JP2020191050A - 異常検知装置及び異常検知方法 - Google Patents

Abstract

【課題】評価対象とするデータが正常データに対して異常データの割合が圧倒的に小さくても異常を適切に検知することができる異常検知装置を提供する。【解決手段】異常検知装置は、発生する時系列の波形が正常時と異常時とにおいて異なることを利用して異常を検知する。この異常検知装置は、変換部３０、正解画像生成部４０、機械学習部５０、及び判断部６０を備えている。変換部３０は波形をスペクトログラムに変換する。正解画像生成部４０は正常時の波形のピーク部分を抽出するとともにスペクトログラムに変換した正解画像を生成する。機械学習部５０は、正常時の波形を変換部で変換し、その変換されたスペクトログラムをＡＥに入力して出力される出力画像が正解画像に近づくように学習する。判断部６０は、評価対象の波形を変換部３０で変換し、その変換されたスペクトログラムを学習済みＡＥに入力して出力される出力画像を利用して異常を判断する。【選択図】図１

Description

本発明は異常検知装置及び異常検知方法に関するものである。

特許文献１には、従来の異常検知装置が開示されている。この異常検知装置は燃焼器の故障を検知するものである。この異常検知装置は、センサと、コンピュータとを備えている。センサは燃焼器から燃焼圧力力学データを検出する。コンピュータは、センサが検出した燃焼圧力力学データを周波数スペクトルに変換し、複数の周波数間隔に分割された各周波数間隔内の特徴値を生成する。この特徴値は、コンピュータが履歴データベースを生成するために格納される。また、コンピュータは、故障した燃焼器を示す特徴挙動を認識するように、故障していない燃焼器動作及び故障した燃焼器動作を示す特徴値を用いて機械学習を実行する。

特開２０１５−１０８３７５号公報

しかし、特許文献１に開示された異常検知装置は、機械学習を実行する際、故障していない燃焼器動作及び故障した燃焼器動作の両動作における特徴値が必要となる。このため、故障した場合のデータ（異常時のデータ）が故障していない場合のデータ（正常時のデータ）に比べて圧倒的に少ない状況となるものに対しては良好に異常を検知することができないおそれがある。また、この異常検知装置は、燃焼圧力力学データを周波数スペクトルに変換するため、時間情報が消えてしまう。このため、入力データである波形の形状が時間によって類似しないものに対しては異常を検知することができない。

本発明は、上記従来の実情に鑑みてなされたものであって、異常を検知するために評価対象とするデータが、正常データに対して異常データの割合が圧倒的に小さくても異常を適切に検知することができるとともに、入力データである波形の形状が時間によって類似しないものであっても異常を適切に検知することができる異常検知装置及び異常検知方法を提供することを解決すべき課題としている。

本発明の異常検知装置は、発生する時系列の波形が正常時と異常時とにおいて異なることを利用して異常を検知する。この異常検知装置は、変換部、正解画像生成部、機械学習部、及び判断部を備えている。変換部は波形を時間成分と周波数成分を有するグラフ化した多次元画像に変換する。正解画像生成部は正常時の波形を時間成分又は周波数成分の少なくとも一方の特徴部分を抽出するとともに変換部で多次元画像に変換した正解画像を生成する。機械学習部は、正常時の波形を変換部で変換し、その変換された多次元画像を入力して出力される出力画像が正解画像に近づくように学習する。判断部は、評価対象の波形を変換部で変換し、その変換された多次元画像を学習済みの機械学習部に入力して出力される出力画像を利用して異常を判断する。

また、本発明の異常検知方法は、発生する時系列の波形が正常時と異常時とにおいて異なることを利用して異常を検知する。この異常検知方法は、変換工程、正解画像生成工程、学習工程、及び判断工程を備えている。変換工程は波形を時間成分と周波数成分を有するグラフ化した多次元画像に変換する。正解画像生成工程は正常時の波形に対して時間成分又は周波数成分の少なくとも一方の特徴部分を抽出するとともに変換工程を実行して多次元画像に変換して正解画像を生成する。学習工程は、正常時の波形に対して変換工程を実行し、変換された多次元画像を機械学習部に入力して出力される出力画像が正解画像に近づくように機械学習部に学習させる。判断工程は、評価対象の波形に対して変換工程を実行し、変換された多次元画像を学習済みの機械学習部に入力して出力される出力画像を利用して異常を判断する。

