JP2019020982A - Abnormality detecting device, abnormality detecting method and program - Google Patents

Abnormality detecting device, abnormality detecting method and program Download PDF

Info

Publication number
JP2019020982A
JP2019020982A JP2017138269A JP2017138269A JP2019020982A JP 2019020982 A JP2019020982 A JP 2019020982A JP 2017138269 A JP2017138269 A JP 2017138269A JP 2017138269 A JP2017138269 A JP 2017138269A JP 2019020982 A JP2019020982 A JP 2019020982A
Authority
JP
Japan
Prior art keywords
abnormality
index
degree ratio
value
data
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
JP2017138269A
Other languages
Japanese (ja)
Other versions
JP6824121B2 (en
Inventor
元太 菊池
Genta KIKUCHI
元太 菊池
康平 丸地
Kohei Maruchi
康平 丸地
陽平 服部
Yohei Hattori
陽平 服部
Original Assignee
株式会社東芝
Toshiba Corp
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 株式会社東芝, Toshiba Corp filed Critical 株式会社東芝
Priority to JP2017138269A priority Critical patent/JP6824121B2/en
Publication of JP2019020982A publication Critical patent/JP2019020982A/en
Application granted granted Critical
Publication of JP6824121B2 publication Critical patent/JP6824121B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • BPERFORMING OPERATIONS; TRANSPORTING
    • B61RAILWAYS
    • B61LGUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L15/00Indicators provided on the vehicle or vehicle train for signalling purposes ; On-board control or communication systems
    • B61L15/0081On-board diagnosis or maintenance
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B61RAILWAYS
    • B61LGUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L27/00Central traffic control systems ; Track-side control or specific communication systems
    • B61L27/0083Track-side diagnosis or maintenance, e.g. software upgrades
    • B61L27/0088Track-side diagnosis or maintenance, e.g. software upgrades for track-side elements or systems, e.g. trackside supervision of trackside control system conditions
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B61RAILWAYS
    • B61LGUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L27/00Central traffic control systems ; Track-side control or specific communication systems
    • B61L27/0083Track-side diagnosis or maintenance, e.g. software upgrades
    • B61L27/0094Track-side diagnosis or maintenance, e.g. software upgrades for vehicles or vehicle trains, e.g. trackside supervision of train conditions

Abstract

To detect an abnormality on the basis of an index that stores a deviation rate.SOLUTION: An abnormality detecting device according to an embodiment includes a data obtaining unit, a performance index calculating unit, a performance index estimating unit, an abnormality level rate index creating unit and an abnormality detecting unit. The data obtaining unit obtains measured data. The performance index calculating unit calculates an actual value of a performance index from the measured data. The performance index estimating unit obtains an estimated value of the performance index from the measured data on the basis of a normal model that has been learnt in advance. The abnormality level rate index creating unit creates an abnormality level rate index that is an index indicating a deviation between the actual value and the estimated value on the basis of a plurality of predetermined thresholds, and a presence rate of the deviation that has a value equal to or greater than each of the plurality of predetermined thresholds. The abnormality detecting unit detects an abnormality on the basis of the abnormality level rate index.SELECTED DRAWING: Figure 1

Description

本発明の実施形態は、異常検知装置、異常検知方法およびプログラムに関する。   Embodiments described herein relate generally to an abnormality detection device, an abnormality detection method, and a program.

プラントや鉄道車両といった設備または移動体において、正常時の入出力関係をモデル化し、観測データと当該モデルに基づいて推定を行い、実績値と推定値との乖離を利用して異常検知を行うことは、広く行われている。このとき、乖離に対して特定の閾値を設定し、それを逸脱した場合に発報するとするのが一般的である。一般的には、上記閾値は物理的な知見に基づいて決定したり、確率分布の仮定や交差検証法によって求めたりする。   In facilities or moving bodies such as plants and railway vehicles, model the input / output relationship in the normal state, perform estimation based on the observation data and the model, and detect anomalies using the difference between the actual value and the estimated value Is widely done. At this time, it is common to set a specific threshold value for the divergence and issue a report when the threshold value is deviated. In general, the threshold value is determined based on physical knowledge, or obtained by a probability distribution assumption or a cross-validation method.

例えば、加工装置に装着されたモータの負荷に対応する電気的パラメータの波形から変動値を求めて、上記変動値に基づいて加工速度を低下させ、加工中断や工具の破損を最小限におさえることを可能とする技術が開発されている。また、半導体製造装置に付帯する補機において、複数種のパラメータから得られる座標点と、基準空間からの乖離を算出し、上記乖離を累積して異常検知を行う技術が考案されている。これらの技術においては、2以上の閾値を適切に設定する必要があり、または、小さな乖離を累積的に考慮する必要がある。しかしながら、一般的に、2つの閾値を適切に設定することは、困難であり、小さな乖離が積み重なることは、誤発報を引き起こす可能性が高くなる。   For example, the fluctuation value is obtained from the waveform of the electrical parameter corresponding to the load of the motor mounted on the machining device, the machining speed is reduced based on the fluctuation value, and machining interruption and tool breakage are minimized. Technology that enables this is being developed. In addition, a technology has been devised for an auxiliary device attached to a semiconductor manufacturing apparatus that calculates a deviation from a coordinate point obtained from a plurality of types of parameters and a reference space, and accumulates the deviation to detect an abnormality. In these techniques, it is necessary to appropriately set a threshold value of 2 or more, or it is necessary to consider a small deviation cumulatively. However, in general, it is difficult to set the two thresholds appropriately, and the accumulation of small divergences increases the possibility of causing false alarms.

特開2016−87781号公報JP, 2006-87781, A

乖離の割合を格納する指標に基づく異常検知装置を提供する。   An anomaly detection device based on an index that stores a deviation rate is provided.

一実施形態による異常検知装置は、データ取得部と、性能指標算出部と、性能指標推定部と、異常度割合指標生成部と、異常検知部と、を備える。データ取得部は、測定データを取得する。性能指標算出部は、前記測定データから性能指標の実績値を算出する。性能指標推定部は、あらかじめ学習された正常モデルに基づいて前記測定データから性能指標の推定値を取得する。異常度割合指標生成部は、前記実績値と、前記推定値との乖離を示す指標である異常度割合指標を、複数の所定の閾値、および、それぞれの前記所定の閾値以上の値を持つ前記乖離の存在割合に基づいて生成する。異常検知部は、前記異常度割合指標に基づいて異常を検知する。   An abnormality detection device according to an embodiment includes a data acquisition unit, a performance index calculation unit, a performance index estimation unit, an abnormality degree ratio index generation unit, and an abnormality detection unit. The data acquisition unit acquires measurement data. The performance index calculation unit calculates a performance value of the performance index from the measurement data. The performance index estimation unit acquires an estimated value of the performance index from the measurement data based on a normal model learned in advance. The abnormality degree ratio index generation unit includes an abnormality degree ratio index that is an index indicating a deviation between the actual value and the estimated value, a plurality of predetermined threshold values, and a value equal to or greater than each of the predetermined threshold values. Generated based on the existence ratio of divergence. The abnormality detection unit detects an abnormality based on the abnormality degree ratio index.

一実施形態に係る異常検知装置のブロック図。The block diagram of the abnormality detection apparatus which concerns on one Embodiment. 一実施形態に係る異常度割合指標の生成処理を示すフローチャート。The flowchart which shows the production | generation process of the abnormality degree ratio parameter | index which concerns on one Embodiment. 実測値、推定値、および、乖離の例を示す図。The figure which shows the example of a measured value, an estimated value, and deviation. 異常度割合指標の例を示す図。The figure which shows the example of an abnormality degree ratio parameter | index. 異常度割合分布指標の例を示す図。The figure which shows the example of an abnormality degree ratio distribution parameter | index. 異常度割合指標および異常度割合分布指標の比較例を示す図。The figure which shows the comparative example of an abnormality degree ratio parameter | index and an abnormality degree ratio distribution parameter | index. 異常度割合指標および異常度割合分布指標の別の比較例を示す図。The figure which shows another comparative example of an abnormality degree ratio parameter | index and an abnormality degree ratio distribution parameter | index. 一実施形態に係る異常検知処理を示すフローチャート。The flowchart which shows the abnormality detection process which concerns on one Embodiment. 一実施形態に係る要因分析支援装置のブロック図。The block diagram of the factor analysis assistance apparatus which concerns on one Embodiment. 異常度検知結果の例を示す図。The figure which shows the example of an abnormality degree detection result. 要因分析の例を示す図。The figure which shows the example of factor analysis. 要因分析の別の例を示す図。The figure which shows another example of factor analysis. 一実施形態に係る要因分析処理を示すフローチャート。The flowchart which shows the factor analysis process which concerns on one Embodiment. 一実施形態に係る閾値自動調節装置の例を示す図。The figure which shows the example of the threshold value automatic adjustment apparatus which concerns on one Embodiment. 一実施形態に係る異常検知システムのブロック図。The block diagram of the abnormality detection system which concerns on one Embodiment. 一実施形態におけるハードウェア構成の一例を示すブロック図。The block diagram which shows an example of the hardware constitutions in one Embodiment.

以下、図面を参照しながら、実施形態について詳しく説明する。以下の説明においては、一例として鉄道車両の異常検知について記載するが、本発明は、鉄道車両に限定されるものではなく、様々な設備および移動体に適用することが可能である。なお、各実施形態において、ユーザとは、原則的には、オブザーバ、アドミニストレータまたはメンテナ等、異常検知を行う必要がある者であるとするが、これらには限られない。   Hereinafter, embodiments will be described in detail with reference to the drawings. In the following description, an abnormality detection of a railway vehicle will be described as an example. However, the present invention is not limited to the railway vehicle, and can be applied to various facilities and moving bodies. In each embodiment, the user is basically a person who needs to detect an abnormality, such as an observer, administrator, or maintainer, but is not limited thereto.

(第1実施形態)
本実施形態に係る異常検知装置は、所定の状態量の実績値と推定値との乖離(ずれ)を示す指標である異常度割合指標を生成し、当該異常度割合指標に基づいて異常を検知する。図1は、本実施形態に係る異常検知装置1の機能を示すブロック図である。
(First embodiment)
The abnormality detection device according to the present embodiment generates an abnormality degree ratio index that is an index indicating a deviation (deviation) between the actual value of a predetermined state quantity and the estimated value, and detects an abnormality based on the abnormality degree ratio index. To do. FIG. 1 is a block diagram illustrating functions of the abnormality detection device 1 according to the present embodiment.

異常検知装置1は、データ取得部10と、モデル取得部12と、性能指標算出部14と、性能指標推定部16と、異常度割合指標生成部18と、異常度割合指標保存部20と、異常度割合分布指標生成部22と、異常検知部24と、モード切替部26と、出力部28と、を備える。この異常検知装置1は、地上装置として鉄道の運行管理会社の施設や運転指令所内等、車両外に設置されていてもよいし、車上装置として車両内に設置されていてもよい。異常検知装置1の設置形態は特に限定されない。   The abnormality detection device 1 includes a data acquisition unit 10, a model acquisition unit 12, a performance index calculation unit 14, a performance index estimation unit 16, an abnormality degree ratio index generation unit 18, an abnormality degree ratio index storage unit 20, An abnormality degree ratio distribution index generation unit 22, an abnormality detection unit 24, a mode switching unit 26, and an output unit 28 are provided. This anomaly detection device 1 may be installed outside the vehicle as a ground device in a railway operation management company facility or an operation command center, or may be installed in the vehicle as an on-vehicle device. The installation form of the abnormality detection device 1 is not particularly limited.

