JP2015114967A - 異常検知方法およびその装置 - Google Patents
異常検知方法およびその装置 Download PDFInfo
- Publication number
- JP2015114967A JP2015114967A JP2013258215A JP2013258215A JP2015114967A JP 2015114967 A JP2015114967 A JP 2015114967A JP 2013258215 A JP2013258215 A JP 2013258215A JP 2013258215 A JP2013258215 A JP 2013258215A JP 2015114967 A JP2015114967 A JP 2015114967A
- Authority
- JP
- Japan
- Prior art keywords
- abnormality
- sensor signal
- measure
- feature vector
- section
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000005856 abnormality Effects 0.000 title claims abstract description 190
- 238000001514 detection method Methods 0.000 title claims abstract description 75
- 230000002159 abnormal effect Effects 0.000 claims abstract description 76
- 239000013598 vector Substances 0.000 claims description 155
- 238000000034 method Methods 0.000 claims description 90
- 230000007717 exclusion Effects 0.000 claims description 59
- 238000004364 calculation method Methods 0.000 claims description 44
- 238000000605 extraction Methods 0.000 claims description 25
- 238000003860 storage Methods 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 7
- 230000035945 sensitivity Effects 0.000 abstract description 4
- 238000011156 evaluation Methods 0.000 abstract description 2
- 230000015556 catabolic process Effects 0.000 abstract 1
- 238000006731 degradation reaction Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 52
- 238000012360 testing method Methods 0.000 description 36
- 238000012545 processing Methods 0.000 description 34
- 238000012544 monitoring process Methods 0.000 description 18
- 239000000725 suspension Substances 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 239000007789 gas Substances 0.000 description 6
- 238000003825 pressing Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000009434 installation Methods 0.000 description 4
- 238000012790 confirmation Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 210000000707 wrist Anatomy 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 2
- 239000000498 cooling water Substances 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000000881 depressing effect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 239000002918 waste heat Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
- G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
Description
以上の手法を適用したシステムにより、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、工場の生産設備、そして機器・部品レベルでは、搭載電池の劣化・寿命など、あるいは脳波や心電図など人を対象としたセンシングデータにおいて、対象の異常を早期に検出することが可能となる。
以下に、本発明の実施例を、図を用いて説明する。
本異常検知システム100は、センサ信号解析部120と、入出力部130とを備えている。センサ信号解析部120は、設備101から出力されるセンサ信号102を生データとして蓄積するセンサ信号蓄積部103、センサ信号102をもとに特徴ベクトルを抽出する特徴ベクトル抽出部104、予め指定された学習期間の特徴ベクトルから学習除外区間の特徴ベクトルを除外する学習データ選別部105、選別された学習データを用いて各時刻の特徴ベクトルに対応する正常モデルを作成する正常モデル作成部106、各時刻の特徴ベクトルと作成された正常モデルに基づいて異常測度を算出する異常測度算出部107、選別された学習データの異常測度に基づいて学習データから除外する区間を設定する除外区間設定部108、選別された学習データの異常測度に基づいてしきい値を算出するしきい値算出部109、各特徴ベクトルの異常測度と算出されたしきい値との比較により異常を検出(検知)する異常検出部110を備えて構成される。入出力部130は、表示画面131を備えている。
始めに、特徴ベクトル抽出部104において、センサ信号蓄積部103から学習期間として指定された期間のセンサ信号102を入力し(S301)、センサ信号毎に正準化した後(S302)、特徴ベクトルの抽出を行い(S303)、特徴ベクトルを複数区間、例えば1日につき一つの区間に分ける(S304)。次に、除外区間設定部108で除外区間を決めるためのパラメータを入力する(S305)。パラメータは、最大繰り返し回数N、最大保留回数M、有効下がり幅Δである。予め、パラメータファイルまたはGUIにより設定しておく。
ここで繰り返し回数とはステップS306を実行した回数のことであり、保留回数とはステップS310でカウントされる数のことである。ステップS312においてNOの場合(繰り返し回数がN回目より少なく、かつ、保留回数がパラメータM以下の場合、ステップS306に戻る。
ステップS302においては、特徴ベクトル抽出部104において、各センサ信号の正準化を行う。例えば、指定された期間の各センサ信号の平均と標準偏差を用いて、平均を0、分散を1となるように変換する。異常検知時に同じ変換ができるよう、各センサ信号の平均と標準偏差を記憶しておく。あるいは、各センサ信号の指定された期間の最大値と最小値を用いて最大が1、最小が0となるように変換する。あるいは、最大値と最小値の代わりに予め設定した上限値と下限値を用いてもよい。異常検知時に同じ変換ができるよう、各センサ信号の最大値と最小値または上限値と下限値を記憶しておく。センサ信号の正準化は、単位およびスケールの異なるセンサ信号を同時に扱うためのものである。
この他、注目ベクトルqのk−近傍ベクトルの平均ベクトルまでの距離を異常測度とする局所平均距離法や、ガウシアンプロセスなどを用いてもよい。
図7は、特徴ベクトル抽出部104、学習データ選別部105、正常モデル作成部106、異常測度算出部107、異常検出部110における異常検知時の処理の流れを説明する図である。始めに、学習データ選別部105において、学習除外区間を除く学習期間の特徴ベクトルを学習対象の特徴ベクトルとする(S701)。これらの特徴ベクトルを単に学習データと呼ぶこととする。次に、特徴ベクトル抽出部104において、センサ信号蓄積部103または設備101からセンサ信号102を入力し(S702)、センサ信号毎に正準化した後(S703)、特徴ベクトルの抽出を行う(S704)。
学習期間および処理パラメータ設定のためのGUIの例を、図8に示す。以下の説明ではこの設定のことを単にレシピ設定と呼ぶことにする。また、過去のセンサ信号102は設備IDおよび時刻と対応付けられてデータベースに保存されているものとする。表示部131に表示されるレシピ設定画面801では、対象装置、学習期間、使用センサ、基準算出パラメータ、しきい値設定パラメータを入力する。
この操作により、同じレシピ名で実行したテストの通し番号が採番される。装置ID情報、使用センサ情報、学習期間、特徴ベクトル抽出に用いるパラメータ、正常モデルパラメータをレシピ名およびこのテスト番号と対応付けて保存しておく。
逆に、任意の期間を設定し、レシピを選択して、オフラインで異常検知処理を行う機能を付加したものも本発明の範囲に含まれる。
実施例1においては、設備から出力されるセンサ信号に基づき異常検知する方法の実施例を説明したが、別の実施例として、さらに、設備から出力されるイベント信号も利用して異常検知する方法を説明する。図13Aに、本実施例における異常検知方法を実現する異常検知システム1300の構成を示す。異常検知システム1300は、センサ信号解析部1320と、入出力部1330とを備えている。本実施例における異常検知システム1300は、図1に示した実施例1における異常検知システム100のセンサ信号解析部120の構成に、モード分割部1302を加えたものとなっている。図1で説明した構成と同じ番号を付した部分は、実施例1で説明したのと同じ機構を備えているので、説明を省略する。
始めに、特徴ベクトル抽出部104において、センサ信号蓄積部103から学習期間として指定された期間のセンサ信号102を入力し(S1341)、センサ信号毎に正準化した後(S1342)、特徴ベクトルの抽出を行い(S1343)、特徴ベクトルを複数区間、例えば1日につき一つの区間に分ける(S1344)。次に、除外区間設定部108で除外区間を決めるためのパラメータを入力する(S1345)。パラメータは、最大繰り返し回数N、最大保留回数M、有効下がり幅Δである。予め、パラメータファイルまたはGUIにより設定しておく。
また、ステップS1365においてNOの場合(全てのモードについて除外区間の設定が完了していない場合)には、nを1繰り上げて(S1366)、新たなモードのセンサ信号に対してS1364からS1351までの処理を実行する。
(1)シーケンスの途中でない場合は、開始イベントを探索する。見つかったらシーケンスの開始とする。
(2)シーケンスの途中の場合は、終了イベントを探索する。見つかったらシーケンスの終了とする。ここで終了イベントとは、指定の終了イベントのほか、故障、警告、指定の開始イベントとする。
