部6存储从阈值计算部5输出的阈值Sth。
以下，说明由阈值计算部5计算阈值Sth的计算处理的一个例子。
首先，阈值计算部5通过离群评分计算部3，计算根据N个学习用的时序数据DG，n，t各自计算的所有学习用的离群评分SG，n，t的平均值SG，ave。
另外，阈值计算部5通过离群评分计算部3，计算根据N个学习用的时序数据DG，n，t各自计算的所有学习用的离群评分SG，n，t的标准差σ。
接下来，阈值计算部5如以下的式(1)所示，根据平均值SG，ave和标准差σ，计算阈值Sth。
Sth＝SG，ave+3σ (1)
在图1所示的异常探测装置中，阈值计算部5设为在学习时使用的阈值和在异常探测时使用的阈值是相同的阈值，计算阈值Sth。
但是，其仅为一个例子，也可以阈值计算部5分别计算在学习时使用的阈值Sth和在异常探测时使用的阈值Sth。
作为在学习时使用的阈值Sth，以在离群数据提取处理部7中能够提取大量的学习用的离群数据ODG，n，ts-te的方式，例如，作为比式(1)所示的阈值Sth小的阈值，计算(SG，ave+σ)～(SG，ave+2σ)的范围的阈值。
作为在异常探测时使用的阈值Sth，例如，计算式(1)所示的阈值Sth。
离群数据提取处理部7取得由离群评分计算部3计算的各个时刻t下的学习用的离群评分SG，n，t，取得由阈值存储部6存储的阈值Sth。
离群数据提取处理部7比较各个时刻t下的学习用的离群评分SG，n，t和阈值Sth。
离群数据提取处理部7根据学习用的离群评分SG，n，t和阈值Sth的比较结果，在各个时刻t下的学习用的离群评分SG，n，t中，确定阈值Sth以上的学习用的离群评分SG，n，t，从而检测学习用的离群评分SG，n，t为阈值Sth以上的期间ts-te。
离群数据提取处理部7从学习用的时序数据DG，n，t中提取检测的期间ts-te的时序数据DG，n，ts～DG，n，te，作为学习用的离群数据ODG，n，ts-te(图4的步骤ST4)。
离群数据提取处理部7将提取的学习用的离群数据ODG，n，ts-te，输出给类别判别部9、波形条件选择部10、波形分类部13以及波形条件生成处理部14各自。
类别判别部9在从离群数据提取处理部7接受到学习用的离群数据ODG，n，ts-te时，计算学习用的离群数据ODG，n，ts-te的特征量CG，n，根据特征量CG，n，判别学习用的离群数据ODG，n，ts-te的波形的类别(图4的步骤ST5)。
类别判别部9将判别的学习用的离群数据ODG，n，ts-te的波形的类别输出给波形分类部13。
以下，具体地说明由类别判别部9判别波形的类别的判别处理。
在此，说明类别判别部9将学习用的离群数据ODG，n，ts-te的波形例如分成上峰值型的波形、下峰值型的波形、上下峰值型的波形、过渡上升型的波形、过渡下降型的波形或者振动型的波形这6个群组的例子。
图7是示出波形的类别是“上峰值型”、“下峰值型”、“上下峰值型”、“过渡上升型”、“过渡下降型”或者“振动型”的情况下的学习用的离群数据ODG，n，ts-te的波形的说明图。
在图7中，起点是学习用的离群数据ODG，n，ts-te的波形开始的点，终点是学习用的离群数据ODG，n，ts-te的波形结束的点。
[上峰值型]
上峰值型的波形是如图7A所示，学习用的离群数据ODG，n，ts-te的值急剧上升后急剧下降，之后，学习用的离群数据ODG，n，ts-te的值返回到急剧上升前的值附近的波形。
[下峰值型]
下峰值型的波形是如图7B所示，学习用的离群数据ODG，n，ts-te的值急剧下降后急剧上升，之后，学习用的离群数据ODG，n，ts-te的值返回到急剧下降前的值附近的波形。
[上下峰值型]
上下峰值型的波形是如图7C所示，学习用的离群数据ODG，n，ts-te的值急剧下降至最小值后急剧上升至最大值，之后，学习用的离群数据ODG，n，ts-te的值返回到急剧下降前的值附近的波形。
另外，上下峰值型的波形是学习用的离群数据ODG，n，ts-te的值急剧上升至最大值后急剧下降至最小值，之后，学习用的离群数据ODG，n，ts-te的值返回到急剧上升前的值附近的波形。
[过渡上升型]
过渡上升型的波形是如图7D所示，学习用的离群数据ODG，n，ts-te的值上升至最大值，之后，学习用的离群数据ODG，n，ts-te的值成为最大值附近的值的波形。
[过渡下降型的波形]
过渡下降型的波形是如图7E所示，学习用的离群数据ODG，n，ts-te的值下降至最小值，之后，学习用的离群数据ODG，n，ts-te的值成为最小值附近的值的波形。
[振动型的波形]
振动型的波形是如图7F所示，学习用的离群数据ODG，n，ts-te的值持续上下振动而不收敛的波形。
图8是示出学习用的离群数据ODG，n，ts-te中的特征量CG，n的一个例子的说明图。
首先，类别判别部9计算从离群数据提取处理部7输出的学习用的离群数据ODG，n，ts-te的平均值DG，n，ave。
在类别判别部9中，作为特征量CG，n之一，对作为学习用的离群数据ODG，n，ts-te与平均值DG，n，ave交叉的次数的交叉次数CN进行计数。
图8所示的学习用的离群数据ODG，n，ts-te与平均值DG，n，ave交叉5次。
类别判别部9着眼于学习用的离群数据ODG，n，ts-te和平均值DG，n，ave交叉的1个以上的交叉点中的、从学习用的离群数据ODG，n，ts-te的起点数起第1个交叉点。
如果以第1个交叉点为界，学习用的离群数据ODG，n，ts-te从比平均值DG，n，ave低的值变化为比平均值DG，n，ave高的值，则类别判别部9将“初次交叉＝正”作为特征量CG，n之一。
9如果以第1个交叉点为界，学习用的离群数据ODG，n，ts-te从比平均值DG，n，ave高的值变化为比平均值DG，n，ave低的值，则类别判别部将“初次交叉＝负”作为特征量CG，n之一。
在图8所示的学习用的离群数据ODG，n，ts-te中，初次交叉是正。
另外，在类别判别部9中，作为特征量CG，n之一，计算学习用的离群数据ODG，n，ts-te的起点和学习用的离群数据ODG，n，ts-te的终点的差的绝对值Δs-e。
进而，在类别判别部9中，作为特征量CG，n之一，计算学习用的离群数据ODG，n，ts-te中的最大值和学习用的离群数据ODG，n，ts-te中的最小值的差的绝对值Δmax-min。
如果交叉次数CN是2次、并且、“初次交叉＝正”，则类别判别部9判别为波形的类别是“上峰值型”。
另外，如果交叉次数CN是1次、并且“初次交叉＝正”、并且Δs-e≤Δmax-min×α，则类别判别部9判别为波形的类别是“上峰值型”。其中，α是任意的常数，0≤α≤1。常数α既可以储存于类别判别部9的内部存储器，也可以从外部提供。
如果交叉次数CN是2次、并且“初次交叉＝负”，则类别判别部9判别为波形的类别是“下峰值型”。
另外，如果交叉次数CN是1次、并且“初次交叉＝负”、并且Δs-e≤Δmax-min×α，则类别判别部9判别为波形的类别是“下峰值型”。
如果交叉次数CN是3次、并且Δs-e≤Δmax-min×β，则类别判别部9判别为波形的类别是“上下峰值型”。其中，β是任意的常数，0≤β≤1。常数β既可以储存于类别判别部9的内部存储器，也可以从外部提供。
如果交叉次数CN是1次、并且“初次交叉＝正”、并且、Δs-e>Δmax-min×α，则类别判别部9判别为波形的类别是“过渡上升型”。
如果交叉次数CN是1次、并且“初次交叉＝负”、并且、Δs-e>Δmax-min×α，则类别判别部9判别为波形的类别是“过渡下降型”。
如果交叉次数CN是4次以上，则类别判别部9判别为波形的类别是“振动型”。
另外，如果交叉次数CN是3次、并且Δs-e>Δmax-min×α，则类别判别部9判别为波形的类别是“振动型”。
波形分类部13对由离群数据提取部4提取的各个学习用的离群数据ODG，n，ts-te中的、由类别判别部9判别为波形是相互相同的类别的1个以上的学习用的离群数据ODG，n，ts-te进行分组。
接下来，波形分类部13关于分组得到的全部群组，计算包含于该群组的1个以上的学习用的离群数据ODG，n，ts-te之间的类似度。
作为1个以上的学习用的离群数据ODG，n，ts-te之间的类似度，也可以计算1个以上的学习用的离群数据ODG，n，ts-te的波形之间的距离。作为计算的距离，考虑欧几里得距离、1-相关系数、曼哈顿距离或者DTW(Dynamic Time Warping，动态时间规整)距离等。距离越短，类似度越大。
1个以上的学习用的离群数据ODG，n，ts-te的波形之间的距离的计算处理自身由于是公知的技术，所以省略详细的说明。
波形分类部13根据计算的类似度，对分类为同一群组的1个以上的学习用的离群数据ODG，n，ts-te进一步进行分组(图4的步骤ST6)。
具体而言，波形分类部13以使分类为同一群组的1个以上的学习用的离群数据ODG，n，ts-te中的、计算的相互的类似度大的学习用的离群数据ODG，n，ts-te彼此属于同一群组的方式，进行学习用的离群数据ODG，n，ts-te的聚类。波形分类部13例如判断为计算的类似度为阈值以上的学习用的离群数据ODG，n，ts-te彼此是相互的类似度大的学习用的离群数据ODG，n，ts-te彼此。
作为聚类的方式，能够使用k-means法。但是，聚类的方式不限于k-means法，也可以使用谱聚类或者层次聚类等。
与计算的类似度进行比较的阈值既可以储存于类别判别部9的内部存储器，也可以从外部提供。
波形分类部13将1个以上的学习用的离群数据ODG，n，ts-te的分组结果输出给波形条件生成处理部14。
波形条件生成处理部14关于由波形分类部13分组得到的全部群组，根据包含于该群组的1个以上的学习用的离群数据ODG，n，ts-te的波形生成与该群组对应的波形条件Wp(图4的步骤ST7)。
在波形条件生成处理部14中，作为波形条件Wp，例如生成表示波形的正常范围的带模型。
波形条件生成处理部14将生成的波形条件Wp输出给波形条件存储部15。
波形条件存储部15存储从波形条件生成处理部14输出的波形条件Wp。
以下，具体地说明由波形条件生成处理部14生成带模型的生成处理。
在此，为便于说明，设为包含于1个群组的1个以上的学习用的离群数据ODG，n，ts-te用P1，P2，…，Pm表示。另外，设为Pi的时刻t的值用Pi[t]表示。i＝1，2，…，m。时刻t是期间ts-te中的任意时刻，具体而言，时刻t是将时刻ts置换为1的情况下的任意时刻(t＝1，2，…，(te-ts))。
波形条件生成处理部14如以下的式(2)所示，计算时刻t下的m个Pi[t]的平均值Pmean[t]，如以下的式(3)所示，计算时刻t下的m个Pi[t]的标准差Pstd[t]。
Figure BDA0003088616530000181
Figure BDA0003088616530000182
波形条件生成处理部14使用平均值Pmean[t]、标准差Pstd[t]以及常数λ(1≤λ)，如以下的式(4)所示，计算带模型表示的正常范围的上限值Bupper[t]。常数λ既可以储存于波形条件生成处理部14的内部存储器，也可以从外部提供。
Bupper[t]＝Pmean[t]+Pstd[t]×λ (4)
波形条件生成处理部14使用平均值Pmean[t]、标准差Pstd[t]以及常数λ(1≤λ)，如以下的式(5)所示，计算带模型表示的正常范围的下限值Blower[t]。
Blower[t]＝Pmean[t]-Pstd[t]×λ (5)
在此，波形条件生成处理部14使用平均值Pmean[t]以及标准差Pstd[t]，计算带模型表示的正常范围的上限值Bupper[t]以及下限值Blower[t]。但是，其仅为一个例子，波形条件生成处理部14也可以使用时刻t下的m个Pi[t]中的最大值Pmax[t]以及最小值Pmin[t]，计算带模型表示的正常范围的上限值Bupper[t]以及下限值Blower[t]。
波形条件生成处理部14如以下的式(6)所示，求出时刻t下的m个Pi[t]中的最大值Pmax[t]，如以下的式(7)所示，求出时刻t下的m个Pi[t]中的最小值Pmin[t]。
Pmax[t]＝max(P1[t]，P2[t]，…，Pm[t])
(6)
Pmin[t]＝min(P1[t]，P2[t]，…，Pm[t])
(7)
波形条件生成处理部14使用最大值Pmax[t]、最小值Pmin[t]以及常数δ(1≤δ≤m)，如以下的式(8)所示，计算带模型表示的正常范围的上限值Bupper[t]。
Figure BDA0003088616530000191
在式(8)中，Pmax[t-δ/2：t+δ/2]是包含于时刻(t-δ/2)～时刻(t+δ/2)的各个时刻t的最大值Pmax[t]。
波形条件生成处理部14使用最大值Pmax[t]、最小值Pmin[t]以及常数δ(1≤δ≤m)，如以下的式(9)所示，计算带模型表示的正常范围的下限值Blower[t]。
Figure BDA0003088616530000192
在式(9)中，Pmin[t-δ/2：t+δ/2]是包含于时刻(t-δ/2)～时刻(t+δ/2)的各个时刻t的最小值Pmin[t]。
图9是示出波形的类别与“上峰值型”相关的带模型的生成例的说明图。
图9A示出波形的类别是“上峰值型”的N(N＝12)个学习用的离群数据ODG，n，ts-te。
在图9A中，横轴是时刻t，纵轴是时刻t下的学习用的离群数据ODG，n，ts-te的值Pi[t]。
实线部分是学习用的离群数据ODG，n，ts-te，虚线部分是学习用的离群数据ODG，n，ts-te的前后的学习用的时序数据DG，n，t。
图9B示出N个学习用的离群数据ODG，n，ts-te的平均值Pmean[t]、带模型表示的正常范围的上限值Bupper[t]以及下限值Blower[t]。
在图9B中，横轴是时刻t，纵轴是时刻t的平均值Pmean[t]、时刻t的上限值Bupper[t]以及时刻t的下限值Blower[t]。
在图9的例子中，波形条件生成处理部14根据12个学习用的离群数据ODG，n，ts-te，生成波形的类别与“上峰值型”相关的带模型。
接下来，说明异常探测装置中的异常探测时的动作。
首先，异常探测用数据输入部2受理时序地表示多个时刻t下的异常探测对象的设备的状态的异常探测用的时序数据DU，t的输入(图5的步骤ST11)。
异常探测用数据输入部2将受理输入的异常探测用的时序数据DU，t输出给离群评分计算部3以及离群数据提取处理部7各自。
离群评分计算部3在接受到从异常探测用数据输入部2输出的异常探测用的时序数据DU，t时，根据异常探测用的时序数据DU，t，计算各个时刻t下的异常探测用的离群评分SU，t(图5的步骤ST12)。
异常探测用的离群评分SU，t的计算处理与学习用的离群评分SG，n，t的计算处理相同。
离群评分计算部3将计算的各个时刻t下的异常探测用的离群评分SU，t输出给离群数据提取处理部7。
离群数据提取处理部7取得由离群评分计算部3计算的各个时刻t下的异常探测用的离群评分SU，t，取得由阈值存储部6存储的阈值Sth。
离群数据提取处理部7比较各个时刻t下的异常探测用的离群评分SU，t、和阈值Sth。
离群数据提取处理部7根据异常探测用的离群评分SU，t和阈值Sth的比较结果，在各个时刻t下的异常探测用的离群评分SU，t中，确定阈值Sth以上的异常探测用的离群评分SU，t，从而检测异常探测用的离群评分SU，t为阈值Sth以上的期间ts’-te’。
离群数据提取处理部7从异常探测用的时序数据DU，t中提取检测的期间ts’-te’的异常探测用的时序数据DU，ts’～DU，te’，作为异常探测用的离群数据ODU，ts’-te’(图5的步骤ST13)。
离群数据提取处理部7将提取的异常探测用的离群数据ODU，ts’-te’输出给类别判别部9、波形条件选择部10以及异常判定处理部11的各个。
在图1所示的异常探测装置中，为了简化说明，设为离群数据提取处理部7从异常探测用的时序数据DU，t中提取1个异常探测用的离群数据ODU，ts’-te’，进行以下的说明。
类别判别部9在从离群数据提取处理部7接受到异常探测用的离群数据ODU，ts’-te’时，计算异常探测用的离群数据ODU，ts’-te’的特征量CU。
异常探测用的离群数据ODU，ts’-te’中的特征量CU的计算处理与学习用的离群数据ODG，n，ts-te中的特征量CG，n的计算处理相同。
类别判别部9根据异常探测用的离群数据ODU，ts’-te’的特征量CU，判别异常探测用的离群数据ODU，ts’-te’的波形的类别(图5的步骤ST14)。
异常探测用的离群数据ODU，ts’-te’中的波形的类别的判别处理与学习用的离群数据ODG，n，ts-te中的波形的类别的判别处理相同。
类别判别部9将判别的波形的类别输出给波形条件选择部10。
波形条件选择部10分别计算从离群数据提取处理部7输出的异常探测用的离群数据ODU，ts’-te’与从离群数据提取处理部7输出的N个学习用的离群数据ODG，n，ts-te之间的类似度。
作为异常探测用的离群数据ODU，ts’-te’与学习用的离群数据ODG，n，ts-te之间的类似度，也可以计算异常探测用的离群数据ODU，ts’-te’的波形和学习用的离群数据ODG，n，ts-te的波形的距离。作为计算的距离，考虑欧几里得距离、1-相关系数、曼哈顿距离或者DTW距离等。距离的计算处理自身由于是公知的技术，所以省略详细的说明。
波形条件选择部10在N个学习用的离群数据ODG，n，ts-te中，检索与异常探测用的离群数据ODU，ts’-te’的类似度最高的学习用的离群数据ODG，n，ts-te。与异常探测用的离群数据ODU，ts’-te’的类似度最高的学习用的离群数据ODG，n，ts-te的波形的类别与异常探测用的离群数据ODU，ts’-te’的波形的类别相同。
波形条件选择部10从与由波形条件存储部15存储的1个以上的群组对应的波形条件Wp中选择与包括检索的学习用的离群数据ODG，n，ts-te的群组对应的波形条件Wp(图5的步骤ST15)。
波形条件选择部10将选择的波形条件Wp输出给异常判定处理部11。
异常判定处理部11对照由波形条件选择部10选择的波形条件Wp和由离群数据提取处理部7提取的异常探测用的离群数据ODU，ts’-te’的波形。
异常判定处理部11根据波形条件Wp和异常探测用的离群数据ODU，ts’-te’的波形的对照结果，判定设备是否异常(图5的步骤ST16)。
