JP7072611B2

JP7072611B2 - 異常検知装置及び異常検知プログラム

Info

Publication number: JP7072611B2
Application number: JP2020124062A
Authority: JP
Inventors: 結人久保; 響輔竹腰; 英司大島
Original assignee: Honda Motor Co Ltd
Current assignee: Honda Motor Co Ltd
Priority date: 2020-07-20
Filing date: 2020-07-20
Publication date: 2022-05-20
Anticipated expiration: 2040-07-20
Also published as: WO2022019020A1; JP2022020512A; MX2023000909A; CN115989465A; US20230322240A1

Description

本発明は、車両信号の異常を検知する技術に関する。

特許文献１，２には、車両の耐久試験の際に、正常を示す基準データを、別の車両を用いて予め採取しておき、当該基準データを用いて耐久試験中に計測されたデータの異常を検知する技術が記載されている。

特開２０１５－１７０１２１号公報特開２０１６－０４５８６１号公報

特許文献１，２に記載の技術では、基準データが試験対象とは異なる車両から採取されているため、試験対象の車両の基準データに対する個体差が大きい場合には、正常であっても異常と検知される可能性がある。また、基準データが消耗の少ない車両から採取されている場合には、試験中の消耗による計測データの変動を異常と検知する可能性が高くなる。

本発明は、前記の点に鑑みてなされたものであり、車両の個体差及び試験中の消耗による影響を抑えた異常検知を行うことが可能な異常検知装置及び異常検知プログラムを提供することを課題とする。

前記の課題を解決するために、本発明の異常検知装置は、サンプリングレートの異なる複数の車両信号に含まれる時系列データのサンプリングレートを、所定サンプリングレートに基づいて間引くことによって当該所定サンプリングレートに一致させるサンプリングレート調整部と、時系列データを含む複数の前記車両信号を、前記所定サンプリングレートをスライド幅として滑走する時間窓で区切ることによって、当該時間窓に含まれるデータを抽出する時間窓処理部と、前記時間窓で区切られた前記車両信号の時系列データを用いた学習によって、学習済み情報を生成する学習部と、前記時間窓で区切られた前記車両信号の時系列データを前記学習済み情報に基づいて再構成し、再構成前後の誤差を算出するとともに、算出された前記誤差と前記学習済み情報とに基づいて異常度を前記所定サンプリングレートごとに算出する異常度算出部と、を備えることを特徴とする。
また、本発明の異常検知プログラムは、コンピュータを前記異常検知装置として機能させることを特徴とする。

本発明によると、車両の異常検知に際して、車両の個体差及び試験中の消耗による影響を抑えることができる。

本発明の実施形態に係る異常検知システムを模式的に示すブロック図である。本発明の実施形態に係る異常検知装置の動作例を説明するためのフローチャートである。本発明の実施形態に係る異常検知装置の動作例を説明するためのフローチャートである。車両信号のサンプリングレートを一致させる動作例を説明するための模式図である。サンプリングレートが調整された車両信号を時間窓で区切る動作例を説明するための模式図である。サンプリングレートが調整された車両信号の波形と時間窓との関係を説明するための模式図である。自己符号化器の一例を説明するための模式図である。自己符号化器の入力データ及び出力データ並びに再構成誤差を説明するための模式図であり、（ａ）は車両信号が正常である場合を示す図、（ｂ）は車両信号が異常である場合を示す図である。

次に、本発明の実施形態について、適宜図面を参照しながら詳細に説明する。なお、同様の部分には同一の符号を付し、重複する説明を省略する。

図１に示すように、本発明の実施形態に係る異常検知システム１は、車両２の異常を検知するためのシステムであって、計測装置１０と、異常検知装置２０と、通知装置３０と、を備える。

＜計測装置＞
計測装置１０は、台上耐久試験における模擬的な試験走行中の車両２の各種信号（車両信号）を計測し、計測された複数の車両信号を異常検知装置２０へ送信する。計測される車両信号は、オーダ及び／又は単位が異なる信号を含み、車輪の回転速度（車輪速）、エンジンの回転速度、エンジンの回転トルク、エンジンのスロットル開度、エンジンの各部温度（排気温、水温、油温）、駆動モータの出力トルク、駆動モータの発生電流、エンジン制御ユニットからの故障コード等が例として挙げられる。

＜異常検知装置＞
異常検知装置２０は、計測装置１０によって計測された複数の車両信号を取得し、取得された車両信号ごとに異常を検知する。異常検知装置２０は、例えば、ＣＰＵ（Central Processing Unit）、ＲＯＭ（Read-Only Memory）、ＲＡＭ（Random Access Memory）、入出力回路等によって構成されている。異常検知装置２０は、機能部として、サンプリングレート調整部２１と、時間窓処理部２２と、異常度算出部２３と、異常判定部２４と、学習部２５と、を備える。

≪サンプリングレート調整部≫
サンプリングレート調整部２１は、計測装置１０によって計測された複数（ｎ種類）の車両信号を取得し、取得された複数の車両信号のサンプリングレートを調整して一致させる（図２のステップＳ２）。図４に示すように、複数の車両信号は、それぞれ異なるサンプリングレートごとの時系列データを含む。図４において、各車両信号に含まれる信号は、時刻を示す軸上の黒丸によって示されている。サンプリングレート調整部２１は、予め記憶された所定サンプリングレートに基づいて、車両信号内のデータのうち、所定サンプリングレートのタイミング（時間間隔ｔごと）のそれぞれに最も近いデータ（図４において、点線丸印で囲まれたデータ）を、当該タイミングにおけるデータとして抽出するとともに、それ以外のデータを間引く。サンプリングレート調整部２１は、サンプリングレートが調整された車両信号を時間窓処理部２２へ出力する。ここで、所定サンプリングレートは、複数の車両信号のサンプリングレートのうち、最も大きいもの以上であることが望ましい。

サンプリングレート調整部２１は、かかる処理によって、各車両信号の相関性を向上することができる。また、サンプリングレート調整部２１は、サンプリングレートが大きい車両信号の過学習を防止することができる。

≪時間窓処理部≫
時間窓処理部２２は、揮発性メモリ２０ａ上に実装されている。時間窓処理部２２は、サンプリングレート調整部２１によってサンプリングレートが調整されたｎ種類の車両信号を取得し、サンプリングレートが調整された車両信号から、時間窓に含まれる所定個数（ｍ個）のデータＢ_nを抽出する（図２のステップＳ３）。ここで、ｔは、時間窓のスライド幅であるとともに、異常判定の周期（ステップＳ２～Ｓ９の実行に要する時間）である。また、Ｂ_n（又はＢ_n ⁽⁰⁾）は、今回の時間窓に含まれるデータ（ｍ×１行列）である。

図５及び図６に示すように、時間窓処理部２２は、所定期間である時間窓を、時間ｔをスライド幅として滑走させることによって、当該時間窓に含まれるｍ個のデータを抽出する処理によって、Ｂ_nを生成する。ここで、時間窓のスライド幅ｔは、時間窓の所定期間よりも小さくてもよい。また、時間窓のスライド幅ｔは、所定サンプリングレートの時間間隔ｔと同一であることが望ましい。

時間窓処理部２２は、生成されたＢ_nを異常度算出部２３へ出力するとともに、Ｂ_nを並べた行列であるＣ_nを、保存情報としてストレージ２０ｂ内に記憶させる。今回の時間窓データをＢ_n ⁽⁰⁾と定義すると、保存情報であるＣ_nは、下記式によって表される。

ここで、Ｂ_n ^(p)は、Ｂ_nのｐ回前の時間窓に含まれるデータ（ｍ×１行列）である。また、Ｃ_nは、ストレージ２０ｂに記憶される保存情報（ｍ×ｐ行列）である。ｐは、データＢ_nの抽出回数（本実施形態では、異常判定部２４における異常判定回数と等しい値）であり、異常検知装置２０の動作開始から時間が経つほど増大する。

時間窓処理部２２は、車両信号を後記する自己符号化器２３ａ（図７参照）の入力数ｍごとに区切ることによって、リアルタイムでの学習及び異常度算出を可能とする。

≪異常度算出部≫
図１に示すように、異常度算出部２３は、揮発性メモリ２０ａに記憶された学習済み情報を取得する（図２のステップＳ１）とともに、時間窓処理部２２によって生成されたＢ_nを取得し、取得されたＢ_n及び学習済み情報に基づいて、車両信号の異常度を算出する。学習済み情報に関しては、後で詳細に説明する。

本実施形態において、異常度算出部２３は、時間窓処理部２２によって生成された今回のＢ_n ⁽⁰⁾と、前回のＣ_nすなわちＢ_n ⁽¹⁾，Ｂ_n ⁽²⁾，…，Ｂ_n ^(p)を用いて学習部２５によって学習された学習用データＬ_n（段落００４６参照）を用いて学習された学習済み情報（段落００４８参照）と、に基づいて、車両情報の異常度を算出する。ここで用いられる学習用データＬ_nは、Ｂ_n ⁽⁰⁾と、ストレージデータであるＣ_nから抽出された列１～ｋのデータと、を組み合わせたｍ×（ｋ＋１）行列であり、下記式によって表される。

ここで、列０（１列目）のデータは、今回のＢ_n ⁽⁰⁾であり、列ｋ（ｋ＋１列目）のデータは、ｋ回前のＢ_n ^(k)である。ここで、ｋが大きい場合には、学習済みモデルの精度が向上する一方、ステップＳ１２における学習時間が長くなる。そのため、ｋは、学習済み情報を任意のタイミングで更新するための学習時間を満たすとともに、所望の監視精度を確保することができるよう、試行錯誤的に決定される。

まず、異常度算出部２３は、学習済み情報に基づいて、時間窓データＢ_nをスケーリング（正規化）し、スケーリングされたデータＢ_s,nを算出する（図２のステップＳ４）。スケーリングされたデータＢ_s,nは、下記式により、Ｂ_Sの行列要素を全て計算することによって算出される。

ここで、ｍｉｎ_nは、学習済み情報におけるｎ番目の信号内のデータの最小値である。また、ｍａｘ_nは、学習済み情報におけるｎ番目の信号内のデータの最大値である。また、Ｂ_s,nは、Ｂ_nをスケーリングしたデータ（ｍ×１行列）である。また、［Ｂ_n］_iは、Ｂ_nのｉ番目のスカラー量である。また、［Ｂ_s,n］_iは、Ｂ_s,nのｉ番目のスカラー量である。スケーリングされたデータＢ_s,nのベクトル要素は、全て、最小値０から最大値１の範囲内に収まる。

異常度算出部２３は、かかるスケーリング処理によって、オーダが異なる複数の車両情報を同様に取り扱って異常度を算出することができるようにする。

続いて、異常度算出部２３は、スケーリングされたデータＢ_s,nを、自己符号化器２３ａ（図７参照）を用いて自己符号化することによって、再構成する（図２のステップＳ５）。自己符号化器２３ａは、入力データが入力される入力層２３ａ１と、再構成データが出力される出力層２３ａ２と、入力層２３ａ１及び出力層２３ａ２の間に設けられる中間層（隠れ層）２３ａ３と、を備える。中間層２３ａ３における潜在変数ｚ及び再構成データｘ＾は、それぞれ下記式によって算出される。

ここで、ｘは、自己符号化器２３ａに入力される行列である。また、Ｗ_x ⁽¹⁾，ｂ_x ⁽¹⁾，Ｗ_x ⁽²⁾，ｂ_x ⁽²⁾は、入力ｘに対応する自己符号化器情報である。また、ｚは、潜在変数であり、ｘ＾（ｘの上に＾）は、自己符号化器２３ａから出力される行列（再構成データ）である。

続いて、異常度算出部２３は、再構成データに含まれる誤差（再構成誤差）ｅを算出する（図２のステップＳ６）。再構成誤差ｅは、下記式によって算出される。

ここで、Δｘは、差分であり、再構成誤差ｅは、Δｘのユークリッドノルムである。

異常度算出部２３は、Ｂ_s,nを自己符号化器２３ａに入力することによって（ｘ＝Ｂ_s,n）、ｎ番目の車両信号の再構成誤差ｅ_nを算出する。図８に示すように、自己符号化器２３ａに入力される車両情報が正常である場合（図８（ａ））には、再構成誤差ｅ_nは小さく、自己符号化器２３ａに入力される車両情報が異常である場合（図８（ｂ））には、再構成誤差ｅ_nは大きい。

また、異常度算出部２３は、複数の車両信号が強い相関性を有する場合には、これらをまとめて処理して再構成誤差を算出することができる。ここで、相関性を有する車両信号の番号をａ，ｂとすると、入力データ及びｘ及び再構成データｘ＾は、下記式によって表される。

異常度算出部２３は、Ｂ_s,a及びＢ＾_s,a（Ｂの上に＾）から再構成誤差ｅ_aを算出するとともに、Ｂ_s,b及びＢ＾_s,b（Ｂの上に＾）から再構成誤差ｅ_bを算出する。この場合には、自己符号化器情報は、Ｗ_ab ⁽¹⁾，ｂ_ab ⁽¹⁾，Ｗ_ab ⁽²⁾，ｂ_ab ⁽²⁾である。

自己符号化器２３ａは、活性化関数としてシグモイド関数σを用いるものに限定されず、例えば、双曲線正接関数等を用いるものであってもよい。また、自己符号化器における中間層２３ａは、１層に限定されず、複数層が積層されていてもよい。また、再構成誤差の算出手法は、ユークリッドノルム（Ｌ２ノルム）を用いるものに限定されず、例えば、Ｌ１ノルム等を用いるものであってもよい。

また、再構成の手法は、自己符号化器２３ａを用いるものに限定されず、例えば、主成分分析等を用いるものであってもよい。判定を行う際の車両情報は、殆ど正常データのみであるため、異常度算出部２３は、分類学習等といったニューラルネットワークを用いた他の手法を用いた処理を行うことができない。これに対し、異常度算出部２３は、正常データのみを学習した自己符号化器２３ａを用いて潜在変数を抽出し、抽出された潜在変数に基づいてデータを再構成する。異常度算出部２３は、波形データから逸脱した異常データが存在する場合でも、再構成によって学習された正常な波形データを生成する。したがって、異常度算出部２３は、正常な波形データから逸脱した情報として、再構成誤差ｅを算出する。

続いて、異常度算出部２３は、学習済み情報である決定関数ｆ_n（ｘ）、及び、再構成誤差ｅ_nに基づいて、ｎ番目の車両情報のスコア（異常度）Ｓ_nを算出し（図２のステップＳ７）、算出結果を異常判定部２４へ出力する。異常度Ｓ_nは、下記式によって算出される。

異常度算出部２３は、決定関数ｆ_n（ｘ）として１クラスＳＶＭ（Support Vector Machine）を用いている。したがって、スコアＳ_nは、決定関数ｆ_n（ｘ）に正常値が入力された場合にはゼロ以上の値をとり、決定関数ｆ_n（ｘ）に異常値が入力された場合にはマイナスの値をとる。

≪異常判定部≫
異常判定部２４は、異常度算出部２３によって算出されたスコア（異常度）Ｓ_nを取得し、取得されたスコアに基づいて、車両信号が異常であるか否かを判定する（図２のステップＳ８）。異常判定部２４は、スコアＳ_nがマイナスである状態が複数の時間窓に対して連続して発生した場合に、対応する車両信号は異常であると判定し、それ以外の場合には、対応する車両信号は正常であると判定する。異常判定部２４は、異常であると判定した場合に、判定結果を通知装置３０へ出力する（図２のステップＳ９）。

異常判定部２４は、車両信号にパルス的ノイズが発生した場合に異常と判定されることを防止し、真の異常を検知することができる。

≪学習部≫
学習部２５は、ストレージ２０ａに記憶された保存データに基づいて、サンプリングレート調整部２１、時間窓処理部２２、異常度算出部２３及び異常判定部２４の動作と並行して、リアルタイムで学習を行い、学習済み情報を生成する。学習部２５は、ストレージ２０ｂに記憶されたＣ_nのうち、学習に必要な時間の行列を読み出し、読み出されたデータを学習用データＬ_nとする（図３のステップＳ１１）。

続いて、学習部２５は、学習用データＬ_nに含まれる最大値ｍａｘ_n及び最小値ｍｉｎ_nを抽出する（図３のステップＳ１２）。続いて、学習部２５は、抽出された最大値ｍａｘ_n及び最小値ｍｉｎ_nに基づいて学習用データＬ_nをスケーリングし、スケーリング済み学習用データＬ_s,nを算出する。続いて、学習部２５は、学習済みデータＬ_s,nを用いて自己符号化器２３ａの学習を行い、自己符号化器情報Ｗ_x ⁽¹⁾，ｂ_x ⁽¹⁾，Ｗ_x ⁽²⁾，ｂ_x ⁽²⁾を生成する（図３のステップＳ１２）。学習部２５による自己符号化器２３ａの学習の手法（アルゴリズム）としては、例えばスケーリング共役勾配降下法が挙げられる。この場合、ハイパーパラメータとして、予め選定された値が用いられる。続いて、学習部２５は、自己符号化器情報Ｗ_x ⁽¹⁾，ｂ_x ⁽¹⁾，Ｗ_x ⁽²⁾，ｂ_x ⁽²⁾に基づいて再構成誤差を算出し、算出された再構成誤差を正常データとして決定関数ｆ_n（ｘ）を生成する（図３のステップＳ１２）。

学習部２５は、最大値ｍａｘ_n及び最小値ｍｉｎ_n、自己符号化器情報Ｗ_x ⁽¹⁾，ｂ_x ⁽¹⁾，Ｗ_x ⁽²⁾，ｂ_x ⁽²⁾並びに決定関数ｆ_n（ｘ）を学習済み情報としてストレージ２０ｂに記憶させる。

なお、学習部２５は、サンプリングレート調整部２１、時間窓処理部２２、異常度算出部２３及び異常判定部２４の処理とは独立して学習を行うため、異常検知装置２０とは別体（別のプロセッサ、計算機（ＰＣ）等）によって具現化することも可能である。

更新部２６は、ストレージ２０ｂに記憶された学習済み情報が更新された場合に、更新された学習済み情報を読み出し、揮発性メモリ２０ａに記憶させる（図３のステップＳ１３）。

＜通知装置＞
通知装置３０は、画像出力可能なディスプレイ、音声出力可能なスピーカ等によって構成されており、異常判定部２４による判定結果を取得してユーザに通知する。

本発明の実施形態に係る異常検知装置２０は、時系列データを含む複数の車両信号を時間窓で区切ることによって、当該時間窓に含まれるデータを抽出する時間窓処理部２２と、前記時間窓で区切られた前記車両信号の時系列データを用いた学習によって、学習済み情報を生成する学習部２５と、前記時間窓で区切られた前記車両信号の時系列データを前記学習済み情報に基づいて再構成し、再構成前後の誤差を算出するとともに、算出された前記誤差と前記学習済み情報とに基づいて異常度を算出する異常度算出部２３と、を備えることを特徴とする。
したがって、異常検知装置２０は、時間窓で区切られた車両情報の異常度を、それよりも前の時間窓で区切られた車両情報を用いた学習済み情報を用いて算出することができる。すなわち、異常検知装置２０は、学習済み情報を検知作業よりも事前に準備する必要が無く、リアルタイムで更新された学習済み情報に基づいて、異常を好適に検知することができる。

また、異常検知装置２０は、前記異常度算出部２３が、今回の前記時間窓によって区切られた前記車両信号の時系列データと、前回以前の前記時間窓によって区切られた前記車両信号の時系列データを用いた前記学習済み情報と、に基づいて、前記異常度を算出することを特徴とする。
したがって、異常検知装置２０は、学習済みデータの生成及び異常度の算出をより好適に並行して実行することができる。

また、異常検知装置２０は、前記学習済み情報が、前回以前の前記時間窓によって区切られた前記車両信号の時系列データの最大値及び最小値を含み、前記異常度算出部は、前記最大値及び前記最小値に基づいて、今回の前記時間窓によって区切られた前記車両信号の時系列データをスケーリングし、スケーリングされた前記車両信号の時系列データを、前記学習済み情報に含まれる自己符号化器２３ａによって再構成することを特徴とする。
したがって、異常検知装置２０は、オーダが異なる複数の車両情報を同様に取り扱って異常度を好適に算出することができる。

また、異常検知装置２０は、複数の前記車両信号のサンプリングレートを一致させるサンプリングレート調整部２１を備え、前記時間窓処理部２２は、サンプリングレートが調整された複数の前記車両信号の時系列データを、前記時間窓で区切ることを特徴とする。
したがって、異常検知装置２０は、複数の車両情報のサンプリングレートを一致させることによって、各車両信号の相関性を向上することができるとともに、サンプリングレートが大きい車両信号の過学習を防止することができる。

また、異常検知装置２０は、算出された前記異常度に基づいて、所定数の前記時間窓に連続して異常が発生した場合に、前記車両信号は異常であると判定する異常判定部２４を備えることを特徴とする。
したがって、異常検知装置２０は、車両信号にパルス的ノイズが発生した場合に異常と判定されることを防止し、真の異常を検知することができる。

以上、本発明の実施形態について説明したが、本発明は前記実施形態に限定されず、本発明の要旨を逸脱しない範囲で適宜変更可能である。例えば、異常検知装置２０は、異常判定部２４を省略する構成であってもよい。この場合、通知装置３０には、異常度算出部２３の算出結果が音声又は画像によって出力される。は、また、本発明は、コンピュータを異常検知装置２０として機能させる異常検知プログラムとしても実現可能である。

１異常検知システム
１０計測装置
２０異常検知装置
２１サンプリングレート調整部
２２時間窓処理部
２３異常度算出部
２４異常判定部
２５学習部

Claims

サンプリングレートの異なる複数の車両信号に含まれる時系列データのサンプリングレートを、所定サンプリングレートに基づいて間引くことによって当該所定サンプリングレートに一致させるサンプリングレート調整部と、
時系列データを含む複数の前記車両信号を、前記所定サンプリングレートをスライド幅として滑走する時間窓で区切ることによって、当該時間窓に含まれるデータを抽出する時間窓処理部と、
前記時間窓で区切られた前記車両信号の時系列データを用いた学習によって、学習済み情報を生成する学習部と、
前記時間窓で区切られた前記車両信号の時系列データを前記学習済み情報に基づいて再構成し、再構成前後の誤差を算出するとともに、算出された前記誤差と前記学習済み情報とに基づいて異常度を前記所定サンプリングレートごとに算出する異常度算出部と、
を備えることを特徴とする異常検知装置。
前記異常度算出部は、今回の前記時間窓によって区切られた前記車両信号の時系列データと、前回以前の前記時間窓によって区切られた前記車両信号の時系列データを用いた前記学習済み情報と、に基づいて、前記異常度を算出する
ことを特徴とする請求項１に記載の異常検知装置。
前記学習済み情報は、前回以前の前記時間窓によって区切られた前記車両信号の時系列データの最大値及び最小値を含み、
前記異常度算出部は、前記最大値及び前記最小値に基づいて、今回の前記時間窓によって区切られた前記車両信号の時系列データをスケーリングし、スケーリングされた前記車両信号の時系列データを、前記学習済み情報に含まれる自己符号化器によって再構成する
ことを特徴とする請求項２に記載の異常検知装置。
算出された前記異常度に基づいて、所定数の前記時間窓に連続して異常が発生した場合に、前記車両信号は異常であると判定する異常判定部を備える
ことを特徴とする請求項１から請求項３のいずれか一項に記載の異常検知装置。
コンピュータを請求項１から請求項４のいずれか一項に記載の異常検知装置として機能させる異常検知プログラム。