第一の例は、イベント信号を利用した学習除外区間設定処理である。基本的には、イベント信号に基づき異常状態を含む区間かどうかを判断する。異常状態と判断する条件は例えば以下のとおりである。(1)故障あるいは警告のイベントが発生、(2)異常な起動シーケンスを含む、(3)起動シーケンスの回数が所定範囲外、(4)終了シーケンスからの経過時間が所定範囲外である起動シーケンスを含む、(5)頻度の低いイベントが発生などである。(1)(3)(5)の条件指定は、イベント番号と許容回数によって行える。(1)の場合は故障・警告に対応するイベントを指定し、(5)の場合は、予めイベントの頻度を調べておき、頻度の低いイベントを指定する。1回以上指定イベントが含まれる区間は異常であるとする。(3)の場合は、起動シーケンスの開始イベントを指定し、1区間で許容される回数を指定する。(2)の条件指定は、3つのイベント番号の指定によって行う。起動シーケンスの開始イベント、起動シーケンスの終了イベントと異常終了イベントの組合せである。異常終了イベントには、起動開始イベントと停止開始イベントがある。起動シーケンスの開始イベント、起動シーケンスの終了イベントの間に異常終了イベントがある場合は、異常終了イベントを含む区間を異常とする。(4)の条件指定は2つのイベント番号指定とイベント間の時間間隔の許容範囲によって行う。停止シーケンスの開始イベントと起動シーケンスの開始イベントを指定し、それらのイベント間の時間間隔が許容範囲外であれば、起動シーケンスの開始イベントが含まれる区間を異常とする。
Claims (12)
- 設備または装置が稼働中に前記設備または装置に装着されたセンサから出力される多次元時系列センサ信号を用いて前記設備または装置の異常を検知する方法であって、
前記多次元時系列センサ信号のうち予め指定された期間のセンサ信号を用いて正常モデルを作成して異常判定しきい値を算出する工程と、
前記多次元時系列センサ信号から特徴ベクトルを観察ベクトルとして抽出する工程と、
該抽出した観察ベクトルと前記作成した正常モデルとを用いて該観察ベクトルの異常測度を算出する工程と、
該算出した観測ベクトルの異常測度と前記異常判定しきい値とを比較して前記設備または装置の異常を検知する工程と
を含み、前記正常モデルを、前記多次元時系列センサ信号の前記予め指定された区間のセンサ信号のうち一部の区間の信号を除外した前記多次元時系列センサ信号を用いて作成することを特徴とする異常検知方法。 - 請求項1記載の異常検知方法であって、前記多次元時系列センサ信号の前記予め指定された区間のセンサ信号から除外する信号の前記一部の区間を、前記多次元時系列センサ信号のうち前記予め指定された区間のセンサ信号から特徴ベクトルを抽出し、該抽出した特徴ベクトルの異常測度を算出し、該算出した異常測度の情報を用いて前記指定された区間のセンサ信号の中から前記除外する一部の区間を決定することを特徴とする異常検知方法。
- 請求項2記載の異常検知方法であって、前記抽出した特徴ベクトルの異常測度を算出することを、前記予め指定された区間のセンサ信号のうち前記特徴ベクトルを抽出した注目ベクトルに対応する区間のセンサ信号を除いた残りのセンサ信号から特徴ベクトルを求め、該残りのセンサ信号から求めた特徴ベクトルを用いて正常モデルを作成し、該作成した正常モデルと前記注目ベクトルとの距離に基づいて前記異常測度を算出して行うことを特徴とする異常検知方法。
- 設備または装置が稼働中に前記設備または装置に装着されたセンサから出力される多次元時系列センサ信号を用いて前記設備または装置の異常を検知する方法であって、
該設備または装置の異常を検知する方法は学習する工程と異常を検知する工程とを含み、
前記学習する工程において、
前記多次元時系列センサ信号のうち予め指定された期間のセンサ信号から一部の期間のセンサ信号を除外して学習データを作成し、
該作成した学習データから異常判定しきい値を算出し、
前記異常を検知する工程において、
前記学習データを用いて正常モデルを作成し、
前記多次元時系列センサ信号から特徴ベクトルを観測ベクトルとして抽出し、
該抽出した観測ベクトルと前記作成した正常モデルとを用いて前記観測ベクトルの異常測度を算出し、
該算出した観測ベクトルの異常測度と前記異常判定しきい値とを比較して前記設備または装置の異常を検知する
ことを特徴とする異常検知方法。 - 請求項4記載の異常検知方法であって、前記学習する工程において、前記学習データを作成することを、前記多次元時系列センサ信号のうち予め指定された期間のセンサ信号から特徴ベクトルを抽出し、該抽出した特徴ベクトルの異常測度を算出し、該算出した異常測度の情報を用いて前記指定された期間のセンサ信号の中から除外する期間を決定し、
該決定した除外する期間を除いた前記センサ信号の特徴ベクトルを用いて学習データを作成することを特徴とする異常検知方法。 - 請求項5記載の異常検知方法であって、前記学習する工程において、前記抽出した特徴ベクトルの異常測度を算出することを、前記予め指定された区間のセンサ信号のうち前記特徴ベクトルを抽出した注目ベクトルに対応する区間のセンサ信号を除いた残りのセンサ信号から特徴ベクトルを求め、該残りのセンサ信号から求めた特徴ベクトルを用いて正常モデルを作成し、該作成した正常モデルと前記注目ベクトルとの距離に基づいて前記異常測度を算出して行うことを特徴とする異常検知方法。
- 設備または装置が稼働中に前記設備または装置に装着されたセンサから出力される多次元時系列センサ信号を用いて前記設備または装置の異常を検知する装置であって、
前記多次元時系列センサ信号のうち予め指定された期間のセンサ信号を用いて正常モデルを作成して異常判定しきい値を算出する演算部と、
前記多次元時系列センサ信号から特徴ベクトルを観察ベクトルとして抽出する観察ベクトル抽出部と、
該観察ベクトル抽出部で抽出した観察ベクトルと前記演算部で作成した正常モデルとを用いて該観察ベクトルの異常測度を算出する異常測度算出部と、
該異常測度算出部で算出した観測ベクトルの異常測度と前記演算部で算出した異常判定しきい値とを比較して前記設備または装置の異常を検知する異常検知部と
を備え、前記演算部は、前記正常モデルを、前記多次元時系列センサ信号の前記予め指定された区間のセンサ信号のうち一部の区間の信号を除外した前記多次元時系列センサ信号を用いて作成する
ことを特徴とする異常検知装置。 - 請求項7記載の異常検知装置であって、前記演算部は、前記多次元時系列センサ信号の前記予め指定された区間のセンサ信号から除外する信号の前記一部の区間を、前記多次元時系列センサ信号のうち前記予め指定された区間のセンサ信号から特徴ベクトルを抽出し、該抽出した特徴ベクトルの異常測度を前記異常測度算出部で算出した異常測度の情報を用いて前記指定された区間のセンサ信号の中から前記除外する一部の区間を決定することを特徴とする異常検知装置。
- 請求項8記載の異常検知装置であって、前記異常測度算出部で前記抽出した特徴ベクトルの異常測度を算出することを、前記予め指定された区間のセンサ信号のうち前記特徴ベクトルを抽出した注目ベクトルに対応する区間のセンサ信号を除いた残りのセンサ信号から特徴ベクトルを求め、該残りのセンサ信号から求めた特徴ベクトルを用いて正常モデルを作成し、該作成した正常モデルと前記注目ベクトルとの距離に基づいて前記異常測度を算出して行うことを特徴とする異常検知装置。
- 設備または装置が稼働中に前記設備または装置に装着されたセンサから出力される多次元時系列センサ信号を用いて前記設備または装置の異常を検知する装置であって、
前記多次元時系列センサ信号を蓄積するセンサ信号蓄積部と、
前記多次元時系列センサ信号をもとに特徴ベクトルを抽出する特徴ベクトル抽出部と、
該特徴ベクトル抽出部で抽出された予め指定された学習期間の特徴ベクトルから学習除外区間の特徴ベクトルを除外して学習データを作成するする学習データ作成部と、
該学習データ作成部で作成された学習データを用いて各時刻の特徴ベクトルに対応する正常モデルを作成する正常モデル作成部と、
前記特徴ベクトル抽出部で抽出された各時刻の特徴ベクトルと前記正常モデル作成部で作成された正常モデルとを用いて異常測度を算出する異常測度算出部と、
前記学習データ作成部で作成された学習データと前記正常モデル作成部で作成された正常モデルとを用いて前記異常測度算出部で算出された異常測度に基づいて前記学習データから除外する区間を設定する除外区間設定部と、
前記学習データ作成部で作成された学習データについて前記異常測度算出部で算出した異常測度に基づいてしきい値を算出するしきい値算出部と、
前記異常測度算出部で算出された前記各特徴ベクトルの異常測度と前記しきい値算出部で算出されたしきい値とを比較することにより前記設備または装置の異常を検知する異常検知部と
を備えたことを特徴とする異常検知装置。 - 請求項10記載の異常検知装置であって、前記学習データ作成部において、前記学習データを作成することを、前記多次元時系列センサ信号のうち予め指定された期間のセンサ信号から特徴ベクトルを抽出し、該抽出した特徴ベクトルの異常測度を算出し、該算出した異常測度の情報を用いて前記指定された期間のセンサ信号の中から除外する期間を決定し、
該決定した除外する期間を除いた前記センサ信号の特徴ベクトルを用いて学習データを作成することを特徴とする異常検知装置。 - 請求項11記載の異常検知装置であって、前記学習データ作成部において、前記抽出した特徴ベクトルの異常測度を算出することを、前記予め指定された区間のセンサ信号のうち前記特徴ベクトルを抽出した注目ベクトルに対応する区間のセンサ信号を除いた残りのセンサ信号から特徴ベクトルを求め、該残りのセンサ信号から求めた特徴ベクトルを用いて正常モデルを作成し、該作成した正常モデルと前記注目ベクトルとの距離に基づいて前記異常測度を算出して行うことを特徴とする異常検知装置。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2013258215A JP6216242B2 (ja) | 2013-12-13 | 2013-12-13 | 異常検知方法およびその装置 |
EP14197018.6A EP2884363B1 (en) | 2013-12-13 | 2014-12-09 | Anomaly detecting method, and apparatus for the same |
US14/568,268 US9940184B2 (en) | 2013-12-13 | 2014-12-12 | Anomaly detecting method, and apparatus for the same |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2013258215A JP6216242B2 (ja) | 2013-12-13 | 2013-12-13 | 異常検知方法およびその装置 |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2015114967A true JP2015114967A (ja) | 2015-06-22 |
JP2015114967A5 JP2015114967A5 (ja) | 2016-11-04 |
JP6216242B2 JP6216242B2 (ja) | 2017-10-18 |
Family
ID=52144399
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2013258215A Active JP6216242B2 (ja) | 2013-12-13 | 2013-12-13 | 異常検知方法およびその装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US9940184B2 (ja) |
EP (1) | EP2884363B1 (ja) |
JP (1) | JP6216242B2 (ja) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017151598A (ja) * | 2016-02-23 | 2017-08-31 | 株式会社安川電機 | 異常判定装置、異常判定プログラム、異常判定システム、及びモータ制御装置 |
JP2018112863A (ja) * | 2017-01-11 | 2018-07-19 | 株式会社東芝 | 異常検知装置、異常検知方法、および異常検知プログラム |
JP2018151821A (ja) * | 2017-03-13 | 2018-09-27 | 株式会社日立製作所 | 設備機器の異常診断システム |
JP2018160121A (ja) * | 2017-03-23 | 2018-10-11 | 株式会社日立パワーソリューションズ | 異常検知装置 |
JP2019114168A (ja) * | 2017-12-26 | 2019-07-11 | 宇部興産株式会社 | プラント管理システム、プラント管理サーバ、プラント管理装置、推定用モデルの生成方法、及び学習用データの生成方法 |
JP2019133212A (ja) * | 2018-01-29 | 2019-08-08 | 株式会社日立製作所 | 異常検知システム、異常検知方法、および、プログラム |
JP2019204342A (ja) * | 2018-05-24 | 2019-11-28 | 株式会社日立ハイテクソリューションズ | 予兆診断システム |
JP2020201890A (ja) * | 2019-06-13 | 2020-12-17 | 株式会社日立ハイテクソリューションズ | 異常検知装置及び異常検知方法 |
WO2021149226A1 (ja) * | 2020-01-23 | 2021-07-29 | 三菱電機株式会社 | アノマリ検知装置、アノマリ検知方法及びアノマリ検知プログラム |
KR102298708B1 (ko) * | 2020-06-15 | 2021-09-07 | 한국생산기술연구원 | 검사 대상에 존재하는 결함을 검사하는 방법 및 이를 수행하는 장치들 |
JP2022069608A (ja) * | 2017-12-26 | 2022-05-11 | Ube株式会社 | プラント管理システム、プラント管理サーバ、プラント管理装置、推定用モデルの生成方法、及び学習用データの生成方法 |
US11657121B2 (en) | 2018-06-14 | 2023-05-23 | Mitsubishi Electric Corporation | Abnormality detection device, abnormality detection method and computer readable medium |
JP7304401B1 (ja) | 2021-12-20 | 2023-07-06 | エヌ・ティ・ティ・コミュニケーションズ株式会社 | 支援装置、支援方法および支援プログラム |
Families Citing this family (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10572368B2 (en) * | 2014-11-24 | 2020-02-25 | Micro Focus Llc | Application management based on data correlations |
FR3032273B1 (fr) * | 2015-01-30 | 2019-06-21 | Safran Aircraft Engines | Procede, systeme et programme d'ordinateur pour phase d'apprentissage d'une analyse acoustique ou vibratoire d'une machine |
US9824243B2 (en) * | 2015-09-11 | 2017-11-21 | Nxp Usa, Inc. | Model-based runtime detection of insecure behavior for system on chip with security requirements |
WO2017135947A1 (en) * | 2016-02-04 | 2017-08-10 | Hewlett Packard Enterprise Development Lp | Real-time alerts and transmission of selected signal samples under a dynamic capacity limitation |
US10333958B2 (en) * | 2016-07-19 | 2019-06-25 | Cisco Technology, Inc. | Multi-dimensional system anomaly detection |
JP6675297B2 (ja) * | 2016-12-09 | 2020-04-01 | Dmg森精機株式会社 | 情報処理方法、情報処理システム、および情報処理装置 |
US10677943B2 (en) * | 2016-12-16 | 2020-06-09 | Smiths Detection, Llc | System and method for monitoring a computed tomography imaging system |
CN110226140B (zh) * | 2017-01-25 | 2023-04-11 | Ntn株式会社 | 状态监视方法及状态监视装置 |
EP3591484A4 (en) * | 2017-03-03 | 2020-03-18 | Panasonic Intellectual Property Management Co., Ltd. | ADDITIONAL LEARNING PROCEDURE FOR A DEGRADATION DIAGNOSTIC SYSTEM |
US10719772B2 (en) * | 2017-10-27 | 2020-07-21 | The Boeing Company | Unsupervised multivariate relational fault detection system for a vehicle and method therefor |
JP7106847B2 (ja) * | 2017-11-28 | 2022-07-27 | 横河電機株式会社 | 診断装置、診断方法、プログラム、および記録媒体 |
US11509540B2 (en) | 2017-12-14 | 2022-11-22 | Extreme Networks, Inc. | Systems and methods for zero-footprint large-scale user-entity behavior modeling |
US10664966B2 (en) * | 2018-01-25 | 2020-05-26 | International Business Machines Corporation | Anomaly detection using image-based physical characterization |
US11036715B2 (en) * | 2018-01-29 | 2021-06-15 | Microsoft Technology Licensing, Llc | Combination of techniques to detect anomalies in multi-dimensional time series |
JP2019179395A (ja) * | 2018-03-30 | 2019-10-17 | オムロン株式会社 | 異常検知システム、サポート装置および異常検知方法 |
EP3553615A1 (en) | 2018-04-10 | 2019-10-16 | Siemens Aktiengesellschaft | Method and system for managing a technical installation |
JP7378089B2 (ja) * | 2018-06-13 | 2023-11-13 | パナソニックIpマネジメント株式会社 | 不正通信検知装置、不正通信検知方法及び製造システム |
US10579932B1 (en) * | 2018-07-10 | 2020-03-03 | Uptake Technologies, Inc. | Computer system and method for creating and deploying an anomaly detection model based on streaming data |
KR102194352B1 (ko) * | 2018-08-31 | 2020-12-23 | 도시바 미쓰비시덴키 산교시스템 가부시키가이샤 | 제조 프로세스 감시 장치 |
JP7230600B2 (ja) * | 2019-03-13 | 2023-03-01 | オムロン株式会社 | 表示システム |
JP7272020B2 (ja) * | 2019-03-13 | 2023-05-12 | オムロン株式会社 | 表示システム |
DE102019112099B3 (de) * | 2019-05-09 | 2020-06-18 | Dürr Systems Ag | Überwachungsverfahren für eine Applikationsanlage und entsprechende Applikationsanlage |
JP7483341B2 (ja) * | 2019-09-26 | 2024-05-15 | キヤノン株式会社 | 情報処理方法、情報処理装置、機械設備、物品の製造方法、プログラム、記録媒体 |
US11184222B2 (en) | 2019-09-27 | 2021-11-23 | Ciena Corporation | Learning alarm and PM threshold values in network elements based on actual operating conditions |
WO2021144858A1 (ja) * | 2020-01-14 | 2021-07-22 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ | 異常検知システム、異常検知装置、及び異常検知方法 |
JP7527294B2 (ja) * | 2020-01-31 | 2024-08-02 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ | 異常検知方法、及び異常検知装置 |
DE102020205895A1 (de) | 2020-05-11 | 2021-11-11 | Iba Ag | Verfahren sowie Vorrichtung zur automatischen Überwachung eines zyklischen Prozesses |
DE102020208642A1 (de) | 2020-07-09 | 2022-01-13 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zur Anomaliedetektion in technischen Systemen |
JP7318612B2 (ja) * | 2020-08-27 | 2023-08-01 | 横河電機株式会社 | 監視装置、監視方法、および監視プログラム |
CN113595784B (zh) * | 2021-07-26 | 2024-05-31 | 招商银行股份有限公司 | 网络流量检测方法、装置、设备、存储介质及程序产品 |
CN117347902A (zh) * | 2023-10-26 | 2024-01-05 | 自然资源部第四海洋研究所(中国-东盟国家海洋科技联合研发中心) | 一种10kv输入直流一体化不间断电源用监测系统 |
CN117370916B (zh) * | 2023-11-30 | 2024-02-23 | 南方电网科学研究院有限责任公司 | 变压器绕组振动异常诊断方法、装置、电子设备及介质 |
CN117992759B (zh) * | 2024-04-07 | 2024-06-18 | 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) | 一种基于遥感数据的大坝监测方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011070635A (ja) * | 2009-08-28 | 2011-04-07 | Hitachi Ltd | 設備状態監視方法およびその装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5363927B2 (ja) * | 2009-09-07 | 2013-12-11 | 株式会社日立製作所 | 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム |
JP5364530B2 (ja) * | 2009-10-09 | 2013-12-11 | 株式会社日立製作所 | 設備状態監視方法、監視システム及び監視プログラム |
JP5342708B1 (ja) * | 2013-06-19 | 2013-11-13 | 株式会社日立パワーソリューションズ | 異常検知方法及びその装置 |
-
2013
- 2013-12-13 JP JP2013258215A patent/JP6216242B2/ja active Active
-
2014
- 2014-12-09 EP EP14197018.6A patent/EP2884363B1/en active Active
- 2014-12-12 US US14/568,268 patent/US9940184B2/en active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011070635A (ja) * | 2009-08-28 | 2011-04-07 | Hitachi Ltd | 設備状態監視方法およびその装置 |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017151598A (ja) * | 2016-02-23 | 2017-08-31 | 株式会社安川電機 | 異常判定装置、異常判定プログラム、異常判定システム、及びモータ制御装置 |
US10663518B2 (en) | 2016-02-23 | 2020-05-26 | Kabushiki Kaisha Yaskawa Denki | Abnormality determining apparatus, abnormality determining method, and abnormality determining system |
CN110121724A (zh) * | 2017-01-11 | 2019-08-13 | 株式会社东芝 | 异常检测装置、异常检测方法及存储介质 |
JP2018112863A (ja) * | 2017-01-11 | 2018-07-19 | 株式会社東芝 | 異常検知装置、異常検知方法、および異常検知プログラム |
WO2018131219A1 (ja) * | 2017-01-11 | 2018-07-19 | 株式会社東芝 | 異常検知装置、異常検知方法、および記憶媒体 |
CN110121724B (zh) * | 2017-01-11 | 2023-08-08 | 株式会社东芝 | 异常检测装置、异常检测方法及存储介质 |
JP2018151821A (ja) * | 2017-03-13 | 2018-09-27 | 株式会社日立製作所 | 設備機器の異常診断システム |
JP2018160121A (ja) * | 2017-03-23 | 2018-10-11 | 株式会社日立パワーソリューションズ | 異常検知装置 |
JP7339382B2 (ja) | 2017-12-26 | 2023-09-05 | Ube三菱セメント株式会社 | プラント管理システム、プラント管理サーバ、プラント管理装置、推定用モデルの生成方法、及び学習用データの生成方法 |
JP2019114168A (ja) * | 2017-12-26 | 2019-07-11 | 宇部興産株式会社 | プラント管理システム、プラント管理サーバ、プラント管理装置、推定用モデルの生成方法、及び学習用データの生成方法 |
JP7043831B2 (ja) | 2017-12-26 | 2022-03-30 | 宇部興産株式会社 | プラント管理システム、プラント管理サーバ、プラント管理装置、推定用モデルの生成方法、及び学習用データの生成方法 |
JP2022069608A (ja) * | 2017-12-26 | 2022-05-11 | Ube株式会社 | プラント管理システム、プラント管理サーバ、プラント管理装置、推定用モデルの生成方法、及び学習用データの生成方法 |
JP2019133212A (ja) * | 2018-01-29 | 2019-08-08 | 株式会社日立製作所 | 異常検知システム、異常検知方法、および、プログラム |
JP7108417B2 (ja) | 2018-01-29 | 2022-07-28 | 株式会社日立製作所 | 異常検知システム |
JP7217593B2 (ja) | 2018-05-24 | 2023-02-03 | 株式会社日立ハイテクソリューションズ | 予兆診断システム |
JP2019204342A (ja) * | 2018-05-24 | 2019-11-28 | 株式会社日立ハイテクソリューションズ | 予兆診断システム |
US11657121B2 (en) | 2018-06-14 | 2023-05-23 | Mitsubishi Electric Corporation | Abnormality detection device, abnormality detection method and computer readable medium |
JP2020201890A (ja) * | 2019-06-13 | 2020-12-17 | 株式会社日立ハイテクソリューションズ | 異常検知装置及び異常検知方法 |
JP7344015B2 (ja) | 2019-06-13 | 2023-09-13 | 株式会社日立ハイテクソリューションズ | 異常検知装置及び異常検知方法 |
JP7016459B2 (ja) | 2020-01-23 | 2022-02-04 | 三菱電機株式会社 | アノマリ検知装置、アノマリ検知方法及びアノマリ検知プログラム |
JPWO2021149226A1 (ja) * | 2020-01-23 | 2021-07-29 | ||
WO2021149226A1 (ja) * | 2020-01-23 | 2021-07-29 | 三菱電機株式会社 | アノマリ検知装置、アノマリ検知方法及びアノマリ検知プログラム |
KR102298708B1 (ko) * | 2020-06-15 | 2021-09-07 | 한국생산기술연구원 | 검사 대상에 존재하는 결함을 검사하는 방법 및 이를 수행하는 장치들 |
JP7304401B1 (ja) | 2021-12-20 | 2023-07-06 | エヌ・ティ・ティ・コミュニケーションズ株式会社 | 支援装置、支援方法および支援プログラム |
JP2023099875A (ja) * | 2021-12-20 | 2023-07-14 | エヌ・ティ・ティ・コミュニケーションズ株式会社 | 支援装置、支援方法および支援プログラム |
Also Published As
Publication number | Publication date |
---|---|
EP2884363A3 (en) | 2015-07-22 |
JP6216242B2 (ja) | 2017-10-18 |
US9940184B2 (en) | 2018-04-10 |
EP2884363B1 (en) | 2019-10-02 |
US20150169393A1 (en) | 2015-06-18 |
EP2884363A2 (en) | 2015-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6216242B2 (ja) | 異常検知方法およびその装置 | |
JP6076751B2 (ja) | 異常診断方法およびその装置 | |
EP2905665B1 (en) | Information processing apparatus, diagnosis method, and program | |
JP5301717B1 (ja) | 設備状態監視方法およびその装置 | |
JP5945350B2 (ja) | 設備状態監視方法およびその装置 | |
JP5431235B2 (ja) | 設備状態監視方法およびその装置 | |
JP5342708B1 (ja) | 異常検知方法及びその装置 | |
JP5538597B2 (ja) | 異常検知方法及び異常検知システム | |
JP5364530B2 (ja) | 設備状態監視方法、監視システム及び監視プログラム | |
JP5331774B2 (ja) | 設備状態監視方法およびその装置並びに設備状態監視用プログラム | |
JP2020119605A (ja) | 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法 | |
WO2013011745A1 (ja) | 設備状態監視方法およびその装置 | |
JP6223936B2 (ja) | 異常傾向検出方法およびシステム | |
JP2013143009A (ja) | 設備状態監視方法およびその装置 | |
WO2010095314A1 (ja) | 異常検知方法及び異常検知システム | |
JP2015088079A (ja) | 異常診断システム及び異常診断方法 | |
JP2015088078A (ja) | 異常予兆検知システム及び異常予兆検知方法 | |
JP2015088154A (ja) | ヘルスマネージメントシステム及びヘルスマネージメント方法 | |
JP2023106472A (ja) | 異常検知装置及び異常検知方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20160915 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20160915 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20170608 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20170613 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20170809 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20170905 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20170922 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6216242 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313117 |