JP2022082277A - 検知プログラム、検知装置、および検知方法 - Google Patents

Abstract

【課題】変化点を検知することができる検知プログラム、検知装置、および検知方法を提供する。【解決手段】検知プログラムは、コンピュータに、作業現場に設置された複数のセンサから取得したセンサデータについての、前記作業現場の状況を表す変数を取得する処理と、前記センサデータおよび前記変数についての正規分布を仮定した確率分布密度に対して、Ｇｒａｐｈｉｃａｌ－Ｌａｓｓｏによってノイズを除去しつつ、所定の時刻ごとに、前記センサデータに前記変数を反映させた確率モデルを構築する処理と、前記確率モデルについての所定の前後時刻間の相違度を閾値と比較することで、前記複数のセンサのそれぞれの前記センサデータの変化点を検知する処理と、を実行させる。【選択図】図５

Description

本件は、検知プログラム、検知装置、および検知方法に関する。

異常判定用基準を用いて、作業装置等の機器に備わる各センサのセンサデータから変化点を検知する技術が開示されている。変化点を検知する技術として、確率分布密度の差異から変化点を検知する技術が開示されている（例えば、非特許文献１参照）。また、多次元データを重要な成分のみに圧縮した部分空間同士の距離差から、変化点を検知する技術が開示されている（例えば、非特許文献２参照）。

M. Sugiyama et al,"Direct importance estimation for covariate shift adaptation", Annals of the Institute of Statistical Mathematics(2008) Y. Kawahara et al,"Change point detection in time series data based on subspace identification"

しかしながら、非特許文献１の技術では、外乱や誤差による影響を取り除く機能が無いため、周囲の設備から影響を受ける状況においては変化点が見えにくくなる。非特許文献２の技術では、データを低次元の部分空間に圧縮するため、外乱といった成分を除去できる一方で元のデータ同士の相関情報を失うおそれがある。

１つの側面では、本発明は、変化点を検知することができる検知プログラム、検知装置、および検知方法を提供することを目的とする。

１つの態様では、検知プログラムは、コンピュータに、作業現場に設置された複数のセンサから取得したセンサデータについての、前記作業現場の状況を表す変数を取得する処理と、前記センサデータおよび前記変数についての正規分布を仮定した確率分布密度に対して、Ｇｒａｐｈｉｃａｌ Ｌａｓｓｏによってノイズを除去しつつ、所定の時刻ごとに、前記センサデータに前記変数を反映させた確率モデルを構築する処理と、前記確率モデルについての所定の前後時刻間の相違度を閾値と比較することで、前記複数のセンサのそれぞれの前記センサデータの変化点を検知する処理と、を実行させる。

変化点を検知することができる。

実施例１に係る作業装置の全体構成を説明するための図である。 （ａ）～（ｃ）はカルバックライブラー重要度推定法を説明するための図である。 （ａ）～（ｃ）は部分空間法を説明するための図である。 検知装置の動作の一例を表すフローチャートである。 （ａ）～（ｃ）は確率モデルの構築を説明するための図である。 （ａ）および（ｂ）はセンサデータ間の影響や、センサデータと潜在変数との間の影響を数値化した行列を例示する図である。 （ａ）は検知装置のハードウェア構成を例示するブロック図であり、（ｂ）は検知システムを例示する図である。

以下、図面を参照しつつ、実施例について説明する。

図１は、実施例１に係る作業装置１００の全体構成を説明するための図である。図１で例示するように、作業装置１００は、複数の作業装置１０、コントローラ２０、検知装置３０などを備える。

作業装置１０は、作業現場に設置された作業ロボットなどの機器であり、ロボットハンド１１などを備える。ロボットハンド１１は、作業対象物に対して所定の作業を行う装置である。センサ１２は、ロボットハンド１１の力、変位等を検出するセンサであり、一例として、歪ゲージ、力覚センサ、加速度センサなどである。各作業装置１０について、センサ１２が１つまたは２つ以上設けられている。したがって、センサ１２は、複数設けられている。それにより、複数のセンシング結果（センサデータ）が得られる。コントローラ２０は、所定のタイミングで作業装置１０に作業指示を行う制御装置である。

検知装置３０は、各センサデータを解析することで、変化（異常など）を検知する。詳細は後述する。検知装置３０は、センサデータ格納部３１、設定部３２、データ取得部３３、潜在変数取得部３４、確率モデル構築部３５、相違度算出部３６、検知部３７などとして機能する。

センサデータ格納部３１は、各センサ１２からセンサデータを取得し、格納する。センサデータ格納部３１に格納されるセンサデータは、所定の時間間隔でサンプリングされた時系列データである。

このセンサデータに表れる変化点を検知することができれば、センサが異常を検知しているか否かを検知することができ、設備の異常や故障に起因する重大事故や計画外停止を回避することができるようになる。この変化点を自動的に検知できることが求められている。変化点として、例えば、ドリルの先端欠けなどが挙げられる。

変化点を検知する技術として、例えば、カルバックライブラー重要度推定法（ＫＬＩＥＰ：Kullback-Leibler importance estimation procedure）という手法を用いることが考えられる。この手法は、各時間窓における複数のセンサのセンサデータを正規分布で仮定した確率分布密度の差異から変化点を検知する手法である。例えば、図２（ａ）で例示するように、６つのセンサによってセンサデータＳ１～Ｓ６が得られているものとする。このセンサデータのうち、所定時刻ｔの窓幅の確率分布密度ｐ（下記式（１））と、時刻ｔよりも所定時間後の時刻ｔ＋１の同じ窓幅の確率分布密度ｐ（下記式（２））との差異から、変化点が検知される。

上記式（１）および上記式（２）において、「Ｘ」はＳ１～Ｓ６を含むセンサデータを表す。「μ」は、平均値を表す。「Σ」は、分散共分散行列（相関関係）を表す。図２（ｂ）は、時刻ｔにおける相関関係Σ_ｐｒｅを例示する図である。図２（ｃ）は、時刻ｔ＋１における相関関係Σ_ｐｏｓｔを例示する図である。図２（ｂ）および図２（ｃ）において、線が太いほど相関関係が強く、線が細いほど相関関係が弱いことを表している。

例えば、変化点をスコアリングするために、確率分布密度の差異を、下記式（３）のように、ＫＬダイバージェンスで表現することができる。

しかしながら、カルバックライブラー重要度推定法では、センサデータ同士の相関関係が残るものの、外乱や誤差に起因する影響を取り除く機能が無いため、周囲の設備などからセンシング結果が影響を受ける環境下では変化点が見えにくくなる。

そこで、部分空間法を用いて変化点を検知することが考えられる。この手法では、多次元データを重要な成分のみに圧縮した部分空間同士の距離差から、変化点を検知する手法である。

図３（ａ）で例示するように、６つのセンサによってセンサデータＳ１～Ｓ６が得られているものとする。変化点スコアの算出手法は、上記式（３）と同様であるが、図３（ｂ）および図３（ｃ）で例示するように、相関関係Σ_ｐｒｅおよびΣ_ｐｏｓｔが、特異値分解によって重要な成分にのみに圧縮される。この手法では、センサデータが低次元の部分空間に圧縮されてしまうため、ノイズ成分を除去できる一方で、元のセンサデータ同士の相関情報を失ってしまうことになる。したがって、変化点の検知精度が低下してしまう。

そこで、本実施例においては、Ｇｒａｐｈｉｃａｌ Ｌａｓｓｏという、データから重要な成分を抽出する技術を用いて確率分布密度（正規分布）からノイズを除去する。また、センサデータには直接的には表れない情報を表現するために、潜在変数（Ｌａｔｅｎｔ Ｖａｒｉａｂｌｅ）と呼ばれる特殊な変数を導入して、作業現場の状況を表現する。この手法により、ノイズを除去しつつ、周囲の影響が反映されたセンサデータ同士の相関関係を残すことができるため、精度良く変化点を検知できるようになる。以下、詳細について説明する。

図４は、検知装置３０の動作の一例を表すフローチャートである。まず、設定部３２は、潜在変数の種類や数を設定するとともに、変化点を検知するための閾値を設定する（ステップＳ１）。

潜在変数は、作業現場の状況を表す変数である。例えば、潜在変数は、各作業装置１０の作業種別を識別する変数を含む。作業種別は、例えば、稼動中、アイドリング中、省エネモードでの稼動中、などである。例えば、潜在変数は、複数の作業装置１０のそれぞれを識別する変数を含む。これらの潜在変数を導入することによって、各センサデータがどの作業装置のどの作業種別のデータであるかを推定することができるようになる。なお、潜在変数の種類や数は、例えば、ユーザによって入力装置を介して入力されているものとする。

次に、データ取得部３３は、センサデータ格納部３１に格納されているセンサデータのうち、時刻ｔにおけるデータＸ_ｔを取得する（ステップＳ２）。

時刻ｔにおけるセンサデータとは、図５（ａ）で例示するように、時刻ｔを基準として所定の時間幅を有する窓内のセンサデータのことである。本実施例では、一例として、時刻ｔを開始時刻として所定時間後までのセンサデータのことである。なお、時刻ｔにおけるデータＸ_ｔの行列、｛ｘ_１，ｘ_２，…，ｘ_Ｎ｝ｘ_ｊ＝（ｘ_ｊ１，ｘ_ｊ２，…，ｘ_ｊＭ）^Ｔと表現することができる。

次に、潜在変数取得部３４は、ステップＳ２で取得したデータＸ_ｔについて、ステップＳ１で設定された潜在変数のデータを取得する（ステップＳ３）。

例えば、潜在変数取得部３４は、データＸ_ｔに含まれる各時刻についての潜在変数のデータを作成する。例えば、潜在変数取得部３４は、データＸ_ｔから、各作業装置１０がどの作業種別の状態にあるかを識別するデータを作成する。また、潜在変数取得部３４は、データＸ_ｔから、各センサデータが複数の作業装置１０のいずれのデータであるかを識別するデータを作成する。データＸ_ｔから潜在変数のデータを作成する場合には、例えば、潜在変数の初期値を定めておき、センサデータに何らかのトリガー信号が検出された場合に潜在変数の値を変更するなどすればよい。

例えば、図５（ａ）のセンサデータＳ１～Ｓ６は、第１の作業装置１０に設置された各センサ１２のセンサデータであるものとする。この場合において、潜在変数取得部３４は、データＸ_ｔから、時刻ｔにおける第１の作業装置１０の作業種別を推定する。例えば、図５（ａ）では描かれていないセンサデータＳ７～Ｓ１２が第２の作業装置１０に設置された各センサ１２のセンサデータであるものとする。この場合において、潜在変数取得部３４は、データＸ_ｔから、時刻ｔにおける第２の作業装置１０の作業種別を推定する。

複数の作業装置１０のいずれのデータであるかを識別するデータについては、ステップＳ１で設定されていてもよい。例えば、センサデータＳ１～Ｓ６が第１の作業装置１０に設置されているセンサのデータであって、センサデータＳ７～Ｓ１２が第２の作業装置１０に設置センサのデータであることがステップＳ１で設定されていてもよい。

次に、確率モデル構築部３５は、ステップＳ２で取得したデータＸ_ｔと、ステップＳ３で作成した潜在変数のデータとから、確率モデルとして拡張精度行列Λ_ｐｒｅ´´を算出する（ステップＳ４）。この場合において、確率モデル構築部３５は、潜在変数およびセンサデータについての正規分布を仮定した確率分布密度に対して、Ｇｒａｐｈｉｃａｌ Ｌａｓｓｏによってノイズを除去しつつ、複数のセンサのセンサデータに潜在変数を反映させた確率モデルを拡張精度行列Λ_ｐｒｅ´´として構築する。Ｇｒａｐｈｉｃａｌ Ｌａｓｓｏについては、「
T. Ide, A. C. Lozano, N. Abe, and Y. Liu.：Proximity-based anomaly detection using sparse structure learning. In SDM, pages 97-108, 2009」に記載されている。

まず、Ｇｒａｐｈｉｃａｌ Ｌａｓｓｏが対象とする変数として、センサデータの確率分布密度に加えて、潜在変数の確率分布密度を追加することで、対象変数を拡張する。不要な成分をゼロにしつつ潜在変数の要素を付加するためには、下記式（４）を数値的に解けばよい。Λ´´が拡張精度行列である。なお、「Ｏ」はセンサデータにおけるセンサ数を表す。「Ｌ」は潜在変数の数を表す。下記式（５）がＧｒａｐｈｉｃａｌ Ｌａｓｓｏの適用部分である。下記式（６）が潜在変数の影響を考慮した部分である。

Ｇｒａｐｈｉｃａｌ Ｌａｓｓｏの適用によって、データがスパース化され、ノイズ成分が「０（ゼロ）」となり、重要な成分が抽出される。重要な成分とは、センサデータ同士の相関関係、センサデータと潜在変数との相関関係、および潜在変数同士の相関関係のことである。なお、λ｜｜Λ｜｜_１の部分がΛの値をゼロ付近に拘束する。

拡張精度行列Λ_ｐｒｅ´´は、センサ数×センサ数の行列である。図５（ｂ）で例示するように、センサデータＳ１～Ｓ６の相関関係から、第１の作業装置１０の作業種別Ａについてのスパース化された相関関係が得られている。また、図５（ｂ）では描かれていないセンサデータＳ７～Ｓ１２の相関関係から、第２の作業装置１０の作業種別Ｂについてのスパース化された相関関係が得られている。

なお、潜在変数の影響を含めるためには、センサデータの影響を数値化することに加えて、潜在変数の影響を数値化することが求められる。図６（ａ）は、センサデータ間の影響や、センサデータと潜在変数との間の影響を数値化した行列を例示する図である。図６（ａ）の例では、一例として、４つのセンサと、２つの潜在変数とを含む行列が例示されている。図６（ａ）において、太枠Ａの部分が、拡張精度行列Λ´´に相当する。この太枠自体には潜在変数の影響が入っていないが、上記式（６）に潜在変数の影響が入っている。例えば、図６（ａ）において、センサ４と潜在変数１との影響（相関係数）は、０．５である。

図６（ｂ）において、実線の太枠Ａの部分が、行列Λ´_Ｌ，Ｏに相当する。実線の太枠Ｂの部分が、行列Λ´_Ｏ，Ｌに相当する。破線の太枠Ｃの部分が、行列Λ´_Ｌ，Ｌに相当する。これらの行列Λ´_Ｌ，Ｏ、行列Λ´_Ｏ，Ｌ、および行列Λ´_Ｌ，Ｌを算出することによって、センサデータと潜在変数との間の影響を共慮することができるようになる。

再度図４を参照する。次に、データ取得部３３は、センサデータ格納部３１に格納されているセンサデータのうち、時刻ｔ＋１におけるデータＸ_ｔ＋１を取得する（ステップＳ５）。次に、潜在変数取得部３４は、ステップＳ５で取得したデータＸ_ｔ＋１について、ステップＳ１で設定された潜在変数のデータを取得する（ステップＳ６）。次に、確率モデル構築部３５は、ステップＳ５で取得したデータＸ_ｔ＋１と、ステップＳ６で作成した潜在変数のデータとから、確率モデルとして拡張精度行列Λ_ｐｏｓｔ´´を算出する（ステップＳ７）。

図５（ｃ）で例示するように、センサデータＳ１～Ｓ６の相関関係から、第１の作業装置１０の作業種別Ａについてのスパース化された相関関係が得られている。また、図５（ｃ）では描かれていないセンサデータＳ７～Ｓ１２の相関関係から、第２の作業装置１０の作業種別Ｂについてのスパース化された相関関係が得られている。

次に、相違度算出部３６は、センサごとの時刻ｔと時刻ｔ＋１との間の確率モデルの相違度を算出する（ステップＳ８）。変化点のスコアリングは、上記式（３）を用いて算出することができる。センサごとの確率モデルの相違度は、下記式（７）にしたがって算出することができる。「ｉ」は、センサ番号を示す。

次に、検知部３７は、ステップＳ８で算出された各相違度が、ステップＳ１で設定された閾値を超えているか否かを判定することによって、変化点を検知する（ステップＳ９）。センサごとに個別に閾値が設定されていてもよく、各センサに共通の閾値が設定されていてもよい。いずれかのセンサの変化度が閾値を超えていれば、当該センサに変化点が表れたものと検知することができる。

なお、上記例では、類似度を表す指標の一例としてＫＬダイバージェンスを用いたが、それに限られない。例えば、ＪＳ（Ｊｅｎｓｅｎ Ｓｈａｎｎｏｎ）ダイバージェンス、Ｈｉｓｔｇｒａｍ Ｉｎｔｅｒｓｅｃｔｉｏｎ、Ｌｐノルム（ｐは正の整数）、Ｌ０ノルムなどを用いてもよい。

本実施例によれば、作業現場に設置された複数のセンサ１２から取得したセンサデータについての、作業現場の状況を表す潜在変数が取得される。それにより、作業現場の状況を反映することができるようになる。次に、センサデータおよび潜在変数についての正規分布を仮定した確率分布密度に対して、Ｇｒａｐｈｉｃａｌ Ｌａｓｓｏによってノイズを除去しつつ、所定の時刻ごとに、センサデータに潜在変数を反映させた確率モデルが構築される。それにより、ノイズを除去しつつ、作業現場の周囲の影響が反映されたセンサデータ同士の相関関係を残すことができる。この確率モデルについての所定の前後時刻間の相違度を閾値と比較することで、複数のセンサのそれぞれのセンサデータの変化点を精度良く検知できるようになる。

上記各例において、潜在変数取得部３４が、作業現場に設置された複数のセンサから取得したセンサデータについての、作業現場の状況を表す変数を取得する取得部の一例である。確率モデル構築部３５が、前記センサデータおよび前記変数についての正規分布を仮定した確率分布密度に対して、Ｇｒａｐｈｉｃａｌ Ｌａｓｓｏによってノイズを除去しつつ、所定の時刻ごとに、前記センサデータに前記変数を反映させた確率モデルを構築する構築部に一例である。検知部３７が、前記確率モデルについての所定の前後時刻間の相違度を閾値と比較することで、前記複数のセンサのそれぞれの前記センサデータの変化点を検知する検知部の一例である。

図７（ａ）は、検知装置３０のハードウェア構成を例示するブロック図である。図７（ａ）で例示するように、検知装置３０は、ＣＰＵ１０１、ＲＡＭ１０２、記憶装置１０３、表示装置１０４等を備える。ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１０１は、中央演算処理装置である。

ＣＰＵ１０１は、１以上のコアを含む。ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１０２は、ＣＰＵ１０１が実行するプログラム、ＣＰＵ１０１が処理するデータなどを一時的に記憶する揮発性メモリである。記憶装置１０３は、不揮発性記憶装置である。記憶装置１０３として、例えば、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、フラッシュメモリなどのソリッド・ステート・ドライブ（ＳＳＤ）、ハードディスクドライブに駆動されるハードディスクなどを用いることができる。記憶装置１０３は、検知プログラムを記憶している。表示装置１０４は、液晶ディスプレイ、エレクトロルミネッセンスパネルなどであり、検知装置３０による検知結果などを表示する。なお、本実施例においては検知装置３０の各部は、プログラムの実行によって実現されているが、専用の回路などのハードウェアを用いてもよい。

図７（ｂ）で例示するように、検知装置３０の機能を有するサーバ２０２が、インターネットなどの電気通信回線２０１を通じてセンサ１２からセンサデータを取得してもよい。

以上、本発明の実施例について詳述したが、本発明は係る特定の実施例に限定されるものではなく、特許請求の範囲に記載された本発明の要旨の範囲内において、種々の変形・変更が可能である。

１０ 作業装置
１１ ロボットハンド
２０ コントローラ
３０ 検知装置
３１ センサデータ格納部
３２ 設定部
３３ データ取得部
３４ 潜在変数取得部
３５ 確率モデル構築部
３６ 相違度算出部
３７ 検知部
１００ 作業装置

Claims (6)

1. コンピュータに、
   作業現場に設置された複数のセンサから取得したセンサデータについての、前記作業現場の状況を表す変数を取得する処理と、
   前記センサデータおよび前記変数についての正規分布を仮定した確率分布密度に対して、Ｇｒａｐｈｉｃａｌ Ｌａｓｓｏによってノイズを除去しつつ、所定の時刻ごとに、前記センサデータに前記変数を反映させた確率モデルを構築する処理と、
   前記確率モデルについての所定の前後時刻間の相違度を閾値と比較することで、前記複数のセンサのそれぞれの前記センサデータの変化点を検知する処理と、を実行させることを特徴とする検知プログラム。
2. 前記複数のセンサは、前記作業現場に設置された作業装置に設置されており、
   前記変数は、前記作業装置の作業種別を識別する変数を含むことを特徴とする請求項１に記載の検知プログラム。
3. 前記複数のセンサのそれぞれは、前記作業現場に設置された複数の作業装置のいずれかに設置されており、
   前記変数は、前記複数の作業装置を識別する変数を含むことを特徴とする請求項１または請求項２に記載の検知プログラム。
4. 前記相違度は、ＫＬダイバージェンスであることを特徴とする請求項１から請求項３のいずれか一項に記載の検知プログラム。
5. 作業現場に設置された複数のセンサから取得したセンサデータについての、前記作業現場の状況を表す変数を取得する取得部と、
   前記センサデータおよび前記変数についての正規分布を仮定した確率分布密度に対して、Ｇｒａｐｈｉｃａｌ Ｌａｓｓｏによってノイズを除去しつつ、所定の時刻ごとに、前記センサデータに前記変数を反映させた確率モデルを構築する構築部、
   前記確率モデルについての所定の前後時刻間の相違度を閾値と比較することで、前記複数のセンサのそれぞれの前記センサデータの変化点を検知する検知部と、を備えることを特徴とする検知装置。
6. コンピュータが、
   作業現場に設置された複数のセンサから取得したセンサデータについての、前記作業現場の状況を表す変数を取得する処理と、
   前記センサデータおよび前記変数についての正規分布を仮定した確率分布密度に対して、Ｇｒａｐｈｉｃａｌ Ｌａｓｓｏによってノイズを除去しつつ、所定の時刻ごとに、前記センサデータに前記変数を反映させた確率モデルを構築する処理と、
   前記確率モデルについての所定の前後時刻間の相違度を閾値と比較することで、前記複数のセンサのそれぞれの前記センサデータの変化点を検知する処理と、を実行することを特徴とする検知方法。

Images