JP2009245228A - 異常検出方法および異常検出装置 - Google Patents

Abstract

【課題】より実用的な異常検出方法、およびその異常検出方法を実施する異常検出装置を提供する。
【解決手段】対象時系列データを取得し、取得した対象時系列データの各サンプルごとの距離を標準時系列データに基づいて算出する。各サンプルごとの距離を総距離で除して影響度を算出して、その影響度が所定の閾値を越えたときに警告表示する構成にする。この警告表示をグラフにして可視化することで、より分かり易くプロセスの異常の発生時期をプロセスを管理する側の人に伝えることができるようにする。
【選択図】図２６

Description

本発明は、異常検出対象の時系列データである対象時系列データが異常を表すか否かを検出する異常検出方法、その異常検出方法を用いる異常検出装置に関する。

生産プロセス管理の現場では、生産設備の安定的な稼働を確保するために、生産設備の異常を早期に発見する必要があり、異常を早期に発見するための様々な手法が提案されている。

そのような提案の中には、生産設備において計測されている温度や圧力などの計測値を同じタイムスタンプでサンプリングして得られた時系列データに基づいて、正常状態を代表する標準時系列データを作成し、生産設備の異常の発見に利用するものがある（特許文献１参照）。

しかしながら、上記提案では、時系列データのタイムスタンプにずれが在る場合や、サンプル数が相違する場合には、これらをマッチングさせる前処理を施した上でなければ標準時系列データの作成が困難になるなど実用性に乏しいという問題がある。

そこで、本出願人は、先願の特願２００７−３３７３１８号でＤＴＷ（Ｄｙｎａｍｉｃ Ｔｉｍｅ Ｗａｒｐｉｎｇ）表記を使って時間のずれなどを補正して正常状態を代表する標準時系列データを算出する方法を提案している。この特願２００７−３３７３１８号で提案しているように、ＤＴＷ表記を使って正常状態を代表する標準時系列データを算出する構成にすると、複数の時系列データのサンプル数が異なったり、また各サンプルのタイムスタンプがずれていたとしても、標準時系列データに基づいてプロセスの異常状態を早期に検出するようなことができる。

また上記ＤＴＷ表記を用いると、従来のマッチング方法に比べて遥かに短い時間で対象時系列データを標準時系列データにマッチングさせることができるので管理用のコンピュータ内のＣＰＵタイムを軽減してその管理用のコンピュータの負荷を軽減することができるというメリットを引き出すことができる。
特開昭６０−１６０４８９号公報

ところで、プロセスを管理する側の人は、プロセスに異常が発生したときにはその異常を速やかに取り除いてプロセスを早期に復旧させなければならない。先願の特願２００７−３３７３１８号で提案している異常検出方法は、異常検出対象となるプロセスから得られた時系列データと標準時系列データの各サンプルの距離の総和が所定の閾値を超えている場合にプロセスに異常があると判定するものである。

しかしながら、異常検出対象となるプロセスから得られた時系列データ自体に信号ノイズなどの影響による局所的な異常データ点が含まれている場合や、特定の時点で局所的に プロセスの異常が発生している場合などは、プロセス全体で判断するだけでは不十分で、上記のような局所的な異常発生時点を特定できなければならない。

本発明は、上記事情に鑑み、局所的な異常発生時点を特定することにより、実用性を向上させることを可能にする異常検出方法、およびその異常検出方法を実施する異常検出装置を提供することを目的とする。

上記目的を達成する本発明の異常検出方法は、複数の時系列データを取得するデータ取得ステップと、
上記データ取得ステップで取得した複数の時系列データのうちの第１の時系列データを一軸に配置し該複数の時系列データのうちの第２の時系列データを他軸に配置したＤＴＷ表記において、一軸および他軸の時系列データのサンプリングタイム毎に区画された各マスにおける該各マスに対応する一軸上のデータと他軸上のデータとの間のこれら双方のデータの距離を計算し該距離に基づいてマスを選択することによりワーピングパスを求めるワーピングパス算出ステップと、
上記ワーピングパス上の各マスに対応する一軸上のデータと他軸上のデータとの平均値を求めることにより該ワーピングパス上の各マスごとの平均値の時系列的な集合からなる標準時系列データを算出する標準時系列データ算出ステップと、
異常検出対象の時系列データである対象時系列データを取得する異常検出対象データ取得ステップと、
上記標準時系列データ算出ステップで算出された標準時系列データを一軸に配置し上記異常検出対象データ取得ステップで取得された対象時系列データを他軸に配置したＤＴＷ表記において該標準時系列データと該対象時系列データとの間の距離を算出する距離算出ステップと、
上記距離算出ステップで算出された距離が該時系列データ中で予め規定された基準よりも大きいものを異常として検出する異常データ点検出ステップとを有することを特徴とする。

上記本発明の異常検出方法によれば、上記異常検出対象データ取得ステップで取得された異常検出対象の時系列データ中に予め規定された基準よりも大きいものがあることが検出された場合にそのものが異常データ点として検出される。つまり、時系列データを構成する各サンプルのうちのどのサンプルに異常があるかが検出される。その結果、時系列データの異常の発生時点を明確に示すことができるようになる。

また上記標準時系列データと上記対象時系列データとの間の総距離を算出する総距離算出ステップと、
上記距離算出ステップで算出された距離を上記総距離算出ステップで算出された総距離で除して影響度を求める影響度算出ステップとをさらに有し、
上記異常データ点検出ステップが、上記対象時系列データ中で上記影響度が予め規定された基準値よりも大きい点を異常として検出するステップであることが好ましい。

そうすると、各時系列データの時間のずれやサンプル数の違いによる影響が上記ワーピングパス算出ステップによって取り除かれ、さらに上記影響度算出ステップで時系列データを構成する各サンプルの異常がどの程度になるかが時系列データごとに上記総距離を基準として算出される。

ここで上記対象時系列データから検出された上記異常データ点をその対象時系列データから除外する除外ステップとを有することが好ましい。

また、上記目的を達成する本発明の異常検出装置は、
複数の時系列データを取得するデータ取得部と、
上記データ取得部で取得した複数の時系列データのうちの第１の時系列データを一軸に配置し該複数の時系列データのうちの第２の時系列データを他軸に配置したＤＴＷ表記において、一軸および他軸の時系列データのサンプリングタイム毎に区画された各マスにおける該各マスに対応する一軸上のデータと他軸上のデータとの間のこれら双方のデータの距離を計算し該距離に基づいてマスを選択することによりワーピングパスを求めるワーピングパス算出部と、
上記ワーピングパス上の各マスに対応する一軸上のデータと他軸上のデータとの平均値を求めることにより該ワーピングパス上の各マスごとの平均値の時系列的な集合からなる標準時系列データを算出する標準時系列データ算出部と、
異常検出対象の時系列データである対象時系列データを取得する異常検出対象データ取得部と、
上記標準時系列データ算出部で算出された標準時系列データを一軸に配置し上記異常検出対象データ取得部で取得された対象時系列データを他軸に配置したＤＴＷ表記において該標準時系列データと該対象時系列データとの間の距離を算出する距離算出部と、
上記距離算出部で算出された距離が該時系列データ中で予め規定された基準値よりも大きい点を異常として検出する異常データ点検出部とを有することを特徴とする。

上記目的を達成する異常検出装置によれば、上記異常データ点検出部でプロセスを構成する各サンプルの異常を検出してその異常を警告として例えばプロセスを管理する側の人に通知することが可能となる。このため、プロセスを管理する側の人は、その異常の通知を見てどのような異常であるかを解析して、早期にしかるべき処置を施すことが可能となる。

ここで、上記標準時系列データと上記対象時系列データとの間の総距離を算出する総距離算出部と、
上記距離算出部で算出された距離を前記総距離算出部で算出された総距離で除して影響度を求める影響度算出部とをさらに備え、
上記異常データ点検出部が、上記対象時系列データ中で上記影響度が予め規定された基準よりも大きいものを異常として検出するものであることが好ましい。

さらに、上記対象時系列データから検出された上記異常データ点をその対象時系列データから除外する除外部を備えた態様であることが好ましい。

本発明によれば、局所的な異常発生時点を特定することができるので、実用性の高い異常検出方法、その異常検出方法を実施する異常検出装置を提供することができる。

また、局所的な異常として特定された異常データ点が計測ノイズである場合には、異常データ点を対象時系列データから除外するので、計測ノイズの影響による誤判断の発生を軽減できる。

以下、本発明の実施形態を説明する。

図１は、本発明にいう異常検出装置に拡張することが可能な標準時系列データ算出装置の概略構成図である。

本実施形態の標準時系列データ算出装置１は、ＡＤ変換器１０、コンピュータ２０、および、記憶装置３０を備えている。

ＡＤ変換器１０は、外部の信号源１００における圧力を表すアナログ信号を受信してデジタル信号に変換する。コンピュータ２０は、詳しくは後述するが、ＡＤ変換器１０でデジタルデータ化された時系列データを受信し、受信した時系列データに基づいて、その信号源１００が正常状態にあるのか否かを判定するための基準となる標準時系列データを作成する。また、記憶装置３０は、時系列データの一時記録や標準時系列データを記憶するために使用される。

図２は、図１に示すコンピュータの内部ブロック図である。

図２に示すコンピュータ２０は、データ取得部２１、ワーピングパス算出部２２、標準時系列データ算出部２３、および動作制御部２４を備えている。

データ取得部２１では、ＡＤ変換器１０で変換された時系列データを取得する。

ワーピングパス算出部２２では、データ取得部２１で取得した複数の時系列データのうち選択した１つの時系列データを一軸に配置し、選択したもう１つの時系列データを他軸に配置する所謂ＤＴＷと呼ばれる手法により、詳しくは後述するワーピングパスが検出される。

標準時系列データ算出部２３では、詳細は後述するが、検出されたワーピングパスに関わるデータに基づいて標準時系列データが算出される。

動作制御部２４は、ワーピングパス算出部２２に、標準時系列データ算出部２３で算出された標準時系列データを新たな時系列データとして一軸に配置させると共に、データ取得部で取得された複数の時系列データのうちから新たに選択した時系列データを他軸に配置させてワーピングパスの検出を行わせ、さらに標準時系列データ算出部２３に新たな標準時系列データの算出を行わせるサイクルを、これらワーピングパス算出部２２および標準時系列データ算出部２３に繰り返し行わせる。

