JP2019145079A - 異常監視装置、異常監視方法および異常監視プログラム - Google Patents

Abstract

【課題】教師データを用意しなかった場合でも、検知対象機器の異常を容易かつ精度よく監視すること。【解決手段】異常監視装置１０は、検知対象機器２０に設置されたセンサ２１によって取得されたセンサデータを収集し、検知対象機器２０の異常度合いを出力するための複数のモデルであって、それぞれ異なる機械学習手法が適用された複数のモデルに対して、収集されたセンサデータをそれぞれ入力し、各モデルの機械学習を行う。そして、異常監視装置１０は、収集されたデータを入力として、各モデルを用いて検知対象機器２０の異常度合いをそれぞれ出力する。【選択図】図１

Description

本発明は、異常監視装置、異常監視方法および異常監視プログラムに関する。

従来、工場、プラント、ビル、データセンタ等の様々な環境における機器（以下、検知対象機器という）の異常を検知する技術として、検知対象機器に設置されたセンサが取得したセンサデータを入力データとして、ＡＩや機械学習の手法を用いて検知対象機器の異常を検知することが行われている。

例えば、時系列ディープランニングの手法において、学習フェーズでは正常時のセンサデータと異常時のセンサデータとが混在したデータのうち、異常時のセンサデータを教師データとして学習させ、検知フェーズでは異常データに近いデータが入力された場合に異常と判定する。

特開２０１７−１４２６５４号公報

しかしながら、上記した従来の手法では、異常時のセンサデータを教師データとしているので、異常時におけるセンサデータを取得するのに時間と手間がかかるという課題があった。例えば、プラント等の設備においては、故障が起こらないように入念に設計されているため、異常時のデータを入手することが困難であった。

上述した課題を解決し、目的を達成するために、本発明の異常監視装置は、検知対象機器の異常度合いを出力するための複数のモデルであって、それぞれ異なる機械学習手法が適用された複数のモデルに対して、前記検知対象機器に設置されたセンサによって取得されたデータをそれぞれ入力し、各モデルの機械学習を行う学習部と、前記センサによって取得されたデータを入力として、前記各モデルを用いて前記検知対象機器の異常度合いをそれぞれ出力する出力部とを有することを特徴とする。

また、本発明の異常監視方法は、異常監視装置によって実行される異常監視方法であって、検知対象機器の異常度合いを出力するための複数のモデルであって、それぞれ異なる機械学習手法が適用された複数のモデルに対して、前記検知対象機器に設置されたセンサによって取得されたデータをそれぞれ入力し、各モデルの機械学習を行う学習工程と、前記センサによって取得されたデータを入力として、前記各モデルを用いて前記検知対象機器の異常度合いをそれぞれ出力する出力工程とを含んだことを特徴とする。

また、本発明の異常監視プログラムは、検知対象機器の異常度合いを出力するための複数のモデルであって、それぞれ異なる機械学習手法が適用された複数のモデルに対して、前記検知対象機器に設置されたセンサによって取得されたデータをそれぞれ入力し、各モデルの機械学習を行う学習ステップと、前記センサによって取得されたデータを入力として、前記各モデルを用いて前記検知対象機器の異常度合いをそれぞれ出力する出力ステップとをコンピュータに実行させることを特徴とする。

本発明によれば、教師データを用意しなかった場合でも、検知対象機器の異常を容易かつ精度よく監視することができるという効果を奏する。

図１は、第１の実施形態に係る異常監視システムの構成例を示すブロック図である。 図２は、第１の実施形態に係る異常監視装置の構成例を示すブロック図である。 図３は、センサデータ記憶部に記憶されるデータの一例を示す図である。 図４は、第１の実施形態に係る異常監視装置における画面表示例を説明する図である。 図５は、第１の実施形態に係る異常監視装置における全体の処理の流れを説明する図である。 図６は、第１の実施形態に係る異常監視装置における処理の流れの一例を示すフローチャートである。 図７は、第２の実施形態に係る異常監視装置の構成例を示すブロック図である。 図８は、第２の実施形態に係る異常監視装置における全体の処理の流れを説明する図である。 図９は、第２の実施形態に係る異常監視装置における処理の流れの一例を示すフローチャートである。 図１０は、異常監視プログラムを実行するコンピュータを示す図である。

