JP2021012633A - Abnormality degree calculation method and computer program for calculating abnormality degree - Google Patents
Abnormality degree calculation method and computer program for calculating abnormality degree Download PDFInfo
- Publication number
- JP2021012633A JP2021012633A JP2019127633A JP2019127633A JP2021012633A JP 2021012633 A JP2021012633 A JP 2021012633A JP 2019127633 A JP2019127633 A JP 2019127633A JP 2019127633 A JP2019127633 A JP 2019127633A JP 2021012633 A JP2021012633 A JP 2021012633A
- Authority
- JP
- Japan
- Prior art keywords
- abnormality
- degree
- restoration
- calculating
- value
- 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
Links
- 230000005856 abnormality Effects 0.000 title claims abstract description 134
- 238000004364 calculation method Methods 0.000 title claims description 29
- 238000004590 computer program Methods 0.000 title claims description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 82
- 238000005259 measurement Methods 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims description 37
- 230000008569 process Effects 0.000 claims description 16
- 238000004519 manufacturing process Methods 0.000 description 26
- 238000009826 distribution Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 238000003860 storage Methods 0.000 description 10
- 238000003491 array Methods 0.000 description 8
- 230000010365 information processing Effects 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000003936 working memory Effects 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
Description
本開示は、異常度算出方法、及び、異常度算出用コンピュータプログラムに関する。 The present disclosure relates to an abnormality degree calculation method and a computer program for abnormality degree calculation.
識別型ニューラルネットワークを用いた機器の故障診断方法が既に知られている（例えば、特許文献１参照）。識別型ニューラルネットワークは、予め用意された標本データに基づき、入力データと異常との対応関係を学習する。入力データは、故障診断対象の機器の状態を計測するセンサの計測値であり得る。学習後の識別型ニューラルネットワークは、入力データに基づき、機器の異常の有無を表すデータを出力する。 A method for diagnosing a device failure using an identification type neural network is already known (see, for example, Patent Document 1). The discriminant neural network learns the correspondence between the input data and the anomaly based on the sample data prepared in advance. The input data can be a measured value of a sensor that measures the state of the device subject to failure diagnosis. The discriminant neural network after learning outputs data indicating the presence or absence of an abnormality in the device based on the input data.
識別型ニューラルネットワークへの入力データを、復元型ニューラルネットワークにも入力し、復元型ニューラルネットワークからの出力データに基づき、識別型ニューラルネットワークが取り扱うデータを評価する技術も知られている。 There is also known a technique in which the input data to the discriminant neural network is input to the reconstructive neural network and the data handled by the discriminant neural network is evaluated based on the output data from the reconstructive neural network.
この技術によれば、復元型ニューラルネットワークからの出力データと復元型ニューラルネットワークへの入力データとの間の復元誤差として、ユークリッド距離を算出し、ユークリッド距離が基準より大きい場合に、識別型ニューラルネットワークが取り扱うデータが学習範囲外にあると判別する。 According to this technique, the Euclidean distance is calculated as the restoration error between the output data from the restoration type neural network and the input data to the restoration type neural network, and when the Euclidean distance is larger than the reference, the identification type neural network Determines that the data handled by is out of the learning range.
上述した技術を用いれば、複数のセンサの出力データを、復元型ニューラルネットワークに入力して、機器の異常を判別することができる。しかしながら、機器の状態を複数のセンサで監視する場合には、復元型ニューラルネットワークに対する入力データと、復元型ニューラルネットワークからの出力データとの間の復元誤差が、センサ毎にばらつく。 By using the above-mentioned technique, it is possible to input the output data of a plurality of sensors into the restoration type neural network and determine the abnormality of the device. However, when the state of the device is monitored by a plurality of sensors, the restoration error between the input data for the restoration type neural network and the output data from the restoration type neural network varies from sensor to sensor.
このため、従来のように、復元型ニューラルネットワークからの出力データと復元型ニューラルネットワークへの入力データとの間のユークリッド距離を単に算出する方法では、復元誤差のばらつきに起因して、高精度に異常度を算出することができない。このため、異常度と閾値との比較に基づき、異常の有無を精度よく判別することができない。 For this reason, the conventional method of simply calculating the Euclidean distance between the output data from the reconstructed neural network and the input data to the reconstructed neural network is highly accurate due to the variation in the reconstructed error. The degree of anomaly cannot be calculated. Therefore, it is not possible to accurately determine the presence or absence of an abnormality based on the comparison between the degree of abnormality and the threshold value.
そこで、本開示の一側面によれば、複数のセンサからの各計測値と復元型ニューラルネットワークとに基づいて対象の異常度を算出するケースにおいて、センサ間の復元誤差のばらつきによる影響を抑えて、高精度に、異常度を算出可能な技術を提供できることが望ましい。 Therefore, according to one aspect of the present disclosure, in the case of calculating the degree of abnormality of the target based on each measurement value from a plurality of sensors and the restoration type neural network, the influence of the variation in the restoration error between the sensors is suppressed. It is desirable to be able to provide a technique that can calculate the degree of abnormality with high accuracy.
本開示の一側面によれば、対象に関する複数の物理量をそれぞれ計測する複数のセンサからの各計測値と、各計測値を圧縮した後復元して出力する復元型ニューラルネットワークからの各出力値と、の間の各復元誤差から、対象の異常度を算出する異常度算出方法が提供される。 According to one aspect of the present disclosure, each measurement value from a plurality of sensors that measure a plurality of physical quantities related to an object, and each output value from a restoration type neural network that compresses and then restores and outputs each measurement value. An abnormality degree calculation method for calculating the abnormality degree of the target from each restoration error between, and is provided.
本開示の一側面によれば、異常度算出方法は、対象の異常度を算出する前に、対象が正常であるときの各計測値を用いて、各復元誤差が最小になるように復元型ニューラルネットワークを構築することを含む。 According to one aspect of the present disclosure, the anomaly degree calculation method is a restoration type so that each restoration error is minimized by using each measurement value when the object is normal before calculating the abnormality degree of the object. Includes building a neural network.
本開示の一側面によれば、異常度算出方法は、対象の異常度を算出する際には、各復元誤差を、複数のセンサ間で重み付けして、異常度を算出することを含む。 According to one aspect of the present disclosure, the method for calculating the degree of abnormality includes calculating the degree of abnormality by weighting each restoration error among a plurality of sensors when calculating the degree of abnormality of the target.
各センサの計測値に関する上記復元誤差を、一律に取り扱わず、重み付けして、異常度を算出する方法によれば、復元誤差に関するセンサ間のばらつきが異常度の算出精度に与える影響を抑えて、高精度に対象の異常度を算出することができる。高精度な異常度の算出は、例えば、対象において発生する異常に対する適切な処置や迅速な処理を可能にする。従って、本開示の方法は、大変有意義である。 According to the method of calculating the degree of abnormality by weighting the above-mentioned restoration error regarding the measured value of each sensor without uniformly handling it, the influence of the variation between the sensors regarding the restoration error on the calculation accuracy of the degree of abnormality can be suppressed. The degree of abnormality of the target can be calculated with high accuracy. Accurate calculation of the degree of abnormality enables, for example, appropriate treatment and prompt processing for an abnormality that occurs in the target. Therefore, the method of the present disclosure is very meaningful.
本開示の一側面によれば、対象に関する複数の物理量をそれぞれ計測する複数のセンサからの各計測値と、各計測値を圧縮した後復元して出力する復元型ニューラルネットワークからの各出力値と、の間の各復元誤差から、対象の異常度を算出する処理をコンピュータに実行させるための異常度算出用コンピュータプログラムであって、上述した異常度算出方法をコンピュータに実行させるための異常度算出用コンピュータプログラムが提供されてもよい。 According to one aspect of the present disclosure, each measurement value from a plurality of sensors that measure a plurality of physical quantities related to an object, and each output value from a restoration type neural network that compresses and then restores and outputs each measurement value. An abnormality degree calculation computer program for causing a computer to execute a process of calculating a target abnormality degree from each restoration error between ,, and for causing a computer to execute the above-mentioned abnormality degree calculation method. Computer programs may be provided.
異常度算出用コンピュータプログラムは、対象の異常度を算出する前に、対象が正常であるときの各計測値を用いて、各復元誤差が最小になるように復元型ニューラルネットワークを構築し、対象の異常度を算出する際には、各復元誤差を、複数のセンサ間で重み付けして、異常度を算出することをコンピュータに実行させるための命令を備えることができる。この異常度算出用コンピュータプログラムは、上述した異常度算出方法と同様の効果を奏する。 Before calculating the degree of abnormality of the target, the computer program for calculating the degree of abnormality constructs a restoration type neural network so that each restoration error is minimized by using each measurement value when the object is normal, and the target. When calculating the degree of abnormality, each restoration error may be weighted among a plurality of sensors, and an instruction for causing the computer to calculate the degree of abnormality can be provided. This computer program for calculating the degree of abnormality has the same effect as the above-mentioned method for calculating the degree of abnormality.
以下に本開示の例示的実施形態を、図面を参照しながら説明する。
図１に示す本実施形態の情報処理装置１０は、物Ｐの製造プロセスを監視するために配置されたセンサ群１００からの計測値の組に基づき、物Ｐの製造プロセスの異常度Ｅ（ｔ）を算出するように構成される。ここで、ｔは、時間であり、Ｅ（ｔ）は、時間の関数である。
An exemplary embodiment of the present disclosure will be described below with reference to the drawings.
The information processing apparatus 10 of the present embodiment shown in FIG. 1 has an abnormality degree E (t) in the manufacturing process of the product P based on a set of measured values from a sensor group 100 arranged to monitor the manufacturing process of the product P. ) Is calculated. Here, t is time and E (t) is a function of time.
センサ群１００は、物Ｐの製造プロセスにおける複数の物理量のそれぞれを計測するように配置された複数のセンサを備える。複数の物理量の例には、金型温度、材料温度、雰囲気温度、及び湿度などが含まれる。センサ群１００を構成するセンサのそれぞれは、これら複数の物理量のうちの一つを計測する。異常度Ｅ（ｔ）の算出に用いられる計測値の組を構成する計測値のそれぞれは、センサ群１００を構成するセンサのそれぞれが計測する上記複数の物理量のうちの一つの計測値である。 The sensor group 100 includes a plurality of sensors arranged so as to measure each of a plurality of physical quantities in the manufacturing process of the object P. Examples of physical quantities include mold temperature, material temperature, ambient temperature, humidity and the like. Each of the sensors constituting the sensor group 100 measures one of these plurality of physical quantities. Each of the measured values constituting the set of measured values used for calculating the abnormality degree E (t) is one of the plurality of physical quantities measured by each of the sensors constituting the sensor group 100.
算出された異常度Ｅ（ｔ）は表示デバイス５０に表示される。管理者は、表示デバイス５０に表示される異常度Ｅ（ｔ）に基づき、物Ｐの製造を管理することができる。具体的には、情報処理装置１０は、センサ群１００の計測値の組に基づき、リアルタイムに、異常度Ｅ（ｔ）を算出し、表示デバイス５０に表示することができる。 The calculated abnormality degree E (t) is displayed on the display device 50. The manager can manage the production of the object P based on the abnormality degree E (t) displayed on the display device 50. Specifically, the information processing device 10 can calculate the abnormality degree E (t) in real time based on the set of the measured values of the sensor group 100 and display it on the display device 50.
これにより、管理者は、表示デバイス５０における異常度Ｅ（ｔ）の表示を参考にして、製造不良を抑えるように、迅速に物Ｐの製造条件を調整するなどの対策を講じることができる。 As a result, the manager can take measures such as quickly adjusting the manufacturing conditions of the product P so as to suppress manufacturing defects by referring to the display of the abnormality degree E (t) on the display device 50.
情報処理装置１０は、プロセッサ１１、メモリ１３、及びストレージデバイス１５を備える。情報処理装置１０における様々な機能は、プロセッサ１１が、ストレージデバイス１５に記憶されたコンピュータプログラムに従う処理を実行することにより実現される。メモリ１３は、プロセッサ１１によるコンピュータプログラムの実行時に作業用メモリとして使用される。ストレージデバイス１５は、各種コンピュータプログラムを記憶する。ストレージデバイス１５は、プロセッサ１１を図２に示す異常度算出システム２０として機能させ、プロセッサ１１に図４及び図５に示す異常度算出処理及び構築処理を実行させるための異常度算出用コンピュータプログラムを記憶する。 The information processing device 10 includes a processor 11, a memory 13, and a storage device 15. Various functions in the information processing apparatus 10 are realized by the processor 11 executing processing according to a computer program stored in the storage device 15. The memory 13 is used as a working memory when the processor 11 executes a computer program. The storage device 15 stores various computer programs. The storage device 15 causes the processor 11 to function as the abnormality degree calculation system 20 shown in FIG. 2, and provides a computer program for abnormality degree calculation for causing the processor 11 to execute the abnormality degree calculation process and the construction process shown in FIGS. 4 and 5. Remember.
図２に示す異常度算出システム２０は、復元型ニューラルネットワーク２１と、異常度算出器２５と、を備える。即ち、プロセッサ１１は、異常度算出用コンピュータプログラムに従う処理を実行することにより、復元型ニューラルネットワーク２１及び異常度算出器２５として機能する。 The abnormality degree calculation system 20 shown in FIG. 2 includes a restoration type neural network 21 and an abnormality degree calculation device 25. That is, the processor 11 functions as the restoration type neural network 21 and the abnormality degree calculator 25 by executing the process according to the computer program for calculating the abnormality degree.
復元型ニューラルネットワーク２１は、オートエンコーダとして機能する。この復元型ニューラルネットワーク２１は、上述した計測値の組であるセンサ群１００を構成する各センサからの計測値Ｘ１（ｔ），Ｘ２（ｔ），…，Ｘｎ（ｔ）を要素に含む配列Ｘ（ｔ）＝（Ｘ１（ｔ），Ｘ２（ｔ），…，Ｘｎ（ｔ））を、多次元の入力値として受けて、この配列Ｘ（ｔ）を、低次元化した後、元の次元に戻すように復元して出力するように構成される。換言すれば、復元型ニューラルネットワーク２１は、入力されるセンサ群１００の計測値の組Ｘ（ｔ）を、次元削減により圧縮した後、復元して出力するように構成される。 The restoration type neural network 21 functions as an autoencoder. The restoration type neural network 21 is an array X including measured values X1 (t), X2 (t), ..., Xn (t) from each sensor constituting the sensor group 100 which is a set of the above-mentioned measured values. (T) = (X1 (t), X2 (t), ..., Xn (t)) is received as a multidimensional input value, and this array X (t) is reduced in dimension and then the original dimension. It is configured to restore and output to return to. In other words, the restoration type neural network 21 is configured to compress the input set X (t) of the measured values of the sensor group 100 by dimension reduction, and then restore and output the set.
以下では、センサ群１００には、第１センサから第ｎセンサまでの合計ｎ個のセンサが含まれることを前提として、第ｉセンサの時刻ｔにおける計測値をＸｉ（ｔ）と表現する。変数ｉは、センサの識別番号に対応し、値１から値ｎまでの整数値を採る。 Hereinafter, assuming that the sensor group 100 includes a total of n sensors from the first sensor to the nth sensor, the measured value of the i-sensor at time t is expressed as Xi (t). The variable i corresponds to the identification number of the sensor and takes an integer value from the value 1 to the value n.
更に、復元型ニューラルネットワーク２１に入力される入力値としての配列Ｘ（ｔ）に対して、復元型ニューラルネットワーク２１から出力される出力値としての復元後の配列のことを配列Ｘ*（ｔ）と表現する。配列Ｘ*（ｔ）は、各センサの計測値Ｘｉ（ｔ）に対応する復元後の計測値Ｘ*ｉ（ｔ）を要素とする配列Ｘ*（ｔ）＝（Ｘ*１（ｔ），Ｘ*２（ｔ），…，Ｘ*ｎ（ｔ））である。 Further, with respect to the array X (t) as an input value input to the restored neural network 21, the array after restoration as an output value output from the restored neural network 21 is arranged as an array X * (t). It is expressed as. The array X * (t) is an array X * (t) = (X * 1 (t), which has the restored measured value X * i (t) corresponding to the measured value Xi (t) of each sensor as an element. X * 2 (t), ..., X * n (t)).
復元型ニューラルネットワーク２１は、図３に示すように、配列Ｘ（ｔ）＝（Ｘ１（ｔ），Ｘ２（ｔ），…，Ｘｎ（ｔ））の次元数に対応するノード数の入力層２１Ａと出力層２１Ｅとの間に、ノード数が入力層２１Ａ及び出力層２１Ｅよりも少ない一つ以上の中間層２１Ｂ，２１Ｃ，２１Ｄを備える。 As shown in FIG. 3, the restoration type neural network 21 has an input layer 21A having a number of nodes corresponding to the number of dimensions of the array X (t) = (X1 (t), X2 (t), ..., Xn (t)). One or more intermediate layers 21B, 21C, 21D having a smaller number of nodes than the input layer 21A and the output layer 21E are provided between the output layer 21E and the output layer 21E.
ノードのそれぞれは、図３において白丸で表現される。図３に例示される復元型ニューラルネットワーク２１は、入力層２１Ａと、出力層２１Ｅとの間に、第一の中間層２１Ｂ、第二の中間層２１Ｃ、及び第三の中間層２１Ｄを備える。 Each of the nodes is represented by a white circle in FIG. The reconstructed neural network 21 illustrated in FIG. 3 includes a first intermediate layer 21B, a second intermediate layer 21C, and a third intermediate layer 21D between the input layer 21A and the output layer 21E.
この復元型ニューラルネットワーク２１によれば、入力層２１Ａから入力される配列Ｘ（ｔ）は、第一の中間層２１Ｂ及び第二の中間層２１Ｃにより次元削減された後、第三の中間層２１Ｄ及び出力層２１Ｅにより元の次元に復元される。 According to the reconstructed neural network 21, the array X (t) input from the input layer 21A is dimensionally reduced by the first intermediate layer 21B and the second intermediate layer 21C, and then the third intermediate layer 21D. And the output layer 21E restores the original dimension.
図３によれば、復元型ニューラルネットワーク２１は、中間層を三層含むが、復元型ニューラルネットワーク２１は、中間層を一層のみ含む構成にされてもよいし、中間層を三層以上含む構成にされてもよい。ノード数も図３に示される数に限定されない。復元型ニューラルネットワーク２１における中間層の数、及び、次元数は任意である。 According to FIG. 3, the reconstructed neural network 21 includes three intermediate layers, but the reconstructed neural network 21 may be configured to include only one intermediate layer, or may include three or more intermediate layers. May be set to. The number of nodes is also not limited to the number shown in FIG. The number of intermediate layers and the number of dimensions in the reconstructed neural network 21 are arbitrary.
復元型ニューラルネットワーク２１は、異常度Ｅ（ｔ）の算出前に、製造プロセスが正常であるときのセンサ群１００の計測値の組である第１の計測値の組の時系列データを用いて予め構築される。すなわち、製造プロセスが正常であるときの複数の時刻ｔ＝ｔ１，ｔ２，ｔ３，…におけるセンサ群１００の計測値の組に対応する配列Ｘ（ｔ１），Ｘ（ｔ２），Ｘ（ｔ３），…が標本データとして用いられて、復元型ニューラルネットワーク２１が予め構築される。 Before calculating the anomaly degree E (t), the restoration type neural network 21 uses the time series data of the first set of measured values, which is the set of measured values of the sensor group 100 when the manufacturing process is normal. Pre-built. That is, the arrays X (t1), X (t2), X (t3), corresponding to the set of measured values of the sensor group 100 at a plurality of times t = t1, t2, t3, ... When the manufacturing process is normal. ... Is used as sample data, and the reconstructed neural network 21 is constructed in advance.
詳細には、復元型ニューラルネットワーク２１は、上記標本データに基づき、製造プロセスが正常であるときには、復元型ニューラルネットワーク２１に入力される配列Ｘ（ｔ１），Ｘ（ｔ２），Ｘ（ｔ３），…が精度よく復元されて、配列Ｘ*（ｔ１），Ｘ*（ｔ２），Ｘ*（ｔ３），…として出力されるように予め構築される。 Specifically, the restoration type neural network 21 is based on the above sample data, and when the manufacturing process is normal, the arrays X (t1), X (t2), X (t3), which are input to the restoration type neural network 21. ... Is accurately restored and pre-constructed so that it is output as arrays X * (t1), X * (t2), X * (t3), ....
このため、構築後の復元型ニューラルネットワーク２１に対して、異常度Ｅ（ｔ）の算出対象データとして取得したセンサ群１００の計測値Ｘ１（ｔ），Ｘ２（ｔ），…，Ｘｎ（ｔ）を、配列Ｘ（ｔ）＝（Ｘ１（ｔ），Ｘ２（ｔ），…，Ｘｎ（ｔ））として復元型ニューラルネットワーク２１に入力した場合、復元型ニューラルネットワーク２１から出力される復元後の配列Ｘ*（ｔ）と、復元型ニューラルネットワーク２１に入力された元の配列Ｘ（ｔ）との間の復元誤差は、次のような性質を示す。 Therefore, for the restored neural network 21 after construction, the measured values X1 (t), X2 (t), ..., Xn (t) of the sensor group 100 acquired as the calculation target data of the abnormality degree E (t). Is input to the reconstructed neural network 21 as an array X (t) = (X1 (t), X2 (t), ..., Xn (t)), the restored array output from the reconstructed neural network 21. The restoration error between X * (t) and the original array X (t) input to the restoration type neural network 21 exhibits the following properties.
すなわち、復元型ニューラルネットワーク２１から出力される復元後の配列Ｘ*（ｔ）と元の配列Ｘ（ｔ）との間の復元誤差は、復元型ニューラルネットワーク２１に入力される配列Ｘ（ｔ）が、標本データとして用いられた製造プロセスが正常であるときの配列Ｘ（ｔ１），Ｘ（ｔ２），Ｘ（ｔ３），…に近いほど、小さくなる。すなわち、復元誤差は、製造プロセスが正常であるとき小さく、製造プロセスが正常でないとき、大きい値を示す。 That is, the restoration error between the restored array X * (t) output from the restored neural network 21 and the original array X (t) is the array X (t) input to the restored neural network 21. However, the closer it is to the sequences X (t1), X (t2), X (t3), ... When the manufacturing process used as the sample data is normal, the smaller the value. That is, the restoration error is small when the manufacturing process is normal and large when the manufacturing process is not normal.
異常度算出器２５は、このような性質を有する復元後の配列Ｘ*（ｔ）と元の配列Ｘ（ｔ）との間の重み付けユークリッド距離により、製造プロセスの異常度Ｅ（ｔ）を算出するように構成される。製造プロセスの異常度Ｅ（ｔ）は、製造物Ｐの異常度に関係する。具体的に、異常度Ｅ（ｔ）は、次式に従って算出される。 The anomaly degree calculator 25 calculates the anomaly degree E (t) of the manufacturing process from the weighted Euclidean distance between the restored array X * (t) having such a property and the original array X (t). It is configured to do. The degree of abnormality E (t) in the manufacturing process is related to the degree of abnormality of the product P. Specifically, the degree of abnormality E (t) is calculated according to the following equation.
ここで、Ｙｉ（ｔ）は、第ｉセンサに関する復元後の計測値Ｘ*ｉ（ｔ）と元の計測値Ｘｉ（ｔ）との間の復元誤差Ｙｉ（ｔ）＝（Ｘｉ（ｔ）−Ｘ*ｉ（ｔ））2である。Ｗｉは、第ｉセンサに対する重みを示す。変数ｉは、センサ群１００に含まれる各センサの識別番号に対応し値１から値ｎまでの整数値をとる。各センサに対応する重みＷｉは、その重みＷｉの合計（Ｗ１＋Ｗ２＋…Ｗｎ）が１となるように定められる。 Here, Yi (t) is the restoration error between the restored measured value X * i (t) related to the i-sensor and the original measured value Xi (t) Yi (t) = (Xi (t) −. X * i (t)) 2 . Wi indicates the weight for the i-th sensor. The variable i corresponds to the identification number of each sensor included in the sensor group 100 and takes an integer value from the value 1 to the value n. The weight Wi corresponding to each sensor is determined so that the total of the weight Wi (W1 + W2 + ... Wn) is 1.
図７には、復元誤差Ｙｉの分布が、センサによって異なることを示す。図７において、円形記号を用いてプロットされたグラフは、第一のセンサの復元誤差Ｙ１の度数分布を例示し、四角形記号を用いてプロットされたグラフは、第一のセンサとは別の第二のセンサの復元誤差Ｙ２の度数分布を例示する。 FIG. 7 shows that the distribution of the restoration error Yi differs depending on the sensor. In FIG. 7, the graph plotted using the circular symbol exemplifies the frequency distribution of the restoration error Y1 of the first sensor, and the graph plotted using the square symbol is different from the first sensor. The frequency distribution of the restoration error Y2 of the second sensor is illustrated.
各センサに対応する重みＷｉは、具体的には、製造プロセスが正常であるときの復元誤差Ｙｉの分散Ｖ（Ｙｉ）に基づいて、分散Ｖ（Ｙｉ）が小さいセンサに対する重みが、分散Ｖ（Ｙｉ）が大きい別のセンサに対する重みよりも大きくなるように、予め定められる。 Specifically, the weight Wi corresponding to each sensor is based on the variance V (Yi) of the restoration error Yi when the manufacturing process is normal, and the weight for the sensor having a small variance V (Yi) is the variance V ( It is predetermined that Yi) is larger than the weight for another sensor having a large value.
各センサに関して、復元誤差Ｙｉの分散Ｖ（Ｙｉ）が異なる環境では、複数のセンサの復元誤差Ｙｉを考慮した異常度Ｅ（ｔ）の算出を行う際に、分散Ｖ（Ｙｉ）の大きいセンサの復元誤差Ｙｉが、高精度に異常度Ｅ（ｔ）を算出することを難しくする。本実施形態によれば、正常時における復元誤差Ｙｉの分散Ｖ（Ｙｉ）の大小に応じて、各センサの復元誤差Ｙｉを重み付けするので、高精度に異常度Ｅ（ｔ）を算出することができる。 In an environment where the variance V (Yi) of the restoration error Yi is different for each sensor, when the abnormality degree E (t) is calculated in consideration of the restoration error Yi of a plurality of sensors, the sensor having a large variance V (Yi) The restoration error Yi makes it difficult to calculate the anomaly degree E (t) with high accuracy. According to the present embodiment, the restoration error Yi of each sensor is weighted according to the magnitude of the variance V (Yi) of the restoration error Yi in the normal state, so that the abnormality degree E (t) can be calculated with high accuracy. it can.
図４には、上述した異常度算出システム２０として機能するために、プロセッサ１１が実行する処理の例が示される。プロセッサ１１は、図４に示す処理を繰返し実行することにより、センサ群１００からの計測値の組Ｘ（ｔ）を用いて、リアルタイムに異常度Ｅ（ｔ）を算出する。 FIG. 4 shows an example of processing executed by the processor 11 in order to function as the above-mentioned abnormality degree calculation system 20. The processor 11 repeatedly executes the process shown in FIG. 4 to calculate the degree of abnormality E (t) in real time using the set X (t) of the measured values from the sensor group 100.
図４に示す処理によれば、プロセッサ１１は、センサ群１００の計測値Ｘ１（ｔ），Ｘ２（ｔ），…，Ｘｎ（ｔ）を取得する（Ｓ１１０）。ここで取得される計測値Ｘ１（ｔ），Ｘ２（ｔ），…，Ｘｎ（ｔ）は、異常度Ｅ（ｔ）の算出対象データとしてセンサ群１００から取得される第２の計測値の組に対応する。 According to the process shown in FIG. 4, the processor 11 acquires the measured values X1 (t), X2 (t), ..., Xn (t) of the sensor group 100 (S110). The measured values X1 (t), X2 (t), ..., Xn (t) acquired here are a set of second measured values acquired from the sensor group 100 as the calculation target data of the abnormality degree E (t). Corresponds to.
プロセッサ１１は、上記算出対象データとして取得した計測値Ｘ１（ｔ），Ｘ２（ｔ），…，Ｘｎ（ｔ）に基づく配列Ｘ（ｔ）を復元型ニューラルネットワーク２１に入力し、復元型ニューラルネットワーク２１から上記出力値として出力される、復元された配列Ｘ*（ｔ）を取得する（Ｓ１２０）。 The processor 11 inputs the array X (t) based on the measured values X1 (t), X2 (t), ..., Xn (t) acquired as the calculation target data into the restoration type neural network 21, and the restoration type neural network. The restored array X * (t) output as the output value from 21 is acquired (S120).
その後、プロセッサ１１は、復元された配列Ｘ*（ｔ）と、復元型ニューラルネットワーク２１に入力された元の配列Ｘ（ｔ）と、に基づき、上述した式（１）に従って異常度Ｅ（ｔ）を算出する（Ｓ１３０）。 After that, the processor 11 has an abnormality degree E (t) according to the above equation (1) based on the restored array X * (t) and the original array X (t) input to the restored neural network 21. ) Is calculated (S130).
各センサの重みＷｉは、正常時のセンサ群１００の計測値の組に基づいて構築された復元型ニューラルネットワーク２１の情報と共に、予めストレージデバイス１５に格納される。プロセッサ１１は、図４に示す処理の繰返し実行に先立って、ストレージデバイス１５から、各センサの重みＷｉ及び復元型ニューラルネットワーク２１の情報を読み出すことができる。 The weight Wi of each sensor is stored in the storage device 15 in advance together with the information of the restoration type neural network 21 constructed based on the set of the measured values of the sensor group 100 in the normal state. The processor 11 can read the weight Wi of each sensor and the information of the reconstructed neural network 21 from the storage device 15 prior to the iterative execution of the process shown in FIG.
更に、プロセッサ１１は、式（１）に基づいて異常度Ｅ（ｔ）を算出するにあたって、復元誤差Ｙｉを規格化して、センサ間における復元誤差Ｙｉの尺度を揃えることができる。 Further, the processor 11 can standardize the restoration error Yi and align the scales of the restoration error Yi among the sensors in calculating the abnormality degree E (t) based on the equation (1).
プロセッサ１１は、算出した異常度Ｅ（ｔ）を、更に表示デバイス５０に表示する（Ｓ１４０）。その後、図４に示す処理を終了する。異常の有無や大きさを、管理者に分かりやすく伝えるために、表示デバイス５０には、異常度Ｅ（ｔ）が、その数値に応じた色で表示され得る。例えば、異常度Ｅ（ｔ）が閾値未満であるときには、異常度Ｅ（ｔ）を表す数値が、製造プロセスが正常であることを示す青色で表示され、異常度Ｅ（ｔ）が閾値以上であるときには、製造プロセスが異常であることを示す赤色で表示される。 The processor 11 further displays the calculated abnormality degree E (t) on the display device 50 (S140). After that, the process shown in FIG. 4 is terminated. In order to inform the administrator of the presence or absence and magnitude of the abnormality in an easy-to-understand manner, the degree of abnormality E (t) can be displayed on the display device 50 in a color corresponding to the numerical value. For example, when the abnormality degree E (t) is less than the threshold value, the numerical value indicating the abnormality degree E (t) is displayed in blue indicating that the manufacturing process is normal, and the abnormality degree E (t) is equal to or more than the threshold value. At one point, it is displayed in red to indicate that the manufacturing process is abnormal.
この他、プロセッサ１１は、図４に示す処理に先駆けて、図５に示す構築処理を実行することにより、復元型ニューラルネットワーク２１を構築し、重みＷｉを決定することができる。 In addition, the processor 11 can construct the reconstructed neural network 21 and determine the weight Wi by executing the construction process shown in FIG. 5 prior to the process shown in FIG.
この処理の実行に先駆けては、復元型ニューラルネットワーク２１のプロトタイプが、異常度算出システム２０の設計者により用意される。ここでいうプロトタイプは、ノード間の結合係数が未決定の復元型ニューラルネットワーク２１である。 Prior to the execution of this process, a prototype of the restoration type neural network 21 is prepared by the designer of the abnormality degree calculation system 20. The prototype referred to here is a reconstructed neural network 21 in which the coupling coefficient between nodes is undetermined.
プロセッサ１１は、このプロトタイプにおいて未決定の結合係数の値を決定して、復元型ニューラルネットワーク２１を構築するために、構築処理の最初に標本データを取得する（Ｓ２１０）。取得される標本データは、上述した第１の計測値の組の時系列データ、すなわち、製造プロセスが正常である期間のセンサ群１００の計測値Ｘ１（ｔ），Ｘ２（ｔ），Ｘ３（ｔ），…の時系列データである。 The processor 11 determines the value of the undetermined coupling coefficient in this prototype and acquires sample data at the beginning of the construction process in order to construct the reconstructed neural network 21 (S210). The sample data to be acquired is the time series data of the first set of measured values described above, that is, the measured values X1 (t), X2 (t), X3 (t) of the sensor group 100 during the period when the manufacturing process is normal. ),… Time series data.
設計者は、物Ｐの破壊試験等を通じて製造プロセスが正常であったことが特定された期間のセンサ群１００の計測値Ｘ１（ｔ），Ｘ２（ｔ），Ｘ３（ｔ），…の時系列データを、センサ群１００の過去の出力データから抽出して、標本データを用意することができる。設計者は、この標本データを、ストレージデバイス１５に格納することができる。 The designer is a time series of the measured values X1 (t), X2 (t), X3 (t), ... Of the sensor group 100 during the period in which the manufacturing process was identified as normal through the destructive test of the object P, etc. Data can be extracted from the past output data of the sensor group 100 to prepare sample data. The designer can store this sample data in the storage device 15.
プロセッサ１１は、ストレージデバイス１５に標本データとして格納されたセンサ群１００の計測値Ｘ１（ｔ），Ｘ２（ｔ），Ｘ３（ｔ），…の時系列データを読み出すことにより、標本データを、取得することができる。読み出される各センサの計測値Ｘｉ（ｔ）の時系列データは、連続的な複数の時刻ｔ１，ｔ２，ｔ３…のそれぞれにおける計測値Ｘｉ（ｔ１），Ｘｉ（ｔ２），Ｘｉ（ｔ３）が時系列に配列されたデータである。 The processor 11 acquires the sample data by reading the time series data of the measured values X1 (t), X2 (t), X3 (t), ... Of the sensor group 100 stored as the sample data in the storage device 15. can do. The time-series data of the measured value Xi (t) of each sensor to be read is the time when the measured values Xi (t1), Xi (t2), and Xi (t3) at a plurality of consecutive times t1, t2, t3 ... It is data arranged in a series.
その後、プロセッサ１１は、読み出した標本データに基づく配列Ｘ（ｔ１），Ｘ（ｔ２），Ｘ（ｔ３），…を、復元型ニューラルネットワーク２１への入力値として用いて、復元型ニューラルネットワーク２１からの出力値である配列Ｘ*（ｔ１），Ｘ*（ｔ２），Ｘ*（ｔ３），…と、上記入力値である元の配列Ｘ（ｔ１），Ｘ（ｔ２），Ｘ（ｔ３），…との間の復元誤差を、最小化する復元型ニューラルネットワーク２１を構築する（Ｓ２２０）。 After that, the processor 11 uses the arrays X (t1), X (t2), X (t3), ... Based on the read sample data as input values to the restoration type neural network 21 from the restoration type neural network 21. Arrays X * (t1), X * (t2), X * (t3), ..., Which are the output values of, and the original arrays X (t1), X (t2), X (t3), which are the input values of the above. A restoration type neural network 21 is constructed to minimize the restoration error between the two (S220).
即ち、プロセッサ１１は、復元後の配列Ｘ*（ｔ１），Ｘ*（ｔ２），Ｘ*（ｔ３），…と元の配列Ｘ（ｔ１），Ｘ（ｔ２），Ｘ（ｔ３），…との間の復元誤差を、最小化する復元型ニューラルネットワークの結合係数を特定し、特定した結合係数を復元型ニューラルネットワーク２１に用いる結合係数に決定することにより、復元型ニューラルネットワーク２１を構築する。復元誤差を最小化する復元型ニューラルネットワーク２１は、標本データに関する復元誤差の和を最小化し、これにより、各センサの復元誤差を最小化する復元型ニューラルネットワーク２１であり得る。 That is, the processor 11 has the restored sequences X * (t1), X * (t2), X * (t3), ... And the original sequences X (t1), X (t2), X (t3), ... The restoration type neural network 21 is constructed by specifying the coupling coefficient of the restoration type neural network that minimizes the restoration error between the two, and determining the specified connection coefficient as the connection coefficient used for the restoration type neural network 21. The restoration type neural network 21 that minimizes the restoration error can be the restoration type neural network 21 that minimizes the sum of the restoration errors with respect to the sample data, thereby minimizing the restoration error of each sensor.
更に、プロセッサ１１は、復元型ニューラルネットワーク２１を構築する際に用いた配列Ｘ（ｔ１），Ｘ（ｔ２），Ｘ（ｔ３），…と、対応する復元後の配列Ｘ*（ｔ１），Ｘ*（ｔ２），Ｘ*（ｔ２），Ｘ*（ｔ３）とに基づき、異常度算出器２５で用いる重みＷｉを、フィッシャー判別法の原理を用いて決定する（Ｓ２３０）。具体的に、プロセッサ１１は、次式に従って、重みＷｉを決定する。 Further, the processor 11 includes the arrays X (t1), X (t2), X (t3), ... Used when constructing the restoration type neural network 21, and the corresponding restored arrays X * (t1), X. Based on * (t2), X * (t2), and X * (t3), the weight Wi used in the anomaly degree calculator 25 is determined using the principle of the Fisher discrimination method (S230). Specifically, the processor 11 determines the weight Wi according to the following equation.
上述したように復元誤差Ｙｉ（ｔ）は、第ｉセンサに関する復元後の計測値Ｘ*ｉ（ｔ）と元の計測値Ｘｉ（ｔ）との間の復元誤差Ｙｉ（ｔ）＝（Ｘｉ（ｔ）−Ｘ*ｉ（ｔ））2である。復元誤差Ｙｉ（ｔ）は、センサ間で規格化され得る。 As described above, the restoration error Yi (t) is the restoration error Yi (t) = (Xi (Xi)) between the restored measurement value X * i (t) for the i-sensor and the original measurement value Xi (t). t) -X * i (t)) 2 . The restoration error Yi (t) can be standardized between the sensors.
式（４）に示されるＭ（Ｙｉ）は、標本データとして取得された第ｉセンサの計測値Ｘｉ（ｔ）に対応する復元誤差Ｙｉ（ｔ）の時間平均を意味する。式（４）に含まれる定数Ｔは、標本データとして取得された計測値Ｘｉ（ｔ）の時系列データの時間長を意味する。この場合、計測値Ｘｉ（ｔ）の標本データは、時刻ｔ＝ｔ１から、時刻ｔ＝ｔ１＋Ｔまでの計測値Ｘｉ（ｔ）の時系列データである。 M (Yi) represented by the formula (4) means the time average of the restoration error Yi (t) corresponding to the measured value Xi (t) of the i-th sensor acquired as the sample data. The constant T included in the equation (4) means the time length of the time series data of the measured value Xi (t) acquired as the sample data. In this case, the sample data of the measured value Xi (t) is the time series data of the measured value Xi (t) from the time t = t1 to the time t = t1 + T.
式（５）に示されるＶ（Ｙｉ）は、その式から明らかなように、計測値Ｘｉ（ｔ）の標本データの全体を対象とした復元誤差Ｙｉ（ｔ）の分散である。 As is clear from the equation, V (Yi) shown in the equation (5) is a variance of the restoration error Yi (t) over the entire sample data of the measured value Xi (t).
式（３）から理解できるように、重みＷｉは、値Ｍ（Ｙｉ）／Ｖ（Ｙｉ）に比例する。Σ（Ｍ（Ｙｉ）／Ｖ（Ｙｉ））-1は、重みＷｉの和を式（２）に示すように値１に規格化する要素である。 As can be understood from the equation (3), the weight Wi is proportional to the value M (Yi) / V (Yi). Σ (M (Yi) / V (Yi)) -1 is an element that normalizes the sum of the weights Wi to a value 1 as shown in the equation (2).
Ｓ２３０において、重みＷｉは、相対的に復元誤差Ｙｉ（ｔ）の分散Ｖ（Ｙｉ）が小さいセンサの重みが、相対的に復元誤差Ｙｉ（ｔ）の分散Ｖ（Ｙｉ）が大きいセンサの重みよりも、大きくなるように決定される。 In S230, the weight Wi is such that the weight of the sensor having a relatively small variance V (Yi) of the restoration error Yi (t) is larger than the weight of the sensor having a relatively large variance V (Yi) of the restoration error Yi (t). Is also determined to be large.
分散Ｖ（Ｙｉ）が小さいセンサの重みを大きくすることで、重み付けユークリッド距離として算出される異常度Ｅ（ｔ）に対する、分散Ｖ（Ｙｉ）の大きいセンサの復元誤差Ｙｉの影響を抑えることができる。 By increasing the weight of the sensor having a small variance V (Yi), it is possible to suppress the influence of the restoration error Yi of the sensor having a large variance V (Yi) on the abnormality degree E (t) calculated as the weighted Euclidean distance. ..
分散Ｖ（Ｙｉ）の大きいセンサの復元誤差Ｙｉは、異常の高精度な判別に不向きである。従って、分散Ｖ（Ｙｉ）の大きい復元誤差Ｙｉの異常度Ｅ（ｔ）への影響が強い場合には、異常の有無をよく区別できるように、高精度に異常度Ｅ（ｔ）を算出することができない。対して、分散Ｖ（Ｙｉ）の大きい復元誤差Ｙｉの重みを小さくすると、分散Ｖ（Ｙｉ）が小さい復元誤差Ｙｉの異常度Ｅ（ｔ）への影響を強めることができ、高精度に異常度Ｅ（ｔ）を算出することができる。 The restoration error Yi of a sensor having a large variance V (Yi) is not suitable for highly accurate determination of anomalies. Therefore, when the restoration error Yi with a large variance V (Yi) has a strong influence on the abnormality degree E (t), the abnormality degree E (t) is calculated with high accuracy so that the presence or absence of the abnormality can be clearly distinguished. Can't. On the other hand, if the weight of the restoration error Yi having a large variance V (Yi) is reduced, the influence of the restoration error Yi having a small variance V (Yi) on the abnormality degree E (t) can be strengthened, and the degree of abnormality can be increased with high accuracy. E (t) can be calculated.
式（３）によれば、重みＷｉには、平均Ｍ（Ｙｉ）の成分が含まれる。この平均Ｍ（Ｙｉ）は、異常が発生しても復元誤差Ｙｉがほぼゼロで動かないセンサの重みを小さくするように作用する。異常が発生しても復元誤差Ｙｉがほぼゼロで動かないセンサが存在する場合には、そのセンサの影響を抑えたほうが、適切な異常度Ｅ（ｔ）を算出可能である。 According to the formula (3), the weight Wi includes a component of the average M (Yi). This average M (Yi) acts to reduce the weight of the sensor that does not move with a restoration error Yi of almost zero even if an abnormality occurs. If there is a sensor whose restoration error Yi is almost zero and does not move even if an abnormality occurs, it is possible to calculate an appropriate degree of abnormality E (t) by suppressing the influence of the sensor.
プロセッサ１１は、上述したＳ２１０−Ｓ２３０の手順により、復元型ニューラルネットワーク２１を構築し、更に重みＷｉを決定して、これらの情報をストレージデバイス１５に格納する（Ｓ２４０）。その後、図５に示す処理を終了する。 The processor 11 constructs the reconstructed neural network 21 according to the procedure of S210-S230 described above, further determines the weight Wi, and stores this information in the storage device 15 (S240). After that, the process shown in FIG. 5 is completed.
図６Ａには、本実施形態の手法で構築された異常度算出システム２０を用いた実験での、異常度Ｅ（ｔ）の分布を示す。この実験結果との対比のために、図６Ｂには、重み付けをしない場合に算出される異常度Ｅ０（ｔ）を示す。 FIG. 6A shows the distribution of the degree of abnormality E (t) in the experiment using the abnormality degree calculation system 20 constructed by the method of the present embodiment. For comparison with the experimental results, FIG. 6B shows the degree of anomaly E0 (t) calculated without weighting.
この実験では、物Ｐの製造プロセスの異常検出のために、センサ群１００を用いて、物Ｐの寸法、製造時の金型温度、及び材料温度などの複数の物理量を観測した。そして、これらの物理量に関するセンサ群１００の計測値を、規格化して用いて復元型ニューラルネットワーク２１を構築し、重みＷｉを決定した。実験で用いられた復元型ニューラルネットワーク２１は、中間層が１層の浅いニューラルネットワークである。 In this experiment, in order to detect an abnormality in the manufacturing process of the product P, a plurality of physical quantities such as the dimensions of the product P, the mold temperature at the time of manufacturing, and the material temperature were observed using the sensor group 100. Then, the restored neural network 21 was constructed by standardizing the measured values of the sensor group 100 regarding these physical quantities, and the weight Wi was determined. The reconstructed neural network 21 used in the experiment is a shallow neural network having one intermediate layer.
図６Ａ及び図６Ｂに示すグラフにおいて、円形記号を用いてプロットされたグラフは、製造プロセスが正常であるときの異常度Ｅ（ｔ）、及び、比較のための重み付けなしの異常度Ｅ０（ｔ）の度数分布を示す。三角形記号を用いてプロットされたグラフは、製造プロセスに第一の異常が生じたときの異常度Ｅ（ｔ），Ｅ０（ｔ）の度数分布を示す。四角形記号を用いてプロットされたグラフは、製造プロセスに第二の異常が生じたときの異常度Ｅ（ｔ），Ｅ０（ｔ）の度数分布を示す。 In the graphs shown in FIGS. 6A and 6B, the graphs plotted using the circular symbols show the anomaly degree E (t) when the manufacturing process is normal and the anomaly degree E0 (t) without weighting for comparison. ) Shows the frequency distribution. The graph plotted using the triangle symbol shows the frequency distribution of the abnormalities E (t) and E0 (t) when the first abnormality occurs in the manufacturing process. The graph plotted using the square symbol shows the frequency distribution of the abnormalities E (t) and E0 (t) when the second abnormality occurs in the manufacturing process.
これらのグラフから、本実施形態のように重み付けユークリッド距離で、異常度Ｅ（ｔ）を算出する方法によれば、重み付けなしのユークリッド距離で、異常度Ｅ０（ｔ）を算出する場合と比較して、異常の有無に応じて異常度Ｅ（ｔ）のピークがよく分離することが理解できる。 From these graphs, according to the method of calculating the abnormality degree E (t) by the weighted Euclidean distance as in the present embodiment, it is compared with the case of calculating the abnormality degree E0 (t) by the unweighted Euclidean distance. Therefore, it can be understood that the peaks of the degree of abnormality E (t) are well separated depending on the presence or absence of the abnormality.
従って、本実施形態によれば、複数のセンサからの各計測値を用いて製造プロセスの異常度を算出する場合に、精度よく異常度を算出することができ、結果として、異常度と閾値との比較により、異常の有無を高精度に判別することが可能である。 Therefore, according to the present embodiment, when calculating the degree of abnormality in the manufacturing process using each measured value from a plurality of sensors, the degree of abnormality can be calculated accurately, and as a result, the degree of abnormality and the threshold value It is possible to determine the presence or absence of an abnormality with high accuracy by comparing the above.
本開示の技術は、上述した実施形態に限定されるものではなく、種々の態様を採ることができることは言うまでもない。例えば、プロセッサ１１は、式（３）に代えて次の式（６）に従って、重みＷｉを決定してもよい。 It goes without saying that the technique of the present disclosure is not limited to the above-described embodiment, and various aspects can be adopted. For example, the processor 11 may determine the weight Wi according to the following equation (6) instead of the equation (3).
式（６）には、式（３）にあった平均Ｍ（Ｙｉ）の成分が存在しない。式（６）に基づいて重みＷｉを決定することによっては、復元誤差Ｙｉが異常の有無によっても変化しないセンサの、異常度Ｅ（ｔ）の算出に対する影響を抑えることが難しい。しかしながら、式（６）によっても、分散Ｖ（Ｙｉ）に基づく重み付けは実現可能であり、重み付けなしで異常度Ｅ０（ｔ）を算出する場合と比較して、適切な異常度Ｅ（ｔ）を算出可能である。 In the formula (6), the component of the average M (Yi) that is in the formula (3) does not exist. By determining the weight Wi based on the equation (6), it is difficult to suppress the influence of the sensor whose restoration error Yi does not change depending on the presence or absence of the abnormality on the calculation of the abnormality degree E (t). However, weighting based on the variance V (Yi) can also be realized by the equation (6), and an appropriate abnormality degree E (t) can be obtained as compared with the case where the abnormality degree E0 (t) is calculated without weighting. It can be calculated.
更に言えば、復元誤差Ｙｉが異常の有無によっても変化しないセンサを、異常度Ｅ（ｔ）の算出に用いるセンサから排除することによって、正常／異常をよく区別可能な異常度Ｅ（ｔ）を、式（６）に従って高精度に算出することが可能である。以下に示す表は、異常度が閾値以上であるときに「異常」があると判別するケースにおける「異常」の判別精度を示す。 Furthermore, by excluding the sensor whose restoration error Yi does not change depending on the presence or absence of abnormality from the sensor used for calculating the abnormality degree E (t), the abnormality degree E (t) capable of distinguishing between normal and abnormalities can be obtained. , It is possible to calculate with high accuracy according to the equation (6). The table shown below shows the accuracy of determining "abnormality" in the case where "abnormality" is determined when the degree of abnormality is equal to or higher than the threshold value.
表では、重みＷｉを式（３）で決定した時の判別精度を第１のケースとして示し、重みＷｉを式（６）で決定したときの判別精度を第２のケースとして示す。このように、式（６）によっても、重み付けをしない場合と比較して、精度よく異常度Ｅ（ｔ）を算出することができ、「正常」「異常」の判別を、精度よく行うことができる。 In the table, the discrimination accuracy when the weight Wi is determined by the equation (3) is shown as the first case, and the discrimination accuracy when the weight Wi is determined by the equation (6) is shown as the second case. In this way, the degree of abnormality E (t) can be calculated more accurately by the equation (6) as compared with the case where no weighting is performed, and "normal" and "abnormal" can be discriminated more accurately. it can.
この他、上記実施形態では、復元型ニューラルネットワーク２１から出力された復元後のセンサの計測値の組Ｘ*（ｔ）に対応する点と、元の計測値の組Ｘ（ｔ）に対応する点とを、計測値Ｘ１，Ｘ２，…、Ｘｎのそれぞれに対応する次元を有する多次元空間上に置いたときの、重み付けユークリッド距離として、異常度Ｅ（ｔ）を算出したが、他の距離関数を用いて、異常度Ｅ（ｔ）は算出されてもよい。 In addition, in the above embodiment, the point corresponding to the set X * (t) of the measured values of the restored sensor output from the restored neural network 21 and the set X (t) of the original measured values correspond to each other. The anomaly degree E (t) was calculated as the weighted Euclidean distance when the points were placed on the multidimensional space having the dimensions corresponding to the measured values X1, X2, ..., Xn, but other distances. The degree of anomaly E (t) may be calculated using a function.
例えば、ユークリッド距離に代えて、マハラノビス距離が用いられてもよい。この場合にも、上述した重み付けユークリッド距離で異常度Ｅ（ｔ）を算出する場合と同様の手法で、マハラノビス距離を重み付けして、異常度Ｅ（ｔ）を算出することができる。 For example, the Mahalanobis distance may be used instead of the Euclidean distance. Also in this case, the Mahalanobis distance can be weighted to calculate the anomaly degree E (t) by the same method as in the case of calculating the anomaly degree E (t) with the weighted Euclidean distance described above.
また、上記実施形態では、異常度Ｅ（ｔ）を数値で表示デバイス５０に表示したが、プロセッサ１１は、算出した異常度Ｅ（ｔ）を閾値と比較し、その比較結果に基づいて、「正常」「異常」の二値で、異常度に関する情報をユーザに向けて出力するように動作してもよい。 Further, in the above embodiment, the abnormality degree E (t) is displayed numerically on the display device 50, but the processor 11 compares the calculated abnormality degree E (t) with the threshold value, and based on the comparison result, " The binary values of "normal" and "abnormal" may be used to output information on the degree of abnormality to the user.
上記実施形態では、復元誤差Ｙｉの分布として、復元誤差Ｙｉの分散Ｖ（Ｙｉ）を基準に、センサ間の重みＷｉを決定したが、その他の復元誤差Ｙｉの分布に関するパラメータを用いて、センサ間の重みＷｉを決定してもよい。重みＷｉは、式（３）又は式（６）に従って算出されなくてもよく、同種の性質を有する演算式に従って算出されてもよい。 In the above embodiment, the weight Wi between the sensors is determined based on the variance V (Yi) of the restoration error Yi as the distribution of the restoration error Yi, but other parameters related to the distribution of the restoration error Yi are used between the sensors. Weight Wi may be determined. The weight Wi does not have to be calculated according to the equation (3) or the equation (6), and may be calculated according to an arithmetic expression having the same kind of property.
分散の大小に従って重みＷｉを決定することにより、上記実施形態と同種の効果が得られる。式（３）又は式（６）に定数項を設けることも考えられる。式（３）又は式（６）で算出される重みＷｉに比例する重みを用いても、上記実施形態と同種の効果が得られる。 By determining the weight Wi according to the magnitude of the dispersion, the same effect as that of the above embodiment can be obtained. It is also conceivable to provide a constant term in the equation (3) or the equation (6). Even if a weight proportional to the weight Wi calculated by the formula (3) or the formula (6) is used, the same kind of effect as that of the above embodiment can be obtained.
この他、本開示の技術は、製造プロセスの異常検出以外の分野にも適用することができる。例えば、顔認証システムにおける復元誤差の評価にも適用することができる。この場合には、異常度として、登録者の顔ではない可能性に関する数値を算出するために、本開示の技術を適用することができる。 In addition, the technique of the present disclosure can be applied to fields other than abnormality detection in a manufacturing process. For example, it can be applied to the evaluation of restoration error in a face recognition system. In this case, the technique of the present disclosure can be applied to calculate a numerical value relating to the possibility that it is not the face of the registrant as the degree of abnormality.
上記実施形態には、異常度算出方法に関する次の技術的思想が含まれると理解されてもよい。
（１）対象に関する複数の物理量を計測する複数のセンサからの計測値の組に基づき、対象の異常度を算出すること。
（２）上記計測値の組として「組を構成する計測値のそれぞれが複数のセンサのうちの対応する一つのセンサにより計測される上記複数の物理量のうちの一つの計測値である」計測値の組に基づき、対象の異常度を算出すること。
（３）対象が正常であるときの上記計測値の組である第１の計測値の組を、複数のセンサから、複数取得すること。
（４）多次元の入力値を、入力値の次元より低い次元の値に変換した後、元の次元に戻すように復元し、復元された入力値を出力値として出力するように構成される復元型ニューラルネットワークを用いること。
（５）上記第１の計測値の組を、復元型ニューラルネットワークへの入力値として用いて、復元型ニューラルネットワークから第１の計測値の組に対応する出力値として出力される、復元された第１の計測値の組と、復元型ニューラルネットワークに入力される第１の計測値の組である元の第１の計測値の組と、の間の復元誤差が最小になるように、復元型ニューラルネットワークを構築すること。
（６）異常度の算出対象データとして複数のセンサから取得した計測値の組である第２の計測値の組を、構築した復元型ニューラルネットワークに入力し、出力値として、復元型ニューラルネットワークから出力される復元された第２の計測値の組を取得すること。
（７）復元された第２の計測値の組を構成する複数のセンサのそれぞれに対応する復元された第２の計測値と、復元型ニューラルネットワークに入力される第２の計測値の組である元の第２の計測値の組を構成する複数のセンサのそれぞれに対応する元の第２の計測値と、に基づき、異常度を算出すること。
（８）複数のセンサのそれぞれに対応する復元された第２の計測値と元の第２の計測値との間の復元誤差を、複数のセンサ間で重み付けして、異常度を算出すること。
（９）複数のセンサのそれぞれに対応する復元された第１の計測値と元の第１の計測値との間の復元誤差の分布に基づき、複数のセンサのそれぞれに対する重みを決定すること。
（１０）複数のセンサのそれぞれに対して上記決定された重みで、複数のセンサのそれぞれに対応する復元された第２の計測値と元の第２の計測値との間の復元誤差を重み付けし、異常度を算出すること。
It may be understood that the above-described embodiment includes the following technical ideas regarding the method for calculating the degree of abnormality.
(1) To calculate the degree of abnormality of a target based on a set of measured values from a plurality of sensors that measure a plurality of physical quantities related to the target.
(2) As a set of the above-mentioned measured values, "each of the measured values constituting the set is a measured value of the above-mentioned plurality of physical quantities measured by the corresponding one sensor of the plurality of sensors". Calculate the degree of abnormality of the target based on the set of.
(3) Acquiring a plurality of first set of measured values, which is a set of the above measured values when the target is normal, from a plurality of sensors.
(4) It is configured to convert a multidimensional input value to a value lower than the dimension of the input value, restore it to the original dimension, and output the restored input value as an output value. Use a restorative neural network.
(5) The restored set of the first measured values is used as an input value to the restored neural network, and is output from the restored neural network as an output value corresponding to the first set of measured values. Restoration so that the restore error between the first set of measurements and the original set of first measurements, which is the set of first measurements input to the reconstructed neural network, is minimized. Building a type neural network.
(6) The second set of measured values, which is a set of measured values acquired from a plurality of sensors as the data to be calculated for the degree of abnormality, is input to the constructed reconstructed neural network, and the output value is obtained from the reconstructed neural network. To obtain the set of the output and restored second measurement values.
(7) The set of the restored second measurement value corresponding to each of the plurality of sensors constituting the set of the restored second measurement value and the set of the second measurement value input to the restoration type neural network. The degree of anomaly is calculated based on the original second measured value corresponding to each of the plurality of sensors constituting the set of the original second measured value.
(8) The degree of abnormality is calculated by weighting the restoration error between the restored second measurement value corresponding to each of the plurality of sensors and the original second measurement value among the plurality of sensors. ..
(9) Determine the weight for each of the plurality of sensors based on the distribution of the restoration error between the restored first measurement value corresponding to each of the plurality of sensors and the original first measurement value.
(10) With the weight determined above for each of the plurality of sensors, the restoration error between the restored second measurement value corresponding to each of the plurality of sensors and the original second measurement value is weighted. Then, calculate the degree of abnormality.
上記実施形態における１つの構成要素が有する機能は、複数の構成要素に分散して設けられてもよい。複数の構成要素が有する機能は、１つの構成要素に統合されてもよい。上記実施形態の構成の一部は、省略されてもよい。特許請求の範囲に記載の文言から特定される技術思想に含まれるあらゆる態様が本開示の実施形態である。 The functions of one component in the above embodiment may be distributed among a plurality of components. The functions of the plurality of components may be integrated into one component. Some of the configurations of the above embodiments may be omitted. The embodiments of the present disclosure are all aspects contained in the technical idea identified from the wording described in the claims.
１０…情報処理装置、１１…プロセッサ、１３…メモリ、１５…ストレージデバイス、２０…異常度算出システム、２１…復元型ニューラルネットワーク、２１Ａ…入力層、２１Ｂ，２１Ｃ，２１Ｄ…中間層、２１Ｅ…出力層、２５…異常度算出器、５０…表示デバイス、１００…センサ群。 10 ... Information processing device, 11 ... Processor, 13 ... Memory, 15 ... Storage device, 20 ... Abnormality calculation system, 21 ... Restorative neural network, 21A ... Input layer, 21B, 21C, 21D ... Intermediate layer, 21E ... Output Layer, 25 ... Abnormality calculator, 50 ... Display device, 100 ... Sensor group.
Claims (8)
前記対象の前記異常度を算出する前に、前記対象が正常であるときの前記各計測値を用いて、前記各復元誤差が最小になるように前記復元型ニューラルネットワークを構築し、
前記対象の前記異常度を算出する際には、前記各復元誤差を、前記複数のセンサ間で重み付けして、前記異常度を算出すること
を含む異常度算出方法。 From each restoration error between each measurement value from multiple sensors that measure multiple physical quantities related to the object and each output value from the restoration type neural network that compresses and then restores and outputs each measurement value. , An error degree calculation method for calculating the abnormality degree of the target.
Before calculating the degree of abnormality of the object, the restoration type neural network is constructed so that each restoration error is minimized by using each of the measurement values when the object is normal.
A method for calculating the degree of abnormality, which includes calculating the degree of abnormality by weighting each restoration error among the plurality of sensors when calculating the degree of abnormality of the target.
前記出力値Ｘ*ｉ（ｉは、対応するセンサの識別番号を意味する。）と、前記計測値Ｘｉとの間の前記復元誤差Ｙｉ＝Ｘｉ−Ｘ*ｉに基づいて、前記復元誤差Ｙｉの分散Ｖ（Ｙｉ）を要素に含む式
The restoration error Yi is based on the restoration error Yi = Xi−X * i between the output value X * i (i means the identification number of the corresponding sensor) and the measured value Xi. An expression that includes the variance V (Yi) as an element
前記出力値Ｘ*ｉ（ｉは、対応するセンサの識別番号を意味する。）と前記計測値Ｘｉとの間の前記復元誤差Ｙｉ＝Ｘｉ−Ｘ*ｉに基づいて、前記復元誤差Ｙｉの分散Ｖ（Ｙｉ）及び平均Ｍ（Ｙｉ）を要素に含む式
The variance of the restoration error Yi based on the restoration error Yi = Xi−X * i between the output value X * i (i means the identification number of the corresponding sensor) and the measured value Xi. An expression containing V (Yi) and the average M (Yi) as elements
前記対象の前記異常度を算出する前に、前記対象が正常であるときの前記各計測値を用いて、前記各復元誤差が最小になるように前記復元型ニューラルネットワークを構築し、
前記対象の前記異常度を算出する際には、前記各復元誤差を、前記複数のセンサ間で重み付けして、前記異常度を算出すること
を前記コンピュータに実行させるための異常度算出用コンピュータプログラム。 From each restoration error between each measurement value from multiple sensors that measure multiple physical quantities related to the object and each output value from the restoration type neural network that compresses and then restores and outputs each measurement value. , A computer program for calculating the degree of abnormality for causing a computer to execute a process of calculating the degree of abnormality of the target.
Before calculating the degree of abnormality of the object, the restoration type neural network is constructed so that each restoration error is minimized by using each of the measurement values when the object is normal.
When calculating the degree of abnormality of the target, each restoration error is weighted among the plurality of sensors, and a computer program for calculating the degree of abnormality for causing the computer to calculate the degree of abnormality. ..
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019127633A JP7268509B2 (en) | 2019-07-09 | 2019-07-09 | Anomaly degree calculation method and anomaly degree calculation computer program |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019127633A JP7268509B2 (en) | 2019-07-09 | 2019-07-09 | Anomaly degree calculation method and anomaly degree calculation computer program |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2021012633A true JP2021012633A (en) | 2021-02-04 |
| JP7268509B2 JP7268509B2 (en) | 2023-05-08 |
Family
ID=74227454
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019127633A Active JP7268509B2 (en) | 2019-07-09 | 2019-07-09 | Anomaly degree calculation method and anomaly degree calculation computer program |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7268509B2 (en) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070288409A1 (en) * | 2005-05-31 | 2007-12-13 | Honeywell International, Inc. | Nonlinear neural network fault detection system and method |
| US20160155136A1 (en) * | 2014-12-02 | 2016-06-02 | Fair Isaac Corporation | Auto-encoder enhanced self-diagnostic components for model monitoring |
| JP2019028515A (en) * | 2017-07-25 | 2019-02-21 | ファナック株式会社 | Information processing device |
| WO2019087987A1 (en) * | 2017-11-02 | 2019-05-09 | 日本電信電話株式会社 | Malfunction sensing device, malfunction sensing method, and program |
-
2019
- 2019-07-09 JP JP2019127633A patent/JP7268509B2/en active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070288409A1 (en) * | 2005-05-31 | 2007-12-13 | Honeywell International, Inc. | Nonlinear neural network fault detection system and method |
| US20160155136A1 (en) * | 2014-12-02 | 2016-06-02 | Fair Isaac Corporation | Auto-encoder enhanced self-diagnostic components for model monitoring |
| JP2019028515A (en) * | 2017-07-25 | 2019-02-21 | ファナック株式会社 | Information processing device |
| WO2019087987A1 (en) * | 2017-11-02 | 2019-05-09 | 日本電信電話株式会社 | Malfunction sensing device, malfunction sensing method, and program |
Also Published As
| Publication number | Publication date |
|---|---|
| JP7268509B2 (en) | 2023-05-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8650137B2 (en) | Method and apparatus for creating state estimation models in machine condition monitoring | |
| Mahmoud | Phase I analysis of multiple linear regression profiles | |
| JP2013257251A (en) | Anomaly detection method, program, and system | |
| JP2015170121A (en) | Abnormality diagnosis device and program | |
| JP2002525757A (en) | Multidimensional method and system for statistical process management | |
| Chong et al. | Some distribution-free Lepage-type schemes for simultaneous monitoring of one-sided shifts in location and scale | |
| US20140107977A1 (en) | Condition diagnosing method and condition diagnosing device | |
| JP2000259223A (en) | Plant monitoring device | |
| JP7063389B2 (en) | Processing equipment, processing methods, and programs | |
| Healy | Logistic regression: An overview | |
| JP5535954B2 (en) | Soundness evaluation apparatus, method and program | |
| CN117669394B (en) | Mountain canyon bridge long-term performance comprehensive evaluation method and system | |
| Sørbø et al. | Navigating the metric maze: a taxonomy of evaluation metrics for anomaly detection in time series | |
| CN114511025A (en) | Fan fault diagnosis method and device based on weighted multi-sensor fusion filtering | |
| CN113424119A (en) | Work efficiency evaluation method, work efficiency evaluation device, and program | |
| Kraft et al. | Dealing with inaccurate sensor data in the context of mobile crowdsensing and mhealth | |
| JP7268509B2 (en) | Anomaly degree calculation method and anomaly degree calculation computer program | |
| JP7099296B2 (en) | Evaluation method, system construction method, and evaluation system | |
| Du et al. | Generalized polynomial chaos-based fault detection and classification for nonlinear dynamic processes | |
| CN113327655B (en) | Outlier detection method, device, equipment and medium for multidimensional data | |
| Bashkansky et al. | Proficiency testing: binary data analysis | |
| CN111956198B (en) | Equipment state determination method and device | |
| US10316690B2 (en) | Method for validation of an investigated sensor and corresponding machine | |
| JP2022092419A (en) | Data analyzing device, method and system | |
| Bessegato et al. | On-line process control using attributes with misclassification errors: An economical design for short-run production |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211112 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220930 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221011 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221124 |
|
| 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: 20230322 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230404 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7268509 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |