CN114112105A - 异常温度检测装置、异常温度检测方法以及记录介质 - Google Patents

异常温度检测装置、异常温度检测方法以及记录介质 Download PDF

Info

Publication number
CN114112105A
CN114112105A CN202110980413.0A CN202110980413A CN114112105A CN 114112105 A CN114112105 A CN 114112105A CN 202110980413 A CN202110980413 A CN 202110980413A CN 114112105 A CN114112105 A CN 114112105A
Authority
CN
China
Prior art keywords
data
unit
temperature
preprocessing
abnormal
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
CN202110980413.0A
Other languages
English (en)
Inventor
古川靖
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.)
Yokogawa Electric Corp
Original Assignee
Yokogawa 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 Yokogawa Electric Corp filed Critical Yokogawa Electric Corp
Publication of CN114112105A publication Critical patent/CN114112105A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K3/00—Thermometers giving results other than momentary value of temperature
    • G01K3/08—Thermometers giving results other than momentary value of temperature giving differences of values; giving differentiated values
    • G01K3/10—Thermometers giving results other than momentary value of temperature giving differences of values; giving differentiated values in respect of time, e.g. reacting only to a quick change of temperature
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K3/00—Thermometers giving results other than momentary value of temperature
    • G01K3/08—Thermometers giving results other than momentary value of temperature giving differences of values; giving differentiated values
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K13/00—Thermometers specially adapted for specific purposes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K3/00—Thermometers giving results other than momentary value of temperature
    • G01K3/005—Circuits arrangements for indicating a predetermined temperature
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B17/00—Fire alarms; Alarms responsive to explosion
    • G08B17/06—Electric actuation of the alarm, e.g. using a thermally-operated switch
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B7/00—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00
    • G08B7/06—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00 using electric transmission, e.g. involving audible and visible signalling through the use of sound and light sources
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K2219/00—Thermometers with dedicated analog to digital converters

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Emergency Management (AREA)
  • Business, Economics & Management (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

异常温度检测装置具有：温度获取部，其获取温度数据；前处理部，其执行如下前处理，即，对表示温度数据的差分数列的差分数据进行计算，生成将为正数的差分数据和为负数的差分数据中的任一者置换为零的置换数据，对根据正常或异常识别完毕的教师数据而生成的基准数据和置换数据之间的相似度进行计算；学习部，其对由前处理部计算出的相似度进行机器学习而将识别函数输出；以及判定部，其利用识别函数而判定由温度获取部获取并由前处理部执行了前处理的检测用的温度数据的正常或异常。

Description

异常温度检测装置、异常温度检测方法以及记录介质
技术领域
本发明涉及异常温度检测装置、异常温度检测方法以及记录介质。
本申请主张2020年8月27日申请的日本专利申请第2020-143271号的优先权并在这里引用其内容。
背景技术
如果发生居住用建筑物内的火灾、煤炭火力发电站的火灾、炼钢厂的熔钢的漏出等事故，则有可能产生人命的损失、机会的损失。因此，根据避免人命的损失、机会的损失的观点，检测因产生事故而造成的异常温度极其重要。此外，除了与正常时相比显著升高的温度的含义以外，异常温度有时还用于与正常时相比显著降低的温度的含义。
日本专利第6076571号公报、日本特开2020-071137号公报以及日本专利第5808605号公报中公开了检测非正常状态(包含异常温度在内)的现有技术。例如，日本专利第6076571号公报公开的技术如下，即，将周期性地反复出现的数据分割为每个周期的数据(周期性数据)，对多个周期性数据实施平均等而制作表示正常时的状态的基准数据。而且，基于所测定的周期性数据和基准数据之间的偏差值而检测非正常状态。
但是，在日本专利第6076571号公报公开的技术中，在偏差值(相关系数)大于规定的容许误差(阈值)时判定为非正常状态，无法识别温度的时间变化(升高或降低的方向)。因此，在日本专利第6076571号公报公开的技术中，补充导入其他偏差值(差的总和)而能够检测到变化的方向(温度的升高或降低)。然而，在多个偏差值之间检测结果相反的情况下，有可能因检测算法而产生误检测。
另外，温度的时间变化根据日间变动、季节变动等多种因素而不同，因此用于判定是否产生异常温度的适当的阈值也根据周围环境等而不同。在日本专利第6076571号公报公开的技术中，需要分别使用多个根据周围环境而参照的基准数据来对阈值进行调整，设定与周围环境相应的适当的阈值本身变得困难，难以以高精度检测异常温度。
发明内容
为了解决上述问题，本发明的一个方式所涉及的异常温度检测装置(1～3)具有：温度获取部(11)，其获取温度数据；前处理部(12、17)，其执行如下前处理，即，对表示所述温度数据的差分数列的差分数据进行计算，生成将正数的差分数据和负数的差分数据中的任一者置换为零的置换数据，对根据正常或异常识别完毕的教师数据而获得的基准数据和所述置换数据之间的相似度进行计算；学习部(13、18)，其对由所述前处理部计算出的所述相似度进行机器学习而将识别函数输出；以及判定部(14、19)，其利用所述识别函数而判定由所述温度获取部获取并由所述前处理部执行了所述前处理的检测用的温度数据的正常或异常。
另外，关于本发明的一个方式所涉及的异常温度检测装置，所述前处理部具有：数据处理部(12a、22a、24、32a、34)，其执行所述差分数据的计算以及所述置换数据的生成；以及相似度计算部(12b、26a、35a)，其执行所述相似度的计算。
另外，关于本发明的一个方式所涉及的异常温度检测装置，所述数据处理部对表示所述温度数据的第一差分数列的一阶差分数据以及表示所述温度数据的第二差分数列的二阶差分数据进行计算，至少针对所述一阶差分数据而生成将正数的一阶差分数据和负数的一阶差分数据中的任一者置换为零的所述置换数据。
另外，关于本发明的一个方式所涉及的异常温度检测装置，所述相似度计算部利用动态时间伸缩法而进行所述相似度的计算。
另外，关于本发明的一个方式所涉及的异常温度检测装置，具有作为学习用的所述前处理部的第1前处理部(20)、以及作为检测用的所述前处理部的第2前处理部(30)，所述第1前处理部利用所述第1前处理部所生成的所述置换数据而生成所述基准数据，所述第2前处理部对由所述第1前处理部生成的所述基准数据和所述第2前处理部所生成的所述置换数据之间的所述相似度进行计算。
另外，关于本发明的一个方式所涉及的异常温度检测装置，所述第1前处理部对预先规定的时间的所述置换数据实施多次平均化而生成所述基准数据。
另外，关于本发明的一个方式所涉及的异常温度检测装置，设置有多个所述前处理部、多个所述学习部以及多个所述判定部，具有基于多个所述判定部的结果而判定所述温度数据的正常或异常的综合判定部(40)。
本发明的一个方式所涉及的由异常温度检测装置执行的异常温度检测方法，通过温度获取部，获取温度数据(S11)，通过前处理部执行如下前处理，即，对表示所述温度数据的差分数列的差分数据进行计算，生成将正数的差分数据和负数的差分数据中的任一者置换为零的置换数据，对根据正常或异常识别完毕的教师数据而获得的基准数据和所述置换数据之间的相似度进行计算(S13、S15、S17)，通过学习部，对由所述前处理部计算出的所述相似度进行机器学习而进行将识别函数输出(S18)，通过所述温度获取部，获取检测用的温度数据(S21)，通过所述前处理部，执行针对所述检测用的温度数据的所述前处理(S23、S25、S26)，通过判定部，利用所述识别函数而判定执行了所述前处理的所述检测用的温度数据的正常或异常(S27)。
另外，关于本发明的一个方式所涉及的异常温度检测方法，所述前处理部具有数据处理部以及相似度计算部，通过所述数据处理部，进行所述差分数据的计算以及所述置换数据的生成，通过所述相似度计算部，进行所述相似度的计算。
另外，关于本发明的一个方式所涉及的异常温度检测方法，通过所述数据处理部，对表示所述温度数据的第一差分数列的一阶差分数据以及表示所述温度数据的第二差分数列的二阶差分数据进行计算，通过所述数据处理部，至少针对所述一阶差分数据而生成将正数的一阶差分数据和负数的一阶差分数据中的任一者置换为零的所述置换数据。
另外，关于本发明的一个方式所涉及的异常温度检测方法，通过所述相似度计算部，利用动态时间伸缩法而进行所述相似度的计算。
另外，关于本发明的一个方式所涉及的异常温度检测方法，所述异常温度检测装置具有作为学习用的所述前处理部的第1前处理部、以及作为检测用的所述前处理部的第2前处理部，通过所述第1前处理部，利用所述第1前处理部所生成的所述置换数据而生成所述基准数据，利用所述第2前处理部对由所述第1前处理部生成的所述基准数据和所述第2前处理部所生成的所述置换数据之间的所述相似度进行计算。
另外，关于本发明的一个方式所涉及的异常温度检测方法，通过所述第1前处理部，对预先规定的时间的所述置换数据实施多次平均化而生成所述基准数据。
另外，关于本发明的一个方式所涉及的异常温度检测方法，设置有多个所述前处理部、多个所述学习部以及多个所述判定部，所述异常温度检测装置还具有综合判定部，通过所述综合判定部，基于多个所述判定部的结果而判定所述温度数据的正常或异常。
本发明的一个方式所涉及的计算机可读取的非临时性的存储介质，其对由计算机执行的异常温度检测程序进行存储，所述异常温度检测程序使所述计算机进行如下步骤：获取温度数据，执行如下前处理，即，对表示所述温度数据的差分数列的差分数据进行计算，生成将正数的差分数据和负数的差分数据中的任一者置换为零的置换数据，对根据正常或异常识别完毕的教师数据而获得的基准数据和所述置换数据之间的相似度进行计算，对计算出的所述相似度进行机器学习而将识别函数输出，利用所述识别函数而判定所获取并执行了所述前处理的检测用的温度数据的正常或异常。
根据本发明，具有如下效果，即，能够排除周围环境的影响且还考虑了温度的时间变化地以高精度检测异常温度。
参照附图并根据下面叙述的实施方式的详细说明会使得本发明的其他特征以及方式变得更加明确。
附图说明
图1是表示本发明的第1实施方式所涉及的异常温度检测装置的要部结构的框图。
图2是表示本发明的第1实施方式所涉及的异常温度检测装置1的学习时的动作概要的流程图。
图3是表示本发明的第1实施方式所涉及的异常温度检测装置1的检测时的动作概要的流程图。
图4是表示本发明的第2实施方式所涉及的异常温度检测装置的要部结构的框图。
图5是用于对利用本发明的第2实施方式所涉及的异常温度检测装置的识别的判定方法进行说明的图。
图6是表示本发明的第3实施方式所涉及的异常温度检测装置的要部结构的框图。
具体实施方式
参照优选实施方式对本发明的实施方式进行说明。本领域技术人员利用本发明的教导而能够实现本实施方式的多种替代手段，本发明并不限定于这里说明的优选的本实施方式。
本发明的一个方式提供一种能够排除周围环境的影响且还考虑了温度的时间变化地以高精度检测异常温度的异常温度检测装置、异常温度检测方法以及记录介质。
下面，参照附图对本发明的实施方式所涉及的异常温度检测装置、异常温度检测方法以及记录介质进行详细说明。下面，首先，对本发明的实施方式的概要进行说明，接下来对本发明的各实施方式进行详细说明。
[概要]
本发明的实施方式能够排除周围环境的影响且还考虑了温度的时间变化地以高精度检测异常温度。具体而言，即使温度的时间变化因日间变动、季节变动等多种要因而不同，也能够以高精度检测异常温度。
对于不详细了解温度升高的原理的人而言，设定判定异常温度的阈值非常困难。因此，在日本专利第6076571号公报公开的技术中，为了检测工厂等的设备异常，需要由经验丰富的熟练作业员设定对基准数据进行变更调整的阈值。另外，日本特开2020-071137号公报中公开了如下方法，即，为了容易设定阈值，利用温度变化率预测达到的温度。日本专利第5808605号公报中公开了如下方法，即，利用相关的关键词使得熟练作业员的维护履历信息和传感器数据建立关联，通过聚类和多变量分析而检测出异常的征兆。
然而，在日本专利第6076571号公报公开的技术中，无法仅利用一个偏差值(相关函数)来识别温度的时间变化方向，因此为了判定火灾等的温度升高而需要其他偏差值。在该情况下，如果在多个偏差值之间检测结果相反，则有可能因检测算法而产生误检测。温度的时间变化原本因日间变动、季节变动等多种要因而不同。因此，在日本专利第6076571号公报公开的基准数据的调整中，难以进行适当的阈值调整，即使利用日本特开2020-071137号公报公开的方法也难以设定用于判定是否产生异常温度的适当的阈值。
在日本专利第5808605号公报公开的方法中，如果充分积蓄了熟练作业员的维护履历信息，则考虑温度的时间变化而判定异常温度，因此能够以高精度检测异常温度。然而，在熟练作业员的维护履历信息不充分的情况下，难以以高精度检测异常温度。
在本发明的实施方式中，首先，在学习阶段，执行如下前处理，即，对表示利用温度获取部获取的温度数据的差分数列的差分数据进行计算，生成将正数的差分数据和负数的差分数据中的任一者置换为零的置换数据，对根据正常或异常识别完毕的教师数据而获得的基准数据和置换数据的相似度进行计算。而且，对通过前处理计算出的相似度进行机器学习而获得识别函数。接下来，在检测阶段，利用识别函数而判定由温度获取部获取、且执行了前处理的检测用的温度数据的正常或异常。由此，能够排除周围环境的影响且还考虑了温度的时间变化地以高精度检测异常温度。
[第1实施方式]
<异常温度检测装置>
图1是表示本发明的第1实施方式所涉及的异常温度检测装置的要部结构的框图。如图1所示，本实施方式的异常温度检测装置1具有温度获取部11(温度获取单元)、前处理部12(前处理单元)、学习部13(学习单元)、判定部14(判定单元)、输出部15以及输入部16，对异常温度进行检测。这里，异常温度代表与正常时相比显著升高的温度、或者与正常时相比显著降低的温度。在本实施方式中，列举作为异常温度而检测到与正常时相比显著升高的温度的情况为例进行说明。此外，正常时的温度以及异常温度并未固定，可以根据使用异常温度检测装置1的状况而变更为任意温度。
温度获取部11获取作为表示温度的经时变化的时间序列数据的温度数据。具体而言，温度获取部11例如获取从热电偶、测温电阻体、热敏电阻、晶体振荡器、红外线辐射温度计、光纤温度传感器等温度传感器输出的温度数据。温度获取部11具有模拟/数字变换器(ADC：Analog-to-Digital Converter)，在从温度传感器输出模拟信号的情况下，作为温度数据而获取实现了数字化的数据。温度获取部11获取的温度数据可以是在ADC的每个采样周期获得的数据，也可以是针对在ADC的每个采样周期获得的数据以规定的时间间隔实施间隔剔除后的数据。
此外，上述温度数据可以利用隔开预先规定的时间(例如3～5分钟左右)多次获取的数据。例如，可以使用在30分钟的期间每隔3分钟而均分地获取10次的3分钟的数据、在30分钟的期间将数据分割错开1分钟而获取28次的3分钟的数据。此外，关于学习用的温度数据(下面记作教师数据)，可以从输入部16向前处理部12输入异常温度检测装置1的用户通过模拟而制作的温度数据以替代由温度获取部11获取的方式。
前处理部12具有数据处理部12a以及相似度计算部12b，针对由温度获取部11获取的温度数据，为了进行机器学习或异常温度的检测而预先执行所需的信号处理(前处理)。例如，前处理部12执行噪声去除处理、差分计算处理、单位根确认处理、标准化处理、符号置换处理、相似度计算处理等。在上述前处理中，由数据处理部12a执行差分计算处理以及符号置换处理，由相似度计算部12b执行相似度计算处理。此外，如果不需要，则可以省略噪声去除处理、单位根确认处理以及标准化处理。
噪声去除处理是如下处理，即，针对由温度获取部11获取的温度数据在时间轴方向上实施平均化等滤波处理，将与温度数据叠加的噪声去除。这里，上述滤波处理可以是利用单纯移动平均滤波器、高斯等带权重的移动平均滤波器、低通滤波器、带通滤波器、高通滤波器、对于脉冲状的噪声有效的中值滤波器、非线性滤波器、其他滤波器的处理。但是，对于滤波处理，优选适合于与温度数据叠加的噪声的特性的适当的滤波器。
差分计算处理是如下处理，即，在将温度数据视为数列的情况下，对时间上相邻的温度数据的差分数列(下面称为差分数据)进行计算。这种对差分数据进行计算的处理是为了排除温度的日间变动、季节变动等变动要因。单位根确认处理例如是如下处理，即，利用扩展迪基-福勒检验(ADF检验)等确认温度数据是否具有单位根。标准化处理是对差分数据实施标准化(Standardization)的处理(将平均值设为0、且将离散值设为1的处理)。这种进行标准化的处理是为了使机器学习中处理的多个不同的特征量的尺度一致(FeatureScaling)，减弱偏离值对学习造成的影响并缩短学习时间且抑制学习成本。
符号置换处理是如下处理，即，生成将上述差分数据中的正数的差分数据和负数的差分数据中的任一者置换为零的置换数据。在作为异常温度而检测到与正常时相比显著升高的温度的情况下，将负数的差分数据(表示温度降低的数据)置换为零。与此相对，在作为异常温度而检测到与正常时相比显著降低的温度的情况下，将正数的差分数据(表示温度升高的数据)置换为零。此外，将负数的差分数据(表示温度降低的数据)置换为零相当于激活函数的ReLU(Rectified LinearUnit)。
这样，将上述差分数据中的、正数的差分数据和负数的差分数据中的任一者置换为零，是为了强调温度的升高量和降低量中的任一者的特征并提高利用学习部13进行的机器学习的分类效果。例如，如果将温度大致恒定的状态设为正常而学习，则温度的升高及降低均偏离正常状态而检测到异常。然而，例如，在火灾检测的用途中，无需将温度降低检测为异常，因此忽略温度降低(置换为零)而提高机器学习的分类效果。
关于相似度计算处理，对通过符号置换处理而生成的置换数据、和学习时对置换数据多次实施平均而获得的基准数据之间的相似度进行计算。作为表示该相似度的指标，除了矢量间的距离(欧几里得距离)以外，还可以使用动态时间伸缩法(DTW：Dynamic TimeWarping)的累计扭曲距离。表示教师数据正常或异常的识别标签例如由异常温度检测装置1的用户对输入部16进行操作而输入至前处理部12。在学习阶段，根据识别标签正常的教师数据而计算出正常时的基准数据，根据识别标签异常的教师数据而计算出异常时的基准数据。此外，在第2实施方式中对动态时间伸缩法(DTW)进行详细说明。
可以根据要检测的异常温度，任意地选择仅利用识别为正常的教师数据而计算出相似度、或者仅利用识别为异常的教师数据而计算出相似度、或者利用正常和异常这两者的教师数据而计算出各自的相似度。例如，在进行火灾检测的情况下，预先已知只有温度升高的方向异常，因此通过学习正常及异常这两者的教师数据而能够更准确地判定。
学习部13将利用前处理部12的相似度计算部12b计算出的相似度和表示教师数据的正常或异常的识别标签设为一组而进行机器学习。优选地，学习部13例如利用支持向量机(SVM：Support VectorMachine)技术的类分类(Classification)。这是因为，与深度学习相比能够以更少的教师数据进行机器学习。作为类分类的方法，学习部13可以使用逻辑回归(Logistic Regression)、随机森林(Random Forest)、决策树(Decision Tree)等二值分类方法。学习部13将能够类分类的识别函数(Decision Function)提供给(输出至)判定部14。
判定部14利用从学习部13输出的识别函数而判定由温度获取部11获取、且利用前处理部12进行了前处理的检测用的温度数据的正常或异常。这里，检测用的温度数据是指作为是否为异常温度的判定对象的温度数据，未输入识别标签。判定部14将表示检测用的温度数据正常或异常的判定结果输出至输出部15。
输出部15将判定部14的判定结果输出。输出部15例如具有LCD(Liquid CrystalDisplay：液晶显示器)等显示装置，以能够目视确认的方式对判定部14的判定结果进行显示。除了LCD以外，输出部15例如还可以具有能够连接红色警告灯、蜂鸣器等警报器的触点端子，利用光、声音而通报判定部14的判定结果。输入部16例如具有键盘、指点设备等输入装置，将与针对输入部16的操作相应的操作信号输出至前处理部12。此外，输出部15及输入部16例如可以如兼具显示功能及操作功能的触摸面板式的液晶显示装置那样实现一体化。
这种异常温度检测装置1例如由桌面放置型、笔记本型或平板型的计算机实现。在异常温度检测装置1由计算机实现的情况下，由设置于计算机的CPU(中央处理装置)执行用于实现各种功能的程序(异常温度检测程序)而实现设置于异常温度检测装置1的各模块(前处理部12、学习部13以及判定部14等)。即，软件和硬件资源协作而实现设置于异常温度检测装置1的各模块。
这里，实现设置于异常温度检测装置1的各模块的功能的程序例如可以以记录于CD-ROM或DVD(注册商标)-ROM等计算机可读取记录介质的状态进行发布，或者可以经由互联网等网络而发布。此外，可以利用FPGA(Field-Programmable Gate Array)、LSI(LargeScaleIntegration)、ASIC(Application Specific Integrated Circuit)等硬件而实现异常温度检测装置1。
<异常温度检测方法>
接下来，对异常温度检测装置1的动作进行说明。异常温度检测装置1的动作大致分为进行前述机器学习而获得识别函数的学习时的动作、以及检测异常温度的检测时的动作。下面，按顺序对异常温度检测装置1的学习时的动作以及异常温度检测装置1的检测时的动作进行说明。
《学习时的动作》
图2是表示本发明的第1实施方式所涉及的异常温度检测装置1的学习时的动作的概要的流程图。此外，例如异常温度检测装置1的用户对输入部16进行操作，发出开始机器学习的主旨的指示而开始图2所示的流程图的处理。
如果开始处理，则首先由温度获取部11执行获取学习用的温度数据的处理(步骤S11：第1温度获取步骤)。在该处理中，关于温度数据，1次或多次地获取相当于预先规定的时间(例如3～5分钟左右)的多个温度数据。在实际应用方面，例如获取200次的100个温度数据。或者，可以替代温度获取部11，从输入部16向前处理部12输入由异常温度检测装置1的用户通过模拟而制作的温度数据。此外，表示所获取的温度数据(学习用的温度数据)正常或异常的识别标签例如通过异常温度检测装置1的用户对输入部16进行操作而输入至前处理部12。
接下来，由前处理部12执行从所获取的学习用的温度数据去除噪声的处理(步骤S12)。例如，针对由温度获取部11获取的温度数据在时间轴方向上执行平均化等滤波处理，由此执行将与温度数据叠加的噪声去除的处理。此外，在该滤波处理中，选择适合于与温度数据叠加的噪声特性的适当的滤波器。
接下来，由前处理部12的数据处理部12a执行对差分数据进行计算的处理(步骤S13：第1前处理步骤)。具体而言，执行对表示在时间上相邻的温度数据的差分数列的差分数据进行计算的处理。此外，可以由前处理部12执行确认学习用的温度数据是否具有单位根的单位根确认处理。接下来，由前处理部12执行对计算出的差分数据实施标准化的处理(步骤S14)。具体而言，执行将计算出的差分数据的平均值设为0、且将离散值设为1的处理。此外，在检测时的标准化处理(图3的步骤S24)中也使用该处理中求出的平均值及标准偏差。
接下来，利用数据处理部12a进行生成将标准化后的差分数据中的为正数的差分数据和为负数的差分数据中的任一者置换为零的置换数据的处理(步骤S15：第1前处理步骤)。在本实施方式中，列举作为异常温度而检测到与正常时相比显著升高的温度的情况为例，因此执行生成将负数的差分数据置换为零的置换数据的处理。
接下来，由前处理部12执行对多次(例如200次)的置换数据实施平均化而生成基准数据的处理(步骤S16)。由相似度计算部12b执行对该基准数据和置换数据之间的相似度进行计算的处理(步骤S17：第1前处理步骤)。例如，执行如下处理，即，利用动态时间伸缩法(DTW)计算出基准数据和置换数据的距离而计算出上述相似度。此外，在检测时的相似度计算处理(图3的步骤S26)中也使用通过该处理求出的基准数据。这里，作为上述基准数据，例如，可以使用对由相当于预先规定的时间(例如3～5分钟左右)的温度数据生成的置换数据实施多次平均化所得的数据。
如果以上处理结束，则将计算出的相似度和识别标签(从输入部16输入的识别标签)设为一组，由学习部13执行使用这一组的相似度和识别标签的机器学习(步骤S18：学习步骤)。如果进行该机器学习，则从学习部13对判定部14输出识别函数(步骤S19)。
此外，例如可以在由异常温度检测装置1的用户进行了预先设定的量的学习之后自动地结束图2所示的流程图的处理。或者，可以在经过由异常温度检测装置1的用户预先设定的时间之后结束，也可以根据异常温度检测装置1的用户的结束指示而结束。或者，可以针对规定的时间序列数据而在识别函数的值小于或等于规定值之后结束。
《检测时的动作》
图3是表示本发明的第1实施方式所涉及的异常温度检测装置1的检测时的动作的概要的流程图。此外，例如，异常温度检测装置1的用户对输入部16进行操作，发出开始机器学习的主旨的指示而开始图3所示的流程图的处理。或者，可以在图2所示的流程图的处理结束时自动开始图3所示的流程图的处理。
如果处理开始，则首先由温度获取部11执行获取检测用的温度数据的处理(步骤S21：第2温度获取步骤)。在该处理中，关于温度数据，仅获取1次与相当于预先规定的时间(例如3～5分钟左右)的教师数据相同的数据长度的温度数据(例如100个温度数据)。此外，检测用的温度数据正常或异常并不明确，因此不输入识别标签。
接下来，由前处理部12执行从获取的检测用的温度数据去除噪声的处理(步骤S22)。例如，利用与图2所示的步骤S13的处理中使用的滤波器相同的滤波器，执行将与检测用的温度数据叠加的噪声去除的处理。
接下来，由前处理部12的数据处理部12a执行对差分数据进行计算的处理(步骤S23：第2前处理步骤)。具体而言，执行对表示在时间上相邻的温度数据的差分数列的差分数据进行计算的处理。接下来，由前处理部12执行对计算出的差分数据实施标准化的处理(步骤S24)。具体而言，利用图2所示的步骤S14的处理中求出的平均值以及标准偏差而执行对计算出的差分数据实施标准化的处理。
接下来，由数据处理部12a执行生成将标准化后的差分数据中的、正数的差分数据和负数的差分数据中的任一者置换为零的置换数据的处理(步骤S25：第2前处理步骤)。在本实施方式中，列举作为异常温度而检测到与正常时相比显著升高的温度的情况为例，因此与图2所示的步骤S15的处理同样地，执行生成将负数的差分数据置换为零的置换数据的处理。
接下来，由相似度计算部12b执行对学习时获得的基准数据和检测用的置换数据的相似度进行计算的处理(步骤S26：第2前处理步骤)。例如，执行如下处理，即，通过动态时间伸缩法(DTW)对基准数据和置换数据的距离进行计算而计算出上述相似度。这里，作为上述基准数据，使用学习时通过图2所示的步骤S16的处理而求出的数据。
如果以上处理结束，则将计算出的相似度输入至识别函数，由判定部14执行判定检测用的温度数据的正常或异常的处理(步骤S27：判定步骤)。如果进行该判定，则从判定部14对输出部15输出判定结果(步骤S28)。由此，以能够目视确认的方式在显示装置对表示检测用的温度数据的正常或异常的信息进行显示。或者，在判定为检测用的温度数据异常的情况下，由红色警告灯、蜂鸣器等警报器利用光、声音来通报异常的主旨。
此外，例如，在判定为检测用的温度数据异常的情况下，可以自动结束图3所示的流程图的处理。或者，可以根据异常温度检测装置1的用户的指示而继续执行图3所示的流程图的处理，也可以根据异常温度检测装置1的用户的结束指示而结束处理。
如上所述，在本实施方式中，首先，在学习时，前处理部12执行如下前处理，即，对表示由温度获取部11获取的温度数据或由输入部16提供的温度数据的差分数列的差分数据进行计算，生成将正数的差分数据和负数的差分数据中的任一者置换为零的置换数据，对置换数据实施多次平均化而求出基准数据，对正常或异常的识别完毕的基准数据和置换数据之间的相似度进行计算。而且，学习部13对通过前处理计算出的相似度进行机器学习而获得识别函数。接下来，在检测时，判定部14利用识别函数而判定由温度获取部11获取、且由前处理部12执行了前处理的检测用的温度数据的正常或异常。由此，能够排除周围环境的影响且还考虑了温度的时间变化地，以高精度对异常温度进行检测。
[第2实施方式]
<异常温度检测装置>
图4是表示本发明的第2实施方式所涉及的异常温度检测装置的要部结构的框图。此外，在图4中，对与图1所示的结构相同的结构标注相同的标号。如图4所示，本实施方式的异常温度检测装置2构成为，具有图1所示的异常温度检测装置1的前处理部12、学习部13、以及判定部14而替代前处理部17(前处理单元)、学习部18(学习单元)以及判定部19(判定单元)。前处理部17大致执行与图1所示的前处理部12相同的处理，但划分为学习时使用的学习用前处理部20(第1前处理部)、以及检测时使用的检测用前处理部30(第2前处理部)。
学习用前处理部20具有噪声去除部21、差分计算部22a、22b、标准化部23a、23b、符号处理部24、平均化部25a、25b以及相似度计算部26a、26b。由温度获取部11隔开预先规定的时间(例如3～5分钟左右)而多次获取的温度数据、以及从输入部16输入的识别标签(表示获取的温度数据(学习用的温度数据)正常或异常的标签)输入至该学习用前处理部20。此外，关于学习用的温度数据，可以替代温度获取部11而由异常温度检测装置1的用户从输入部16向学习用前处理部20输入通过模拟制作的温度数据。
噪声去除部21对由温度获取部11获取的温度数据在时间轴方向上实施平均化等滤波处理，由此将与温度数据叠加的噪声去除。这里，与第1实施方式相同，上述滤波处理可以是利用单纯移动平均滤波器、高斯等带权重的移动平均滤波器、低通滤波器、带通滤波器、高通滤波器、针对脉冲状的噪声有效的中值滤波器、非线性滤波器、其他滤波器的处理。优选适合于与温度数据叠加的噪声的特性的适当的滤波器。在温度测定的情况下，与其他物理量相比，时间方面的变化较为平缓，因此可以主要将频率较高的成分作为噪声而去除。
差分计算部22a对表示由噪声去除部21将噪声去除后的温度数据的第一差分数列的一阶差分数据进行计算。这里，与第1实施方式相同地，对一阶差分进行计算是为了将温度的日间变动、季节变动等变动要因排除。例如，在周围的气温为-10℃时，在由温度获取部11获取的温度数据显示为40℃的情况下，温度升高至50℃，因此可以判断为异常。然而，在周围的气温为35℃时，在由温度获取部11获取的温度数据显示为40℃的情况下，温度仅升高5℃，因此可以判断为正常。这样，正常或异常的判定结果根据周围温度的绝对值而改变，因此为了将温度的变动要因排除而对一阶差分数据进行计算。
这里，差分计算部22a对一阶差分数据进行计算而能够将温度的变动要因排除，对于消除机器学习中成为障碍的单位根这方面也具有一定效果。此外，例如可以利用ADF检验等而确认由温度获取部11获取的温度数据是否具有单位根。作为学习用的数据而使用不具有单位根的温度数据。
差分计算部22b对表示由噪声去除部21将噪声去除后的温度数据的第二差分数列的二阶差分数据进行计算。这里，对二阶差分进行计算是为了获得温度的时间变化急剧或平缓等特征。此外，如图4所示，差分计算部22b可以利用从噪声去除部21输出的温度数据对二阶差分数据进行计算，也可以利用由差分计算部22a计算出的一阶差分数据对二阶差分数据进行计算。
标准化部23a执行对由差分计算部22a计算出的一阶差分数据实施标准化的处理(平均值设为0、离散值设为1的处理)。标准化部23b执行对由差分计算部22b计算出的二阶差分数据实施标准化的处理(平均值设为0、离散值设为1的处理)。这里，如果标准化前的数据设为xk、数据xk的平均值设为μk、且数据xk的标准偏差设为σk，则标准化后的数据xk’(平均值为0且离散值为1的数据)由下面的(1)式表示。
【数学式1】
xk′＝(xk-μk)÷σk…(1)
上述(1)式中的下标k在k＝1的情况下表示标准化部23a，在k＝2的情况下表示标准化部23b。标准化部23a的数据x1的平均值μ1以及标准偏差σ1在检测用前处理部30的标准化部33a中也使用，标准化部23b的数据x2的平均值μ2以及标准偏差σ2在检测用前处理部30的标准化部33b中也使用。
符号处理部24执行如下处理，即，生成将由标准化部23a标准化后的一阶差分数据中的、正数的差分数据和负数的差分数据中的任一者置换为零的置换数据。在作为异常温度而检测到与正常时相比显著升高的温度的情况下，符号处理部24生成将负数的一阶差分数据(表示温度降低的数据)置换为零的置换数据。与此相对，在作为异常温度而检测到与正常时相比显著降低的温度的情况下，生成将正数的差分数据(表示温度升高的数据)置换为零的置换数据。通过忽略负数或正数中的任一者而能够强调温度的异常升高或异常降低的特征，提高机器学习的分类效果。例如，在要检测到温度升高时，隐藏并忽略温度降低侧而能够减少误检测。
平均化部25a对由符号处理部24生成的置换数据实施多次平均化而获得第1基准数据。平均化部25b对由标准化部23b实施了标准化的二阶差分数据实施多次平均化而获得第2基准数据。在相似度计算部26a以及检测用前处理部30的相似度计算部35a中使用由平均化部25a获得的第1基准数据。在相似度计算部26b以及检测用前处理部30的相似度计算部35b中使用由平均化部25b获得的第2基准数据。此外，关于上述第1基准数据及第2基准数据，根据从输入部16输入的识别标签而识别正常或异常。
相似度计算部26a对由平均化部25a获得的第1基准数据、和由符号处理部24生成的置换数据的相似度进行计算。与图1所示的相似度计算部12b相同，相似度计算部26a例如通过动态时间伸缩法(DTW)对第1基准数据和置换数据的距离进行计算而计算出上述相似度。相似度计算部26b对由平均化部25b获得的第2基准数据和由标准化部23b标准化后的二阶差分数据的相似度进行计算。与相似度计算部26a相同，相似度计算部26b例如通过动态时间伸缩法(DTW)对第2基准数据和标准化后的二阶差分数据的距离进行计算而计算出上述相似度。将上述由相似度计算部26a、26b计算出的相似度以及从输入部16输入的识别标签输出至学习部18。
这里，对上述动态时间伸缩法(DTW)进行详细说明。当前，考虑通过动态时间伸缩法(DTW)对2个时间波形f(t)、g(t)的相似度进行计算的情况。通过对上述时间波形f(t)，g(t)进行采样而获得的波形数据设为由N个(N为大于或等于2的正数)数据构成的时间序列数据。对波形f(t)进行采样而获得的波形数据由fi(i＝1，2，…，N)表示，对波形g(t)进行采样而获得的波形数据由gj(j＝1，2，…，N)表示。此外，波形数据fi例如是第1基准数据或第2基准数据，波形数据gj例如是由符号处理部24生成的置换数据或由标准化部23b实施标准化后的二阶差分数据。
在动态时间伸缩法(DTW)中，首先通过下面的(2)式对i轴和j轴的波形之间的欧几里得距离d(i，j)进行计算。此外，下面的(2)式中的右边所示的两条垂直线构成的数学记号为范数。
【数学式2】
d(i，j)＝||fi-gi||…(2)
动态时间伸缩法(DTW)的累计扭曲(warp)距离DA(i，j)由下面的(3)式给出。这里，关于下面的(3)式中的函数min{}，在由括弧内的逗号区分开的变量中选择最小值。
【数学式3】
Figure BDA0003228834360000181
首先，设为i＝j＝1而开始累计扭曲距离DA(i，j)的计算，接下来，一边使i、j变化一边按顺序进行。具体而言，将(i，j)的欧几里得距离d(i，j)和DA(i-1，j)、DA(i-1，j-1)、DA(i，j-1)的最小值相加而计算出DA(i，j)。按顺序进行这种运算，最终获得的累计扭曲距离DA(N，N)为DTW的累计扭曲距离。波形数据fi、gj越相似，DTW的累计扭曲距离越小，波形数据fi、gj越不相似，DTW的累计扭曲距离越大。
检测用前处理部30具有噪声去除部31、差分计算部32a、32b、标准化部33a、33b、符号处理部34以及相似度计算部35a、35b。仅向该检测用前处理部30输入1次由温度获取部11获取的相当于预先规定的时间(例如3～5分钟左右)的温度数据(检测用的温度数据)。此外，与学习用前处理部20不同，不从输入部16将识别标签输入至检测用前处理部30。
噪声去除部31对由温度获取部11获取的温度数据在时间轴方向上实施平均化等滤波处理而将与温度数据叠加的噪声去除。噪声去除部31实施的滤波处理与学习用前处理部20的噪声去除部21实施的相同。
差分计算部32a对表示由噪声去除部31去除了噪声的温度数据的第一差分数列的一阶差分数据进行计算。差分计算部32b对表示由噪声去除部31去除了噪声的温度数据的第二差分数列的二阶差分数据进行计算。差分计算部32a、32b的差分的计算方法与设置于学习用前处理部20的差分计算部22a、22b的差分的计算方法相同。
标准化部33a执行对由差分计算部32a计算出的一阶差分数据实施标准化的处理。标准化部33b执行对由差分计算部32b计算出的二阶差分数据实施标准化的处理。具体而言，标准化部33a利用学习用前处理部20的标准化部23a的平均值μ1以及标准偏差σ1而执行对差分计算部32a计算出的一阶差分数据实施标准化的处理。标准化部33b利用学习用前处理部20的标准化部23b的平均值μ2以及标准偏差σ2而执行对差分计算部32b计算出的二阶差分数据实施标准化的处理。
这里，输入至标准化部33a的标准化前的数据设为x3，输入至标准化部33b的标准化前的数据设为x4。从标准化部33a输出的标准化后的数据x3’以及从标准化部33b输出的标准化后的数据x4’由下面的(4)式表示。
【数学式4】
Figure BDA0003228834360000191
符号处理部34执行如下处理，即，生成将由标准化部33a标准化后的一阶差分数据中的、正数的差分数据和负数的差分数据中的任一者置换为零的置换数据。在作为异常温度而检测到与正常时相比显著升高的温度的情况下，符号处理部34生成将负数的一阶差分数据(表示温度降低的数据)置换为零的置换数据。与此相对，在作为异常温度而检测到与正常时相比显著降低的温度的情况下，生成将正数的差分数据(表示温度升高的数据)置换为零的置换数据。符号处理部34与学习用前处理部20的符号处理部24相同。
相似度计算部35a对由学习用前处理部20的平均化部25a获得的第1基准数据和由符号处理部34生成的置换数据之间的相似度进行计算。相似度计算部35b对由学习用前处理部20的平均化部25b获得的第2基准数据和由标准化部33b标准化后的二阶差分数据之间的相似度进行计算。相似度计算部35a、35b的相似度的计算方法与学习用前处理部20的相似度计算部26a、26b的相似度的计算方法分别相同。由上述相似度计算部35a、35b计算出的相似度输出至判定部19。
学习部18将由学习用前处理部20的相似度计算部26a以及相似度计算部26b计算出的相似度、和表示第1、第2基准数据的正常或异常的识别标签设为一组而进行机器学习。学习部18可以利用与图1所示的学习部13中使用的类分类方法相同的方法。学习部18将能够进行类分类的识别函数提供给(输出至)判定部19。
判定部19利用从学习部18输出的识别函数而判定由温度获取部11获取、且由前处理部17执行了前处理的检测用的温度数据的正常或异常。例如，如果学习部18利用支持向量机(SVM)将正常聚类设为-1、且将异常聚类设为1而进行了学习，则获得的识别函数以0为边界，在负数侧代表正常、且在正数侧代表异常。判定部19例如利用这种识别函数而判定正常或异常。判定部19将表示检测用的温度数据正常或异常的判定结果输出至输出部15。
图5是用于对利用本发明的第2实施方式所涉及的异常温度检测装置的识别函数的判定方法进行说明的图。图5所示的曲线图取由检测用前处理部30的相似度计算部35a计算出的相似度(累计扭曲距离DA1)为横轴、且取由相似度计算部35b计算出的相似度(累计扭曲距离DA2)为纵轴。在图5所示的曲线图中，虚线表示识别函数的值为-1的位置，实线表示识别函数的值为0的位置，点划线表示识别函数的值为1的位置。图5中的点C1、C2的识别函数的值处于负数侧，因此由判定部19判定为正常。与此相对，点C3、C4的识别函数的值处于正数侧，因此由判定部19判定为异常。
此外，支持向量机(SVM)中存在线性核函数、多项式核函数、高斯核函数(RBF核函数(Radial Basis Function Kernel))等多种核函数。图5所示的例子是利用线性核函数的情况下的例子。
此外，异常温度检测装置2也与图1所示的异常温度检测装置1相同地，例如由桌面放置型、笔记本型或平板型的计算机实现。在异常温度检测装置2由计算机实现的情况下，由设置于计算机的CPU(中央处理装置)执行用于实现各功能的程序(异常温度检测程序)而实现设置于异常温度检测装置2的各模块(前处理部17、学习部18以及判定部19等)。即，软件和硬件资源协作而实现设置于异常温度检测装置2的各模块。此外，可以利用FPGA(Field-Programmable GateArray)、LSI(Large Scale Integration)、ASIC(ApplicationSpecificIntegrated Circuit)等硬件而实现异常温度检测装置2。
<异常温度检测方法>
接下来，对异常温度检测装置2的动作进行说明。与异常温度检测装置1相同地，异常温度检测装置2的动作大致划分为进行机器学习而获得识别函数的学习时的动作、以及检测异常温度的检测时的动作。异常温度检测装置2的动作基本上与异常温度检测装置1的动作相同。因此，下面，参照图2、3按顺序对异常温度检测装置2的学习时的动作、以及异常温度检测装置2的检测时的动作进行说明。
《学习时的动作》
如果开始处理，则首先由温度获取部11执行获取学习用的温度数据的处理(步骤S11：第1温度获取步骤)。例如，获取200次的相当于预先规定的时间(例如3～5分钟左右)的100个温度数据。或者，可以取代温度获取部11而从输入部16向学习用前处理部20输入由异常温度检测装置2的用户通过模拟制作的温度数据。此外，与第1实施方式相同地，例如，异常温度检测装置2的用户对输入部16进行操作，由此将表示所获取的温度数据(学习用的温度数据)正常或异常的识别标签输入至学习用前处理部20。
接下来，由学习用前处理部20的噪声去除部21执行从所获取的学习用的温度数据去除噪声的处理(步骤S12)。在该处理中，与第1实施方式相同地，选择适合于与温度数据叠加的噪声的特性的适当的滤波器。接下来，由学习用前处理部20的差分计算部22a、22b分别执行对一阶差分数据以及二阶差分数据进行计算的处理(步骤S13：第1前处理步骤)。此外，可以由学习用前处理部20执行确认温度数据是否具有单位根的单位根确认处理。
接下来，由标准化部23a、23b分别执行对计算出的一阶差分数据以及二阶差分数据实施标准化的处理(步骤S14)。具体而言，由标准化部23a、23b分别执行将计算出的一阶差分数据以及二阶差分数据的各自的平均值设为0、将离散值设为1的处理。此外，将标准化部23a中用于标准化的平均值μ1以及标准偏差σ1输出至检测用前处理部30的标准化部33a，将标准化部23b中用于标准化的平均值μ2以及标准偏差σ2输出至检测用前处理部30的标准化部33b。
接下来，由符号处理部24执行如下处理，即，生成将标准化后的一阶差分数据中的、正数的一阶差分数据和负数的一阶差分数据中的任一者置换为零的置换数据(步骤S15：第1前处理步骤)。在本实施方式中，列举作为异常温度而检测到与正常时相比显著升高的温度的情况为例，因此执行生成将负数的差分数据置换为零的置换数据的处理。
接下来，由平均化部25a执行如下处理，即，对由符号处理部24生成的置换数据实施多次平均化而获得第1基准数据。另外，由平均化部25b执行如下处理，即，对由标准化部23b标准化后的二阶差分数据实施多次平均化而获得第2基准数据(步骤S16)。此外，将由平均化部25a获得的第1基准数据输出至相似度计算部26a以及检测用前处理部30的相似度计算部35a，将由平均化部25b获得的第2基准数据输出至相似度计算部26b以及检测用前处理部30的相似度计算部35b。
接下来，由相似度计算部26a执行如下处理，即，对由平均化部25a获得的第1基准数据和由符号处理部24生成的置换数据之间的相似度进行计算。另外，由相似度计算部26b执行如下处理，即，对由平均化部25b获得的第2基准数据和由标准化部23b标准化后的二阶差分数据之间的相似度进行计算(步骤S17：第1前处理步骤)。作为上述相似度，除了矢量间的距离(欧几里得距离)以外，也可以利用动态时间伸缩法(DTW)所涉及的距离的计算。
如果以上处理结束，则将由相似度计算部26a以及相似度计算部26b计算出的相似度、和表示第1、第2基准数据的正常或异常的识别标签设为一组，由学习部18执行利用这一组的相似度和识别标签的机器学习(步骤S18：学习步骤)。如果进行该机器学习，则从学习部18对判定部14输出识别函数(步骤S19)。例如通过与第1实施方式相同的方法而结束学习时的动作。
《检测时的动作》
如果开始处理，则首先由温度获取部11执行获取检测用的温度数据的处理(步骤S21：第2温度获取步骤)。在该处理中，仅获取1次与相当于预先规定的时间(例如3～5分钟左右)的第1、第2基准数据相同的数据长度的温度数据(例如100个温度数据)。此外，检测用的温度数据正常或异常并不明确，因此不输入识别标签。
接下来，由检测用前处理部30的噪声去除部31执行从所获取的检测用的温度数据去除噪声的处理(步骤S22)。在该处理中，与图2所示的步骤S12相同地，选择适合于与温度数据叠加的噪声的特性的适当的滤波器。接下来，由检测用前处理部30的差分计算部32a、32b分别执行对一阶差分数据以及二阶差分数据进行计算的处理(步骤S23：第2前处理步骤)。
接下来，由标准化部33a、33b分别执行对计算出的一阶差分数据以及二阶差分数据实施标准化的处理(步骤S24)。具体而言，由标准化部33a执行如下处理，即，利用学习用前处理部20的标准化部23a的平均值μ1以及标准偏差σ1对由差分计算部32a计算出的一阶差分数据实施标准化。另外，由标准化部33b执行如下处理，即，利用学习用前处理部20的标准化部23b的平均值μ2以及标准偏差σ2对由差分计算部32b计算出的二阶差分数据实施标准化。
接下来，由符号处理部34执行如下处理，即，生成将标准化后的一阶差分数据中的、正数的差分数据和负数的差分数据中的任一者置换为零的置换数据(步骤S25：第2前处理步骤)。在本实施方式中，列举作为异常温度而检测到与正常时相比显著升高的温度的情况为例，因此与图2所示的步骤S15的处理相同地执行生成将负数的差分数据置换为零的置换数据的处理。
接下来，由相似度计算部35a执行如下处理，即，对从平均化部25a输出的第1基准数据和由符号处理部34生成的置换数据之间的相似度进行计算。另外，由相似度计算部35b执行如下处理，即，对由平均化部25b获得的第2基准数据和由标准化部33b标准化后的二阶差分数据之间的相似度进行计算(步骤S26：第2前处理步骤)。作为上述相似度，除了矢量间的距离(欧几里得距离)以外，可以利用动态时间伸缩法(DTW)所涉及的距离的计算。
如果以上处理结束，则将计算出的相似度输入至识别函数，由判定部19执行判定检测用的温度数据的正常或异常的处理(步骤S27：判定步骤)。如果进行该判定，则从判定部19对输出部15输出判定结果(步骤S28)。由此，以能够目视确认的方式在显示装置对表示检测用的温度数据的正常或异常的信息进行显示。或者，在判定为检测用的温度数据异常的情况下，利用红色警告灯、蜂鸣器等警报器通过光、声音而通报异常的主旨。例如，通过与第1实施方式相同的方法结束检测时的动作。
如上所述，在本实施方式中，首先，在学习时，学习用前处理部20执行如下前处理，即，对由温度获取部11获取的温度数据或由输入部16提供的温度数据的一阶差分数据以及二阶差分数据进行计算，生成将正数的一阶差分数据和负数的一阶差分数据中的任一者置换为零的置换数据，分别对多次的置换数据以及二阶差分数据实施平均化而求出第1基准数据以及第2基准数据，对正常或异常识别完毕的第1基准数据和置换数据之间的相似度以及第2基准数据和置换数据之间的相似度进行计算。而且，学习部18对通过前处理计算出的相似度进行机器学习而获得识别函数。接下来，在检测时，判定部19利用识别函数判定由温度获取部11获取、且由检测用前处理部30执行了前处理的检测用的温度数据的正常或异常。由此，能够排除周围环境的影响且还考虑了温度的时间变化地以高精度检测异常温度。
[第3实施方式]
<异常温度检测装置>
图6是表示本发明的第3实施方式所涉及的异常温度检测装置的要部结构的框图。此外，在图6中，对与图4所示的结构相同的结构标注相同的标号。如图6所示，本实施方式的异常温度检测装置3构成为具有图4所示的多个(图6所示的例子中为3个)异常温度检测装置2的前处理部17、多个(图6所示的例子中为3个)学习部18、以及多个(图6所示的例子中为3个)判定部19。
温度获取部11将所获取的温度数据输出至各前处理部17(前处理部17A～17C)。即，将由温度获取部11获取的相同的温度数据输入至各前处理部17(前处理部17A～17C)。前处理部17A～17C与第2实施方式中说明的相同，具有学习用前处理部20以及检测用前处理部30。这里，前处理部17A～17C可以利用互不相同的教师数据对相似度进行计算。
例如，前处理部17A将在急剧升高之后变为平缓地升高的温度数据用作教师数据而计算出相似度。前处理部17B将以恒定的斜率线性地升高的温度数据用作教师数据而计算出相似度。前处理部17C将在开始平缓地升高之后立即以指数函数升高的温度数据用作教师数据而计算出相似度。通过利用上述不同的教师数据而计算出相似度，从而在与前处理部17A～17C对应的学习部18A～18C中能够获得互不相同的识别函数。另外，在与学习部18A～18C对应的判定部19A～19C中，利用互不相同的识别函数进行判定。
综合判定部40基于判定部19A～19C的判定结果而判定检测用的温度数据的正常或异常。综合判定部40例如通过下面的算法(方式)而判定检测用的温度数据的正常或异常。
·多数确定方式(无权重或加权)
·循环方式(巡回方式)
·随机选择方式
·逻辑和方式(例如即使判定结果的1个为异常也判定为异常等)
·逻辑积方式(例如即使判定结果的1个为正常也判定为正常等)
·机器学习方式(综合判定部40内具有判定结果的机器学习、判定的功能)
如现有技术的说明中叙述的那样，在多个判定部的结果相反的情况下，有可能因综合判定部40的检测算法而产生误检测。然而，上述示例并非对异常温度升高进行了误检测的示例，而是用于更详细地识别温度的升高波形为何种形状而有助于判定的示例。
输出部15将综合判定部40的判定结果输出。输出部15以能够目视确认的方式在显示装置对综合判定部40的判定结果进行显示。输出部15可以利用光、声音而通报综合判定部40的判定结果。此外，输出部15可以在综合判定部40的判定结果的基础上，将判定部19A～19C的判定结果一并输出。
此外，与图4所示的异常温度检测装置2相同地，异常温度检测装置3例如也由桌面放置型、笔记本型或平板型的计算机实现。在异常温度检测装置3由计算机实现的情况下，利用设置于计算机的CPU(中央处理装置)执行用于实现各功能的程序(异常温度检测程序)而实现设置于异常温度检测装置3的各模块(前处理部17、学习部18以及判定部19等)。即，软件和硬件资源协作而实现设置于异常温度检测装置3的各模块。此外，可以利用FPGA(Field-Programmable Gate Array)、LSI(Large Scale Integration)、ASIC(ApplicationSpecific Integrated Circuit)等硬件而实现异常温度检测装置3。
<异常温度检测方法>
接下来，对异常温度检测装置3的动作进行说明。与异常温度检测装置2相同地，异常温度检测装置3的动作大致划分为进行机器学习而获得识别函数的学习时的动作、以及检测异常温度的检测时的动作。但是，在异常温度检测装置3中，在前处理部17A和学习部18A、前处理部17B和学习部18B、以及前处理部17C和学习部18C的各装置中，并行进行学习时的动作。另外，在异常温度检测装置3中，在前处理部17A和判定部19A、前处理部17B和判定部19B、以及前处理部17C和判定部19C的各装置中，并行进行检测时的动作。而且，在综合判定部40进行基于判定部19A～19C的判定结果而判定检测用的温度数据的正常或异常的处理。
如上所述，在本实施方式中，首先，在学习时，3个前处理部17A～17C以及3个学习部18A～18C分别与第2实施方式同样地进行前处理以及机器学习而获得识别函数。接下来，在检测时，3个前处理部17A～17C以及3个判定部19A～19C分别与第2实施方式同样地进行前处理以及利用识别函数的判定而判定检测用的温度数据的正常或异常。而且，综合判定部40最终基于判定部19A～19C的判定结果而判定检测用的温度数据的正常或异常。由此，能够排除周围环境的影响且还考虑了温度的时间变化地以高精度检测异常温度。
以上对本发明的实施方式所涉及的异常温度检测装置、异常温度检测方法、以及异常温度检测程序进行了说明，但本发明并不受上述实施方式限制，在本发明的范围内可以自由地变更。例如，上述第1～第3实施方式的异常温度检测装置1～3中均具有学习部(学习部13、18)以及判定部(判定部14、19)，因此可以判定检测用的温度数据的正常或异常、且进行机器学习而自动地更新(自动学习)识别函数。通过进行这种学习部的自动更新，能够使上述第1～第3实施方式的异常温度检测装置1～3适合于现场环境而实现优化。
此外，可以仅在规定期间内执行上述自动学习。例如，可以仅对最近1年间的温度数据进行自动学习而不将此前的数据用于学习。另外，可以基于用户的指示而进行上述自动学习的开始或停止。
另外，在上述第2、3实施方式中，为了容易理解而对前处理部17具有学习用前处理部20以及检测用前处理部30的结构进行了说明。然而，前处理部17并非一定划分为学习用前处理部20以及检测用前处理部30，可以将学习用前处理部20和检测用前处理部30的重复的结构整合为1个。例如，噪声去除部21、31整合为1个，差分计算部22a、32a整合为1个，差分计算部22b、32b整合为1个。
另外，在上述第3实施方式中，列举分别具有3个前处理部17、3个学习部18以及3个判定部19的结构为例进行了说明。然而，前处理部17、学习部18以及判定部19的数量并不局限为3个，可以是2个，也可以大于或等于4个。另外，由前处理部17、学习部18以及判定部19构成的结构可以全部都安装于1个装置，也可以安装于不同的装置。
另外，可以作为单个装置而实现上述各实施方式的异常温度检测装置1～3，也可以通过经由网络的云计算机而实现。这里，云计算机例如可以符合下面的URL(UniformResource Locator)确定的文件中记载的定义(美国国立标准技术研究所推荐的定义)。
http://nvlpubs.nist.gov/nistpubs/Legacy/SP/nistspecialpublication800-145.pdf
https://www.ipa.go.jp/files/000025366.pdf
在本说明书中，表示“前、后、上、下、右、左、垂直、水平、纵、横、行以及列”等方向的词语是指本发明的装置中的上述方向。因此，本发明的说明书中的上述词语应当在本发明的装置中相对地解释。
“构成”之类的词语用于表示为了执行本发明的功能而构成、或者装置的结构、要素、部分。
并且，权利要求中作为“方法加功能”而表述的词语，应当包含能够用于执行本发明所包含的功能的所有构造。
“单元”之类的词语用于表示结构要素、单元、硬件、为了执行期望的功能而编制的软件的一部分。硬件的典型例为设备、电路，但并不局限于此。
以上对本发明的优选实施例进行了说明，但本发明并不限定于这些实施例。在未脱离本发明的主旨的范围内，可以进行结构的追加、省略、置换、以及其他变更。本发明并不受前述说明限定，仅由后附的权利要求书来限定。

Claims (15)

1.一种异常温度检测装置，其具有：
温度获取部，其获取温度数据；
前处理部，其执行如下前处理，即，对表示所述温度数据的差分数列的差分数据进行计算，生成将为正数的差分数据和为负数的差分数据中的任一者置换为零的置换数据，对根据正常或异常识别完毕的教师数据获得的基准数据和所述置换数据之间的相似度进行计算；
学习部，其对由所述前处理部计算出的所述相似度进行机器学习而将识别函数输出；以及
判定部，其利用所述识别函数，判定由所述温度获取部获取并由所述前处理部执行了所述前处理的检测用的温度数据的正常或异常。
2.根据权利要求1所述的异常温度检测装置，其中，
所述前处理部具有：
数据处理部，其执行所述差分数据的计算以及所述置换数据的生成；以及
相似度计算部，其执行所述相似度的计算。
3.根据权利要求2所述的异常温度检测装置，其中，
所述数据处理部对表示所述温度数据的第一差分数列的一阶差分数据、以及表示所述温度数据的第二差分数列的二阶差分数据进行计算，至少针对所述一阶差分数据而生成将正数的一阶差分数据和负数的一阶差分数据中的任一者置换为零的所述置换数据。
4.根据权利要求2或3所述的异常温度检测装置，其中，
所述相似度计算部利用动态时间伸缩法而进行所述相似度的计算。
5.根据权利要求1至3中任一项所述的异常温度检测装置，其中，
具有作为学习用的所述前处理部的第1前处理部、以及作为检测用的所述前处理部的第2前处理部，
所述第1前处理部利用所述第1前处理部所生成的所述置换数据而生成所述基准数据，
所述第2前处理部对由所述第1前处理部生成的所述基准数据和所述第2前处理部所生成的所述置换数据之间的所述相似度进行计算。
6.根据权利要求5所述的异常温度检测装置，其中，
所述第1前处理部对预先规定的时间的所述置换数据实施多次平均化从而生成所述基准数据。
7.根据权利要求1至3中任一项所述的异常温度检测装置，其中，
设置有多个所述前处理部、多个所述学习部以及多个所述判定部，
具有基于多个所述判定部的结果而判定所述温度数据的正常或异常的综合判定部。
8.一种异常温度检测方法，其由异常温度检测装置执行，其中，
通过温度获取部，获取温度数据，
通过前处理部执行如下前处理，即，对表示所述温度数据的差分数列的差分数据进行计算，生成将为正数的差分数据和为负数的差分数据中的任一者置换为零的置换数据，对根据正常或异常识别完毕的教师数据而获得的基准数据和所述置换数据之间的相似度进行计算，
通过学习部，对由所述前处理部计算出的所述相似度进行机器学习而将识别函数输出，
通过所述温度获取部，获取检测用的温度数据，
通过所述前处理部，执行针对所述检测用的温度数据的所述前处理，
通过判定部，利用所述识别函数而判定执行了所述前处理的所述检测用的温度数据的正常或异常。
9.根据权利要求8所述的异常温度检测方法，其中，
所述前处理部具有数据处理部以及相似度计算部，
通过所述数据处理部，进行所述差分数据的计算以及所述置换数据的生成，
通过所述相似度计算部，进行所述相似度的计算。
10.根据权利要求9所述的异常温度检测方法，其中，
通过所述数据处理部，对表示所述温度数据的第一差分数列的一阶差分数据以及表示所述温度数据的第二差分数列的二阶差分数据进行计算，
通过所述数据处理部，至少针对所述一阶差分数据而生成将正数的一阶差分数据和负数的一阶差分数据中的任一者置换为零的所述置换数据。
11.根据权利要求9或10所述的异常温度检测方法，其中，
通过所述相似度计算部，利用动态时间伸缩法而进行所述相似度的计算。
12.根据权利要求8至10中任一项所述的异常温度检测方法，其中，
所述异常温度检测装置具有作为学习用的所述前处理部的第1前处理部、以及作为检测用的所述前处理部的第2前处理部，
通过所述第1前处理部，利用所述第1前处理部所生成的所述置换数据而生成所述基准数据，
通过所述第2前处理部，对由所述第1前处理部生成的所述基准数据和所述第2前处理部所生成的所述置换数据之间的所述相似度进行计算。
13.根据权利要求12所述的异常温度检测方法，其中，
通过所述第1前处理部，对预先规定的时间的所述置换数据实施多次平均化而生成所述基准数据。
14.根据权利要求8至10中任一项所述的异常温度检测方法，其中，
设置有多个所述前处理部、多个所述学习部以及多个所述判定部，
所述异常温度检测装置还具有综合判定部，
通过所述综合判定部，基于多个所述判定部的结果而判定所述温度数据的正常或异常。
15.一种计算机可读取的非临时性的存储介质，其对由计算机执行的异常温度检测程序进行存储，其中，
所述异常温度检测程序使所述计算机进行如下步骤：
获取温度数据，
执行如下前处理，即，对表示所述温度数据的差分数列的差分数据进行计算，生成将为正数的差分数据和为负数的差分数据中的任一者置换为零的置换数据，对根据正常或异常识别完毕的教师数据而获得的基准数据和所述置换数据之间的相似度进行计算，
对计算出的所述相似度进行机器学习而将识别函数输出，
利用所述识别函数而判定所获取并执行了所述前处理的检测用的温度数据的正常或异常。
CN202110980413.0A 2020-08-27 2021-08-25 异常温度检测装置、异常温度检测方法以及记录介质 Pending CN114112105A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020143271A JP2022038659A (ja) 2020-08-27 2020-08-27 異常温度検知装置、異常温度検知方法、及び異常温度検知プログラム
JP2020-143271 2020-08-27

Publications (1)

Publication Number Publication Date
CN114112105A true CN114112105A (zh) 2022-03-01

Family

ID=77398465

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110980413.0A Pending CN114112105A (zh) 2020-08-27 2021-08-25 异常温度检测装置、异常温度检测方法以及记录介质

Country Status (4)

Country Link
US (1) US11788898B2 (zh)
EP (1) EP3961168B1 (zh)
JP (1) JP2022038659A (zh)
CN (1) CN114112105A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220065705A1 (en) * 2020-08-27 2022-03-03 Yokogawa Electric Corporation Abnormal temperature detection device, abnormal temperature detection method, and storage medium
CN115775436A (zh) * 2022-11-02 2023-03-10 北京百瑞盛田环保科技发展有限公司 一种平原林地火情识别处理方法及装置

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116304956B (zh) * 2023-05-15 2023-08-15 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) 一种芯片温度异常在线检测方法
CN116610682B (zh) * 2023-07-21 2023-09-29 山东盈动智能科技有限公司 基于数据存储的温度测试仪数据分类方法
CN116643951B (zh) * 2023-07-24 2023-10-10 青岛冠成软件有限公司 一种冷链物流运输大数据监测采集方法
CN116772285B (zh) * 2023-08-28 2023-11-07 山东国能智能科技有限公司 一种智能楼宇供暖负载安全实时监控方法
CN117288348B (zh) * 2023-11-24 2024-02-09 青岛东山集团母线智造有限公司 一种母线槽测温方法及系统
CN117970182A (zh) * 2024-03-28 2024-05-03 国网山东省电力公司曲阜市供电公司 一种基于dtw算法的漏电预警方法及系统

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS588605B2 (ja) 1975-04-21 1983-02-16 沖電気工業株式会社 ユウキヨクガタタジユウモ−ドフイルタ
DE102008053064B3 (de) * 2008-10-24 2010-04-01 Hüttinger Elektronik Gmbh + Co. Kg Verfahren zur Temperaturüberwachung
JP5808605B2 (ja) 2011-08-17 2015-11-10 株式会社日立製作所 異常検知・診断方法、および異常検知・診断システム
WO2014105031A2 (en) * 2012-12-28 2014-07-03 Schneider Electric It Corporation Method for air flow fault and cause identification
US9906069B2 (en) * 2014-07-28 2018-02-27 Ford Global Technologies, Llc Vehicle battery status detection by tracking a temperature gradient
CN107636619B (zh) 2015-08-06 2020-12-29 日铁系统集成株式会社 信息处理装置、信息处理系统、信息处理方法及记录介质
JP6988765B2 (ja) 2018-10-31 2022-01-05 オムロン株式会社 温度異常検知システム、温度異常検知方法およびプログラム
US11041077B2 (en) 2019-03-04 2021-06-22 Xerox Corporation Particles for powder coating applications and method of manufacturing
JP2022038659A (ja) * 2020-08-27 2022-03-10 横河電機株式会社 異常温度検知装置、異常温度検知方法、及び異常温度検知プログラム

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220065705A1 (en) * 2020-08-27 2022-03-03 Yokogawa Electric Corporation Abnormal temperature detection device, abnormal temperature detection method, and storage medium
US11788898B2 (en) * 2020-08-27 2023-10-17 Yokogawa Electric Corporation Abnormal temperature detection device, abnormal temperature detection method, and storage medium
CN115775436A (zh) * 2022-11-02 2023-03-10 北京百瑞盛田环保科技发展有限公司 一种平原林地火情识别处理方法及装置

Also Published As

Publication number Publication date
JP2022038659A (ja) 2022-03-10
US11788898B2 (en) 2023-10-17
US20220065705A1 (en) 2022-03-03
EP3961168A1 (en) 2022-03-02
EP3961168B1 (en) 2023-02-22

Similar Documents

Publication Publication Date Title
CN114112105A (zh) 异常温度检测装置、异常温度检测方法以及记录介质
US10809153B2 (en) Detecting apparatus, detection method, and program
US10504036B2 (en) Optimizing performance of event detection by sensor data analytics
EP2905665B1 (en) Information processing apparatus, diagnosis method, and program
US20160196175A1 (en) Information processing system, information processing method, and program
US20230213926A1 (en) Abnormal irregularity cause identifying device, abnormal irregularity cause identifying method, and abnormal irregularity cause identifying program
EP4160339A1 (en) Abnormality/irregularity cause identifying apparatus, abnormality/irregularity cause identifying method, and abnormality/irregularity cause identifying program
US20220187140A1 (en) Abnormal temperature detection device, abnormal temperature detection method, and non-transitory computer readable storage medium
CN111133396B (zh) 生产设备监视装置、生产设备监视方法以及记录介质
CN114065627A (zh) 温度异常检测方法、装置、电子设备和介质
EP4160341A1 (en) Abnormal modulation cause identifying device, abnormal modulation cause identifying method, and abnormal modulation cause identifying program
CN116894211A (zh) 用于生成能由人类感知的解释性输出的系统及用于监控异常识别的方法和计算机程序
Ma et al. Quantitative measurement of disturbances based on optical-fibre multiparameter optimization method
JPWO2019229943A1 (ja) 作業分析装置
EP3712777A1 (en) Data classification device
JP2017174234A (ja) モデル判定装置、モデル判定方法、及びプログラム
US20230205194A1 (en) Abnormal irregularity cause display device, abnormal irregularity cause display method, and abnormal irregularity cause display program
US20230213927A1 (en) Abnormal irregularity cause identifying device, abnormal irregularity cause identifying method, and abnormal irregularity cause identifying program
JP7449248B2 (ja) 支援装置、支援方法及び支援プログラム
Oliker et al. Classification-optimization model for contamination event detection in water distribution systems
JP2024056242A (ja) 要因分析装置、要因分析方法及びプログラム
JP2020170397A (ja) 情報処理装置、情報処理方法、プログラム

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