JP7175216B2 - 異常検知装置、異常検知システム、異常検知方法 - Google Patents
異常検知装置、異常検知システム、異常検知方法 Download PDFInfo
- Publication number
- JP7175216B2 JP7175216B2 JP2019025169A JP2019025169A JP7175216B2 JP 7175216 B2 JP7175216 B2 JP 7175216B2 JP 2019025169 A JP2019025169 A JP 2019025169A JP 2019025169 A JP2019025169 A JP 2019025169A JP 7175216 B2 JP7175216 B2 JP 7175216B2
- Authority
- JP
- Japan
- Prior art keywords
- waveform
- detection target
- data
- input
- detection
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/16—Spectrum analysis; Fourier analysis
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
- G06F2218/16—Classification; Matching by matching signal segments
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
- General Factory Administration (AREA)
Description
<実施の形態1の構成>
図1は、本実施の形態1に係る異常検知装置の構成の例を示す図である。なお、図1は、異常検知装置を構成する主要部の構成要素のみを示し、他の構成要素は省略している。
以下、本実施の形態1に係る異常検知装置の動作について説明する。
<異常検知処理>
図4は、本実施の形態1に係る異常検知装置全体で行う異常検知処理のフローの例を示すフロー図である。
図4に示されるように、入力バッファ102は、入力バッファ102の出力部内にポイント数N1の波形データが溜まると、ポイント数N1の波形データを波形抽出部103,105に出力する。波形抽出部103は、入力バッファ102から出力されたポイント数N1の波形データを抽出して、出力選択部108を介して、波形判定部104に出力する(ステップS11)。このとき、波形抽出部103は、ポイント数N1の波形データを、ポイント数N2の波形データ(N1>N2)に間引きしても良い。
続いて、波形判定部106は、異常検知用アルゴリズムAL[2]を用いて、乖離度が第2の乖離度閾値以下であるか否かを判定し(ステップS17)、乖離度が第2の乖離度閾値以下である場合は(ステップS17のYes)、製造装置は正常であると判定し(ステップS18)、乖離度が第2の乖離度閾値を超えている場合は(ステップS17のNo)、製造装置は異常であると判定する(ステップS19)。
その後、ステップS14を介して、ステップS11の処理に戻る。
図5は、本実施の形態1に係る検知対象波形検出用アルゴリズムAL[1]用の学習データの生成方法の例を示す図である。なお、ここでは、学習データの生成は、エンジニアが装置外部のPC上で行うことを想定するが、これには限定されず、装置外部に設けたアルゴリズム生成部が学習データを生成しても良い。
続いて、検知対象波形の2倍程度のポイント数の範囲内に、切り出した検知対象波形を時間軸方向にランダムにシフトした波形データを、PC上で実行するプログラムにより自動生成する。
上記で生成した波形データのセットが、検知対象波形検出用アルゴリズムAL[1]用の学習データとなる。
図6は、本実施の形態1に係る入力バッファ102の動作フローの例を示すフロー図である。
図6に示されるように、入力バッファ102は、信号入力部101から出力された波形データを入力し(ステップS21)、入力した波形データを、リングバッファを用いて一定期間保持した後、出力部にコピーする(ステップS22)。
続いて、入力バッファ102は、出力部内の波形データをポイント数M分シフトする(ステップS25)。
その後、ステップS22の処理に戻る。
N1,M,Lは、N1≧L+Mの関係とする。
図7の例においては、N1=2×L、M=Lとしている。ただし、検知対象波形の前後に検知対象外波形の波形変動が多く含まれる場合などは、N1をLよりも少し大きめの値とする必要がある。
図8は、本実施の形態1に係る波形抽出部103の動作フローの例を示すフロー図である。
図8に示されるように、波形抽出部103は、入力バッファ102から出力されたポイント数N1の波形データを入力する(ステップS31)。
そこで、波形抽出部103は、ポイント数N1の波形データから、粒度の粗いポイント数N2の波形データ(N1>N2)を生成する(ステップS32)。これにより、波形判定部104の演算量を減らし、計算時間の短縮化を図ることが可能になる。ポイント数N2の波形データを生成する演算としては、例えば、10ポイント毎の平均値を1つのデータとしてポイント数N2に間引く、又は、10ポイントおきに1ポイントの値を用いる(いずれの場合も、N2=N1÷10)、2点のデータ間を線形補間するなど、様々な処理を用いることが可能である。
