JP2022061942A - 異常推定方法、異常推定装置、異常推定システム - Google Patents

Abstract

【課題】教師なし機械学習により装置の異常を推定可能な技術を提供することにある。【解決手段】ステップＳ１において、作動する装置に取り付けられたセンサが測定した第１測定データを取得し、第１測定データに基づく変分オートエンコーダを用いた機械学習により、センサから新たに取得された第２測定データの第１測定データからの乖離度を、装置の状態異常の指標となる異常スコアとして潜在空間の分布中心からの距離尺度に基づいて算出する推定モデルを生成し、ステップＳ２において、推定モデル生成後にセンサが測定した第２測定データを取得し、取得された第２測定データと推定モデルとに基づいて前記異常スコアを算出すると共に、当該算出において、潜在空間における次元に関し、次元毎の相関に起因する異常スコアの増大を抑制するための補正を行った。【選択図】図７

Description

本発明の実施形態は、装置の異常を推定する技術に関する。

従来、稼働中にあるモータ等の各種装置の異常を推定する技術として、当該装置に取り付けたセンサから得られる音や振動等の測定データを用いた機械学習により推定モデルを生成し、以降に取得される測定データから当該推定モデルにより異常を推定する手法がある。この手法は、測定データとして正常時のものと異常時のものとを用意し、これらを教師データとして用いた教師ありの機械学習によりニューラルネットワークを構築することで推定モデルを生成している。

特開２０１９－１４４６２３号公報

発明が解決しようとする課題は、教師なし機械学習により装置の異常を推定可能な技術を提供することにある。

上述した課題を解決するため、本発明の実施形態は、作動する装置に取り付けられたセンサが測定した第１測定データを取得し、前記第１測定データに基づく変分オートエンコーダを用いた機械学習により、前記センサから新たに取得された第２測定データの前記第１測定データからの乖離度を、前記装置の状態異常の指標となる異常スコアとして算出する推定モデルを生成し、前記推定モデル生成後に前記センサが測定した前記第２測定データを取得し、取得された前記第２測定データと前記推定モデルとに基づいて前記異常スコアを算出することを特徴とする。

第１の実施形態に係る異常推定システムの全体構成を示す概略図である。 第１の実施形態に係る測定装置のハードウェア構成を示すブロック図である。 第１の実施形態に係る学習装置のハードウェア構成を示すブロック図である。 第１の実施形態に係る測定装置の機能構成を示すブロック図である。 第１の実施形態に係る学習装置の機能構成を示すブロック図である。 第１の実施形態に係る推定モデルを構築するニューラルネットワークを示す概念図である。 第１の実施形態に係る異常推定方法を示すフローチャートである。 第１の実施形態に係る学習処理を示すフローチャートである。 第１の実施形態に係るスコア算出判定処理を示すフローチャートである。 実施例１に係るホワイトノイズを含む高調波の試験データを示す図である。 実施例１に係る試験データのピーク及びＲＭＳ（二乗平均平方根）を示す図である。 実施例１に係る試験データのクレストファクタ及びエンベロープ・クレストファクタを示す図である。 実施例１に係る試験データの異常スコアを示す図である。 実施例１に係る周波数を変化させた試験データのピーク及びＲＭＳを示す図である。 実施例１に係る周波数を変化させた試験データのクレストファクタ及びエンベロープ・クレストファクタを示す図である。 実施例１に係る周波数を変化させた試験データの異常スコアを示す図である。 実施例２に係る潜在空間を１次元として次元数補正値Ｄ_ｃｍｐｓを用いずに算出した異常スコアを示す図である。 実施例２に係る潜在空間を２次元として次元数補正値Ｄ_ｃｍｐｓを用いずに算出した異常スコアを示す図である。 実施例２に係る潜在空間を３次元として次元数補正値Ｄ_ｃｍｐｓを用いずに算出した異常スコアを示す図である。 実施例２に係る潜在空間を１次元として次元数補正値Ｄ_ｃｍｐｓを用いて算出した異常スコアを示す図である。 実施例２に係る潜在空間を２次元として次元数補正値Ｄ_ｃｍｐｓを用いて算出した異常スコアを示す図である。 実施例２に係る潜在空間を３次元として次元数補正値Ｄ_ｃｍｐｓを用いて算出した異常スコアを示す図である。 第１の実施形態の変形例１に係る異常推定システムの全体構成を示す概略図である。 第１の実施形態の変形例２に係る異常推定システムの全体構成を示す概略図である。 第２の実施形態に係る潜在変数の分布の偏りを説明するための図である。 第２の実施形態に係る潜在変数の分布における中央値ｍ_ｉを説明するための図である。 実施例３に係る潜在変数の分布の偏りが生じる状況における試験データに対して、偏り補正を適用せずに算出した異常スコアを示す図である。 実施例３に係る潜在変数の分布の偏りが生じる状況における試験データに対して、偏り補正を適用して算出した異常スコアを示す図である。 第３の実施形態に係る次元数算出処理を示すフローチャートである。 実施例４に係る潜在空間の次元数を２次元～２０次元とした場合の各Ｄ／Ｄ_ｃｏｒｒの値をそれぞれ示す図である。 実施例４に係る潜在空間の次元数を２次元～７次元とした場合のそれぞれの試験データの異常スコアを示す図である。

以下、本発明の実施形態について図面を参照しつつ説明する。なお、本明細書及び図面において、実質的に同一の機能を有する構成要素については、同一の符号を付することにより重複説明を省略する。

＜第１の実施形態＞
（全体構成）
本実施形態に係る異常推定システムの全体構成について説明する。図１は、本実施形態に係る異常推定システムの全体構成を示す概略図である。

本実施形態に係る異常推定システム１は、装置異常の推定対象をモータＭとし、当該モータＭの振動をセンサにより測定し、教師なし機械学習により生成された推定モデル（ＡＩモデル）に測定データを入力することでモータＭの装置異常を推定するものである。図１に示されるように、異常推定システム１は、測定装置１０と、学習装置２０と、ゲートウェイ３０とを備える。

測定装置１０は、後述するセンサ１６（図２参照）を有し、モータＭに取り付けられてセンサ１６によりモータＭ作動時における振動を測定し、測定結果である測定データから、推定モデルを生成するための学習データを生成する。また、測定装置１０は、測定データに基づく異常スコアの算出を行う。異常スコアは、モータＭの故障等の装置異常を推定するための指標となるものであり、推定モデルを用いて算出される。測定装置１０は、ゲートウェイ３０を介して無線通信可能に学習装置２０に接続されており、学習データや異常スコア等を学習装置２０に送信する。以上に説明した推定モデルや異常スコアについての詳細は後述する。

