JP2014149840A - 異常検知方法及びそのシステム - Google Patents

Abstract

【課題】プラント等の設備において、異常が同時または短い時間間隔で複数発生しても、それらの異常が異なる種類であっても、これらの異常またはその予兆を高感度、早期に検知する。
【解決手段】プラントまたは設備に設置した複数のセンサから稼動状態に関するデータを取得し、正常な稼動状態におけるほぼ正常データに対応する学習データをモデル化し、このモデル化した学習データを用いて複数のセンサから取得したデータの異常測度を算出し、この算出した異常測度に基づいて異常検知を行う方法において、異常測度を算出する工程において、複数のセンサから取得したデータについてモデル化した学習データからの残
差を求め、予め定めた値より大きい残差をもつ信号を除去し、この大きい残差を持つ信号を除去した複数のセンサから取得したデータについて異常測度を再帰的に算出し異常検知を行う。
【選択図】図１６

Description

本発明は、プラントや設備などの異常を早期に検知する異常検知方法及びそのシステム
に関する。

電力会社では、ガスタービンの廃熱などを利用して地域暖房用温水を供給したり、工場
向けに高圧蒸気や低圧蒸気を供給したりしている。石油化学会社では、ガスタービンなど
を電源設備として運転している。このようにガスタービンなどを用いた各種プラントや設
備において、その異常を早期に発見することは、社会へのダメージを最小限に抑えること
ができ、極めて重用である。

上記ガスタービンのみならず、ガスエンジン、蒸気タービン、水力発電所での水車、原
子力発電所の原子炉、風力発電所の風車、航空機や重機のエンジン、鉄道車両や軌道、エ
スカレータ、エレベータ、MRIスキャンやCTスキャンなどの医療機器、半導体やフラット
パネルディスプレイ向けの製造・検査装置、機器・部品レベルでも、搭載電池の劣化・寿
命など、早期に異常を発見しなければならない設備は枚挙に暇がない。最近では、健康管
理のため、脳波測定・診断に見られるように、人体に対する異常（各種症状）検知も重要
になりつつある。

このため、例えば、特許文献１や特許文献２に記載されているように、おもにエンジン
を対象に、異常検知の業務がサービスされている。そこでは、過去のデータをデータベー
ス（ＤＢ）としてもっておき、観測データと過去の学習データとの類似度を独自の方法で
計算し、類似度の高いデータの線形結合により推定値を算出して、推定値と観測データの
はずれ度合いを出力する。特許文献３では、異常検知をｋ−ｍｅａｎｓクラスタリングに
より検出している例も見られる。

米国特許第６，９５２，６６２号明細書 米国特許第６，９７５，９６２号明細書 米国特許第６，２１６，０６６号明細書 特開２０００−３００６５号公報

Stephan W. Wegerich; Nonparametric modeling of vibration signal features for equipment health monitoring；Aerospace Conference, 2003. Proceedings. 2003 IEEE, Volume 7, Issue, 2003:pp.3113-3121 前田賢一、渡辺貞一；局所的構造を導入したパターン・マッチング法；信学論（Ｄ）Ｊ６８−Ｄ，３，ｐｐ．３４５−３５２，１９８５

一般には、観測データをモニタし、設定したしきい値と比較して、異常を検知するシス
テムがよく用いられている。この場合は、各観測データであるところの測定対象の物理量
などに着目してしきい値を設定するため、設計基準に基づく物理ベースの異常検知である
と言える。この方法は、設計者が意図しない異常は検知が困難であり、見逃しが発生し得
る。例えば、設備の稼動環境や、稼動年数による状態変化、使用者側の運転条件、部品交
換の影響などにより、設定したしきい値が妥当とは言えなくなる。一方、特許文献１や特
許文献２に記載されている、事例ベースの異常検知に基づく手法では、学習データを対象
に、観測データと類似度の高いデータの線形結合により推定値を算出し、推定値と観測デ
ータのはずれ度合いを出力するため、学習データの準備次第で、設備の稼動環境や、稼動
年数による状態変化、運転条件、部品交換の影響などをある程度考慮できる。しかし、複
数の異常が複合して発生している場合、異常によっては現象が埋没して見え、検知がかな
り難しい異常が存在すると考えられ、見逃しにつながる。特許文献３記載のｋ−ｍｅａｎ
ｓクラスタリングのような、物理的意味が希薄な特徴空間内での異常検知では、さらに複
合異常の検知は困難である。

また、設備の運転状態が変わる場合のような信号の過渡期では、学習データが少なく、
また変化も大きくサンプリング誤差も無視できないレベルとなり、その結果として予測推
定値と観測データのはずれ度合いが不安定になり、異常検知の妨げになる。

そこで、本発明の目的は、事例ベースの異常検知手法が、学習データの準備次第で、設
備の稼動環境や、稼動年数による状態変化、運転条件、部品交換の影響などを考慮できる
という点を保ったまま、複合して発生する異常にも対応可能とする。これらにより、異常
が同時に、あるいは短い時間間隔で複数発生しても、それらの異常が異なる種類の異常で
あっても、これらの異常あるいはその予兆を高感度、早期に検知することが可能な異常検
知方法およびそのシステムを提供することにある。また、信号の過渡期にも対応可能な異
常検知方法およびそのシステムを提供することにある。

上記目的を達成するために、本発明は、設備の状態を表現する方法において、設備に付
加した多次元センサの出力信号を対象とし、多変量解析による事例ベースの異常検知に基
づき、ほぼ正常な学習データを準備し、これからの逸脱の度合いを、観測データから学習
データまでの距離と、観測データや学習データの時間的な移動軌跡などによって表現する
。

具体的には、複合異常に対応するため、（１）逸脱の度合いより異常判定を行う。（２
）各センサ信号に対して逸脱の度合い求め、原因信号を特定する。他の潜在異常の存在を
把握すべく、（３）逸脱の大きなセンサ信号を除き、再度逸脱の度合いを求め、異常判定
を行う。これを逸脱が見られなくなるまで繰り返す。信号の削除は、統計的認識に基づき
行うか、属性（機能、部位、相互関連性など）に基づき行うか、それらの組合せなどによ
って行うものとする。

なお、事例ベースの異常検知は、学習データを部分空間法などでモデル化し、観測デー
タと部分空間の距離関係に基づき、異常候補を検知するものとする。

さらには、観測データごとに、学習データに含まれる個々のデータに対し、類似度の高
い上位ｋ個のデータを求め、これにより部分空間を生成する。上記kは固定値でなく、観
測データごとに適切な値とすべく、観測データからの距離が所定範囲内にある学習データ
を選択する。学習データを最低個数から選択個数まで順次増やして投影距離が最小になる
ものを選んでもよい。さらに、選んだ学習データに、その時刻の時間的前後の時刻の学習
データも追加することにより、過渡期のサンプリング誤差に対応する。

