JP2022190376A - 異常検知システムおよび方法 - Google Patents

Abstract

【課題】より安定した異常検知を行うことができるようにした異常検知システムおよび方法を提供すること。【解決手段】計算機により対象機械２の異常を検知する異常検知システム１は、対象機械に取り付けられる第１センサ１１から第１データＤ０を取得すると共に、対象機械に取り付けられる第２センサ１２から第２データＤ１を取得する通信部と、演算部および記憶部を備えており、演算部は、第１データに基づいて第２データを推定する所定の潜在表現を含む潜在表現を生成するように学習された符号化部１３と、潜在表現から第１データを復元するように学習された復号化部１４と、第１データと復号化部により復元された第１データとの復元誤差に基づいて、対象機械の異常を検知する異常検知部１６を備える。【選択図】 図１

Description

本発明は、異常検知システムおよび方法に関する。

工場の機械が異常を起こして長時間停止すると、企業は損害を被る。そこで、巡回点検時に、熟練者が自らの五感に基づいて機械の初期異常を検知していた。しかし、近年は、熟練者が不足しているため、機械化、省力化が望まれる。対象の機械の異常を早期に検知するためには、対象の機械に多種類のセンサを取り付けてデータを収集し、解析する必要がある。しかし、対象機械の物理的制約またはコストのために、必要な全てのセンサを対象機械へ取り付けるのは難しい。そこで、回帰モデルを用いることにより、あるセンサデータから他のセンサデータを推定する技術が提案されている（特許文献１）。

特開２０１７－２０７９０４号公報

特許文献１に記載の方法では、回帰モデルへ入力されるセンサデータのあらゆる変動を、推定対象の変動として説明する。したがって、特許文献１では、入力されるセンサデータに、推定対象のセンサデータと無関係な変動が加わった場合、その無関係な変動を推定対象のセンサデータの値に反映させてしまう。

そこで、本開示は、より安定した異常検知を行うことができるようにした異常検知システムおよび方法を提供することを目的とする。

上記課題を解決すべく、本発明の一つの観点に従う異常検知システムは、計算機により対象機械の異常を検知する異常検知システムであって、計算機は、対象機械に取り付けられる第１センサから第１データを取得すると共に、対象機械に取り付けられる第２センサから第２データを取得する通信部と、演算部および記憶部を備えており、演算部は、第１データに基づいて第２データを推定する所定の潜在表現を含む潜在表現を生成するように学習された符号化部と、潜在表現から第１データを復元するように学習された復号化部と、第１データと復号化部により復元された第１データとの復元誤差に基づいて、対象機械の異常を検知する異常検知部とを備える。

本発明によれば、潜在表現の一部である所定の潜在表現を用いて第２センサから出力される第２データを推定するため、第２センサ以外の要因で第１データが変動した場合に、所定の潜在表現以外の他の潜在表現を用いてその変動を説明することができ、従来よりもロバストに第２データを推定することができる。

異常検知システムのブロック図。 異常検知システムのハードウェア構成図。 モデルを学習させる場合の説明図。 本実施例の効果を示す説明図。 学習処理のフローチャート。 異常検知処理（運用時）のフローチャート。 第２実施例に係り、異常検知システムのブロック図。 第１センサを選択する方法の説明図。 第２実施例の変形例に係り、異常検知システムのブロック図。 第１センサを選択する方法の説明図。 第３実施例に係り、異常検知システムのブロック図。 異常を検知する方法の説明図。 第４実施例に係り、異常検知システムのブロック図。 事前学習済みモデルの説明図。 第５実施例に係り、異常検知システムのブロック図。 データ拡張部の説明図。 第６実施例に係り、異常検知システムのブロック図。 異常検知システムのハードウェア構成図。 損失計算部にハイパーパラメタを設定する方法を示す説明図。 異常度と確率分布関数との関係を示す説明図。 学習処理のフローチャート。 異常検知処理のフローチャート。

以下、図面に基づいて、本発明の実施の形態を説明する。本実施形態では、異常検知の対象とする機械（対象機械）の状態をできるだけ少ない数のセンサで判定する。対象機械２は、例えば、プレスマシン、射出成形機、加熱炉、ＮＣ工作機械、３Ｄプリンタ、放電加工機、溶接装置、マシニングセンタ、研磨装置、工業用ミシン、産業用ロボットなどの各種産業機械を含む。産業機械に限らず、例えば、空調機、冷凍庫、送風機などの電気機器を対象機械２に含めることもできる。

一つの対象機械２は、例えば、ファン、ポンプ、スライダー、バルブおよびモータなどの複数の機器から構成される場合もある。例えば、温度、圧力、速度、電圧、電流、負荷重量、負荷トルク、振動、稼働音などの物理量は、センサによって測定される。異常検知システム１は、センサの出力するデータに基づいて、対象機械２の状態および異常の有無を判定する。

本実施形態に係る異常検知システム１は、第１センサ１１から出力される第１データＤ０に基づいて、第１センサ１１と異なる第２センサ１２から出力される第２データＤ１を推定する。

第１センサ１１は、機械学習モデルの学習時および機械学習モデルの運用時の両方で、異常検知対象の機械２に取り付けられ、第１データＤ０を出力する。第２センサ１２は、機械学習モデルの学習時でのみ使用されて第２データＤ１を出力してもよいし、機械学習モデルの運用時にも使用されて第２データＤ１を出力してもよい。

一つの実施例では、対象機械２に取り付け可能なセンサが限られる場合、対象機械２の状態監視に必要な全てのセンサを推定可能な第１センサ１１を選定する。第１センサ１１は、一つでもよいし、複数でもよい。以下の説明では、第１センサ１１を一つ使用する場合を主に説明する。

上記一つの実施例の異常検知システム１は、第１センサ１１の出力する第１データＤ０に基づいて、対象機械２の状態監視に必要であるが対象機械２に設置されていない第２センサ１２の出力する第２データＤ１を推定する。異常検知システム１は、第１データＤ０と推定された第２データＤ１とに基づいて、対象機械２の状態を監視したり、異常を検知したり、異常の原因を特定したりする。なお、第１センサ１１の測定する第１データＤ０によってその出力が推定される第２センサ１２は、一つの場合もあり得るし、複数の場合もあり得る。

本実施形態によれば、設置された第１センサ１１の第１データＤ０から、設置されていない第２センサ１２の第２データＤ１を推定可能な機械学習モデルを学習時に生成するため、運用時に対象機械２に複数のセンサを設置できない場合でも、状態監視や異常検知を行うことができる。

本実施形態の他の一つの実施例では、対象機械２の状態に応じた物理量をセンサで測定する場合に、その物理量と対象機械の種類との関係に応じて、観測値と復元値との差を計算する際に使用するハイパーパラメタのセットを選択する。ハイパーパラメタのセットは、例えば、対象機械２の物理的性質と要求されるロバスト性とに応じて、あらかじめ用意しておくことができる。これにより、対象機械２の物理的性質と要求されるロバスト性とに応じて適切に、対象機械２の異常を検知することができる。

図１～図６を用いて第１実施例を説明する。図１は、本実施例に係る異常検知システム１のブロック図である。本実施例では、例えば、モータ、ファン、ポンプ、バルブ、スライダーなどの対象機械２の状態をできるだけ少ない数の第１センサ１１で測定し、対象機械２の状態を監視したり、異常度を算出したりする。対象機械２の動力源は、電気、油圧、空圧のいずれでもよい。

異常検知システム１は、例えば、第１センサ１１、第２センサ１２、符号化部１３、復号化部１４、学習部１５、異常検知部１６、状態把握部１７、訓練データベースＤＢ１、学習モデルデータベースＤＢ２を含む。

異常検知システム１は、対象機械２の運用時（機械学習モデルの運用時）に設置可能な第１センサ１１の出力する第１データＤ０から、運用時に設置しない第２センサ１２の出力する第２データＤ１を推定する。このため符号化部１３は、機械学習モデルの学習時において、第１データＤ０から第２データＤ１を推定するための潜在表現を取得する。

復号化部１４は、符号化部１３により得られた潜在表現の全てを用いて、第１センサ１１の出力する第１データＤ０を復元する復号化部１４を備える。

機械学習モデルの学習時（モデル学習時または学習モードと略記する場合がある。）では、対象機械２の状態把握に必要なすべてのセンサ１１，１２を取り付けた機械２から、第１データＤ０および第２データＤ１を取得することにより学習する。学習の際、符号化部１３は、運用時に設置可能な第１センサ１１のデータＤ０から、運用時に設置しない第２センサ１２のデータＤ１を表す潜在表現を得るように学習される。

運用時は、対象機械２に設置された第１センサ１１からのデータＤ０を用いる。異常検知システム１は、符号化部１３を用いることにより、対象機械２に設置されていない第２センサ１２のデータＤ１を推定する。

異常検知システム１の状態把握部１７は、対象機械２に設置された第１センサの第１データＤ０と対象機械２に設置されていない第２センサ１２の第２データ（推定値）とから、対象機械２の状態を把握する。

状態把握部１７は、第１センサ１１または第２センサ１２の、観測値または推定値をデータＤ５として出力する。学習時において、状態把握部１７は、第１センサ１１の観測値と第２センサ１２の観測値を出力する。後述の実施例で説明するように、状態把握部１７は、学習時において、第２センサ１２の推定値を出力することもできる。状態把握部１７は、運用時において、第１センサ１１の観測値と第２センサ１２の推定値をデータＤ５として出力する。

ここで、第１センサ１１の観測値とは、第１センサ１１により実際に計測された第１データＤ０である。第２センサ１２の推定値とは、第１データから推定された第２データＤ１である。

異常検知システム１の異常検知部１６は、第１センサ１１により観測された第１データＤ０と、機械学習モデルを構成する符号化部１３および復号化部１４により復元された第１データＤ０との差異に基づいて、対象機械２に異常が生じているかを示す異常度Ｄ６を算出し、出力する。異常度Ｄ６は、図示せぬ生産管理システムなどの他システムで利用することができる。

学習部１５は、訓練用データベースＤＢ１に格納された訓練データと第１センサ１１の第１データＤ０と第２センサ１２の第２データＤ１とに基づいて、符号化部１３で使用されるパラメタおよび復号化部１４で使用されるパラメタを学習する。さらに、学習部１５は、所定の損失関数を最小化するように、符号化部１３で使用されるパラメタと復号化部１４で使用されるパラメタとを更新し、学習用データベースＤＢ２に記憶させる。

図２は、異常検知システム１のハードウェア構成を示す。異常検知システム１は、例えば、異常検知装置１００と、第１センサ１１と、第２センサ１２とを含む。

異常検知装置１００は計算機から構成されており、計算機に所定のコンピュータプログラムを実行させることにより、その計算機を異常検知装置１００として用いることができる。図４では、一つの計算機から異常検知装置１００を構成する例を示すが、これに代えて、複数の計算機から一つまたは複数の異常検知装置１００を形成してもよい。計算機は仮想的な計算機でもよい。

異常検知装置１００は、センサ１１，１２と通信ネットワークＣＮを介して接続されている。センサ１１，１２は、例えば、マイクロフォン、振動センサ、温度センサ、電流センサ、電圧センサ、重量センサ、トルクセンサなどである。ここでは、第１センサ１１がマイクロフォン（音センサ）であり、第２センサ１２が音以外の物理量を計測するセンサである場合を例に挙げて説明する。

異常検知装置１００は、例えば、演算部１０１と、主記憶装置１０２と、補助記憶装置１０３と、入力部１０４と、出力部１０５と、通信部１０６とを備える。

演算部１０１は、一つまたは複数のマイクロプロセッサを含んでおり、補助記憶装置１０３に記憶された所定のコンピュータプログラムを主記憶装置１０２に読み出して実行することにより、異常検知装置１００としての所定の機能を実現させる。所定の機能とは、例えば、符号化部１３、復号化部１４、学習部１５、異常検知部１６、状態把握部１７である。

入力部１０４は、例えば、キーボード、タッチパネル、ポインティングデバイスなどを含むことができ、異常検知装置１００を使用するユーザからの入力を受け付ける。出力部１０５は、例えば、モニタディスプレイ、スピーカー、プリンタなどを含むことができ、ユーザへ情報を提供する。

通信部１０６は、通信ネットワークＣＮを介して、センサ１１，１２と通信する。通信部１０６は、図示せぬ他のコンピュータと通信することもできる。

記憶媒体ＭＭは、例えばフラッシュメモリまたはハードディスク等であり、異常検知装置１００へコンピュータプログラムまたはデータを転送して記憶させたり、異常検知装置１００からコンピュータプログラムまたはデータを読み出して記憶したりする。記憶媒体ＭＭは、異常検知装置１００に直接的に接続されてもよいし、通信ネットワークＣＮを介して異常検知装置１００に接続されてもよい。

センサ１１，１２の構成を説明する。第１センサ１１を例に挙げて説明する。第２センサ１２も同様に構成することができる。第１センサ１１は、例えば、センサ部１１１と、制御部１１２と、記憶部１１３と、通信部１１４とを備える。

センサ部１１１は、対象機械２の音を検出するマイクロフォンである。したがって、以下では、センサ部１１１をマイクロフォン１１１と呼ぶ場合がある。センサ部１１１により検出された音のデータは記憶部１１３に記憶される。センサ１１を制御する制御部１１２は、記憶部１１３に記憶された音データを異常検知装置１００へ向けて送信する。

図３は、機械学習モデルの学習方法を示す。図３の上側に示すように、第１センサ１１から出力された第１データＤ０は、符号化部１３へ入力される。符号化部１３は、入力された第１データＤ０の特徴量を算出し、符号化データＤ２を出力する。符号化データＤ２は、入力された第１データＤ０から第１データを復元する潜在表現（潜在変数と呼ぶこともできる。）ＬＶ１２（１）～ＬＶ１２（３），ＬＶ０を有する。

ここでは、説明のために４つの潜在表現を図示するが、実際にはより多くの潜在表現が含まれる。符号化データＤ２のうち、所定の潜在表現ＬＶ１２（１）～ＬＶ１２（３）は、第２センサ１２の出力（第２データＤ１）の推定に使用される。第１の所定の潜在表現ＬＶ１２（１）は、例えば、温度センサなどの第２センサ１２（１）の出力を推定するために使用される。第２の所定の潜在表現ＬＶ１２（２）は、例えば、電圧センサなどの第２センサ１２（２）の出力を推定するために使用される。第３の所定の潜在表現ＬＶ１２（３）は、例えば、負荷重量などの第２センサ１２（３）の出力を推定するために使用される。温度センサ、電圧センサ、負荷重量センサは説明のための例示である。

その他の潜在表現ＬＶ０は、第２センサ１２の出力推定には使用されず、第１センサ１１の出力を復元するためにのみ使用される。すなわち、符号化部１３の出力する符号化データＤ２のうちの一部の所定データＬＶ１２（１）～ＬＶ１２（３）だけが第２センサ１２の出力を推定するために使用され、残りのデータＬＶ０は所定データＬＶ１２（１）～ＬＶ１２（３）と共に第１センサ１１の出力を推定するために使用される。

図３の中央に示すように、機械学習モデルの学習時には、対象機械２に第１センサ１１だけでなく第２センサ１２（１）～１２（３）も取り付けられて、観測値としてのデータＲＶ１２（１）～ＲＶ１２（３）を出力する。

学習部１５は、所定の潜在表現ＬＶ１２（１）～ＬＶ１２（３）から推定されたデータと、実際の第２センサ１２（１）～１２（３）により計測された観測データＲＶ１２（１）～ＲＶ１２（３）とを比較し、両者の差分である推定誤差を算出する。

一方、復号化部１４は、符号化部１３の出力する符号化データＤ２から第１センサ１２の第１データＤ０を復元し、復元された第１データＤ０Ａを出力する。ここでは、理解のために、観測された第１データの符号“Ｄ０”と復元された第１データの符号“Ｄ０Ａ”とを変えて説明する。

学習部１５は、第１センサ１１の出力した第１データＤ０と復号化部１４により復元された第１データＤ０Ａとを比較して、両者の差分である復元誤差（再構成誤差）を算出し、推定誤差と復元誤差とを合計した損失が最小化するように、符号化部１３のパラメタおよび復号化部１４のパラメタを調整する。

図４は、本実施例の効果を示す説明図である。図４（１）は比較例を示す。比較例では、第１センサ１１の出力する第１データＤ０から得られる潜在表現ＬＶ１２（１）～ＬＶ１２（３）の全てを使用して、第２センサ１２の出力する第２データＤ１を推定する。したがって、第２データＤ１と無関係の変動が第１データＤ０に加わった場合でも、その変動は第２データＤ１の推定に反映されてしまう。

例えば、第１センサ１１が対象機械２の稼働音を測定しており、その稼働音から対象機械の稼働速度が推定される場合を説明する。対象機械２に隣接する他装置の稼働音は、第１センサ１１の計測対象ではないので、ノイズとなる。第１センサ１１が他装置の稼働音を対象装置２の稼働音に含めて検出してしまうと、そのノイズ成分は稼働速度の推定値に反映されてしまう。

これに対し、図４（２）に示す本実施例の方法では、符号化部１３の生成する潜在表現の一部だけが第２センサ１２の第２データＤ１の推定に使用され、他の潜在表現ＬＶ０は第２データの推定に使用されない。したがって、推定対象データＤ１に無関係な原因で、符号化部１３への入力データＤ０が変動した場合、その変動は推定に使用されない他の潜在表現ＬＶ０に集約される。このため、その変動が第２データＤ１の推定に無関係であることを確認できる。

図５は、学習処理Ｓ１のフローチャートである。異常検知システム１は、第１センサ１１から第１データＤ０を取得し（Ｓ１０１）、取得した第１データＤ０を補助記憶装置１０３へ保存する（Ｓ１０２）。

異常検知システム１は補助記憶装置１０３に保存された第１データＤ０を主記憶装置１０２に読み込ませ（Ｓ１０３）、符号化部１３により符号化させる（Ｓ１０４）。異常検知システム１は、符号化部１３により生成された潜在表現のうち所定の潜在表現から第２センサ１２の第２データＤ１を推定する（Ｓ１０５）。

異常検知システム１は、復号化部１４により、符号化部１３の生成した全ての潜在表現を用いて第１データＤ０を復元させる（Ｓ１０６）。異常検知システム１は、符号化部１３に入力された第１データＤ０と復号化部１４により復元された第１データＤ０Ａとの復元誤差と、第２センサ１２で観測された第２データと所定の潜在表現から推定された第２データとの推定誤差とを、損失として計算する（Ｓ１０７）。

異常検知システム１は、算出された損失の値が最小となるように、機械学習モデルのパラメタを繰り返し学習させる（Ｓ１０９～Ｓ１１１）。それら機械学習モデルのパラメタは、学習用データベースＤＢ２へ記憶される（Ｓ１１２）。

すなわち、異常検知システム１は、所定の収束条件を満たすか、または本処理の反復回数Ｃ１が上限値ＴｈＣを超えたかを判定する（Ｓ１０８）。収束条件を満たさない場合、または反復回数Ｃ１が上限値ＴｈＣ以下の場合、モデル更新部１５は、機械学習モデルのパラメタを更新し（Ｓ１０９）、収束条件を計算し（Ｓ１１０）、反復回数Ｃ１を１つインクリメントさせてステップＳ１０８へ戻る。

所定の収束条件が満たされると（Ｓ１０８：ＹＥＳ）、異常検知システム１は、機械学習モデルのパラメタを学習用データベースＤＢ２へ保存させる（Ｓ１１２）。

図６は、対象機械２の異常を検知する処理Ｓ２を示すフローチャートである。異常検知処理Ｓ２は、機械学習モデルが運用される運用時の処理に該当する。本実施例における運用時では、第１センサ１１だけが対象機械２に設けられており、第２センサ１２は対象機械に設けられていない。

異常検知システム１は、学習モデルデータベースＤＢ２から機械学習モデルのパラメタを読み込んで符号化部１３および復号化部１４に設定する（Ｓ２０１）。異常検知システム１は、第１センサ１１から第１データＤ０を取得して（Ｓ２０２）、補助記憶装置１０３に保存させる（Ｓ２０３）。

異常検知システム１は、補助記憶装置１０３に記憶された第１データＤ０を主記憶装置１０２に読み込ませ（Ｓ２０４）、符号化部１３によって第１データＤ０を符号化させることにより、潜在表現を生成させる（Ｓ２０５）。

異常検知システム１は、符号化部１３により生成された潜在表現のうち所定の潜在表現から、第２センサ１２の第２データＤ１を推定する（Ｓ２０６）。

一方、復号化部１４は、符号化部１３の生成した潜在表現の全てを用いて、第１データＤ０（図３中のＤ０Ａ）を復元する（Ｓ２０７）。

異常検知ステップＳ２０８では、異常検知システム１は、第１データＤ０の復元誤差を異常度として扱い、異常度の大きさから対象機械２が異常状態であるか正常状態であるかを判定する。さらに、異常検知システム１は、観測値である第１データと推定値である第２データＤ１とから、対象機械２の状態を把握すると共に、対象機械２が異常状態であると判定された場合の原因を推定する。

例えば、異常検知システム１は、対象機械２の稼働音から対象機械２が異常状態であると判定した場合、稼働速度、温度、電圧などの第２センサ１２の出力する第２データＤ１の推定値から、対象機械２の異常の原因を推定できる。例えば、稼働音から対象機械２が異常であると判定された場合に、対象機械２の温度が所定の温度よりも高かった場合、異常検知システム１は、対象機械２の異常は温度が原因であると推定できる。

このように構成される本実施例によれば、運用時に使用される第１センサ１１の第１データＤ０に基づいて、運用時には使用されない第２センサ１２の第２データＤ１を推定することができる。したがって、センサ取付けの制約などから複数のセンサを対象機械２に取り付けることができない場合でも、複数のセンサのデータＤ０，Ｄ１から対象機械２の異常を検知したり、状態を監視したりすることができる。

本実施例では、対象機械２を監視するために必要なセンサ群の一部のセンサ１１を対象機械２に取り付けるだけでよいため、センサの購入コストおよび取付けコストを少なくでき、この結果、異常検知システム１のコストを低減できる。

本実施例では、機械学習モデルの有する潜在表現の一部である所定の潜在表現から第２センサ１２の第２データＤ１を推定するため、第１センサ１１の第１データＤ０に第２センサ１２と無関係のノイズが入った場合でも、そのノイズが第２データＤ１の推定に与える影響を低減することができ、信頼性が向上する。

図７～図１０を用いて第２実施例を説明する。本実施例を含む以下の各実施例では、第１実施例との相違を中心に述べる。本実施例では、物理量の因果関係を規定する物理因果データベースＤＢ３を用いて、複数の第１センサ候補の中から第１センサ１１として選択すべきセンサを選定する。

図７は、本実施例に係る異常検知システム１ａのブロック図である。異常検知システム１Ａは、図１で述べた異常検知システム１の構成を全てを備えており、さらに第１センサ選定部１８と物理因果データベースＤＢ３が追加されている。

第１センサ選定部１８は、対象機械２の状態把握に必要なセンサを規定するセンサリストＬ０を受領すると、物理因果データベースＤＢ３を参照し、センサリストＬ０に記載されたセンサ群の中から第１センサ１１を選定する。センサリストＬ０に記載されたセンサ群のうち第１センサ１１として選定されなかったセンサは、第２センサとなる。

図８は、第１センサ１１を選定する方法を示す。第１センサ選定部１８は、センサリストＬ０に記載されたセンサ群と物理因果データベースＤＢ３とを照合し、最も効率的に対象機械２の状態を把握できる第１センサ１１および第２センサ１２を選択する。最も効率的に対象機械２の状態を把握するとは、最も少ない数のセンサによって対象機械２の状態を把握することである。

一例を挙げて説明する。センサリストＬ０には、対象機械２の状態把握に必要なセンサの種類として、モータ回転数を検出するセンサ、温度センサ、振動センサ、モータ加速度を検出するセンサ、稼働音を検出するセンサが記載されているとする。すなわち、センサリストＬ０には、対象機械２の状態把握に必要な物理量が規定されている。

物理因果データベースＤＢ３には、複数の物理量間の因果関係が示されている。例えば、機械のモータ回転数は稼働音に影響しうるが、稼働音に影響されることはない。このような物理的因果関係を用いることで、効率的に対象機械２の状態を把握できる第１センサ１１を選定することができる。物理的因果関係は、異常検知システム１Ａの管理者などが手動で事前に設定してもよいし、シミュレーションソフトウェアなどによって半自動的または自動的に作成されてもよい。

このように構成される本実施例も第１実施例と同様の作用効果を奏する。さらに本実施例では、対象機械２の状態把握に必要なセンサ群（計測値が必要な物理量）を示すセンサリストＬ０に基づいて、最小構成のセンサを決定することができる。したがって、異常検知システム１のユーザの利便性が向上する。

図９および図１０を用いて本実施例の変形例を説明する。本変形例では、物理因果データベースＤＢ３を用いずに、センサリストＬ０に記載されたセンサ群の中から第１センサ１１を選定する。前記同様、第１センサ１１として選定されなかったセンサは、第２センサ１２となる。

図９は本変形例に係る異常検知システム１Ａ１のブロック図である。異常検知システム１Ａ１は、第１センサ選定部１８を備えているが、物理因果データベースＤＢ３は備えていない。

図１０は、第１センサ選定部１８が第１センサ１１を選定する方法を示す。第１センサ選定部１８は、センサリストＬ０に記載されたセンサ群から一つのセンサを第１センサの候補１１Ａとして選択し、選択しなかったセンサを第２センサの候補１２Ａとする。そして、異常検知システム１Ａ１は、第１センサ候補１１Ａの観測値Ｄ０と復元値Ｄ３との復元誤差と、第２センサ候補１２Ａの観測値と符号化部１３により生成された所定の潜在表現から推定される推定値との推定誤差とを算出する。

異常検知システム１Ａ１は、第１センサ候補１１Ａを変えながら、学習時の損失を計算し、損失が最小となる第１センサ候補１１Ａを第１センサ１１として選択する。

このように構成される本変形例も本実施例と同様の作用効果を奏する。さらに本変形例では、物理因果データベースＤＢ３を使用しないため、物理因果データベースＤＢ３をあらかじめ用意する必要がない。したがって、本変形例では、異常検知システム１Ａ１のユーザの利便性がさらに向上する。

図１１および図１２を用いて第３実施例を説明する。本実施例に係る異常検知システム１Ｂでは、対象機械２の異常を検知する際に、第１データＤ０の復元誤差に加えて第２データＤ２の推定誤差を用いて異常度の算出を行う。

図１１は、本実施例に係る異常検知システム１Ｂのブロック図である。図１２は、異常を検知する方法を示す。本実施例では、機械学習モデルの学習時のみならず運用時においても、第１センサ１１および第２センサ１２が対象機械２に設けられており、それぞれのデータを観測値として出力する。

図１２の上側に示すように、異常検知システム１Ｂは、機械学習モデルの学習時において、第１センサ１１の第１データＤ０に基づく潜在表現のうち所定の潜在表現に基づいて、第２センサ１２の第２データを推定できるように、機械学習モデルのパラメタを決定する（Ｓ３０１）。

機械学習モデルの運用時において、対象機械２には第１センサ１１と第２センサ１２とが設けられており、第１センサ１１は観測値として第１データＤ０を出力し、第２センサ１２は観測値として第２データＤ１を出力する。

異常検知システム１Ｂは、機械学習モデルの運用時において、第２センサ１２が観測した第２データＤ１と第１データＤ０から推測された第２データＤ２とを比較し、推定誤差を算出する（Ｓ３０２）。

異常検知システム１Ｂは、第１データＤ０と第１データＤ０から復元されたデータＤ０Ａとの復元誤差を算出し（Ｓ３０３）、推定誤差および復元誤差から対象機械２の異常度を判定する（Ｓ３０４）。

このように構成される本実施例も第１実施例と同様の作用効果を奏する。さらに本実施例では、復元誤差に加えて推定誤差も含めて異常度を算出するため、復元誤差のみを用いて異常度を算出する方式に比べて高い精度で対象機械２の異常を検知することができる。本実施例では、第１データＤ０の復元誤差から対象機械２の異常を検知することができ、さらに、第１データＤ０（観測値）と第２データＤ１（観測値）とから異常の原因を推定できる。さらに、本実施例では、第２データＤ１（観測値）と第２データＤ１（推定値）との推定誤差を用いて高精度な異常検知を行うことができる。

図１３および図１４を用いて第４実施例を説明する。本実施例では、対象機械２についてのデータが少ない場合に、対象機械２と同種の機械についてのデータから作成された学習モデルを初期モデルとして使用し、対象機械２から得られたデータで初期モデルをファインチューニングする。

図１３は、異常検知システム１Ｃのブロック図である。本実施例の異常検知システム１Ｃは、事前学習済みモデル用データベースＤＢ４を備える。事前学習済みモデル用データベースＤＢ４は、事前学習済みモデルＭ０（図１４参照）を格納する。

図１４を用いて、事前学習済みモデルＭ０を説明する。事前学習済みモデルＭ０とは、対象機械２と同一の機械ジャンルに属するが個体識別番号は相違する、といった同種機械について生成された学習モデルである。

機械ジャンルは、例えば、「Ａ社製の油圧式プレスマシン」、「Ｂ社製の電動式ダイカストシステム」とったように、機械種別とベンダー名と駆動方式などを含む情報から分類することができる。あるいは、機械ジャンルは、機械種別および駆動方式から分類されてもよい。さらには、例えば業界での標準化が進んでいる機械の場合、機械ジャンルは、機械種別だけで分類されてもよい。

図１４の例では、２つの機械ジャンルＭＧ１，ＭＧ２が示されている。例えば、機械ジャンルＭＧ１と機械ジャンルＭＧ２は、同一ベンダーの製品であるが、その駆動方式が油圧式と電動式のように異なる。異常検知システム１を利用するユーザの工場には、機械ジャンルＭＧ１，ＭＧ２に属する機械が設けられているとする。

機械ジャンルＭＧ１は、２つの識別番号ＩＮ１，ＩＮ２を含んでいる。一方、他の機械ジャンルＭＧ２は、２つの識別番号ＩＮ３，ＩＮ４を含んでいる。対象機械２は、機械ジャンルＭＧ１の識別番号ＩＮ１を持つ機械であるとする。

異常検知システム１は、対象機械２（ＭＧ１，ＩＮ１）についてセンサ１１，１２の計測したデータに基づいて、上述の通り、学習モデルデータベースＤＢ２内の学習モデルを学習させる（Ｓ４０１）。

ここで、対象機械２が最近導入されたばかりであり、対象機械２について計測されたデータが少ない場合、精度のよい機械学習モデルの生成に時間がかかる。そこで、異常検知システム１は、対象機械２と識別番号ＩＮは異なるが同一の機械ジャンルＭＧ１に属する同種機械（ＭＧ１，ＩＮ２）について生成された機械学習モデルを、事前学習済みモデルＭ０として利用する（Ｓ４０２）。

異常検知システム１は、事前学習済みモデル用データベースＤＢ４に記憶された事前学習済みモデルＭ０を取得し、その事前学習済みモデルＭ０を対象機械２の監視に使用する機械学習モデルの初期値として使用する（Ｓ４０３）。

そして、異常検知システム１は、第１センサ１１，第２センサ１２が対象機械２について測定したデータにより、機械学習モデル（＝初期値は事前学習済みモデルＭ０）をファインチューニングする（Ｓ４０４）。

このように構成される本実施例も第１実施例と同様の作用効果を奏する。さらに本実施例では、対象機械２について計測されたデータＤ０，Ｄ１が少ない場合に、対象機械２の同種機械について作成された事前学習済みモデルを機械学習モデルの初期値として使用し、対象機械２の計測データでファインチューニングするため、より短時間で適切な機械学習モデルを作成することができる。

図１５および図１６を用いて第５実施例を説明する。本実施例では、対象機械２について測定される物理量が機械２の状態に応じて連続的に変化する場合に、観測されたデータ同士の間のデータを補間する。

図１５は、本実施例の異常検知システム１Ｄのブロック図である。異常検知システム１Ｄは、第１センサ１１の検出した第１データＤ０を拡張するためのデータ拡張部１９を備える。本実施例では、対象機械２の状態把握に使用する機械学習モデルの学習時において、第１センサ１１および第２センサ１２の両方を利用することができる。機械学習モデルの運用時には、第１センサ１１は使用可能であるが、第２センサ１２は使用可能でもよいし、そうでなくてもよい。すなわち、運用時は、第２センサ１２の第２データを第１データに基づいて推定してもよい。

図１６は、データ拡張方法を示す。例えば、第１センサ１１が稼働音を計測するマイクロフォンであり、対象機械２の温度、稼働速度、圧力などのように連続的に変化する状態に応じて対象機械２の稼働音が変化する場合を説明する。

この場合、対象機械２の連続的変化に対応する稼働音を全て計測するのは難しい。そこで、異常検知システム１Ｄは、対象機械２のある状態で計測された稼働音のデータＤ０（稼働速度ｖ１００のときの稼働音）と、対象機械２の他の状態で計測された稼働音のデータＤ０（稼働速度ｖ３００のときの稼働音）とに基づいて、例えばＭｉｘ－ｕｐなどのデータ拡張手法を用いることにより、拡張データ（補間データ）Ｄ０Ｅを生成する。

この例では、稼働速度ｖ１０１のときの稼働音のデータ、稼働速度ｖ１０２のときの稼働音のデータ、稼働速度ｖ１０３のときの稼働音のデータ、・・・稼働速度ｖ２９９のときの稼働音のデータといった未計測のデータを事前に取得することができる。

このように構成される本実施例も第１実施例と同様の作用効果を奏する。さらに本実施例では、対象機械２の連続的状態変化に伴って第１センサ１１の出力する第１データＤ０が変化する場合でも、第１センサ１１のデータＤ０を拡張して事前に取得することができ、早期に機械学習モデルを作成することができる。

図１７～図２２を用いて第６実施例を説明する。本実施例では、対象機械２の特性に応じて、機械学習モデルで用いる損失関数を最適化することにより、異常検知精度を高めると共に、要求されるロバスト性を満たすことができるようにした。

図１７は、学習時における異常検知システム１Ｅのブロック図である。異常検知システム１Ｅは、例えば、センサ５１と、特徴量抽出部５２と、機械学習部５３と、損失計算部５４と、異常判定部５５と、波形判定部５６と、ハイパーパラメタ設定部５７と、訓練データデータベースＤＢ１Ｅと、学習モデルデータベースＤＢ２Ｅと、ハイパーパラメタセットデータベースＤＢ５を含むことができる。

ここでは、センサ５１として、対象機械２の稼働音を計測するマイクロフォンのようなセンサを例に挙げて説明する。稼働音に代えて振動を計測する場合、振動センサをセンサ５１として使用すればよい。

特徴量抽出部５１は、センサ１１により計測されたデータＤ５０から特徴量ベクトル（以下、特徴量）Ｄ５１を抽出し、抽出された特徴量Ｄ５１を訓練データデータベースＤＢ１Ｅに保存する。

機械学習部５３は、特徴量抽出部５２により抽出された特徴量Ｄ５１によって、学習モデルデータベースＤＢ２Ｅに格納された機械学習モデルを学習させる。

損失計算部５４は、センサ５１の観測値と機械学習モデルで復元された復元値との損失を計算する。この損失の大きさにより、対象機械２がどの程度異常であるかを判断することができるため、異常度計算部５４と呼ぶこともできる。

異常判定部５５は、損失計算部５４から出力されたデータＤ５３（損失または異常度）に基づいて、対象機械２が異常であるか判定する。

波形判定部５６は、抽出された特徴量Ｄ５１に基づいて、稼働音の波形パターンがあらかじめ登録されている波形パターンのいずれに該当するか判定する。ハイパーパラメタ設定部５７は、波形判定部５６の判定結果に基づいてハイパーパラメタセットデータベースＤＢ５を参照することにより、ハイパーパラメタセットを一つ選択し、選択したハイパーパラメタセットＤ５２を損失計算部５４に設定する。

図１８は、異常検知システム１Ｅを計算機５０を用いて構成する場合のハードウェア構成図である。

計算機５０は、例えば、制御部５０１と、メモリ部５０２と、ストレージ５０３と、入出力デバイス（Ｉ／Ｏデバイス）５０４とを備えており、通信ネットワークＣＮに接続されている。また、計算機５０には、記憶媒体ＭＭを接続することもでき、記憶媒体ＭＭとメモリ５０２またはストレージ５０３との間でコンピュータプログラムまたはデータを送受信することもできる。

ストレージ５０３に格納された所定のコンピュータプログラムがメモリ５０２に読み込まれ、制御部（演算部）５０１により実行されると、特徴量抽出部５２、機械学習部５３、損失計算部５４、異常判定部５５が実現される。所定のコンピュータプログラムの一部または全部は記憶媒体ＭＭへ格納することができる。

図１９は、損失計算部５４に対象機械２の特性および要求されるロバスト性に応じたハイパーパラメタセットを設定する方法を示す。

波形判定部５６は、機械種別と波形パターン等との組合せを示すテーブルＴ１に基づいて、機械種別に対応する波形パターン等を選択する。波形パターン等とは、対象機器２毎の、波形パターンとノイズの傾向を示す。例えば、ファンの場合、定常的な稼働音を出力し、突発的な音（ノイズ）は殆ど発生しない。ポンプの場合、定常的な稼働音を出力するが、時々突発的な音が発生することがある。スライダーの場合、作動時と停止時とで異なる音を発生させるため、定常的な稼働音と非定常的稼働音とが混在する。バルブの場合、時々作動するため、その稼働音は非定常的である。波形判定部５６は、対象機械２がいずれの機械種別に該当するかを、対象機械２の稼働音の特徴量Ｄ５１から判別してもよいし、対象機械２の種別を示す信号を取得して判定してもよい。例えば、異常検知システム１Ｅを工場に設置する際に、対象機械２の種別を手動で設定してもよい。

ハイパーパラメタ設定部５７は、波形判定部５６による判定結果（どの波形パターン等に該当するか）に基づいてハイパーパラメタセットデータベースＤＢ５を参照することにより、損失計算部５４に設定すべきハイパーパラメタセットを特定する。

ハイパーパラメタセットデータベースＤＢ５は、例えば、セット番号と、波形パターン等と、要求ロバスト性と、ハイパーパラメタと、サンプル数と、損失関数の重みとを対応付けて管理する。

要求ロバスト性とは、対象機械２の異常判定について要求されるロバスト性を示す。要求ロバスト性には、例えば、「高い」「低い」「ミディアムロ－」「ミディアムハイ」などがある。図２０に示すように、ハイパーパラメタは、例えば、損失計算部５４の使用する確率分布関数の標準偏差δと平均値μを含む。

ハイパーパラメタ設定部５７は、判定された波形パターン等に対応するハイパーパラメタセットを選択し、選択したハイパーパラメタセットに含まれるハイパーパラメタおよび損失関数の重みを損失計算部５４に設定する。

図２０に示すように、ファンのように稼働音が安定しており、ノイズが混入する可能性が少ない場合は、要求されるロバスト性を高くする必要はないため、要求されるロバスト性は低く設定される。そこで、この場合、損失計算部５４により正常と判定される範囲が狭くなるように、ハイパーパラメタセットが選択される（Ｓｅｔ１）。

これに対し、バルブのように不定期に作動し、非定常的な稼働音を出力する場合、要求されるロバスト性は高くなる。バルブの稼働音は安定したパターンではないため、要求ロバスト性を低くしてしまうと、バルブが異常であると誤判定する可能性が高くなるためである。この場合、損失計算部５４により正常と判定される範囲が広くなるように、ハイパーパラメタセットが選択される（Ｓｅｔ４）。ポンプおよびスライダーが対象機械２である場合に使用されるハイパーパラメタセットは、損失計算部５４により正常であると判定される範囲がファンの場合とバルブの場合との中間の値となる。

図２１は、学習時の処理Ｓ１１を示すフローチャートである。異常検知システム１Ｅは、センサ５１で計測されたデータＤ５０を取得し（Ｓ１１０１）、取得したデータＤ５０をストレージ５０３へ保存する（Ｓ１１０２）。異常検知システム１Ｅは、ストレージ５０３からメモリ５０２にデータＤ５０を読込み（Ｓ１１０３）、特徴量抽出部５２により特徴量Ｄ５１を抽出させる（Ｓ１１０４）。

異常検知システム１Ｅは、波形判定部５６により特徴量Ｄ５１の波形パターン等を判定させ（Ｓ１１０５）、ハイパーパラメタ設定部５７により、波形パターン等に応じたハイパーパラメタセットを選択させる（Ｓ１１０６）。

損失計算部５４は、ハイパーパラメタ設定部５７により設定されたハイパーパラメタセットを使用して、機械学習モデルの損失を計算する（Ｓ１１０８）。

異常検知システム１Ｅは、算出された損失の値が最小となるように、機械学習モデルのパラメタを繰り返し学習させる（Ｓ１１０９～Ｓ１１１１）。それら機械学習モデルのパラメタは、学習用データベースＤＢ２Ｅへ記憶される（Ｓ１１１２）。

すなわち、異常検知システム１Ｅは、所定の収束条件を満たすか、または本処理の反復回数Ｃ１が上限値ＴｈＣを超えたかを判定する（Ｓ１１０８）。収束条件を満たさない場合、または反復回数Ｃ１が上限値ＴｈＣ以下の場合、機械学習部５３は、機械学習モデルのパラメタを更新し（Ｓ１１０９）、収束条件を計算し（Ｓ１１０）、反復回数Ｃ１を１つインクリメントさせてステップＳ１１０８へ戻る。

所定の収束条件が満たされると（Ｓ１１０８：ＹＥＳ）、異常検知システム１Ｅは、機械学習モデルのパラメタを学習用データベースＤＢ２Ｅへ保存させる（Ｓ１１２）。

図２２は、対象機械２の異常を検知する処理Ｓ２１を示すフローチャートである。異常検知システム１Ｅは、学習モデルデータベースＤＢＥ２から機械学習モデルのパラメタを読み込んで設定する（Ｓ２１０１）。

異常検知システム１Ｅは、センサ５１からデータＤ５０を取得して（Ｓ２１０２）、ストレージ５０３へ保存させる（Ｓ２１０３）。

異常検知システム１Ｅは、ストレージ５０３に記憶されたデータＤ５０をメモリ５０２に読み込ませ（Ｓ２１０４）、特徴量抽出部５２により特徴量Ｄ５１を抽出させる（Ｓ２１０５）。

異常検知システム１Ｅは、波形判定部５６により波形パターン等を判定させ（Ｓ２１０６）、ハイパーパラメタ設定部５７により、判定結果に応じたハイパーパラメタセットを損失計算部５４に設定させる（Ｓ２１０７）。

異常検知システム１Ｅは、損失計算部５４によって、対象機械２の性質に応じた手法で異常度を計算させる（Ｓ２１０８）。異常検知システム１Ｅは、異常判定部５５により、算出された異常度が所定の閾値よりも大きいか判定させる（Ｓ２１０９）。

異常判定部５４は、算出された異常度が所定の閾値よりも大きい場合（Ｓ２１０９：ＹＥＳ）、対象機械２が異常状態であると判定する（Ｓ２１１０）。これに対し、異常判定部５４は、算出された異常度が所定の閾値以下の場合（Ｓ２１０９：ＮＯ）、対象機械２は正常状態であると判定する（Ｓ２１１１）。

このように構成される本実施例によれば、対象機械２の種類に応じて選択されるハイパーパラメタセットを損失計算部５４に設定することができるため、より適切に対象機械２の異常を検知することができる。

本実施例では、対象機械２について計測する物理量の変化の程度（定常的か非定常的か、ノイズが混入するかなど）に応じて、ロバスト性を決定するため、対象機械２の性質に応じて異常を検知することができる。

本実施例と第１～第５実施例と結合させることもできる。例えば、本実施例でも第１実施例と同様に第１センサおよび第２センサを用いてもよい。そして、第１センサから得られる潜在表現の一部を用いて第２センサの値を推定してもよい。

なお、本発明は上述の実施例に限定されず、様々な変形例が含まれる。例えば、上述の実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。また、各実施例の構成の一部について、他の構成の追加・削除・置換をすることが可能である。

本発明の各構成要素は、任意に取捨選択することができ、取捨選択した構成を具備する発明も本発明に含まれる。さらに特許請求の範囲に記載された構成は、特許請求の範囲で明示している組合せ以外にも組合せることができる。

１：異常検知システム、１１：概念種別付与部、１２：特徴ベクトル抽出部、１３：尤度計算部、１４：損失計算部、１５：モデル更新部、１６：再学習要否判定部、１７：異常算出部、２１：学習用モデル尤度計算部、２２：学習済モデル尤度計算部、３１：同位概念種別付与部、Ｍ：機器

Claims (8)

1. 計算機により対象機械の異常を検知する異常検知システムであって、
   前記計算機は、前記対象機械に取り付けられる第１センサから第１データを取得すると共に、前記対象機械に取り付けられる第２センサから第２データを取得する通信部と、演算部および記憶部を備えており、
   前記演算部は、
   前記第１データに基づいて前記第２データを推定する所定の潜在表現を含む潜在表現を生成するように学習された符号化部と、
   前記潜在表現から前記第１データを復元するように学習された復号化部と、
   前記第１データと前記復号化部により復元された第１データとの復元誤差に基づいて、前記対象機械の異常を検知する異常検知部と
   を備える
   異常検知システム。
2. 前記第２センサは、前記所定の潜在表現を得るために、学習モードにおいて前記対象機械に一時的に取り付けられるものであり、
   前記演算部は、前記第１データと前記所定の潜在表現から推定された前記第２データとに基づいて前記対象機械の状態を監視する状態監視部をさらに備える
   請求項１に記載の異常検知システム。
3. 前記記憶部は、前記第１センサの候補毎に、前記第１データから推定可能な前記第２データを出力する前記第２センサがあらかじめ対応付けられたセンサ対応関係管理部が記憶されており、
   前記演算部は、前記センサ対応関係管理部に基づいて前記第１センサの候補の中からいずれか一つの第１センサを選択する第１センサ選択部をさらに備える
   請求項２に記載の異常検知システム。
4. 前記異常検知部は、前記第１センサにより観測された前記第１データと前記復号化部により復元される第１データとの復元誤差と、前記第２センサにより観測された前記第２データと前記所定の潜在表現から推定される前記第２データとの推定誤差とに基づいて、前記対象機械の異常を検知する
   請求項１に記載の異常検知システム。
5. 前記記憶部には、前記対象機械と同一種類の機器であって個体識別番号が相違する同種機器に取り付けられた前記第１センサからの第１データと前記第２センサからの第２データとに基づいて事前に学習された事前学習モデルが記憶されており、
   前記演算部は、前記事前学習モデルを、前記符号化部のパラメタおよび前記復号化部のパラメタを調整する学習モデルの初期モデルとして使用する
   請求項１に記載の異常検知システム。
6. 前記演算部は、前記第１センサからの前記第１データを補間するデータ補完部をさらに備える
   請求項１に記載の異常検知システム。
7. 計算機により対象機械の異常を検知する異常検知方法であって、
   前記計算機は、
   前記対象機械に取り付けられる第１センサから第１データを取得し、
   前記対象機械に取り付けられる第２センサから第２データを取得し、
   前記第１データに基づいて前記第２データを推定する所定の潜在表現を含む潜在表現を生成するように符号化部を学習させ、
   前記潜在表現から前記第１データを復元するように復号化部を学習させ、
   前記第１データと前記復号化部により復元された第１データとの復元誤差を算出させ、
   前記算出された復元誤差に基づいて、前記対象機械の異常を検知し、
   前記第１データと前記所定の潜在表現から推定された前記第２データとに基づいて、前記対象機械の状態を監視する
   異常検知方法。
8. 対象機械の異常を検知する異常検知システムであって、
   前記対象機械に対応するセンサから得られるセンサデータに基づいて特徴量を抽出する特徴量抽出部と、
   前記抽出された特徴量を機械学習モデルへ入力させることにより特徴量を復元させるモデル学習部と、
   前記モデル学習部により復元された特徴量と前記特徴量抽出部により抽出された特徴量と所定のハイパーパラメタとに基づいて損失を計算する損失計算部と、
   前記損失計算部により計算された損失に基づいて前記対象機械の異常を判定する異常判定部と、
   前記特徴量抽出部により抽出された特徴量に基づいて、前記対象機械の種類に応じてあらかじめ用意されたハイパーパラメタの中から前記抽出された特徴量に対応するハイパーパラメタを前記所定のハイパーパラメタとして選択し、前記損失計算部に設定するハイパーパラメタ設定部と
   を備える異常検知システム。

Images