この異常検知装置及び異常検知方法は、学習工程において、正常時の波形を変換部で変換し、その変換された多次元画像を機械学習部に入力して出力される出力画像が正解画像に近づくように学習させる。そして、判断工程において、評価対象の波形を変換部で変換し、その変換された多次元画像を学習済みの機械学習部に入力して出力される出力画像を利用して異常を判断する。このため、この異常検知装置及び異常検知方法は、正常データに対して異常データの割合が圧倒的に小さくても異常を適切に検知することができる。また、この異常検知装置及び異常検知方法は、機械学習部から出力される出力画像が時間成分又は周波数成分の少なくとも一方の特徴部分を抽出したものであるため、正常時と異常時との差が明確になり、異常の判断を適切に行うことができる。

本発明の異常検知装置の正解画像生成部は波形のピーク部分が位置する時点を時間成分の特徴部分として抽出して正解画像を生成し得る。この場合、この異常検知装置は周期的にピークが発生する時系列の波形に対して好適である。

本発明の異常検知装置の判断部は前記出力画像と前記正解画像との類似度を指標にして異常を判断し得る。この場合、この異常検知装置は、類似度を数値化することによって、異常を確実に判断することができる。

本発明の異常検知装置の判断部は前記出力画像の直線性を指標にして異常を判断し得る。この場合、この異常検知装置は、直線性を数値化することによって、異常を確実に判断することができる。

実施形態１の異常検知装置における学習プロセスの構成を示す概念図である。 実施形態１の異常検知装置における推論プロセスの構成を示す概念図である。 元波形からスペクトログラムへの変換を示す図である。 正解画像を生成する段階を示す図である。 波形のピーク部分を抽出する説明図である。 ＡＥの入力画像及び出力画像を示す図である。 学習済みＡＥから出力される出力画像と正解画像を示す図である。 直線検出の段階を示す図である。 各評価方法で評価した結果を示す表である。

本発明の異常検知装置を具体化した実施形態１について、図面を参照しつつ説明する。

＜実施形態１＞
実施形態１の異常検知装置はチェーンコンベアの異常（チェーンの伸び）を検知するものである。この異常検知装置は、図１に示す学習プロセスと、図２に示す推論プロセスとを実行することによって異常を検知する。この異常検知装置は、図１及び図２に示すように、センサ１０、データ収集機器１１、及びコンピュータ２０Ａ，２０Ｂを備えている。センサ１０はチェーンコンベアの駆動モータ近くのレールに取り付けられた加速度センサである。データ収集機器１１はセンサ１０からのデータを収集する。

コンピュータ２０Ａは、学習プロセスで利用され、学習プログラムがインストールされている。コンピュータ２０Ａは、学習プログラムが実行されることによって、変換部３０、正解画像生成部４０、及び機械学習部５０として機能する。
コンピュータ２０Ｂは、推論プロセスで利用され、異常検知プログラムがインストールされている。コンピュータ２０Ｂは、異常検知プログラムが実行されることによって、変換部３０、正解画像生成部４０、及び判断部６０として機能する。
つまり、この異常検知装置は、変換部３０、正解画像生成部４０、機械学習部５０、及び判断部６０を備えている。

センサ１０は検知した加速度データをデータ収集機器１１を介してコンピュータ２０Ａ，２０Ｂに送信する。センサ１０が検知する加速度データは時系列の波形データである。データ収集機器１１はセンサ１０から送信された加速度データを所定期間毎に任意のサンプリング期間（例えば１０分毎に５秒間）で収集する（図３に示す「元波形」参照）。このため、明確な開始時刻及び終了時刻という概念がなく、収集した波形そのものを比較した場合にその波形の形状は全域で類似しているわけではない。

変換部３０は、図３に示すように、入力された波形（元波形）又は後述するピーク波形（図４（Ｂ）参照）をスペクトログラムに変換する。スペクトログラムは、横軸に時間、縦軸に周波数、色でその信号成分の強さを示した３次元のグラフである。つまり、変換部３０は、入力された波形を時間成分と周波数成分を有するグラフ化した多次元画像に変換する。

正解画像生成部４０は、図１及び図２に示すように、チェーンコンベアが稼働している際にセンサ１０からデータ収集機器１１を介してコンピュータ２０Ａ，２０Ｂに送信された任意のサンプリング期間における波形から正解画像を生成する。つまり、この正解画像生成部４０は、波形の時間成分の特徴部分を抽出してピーク波形を生成するとともに、変換部３０でスペクトログラムに変換した正解画像を生成する。

詳しくは、この正解画像生成部４０は波形の時間成分の特徴部分を波形のピーク部分が位置する時点にしている。この波形のピーク部分は、図５（Ｂ）に示すように、任意のサンプリング期間におけるデータの最初の設定時間（例えば、０．７５秒間）のうちの最大値を最初のピーク部分として抽出する。そして、図５（Ｃ）及び（Ｄ）に示すように、前のピーク部分から最初の設定時間と同じ、若しくは異なる設定時間のうちの最大値を次のピーク部分として抽出することを繰り返す。そして、図５（Ｄ）に示すように、波形データのサンプリング期間の最終時点から所定時間（例えば、０．７５秒）以内にピーク部分が抽出できたところで終了する。図５（Ｂ）〜（Ｄ）において、波形の先端に記載された丸印が抽出されたピーク部分を示す。

このようにして、ピーク部分が抽出された波形に対して、この正解画像生成部４０はピーク部分の前後１００ピクセル以外の値を０にしてピーク波形を生成する（図４（Ｂ）参照）。そして、この正解画像生成部４０は、変換部３０でピーク波形をスペクトログラムに変換し、正解画像を生成する（図４（Ｃ）参照）。この正解画像は波形の周期的に発生するピーク付近のスペクトログラムである。

＜学習プロセス＞
学習プロセスにおいて、正解画像生成部４０は、図４に示すように、チェーンコンベアが正常に稼働している際にセンサ１０からデータ収集機器１１を介してコンピュータ２０Ａに送信された任意のサンプリング期間における波形（正常時の波形）から正解画像を生成する。つまり、学習プロセスにおける正解画像生成部４０は、正常時の波形の時間成分の特徴を抽出してピーク波形を生成する（図４（Ｂ）参照）とともに、変換部３０でスペクトログラムに変換した正解画像を生成する（図４（Ｃ）参照）。

学習プロセスで実行される機械学習部５０は、ＡＥ（Ａｕｔｏ Ｅｎｃｏｄｅｒ）を利用する。
機械学習部５０は、正常時の波形を変換部３０で変換したスペクトログラム（入力画像）をＡＥに入力し、ＡＥから出力された出力画像と正解画像との一致度を評価し、出力画像が正解画像に近くなるようにＡＥを更新（学習）する。
この異常検知装置は、図６に示すように、学習プロセスにおいてＡＥに入力する入力画像はスペクトログラムの画像とするが、ＡＥから出力される出力画像は波形の周期的に発生するピーク付近のスペクトログラムの画像のみである。

＜推論プロセス＞
推論プロセスにおいて、正解画像生成部４０は、図２に示すように、実際にチェーンコンベアが稼働している際にセンサ１０からデータ収集機器１１を介してコンピュータ２０Ｂに送信された任意のサンプリング期間における波形である評価対象の波形から正解画像を生成する。つまり、推論プロセスにおいては、チェーンコンベアの稼働が正常の際の波形（正常時の波形）に限らず、チェーンコンベアの稼働が異常の際の波形（異常時の波形）を含めてリアルタイムにコンピュータ２０Ｂに送信されてそれら波形を利用して正解画像が生成される。つまり、推論プロセスにおける正解画像生成部４０は、正常時の波形又は異常時の波形の時間成分の特徴を抽出してピーク波形を生成するとともに、変換部３０でスペクトログラムに変換した正解画像を生成する。