学習装置２０は、ゲートウェイ３０を介して測定装置１０から取得した学習データに基づく機械学習により推定モデルを生成し、測定装置１０へ送信する。また、学習装置２０は、測定装置１０から送信される異常スコア等を取得し、異常スコアに基づく異常有無の判定等を行う、

（ハードウェア構成）
測定装置１０及び学習装置２０のハードウェア構成について説明する。先ず、測定装置１０のハードウェア構成について図２を参照して説明する。図２は測定装置のハードウェア構成を示すブロック図である。

図２に示されるように測定装置１０は、ハードウェアとして、ＣＰＵ（Central Processing Unit）１１、ＲＡＭ（Random Access Memory）１２、記憶装置１３、電池１４、無線通信Ｉ／Ｆ（Interface）１５、センサ１６、入力Ｉ／Ｆ１７を備える。

ＣＰＵ１１及びＲＡＭ１２は協働して後述する各種機能を実行し、記憶装置１３は各種機能により実行される処理に用いられる各種データを記憶する。ここで記憶するデータとしては、推定モデルやそのパラメータが挙げられる。電池１４は、測定装置１０を駆動する電力を供給する。無線通信Ｉ／Ｆ１５は、ゲートウェイ３０を介した学習装置２０との無線通信接続を行う。センサ１６は、モータＭの振動を測定可能な加速度センサ等の所謂振動センサである。入力Ｉ／Ｆ１７は、センサ１６により測定された測定データの入力等を行う。

本実施形態において測定装置１０は、組み込まれた電池１４により駆動するものであるため、電力消費を極力抑えることで長時間の稼働を実現することが好ましい。そのため、無線通信Ｉ／Ｆ１５によりなされるゲートウェイ３０を介した学習装置２０との間の無線通信には、低電力での無線通信が可能な通信技術を用いるとよい。そのような通信技術としてはＢＬＥ（Bluetooth Low Energy：Bluetoothは登録商標）やＬＰＷＡ（Low Power Wide Area）が挙げられる。特に、ＢＬＥと比較して広範囲な通信が可能なＬＰＷＡは、学習装置２０を測定装置１０近傍に配置する必要が無いため、より好ましい。

次に、学習装置２０のハードウェア構成について図３を参照して説明する。図３は学習装置のハードウェア構成を示すブロック図である。

図３に示されるように学習装置２０は、ハードウェアとして、ＣＰＵ（Central Processing Unit）２１、ＲＡＭ（Random Access Memory）２２、記憶装置２３、供給部２４、無線通信Ｉ／Ｆ（Interface）２５、ディスプレイ２６、入出力Ｉ／Ｆ２７を備える。

ＣＰＵ２１及びＲＡＭ２２は協働して後述する各種機能を実行し、記憶装置２３は各種機能により実行される処理に用いられる各種データを記憶する。ここで記憶するデータとしては、推定モデルやそのパラメータが挙げられる。供給部２４は、インバータ等を有して図示しない商用電源に接続され、学習装置２０に対して商用電源からの電力を供給する。無線通信Ｉ／Ｆ１５は、ゲートウェイ３０を介した測定装置１０との無線通信接続を行う。ディスプレイ２６は、後に詳述する推定モデルにより復元された測定データの表示等を行う。入出力Ｉ／Ｆ２７は、ディスプレイ２６や、不図示のマウスやキーボード等の入力装置、プリンター等の出力装置等の外部装置とのデータの入出力を行う。

（機能構成）
測定装置１０及び学習装置２０の機能構成について説明する。先ず、測定装置１０の機能構成について図４を参照して説明する。図４は、測定装置の機能構成を示すブロック図である。

図４に示されるように測定装置１０は、測定部１０１と、変換部１０２と、送受信部１０３と、算出部１０４、判定部１０５とを機能として備える。測定部１０１は、センサ１６によりモータＭの振動を一定周期で測定し、その測定データを取得する。ここで取得される測定データは、振動の時間波形となっている。変換部１０２は、測定データを機械学習用の学習データとするため、または推定モデルに入力する入力データとするため、ＦＦＴ（Fast Fourier Transform）等により振動の時間波形である測定データを周波数（振幅）スペクトルに変換する。

送受信部１０３は、生成された学習データ、推定モデルにより出力される潜在変数、及び異常スコア等の学習装置２０への送信や、当該学習装置２０からの推定モデル及びそのパラメータの受信等を行う。算出部１０４は、入力データと推定モデルとにより異常スコアの算出を行う。判定部１０５は、測定装置１０が実行する処理における各種判定を行う。

次に、学習装置２０の機能構成について図５を参照して説明する。図５は、学習装置の機能構成を示すブロック図である。

図５に示されるように学習装置２０は、送受信部２０１と、学習部２０２と、判定部２０３と、提示部２０４とを機能として備える。送受信部２０１は、測定装置１０からの学習データや異常スコア等の受信、生成した推定モデル及びそのパラメータの測定装置１０への送信等を行う。

学習部２０２は、学習データに基づく機械学習を行い、推定モデルを生成する。判定部２０３は、測定装置１０から取得する異常スコアに基づいて、モータＭが故障等の装置異常状態にあるか否かを判定する等、学習装置２０が実行する処理における各種判定を行う。提示部２０４は、学習装置２０のユーザに対して異常スコアの判定結果や推定モデルにより復元された入力データをディスプレイ２６等に表示し、その判断を仰ぐ。

（推定モデル）
本実施形態に係る推定モデルについて詳細に説明する。図６は、本実施形態に係る推定モデルを構築するニューラルネットワークを示す概念図である。図６に示されるように本実施形態に係る推定モデルは、ニューラルネットワーク４０として構築される学習器であるエンコーダ４１及びデコーダ４２を有する変分オートエンコーダ（Variational Autoencoder：以後ＶＡＥとも称する）法を用いて生成されるものである。ＶＡＥは、教師なしのＡＩ学習モデルであり、エンコーダ４１により多次元の入力データを少ない次元数の潜在空間に写像するようにデータ圧縮（符号化）を行い、当該データ圧縮を適切なものとするために、デコーダ４２により圧縮されたデータを二乗誤差などの損失関数を最小にして元の多次元のデータ、即ち入力データに復元するものである。

本実施形態に係るニューラルネットワーク４０は、エンコーダ４１が入力層４１１、中間層４１２を有し、デコーダ４２が出力層４２１、中間層４２２を有して構築されており、各層にノード４３ａ～４３ｄが含まれている。入力層４１１、中間層４１２、出力層４２１、及び中間層４２２の次元は、異常推定対象となる装置の種類や測定データの属性に応じて適宜設定すればよいが、本実施形態においては入力層４１１及び出力層４２１を５１２次元としている。中間層４１２，４２２の次元は単位数が少ないほど計算時間が短く、メモリの使用量も少ない。そのため、十分な表現力を示す範囲内で最小の数値を使用することが望ましく、安定した範囲内で十分な余裕を示すことができる１６次元とすることが好ましい。

潜在空間の次元数は、入力データの独立成分の数に合わせて調整するのが望ましいが、あまりに大きくなると処理時間が長くなりメモリの使用量も多くなる。一方、最小の１次元では変化が検出できない可能性があるが、２次元以上では異常スコアとほぼ同じ時間的変化が得られるため、少なくとも２次元以上であることが好ましく、さらに正確な異常の推定が行える次元数のうちの最小値であることがより好ましい。したがって、本実施形態では、デコーダ４２によれば２次元の潜在変数ｚ_１，ｚ_２で５１２点のスペクトラムを表現できる。

変分オートエンコーダでは、損失関数が最小となるように各層に含まれるノード４３ａ～４３ｄ間の経路（シナプス）の重みや、バイアス等のパラメータを学習することとなる。この時、損失関数に、入出力間の再構成誤差に加えて、潜在変数の分布がどれだけ標準正規分布に似ているかの項として、ＫＬ（Kullback Leibler）発散項を加えることで、潜在空間内の各潜在変数の分布が標準的な多次元の正規分布となるように学習される。したがって、モータＭのテスト時や初期作動時等にセンサ１６により取得された測定データ、即ち故障時のデータではないと想定される正規データを学習データとして用いてＶＡＥを十分に学習（訓練）することにより、潜在空間の分布は標準正規分布に近くなる。そのため、学習期間終了後に取得される、モータＭ異常時を含む可能性のある測定データの、潜在空間分布の位置を多次元偏差で推論することができる。つまりモータＭの故障時における測定データは、故障ではないデータの潜在空間分布から大きく乖離することが予想されるため、潜在変数の潜在空間分布中心からの偏差で装置異常の度合いを評価することができる。この度合い、即ち正規データである学習データからの乖離度が異常スコアとなる。

その際、変分オートエンコーダでは、図６に示されるように、中間層４１２からの出力として、２組の中間変数μ及びσが生成され、それぞれの中間変数σと標準正規分布からランダムに選択したエポックごとに違う値である変数ε～Ｎ（０，Ｉ）との積に中間変数μが加算されることにより、潜在変数ｚ_１，ｚ_２が算出される。ここでの中間変数μ，σは、測定データの潜在空間内の確率的な位置の平均、分散を示す。このように、変分オートエンコーダでは、推論時における測定データの潜在空間内の確率的な位置の平均μと分散σが算出されるため、以下、異常スコアの算出においては、平均値μを潜在変数の値として用いる（参考非特許文献１）。

（参考非特許文献１：Diederik P Kingma and Max Welling, “Auto-Encoding Variational Bayes”, International Conference on Learning Representations, 2014.）

（異常スコア）
異常スコアについて詳細に説明する。各潜行次元に対応する入力データのパターン、つまり各潜在変数を決めるスペクトルである各基底関数間に相関がなければ、異常スコアはユークリッド距離（Ｄ_ｃｍｐｓ＝１）として算出できる。しかしながら、一部または全部に相関がある場合、ユークリッド距離の計算では、次元毎に重複して算出されることとなり、結果過大に評価される。本実施形態において異常スコアは、標準偏差を１とすると、潜在空間分布中心からの距離（偏差）として算出されるが、次元数補正値を用いて下記（１）式のように算出することにより、重複による過大評価を平均的に補正するようにしている。

この（１）式においてＶＤは異常スコア、Ｄ_ｃｍｐｓは次元数補正値、Ｄは潜在空間の次元数、ｘ_ｉは各潜在変数の値、ｘ_ｉ ^－は正規分布での潜在変数の平均、σ_ｉは潜在変数の標準偏差である。なお、基底関数に相関関係がある場合は、その次元数に比例してＶＤの平方根の和の部分が大きくなることとなる。

次元数補正値の算出方法について説明する。２次元としての次元ｉ，次元ｊに対応する基底関数をｆ_ｉ，ｆ_ｊとすると、基底関数間の相互相関関数の値（遅延０の値）Ｒ（ｆ_ｉ,ｆ_ｊ）は下記（２）式となる。

この（２）式においてＮは、周波数スペクトルに変換された入力データの周波数成分（入力シーケンス）の数であり、したがって本実施形態においては５１２となる。なお、ここでは基底関数の平均が０、分散が１に正規化されている。

各基底関数のいずれかに一致する周波数成分は、この相互相関関数によって全次元に影響を与えることとなる。その結果、潜在空間をＤ次元とすると、下記（３）式に示される合計値Ｄ_ｃｍｐｓの影響が（１）式の平方根の和の部分に現れることとなる。

この合計値Ｄ_ｃｍｐｓの影響を補正するため、本実施形態においては異常スコアを計算する際、合計値Ｄ_ｃｍｐｓを次元数補正値と称し、当該次元数補正値で平方根の和の部分を除している。これにより、上述した重複による過大評価を平均的に補正することができる。なお、Ｄ_ｃｍｐｓは全ての基底関数が分布上で直交する場合、即ち相関がない場合は１となり、全ての基底関数に相関がある、即ち同一である場合はＤと等しくなる。

本実施形態においては、以上に説明した上述した（１）～（３）式が推定モデルに組み込まれており、したがって入力データを推定モデル、具体的にはエンコーダ４１に入力することにより、５１２次元の入力データ（パターン）よりも低次元である２次元の潜在変数と共に、異常スコアが出力されることとなる。

次に、ハイパーパラメータ設定を含むＶＡＥ（推定モデル）の設定について説明する。学習データを含むＶＡＥへの入力データにはノイズが多い場合が想定される。そのため、前処理として入力データを平均化、即ち平均化された周波数スペクトルを入力することが好ましい。ＶＡＥの損失関数は非線形であり、ＶＡＥへの入力データは最適な範囲を持っている。そこで入力データ全体を標準正規分布に変換するようにするとよい。なお、入力データのダイナミックレンジが大きい場合には、スペクトルに対して対数圧縮などの非線形圧縮を行った後、標準正規分布への変換処理を行うことが望ましい場合がある。また、入力に対して直線的に変化する異常スコアを得ることが好ましく、そのためには各ノード４３ａ～４３ｄには活性化関数を全て線形に設定することよい。これによりＶＡＥ潜在空間の分布は、平均が０、分散が１に近づく。

ＶＡＥの学習回数（エポック数）は、十分に収束する値であればよいが、実際の収束状態（損失変化）を確認すると、十分に収束する値としては１０００回程度とすることが好ましい。バッチサイズは数が少ないほど学習時間は短くなるが、エポック数を大きくすると結果が大きく変動し、安定した結果が得られない可能性がある。そのため、バッチサイズは１とすることが好ましい。

（異常推定方法）
本実施形態に係る異常推定システム１において実行される異常推定方法について説明する。図７は本実施形態に係る異常推定方法を示すフローチャートである。図７に示されるように、異常推定方法は、主としてＶＡＥを用いた機械学習により推定モデルを生成する学習処理Ｓ１が行われ、その後に推定モデルを用いて測定データからモータＭの異常スコアを算出し、これを判定するスコア算出判定処理Ｓ２が行われる。以下、学習処理とスコア算出判定処理とについて説明する。

（学習処理）
学習処理について図８を参照して詳細に説明する。図８は、学習処理を示すフローチャートである。なお、学習処理は測定装置１０及び学習装置２０が協働して実行する処理であり、これはスコア算出判定処理においても同様である。

図８に示されるように、先ず測定装置１０の測定部１０１は、センサ１６によりモータＭの振動を測定し、測定データを取得する（Ｓ１０１）。ここで取得される測定データは、一定のサンプリング周波数（例えば２０ｋＨｚ）で一定の間隔（例えば１０分）で取得される。測定データ取得後、変換部１０２は、取得した測定データの時間波形を変換し、周波数スペクトルとすることにより、推定モデルの学習に用いる入力データである学習データを生成する（Ｓ１０２）。

学習データ生成後、判定部１０４は、学習データ数が予め設定された設定数に達したか否かを判定する（Ｓ１０３）。設定数は、推定モデル生成に十分な学習データの数、例えば数十個などに設定される。

学習データ数が設定数に達したと判定された場合（Ｓ１０３，ＹＥＳ）、送受信部１０３は、学習データを学習装置２０へ送信し（Ｓ１０４）、測定装置１０は推定モデルを推定装置２０から取得するまで待機することとなる（Ｓ１０５）。なお、学習データ数が設定数に達する前に、例えば設定数の１／３収集された段階で学習装置２０へ送信するなど、複数に分割して収集された学習データを送信するようにしてもよい。一方、学習データ数が設定数に達していないと判定された場合（Ｓ１０３，ＮＯ）、ステップＳ１０１へ移行して、次の測定データの取得がなされる。

学習データ送信後、学習装置２０の送受信部２０１は、測定装置１０から学習データを受信し（Ｓ２０１）、学習部２０２は設定したエポック数、バッチサイズに基づいて学習データをＶＡＥに入力して訓練することにより、適切なパラメータの学習を行う（Ｓ２０２）。本実施形態においてはエポック数を１０００、バッチサイズを１とするため、例えば学習データが５０個であるとすると、１つの学習データ毎に１０００回の学習がなされることから、計５０，０００回の学習がなされることとなる。

学習後、損失関数が十分に収束するパラメータを学習した推定モデルが生成されることとなり（Ｓ２０３）、当該推定モデルが記憶装置２３に格納される。推定モデル生成後、送受信部２０１は生成した推定モデル、より具体的には用いた変分オートエンコーダのモデルの構成と、学習したパラメータとを測定装置１０へ送信する（Ｓ２０４）。

推定モデル送信後、測定装置１０の送受信部１０３は、推定モデルを取得し（Ｓ１０６）、これを記憶装置１３へ格納して本フローは終了となる。なお、ステップＳ２０４にて送信する推定モデルとして変分オートエンコーダのモデルの構成と、学習したパラメータとを測定装置１０へ送信すると説明したが、これはモデル構成とパラメータとから推定モデルを構築可能なプログラムを測定装置１０が有する場合である。一方、そのようなプログラムを有していない場合は、モデル構成やパラメータを含む推定モデル自体のプログラムをコピーし、これを送信する推定モデルとして測定装置１０へ送信するようにしてもよい。

（スコア算出判定処理）
スコア算出判定処理について、図９を参照して詳細に説明する。図９は、スコア算出判定処理を示すフローチャートである。図９に示されるように、先ず測定装置１０の測定部１０１は、センサ１６によりモータＭの振動を測定し、測定データを取得する（Ｓ３０１）。測定データ取得後、変換部１０２は学習データと同様に当該測定データの時間波形を変換し、周波数スペクトルとすることにより、入力データを生成する（Ｓ３０２）。

入力データ生成後、算出部１０４は、記憶装置１３に格納されているモデル情報に含まれる推定モデル及びパラメータを読み出し、これらに基づいて入力データを推定モデルに入力し、異常スコア及び潜在変数を算出する（Ｓ３０３）。異常スコア及び潜在変数算出後、送受信部１０３は、異常スコア及び潜在変数を異常推定情報として学習装置２０へ送信し（Ｓ３０４）、ステップＳ３０１へ移行して次周期の測定データを取得する。

異常推定情報送信後、学習装置２０の送受信部２０１は、異常推定情報を受信し（Ｓ４０１）、判定部２０３は取得された異常推定情報に含まれる異常スコアが、予め設定された閾値以上であるか否かを判定する（Ｓ４０２）。ここでの閾値は、異常スコアが装置異常を示すものであるのか否かを判定するための値であり、装置種類や測定データの属性（振動や音等）に応じてユーザが適宜設定すればよい。

異常スコアが閾値以上であると判定された場合（Ｓ４０２，ＹＥＳ）、提示部４０３がディスプレイ１５等に表示する等して装置異常の可能性があることをユーザに報知し（Ｓ４０３）、報知後にはステップＳ４０１へ移行して次の異常推定情報を取得するまで待機することとなる。ここでのユーザへの報知としては、例えば測定装置１０が有する推定モデルのコピー元、即ちオリジナルの推定モデルにおけるデコーダ４２に異常推定情報に含まれる潜在変数を入力することにより入力データを復元し、その周波数スペクトルをディスプレイ２６に表示することが挙げられる。なお、ステップＳ４０２の処理を省き、異常推定情報を取得する度に、ユーザに報知するようにしてもよい。

一方、異常スコアが閾値以上でないと判定された場合（Ｓ４０２，ＮＯ）、装置異常が生じていないとしてステップＳ４０１へ移行し、次の異常推定情報を取得するまで待機する。

以下、本実施形態に係る異常推定システムを用いて異常スコアの有効性を確認した実施例１と、次元数補正の有効性を確認した実施例２とを説明する。なお、各実施例では、異常推定対象をモータＭではなく、ベアリングとしている。また、ハイパーパラメータは上述した値を用いている。

（実施例１）
異常スコアの評価には、用意したデータの先頭部分を、学習データ、試験データの各８０％のデータとし、推定モデルの学習を行い、各データのシーケンス全体を推定モデルにおけるエンコーダ４１に入力して異常スコアの変化を求めた。

図１０は、本実施例に係るホワイトノイズを含む高調波の試験データを示す図である。図１１は、本実施例に係る試験データのピーク及びＲＭＳ（二乗平均平方根）を示す図である。図１２は、本実施例に係る試験データのクレストファクタ及びエンベロープ・クレストファクタを示す図である。図１３は、本実施例に係る試験データの異常スコアを示す図である。図１４は、本実施例に係る周波数を変化させた試験データのピーク及びＲＭＳを示す図である。図１５は、本実施例に係る周波数を変化させた試験データのクレストファクタ及びエンベロープ・クレストファクタを示す図である。図１６は、本実施例に係る周波数を変化させた試験データの異常スコアを示す図である。なお、図１０において（ａ）～（ｃ）はそれぞれ振幅が１倍、１．５倍、２倍に増大された試験データである。また、図１１、図１４に示される符号Ｐはピーク、符号ＲはＲＭＳを示しており、図１２、図１５に示される符号Ｃはクレストファクタ、符号Ｅはエンベロープ・クレストファクタを示している。

図１０に示されるように本実施例においては、１２５Ｈｚを基本音とする３つの倍音周波数成分からなる振動信号に１０％の振幅摂動とホワイトノイズを加えた単純な信号に適用した。３つの倍音とノイズの振幅比は４：６：２：１とした。

この試験データ（試験信号）におけるスペクトルの時間信号は、図１１に示されるように、振幅が１倍、１．５倍、２倍となるのに比例してピークとＲＭＳとが増加した。これは、図１２に示されるように、ＲＭＳが一定のノイズの影響でピークとは無関係に増加しているためである。なお、図１２に示されるエンベロープ波形のクレストファクタは、時間波形のエンベロープを作成して計算したクレストファクタである。試験データの最初の１／３周期、即ち振幅が１倍のものを学習データとして推定モデルに学習させた。その結果図１３に示されるように、２番目の１／３周期と最後の１／３周期は、同量（０．５倍の振幅増加に相当）の上昇を示した。

さらに別の試験データとして、上記の試験データの基本音を１２５Ｈｚ、１３１．２５Ｈｚ、１３７．５Ｈｚと５％ずつ上げたものを用意した。その結果、図１４及び図１５に示されるように、ピーク、ＲＭＳ、クレストファクタ、エンベロープ・クレストファクタは略変化しなかった。しかしながら図１６に示されるように、周波数変化の差には比例しないものの、異常スコアは大きな段階的な変化を示した。これらのことから、本実施形態に係る異常スコアは、測定データを線形に反映し、有効性があることがわかった。

（実施例２）
同一条件での試験データを用い、一方は次元数補正値Ｄ_ｃｍｐｓを用いずに異常スコアを算出し、他方は次元数補正値Ｄ_ｃｍｐｓを用いて異常スコアを算出した。図１７～図１９は、それぞれ潜在空間を１次元、２次元、３次元として次元数補正値Ｄ_ｃｍｐｓを用いずに算出した異常スコアを示す図であり、図２０～図２２は、それぞれ潜在空間を１次元、２次元、３次元として次元数補正値Ｄ_ｃｍｐｓを用いて算出した異常スコアを示す図である。

図１７～図１９に示されるように、次元数補正値Ｄ_ｃｍｐｓを用いずに算出した異常スコアの時間変化は、次元数が大きくなるにつれ、異常スコアの値が大きくなったことが縦軸に着目するとわかる。一方、次元数補正値Ｄ_ｃｍｐｓを用いて算出した異常スコアは、図２０～図２２に示されるように、多少の変動はあるものの、略同程度の値になった。特に、モータＭが正常状態に相当する左側部分の値が１付近になっている。このことにより、異常スコアの定量性が期待でき、有用なものであることがわかる。

以上に説明した本実施形態によれば、測定データからＶＡＥを用いた推定モデルを生成し、異常スコアを算出することができるため、異常時のデータを用意することなく装置の異常を推定することができる。また、異常スコアは、次元数補正値Ｄ_ｃｍｐｓを用いて算出するため、極めて確度の高い装置異常の推定を行うことができる。測定データは、装置のテストまたは初期動作中の正規データであることから、リアルタイムでの装置異常の推定が可能となる。

また、推定モデルはＶＡＥを用いたものであるため、出力される潜在変数は入力データよりも低次元なものとなる。測定装置１０は、測定データを自己の記憶装置１３に格納された推定モデルに入力することで異常スコア及び潜在変数を出力することができ、これら異常スコア及び低次元な潜在変数は、測定データと比較すると容量が極めて低い。そのため、異常スコア及び潜在変数を送信せずに膨大な測定データを学習装置２０に送信し続ける場合と比較して、送信時間の低減、延いては消費電力の低減を実現できる。特に、ＬＰＷＡを用いた無線通信を用いた場合ではこの効果は顕著であり、例えばＬＰＷＡを用いて測定データを学習装置２０へ送信し続ける形態であると電池１４の消費は著しく、早期の電池交換が必要となってしまう。消費電力の低減を実現できることから、測定装置１０は商用電源に接続することなく小型の電池１４で長期稼動させることができる。また、一方、ＬＰＷＡを用いて測定データを学習装置２０へ送信し続ける形態とするならば、測定装置１０と学習装置２０とを有線接続すれば電池交換等することはないが、その配線工事が必要となりコストの増加、配線工事による周囲の作業等の影響が生じる。しかしながら、本実施形態によれば無線通信で且つ小型の電池１４での長期稼動させることができるため、このような問題が生じることはない。

また、測定装置１０は推定モデルを自身で生成するのではなく、学習装置２０から受信する形で獲得するため、高い装置性能を有する必要がなく低コスト化を実現できる。

なお、本実施形態においては、異常推定システム１が測定装置１０と学習装置２０とを備えると説明したが、これに限定するものではない。例えば学習装置２０の機能（送受信部２０１、学習部２０２、判定部２０３）をゲートウェイ３０に移し、図９のステップＳ４０３におけるユーザへの異常報知をゲートウェイ３０に通信可能に接続されたユーザのＰＣといった情報処理装置へ行うようにしてもよい。また、算出された異常スコア及び潜在変数は、必ずしも学習装置２０のみへ送信するものではなく、例えば上述したユーザの情報処理装置が、同一の推定モデル及びパラメータを有するのであれば、この情報処理装置へ送信することで少なくとも入力データの復元は可能となる。

その他、例えば図２３に示されるように、学習装置２０を、インターネットやイントラネット等のネットワークを介してゲートウェイ３０と通信可能に接続されたサーバ２０Ａとして構築してもよい。また、図２４に示されるように、学習装置２０をゲートウェイ３０と通信可能に接続されたクラウドコンピューティング２０Ｂにより構築してもよい。

また、本実施形態においては測定装置１０が電池１４を備えると説明したが、これに限定するものではなく、光や振動、熱等により発電する所謂エネルギーハーベスト技術を組み込んで測定装置１０を駆動するようにしてもよい。

また、本実施形態においては、測定装置１０がモータＭに取り付けられているとしたが、これに限定されるものではなく、ポンプやベアリング等の作動することによりセンサで測定データを取得可能な装置であればどのようなものであっても異常推定対象とすることができる。測定データの属性においても、振動のみならず超音波、音、電流、電圧、圧力、流量等の物理量を対象とすることができ、これらのうち２つ以上を測定データとして取得したとしても異常スコア、潜在変数を良好に取得することができる。さらに、入力データは周波数スペクトルに変換することに限定するものではなく、ＶＡＥにおいて学習可能なデータであればどのようなデータ形式に変換してもよい。

＜第２の実施形態＞
モータＭが、インバータ制御モータのように運転条件が時々刻々変化するような回転機器である場合や、学習期間中に運転条件が変化するような状況である場合、得られる測定データも変化するため、学習データに潜在変数の値の分布（潜在空間分布）に偏りが生じる可能性がある。偏りが生じたとしても、変化する測定データはいずれも正常であるため、正常と学習する必要があり、したがって異常スコアは学習期間を通して偏りのない分布をしていて一定であることが望ましい。しかしながら、このような偏りが生じる場合には、学習期間において算出される異常スコアが一定でなくなり、上述したスコア算出判定処理における異常スコアの判定処理に影響を及ぼす可能性がある。本実施形態においては、潜在変数の分布の偏りを補正可能な異常推定システムについて説明する。

本実施形態に係る異常推定システムでは、第１の実施形態に係る図９に示されるステップＳ３０３の異常スコアの算出において、上記（１）式に代わり、下記（４）式を用いることにより潜在変数の分布の偏りを補正する。

この（４）式は、（１）式と比較すると、正規分布での潜在変数の平均ｘ_ｉ ^－に代わり、正規分布での潜在変数の中央値ｍ_ｉ ^－が代入され、潜在変数の標準偏差σ_ｉに代わり、正規分布での潜在変数の中央値に対する標準偏差ｓ_ｉが代入されている。即ち潜在変数の平均値に代わり中央値が用いられている。

図２５は、本実施形態に係る潜在変数の分布の偏りを説明するための図であり、図２６は、本実施形態に係る潜在変数の分布における中央値ｍ_ｉを説明するための図である。図２５及び図２６における縦軸ｘ_１、横軸ｘ_０はそれぞれ２次元における潜在変数の値を示している。図２５に示されるように、潜在変数の集合であるクラスタが、クラスタＣＬ１とクラスタＣＬ２とに分かれる状況となると、（ｘ_１ ^－,ｘ_０ ^－）の位置にある分布の平均点ｘ_ａｖ（平均値ｘ_ｉ ^－）は、クラスタＣ１に近接し、クラスタＣ２から離間することとなり、偏りが生じる。一方、分布の中央点ｘ_ｍｉは、クラスタＣ１，Ｃ２の略中央に位置することとなるため、偏りが低減される。このことから、平均点であると偏りが生じるものの、中央点であれば、その偏りが低減されることがわかる。したがって、本実施形態においては、潜在変数の平均値に代わり中央値を用いて潜在変数の分布の偏りを補正するようにしている。

本実施形態においては分布範囲の中央点ｘ_ｍｉを中央値ｍ_ｉとして算出する。具体的には、図２６に示されるように、潜在変数ｘ_１における最大値ｘ_１ｍａｘ、最小値ｘ_１ｍｉｎの中央の値ｍ_１と、潜在変数ｘ_０における最大値ｘ_０ｍａｘ、最小値ｘ_０ｍｉｎの中央の値ｍ_１とにより分布範囲の中央（近似）を求め、これを中央値ｍ_ｉとする。なお、ここでは潜在変数の値ｘ_１，ｘ_０の最大値、最小値としているが、クラスタから突出した変数があることを考慮し、２番目の最大値、最小値とするようにしてもよい。

以上に説明した本実施形態によれば、算出部１０４が異常スコアの算出の際、（４）式を用いることにより、潜在変数の分布の偏りが生じたとしてもこれを補正でき、異常スコアを略一定に保つことができるため、異常スコアの判定処理への影響を低減することが可能となる。

（実施例３）
本実施形態に係る異常推定システムを用いて、潜在変数の分布の偏りの補正（以後、偏り補正と称する）の有効性を確認した。なお、本実施例では、ハイパーパラメータ等、各種条件は上述した実施例１，２と同様としている。

図２７は、本実施例に係る潜在変数の分布の偏りが生じる状況における試験データに対して、偏り補正を適用せず、即ち（１）式を用いて算出した異常スコアを示す図であり、図２８は、本実施例に係る潜在変数の分布の偏りが生じる状況における試験データに対して、偏り補正を適用し、即ち（４）式を用いて算出した異常スコアを示す図である。図２７に示されるように、（１）式を用いて異常スコアを算出する場合、学習期間ＬＰにおいては３段の変動が生じていることがわかる。一方、図２８に示されるように、（４）式を用いて異常スコアを算出する場合、学習期間ＬＰにおいては変動が略１段となっており、偏り補正が極めて有用なものであることがわかった。

＜第３の実施形態＞
第１の実施形態では、潜在空間の次元数は２次元が好ましいと説明したが、本実施形態においては、最適な潜在空間の次元数を推定し、より的確な装置異常の推定を実現可能な異常推定システムについて説明する。

本実施形態では、ＶＡＥの学習結果、即ち生成された推定モデルに基づいて最適な潜在空間の次元数である最適次元数を推定する。学習対象の情報である測定データの持つ次元数より潜在空間の次元数が小さい場合は、潜在空間での各軸に対する分布が独立に近いと予想されるが、潜在空間の次元数が十分に大きくなると、分布の相関が高くなる。この潜在空間の分布における相関関係の度合いを本実施形態ではＰｅａｒｓｏｎの標本相関係数ｒ_ｉ，ｊにより評価する。標本相関係数ｒ_ｉ，ｊは下記（５）式により算出することができる。

（５）式において、ｘ_ｉ（ｍ）は分布上の各サンプルのｘ_ｉ軸での値、ｘ_ｉ ^－はその平均値、ｘ_ｊ（ｍ）は分布上の各サンプルのｘ_ｊ軸での値、ｘ_ｊ ^－はその平均値、Ｍはサンプル数を示す。この標本相関係数ｒ_ｉ，ｊを用い、各次元について標本相関係数ｒ_ｉ，ｊの冗長度が何倍になっているかを示す次元数指標Ｄ_ｃｏｒｒを、下記（６）式または（７）式により算出することができ、この次元数指標Ｄ_ｃｏｒｒに基づくことで最適次元数を推定することが可能となる。

以下、最適次元数を推定する次元数推定処理について説明する。図２９は、本実施形態に係る次元数算出処理を示すフローチャートである。この処理は、図８に示されるステップＳ２０３の推定モデル生成の処理時に実行されるものである。先ず、学習部２０２は、上記（５）式により標本相関係数ｒ_ｉ，ｊを算出し（Ｓ５０１）、算出された標本相関係数ｒ_ｉ，ｊを用いて上記（６）式または（７）式により次元数指標Ｄ_ｃｏｒｒを算出する（Ｓ５０２）。

この次元数指標Ｄ_ｃｏｒｒを算出において、次元数Ｄは所定の次元数範囲を対象とし、その数値範囲の分だけＤ_ｃｏｒｒの値が算出される。ここでの次元数範囲は、後述するＤ／Ｄ_ｃｏｒｒの値の最大値を選定するのに十分であり且つ次元数の増大による処理時間の増加を考慮した次元数範囲とすることが好ましく、そのような範囲としては、２次元～２０次元程度とするとよい。即ち学習部２０２は、次元数Ｄを２～２０とし、次元数それぞれの次元数指標Ｄ_ｃｏｒｒの値を順次算出する。

次元数指標Ｄ_ｃｏｒｒ算出後、学習部２０２は、次元数Ｄを当該次元数Ｄに対応する次元数指標Ｄ_ｃｏｒｒ、つまり当該次元数Ｄを用いて算出された次元数指標Ｄ_ｃｏｒｒを用いて除した、Ｄ／Ｄ_ｃｏｒｒの値（第２次元数指標）を算出する（Ｓ５０３）。算出後、学習部２０２は、Ｄ／Ｄ_ｃｏｒｒのうち飽和する値、即ち最大値を選定する（Ｓ５０４）。選定後、選定された最大値に補正を行うことにより最適次元数を算出し（Ｓ５０５）、本フローは終了となる。ここでの補正は、選定された最大値に対して四捨五入を行った値に更に１を加算することとしている。

以上に説明した本実施形態によれば、最適次元数を算出することができるため、より的確な装置異常の推定が可能となる。また、最適次元数は所定数の次元数Ｄ毎にＤ／Ｄｃｏｒｒの値を算出し、このうちの最大値を補正することにより算出可能であるため算出方法が極めて簡単であり、膨大な処理時間を要する必要がない。

なお、本実施形態においては、（５）式において平均値ｘ_ｉ ^－、平均値ｘ_ｊ ^－を用いると説明したが、第２の実施形態のように平均値に代わり中央値に代えても同様に最適次元数を算出することができる。これは特に、第２の実施形態のように算出部１０４が異常スコアの算出の際、（４）式を用いる場合に好適である。具体的には、下記（８）式に示されるように、平均値ｘ_ｉ ^－、平均値ｘ_ｊ ^－に代わり、中央値ｍ_ｉ ^－、中央値ｍ_ｊ ^－が用いられる。

（実施例４）
本実施形態に係る異常推定システムの次元数算出処理により算出された最適次元数の有効性を確認した。具体的には、所定の試験データを用い、次元数を変えた際の異常スコアを学習期間および運用期間含めて算出し、異常スコアの感度の変化から最適次元数の有効性を確認した

図３０は、本実施例に係る潜在空間の次元数を２次元～２０次元とした場合の各Ｄ／Ｄ_ｃｏｒｒの値をそれぞれ示す図であり、図３１（ａ）～（ｆ）は本実施例に係る潜在空間の次元数を２次元～７次元とした場合のそれぞれの試験データの異常スコアを示す図である。なお、図３０におけるＤ_ｃｏｒｒの値は、上記（６）式を用いて算出した値である。図３０に示されるように、潜在空間の次元が８次元である場合、Ｄ／Ｄ_ｃｏｒｒの値が最大値となった。この最大値を四捨五入し、１を加えると６となる。したがって最適次元数が６であると算出された。一方、図３１に示されるように、潜在空間の次元数を２次元～７次元とした場合の異常スコアは、図３１（ｅ）に示される６次元が最も異常スコアの感度が増大していることがわかる。以上のことから、本実施形態において算出される最適次元数は十分に有効性が高いことがわかった。

発明の実施形態を説明したが、これらの実施形態は、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は意図していない。これらの新規な実施形態は、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。この実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

１ 異常推定システム
１０ 測定装置（異常推定装置）
１３ 記憶装置（記憶部）
１６ センサ
１０１ 測定部（第１取得部、第２取得部）
１０３ 送受信部（第１送信部、モデル取得部）
１０４ 算出部（スコア算出部）
２０ 学習装置
２０１ 送受信部（第３取得部、モデル送信部）
２０２ 学習部（モデル生成部）

Claims (13)

1. 作動する装置に取り付けられたセンサが測定した第１測定データを取得し、
   前記第１測定データに基づく変分オートエンコーダを用いた機械学習により、前記センサから新たに取得された第２測定データの前記第１測定データからの乖離度を、前記装置の状態異常の指標となる異常スコアとして潜在空間の分布中心からの距離尺度に基づいて算出する推定モデルを生成し、
   前記推定モデル生成後に前記センサが測定した前記第２測定データを取得し、
   取得された前記第２測定データと前記推定モデルとに基づいて前記異常スコアを算出すると共に、該算出において、潜在空間における次元に関し、次元毎の相関に起因する異常スコアの増大を抑制するための補正を行う
   ことを特徴とする異常推定方法。
2. Ｄ次元の潜在空間に対して、前記第２測定データの次元数をＮとした場合の潜在空間における次元ｉ、次元ｊに対応する基底関数ｆ_ｉ、ｆ_ｊの相互相関関数の式
   

   

   に基づいて、次元数補正値Ｄ_ｃｍｐｓを
   

   

   として求め、該次元数補正値Ｄ_ｃｍｐｓを潜在空間における次元に関する補正時に用いる
   ことを特徴とする請求項１記載の異常推定方法。
3. Ｄ次元の潜在空間における次元ｉの値をｘ_ｉ、該潜在空間の分布での次元ｉの平均をｘ_ｉ ^-、該分布での次元ｉの標準偏差をσ_ｉとした場合の前記異常スコアＶＤは、
   

   

   として算出される
   ことを特徴とする請求項２記載の異常推定方法。
4. Ｄ次元の潜在空間における次元ｉの値をｘ_ｉ、該潜在空間の分布での次元ｉの中央値をｍ_ｉ ^-、該分布での次元ｉの前記中央値に対する標準偏差をｓ_ｉとした場合の前記異常スコアＶＤは、
   

   

   として算出される
   ことを特徴とする請求項２記載の異常推定方法。
5. 潜在空間の分布の相関に関する標本相関係数をｒ_ｉ，ｊ、次元数をＤとした場合の次元数指標Ｄ_ｃｏｒｒを、
   

   

   または
   

   

   として求め、次元数を該次元数指標Ｄ_ｃｏｒｒにより除した値に基づいて、前記異常スコアの算出に用いる潜在空間の次元数を決定する
   ことを特徴とする請求項１～請求項４のいずれか一項記載の異常推定方法。
6. 潜在空間の分布上の各サンプルのｘ_ｉ軸での値をｘ_ｉ（ｍ）、ｘ_ｉ（ｍ）の平均値をｘ_ｉ ^－、該分布上の各サンプルのｘ_ｊ軸での値をｘ_ｊ（ｍ）、ｘ_ｊ（ｍ）の平均値をｘ_ｊ ^－、サンプル数をＭとした場合、前記標本相関係数ｒ_ｉ，ｊは、
   

   

   として算出される
   ことを特徴とする請求項５記載の異常推定方法。
7. 潜在空間の分布上の各サンプルのｘ_ｉ軸での値をｘ_ｉ（ｍ）、ｘ_ｉ（ｍ）の中央値をｍ_ｉ ^－、該分布上の各サンプルのｘ_ｊ軸での値をｘ_ｊ（ｍ）、ｘ_ｊ（ｍ）の中央値をｍ_ｊ ^－、サンプル数をＭとした場合、前記標本相関係数ｒ_ｉ，ｊは、
   

   

   として算出される
   ことを特徴とする請求項５記載の異常推定方法。
8. 前記センサを有する測定装置が、前記第１測定データを取得し、該第１測定データを学習装置へ送信し、
   前記学習装置が、前記第１測定データに基づく変分オートエンコーダを用いた機械学習により、前記推定モデルを生成して前記測定装置へ送信し、
   前記測定装置が、前記推定モデルを取得した後、前記センサが測定した前記第２測定データを取得し、該第２測定データと前記推定モデルとに基づいて前記異常スコアを算出する
   ことを特徴とする請求項１～請求項７のいずれか一項記載の異常推定方法。
9. 前記測定装置は、算出した前記異常スコア及び前記潜在変数を、前記推定モデルを有し、前記潜在変数から前記第２測定データを復元可能な装置へ送信する
   ことを特徴とする請求項８記載の異常推定方法。
10. 前記第１および第２測定データは、前記センサにより前記装置に関する振動、超音波、音、電流、電圧、圧力、流量の少なくとも１つ以上が測定されることにより取得される
    ことを特徴とする請求項１～請求項９のいずれか一項に記載の異常推定方法。
11. 前記第１および第２測定データは、周波数スペクトルである
    ことを特徴とする請求項１０記載の異常推定方法。
12. 作動する装置に取り付けられたセンサと、
    前記センサが測定した複数の第１測定データを取得する第１取得部と、
    前記第１測定データに基づく変分オートエンコーダを用いた機械学習により、前記センサから新たに取得された第２測定データの前記第１測定データからの乖離度を、前記装置の状態異常の指標となる異常スコアとして潜在空間の分布中心からの距離尺度に基づいて算出する推定モデルを格納する記憶部と、
    前記センサが測定した前記第２測定データを取得する第２取得部と、
    取得された前記第２測定データと前記推定モデルとに基づいて前記異常スコアを算出すると共に、該算出において、潜在空間における次元に関し、次元毎の相関に起因する異常スコアの増大を抑制するための補正を行うスコア算出部と
    を備えることを特徴とする異常推定装置。
13. 作動する装置に取り付けられたセンサを有する測定装置と、
    前記測定装置と通信可能な学習装置と
    を備え、
    前記測定装置は、
    前記センサが測定した第１測定データを取得する第１取得部と、
    取得された前記第１測定データを前記学習装置へ送信する第１送信部と、
    前記第１測定データに基づく変分オートエンコーダを用いた機械学習により、前記センサから新たに取得された第２測定データの前記第１測定データからの乖離度を、前記装置の状態異常の指標となる異常スコアとして潜在空間の分布中心からの距離尺度に基づいて算出する推定モデルを前記学習装置から取得するモデル取得部と、
    前記センサが測定した前記第２測定データを取得する第２取得部と、
    取得された前記第２測定データと前記推定モデルとに基づいて前記異常スコアを算出すると共に、該算出において、潜在空間における次元に関し、次元毎の相関に起因する異常スコアの増大を抑制するための補正を行うスコア算出部と
    を備え、
    前記学習装置は、
    前記測定装置から前記第１測定データを取得する第３取得部と、
    前記第１測定データに基づく変分オートエンコーダを用いた機械学習により、前記推定モデルを生成するモデル生成部と、
    前記推定モデルを前記測定装置に送信するモデル送信部と
    を備える
    ことを特徴とする異常推定システム。

Images