JP2019070930A - Abnormality detection device and abnormality detection method - Google Patents

Abnormality detection device and abnormality detection method Download PDF

Info

Publication number
JP2019070930A
JP2019070930A JP2017196333A JP2017196333A JP2019070930A JP 2019070930 A JP2019070930 A JP 2019070930A JP 2017196333 A JP2017196333 A JP 2017196333A JP 2017196333 A JP2017196333 A JP 2017196333A JP 2019070930 A JP2019070930 A JP 2019070930A
Authority
JP
Japan
Prior art keywords
abnormal
abnormality
sensor
abnormality detection
cluster
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
JP2017196333A
Other languages
Japanese (ja)
Other versions
JP7017363B2 (en
Inventor
渋谷 久恵
Hisae Shibuya
久恵 渋谷
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 Power Solutions Co Ltd
Original Assignee
Hitachi Power Solutions Co 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 Power Solutions Co Ltd filed Critical Hitachi Power Solutions Co Ltd
Priority to JP2017196333A priority Critical patent/JP7017363B2/en
Publication of JP2019070930A publication Critical patent/JP2019070930A/en
Application granted granted Critical
Publication of JP7017363B2 publication Critical patent/JP7017363B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Testing And Monitoring For Control Systems (AREA)

Abstract

To make it easy to specify a sensor related to an abnormality even if a large number of abnormal periods are detected in abnormality detection based on a plurality of time-series sensor signals.SOLUTION: In an abnormality detection device 100, an abnormality detection unit 110 detects an abnormality of a sensor signal at each time by comparing an anomaly measure calculated from a plurality of time-series sensor signals with a threshold. A related sensor identification unit 111 extracts an abnormal period in which an abnormality is continuously detected, calculates an isolation degree indicating deviation from learning data for each abnormal period, and specifies the related sensor that has caused the abnormality detection based on the isolation degree. A diagnostic information presentation unit 112 classifies the abnormal period into a plurality of clusters based on the degree of similarity of the isolation degree, estimates that the importance is higher as the number of abnormal periods included is larger, and ranks and presents diagnostic support information.SELECTED DRAWING: Figure 1

Description

本発明は、プラントや設備などが出力する複数の時系列センサ信号をもとに異常を早期に検知する異常検知装置および異常検知方法に関する。   The present invention relates to an abnormality detection apparatus and an abnormality detection method for early detecting an abnormality based on a plurality of time-series sensor signals output from a plant, an installation or the like.

電力会社では、ガスタービンの廃熱などを利用して地域暖房用温水を供給したり、工場向けに高圧蒸気や低圧蒸気を供給したりしている。石油化学会社では、ガスタービンなどを電源設備として運転している。このようにガスタービンなどを用いた各種プラントや設備において、設備の不具合またはその兆候を検知する異常検知は、社会へのダメージを最小限に抑えるためにも極めて重要である。   A power company supplies hot water for district heating by using waste heat of a gas turbine or the like, and supplies high pressure steam or low pressure steam to a factory. A petrochemical company operates a gas turbine or the like as a power supply facility. As described above, in various plants and equipment using gas turbines and the like, abnormality detection for detecting equipment failure or its symptoms is extremely important for minimizing damage to society.

ガスタービンや蒸気タービンのみならず、水力発電所での水車、原子力発電所の原子炉、風力発電所の風車、航空機や重機のエンジン、鉄道車両や軌道、エスカレータ、エレベータ、機器・部品レベルでも、搭載電池の劣化・寿命など、上記のような予防保全を必要とする設備は枚挙に暇がない。   Not only gas turbines and steam turbines, but also turbines at hydroelectric power plants, nuclear reactors at nuclear power plants, wind turbines at wind power plants, engines of aircraft and heavy machinery, railway cars and tracks, escalators, elevators, equipment and parts, etc. Facilities requiring the above-mentioned preventive maintenance, such as the deterioration and life of the mounted battery, are numerous.

このため、対象設備やプラントでは様々な物理情報を取得する複数のセンサを取り付け、センサ毎の監視基準に従って、対象設備やプラントが正常か異常かを判定される。特許文献1には、過去の正常データの学習に基づいて算出される異常測度をしきい値と比較することによって異常の有無を検知する異常検知方法が開示されている。さらに、検知した異常について、対策・調査などの次の行動の決定を支援する情報を提示することを目的として、センサ信号の二次元の分布に基づいて異常に関連するセンサを特定する方法が開示されている。ここに異常測度とは、複数のセンサによる測定値を1つのベクトル値として表現し、正常状態のベクトル値からの偏移量のことである。   Therefore, in the target facility or plant, a plurality of sensors for acquiring various physical information are attached, and whether the target facility or plant is normal or abnormal is determined according to the monitoring standard for each sensor. Patent Document 1 discloses an abnormality detection method for detecting the presence or absence of an abnormality by comparing an abnormality measure calculated based on learning of past normal data with a threshold. Furthermore, a method of identifying a sensor related to an abnormality based on a two-dimensional distribution of sensor signals is disclosed for the purpose of presenting information for supporting the determination of the next action such as countermeasure or investigation about the detected abnormality. It is done. Here, the anomaly measure is a shift amount from a normal state vector value, which represents measurement values of a plurality of sensors as one vector value.

特開2014−142697号公報JP, 2014-142697, A

特許文献1に記載の二次元の分布に基づいて異常に関連するセンサを特定する方法は、検知された異常に関連するセンサを正しく診断することが可能であるため、作業者はまずその関連を調査し、異常の原因を推定し対策することができる。しかし、予兆の早期検知を狙い検知の感度を上げると、誤報が発生するとともに異常区間が多数出力されることとなるため、どこから調査すべきか判断するのが難しくなる。また、人為的な条件変更や一時操作による変化など対策不要の状態についても異常として検知してしまうため、確認の手間が余計にかかってしまう。   Since the method of identifying a sensor related to an abnormality based on the two-dimensional distribution described in Patent Document 1 can correctly diagnose a sensor related to a detected abnormality, a worker first recognizes the relation. You can investigate, estimate the cause of the abnormality, and take measures. However, when aiming at early detection of a sign, if the sensitivity of detection is increased, a false alarm will occur and a large number of abnormal sections will be output, making it difficult to determine where to investigate. In addition, since it is detected as an abnormality also about the state where measures are unnecessary such as artificial condition change and change due to temporary operation, it takes extra time for confirmation.

本発明の目的は、上記課題を解決するため、複数の時系列センサ信号に基づく異常検知において、異常区間が多数検知されても異常に関連するセンサの特定を容易にする異常検知装置および異常検知方法を提供することにある。   In order to solve the above problems, an object of the present invention is an abnormality detection apparatus and an abnormality detection that facilitate identification of a sensor related to an abnormality even when a large number of abnormal sections are detected in abnormality detection based on a plurality of time series sensor signals. To provide a way.

本発明の異常検知装置は、設備に装着された複数のセンサから出力される複数の時系列のセンサ信号を入力するセンサ信号入力部と、前記センサ信号から時刻毎に特徴ベクトルを抽出する特徴ベクトル抽出部と、指定された学習期間の前記特徴ベクトルを学習データとして各時刻の異常測度を算出する異常測度算出部と、前記異常測度をしきい値と比較することにより各時刻のセンサ信号が正常か異常かを判定する異常検出部と、異常が連続して検知される異常区間を抽出し、前記異常区間毎に異常との関連性の強さを示すパラメータを算出し、前記パラメータに基づき異常検知の原因となった関連センサを特定する関連センサ特定部と、前記異常区間を前記パラメータの類似度に基づいて複数のクラスタに分類し、含まれる異常区間数が多いクラスタほど重要度が高いと推定して、診断支援情報に順位を付けて提示する診断情報提示部と、を備える構成とする。   The abnormality detection device according to the present invention includes a sensor signal input unit that inputs a plurality of time-series sensor signals output from a plurality of sensors attached to a facility, and a feature vector that extracts a feature vector from the sensor signal at each time. A sensor signal at each time is normal by comparing an extraction unit, an abnormality measure calculation unit that calculates an abnormality measure at each time with the feature vector of the specified learning period as learning data, and comparing the abnormality measure with a threshold And an abnormal section where abnormality is continuously detected, and a parameter indicating strength of association with the abnormality is calculated for each of the abnormal sections, and the abnormality is calculated based on the parameter The related sensor identification unit that specifies the related sensor that caused the detection, and the abnormal section are classified into a plurality of clusters based on the similarity of the parameters, and the number of abnormal sections included is large Estimated to be high cluster more importance, a configuration provided with a diagnostic information presentation unit that presents with a rank in the diagnosis support information.

本発明によれば、重要度が高いと推定される関連センサから優先的に提示するので、ユーザの確認作業の効率を向上させることができる。   According to the present invention, it is possible to improve the efficiency of the user's confirmation work because the related sensors that are estimated to be of high importance are preferentially presented.

本発明に係る異常検知装置の一構成例を示す図である。It is a figure which shows one structural example of the abnormality detection apparatus which concerns on this invention. 複数のセンサ信号をリスト化して表形式に表した例を示す図である。FIG. 7 is a diagram showing an example in which a plurality of sensor signals are listed and tabulated 異常検知装置の行う全体の処理フローを示す図である。It is a figure which shows the processing flow of the whole which an abnormality detection apparatus performs. 学習時の異常測度算出処理のフローを示す図である。It is a figure which shows the flow of abnormality measure calculation processing at the time of learning. 局所部分空間法による異常測度算出処理を説明する図である。It is a figure explaining the abnormal measure calculation processing by a local subspace method. 学習時の二次元頻度分布算出処理のフローを示す図である。It is a figure which shows the flow of the two-dimensional frequency distribution calculation process at the time of learning. 二次元頻度分布画像の例を示す図である。It is a figure which shows the example of a two-dimensional frequency distribution image. 二次元頻度分布画像の例を示す図である。It is a figure which shows the example of a two-dimensional frequency distribution image. 二次元頻度分布画像の例を示す図である。It is a figure which shows the example of a two-dimensional frequency distribution image. 異常検知処理のフローを示す図である。It is a figure which shows the flow of an abnormality detection process. 孤立度算出処理のフローを示す図である。It is a figure which shows the flow of isolation degree calculation processing. 孤立度の算出法を具体的に説明する図である。It is a figure which illustrates concretely the calculation method of isolation degree. 関連センサ特定処理のフローを示す図である。It is a figure which shows the flow of a related sensor specific process. 重要度推定処理のフローを示す図である。It is a figure which shows the flow of importance degree estimation processing. オフライン解析条件を設定するGUIの例を示す図である。It is a figure which shows the example of GUI which sets an offline analysis condition. オンライン解析結果の表示対象を指定するGUIの例を示す図である。It is a figure which shows the example of GUI which designates the display object of an online analysis result. 解析結果全体表示画面の例を示す図である。It is a figure which shows the example of an analysis result whole display screen. 解析結果拡大表示画面の例を示す図である。It is a figure which shows the example of an analysis result enlarged display screen. クラスタ表示画面の例を示す図である。It is a figure which shows the example of a cluster display screen. 重要度診断画面の例を示す図である。It is a figure which shows the example of an importance degree diagnostic screen. 対策不要と誤報を推定する処理のフローを示す図である。It is a figure which shows the flow of the process which presumes that countermeasure is unnecessary, and a misreport. 対策不要と推定すべき例を示す図である。It is a figure which shows the example which should be estimated that countermeasure is unnecessary. 複数の設備の異常監視結果を一覧するGUIの例を示す図である。It is a figure which shows the example of GUI which lists the abnormality monitoring result of several installation.

図1は、本発明に係る異常検知装置の一構成例を示す図である。異常検知装置100は、検知対象である設備101に装着されたセンサから出力されるセンサ信号102を、所定時間ごとに(周期的に)取得する。取得したセンサ信号102は、一旦センサ信号蓄積部103にて蓄積された後、あるいは直接にセンサ信号入力部104に入力され、特徴ベクトル抽出部105へ送られる。特徴ベクトル抽出部105は、センサ信号102をもとに特徴ベクトルを抽出し異常測度算出部106へ送る。異常測度算出部106は、予め指定された学習期間の特徴ベクトルを用いて、所定時間毎(以下、各時刻と表現する場合もある)の特徴ベクトル毎に異常測度を算出する。   FIG. 1 is a view showing an example of the configuration of an abnormality detection apparatus according to the present invention. The abnormality detection apparatus 100 acquires (periodically) a sensor signal 102 output from a sensor attached to the equipment 101 to be detected at predetermined time intervals. The acquired sensor signal 102 is temporarily stored in the sensor signal storage unit 103 or is directly input to the sensor signal input unit 104 and sent to the feature vector extraction unit 105. The feature vector extraction unit 105 extracts a feature vector based on the sensor signal 102 and sends the feature vector to the abnormality measure calculation unit 106. The abnormality measure calculation unit 106 calculates an abnormality measure for each feature vector at predetermined time intervals (hereinafter sometimes referred to as each time) using a feature vector of a learning period specified in advance.

しきい値算出部107は、異常測度算出部106による学習データの異常測度に基づいてしきい値を算出する。二次元分布算出部108は学習期間のセンサ信号に基づき、センサ2個の全組合せの二次元頻度分布を算出する。特徴ベクトル抽出部105で抽出された学習期間の特徴ベクトル、しきい値算出部107で算出されたしきい値、二次元分布算出部108で算出された二次元頻度分布ほか、異常検知時に必要となるデータは学習結果として学習結果蓄積部109に保存される。異常検出部110は、異常測度算出部106から送られる各特徴ベクトルの異常測度と、しきい値算出部107で算出したしきい値とを比較することで、設備101の異常を検出する。関連センサ特定部111は、二次元分布算出部108で算出された二次元頻度分布を用いて、異常区間毎に異常関連センサを特定する。診断情報提示部112は、異常区間をクラスタリングして、高頻度なクラスタほど重要度が高いと推定して重要度順位を決定し、関連センサおよび重要度の情報を含む検知結果113を診断支援情報として出力する。   The threshold calculation unit 107 calculates a threshold based on the abnormality measure of the learning data by the abnormality measure calculation unit 106. The two-dimensional distribution calculation unit 108 calculates a two-dimensional frequency distribution of all combinations of two sensors based on the sensor signal of the learning period. In addition to the feature vector of the learning period extracted by the feature vector extraction unit 105, the threshold value calculated by the threshold value calculation unit 107, the two-dimensional frequency distribution calculated by the two-dimensional distribution calculation unit 108, etc. Data is stored in the learning result storage unit 109 as a learning result. The abnormality detection unit 110 detects an abnormality of the equipment 101 by comparing the abnormality measure of each feature vector sent from the abnormality measure calculation unit 106 with the threshold value calculated by the threshold value calculation unit 107. The related sensor specifying unit 111 specifies an abnormality related sensor for each abnormal section using the two-dimensional frequency distribution calculated by the two-dimensional distribution calculating unit 108. The diagnostic information presentation unit 112 clusters the abnormal sections, estimates that the importance is higher as the frequency is higher, determines the importance order, and detects the detection result 113 including the related sensor and the information of the importance as diagnosis support information Output as

ここで、以下で用いる用語の簡単な説明を行う。特徴ベクトルとは、複数のセンサによる測定値を1つのベクトル値として表現したものである。異常測度とは、注目する特徴ベクトルの、指定された期間の特徴ベクトルからの偏移量のことである。異常区間とは異常が連続して検知される区間のことである。孤立度とは、センサ信号値が学習データからどれだけ乖離しているかを示すパラメータであり、異常との関連性の強さを示すものである。異常関連センサ(関連センサ)とは、異常測度がしきい値を超えて異常として検知された原因となったセンサのことである。クラスタとは、異常区間を孤立度ベクトルの類似度に基づいて分類した集合体で、そこに含まれる異常区間数が多いほど重要度が高いと推定する。   Here is a brief explanation of the terms used below. The feature vector represents the measurement values of a plurality of sensors as one vector value. The anomaly measure is the amount of deviation of the feature vector of interest from the feature vector of a designated period. The abnormal section is a section in which an abnormality is continuously detected. The degree of isolation is a parameter indicating how much the sensor signal value deviates from the learning data, and indicates the strength of the association with the abnormality. An abnormality related sensor (related sensor) is a sensor that causes an abnormality measure to be detected as an abnormality by exceeding a threshold. A cluster is an aggregate in which abnormal segments are classified based on the degree of similarity of isolation vector, and it is estimated that the importance is higher as the number of abnormal segments included therein is larger.