顧客へのサービス形態としては、異常検知を行う手法をプログラムとして実現し、これ
を、メディア媒体やオンラインサービスにより顧客に提供する。

本発明によれば、異常が同時に、あるいは短い時間間隔で複数発生しても、それらの異
常が異なる種類の異常であっても、これらの異常あるいはその予兆を高感度、早期に検知
することが可能となる。これにより、異常の見逃しが防止できる。また、検知した異常の
原因を誤って認識することなく、設備の状態をより的確に把握、表現できる。これらによ
り、潜在する異常も高感度に検知できる。

これらによって、ガスタービンや蒸気タービンなどの設備のみならず、水力発電所での
水車、原子力発電所の原子炉、風力発電所の風車、航空機や重機のエンジン、鉄道車両や
軌道、エスカレータ、エレベータ、そして機器・部品レベルでは、搭載電池の劣化・寿命
など、種々の設備・部品において異常の早期・高精度な発見が可能となる。

図１は本発明の異常検知システムが対象とする設備、多次元時系列信号の一例を示すブロック図である。 図２は多次元時系列信号の一例を示す波形信号のグラフである。 図３は本発明の実施例における異常検知システムの全体構成を示すブロック図である。 図４は複数の識別器を用いた、事例ベースの異常検知手法を説明するブロック図である。 図５は識別器の一例を説明する図で、（ａ）は投影距離法を説明する図、（ｂ）は局所部分空間法を説明する図である。 図６は部分空間法にて、部分空間を生成するための学習データ選択を説明する図で、（ａ）はセンサの出力信号を示すグラフ、（ｂ）はセンサ信号を局所部分空間にプロットした図である。 図７は異常検知手法の手順を示すフロー図である。 図８は動きベクトルを説明する図で、（ａ）は観測センサ波形信号を示すグラフ、（ｂ）は学習データとなるセンサ波形信号を示すグラフ、（ｃ）は観察ベクトルと類似学習ベクトルとを多次元特徴量空間に示した図である。 図９は代表的特徴変換を一覧にして説明した表である。 図１０は観測信号と、部分空間法により算出した異常測度とを表示したグラフである。 図１１は部分空間法にて算出した残差ベクトル軌跡を示す図である。 図１２は部分空間法にて算出した残差ベクトルの各残差成分信号を示すグラフである。 図１３は複数の異常が発生した時の多次元時系列信号跡を示すグラフである。 図１４は図１３に示したデータに適用した、部分空間法により算出した異常測度を示すグラフである。 図１５は部分空間法にて算出した残差ベクトルの各残差成分信号を示すグラフである。 図１６は本発明の実施例による複合異常への対応手続きの手順を示したフロー図である。 図１７Ａは、図１６に示した手続きを実行した結果であり、部分空間法による残差ベクトルの各残差成分信号を示したグラフである。 図１７Ｂは、図１７ＡのセンサＮｏ．１２で検出した無効電力の残差信号を２値化して表したグラフである。 図１８Ａは、センサ信号の最大値、最小値を学習データとして選択した場合のセンサ出力信号を示すグラフである。 図１８Ｂは、類似データを学習データとして選択した場合のセンサ出力信号を示すグラフである。 図１９は本発明の実施例におけるプロセッサ周辺の構成を示すブロック図である。 図２０Ａは本発明の実施例において設備からのセンサ情報を受けて時系列データとして表示するシステムの構成を示すブロック図である。 図２０Ｂは本発明の実施例において、センサデータとイベントデータとを受けて異常検知し、その結果を受けて異常診断を行うシステムの構成を示すブロック図である。 図２１は本発明の実施例において扱うセンサ信号の立上りと立下りの過渡期の例を示したグラフである。 図２２は、本発明の実施例における観測データから作成した局所部分空間方の改良例を示す図である。 図２３Ａは、本発明の実施例におけるRange Search により選択した学習データを示すグラフである。 図２３Ｂは、本発明の実施例における改良した部分空間法により求めた部分空間の例を示す図である。 図２３Ｃは、イベント情報の例を一覧に纏めた表である。

以下、本発明の実施の形態について、図面を参照して説明する。
図１は本発明の異常検知システム１００を含む全体の構成を示す。１０１，１０２は本
発明の異常検知システム１００が対象とする設備であり、各設備１０１，１０２には各種
のセンサ（図示せず）が付設されており、このセンサで取得されたセンサ信号１０３が本
発明による異常検知システム１００に入力されて処理される。本発明による異常検知シス
テム１００では、センサ信号１０３から多次元時系列センシングデータ１０４やイベント
信号１０５を得、これらのデータを処理して設備１０１や１０２の異常検知を行う。セン
サで取得するセンサ信号１０３の種類は、数十から数万個存在する。設備１０１や１０２
の規模、設備が故障したときの社会的ダメージなどにより、種々のコストを勘案して多次
元時系列信号取得部１０３で取得するセンサ信号１０４の種類が決まる。

異常検知システム１００で取り扱う対象は，多次元・時系列のセンサ信号１０３であり
，例えば、発電電圧，排ガス温度，冷却水温度、冷却水圧力、運転時間などである。設置
環境のたぐいもモニタされる。センサのサンプリングタイミングも、数十msから数十秒程
度まで、いろいろなものがある。イベントデータ１０５は、設備１０１や１０２の運転状
態、故障情報、保守情報などからなる。

図２は、センサ信号１０４−１〜１０４−４を、時刻を横軸に並べたものである。

図３は、多次元センサ信号を対象にして事例ベースに基づいて異常を検知する構成を示
したものである。設備１０１や１０２から得られた多次元時系列センシングデータ１０４
を入力する重み・正規化・特徴抽出・選択・変換部３０１。設備１０１や１０２から得ら
れたイベントデータ１０５（設備１０１や１０２のＯＮ／ＯＦＦ信号制御、各種アラーム
、設備の定期検査・調整の情報など）をモード分析するモード分析部３０２。重み・正規
化・特徴抽出・選択・変換部３０１で抽出した重み・正規化・特徴の情報とモード分析部
３０２で分析したモード分析の結果を受けてクラスタリング処理を実行するクラスタリン
グ処理部３０３、クラスタリング処理部３０３でクラスタリング処理した結果を受けて学
習データを選択する学習データ選択部３０４、複数の識別機を備えた識別部３０５、識別
部３０５で識別した結果を統合する統合部３０６、分析部３０２で分析した結果と統合部
３０６で統合した結果を照合して評価する照合評価部３０７を備えている。このうち、重
み・正規化・特徴抽出・選択・変換部３０１と、モード分析部３０２、クラスタリング処
理部３０３、学習データ選択部３０４、識別部３０５、統合部３０６及び照合評価部３０
７は、図１９に示したプロセッサ１１９に組み込まれている。