続いて、波形抽出部103は、入力バッファ102の出力部内にポイント数N1の波形データが溜まるまで、すなわち、入力バッファ102の更新が完了するまで待機する(ステップS35)。入力バッファ102の更新が完了した場合(ステップS35のYes)、ステップS31の処理に戻る。
図9の例においては、波形抽出部103は、ポイント数N1の波形データに対し、10ポイントおきに1ポイントの値を用いることで、ポイント数N2の波形データ(N2=N1÷10)を生成している。
図10は、本実施の形態1に係る波形判定部104の動作フローの例を示すフロー図である。
図10に示されるように、波形判定部104は、波形抽出部103から出力された波形データを入力する(ステップS41)
すると、以降、波形判定部104は、事前に学習した機械学習による検知対象波形検出用アルゴリズムAL[1]を用いて、波形抽出部103から出力された波形データに検知対象波形が含まれているか否かを判定し、波形データに検知対象波形が含まれているか否かを示す検知対象波形検出結果を波形抽出部105に出力する。
その後、ステップS41の処理に戻る。
図11は、本実施の形態1に係る波形抽出部105の動作フローの例を示すフロー図である。
図11に示されるように、波形抽出部105は、入力バッファ102から出力された波形データを入力する(ステップS51)。
続いて、波形抽出部105は、波形判定部104から出力された検知対象波形検出結果に基づいて、入力バッファ102から入力した波形データについて、波形判定部104により検知対象波形が含まれていると判定されたか否かを確認する(ステップS52)。
図12の例においては、波形抽出部105は、検知対象波形の振幅レベルは所定の信号レベル(トリガーレベル)を超えているというトリガー条件を用いて、正確なポイント数で検知対象波形を正確に抽出している。
図13は、本実施の形態1に係る波形判定部106の動作フローの例を示すフロー図である。
図13に示されるように、波形判定部106は、波形抽出部105から出力された検知対象波形の波形データを入力する(ステップS61)。
すると、波形判定部106は、事前に学習した機械学習による異常検知用アルゴリズムAL[2]を用いて、検知対象波形が異常波形であるか否かに基づいて、製造装置が異常であるか否かを判定し、製造装置が異常であるか否かを示す異常検知結果を装置外部に出力する。
その後、ステップS61の処理に戻る。
図14に示されるように、自己符号化器は、入力層と、1層以上の中間層(図14の例においては、中間層は1層)と、入力層と同じノード数の出力層と、で構成され、誤差逆伝播法により入力データと出力データが等しくなるように圧縮された特徴点を学習する方法である。そのため、学習データと同等の波形データが入力層に入力されたときは、出力層に同じ波形データが再現される。逆に、学習していない波形データが入力層に入力されたときは、同じ波形データ再現ができないため、入力と出力とで波形データが異なる。
本実施の形態1においては、まず、波形判定部104は、検知対象装置からの時系列の波形データであって、検知対象波形よりも大きなポイント数の波形データに検知対象波形が含まれるか否かを判定する。波形抽出部105は、波形判定部104により波形データに検知対象波形が含まれていると判定された場合に、その波形データから検知対象波形を抽出し、波形判定部104は、波形抽出部105から出力された検知対象波形の波形データに基づいて、検知対象装置が異常であるか否かを判定する。
このとき、波形判定部104で用いる学習データは、人手で検知対象波形のみを切り出した少数(最小1組)の波形データを準備し、検知対象波形の2倍程度の長さの範囲内に、切り出した検知対象波形を時間軸方向にランダムにシフトした波形データとする。また、検知対象波形の波形データの振幅方向、時間軸方向にばらつきがある場合は、振幅方向、時間軸方向にそれぞれランダムに伸長、縮小した波形データも、学習データとする。そのため、エンジニアが、波形判定部104で用いる大量の学習データを人手で抽出して収集する必要はなく、エンジニアの手間と時間の軽減を図れる。
<実施の形態2の構成及び動作>
本実施の形態2は、上述した実施の形態1と比較して、構成自体は同様であるが、波形判定部104の動作が異なる。
また、波形判定部104は、範囲R2内に検知対象波形が含まれていると判定したため、範囲R2を、波形抽出部105で検知対象波形を抽出する範囲とし、範囲R2以外の範囲R1,R3を、波形抽出部105で検知対象波形を抽出する範囲から除くように、波形抽出部105に対して指示する。
上述した実施の形態1においては、波形判定部104は、自己符号化器の入出力の波形データの乖離度が所定の第1の乖離度閾値以下である場合に、波形データに検知対象波形が含まれていると判定していた。そのため、波形抽出部105で検知対象波形を抽出する範囲において、検知対象外波形の波形変動が含まれている場合に、検知対象波形が含まれていると誤判定したり、検知対象波形に大きな異常部分が含まれている場合に、検知対象波形が含まれていないと誤判定したりしてしまう懸念があった。
その他の効果は、上述した実施の形態1と同様である。
上述した実施の形態1は、検知対象波形が1つであることを想定したが、本実施の形態3は、互いに相違する複数の検知対象波形があることを想定する。