図３は、この標準時系列データ算出装置における標準時系列データの算出の流れを示すフローチャートである。尚、以下に説明するフローチャートでは、異常診断の対象である信号源１００が正常動作しているときに計測された圧力に基づく３つの正常時系列データがデータ取得部２１に取得された後、記憶装置３０に記憶されているものとして話を進める。

図３に示すステップＳ１では、記憶装置３０に記憶されている３つの正常時系列データのうち２つを選択する。このステップＳ１が、本発明にいうデータ取得ステップの一例に相当する。尚、以下では、この図３を中心に説明し、図４以降の図についての説明は、適宜、説明を織り交ぜて行く。

図４は、記憶装置に記憶されている３つの正常時系列データを示す図である。

図４には、３つの正常時系列データが示されているが、以下では、これら３つの正常時系列データのうちの、図４（ａ）に示す時系列データ（以下、図４（ａ）に示す時系列データを列データＡと称す。）と、図４（ｂ）に示す時系列データ（以下、図４（ｂ）に示す時系列データを列データＢと称す。）とが選択されたものとして説明を続ける。尚、以下では、各列データを構成する、例えば、列データＡを構成する、例えば、‘ｔｉｍｅ’が‘０．０００’と‘ｖａｌｕｅ’が‘０．０００’とのデータをデータＡ１と称す。

図３に示すステップＳ２では、公知の技術であるＤＴＷ（Ｄｙｎａｍｉｃ Ｔｉｍｅ Ｗａｒｐｉｎｇ）表記により、ステップＳ１で選択した２つの時系列データについてワーピングパスを検出する。このステップＳ２が、本発明にいうワーピングパス算出ステップの一例に相当する。

図５は、ＤＴＷ表記を示す図である。

図５には、縦軸として、図４（ａ）に示す列データＡが配置され、横軸として、図４（ｂ）に示す列データＢが配置されている様子が示されている。

また、図５に示される、縦軸および横軸の時系列データのサンプリングタイム毎に区画された各マスには、各マスに対応する縦軸上の‘ｖａｌｕｅ’と横軸上の‘ｖａｌｕｅ’との絶対差が記されている。この絶対差が、本発明にいう距離の一例に相当する。尚、以下では、図５に示すような各マスについては、左下隅のマスをマス（１−１）、左上隅のマスをマス（１１−１）、右下隅のマスをマス（１−１２）、右上隅のマスをマス（１１−１２）と称し、これら４隅以外のマスについての称呼もこれらに倣ったものとする。したがって、例えばマス（２−４）には、データＡ２のｖａｌｕｅ（０．３８３）とデータＢ４のｖａｌｕｅ（０．９２４）の絶対差である‘０．５４１’が記されている。

上述したワーキングパスとは、各マスに書き込まれた絶対差の合計が最も小さくなるように、右上隅から左下隅にかけてマスを辿った際のその軌跡をいい、図５では、このワーキングパスを形成するマスが太い黒枠で囲まれている。

図３に示すステップＳ３では、今回のワーピングパスの検出に利用した列データのペアのうちの１つが、仮の標準時系列データであるか否かを判定する。この段階では仮の標準時系列データがまだ算出されておらず、ペアに含まれていないことから、ステップＳ５に進み、ステップＳ２で検出したワーピングパスを形成する各マスに関わる列データＡおよび列データＢの‘ｔｉｍｅ’と‘ｖａｌｕｅ’とのそれぞれについて単純平均を算出する。このステップＳ５が、本発明にいう標準時系列データ算出ステップの一例に相当する。

図６は、ワーピングパスを形成するマスのうちの１つのマスに関わるデータを示す図である。

図６には、ワーキングパスを形成する、マス（１−１）、マス（２−２）、マス（３−３）、マス（４−４）、マス（５−５）、マス（６−６）、マス（７−７）、マス（８−８）、マス（９−９）、マス（９−１０）、マス（１０−１１）、およびマス（１１−１２）のうちのマス（６−６）に、データＡ６とデータＢ６とが関わっている様子が示されている。

図７は、ワーピングパスを形成する各マスに関わるデータについての平均値を示す図である。

図７（ａ）には、図４（ａ）にも示す列データＡが示され、図７（ｂ）には、図４（ｂ）にも示す列データＢが示されている。また、図７（ｃ）には、ワーピングパスを形成する各マスに関わるデータＡおよびデータＢについての‘ｔｉｍｅ’と‘ｖａｌｕｅ’のそれぞれの平均値が示されており、この列データＡＢが、仮の標準時系列データとして記憶装置３０に記憶される。この列データＡＢの、これら‘ｔｉｍｅ’と‘ｖａｌｕｅ’とには、算出元の列データの記号と番号とを組み合わせたデータ名を付している。つまり、列データＡＢのデータＡ２、Ｂ２とは、列データＡのデータＡ２と列データＢのデータＢ２の‘ｔｉｍｅ’と‘ｖａｌｕｅ’とのそれぞれの平均値であることを表しており、同様に列データＡＢのデータＡ１１、Ｂ１２は、列データＡのデータＡ１１と列データＢのデータＢ１２の‘ｔｉｍｅ’と‘ｖａｌｕｅ’とのそれぞれの平均値であることを表している。

図３に示すステップＳ６では、記憶装置３０に未使用の正常時系列データが記憶されているか否かが判定される。

図３に示すステップＳ６において、記憶装置３０には、まだ未使用の正常時系列データが記憶されていると判定すると、ステップＳ７に進み、ここでは、図４（ｃ）に示される列データＣと、仮の標準時系列データである列データＡＢとがペアにされる。その後、図３に示すステップＳ２にもどり、これらを縦軸および横軸に配置しての上述したワーピングパス検出が行われる。

図８は、列データＡＢとデータＣとの間でのワーピングパス検出の様子を示す図である。

図８には、縦軸に列データＡＢ、横軸に列データＣが配置されてワーピングパスが検出された様子が示されている。

図９は、図８に示されるワーピングパスを構成するマスのうちの１つのマスに関わるデータを示す図である。

図９には、ワーキングパスを構成する、マス（１−１）、マス（２−２）、マス（３−３）、マス（４−４）、マス（５−５）、マス（６−６）、マス（７−７）、マス（８−８）、マス（９−９）、マス（９−１０）、マス（１０−１１）、マス（１１−１２）、およびマス（１２−１３）のうちのマス（６−６）に、データＡ６、Ｂ６とデータＣ６とが関わっている様子が示されている。

図３に示すステップＳ３において、ペアのうちの１つが仮の標準時系列データであるか否かが判定され、ここでは、ペアの１つが仮の標準時系列データになっていることから、ステップＳ４に進む。ステップＳ４では、ステップＳ２で検出したワーピングパスを形成する各マスに関わるデータＡＢおよびデータＣの‘ｔｉｍｅ’と‘ｖａｌｕｅ’とのそれぞれについて加重平均値を算出する。このステップＳ４も、本発明にいう標準時系列データ算出ステップの一例に相当する。

図１０は、ワーピングパスを形成する各マスに関わるデータについての加重平均値を示す図である。

図１０（ａ）には、図７（ｃ）にも示す列データＡＢが示され、図１０（ｂ）には、図４（ｃ）にも示す列データＣが示されている。また、図１０（ｃ）には、ワーピングパスを形成する各マスに関わる列データＡＢおよび列データＣについての‘ｔｉｍｅ’と‘ｖａｌｕｅ’のそれぞれの加重平均値が示されており、この列データＡＢＣが、最終的な標準時系列データとして記憶装置３０に記憶される。尚、この列データＡＢＣの、これら‘ｔｉｍｅ’と‘ｖａｌｕｅ’とにも、算出元の列データの記号と番号とを組み合わせたデータ名を付している。

この加重平均値の算出は、使用したペアの一方である仮の標準時系列がいくつの正常時系列データに基づいて算出されているかに応じて重み付けをして行われており、使用した仮の標準時系列データである列データＡＢは、列データＡと列データＢとの２つの正常時系列データに基づいていることから、以下の様に加重平均が行われる。例えば、図１０（ｃ）に示す標準時系列データである列データＡＢＣのデータＡ６Ｂ６Ｃ６（４．０００，０．９２４）のうちの‘４．０００’については、列データＡ６Ｂ６（４．５００，０．９２４）の‘４．５００’に、この列データＡＢが２つの正常時系列データＡ、Ｂに基づいていることによる‘２’を乗すると共にデータＣ６（３．０００、０．９２４）の‘３．０００’を加算したものを、これらに関わった正常時系列データＡ、Ｂ、Ｃの合計数である‘３’で除算して算出される。また、列データＡＢＣの列データＡ６Ｂ６Ｃ６（４．０００，０．９２４）のうちの‘０．９２４’についても、列データＡ６Ｂ６（４．５００，０．９２４）の‘０．９２４’に‘２’を乗すると共にデータＣ６（３．０００、０．９２４）の‘０．９２４’を加算したものを、これらに関わった正常時系列データＡ、Ｂ、Ｃの合計数である‘３’で除算して算出される。したがって、ペアのうちの一方である仮の標準時系列データが、例えば３つの正常時系列データに基づいて得られたものである場合には、上述の乗する値を‘２’ではなく‘３’にすると共に、除算に用いる値を‘３’ではなく‘４’にする。最終的な標準時系列データの算出に加重平均を用いているのは、単純な平均では、算出に利用される順番が遅い列データほど最終的な標準時系列データの算出に対する影響が大きくなってしまうのに対し、加重平均では、その順番による影響を取り除くことができるからである。

その後、図３に示すステップＳ６において、他の正常時系列データが存在するか否かを判定するが、記憶装置３０にはもう正常時系列データは記憶されていないため、標準時系列データの算出を終了する。以上が、この標準時系列データ算出装置１における、標準時系列データの算出までの流れである。

図１１は、正常時系列データ、仮の標準時系列データ、および最終的な標準時系列データを示す図である。

図１１には、列データＡ、列データＢ、列データＣ、列データＡＢ、および列データＡＢＣそれぞれのデータがプロットされて線で結ばれて示されている。図１１からは、列データＡ、列データＢ、および列データＣで表される正常時系列データは、タイムスタンプが少しずつ異なっているものの、全体の長さが同一である、マッチングが難しいデータであることが読みとれる。

また、図１１からは、列データＡと列データＢとによる仮の標準時系列データＡＢが、列データＡと列データＢとの中間値からなるデータ、すなわち標準的なモデルとするに相応しいデータになっていることが読みとれ、また、この仮の標準時系列データである列データＡＢと列データＣとによる最終的な標準時系列データである列データＡＢＣが、列データＡ、Ｂ、Ｃの中では中間値である列データＢに重なった標準的なモデルとするに相応しいデータになっていることが読みとれる。

以上説明したように、この標準時系列データ装置１によれば、ワーピングパスの検出に使用する正常時系列データの時間軸の伸縮の有無に拘わらない、周知技術であるＤＴＷ表記により検出したワーピングパスに基づいて、高精度に標準時系列データを算出することができる。

図１２は、図４に示す正常時系列データとは異なる、３つの正常時系列データをプロットした図である。

図１２には、正弦波で示される部分が互いに時間方向にずれているものの、データの長さは同一の正常時系列データが示されている。

図１３は、図１２に示す正常時系列データから算出した標準時系列データを示す図である。

図１３（ａ）には、この標準時系列データ算出装置１により、これら３つの正常時系列データに基づいて、これら３つの正常時系列データのうちの中間値となる、黒丸で示される正常時系列データと重なる、標準モデルとするに相応しい標準時系列データが作成された様子が示されている。

一方、図１３（ｂ）には、これら３つの正常時系列データについての時間毎の平均からなる標準時系列データが点線で示されている。しかしながら、図１３（ｂ）に点線で示される標準時系列データは、図１３（ａ）に点線で示す標準時系列データとはかけ離れた、標準モデルとするには相応しくない標準時系列データとなっている様子が示されている。

尚、以上に説明した実施形態では、ＤＴＷによるワーピングパスの検出の際、２軸のうちの１軸に仮の標準時系列データを配置する場合には、加重平均をして重み付けをおこなう例を挙げて説明したが、これが単純平均をとるものであってもよい。

また、以上に説明した実施形態では、２次元のＤＴＷ表記を用いる例を挙げて説明したが、Ｎ（Ｎは３以上の自然数）個の正常時系列データを、仮想的なＮ次元の各軸に配置して、それら時系列データについて総合的にワーピングパスを求めて適宜平均計算を行ってもよい。

また、以上に説明した実施形態では、正常時系列データの数が多く、標準時系列データの算出のための計算量が増加する場合には、標準時系列データを算出するサンプルとなる正常時系列データの数を制限したり、あるいは、制限を超える場合には、それら正常時系列データ間での平滑化や補間手法を用いてサンプル数を圧縮してもよい。

また、以上に説明した実施形態では、タイムスタンプである‘ｔｉｍｅ’と‘ｖａｌｕｅ’とからなる時系列データを用いた場合を例に挙げて説明したが、サンプリング周期が略一定であれば、タイムスタンプである‘ｔｉｍｅ’を有しないものであってもよい。

次に、上述した標準時系列データ算出装置１を備えた異常検出装置２について説明する。

この異常検出装置２は、内蔵する標準時系列データ算出装置１によって、正常状態にある所定の信号源において計測された圧力に基づいて標準時系列データを作成しておき、その所定の信号源において計測される圧力からその所定の信号源の異常の有無を検出するものである。尚、この異常検出装置２の概略構成図は、図１に示す、標準時系列データ算出装置１の概略構成図と同じであるので図示および説明は省略する。

図１４は、異常検出装置２に内蔵されているコンピュータの内部ブロック図である。

図１４に示すコンピュータ２００は、図２に示す標準時系列データ算出装置１のコンピュータ２０に備えられている各機能部に加え、さらに、距離算出部２０１と異常検出部２０２と表示部２０３とが備えられている。尚、図１４では、標準時系列データ算出装置１のコンピュータ２０に備えられている機能部と同じ機能を有する機能部には、図２において付されている符号と同じ符号を付しており、図２と同じ符号が付されている機能部である、データ取得部２１、ワーピングパス算出部２２、標準時系列データ算出部２３、および動作制御部２４についての説明は省略し、以下、距離算出部２０１、異常検出部２０２、および表示部２０３についてのみ説明する。

距離算出部２０１は、標準時系列データ算出部２３で算出された標準時系列データを一軸に配置し、データ取得部２１で取得された、異常診断の対象となる対象時系列データを他軸に配置したＤＴＷ表記において標準時系列データと対象時系列データとの間の距離を算出する。

異常検出部２０２は、距離算出部２０１で算出された距離が時系列データ中で予め規定された基準よりも大きいものを異常として検出し、対象時系列データと標準時系列データに開きがあるとして異常が発生したことを表す警告表示を表示部２０３に行わせる。

図１５は、記憶装置３０に記憶されている３つの時系列データＸ，Ｙ，Ｚを示す図である。図１６は、図１５の３つの時系列データＸ，Ｙ，Ｚを同一時間軸上にプロットした図である。この図１６には、正弦波で示される部分が互いに時間方向にずれているものの、データの長さは同一の正常時系列データが示されている。

また、図１７は、図１４の異常検出装置２における異常検出の処理の流れを示すフローチャートである。

この図１７に示すフローにおいては、図１４の異常検出装置が内蔵する標準時系列データ算出装置が前述の図３のフローの手順にしたがって図１５（ａ）に示す時系列データ（以下、図１５（ａ）に示す時系列データを列データＸと称す。）を標準時系列データとして算出した後、図１４の異常検出装置２が備えるデータ取得部２１が図１７のステップＳ１７０１の処理で図１５（ｂ）に示す異常検出用の対象時系列データＹ（以下、図１５（ｂ）に示す時系列データを列データＹと称す。）を取得するとして以降説明する。この例では図３のフローの処理とステップＳ１７０１の処理が、本発明にいうデータ取得ステップおよび本発明にいう異常検出対象データ取得ステップの一例を構成することになる。

尚、前述したように、以下においても各列データを構成する、例えば、‘ｔｉｍｅ’が‘０．０００’と‘ｖａｌｕｅ’が‘０．０００’とのデータをデータＸ１と称す。

次のステップＳ１７０２では、ステップＳ１７０１で選択された列データＹと、図３のフローの手順にしたがって予め算出されている列データＸとを使って、公知の技術であるＤＴＷ（Ｄｙｎａｍｉｃ Ｔｉｍｅ Ｗａｒｐｉｎｇ）表記によるワーピングパスを算出する。この例ではこのステップＳ１７０２が、本発明にいうワーピングパス算出ステップの一例を構成する。

次のステップＳ１７０３で、ワーピングパスによって標準時系列データに紐付けられた列データＹと列データＸとの間の距離を算出する。この例ではこのステップが本発明にいう距離算出ステップの一例を構成する。

次のステップＳ１７０４で、ステップＳ１７０３で求められた距離に基づいてサンプルごとの影響度を求める。この例では、このステップＳ１７０４が、本発明にいう異常データ点検出ステップの一例を構成する。

そして次のステップＳ１７０５でまだ選び出されていない未処理の時系列データがあると判定したときにはＹｅｓ側へ進んでステップＳ１７０６に進み、未処理の時系列データがないと判定したときにはＮｏ側へ進んでこのフローの処理を終了する。

ここで、本願の異常検出方法をより分かり易く説明するために、ステップＳ１７０１で列データＹが選択されてステップＳ１７０２でワーピングパスが算出され、さらにステップＳ１７０４で影響度が求められるまでの処理内容を図１８〜図２０を参照しながら説明する。

図１８は、図１７のステップＳ１７０２の処理の内容を説明する図である。図１８には、列データＸと列データＹとの間でのワーピングパス検出の様子が示されている。

この図１８の縦軸には列データＸ、横軸には列データＹがそれぞれ配置されてワーピングパスが検出された様子が示されている。この図１８では、ワーキングパスを形成するマスが太い黒枠で囲まれている。

また図１９は、図１８のワーピングパスを構成する各マスごとに求めた距離（ｄｉｓｔａｎｃｅ）を示す図である。この図１９には、図１７のステップＳ１７０３の処理で算出された距離がそれぞれ示されている。

図１９からも分かるように、図１７のフローの処理が実行されると、図１８に示すワーキングパスを構成する、マス（１−１）、マス（２−２）、マス（３−３）、マス（４−４）、マス（５−４）、マス（６−４）、マス（６−５）、マス（６−６）、マス（７−７）、マス（８−８）、マス（９−９）、マス（９−１０）、マス（９−１１）、マス（９−１２）、マス（１０−１２）、マス（１１−１２）の各マスごとに距離が算出される。なお、図１９には、距離を算出するにあたって、紐付られている要素が複数ある場合には、例えばマス（４−４）、マス（５−４）、マス（６−４）のように列データＸ４，Ｘ５，Ｘ６に対応する距離（０．０１３，０．０６３，０．０１３）の算術平均をとって距離とする例が示されている。

この図１９に示す各サンプルの距離を使って、本発明にいう異常データ点検出ステップであるステップＳ１７０４の処理で列データＹを構成する各サンプルの異常への影響度が算出される。

図２０は、列データＹのサンプルごとに求めた距離を使ってステップＳ１７０４で求めた各サンプルごとの影響度を示す図である。

ここで本実施形態には、距離算出ステップであるステップＳ１７０３が、距離を算出する他、さらに標準時系列データと対象時系列データとの間の総距離を算出する総距離算出ステップを有し、異常データ点検出ステップであるステップＳ１７０４が、ステップＳ１７０２の距離算出ステップで算出された距離を上記総距離算出ステップで算出された総距離で除して影響度を求める影響度算出ステップを有する場合の例が示されている。

つまり、図２０には、
影響度＝サンプルごとの距離／距離の総和×１００％ 式１
で算出された影響度が示されていることになる。この式１を使って影響度を算出すると、複数の列データのうちのどの列データにおいても距離の総和に占めるサンプルごとの距離の割合が影響度として算出されることになるため、各時系列データそれぞれの各サンプルの異常の影響度が正規化されることとなる。

ここまでで列データＹの処理が終了する。次にもう一つの異常検出用の列データＺが選択されたときの処理を説明する。

図２１〜図２４は、列データＹの処理が終わった後、異常検出用の対象時系列データとして列データＺが新たに選択されたときの処理を説明する図である。

図２１には、図１７の処理が進行して列データＹの処理が終了し、ステップＳ１７０５で未処理のデータがあると判定されＹｅｓ側へ進んで、異常検出用の対象時系列データとして列データＺが新たに選択されるということが示されている。図２２には、その列データＺについて図１８に示す列データＹのときと同様の図が示され、また図２３には、図１９に示す列データＹのときと同様の図が示され、さらに図２４には、図２０に示す列データＹのときと同様の図が示されている。

つまり、データ列Ｙの処理が実行されてステップＳ１７０５で未処理のデータ列がまだあると判定された場合にはステップＳ１７０６でデータ列Ｚが新たに選択されてデータ列Ｙと同様にステップＳ１７０２〜Ｓ１７０５までの同じ処理が繰り返されて列データＺについて各サンプルごとの影響度が列データＹと同様に算出される。このステップＳ１７０６が、上記ステップＳ１７０１とともに本発明にいう異常対象時系列データ取得ステップの一例を構成する。

このように時系列データＹ，Ｚを構成する各サンプルごとの距離を距離の総和（つまり総距離）で除して影響度を算出する構成にすると、上述した様に時間のずれやサンプル数が異なる時系列データであっても、各時系列データＹ，Ｚを構成する各サンプルの異常の大きさが各サンプルの総距離を基準にして正規化されるようになる。したがって各々の対象時系列データ中で影響度が予め規定された基準よりも大きいものを一律異常として検出することが可能となる。

図２５は、標準時系列データＸを基準にして算出した、２つの列データＹ，Ｚのそれぞれの各サンプルの影響度を示す図である。また、図２６は、図２５の列データＹの値（ＶＡＬＵＥ）を時間軸を横軸にしてプロットしたグラフと図２５の列データＹの各サンプルの影響度を時間軸を横軸にしてプロットしたグラフであり、図２７は、図２５の列データＺの値（ＶＡＬＵＥ）を時間軸を横軸にしてプロットしたグラフと図２５の列データＺの各サンプルの影響度を時間軸を横軸にしてプロットしたグラフである。

図２６（ａ）、図２７（ａ）に示す様に列データＹ、Ｚの値を縦軸にプロットしたときにはさほど見えなかった影響度が、図２６（ｂ）、図２７（ｂ）に示す様に影響度を縦軸にしてプロットすることで一目で分かるようになることが分かる。本実施形態においては、図１４中の異常検出部２０２が、図２６（ｂ）、図２７（ｂ）に示すグラフを表示画面上に警告表示する例が示されており、図２６、図２７においては影響度が１５％を超えたときに異常であるとする旨の判定を行なって表示部２０３に異常の警告表示を行なわせた例が示されている。このように図２６、図２７のグラフを警告表示に使って異常の状態を可視化すると、その警告表示を見たプロセスを管理する側の人に、プロセス内の異常の発生時期を明確に提示することができる。

こうしてプロセスの異常の発生時期が明確に提示されるようになると、プロセスを管理する側の人は、異常原因の特定を早期に行なって異常に対する措置を早期に実施することができるようになる。すなわち、より実用に即した異常検出方法が提供される。

以上説明したように、本発明によれば、より実用的な異常検出方法、その異常検出方法を実施する異常検出装置が実現する。

なお、上記実施形態では、影響度を各サンプルの距離を総距離で除して求めたが、例えば、全サンプルではなく、「着目した時間帯に属するサンプル」のみを計算の対象とすることにより、特定の時間帯に着目した、異常への影響度を算出しても良い。

その場合には、式１の代わりに下式２で計算することになる。

影響度＝<開始後５秒以内に属するサンプルごとの距離>／
<開始後５秒以内に属するサンプルの距離の和>×１００％ 式２
また、サンプルを時間帯などでグルーピングすることで、グループによる異常への影響度を算出しても良い。

その場合には、式１、式２の代わりに下式３で計算することになる。

開始後ａ〜ｂ秒に属するサンプルの影響度＝
<開始ａ〜ｂ秒以内に属するサンプルの距離の和>／<距離の総和>×１００％ 式３
なお、局所的な異常として特定された異常データ点が計測ノイズである場合には、異常データ点を対象時系列データから除外するように構成するのが好ましい。このようにすれば、計測ノイズの影響による誤判断の発生を軽減できる。

標準時系列データ算出装置の概略構成図である。 図１に示すコンピュータの内部ブロック図である。 この標準時系列データ算出装置における標準時系列データの算出の流れを示すフローチャートである。 記憶装置に記憶されている３つの正常時系列データを示す図である。 ＤＴＷ表記を示す図である。 ワーピングパスを形成するマスのうちの１つのマスに関わるデータを示す図である。 ワーピングパスを形成する各マスに関わるデータについての平均値を示す図である。 列データＡＢとデータＣとの間でのワーピングパス検出の様子を示す図である。 図８に示されるワーピングパスを構成するマスのうちの１つのマスに関わるデータを示す図である。 ワーピングパスを形成する各マスに関わるデータについての加重平均値を示す図である。 正常時系列データ、仮の標準時系列データ、および最終的な標準時系列データを示す図である。 図４に示す正常時系列データとは異なる、３つの正常時系列データをプロットした図である。 図１２に示す正常時系列データから算出した標準時系列データを示す図である。 異常検出装置２に内蔵されているコンピュータの内部ブロック図である。 記憶装置３０に記憶されている３つの時系列データＸ，Ｙ，Ｚを示す図である。 図１５の３つの時系列データＸ，Ｙ，Ｚを同一時間軸上にプロットした図である。 図１４の異常検出装置２における異常検出の処理の流れを示すフローチャートである。 図１７のステップＳ１７０２の処理の内容を説明する図である。 図１８のワーピングパスを構成する各マスごとに求めた距離（ｄｉｓｔａｎｃｅ）を説明する図である。 異常検出対象時系列データＹのサンプルごとに求めた距離を使ってステップＳ１７０４で求めた各サンプルごとの影響度を説明する図である。 時系列データＹの処理が終わった後、異常検出用の対象時系列データとして時系列データＺが新たに選択されたときの処理を説明する図である。 時系列データＹの処理が終わった後、異常検出用の対象時系列データとして時系列データＺが新たに選択されたときの処理内容を説明する図である。 時系列データＹの処理が終わった後、異常検出用の対象時系列データとして時系列データＺが新たに選択されたときの処理内容を説明する図である。 時系列データＹの処理が終わった後、異常検出用の対象時系列データとして時系列データＺが新たに選択されたときの処理内容を説明する図である。 標準時系列データＸを基準にして算出した、２つの時系列データＹ，Ｚのそれぞれの各サンプルの影響度を示す図である。 図２５の時系列データＹの値（ＶＡＬＵＥ）を時間軸を横軸にしてプロットしたグラフと図２５の影響度を時間軸を横軸にしてプロットしたグラフである。 図２５の時系列データＺの値（ＶＡＬＵＥ）を時間軸を横軸にしてプロットしたグラフと図２５の影響度を時間軸を横軸にしてプロットしたグラフである。

符号の説明

１ 標準時系列データ算出装置
２ 異常検出装置
１０ ＡＤ変換器
２０、２００ コンピュータ
２１ データ取得部
２２ ワーピングパス算出部
２３ 標準時系列データ算出部
２４ 動作制御部
２０１ 距離算出部
２０２ 異常検出部
２０３ 表示部
３０ 記憶装置

Claims (6)

1. 複数の時系列データを取得するデータ取得ステップと、
   前記データ取得ステップで取得した複数の時系列データのうちの第１の時系列データを一軸に配置し該複数の時系列データのうちの第２の時系列データを他軸に配置したＤＴＷ表記において、一軸および他軸の時系列データのサンプリングタイム毎に区画された各マスにおける該各マスに対応する一軸上のデータと他軸上のデータとの間のこれら双方のデータの距離を計算し該距離に基づいてマスを選択することによりワーピングパスを求めるワーピングパス算出ステップと、
   前記ワーピングパス上の各マスに対応する一軸上のデータと他軸上のデータとの平均値を求めることにより該ワーピングパス上の各マスごとの平均値の時系列的な集合からなる標準時系列データを算出する標準時系列データ算出ステップと、
   異常検出対象の時系列データである対象時系列データを取得する異常検出対象データ取得ステップと、
   前記標準時系列データ算出ステップで算出された標準時系列データを一軸に配置し前記異常検出対象データ取得ステップで取得された対象時系列データを他軸に配置したＤＴＷ表記において該標準時系列データと該対象時系列データとの間の距離を算出する距離算出ステップと、
   前記距離算出ステップで算出された距離が該時系列データ中で予め規定された基準よりも大きいものを異常として検出する異常データ点検出ステップとを有することを特徴とする異常検出方法。
2. 前記標準時系列データと前記対象時系列データとの間の総距離を算出する総距離算出ステップと、
   前記距離算出ステップで算出された距離を前記総距離算出ステップで算出された総距離で除して影響度を求める影響度算出ステップとをさらに有し、
   前記異常データ点検出ステップが、前記対象時系列データ中で前記影響度が予め規定された基準よりも大きいものを異常として検出するステップであることを特徴とする請求項１記載の異常検出方法。
3. さらに、前記対象時系列データから検出された前記異常データ点を該対象時系列データから除外する除外ステップを有することを特徴とする請求項１又は２記載の異常検出方法。
4. 複数の時系列データを取得するデータ取得部と、
   前記データ取得部で取得した複数の時系列データのうちの第１の時系列データを一軸に配置し該複数の時系列データのうちの第２の時系列データを他軸に配置したＤＴＷ表記において、一軸および他軸の時系列データのサンプリングタイム毎に区画された各マスにおける該各マスに対応する一軸上のデータと他軸上のデータとの間のこれら双方のデータの距離を計算し該距離に基づいてマスを選択することによりワーピングパスを求めるワーピングパス算出部と、
   前記ワーピングパス上の各マスに対応する一軸上のデータと他軸上のデータとの平均値を求めることにより該ワーピングパス上の各マスごとの平均値の時系列的な集合からなる標準時系列データを算出する標準時系列データ算出部と、
   異常検出対象の時系列データである対象時系列データを取得する異常検出対象データ取得部と、
   前記標準時系列データ算出部で算出された標準時系列データを一軸に配置し前記異常検出対象データ取得部で取得された対象時系列データを他軸に配置したＤＴＷ表記において該標準時系列データと該対象時系列データとの間の距離を算出する距離算出部と、
   前記距離算出部で算出された距離が該時系列データ中で予め規定された基準よりも大きいものを異常として検出する異常データ点検出部とを備えたことを特徴とする異常検出装置。
5. 前記標準時系列データと前記対象時系列データとの間の総距離を算出する総距離算出部と、
   前記距離算出部で算出された距離を前記総距離算出部で算出された総距離で除して影響度を求める影響度算出部とをさらに備え、
   前記異常データ点検出部が、前記対象時系列データ中で前記影響度が予め規定された基準よりも大きいものを異常として検出するものであることを特徴とする請求項４記載の異常検出装置。
6. さらに、前記対象時系列データから検出された前記異常データ点を該対象時系列データから除外する除外部を備えたことを特徴とする請求項４又は５記載の異常検出装置。

Images