JP6796092B2 - 情報処理装置、情報処理方法及びプログラム - Google Patents

Description

本発明の実施形態は、情報処理装置、情報処理方法及びプログラムに関する。

ＩｏＴ（Internet of Things）の進展に伴い、各種装置やプラント等の状態をリアルタイムで把握できるようになりつつある。また、各種のセンサが取得したデータに基づき、種々の装置の正常／異常を判別する試みも行われている。

しかしながら、通常、装置の正常／異常を正しく識別するには多くのデータが必要となる。また、装置の状態は必ずしも一定ではなく、メンテナンスを行った場合や、一部の部材を交換した場合などは、装置の設定も変更されてしまう。また、装置の使用者が代わった場合は、その装置で同一種類の物を製造する場合でも、装置の挙動が異なることも考えられる。よって、正常／異常を判別するために、大量のデータを収集したとしても、途中で装置の状態が変わってしまうと、それ以前のデータは無効となってしまう。

このような背景から、少量のデータで正常／異常を判別する手法が提案されている。しかしながら、従来の手法は、正常か異常かを判別するために、正常データ又は異常データの類似データを収集しているが、そもそも類似データを正しく選定できないおそれがあり、正常／異常を精度よく判別できる保証はない。

国際公開２０１１−０２４３８２ 米国特許公報第６，９５２，６６２

本発明が解決しようとする課題は、少量のデータを用いて、かつ各データが類似するか否かを知らなくても、入力データの正常／異常を正しく判別可能な情報処理装置を提供するものである。

本実施形態によれば、正常データ、正常データの類似データ、異常データ、及び異常データの類似データに基づいて、正常データの擬似データと異常データの擬似データとを生成するデータ生成部と、
前記正常データの擬似データの異常度を求めるために前記正常データの擬似データに乗じられるとともに、前記異常データの擬似データの異常度を求めるために前記異常データの擬似データに乗じられる第１パラメータを更新する第１更新部と、
前記正常データの類似データを求めるために前記正常データに乗じられる第２パラメータと、前記異常データの類似データを求めるために前記異常データに乗じられる第３パラメータとを更新する第２更新部と、を備える、情報処理装置が提供される。

第１の実施形態による情報処理装置１の概略構成を示すブロック図。 製造データ記録ＤＢの一例を示す図。 正常異常記録ＤＢの一例を示す図。 装置設定記録ＤＢの一例を示す図。 現設定正常データＤＢの一例を示す図。 現設定異常データＤＢの一例を示す図。 過去設定データＤＢの一例を示す図。 正常データｘの擬似データＸと異常データｙの擬似データＹを二次元座標空間にプロットした図。 図１の類似データ更新部の処理動作の一例を示すフローチャート。 図１の異常度算出部の処理動作の一例を示すフローチャート。 異常の有無と異常度を表形式で出力するとともに、異常度を一次元方向にプロットした例を示す図。 データ可視化部による可視化の一例を示す図。 第２の実施形態による情報処理装置１の概略構成を示すブロック図。 特徴抽出部の内部構成の一例を示す図。 第３の実施形態による情報処理装置１の概略構成を示すブロック図。 正常データと異常データが２つの識別境界を有する例を模式的に示す図。

以下、図面を参照して実施の形態について説明する。なお、本件明細書と添付図面においては、理解のしやすさと図示の便宜上、一部の構成部分を省略、変更または簡易化して説明および図示しているが、同様の機能を期待し得る程度の技術内容も、本実施の形態に含めて解釈することとする。

（第１の実施形態）
図１は第１の実施形態による情報処理装置１の概略構成を示すブロック図である。図１の情報処理装置１は、各種装置やプラント、各種センサ等からの入力データの正常／異常を判別して、その判別結果を表示する機能を備えている。図１の情報処理装置１に入力される入力データの種類は必ずしも一つとは限らない。図１の情報処理装置１には、複数種類の入力データが入力されてもよい。

