JP6315528B1 - 異常検知モデル構築装置、異常検知モデル構築方法及びプログラム - Google Patents
異常検知モデル構築装置、異常検知モデル構築方法及びプログラム Download PDFInfo
- Publication number
- JP6315528B1 JP6315528B1 JP2017157818A JP2017157818A JP6315528B1 JP 6315528 B1 JP6315528 B1 JP 6315528B1 JP 2017157818 A JP2017157818 A JP 2017157818A JP 2017157818 A JP2017157818 A JP 2017157818A JP 6315528 B1 JP6315528 B1 JP 6315528B1
- Authority
- JP
- Japan
- Prior art keywords
- data
- detection model
- abnormality detection
- unit
- model construction
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 129
- 238000010276 construction Methods 0.000 title claims abstract description 74
- 230000005856 abnormality Effects 0.000 claims abstract description 134
- 238000004088 simulation Methods 0.000 claims abstract description 85
- 230000002159 abnormal effect Effects 0.000 claims abstract description 59
- 238000011156 evaluation Methods 0.000 claims abstract description 24
- 238000005070 sampling Methods 0.000 claims abstract description 10
- 230000008859 change Effects 0.000 claims description 32
- 238000005259 measurement Methods 0.000 claims description 25
- 238000007792 addition Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 description 33
- 230000008569 process Effects 0.000 description 26
- 238000004891 communication Methods 0.000 description 21
- 230000006870 function Effects 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 2
- 238000001276 Kolmogorov–Smirnov test Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000002826 coolant Substances 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005401 electroluminescence Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Abstract
【課題】汎用性が高い異常検知モデル構築装置等を提供する。【解決手段】異常検知モデル構築装置100は、データ取得部151と、特性判別部152と、データ特定受付部153と、シミュレーション実行部154とを備える。データ取得部151は、時系列のサンプリングデータをデータセットとして受け付ける。特性判別部152は、データ取得部151が取得したデータセットが、予め定められた複数の特性のうちユーザによって選択されたいずれか一つ以上の特性を有しているか否かを判別する。データ特定受付部153は、データセットにおいて、ユーザによる正常データ又は異常データの特定を受け付ける。シミュレーション実行部154は、アルゴリズムに基づいて、異常検知のシミュレーションを実行し、データ特定受付部153が特定を受け付けた正常データ又は異常データを正答とした場合の評価を行う。【選択図】図1
Description
本開示は、異常検知モデル構築装置、異常検知モデル構築方法及びプログラムに関する。
近年、予め収集された計測データを使用して異常検知モデルを構築し、その異常検知モデルに基づいて監視対象の異常を検出するシステムが普及している。このようなシステムによれば、ユーザの監視負担を軽減することができる。
例えば、特許文献1は、工作機器の負荷電流を監視して工作機器の異常を検出する監視方法を開示している。この方法では、予め収集された計測データの標準偏差値に基づいて上限値波形と下限値波形が設定される。監視時において、計測データが上限値波形及び下限値波形が示す正常範囲から逸脱した場合に、工作機器に異常があると判別される。
特許文献2は、公知技術として、クラスタリングによる異常診断方法を開示している。この方法では、予め収集された計測データに基づいてクラスタが設定される。診断時において、計測データが散布図におけるクラスタから閾値以上の距離だけ離れている場合に、異常があると判別される。
特許文献1が開示する異常検知モデルは、同じワーク加工を繰り返す場合に負荷電流の特性がほとんど同じであることを前提としている。特許文献2が開示する異常検知モデルは、エンジン温度と冷却水圧力との間に相関があることを前提としている。
このように、特許文献1、2が開示する異常検知モデルでは、計測データに既知の一つの特性があることが前提となっている。そのため、これらの異常検知モデルは、計測データに既知の一つの特性がない場合には適用できない。
また、特許文献2が開示する異常検知モデルは、2つの計測データ(エンジン温度と冷却水圧力)を多軸分析して異常を検知するものである。そのため、特許文献2が開示する異常検知モデルを特許文献1が開示する異常検知モデルの代わりに適用して、1つの計測データ(負荷電流)を単軸分析して異常を検知することはできない。また、特許文献1が開示する異常検知モデルを特許文献2が開示する異常検知モデルの代わりに適用することもできない場合がある。
このように、監視対象となる計測データに既知の一つの特性があることを前提とする異常検知モデルでは、用途が限られる。したがって、汎用性が低い。
そこで、本開示はこのような事情に鑑み、汎用性が高い異常検知モデル構築装置等を提供することを目的とする。
