JP2021128364A - 異常検知装置、異常検知方法およびプログラム - Google Patents
異常検知装置、異常検知方法およびプログラム Download PDFInfo
- Publication number
- JP2021128364A JP2021128364A JP2020020719A JP2020020719A JP2021128364A JP 2021128364 A JP2021128364 A JP 2021128364A JP 2020020719 A JP2020020719 A JP 2020020719A JP 2020020719 A JP2020020719 A JP 2020020719A JP 2021128364 A JP2021128364 A JP 2021128364A
- Authority
- JP
- Japan
- Prior art keywords
- matrix
- abnormality
- singular
- detection device
- value matrix
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M7/00—Vibration-testing of structures; Shock-testing of structures
- G01M7/02—Vibration-testing by means of a shake table
- G01M7/025—Measuring arrangements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
【課題】異常個所の特定を高精度に行うことできる。
【解決手段】異常検知装置は、複数のセンサを通じて取得される計測値を参照して対象物の異常を検知する異常検知装置であって、正常とみなされる時間帯に取得された計測値からなる計測値行列y0の分散共分散行列を特異値分解し、特異ベクトルU、特異値行列Sを算出する特異値分解処理部と、評価対象とする任意の時間帯に取得された計測値行列ytに対して前記特異ベクトルUおよび前記特異値行列Sを適用し、その結果から異常の有無を判定する異常判定部と、前記計測値行列ytが異常であると判定された場合に、当該計測値行列ytに関連して求められる行列の対角成分に基づいて異常個所を特定する異常個所特定部と、を備える。
【選択図】図1
【解決手段】異常検知装置は、複数のセンサを通じて取得される計測値を参照して対象物の異常を検知する異常検知装置であって、正常とみなされる時間帯に取得された計測値からなる計測値行列y0の分散共分散行列を特異値分解し、特異ベクトルU、特異値行列Sを算出する特異値分解処理部と、評価対象とする任意の時間帯に取得された計測値行列ytに対して前記特異ベクトルUおよび前記特異値行列Sを適用し、その結果から異常の有無を判定する異常判定部と、前記計測値行列ytが異常であると判定された場合に、当該計測値行列ytに関連して求められる行列の対角成分に基づいて異常個所を特定する異常個所特定部と、を備える。
【選択図】図1
Description
本発明は、異常検知装置、異常検知方法およびプログラムに関する。
MT法(マハラノビス・タグチメソッド)は、異常検知の手法として広く使われている。MT法では、正常時の計測値のばらつきを考慮したマハラノビス距離で異常を判定する。
機械システムの異常検知においては、単に異常を検知しただけでは、どこで異常が発生しているか分からなければ、対応が難しい。計測個所が多ければ、その分異常の可能性のある個所が多いため,1つ1つチェックすることは非効率である。
機械システムの異常検出ならば、場所の特定として、計測している信号を特定するのが簡単である。例えば、MT法のSN比のように異常度に対する影響を計ることが考えられる。特許文献1には、マハラノビス距離への影響の大きい変数を特定することで、異常時の原因を特定する手法が記載されている。この手法では、一般的なMT法と同じように、N次元の計測データからスカラ値であるマハラノビス距離を求めている。
機械システムの異常検出ならば、場所の特定として、計測している信号を特定するのが簡単である。例えば、MT法のSN比のように異常度に対する影響を計ることが考えられる。特許文献1には、マハラノビス距離への影響の大きい変数を特定することで、異常時の原因を特定する手法が記載されている。この手法では、一般的なMT法と同じように、N次元の計測データからスカラ値であるマハラノビス距離を求めている。
異常検知のみを行う場合には、多次元の信号データからスカラ値であるマハラノビス距離に低次元化することは有効である。一方で、N次元の計測データからスカラ値であるマハラノビス距離を計算することにより情報量が減少することは避けられない。従って、異常個所の特定を行う場合にはN次元の計測データ全てを使う場合に比べて精度が悪くなることが想定される。
本開示は、異常個所の特定を高精度に行うことを目的とする。
本開示の第一の態様によれば、異常検知装置は、複数のセンサを通じて取得される計測値を参照して対象物の異常を検知する異常検知装置であって、評価対象とする任意の時間帯に取得された計測値行列ytに対して異常の有無を判定する異常判定部と、前記計測値行列ytが異常であると判定された場合に、当該計測値行列ytに関連して求められる行列の対角成分に基づいて異常個所を特定する異常個所特定部と、を備える。
本開示によれば、異常個所の特定を高精度に行うことできる。
<第1の実施形態>
以下、本開示の第1の実施形態に係る異常検知装置について、図1〜図6を参照しながら説明する。
以下、本開示の第1の実施形態に係る異常検知装置について、図1〜図6を参照しながら説明する。
(異常検知装置の全体構成)
図1は、第1の実施形態に係る異常検知装置の全体構成を示す図である。
図1に示すように、本実施形態に係る異常検知装置1は、複数の加振機かなる加振システム2を異常検知の対象とするものとして説明する。加振システム2を構成する複数の加振機は、例えば油圧加振機であって、加振システム2が試験対象とする構造体の加振試験に用いられる。加振試験では、構造体に対し、規定の加振パターンを繰り返し与えることで実施される。図1に示すように、加振システム2は、加振機ごとに、ストロークセンサであるセンサSE1、SE2、SE3、・・が設けられている。
図1は、第1の実施形態に係る異常検知装置の全体構成を示す図である。
図1に示すように、本実施形態に係る異常検知装置1は、複数の加振機かなる加振システム2を異常検知の対象とするものとして説明する。加振システム2を構成する複数の加振機は、例えば油圧加振機であって、加振システム2が試験対象とする構造体の加振試験に用いられる。加振試験では、構造体に対し、規定の加振パターンを繰り返し与えることで実施される。図1に示すように、加振システム2は、加振機ごとに、ストロークセンサであるセンサSE1、SE2、SE3、・・が設けられている。
異常検知装置1は、加振システム2に設けられたセンサSE1、SE2、・・から逐次、ストローク量を取得する。本実施形態に係る異常検知装置1は、センサSE1、SE2、・・から取得したストローク量の計測値に基づいて加振システム2の異常検知を行う。
以下、異常検知装置1のハードウェア構成について説明する。
図1に示すように、異常検知装置1は、CPU10と、接続インタフェース11と、入出力機器12と、記録媒体13とを備える。
CPU10は、所定のプログラムに従って各種機能を発揮するプロセッサである。
接続インタフェース11は、各センサSE1、SE2、・・との接続インタフェースである。
入出力機器12は、マウス、キーボード、ディスプレイ、スピーカ等の入出力機器である。
記録媒体13は、いわゆる補助記憶装置であって、HDD(Hard Disk Drive)、SSD(Solid State Drive)などの大容量記憶装置である。
図1に示すように、異常検知装置1は、CPU10と、接続インタフェース11と、入出力機器12と、記録媒体13とを備える。
CPU10は、所定のプログラムに従って各種機能を発揮するプロセッサである。
接続インタフェース11は、各センサSE1、SE2、・・との接続インタフェースである。
入出力機器12は、マウス、キーボード、ディスプレイ、スピーカ等の入出力機器である。
記録媒体13は、いわゆる補助記憶装置であって、HDD(Hard Disk Drive)、SSD(Solid State Drive)などの大容量記憶装置である。
(異常検知装置の機能構成)
図2は、第1の実施形態に係る異常検知装置の機能構成を示す図である。
図2に示すように、異常検知装置1のCPU10は、所定のプログラムに従って動作することで、特異値分解処理部100、異常判定部101および異常個所特定部102としての機能を発揮する。
図2は、第1の実施形態に係る異常検知装置の機能構成を示す図である。
図2に示すように、異常検知装置1のCPU10は、所定のプログラムに従って動作することで、特異値分解処理部100、異常判定部101および異常個所特定部102としての機能を発揮する。
特異値分解処理部100は、正常であるとみなされる時間帯に取得されたストローク量の計測値からなる計測値行列y0の分散共分散行列を特異値分解し、特異ベクトルU、特異値行列Sを算出する。 異常判定部101は、評価対象とする任意の時間帯に取得された計測値行列ytに対して特異ベクトルUおよび特異値行列Sを適用し、その結果から異常の有無を判定する。
異常個所特定部102は、異常判定部101により計測値行列ytが異常であると判定された場合に、当該計測値行列ytに関連して求められる行列の対角成分に基づいて異常個所を特定する。なお、本実施形態においては、後述するように、異常個所特定部102は、yt=X・y0で表される行列Xの対角成分に基づいて異常個所を特定する。
異常個所特定部102は、異常判定部101により計測値行列ytが異常であると判定された場合に、当該計測値行列ytに関連して求められる行列の対角成分に基づいて異常個所を特定する。なお、本実施形態においては、後述するように、異常個所特定部102は、yt=X・y0で表される行列Xの対角成分に基づいて異常個所を特定する。
(異常検知装置の処理フロー)
図3は、第1の実施形態に係る異常検知装置の処理フローを示す図である。
図4〜図6は、第1の実施形態に係る異常検知装置が行う各処理の説明図である。
図3に示す処理フローは、上述の加振システム2を用いて、ある構造体に対する加振試験の開始時から繰り返し実行される。
図3は、第1の実施形態に係る異常検知装置の処理フローを示す図である。
図4〜図6は、第1の実施形態に係る異常検知装置が行う各処理の説明図である。
図3に示す処理フローは、上述の加振システム2を用いて、ある構造体に対する加振試験の開始時から繰り返し実行される。
図3に示すように、まず、異常検知装置1は、複数のセンサSE1、SE2、・・から加振試験における繰り返し区間1回目のデータyを取得する(ステップS01)。なお、以下の説明においては、単位空間の作成に用いるデータyをデータy0と表記し、実際の評価対象とする任意のデータyをデータytと表記して区別する。
図4は、各センサSE1、SE2、・・から出力されるデータの例を示している。図4に示すように、異常検知装置1は、各センサSE1、SE2、・・から、所定の繰り返し区間(データ長n)ごとにデータ(センサ出力1、2、・・)を取得し、これらのセットをデータyとして取得する。つまり、データyは、センサ数m×データ長nの行列式で表される。
図4は、各センサSE1、SE2、・・から出力されるデータの例を示している。図4に示すように、異常検知装置1は、各センサSE1、SE2、・・から、所定の繰り返し区間(データ長n)ごとにデータ(センサ出力1、2、・・)を取得し、これらのセットをデータyとして取得する。つまり、データyは、センサ数m×データ長nの行列式で表される。
次に、異常検知装置1は、単位空間を作成するか否かを判定する(ステップS02)。ここで、本実施形態においては、加振試験における繰り返し加振のうち、最初の1回目のデータy(y0)を正常なデータとみなし、これを用いて単位空間を作るものとする。
異常検知装置1は、単位空間を作成する場合、即ち、取得したデータyが、繰り返し区間の最初の1回目のデータy0であった場合(ステップS02;YES)、データy0を記録媒体13に保存する(ステップS03)。
続いて、異常検知装置1の特異値分解処理部100は、データy0について特異値分解を行い、特異ベクトルU、特異値行列Sを算出する(ステップS04)。
異常検知装置1は、単位空間を作成する場合、即ち、取得したデータyが、繰り返し区間の最初の1回目のデータy0であった場合(ステップS02;YES)、データy0を記録媒体13に保存する(ステップS03)。
続いて、異常検知装置1の特異値分解処理部100は、データy0について特異値分解を行い、特異ベクトルU、特異値行列Sを算出する(ステップS04)。
ステップS04の処理について、図5を参照しながら説明する。なお、図5では、簡略化のため、センサ数が2個である場合の例として図示している。図5に示すように、特異値分解処理部100は、ρ=S−0.5Uy0の式を満たす特異ベクトルU、特異値行列Sを求める。ここで、ρは、y0の分布方向に沿った座標軸(ρ1、ρ2)で表され、かつ、各軸方向の分散が正規化された座標系で示されるデータである。特異ベクトルUは、データy0について、データ値を示す座標軸y1、y2の座標系から、データy0の分布方向に沿った座標軸ρ1、ρ2の座標系に変換(回転)させるベクトルである。また、特異値行列Sは、ρ1方向、ρ2方向それぞれの分散で規定された行列である。S−0.5により、単位空間におけるρ1方向、ρ2方向それぞれの分散σρ1 2、σρ2 2は正規化(σρ1 2=1、σρ2 2=1)される。このようにして表された座標系がマハラノビス距離の単位空間となる。異常検知装置1は、このようにして算出された特異ベクトルU、特異値行列Sを記憶する。
図3に戻り、異常検知装置1は、加振システム2に対し異常判定を行う場合、即ち、取得したデータyが、繰り返し区間の最初の2回目以降の任意のデータytであった場合(ステップS02;NO)、データytを記録媒体13に保存する(ステップS05)。
次に、異常判定部101は、計測値行列ytに関連して求められる行列であって、yt=X・y0で表される行列Xを算出する(ステップS06)。
以下、行列Xについて詳しく説明する。
ある任意の時刻の計測値の行列をy1とすると、計測値y1と特異値ρ1との関係は、式(1)のように表される。
ある任意の時刻の計測値の行列をy1とすると、計測値y1と特異値ρ1との関係は、式(1)のように表される。
このとき、特異値ρ1は、ρ0(加振システム2が正常である状態)のままであると仮定し、加振システム2の特性がU→XUに変化したことで、計測値がy0→y1に変化したと定めると、y1は、以下の式(2)のように表される。
しかしながら、式(2)からXを求めることはできない。そこで、共分散について考える。y1=Xy0とおいてy1の共分散行列を考えると、式(3)のようになる。
この行列Xを解いて異常個所を特定する。すなわち、加振システム2の計測値がy0→y1と変化したときに、y1の共分散行列とy0の共分散行列を一致させるような行列Xを求める。
行列Xを対象行列と仮定すると、式(3)より、式(4)となる。
式(4)において、左からy0 T、右からy0を掛けると式(5)を得る。
ここで、X=XTと仮定しているので、式(6)のように変形できる。
y0 TXy0も対象行列であり、y0 TXy0=(y0 TXy0)Tなので、式(7)を得る。
A=sqrtm(B)は、行列A、Bについて、B=A*Aを満たす行列Aを求める関数である。左からy0、右からy0 Tを掛けると、式(8)となる。
そのため、左右から(y0y0 T)−1を掛けて以下の式(9)で行列Xを求める。
次に、異常判定部101は、計測値行列ytについて、特異成分による異常検知を行う(ステップS07)。ステップS07の処理について、図6を参照しながら説明する。
なお、図6では、図5と同様に、簡略化のため、センサ数が2個である場合の例として図示している。図6に示すように、異常判定部101は、計測値行列ytに対し、特異値分解処理部100がステップS04で算出した特異ベクトルU、特異値行列Sを適用し、ρ=S−0.5Uytを演算する。これにより、計測値行列ytの特性を、単位空間と比較できる。その結果、異常判定部101は、計測値行列ytに対応する分散σρ1 2、σρ2 2のいずれか一方が1を大きく(所定閾値以上)上回っていた場合、異常と判定する。図6に示す例では、分散σρ1 2はほとんど変化がない(σρ1 2=1.1)となっているが、分散σρ2 2が1を大幅に上回っている(σρ2 2=2)ため、異常判定部101は、異常と判定する。
図3に戻り、ステップS07の結果、異常が発生していないと判定された場合(ステップS08;NO)、異常個所特定部102は、異常個所の特定を行うことなく処理を終了する。
他方、ステップS07の結果、異常が発生したと判定された場合(ステップS08;YES)、異常個所特定部102は、ステップS06で求めた行列Xを用いて、異常個所の特定を行う(ステップS09)。
ここで、センサの数がセンサSE1、SE2の2個である場合、yt=Xy0との関係より、行列Xは、計測値行列y0(図5参照)と、計測値行列yt(図6参照)との関係を示す2×2の行列となる。そのため、センサSE1、SE2のいずれにも異常が発生せず、計測値行列y0、ytそれぞれがほぼ同等の値であった場合、行列Xは、対角成分が1であり、それ以外の成分が0である単位行列に近い値となる。
他方、例えば、計測値行列ytを取得した時点で、計測値行列y0、ytそれぞれの1行目の値を取得したセンサ(センサSE1)に異常が発生していたとする。この場合、計測値行列y0の1行目と、計測値行列ytの1行目とは、大きく値が異なっている可能性が高いため、行列Xにおける1行1列目の対角成分のみが1から離れた値に変動し得る。
同様に、計測値行列ytを取得した時点で、計測値行列y0、ytそれぞれの2行目の値を取得したセンサ(センサSE2)に異常が発生していたとすると、行列Xにおける2行2列目の対角成分のみが1から離れた値に変動し得る。
このように、行列Xの対角成分のうちどの成分が1から離れた値となっているかを参照することで、異常が発生した可能性が高いセンサを特定することができる。
他方、ステップS07の結果、異常が発生したと判定された場合(ステップS08;YES)、異常個所特定部102は、ステップS06で求めた行列Xを用いて、異常個所の特定を行う(ステップS09)。
ここで、センサの数がセンサSE1、SE2の2個である場合、yt=Xy0との関係より、行列Xは、計測値行列y0(図5参照)と、計測値行列yt(図6参照)との関係を示す2×2の行列となる。そのため、センサSE1、SE2のいずれにも異常が発生せず、計測値行列y0、ytそれぞれがほぼ同等の値であった場合、行列Xは、対角成分が1であり、それ以外の成分が0である単位行列に近い値となる。
他方、例えば、計測値行列ytを取得した時点で、計測値行列y0、ytそれぞれの1行目の値を取得したセンサ(センサSE1)に異常が発生していたとする。この場合、計測値行列y0の1行目と、計測値行列ytの1行目とは、大きく値が異なっている可能性が高いため、行列Xにおける1行1列目の対角成分のみが1から離れた値に変動し得る。
同様に、計測値行列ytを取得した時点で、計測値行列y0、ytそれぞれの2行目の値を取得したセンサ(センサSE2)に異常が発生していたとすると、行列Xにおける2行2列目の対角成分のみが1から離れた値に変動し得る。
このように、行列Xの対角成分のうちどの成分が1から離れた値となっているかを参照することで、異常が発生した可能性が高いセンサを特定することができる。
以上、第1の実施形態に係る異常検知装置1によれば、計測値行列y0と計測値行列ytとの関係を示す行列Xの対角成分に基づき、異常個所を高精度に特定することができる。
(第1の実施形態の変形例)
上述した第1の実施形態に係る異常検知装置1は、以下のような態様とされてもよい。
即ち、第1の実施形態の変形例に係る異常個所特定部102は、過去の行列Xに基づいて各センサの異常度を導出するとともに、当該異常度をもって順序化し、その順にセンサが異常であると判定する。
上述した第1の実施形態に係る異常検知装置1は、以下のような態様とされてもよい。
即ち、第1の実施形態の変形例に係る異常個所特定部102は、過去の行列Xに基づいて各センサの異常度を導出するとともに、当該異常度をもって順序化し、その順にセンサが異常であると判定する。
第1の実施形態における処理フロー(図3)によれば、異常個所特定部102は、異常判定部101によって異常判定がなされなかった(ステップS08;NO)場合であっても、ステップS01で取得した全ての計測値行列ytについて、行列Xを算出する(ステップS06)こととしている。そこで、本変形例に係る異常個所特定部102は、異常判定部101によって異常判定がなされた場合(ステップS08;NO)、例えば、異常判定がなされた今回の行列Xの対角成分に加え、正常判定がなされていた過去10回分の行列Xの対角成分を参照して各センサの異常度を算出する。そして、異常個所特定部102は、この異常度の順序に基づいて、異常個所を特定する。
例えば、異常個所特定部102は、過去10回の行列Xの対角成分を参照した結果、10回連続でセンサSE1が異常度1位であれば、センサSE1が故障であると判定する。この場合、更に、異常個所特定部102は、二項検定でセンサSE1が10回連続で1位になる仮説を検定して信頼度を算出してもよい。
以上のように、異常個所特定部102は、計測値行列ytが異常であると判定される前に取得された複数の行列Xを参照して、異常個所を特定する。このようにすることで、異常が検知される前の兆候を含めて異常個所を特定するので、一層精度よく異常個所を特定することができる。
また、更なる変形例においては、異常個所特定部102は、センサSE1、SE2、・・を順位でグルーピングしてもよい。例えば、過去10回の行列Xを参照した結果、センサSE1、センサSE2の2つが、常に異常度1位、2位を占めていた場合、これらのセンサSE1、SE2を1つのグループとして扱って判定する。その結果、異常個所特定部102は、「センサSE1かセンサSE2が故障している。」という診断を早期に通知することができる。
第1の実施形態の他の変形例においては、行列Xについて、logm(X)の対角成分を異常度としてもよい。もしくは、行列Xの対角成分のlogm(X)の対角成分の絶対値を異常度としてもよい。
このようにすることで、行列Xの各対角成分が、1よりも大きい方向に離れている度合いと、1よりも小さい方向に離れている度合いとを同等のスケールで扱うことができる。
このようにすることで、行列Xの各対角成分が、1よりも大きい方向に離れている度合いと、1よりも小さい方向に離れている度合いとを同等のスケールで扱うことができる。
なお、第1の実施形態に係る異常検知装置1は、ステップS08における異常検知を行う手段として、計測値行列ytに対応する分散σρ1 2、σρ2 2が1を大きく上回っているか否かに基づいて異常検知を行うものとして説明した。しかし、他の実施形態においてはこの態様に限定されない。例えば、他の実施形態に係る異常検知装置1は、一般的なMT法を用いて異常検知を行ってもよいし、その他の一般的な手法により異常検知を行ってもよい。すなわち、他の実施形態に係る異常検知装置1は、特異値分解処理部100を具備していなくともよい。
<第2の実施形態>
以下、本開示の第2の実施形態に係る異常検知装置について、図7を参照しながら説明する。
以下、本開示の第2の実施形態に係る異常検知装置について、図7を参照しながら説明する。
(異常検知装置の処理フロー)
図7は、第2の実施形態に係る異常検知装置の処理フローを示す図である。
図7に示す処理フローは、ステップS06a〜ステップS06c、ステップS09aを有する点で、第1の実施形態(図3)と異なる。以下、これらのステップについて詳しく説明する。
図7は、第2の実施形態に係る異常検知装置の処理フローを示す図である。
図7に示す処理フローは、ステップS06a〜ステップS06c、ステップS09aを有する点で、第1の実施形態(図3)と異なる。以下、これらのステップについて詳しく説明する。
異常個所特定部102は、ステップS01で取得された計測値行列ytに対し、ρt=S−0.5Uytを演算することで、計測値行列ytに対応する特異成分行列ρtを取得する(ステップS06a)。ここで、特異成分行列ρtは、計測値行列ytと同様に、特異成分の数m×データ長nの行列式で表される(特異成分の数mは、センサ数mと同じ数である)。
次に、異常個所特定部102は、所定の基準(後述)に従い、特異成分行列ρtを構成する特異成分ρ1、ρ2・・、すなわち行成分(横方向)のうちのいくつかを選択し、それ以外の特異成分(行成分)を削除する(ステップS06b)。
ここで、上記所定の基準に従って選択した要素番号の集まりを{j}と表す。そうすると、ρ{j}は以下の式(10)のように表すことができる。
ここで、例えば、{j}={1,3,5}の3つであったとすると、ρ{j}は、特異成分行列ρtを構成する各特異成分(行成分ρ1、ρ2、・・)のうち、ρ1(1行目)、ρ3(3行目)、ρ5(5行目)のみを残し、他の特異成分の情報を排除した行列となる。
このρ{j}から、ρt=S−0.5・UT・ytを逆算して求められるytをy^tとおくと、Uは直交行列であることから、y^tは、式(11)より求めることができる。
異常個所特定部102は、y^tの共分散行列を式(12)のように演算する(ステップS6c)。
この共分散行列(式(12))は、観測値行列ytに対するρ{j}の影響を示している。この共分散行列の対角成分はy^tの分散である。すなわち、選択したρtの特異成分のみから逆算したときの計測値行列y^tの共分散行列のうち分散の大きい対角成分に対応するセンサを異常個所として特定する(ステップS09a)。
なお、ステップS06bで説明した「所定の基準」とは、本実施形態においては、例えば、「特異成分ρ1、ρ2、・・のうち期待値が大きいものの上位3つ」などと定められる。特異成分ρ1、ρ2、・・を、上記のような基準に従って選択することの技術的意義について説明する。
特異成分行列ρtを構成する特異成分ρ1、ρ2、・・のうち期待値が大きい特異成分は、マハラノビス距離の増大への寄与が大きい特異成分である。つまり、いずれかのセンサで異常が発生した結果、ある計測値行列ytについてのマハラノビス距離が増大したとする。この場合、当該計測値行列ytに対応する特異成分行列ρtのうち、期待値が大きい特異成分のいくつか(例えば上位3つ)が、マハラノビス距離の増大への寄与度が大きいと考えることができる。
したがって、このように期待値が大きい上位3つの特異成分のみが選択されたρ{j}から、ρt=S−0.5・UT・ytを逆算して計測値行列yt(y^t)を算出すると、計測値行列y^tは、計測値行列ytの各センサ成分(行成分y1、y2、・・)において、マハラノビス距離の増大に寄与した要素のみが抽出されたものとなる。そうすると、計測値行列y^tの共分散行列の対角成分は、各センサ個々の計測値の分散を示しているから、値(分散)が大きい対角成分の箇所に応じて、異常が発生したセンサを推定することができる。
特異成分行列ρtを構成する特異成分ρ1、ρ2、・・のうち期待値が大きい特異成分は、マハラノビス距離の増大への寄与が大きい特異成分である。つまり、いずれかのセンサで異常が発生した結果、ある計測値行列ytについてのマハラノビス距離が増大したとする。この場合、当該計測値行列ytに対応する特異成分行列ρtのうち、期待値が大きい特異成分のいくつか(例えば上位3つ)が、マハラノビス距離の増大への寄与度が大きいと考えることができる。
したがって、このように期待値が大きい上位3つの特異成分のみが選択されたρ{j}から、ρt=S−0.5・UT・ytを逆算して計測値行列yt(y^t)を算出すると、計測値行列y^tは、計測値行列ytの各センサ成分(行成分y1、y2、・・)において、マハラノビス距離の増大に寄与した要素のみが抽出されたものとなる。そうすると、計測値行列y^tの共分散行列の対角成分は、各センサ個々の計測値の分散を示しているから、値(分散)が大きい対角成分の箇所に応じて、異常が発生したセンサを推定することができる。
なお、計測値行列y^tの共分散行列(式(12))の各行について、行の絶対値の和と対角成分の比を取って対角優位性を判定してもよい。対角優位であればセンサ単独の異常、そうでなければ他のセンサと連動して変化していると判定する。例えば、複数のセンサと連動していると判定されれば、センサ自体の異常ではなく、そのセンサに関連する部位が異常変形している可能性があると診断することなどができる。
以上の通り、第2の実施形態に係る異常個所特定部102は、計測値行列ytをρt=S−0.5・UT・yt(式A)に代入して得られる特異成分行列ρtから特異成分を所定の基準に基づいて選択し、当該選択した特異成分からなる特異成分行列ρt{j}を式Aに適用して得られる計測値行列(y^t)の共分散行列の対角成分に基づいて異常個所を特定する。
このようにすることで、第1の実施形態で算出した行列Xの演算が不要となり、計算後より高速化される。
このようにすることで、第1の実施形態で算出した行列Xの演算が不要となり、計算後より高速化される。
(第2の実施形態の変形例)
第2の実施形態では、特異成分ρ1、ρ2、・・・の期待値が大きいものが計測値に影響を与えているものとして、その大きさ順に選択する例を説明したが、他の実施形態においてはこの態様に限定されない。
例えば、第2の実施形態の変形例に係る異常検知装置1は、各特異成分ρ1、ρ2の分散σ1 2、σ2 2、・・・が相対的に小さな特異成分を選択するものとしてもよい。
分散の大きい方向の特異成分は、計測値を取得する度に大きく変動するものであるから、ノイズが大きいと考えられる。したがって、ノイズが小さい特異成分のみに絞って計測値行列y^tを逆算することで、異常個所を精度よく特定することができる。
第2の実施形態では、特異成分ρ1、ρ2、・・・の期待値が大きいものが計測値に影響を与えているものとして、その大きさ順に選択する例を説明したが、他の実施形態においてはこの態様に限定されない。
例えば、第2の実施形態の変形例に係る異常検知装置1は、各特異成分ρ1、ρ2の分散σ1 2、σ2 2、・・・が相対的に小さな特異成分を選択するものとしてもよい。
分散の大きい方向の特異成分は、計測値を取得する度に大きく変動するものであるから、ノイズが大きいと考えられる。したがって、ノイズが小さい特異成分のみに絞って計測値行列y^tを逆算することで、異常個所を精度よく特定することができる。
なお、上述した第1〜第2の実施形態及びその変形例においては、上述した異常検知装置1の各種処理の過程は、プログラムの形式でコンピュータ読み取り可能な記録媒体に記憶されており、このプログラムをコンピュータが読み出して実行することによって上記各種処理が行われる。また、コンピュータ読み取り可能な記録媒体とは、磁気ディスク、光磁気ディスク、CD−ROM、DVD−ROM、半導体メモリ等をいう。また、このコンピュータプログラムを通信回線によってコンピュータに配信し、この配信を受けたコンピュータが当該プログラムを実行するようにしても良い。
上記プログラムは、上述した機能の一部を実現するためのものであってもよい。更に、上述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるもの、いわゆる差分ファイル(差分プログラム)であってもよい。
また、他の実施形態においては、第1〜第4の実施形態で説明した異常検知装置1が有する各機能部の一部を、ネットワークで接続された他のコンピュータが具備する態様であってもよい。
以上のとおり、本発明に係るいくつかの実施形態を説明したが、これら全ての実施形態は、例として提示したものであり、発明の範囲を限定することを意図していない。これらの実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で種々の省略、置き換え、変更を行うことができる。これらの実施形態及びその変形例は、発明の要旨および技術的範囲に含まれる。
<付記>
各実施形態に記載の異常検知装置1は、例えば以下のように把握される。
各実施形態に記載の異常検知装置1は、例えば以下のように把握される。
(1)第1の態様に係る異常検知装置1は、複数のセンサSE1、SE2、・・を通じて取得される計測値を参照して対象物の異常を検知する異常検知装置であって、評価対象とする任意の時間帯に取得された計測値行列ytに対して異常の有無を判定する異常判定部101と、前記計測値行列ytが異常であると判定された場合に、当該計測値行列ytに関連して求められる行列の対角成分に基づいて異常個所を特定する異常個所特定部102と、を備える。
(2)第2の態様に係る異常検知装置1は、(1)の異常検知装置1であって、正常とみなされる時間帯に取得された計測値からなる計測値行列y0の分散共分散行列を特異値分解し、特異ベクトルU、特異値行列Sを算出する特異値分解処理部をさらに備え、前記異常判定部は、評価対象とする任意の時間帯に取得された計測値行列ytに対して前記特異ベクトルUおよび前記特異値行列Sを適用し、その結果から異常の有無を判定する。
(3)第3の態様に係る異常検知装置1は、(1)または(2)の異常検知装置1であって、異常個所特定部102は、yt=X・y0で表される行列Xの対角成分に基づいて異常個所を特定する。
(4)第4の態様に係る異常検知装置1は、(3)の異常検知装置1であって、異常個所特定部102は、前記行列Xの対角成分のうちどの成分が1から離れた値となっているかを参照することで、異常が発生した可能性が高いセンサを特定する。
(5)第5の態様に係る異常検知装置1は、(3)または(4)の異常検知装置1であって、異常個所特定部102は、前記計測値行列ytが異常であると判定される前に取得された複数の行列Xを参照して、異常個所を特定する。
(6)第6の態様に係る異常検知装置1は、(2)の異常検知装置1であって、異常個所特定部102は、前記計測値行列ytをρt=S−0.5・UT・yt(式A)に代入して得られる特異成分行列ρtから特異成分を所定の基準に基づいて選択し、当該選択した特異成分からなる特異成分行列ρt{j}を式Aに適用して得られる計測値行列(y^t)の共分散行列の対角成分に基づいて異常個所を特定する。
(7)第7の態様に係る異常検知装置1は、(6)の異常検知装置1であって、異常個所特定部102は、特異成分行列ρtに含まれる特異成分のうち、当該特異成分の期待値が相対的に大きいものを選択する。
(8)第8の態様に係る異常検知装置1は、(6)または(7)の異常検知装置1であって、異常個所特定部102は、特異成分行列ρtに含まれる特異成分のうち、特異値が相対的に小さいものを選択する。
(9)第9の態様に係る異常検知装置1は、(6)から(8)のいずれかの異常検知装置1であって、異常個所特定部102は、計測値行列(y^t)のうち、値が相対的に大きい対角成分の箇所に応じて、異常が発生したセンサを推定する。
(10)第10の態様に係る異常検知方法は、複数のセンサを通じて取得される計測値を参照して対象物の異常を検知する異常検知方法であって、正常とみなされる時間帯に取得された計測値からなる計測値行列y0の分散共分散行列を特異値分解し、特異ベクトルU、特異値行列Sを算出するステップと、評価対象とする任意の時間帯に取得された計測値行列ytに対して前記特異ベクトルUおよび前記特異値行列Sを適用し、その結果から異常の有無を判定するステップと、前記計測値行列ytが異常であると判定された場合に、当該計測値行列ytに関連して求められる行列の対角成分に基づいて異常個所を特定するステップと、を有する。
(11)第11の態様に係るプログラムは、複数のセンサを通じて取得される計測値を参照して対象物の異常を検知する異常検知装置に、正常とみなされる時間帯に取得された計測値からなる計測値行列y0の分散共分散行列を特異値分解し、特異ベクトルU、特異値行列Sを算出するステップと、評価対象とする任意の時間帯に取得された計測値行列ytに対して前記特異ベクトルUおよび前記特異値行列Sを適用し、その結果から異常の有無を判定するステップと、前記計測値行列ytが異常であると判定された場合に、当該計測値行列ytに関連して求められる行列の対角成分に基づいて異常個所を特定するステップと、を実行させる。
1 異常検知装置
10 CPU
11 接続インタフェース
12 入出力機器
13 記録媒体
100 特異値分解処理部
101 異常判定部
102 異常個所特定部
2 加振システム
10 CPU
11 接続インタフェース
12 入出力機器
13 記録媒体
100 特異値分解処理部
101 異常判定部
102 異常個所特定部
2 加振システム
Claims (11)
- 複数のセンサを通じて取得される計測値を参照して対象物の異常を検知する異常検知装置であって、
評価対象とする任意の時間帯に取得された計測値行列ytに対して異常の有無を判定する異常判定部と、
前記計測値行列ytが異常であると判定された場合に、当該計測値行列ytに関連して求められる行列の対角成分に基づいて異常個所を特定する異常個所特定部と、
を備える異常検知装置。 - 正常とみなされる時間帯に取得された計測値からなる計測値行列y0の分散共分散行列を特異値分解し、特異ベクトルU、特異値行列Sを算出する特異値分解処理部をさらに備え、
前記異常判定部は、評価対象とする任意の時間帯に取得された計測値行列ytに対して前記特異ベクトルUおよび前記特異値行列Sを適用し、その結果から異常の有無を判定する
請求項1に記載の異常検知装置。 - 前記異常個所特定部は、
yt=X・y0で表される行列Xの対角成分に基づいて異常個所を特定する
請求項1または請求項2に記載の異常検知装置。 - 前記異常個所特定部は、
前記行列Xの対角成分のうちどの成分が1から離れた値となっているかを参照することで、異常が発生した可能性が高いセンサを特定する
請求項3に記載の異常検知装置。 - 前記異常個所特定部は、
前記計測値行列ytが異常であると判定される前に取得された複数の行列Xを参照して、異常個所を特定する
請求項3または請求項4に記載の異常検知装置。 - 前記異常個所特定部は、
前記計測値行列ytをρt=S−0.5・UT・yt(式A)に代入して得られる特異成分行列ρtから特異成分を所定の基準に基づいて選択し、当該選択した特異成分からなる特異成分行列ρt{j}を式Aに適用して得られる計測値行列(y^t)の共分散行列の対角成分に基づいて異常個所を特定する
請求項2に記載の異常検知装置。 - 前記異常個所特定部は、
特異成分行列ρtに含まれる特異成分のうち、当該特異成分の期待値が相対的に大きいものを選択する
請求項6に記載の異常検知装置。 - 前記異常個所特定部は、
特異成分行列ρtに含まれる特異成分のうち、特異値が相対的に小さいものを選択する
請求項6または請求項7に記載の異常検知装置。 - 前記異常個所特定部は、
前記計測値行列(y^t)のうち、値が相対的に大きい対角成分の箇所に応じて、異常が発生したセンサを推定する
請求項6から請求項8のいずれか一項に記載の異常検知装置。 - 複数のセンサを通じて取得される計測値を参照して対象物の異常を検知する異常検知方法であって、
評価対象とする任意の時間帯に取得された計測値行列ytに対して異常の有無を判定するステップと、
前記計測値行列ytが異常であると判定された場合に、当該計測値行列ytに関連して求められる行列の対角成分に基づいて異常個所を特定するステップと、
を有する異常検知方法。 - 複数のセンサを通じて取得される計測値を参照して対象物の異常を検知する異常検知装置に、
評価対象とする任意の時間帯に取得された計測値行列ytに対して異常の有無を判定するステップと、
前記計測値行列ytが異常であると判定された場合に、当該計測値行列ytに関連して求められる行列の対角成分に基づいて異常個所を特定するステップと、
を実行させるプログラム。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020020719A JP2021128364A (ja) | 2020-02-10 | 2020-02-10 | 異常検知装置、異常検知方法およびプログラム |
DE102021200575.6A DE102021200575A1 (de) | 2020-02-10 | 2021-01-22 | Anomalieerkennungsvorrichtung, Anomalieerkennungsverfahren und Programm |
CN202110092786.4A CN113252320A (zh) | 2020-02-10 | 2021-01-22 | 异常感测装置、异常感测方法及程序 |
US17/156,830 US11333580B2 (en) | 2020-02-10 | 2021-01-25 | Anomaly detecting device, anomaly detection method and program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020020719A JP2021128364A (ja) | 2020-02-10 | 2020-02-10 | 異常検知装置、異常検知方法およびプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2021128364A true JP2021128364A (ja) | 2021-09-02 |
Family
ID=76968797
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020020719A Withdrawn JP2021128364A (ja) | 2020-02-10 | 2020-02-10 | 異常検知装置、異常検知方法およびプログラム |
Country Status (4)
Country | Link |
---|---|
US (1) | US11333580B2 (ja) |
JP (1) | JP2021128364A (ja) |
CN (1) | CN113252320A (ja) |
DE (1) | DE102021200575A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114897109B (zh) * | 2022-07-14 | 2022-09-16 | 山东鑫亚装备制造有限公司 | 一种割草机异常监测预警方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS54123861A (en) * | 1978-03-17 | 1979-09-26 | Citizen Watch Co Ltd | Crystal oscillation circuit for electronic watch |
JP5101396B2 (ja) * | 2008-05-29 | 2012-12-19 | 三菱重工業株式会社 | 健全性診断方法及びプログラム並びに風車の健全性診断装置 |
JP6115607B2 (ja) * | 2015-09-24 | 2017-04-19 | 株式会社Ihi | 異常診断装置、異常診断方法及び異常診断プログラム |
CN108400972A (zh) * | 2018-01-30 | 2018-08-14 | 北京兰云科技有限公司 | 一种异常检测方法和装置 |
CN108897637B (zh) * | 2018-06-06 | 2019-10-29 | 深圳先进技术研究院 | 存储器中数据读取的错误纠正方法、装置、设备及介质 |
CN110243497A (zh) * | 2019-05-29 | 2019-09-17 | 北京暖云科技有限公司 | 一种基于主成分分析的传感器故障诊断方法及系统 |
-
2020
- 2020-02-10 JP JP2020020719A patent/JP2021128364A/ja not_active Withdrawn
-
2021
- 2021-01-22 DE DE102021200575.6A patent/DE102021200575A1/de active Pending
- 2021-01-22 CN CN202110092786.4A patent/CN113252320A/zh active Pending
- 2021-01-25 US US17/156,830 patent/US11333580B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
US20210247274A1 (en) | 2021-08-12 |
US11333580B2 (en) | 2022-05-17 |
DE102021200575A1 (de) | 2021-08-12 |
CN113252320A (zh) | 2021-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20150309855A1 (en) | Method and system for detecting symptoms and determining an optimal remedy pattern for a faulty device | |
JP6361175B2 (ja) | 異常診断装置及びプログラム | |
JP7040851B2 (ja) | 異常検知装置、異常検知方法及び異常検知プログラム | |
JP6183450B2 (ja) | システム分析装置、及び、システム分析方法 | |
US8831233B2 (en) | Monitoring apparatus and method | |
JP2019036285A (ja) | 健全性監視及び障害特徴識別の方法及びシステム | |
JP7470849B2 (ja) | 異常検出装置、異常検出方法、及びプログラム | |
JP2010216912A (ja) | 検出データ処理装置及びプログラム | |
JPWO2019168167A1 (ja) | 検証方法、検証装置、コンピュータプログラム、及び、検証システム | |
JP6729577B2 (ja) | 信号検知装置、信号検知方法およびプログラム | |
JP2017215765A (ja) | 異常検知装置、異常検知方法及び異常検知プログラム | |
Mohamad et al. | Gear fault detection using recurrence quantification analysis and support vector machine | |
CN109839900A (zh) | 数值控制装置 | |
JP2021128364A (ja) | 異常検知装置、異常検知方法およびプログラム | |
JP6989398B2 (ja) | 故障診断装置、故障診断方法、および故障診断プログラム | |
US10366015B2 (en) | Storage medium storing cache miss estimation program, cache miss estimation method, and information processing apparatus | |
JP7036209B2 (ja) | 診断装置、診断方法、及びプログラム | |
US20150256421A1 (en) | Information processing method and information processing apparatus | |
JP7433648B2 (ja) | 異常検出方法 | |
JP7350667B2 (ja) | 異常検出装置、回転機械、異常検出方法、及びプログラム | |
JP7359206B2 (ja) | 学習装置、学習方法、及びプログラム | |
JP7334457B2 (ja) | 異常検知システム、異常検知装置、異常検知方法およびプログラム | |
JP6880992B2 (ja) | 評価方法、評価装置および評価プログラム | |
JP2020067750A (ja) | 学習方法、装置及びプログラム、並びに設備の異常診断方法 | |
JP4894618B2 (ja) | 設計分析装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220914 |
|
A761 | Written withdrawal of application |
Free format text: JAPANESE INTERMEDIATE CODE: A761 Effective date: 20230602 |