CN114689208A - 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 - Google Patents

Abstract

异常温度检测装置具有：温度获取部，其获取温度数据；在先处理部，其进行对温度数据的特征量进行计算的在先处理；合成部，其进行使得特征量以及以往获得的表示温度数据的正常或异常的以往判定信息合成的合成处理；学习部，其对合成部的合成结果进行机器学习而生成识别模型；以及判定部，其利用识别模型而判定由温度获取部获取、由在先处理部进行在先处理且由合成部进行了合成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异常温度检测 程序

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异常温度检测程序。

本申请主张2020年12月14日申请的日本专利申请第2020-206831号的优先权，在这里引用其内容。

背景技术

如果产生居住用建筑物内的火灾、煤炭火力发电所的火灾、制铁所的钢水的漏出等事故，则有可能产生人命损失、机会损失。因此，根据避免人命损失、机会损失的观点，检测因产生事故而产生的异常温度极其重要。此外，除了表示与正常时相比显著升高的温度以外，异常温度有时还表示与正常时相比显著降低的温度。

日本专利第6076571号公报以及日本专利第5808605号公报中公开了对非正常状态(包含异常温度)进行检测的现有技术。例如，关于日本专利第6076571号公报所公开的技术，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化等而制作表示正常时的状态的基准数据。而且，基于测定的周期性数据和基准数据的偏离值而检测到非正常状态。

但是，在上述日本专利第6076571号公报所公开的技术中，在偏离值大于规定的容许误差(阈值)时判定为非正常状态。在利用这种阈值的判定方法中，在周围温度的变化呈现出上升趋势或下降趋势的情况下(周围温度呈现出升高趋势或降低趋势的情况下)，有时无法区分周围温度的变化和由火灾等引起的温度的变化。特别是，在周围温度的变化量和由火灾等引起的温度的变化量无较大差异的情况下，难以适当地判定是否产生了异常温度。

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)具有：温度获取部(11)，其获取温度数据(D1、D2)；在先处理部(13)，其进行对所述温度数据的特征量进行计算的在先处理；合成部(14)，其进行使得所述特征量以及以往获得的表示所述温度数据的正常或异常的以往判定信息合成的合成处理；学习部(15)，其对所述合成部的合成结果进行机器学习而生成识别模型(CM)；以及判定部(16)，其利用所述识别模型而判定由所述温度获取部获取、由所述在先处理部进行所述在先处理且由所述合成部进行了所述合成处理的检测用的温度数据(D2)的正常或异常。

另外，本发明的一个方式所涉及的异常温度检测装置还具有训练信息生成部(12)，在由所述学习部进行所述机器学习的情况下，所述训练信息生成部(12)生成对由所述温度获取部获取的所述温度数据附加有表示正常或异常的识别信息的训练信息(TR)，所述在先处理部对所述训练信息中包含的所述温度数据的所述特征量进行计算，所述合成部对所述特征量、所述训练信息中包含的所述识别信息、以及所述以往判定信息进行合成。

另外，本发明的一个方式所涉及的异常温度检测装置，所述以往判定信息是对由所述温度获取部获取的以往的所述温度数据附加的至少1个所述识别信息。

另外，本发明的一个方式所涉及的异常温度检测装置，所述合成部在由所述判定部进行所述判定的情况下，将以往获得的所述判定部的至少1个判定结果用作所述以往判定信息。

另外，本发明的一个方式所涉及的异常温度检测装置，所述在先处理部计算出所述温度数据或平均化后的所述温度数据的标准偏差、一阶差分或二阶差分中的至少1个作为所述特征量。

另外，本发明的一个方式所涉及的异常温度检测装置，所述在先处理部在由所述学习部进行所述机器学习的情况下，从由所述训练信息生成部生成的所述训练信息去除噪声，对去除了所述噪声的所述训练信息中包含的所述温度数据的所述特征量进行计算。

另外，本发明的一个方式所涉及的异常温度检测装置，所述在先处理部在由所述判定部进行所述检测用的温度数据的正常或异常的判定的情况下，从由所述温度获取部获取的所述检测用的温度数据去除噪声，对去除了所述噪声的所述检测用的温度数据的所述特征量进行计算。

本发明的一个方式所涉及的异常温度检测方法具有如下步骤：利用温度获取部获取温度数据(D1)(S11)；利用在先处理部进行对所述温度数据的特征量进行计算的在先处理(S14)；利用合成部进行使得所述特征量以及以往获得的表示所述温度数据的正常或异常的以往判定信息合成的合成处理(S15)；利用学习部对所述第1合成步骤的合成结果进行机器学习而生成识别模型(CM)(S16)；利用所述温度获取部获取检测用的温度数据(D2)(S21)；利用所述在先处理部对所述检测用的温度数据进行所述在先处理(S23)；利用所述合成部并使用所述第2在先处理步骤的处理结果而进行所述合成处理(S24)；以及利用判定部并使用所述识别模型而判定进行了所述在先处理以及所述合成处理的所述检测用的温度数据的正常或异常(S25)。

另外，本发明的一个方式所涉及的异常温度检测方法还具有如下步骤：在由所述学习部进行所述机器学习的情况下，利用训练信息生成部生成对由所述温度获取部获取的所述温度数据附加有表示正常或异常的识别信息的训练信息；利用所述在先处理部对所述训练信息中包含的所述温度数据的所述特征量进行计算；以及利用所述合成部对所述特征量、所述训练信息中包含的所述识别信息、以及所述以往判定信息进行合成。

另外，本发明的一个方式所涉及的异常温度检测方法，所述以往判定信息是对由所述温度获取部获取的以往的所述温度数据附加的至少1个所述识别信息。

另外，本发明的一个方式所涉及的异常温度检测方法，还具有如下步骤，即，在由所述判定部进行所述判定的情况下，利用所述合成部将以往获得的所述判定部的至少1个判定结果用作所述以往判定信息。

另外，本发明的一个方式所涉及的异常温度检测方法，还具有如下步骤，即，利用所述在先处理部计算出所述温度数据或平均化后的所述温度数据的标准偏差、一阶差分或二阶差分中的至少1个作为所述特征量。

另外，本发明的一个方式所涉及的异常温度检测方法，还具有如下步骤：在由所述学习部进行所述机器学习的情况下，利用所述在先处理部从由所述训练信息生成部生成的所述训练信息去除噪声；以及利用所述在先处理部对去除了所述噪声的所述训练信息中包含的所述温度数据的所述特征量进行计算。

另外，本发明的一个方式所涉及的异常温度检测方法，还具有如下步骤：在由所述判定部进行所述检测用的温度数据的正常或异常的判定的情况下，利用所述在先处理部从由所述温度获取部获取的所述检测用的温度数据去除噪声；以及利用所述在先处理部对去除了所述噪声的所述检测用的温度数据的所述特征量进行计算。

本发明的一个方式所涉及的计算机可读取的非暂时性的存储介质对由计算机执行的程序进行存储，所述程序使所述计算机执行如下步骤：获取温度数据，进行对所述温度数据的特征量进行计算的在先处理，进行对所述特征量和以往获得的表示所述温度数据的正常或异常的以往判定信息进行合成的合成处理，对所述合成处理的合成结果进行机器学习而生成识别模型，获取检测用的温度数据，对所述检测用的温度数据进行所述在先处理，使用所述在先处理的处理结果而进行所述合成处理，使用所述识别模型而判定进行了所述在先处理以及所述合成处理的所述检测用的温度数据的正常或异常。

另外，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，所述程序使所述计算机执行如下步骤：在进行所述机器学习的情况下，生成对所述温度数据附加有表示正常或异常的识别信息的训练信息，对所述训练信息中包含的所述温度数据的所述特征量进行计算，使得所述特征量、所述训练信息中包含的所述识别信息、以及所述以往判定信息合成。

另外，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，所述以往判定信息是对由所述温度获取部获取的以往的所述温度数据附加的至少1个所述识别信息。

另外，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，所述程序使所述计算机执行如下步骤：在进行所述判定的情况下将以往获得的至少1个判定结果用作所述以往判定信息。

另外，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，所述程序使所述计算机执行如下步骤：计算出所述温度数据或平均化后的所述温度数据的标准偏差、一阶差分或二阶差分中的至少1个作为所述特征量。

另外，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，所述程序使所述计算机执行如下步骤：在进行所述机器学习的情况下从所述训练信息将噪声去除，对去除了所述噪声的所述训练信息中包含的所述温度数据的所述特征量进行计算。

本发明的一个方式所涉及的异常温度检测程序使计算机执行如下步骤：获取温度数据，进行对所述温度数据的特征量进行计算的在先处理，进行使得所述特征量以及以往获得的表示所述温度数据的正常或异常的以往判定信息合成的合成处理，对所述合成处理的合成结果进行机器学习而生成识别模型，获取检测用的温度数据，对所述检测用的温度数据进行所述在先处理，使用所述在先处理的处理结果而进行所述合成处理，使用所述识别模型而判定进行了所述在先处理以及所述合成处理的所述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，即使在周围温度产生了变化的情况下，也能够高精度地检测到异常温度。

参照附图并根据下面叙述的实施方式的详细说明，本发明的特征以及方式变得更加明确。

附图说明

图1是表示本发明的一个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2A是用于对本发明的一个实施方式中使用的特征量进行说明的图。

图2B是用于对本发明的一个实施方式中使用的特征量进行说明的图。

图2C是用于对本发明的一个实施方式中使用的特征量进行说明的图。

图2D用于对本发明的一个实施方式中使用的特征量进行说明的图。

图2E用于对本发明的一个实施方式中使用的特征量进行说明的图。

图3是表示本发明的一个实施方式所涉及的异常温度检测装置的训练时的动作的概要的流程图。

图4是表示本发明的一个实施方式所涉及的异常温度检测装置的检测时的动作的概要的流程图。

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。本领域技术人员能够利用本发明的教导而实现本实施方式的多种代替手段，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即使在周围温度产生变化的情况下也能够高精度地检测到异常温度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。

