JP2018160093A - 異常検知システムおよび異常検知方法 - Google Patents

異常検知システムおよび異常検知方法 Download PDF

Info

Publication number
JP2018160093A
JP2018160093A JP2017056869A JP2017056869A JP2018160093A JP 2018160093 A JP2018160093 A JP 2018160093A JP 2017056869 A JP2017056869 A JP 2017056869A JP 2017056869 A JP2017056869 A JP 2017056869A JP 2018160093 A JP2018160093 A JP 2018160093A
Authority
JP
Japan
Prior art keywords
abnormality
prediction
prediction model
operation data
score
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
Application number
JP2017056869A
Other languages
English (en)
Other versions
JP7017861B2 (ja
JP2018160093A5 (ja
Inventor
慶行 但馬
Noriyuki Tajima
慶行 但馬
義則 望月
Yoshinori Mochizuki
義則 望月
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.)
Hitachi Ltd
Original Assignee
Hitachi Ltd
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 Hitachi Ltd filed Critical Hitachi Ltd
Priority to JP2017056869A priority Critical patent/JP7017861B2/ja
Priority to CN201810076586.8A priority patent/CN108628281B/zh
Priority to EP18159178.5A priority patent/EP3379360B1/en
Priority to US15/907,844 priority patent/US20180275642A1/en
Publication of JP2018160093A publication Critical patent/JP2018160093A/ja
Publication of JP2018160093A5 publication Critical patent/JP2018160093A5/ja
Application granted granted Critical
Publication of JP7017861B2 publication Critical patent/JP7017861B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • 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
    • G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
    • G05B23/0213—Modular or universal configuration of the monitoring system, e.g. monitoring system having modules that may be combined to build monitoring program; monitoring system that can be applied to legacy systems; adaptable monitoring system; using different communication protocols
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D3/00—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups
    • G01D3/08—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups with provision for safeguarding the apparatus, e.g. against abnormal operation, against breakdown
    • 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
    • G05B23/0254—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 based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Automation & Control Theory (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

【課題】異常検知の閾値設定を容易かつ高精度なものとする。【解決手段】異常検知システム１において、監視対象である所定装置の稼動データに基づき当該装置の振る舞いを予測する予測モデルを学習する処理と、前記予測モデルによる予測結果と前記装置から得た各稼動データとの乖離具合に基づく各異常スコアが、正常時の稼働データに関して得られるものについては所定範囲となるよう調整する処理と、前記調整した異常スコアに基づいて異常または異常の予兆を検知する処理と、前記異常スコアまたは前記検知の結果の少なくともいずれかの情報を出力装置に表示する処理とを実行する演算装置１Ｈ１０１を含む構成とする。【選択図】図２

Description

本発明は、異常検知システムおよび異常検知方法に関するものである。
工場などの産業システム、鉄道や電力などの社会インフラシステムなど、多くのシステムは、複数の計算機、コントローラ、機器・設備から構成されている。
このようなシステムでは、その機能が停止すると経済的にも社会的にも甚大な影響を及ぼす可能性がある。そのため、当該システムの機能が停止しないように、故障や障害を迅速に発見して対応、もしくは、未然に予知し保全措置を行うことが重要である。
一方、昨今では計算機やコントローラ、機器・設備等から多くの稼動データが得られるようになってきた。このことから、機器・設備あるいはシステムの正常時の挙動を統計的なモデルとして表現し、当該モデルに対する上述の稼動データの逸脱具合に基づき、該当機器・設備やシステム等での異常やその予兆を検知する方法が用いられるようになっている。
特に、稼動データが同じ値を維持するような場合は、正規分布や混合正規分布等に倣うことを仮定し、正常時の稼動データから平均と分散を算出し、新たに観測された稼動データの、その確率分布上での確率密度に基づいて異常性を判断する方法がよくとられる。一方、過渡期等で稼動データの値が変動する場合、上述の手法は有効に働かない場合がある。
こうした状況に関して、例えば、設備に装着されたセンサから出力されるセンサ信号に基づいて前記設備の状態を監視する方法であって、前記センサ信号から回帰モデルの入力となる入力ベクトルと回帰モデルの出力となる出力ベクトルとを抽出し、該抽出した入力ベクトルと出力ベクトルの中から正常なものを選んで学習データとして蓄積し、前記蓄積された学習データの中から、前記センサ信号から抽出した前記入力ベクトルと前記出力ベクトルからなる観測データのうちの前記入力ベクトルに近い所定数の学習データを選定し、該選定された学習データに基づき前記回帰モデルを作成し、前記観測データの入力ベクトルと出力ベクトルと前記回帰モデルに基づき前記観測データの異常度を算出し、該算出した異常度に基づき前記設備状態が異常か正常かを識別する異常識別をし、前記設備状態の異常識別の結果および前記観測データの入力ベクトルと該入力ベクトルに最近傍の学習データとの類似度に基づいて前記学習データを更新することを特徴とする設備状態監視方法（特許文献１参照）などが提案されている。
特開２０１３−２５３６７号公報
しかしながら、従来技術においては、モデルの表現能力の不足、稼動データの不足、計測上のノイズ、によって、そもそも正常時の稼動データであっても予測結果と観測結果との間に乖離（誤差）が生じる場合を考慮していない。
このため、正常時であっても、予測結果と観測結果との間の乖離から計算される異常度
（異常スコア）が高まる可能性がある。多くの場合、異常スコアに対して閾値を設定し、その閾値を上回ったかどうかなどで異常か否かを判別することになるが、前述のとおり正常時でも異常スコアが高まるため、閾値の決定が難しくなる。それにより、場合によっては誤報を引き起こす事態となりうる。特に、機器・設備等をターゲットとした異常あるいはその予兆を検知する場合、監視すべき対象が多いためオペレータにとって無視できない負荷となる。
そこで本発明は、上記を鑑みてなされたものであって、異常検知の閾値設定を容易かつ高精度なものとすることを目的とする。
上記課題を解決する本発明の異常検知システムは、監視対象である所定装置の稼動データに基づき当該装置の振る舞いを予測する予測モデルを学習する処理と、前記予測モデルによる予測結果と前記装置から得た各稼動データとの乖離具合に基づく各異常スコアが、正常時の稼働データに関して得られるものについては所定範囲となるよう調整する処理と、前記調整した異常スコアに基づいて異常または異常の予兆を検知する処理と、前記異常スコアまたは前記検知の結果の少なくともいずれかの情報を出力装置に表示する処理とを実行する演算装置を備えることを特徴とする。
また、本発明の異常検知方法は、情報処理システムが、監視対象である所定装置の稼動データに基づき当該装置の振る舞いを予測する予測モデルを学習する処理と、前記予測モデルによる予測結果と前記装置から得た各稼動データとの乖離具合に基づく各異常スコアが、正常時の稼働データに関して得られるものについては所定範囲となるよう調整する処理と、前記調整した異常スコアに基づいて異常または異常の予兆を検知する処理と、前記異常スコアまたは前記検知の結果の少なくともいずれかの情報を出力装置に表示する処理と、を実行することを特徴とする。
本発明によれば、異常検知の閾値設定を容易かつ高精度なものとできる。
第一の実施形態におけるシステム構成ならびに機能構成を示す図である。 第一の実施形態におけるハードウェア構成を示す図である。 第一の実施形態における稼動データを示す図である。 第一の実施形態におけるモデル入出力定義データを示す図である。 第一の実施形態におけるモデルパラメータを示す図である。 第一の実施形態における異常検知結果データを示す図である。 第一の実施形態におけるモデル学習の処理フローを示す図である。 第一の実施形態における異常検知の処理フローを示す図である。 第一の実施形態における点予測モデルの構成例を示す図である。 第一の実施形態における分布予測モデルの構成例を示す図である。 第一の実施形態における例外パターンの構成例を示す図である。 第一の実施形態における監視画面を示す図である。 第二の実施形態における誤差再構成モデルの学習例を示す図である。 第二の実施形態におけるモデルデータを示す図である。 第二の実施形態における検知結果データを示す図である。 第二の実施形態における学習フェーズの処理フローを示す図である。 第二の実施形態における監視フェーズの処理フローを示す図である。 第二の実施形態における監視画面を示す図である。
−−−概略（第一の実施形態）−−−
ここではまず、本実施形態の異常検知システムおよび異常検知方法の概略について説明する。なお、本実施形態の異常検知システムは、監視対象となるシステム（工場などの産業システム、或いは、鉄道や電力などの社会インフラシステム、など）の機能停止を防ぐべく、当該監視対象システムの故障や障害、或いはその予兆を迅速かつ的確に発見、予知するものである。
本実施形態における異常検知システムにおける処理は、上述の監視対象システムにおける正常時の稼動データから予測モデルを学習する学習フェーズと、監視時の稼動データと予測モデルの予測結果との乖離具合に基づいて異常スコアを算出し、ユーザ（監視者等）に通知および関連情報を表示する監視フェーズとに分けられる。
このうち学習フェーズでは、異常検知システムは、上述の監視対象システムにおける各機器・設備から収集した稼動データから、監視対象システムにおける時系列の振る舞いを予測する予測モデルを学習する。
詳細は後述するが、こうした予測モデルを用いることで、現在から所定の将来までの期間における、上述の振る舞いに関する予測値を算出することができる。その際の予測期間を窓幅と呼ぶものとする。
また、異常検知システムは、監視対象システムから得た稼動データと、上述の予測モデルとを用いて、ある時点の窓幅を算出する窓幅推定モデルを学習する。異常スコアは、窓幅の予測値系列と観測値系列の累積誤差や尤度に基づいて算出する。したがって、窓幅を大きくとればとるほど、ある時点の異常スコアは大きくなる。窓幅推定モデルは、正常時の各稼動データに関しては、その異常スコアが同程度となるよう、予測能力が高いところでは大きな窓幅、予測能力が低いところでは小さな窓幅を出力するよう、稼動データと窓幅の関係を学習することになる。
また、上述の監視フェーズでは、異常検知システムは、監視時の監視対象システムに関して得た稼動データと窓幅推定モデルとに基づき窓幅を算出する。また、異常検知システムは、予測モデルを用いて予測値系列を算出し、この予測値系列と観測値系列とに基づいて異常スコアを算出する。この異常スコアが予め定められた閾値を超えた場合、異常検知システムは、当該監視対象システムに関して異常もしくは異常の予兆が発生したと判断し、所定の端末等を介して、監視者たるオペレータに異常情報を出力する。
−−−システム構成（第一の実施形態）−−−
次に、図１を用いて本実施形態における異常検知システム１の構成を説明する。本実施形態に係る異常検知システム１は、センサやアクチュエータを備えた設備１０（監視対象システム）と、当該設備１０を制御するコントローラ１１と、上述の予測モデルの学習やデータ管理を行うサーバ１２と、異常もしくは異常の予兆に関する情報をオペレータに提示する端末１３とを含む構成を想定する。
こうした異常検知システム１における各構成要素は、相互にＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）等のネットワーク１４で接続される。なお、本実施形態では構成要素がＬＡＮで接続される状況を想定するが、ＷＷＷ（Ｗｏｒｌｄ Ｗｉｄｅ Ｗｅｂ）経由で接続される構成としてもよい。また、異常検知システム１に関して例示した上述の構成要素はあくまでも一例であって、要素数は増減してもよく、一つのネットワークで接続されていても、さらに階層分けされて接続されていてもよい。なお、本実施形態では設備１０が監視対象システムである場合について説明するが、コントローラ１１や、他の計
算機が監視対象となってもかまわない。
−−−機能とハードウェア−−−
次に図１と図２を参照して、異常検知システムの機能とハードウェアの対応関係を説明する。本実施形態の異常検知システム１におけるコントローラ１１は、収集部１１１、検知部１１２、および、ローカルデータ管理部１１３の各機能部を備える。これら機能部は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１Ｈ１０１が、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１Ｈ１０２もしくは外部記憶装置１Ｈ１０４に格納されたプログラムをＲＡＭ（Ｒｅａｄ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１Ｈ１０３に読み込み、通信Ｉ／Ｆ（Ｉｎｔｅｒｆａｃｅ）１Ｈ１０５、マウスやキーボード等に代表される外部入力装置１Ｈ１０６、ディスプレイなどに代表される外部出力装置１Ｈ１０７を制御することで実現される。
また、本実施形態の異常検知システム１におけるサーバ１２は、集配部１２１、学習部１２２、および、統合データ管理部１２３の各機能部を備える。これら機能部は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１Ｈ１０１が、ＲＯＭ（Ｒｅａｄ
Ｏｎｌｙ Ｍｅｍｏｒｙ）１Ｈ１０２もしくは外部記憶装置１Ｈ１０４に格納されたプログラムをＲＡＭ（Ｒｅａｄ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１Ｈ１０３に読み込み、通信Ｉ／Ｆ（Ｉｎｔｅｒｆａｃｅ）１Ｈ１０５、マウスやキーボード等に代表される外部入力装置１Ｈ１０６、ディスプレイなどに代表される外部出力装置１Ｈ１０７を制御することで実現される。
また、本実施形態の異常検知システム１における端末１３は、表示部１３１を備える。この表示部１３１は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１Ｈ１０１が、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１Ｈ１０２もしくは外部記憶装置１Ｈ１０４に格納されたプログラムをＲＡＭ（Ｒｅａｄ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１Ｈ１０３に読み込み、通信Ｉ／Ｆ（Ｉｎｔｅｒｆａｃｅ）１Ｈ１０５、マウスやキーボード等に代表される外部入力装置１Ｈ１０６、ディスプレイなどに代表される外部出力装置１Ｈ１０７を制御することで実現される。
−−−データ構造−−−
次に図３を用いて、コントローラ１１が設備１０やコントローラ１１自身から収集し、ローカルデータ管理部１１３で管理される稼動データ１Ｄ１について説明する。
本実施形態における稼動データ１Ｄ１は、設備１０に取り付けられたセンサの計測値や設備１０に送られる制御信号であって、日時１Ｄ１０１と、項目名１Ｄ１０２と、値１Ｄ１０３を備える。
このうち日時１Ｄ１０１は、当該稼動データが発生もしくは収集された日時である。また、項目名１Ｄ１０２は、当該稼動データを識別するための名称であって、たとえばセンサ番号や制御信号番号である。また、値１Ｄ１０３は、ある日時、項目での稼動データの値である。
なお、サーバ１２の統合データ管理部１２３が管理する稼動データ１Ｄ１も内容は同様で、個々のコントローラ１１のローカルデータ管理部１１３の稼動データ１Ｄ１を統合したものある。
次に図４を用いて、コントローラ１１のローカルデータ管理部１１３、および、サーバ１２の統合データ管理部１２３で管理される、入出力定義データ１Ｄ２について説明する。
本実施形態における入出力定義データ１Ｄ２は、予測モデルの入出力を定義するデータであって、モデルＩＤ１Ｄ２０１、入出力タイプ１Ｄ２０２、および、項目名１Ｄ２０３を備える。
このうちモデルＩＤ１Ｄ２０１は、予測モデルを識別するためのＩＤである。また、入出力タイプ１Ｄ２０２は、指定した項目が予測モデルの入力となるのか、出力となるのかを指定するためのデータである。また、項目名１Ｄ２０３は、予測モデルの入力または出力となる項目の名称である。
たとえば、図４で例示する入出力定義データ１Ｄ２では、モデルＩＤが「１００１」の予測モデルについて記載しており、入力が２つ（「コントローラ１．項目１」および「コントローラ１．項目２」）、出力が１つ（「コントローラ１．項目３」）であることを表している。なお、この例では２入力１出力の予測モデルの例を示したが、１入力１出力、３入力２出力等適切な入出力数を設定することができる。
次に図５を用いて、コントローラ１１のローカルデータ管理部１１３、および、サーバ１２の統合データ管理部１２３で管理される、モデルデータ１Ｄ３について説明する。
本実施形態におけるモデルデータ１Ｄ３は、モデルＩＤ１Ｄ３０１と、予測モデルパラメータ１Ｄ３０２と、窓幅推定モデルパラメータ１Ｄ３０３を備える。
このうちモデルＩＤ１Ｄ３０１は、予測モデルを識別するためのＩＤである。また、予測モデルパラメータ１Ｄ３０２は、監視対象となる設備１０の時系列の振る舞いを予測する予測モデルのパラメータを表す。また、窓幅推定モデルパラメータ１Ｄ３０３は、正常時の各稼動データに関する異常スコアが互いに同程度となるように、異常スコア算出の窓幅を動的に変更するための窓幅推定モデルのパラメータを表す。これら２つのパラメータは、予測モデルがニューラルネットワークで構成される場合、その重み行列の値等に対応する。
次に図６を用いて、コントローラ１１のローカルデータ管理部１１３で管理される検知結果データ１Ｄ４について説明する。
本実施形態における検知結果データ１Ｄ４は、検知日時１Ｄ４０１、モデルＩＤ１Ｄ４０２、異常スコア１Ｄ４０３、窓幅１Ｄ４０４、および、例外１Ｄ４０５を備える。
このうち検知日時１Ｄ４０１は、異常もしくはその予兆を検知した日時を表す。また、モデルＩＤ１Ｄ４０２は、検知に用いた予測モデルを識別するためのＩＤである。また、異常スコア１Ｄ４０３は、算出された異常スコアである。また、窓幅１Ｄ４０４は、異常スコア算出に用いられた窓幅を表す。また、例外４０５は、後述する例外パターンに合致しているかどうかを表し、合致している場合は「１」、そうでない場合は「０」とする。
次に図１１を用いて、コントローラ１１のローカルデータ管理部１１３、および、サーバ１２の統合データ管理部１２３で管理される、例外パターン１Ｄ５について説明する。
本実施形態における例外パターン１Ｄ５は、パターンＮｏ１Ｄ５０１と、例外パターン１Ｄ５０２を備える。
このうちパターンＮｏ１Ｄ５０１は、例外パターンを識別するＩＤである。また、例外パターン１Ｄ５０２は、異常検知システム１が異常を検知した場合でも、例外的に端末１３への通知を除外する稼動データの部分系列のパターンを表す。
−−−処理フロー−−−
次に図７、図９、図１０を用いて本実施形態における異常検知システム１の学習フェーズの処理フローを説明する。なお、本処理に先立って、適切な入出力定義データ１Ｄ２が既に登録されているものとする。
まず、コントローラ１１の収集部１１１が、設備１０またはコントローラ１１から稼動データ１Ｄ１を収集し、ローカルデータ管理部１１３に格納する（ステップ１Ｆ１０１）。 なお、本実施形態では収集部１１１が集める稼働データの周期は一定であるものとする。一方、周期が一定ではない場合、収集部１１１は補間等によって周期を調整した稼動データに変換してローカルデータ管理部１１３に格納するものとする。
次に、サーバ１２の集配部１２１が、各コントローラ１１のローカルデータ管理部１１３に格納された稼動データ１Ｄ１を集約し、サーバ１２の統合データ管理部１２３に格納する（ステップ１Ｆ１０２）。
次に、サーバ１２の学習部１２２が、統合データ管理部１２３に格納された正常時の稼動データ１Ｄ１を用いて、入出力定義データ１Ｄ２で定義された入出力を持つ予測モデルを学習し、モデルデータ１Ｄ３（予測モデルパラメータ１Ｄ３０２）として統合データ管理部１２３に格納する（ステップ１Ｆ１０３）。
なお、この時点では、窓幅推定モデルパラメータ１Ｄ３０３は空（Ｎｕｌｌ値）としておく。また、予測モデルは、たとえば図９の予測モデル１Ｎ１０１に示すような、ＬＳＴＭ（Ｌｏｎｇ ｓｈｏｒｔ−ｔｅｒｍ ｍｅｍｏｒｙ）を用いたＥｎｃｏｄｅｒ−ｄｅｃｏｄｅｒ形式のリカレントニューラルネットワークにより構成することができる。
すなわち、図４の入出力定義データ１Ｄ２におけるモデルＩＤ「１００１」の予測モデルは、図９や図１０に例示したモデルにおいて、リカレントニューラルネットワークの入力（図中のｘ）が「コントローラ１．項目１」および「コントローラ１．項目２」、出力（図中のｙ＾）が「コントローラ１．項目１」となる。なお、終端を表すための情報を上述の「ｘ」に追加してもよい。
Ｅｎｃｏｄｅｒ−ｄｅｃｏｄｅｒ形式のリカレントニューラルネットワークを用いることで、入出力が異なり、かつ、任意の長さの系列を構造予測（Ｓｔｒｕｃｔｕｒｅｄ ｐｒｅｄｉｃｔｉｏｎ）する予測モデルを構築することができる。
なお、図９中における「ＦＣ」は全結層（Ｆｕｌｌ ｃｏｎｎｅｃｔｅｄ ｌａｙｅｒ）の意味である。このように構成した場合、出力は決定的な値となるため、異常スコアは累積予測誤差に基づくものとなる。ここで、累積予測誤差とは、予測値系列と観測値系列の各時点での差の絶対値とする。
また、図１０の予測モデル１Ｎ２に示すようなＶＡＥ（Ｖａｒｉａｔｉｏｎａｌ ａｕｔｏ ｅｎｃｏｄｅｒ）に代表される生成モデルを用いて出力のサンプルを得られるような予測モデルを構築してもよい。ここで、図中の「μ」は平均、「σ」は分散、「Ｎ−Ｒａｎｄ」は正規乱数、「×」は行列の要素積、「＋」は行列の和を表す。
このようにすることで、図９の予測モデル１Ｎ１による方法に比べ、計算量は増加するものの、期待値（平均）だけでなく、ばらつき具合（分散）も出力することができるようになり、累積予測誤差に基づく異常スコアだけでなく、尤度に基づく異常スコアが算出可能となる。
ここで尤度とは、観測値系列の生起確率であって、各時点の平均および分散を複数回の
サンプリングによって算出し、それをもとに各時点で独立な正規分布に倣うと考え、観測値に対する前記平均および分散のもとでの確率密度を算出し、それらすべての積をとったものとする。稼動データのばらつき具合が時間変化する場合では、累積予測誤差に基づく異常スコアに比べ、尤度に基づく異常スコアを採用することによって、異常スコアのばらつきが抑えられる。
次に、サーバ１２の学習部１２２が、統合データ管理部１２３に格納された正常時の稼動データ１Ｄ１と、上述の予測モデルとを用いて、各時点について、目標累積予測誤差をはじめて超える、または、目標尤度をはじめて下回る窓幅とその時点のリカレントニューラルネットワークの内部状態のペアを算出する（ステップ１Ｆ１０４）。
ここで、目標累積予測誤差は、窓幅３０での累積予測誤差の平均の半分とする。また尤度は、対数変換を施した対数尤度として取り扱う方が計算上好都合となる。また、対数尤度は０以下の値をとる。そこで、負の対数尤度について考えるものとし、目標対数尤度は窓幅３０での負の対数尤度の平均の半分とする。
なお、本実施形態では、それぞれ窓幅３０のときの累積予測誤差または負の対数尤度の平均の半分としたが、稼動データに応じて窓幅を変えたり、他の方法で目標累積予測誤差もしくは対数尤度を算出したりしてもよい。
次に、サーバ１２の学習部１２２が、上述で算出した目標累積予測誤差もしくは負の対数尤度と内部状態のペアを用いて、窓幅推定モデルを学習し、対応する予測モデルのモデルデータ１Ｄ３の窓幅推定モデルパラメータ１Ｄ３０３を追記する（ステップ１Ｆ１０５）。
ここで窓幅推定モデルは、内部状態を入力、窓幅を出力とする予測器であり、具体的には、図９の１Ｎ１０２や図１０の２０２で示すように、線形回帰モデルで学習する。なお、本実施形態では線形回帰モデルを用いたが、多層ニューラルネットなど他のモデルを用いても良い。
次に、サーバ１２の学習部１２２が、統合データ管理部１２３に格納された正常時の稼動データ１Ｄ１、上述の予測モデル、および、上述の窓幅推定モデルを用いて、正常時の稼動データ１Ｄ１各々に関する異常スコア、すなわち推定された窓幅を用いた累積予測誤差もしくは負の対数尤度を算出する（ステップ１Ｆ１０６）。
次に、サーバ１２の学習部１２２が、上述の異常スコアが閾値ηより大きい箇所の前後窓幅３０（計６１点）の稼動データの部分系列を例外パターン１Ｄ５として統合データ管理部１２３に格納する（ステップ１Ｆ１０７）。ここで閾値ηは、目標累積予測誤差もしくは目標対数尤度の２倍とするが、他の値を設定してもかまわない。
最後に、サーバ１２の集配部１２１が、モデルデータ１Ｄ３および例外パターン１Ｄ５を各コントローラ１１に配信し、本処理を終了する（ステップ１Ｆ１０８）。
なお、本実施形態における予測モデルは、過去から現在までの稼動データを用いて現在から将来の稼動データの予測値系列を算出するものであったが、過去から現在までの稼動データを用いて現在から過去までの稼動データの予測値系列を算出（復元）するように予測モデルを構築してもよいし、その両方を行っても良い。
また、本実施形態では稼動データをそのまま入力、出力とする予測モデルを用いたが、稼動データにローパスフィルターをかけたり、稼動データ同士の差などのデータを入出力
に用いたりしても良い。
また、本実施形態では予測モデルと窓幅推定モデルは別々に学習されるものとしたが、それらを統合してもよい。つまり、逆誤差伝播法等により学習する際に、窓幅推定モデルの誤差信号を予測モデルの中間層に伝播させるようにしてもよい。これによって、予測の正確さと予測可能性の両方を考慮して学習することができる。
次に、図８を用いて本実施形態における、或る時刻ｔでの監視フェーズの処理フローについて説明する。なお、本処理に先立って、時刻ｔの前後の稼動データが予め収集されているものとする。
まず、コントローラ１１の検知部１１２が、上述のＥｎｃｏｄｅｒ−ｄｅｃｏｄｅｒ形式のリカレントニューラルネットワークに、時刻ｔから数十時刻〜数百時刻程度前からの稼動データ１Ｄ１を連続的に入力し、リカレントニューラルネットワークの内部状態を更新する（ステップ１Ｆ２０１）。本実施例では５０時刻前からの稼動データを用いるものとする。
次に、コントローラ１１の検知部１１２が、リカレントニューラルネットワークの内部状態と、窓幅推定モデルを使って、時刻ｔにおける窓幅を算出する（ステップ１Ｆ２０２）。
次に、コントローラ１１の検知部１１２が、上述で算出された窓幅に従って予測を繰り返し、異常スコア、すなわち、累積予測誤差もしくは負の対数尤度を算出する（ステップ１Ｆ２０３）。このステップにおいて、窓幅が予測能力を反映し、正常時の稼動データであれば、いずれも同程度の異常スコアとなるように調整されることになる。
次に、コントローラ１１の検知部１１２が、異常スコアが閾値γ未満であるかどうかを確認する（ステップ１Ｆ２０４）。
この確認の結果、異常スコアがγ未満である場合（ステップ１Ｆ２０４：ｙｅｓ）、コントローラ１１の検知部１１２は、異常は起こっていないものとしてこの時点で処理は終了する。他方、異常スコアがγ未満でない場合（ステップ１Ｆ２０４：ｙｅｓ）、コントローラ１１の検知部１１２は、異常もしくはその予兆が検知されたとして、処理をステップ１Ｆ２０６に移す。ここで、閾値γは目標累積予測誤差もしくは目標対数尤度の２倍とするが、他の値を設定してもかまわない。
次に、コントローラ１１の検知部１１２が、例外パターン１Ｄ５と時刻ｔ−３０〜ｔ＋３０までの稼動データの差の二乗和を求め、この結果が、閾値θ未満の場合、例外パターンに合致すると判断する（ステップ１Ｆ２０５）。
最後に、コントローラ１１の検知部１１２が、検知結果データ１Ｄ４を作成し、ローカルデータ管理部１１３に格納するとともに、検知した結果が、例外パターンではない場合には端末１３の表示部１３１に通知する。それに対応して、端末１３の表示部１３１が、該当するコントローラ１１のローカルデータ管理部１１３の検知結果データ１Ｄ４を読み取り、オペレータに検知結果を提示する（ステップ１Ｆ２０６）。
なお、上記は説明を簡便なものとするため、毎回リカレントニューラルネットワークに時刻ｔから５０時刻前の稼動データ１Ｄ１を入力することで内部状態を更新する方法を記載した。しかしながら、実際には新しい稼動データを観測するごとにリカレントニューラルネットワークへ入力し、予測を行う直前で内部状態を保存、異常スコア計算を行い、（異常スコア計算で内部状態は変わるため）内部状態を復元するという手順を取ることで効
率的に内部状態更新および異常スコア計算を実行することができる。
−−−ユーザインターフェース−−−
図１２を用いて、端末１３の表示部１３１がオペレータに提示する監視画面１Ｇ１について説明する。この監視画面１Ｇ１は、モデル選択コンボボックス１Ｇ１０１、稼動データ表示ペイン１Ｇ１０２、異常スコア表示ペイン１Ｇ１０３、および、窓幅表示ペイン１Ｇ１０４を備える。
このうちモデル選択コンボボックス１Ｇ１０１には、検知結果データ１Ｄ４のモデルＩＤ１Ｄ４０２に対応するモデルＩＤが候補に表示される。端末１３を操作するオペレータが、このモデル選択コンボボックス１Ｇ１０１で選んだモデルＩＤに対応した検知結果情報が、稼動データ表示ペイン１Ｇ１０２、異常スコア表示ペイン１Ｇ１０３、および、窓幅表示ペイン１Ｇ１０４に表示される。
また、稼動データ表示ペイン１Ｇ１０２には、モデル選択コンボボックス１Ｇ１０１で選択されたモデルＩＤの予測モデルの入出力に対応する稼動データが表示される。図１２における例の場合、横軸は時間、縦軸は値である。また予測モデルにおける入力や出力の選択はタブ（１Ｇ１０２ａ、１Ｇ１０２ｂ、１Ｇ１０３ｃ）によって行う。
また、異常スコア表示ペイン１Ｇ１０３には、モデル選択コンボボックス１Ｇ１０１で選択されたモデルＩＤの予測モデルによって算出された異常スコアと閾値γが表示される。図１２における例の場合、横軸は時間、縦軸は値である。異常スコアのうち、閾値を超え、かつ、例外パターンに合致していない箇所は強調表示される。オペレータはこの異常スコア表示ペイン１Ｇ１０３の表示情報を見ることで、異常やその予兆が発生しているかどうかを把握することができる。
また、窓幅表示ペイン１Ｇ１０４には、異常スコア表示ペイン１Ｇ１０３で選択されたモデルＩＤの窓幅推定モデルによって算出された窓幅が表示される。図１２における例の場合、横軸は時間、縦軸は窓幅である。オペレータはこの窓幅表示ペイン１Ｇ１０４の表示情報を見ることで、異常やその予兆が通知された状況が、予測モデルにとって予測しやすい状況であったか、典型的な状況であったか、など異常スコアだけでは判断できない補足的な情報を把握することができる。
−−−概略（第二の実施形態）−−−
次に別の実施形態（第二の実施形態）について説明する。なお、上述した第一の実施形態と重複する点については適宜省略して説明を行うものとする。
第二の実施形態における異常検知システムも、その監視対象となるシステム（工場などの産業システム、或いは、鉄道や電力などの社会インフラシステム、など）の機能停止を防ぐべく、当該監視対象システムの故障や障害、或いはその予兆を迅速かつ的確に発見、予知するものである。なお、第二の実施形態における異常検知システムの構成、機能等は、第一の実施形態のものと同様であり、その説明は省略する。
本実施形態における異常検知システムにおける処理は、上述の監視対象システムにおける正常時の稼動データから予測モデルを学習する学習フェーズと、監視時の稼動データと予測モデルの予測結果との乖離具合に基づいて異常スコアを算出し、ユーザ（監視者等）に通知および関連情報を表示する監視フェーズとに分けられる。
このうち学習フェーズでは、異常検知システムは、上述の監視対象システムにおける各機器・設備から収集した稼動データから、監視対象システムにおける時系列の振る舞いを予測する予測モデルを学習する。また、異常検知システムは、稼動データと予測モデルを
使って、予め定めた窓幅に対する予測誤差の系列を再構成する誤差再構成モデルを学習する。
また、異常検知システムは、監視フェーズの処理を図１３に示す流れで実行する。この場合、異常検知システムは、監視時の稼動データと予測モデルから予め定めた窓幅の予測値系列を算出する。さらに、異常検知システムは、得られた予測値系列と誤差再構成モデルを用いて、予測誤差系列の再構成誤差を算出し、異常スコアとする。異常検知システムは、この異常スコアが予め定められた閾値を超えた場合、異常もしくは異常の予兆が発生したと判断してオペレータに異常情報を表示する。
−−−データ構造−−−
異常検知システム１におけるコントローラ１１が、設備１０やコントローラ１１自身から収集し、ローカルデータ管理部１１３で管理される稼動データ１Ｄ１は、第一の実施形態と同様の構成である。また、コントローラ１１のローカルデータ管理部１１３、および、サーバ１２の統合データ管理部１２３で管理される、入出力定義データ１Ｄ２も、第一の実施形態と同様の構成である。
一方、コントローラ１１のローカルデータ管理部１１３、および、サーバ１２の統合データ管理部１２３で管理される、モデルデータ２Ｄ１については第一の実施形態の構成と異なる。図１４にて、第二の実施形態におけるモデルデータ２Ｄ１の例を示す。
このモデルデータ２Ｄ１は、モデルＩＤ２Ｄ１０１、予測モデルパラメータ２Ｄ１０２、および、予測誤差を再構成する誤差再構成モデルのパラメータ２Ｄ１０３を備える。このうち誤差再構成モデル２Ｄ１０３のパラメータは、後述するようにオートエンコーダを用いる場合、入力層と中間層、中間層と出力層の間のそれぞれの重み行列に対応する。
次に図１５を用いて、コントローラ１１のローカルデータ管理部１１３で管理される検知結果データ２Ｄ２について説明する。
この検知結果データ２Ｄ２は、検知日時２Ｄ２０１、モデルＩＤ２Ｄ２０２、異常スコア２Ｄ２０３、および、蓄積予測誤差２Ｄ２０４を備える。このうち予測誤差２Ｄ２０４は、予測モデルから出力された予測値系列と観測値系列の差の絶対値の総和である。
−−−処理フロー−−−
次に図１６を用いて第二の実施形態における異常検知システム１の学習フェーズの処理について説明する。なお、本処理に先立って、適切な入出力定義データ１Ｄ２が登録されているものとする。
この場合、コントローラ１１の収集部１１１が、設備１０ないしコントローラ１１から稼動データ１Ｄ１を収集し、ローカルデータ管理部１１３に格納する（ステップ２Ｆ１０１）。なお、第二の実施形態では、収集部１１１が集めるデータの周期は一定であるものとする。周期が一定ではない場合、収集部１１１は、補間等によって周期を調整した稼動データに変換して上述の格納を行うものとする。
次に、サーバ１２の集配部１２１が、各コントローラ１１のローカルデータ管理部１１３に格納された稼動データ１Ｄ１を集約し、サーバ１２の統合データ管理部１２３に格納する（ステップ２Ｆ１０２）。
次に、サーバ１２の学習部１２２が、統合データ管理部１２３に格納された正常時の稼動データ１Ｄ１を用いて、入出力定義データ１Ｄ２で定義された入出力を持つ予測モデルを学習し、モデルデータ１Ｄ３（予測モデルパラメータ１Ｄ３０２）として統合データ管
理部１２３に格納する（ステップ２Ｆ１０３）。
ここで、上述の予測モデルには、第一の実施形態で述べたＥｎｃｏｄｅｒ−ｄｅｃｏｄｅｒ形式のリカレントニューラルネットワークを用いるものとするが、第一の実施形態のように異常スコアの調整のために窓幅を変更するわけではないので、固定長の予測モデルを用いても良い。
たとえば、より単純にオートエンコーダ(ＡｕｔｏＥｎｃｏｄｅｒ)を用いて同一区間のデータを予測（再構成）するようにしてもよいし、自己回帰モデルなどのほかの統計モデルを用いても良い。
なお、予測モデルは、時間に対して予測の方向が過去から未来だけでなく未来から過去に対しても行っても良いし、その両方であってもよい。
次に、サーバ１２の学習部１２２が、上述の予測モデルを用いて、正常時の稼動データ１Ｄ１に対する予測値系列を算出し、正常時の稼動データ１Ｄ１と比較し、予測誤差系列を算出する。ここで、予測値系列の長さは予め定めた窓幅に基づく。第二の実施形態では、一例として「３０」とするが、他の値でもよい。また、誤差は差の絶対値とするが、他のものを用いても良い。そして、サーバ１２の学習部１２２が、予測誤差系列を再構成する誤差再構成モデルを学習する（２Ｆ１０４）。
ここで、第二の実施形態では、誤差再構成モデルにオートエンコーダの一種であるＤｅｎｏｉｓｉｎｇ ＡｕｔｏＥｎｃｏｄｅｒを用いる。これによって、監視時に多少異なるデータがあってもロバストに復元可能となる。なお、誤差再構成モデルには、主成分分析（ＰＣＡ）、あるいは他の行列分解などの方法を用いることもできる。
最後に、サーバ１２の集配部１２１が、モデルデータ１Ｄ３および例外パターン１Ｄ５を、各コントローラ１１に配信し、本処理を終了する（ステップ２Ｆ１０５）。
次に、図１７を用いて、第二の実施形態における、或る時刻ｔでの監視フェーズの処理フローについて説明する。なお、本処理に先立って、時刻ｔの前後の稼動データが収集されているものとする。
まず、コントローラ１１の検知部１１２が、上述のＥｎｃｏｄｅｒ−ｄｅｃｏｄｅｒ形式のリカレントニューラルネットワークに、時刻ｔから数十時刻〜数百時刻程度前からの稼動データ１Ｄ１を連続的に入力し、リカレントニューラルネットワークの内部状態を更新する。また、当該検知部１１２が、時刻ｔから窓幅（＝３０）の予測値系列を算出し、稼動データ１Ｄ１との差の絶対値を計算することで予測誤差系列を算出する（ステップ２Ｆ２０１）。
次に、上述の検知部１１２が、誤差再構成モデルを用いて、上述で得られた予測誤差系列を再構成し、その系列と元の予測誤差系列との差（再構成誤差）の絶対値の総和から異常スコアを算出する（ステップ２Ｆ２０２）。
次に、コントローラ１１の検知部１１２が、異常スコアが閾値γ未満であるかどうかを確認する。この確認の結果、異常スコアがγ未満である場合（ステップ２Ｆ２０３：ｙｅｓ）、当該検知部１１２は、異常は起こっていないものとしてこの時点で処理を終了する。
一方、上述の確認の結果、異常スコアがγ未満でない場合（ステップ２Ｆ２０３：ｎｏ）、上述の検知部１１２は、異常もしくはその予兆が検知されたとして、処理をステップ
２Ｆ２０４に移す（ステップ１Ｆ２０３）。
ここで、閾値γは、正常時の稼動データの異常スコアの平均をμ、標準偏差をσとするとき、μ＋2σとするが、他の値を設定してもかまわない。
最後に、コントローラ１１の検知部１１２が、検知結果データ１Ｄ４を作成し、ローカルデータ管理部１１３に格納する。また、端末１３の表示部１３１が、該当するコントローラ１１のローカルデータ管理部１１３の検知結果データ１Ｄ４を読み取り、例えば端末１３への出力を介し、オペレータに検知結果を提示する（ステップ１Ｆ２０４）。
−−−ユーザインターフェース−−−
ユーザインターフェースは基本的に第一の実施形態と同様の構成であるが、窓幅に該当する情報がないため、窓幅表示ペイン１Ｇ１０４は省略される。一方、図１８に示すように、上述の予測誤差系列の総和を異常スコアと表示してもよい。これによって、予測モデルが上手く予測できていて異常スコアが低い箇所、予測モデルが上手く予測できていないが異常スコアが低い箇所をユーザが判断できるようになる。
以上に説明したように、異常スコアが稼動データに対する予測モデルの予測能力に応じて調整され、正常時においてはいずれも同程度になる。つまり、第一の実施形態で述べた方法によれば予測が上手くできるところでは積極的に異常性を評価し、予測が上手くできないところでは消極的に異常性を評価する。これをバランスすることで異常スコアが同程度となる。これによって閾値決定が簡単化される。
また、１点の予測ではなく、複数点の予測値系列を用いて異常スコアを評価するので、予測能力が高い箇所で予測をはずしたときに大きく異常スコアが変化する。この結果、正常時と異常時の差が明確になりオペレータが異常スコアの閾値を容易に決めることができ、かつ、誤検知が減少する。
また、そもそも算出された窓幅の情報として予測能力をオペレータが確認することができる。この結果、たとえば、オペレータは予測能力が高い状況で異常スコアも高いのか（異常検知システム１が確信を持った通報なのか）、予測能力が低い状況で異常スコアが高いのか（異常検知システム１が確信を持てない通報なのか）判断することができる。
また、予測モデル作成当初に比べて窓幅が低い値を示すようになれば、そもそも監視対象が変化している可能性が高く予測モデルを作り直す必要があると判断することも可能となる。
また、第二の実施形態によれば、予測モデルの予測値系列と観測値系列の誤差の復元誤差を用いて異常性を評価する。これによって、予測モデルが上手く予測できない場合でも、正常時に見られる場合であれば異常スコアが小さく保たれ、やはり正常時において異常スコアが同程度となる。これによって、これによって閾値決定が簡単化される。
以上、本発明を実施するための最良の形態などについて具体的に説明したが、本発明はこれに限定されるものではなく、その要旨を逸脱しない範囲で種々変更可能である。
本明細書の記載により、少なくとも次のことが明らかにされる。すなわち、本実施形態の異常検知システムにおいて、前記演算装置は、前記予測モデルにより、過去の稼働データに基づいて、所定時間先までの将来の時系列データまたは当該時系列データの生起確率を構造予測し、前記構造予測の結果と前記装置から得た稼働データとの乖離具合の蓄積量に基づいて、前記異常スコアを算出するものである、としてもよい。
これによれば、構造予測(Structured prediction)によって、データを１点だけ予測す
るのではなく、所定の構造を表す複数点に関する将来予測が可能となり、異常スコアの調整を効率良く行うことが可能となる。
本実施形態の異常検知システムにおいて、前記演算装置は、前記調整する処理に際し、前記予測モデルの予測能力に基づいて、前記将来の時系列データの予測の窓幅を変えることで、各異常スコアが、正常時の稼動データに関して得られるものについては所定範囲となるよう調整するものであるとしてもよい。
これによれば、予測モデルの予測能力に基づいた適宜な窓幅に応じて、異常スコアの精度良好な調整を効率良く行うことが可能となる。
本実施形態の異常検知システムにおいて、前記演算装置は、前記予測モデルとしてエンコーダー・デコーダーモデルを用い、前記将来の時系列データに関する予測値を出力するものであるとしてもよい。
これによれば、予測モデルとしてエンコーダー・デコーダーモデルを用い、時系列データに関する精度良好な予測値を得ることが可能となる。
本実施形態の異常検知システムにおいて、前記演算装置は、前記予測モデルとして生成モデルを用い、将来の稼働データに関する確率分布の統計量またはサンプルを出力するものであるとしてもよい。
これによれば、予測モデルとして、VAE(Variational Auto Encoder)等に代表される生
成モデルを用い、将来のデータに関する確率分布の統計量もしくはサンプルを出力できる。
本実施形態の異常検知システムにおいて、前記演算装置は、ニューラルネットの中間表現を用いて前記窓幅を予測するものであるとしてもよい。
これによれば、ニューラルネットの中間表現（内部状態）を用いて窓幅を予測することが可能となる。
本実施形態の異常検知システムにおいて、前記演算装置は、前記異常スコアが予め定められた閾値を超える場合であっても、前記異常スコアに対応する稼働データのパターンが、正常時でも出現する既知のパターンであれば、例外として異常または異常の予兆とは判定しないものであるとしてもよい。
これによれば、従来であれば異常と判定される状況であっても、本質的には正常な状況に関して、誤報を監視者等に通知するといった事態を回避出来る。
本実施形態の異常検知システムにおいて、前記演算装置は、前記異常スコアまたは前記検知の結果に加え、前記異常スコアの計算に用いた窓幅の情報を出力装置に表示するものであるとしてもよい。
これによれば、窓幅の情報を提示することで、予測モデルの予測能力やそれに応じた予測誤差（異常スコア）の挙動などを、監視者等に認識させやすくなる。
本実施形態の異常検知システムにおいて、前記演算装置は、前記予測モデルにおける正常時データに対する予測誤差の再構成誤差を、前記異常スコアとするものであるとしてもよい。
これによれば、上述の窓幅の調整に基づく手法より更に効率的かつ良好な精度で誤検知を低減し、また、正常時と異常時の差を明確なものとして異常スコアの閾値の決定を容易なものとできる。
本実施形態の異常検知システムにおいて、前記演算装置は、前記予測モデルとして時系
列予測モデルまたは統計的予測モデルを用いるものであるとしてもよい。
これによれば、予測モデルとして時系列予測モデルまたは統計的予測モデルを用い、時系列データ等に関する精度良好な予測値を得ることが可能となる。
本実施形態の異常検知システムにおいて、前記演算装置は、前記予測誤差の再構成誤差の算出に際し、統計的予測モデルを用いるものであるとしてもよい。
これによれば、再構成誤差の算出に統計的予測モデルを用いて、精度良好な予測値を得ることが可能となる。
本実施形態の異常検知システムにおいて、前記演算装置は、前記出力装置において、前記異常スコアに合わせて前記予測誤差を表示するものであるとしてもよい。
これによれば、予測誤差の情報を提示することで、予測モデルの予測能力やそれに応じた予測誤差（異常スコア）の挙動などを、監視者等に認識させやすくなる。
１ 異常検知システム
１０ 設備・機器
１１ コントローラ
１２ サーバ
１３ 端末
１１１ 収集部
１１２ 検知部
１１３ ローカルデータ管理部
１２１ 学習部
１２１ 統合データ管理部
１３１ 表示部
１Ｈ１０１ ＣＰＵ（演算装置）
１Ｈ１０２ ＲＯＭ
１Ｈ１０３ ＲＡＭ
１Ｈ１０４ 外部記憶装置
１Ｈ１０５ 通信Ｉ／Ｆ
１Ｈ１０６ 外部入力装置
１Ｈ１０７ 外部出力装置
１Ｄ１ 稼動データ
１Ｄ２ 入出力定義データ
１Ｄ３、２Ｄ１ モデルデータ
１Ｄ４、２Ｄ２ 検知結果データ
１Ｄ５ 例外パターン

Claims (13)

  1. 監視対象である所定装置の稼動データに基づき当該装置の振る舞いを予測する予測モデルを学習する処理と、前記予測モデルによる予測結果と前記装置から得た各稼動データとの乖離具合に基づく各異常スコアが、正常時の稼働データに関して得られるものについては所定範囲となるよう調整する処理と、前記調整した異常スコアに基づいて異常または異常の予兆を検知する処理と、前記異常スコアまたは前記検知の結果の少なくともいずれかの情報を出力装置に表示する処理とを実行する演算装置を備えることを特徴とする異常検知システム。
  2. 前記演算装置は、
    前記予測モデルにより、過去の稼働データに基づいて、所定時間先までの将来の時系列データまたは当該時系列データの生起確率を構造予測し、
    前記構造予測の結果と前記装置から得た稼働データとの乖離具合の蓄積量に基づいて、前記異常スコアを算出するものである、
    ことを特徴とする請求項１に記載の異常検知システム。
  3. 前記演算装置は、
    前記調整する処理に際し、前記予測モデルの予測能力に基づいて、前記将来の時系列データの予測の窓幅を変えることで、各異常スコアが、正常時の稼動データに関して得られるものについては所定範囲となるよう調整するものであることを特徴とする請求項２に記載の異常検知システム。
  4. 前記演算装置は、
    前記予測モデルとしてエンコーダー・デコーダーモデルを用い、前記将来の時系列データに関する予測値を出力するものであることを特徴とする請求項２に記載の異常検知システム。
  5. 前記演算装置は、
    前記予測モデルとして生成モデルを用い、将来の稼働データに関する確率分布の統計量またはサンプルを出力するものであることを特徴とする請求項１に記載の異常検知システム。
  6. 前記演算装置は、
    ニューラルネットの中間表現を用いて前記窓幅を予測するものであることを特徴とする請求項３に記載の異常検知システム。
  7. 前記演算装置は、
    前記異常スコアが予め定められた閾値を超える場合であっても、前記異常スコアに対応する稼働データのパターンが、正常時でも出現する既知のパターンであれば、例外として異常または異常の予兆とは判定しないものであることを特徴とする請求項２に記載の異常検知システム。
  8. 前記演算装置は、
    前記異常スコアまたは前記検知の結果に加え、前記異常スコアの計算に用いた窓幅の情報を出力装置に表示するものであることを特徴とする請求項３に記載の異常検知システム。
  9. 前記演算装置は、
    前記予測モデルにおける正常時データに対する予測誤差の再構成誤差を、前記異常スコ
    アとするものであることを特徴とする請求項１に記載の異常検知システム。
  10. 前記演算装置は、
    前記予測モデルとして時系列予測モデルまたは統計的予測モデルを用いるものであることを特徴とする請求項９に記載の異常検知システム。
  11. 前記演算装置は、
    前記予測誤差の再構成誤差の算出に際し、統計的予測モデルを用いるものであることを特徴とする請求項９に記載の異常検知システム。
  12. 前記演算装置は、
    前記出力装置において、前記異常スコアに合わせて前記予測誤差を表示するものであることを特徴とする請求項９に記載の異常検知システム。
  13. 情報処理システムが、
    監視対象である所定装置の稼動データに基づき当該装置の振る舞いを予測する予測モデルを学習する処理と、
    前記予測モデルによる予測結果と前記装置から得た各稼動データとの乖離具合に基づく各異常スコアが、正常時の稼働データに関して得られるものについては所定範囲となるよう調整する処理と、
    前記調整した異常スコアに基づいて異常または異常の予兆を検知する処理と、
    前記異常スコアまたは前記検知の結果の少なくともいずれかの情報を出力装置に表示する処理と、
    を実行することを特徴とする異常検知方法。
JP2017056869A 2017-03-23 2017-03-23 異常検知システムおよび異常検知方法 Active JP7017861B2 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2017056869A JP7017861B2 (ja) 2017-03-23 2017-03-23 異常検知システムおよび異常検知方法
CN201810076586.8A CN108628281B (zh) 2017-03-23 2018-01-26 异常检测系统及异常检测方法
EP18159178.5A EP3379360B1 (en) 2017-03-23 2018-02-28 Anomaly detection system and anomaly detection method
US15/907,844 US20180275642A1 (en) 2017-03-23 2018-02-28 Anomaly detection system and anomaly detection method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2017056869A JP7017861B2 (ja) 2017-03-23 2017-03-23 異常検知システムおよび異常検知方法

Publications (3)

Publication Number Publication Date
JP2018160093A true JP2018160093A (ja) 2018-10-11
JP2018160093A5 JP2018160093A5 (ja) 2019-09-26
JP7017861B2 JP7017861B2 (ja) 2022-02-09

Family

ID=61563138

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2017056869A Active JP7017861B2 (ja) 2017-03-23 2017-03-23 異常検知システムおよび異常検知方法

Country Status (4)

Country Link
US (1) US20180275642A1 (ja)
EP (1) EP3379360B1 (ja)
JP (1) JP7017861B2 (ja)
CN (1) CN108628281B (ja)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020062650A (ja) * 2018-10-16 2020-04-23 アイダエンジニアリング株式会社 プレス機械及びプレス機械の異常監視方法
JP2020149531A (ja) * 2019-03-15 2020-09-17 株式会社リコー 診断装置、診断方法、及び診断プログラム
JPWO2020196195A1 (ja) * 2019-03-26 2020-10-01
JP2020173786A (ja) * 2019-04-05 2020-10-22 三星ディスプレイ株式會社Ｓａｍｓｕｎｇ Ｄｉｓｐｌａｙ Ｃｏ．，Ｌｔｄ． トレースデータセットのデータ拡張のためのシステムおよび分類方法
JP2021039685A (ja) * 2019-09-05 2021-03-11 株式会社デンソーテン 異常検出装置および異常検出方法
JP2021056927A (ja) * 2019-10-01 2021-04-08 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
WO2021149277A1 (ja) * 2020-01-21 2021-07-29 三菱重工エンジン＆ターボチャージャ株式会社 予測装置、予測方法およびプログラム
JP2021149733A (ja) * 2020-03-23 2021-09-27 昭和電工マテリアルズ株式会社 対策方法選定支援システム、及び方法
JP2022519228A (ja) * 2019-01-30 2022-03-22 ビューラー アーゲー 工業プロセスで使用されるコンポーネントから発生する信号の異常を検出及び測定するためのシステムと方法
JPWO2023002614A1 (ja) * 2021-07-21 2023-01-26
KR20230067423A (ko) * 2021-11-09 2023-05-16 주식회사 스피랩 딥러닝 기반 IIoT 설비 이상탐지 방법
JP7514143B2 (ja) 2020-08-19 2024-07-10 オルガノ株式会社 プラント設備の診断方法及び装置

Families Citing this family (65)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10419931B1 (en) 2016-08-25 2019-09-17 EMC IP Holding Company LLC Security for network computing environment using centralized security system
US10637878B2 (en) * 2017-02-28 2020-04-28 Micro Focus Llc Multi-dimensional data samples representing anomalous entities
US11237939B2 (en) * 2017-03-01 2022-02-01 Visa International Service Association Predictive anomaly detection framework
US10650001B2 (en) * 2017-10-05 2020-05-12 Google Llc Disaggregating latent causes for computer system optimization
US11947863B2 (en) * 2018-02-28 2024-04-02 Robert Bosch Gmbh Intelligent audio analytic apparatus (IAAA) and method for space system
US10402726B1 (en) * 2018-05-03 2019-09-03 SparkCognition, Inc. Model building for simulation of one or more target features
US10965708B2 (en) * 2018-06-06 2021-03-30 Whitehat Security, Inc. Systems and methods for machine learning based application security testing
JP7056406B2 (ja) * 2018-06-22 2022-04-19 日本電信電話株式会社 センサノード及びデータセンタとして機能する装置、センサネットワーク、通信方法及びプログラム
EP3594860B1 (en) * 2018-07-09 2024-05-08 Tata Consultancy Services Limited Sparse neural network based anomaly detection in multi-dimensional time series
CN109543943B (zh) * 2018-10-17 2023-07-25 国网辽宁省电力有限公司电力科学研究院 一种基于大数据深度学习的电价稽查执行方法
JP7028133B2 (ja) * 2018-10-23 2022-03-02 オムロン株式会社 制御システムおよび制御方法
CN112955839B (zh) * 2018-10-30 2024-08-20 国立研究开发法人宇宙航空研究开发机构 异常检测装置、异常检测方法和程序
CN110462594B (zh) * 2018-11-02 2023-11-14 创新先进技术有限公司 监测多个系统指标的方法和系统
JP7220550B2 (ja) * 2018-11-12 2023-02-10 三菱重工業株式会社 エッジ装置、接続確立システム、接続確立方法及びプログラム
CN109543743B (zh) * 2018-11-19 2023-04-07 天津大学 一种基于重建预测残差的制冷机组多传感器故障诊断方法
CN109783361B (zh) * 2018-12-14 2024-07-09 平安壹钱包电子商务有限公司 确定代码质量的方法和装置
JP7127525B2 (ja) * 2018-12-19 2022-08-30 日本電信電話株式会社 検知装置、検知方法、および、検知プログラム
CN113454553B (zh) * 2019-01-30 2022-07-05 布勒有限公司 用于检测和测量源自工业过程中使用的部件的信令中的异常的系统和方法
KR20200108523A (ko) * 2019-03-05 2020-09-21 주식회사 엘렉시 이상 패턴 감지 시스템 및 방법
JP6790154B2 (ja) * 2019-03-07 2020-11-25 東芝デジタルソリューションズ株式会社 協調型学習システム及び監視システム
US20220147032A1 (en) * 2019-03-19 2022-05-12 Nec Corporation Monitoring method, monitoring apparatus, and program
CN109978379B (zh) * 2019-03-28 2021-08-24 北京百度网讯科技有限公司 时序数据异常检测方法、装置、计算机设备和存储介质
EP3948438B1 (en) * 2019-03-29 2023-12-06 Tata Consultancy Services Limited Method and system for anomaly detection and diagnosis in industrial processes and equipment
CN110059894B (zh) * 2019-04-30 2020-06-26 无锡雪浪数制科技有限公司 设备状态评估方法、装置、系统及存储介质
JP7226103B2 (ja) * 2019-05-29 2023-02-21 オムロン株式会社 制御システム、サポート装置およびサポートプログラム
JP7328799B2 (ja) * 2019-06-12 2023-08-17 株式会社日立製作所 ストレージシステムおよび記憶制御方法
US11316851B2 (en) 2019-06-19 2022-04-26 EMC IP Holding Company LLC Security for network environment using trust scoring based on power consumption of devices within network
JP2021009441A (ja) * 2019-06-28 2021-01-28 ルネサスエレクトロニクス株式会社 異常検知システム及び異常検知プログラム
CN110473084A (zh) * 2019-07-17 2019-11-19 中国银行股份有限公司 一种异常检测方法和装置
CN110427320B (zh) * 2019-07-24 2022-10-11 长安大学 一种轻量级嵌入式程序控制流异常定位检测方法
US11410891B2 (en) 2019-08-26 2022-08-09 International Business Machines Corporation Anomaly detection and remedial recommendation
US20210065059A1 (en) * 2019-08-27 2021-03-04 Nec Laboratories America, Inc. Monitoring computing system status by implementing a deep unsupervised binary coding network
CN110830448B (zh) * 2019-10-16 2022-09-13 支付宝(杭州)信息技术有限公司 目标事件的流量异常检测方法、装置、电子设备及介质
CN112949344B (zh) * 2019-11-26 2023-03-31 四川大学 一种用于异常检测的特征自回归方法
US11312374B2 (en) * 2020-01-31 2022-04-26 International Business Machines Corporation Prediction of accident risk based on anomaly detection
CN111277603B (zh) * 2020-02-03 2021-11-19 杭州迪普科技股份有限公司 无监督异常检测系统和方法
JP7092818B2 (ja) * 2020-03-25 2022-06-28 株式会社日立製作所 異常検知装置
EP3893069A1 (de) * 2020-04-06 2021-10-13 Siemens Aktiengesellschaft Stationäre ursachenanalyse bei technischen anlagen
CN111708739B (zh) * 2020-05-21 2024-02-27 北京奇艺世纪科技有限公司 时序数据的异常检测方法、装置、电子设备及存储介质
JP2021184132A (ja) * 2020-05-21 2021-12-02 東芝ライフスタイル株式会社 情報処理システム
EP3916667A1 (en) * 2020-05-29 2021-12-01 Fortia Financial Solutions Real-time time series prediction for anomaly detection
CN113807527A (zh) * 2020-06-11 2021-12-17 华硕电脑股份有限公司 信号检测方法及使用其的电子装置
CN111930597B (zh) * 2020-08-13 2023-09-22 南开大学 基于迁移学习的日志异常检测方法
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
AU2020468806B2 (en) * 2020-09-18 2024-02-29 Nippon Telegraph And Telephone Corporation Learning device, learning method, and learning program
CN112598111B (zh) * 2020-12-04 2024-09-20 光大科技有限公司 异常数据的识别方法和装置
CN112565275B (zh) * 2020-12-10 2022-09-20 杭州安恒信息技术股份有限公司 一种网络安全场景的异常检测方法、装置、设备及介质
CN112685273B (zh) * 2020-12-29 2024-07-16 京东科技控股股份有限公司 异常检测方法、装置、计算机设备和存储介质
JP7359174B2 (ja) * 2021-03-01 2023-10-11 横河電機株式会社 測定データ記録装置、生成装置、システム、装置、方法およびプログラム
US11941155B2 (en) 2021-03-15 2024-03-26 EMC IP Holding Company LLC Secure data management in a network computing environment
CN113312809B (zh) * 2021-04-06 2022-12-13 北京航空航天大学 一种基于相关团划分的航天器遥测数据多参数异常检测方法
CN112990372B (zh) * 2021-04-27 2021-08-06 北京瑞莱智慧科技有限公司 一种数据处理方法、模型训练方法、装置及电子设备
CN113191678B (zh) * 2021-05-21 2023-01-10 联洋国融(北京)科技有限公司 基于物联网和人工智能的安全生产指标异常快速感知方法
CN113110403B (zh) * 2021-05-25 2022-05-17 中南大学 一种基于稀疏约束的工业过程离群点检测与故障诊断方法和系统
JP2022190376A (ja) * 2021-06-14 2022-12-26 株式会社日立製作所 異常検知システムおよび方法
CN113469247B (zh) * 2021-06-30 2022-04-01 广州天懋信息系统股份有限公司 网络资产异常检测方法
JP2023042945A (ja) * 2021-09-15 2023-03-28 株式会社東芝 監視装置、方法およびプログラム
CN114298141A (zh) * 2021-11-19 2022-04-08 中国华能集团清洁能源技术研究院有限公司 基于深度学习的发电设备异常检测方法及系统
CN114332537A (zh) * 2021-12-30 2022-04-12 畅捷通信息技术股份有限公司 一种基于深度学习的多云数据异常检测方法和系统
NO20220004A1 (en) * 2022-01-03 2023-07-04 Elliptic Laboratories Asa Robust virtual sensor
EP4220321A1 (de) * 2022-01-26 2023-08-02 Siemens Aktiengesellschaft Computer-implementiertes verfahren zur erkennung von abweichungen in einem herstellungsprozess
FI20225225A1 (en) * 2022-03-14 2023-09-15 Elisa Oyj METHOD AND SYSTEM FOR DETECTING ANOVAS IN TIME SERIES DATA
FR3140185A1 (fr) * 2022-09-22 2024-03-29 Safran Aircraft Engines Procédé et dispositif de détection d’anomalie de fonctionnement d’un aéronef
CN115495320B (zh) * 2022-11-16 2023-02-17 智联信通科技股份有限公司 一种基于大数据的通信机房防护的监测管理系统
FR3145426A1 (fr) * 2023-01-27 2024-08-02 Diagrams Technologies Procédé pour détecter des anomalies de fonctionnement d’un équipement industriel à partir de scores d’anomalie et installation correspondante

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007004769A (ja) * 2005-05-25 2007-01-11 Nippon Petroleum Refining Co Ltd 石油精製プラントのパラメータ予測装置及びパラメータ予測方法
US20070028219A1 (en) * 2004-10-15 2007-02-01 Miller William L Method and system for anomaly detection
US7457785B1 (en) * 2000-08-25 2008-11-25 Battelle Memorial Institute Method and apparatus to predict the remaining service life of an operating system
JP2013025367A (ja) * 2011-07-15 2013-02-04 Wakayama Univ 設備状態監視方法およびその装置
US20140006330A1 (en) * 2012-06-28 2014-01-02 International Business Machines Corporation Detecting anomalies in real-time in multiple time series data with automated thresholding
JP2014134987A (ja) * 2013-01-11 2014-07-24 Hitachi Ltd 情報処理システム監視装置、監視方法、及び監視プログラム
JP2015109024A (ja) * 2013-12-05 2015-06-11 日本電信電話株式会社 画像辞書生成装置、画像辞書生成方法及びコンピュータプログラム
JP2016045861A (ja) * 2014-08-26 2016-04-04 株式会社豊田中央研究所 異常診断装置及びプログラム
WO2016088362A1 (ja) * 2014-12-05 2016-06-09 日本電気株式会社 システム分析装置、システム分析方法および記憶媒体

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104020724B (zh) * 2013-03-01 2017-02-08 中芯国际集成电路制造(上海)有限公司 告警监控方法和装置
US9508075B2 (en) * 2013-12-13 2016-11-29 Cellco Partnership Automated transaction cancellation
US10228301B2 (en) * 2015-05-13 2019-03-12 Nec Corporation Water-leak state estimation system, method, and recording medium

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7457785B1 (en) * 2000-08-25 2008-11-25 Battelle Memorial Institute Method and apparatus to predict the remaining service life of an operating system
US20070028219A1 (en) * 2004-10-15 2007-02-01 Miller William L Method and system for anomaly detection
JP2007004769A (ja) * 2005-05-25 2007-01-11 Nippon Petroleum Refining Co Ltd 石油精製プラントのパラメータ予測装置及びパラメータ予測方法
JP2013025367A (ja) * 2011-07-15 2013-02-04 Wakayama Univ 設備状態監視方法およびその装置
US20140006330A1 (en) * 2012-06-28 2014-01-02 International Business Machines Corporation Detecting anomalies in real-time in multiple time series data with automated thresholding
JP2014134987A (ja) * 2013-01-11 2014-07-24 Hitachi Ltd 情報処理システム監視装置、監視方法、及び監視プログラム
JP2015109024A (ja) * 2013-12-05 2015-06-11 日本電信電話株式会社 画像辞書生成装置、画像辞書生成方法及びコンピュータプログラム
JP2016045861A (ja) * 2014-08-26 2016-04-04 株式会社豊田中央研究所 異常診断装置及びプログラム
WO2016088362A1 (ja) * 2014-12-05 2016-06-09 日本電気株式会社 システム分析装置、システム分析方法および記憶媒体

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020062650A (ja) * 2018-10-16 2020-04-23 アイダエンジニアリング株式会社 プレス機械及びプレス機械の異常監視方法
JP2022519228A (ja) * 2019-01-30 2022-03-22 ビューラー アーゲー 工業プロセスで使用されるコンポーネントから発生する信号の異常を検出及び測定するためのシステムと方法
JP7282184B2 (ja) 2019-01-30 2023-05-26 ビューラー アーゲー 工業プロセスで使用されるコンポーネントから発生する信号の異常を検出及び測定するためのシステムと方法
JP2020149531A (ja) * 2019-03-15 2020-09-17 株式会社リコー 診断装置、診断方法、及び診断プログラム
JP7358755B2 (ja) 2019-03-15 2023-10-11 株式会社リコー 診断装置、診断方法、及び診断プログラム
JPWO2020196195A1 (ja) * 2019-03-26 2020-10-01
JP7179159B2 (ja) 2019-03-26 2022-11-28 東京エレクトロン株式会社 状態判定装置、状態判定方法、コンピュータ読み取り可能な記録媒体及びプログラム
JP2020173786A (ja) * 2019-04-05 2020-10-22 三星ディスプレイ株式會社Ｓａｍｓｕｎｇ Ｄｉｓｐｌａｙ Ｃｏ．，Ｌｔｄ． トレースデータセットのデータ拡張のためのシステムおよび分類方法
JP7489784B2 (ja) 2019-04-05 2024-05-24 三星ディスプレイ株式會社 トレースデータセットのデータ拡張のためのシステムおよび分類方法
US11922301B2 (en) 2019-04-05 2024-03-05 Samsung Display Co., Ltd. System and method for data augmentation for trace dataset
JP2021039685A (ja) * 2019-09-05 2021-03-11 株式会社デンソーテン 異常検出装置および異常検出方法
JP2021056927A (ja) * 2019-10-01 2021-04-08 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
JP7204626B2 (ja) 2019-10-01 2023-01-16 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
WO2021149277A1 (ja) * 2020-01-21 2021-07-29 三菱重工エンジン＆ターボチャージャ株式会社 予測装置、予測方法およびプログラム
JP7381353B2 (ja) 2020-01-21 2023-11-15 三菱重工エンジン＆ターボチャージャ株式会社 予測装置、予測方法およびプログラム
JP2021114255A (ja) * 2020-01-21 2021-08-05 三菱重工エンジン＆ターボチャージャ株式会社 予測装置、予測方法およびプログラム
JP2021149733A (ja) * 2020-03-23 2021-09-27 昭和電工マテリアルズ株式会社 対策方法選定支援システム、及び方法
JP7484281B2 (ja) 2020-03-23 2024-05-16 株式会社レゾナック 対策方法選定支援システム、及び方法
JP7514143B2 (ja) 2020-08-19 2024-07-10 オルガノ株式会社 プラント設備の診断方法及び装置
WO2023002614A1 (ja) * 2021-07-21 2023-01-26 三菱電機株式会社 定常範囲決定システム、定常範囲決定方法、および、定常範囲決定プログラム
JP7353539B2 (ja) 2021-07-21 2023-09-29 三菱電機株式会社 定常範囲決定システム、定常範囲決定方法、および、定常範囲決定プログラム
JPWO2023002614A1 (ja) * 2021-07-21 2023-01-26
KR20240011247A (ko) * 2021-07-21 2024-01-25 미쓰비시덴키 가부시키가이샤 정상 범위 결정 시스템, 정상 범위 결정 방법, 및, 기억 매체에 저장된 정상 범위 결정 프로그램
KR102680482B1 (ko) 2021-07-21 2024-07-01 미쓰비시덴키 가부시키가이샤 정상 범위 결정 시스템, 정상 범위 결정 방법, 및, 기억 매체에 저장된 정상 범위 결정 프로그램
KR20230067423A (ko) * 2021-11-09 2023-05-16 주식회사 스피랩 딥러닝 기반 IIoT 설비 이상탐지 방법
KR102539448B1 (ko) * 2021-11-09 2023-06-05 주식회사 스피랩 딥러닝 기반 IIoT 설비 이상탐지 방법

Also Published As

Publication number Publication date
EP3379360A2 (en) 2018-09-26
JP7017861B2 (ja) 2022-02-09
CN108628281B (zh) 2021-01-26
CN108628281A (zh) 2018-10-09
EP3379360B1 (en) 2019-11-27
US20180275642A1 (en) 2018-09-27
EP3379360A3 (en) 2018-10-17

Similar Documents

Publication Publication Date Title
JP7017861B2 (ja) 異常検知システムおよび異常検知方法
JP6810097B2 (ja) 異常検出器
WO2019142331A1 (ja) 障害予測システムおよび障害予測方法
EP2905665B1 (en) Information processing apparatus, diagnosis method, and program
RU2724716C1 (ru) Система и способ формирования данных для мониторинга кибер-физической системы с целью раннего определения аномалий в системе графического интерфейса пользователя
KR20170117377A (ko) 애셋 헬스 스코어들 및 그 사용
WO2020066052A1 (ja) 監視システム及び監視方法
EP3416011B1 (en) Monitoring device, and method for controlling monitoring device
JP2020052714A5 (ja)
US11747035B2 (en) Pipeline for continuous improvement of an HVAC health monitoring system combining rules and anomaly detection
CN110709789B (zh) 用于监测可再生发电装置或微电网内的子系统的状况的方法和设备
JP2000259223A (ja) プラント監視装置
JP7481897B2 (ja) 監視装置、監視方法、プログラムおよびモデル訓練装置
TW202013110A (zh) 支援裝置、學習裝置以及廠房運轉條件設定支援系統
EP3416012B1 (en) Monitoring device, and method for controlling monitoring device
KR102108975B1 (ko) 함정설비의 상태기반 정비 지원 장치 및 방법
CN116907772A (zh) 桥梁结构监测传感器的自诊断与故障源鉴别方法及系统
Marhic et al. An evidential approach for detection of abnormal behaviour in the presence of unreliable sensors
JP6579163B2 (ja) プロセスの状態診断方法及び状態診断装置
KR102470520B1 (ko) 국제표준(sae j1739) 기반의 잠재적 고장 영향 분석 방법
JP2019191880A (ja) 設備管理支援システム
CN116235121A (zh) 识别用于执行生产过程的工业设施中的异常的装置和方法
US20240004379A1 (en) Anomaly classification device
JP2023038095A (ja) 装置管理システム、装置の障害原因推定方法、及びプログラム
CN117521478A (zh) 一种基于机器学习的云计算带外管理设备辅助告警方法

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20190311

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20190813

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20200213

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20200218

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200313

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20200825

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200924

C60 Trial request (containing other claim documents, opposition documents)

Free format text: JAPANESE INTERMEDIATE CODE: C60

Effective date: 20200924

A911 Transfer to examiner for re-examination before appeal (zenchi)

Free format text: JAPANESE INTERMEDIATE CODE: A911

Effective date: 20201002

C21 Notice of transfer of a case for reconsideration by examiners before appeal proceedings

Free format text: JAPANESE INTERMEDIATE CODE: C21

Effective date: 20201006

A912 Re-examination (zenchi) completed and case transferred to appeal board

Free format text: JAPANESE INTERMEDIATE CODE: A912

Effective date: 20201204

C211 Notice of termination of reconsideration by examiners before appeal proceedings

Free format text: JAPANESE INTERMEDIATE CODE: C211

Effective date: 20201208

C22 Notice of designation (change) of administrative judge

Free format text: JAPANESE INTERMEDIATE CODE: C22

Effective date: 20210309

C22 Notice of designation (change) of administrative judge

Free format text: JAPANESE INTERMEDIATE CODE: C22

Effective date: 20210413

C13 Notice of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: C13

Effective date: 20210622

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210819

C302 Record of communication

Free format text: JAPANESE INTERMEDIATE CODE: C302

Effective date: 20210827

C23 Notice of termination of proceedings

Free format text: JAPANESE INTERMEDIATE CODE: C23

Effective date: 20211214

C03 Trial/appeal decision taken

Free format text: JAPANESE INTERMEDIATE CODE: C03

Effective date: 20220118

C30A Notification sent

Free format text: JAPANESE INTERMEDIATE CODE: C3012

Effective date: 20220118

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220128

R150 Certificate of patent or registration of utility model

Ref document number: 7017861

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150