図１の情報処理装置１は、データ生成部２と、識別マージン学習部（第１更新部）３と、類似データ更新部（第２更新部）４とを備えている。

データ生成部２は、正常データ、正常データの類似データ、異常データ、及び異常データの類似データに基づいて、正常データの擬似データと異常データの擬似データとを生成する。ここで、正常データ、異常データ、正常データの類似データ、及び異常データの類似データは、現在又は過去に実際に入力された入力データである。これに対して、正常データの擬似データと異常データの擬似データは、データ生成部２が生成するデータであり、実際に入力された入力データではない。正常データの擬似データと異常データの擬似データは、正常か異常かの識別を明瞭にするために利用される。

識別マージン学習部３は、正常データの擬似データの異常度を求めるために正常データの擬似データに乗じられるとともに、異常データの擬似データの異常度を求めるために異常データの擬似データに乗じられる第１パラメータを更新する。より具体的には、識別マージン学習部３は、正常データの擬似データに第１パラメータを乗じた値と、異常データの擬似データに第１パラメータを乗じた値との差違が最大になるように、第１パラメータを更新する。本明細書では、正常データの擬似データに第１パラメータを乗じたデータと、異常データの擬似データに第１パラメータを乗じたデータとの差違を、識別マージンと呼ぶ。識別マージンが大きいほど、正常データの擬似データと異常データの擬似データとを正しく識別できるようになる。よって、識別マージン学習部３は、識別マージンが最大になるように、第１パラメータを更新する。

類似データ更新部４は、正常データの類似データを求めるために正常データに乗じられる第２パラメータと、異常データの類似データを求めるために異常データに乗じられる第３パラメータとを更新する。より詳細には、類似データ更新部４は、正常データの擬似データに第１パラメータを乗じた値と、異常データの擬似データに第１パラメータを乗じた値との差違が最大になるように、第２パラメータと第３パラメータを更新する。

この他、図１の情報処理装置１は、装置プラントデータ入力部５と、作業者データ入力部６と、データ記録部７と、製造データ記録ＤＢ（Data Base）８と、正常異常記録ＤＢ９と、装置設定記録ＤＢ１０と、データ切り分け部１１と、現設定正常データＤＢ１２と、現設定異常データＤＢ１３と、過去設定データＤＢ１４と、類似データ選択部１５と、パラメータ入力部１６と、データ可視化部１７と、異常度算出部１８と、判定結果出力部１９との少なくとも一つを備えていてもよい。

装置プラントデータ入力部５は、各種装置やプラント、各種センサ等からのデータを入力データとして図１の情報処理装置１に取り込む。作業者データ入力部６は、図１の情報処理装置１を操作する作業者がキーボード等を介して入力した種々のデータ（以下、作業者データ）を取り込む。

データ記録部７は、入力データと作業者データを、製造データ記録ＤＢ８と、正常異常記録ＤＢ９と装置設定記録ＤＢ１０に振り分けて記録する。

製造データ記録ＤＢ８は、例えば、センサの検出データや各種装置の設定データなどを記録する。図２は製造データ記録ＤＢ８の一例を示す図である。図２の製造データ記録ＤＢ８は、入力データを提供した装置の製品ＩＤ、センサＡの検出データ、センサＢの検出データ、及びこの装置の製造日時とを対応づけて記録する。入力データは、単変量と多変量のいずれでもよい。また、入力データに対して前処理を施してから製造データ記録ＤＢ８に記録してもよい。前処理とは、例えば各入力データの平均値をゼロにしたり、各入力データの分散を１に揃える正規化を行ったり、多変量データについて各変数間の相関性を組み込んだ白色化を行ったり、各センサの検出データが取り得る値の最大値や最小値を指定したり、入力データの周波数変換を行う等である。また、製造データ記録ＤＢ８は、図２に示すように各製造装置ごとにセンサの検出データを記録してもよいし、製造装置でない場合には、特定の時間幅ごとにデータを取得してもよい。このように、図２は製造データ記録ＤＢ８の一例であり、製造データ記録ＤＢ８に記録されるデータの種類は任意である。

正常異常記録ＤＢ９は、入力データが正常か異常かを示す情報を記録する。図３は正常異常記録ＤＢ９の一例を示す図である。図３の正常異常記録ＤＢ９は、入力データを提供した装置の製品ＩＤと、正常か異常かを示す情報とをデータ項目として含んでいる。正常か異常かを示す情報は、例えば０と１で正常か異常かを区別してもよい。また、特定の時間幅ごとにデータを記録する場合には、正常か異常かを判断した日付情報を正常異常記録ＤＢ９に記録してもよい。このように、図３は正常異常記録ＤＢ９の一例であり、正常異常記録ＤＢ９内のデータ項目には特に制限はない。

装置設定記録ＤＢ１０は、各種装置やプラントに設定変更が生じた日付と、設定変更の内容とを記録する。図４は装置設定記録ＤＢ１０の一例を示す図である。図４の装置設定記録ＤＢ１０は、設定変更を行った日付と、設定変更の内容とを対応づけて記録している。装置設定記録ＤＢ１０は、各種装置やプラントが出力したデータに含まれる情報を記録してもよいし、作業者が入力インタフェース部６で入力した情報を記録してもよい。装置設定記録ＤＢ１０に記録される情報は、例えば装置のメンテナンスを行った時期や、装置の少なくとも一部を変更又は交換等を行った時期に関する情報である。このように、図４は装置設定記録ＤＢ１０の一例であり、装置設定記録ＤＢ１０内のデータ項目には特に制限はない。

データ切り分け部１１は、製造データ記録ＤＢ８と、正常異常記録ＤＢ９と、装置設定記録ＤＢ１０とに記録された各データを、現設定正常データＤＢ１２と、現設定異常データＤＢ１３と、過去設定データＤＢ１４とに振り分ける。

現設定正常データＤＢ１２は、製造データ記録ＤＢ８と、正常異常記録ＤＢ９と、装置設定記録ＤＢ１０とから抽出された、現設定の正常データを記録する。図５は現設定正常データＤＢ１２の一例を示す図である。図５の現設定正常データＤＢ１２は、製品ＩＤと、センサＡの検出データと、センサＢの検出データと、製造日時とを対応づけて記録する。

現設定異常データＤＢ１３は、製造データ記録ＤＢ８と、正常異常記録ＤＢ９と、装置設定記録ＤＢ１０とから抽出された、現設定の異常データを記録する。図６は現設定異常データＤＢ１３の一例を示す図である。図６の現設定異常データＤＢ１３は、製品ＩＤと、センサＡの検出データと、センサＢの検出データと、製造日時とを対応づけて記録する。

過去設定データＤＢ１４は、現設定ではない過去の設定のデータを記録する。図７は過去設定データＤＢ１４の一例を示す図である。図７の過去設定データＤＢ１４は、製品ＩＤと、センサＡの検出データと、センサＢの検出データと、製造日時とを対応づけて記録する。過去設定データＤＢ１４を生成する場合、現設定の直前の設定のデータのみを記録してもよいし、製造データ記録ＤＢ８に保存されているデータのうち、現設定以外の全てのデータを記録してもよい。

類似データ選択部１５は、現設定正常データＤＢ１２に記録されている現設定の正常データに類似するデータを過去設定データＤＢ１４から選択する。また、類似データ選択部１５は、現設定異常データＤＢ１３に記録されている現設定の異常データに類似するデータを過去設定データＤＢ１４から選択する。類似データ選択部１５は、過去設定データＤＢ１４に記録されたデータのうち、類似データか否かを２値で区別してもよい。また、類似データ選択部１５は、０以上１以下の重みを用いて、現設定の正常及び異常データと、過去設定の正常及び異常データとの類似度を計算してもよい。

以下の（１）式は過去の正常データとの類似度を計算する式、（２）式は過去の異常データとの類似度を計算する式である。（１）式と（２）式における関数σは、例えばシグモイド関数などである。

現設定データに正常データｘが一つだけ存在する場合、データ生成部２は、以下の（３）式にて正常データｘの擬似データＸを計算する。

また、現設定データに正常データｘが一つだけ存在する場合、データ生成部２は、以下の（４）式にて、異常データｙの擬似データＹを計算する。

一方、現設定データに複数の正常データｘが存在する場合、上述した（１）式と（２）式に示す類似度だけでなく、（５）式に示す現設定の正常データとの類似度を計算する式と、（６）式に示す現設定の異常データとの類似度を計算する式が必要となる。（５）式と（６）式における関数σは、例えばシグモイド関数などである。

現設定データに複数の正常データｘが存在する場合、データ生成部２は、以下の（７）式にて、正常データｘの擬似データＸを計算する。

また、現設定データに複数の正常データｘが存在する場合、データ生成部２は、以下の（８）式にて、異常データｙの擬似データＹを計算する。

（４）式と（８）式の右辺の類似度Ｐは、（１）、（２）、（５）及び（６）式の正常データｘを異常データｙに変えて計算される値である。

図８は正常データｘの擬似データＸと異常データｙの擬似データＹを二次元座標空間にプロットした図である。図１の識別マージン学習部３は、擬似データＸと擬似データＹとを明確に識別するために、擬似データＸに第１パラメータを乗じたデータと擬似データＹに第１パラメータを乗じたデータとの距離（識別マージンとも呼ぶ）が最大になるように、上述した第１パラメータを更新する。また、類似データ更新部４は、擬似データＸに第１パラメータを乗じたデータと擬似データＹに第１パラメータを乗じたデータとの距離が最大になるように、上述した第２及び第３パラメータを更新する。第２及び第３パラメータは、上述した（１）〜（４）式の類似度と等価である。

異常度算出部１８は、正常データの擬似データに第１パラメータを乗じることで、正常データの異常度を算出し、異常データの擬似データに第１パラメータを乗じることで、異常データの異常度を算出する。第１パラメータは、識別マージン学習部３により更新される。

判定結果出力部１９は、異常度算出部１８で算出された異常度に基づいて、正常データの擬似データ及び異常データの擬似データが正常か異常かの判定結果を出力する。

データ可視化部１７は、識別マージン学習部３による第１パラメータの更新と、類似データ更新部４による第２パラメータ及び第３パラメータの更新とを、所定回数繰り返して、所定回数繰り返した後の第１、第２及び第３パラメータを用いて、正常データの擬似データ及び異常データの擬似データの可視化を行う。データ可視化部１７は、正常データ、正常データの類似データ、正常データの擬似データ、異常データ、異常データの類似データ、及び異常データの擬似データを可視化してもよい。また、データ可視化部１７は、正常データの擬似データと異常データの擬似データとの差違を表す識別マージンに関する情報を可視化してもよい。さらに、データ可視化部１７は、正常データの類似データの時間変化を表す第１曲線と、異常データの類似データの時間変化を表す第２曲線とを可視化してもよい。

図９は図１の類似データ更新部４の処理動作の一例を示すフローチャートである。まず、パラメータ入力部１６から、識別マージン学習部３が識別マージンを学習するのに用いる第１パラメータと、類似データ更新部が正常データと異常データの類似データを求めるのに用いる第２及び第３パラメータとの初期値を入力する（ステップＳ１）。

次に、処理の反復回数の上限値Ｋを取得し、反復回数ｋを０に設定する（ステップＳ２）。次に、ｋ＜Ｋか否かを判定する（ステップＳ３）。ｋ＜Ｋの場合、現在の正常データに類似する類似データを類似データ選択部１５で選択し、選択した類似データを過去設定データＤＢ１４から取得する（ステップＳ４）。次に、現在の正常データとその正常データの類似データとに基づいて、正常データの擬似データを生成する（ステップＳ５）。ここでは、上述した（５）式に基づいて、正常データの擬似データを生成する。

ステップＳ４とＳ５の処理に前後して、現在の異常データに類似する類似データを類似データ選択部１５で選択し、選択した類似データを過去設定データＤＢ１４から取得する（ステップＳ６）。次に、現在の異常データとその異常データの類似データとに基づいて、異常データの擬似データを生成する（ステップＳ７）。ここでは、上述した（６）式に基づいて、異常データの擬似データを生成する。

正常データの擬似データに第１パラメータを乗じたデータと、異常データの擬似データに第１パラメータを乗じたデータとの差違を表す識別マージンが最大になるように、第１〜第３パラメータを更新する（ステップＳ８）。

本実施形態では、以下の（９）式に示すように、正常データの擬似データに第１パラメータを乗じたデータと、異常データの擬似データに第１パラメータを乗じたデータとの差違を目的関数として、この目的関数を最大にするモデルを生成する。

（９）式の正常データの擬似データＸは（５）式で計算され、擬似データＹは（６）式で計算される。ｗは第１パラメータである。

ステップＳ８の処理が終了すると、反復回数ｋを１だけインクリメントし（ステップＳ９）、ステップＳ３に戻る。ステップＳ３でｋ≧Ｋと判定されると、図９の処理を終了する。

図１０は図１の異常度算出部１８の処理動作の一例を示すフローチャートである。まず、現設定の正常データ及び異常データを製造データ記録ＤＢ８から取得する（ステップＳ１１）。次に、正常データ及び異常データの類似データを類似データ選択部１５から選択し、選択された類似データを過去設定データＤＢ１４から取得する（ステップＳ１２）。

次に、ステップＳ１１で取得した正常データ及び異常データと、ステップＳ１２で取得した正常データの類似データ及び異常データの類似データと、に基づいて、正常データの擬似データ及び異常データの擬似データを生成する（ステップＳ１３）。次に、正常データの擬似データ及び異常データの擬似データに、識別マージン学習部３で学習した第１パラメータを乗じて、正常データの異常度及び異常データの異常度を算出する（ステップＳ１４）。

判定結果出力部１９は、異常度算出部１８で算出された異常度に基づいて、例えば各装置ごとに正常か異常かを判定して、その判定結果を出力する。図１１は判定結果出力部１９が出力する判定結果を示す図である。図１１は、製品ＩＤが＃１〜＃６の６つの製品のそれぞれごとに、異常の有無と異常度を表形式で出力するとともに、異常度を一次元方向にプロットした例を示している。図１１に示すように、識別マージン学習部３で第１パラメータを更新することにより、正常の異常度と異常の異常度とを大きく相違させることができ、正常データと異常データとの識別が容易になる。

図１２はデータ可視化部１７による可視化の一例を示す図である。図１２は、不図示の表示装置の画面に可視化した結果を表示する例を示している。図１２の表示領域ｗ１には、現設定の正常データのＩＤが作業者により入力される。表示領域ｗ２には、現設定の異常データのＩＤが作業者により入力される。

表示領域ｗ３には、正常データｎ１と、正常データの擬似データｎ２，ｎ３と、異常データａ１と、異常データの擬似データａ２，ａ３とが図示されている。正常データｎ１の擬似データは、更新を繰り返すことで、最終的に擬似データｎ３になる。同様に、異常データａ１の擬似データは、更新を繰り返すことで、最終的に擬似データａ３になる。

擬似データｎ３，ａ３の距離すなわち識別マージンは、正常データｎ１，ｎ２の識別マージンよりも広くなっており、類似データｎ３とａ３を識別しやすくなる。図１２の表示領域ｗ４には、更新後の擬似データｎ３，ａ３間の識別マージンが現設定の正常データと異常データとの識別マージンに対して、どの程度の割合で広がったかがパーセントで表示される。図１２の表示領域ｗ５には、現設定の正常データや異常データの波形が表示される。

なお、図１２は可視化の一例であり、可視化の具体的な態様は任意である。例えば、図１２の表示領域ｗ１〜ｗ５の一部のみを表示してもよいし、表示領域ｗ１〜ｗ５以外の情報を可視化してもよい。

このように、第１の実施形態では、正常データの擬似データと異常データの擬似データに乗じられる第１パラメータを更新するとともに、正常データの類似データに乗じられる第２パラメータと異常データの擬似データに乗じられる第３パラメータを更新するため、入力データの数が少なくても、正常データの擬似データと異常データの擬似データとの識別マージンを明瞭にすることができる。これにより、正常か異常かを明瞭に識別するために必要とする入力データの数を大幅に削減できる。

（第２の実施形態）
図１３は第２の実施形態による情報処理装置１の概略構成を示すブロック図である。図１３の情報処理装置１は、図１の情報処理装置１の構成に加えて、特徴抽出部２１を備えている。特徴抽出部２１は、現設定正常データＤＢ１２と、現設定異常データＤＢ１３と、過去設定データＤＢ１４とから読み出されたデータの特徴を抽出した特徴抽出データを生成する。より具体的には、特徴抽出部２１は、現設定正常データＤＢ１２と、現設定異常データＤＢ１３と、過去設定データＤＢ１４とに記録されているデータをそのまま使わずにデータ変換を行い、有用な特徴の抽出を行う。特に、製造データ記録ＤＢ８に記録されているデータが画像データの場合、ＣＮＮ（Convolutional Neural Network）等を用いて特徴を抽出するのがデファクトスタンダードになっている。また、各センサの検出データも、ノイズ除去や周波数調整を行うことで、データの特徴が分かることが多い。また、単に非線形な変換を行うだけでも、表現力が豊かになって識別性能の向上が見込める。そこで、特徴抽出部２１は、例えば誤差逆伝搬法を用いて抽出方法を自動調整することができる。

図１４は特徴抽出部２１の内部構成の一例を示す図である。図１４の特徴抽出部２１は、入力層２１ａと、１以上の中間層２１ｂと、出力層２１ｃとを有する。入力層２１ａと中間層２１ｂとの間の各経路は、それぞれ別個の重みが付加されていてもよい。図１４の例では、入力層２１ａには４つのデータが入力され、中間層２１ｂを介して出力層２１ｃからは２つのデータが出力される。図１４の特徴抽出部２１を用いることで、４次元のデータを２次元のデータに変換できる。

図１３の情報処理装置１では、データ切り分け部１１と類似データ選択部１５の間に特徴抽出部２１を設けている。よって、現設定正常データＤＢ１２と、現設定異常データＤＢ１３と、過去設定データＤＢ１４とに記録された各データがいったん特徴抽出部２１に入力されて特徴が抽出され、抽出された特徴が類似データ選択部１５に入力される。

このように、第２の実施形態では、現設定正常データＤＢ１２と、現設定異常データＤＢ１３と、過去設定データＤＢ１４とに記録された各データを直接、類似データ選択部１５に入力するのではなく、各データの特徴を抽出したデータを類似データ選択部１５に入力するため、正常データの擬似データと異常データの擬似データとの識別マージンをより大きくすることができる。

（第３の実施形態）
正常データの擬似データと異常データの擬似データとが複数の識別境界を有する場合がありうる。この場合、各識別境界ごとに識別マージンが存在する。そこで、第３の実施形態は、複数の識別マージンが存在することを想定したものである。

図１５は第３の実施形態による情報処理装置１の概略構成を示すブロック図である。図１５の情報処理装置１は、図１３の情報処理装置１と比べて、複数の識別マージン学習部３を備えている点で異なっている。図１３の例では、第１及び第２識別マージン学習部３ａ，３ｂを備えているが、３つ以上の識別境界、すなわち３つ以上の異常モードが存在する場合には、各識別境界（各異常モード）に応じた数の識別マージン学習部３を設けるのが望ましい。

第１及び第２識別マージン学習部３ａ，３ｂは、それぞれ対応する識別境界における識別マージンが最大になるように、第１パラメータを更新する。図１６は正常データと異常データが２つの識別境界２２ａ，２２ｂを有する例を模式的に示す図である。図１６の場合、第１識別マージン学習部３ａは識別境界２２ａについての識別マージンができるだけ大きくなるように上述した第１〜第３パラメータを更新し、第２識別マージン学習部３ｂは識別境界２２ｂについての識別マージンができるだけ大きくなるように第１〜第３パラメータを更新する。

図１５の情報処理装置１のように、複数の識別マージン学習部３を設けることで、複数の異常モードが存在した場合に、各異常モードごとに、正常と異常との識別を明瞭にすることができる。なお、図１５の情報処理装置１は、特徴抽出部２１を備えているが、第１の実施形態と同様に特徴抽出部２１がなくてもよい。

上述した実施形態で説明した情報処理装置１の少なくとも一部は、ハードウェアで構成してもよいし、ソフトウェアで構成してもよい。ソフトウェアで構成する場合には、情報処理装置１の少なくとも一部の機能を実現するプログラムをフレキシブルディスクやＣＤ−ＲＯＭ等の記録媒体に収納し、コンピュータに読み込ませて実行させてもよい。記録媒体は、磁気ディスクや光ディスク等の着脱可能なものに限定されず、ハードディスク装置やメモリなどの固定型の記録媒体でもよい。

また、情報処理装置１の少なくとも一部の機能を実現するプログラムを、インターネット等の通信回線（無線通信も含む）を介して頒布してもよい。さらに、同プログラムを暗号化したり、変調をかけたり、圧縮した状態で、インターネット等の有線回線や無線回線を介して、あるいは記録媒体に収納して頒布してもよい。

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、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。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

１ 情報処理装置、２ データ生成部、３ 識別マージン学習部、４類似データ更新部、５ 装置プラントデータ入力部、６ 作業者データ入力部、７ データ記録部、８ 製造データ記録ＤＢ、９ 正常異常記録ＤＢ、１０ 装置設定記録ＤＢ、１１ データ切り分け部、１２ 現設定正常データＤＢ、１３ 現設定異常データＤＢ、１４ 過去設定データＤＢ、１５ 類似データ選択部、１６ パラメータ入力部、１７ データ可視化部、１８ 異常度算出部、１９ 判定結果出力部

Claims (10)

1. 正常データ、正常データの類似データ、異常データ、及び異常データの類似データに基づいて、正常データの擬似データと異常データの擬似データとを生成するデータ生成部と、
   前記正常データの擬似データの異常度を求めるために前記正常データの擬似データに乗じられるとともに、前記異常データの擬似データの異常度を求めるために前記異常データの擬似データに乗じられる第１パラメータを、前記正常データの擬似データに前記第１パラメータを乗じたデータと、前記異常データの擬似データに前記第１パラメータを乗じたデータとの差違が最大になるように更新する第１更新部と、
   前記正常データの類似データを求めるために前記正常データに乗じられる第２パラメータと、前記異常データの類似データを求めるために前記異常データに乗じられる第３パラメータとを、前記正常データの擬似データに前記第１パラメータを乗じたデータと、前記異常データの擬似データに前記第１パラメータを乗じたデータとの差違が最大になるように更新する第２更新部と、を備える、情報処理装置。
2. 現設定されているデータのうち、前記正常データを記憶する第１記憶部と、
   現設定されているデータのうち、前記異常データを記憶する第２記憶部と、
   過去に入力されたデータを記憶する第３記憶部と、
   前記第１記憶部に記憶された前記正常データに前記第２パラメータを乗じて得られる前記正常データの類似データと、前記第２記憶部に記憶された前記異常データに前記第３パラメータを乗じて得られる前記異常データの類似データとを、前記第３記憶部から選択する類似データ選択部と、を備える、請求項１に記載の情報処理装置。
3. 前記第１記憶部及び前記第２記憶部から読み出されたデータの特徴を抽出した特徴抽出データを生成する特徴抽出部を備え、
   前記類似データ選択部は、前記特徴抽出データに前記第２パラメータ及び前記第３パラメータを乗じて得られた前記正常データの類似データ及び前記異常データの類似データを、前記第３記憶部から選択する、請求項２に記載の情報処理装置。
4. 前記正常データの擬似データ及び前記異常データの擬似データのそれぞれに前記第１パラメータを乗じることにより、前記正常データの擬似データの異常度及び前記異常データの擬似データの異常度を算出する異常度算出部と、
   前記異常度算出部で算出された前記異常度に基づいて、前記正常データの擬似データ及び前記異常データの擬似データが正常か異常かの判定結果を出力する判定結果出力部と、を備える、請求項１乃至３のいずれか一項に記載の情報処理装置。
5. 前記第１更新部による前記第１パラメータの更新と、前記第２更新部による前記第２パラメータ及び第３パラメータの更新とを、所定回数繰り返して、前記所定回数繰り返した後の前記第１、第２及び第３パラメータを用いて、前記正常データの擬似データ及び前記異常データの擬似データの可視化を行うデータ可視化部と、を備える、請求項１乃至４のいずれか一項に記載の情報処理装置。
6. 前記データ可視化部は、前記正常データの類似データと前記異常データの擬似データとの差違を表す識別マージンに関する情報を可視化する、請求項５に記載の情報処理装置。
7. 前記データ可視化部は、前記正常データの類似データの時間変化を表す第１曲線と、前記異常データの類似データの時間変化を表す第２曲線とを可視化する、請求項５または６に記載の情報処理装置。
8. 前記第１更新部は、前記正常データの擬似データと前記異常データの擬似データとが複数の識別境界を有する場合には、各識別境界ごとに、前記正常データの擬似データに前記第１パラメータを乗じたデータと前記異常データの擬似データに前記第１パラメータを乗じたデータとの差違が最大になるように、前記第１パラメータを更新し、
   前記第２更新部は、前記正常データの擬似データと前記異常データの擬似データとが複数の識別境界を有する場合には、各識別境界ごとに、前記正常データの擬似データに前記第１パラメータを乗じたデータと前記異常データの擬似データに前記第１パラメータを乗じたデータとの差違が最大になるように、前記第２パラメータ及び前記第３パラメータを更新する、請求項１乃至７のいずれか一項に記載の情報処理装置。
9. 正常データ、正常データの類似データ、異常データ、及び異常データの類似データに基づいて、正常データの擬似データと異常データの擬似データとを生成するステップと、
   前記正常データの擬似データの異常度を求めるために前記正常データの擬似データに乗じられるとともに、前記異常データの擬似データの異常度を求めるために前記異常データの擬似データに乗じられる第１パラメータを更新するステップと、
   前記正常データの類似データを求めるために前記正常データに乗じられる第２パラメータと、前記異常データの類似データを求めるために前記異常データに乗じられる第３パラメータとを更新するステップと、を備える、情報処理方法。
10. コンピュータに、
    正常データ、正常データの類似データ、異常データ、及び異常データの類似データに基づいて、正常データの擬似データと異常データの擬似データとを生成するステップと、
    前記正常データの擬似データの異常度を求めるために前記正常データの擬似データに乗じられるとともに、前記異常データの擬似データの異常度を求めるために前記異常データの擬似データに乗じられる第１パラメータを、前記正常データの擬似データに前記第１パラメータを乗じたデータと、前記異常データの擬似データに前記第１パラメータを乗じたデータとの差違が最大になるように更新するステップと、
    前記正常データの類似データを求めるために前記正常データに乗じられる第２パラメータと、前記異常データの類似データを求めるために前記異常データに乗じられる第３パラメータとを、前記正常データの擬似データに前記第１パラメータを乗じたデータと、前記異常データの擬似データに前記第１パラメータを乗じたデータとの差違が最大になるように更新するステップと、を実行させるためのプログラム。