JP6738943B1 - 異常検知装置および異常検知方法 - Google Patents

Abstract

【課題】複数の時系列センサ信号に基づく異常検知において、異常検知感度を維持しながら、異常測度算出、クラスタリングともに高速に処理可能にする。【解決手段】異常検知装置において、指定された学習期間の特徴ベクトルをクラスタリングして各クラスタに属する特徴ベクトルを一定数に調整し、新たに抽出した特徴ベクトルに応じて１個のクラスタを選択し、選択したクラスタに属する全特徴ベクトルを用いて算出される基準ベクトルに基づいて異常測度を算出する。【選択図】図１

Description

本発明は、プラントや設備などが出力する複数の時系列センサ信号をもとに異常を早期に検知する異常検知装置および異常検知方法に関する。

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、設備の不具合またはその兆候を検知する異常検知は、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では様々な物理情報を取得する複数のセンサを取り付け、センサ毎の監視基準に従って、対象設備やプラントが正常か異常かを判定される。

本技術分野における従来技術として特許文献１がある。特許文献１には、センサ信号から特徴ベクトルを抽出し、抽出された特徴ベクトルをクラスタリングし、各クラスタの中心とクラスタに属するデータを学習データとして蓄積しておき、これら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し、選択されたクラスタに属するデータ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の学習データを選択し、選択した学習データ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異常か正常かを判定する異常検知方法が開示されている。ここに異常測度とは、複数のセンサによる測定値を１つのベクトル値として表現し、正常状態のベクトル値からの偏移量のことである。

特開２０１４−３２４５５号公報

特許文献１に記載の異常検知方法は、新たに観測された特徴ベクトルから異常測度を算出する際に、新たに観測された特徴ベクトルの１個または数個の近傍クラスタに属するデータの中から所定数の近傍データを探索するため、全学習データの中から所定数の近傍データを探索するよりも高速に処理可能である。しかしながら、近傍データを探索する処理が必要であり、この計算時間は依然として大きい。また、学習時にクラスタリングを行うため、学習に要する時間も大きい。

本発明の目的は、上記課題を解決するため、複数の時系列センサ信号に基づく異常検知において、異常検知感度を維持しながら、異常測度算出、クラスタリングともに高速に処理可能な異常検知装置および異常検知方法を提供することにある。

本発明は、上記背景技術及び課題に鑑み、その一例を挙げるならば、異常検知装置であって、設備に装着された複数のセンサから出力される複数の時系列のセンサ信号を入力するセンサ信号入力部と、センサ信号から時刻毎に特徴ベクトルを抽出する特徴ベクトル抽出部と、指定された学習期間の特徴ベクトルをクラスタリングして各クラスタに属する特徴ベクトルを一定数に調整するクラスタリング部と、新たに抽出した特徴ベクトルに応じてクラスタから１個を選択するクラスタ選択部と、選択したクラスタに属する全特徴ベクトルを用いて基準ベクトルを作成し、作成した基準ベクトルと新たに抽出した特徴ベクトルに基づいて異常測度を算出する異常測度算出部と、異常測度をしきい値と比較することにより各時刻のセンサ信号が正常か異常かを判定する異常検出部とを備える。

本発明によれば、高速に処理可能な異常検知装置および異常検知方法を提供することができる。

本実施例における異常検知装置の機能構成ブロック図である。 本実施例における異常検知装置のハードウェアイメージのブロック構成図である。 本実施例における複数のセンサ信号をリスト化して表形式に表した例を示す図である。 本実施例における異常検知装置の行う全体の概略処理フロー図である。 本実施例における学習時のクラスタリング処理のフロー図である。 本実施例におけるクラスタ初期位置設定処理の処理フロー図である。 本実施例におけるｋ平均クラスタリング処理の処理フロー図である。 本実施例におけるクラスタメンバ調整処理のフロー図である。 本実施例における近傍データプリセット方式による異常測度算出処理を説明する図である。 本実施例における近傍データ探索方式による異常測度算出処理を説明する図である。 本実施例における学習時の異常測度算出処理のフロー図である。 本実施例における学習時の他の異常測度算出処理のフロー図である。 本実施例における異常検知時の異常測度算出処理のフロー図である。 本実施例における異常検知時の他の異常測度算出処理のフロー図である。 本実施例におけるオフライン解析条件を設定するＧＵＩを示す図である。 本実施例におけるオンライン解析結果の表示対象を指定するＧＵＩを示す図である。 本実施例における解析結果全体表示画面を示す図である。 本実施例における解析結果拡大表示画面を示す図である。

以下、本発明の実施例について、図面を用いて詳細に説明する。

図１は、本実施例における異常検知装置の機能構成ブロック図である。図１において、異常検知装置１００は、検知対象である設備１０１に装着されたセンサから出力されるセンサ信号１０２を、所定時間ごとに（周期的に）取得する。取得したセンサ信号１０２は、一旦センサ信号蓄積部１０３にて蓄積される。センサ信号入力部１０４は、センサ信号蓄積部１０３から、あるいは設備１０１に装着されたセンサから直接にセンサ信号１０２を入力し、特徴ベクトル抽出部１０５へ送る。特徴ベクトル抽出部１０５は、センサ信号１０２をもとに所定時間毎（以下、各時刻と表現する場合もある）特徴ベクトルを抽出し、クラスタリング部１０６とクラスタ選択部１０８へと送る。クラスタリング部１０６は、予め指定された学習期間の特徴ベクトルを用いてクラスタリングを行い、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学習結果蓄積部１０７に蓄積する。クラスタ選択部１０８は、学習データとして蓄積されたクラスタの中から、特徴ベクトル毎に特徴ベクトルに応じてクラスタを選択し、異常測度算出部１０９は、特徴ベクトル毎に、選択したクラスタに属する全特徴ベクトルを用いて異常測度を算出する。

しきい値算出部１１０は、異常測度算出部１０９による学習データの異常測度に基づいてしきい値を算出する。しきい値算出部１１０で算出されたしきい値は学習結果として学習結果蓄積部１０７に保存される。異常検出部１１１は、異常測度算出部１０９から送られる各特徴ベクトルの異常測度と、しきい値算出部１１０で算出したしきい値とを比較することで、設備１０１の異常を検出し、検出結果１１２は外部に出力される。

また、図２は本実施例における異常検知装置のハードウェアイメージのブロック構成図である。図２において、異常検知装置１００は、一般的な情報処理装置である、処理装置（ＣＰＵ）と記憶装置（メモリ）と入出力インターフェース（Ｉ／Ｆ）を有する装置によって実現される。すなわち、図１における異常検知装置１００のセンサ信号入力部１０４、特徴ベクトル抽出部１０５、クラスタリング部１０６、クラスタ選択部１０８、異常測度算出部１０９、しきい値算出部１１０、異常検出部１１１の処理は、図２におけるメモリ２０に格納されたそれらの処理プログラムをＣＰＵ１０がソフトウェア処理することにより実行される。また、図１におけるセンサ信号蓄積部１０３と学習結果蓄積部１０７は、図２におけるメモリ２０に対応する。また、入力Ｉ／Ｆ３０で、センサ信号１０２取得する。また、図１における異常検出部１１１からの異常検出信号は、出力Ｉ／Ｆ４０を介して、外部の表示装置等に出力される。

なお、図１の各構成は、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、各構成をソフトウェアで実現する場合、各機能を実現するプログラム、データ、ファイル等の情報は、メモリのみならず、ハードディスク等の記録装置、または、ＩＣカード等の記録媒体におくことができるし、必要に応じて無線ネットワーク等を介してダウンロードし、インストールすることも可能である。また、上記ＣＰＵ１０で行う処理を無線ネットワーク等を介してクラウド上で行ってもよい。

ここで、以下で用いる用語の簡単な説明を行う。特徴ベクトルとは、複数のセンサによる測定値を１つのベクトル値として表現したものである。異常測度とは、注目する特徴ベクトルの、指定された期間の特徴ベクトルからの偏移量のことである。異常検知の対象とする設備１０１は、例えば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。

図３は、複数のセンサ信号１０２をリスト化して表形式に表した例である。センサ信号１０２は、物理特性の異なる複数の物理情報が所定間隔毎に取得される多次元時系列信号である。図３に示す表の構成は、日時２０１の情報と、複数のセンサのセンサ信号値２０２を対応させて示している。センサは、数百から数千といった数になる場合もあり、それらの種類によって、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、運転時間などをセンサ値として出力する。センサ値は、設備やプラントなどの出力や状態を表すのみならず、何かの状態をある値（たとえば目標値）に制御するための制御信号の場合もある。

図４は、本実施例における異常検知装置１００の行う全体の概要処理フロー図である。ここで、異常検知装置１００の動作には、センサ信号蓄積部１０３に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」処理と、入力信号に基づき異常を検知する「異常検知」処理のフェーズがある。基本的に「学習」はオフラインの処理、「異常検知」はオンラインの処理である。ただし、「異常検知」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。

図４（ａ）は学習時の異常測度算出処理で、学習期間のセンサ信号を入力し（Ｓ３０１）、特徴ベクトルの抽出（Ｓ３０２）とクラスタリング（Ｓ３０３）とクラスタ選択（Ｓ３０４）と異常測度の算出（Ｓ３０５）としきい値の算出（Ｓ３０６）を行う。図４（ｂ）は異常検知時の異常判定処理で、検知対象のセンサ信号を入力し（Ｓ３１１）、特徴ベクトルの抽出（Ｓ３１２）とクラスタ選択（Ｓ３１３）と異常測度の算出（Ｓ３１４）を行う。そして、算出した異常測度を、Ｓ３０６で求めたしきい値と比較することにより、設備の正常／異常を判定する（Ｓ３１５）。
以下、図４（ａ）、（ｂ）の詳細について説明するが、図４（ａ）の詳細なフローは、図５、図６、図７、図８、図１０Ａ、図１０Ｂで、図４（ｂ）の詳細なフローは、図１１Ａ、図１１Ｂにて説明する。

まず、図４（ａ）の学習時の異常測度算出処理について説明する。ステップＳ３０２において、特徴ベクトル抽出部１０５は、入力したセンサ信号の正準化および特徴ベクトルの抽出を行う。センサ信号の正準化は、単位及びスケールの異なる複数のセンサ信号を同様に扱うために行う。具体的には、各センサ信号の学習期間の平均と標準偏差を用いて、平均が０、分散が１となるように各センサ信号を変換する。異常検知時に同じ変換ができるように、各センサ信号の平均と標準偏差を学習結果蓄積部１０７に記憶しておく。または、各センサ信号の学習期間の最大値と最小値を用いて、最大が１、最小が０となるように各センサ信号を変換する。または、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。この場合は、異常検知時に同様の変換ができるように、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学習結果蓄積部１０７に記憶しておく。

特徴ベクトル抽出は、センサ信号を正準化したものをそのまま要素として並べてベクトルとする。あるいは、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とすることで、センサ信号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 Wavelet Transform）を施して、周波数成分に分解してもよい。

図５は、本実施例における学習時のクラスタリング処理（Ｓ３０３）のフロー図である。図５において、最初に、特徴ベクトル抽出部１０５で抽出された学習期間の特徴ベクトルを入力する（Ｓ４０１）。次に、クラスタリング部１０６において、学習期間を複数の区間に分ける（Ｓ４０２）。１区間は一定の長さであることが望ましく、例えば１日を１区間とする。あるいは、化学プラントのようなバッチ処理の場合はバッチ毎、加工装置の場合は加工対象個体毎、ＭＲＩのような医療装置の場合は検査対象者毎としてもよい。次に入力された特徴ベクトルに基づいて、クラスタ中心初期配置を行い（Ｓ４０３）、ｋ平均クラスタリングを行う（Ｓ４０４）。そして、各クラスタのメンバの調整を行う（Ｓ４０５）。ここで、クラスタのメンバとは、クラスタに属する特徴ベクトルのことである。Ｓ４０３において、異なる区間の特徴ベクトル同士の類似度は０とみなす。また、ステップＳ４０４およびステップＳ４０５の処理では、１つのクラスタに異なる区間の特徴ベクトルが混在しないようにする。次に、学習結果蓄積部１０７において、各クラスタの区間ＩＤと中心とクラスタメンバを記録する（Ｓ４０６）。以下、クラスタ中心初期配置（Ｓ４０３）、ｋ平均クラスタリング（Ｓ４０４）、クラスタメンバ調整（Ｓ４０５）について、詳細に説明する。

まず、クラスタ中心初期配置（Ｓ４０３）について説明する。図６は、本実施例におけるクラスタ中心位置の初期設定処理のフロー図である。図６において、始めに、クラスタの最大数および初期配置の打切り基準値、すなわち、基準類似度、を入力する（Ｓ５０１）。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（Ｓ５０２）。次に、クラスタ最大数までステップＳ５０４〜Ｓ５０７の処理を繰り返す（Ｓ５０３）。まず、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（Ｓ５０４）。類似度は１／（１＋距離）で算出する。ただし区間が異なる場合は類似度を０とする。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る（Ｓ５０５）。この値の最小値が打切り基準値よりも小さければ（Ｓ５０６）、クラスタ中心との類似度の最大値が最小となる特徴ベクトルを次のクラスタ中心とする（Ｓ５０７）。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。クラスタ数が最大数に達すればループを抜けて処理終了となる（Ｓ５０８）。また、ステップＳ５０６において類似度の最大値の最小値が打切り基準値以上であれば、処理を打切り、すなわちループを抜けて処理終了となる（Ｓ５０８）。この打切りにより、クラスタ数を必要最低限に抑えることが可能となるため、クラスタ中心初期配置処理の計算時間を短縮できるだけではなく、クラスタリング処理全体と異常測度算出処理の計算時間も短縮できる。

クラスタ中心の初期位置は、一般的にランダムに配置する場合が多く、本実施例においてもランダムに配置してもよい。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配置処理の方法は、クラスタ中心をお互いに遠くに初期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。

次に、ｋ平均クラスタリング（Ｓ４０４）について説明する。図７は、本実施例におけるｋ平均法によるクラスタリング処理のフロー図である。図７において、始めに、繰り返し最大数と打切り基準値を入力する（Ｓ６０１）。次に、繰り返し最大数までステップＳ６０３〜Ｓ６０５の処理を繰り返す（Ｓ６０２）。まず、指定された学習期間の全特徴ベクトルを対象としてクラスタメンバの振り分けを行う（Ｓ６０３）。具体的には各特徴ベクトルを最も中心までの距離が近いクラスタのメンバとする。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（Ｓ６０４）。クラスタ中心の移動量が打切り基準値より大きい場合（Ｓ６０５）、ループの最初の処理（Ｓ６０３）に戻る。そうでない場合は、ループを抜けて処理を終了する（Ｓ６０６）。また、繰り返し最大数に達した場合、ループを抜け、処理を終了する（Ｓ６０６）。

クラスタメンバ振り分け（Ｓ６０３）において、特徴ベクトルの区間とステップＳ４０６で記録されたクラスタの区間ＩＤが一致しない場合は、距離を無限大とみなす。したがって、一つのクラスタの全メンバが同じ区間の特徴ベクトルとなる。これにより、距離算出処理を大幅に省略することができる。

次に、クラスタメンバ調整（Ｓ４０５）について説明する。この処理は、各クラスタのメンバ数を異常測度算出に必要な近傍データの数に揃えることを目的とする。図８は、本実施例におけるクラスタメンバ調整処理のフロー図である。始めに、クラスタメンバ数の指定値を入力する（Ｓ７０１）。次に、各クラスタについて、ステップＳ７０３〜Ｓ７０６の処理を繰り返す（Ｓ７０２）。まず、クラスタのメンバ数が指定した数より少なければ（Ｓ７０３）、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（Ｓ７０４）。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。ステップＳ７０３においてクラスタのメンバ数が指定値以上であれば、ステップＳ７０４をスキップする。次に、クラスタのメンバ数が指定値より多ければ（Ｓ７０５）、間引いて指定した数になるようにする（Ｓ７０６）。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。

次に、クラスタ選択部１０８、異常測度算出部１０９およびしきい値算出部１１０における、図４（ａ）の学習時の処理（Ｓ３０４〜Ｓ３０６）について説明する。なお、異常測度算出処理には２種の方式があり、いずれかの方式を予め選択しておくものとする。以下の説明ではそれぞれ近傍データプリセット方式、近傍データ探索方式と呼ぶこととする。

図９Ａは、近傍データプリセット方式による異常測度算出処理を説明する図である。注目ベクトルｑの最近傍クラスタのメンバであるｋ個のベクトルが張るｋ−１次元のアフィン部分空間へ注目ベクトルｑを投影したときの投影距離を測る。図９Ａは、ｋ＝３の場合の例である。３個のベクトルｘ１〜ｘ３でアフィン部分空間すなわち平面を形成し、注目ベクトルｑに最も近いアフィン部分空間上の点Ｘｂが投影点（基準ベクトル）となり、注目ベクトルｑから基準ベクトルＸｂまでの距離が異常測度である。なお、ｋは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。

具体的な算出法を説明する。評価データｑとｋ個のベクトルｘｉ（ｉ＝１，・・・，ｋ）から、ｑをｋ個並べた行列Ｑとｘｉを並べた行列Ｘを作成し、（１）式から両者の相関行列Ｃを求める。次に、（２）式から近傍ベクトルｘｉの重み付けを表す係数ベクトルｂを計算する。異常測度ｄは、ベクトル（ｑ−Ｘｂ）のノルムまたはその２乗により算出される。

図９Ｂは、近傍データ探索方式による異常測度算出処理を説明する図である。注目ベクトルｑの１ないし数個の近傍クラスタのメンバを対象として、注目ベクトルｑに対するｋ個の近傍ベクトルを探索して選択し、選択したｋ個の近傍ベクトルが張るｋ−１次元のアフィン部分空間へ注目ベクトルｑを投影したときの投影距離を測る。選択したｋ個の近傍ベクトルをｘｉ（ｉ＝１，・・・，ｋ）とおき、（１）式および（２）式を用いてベクトルｂを算出し、ベクトル（ｑ−Ｘｂ）のノルムまたはその２乗により異常測度を算出する。

図１０Ａは、近傍データプリセット方式を選択した場合の学習時の異常測度算出処理のフロー図である。図１０Ａにおいて、まず、学習期間の特徴ベクトルを入力し（Ｓ９０１）、学習期間を複数の区間に分ける（Ｓ９０２）。この区間は、ステップＳ４０２と同じになるように分けるものとする。次に、抽出した全特徴ベクトルについて、以下の処理を繰り返す（Ｓ９０３）。まず、注目ベクトルから１時刻前の基準ベクトルまでの距離を算出する（Ｓ９０４）。算出された距離が処理対象区間の算出済みの異常測度の最大値より大きい場合（Ｓ９０５）、クラスタ選択部１０８において、注目ベクトルと異なる区間のクラスタのうち最も注目ベクトルに近い最近傍クラスタを選択する（Ｓ９０６）。次に、異常測度算出部１０９において、最近傍クラスタの全メンバを用いて図９Ａに示す方法で基準ベクトルを算出し（Ｓ９０７）、基準ベクトルまでの距離を算出して異常測度とする（Ｓ９０８）。ステップＳ９０５の条件を満たさない場合、すなわち１時刻前の基準ベクトルまでの距離が、処理対象区間の算出済みの異常測度の最大値以下の場合、ステップＳ９０６からＳ９０８までの処理をスキップする。異常測度の最大値は異常判定しきい値の候補であり、ステップＳ９０８で算出される距離は、ステップＳ９０４で算出される距離より大きくならないという考えから、最大値を変化させないため、計算を打ち切っている。計算の打切りにより、異常測度算出のための計算時間を短縮することができる。全特徴ベクトルについて異常測度算出処理が終了したら、しきい値算出部１１０において、しきい値を算出する（Ｓ９０９）。具体的には、異常測度の最大値をしきい値とする。

なお、ステップＳ９０５において、ステップＳ９０３のループ全体を区間毎に並列処理することを意図したため、処理対象区間の最大値と比較するとしたが、必ずしも並列処理を行う必要はなく、並列処理しない場合は全体の算出済みの異常測度の最大値と比較する。

図１０Ｂは、近傍データ探索方式を選択した場合の学習時の異常測度算出処理のフロー図である。近傍データ探索方式を選択する場合は、図５で説明したクラスタリング処理において、１つのクラスタに異なる区間の特徴ベクトルが混在しないようにすることが困難であるため、１つのクラスタに異なる区間の特徴ベクトルが混在する可能性があることを前提としている。

図１０Ｂにおいて、まず、学習期間の特徴ベクトルを入力し（Ｓ９１１）、ステップＳ４０２と同様の方法で学習期間を複数の区間に分ける（Ｓ９１２）。次に、抽出した全特徴ベクトルについて、以下の処理を繰り返す（Ｓ９１３）。まず、注目ベクトルから１時刻前の基準ベクトルまでの距離を算出する（Ｓ９１４）。算出された距離が処理対象区間の算出済みの異常測度の最大値より大きい場合（Ｓ９１５）、クラスタ選択部１０８において、注目ベクトルに近い方から指定数の近傍クラスタを選択する（Ｓ９１６）。次に、異常測度算出部１０９において、選択されたクラスタのメンバの中から、注目ベクトルと同じ区間のベクトルを除いて近傍探索対象を抽出する（Ｓ９１７）。抽出された近傍探索対象から、図９Ｂに示すように、指定数の近傍データを探索し（Ｓ９１８）、探索された近傍データを用いて基準ベクトルを算出し（Ｓ９１９）、基準ベクトルまでの距離を算出して異常測度とする（Ｓ９２０）。ステップＳ９１５の条件を満たさない場合、すなわち１時刻前の基準ベクトルまでの距離が、処理対象区間の算出済みの異常測度の最大値以下の場合、ステップＳ９１６からＳ９２０までの処理をスキップする。

全特徴ベクトルについて異常測度算出処理が終了したら、しきい値算出部１１０において、しきい値を算出する（Ｓ９２１）。このしきい値は、異常検出部１１３に入力する異常測度と比較され、設備の正常／異常を判定するために用いられるものである。しきい値算出部１１０は、正常な学習データを異常と判定しないしきい値を算出する。言い換えれば、正常な学習データから得られる異常測度の最大値をしきい値として算出する。

図１０Ａの処理は、クラスタ選択後、近傍データ探索処理が不要のため、図１０Ｂの処理よりも、計算時間短縮の効果が大きい。しかし、図１０Ａの処理と図１０Ｂの処理の両方を備え、データに応じて選択可能にしておくとよい。なぜならば、図１０Ｂの処理では、従来方式と同じ感度であるのに対し、図１０Ａの処理では、データによっては感度が許容範囲を超えて低下する場合があるためである。

学習処理においては、学習結果蓄積部１０７に学習結果を保存しておく。学習結果として保存されるデータには、少なくとも特徴ベクトル抽出のためのパラメータ、異常測度算出のためのパラメータ、センサ正準化のためのパラメータ、クラスタ数および各クラスタの中心位置とメンバとなるベクトルのＩＤと区間ＩＤ、いずれかのクラスタのメンバとなる全特徴ベクトルデータ、異常判定しきい値がある。特徴ベクトル抽出のためのパラメータ及び異常測度算出のためのパラメータは、学習時に指定されたものと共通である。センサ正準化のためのパラメータは、特徴ベクトル抽出部１０５がステップＳ３０２の処理で算出した各センサ信号の平均、標準偏差、最大値、最小値などである。

