JP7158624B2

JP7158624B2 - 異常検知装置

Info

Publication number: JP7158624B2
Application number: JP2022510985A
Authority: JP
Inventors: 敬純小部; 隆彦増崎
Original assignee: Mitsubishi Electric Corp
Current assignee: Mitsubishi Electric Corp
Priority date: 2020-09-11
Filing date: 2020-09-11
Publication date: 2022-10-21
Anticipated expiration: 2040-09-11
Also published as: WO2022054256A1; TW202210977A; JPWO2022054256A1

Description

本開示は異常検知装置に関する。

製造機械などの各種装置の異常を検出する技術が知られている。例えば、特許文献１では、ある特定の製造機械に関連するセンサから取得された物理量データと、その製造機械の動作の異常の有無を示す情報である動作状態データとの相関性に基づいて異常の予兆を学習し、この学習結果を用いて異常の予兆を検知する異常検出器が提案されている。製造機械が正常に動作しているか否かの推定結果は、例えば、製造機械が正常に動作している確率を出力することにより行われる。

特開２０１９－２０４１５５号公報

一般に、複数の動作状態を取り得る製造機械について、その複数の動作状態からなるプロセスの流れが異常である場合、その製造機械は異常であると考えられる。しかしながら、特許文献１の技術によれば、個別の動作状態についての学習結果に基づいて製造機械の異常の有無を判定しているだけであり、プロセスの流れは考慮されていない。そのため、プロセスの流れを考慮して異常を検知することができないという問題があった。

本開示は、このような問題を解決するためになされたものであり、複数の動作状態からなるプロセスの流れを考慮して異常検知を行うことが可能な異常検知装置を提供することを目的とする。

実施形態による異常検知装置の一側面は、対象装置の時系列データを受け付けて、前記時系列データの特徴量を抽出する特徴量抽出部と、前記抽出された特徴量から前記対象装置の動作状態を特定するとともに、複数の動作状態間の状態遷移パターンを規定した状態遷移パターン情報を参照して前記抽出された特徴量から前記対象装置の状態遷移を推定する状態遷移推定部と、前記状態遷移パターン情報及び各動作状態についての正常範囲を規定した正常範囲情報を参照して、前記特定された動作状態、前記推定された状態遷移、及び前記抽出された時系列データの特徴量から、前記時系列データが異常かどうかを判定する異常検知部と、を備える。

上記の異常検知装置の前記一側面によれば、状態遷移パターン情報及び正常範囲情報を参照して異常判定がなされるので、異常判定を状態遷移の段階と各動作状態の段階の２段階で行うことができる。したがって、複数の動作状態からなるプロセスの流れを考慮して異常検知を行うことができる。

実施の形態１による異常検知装置及び異常検知装置システムの構成を示すブロック図である。実施の形態１による異常検知装置の詳細な構成を示すブロック図である。実施の形態１による異常検知装置のハードウェア構成例を示すブロック図である。実施の形態１による異常検知装置の他のハードウェア構成例を示すブロック図である。時系列データの全体の正規化を示す図である。時系列データの各動作状態への分割の例を示す図である。時系列データの各動作状態での正規化を示す図である。状態遷移のパターンの算出の例を示す図である。起こりうる状態遷移を表した図である。起こりうる状態遷移に含まれるパターン１を表した図である。起こりうる状態遷移に含まれるパターン２を表した図である。ある時系列データのタイムチャートである。図６Ａの時系列データの動作状態の状態確率を表した図である。図６Ａの時系列データの異常度の判定を示す図である。ある時系列データのタイムチャートである。図７Ａの時系列データの動作状態の状態確率を表した図である。図７Ａの時系列データの異常度の判定を示す図である。実施の形態１における異常検知装置の異常検知処理のフローチャートである。実施の形態１の異常検知装置が用いる推定モデルを学習するための学習装置の構成図である。学習装置の学習処理を示すフローチャートである。

以下、本開示の実施形態について、添付の図面を参照しつつ説明する。なお、実施形態を説明するための全ての図面において、同一の構成部には同一符号を付すことにより、重複する説明は省略する。

実施の形態１．
＜推論フェーズ＞
（異常検知システム１０００）
図１を参照して、異常検知装置１００を備えた異常検知システム１０００の全体的構成について説明する。図１は、実施の形態１における異常検知装置１００、及び異常検知装置１００を備えた異常検知システム１０００の構成を示すブロック図である。図１に示すように、異常検知システム１０００は、監視対象であるｎ台（ｎは１以上の整数）の対象装置ＯＤ１、ＯＤ２、・・・、ＯＤｎと、これら対象装置ＯＤ１、ＯＤ２、・・・，ＯＤｎの各々から配信された時系列データを、通信ネットワークＮＷを介して受信する異常検知装置１００と、ユーザによる各種設定を受け付け又は異常検知装置１００による出力結果を表示する外部装置２００とで構成される。ここで言う対象装置は、単一の装置でもよいし、一群の複数の装置が含まれたシステム又は機器でもよい。

対象装置ＯＤｎ又はその近傍には、対象装置ＯＤｎの動作に関するデータ又は対象装置ＯＤｎの動作環境に関するデータを取得するための不図示のセンサが配置されている。１つの対象装置に対して配置されるセンサの数は１つであってもよいし、複数であってもよい。複数のセンサを配置する場合、複数のセンサは同種であってもよいし（例えば、軸方向、水平方向、及び鉛直方向の３つの加速度センサ）、異種であってもよい（例えば、電圧センサと電流センサ）。取得するデータは、時系列データとして取得できるものであれば特に限定されない。時系列データの例には、電流、電圧、電力、速度、加速度、角速度、圧力、磁力、トルク、温度、湿度、生産数、出荷数、株価、及びインターネットのトラフィックデータが含まれる。時系列データは、センサの検出値それ自体でもよいし、検出値の統計値（例えば、平均、最大、最小）でもよいし、複数のセンサの検出値の演算値（例えば、電力）でもよい。対象装置ＯＤｎ又はその近傍から取得された時系列データは、機種や設置場所などの対象装置ＯＤｎの識別情報と関連付けられて、有線又は無線の通信ネットワークＮＷを介して異常検知装置１００に配信される。

異常検知装置１００は、対象装置ＯＤ１、ＯＤ２、・・・、又はＯＤｎから受信した時系列データに基づいて、時系列データが受信された対象装置について状態遷移推定及び異常検知を行う。また、異常検知装置１００は、状態遷移推定及び異常検知の結果と対象装置の識別情報とを関連付けて記憶部４に蓄積し、外部装置２００からの入力に応じて、取得済みのセンサ値の時系列データ（例えば、電流値の時系列データ、インターネットのトラフィックデータの時系列データ）を記憶部４から検索して、ある観測時刻におけるセンサ値、ある観測期間に亘るセンサ値の時系列データ、対象装置の設置場所などの情報を取得する。

（異常検知装置１００）
異常検知装置１００は、受信部１、時系列データ分析部２、データ記録制御部３、記憶部４、インターフェース部５、及び時系列データ照合部６を備える。

（受信部１）
受信部１は、対象装置ＯＤ１、ＯＤ２、・・・、ＯＤｎから配信された配信データＤ１を受信し、受信した配信データＤ１から、センサ値の種類数、センサ値の時系列データ、センサ項目、及び対象装置の使用環境データを含む対象装置情報Ｄ２を抽出する。受信部１は、抽出された対象装置情報Ｄ２を、時系列データ分析部２とデータ記録制御部３に出力する。

ここで、センサ値の種類数とは、対象装置に搭載されたセンサから取得されたセンサデータの種類数を意味する。１つのセンサが取得できるデータの種類が１つだけ、例えば電圧だけの場合、センサデータの種類は１である。１つのセンサが取得できるデータの種類が２つの場合、例えば電圧と電流の場合、センサデータの種類は２である。なお、同種のセンサデータであっても、物理的に異なるセンサから取得される場合には、センサの数に応じて種類数を数えるものとする。例えば、軸方向、水平方向、及び鉛直方向の３つの加速度センサを用いてデータが取得される場合、センサデータの種類数は３と数える。

センサ値の時系列データとは、センサから取得された時系列でのセンサデータを意味する。また、センサ項目とは、センサから取得するセンサデータの種類やセンサの設置場所など、対象装置に搭載されたセンサを識別するための項目を意味する。センサデータの種類には、電流、電圧、トルク、温度等の対象装置の稼働に関する項目や、生産数や出荷数等の対象装置が製造する製品に関する項目が含まれる。

（時系列データ分析部２）
時系列データ分析部２は、受信部１から受け付けた対象装置情報Ｄ２に対して時系列データ分析処理を行う。時系列データ分析部２は、対象装置情報Ｄ２の分析結果Ｄ３をデータ記録制御部３に出力する。分析結果Ｄ３には、項目分類情報、及び後述するセンサ値の特徴量が含まれる。時系列データ分析部２の詳細については後述する。

（データ記録制御部３）
データ記録制御部３は、受信部１から入力された対象装置情報Ｄ２と、時系列データ分析部２から入力された分析結果Ｄ３とを対応付けて記憶部４に格納することにより、データベースを構築する。ここで、１つの対象装置情報Ｄ２に複数のセンサ値が含まれる場合には、センサ値の項目毎に分析結果Ｄ３（Ｄ３－１、Ｄ３－２、Ｄ３－３、・・・）を生成し、１つの対象装置情報Ｄ２に複数の分析結果Ｄ３（Ｄ３－１、Ｄ３－２、Ｄ３－３、・・・）を対応付けるようにしてもよい。例えば、１つの対象装置情報Ｄ２に電圧値、及び電流値が含まれる場合は、電圧値の分析結果Ｄ３－１、電流値の分析結果Ｄ３－２を生成し、１つの対象装置情報Ｄ２に複数の分析結果Ｄ３－１及びＤ３－２を対応付けるようにしてもよい。あるいは、複数のセンサ値の加工データを１つの分析結果Ｄ３としてまとめて、１つの対象装置情報Ｄ２に１つの分析結果Ｄ３を対応付けるようにしてもよい。

（記憶部４）
記憶部４は、各種データを記憶する。実施の形態１において、記憶部４は、対象装置情報Ｄ２と分析結果Ｄ３とを対応付けて記憶する。また、実施の形態１において、記憶部４は、後述する時系列データ照合部６が用いる学習済みの推定モデルＤ４を記憶する。

学習済みの推定モデルＤ４には、複数のセンサ値の項目ごとの特徴量と対応付けられた、複数のセンサ値の項目ごとの動作状態の正常範囲（正常範囲情報）及び状態遷移パターン（状態遷移パターン情報）が含まれる。動作状態の正常範囲は、複数の動作状態の各々について定められる。

動作状態の正常範囲としては、例えば、回帰、ベイズ推定、統計手法による信頼区間、状態空間モデル、３σ法、ＣＮＮ等の機械学習による手法で学習した範囲を用いる。あるいは、異常検知装置１００のユーザが、各動作状態の正常範囲を定義してもよい。

状態遷移パターンとしては、例えば、因果推論、多変量解析、ＣＮＮ等の機械学習による分類手法等で学習した範囲を用いる。あるいは、対象装置の状態遷移パターンが、例えば対象装置の仕様書により予め分かっている場合には、異常検知装置１００のユーザが状態遷移パターンを定義してもよい。状態遷移パターンは複数であってもよい。

また、実施の形態１においては、記憶部４が対象装置情報Ｄ２及び分析結果Ｄ３を記憶する構成を示したが、他の構成を採用することもできる。例えば、記憶部４に替えて、通信ネットワークＮＷ上に配置された単数又は複数のネットワークストレージ装置（不図示）が対象装置情報Ｄ２及び分析結果Ｄ３を記憶し、そのネットワークストレージ装置にデータ記録制御部３がアクセスするように構成してもよい。これにより、データ記録制御部３が対象装置情報Ｄ２と分析結果Ｄ３とを、外部のネットワークストレージ装置に蓄積し、異常検知装置１００の外部にデータベースを構築することができる。また、時系列データ照合部６が用いる学習済みの推定モデルＤ４も、記憶部４でなく外部のネットワークストレージ装置に記憶するように構成してもよい。

（インターフェース部５）
インターフェース部５は、外部装置２００と異常検知装置１００の各部とを接続して、交信や各種制御を可能にする。異常検知装置１００のユーザは、外部装置２００を用いて、監視データ取得部６１が時系列データを検索する監視条件Ｄ５を設定することができる。また、ユーザは、外部装置２００を用いて、時系列データ照合部６の照合結果Ｄ６を確認することができる。

（時系列データ照合部６）
時系列データ照合部６は、複数のセンサ値の時系列データの状態遷移推定及び異常検知の照合を行う。実施の形態１において、時系列データ照合部６は、記憶部４から学習済みの推定モデルＤ４を取得するとともに、インターフェース部５から入力された監視条件Ｄ５に基づき、記憶部４から対象装置情報Ｄ２及び分析結果Ｄ３を取得し、センサ値の照合を行う。また、時系列データ照合部６はセンサ値の照合結果Ｄ６をインターフェース部５に出力し、照合結果Ｄ６は外部装置２００を介してユーザに伝達される。

次に、時系列データ分析部２と時系列データ照合部６の詳細な構成について、図２を参照して説明する。図２は、異常検知装置１００の詳細な構成を示す構成図である。

（時系列データ分析部２の詳細説明）
実施の形態１において、時系列データ分析部２は、センサ項目検出部２１、特徴量抽出部２２、及びセンサ項目分類部２３を備える。

（センサ項目検出部２１）
センサ項目検出部２１は、受信部１から入力された対象装置情報Ｄ２のセンサ項目に関するデータ、及び対象装置の使用環境データを参照して、対象装置情報Ｄ２に現れる対象装置の使用環境毎のセンサ項目を検出する。

（特徴量抽出部２２）
特徴量抽出部２２は、対象装置情報の時系列データから、現在の動作状態と現在の動作状態から遷移し得る次の動作状態への状態遷移とを把握するためのセンサ値の特徴量を抽出する。ここで、センサ値の特徴量には、センサ値の波形の長時間又は短時間での傾向、波形の長さ、周波数、センサ値の更新頻度、及びある波形（時系列データ）に含まれる複数の部分波形間の類似度などの指標が含まれるが、これらに限定されない。センサ値の特徴量は、対象装置情報が追加で取得される度に一定の時間幅を定めて移動平均のように連続して算出してもよいし、任意の時点又は区間を指定して算出してもよい。ここで、傾向とは、最大値若しくは最小値、平均値、分散若しくは標準偏差、相関、傾き、又は誤差若しくは残差等、データの特徴を示す指標である。特徴量は、周波数領域から抽出されてもよい。

（センサ項目分類部２３）
センサ項目分類部２３は、抽出されたセンサ値の特徴量を、センサ項目に従って分類する。実施の形態１において、センサ項目分類部２３は、センサ項目検出部２１が検出した対象装置の使用環境毎のセンサ項目と、特徴量抽出部２２が抽出したセンサ値の特徴量とに基づいて、センサ値の特徴量をセンサ項目に従って分類する。

（時系列データ照合部６の詳細説明）
次に、時系列データ照合部６の詳細な構成について説明する。時系列データ照合部６は、複数のセンサ値の時系列データについて照合を行い、動作状態ごとのセンサ値の時系列データの観測値が正常か否かを判定する。時系列データ照合部６は、記憶部４の対象装置情報Ｄ２及び分析結果Ｄ３が更新されるたびに、学習済みの推定モデルＤ４を使用して異常を分析し、異常を検出すると異常を検出した旨の結果を出力する。また、インターフェース部５を介して外部装置２００から監視条件Ｄ５が設定されると、監視条件Ｄ５に従った分析結果を出力する。ここで、監視条件Ｄ５には、例えば、監視対象とするエリア情報、検索対象とする時刻情報、検索対象とするセンサ項目、及び検索対象とするセンサ値の特徴量が含まれる。実施の形態１において、時系列データ照合部６は、監視データ取得部６１、加工部６２、状態遷移推定部６３、及び異常検知部６４を備える。以下、各構成部について説明する。

（監視データ取得部６１）
監視データ取得部６１は、照合する１つ又は複数の対象装置の対象装置情報Ｄ２と、対象装置情報Ｄ２に対応付けられた分析結果Ｄ３と、学習済みの推定モデルＤ４とを取得する。実施の形態１において、監視データ取得部６１は、外部装置２００により設定された監視条件Ｄ５に合致するセンサ項目と、このセンサ項目に紐づくセンサ値の時系列データ及び特徴量を記憶部４から検索し、該当する対象装置情報Ｄ２及び分析結果Ｄ３を取得する。

（状態遷移推定部６３）
状態遷移推定部６３は、監視データ取得部６１で取得した対象装置情報Ｄ２及び分析結果Ｄ３と、記憶部４から取得した学習済みの推定モデルＤ４とを対応させて、動作中の対象装置の動作状態を特定するとともに、状態遷移を推定する。状態遷移は、例えば、ある動作状態から他の動作状態へ遷移する確率である状態遷移確率により表される。実施の形態１において、状態遷移推定部６３は、対象装置情報Ｄ２に含まれるセンサ値の時系列データ、センサ項目、及び対象装置の使用環境データ、並びに分析結果Ｄ３に含まれるセンサ値の特徴量から、現在の動作状態（第１の動作状態）を特定する。また、状態遷移推定部６３は、学習済みの推定モデルＤ４に含まれる状態遷移のパターンを参照し、センサ値の特徴量を用いて、現在の動作状態（第１の動作状態）から次の動作状態（第２の動作状態）への状態遷移確率を算出する。現在の動作状態から遷移する次の動作状態（第２の動作状態）は、１つの場合もあれば複数の場合もある。状態遷移のパターンは、異常検知装置１００のユーザが定義してもよい。状態遷移のパターンは、例えば、複数の動作状態と複数の動作状態との遷移関係を表した状態遷移表として保持される。状態遷移推定部６３は、監視データ取得部６１から取得した対象装置情報Ｄ２及び分析結果Ｄ３、記憶部４から取得した学習済みの推定モデルＤ４、並びに状態遷移推定部６３が行った処理の結果（特定結果又は推定結果）を、加工部６２へ引き渡す。なお、対象装置情報Ｄ２及び分析結果Ｄ３は、監視データ取得部６１から加工部６２へ引き渡されてもよい。

（加工部６２）
加工部６２は、入力された対象装置情報Ｄ２と、対象装置情報Ｄ２に対応する分析結果Ｄ３に含まれるセンサ値の特徴量と、状態遷移の確率などの状態遷移推定部６３が行った処理の結果とを取得する。また、加工部６２は、学習済みの推定モデルＤ４も取得する。加工部６２は、これらの取得したデータ又は情報と学習済みの推定モデルＤ４とを対応させて、対象装置情報Ｄ２に現れる動作中の対象装置のセンサ値の時系列データについて、一定確率以上の動作状態の時系列データをそれぞれの動作状態とみなして、正規化、動作状態単位への分割、及び状態遷移のパターンの算出を実施する。加工部６２は、これらの処理を、図４Ａ～図４Ｄに示されているようにして行う。

正規化の処理は、図４Ａに示されているように一連のセンサ値の時系列データ全体に対して実施することもできるし、図４Ｃに示されているように動作状態ごとに実施することもできる。時系列データの大きさに違いがある場合には正規化を実施した方が良い場合があるが、正規化を省略することも可能である。データの正規化の例には、例えば、数式（１）で表されるｍｉｎ－ｍａｘ正規化、数式（２）で表されるｚ正規化、数式（３）で表されるレベル正規化が含まれる。ｍｉｎ－ｍａｘ正規化は、部分列の値域を０～１に変換する。ｚ正規化は、部分列の値域を平均０、標準偏差１とする変換である。レベル正規化は、部分列の平均を０とする変換である。

但し、時系列データＴを正規化した結果の時系列データをＴ^Ｎと表記した。また、ｉ＝１，．．．，ｎであり、関数ｍｉｎ、ｍａｘ、ｍｅａｎ、ｓｔｄは、それぞれＴ_ｉ，ｗの最小値、最大値、平均値、標準偏差である。

図４Ｂに示されているように、加工部６２は、センサ値の時系列データに対して正規化を行わなかった場合には、センサ値の時系列データに基づいて、センサ値の時系列データを各動作状態Ａ～Ｄへ分割する。図４Ｃに示されているように、加工部６２は、センサ値の時系列データに対して正規化を行った場合には、正規化されたセンサ値の時系列データに基づいて、正規化されたセンサ値の時系列データを各動作状態Ａ～Ｄへ分割する。分割された動作状態は３つ以下でも、５つ以上でもよい。図４Ｄに示されているように、加工部６２は、分割された動作状態Ａ～Ｄに基づいて状態遷移のパターンの算出を実施する。

（異常検知部６４）
異常検知部６４は、入力された対象装置情報Ｄ２と、加工部６２で加工した動作中の対象装置のセンサ値の動作状態と、状態遷移推定部６３で推定した状態遷移及び状態遷移確率とを用いて、動作中の対象装置のセンサ値の異常を判定する。実施の形態１において、異常検知部６４は、状態遷移逸脱度算出部６４１、動作状態逸脱度算出部６４２、及び判定部６４３を備える。

（状態遷移逸脱度算出部６４１）
状態遷移逸脱度算出部６４１は、監視データ取得部６１で取得した対象装置情報Ｄ２、状態遷移推定部６３で推定した状態遷移及び状態遷移確率、分析結果Ｄ３、及び学習済みの推定モデルＤ４を対応させて、動作中の対象装置のセンサ値の状態遷移での正常からの逸脱度を算出する。実施の形態１において、状態遷移逸脱度算出部６４１は、対象装置情報Ｄ２に含まれるセンサ値の時系列データ、センサ項目、及び対象装置の使用環境データと、状態遷移推定部６３で推定した状態遷移及び状態遷移確率と、分析結果Ｄ３に含まれるセンサ値の特徴量と、学習済みの推定モデルＤ４に含まれる状態遷移パターン及び複数のセンサ値のセンサ項目ごとの特徴量とを用いて、状態遷移での正常からの逸脱度を算出する。この逸脱度の指標としては、状態遷移推定部６３で推定される（特定された直前の動作状態から）現在の動作状態への遷移確率と、学習済みの推定モデルＤ４に含まれる状態遷移パターンにおける遷移確率とを比較し、正常とは異なる状態遷移をしている遷移確率が高くなるに従って高くなるような指標を使用する。「推定される現在の動作状態への遷移確率」との表現は、直前の動作状態は確定しているが、現在の動作状態は未確定であるとの意味を含む。一般的に表現すると、第１の動作状態は確定しているが、第１の動作状態に時間的に後続する第２の動作状態は未確定であるということである。したがって、「推定される現在の動作状態への遷移確率」との表現は、「特定された現在の動作状態から、推定される次の動作状態への遷移確率」と表現してもよい。なお、状態遷移パターンは、学習済みの推定モデルＤ４に替えて、異常検知装置１００のユーザが設定してもよい。

（動作状態逸脱度算出部６４２）
動作状態逸脱度算出部６４２は、監視データ取得部６１で取得した対象装置情報Ｄ２と、加工部６２で加工した動作中の対象装置のセンサ値の波形データ及び動作状態と、分析結果Ｄ３と、状態遷移推定部６３で推定した状態遷移と、学習済みの推定モデルＤ４とを対応させて、動作中の対象装置のセンサ値の動作状態の正常からの逸脱度を算出する。実施の形態１において、動作状態逸脱度算出部６４２は、対象装置情報Ｄ２に含まれるセンサ値の時系列データ、センサ項目、及び対象装置の使用環境データと、分析結果Ｄ３に含まれるセンサ値の特徴量と、状態遷移推定部６３で推定した状態遷移に対応する学習済みの推定モデルＤ４に含まれる各動作状態の正常範囲、状態遷移パターン、及び複数のセンサ値の項目ごとの特徴量とを用いて、動作状態の正常からの逸脱度を算出する。この逸脱度の指標としては、１）検知対象から逐次取得される波形データそのものと、この逐次取得される波形データを基にして状態遷移推定部６３で推定した状態遷移に対応する学習済みの推定モデルＤ４に含まれる各動作状態の正常範囲とを比較し、又は２）検知対象から逐次取得される波形データを基にして加工部６２が加工した動作中の対象装置のセンサ値の波形データと、検知対象から逐次取得される波形データを基にして加工部６２が加工した動作状態に対応する学習済みの推定モデルＤ４に含まれる波形の正常範囲とを比較し、正常範囲からの乖離の度合いが高くなるに従って高くなるような指標を使用する。なお、各動作状態の正常範囲は、学習済みの推定モデルＤ４に替えて、異常検知装置１００のユーザが設定してもよい。

（判定部６４３）
判定部６４３は、状態遷移逸脱度算出部６４１と動作状態逸脱度算出部６４２での算出結果を用いて、対象装置の異常の有無を判定する。実施の形態１において、判定部６４３は、状態遷移逸脱度算出部６４１と動作状態逸脱度算出部６４２での算出結果を用いて、対象装置の異常の有無を判定する。判定方法は、状態遷移逸脱度算出部６４１と動作状態逸脱度算出部６４２でのそれぞれの算出結果について、ＡＮＤ条件、ＯＲ条件等の論理演算を行って正常又は異常の２値で算出してもよいし、正常からの距離を計算する等して異常度として数値で算出してもよい。

図５Ａ～図５Ｃ、図６Ａ～図６Ｃ、及び図７Ａ～図７Ｃは、判定部６４３による判定の具体例を示す図である。学習済みの推定モデルＤ４には、対象装置について起こりうる状態遷移として、図５Ａの状態遷移図の関係が保持されているとする。図５Ａの状態遷移図には、対象装置について起こりうる状態遷移のパターンとして、図５Ｂのパターン１と図５Ｃのパターン２が含まれている。パターン１は、動作状態が、動作状態Ａ→動作状態Ｂ→動作状態Ｃ→動作状態Ｄ→動作状態Ａと遷移するパターンである。パターン２は、動作状態が、動作状態Ａ→動作状態Ｃ→動作状態Ｄ→動作状態Ａと遷移するパターンである。

図６Ａ～図６Ｃは、状態遷移での異常の例である異常検知例１を説明するための図である。図６Ａの実線で表されている時系列データが取得されたとする。この時系列データの分析の結果、動作状態Ａ→動作状態Ｃの状態遷移があったことが判明し、現在は動作状態Ｃに続いて時系列データが取得されている途中である。なお、本開示の実施形態による異常検知では、直前の動作状態が分かっていればよいので、動作状態Ｃであることが判明していれば足り、動作状態Ａ→動作状態Ｃの状態遷移があったことが判明していることは必要でない。パターン１とパターン２のいずれにおいても、動作状態Ｃの後に取りうる動作状態は動作状態Ｄである。動作状態Ｄは、図６Ａでは破線で示されている。しかしながら、現在取得されている途中の時系列データは、動作状態Ａの波形を追従するような立ち上がりを見せている。動作状態Ａであること自体は、対象装置の取りうる動作状態のうちの１つであるので、動作状態Ａであること自体は異常ではない。しかしながら、動作状態Ａは学習された状態遷移パターンでは動作状態Ｃの後に取りうる動作状態でないので、動作状態Ｃの後に動作状態Ａが続くことは異常であると判定できる。より具体的には、動作状態Ｃの後に続く現在の時系列データが動作状態Ｄの波形から所定の乖離を確認できた時点で、異常であると判定できる。異常の判定は、図６Ｂのような各動作状態の状態確率を用いてもよいし、図６Ｃのような現在の時系列データの異常度を用いてもよい。異常検知例１では、対象装置の起こりうる状態遷移のパターンである、パターン１とパターン２いずれにも該当しない遷移である確率（例えば、動作状態Ａへの遷移確率）が動作状態Ｄへの遷移確率より高くなったため、遷移として異常であると判定される。

図７Ａ～図７Ｃは、ある動作状態での異常の例である異常検知例２を説明するための図である。図７Ａの実線で表されている時系列データが取得されたとする。この時系列データの分析の結果、現在の時系列データの直前の動作状態が動作状態Ａであることが判明し、現在は破線で表された動作状態Ｂの波形と破線で表された動作状態Ｃの波形の間のデータが取得されている途中である。学習済みの推定モデルＤ４には各動作状態について正常と判定される範囲が定義されているので、時系列データが、動作状態Ｂの波形について正常と判定される範囲又は動作状態Ｃの波形について正常と判定される範囲の何れかに属すれば、動作状態Ｂ又は動作状態Ｃとして正常であると判定できる。また、図７Ａの現在の時系列データが、これらの何れの範囲内でもないと確認できた時点で、異常であると判定できる。異常の判定は、図７Ｂのような各動作状態の状態確率を用いてもよいし、図７Ｃのような現在の時系列データの異常度を用いてもよい。異常検知例２では、状態遷移としては、対象装置の起こりうる状態遷移のパターンであるパターン１とパターン２のどちらかであると判定されるが、センサ値の時系列データの波形が、パターン１とパターン２いずれの動作状態の正常範囲からも逸脱しているため、動作状態の異常であると判定される。

このように、異常検知部６４は、状態遷移パターン及び各動作状態についての正常範囲を学習した推定モデルＤ４を参照して、加工部６２により加工された動作状態、状態遷移推定部６３により特定された動作状態、状態遷移推定部６３により推定された状態遷移、及び抽出された時系列データの特徴量から、時系列データが異常かどうかを判定する。状態遷移推定部６３により推定された状態遷移確率が用いられてもよい。異常検知部６４は、状態遷移パターン（状態遷移パターン情報）及び各動作状態についての正常範囲（正常範囲情報）を参照して異常判定を行うので、異常判定を状態遷移の段階と各動作状態の段階の２段階で行うことができる。したがって、実施の形態１による異常検知装置１００によれば、複数の動作状態からなるプロセスの流れを考慮して異常検知を行うことができる。

また、このような２段階の各々における判断結果を統合することにより、現在の動作状態から遷移する次の動作状態が未確定の場合であっても、対象装置の異常を検知することができる。すなわち、学習された状態遷移パターンを参照して現在の動作状態から遷移する次の動作状態が推定されるとともに、学習された正常範囲を参照してその推定された次の動作状態の正常な範囲も推定されるので、時系列データがその推定された次の動作状態の正常な範囲から逸脱した時点で、時系列データは異常であると判定できる。

また、動作状態及び状態遷移の確率を算出することにより異常度を定量的又は視覚的に提示することが可能となるので、異常検知装置１００のユーザの意思決定をより適切に支援することが可能となる。

学習済みの推定モデルＤ４に替えて、異常検知装置１００のユーザが定義した状態遷移パターン及び各動作状態についての正常範囲を用いた場合であっても、これらの利点は同様に得られる。

次に、図３Ａ及び図３Ｂを参照して、異常検知装置１００のハードウェア構成について説明する。一例として、図３Ａに示されているように、異常検知装置１００は、例えば、受信インターフェース１０１と、入出力インターフェース１０２と、処理回路１０３とにより実現される。受信インターフェース１０１が受信部１を実現し、入出力インターフェース１０２がインターフェース部５を実現し、処理回路１０３が時系列データ分析部２、データ記録制御部３、記憶部４、及び時系列データ照合部６を実現する。このようなハードウェア構成により異常検知装置１００が実現される場合、後述する図８のフローチャートのステップＳ１～Ｓ９、及び図１０のフローチャートのステップＳ２１～Ｓ２３は、処理回路１０３が実行する。処理回路１０３は、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ（ＡｐｐｌｉｃａｔｉｏｎＳｐｅｃｉｆｉｃＩｎｔｅｇｒａｔｅｄＣｉｒｃｕｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ－ＰｒｏｇｒａｍｍａｂｌｅＧａｔｅＡｒｒａｙ）、又は、これらの組合せである。時系列データ分析部２、データ記録制御部３、記憶部４、及び時系列データ照合部６の機能を別個の処理回路で実現してもよく、これらの機能をまとめて１つの処理回路で実現してもよい。

別の例として、図３Ｂに示されているように、異常検知装置１００は、例えば、受信インターフェース１０１と、入出力インターフェース１０２と、プロセッサ１０４と、メモリ１０５とにより実現される。受信インターフェース１０１が受信部１を実現し、入出力インターフェース１０２がインターフェース部５を実現する。また、メモリ１０５に格納されたプログラムがプロセッサ１０４に読み出されて実行されることにより、時系列データ分析部２、データ記録制御部３、及び時系列データ照合部６が実現される。記憶部４はメモリ１０５により実現される。このようなハードウェア構成により異常検知装置１００が実現される場合、後述する図８のフローチャートのステップＳ１～Ｓ９、及び図１０のフローチャートのステップＳ２１～Ｓ２３はプロセッサ１０４が実行する。プログラムは、ソフトウェア、ファームウェア又はソフトウェアとファームウェアとの組合せとして実現される。メモリ１０５の例には、例えば、ＲＡＭ（ＲａｎｄｏｍＡｃｃｅｓｓＭｅｍｏｒｙ）、ＲＯＭ（ＲｅａｄＯｎｌｙＭｅｍｏｒｙ）、フラッシュメモリ、ＥＰＲＯＭ（ＥｒａｓａｂｌｅＰｒｏｇｒａｍｍａｂｌｅＲｅａｄＯｎｌｙＭｅｍｏｒｙ）、ＥＥＰＲＯＭ（登録商標）（Ｅｌｅｃｔｒｉｃａｌｌｙ－ＥＰＲＯＭ）などの不揮発性又は揮発性の半導体メモリ、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ミニディスク、ＤＶＤが含まれる。

時系列データ分析部２、データ記録制御部３、記憶部４、及び時系列データ照合部６の機能について、一部を処理回路で実現し、一部をソフトウェア又はファームウェアと協働したプロセッサで実現してもよい。例えば、データ記録制御部３を処理回路で実現し、時系列データ分析部２及び時系列データ照合部６をプロセッサ１０４がメモリ１０５に記憶されたプログラムを読み出して実行することによって実現し、記憶部４をメモリ１０５が実現する。このように、時系列データ分析部２、データ記録制御部３、記憶部４、及び時系列データ照合部６の機能は、処理回路、ソフトウェア若しくはファームウェアと協働するプロセッサ、又はこれらの組み合わせにより実現される。

２．動作
次に、異常検知装置１００及び異常検知システム１０００の動作について、図８を参照しながら説明する。図８は、実施の形態１における異常検知装置１００の異常検知処理を示すフローチャートである。

（ステップＳ１）
ステップＳ１で、異常検知装置１００のユーザにより外部装置２００を介して監視条件Ｄ５が設定される。異常検知装置１００は、インターフェース部５を介して設定された監視条件Ｄ５を外部装置２００から取得し、取得した監視条件Ｄ５を時系列データ照合部６に引き渡す。時系列データ照合部６の監視データ取得部６１は、受け取った監視条件Ｄ５に基づいて異常検出を行う対象装置を決定する。この決定に基づいて、異常検知装置１００は異常検出を行う対象装置ＯＤｎから時系列データを取得し、特徴量抽出部２２は対象装置ＯＤｎの時系列データからセンサ値の特徴量を抽出して分析結果Ｄ３を記録制御部に出力し、データ記録制御部３は分析結果Ｄ３を記憶部に出力する。

（ステップＳ２）
ステップＳ２で、監視データ取得部６１は、特徴量抽出部２２で算出された記憶部４内の分析結果Ｄ３と、記憶部４内の学習済みの推定モデルＤ４とを用いて、監視条件Ｄ５に従った特徴量を取得する。

（ステップＳ３）
ステップＳ３で、状態遷移推定部６３は、ステップＳ２で監視データ取得部６１が取得した特徴量をもとに、監視条件Ｄ５に基づく分析結果Ｄ３について遷移確率を算出する。

（ステップＳ４）
ステップＳ４で、状態遷移推定部６３は、ステップＳ２で監視データ取得部６１が取得した特徴量をもとに、監視条件Ｄ５に基づく分析結果Ｄ３について波形の類似度を算出する。

（ステップＳ５）
ステップＳ５で、異常検知部６４は、ステップＳ３で算出した遷移確率をもとに、監視条件Ｄ５に基づく分析結果Ｄ３について遷移の異常度を算出する。

（ステップＳ６）
ステップＳ６で、異常検知部６４は、ステップＳ４で算出した波形の類似度をもとに、監視条件Ｄ５に基づく分析結果Ｄ３について波形の異常度を算出する。

（ステップＳ７）
ステップＳ７で、異常検知部６４は、ステップＳ５及びステップＳ６で算出した遷移の異常度と波形の異常度とを統合する。

（ステップＳ８）
ステップＳ８で、異常検知部６４は、ステップＳ７で統合した異常度をもとに、分析結果Ｄ３について異常の有無を判定する。

（ステップＳ９）
ステップＳ９で、異常検知部６４はステップＳ８で判定した判定結果を出力し、判定結果はインターフェース部５を介して外部装置２００に表示される。

＜学習フェーズ＞
図６は異常検知装置１００が用いる推定モデルを学習するための学習装置３００の構成図である。学習装置３００は、学習用データ取得部３０１及びモデル生成部３０２を備える。

（学習用データ取得部３０１）
学習用データ取得部３０１は、対象装置の電圧や電流などのセンサ項目ごとのセンサ値の時系列データと、センサ項目ごとの特徴量とが関連付けられた学習用データＤ１１を取得する。時系列データは、センサの検出値それ自体でもよいし、検出値の統計値（例えば、平均、最大、最小）でもよいし、複数のセンサの検出値の演算値（例えば、電力）でもよい。

（モデル生成部３０２）
モデル生成部３０２は、学習用データ取得部３０１により取得された学習用データＤ１１に基づいて、対象装置が取り得る複数の動作状態間の遷移の仕方又は順序を表した状態遷移パターンと、各動作状態における時系列データの正常範囲とを学習する。

この学習を行うため、モデル生成部３０２は、時系列データを分析して、時系列データ（以下、「波形」ということがある。）を、複数の動作状態に対応した複数の波形（以下、「部分波形」ということがある。）に分割する。ここで、動作状態とは、対象装置の動作を大局的に分類した際における、対象装置が取り得る動作の状態を意味する。一例として、アクチュエータの動作状態であれば、例えば、アクチュエータを駆動する電流の立ち上がり、ピーク継続、及び立ち下がりなどの状態である。時系列データの分析には、例えば、データの波形の変異点を示すイベントデータを取得することにより行う。変異点の検出には、例えば、Ｒａｍｅｒ－Ｄｏｕｇｌａｓ－Ｐｅｕｃｋｅｒ（ＲＤＰ）アルゴリズムを用いることができる。また、自己相関や動的時間伸縮法（ＤｙｎａｍｉｃＴｉｍｅＷａｒｐｉｎｇ：ＤＴＷ）等の手法、主成分分析や判別分析等の多変量解析、あるいはサポートベクターマシン（ＳＶＭ）等の推定手法を使用してもよい。

状態遷移のパターンの学習には、動作状態の変異点を示すイベントデータを取得してもよいし、因果推論、多変量解析、ＣＮＮ等の機械学習による分類手法等を使用してもよい。また、動作状態の出現順序を可視化して異常検知装置１００のユーザに提示し、ユーザが状態遷移パターンを定義してもよい。

一例として、状態遷移のパターンを学習するため、モデル生成部３０２は、分割された部分波形に対して、先ずは動作状態を識別するための動作状態ＩＤ（例えば、Ａ、Ｂ、Ｃ、Ｄ等）を割り当てる。製品製造データでは、同一又は類似の製品を連続して製造するため、同一動作での部分波形の形状は類似すると考えられる。そこで、動作状態ＩＤの割当てはクラスタリング問題として捉えることができる。製造機械の動作の順序が一定でなく複数の状態遷移パターンに従った動作をする場合も考えられるので、動作状態ごとに、すなわち部分波形の形状ごとにクラスタリングしてもよい。具体的には、教師無し学習の一手法であるｋ－ｍｅａｎｓ法を利用することができる。この手法を用いることにより、部分波形を類似形状ごとにクラスタリングし、類似形状ごとに動作状態ＩＤを附番することができる。

このようにして動作状態ＩＤが附番されることにより、複数の動作状態間の状態遷移パターン、及びある動作状態から他の動作状態への状態遷移の確率も自動で学習することが可能になる。

動作状態ＩＤだけでなく状態遷移も併せて学習することによって、ある部分波形がある動作状態を表す部分波形としては正常である場合であっても、動作状態の遷移の仕方として異常であること、即ちその動作状態を取っているということ自体が異常であることを検知することが可能になる。

動作状態ごとの正常範囲の学習には、回帰や、ベイズ推定や統計手法による信頼区間、状態空間モデル、３σ法やＣＮＮ等の機械学習による手法を使用してもよい。一例として、分割して得られた各動作状態の部分波形について、各時刻でのデータ分布を求め、発生確率がα％（例えば、α＝１％）以上になる部分が正常範囲であると学習する。学習の結果、全ての動作状態について正常範囲は発生確率がα＝１％以上になる部分であると学習されてもよいし、ある動作状態については正常範囲は発生確率がα＝１％以上になる部分であって、別の動作状態については正常範囲は発生確率がα＝２％以上になる部分であると学習されてもよい。データの分布の様子は動作状態ごとに異なるので、各動作状態について統計量として同一の正常範囲が定義されたとしても、物理量としては動作状態ごとに別々の範囲が設定されることになる。このように、動作状態ごとに正常範囲を学習することにより、動作状態ごとの動作の特徴に応じた正常範囲を設定することが可能になり、高精度の異常検知が可能になる。

例えば、ある動作状態１については正常範囲がＲ１であって、別の動作状態２については正常範囲がＲ２であって、Ｒ１の方がＲ２よりも狭い場合を想定する。

もし、両動作状態について正常範囲が一律にＲ１と定義されると、動作状態１については適切に異常判定ができるが、動作状態２については適切に異常判定ができない。動作状態２については、正常と判定される範囲が本来のＲ２よりも狭く設定されているからである（動作状態２について正常範囲過少）。そのため、動作状態２については、正常の動作をしているにもかかわらず、異常と判定される場合が生じる。

逆に、両動作状態について正常範囲が一律にＲ２と定義されると、動作状態２については適切に異常判定ができるが、動作状態１については適切に異常判定ができない。動作状態１については、正常と判定される範囲が本来のＲ１の場合よりも広く設定されているからである（動作状態１について正常範囲過大）。そのため、動作状態１については、異常の動作をしているにもかかわらず、正常と判定される場合が生じる。

このように、複数の動作状態について正常範囲を一律に設定しようとする場合、ある動作状態についての正常範囲と別の動作状態についての正常範囲との間でトレードオフが生じ、複数の動作状態の全てについて正常範囲を設定することが困難である。

本開示の実施の形態１のように、複数の動作状態の各々について正常範囲を個別に学習することにより、そのようなトレードオフを解決して、複数の動作状態の全てについて正常範囲を適切に設定することが可能となる。

なお、学習装置３００は、異常検知装置１００が用いる学習モデルを学習するために使用されるが、例えば、ネットワークを介して異常検知装置１００に接続され、この異常検知装置１００とは別個の装置であってもよい。あるいは、学習装置３００は、異常検知装置１００に内蔵されていてもよい。

モデル生成部３０２は、以上のような学習を実行することにより、状態遷移パターン（状態遷移パターン情報）及び動作状態ごとの正常範囲（正常範囲情報）の学習結果である学習済みの推定モデルＤ１２を生成し、異常検知装置１００の記憶部４に出力する。

（記憶部４）
記憶部４は、モデル生成部３０２から出力された学習済みの推定モデルＤ１２を記憶する。

次に、図１０を用いて、学習装置３００の学習処理について説明する。図１０は学習装置３００の学習処理を示すフローチャートである。

（ステップＳ２１）
ステップＳ２１において、学習用データ取得部３０１は、対象装置のセンサ項目ごとのセンサ値の時系列データと、センサ項目ごとの特徴量とが関連付けられた学習用データＤ１１を取得する。

（ステップＳ２２）
ステップＳ２２において、モデル生成部３０２は、学習用データ取得部３０１により取得された学習用データＤ１１に基づいて、対象装置のセンサ項目ごとのセンサ値の時系列データを分析し、時系列データを複数の動作状態へ分割し、分割された動作状態間の状態遷移パターンと、各動作状態における時系列データの正常範囲とを学習して推定モデルを生成する。

（ステップＳ２３）
ステップＳ２３において、記憶部４は、モデル生成部３０２が生成した学習済みの推定モデルＤ１２を記憶する。

＜変形例＞
状態遷移推定及び異常検知において、時系列データ照合部６が照合する時系列データは、リアルタイムに取得されているデータでもよいし、過去に取得済みのデータであってもよい。また、取得したセンサ値の時系列データのすべてに対して異常検知を行ってもよい。

＜付記＞
以下、実施形態の一部の側面について整理する。
（付記１）
異常検知装置（１００）は、対象装置の時系列データを受け付けて、前記時系列データの特徴量を抽出する特徴量抽出部（２２）と、前記抽出された特徴量から前記対象装置の動作状態を特定するとともに、複数の動作状態間の状態遷移パターンを規定した状態遷移パターン情報を参照して前記抽出された特徴量から前記対象装置の状態遷移を推定する状態遷移推定部（６３）と、前記状態遷移パターン情報及び各動作状態についての正常範囲を規定した正常範囲情報を参照して、前記特定された動作状態、前記推定された状態遷移、及び前記抽出された時系列データの特徴量から、前記時系列データが異常かどうかを判定する異常検知部（６４）とを備える。
（付記２）
付記２の異常検知装置は、付記１に記載された異常検知装置であって、前記状態遷移推定部は前記状態遷移の推定を状態遷移確率を算出することにより行う。
（付記３）
付記３の異常検知装置は、付記２に記載された異常検知装置であって、前記異常検知部は、前記状態遷移パターン情報を参照して、前記特定された動作状態から遷移する動作状態を取得し、前記推定された状態遷移の状態遷移確率が前記取得された動作状態へ遷移する確率よりも高くなった場合に、前記推定された状態遷移が異常であると判定する。
（付記４）
付記４の異常検知装置は、付記１から３の何れか１つに記載された異常検知装置であって、前記異常検知部は、前記正常範囲情報を参照して、前記特定された動作状態における正常範囲を取得し、前記時系列データの前記特定された動作状態に対応する波形が前記正常範囲から逸脱した場合に、前記時系列データが波形データとして異常であると判定する。
（付記５）
付記５の異常検知装置は、付記１から４の何れか１つに記載された異常検知装置であって、前記異常検知部は、前記推定された状態遷移の正常な状態遷移からの状態遷移逸脱度を算出する状態遷移逸脱度算出部（６４１）と、前記特定された動作状態における前記時系列データの波形の正常範囲からの動作状態逸脱度を算出する動作状態逸脱度算出部（６４２）と、前記状態遷移逸脱度及び前記動作状態逸脱度に基づき、前記対象装置が異常か否かを判定する判定部と、を備える。
（付記６）
付記６の異常検知装置は、付記１から５の何れか１つに記載された異常検知装置であって、前記状態遷移パターン情報及び前記正常範囲情報は機械学習による学習済みの推定モデルとして得られた情報である。
（付記７）
付記７の異常検知装置は、付記６に記載された異常検知装置であって、前記推定モデルを学習する学習装置（３００）を更に備え、前記学習装置は、時系列データの特徴量から、状態遷移パターン及び動作状態ごとの正常範囲を算出するモデル生成部（３０２）を備える。

なお、実施形態の組合せや変形を行ってもよく、任意の構成部を省略してもよい。

本開示の異常検知装置は、時系列データの異常を検知することができるので、例えば、工場やプラントでの生産システムの予防保全のための装置、鉄道や駅などの社会インフラで利用されるシステムや装置の予防保全のための装置、株価等の経済指標の監視装置として用いることができる。

１受信部、２時系列データ分析部、３データ記録制御部、４記憶部、５インターフェース部、６時系列データ照合部、２１センサ項目検出部、２２特徴量抽出部、２３センサ項目分類部、６１監視データ取得部、６２加工部、６３状態遷移推定部、６４異常検知部、１００異常検知装置、１０１受信インターフェース、１０２入出力インターフェース、１０３処理回路、１０４プロセッサ、１０５メモリ、２００外部装置、３００学習装置、３０１学習用データ取得部、３０２モデル生成部、６４１状態遷移逸脱度算出部、６４２動作状態逸脱度算出部、６４３判定部、１０００異常検知システム

Claims

対象装置の時系列データを受け付けて、前記時系列データの特徴量を抽出する特徴量抽出部と、
複数の動作状態の正常範囲を規定した正常範囲情報を参照して前記抽出された特徴量から前記対象装置の動作状態を特定するとともに、複数の動作状態間の状態遷移パターンを規定した状態遷移パターン情報を参照して前記抽出された特徴量から前記対象装置の状態遷移を推定する状態遷移推定部と、
前記推定された状態遷移が、前記抽出された時系列データの特徴量に基づく前記特定された動作状態から前記状態遷移パターン情報を参照して得られる遷移しうる動作状態への遷移から逸脱するか否か、または前記時系列データが、前記遷移しうる動作状態について前記正常範囲情報を参照して得られる前記遷移しうる動作状態についての正常範囲から逸脱するか否かを判定することにより、前記時系列データが異常かどうかを判定する異常検知部と、
を備えた異常検知装置。
前記状態遷移推定部は前記状態遷移の推定を状態遷移確率を算出することにより行う、請求項１に記載の異常検知装置。
前記異常検知部は、
前記状態遷移パターン情報を参照して、前記特定された動作状態から遷移する動作状態を取得し、
前記推定された状態遷移の状態遷移確率が前記取得された動作状態へ遷移する確率よりも高くなった場合に、前記推定された状態遷移が異常であると判定する、
請求項２に記載の異常検知装置。
前記異常検知部は、
前記正常範囲情報を参照して、前記特定された動作状態における正常範囲を取得し、
前記時系列データの前記特定された動作状態に対応する波形が前記正常範囲から逸脱した場合に、前記時系列データが波形データとして異常であると判定する、
請求項３に記載の異常検知装置。
前記異常検知部は、
前記推定された状態遷移の正常な状態遷移からの状態遷移逸脱度を算出する状態遷移逸脱度算出部と、
前記特定された動作状態における前記時系列データの波形の正常範囲からの動作状態逸脱度を算出する動作状態逸脱度算出部と、
前記状態遷移逸脱度及び前記動作状態逸脱度に基づき、前記対象装置が異常か否かを判定する判定部と、
を備えた、請求項１に記載の異常検知装置。
前記状態遷移パターン情報及び前記正常範囲情報は機械学習による学習済みの推定モデルとして得られた情報である、請求項１から５の何れか１項に記載の異常検知装置。
前記推定モデルを学習する学習装置を更に備え、
前記学習装置は、時系列データの特徴量から、状態遷移パターン及び動作状態ごとの正常範囲を算出するモデル生成部を備える、請求項６に記載の異常検知装置。