本実施の形態3は、上述した実施の形態1と比較して、構成自体は同様であるが、波形判定部104で用いる検知対象波形検出用アルゴリズムAL[1]及び波形判定部106で用いる異常検知用アルゴリズムAL[2]が異なる。
検知対象波形検出結果は、検知対象波形が含まれているか否かを示す結果と、検知対象波形が含まれている場合にはその検知対象波形を識別する情報と、が含まれる。検知対象波形検出結果は、波形抽出部105及び波形判定部106に出力される。
図16は、本実施の形態3に係る異常検知装置全体で行う異常検知処理のフローの例を示すフロー図である。以下、上述した実施の形態1に係る図4のフロー図とは異なる点を中心に説明する。
以降の処理は、上述した実施の形態1に係る図4のフロー図と同様である。
本実施の形態3においては、波形判定部104は、分類型のニューラルネットワークで構成された検知対象波形検出用アルゴリズムAL[1]を用いて、複数の検知対象波形毎に、検知対象波形が波形データに含まれる確率を計算し、計算した確率が所定の確率閾値を超えるか否かに基づいて、複数の検知対象波形のいずれかが含まれているか否かを判定する。波形判定部104により複数の検知対象波形のいずれかが含まれていると判定された場合、波形判定部106は、判定された検知対象波形に応じて異常検知用アルゴリズムAL[2]を切り替え、その検知対象波形が異常波形であるか否かを判定する。
その他の効果は、上述した実施の形態1と同様である。
本実施の形態4は、上述した実施の形態1~3に係る異常検知装置のいずれかを用いた異常検知システムに係る実施の形態である。
<実施の形態4の構成及び動作>
図17は、本実施の形態4に係る異常検知システムの構成の例を示す図である。
図17に示されるように、本実施の形態4に係る異常検知システムは、上述した実施の形態1~3に係る異常検知装置のいずれかに相当する異常検知装置10A,10Bと、製造装置20A,20Bと、異常表示器30A,30Bと、MES(Manufacturing Execution Systems)40と、SCADA(Supervisory Control and Data Acquisition)50と、アルゴリズム生成部60と、アルゴリズム格納部70と、を備えている。なお、SCADA50は、データ収集部の一例である。また、以下で説明する図面において、異常検知装置10A,10Bは、それぞれ異常検知装置#A,#Bとも表記され、製造装置20A,20Bは、それぞれ製造装置#A,#Bとも表記され、異常表示器30A,30Bは、それぞれ異常表示器#A,#Bとも表記される。
本実施の形態4においては、アルゴリズム生成部60が、検知対象波形検出用アルゴリズムAL[1]用の学習データの生成を行うと共に、学習データを用いて、検知対象波形検出用アルゴリズムAL[1]及び異常検知用アルゴリズムAL[2]を生成する。
その他の効果は、上述した実施の形態1と同様である。
<実施の形態5の構成及び動作>
図18は、本実施の形態5に係る異常検知装置の構成の例を示す図である。なお、図18は、異常検知装置を構成する主要部の構成要素のみを示し、他の構成要素は省略している。
図18に示されるように、本実施の形態5に係る異常検知装置は、上述した実施の形態1と比較して、波形抽出部103、波形判定部104、及び波形抽出部105を、波形抽出部111、波形判定部112、及び波形抽出部113に置き換えた点が異なる。また、波形抽出部113は、入力バッファ102から波形データを入力するのではなく、波形抽出部111から出力選択部108を介して、波形データを入力する点でも、上述した実施の形態1とは異なる。なお、波形抽出部111は、第1の波形抽出部の一例であり、波形判定部112は、第1の波形判定部の一例であり、波形抽出部113は、第2の波形抽出部の一例である。また、以下で説明する図面において、波形抽出部111,113は、それぞれ波形抽出部#1,#2とも表記され、波形判定部112は、波形判定部#1とも表記される。
波形判定部112は、検知対象波形検出用アルゴリズムAL[1]として、動的時間伸縮法(DTW:Dynamic Time Warping)を用いたアルゴリズムを使用する。
波形判定部112において、検知対象波形検出用アルゴリズムAL[1]として、DTW法を用いる場合、参照波形データを取得する必要がある。
波形抽出部111は、入力バッファ102から出力された波形データの振幅レベルが開始トリガーレベルを超えたポイントから、r0ポイント分の波形データを抽出する。ここで、開始ポイントを決めるトリガー条件は前記トリガーレベルを超えたときに限らず、例えば、図19に含まない外部トリガー信号条件なども考えられる。r0ポイント分の波形データには、検知対象波形が十分に含まれるようにするため、検知対象波形のポイント数をLとしたとき、r0はLよりも十分に大きい値とする。異常検知装置を管理するエンジニアは、波形抽出部111が抽出したr0ポイント分の波形データから、エンジニアの知見などによって、検知対象波形の区間[p0,q0]を特定する。ここで、p0は開始ポイント、q0は終了ポイントを示す。そして、検知対象波形検出用アルゴリズムAL[1]には、波形抽出部111から出力された波形データがr0ポイント分の波形データであるという情報と、r0ポイント分の波形データに含まれる検知対象波形の区間[p0,q0]を示す情報と、を、参照波形データとして事前に与えておく。
波形抽出部111は、入力バッファ102から出力された波形データの振幅レベルが開始トリガーレベルを超えたポイントを開始点として、所定範囲の波形データを抽出し、抽出した波形データを、出力選択部108を介して、波形判定部112及び波形抽出部113に出力する。ここでは、開始点からr1ポイント分の波形データを抽出するものとする。ここで、r1=r0としても良いし、r1>r0又はr1<r0としても良い。また、波形データによっては、波形抽出部111は、開始点から、振幅レベルが終了トリガーレベルを下回った終了点までの波形データを抽出するようにしても良い。
そのため、波形判定部106は、上述した実施の形態1と同様に、異常検知用アルゴリズムAL[2]を用いて、製造装置の異常検知を行うことができる。
実施の形態5においては、波形判定部112は、検知対象波形検出用アルゴリズムAL[1]として、DTW法を用いて、r1ポイント分の波形データに含まれる検知対象波形の区間[p1,q1]を求め、波形抽出部113は、r1ポイント分の波形データから、検知対象波形の区間[p1,q1]にある波形を検知対象波形として抽出する。
その他の効果は、上述した実施の形態1と同様である。
本実施の形態6は、上述した実施の形態3と同様に、互いに相違する複数の検知対象波形があることを想定する。以下では、検知対象波形が2つであることを想定する。
図20は、本実施の形態6に係る異常検知装置の構成の例を示す図である。なお、図20は、異常検知装置を構成する主要部の構成要素のみを示し、他の構成要素は省略している。
図20に示されるように、本実施の形態6に係る異常検知装置は、上述した実施の形態1と比較して、波形抽出部103、出力選択部108、及び波形判定部104の組を、2つの検知対象波形にそれぞれ対応して、2組設けた構成である。すなわち、波形抽出部103、出力選択部108、及び波形判定部104の代わりに、1組目の波形抽出部103X、出力選択部108X、及び波形判定部104Xと、2組目の波形抽出部103Y、出力選択部108Y、及び波形判定部104Yと、を設けている。なお、波形抽出部103X,103Yは、第1の波形抽出部の一例であり、波形判定部104X,104Yは、第1の波形判定部の一例である。また、以下で説明する図面において、波形抽出部103X,103Yは、それぞれ波形抽出部#1X,#1Yとも表記され、波形判定部104X,104Y、それぞれ波形判定部#1X,#1Yとも表記され、出力選択部108X,108Yは、それぞれ出力選択部#1X,#1Yとも表記される。
1組目の波形抽出部103X、出力選択部108X、及び波形判定部104Xは、入力バッファ102から出力された波形データに、2つの検知対象波形のうちの一方(以下、検知対象波形Xと称す)が含まれているか否かを判定するために設けられている。
そのため、波形抽出部105は、波形データから、2つの検知対象波形X,Yを略同時に抽出することができる。ただし、これには限定されず、波形抽出部105は、2つの検知対象波形X,Yを別々に抽出しても良い。
実施の形態6においては、波形抽出部103、出力選択部108、及び波形判定部104の組を、複数の検知対象波形の各々に対応して複数設け、各組の波形判定部104が、対応する検知対象波形が波形データに含まれているか否かを判定する。
その他の効果は、上述した実施の形態1と同様である。
図22は、上述した実施の形態1~3,5,6を概念的に示した異常検知装置の構成の例を示す図である。
図22に示される異常検知装置は、第1の波形抽出部911と、第1の波形判定部912と、第2の波形抽出部913と、第2の波形判定部914と、備えている。
図23は、上述した実施の形態4を概念的に示した異常検知システムの構成の例を示す図である。
図23に示される異常検知システムは、異常検知装置91と、データ収集部92と、アルゴリズム生成部93と、を備えている。
データ収集部92は、第1の波形抽出部911から出力された入力波形データ及び第2の波形抽出部913から出力された検知対象波形の波形データを収集してアルゴリズム生成部93に出力する。データ収集部92は、SCADA50に相当する。
図24は、上述した実施の形態1~3,5,6を概念的に示した異常検知装置の他の構成の例を示す図である。
図24に示される異常検知装置は、入力部915と、第1の判定部916と、データ特定部917と、第2の判定部918と、備えている。
102 入力バッファ
103,103X,103Y,105,111,113 波形抽出部
104,104X,104Y,106,112 波形判定部
107 制御部
108,108X,108Y,109 出力選択部
110 アルゴリズム変更部
10A,10B 異常検知装置
20A,20B 製造装置
30A,30B 異常表示器
40 MES
50 SCADA
60 アルゴリズム生成部
70 アルゴリズム格納部
91 異常検知装置
911 第1の波形抽出部
912 第1の波形判定部
913 第2の波形抽出部
914 第2の波形判定部
915 入力部
916 第1の判定部
917 データ特定部
918 第2の判定部
92 データ収集部
93 アルゴリズム生成部
Claims (10)
- 検知対象装置から出力された時系列の波形データであって、検知対象波形よりも大きなポイント数の波形データである入力波形データを入力し、前記入力波形データを出力する第1の波形抽出部と、
前記第1の波形抽出部から出力された前記入力波形データに前記検知対象波形が含まれるか否かを判定する第1の波形判定部と、
前記入力波形データを入力し、前記第1の波形判定部により前記入力波形データに前記検知対象波形が含まれると判定された場合に、前記入力波形データから前記検知対象波形を抽出して出力する第2の波形抽出部と、
前記第2の波形抽出部から出力された前記検知対象波形が異常波形であるか否かに基づいて、前記検知対象装置が異常であるか否かを判定する第2の波形判定部と、
を備え、
前記第1の波形判定部は、
第1の学習データを用いて生成された第1のアルゴリズムを用いて、前記入力波形データに前記検知対象波形が含まれるか否かを判定し、
前記第1の学習データは、
前記第1の波形抽出部から出力された前記入力波形データのうち前記検知対象波形が含まれる前記入力波形データを用いて生成された波形データであり、
前記第2の波形判定部は、
第2の学習データを用いて生成された第2のアルゴリズムを用いて、前記検知対象装置が異常であるか否かを判定し、
前記第2の学習データは、
前記第2の波形抽出部から出力された前記検知対象波形の波形データのうち前記検知対象波形の正常波形の波形データである、
異常検知装置。 - 前記第1のアルゴリズムは、第1の自己符号化器を用いたアルゴリズムであり、
前記第1の波形判定部は、
前記入力波形データを前記第1の自己符号化器に入力し、
前記第1の自己符号化器の入力と出力との乖離度を計算し、
前記乖離度が第1の乖離度閾値以下である場合に、前記入力波形データに前記検知対象波形が含まれると判定する、
請求項1に記載の異常検知装置。 - 前記第1のアルゴリズムは、第1の自己符号化器を用いたアルゴリズムであり、
前記第1の波形判定部は、
前記入力波形データを前記第1の自己符号化器に入力し、
前記第1の自己符号化器の入力と出力との正規化誤差を計算し、
前記正規化誤差が所定個数連続して誤差閾値以下になった範囲がある場合に、前記入力波形データに前記検知対象波形が含まれると判定する、
請求項1に記載の異常検知装置。 - 前記第1の波形判定部は、
前記入力波形データにおける前記範囲に、前記検知対象波形が含まれると判定し、
前記第2の波形抽出部に対し、前記入力波形データにおける前記範囲以外の範囲を、前記検知対象波形を抽出する範囲から除くように指示する、
請求項3に記載の異常検知装置。 - 前記検知対象波形は、互いに異なる複数の検知対象波形を含み、
前記第1のアルゴリズムは、分類型のニューラルネットワークを用いたアルゴリズムであり、
前記第1の波形判定部は、
複数の前記検知対象波形毎に、前記入力波形データに前記検知対象波形が含まれる確率を計算し、
複数の前記検知対象波形の中に前記確率が確率閾値を超える前記検知対象波形がある場合、前記確率が前記確率閾値を超える前記検知対象波形が前記入力波形データに含まれると判定し、
前記第2の波形判定部は、
複数の前記検知対象波形の各々に対応する、複数の前記第2のアルゴリズムを保持しており、
前記第1の波形判定部により前記入力波形データに含まれると判定された前記検知対象波形に対応する前記第2のアルゴリズムに切り替え、
切り替えた前記第2のアルゴリズムを用いて、前記検知対象装置が異常であるか否かを判定する、
請求項1に記載の異常検知装置。 - 前記第2のアルゴリズムは、第2の自己符号化器で構成され、
前記第2の波形判定部は、
前記検知対象波形の波形データを前記第2の自己符号化器に入力し、
前記第2の自己符号化器の入力と出力との乖離度を計算し、
前記乖離度が第2の乖離度閾値を超える場合に、前記検知対象装置が異常であると判定する、
請求項1に記載の異常検知装置。 - 請求項1に記載の異常検知装置と、
前記第1の波形抽出部から出力された前記入力波形データ及び前記第2の波形抽出部から出力された前記検知対象波形の波形データを収集して出力するデータ収集部と、
前記データ収集部から出力された前記入力波形データのうち前記検知対象波形が含まれる前記入力波形データを用いて前記第1の学習データを生成すると共に、前記第1の学習データを用いて前記第1のアルゴリズムを生成し、また、前記データ収集部から出力された前記検知対象波形の波形データのうち前記検知対象波形の正常波形の波形データを前記第2の学習データとして用いて前記第2のアルゴリズムを生成するアルゴリズム生成部と、
を備える異常検知システム。 - 前記アルゴリズム生成部は、
前記検知対象波形が含まれる前記入力波形データから前記検知対象波形を切り出し、切り出した前記検知対象波形よりもポイント数が大きい範囲内に、前記検知対象波形を時間軸方向にシフトした波形データを、前記第1の学習データとして生成する、
請求項7に記載の異常検知システム。 - 前記アルゴリズム生成部は、
前記検知対象波形を時間軸方向にシフトした波形データ内の前記検知対象波形を振幅方向又は時間軸方向に伸長又は縮小した波形データも、前記第1の学習データとして生成する、
請求項8に記載の異常検知システム。 - 異常検知装置による異常検知方法であって、
検知対象装置から出力された時系列の波形データであって、検知対象波形よりも大きなポイント数の波形データである入力波形データを入力する第1の波形抽出ステップと、
前記入力波形データに前記検知対象波形が含まれるか否かを判定する第1の波形判定ステップと、
前記入力波形データに前記検知対象波形が含まれると判定された場合に、前記入力波形データから前記検知対象波形を抽出する第2の波形抽出ステップと、
前記抽出された前記検知対象波形が異常波形であるか否かに基づいて、前記検知対象装置が異常であるか否かを判定する第2の波形判定ステップと、
を備え、
前記第1の波形判定ステップでは、
第1の学習データを用いて生成された第1のアルゴリズムを用いて、前記入力波形データに前記検知対象波形が含まれるか否かを判定し、
前記第1の学習データは、
前記入力波形データのうち前記検知対象波形が含まれる前記入力波形データを用いて生成された波形データであり、
前記第2の波形判定ステップでは、
第2の学習データを用いて生成された第2のアルゴリズムを用いて、前記検知対象装置が異常であるか否かを判定し、
前記第2の学習データは、
前記抽出された前記検知対象波形の波形データのうち前記検知対象波形の正常波形の波形データである、
異常検知方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019025169A JP7175216B2 (ja) | 2019-02-15 | 2019-02-15 | 異常検知装置、異常検知システム、異常検知方法 |
CN202010067787.9A CN111578983A (zh) | 2019-02-15 | 2020-01-20 | 异常检测装置、异常检测系统以及异常检测方法 |
US16/783,563 US20200264219A1 (en) | 2019-02-15 | 2020-02-06 | Abnormality detection apparatus, abnormality detection system, and abnormality detection method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019025169A JP7175216B2 (ja) | 2019-02-15 | 2019-02-15 | 異常検知装置、異常検知システム、異常検知方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020135170A JP2020135170A (ja) | 2020-08-31 |
JP7175216B2 true JP7175216B2 (ja) | 2022-11-18 |
Family
ID=72041965
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019025169A Active JP7175216B2 (ja) | 2019-02-15 | 2019-02-15 | 異常検知装置、異常検知システム、異常検知方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20200264219A1 (ja) |
JP (1) | JP7175216B2 (ja) |
CN (1) | CN111578983A (ja) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021009441A (ja) * | 2019-06-28 | 2021-01-28 | ルネサスエレクトロニクス株式会社 | 異常検知システム及び異常検知プログラム |
WO2022155964A1 (en) * | 2021-01-25 | 2022-07-28 | Chengdu SynSense Technology Co., Ltd. | Equipment anomaly detection method, computer readable storage medium, chip, and device |
CN113576422B (zh) * | 2021-10-08 | 2021-12-24 | 隽智生物医学研究实验室(佛山)有限公司 | 一种生理信号波形的简化处理和量化方法、系统及设备 |
JPWO2023106038A1 (ja) * | 2021-12-10 | 2023-06-15 | ||
CN116805061B (zh) * | 2023-05-10 | 2024-04-12 | 杭州水务数智科技股份有限公司 | 基于光纤传感的泄漏事件判断方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008097361A (ja) | 2006-10-12 | 2008-04-24 | Matsushita Electric Works Ltd | 異常監視装置 |
JP2010231455A (ja) | 2009-03-26 | 2010-10-14 | Panasonic Electric Works Co Ltd | 信号識別方法および信号識別装置 |
JP2016213400A (ja) | 2015-05-13 | 2016-12-15 | 三重富士通セミコンダクター株式会社 | 欠陥検出システム、欠陥検出方法、半導体製造装置、及び生産管理システム |
JP2017211713A (ja) | 2016-05-23 | 2017-11-30 | ルネサスエレクトロニクス株式会社 | 生産システム |
US20180060665A1 (en) | 2016-08-29 | 2018-03-01 | Nec Laboratories America, Inc. | Dual Stage Attention Based Recurrent Neural Network for Time Series Prediction |
JP2018156151A (ja) | 2017-03-15 | 2018-10-04 | ファナック株式会社 | 異常検知装置及び機械学習装置 |
JP2018180705A (ja) | 2017-04-06 | 2018-11-15 | ルネサスエレクトロニクス株式会社 | 異常検知システム、半導体装置の製造システムおよび製造方法 |
JP2018185256A (ja) | 2017-04-27 | 2018-11-22 | 公益財団法人鉄道総合技術研究所 | 鉄道車両機器診断装置および鉄道車両機器診断方法 |
JP2019020913A (ja) | 2017-07-13 | 2019-02-07 | 株式会社東芝 | 情報処理装置、方法及びプログラム |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010165242A (ja) * | 2009-01-16 | 2010-07-29 | Hitachi Cable Ltd | 稼動体の異常検出方法及び異常検出システム |
US11366990B2 (en) * | 2017-05-15 | 2022-06-21 | International Business Machines Corporation | Time-series representation learning via random time warping |
WO2019111701A1 (ja) * | 2017-12-05 | 2019-06-13 | ソニー株式会社 | 制御装置、および制御方法、プログラム、並びに移動体 |
US11204602B2 (en) * | 2018-06-25 | 2021-12-21 | Nec Corporation | Early anomaly prediction on multi-variate time series data |
US11218498B2 (en) * | 2018-09-05 | 2022-01-04 | Oracle International Corporation | Context-aware feature embedding and anomaly detection of sequential log data using deep recurrent neural networks |
US20200097810A1 (en) * | 2018-09-25 | 2020-03-26 | Oracle International Corporation | Automated window based feature generation for time-series forecasting and anomaly detection |
-
2019
- 2019-02-15 JP JP2019025169A patent/JP7175216B2/ja active Active
-
2020
- 2020-01-20 CN CN202010067787.9A patent/CN111578983A/zh active Pending
- 2020-02-06 US US16/783,563 patent/US20200264219A1/en active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008097361A (ja) | 2006-10-12 | 2008-04-24 | Matsushita Electric Works Ltd | 異常監視装置 |
JP2010231455A (ja) | 2009-03-26 | 2010-10-14 | Panasonic Electric Works Co Ltd | 信号識別方法および信号識別装置 |
JP2016213400A (ja) | 2015-05-13 | 2016-12-15 | 三重富士通セミコンダクター株式会社 | 欠陥検出システム、欠陥検出方法、半導体製造装置、及び生産管理システム |
JP2017211713A (ja) | 2016-05-23 | 2017-11-30 | ルネサスエレクトロニクス株式会社 | 生産システム |
US20180060665A1 (en) | 2016-08-29 | 2018-03-01 | Nec Laboratories America, Inc. | Dual Stage Attention Based Recurrent Neural Network for Time Series Prediction |
JP2018156151A (ja) | 2017-03-15 | 2018-10-04 | ファナック株式会社 | 異常検知装置及び機械学習装置 |
JP2018180705A (ja) | 2017-04-06 | 2018-11-15 | ルネサスエレクトロニクス株式会社 | 異常検知システム、半導体装置の製造システムおよび製造方法 |
JP2018185256A (ja) | 2017-04-27 | 2018-11-22 | 公益財団法人鉄道総合技術研究所 | 鉄道車両機器診断装置および鉄道車両機器診断方法 |
JP2019020913A (ja) | 2017-07-13 | 2019-02-07 | 株式会社東芝 | 情報処理装置、方法及びプログラム |
Non-Patent Citations (1)
Title |
---|
池田泰弘 ほか,オートエンコーダを用いた異常検知におけるスパース最適化を用いた要因推定手法,電子情報通信学会技術研究報告,日本,一般社団法人電子情報通信学会,2017年06月08日,第117巻,第89号,pp.61-66,ISSN: 0913-5685 |
Also Published As
Publication number | Publication date |
---|---|
US20200264219A1 (en) | 2020-08-20 |
JP2020135170A (ja) | 2020-08-31 |
CN111578983A (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7175216B2 (ja) | 異常検知装置、異常検知システム、異常検知方法 | |
CN111902781B (zh) | 用于控制系统的设备和方法 | |
JP6777069B2 (ja) | 情報処理装置、情報処理方法、及び、プログラム | |
US12013679B2 (en) | Abnormality detection system, abnormality detection apparatus, and abnormality detection method | |
JP5148457B2 (ja) | 異常判定装置、方法、及びプログラム | |
JP6374466B2 (ja) | センサインタフェース装置、測定情報通信システム、測定情報通信方法、及び測定情報通信プログラム | |
JP6708203B2 (ja) | 情報処理装置、情報処理方法、及び、プログラム | |
WO2003001431A9 (en) | Sensor fusion using self evaluating process sensors | |
JP6613175B2 (ja) | 異常検出装置、系統安定度監視装置、及びそのシステム | |
US20190265088A1 (en) | System analysis method, system analysis apparatus, and program | |
CN112905371B (zh) | 基于异构多源数据异常检测的软件变更检查方法和装置 | |
US20220042952A1 (en) | State estimation device and state estimation method | |
CN112230113A (zh) | 异常检测系统和异常检测程序 | |
JP5048748B2 (ja) | 試験テーブル生成装置及び試験テーブル生成方法 | |
US20220156137A1 (en) | Anomaly detection method, anomaly detection apparatus, and program | |
JP2006163517A (ja) | 異常検知装置 | |
JP2010049359A (ja) | プラント監視装置およびプラント監視方法 | |
KR101808461B1 (ko) | 기계의 잔여수명 예측 방법 및 장치 | |
JP4713272B2 (ja) | 工場等における監視システム及び監視方法 | |
CN108362957B (zh) | 设备故障诊断方法、装置、储存介质和电子设备 | |
KR20150017036A (ko) | 반도체 설비의 센서 데이터 분할 시스템 및 그 방법 | |
Giannoulidis et al. | Investigating thresholding techniques in a real predictive maintenance scenario | |
US11971694B2 (en) | Abnormal-sound detection device and abnormal-sound detection method | |
JP2011100211A (ja) | 異常判定装置、異常判定方法、異常判定プログラム、および、このプログラムを記録したプログラム記録媒体 | |
JP6627258B2 (ja) | システムモデル生成支援装置、システムモデル生成支援方法、及び、プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210708 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220420 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220607 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220803 |
|
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: 20221011 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221108 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7175216 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |