JP5530019B1 - 異常予兆検知システム及び異常予兆検知方法 - Google Patents

Abstract

【課題】高速で精度のよい異常予兆検知が可能な異常予兆検知システム及び異常予兆検知方法を提供する。
【解決手段】機械設備の異常予兆検知システムは、機械設備からセンサデータを含む時系列データを観測データとして取得するとともに、クラスタ生成部１５３ａにより過去に取得した正常データをクラスタリングし、クラスタ選択部１５３ｃにより２以上のクラスタの中から、観測データとの距離が最小となるクラスタを選択し、当該選択クラスタと観測データとの距離の大小に基づいて機械設備の異常予兆を検知するする。ここで、クラスタ生成部１５３ａは、クラスタ間で、そのメンバである学習データの重複を許してクラスタリングする。
【選択図】図７

Description

本発明は、機械設備からのセンサデータ、又はセンサデータ及びイベントデータなどの環境データに基づいて、異常予兆の有無を検知する異常予兆検知システム及び異常予兆検知方法に関する。

建設機械、医療機器、風力・太陽光や火力などの発電設備、水処理、プラント等の各種の機械設備において、機械設備の異常による稼働率低下を未然に防止するため、定期保守が行われている。しかしながら、定期保守を実施していても、故障による機械設備のダウンや性能の劣化は避けられず、機械設備に付加したセンサのデータに基づく異常の早期発見（異常予兆検知）が重要になってきている。
しかし、多くのセンサデータや膨大な機械設備情報や保守履歴情報があるなかで、機械設備の異常予兆を速やかに検知することは、難易度が高く困難を伴うものであった。

例えば、特許文献１には、プラント又は設備の異常を早期に検知する異常検知方法であって、複数のセンサからデータを取得し、データ間の類似度に基づき、観測データの異常を検知する異常検知方法が記載されている。

また、特許文献２には、プラント又は設備の異常を早期に検知する異常検知方法であって、複数のセンサからデータを取得し、ほぼ正常データからなる学習データをモデル化し、モデル化した学習データを用いて取得データの異常測度を算出し、かつ、線形予測により前記した取得データの時系列的振舞いをモデル化し、モデルからの予測誤差を算出し、異常測度と予測誤差との双方を用いて、異常の有無を検知する異常検知方法が記載されている。

特開２０１０−１９１５５６号公報 特開２０１１−１４５８４６号公報

一般に、建設機械、医療機器、風力・太陽光や火力などの発電設備、プラント等の機械設備は、大規模システムであること、購入部品の素性まで含めて計算機モデルを構築するには、膨大な費用や長い時間も必要とすることから、劣化のメカニズムを高精度に表現可能なものの方が稀である。そのため、異常検知自体が、マハラノビス距離のような簡単な統計的モデリングに頼るケースが多く、このような事例では、多くの場合、予め定めたスケジュール通りに保守作業を実施する時間計画保全になっているのが実情である。

機械設備について、現在の症状の統計的モデルを構築して、機械設備の異常予兆を精度よく行うには、例えば、特許文献２に記載の方法のように、複数の手法により検出した異常度を統合して用いて判断したり、特許文献１に記載の方法のように、過去の正常なセンサデータをクラスタに分割し、現在の観測データに近いクラスタを選択して、そのクラスタまでの距離の大小により異常を判断することが多い。ここで、異常予兆検知の精度や感度を向上するには、多くのクラスタが必要であるが、多くのクラスタを生成するには膨大なセンサデータが必要となり、また、クラスタ数が多いと処理に時間がかかるという問題がある。また、クラスタ数を減らすと、判断が雑になり、誤報や見逃しが増える。また、機械設備の状態が複雑な振舞を示す場合には、クラスタ数を多くせざるを得ないが、処理に時間がかかる。

そこで、本発明は、高速で精度のよい異常予兆検知が可能な異常予兆検知システム及び異常予兆検知方法を提供することを課題とする。

前記課題を解決するために、本発明の異常予兆検知システムは、機械設備の異常予兆を検知する異常予兆検知システムであって、前記機械設備に設置した複数のセンサからのセンサデータ、又は前記センサデータ及び運転状態を表すイベントデータを、時系列に観測データとして取得する時系列データ取得部と、過去に取得した正常な前記時系列の観測データを学習データとして、クラスタリングを行うことにより２以上のクラスタを生成するクラスタ生成部と、前記２以上のクラスタの中から、前記観測データとの距離が最小となるクラスタを選択するクラスタ選択部と、前記選択されたクラスタの代表値と、前記観測データとの距離の大小に基づいて、前記機械設備の異常予兆を検知する異常予兆検知部とを備え、前記クラスタ生成部は、前記クラスタ間で、当該各クラスタに属する前記学習データの重複を許すとともに、互いに隣接するクラスタ間の距離が所定の値以下になるようにクラスタリングするように構成した。

本発明によれば、機械設備の異常予兆を、クラスタのメンバである学習データの重複を許して生成したクラスタに基づいて検知するため、異常予兆検知処理を、高速に、精度よく行うことができる。
なお、前記した以外の課題、構成及び効果は、以下の実施形態の説明により明らかにされる。

本発明において、異常測度の変化とＲＵＬを説明する図である。 本発明において、異常予兆検知の対象となる機械設備の遠隔監視の様子を説明する概念図である。 本発明の第１実施形態に係る異常予兆検知システムの構成を示すブロック図である。 本発明において、異常予兆検知に用いられる多次元時系列センサデータ及びイベントデータの一例を示す図である。 本発明において、異常予兆検知に用いられる多次元時系列センサデータの一例を示す図である。 本発明の第１実施形態における識別部の構成を示すブロック図である。 本発明の第１実施形態における識別器の構成を示すブロック図である。 本発明の第１実施形態において、設備状態のモデル化を説明する図である。 本発明の第１実施形態に係る異常予兆検知システムの動作を示すフローチャートである。 本発明の第１実施形態において、設備状態のモデル化に用いる学習データの期間を説明する図である。 本発明の第２実施形態における識別器の構成を示すブロック図である。 本発明の第２実施形態において、設備状態のモデル化を説明する図である。 ２つの正規分布の合成を説明する図であり、（ａ）は合成前の２つの正規分布、（ｂ）は２つの正規分布を重ね合わせ、（ｃ）は２つの正規分布の和を示す。 本発明の第２実施形態に係る異常予兆検知システムの動作を示すフローチャートである。 本発明の第３実施形態における識別器の構成を示すブロック図である。 本発明の第３実施形態における階層クラスタリングの説明図であり、（ａ）はメンバとクラスタの関係を示し、（ｂ）は、階層構造を示す。 本発明の第３実施形態において、異常測度を求めるために参照される階層クラスタを説明する図である。 本発明の第３実施形態に係る異常予兆検知システムの動作を示すフローチャートである。 本発明の各実施形態の変形例において、クラスタと機械設備の状態との関係を説明する図である。

本発明の実施形態について、適宜図面を参照しながら詳細に説明する。なお、各図において、共通する部分には同一の符号を付し、重複した説明は適宜に省略する。

本発明は、工場、商業施設、工事現場などで使用される機械設備の稼働率を維持・向上するため、機械設備の異常予兆を検知する方法を提供するものである。そのために、センサデータ、イベント情報などから、異常度の進展を評価する。すなわち、センサデータ、イベント情報はもちろんのこと、稼働情報、設備負荷といった他の時系列データも用いることが好ましい。

具体的には、機械設備から取得した過去の正常な時系列データを対象に、メンバの重複を許してクラスタリングを行うことで設備状態の分類を行い、観測データに近いクラスタまでの距離に基づいて異常測度を予測し、更にこの異常測度の大きさに基づいて異常予兆検知を行う。
なお、メンバの重複を許したクラスタリングには、いくつかの手法を用いることができ、これらの手法については順次に説明する。

以下に、本発明の実施形態について、適宜に図面を参照して説明する。
図１は、本発明において異常予兆検知の対象とする機械設備についてのセンサデータから求めた異常測度１０１の時系列データ（上段）と、ＲＵＬ（稼働継続可能時間）１０４の時系列データ（下段）の例を示したものである。
なお、異常測度１０１及びＲＵＬ１０４の算出方法については後記する。

図１に示した例では、異常測度１０１は、時間の経過とともに徐々に増加している。図１に示した閾値１０２は、異常測度１０１に対して設定されたもので、機械設備が故障する限界を示す。すなわち、この閾値１０２を異常測度１０１が超えると、機械設備の状態は正常でない（異常である）と判断される。

なお、本発明において、「異常予兆」の検知とは、機械設備が故障状態などの「異常」となる前の予兆の段階で検知することである。すなわち、異常測度１０１が、閾値１０２を超える前に、異常測度１０１が閾値１０２を超えそうであることを予知することである。
異常予兆の検知方法については、後記する。

また、閾値１０２を超える故障発生や性能劣化の限界時期１０３までの残された時間を、ＲＵＬ１０４と呼ぶ。ここで、「ＲＵＬ」はRemaining Useful Lifeの頭文字である。図１に示すように、異常測度１０１の上昇とともに、ＲＵＬ１０４が低下し、異常測度１０１が閾値１０２を超えた時点でＲＵＬ１０４が「０」となる。
本発明は、ＲＵＬ１０４を把握するうえで必須となる異常測度１０１の高精度かつ高感度かつ高速な算出方法を提供するものである。

図２は、本発明において、遠隔監視され、異常予兆検知の対象となる機械設備の一例を示すものである。図２に示すように、監視対象となる機械設備は、病院に設置されるＭＲＩ（核磁気共鳴イメージング）やＸ線ＣＴ（コンピュータ断層装置）などの医療診断装置１０５ａ、工場や大規模商業施設などに設置されるガスエンジン・ガスタービンなどの発電設備１０５ｂ、鉱山や工事現場などで稼働するショベルやダンプトラックなどの建設機械１０５ｃ、屋外に設置される風力発電や太陽光発電などの発電設備１０５ｄなどがあり、多くの機械設備が遠隔監視の対象になる。図示していないが、鉄道、飛行機、船舶なども遠隔監視の対象になる。工場内のプレス機やドリル穴あけ装置などの加工設備、またロボットなどからなる組み立て設備も遠隔監視の対象となる。以下、医療診断装置１０５ａ、発電設備１０５ｂなどを総称して、適宜に機械設備１０５と呼ぶ。

これらの機械設備１０５は、複数のセンサを装備しており、機械設備１０５の各所において、各種のセンサデータを出力するように構成されている。監視センタに設置された異常予兆検知システムは、機械設備１０５から出力されるセンサデータ及び機械設備１０５に関する環境データを、インターネット網を介して収集し、分析することにより、２４時間体制で、機械設備１０５に異常予兆が発生していないか、性能が劣化していないか、加工精度や組み立て精度が劣化していないかなどを監視している。

＜第１実施形態＞
［異常予兆検知システムの構成］
次に、図３を参照して、本発明の第１実施形態に係る異常予兆検知システムの構成について説明する。なお、本発明に係る異常予兆検知システムは、図１に示した遠隔監視センタなどに設置され、遠隔監視システムの全部又は一部として構成されるシステムである。

図３に示すように、異常予兆検知システム１は、時系列データ取得部１１と、時系列データベース記憶部１２と、異常予測部１３と、ＲＵＬ予測部１６と、出力部１７とを備えて構成されている。また、異常予測部１３は、類似時系列データ選択部１４と識別部１５とを備えている。

時系列データ取得部１１は、インターネット網などを介して、監視対象である機械設備１０５（例えば、図１に示した医療診断装置１０５ａ、発電設備１０５ｂなど）から出力されるセンサデータと、機械設備１０５の設置環境を表す環境データとを取得するものである。センサデータ及び環境データは、取得時刻（又は機械設備１０５から出力された時刻）と対応付けられた時系列データとして取り扱われる。時系列データ取得部１１は、取得した最新の、すなわち現在の時系列データを、取得する毎に時系列データベース記憶部１２に順次に記憶させることで蓄積させるとともに、最新の時系列データを異常予測部１３に出力する。

時系列データベース記憶部１２は、時系列データ取得部１１から入力した時系列データのデータベースである時系列データベースを記憶するものである。また、時系列データベース記憶部１２に記憶される時系列データベースは、異常予測部１３及びＲＵＬ予測部１６によって過去の時系列データとして適宜に参照される。

なお、時系列データベースに、新たに取得した時系列データを追加する場合は、不図示の評価手段によって、データとしての妥当性（異常ではないこと、既に時系列データベースに格納されているデータとの類似性から新規追加の是非）を評価した後に蓄積され、正常状態における過去の時系列データとして活用できる形態になっている。
また、監視対象が複数である場合は、時系列データは、監視対象の単位となる各機械設備１０５に対応付けて記憶される。

時系列データベースには、センサデータ１２ａ、及び環境データとしてイベントデータ１２ｂ、稼働データ１２ｃ、負荷データ１２ｄ、保守履歴データ１２ｅなどが含まれる。これらのデータは、何れもそれぞれが取得された時刻に対応付けられている。

ここで、イベントデータ１２ｂとは、機械設備１０５の運転状態を示すものであり、例えば、機械設備１０５の起動や停止などの運転パターンの制御状態を示すものである。
稼働データ１２ｃとは、機械設備１０５の運転時間や操作時間などの稼働時間やその累積時間を示すものである。例えば、ショベルなどでは、走行時間や旋回動作の時間などの動作の詳細時間が該当する。
負荷データ１２ｄとは、機械設備１０５にかかる負荷状態を示すものであり、例えば、エンジンにかかる負荷の状況や燃費、医療設備における患者数、工作機械における被加工物の硬さなどが該当する。
保守履歴データ１２ｅとは、機械設備１０５に関して過去の故障内容、部品交換などの作業履歴を示すものである。

異常予測部１３は、時系列データ取得部１１から入力される現在の（最新の）時系列データと、時系列データベース記憶部１２に記憶されている過去の時系列データとを用いて、異常測度を算出するとともに、算出した異常測度を用いて異常予兆を検知するものである。また、異常予測部１３は、算出した異常測度をＲＵＬ予測部１６に出力するとともに、異常予兆検知結果を出力部１７に出力する。そのために、異常予測部１３は、類似時系列データ選択部１４と、識別部１５とを備えている。

類似時系列データ選択部１４は、時系列データベース記憶部１２に記憶されている時系列センサデータから、現在の時系列センサデータと類似する過去の時系列センサデータを選択する。具体的には、現在の時系列センサデータである入力ベクトルと、時系列データベースに蓄積されている過去の時系列センサデータ１２ａである入力ベクトルとの間の距離を算出し、距離が近いものから所定数の時系列センサデータ１２ａを選択する。
類似時系列データ選択部１４は、選択した過去の時系列センサデータ１２ａを、識別部１５に出力する。

識別部１５は、現在の時系列センサデータと類似する過去の時系列センサデータ１２ａを類似時系列データ選択部１４から入力し、入力した過去の時系列センサデータ１２ａを用いて異常測度を算出する。また、識別部１５は、算出した異常測度を、時系列データとして不図示の記憶手段に蓄積する。本実施形態では、異常測度算出のために、時系列センサデータ１２ａを用いた場合について説明するが、センサデータに前記した環境データを加えた多次元の時系列データを用いるようにしてもよい。後記する他の実施形態についても同様である。
識別部１５は、算出した異常測度についての時系列データをＲＵＬ予測部１６に出力する。なお、異常測度の算出方法については後記する。

ＲＵＬ予測部１６は、識別部１５から異常測度の時系列データを入力し、入力した異常測度の時系列データを用いて、ＲＵＬの予測値を算出するものである。ＲＵＬ予測部１６は、算出したＲＵＬの予測値を、ＲＵＬ予測結果として出力部１７に出力する。
ＲＵＬの予測は、例えば、次にようにして行うことができる。図１に示すように、異常測度１０１が変化するものとすると、現在の時点までの異常測度１０１の波形の変化率などのトレンド成分を抽出する。そして、抽出したトレンド成分を用いて、異常測度１０１が閾値１０２を超える限界時期１０３を予測することができる。そして、現在から予測した限界時期１０３までの時間をＲＵＬ１０４として算出することができる。

最も簡単には、現在の時点における異常測度１０１の勾配をトレンド成分として算出し、現在の時点か外挿することで、異常測度１０１が閾値１０２に達する限界時期１０３を算出することができる。
なお、勾配を算出する際に、ノイズ成分を除去するために、適宜に平滑フィルタ処理などを施すようにしてもよい。また、高次の微分値を参照するようにしてもよい。
また、異常測度１０１に大きな影響を与えるセンサデータや独立成分を抽出して、当該センサや独立成分の波形を分析することで、ＲＵＬ１０４を予測するようにしてもよい。
更にまた、出力部１７に異常測度１０１やセンサ出力などの波形を表示させ、操作者が波形を観察して、例えば、マウスなどの入力装置を用いて異常測度１０１の勾配を示す直線を重畳表示させ、操作者が指定した勾配をトレンド成分として用いるようにしてもよい。

出力部（表示部）１７は、異常予測部１３の識別部１５から異常予兆検出結果を、ＲＵＬ予測部１６からＲＵＬの予測結果を、それぞれ入力して、異常予兆検出結果及びＲＵＬを表示するものである。また、出力部１７は、異常予測部１３から異常測度の時系列データを、時系列データベース記憶部１２から異常測度に影響が大きなセンサデータ１２ａや環境データを、それぞれ入力し、これらの時系列データの波形を、例えば、図１に示したように表示するものである。また、出力部１７は、異常予兆検知結果やＲＵＬと波形とを重畳して表示するようにしてもよい。
また、出力部１７は、これらのデータの表示に代えて、又は加えて、図示は省略しているが、上位システムであるＡＨＭ（asset health management）やＥＡＭ（enterprise asset management）に、これらの表示データを出力する。

次に、図４及び図５を参照して、データの一例について説明する。
まず、図４にセンサデータ及びイベントデータの例を示す。図４に示すように、異常予兆検知システム１（図３参照）は、監視対象である発電設備１０５ｂや建設機械１０５ｃなどの機械設備１０５から出力されるセンサデータ１２ａ及びイベントデータ１２ｂを、時系列データ取得部１１によって取得する。ここでは図示を省略しているが、イベントデータ１２ｂ以外の環境データである稼働データ１２ｃ、負荷データ１２ｄ及び保守履歴データ１２ｅ（図３参照）も取得対象である。

センサデータ１２ａは、冷却水やオイルの温度、オイルの圧力、電圧などである。センサデータ１２ａは、２種以上であればよいが、数十から数万種に及ぶものであってもよい。センサデータ１２ａは、所定のサンプリング間隔で、時系列データ取得部１１によって取得される。
イベントデータ１２ｂは、機械設備１０５の起動、停止、その他の操作を示すデータである。機械設備１０５に備えられた固有の警報装置が発生する警報などが含まれる場合もある。

図５に、ガスエンジンのセンサデータ１２ａの例を示す。図５に示した例では、センサデータ１２ａは、信号１〜信号４（１２ａ−１〜１２ａ−４）からなる４次元時系列センサ信号（データ）を構成しており、運転ＯＮ，ＯＦＦの繰り返しをしている例である。

次に、図６を参照して（適宜図３参照）して、第１実施形態における識別部１５の詳細な構成について説明する。
図６に示すように、識別部１５は、特徴変換部１５１と、学習データ選択部１５２と、識別器１５３と、異常予兆検知部１５４とを備えている。

特徴変換部１５１は、時系列データ取得部１１から入力する現在の時系列センサデータである観測データ、及び、類似時系列データ選択部１４から入力する時系列センサデータに対して、前処理として、特徴変換を施して多次元のセンサデータの次元数を低減するものである。特徴変換の手法としては、独立成分分析（ＩＣＡ）、主成分分析（ＰＣＡ）、Ｗａｖｅｌｅｔ変換などが代表的なものである。例えば、主成分分析を通して多次元のセンサデータの次元数を削減し、３次元以下にすることにより、センサデータの振舞を、視覚的に表示することができる。また、独立成分分析やＷａｖｅｌｅｔ変換を施すことにより、設備の状態変化をより分かりやすく顕在化できる場合がある。
特徴変換部１５１は、特徴変換した過去の時系列センサデータを学習データ選択部１５２に出力し、特徴変換した現在の時系列センサデータ（観測データ）を識別器１５３に出力する。

学習データ選択部１５２は、特徴変換部１５１から特徴変換された過去の時系列センサデータを入力し、学習データとして蓄積するとともに、蓄積している過去の時系列センサデータを学習データとして識別器１５３に出力するものである。

識別器１５３は、学習データ選択部１５２から過去の時系列センサデータを学習データとして入力するとともに、特徴変換部１５１から観測データを入力し、当該観測データに対する異常測度を算出するものである。識別器１５３は、算出した異常測度を、異常予兆検知部１５４に出力するとともに、不図示の記憶手段に時系列データとして蓄積する。また、識別器１５３は、この記憶手段に蓄積した異常測度の時系列データを、異常予兆検知部１５４、ＲＵＬ予測部１６及び出力部１７に出力する。

異常予兆検知部１５４は、識別器１５３から観測データについての異常測度及び異常測度の時系列データを入力し、異常予兆の有無を検知する。異常予兆検知部１５４は、異常予兆の検知結果を出力部１７に出力する。

ここで、図１を参照して、機械設備が故障状態などの異常状態になる前の、予兆の段階で、異常予兆として検知する方法について説明する。異常予兆の検知は、例えば、異常測度１０１が、異常かどうか判断するための閾値１０２よりも低い値に設定された所定の閾値を超えたか否かで判定することができる。また、異常測度１０１の時系列データの勾配などのトレンド成分を検出し、異常測度１０１が所定の期間後（例えば、１週間後）に閾値１０２を超えて異常になることを検知したときに、異常予兆を検知したようにすることもできる。

次に、図７を参照（適宜図３及び図６参照）して、識別器１５３の詳細な構成について説明する。
図７に示すように、識別器１５３は、クラスタ生成部１５３ａと、クラスタデータ記憶部１５３ｂと、クラスタ選択部１５３ｃと、異常測度算出部１５３ｄとを備えている。

クラスタ生成部１５３ａは、学習データ選択部１５２から、過去の時系列センサデータを入力し、クラスタリングを行う。クラスタ生成部１５３ａは、クラスタリングを行った結果であるクラスタデータを、クラスタデータ記憶部１５３ｂに記憶させる。
本実施形態においては、クラスタ生成部１５３ａは、学習データとして用いられる個々の多次元センサデータであるメンバの重複を許してクラスタリングを行う。クラスタリングの詳細については後記する。

クラスタデータ記憶部１５３ｂは、クラスタ生成部１５３ａから入力したクラスタデータを記憶する。クラスタデータ記憶部１５３ｂに記憶されているクラスタデータは、クラスタ選択部１５３ｃによって読み出される。
ここで、クラスタデータとは、コードブックと呼ばれるデータであり、各クラスタ（カテゴリ又はクラスとも呼ばれる）について、クラスタの番号、当該クラスタに属するメンバ（データ）数、それらの重心位置、分散などの統計量が含まれる。なお、本実施形態では、クラスタの代表値として、重心位置を採用しているが、代表としての性質をもつものであれば、他の値でもよい。

クラスタ選択部１５３ｃは、特徴変換部１５１から観測データを入力し、入力した観測データに近い代表値を有するクラスタをクラスタデータ記憶部１５３ｂに記憶されているクラスタから選択して、選択したクラスタについてのデータを、異常測度算出部１５３ｄに出力する。
クラスタの選択方法については後記する。

異常測度算出部１５３ｄは、特徴変換部１５１から観測データを入力するとともに、クラスタ選択部１５３ｃからクラスタデータを入力する。異常測度算出部１５３ｄは、観測データとクラスタ選択部１５３ｃが選択したクラスタの代表値である重心との距離を異常測度として算出する。異常測度として算出する距離は、狭義のノルムに限定されず、Ｌ１ノルムやＬ２ノルムなどであってもよい。異常測度算出部１５３ｄは、算出した異常測度を異常予兆検知部１５４及び出力部１７に出力するとともに、不図示の記憶手段に時系列データとして蓄積する。

また、観測データとクラスタの重心との距離の計算を行う際、クラスタのばらつきを参照してもよい。具体的には、距離をばらつきで除した値を異常測度としてもよい。これにより、異常予兆検知の判定のための閾値を設定する際に、ばらつきの大きさの影響を無視することができる。なお、異常測度ではなく、閾値の設定の際に、このばらつきを考慮するようにしてもよい。
なお、後記する他の実施形態についても同様である。

次に、図８を参照（適宜図３、図６及び図７参照）して、クラスタの生成方法及び選択方法について説明する。
まず、過去の時系列センサデータである学習データを、ｋ平均法（k-means method）などにより、いくつかのクラスタに分類する。ｋ平均法は、ベクトル量子化の一つの手法であり、ある初期分割からはじめて、ある評価基準の意味で良い分割結果が得られるように対象を分類しなおすことを繰り返して、最終的な分割結果を得る方法である。ベクトル量子化のコードブックを学習するためのアルゴリズムの代表例がｋ平均クラスタリングである。学習データであるベクトルデータをクラスタリングして、各データをそのデータが属するクラスタの重心（セントロイド）に置き換えることでベクトル量子化が実現できる。コードブックは、重心という代表パターンのリストである。

なお、クラスタリングに関しては、例えば、参考文献１などに詳しいため、詳細な説明は省略する。
（参考文献１）神嶌 敏弘：データマイニング分野のクラスタリング手法 (1) - クラスタリングを使ってみよう！-, 人 工知能学会誌, Vol. 18, No. 1, pp. 59-65 (2003)

本実施形態では、通常のｋ平均法と異なり、図８に示すように、各クラスタＣ_１，Ｃ_２ななどは、包含する学習データｘ（メンバ；黒丸「●」で示す）を、異なるクラスタ間でお互いに共有を許して所持する。図８に示した例では、観測データｑ（黒三角「▲」で示す）が取得されると、最も近いクラスタが選択される。図８に示した例では、クラスタＣ_１が最近接のクラスタとして選択されている。

なお、メンバの重複を許したクラスタリングの手法としては、参考文献２などに記載された手法を用いることができる。
（参考文献２）「分類における重複性の表現手法：重複クラスタリング、情報処理学会研究報告.人文科学とコンピュータ研究会報告 2002(52), 1-8, 2002-05-31」

最近接のクラスタＣ_１が選択されると、図８に示すように、観測データｑと当該クラスタＣ_１の重心Ｍ_１（白丸「○」で示す）との距離ｄが、異常測度として算出される。

また、クラスタ間の距離は、予め定めた距離よりよりも小さくなるようにクラスタを生成することが好ましい。このためには、クラスタリングを行った後に、クラスタ間の距離が所定の距離以上離れている場合は、当該クラスタ間に新たにクラスタを追加するようにすればよい。このように、クラスタ間の距離が所定値より小さくなるようにクラスタを生成することにより、異常測度を算出する際に、最近接のクラスタの重心と観測データとの距離が不当に大きくなることがない。従って、異常測度を適切に精度よく算出することができる。

また、本実施形態によれば、クラスタ生成の際に、クラスタ間にメンバの重複を許すことにより、比較的少ない学習データを用いても、多くのクラスタを生成して特徴空間を細分化することができる。このため、少ない学習データを用いても、精度よく異常測度を算出することができる。

［異常予兆検知システムの動作］
次に、図９を参照（適宜図２、図３、図６及び図７参照）して、本実施形態に係る異常予兆検知システム１の異常予兆検知の処理の流れについて説明する。
図９に示すように、異常予兆検知システム１は、時系列データ取得部１１によって、監視対象である機械設備１０５から多次元のセンサデータを含む時系列データ（観測データ）を取得する（ステップＳ１１）。なお、取得した時系列データは、時系列データベース記憶部１２に蓄積される。

次に、異常予兆検知システム１は、クラスタ生成部１５３ａによって、時系列データベース記憶部１２に蓄積されている過去の時系列データを用いて、クラスタ間に重複を許したクラスタリングを行うことで、クラスタを生成し（ステップＳ１２）、生成したクラスタについてのデータ（コードブック）をクラスタデータ記憶部１５３ｂに記憶させる。
また、クラスタリングに用いる時系列データは、類似時系列データ選択部１４によって選択され、特徴変換部１５１によって、前処理として適宜な手法で特徴変換される。

なお、クラスタを生成するステップＳ１２は、観測データを取得する間隔よりも長い間隔で行われる。すなわち、観測データを取得するごとに行われるのではなく、所定期間ごとに行われる。
また、クラスタリングに用いる過去の時系列データの範囲は、クラスタリングを行う時刻を基準として、所定の期間とすることが好ましい。例えば、図１０に示すように、時刻Ａにクラスタリングを行う場合は、時刻Ａの直近の所定期間である参照期間Ａにおいて取得された過去の時系列データを用いる。また、時刻Ｂにクラスタリングを行う場合は、時刻Ａの直近の所定期間である参照期間Ｂにおいて取得された過去の時系列データを用いる。このように、クラスタリングを行う時刻に応じて、モデル学習に用いる過去の時系列データの参照期間を移動することで、監視対象の機械設備１０５及び／又はその設置された外部環境の経時変化に応じた適切なモデルを生成することができる。その結果、異常測度をより適切に、より高精度に算出することができる。

図９に戻って、異常予兆検知システム１の異常予兆検知の処理の流れについて説明を続ける。
次に、異常予兆検知システム１は、クラスタ選択部１５３ｃによって、ステップＳ１１で取得した観測データに最近接のクラスタについてのデータを、クラスタデータ記憶部１５３ｂから選択する（ステップＳ１３）。
次に、異常予兆検知システム１は、異常測度算出部１５３ｄによって、ステップＳ１３で選択したクラスタと、ステップＳ１１で取得した観測データとの距離を異常測度として算出する（ステップＳ１４）。

次に、異常予兆検知システム１は、異常予兆検知部１５４によって、ステップＳ１４で算出した異常測度又は／及び異常測度の時系列データを用いて、異常予兆の有無を検知する（ステップＳ１５）。
次に、異常予兆検知システム１は、ＲＵＬ予測部１６によって、ステップＳ１４で算出した異常測度を加えた異常測度の時系列データを用いて、ＲＵＬを予測する（ステップＳ１６）。
そして、異常予兆検知システム１は、出力部１７によって、ステップＳ１５で算出した異常予兆検知結果及びステップＳ１６で予測したＲＵＬ予測結果、並びに、必要に応じて、異常測度の波形などのデータを表示又は／及び外部の上位システムに出力する。
以上のようにして、第１実施形態に係る異常予兆検知システム１は、異常予兆を検知する。

＜第２実施形態＞
［異常予兆検知システムの構成］
次に、図１１から図１３を参照して、本発明の第２実施形態に係る異常予兆検知システムについて説明する。
なお、第２実施形態に係る異常予兆検知システムは、第１実施形態に係る異常予兆検知システム１とは、図７に示した識別器１５３に代えて、図１１に示す識別器１５３Ａを備えることが異なる。他の構成については第１実施形態と同様の構成であるから、説明は適宜省略する。

各部の構成について説明する前に、図１２を参照して、第２実施形態におけるクラスタリングの方法について説明する。
本実施形態では、学習データをｋ平均法などにより、いくつかのクラスタに分類する際に、メンバの重複があってもよいが、原則として、図１２に示すようにメンバの重複は許さないでクラスタを生成する。

なお、ｋ平均法は、クラスタが同数のメンバをもつという、暗黙の仮定があり（メンバ数にアンバランスがある場合は、クラスタリング性能が低下する）、クラスタの対象メンバ数に差がある場合には，ｋ平均法の代りに、又はｋ平均法によるクラスタ生成後に、ＥＭアルゴリズムを適用することもできる。
生成したクラスタが単一の状態であるのか、複数の状態を含むのかをチェックして、複数の状態を含むクラスタを分割するようにしてもよい。このような場合は、各クラスタが混合分布であるとみなして、ＥＭアルゴリズムなどで分割することができる。

ここで、ＥＭアルゴリズムについて簡単に説明する。ＥＭアルゴリズムは、Ｅステップ（Expectationステップ）とＭステップ（Maximizationステップ）とを交互に繰り返すものであり、Ｅステップでは、現在推定されている潜在変数の分布に基づいて、モデルの尤度の期待値を計算する。Ｍステップでは、Ｅステップで求まった尤度の期待値を最大化するようなパラメータを求める。Ｍステップで求まったパラメータは、次のＥステップで使われる潜在変数の分布を決定するために用いられる。

図１２に示した例では、第１段階のクラスタリングで生成したクラスタとして、２つのクラスタＣ_１，Ｃ_２のみを示しているが、メンバである学習データｘが重複していない。
なお、第１段階のクラスタリングは、観測データを取得する間隔よりも長い間隔で行われる。すなわち、観測データを取得するごとに行われるのではなく、所定期間ごとに行われる。

観測データｑが取得されると、最近傍のクラスタ及びそのクラスタを含めてｋ個（ｋは２以上の整数）のクラスタを選択し、これらのｋ個のクラスタを統合して、いくつかのクラスタを新たに生成する。図１２に示した例は、ｋ＝２の場合を示し、クラスタＣ_１，Ｃ_２が選択されている。そして、クラスタ生成の第２段階として、選択した２つのクラスタＣ_１，Ｃ_２を統合して、新たに統合クラスタＣ_ｔを生成する。これによって、結果的に観測データの近傍に３個のクラスタＣ_１，Ｃ_２，Ｃ_ｔが生成される。このとき、クラスタＣ_１及び統合クラスタＣ_ｔ、クラスタＣ_２及び統合クラスタＣ_ｔは、それぞれ互いにメンバが重複している。
また、ｋが３以上の場合は、１個の統合クラスタを追加生成してもよいし、選択したクラスタ同士を任意に組み合わせて、２以上の追加クラスタを生成するようにしてもよい。
なお、第２段階である統合クラスタの生成は、観測データを取得するごとに行われる。すなわち、統合クラスタは、観測データを取得する毎に、その都度生成されて、その観測データについてのみ用いられるものである。

次に、先に選択したクラスタＣ_１，Ｃ_２と、追加生成した統合クラスタＣ_ｔを合わせた３個のクラスタＣ_１，Ｃ_２，Ｃ_ｔの中から、観測データｑの最近傍のクラスタを、観測データｑと各クラスタまでの距離を比較することで選択する。図１２の例では、統合クラスタＣ_ｔが最近傍のクラスタとして選択される。そして、その重心Ｍ_ｔと観測データｑとの距離を異常測度として算出する。
第１段階で生成したクラスタＣ_１，Ｃ_２の重心Ｍ_１，Ｍ_２に比べ、観測データｑに、より近接した重心Ｍ_ｔを有する統合クラスタＣ_ｔが追加生成されたため、異常測度が大きくなり過ぎずに、より適切に算出することができる。

一般に、クラスタリングにおいて、クラスタ数を減らすと、より高速に異常測度の算出をすることができるが、異常予兆検知の判断が雑になる。すなわち、算出する異常測度の精度が悪くなり、誤報や見逃しが増える。また、機械設備の状態が複雑な振舞を示す場合には、特徴を失うことがないよう、クラスタ数を多くせざるを得ないが、観測データとの照合に時間を要し、その結果として異常予兆検知に時間がかかる。

本実施形態では、第１段階として比較的少ないクラスタを生成し、第２段階として観測データの、より近傍に重心を有する可能性のあるクラスタを、必要時にのみ増加させるものである。このため、全体としてクラスタ数が増加し過ぎることがなく、高速に、かつ精度よく異常測度を算出することができる。
このため、高速に診断する必要がある場合や、機械設備の状態が複雑な振舞を示す場合に、クラスタ数を必要時にのみ増やして、異常予兆検知の感度を落とすことなく、処理時間を抑制することができる。

なお、クラスタを新たに生成する場合、クラスタリングする前の元のデータに戻って処理してもよいが、クラスタリング後のクラスタをベースにすれば、より高速に処理できる。電気的な不良などを対象にする場合、ミリ秒やマイクロ秒のオーダで制御が必要になり、高速な判断が必要となることがあり、この高速性は有用である。

次に、図１３を参照して、クラスタの統合処理について説明する。図１３（ａ）に示すように、２つのクラスタの構成要素が正規分布に従うものとする。図１３（ｂ）は、単に正規分布を重ね合わせたものであるのに対して、図１３（ｃ）は２つのクラスタの分布を統合して１つの正規分布で示されるようにしたものである。
なお、関数Ｎ（μ，σ^２）などは、平均μ、分散σ^２の正規分布関数を示している。

ここで、複数の正規分布の統合は、次の手順で行うことができる。
クラスタの統合とは、複数のクラスタがあり、それらが何れも正規分布であるとしたとき、複数クラスタを１つのクラスタとみなしたときの平均と分散を求めるものである。

（手順１）
クラスタの数がｋ個の場合に、クラスタごとの有効なデータ数ｎ_ｉ、平均値（上にバー）Ｘ_ｉ、不偏分散Ｕ_ｉ（ｉ＝１，２，…，ｋ）が既知とする。但し、定義式は式（１．１）及び式（１．２）のように表される。

（手順２）
全クラスタを込みにした有効データ数ｎ_ｔは、式（２）で求められる。
（手順３）
全クラスタを込みにした平均値（上にバー）Ｘ_ｔは、式（３）で求められる。
（手順４）
全クラスタを込みにした不偏分散Ｕ_ｔは、式（４）で求められる。

なお、このクラスタの統合手法は、第１実施形態において、メンバの重複を許したクラスタ生成方法として利用することもできる。前記したように、まず、ｋ平均法やＥＭアルゴリズムを用いてメンバの重複のないクラスタリングを行う。次に、メンバの重複のない各クラスタについて、このクラスタの統合手法を適用して、互いに近傍に位置する２以上のクラスタ同士を適宜に統合して統合クラスタを生成する。そして、元のクラスタと統合クラスタとを合わせることで、メンバの重複を許したクラスタリングを行ったこととなる。

図１１に戻って（適宜図３，図６及び図７参照）、第２実施形態における識別器１５３Ａの構成について説明する。
図１１に示すように、第２実施形態における識別器１５３Ａは、クラスタ生成部１５３Ａａと、クラスタデータ記憶部１５３Ａｂと、第１クラスタ選択部１５３Ａｃと、クラスタ統合部１５３Ａｅと、第２クラスタ選択部１５３Ａｆと、異常測度算出部１５３ｄとを備えている。

クラスタ生成部１５３Ａａは、第１実施形態と同様の過去の時系列データについて、第１段階のクラスタリングを行うものである。前記したように第１段階のクラスタラングでは、クラスタ間にメンバの重複は原則として許さない。
クラスタ生成部１５３Ａａは、生成した第１段階として生成したクラスタデータを、クラスタデータ記憶部１５３Ａｂに記憶させる。

クラスタデータ記憶部１５３Ａｂは、クラスタ生成部１５３Ａａから入力したクラスタデータを記憶する。クラスタデータ記憶部１５３Ａｂに記憶されているクラスタデータは、第１クラスタ選択部１５３Ａｃによって読み出される。
記憶されるクラスタデータは、第１実施形態におけるクラスタデータ記憶部１５３ｂと同様である。

第１クラスタ選択部１５３Ａｃは、特徴変換部１５１から観測データを入力し、入力した観測データに近い代表値を有するクラスタをクラスタデータ記憶部１５３Ａｂに記憶されているクラスタから選択して、選択したクラスタについてのデータを、クラスタ統合部１５３Ａｅに出力する。

クラスタ統合部１５３Ａｅは、第１クラスタ選択部１５３Ａｃから第１段階で生成されたクラスタから選択された複数個のクラスタについてのデータを入力し、入力した複数個のクラスタを統合して、１以上のクラスタを追加生成する。クラスタ統合部１５３Ａｅは、第１クラスタ選択部１５３Ａｃから入力した第１段階のクラスタについてのデータと、統合により第２段階として追加生成した統合クラスタについてのデータとを、第２クラスタ選択部１５３Ａｆに出力する。

第２クラスタ選択部１５３Ａｆは、クラスタ統合部１５３Ａｅから選択された第１段階のクラスタ及び追加生成された第２段階の統合クラスタについてのデータを入力するとともに、特徴変換部１５１から観測データを入力し、入力した観測データに最も近い代表値を有するクラスタをクラスタ統合部１５３Ａｅから入力したクラスタ中から選択して、選択したクラスタについてのデータを、異常測度算出部１５３ｄに出力する。

異常測度算出部１５３ｄは、特徴変換部１５１から観測データを入力するとともに、第２クラスタ選択部１５３Ａｆからクラスタデータを入力する。異常測度算出部１５３ｄは、第１実施形態の異常測度算出部１５３ｄと同様にして異常測度として算出する。異常測度算出部１５３ｄは、算出した異常測度を異常予兆検知部１５４に出力するとともに、不図示の記憶手段に時系列データとして蓄積させる。

［異常予兆検知システムの動作］
次に、図１４を参照（適宜図２、図３、図６及び図１１参照）して、第２実施形態に係る異常予兆検知システムの異常予兆検知の処理の流れについて説明する。
ステップＳ２１の時系列データ取得は、図９に示した第１実施形態のステップＳ１１と同様である。
次に、異常予兆検知システムは、クラスタ生成部１５３Ａａによって、時系列データベース記憶部１２に蓄積されている過去の時系列データを用いて、クラスタ間に重複を許さないクラスタリングを行うことで、第１段階のクラスタを生成し（ステップＳ２２）、生成したクラスタについてのデータ（コードブック）をクラスタデータ記憶部１５３Ａｂに記憶させる。
なお、第１段階のクラスタを生成するステップＳ２２は、観測データを取得する間隔よりも長い間隔で行われる。すなわち、観測データを取得するごとに行われるのではなく、所定期間ごとに行われる。

また、クラスタリングに用いる時系列データは、類似時系列データ選択部１４によって選択され、特徴変換部１５１によって、前処理として適宜な手法で特徴変換される。
また、クラスタリングに用いる過去の時系列データの範囲は、第１実施形態と同様に、クラスタリングを行う時刻を基準として、所定の期間とすることが好ましい。

次に、異常予兆検知システムは、第１クラスタ選択部１５３Ａｃによって、ステップＳ２１で取得した観測データに最近接の所定の複数個のクラスタについてのデータを、クラスタデータ記憶部１５３Ａｂから選択する（ステップＳ２３）。
次に、異常予兆検知システムは、クラスタ統合部１５３Ａｅによって、ステップＳ２３で選択した複数個のクラスタについて統合を行い、１以上の統合クラスタを追加生成する（ステップＳ２４）。

次に、異常予兆検知システムは、第２クラスタ選択部１５３Ａｆによって、ステップＳ２３で選択したクラスタ及びステップＳ２４で追加生成した統合クラスタの中から、ステップＳ２１で取得した時系列データである観測データに最近接のクラスタを選択する（ステップＳ２５）。
次に、異常予兆検知システムは、異常測度算出部１５３ｄによって、ステップＳ２５で選択されたクラスタと、ステップＳ２１で取得した観測データとの距離を異常測度として算出する（ステップＳ２６）。

ステップＳ２７〜ステップＳ２９は、それぞれ図９に示した第１実施形態におけるステップＳ１５〜ステップＳ１７と同様である。
以上のようにして、第２実施形態に係る異常予兆検知システムは、異常予兆を検知する。

＜第３実施形態＞
［異常予兆検知システムの構成］
次に、図１５から図１７を参照して、本発明の第３実施形態に係る異常予兆検知システムについて説明する。
なお、第３実施形態に係る異常予兆検知システムは、第１実施形態に係る異常予兆検知システム１とは、図７に示した識別器１５３に代えて、図１５に示す識別器１５３Ｂを備えることが異なる。他の構成については第１実施形態と同様の構成であるから、説明は適宜省略する。

各部の構成について説明する前に、第３実施形態におけるクラスタリングの方法について説明する。
第３実施形態におけるクラスタリングは、Coarse to fine（粗密）戦略に基づくものである。階層クラスタリングなどの手法により、特徴空間をクラスタに分割する。第１実施形態として示した例では、観測データとこれに最も近いクラスタの重心との距離を求めるものであった。第３実施形態では、第１実施形態において生成されるクラスタを、階層１のクラスタとする。次に、階層１のクラスタとメンバの重複を許して、より小さな集団をもつ、クラスタを形成する。これを階層２のクラスタとする。同様のクラスタリングを繰り返し、階層構造のクラスタを形成する。これにより、デンドログラム状の階層クラスタが形成できる。なお、デンドログラム自体は、各終端ノードが学習データの各データを表し、併合されてできたクラスタを非終端ノードで表した二分木である。通常は、重複を許さないクラスタリング結果の図示方法であるが、ここでは、クラスタ間のメンバの重複を許している。本実施形態では、メンバの重複の有無は厳密性には要求されず、クラスタリングの条件を緩和したものと考えられる。

観測データが取得されると、階層１のレベルで最も近いクラスタを見つけ、そのクラスタのメンバをもつ、階層２のクラスタで、最も近いクラスタを特定する。次に、このクラスタから、更に深い階層のクラスタへと探索を進め、準備した階層に関して、最も近いクラスタを見つけ、観測データとこのクラスタの重心との距離を、異常測度とする。各クラスタは、少なくとも、重心とばらつきの情報を有するものとし、ばらつきは当該クラスタに属するデータの分散などが、これに相当する。ばらつきは、異常予兆を検知するための異常測度に対する判定閾値を設定する際に、参照するものとする。

この階層クラスタリングは、類似性の高いクラスタ同士をグループ化し、更にそのグループ同士をまとめて親グループ化するという作業を繰り返すことにより、グループの階層構造を作り出してもよい。階層クラスタリングの手法としては、最短距離法（nearest neighbor method）やウォード法（Ward’s method）などを用いることができる。

次に、図１６及び図１７を参照して、階層的クラスタを用いた異常測度の算出方法について、具体例について説明する。
図１６（ａ）は、特徴空間で学習データであるメンバ及び階層クラスタリングの様子を模式的に示したものである。図１６（ａ）において「●」で示した学習データａ〜ｅに対して、４つのクラスタＣ_１〜Ｃ_４が階層的に形成されている。なお、学習データａ〜ｅは、クラスタのメンバとして説明するが、これらも複数のメンバを有する下位の階層のクラスタであってもよい。各クラスタＣ_１〜Ｃ_４は、所属するメンバについての重心及びばらつきを有している。
また、図１６（ｂ）は、学習データａ〜ｅ及びクラスタＣ_１〜Ｃ_４の間の階層構造を、デンドログラムで表わしたものである。
また、図１７は、観測データが取得されたときに、観測データとの距離を算出して、異常測度の算出に用いるクラスタ又はメンバを選択する対象となるクラスタ及びメンバの探索範囲を示すものである。

階層クラスタリングの手順は、次のようになる。
（手順１）
学習データの中から、互いの距離が最も近くなる学習データのペアを探す。図１６（ａ）に示した例では、学習データａ及び学習データｂ、学習データｄ及び学習データｅがそれぞれペアとなる。
（手順２）
そのペアを、1つのクラスタに統合する。その結果、クラスタＣ_４及びクラスタＣ_３を生成する。
（手順３）
そのクラスタと残りの学習データの中から、互いの距離が最も近くなる学習データを探して統合する。図１６（ａ）に示した例では、クラスタＣ_４と学習データｃとを統合して、上位のクラスタＣ_２を生成する。
（手順４）上記の手順３を、学習データ全体が一つのクラスタに統合されるまで繰り返す。
（手順５）このようにして形成された階層構造において、クラスタ内のメンバの集まり状態によって、基本クラスタを決める。図１６（ｂ）に示すように、本例では、クラスタＣ_１〜Ｃ_３を基本クラスタとしている。

観測データが取得されると、異常予兆検知時には、観測データに最近接するクラスタ又はメンバを探索する。このとき、まず、前記した手順で生成した基本クラスタを探索する。基本クラスタの範囲で探索を終了してもよいが、クラスタの間隔が粗い場合には、更に深い（下位の）クラスタに移行する。図１６（ｂ）において、「ａ」，「ｂ」は、クラスタのメンバであるが、クラスタであってもよく、より深い階層に移る。

すなわち、観測データが取得されると、基本クラスタ内で観測データと最も近接するクラスタを選択し、必要に応じて、選択した基本クラスタの下位の階層のクラスタ群までを最近接クラスタの探索の範囲とする。本例では、図１７に示すように、第１段階として基本クラスタの中から選択したクラスタＣ_２及びその下位階層を、第２段階のクラスタの探索範囲としている。ここで、観測データに最近接のクラスタは、最下位層のクラスタとは限らず、基本クラスタを含む上位のクラスタであってもよい。
なお、観測データと各クラスタの重心との距離を算出し、距離が最小のクラスタを最近接クラスタとして選択する。

第２段階の探索範囲から最近接のクラスタを選択すると、観測データと選択した最近接のクラスタの重心との距離を異常測度として出力することになる。
階層構造で、階層間のまたがりを許したいくつかの階層のクラスタを対象にすることから、クラスタ間でメンバ（要素）の重複を許していることになり、よりきめの細かい異常検知が実現できる。
このようなCoarse to fine戦略に基づく階層クラスタリングにより生成したクラスタを用いて異常測度の算出、及びこれに基づく異常予兆検知を行えば、観測データをすべてのクラスタと総当たりで照合する必要がなく、感度と処理速度の両立を図ることができる。

なお、階層構造のクラスタを形成する過程で、学習データの粗密が分かるため、学習データの質の評価を行うことができる。図１６及び図１７に示した例において、学習データ「ｃ」は、孤立しており、学習データの取得が不十分であることが分かる。これは、センシングの速度が原因であることや、状態自体が稀なこともある。これらは、クラスタの粗密の判断材料として有効であることから、学習データの階層構造を提示することは、異常測度及びこれに基づく異常予兆検知の質を確保するうえで有用である。

また、前記した階層クラスタリングの手順において、メンバ数を１個まで許せば、最近傍探索１−ＮＮ（1-Nearest Neighbor）という手法に相当する。基本クラスタは、メンバ数やクラスタ内の変動（データ凝集度）、クラスタ間の変動によって決めることができる。

なお、クラスタリング自体についても、全ての分類対象が丁度１つだけのクラスタの要素となる場合（ハード又はクリスプなクラスタ)と、逆に１つのクラスタが複数のクラスタに同時に部分的に所属する場合（ソフト又はファジィなクラスタ)とがある。
後者が、重複を許したクラスタリングであり、前記した参考文献２などに記載がある。

繰り返しの説明になるが、図１６及び図１７に示した例で説明すると、「ａ，ｂ」からなるクラスタＣ_４に、「ｃ」を含める場合と含めない場合とがある。「ａ，ｂ」からなるクラスタＣ_４、「ａ，ｂ，ｃ」からなるクラスタＣ_２といった具合に、メンバの重複を許してクラスタリングすれば、その重心位置も多様な状態に対応するものが生成される。このように、重複を許す、階層構造にする、階層をまたがってクラスタを形成する、といった策により、処理速度と感度の両立を図ることができる。

次に、図１５に戻って（適宜図３，図６及び図７参照）、第３実施形態における識別器１５３Ｂの構成について説明する。
図１５に示すように、第３実施形態における識別器１５３Ｂは、階層クラスタ生成部１５３Ｂａと、クラスタデータ記憶部１５３Ｂｂと、クラスタ選択部１５３Ｂｃと、異常測度算出部１５３ｄとを備えている。

階層クラスタ生成部１５３Ｂａは、第１実施形態と同様の過去の時系列データについて、階層クラスタリングを行うものである。階層クラスタリングを行うことにより、上位の階層のクラスタは、その下位の階層クラスタのメンバを有するように構成される。すなわち、階層をまたいだクラスタ間で、メンバが重複するようにクラスタが生成される。
階層クラスタ生成部１５３Ｂａは、生成した階層クラスタについてのデータを、クラスタデータ記憶部１５３Ｂｂに記憶させる。

クラスタデータ記憶部１５３Ｂｂは、階層クラスタ生成部１５３Ｂａから入力したクラスタデータを記憶する。クラスタデータ記憶部１５３Ｂｂに記憶されているクラスタデータは、クラスタ選択部１５３Ｂｃによって読み出される。
記憶されるクラスタデータには、各クラスタのメンバ、重心、ばらつきに加えて、階層構造についての情報も含まれる。

クラスタ選択部１５３Ｂｃは、特徴変換部１５１から観測データを入力し、入力した観測データに最も近い代表値を有するクラスタをクラスタデータ記憶部１５３Ｂｂに記憶されているクラスタから選択する。クラスタ選択部１５３Ｂｃは、選択したクラスタについてのデータを、異常測度算出部１５３ｄに出力する。

異常測度算出部１５３ｄは、特徴変換部１５１から観測データを入力するとともに、クラスタ選択部１５３Ｂｃからクラスタデータを入力する。異常測度算出部１５３ｄは、第１実施形態の異常測度算出部１５３ｄと同様にして異常測度として算出する。異常測度算出部１５３ｄは、算出した異常測度を異常予兆検知部１５４に出力するとともに、不図示の記憶手段に時系列データとして蓄積させる。

［異常予兆検知システムの動作］
次に、図１８を参照（適宜図２、図３、図６及び図１５参照）して、第３実施形態に係る異常予兆検知システムの異常予兆検知の処理の流れについて説明する。
ステップＳ３１の時系列データ取得は、図９に示した第１実施形態のステップＳ１１と同様である。
次に、異常予兆検知システムは、階層クラスタ生成部１５３Ｂａによって、時系列データベース記憶部１２に蓄積されている過去の時系列データを用いて、階層クラスタリングを行うことで、階層構造を有する階層クラスタを生成し（ステップＳ３２）、生成したクラスタについてのデータ（コードブック）をクラスタデータ記憶部１５３Ｂｂに記憶させる。
なお、階層クラスタを生成するステップＳ３２は、観測データを取得する間隔よりも長い間隔で行われる。すなわち、観測データを取得するごとに行われるのではなく、所定期間ごとに行われる。

また、クラスタリングに用いる時系列データは、類似時系列データ選択部１４によって選択され、特徴変換部１５１によって、前処理として適宜な手法で特徴変換される。
また、クラスタリングに用いる過去の時系列データの範囲は、第１実施形態と同様に、クラスタリングを行う時刻を基準として、所定の期間とすることが好ましい。

次に、異常予兆検知システムは、クラスタ選択部１５３Ｂｃによって、ステップＳ３１で取得した観測データに最近接のクラスタを、クラスタデータ記憶部１５３Ｂｂに記憶されているクラスタから選択する（ステップＳ３３）。
このとき、クラスタ選択部１５３Ｂｃは、まず、階層構造を有するクラスタ群の中で、予め定められた上位階層のクラスタである基本クラスタの中から、最近接のクラスタを選択する。そして、選択した基本クラスタ及びその下位階層のクラスタ群を検索範囲として、観測データに最近接のクラスタを最終的に選択する。

次に、異常予兆検知システムは、異常測度算出部１５３ｄによって、ステップＳ３３で最終的に選択されたクラスタと、ステップＳ３１で取得した観測データとの距離を異常測度として算出する（ステップＳ３４）。

ステップＳ３５〜ステップＳ３７は、それぞれ図９に示した第１実施形態におけるステップＳ１５〜ステップＳ１７と同様である。
以上のようにして、第３実施形態に係る異常予兆検知システムは、異常予兆を検知する。

＜変形例＞
次に、図１９を参照して、前記した各実施形態の変形例について説明する。
過去の時系列データを学習データとして用いて生成した各クラスタの重心は、それぞれ機械設備の置かれた状態を表している。クラスタの重心が相互に近い場合は、機械設備の状態も近いと判断できる。従って、クラスタの重心を分類すれば、機械設備の状態をカテゴリ分けできることになる。図１９は、カテゴリ分けした結果である機械設備の「状態Ａ」及び「状態Ｂ」を示すものである。この例では、クラスタＣ_１及びクラスタＣ_２が、状態Ａ及び状態Ｂとそれぞれ一致しているが、必ずしも一致するとは限らない。

ここで、観測データｑが、機械設備のどの状態に近いかによって、機械設備の状態をモニタできることになる。機械設備の状態は、機械設備のもつ不具合のみならず、保守作業によっても変化する。保守作業は、部品交換、調整、ソフトウェアのバージョンアップなどである。定期保守もあれば、稼働時間ごとの点検調整もある。保守作業と同期をとり、時系列で選択したクラスタの重心などがどのように変位するかを評価すれば、正常状態から劣化し、保守によって若干若返り、また劣化が進むというサイクルを繰り返すことが観察できる。保守のたびに機械設備の状態は復旧すると考えられるが、完全には元に復元できず、徐々に機械設備の健康状態や性能の回復が困難になることが予想される。このため、保守のたびに、その前後の健康状態を計測し、回復できない度合いを評価していけば、健康状態の劣化が分かり易いものとなる。

そこで、本変形例では、前記した３つの実施形態において、識別部３によって選択したクラスタの情報（例えば、クラスタ重心）を時系列データとして出力部１７に出力し、例えば、保守作業情報と合わせて表示するものである。より具体的には、図７に示した第１実施形態におけるクラスタ選択部１５３ｃ、図１１に示した第２実施形態における第２クラスタ選択部１５３Ａｆ、図１５に示した第２実施形態におけるクラスタ選択部１５３Ｂｃによって選択されたクラスタの重心の時系列データを表示する。
選択したクラスタの軌跡と関連する情報とを重畳して表示することにより、機械設備の操作者にとって、機械設備の状態を視覚的に分かり易くやすく提示することができる。

異常予兆検知のための処理に伴って選択したクラスタ重心の軌跡を表示することにより、機械設備の状態の変化を視覚的に表現でき、その変化の仕方が、加速しているのか、減速しているのかなど時間間隔を加味して観察すれば、緊急性を要するかどうか判断できる。従って、あとどれくらい持ちこたえることができそうか、といったＲＵＬを容易に推定でき、時間計画保全で決まっている時期を、このＲＵＬの推定値に応じて前後に調整することができるようになる。更に、機械設備の運転中の異常予兆検知の処理に伴って、機械設備の健康状態を把握できる。このため、保守作業時に、健康状態の劣化に影響が低い検査項目を削減でき、時間計画保全で決まっている作業時間を短縮することができる。その結果として、機械設備のダウンタイムを削減できる。すなわち、保守スケジューリングに利用することで、機械設備の保守作業時期をより適切に調整することができる。

以上、本発明の実施形態について説明したが、本発明は前記した実施形態に限定されるものではなく、様々な変形例が含まれる。例えば、前記した実施形態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、ある実施形態の構成の一部を他の実施形態の構成に置き換えることが可能であり、また、ある実施形態の構成に他の実施形態の構成を加えることも可能である。また、各実施形態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。

また、前記の各構成、機能、処理部、処理手段等は、それらの一部又は全部を、例えば集積回路で設計する等によりハードウェアで実現してもよい。また、前記の各構成、機能等は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現してもよい。各機能を実現するプログラム、テープ、ファイル等の情報は、メモリや、ハードディスク、ＳＳＤ（Solid State Drive）等の記録装置、又は、ＩＣカード、ＳＤカード、ＤＶＤ等の記録媒体に置くことができる。
また、制御線や情報線は説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線や情報線を示しているとは限らない。実際には殆ど全ての構成が相互に接続されていると考えてもよい。

１ 異常予兆検知システム
１１ 時系列データ取得部
１２ 時系列データベース記憶部
１２ａ センサデータ
１２ｂ イベントデータ（環境データ）
１２ｃ 稼働データ（環境データ）
１２ｄ 負荷データ（環境データ）
１２ｅ 保守履歴データ（環境データ）
１３ 異常予測部
１４ 類似時系列データ選択部
１５ 識別部
１５１ 特徴変換部
１５２ 学習データ選択部
１５３，１５３Ａ，１５３Ｂ 識別器
１５３ａ，１５３Ａａ クラスタ生成部
１５３Ｂａ 階層クラスタ生成部
１５３ｂ，１５３Ａｂ，１５３Ｂｂ クラスタデータ記憶部
１５３ｃ，１５３Ｂｃ クラスタ選択部
１５３Ａｃ 第１クラスタ選択部
１５３ｄ 異常測度算出部
１５３Ａｅ クラスタ統合部
１５３Ａｆ 第２クラスタ選択部

Claims (11)

1. 機械設備の異常予兆を検知する異常予兆検知システムであって、
   前記機械設備に設置した複数のセンサからのセンサデータ、又は前記センサデータ及び運転状態を表すイベントデータを、時系列に観測データとして取得する時系列データ取得部と、
   過去に取得した正常な前記時系列の観測データを学習データとして、クラスタリングを行うことにより２以上のクラスタを生成するクラスタ生成部と、
   前記２以上のクラスタの中から、前記観測データとの距離が最小となるクラスタを選択するクラスタ選択部と、
   前記選択されたクラスタの代表値と、前記観測データとの距離の大小に基づいて、前記機械設備の異常予兆を検知する異常予兆検知部とを備え、
   前記クラスタ生成部は、前記クラスタ間で、当該各クラスタに属する前記学習データの重複を許すとともに、互いに隣接するクラスタ間の距離が所定の値以下になるようにクラスタリングすることを特徴とする異常予兆検知システム。
2. 機械設備の異常予兆を検知する異常予兆検知システムであって、
   前記機械設備に設置した複数のセンサからのセンサデータ、又は前記センサデータ及び運転状態を表すイベントデータを、時系列に観測データとして取得する時系列データ取得部と、
   過去に取得した正常な前記時系列の観測データを学習データとして、クラスタリングを行うことにより２以上のクラスタを生成するクラスタ生成部と、
   前記２以上のクラスタの中から、前記観測データとの距離が最小となるクラスタを選択するクラスタ選択部と、
   前記選択されたクラスタの代表値と、前記観測データとの距離の大小に基づいて、前記機械設備の異常予兆を検知する異常予兆検知部とを備え、
   前記クラスタ生成部は、階層構造を有するようにクラスタを生成するとともに、直属の上位階層のクラスタとの間で、当該各クラスタに属する前記学習データの重複を許してクラスタリングすることを特徴とする異常予兆検知システム。
3. 前記クラスタ選択部は、前記階層構造を有するクラスタの内で予め定められた上位階層のクラスタである基本クラスタの中から、前記観測データとの距離が最小のクラスタを第１段階として選択するとともに、前記選択した基本クラスタ及び当該基本クラスタの下位の階層に属するクラスタの中から、前記観測データとの距離が最小のクラスタを第２段階として選択し、
   前記異常予兆検知部は、前記第２段階で選択されたクラスタの代表値と、前記観測データとの距離の大小に基づいて、前記機械設備の異常予兆を検知することを特徴とする請求項２に記載の異常予兆検知システム。
4. 前記クラスタ生成部は、互いに隣接するクラスタ間の距離が所定の値以下になるようにクラスタリングすることを特徴とする請求項２又は請求項３に記載の異常予兆検知システム。
5. 機械設備の異常予兆を検知する異常予兆検知システムであって、
   前記機械設備に設置した複数のセンサからのセンサデータ、又は前記センサデータ及び運転状態を表すイベントデータを、時系列に観測データとして取得する時系列データ取得部と、
   過去に取得した正常な前記時系列の観測データを学習データとして、クラスタリングを行うことにより２以上のクラスタを生成するクラスタ生成部と、
   前記２以上のクラスタの中から、前記観測データとの距離が小さい２以上の所定数のクラスタを選択する第１クラスタ選択部と、
   前記観測データを取得する毎に、当該観測データと前記第１クラスタ選択部が選択した各クラスタとの距離に基づいて、当該第１クラスタ選択部が選択したクラスタを統合してクラスタを生成するクラスタ統合部と、
   前記第１クラスタ選択部が選択したクラスタと、前記クラスタ統合部が生成したクラスタとを合わせたクラスタの中から、前記観測データとの距離が最小となるクラスタを選択する第２クラスタ選択部と、
   前記第２クラスタ選択部が選択したクラスタの代表値と、前記観測データとの距離の大小に基づいて、前記機械設備の異常予兆を検知する異常予兆検知部とを備えることを特徴とする異常予兆検知システム。
6. 前記クラスタは、少なくとも、重心とばらつきと階層構造の情報とを有することを特徴とする請求項２又は請求項３に記載の異常予兆検知システム。
7. 前記クラスタリングは、最短距離法、ウォード法又はその他の階層クラスタリング手法の何れかを用いることを特徴とする請求項２又は請求項３に記載の異常予兆検知システム。
8. 前記クラスタ生成部によるクラスタリングは、ｋ平均法又はその他の非階層クラスタリング手法を用いることを特徴とする請求項５に記載の異常予兆検知システム。
9. 機械設備の異常予兆を検知する装置による異常予兆検知方法であって、
   前記機械設備に設置した複数のセンサからのセンサデータ、又は前記センサデータ及び運転状態を表すイベントデータを、時系列に観測データとして取得する時系列データ取得ステップと、
   過去に取得した正常な前記時系列の観測データを学習データとして、クラスタリングを行うことにより２以上のクラスタを生成するクラスタ生成ステップと、
   前記２以上のクラスタの中から、前記観測データとの距離が最小となるクラスタを選択するクラスタ選択ステップと、
   前記選択されたクラスタの代表値と、前記観測データとの距離の大小に基づいて、前記機械設備の異常予兆を検知する異常予兆検知ステップとを含み、
   前記クラスタ生成ステップにおいて、前記クラスタ間で、当該各クラスタに属する前記学習データの重複を許すとともに、互いに隣接するクラスタ間の距離が所定の値以下になるようにクラスタリングすることを特徴とする異常予兆検知方法。
10. 機械設備の異常予兆を検知する装置による異常予兆検知方法であって、
    前記機械設備に設置した複数のセンサからのセンサデータ、又は前記センサデータ及び運転状態を表すイベントデータを、時系列に観測データとして取得する時系列データ取得ステップと、
    過去に取得した正常な前記時系列の観測データを学習データとして、クラスタリングを行うことにより２以上のクラスタを生成するクラスタ生成ステップと、
    前記２以上のクラスタの中から、前記観測データとの距離が最小となるクラスタを選択するクラスタ選択ステップと、
    前記選択されたクラスタの代表値と、前記観測データとの距離の大小に基づいて、前記機械設備の異常予兆を検知する異常予兆検知ステップとを含み、
    前記クラスタ生成ステップにおいて、階層構造を有するようにクラスタを生成するとともに、直属の上位階層のクラスタとの間で、当該各クラスタに属する前記学習データの重複を許してクラスタリングすることを特徴とする異常予兆検知方法。
11. 機械設備の異常予兆を検知する装置による異常予兆検知方法であって、
    前記機械設備に設置した複数のセンサからのセンサデータ、又は前記センサデータ及び運転状態を表すイベントデータを、時系列に観測データとして取得する時系列データ取得ステップと、
    過去に取得した正常な前記時系列の観測データを学習データとして、クラスタリングを行うことにより２以上のクラスタを生成するクラスタ生成ステップと、
    前記２以上のクラスタの中から、前記観測データとの距離が小さい２以上の所定数のクラスタを選択する第１クラスタ選択ステップと、
    前記観測データを取得する毎に、当該観測データと前記第１クラスタ選択ステップで選択した各クラスタとの距離に基づいて、当該第１クラスタ選択ステップで選択したクラスタを統合してクラスタを生成するクラスタ統合ステップと、
    前記第１クラスタ選択ステップで選択したクラスタと、前記クラスタ統合ステップで生成したクラスタとを合わせたクラスタの中から、前記観測データとの距離が最小となるクラスタを選択する第２クラスタ選択ステップと、
    前記第２クラスタ選択ステップで選択したクラスタの代表値と、前記観測データとの距離の大小に基づいて、前記機械設備の異常予兆を検知する異常予兆検知ステップとを含むことを特徴とする異常予兆検知方法。