異常検知装置1が地上装置として車両外に設置されている場合、車両内のシステムの計測情報等を、一例として、車上子、トランスポンダ地上子、および地上の情報ネットワークを介して受信する。つまり、車両内のシステムが、地上子等を介して地上の情報ネットワークにデータを送信し、異常検知装置1が、データを地上の情報ネットワークを介して受信する。地上の情報ネットワークには、メタリックケーブル、同軸ケーブル、光ケーブル、電話回線、無線、イーサネット(登録商標)等を用いることができるが、特に方式は問わない。異常検知装置1は、地上の情報ネットワークを経由して各種DBからデータを取得してもよい。   When the anomaly detection device 1 is installed outside the vehicle as a ground device, the measurement information of the system in the vehicle is received as an example via the vehicle upper element, the transponder ground element, and the ground information network. That is, the system in the vehicle transmits data to the ground information network via the ground unit or the like, and the abnormality detection device 1 receives the data via the ground information network. A metallic cable, coaxial cable, optical cable, telephone line, wireless, Ethernet (registered trademark), etc. can be used for the information network on the ground, but the system is not particularly limited. The abnormality detection device 1 may acquire data from various DBs via a ground information network.

異常検知装置1が車上装置である場合、異常検知装置1は車両内の情報ネットワークを介して車両内のシステムからデータを取得する。車両内の情報ネットワークにはイーサネットや無線LAN(Local Area Network)などがあるが、その他の方式によるものであってもよい。異常検知装置1は、車上子やトランスポンダ地上子を用いて地上の情報ネットワークに接続されている各種DBからデータを取得してもよい。   When the abnormality detection device 1 is an on-vehicle device, the abnormality detection device 1 acquires data from a system in the vehicle via an information network in the vehicle. There are Ethernet, wireless LAN (Local Area Network), etc. in the information network in the vehicle, but other information systems may be used. The anomaly detection device 1 may acquire data from various DBs connected to the ground information network using a vehicle upper element or a transponder ground element.

データ取得部10は、鉄道車両で計測されたデータまたは気温などの環境データが格納されたセンサデータDB(Database)42からセンサデータを取得する。このデータは、車両または地上装置どちらに保存されていてもよく、あるいは、異常検知装置1内に備えられているものでもよい。センサデータを取得するセンシング周期や、データを記憶するための記憶媒体についても特に限定はない。   The data acquisition unit 10 acquires sensor data from a sensor data DB (Database) 42 in which environmental data such as data measured by a railway vehicle or temperature is stored. This data may be stored in either the vehicle or the ground device, or may be provided in the abnormality detection device 1. There is no particular limitation on the sensing cycle for acquiring sensor data and the storage medium for storing the data.

例えば、減速度に着目する場合は、ミリ秒単位の短いサンプリング周期で取得されたセンサデータがセンサデータDB 42に保存されている。データ項目としては、例えば、時刻、位置情報、キロ程、速度、ブレーキノッチ、力行ノッチ、BC(Brake Cylinder)圧、AS(Air Spring)圧等の情報が挙げられ、その他の現実的に測定可能および測定値から算出可能な対象であれば種類は問わない。なお、鉄道以外の場合に保存されるデータの例としては、温度、湿度、流量、電流、電圧、圧力、位置等が挙げられる。   For example, when paying attention to deceleration, sensor data acquired at a short sampling period in milliseconds is stored in the sensor data DB 42. Data items include information such as time, position information, kilometer, speed, brake notch, power running notch, BC (Brake Cylinder) pressure, AS (Air Spring) pressure, and other realistic measurements. Any type can be used as long as it can be calculated from the measured values. Examples of data stored in cases other than railways include temperature, humidity, flow rate, current, voltage, pressure, position, and the like.

モデル取得部12は、正常モデルDB 44から、あらかじめ作成した正常モデルを取得する。正常モデルDB 44は、例えば、減速度といった所定の指標に対して回帰モデルの構築や統計量の算出を行い、正常状態として保存しておくデータベースである。着目する指標は、センサデータDB 42に保存されている指標または上記指標から算出可能なものであれば構わない。データを取得するタイミングまたは量はパラメータDB 46に保存してあり、データ取得部10およびモデル取得部12ともにこの情報に基づいて各種データベースからデータを取得する。   The model acquisition unit 12 acquires a normal model created in advance from the normal model DB 44. The normal model DB 44 is a database that constructs a regression model and calculates a statistic for a predetermined index such as deceleration and stores it as a normal state. The index of interest may be an index stored in the sensor data DB 42 or any index that can be calculated from the index. The timing or amount of data acquisition is stored in the parameter DB 46, and the data acquisition unit 10 and the model acquisition unit 12 acquire data from various databases based on this information.

なお、この正常モデルDB 44およびパラメータDB 46も、センサデータDB 42と同様に備えられている場所は問わない。外部にある場合には、異常検知装置1とネットワークを介して接続されていてもよい。これらDBは、リレーショナルデータベースマネジメントシステムや各種NoSQLシステムにより実装することができるが、その他の方式を用いることもできる。また、データベースの保存のフォーマットとしては、XML、JSON、CSVなどでもよいし、バイナリ形式などその他の形式でもよい。異常検知装置1に利用される全てのデータベースが同一のデータベースシステムおよび保存フォーマットで実現されている必要は無く、複数の方式によるものが混在していてもよい。   The normal model DB 44 and the parameter DB 46 may be provided in the same manner as the sensor data DB 42. If it is external, it may be connected to the abnormality detection device 1 via a network. These DBs can be implemented by a relational database management system or various NoSQL systems, but other methods can also be used. The database storage format may be XML, JSON, CSV, or other formats such as binary format. It is not necessary for all databases used in the abnormality detection apparatus 1 to be realized by the same database system and storage format, and a plurality of methods may be mixed.

性能指標算出部14は、取得したデータに基づき、所望の性能指標の実績値を算出する。算出結果は、スカラー量としてまたはベクトルデータとして与えられる。例えば、鉄道の速度を性能指標として算出する場合、取得した加速度、移動距離等のデータから速度の実績値を算出する。尤も、タコメータ等により速度のデータを取得した場合には、当該速度のデータをそのまま性能指標の実績値としてもよい。算出する実績値は、速度には限られず、例えば、加速度、減速度、移動距離等、その他の性能を示すことが可能である指標であってもよい。   The performance index calculation unit 14 calculates a performance value of a desired performance index based on the acquired data. The calculation result is given as a scalar quantity or as vector data. For example, when calculating the speed of a railway as a performance index, the actual speed value is calculated from the acquired data such as acceleration and moving distance. However, when speed data is acquired by a tachometer or the like, the speed data may be used as the actual performance index value. The performance value to be calculated is not limited to speed, and may be an index that can indicate other performance such as acceleration, deceleration, moving distance, and the like.

性能指標推定部16は、取得したデータと、取得した正常モデルに基づき、性能指標の推定値を取得する。取得結果は、性能指標の実績値と同様に、スカラー量としてまたは実績値と同じ次元を有するベクトルデータとして与えられる。例えば、鉄道の速度を性能指標として推定する場合、力行ノッチ、ブレーキノッチ等の情報から、正常モデルに基づいた性能指標の推定値を取得する。   The performance index estimation unit 16 acquires an estimated value of the performance index based on the acquired data and the acquired normal model. The acquisition result is given as a scalar quantity or vector data having the same dimension as the actual value, similarly to the actual value of the performance index. For example, when estimating the speed of a railway as a performance index, an estimated value of the performance index based on a normal model is acquired from information such as a power running notch and a brake notch.

正常モデルは、例えば、回帰モデル、サポートベクタマシン、自己回帰などその生成方法は限定されるものではない。取得したセンサデータ等から適切に性能指標を得られるものであれば、どのような方法で最適化を行ったものでもよい。性能指標として、例えば、減速度を用いる場合、正常モデルは、正常な状態のブレーキシステムにおいて取得されたセンサデータ等から生成されたモデルである。この際データ取得部10が取得するデータが説明変数となるようにモデルを生成することにより、このモデルを用いて予測値を取得することが可能となる。   The generation method of the normal model is not limited, for example, a regression model, a support vector machine, or autoregression. As long as the performance index can be appropriately obtained from the acquired sensor data or the like, the optimization may be performed by any method. For example, when deceleration is used as a performance index, the normal model is a model generated from sensor data or the like acquired in a brake system in a normal state. At this time, by generating a model so that the data acquired by the data acquisition unit 10 becomes an explanatory variable, it is possible to acquire a predicted value using this model.

また、天候等を考慮して正常モデルを生成しておいてもよい。この場合、実績値において得られている天候等のパラメータに併せて正常モデルを変更することにより、実績値を算出した状態により近い状態において推定値を取得することが可能となる。この天候等の情報は、例えば、センサデータと併せて保存されている。   In addition, a normal model may be generated in consideration of the weather and the like. In this case, it is possible to obtain an estimated value in a state closer to the state in which the actual value is calculated by changing the normal model in accordance with a parameter such as weather obtained in the actual value. Information such as the weather is stored together with the sensor data, for example.

異常度割合指標生成部18は、上記の実績値と、推定値とに基づき、異常度割合指標を生成する。この異常度割合指標は、推定値の実績値との乖離に基づいて生成される。より具体的には、実績値と推定値とから算出された乖離データの全個数に対する、その絶対値が所定の閾値以上となる乖離データの個数の割合(存在割合)に基づいて生成される。図2は、異常度割合指標を生成する処理を示すフローチャートである。   The abnormality degree ratio index generation unit 18 generates an abnormality degree ratio index based on the above-described actual value and the estimated value. This abnormality degree ratio index is generated based on the deviation of the estimated value from the actual value. More specifically, it is generated based on the ratio (existence ratio) of the number of deviation data whose absolute value is equal to or greater than a predetermined threshold with respect to the total number of deviation data calculated from the actual value and the estimated value. FIG. 2 is a flowchart showing a process of generating an abnormality degree ratio index.

まず、異常度割合指標生成部18は、取得した推定値と算出した実績値とから乖離データを算出する(S100)。乖離とは、例えば、推定値のある要素から実績値の対応する要素を引いた値を示す。別の例として、推定値のある要素と実績値の対応する要素との差(上記の絶対値)であってもよい。すなわち、乖離データは、スカラー量、または、実績値および推定値と同じ次元を有するベクトルデータである。   First, the abnormality degree ratio index generation unit 18 calculates deviation data from the acquired estimated value and the calculated actual value (S100). The divergence indicates, for example, a value obtained by subtracting the corresponding element of the actual value from the element having the estimated value. As another example, it may be a difference (the above absolute value) between an element having an estimated value and a corresponding element of the actual value. That is, the deviation data is vector data having the same dimension as the scalar quantity or the actual value and the estimated value.

図3は、性能指標の実績値(上図実線)、推定値(同破線)およびこれらの値に対する乖離データ(下図実線)を示すグラフである。これらのデータは、例えば、鉄道が停車する前の減速度の遷移について示すものである。この図3に示すように、ある速度で運行している鉄道が停車駅の手前からブレーキ操作により減速を始め、速さがある程度遅くなったところで減速度も落としていき、速さが0になったタイミングにおいて減速度も0となり停止する。   FIG. 3 is a graph showing performance values (upper solid line), estimated values (broken line), and deviation data (lower solid line) for these values. These data indicate, for example, the transition of deceleration before the railway stops. As shown in FIG. 3, a railway operating at a certain speed starts to decelerate by a brake operation before the stop station, and when the speed slows down to some extent, the deceleration decreases, and the speed becomes zero. At the same timing, the deceleration becomes zero and stops.

実績値は、実際に運転手がノッチ操作により理想に近い操作を行うことにより、なめらかに変化している。一方、推定値は、ブレーキノッチを操作した際のモデルに基づいた変化をする。例えば、実際には起こらないようなオーバーシュートが発生し、または、実際には減速度を一定の値に保つために行っている細かいノッチ操作がモデルにより反映された結果、推定値は安定していない状態となる。モデルが精巧に生成されていたとしても、これらは、天候やその日の線路の状態により起こりうるものである。また、ブレーキシステムに何らかの異常がある場合には、この乖離は大きくなる傾向となる。   The actual value changes smoothly when the driver actually performs an operation closer to the ideal by the notch operation. On the other hand, the estimated value changes based on the model when the brake notch is operated. For example, an overshoot that does not occur in reality occurs, or the estimated value is stable as a result of the model reflecting a fine notch operation that is actually performed to keep the deceleration constant. No state. Even if the model is elaborately generated, these can occur due to weather and track conditions of the day. In addition, when there is some abnormality in the brake system, this deviation tends to increase.

図3において、乖離データは、上述したように推定値から実績値を引いた値の遷移を示すものであり、この乖離データの状況により、操作に対して実際予測される性能指標と、実績値との差異を判断する。乖離データのある要素が大きい場合には、何らかの異常が発生していると判断することができるが、上述したように、実際に操作した場合の実績値は、モデル通りに現れてくるとは限られず、多少の乖離は許容してもよい場合が多い。これらの乖離を示す指標が、異常度割合指標となる。   In FIG. 3, the divergence data indicates a transition of a value obtained by subtracting the actual value from the estimated value as described above, and the performance index and the actual value that are actually predicted for the operation depending on the situation of the divergence data. To determine the difference. If some element of the deviation data is large, it can be determined that some abnormality has occurred, but as described above, the actual value when actually operated does not always appear as the model. In many cases, some deviation may be allowed. An index indicating these divergences is an abnormality degree ratio index.

図2に戻り、次に、異常度割合指標を初期化する(S102)。この初期化は、例えば、異常度割合指標がマトリクスである場合、マトリクスの各成分を0、NaN、NULL等の値に置き換える作業を言う。なお、これらのステップS100およびS102は順番が前後してもよいし、異常度割合指標の初期化は、この処理中ではなくとも、他の適切なタイミングにおいて行われてもよい。   Returning to FIG. 2, next, the abnormality degree ratio index is initialized (S102). This initialization refers to an operation of replacing each component of the matrix with a value such as 0, NaN, or NULL when the abnormality degree ratio index is a matrix. Note that the order of these steps S100 and S102 may be changed, and the initialization of the abnormality degree ratio index may be performed at another appropriate timing even if this process is not being performed.

次に、閾値に関するループに入る(S104)。異常度割合指標は、複数の所定の閾値に基づいて生成される。以下では、一例として、閾値A、B、・・・、H(A<B<・・・<H)の8個の所定の閾値を用いる場合について説明する。   Next, a loop related to the threshold value is entered (S104). The abnormality degree ratio index is generated based on a plurality of predetermined threshold values. In the following, a case where eight predetermined threshold values A, B,..., H (A <B <... <H) are used will be described as an example.

そして、上記の閾値に対する割合に関するループに入る(S106)。異常度割合指標は、複数の所定の閾値に基づいて生成されることは上述したとおりであるが、さらに、複数の所定の割合にも基づいている。以下では、一例として、割合a、b、・・・、h(a<b<・・・<h)の8個の所定の割合を用いる場合について説明する。   Then, a loop related to the ratio to the threshold value is entered (S106). As described above, the abnormality degree ratio index is generated based on a plurality of predetermined thresholds, but is also based on a plurality of predetermined ratios. Hereinafter, as an example, a case where eight predetermined ratios of ratios a, b,..., H (a <b <... <H) are used will be described.

各ループの中では、算出した乖離データの値、所定の閾値および所定の割合に基づいて異常度割合指標を更新する(S108)。   In each loop, the abnormality degree ratio index is updated based on the calculated deviation data value, a predetermined threshold value, and a predetermined ratio (S108).

図4(a)は、異常度割合指標をマトリクスで表した異常度割合マトリクスの一例を示す図である。上記の各ループ処理となるS104およびS106は、このマトリクスの各成分に対するループの処理を表している。   FIG. 4A is a diagram illustrating an example of an abnormality degree ratio matrix in which an abnormality degree ratio index is represented by a matrix. S104 and S106, which are the loop processes described above, represent the loop process for each component of the matrix.

各成分は、(算出された乖離データのうち、所定の閾値以上となる要素の数)/(算出された乖離データの全要素数)が、所定の割合以上となる場合に1(第1所定値)であり、そうで無い場合に0(第2所定値)となるように更新される。0(第2所定値)で初期化を行った場合においては、一番小さい所定の割合未満である場合には更新を行わないようにしてもよい。また、S102における初期化は、このS108で行われる成分の更新を全ての成分に対して行うことを条件に省略してもよい。   Each component is 1 (first predetermined value) when (the number of elements of the calculated deviation data that is equal to or greater than a predetermined threshold value) / (total number of elements of the calculated deviation data) is equal to or greater than a predetermined ratio. Value), and if not, it is updated to be 0 (second predetermined value). When the initialization is performed with 0 (second predetermined value), the update may not be performed if it is less than the smallest predetermined ratio. Further, the initialization in S102 may be omitted on condition that the component update performed in S108 is performed for all components.

より具体的な例で説明する。乖離データが100個の要素を備えるベクトルデータであり、割合aが、0.05(5%)であったとする。このような場合において、乖離データの中で、閾値A以上のデータが5個以上ある場合、図4(a)の一番左下の成分、すなわち、閾値A、割合aの成分に1が代入される。   A more specific example will be described. It is assumed that the deviation data is vector data having 100 elements, and the ratio a is 0.05 (5%). In such a case, if there are five or more data of the deviation A or more in the deviation data, 1 is assigned to the lower left component of FIG. 4A, that is, the component of the threshold A and the ratio a. The

次に、閾値A、割合bについて成分を更新する(S106〜S108)。例えば、割合bが、0.10であったとする。このような場合において、乖離データの中で、閾値A以上のデータが10個以上ある場合、図4(a)の一番左の列の下から2番目の行の成分、すなわち、閾値A、割合bの成分に1が代入される。   Next, the components are updated for the threshold A and the ratio b (S106 to S108). For example, assume that the ratio b is 0.10. In such a case, when there are 10 or more pieces of data that are greater than or equal to the threshold A in the deviation data, the components in the second row from the bottom of the leftmost column in FIG. 1 is assigned to the component of the ratio b.

このS106〜S108は、割合hまで繰り返される。例えば、割合hが、0.40であり、かつ、乖離データの中で、閾値A以上のデータが37個しかなかった場合、閾値A、割合hの成分には、0が代入される。   S106 to S108 are repeated up to the rate h. For example, when the ratio h is 0.40 and there are only 37 pieces of data that are equal to or greater than the threshold A in the deviation data, 0 is substituted for the components of the threshold A and the ratio h.

次に、S104の処理に戻り、閾値Bから上記の割合のループが繰り返される。そして、閾値H、割合hまでの処理が終了したところで、図4(a)のような異常度割合マトリクスの成分が代入され、異常度割合指標を保存して(S110)異常度割合指標を算出する処理は終了する。   Next, returning to the processing of S104, the loop of the above ratio is repeated from the threshold B. When the processing up to the threshold value H and the ratio h is completed, the components of the abnormality degree ratio matrix as shown in FIG. 4A are substituted, the abnormality degree ratio index is stored (S110), and the abnormality degree ratio index is calculated. The processing to end is completed.

このループの処理は、閾値A、B、・・・、Hの値を階級とするヒストグラムを生成しておくことにより高速化することも可能である。ヒストグラムは、例えば、S100の乖離の値を算出するステップにおいて生成しておいてもよい。なお、上述した例の割合a、b、h等は、一例として示したものであり、これには限られない。用途や異常の要因により適宜変更してもよい。例えば、h=1.0とすると、hの行は、実績値と推定値に一致する要素が1つでもあるときには全ての要素が0となる。   The processing of this loop can be speeded up by generating a histogram having thresholds A, B,. For example, the histogram may be generated in the step of calculating the divergence value in S100. In addition, the ratios a, b, h, and the like in the above-described examples are shown as examples, and are not limited thereto. You may change suitably according to a use or the factor of abnormality. For example, if h = 1.0, the row of h is zero for all elements when there is at least one element that matches the actual value and the estimated value.

図4(b)は、異常度割合指標をマトリクスではなくベクトルで示したものである。このように、ベクトルとして各成分を格納するものであってもよい。また別の例としては、閾値A、B、・・・、Hの要素数に対するベクトル、この場合8成分のベクトルに、どの割合まで1が代入されているかを示すものであってもよい。例えば、図4(a)のようなマトリクスになる場合、[7,7,6,5,3,2,1,0]という短いベクトルデータを異常度割合指標としてもよい。このようにすることにより、データの保存領域を削減することが可能となる。異常検知をする場合には、異常度割合マトリクスを使用し、保存する際に、上記のような閾値の個数個の成分を有するベクトルへと変換して保存するようにしてもよい。   FIG. 4B shows the degree of abnormality ratio index as a vector instead of a matrix. Thus, each component may be stored as a vector. As another example, it is possible to indicate to what extent 1 is assigned to a vector for the number of elements of thresholds A, B,..., H, in this case, an 8-component vector. For example, in the case of a matrix as shown in FIG. 4A, short vector data [7, 7, 6, 5, 3, 2, 1, 0] may be used as the abnormality degree ratio index. By doing so, it is possible to reduce the data storage area. When detecting abnormality, an abnormality degree ratio matrix may be used, and when it is stored, it may be converted into a vector having the above-mentioned threshold number of components and stored.

図1の構成の説明へと戻る。異常度割合指標保存部20は、異常度割合指標生成部18が生成した異常度割合指標を保存する。生成された各異常度割合指標に対してユニークなID(Identifier)を併せて保存するようにしてもよい。さらには、保存された日時等を併せて保存するようにしてもよい。   Returning to the description of the configuration of FIG. The abnormality degree ratio index storage unit 20 stores the abnormality degree ratio index generated by the abnormality degree ratio index generation unit 18. A unique ID (Identifier) may be stored together with each generated abnormality degree ratio index. Furthermore, you may make it preserve | save together with the preserve | saved date.

異常度割合分布指標生成部22は、異常度割合指標保存部20に保存されている異常度割合指標を用いて異常度割合分布指標を生成する。異常度割合分布指標とは、過去の異常度割合指標に基づいた、過去の異常度割合指標の分布を示す指標である。異常度割合分布指標は、成分の値が1に近いほど、過去において閾値と割合の組み合わせについて同じ状況が発生した確率が高く、0に近いほど過去に起こらなかった状況であることを示す。   The abnormality degree ratio distribution index generation unit 22 uses the abnormality degree ratio index stored in the abnormality degree ratio index storage unit 20 to generate an abnormality degree ratio distribution index. The abnormality degree ratio distribution index is an index indicating the distribution of past abnormality degree ratio indices based on the past abnormality degree ratio indices. The degree of abnormality ratio distribution index indicates that the closer the value of the component is to 1, the higher the probability that the same situation has occurred in the past for the combination of the threshold and the ratio, and the closer the value is to 0, the less likely the situation has occurred in the past.

図5は、図4(b)に示した異常度割合マトリクスに基づいて異常度割合分布指標として異常度割合分布マトリクスを生成したものである。例えば、異常度割合マトリクスが異常度割合指標として異常度割合指標保存部20に保存されている場合、過去の複数の異常度割合マトリクスの要素毎の和を算出し、和をとった異常度割合マトリクスの総数で割ったものである。図4(b)のベクトル形式である場合も同様に生成することが可能である。上述したように短いベクトルとして異常度割合指標を保存した場合には、各成分を計算する際に展開して分布を求めるようにしてもよい。   FIG. 5 shows an abnormality ratio distribution matrix generated as an abnormality ratio distribution index based on the abnormality ratio matrix shown in FIG. For example, when the abnormality degree ratio matrix is stored in the abnormality degree ratio index storage unit 20 as an abnormality degree ratio index, the sum of each element of a plurality of past abnormality degree ratio matrices is calculated, and the abnormality degree ratio obtained by taking the sum Divide by the total number of matrices. In the case of the vector format shown in FIG. 4B, it can be generated in the same manner. As described above, when the abnormality degree ratio index is stored as a short vector, the distribution may be obtained by developing each component when calculating it.

異常度割合分布指標の生成は、保存されている過去分の全ての異常度割合指標から算出してもよいし、現在判断したい天候、気温等の状況に合わせた異常度割合指標から算出するようにしてもよい。さらに、単純に平均をとるのではなく、最近のものほど重み付けを重くした重み付け平均を異常度割合分布指標として算出してもよい。   The generation of the abnormal degree ratio distribution index may be calculated from all the stored abnormal degree ratio indices for the past, or from the abnormal degree ratio index that matches the current situation such as weather and temperature. It may be. Furthermore, instead of simply taking an average, a weighted average in which the weight is weighted more recently may be calculated as the abnormality ratio distribution index.

異常検知部24は、異常度割合指標と異常度割合分布指標とに基づいて異常検知を行う。図6(a)は、異常度割合マトリクスの例を示した図であり、図6(b)は、異常度割合分布マトリクスの例を示した図である。図6(a)に示すように、異常度割合マトリクスは、1(第1所定値)か0(第2所定値)の二値で表されるものである。この、0と1の境目が図中に太線で示されている。   The abnormality detection unit 24 performs abnormality detection based on the abnormality degree ratio index and the abnormality degree ratio distribution index. FIG. 6A is a diagram illustrating an example of the abnormality degree ratio matrix, and FIG. 6B is a diagram illustrating an example of the abnormality degree ratio distribution matrix. As shown in FIG. 6A, the abnormality degree ratio matrix is represented by a binary value of 1 (first predetermined value) or 0 (second predetermined value). The boundary between 0 and 1 is indicated by a thick line in the figure.

図6(b)には、図6(a)に示した太線と同一の太線を描画している。この図6(b)において、要素が0である成分の上側または右側に太線が存在している箇所が存在する。具体的には、閾値E割合d、閾値F割合c、dの成分において、太線が0の上側または右側に存在している。異常度割合分布マトリクスにおいては、値が0である成分については、過去に起こっていない閾値と割合の組み合わせであるので、これらの閾値と割合の組み合わせは、過去の乖離データの分布とは異なるものである。このように過去のデータと異なる状況がある場合に、異常検知部24は、異常があることを検知する。   In FIG. 6B, the same thick line as that shown in FIG. 6A is drawn. In FIG. 6B, there is a portion where a thick line exists on the upper side or the right side of the component whose element is 0. Specifically, the thick line exists on the upper side or the right side of 0 in the components of the threshold E ratio d and the threshold F ratio c, d. In the anomaly degree distribution matrix, the component with a value of 0 is a combination of a threshold and a ratio that has not occurred in the past. Therefore, the combination of the threshold and the ratio is different from the distribution of past deviation data. It is. Thus, when there is a situation different from the past data, the abnormality detection unit 24 detects that there is an abnormality.

ベクトル形式のデータでは、異常度割合指標において1であるが、異常度割合分布指標において0である成分がこのような過去のデータと異なる状況であることを示す。短いベクトルデータ形式では、例えば、各閾値において、異常度割合分布指標がどの割合まで分布しているかのデータと、異常度割合分布指標とを比較するようにしてもよい。図6(a)および図6(b)の例であれば、異常度割合指標が[7,6,5,4,4,4,1,0]であり、異常度割合分布指標が[7,7,6,5,3,2,1,0]であるので、閾値E、閾値Fにおいて異常を検知することが可能である。割合についても閾値Eであれば、4番目、すなわち割合dにおいて、閾値Fであれば、3番目と4番目、すなわち割合c、dにおいて相違することを読み取ることが可能である。   In the vector format data, the abnormal degree ratio index is 1, but the component that is 0 in the abnormal degree ratio distribution index indicates a situation different from such past data. In the short vector data format, for example, it is possible to compare to what threshold the degree of abnormality rate distribution index is distributed at each threshold and the degree of abnormality rate distribution index. In the example of FIGS. 6A and 6B, the abnormality degree ratio index is [7, 6, 5, 4, 4, 4, 1, 0], and the abnormality degree ratio distribution index is [7. , 7, 6, 5, 3, 2, 1, 0], it is possible to detect an abnormality in the threshold value E and the threshold value F. If the ratio is also the threshold value E, it is possible to read that the fourth, that is, the ratio d, and the threshold value F, the difference between the third and fourth, that is, the ratios c and d.

なお、上記においては、異常度割合指標が1であり、異常度割合指標分布が0である場合、すなわち、閾値(以下、検知閾値という)を0とし、異常度割合指標が1であり、異常度割合指標分布が検知閾値以下である場合に当該閾値と割合の組み合わせが異常であることを判断したが、これには限られない。例えば、異常度割合指標が1であり、異常度割合指標分布が所定の分布確率、例えば、0.1以下である、すなわち、検知閾値が0.1である場合に当該組み合わせが異常であることを検知するようにしてもよい。さらに、異常度割合指標と異常度割合分布指標間において異なる組み合わせとなる成分の個数が所定の個数以上である、例えば、3個以上である場合に、異常であることを判断してもよい。   In the above, when the abnormality degree ratio index is 1 and the abnormality degree ratio index distribution is 0, that is, the threshold (hereinafter referred to as a detection threshold) is 0, the abnormality degree ratio index is 1, When the degree ratio index distribution is equal to or less than the detection threshold, it is determined that the combination of the threshold and the ratio is abnormal, but the present invention is not limited to this. For example, when the abnormality degree ratio index is 1 and the abnormality degree ratio index distribution is a predetermined distribution probability, for example, 0.1 or less, that is, when the detection threshold is 0.1, the combination is abnormal. May be detected. Furthermore, when the number of components that are different combinations between the abnormality degree ratio index and the abnormality degree ratio distribution index is a predetermined number or more, for example, three or more, it may be determined that there is an abnormality.

モード切替部26は、異常度割合指標を生成して保存する操作を行うモードであるのか、または、異常度分布指標を利用して異常検知も行うモードであるのかを切り替える。この切り替え方法は、手動であっても、あらかじめ指定した時刻に切り替わるものであってもよいし、その他の方法でこれらのモードが切り替えられるものであってもよい。   The mode switching unit 26 switches between a mode in which an operation for generating and storing an abnormality degree ratio index is performed, or a mode in which an abnormality is detected using the abnormality degree distribution index. This switching method may be manual, may be switched at a time specified in advance, or may be switched by other methods.

出力部28は、異常検知部24から異常の検知結果を受信し、外部の入出力I/F(Interface)40を介して当該検知結果を出力する。異常の出力は、音により通知してもよいし、視覚的に分かるように通知してもよいし、印刷して出力するものでもよいし、または、データとしてファイルサーバやデータベースに保存して出力するものでもよい。図7は、データを視覚的な情報にして出力する一例を示す図である。この図7のように、異常度分布マトリクス上に色づけをしたり、網掛けをしたりすることにより、ユーザにわかりやすいように出力してもよい。なお、異常が検知された場合にのみ異常が検知されたことを出力するようにしてもよいし、異常が検知されなかった場合においても、異常が検知されなかった旨を出力してもよい。   The output unit 28 receives an abnormality detection result from the abnormality detection unit 24 and outputs the detection result via an external input / output I / F (Interface) 40. The output of the abnormality may be notified by sound, may be notified so as to be visually understood, may be printed and output, or may be output as data stored in a file server or database You may do it. FIG. 7 is a diagram illustrating an example of outputting data as visual information. As shown in FIG. 7, it may be output so as to be easily understood by the user by coloring or shading the abnormality degree distribution matrix. Note that the fact that an abnormality has been detected may be output only when an abnormality is detected, or the fact that no abnormality has been detected may be output even when no abnormality has been detected.

図8は、本実施形態に係る異常検知装置1の処理を示すフローチャートである。以下、この図8に示すフローチャートを用いて、異常検知装置1の処理の流れを説明する。   FIG. 8 is a flowchart showing processing of the abnormality detection device 1 according to the present embodiment. Hereinafter, the flow of processing of the abnormality detection apparatus 1 will be described using the flowchart shown in FIG.

まず、データ取得部10は、観測データを取得する(S200)。これと並行して、モデル取得部12は、学習済みの正常モデルを取得する(S202)。   First, the data acquisition unit 10 acquires observation data (S200). In parallel with this, the model acquisition unit 12 acquires a learned normal model (S202).

観測データの取得後、性能指標算出部14は、取得された観測データに基づいて性能指標の実績値を算出する(S204)。さらに、正常モデルの取得後、性能指標推定部16は、取得された観測データおよび正常モデルに基づいて、性能指標の推定値を取得する(S206)。   After acquiring the observation data, the performance index calculation unit 14 calculates a performance value of the performance index based on the acquired observation data (S204). Further, after acquiring the normal model, the performance index estimation unit 16 acquires an estimated value of the performance index based on the acquired observation data and the normal model (S206).

学習済みの正常モデルの取得は、性能指標の推定値を取得する前に行われていればよく、上記のS200およびS204との順番は上記に限られず、前後していてもよい。また、算出、推定に必要なデータを取得した後であれば、S204とS206の順番も問わないし、または、並行して処理されてもよい。   The learned normal model may be acquired before the estimated value of the performance index is acquired, and the order of the above S200 and S204 is not limited to the above, and may be before and after. Moreover, as long as data necessary for calculation and estimation is acquired, the order of S204 and S206 is not questioned or may be processed in parallel.

次に、異常度割合指標生成部18は、算出された実績値および取得された推定値に基づいて、異常度割合指標を生成する(S208)。   Next, the abnormality degree ratio index generation unit 18 generates an abnormality degree ratio index based on the calculated actual value and the acquired estimated value (S208).

次に、モード切替部26により、学習モードであるか否かが判断される(S210)。学習モードであると判断された場合(S210:YES)、異常度割合指標保存部20に生成された異常度割合指標を保存して、異常検知の処理を終了する。また、保存するのみならず、性能指標算出部14が算出した実績値を用いて正常モデルを更新して正常モデルDB 44へと保存するようにしてもよい。   Next, the mode switching unit 26 determines whether or not the learning mode is set (S210). When it is determined that the learning mode is set (S210: YES), the abnormality degree ratio index generated in the abnormality degree ratio index storage unit 20 is stored, and the abnormality detection process is terminated. In addition to saving, the normal model may be updated using the actual value calculated by the performance index calculation unit 14 and stored in the normal model DB 44.

一方、学習モードではない、すなわち、運用モードであると判断された場合(S210:NO)、運用モードへと移行する。運用モードでは、まず、異常度割合分布指標生成部22は、異常度割合指標保存部20に保存されている過去の異常度割合指標のデータから、異常度割合分布指標を生成する(S214)。   On the other hand, when it is determined that the mode is not the learning mode, that is, the operation mode (S210: NO), the operation mode is shifted to. In the operation mode, first, the abnormality degree ratio distribution index generation unit 22 generates an abnormality degree ratio distribution index from the past abnormality degree ratio index data stored in the abnormality degree ratio index storage unit 20 (S214).

次に、異常度割合指標保存部20に、生成された異常度割合指標を保存する(S216)。このような順番で処理を行うことにより、異常を検知するか否かの判断をしたい異常度割合指標自体が異常度割合分布指標に反映されることを防止する一方で、その後に行われる運用においては、異常度割合分布指標へと反映されるようにする。   Next, the generated abnormality degree ratio index storage unit 20 stores the generated abnormality degree ratio index (S216). By performing the processing in this order, it is possible to prevent the abnormality degree ratio index itself to be judged whether or not an abnormality is detected from being reflected in the abnormality degree distribution index, while the operation performed thereafter Is reflected in the abnormal degree ratio distribution index.

次に、異常検知部24は、異常度割合指標と異常度割合分布指標とに基づいて取得された観測データに異常があるか否かを検知する(S218)。そして、異常が検知された場合に、出力部28が検知された異常を出力して処理を終了する(S220)。   Next, the abnormality detection unit 24 detects whether or not there is an abnormality in the observation data acquired based on the abnormality degree ratio index and the abnormality degree ratio distribution index (S218). When an abnormality is detected, the output unit 28 outputs the detected abnormality and ends the process (S220).

以上のように、本実施形態によれば、取得されたセンサデータ等のデータから算出された実績値と推定値との間にある乖離について、所定の閾値を超える乖離データがどの程度存在するかを判断することにより、過去のデータに基づいた異常の検知を行うことが可能となる。このようにすることにより、正常時とは異なる異常な振る舞いをしている場合に、当該振る舞いを異常であると検知する、より精度の高いロバストな異常検知装置を実現することが可能となる。   As described above, according to the present embodiment, to what extent there is divergence data exceeding a predetermined threshold with respect to the divergence between the actual value calculated from the acquired sensor data or the like and the estimated value. It is possible to detect abnormality based on past data. By doing so, it is possible to realize a more accurate and robust abnormality detection device that detects that the behavior is abnormal when the behavior is abnormal different from the normal time.

上記の処理は、例えば、鉄道の1運行(所定の駅から次の駅等の運行)毎にデータが蓄積され、実績値と推定値を用いて異常の検知を行う。このようにすることにより、状況が近い状態において、異常の検知を行うことが可能となり、所定の駅から次の駅では発生しがちであるが、別の駅からその次の駅間では発生しないといった局所的な異常の検知を行うことも可能となる。   In the above processing, for example, data is accumulated for each operation of a railway (operation from a predetermined station to the next station, etc.), and an abnormality is detected using the actual value and the estimated value. By doing this, it becomes possible to detect anomalies in a situation that is close to the situation, and it tends to occur from a given station to the next station, but not from another station to the next station. It is also possible to detect local abnormalities such as

また、近い状況下において実績値と推定値との乖離により異常を検知することにより、他の要因、例えば、線路のカンテや接続具合といった場所等に依存する要因を除いた異常を検知することが可能となる。このように、本実施形態によれば、精度が高く、ロバストな異常検知を実現することができる。   In addition, by detecting anomalies due to the difference between the actual value and the estimated value under near conditions, it is possible to detect anomalies excluding other factors, for example, factors depending on the location such as track status and connection conditions. It becomes possible. As described above, according to this embodiment, it is possible to realize a highly accurate and robust abnormality detection.

(第2実施形態)
上述した実施形態においては、異常度割合指標から異常の検知をすることを説明したが、本実施形態においては、生成された異常度割合指標と、過去の異常度割合指標とに基づいて、異常の要因分析をも行おうとするものである。
(Second Embodiment)
In the above-described embodiment, it has been described that abnormality is detected from the abnormality degree ratio index. However, in this embodiment, an abnormality is detected based on the generated abnormality degree ratio index and the past abnormality degree ratio index. We are also going to conduct a factor analysis.

図9は、本実施形態に係る要因分析支援装置2の機能を示すブロック図である。要因分析支援装置2は、異常検知結果保存部30と、要因分析支援部32と、を備え、異常度割合指標から異常の要因の分析を行う支援をする装置である。   FIG. 9 is a block diagram illustrating functions of the factor analysis support device 2 according to the present embodiment. The factor analysis support device 2 includes an abnormality detection result storage unit 30 and a factor analysis support unit 32, and is a device that supports the analysis of the cause of the abnormality from the abnormality degree ratio index.

異常検知結果保存部30は、異常検知部24から出力される異常であるか否かの情報と、その情報のもととなった異常度割合指標のIDとが紐付けられて保存される。さらに、異常検知部24が異常を検知した場合に、ユーザが入出力I/F 40を介してその異常の要因を入力した場合に、当該要因についても異常度割合指標のIDと紐付けて保存される。すなわち、異常検知結果保存部30には、異常度割合指標のIDと、当該IDを有する異常度割合指標が異常であるか否かの検知結果と、当該IDを有する異常度割合指標の異常の要因とが紐付けて保存される。   The abnormality detection result storage unit 30 stores information indicating whether the abnormality is output from the abnormality detection unit 24 and the ID of the abnormality degree ratio index that is the basis of the information. Further, when the abnormality detection unit 24 detects an abnormality and the user inputs the cause of the abnormality via the input / output I / F 40, the factor is also stored in association with the abnormality degree ratio index ID. Is done. That is, the abnormality detection result storage unit 30 includes the ID of the abnormality degree ratio index, the detection result of whether the abnormality degree ratio index having the ID is abnormal, and the abnormality of the abnormality degree ratio index having the ID. Factors are linked and saved.

図10(a)は、この異常検知結果保存部30に保存されるテーブルの例を示す図である。この図に示すように、各IDに対して、異常のあり/なしと、異常がある場合のその要因とが保存される。要因は、ユーザが入力するものであるが、この要因は、例えば、異常検知装置1により異常が検知された後に、メンテナンス等を行い、要因が解析できた上で入力される。例えば、IDが1の異常度割合指標においては、異常が検知され、要因がAであることが保存される。   FIG. 10A is a diagram illustrating an example of a table stored in the abnormality detection result storage unit 30. As shown in this figure, the presence / absence of abnormality and the factor in the case of abnormality are stored for each ID. The factor is input by the user. For example, this factor is input after maintenance is performed after the abnormality is detected by the abnormality detection device 1 and the factor can be analyzed. For example, in the abnormality degree ratio index with ID 1, abnormality is detected and the fact that the factor is A is stored.

なお、IDが3のように異常がなしの場合についても保存されてもよい。このように異常がない場合についても保存されるようにすると、異常度割合指標保存部20に保存されているデータと整合性をとりやすくなる。また、この場合、異常検知結果保存部30と、異常度割合指標保存部20とを同じデータベースとして構築することも可能である。整合性をとることで、異常度割合分布指標生成部22が過去の異常事例を使用せずに異常度割合分布指標を作成することが可能となる。より具体的には、例えば、異常度割合分布指標を生成する際に、異常がありと判断されたデータを反映しないことにより、異常度割合分布指標を用いた異常発見の精度を向上することが可能となる。要因が未入力である場合には、IDが6のデータのように、要因:未入力というデータが保存されていてもよい。また、不明の場合に、要因:不明というデータが保存されるようにしてもよい。   Note that the case where there is no abnormality such as ID 3 may be stored. If the data is stored even when there is no abnormality in this way, it is easy to achieve consistency with the data stored in the abnormality degree ratio index storage unit 20. In this case, it is also possible to construct the abnormality detection result storage unit 30 and the abnormality degree ratio index storage unit 20 as the same database. By taking the consistency, it becomes possible for the abnormality degree ratio distribution index generation unit 22 to create the abnormality degree ratio distribution index without using the past abnormality cases. More specifically, for example, when generating an abnormality degree ratio distribution index, it is possible to improve the accuracy of abnormality detection using the abnormality degree ratio distribution index by not reflecting data determined to be abnormal. It becomes possible. When the factor is not input, the data of factor: not input may be stored like the data of ID 6. In addition, in the case of unknown, data indicating that the factor is unknown may be stored.

一方で、異常がない場合には、ID自体を保存しないようにしてもよい。図10(b)は、異常検知結果保存部30に保存されるテーブルの別の例を示す図である。この場合IDが3のデータは保存されないこととなる。このようにすることにより、異常検知結果保存部30には、異常がある場合にそのIDと要因が保存されるようにしてもよい。異常が無い場合に保存をしないようにすると、テーブルの領域を削減することが可能となる。   On the other hand, if there is no abnormality, the ID itself may not be stored. FIG. 10B is a diagram illustrating another example of a table stored in the abnormality detection result storage unit 30. In this case, data with ID 3 is not stored. By doing so, the abnormality detection result storage unit 30 may store the ID and factor when there is an abnormality. If the storage is not performed when there is no abnormality, the table area can be reduced.

要因分析支援部32は、異常が検知された場合に、異常検知結果保存部30に保存されているIDに対応する過去の異常度割合指標との情報に基づき、異常が検知された異常度割合指標における異常の要因分析を支援する。支援方法は、様々な方法が考えられる。この方法は、各種クラスタリングの方法であってもよいし、各種機械学習によるものであってもよいし、これには限られず要因を分類できるものであればどのようなものでもよい。   When an abnormality is detected, the factor analysis support unit 32 detects the abnormality rate based on the information of the past abnormality degree ratio index corresponding to the ID stored in the abnormality detection result storage unit 30. Support the analysis of the causes of abnormalities in indicators. There are various support methods. This method may be various clustering methods, may be based on various machine learning, and is not limited thereto, and any method can be used as long as the factors can be classified.

例えば、異常度割合指標を行数×列数のベクトルと考え、k近傍法を利用することができる。図11は、k近傍法を用いた場合の結果の一例を示す図である。異常度割合指標のIDと、当該IDを有する異常度割合指標と着目している異常度割合指標とのユークリッド距離と、当該IDを有する異常度割合指標の異常の要因とが表示される。その他、時刻や天候等、要因分析の一助となる項目についても表示してもよい。また、時刻や天候等の情報を考慮して、距離を測定するようにしてもよい。例えば、図11の場合、距離の近い方に多く出現する、要因βが着目している異常度割合指標の異常の要因として判断することができる。   For example, it is possible to use the k-nearest neighbor method by considering the degree of abnormality ratio index as a vector of row number × column number. FIG. 11 is a diagram illustrating an example of a result when the k-nearest neighbor method is used. The abnormality degree ratio index ID, the Euclidean distance between the abnormality degree ratio index having the ID and the attention degree abnormality ratio index of interest, and the cause of the abnormality of the abnormality degree ratio index having the ID are displayed. In addition, items such as time and weather that help analysis of factors may be displayed. Further, the distance may be measured in consideration of information such as time and weather. For example, in the case of FIG. 11, it can be determined as an abnormality factor of the abnormality degree ratio index that appears more frequently in the closer distance and the factor β is focused on.

この結果は、出力部28を介してユーザへと出力される。ユーザは、異常の要因がβである可能性が高いとして、メンテナンス等を行うことが可能となる。さらに、要因が解明できた後にユーザは、入出力I/F 40を介して、異常検知結果保存部に、着目している異常度割合指標の異常の要因をフィードバックすることもできる。このようにデータを更新することにより、要因分析の精度を高めることも可能である。また、異常が発見できなかった場合には、異常がなかった旨をフィードバック、または、原因が不明である旨をフィードバックして、将来の異常検知または分析支援に用いるようにしてもよい。   This result is output to the user via the output unit 28. The user can perform maintenance or the like, assuming that the cause of the abnormality is β. Furthermore, after the factors have been clarified, the user can also feed back the abnormality factors of the abnormal degree ratio index of interest to the abnormality detection result storage unit via the input / output I / F 40. By updating the data in this way, it is possible to increase the accuracy of factor analysis. Further, when no abnormality is found, feedback that there is no abnormality or feedback that the cause is unknown may be used for future abnormality detection or analysis support.

要因分析支援部32は、他にも様々な指標を用いることができる。例えば、分析に使用する距離は、ユークリッド距離には限られず、ハミング距離を用いてもよいし、共分散行列として考えてハマラノビス距離を用いるものとしてもよい。   The factor analysis support unit 32 can use various other indicators. For example, the distance used for the analysis is not limited to the Euclidean distance, and a Hamming distance may be used, or a Hamaranobis distance may be used as a covariance matrix.

さらに、k近傍法には限られず、多次元尺度更正法、t−SNE(t-Distributed Stochastic Neighbor Embedding)やPCA(Principle Component Analysis)等その他の手法を用いて可視化をしてもよい。図12は、多次元尺度更正法を用いた場合の例を示す図である。図12においては、距離が近いサンプルほど知覚に配置され、要因毎にポインタの色や形を変えて視覚的に把握できるようにしている。×印が新たに検知された異常事例だとした場合、ユーザは、このグラフを見ることにより、異常の要因がβであることを推測することが可能となる。   Furthermore, the present invention is not limited to the k-nearest neighbor method, and visualization may be performed using other methods such as a multidimensional scaling correction method, t-SNE (t-Distributed Stochastic Neighbor Embedding), and PCA (Principle Component Analysis). FIG. 12 is a diagram illustrating an example when the multidimensional scale correction method is used. In FIG. 12, the closer the sample is, the more the sample is perceived, and the color and shape of the pointer are changed for each factor so that it can be visually grasped. If the x mark is a newly detected abnormality case, the user can guess that the cause of the abnormality is β by looking at this graph.

さらにまた、これらの方法には限られず、機械学習等による方法を用いてもよい。例えば、サポートベクタマシンを利用したり、ランダムフォレストを利用したりしてもよい。   Furthermore, the method is not limited to these methods, and a method based on machine learning or the like may be used. For example, a support vector machine or a random forest may be used.

要因の分析に用いる指標は、上述したように、異常度割合指標そのものを用いてもよい。または、前述した第1実施形態における異常度割合指標と異常度割合分布指標との差に基づいたもの、例えば、閾値E割合d、閾値F割合c、dの成分だけを1とし、残りの成分を0としたデータを用いるようにしてもよい。この場合、分析に用いるモデルは、同じ異常度割合分布指標と比較をした過去の異常度割合指標に基づいて生成される。   As described above, the abnormality ratio index itself may be used as the index used for the factor analysis. Or, based on the difference between the abnormality rate ratio index and the abnormality ratio distribution index in the first embodiment described above, for example, only the components of the threshold E ratio d and the threshold F ratio c, d are set to 1, and the remaining components Data with 0 set to 0 may be used. In this case, the model used for the analysis is generated based on the past abnormality degree ratio index compared with the same abnormality degree ratio distribution index.

図13は、要因分析支援装置2の処理を示すフローチャートである。   FIG. 13 is a flowchart showing the processing of the factor analysis support apparatus 2.

着目データに対して、異常検知部24が異常を検知すると、要因分析支援部32は、異常検知結果保存部30に保存されている異常が発生した異常度割合指標のIDを取得し、当該IDに基づいて異常度割合指標保存部20から、各異常度割合指標を抽出する(S300)。   When the abnormality detection unit 24 detects an abnormality with respect to the data of interest, the factor analysis support unit 32 acquires the ID of the abnormality degree ratio index in which the abnormality is stored, which is stored in the abnormality detection result storage unit 30, and the ID Based on the above, each abnormality degree ratio index is extracted from the abnormality degree ratio index storage unit 20 (S300).

次に、要因分析支援部32は、抽出した異常度割合指標および各異常度割合指標に紐付けられている異常の要因に基づき、着目しているデータの異常度割合指標を用いて要因の分析をする(S302)。   Next, the factor analysis support unit 32 analyzes the factor using the abnormality degree ratio index of the data of interest based on the extracted abnormality degree ratio index and the abnormality factor associated with each abnormality degree ratio index. (S302).

次に、出力部28は、要因分析支援部32が分析した結果を入出力I/F 40を介して出力する(S304)。   Next, the output unit 28 outputs the result analyzed by the factor analysis support unit 32 via the input / output I / F 40 (S304).

異常の要因が解析できた場合、当該要因の解析結果をフィードバックすることにより、次からの分析の精度をさらに向上させる(S306)。   When the cause of the abnormality can be analyzed, the analysis result of the factor is fed back to further improve the accuracy of the next analysis (S306).

なお、要因の分析に学習済みのモデルを用いる場合、要因分析装置2は、図示しない学習済みモデル保存部に当該モデルを保存し、次のデータからの分析に用いるようにしてもよい。   When a learned model is used for factor analysis, the factor analysis device 2 may store the model in a learned model storage unit (not shown) and use it for analysis from the next data.

以上のように本実施形態によれば、異常検知装置1は、異常の検知を行うのみならず、その要因の分析の支援を行うことをも可能とする。このように要因の分析の候補を出力することにより、ユーザは、要因の分析に掛ける時間的および金銭的なコストを削減することが可能となる。   As described above, according to the present embodiment, the abnormality detection apparatus 1 can not only detect an abnormality but also support analysis of the cause. By outputting the factor analysis candidates in this way, the user can reduce the time and money costs for factor analysis.

例えば、鉄道のブレーキシステムの要因としては、ブレーキシューに異常がある場合、空気漏れによる圧力の変化等のブレーキ側の要因と、設定値のミス、伝達経路における信号の伝達ミスといったブレーキ本体ではなくシステム側の要因と、または、線路の状態による異常といったそもそもブレーキの異常ではないような要因が存在する。このような場合に、異常度割合指標から要因を求めることが可能となる。   For example, as a factor of the brake system of the railway, if there is an abnormality in the brake shoe, it is not the brake body such as a brake side factor such as a pressure change due to air leakage, a setting value error, a signal transmission error There is a factor on the system side or a factor that is not a brake abnormality in the first place, such as an abnormality caused by the condition of the track. In such a case, it is possible to obtain a factor from the abnormality degree ratio index.

(第3実施形態)
上述した実施形態においては、取得したデータから異常を検知していたが、本実施形態に係る異常検知装置1は、上述した実施形態においては所定の値であった検知閾値を、検知結果に基づいて調節するものである。
(Third embodiment)
In the above-described embodiment, an abnormality is detected from the acquired data. However, the abnormality detection device 1 according to the present embodiment uses a detection threshold that is a predetermined value in the above-described embodiment based on the detection result. To adjust.

図14は、本実施形態に係る閾値自動調節装置3の機能を示すブロック図である。閾値自動調節装置3は、閾値自動調節部34を備える。   FIG. 14 is a block diagram illustrating functions of the threshold automatic adjustment device 3 according to the present embodiment. The threshold automatic adjustment device 3 includes a threshold automatic adjustment unit 34.

閾値自動調節部34は、異常検知結果保存部30に保存されているデータに基づき、適切な検知閾値を設定するものである。異常検知装置1により異常であると出力され、ユーザが異常であると判断した結果が、既に異常検知結果保存部30に保存されていた場合異常の検知に用いた異常度割合指標について、異常と検知する確率をあげるように検知閾値を調節する。   The threshold automatic adjustment unit 34 sets an appropriate detection threshold based on the data stored in the abnormality detection result storage unit 30. When the abnormality detection device 1 outputs that the abnormality is detected and the result that the user has determined to be abnormal is already stored in the abnormality detection result storage unit 30, the abnormality degree ratio index used for detecting the abnormality is Adjust the detection threshold to increase the probability of detection.

この調節は、例えば、異常度割合指標全体に対して検知閾値を調節するものであってもよいし、当該異常と判断された異常度割合指標において、異常度割合分布指標と比較した場合に、特徴がある要素に対する検知閾値を調節するものであってもよい。   This adjustment may be, for example, to adjust the detection threshold for the entire abnormality degree ratio index, or in the abnormality degree ratio index determined to be abnormal, when compared with the abnormality degree distribution index, You may adjust the detection threshold with respect to the element with a characteristic.

例えば、異常度割合指標が図6(a)に示すものである場合に、上記の状況が発生したとする。図6(b)に示す異常度割合分布指標と比較して、閾値E割合d、閾値F割合c、dの要素において異常と検知されている。このような場合に、次からは、これら3つの要素における検知閾値を上げる、例えば、0から0.1へと変更することにより、将来的に異常度割合分布指標におけるこれら3つの要素が0ではなくなった場合にも、図6(a)に示される異常度割合指標が入力されると異常と検知することが可能となる。   For example, it is assumed that the above situation occurs when the abnormality degree ratio index is as shown in FIG. Compared with the abnormality degree ratio distribution index shown in FIG. 6B, an abnormality is detected in the elements of the threshold E ratio d and the threshold F ratios c and d. In such a case, from the next time, by increasing the detection threshold value of these three elements, for example, by changing from 0 to 0.1, these three elements in the abnormality ratio distribution index will be zero in the future. Even when it disappears, it is possible to detect an abnormality when the abnormality rate ratio index shown in FIG. 6A is input.

異常のように、本実施形態によれば、異常検知装置1は、異常の検知を行うのみならず、本実施形態に係る閾値自動調節部34により、閾値を調節することにより、より柔軟に様々な異常を検知することが可能となる。   Like an abnormality, according to the present embodiment, the abnormality detection device 1 not only detects an abnormality, but also adjusts the threshold by the threshold automatic adjustment unit 34 according to the present embodiment, so that various more flexibly. It is possible to detect abnormal abnormalities.

(第4実施形態)
前述した各実施形態における異常検知装置1、要因分析支援装置2、および、閾値自動調節装置3を全て備えた異常度検知システム4を形成することも可能である。図15は、異常度検知システム4の機能を示すブロック図である。
(Fourth embodiment)
It is also possible to form an abnormality level detection system 4 including all of the abnormality detection device 1, the factor analysis support device 2, and the threshold automatic adjustment device 3 in each of the embodiments described above. FIG. 15 is a block diagram illustrating functions of the abnormality level detection system 4.

このように形成すると、異常度割合分布指標作成部22は、異常検知結果保存部30に保存されているデータを利用することにより、正常時の異常度割合指標を抽出し、妥当な異常度割合分布指標を生成することも可能となる。このような構成によれば、乖離の分布を利用したロバストな異常検知ができ、かつ、発生した異常の要因分析支援が可能となる。   When formed in this manner, the abnormality degree ratio distribution index creating unit 22 uses the data stored in the abnormality detection result storage unit 30 to extract the abnormality degree ratio index at the normal time, and the appropriate abnormality degree ratio. It is also possible to generate a distribution index. According to such a configuration, it is possible to perform robust abnormality detection using the distribution of divergence and to support factor analysis of the abnormality that has occurred.

図16は、一実施形態におけるハードウェア構成の一例を示すブロック図である。データ処理装置は、プロセッサ61と、主記憶装置62と、補助記憶装置63と、デバイスインタフェース64と、ネットワークインタフェース65と、を備え、これらがバス66を介して接続されたコンピュータ装置6として実現できる。また、データ処理装置は、さらに、入力装置67と、出力装置68とを備えていてもよい。   FIG. 16 is a block diagram illustrating an example of a hardware configuration according to an embodiment. The data processing device includes a processor 61, a main storage device 62, an auxiliary storage device 63, a device interface 64, and a network interface 65, and these can be realized as a computer device 6 connected via a bus 66. . Further, the data processing device may further include an input device 67 and an output device 68.

本実施形態における異常検知装置1は、各装置で実行されるプログラムをコンピュータ装置6にあらかじめインストールすることで実現してもよいし、プログラムをCD−ROM等の記憶媒体に記憶して、あるいはネットワークを介して配布して、コンピュータ装置6に適宜インストールすることで実現してもよい。   The abnormality detection device 1 according to the present embodiment may be realized by installing a program to be executed in each device in the computer device 6 in advance, or storing the program in a storage medium such as a CD-ROM or a network It may be realized by being distributed via the above and installed in the computer device 6 as appropriate.

なお、図16においては、コンピュータ装置6は、各構成要素を1つ備えているが、同じ構成要素を複数備えるものであってもよい。また、図16においては、1台のコンピュータ装置が示されているが、ソフトウェアが複数のコンピュータ装置にインストールされていてもよい。当該複数のコンピュータ装置それぞれがソフトウェアの異なる一部の処理を実行することにより、処理結果を生成してもよい。つまり、データ処理装置がシステムとして構成されていてもよい。   In FIG. 16, the computer device 6 includes one component, but may include a plurality of the same components. In FIG. 16, one computer apparatus is shown, but software may be installed in a plurality of computer apparatuses. A processing result may be generated by each of the plurality of computer devices executing a part of processing different in software. That is, the data processing apparatus may be configured as a system.

プロセッサ61は、コンピュータの制御装置および演算装置を含む電子回路である。プロセッサ61は、コンピュータ装置6の内部構成の各装置等から入力されたデータやプログラムに基づいて演算処理を行い、演算結果や制御信号を各装置等に出力する。具体的には、プロセッサ61は、コンピュータ装置6のOS(Operating System)や、アプリケーション等を実行し、コンピュータ装置6を構成する各装置を制御する。   The processor 61 is an electronic circuit including a computer control device and an arithmetic device. The processor 61 performs arithmetic processing based on data or a program input from each device or the like having an internal configuration of the computer device 6, and outputs a calculation result and a control signal to each device. Specifically, the processor 61 executes an OS (Operating System), an application, and the like of the computer device 6 and controls each device configuring the computer device 6.

プロセッサ61は、上記の処理を行うことができれば特にこれに限られるものではない。プロセッサ61は、例えば、汎用目的プロセッサ、CPU(Central Processing Unit)、マイクロプロセッサ、DSP(Digital Signal Processor)、コントローラ、マイクロコントローラ、状態マシン等でもよい。また、プロセッサ61は、ASIC(Application Specific Integrated Circuit)、FPGA(Field-Programmable Gate Array)、PLD(Programmable Logic Device)に組み込まれていてもよい。また、プロセッサ61は、複数の処理装置から構成されていてもよい。例えば、DSPおよびマイクロプロセッサの組み合わせでもよいし、DSPコアと協働する1つ以上のマイクロプロセッサでもよい。   The processor 61 is not particularly limited as long as the above processing can be performed. The processor 61 may be, for example, a general purpose processor, a CPU (Central Processing Unit), a microprocessor, a DSP (Digital Signal Processor), a controller, a microcontroller, a state machine, or the like. The processor 61 may be incorporated in an application specific integrated circuit (ASIC), a field-programmable gate array (FPGA), or a programmable logic device (PLD). Further, the processor 61 may be composed of a plurality of processing devices. For example, it may be a combination of a DSP and a microprocessor, or one or more microprocessors that cooperate with the DSP core.

主記憶装置62は、プロセッサ61が実行する命令および各種データ等を記憶する記憶装置であり、主記憶装置62に記憶された情報がプロセッサ61により直接読み出される。補助記憶装置63は、主記憶装置62以外の記憶装置である。なお、記憶装置は、電子情報を格納可能な任意の電子部品を意味するものとする。主記憶装置62としてRAM(Random Access Memory)、DRAM(Dynamic RAM)、SRAM(Static RAM)等の一時的な情報の保存に用いられる揮発性メモリが主に用いられるが、本発明の実施形態において、主記憶装置62がこれらの揮発性メモリに限られるわけではない。主記憶装置62および補助記憶装置63として用いられる記憶装置は、揮発性メモリでもよいし、不揮発性メモリでもよい。不揮発性メモリは、PROM(Programmable Read Only Memory)、EPROM(Erasable PROM)、NVRAM(Non-volatile RAM)、MRAM(Magnetoresistive RAM)、フラッシュメモリ等である。また、補助記憶装置63として、磁気または光学のデータストレージが用いられてもよい。データストレージとしては、ハードディスク等の磁気ディスク、DVD等の光ディスク、USB等のフラッシュメモリ、および、磁気テープ等が用いられてもよい。   The main storage device 62 is a storage device that stores instructions executed by the processor 61 and various data. Information stored in the main storage device 62 is directly read out by the processor 61. The auxiliary storage device 63 is a storage device other than the main storage device 62. Note that the storage device means any electronic component capable of storing electronic information. As the main storage device 62, a volatile memory used to store temporary information such as a RAM (Random Access Memory), a DRAM (Dynamic RAM), and an SRAM (Static RAM) is mainly used. The main storage device 62 is not limited to these volatile memories. A storage device used as the main storage device 62 and the auxiliary storage device 63 may be a volatile memory or a non-volatile memory. Non-volatile memory is PROM (Programmable Read Only Memory), EPROM (Erasable PROM), NVRAM (Non-volatile RAM), MRAM (Magnetoresistive RAM), flash memory, and the like. Further, magnetic or optical data storage may be used as the auxiliary storage device 63. As data storage, a magnetic disk such as a hard disk, an optical disk such as a DVD, a flash memory such as a USB, a magnetic tape, or the like may be used.

なお、プロセッサ61が主記憶装置62または補助記憶装置63に対して、直接または間接的に、情報を読み出しまたは書き込みまたはこれらの両方を行うならば、記憶装置は、プロセッサと電気的に通信すると言うことができる。なお、主記憶装置62は、プロセッサに統合されていてもよい。この場合も、主記憶装置62は、プロセッサと電気的に通信していると言うことができる。   Note that if the processor 61 reads or writes information to or from the main storage device 62 or the auxiliary storage device 63 directly or indirectly, the storage device is in electrical communication with the processor. be able to. The main storage device 62 may be integrated with the processor. Again, it can be said that the main storage device 62 is in electrical communication with the processor.

ネットワークインタフェース64は、無線または有線により、通信ネットワークに接続するためのインタフェースである。ネットワークインタフェース64は、既存の通信規格に適合したものをもちいればよい。ネットワークインタフェース64により、通信ネットワーク7を介して通信接続された外部装置8に出力結果等が送信されてもよい。   The network interface 64 is an interface for connecting to a communication network by wireless or wired. The network interface 64 may be one that conforms to existing communication standards. An output result or the like may be transmitted by the network interface 64 to the external device 8 that is communicably connected via the communication network 7.

デバイスインタフェース65は、出力結果等を記録する外部装置8と接続するUSB等のインタフェースである。外部装置8は、外部記憶媒体でもよいし、データベース等のストレージでもよい。外部記憶媒体は、HDD、CD−R、CD−RW、DVD−RAM、DVD−R、SAN(Storage Area Network)等の任意の記憶媒体でよい。あるいは、外部装置8は、出力装置でもよい。例えば、LCD(Liquid Crystal Display)、CRT(Cathode Ray Tube)、PDP(Plasma Display Panel)、スピーカ等があるが、これらに限られるものではない。   The device interface 65 is an interface such as a USB connected to the external device 8 that records output results and the like. The external device 8 may be an external storage medium or a storage such as a database. The external storage medium may be any storage medium such as HDD, CD-R, CD-RW, DVD-RAM, DVD-R, SAN (Storage Area Network). Alternatively, the external device 8 may be an output device. Examples include, but are not limited to, a liquid crystal display (LCD), a cathode ray tube (CRT), a plasma display panel (PDP), and a speaker.

また、コンピュータ装置6の一部または全部、すなわち、データ処理装置の一部または全部は、プロセッサ61等を実装している半導体集積回路等の専用の電子回路(ハードウェア)にて構成されてもよい。専用のハードウェアは、RAM、ROM等の記憶装置との組み合わせで構成されてもよい。   Further, a part or all of the computer device 6, that is, a part or all of the data processing device may be configured by a dedicated electronic circuit (hardware) such as a semiconductor integrated circuit in which the processor 61 is mounted. Good. The dedicated hardware may be configured in combination with a storage device such as a RAM or a ROM.

なお、図16では、1台のコンピュータ装置が示されているが、ソフトウェアが複数のコンピュータ装置にインストールされてもよい。当該複数のコンピュータ装置それぞれがソフトウェアの異なる一部の処理を実行することにより、処理結果を生成してもよい。   In FIG. 16, one computer apparatus is shown, but software may be installed in a plurality of computer apparatuses. A processing result may be generated by each of the plurality of computer devices executing a part of processing different in software.

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。また、当然のことながら、本発明の要旨の範囲内で、これらの実施の形態を部分的に適宜組み合わせることも可能である。   Although several embodiments of the present invention have been described, these embodiments are presented by way of example and are not intended to limit the scope of the invention. These novel embodiments can be implemented in various other forms, and various omissions, replacements, and changes can be made without departing from the scope of the invention. These embodiments and modifications thereof are included in the scope and gist of the invention, and are included in the invention described in the claims and the equivalents thereof. Of course, it is possible to appropriately combine these embodiments partially within the scope of the present invention.

1:異常検知装置、2:要因分析支援装置、3:閾値自動調節装置、10:データ取得部、12:モデル取得部、14:性能指標算出部、16:性能指標推定部、18、:異常度割合指標生成部、20:異常度割合指標保存部、22:異常度割合分布指標生成部、24:異常検知部、26:モード切替部、28:出力部、30:異常検知結果保存部、32:要因分析支援部、34:閾値自動調節部 1: anomaly detection device, 2: factor analysis support device, 3: threshold automatic adjustment device, 10: data acquisition unit, 12: model acquisition unit, 14: performance index calculation unit, 16: performance index estimation unit, 18, anomaly Frequency ratio index generation unit, 20: Abnormality ratio index storage unit, 22: Abnormality ratio distribution index generation unit, 24: Abnormality detection unit, 26: Mode switching unit, 28: Output unit, 30: Abnormality detection result storage unit, 32: Factor analysis support unit, 34: Automatic threshold adjustment unit

Claims (13)

  1. 測定データを取得する、データ取得部と、
    前記測定データから性能指標の実績値を算出する、性能指標算出部と、
    あらかじめ学習された正常モデルに基づいて前記測定データから性能指標の推定値を取得する、性能指標推定部と、
    前記実績値と、前記推定値との乖離を示す指標である異常度割合指標を、複数の所定の閾値、および、それぞれの前記所定の閾値以上の値を持つ前記乖離の存在割合に基づいて生成する、異常度割合指標生成部と、
    前記異常度割合指標に基づいて異常を検知する、異常検知部と、
    を備える異常検知装置。
    A data acquisition unit for acquiring measurement data;
    A performance index calculation unit for calculating a performance index performance value from the measurement data;
    A performance index estimator that obtains an estimated value of the performance index from the measurement data based on a normal model learned in advance;
    A degree-of-abnormality ratio index that is an index indicating a divergence between the actual value and the estimated value is generated based on a plurality of predetermined threshold values and the existence ratio of the divergence having a value equal to or greater than each of the predetermined threshold values. An abnormality rate ratio index generation unit,
    An abnormality detection unit that detects an abnormality based on the abnormality degree ratio index;
    An abnormality detection device comprising:
  2. 過去の前記異常度割合指標を保存する、異常度割合指標保存部と、
    保存された前記異常度割合指標に基づいて、過去の異常度割合指標の分布を示す異常度割合分布指標を生成する、異常度割合分布指標生成部と、
    をさらに備え、
    前記異常検知部は、前記異常度割合指標と、前記異常度割合分布指標とを比較することにより異常を検知する、
    請求項1に記載の異常検知装置。
    An abnormal degree ratio index storage unit for storing the past abnormal degree ratio index;
    An anomaly degree ratio distribution index generating unit that generates an anomaly degree ratio distribution index indicating a distribution of past anomaly degree ratio indices based on the stored anomaly degree ratio index;
    Further comprising
    The abnormality detection unit detects an abnormality by comparing the abnormality degree ratio index and the abnormality degree ratio distribution index.
    The abnormality detection device according to claim 1.
  3. 前記実績値および前記推定値は、同じ要素数を有する持つデータ列であり、
    前記異常度割合指標の各要素は、複数の前記所定の閾値および複数の所定の割合に紐付けられ、
    前記異常度割合指標生成部は、前記実績値および前記推定値の各要素の乖離を示す乖離データを算出し、前記異常度割合指標の各要素として、前記乖離データの各要素の絶対値のうち、当該各要素と紐付けられている前記所定の閾値以上であるデータの個数が、前記データ列の要素数に対して当該各要素と紐付けられている前記所定の割合以上である場合に第1所定値が格納し、そうではない場合に第2所定値が格納して、前記異常度割合指標を生成する、請求項2に記載の異常検知装置。
    The actual value and the estimated value are data strings having the same number of elements,
    Each element of the abnormality degree ratio index is associated with a plurality of the predetermined threshold and a plurality of predetermined ratios,
    The abnormality degree ratio index generation unit calculates deviation data indicating a deviation of each element of the actual value and the estimated value, and among the absolute values of the elements of the deviation data as each element of the abnormality degree ratio index When the number of data that is associated with each element is equal to or greater than the predetermined threshold is greater than or equal to the predetermined ratio that is associated with each element with respect to the number of elements in the data string. The abnormality detection device according to claim 2, wherein 1 predetermined value is stored, and if not, a second predetermined value is stored to generate the abnormality degree ratio index.
  4. 前記異常度割合指標は、複数の前記所定の閾値および複数の所定の割合を所定の順番で並べた2軸を備えるマトリクスである異常度割合マトリクスであり、
    前記異常度割合指標生成部は、前記異常度割合マトリクスにおいて、前記乖離データの各要素の絶対値のうち、それぞれの前記所定の閾値以上データの個数が前記データ列の要素数に対して前記所定の割合以上である場合に第1所定値が格納し、そうではない場合に第2所定値が格納する、請求項3に記載の異常検知装置。
    The abnormality degree ratio index is an abnormality degree ratio matrix that is a matrix having two axes in which a plurality of the predetermined threshold values and a plurality of predetermined ratios are arranged in a predetermined order;
    The abnormality degree ratio index generation unit is configured such that, in the abnormality degree ratio matrix, among the absolute values of the elements of the divergence data, the number of pieces of data equal to or more than the predetermined threshold is the predetermined number with respect to the number of elements of the data string. The abnormality detection device according to claim 3, wherein the first predetermined value is stored when the ratio is equal to or greater than the ratio, and the second predetermined value is stored otherwise.
  5. 前記異常度割合分布指標の各要素の値は、前記異常度割合指標保存部に保存されている過去の前記異常度割合指標の要素毎の値から算出される、請求項2ないし請求項4のいずれかに記載の異常検知装置。   The value of each element of the abnormality degree ratio distribution index is calculated from the value of each element of the abnormality degree ratio index in the past stored in the abnormality degree ratio index storage unit. The abnormality detection device according to any one of the above.
  6. 前記異常度割合分布指標の各要素の値は、過去の前記異常度割合指標の対応する各要素の平均値である、請求項5に記載の異常検知装置。   The abnormality detection device according to claim 5, wherein the value of each element of the abnormality degree ratio distribution index is an average value of each element corresponding to the past abnormality degree ratio index.
  7. 前記異常度割合指標の各要素のうち、第1所定値を有する要素に対応する前記異常度割合分布指標の要素が、異常を検知する閾値である検知閾値以下である場合に、異常であると検知する、請求項2ないし6に記載の異常検知装置。   Among the elements of the abnormality degree ratio index, when the element of the abnormality degree ratio distribution index corresponding to the element having the first predetermined value is equal to or less than a detection threshold that is a threshold for detecting abnormality, The abnormality detection device according to claim 2, which detects the abnormality.
  8. 前記異常検知部が検知した異常検知結果および当該異常検知結果に基づいてユーザが判断した判断結果を保存する異常検知結果保存部をさらに備え、
    前記異常検知部は、前記異常検知結果および前記判断結果を、前記異常検知結果保存部に保存する、
    請求項2ないし請求項7のいずれかに記載の異常検知装置。
    An abnormality detection result storage unit that stores the abnormality detection result detected by the abnormality detection unit and the determination result determined by the user based on the abnormality detection result;
    The abnormality detection unit stores the abnormality detection result and the determination result in the abnormality detection result storage unit.
    The abnormality detection device according to claim 2.
  9. 前記異常検知結果保存部に保存されている過去の前記異常検知結果および過去の前記判断結果に基づいて、前記異常度割合指標から異常の要因分析の支援を行う、要因分析支援部をさらに備える請求項8に記載の異常検知装置。   A factor analysis support unit that supports abnormality factor analysis from the abnormality degree ratio index based on the past abnormality detection result and the past determination result stored in the abnormality detection result storage unit. Item 9. The abnormality detection device according to Item 8.
  10. 前記異常検知結果保存部に保存されている過去の前記異常検知結果および過去の前記判断結果に基づいて、前記検知閾値を調節する、閾値調節部をさらに備える請求項8または請求項9に記載の異常検知装置。   10. The threshold adjustment unit according to claim 8, further comprising a threshold adjustment unit that adjusts the detection threshold based on the past abnormality detection result and the past determination result stored in the abnormality detection result storage unit. Anomaly detection device.
  11. 前記正常モデルを学習する学習モードと、前記異常検知を行う運用モードとを切り替える、モード切替部をさらに備える請求項3ないし請求項8のいずれかに記載の異常検知装置。   The abnormality detection apparatus according to claim 3, further comprising a mode switching unit that switches between a learning mode for learning the normal model and an operation mode for performing the abnormality detection.
  12. 測定データを取得するステップと、
    前記測定データから性能指標の実績値を算出するステップと、
    あらかじめ学習された正常モデルに基づいて前記測定データから性能指標の推定値を取得するステップと、
    前記実績値および前記推定値との乖離を示す指標である異常度割合指標を生成するステップと、
    前記異常度割合指標に基づいて異常を検知するステップと、
    を備える異常検知方法。
    Obtaining measurement data;
    Calculating a performance index performance value from the measurement data;
    Obtaining a performance index estimate from the measurement data based on a pre-learned normal model;
    Generating an abnormality degree ratio index that is an index indicating a deviation from the actual value and the estimated value;
    Detecting an abnormality based on the abnormality degree ratio index;
    An abnormality detection method comprising:
  13. コンピュータを
    測定データを取得する手段、
    前記測定データから性能指標の実績値を算出する手段、
    あらかじめ学習された正常モデルに基づいて前記測定データから性能指標の推定値を取得する手段、
    前記実績値および前記推定値との乖離を示す指標である異常度割合指標を生成する手段、
    前記異常度割合指標に基づいて異常を検知する手段、
    検知した前記異常を出力する手段、
    として機能させるプログラム。
    A means of acquiring measurement data from a computer,
    Means for calculating a performance index performance value from the measurement data;
    Means for obtaining an estimated value of the performance index from the measurement data based on a normal model learned in advance;
    Means for generating an abnormality rate ratio index that is an index indicating a deviation from the actual value and the estimated value;
    Means for detecting an abnormality based on the abnormality degree ratio index;
    Means for outputting the detected abnormality;
    Program to function as.
JP2017138269A 2017-07-14 2017-07-14 State detection device, state detection method and program Active JP6824121B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2017138269A JP6824121B2 (en) 2017-07-14 2017-07-14 State detection device, state detection method and program

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
JP2017138269A JP6824121B2 (en) 2017-07-14 2017-07-14 State detection device, state detection method and program
CN201880003268.7A CN109641602A (en) 2017-07-14 2018-02-20 Abnormality detecting apparatus, method for detecting abnormality and non-transitory computer-readable medium
PCT/JP2018/005935 WO2019012726A1 (en) 2017-07-14 2018-02-20 Abnormality detection device, abnormality detection method, and non-transitory computer readable medium
TW107108402A TWI678602B (en) 2017-07-14 2018-03-13 Abnormality detection device, abnormality detection method, and computer readable medium

Publications (2)

Publication Number Publication Date
JP2019020982A true JP2019020982A (en) 2019-02-07
JP6824121B2 JP6824121B2 (en) 2021-02-03

Family

ID=61656282

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2017138269A Active JP6824121B2 (en) 2017-07-14 2017-07-14 State detection device, state detection method and program

Country Status (4)

Country Link
JP (1) JP6824121B2 (en)
CN (1) CN109641602A (en)
TW (1) TWI678602B (en)
WO (1) WO2019012726A1 (en)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2581390A (en) * 2019-02-15 2020-08-19 Thales Holdings Uk Plc Diagnostic system and a method of diagnosing faults

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2211815A1 (en) * 1997-07-29 1999-01-29 Craig Luker Method and apparatus for determining vehicle brake effectiveness
US6898542B2 (en) * 2003-04-01 2005-05-24 Fisher-Rosemount Systems, Inc. On-line device testing block integrated into a process control/safety system
US8396582B2 (en) * 2008-03-08 2013-03-12 Tokyo Electron Limited Method and apparatus for self-learning and self-improving a semiconductor manufacturing tool
JP4612699B2 (en) * 2008-03-11 2011-01-12 株式会社東芝 Monitoring / diagnosis device and remote monitoring / diagnosis system
JP5561357B2 (en) * 2010-03-04 2014-07-30 三菱電機株式会社 Control system with programmable display, programmable display, and drawing data creation means thereof
DE112010006057T5 (en) * 2010-12-09 2013-10-10 Mitsubishi Electric Corp. Industrial device for automatic diagnosis
JP5621937B2 (en) * 2011-08-24 2014-11-12 日本電気株式会社 Operation management apparatus, operation management method, and program
JP5284433B2 (en) * 2011-09-14 2013-09-11 株式会社東芝 Process monitoring / diagnosis / support equipment
JP6116899B2 (en) * 2012-01-16 2017-04-19 東芝メディカルシステムズ株式会社 Medical image diagnostic apparatus and control program
JP2014035687A (en) * 2012-08-09 2014-02-24 Toshiba Corp Engineering system and monitoring control method thereof
US9647906B2 (en) * 2012-11-02 2017-05-09 Rockwell Automation Technologies, Inc. Cloud based drive monitoring solution
US10649449B2 (en) * 2013-03-04 2020-05-12 Fisher-Rosemount Systems, Inc. Distributed industrial performance monitoring and analytics
JP5649748B1 (en) * 2013-04-12 2015-01-07 三菱電機株式会社 Programmable controller peripheral device and debugging support program
JP2015153290A (en) * 2014-02-18 2015-08-24 株式会社東芝 Plant control device, plant control method, and plant control program
CN104571099B (en) * 2015-01-26 2017-05-24 北京国能日新系统控制技术有限公司 Photovoltaic fault diagnosis system and method based on theoretical calculation and data analysis
WO2016181543A1 (en) * 2015-05-14 2016-11-17 株式会社日立製作所 Status-monitoring device for railroad vehicle, status-monitoring system, and train vehicle
JP6474894B2 (en) * 2015-06-09 2019-02-27 株式会社日立製作所 Data collection system and method, measurement data amount reduction method
JP6344350B2 (en) * 2015-09-18 2018-06-20 横河電機株式会社 Control device
TW201721314A (en) * 2015-12-01 2017-06-16 佳霖科技股份有限公司 Machine monitoring and interlocking system
JP6588814B2 (en) * 2015-12-17 2019-10-09 株式会社東芝 Abnormality diagnosis apparatus and method
CN105893213B (en) * 2016-06-22 2018-04-20 北京蓝海讯通科技股份有限公司 A kind of method for detecting abnormality, application and monitoring device

Also Published As

Publication number Publication date
JP6824121B2 (en) 2021-02-03
CN109641602A (en) 2019-04-16
TW201908900A (en) 2019-03-01
WO2019012726A1 (en) 2019-01-17
TWI678602B (en) 2019-12-01

Similar Documents

Publication Publication Date Title
CN107408225B (en) Adaptive handling of operational data
US20180082217A1 (en) Population-Based Learning With Deep Belief Networks
US9002691B2 (en) Systems and methods for analyzing equipment failures and maintenance schedules
US8732524B2 (en) Systems and methods for using a corrective action as diagnostic evidence
US8155908B2 (en) Systems and methods for real-time system monitoring and predictive analysis
US8717374B2 (en) Methods and apparatus to display process control information
US8217945B1 (en) Social annotation of a single evolving visual representation of a changing dataset
CN105260279B (en) Method and apparatus based on SMART data dynamic diagnosis hard disk failure
US20140074300A1 (en) Thermostat Classification Method and System
US7107176B2 (en) Sensor fusion using self evaluating process sensors
TWI614721B (en) Detection of defects embedded in noise for inspection in semiconductor manufacturing
US20140351642A1 (en) System and methods for automated plant asset failure detection
US20120136629A1 (en) Apparatus abnormality monitoring method and system
JP6008070B1 (en) Operation management apparatus, operation management method, and recording medium on which operation management program is recorded
US9658916B2 (en) System analysis device, system analysis method and system analysis program
US20160328654A1 (en) Anomaly detection for context-dependent data
EP1983437A1 (en) Determining of data quality in data streams
US20150121175A1 (en) Self-correcting complex event processing system and corresponding method for error correction
JP5479177B2 (en) Information processing apparatus, consumable management method, and program
EP2466495B1 (en) Systems and/or methods for event stream deviation detection
CN107209508B (en) Information processing unit and information processing method
MXPA04006254A (en) Method, system and computer product for estimating a remaining equipment life.
CN106092190B (en) Pump-storage generator operation stability state deteriorates method for early warning and system
US10025756B2 (en) Selection and use of representative target subsets
EP3379360A2 (en) Anomaly detection system and anomaly detection method

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20190823

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20200814

A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20201007

A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20201211

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20210112