推論プロセスにおける判断部６０はコンピュータ２０Ｂに学習プロセスにおいて十分に学習された学習済みＡＥを導入して利用する。なお、学習プロセスにおいてＡＥを十分に学習された状態にすることについては後述する。
この判断部６０は、評価対象の波形（加速度データ）を変換部３０で変換し、変換されたスペクトログラムを学習済みＡＥに入力し、学習済みＡＥから出力される出力画像と正解画像の比較による画像評価によって異常を判断する。
この異常検知装置は、図６に示すように、推論プロセスにおいて学習済みＡＥに入力する入力画像はスペクトログラムの画像とするが、学習済みＡＥから出力される出力画像は波形の周期的に発生するピーク付近のスペクトログラムの画像のみである。

学習済みＡＥは正常時の波形のみで学習しており、正常時の波形の特徴のみをとらえている。このため、学習済みＡＥに正常時の波形を変換したスペクトログラムを入力したときは、その出力画像と正解画像とは類似する。しかし、学習済みＡＥに異常時の波形を変換したスペクトログラムを入力したときは、正常時には構築できる箇所を構築できず、その出力画像から異常部位が消えやすい。その結果、学習済みＡＥから出力された出力画像と正解画像とを比較したときに差が大きく出るため、異常を検出しやすくなる。

ここで、出力画像と正解画像の比較による画像評価は以下に示す３つの方法を利用することができる。
＜ＰＳＮＲ＞
先ず、第１の方法は、学習済みＡＥから出力される出力画像と正解画像との間のピークＳ／Ｎ比、つまり、式１に示されるＰＳＮＲ（Ｐｅａｋ ｓｉｇｎａｌ−ｔｏ−ｎｏｉｓｅ ｒａｔｉｏ）を指標にして評価する。このＰＳＮＲは、出力画像と正解画像との類似度を示し、出力画像と正解画像の類似度が高いほど値が高くなる。つまり、第１の方法では、ＰＳＮＲの値が特定の値より高いと正常であり、特定の値より低いと異常であると判断することができる。なお、式１のＭＳＥは平均二乗誤差で、ＭＡＸは２５５が入る。

＜画像一致率＞
第２の方法は画像一致率を指標にして評価を行う。この方法は、図６に示すように、学習済みＡＥから出力される出力画像と正解画像の同じ画素を比較し、輝度差の小さい画素の割合を計算する。つまり、式２に示される画像一致率を指標にして評価する。ここで、一致した画素とみなす輝度差の閾値は±５とした。この画像一致率も出力画像と正解画像との類似度を示し、出力画像と正解画像の類似度が高いほど値が高くなる。つまり、第２の方法では、画像一致率の値が特定の値より高いと正常であり、特定の値より低いと異常であると判断することができる。

＜直線検出＞
第３の方法は、図８に示すように、確率的ハフ変換（画像から直線を検出するための手法）を用いて学習済みＡＥから出力される出力画像から直線を検出し、その直線性を指標にして評価する。詳しくは、出力画像（図８（Ａ）参照）をグレースケールに変換する（図８（Ｂ）参照）。そして、Ｃａｎｎｙ法によるエッジの検出をし（図８（Ｃ）参照）、確率的ハフ変換を行う（図８（Ｄ）参照）。ハフ変換後の画像から直線数と長さの平均を数値化し評価する。
学習済みＡＥから出力される出力画像は、ＡＥで正しく再構成された場合（正常）は、縦の直線が並んだ画像が出力されるが、正しく再構成されない場合（異常）は、正しく再構築された場合と比較して長さが短い直線が多く出力される。このことから、直線数が少なく、長さの平均が長いと正常であり、直線数が多く、長さの平均が短いと異常であると判断することができる。

次に、上述した異常検知装置を利用した異常検知方法を以下に説明する。
この異常検知方法は、先ず学習プロセスを実行してＡＥを学習させ、その後に学習済みＡＥを利用して推論プロセスを実行する。学習プロセスは、図１に示すように、変換工程、正解画像生成工程、及び学習工程を備えている。推論プロセスは、図２に示すように、変換工程、正解画像生成工程、及び判断工程を備えている。

この異常検知方法の学習プロセスでは、図１に示すように、変換工程において、正常時の波形（加速度データ）を変換部３０に入力してスペクトログラムに変換する。
また、正解画像生成工程において、正解画像生成部４０が、正常時の波形（加速度データ）の時間成分の特徴部分（波形のピーク部分が位置する時点）を抽出する（図４（Ｂ）参照）とともに、変換工程を実行して変換部３０でスペクトログラムに変換した正解画像を生成する（図４（Ｃ）参照）。この正解画像は波形の周期的に発生するピーク付近のスペクトログラムである。

次に、学習工程において、機械学習部５０が、以下に示す（１）から（４）までのステップをＡＥから出力される出力画像と正解画像とが近くなるまで繰り返すことによって、ＡＥが十分に学習された状態にし、この学習済みＡＥを保存する。
（１）正常時の波形を変換工程において変換部３０で変換したスペクトログラム（入力画像）を複数枚（例えば、数十〜数千枚）用意し、ＡＥに入力する。
（２）ＡＥから出力される出力画像を生成する。
（３）出力画像と正解画像の一致度を評価する。
（４）出力画像が正解画像に近くなるようにＡＥを更新（学習）する。
このように、この異常検知方法では、図６に示すように、学習プロセスにおいて、ＡＥに入力する入力画像はスペクトログラムの画像とするが、ＡＥから出力される出力画像は波形の周期的に発生するピーク付近のスペクトログラムの画像のみである。

この異常検知方法の推論プロセスでは、図２に示すように、変換工程において、評価対象の波形（加速度データ）をリアルタイムに変換部３０に入力してスペクトログラムに変換する。評価対象の波形は、正常時の波形に限らず、異常時の波形も含まれ得る。
また、正解画像生成工程において、正解画像生成部４０が評価対象の波形（加速度データ）の時間成分の特徴部分（波形のピーク部分が位置する時点）を抽出するとともに、変換工程を実行して変換部３０でスペクトログラムに変換した正解画像を生成する。この正解画像は波形の周期的に発生するピーク付近のスペクトログラムである。

次に、判断工程において、判断部６０が、評価対象の波形を変換工程において変換部３０で変換したスペクトログラムを学習済みＡＥに入力し、出力された出力画像を評価して異常を判断する。出力画像の評価は、上述した３つの方法（ＰＳＮＲ、画像一致率、直線検出）である。

実際に稼働しているチェーンコンベアの駆動モータ近くのレールに取り付けられたセンサ１０からデータ収集機器１１を介して送信された評価対象の波形を上述した異常検知装置及び異常検知方法を利用して異常を検知した結果を図８に示す。
図８中のａ〜ｃは、チェーンが伸びた異常な状態でチェーンコンベアを稼働し、センサ１０からデータ収集機器１１を介して送信され、コンピュータ２０Ｂに収集された異常時の波形を評価対象としたものである。また、図８中のｄ〜ｇは、チェーンを適正な長さにカットした正常な状態でチェーンコンベアを稼働し、センサ１０から送信され、コンピュータ２０Ｂに収集された正常時の波形を評価対象としたものである。

異常時の波形であるａ〜ｃに対する各評価、及び正常時の波形であるｄ〜ｇに対する各評価おいて、値のばらつきがあるが、ＰＳＮＲ及び画像一致率における全般の傾向としてａ〜ｃの値がｄ〜ｇの値に比べて小さい。また、直線検出における直線数は全般の傾向としてａ〜ｃの値がｄ〜ｇの値に比べて多く、長さの平均は全般の傾向としてａ〜ｃの値がｄ〜ｇの値に比べて短い。

このように、上述した第１の評価方法であるＰＳＮＲを指標にして評価する場合、ＰＳＮＲの値が特定の値より高いと正常であり、特定の値より低いと異常であると判断することができる。また、上述した第２の評価方法である画像一致率を指標にして評価する場合、画像一致率の値が特定の値より高いと正常であり、特定の値より低いと異常であると判断することができる。また、上述した第３の評価方法である直線性を指標にして評価する場合、直線数が少なく、長さの平均が長いと正常であり、直線数が多く、長さの平均が短いと異常であると判断することができる。なお、各指標を評価して異常を判断する場合は、少なくとも３点以上の値を平均して判断する。

以上説明したように、実施形態１の異常検知装置は、発生する時系列の波形が正常時と異常時とにおいて異なることを利用して異常を検知する。この異常検知装置は、変換部３０、正解画像生成部４０、機械学習部５０、及び判断部６０を備えている。変換部３０は波形をスペクトログラムに変換する。正解画像生成部４０は正常時の波形のピーク部分を抽出するとともに変換部３０でスペクトログラムに変換した正解画像を生成する。機械学習部５０は、正常時の波形を変換部３０で変換し、その変換されたスペクトログラムをＡＥに入力して出力される出力画像が正解画像に近づくように学習する。判断部６０は、評価対象の波形を変換部３０で変換し、その変換されたスペクトログラムを学習済みＡＥに入力して出力される出力画像を利用して異常を判断する。

また、実施形態１の異常検知方法は、発生する時系列の波形が正常時と異常時とにおいて異なることを利用して異常を検知する。この異常検知方法は、変換工程、正解画像生成工程、学習工程、及び判断工程を備えている。変換工程は波形をスペクトログラムに変換する。正解画像生成工程は正常時の波形に対して時間成分の特徴部分であるピーク部分を抽出するとともに変換工程を実行してスペクトログラムに変換して正解画像を生成する。学習工程は、正常時の波形に対して変換工程を実行し、変換されたスペクトログラムをＡＥに入力して出力される出力画像が正解画像に近づくようにＡＥに学習させる。判断工程は、評価対象の波形に対して変換工程を実行し、変換されたスペクトログラムを学習済みＡＥに入力して出力される出力画像を利用して異常を判断する。

実施形態１の異常検知装置及び異常検知方法は、学習工程において、正常時の波形を変換部３０で変換し、その変換されたスペクトログラムをＡＥに入力して出力される出力画像が正解画像に近づくように学習させる。そして、判断工程において、評価対象の波形を変換部３０で変換し、その変換されたスペクトログラムを学習済みＡＥに入力して出力される出力画像を利用して異常を判断する。このため、この異常検知装置及び異常検知方法は、正常データに対して異常データの割合が圧倒的に小さくても異常を適切に検知することができる。また、この異常検知装置及び異常検知方法は、学習済みＡＥから出力される出力画像が時間成分の特徴部分であるピーク部分を抽出したものであるため、正常時と異常時との差が明確になり、異常の判断を適切に行うことができる。

実施形態１の異常検知装置の正解画像生成工程における正解画像生成部４０は波形のピーク部分が位置する時点を時間成分の特徴部分として抽出して正解画像を生成する。このため、この異常検知装置は周期的にピークが発生する時系列の波形に対して好適である。

実施形態１の異常検知装置の判断工程における判断部６０は出力画像と正解画像との類似度（ＰＳＮＲ、画像一致率）を指標にして異常を判断する。このため、この異常検知装置は、類似度を数値化することによって、異常を確実に判断することができる。

実施形態１の異常検知装置の判断工程における判断部６０は出力画像の直線性（直線数、長さの平均）を指標にして異常を判断する。このため、この異常検知装置は、直線性を数値化することによって、異常を確実に判断することができる。

本発明は上記記述及び図面によって説明した実施形態１に限定されるものではなく、例えば次のような実施形態も本発明の技術的範囲に含まれる。
（１）実施形態１では、チェーンコンベアの駆動モータ近くのレールに取り付けられた加速度センサの波形からチェーンコンベアの異常を検知したが、正常時と異常時とにおいて発生する時系列の波形が異なるものであれば、他の工場設備や、工場設備に限らず異常を検知することができる。
（２）実施形態１では、波形に対して時間成分の特徴部分であるピーク部分を抽出したが、ピーク部分以外の特徴部分を抽出してもよい。また、波形の周波数成分を特徴部分として抽出してもよい。また、波形の時間成分と周波数成分の両方を特徴部分として抽出してもよい。
（３）実施形態１では深層学習手法としてＡＥを利用したが、ＶＡＥ（Ｖａｌｉａｔｉｏｎａｌ Ａｕｔｏ Ｅｎｃｏｄｅｒ）等の他の深層学習手法を利用してもよい。
（４）実施形態１では、図５に示すように、ＡＥにおいて、入力画像を圧縮して圧縮された特徴表現とし、さらにこの圧縮した特徴表現を復元した出力画像を利用したが、圧縮された特徴表現データを利用して正常データとの類似度から異常を判断してもよい。
（５）抽出する波形の特徴部分に必ずしも異常が見られなくてもよい。これは、正解画像は、ピークの情報を抜き出したものであり、ピーク情報しか入っていないが、学習済みＡＥを通して出力された出力画像はピーク以外の情報も含まれたものであるため、特徴部分にしなかった部分（抽出しなかった部分）のみに異常データが存在しても、学習済みＡＥの出力画像は異常データを織り込んだ画像となるため、正解画像に対して違いが出るからである。
（６）ＡＥの学習は正常時の波形のみを利用したが、少量の異常時の波形を利用してもよい。特に、学習モデルにＡＥではなく、ＶＡＥ（Ｖａｌｉａｔｉｏｎａｌ Ａｕｔｏ Ｅｎｃｏｄｅｒ）を使用した場合、検出精度が向上する。
（７）推論プロセスにおいて、評価対象の波形をリアルタイムに評価して異常を判断していたが、複数の波形をまとめて評価して判断してもよい。
（８）学習はコンピュータ端末を利用するのではなく、クラウド上のコンピュータを利用してもよい。
（９）学習プロセスと推論プロセスとで利用するコンピュータは同じものであってもよい。

１０…センサ、２０…コンピュータ、３０…変換部、４０…正解画像生成部、５０…ＡＥ（機械学習部）、６０…判断部

Claims (5)

1. 発生する時系列の波形が正常時と異常時とにおいて異なることを利用して異常を検知する異常検知装置であって、
   前記波形を時間成分と周波数成分を有するグラフ化した多次元画像に変換する変換部と、
   正常時の前記波形に対して時間成分又は周波数成分の少なくとも一方の特徴部分を抽出するとともに前記変換部で多次元画像に変換した正解画像を生成する正解画像生成部と、
   正常時の前記波形を前記変換部で変換し、その変換された多次元画像を入力して出力される出力画像が前記正解画像に近づくように学習する機械学習部と、
   評価対象の前記波形を前記変換部で変換し、その変換された多次元画像を学習済みの前記機械学習部に入力して出力される出力画像を利用して異常を判断する判断部と、
   を備えていることを特徴とする異常検知装置。
2. 前記正解画像生成部は前記波形のピーク部分が位置する時点を前記時間成分の特徴部分として抽出して正解画像を生成することを特徴とする請求項１に記載の異常検知装置。
3. 前記判断部は前記出力画像と前記正解画像との類似度を指標にして異常を判断することを特徴とする請求項１又は２に記載の異常検知装置。
4. 前記判断部は前記出力画像の直線性を指標にして異常を判断することを特徴とする請求項１又は２に記載の異常検知装置。
5. 発生する時系列の波形が正常時と異常時とにおいて異なることを利用して異常を検知する異常検知方法であって、
   前記波形を時間成分と周波数成分を有するグラフ化した多次元画像に変換する変換工程と、
   正常時の前記波形に対して時間成分又は周波数成分の少なくとも一方の特徴部分を抽出するとともに前記変換工程を実行して多次元画像に変換して正解画像を生成する正解画像生成工程と、
   正常時の前記波形に対して前記変換工程を実行し、変換された多次元画像を機械学習部に入力して出力される出力画像が前記正解画像に近づくように前記機械学習部に学習させる学習工程と、
   評価対象の前記波形に対して前記変換工程を実行し、変換された多次元画像を学習済みの前記機械学習部に入力して出力される出力画像を利用して異常を判断する判断工程と、
   を備えていることを特徴とする異常検知方法。