JP2020042519A - 異常検知装置、異常検知方法、及び異常検知プログラム - Google Patents

Abstract

【課題】より低いコストで観測対象の動作の異常性を推定することを可能とする。【解決手段】観測対象の動作に関わる２種以上の動作要素に基づいて、前記動作要素を含む多次元情報で表される動作情報の次元を圧縮して要約情報を作成する次元圧縮部と、前記要約情報を入力データとして、前記動作の異常性に関わる少なくとも２つの分類を示す出力データを出力するモデルに基づいて生成された特徴量抽出器を用いて前記動作情報から特徴量を抽出する特徴量抽出部と、を備える、異常検知装置を提供する。【選択図】図１

Description

本発明は、異常検知装置、異常検知方法、及び異常検知プログラムに関する。

従来、工作機械や人などの観測対象の動作を表す波形データ等から、機械学習により生成されたモデルに基づいて、観測対象に関わる各種の推定を実施する技術が知られている。例えば、特許文献１には、所定の部品に対して与えられる振動を表す情報から特徴量を抽出し、機械学習により構築された学習モデルに基づいて、所定の部品が使用開始されてから故障するまでの時間の長さを予測する技術が開示されている。また、特許文献２には、人などの動体の動作を表す波形データを学習データとしてモデルを生成し、生成されたモデルに基づいて動体の動作の種別を特定する技術が開示されている。

特開２０１８−７１０２９号公報 特開２０１８−８１４４５号公報

しかし、観測対象には、複数の工場で用いられる工作機器のように、多数の種類の動作を行うものもある。このような観測対象による多数の種類の動作の各々について、機械学習により例えば異常度などの推定を実施しようとする場合がある。この場合、機械学習をする演算装置がモデルを生成するために時間がかかったり、生成されたモデルの情報を記憶するために大量のメモリが必要となったりするため、観測対象の異常度を推定するためのコストが大きいという問題があった。

特許文献１又は２に記載の技術は、このような多数の種類の動作を行う観測対象についての動作を分類することを意図した技術ではない。

そこで、本発明は、上記問題に鑑みてなされたものであり、本発明の目的とするところは、より低いコストで観測対象の動作の異常性を推定することができる、新規かつ改良された異常検知装置を提供することにある。

上記課題を解決するために、本発明のある観点によれば、観測対象の動作に関わる２種以上の動作要素に基づいて、前記動作要素を含む多次元情報で表される動作情報の次元を圧縮して要約情報を作成する次元圧縮部と、前記要約情報を入力データとして、前記動作の異常性に関わる少なくとも２つの分類を示す出力データを出力するモデルに基づいて生成された特徴量抽出器を用いて前記動作情報から特徴量を抽出する特徴量抽出部と、を備える、異常検知装置が提供される。

前記動作要素は周波数を含んでもよい。

前記動作情報は、前記動作を測定するためのセンサにより時系列で測定された情報に基づいて生成され、前記動作要素は、時刻を含んでもよい。

前記動作情報は、前記動作にかかるスペクトログラム又はスカログラムのうちの少なくともいずれかで表されてもよい。

前記次元圧縮部は、時刻の軸方向に前記スペクトログラム又はスカログラムの統計値を算出することにより第１の要約情報を作成し、更に、周波数の軸方向に前記スペクトログラム又はスカログラムの統計値を算出することにより第２の要約情報を作成し、前記特徴量抽出部は、前記第１の要約情報を入力データとして第１の特徴量抽出器を作成し、更に、前記第２の要約情報を入力データとして第２の特徴量抽出器を作成してもよい。

前記特徴量抽出部は、前記第１の特徴量抽出器又は前記第２の特徴量抽出器のうちの少なくともいずれかを用いて特徴量を抽出してもよい。

前記特徴量抽出部は、単位時刻ごとの特徴量又は単位周波数帯ごとの特徴量を抽出してもよい。

前記動作要素及び前記特徴量を確率変数とする確率分布モデルを作成する分布作成部と、前記確率分布モデルに基づいて、前記特徴量に対応する動作の異常性に関わる度合いである異常度を算出する算出部と、を備えてもよい。

前記分布作成部は、単位時刻ごとに抽出される特徴量、及び、時刻を確率変数とする確率分布モデルを作成してもよい。

前記分布作成部は、単位周波数帯ごとに抽出される特徴量、及び、周波数を確率変数とする確率分布モデルを作成してもよい。

前記算出部は、単位時刻ごとに抽出される特徴量及び単位周波数帯ごとに抽出される特徴量に基づいて、時刻及び周波数を特定して前記異常度を算出してもよい。

前記算出部は、単位時刻ごとに抽出される特徴量及び単位周波数帯ごとに抽出される特徴量を用いて算出された異常度に基づいて、前記観測対象の異常度を推定してもよい。

異常検知装置は、前記異常度を、時刻と周波数の２次元マップで表示する表示部を更に備えてもよい。

異常検知装置は、前記異常度及び前記観測対象が備える動作部に関わる情報に基づいて、前記観測対象の動作の異常の原因を推定する原因推定部と、を更に備えてもよい。

異常検知装置は、前記異常度の時間変化及び前記観測対象の動作状況に関わる情報に基づいて、前記観測対象の異常度が所定の閾値を超えるまでの時間を予測する異常予測部と、を更に備えてもよい。

前記特徴量抽出部は、前記特徴量抽出器を構成するニューラルネットワークの中間層又は出力層の出力値を特徴量として抽出してもよい。

前記特徴量抽出器は、前記動作の評価として、正常又は異常の２値の分類を示す出力データを出力してもよい。

前記動作要素は、前記観測対象の周りの環境に関わる情報を含んでもよい。

また、上記課題を解決するために、本発明の別の観点によれば、観測対象の動作に関わる２種以上の動作要素に基づいて、前記動作要素を含む多次元情報で表される動作情報の次元を圧縮して要約情報を作成し、前記要約情報を入力データとして、前記動作の異常性に関わる少なくとも２つの分類を示す出力データを出力するモデルに基づいて生成された特徴量抽出器を用いて前記動作情報から特徴量を抽出する、異常検知方法が提供される。

また、上記課題を解決するために、本発明の別の観点によれば、コンピュータに、観測対象の動作に関わる２種以上の動作要素に基づいて、前記動作要素を含む多次元情報で表される動作情報の次元を圧縮して要約情報を作成させ、前記要約情報を入力データとして、前記動作の異常性に関わる少なくとも２つの分類を示す出力データを出力するモデルに基づいて生成された特徴量抽出器を用いて前記動作情報から特徴量を抽出させる、異常検知プログラムが提供される。

上記構成により、観測対象の動作に関わる２種以上の動作要素に基づいて、動作要素を含む多次元情報で表される動作情報の次元を圧縮して要約情報が作成される。さらに、要約情報を入力データとして、動作の異常性に関わる少なくとも２つの分類を示す出力データを出力するモデルに基づいて生成された特徴量抽出器を用いて動作情報から特徴量が抽出される。

以上説明したように本発明によれば、より低いコストで観測対象の動作の異常性を推定することができる、新規かつ改良された異常検知装置を提供することができる。

本発明の一実施形態に係る異常検知システムの構成を示すブロック図である。 抽出部が実施する特徴量抽出器を作成する処理を説明するためのフローチャートである。 時刻の軸方向にスペクトログラムの平均値が算出される場合において、動作情報が入力データになるまでの過程を示す図である。 周波数の軸方向にスペクトログラムの平均値が算出される場合において、動作情報が入力データになるまでの過程を示す図である。 特徴量抽出部により生成されるモデルの概略を示す図である。 特徴量のばらつきが小さい場合の特徴量と確率密度の関係を示す図である。 特徴量のばらつきが大きい場合の特徴量と確率密度の関係を示す図である。 抽出部が生成された特徴量抽出器を用いて動作情報から特徴量を抽出する処理について説明するための図である。 第１の特徴量を抽出するために、情報変換部が第１の入力データを生成する方法について説明するための図である。 第２の特徴量を抽出するために、情報変換部が第２の入力データを生成する方法を説明するための図である。 第３の特徴量を抽出するために、情報変換部が第３の入力データを生成する方法を説明するための図である。 第４の特徴量を抽出するために、情報変換部が第４の入力データを生成する方法を説明するための図である。 分析部が観測対象の動作の異常性について分析する処理を示すフローチャートである。 本発明の一実施形態に係る異常検知装置のハードウェア構成例を示すブロック図である。

以下に添付図面を参照しながら、本発明の好適な実施の形態について詳細に説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複説明を省略する。

＜１．異常検知システムの概略＞
＜１．１．異常検知システムの構成＞
本発明の一実施形態に係る異常検知システム１０の構成について図１を参照して説明する。図１は、本発明の一実施形態に係る異常検知システム１０の構成を示すブロック図である。異常検知システム１０は、観測対象１００、複数の異常検知装置１０２、及び情報集約端末１０４を備える。以下、異常検知システム１０が備える各構成要素について説明する。

（観測対象）
本実施形態に係る観測対象１００は、各種の機械装置であり得る。例えば、観測対象１００は、時刻に応じて動作部や動作パターンが変化する各種の機械装置であってもよい。より具体的には、観測対象１００は、工場で用いられる例えばアームロボットなどの製造機器や設備、又はオフィス機器等であってもよい。また、観測対象１００は、金融機関等で用いられる自動取引装置等の装置であってもよい。

本実施形態に係る観測対象１００は、複数の種類のモードに対応する動作をし得る。例えば、観測対象１００は、制御装置（図示しない）から観測対象１００に制御信号が入力されることにより、制御信号に応じた動作を実施してもよい。このとき、観測対象１００は、制御信号に応じた所定のモードの動作を実施し得る。