上記目的を達成するため、本開示の第1の観点に係る異常検知モデル構築装置は、アルゴリズムに基づいて異常を検知する異常検知モデルを構築するための異常検知モデル構築装置であって、時系列のサンプリングデータをデータセットとして受け付けるデータ取得部と、データ取得部が取得したデータセットが、予め定められた複数の特性のうちユーザによって選択されたいずれか一つ以上の特性を有しているか否かを判別する特性判別部と、データセットにおいて、ユーザによる正常データ又は異常データの特定を受け付けるデータ特定受付部と、いずれか一つ以上の特性のうち特性判別部により特性を有していると判別されたいずれか一つの特性に関連づけられたアルゴリズムに基づいて、データセットに対して異常検知のシミュレーションを実行し、データ特定受付部が特定を受け付けた正常データ又は異常データを正答とした場合のアルゴリズムの評価を行うシミュレーション実行部と、を備えることを特徴とする。
また、上記目的を達成するため、本開示の第2の観点に係る異常検知モデル構築方法は、アルゴリズムに基づいて異常を検知する異常検知モデルを構築するための異常検知モデル構築方法であって、時系列のサンプリングデータをデータセットとして受け付けるデータ取得ステップと、予め定められた複数の特性のうちいずれか一つ以上の特性のユーザによる選択を受け付ける第1の選択受付ステップと、データ取得ステップにおいて取得したデータセットが、第1の選択受付ステップにおいてユーザによって選択されたいずれか一つ以上の特性を有しているか否かを判別する特性判別ステップと、特性判別ステップにおいて特性を有していると判別された特性のうちいずれか一つの特性をユーザに選択させ、選択を受け付ける第2の選択受付ステップと、データセットにおいて、ユーザによる正常データ又は異常データの特定を受け付けるデータ特定受付ステップと、第2の選択受付ステップにおいて選択された特性に関連づけられたアルゴリズムに基づいて、データセットに対して異常検知のシミュレーションを実行し、データ特定受付ステップにおいて特定を受け付けた正常データ又は異常データを正答とした場合のアルゴリズムの評価を行うシミュレーション実行ステップと、を含むことを特徴とする。
また、上記目的を達成するため、本開示の第3の観点に係るプログラムは、コンピュータを、時系列のサンプリングデータをデータセットとして受け付けるデータ取得手段、データ取得手段が取得したデータセットが、予め定められた複数の特性のうちユーザによって選択されたいずれか一つ以上の特性を有しているか否かを判別する特性判別手段、データセットにおいて、ユーザによる正常データ又は異常データの特定を受け付けるデータ特定受付手段、いずれか一つ以上の特性のうち特性判別手段により特性を有していると判別されたいずれか一つの特性に関連づけられたアルゴリズムに基づいて、データセットに対して異常検知のシミュレーションを実行し、データ特定受付手段が特定を受け付けた正常データ又は異常データを正答とした場合のアルゴリズムの評価を行うシミュレーション実行手段、として機能させる。
本開示によれば、汎用性が高い異常検知モデル構築装置等を提供することができる。
以下、本開示の実施形態について図面を参照しながら説明する。なお、以下の実施形態において説明される構成の全てが、本開示の必須構成要件であるとは限らない。
(第1実施形態)
本実施形態では、予め収集された計測データを使用して異常検知モデルを構築する異常検知モデル構築装置100について説明する。
本実施形態では、予め収集された計測データを使用して異常検知モデルを構築する異常検知モデル構築装置100について説明する。
<構成>
図1に示すように、異常検知モデル構築装置100は、他の装置と通信を行う通信部110と、ユーザの操作を受け付ける操作部120と、各種データを記憶する記憶部130と、各種画像を表示する表示部140と、装置全体の制御を行う制御部150と、を備える。これらの構成要素は、バスラインBLによって相互に接続される。
図1に示すように、異常検知モデル構築装置100は、他の装置と通信を行う通信部110と、ユーザの操作を受け付ける操作部120と、各種データを記憶する記憶部130と、各種画像を表示する表示部140と、装置全体の制御を行う制御部150と、を備える。これらの構成要素は、バスラインBLによって相互に接続される。
通信部110は、有線通信又は無線通信を行うためのNIC(Network Interface Card controller)を備える通信インターフェースである。通信部110は、センサ、通信装置等と通信を行う。
例えば、通信部110は、予め収集されたセンサの計測データである時系列のサンプリングデータを受信する。なお、通信部110は、後述する特性判別プログラム、アルゴリズム等を受信してもよい。
操作部120は、操作ボタン、キーボード、ポインティングデバイス等から構成される。操作部120は、ユーザが指示を入力するために用いられるインターフェースである。
記憶部130は、RAM(Random Access Memory)、ROM(Read Only Memory)等から構成される。記憶部130は、各種プログラム、入力データ等を記憶する。
各種プログラムは、後述する異常検知モデル構築処理を実行するためのプログラムを含む。異常検知モデル構築処理を実行するためのプログラムは、データセットが予め定められた特性を有しているか否かを判別する特性判別プログラムと、異常の検知又はそのシミュレーションを実行する場合に使用されるアルゴリズムとを含む。
また、記憶部130は、図2に示す情報テーブルを記憶する。この情報テーブルは、予め定められた複数の特性と、それらの複数の特性のそれぞれに関連づけられた複数のアルゴリズムとが関連づけられた情報テーブルである。
複数の特性は、正規性、周期性、相関、変化点、回帰適合度である。正規性は、正規分布を示す特性である。周期性は、周期的な変動を含む特性である。相関は、複数のデータセットの間の相関係数が高い特性である。変化点は、変化スコアを算出することによって、緩やかな変化と、外れ値と、急激な変化が生じる変化点とを検出できる特性である。回帰適合度は、特定時点までのデータセットについて回帰分析を繰り返すことによって、特定時点以降のデータの推移を示す近似式を生成できる特性である。
複数のアルゴリズムには、特性ごとに既知のアルゴリズムを用いることができる。複数のアルゴリズムには、オープンソースが使用されてもよい。正規性には、2つのアルゴリズム(MahalanobisとLOF)が関連づけられている。相関には、3つのアルゴリズム(One Class SVMとIsolation ForestとLOF)が関連づけられている。周期性には、2つのアルゴリズム(S-H-ESDとSparse Coding)が関連づけられている。回帰適合度には、2つのアルゴリズム(RegressionとGaussian Process)が関連づけられている。変化点には、2つのアルゴリズム(BreakoutとChange Finder)が関連づけられている。