以下に、本願に係る異常監視装置、異常監視方法および異常監視プログラムの実施の形態を図面に基づいて詳細に説明する。なお、この実施の形態により本願に係る異常監視装置、異常監視方法および異常監視プログラムが限定されるものではない。

［第１の実施形態］
以下の実施の形態では、第１の実施形態に係る異常監視システム１００の構成、異常監視装置１０の構成、異常監視装置１０の処理の流れを順に説明し、最後に第１の実施形態による効果を説明する。

［制御システムの構成］
図１は、第１の実施形態に係る異常監視システムの構成例を示すブロック図である。第１の実施形態に係る異常監視システム１００は、異常監視装置１０、検知対象機器２０およびユーザ端末３０を有し、インターネット等のネットワーク４０を介して互いに接続されている。なお、図１に示す構成は一例にすぎず、具体的な構成や各装置の数は特に限定されない。

異常監視装置１０は、検知対象機器２０に設置されたセンサ２１によって取得されたデータを収集する。そして、異常監視装置１０は、検知対象機器２０の異常度合いを出力するための複数のモデルであって、それぞれ異なる機械学習手法が適用された複数のモデルに対して、収集されたデータをそれぞれ入力し、各モデルの機械学習を行う。そして、異常監視装置１０は、収集されたデータを入力として、各モデルから出力された検知対象機器２０の異常度合いを示す時系列のグラフデータをユーザ端末３０の表示部（図示せず）に出力する。

検知対象機器２０は、異常検知の対象となるＩｏＴ（Internet of Things）機器であり、どのような機器であってもよく、例えば、プラント内装置、建物空調、データセンタ内ラック、コインランドリの洗濯機、店舗の業務用冷蔵庫、コンビニのカフェマシン、パーキングの精算機、工場の装置、ロボットアーム等である。

また、検知対象機器２０には、各種データを取得するセンサ２１が設置されている。例えば、検知対象機器２０には、センサ２１として、薄型の貼り付けセンサが貼り付けられる。なお、検知対象機器２０の複数の箇所にセンサ２１を設けてもよいし、検知対象機器２０の周辺にセンサ２１を設けるようにしてもよい。なお、図１では省略しているが、検知対象機器２０は、例えば、ＯＴ（Operational Technology）ネットワーク等に接続され、ＯＴネットワークを介してインターネット等のネットワーク４０に接続されているものとする。

センサ２１は、検知対象機器２０に関する各種センサデータを取得する。例えば、センサ２１は、加速度（３軸）、光度、温度、湿度、磁力、圧力等のセンサデータを取得する。また、センサ２１が、薄型の貼り付けセンサである場合には、例えば、温度について、接着面の温度（検知対象機器２０の表面温度）のセンサデータと、接着面と反対側の温度（検知対象機器２０の周囲の温度）のセンサデータを取得する。

ユーザ端末３０は、例えば、デスクトップ型ＰＣ、タブレット型ＰＣ、ノート型ＰＣ、スマートフォン、携帯電話機、ＰＤＡ（Personal Digital Assistant）等の情報処理装置である。ユーザ端末３０では、例えば、検知対象機器２０の管理者による操作を受け付けて、検知対象機器２０の異常度合いを示す時系列のグラフデータを画面に表示する。

［異常監視装置の構成］
次に、図２を用いて、異常監視装置１０の構成を説明する。図２は、第１の実施形態に係る異常監視装置の構成例を示すブロック図である。図２に示すように、この異常監視装置１０は、通信処理部１１、制御部１２および記憶部１３を有する。以下に異常監視装置１０が有する各部の処理を説明する。