異常検知の対象とする設備101は、例えばガスタービンや蒸気タービンなどの設備やプラントである。設備101は、その状態を表すセンサ信号102を出力する。センサ信号102はセンサ信号蓄積部103に蓄積される。   The equipment 101 to be subjected to abnormality detection is, for example, equipment or a plant such as a gas turbine or a steam turbine. The equipment 101 outputs a sensor signal 102 representing the state. The sensor signal 102 is accumulated in the sensor signal accumulation unit 103.

図2は、複数のセンサ信号102をリスト化して表形式に表した例である。センサ信号102は、物理特性の異なる複数の物理情報が所定間隔毎に取得される多次元時系列信号である。図2に示す表の構成は、日時201の情報と、複数のセンサのセンサ値202を対応させて示している。センサは、数百から数千といった数になる場合もあり、それらの種類によって、例えば、シリンダ、オイル、冷却水などの温度、オイルや冷却水の圧力、軸の回転速度、室温、運転時間などをセンサ値として出力する。センサ値は、設備やプラントなどの出力や状態を表すのみならず、何かの状態をある値(たとえば目標値)に制御するための制御信号の場合もある。   FIG. 2 shows an example in which a plurality of sensor signals 102 are listed and tabulated. The sensor signal 102 is a multidimensional time-series signal in which a plurality of pieces of physical information having different physical characteristics are acquired at predetermined intervals. The configuration of the table shown in FIG. 2 indicates the information of the date 201 and the sensor values 202 of a plurality of sensors in association with each other. Depending on the type of sensor, the temperature may be, for example, the temperature of a cylinder, oil, cooling water, the pressure of oil or cooling water, the rotational speed of a shaft, room temperature, operating time, etc. Is output as a sensor value. The sensor value may not only represent the output or state of a facility or plant, but also be a control signal for controlling a certain state to a certain value (for example, a target value).

異常検知装置100の動作には、センサ信号蓄積部103に蓄積されたデータを用いて学習データの生成、保存を行う「学習」処理と、入力信号に基づき異常を検知する「異常検知」処理の二つのフェーズがある。基本的に前者はオフラインの処理、後者はオンラインの処理である。ただし、後者をオフラインの処理とすることも可能である。以下の説明では、それらを「学習時」、「異常検知時」という言葉で区別する。   The operation of the abnormality detection apparatus 100 includes a “learning” process of generating and storing learning data using data stored in the sensor signal storage unit 103 and an “abnormality detection” process of detecting an abnormality based on an input signal. There are two phases. Basically, the former is an off-line process and the latter is an on-line process. However, it is also possible to make the latter an off-line process. In the following description, they are distinguished by the words "at the time of learning" and "at the time of abnormality detection".

図3は、異常検知装置100の行う全体の処理フローを示す図である。ここでは処理の概要を記載している。(a)は学習時の異常測度算出処理で、学習期間のセンサ信号を入力し(S301)、特徴ベクトルの抽出(S302)と異常測度の算出(S303)を行う。(b)は学習時の学習結果算出処理で、S303で求めた異常測度の値を利用してしきい値の算出(S311)を行い、また、学習期間のセンサ信号を入力し(S312)、センサ2個の全組合せの二次元頻度分布の算出(S313)を行う。(c)は異常検知時の異常判定処理で、検知対象のセンサ信号を入力し(S321)、特徴ベクトルの抽出(S322)と異常測度の算出(S323)を行う。そして、算出した異常測度を、S311で求めたしきい値と比較することにより、設備の正常/異常を判定する(S324)。そして、異常区間を抽出し(S325)、異常区間毎に孤立度ベクトルを算出し(S326)、これをもとに異常関連センサを特定する(S327)。最後に、異常区間のクラスタリングに基づき重要度の推定を行う(S328)。
以下、(a)(b)(c)の順に説明するが、それぞれの詳細なフローは、図4A、図5、図7〜8、図10〜11にて説明する。
FIG. 3 is a diagram showing an overall processing flow performed by the abnormality detection apparatus 100. Here is an outline of the process. (A) is an abnormality measure calculation process at the time of learning, in which a sensor signal in a learning period is input (S301), extraction of feature vectors (S302) and calculation of an abnormality measure (S303) are performed. (B) is a learning result calculation process at the time of learning, where the threshold value is calculated (S311) using the value of the abnormality measure obtained in S303, and a sensor signal of a learning period is input (S312), Calculation (S313) of two-dimensional frequency distribution of all combinations of two sensors is performed. (C) is an abnormality determination process at the time of abnormality detection, in which a sensor signal to be detected is input (S321), feature vector extraction (S322) and abnormality measure calculation (S323) are performed. Then, normality / abnormality of the equipment is determined by comparing the calculated abnormality measure with the threshold value obtained in S311 (S324). Then, an abnormal section is extracted (S325), an isolation degree vector is calculated for each abnormal section (S326), and an abnormality related sensor is specified based on this (S327). Finally, the degree of importance is estimated based on the clustering of the abnormal section (S328).
Hereinafter, although it demonstrates in order of (a), (b), and (c), each detailed flow is demonstrated in FIG. 4A, FIG. 5, FIG. 7-8, and FIG.

図4Aは、学習時の異常測度算出処理のフローを示す図である。最初に、センサ信号入力部104において、センサ信号蓄積部103に蓄積されたセンサ値のうち指定された期間(学習期間)のセンサ信号を入力する(S401)。学習期間として、設備が正常な状態であった期間を指定するものとする。次に、特徴ベクトル抽出部105において、入力されたセンサ信号を正準化する(S402)。センサ信号の正準化は、単位及びスケールの異なる複数のセンサ信号を同様に扱うために行う。具体的には、各センサ信号の、学習期間の平均と標準偏差を用いて、平均が0、分散が1となるように各センサ信号を変換する。異常検知時に同じ変換ができるように、各センサ信号の平均と標準偏差を記憶しておく。または、各センサ信号の、学習期間の最大値と最小値を用いて、最大が1、最小が0となるように各センサ信号を変換する。または、最大値と最小値の代わりに予め設定した上限値と下限値を用いてもよい。この場合は、異常検知時に同様の変換ができるように、各センサ信号の最大値と最小値または上限値と下限値を学習結果蓄積部109に記憶しておく。   FIG. 4A is a diagram showing a flow of abnormality measure calculation processing at the time of learning. First, in the sensor signal input unit 104, a sensor signal for a designated period (learning period) of the sensor values stored in the sensor signal storage unit 103 is input (S401). As a learning period, a period in which the equipment is in a normal state is designated. Next, the feature vector extraction unit 105 normalizes the input sensor signal (S402). Standardization of sensor signals is performed to handle a plurality of sensor signals having different units and scales in the same manner. Specifically, each sensor signal is converted so that the average is 0 and the variance is 1 using the average and standard deviation of the learning period of each sensor signal. The average and standard deviation of each sensor signal are stored so that the same conversion can be performed at the time of abnormality detection. Alternatively, each sensor signal is converted such that the maximum is 1 and the minimum is 0 using the maximum value and the minimum value of the learning period of each sensor signal. Alternatively, instead of the maximum value and the minimum value, previously set upper and lower limits may be used. In this case, the maximum value and the minimum value or the upper limit value and the lower limit value of each sensor signal are stored in the learning result storage unit 109 so that the same conversion can be performed at the time of abnormality detection.

次に、特徴ベクトル抽出部105において、各時刻の特徴ベクトルを抽出する(S403)。特徴ベクトルは、センサ信号を正準化したものをそのまま要素として並べたものである。あるいは、ある時刻に対して±1,±2,・・・のウィンドウを設け、ウィンドウ幅(3,5,・・・)×センサ数の特徴ベクトルとすることで、センサ信号の時間変化を表す特徴を抽出することもできる。また、離散ウェーブレット変換(DWT:Discrete Wavelet Transform)を施して、周波数成分に分解してもよい。   Next, the feature vector extraction unit 105 extracts feature vectors at each time (S403). The feature vector is one obtained by arranging the normalized sensor signal as an element as it is. Alternatively, a window of ± 1, ± 2,... Is provided for a certain time, and the time variation of the sensor signal is represented by setting the window width (3, 5,...) × the number of sensors as a feature vector Features can also be extracted. In addition, discrete wavelet transform (DWT) may be applied to decompose into frequency components.

次に、異常測度算出部106において、学習期間の異常測度を算出する。まず学習期間を複数の区間に分け(S404)、抽出した全特徴ベクトルについて、以下の処理を繰り返す(S405)。複数区間に対応して順次選んだ特徴ベクトルである注目ベクトルと、注目ベクトルと同じ区間を除く学習期間のデータを学習データとする(S406)。注目ベクトルと学習データを用いて異常測度を算出する(S407)。ステップS404における区間の分割は例えば1日毎とする。あるいは、化学プラントのようなバッチ処理の場合はバッチ毎、加工装置の場合は加工対象個体毎、MRIのような医療装置の場合は検査対象者毎としてもよい。ステップS407の異常測度算出処理には、局所部分空間法(LSC:Local Sub-space Classifier)や投影距離法(PDM:Projection Distance Method)を用いることができる。   Next, the abnormality measure calculation unit 106 calculates an abnormality measure of the learning period. First, the learning period is divided into a plurality of sections (S404), and the following processing is repeated for all the extracted feature vectors (S405). An attention vector which is a feature vector sequentially selected corresponding to a plurality of sections, and data of a learning period excluding the section same as the attention vector are set as learning data (S406). An anomaly measure is calculated using the attention vector and the learning data (S407). Division of the section in step S404 is, for example, every day. Alternatively, it may be per batch in the case of batch processing such as a chemical plant, per processing target individual in the case of a processing apparatus, or per inspection subject in the case of a medical apparatus such as MRI. The local sub-space classifier (LSC) or the projection distance method (PDM) can be used for the abnormality measure calculation processing in step S407.

図4Bは、局所部分空間法による異常測度算出処理を説明する図である。局所部分空間法は、注目ベクトルqに対するk個の近傍ベクトルを選択し、選択したk個の近傍ベクトルが張るk−1次元のアフィン部分空間へ注目ベクトルqを投影したときの投影距離を測る方法である。図4Bでは、k=3個の近傍ベクトルx1〜x3でアフィン部分空間を形成した場合である。そして、注目ベクトルqに最も近いアフィン部分空間上の点Xbが投影点(基準ベクトル)となり、注目ベクトルqから基準ベクトルXbまでの距離が異常測度である。   FIG. 4B is a view for explaining abnormality measure calculation processing by the local subspace method. The local subspace method selects k neighborhood vectors for the vector of interest q and measures the projection distance when the vector of interest q is projected onto a k-1 dimensional affine subspace spanned by the selected k neighborhood vectors It is. In FIG. 4B, the affine subspace is formed by k = 3 neighborhood vectors x1 to x3. Then, the point Xb on the affine subspace closest to the target vector q is a projection point (reference vector), and the distance from the target vector q to the reference vector Xb is an anomaly measure.

具体的な算出法を説明する。評価データqとそのk個の近傍ベクトルxi(i=1,・・・,k)から、qをk個並べた行列Qとxiを並べた行列Xを作成し、(1)式から両者の相関行列Cを求める。次に、(2)式から近傍ベクトルxiの重み付けを表す係数ベクトルbを計算する。異常測度dは、ベクトル(q−Xb)のノルムまたはその2乗により算出される。   The specific calculation method will be described. From the evaluation data q and its k neighboring vectors xi (i = 1,..., K), a matrix X in which k pieces of q are arranged is created and a matrix X is generated. Find the correlation matrix C. Next, a coefficient vector b representing the weighting of the neighborhood vector xi is calculated from the equation (2). The anomaly measure d is calculated by the norm of the vector (q−Xb) or the square thereof.

Figure 2019070930
Figure 2019070930

Figure 2019070930
Figure 2019070930

なお、図4Bではk=3の場合を説明したが、特徴ベクトルの次元数より十分小さければいくつでもよい。k=1の場合は、最近傍法と等価の処理になる。   Although FIG. 4B illustrates the case of k = 3, any number may be used as long as it is sufficiently smaller than the number of dimensions of the feature vector. When k = 1, the processing is equivalent to the nearest neighbor method.

投影距離法は、選択された特徴ベクトルに対し独自の原点をもつ部分空間すなわちアフィン部分空間(分散最大の空間)を作成する方法である。何らかの方法で注目ベクトルに対応する複数の特徴ベクトルを選択し、以下の方法でアフィン部分空間を算出する。   The projection distance method is a method of creating a subspace having an original point of origin for the selected feature vector, ie, an affine subspace (space of maximum variance). A plurality of feature vectors corresponding to the vector of interest are selected by some method, and an affine subspace is calculated by the following method.

まず、選択された特徴ベクトルの平均μと共分散行列Σを求め、次にΣの固有値問題を解いて、値の大きい方から予め指定したr個の固有値に対応する固有ベクトルを並べた行列Uをアフィン部分空間の正規直交基底とする。rは特徴ベクトルの次元より小さくかつ選択データ数より小さい数とする。またはrを固定した数とせず、固有値の大きい方から累積した寄与率が予め指定した割合を超えたときの値としてもよい。注目ベクトルから最も近いアフィン部分空間上の点が基準ベクトルとなる。また、注目ベクトルから基準ベクトルを引いたものが残差ベクトルとなり、残差ベクトルのノルムまたはノルムの2乗が異常測度となる。   First, the average μ of the selected feature vectors and the covariance matrix Σ are determined, and then the eigenvalue problem of Σ is solved, and a matrix U in which eigenvectors corresponding to r eigenvalues designated in advance are arranged from the larger value is arranged It is an orthonormal basis of affine subspace. Let r be a number smaller than the dimension of the feature vector and smaller than the number of selected data. Alternatively, r may not be a fixed number, but may be a value when the contribution rate accumulated from the largest of the eigenvalues exceeds a predetermined ratio. The point on the affine subspace closest to the vector of interest is the reference vector. Also, the residual vector is obtained by subtracting the reference vector from the vector of interest, and the norm of the residual vector or the square of the norm becomes the anomaly measure.

ここで、複数の特徴ベクトルの選択方法としては、予め指定した数十から数百の数の特徴ベクトルを注目ベクトルから近い順に選択する方法がある。また、学習対象の特徴ベクトルを予めクラスタリングしておき、注目ベクトルに最も近いクラスタに含まれる特徴ベクトルを選択するようにしてもよい。また、注目ベクトルqのk−近傍ベクトルの平均ベクトルまでの距離を異常測度とする局所平均距離法や、ガウシアンプロセスなどを用いてもよい。   Here, as a method of selecting a plurality of feature vectors, there is a method of selecting a few tens to a few hundreds of feature vectors specified in advance in order of proximity to the vector of interest. Alternatively, feature vectors to be learned may be clustered in advance, and feature vectors included in a cluster closest to the vector of interest may be selected. Alternatively, a local average distance method in which the distance to the average vector of the k-neighboring vectors of the vector of interest q is an anomaly measure, a Gaussian process, or the like may be used.

次に、図3(b)の学習結果算出処理について説明する。まず、しきい値算出部107によるしきい値算出処理(S311)について説明する。このしきい値は、異常検出部109に入力する異常測度と比較され、設備の正常/異常を判定するために用いられるものである。しきい値算出部107は、正常な学習データを異常と判定しないしきい値を算出する。言い換えれば、正常な学習データから得られる異常測度の最大値をしきい値として算出する。   Next, the learning result calculation process of FIG. 3B will be described. First, the threshold value calculation process (S311) by the threshold value calculation unit 107 will be described. The threshold value is compared with the abnormality measure input to the abnormality detection unit 109, and is used to determine whether the equipment is normal or abnormal. The threshold calculation unit 107 calculates a threshold that does not determine that normal learning data is abnormal. In other words, the maximum value of the abnormality measure obtained from normal learning data is calculated as the threshold value.

あるいは、正常な学習データを予め定めた割合より多く正常と判定するしきい値を算出することにしてもよい。この場合は、正常な学習データから得られる異常測度をソートし、異常測度が低い方から前述の予め定めた割合に到達するところの異常測度をしきい値として採用する。   Alternatively, a threshold value may be calculated to determine that normal learning data is normal more than a predetermined ratio. In this case, the anomaly measures obtained from normal learning data are sorted, and the anomaly measures that reach the above-mentioned predetermined ratio from the one with the lowest anomaly measure are adopted as the threshold value.

次に、二次元分布算出部108による二次元頻度分布算出処理(S313)について説明する。
図5は、学習時の二次元頻度分布算出処理のフローを示す図である。始めに、学習期間のセンサ信号を入力する(S501)。各センサ信号についてステップS503からS506までの処理を繰り返す(S502、ループ1)。まず、学習期間のデータの最大値(MAX)と最小値(MIN)を求める(S503)。次に、最小値から最大値までの範囲を指定された数Nで分割する際の刻み幅Sを算出する(S504)。なお、S=(MAX−MIN)/Nで計算できる。次に、最小値から最大値までの範囲を外側に拡大し、二次元分布算出の処理範囲を算出する(S505)。拡大する範囲は、例えばMINをMIN−S×M、MAXをMAX+S×Mに変更する。ここでMは、予め決められた1以上の整数である。
Next, the two-dimensional frequency distribution calculation process (S313) by the two-dimensional distribution calculation unit 108 will be described.
FIG. 5 is a diagram showing a flow of two-dimensional frequency distribution calculation processing at the time of learning. First, a sensor signal in a learning period is input (S501). The processing from step S503 to step S506 is repeated for each sensor signal (S502, loop 1). First, the maximum value (MAX) and the minimum value (MIN) of data in the learning period are determined (S503). Next, the division width S at the time of dividing | segmenting the range from the minimum value to the maximum value by the designated number N is calculated (S504). In addition, it can calculate by S = (MAX-MIN) / N. Next, the range from the minimum value to the maximum value is expanded outward, and the processing range of two-dimensional distribution calculation is calculated (S505). The expansion range changes, for example, MIN to MIN−S × M, MAX to MAX + S × M. Here, M is a predetermined integer of 1 or more.

次に学習期間の全データについて、次式によりセンサ信号値(F)からビン番号(BNO)を算出する(S506)。
BNO=INT(N*(F−MIN)/(MAX−MIN))
ただし関数INT(X)はXの整数部を表す。ビン番号(BNO)を用いることで、各信号値は最小値0〜最大値Nの(N+1)段階の整数値に変換される。
Next, for all data in the learning period, a bin number (BNO) is calculated from the sensor signal value (F) according to the following equation (S506).
BNO = INT (N * (F-MIN) / (MAX-MIN))
However, the function INT (X) represents the integer part of X. By using the bin number (BNO), each signal value is converted into an integer value of (N + 1) stages of minimum value 0 to maximum value N.

次に、複数のセンサの中から2個のセンサを取り出し、それぞれのセンサ信号の組合せに基づき二次元分布を算出する。これを全てのセンサの組合せについて、ステップS508からS510までの処理を繰り返す(S507、ループ2)。ここで2個のセンサの組合せの中には同一センサの組合せを含める。従ってセンサの組合せ数(繰り返し数)は、(センサ数)×(センサ数+1)/2となる。   Next, two sensors are taken out from a plurality of sensors, and a two-dimensional distribution is calculated based on the combination of each sensor signal. The processing from steps S508 to S510 is repeated for all the combinations of sensors (S507, loop 2). Here, the combination of two sensors includes the same combination of sensors. Therefore, the number of sensor combinations (the number of repetitions) is (number of sensors) × (number of sensors + 1) / 2.

まず、二次元分布算出用の二次元配列を確保し、全ての要素に0をセットする(S508)。配列のサイズはN+2Mである。学習期間の全データについて、2個のセンサ信号のビン番号BNOに対応する配列の要素に1を加算する(S509)。すなわち、一方のセンサ信号のビン番号は列の要素に対応させ、他方のセンサ信号のビン番号は行の要素に対応させる。この処理により、センサ2個による信号の二次元の頻度分布(ヒストグラム)が算出される。この頻度分布を画像に変換して保存する(S510)。変換方法については後述する。図示はしていないが、二次元配列のサイズおよびステップS504およびS505で算出した各センサ信号の処理対象範囲と刻み幅を、学習結果蓄積部109に記録しておく。   First, a two-dimensional array for two-dimensional distribution calculation is secured, and 0 is set to all elements (S508). The size of the array is N + 2M. For all data in the learning period, 1 is added to the element of the array corresponding to the bin number BNO of the two sensor signals (S509). That is, the bin numbers of one sensor signal correspond to the elements of the column, and the bin numbers of the other sensor signal correspond to the elements of the row. By this process, a two-dimensional frequency distribution (histogram) of signals by two sensors is calculated. This frequency distribution is converted into an image and stored (S510). The conversion method will be described later. Although not shown, the size of the two-dimensional array and the processing target range and step size of each sensor signal calculated in steps S504 and S505 are recorded in the learning result storage unit 109.

ステップS510における、画像変換方法の例を説明する。始めに配列要素の最大値すなわち最大頻度を求める。画像サイズは配列サイズと同じとし、各要素の値から対応する座標の画素値を例えば、255×配列の要素値/最大頻度とする。数値255は画素値を8ビットで表す場合の最大値であり、この値を用いれば、そのままビットマップ形式で保存できる。あるいは、画素値を255×LOG(配列の要素値+1)/LOG(最大頻度+1)とする。ただし関数LOG(X)はXの対数を表す。このような変換式を用いれば、最大頻度が大きい場合も、非ゼロの頻度に非ゼロの画素値を対応させることが可能になる。   An example of the image conversion method in step S510 will be described. First, the maximum value or maximum frequency of array elements is determined. The image size is the same as the array size, and the pixel value of the corresponding coordinate from the value of each element is, for example, the element value / maximum frequency of 255 × array. The numerical value 255 is the maximum value in the case where the pixel value is represented by 8 bits, and if this value is used, it can be stored as it is in the bitmap format. Alternatively, the pixel value is set to 255 × LOG (element value of array + 1) / LOG (maximum frequency + 1). However, the function LOG (X) represents the logarithm of X. By using such a conversion equation, it is possible to make the non-zero frequency correspond to the non-zero pixel value even when the maximum frequency is high.

図6A〜図6Cは、二次元頻度分布画像のいくつかの例を示す図である。横軸にセンサaの信号値(ビン番号)を、縦軸にセンサbの信号値(ビン番号)を示す。図5の処理により得られる画像は、二次元の特徴空間上で密度が高いところが高い画素値で表されているため、分布密度画像とも呼ぶことにする。ここでは、画素値の0を白、255を黒で表したグレイスケールの画像である。分布密度画像は2つのセンサの相関の強さに応じて、画像のパターンが変化する。図6Aと図6Bは相関が強い場合で、特に図6Aは時間的な相関が存在する場合である。   6A-6C illustrate some examples of two-dimensional frequency distribution images. The horizontal axis represents the signal value (bin number) of the sensor a, and the vertical axis represents the signal value (bin number) of the sensor b. The image obtained by the process of FIG. 5 is also referred to as a distribution density image because a high density portion in the two-dimensional feature space is represented by a high pixel value. Here, it is a grayscale image in which the pixel value of 0 is represented by white and 255 by black. In the distribution density image, the pattern of the image changes according to the strength of correlation between the two sensors. 6A and 6B are the cases where the correlation is strong, and in particular, FIG. 6A is the case where the temporal correlation exists.

頻度分布画像の作り方は、上記方法に限定されない。例えば単純な頻度分布ではなく、1個のデータにガウス分布や他の重みつきフィルタを割り当て、それを重畳するようにしてもよい。あるいは、上記方法で得られた画像に所定サイズの最大値フィルタをかけたり、平均フィルタ、その他の重みつきフィルタをかけたりしてもよい。また、8ビットではなく、16ビットに変換してもよい。また、必ずしも画像形式で保存する必要はなく二次元配列を変換せずにバイナリあるいはテキスト形式で保存してもよい。   How to create the frequency distribution image is not limited to the above method. For example, instead of a simple frequency distribution, a Gaussian distribution or another weighted filter may be assigned to one piece of data, and may be superimposed. Alternatively, the image obtained by the above method may be subjected to a maximum value filter of a predetermined size, an average filter, or another weighted filter. Also, conversion to 16 bits may be performed instead of 8 bits. Also, it is not always necessary to save in the form of an image, and the two-dimensional array may be saved in the form of binary or text without conversion.

図4Aおよび図5の学習処理においては、学習結果蓄積部109に学習結果を保存しておく。学習結果として保存されるデータには、少なくとも特徴ベクトル抽出のためのパラメータ、異常測度算出のためのパラメータ、センサ正準化のためのパラメータ、抽出した全特徴ベクトルデータ、異常判定しきい値、二次元分布算出のためのパラメータ、二次元頻度分布が含まれる。特徴ベクトル抽出のためのパラメータ及び異常測度算出のためのパラメータは、学習時に指定されたものと共通である。センサ正準化のためのパラメータは、センサ信号入力部104がステップS402の処理で算出した各センサ信号の平均、標準偏差、最大値、最小値などである。二次元分布算出のためのパラメータは、二次元配列のサイズおよび二次元分布算出部108がステップS504およびS505の処理で算出した各センサ信号の処理対象範囲と刻み幅である。   In the learning process of FIGS. 4A and 5, the learning result is stored in the learning result storage unit 109. The data stored as the learning result includes at least a parameter for feature vector extraction, a parameter for calculating an abnormal measure, a parameter for sensor standardization, all extracted feature vector data, an abnormality determination threshold value, and It includes parameters for calculating the dimensional distribution, and a two-dimensional frequency distribution. The parameters for feature vector extraction and the parameters for calculating the anomaly measure are common to those specified at the time of learning. The parameters for sensor standardization are the average, standard deviation, maximum value, minimum value, and the like of each sensor signal calculated by the sensor signal input unit 104 in the process of step S402. The parameters for calculating the two-dimensional distribution are the size of the two-dimensional array and the processing target range and step size of each sensor signal calculated by the two-dimensional distribution calculating unit 108 in steps S504 and S505.

次に、図3(c)の異常検知時の異常判定処理について、図7から図11を用いて説明する。
図7は、異常検出部110による異常検知処理(S321〜S324)のフローを示す図である。ここでは、センサ信号蓄積部103に蓄積されたデータのうち指定された期間のデータ、または新たに観測されたデータについて、特徴ベクトルの抽出(特徴ベクトル抽出部105)、異常測度の算出(異常測度算出部106)を行い、これをしきい値(しきい値算出部107)と比較して、異常検出部110にて正常か異常かの判定を行う。
Next, abnormality determination processing at the time of abnormality detection in FIG. 3C will be described with reference to FIGS. 7 to 11.
FIG. 7 is a diagram showing a flow of abnormality detection processing (S321 to S324) by the abnormality detection unit 110. Here, extraction of feature vectors (feature vector extraction unit 105) and calculation of anomalous measures (abnormality measures) for data of a designated period of data stored in the sensor signal storage unit 103 or newly observed data. The calculation unit 106) is performed, and this is compared with the threshold value (the threshold value calculation unit 107) to determine whether the abnormality detection unit 110 is normal or abnormal.

異常検出部110は、データベースから学習時に保存した学習結果を読み出す(S701)。その際、学習時の異常測度やしきい値に基づいて、ユーザが適切な処理番号を選択し、処理番号に対応付けられた学習結果を用いる。センサ信号入力部104は、センサ信号蓄積部103または設備101からセンサ信号102を入力し(S702)、センサ信号毎に正準化する(S703)。このとき、ステップS402の正準化の処理に用いたパラメータを用いる。次に、特徴ベクトル抽出部105は、選択したセンサ信号から、ステップS403の処理と同じ方法で特徴ベクトルの抽出を行う(S704)。   The abnormality detection unit 110 reads the learning result stored at the time of learning from the database (S701). At this time, the user selects an appropriate processing number based on the abnormality measure at the time of learning and a threshold value, and uses the learning result associated with the processing number. The sensor signal input unit 104 receives the sensor signal 102 from the sensor signal storage unit 103 or the facility 101 (S702), and canonicalizes each sensor signal (S703). At this time, the parameters used for the normalization process in step S402 are used. Next, the feature vector extraction unit 105 extracts feature vectors from the selected sensor signal in the same manner as the process of step S403 (S704).

次に、全特徴ベクトルについてステップS706およびS707の処理を行う(S705、ループ)。異常測度算出部106は、注目ベクトルと学習データを用いて、異常測度を算出する(S706)。この処理は、図4のステップS407と同じ方法で行うが、学習データを全て用いることとする。異常検出部110は、ステップS701で読み出したしきい値とステップS706で算出した異常測度とを比較する。異常測度がしきい値以下であれば設備は「正常」と判定し、異常測度がしきい値より大きければ「異常」と判定する(S707)。   Next, the processes of steps S706 and S707 are performed on all feature vectors (S705, loop). The abnormality measure calculating unit 106 calculates an abnormality measure using the attention vector and the learning data (S706). This process is performed by the same method as step S407 of FIG. 4, but all learning data is used. The abnormality detection unit 110 compares the threshold value read out in step S701 with the abnormality measure calculated in step S706. If the abnormality measure is less than or equal to the threshold value, the facility is determined to be "normal", and if the abnormality measure is greater than the threshold value, it is determined to be "abnormal" (S707).

図8は、関連センサ特定部111による孤立度算出処理(S325〜S327)のフローを示す図である。ここでは、異常が連続して検知された異常区間を抽出し、異常区間毎に学習データから乖離していることを示す孤立度ベクトルを算出し、これをもとに異常関連センサを特定する。   FIG. 8 is a diagram showing a flow of isolation degree calculation processing (S325 to S327) by the related sensor identification unit 111. Here, an abnormal section in which an abnormality is continuously detected is extracted, an isolation degree vector indicating deviation from learning data is calculated for each abnormal section, and an abnormality related sensor is specified based on this.

異常検出部109にて処理の対象としたセンサ信号を入力し(S801)、全てのデータについて、各センサ信号に対応するビン番号を算出する(S802)。算出の際には、ステップS701で読み出された二次元分布算出のパラメータ、具体的には二次元配列のサイズとセンサ毎の処理対象範囲と刻み幅を用い、ステップS506と同様の方法でビン番号を算出する。次に、異常検出部109にて算出した異常測度データを入力し(S803)、これをもとに異常が連続して検知されている異常区間を抽出する(S804)。異常区間を求める際には、予め指定された長さ以下の中断は連続しているものとみなす。逆に、日付が変わるなど予め決められたデータの切れ目では、異常検知が続いていても別の異常区間とする。   The sensor signal to be processed is input in the abnormality detection unit 109 (S801), and a bin number corresponding to each sensor signal is calculated for all data (S802). At the time of calculation, using the two-dimensional distribution calculation parameters read in step S701, specifically, the size of the two-dimensional array and the processing target range and step size for each sensor, bins are calculated in the same manner as step S506. Calculate the number. Next, the abnormality measure data calculated by the abnormality detection unit 109 is input (S803), and based on this, the abnormal section in which the abnormality is continuously detected is extracted (S804). When obtaining an abnormal section, it is considered that interruptions having a length less than or equal to a predetermined length are continuous. On the contrary, at a break of predetermined data such as a change of date, even if abnormality detection continues, it is regarded as another abnormal section.

次に、各異常区間について、ステップS806からS813までの孤立度算出および関連センサ特定の処理を繰り返す(S805、ループ1)。まずセンサ2個の全ての組合せについての孤立度を0にリセットし(S806)。全てのセンサiについて(S807、ループ2)、また全てのセンサjについて(S808、ループ3)、孤立度を算出する。   Next, the process of calculating the degree of isolation and the related sensor identification process from step S806 to step S813 is repeated for each abnormal section (S805, loop 1). First, the degree of isolation for all combinations of two sensors is reset to 0 (S806). The degree of isolation is calculated for all the sensors i (S 807, loop 2) and for all the sensors j (S 808, loop 3).

各ループでは、着目する異常区間内の全データについて(S809、ループ4)、着目するセンサi,jの分布密度画像から、ステップS802で算出したセンサi,jそれぞれのビン番号に対応する座標の画素値を読み込む(S810)。画素値が0である場合、着目するセンサi,jの孤立度に1を加算する(S811)。この処理により、2個のセンサの各組合せについて着目する異常区間の孤立度が算出される。孤立度は、二次元分布上で対応する2個のセンサの信号値の組合せが学習データにない場合に高くなる。ここで、ループ4とループ2,3は逆の順番でも構わない。   In each loop, for all data in the focused abnormal section (S809, loop 4), from the distribution density image of the focused sensor i, j, the coordinates corresponding to each bin number of the sensor i, j calculated in step S802. The pixel value is read (S810). If the pixel value is 0, 1 is added to the degree of isolation of the target sensor i, j (S811). By this processing, the isolation degree of the abnormal section to which attention is paid is calculated for each combination of two sensors. The degree of isolation is high when there is no combination of signal values of corresponding two sensors in the two-dimensional distribution in the learning data. Here, the loop 4 and the loops 2 and 3 may be in the reverse order.

2個のセンサの各組合せの孤立度をもとに、1個のセンサごとの孤立度を算出する(S812)。例えば、センサiの孤立度は、センサiを固定し、全てのセンサjについてセンサi,jの孤立度を合計することにより算出する。各センサの孤立度を全センサ分まとめたものを孤立度ベクトルとする。   Based on the degree of isolation of each combination of two sensors, the degree of isolation of each sensor is calculated (S812). For example, the degree of isolation of the sensor i is calculated by fixing the sensor i and summing the degrees of isolation of the sensors i and j for all the sensors j. What put together the isolation degree of each sensor for all sensors is made into an isolation degree vector.

次に、孤立度をもとに異常関連センサを特定する(S813)。異常が検知されるのは評価対象のデータが学習データから乖離しているためであるから、異常検知された時刻のセンサ信号の孤立度が高くなるセンサを異常に関連するセンサとして抽出する。   Next, an abnormality related sensor is specified based on the degree of isolation (S813). Since the abnormality is detected because the data to be evaluated is separated from the learning data, a sensor with a high degree of isolation of the sensor signal at the time of abnormality detection is extracted as a sensor related to the abnormality.

上記の処理の中で、孤立度の算出(S810,S811)と異常関連センサの特定(S813)について詳細に説明する。
図9は、孤立度の算出法を具体的に説明する図である。(a)は異常検知時に例えば3個のセンサ1〜3から入力する信号を示す。各信号の特徴ベクトルから異常測度を算出し、異常測度がしきい値を超えた時点を異常と判定する。(b)は学習データから予め作成した分布密度画像で、2個のセンサの全ての組合せについて学習データの信号分布を画素値で示している。この場合、横軸をセンサiの信号値、縦軸をセンサjの信号値とすると、i=1〜3、j=1〜3の9通りの組合せの画像が存在する。
Among the processes described above, calculation of the degree of isolation (S810, S811) and identification of the abnormality related sensor (S813) will be described in detail.
FIG. 9 is a diagram for specifically explaining the method of calculating the degree of isolation. (A) shows a signal input from, for example, three sensors 1 to 3 at the time of abnormality detection. An abnormality measure is calculated from the feature vector of each signal, and a point in time when the abnormality measure exceeds a threshold is determined as an abnormality. (B) is a distribution density image created in advance from learning data, showing the signal distribution of learning data as pixel values for all combinations of two sensors. In this case, assuming that the horizontal axis is the signal value of the sensor i and the vertical axis is the signal value of the sensor j, nine combinations of images of i = 1 to 3 and j = 1 to 3 exist.

(a)で得られた異常検知時の各センサ1〜3の信号値(丸印)を、(b)の該当する分布密度画像の該当する座標位置にプロットする。プロット位置において画素値を読み込み、画素値が0であるとき、そのセンサの組合せの孤立度を1とする(×印)。画素値が0以外のときは、孤立度を0とする(丸印)。このようにして、センサごとに組合せの相手を変えて孤立度を合計することで、センサごとの孤立度を算出する。この例では、センサ1とセンサ3の組合せのみにおいて孤立しており、センサ1とセンサ3の孤立度は1、センサ2の孤立度は0となる。   The signal values (circles) of the sensors 1 to 3 at the time of abnormality detection obtained in (a) are plotted at the corresponding coordinate positions of the corresponding distribution density image in (b). The pixel value is read at the plot position, and when the pixel value is 0, the degree of isolation of the combination of sensors is 1 (x mark). When the pixel value is other than 0, the degree of isolation is set to 0 (circle). Thus, the degree of isolation of each sensor is calculated by changing the other of the combination for each sensor and totaling the degree of isolation. In this example, only the combination of the sensor 1 and the sensor 3 is isolated, the isolation degree of the sensor 1 and the sensor 3 is 1, and the isolation degree of the sensor 2 is 0.

図10は、孤立度をもとに異常関連センサを特定する処理のフローを示す図である。このフローは、所定回数または条件を満たすまでの繰り返し処理である(S1001、ループ1)。最初に、孤立度最大のセンサ、すなわちステップS812で算出された孤立度ベクトルの最大要素に対応するセンサを探索し、見つかったものをセンサAとする(S1002)。次に、センサAと組合せて孤立度が最大となる他方のセンサを探索し、見つかったものをセンサBとする(S1003)。ここでの探索対象は、ステップS807のループ2の処理終了時に算出されているセンサ2個の組合せに対する孤立度である。見つかったセンサA,Bの孤立度の値をISOとする。   FIG. 10 is a diagram showing a flow of processing for specifying an abnormality related sensor based on the degree of isolation. This flow is repetitive processing until a predetermined number of times or conditions are satisfied (S1001, loop 1). First, a sensor with the highest degree of isolation, that is, a sensor corresponding to the largest element of the isolation vector calculated in step S812, is searched, and the found one is set as sensor A (S1002). Next, in combination with the sensor A, the other sensor with the highest degree of isolation is searched for, and the found one is set as the sensor B (S1003). The search target here is the degree of isolation for the combination of the two sensors calculated at the end of the processing of loop 2 in step S807. The value of the degree of isolation of the found sensors A and B is taken as ISO.

ISOが0より大きい場合(S1004)、センサAとBを関連センサとして抽出する(S1005)。また、センサAとBの分布密度画像に、異常データをプロットした画像を作成する(S1006)。その際、正常データがグレイスケールで表されているのに対し、異常データは彩度の高い色で表す。また、正常データと重なりのない画素と重なりのある画素は異なる色で表す。以下の説明では、正常データのみの分布密度画像と区別するために、「異常プロット画像」と呼ぶこととする。なお、ステップS1004でISOが0の場合は、ループ1を抜けて、関連センサ特定の処理を終了する。   If ISO is greater than 0 (S1004), sensors A and B are extracted as related sensors (S1005). Further, an image in which the abnormal data is plotted on the distribution density image of the sensors A and B is created (S1006). At this time, the normal data is expressed in gray scale, while the abnormal data is expressed in a high saturation color. Also, pixels that overlap with normal data and pixels that do not overlap are represented in different colors. In the following description, in order to distinguish from the distribution density image of only normal data, it will be called an "abnormal plot image". If ISO is 0 in step S1004, the process exits loop 1 and ends the related sensor identification process.

次に、全てのセンサiについて繰り返す(S1007、ループ2)。センサiの孤立度からセンサi,Aの孤立度を差し引く(S1008)。また、センサAとBが異なる場合は(S1009)、センサiの孤立度からセンサi,Bの孤立度も差し引く(S1010)。さらに、センサAとBの孤立度を0とする(S1011)。ステップS1007からS1011までの処理は、S1005で関連センサとして抽出したセンサA,Bの影響を取り除くために行う。以後、ループ1を繰り返し、残りの孤立度ベクトルのうちで孤立度最大となるセンサA,Bを新たな関連センサとして抽出する。このようにして、複数の異常関連センサを漏れなく抽出することができる。   Next, the process is repeated for all the sensors i (S1007, loop 2). The degree of isolation of the sensor i, A is subtracted from the degree of isolation of the sensor i (S1008). When the sensors A and B are different (S1009), the degree of isolation of the sensors i and B is also subtracted from the degree of isolation of the sensor i (S1010). Further, the degree of isolation of the sensors A and B is set to 0 (S1011). The processes in steps S1007 to S1011 are performed to remove the influence of the sensors A and B extracted as the related sensors in S1005. Thereafter, loop 1 is repeated, and among the remaining isolation degree vectors, sensors A and B having the maximum isolation degree are extracted as new related sensors. In this way, multiple anomaly related sensors can be extracted without leakage.

次に、図3(c)の重要度推定処理(S328)の詳細について説明する。ここでは診断情報提示部112により、異常検知時の最後にクラスタリングに基づく異常区間の重要度推定処理を行う。   Next, the details of the importance level estimation process (S328) of FIG. 3C will be described. Here, the diagnostic information presenting unit 112 performs an importance level estimation process of the abnormal section based on the clustering at the end of the abnormality detection.

図11は、異常区間の重要度推定処理のフローを示す図である。最初に、全ての異常区間について(S1101、ループ1)、ステップS812で算出された孤立度ベクトルを要素の合計が1になるよう正規化する(S1102)。ただし、もともとの要素合計が0、すなわち全ての要素が0の場合はそのままとする。次に、全ての異常区間について(S1103、ループ2)、他の異常区間との間で正規化した孤立度ベクトルの類似度を算出する(S1104)。ここで、孤立度ベクトルの要素合計が0の場合は、全て類似度0とする。   FIG. 11 is a diagram showing a flow of importance level estimation processing of the abnormal section. First, for all the abnormal sections (S1101, loop 1), the isolation degree vector calculated in step S812 is normalized so that the sum of elements becomes 1 (S1102). However, if the original element sum is 0, that is, all elements are 0, it is left as it is. Next, for all the abnormal sections (S1103, loop 2), the similarity of the isolated degree vector normalized with other abnormal sections is calculated (S1104). Here, when the element sum of the isolation degree vector is 0, all the similarity degrees are 0.

類似度の定義としては、以下に示すように距離類似度、コサイン類似度、ヒストグラムインターセクションを利用することができる。以下の式において、Sはベクトルa,b間の類似度を表し、a,bはベクトルの要素を表す。 As the definition of similarity, distance similarity, cosine similarity, and histogram intersection can be used as described below. In the following equation, S represents the similarity between the vectors a and b, and a i and b i represent elements of the vector.

距離類似度は、2個のベクトル間のユークリッド距離を1から減算したものであり、(3)式で定義される。   The distance similarity is obtained by subtracting the Euclidean distance between two vectors from one, and is defined by equation (3).

Figure 2019070930
Figure 2019070930

コサイン類似度は、2個のベクトルのなす角度の余弦であり、(4)式で定義される。   The cosine similarity is a cosine of an angle formed by two vectors and is defined by equation (4).

Figure 2019070930
Figure 2019070930

ヒストグラムインターセクションは、頻度の合計が等しいヒストグラムの間の類似度を測る方法であり、2個のヒストグラムを重ねたときの共通部分の面積から算出される。縦軸が頻度でなくても要素数が等しくかつ要素値の合計が等しければ、ベクトル間の類似度算出にも適用可能である。ここではベクトルの要素値を用いて、(5)式で定義される。   Histogram intersection is a method of measuring the degree of similarity between histograms having equal sums of frequencies, and is calculated from the area of the intersection when two histograms are superimposed. If the number of elements is equal and the sum of element values is equal even if the vertical axis is not frequency, it is also applicable to calculation of similarity between vectors. Here, it is defined by equation (5) using element values of vectors.

Figure 2019070930
Figure 2019070930

いずれの類似度も0から1の値をとり、2個のベクトルが完全に等しいときに1となる。ここまでの処理により、全ての組合せの異常区間間の孤立度ベクトル同士の類似度が算出される。   Each similarity has a value of 0 to 1, and becomes 1 when two vectors are completely equal. By the processing up to this point, the similarity between isolation vector between abnormal sections of all combinations is calculated.

次に、全ての異常区間を対象として、孤立度ベクトルの類似度に基づき複数のクラスタへの分類(クラスタリング)を行う(S1105)。クラスタ数を予め知ることができず、クラスタに属するデータ数に偏りがあることが予想されるため、k平均法のような分割統治タイプではなく、階層的クラスタリングを適用するとよい。階層的クラスタリングは、個々のデータを1個ずつのクラスタに割り当てるところから開始し、類似したクラスタを再帰的に結合していくものである。結合するクラスタを選択する基準によって、最短距離法、最長距離法、群平均法などの手法がある。それぞれの方法において、クラスタ間の類似度は、クラスタをまたがる区間どうしの類似度の最小値、最大値、平均値で定義される。クラスタ間の類似度が大きいものから順次結合していき、全てのクラスタ間の類似度が予め定めた基準値を下回ったとき、結合を停止する。基準値は0から1の間の実数とするが、0とすると全区間が1個のクラスタに結合され、1とすると全区間が全て異なるクラスタに分かれる。   Next, classification (clustering) into a plurality of clusters is performed based on the degree of similarity of the isolation degree vector for all the abnormal sections (S1105). Since it is expected that the number of clusters can not be known in advance and the number of data belonging to a cluster is biased, hierarchical clustering may be applied instead of the divide-and-conquer type such as the k-means method. Hierarchical clustering starts by assigning individual data to clusters one by one, and combines similar clusters recursively. There are methods such as the shortest distance method, the longest distance method, and the group average method according to the criteria for selecting clusters to be combined. In each method, the similarity between clusters is defined by the minimum value, the maximum value, and the average value of the similarity between sections across the clusters. Joining is sequentially performed in descending order of similarity between clusters, and when the similarity between all clusters falls below a predetermined reference value, coupling is stopped. The reference value is a real number between 0 and 1, but if it is 0, all sections are combined into one cluster, and if it is 1, all sections are divided into different clusters.

次に、各クラスタを異常区間の頻度が高い順、すなわちクラスタに含まれる区間数が多い順にソートする(S1106)。これによりクラスタの順位を決定し、順位が高いほど重要度が高いと推定する。これは、異常あるいはその予兆は同じ現象が続くものであり、孤立度ベクトルが類似している区間は同じ現象が発生しているという考えに基づく。   Next, the clusters are sorted in order of high frequency of abnormal sections, that is, in descending order of the number of sections included in the clusters (S1106). In this way, the order of clusters is determined, and it is estimated that the higher the order, the higher the importance. This is based on the idea that the anomaly or its precursor continues the same phenomenon, and the same phenomenon occurs in the sections where the isolation vector is similar.

次に、各クラスタについて(S1107、ループ3)、異常測度の最大値または区間内の異常測度累積値が大きい順に、異常区間をソートする(S1108)。そして、1位の異常区間を代表区間とする。これは、クラスタ内では同じ現象が発生していると考えるため、各クラスタで1個の区間の現象を確認すれば十分であり、異常測度が大きいほど確認が容易であると考えられるからである。   Next, with respect to each cluster (S1107, loop 3), the abnormal sections are sorted in descending order of the maximum value of the abnormal measures or the abnormal measure cumulative value in the section (S1108). And let the abnormal section of the 1st place be a representative section. This is because it is considered sufficient to confirm the phenomenon of one section in each cluster because it is considered that the same phenomenon occurs in the cluster, and it is considered that the confirmation is easier as the abnormal measure is larger. .

以上の処理結果に基づき、重要度が高いと推定した関連センサや異常区間を優先して、診断支援情報を提示する(S1109)。具体的には、提示する重要度の高い関連センサは、ステップS1106のソートで1位となったクラスタすなわち最も頻度の高いクラスタに含まれ、ステップS1108のソートで1位となった区間において、図10に示す関連センサ特定処理にて最初のループのステップS1002で見つかったセンサとする。なお、提示の順序および内容の詳細については、GUI(Graphical User Interface)の例とともに後述する。   Based on the above processing results, the diagnosis support information is presented with priority given to the related sensor or the abnormal section estimated to be high in importance (S1109). Specifically, the related sensor with high degree of importance to be presented is included in the cluster ranked first in the sort of step S1106, ie, the cluster with the highest frequency, and in the section ranked first in the sort in step S1108. It is assumed that the sensor is found in step S1002 of the first loop in the related sensor identification process shown in FIG. The order of presentation and details of the contents will be described later together with an example of GUI (Graphical User Interface).

上記ステップS1106では、クラスタに含まれる区間数が多いほど重要度が高いと推定したが、クラスタに含まれる区間の長さ(累積時間)が長いほど重要性が高いともいえるので、区間の長さに着目して順位を決定しても良い。   In step S1106 above, the importance is estimated to increase as the number of sections included in the cluster increases, but it can be said that the importance increases as the length (accumulation time) of the sections included in the cluster increases. The order may be determined by paying attention to

次に、以上の動作を実現するための異常検知装置100のユーザインタフェース(GUI)の例を説明する。
図12Aは、オフライン解析実施のための学習期間、及び処理パラメータ含む解析条件を設定するGUIの例である。この画面では、算出された学習結果をレシピとして登録することも可能である。また、過去のセンサ信号102は、設備ID及び時刻と対応付けられてデータベースに保存されているものとする。
Next, an example of a user interface (GUI) of the abnormality detection apparatus 100 for realizing the above operation will be described.
FIG. 12A is an example of a GUI for setting analysis conditions including a learning period for performing offline analysis and processing parameters. In this screen, it is also possible to register the calculated learning result as a recipe. Moreover, the past sensor signal 102 shall be matched with installation ID and time, and shall be preserve | saved at a database.

