JP5598082B2

JP5598082B2 - 異常判定装置、異常判定プログラムおよび異常判定方法

Info

Publication number: JP5598082B2
Application number: JP2010113426A
Authority: JP
Inventors: 健児青木
Original assignee: NEC Corp
Current assignee: NEC Corp
Priority date: 2010-05-17
Filing date: 2010-05-17
Publication date: 2014-10-01
Anticipated expiration: 2030-05-17
Also published as: JP2011242942A

Description

本発明は、入力された所定の系列の一連のデータである評価データにもとづいて、発生した異常の種類を判定する異常判定装置、異常判定プログラムおよび異常判定方法に関する。

時間の経過に応じて測定されたデータである時系列データにもとづいて、異常検出を行う方法がある。

特許文献１、特許文献２、特許文献３、特許文献４、および特許文献５には、正常または異常であることが事前に分かっているデータ（以下、訓練データという）が与えられることなく、異常検出の対象となるデータ（以下、評価データという）のみにもとづいて異常検出を行う方法が記載されている。

また、正常時の訓練データが与えられたうえで、非特許文献１、および非特許文献２に記載されている回帰分析モデル、および自己組織型状態空間モデルなどを用いて、正常時のデータの挙動を統計モデルによって表し、評価データが正常時の統計モデルに適合するか否かを統計的に判断することにより異常検出を行う方法がある。

さらに、正常時の訓練データおよび異常時の訓練データが与えられたうえで、非特許文献３に記載されているベイズ判別分析モデルや線形判別分析モデルなどを用いて、正常時のデータと異常時のデータとのそれぞれの挙動を統計モデルによって表し、評価データが正常時の統計モデルと異常時の統計モデルとのどちらにより適合するのかを統計的に判断することにより異常検出を行う方法がある。

特開２００１−１０１１５４号公報（段落００２２〜００６４、図１）特開２００４−５４３７０号公報（段落００２０〜００６６、図１）特開２００４−７８９８１号公報（段落００２６〜００６３、図１）特開２００４−３０９９９８号公報（段落０１１８〜０２６２、図１）特開２００７−１８５３０号公報（段落００２４〜００６１、図１）

小西貞則、北川源四郎著「情報量規準シリーズ・予測と発見の科学２」朝倉書店、２００４年９月２５日、ｐｐ．１６−２２森下真一、宮野悟編「ｂｉｔ別冊発見とデータマイニング」共立出版株式会社、２０００年５月５日、ｐｐ．１５９−１６８甘利俊一、竹内啓、竹村彰通、伊庭幸人編「パターン認識と学習の統計学統計科学のフロンティア６」岩波書店、２００３年４月１１日、ｐｐ．３６−４１

前述した先行技術文献に記載されているいずれの方法も、時系列データに内在する誤差によるデータの変動のうち、系列内のデータの変動のみを考慮するにとどまり、系列間のデータの変動を考慮していない。したがって、ある系列のデータに異常が検出された場合に、その異常がその系列そのものの要因による異常なのか、またはその系列以外の要因による異常なのかを知ることができないという問題点がある。以下、系列そのものの要因による異常を系列間異常、系列以外の要因による異常を系列内異常と呼ぶ。従って、系列間異常が生じた場合に、評価データが正常時の訓練データと異なる傾向で変化する。また、系列内異常が生じた場合に、評価データが正常時の訓練データから統計的に推測可能な範囲を超えて変化する。

図４は、系列間異常と系列内異常との例を示す説明図である。図４において、正常な系列のデータが●印で示され、異常な系列のデータが×印で示されている。図４（ａ）には、正常な系列のデータと異常な系列のデータとで、データの時間に応じた変化である挙動が全く異なる場合が示されている。それに対して、図４（ｂ）には、正常な系列のデータと異常な系列のデータとで系列全体としては類似した挙動を示すが、異常な系列のデータではある時間帯におけるデータの変動が他の時間帯のデータの変動に比べて大きくなることが示されている。

前述した先行技術文献に記載されている方法では、図４（ａ）に示す場合と図４（ｂ）に示す場合とのいずれの場合に対しても×印で示されているデータの系列を異常な系列として検出することが可能であるが、系列間異常であるのか、または系列内異常であるのかを判定することができないという問題がある。

そこで、本発明は、入力されたデータにもとづいて、発生した異常の種類を判定する異常判定装置、異常判定プログラムおよび異常判定方法を提供することを目的とする。

本発明による異常判定装置は、入力された時系列の一連のデータである評価データにもとづいて、発生した異常の種類を判定する異常判定装置であって、装置外部から正常時または異常時に測定されたデータであることが事前に分かっているデータである訓練データおよび予め設定されたパラメータを入力する訓練データ入力部と、訓練データ入力部が入力した訓練データにもとづいて、線形混合モデルのパラメータの推定値を求めるパラメータ推定部と、装置外部から入力された評価データにもとづいて、線形回帰分析モデルのパラメータの推定値を求める評価データ入力部と、パラメータ推定部が求めた線形混合モデルのパラメータの推定値と、評価データ入力部が求めた線形回帰分析モデルのパラメータの推定値とにもとづいて、評価データ入力部に入力された時系列の一連の評価データが正常時に測定されたデータと異なる傾向で変化する系列間異常が生じたか否かを判定する系列間異常判定部と、評価データの値が、パラメータ推定部が求めた線形混合モデルのパラメータの推定値と、評価データ入力部が求めた線形回帰モデルのパラメータの推定値とにもとづいて算出される一定の範囲外になる系列内異常が生じたか否かを判定する系列内異常判定部と、系列間異常判定部の判定結果、および系列内異常判定部の判定結果を出力する判定結果出力部とを備えたことを特徴とする。

本発明による異常判定プログラムは、入力された時系列の一連のデータである評価データにもとづいて、発生した異常の種類を判定する異常判定装置に搭載される異常判定プログラムであって、コンピュータに、装置外部から正常時または異常時に測定されたデータであることが事前に分かっているデータである訓練データおよび予め設定されたパラメータを入力する訓練データ入力処理と、訓練データ入力処理で入力した訓練データにもとづいて、線形混合モデルのパラメータの推定値を求めるパラメータ推定処理と、装置外部から入力された評価データにもとづいて、線形回帰分析モデルのパラメータの推定値を求める評価データ入力処理と、パラメータ推定処理で求めた線形混合モデルのパラメータの推定値と、評価データ入力処理で求めた線形回帰分析モデルのパラメータの推定値とにもとづいて、入力された時系列の一連の評価データが正常時に測定されたデータと異なる傾向で変化する系列間異常が生じたか否かを判定する系列間異常判定処理と、評価データの値が、パラメータ推定処理で求めた線形混合モデルのパラメータの推定値と、評価データ入力処理で求めた線形回帰モデルのパラメータの推定値とにもとづいて算出される一定の範囲外になる系列内異常が生じたか否かを判定する系列内異常判定処理と、系列間異常判定処理の判定結果、および系列内異常判定処理の判定結果を出力する判定結果出力処理とを実行させることを特徴とする。

本発明による異常判定方法は、入力された時系列の一連のデータである評価データにもとづいて、発生した異常の種類を判定する異常判定方法であって、装置外部から正常時または異常時に測定されたデータであることが事前に分かっているデータである訓練データおよび予め設定されたパラメータを入力し、入力した訓練データにもとづいて、線形混合モデルのパラメータの推定値を求め、装置外部から入力された評価データにもとづいて、線形回帰分析モデルのパラメータの推定値を求め、求めた線形混合モデルのパラメータの推定値と、求めた線形回帰分析モデルのパラメータの推定値とにもとづいて、入力された時系列の一連の評価データが正常時に測定されたデータと異なる傾向で変化する系列間異常が生じたか否かを判定し、評価データの値が、求めた線形混合モデルのパラメータの推定値と、求めた線形回帰モデルのパラメータの推定値とにもとづいて算出される一定の範囲外になる系列内異常が生じたか否かを判定し、系列間異常が生じたか否かの判定結果、および系列内異常が生じたか否かの判定結果を出力することを特徴とする。

本発明によれば、入力されたデータにもとづいて、発生した異常の種類を判定することができる。

本発明による異常判定装置の実施形態の構成例を示すブロック図である。図１に示す異常判定装置の動作を示すフローチャートである。原材料の温度変化の例を示す説明図である。系列間異常と系列内異常との例を示す説明図である。

本発明による異常判定装置の実施形態について説明する。まず、線形混合モデルとそのモデルにおけるパラメータの推定方法について説明する。以下、線形混合モデルにおける目的変数をＧ組の時系列データ（ｙ_ｊ，ｘ_ｊ）（ｊ＝１，・・・，Ｇ）の観測値ｙ_ｊ＝（ｙ_ｊ１，・・・，ｙ_ｊＮｊ）’とし、説明変数を観測時刻ｘ_ｊ＝（ｘ_ｊ１，・・・，ｘ_ｊＮｊ）’として説明する。ただし、Ｎ_ｊはｊ番目の時系列データの系列長である。またｙ_ｊ＝（ｙ_ｊ１，・・・，ｙ_ｊＮｊ）’は、ｙ_ｊが（ｙ_ｊ１，・・・，ｙ_ｊＮｊ）の転置行列であることを示している。

線形混合モデルは以下の式（１）で表わされる。

ただし、１_Ｎｊは全ての成分が１であるＮ_ｊ次元ベクトルであり、ｗ_ｊ１とｗ_ｊ２とは、それぞれ線形混合モデルの切片と傾きとである。通常の線形モデルと異なる点は、切片と傾きとが系列に依存していることである。線形混合モデルでは、一般にｗ_ｊとε_ｊとがそれぞれ以下の式（２）に示す確率分布に従うと仮定する。

なお、ｗ_ｊ〜Ｎ（ｂ，Ｔ）は、ｗ_ｊは平均ｂ、分散Ｔの正規分布に従うことを示している。

ただし、０_Ｎｊは全ての成分が０であるＮ_ｊ次元ベクトルであり、Ｉ_ＮｊはＮ_ｊ次元単位行列である。また、Ｎ（μ，Σ）は平均μ、分散共分散行列Σの多変量正規分布である。式（２）において、Ｔが系列間変動を、がＳ^２系列内変動を表わしている。線形混合モデルにおけるパラメータｗ_ｊ，Ｓ^２，ｂ，Ｔ（ｊ＝１，・・・，Ｇ）の推定法として、最尤推定法やベイズ推定法がある。本実施形態では、ベイズ推定法によってパラメータの推定を行うとする。ベイズ推定法では、一般に、Ｓ^２，ｂ，Ｔが以下の式（３）に示す事前確率分布に従うと仮定する。
Ｓ^２〜ＩＧ（κ，λ），ｂ〜Ｎ（β，Σ），ｔ_１〜ＩＧ（μ_１，ν_１），ｔ_２〜ＩＧ（μ_２，ν_２），β＝（β_１，β_２）’，Σ＝ｄｉａｇ（σ_１ ^２，σ_２ ^２）・・・式（３）

ただし、ＩＧ（ｋ，θ）は形状パラメータｋ、尺度パラメータθの逆ガンマ分布であることを表している。また、κ，λ，β，Σ，μ_ｉ，ν_ｉ（ｉ＝１，２）は分析者が事前に指定する超パラメータである。ベイズ推定法では、訓練データ（ｙ_ｊ，ｘ_ｊ）が与えられたうえで、ｗ_ｊ，Ｓ^２，ｂ，Ｔの事後確率分布をもとにパラメータの推定が行われる。本実施形態では、マルコフ連鎖モンテカルロ法（ＭＣＭＣ法：ＭａｒｋｏｖｃｈａｉｎＭｏｎｔｅＣａｒｌｏｍｅｔｈｏｄｓ）によって各パラメータの事後確率分布の平均値を求め、この平均値をパラメータの推定値とする。以下の式（４）〜式（７）で表わされる各パラメータの条件付き事後確率分布をもとに、ギブスサンプラを用いたＭＣＭＣ法によって各パラメータの推定値を求めることができる。

なお、式（４）においてｂ^＊ _ｊの^＊は、ｂ^＊ _ｊがｂ_ｊと異なるパラメータであることを示す記号である。以下、異なるパラメータであることを示す場合に「^＊」を付す。例えば、ｎとｎ^＊とは異なるパラメータである。また式（６）におけるｗ．はｗ_ｊの平均値を示し、以下、各パラメータの平均値を示す場合に「．」を付す。例えば、ｎ_ｊの平均値をｎ．と記す。

次に、本発明による異常判定装置の実施形態の構成について、図面を参照して説明する。図１は、本発明による異常判定装置の実施形態の構成例を示すブロック図である。図１に示すように、本発明による異常判定装置は、訓練データ入力部１０１と、パラメータ推定部１０２と、評価データ入力部１０３と、系列間異常判定部１０４と、系列内異常判定部１０５と、判定結果出力部１０６とを含む。

訓練データ入力部１０１には、装置外部から訓練データとしてＧ組の正常時の時系列データ（ｙ_ｊ，ｘ_ｊ）（ｊ＝１，・・・，Ｇ）と式（３）における超パラメータκ，λ，β，Σ，μ_ｉ，ν_ｉ（ｉ＝１，２）とが入力される。ただし、ｙ_ｊ＝（ｙ_ｊ１，・・・，ｙ_ｊＮｊ）’とｘ_ｊ＝（ｘ_ｊ１，・・・，ｘ_ｊＮｊ）’とはｊ番目の時系列データにおける観測値と観測時刻、Ｎ_ｊはｊ番目の時系列データの系列長である。訓練データ入力部１０１は、パラメータ推定部１０２に、訓練データ（ｙ_ｊ，ｘ_ｊ）（ｊ＝１，・・・，Ｇ）と超パラメータκ，λ，β，Σ，μ_ｉ，ν_ｉ（ｉ＝１，２）とを出力する。

パラメータ推定部１０２には、訓練データ入力部１０１によって訓練データ（ｙ_ｊ，ｘ_ｊ）（ｊ＝１，・・・，Ｇ）と超パラメータκ，λ，β，Σ，μ_ｉ，ν_ｉ（ｉ＝１，２）とが入力される。パラメータ推定部１０２は、ギブスサンプラを用いたＭＣＭＣ法によって、これらの値から式（１）と式（２）とにおける線形混合モデルのパラメータｗ_ｊ，Ｓ^２，ｂ，Ｔ（ｊ＝１，・・・，Ｇ）に対して、訓練データが与えられたもとでの事後確率分布の平均値ｗ_ｊ．，Ｓ^２．，ｂ．，Ｔ．を求める。なお、ｗ_ｊ．は、ｗ_ｊの事後確率分布の平均値であり、Ｓ^２．は、Ｓ^２の事後確率分布の平均値であり、ｂ．は、ｂの事後確率分布の平均値であり、Ｔ．は、Ｔの事後確率分布の平均値である。そして、パラメータ推定部１０２は、系列間異常判定部１０４に、ｂ．およびＴ．を出力し、系列内異常判定部１０５にＳ．^２を出力する。

評価データ入力部１０３には、装置外部から異常検出の対象となる評価データとして時系列データが入力される。ただし、ｙ_０＝（ｙ_０１，・・・，ｙ_０Ｎ０）’とｘ_０＝（ｘ_０１，・・・，ｘ_０Ｎ０）’とは評価データにおける観測値と観測時刻とであり、Ｎ_０は評価データの系列長である。評価データ入力部１０３は、これらの値から、以下の式（８）で表わされる線形回帰分析モデルにおける回帰係数の推定値（事後確率分布の平均値）ｗ_０．をベイズ推定法（ギブスサンプラを用いたＭＣＭＣ法）にもとづいて求める。

評価データ入力部１０３は、系列間異常判定部１０４にｗ_０．を出力し、系列内異常判定部１０５に（ｙ_０，ｘ_０）とｗ_０．とを出力する。なお、評価データは複数の系列であってもよい。この場合、各系列に対して回帰係数の推定が行なわれる。

系列間異常判定部１０４には、パラメータ推定部１０２から訓練データに対するパラメータの推定値ｂ．およびＴ．が入力され、評価データ入力部１０３から評価データに対するパラメータの推定値ｗ_０．が入力される。系列間異常判定部１０４は、これらの値にもとづいて、系列間異常が生じたか否かの判定を行う。判定方法としては、以下の式（９）で表わされる確率分布に対して、ｗ_０１．およびｗ_０２．のうち少なくとも１つが上側α_Ｂ％点以上または下側α_Ｂ％点以下であれば系列間異常が生じたと判定する方法が挙げられる。ただし、α_Ｂは分析者が事前に設定する閾値である。
ｗ_０．〜Ｎ（ｂ．，Ｔ．）・・・式（９）
系列間異常判定部１０４は、判定結果出力部１０６に系列間異常の判定結果を出力する。

系列内異常判定部１０５には、パラメータ推定部１０２から訓練データに対するパラメータの推定値Ｓ．^２が入力され、評価データ入力部１０３から評価データ（ｙ_０，ｘ_０）と評価データに対するパラメータの推定値ｗ_０．が入力される。系列内異常判定部１０５は、これらの値にもとづいて、系列内異常が生じたか否かの判定を行う。判定方法としては、以下の式（１０）で表わされる確率分布に対して、ｙ_０１，・・・，ｙ_０Ｎ０のうち少なくとも１つが上側α_ｗ％点以上または下側α_ｗ％点以下であれば系列内異常が生じたと判定する方法が挙げられる。ただし、α_ｗは分析者が事前に設定する閾値である。

系列内異常判定部１０５は、判定結果出力部１０６に系列内異常の判定結果を出力する。

判定結果出力部１０６には、系列間異常判定部１０４から系列間異常の判定結果が入力され、系列内異常判定部１０５から系列内異常の判定結果が入力される。判定結果出力部１０６は、装置外部に入力された判定結果を出力する。

次に、図１に示す異常判定装置の動作について、図面を参照して説明する。図２は、図１に示す異常判定装置の動作を示すフローチャートである。

訓練データ入力部１０１は、与えられた訓練データ（ｙ_ｊ，ｘ_ｊ）と超パラメータκ，λ，β，Σ，μ_ｉ，ν_ｉ（ｉ＝１，２）とを入力する（ステップＳ１０１）。パラメータ推定部１０２は、訓練データ入力部１０１によって入力された（ｙ_ｊ，ｘ_ｊ）とκ，λ，β，Σ，μ_ｉ，ν_ｉ（ｉ＝１，２）とから、式（１）と式（２）とにおけるパラメータｗ_ｊ，Ｓ^２，ｂ，Ｔ（ｊ＝１，・・・，Ｇ）の推定値ｗ_ｊ．，Ｓ．^２，ｂ．，Ｔ．を求める（ステップＳ１０２）。評価データ入力部１０３は、評価データ（ｙ_０，ｘ_０）を入力し、式（８）におけるパラメータｗ_０の推定値ｗ_０．を求める（ステップＳ１０３，Ｓ１０４）。

系列間異常判定部１０４はｂ．、Ｔ．およびｗ_０．から、評価データが系列間異常であるか否かを判定する（ステップＳ１０５）。系列内異常判定部１０５は（ｙ_０，ｘ_０）とＳ．^２，ｗ_０．とから評価データが系列内異常であるか否かを判定する（ステップＳ１０６）。判定結果出力部１０６は、評価データに対する系列間異常と系列内異常との判定結果をそれぞれ出力する（ステップＳ１０７）。

本実施形態によれば、例えば、工業製品の製造過程における原材料の温度や硬度などの変化解析に適用することにより、製造過程に対する異常検出に応用できる。図３は、原材料の温度変化の例を示す説明図である。図３に示す例では、観測時刻（横軸）をいくつかの時間帯に（例えば、図３において破線で示される時刻で）分割し、それぞれの時間帯ごとに本発明の実施形態における異常判定装置を適用することにより、製造過程に対して異常が検出された際に、その異常が系列間異常（例えば、原材料自体の問題）であるのか、または系列内異常（例えば、突発的な温度センサーの故障）であるのかを製造過程の管理者が知ることができる。

次に、本発明の概要について図１に示すブロック図を参照して説明する。図１に示すように、本発明による異常判定装置は、訓練データ入力部１０１と、パラメータ推定部１０２と、評価データ入力部１０３と、系列間異常判定部１０４と、系列内異常判定部１０５と、判定結果出力部１０６とを含む。

訓練データ入力部１０１は、異常判定装置の外部から正常時または異常時に測定されたデータであることが事前に分かっているデータである訓練データおよび予め設定されたパラメータを入力する。パラメータ推定部１０２は、訓練データ入力部１０１が入力した訓練データにもとづいて、線形混合モデルのパラメータの推定値を求める。評価データ入力部１０３は、異常判定装置の外部から入力された評価データにもとづいて、線形回帰分析モデルのパラメータの推定値を求める。系列間異常判定部１０４は、パラメータ推定部１０２が求めた線形混合モデルのパラメータの推定値と、評価データ入力部１０３が求めた線形回帰分析モデルのパラメータの推定値とにもとづいて、評価データ入力部１０３に入力された所定の系列の一連の評価データが正常時に測定されたデータと異なる傾向で変化する系列間異常が生じたか否かを判定する。

系列内異常判定部１０５は、評価データの値が、パラメータ推定部１０２が求めた線形混合モデルのパラメータの推定値と、評価データ入力部１０３が求めた線形回帰モデルのパラメータの推定値とにもとづいて算出される一定の範囲外になる系列内異常が生じたか否かを判定する。判定結果出力部１０６は、系列間異常判定部１０４の判定結果、および系列内異常判定部１０５の判定結果を出力する。

そのような構成によれば、入力された評価データにもとづいて、発生した異常の種類が系列間異常であるのか、または系列内異常であるのかを判定することができる。

また上記の実施形態では、以下の（１）〜（４）に示すような異常判定装置も開示されている。

（１）系列間異常判定部１０４が、評価データ入力部１０３が求めた線形回帰分析モデルのパラメータである回帰係数の推定値が所定の確率分布における所定の範囲外の値である場合に、系列間異常が生じたと判定する異常判定装置。

（２）系列内異常判定部１０５が、評価データ入力部１０３が入力した評価データが予め決められた確率分布における一定の範囲外の値である場合に、評価データが系列内異常であると判定する異常判定装置。

（３）パラメータ推定部１０２が、ベイズ推定法を用いて線形混合モデルのパラメータの推定値を求める異常判定装置。

（４）評価データ入力部１０３が、ベイズ推定法を用いて線形回帰分析モデルのパラメータの推定値を求める異常判定装置。

本発明を、入力されたデータにもとづいて、発生した異常の種類を判定するシステムに適用することができる。

１０１訓練データ入力部
１０２パラメータ推定部
１０３評価データ入力部
１０４系列間異常判定部
１０５系列内異常判定部
１０６判定結果出力部

Claims

入力された時系列の一連のデータである評価データにもとづいて、発生した異常の種類を判定する異常判定装置であって、
装置外部から正常時または異常時に測定されたデータであることが事前に分かっているデータである訓練データおよび予め設定されたパラメータを入力する訓練データ入力部と、
前記訓練データ入力部が入力した前記訓練データにもとづいて、線形混合モデルのパラメータの推定値を求めるパラメータ推定部と、
前記装置外部から入力された前記評価データにもとづいて、線形回帰分析モデルのパラメータの推定値を求める評価データ入力部と、
前記パラメータ推定部が求めた前記線形混合モデルのパラメータの推定値と、前記評価データ入力部が求めた前記線形回帰分析モデルのパラメータの推定値とにもとづいて、前記評価データ入力部に入力された前記時系列の一連の評価データが前記正常時に測定されたデータと異なる傾向で変化する系列間異常が生じたか否かを判定する系列間異常判定部と、
前記評価データの値が、前記パラメータ推定部が求めた前記線形混合モデルのパラメータの推定値と、前記評価データ入力部が求めた前記線形回帰モデルのパラメータの推定値とにもとづいて算出される一定の範囲外になる系列内異常が生じたか否かを判定する系列内異常判定部と、
前記系列間異常判定部の判定結果、および前記系列内異常判定部の判定結果を出力する判定結果出力部とを備えた
ことを特徴とする異常判定装置。
系列間異常判定部は、評価データ入力部が求めた線形回帰分析モデルのパラメータである回帰係数の推定値が所定の確率分布における所定の範囲外の値である場合に、系列間異常が生じたと判定する
請求項１記載の異常判定装置。
系列内異常判定部は、評価データ入力部が入力した評価データが予め決められた確率分布における一定の範囲外の値である場合に、前記評価データが系列内異常であると判定する
請求項１または請求項２記載の異常判定装置。
パラメータ推定部は、ベイズ推定法を用いて線形混合モデルのパラメータの推定値を求める
請求項１から請求項３のうちいずれか１項記載の異常判定装置。
評価データ入力部は、ベイズ推定法を用いて線形回帰分析モデルのパラメータの推定値を求める
請求項１から請求項４のうちいずれか１項記載の異常判定装置。
入力された時系列の一連のデータである評価データにもとづいて、発生した異常の種類を判定する異常判定装置に搭載される異常判定プログラムであって、
コンピュータに、
装置外部から正常時または異常時に測定されたデータであることが事前に分かっているデータである訓練データおよび予め設定されたパラメータを入力する訓練データ入力処理と、
前記訓練データ入力処理で入力した前記訓練データにもとづいて、線形混合モデルのパラメータの推定値を求めるパラメータ推定処理と、
前記装置外部から入力された前記評価データにもとづいて、線形回帰分析モデルのパラメータの推定値を求める評価データ入力処理と、
前記パラメータ推定処理で求めた前記線形混合モデルのパラメータの推定値と、前記評価データ入力処理で求めた前記線形回帰分析モデルのパラメータの推定値とにもとづいて、入力された前記時系列の一連の評価データが前記正常時に測定されたデータと異なる傾向で変化する系列間異常が生じたか否かを判定する系列間異常判定処理と、
前記評価データの値が、前記パラメータ推定処理で求めた前記線形混合モデルのパラメータの推定値と、前記評価データ入力処理で求めた前記線形回帰モデルのパラメータの推定値とにもとづいて算出される一定の範囲外になる系列内異常が生じたか否かを判定する系列内異常判定処理と、
前記系列間異常判定処理の判定結果、および前記系列内異常判定処理の判定結果を出力する判定結果出力処理とを実行させる
ための異常判定プログラム。
コンピュータに、
系列間異常判定処理で、評価データ入力処理で求めた線形回帰分析モデルのパラメータである回帰係数の推定値が所定の確率分布における所定の範囲外の値である場合に、系列間異常が生じたと判定させる
請求項６記載の異常判定プログラム。
入力された時系列の一連のデータである評価データにもとづいて、発生した異常の種類を判定する異常判定方法であって、
装置外部から正常時または異常時に測定されたデータであることが事前に分かっているデータである訓練データおよび予め設定されたパラメータを入力し、
入力した前記訓練データにもとづいて、線形混合モデルのパラメータの推定値を求め、
前記装置外部から入力された前記評価データにもとづいて、線形回帰分析モデルのパラメータの推定値を求め、
求めた前記線形混合モデルのパラメータの推定値と、求めた前記線形回帰分析モデルのパラメータの推定値とにもとづいて、入力された前記時系列の一連の評価データが前記正常時に測定されたデータと異なる傾向で変化する系列間異常が生じたか否かを判定し、
前記評価データの値が、求めた前記線形混合モデルのパラメータの推定値と、求めた前記線形回帰モデルのパラメータの推定値とにもとづいて算出される一定の範囲外になる系列内異常が生じたか否かを判定し、
系列間異常が生じたか否かの判定結果、および系列内異常が生じたか否かの判定結果を出力する
ことを特徴とする異常判定方法。
系列間異常が生じたか否かを判定する場合に、求めた線形回帰分析モデルのパラメータである回帰係数の推定値が所定の確率分布における所定の範囲外の値であるときに、系列間異常が生じたと判定する
請求項８記載の異常判定方法。