异常判定处理部11将表示设备是否异常的判定结果输出给探测结果输出部16。
探测结果输出部16使从异常判定处理部11输出的判定结果例如显示于未图示的显示器(图5的步骤ST17)。
以下，具体地说明由异常判定处理部11判定设备的异常判定处理。
图10A是示出由异常判定处理部11判定为设备正常的情况下的异常探测用的离群数据ODU，ts’-te’的波形的说明图。
图10B是示出由异常判定处理部11判定为设备异常的情况下的异常探测用的离群数据ODU，ts’-te’的波形的说明图。
在图10A以及图10B中，横轴是时刻t。纵轴表示时刻t下的异常探测用的离群数据ODU，ts’-te’的值、时刻t下的带通表示的正常范围的上限值Bupper[t]以及下限值Blower[t]。
如果异常探测用的离群数据ODU，ts’-te’的波形在整个期间ts’-te’是带通的下限值Blower[t]以上并且是带通的上限值Bupper[t]以下，则包含于正常范围，所以异常判定处理部11判定为设备正常。
图10A所示的异常探测用的离群数据ODU，ts’-te’的波形在整个期间ts’-te’是下限值Blower[t]以上并且是上限值Bupper[t]以下，所以由异常判定处理部11判定为设备正常。
在异常探测用的离群数据ODU，ts’-te’的波形在期间ts’-te’中的任意时刻t小于下限值Blower[t]的情况或者在任意时刻t大于上限值Bupper[t]的情况下，脱离正常范围，所以异常判定处理部11判定为设备异常。
图10B所示的异常探测用的离群数据ODU，ts’-te’的波形比上限值Bupper[t]大3次，所以由异常判定处理部11判定为设备异常。
在此，如果异常探测用的离群数据ODU，ts’-te’的波形在整个期间ts’-te’是下限值Blower[t]以上并且是上限值Bupper[t]以下，则异常判定处理部11判定为设备正常。但是，其仅为一个例子，即使异常探测用的离群数据ODU，ts’-te’的波形脱离带模型表示的正常范围，如果是容许范围的脱离，则异常判定处理部11也可以判定为设备正常。
具体而言，如以下所述。
异常判定处理部11准备初始值为0的变量K。
如果在期间ts’-te’内的各个时刻t，异常探测用的离群数据ODU，ts’-te’的值大于上限值Bupper[t]，则异常判定处理部11对变量K加上“1”。因此，如果作为异常探测用的离群数据ODU，ts’-te’的值大于上限值Bupper[t]的时刻t，例如有3个时刻，则异常判定处理部11对变量K加上“3”。
另外，如果在期间ts’-te’内的各个时刻t，异常探测用的离群数据ODU，ts’-te’的值小于下限值Blower[t]，则异常判定处理部11对变量K加上“1”。因此，如果作为异常探测用的离群数据ODU，ts’-te’的值小于下限值Blower[t]的时刻t，例如有2个时刻，则异常判定处理部11对变量K加上“2”。
如果如以下的式(10)所示，对期间ts’-te’乘以系数ζ(0≤ζ<1)而得到的值是变量K以上，则异常判定处理部11判定为设备正常。
K≤|ts’-te’|×ζ(10)
如果对期间ts’-te’乘以系数ζ而得到的值小于变量K，则异常判定处理部11判定为设备异常。
此外，系数ζ既可以储存于异常判定处理部11的内部存储器，也可以从外部提供。在ζ＝0的情况下，容许范围成为零。
在此，作为即使异常探测用的离群数据ODU，ts’-te’的波形脱离带模型表示的正常范围，如果是容许范围的脱离，则判定为设备正常的例子，示出异常判定处理部11在式(10)成立时，判定为设备正常的例子。
但是，其仅为一个例子，还考虑以下的具体例。
有即使异常探测用的离群数据ODU，ts’-te’的波形脱离带模型表示的正常范围的次数少，各自的脱离的宽度大的情况。
另一方面，有即使异常探测用的离群数据ODU，ts’-te’的波形脱离带模型表示的正常范围的次数多，各自的脱离的宽度小的情况。
例如，认为相比于脱离的宽度是与带模型的宽度相同的程度时的脱离的次数为1次的情况，在脱离的宽度是带模型的宽度的1％程度时的脱离的次数为2～3次的情况下，设备正常的可能性更高。
异常判定处理部11准备初始值为0的变量G。
异常判定处理部11在期间ts’-te’内的各个时刻t，从异常探测用的离群数据ODU，ts’-te’的值减去上限值Bupper[t]，如果减法后的值是正的值，则对变量G加上减法后的值。
另外，异常判定处理部11在期间ts’-te’内的各个时刻t，从下限值Blower[t]减去异常探测用的离群数据ODU，ts’-te’的值，如果减法后的值是正的值，则对变量G加上减法后的值。
如果变量G是阈值Gth以下，则异常判定处理部11判定为设备正常，如果变量G大于阈值Gth，则异常判定处理部11判定为设备异常。
阈值Gth既可以储存于异常判定处理部11的内部存储器，也可以从外部提供。
作为阈值Gth，能够使用如以下的式(11)或者式(12)所示的阈值Gth。
Gth＝(max(Bupper[t])-min(Blower[t]))×θ
(11)
在式(11)中，max(Bupper[t])是期间ts’-te’内的上限值Bupper[t]中的最大值，min(Blower[t])是期间ts’-te’内的下限值Blower[t]中的最小值，θ是0以上的系数。系数θ既可以储存于异常判定处理部11的内部存储器，也可以从外部提供。
Figure BDA0003088616530000251
在式(12)中，h是期间ts’-te’内的时刻t的数量。
在图1所示的异常探测装置中，离群数据提取处理部7从异常探测用的时序数据DU，t中提取1个异常探测用的离群数据ODU，ts’-te’。
但是，其仅为一个例子，离群数据提取处理部7有时从异常探测用的时序数据DU，t中提取检测期间ts’-te’相互不同的2个以上的异常探测用的离群数据ODU，ts’-te’。
在由离群数据提取处理部7提取2个以上的异常探测用的离群数据ODU，ts’-te’的情况下，关于各个离群数据ODU，ts’-te’，类别判别部9、波形条件选择部10以及异常判定处理部11进行先前说明的处理。
在以上的实施方式1中，异常探测装置构成为，异常判定部8对照表示由离群数据提取部4提取的异常探测用的离群数据的变化的波形被认为是设备正常时的波形的波形条件和异常探测用的离群数据的波形，根据波形条件和异常探测用的离群数据的波形的对照结果，判定设备是否异常。因此，异常探测装置无需事先准备事件信息而能够避免发生表示在设备中发生了异常的意思的误判定。
在事件中，除了可事先预测的事件以外，还有难以预测的事件，所以有时无法事先准备事件信息。
另一方面，在图1所示的异常探测装置中，需要代替准备事件信息，而事先准备波形条件wp。波形条件wp能够根据设备正常时的学习用的时序数据DG，n，t生成，所以易于事先准备波形条件wp。
在图1所示的异常探测装置中，波形分类部13计算包含于群组的1个以上的学习用的离群数据ODG，n，ts-te之间的类似度。
但是，1个以上的学习用的离群数据ODG，n，ts-te的波形的长度不一定是相同的长度，而有时是不同的长度。
波形分类部13例如在2个学习用的离群数据ODG，n，ts-te的波形的长度不同的情况下，最初使长度短的波形的开头与长度长的波形的开头对齐，计算长度短的波形与长度长的波形之间的距离。
波形分类部13直至使长度短的波形的末尾与长度长的波形的末尾对齐，使长度短的波形相对长度长的波形平行地滑动的同时，反复计算长度短的波形与长度长的波形之间的距离。
波形分类部13在计算的所有距离中选择最小的距离，将与选择的距离对应的类似度决定为波形的长度长的学习用的离群数据ODG，n，ts-te、与波形的长度短的学习用的离群数据ODG，n，ts-te之间的类似度。作为与距离对应的类似度，例如，考虑将距离的倒数的整数倍作为类似度。
波形分类部13在将类似度为阈值以上的学习用的离群数据ODG，n，ts-te彼此包含于同一群组时，确定波形的长度短的学习用的离群数据ODG，n，ts-te相对波形的长度最长的学习用的离群数据ODG，n，ts-te的类似度成为最大的滑动的位置。
波形分类部13针对波形的长度最长的学习用的离群数据ODG，n，ts-te，在确定的滑动的位置，配置波形的长度短的学习用的离群数据ODG，n，ts-te。
通过在确定的滑动的位置配置波形的长度短的学习用的离群数据ODG，n，ts-te，波形的长度短的学习用的离群数据ODG，n，ts-te的开头有时位于比波形的长度最长的学习用的离群数据ODG，n，ts-te的开头更靠末尾侧。
波形分类部13通过将比波形的长度短的学习用的离群数据ODG，n，ts-te前的时刻的学习用的时序数据DG，n，t附加到波形的长度短的学习用的离群数据ODG，n，ts-te的开头侧，使波形的长度短的学习用的离群数据ODG，n，ts-te的开头与波形的长度最长的学习用的离群数据ODG，n，ts-te的开头对齐。
另外，通过在确定的滑动的位置配置波形的长度短的学习用的离群数据ODG，n，ts-te，波形的长度短的学习用的离群数据ODG，n，ts-te的末尾有时位于比波形的长度最长的学习用的离群数据ODG，n，ts-te的末尾更靠开头侧。
波形分类部13通过将比波形的长度短的学习用的离群数据ODG，n，ts-te后的时刻的学习用的时序数据DG，n，t附加到波形的长度短的学习用的离群数据ODG，n，ts-te的末尾侧，使波形的长度短的学习用的离群数据ODG，n，ts-te的末尾与波形的长度最长的学习用的离群数据ODG，n，ts-te的末尾对齐。
波形分类部13将波形的长度对齐的同一学习用的离群数据ODG，n，ts-te彼此包含于同一群组。
在图1所示的异常探测装置中，波形分类部13将类似度为阈值以上的学习用的离群数据ODG，n，ts-te彼此包含于同一群组。
有传感器的观测值是外部气温或者海水温的情况或者传感器的观测值受到来自其他设备的外部主要原因等的影响的情况。在这些情况下，在学习用的离群数据ODG，n，ts-te的长期的趋势中，出现与事件关联的波形，所以即使各个学习用的离群数据ODG，n，ts-te的波形或者变化的宽度各自相似，观测值的值域也有时不同。
在包含于各个学习用的离群数据ODG，n，ts-te的观测值的值域不同的情况下，波形分类部13有时视为各个学习用的离群数据ODG，n，ts-te不类似，将各个学习用的离群数据ODG，n，ts-te分成不同的群组。
因此，波形分类部13关于由类别判别部9判别为波形是相互相同的类别的1个以上的学习用的离群数据ODG，n，ts-te各自，计算波形的平均值M。
波形分类部13关于1个以上的学习用的离群数据ODG，n，ts-te各自，从各个时刻t的值减去各个波形的平均值M。
波形分类部13关于1个以上的学习用的离群数据ODG，n，ts-te各自，从各个时刻t的值减去各个波形的平均值M，从而能够使包含于1个以上的学习用的离群数据ODG，n，ts-te的观测值的值域对齐。
另外，波形分类部13也可以在1个以上的学习用的离群数据ODG，n，ts-te的变化的宽度也受到外部的主要原因的影响的情况下，将1个以上的学习用的离群数据ODG，n，ts-te中的各个时刻t的值除以各个学习用的离群数据ODG，n，ts-te的标准差。
通过将1个以上的学习用的离群数据ODG，n，ts-te中的各个时刻t的值除以标准差，能够减轻外部主要原因的影响。
另外，还有1个以上的学习用的离群数据ODG，n，ts-te在时间方向上产生摇摆的情况。例如，在温度数据中出现的事件波形中，在夏季，温度上升的速度快，下降的速度慢。相逆地，在冬季，温度上升的速度慢，下降的速度快。
在1个以上的学习用的离群数据ODG，n，ts-te在时间方向上产生摇摆的情况下，波形分类部13使用动态时间伸缩法，计算1个以上的学习用的离群数据ODG，n，ts-te之间的DTW距离。
波形分类部13通过依照在DTW距离的计算中得到的伸缩路径使1个以上的学习用的离群数据ODG，n，ts-te的波形分别伸缩，能够消除学习用的离群数据ODG，n，ts-te的时间方向的摇摆。伸缩路径表示1个以上的学习用的离群数据ODG，n，ts-te之间的距离成为最小时的、1个以上的学习用的离群数据ODG，n，ts-te的对应的时间。依照伸缩路径使学习用的离群数据ODG，n，ts-te的波形伸缩的处理自身由于是公知的技术，所以省略详细的说明。
在图1所示的异常探测装置中，波形条件生成处理部14使用包含于群组的1个以上的学习用的离群数据ODG，n，ts-te中的各个时刻t的平均值Pmean[t]，计算带模型的上限值Bupper[t]等。
但是，其仅为一个例子，波形条件生成处理部14也可以代替使用时刻t的平均值Pmean[t]，而使用包含于群组的1个以上的学习用的离群数据ODG，n，ts-te中的、代表的学习用的离群数据ODG，n，ts-te中包含的时刻t的观测值。
作为代表的学习用的离群数据ODG，n，ts-te，能够使用与包含于群组的1个以上的学习用的离群数据ODG，n，ts-te的平均的离群数据类似度最大的学习用的离群数据ODG，n，ts-te。
在图1所示的异常探测装置中，波形条件生成处理部14计算带模型表示的正常范围的上限值Bupper[t]以及下限值Blower[t]。
波形条件生成处理部14也可以通过根据带模型表示的正常范围的宽度计算正常范围的余量，对正常范围加上余量，扩展正常范围。
具体而言，如以下所述。
波形条件生成处理部14如以下的式(13)所示，根据带模型表示的正常范围的宽度，计算正常范围的余量r。
r＝(max(Bupper[t])-min(Blower[t]))×η
(13)
在式(13)中，max(Bupper[t])是期间ts-te内的上限值Bupper[t]中的最大值，min(Blower[t])是期间ts-te内的下限值Blower[t]中的最小值，η是0以上的系数。η既可以储存于波形条件生成处理部14的内部存储器，也可以从外部提供。
波形条件生成处理部14通过如以下的式(14)所示，对上限值Bupper[t]加上余量r，如以下的式(15)所示，从下限值Blower[t]减去余量r，扩展正常范围。
Bupper[t]←Bupper[t]+r (14)
Blower[t]←Blower[t]-r (15)
在此，波形条件生成处理部14依照式(13)，计算正常范围的余量r。但是，其仅为一个例子，波形条件生成处理部14也可以依照以下的式(16)，计算正常范围的余量r。
Figure BDA0003088616530000291
在式(16)中，p是期间ts-te内的时刻t的数量。
实施方式2.
在图1所示的异常探测装置中，波形条件生成处理部14生成表示波形的正常范围的带模型，作为波形条件Wp。
在实施方式2中，说明波形条件生成处理部14生成表示在设备正常时出现学习用的离群数据ODG，n，ts-te的时间带的直方图作为波形条件Wp的异常探测装置。
实施方式2的异常探测装置的结构与实施方式1的异常探测装置的结构相同，实施方式2的异常探测装置的结构图是图1。
波形条件生成处理部14针对由波形分类部13分组得到的每个群组，作为波形条件Wp，生成表示出现包含于该群组的1个以上的学习用的离群数据ODG，n，ts-te的时间带的直方图。
学习用的离群数据ODG，n，ts-te包括表示学习用的离群评分SG，n，t为阈值Sth以上的期间ts-te的期间信息。期间信息包括表示学习用的离群评分SG，n，t成为阈值Sth以上的开始时刻的信息至表示学习用的离群评分SG，n，t成为阈值Sth以下的结束时刻的信息。
另外，表示开始时刻的信息以及表示结束时刻的信息不仅包括表示所谓时刻的信息，而且还包括表示日期的信息以及表示星期的信息。
直方图的生成处理自身由于是公知的技术，所以省略详细的说明，能够根据包含于学习用的离群数据ODG，n，ts-te的期间信息表示的期间ts-te，生成直方图。
图11是示出由波形条件生成处理部14生成的直方图的一个例子的说明图。
在图11中，横轴是时刻，表示日期或者星期，纵轴表示出现学习用的离群数据ODG，n，ts-te的频数。
图11示出学习用的离群数据ODG，n，ts-te在1点和2点之间产生，学习用的离群数据ODG，n，ts-te在10～12日出现，学习用的离群数据ODG，n，ts-te在星期二出现的例子。
波形条件选择部10与实施方式1同样地，分别计算从类别判别部9输出的异常探测用的离群数据ODU，ts’-te’与N个学习用的离群数据ODG，n，ts-te之间的类似度。
波形条件选择部10与实施方式1同样地，在N个学习用的离群数据ODG，n，ts-te中，检索与异常探测用的离群数据ODU，ts’-te’的类似度最高的学习用的离群数据ODG，n，ts-te。
波形条件选择部10与实施方式1同样地，从由波形条件存储部15存储的与1个以上的群组对应的波形条件Wp中选择与包括检索的学习用的离群数据ODG，n，ts-te的群组对应的波形条件Wp。
由波形条件选择部10选择的波形条件Wp是由波形条件生成处理部14生成的直方图。
波形条件选择部10将选择的波形条件Wp输出给异常判定处理部11。
异常判定处理部11参照包含于从离群数据提取处理部7输出的异常探测用的离群数据ODU，ts’-te’的期间信息，辨识作为出现异常探测用的离群数据ODU，ts’-te’的时间带的期间ts’-te’。
异常判定处理部11对照出现异常探测用的离群数据ODU，ts’-te’的期间ts’-te’和作为从波形条件选择部10输出的波形条件Wp的直方图表示的出现时间带。
如果出现异常探测用的离群数据ODU，ts’-te’的期间ts’-te’包含于直方图表示的出现时间带，则异常判定处理部11判定为设备正常。
在图11的例子中，如果出现异常探测用的离群数据ODU，ts’-te’的时间带是1点和2点之间并且是10～12日中的任意日并且是星期二，则异常判定处理部11判定为设备正常。
如果出现异常探测用的离群数据ODU，ts’-te’的期间ts’-te’未包含于直方图表示的出现时间带，则异常判定处理部11判定为设备异常。
在图11的例子中，如果出现异常探测用的离群数据ODU，ts’-te’的时间带并非1点和2点之间或者并非10～12日中的任意日或者并非星期二，则异常判定处理部11判定为设备异常。
在以上的实施方式2中，异常探测装置构成为，如果出现由离群数据提取部4提取的异常探测用的离群数据的时间带包含于直方图表示的出现时间带，则异常判定部8判定为设备正常，如果出现异常探测用的离群数据的时间带未包含于直方图表示的出现时间带，则异常判定部8判定为设备异常。因此，异常探测装置无需事先准备事件信息而能够避免发生表示在设备中发生了异常的意思的误判定。
在实施方式2的异常探测装置中，如果出现异常探测用的离群数据ODU，ts’-te’的时间带包含于直方图表示的出现时间带，则异常判定处理部11判定为设备正常。
在实施方式2的异常探测装置中，也与实施方式1的异常探测装置同样地，异常判定处理部11判定异常探测用的离群数据ODU，ts’-te’的波形是否在整个期间ts’-te’为带通的正常范围内。
而且，也可以如果出现异常探测用的离群数据ODU，ts’-te’的时间带包含于直方图表示的发生时间带并且异常探测用的离群数据ODU，ts’-te’的波形在整个期间ts’-te’包含于带通的正常范围，则异常判定处理部11判定为设备正常。
实施方式3.
在实施方式3中，说明具备展示由波形条件生成处理部14生成的波形条件Wp，受理从展示的波形条件Wp中有效的波形条件Wp的选择的选择受理部17的异常探测装置。
图12是示出实施方式3所涉及的异常探测装置的结构图。
图13是示出实施方式3所涉及的异常探测装置的硬件的硬件结构图。
在图12以及图13中，与图1以及图2相同的符号表示同一或者相当部分，所以省略说明。
选择受理部17例如通过图13所示的选择受理电路34实现。
选择受理部17展示由波形条件生成处理部14生成的波形条件Wp，受理从展示的波形条件Wp中有效的波形条件Wp的选择。
选择受理部17仅将受理选择的有效的波形条件Wp作为由波形条件生成处理部14生成的波形条件Wp留下，丢弃未受理选择的波形条件Wp。
在图12中，设想作为异常探测装置的构成要素的学习用数据输入部1、异常探测用数据输入部2、离群评分计算部3、阈值计算部5、阈值存储部6、离群数据提取处理部7、类别判别部9、波形条件选择部10、异常判定处理部11、波形分类部13、波形条件生成处理部14、波形条件存储部15、探测结果输出部16以及选择受理部17各自通过图13所示的专用的硬件实现。即，设想异常探测装置通过输入接口电路21、输入接口电路22、离群评分计算电路23、阈值计算电路24、阈值存储电路25、离群数据提取处理电路26、类别判别电路27、波形条件选择电路28、异常判定处理电路29、波形分类电路30、波形条件生成处理电路31、波形条件存储电路32、探测结果输出电路33以及选择受理电路34实现。
在此，关于输入接口电路21、输入接口电路22、离群评分计算电路23、阈值计算电路24、离群数据提取处理电路26、类别判别电路27、波形条件选择电路28、异常判定处理电路29、波形分类电路30、波形条件生成处理电路31、探测结果输出电路33以及选择受理电路34各自，例如，单一电路、复合电路、程序化的处理器、并行程序化的处理器、ASIC、FPGA或者它们的组合相应。
异常探测装置的构成要素不限于用专用的硬件实现，异常探测装置也可以通过软件、固件或者软件和固件的组合实现。
在异常探测装置用软件或者固件等实现的情况下，在计算机的存储器41上构成阈值存储部6以及波形条件存储部15。用于使计算机执行学习用数据输入部1、异常探测用数据输入部2、离群评分计算部3、阈值计算部5、离群数据提取处理部7、类别判别部9、波形条件选择部10、异常判定处理部11、波形分类部13、波形条件生成处理部14、探测结果输出部16以及选择受理部17的处理过程的程序储存于图3所示的存储器41。而且，图3所示的处理器42执行储存于存储器41的程序。
接下来，说明图12所示的异常探测装置的动作。
但是，图12所示的异常探测装置的构成要素中的、选择受理部17以外的构成要素与图1所示的异常探测装置相同，所以在此，仅说明选择受理部17的动作。
选择受理部17如图14所示，使由波形条件生成处理部14生成的1个以上的波形条件Wp例如显示于未图示的显示器。
图14是示出显示由波形条件生成处理部14生成的1个以上的波形条件Wp的一览表的一览表确认画面的说明图。
用户通过确认一览表确认画面，能够评价各个波形条件Wp的妥当性。
图14所示的一览表确认画面具备与各个波形条件Wp对应的勾选框。通过选中与各个波形条件Wp对应的勾选框中的、与用户判断为妥当的波形条件Wp对应的勾选框，能够选择有效的波形条件Wp。
图14所示的一览表确认画面显示4个波形条件Wp。在图中，从左数第2～4个波形条件Wp被选中勾选框。
选择受理部17将由波形条件生成处理部14生成的1个以上的波形条件Wp中的、由用户选中勾选框的波形条件Wp，作为有效的波形条件Wp，受理选择。
选择受理部17仅将受理选择的有效的波形条件Wp作为由波形条件生成处理部14生成的波形条件Wp，存储到波形条件存储部15。
选择受理部17丢弃未受理选择的波形条件Wp，不将未受理选择的波形条件Wp存储到波形条件存储部15。
选择受理部17具备使显示于一览表确认画面的波形条件Wp的生成源的学习用的离群数据ODG，n，ts-te显示于未图示的显示器的功能。
当用户在显示于一览表确认画面的1个以上的波形条件Wp中点击任意波形条件Wp时，通过选择受理部17，将该波形条件Wp的生成源的1个以上的学习用的离群数据ODG，n，ts-te显示于未图示的显示器。
图15是示出显示波形条件Wp的生成源的学习用的离群数据ODG，n，ts-te的一览表的一览表确认画面的说明图。
图15所示的一览表确认画面显示12个学习用的离群数据ODG，n，ts-te。
用户通过确认一览表确认画面，能够判断12个学习用的离群数据ODG，n，ts-te中的、在生成波形条件Wp时认为不需要的学习用的离群数据ODG，n，ts-te。
图15所示的一览表确认画面具备与各个学习用的离群数据ODG，n，ts-te对应的勾选框。通过用户去掉与各个学习用的离群数据ODG，n，ts-te对应的勾选框中的、与认为不需要的学习用的离群数据ODG，n，ts-te对应的勾选框上的选中，能够选择认为不需要的学习用的离群数据ODG，n，ts-te。
在图15的例子中，关于最左侧的列的从上数第2个学习用的离群数据ODG，n，ts-te，勾选框上的选中被去掉。另外，关于最右侧的列的从上数第4个学习用的离群数据ODG，n，ts-te，勾选框上的选中被去掉。
选择受理部17受理12个学习用的离群数据ODG，n，ts-te中的、未去掉选中的学习用的离群数据ODG，n，ts-te的选择。
波形条件生成处理部14根据由选择受理部17受理选择的学习用的离群数据ODG，n，ts-te，再生成波形条件Wp。
图15所示的一览表确认画面具备受理由波形条件生成处理部14生成波形条件Wp的生成方法的选择的选择框。
在生成方法选择框中，能够选择使用平均值Pmean[t]以及标准差Pstd[t]，计算作为波形条件Wp的带模型表示的正常范围的上限值Bupper[t]以及下限值Blower[t]的生成方法。
另外，在生成方法选择框中，能够选择使用最大值Pmax[t]以及最小值Pmin[t]，计算带模型表示的正常范围的上限值Bupper[t]以及下限值Blower[t]的生成方法。
因此，用户通过操作生成方法选择框，能够选择波形条件Wp的生成方法。
选择受理部17受理与用户的生成方法选择框的操作相伴的波形条件Wp的生成方法的选择。
波形条件生成处理部14根据由选择受理部17受理选择的生成方法，根据由选择受理部17受理选择的学习用的离群数据ODG，n，ts-te，生成波形条件Wp。
图15所示的一览表确认画面具备受理带模型表示的正常范围的余量的选择的余量选择框。
因此，用户通过操作余量选择框，能够选择余量。
选择受理部17受理与用户的余量选择框的操作相伴的余量的选择。
波形条件生成处理部14通过对正常范围加上由选择受理部17受理选择的余量，扩展正常范围。
图15所示的一览表确认画面具备“反映”按钮、“保存”按钮以及“追加”按钮。
在用户点击“反映”按钮时，波形条件生成处理部14根据由选择受理部17受理选择的学习用的离群数据ODG，n，ts-te再生成波形条件Wp，以使再生成的波形条件Wp显示于一览表确认画面的方式动作。
在用户点击“保存”按钮时，以将由选择受理部17再生成的波形条件Wp存储到波形条件存储部15的方式动作。
在用户点击“追加”按钮时，以在再生成波形条件Wp时能够选择包含于与显示于图15所示的一览表确认画面的学习用的离群数据ODG，n，ts-te不同的群组的学习用的离群数据ODG，n，ts-te的方式动作。然后，在用户点击“追加”按钮之后，用户在图14所示的一览表确认画面中，点击与先前点击的波形条件Wp不同的波形条件Wp。在用户点击不同的波形条件Wp时，通过选择受理部17，将点击的波形条件Wp的生成源的1个以上的学习用的离群数据ODG，n，ts-te显示于图15所示的一览表确认画面。
在图15所示的一览表确认画中，用户通过在再生成波形条件Wp时选中认为需要追加的学习用的离群数据ODG，n，ts-te的勾选框，能够选择认为需要追加的学习用的离群数据ODG，n，ts-te。
在以上的实施方式3中，异常探测装置构成为，选择受理部17展示由波形条件生成处理部14生成的波形条件Wp，受理从展示的波形条件Wp中有效的波形条件Wp的选择，仅将受理选择的有效的波形条件Wp作为由波形条件生成处理部14生成的波形条件Wp留下，丢弃未受理选择的波形条件Wp。因此，异常探测装置能够生成反映用户的判断的波形条件Wp。
实施方式4.
在实施方式4中，说明波形条件生成部12将在由异常判定部8判定为设备异常时与波形条件Wp对照的异常探测用的离群数据ODU，ts’-te’用作学习用的离群数据ODG，n，ts-te的异常探测装置。
图16是示出实施方式4所涉及的异常探测装置的结构图。
图17是示出实施方式4所涉及的异常探测装置的硬件的硬件结构图。
在图16以及图17中，与图1以及图2相同的符号表示同一或者相当部分，所以省略说明。
类别判别部18例如通过图17所示的类别判别电路35实现。
类别判别部18与图1所示的类别判别部9同样地，判别由离群数据提取处理部7提取的学习用的离群数据ODG，n，ts-te的类别。
类别判别部18与图1所示的类别判别部9同样地，判别由离群数据提取处理部7提取的异常探测用的离群数据ODU，ts’-te’的波形的类别。
类别判别部18在由异常判定处理部11判定为设备异常时，从探测结果输出部19取得与波形条件Wp对照的异常探测用的离群数据ODU，ts’-te’，作为学习用的离群数据ODG，n，ts-te。
类别判别部18计算取得的异常探测用的离群数据ODU，ts’-te’的特征量，根据计算的特征量判别异常探测用的离群数据ODU，ts’-te’的波形的类别。类别判别部18将判别的异常探测用的离群数据ODU，ts’-te’的波形的类别输出给波形分类部13。
探测结果输出部19例如通过图17所示的探测结果输出电路36实现。
探测结果输出部19与图1所示的探测结果输出部16同样地，使从异常判定处理部11输出的判定结果显示于例如未图示的显示器。
探测结果输出部19在由异常判定处理部11判定为设备异常时，使与波形条件Wp对照的异常探测用的离群数据ODU，ts’-te’和异常探测用的时序数据DU，t显示于例如显示器。
探测结果输出部19在由异常判定处理部11判定为设备异常时，受理与波形条件Wp对照的异常探测用的离群数据ODU，ts’-te’中的、用作学习用的离群数据ODG，n，ts-te的异常探测用的离群数据ODU，ts’-te’的选择。
探测结果输出部19将受理选择的异常探测用的离群数据ODU，ts’-te’，作为学习用的离群数据ODG，n，ts-te，输出给类别判别部18、波形分类部13以及波形条件生成处理部14各自。
在图16中，设想作为异常探测装置的构成要素的学习用数据输入部1、异常探测用数据输入部2、离群评分计算部3、阈值计算部5、阈值存储部6、离群数据提取处理部7、类别判别部18、波形条件选择部10、异常判定处理部11、波形分类部13、波形条件生成处理部14、波形条件存储部15以及探测结果输出部19各自通过如图17所示的专用的硬件实现。即，设想异常探测装置通过输入接口电路21、输入接口电路22、离群评分计算电路23、阈值计算电路24、阈值存储电路25、离群数据提取处理电路26、类别判别电路35、波形条件选择电路28、异常判定处理电路29、波形分类电路30、波形条件生成处理电路31、波形条件存储电路32以及探测结果输出电路36实现。
在此，关于输入接口电路21、输入接口电路22、离群评分计算电路23、阈值计算电路24、离群数据提取处理电路26、类别判别电路35、波形条件选择电路28、异常判定处理电路29、波形分类电路30、波形条件生成处理电路31以及探测结果输出电路36各自，例如，单一电路、复合电路、程序化的处理器、并行程序化的处理器、ASIC、FPGA或者它们的组合相应。
异常探测装置的构成要素不限于用专用的硬件实现，异常探测装置也可以通过软件、固件或者软件和固件的组合实现。
在异常探测装置用软件或者固件等实现的情况下，在计算机的存储器41上构成阈值存储部6以及波形条件存储部15。用于使计算机执行学习用数据输入部1、异常探测用数据输入部2、离群评分计算部3、阈值计算部5、离群数据提取处理部7、类别判别部18、波形条件选择部10、异常判定处理部11、波形分类部13、波形条件生成处理部14以及探测结果输出部19的处理过程的程序储存于图3所示的存储器41。而且，图3所示的处理器42执行储存于存储器41的程序。
接下来，说明图16所示的异常探测装置的动作。
异常判定处理部11与实施方式1同样地，对照由波形条件选择部10选择的波形条件Wp和由离群数据提取处理部7提取的异常探测用的离群数据ODU，ts’-te’的波形。
异常判定处理部11与实施方式1同样地，根据波形条件Wp和异常探测用的离群数据ODU，ts’-te’的波形的对照结果，判定设备是否异常。
异常判定处理部11与实施方式1同样地，将表示设备是否异常的判定结果输出给探测结果输出部19。
异常判定处理部11在判定为设备异常时，将与波形条件Wp对照的异常探测用的离群数据ODU，ts’-te’输出给探测结果输出部19。
探测结果输出部19使从异常判定处理部11输出的判定结果例如显示于未图示的显示器。
探测结果输出部19如图18所示，在由异常判定处理部11判定为设备异常时，使与波形条件Wp对照的异常探测用的离群数据ODU，ts’-te’和从异常探测用数据输入部2输出的异常探测用的时序数据DU，t例如显示于显示器。
图18是示出在由异常判定处理部11判定为设备异常时显示与波形条件Wp对照的异常探测用的离群数据ODU，ts’-te’以及异常探测用的时序数据DU，t的数据显示画面的一个例子的说明图。
在图18中，异常探测用的时序数据DU，t中的、用〇包围的部分的数据是在由异常判定处理部11判定为设备异常时与波形条件Wp对照的异常探测用的离群数据ODU，ts’-te’。在图18所示的画面中，还显示离群数据ODU，ts’-te’的放大图。
在放大图中，实线部分是异常探测用的离群数据ODU，ts’-te’，虚线部分是异常探测用的离群数据ODU，ts’-te’的前后的异常探测用的时序数据DU，t。
在图18中，为了简化附图，异常探测用的离群数据ODU，ts’-te’的放大图的数量比用〇包围的部分的数据的数量少。
图18所示的数据显示画面具备与各个异常探测用的离群数据ODU，ts’-te’对应的勾选框。用户通过选中与希望用作学习用的离群数据ODG，n，ts-te的异常探测用的离群数据ODU，ts’-te’对应的勾选框，能够选择用作学习用的离群数据ODG，n，ts-te的异常探测用的离群数据ODU，ts’-te’。
在图18的例子中，关于上段的从左数第4个异常探测用的离群数据ODU，ts’-te’，勾选框被选中。
探测结果输出部19将由用户选中勾选框的异常探测用的离群数据ODU，ts’-te’，作为学习用的离群数据ODG，n，ts-te，受理选择。
探测结果输出部19将受理选择的异常探测用的离群数据ODU，ts’-te’，作为学习用的离群数据ODG，n，ts-te，输出给类别判别部18、波形分类部13以及波形条件生成处理部14各自。
类别判别部18与图1所示的类别判别部9同样地，判别由离群数据提取处理部7提取的学习用的离群数据ODG，n，ts-te的类别，将学习用的离群数据ODG，n，ts-te的类别输出给波形分类部13。
类别判别部18与图1所示的类别判别部9同样地，判别由离群数据提取处理部7提取的异常探测用的离群数据ODU，ts’-te’的波形的类别，将异常探测用的离群数据ODU，ts’-te’的波形的类别输出给波形条件选择部10。
类别判别部18取得从探测结果输出部19输出的异常探测用的离群数据ODU，ts’-te’，作为学习用的离群数据ODG，n，ts-te。
类别判别部18计算取得的异常探测用的离群数据ODU，ts’-te’的特征量，根据计算的特征量判别异常探测用的离群数据ODU，ts’-te’的波形的类别。
异常探测用的离群数据ODU，ts’-te’的波形的类别的判别处理与学习用的离群数据ODG，n，ts-te的波形的类别的判别处理相同。
类别判别部18将判别的异常探测用的离群数据ODU，ts’-te’的波形的类别输出给波形分类部13。
关于波形分类部13以及波形条件生成处理部14的动作，除了将从探测结果输出部19输出的异常探测用的离群数据ODU，ts’-te’用作学习用的离群数据ODG，n，ts-te以外，与实施方式1相同。
在以上的实施方式4中，异常探测装置构成为，类别判别部18在由异常判定部8判定为设备异常时，计算与波形条件对照的异常探测用的离群数据的特征量，根据该特征量判别与波形条件对照的异常探测用的离群数据的波形的类别。而且，波形条件生成部12根据由离群数据提取部4提取的各个学习用的离群数据以及与波形条件对照的异常探测用的离群数据中的、由类别判别部18判别为波形是相互相同的类别的1个以上的离群数据的波形，生成与该类别对应的波形条件。因此，异常探测装置相比于实施方式1的异常探测装置，能够增加学习用的离群数据，提高与类别对应的波形条件的精度。
此外，本申请发明能够在该发明的范围内，实现各实施方式的自由的组合、或者各实施方式的任意的构成要素的变形或者各实施方式中的任意的构成要素的省略。
产业上的可利用性
本发明适合于判定设备是否异常的异常探测装置以及异常探测方法。

Claims (17)

1.一种异常探测装置，具备：
离群评分计算部，根据时序地表示多个时刻下的异常探测对象的设备的状态的异常探测用的时序数据，计算多个时刻的各个时刻下的所述设备的异常度，作为异常探测用的离群评分；
离群数据提取部，根据由所述离群评分计算部计算的多个时刻的各个时刻下的异常探测用的离群评分，从所述异常探测用的时序数据中提取有在所述设备中发生了异常的可能性的时间带的异常探测用的时序数据，作为异常探测用的离群数据；以及
异常判定部，对照表示由所述离群数据提取部提取的异常探测用的离群数据的变化的波形被认为是所述设备正常时的波形的波形条件和所述异常探测用的离群数据的波形，根据所述波形条件和所述异常探测用的离群数据的波形的对照结果，判定所述设备是否异常。
2.根据权利要求1所述的异常探测装置，其特征在于，
所述异常判定部具备：
类别判别部，计算由所述离群数据提取部提取的异常探测用的离群数据的特征量，根据所述特征量判别所述异常探测用的离群数据的波形的类别；
波形条件选择部，从1个以上的波形条件中选择与由所述类别判别部判别的类别对应的波形条件；以及
异常判定处理部，对照由所述波形条件选择部选择的波形条件和所述异常探测用的离群数据的波形，根据选择的所述波形条件和所述异常探测用的离群数据的波形的对照结果，判定所述设备是否异常。
3.根据权利要求2所述的异常探测装置，其特征在于，
所述离群评分计算部根据时序地表示所述设备正常时的多个时刻下的该设备的状态的1个以上的学习用的时序数据的各个学习用的时序数据，计算多个时刻的各个时刻下的所述设备的异常度，作为学习用的离群评分，
所述离群数据提取部根据由所述离群评分计算部计算的多个时刻的各个时刻下的学习用的离群评分，从各个学习用的时序数据中提取有在所述设备中发生了异常的可能性的时间带的学习用的时序数据，作为学习用的离群数据，
所述类别判别部计算由所述离群数据提取部提取的各个学习用的离群数据的特征量，根据所述各个学习用的离群数据的特征量判别所述各个学习用的离群数据的波形的类别，
所述异常探测装置具备波形条件生成部，该波形条件生成部根据由所述离群数据提取部提取的各个学习用的离群数据中的、由所述类别判别部判别为波形是相互相同的类别的1个以上的学习用的离群数据的波形，生成与该类别对应的波形条件。
4.根据权利要求3所述的异常探测装置，其特征在于，
所述波形条件生成部根据由所述类别判别部判别为是相同的类别的1个以上的学习用的离群数据的波形之间的类似度，对判别为是所述相同的类别的1个以上的学习用的离群数据进行分组，关于分组得到的全部群组，根据包含于该群组的1个以上的学习用的离群数据的波形生成与该群组对应的波形条件，
所述波形条件选择部在由所述离群数据提取部提取的各个学习用的离群数据中，检索与由所述离群数据提取部提取的异常探测用的离群数据的类似度最高的学习用的离群数据，从与由所述波形条件生成部生成的各个群组对应的波形条件中选择与包括检索的所述学习用的离群数据的群组对应的波形条件。
5.根据权利要求1所述的异常探测装置，其特征在于，
所述离群数据提取部比较由所述离群评分计算部计算的多个时刻的各个时刻下的异常探测用的离群评分和阈值，根据所述多个时刻的各个时刻下的异常探测用的离群评分和所述阈值的比较结果，从所述异常探测用的时序数据中提取有在所述设备中发生了异常的可能性的时间带的异常探测用的时序数据，作为异常探测用的离群数据。
6.根据权利要求3所述的异常探测装置，其特征在于，
所述波形条件生成部生成表示波形的正常范围的带模型，作为所述波形条件，
如果由所述离群数据提取部提取的异常探测用的离群数据的波形包含于所述带模型表示的正常范围，则所述异常判定处理部判定为所述设备正常，如果所述异常探测用的离群数据的波形脱离所述带模型表示的正常范围，则所述异常判定处理部判定为所述设备异常。
7.根据权利要求6所述的异常探测装置，其特征在于，
即使由所述离群数据提取部提取的异常探测用的离群数据的波形脱离所述带模型表示的正常范围，如果是容许范围的脱离，则所述异常判定处理部判定为所述设备正常。
8.根据权利要求3所述的异常探测装置，其特征在于，
所述波形条件生成部生成表示在所述设备正常时出现离群数据的时间带的直方图，作为所述波形条件，
如果出现由所述离群数据提取部提取的异常探测用的离群数据的时间带包含于所述直方图表示的出现时间带，则所述异常判定处理部判定为所述设备正常，如果出现所述异常探测用的离群数据的时间带未包含于所述直方图表示的出现时间带，则所述异常判定处理部判定为所述设备异常。
9.根据权利要求6所述的异常探测装置，其特征在于，
所述波形条件生成部使用由所述离群数据提取部提取的各个学习用的离群数据的波形的平均值和所述各个学习用的离群数据的标准差，生成所述带模型。
10.根据权利要求6所述的异常探测装置，其特征在于，
所述波形条件生成部使用由所述离群数据提取部提取的各个学习用的离群数据的波形中的最大值和所述各个学习用的离群数据的波形中的最小值，生成所述带模型。
11.根据权利要求6所述的异常探测装置，其特征在于，
所述波形条件生成部根据生成的带模型表示的正常范围的宽度计算所述正常范围的余量，对所述正常范围加上所述余量，从而扩展所述正常范围。
12.根据权利要求4所述的异常探测装置，其特征在于，
如果由所述类别判别部判别为是相同的类别的1个以上的学习用的离群数据的波形的长度不同，则所述波形条件生成部一边使长度短的波形的位置相对长度长的波形移位一边分别计算波形的长度长的学习用的离群数据和波形的长度短的学习用的离群数据的类似度，将分别计算的类似度中的最大值决定为所述波形的长度长的学习用的离群数据和所述波形的长度短的学习用的离群数据的类似度。
13.根据权利要求3所述的异常探测装置，其特征在于，
所述波形条件生成部计算由所述类别判别部判别为波形是相同的类别的各个学习用的离群数据的波形的平均值，从所述各个学习用的离群数据的波形减去所述各个学习用的离群数据的波形的平均值，根据减去平均值后的各个学习用的离群数据的波形生成与该类别对应的波形条件。
14.根据权利要求13所述的异常探测装置，其特征在于，
所述波形条件生成部计算由所述类别判别部判别为波形是相同的类别的各个学习用的离群数据的波形的标准差，将减去平均值后的各个学习用的离群数据的波形除以所述各个标准差，根据除以标准差后的各个学习用的离群数据的波形生成与该类别对应的波形条件。
15.根据权利要求3所述的异常探测装置，其特征在于，
所述波形条件生成部具备选择受理部，该选择受理部展示生成的波形条件，受理从展示的波形条件中有效的波形条件的选择，仅将受理选择的有效的波形条件作为生成的所述波形条件留下，丢弃未受理选择的波形条件。
16.根据权利要求3所述的异常探测装置，其特征在于，
所述类别判别部计算在由所述异常判定处理部判定为所述设备异常时与波形条件对照的异常探测用的离群数据的特征量，根据该特征量判别与所述波形条件对照的异常探测用的离群数据的波形的类别，
所述波形条件生成部根据由所述离群数据提取部提取的各个学习用的离群数据以及与所述波形条件对照的异常探测用的离群数据中的、由所述类别判别部判别为波形是相互相同的类别的1个以上的离群数据的波形，生成与该类别对应的波形条件。
17.一种异常探测方法，其中，
离群评分计算部根据时序地表示多个时刻下的异常探测对象的设备的状态的异常探测用的时序数据，计算多个时刻的各个时刻下的所述设备的异常度，作为异常探测用的离群评分，
离群数据提取部根据由所述离群评分计算部计算的多个时刻的各个时刻下的异常探测用的离群评分，从所述异常探测用的时序数据中提取有在所述设备中发生了异常的可能性的时间带的异常探测用的时序数据，作为异常探测用的离群数据，
异常判定部对照表示由所述离群数据提取部提取的异常探测用的离群数据的变化的波形被认为是所述设备正常时的波形的波形条件和所述异常探测用的离群数据的波形，根据所述波形条件和所述异常探测用的离群数据的波形的对照结果，判定所述设备是否异常。
CN201880099824.5A 2018-12-05 2018-12-05 异常探测装置以及异常探测方法 Active CN113168171B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2018/044643 WO2020115827A1 (ja) 2018-12-05 2018-12-05 異常検知装置及び異常検知方法

Publications (2)

Publication Number Publication Date
CN113168171A true CN113168171A (zh) 2021-07-23
CN113168171B CN113168171B (zh) 2023-09-19

Family

ID=70974128

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880099824.5A Active CN113168171B (zh) 2018-12-05 2018-12-05 异常探测装置以及异常探测方法

Country Status (5)

Country Link
US (1) US20210231535A1 (zh)
EP (1) EP3879370B1 (zh)
JP (1) JP6827608B2 (zh)
CN (1) CN113168171B (zh)
WO (1) WO2020115827A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113998414A (zh) * 2021-12-28 2022-02-01 山东山矿机械有限公司 基于云计算的带式输送机远程控制方法及系统
CN116090916A (zh) * 2023-04-10 2023-05-09 淄博海草软件服务有限公司 一种企业内部采购资金核算预警系统

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
JP7214054B2 (ja) * 2020-09-03 2023-01-27 三菱電機株式会社 機器分析装置、機器分析方法および機器分析プログラム
CN114580572B (zh) * 2022-04-07 2023-04-07 中科三清科技有限公司 一种异常值的识别方法、装置、电子设备及存储介质

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011036809A1 (ja) * 2009-09-28 2011-03-31 株式会社 東芝 異常判定システムおよびその方法
CN102282516A (zh) * 2009-02-17 2011-12-14 株式会社日立制作所 异常检测方法及异常检测系统
US20120078670A1 (en) * 2009-04-10 2012-03-29 Omron Corporation Operation information output device, method for controlling operation information output device, monitoring device, method for controlling monitoring device, and control program
JP2012128583A (ja) * 2010-12-14 2012-07-05 Mitsubishi Electric Corp 異常検知装置、異常検知方法及び異常検知プログラム
US20120290879A1 (en) * 2009-08-28 2012-11-15 Hisae Shibuya Method and device for monitoring the state of a facility
CN102870057A (zh) * 2010-04-08 2013-01-09 株式会社日立制作所 机械设备的诊断装置、诊断方法及诊断程序
US20150220084A1 (en) * 2012-09-13 2015-08-06 Omron Corporation Monitoring device, monitoring method, and recording medium
CN104854524A (zh) * 2013-01-30 2015-08-19 住友重机械工业株式会社 挖土机的异常判定方法、管理装置及挖土机
JP5827426B1 (ja) * 2015-01-09 2015-12-02 株式会社日立パワーソリューションズ 予兆診断システム及び予兆診断方法
CN105302848A (zh) * 2014-10-11 2016-02-03 山东鲁能软件技术有限公司 一种设备智能预警系统的评估值校准方法
CN107209508A (zh) * 2015-01-21 2017-09-26 三菱电机株式会社 信息处理装置及信息处理方法
JP2018013345A (ja) * 2016-07-19 2018-01-25 光洋電子工業株式会社 異常診断システム及び異常診断方法
US20180231969A1 (en) * 2015-08-05 2018-08-16 Hitachi Power Solutions Co., Ltd. Abnormality predictor diagnosis system and abnormality predictor diagnosis method
CN108628253A (zh) * 2017-03-15 2018-10-09 发那科株式会社 异常检测装置以及机器学习装置
WO2018207350A1 (ja) * 2017-05-12 2018-11-15 三菱電機株式会社 時系列データ処理装置、時系列データ処理システムおよび時系列データ処理方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4967474B2 (ja) * 2006-06-28 2012-07-04 オムロン株式会社 判定知識作成装置、判定知識作成方法、プログラムおよび記録媒体
CN106095655B (zh) * 2016-05-31 2018-06-12 北京蓝海讯通科技股份有限公司 一种异常检测方法、应用和监控设备

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102282516A (zh) * 2009-02-17 2011-12-14 株式会社日立制作所 异常检测方法及异常检测系统
US20120078670A1 (en) * 2009-04-10 2012-03-29 Omron Corporation Operation information output device, method for controlling operation information output device, monitoring device, method for controlling monitoring device, and control program
US20120290879A1 (en) * 2009-08-28 2012-11-15 Hisae Shibuya Method and device for monitoring the state of a facility
WO2011036809A1 (ja) * 2009-09-28 2011-03-31 株式会社 東芝 異常判定システムおよびその方法
CN102870057A (zh) * 2010-04-08 2013-01-09 株式会社日立制作所 机械设备的诊断装置、诊断方法及诊断程序
JP2012128583A (ja) * 2010-12-14 2012-07-05 Mitsubishi Electric Corp 異常検知装置、異常検知方法及び異常検知プログラム
US20150220084A1 (en) * 2012-09-13 2015-08-06 Omron Corporation Monitoring device, monitoring method, and recording medium
CN104854524A (zh) * 2013-01-30 2015-08-19 住友重机械工业株式会社 挖土机的异常判定方法、管理装置及挖土机
CN105302848A (zh) * 2014-10-11 2016-02-03 山东鲁能软件技术有限公司 一种设备智能预警系统的评估值校准方法
JP5827426B1 (ja) * 2015-01-09 2015-12-02 株式会社日立パワーソリューションズ 予兆診断システム及び予兆診断方法
CN107209508A (zh) * 2015-01-21 2017-09-26 三菱电机株式会社 信息处理装置及信息处理方法
US20180231969A1 (en) * 2015-08-05 2018-08-16 Hitachi Power Solutions Co., Ltd. Abnormality predictor diagnosis system and abnormality predictor diagnosis method
JP2018013345A (ja) * 2016-07-19 2018-01-25 光洋電子工業株式会社 異常診断システム及び異常診断方法
CN108628253A (zh) * 2017-03-15 2018-10-09 发那科株式会社 异常检测装置以及机器学习装置
WO2018207350A1 (ja) * 2017-05-12 2018-11-15 三菱電機株式会社 時系列データ処理装置、時系列データ処理システムおよび時系列データ処理方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113998414A (zh) * 2021-12-28 2022-02-01 山东山矿机械有限公司 基于云计算的带式输送机远程控制方法及系统
CN116090916A (zh) * 2023-04-10 2023-05-09 淄博海草软件服务有限公司 一种企业内部采购资金核算预警系统

Also Published As

Publication number Publication date
WO2020115827A1 (ja) 2020-06-11
EP3879370B1 (en) 2022-12-21
EP3879370A4 (en) 2021-11-17
US20210231535A1 (en) 2021-07-29
JP6827608B2 (ja) 2021-02-10
CN113168171B (zh) 2023-09-19
EP3879370A1 (en) 2021-09-15
JPWO2020115827A1 (ja) 2021-02-15

Similar Documents

Publication Publication Date Title
CN113168171A (zh) 异常探测装置以及异常探测方法
EP2905665B1 (en) Information processing apparatus, diagnosis method, and program
CN110352389B (zh) 信息处理装置及信息处理方法
JPWO2019163141A1 (ja) 状態予測装置および状態予測制御方法
TWI747055B (zh) 狀態推斷裝置以及狀態推斷方法
CN112368683B (zh) 数据处理装置以及数据处理方法
JP4430384B2 (ja) 設備の診断装置及び診断方法
JP2018206316A (ja) プラント運転監視システム及びプラント運転監視方法
KR102035860B1 (ko) 연속 제스처 인식 시스템
JP3906197B2 (ja) パターン識別方法及びパターン識別装置及びプログラム
CN111832880A (zh) 对正在进行的生产批运行的质量指示符的计算机实现的确定
JP2018124851A (ja) 支援装置および支援方法
JP2018132786A (ja) プラント状況情報提示システム及びプラント状況情報提示方法
JP7324050B2 (ja) 波形セグメンテーション装置及び波形セグメンテーション方法
JP5940018B2 (ja) データ名称抽出装置及びプログラム
JP7133154B2 (ja) 運転異常検出システム
JP6929260B2 (ja) 時系列特徴抽出装置、時系列特徴抽出方法及びプログラム
EP3726317B1 (en) Computer-implemented determination of a quality indicator of a production batch-run of a production process
JP2014006613A (ja) 近傍探索方法および類似画像探索方法
WO2019092997A1 (ja) データ分類装置
JP6831221B2 (ja) 学習装置及び学習方法
US20230078191A1 (en) Data extraction apparatus, data extraction method, and storage medium
JP6966245B2 (ja) 支援装置および支援方法
JP7449248B2 (ja) 支援装置、支援方法及び支援プログラム
CN117990966A (zh) 生成系统、计算机可读存储介质以及波形评价模型的生成方法

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
GR01 Patent grant
GR01 Patent grant