JP5342708B1 - 異常検知方法及びその装置 - Google Patents

異常検知方法及びその装置 Download PDF

Info

Publication number
JP5342708B1
JP5342708B1 JP2013128261A JP2013128261A JP5342708B1 JP 5342708 B1 JP5342708 B1 JP 5342708B1 JP 2013128261 A JP2013128261 A JP 2013128261A JP 2013128261 A JP2013128261 A JP 2013128261A JP 5342708 B1 JP5342708 B1 JP 5342708B1
Authority
JP
Japan
Prior art keywords
cluster
feature vector
feature vectors
abnormality
normal
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.)
Active
Application number
JP2013128261A
Other languages
English (en)
Other versions
JP2014032657A (ja
Inventor
久恵 渋谷
俊二 前田
Original Assignee
株式会社日立パワーソリューションズ
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 株式会社日立パワーソリューションズ filed Critical 株式会社日立パワーソリューションズ
Priority to JP2013128261A priority Critical patent/JP5342708B1/ja
Application granted granted Critical
Publication of JP5342708B1 publication Critical patent/JP5342708B1/ja
Publication of JP2014032657A publication Critical patent/JP2014032657A/ja
Active legal-status Critical Current

Links

Images

Abstract

【課題】プラントなどの設備における事例ベースの異常検知においては、学習データ全体
から新しい観測データに近いデータを探索する必要があるため、計算時間が長くかかると
いう問題があった。
【解決手段】予め学習データをクラスタリングしてクラスタ中心とクラスタに属するデー
タを記憶しておき、新しい観測データに近いクラスタに属する学習データから新しい観測
データに近いデータを選択し、この選択したデータから正常モデルを作成し異常測度を求
めてしきい値を決め、新しい観測データと正常モデルから異常測度を求め、これをしきい
値と比較して設備の異常を検知する方法を採用し、学習データをクラスタ化して新しい観
測データに近いクラスタに属する学習データを用いて正常モデルを作成することにより、
データ検索の時間を短縮して短時間での設備の異常診断を可能にした。
【選択図】図1

Description

本発明は、プラントや設備などの出力する多次元時系列データをもとに異常を早期に検
知する異常検知方法およびその装置に関する。
電力会社では、ガスタービンの廃熱などを利用して地域暖房用温水を供給したり、工場
向けに高圧蒸気や低圧蒸気を供給したりしている。石油化学会社では、ガスタービンなど
を電源設備として運転している。このようにガスタービンなどを用いた各種プラントや設
備において、設備の不具合あるいはその兆候を検知する予防保全は、社会へのダメージを
最小限に抑えるためにも極めて重要である。
ガスタービンや蒸気タービンのみならず、水力発電所での水車、原子力発電所の原子炉
、風力発電所の風車、航空機や重機のエンジン、鉄道車両や軌道、エスカレータ、エレベ
ータ、機器・部品レベルでも、搭載電池の劣化・寿命など、上記のような予防保全を必要
とする設備は枚挙に暇がない。
このため、対象設備やプラントに複数のセンサを取り付け、センサ毎の監視基準に従っ
て正常か異常かを判断することが行われている。米国特許第6,952,662号明細書(
特許文献1)や米国特許第6,975,962号明細書(特許文献2)には、おもにエンジ
ンを対象とした異常検知方法が開示されている。これは、過去のデータ例えば時系列セン
サ信号をデータベースとしてもっておき、観測データと過去の学習データとの類似度を独
自の方法で計算し、類似度の高いデータの線形結合により推定値を算出して、推定値と観
測データのはずれ度合いを出力するものである。
また、特開2011―70635号公報(特許文献3)には、過去の正常データから作
成されたモデルとの比較によって算出される異常測度に基づいて異常の有無を検知する異
常検知方法において、正常モデルを局所部分空間法によって作成することが開示されてい
る。
米国特許第6,952,662号明細書 米国特許第6,975,962号明細書 特開2011―70635号公報
Stephan W. Wegerich;Nonparametric modeling of vibration signal features for equipment health monitoring、Aerospace Conference, 2003. Procee dings. 2003 IEEE,Volume 7, Issue, 2003 Page(s):3113−3121
特許文献1や特許文献2に記載の方法によれば、学習データとして正常時のデータを与
えることにより、学習にない観測データが観察されると、これらを異常として検出するこ
とができる。しかし、その異常検知性能は学習データの質に大きく左右されるため、正常
な学習データを正確かつ網羅的に収集する必要がある。多様な正常状態を有する設備に対
してこのような学習データ収集を行うことは非常に負荷が高く、さらに、たとえ質の良い
学習データを収集可能であっても、計算負荷の高い方法であるため、実現可能な計算時間
で処理するのに許容されるデータ量が小さく、その結果網羅性が確保できなくなる場合が
多い。特許文献3に記載の方法によれば、学習データとして正常時のデータを覚えておき
、観測データから近い数個のデータを用いて正常モデルを作成するため、高感度に異常検
知可能であるが、全学習データからの探索を行うため計算時間がかかる。
そこで、本発明では、上記課題を解決し、高感度かつ高速な異常検知方法およびその装置を提供する。
上記課題を解決するために、本発明では、数のセンサから出力されセンサ信号から特徴ベクトルを抽出し、この抽出した特徴ベクトルをクラスタリングし、このクラスタリングした各クラスタの中心とクラスタに属する特徴ベクトルを学習データとして蓄積し、複数のセンサから出力された新たなセンサ信号から特徴ベクトルを抽出し、この新たなセンサ信号から抽出した特徴ベクトルに応じて学習データとして蓄積しておいたクラスタの中から1個または数個のクラスタを選択し、学習データとして蓄積しておいたクラスタの中から選択した前記クラスタに属する特徴ベクトルの中から前記新たなセンサ信号から抽出した特徴ベクトルに応じて所定数の特徴ベクトルを選択し、この選択した所定数の特徴ベクトルを用いて正常モデルを作成し、新たに観測された特徴ベクトルと作成した正常モデルに基づき異常測度を算出し、算出した異常測度に基づき複数のセンサの信号が異常か正常かを判定するようにした。
また、上記課題を解決するために、本発明では、複数のセンサから出力されるセンサ信号をもとに学習データを作成して蓄積する工程と、複数のセンサから新たに出力されたセンサ信号の異常識別を行う工程とを含む異常を検知する方法を、学習データを作成して蓄積する工程は、センサ信号から特徴ベクトルを抽出する工程と、この抽出した特徴ベクトルをクラスタリングする工程と、このクラスタリングによって得られる各クラスタの中心とクラスタに属する特徴ベクトルを学習データとして蓄積する工程と、抽出した特徴ベクトルのおのおのについて、学習データとして蓄積されたクラスタの中から抽出した特徴ベクトルに応じて1個または数個のクラスタを選択する工程と、この選択されたクラスタに属する特徴ベクトルの中から抽出した特徴ベクトルに応じて所定数選択し、この所定数選択した選択されたクラスタに属する特徴ベクトルを用いて正常モデルを作成する工程と、特徴ベクトルと正常モデルに基づき異常測度を算出する工程と、この算出した異常測度に基づきしきい値を算出する工程とを有し、センサ信号の異常識別を行う工程は、新たに観測されたセンサ信号から特徴ベクトルを抽出する工程と、学習データとして蓄積されたクラスタの中から新たに観測された特徴ベクトルに応じて1個または数個のクラスタを選択する工程と、この選択されたクラスタに属する特徴ベクトルの中から新たに観測された特徴ベクトルに応じて所定数選択し、この所定数選択した選択されたクラスタに属する特徴ベクトルを用いて正常モデルを作成する工程と、新たに観測された特徴ベクトルと正常モデルに基づき異常測度を算出する工程と、この算出した異常測度としきい値に基づきセンサ信号が異常か正常かを判定する工程とを有する方法とした。
また、上記課題を解決するために、本発明では、複数のセンサから出力されるセンサ信号をもとに学習データを作成して蓄積する工程と、複数のセンサから新たに出力された前記センサ信号の異常識別を行う工程とを含む異常を検知する方法を、学習データを作成して蓄積する工程は、設備または装置から出力されるイベント信号に基づいて稼動状態別のモード分割を行う工程と、センサ信号から特徴ベクトルを抽出する工程と、この抽出した特徴ベクトルをクラスタリングする工程と、このクラスタリングによって得られる各クラスタの中心とクラスタに属する特徴ベクトルを学習データとして蓄積する工程と、抽出した特徴ベクトルのおのおのについて学習データとして蓄積されたクラスタの中から抽出した特徴ベクトルに応じて1個または数個のクラスタを選択する工程と、この選択されたクラスタに属する特徴ベクトルの中から抽出した特徴ベクトルに応じて所定数選択し、この所定数選択した選択されたクラスタに属する特徴ベクトルを用いて正常モデルを作成する工程と、抽出した特徴ベクトルと正常モデルに基づき異常測度を算出する工程と、この算出した異常測度に基づきモード毎にしきい値を算出する工程とを有し、センサ信号の異常識別を行う工程は、イベント信号に基づいて稼動状態別のモード分割を行う工程と、新たに観測されたセンサ信号から特徴ベクトルを抽出する工程と、学習データとして蓄積されたクラスタの中から新たに観測された特徴ベクトルに応じて1個または数個のクラスタを選択する工程と、この選択されたクラスタに属する特徴ベクトルの中から新たに観測された特徴ベクトルに応じて所定数選択し、この所定数選択した選択されたクラスタに属する特徴ベクトルを用いて正常モデルを作成する工程と、新たに観測された特徴ベクトルと正常モデルに基づき異常測度を算出する工程と、この算出した異常測度とモードとモード別に算出したしきい値に基づきセンサ信号が異常か正常かを判定する工程とを有する方法とした。
更に、上記課題を解決するために、本発明では、センサから出力されるセンサ信号に基づいて異常を検知する装置を、センサから出力されるセンサ信号を蓄積する生データ蓄積手段と、センサ信号から特徴ベクトルを抽出する特徴ベクトル抽出手段と、この特徴ベクトル抽出手段により抽出された特徴ベクトルをクラスタリングするクラスタリング手段と、このクラスタリング手段でクラスタリングした結果得られたクラスタの中心とクラスタに属する特徴ベクトルを蓄積する学習データ蓄積手段と、この学習データ蓄積手段に蓄積された学習データの中から特徴ベクトルに応じて1個または複数個のクラスタを選択するクラスタ選択手段と、このクラスタ選択手段により選択されたクラスタに属する特徴ベクトルの中から抽出した特徴ベクトルに応じて所定数選択した特徴ベクトルを用いて正常モデルを作成する正常モデル作成手段と、特徴ベクトルと正常モデルに基づき異常測度を算出する異常測度算出手段と、学習データに含まれる特徴ベクトルの異常測度に基づきしきい値を設定するしきい値設定手段と、異常測度算出手段で算出した異常測度としきい値設定手段で設定したしきい値とを用いて設備または装置が異常か正常かを判定する異常識別手段とを備えて構成した。
本発明によれば、新たに観測されたデータの異常判定において、観測データに近い所定
数の学習データを用いて正常モデルを作成するため、高感度な異常検知が可能である。学
習データをクラスタリングしておき、新たに観測された特徴ベクトルに応じて選択したク
ラスタに属するデータから所定数のデータを選択して正常モデルを作成するため、探索の
対象となるデータ数が少なくなり、計算時間を大幅に削減することができる。
以上により、ガスタービンや蒸気タービンなどの設備のみならず、水力発電所での水車
、原子力発電所の原子炉、風力発電所の風車、航空機や重機のエンジン、鉄道車両や軌道
、エスカレータ、エレベータ、そして機器・部品レベルでは、搭載電池の劣化・寿命など
、種々の設備・部品において高感度かつ高速な異常検知を可能とするシステムが実現でき
る。
本発明の一実施例における設備状態監視システムの概略の構成を示すブロック図である。 本発明の一実施例におけるセンサ信号の例を示す信号リストの表である。 本発明の一実施例におけるセンサ信号入力から学習データ保存までの処理の流れを示すフロー図である。 本発明の一実施例におけるクラスタ中心の初期位置を決める処理の流れを示すフロー図である。 本発明の一実施例におけるクラスタリングの処理の流れを示すフロー図である。 本発明の一実施例におけるクラスタを再分割する処理の流れを示すフロー図である。 本発明の一実施例におけるクラスタのメンバ数を調整する処理の流れを示すフロー図である。 本発明の一実施例における異常測度に基づいてしきい値を設定する処理の流れを示すフロー図である。 局所部分空間法を説明する図である。 本発明の一実施例における異常検知処理の流れを説明するフロー図である。 本発明の一実施例におけるイベント信号の例を示す信号リストの表である。 本発明の一実施例におけるイベント信号に基づくモード分割処理の流れを示すフロー図である。 本発明の一実施例における設備の可動状態を分割して4種のモードの何れかに分類した状態を示すイベント信号の模式図である。 本発明の一実施例におけるレシピ設定のためのGUIの1例を表す表示画面の正面図である。 本発明の一実施例におけるテストの結果を表示するためのGUIの一例で、センサ信号表示ウィンドウ1307にセンサ信号を表示した表示画面の正面図である。 本発明の一実施例におけるテストの結果を表示するためのGUIの一例で、センサ信号表示ウィンドウ1307に選択クラスタ番号を表示した表示画面の正面図である。 本発明の一実施例におけるテストの結果を表示するためのGUIの一例で、拡大表示した画面を示す表示画面の正面図である。 本発明の一実施例におけるテストの結果を表示するためのGUIの一例で、クラスタ情報表示画面を示す表示画面の正面図である。 本発明の一実施例における結果表示画面の例で、テスト結果の一覧を表示した画面の正面図である。 本発明の一実施例における表示対象を指定するためのGUIの一例を示す表示画面の正面図である。 本発明の一実施例における異常判定処理の結果を表示する画面の例で、結果の全体を表示した表示画面の正面図である。 本発明の一実施例における異常判定処理の結果を表示する画面で、結果の一部を拡大して表示した表示画面の正面図である。
本発明は、プラントなどの設備における事例ベースの異常検知において、学習データ全
体から新しい観測データに近いデータを探索する必要があるため、計算時間が長くかかる
という問題を解決するもので、設備または装置に装着された複数のセンサから出力される
センサ信号から特徴ベクトルを抽出し、この抽出した特徴ベクトルをクラスタリングし、
このクラスタリングした各クラスタの中心とクラスタに属する特徴ベクトルを学習データ
として蓄積しておき、新しい観測データが入力したときに、学習データからこの新しい観
測データに近いクラスタに属するデータを選択し、この選択したデータから正常モデルを
作成し異常測度を求めてしきい値を決め、新しい観測データと正常モデルから異常測度を
求め、これをしきい値と比較して設備の異常を検知する方法及び装置に関するものであり
、学習データをクラスタ化してきおくし、新しい観測データに近いクラスタに属する学習
データを用いて正常モデルを作成することにより、データ検索の時間を短縮して短時間で
の設備の異常診断を可能にしたものである。
以下、図面を用いて本発明の内容を詳細に説明する。
図1に、本発明の設備状態監視方法を実現するシステムの一構成例を示す。
本システムは、設備101から出力されるセンサ信号102を蓄積するセンサ信号蓄積
部103、センサ信号102をもとに特徴ベクトルを抽出する特徴ベクトル抽出部104
、特徴ベクトルをクラスタリングするクラスタリング部105、クラスタリング結果をも
とに学習データを蓄積する学習データ蓄積部106、蓄積された学習データから新たな観
測データに近いクラスタを選択するクラスタ選択部107、選択したクラスタに属する学
習データから観測データの近傍データを所定数探索し、それらを用いて正常モデルを作成
する正常モデル作成部108、正常モデルに基づき新たな観測データの異常測度を算出す
る異常測度算出部109、学習データの異常測度に基づきしきい値を算出するしきい値算
出部110、新たな観測データが正常か異常かを判定する異常判定部111を備えて構成
される。
本システムの動作には、蓄積されたデータを用いて学習データの生成、保存を行う「学
習」と入力信号に基づき実際に異常検知を行う「異常検知」の二つのフェーズがある。基
本的に前者はオフラインの処理、後者はオンラインの処理である。ただし、後者をオフラ
インの処理とすることも可能である。以下の説明では、それらを学習時、異常検知時とい
う言葉で区別する。
状態監視の対象とする設備101は、ガスタービンや蒸気タービンなどの設備やプラン
トである。設備101は、その状態を表すセンサ信号102を出力する。センサ信号10
2はセンサ信号蓄積部103に蓄積されている。センサ信号102をリスト化して表形式
に表した例を図2に示す。センサ信号102は一定間隔毎に取得される多次元時系列信号
であり、それをリスト化した表は、図2に示すように、日時の欄201と設備101に設
けられた複数のセンサ値のデータの欄202からなる。センサの種類は、数百から数千と
いった数になる場合もあり、例えば、シリンダ、オイル、冷却水などの温度、オイルや冷
却水の圧力、軸の回転速度、室温、運転時間などである。出力や状態を表すのみならず、
何かをある値に制御するための制御信号の場合もある。
学習時の処理の流れを図3ないし図8を用いて説明する。学習時はセンサ信号蓄積部1
03に蓄積されたデータのうち指定された期間のデータを用いて、特徴ベクトルを抽出し
てクラスタリングし、クラスタの中心とクラスタに属する特徴ベクトルを学習データとし
て蓄積する。各クラスタに属する特徴ベクトルのことを、以降クラスタメンバと呼ぶこと
とする。さらに、学習時には、交差検証によって学習データの異常測度を算出し、全学習
データの異常測度に基づき異常判定のしきい値を算出する。
まず、特徴ベクトル抽出部104、クラスタリング部105、学習データ蓄積部106
における処理の流れを図3を用いて説明する。はじめに、特徴ベクトル抽出部104にお
いて、センサ信号蓄積部103から学習期間として指定された期間のセンサ信号102を
入力し(S301)、センサ信号毎に正準化した後(S302)、特徴ベクトルの抽出を
行う(S303)。次に、クラスタリング部105において、抽出された特徴ベクトルに
基づいて、クラスタ中心の初期位置を設定し(S304)、クラスタリングを行い(S3
05)、各クラスタのメンバの調整を行う(S306)。次に、学習データ蓄積部106
において、各クラスタの中心とクラスタメンバを記録する(S307)。
次に、各ステップについて詳細に説明する。
ステップS302においては、各センサ信号の正準化を行う。例えば、指定された期間
の平均と標準偏差を用いて、平均を0、分散を1となるように変換する。異常検知時に同
じ変換ができるよう、各センサ信号の平均と標準偏差を記憶しておく。あるいは、各セン
サ信号の指定された期間の最大値と最小値を用いて最大が1、最小が0となるように変換
する。あるいは、最大値と最小値の代わりに予め設定した上限値と下限値を用いてもよい
。異常検知時に同じ変換ができるよう、各センサ信号の最大値と最小値または上限値と下
限値を記憶しておく。センサ信号の正準化は、単位およびスケールの異なるセンサ信号を
同時に扱うためのものである。
ステップS303においては、時刻毎に特徴ベクトル抽出を行う。センサ信号を正準化
したものをそのまま並べることが考えられるが、ある時刻に対して±1,±2,…のウィンド
ウを設け,ウィンドウ幅(3,5,…)×センサ数の特徴ベクトルにより、データの時間変化
を表す特徴を抽出することもできる。また、離散ウェーブレット変換(DWT: Discrete Wav
elet Transform)を施して、周波数成分に分解してもよい。さらに、ステップS303に
おいて、特徴選択を行う。最低限の処理として、分散が非常に小さいセンサ信号および単
調増加するセンサ信号を除く必要がある。
また、相関解析による無効信号を削除することも考えられる。これは、多次元時系列信
号に対して相関解析を行い、相関値が1に近い複数の信号があるなど、極めて類似性が高
い場合に、これらは冗長だとして、この複数の信号から重複する信号を削除し、重複しな
いものを残す方法である。このほか、ユーザが指定するようにしてもよい。また、長期変
動が大きい特徴を除くことも考えられる。長期変動が大きい特徴を用いることは正常状態
の状態数を多くすることにつながり、学習データの不足を引き起こすためである。例えば
、1周期期間毎の平均と分散を算出し、それらのばらつきによって長期変動の大きさを推
定できる。また、ステップS303において、主成分分析、独立成分分析、非負行列因子
分解、潜在構造射影、正準相関分析など様々な特徴変換手法により、次元削減を行っても
よい。
ステップS304においては、クラスタ中心の初期位置を設定する。処理フローを、図
4を用いて説明する。始めにクラスタ数を指定する(S401)。次に、指定された学習
期間の最初の特徴ベクトルを最初のクラスタ中心とする(S402)。次に、設定済みの
クラスタ中心と学習期間の全特徴ベクトルとの類似度を算出する(S403)。次に、全
特徴ベクトルについてクラスタ中心との類似度の最大値を求め(S404)、この値が最
も小さい特徴ベクトルを次のクラスタ中心とする(S405)。つまり、最も近いクラス
タ中心まで最も遠い特徴ベクトルをクラスタ中心とする。1回目の処理では最も近いクラ
スタ中心はS402で設定したクラスタ中心となる。次にステップS406においてクラ
スタ数がS401で指定したクラスタ数に達していれば(S406でYESの場合)、処
理を終了する(S407)。そうでなければ(S406でNOの場合)、S403〜S4
06の処理を繰り返す。
クラスタリングの初期中心位置設定は、一般的にランダムに設定する場合が多く、本発
明においてもランダムに設定してもよい。しかし、運転、停止の切り替えがある設備にお
いて、その過渡状態のデータは定常状態のデータより少ないため、ランダムに選択すると
初期中心位置に選ばれにくい。すると、過渡状態のデータがクラスタ中心算出に与える影
響が相対的に小さくなってしまう。上記で説明したクラスタ中心初期位置設定処理の方法
は、クラスタ中心初期位置をお互いに遠くに配置することを狙ったものであり、これによ
り、過渡状態のクラスタを増やすことができる。
ステップS305においては、クラスタリングを行う。クラスタリングの処理フローを
、図5および図6を用いて説明する。図5は、k平均法によるクラスタリングのフローを
説明する図である。ステップS304において、クラスタ中心初期位置が設定されている
(S501)。次に、指定された学習期間の全特徴ベクトルと各クラスタ中心ベクトルと
の距離を算出し、各特徴ベクトルを最も近いクラスタのメンバとする(S502)。各ク
ラスタについて、全クラスタメンバの特徴ベクトルの平均を新しいクラスタ中心ベクトル
とする(S503)。次に、全てのクラスタについてメンバの変化がないか、又はS50
2とS503との処理を所定回数以上繰り返しているかをチェックし(S504),全て
のクラスタについてメンバの変化がない場合、又はS502とS503との処理を所定回
数以上繰り返している場合には(S504でYESの場合)、処理を終了する(S505
)。一方、何れかのクラスタについてメンバが変化した場合、又はS502とS503と
の処理が所定回数以下の場合(S504でNOの場合)、ステップS502〜S504の
処理を繰り返す。
図6は、クラスタのメンバ数を所定数以下にするよう、上記処理により得られたクラス
タを分割する処理のフローを説明する図である。ただし、この処理は実行しなくてもよい
。始めに、クラスタメンバ数を指定する(S601)。1番目のクラスタに注目し(S6
02)、注目したクラスタのメンバ数と指定したメンバ数とを比較し(S603)、注目
したクラスタのメンバ数が指定したメンバ数より少なければ(S603でYESの場合)
、そのクラスタを処理済とする(S604)。全てのクラスタが処理済となっていれば(
S605でYESの場合)、処理を終了する(S609)。
ステップS603において、注目したクラスタのメンバ数が指定した数以上であれば(
S603でNOの場合)、クラスタを1個追加する(S606)。次に、注目クラスタの
メンバを注目クラスタと追加クラスタに振り分ける(S607)。注目クラスタのメンバ
から1個の特徴ベクトルをランダムに選んで追加するクラスタの初期中心位置とし、図5
で説明したk平均法によって、2個のクラスタを作ればよい。ステップS607を処理後
、次の未処理クラスタに注目し(S608)、ステップS603に戻る。ステップS60
5において、未処理クラスタがまだ有る場合にも(S605でNOの場合)、同様に次の
未処理クラスタに注目し(S608)、ステップS603に戻る。
ステップS306においては、各クラスタのメンバ数が一定となるよう調整する。処理
フローを、図7を用いて説明する。始めに、クラスタメンバ数を指定する(S701)。
図6に示す処理を実行した場合、ここで指定する数は、ステップS601で指定する数と
同じものである。クラスタのメンバ数と指定した数とを比較し(S702),クラスタのメ
ンバ数が指定した数より少なければ(S702でYESの場合)、クラスタにメンバを追
加して指定された数になるようにする(S703)。追加するメンバは、メンバ以外の特
徴ベクトルのうちクラスタ中心から近い順に決める。この処理は、正常モデル作成におけ
る近傍データ探索時に探索対象が不足することを防ぐ。同時にクラスタ間に重なりを持た
せることにより、クラスタ境界付近のデータについても適切な近傍データ探索を可能にす
る。
一方、ステップS702においてクラスタのメンバ数が指定した数以上であれば(S7
02でNOの場合)、ステップS703をスキップしてステップS704へ進む。次に、
ステップS704においてクラスタのメンバ数が指定した数より多ければ(S704でY
ESの場合)、間引いて指定した数になるようにし(S705)、処理を終了する(S7
06)。間引くメンバはランダムに決めてよい。クラスタのメンバ数が多いということは
、特徴空間上でベクトルの密度が高いということであり、どのメンバを削除しても大差な
いからである。この処理の目的は、正常モデル作成における近傍データ探索対象を減らす
ことにより高速化することである。一方、ステップS704においてクラスタのメンバ数
が指定した数になっていれば(S704でNOの場合)、ステップS705をスキップし
て処理を終了する(S706)する。以上の処理を全てのクラスタについて実行する。ク
ラスタリングにおいて図6に示す処理を実行した場合、ステップS705は必ずスキップ
される。つまり、図6に示す処理の狙いは、間引かれるメンバをなくして正常モデル作成
における近傍データ探索の結果を全学習データから探索した結果に近づけることである。
次に、クラスタ選択部107、正常モデル作成部108、異常測度算出部109および
しきい値算出部110における処理の流れを図8を用いて説明する。学習データ蓄積部1
06において、図3のステップS307に示す処理により、クラスタの中心とメンバが記
録されている(S801)。指定された学習期間の全特徴ベクトルに、交差検証用のグル
ープ番号を付与する(S802)。グループは、1日分を1グループとするなど、期間を
指定して決めるか、予め指定されたグループ数に等分に分けて決める。クラスタ選択部1
07において、指定された学習期間の1個目の特徴ベクトルに注目し(S803)、その
特徴ベクトルにクラスタ中心が最も近いクラスタを選択する(S804)。ここで、近い
順に予め指定された複数個のクラスタを選択する方法も考えられる。
正常モデル作成部108において、選択されたクラスタのメンバであり、注目ベクトル
と異なるグループの特徴ベクトルの中から、注目ベクトルに近い順に予め指定された数の
特徴ベクトルを選択し(S805)、それらの特徴ベクトルを用いて正常モデルを作成す
る(S806)。異常測度算出部109において、注目した特徴ベクトルの正常モデルま
での距離に基づいて異常測度を算出する(S807)。最後に、全ベクトルの異常測度算
出が終了しているかをチェックし(S808)、全ベクトルの以上測度算出が終了してい
れば(S808でYESの場合)、しきい値算出部110において、全ベクトルの異常測
度に基づいてしきい値を設定する(S810)。ステップS808において全ての異常測
度算出が終了していないと判定したときには(S808でNOの場合)、次の特徴ベクト
ルに注目し(S809)、ステップS804からS808の処理を繰り返す。
正常モデル作成手法としては、局所部分空間法(LSC: Local Sub−space Classifier)
や投影距離法(PDM: Projection Distance Method)が考えられる。
局所部分空間法は、注目ベクトルqのk−近傍ベクトルを用いてk−1次元のアフィン部
分空間を作成する方法である。図9にk=3の場合の例を示す。k−近傍ベクトルはすな
わちステップS805において選択された特徴ベクトルである。指定する数は、kの値で
ある。図9に示すように、異常測度は図に示す投影距離で表されるため、注目ベクトルq
に最も近いアフィン部分空間上の点bを求めればよい。
評価データqとそのk−近傍ベクトルxi( i = 1,…,k )からbを算出するには、qをk個並
べた行列Qとxiを並べた行列Xから

により相関行列Cを求め、

によりbを計算する。ここまでが、ステップS806における正常モデル作成にあたる。
異常測度dはqとbの間の距離であるから次式で表される。
なお、図9ではk=3の場合を説明したが、特徴ベクトルの次元数より十分小さければ
いくつでもよい。k=1の場合は、最近傍法と等価の処理になる。
投影距離法は、選択された特徴ベクトルに対し独自の原点をもつ部分空間すなわちアフ
ィン部分空間(分散最大の空間)を作成する方法である。ステップS805において指定
する数はいくつでも良いが、大きすぎるとベクトルの選択、部分空間の算出ともに時間が
かかってしまうので数十から数百とするとよい。
アフィン部分空間の算出方法について説明する。まず、選択された特徴ベクトルの平均
μと共分散行列Σ を求め、次にΣの固有値問題を解いて値の大きい方から予め指定したr
個の固有値に対応する固有ベクトルを並べた行列Uをアフィン部分空間の正規直交基底と
する。rは特徴ベクトルの次元より小さくかつ選択データ数より小さい数とする。あるい
はrを固定した数とせず、固有値の大きい方から累積した寄与率が予め指定した割合を超
えたときの値としてもよい。異常測度は、注目ベクトルのアフィン部分空間への投影距離
とする。
この他、注目ベクトルqのk−近傍ベクトルの平均ベクトルまでの距離を異常測度とする
局所平均距離法や、マハラノビスタグチ法、ガウシアンプロセスなどを用いてもよい。
ステップS810におけるしきい値を設定する方法について説明する。全特徴ベクトル
の異常測度の頻度分布すなわちヒストグラムを作成し、これをもとに累積ヒストグラムを
作成し、予め指定した1に近い比率に到達する値を求める。この値を基準としてオフセッ
トを加える、定数倍するなどの処理によりしきい値を算出する。オフセット0、倍率を1
とすれば、この値がしきい値となる。算出したしきい値は、図示していないが、学習デー
タと対応付けて記録しておく。
異常検知時の処理の流れを図10を用いて説明する。異常検知時はセンサ信号蓄積部1
03に蓄積されたデータのうち指定された期間のデータあるいは新たに観測されたデータ
の異常測度を算出し、正常か異常かの判定を行う。始めに、特徴ベクトル抽出部において
、センサ信号蓄積部103または設備101からセンサ信号を入力し(S1001)、セ
ンサ信号毎に正準化した後(S1002)、特徴ベクトルの抽出を行う(S1003)。
センサ信号の正準化には、図3のステップS302に示す処理において、学習データの正
準化に用いたものと同じパラメータを用いる。特徴ベクトルの抽出は、ステップS303
の処理と同じ方法で行う。したがって、ステップS303において特徴選択を実行した場
合は同じ特徴を選択し、PCAなどの特徴変換を実行した場合は同じ変換式を用いて変換
を行う。ここで抽出された特徴ベクトルを、学習データと区別するために評価ベクトルと
呼ぶこととする。
次に、クラスタ選択部107において、学習データとして記録されたクラスタの中心と
メンバから、評価ベクトルにクラスタ中心が最も近いクラスタあるいは近い順に予め指定
された複数個のクラスタを選択する(S1004)。正常モデル作成部108において、
選択されたクラスタのメンバである特徴ベクトルの中から、評価ベクトルに近い順に予め
指定された数の特徴ベクトルを選択し(S1005)、それらの特徴ベクトルを用いて正
常モデルを作成する(S1006)。異常測度算出部109において、評価ベクトルの正
常モデルまでの距離に基づいて異常測度を算出する(S1007)。異常判定部111に
おいて、学習時に算出したしきい値と異常測度を比較して、異常測度がしきい値より大き
ければ異常、そうでなければ正常と判定する(S1008)。
以上、設備から出力されるセンサ信号に基づき異常検知する方法の実施例を説明したが
、別の実施例として、さらに、設備から出力されるイベント信号も利用して異常検知する
方法を説明する。この方法は、イベント信号に基づき設備の稼動状態を表すモードに分割
し、ステップS810のしきい値設定をモード別の処理とし、ステップS1008の異常
判定を、対応するモードのしきい値を用いて行うものである。
上記以外は、全て前述の方法と同様であるため、イベント信号に基づくモード分割方法
の実施例を図11A〜Cを用いて説明する。イベント信号の例を図11Aに示す。イベン
ト信号は不定期に出力される設備の操作・故障・警告を表す信号であり、時刻と操作・故
障・警告を表す文字列またはコードからなる。図11Bに示すように、このイベント信号
を入力し(S1101)、所定の文字列またはコードの検索により起動シーケンスと停止
シーケンスの切り出しを行う(S1102)。その結果をもとに、図11Cに示すように
、停止シーケンスの終了時刻から起動シーケンスの開始時刻までの「定常OFF」モード
1111、起動シーケンス中の「起動」モード1112、起動シーケンスの終了時刻から
停止シーケンスの開始時刻までの「定常ON」モード1113、停止シーケンス中の「停
止」モード1114の4つの稼動状態に分割する(S1103)。
シーケンス切り出しのためには、予めシーケンスの開始イベントおよび終了イベントを
指定しておき、イベント信号の先頭から最後まで以下の要領でスキャンしながら切り出し
ていく。
(1)シーケンスの途中でない場合は、開始イベントを探索する。見つかったらシーケン
スの開始とする。
(2)シーケンスの途中の場合は、終了イベントを探索する。見つかったらシーケンスの
終了とする。ここで終了イベントとは、指定の終了イベントのほか、故障、警告、指定の
開始イベントとする。
以上のように、イベント情報を利用することにより、多様な稼動状態を正確に分けるこ
とができ、モード別にしきい値を設定することにより、「起動」モード1112および「
停止」モード1114の過渡期において学習データ不足により感度を落とす必要がある場
合でも、「定常OFF」モード1111および「定常ON」モード1113では高感度な
異常検知が可能になる。
学習期間および処理パラメータ設定のためのGUIの例を、図12に示す。以下の説明
ではこの設定のことを単にレシピ設定と呼ぶことにする。また、過去のセンサ信号102
は設備IDおよび時刻と対応付けられてデータベースに保存されているものとする。レシ
ピ設定画面1201では、対象装置、学習期間、使用センサ、クラスタリングパラメータ
、正常モデルパラメータ、しきい値設定パラメータを入力する。設備ID入力ウィンドウ
1202には、対象とする設備のIDを入力する。設備リスト表示ボタン1203押下に
より図示はしていないがデータベースに保存されているデータの装置IDのリストが表示
されるので、リストから選択入力する。学習期間入力ウィンドウ1204には、学習デー
タを抽出したい期間の開始日と終了日を入力する。センサ選択ウィンドウ1205には、
使用するセンサを入力する。リスト表示ボタン1206のクリックによりセンサリスト1
207が表示されるので、リストから選択入力する。リストから複数選択することも可能
である。
クラスタリングパラメータ設定ウィンドウ1208には、クラスタリング部105にお
ける処理で指定するクラスタ数および各クラスのタメンバ数を入力する。また、図6に示
すクラスタ再分割の処理を行うかどうかの選択をチェックボタンにより行う。また、クラ
スタ選択部107における処理で指定するクラスタ選択数を入力する。正常モデルパラメ
ータ入力ウィンドウ1209には、正常モデル作成において指定するパラメータを入力す
る。図は正常モデルとして局所部分空間を採用した場合の例であり、モデル作成に使う近
傍ベクトル数(近傍数)と正則化パラメータを入力する。正則化パラメータは、数式2に
おいて相関行列Cの逆行列が求められないことを防ぐため、対角成分に加算する小さい数
である。
しきい値設定パラメータ入力ウィンドウ1210には、図8に示す処理における交差検
証のグループをどのように決めるかをラジオボタンで選択する。1日を1グループとする
か、指定された数のグループに分割するかを選び、後者の場合はグループ数を入力する。
また、ステップS810のしきい値設定処理において累積ヒストグラムに適用する比率(
比率パラメータ)を値入力する。レシピ名入力ウィンドウ1211には、入力された情報
に対応付けるユニークな名前を入力する。
全ての情報を入力したらテスト期間入力ウィンドウ1212にテスト対象期間を入力し
、テストボタン1213の押下により、レシピのテストを行う。この操作により、同じレ
シピ名で実行したテストの通し番号が採番され、次に、特徴ベクトル抽出部104におい
て、指定した学習期間のセンサ信号102から特徴ベクトルの抽出を行い、クラスタリン
グ部105において、クラスタリングを行い、学習データ蓄積部106において、各クラ
スタの中心とクラスタメンバをレシピ名およびテスト番号と対応付けて記録する。
図3で説明したステップS302の正準化においては、指定した学習期間の全データを
用いて平均と標準偏差を求める。この平均と標準偏差の値もセンサ毎にレシピ名およびテ
スト番号に対応付けて学習データ蓄積部106に保存しておく。図8に示す処理により、
異常判定しきい値を算出し、レシピ名およびテスト番号と対応付けて学習データ蓄積部1
06に保存する。その他、装置ID情報、使用センサ情報、学習期間、特徴ベクトル抽出
に用いるパラメータ、クラスタリングパラメータ、正常モデルパラメータをレシピ名およ
びテスト番号と対応付けて学習データ蓄積部106に保存する。次に、指定したテスト期
間のセンサ信号102を入力として、図10に示す異常検知の処理を行う。
テストの結果をユーザに示すためのGUIの例を図13Aおよび図13Bおよび図13
Cに示す。各画面の上部に表示されたタブを選択することにより、結果表示画面1301
と結果拡大表示画面1302とクラスタ情報表示画面1303を切り換えることができる
図13Aには、結果表示画面1301を示す。結果表示画面1301には、指定された
全期間の異常測度、しきい値、判定結果とセンサ信号の時系列グラフを表示する。期間表
示ウィンドウ1304には、指定された学習期間およびテスト期間が表示される。処理時
間表示ウィンドウ1305には、異常検知の処理にかかる時間つまり図10に示す処理に
かかる時間が表示される。図の例では1日あたりの処理時間が表示されているが、全期間
の処理時間でもよいし、1時刻あたりの処理時間でもよい。異常測度表示ウィンドウ13
06には、指定された学習期間およびテスト期間の異常測度としきい値と判定結果が表示
される。センサ信号表示ウィンドウ1307には、指定された期間の指定されたセンサの
出力値が表示される。
センサの指定は、センサ名選択ウィンドウ1308への入力によって行う。ただし、ユ
ーザが指定する前は、先頭のセンサが選択されている。カーソル1309は、拡大表示の
時の起点を表し、マウス操作により移動できる。カーソル位置の日付が、日付表示ウィン
ドウ1310に表示される。終了ボタン1311押下により結果表示画面1301、結果
拡大表示画面1302、クラスタ情報表示画面1303とも消去し終了する。
センサ名選択ウィンドウ1308で、クラスタ選択番号を選ぶことも可能である。図1
3Bに、センサ信号表示ウィンドウ1307にクラスタ選択番号を表示した例を示す。図
中、グラフの縦軸がクラスタ番号を表す。
図13Cには、結果拡大表示画面1302を示す。結果拡大表示画面1302には、図
13Aで説明した結果表示画面1301において、カーソル1309で示された日付を起
点として、指定された日数の異常測度、しきい値、判定結果とセンサ信号の時系列グラフ
を表示する。期間表示ウィンドウ1304および処理時間表示ウィンドウ1305には、
結果表示画面1301と同じ情報が表示される。異常測度表示ウィンドウ1306および
センサ信号表示ウィンドウ1307には、図13Aで説明した結果表示画面1301と同
様の情報が、拡大表示される。日付表示ウィンドウ1310には、拡大表示の起点の日付
が表示されている。拡大表示日数指定ウィンドウ1314で、拡大表示の起点から終点ま
での日数を指定する。スクロールバー1313で表示の起点を変更することも可能であり
、この変更はカーソル1309の位置と日付表示ウィンドウ1310の表示に反映される
。スクロールバー表示領域1312の全体の長さは結果表示画面1301に表示されてい
る全期間に相当する。また、スクロールバー1313の長さは拡大表示日数指定ウィンド
ウ1314で指定された日数に相当し、スクロールバー1313の左端部が拡大表示の起
点に対応する。終了ボタン1311押下により終了する。
図13Dには、クラスタ情報表示画面1303の例を示す。この画面にはクラスタ分布
、調整前のクラスタメンバ数、調整前後のクラスタ半径、もっとも近いクラスタまでの距
離を表示する。クラスタリングパラメータ表示ウィンドウ1315には、図12に示すク
ラスタリングパラメータ設定ウィンドウ1208で入力したクラスタ数、クラスタメンバ
数と再分割するかしないかを表示する。
クラスタ分布表示ウィンドウ1316には、学習データおよびクラスタ中心を第一主分
と第二主成分の散布図にプロットしたものを表示する。図の例では学習データをドットで
、クラスタ中心を三角で表している。このグラフにより、クラスタが学習データ全体にく
まなくちらばっているかどうかをチェックすることができる。データ密度の低い部分にク
ラスタ中心が少ない場合、クラスタ数が不足していると判断できる。さらにテストデータ
を重ねて表示してもよい。また、この例では2次元の主成分で表示したが、3次元表示で
もよい。また、任意の2つまたは3つのセンサを選択してプロットするようにしてもよく
、特徴空間上での学習データとクラスタ中心の分布を示すどのような方法でもよい。
クラスタメンバ数表示ウィンドウ1317には、図7に示すメンバ数調整処理の前の各
クラスタのメンバ数を棒グラフで表示する。グラフの横軸はクラスタ番号、縦軸はメンバ
数を表す。このグラフにより、クラスタメンバ数の偏りをチェックすることができる。メ
ンバ数が非常に多いクラスタがある場合、クラスタ数を増やすまたは図6に示す再分割処
理を行うことを試すとよい。クラスタ半径表示ウィンドウ1318には、メンバ数調整前
後のクラスタ中心から最も遠いクラスタメンバまでの距離および最も近い他のクラスタ中
心までの距離を折れ線グラフで表示する。グラフの横軸はクラスタ番号、縦軸は距離を表
す。調整の前後では、元のメンバ数が多いクラスタは半径が小さくなり、元のメンバ数が
少ないクラスタは半径が大きくなる。調整後のクラスタ半径が最も近いクラスタ中心まで
の距離より大きければ、終了ボタン1311押下により終了する。以上の表示に必要な情
報はレシピ名およびテスト番号と対応づけて保存しておく。
図13A〜Dに示すいずれかの画面で、終了ボタン1311押下によりテスト結果およ
びクラスタ情報の確認が終了したら、図12に示すレシピ設定画面1201の表示に戻る
。テスト番号表示ウィンドウ1214には、上記のテストで採番された番号が表示されて
いる。確認した内容に問題があれば、クラスタリングパラメータを変更し、テストボタン
1213の押下により、再度テストを行う。あるいは、一度行ったテストの結果を再度確
認することもできる。テスト番号表示ウィンドウ1214からテスト番号を選択入力し、
表示ボタン1215を押下する。この操作により、レシピ名とテスト番号に対応付けて保
存された情報をロードし結果表示画面1301を表示する。タブの切り替えにより結果拡
大表示画面1302またはクラスタ情報表示画面1303を表示させることもできる。確
認が済んだら終了ボタン1311押下により、レシピ設定画面1201の表示に戻る。
登録ボタン1216の押下により、上記レシピ名とテスト番号表示ウィンドウ1214
に表示中のテスト番号に対応付けて保存されている情報をレシピ名と対応付けて登録し、
終了する。キャンセルボタン1217が押下された場合は、何も保存しないで終了する。
また、テスト結果一覧ボタン1218が押下された場合は、図14に示す、テスト結果
一覧表示画面1401を表示する。テスト結果リスト1402には、全てのテストの学習
期間、テスト期間、クラスタリングパラメータなどのレシピ情報と、計算時間、しきい値
、異常検知日数などのテスト結果情報を表示する。リストの左端に選択チェックボタンが
あり、いずれか一つのみ選択することができる。詳細表示ボタン1403押下により、レ
シピ名とテスト番号に対応付けて保存された情報をロードし、結果表示画面1301を表
示する。
図14に示した例では、番号3の選択チェックボタンにチェックマークが付いているの
で、詳細表示ボタン1403の押下により、テスト番号3に対応づけて記憶された情報が
図13Aに示した結果表示画面1301に表示される。タブの切り替えにより結果拡大表
示画面1302またはクラスタ情報表示画面1303を表示させることもできる。確認が
済んだら終了ボタン1311押下により、テスト結果一覧表示画面1401の表示に戻る
。登録ボタン1404の押下により、選択中のテスト番号に対応付けて保存されている情
報をレシピ名と対応付けて登録し、テスト結果一覧表示画面1401の表示およびレシピ
設定画面1201の表示を終了する。戻るボタン1405が押下された場合は、レシピの
登録は行わずにレシピ設定画面1201の表示に戻る。
登録されたレシピは、活性か不活性かのラベルをつけて管理され、新しく観測されたデ
ータに対しては、装置IDが一致する活性なレシピの情報を用いて図10を用いて説明し
た特徴ベクトル抽出(S1003)から異常判定(S1008)までの処理を行い、結果
をレシピ名と対応付けて保存しておく。
次に、異常検知部104で実行された異常判定処理の結果をユーザに示すためのGUI
の例を、図15および図16Aおよび図16Bに示す。
図15は、表示対象を指定するGUIの例である。表示対象指定画面1501から表示
対象の設備、レシピおよび期間を指定する。初めに、装置ID選択ウィンドウ1502に
より装置IDを選択する。次に、レシピ名選択ウィンドウ1503により、装置IDを対
象としたレシピのリストから表示対象のレシピを選択する。データ記録期間表示部150
4には、入力されたレシピを用いて処理され、記録が残されている期間の開始日と終了日
が表示される。結果表示期間指定ウィンドウ1505には、結果を表示したい期間の開始
日と終了日を入力する。表示センサ指定ウィンドウ1506には、表示したいセンサの名
を入力する。表示ボタン1507押下により図16Aに示す結果表示画面1601を表示
する。終了ボタン1508押下により終了する。
図16A及びBは、結果表示にかかわるGUIの例である。結果表示画面1601、結
果拡大表示画面1602を各画面の上部に表示されたタブを選択することにより切り替え
られる。図16Aには、結果表示画面1601を示す。結果表示画面1601には、異常
測度表示ウィンドウ1603、センサ信号表示ウィンドウ1604が含まれる。異常測度
表示ウィンドウ1603には、指定された期間の異常測度としきい値と判定結果が表示さ
れる。センサ信号表示ウィンドウ1604には、指定された期間の指定されたセンサの出
力値が表示される。センサ名表示ウィンドウ1605には、センサ信号表示ウィンドウ1
604に表示中のセンサ信号名が表示される。ウィンドウ1605への入力により、表示
対象のセンサを切り換えることもできる。表示対象の期間は、期間表示ウィンドウ160
6に表示される。カーソル1607は、拡大表示の時の起点を表し、マウス操作により移
動できる。カーソル位置の日付が、日付表示ウィンドウ1608に表示される。終了ボタ
ン1609押下により結果表示画面1601、結果拡大表示画面1602とも消去し終了
する。
図16Bには、結果拡大表示画面1602を示す。結果詳細拡大表示画面1502には
、異常測度表示ウィンドウ1603、センサ信号表示ウィンドウ1604が含まれる。各
ウィンドウには、結果表示画面1601において、カーソル1607で示された時刻を起
点として、結果表示画面1601と同種の情報の拡大表示を行う。日付表示ウィンドウ1
608には、拡大表示の起点の日付が表示されている。拡大表示期間指定ウィンドウ16
12で、拡大表示の起点から終点までの期間を日単位で指定する。スクロールバー161
1で表示の起点を変更することも可能であり、この変更はカーソル1607の位置と日付
表示ウィンドウ1608の表示に反映される。スクロールバー表示領域1610の全体の
長さは結果表示画面1601に表示されている全期間に相当する。また、スクロールバー
1611の長さは拡大表示期間指定ウィンドウ1612で指定された期間に相当し、スク
ロールバー1611の左端部が拡大表示の起点に対応する。日付表示ウィンドウ1608
には、結果表示画面1601と同様の内容が表示される。終了ボタン1609押下により
終了する。
上記実施例は学習データ設定をオフライン、異常識別処理をリアルタイム、結果表示を
オフラインでそれぞれ処理するものであるが、結果表示もリアルタイムに行うことが可能
である。その場合、表示期間の長さ、表示対象とするレシピ、表示対象とする情報を予め
定めておき、一定時間毎に最新の情報を表示するよう構成すればよい。
逆に、任意の期間を設定し、レシピを選択して、オフラインで異常判定処理を行う機能
を付加したものも本発明の範囲に含まれる。
上記に説明した実施例は本発明の一実施の形態を説明するものであって、本発明はこれに
限定されるものではない。すなわち、上記実施例で説明した構成(ステップ)の一部をそ
れと等価な機能を有するステップ又は手段で置き換えたものも、または、実質的でない機
能の一部を省略したものも本発明に含まれる。
101…設備 102…センサ信号 103…センサ信号蓄積部 104…特徴
ベクトル抽出部 105…クラスタリング部 106…学習データ蓄積部 107
…クラスタ選択部 108…正常モデル作成部 109…異常測度算出部 110
…しきい値算出部 111…異常判定部 1201…レシピ設定画面。

Claims (14)

  1. 数のセンサから出力されるセンサ信号から特徴ベクトルを抽出し、
    該抽出した特徴ベクトルをクラスタリングし、
    該クラスタリングした各クラスタの中心とクラスタに属する特徴ベクトルを学習データ
    として蓄積し、
    前記設備または装置に装着された前記複数のセンサから出力された新たなセンサ信号か
    ら特徴ベクトルを抽出し、
    該新たなセンサ信号から抽出した特徴ベクトルに応じて前記学習データとして蓄積して
    おいたクラスタの中から1個または数個のクラスタを選択し、
    前記学習データとして蓄積しておいたクラスタの中から選択した前記クラスタに属する
    特徴ベクトルの中から前記新たなセンサ信号から抽出した特徴ベクトルに応じて所定数の
    特徴ベクトルを選択し、
    該選択した所定数の特徴ベクトルを用いて正常モデルを作成し、
    前記新たに観測された特徴ベクトルと前記作成した正常モデルに基づき異常測度を算出
    し、
    該算出した異常測度に基づき前記設備または装置の状態が異常か正常かを判定すること
    を特徴とする異常検知方法。
  2. 数のセンサから出力されるセンサ信号をもとに学習データを作成して蓄積する工程と、前記複数のセンサから新たに出力された前記センサ信号の異常識別を行う工程とを含む異常検知方法であって、
    前記学習データを作成して蓄積する工程は、
    前記センサ信号から特徴ベクトルを抽出する工程と、
    該抽出した特徴ベクトルをクラスタリングする工程と、
    該クラスタリングによって得られる各クラスタの中心とクラスタに属する特徴ベクトル
    を学習データとして蓄積する工程と、
    前記抽出した特徴ベクトルのおのおのについて、前記学習データとして蓄積されたクラ
    スタの中から前記抽出した特徴ベクトルに応じて1個または数個のクラスタを選択する工
    程と、
    該選択されたクラスタに属する特徴ベクトルの中から前記抽出した特徴ベクトルに応じ
    て所定数選択する工程と、
    該所定数選択した前記選択されたクラスタに属する特徴ベクトルを用いて正常モデルを
    作成する工程と、
    前記抽出した特徴ベクトルと前記正常モデルに基づき異常測度を算出する工程と、
    該算出した異常測度に基づきしきい値を算出する工程とを有し、
    前記センサ信号の異常識別を行う工程は、新たに観測された前記センサ信号から特徴ベ
    クトルを抽出する工程と、
    前記学習データとして蓄積されたクラスタの中から前記新たに観測された特徴ベクトル
    に応じて1個または数個のクラスタを選択する工程と、
    前記選択されたクラスタに属する特徴ベクトルの中から前記新たに観測された特徴ベク
    トルに応じて所定数選択する工程と、
    該所定数選択した前記選択されたクラスタに属する特徴ベクトルを用いて正常モデルを
    作成する工程と、
    前記新たに観測された特徴ベクトルと前記正常モデルに基づき異常測度を算出する工程
    と、
    該算出した異常測度と前記しきい値に基づき前記センサ信号が異常か正常かを判定する
    工程とからなることを特徴とする異常検知方法。
  3. 前記学習データを作成して蓄積する工程において、前記クラスタリングの後、各クラス
    タのメンバを所定数に調整する工程をさらに含むことを特徴とする請求項2に記載の
    異常検知方法。
  4. 設備または装置に装着された複数のセンサから出力されるセンサ信号をもとに学習デー
    タを作成して蓄積する工程と、前記設備または装置に装着された複数のセンサから新たに
    出力された前記センサ信号の異常識別を行う工程とを含む異常検知方法であって、
    前記学習データを作成して蓄積する工程は、
    設備または装置から出力されるイベント信号に基づいて稼動状態別のモード分割を行う
    工程と、
    前記センサ信号から特徴ベクトルを抽出する工程と、
    該抽出した特徴ベクトルをクラスタリングする工程と、
    該クラスタリングによって得られる各クラスタの中心とクラスタに属する特徴ベクトル
    を学習データとして蓄積する工程と、
    前記抽出した特徴ベクトルのおのおのについて、前記学習データとして蓄積されたクラ
    スタの中から前記抽出した特徴ベクトルに応じて1個または数個のクラスタを選択する工
    程と、
    該選択されたクラスタに属する特徴ベクトルの中から前記抽出した特徴ベクトルに応じ
    て所定数選択する工程と
    該所定数選択した前記選択されたクラスタに属する特徴ベクトルを用いて正常モデルを作
    成する工程と、
    前記抽出した特徴ベクトルと前記正常モデルに基づき異常測度を算出する工程と、
    該算出した異常測度に基づき前記モード毎にしきい値を算出する工程とを有し、
    前記センサ信号の異常識別を行う工程は、
    前記イベント信号に基づいて稼動状態別のモード分割を行う工程と、
    新たに観測された前記センサ信号から特徴ベクトルを抽出する工程と、
    前記学習データとして蓄積されたクラスタの中から前記新たに観測された特徴ベクトル
    に応じて1個または数個のクラスタを選択する工程と、
    該選択されたクラスタに属する特徴ベクトルの中から前記新たに観測された特徴ベクト
    ルに応じて所定数選択する工程と、
    該所定数選択した前記選択されたクラスタに属する特徴ベクトルを用いて正常モデルを
    作成する工程と、
    前記新たに観測された特徴ベクトルと前記正常モデルに基づき異常測度を算出する工程
    と、
    該算出した異常測度と前記モードと前記モード別に算出したしきい値に基づき前記セン
    サ信号が異常か正常かを判定する工程とを有することを特徴とする異常検知方法。
  5. クラスタ数とクラスタメンバ数を指定する工程をさらに含むことを特徴とする請求項2
    または請求項4に記載の異常検知方法。
  6. 異常測度およびしきい値および判定結果の時系列グラフを表示する工程をさらに含むこ
    とを特徴とする請求項2または4に記載の異常検知方法。
  7. 前記特徴ベクトルをクラスタリングする工程において、前記特徴ベクトルをクラスタリングする際に、クラスタの初期位置を互いに遠くに配置することを特徴とする請求項1又は2又は4に記載の異常検知方法。
  8. ンサから出力されるセンサ信号を蓄積する生データ蓄積手段と、
    前記センサ信号から特徴ベクトルを抽出する特徴ベクトル抽出手段と、
    該特徴ベクトル抽出手段により抽出された特徴ベクトルをクラスタリングするクラスタ
    リング手段と、
    該クラスタリング手段でクラスタリングした結果得られたクラスタの中心とクラスタに
    属する特徴ベクトルを蓄積する学習データ蓄積手段と、
    該学習データ蓄積手段に蓄積された学習データの中から前記特徴ベクトルに応じて1個
    または数個のクラスタを選択するクラスタ選択手段と、
    該クラスタ選択手段により選択されたクラスタに属する特徴ベクトルの中から前記特徴
    ベクトル抽出手段で抽出した特徴ベクトルに応じて所定数選択した特徴ベクトルを用いて
    正常モデルを作成する正常モデル作成手段と、
    前記特徴ベクトルと前記正常モデルに基づき異常測度を算出する異常測度算出手段と、
    学習データに含まれる前記特徴ベクトルの異常測度に基づきしきい値を設定するしきい値
    設定手段と、
    前記異常測度算出手段で算出した前記異常測度と前記しきい値設定手段で設定した前記
    しきい値とを用いて前記設備または装置が異常か正常かを判定する異常識別手段と
    を備えることを特徴とする異常検知装置。
  9. 前記クラスタリング手段において、クラスタリング後に各クラスタに属する特徴ベクト
    ルを所定数に調整することを特徴とする請求項8に記載の異常検知装置。
  10. 前記クラスタリング手段において、k平均法によりクラスタリングしたのち、全てのク
    ラスタに属するデータ数が所定数以下になるまで、クラスタに属するデータ数が所定数よ
    り多いクラスタを再分割することを特徴とする請求項8に記載の異常検知装置。
  11. ベント信号に基づいて稼動状態別のモード分割を行うモード分割手段をさらに備え、前記しきい値設定手段においては前記モード別にしきい値を設定し、前記異常識別手段においては、前記モードに対応する前記しきい値を用いて異常識別を行うことを特徴とする請求項8に記載の異常検知装置。
  12. クラスタ数とクラスタメンバ数を指定するパラメータ入力手段をさらに備えることを特
    徴とする請求項8に記載の異常検知装置。
  13. 異常測度およびしきい値および判定結果の時系列グラフを表示する表示手段をさらに備
    えることを特徴とする請求項8に記載の異常検知装置。
  14. 前記クラスタリング手段は、前記特徴ベクトルをクラスタリングする際に、クラスタの初期位置を互いに遠くに配置することを特徴とする請求項8に記載の異常検知装置。
JP2013128261A 2013-06-19 2013-06-19 異常検知方法及びその装置 Active JP5342708B1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2013128261A JP5342708B1 (ja) 2013-06-19 2013-06-19 異常検知方法及びその装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2013128261A JP5342708B1 (ja) 2013-06-19 2013-06-19 異常検知方法及びその装置

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
JP2012171156A Division JP5301717B1 (ja) 2012-08-01 2012-08-01 設備状態監視方法およびその装置

Publications (2)

Publication Number Publication Date
JP5342708B1 true JP5342708B1 (ja) 2013-11-13
JP2014032657A JP2014032657A (ja) 2014-02-20

Family

ID=49679214

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2013128261A Active JP5342708B1 (ja) 2013-06-19 2013-06-19 異常検知方法及びその装置

Country Status (1)

Country Link
JP (1) JP5342708B1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2884363A3 (en) * 2013-12-13 2015-07-22 Hitachi High-Technologies Corporation Anomaly detecting method, and apparatus for the same
CN107735735A (zh) * 2015-03-13 2018-02-23 株式会社东芝 设备特性模型学习装置、设备特性模型学习方法及存储介质

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6323134B2 (ja) * 2014-04-11 2018-05-16 株式会社Ihi データ記憶装置、データ記憶方法、および、データ記憶プログラム
WO2016031244A1 (ja) 2014-08-27 2016-03-03 株式会社 東芝 監視制御システム及びデータ収集装置
JP6421001B2 (ja) * 2014-09-10 2018-11-07 株式会社Nttファシリティーズ 情報処理システム、情報表示方法、及びプログラム
JP6511239B2 (ja) * 2014-09-10 2019-05-15 株式会社Nttファシリティーズ 情報処理システム、情報処理方法、及びプログラム
JP6440525B2 (ja) * 2015-02-24 2018-12-19 株式会社日立製作所 設備性能診断装置および設備性能診断方法
JP6360016B2 (ja) * 2015-08-26 2018-07-18 株式会社日立製作所 診断装置、診断システム、機器、及び、診断方法
JP6311000B1 (ja) * 2016-12-19 2018-04-11 ヤフー株式会社 生成装置、生成方法、及び生成プログラム
JP6763910B2 (ja) * 2018-05-30 2020-09-30 横河電機株式会社 異常検出装置、異常検出方法、異常検出プログラム及び記録媒体
JP6738943B1 (ja) * 2019-06-25 2020-08-12 株式会社日立パワーソリューションズ 異常検知装置および異常検知方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011081697A (ja) * 2009-10-09 2011-04-21 Hitachi Ltd 設備状態監視方法、監視システム及び監視プログラム

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011081697A (ja) * 2009-10-09 2011-04-21 Hitachi Ltd 設備状態監視方法、監視システム及び監視プログラム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
JPN6013035645; 前田 俊二: '多次元時系列センシングデータを対象とした部分空間法による設備異常検知の検討' 2009年度精密工学会秋季大会学術講演会講演論文集 , 20090910, 第651-652頁, 精密工学会 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2884363A3 (en) * 2013-12-13 2015-07-22 Hitachi High-Technologies Corporation Anomaly detecting method, and apparatus for the same
US9940184B2 (en) 2013-12-13 2018-04-10 Hitachi High-Technologies Corporation Anomaly detecting method, and apparatus for the same
CN107735735A (zh) * 2015-03-13 2018-02-23 株式会社东芝 设备特性模型学习装置、设备特性模型学习方法及存储介质

Also Published As

Publication number Publication date
JP2014032657A (ja) 2014-02-20

Similar Documents

Publication Publication Date Title
JP5301717B1 (ja) 設備状態監視方法およびその装置
JP5342708B1 (ja) 異常検知方法及びその装置
JP6076751B2 (ja) 異常診断方法およびその装置
JP5945350B2 (ja) 設備状態監視方法およびその装置
JP6216242B2 (ja) 異常検知方法およびその装置
JP5364530B2 (ja) 設備状態監視方法、監視システム及び監視プログラム
JP5431235B2 (ja) 設備状態監視方法およびその装置
EP2905665B1 (en) Information processing apparatus, diagnosis method, and program
JP5538597B2 (ja) 異常検知方法及び異常検知システム
US9659250B2 (en) Facility state monitoring method and device for same
JP5331774B2 (ja) 設備状態監視方法およびその装置並びに設備状態監視用プログラム
CN102282516B (zh) 异常检测方法及异常检测系统
KR101316486B1 (ko) 이상 검지 방법 및 시스템
JP2013025367A (ja) 設備状態監視方法およびその装置
WO2014034273A1 (ja) 設備状態監視方法及び設備状態監視装置
JP6076421B2 (ja) 設備状態監視方法およびその装置
JP6738943B1 (ja) 異常検知装置および異常検知方法
JPWO2013030984A1 (ja) 設備状態監視方法およびその装置

Legal Events

Date Code Title Description
TRDD Decision of grant or rejection written
R150 Certificate of patent or registration of utility model

Ref document number: 5342708

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

Free format text: JAPANESE INTERMEDIATE CODE: R150