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异常温度检测程序详细进行说明。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详细进行说明。

[概要]

本发明的实施方式是即使在周围温度产生变化的情况下也能够高精度地检测到异常温度。例如，在周围温度的变化呈现出上升趋势或下降趋势的情况下，即使在周围温度的变化量和由火灾等引起的温度的变化量无较大的差异的情况下，也能够高精度地检测到异常温度。

对于不详细了解温度升高的机制的人而言，设定用于判定异常温度的阈值十分困难。因此，在日本专利第6076571号公报所公开的技术中，为了检测工厂等的设备异常，需要经验丰富的熟练作业人员对基准数据进行变更调整而设定阈值。另外，日本专利第5808605号公报中公开了如下方法，即，利用关键字使得熟练作业人员的维护履历信息和传感器数据建立关联，通过聚类以及多变量解析而检测异常的预兆。

然而，关于日本专利第6076571号公报以及日本专利第5808605号公报所公开的技术，由熟练作业人员利用大量的维护履历信息进行阈值的设定。因此，例如，对于几乎没有维护履历信息的新设备无法应用。因此，在维护履历信息较少的情况下，能够想到设定适当的阈值十分困难。另外，例如，在周围温度的变化量与由火灾等引起的温度的变化量无较大差异的情况下，极其难以准确地检测到温度异常。例如，能够想到，如果将用于区分开周围温度的变化量和由火灾等引起的温度的变化量的阈值设定得过高，则警报滞后，相反，如果将阈值设定得过低，则会发出误警报。

在本发明的实施方式中，首先，在训练阶段，进行对有温度获取部获取的温度数据的特征量进行计算的在先处理，进行对计算出的特征量和以往获得的表示温度数据的正常或异常的以往判定信息进行合成的合成处理。而且，对合成处理的结果进行机器学习而生成识别模型。接下来，在检测阶段，利用识别模型判定由温度获取部获取、且进行了在先处理以及合成处理的检测用的温度数据的正常或异常。由此，即使在周围温度产生变化的情况下，也能够高精度地检测到异常温度。

[详情]

<异常温度检测装置>

图1是表示本发明的一个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)、训练信息生成部12、在先处理部13(在先处理单元)、合成部14(合成单元)、学习部15(学习单元)、判定部16(判定单元)、输出部17以及存储部18。

这种异常温度检测装置1利用由温度获取部11获取的训练用的温度数据D1进行机器学习，利用进行了机器学习的结果而判定由温度获取部11获取的检测用的温度数据D2的正常或异常。上述训练用的温度数据D1是正常或异常已知的温度数据，上述检测用的温度数据D2是成为是否为异常温度的判定对象的温度数据。

此外，在图1中，为了容易理解，由实线表示训练时的模块间的信号路径，由虚线表示检测时的模块间的信号路径。例如，在满足预先规定的条件的情况下、或者存在来自异常温度检测装置1的用户的指示的情况下，异常温度检测装置1切换进行机器学习、或进行异常温度的检测。

这里，异常温度表示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，列举检测到与正常时相比显著升高的温度作为异常温度的情况为例进行说明。此外，正常时的温度波形以及异常温度波形并非固定的波形，能够根据使用异常温度检测装置1的状况而改变为任意的温度波形。

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。温度获取部11将训练时获取的温度数据(训练用的温度数据D1)输出至训练信息生成部12。与此相对，温度获取部11将检测时获取的温度数据(检测用的温度数据D2)输出至在先处理部13。

温度获取部11例如获取从热电偶、测温电阻体、热敏电阻、水晶振子、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，获取实现了数字化的数据作为温度数据。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，可以以规定的时间间隔对每个ADC的采样周期获得的数据进行剔除。

在利用学习部15进行机器学习的情况下，训练信息生成部12生成对由温度获取部11获取的训练用的温度数据D1附加表示训练用的温度数据D1的正常或异常的识别信息的训练信息TR。此外，识别信息例如由使用异常温度检测装置1的用户创建。

训练信息生成部12例如生成附加有表示训练用的温度数据D1正常的识别信息的训练信息TR、以及附加有表示训练用的温度数据D1异常的识别信息的训练信息TR。此外，训练信息生成部12可以仅生成附加有表示训练用的温度数据D1正常的识别信息的训练信息TR。或者，训练信息生成部12可以仅生成附加有表示训练用的温度数据D1异常的识别信息的训练信息TR。另外，可以基于模拟了异常温度检测装置1的测定对象的温度的模拟计算而生成训练信息TR。

在先处理部13针对由训练信息生成部12生成的训练信息TR中包含的训练用的温度数据D1、或从温度获取部11输出的检测用的温度数据D2，为了进行机器学习或异常温度的检测而预先进行所需的处理(在先处理)。具体而言，在先处理部13在根据需要进行将与训练用的温度数据D1或检测用的温度数据D2叠加的噪声去除的处理的基础上，进行计算训练用的温度数据D1或检测用的温度数据D2的特征量的处理。

在由学习部15进行机器学习的情况下，例如，在先处理部13计算出训练用的温度数据D1(或者实现了平均化的训练用的温度数据D1)的标准偏差、一阶差分或二阶差分中的至少1个作为特征量。在由判定部16进行检测用的温度数据D2的正常或异常的判定的情况下，例如，在先处理部13计算出检测用的温度数据D2(或者，实现了平均化的检测用的温度数据D2)的标准偏差、一阶差分或二阶差分中的至少1个作为特征量。

这里，可以将温度数据的标准偏差用作表示温度的变化量的大小的特征量。另外，可以将温度数据的一阶差分用作表示温度变化的倾向(趋势)的特征量。另外，可以将温度数据的二阶差分用作表示排除了趋势的温度变化的特征量。此外，可以将温度数据的阶差数列(一阶差分、二阶差分)用作排除了温度的日内变动、季节变动等周围温度的变化的特征量。

图2A～图2E是用于对本发明的一个实施方式中使用的特征量进行说明的图。图2A～图2C是表示温度的经时变化的例子的曲线图，图2D、图2E是表示在产生了图2A～图2C中举例所示的温度的经时变化的情况下求出的特征量的曲线图。图2A～图2C所示的曲线图中，虚线表示周围温度的经时变化，实线表示加上了由火灾等引起的异常温度和周围温度的温度的经时变化。另外，点划线表示为了检测异常温度而设定的现有技术中的阈值温度(阈值)。此外，图2A～图2C所示的例子中，为了容易理解，由火灾等引起的温度的变化量相同。

图2A所示的例子表示虚线的斜率为零而未产生周围温度的变化。图2B所示的例子表示虚线的斜率为正而周围温度的变化呈现出上升趋势。图2B所示的例子表示虚线的斜率为负而周围温度的变化呈现出下降趋势。

这里，在图2A～图2C所示的例子中，考虑利用点划线所示的阈值温度对异常温度进行检测的情况。在图2A所示的例子中，虚线所示的周围温度未超过阈值温度，实线所示的温度(加上异常温度及周围温度所得的温度)超过阈值温度。因此，因实线所示的温度超过阈值温度而能够检测出异常温度。

与此相对，在图2B所示的例子中，虚线所示的周围温度以及实线所示的温度都升高并超过阈值温度，在图2C所示的例子中，只有虚线所示的周围温度下降并超过阈值温度。因此，在图2B、图2C所示的例子中，即使没有产生异常温度，在周围温度超过阈值温度的情况下(在升高的方向或降低的方向上超过的情况下)，也误检测为产生了异常温度。此外，在图2C所示的例子中，尽管实线所示的温度超过阈值温度，但实线所示的温度的变化较小(大致平坦)，因此看上去也好像没有产生异常温度。

图2D所示的曲线图表示图2A～图2C所示的例子中由实线所示的温度的一阶差分。此外，图2D中的曲线L1为图2A所示的例子中的一阶差分，曲线L2为图2B所示的例子中的一阶差分，曲线L3为图2C所示的例子中的一阶差分。参照图2D，曲线L1～L3都出现2个峰值。

但是，图2A所示的例子中没有产生周围温度的变化，因此曲线L1的除了峰值以外的部分的值变为零。与此相对，在图2B所示的例子中，呈现出上升趋势，因此在曲线L2的峰值的部分的基础上除了峰值以外的部分的值也为正值，在图2C所示的例子中，呈现出下降趋势，因此在曲线L3的峰值的部分的基础上除了峰值以外的部分的值也为负值。这样，一阶差分的值根据温度变化的倾向(趋势)而改变，因此可以用作表示温度变化的倾向(趋势)的特征量。

图2E所示的曲线图表示图2A～图2C所示的例子中由实线所示的温度的二阶差分。参照图2E，图2A～图2C的例子中的二阶差分由相同的(或者大致相同的)曲线表示。这样，二阶差分的值没有根据温度变化的倾向(趋势)而改变，因此可以用作表示排除了趋势的温度变化的特征量。

合成部14执行如下合成处理，即，对在先处理部13计算出的特征量和表示以往获得的温度数据的正常或异常的以往判定信息进行合成。执行这种合成处理是因为，由在先处理部13计算出的特征量不包含温度的绝对值，因此在仅利用特征量的异常温度的检测中有时无法检测到异常温度。

例如，考虑温度急剧升高之后稳定(温度未变化)的情况。在这种情况下，在仅利用特征量的异常温度的检测中，无法区分因异常温度而温度未变化的状态、和因正常温度而温度未变化的状态，因此尽管产生异常温度，但也有可能无法检测到异常温度。

在这种情况下，如果在直至温度升高并稳定为止的中途的阶段能够检测到异常温度，则即使在温度升高之后稳定也能够检测到异常温度。因而，在本实施方式中，利用由在先处理部13计算出的特征量以及表示以往获得的温度数据的正常或异常的以往判定信息对异常温度进行检测。

具体而言，在由学习部15进行机器学习的情况下，合成部14进行使得在先处理部13中根据训练用的温度数据D1计算出的特征量、训练信息TR中包含的识别信息、以及以往判定信息合成的合成处理而生成合成数据X1。所生成的合成数据X1例如由列表、矢量表示。此外，作为这里的以往判定信息，能够利用对温度获取部11获取的以往的温度数据附加的至少1个识别信息(例如，表示在此前刚获得的温度数据的正常或异常的识别信息)。

另外，在由判定部16进行检测用的温度数据D2的正常或异常的判定的情况下，合成部14进行使得在先处理部13中根据检测用的温度数据D2计算出的特征量和以往判定信息合成的合成处理而生成合成数据X2。由合成部14生成的合成数据X2例如由列表、矢量表示。此外，作为这里的以往判定信息，能够利用以往获得的判定部16的至少1个判定结果(例如，此前刚获得的判定部16的判定结果Y)。此外，要注意合成数据X2中不包含合成数据X1所包含的识别信息这一点。

学习部15将从合成部14输出的合成数据X1作为训练数据而进行机器学习。学习部15例如优选利用随机森林(Random Forest)技术的分类(Classification)。这是因为，与深度学习相比能够以较少的训练数据进行机器学习。作为分类的方法，学习部15可以使用作为递归分割法的提升决策树(Boost Decision Tree)等二值分类方法。学习部15生成通过多数表决来判定多个决策树的输出的识别模型CM而提供给判定部16(输出)。

判定部16利用从学习部15输出的识别模型CM而判定由温度获取部11获取、由在先处理部13进行了在先处理且由合成部14进行了合成处理的检测用的温度数据D2的正常或异常。判定部16将表示检测用的温度数据D2正常或异常的判定结果输出至输出部17以及存储部18。

输出部17将判定部16的判定结果输出。输出部17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16的判定结果进行显示。输出部17除了LCD以外例如还具有能够将红色警告灯、蜂鸣器等警报器连接的触点端子，可以利用光、声音对判定部16的判定结果进行通报。

存储部18对判定部16的判定结果进行存储。存储于存储部18的判定结果(例如此前刚获得的判定部16的判定结果Y)被输出至合成部14。存储部18例如可以由RAM(RandomAccess Memory)等易失性的存储器实现，也可以由闪存ROM(Read Only Memory)、EEPROM(Electrically Erasable and Programmable ROM)等非易失性的存储器实现。

这种异常温度检测装置1由计算机实现。例如，可以由桌面放置型、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，设置于异常温度检测装置1的各模块(温度获取部11、训练信息生成部12、在先处理部13、合成部14、学习部15、判定部16等)，通过由设置于计算机的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。即，设置于异常温度检测装置1的各模块通过软件和硬件资源协作而实现。

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，例如可以在记录于计算机可读取的记录介质的状态下发行，或者可以经由互联网等网络而发行。此外，异常温度检测装置1可以利用FPGA(Field-Programmable Gate Array)、LSI(Large ScaleIntegration)、ASIC(Application Specific Integrated Circuit)等硬件而实现。

此外，上述计算机可读取的记录介质例如为磁记录介质、光记录介质、半导体存储器等。作为磁记录介质，例如能举出软盘、硬盘驱动器等。作为光记录介质，能举出CD-ROM、DVD(注册商标)-ROM等。作为半导体存储器，能举出闪存ROM(Read Only Memory)、EEPROM(Electrically Erasable and Programmable ROM)等。

<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的动作大致划分为进行前述的机器学习而获得识别模型CM的训练时的动作、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的训练时的动作、以及异常温度检测装置1的检测时的动作进行说明。

《训练时的动作》

图3是表示本发明的一个实施方式所涉及的异常温度检测装置的训练时的动作的概要的流程图。此外，图3所示的流程图的处理例如通过异常温度检测装置1的用户对未图示的输入部进行操作并进行开始机器学习的主旨的指示而开始。

如果开始处理，则首先由温度获取部11进行获取训练用的温度数据D1的处理(步骤S11：第1温度获取步骤)。在该处理中，获取1次或多次相当于预先规定的时间(例如3～5分钟左右)的多个训练用的温度数据D1。在实用方面，例如获取200次的100个训练用的温度数据D1。

接下来，由训练信息生成部12进行针对所获取的训练用的温度数据D1而生成附加有表示训练用的温度数据D1的正常或异常的识别信息的训练信息TR的处理(步骤S12)。此外，表示所获取的训练用的温度数据D1正常或异常的识别信息例如通过异常温度检测装置1的用户对未图示的输入部进行操作而被输入至训练信息生成部12。此外，训练信息TR可以基于模拟了异常温度检测装置1的测定对象的温度的模拟计算而生成。

接下来，由在先处理部13进行从所生成的训练信息TR将噪声去除的处理(步骤S13)。例如，针对训练信息TR中包含的训练用的温度数据D1在时间轴方向上进行平均化等滤波处理，由此进行将与训练用的温度数据D1叠加的噪声去除的处理。此外，在该滤波处理中，选择适合与训练用的温度数据D1叠加的杂音的特性的适当的滤波器。

接下来，由在先处理部13进行对训练信息TR中包含的训练用的温度数据D1的特征量进行计算的处理(步骤S14：第1在先处理步骤)。具体而言，由在先处理部13进行计算出训练用的温度数据D1(或者，实现了平均化的训练用的温度数据D1)的标准偏差、一阶差分或二阶差分中的至少1个而作为特征量的处理。此外，标准偏差是表示训练用的温度数据D1的温度的变化量的大小的特征量。一阶差分是表示训练用的温度数据D1的温度变化的倾向(趋势)的特征量。二阶差分是表示排除了趋势的训练用的温度数据D1的温度变化的特征量。

接着，由合成部14进行使得根据训练用的温度数据D1计算出的特征量、训练信息TR中包含的识别信息、以及以往判定信息合成的合成处理而生成合成数据X1的处理(步骤S15：第1合成步骤)。作为这里的以往判定信息，例如可以利用温度获取部11中此前刚获得的表示温度数据的正常或异常的识别信息。

如果以上处理结束，则由学习部15进行利用从合成部14输出的合成数据X1的机器学习(步骤S16：学习步骤)。这里，在根据训练用的温度数据D1计算出的特征量与表示训练用的温度数据D1的正常或异常的识别信息的关系的基础上，还学习与以往判定信息(由温度获取部11此前刚获得的表示温度数据的正常或异常的识别信息)的关系。如果进行该机器学习，则从学习部15对判定部16输出识别模型CM(步骤S17)。

此外，图3所示的流程图的处理例如可以在进行了由异常温度检测装置1的用户预先设定的量的训练之后自动地结束。或者，可以在由异常温度检测装置1的用户预先设定的时间经过之后结束，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，如果对于规定的时间序列数据而识别模型CM的值小于或等于规定值，则可以结束。

《检测时的动作》

图4是表示本发明的一个实施方式所涉及的异常温度检测装置的检测时的动作的概要的流程图。此外，图4所示的流程图的处理例如通过异常温度检测装置1的用户对未图示的输入部进行操作并进行开始检测的主旨的指示而开始。或者，图4所示的流程图的处理也可以在图3所示的流程图的处理结束时自动地开始。

如果开始处理，则首先由温度获取部11进行获取检测用的温度数据D2的处理(步骤S21：第2温度获取步骤)。在该处理中，仅获取1次相当于预先规定的时间(例如3～5分钟左右)的训练用的温度数据D1以及相同数据长度的检测用的温度数据D2(例如100个检测用的温度数据D2)。此外，对于检测用的温度数据D2，不清楚是正常还是异常，因此不输入识别信息。

接下来，由在先处理部13进行从所获取的检测用的温度数据D2将噪声去除的处理(步骤S22)。例如，利用与图3所示的步骤S13的处理中使用的滤波器相同的滤波器，进行将与检测用的温度数据D2叠加的噪声去除的处理。

接下来，由在先处理部13进行对检测用的温度数据D2的特征量进行计算的处理(步骤S23：第2在先处理步骤)。具体而言，由在先处理部13进行计算出检测用的温度数据D2(或者实现了平均化的检测用的温度数据D2)的标准偏差、一阶差分或二阶差分中的至少1个而作为特征量的处理。此外，标准偏差是表示检测用的温度数据D2的温度的变化量的大小的特征量。一阶差分是表示检测用的温度数据D2的温度变化的倾向(趋势)的特征量。二阶差分是表示将趋势去除的检测用的温度数据D2的温度变化的特征量。

接着，由合成部14进行使得根据检测用的温度数据D2计算出的特征量和以往判定信息合成的合成处理而生成合成数据X2的处理(步骤S24：第2合成步骤)。作为这里的以往判定信息，例如可以利用存储部18中存储的判定结果Y(此前刚获得的判定部16的判定结果)。此外，例如，如首次进行图4所示的流程图的处理的情况那样，在判定部16的判定结果没有存储于存储部18时，例如，作为判定结果Y的初始值可以利用表示正常的值(例如零)。

如果以上处理结束，则将从合成部14输出的合成数据X2输入至判定部16。而且，由判定部16进行利用图3所示的步骤S17的处理中输出的识别模型CM而判定检测用的温度数据D2的正常或异常的处理(步骤S25：判定步骤)。

这里，关于识别模型CM，如前所述，除了根据训练用的温度数据D1计算出的特征量与表示训练用的温度数据D1的正常或异常的识别信息的关系以外，还学习与以往判定信息的关系。另外，输入至判定部16的合成数据X2是通过根据检测用的温度数据D2计算出的特征量和以往判定信息(此前刚获得的判定部16的判定结果)合成而得到的。因此，考虑以往判定信息(此前刚获得的判定部16的判定结果)而判定检测用的温度数据D2的正常或异常。

如果进行该判定，则从判定部16对输出部17以及存储部18输出判定结果(步骤S26)。由此，在显示装置以能够目视确认的方式对表示检测用的温度数据D2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D2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。

此外，例如，在判定为检测用的温度数据D2异常的情况下，图4所示的流程图的处理可以自动地结束。或者，图4所示的流程图的处理可以根据异常温度检测装置1的用户的指示而继续进行，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。

如上所述，在本实施方式中，首先，在训练时，进行对由温度获取部11获取的训练用的温度数据D1的特征量进行计算的在先处理，并进行对计算出的特征量和以往获得的表示训练用的温度数据D1的正常或异常的以往判定信息进行合成的合成处理。而且，对合成处理的结果进行机器学习而生成识别模型CM。接下来，在检测时，利用识别模型CM而判定由温度获取部11获取、且进行了在先处理以及合成处理的检测用的温度数据D2的正常或异常。

这样，在本实施方式中，除了训练用的温度数据D1的特征量以外，还利用以往判定信息(以往获得的表示训练用的温度数据D1的正常或异常的识别信息)进行机器学习。另外，在本实施方式中，除了检测用的温度数据D2的特征量以外，还利用以往判定信息(以往获得的判定部16的判定结果)而判定检测用的温度数据D2的正常或异常。因此，在本实施方式中，即使在周围温度产生变化的情况下，也能够高精度地检测到异常温度。

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，但本发明并不限制于上述实施方式，在本发明的范围内可以自由地变更。例如，上述实施方式的异常温度检测装置1具有学习部15以及判定部16，因此可以判定检测用的温度数据D2的正常或异常、且进行机器学习而自动地更新(自动学习)识别模型CM。进行这种学习部的自动更新而能够使上述实施方式的异常温度检测装置1适合于现场的环境而实现最优化。

具体而言，例如，异常温度检测装置1如果在判定部16中没有判定出异常，在规定期间(例如1年间)运转，则可以认为在该期间获得的温度数据(检测用的温度数据D2)正常。因此，可以将在该期间获得的温度数据(检测用的温度数据D2)用作正常的训练用的温度数据D1而进行自动学习。

另外，可以仅在规定期间执行上述自动学习。例如，可以仅对最近1年内的温度数据进行自动学习，不将与此相比靠以往的数据用于学习。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，在上述实施方式中，举出检测到与正常时相比显著升高的温度作为异常温度的情况为例进行了说明。然而，本发明并不局限于检测到与正常时相比显著升高的温度作为异常温度的情况，还可以应用于检测到与正常时相比显著降低的温度作为异常温度的情况。但是，需要留意对训练用的温度数据D1附加适当的识别信息这一点。

另外，上述实施方式的异常温度检测装置1可以作为单体装置而实现，也可以通过经由网络的云计算而实现。这里，云计算例如可以与下面的URL(Uniform ResourceLocator)确定的文件记载的定义(由美国国立标准技术研究所推荐的定义)一致。

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”等方向的词语涉及本发明的装置的上述方向。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”之类的词语构成为用于执行本发明的功能，或者用于表示装置的结构、要素、部分。

并且，权利要求中作为“方法和功能”而表述的词语应当包含能够用于执行本发明中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，本发明并不限定于这些实施例。在不脱离本发明的主旨的范围内，可以进行结构的附加、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限定。

Claims (20)

1.一种异常温度检测装置，其中，

所述异常温度检测装置具有：

温度获取部，其获取温度数据；

在先处理部，其进行对所述温度数据的特征量进行计算的在先处理；

合成部，其进行将所述特征量和以往获得的表示所述温度数据的正常或异常的以往判定信息合成的合成处理；

学习部，其对所述合成部的合成结果进行机器学习而生成识别模型；以及

判定部，其利用所述识别模型而判定由所述温度获取部获取、由所述在先处理部进行所述在先处理且由所述合成部进行了所述合成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，

所述异常温度检测装置还具有训练信息生成部，在由所述学习部进行所述机器学习的情况下，所述训练信息生成部生成对由所述温度获取部获取的所述温度数据附加有表示正常或异常的识别信息的训练信息，

所述在先处理部对所述训练信息中包含的所述温度数据的所述特征量进行计算，

所述合成部对所述特征量、所述训练信息中包含的所述识别信息、以及所述以往判定信息进行合成。

3.根据权利要求2所述的异常温度检测装置，其中，

所述以往判定信息是对由所述温度获取部获取的以往的所述温度数据附加的至少1个所述识别信息。

4.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，

所述合成部在由所述判定部进行所述判定的情况下，将以往获得的所述判定部的至少1个判定结果用作所述以往判定信息。

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，

所述在先处理部计算出所述温度数据或平均化后的所述温度数据的标准偏差、一阶差分或二阶差分中的至少1个作为所述特征量。

6.根据权利要求2所述的异常温度检测装置，其中，

所述在先处理部在由所述学习部进行所述机器学习的情况下，从由所述训练信息生成部生成的所述训练信息去除噪声，对去除了所述噪声的所述训练信息中包含的所述温度数据的所述特征量进行计算。

7.根据权利要求2所述的异常温度检测装置，其中，

所述在先处理部在由所述判定部进行所述检测用的温度数据的正常或异常的判定的情况下，从由所述温度获取部获取的所述检测用的温度数据去除噪声，对去除了所述噪声的所述检测用的温度数据的所述特征量进行计算。

8.一种异常温度检测方法，其中，

所述异常温度检测方法具有如下步骤：

利用温度获取部获取温度数据；

利用在先处理部进行对所述温度数据的特征量进行计算的在先处理；

利用合成部进行将所述特征量和以往获得的表示所述温度数据的正常或异常的以往判定信息合成的合成处理；

利用学习部对所述合成部的合成结果进行机器学习而生成识别模型；

利用所述温度获取部获取检测用的温度数据；

利用所述在先处理部对所述检测用的温度数据进行所述在先处理；

利用所述合成部并使用所述在先处理部的处理结果而进行所述合成处理；以及

利用判定部并使用所述识别模型而判定进行了所述在先处理以及所述合成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，

所述异常温度检测方法还具有如下步骤：

在由所述学习部进行所述机器学习的情况下，利用训练信息生成部生成对由所述温度获取部获取的所述温度数据附加有表示正常或异常的识别信息的训练信息；

利用所述在先处理部对所述训练信息中包含的所述温度数据的所述特征量进行计算；以及

利用所述合成部对所述特征量、所述训练信息中包含的所述识别信息、以及所述以往判定信息进行合成。

10.根据权利要求9所述的异常温度检测方法，其中，

所述以往判定信息是对由所述温度获取部获取的以往的所述温度数据附加的至少1个所述识别信息。

11.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，

所述异常温度检测方法还具有如下步骤，即，在由所述判定部进行所述判定的情况下，利用所述合成部将以往获得的所述判定部的至少1个判定结果用作所述以往判定信息。

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，

所述异常温度检测方法还具有如下步骤，即，利用所述在先处理部计算出所述温度数据或平均化后的所述温度数据的标准偏差、一阶差分或二阶差分中的至少1个作为所述特征量。

13.根据权利要求9所述的异常温度检测方法，其中，

所述异常温度检测方法还具有如下步骤：

在由所述学习部进行所述机器学习的情况下，利用所述在先处理部从由所述训练信息生成部生成的所述训练信息去除噪声；以及

利用所述在先处理部对去除了所述噪声的所述训练信息中包含的所述温度数据的所述特征量进行计算。

14.根据权利要求9所述的异常温度检测方法，其中，

所述异常温度检测方法还具有如下步骤：

在由所述判定部进行所述检测用的温度数据的正常或异常的判定的情况下，利用所述在先处理部从由所述温度获取部获取的所述检测用的温度数据去除噪声；以及

利用所述在先处理部对去除了所述噪声的所述检测用的温度数据的所述特征量进行计算。

15.一种计算机可读取的非暂时性的存储介质，其对由计算机执行的程序进行存储，其中，

所述程序使所述计算机执行如下步骤：

获取温度数据，

进行对所述温度数据的特征量进行计算的在先处理，

进行将所述特征量和以往获得的表示所述温度数据的正常或异常的以往判定信息合成的合成处理，

对所述合成处理的合成结果进行机器学习而生成识别模型，

获取检测用的温度数据，

对所述检测用的温度数据进行所述在先处理，

使用所述在先处理的处理结果而进行所述合成处理，

使用所述识别模型而判定进行了所述在先处理以及所述合成处理的所述检测用的温度数据的正常或异常。

16.根据权利要求15所述的计算机可读取的非暂时性的存储介质，其中，

所述程序使所述计算机执行如下步骤：

在进行所述机器学习的情况下，生成对所述温度数据附加有表示正常或异常的识别信息的训练信息，

对所述训练信息中包含的所述温度数据的所述特征量进行计算，

使得所述特征量、所述训练信息中包含的所述识别信息、以及所述以往判定信息合成。

17.根据权利要求16所述的计算机可读取的非暂时性的存储介质，其中，

所述以往判定信息是对以往的所述温度数据附加的至少1个所述识别信息。

18.根据权利要求15至17中任一项所述的计算机可读取的非暂时性的存储介质，其中，

所述程序使所述计算机执行如下步骤：

在进行所述判定的情况下将以往获得的至少1个判定结果用作所述以往判定信息。

19.根据权利要求15至17中任一项所述的计算机可读取的非暂时性的存储介质，其中，

所述程序使所述计算机执行如下步骤：

计算出所述温度数据或平均化后的所述温度数据的标准偏差、一阶差分或二阶差分中的至少1个作为所述特征量。

20.根据权利要求16所述的计算机可读取的非暂时性的存储介质，其中，

所述程序使所述计算机执行如下步骤：

在进行所述机器学习的情况下从所述训练信息将噪声去除，

对去除了所述噪声的所述训练信息中包含的所述温度数据的所述特征量进行计算。

Images