表示部140は、例えば、LCD(Liquid Crystal Display)、EL(Electroluminescence)ディスプレイ等によって構成される。表示部140は、制御部150からの入力データに応じてテキスト、画像等を表示する。
制御部150は、CPU(Central Processing Unit)等から構成される。制御部150は、記憶部130に記憶されているプログラムを実行することにより、異常検知モデル構築装置100の全体の動作を制御する。
以下、制御部150の機能的な構成を説明する。制御部150は、データ取得部151、特性判別部152、データ特定受付部153、シミュレーション実行部154、表示制御部155として機能する。
データ取得部151は、通信部110を介して受信した時系列のサンプリングデータをデータセットとして受け付ける。通信部110を介して受信した時系列のサンプリングデータが記憶部130に記憶されている場合には、データ取得部151は、記憶部130から読み出したデータをデータセットして受け付ける。このように、データ取得部151は、通信部110又は記憶部130を介してデータセットを取得する。
特性判別部152は、データ取得部151が取得したデータセットが、予め定められた複数の特性のうちユーザによって選択されたいずれか一つ以上の特性を有しているか否かを判別する。具体的には、特性判別部152は、記憶部130の情報テーブルが示す5つの特性(正規性、周期性、相関、変化点、回帰適合度)のうち、ユーザによって選択された特性の有無を判別する。例えば、正規性の有無は、データセットからヒストグラムを算出し、その結果を確率分布の類似度(KS検定)にて検定し、正規分布に従っているか否かによって判別される。周期性の有無は、データセットを高速フーリエ変換(FFT)し、周波数スペクトルに基づいて判別される。
データ特定受付部153は、データ取得部151が取得したデータセットにおいて、ユーザによる正常データ又は異常データの特定を受け付ける。具体的には、後述する表示制御部155が、特性判別部152によって特性を有していると判別されたデータセットを時系列で示すグラフで表示している間において、データ特定受付部153は、正常データ又は異常データの特定を受け付ける。データ特定受付部153は、データセットを時系列で示すグラフにおいてユーザが特定した正常データ又は異常データに、正常ラベル又は異常ラベルを付与する。
シミュレーション実行部154は、異常検知のシミュレーションを実行する。シミュレーションは、特性判別部152により特性を有していると判別されたいずれか一つの特性に関連づけられた複数のアルゴリズムに基づいて実行される。シミュレーション実行部154は、複数のアルゴリズムのそれぞれについて、データ特定受付部153が特定を受け付けた正常データ又は異常データを正答とした場合の評価を行う。
また、シミュレーション実行部154は、アルゴリズムにおいて、それぞれ異なるパラメータを設定した複数のパターンに基づいてシミュレーションを実行する。複数のパターンのそれぞれに設定されているパラメータは予め定められた値である。シミュレーション実行部154は、それらの複数のパターンのうち評価が最も高いパターンを最適モデルとして選択する。
複数のパターンは、いくつであってもよいが、本実施形態では、3つのパターンである。例えば、正規性についてシミュレーションを実行する場合、シミュレーション実行部154は、2つのアルゴリズムのそれぞれにおいて3パターンのシミュレーションを実行するため、合計6パターンのシミュレーションが実行される。
表示制御部155は、表示部140を制御して、テキスト、画像等を表示する。例えば、表示制御部155は、データセットの特性を選択する操作画面、データセットの特性の判別結果、正常データ又は異常データの特定を受け付ける操作画面、シミュレーションによる評価結果等を表示する。
<各種画面>
ここで、表示制御部155によって表示される各種画面の例を説明する。図3は、データセットの特性を選択する操作画面の一例を示している。この画面は、異常検知モデル構築装置100がデータセットを取得した後に表示される。
ここで、表示制御部155によって表示される各種画面の例を説明する。図3は、データセットの特性を選択する操作画面の一例を示している。この画面は、異常検知モデル構築装置100がデータセットを取得した後に表示される。
表示制御部155は、この画面を表示している間において、操作部120を介したユーザによるデータセットの特性の選択を受け付ける。ユーザは、チェックボックスにチェックを入れることにより、正規性、相関、周期性、回帰適合度、変化点のいずれか一つ以上を選択することができる。
図3の例は、正規性、相関、周期性、回帰適合度、変化点のうち、正規性と周期性と変化点とが選択された状態を示している。なお、この例では、データセットに含まれる計測データが1種類の場合であるため、2種類以上の計測データを必要とする相関のチェックボックスは選択できない状態になっている。
この画面においてデータセットの特性が選択されている場合には、特性判別部152がデータ特性判別処理を実行する指示を受け付ける。データ特性判別処理は、ユーザが操作部120を介して、ボタンP1をクリック又はタップした場合に実行される。特性判別部152は、操作部120を介してユーザによるデータセットの特性の選択を受け付ける。
図4は、データセットの特性の判別結果の一例を示している。この画面は、データ特性判別処理の実行後に表示される。この例は、図3において正規性と周期性と変化点とが選択され、データ特性判別処理が実行された場合の判別結果を示している。
この判別結果では、正規性の判別結果が×であるため、データセットに含まれる計測データが正規性の特性を有していないことがわかる。一方、周期性と変化点の判別結果は○であるため、データセットに含まれる計測データが周期性と変化点の特性を有していることがわかる。また、周期性又は変化点の特性から異常検知が可能であるため、異常検知可否の判別結果は可となっている。
この状態において、特性を有していると判別された周期性と変化点については、判別結果の部分がボタンP2とボタンP3になっている。ユーザはボタンP2又はボタンP3をクリック又はタップして、周期性と変化点とのいずれか一つの特性を、シミュレーションに使用する特性として選択することができる。シミュレーションに使用する特性の選択操作を受け付けると、表示制御部155は正常データ又は異常データの特定を受け付ける操作画面を表示する。
図5は、正常データ又は異常データの特定を受け付ける操作画面の一例を示している。この例は、シミュレーションに使用する特性として周期性が選択されている場合を示している。また、この例は、データセットに含まれる計測データの集計期間が2016年12月14日の0:00から2017年2月15日の23:55までである場合を示している。