オフライン解析条件設定画面1201では、対象設備、学習期間、テスト期間、使用センサ、異常測度算出パラメータ、二次元分布算出パラメータ、異常区間抽出パラメータ、クラスタリングパラメータを入力する。設備ID入力ウィンドウ1202には、対象とする設備のIDを入力する。設備リスト表示ボタン1203の押下により、センサ信号蓄積部103に保存されているデータの装置IDのリストが表示されるので、リストから選択入力する。異常検知装置100につながる設備101が1台のみの場合は、設備ID入力ウィンドウ1202は表示されない。   In the off-line analysis condition setting screen 1201, a target equipment, a learning period, a test period, a used sensor, an abnormal measure calculation parameter, a two-dimensional distribution calculation parameter, an abnormal section extraction parameter, and a clustering parameter are input. In the facility ID input window 1202, the ID of the target facility is input. When the equipment list display button 1203 is pressed, a list of device IDs of data stored in the sensor signal storage unit 103 is displayed, so a selection input is made from the list. When there is only one facility 101 connected to the abnormality detection apparatus 100, the facility ID input window 1202 is not displayed.

学習期間入力ウィンドウ1204には、学習データを抽出したい期間の開始日と終了日を入力する。テスト期間入力ウィンドウ1205には、解析対象としたい期間の開始日と終了日を入力する。センサ選択ウィンドウ1206には、使用するセンサを入力する。リスト表示ボタン1207のクリックによりセンサリスト1208が表示されるので、リストから選択入力する。リストから複数選択することも可能である。除外するセンサを指定するようにしてもよい。センサ信号入力時は、ここで選択されたセンサの情報のみが入力される。   In the learning period input window 1204, the start date and the end date of a period for which learning data is desired to be extracted are input. In the test period input window 1205, the start date and the end date of the period to be analyzed are input. A sensor selection window 1206 inputs a sensor to be used. Since the sensor list 1208 is displayed by clicking on the list display button 1207, the user selects and inputs from the list. It is also possible to select multiple items from the list. You may specify the sensor to exclude. At the time of sensor signal input, only the information of the sensor selected here is input.

異常測度算出パラメータ入力ウィンドウ1209には、異常測度算出において使用するパラメータを入力する。図は手法として局所部分空間を採用した場合の例であり、近傍ベクトル数と正則化パラメータを入力する。正則化パラメータは、(2)式において相関行列Cの逆行列が求められないことを防ぐため、対角成分に加算する小さい数である。二次元分布算出パラメータ入力ウィンドウ1210には、二次元分布算出において使用するパラメータとして、二次元配列のサイズすなわち作成する画像サイズとそのうちの正常範囲に対応するサイズの情報を入力する。異常区間抽出パラメータ入力ウィンドウ1211には、異常区間抽出において異常検知が連続しているとみなす中断(正常判定)期間の最大長さを入力する。クラスタリングパラメータ入力ウィンドウ1212には、異常区間の階層的クラスタリングにおいて、クラスタの結合を停止する基準となる類似度を入力する。   In the abnormality measure calculation parameter input window 1209, parameters used in the calculation of the abnormality measure are input. The figure is an example in the case of adopting a local subspace as a method, in which the number of neighborhood vectors and regularization parameters are input. The regularization parameter is a small number to be added to the diagonal component in order to prevent that the inverse matrix of the correlation matrix C is not obtained in the equation (2). In the two-dimensional distribution calculation parameter input window 1210, information on the size of a two-dimensional array, that is, the size of an image to be created and the size corresponding to the normal range thereof is input as parameters used in two-dimensional distribution calculation. In the abnormal segment extraction parameter input window 1211, the maximum length of the interruption (normal determination) period in which abnormal detection is regarded as continuous in the abnormal segment extraction is input. In the clustering parameter input window 1212, in hierarchical clustering of abnormal sections, the similarity that is the basis for stopping the joining of clusters is input.

以上の解析条件の情報が確定したら、実行ボタン1214の押下により、オフライン解析を実行する。
まず、学習期間のセンサ信号を用い、図4Aの処理フロー、続いてステップS311のしきい値算出処理、続いて図5の処理フローに従って学習を実行する。学習結果として、ステップS402で算出されたセンサ信号毎の平均と標準偏差、ステップS403で抽出された学習期間の全特徴ベクトルデータ、ステップS311で算出されたしきい値、ステップS504およびS505で算出した各センサ信号の処理対象範囲と刻み幅、ステップS510で作成された分布密度画像を保存しておく。
When the information of the above analysis conditions is decided, the off-line analysis is executed by pressing the execution button 1214.
First, using the sensor signal of the learning period, learning is performed according to the process flow of FIG. 4A, subsequently, the threshold value calculation process of step S311, and subsequently, the process flow of FIG. As a learning result, the average and standard deviation for each sensor signal calculated in step S402, all feature vector data of the learning period extracted in step S403, the threshold value calculated in step S311, the value calculated in steps S504 and S505 The processing target range and step size of each sensor signal, and the distribution density image created in step S510 are stored.

さらに、学習期間およびテスト期間のセンサ信号を用い、図7の処理フローに従って異常測度を算出し、正常か異常かの判定を行い、判定結果を異常測度およびしきい値と併せて保存しておく。ただし、学習期間のデータについては、ステップS407で算出した異常測度を用いて、正常か異常かの判定を行う。   Further, using the sensor signals in the learning period and the test period, the anomaly measure is calculated according to the process flow of FIG. 7, it is determined whether normal or abnormal, and the determination result is stored together with the anomaly measure and the threshold. . However, as to the data of the learning period, it is determined whether the data is normal or abnormal using the abnormality measure calculated in step S407.

次に、図8および図10の処理フローに従って、異常区間を抽出して区間毎に孤立度を算出し、関連センサを特定する。表示のため、各異常区間の開始時刻、終了時刻、孤立度、特定された関連センサ名と異常プロット画像を保存しておく。   Next, according to the processing flow of FIG. 8 and FIG. 10, the abnormal section is extracted, the degree of isolation is calculated for each section, and the related sensor is specified. For display, the start time, end time, isolation degree of each abnormal section, the specified related sensor name and the abnormal plot image are stored.

さらに、図11の処理フローに従って、異常区間をクラスタリングして重要度を推定する。処理結果として、各クラスタに含まれる区間番号を保存しておく。保存の際には、ステップS1108で付けられたクラスタの順位、ステップS1109で付けられた、クラスタ内の異常区間の順位に従う。   Furthermore, according to the processing flow of FIG. 11, the abnormal intervals are clustered to estimate the importance. The section numbers included in each cluster are stored as the processing result. At the time of storage, the order of clusters assigned in step S1108 and the order of abnormal sections in the cluster added in step S1109 are followed.

解析終了後、後述する結果表示画面が表示される。ユーザによる確認が終了すると、オフライン解析条件設定画面1201に戻ってくる。レシピ名入力ウィンドウ1213にレシピ名を入力し、登録ボタン1215を押下することにより、設備ID及びレシピ名と対応付けて学習結果および解析結果を保存し、終了する。ここで、学習結果には、学習の実行により作成保存されたデータのほか、入力ウィンドウ1209〜1212で入力された異常測度算出パラメータ、二次元分布算出パラメータ、異常区間抽出パラメータ、クラスタリングパラメータが含まれる。終了ボタン1216が押下された場合は、何もしないで終了する。この場合、学習により作成保存された学習結果および、続く異常検知処理により作成保存された解析結果は、削除されるか次に実行される解析によって上書きされる。   After the analysis is completed, a result display screen to be described later is displayed. When confirmation by the user is completed, the screen returns to the off-line analysis condition setting screen 1201. By inputting a recipe name in the recipe name input window 1213 and pressing the registration button 1215, the learning result and the analysis result are stored in association with the equipment ID and the recipe name, and the process ends. Here, the learning result includes, in addition to the data created and stored by execution of learning, the abnormal measure calculation parameter, the two-dimensional distribution calculation parameter, the abnormal section extraction parameter, and the clustering parameter input in the input windows 1209 to 1212 . If the end button 1216 is pressed, the process ends without doing anything. In this case, the learning result created and saved by learning and the analysis result created and saved by the subsequent abnormality detection process are overwritten or overwritten by the analysis to be executed next.

登録された学習結果は、活性か不活性かのラベルをつけて管理され、以降オンラインの解析が実行される。オンライン解析では、新しく入力されたデータに対し、装置IDが一致する活性な学習結果の情報を用いて、図7から図10に示す処理を行い、結果をレシピ名および処理日時と対応付けて保存しておく。これらの処理は定期的、例えば1日毎に実行する。サンプリング間隔が短い設備やリアルタイム性を求められる設備については、実行の間隔をもっと短くする。続いて図11に示す処理を行う。この処理も同じタイミングで実行するが、最新の入力データのみを対象とするのではなく、過去に検知された異常区間例えば1か月分を併せてクラスタリングを行い、結果をレシピ名および処理日時と対応付けて保存しておく。   The registered learning results are managed with a label of active or inactive, and then online analysis is performed. In the on-line analysis, processing shown in FIG. 7 to FIG. 10 is performed on newly input data using information on active learning results with matching device IDs, and the results are stored in association with the recipe name and processing date and time. Keep it. These processes are performed periodically, for example, on a daily basis. For equipment that requires a short sampling interval or equipment that requires real-time performance, make the execution interval shorter. Subsequently, the process shown in FIG. 11 is performed. This processing is also performed at the same timing, but not only for the latest input data, but clustering is performed together with abnormal sections detected in the past, for example, for one month, and the result is the recipe name and processing date and time. Correspond and save.

図12Bは、オンライン解析結果の表示対象を指定するためのGUIの例である。ユーザは、表示対象指定画面1221から表示対象の設備、レシピ及び期間を指定する。始めに、装置ID選択ウィンドウ1222により設備IDを選択する。次に、レシピ名選択ウィンドウ1223により、設備ID1222を対象としたレシピのリストから表示対象のレシピを選択する。データ記録期間表示部1224には、入力されたレシピを用いて処理され、記録が残されている期間の開始日と終了日が表示される。結果表示期間指定ウィンドウ1225には、結果を表示したい期間の開始日と終了日を入力する。表示ボタン1226を押下すると、異常検知処理の結果が表示される。終了ボタン1227を押下すると、表示対象を指定する処理を終了する。   FIG. 12B is an example of a GUI for specifying a display target of the online analysis result. The user designates equipment, a recipe and a period to be displayed from the display object designation screen 1221. First, a device ID is selected by the device ID selection window 1222. Next, in the recipe name selection window 1223, a recipe to be displayed is selected from a list of recipes for the facility ID 1222. The data recording period display unit 1224 displays the start date and the end date of the period in which the recording is performed using the input recipe. In the result display period designation window 1225, the start date and the end date of the period for which the result is to be displayed are input. When the display button 1226 is pressed, the result of the abnormality detection process is displayed. When the end button 1227 is pressed, the process of specifying the display target ends.

図13A〜図13Dは、解析結果をユーザに示すためのGUIの例である。ユーザが各画面の上部に表示されたタブを選択することにより、解析結果全体表示画面1301、解析結果拡大表示画面1302、クラスタ表示画面1303および重要度診断画面1304のいずれかに切り換わる。   13A to 13D are examples of GUIs for showing the analysis result to the user. When the user selects a tab displayed at the top of each screen, the screen is switched to any of the analysis result entire display screen 1301, the analysis result enlarged display screen 1302, the cluster display screen 1303 and the importance degree diagnosis screen 1304.

図13Aは、解析結果全体表示画面1301の例である。解析結果全体表示画面1301には、指定された期間の、異常測度、しきい値、及び判定結果、並びにセンサ信号の時系列グラフが表示される。期間表示ウィンドウ1305には、オフライン解析の結果を表示する場合は図12Aで指定された学習期間及びテスト期間が表示される。オンライン解析の結果を表示する場合は、図示していないが、図12Bで指定された結果表示期間が表示される。   FIG. 13A is an example of the analysis result entire display screen 1301. The analysis result entire display screen 1301 displays an abnormality measure, a threshold, a determination result, and a time series graph of a sensor signal in a designated period. When displaying the result of the off-line analysis, the period display window 1305 displays the learning period and the test period designated in FIG. 12A. When displaying the result of the online analysis, although not shown, the result display period designated in FIG. 12B is displayed.

異常測度表示ウィンドウ1306には、指定された学習期間・テスト期間あるいは結果表示期間での異常測度1306a、しきい値1306b(破線)、及び判定結果1306cが表示される。また、学習に使用した区間に丸印1306dが表示される。センサ信号表示ウィンドウ1307には、指定された学習期間・テスト期間あるいは結果表示期間での指定されたセンサについて、時系列センサ信号1307aが表示される。   The abnormality measure display window 1306 displays the abnormality measure 1306a, the threshold value 1306b (broken line), and the determination result 1306c in the designated learning period / test period or result display period. Also, a circle 1306 d is displayed in the section used for learning. In the sensor signal display window 1307, the time-series sensor signal 1307a is displayed for the designated sensor in the designated learning period, test period or result display period.

センサ選択ウィンドウ1308では、ユーザの入力によってセンサを指定する。ただし、ユーザが指定する前は、図11に示す重要度推定処理で求められたセンサが選択されている。具体的には、ステップS1106のソートで1位となったクラスタすなわち最も頻度の高いクラスタに含まれ、ステップS1108のソートで1位となった区間について、図10に示す関連センサ特定処理において最初のループのステップS1002で見つかったセンサとする。カーソル1309は、拡大表示の時の起点を表し、ユーザのマウス操作により移動できる。表示日数指定ウィンドウ1310には、解析結果拡大表示画面1302での拡大表示の起点から終点までの日数が表示され、この画面で入力することもできる。日付表示ウィンドウ1311には、カーソル位置の日付が表示される。終了ボタン1312の押下により、解析結果全体表示画面1301、解析結果拡大表示画面1302、クラスタ表示画面1303および重要度診断画面1304のいずれもが消去され、解析結果の表示が終了する。   In the sensor selection window 1308, a sensor is designated by user input. However, before the user designates, the sensor obtained by the importance level estimation process shown in FIG. 11 is selected. Specifically, for the section included in the cluster ranked first in the sort of step S1106, ie, the most frequent cluster, and ranked first in the sort of step S1108, the first in the related sensor identification process shown in FIG. It is assumed that the sensor is found in step S1002 of the loop. A cursor 1309 represents the starting point at the time of enlarged display, and can be moved by the user's mouse operation. The number of days from the start point to the end point of the enlarged display on the analysis result enlarged display screen 1302 is displayed in the display days specification window 1310, and can be input on this screen. The date display window 1311 displays the date of the cursor position. By pressing the end button 1312, all of the analysis result entire display screen 1301, the analysis result enlarged display screen 1302, the cluster display screen 1303 and the importance degree diagnosis screen 1304 are erased, and the display of the analysis result is ended.

図13Bは、解析結果拡大表示画面1302の例である。解析結果拡大表示画面1302には、解析結果全体表示画面1301においてカーソル1309で示された日付を起点とし、表示日数指定ウィンドウ1310で指定された日数の期間内の、異常測度、しきい値、判定結果、及びセンサ信号の時系列グラフが表示される。すなわち、異常測度表示ウィンドウ1306及びセンサ信号表示ウィンドウ1307には、解析結果全体表示画面1301と同様の情報が、拡大して表示される。   FIG. 13B is an example of the analysis result enlarged display screen 1302. The analysis result enlarged display screen 1302 has the date indicated by the cursor 1309 in the analysis result entire display screen 1301 as the starting point, and the abnormality measure, threshold value, and determination within the period of days specified in the display days specification window 1310 A result and a time series graph of sensor signals are displayed. That is, the same information as the analysis result whole display screen 1301 is enlarged and displayed on the abnormal measure display window 1306 and the sensor signal display window 1307.

なお、解析結果拡大表示画面1302では、スクロールバー1313とスクロールバー領域1314を追加表示している。スクロールバー1313の長さは表示日数指定ウィンドウ1310で指定された日数に、スクロールバー領域1314の左端部が拡大表示の起点に対応する。ユーザはスクロールバー1313を操作することで、表示の起点を変更することも可能であり、この変更はカーソル1309の位置と日付表示ウィンドウ1311の表示に反映される。スクロールバー領域1314の全体の長さは解析結果全体表示画面1301に表示されている期間に相当する。   In the analysis result enlarged display screen 1302, a scroll bar 1313 and a scroll bar area 1314 are additionally displayed. The length of the scroll bar 1313 corresponds to the number of days designated in the display days designation window 1310, and the left end of the scroll bar area 1314 corresponds to the start point of the enlargement display. The user can also change the display start point by operating the scroll bar 1313, and this change is reflected in the position of the cursor 1309 and the display of the date display window 1311. The entire length of the scroll bar area 1314 corresponds to the period displayed on the analysis result entire display screen 1301.

図13Cは、図11に示す重要度推定処理のクラスタリングの結果を表示するクラスタ表示画面1303の例である。クラスタ表示画面1303は、クラスタ時系列情報表示ウィンドウ1331、異常測度の時系列グラフ1336、孤立度ベクトル表示ウィンドウ1337、および終了ボタン1312で構成される。終了ボタン1312が押下されたときの動作は、他の画面と同様である。   FIG. 13C is an example of a cluster display screen 1303 that displays the clustering result of the importance level estimation process shown in FIG. The cluster display screen 1303 is composed of a cluster time-series information display window 1331, a time-series graph 1336 of anomaly measures, an isolation vector display window 1337, and an end button 1312. The operation when the end button 1312 is pressed is the same as that of the other screens.

クラスタ時系列情報表示ウィンドウ1331には、日付別クラスタ情報が表示され、凡例1332、クラスタ順位1333、日付別クラスタ有無情報1334、診断結果1335から構成される。クラスタ順位1333は、ステップS1106のソートの結果に従うものであり、1個の区間のみのクラスタまで、全てを上から順に記載する。凡例1332は、クラスタを区別するために使用する枠線の種類(色、太さ、スタイル)である。日付別クラスタ有無情報1334は、解析結果全体表示画面1301の表示期間に対応しており、各クラスタに含まれる区間がその日にある場合は黒、ない場合は白で表す。有無のみでなく区間数を表示してもよい。   Cluster time-series information display window 1331 displays cluster information classified by date, and is constituted of legend 1332, cluster ranking 1333, cluster existence information by date 1334, and diagnosis result 1335. The cluster order 1333 follows the result of the sorting in step S1106, and all are described sequentially from the top to the cluster of only one section. The legend 1332 is the type (color, thickness, style) of the border used to distinguish the clusters. The date cluster presence / absence information 1334 corresponds to the display period of the analysis result entire display screen 1301, and is displayed in black when the section included in each cluster is present on that day, and is displayed in white when there is no section. Not only the presence or absence but also the number of sections may be displayed.

診断結果1335は、クラスタ毎に異常か対策不要か誤報かを診断した結果であり、重要度診断画面1304でユーザによって入力されるものである。ユーザによる入力が未実施の場合は、空欄にするか、プログラムによる推定結果を網掛けなどで区別して表示する。なお、推定方法については後で説明する。日付別クラスタ有無情報1334の日付位置に合わせて、異常測度の時系列グラフ1336が表示される。これは、解析結果全体表示画面1301の異常測度表示ウィンドウ1306に表示される内容と同じものである。   The diagnosis result 1335 is a result of diagnosing whether each cluster is abnormal or unnecessary or erroneous, and is input by the user on the importance degree diagnosis screen 1304. If input by the user has not been performed, the box is left blank, or the estimation result by the program is displayed separately by shading. The estimation method will be described later. The time series graph 1336 of the abnormal measure is displayed in accordance with the date position of the date cluster presence / absence information 1334. This is the same as the content displayed in the abnormal measure display window 1306 of the analysis result entire display screen 1301.

孤立度ベクトル表示ウィンドウ1337には、表示期間中の全ての異常区間について、S812で算出された孤立度ベクトルを表す棒グラフが時系列順に表示される。グラフは横軸をセンサ信号名、縦軸を孤立度として描画される。それぞれのグラフは、その区間が含まれるクラスタに応じて、凡例1332に表示された種類の枠線が付けられる。また、日付の情報が付加されて表示される。図示していないが、時刻情報、異常測度や累積異常測度などのより詳細な情報を併せて表示してもよい。   In the isolation degree vector display window 1337, bar graphs representing the isolation degree vectors calculated in S812 are displayed in chronological order for all the abnormal sections in the display period. The graph is drawn with the horizontal axis as the sensor signal name and the vertical axis as the degree of isolation. Each graph is bordered by the type displayed in the legend 1332 according to the cluster in which the section is included. Also, date information is added and displayed. Although not shown, more detailed information such as time information, an abnormal measure, and a cumulative abnormal measure may be displayed together.

図13Dは、図11に示す診断支援情報提示(S1109)にかかる重要度診断画面1304の例である。選択されたクラスタの選択された異常区間について、孤立度ベクトル、異常プロット画像、異常測度・しきい値・判定結果の時系列グラフ、異常関連センサ信号の時系列グラフが表示される。ユーザによる操作がなされていない初期状態では、1位のクラスタの1位の異常区間が選択されている。つまり、重要度が最も高いと推定されるクラスタの代表区間の情報が表示されている。   FIG. 13D is an example of the importance degree diagnosis screen 1304 according to the diagnosis support information presentation (S1109) shown in FIG. For the selected abnormal section of the selected cluster, an isolation degree vector, an abnormal plot image, a time series graph of an abnormal measure / threshold value / determination result, and a time series graph of an abnormality related sensor signal are displayed. In the initial state in which no operation is performed by the user, the first abnormal segment of the first cluster is selected. That is, the information of the representative section of the cluster estimated to have the highest importance is displayed.

クラスタ情報表示ウィンドウ1351には、クラスタ選択ウィンドウ1352と、選択中のクラスタに含まれる区間数と、診断結果入力ウィンドウ1353と確認チェックボタン1354が表示される。異常区間情報表示ウィンドウ1355には、区間選択ウィンドウ1356と、選択中の区間の区間番号と日付と時刻が表示される。孤立度ベクトル表示ウィンドウ1357には、選択中の区間の孤立度ベクトルを表す棒グラフが表示される。   The cluster information display window 1351 displays a cluster selection window 1352, the number of sections included in the selected cluster, a diagnosis result input window 1353 and a confirmation check button 1354. The abnormal section information display window 1355 displays a section selection window 1356 and the section number, date, and time of the section being selected. In the isolation vector display window 1357, a bar graph representing the isolation vector of the section being selected is displayed.

異常プロット画像表示ウィンドウ1358には、選択中の画像が表示される。この画像は、図10に示す処理フローのステップS1006で作成された、異常プロット画像である。正常データの分布1360がグレイスケールで表され、異常データの分布1361が彩度の高い色(たとえば赤)で表される。表示する画像は、画像選択ウィンドウ1359により選択することが可能である。この番号は、図10に示す処理フローのループ1において何回目で作成されたのかを表す。初期状態では1回目に作成された画像が選択されている。画像選択ウィンドウ1359において数値を入力あるいは矢印ボタンを使って前または後ろの番号を選ぶと、異常プロット画像および関連センサ信号の時系列グラフが更新されるので、関連センサが複数ある場合にも確認することができる。   The abnormal plot image display window 1358 displays the image being selected. This image is an abnormal plot image created in step S1006 of the processing flow shown in FIG. The distribution 1360 of normal data is expressed in grayscale, and the distribution 1361 of abnormal data is expressed in a highly saturated color (for example, red). An image to be displayed can be selected by an image selection window 1359. This number indicates how many times it was created in loop 1 of the processing flow shown in FIG. In the initial state, the first created image is selected. If you enter numerical values in the image selection window 1359 or use the arrow buttons to select the previous or next number, the time series graph of the abnormal plot image and the related sensor signal will be updated, so check even when there are multiple related sensors be able to.

異常測度表示ウィンドウ1362には、選択中の異常区間を含む期間、例えば1日分の異常測度、しきい値、判定結果の時系列グラフが表示される。併せて、異常区間の時刻範囲を表すバー1363が表示される。関連センサ(A)信号表示ウィンドウ1364と関連センサ(B)信号表示ウィンドウ1365には、選択中の異常プロット画像に対応して、それぞれステップS1002で特定された関連センサAとステップS1003で特定された関連センサBのセンサ信号の時系列グラフが表示される。表示期間は異常測度グラフ表示と同じとする。   The abnormality measure display window 1362 displays a time series graph of an abnormality measure, a threshold, and a determination result for a period including the selected abnormal section, for example, one day. At the same time, a bar 1363 representing the time range of the abnormal section is displayed. In the related sensor (A) signal display window 1364 and the related sensor (B) signal display window 1365, the related sensor A specified in step S1002 and the specified in step S1003 corresponding to the abnormal plot image being selected. A time series graph of sensor signals of the related sensor B is displayed. The display period is the same as the abnormal measure graph display.

この重要度診断画面1304により、ユーザは検知された異常の重要度診断を行うことができる。同じクラスタに含まれる区間は同じ現象が発生しているという考えから、診断はクラスタ毎に行う。区間選択ウィンドウ1356への入力により、異常区間情報表示ウィンドウ1355の表示内容とともに、孤立度ベクトル、異常プロット画像、異常測度時系列グラフ、関連センサ信号時系列グラフが全て更新される。この操作により、本当に同じ現象が発生しているかどうかを確認することができるが、通常は代表区間だけ確認すれば十分である。確認ができたら、診断結果入力ウィンドウ1353で異常か対策不要か誤報か空欄かをリストから選択し、確認チェックボタン1354にチェックを入れる。この操作の結果は、クラスタ時系列情報表示ウィンドウ1331の診断結果1335に反映される。診断結果入力ウィンドウ1353には、初期状態では、診断結果1335と同様に空欄またはプログラムによる推定結果が表示されている。クラスタ選択ウィンドウ1352の矢印ボタンにより、選択クラスタを上位のものから下位のものに切り替えて、順に診断していくとよい。全て診断結果を入力、あるいは途中であっても、診断確定ボタン1366の押下により、診断結果が保存される。   The importance degree diagnosis screen 1304 allows the user to perform the importance degree diagnosis of the detected abnormality. Diagnosis is performed on a cluster-by-cluster basis on the assumption that the same phenomenon occurs in sections included in the same cluster. By the input to the section selection window 1356, the isolation level vector, the abnormal plot image, the abnormal measure time series graph, and the related sensor signal time series graph are all updated together with the display contents of the abnormal section information display window 1355. By this operation, it can be confirmed whether the same phenomenon is actually occurring, but it is usually sufficient to confirm only the representative section. If confirmation is made, an abnormality, no countermeasure, false alarm, or blank is selected from the list in the diagnosis result input window 1353, and a check check button 1354 is checked. The result of this operation is reflected in the diagnosis result 1335 of the cluster time-series information display window 1331. In the initial state, in the diagnosis result input window 1353, as in the diagnosis result 1335, the blank or the estimation result by the program is displayed. It is preferable to switch the selected cluster from the upper one to the lower one by the arrow button of the cluster selection window 1352 and to diagnose in order. The diagnosis result is stored by pressing the diagnosis confirmation button 1366 even if all the diagnosis results are input or during the process.

以上の図13Aから図13Dに示した例では、クラスタ情報表示ウィンドウ1351から、異常測度のグラフ上で目立つ異常のほとんどが同じクラスタに含まれており、その孤立度ベクトル表示ウィンドウ1337,1357から、異常関連センサは左から9番目のセンサ(S9)であることが想像できる。次に重要度診断画面1304で、異常プロット画像1358から、Sensor_Yの異常のデータが正常データより高いところに分布していることが分かり、関連センサ信号の波形からもそのことを確認できる。また、解析結果全体表示画面1301および解析結果拡大表示画面1302のセンサ信号表示ウィンドウ1307には、初期状態にはこのセンサ信号が表示される。異常区間で信号値が高くなっていることが、容易に確認できる。このように、本実施例によれば、解析直後の初期状態の画面表示を確認するのみで、主要な異常現象を確認することが可能である。また、表示期間で複数の現象があっても、クラスタリングにより異なるクラスタに分かれることが期待され、別々に診断することが可能である。さらに、低頻度なものは確認作業を省略しても設備を保守する上での危険は小さいと判断し、途中でやめることもできる。逆に、全て確認して誤報や対策不要の発生状況をみることにより、学習期間が適正であるかのチェックに利用することも可能である。   In the example shown in FIGS. 13A to 13D, most of the anomalies that stand out on the graph of the anomaly measure are included in the same cluster from the cluster information display window 1351, and from the isolation vector display windows 1337 and 1357, It can be imagined that the abnormality related sensor is the ninth sensor (S9) from the left. Next, on the importance degree diagnosis screen 1304, it is known from the abnormality plot image 1358 that the data of abnormality of Sensor_Y is distributed at a position higher than the normal data, and that can be confirmed also from the waveform of the related sensor signal. Further, in the sensor signal display window 1307 of the analysis result entire display screen 1301 and the analysis result enlarged display screen 1302, this sensor signal is displayed in the initial state. It can be easily confirmed that the signal value is high in the abnormal section. As described above, according to this embodiment, it is possible to confirm the main abnormal phenomenon only by confirming the screen display of the initial state immediately after the analysis. Also, even if there are multiple phenomena in the display period, it is expected that they will be divided into different clusters by clustering, and can be diagnosed separately. Furthermore, it is possible to judge that the risk of maintenance of equipment is small even if the infrequent items are omitted from confirmation work, and can be discontinued halfway. On the contrary, it is also possible to use it for checking whether a learning period is appropriate by checking all and seeing the false alarm and the occurrence situation of countermeasure unnecessary.

上記実施例において、診断結果入力ウィンドウ1353に初期状態で推定結果を表示する場合の、推定方法について説明する。図11に示す重要度推定処理によれば、重要度が最高のものから最低のものまで順に並べることが可能であるものの、実際に異常(予兆を含む)なのか誤報なのかの推定は行っていないため、このままでは推定結果を表示できない。そこで、重要度順を参考にして、他の特徴も加えて異常か対策不要か誤報かを推定する。   The estimation method in the case of displaying the estimation result in the initial state in the diagnosis result input window 1353 in the above embodiment will be described. According to the importance level estimation process shown in FIG. 11, although it is possible to arrange in order from the highest level to the lowest level, it is estimated whether it is actually abnormal (including a sign) or a false alarm. Because there is not, it is not possible to display the estimation result as it is. Therefore, referring to the order of importance, other features are added, and it is estimated whether it is abnormal, no countermeasure is needed, or false alarm.

図14は、対策不要と誤報を推定する処理のフローを示す図である。各クラスタについて以下の推定処理を行う(S1401、ループ)。まず、1位のクラスタで、かつ含まれる区間数が予め指定した基準値(基準1とする)より大きいかどうかを判定する(S1402)。条件を満足すれば(Yes)、対策不要の推定処理を行う。そのクラスタの代表区間の孤立度最大のセンサについて、一定期間毎、例えば1日毎に「統計的特徴」を算出する(S1403)。ここに「統計的特徴」とは、関連センサ信号の平均値、分散値、最大値、最小値、中央値などである。また、頻度分布をもとに最頻値を求めたり、モード分割してモード別の平均、分散を求めたりしてもよい。算出した統計的特徴について、学習期間と1位のクラスタを含む期間を比較し(S1404)、「ステップ状」に変化していれば(S1405)、対策不要と推定する(S1406)。そうでなければ異常と推定する(S1407)。「ステップ状」とは、比較する期間の間では顕著な違いがあり、かつ各期間の中では違いが小さいこと、さらに異常検知した期間の中で上昇も下降もしていないことを意味する。   FIG. 14 is a diagram showing a flow of processing for estimating a false alarm that no countermeasure is necessary. The following estimation processing is performed for each cluster (S1401, loop). First, it is determined whether or not the number of sections included in the first cluster is larger than a predetermined reference value (reference 1) (S1402). If the condition is satisfied (Yes), the countermeasure-free estimation process is performed. With regard to the sensor with the highest degree of isolation of the representative section of the cluster, “statistical features” are calculated for each fixed period, for example, each day (S1403). Here, the “statistical feature” is an average value, a variance value, a maximum value, a minimum value, a median value or the like of the related sensor signals. In addition, a mode may be obtained based on the frequency distribution, or mode division may be performed to obtain an average or variance for each mode. With regard to the calculated statistical feature, the learning period is compared with the period including the first cluster (S1404), and if it changes to "step-like" (S1405), it is estimated that no countermeasure is necessary (S1406). Otherwise, it is estimated to be abnormal (S1407). The term "stepwise" means that there is a significant difference between the compared periods, and that the difference is small within each period, and that neither rise nor fall in the period in which the abnormality is detected.

次に、ステップS1402の判定で条件にあてはまらない場合(No)は、誤報推定処理を行う。まず、クラスタに含まれる区間数が予め指定した基準値(基準2、ただし基準2<基準1)より小さいかどうかを判定する(S1408)。基準2より小さい場合(Yes)はステップS1409へ進み、そうでない場合(No)は異常と推定する(S1407)。これは、同じ現象が何回も起こったのであれば実際に異常である可能性が高いという考えに基づく。次に、代表区間のセンサ信号、異常測度、孤立度から特徴を抽出する(S1409)。ここで抽出する特徴は、異常測度最大値、累積値、区間長さ、孤立度、関連センサ信号の変化速度、変化方向、異常プロット画像上での正常データとの位置関係を表す特徴などである。これら特徴が予め指定された「誤報条件」に適合するかを判定し(S1410)、適合すれば誤報と推定し(S1411)、適合しなければ異常と推定する(S1407)。   Next, when the condition is not satisfied in the determination of step S1402 (No), false alarm estimation processing is performed. First, it is determined whether the number of sections included in a cluster is smaller than a reference value (reference 2, but reference 2 <reference 1) specified in advance (S1408). If smaller than criterion 2 (Yes), the process proceeds to step S1409, and if not (No), it is estimated that it is abnormal (S1407). This is based on the idea that if the same phenomenon has occurred many times, it is likely to be actually abnormal. Next, a feature is extracted from the sensor signal of the representative section, the anomaly measure, and the degree of isolation (S1409). The features to be extracted here are features indicating the maximum value of the abnormal measure, the cumulative value, the section length, the degree of isolation, the change rate of the related sensor signal, the change direction, and the positional relationship with normal data on the abnormal plot image. . It is determined whether these features conform to a previously designated "false alarm condition" (S1410), and if it conforms, it is presumed to be a false alarm (S1411), and if not conformed, it is presumed to be abnormal (S1407).

ここで「誤報条件」については、異常区間が単発で存在し、異常測度が低く、異常区間長が短い場合は誤報である確率が高いことが経験的に分かっている。従って、異常区間の数、異常区間の長さ、異常測度のいずれか、または全てが基準値以下であれば、異常ではなく誤報であると推定する。さらに、例えば設備の起動やシャットダウンなど状態遷移中は、学習データが少ないため誤報が発生しやすいことも経験的に分かっている。従って、関連センサ信号の変化速度と変化方向から状態遷移中であるかどうかを判断し、遷移中であれば誤報であると推定する。   Here, it is empirically known that the “false alarm condition” has a single abnormal zone, a low anomaly measure, and a short abnormal zone length, the probability of being a false alarm is high. Therefore, if any or all of the number of abnormal sections, the length of abnormal sections, and the abnormality measure are equal to or less than the reference value, it is estimated that there is not an abnormality but an error. Furthermore, it is empirically known that false reports are likely to occur because there is little learning data, for example, during state transition such as startup or shutdown of equipment. Therefore, it is determined whether or not state transition is in progress from the rate of change and direction of change of the related sensor signal, and if it is in transition, it is estimated to be false alarm.

上記した対策不要の推定処理(S1403〜S1406)の具体例について説明する。この処理は、異常ではない人為的な作業、例えばメンテナンスや条件設定変更などによる変化を異常として検知したケースを、対策不要と推定することである。このような場合、作業の時点で急激に変化し、その後は安定した状態となることから、上記の処理により推定が可能である。   A specific example of the above-described countermeasure-free estimation process (S1403 to S1406) will be described. This process is to estimate that no countermeasure is necessary, for example, a case in which a change due to an artificial work that is not abnormal, such as maintenance or changing the setting of conditions, is detected as an abnormality. In such a case, since it changes rapidly at the time of work and becomes stable after that, estimation is possible by the above-mentioned processing.

図15は、対策不要と推定すべき例を示す図である。上段は異常測度表示ウィンドウ1306で(図13Aまたは図13B参照)、異常測度1501、しきい値1502および判定結果1503を時系列で示している。(A)点以降の後半には異常区間が多数検出されており、図示していないが、そのほとんどが1位のクラスタに含まれる。下段はセンサ信号表示ウィンドウ1307で、1位のクラスタの代表区間の孤立度最大のセンサの時系列信号である。センサ信号1504とともに、1日毎の平均値1505を重ねて示している。いずれも、(A)点でステップ状に変化しその後は安定していることから、対策不要と推定する。   FIG. 15 is a diagram showing an example where it is estimated that no countermeasure is necessary. The upper part shows an abnormal measure display window 1306 (see FIG. 13A or 13B), and shows the abnormal measure 1501, the threshold 1502, and the determination result 1503 in time series. A large number of abnormal sections are detected in the second half after the point (A), and although not shown, most of them are included in the first place cluster. The lower part is a sensor signal display window 1307, which is a time-series signal of the sensor with the highest degree of isolation of the representative section of the 1st cluster. The daily average value 1505 is superimposed on the sensor signal 1504. In any case, since it changes in a step-like manner at point (A) and is stable thereafter, it is estimated that no countermeasure is necessary.

以下、上記した実施例の変形例を説明する。
上記実施例では1台の設備を対象としたが、複数の設備に適用すれば、複数の設備の異常監視を効率的に行うことが可能となる。その場合は、各設備について別々に図4Aおよび図5に示す処理により学習を実施し、学習データを蓄積しておく。さらに、各設備のセンサ信号を継続的に入力、蓄積し、定期的に図7、図8、図10に示す処理を行って異常を検知し、異常区間毎に孤立度を算出し関連センサを特定しておく。同じタイミングで、過去に検出した異常区間と新しく検出した異常区間を合わせて図11に示す処理により、クラスタリングを行い、クラスタの順位を付ける。そして、各設備の1位のクラスタに含まれる異常区間がある日数を数え、その日数が多い順に設備の順位をつける。
Hereinafter, modifications of the above-described embodiment will be described.
In the above embodiment, one set of equipment is targeted, but if it is applied to a plurality of equipments, it becomes possible to efficiently monitor the abnormality of the plurality of equipments. In that case, learning is implemented separately by the process shown in FIG. 4A and FIG. 5 for each facility, and learning data is accumulated. Furthermore, sensor signals of each facility are continuously input and accumulated, and the processing shown in FIG. 7, FIG. 8 and FIG. 10 is performed periodically to detect an abnormality, calculate the degree of isolation for each abnormal section, and Identify. At the same timing, clustering is performed according to the processing shown in FIG. 11 by combining the abnormal segment detected in the past and the abnormal segment detected anew, and the clusters are ranked. Then, the abnormal section included in the first cluster of each facility counts the number of days, and ranks the facilities in descending order of the number of days.

図16は、複数の設備の異常監視結果を一覧するGUIの例である。設備別クラスタ情報表示ウィンドウ1601には、縦軸を設備、横軸を日付とし、1位のクラスタに含まれる異常区間がある日を黒で表している。設備は、前述の順位に従って上から並べている。設備名をクリックすることにより、図13Aに示す解析結果全体表示画面が表示されるようにする。あるいは、セルをクリックすることにより、対応する異常区間について、図13Dに示す重要度診断画面が表示されるようにする。従来は異常検出の有無を表示し、連続して発生している場合に注意を喚起することが可能であったが、誤報がある場合や、特定の異常が断続的に発生する場合に重要度の推定を誤る可能性が高かった。これに対し本実施例では、クラスタリングを利用することにより、重要度の高い異常が発生している設備を優先的に調べることができるため、確認作業の効率を向上させることができる。   FIG. 16 is an example of a GUI that lists abnormality monitoring results of a plurality of facilities. In the facility-specific cluster information display window 1601, the vertical axis represents the facility, the horizontal axis represents the date, and the day when there is an abnormal section included in the first cluster is represented in black. Facilities are arranged from the top according to the above-mentioned order. By clicking on the equipment name, the analysis result entire display screen shown in FIG. 13A is displayed. Alternatively, by clicking on the cell, the importance degree diagnostic screen shown in FIG. 13D is displayed for the corresponding abnormal section. In the past, it was possible to display the presence or absence of abnormality detection and to call attention when it occurs continuously, but when there is a false alarm or when a specific abnormality occurs intermittently, the degree of importance There was a high possibility that the estimation of. On the other hand, in the present embodiment, by using the clustering, it is possible to preferentially examine the facility in which the abnormality of high importance is occurring, so it is possible to improve the efficiency of the confirmation operation.

また、上記実施例では、関連センサ特定部111は、異常区間毎に、二次元分布算出部108で算出された二次元頻度分布を用いて孤立度ベクトルを算出し、これに基づく異常関連センサを特定した。そして診断情報提示部112は、異常区間を孤立度ベクトルの類似度に基づいてクラスタリングした。このように、異常区間や関連センサの重要度を判断するためのパラメータとして孤立度を用いたが、これ以外の方法も可能である。   Further, in the above embodiment, the related sensor specifying unit 111 calculates the isolation degree vector using the two-dimensional frequency distribution calculated by the two-dimensional distribution calculating unit 108 for each abnormal section, and the abnormality related sensor based on this. Identified. Then, the diagnostic information presentation unit 112 clusters the abnormal sections based on the similarity of the isolation degree vector. Thus, although the degree of isolation is used as a parameter for determining the degree of importance of the abnormal section or the related sensor, other methods are also possible.

孤立度以外のパラメータとして、「寄与度ベクトル」を用いる方法を説明する。寄与度ベクトルは、異常測度算出部106にて算出する異常測度へどれだけ影響しているかを示す指標であり、異常測度を算出する際に同時に求めることができる。異常測度は、正常を表す基準データから観測データへの距離で定義される。一方寄与度ベクトルは、基準データから観測データへのベクトルであり、異常測度算出に局所部分空間法を採用する場合は、図4Bのベクトル(q−Xb)で定義される。よって、寄与度ベクトルが大きいほど異常測度が大きく、正常なデータから乖離していることになり、重要度が高いものと言える。寄与度ベクトルの類似度算出の際には、要素の合計が1になるように正規化しておく。関連センサ特定においては、寄与度ベクトルの要素の値が大きい順に異常との関連が強いセンサであると見なすことができる。なお、寄与度ベクトルを用いる場合は、二次元頻度分布や孤立度を算出する必要がない。このように、孤立度に代えて寄与度に着目しても、同様の効果を得ることができる。   A method of using a “contribution degree vector” as a parameter other than the isolation degree will be described. The contribution degree vector is an index indicating how much the abnormality measure calculated by the abnormality measure calculation unit 106 is affected, and can be obtained simultaneously when the abnormality measure is calculated. The anomaly measure is defined as the distance from the reference data representing normality to the observation data. On the other hand, the contribution degree vector is a vector from reference data to observation data, and is defined by a vector (q−Xb) in FIG. 4B when the local subspace method is adopted for abnormality measure calculation. Therefore, the larger the contribution degree vector, the larger the anomaly measure, which deviates from the normal data, and it can be said that the importance degree is high. In calculating the degree of similarity of the contribution degree vector, normalization is performed so that the sum of the elements becomes one. In the related sensor specification, it can be regarded as a sensor whose relation to abnormality is strong in the descending order of the values of the elements of the contribution degree vector. In addition, when using a contribution degree vector, it is not necessary to calculate two-dimensional frequency distribution or isolation degree. As described above, even if attention is paid to the degree of contribution instead of the degree of isolation, similar effects can be obtained.

100:異常検知装置、101:設備、102:センサ信号、103:センサ信号蓄積部、104:センサ信号入力部、105:特徴ベクトル抽出部、106:異常測度算出部、107:しきい値算出部、108:二次元分布算出部、109:学習データ蓄積部、110:異常検出部、111:関連センサ特定部、112:診断情報提示部、1201:オフライン解析条件設定画面、1221:表示対象指定画面、1301:解析結果全体表示画面、1302:解析結果拡大表示画面、1303:クラスタ表示画面、1304:重要度診断画面。   100: abnormality detection device, 101: equipment, 102: sensor signal, 103: sensor signal storage unit, 104: sensor signal input unit, 105: feature vector extraction unit, 106: abnormality measure calculation unit, 107: threshold calculation unit , 108: two-dimensional distribution calculation unit, 109: learning data storage unit, 110: abnormality detection unit, 111: related sensor identification unit, 112: diagnostic information presentation unit, 1201: offline analysis condition setting screen, 1221: display target specification screen , 1301: analysis result whole display screen, 1302: analysis result enlarged display screen, 1303: cluster display screen, 1304: importance degree diagnosis screen.

Claims (7)

設備に装着された複数のセンサから出力される複数の時系列のセンサ信号を入力するセンサ信号入力部と、
前記センサ信号から時刻毎に特徴ベクトルを抽出する特徴ベクトル抽出部と、
指定された学習期間の前記特徴ベクトルを学習データとして各時刻の異常測度を算出する異常測度算出部と、
前記異常測度をしきい値と比較することにより各時刻のセンサ信号が正常か異常かを判定する異常検出部と、
異常が連続して検知される異常区間を抽出し、前記異常区間毎に異常との関連性の強さを示すパラメータを算出し、前記パラメータに基づき異常検知の原因となった関連センサを特定する関連センサ特定部と、
前記異常区間を前記パラメータの類似度に基づいて複数のクラスタに分類し、含まれる異常区間数が多いクラスタほど重要度が高いと推定して、診断支援情報に順位を付けて提示する診断情報提示部と、
を備えることを特徴とする異常検知装置。
A sensor signal input unit for inputting a plurality of time-series sensor signals output from a plurality of sensors attached to the facility;
A feature vector extraction unit for extracting a feature vector at each time from the sensor signal;
An abnormality measure calculator configured to calculate an abnormality measure at each time using the feature vector of the specified learning period as learning data;
An abnormality detection unit that determines whether the sensor signal at each time is normal or abnormal by comparing the abnormality measure with a threshold;
An abnormal section in which an abnormality is continuously detected is extracted, a parameter indicating strength of association with the abnormality is calculated for each of the abnormal sections, and a related sensor which is a cause of abnormality detection is specified based on the parameter. Related sensor identification unit,
The abnormal section is classified into a plurality of clusters based on the degree of similarity of the parameters, and it is estimated that the degree of importance is higher as the number of abnormal sections included is higher, and the diagnostic information is presented with a priority given to the diagnostic support information Department,
An abnormality detection device comprising:
請求項1記載の異常検知装置であって、
前記関連センサ特定部が算出する前記パラメータは、2つのセンサ信号の二次元分布に基づいて算出される前記学習データからの乖離を示す孤立度であり、
前記診断情報提示部は前記診断支援情報として、前記クラスタに含まれる異常区間の時刻情報と、孤立度ベクトルを表すグラフと、前記関連センサの二次元分布に前記異常区間のデータをプロットした画像と、前記関連センサの時系列波形と、を表示することを特徴とする異常検知装置。
The abnormality detection device according to claim 1, wherein
The parameter calculated by the related sensor identifying unit is an isolation degree indicating a deviation from the learning data calculated based on a two-dimensional distribution of two sensor signals,
The diagnostic information presentation unit uses, as the diagnostic support information, time information of an abnormal segment included in the cluster, a graph representing an isolation degree vector, and an image obtained by plotting data of the abnormal segment in a two-dimensional distribution of the related sensor And a time-series waveform of the related sensor.
請求項2記載の異常検知装置であって、
前記診断情報提示部は、前記クラスタに含まれる異常区間の数が予め指定した基準値より大きい場合、前記クラスタに含まれる異常区間の関連センサ信号に基づき一定期間毎に統計的特徴を算出し、前記統計的特徴が学習期間と比較してステップ状に変化している場合は対策不要であると推定する、ことを特徴とする異常検知装置。
The abnormality detection device according to claim 2, wherein
When the number of abnormal sections included in the cluster is larger than a predetermined reference value, the diagnostic information presentation unit calculates statistical features at regular intervals based on the related sensor signals of the abnormal sections included in the cluster. The abnormality detection device is characterized in that if the statistical feature changes stepwise as compared to the learning period, it is estimated that no countermeasure is necessary.
請求項2記載の異常検知装置であって、
前記診断情報提示部は、前記クラスタに含まれる異常区間の数、異常区間の長さ、異常測度のいずれか、または全てが予め指定した基準値以下であれば、異常ではなく誤報であると推定する、ことを特徴とする異常検知装置。
The abnormality detection device according to claim 2, wherein
The diagnostic information presentation unit estimates that if the number of abnormal sections included in the cluster, the length of the abnormal sections, any or all of the abnormal measures is equal to or less than a predetermined reference value in advance, it is not an abnormality but a false alarm. An abnormality detection device characterized by:
請求項1記載の異常検知装置であって、
前記関連センサ特定部が算出する前記パラメータは、前記異常測度算出部にて算出される前記異常測度への影響を示す寄与度であり、正常を表す基準データから観測データへのベクトルとして求められることを特徴とする異常検知装置。
The abnormality detection device according to claim 1, wherein
The parameter calculated by the related sensor identification unit is a contribution degree indicating an influence on the abnormality measure calculated by the abnormality measure calculation unit, and is obtained as a vector to observation data from reference data indicating normality. An abnormality detection device characterized by
請求項1記載の異常検知装置であって、
前記設備として複数の設備を対象とし、
前記異常検出部は、前記設備ごとに、オンラインで新しく取得したセンサ信号について正常か異常かを判定し、
前記診断情報提示部は、過去に検出した異常区間と新しく検出した異常区間を合わせてクラスタに分類し、含まれる異常区間数が最大のクラスタを求め、前記クラスタに含まれる異常区間がある日数を数え、
前記診断支援情報として、縦軸に設備を前記日数が多い順に並べ、横軸を日付として前記クラスタに含まれる異常区間の有無を表示することを特徴とする異常検知装置。
The abnormality detection device according to claim 1, wherein
Targeting multiple equipment as the equipment,
The abnormality detection unit determines, for each of the facilities, whether the newly acquired sensor signal online or not is normal;
The diagnostic information presentation unit combines the abnormal sections detected in the past and the newly detected abnormal sections into clusters, finds a cluster with the maximum number of abnormal sections included, and determines the number of days that abnormal sections are included in the cluster Count
An abnormality detection apparatus characterized by arranging facilities on the vertical axis in descending order of the number of days as the diagnosis support information, and displaying the presence or absence of an abnormal section included in the cluster as the horizontal axis as a date.
複数の時系列センサ信号を入力して時刻毎に特徴ベクトルを抽出し、
指定された学習期間の前記特徴ベクトルを学習データとして各時刻の異常測度を算出し、
前記異常測度に基づいて各時刻のデータが異常か正常かを判定する異常検知方法であって、
異常が連続して検知される異常区間を抽出し、
前記異常区間毎に異常との関連性の強さを示すパラメータを算出し、
前記パラメータに基づき異常検知の原因となった関連センサを特定し、
前記異常区間を前記パラメータの類似度に基づいて複数のクラスタに分類し、
含まれる異常区間数が多いクラスタほど重要度が高いと推定して、診断支援情報に順位を付けて提示することを特徴とする異常検知方法。
A plurality of time series sensor signals are input, and a feature vector is extracted at each time,
Calculating an anomaly measure at each time using the feature vector of the specified learning period as learning data;
An abnormality detection method of determining whether data at each time is abnormal or normal based on the abnormality measure,
Extract the abnormal section where the abnormality is detected continuously,
Calculating a parameter indicating the strength of association with an abnormality for each of the abnormal sections;
Identify the relevant sensor that caused the anomaly detection based on the above parameters,
Classifying the abnormal section into a plurality of clusters based on the similarity of the parameters;
What is claimed is: 1. A method for detecting an abnormality comprising: estimating a degree of importance of a cluster having a larger number of abnormal sections included therein, and presenting the diagnosis support information in order.
JP2017196333A 2017-10-06 2017-10-06 Anomaly detection device and anomaly detection method Active JP7017363B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2017196333A JP7017363B2 (en) 2017-10-06 2017-10-06 Anomaly detection device and anomaly detection method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2017196333A JP7017363B2 (en) 2017-10-06 2017-10-06 Anomaly detection device and anomaly detection method

Publications (2)

Publication Number Publication Date
JP2019070930A true JP2019070930A (en) 2019-05-09
JP7017363B2 JP7017363B2 (en) 2022-02-08

Family

ID=66441224

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2017196333A Active JP7017363B2 (en) 2017-10-06 2017-10-06 Anomaly detection device and anomaly detection method

Country Status (1)

Country Link
JP (1) JP7017363B2 (en)

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111522247A (en) * 2020-05-09 2020-08-11 刘玉华 Method for detecting abnormity of multiple sensors in intelligent home system
CN111612085A (en) * 2020-05-28 2020-09-01 上海观安信息技术股份有限公司 Method and device for detecting abnormal point in peer-to-peer group
JP2020191050A (en) * 2019-05-24 2020-11-26 Kyb株式会社 Abnormality detector and abnormality detection method
WO2020262353A1 (en) * 2019-06-25 2020-12-30 株式会社日立パワーソリューションズ Anomaly detection device and anomaly detection method
CN112749179A (en) * 2019-10-30 2021-05-04 株式会社东芝 Visualized data generation device, visualized data generation system, and visualized data generation method
KR20210049555A (en) * 2019-10-25 2021-05-06 한국과학기술연구원 System and method for determining situation of facility by imaging seinsing data of facility
JP2021101158A (en) * 2019-12-24 2021-07-08 日立Geニュークリア・エナジー株式会社 Inspection device and inspection method
JP2021113766A (en) * 2020-01-21 2021-08-05 日本電気株式会社 Signal detection device, sensor network system, signal detection method, and signal detection program
CN113222371A (en) * 2021-04-28 2021-08-06 曾伟 Remote detection method and device of multimedia projector and storage medium
KR20210107547A (en) * 2020-02-24 2021-09-01 고려대학교 산학협력단 Apparatus and method for anomaly stock trading
KR20220013256A (en) * 2020-07-24 2022-02-04 한국전자통신연구원 Method and system for diagnosing abnormality of a plurality of apparatus based on sequential learning
JP2022121326A (en) * 2021-02-08 2022-08-19 株式会社オプティム Program, method, information processing device, and system
JP7258244B1 (en) * 2022-03-31 2023-04-14 三菱電機株式会社 MONITORING SUPPORT SYSTEM, MONITORING SUPPORT DEVICE, AND MONITORING SUPPORT METHOD
JP2023067108A (en) * 2021-10-29 2023-05-16 株式会社安川電機 Abnormality information estimation system, motion analysis system, motor control device, abnormality information estimation method, and program
WO2023188403A1 (en) * 2022-03-31 2023-10-05 三菱電機株式会社 Monitoring assistance system, monitoring assistance device, and monitoring assistance method
WO2023188229A1 (en) * 2022-03-31 2023-10-05 三菱電機株式会社 Monitoring assistance system, monitoring assistance device, and monitoring assistance method
CN117235548A (en) * 2023-11-15 2023-12-15 山东济宁运河煤矿有限责任公司 Coal quality data processing method and intelligent system based on laser firing
CN117892095A (en) * 2024-03-14 2024-04-16 山东泰开电力电子有限公司 Intelligent detection method for faults of heat dissipation system for energy storage system
CN117909668A (en) * 2024-03-19 2024-04-19 安徽大学 Bearing fault diagnosis method and system based on convolutional neural network
CN117977717A (en) * 2024-04-01 2024-05-03 国网黑龙江省电力有限公司佳木斯供电公司 Cold region wind-solar-thermal energy storage comprehensive energy collaborative management method and system

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014142697A (en) * 2013-01-22 2014-08-07 Hitachi Ltd Abnormality diagnostic method and device of the same
JP2015148867A (en) * 2014-02-05 2015-08-20 株式会社日立パワーソリューションズ Information processing device, diagnosis method and program
JP2015170121A (en) * 2014-03-06 2015-09-28 株式会社豊田中央研究所 Abnormality diagnosis device and program
JP2016045846A (en) * 2014-08-26 2016-04-04 株式会社日立パワーソリューションズ Dynamic state monitoring device and dynamic state monitoring method

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014142697A (en) * 2013-01-22 2014-08-07 Hitachi Ltd Abnormality diagnostic method and device of the same
JP2015148867A (en) * 2014-02-05 2015-08-20 株式会社日立パワーソリューションズ Information processing device, diagnosis method and program
JP2015170121A (en) * 2014-03-06 2015-09-28 株式会社豊田中央研究所 Abnormality diagnosis device and program
JP2016045846A (en) * 2014-08-26 2016-04-04 株式会社日立パワーソリューションズ Dynamic state monitoring device and dynamic state monitoring method

Cited By (37)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020191050A (en) * 2019-05-24 2020-11-26 Kyb株式会社 Abnormality detector and abnormality detection method
JP7218867B2 (en) 2019-05-24 2023-02-07 Kyb株式会社 Anomaly detection device and anomaly detection method
WO2020262353A1 (en) * 2019-06-25 2020-12-30 株式会社日立パワーソリューションズ Anomaly detection device and anomaly detection method
JP2021005146A (en) * 2019-06-25 2021-01-14 株式会社日立パワーソリューションズ Abnormality detecting device and abnormality detecting method
KR20210049555A (en) * 2019-10-25 2021-05-06 한국과학기술연구원 System and method for determining situation of facility by imaging seinsing data of facility
US11580629B2 (en) 2019-10-25 2023-02-14 Korea Institute Of Science And Technology System and method for determining situation of facility by imaging sensing data of facility
KR102342476B1 (en) * 2019-10-25 2021-12-24 한국과학기술연구원 System and method for determining situation of facility by imaging seinsing data of facility
JP2021071896A (en) * 2019-10-30 2021-05-06 株式会社東芝 Apparatus, system and method for generating visualized data
JP7446771B2 (en) 2019-10-30 2024-03-11 株式会社東芝 Visualization data generation device, visualization data generation system, and visualization data generation method
CN112749179B (en) * 2019-10-30 2024-06-25 株式会社东芝 Visualized data generating device, visualized data generating system and visualized data generating method
CN112749179A (en) * 2019-10-30 2021-05-04 株式会社东芝 Visualized data generation device, visualized data generation system, and visualized data generation method
JP2021101158A (en) * 2019-12-24 2021-07-08 日立Geニュークリア・エナジー株式会社 Inspection device and inspection method
JP2021113766A (en) * 2020-01-21 2021-08-05 日本電気株式会社 Signal detection device, sensor network system, signal detection method, and signal detection program
JP7434917B2 (en) 2020-01-21 2024-02-21 日本電気株式会社 Signal detection device, sensor network system, signal detection method, and signal detection program
KR20210107547A (en) * 2020-02-24 2021-09-01 고려대학교 산학협력단 Apparatus and method for anomaly stock trading
KR102664101B1 (en) * 2020-02-24 2024-05-09 고려대학교 산학협력단 Apparatus and method for anomaly stock trading
CN111522247A (en) * 2020-05-09 2020-08-11 刘玉华 Method for detecting abnormity of multiple sensors in intelligent home system
CN111612085B (en) * 2020-05-28 2023-07-11 上海观安信息技术股份有限公司 Method and device for detecting abnormal points in peer-to-peer group
CN111612085A (en) * 2020-05-28 2020-09-01 上海观安信息技术股份有限公司 Method and device for detecting abnormal point in peer-to-peer group
KR102497586B1 (en) 2020-07-24 2023-02-10 한국전자통신연구원 Method and system for diagnosing abnormality of a plurality of apparatus based on sequential learning
KR20220013256A (en) * 2020-07-24 2022-02-04 한국전자통신연구원 Method and system for diagnosing abnormality of a plurality of apparatus based on sequential learning
JP2022121326A (en) * 2021-02-08 2022-08-19 株式会社オプティム Program, method, information processing device, and system
CN113222371A (en) * 2021-04-28 2021-08-06 曾伟 Remote detection method and device of multimedia projector and storage medium
JP2023067108A (en) * 2021-10-29 2023-05-16 株式会社安川電機 Abnormality information estimation system, motion analysis system, motor control device, abnormality information estimation method, and program
JP7430693B2 (en) 2021-10-29 2024-02-13 株式会社安川電機 Abnormality information estimation system, motion analysis system, motor control device, abnormality information estimation method, and program
JP7258244B1 (en) * 2022-03-31 2023-04-14 三菱電機株式会社 MONITORING SUPPORT SYSTEM, MONITORING SUPPORT DEVICE, AND MONITORING SUPPORT METHOD
WO2023188229A1 (en) * 2022-03-31 2023-10-05 三菱電機株式会社 Monitoring assistance system, monitoring assistance device, and monitoring assistance method
WO2023188227A1 (en) * 2022-03-31 2023-10-05 三菱電機株式会社 Monitoring assistance system, monitoring assistance device, and monitoring assistance method
WO2023188403A1 (en) * 2022-03-31 2023-10-05 三菱電機株式会社 Monitoring assistance system, monitoring assistance device, and monitoring assistance method
CN117235548A (en) * 2023-11-15 2023-12-15 山东济宁运河煤矿有限责任公司 Coal quality data processing method and intelligent system based on laser firing
CN117235548B (en) * 2023-11-15 2024-02-27 山东济宁运河煤矿有限责任公司 Coal quality data processing method and intelligent system based on laser firing
CN117892095A (en) * 2024-03-14 2024-04-16 山东泰开电力电子有限公司 Intelligent detection method for faults of heat dissipation system for energy storage system
CN117892095B (en) * 2024-03-14 2024-05-28 山东泰开电力电子有限公司 Intelligent detection method for faults of heat dissipation system for energy storage system
CN117909668A (en) * 2024-03-19 2024-04-19 安徽大学 Bearing fault diagnosis method and system based on convolutional neural network
CN117909668B (en) * 2024-03-19 2024-06-07 安徽大学 Bearing fault diagnosis method and system based on convolutional neural network
CN117977717A (en) * 2024-04-01 2024-05-03 国网黑龙江省电力有限公司佳木斯供电公司 Cold region wind-solar-thermal energy storage comprehensive energy collaborative management method and system
CN117977717B (en) * 2024-04-01 2024-06-11 国网黑龙江省电力有限公司佳木斯供电公司 Cold region wind-solar-thermal energy storage comprehensive energy collaborative management method and system

Also Published As

Publication number Publication date
JP7017363B2 (en) 2022-02-08

Similar Documents

Publication Publication Date Title
JP7017363B2 (en) Anomaly detection device and anomaly detection method
JP6076751B2 (en) Abnormality diagnosis method and apparatus
JP5301717B1 (en) Equipment condition monitoring method and apparatus
JP5753286B1 (en) Information processing apparatus, diagnostic method, and program
Lieber et al. Quality prediction in interlinked manufacturing processes based on supervised & unsupervised machine learning
JP5945350B2 (en) Equipment condition monitoring method and apparatus
JP5431235B2 (en) Equipment condition monitoring method and apparatus
JP5342708B1 (en) Anomaly detection method and apparatus
JP5331774B2 (en) Equipment state monitoring method and apparatus, and equipment state monitoring program
JP5538597B2 (en) Anomaly detection method and anomaly detection system
US10796796B2 (en) Fault diagnosis apparatus, fault diagnosis method, and fault diagnosis program
US20020183971A1 (en) Diagnostic systems and methods for predictive condition monitoring
WO2011027607A1 (en) Anomaly detection and diagnostic method, anomaly detection and diagnostic system, and anomaly detection and diagnostic program
JP5849167B1 (en) Anomaly detection method and apparatus
JP6903142B2 (en) Anomaly detection device, anomaly detection method and program
JP2010191556A (en) Abnormality detecting method and abnormality detecting system
JP2016058010A (en) Abnormality tendency detection method and system
US20230306489A1 (en) Data analysis apparatus and data analysis method
JP2023106472A (en) Abnormality detection device and abnormality detection method
US20220253051A1 (en) Method and assistance system for detecting an abnormal behaviour of a device
JP2020091669A (en) State change detection system
JP2018081335A (en) Plant operation data analysis system
JP2022066668A (en) Abnormality detection device and method
CN117273693A (en) Method, device, equipment and storage medium for overhauling vehicle
JP2023038095A (en) Device management system, method of estimating failure cause of device, and program

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200707

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20210514

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210525

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210715

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20220104

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220127

R150 Certificate of patent or registration of utility model

Ref document number: 7017363

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150