この構成において、多次元時系列センシングデータ１０４を受けた重み・正規化・特徴
抽出・選択・変換部３０１は、多変量解析により正常データから見て、はずれ値となる観
測センサデータを抽出し、信号データを必要に応じて、重み付け、正規化を行い（正規化
を行う場合は、重み付けを正規化後に実施する）、センサ信号に対して、抽出・選択・各
種特徴変換を行う。特徴変換は図９にて説明する。クラスタリング処理部３０３では、セ
ンサデータを運転状態などに応じて、モード別にいくつかのカテゴリにデータを分ける。
センサデータ多次元時系列センシングデータ１０４以外に、イベントデータ１０５（設備
の運転状態、アラーム情報など）を用いて、分析部３０２での分析結果に基づき、学習デ
ータの選択や異常診断を行うこともある。イベントデータ１０５は、クラスタリング処理
部３０３への入力として、イベントデータ１０５に基づいてモード別にいくつかのカテゴ
リにデータを分けることもできる。分析部３０２では、イベントデータ１０５の分析と解
釈を行う。さらには、識別部３０５において、複数の識別器を用いた識別を行い、結果を
統合部３０６において統合することにより、よりロバストな異常検知も実現できる。異常
の説明メッセージは、統合部３０６において出力される。

図４に事例ベースに基づく異常検知手法を示す。この異常検知において、多次元時系列
センシングデータ１０４は、特徴抽出／選択／変換部処理４０１により次元が削減され、
識別部３０５の複数の識別器により識別され４０３、この識別された情報と統合部３０６
において分析部３０２でイベントデータ１０５を分析し解釈した結果の情報４０４とを用
いて統合処理（グローバル異常測度）４０５を実行することによりグローバル異常測度が
判定される。主に正常事例からなる学習データ４０２も複数の識別器３０５により識別さ
れて、グローバル異常測度の判定４０５に用いられると共に、主に正常事例からなる学習
データ４０２自体も取捨選択され、蓄積・更新が行われて精度の向上が図られる。

図４には、ユーザがパラメータを入力する操作ＰＣの入出力画面４１０も図示している
。ユーザ入力のパラメータは、データのサンプリング間隔４１１、観測データの選択４１
２、異常判定のしきい値４１３などである。データのサンプリング間隔４１１は、例えば
、何秒おきにデータを取得するかを指示するものである。観測データの選択４１２は、セ
ンサ信号のどれをおもに使うかを指示するものである。異常判定のしきい値４１３は、算
出した、モデルからの偏差・逸脱、はずれ値、乖離度、異常測度などと表現した、異常ら
しさの値を２値化するしきい値である。また、入出力画面４１０上には、統合処理４０５
を実行してグローバル異常測度を判定して得られた異常に関するメッセージ４１４を出力
する。

図４に示される複数の識別器は図３の識別部３０５にいくつかの識別器（ｈ１、ｈ２、
・・・）を備えた構成であって、それら複数の識別器の多数決をとる（統合４０５）こと
が可能である。即ち、異なる識別器群（ｈ１、ｈ２、・・・）を用いたアンサンブル（集
団）学習が適用できる。例えば、第一の識別器は投影距離法、第二の識別器は局所部分空
間法、第三の識別器は線形回帰法と言ったものである。事例データに基づくものならば、
任意の識別器が適用可能である。

図５は、識別部３０５における識別手法の例を示したものである。図５（ａ）に、投影
距離法を示す。投影距離法は、学習データを近似する部分空間への投影距離により識別す
る方法であって、即ち、モデルからの偏差を求めるものである。一般的には、各クラス（
カテゴリ）のデータの自己相関行列を固有値分解して、固有ベクトルを基底として求める
。値が大きい、上位何個かの固有値に対応する固有ベクトルを用いる。未知パターンｑ（
最新の観測パターン）が入力されると、部分空間への正射影の長さ、或いは部分空間への
投影距離を求める。多次元時系列信号では、基本的に正常部を対象とするため、未知パタ
ーンｑ（最新の観測パターン）から正常クラスまでの距離を求めて、これを偏差（残差）
とする。そして、偏差が大きいと、はずれ値と判断する。このような部分空間法では、異
常値が若干混ざっていても、次元削減し、部分空間にした時点で、その影響が緩和される
。部分空間法適用のメリットである。正常クラスは、設備の運転パターンなどを踏まえ、
まえもって複数クラスに分けておく。ここには、イベント情報を使ってもよいし、図３の
クラスタリング処理部３０３にて実行してもよい。

なお、投影距離法では、各クラスの重心を原点とする。各クラスの共分散行列にＫＬ展
開を適用して得られた固有ベクトルを基底として用いる。いろいろな部分空間法が立案さ
れているが、距離尺度を有するものならば、はずれ度合いが算出可能である。なお、密度
の場合も、その大小により、はずれ度合いを判断可能である。投影距離法は、正射影の長
さを求めることから、類似度尺度である。

このように、部分空間にて距離や類似度を計算し、はずれ度合いを評価することになる
。投影距離法などの部分空間法は、距離に基づく識別器のため、異常データが利用できる
場合の学習法として、辞書パターンを更新するベクトル量子化や距離関数を学習するメト
リック学習を使うことができる。

図５（ｂ）に、識別部３０５における識別手法の別の例を示す。局所部分空間法と呼ば
れる方法である。局所部分空間法は、距離近傍データが張る部分空間への投影距離により
識別する方法であって、未知パターンｑ（最新の観測パターン）に近いｋ個の多次元時系
列信号を求め、各クラスの最近傍パターンが原点となるような線形多様体を生成し、その
線形多様体への投影距離が最小となるクラスに未知パターンを分類する。局所部分空間法
も部分空間法の一種である。ｋは、パラメータである。異常検知では、未知パターンｑ（
最新の観測パターン）から正常クラスまでの距離を求めて、これを偏差（残差）とする。

この手法では、例えば、ｋ個の多次元時系列信号を用いて形成される部分空間への、未
知パターンｑ（最新の観測パターン）からの正射影した点を推定値として算出することも
できる。また、ｋ個の多次元時系列信号を、未知パターンｑ（最新の観測パターン）に近
い順に並べ替え、その距離に反比例した重み付けを行って、各信号の推定値を算出するこ
ともできる。投影距離法などでも、同様に推定値を算出できる。

パラメータｋは通常は１種類に定めるが、パラメータｋをいくつか変えて実行すると、
類似度に応じて対象データを選択することになり、それらの結果から総合的な判断となる
ため、一層効果的である。さらには、図６に示すように、kの値として、観測データごと
に適切な値とすべく、観測データからの距離が所定範囲内にある学習データを選択し、し
かも学習データを最低個数から選択個数まで順次増やして投影距離が最小になるものを選
んでもよい。これは、投影距離法にも適用できる。具体的手順は、下記の通りである。
（１）観測データと学習データの距離を算出し、昇順に並替え。
（２）距離 d<th かつ 個数k以下となる学習データを選択。
（３）j=1〜k個の範囲で投影距離を算出し最小値を出力。
ここで、しきい値thは、距離の頻度分布から、実験的に定める。

図６（ｂ）の分布が、観測データから見た、学習データの距離の頻度分布を表している
。この例では、設備のＯＮ，ＯＦＦに応じて、学習データの距離の頻度分布が双峰的にな
っている。二つの山の谷が、設備のＯＮからＯＦＦへ、または逆のＯＦＦからＯＮへの過
渡期を表している。
この考えは、レンジサーチ（Range Search）と呼ばれる概念であり、これを学習データ選択に応用したものである。

さらに、レンジサーチの改良を説明する。図２１に、センサ信号の立上り（a）（ｂ）
と立下り（ｃ）の例を示す。横軸は時刻、縦軸が信号値である。このようなセンサ信号の
立上りと立下りといった過渡期では、データ点数が少なく、かつ同じ立上りと言えども、
図２１（a）と（ｂ）では、異なる波形になっており、レンジサーチの考えが有効に動作
する対象といえる。さらにこの例を詳細にみると、過渡期では信号が大きく変化している
。この値を取得する訳であるが、サンプリングの違いにより、得られた信号値は大きく変
化する。サンプリングは時間的な位置ずれであるから、選んだ学習データに対して、時間
的に前後の信号値をとり得ると考え、本発明のレンジサーチには、上記手順（２）の「距
離 d<th かつ 個数k以下となる学習データを選択」にて示した学習データに、その時
刻の時間的前後ｔ−１、ｔ＋１の時刻の学習データも追加するものとする。図２２にこれ
を示す。

即ち、図２２に示した局所部分空間法を改良した方法においては、
（１）観測データと学習データの距離を算出し、昇順に並替え。
（２）距離 d<th かつ 個数k以下となる学習データを選択。
（３）選んだ学習データの時間的に前後するデータを学習データに追加。
（４）j=1〜k個の範囲で投影距離を算出し最小値を出力。
ここで、しきい値thは、距離の頻度分布から、実験的に定める。
このレンジサーチの改良により、過渡期についても異常測度が的確な値となり、高い信頼
性が確保できることになる。なお、学習データの個数は、結果として、ｋ個を上回るもの
となる。また、ｋ個は暫定であり、距離 d<thなる判断のみでも、かまわない。

ただし、学習データは、選んだデータ以外に、常に時間的に前後のデータも紐付けでき
るようにしておくことがポイントである。言い換えれば、学習データは、時間的に連続し
たものとし、観測データに応じて学習データを選択した際に、その前後のデータも付加す
ることにする。

図２３Ａ乃至Ｃに、さらにこれを拡張した例を示す。ここでは、選んだ学習データの時
間的前後ｔ−１、ｔ＋１の時刻の学習データではなく、イベント情報に基づき、どの時刻
のデータを選ぶかを決めるものである。すなわち、過渡状態が少数データであることを考
慮して、イベント情報をもとに時間的に前後のデータを学習データに追加するものであっ
て、距離と時間との類似度に基づいて学習データを作成する、時空間近傍の学習データ作
成方法である。図２３Ａでは、信号波形に沿う形で時刻ｔにおける選択データと時間的に
近いデータ時刻ｔ−ｔ１、ｔ＋ｔ２という時刻の学習データを追加している。

図２３Ｂにはｋ−近傍データを用いて求めた局所部分空間に対して、時刻ｔ−ｔ１とｔ
＋ｔ２の間に入るデータを用いて局所部分空間を求めたときの部分空間の変化の状態を示
す。この例では、二つの学習データを追加したが、図２３Ｃに示すイベント情報に基づき
、より多くの学習データを選ぶこともあり得る。ここで言うイベント情報は、例えば、エ
ンジンの速度（回転数）が一定に達したというイベントや、その後、発電機への同期指令
などのイベントであり、設備の状態を表す情報である。

なお、局所部分空間法では、異常値が若干混ざっていても、局所部分空間にした時点で
、その影響が大きく緩和される。

なお、図示していないが、ＬＡＣ(Local Average classifier)法と呼ぶ識別では、ｋ近
傍データの重心を局所部分空間と定義する。そして、未知パターンｑ（最新の観測パター
ン）から重心までの距離ｂを求めて、これを偏差（残差）とする。

図５に示した、識別部３０５の複数の識別器における識別手法の例は、プログラムとし
て提供される。

なお、単に、１クラス識別の問題と考えれば、１クラスサポートベクターマシンなどの
識別器も適用可能である。この場合、高次空間に写像する、radial basis functionなど
のカーネル化が使えることになる。１クラスサポートベクターマシンでは、原点に近い側
が、はずれ値、即ち異常になる。ただし、サポートベクターマシンは、特徴量の次元は大
きくても対応できるが、学習データ数が増えると計算量が膨大となるという欠点もある。

このため、ＭＩＲＵ２００７（画像の認識・理解シンポジウム、Meeting on Image Rec
ognition and Understanding 2007）にて発表されている、「ＩＳ−２−１０ 加藤丈和
，野口真身，和田俊和（和歌山大），酒井薫，前田俊二（日立）；パターンの近接性に基
づく１クラス識別器」などの手法も適用可能であり、この場合、学習データ数が増えても
、計算量は膨大なものとならないというメリットがある。

パターン認識の別の手法として、相互部分空間法が知られている。たとえば、パターン
の変形に対して許容力がある方法として、非特許文献2に記載されているような方法が知
られている。これは、入力パターンも辞書側と同様に部分空間で表し、入力パターンの部
分空間と辞書側の部分空間の成す角度θを用いｃｏｓθをもって類似度とするものである。

また、相互部分空間方の活用として、特許文献４に記載されているような方法がある。
これは、顔の向き、表情変化、照明変動の影響、経年変化などの変動の影響を考慮し、あ
る部分空間に射影してその方向の感度を落として変動の影響を緩和して人の顔を識別する
ものである。

この部分空間法は、観測値も複数のパターンである場合に、学習データ(複数のデータ)
と観測データ(複数のデータ)の類似度を求める課題に適用できると考える。

具体的には、学習データの評価値の課題に適用できる。たとえば、学習データは過去の
ものを更新して使用することを考える。その場合、過去の学習データと更新した学習デー
タとの関係を把握することが必須である。更新したデータが過去のデータとどういう関係
にあるのか、類似性を視覚的に表現することが望まれる。

この学習データ間の評価値に、上記相互部分空間法を適用する。比較すべき二つのデー
タを部分空間で表現し、部分空間の類似度（二つのデータのそれぞれの部分空間を形成す
る平面のなす角度θ）あるいは距離を求める。

角度θが小さければ、過去の学習データと更新した学習データは類似していることにな
る。一方、角度θが大きければ、過去の学習データと更新した学習データは類似せず、違
いがあることになる。

従って、学習データを更新するたびに角度θが図示された図を示し、更新の過程を視覚
的に表現することができる。

本実施例では、時系列のセンサデータを用いていることから、このデータフローが重要
な着目点になると考える。そこで、このデータフローを表現する一つの方法として、部分
空間にてこれを表すことを考える。

観測データに着目し、この時刻の前後データを用いてデータフローを表現すべく、この
部分空間を生成する。学習データ(辞書側)に関しては、観測データに近いデータを選択す
る。これは例えば距離に基づく。ここでは、Range Search と呼ぶ。そして、選んだ学習
データに対し、その発生時刻の前後のデータも選択して部分空間を生成する。Range Sear
chを時空間に拡張したものと考える。そして、観測データの部分空間と学習データの部分
空間のなす角度を類似度の尺度にする。

この手順を、図７に示す。図7において、先ず、観察窓を通して得た観測データをベク
トル化し（Ｓ７０１）、次に、学習データを取得又は指定し（Ｓ７０２）、次にデータの
類似性とデータのフローに着目したRange Searchにより学習データを選択する（Ｓ７０３
）。具体的には、観測データを取得するごとに（ａ）距離が近い学習データを選び、更に
、（ｂ）選んだ学習データに関して近い時刻の学習データをいくつか選択する。手順（ｂ
）では、データフローに着目したTime Search により、データ観測時に近い時刻の観測デ
ータも選択する（Ｓ７０４）。次に、Subspace として選んだ学習データおよび観測デー
タのそれぞれの部分空間を作成し（Ｓ７０５）、作成した学習データの部分空間と観測デ
ータの部分空間とがなす角度を算出し（Ｓ７０６）、この算出した角度を異常測度として
評価する（Ｓ７−７）。

図７には明記していないが、データは特徴変換が実施される。また、観測窓を通して得
られるデータをベクトルとしておく。また、データの正規化（正準化）、白色化は必要に
応じて実施する。なお、Range Search で用いる距離や時間がパラメータになり、これら
は前もって与えておく。

上記に説明した方法は相互部分空間法に似ているが、相違点は、観測データのデータフ
ローを少ない次元で表すために、部分空間としてこれを表した点である。このため、時刻
のスタンプが押されており、時刻の情報を用いて観測データのみならず、学習データも管
理する。そして、指定した時刻レンジでデータを選び、選んだデータが特徴空間でどの方
向に向いているか、どのような速度で移動しているか、など、動きをベクトルで表現すべ
く、低次の部分空間で表している。直接的にベクトルで表現しても良い。

図８に、動きベクトルに着目して異常を検出する例を示す。
図８（ａ）は観測波形信号を示す。図８（ｂ）は学習データとして取得した観測波形信号の前後の検出波形信号を示す。図８（ｂ）に示した矢印ａ１,ａ２,ａ３,ａ４,ａ５は、図８（ａ）の図中に示した矢印ｂ０に対応するデータである。また、図８（ｃ）は、図８（ａ）の観測データの矢印ｂ０と図８（ｂ）の学習データの中で矢印ｂ０に対して特徴空間内で距離的に近いデータを多次元特徴空間でベクトル表示したものである。この学習データから作られたベクトル（類似学習ベクトル）を合成した合成ベクトルＣ０と観測データから作成したベクトル（観測ベクトル）Ｂ０とのなす角度θを算出し、この算出した角度を異常測度として評価することができる。

このように、低次元モデルで多次元時系列信号を表現することにより、複雑な状態を分
解でき、簡単なモデルで表現できるため、現象を理解しやすいという利点がある。また、
モデルを設定するため、特許文献1に記載されている方法のように完全に、データを完備
する必要はない。

図９は、図３にて使われる多次元時系列信号１０４の次元を削減する特徴変換９００の
例を示したものである。主成分分析９０１以外にも、独立成分分析９０２、非負行列因子
分解９０３、潜在構造射影９０４、正準相関分析９０５など、いくつかの手法が適用可能
である。図９に、方式図９１０と機能９２０を併せて示した。

主成分分析９０１は、ＰＣＡと呼ばれ、Ｍ次元の多次元時系列信号を、次元数ｒのｒ次
元多次元時系列信号に線形変換し、ばらつき最大となる軸を生成するものである。ＫＬ変
換でも構わない。次元数ｒは、主成分分析９０１により求めた固有値を降順に並べ、大き
い方から加算した固有値を全固有値の和で割り算した累積寄与率なる値に基づいて決める
。

独立成分分析９０２は、ＩＣＡと呼ばれ、非ガウス分布を顕在化する手法として効果が
ある。非負行列因子分解９０３は、ＮＭＦと呼ばれ、行列で与えられるセンサ信号を、非
負の成分に分解する。教師なしとしたものは、本実施例のように、異常事例が少なく、活
用できない場合に、有効な変換手法である。ここでは、線形変換の例を示した。非線形の
変換も適用可能である。

上述した特徴変換９００は、標準偏差で正規化する正準化なども含め、学習データと観
測データを並べて同時に実施する。このようにすれば、学習データと観測データを同列に
扱うことができる。

図１０に、多次元センサ信号を対象にした事例ベースに基づく多変量解析による異常検
知の例として、冷却水圧異常検知の結果の一例を示す。同図の上側が、観測信号１００１
のうちのひとつを表し、下側が多次元時系列センサ信号を対象にした多変量解析により算
出した異常測度１００２を表示している。観測信号が、徐々に低下し、11/17に設備停止
１００３に至った例である。異常測度１００２が定めたしきい値１００４以上になれば（
あるいは、設定した回数以上、異常測度がしきい値を超えれば）、異常ありと判定する。
この例では、設備停止１００３に至る11/17以前に、異常予兆１００５を検知でき、しか
るべき対策が実施できる。

図１１は、残差パターンによる冷却水圧異常発生の予兆検知技術の説明図である。図１
１は、残差パターンの類似度算出の手法を示している。図１１は、局所部分空間法により
求めた各観測データの正常重心０に対応し、時刻ｔ−１からｔ＋１までの各時点でのセン
サ信号Ａとセンサ信号Ｂとセンサ信号Ｃの正常重心０からの偏差（残差ベクトル、あるい
は偏差ベクトル）が空間内の軌跡として表現されている。すなわち、図１１において、異
常を残差ベクトルとして表現し、原点０が正常なことを表しており、ベクトルの大きさが
異常の度合いを表し、ベクトルの向きが異常の種類を表している。図１１では、時刻ｔ−
１、時刻ｔ、時刻ｔ＋１を経過する観測データの残差系列（残差ベクトルの矢印の先端位
置の遷移）が矢印のついた点線で示されている。

観測データ及び異常事例それぞれの類似度は、それぞれの偏差の内積（Ａ・Ｂ）を算出
して推定することができる。また、内積（Ａ・Ｂ）を大きさ（ノルム）で割って、角度θ
で類似度を推定することも可能である。観測データの残差パターンに対して類似度を求め
、その軌跡により、発生すると予測される異常を推測する。

具体的には、図１１には、異常事例Ａの偏差、異常事例Ｂの偏差、異常事例Ｃの偏差が
示されている。矢印のついた点線で示されている観測データの偏差系列パターンを見ると
、時刻ｔでは異常事例Ｂに近いが、その軌跡からは、異常事例Ｂではなく、異常事例Ａの
発生を予測することができる。異常事例を予測するために、異常事例が発生するまでの偏
差（残差）時系列の軌跡データをデータベース化しておき、観測データの偏差（残差）時
系列パターンと軌跡データベースに蓄積された軌跡データの時系列パターンの類似度を算
出して異常発生の予兆を検知することができる。
このような軌跡を、GUIにてユーザに表示すると、異常の発生状況が視覚的に表現でき、
対策などにも反映しやすい。

図１２は、図１１のセンサ信号Ａ、Ｂ，Ｃ等に対応した複数の観測データの偏差（残差
）信号１２０１の時間的推移を示している。図１１にて、１１／１７の時刻で、例えば、
冷却水圧が低下するといった異常事態が発生するが、残差信号１２０２も顕著に低下して
おり、この冷却水圧低下異常を視覚的に把握できることが分かる。さらに、観測データの
残差信号１２０１を常時検出して、残差軌跡のデータベースに蓄積された過去の軌跡デー
タの時系列パターン事例と比較し、データ間の類似度を算出することにより、特定の異常
発生の予兆を検知することができる。特に、どのセンサが過去の異常と似た異常現象を呈
しているかを把握することができる。なお、図１２の一番上側のデータ１２０３は、異常
測度である。
図１３に、複合事象の異常事例の場合を示す。同図は、多次元時系列センサデータ１３
００を表示している。3/12に励磁電圧喪失異常が発生し、設備が停止している。また、同
図には図示していないが、4/17に別の異常である冷却水圧力低下で、設備が停止する。問
題は、励磁電圧喪失異常が、多次元時系列センサデータ１３００から、容易には読み取れ
ないことであり、後の設備停止の原因となる冷却水圧力低下異常も、何らかの処理をしな
ければ、顕在化できないことである。

図１４に、部分空間法に基づき、異常検知した結果を示す。同図上から、局所部分空間
法LSCにRangeSearch法を組み合わせたRS_LSC法により算出した異常測度１４０１、投影距離法PDMにRangeSearch法を組み合わせたRS_PDM法により算出した異常測度１４０２、それらを統合した統合法により算出した異常測度１４０３、最終的に２値化した判定結果１４０４をそれぞれ表す。3/12の前から、異常測度１４０３が大きくなり、この結果から、励磁電圧喪失異常を早期に検知したと判断しそうであるが、実際にはそうでない。その根拠を図１５に示す。

図１５に、センサ１からセンサｎまでの各センサ信号の残差信号を示す。図１４に示し
た残差ベクトルにおいて、原点からの差を示したものであり、正負の値をとりえる。同図
から分かることは、センサｈで検出した冷却水圧力低下の残差１５０１が３/１２の時点
で大きくマイナスの値をとっていることである。すなわち、図１４に示した異常測度１４
０３は、この冷却水圧力低下の残差１５０１が大きく寄与していることが分かる。一方で
、センサｉで検出した励磁電圧喪失異常１５０２は、異常測度１４０３に寄与していない
。

これらの結果から、図１４に示した判定結果１４０４は、検知しなければならない励磁
電圧喪失異常を見逃し、後で発生する冷却水圧力低下異常を先に見つけたことがわかる。
このような課題に対し、図１６に解決策を示す。

図１６に、その手続きを示す。最も典型的な手続きの例を示した。先ず（ａ）異常事例
に基づく異常測度を算出し、（ｂ）異常測度による判定を行い、（ｃ）異常判定（異常測
度がしきい値以上）ならば次に進み、正常（異常測度がしきい値より小さい）ならば終了
する。（ｄ）異常判定のときは各センサ信号ごとに残差を算出し、（ｅ）残差がしきい値
を超えるセンサ信号を除去し、（ｆ）最初に戻って（ａ）の処理から順次実行する。

この手続きによれば、異常測度算出した後、残差を算出し、その大きさ（各センサ信号
の異常測度）が大きいセンサ信号を除去して、再度異常測度算出を行うことを繰り返すも
のである。しきい値を設定し、算出した異常測度が、しきい値より小さくなれば、処理を
終了する。終了する条件は、外部I/Fにより設定する。

センサ信号を取り除くことを、次元削減と呼ぶ。この次元削減の手続きを適用して得ら
れた結果を、図１７Ａ及びＢに示す。

図１７Ａには、図１５で説明した２０次元の信号から電気系を中心にセンサ信号を選択
して７次元に削減した各センサ信号の残差を示す。このようにセンサ信号の数（次元の数
）を減らした結果、無効電力を表すセンサ信号の丸印で囲んだ箇所の残差が大きいことが
顕著になり、励磁電圧喪失に原因となったセンサ信号を特定でき、異常予兆として励磁電
圧喪失異常を検知可能となったことがわかる。図１７Ｂには残差が大きい無効電力の異常
測度を２値化して異常を判定した例を示す。丸印で囲んだ箇所で異常が予兆されているこ
とがわかる。

図１７Ａに示した例では、次元削減を異常測度の観点から逐次行ったが、他の観点で行
ってもよい。異常測度以外に、現象、部位、関連性、統計的性質、物理的性質（設計基準
）、あるいは、それらの組み合わせがある。圧力なのか温度なのか回転数なのかといった
属性の違いや、電気系なのか機械系なのかといった属性の違いによって分けることも可能
である。センサ信号の応答性の違い、時定数の違いによって分けることも可能である。ま
た、上記したように逐次的に次元削減するのみならず、センサ信号をいくつかのグループ
に分けて、これにより次元削減を行う方法もある。この場合、グループを選択して、異常
測度を算出してもよいし、各グループ並列に異常測度を算出してもよい。勿論、選択した
グループを対象に異常測度を算出してもよい。

なお、センサ信号データは、正規化を事前に行ってもよいものとする。正規化とは、例
えば、センサ信号データ間で、最大値と最小値をそろえることをさす。あるいは、各セン
サ信号データの標準偏差を求め、この標準偏差を１にそろえてもよい。このようにして、
センサ信号データの振幅をそろえておく。

別の前処理として、センサ信号データに異なる重みをつけてもよい。図３に示す正規化
・特徴抽出・選択・変換部１２において、センサ信号データに重みをつける。物理的な検
討により、センサ信号データの振幅を意図的に変えるのである。故障に鈍感なセンサ信号
データは、大きな重みをかけ、鈍感ではないセンサ信号データに小さい重みをかける。こ
れらにより、検知の得手、不得手をなくし、網羅的に異常を検知する。これらの重みは、
外部I/Fにより値を設定する。

次に、学習データ選択におけるRangeSearch法の適用効果を示す。
図１８Ａ及びＢに、設備の運転が定常的でなく、いろいろな運転パターンを有する設備を対象に、異常検知を行った例を示す。センサデータには、運転ONから運転OFFへの過渡期、あるいは運転OFFから運転ONへの過渡期、或いは、ガスエンジンなどでは、燃料を変えたことによる状態変化、負荷の変動による運転パターンの変更など、いろいろな状態を取りえる。このようなセンサ信号の場合、図１８Ａに、各センサ信号のある区間の最大値、
最小値を学習データとして選択する方法の結果、図１８Ｂに、RangeSearch法の適用結果
をそれぞれ示す。図１８Ｂによれば、RangeSearch法の適用により、異常測度が安定にな
っていることがわかる。

図１８Ａと図１８Ｂとを比較すると、図１８Ａのように各センサ信号の、ある区間の最
大値、最小値を学習データとして選択した場合は誤報が多いのに対して、図１８Ｂのよう
に類似データを学習データとして選択した場合には誤報が大きく減少していることがわか
る。これは、類似データを学習データとして選択することにより、スパイク状に大きくな
る異常測度が小さくなったことが原因と考えられる。

図１９に、本発明による異常検知システム２５のハードウェア構成を示す。異常検知を
実行するプロセッサ１１９に、対象とするエンジンなどのセンサデータを入力し、欠損値
の修復などを行って、データベースＤＢ１２１に格納する。プロセッサ１１９は、図３で
説明した構成を含み、データベースＤＢ１２１に格納されている取得した観測センサデー
タ、学習データからなるＤＢデータを用いて、異常検知を行う。表示部１２０では、各種
表示を行い、異常信号の有無や、後述する異常説明のメッセージを出力する。トレンドを
表示することも可能とする。イベントの解釈結果も表示可能とする。

上記ハードウェアとは別に、これに搭載するプログラムを、メディア媒体やオンライン
サービスにより顧客に提供することもできる。

データベースＤＢ１２１は、熟練エンジニアらがＤＢを操作できる。特に、異常事例や
対策事例を教示でき、格納できる。（１）学習データ（正常）、（２）異常データ、（３
）対策内容が、格納される。データベースＤＢを、熟練エンジニアらが手を加えられる構
造にすることにより、洗練された、有用なデータベースができあがることになる。また、
データ操作は、学習データ（個々のデータや重心位置など）を、アラームの発生や部品交
換に伴い、自動的に移動させることにより行う。また、取得データを自動的に追加するこ
とも可能である。異常データがあれば、データの移動に、一般化ベクトル量子化などの手
法も適用できる。また、図１３にて説明した過去の異常事例Ａ、Ｂなどの軌跡を、データ
ベースＤＢ１２１に格納し、これらと照合して、異常の種類を特定（診断）する。この場
合、軌跡をN次元空間内のデータとして表現し、格納する。

図２０Ａに、異常検知システム２５で行う異常検知、及び異常検知後の診断を示す。図
２０において、設備２００１からのセンサ情報２００２である時系列信号を入力して、異
常検知システム２５で時系列信号の特徴抽出・分類を行うことにより、異常を検知する。
設備２００１は、１台のみとは限らない。複数台の設備を対象にしてもよい。同時に、各
設備の保守のイベント２００３（アラームや作業実績など。具体的には、設備の起動、停
止、運転条件設定、各種故障情報、各種警告情報、定期点検情報、設置温度などの運転環
境、運転累積時間、部品交換情報、調整情報、清掃情報など）などの付帯情報や検査結果
の異常事例２００４などの過去の情報を取り込み、異常を高感度に検知する。

図２０Ｂに示すように、異常検知システム２５により早期に予兆として発見できれば、
故障となって稼動停止となる前に、何らかの対策がうてることになる。そして、部分空間
法などにより予兆検知し、イベント列照合なども加えて総合的に予兆かどうか判断し、こ
の予兆に基づき、異常診断を行い、故障候補の部品の特定やいつ当該部品が故障停止に至
るかなどを推測する。そして、必要な部品の手配を、必要なタイミングで行う。

異常診断システム２６は、予兆を内包しているセンサを特定する現象診断と、故障を引
き起こす可能性のあるパーツを特定する原因診断に分けると考えやすい。異常検知部では
、異常診断部に対して、異常の有無という信号のほか、特徴量に関する情報を出力する。
異常診断部は、これらの情報をもとに診断を行う。

上述したいくつかの実施例に関する総合的効果をさらに補足する。たとえば、発電設備
を所有している会社では、機器の保守費用削減を希望しており、保証期間中に機器を点検
、部品交換を実施している。これは時間ベースの設備保全と言われている。

しかし、最近は機器の状態を見て、部品交換を実施する状態ベースの保全に移行しつつ
ある。状態保全を実施するには、機器の正常・異常データを収集する必要があり、このデ
ータの量、質が状態保全の品質を決めてしまう。しかし、異常データの収集は、まれなケ
ースも多く、大型の設備になるほど、異常データを収集することは困難である。従って、
正常データから、はずれ値を検出することが重要となる。

上述したいくつかの実施例によれば、
（１）正常データから、異常を検知できる、
（２）データ収集が不完全でも精度の高い異常検知が可能となる、
（３）異常データが包含されていても、この影響を許容できる、
といった直接的効果に加え、
（４）ユーザにとって、異常現象を視覚的に捉えやすく、現象を理解しやすい、
（５）設計者にとって、異常現象を視覚的に捉えやすく、物理現象との対応をとりやすい
、
（６）エンジニアの知識を活用できる
（７）物理モデルも併用できる、
（８）演算負荷が大きく、処理時間を要する異常検知手法も搭載適用できる
と言った副次的な効果がある。
（９）上記検知手法によれば、学習データを自由に追加できる。学習データ間でお互いに
類似度が高いものは削除することもできる。これらにより、ユーザの意図を自由に反映で
きる。

本発明は、プラント、設備の異常検知として利用することが出来る。

１１・・・多次元時系列信号 １２・・・特徴抽出／選択／変換部 １３・・・識別器 １４・・・統合（幾つかの識別器の出力を統合。グローバルな異常測度を出力）
１５・・・主に正常事例からなる学習データベース（学習データを選択する） １６・・・クラスタリング ２４・・・時系列信号の特徴抽出・分類 ２５・・・異常検知システム ２６・・・異常診断システム １１９・・・プロセッサ １２０・・・表示部 １２１・・・データベース（DB） ３０１・・・重み・正規化・特徴抽出・選択・変換部 ３０２・・・モード分析部 ３０３・・・クラスタリング処理部 ３０４・・・学習データ選択部 ３０５・・・識別部 ３０６・・・統合部 ３０７・・・照合評価部。

Claims (6)

1. プラントまたは設備に設置した複数のセンサからプラントまたは設備の稼動状態に関す
   る時刻を属性にもつ観測データ及び前記プラントまたは設備の正常な稼動状態におけるほ
   ぼ正常データに対応する学習データを対象とし、
   特徴空間にて前記観測データの動きをベクトルにて表現し、
   前記観測データに距離的に近い前記学習データを選択し、
   選択した学習データの動きをベクトルにて表現し、
   前記観測データの動きベクトルと前記学習データの動きベクトルとのなす角度を予め設
   定した値と比較して異常を検知する
   ことを特徴とする異常検知方法。
2. プラントまたは設備に設置した複数のセンサからプラントまたは設備の稼動状態に関す
   る時刻を属性にもつ観測データ及び前記プラントまたは設備の正常な稼動状態におけるほ
   ぼ正常データに対応する学習データを対象とし、
   前記学習データの中から特徴空間で前記観測データに距離的に近い学習データと該距離
   的に近い学習データに対し時間的に近い学習データとを学習データとして選択し、
   該選択された学習データを対象にモデル化し、
   前記観測データに時間的に近いデータを選択して、前記観測データ及び前記選択した時
   間的に近いデータをモデル化し、前記モデル化した学習データと前記モデル化した前記観
   測データ及び前記選択した時間的に近いデータとの類似度を算出し、
   該算出した類似度に基づいて異常検知を行う
   ことを特徴とする異常検知方法。
3. プラントまたは設備に設置した複数のセンサからプラントまたは設備の稼動状態に関す
   る時刻を属性にもつ観測データ及び前記プラントまたは設備の正常な稼動状態におけるほ
   ぼ正常データに対応する学習データを対象とし、
   前記学習データの中から特徴空間で前記観測データに距離的に近い学習データと該距離
   的に近い学習データに対し時間的に近い学習データとを学習データとして選択し、
   該選択された学習データを対象に低次の部分空間でモデル化し、
   前記観測データに時間的に近いデータを選択して、前記観測データと前記選択した時間
   的に近いデータとを低次の部分空間でモデル化し、
   前記モデル化した学習データと前記モデル化した観測データと前記選択した時間的に近
   いデータとの部分空間の類似度を算出し、
   該算出した部分空間の類似度の情報を用いて異常検知を行う
   ことを特徴とする異常検知方法。
4. プラントまたは設備に設置した複数のセンサからプラントまたは設備の稼動状態に関す
   る時刻を属性にもつ観測データを入力する入力手段と、
   前記プラントまたは設備の正常な稼動状態におけるほぼ正常データに対応する学習デー
   タのうち前記観測データに距離的に近い前記学習データを選択する学習データ選択手段と
   、
   前記入力手段で入力した前記観測データの動きを特徴空間にて前記動きベクトルにて表
   現すると共に、前記学習データ選択手段で選択した学習データの動きをベクトルにて表現
   するベクトル化手段と、
   該ベクトル化手段でベクトル化した前記観測データの動きベクトルと前記学習データの
   動きベクトルとのなす角度を予め設定した値と比較して異常を検知する異常検知手段と
   を供えたことを特徴とする異常検知システム。
5. プラントまたは設備に設置した複数のセンサからプラントまたは設備の稼動状態に関す
   る時刻を属性にもつ観測データを入力する入力手段と、
   前記プラントまたは設備の正常な稼動状態におけるほぼ正常データに対応する学習デー
   タのうち前記観測データに距離的に近い学習データと該距離的に近い学習データに対し時
   間的に近い学習データとを選択する学習データ選択手段と、
   該学習データ選択手段で選択された学習データを対象にモデル化すると共に、前記入力
   手段から入力した観測データに時間的に近いデータを選択して前記観測データ及び前記選
   択した時間的に近いデータをモデル化するモデル化手段と、
   該モデル化手段でモデル化した前記学習データと前記観測データ及び前記選択した時間
   的に近いデータとの類似度を算出する類似度算出手段と、
   該類似度算出手段で算出した類似度に基づいて異常検知を行う
   ことを特徴とする異常検知システム。
6. プラントまたは設備に設置した複数のセンサからプラントまたは設備の稼動状態に関す
   る時刻を属性にもつ観測データを入力する入力手段と、
   前記プラントまたは設備の正常な稼動状態におけるほぼ正常データに対応する学習デー
   タのうち前記観測データに距離的に近い学習データと該距離的に近い学習データに対し時
   間的に近い学習データとを選択する学習データ選択手段と、
   該学習データ選択手段で選択された学習データを対象に低次の部分空間でモデル化する
   と共に前記入力手段から入力した観測データに時間的に近いデータを選択して前記観測デ
   ータと前記選択した時間的に近いデータとを低次の部分空間でモデル化するモデル化手段
   と、
   該モデル化手段でモデル化した前記学習データにより形成される部分空間と前記観測デ
   ータと前記選択した時間的に近いデータにより形成される部分空間との類似度を算出する
   部分空間類似度算出手段と、
   該部分空間類似度算出手段で算出した部分空間の類似度の情報を用いて異常検知を行う
   異常検知手段と
   を備えたことを特徴とする異常検知システム。

Images