通信処理部１１は、各種情報に関する通信を制御する。例えば、通信処理部１１は、検知対象機器２０のセンサ２１からセンサデータの受信をしたり、ユーザ端末３０に学習結果を送信したりする。

記憶部１３は、制御部１２による各種処理に必要なデータおよびプログラムを格納するが、特に本発明に密接に関連するものとしては、センサデータ記憶部１３ａおよび異常データ記憶部１３ｂを有する。例えば、記憶部１３は、ＲＡＭ（Random Access Memory）、フラッシュメモリ（Flash Memory）等の半導体メモリ素子、又は、ハードディスク、光ディスク等の記憶装置などである。

センサデータ記憶部１３ａは、後述する収集部１２ａによって検知対象機器２０のセンサ２１から収集されたセンサデータを記憶する。例えば、センサデータ記憶部１３ａは、センサデータが取得された時刻に対応付けて、各種センサデータの値を記憶する。ここで、図３の例を用いて、センサデータ記憶部１３ａに記憶されるデータの一例について説明する。図３は、センサデータ記憶部に記憶されるデータの一例を示す図である。図３に例示するように、センサ２１がセンサデータを取得した「時刻」に対応付けて、「加速度（Ｘ軸）、加速度（Ｙ軸）、加速度（Ｚ軸）、光度、気温等の各種センサデータの値を記憶する。

異常データ記憶部１３ｂは、後述する複数のモデルが算出した異常度合いを記憶する。例えば、異常データ記憶部１３ｂは、機械学習手法がそれぞれ異なる各モデルの学習結果として、各モデルが算出した異常度合いを示す値を時刻に対応付けて記憶する。

制御部１２は、各種の処理手順などを規定したプログラムおよび所要データを格納するための内部メモリを有し、これらによって種々の処理を実行するが、特に本発明に密接に関連するものとしては、収集部１２ａ、学習部１２ｂおよび出力部１２ｃを有する。ここで、制御部１２は、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）などの電子回路やＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）などの集積回路である。

収集部１２ａは、検知対象機器２０に設置されたセンサ２１によって取得されたセンサデータを収集する。具体的には、収集部１２ａは、検知対象機器２０に設置されたセンサ２１のセンサデータを収集し、時刻と紐付けてセンサデータをセンサデータ記憶部１３ａに格納する。

例えば、収集部１２ａは、工場やオフィスなどの検知対象機器２０に設置されたセンサ２１からセンサデータを定期的（例えば、１秒ごと）に収集し、センサデータ記憶部１３ａに格納する。ここでセンサ２１が取得するセンサデータとは、例えば、加速度（３軸）、光度、温度、湿度、磁力、圧力等の各種データである。なお、収集部１２ａがセンサデータを収集するタイミングは、どのようなタイミングであってもよく、所定の時間間隔で定期的に収集してもよいし、所定の条件を満たした際に収集するようにしてもよい。

学習部１２ｂは、検知対象機器２０の異常度合いを出力するための複数のモデルであって、それぞれ異なる機械学習手法が適用された複数のモデルに対して、収集部１２ａによって収集されたセンサデータをそれぞれ入力し、各モデルの機械学習を行う。

例えば、学習部１２ｂは、機械学習手法として、ＭＴ（Mahalanobis Taguchi Method）法、ＡＲＩＭＡ（Autoregressive Integrated Moving Average Model）法、ＬＯＦ（Local Outlier Factor）法、ＳＳＴ（Social Skills Training）法（特異スペクトル変換法）、オートエンコーダ法およびＬＳＴＭ（Long Short-term Memory）法をそれぞれ適用した各モデルに対して、センサデータを入力し、教師なし機械学習を行う。なお、機械学習の手法は、上記の例に限定されるものではなく、どのような機械学習手法を適用してもよい。

出力部１２ｃは、収集部１２ａによって収集されたセンサデータを入力として、各モデルを用いて検知対象機器２０の異常度合いをそれぞれ出力する。例えば、出力部１２ｃは、ユーザ端末３０から異常度合いの出力要求があった場合には、異常データ記憶部１３ｂから各モデルがそれぞれ算出した異常度合いのデータを読み出し、各モデルがそれぞれ算出した異常度合いを示す時系列のグラフデータを作成し、該グラフデータをユーザ端末３０に出力する。

ここで、図４の例を用いて、第１の実施形態に係る異常監視装置１０における画面表示例を説明する。図４は、第１の実施形態に係る異常監視装置における画面表示例を説明する図である。図４の例では、複数のグラフデータを並べて表示している。図４に例示するように、画面左側にセンサ２１によって計測された「計測データ」として、「加速度（３軸）」、「傾き（３軸）」、「磁力（３軸）」、「光度」、「気温」および「気圧」について、それぞれ時系列のグラフデータが表示されている。

また、画面右側に「ＡＩが判定した異常度合い」として、「ＭＴ法」が適用されたモデル、「特異スペクトル変換法」が適用されたモデル、「ＬＯＦ法」が適用されたモデル、「ＡＲＩＭＡ法」が適用されたモデル、「ＬＳＴＭ」が適用されたモデルおよび、「オートエンコーダ」が適用されたモデルそれぞれが算出した異常度合いを示す時系列のグラフデータが表示されている。なお、「ＡＩが判定した異常度合い」のグラフにおいて、閾値が太線で表示されており、異常度合いが太線を超えている場合に、異常と判定される。例えば、図４に例示する「ＭＴ法」が適用されたモデルでは、閾値が「５０」と設定されている場合を例示している。この閾値は、手動で設定されてもよいし、学習等により自動で設定されてもよい。

このように、異常監視装置１０では、複数のグラフデータを並べて表示することで、検知対象機器２０の管理者が各モデルの学習結果を比較することを容易とし、いずれの学習手法が共通的に異常判定しているのか把握することができる。また、異常監視装置１０では、管理者が実際に検知対象機器２０に異常が発生した時刻を把握している場合には、該当する時刻において、適正に異常を検知できたモデルを特定し易い。また、異常監視装置１０では、画面左側にセンサデータの値が表示されるので、センサデータと学習結果との因果関係を把握することでき、さらに、必要なセンサデータの項目と不要なセンサデータの項目の選別をし易くすることが可能である。

なお、図４の表示例はあくまで一例であり、これに限定されるものではなく、例えば、一つのグラフに、各モデルがそれぞれ算出した異常度合いの結果をそれぞれ色を分けして表示してもよい。これにより、異常監視装置１０では、複数の学習手法で共通的に異常とされる箇所を見やすくすることが可能である。また、グラフの並びについても、図４の例に限定されるものではなく、予めグラフの並びが設定されていてもよし、ユーザが指定できるようにしてもよいし、異常検知の頻度や精度が高いものを左上に表示する等、動的に変更するようにしてもよい。また、異常監視装置１０では、管理者が適正に異常を検知できるモデルを選択することで、選択されたモデルのグラフのみを表示するようにしてもよい。つまり、異常監視装置１０では、検知対象機器２０の監視に相性の良い学習方法のみを選択したり、優先表示したりすることが可能である。

次に、図５の例を用いて、第１の実施形態に係る異常監視装置１０における全体の処理の流れを説明する。図５は、第１の実施形態に係る異常監視装置における全体の処理の流れを説明する図である。図５に例示するように、異常監視装置１０は、検知対象機器２０のセンサ２１からセンサデータを定期的に収集する（図５の（１）参照）。そして、異常監視装置１０は、センサデータを収集するたびに、収集されたセンサデータを各モデルＡ〜モデルＦにそれぞれ入力し、リアルタイムに並行して教師なし機械学習を行う（図５の（２）参照）。

そして、異常監視装置１０は、ユーザ端末３０から出力要求があった場合には、各モデルがそれぞれ算出した異常度合いを学習結果としてユーザ端末３０に出力する（図５の（３）参照）。このように、異常監視装置１０は、一度に複数のモデルでリアルタイムに学習させて、それぞれの学習結果をユーザ端末３０に表示するので、異常時のデータを取得することが難しい環境にある検知対象機器２０であっても、どのモデルが最適であるかの検討を管理者に同時に実施させることできるため、最適な学習手法を適用したモデルを用いて、検知対象機器２０の異常を容易かつ精度よく監視することが可能である。

つまり、検知対象機器２０の種類や個別的な特徴、環境等により、どの学習手法が優れているかで変わりえるが、異常監視装置１０では、このように複数のモデルの学習結果を表示することで、検知対象機器２０の監視に相性の良い学習方法を選択したり、優先表示したりすることが可能である。また、異常監視装置１０では、教師データを準備することやセンサ２１の種類を選択する手間を省くことができるため、センサ２１と機械学習を用いた異常監視を早期に始めることが可能である。

［異常監視装置の処理手順］
次に、図６を用いて、第１の実施形態に係る異常監視装置１０による処理手順の例を説明する。図６は、第１の実施形態に係る異常監視装置における処理の流れの一例を示すフローチャートである。

図６に例示するように、異常監視装置１０の収集部１２ａは、検知対象機器２０におけるセンサ２１のデータを収集すると（ステップＳ１０１肯定）、収集したデータをセンサデータ記憶部１３ａに格納する（ステップＳ１０２）。そして、学習部１２ｂは、それぞれ異なる機械学習手法が適用された複数のモデルに対して、収集されたセンサデータをそれぞれ入力し（ステップＳ１０３）、各モデルの機械学習を行う（ステップＳ１０４）。

そして、出力部１２ｃは、ユーザ端末３０から各モデルの学習結果である異常度合いの出力要求を受け付けたか判定し（ステップＳ１０５）、異常度合いの出力要求を受け付けた場合には（ステップＳ１０５肯定）、各モデルの学習結果をユーザ端末３０に出力する（ステップＳ１０６）。また、異常度合いの出力要求を受け付けなかった場合には（ステップＳ１０５否定）、そのまま処理を終了する。なお、図６の例では、ステップＳ１０１〜Ｓ１０６の処理を一連の処理として記載したが、ステップＳ１０１〜Ｓ１０４の処理とステップＳ１０５〜Ｓ１０６の処理とは別個に行われる処理であってもよい。

（第１の実施形態の効果）
第１の実施形態に係る異常監視装置１０は、検知対象機器２０に設置されたセンサ２１によって取得されたセンサデータを収集し、検知対象機器２０の異常度合いを出力するための複数のモデルであって、それぞれ異なる機械学習手法が適用された複数のモデルに対して、収集されたセンサデータをそれぞれ入力し、各モデルの機械学習を行う。そして、異常監視装置１０は、収集されたデータを入力として、各モデルを用いて検知対象機器２０の異常度合いをそれぞれ出力する。このため、異常監視装置１０では、教師データを用意しなかった場合でも、検知対象機器２０の異常を容易かつ精度よく監視することが可能である。

また、異常監視装置１０では、各モデルがそれぞれ算出した異常度合いを示す時系列のグラフデータを表示部に出力することで、検知対象機器２０の管理者が各モデルの学習結果を比較することを容易とし、例えば、適正に異常を検知できたモデルを特定し易くすることが可能である。

（第２の実施形態）
上述した第１の実施形態では、異常監視装置１０が、各モデルが算出した異常度合いをそれぞれ出力する場合を説明したが、これに限定されるものではない。例えば、各モデルがそれぞれ算出した異常度合いを用いて、検知対象機器２０の異常を検知し、検知対象機器２０の異常が検知された場合には、検知対象機器２０の異常検知結果をユーザ端末３０に出力するようにしてもよい。

そこで、以下では、第２の実施形態に係る異常監視装置１０Ａが、各モデルがそれぞれ算出した異常度合いを入力データとして、異常を検知するためのモデルを用いて、検知対象機器２０の異常を検知し、検知対象機器２０の異常が検知された場合には、検知対象機器２０の異常検知結果をユーザ端末３０に出力する場合について説明する。なお、第１の実施形態に係る異常監視装置１０と同様の構成や処理については説明を省略する。

図７は、第２の実施形態に係る異常監視装置の構成例を示すブロック図である。図７に例示するように、第２の実施形態に係る異常監視装置１０Ａは、第１の実施形態に係る異常監視装置１０と比較して、検知部１２ｄを有する点が異なる。

検知部１２ｄは、各モデルがそれぞれ算出した異常度合いを用いて、検知対象機器２０の異常を検知する。具体的には、検知部１２ｄは、各モデルがそれぞれ算出した異常度合いを入力データとして、異常を検知するためのモデルを用いて、検知対象機器２０の異常を検知する。

出力部１２ｃは、検知部１２ｄによって検知対象機器２０の異常が検知された場合には、検知対象機器２０の異常検知結果をユーザ端末３０に出力する。例えば、出力部１２ｃは、異常検知結果として、図４に例示した場合と同様に、グラフで表示してもよいし、異常を検知した旨のメッセージやアラートをユーザ端末３０に出力するようにしてもよい。

次に、図８の例を用いて、第２の実施形態に係る異常監視装置１０Ａにおける全体の処理の流れを説明する。図８は、第２の実施形態に係る異常監視装置における全体の処理の流れを説明する図である。図８に例示するように、異常監視装置１０Ａは、検知対象機器２０のセンサ２１からセンサデータを定期的に収集する（図８の（１）参照）。そして、異常監視装置１０Ａは、センサデータを収集するたびに、収集されたセンサデータを各モデルＡ〜モデルＦにそれぞれ入力し、リアルタイムに並行して教師なし機械学習を行う（図８の（２）参照）。

そして、異常監視装置１０Ａは、異常を検知するためのモデルＧに対して各モデルＡ〜モデルＦの学習結果を入力し（図８の（３）参照）、モデルＧによって検知対象機器２０の異常が検知された場合には、検知対象機器２０の異常検知結果をユーザ端末３０に出力する（図８の（４）参照）。なお、ユーザ端末３０から異常検知結果を確認した管理者が異常検知結果に対するフィードバックを入力してもよい。

このように、異常監視装置１０Ａは、複数のモデルＡ〜モデルＦでリアルタイムに学習させ、それぞれの学習結果を入力データとして利用して、さらにモデルＧの機械学習を行うことで、教師データの準備を行わなくとも、検知対象機器２０の異常を容易かつ精度よく検知することが可能である。なお、図８の例では、モデルＡ〜モデルＦ全ての学習結果を利用する場合を説明したが、これに限定されるものではなく、例えば、管理者が検知対象機器２０と相性の良いモデルを選んだり、相性の良くないモデルを指定して除外したりすることで、検知対象機器２０と相性の良いモデルのみの学習結果を利用するようにしてもよい。

また、上記の説明では、異常を検知するためのモデルＧに対して各モデルＡ〜モデルＦの学習結果を入力してモデルＧの機械学習を行う場合を説明したが、これに限定されるものではなく、例えば、各モデルＡ〜モデルＦが出力する異常検知の度合いから異常を検知したか否かをそれぞれ判定し、所定数以上（例えば、２つ以上）のモデルが異常を検知した場合には、異常検知結果をユーザ端末３０に出力するようにしてもよい。

［異常監視装置の処理手順］
次に、図９を用いて、第２の実施形態に係る異常監視装置１０Ａによる処理手順の例を説明する。図９は、第２の実施形態に係る異常監視装置における処理の流れの一例を示すフローチャートである。

図９に例示するように、異常監視装置１０Ａの収集部１２ａは、検知対象機器２０におけるセンサ２１のデータを収集すると（ステップＳ２０１肯定）、収集したデータをセンサデータ記憶部１３ａを格納する（ステップＳ２０２）。そして、学習部１２ｂは、それぞれ異なる機械学習手法が適用された複数のモデルに対して、収集されたセンサデータをそれぞれ入力し（ステップＳ２０３）、各モデルの機械学習を行う（ステップＳ２０４）。

そして、検知部１２ｄは、各モデルがそれぞれ算出した異常度合いを用いて、検知対象機器２０の異常を判定する（ステップＳ２０５）。この結果、検知部１２ｄが検知対象機器２０の異常を判定しなかった場合には（ステップＳ２０６否定）、そのまま処理を終了する。また、検知部１２ｄが検知対象機器２０の異常を判定した場合には（ステップＳ２０６肯定）、出力部１２ｃは、検知部１２ｄによって検知対象機器２０の異常が検知された場合には、検知対象機器２０の異常検知結果をユーザ端末３０に出力する（ステップＳ２０７）。

（第２の実施形態の効果）
第２の実施形態に係る異常監視装置１０Ａは、各モデルがそれぞれ算出した異常度合いを入力データとして、異常を検知するためのモデルを用いて、検知対象機器２０の異常を検知し、検知対象機器２０の異常が検知された場合には、検知対象機器２０の異常検知結果をユーザ端末３０に出力するので、教師データの準備をしなかった場合でも、検知対象機器２０の異常を容易かつ精度よく検知することが可能である。

つまり、異常監視装置１０Ａでは、例えば、検知対象機器２０のセンサ２１から日々のセンサデータを取得して各モデルの機械学習を行い、異常時におけるセンサデータの学習を行わずして異常を検知して管理者に通知することが可能である。

また、上記の第１の実施形態および第２の実施形態の説明では本発明が好適に効果を奏する教師なしデータの例で説明したが、本願発明はこれに限定されることなく、教師データが用意できるのであればもちろん教師あり機械学習にも適用可能であり、その際は通常の単一の学習済モデルによる教師あり機械学習に比べて高い精度が得られる。

（システム構成等）
また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。さらに、各装置にて行なわれる各処理機能は、その全部または任意の一部が、ＣＰＵおよび当該ＣＰＵにて解析実行されるプログラムにて実現され、あるいは、ワイヤードロジックによるハードウェアとして実現され得る。

また、本実施の形態において説明した各処理のうち、自動的におこなわれるものとして説明した処理の全部または一部を手動的におこなうこともでき、あるいは、手動的におこなわれるものとして説明した処理の全部または一部を公知の方法で自動的におこなうこともできる。この他、上記文書中や図面中で示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。

（プログラム）
また、上記実施形態において説明した異常監視装置が実行する処理をコンピュータが実行可能な言語で記述したプログラムを作成することもできる。例えば、実施形態に係る異常監視装置１０が実行する処理をコンピュータが実行可能な言語で記述した異常監視プログラムを作成することもできる。この場合、コンピュータが異常監視プログラムを実行することにより、上記実施形態と同様の効果を得ることができる。さらに、かかる異常監視プログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録された異常監視プログラムをコンピュータに読み込ませて実行することにより上記実施形態と同様の処理を実現してもよい。

図１０は、異常監視プログラムを実行するコンピュータを示す図である。図１０に例示するように、コンピュータ１０００は、例えば、メモリ１０１０と、ＣＰＵ１０２０と、ハードディスクドライブインタフェース１０３０と、ディスクドライブインタフェース１０４０と、シリアルポートインタフェース１０５０と、ビデオアダプタ１０６０と、ネットワークインタフェース１０７０とを有し、これらの各部はバス１０８０によって接続される。

メモリ１０１０は、図１０に例示するように、ＲＯＭ（Read Only Memory）１０１１及びＲＡＭ１０１２を含む。ＲＯＭ１０１１は、例えば、ＢＩＯＳ（Basic Input Output System）等のブートプログラムを記憶する。ハードディスクドライブインタフェース１０３０は、図１０に例示するように、ハードディスクドライブ１０９０に接続される。ディスクドライブインタフェース１０４０は、図１０に例示するように、ディスクドライブ１１００に接続される。例えば磁気ディスクや光ディスク等の着脱可能な記憶媒体が、ディスクドライブ１１００に挿入される。シリアルポートインタフェース１０５０は、図１０に例示するように、例えばマウス１１１０、キーボード１１２０に接続される。ビデオアダプタ１０６０は、図１０に例示するように、例えばディスプレイ１１３０に接続される。

ここで、図１０に例示するように、ハードディスクドライブ１０９０は、例えば、ＯＳ１０９１、アプリケーションプログラム１０９２、プログラムモジュール１０９３、プログラムデータ１０９４を記憶する。すなわち、上記の、異常監視プログラムは、コンピュータ１０００によって実行される指令が記述されたプログラムモジュールとして、例えばハードディスクドライブ１０９０に記憶される。

また、上記実施形態で説明した各種データは、プログラムデータとして、例えばメモリ１０１０やハードディスクドライブ１０９０に記憶される。そして、ＣＰＵ１０２０が、メモリ１０１０やハードディスクドライブ１０９０に記憶されたプログラムモジュール１０９３やプログラムデータ１０９４を必要に応じてＲＡＭ１０１２に読み出し、各種処理手順を実行する。

なお、異常監視プログラムに係るプログラムモジュール１０９３やプログラムデータ１０９４は、ハードディスクドライブ１０９０に記憶される場合に限られず、例えば着脱可能な記憶媒体に記憶され、ディスクドライブ等を介してＣＰＵ１０２０によって読み出されてもよい。あるいは、異常監視プログラムに係るプログラムモジュール１０９３やプログラムデータ１０９４は、ネットワーク（ＬＡＮ（Local Area Network）、ＷＡＮ（Wide Area Network）等）を介して接続された他のコンピュータに記憶され、ネットワークインタフェース１０７０を介してＣＰＵ１０２０によって読み出されてもよい。

上記の実施形態やその変形は、本願が開示する技術に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。

１０、１０Ａ 異常監視装置
１１ 通信処理部
１２ 制御部
１２ａ 収集部
１２ｂ 学習部
１２ｃ 出力部
１２ｄ 検知部
１３ 記憶部
１３ａ センサデータ記憶部
１３ｂ 異常データ記憶部
２０ 検知対象機器
２１ センサ
３０ ユーザ端末
１００ 異常監視システム

Claims (3)

1. 検知対象機器の異常度合いを出力するための複数のモデルであって、それぞれ異なる機械学習手法が適用された複数のモデルに対して、前記検知対象機器に設置されたセンサによって取得されたデータをそれぞれ入力し、各モデルの機械学習を行う学習部と、
   前記センサによって取得されたデータを入力として、前記各モデルを用いて前記検知対象機器の異常度合いをそれぞれ出力する出力部と
   を有することを特徴とする異常監視装置。
2. 異常監視装置によって実行される異常監視方法であって、
   検知対象機器の異常度合いを出力するための複数のモデルであって、それぞれ異なる機械学習手法が適用された複数のモデルに対して、前記検知対象機器に設置されたセンサによって取得されたデータをそれぞれ入力し、各モデルの機械学習を行う学習工程と、
   前記センサによって取得されたデータを入力として、前記各モデルを用いて前記検知対象機器の異常度合いをそれぞれ出力する出力工程と
   を含んだことを特徴とする異常監視方法。
3. 検知対象機器の異常度合いを出力するための複数のモデルであって、それぞれ異なる機械学習手法が適用された複数のモデルに対して、前記検知対象機器に設置されたセンサによって取得されたデータをそれぞれ入力し、各モデルの機械学習を行う学習ステップと、
   前記センサによって取得されたデータを入力として、前記各モデルを用いて前記検知対象機器の異常度合いをそれぞれ出力する出力ステップと
   をコンピュータに実行させることを特徴とする異常監視プログラム。

Images