JP2020107016A - 類似度判定装置および異常検出装置 - Google Patents

Abstract

【課題】動的時間伸縮を用いた類似度の判定において、より最短距離となるワーピングパスを見つけることでより正確な類似度を判定する類似度判定装置、及び異常検出装置を提供する。
【解決手段】類似度判定装置１は、時系列データを記憶するデータ記憶部２と、第一時系列データと第二時系列データとの類似度を判定する判定部３と、を備える。判定部３は、第一時系列データおよび第二時系列データを時間軸方向に沿って複数の第一時系列分割データおよび複数の第二時系列分割データにそれぞれ分割し、時間軸方向に並んだ第一時系列分割データと第二時系列分割データとで構成されるブロック毎の動的時間伸縮距離を算出し、ブロック毎に算出された動的時間伸縮距離の合計で類似度を判定する。
【選択図】図１

Description

本願は、二つの時系列データ間の類似度を判定する類似度判定装置、および異常の検出対象となる第一時系列データと異常の検出の判定基準となる第二時系列データとを用いて異常を検出する異常検出装置に関する。

日本経済の成長と国際社会への貢献の切り札としてＩＣＴ（Ｉｎｆｏｒｍａｔｉｏｎ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ）が推進されており、急速に普及が進んでいる。なかでも、ビッグデータを用いたＩＣＴ事業の事業規模は群を抜いている。ビッグデータとは、分析するために蓄積されたとは限らない大容量のデータであり、新たな付加価値を提供できる巨大データ群を指す。例えば、自動化装置の各種センサーから得られるセンサーデータは、時系列データでありビッグデータの一種であると言える。

近年、過去に蓄積されたセンサーデータを用いて、リアルタイムでセンサーデータを監視し、センサーの異常を検出するシステムに注目が集まっている。この異常を検出する手法の一つに類似度検索が挙げられる。その類似度検索の手法の一つとして動的時間伸縮法（Ｄｙｎａｍｉｃ Ｔｉｍｅ Ｗａｒｐｉｎｇ：以下、ＤＴＷと記す）がある。

ＤＴＷは、二つの時系列データの各点の距離を総当りで計算して二つの時系データ同士の距離が最短となるパス（以下、ワーピングパスと記す）を見つけ、その長さを動的時間伸縮距離（以下、ＤＴＷ距離と記す）と定義している。ＤＴＷを用いた類似度判定装置は、このＤＴＷ距離で二つの時系列データの類似度を判定する。ＤＴＷでは、二つの時系列データの各点の距離を総当りで計算する必要があるが、時系列データのデータ数が多い場合、計算量が膨大になり計算に多大な時間を要していた。

ＤＴＷの計算量を減らす方法として、時系列データ同士の距離を計算する際に、計算する点の範囲を並び順に限られた範囲とする方法が開示されていた。例えば、一つの時系列データをＸ＝ｘ_１、ｘ_２、・・・ｘ_ｎとし、他の一つの時系列データをＹ＝ｙ_１、ｙ_２、・・・ｙ_ｍとしたときに、任意の点ｘ_ｉとｙ_ｊとの距離を計算するときに｜ｉ−ｊ｜≦ｗ（ｎ、ｍ、ｗは１以上の自然数）として閾値ｗを設定し、計算に用いる点の範囲を限定することで計算量を減らす方法が開示されていた（例えば、特許文献１参照）。

特開２０１３−２５７７１２号公報

しかしながら、従来の方法では閾値ｗを設けているので、閾値以上の周期性をもつ時系列データの類似度を判定する場合、ワーピングパスが最短距離とはならない場合がある。その結果、従来の方法では、類似度が正確に判定できない場合が生じるという問題があった。

本願は、上述の課題を解決するためになされたものであり、ＤＴＷを用いた類似度判定装置において、より最短距離となるワーピングパスを見つけることでより正確な類似度を判定することを目的とする。

本願に係る類似度判定装置は、第一時系列データと第二時系列データとの類似度を判定する判定部を備え、この判定部は、第一時系列データおよび第二時系列データを時間軸方向に沿って複数の第一時系列分割データおよび複数の第二時系列分割データにそれぞれ分割し、時間軸方向に並んだ第一時系列分割データと第二時系列分割データとで構成されるブロック毎の動的時間伸縮距離を算出し、ブロック毎に算出された動的時間伸縮距離の合計で類似度を判定するものである。

本願の類似度判定装置は、時間軸方向に並んだ第一時系列分割データと第二時系列分割データとで構成されるブロック毎の動的時間伸縮距離を算出し、ブロック毎に算出された動的時間伸縮距離の合計で類似度を判定しているので、より正確な類似度を判定することができる。

実施の形態１に係る類似度判定装置を示すブロック図である。 従来のＤＴＷを示す模式図である。 実施の形態１のＤＴＷを示す模式図である。 実施の形態１のＤＴＷを示す模式図である。 実施の形態１のＤＴＷを示す模式図である。 実施の形態１に係る類似度判定装置の実行手順を示した工程図である。 実施の形態１のＤＴＷを示す模式図である。 実施の形態２に係る異常検出装置を示すブロック図である。 実施の形態１に係る類似度判定装置１および実施の形態２に係る異常検出装置のハードウエアの一例を示す構成図である。

以下、本願を実施するための実施の形態に係る類似度判定装置および異常検出装置について図面を参照して詳細に説明する。なお、各図において同一符号は同一もしく相当部分を示している。

実施の形態１．
図１は、実施の形態１に係る類似度判定装置を示すブロック図である。図１に示すように、類似度判定装置１は、時系列データを記憶するデータ記憶部２と、類似度を判定する判定部３とを有する。データベース４は、類似度の判定対象となる第一時系列データと、類似度の判定の基準となる第二時系列データとを格納している。類似度の判定の基準となる第二時系列データは、教師時系列データと言うこともできる。

データ記憶部２は、データベース４から第一時系列データおよび教師時系列データを読み込む。類似度判定装置１は、類似度の判定に必要な時系列データをデータ記憶部２に保持することで、データベース４へのアクセス回数を減らすことができる。

判定部３は、データ記憶部２に保持された第一時系列データおよび教師時系列データを用いて、教師時系列データに対する第一時系列データの類似度を判定する。以下、類似度判定装置１における判定部３での類似度の判定方法について説明する。

図２は、ワーピングパスを求める従来のＤＴＷを示す模式図である。まず、図２を用いて従来のＤＴＷの手順について説明する。類似度の判定対象となる時系列データＡを横軸に配置し、この時系列データＡに対応する教師時系列データＢを縦軸に配置する。従来のＤＴＷの場合、所定の時間間隔で配列された時系列データＡ（Ａ_０、Ａ_１、Ａ_２、・・・Ａ_ｋ）と教師時系列データＢ（Ｂ_０、Ｂ_１、Ｂ_２、・・・Ｂ_ｋ）とで構成される各区画に、時系列データＡの各点の値と教師時系列データＢの各点の値とから算出されるユークリッド距離が記入される。記入された値が最も小さい区画が左下隅から右上隅に向かって順次選択され、選択された距離の総和がワーキングパスから得られるＤＴＷ距離となる。図２の網掛けで示された区画がワーキングパスに相当する。このように、従来のＤＴＷでは、このワーキングパスを導出するためには図２に示したすべての区画のユークリッド距離を算出する必要がある。

これに対して、本実施の形態の類似度判定装置１は、時系列データを分割してその分割した領域毎にＤＴＷを適用してワーピングパスを導出する。図３、図４および図５は、本実施の形態におけるワーピングパスを求めるＤＴＷを示す模式図である。本実施の形態のＤＴＷでは、類似度の判定対象となる時系列データＡおよび教師時系列データＢは時間軸方向に沿って複数にそれぞれ分割される。具体的には、本実施の形態のＤＴＷでは、時系列データＡおよび教師時系列データＢはそれぞれ３つの時系列分割データに分割される。なお、分割するサイズは、二つの時系列データで異なっていてもよい。

図３は、時系列データＡから分割された時系列分割データＡ−１と、教師時系列データＢから分割された時系列分割データＢ−１とを示している。判定部３は、時系列分割データＡ−１と時系列分割データＢ−１とで構成されたブロックにおいてユークリッド距離を算出し、ワーキングパスを求めてＤＴＷ距離とする。さらに、図４および図５にそれぞれ示すように、判定部３は時系列分割データＡ−２と時系列分割データＢ−２とで構成されるブロック、および時系列分割データＡ−３と時系列分割データＢ−３とで構成されるブロックにおいてそれぞれユークリッド距離を算出し、ワーキングパスを求めてＤＴＷ距離とする。最後に、判定部３は３つのブロック毎に算出されたＤＴＷ距離を合計して、時系列データＡと教師時系列データＢとの類似度を示すＤＴＷ距離とする。

このようにして得られたＤＴＷ距離は、その値が大きいほど二つの時系列データの類似度は低く、その値が小さいほど二つの時系列データの類似度は高いことを意味する。つまり、ＤＴＷ距離の値で二つの時系列データの類似度を判定することができる。例えば、二つに時系列データが完全に同一であれば、ＤＴＷ距離はゼロとなる。

図６は、本実施の形態の類似度判定装置の実行手順を示した工程図である。図６に示すように、類似度判定装置は、始めに、類似度の判定対象となる時系列データをデータベースからデータ記憶部に取得する（ステップＳＴ１）。次に、類似度の判定基準となる教師時系列データをデータベースからデータ記憶部に取得する（ステップＳＴ２）。次に、時系列データおよび教師時系列データを時間軸方向にそれぞれ複数に分割する（ステップＳＴ３）。分割されたデータは、それぞれ時系列分割データおよび教師時系列分割データと呼ぶ。次に、時間軸方向に並んだ時系列分割データと教師時系列分割データとの間でそれぞれＤＴＷ距離を算出する（ステップＳＴ４）。最後に、算出されたＤＴＷ距離の合計を算出する（ステップＳＴ５）。

図７は、本実施の形態におけるＤＴＷを示す模式図である。図７において、網掛けで示された区画がワーキングパスに相当する。また、太い線で囲まれた区画がユークリッド距離の算出に使われた区画であり、細い線で囲まれた区画はユークリッド距離の算出に使われなかった区画である。このように構成された類似度判定装置は、ＤＴＷ距離を算出するために二つの時系列データの各点の距離を総当りで計算する必要がなく、計算量を少なくすることができる。

従来のＤＴＷ距離の計算量を少なくする方法は、計算する点の範囲を並び順に限られた範囲に限定するために閾値を設けていた。しかし、従来の方法では、閾値以上の周期性をもつ時系列データの類似度を判定する場合、ワーピングパスが最短距離とはならない場合がある。その結果、従来の方法では類似度が正確に判定できないという問題があった。本実施の形態の類似度判定装置は、閾値を設けていないので、そのような問題が生じず、より正確な類似度を判定することができる。

以下、本実施の形態のＤＴＷ距離の算出方法と従来の方法との計算量の比較について説明する。
時間軸方向にｎ個のデータで構成された時系列データＸ＝ｘ_１、ｘ_２、・・・ｘ_ｎと、時間軸方向にｍ個のデータで構成された時系列データをＹ＝ｙ_１、ｙ_２、・・・ｙ_ｍとの間で類似度を判定するとする。従来の閾値を設ける方法として、任意の点ｘ_ｉとｙ_ｊとの距離を計算するときに｜ｉ−ｊ｜≦ｗ（ｎ、ｍ、ｗは１以上の自然数）として閾値ｗを設定し、計算に用いる点の範囲を限定した場合、ＤＴＷ距離を算出するための計算量は、
（２ｗ−１）×√（ｎ^２＋ｍ^２）となる。
一方、本実施の形態の類似度判定方法では、従来の方法との計算量の比較を行うために閾値を同じｗとした場合、ＤＴＷ距離を算出するための計算量は、
ｗ^２×ｍｉｎ（ｎ／ｗ、ｍ／ｗ）＋｜ｎ／ｗ−ｍ／ｗ｜
となる。
なお、ｍｉｎは最小値を表す。
ここで、仮にｎ＝５０００、ｍ＝５００、ｗ＝１０とすると、従来の方法での計算量は９５４７３回、本実施の形態での計算量は５４５０回となり、本実施の形態の方が計算量が少なくなることがわかる。

なお、本実施の形態においては、データベースから第一時系列データおよび教師時系列データをデータ記憶部に読み込んでいたが、あらかじめデータ記憶部に教師時系列データが記憶されていてもよい。また、類似度判定装置は必ずしもデータ記憶部を備えている必要はなく、判定部が第一時系列データおよび教師時系列データを直接データベースから読み込んでもよい。さらには、類似度の判定対象となる第一時系列データは、必ずしもデータベースに記憶されている必要はなく、センサーなどの測定装置からリアルタイムで送られてくる時系列データであってもよい。本実施の形態の類似判定装置ではれば、計算量が少ないので、リアルタイムで送られてくる時系列データに対しても即座に類似度の判定が可能である。

実施の形態２．
図８は、実施の形態２に係る異常検出装置を示すブロック図である。本実施の形態の異常検出装置は、実施の形態１で説明したＤＴＷ距離を用いて異常を検出する。

図８に示すように、異常検出装置５は、時系列データを記憶するデータ記憶部２と、異常を検出する検出部６とを有する。データベース４は、異常の検出の基準となる第二時系列データを格納している。異常の検出の基準となる第二時系列データは、教師時系列データと言うこともできる。

本実施の形態の異常検出装置５は、時系列データを時間軸方向に沿って複数に分割し、その分割した領域毎にＤＴＷを適用してワーピングパスを導出する。検出部６は、分割した領域毎にワーピングパスを導出してＤＴＷ距離を算出する工程までは実施の形態１の判定部と同様の機能を有している。以下、センサーなどの測定装置からリアルタイムで送られてくる時系列データに対して異常を検出するものとして説明する。

基準となる測定装置の時系列データを取得しておき、これを教師時系列データとしてデータベース４に記憶しておく。基準となる測定装置としては、例えば規格に基づいて構成された測定装置などが考えられる。なお、教師時系列データは、実際の測定データであってもよく、シミュレーションなどから得られる理想的なデータであってもよい。

初めに、異常か否かを判断するための閾値を設定する方法について説明する。
データ記憶部２は、データベース４から教師時系列データを読み込む。次に、異常の検出対象となる測定装置から送られてくる時系列データを第一時系列データとしてデータ記憶部２に一旦記憶する。このとき、異常の検出対象となる測定装置は正常動作しているとする。

検出部６は、データ記憶部２に保持された第一時系列データおよび教師時系列データを用いて、実施の形態１と同様にＤＴＷ距離を算出する。このとき得られたＤＴＷ距離は、測定装置が正常動作しているときの値である。得られたＤＴＷ距離が正規分布に従うと仮定し、設定した標準偏差値の定数倍以上の確率変数で存在する値をＤＴＷ距離の閾値と設定する。設定された閾値は、データ記憶部２に保持される。この閾値は、測定装置が正常動作しているときに許容されるＤＴＷ距離のばらつきの範囲を表すものである。

次に、実際に測定装置が稼働しているときの異常の検知方法について説明する。
検出部６は、実際に測定装置が稼働しているときに測定装置から送られてくる時系列データを第一時系列データとして、ＤＴＷ距離を算出する。そして、検出部６は、算出されたＤＴＷ距離が設定した閾値を超えた場合にはＤＴＷ距離がばらつきの範囲を超えたと判断して、測定装置から送られてくる時系列データの異常を検知する。

このように構成された異常検出装置は、ＤＴＷ距離を算出するために二つの時系列データの各点の距離を総当りで計算する必要がなく、計算量を少なくすることができる。その結果、リアルタイムで異常を検出することができる。

なお、本実施の形態においては、教師時系列データがデータベース４に格納されていたが、異常検出装置５のデータ記憶部２に記憶されていてもよい。

本実施の形態においては、異常の検出対象となるものは測定装置から送られてくる時系列データそのものであるが、最終的には測定装置の異常かまたは測定装置で測定される他の機器の異常が検出対象となる場合もある。例を挙げると、モータに取り付けられた回転センサーが時系列データを発生する測定装置の場合である。この場合、回転センサーから送られてくる時系列データはモータの回転数などである。モータが正常に回転しているときに回転センサーから送られてくる回転数の時系列データが教師時系列データであり、モータが実際に使用されているときに回転センサーから送られてくる回転数の時系列データが異常の検出対象の時系列データである。

検出部６は、教師時系列データとモータが実際に使用されているときに回転センサーから送られてくる回転数の時系列データとを用いてＤＴＷ距離を算出する。そして、検出部６は、算出されたＤＴＷ距離があらかじめ設定された閾値を超えた場合には、モータの回転が異常であると判断する。

なお、実施の形態１で説明した類似度判定装置１および実施の形態２で説明した異常検出装置５は、ハードウエアの一例を図９に示すように、プロセッサ１００と記憶装置１０１とから構成される。記憶装置は、図示していないが、ランダムアクセスメモリなどの揮発性記憶装置と、フラッシュメモリなどの不揮発性の補助記憶装置とを具備する。また、フラッシュメモリの代わりにハードディスクなどの補助記憶装置を具備してもよい。プロセッサ１００は、記憶装置１０１から入力されたプログラムを実行する。この場合、補助記憶装置から揮発性記憶装置を介してプロセッサ１００にプログラムが入力される。また、プロセッサ１００は、演算結果などのデータを記憶装置１０１の揮発性記憶装置に出力してもよいし、揮発性記憶装置を介して補助記憶装置にデータを保存してもよい。

本願は、様々な例示的な実施の形態が記載されているが、一つまたは複数の実施の形態に記載された様々な特徴、態様、及び機能は特定の実施の形態の適用に限られるのではなく、単独で、または様々な組み合わせで実施の形態に適用可能である。
従って、例示されていない無数の変形例が、本願に開示される技術の範囲内において想定される。例えば、少なくとも一つの構成要素を変形する場合、追加する場合または省略する場合、さらには、少なくとも一つの構成要素を抽出し、他の実施の形態の構成要素と組み合わせる場合が含まれるものとする。

１ 類似度判定装置、 ２ データ記憶部、 ３ 判定部、 ４ データベース、 ５ 異常検出装置、 ６ 検出部、 １００ プロセッサ、 １０１ 記憶装置。

Claims (4)

1. 第一時系列データと第二時系列データとの類似度を判定する判定部を備えた類似度判定装置であって、
   前記判定部は、
   前記第一時系列データおよび前記第二時系列データを時間軸方向に沿って複数の第一時系列分割データおよび複数の第二時系列分割データにそれぞれ分割し、
   時間軸方向に並んだ前記第一時系列分割データと前記第二時系列分割データとで構成されるブロック毎の動的時間伸縮距離を算出し、
   前記ブロック毎に算出された前記動的時間伸縮距離の合計で前記類似度を判定する
   ことを特徴とする類似度判定装置。
2. 前記第一時系列データおよび前記第二時系列データの一方は、前記類似度を判定するための基準となる教師時系列データであり、
   前記教師時系列データを記憶する記憶部をさらに備えたことを特徴とする請求項１に記載の類似度判定装置。
3. 異常の検出対象である第一時系列データと前記異常の検出の判定基準となる第二時系列データとを用いて前記第一時系列データの前記異常を検出する検出部を備えた異常検出装置であって、
   前記検出部は、
   前記第一時系列データおよび前記第二時系列データを時間軸方向に沿って複数の第一時系列分割データおよび複数の第二時系列分割データにそれぞれ分割し、
   時間軸方向に並んだ前記第一時系列分割データと前記第二時系列分割データとで構成されるブロック毎の動的時間伸縮距離を算出し、
   前記ブロック毎に算出された前記動的時間伸縮距離の合計とあらかじめ設定された閾値とを比較して前記異常を検出する
   ことを特徴とする異常検出装置。
4. 前記第二時系列データを記憶する記憶部をさらに備えたことを特徴とする請求項３に記載の異常検出装置。

Images