この画面の上部には、データセットを時系列で示すグラフS1が表示される。グラフS1では、縦軸がデータ値の大きさを示し、横軸が時間軸を示している。ユーザはがボタンP4をクリック又はタップすると、表示制御部155は、表示期間をずらす。
グラフS1において、データ特定受付部153は、操作部120を介してデータセットのプロットの選択を受け付ける。また、データ特定受付部153は、選択されたプロットが異常データであるか正常データであるかを特定する指示を受け付ける。
例えば、表示制御部155は、プロットが選択された場合に、異常データか正常データかを選択させるポップアップ画面を表示させる。データ特定受付部153は、そのポップアップ画面におけるユーザの選択を受け付けることによって異常データであるか正常データであるかを特定する指示を受け付ける。
なお、異常データであるか正常データであるかの特定は、このような方法に限られない。例えば、データ特定受付部153は、ユーザに選択したプロットをドラッグアンドドロップさせ、ドロップ位置が異常ラベル一覧の領域か正常ラベル一覧の領域かによって特定を受け付けてもよい。
データ特定受付部153は、特定された異常データ又は正常データに異常ラベル又は正常ラベルを付与する。例えば、表示制御部155は、グラフS1において、異常ラベルが付与されたプロットA1、A2を黒ラベルで表示させ、正常ラベルが付与されたプロットB1を白ラベルで表示させる。
異常ラベル又は正常ラベルが付与されたプロットは、そのプロットが示す日時及びデータ値とともに記憶部130に記憶される。この記憶データは、シミュレーションの評価時に使用される。表示制御部155は、異常ラベルが付与されたプロットを「A.異常ラベル一覧」の領域に表示させる。表示制御部155は、正常ラベルが付与されたプロットを「B.正常ラベル一覧」の領域に表示させる。なお、ユーザがボタンP5、P6をクリック又はタップした場合、データ特定受付部153は、付与した異常ラベル又は正常ラベルを削除する。
データ特定受付部153が異常データ又は正常データを受け付けた状態において、シミュレーション実行を指示するボタンP7がクリック又はタップされると、シミュレーション実行部154は、異常検知のシミュレーションを実行する。
図6は、表示制御部155によって表示されるシミュレーションによる評価結果の一例を示している。この画面は、異常検知のシミュレーション実行後に表示される。シミュレーション実行部154は、データ特定受付部153が受け付けた異常データ又は正常データを正答とした場合の異常検知のシミュレーションの評価を行う。
シミュレーションの評価結果は、正答率、正常データを「正常」と判定した割合、異常データを「異常」と判定した割合、誤判別率、正常データを「異常」と判定した割合(FP)、異常データを「正常」と判定した割合(FN)の6項目について表示される。
この例では、評価結果は、正常データを「正常」と判定した割合が99.97%であり、異常データを「異常」と判定した割合が75%であり、全体としての正答率は99.94%であることを示している。また、この例では、評価結果は、正常データを「異常」と判定した割合が0.02%であり、異常データを「正常」と判定した割合が25.0%であり、全体としての誤判別率は0.05%であることを示している。
<処理の流れ>
以下、図7を参照しながら、異常検知モデル構築装置100が実行する異常検知モデル構築処理の一例を説明する。この処理は、ユーザが、操作部120を介して、異常検知モデル構築処理を実行するためのプログラムを起動した場合に実行される。
以下、図7を参照しながら、異常検知モデル構築装置100が実行する異常検知モデル構築処理の一例を説明する。この処理は、ユーザが、操作部120を介して、異常検知モデル構築処理を実行するためのプログラムを起動した場合に実行される。
まず、制御部150のデータ取得部151は、通信部110又は記憶部130を介してデータセットを取得する(ステップS101)。制御部150の表示制御部155は、データセットの特性を選択する操作画面(例えば図3)を表示し、判別する特性の選択を受け付ける(ステップS102)。
具体的には、制御部150の表示制御部155は、ユーザに、正規性、相関、周期性、回帰適合度、変化点のいずれか一つ以上をデータセットの特性として選択させる。なお、データセットに含まれる計測データが1種類だけであれば、制御部150の表示制御部155は、正規性、周期性、回帰適合度、変化点のいずれか一つ以上の選択を受け付ける。しかし、データセットに含まれる計測データが2種類以上であれば、制御部150の表示制御部155は、相関の選択のみを受け付ける。
制御部150の特性判別部152は、特性判別プログラムに基づいて特性判別処理を実行する(ステップS103)。具体的には、制御部150の特性判別部152は、データセットがユーザによって選択されたいずれか一つ以上の特性を有しているか否かを判別する。
制御部150の表示制御部155は、特性判別部152による特性判別結果(例えば図4)を表示させる(ステップS104)。また、制御部150の表示制御部155は、シミュレーションに使用する特性の選択を受け付ける(ステップS105)。ユーザは、特性判別結果において特性を有していると判別された特性のうちいずれか一つの特性を、シミュレーションに使用する特性として選択する。
シミュレーションに使用する特性の選択操作を受け付けると、表示制御部155は、正常データ又は異常データの特定を受け付ける操作画面(例えば図5)を表示する。データ特定受付部153は、データ取得部151が取得したデータセットにおいて、ユーザによる正常データ又は異常データの特定を受け付ける(ステップS106)。また、データ特定受付部153は、ユーザが特定した正常データ又は異常データに、正常ラベル又は異常ラベルを付与する。
ユーザがシミュレーション実行を指示するボタンP7をクリック又はタップすると、シミュレーション実行部154は、異常検知のシミュレーションを実行する(ステップS107)。具体的には、シミュレーション実行部154は、ステップS105において選択された特性に関連づけられた複数のアルゴリズムに基づいて異常検知のシミュレーションを実行する。また、シミュレーション実行部154は、各アルゴリズムにおいて、それぞれ異なるパラメータを設定した複数のパターンに基づいてシミュレーションを実行する。また、シミュレーション実行部154は、複数のアルゴリズムのそれぞれについて、ユーザが特定した正常データ又は異常データを正答とした場合の評価を行う。
表示制御部155は、シミュレーションによる評価結果(例えば図6)を表示する(ステップS108)。シミュレーション実行部154は、シミュレーションを実行した複数のパターンのうち評価が最も高いパターンを最適モデルとして選択する(ステップS109)。これにより、異常検知モデルが構築される。
なお、ステップS104の特性判別結果において、データセットがすべての特性を有しないと判別されている場合、異常判別のシミュレーションを実行しても異常を検知できない可能性が高い。そのため、かかる場合において、制御部150は、ステップS105以降の処理を行わずに、ステップS102に戻ってもよいし、異常検知モデル構築処理を終了してもよい。また、かかる場合において、異常を検知できない可能性が高くても、ユーザが希望する場合にはシミュレーションを実行できるように、制御部150は、予め定められた5つの特性のうち、いずれか一つの特性をユーザに選択させ、ステップS105以降の処理を実行してもよい。
<効果の説明>
以上説明したように、異常検知モデル構築装置100は、データセットが複数の特性のうちユーザによって選択されたいずれか一つ以上の特性を有しているか否かを判別する。異常検知モデル構築装置100は、特性を有していると判別されたいずれか一つの特性に関連づけられた複数のアルゴリズムに基づいて、異常検知のシミュレーションを実行し、複数のアルゴリズムのそれぞれについて、評価を行う。
以上説明したように、異常検知モデル構築装置100は、データセットが複数の特性のうちユーザによって選択されたいずれか一つ以上の特性を有しているか否かを判別する。異常検知モデル構築装置100は、特性を有していると判別されたいずれか一つの特性に関連づけられた複数のアルゴリズムに基づいて、異常検知のシミュレーションを実行し、複数のアルゴリズムのそれぞれについて、評価を行う。
このように、異常検知モデル構築装置100は、データセットに既知の一つの特性があることを前提とせず、データセットに予め定められた複数の特性のうちいずれかの特性があることを前提としている。かかる構成によれば、様々なデータセットの特性について適用できるため、汎用性が高い。
また、異常検知モデル構築装置100では、複数のアルゴリズムに基づくシミュレーションを実行して、複数のアルゴリズムのそれぞれの評価結果を得ている。そのため、評価結果に基づいて、複数のアルゴリズムのうち最適なモデルを選択して異常検知モデルを構築することができる。
異常検知モデル構築装置100は、シミュレーションにおいて、ユーザによって特定された正常データ又は異常データを正答とした場合の評価を行う。そのため、ユーザにとって望ましい評価を行うことができる。
(第2実施形態)
本実施形態では、第1実施形態に係る異常検知モデル構築装置100に機能を追加した異常検知モデル構築装置200について説明する。異常検知モデル構築装置200は、異常検知モデル構築処理に加えて、さらに異常検知モデル再構築処理を行う点で異常検知モデル構築装置100と異なる。なお、以下の説明において、第1実施形態に係る異常検知モデル構築装置100と共通する構成要素については同一の符号を付する。
本実施形態では、第1実施形態に係る異常検知モデル構築装置100に機能を追加した異常検知モデル構築装置200について説明する。異常検知モデル構築装置200は、異常検知モデル構築処理に加えて、さらに異常検知モデル再構築処理を行う点で異常検知モデル構築装置100と異なる。なお、以下の説明において、第1実施形態に係る異常検知モデル構築装置100と共通する構成要素については同一の符号を付する。
図8に示すように、異常検知モデル構築装置200は、シミュレーション実行部154の代わりにシミュレーション実行部254を備える。また、異常検知モデル構築装置200は、複数の特性及び複数のアルゴリズムについて、変更又は追加を受け付ける変更受付部256をさらに備える。それ以外の構成は、異常検知モデル構築装置100の構成と基本的に同じである。
シミュレーション実行部254は、異常検知モデル構築処理によって構築された最適モデルを適用した後にデータ取得部151が取得した新たなデータセットについて、複数のパターンに基づいて異常判別のシミュレーションを実行する。シミュレーション実行部254は、それらの複数のパターンのうち最も評価が高いパターンを最適モデルとして選択変更する。
変更受付部256は、ユーザの指示に基づいて、通信部110を介して、新たな特性判別プログラムと、新たなアルゴリズムとを取得する。変更受付部256は、ユーザの指示に基づいて、取得した特性判別プログラムとアルゴリズムとを記憶部130に記憶させる。変更受付部256は、ユーザから特性判別プログラム又はアルゴリズムの変更又は追加の指示を受け付けた場合、取得した特性判別プログラムとアルゴリズムとに基づいて、特性判別部152の判別対象とする特性又はシミュレーション実行部256がシミュレーションに使用するアルゴリズムの変更又は追加を行う。
以下、図9を参照しながら、異常検知モデル構築装置200が実行する異常検知モデル再構築処理の一例を説明する。この処理は、ユーザが、異常検知モデル再構築処理の実行を指示した場合に実行される。
制御部250は、現在適用されている最適モデルの読み込みを行う(ステップS201)。制御部250のデータ取得部151は、最適モデルの適用後に収集された新たなデータセットを取得する(ステップS202)。
ここで、制御部250は、現在適用されている最適モデルの異常検知に使用されている特性をシミュレーションに使用する特性として選択し、表示制御部155は、正常データ又は異常データの特定を受け付ける操作画面(例えば図5)を表示する。
データ特定受付部153は、ステップS202において取得した新たなデータセットにおいて、ユーザによる正常データ又は異常データの特定を受け付ける(ステップS203)。また、データ特定受付部153は、ユーザが特定した正常データ又は異常データに、正常ラベル又は異常ラベルを付与する。
シミュレーション実行部254は、新たなデータセットについて、複数のアルゴリズム及びパターンに基づいて異常判別のシミュレーションを実行する(ステップS204)。また、シミュレーション実行部254は、複数のアルゴリズムのそれぞれについて、ユーザが特定した正常データ又は異常データを正答とした場合の評価を行う。
表示制御部155は、シミュレーションによる評価結果(例えば図6)を表示する(ステップS205)。シミュレーション実行部254は、それらの複数のパターンのうち最も評価が高いパターンを最適モデルとして選択する(ステップS206)。
このように、異常検知モデル再構築処理によれば、新たなデータセットについてシミュレーションをした結果、最適モデルを変更した方がよい場合には、最適モデルは選択変更される。また、異常検知モデル構築装置200は、変更受付部256を備えているため、特性判別プログラムとアルゴリズムの変更又は追加をすることにより、異常検知モデルの異常検知の精度を向上することができる。
以上で実施形態の説明を終了するが、上記実施形態は一例に過ぎない。そのため、異常検知モデル構築装置100、200の具体的な構成、処理の内容等は上記実施形態で説明したものに限られない。以下、上記実施形態の変形例について説明する。
(変形例)
上記実施形態において、データセットは、予め収集されたセンサの計測データであり、異常検知モデル構築装置100、200は、センサの計測データに基づいて異常の検知をするための異常検知モデルを構築することを前提としている。しかし、異常検知モデル構築装置100、200は、これに限られない。例えば、異常検知モデル構築装置100、200によって構築された異常検知モデルは、金融システム、情報処理における異常検知等に適用されてもよい。そのため、データセットは、センサの計測データに限らず、時系列の数値データであればよい。
上記実施形態において、データセットは、予め収集されたセンサの計測データであり、異常検知モデル構築装置100、200は、センサの計測データに基づいて異常の検知をするための異常検知モデルを構築することを前提としている。しかし、異常検知モデル構築装置100、200は、これに限られない。例えば、異常検知モデル構築装置100、200によって構築された異常検知モデルは、金融システム、情報処理における異常検知等に適用されてもよい。そのため、データセットは、センサの計測データに限らず、時系列の数値データであればよい。
上記実施形態において、異常検知モデル構築装置100、200は、他の装置と通信するための通信部110を備えており、通信機能を有している。しかし、通信部110の代わりにデータセットの入力を受け付ける入力部が用いられてもよい。また、異常検知モデル構築装置100、200は、通信部110を有しない構成であってもよく、外部メモリからデータセットを読み出す構成であってもよい。
なお、上記実施形態では、1つの特性に複数のアルゴリズムが関連付けられている。しかし、これに限らず、1つの特性に1つのアルゴリズムが関連づけられていてもよい。また、上記実施形態では、予め定められた複数の特性は、正規性、相関、周期性、回帰適合度、変化点という5つの特性である。しかし、予め定められた複数の特性は、これらの特性に限らず、他の特性を含んでいてもよい。また、予め定められた複数の特性は、正規性と、周期性と、相関と、変化点と、回帰適合度とのいずれか一つ以上を含む複数の特性であってもよい。
上記実施形態において、異常検知モデル構築装置100、200は、構築した異常検知モデル(すなわち、シミュレーション実行部154、254が選択した最適モデル)を、通信部110を介して他の装置に送信してもよい。この場合、他の装置が異常検知モデルを使用して異常検知を行う。また、異常検知モデル構築装置100、200は、自身が異常を検知してもよい。
例えば、図10は、変形例に係る異常検知モデル構築装置300の構成例を示すブロック図である。異常検知モデル構築装置300は、異常検知部356を備える点で、第1実施形態に係る異常検知モデル構築装置100と異なる。異常検知部356は、異常検知モデルに基づいて、データ取得部151が取得したデータが異常データであるか否かを判別し、異常を検知する。なお、異常検知の対象となるデータは、通信部110を介して定期的に取得されるセンサの計測データであってもよいし、計測データ以外のリアルタイムのデータであってもよいし、新たに取得した時系列のログデータであってもよい。
上記実施形態において、異常検知モデル構築装置100、200が備える構成要素を複数の装置に分けて、複数の装置が協働することによって、異常検知モデル構築装置100、200と同じ機能を実現してもよい。
異常検知モデル構築装置200は、新たなデータセットについてシミュレーションを実行し、その結果に基づいて最適モデルを選択変更している。しかし、異常検知モデル構築装置200は、新たなデータセットと前回の最適モデルの構築において使用したデータセットとを含むデータセットについてシミュレーションを実行し、その結果に基づいて最適モデルを選択変更してもよい。
異常検知モデル構築処理と異常検知モデル再構築処理は、上記実施形態において説明した図7及び図9に示す処理の順序に限られない。技術的な矛盾がない限り、処理の順序を変更してもよい。また、表示制御部155が表示する各種画面は、図3から図6に示す画面に限られない。例えば、表示制御部155が表示するシミュレーションによる評価結果は、図6に示す評価指標とは異なる評価指標に基づいて評価したものであってもよい。
また、本開示に係る異常検知モデル構築装置は、上記装置によらず、例えば、コンピュータがプログラムを実行することで、その機能を実現してもよい。モニタリングシステムの機能を実現するためのプログラムは、USB(Universal Serial Bus)メモリ、CD−ROM(Compact Disc−Read Only Memory)、DVD(Digital Versatile Disc)、HDD(Hard Disc Drive)等のコンピュータ読み取り可能な記録媒体に記憶されてもよいし、ネットワークを介してコンピュータにダウンロードされてもよい。
以上、本開示の好ましい実施形態について説明した。本開示は係る特定の実施形態に限定されるものではなく、本開示には、特許請求の範囲に記載された発明とその均等の範囲が含まれる。上記の実施形態は、発明の要旨を逸脱しない範囲で種々の省略、置き換え、変更を行うことができる。また、上記実施形態及び変形例で説明した装置の構成は、技術的な矛盾が生じない限り、適宜組み合わせ可能である。
100,200,300…異常検知モデル構築装置、110…通信部、120…操作部,130…記憶部、140…表示部、150,250…制御部、151…データ取得部、152…特性判別部、153…データ特定受付部、154,254…シミュレーション実行部、155…表示制御部、256…変更受付部、356…異常検知部
Claims (11)
- アルゴリズムに基づいて異常を検知する異常検知モデルを構築するための異常検知モデル構築装置であって、
時系列のサンプリングデータをデータセットとして受け付けるデータ取得部と、
前記データ取得部が取得したデータセットが、予め定められた複数の特性のうちユーザによって選択されたいずれか一つ以上の特性を有しているか否かを判別する特性判別部と、
前記データセットにおいて、ユーザによる正常データ又は異常データの特定を受け付けるデータ特定受付部と、
前記いずれか一つ以上の特性のうち前記特性判別部により特性を有していると判別されたいずれか一つの特性に関連づけられた前記アルゴリズムに基づいて、前記データセットに対して異常検知のシミュレーションを実行し、前記データ特定受付部が特定を受け付けた正常データ又は異常データを正答とした場合の該アルゴリズムの評価を行うシミュレーション実行部と、
を備えることを特徴とする異常検知モデル構築装置。 - 前記複数の特性は、正規性と、周期性と、相関と、変化点と、回帰適合度とのいずれか一つ以上を含む、
ことを特徴とする請求項1に記載の異常検知モデル構築装置。 - 前記シミュレーション実行部は、前記特性判別部により特性を有していると判別されたいずれか一つの特性に関連づけられた複数のアルゴリズムに基づいて、異常検知のシミュレーションを実行し、該複数のアルゴリズムのそれぞれについて、前記評価を行う、
ことを特徴とする請求項1又は2に記載の異常検知モデル構築装置。 - 前記シミュレーション実行部は、前記アルゴリズムにおいてそれぞれ異なるパラメータを設定した複数のパターンに基づいて前記シミュレーションを実行し、該複数のパターンのうち前記評価が最も高いパターンを最適モデルとして選択する、
ことを特徴とする請求項1から3のいずれか1項に記載の異常検知モデル構築装置。 - 前記シミュレーション実行部は、前記最適モデルを適用した後に前記データ取得部が取得した新たなデータセットについて、前記複数のパターンについて前記シミュレーションを実行し、該複数のパターンのうち前記評価が最も高いパターンを前記最適モデルとして選択変更する、
ことを特徴とする請求項4に記載の異常検知モデル構築装置。 - 前記最適モデルに基づいて異常を検知する異常検知部をさらに備える、
ことを特徴とする請求項4又は5に記載の異常検知モデル構築装置。 - 前記複数の特性及び前記アルゴリズムについて、変更又は追加を受け付ける変更受付部を備える、
ことを特徴とする請求項1から6のいずれか1項に記載の異常検知モデル構築装置。 - 前記データセットは、予め収集されたセンサの計測データである、
ことを特徴とする請求項1から7のいずれか1項に記載の異常検知モデル構築装置。 - 前記データ特定受付部は、前記特性判別部によって特性を有していると判別されたデータセットをグラフで表示する画像を出力し、該画像においてユーザが特定した前記正常データ又は異常データに、正常ラベル又は異常ラベルを付与する、
ことを特徴とする請求項1から8のいずれか1項に記載の異常検知モデル構築装置。 - アルゴリズムに基づいて異常を検知する異常検知モデルを構築するための異常検知モデル構築方法であって、
時系列のサンプリングデータをデータセットとして受け付けるデータ取得ステップと、
予め定められた複数の特性のうちいずれか一つ以上の特性のユーザによる選択を受け付ける第1の選択受付ステップと、
前記データ取得ステップにおいて取得したデータセットが、前記第1の選択受付ステップにおいてユーザによって選択されたいずれか一つ以上の特性を有しているか否かを判別する特性判別ステップと、
前記特性判別ステップにおいて特性を有していると判別された特性のうちいずれか一つの特性をユーザに選択させ、該選択を受け付ける第2の選択受付ステップと、
前記データセットにおいて、ユーザによる正常データ又は異常データの特定を受け付けるデータ特定受付ステップと、
前記第2の選択受付ステップにおいて選択された特性に関連づけられた前記アルゴリズムに基づいて、前記データセットに対して異常検知のシミュレーションを実行し、前記データ特定受付ステップにおいて特定を受け付けた正常データ又は異常データを正答とした場合の該アルゴリズムの評価を行うシミュレーション実行ステップと、
を含むことを特徴とする異常検知モデル構築方法。 - コンピュータを、
時系列のサンプリングデータをデータセットとして受け付けるデータ取得手段、
前記データ取得手段が取得したデータセットが、予め定められた複数の特性のうちユーザによって選択されたいずれか一つ以上の特性を有しているか否かを判別する特性判別手段、
前記データセットにおいて、ユーザによる正常データ又は異常データの特定を受け付けるデータ特定受付手段、
前記いずれか一つ以上の特性のうち前記特性判別手段により特性を有していると判別されたいずれか一つの特性に関連づけられたアルゴリズムに基づいて、前記データセットに対して異常検知のシミュレーションを実行し、前記データ特定受付手段が特定を受け付けた正常データ又は異常データを正答とした場合の該アルゴリズムの評価を行うシミュレーション実行手段、
として機能させるためのプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017157818A JP6315528B1 (ja) | 2017-08-18 | 2017-08-18 | 異常検知モデル構築装置、異常検知モデル構築方法及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017157818A JP6315528B1 (ja) | 2017-08-18 | 2017-08-18 | 異常検知モデル構築装置、異常検知モデル構築方法及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP6315528B1 true JP6315528B1 (ja) | 2018-04-25 |
JP2019036186A JP2019036186A (ja) | 2019-03-07 |
Family
ID=62069365
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017157818A Active JP6315528B1 (ja) | 2017-08-18 | 2017-08-18 | 異常検知モデル構築装置、異常検知モデル構築方法及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6315528B1 (ja) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111105070A (zh) * | 2019-11-20 | 2020-05-05 | 深圳市北斗智能科技有限公司 | 客流预警方法及系统 |
JP2020101904A (ja) * | 2018-12-20 | 2020-07-02 | オムロン株式会社 | 制御装置およびプログラム |
CN117332341A (zh) * | 2023-11-28 | 2024-01-02 | 贵州空港智能科技有限公司 | 基于物联网的飞机轮挡数据智能管理方法及系统 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7298222B2 (ja) * | 2019-03-19 | 2023-06-27 | 株式会社リコー | 入出力装置、入出力制御方法およびプログラム |
JP2021022311A (ja) * | 2019-07-30 | 2021-02-18 | 株式会社リコー | 異常検知装置、異常検知システムおよびプログラム |
DE112021007618T5 (de) * | 2021-07-09 | 2024-03-14 | Fanuc Corporation | Analysevorrichtung |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008072047A (ja) * | 2006-09-15 | 2008-03-27 | Omron Corp | モデル作成装置並びにプロセス異常分析装置およびそれらの方法並びにプログラム |
JP2016133944A (ja) * | 2015-01-19 | 2016-07-25 | 株式会社日立製作所 | 異常診断分析装置 |
-
2017
- 2017-08-18 JP JP2017157818A patent/JP6315528B1/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008072047A (ja) * | 2006-09-15 | 2008-03-27 | Omron Corp | モデル作成装置並びにプロセス異常分析装置およびそれらの方法並びにプログラム |
JP2016133944A (ja) * | 2015-01-19 | 2016-07-25 | 株式会社日立製作所 | 異常診断分析装置 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020101904A (ja) * | 2018-12-20 | 2020-07-02 | オムロン株式会社 | 制御装置およびプログラム |
CN112673327A (zh) * | 2018-12-20 | 2021-04-16 | 欧姆龙株式会社 | 控制装置及程序 |
JP7119978B2 (ja) | 2018-12-20 | 2022-08-17 | オムロン株式会社 | 制御装置およびプログラム |
US11782431B2 (en) | 2018-12-20 | 2023-10-10 | Omron Corporation | Control device and non-transitory computer-readable recording medium recording program |
CN112673327B (zh) * | 2018-12-20 | 2023-10-24 | 欧姆龙株式会社 | 控制装置及计算机可读取的存储介质 |
CN111105070A (zh) * | 2019-11-20 | 2020-05-05 | 深圳市北斗智能科技有限公司 | 客流预警方法及系统 |
CN111105070B (zh) * | 2019-11-20 | 2024-04-16 | 深圳市北斗智能科技有限公司 | 客流预警方法及系统 |
CN117332341A (zh) * | 2023-11-28 | 2024-01-02 | 贵州空港智能科技有限公司 | 基于物联网的飞机轮挡数据智能管理方法及系统 |
CN117332341B (zh) * | 2023-11-28 | 2024-02-02 | 贵州空港智能科技有限公司 | 基于物联网的飞机轮挡数据智能管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
JP2019036186A (ja) | 2019-03-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6315528B1 (ja) | 異常検知モデル構築装置、異常検知モデル構築方法及びプログラム | |
JP7040851B2 (ja) | 異常検知装置、異常検知方法及び異常検知プログラム | |
JP6756374B2 (ja) | プロセスの異常状態診断装置および異常状態診断方法 | |
CN111459700A (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
JP6708203B2 (ja) | 情報処理装置、情報処理方法、及び、プログラム | |
JP2007207173A (ja) | 性能分析プログラム、性能分析方法、および性能分析装置 | |
EP2930579A2 (en) | State monitoring system, state monitoring method and state monitoring program | |
CN104504583B (zh) | 分类器的评价方法 | |
US20180267964A1 (en) | Causal analysis device, causal analysis method, and non-transitory computer readable storage medium | |
KR102221067B1 (ko) | 네트워크 엔트로피에 기초하는 생체의 상태 천이의 예조의 검출을 지원하는 검출 장치, 검출 방법 및 검출 프로그램 | |
JP5062496B2 (ja) | 運転状態解析システムおよび運転状態解析方法 | |
Zhou et al. | Automatic feature selection for unsupervised clustering of cycle-based signals in manufacturing processes | |
JP6602013B2 (ja) | 情報処理装置、情報処理方法、及びプログラム | |
US8669985B2 (en) | Assessment results viewer | |
Chen et al. | A unified model for detecting efficient and inefficient outliers in data envelopment analysis | |
EP3983955A1 (en) | Methods and systems for improving asset operation based on identification of significant changes in sensor combinations in related events | |
WO2017009888A1 (ja) | プロジェクトリスク管理システムおよびプロジェクトリスク管理方法 | |
JP6904331B2 (ja) | 要因分析装置、要因分析方法、およびプログラム | |
JP2013200245A (ja) | 前処理方法 | |
KR101774712B1 (ko) | 특허청구범위 분석 방법 및 그 장치 | |
JP2013218607A (ja) | ソフトウェア品質評価装置、ソフトウェア品質評価方法、及び、プログラム | |
CN108270727A (zh) | 异常数据分析方法和装置 | |
JP2010272043A (ja) | データ表示システム、データ表示方法およびデータ表示用プログラム | |
Nunes et al. | SINGRAR usability study | |
JP6931615B2 (ja) | センサ選択装置およびセンサ選択方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20180320 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20180320 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6315528 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: R3D02 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |