JP7069269B2 - デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく、大規模な産業用監視システム向けの半教師あり深層異常検出のための方法およびシステム - Google Patents

デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく、大規模な産業用監視システム向けの半教師あり深層異常検出のための方法およびシステム Download PDF

Info

Publication number
JP7069269B2
JP7069269B2 JP2020171756A JP2020171756A JP7069269B2 JP 7069269 B2 JP7069269 B2 JP 7069269B2 JP 2020171756 A JP2020171756 A JP 2020171756A JP 2020171756 A JP2020171756 A JP 2020171756A JP 7069269 B2 JP7069269 B2 JP 7069269B2
Authority
JP
Japan
Prior art keywords
time series
data
series values
data sample
values
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
Application number
JP2020171756A
Other languages
English (en)
Other versions
JP2021064370A (ja
Inventor
シュミット，ゼバスチャン
カステッラーニ，アンドレーア
スクアルティーニ，ステーファノ
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Honda Research Institute Europe GmbH
Original Assignee
Honda Research Institute Europe GmbH
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Honda Research Institute Europe GmbH filed Critical Honda Research Institute Europe GmbH
Publication of JP2021064370A publication Critical patent/JP2021064370A/ja
Application granted granted Critical
Publication of JP7069269B2 publication Critical patent/JP7069269B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning

Description

本発明は、デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく半教師あり深層異常検出のための方法、および対応する異常検出システムに関する。この異常検出のための方法およびシステムは、特に、大規模な産業用監視システムの分野に関する。
複雑な技術システムにおけるシステム故障や望ましくない動作状態を検出することは、難しい技術的問題である。複雑な技術システムまたは複雑な機械は、多数の要素および構成要素を含む。個々の構成要素間の直接的および非間接的な依存関係のために、システムの動作の関連する態様を監視する適切なセンサネットワークが設置されているとしても、現在のシステムステータスの正確で大域的な査定を行うことは通例可能でない。センサネットワークは、センサ値を含む大量のデータを生成する。生成されたセンサデータと、システムの個々の構成要素間の複雑な依存関係とを調査することは、現在の動作ステータスが、一方における異常な動作ステータスまたは望ましくない動作ステータスであるか、それとも他方における平常の動作ステータスであるかを決定する、複雑で計算的に困難なタスクとなる。
一般に、構成要素の故障または完全なシステム故障は、技術システムの可用性の低下を伴い、またシステムを動作させるためのコストの著しい増大につながり得るため、回避される必要がある。しばしば、技術システムの主要動作パラメータを監視することによって技術システムを監督するように設計された監視システムの測定センサデータ中で、構成要素の故障またはシステム故障の前兆が観察できる。測定された動作パラメータに基づいて監視システムによって提供される関連する信号が調査および評価されることが、最も重要である。複雑な技術システム内の異常の確実な検出は、システムの適正な機能を検証し、構成要素またはシステムの故障が発生する前に問題を検出するための主要な要件である。複雑な技術システム内の異常の確実な検出は、技術システムの保守点検および修復動作を計画することを可能にする。
この分野における根本的な問題の１つは、異常な信号の関連するすべてのインスタンスを捉える手法を作り出すのが難しいことによって生じる。これが該当するのは、技術システムを監視する監視システムの高い感度であり、これは真の陽性率、再現率、または検出確率と呼ばれることもある。同時に、監視システムは、誤警報をあまり多くない数のみ発生させることが要求される。これは、監視システムが、普通は偽陽性率と呼ばれる、過度に多くの平常の動作ステータスの事例を異常な動作ステータスとして識別しないことに相当する。
知られているルールベースの監視システムは、チェックのセットを実装する当該分野の専門家に依拠して、技術システムの適正な動作を保証するようにバランスを取る。ルールベースの監視システムは、異常が検出された場合にメッセージを出力する。異常な動作ステータスや様々な異常な状況が、ルールによって適正に捉えられず、そのため、長い期間にわたって検出されないままになることが起こる。
ルールベースの監視システムが、過度に控え目に策定されたルールに依拠する場合、ルールベースの監視システムは、被監視システムが平常の意図される動作ステータスで機能しているにも関わらず、異常な動作ステータスを示す誤警報を多数生成することになる。これらの誤警報は、人間のシステムオペレータに信号で負担をかける可能性すらある。この結果、最終的に、実際に誤警報であっても、または異常な動作ステータスに関する正しい情報であるかのどちらであっても、人間のシステムオペレータが、監視システムのどのような警報も無視するようになる可能性がある。
異常検出は、種々の手法を使用し得る。一般的な方式は、特定の技術分野における既存の専門家の知識を利用することに依拠する。当該分野の専門家が、実現可能なセンサ値の範囲を定義し、それらの範囲からの逸脱（一定の閾値を上回る）はいずれも異常とみなされる。この方法には、通常は複雑である技術システムについてルールおよびエラー条件を定義し、実装することが難しいという不都合点がある。多数の相互に関連する構成要素を伴う複雑なシステムでは、ルール自体がより複雑になる傾向がある。
その結果、少なくとも技術システムの関連する動作状態を適正に捉え、かつ矛盾するまたは対立するルールを含まないルールのセットを定義することは困難な作業である。加えて、多くの構成要素を含む大きな技術システムについてそのようなルールおよびエラー条件を定義するためのリソース需要は、急速に増大する。
異常検出の代替の手法は、近年のシミュレーション能力の膨大な増大の使用から恩恵を受ける。物理的シミュレーションモデルは、現実の技術システムの挙動を複製できる成熟および精度のレベルに達している。これは、特に、例えば天候パターンなどの、何らかの現実世界のセンサデータを利用する用途に該当する。技術システムのためのそのような高精度の物理的シミュレーションモデルは、通例、デジタル・ツイン・シミュレーションと呼ばれる。システム監視および異常検出の目的に、デジタル・ツイン・シミュレーションは、技術システムの通常の動作と並行してデジタル・ツイン・シミュレーションを実行することにより、効率的に使用されることが可能である。デジタル・ツイン・シミュレーションと、物理世界で動作する技術システムの両方は、同じ環境入力量を共有する。現実の物理的技術システムからのセンサ測定結果を、デジタル・ツイン・シミュレータからの対応する出力と比較することが可能であり、それにより、普通でない状態および異常な状態の検出が可能になり、現実の技術システム内でエラーが発生していることを結論付けることを可能にし得る。
産業用途へのデジタル・ツイン・シミュレーション技術の現在の応用は、とりわけ、物理的機械の経年現象の解明、保守点検動作の計画の支援および予測的な保守点検の実現、ｗｈａｔ－ｉｆシナリオにおける代替案の提供、ビジネス上の決定の支援、ならびに新しいビジネス分野の探索、のような様々な態様を対象としている。Ｍａｄｎｉらによる文献「Ｌｅｖｅｒａｇｉｎｇ Ｄｉｇｉｔａｌ Ｔｗｉｎ Ｔｅｃｈｎｏｌｏｇｙ ｉｎ Ｍｏｄｅｌ－Ｂａｓｅｄ Ｓｙｓｔｅｍｓ Ｅｎｇｉｎｅｅｒｉｎｇ」（Ｓｙｓｔｅｍｓ ７（１）、７ （２０１９））は、デジタル・ツイン・シミュレーション技術のこのような使用についての例を提供している。
一部のシナリオは、物理的技術システムと同じ入力値および同じ環境条件で、物理的技術システムと並行して実行されるデジタル・ツイン・シミュレーション技術を用いる。デジタル・ツイン・シミュレーションは、物理的技術システムからの対応する時系列データと比較することが可能な時系列データを出力する。そして、例えばＦｉｌｉｎｏｖらにより「Ｍｕｌｔｉｖａｒｉａｔｅ Ｉｎｄｕｓｔｒｉａｌ Ｔｉｍｅ Ｓｅｒｉｅｓ ｗｉｔｈ Ｃｙｂｅｒ－Ａｔｔａｃｋ Ｓｉｍｕｌａｔｉｏｎ： Ｆａｕｌｔ Ｄｅｔｅｃｔｉｏｎ Ｕｓｉｎｇ ａｎ ＬＳＴＭ－ｂａｓｅｄ Ｐｒｅｄｉｃｔｉｖｅ Ｄａｔａ」（ＮＩＰＳ Ｔｕｎｅ Ｓｅｒｉｅｓ Ｗｏｒｋｓｈｏｐ（２０１６））で論じられるように、それらの類似性に基づいて、技術システムのシステム挙動の異常が検出され得る。
Madniら、"Leveraging Digital Twin Technology in Model-Based Systems Engineering", Systems 7(1), 7 (2019) Filinovら、"Multivariate Industrial Time Series with Cyber-Attack Simulation：Fault Detection Using an LSTM-based Predictive Data", NIPS Tune Series Workshop (2016) Lopez-Ibanezら、"The irace package： Iterated Racing for Automatic Algorithm Configuration", Operations Research Perspectives, 3:43-58 (2016) RodemannおよびUnger、"Smart Company Digital Twin - Supporting Controller Development and Testing Using FMI", Japanese Society of Automotive Engineers Spring Meeting (2018) Ungerら、"Green Building - Modeling renewable building energy system with eMobility using Modelica", Proceedings of Modelica conference (2012)
本発明は、したがって、検出感度と誤警報との間の許容可能なバランスを備えた異常検出システムを考案する問題を対象とし、これは、検出感度と誤警報との間の要求されるバランスを達成するために手法を大幅かつ継続的に微調整するという現在の状況を改善する。
データ分析学および機械学習技術は、現実世界の産業の場に応用されるようになっている。それらは、現実世界の技術システムからのセンサデータの特性を学習するために利用され得る異常検出方法にも応用される。学習された特性は、技術システムの異常および望ましくない動作状態を検出することを可能にする情報を伝達する。機械学習技術を応用するには種々の手法が存在する。教師なしの手法は、現実世界の技術システムについて獲得された測定データセットの支配的な統計値を、一切の先験的情報を用いずに直接学習する。しかし、異常または異常な動作状態がどのようなものかについての明示的な情報は、モデルに提供されない。モデルは、測定データの暗黙的な特徴に基づいてこの区別を行う。それに対して、教師ありの機械学習方法の手法は、大きい訓練データセットを用いて動作する。訓練データセットは、収集された平常の動作状態および異常な動作状態のデータサンプルを含み、それに各データサンプルのタイプを識別するラベル付け情報が伴う。したがって、モデルは、訓練データセットの特性を学習し、次いで平常の動作状態と異常な動作状態とを判別するように訓練することができる。教師ありの手法は、ラベル付けされた訓練データサンプルの大きいセットを生成することを必要とし、これはリソースを要し、したがって多大な時間とコストを伴う。
半教師ありまたは弱教師ありの機械学習方法の手法では、ラベル付けされていない大量のデータを、ラベル付けされたデータの小さいセットと併せて使用して、平常の動作状態と異常な動作状態とを判別することを学習するように機械学習モデルを訓練する。
この目的は、請求項１に記載の方法によって達成される。
第１の態様に係る、技術システムの異常な動作ステータスを検出するためのコンピュータ実装方法は、訓練フェーズにおいて、技術システムの平常の動作ステータスについて、技術システムのデジタル・ツイン・シミュレーションによって生成された時系列値の第１のセットを取得するステップと、複数のセンサによって測定された時系列値の第２のセットを取得するステップであって、複数のセンサは、技術システムの動作パラメータのセットを監視するように構成され、複数のセンサは、技術システムの異常な動作状態において時系列値の第２のセットを収集する、取得するステップと、を含む。訓練フェーズは次いで、技術システムの平常の動作ステータスを検出するため、およびデータサンプルの３つ組を処理することによって平常の動作ステータスのデータサンプルを異常な動作ステータスのデータサンプルから判別するために、機械学習モデルのパラメータを調整するための訓練ステップを実行することによって進行する。データサンプルの３つ組の各々は、第１のデータサンプル、第２のデータサンプル、および第３のデータサンプルを含む。第１および第２のデータサンプルは、訓練済みの機械学習モデルを生成するために、時系列値の第１のセットから抽出され、第３のデータサンプルは、時系列値の第２のセットから抽出される。
監視フェーズにおいて、技術システムの異常な動作ステータスを検出するための方法は、複数のセンサによって測定された多変量時系列値のセットを取得する。次いで、異常スコア値が計算され、異常スコア値は、取得された測定多変量時系列値のセットおよび訓練済みの機械学習モデルに基づいて、技術システムが異常な動作ステータスであるかどうかを判定することを可能にする。その後、技術システムの判定された異常な動作ステータスに関する情報を含む信号が生成されて、出力される。
本発明は、センサネットワークを装備し、それに加えて技術システムに関するデジタル・ツイン・シミュレーションが存在する、複雑な技術システム（機械類）における異常な動作ステータス（動作状態）および望ましくない動作状態を検出するための新規のシステムを提案する。技術システムに関するデジタル・ツイン・シミュレーションは、仮想圏において技術システムの平常の動作状態を確実に調達（生成、提供）する。加えて、物理圏にある現実の技術システムから取得される、ラベル付けされた異常データサンプルのセットが利用可能であり、これは数が大幅に少ない可能性がある。監視システムの目標は、低い偽陽性および高い真の陽性率で異常な動作ステータスを検出するための非常に高い性能を達成することであり、同時に、監視システムのセットアップおよび動作中に、技術システムのシステムオペレータには最小限の労力しか要求されない。本発明の中心となる態様は、デジタル・ツイン・シミュレーションから得る大量のデータを使用することによってこの目標を達成する。データは、限られた人間の相互作用を要するのみで、容易に発生させることが可能である。異常なデータサンプルのいくつかの必要なインスタンスは、多くの場合に技術システムの動作履歴から入手できるため、現実世界の物理的技術システムから、望まれる異常なデータサンプルの小さいセットを発生させるための労力も、最小限になる。
良好な検出性能は、オートエンコーダ・ニューラル・ネットワークを使用することによって達成され、オートエンコーダ・ニューラル・ネットワークは、教師ありの訓練データを用いない教師なしの設定であっても、再構成誤差から導出される異常スコアについて良好な性能を示す。これは特に当てはまるのは、デジタル・ツイン・シミュレーションから得る、平常の大量の動作データサンプルが、本発明の方法の訓練フェーズに入るためである。いくつかの教師ありのデータサンプルを訓練データセットに含め、Ｓｉａｍｅｓｅオートエンコーダ・ニューラル・ネットワーク・アーキテクチャを用いることは、システムオペレータに対するさらなる労力なしに、あり得る機械状態に関するすべての利用可能な情報を効率的に利用する。その結果得られる現実の技術システムデータのための異常検出方法は、現在の技術の性能を超える異常検出性能を有し、同時に、異常検出方法をセットアップまたは初期化する際のシステムオペレータに対する労力が制限される。
方法が、計算された異常スコア値を所定の閾値と比較し、計算された異常スコア値が所定の閾値を超える場合、技術システムの異常な動作ステータスを決定するステップを含むことが特に好ましい。
好ましくは、データサンプルの３つ組は、データサンプルの３つ組をＮ個含む訓練データセットＤを構成する。Ｎは、時系列値の第１のセット内のデータサンプルの数に対応する整数である。データサンプルの各３つ組は、時系列値の第１のセットからの第１のデータサンプルと、時系列値の第１のセットからランダムに選択される第２のデータサンプルと、時系列値の第２のセットからランダムに選択される第３のデータサンプルとを含む。よって、３つ組全体は、時系列値の第１のセットからの各データサンプルを、時系列値の第１のセットからランダムに選択された第２のデータサンプルと、および追加で、時系列値の第２のセットからランダムに選択された第３のデータサンプルと組み合わせることによって生成される。
時系列値の第１のセット内のデータサンプルの数の整数Ｎが、時系列値の第２のセット内のデータサンプルの数の整数Ｊよりも大きい場合、特に有利である。
方法の一実施形態は、機械学習モデルとして、２つのオートエンコーダ・ニューラル・ネットワークＡＥ１およびＡＥ２を備えるＳｉａｍｅｓｅツイン・ニューラル・ネットワークを使用する。２つのオートエンコーダ・ニューラル・ネットワークＡＥ１、ＡＥ２は、重みおよびパラメータの同じセットおよび値を共有し、オートエンコーダ・ニューラル・ネットワークは、センサ入力データ
Figure 0007069269000001
 を、低次元の潜在表現ベクトル
Figure 0007069269000002
 に符号化し、また低次元の潜在表現ベクトル
Figure 0007069269000003
 を復号して、センサ入力データの元の形態の出力信号
Figure 0007069269000004
 に戻す。オートエンコーダ・ニューラル・ネットワークＡＥ１、ＡＥ２の重みおよびパラメータは、損失関数を最小化することによって訓練され、損失関数は３つの部分を備え、
Ｌ＝ａＬＲＥＣ＋ｂＬＰＣＬ＋ｃＬＣＬ （１）
ここで、ａ＞０、ｂ＞０、およびｃ＞０は、自在に調節可能なパラメータである。第１の部分ＬＲＥＣは、２つのオートエンコーダ・ニューラル・ネットワークＡＥ１、ＡＥ２のうち第１のオートエンコーダ・ニューラル・ネットワークＡＥ１への入力となるデジタル・ツイン・シミュレーション・データについての再構成誤差である。
Figure 0007069269000005
第２の部分ＬＰＣＬは、２つのオートエンコーダ・ニューラル・ネットワークＡＥ１、ＡＥ２のうち第２のオートエンコーダ・ニューラル・ネットワークＡＥ２から計算された、異常なデータサンプルからの部分的対照損失であり、
Figure 0007069269000006
 第３の部分ＬＣＬは、２つのオートエンコーダＡＥ１、ＡＥ２から計算された潜在表現の対照損失である。
Figure 0007069269000007
マージンｍ＞０は、調節可能なパラメータである。訓練データセット
Figure 0007069269000008
 は、データサンプルの３つ組を含む。時系列値の第１のセットからの各データサンプルは、シミュレートされたデジタルツインデータ（
Figure 0007069269000009
 ）を含み、これは、シミュレートされたデジタルツインデータ（
Figure 0007069269000010
 ）を含む、時系列値の同じ第１のセットからのランダムに選ばれたデータサンプルによって増強される。
Figure 0007069269000011
時系列値の第１のセットからのランダムに選ばれた第３のデータサンプルは、実際に測定された異常なデータを含む。
Figure 0007069269000012
式（１）による損失関数Ｌにおける自在に調節可能なパラメータａ、ｂ、およびｃは、いずれも、全（完全な）訓練フェーズ中に固定値として選ぶことができる。詳細には、自在に調節可能なパラメータａ、ｂ、およびｃは、全訓練フェーズの間、ａ＝ｂ＝ｃ＝１に設定され得る。代替として、自在に調節可能なパラメータａ、ｂ、およびｃは、訓練フェーズの過程を通じて変更して、それにより訓練フェーズの効率を上げ得る。
例えば、自在に調節可能なパラメータは、訓練フェーズの第１の部分の間にａ＝１、ｂ＝ｃ＝０であり、訓練フェーズの第２の部分の間にａ＝ｂ＝ｃ＝１である。これは、機械学習モデルが、訓練フェーズの第１の部分の間に平常の動作ステータスを検出することを学習するという効果をもたらす。自在に調節可能なパラメータを訓練フェーズの第２の部分の間にａ＝ｂ＝ｃ＝１に設定すると、後に、正常な平常の動作状態を異常な動作状態から判別することを追加的に学習するように、機械学習モデルを精緻化することになる。
訓練フェーズの第１の部分は、訓練フェーズの前半であってよく、訓練フェーズの第２の部分は、訓練フェーズの後半であってよい。代替として、自在に調節可能なパラメータは、訓練フェーズの第１の部分の間にａ＝１、ｂ＝ｃ＝０であり、自在に調節可能なパラメータは、訓練フェーズの第２の部分の間にａ＝ｂ＝１およびｃ＝０であり、自在に調節可能なパラメータは、訓練フェーズの第３の部分の間にａ＝ｂ＝ｃ＝１である。訓練フェーズの第１の部分は、訓練フェーズの最初の３分の１であってよく、訓練フェーズの第２の部分は、訓練フェーズの２番目の３分の１であってよく、訓練フェーズの第３の部分は、訓練フェーズの最後の３分の１であってよい。
一実施形態に係る方法は、監視フェーズにおいて、複数のセンサによって測定された多変量時系列値のセットから計算される、新しいデータサンプル
Figure 0007069269000013
 の計算された異常スコア値を使用し、異常スコア値は、第１のオートエンコーダ・ニューラル・ネットワークＡＥ１の再構成誤差によって直接提供される。
Figure 0007069269000014
代替として、方法は、監視フェーズにおいて、複数のセンサによって測定された多変量時系列値のセットから、新しいデータサンプル
Figure 0007069269000015
 の計算された異常スコア値を、
第１のオートエンコーダ・ニューラル・ネットワークＡＥ１の再構成誤差と、
第１のオートエンコーダ・ニューラル・ネットワークＡＥ１からの新しいデータサンプルの潜在表現ベクトルと、訓練フェーズで得られたデジタル・ツイン・シミュレーションデータの潜在表現ベクトルのセットとの間の平均ユークリッド距離と、
の和として計算する。
Figure 0007069269000016
一実施形態に係る方法は、訓練フェーズにおいて、まず、時系列値の第２のセットの各時系列値を時間において位置合わせすることにより、複数のセンサから取得された時系列値の第２のセットからデータサンプルを生成し得る。その後、各センサからの位置合わせされた時系列値の第２のセットの各時系列値を、予め定義された窓長Ｗをもつ重なり合う時間窓のセットの中で、時間において区分するステップが行われる。次いで、複数のセンサにわたって各時間窓の同じ時間に開始し、複数のセンサにわたって位置合わせされた時系列値にわたる予め定義された窓長Ｗにわたって延びる、測定された時系列値のセットからの各データサンプルが決定される。
方法は、測定された時系列値のセットからの各データサンプルを決定する際、決定されたデータサンプルを、時間窓ごとに、その時間窓の中の時系列セグメントの測定時系列値から１つまたは複数の統計的特徴を計算することによってさらに処理し得、統計的特徴は、特に、平均値、標準偏差、中央値、様々な分位数、尖度、および歪度の１つを含む。
代替または追加として、一実施形態に係る方法は、測定された時系列値のセットからの各データサンプルを決定する際、決定されたデータサンプルを追加的なデータで補強し得る。追加的なデータは、特に、曜日に関する情報、労働時間インジケータ、休日インジケータ、または季節インジケータを含み得、季節インジケータは、特に季節を指定する。
データサンプルの生成および処理は上記で、測定された時系列値のセットからのデータサンプルの場合について詳細に述べられたことが留意される。データサンプルの生成およびデータサンプルの処理は、好ましくは、時系列値の第１のセットから生成されるデータサンプルと同様にして行われる。
本発明の第２の態様に係るシステムは、技術システムの異常な動作ステータスを検出するための異常検出システムである。異常検出システムは、プロセッサを備え、プロセッサは、技術システムの平常の動作ステータスについて、技術システムのデジタル・ツイン・シミュレーションを実行して、デジタル・ツイン・シミュレーションによって生成された時系列値の第１のセットを提供するように構成される。システムは、複数のセンサによって測定された時系列値の第２のセットを取得するための複数のインターフェースをさらに含む。複数のセンサは、技術システムの動作パラメータのセットを監視するように構成され、複数のセンサは、技術システムの異常な動作ステータスにおいて時系列値の第２のセットを収集する。システムは、メモリをさらに備え、メモリは、デジタル・ツイン・シミュレーションによって生成された時系列値の第１のセットの時系列値の特定のシーケンスを含む第１のデータベース、および、複数のセンサによって測定された時系列値の第２のセットの時系列値の特定のシーケンスを含む第２のデータベース、を記憶するように構成される。
プロセッサは、訓練フェーズにおいて、訓練ステップを実行するように構成され、訓練ステップは、技術システムの平常の動作ステータスを検出するため、およびデータサンプルの３つ組を処理することによって平常の動作ステータスのデータサンプルを異常な動作ステータスのデータサンプルから判別するために、機械学習モデルのパラメータを調節することによって行われる。データサンプルの３つ組の各々は、訓練済みの機械学習モデルを生成するために、各々時系列値の第１のセットから生成される第１のデータサンプルおよび第２のデータサンプルと、時系列値の第２のセットから生成される第３のデータサンプルとを含む。
監視フェーズにおいて、プロセッサは、複数のセンサによって測定された多変量時系列値のセットを取得し、その後、取得された多変量時系列値のセットおよび訓練済みの機械学習モデルに基づいて、技術システムが異常な動作ステータスであるかどうかを判定するための異常スコア値を計算するようにさらに構成される。プロセッサは、技術システムの判定された異常な動作ステータスに関する情報を含む信号を生成するようにさらに構成される。異常検出システムは、生成された信号を出力する出力段階をさらに備える。
技術システムの異常な動作ステータスを検出するための異常検出システムは、インターフェースに接続された複数のセンサをさらに備え得る。複数のセンサは、低圧圧縮機回転速度、高圧圧縮機回転速度、燃料流量、タービン入口全温度、タービン入口全圧、燃焼器入口全温度、燃焼器入口全圧、排ガス全温度、の少なくとも１つを判定するように構成されたセンサを含む。
技術システムの異常な動作ステータスを検出するための異常検出システムは、技術施設管理システム、または、エンジン、特にターボファンエンジンもしくは二軸ターボファンエンジン、の異常な動作状態を検出するように構成され得る。
第３の態様に係るプログラムコード手段を備えたコンピュータプログラムは、プログラムがコンピュータまたはデジタル信号プロセッサで実行されたときに、本発明の第１の態様に係る方法の実施形態の１つに係るステップを実行するためのプログラムコード手段を含む。
第４の態様に係る機械可読媒体に記憶されたプログラムコード手段を備えたコンピュータプログラム製品は、プログラムがコンピュータまたはデジタル信号プロセッサで実行されたときに、本発明の第１の態様に係る方法の実施形態の１つに係るステップを実行するためのプログラムコード手段を含む。
以下に与えられる本発明の一実施形態の説明は、添付図面を参照する。
方法の一実施形態の処理シーケンスの概要を提供する図である。 一実施形態に係る異常検出の基礎をなす入力ベクトルの生成を説明する図である。 未処理時系列値のセットを使用した特徴抽出の第１の例を説明する図である。 未処理時系列値のセットに基づいて計算される統計的特徴を使用した特徴抽出の第２の例を説明する図である。 一実施形態で使用される深層Ｓｉａｍｅｓｅニューラルネットワークのアーキテクチャを示す図である。 畳み込みネットワークオートエンコーダを使用するオートエンコーダアーキテクチャの第１の例を説明する図である。 全結合フィードフォワードオートエンコーダを使用するオートエンコーダアーキテクチャの第２の例を説明する図である。 交差検証のプロセスフローの模式的表現である。 新しいデータサンプルの未処理異常スコアを決定するためのアーキテクチャを説明する図である。
異なる図の中の同じ参照符号は、同じまたは対応する要素を表す。理解性に負の影響を与えることなく可能と考えられる場合には、異なる図の中の同じ参照符号についての説明は回避される。
次いで、本発明の一実施形態について、Ｓｉａｍｅｓｅオートエンコーダ・ニューラル・ネットワークに基づく、技術システムのための異常検出システムを使用して論じる。
そのようなシステムの応用領域は、技術システムの動作中に多変量時系列データが記録される複雑な技術システムである。多変量時系列データは、技術システムにわたって分散して配置された複数のセンサによって獲得される。技術システムは、建物、例えばその技術的インフラストラクチャを含む大きい工場複合体、または二軸ターボファンエンジンなどの複雑な機械類であり得、これは、上述の工場複合体と比べて多少コンパクトなレイアウトである。しかし、技術システムの両方の事例は、主要な特性を共有し、その結果、特許請求される本発明を適用することが本質的な利点をもたらすことになる。
以下の本発明の説明では、技術システムを機械類と呼ぶ。
本発明は、機械類のデジタル・ツイン・シミュレーション・モデルを使用し、これは、機械類のすべての関連する平常の動作状態をシミュレートし、物理的機械類と同じ出力時系列出力信号を有する。デジタル・ツイン・シミュレーションは、物理エンティティのデジタル複製（仮想エンティティ）である。物理圏（現実世界）と仮想圏（デジタル世界）とを橋渡しすることにより、データがシームレスに送信されて、仮想エンティティが物理エンティティと同時に存在することを可能にする。
デジタル・ツイン・シミュレーションは、人工知能、機械学習、およびソフトウェア分析学を、空間的ネットワークグラフと統合して、物理世界の相当物が変化するのに伴って更新および変化するデジタル・シミュレーション・モデルを生成する。デジタル・ツイン・シミュレーションは、複数のソースから継続的に学習し、自身を更新して、その近リアルタイムのステータス、作業条件、または位置を表す。デジタル・ツイン・シミュレーションは、産業領域についての深い、関連する知識を有する技術者などの人間の専門家からの知識、他の同様の機械からの知識、他の同様の機械の集団からの知識、デジタル・ツイン・シミュレーションがその一部であり得るより大きいシステムおよび環境からの知識に基づいて、その動作状態の様々な態様を伝えるセンサデータを使用する。デジタル・ツイン・シミュレーションは、過去の機械類の使用および動作状態からの履歴データをそのデジタルモデルに組み込んでもよい。
本発明の文脈では、デジタル・ツイン・シミュレーションは、機械類のデジタル複製を指す。
図１は、方法の一実施形態の処理シーケンスの概要を提供する。より詳細な説明が図２～９を参照して続く。
方法は、物理的機械類からの測定センサ値と、仮想のデジタル・ツイン・シミュレーションから得られる対応するシミュレート値とから、２つのデータベースを生成する準備フェーズを含む。２つのデータベースを生成する準備フェーズの具体的態様は、図２、図３および図４を参照して後に論じられる。
方法は、訓練フェーズ（準備訓練ステップ）を含む。訓練フェーズでは、機械類の異常なステータスを検出するシステム（異常検出システム）が、第１のデータベースに記憶されたデジタル・ツイン・シミュレーション・データサンプルから生成されたデータセットを用いて、それを第２のデータベースに記憶された物理的機械類から収集されたデータサンプルで増強して、訓練される。詳細には、機械類の異常なステータスを検出する方法の訓練フェーズは、平常の動作状態における仮想の機械類の大量のデジタル・ツイン・シミュレーション・データサンプルから生成されたデータセットを用い、それを、異常な動作状態における物理的機械類の動作パラメータを監視する複数のセンサから取得された（異常な）データサンプルの小さいセットで増強して、モデルを訓練する。
第１のデータベースＮは、仮想世界における機械類のデジタル・ツイン・シミュレーションから発生した、時系列データ値
Figure 0007069269000017
 のＮ個のセットを備え、
Figure 0007069269000018
 第２のデータベースＡは、現実世界の物理的機械類から発生した、時系列データ値
Figure 0007069269000019
 のＡ個のセットを備える。
Figure 0007069269000020
方法は、訓練フェーズにおいて、第１のデータベースおよび第２のデータベースに基づいて訓練データセットＤを生成する。訓練データセットＤは、データサンプルの３つ組を備える。
Figure 0007069269000021
訓練データセットＤを構成するデータサンプルの各３つ組の中で、第１のデータベース（デジタルツインデータセット）からの各データサンプル
Figure 0007069269000022
 は、ランダムに選択される、同じ第１のデータベースからの第２のデータサンプル
Figure 0007069269000023
 と、
Figure 0007069269000024
 第２のデータベースに記憶されたデータセットからランダムに選択される、第２のデータベース（物理的機械類）からのデータサンプル
Figure 0007069269000025
 のうちの１つのデータサンプルと、によって増強される。
Figure 0007069269000026
この訓練データセットＤは、モデルのパラメータを精緻化するために、訓練フェーズで機械学習モデルを訓練するのに使用される。そして、訓練フェーズで生成された訓練済みの機械学習モデルは、方法の監視フェーズの基礎をなす。
監視フェーズにおいて、訓練済みの学習モデルは、物理的機械類から取得されたデータに基づいて機械類の動作中に使用される。このプロセスが、図１の下部に示される。
監視フェーズの間、機械類の動作状態は、複数のセンサによって獲得された時系列センサ値を使用することによって監視される。それらの値は、異常な動作ステータスを検出するためにシステムによって取得される。監視フェーズのステップＳ１～Ｓ５は、異常な動作ステータスを検出するためのコンピュータ実装方法の各処理サイクル（監視サイクル）中に行われ得る。
ステップＳ１において、複数のセンサから多変量時系列値のセットが取得される。
ステップＳ２において、方法は、取得された多変量時系列値のセットに対して特徴抽出を行う。抽出されたデータサンプル（新しいデータサンプル）は、次いでステップＳ３において、さらなる処理のために異常検出モデルに提供される。ステップＳ４において、機械類が異常な動作ステータスであるかどうかを示す異常スコア値ＡＳが計算される。
異常なスコア値ＡＳは、機械類が実際に異常な動作ステータスであるかどうかを判定することを可能にする判定値を表す。機械類が異常な動作ステータスであるかどうかの判定は、計算された異常スコア値を所定の閾値と比較することによって行われ得る。比較により、計算された異常スコア値が所定の閾値を超えることが明らかになった場合、機械類は実際に異常な動作ステータスであると判定される。機械類が異常な動作ステータスであると判定された場合、方法はステップＳ５に進む。ステップＳ５において、判定された機械類の異常な動作ステータスに関する情報が生成され、その情報はその後、信号中で出力される。
図２は、一実施形態に係る異常検出の基礎をなす入力ベクトルの生成を示す。
方法は、機械学習モデルの訓練に使用されるデータセットを生成するために、取得された値の時系列の前処理を実行し得、値の時系列は、機械類のデジタル・ツイン・シミュレーションから第１の値の時系列として取得されるか、または、第２の値の時系列として機械類から測定されるかのいずれかである。
図２は、３つの値の時系列を描いている。第１の値の時系列は、機械類から第１のセンサによって提供される第１のデータストリームＡ、またはデジタル・ツイン・シミュレーションによって生成される対応するシミュレーション出力ストリームを表し得る。第２のデータストリームＢおよび第３のデータストリームＣは、複数のセンサのうちの第２および第３のセンサによって取得されたそれぞれのデータストリームを指す。
値の時系列は、規則的な時間間隔でサンプリングされ、デジタル形式に変換された、測定値のシーケンスを指す。
デジタル・ツイン・シミュレーションから取得される第１の値の時系列と、複数のセンサから取得される第２の値の時系列とは、同じ要領で前処理される。
多変量時系列値のすべての個々の時系列が、時間に関して位置合わせされ、予め定義された固定の窓長Ｗの時間窓の中で時系列値を抽出することによってデータサンプルが生成される。抽出された時系列値は、次いでサンプルベクトル
Figure 0007069269000027
 に記憶される。
次のデータサンプルは、所定の時間だけ時間窓を移動してから、シフトされた時間窓の中で時系列値を選択することによって抽出される。抽出された時系列値は、次いでサンプルベクトル
Figure 0007069269000028
 に記憶される。
図２は、時間における第１の窓位置ｉおよび時間における第２の窓位置ｉ＋１についてのこの手法を示す。ｉおよびｉ＋１に対応する時間窓は、所定の時間１だけシフトされる（ストライド）。ｉ＋１およびｉ＋２に対応する後続の時間窓は、図２に示されるように、所定の時間１だけ、または異なる他の所定の時間２だけシフトされ得る。ｉおよびｉ＋１に対応する時間窓は、図２において重複エリア３を生成している重複する時間で描かれるように、一部が時間的に重複していてもよい。
図３は、未処理時系列値のセットを使用した特徴抽出の第１の例を示す。
第１の例に係る特徴抽出は、未処理時系列データを使用する。測定された曲線またはシミュレートされた曲線の未処理時系列値は、図３に示されるように、サンプルベクトル
Figure 0007069269000029
 に直接記憶される。
代替または追加として、各測定された曲線の時系列値または各シミュレートされた曲線の時系列値は、追加的な統計的特徴抽出ステップで後処理される。統計的特徴抽出ステップは、時系列値に基づいて時間窓ごとの統計的特徴値を計算する。次いで、データサンプルベクトル
Figure 0007069269000030
 および
Figure 0007069269000031
 が、それらの計算された統計的特徴値を使用して生成される。図４は、追加的な統計的特徴抽出ステップを使用するこのプロセスを示す。
統計的特徴値の計算は、統計関数の例として、平均値、標準偏差、中央値、尖度の少なくとも１つを計算することを含み得る。
加えて、抽出された各データサンプル（データサンプルベクトル
Figure 0007069269000032
 ）に、追加的な状況情報、環境情報、時間に基づく情報、および他の情報を含めることも可能であり、これは、曜日への参照、労働日インジケータ、労働時間インジケータ、季節インジケータ、機械類の構成要素に関する動作状態インジケータなどである。追加的情報のこれらの例は、未処理時系列値のセットを使用した特徴抽出の第１の例、または未処理時系列値のセットに基づいて計算される統計的特徴を使用した特徴抽出の第２の例、のいずれかと組み合わせて使用され得る。
図４は、未処理時系列値のセットに基づいて計算される統計的特徴を使用した特徴抽出の第２の例を示す。
上記のようにして生成されたデータサンプルは、２つのデータベース内のデータ記憶装置（メモリ）に記憶される。第１のデータベースは、仮想世界のデジタル・ツイン・シミュレーション（仮想の機械類）から取得されたデータサンプルを含む、時系列値の第１のセットを記憶する。第２のデータベースは、現実世界の機械類（物理的機械類）から取得されたデータサンプルを含む、時系列値の第２のセットを記憶する。
２つの別々のデータベースは、したがって、好ましくは長い期間にわたる平常の動作状態についての、デジタル・ツイン・シミュレーションから導出されたデータサンプルを記憶する第１のデータベースと、異常な動作状態にある現実世界の物理的機械類からの比較的少ないデータサンプルのための第２のデータベースとを含む。
図１に戻ると、図２、図３および図４を参照して論じた特徴抽出プロセスは、ステップＳ１で取得された新しいデータサンプルに対するステップＳ２の処理にも適用される。
方法の一実施形態で使用されるＳｉａｍｅｓｅオートエンコーダのアーキテクチャが図５に示される。
Ｓｉａｍｅｓｅオートエンコーダは、同じ（同一の）アーキテクチャである２つのオートエンコーダネットワーク、第１のオートエンコーダネットワークＡＥ１および第２のオートエンコーダＡＥ２を備える。第１のオートエンコーダネットワークＡＥ１および第２のオートエンコーダネットワークＡＥ２は、同じ重みおよび他のパラメータを共有する。
第１のオートエンコーダネットワークＡＥ１および第２のオートエンコーダネットワークＡＥ２は、上記の訓練データセットＤを訓練フェーズの間に処理する。
深層ニューラルアーキテクチャの訓練における一般的な手法が、Ｓｉａｍｅｓｅオートエンコーダに適用され得る。訓練データセットＤは、いくつかのバッチに区分され、第１のオートエンコーダネットワークＡＥ１および第２のオートエンコーダネットワークＡＥ２の重みおよびパラメータの訓練は、確率的勾配降下またはＡｄａｍ最適化器を用いて行われることが可能である。Ｓｉａｍｅｓｅオートエンコーダの訓練中に最小化すべき損失関数Ｌは、損失関数に寄与する３つの項を備え、
Ｌ＝ａＬＲＥＣ＋ｂＬＰＣＬ＋ｃＬＣＬ （１４）
ここで、ａ、ｂ、およびｃは、自在に調節可能なパラメータである。詳細には、ａ＞０、ｂ＞０、およびｃ＞０が、（自在に）調節可能なパラメータに当てはまる。第１の項ＬＲＥＣは、デジタル・ツイン・シミュレーション・データについての再構成誤差である。デジタル・ツイン・シミュレーション・データについての再構成誤差(再構成損失)は、デジタル・ツイン・シミュレーション・データによって指定される、正常な動作データサンプルの完璧な再構成を目標とする。再構成誤差は、第１のオートエンコーダネットワークＡＥ１の入力信号と出力信号との間の平均自乗誤差（ＭＳＥ）として計算することができる。
Figure 0007069269000033
式（１５）において、Ｎは、第１のデータベースのデータサンプル
Figure 0007069269000034
 の数に対応する整数を表す。
損失関数Ｌに寄与する第２の項ＬＰＣＬは、第２のオートエンコーダＡＥ２から計算された異常なデータサンプルからの部分的対照損失である。
Figure 0007069269000035
第２の項ＬＰＣＬは、基本的に、第２のデータベース（異常なデータサンプル）内のデータサンプル
Figure 0007069269000036
 の負のＭＳＥである。したがって、異常なデータサンプルのＭＳＥは、それが、異常なデータサンプル
Figure 0007069269000037
 について非常に大きい再構成誤差を有するようにオートエンコーダを促すので、最大化される。式（１６）において、マージンｍ＞０は、調節可能なパラメータであり、ｍによって定められる半径よりも距離が小さい異常なデータサンプルのみが損失関数Ｌに寄与することを許す。
損失関数Ｌに寄与する第３の項ＬＣＬは、潜在表現の対照損失である。対照損失は、次のように、第１のオートエンコーダネットワークＡＥ１および第２のオートエンコーダネットワークＡＥ２両方の潜在表現から計算される。
Figure 0007069269000038
この第３の項ＬＣＬは、第１の項によって達成される第２のデータベース（デジタルツインデータサンプル）からのデータサンプル
Figure 0007069269000039
 の中の潜在表現ベクトル間のユークリッド距離を最小にする一方で、同時に、第２の項によるデジタルツインデータサンプル
Figure 0007069269000040
 と異常なデータサンプル
Figure 0007069269000041
 との間の潜在表現ベクトルのユークリッド距離を最大にする。
式（１４）による損失関数Ｌにおける自在に調節可能なパラメータａ、ｂ、およびｃは、完全な全訓練フェーズ中に固定値として選ぶことができる。詳細には、自在に調節可能なパラメータａ、ｂ、およびｃは、全訓練フェーズの間、ａ＝ｂ＝ｃ＝１に設定され得る。
代替として、自在に調節可能なパラメータａ、ｂ、およびｃは、訓練フェーズの過程を通じて変更して、それにより訓練フェーズの効率を向上させ得る。
例えば、自在に調節可能なパラメータは、訓練フェーズの第１の部分の間にａ＝１、ｂ＝ｃ＝０であり、訓練フェーズの第２の部分の間にａ＝ｂ＝ｃ＝１である。そして、機械学習モデルは、訓練フェーズの第１の部分の間に平常の動作ステータスを検出することを学習する。自在に調節可能なパラメータを訓練フェーズの第２の部分の間にａ＝ｂ＝ｃ＝１に設定すると、後に、平常の動作状態を異常な動作状態から判別することを追加的に学習するように、機械学習モデルの、それぞれ重みおよびパラメータを精緻化する結果となる。
訓練フェーズの第１の部分は、訓練フェーズの前半であってよく、訓練フェーズの第２の部分は、訓練フェーズの後半であってよい。
代替として、自在に調節可能なパラメータは、訓練フェーズの第１の部分の間にａ＝１、ｂ＝ｃ＝０であり、自在に調節可能なパラメータは、訓練フェーズの第２の部分の間にａ＝ｂ＝１およびｃ＝０であり、自在に調節可能なパラメータは、訓練フェーズの第３の部分の間にａ＝ｂ＝ｃ＝１である。訓練フェーズの第１の部分は、訓練フェーズの最初の３分の１であってよく、訓練フェーズの第２の部分は、訓練フェーズの２番目の３分の１であってよい。訓練フェーズの第３の部分は、訓練フェーズの最後の３分の１であってよい。
入力としての未処理時系列データ値の場合、第１および第２のオートエンコーダネットワークＡＥ１、ＡＥ２は、畳み込みニューラルネットワークとして実現されることが可能である。
時間窓ごとの特徴抽出中に未処理時系列データ値に統計的特徴抽出プロセスが行われる場合、第１および第２のオートエンコーダネットワークＡＥ１、ＡＥ２は、平易な全結合フィードフォワードニューラルネットワークとして実現され得る。図６および図７は、両方の場合についての例示的アーキテクチャを提供する。
図６は、畳み込みネットワークオートエンコーダを使用したオートエンコーダアーキテクチャの第１の例を示す。
図７は、全結合フィードフォワードオートエンコーダを使用したオートエンコーダアーキテクチャの第２の例を示す。
加えて、性能を向上させるために、ハイパーパラメータ最適化を伴うｋ分割交差検証技術が用いられ得る。
ハイパーパラメータ最適化を伴うｋ分割交差検証技術を適用する場合には、データセットが、訓練データセット、検証データセット、および試験データセットに分割される。ハイパーパラメータ最適化を伴うｋ分割交差検証技術は、標準的な検索アルゴリズム、例えば、グリッド検索、ランダム検索、またはｉｒａｃｅのようなさらに多くの技術をオートエンコーダネットワークＡＥ１、ＡＥ２のパラメータを調整するために用いる。
Ｌｏｐｅｚ－Ｉｂａｎｅｚらは、「Ｔｈｅ ｉｒａｃｅ ｐａｃｋａｇｅ： Ｉｔｅｒａｔｅｄ Ｒａｃｉｎｇ ｆｏｒ Ａｕｔｏｍａｔｉｃ Ａｌｇｏｒｉｔｈｍ Ｃｏｎｆｉｇｕｒａｔｉｏｎ」（Ｏｐｅｒａｔｉｏｎｓ Ｒｅｓｅａｒｃｈ Ｐｅｒｓｐｅｃｔｉｖｅｓ、３：４３－５８ （２０１６））の中で、高度技術を使用してハイパーパラメータ最適化を伴うｋ分割交差検証技術を実装するための詳細を開示している。
図８は、交差検証のプロセスフローを適用した手法の模式的表現を描いている。オートエンコーダネットワークＡＥ１、ＡＥ２の調整可能パラメータは、例えば、チャネル数、カーネルサイズ、層当たりのノード数、層の数、活性化関数のタイプである。
調整され得るさらなるパラメータは、時系列データおよび特徴抽出の第１および第２のセットの前処理から得られる１つまたは複数のパラメータであり、例えば、データサンプルの時間窓の窓サイズＷ、窓時間の重なり、連続する窓ｉおよびｉ＋１間の所定の時間、時間窓から抽出すべき統計的特徴の数およびタイプ、抽出されたデータサンプルに含めるべき追加的な変数（特徴ベクトル）を含む。
図９は、本発明の方法の監視フェーズ中に新しいデータサンプルの未処理異常スコア値ＡＳを決定するための模式的アーキテクチャを示す。
訓練フェーズを終えた後、Ｓｉａｍｅｓｅオートエンコーダに基づくニューラルネットワークアーキテクチャは、物理的機械類を監視するオンライン動作において各新規のデータサンプルの未処理異常スコア値ＡＳを生成するために効率的に使用される。
監視フェーズの間に、複数のセンサによって取得されたセンサデータから抽出される新しいデータサンプル
Figure 0007069269000042
 の未処理異常スコア値ＡＳａが計算される。
第１の実施形態において、異常スコア値ＡＳは、式（１５）に従って、第１のオートエンコーダネットワークＡＥ１の再構成誤差ＬＲＥＣにより、異常スコア値ＡＳａとしてそのまま提供される。
Figure 0007069269000043
代替の第２の実施形態は、異常スコア値ＡＳを、式（１９）を使用して、２つの項の和により異常スコア値ＡＳｂとして計算する。
Figure 0007069269000044
式（１９）における和の第１の項（加数）は、再構成誤差ＬＲＥＣに対応し、第２の項（加数）は、新しいデータサンプル
Figure 0007069269000045
 の潜在表現ベクトルと、訓練フェーズからのデジタルツインデータサンプルのセットとの間の平均ユークリッド距離である。性能要件および精度要件に応じて、訓練フェーズからのデジタルツインデータサンプルのセットは、デジタルツイン訓練データセットのサブセットか、または完全な訓練データセットＤのいずれでもあり得る。
計算された異常スコア値ＡＳ、ＡＳａ、ＡＳｂは、次いで、機械類が平常の動作ステータスであるかまたは異常な動作ステータスであるかを判定するために、所定の閾値と比較するために使用され得る。
本発明の実施形態の説明を導入する際には、技術システムについて次のように２つの可能性が言及される。引用される二軸ターボファンエンジンは、複雑な機械類のよりコンパクトな例を表すのに対し、建物施設内に設置されるエネルギー管理システムである技術システムは、複雑な技術システムの別の例を表す。エネルギー管理システムは、建物施設にわたって分散して配置され、本発明の手法を適用して異常な動作ステータスを検出するためのシステムを含む。
異常な動作ステータスを検出するためのシステムおよびエネルギー管理システムは、特に、以下のような構成要素を備え得る。
－ 中央加熱および冷却システム。時系列値は、それぞれ冷媒および加熱流体の流量および戻り温度とすることができる。さらなる時系列値が、中央加熱および冷却システムの加熱装置および冷却装置のエネルギー消費量を記述する。
－ さらなる時系列値を提供する電力消費量メータを各々含む、複数の換気装置。
－ 熱・電気複合利用（ＣＨＰまたはコジェネレーション）装置。コジェネレーション装置の電力消費量および熱出力の時系列値をそれぞれ提供するセンサを備える。
－ 周囲温度や空気湿度の測定値などの天候データを時系列値として提供する天候センサ装置。
－ 発電に関する時系列値を提供するセンサ装置を備える太陽光発電システム。
－ １つまたは複数の電気車両充電ステーション。各々が、電気車両を充電する際の電力消費量についての時系列値を生成するセンサを有する。
－ 電力で動作する他の機器およびオフィス装置。その各々が、または少なくとも該当するサイズ内の電力消費量を有するものが、個々の電力消費量を測定してそれぞれの時系列データ値を提供する計測装置を備える。
施設内のこれらの要素（設備）は、継続的に時系列値を測定してそれから時系列データ値を生成する１つまたは複数のセンサを装備する。測定された時系列データ値は、時系列データベースを実行する中央の監視サーバに記憶されることが可能である。そのような時系列データベースを設定するための実装は、例えばｉｎｆｌｕｘＤＢなどの利用可能な製品を使用して行われ得る。
そのようなエネルギー管理システムは、平常の動作状態から逸脱した種々のタイプの異常な動作状態を示し得る。発生し得る異常な動作状態（異常）のタイプには以下が含まれる。
－ センサ故障：センサが出力信号を提供しない。これは、データ損失を招くことになるため、重大なエラーである。しかし、センサ故障は、一般に、標準的な手段を使用して容易に検出する。
－ 機械構成要素が故障し、関連付けられたセンサが、実際の値が当該測定パラメータのパラメータ仕様を超えた範囲内にある時系列値を提供する。例えば、加熱システムが動作しなくなる。すべての測定温度値は、周囲温度値まで低下することになる。すべての加熱ポンプが動作を停止する。これは検出するのが容易であり得る。
－ センサが、物理的にあり得ないデータを表す測定値を提供する。例えば、加熱流体システムの体積流量センサが、高い時間的変動を示し、その変動は、パイプ内部の流体循環が物理的にそれほど速く変化することは不可能であるため、物理的にあり得ない。このエラーは、測定値の時系列の統計的性質に関係するため、検出が難しい。
－ 機械類の一部が、ある動作ステータスＡに遷移し、一方で別の部分が、両立し得ない動作ステータスＢになる。例えば、冷却コンプレッサが、冷却指令がないために動作していないのに、エラーが原因で、冷却システムの循環ポンプおよび換気ポンプが高レベルで動作する。
－ 予測不能な環境干渉。例えば、機械室への現場訪問時に、人間のオペレータが、この機械室内の高いノイズレベルを回避するために、機械室内に設置されたコジェネレーション装置の電源を切ることを自発的に決定する。これは、コジェネレーション装置の電源オン・オフを決定する制御機構がステータスを変化させたように見えるように見えることを除いては、原理上、平常の動作ステータスからは検出不可能である。しかし、人間のオペレータの介入が逆転されると、コジェネレーション装置およびエネルギー管理システムは平常の動作ステータスに戻る。
異常な動作ステータスを検出するためのシステムを実装するにあたり、エネルギー管理システムおよびその設備ならびに施設は、建物エネルギーシステムおよび電気モビリティ（ｅ－ｍｏｂｉｌｉｔｙ）用途をモデル化するためのＧｒｅｅｎ Ｃｉｔｙライブラリと共に、Ｍｏｄｅｌｉｃａに基づくＳｉｍｕｌａｔｉｏｎＸツールを使用して実現されるデジタル・ツイン・シミュレーションを用いて、モデル化された。
ＲｏｄｅｍａｎｎおよびＵｎｇｅｒは、「Ｓｍａｒｔ Ｃｏｍｐａｎｙ Ｄｉｇｉｔａｌ Ｔｗｉｎ － Ｓｕｐｐｏｒｔｉｎｇ Ｃｏｎｔｒｏｌｌｅｒ Ｄｅｖｅｌｏｐｍｅｎｔ ａｎｄ Ｔｅｓｔｉｎｇ Ｕｓｉｎｇ ＦＭＩ」（Ｊａｐａｎｅｓｅ Ｓｏｃｉｅｔｙ ｏｆ Ａｕｔｏｍｏｔｉｖｅ Ｅｎｇｉｎｅｅｒｓ Ｓｐｒｉｎｇ Ｍｅｅｔｉｎｇ （２０１８））の中で、デジタル・ツイン・シミュレーションに関する情報を提供している。上記実装はさらに、Ｇｒｅｅｎ Ｃｉｔｙライブラリと組み合わせたＭｏｄｅｌｉｃａに基づくＳｉｍｕｌａｔｉｏｎＸツールの実装の詳細について、Ｕｎｇｅｒら、「Ｇｒｅｅｎ Ｂｕｉｌｄｉｎｇ － Ｍｏｄｅｌｉｎｇ ｒｅｎｅｗａｂｌｅ ｂｕｉｌｄｉｎｇ ｅｎｅｒｇｙ ｓｙｓｔｅｍ ｗｉｔｈ ｅＭｏｂｉｌｉｔｙ ｕｓｉｎｇ Ｍｏｄｅｌｉｃａ」（Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ Ｍｏｄｅｌｉｃａ ｃｏｎｆｅｒｅｎｃｅ（２０１２））を参照する。
エネルギー管理システムに関するデジタル・ツイン・シミュレーションは、２０１７年１１月から２０１９年５月にわたる期間にわたり時系列値を生成して行われた。天候測定データに関する現実の時系列値が、このシミュレーションへの入力として使用された。デジタルツインデータセットは、記載される方法ステップを使用して生成され、第１のデータベースに記憶される。デジタル・ツイン・シミュレーションによってカバーされる上記で引用された期間の間に、異常な動作状態を示すエネルギー管理システムについての１００個の異常なシナリオのセットが、物理的エネルギー管理システムの物理的測定値から収集された。物理的エネルギー管理システムに関する時系列値は、第１のデータベースに記憶される。
次いで、生成された第１および第２の時系列値を使用して、訓練フェーズで使用する訓練データセットＤを生成する。さらなる人間の専門家の関与を全く伴わずに、異常な動作ステータスを検出するためのシステムは、前述した要領で訓練される。訓練された異常検出機械学習システムの結果は、監視フェーズの試験実行において高い異常検出性能を証明した。

Claims (16)

  1. 技術システムの異常な動作ステータスを検出するためのコンピュータ実装方法であって
    、前記方法が、
    訓練フェーズにおいて、
    前記技術システムの平常の動作ステータスについて、前記技術システムのデジタル・
    ツイン・シミュレーションによって生成された時系列値の第１のセットを取得するステッ
    プと、
    複数のセンサによって測定された時系列値の第２のセットを取得するステップであっ
    て、前記複数のセンサは、前記技術システムの動作パラメータのセットを監視するように
    構成され、前記複数のセンサは、前記技術システムの異常な動作ステータスにおいて時系
    列値の前記第２のセットを収集する、取得するステップと、
    訓練ステップを実行するステップであって、前記訓練ステップは、前記技術システム
    の前記平常の動作ステータスを検出するため、およびデータサンプルの３つ組を処理する
    ことによって前記平常の動作ステータスのデータサンプルを前記異常な動作ステータスの
    データサンプルから判別するために、機械学習モデルのパラメータを調節することによっ
    て行われ、データサンプルの前記３つ組の各々は、訓練済みの機械学習モデルを生成する
    ために、共に時系列値の前記第１のセットから取られた第１のデータサンプルおよび第２
    のデータサンプルと、時系列値の前記第２のセットから取られた第３のデータサンプルと
    を含む、実行するステップと、
    監視フェーズにおいて、
    前記複数のセンサによって測定された多変量時系列値のセットを取得するステップと
    、
    前記取得された多変量時系列値のセットおよび前記訓練済みの機械学習モデルに基づ
    いて、前記技術システムが異常な動作ステータスであるかどうかを判定するための異常ス
    コア値を計算するステップと、
    前記技術システムの前記判定された異常な動作ステータスに関する情報を含む信号を
    生成して、出力するステップと、を含む方法。
  2. 前記方法が、
    前記計算された異常スコア値を所定の閾値と比較し、前記計算された異常スコア値が前
    記所定の閾値を超える場合、前記技術システムの異常な動作ステータスを決定するステッ
    プを含む、請求項１に記載の方法。
  3. データサンプルの前記３つ組は、データサンプルの３つ組をＮ個含む訓練データセット
    （Ｄ）を構成し、
    Ｎは、時系列値の前記第１のセット内のデータサンプルの数に対応する整数であり、
    データサンプルの各３つ組は、時系列値の前記第１のセットからの前記第１のデータサ
    ンプルと、時系列値の前記第１のセットからランダムに選択される前記第２のデータサン
    プルと、時系列値の前記第２のセットからランダムに選択される前記第３のデータサンプ
    ルとを含む、請求項１または２に記載の方法。
  4. 時系列値の前記第１のセット内のデータサンプルの数の前記整数Ｎは、時系列値の前記
    第２のセット内のデータサンプルの数の整数Ｊよりも大きい、請求項３に記載の方法。
  5. 前記機械学習モデルは、２つのオートエンコーダ・ニューラル・ネットワーク（ＡＥ１
    、ＡＥ２）を備えるＳｉａｍｅｓｅツイン・ニューラル・ネットワークであり、
    前記２つのオートエンコーダ・ニューラル・ネットワーク（ＡＥ１、ＡＥ２）は、重み
    およびパラメータの同じセットおよび値を共有し、前記オートエンコーダ・ニューラル・
    ネットワークは、センサ入力データ
    Figure 0007069269000046
     を、低次元の潜在表現ベクトル
    Figure 0007069269000047
     に符号化し、また前記低次元の潜在表現ベクトル
    Figure 0007069269000048
     を復号して、前記センサ入力データの元の形態の出力信号
    Figure 0007069269000049
     に戻し、前記オートエンコーダ・ニューラル・ネットワーク（ＡＥ１、ＡＥ２）の前記重
    みおよびパラメータは、損失関数を最小化することによって訓練され、前記損失関数は３
    つの部分を備え、
    Ｌ＝ａＬＲＥＣ＋ｂＬＰＣＬ＋ｃＬＣＬ
    ここで、ａ≧０、ｂ≧０、およびｃ≧０は、自在に調節可能なパラメータであり、第１
    の部分ＬＲＥＣは、前記２つのオートエンコーダ・ニューラル・ネットワーク（ＡＥ１、
    ＡＥ２）のうち第１のオートエンコーダ・ニューラル・ネットワーク（ＡＥ１）への入力
    となるデジタル・ツイン・シミュレーション・データについての再構成誤差であり、
    Figure 0007069269000050
     第２の部分ＬＰＣＬは、前記２つのオートエンコーダ・ニューラル・ネットワーク（Ａ
    Ｅ１、ＡＥ２）のうち第２のオートエンコーダ・ニューラル・ネットワーク（ＡＥ２）か
    ら計算された、異常なデータサンプルからの部分的対照損失であり、
    Figure 0007069269000051
     第３の部分ＬＣＬは、前記２つのオートエンコーダ（ＡＥ１、ＡＥ２）から計算された
    潜在表現の対照損失であり、
    Figure 0007069269000052
     ここで、マージンｍ＞０は、調節可能なパラメータであり、
    前記訓練データセット
    Figure 0007069269000053
     は、データサンプルの前記３つ組を含み、シミュレートされたデジタルツインデータ（
    Figure 0007069269000054
     ）を含む時系列値の前記第１のセットからの各データサンプルは、シミュレートされたデ
    ジタルツインデータ（
    Figure 0007069269000055
     ）を含む、時系列値の同じ第１のセットからの前記ランダムに選ばれたデータサンプルと
    、
    Figure 0007069269000056
     実際に測定された異常なデータを含む、時系列値の前記第１のセットからの前記ランダ
    ムに選ばれた第３のデータサンプルと、
    Figure 0007069269000057
     によって増強される、請求項３または４に記載の方法。
  6. 前記訓練フェーズの間、前記損失関数の前記自在に調節可能なパラメータａ、ｂ、ｃが
    、予め定義されたスケジュールに従って変更され、
    詳細には、前記自在に調節可能なパラメータが、前記訓練フェーズの第１の部分の間に
    ａ＝１、ｂ＝ｃ＝０であり、前記訓練フェーズの第２の部分の間にａ＝ｂ＝ｃ＝１である
    か、または、前記自在に調節可能なパラメータが、前記訓練フェーズの第１の部分の間に
    ａ＝１、ｂ＝ｃ＝０であり、前記訓練フェーズの第２の部分の間にａ＝ｂ＝１およびｃ＝
    ０であり、前記訓練フェーズの第３の部分の間にａ＝ｂ＝ｃ＝１である、請求項５に記載
    の方法。
  7. 前記監視フェーズにおいて、
    前記複数のセンサによって測定された多変量時系列値の前記セットから計算される、新
    しいデータサンプル
    Figure 0007069269000058
     の前記計算された異常スコア値が、前記第１のオートエンコーダ・ニューラル・ネットワ
    ーク（ＡＥ１）の前記再構成誤差によって直接与えられる、
    Figure 0007069269000059
     請求項５または６に記載の方法。
  8. 前記監視フェーズにおいて、
    前記複数のセンサによって測定された多変量時系列値の前記セットから計算される、新
    しいデータサンプル
    Figure 0007069269000060
     の前記計算された異常スコア値が、
    前記第１のオートエンコーダ・ニューラル・ネットワーク（ＡＥ１）の前記再構成誤差
    と、
    前記第１のオートエンコーダ・ニューラル・ネットワーク（ＡＥ１）からの前記新しい
    データサンプルの潜在表現ベクトルと、前記訓練フェーズで得られたデジタル・ツイン・
    シミュレーションデータの前記潜在表現ベクトルのセットとの間の平均ユークリッド距離
    と、
    の和として計算される、
    Figure 0007069269000061
     請求項６に記載の方法。
  9. 前記訓練フェーズにおいて、
    前記データサンプルは、前記デジタル・ツイン・シミュレーションまたは複数のセンサ
    からそれぞれ取得された、時系列値の前記第１のセットおよび／または前記第２のセット
    から、
    時系列値の前記第１または第２のセットの各時系列値を、時間において位置合わせし、
    前記位置合わせされた時系列値の各前記時系列値を、予め定義された窓長Ｗをもつ重な
    り合う時間窓のセットの中で、時間において区分し、
    各前記時間窓の同じ時間に開始し、前記位置合わせされた時系列値にわたる予め定義さ
    れた窓長Ｗにわたって延びる、位置合わせされた時系列値のセットからの各データサンプ
    ルを決定する、
    ことによって生成される、請求項１から８のいずれか一項に記載の方法。
  10. 時系列値の前記セットからの各データサンプルを決定する際、前記決定されたデータサ
    ンプルは、
    時間窓ごとに、その時間窓の中の時系列セグメントの時系列値から１つまたは複数の統
    計的特徴を計算することによって、さらに処理され、前記統計的特徴は、平均値、標準偏
    差、中央値、様々な分位数、尖度、および歪度の１つを含む、請求項９に記載の方法。
  11. 時系列値の前記セットからの各データサンプルを決定する際、
    前記決定されたデータサンプルを追加的なデータで補強し、前記追加的なデータは、曜
    日に関する情報、労働時間インジケータ、休日インジケータ、または季節インジケータを
    含み、前記季節インジケータは、季節を指定する、請求項９または１０に記載の方法。
  12. プログラムがコンピュータまたはデジタル信号プロセッサで実行されたときに、請求項
    １から１１のいずれか一項に記載のステップを実行するためのプログラムコード手段を備
    えた、コンピュータプログラム。
  13. プログラムがコンピュータまたはデジタル信号プロセッサで実行されたときに、請求項
    １から１１のいずれか一項に記載のステップを実行するための機械可読媒体に記憶された
    プログラムコード手段を備えた、コンピュータプログラム製品。
  14. 技術システムの異常な動作ステータスを検出するための異常検出システムであって、前
    記異常検出システムが、
    プロセッサであって、前記技術システムの平常の動作ステータスについて、前記技術シ
    ステムのデジタル・ツイン・シミュレーションを実行して、前記デジタル・ツイン・シミ
    ュレーションによって生成された時系列値の第１のセットを提供するように構成されたプ
    ロセッサと、
    複数のセンサによって測定された時系列値の第２のセットを取得するための複数のセン
    サインターフェースであって、前記複数のセンサは、前記技術システムの動作パラメータ
    のセットを監視するように構成され、前記複数のセンサは、前記技術システムの異常な動
    作ステータスにおいて時系列値の前記第２のセットを収集する、複数のセンサインターフ
    ェースと、
    メモリであって、前記デジタル・ツイン・シミュレーションによって生成された時系列
    値の前記第１のセットの時系列値の特定のシーケンスを含む第１のデータベース、および
    、前記複数のセンサによって測定された時系列値の前記第２のセットの時系列値の特定の
    シーケンスを含む第２のデータベース、を記憶するように構成されたメモリと、を備え、
    前記プロセッサは、訓練フェーズにおいて、
    訓練ステップを実行するように構成され、前記訓練ステップは、前記技術システムの前
    記平常の動作ステータスを検出するため、および
    データサンプルの３つ組を処理することによって前記平常の動作ステータスのデータサ
    ンプルを前記異常な動作ステータスのデータサンプルから判別するために、時系列値の前
    記第１のセットに基づいて機械学習モデルのパラメータを調節することによって行われ、
    データサンプルの前記３つ組の各々は、訓練済みの機械学習モデルを生成するために、各
    々が時系列値の前記第１のセットからの第１のデータサンプルおよび第２のデータサンプ
    ルと、時系列値の前記第２のセットからの第３のデータサンプルとを含み、
    前記プロセッサは、監視フェーズにおいて、
    前記複数のセンサによって測定された多変量時系列値のセットを取得し、
    前記取得された多変量時系列値のセットおよび前記訓練済みの機械学習モデルに基づい
    て、前記技術システムが異常な動作ステータスであるかどうかを判定するための異常スコ
    ア値を計算し、
    前記技術システムの前記判定された異常な動作ステータスに関する情報を含む信号を生
    成する
    ようにさらに構成され、
    前記異常検出システムは、前記生成された信号を出力する出力段階をさらに備える、異
    常検出システム。
  15. 前記異常検出システムは、前記センサインターフェースに接続された前記複数のセンサ
    をさらに備え、
    前記複数のセンサは、低圧圧縮機回転速度、高圧圧縮機回転速度、燃料流量、タービン
    入口全温度、タービン入口全圧、燃焼器入口全温度、燃焼器入口全圧、排ガス全温度、の
    少なくとも１つを判定するように構成されたセンサを含む、請求項１４に記載の技術シス
    テムの異常な動作ステータスを検出するための異常検出システム。
  16. 前記異常検出システムは、技術施設管理システム、または、ターボファンエンジンもし
    くは二軸ターボファンエンジンであるエンジン、の異常な動作状態を検出するように構成
    される、請求項１４または１５に記載の技術システムの異常な動作ステータスを検出する
    ための異常検出システム。
JP2020171756A 2019-10-14 2020-10-12 デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく、大規模な産業用監視システム向けの半教師あり深層異常検出のための方法およびシステム Active JP7069269B2 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP19203001.3A EP3809220B1 (en) 2019-10-14 2019-10-14 Method and system for semi-supervised deep anomaly detection for large-scale industrial monitoring systems based on time-series data utilizing digital twin simulation data
EP19203001.3 2019-10-14

Publications (2)

Publication Number Publication Date
JP2021064370A JP2021064370A (ja) 2021-04-22
JP7069269B2 true JP7069269B2 (ja) 2022-05-17

Family

ID=68290171

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020171756A Active JP7069269B2 (ja) 2019-10-14 2020-10-12 デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく、大規模な産業用監視システム向けの半教師あり深層異常検出のための方法およびシステム

Country Status (3)

Country Link
US (1) US20210110262A1 (ja)
EP (1) EP3809220B1 (ja)
JP (1) JP7069269B2 (ja)

Families Citing this family (37)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11657300B2 (en) * 2020-02-26 2023-05-23 Samsung Electronics Co., Ltd. Systems and methods for predicting storage device failure using machine learning
US20220226994A1 (en) * 2020-07-20 2022-07-21 Georgia Tech Research Corporation Heterogeneous graph attention networks for scalable multi-robot scheduling
JP7318612B2 (ja) * 2020-08-27 2023-08-01 横河電機株式会社 監視装置、監視方法、および監視プログラム
US11283863B1 (en) * 2020-11-24 2022-03-22 Kyndryl, Inc. Data center management using digital twins
US11843623B2 (en) * 2021-03-16 2023-12-12 Mitsubishi Electric Research Laboratories, Inc. Apparatus and method for anomaly detection
CN113612733B (zh) * 2021-07-07 2023-04-07 浙江工业大学 一种基于孪生网络的少样本虚假数据注入攻击检测方法
CN113343500B (zh) * 2021-07-08 2024-02-23 安徽容知日新科技股份有限公司 一种构建数字孪生系统的方法及计算设备
CN113436184A (zh) * 2021-07-15 2021-09-24 南瑞集团有限公司 基于改进孪生网络的电力设备图像缺陷判别方法及系统
CN113609955B (zh) * 2021-07-30 2023-08-08 福州大学 一种基于深度学习和数字孪生的三相逆变器参数辨识方法
US11880464B2 (en) * 2021-08-18 2024-01-23 General Electric Company Vulnerability-driven cyberattack protection system and method for industrial assets
CN113780375B (zh) * 2021-08-26 2024-03-01 同济大学 一种基于数字孪生的虚实交互风电场风力监测系统及应用
GB2614026A (en) * 2021-09-15 2023-06-28 Bae Systems Plc System and method for training an autoencoder to detect anomalous system behaviour
WO2023097022A1 (en) * 2021-11-23 2023-06-01 Strong Force Ee Portfolio 2022, Llc Ai-based energy edge platform, systems, and methods
EP4206838A1 (en) * 2021-12-29 2023-07-05 Petkim Petrokimya Holding A.S. Forecasting and anomaly detection method for low density polyethylene autoclave reactor
CN114513430B (zh) * 2022-01-14 2024-03-22 浪潮工业互联网股份有限公司 一种工业互联网设备的状态监控方法、设备及存储介质
US20230236927A1 (en) * 2022-01-24 2023-07-27 Nec Laboratories America, Inc. Anomaly detection on dynamic sensor data
CN114706028B (zh) * 2022-02-28 2023-02-28 合肥工业大学 基于漂移孪生体的智能网联汽车bms传感阵列失效云诊断方法
CN114297947B (zh) * 2022-03-07 2022-05-27 华北电力大学 基于深度学习网络的数据驱动风电系统孪生方法及系统
US11831527B2 (en) * 2022-03-09 2023-11-28 Nozomi Networks Sagl Method for detecting anomalies in time series data produced by devices of an infrastructure in a network
WO2023170908A1 (ja) * 2022-03-11 2023-09-14 ギガフォトン株式会社 訓練モデルの作成方法、レーザ装置及び電子デバイスの製造方法
KR102532269B1 (ko) * 2022-04-05 2023-05-11 이준희 디지털트윈을 기반으로 하는 설비제어 시뮬레이션 시스템 및 이를 이용한 교육 컨텐츠 제공 방법
CN114738031B (zh) * 2022-04-15 2023-04-14 北京科技大学 自然和机械通风耦合的施工隧道数字孪生智能通风方法
CN114526910A (zh) * 2022-04-21 2022-05-24 杭州杰牌传动科技有限公司 一种基于数字孪生驱动的传动系统故障定位方法
CN114782417A (zh) * 2022-06-16 2022-07-22 浙江大学 基于边缘强化图像分割的风机数字孪生特征实时检测方法
CN114789454B (zh) * 2022-06-24 2022-09-06 浙江大学 基于lstm和逆运动学的机器人数字孪生轨迹补全方法
WO2024025537A1 (en) * 2022-07-28 2024-02-01 Siemens Industry Software Inc. Method and system for anomaly detection
CN115114342B (zh) * 2022-08-26 2022-11-15 乘木科技(珠海)有限公司 一种数字孪生多源数据异常监测方法及系统
US20240111256A1 (en) * 2022-09-30 2024-04-04 Onto Innovation Inc. Composite data for device metrology
CN116341129B (zh) * 2023-02-02 2023-09-26 华北电力大学 风电机组主导运行动态数字孪生模型的模拟方法及装置
CN115859837B (zh) * 2023-02-23 2023-05-16 山东大学 基于数字孪生建模的风机叶片动态冲击检测方法及系统
CN115941453B (zh) * 2023-02-23 2023-06-02 浙江德塔森特数据技术有限公司 基于数字孪生的机房告警处理方法、装置、机房及介质
CN116244975B (zh) * 2023-05-11 2023-07-25 众芯汉创（北京）科技有限公司 一种基于数字孪生技术的输电线路导线状态模拟系统
CN116700168A (zh) * 2023-06-02 2023-09-05 中国五洲工程设计集团有限公司 生产线的虚实同步方法及系统
CN116502237B (zh) * 2023-06-25 2023-11-17 北京智芯微电子科技有限公司 一种数字孪生平台安全协作方法及系统
CN116645369B (zh) * 2023-07-27 2023-11-07 山东锋士信息技术有限公司 基于孪生自编码器和双向信息深度监督的异常检测方法
CN116760908B (zh) * 2023-08-18 2023-11-10 浙江大学山东(临沂)现代农业研究院 基于数字孪生的农业信息优化管理方法及系统
CN116842402B (zh) * 2023-09-01 2024-02-13 北京科技大学 基于孪生神经网络提取平稳特征的高炉异常炉况检测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019074195A1 (ko) 2017-10-13 2019-04-18 주식회사 수아랩 딥러닝 기반 이미지 비교 장치, 방법 및 컴퓨터 판독가능매체에 저장된 컴퓨터 프로그램
WO2019093386A1 (ja) 2017-11-08 2019-05-16 株式会社 東芝 技能基盤システム、技能モデル化装置および技能流通方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9495395B2 (en) * 2013-04-11 2016-11-15 Oracle International Corporation Predictive diagnosis of SLA violations in cloud services by seasonal trending and forecasting with thread intensity analytics
US10877470B2 (en) * 2017-01-26 2020-12-29 Honeywell International Inc. Integrated digital twin for an industrial facility
WO2018224669A1 (en) * 2017-06-09 2018-12-13 British Telecommunications Public Limited Company Anomaly detection in computer networks
US11157782B2 (en) * 2017-11-16 2021-10-26 International Business Machines Corporation Anomaly detection in multidimensional time series data
US10685159B2 (en) * 2018-06-27 2020-06-16 Intel Corporation Analog functional safety with anomaly detection
US10826932B2 (en) * 2018-08-22 2020-11-03 General Electric Company Situation awareness and dynamic ensemble forecasting of abnormal behavior in cyber-physical system

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019074195A1 (ko) 2017-10-13 2019-04-18 주식회사 수아랩 딥러닝 기반 이미지 비교 장치, 방법 및 컴퓨터 판독가능매체에 저장된 컴퓨터 프로그램
WO2019093386A1 (ja) 2017-11-08 2019-05-16 株式会社 東芝 技能基盤システム、技能モデル化装置および技能流通方法

Also Published As

Publication number Publication date
US20210110262A1 (en) 2021-04-15
JP2021064370A (ja) 2021-04-22
EP3809220A1 (en) 2021-04-21
EP3809220B1 (en) 2023-01-18

Similar Documents

Publication Publication Date Title
JP7069269B2 (ja) デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく、大規模な産業用監視システム向けの半教師あり深層異常検出のための方法およびシステム
Chen et al. A risk-averse remaining useful life estimation for predictive maintenance
JP5538597B2 (ja) 異常検知方法及び異常検知システム
JP5363927B2 (ja) 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム
US20120296606A1 (en) Method, computer program, and system for performing interpolation on sensor data for high system availability
CN109977624A (zh) 基于深度神经网络的光伏电站缓变故障监测方法
JP7298494B2 (ja) 学習装置、学習方法、学習プログラム、判定装置、判定方法、および判定プログラム
JP2010191556A (ja) 異常検知方法及び異常検知システム
CN107710089B (zh) 工厂设备诊断装置以及工厂设备诊断方法
Garcia Improving heat exchanger supervision using neural networks and rule based techniques
EP3904987B1 (en) Control support apparatus, control support method, control support program, computer readable medium with control support program recorded thereon and control system
CN107037770A (zh) 用于对技术系统进行建模的方法
EP3627261B1 (en) Diagnosis system and method using parallel analysis paths
Ogaji et al. Novel approach for improving power-plant availability using advanced engine diagnostics
Lutska et al. Forecasting the efficiency of the control system of the technological object on the basis of neural networks
Al-Dahidi et al. A novel fault detection system taking into account uncertainties in the reconstructed signals
CN116880372A (zh) 数字孪生工厂的运行优化方法及系统
US11339763B2 (en) Method for windmill farm monitoring
CN115618735A (zh) 基于数字孪生的设施结构健康监测方法及相关装置
Elashmawi et al. Neural network monitoring model for industrial gas turbine
CN116235121A (zh) 识别用于执行生产过程的工业设施中的异常的装置和方法
JP2023520476A (ja) 産業上の利用のために人工知能モジュールを訓練すること
Caricato et al. Prognostic techniques for aeroengine health assessment and Remaining Useful Life estimation
JP6896380B2 (ja) 故障予兆判定方法、故障予兆判定装置および故障予兆判定プログラム
Pradhan A Dynamic Bayesian Network Framework for Data-Driven Fault Diagnosis and Prognosis of Smart Building Systems

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210204

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20211220

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20211221

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220309

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: 20220405

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220502

R150 Certificate of patent or registration of utility model

Ref document number: 7069269

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150