図９Ａおよび図９Ｂで説明した異常測度算出処理は、局所部分空間法を変形したものであるが、投影距離法やガウシアンプロセスを利用してもよい。

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。何らかの方法で注目ベクトルに対応する複数の特徴ベクトルを選択し、以下の方法でアフィン部分空間を算出する。

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。または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。注目ベクトルから最も近いアフィン部分空間上の点が基準ベクトルとなる。また、注目ベクトルから基準ベクトルを引いたものが残差ベクトルとなり、残差ベクトルのノルムまたはノルムの２乗が異常測度となる。

ここで、複数の特徴ベクトルの選択方法を、学習対象の特徴ベクトルを予めクラスタリングしておき、注目ベクトルに最も近いクラスタに含まれる特徴ベクトルを選択するようにすると、図１０Ａで説明した処理フローにより、異常測度を算出可能である。局所部分空間法との違いは、ｋ個の特徴ベクトルから、ｋ−１よりさらに小さい次元のアフィン部分空間を算出する点である。

次に、図４（ｂ）の異常検知時の異常判定処理について説明する。ステップＳ３１１において、センサ信号入力部１０４は、センサ信号蓄積部１０３から、あるいは設備１０１に装着されたセンサから直接にセンサ信号１０２を入力する。ステップＳ３１２において、特徴ベクトル抽出部１０５は、ステップＳ３０２と同様、入力したセンサ信号の正準化および特徴ベクトルの抽出を行う。センサ信号の正準化は、ステップＳ３０２で算出し、学習結果蓄積部１０７に記憶しておいた各センサ信号の平均と標準偏差あるいは最大値と最小値を用いて行う。

以下、クラスタ選択部１０８、異常測度算出部１０９、異常検出部１１１における、図４（ｂ）の異常検知時の処理（Ｓ３１３〜Ｓ３１５）について詳細に説明する。

図１１Ａは、近傍データプリセット方式を選択した場合の異常検知時の異常判定処理のフロー図である。選択方式は学習時と同じとする。図１１Ａにおいて、ステップＳ３１２で抽出した全特徴ベクトルについて、以下の処理を繰り返す（Ｓ１００１）。まず、注目ベクトルから１時刻前の基準ベクトルまでの距離を算出する（Ｓ１００２）。算出された距離がステップＳ３０６で算出し、学習結果蓄積部１０７に記憶しておいた異常判定しきい値より大きい場合（Ｓ１００３）、クラスタ選択部１０８において、学習結果蓄積部１０７に記憶しておいたクラスタのうち最も注目ベクトルに近い最近傍クラスタを選択する（Ｓ１００４）。次に、注目ベクトルから最近傍クラスタの中心までの距離を算出し（Ｓ１００５）、その値が異常判定しきい値より大きい場合（Ｓ１００５）、異常測度算出部１０９において、最近傍クラスタの全メンバを用いて図９Ａに示す方法で基準ベクトルを算出し（Ｓ１００６）、基準ベクトルまでの距離を算出して異常測度とする（Ｓ１００７）。異常検出部１１１において、異常測度を異常判定しきい値と比較して正常か異常かの判定を行う（Ｓ１００８）。具体的には、異常測度がしきい値以下であれば設備は「正常」と判定し、異常測度がしきい値より大きければ「異常」と判定する。ステップＳ１００３の条件を満たさない場合、すなわち１時刻前の基準ベクトルまでの距離が、異常判定しきい値以下の場合、ただちに正常と判定し（Ｓ１００９）、注目ベクトルの処理を終了する。また、ステップＳ１００５の条件を満たさない場合、すなわち最近傍クラスタまでの距離が異常判定しきい値以下の場合も、ただちに正常と判定し（Ｓ１００９）、注目ベクトルの処理を終了する。ステップＳ１００７で算出される距離は、ステップＳ１００２あるいはステップＳ１００５で算出される距離より大きくならないという考えから、いずれかがしきい値以下であれば正常と判定して、計算を打ち切るため、計算時間を短縮することができる。また、クラスタ選択後、近傍データ探索が不要のため、計算を打ち切らない場合の計算時間も短縮することができる。すなわち、新たに観測された特徴ベクトルから異常測度を算出する際に、新たに観測された特徴ベクトルに応じて１個のクラスタを選択し、選択したクラスタに属する全特徴ベクトルから基準ベクトルを作成するため、近傍データ探索を行う必要がなくなり、異常測度算出の計算時間を短縮することができる。

図１１Ｂは、近傍データ探索方式を選択した場合の異常検知時の異常判定処理のフロー図である。図１１Ｂにおいて、ステップＳ３１２で抽出した全特徴ベクトルについて、以下の処理を繰り返す（Ｓ１０１１）。まず、注目ベクトルから１時刻前の基準ベクトルまでの距離を算出する（Ｓ１０１２）。算出された距離がステップＳ３０６で算出し、学習結果蓄積部１０７に記憶しておいた異常判定しきい値より大きい場合（Ｓ１０１３）、クラスタ選択部１０８において、学習結果蓄積部１０７に記憶しておいたクラスタのうち注目ベクトルに近い方から指定数の近傍クラスタを選択する（Ｓ１０１４）。次に、注目ベクトルから最近傍クラスタの中心までの距離が異常判定しきい値より大きい場合（Ｓ１０１５）、異常測度算出部１０９において、選択されたクラスタの全メンバを近傍探索対象として抽出する（Ｓ１０１６）。抽出された近傍探索対象から、図９Ｂに示すように、指定数の近傍データを探索し（Ｓ１０１７）、探索された近傍データを用いて基準ベクトルを算出し（Ｓ１０１８）、基準ベクトルまでの距離を算出して異常測度とする（Ｓ１０１９）。異常検出部１１１において、異常測度を異常判定しきい値と比較して正常か異常かの判定を行う（Ｓ１０２０）。ステップＳ１０１３の条件を満たさない場合、すなわち１時刻前の基準ベクトルまでの距離が、異常判定しきい値以下の場合、ただちに正常と判定し（Ｓ１０２１）、注目ベクトルの処理を終了する。また、ステップＳ１０１５の条件を満たさない場合、すなわち最近傍クラスタまでの距離が異常判定しきい値以下の場合も、ただちに正常と判定し（Ｓ１０２１）、注目ベクトルの処理を終了する。図１１Ａの処理と同様、計算処理の打ち切りにより計算時間を短縮することができる。

次に、以上の動作を実現するための異常検知装置１００のユーザインタフェース（ＧＵＩ）の例を説明する。

図１２Ａおよび図１２Ｂは、オフライン解析実施のための学習期間、及び処理パラメータ含む解析条件を設定するＧＵＩの例である。この画面では、算出された学習結果をレシピとして登録することも可能である。また、過去のセンサ信号１０２は、設備ＩＤ及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。

図１２Ａは異常測度算出方法として近傍データプリセット方式を選択する場合、図１２Ｂは近傍データ選択方式を選択する場合の例である。オフライン解析条件設定画面１１０１では、対象設備、学習期間、テスト期間、クラスタリングパラメータ、異常測度算出パラメータを入力する。設備ＩＤ入力ウィンドウ１１０２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１１０３の押下により、センサ信号蓄積部１０３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。異常検知装置１００につながる設備１０１が１台のみの場合は、設備ＩＤ入力ウィンドウ１１０２は表示されない。

学習期間入力ウィンドウ１１０４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。テスト期間入力ウィンドウ１１０５には、解析対象と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１１０６には、使用するセンサを入力する。リスト表示ボタン１１０７のクリックにより図示しないがセンサリストが表示されるので、リストから選択入力する。

クラスタリングパラメータ設定ウィンドウ１１０８には、クラスタリング部１０６における処理で指定するクラスタ数（１１０８ａ）およびクラスタメンバ数（１１０８ｂ）、ステップＳ５０６で使用するクラスタ中心初期配置の打切り基準値を距離換算した値（１１０８ｃ）、ステップＳ６０５で使用するクラスタリング繰り返し打ち切り基準値（１１０８ｄ）を入力する。また、クラスタ選択部１０８における処理で指定するクラスタ選択数（１１０８ｅ）を入力する。さらに、近傍データプリセット方式選択チェックボタン（１１０８ｆ）を指定する。ここで、図１２Ａに示すようにチェックボタン１１０８ｆがチェックされている場合は、クラスタメンバ数を基準ベクトル作成に用いるデータ数ｋと同じ値、クラスタ選択数を１に固定して、編集不可とする。そして、学習時は図１０Ａ、異常検知時は図１１Ａに示す処理フローに従って処理される。初期配置および繰り返しの打切り基準値はその値が大きいほど早く打ち切られ、０にすると打切りは行われなくなる。図１２Ｂに示すようにチェックボタン１１０８ｆがチェックされていない場合は、クラスタメンバ数（１１０８ｂ）、クラスタ選択数（１１０８ｅ）の編集が可能であり、学習時は図１０Ｂ、異常検知時は図１１Ｂに示す処理フローに従って処理される。

異常測度算出パラメータ入力ウィンドウ１１０９には、異常測度算出において使用するパラメータを入力する。図は手法として局所部分空間を採用した場合の例であり、基準ベクトル作成に用いる近傍ベクトル数ｋ（１１０９ａ）と正則化パラメータ（１１０９ｂ）を入力する。正則化パラメータは、（２）式において相関行列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。また、１時刻前の基準ベクトルまでの距離に基づく異常測度算出打切りを実行するかどうかのチェックボタン（１１０９ｃ）、最近傍クラスタまでの距離に基づく異常測度算出打切りを実行するかどうかのチェックボタン（１１０９ｄ）を指定する。チェックボタン１１０９ｃがチェックされていない場合、ステップＳ９０４〜Ｓ９０５またはＳ９１４〜Ｓ９１５の処理およびステップＳ１００２〜Ｓ１００３またはＳ１０１２〜Ｓ１０１３の処理が実行されない。また、チェックボタン１１０９ｄがチェックされていない場合、ステップＳ１００５またはＳ１０１５の処理が実行されない。

以上の解析条件の情報が確定したら、実行ボタン１１１１の押下により、オフライン解析を実行する。
まず、学習期間のセンサ信号を用い、図４（ａ）の処理フローに従って学習を実行する。学習結果として、ステップＳ３０２で算出されたセンサ信号毎の平均と標準偏差、ステップＳ３０３で算出された各クラスタの中心位置とメンバとなるベクトルのＩＤと区間ＩＤ、ステップＳ３０２で抽出された特徴ベクトルデータのうち、いずれかのクラスタのメンバとなるデータ、ステップＳ３０６で算出されたしきい値を保存しておく。さらに、ステップＳ３０５で算出した異常測度をしきい値と比較して正常か異常かの判定を行い、判定結果、異常測度、しきい値を併せて時系列データとして保存しておく。次に、テスト期間のセンサ信号を用い、図４（ｂ）の処理フローに従って異常測度を算出し、正常か異常かの判定を行い、判定結果、異常測度、しきい値を併せて時系列データとして保存しておく。

解析終了後、後述する結果表示画面が表示される。ユーザによる確認が終了すると、オフライン解析条件設定画面１１０１に戻ってくる。レシピ名入力ウィンドウ１１１０にレシピ名を入力し、登録ボタン１１１２を押下することにより、設備ＩＤ及びレシピ名と対応付けて学習結果および解析結果を保存し、終了する。ここで、学習結果には、学習の実行により作成保存されたデータのほか、入力ウィンドウ１１０６〜１１０９で入力されたセンサ選択情報、クラスタリングパラメータ、異常測度算出パラメータが含まれる。終了ボタン１１１３が押下された場合は、何もしないで終了する。この場合、学習により作成保存された学習結果および、続く異常検知処理により作成保存された解析結果は、削除されるか次に実行される解析によって上書きされる。

登録された学習結果は、活性か不活性かのラベルをつけて管理され、以降オンラインの解析が実行される。オンライン解析では、新しく入力されたデータに対し、装置ＩＤが一致する活性な学習結果の情報を用いて、図４（ｂ）に示す処理を行い、結果をレシピ名および処理日時と対応付けて保存しておく。これらの処理は定期的、例えば１日毎に実行する。サンプリング間隔が短い設備やリアルタイム性を求められる設備については、実行の間隔をもっと短くする。

図１２Ｃは、オンライン解析結果の表示対象を指定するためのＧＵＩの例である。ユーザは、表示対象指定画面１１２１から表示対象の設備、レシピ及び期間を指定する。始めに、装置ＩＤ選択ウィンドウ１１２２により設備ＩＤを選択する。次に、レシピ名選択ウィンドウ１１２３により、設備ＩＤ（１１２２）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１１２４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１１２５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。表示ボタン１１２６を押下すると、異常検知処理の結果が表示される。終了ボタン１１２７を押下すると、表示対象を指定する処理を終了する。

図１３Ａおよび図１３Ｂは、解析結果をユーザに示すためのＧＵＩの例である。ユーザが各画面の上部に表示されたタブを選択することにより、解析結果全体表示画面１２０１および解析結果拡大表示画面１２０２のいずれかに切り換わる。

図１３Ａは、解析結果全体表示画面１２０１の例である。解析結果全体表示画面１２０１には、指定された期間の、異常測度、しきい値、及び判定結果、並びにセンサ信号の時系列グラフが表示される。期間表示ウィンドウ１２０３には、オフライン解析の結果を表示する場合は図１２Ａで指定された学習期間及びテスト期間が表示される。オンライン解析の結果を表示する場合は、図示していないが、図１２Ｃで指定された結果表示期間が表示される。

異常測度表示ウィンドウ１２０４には、指定された学習期間・テスト期間あるいは結果表示期間での異常測度１２０４ａ、しきい値１２０４ｂ（破線）、及び判定結果１２０４ｃが表示される。また、学習に使用した区間に丸印１２０４ｄが表示される。センサ信号表示ウィンドウ１２０５には、指定された学習期間・テスト期間あるいは結果表示期間での指定されたセンサについて、時系列センサ信号１２０５ａが表示される。

センサ選択ウィンドウ１２０６では、ユーザの入力によってセンサを指定する。ただし、ユーザが指定する前は、先頭の使用センサが選択されている。カーソル１２０７は、拡大表示の時の起点を表し、ユーザのマウス操作により移動できる。表示日数指定ウィンドウ１２０８には、解析結果拡大表示画面１２０２での拡大表示の起点から終点までの日数が表示され、この画面で入力することもできる。日付表示ウィンドウ１２０９には、カーソル位置の日付が表示される。終了ボタン１２１０の押下により、解析結果全体表示画面１２０１、解析結果拡大表示画面１２０２のいずれもが消去され、解析結果の表示が終了する。

図１３Ｂは、解析結果拡大表示画面１２０２の例である。解析結果拡大表示画面１２０２には、解析結果全体表示画面１２０１においてカーソル１２０７で示された日付を起点とし、表示日数指定ウィンドウ１２０８で指定された日数の期間内の、異常測度、しきい値、判定結果、及びセンサ信号の時系列グラフが表示される。すなわち、異常測度表示ウィンドウ１２０４及びセンサ信号表示ウィンドウ１２０５には、解析結果全体表示画面１２０１と同様の情報が、拡大して表示される。

なお、解析結果拡大表示画面１２０２では、スクロールバー１２１１とスクロールバー領域１２１２を追加表示している。スクロールバー１２１１の長さは表示日数指定ウィンドウ１２０８で指定された日数に、スクロールバー領域１２１２の全体の長さは解析結果全体表示画面１２０１に表示されている期間に相当する。また、スクロールバー１２１１の左端部が拡大表示の起点に対応する。ユーザはスクロールバー１２１１を操作することで、表示の起点を変更することも可能であり、この変更は解析結果全体表示画面１２０１のカーソル１２０７の位置と日付表示ウィンドウ１２０９の表示に反映される。
以上のように、本実施例によれば、高速に処理可能な異常検知装置および異常検知方法を提供することができる。

１００：異常検知装置、１０１：設備、１０２：センサ信号、１０３：センサ信号蓄積部、１０４：センサ信号入力部、１０５：特徴ベクトル抽出部、１０６：クラスタリング部、１０７：学習結果蓄積部、１０８：クラスタ選択部、１０９：異常測度算出部、１１０：しきい値算出部、１１１：異常検出部、１１０１：オフライン解析条件設定画面、１１２１：表示対象指定画面、１２０１：解析結果全体表示画面、１２０２：解析結果拡大表示画面。

Claims (9)

1. 設備に装着された複数のセンサから出力される複数の時系列のセンサ信号を入力するセンサ信号入力部と、
   前記センサ信号から時刻毎に特徴ベクトルを抽出する特徴ベクトル抽出部と、
   指定された学習期間の前記特徴ベクトルをクラスタリングして各クラスタに属する特徴ベクトルを一定数に調整するクラスタリング部と、
   新たに抽出した前記特徴ベクトルに応じて前記クラスタから１個または数個を選択するクラスタ選択部と、
   前記選択したクラスタに属する特徴ベクトルの中から前記新たに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、前記選択した特徴ベクトルを用いて基準ベクトルを作成し、前記作成した基準ベクトルと前記新たに抽出した特徴ベクトルに基づいて異常測度を算出する異常測度算出部と、
   前記異常測度をしきい値と比較することにより各時刻のセンサ信号が正常か異常かを判定する異常検出部とを備え、
   前記異常測度算出部は、異常検知時に、新たに抽出した特徴ベクトルと前記選択したクラスタの中心位置に基づいて仮の異常測度を算出し、
   前記異常検出部は、前記仮の異常測度が前記しきい値以下の場合に前記センサ信号が正常と判定することを特徴とする異常検知装置。
2. 設備に装着された複数のセンサから出力される複数の時系列のセンサ信号を入力するセンサ信号入力部と、
   前記センサ信号から時刻毎に特徴ベクトルを抽出する特徴ベクトル抽出部と、
   指定された学習期間の前記特徴ベクトルをクラスタリングして各クラスタに属する特徴ベクトルを一定数に調整するクラスタリング部と、
   新たに抽出した前記特徴ベクトルに応じて前記クラスタから１個または数個を選択するクラスタ選択部と、
   前記選択したクラスタに属する特徴ベクトルの中から前記新たに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、前記選択した全特徴ベクトルを用いて基準ベクトルを作成し、前記作成した基準ベクトルと前記新たに抽出した特徴ベクトルに基づいて異常測度を算出する異常測度算出部と、
   前記異常測度をしきい値と比較することにより各時刻のセンサ信号が正常か異常かを判定する異常検出部とを備え、
   前記異常測度算出部は、前記クラスタ選択部におけるクラスタ選択の前に、新たに抽出した特徴ベクトルとその１時刻前の基準ベクトルに基づいて仮の異常測度を算出し、学習時は、前記仮の異常測度が処理対象区間で算出済みの前記異常測度の最大値以下の場合、異常検知時は、前記仮の異常測度が前記しきい値以下の場合に、前記仮の異常測度を異常測度とすることを特徴とする異常検知装置。
3. 請求項１または２に記載の異常検知装置であって、
   前記クラスタリング部は、クラスタ中心位置の初期配置を互いの類似度が低くなるように１個ずつクラスタを追加し、指定された基準類似度より互いの類似度が高くなるか、指定された最大数を超える場合に追加を停止することを特徴とする異常検知装置。
4. 請求項１または２に記載の異常検知装置であって、
   前記クラスタリング部は、学習期間を予め複数の区間に分け、一つのクラスタに属する特徴ベクトルの区間は同一となるようにクラスタリングを行い、
   前記クラスタ選択部は、学習時は前記新たに抽出した特徴ベクトルとは異なる区間の前記クラスタから、異常検知時は前記クラスタから、前記新たに抽出した特徴ベクトルに応じて１個を選択し、
   前記異常測度算出部は、前記選択したクラスタに属する全特徴ベクトルを用いて基準ベクトルを作成することを特徴とする異常検知装置。
5. 複数の時系列センサ信号を入力して時刻毎に特徴ベクトルを抽出し、
   指定された学習期間の前記特徴ベクトルをクラスタリングして各クラスタに属する特徴ベクトルを一定数に調整し、
   前記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、新たに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、
   前記選択したクラスタに属する特徴ベクトルの中から前記新たに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、前記選択した全特徴ベクトルを用いて基準ベクトルを作成し、
   前記新たに抽出した特徴ベクトルと前記作成した基準ベクトルに基づき異常測度を算出し、
   前記異常測度をしきい値と比較することにより各時刻のセンサ信号が異常か正常かを判定し、
   前記異常測度の算出は、異常検知時に、新たに抽出した特徴ベクトルと前記選択したクラスタの中心位置に基づいて仮の異常測度を算出し、
   前記異常か正常かの判定は、前記仮の異常測度が前記しきい値以下の場合に前記センサ信号が正常と判定することを特徴とする異常検知方法。
6. 複数の時系列センサ信号を入力して時刻毎に特徴ベクトルを抽出し、
   指定された学習期間の前記特徴ベクトルをクラスタリングして各クラスタに属する特徴ベクトルを一定数に調整し、
   前記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、新たに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、
   前記選択したクラスタに属する特徴ベクトルの中から前記新たに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、前記選択した特徴ベクトルを用いて基準ベクトルを作成し、
   前記新たに抽出した特徴ベクトルと前記作成した基準ベクトルに基づき異常測度を算出し、
   前記異常測度をしきい値と比較することにより各時刻のセンサ信号が異常か正常かを判定し、
   前記異常測度の算出は、前記クラスタの選択の前に、新たに抽出した特徴ベクトルとその１時刻前の基準ベクトルに基づいて仮の異常測度を算出し、学習時は、前記仮の異常測度が処理対象区間で算出済みの前記異常測度の最大値以下の場合、異常検知時は、前記仮の異常測度が前記しきい値以下の場合に、前記仮の異常測度を異常測度とすることを特徴とする異常検知方法。
7. 請求項５または６に記載の異常検知方法であって、
   前記クラスタリングは、クラスタ中心位置の初期配置を互いの類似度が低くなるように１個ずつクラスタを追加し、指定された基準類似度より互いの類似度が高くなるか、指定された最大数を超える場合に、追加を停止することを特徴とする異常検知方法。
8. 請求項５または６に記載の異常検知方法であって、
   前記クラスタリングは、学習期間を予め複数の区間に分け、一つのクラスタに属する特徴ベクトルの区間は同一となるようにクラスタリングを行い、
   前記クラスタの選択は、学習時は前記新たに抽出した特徴ベクトルとは異なる区間の前記クラスタから、異常検知時は前記クラスタから、前記新たに抽出した特徴ベクトルに応じて１個を選択し、
   前記異常測度の算出は、前記選択したクラスタに属する全特徴ベクトルを用いて基準ベクトルを作成することを特徴とする異常検知方法。
9. 請求項５から８の何れか１項に記載の異常検知方法をＣＰＵに実行させるプログラム。

Images