観測対象１００に関わる各種の情報は、異常検知装置１０２により測定される。例えば、観測対象１００の動作に関わる情報が異常検知装置１０２により測定される。観測対象１００の動作に関わる情報は、例えば、観測対象１００における動作部の動きにより生じる振動や音響等の情報であってもよい。

さらに、観測対象１００の周りの環境に関わる情報が異常検知装置１０２に伝達されてもよい。観測対象１００の周りの環境に関わる情報は、例えば観測対象１００の周りの温度又は湿度等の情報であってもよい。さらに、観測対象１００の周りの環境に関わる情報は、制御装置から観測対象１００に入力される制御信号に対応する所定のモードの動作に関わる情報であってもよい。

（異常検知装置）
本実施形態に係る異常検知装置１０２は、観測対象１００の動作に関わる情報に基づいて、観測対象１００の動作の異常性を推定し、推定された結果を情報集約端末１０４に出力する機能を有する。異常検知装置１０２が備える構成及び機能の詳細は後述する。

異常検知装置１０２は、観測対象１００又は観測環境に応じて、複数設置され得る。図１に示す異常検知システム１０では、異常検知装置１０２は、異常検知装置１０２ａ、１０２ｂ、及び１０２ｃの３つの異常検知装置１０２が設置されている。これに限らず、異常検知装置１０２の数は１つ又は２つであってもよいし、４つ以上であってもよい。

（情報集約端末）
本実施形態に係る情報集約端末１０４は、異常検知装置１０２から出力された情報を集約して、集約された情報を表示する機能を有する。情報集約端末１０４は、結果受信部１３８と最終出力部１４０とを備える。情報集約端末１０４が備える各機能部が有する機能について説明する。

結果受信部１３８は、有線又は無線の通信インターフェースを備える。当該通信インターフェースにより、結果受信部１３８は、各異常検知装置１０２から出力された情報を受信する。結果受信部１３８が受信した情報は、最終出力部１４０に出力される。

最終出力部１４０は、結果受信部１３８が受信した複数の異常検知装置１０２が観測対象１００の異常度を推定した結果を、最終出力部１４０が備える表示装置に表示させる機能を有する。表示装置に結果が表示されることにより、ユーザー等は、複数の異常検知装置１０２の各々が異常度を推定した結果を知ることができる。また、最終出力部１４０は、各々の異常検知装置１０２から出力された結果に基づいて、観測対象１００の動作の異常性について判定してもよい。当該判定の結果は、表示装置に当該判定の結果が表示されてもよい。

＜１．２．異常検知装置の構成及び機能＞
本実施形態に係る異常検知装置１０２の構成及び機能について説明する。

異常検知装置１０２は、観測対象１００の動作に関わる２種以上の動作要素に基づいて、動作要素を含む多次元情報で表される動作情報の次元を圧縮して要約情報を作成する機能を有する。さらに、異常検知装置１０２は、要約情報に基づく情報を入力データとして、動作の異常性に関わる少なくとも２つの分類を示す出力データを出力するモデルに基づいて生成された特徴量抽出器を用いて、動作情報から特徴量を抽出する機能を有する。

また、異常検知装置１０２は、動作要素及び抽出された特徴量を確率変数とする確率分布モデルを作成してもよい。さらに、異常検知装置１０２は、作成された確率分布モデルに基づいて、観測対象１００の異常度に関わる度合いである異常度を算出してもよい。算出された情報は、情報集約端末１０４に伝達される。これらに加えて、異常検知装置１０２は、観測対象１００の動作における異常の原因の推定又は動作に異常が生じるまでの時間の予測などを行ってもよい。

異常検知装置１０２が有する機能は、異常検知装置１０２が備える各種の機能部により実現される。異常検知装置１０２は、抽出部１０６、分析部１０８、出力部１０９、及び記憶部１１１を備える。以下、異常検知装置１０２が備える各機能部が有する機能について説明する。

まず、抽出部１０６が備える各機能部について説明する。抽出部１０６は、観測対象１００の動作に関わる情報を観測対象１００から検出し、観測対象１００の動作に関わる２種以上の動作要素に基づいて、動作要素を含む多次元情報で表される動作情報の次元を圧縮して要約情報を作成する機能を有する。さらに、要約情報を入力データとして、観測対象１００の動作の異常性に関わる少なくとも２つの分類を示す出力データを出力するモデルに基づいて生成された特徴量抽出器を用いて動作情報から特徴量を抽出する機能を有する。

抽出部１０６が有する各種の機能は、抽出部１０６が備えるセンサ１１０、ＡＤ（Analog Digital）変換部１１２、データ前処理部１１４、次元圧縮部１１６、情報変換部１２０、及び特徴量抽出部１２２により実現される。以下、抽出部１０６が備える各種の機能部が有する機能について説明する。

センサ１１０は、観測対象１００の動作に関わる情報を測定する機能を有する。観測対象１００の動作に関わる情報は、観測対象１００の動きを時系列で表す情報であり得る。より具体的には、観測対象１００の動きを表す振動や音響等の情報が時系列で測定される。検出された観測対象１００の動作に関わる情報は、ＡＤ変換部１１２に伝達される。

なお、センサ１１０は、異常検知装置１０２に設けられていなくてもよい。例えば、センサ１１０が異常検知装置１０２の外部に設けられ、当該センサ１１０が取得した情報が各種の公知の通信方法により異常検知装置１０２に送信されてもよい。

ＡＤ変換部１１２は、センサ１１０が検出した観測対象１００の動作に関わる情報がアナログ信号である場合には、観測対象１００の動作に関わる情報をデジタル信号に変換する機能を有する。デジタル信号に変換された観測対象１００の動作に関わる情報は、データ前処理部１１４に伝達される。

データ前処理部１１４は、デジタル情報について各種の公知の前処理する機能を有する。例えば、データ前処理部１１４は、観測対象１００の動作に関わる情報から雑音を除去するためのフィルタリング処理又は計測値変換等の処理を実施する。さらに、データ前処理部１１４は、観測対象１００の動作に関わる情報を高速フーリエ変換することにより、スペクトログラムを生成し得る。また、データ前処理部１１４は、観測対象１００の動作に関わる情報をウェーブレット変換することにより、スカログラムを生成してもよい。生成されたスペクトログラム又はスカログラムで表される情報は動作情報として、次元圧縮部１１６及び情報変換部１２０に伝達される。

ここで、動作情報は、観測対象１００の動作に関わる動作要素を含む多次元情報である。また、動作要素は、観測対象１００の動作に関わる要素である。例えば、動作要素は、動作情報を表すスペクトログラム又はスカログラムにおける周波数又は時刻であってもよい。さらに、動作要素は、観測対象１００の周りの温度又は湿度等の観測対象１００の周りの環境に関わる情報であってもよい。

次元圧縮部１１６は、観測対象１００の動作に関わる２種以上の動作要素に基づいて、動作要素を含む多次元情報で表される動作情報の次元を圧縮して要約情報を作成する機能を有する。次元圧縮部１１６は、各種の公知の手法により、動作情報の次元を圧縮して要約情報を作成し得る。例えば、次元圧縮部１１６は、統計的な手法により、動作情報を表すスペクトログラムの統計値を算出することにより、動作情報の次元を圧縮してもよい。より具体的には、次元圧縮部１１６は、時刻の軸方向にスペクトログラムにおける振幅値の統計値を算出することにより要約情報を算出し得る。さらに、次元圧縮部１１６は、例えば周波数の軸方向にスペクトログラムにおける振幅値の統計値を算出することにより要約情報を算出し得る。統計値は、例えば平均値であってもよいし、中央値であってもよい。次元圧縮部１１６がスペクトログラムにおける振幅値の平均値をとることで、次元の圧縮に伴う動作情報が有する情報の質の低下を抑制しながら、動作情報の次元が圧縮される。また、次元圧縮部１１６は、動作情報に対して主成分分析や非負値変換行列因子分解することにより動作情報の次元を圧縮してもよい。

後述するように、観測対象１００の動作に関わる特徴量は、要約情報に基づいて抽出される。要約情報の次元は動作情報の次元よりも低いため、要約情報が有する情報量は、動作情報が有する情報量よりも小さい。従って、動作情報から特徴量を抽出する場合よりも、要約情報から特徴量を抽出する場合の方が、特徴量を抽出するために異常検知装置１０２が備えるＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）等のプロセッサが実施する演算処理にかかる時間が少なくて済む。さらに、異常検知装置１０２が要約情報から特徴量を抽出することにより、演算処理の対象となる情報や演算処理により生成された情報を保存するために必要なメモリの量が少なくて済む。

情報変換部１２０は、要約情報を後述するモデルを生成するための入力データに変換する機能を有する。さらに、情報変換部１２０は、動作情報を後述する特徴量抽出器に入力するための入力データに変換する機能を有する。情報変換部１２０が要約情報又は動作情報を入力データに変換する具体的な方法については図９〜図１２を用いて後述する。情報変換部１２０が生成した入力データは、特徴量抽出部１２２に伝達される。

特徴量抽出部１２２は、観測対象１００の動作に関わる少なくとも２つ以上の分類を示す出力データを出力するモデルを生成する機能を有する。例えば、特徴量抽出部１２２は、要約情報に基づく入力データと観測対象１００の動作の異常性に関わる分類のセットを教師データとして、ニューラルネットワークを学習させることによりモデルを生成してもよい。

モデルは、観測対象１００の動作の異常性を分類する評価を出力データとするモデルである。当該モデルは、観測対象１００の動作の評価として正常又は異常の２値の分類を示す出力データを出力するモデルであってもよい。モデルは、ニューラルネットワークを構成するモデルであって良い。また、モデルを構成するニューラルネットワークは、３層以上のネットワークを有していてもよい。つまり、特徴量抽出部１２２は、ディープラーニング技術により、モデルを生成してもよい。

後述するように、特徴量抽出部１２２は、生成されたモデルに基づいて動作情報から特徴量を抽出する。例えば、ディープラーニング技術により観測対象１００の動作の正常と異常を分類するモデルが生成される。特徴量抽出部１２２が当該モデルに基づいて動作情報から特徴量を抽出することにより、観測対象１００の動作が正常である場合と異常である場合とで分離度の大きい特徴量が当該モデルから抽出される。分離度の大きい特徴量が抽出されることにより、異常検知装置１０２は、より精度の高い異常検知を実施することができる。また、ディープラーニング技術によりモデルが生成されるため、特徴量を人手によって抽出する手間が省かれる。

さらに、特徴量抽出部１２２は、生成されたモデルに基づいて特徴量抽出器を生成し、当該特徴量抽出器を用いて動作情報から特徴量を抽出する機能を有する。特徴量抽出器は、生成されたモデルの出力層又は中間層の出力値に相当する値を特徴量として出力する機能を有する。特徴量抽出部１２２は、特徴量抽出器に入力データを特徴量抽出器に入力することにより、動作情報から特徴量を抽出する。特徴量抽出部１２２が抽出した特徴量は、分析部１０８が備える分布作成部１２４及び算出部１２６に伝達される。

以上、抽出部１０６が備える各機能部について説明した。なお、抽出部１０６が備える各種の機能部が生成した情報は、記憶部１１１に記憶され得る。

次に、分析部１０８が備える各機能部について説明する。分析部１０８は、特徴量抽出部１２２が抽出した特徴量に基づいて、観測対象１００の動作の異常度に関わる度合いである異常度を算出する機能を有する。さらに、分析部１０８は、観測対象１００の異常の原因及び観測対象１００の動作に異常が生じるまでの時間を予測する機能を有する。これらの機能は、分析部１０８が備える分布作成部１２４、算出部１２６、及び異常分析部１２８により実施される。以下、分析部１０８が備える各種の機能部について説明する。

分布作成部１２４は、動作要素及び特徴量を確率変数とする確率分布モデルを作成する機能を有する。分布作成部１２４は、各種の公知の手法により、確率分布モデルを作成する。分布作成部１２４は、例えば、カーネル密度推定を行うことにより、確率分布モデルを作成してもよい。なお、動作要素は、周波数又は時刻であり得る。

また、分布作成部１２４は、単位時刻ごとに抽出される特徴量、及び、時刻を確率変数とする確率分布モデルを作成してもよい。当該確率分布モデルを用いることにより、ある時刻における観測対象１００の異常度が算出される。これにより、ユーザー等は、ある時刻における観測対象１００の異常度を認識することができる。

さらに、分布作成部１２４は、単位周波数帯ごとに抽出される特徴量、及び、周波数を確率変数とする確率分布モデルを作成してもよい。当該確率分布モデルを用いることにより、ある周波数における観測対象１００の異常度が算出される。これにより、ユーザー等は、ある周波数における観測対象１００の異常度を認識することができる。例えば周波数と観測対象１００の動作の間に対応関係がある場合には、ユーザー等は、当該確率分布モデルを用いることにより算出された異常度から観測対象１００の異常の原因を認識し得る。

作成された確率分布モデルの情報は、算出部１２６に伝達される。

算出部１２６は、分布作成部１２４が作成した確率分布モデルに基づいて、観測対象１００の動作の異常性に関わる度合いである異常度を算出する機能を有する。異常度は、いかなる方法により表現されてもよく、例えば各種の異常度を定性的に表現する分類（例えば、異常度が高い、異常度が低い等）であってもよく、異常度を定量的に表現する数値であってもよい。さらに、算出部１２６は、異常度を数値として算出し、算出された当該異常度を所定の閾値を超えているか否かを判定してもよい。より具体的には、算出部１２６は、算出された異常度が所定の閾値を超えている場合には、観測対象１００の動作が異常であることを判定し得る。算出部１２６が算出又は判定した結果は、異常分析部１２８及び出力部１０９に出力される。

異常分析部１２８は、観測対象１００の動作における異常の原因を推定及び観測対象１００の動作に異常が生じるまでの時間を予測する機能を有する。これらの異常分析部１２８が有する機能は、異常分析部１２８が備える原因推定部１３０及び異常予測部１３２により実現される。

原因推定部１３０は、算出部１２６により算出された異常度及び観測対象１００が備える動作部に関わる情報に基づいて、観測対象１００の動作の異常の原因を推定する機能を有する。ここで、観測対象１００が備える動作部に関わる情報とは、観測対象１００の動作部が動作するタイミング、材質、又は形状などの情報である。観測対象１００が備える動作部に関わる情報は、予め記憶部１１１に記憶されていてもよい。原因推定部１３０により推定された結果は、結果出力部１３４に出力される。

異常予測部１３２は、算出部１２６により算出された異常度及び観測対象１００の動作状況に関わる情報に基づいて、観測対象１００の動作が異常を起こすまでの時間を予測する機能を有する。観測対象１００の動作状況に関わる情報は、例えば、観測対象１００である機器の稼働回数や稼働時間等であってもよい。異常予測部１３２により予測された結果は、出力部１０９に出力される。

以上、分析部１０８が有する各機能部について説明した。

次に、出力部１０９について説明する。出力部１０９は、分析部１０８により生成された各種の情報を出力する機能を有する。出力部１０９が有する機能は、出力部１０９が備える結果出力部１３４及び表示部１３６により実現される。以下、出力部１０９が備える各機能部について説明する。

結果出力部１３４は、分析部１０８により生成された情報を受信し、受信した情報を表示部１３６又は情報集約端末１０４に伝達する機能を有する。

表示部１３６は、結果出力部１３４から入力された情報を表示する機能を有する。表示部１３６は、各種の公知の画像を表示する装置であってよい。表示部１３６は、算出部１２６により算出された異常度と動作要素の関係を示す情報を表示し得る。例えば、表示部１３６は、異常度を時刻と周波数の２次元マップで表示してもよい。当該２次元マップが表示部１３６に表示されることにより、ユーザー等は、異常度に対する時刻及び周波数の関係を認識することができる。

以上、本実施形態に係る異常検知装置１０２の構成の概略について説明した。

＜２．異常検知装置の処理例＞
次に、図２〜１３を用いて本実施形態に係る異常検知装置１０２が実施する処理について説明する。本実施形態に係る異常検知装置１０２が実施する処理は、特徴量抽出器を生成する処理、特徴量を抽出する処理、及び観測対象１００の動作の異常性について分析する処理の順で実施される。以下、これらの処理の詳細について順番に説明する。

＜２．１．特徴量抽出器を生成する処理＞
まず、異常検知装置１０２が特徴量抽出器を生成する処理について説明する。特徴量抽出器の生成は、抽出部１０６により実施される。図２は、抽出部１０６が実施する特徴量抽出器を作成する処理を説明するためのフローチャートである。以下、図２のフローチャートに沿って、抽出部１０６が特徴量抽出器を作成する処理について説明する。

まず、ステップＳ１０１において、センサ１１０が観測対象１００の動作に関わる情報である動作波形データを取得する。動作波形データは、例えば観測対象１００の動作部の振動や音響の大きさを時系列で表すデータであってよい。動作波形データはＡＤ変換部１１２に出力される。

次に、ステップＳ１０３において、ＡＤ変換部１１２が、アナログ信号である動作波形データをアナログ・デジタル変換することにより、動作波形データをデジタル信号に変換する。デジタル信号に変換された動作波形データは、データ前処理部１１４に伝達される。

次に、ステップＳ１０５において、データ前処理部１１４が、動作波形データの前処理を実施する。より具体的には、データ前処理部１１４は、動作波形データの雑音除去をするためのフィルタリング処理を実施する。さらに、データ前処理部１１４は、動作波形データを高速フーリエ変換又はウェーブレット変換することにより、スペクトログラム又はスカログラムを生成する。本実施形態では、データ前処理部１１４がスペクトログラムを生成する。スペクトログラムで表される情報は、動作情報として次元圧縮部１１６に伝達される。

次に、ステップＳ１０７において、次元圧縮部１１６が、動作情報を表すスペクトログラムにおける振幅値の平均値を算出する。以下、スペクトログラムにおける振幅値の平均値を算出することを単にスペクトログラムの平均値を算出するという。本実施形態では、次元圧縮部１１６は、スペクトログラムを時刻の軸方向又は周波数の軸方向に平均値を算出することにより、動作情報の次元を圧縮する。

以下、次元圧縮部１１６が時刻の軸方向にスペクトログラムの平均値を算出する方法について、図３及び図４を用いて説明する。図３は、時刻の軸方向にスペクトログラムの平均値が算出される場合において、動作情報が入力データになるまでの過程を示す図である。図３の左側には、時系列でスペクトログラムが並べられて表された動作情報２００が示されている。動作情報２００は、周波数ｆの軸方向にＮ行、時刻ｔの軸方向にＭ列の情報を有している。つまり、動作情報は、Ｎ×Ｍのスペクトログラムで表される。ＮとＭは共に自然数であり、ＮとＭは同じであってもよいし、異なっていてもよい。

Ｎ×Ｍ個の各々のセルは、各々のセルの時刻及び周波数に対応する。次元圧縮部１１６は、時刻の軸方向にスペクトログラムの平均値を算出する。例えば、次元圧縮部１１６は、破線で示された１行目の集合２０２の平均値を算出する。同様にして、次元圧縮部１１６は、２〜Ｎ行目の集合の平均値を算出する。

次元圧縮部１１６が動作情報２００における各行の集合の平均値を算出することにより動作情報２００が圧縮され、図３の真ん中に示される第１の要約情報２０４が作成される。例えば、第１の要約情報２０４における１行目のセル２０６が有する値は、動作情報２００における１行目の集合２０２の平均値である。同様にして、第１の要約情報２０４における２〜Ｎ行目における値は、動作情報２００における２〜Ｎ行目の集合の平均値である。このようにして、次元圧縮部１１６は、時刻の軸方向にスペクトログラムの平均値を算出することにより、第１の要約情報２０４を作成する。このとき、第１の要約情報２０４の次元は、動作情報２００の次元の１／Ｍに圧縮されている。

次に、次元圧縮部１１６が周波数の軸方向に動作情報を表すスペクトログラムの平均値を算出する方法について、図４を用いて説明する。図４は、周波数の軸方向にスペクトログラムの平均値が算出される場合において、動作情報が入力データになるまでの過程を示す図である。図４の上側には、時系列でスペクトログラムが並べられた動作情報２００が示されている。図４における動作情報２００は、図３における動作情報２００と同じである。

次元圧縮部１１６は、周波数の軸方向にスペクトログラムの平均値を算出する。例えば、次元圧縮部１１６は、破線で示された１列目の集合２１０の平均値を算出する。同様にして、次元圧縮部１１６は、２〜Ｍ列目の集合の平均値を算出する。

次元圧縮部１１６が動作情報２００における各列の集合の平均値を算出することにより動作情報が圧縮され、図４の真ん中に示される第２の要約情報２１２が作成される。例えば、第２の要約情報２１２における１列目のセル２１４が有する値は、動作情報２００における１列目の集合２０２の平均値である。同様にして、第２の要約情報２１２における２〜Ｍ列目のセルにおける値は、動作情報２００における２〜Ｍ列目の集合の平均値である。このようにして、次元圧縮部１１６は、周波数の軸方向にスペクトログラムの平均値を算出することにより、第２の要約情報２１２を作成する。このとき、第２の要約情報２１２の次元は、動作情報２００の次元の１／Ｎに圧縮されている。

以上のようにして、本実施形態では第１及び第２の要約情報が作成される。作成された第１及び第２の要約情報は、情報変換部１２０に伝達される。以下、第１の要約情報及び第２の要約情報を区別しないときは、単に要約情報という。

次に、ステップＳ１０９において、情報変換部１２０は、要約情報を変換し、入力データを生成する。より具体的には、情報変換部１２０は、要約情報を、動作情報２００から特徴量を抽出するためのモデルを生成するための入力データの形式に変換する。要約情報が、入力データの形式に変換されることにより、入力データが生成される。情報変換部１２０が要約情報を変換する方法について図３及び図４を用いて説明する。

まず、時刻の軸方向にスペクトログラムの平均値が算出されることにより動作情報の次元が圧縮される場合について図３を用いて説明する。情報変換部１２０は、第１の要約情報２０４を変換することにより、モデルを生成するための入力データ２０７を生成する。入力データ２０７は、図３における右端に示されるように、周波数の軸方向にｎ列の振幅値の情報を有するデータである。つまり、モデルの生成には、ｎ次元の情報が入力データとして用いられる。ｎは任意の自然数であって良い。本実施形態では、Ｎ／ｎが自然数となるようにＮ及びｎが決められている。

情報変換部１２０は、周波数の軸方向に第１の要約情報２０４における振幅値の平均値を算出することにより入力データ２０７を生成する。例えば、Ｎ／ｎが３の場合について、より具体的に情報変換部１２０が入力データ２０７を生成する方法を説明する。情報変換部１２０は、第１の要約情報２０４における１〜３列目の振幅値の平均値を算出し、入力データ２０７の１列目の振幅値とする。以下、情報変換部１２０は、第１の要約情報２０４における４〜６行目、７〜９行目、・・・、Ｎ−２〜Ｎ行目の振幅値の平均値を算出し、それぞれ入力データ２０７の２〜ｎ行目の振幅値とする。以上のようにして、情報変換部１２０が第１の要約情報２０４を入力データ２０７に変換する。

次に、周波数の軸方向にスペクトログラムの平均値が算出されることにより動作情報の次元が圧縮される場合について図４を用いて説明する。情報変換部１２０は、第２の要約情報２１２を変換することにより、モデルを生成するための入力データ２１５を生成する。入力データ２１５は、図４における一番下に示されるように、時刻の軸方向にｍ列の振幅値の情報を有するデータである。つまり、モデルの生成には、ｍ次元の情報が入力データとして用いられる。ｍは任意の自然数であって良い。また、ｎとｍは同じであってもよいし、異なっていてもよい。本実施形態では、Ｍ／ｍが自然数となるようにＭ及びｍが決められている。

情報変換部１２０は、周波数の軸方向に第２の要約情報２１２における振幅値の平均値を算出することにより入力データ２１５を生成する。例えば、Ｍ／ｍが３の場合についてより具体的に説明する。情報変換部１２０は、第２の要約情報２１２における１〜３行目の振幅値の平均値を算出し、入力データ２１５の１行目の振幅値とする。以下、情報変換部１２０は、第２の要約情報２１２における４〜６列目、７〜９列目、・・・、Ｎ−２〜Ｎ列目の振幅値の平均値を算出し、それぞれ入力データ２１５の２〜ｎ列目の振幅値とする。以上のようにして、情報変換部１２０が第２の要約情報２１２を入力データ２１５に変換する。

以上のようにして、情報変換部１２０は、要約情報を変換し、入力データを生成する。生成された入力データは、特徴量抽出部１２２に伝達される。

次に、ステップＳ１１１において、特徴量抽出部１２２が特徴量抽出器を生成する。より具体的には、特徴量抽出部１２２は、ステップＳ１０９において生成された入力データと当該入力データに対応する観測対象１００の動作の異常性に関わる分類のセットを教師データとして、観測対象１００の異常性に関わる分類を示す出力データを出力するモデルを生成する。さらに、特徴量抽出部１２２は、生成されたモデルに基づいて、動作情報から特徴量を抽出するための特徴量抽出器を生成する。

特徴量抽出部１２２がモデルを生成するプロセスについて図５を用いて説明する。図５は、特徴量抽出部により生成されるモデルの概略を示す図である。モデル３０は、入力層３００、中間層３０２、及び出力層３０４を有するニューラルネットワークである。

入力層３００の各ニューロン３０６には、ステップＳ１０９において生成された入力データが入力される。入力層３００の各ニューロン３０６は、入力データに応じた情報を中間層３０２の第１層３０８の各ニューロン３１０に入力する。第１層３０８の各ニューロンは、入力された情報に応じて次の層のニューロンに情報を入力する。以下、順々に中間層３０２において各層のニューロンから次の層のニューロンに情報が伝達される。中間層３０２の最終層３１２の各ニューロン３１４に情報が入力されると、各ニューロン３１４は入力された情報に応じた情報を出力層３０４に出力する。出力層３０４の各ニューロン３１６は、入力された情報に応じた結果を出力する。図５の例では、ニューロン３１６ａの出力値は観測対象１００の動作が正常である確率に対応している。一方、ニューロン３１６ｂの出力は観測対象１００の動作が異常である確率に対応している。なお、ニューロンａ及びニューロンｂから出力値の合計が１となるように、ニューロンａ及びニューロンｂから出力値はソフトマックス関数で表されている。図５に示されたニューラルネットワークでは、出力層３０４は観測対象１００の動作を正常又は異常の２値の分類を出力データとする。これに限らず、出力層３０４は３種以上の分類を出力データとしてもよい。

また、各入力データの各々には、観測対象１００の動作の正常又は異常のラベルが教師データとして与えられている。特徴量抽出部１２２は、出力層３０４から出力される出力データと教師データとの誤差に関わる関数である損失関数が小さくなるようにモデル３０を構築する。

なお、第１の要約情報に基づいて生成された特徴量抽出器を第１の特徴量抽出器という。さらに、第２の要約情報に基づいて生成された特徴量抽出器を第２の特徴量抽出器という。また、第１の特徴量抽出器及び第２の特徴量抽出器を区別しないときは、単に特徴量抽出器という。

特徴量抽出器は、図５に示すモデル３０における出力層３０４又は中間層３０２の出力値を特徴量として出力するように構築され得る。特徴量抽出器が中間層３０２の出力値を特徴量として出力する場合には、必要に応じて、特徴量抽出部１２２は、当該特徴量を示す情報に主成分分析などの次元圧縮処理を施してもよい。次元圧縮処理により生成される特徴量の次元は、１次元又は２次元であってもよい。

本実施形態において、特徴量抽出部１２２は、ディープラーニング技術を利用してモデルを生成する。これにより、特徴量の選択及び抽出が自動的に実施される。さらに、ディープラーニング技術を利用してモデルが生成されることにより、正常又は異常のそれぞれの特徴量の値がとりうる範囲の存在確率である確率密度分布の差異が大きくなる。これにより、特徴量抽出部１２２は、観測対象１００の動作の正常又は異常の特徴を高精度にとらえることができる。この結果、高精度の異常度の推定が実施される。そこで、本実施形態におけるディープラーニングの学習で用いられる損失関数について説明する。以下、先に従来の損失関数における課題について説明した後、本実施形態において用いられる損失関数について説明する。

まず、従来の損失関数における課題について説明する。クラス分類における損失関数の例として、２乗和誤差や交差エントロピー誤差等がある。２乗和誤差や交差エントロピー誤差は、それぞれ以下の式(１)、式(２)で表される。学習が進行するに伴い、損失関数が小さくなるほど、一般に分類が誤判別される確率は小さくなる。

ここで、ｙ_ｋはニューラルネットワークの出力層におけるｋ番目のニューロンの出力、ｔ_ｋは教師データを示している。Ｎクラス分類の場合は、ｋは１からＮまでの範囲の値となる。また、ｔ_ｋは正解ラベルの場合には１、それ以外は０を表すone-hot表現である。式（１）又は式（２）から、正解となるクラスにおけるｙ_ｋは１に近く、それ以外が０に近いほど損失関数Ｅ_ｍ又はＥ_ｃが小さくなる。このように訓練データ１サンプルにつき一つの損失関数の値が得られる。また一般にはミニバッチ処理により、複数のサンプルの損失関数の値の平均が利用される。

いずれの損失関数も、正解の出力と推定した出力との差異を小さくすることを目的とした損失関数である。しかし、いずれの損失関数においても、異常度推定に利用するニューラルネットワークの中間出力や、最終出力の特徴量の確率密度分布の差異については考慮されてない。そのため、必ずしも正常及び異常の特徴量の確率密度分布の差異が大きくなるとは限らない。以下に例として、特徴量としてニューラルネットワークにおける出力層におけるソフトマックス関数の出力（最終出力）が利用される場合と、それ以外のニューラルネットワークの中間出力が利用される場合について述べる。

まず、特徴量として、ニューラルネットワークにおける出力層におけるソフトマックス関数の出力（最終出力）が利用される場合について説明する。出力層のソフトマックスの出力ｙ_ｋを特徴量とした倍、当該特徴量の値は０から１の間の値をとり得る。モデルが正常又は異常の２値分類をするとき、ｋは１又は２となる。また、出力ｙ_１が正常と判定される確率、出力ｙ_２が異常と判定される確率とすると、出力ｙ_１と出力ｙ_２の和は１となり、出力ｙ_１が決まると出力ｙ_２が一意に決まるため、ここでは出力ｙ_１についてのみ説明する。

バッチ処理やミニバッチ処理を行う場合、Ｎ個の教師データのサンプルの出力であるＹ＝｛ｙ_１１、ｙ_１２、・・・、ｙ_１Ｎ｝から求めたそれぞれの損失関数Ｅ＝｛ｅ_１１、ｅ_１２、・・・、ｅ_１Ｎ｝の平均が同じになっても、損失関数Ｅのばらつきが大きさに依存してＹのばらつきも変化する。特徴量のばらつきの大きさと確率密度の分布の関係について、図６及び図７を用いて説明する。図６は、特徴量のばらつきが小さい場合の特徴量と確率密度の関係を示す図である。また、図７は、特徴量のばらつきが大きい場合の特徴量と確率密度の関係を示す図である。すると、図６のように、正常の教師ラベルがついたデータの出力Ｙ１の確率密度４００と異常の教師ラベルがついたデータの出力Ｙ２の確率密度４０２のばらつきが小さい場合には、両者の確率密度分布の差異が大きい。一方、図７のように出力Ｙ１の確率密度４０４と出力Ｙ２の確率密度４０６のばらつきが大きいと、両者の確率密度分布の差異が小さくなってしまう。

次に、特徴量として、ニューラルネットワークにおける出力層のソフトマックス関数の出力以外の中間層における出力である中間出力が利用される場合について説明する。中間出力としては、ニューラルネットワークのいずれかの層における中間出力が考えられる。一例として、中間出力を出力層のソフトマックス関数の入力Ｍ＝｛ｍ_１１、ｍ_１２、・・・、ｍ_１Ｎ｝を特徴量とした場合、中間出力の値は、−∞から＋∞の間の値をとり得る。この場合、正常の教師ラベルがついたデータの出力Ｍ１は＋∞、異常の教師ラベルがついたデータの出力Ｍ２は−∞にそれぞれ近づくほど、損失関数が小さくなる。しかし、上記で述べたように、特徴量をニューラルネットワークにおける出力層のソフトマックス関数の出力とした場合と同様に、損失関数Ｅの平均値は同じでも出力Ｍ１と出力Ｍ２のばらつきが大きいと、出力Ｍ１と出力Ｍ２の両者の確率密度分布の差異が小さくなってしまう。

以上、従来の損失関数である２乗和誤差又は交差エントロピー誤差では、バッチ処理又はミニバッチ処理において、出力層における平均値が考慮されるものの、正常又は異常の確率密度分布の差異について考慮されてこなかった。そこで、本実施形態では、正常又は異常の確率密度分布の差異を考慮した下記の式（３）で表される損失関数Ｅが用いられる。

ここで、Ａは出力層における教師データと出力結果の誤差の平均値、Ｂは異常度推定に利用されるニューラルネットワークから出力される特徴量において、正常及び異常のそれぞれにおける確率密度分布の差異を示している。また、α及びβは正の数であり、それぞれＡ及びＢの重みを表す乗数である。

ここで正常及び異常のそれぞれにおける確率密度分布の差異の大きさを表す指標には、カルバック・ライブラー・ダイバージェンス（情報量）又はジェンセン・シャノン・ダイバージェンス（情報量）等がある。損失関数は、出力層における教師データと出力結果の誤差の平均値が小さいほど、小さくなる。また、損失関数は、異常度推定に利用するニューラルネットワークから出力される特徴量において、正常及び異常のそれぞれにおける確率密度分布の差異が大きいほど、小さくなる。

上記のように、損失関数には、出力層における教師データと出力結果の誤差の平均値だけではなく、ニューラルネットワークでの異常度推定を行う上での利用対象の特徴量において、正常及び異常のそれぞれにおける確率密度分布の差異もコストとして含められる。これにより、正常及び異常の場合で確率密度分布の差異が大きい特徴量が抽出される。その結果、より高精度な異常度の推定が可能となる。

以上、本実施形態におけるニューラルネットワークの学習で用いられる損失関数について説明した。

特徴量抽出部１２２は、生成されたモデル３０に基づいて、特徴量を抽出するための特徴量抽出器を生成する。より具体的には、モデル３０における中間層３０２又は出力層３０４の出力値を特徴量として出力する特徴量抽出器を生成する。特徴量抽出器が生成されるとステップＳ１１１が終了し、図２の処理は終了する。

なお、観測対象１００の動作が異常である場合の動作波形データが十分に得られない場合がある。このような場合には、特徴量抽出部１２２は、ニューラルネットワークとしてオートエンコーダーを利用してもよい。特徴量抽出部１２２は、オートエンコーダーを利用することにより、観測対象１００の動作が正常である場合の動作波形データのみに基づく特徴量抽出器を作成し得る。

＜２．２．特徴量抽出器を生成する処理＞
以上、抽出部１０６が特徴量抽出器を生成する処理について説明した。次に、抽出部１０６が生成された特徴量抽出器を用いて動作情報から特徴量を抽出する処理について図８を用いて説明する。以下、図８に沿って抽出部１０６が特徴量抽出器を用いて特徴量を抽出する処理について説明する。

まず、ステップＳ２０１において、センサ１１０が観測対象１００の動作に関わる情報を示す動作波形データを取得する。なお、ステップＳ２０１で実施される処理は、ステップＳ１０１において実施される処理と同様である。

次に、ステップＳ２０３において、ＡＤ変換部１１２が、アナログ信号である動作波形データをアナログ・デジタル変換することにより、動作波形データをデジタル信号に変換する。なお、ステップＳ２０３で実施される処理は、ステップＳ１０３において実施される処理と同様である。

次に、ステップＳ２０５において、データ前処理部１１４が、動作波形データの前処理を実施する。なお、ステップＳ２０５で実施される処理は、ステップＳ１０５において実施される処理と同様である。

次に、ステップＳ２０７において、情報変換部１２０が、動作情報を変換することにより、特徴量抽出器に入力するための入力データを生成する。情報変換部１２０が入力データを生成する処理について図９〜図１２を用いて説明する。なお、情報変換部１２０は、単位時刻ごとの特徴量を抽出するための入力データ又は単位周波数ごとの特徴量を抽出するための入力データを生成する。

また、特徴量抽出部１２２が特徴量を抽出するために第１の特徴量抽出器を用いる場合と、第２の特徴量抽出器を用いる場合とで、情報変換部１２０が入力データを生成する方法が異なる。ここでは、まず、第１の特徴量抽出器を用いる場合について説明した後、第２の特徴量抽出器を用いる場合について説明する。

まず、第１の特徴量抽出器を用いて単位時刻ごとの特徴量を抽出する場合に、情報変換部１２０が動作情報を変換して第１の入力データを生成する方法について、図９を用いて説明する。以下、第１の特徴量抽出器を用いて抽出される単位時刻ごとの特徴量を第１の特徴量という。

図９は、第１の特徴量を抽出するために、情報変換部１２０が第１の入力データを生成する方法を説明するための図である。図９の左側には、Ｎ行Ｍ列の動作情報５００が示されている。情報変換部１２０は、第１の特徴量の抽出の対象となる時刻に対応する動作情報５００における列の情報を切り出す。例えば、情報変換部１２０は、破線で示された１列目の集合５０２を切り出す。なお、切り出される振幅値の集合は、任意の時刻に対応する列の振幅値の集合であってよい。

図９の真ん中には、切り出された振幅値の集合である切り出し情報５０４が示されている。情報変換部１２０は、切り出し情報５０４を変換することにより、ｎ列の情報で表される第１の入力データを生成する。情報変換部１２０が切り出し情報５０４を変換することにより第１の入力データを生成する方法は、図３を用いて説明した情報変換部１２０が第１の要約情報２０４を変換することにより入力データ２０７を生成する方法と同じである。以上のようにして、第１の入力データ５０６が生成される。

次に、第１の特徴量抽出器を用いて単位周波数帯当たりの特徴量を抽出するために、情報変換部１２０が第２の入力データを生成する方法について、図１０を用いて説明する。以下、第１の特徴量抽出器を用いて抽出される単位周波数帯当たりの特徴量を第２の特徴量という。図１０は第２の特徴量を抽出するために、情報変換部１２０が第２の入力データを生成する方法を説明するための図である。

図１０の左側には、Ｎ行Ｍ列の動作情報５００が示されている。情報変換部１２０は、動作情報５００における各行の振幅値の平均値を算出することにより第１平均情報５０８を生成する。情報変換部１２０が動作情報５００から第１平均情報５０８を生成する方法は、図３を用いて説明した情報変換部１２０が動作情報２００から第１の要約情報２０４を生成する方法と同じである。

次に、情報変換部１２０は、第１平均情報５０８を変換することにより、第２平均情報５１０を生成する。情報変換部１２０が第１平均情報５０８を変換することにより第２平均情報５１０を生成する方法は、図３を用いて説明した情報変換部１２０が第１の要約情報２０４を変換することにより入力データ２０７を生成する方法と同じである。

次に、情報変換部１２０は、第２平均情報５１０を変換することにより、第１の特徴量抽出器の入力データとなる第２の入力データ５１２を生成する。図１０において右から２番目に第２平均情報５１０、一番右に第２の入力データ５１２が示されている。情報変換部１２０は、第２平均情報５１０において第２の特徴量の抽出の対象となる周波数帯に対応する行以外の列の振幅値を、十分小さい値に置き換える。例えば、情報変換部１２０は、第２平均情報５１０において特徴量の抽出の対象となる周波数帯に対応する行以外の行の振幅値を、例えば第２平均情報５１０における各セルが有する値のうちの最小値に置き換える。図１０に示される第２の入力データ５１２は、第２平均情報５１０における１行目のセル以外のセルの情報が第２平均情報５１０における各セルのうちの最小値に置き換えられることにより生成されている。情報変換部１２０は、以下、第２の特徴量の抽出の対象となる周波数帯に対応する行を２〜ｎに変更して、第２の入力データ５１２を生成する。以上のようにして、第２の入力データ５１２が生成される。

次に、第２の特徴量抽出器を用いて単位時刻当たりの特徴量を抽出するために、情報変換部１２０が第３の入力データを生成する方法について、図１１を用いて説明する。以下、第２の特徴量抽出器を用いて抽出される単位時刻ごとの特徴量を第３の特徴量という。図１１は第３の特徴量を抽出するために、情報変換部１２０が第３の入力データを生成する方法を説明するための図である。

図１１の上側には、Ｎ行Ｍ列の動作情報５００が示されている。情報変換部１２０は、動作情報５００における各列の振幅値の平均値を算出することにより第３平均情報５１６を生成する。情報変換部１２０が動作情報５００から第３平均情報５１６を生成する方法は、図４を用いて説明した情報変換部１２０が動作情報２００から第２の要約情報２１２を生成する方法と同じである。

次に、情報変換部１２０は、第３平均情報５１６を変換することにより、第４平均情報５１８を生成する。情報変換部１２０が第３平均情報５１６を変換することにより第４平均情報５１８を生成する方法は、図４を用いて説明した情報変換部１２０が第２の要約情報２１２を変換することにより入力データ２１５を生成する方法と同じである。

次に、情報変換部１２０は、第４平均情報５１８を変換することにより、第３の特徴量抽出器の入力データとなる第３の入力データ５２２を生成する。図１１において下から２番目に第４平均情報５１８、一番下に第３の入力データ５２２が示されている。情報変換部１２０は、第４平均情報５１８において第３の特徴量の抽出の対象となる時刻に対応する列以外の列の振幅値を、十分小さい値に置き換える。例えば、情報変換部１２０は、第４平均情報において特徴量の抽出の対象となる周波数帯に対応する列以外の列の振幅値を、例えば第４平均情報５１８における各セルのうちの最小値に置き換える。図１１に示される第３の入力データ５２２は、第４平均情報５１８における１番目のセル５２０以外のセルの情報が第４平均情報５１８における各セルのうちの最小値に置き換えられることにより生成されている。情報変換部１２０は、以下、第３の特徴量の抽出の対象となる時刻に対応する列を２〜ｍに変更して、各々の第３の入力データ５２２を生成する。以上のようにして、第３の入力データ５２２が生成される。

次に、第２の特徴量抽出器を用いて単位周波数帯当たりの特徴量を抽出するために、情報変換部１２０が第４の入力データ５３０を生成する方法について、図１２を用いて説明する。以下、第２の特徴量抽出器を用いて抽出される単位周波数帯当たりの特徴量を第４の特徴量という。

図１２は第４の特徴量を抽出するために、情報変換部１２０が第４の入力データ５３０を生成する方法を説明するための図である。図１２の上側には、Ｎ行Ｍ列の動作情報５００が示されている。情報変換部１２０は、第４の特徴量の抽出の対象となる周波数帯に対応する行の動作情報を切り出す。例えば、情報変換部１２０は、破線で示された１行目の集合５２６を切り出す。なお、切り出される振幅値の集合は、任意の周波数帯に対応する行の振幅値の集合であってよい。

図１２の真ん中には、切り出された振幅値の集合である切り出し情報５２８が示されている。情報変換部１２０は、切り出し情報５２８を変換することにより、ｍ列の情報で表される第４の入力データ５３０を生成する。情報変換部１２０が切り出し情報５２８を変換することにより第４の入力データ５３０を生成する方法は、図４を用いて説明した情報変換部１２０が第２の要約情報２１２を変換することにより入力データ２１５を生成する方法と同じである。以上のようにして、第４の入力データ５３０が生成される。

以上、特徴量抽出部１２２が動作情報から入力データを生成する処理について説明した。

次に、ステップＳ２０９において、特徴量抽出部１２２は、特徴量抽出器を用いて特徴量を抽出する。より具体的には、特徴量抽出部１２２は、ステップＳ２０７において生成された第１〜第４の入力データを特徴量抽出器に入力することにより、第１〜第４の特徴量を抽出する。

特徴量抽出部１２２が特徴量を抽出すると、ステップＳ２０９は終了し、図８に示す処理が終了する。以上、抽出部１０６が特徴量を抽出する処理について説明した。

＜２．３．分析部が観測対象の動作の異常性について分析する処理＞
次に、分析部１０８が観測対象１００の動作の異常性について分析する処理について説明する。図１３は、分析部１０８が観測対象１００の動作の異常性について分析する処理を示すフローチャートである。以下、図１３のフローチャートに沿って説明する。

まず、ステップＳ４０１において、分析部１０８は、動作要素及び特徴量を確率変数とする確率分布モデルを作成する。ここで、特徴量は前述した第１〜第４の特徴量である。また、動作情報から単位時刻ごとに抽出された第１の特徴量及び第３の特徴量を確率変数とする場合には、時刻を確率変数とする確率分布モデルが作成される。また、動作情報から単位周波数帯ごとに抽出された第２の特徴量及び第４の特徴量を確率変数とする場合には、周波数帯を確率変数とする確率分布モデルが作成される。以上のようにして、分布作成部１２４により、確率分布モデルが作成される。

次に、ステップＳ４０３において、抽出部１０６が、観測対象１００の動作の異常度を算出するための特徴量を動作情報から抽出する。抽出部１０６が特徴量を抽出する処理は、図８を用いて説明した方法と同様にして実施される。ここでは、抽出部１０６は、第１〜第４の特徴量を動作情報から抽出する。

次に、ステップＳ４０５において、算出部１２６が、分布作成部１２４が生成した確率分布モデルに基づいて、異常度を算出する。より具体的には、算出部１２６は、確率分布モデルに基づいて、特徴量がある値をとる確率Ｐを算出する。さらに、算出部１２６は、異常度を定量的に表現するために、異常度を-logＰとして算出する。異常度が−logＰとして算出されることにより、確率Ｐが小さいときに異常度が大きくなるようになる。つまり、動作情報から抽出される特徴量がある値をとる確率が低い場合に、特徴量が当該ある値をとるときに異常度が大きくなるように、異常度が算出される。算出された異常度は、結果出力部１３４に出力される。

また、算出部１２６は、所定の閾値Ｔｈと異常度とを比較することにより、算出部１２６は観測対象１００の動作が異常であるか否かを判定してもよい。例えば、算出部１２６は、異常度が閾値Ｔｈよりも大きい場合には、異常度の算出に用いられた特徴量が抽出された動作情報に対応する時刻において、観測対象１００の動作に異常が生じていることを判定してもよい。

また、算出部１２６は、複数の動作要素を特定して異常度を算出してもよい。より具体的には、算出部１２６は、複数の特徴量を用いることにより、複数の動作要素を特定して異常度を算出し得る。例えば、算出部１２６は、単位時刻ごとの特徴量である第１の特徴量及び単位周波数帯の特徴量である第２の特徴量を用いることにより、時刻と周波数帯を特定して異常度を算出することができる。より具体的には、算出部１２６は、第１の特徴量を用いて算出される異常度-logＰ１と、第２の特徴量を用いて算出される異常度-logＰ２を用いて、異常度-log（Ｐ１×Ｐ２）を算出する。異常度-log（Ｐ１×Ｐ２）は、第１の特徴量に対応する時刻、及び第２の特徴量に対応する周波数帯における異常度を示している。

次に、ステップＳ４０７において、原因推定部１３０が、観測対象１００の動作における異常の原因を推定する。原因推定部１３０による異常の原因の推定は、異常度の算出に用いられた特徴量の特性に基づいて実施されてもよい。例えば、第１〜第４の特徴量の特性に基づいて、原因推定部１３０による異常の原因の推定が実施される。ここで、原因推定部１３０が第１〜第４の特徴量の特性に基づいて異常の原因を推定する方法について説明する。

まず、原因推定部１３０が第１の特徴量の特性に基づいて異常の原因を推定する方法について説明する。第１の特徴量抽出器を用いて単位時刻ごとに抽出される第１の特徴量は、観測対象１００である機器の異常が生じる時刻を推定するために用いられる。例えば、原因推定部１３０は、第１の特徴量を用いることにより、ある特定の時刻で観測対象１００である機器の動作部が動作する場合には、当該動作部における摩耗や劣化を推定することができる。このように、原因推定部１３０は、第１の特徴量を用いることにより、観測対象１００の動作に異常が生じた時刻から異常の原因を推定することができる。また、更に詳細な観測対象１００の動作の異常の原因の推定には、第１の特徴量に加えて、単位周波数帯ごとに抽出される第２及び第４の特徴量を用いられる。

次に、原因推定部１３０が第２の特徴量の特性に基づいて異常の原因を推定する方法について説明する。第１の特徴量抽出器を用いて単位周波数帯ごとに抽出される第２の特徴量は、動作情報における各々の周波数帯ごとの異常性を評価することに用いられ得る。原因推定部１３０は、第２の特徴量を用いることにより、観測対象１００の異常の原因を特定し得る。例えば、観測対象１００である機器の動作部が摩耗又は損傷等によって、動作部の振動の周波数に大きな変化が生じる場合がある。原因推定部１３０は、動作に異常が生じる前と後において、動作部の振動の周波数がどのように変化したのかを認識することにより、動作の異常の原因を推定することができる。原因推定部１３０は第２の特徴量を用いることにより、特にモーターのような一定の駆動を実施する動作部の異常の検出を効果的に実施することができる。また、原因推定部１３０は、第２の特徴量に加えて、単位時刻ごとに抽出される第１の特徴量及び第３の特徴量を用いることにより、より詳細に異常が生じた個所又は異常の原因の特定等をすることができる。

次に、原因推定部１３０が第３の特徴量の特性に基づいて異常の原因を推定する方法について説明する。第２の特徴量抽出器を用いて単位時刻ごとに抽出される第３の特徴量は、動作時刻ごとの動作の異常性を推定するために用いられる。原因推定部１３０は、第３の特徴量を用いることにより、動作する時刻が異なる複数の動作部における異常性を検出することができる。原因推定部１３０は、第３の特徴量に加えて、単位周波数帯ごとに抽出される第２及び第４の特徴量を用いることにより、より詳細な動作部の異常の原因を推定することができる。

次に、原因推定部１３０が第４の特徴量の特性に基づいて異常の原因を推定する方法について説明する。第２の特徴量抽出器を用いて単位周波数帯ごとに抽出される第４の特徴量は、機器の異常が生じる周波数帯を特定するために用いられる。例えば、機器がある動作を実施するタイミングで当該動作に異常が生じることが分かっている場合がある。この場合、第４の特徴量は、当該異常がどの周波数帯において顕著であるかを検出するために用いられ得る。原因推定部１３０は、第４の特徴量に加えて、単位時刻ごとに抽出される第１及び第３の特徴量を用いることにより、より詳細に異常な動作部の特定や異常の原因の推定を実施することができる。

以上、原因推定部１３０が特徴量の特性に基づいて異常の原因を推定する方法について説明した。推定された結果は、結果出力部１３４に出力される。

次に、ステップＳ４０９において、異常予測部１３２が、観測対象１００の動作に異常が生じるまでの時間を予測する。より具体的には、異常予測部１３２は、算出部１２６により算出された異常度の時間変化と、機器が稼働した回数又は機器が稼働している時間の長さなどの機器の動作状況に関わる情報に基づいて、機器の動作に異常が生じるまでの時間を予測する。予測された結果は、結果出力部１３４に出力される。

次に、ステップＳ４１１において、表示部１３６が、分析部１０８により生成された情報を表示する。表示部１３６が表示する情報は、結果出力部１３４から表示部１３６に伝達されている。表示部１３６が表示する情報は、例えば算出部１２６が算出した異常度、原因推定部１３０が推定した異常の原因、又は異常予測部１３２が予測した観測対象１００の動作に異常が生じるまでの時間等の情報が表示される。また、表示部１３６には、異常度を、時刻と周波数の２次元マップで表示してもよい。これにより、ユーザー等は、観測対象１００の動作に異常が生じた時刻を知ることができたり、観測対象１００の動作の異常の原因を推測したりすることが可能となる。

次に、ステップＳ４１３において、結果出力部１３４は、情報集約端末１０４の結果受信部１３８に分析部１０８により分析された結果を送信する。結果受信部１３８は、複数の異常検知装置１０２から送信された分析の結果を最終出力部１４０に伝達する。最終出力部１４０は、複数の異常検知装置１０２において分析された結果を統合して、例えば表示装置に当該結果を表示する。また、最終出力部１４０は、異常度に関わる情報を、時刻と周波数体の２次元マップで表示してもよい。

以上、本実施形態の異常検知装置１０２が実施する処理について説明した。なお、本明細書の異常検知装置１０２の処理における各ステップは、必ずしもフローチャートとして記載された順序に沿って時系列に処理する必要はない。例えば、異常検知装置１０２の処理における各ステップは、フローチャートとして記載した順序と異なる順序で処理されても、並列的に処理されてもよい。

＜２．４．効果＞
本実施形態に係る異常検知装置１０２の効果について説明する。本実施形態では、データ前処理部１１４は、観測対象１００である機器の動作を表す波形データを高速フーリエ変換することにより動作情報を取得した。さらに、次元圧縮部１１６は、動作情報の次元を圧縮することにより、要約情報を作成する。特徴量抽出部１２２は、要約情報を整形することにより生成された入力データに基づいて、特徴量抽出器を生成する。

要約情報の次元は動作情報の次元よりも小さいため、特徴量抽出部１２２が特徴量抽出器を生成するための演算処理を実施するためのコストや、動作情報を保存するためのメモリにかかるコストが低減される。

さらに、本実施形態において生成された特徴量抽出器を用いることにより、すべての時刻又は周波数帯における特徴量を動作情報から抽出することが可能である。従って、特徴量抽出部１２２は周波数帯又は時刻ごとの特徴量抽出器を作成する必要がなくなる。特に、観測対象１００がアームロボットなどの複数の動作部がそれぞれ動作と停止を繰り返しながら機能する場合、それぞれの動作に対してモデルを生成する必要がなくなる。このため、特徴量抽出器を生成するために要する時間や、生成された特徴量抽出器を保存するために必要なメモリが大幅に削減される。

さらに、本実施形態における異常検知装置１０２は、観測対象１００の動作の正常又は異常の判別を実施するだけでない。算出部１２６が異常度を算出することにより、観測対象１００の動作の異常度が定量的に評価される。算出された異常度は、機器のメンテナンスの計画や観測対象１００である機器の寿命の予測に反映させることが可能である。これにより、観測対象１００による生産性や作業の効率が向上する。

さらに、本実施形態における異常検知装置１０２は、時刻又は周波数帯などの動作要素ごとに異常度を算出することができる。さらに、算出された異常度と機器の動作タイミング又は動作条件等と対応付けることにより、機器の異常原因を特定することも可能である。

これらに加えて、本実施形態に係る異常検知装置１０２は、ディープラーニング技術を利用することにより、低次元かつクラス分離度の高い特徴量を自動で抽出することができる。この結果、クラス分離度が高くなるように特徴量を選択すること又は次元圧縮処理の検討等のように、従来の異常検知では人手によって実施された作業が自動化及び軽負担化される。

＜３．ハードウェア構成例＞
次に、本発明の一実施形態に係る異常検知装置１０２のハードウェア構成例について説明する。図１４は、本発明に係る異常検知装置１０２のハードウェア構成例を示すブロック図である。図１４を参照すると、異常検知装置１０２は、例えば、プロセッサ６０１と、ＲＯＭ６０２と、ＲＡＭ６０３と、ホストバス６０４と、ブリッジ６０５と、外部バス６０６と、インターフェース６０７と、入力部６０８と、出力部６０９と、記憶部６１０と、ドライブ６１１と、接続ポート６１２と、通信部６１３と、を有する。なお、ここで示すハードウェア構成は一例であり、構成要素の一部が省略されてもよい。また、ここで示される構成要素以外の構成要素をさらに含んでもよい。

（プロセッサ６０１）
プロセッサ６０１は、例えば、演算処理装置又は制御装置として機能し、ＲＯＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）６０２、ＲＡＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）６０３、記憶部６１０、又はリムーバブル記録媒体６１４に記録された各種プログラムに基づいて各構成要素の動作全般又はその一部を制御する。

（ＲＯＭ６０２、ＲＡＭ６０３）
ＲＯＭ６０２は、プロセッサ６０１に読み込まれるプログラムや演算に用いるデータ等を格納する手段である。ＲＡＭ６０３には、例えば、プロセッサ６０１に読み込まれるプログラムや、そのプログラムを実行する際に適宜変化する各種パラメータ等が一時的又は永続的に格納される。

（ホストバス６０４、ブリッジ６０５、外部バス６０６、インターフェース６０７）
プロセッサ６０１、ＲＯＭ６０２、ＲＡＭ６０３は、例えば、高速なデータ伝送が可能なホストバス６０４を介して相互に接続される。一方、ホストバス６０４は、例えば、ブリッジ６０５を介して比較的データ伝送速度が低速な外部バス６０６に接続される。また、外部バス６０６は、インターフェース６０７を介して種々の構成要素と接続される。

（入力部６０８）
入力部６０８には、例えば、マウス、キーボード、タッチパネル、ボタン、スイッチ、マイク、及びレバー等が用いられる。さらに、入力部６０８としては、赤外線やその他の電波を利用して制御信号を送信することが可能なリモートコントローラ（以下、リモコン）が用いられることもある。また、入力部６０８は、撮像素子や、レーダーやＬＩＤＡＲに係る受信素子を含む。

（出力部６０９）
出力部６０９には、例えば、ＣＲＴ（Ｃａｔｈｏｄｅ Ｒａｙ Ｔｕｂｅ）、ＬＣＤ、又は有機ＥＬ等のディスプレイ装置（表示装置）、スピーカ、ヘッドホン等のオーディオ出力装置、プリンタ、携帯電話、又はファクシミリ等、取得した情報を利用者に対して視覚的又は聴覚的に通知することが可能な装置である。また、出力部６０９は、上述したような各種のレーダー、ＬＩＤＡＲなどを含んでよい。

（記憶部６１０）
記憶部６１０は、各種のデータを格納するための装置である。記憶部６１０としては、例えば、ハードディスクドライブ（ＨＤＤ）等の磁気記憶デバイス、半導体記憶デバイス、光記憶デバイス、又は光磁気記憶デバイス等が用いられる。

（ドライブ６１１）
ドライブ６１１は、例えば、磁気ディスク、光ディスク、光磁気ディスク、又は半導体メモリ等のリムーバブル記録媒体６１４に記録された情報を読み出し、又はリムーバブル記録媒体６１４に情報を書き込む装置である。

（リムーバブル記録媒体６１４）
リムーバブル記録媒体６１４は、例えば、ＤＶＤメディア、Ｂｌｕ−ｒａｙ（登録商標）メディア、ＨＤ ＤＶＤメディア、各種の半導体記憶メディア等である。もちろん、リムーバブル記録媒体６１４は、例えば、非接触型ＩＣチップを搭載したＩＣカード、又は電子機器等であってもよい。

（接続ポート６１２）
接続ポート６１２は、例えば、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）ポート、ＩＥＥＥ１３９４ポート、ＳＣＳＩ（Ｓｍａｌｌ Ｃｏｍｐｕｔｅｒ Ｓｙｓｔｅｍ Ｉｎｔｅｒｆａｃｅ）、ＲＳ−２３２Ｃポート、又は光オーディオ端子等のような外部接続機器６１５を接続するためのポートである。

（外部接続機器６１５）
外部接続機器６１５は、例えば、プリンタ、携帯音楽プレーヤ、デジタルカメラ、デジタルビデオカメラ、又はＩＣレコーダ等である。

（通信部６１３）
通信部６１３は、ネットワーク６１６に接続するための通信デバイスであり、例えば、有線又は無線ＬＡＮ、Ｂｌｕｅｔｏｏｔｈ（登録商標）、又はＷＵＳＢ（Ｗｉｒｅｌｅｓｓ ＵＳＢ）用の通信カード、光通信用のルータ、ＡＤＳＬ（Ａｓｙｍｍｅｔｒｉｃ Ｄｉｇｉｔａｌ Ｓｕｂｓｃｒｉｂｅｒ Ｌｉｎｅ）用のルータ、又は各種通信用のモデム等である。また、内線電話網や携帯電話事業者網等の電話網に接続してもよい。
＜４．補足＞

以上、添付図面を参照しながら本発明の好適な実施形態について詳細に説明したが、本発明はかかる例に限定されない。本発明の属する技術の分野における通常の知識を有する者であれば、特許請求の範囲に記載された技術的思想の範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、これらについても、当然に本発明の技術的範囲に属するものと了解される。

また、コンピュータに内蔵されるプロセッサ、ＲＯＭ及びＲＡＭ等のハードウェアに、異常検知装置１０２が有する構成と同等の機能を発揮させるためのプログラムも作成可能であり、当該プログラムを記録した、コンピュータに読み取り可能な非一過性の記録媒体も提供され得る。

３０ モデル
１００ 観測対象
１０２ 異常検知装置
１１０ センサ
１１６ 次元圧縮部
１２２ 特徴量抽出部
１２４ 分布作成部
１２６ 算出部
１３０ 原因推定部
１３２ 異常予測部
２００、５００ 動作情報
２０４ 第１の要約情報
２１２ 第２の要約情報

Claims (20)

1. 観測対象の動作に関わる２種以上の動作要素に基づいて、前記動作要素を含む多次元情報で表される動作情報の次元を圧縮して要約情報を作成する次元圧縮部と、
   前記要約情報を入力データとして、前記動作の異常性に関わる少なくとも２つの分類を示す出力データを出力するモデルに基づいて生成された特徴量抽出器を用いて前記動作情報から特徴量を抽出する特徴量抽出部と、
   を備える、異常検知装置。
2. 前記動作要素は周波数を含む、請求項１に記載の異常検知装置。
3. 前記動作情報は、前記動作を測定するためのセンサにより時系列で測定された情報に基づいて生成され、
   前記動作要素は、時刻を含む、請求項１又は２に記載の異常検知装置。
4. 前記動作情報は、前記動作にかかるスペクトログラム又はスカログラムのうちの少なくともいずれかで表される、請求項１〜３のいずれか１項に記載の異常検知装置。
5. 前記次元圧縮部は、時刻の軸方向に前記スペクトログラム又はスカログラムの統計値を算出することにより第１の要約情報を作成し、更に、周波数の軸方向に前記スペクトログラム又はスカログラムの統計値を算出することにより第２の要約情報を作成し、
   前記特徴量抽出部は、前記第１の要約情報を入力データとして第１の特徴量抽出器を作成し、更に、前記第２の要約情報を入力データとして第２の特徴量抽出器を作成する、請求項４に記載の異常検知装置。
6. 前記特徴量抽出部は、前記第１の特徴量抽出器又は前記第２の特徴量抽出器のうちの少なくともいずれかを用いて特徴量を抽出する、請求項５に記載の異常検知装置。
7. 前記特徴量抽出部は、単位時刻ごとの特徴量又は単位周波数帯ごとの特徴量を抽出する、請求項６に記載の異常検知装置。
8. 前記動作要素及び前記特徴量を確率変数とする確率分布モデルを作成する分布作成部と、
   前記確率分布モデルに基づいて、前記特徴量に対応する動作の異常性に関わる度合いである異常度を算出する算出部と、を備える、
   請求項１〜７のいずれか１項に記載の異常検知装置。
9. 前記分布作成部は、単位時刻ごとに抽出される特徴量、及び、時刻を確率変数とする確率分布モデルを作成する、請求項８に記載の異常検知装置。
10. 前記分布作成部は、単位周波数帯ごとに抽出される特徴量、及び、周波数を確率変数とする確率分布モデルを作成する、請求項８又は９に記載の異常検知装置。
11. 前記算出部は、単位時刻ごとに抽出される特徴量及び単位周波数帯ごとに抽出される特徴量に基づいて、時刻及び周波数を特定して前記異常度を算出する、請求項８〜１０のいずれか１項に記載の異常検知装置。
12. 前記算出部は、単位時刻ごとに抽出される特徴量及び単位周波数帯ごとに抽出される特徴量を用いて算出された異常度に基づいて、前記観測対象の異常度を推定する、請求項８〜１１のいずれか１項に記載の異常検知装置。
13. 前記異常度を、時刻と周波数の２次元マップで表示する表示部を更に備える、請求項８〜１２のいずれか１項に記載の異常検知装置。
14. 前記異常度及び前記観測対象が備える動作部に関わる情報に基づいて、前記観測対象の動作における異常の原因を推定する原因推定部と、を更に備える、請求項８〜１３のいずれか１項に記載の異常検知装置。
15. 前記異常度の時間変化及び前記観測対象の動作状況に関わる情報に基づいて、前記観測対象に異常が生じるまでの時間を予測する異常予測部と、を更に備える、請求項８〜１４のいずれか１項に記載の異常検知装置。
16. 前記特徴量抽出部は、前記特徴量抽出器を構成するニューラルネットワークの中間層又は出力層の出力値を特徴量として抽出する、請求項１〜１５のいずれか１項に記載の異常検知装置。
17. 前記特徴量抽出器は、前記動作の評価として、正常又は異常の２値の分類を示す出力データを出力する、請求項１〜１６のいずれか１項に記載の異常検知装置。
18. 前記動作要素は、前記観測対象の周りの環境に関わる情報を含む、請求項１〜１７のいずれか１項に記載の異常検知装置。
19. 観測対象の動作に関わる２種以上の動作要素に基づいて、前記動作要素を含む多次元情報で表される動作情報の次元を圧縮して要約情報を作成し、
    前記要約情報を入力データとして、前記動作の異常性に関わる少なくとも２つの分類を示す出力データを出力するモデルに基づいて生成された特徴量抽出器を用いて前記動作情報から特徴量を抽出する、
    異常検知方法。
20. コンピュータに、
    観測対象の動作に関わる２種以上の動作要素に基づいて、前記動作要素を含む多次元情報で表される動作情報の次元を圧縮して要約情報を作成させ、
    前記要約情報を入力データとして、前記動作の異常性に関わる少なくとも２つの分類を示す出力データを出力するモデルに基づいて生成された特徴量抽出器を用いて前記動作情報から特徴量を抽出させる、
    異常検知プログラム。
    

Images