JP7257871B2 - 異常検知システム - Google Patents

Description

本願は、異常検知システムに関するものである。

従来の時系列データ処理装置は、時系列データにおける波形パターンからイベント区間の時系列データを抽出する（例えば、特許文献１参照）。また、前述時系列データ装置を用いた異常検知システムは、プラントの設備に設置されるセンサから出力される時系列データから波形パターンの特徴を抽出し、時系列データ間の差異を検出する。

特許第６２０７７９１号公報

従来の時系列データ処理装置を用いた異常検知システムは、センサから出力される時系列データから波形パターンの特徴を抽出、時系列データ間の差異を検出して異常を判断するが、その際、プラントの運転操作または季節変動によっては、正常な挙動であっても波形パターンの特徴と異なり異常と判断されてしまい、異常検知の精度が低下するという問題点があった。

本願は、上記のような課題を解決するための技術を開示するものであり、異常検知の精度が向上できる異常検知システムを提供することを目的とする。

本願に開示される異常検知システムは、
被測定部に設置された複数のセンサに含まれる第１のセンサおよび第２のセンサのそれぞれが取得した第１の時系列データおよび第２の時系列データを用いて異常を検知する異常検知システムにおいて、
前記第１のセンサが取得した前記第１の時系列データの内、学習に使用する前記第１の時系列データを第１の学習データとし、前記第１のセンサが取得した前記第１の時系列データの内、解析に使用する前記第１の時系列データを第１の解析データとして、前記第１の学習データと前記第１の解析データとの差異から前記第１の解析データが正常であるか異常であるかをシステム判定し、前記第２のセンサが取得した前記第２の時系列データの内、学習に使用する前記第２の時系列データを第２の学習データとし、前記第２のセンサが取得した前記第２の時系列データの内、解析に使用する前記第２の時系列データを第２の解析データとして、前記第２の学習データと前記第２の解析データとの差異から前記第２の解析データが正常であるか異常であるかをシステム判定する判定部と、
前記判定部にて異常であるとシステム判定された前記第１の解析データまたは前記第２の解析データを表示部に表示する出力部と、
前記表示部に表示された異常であるとシステム判定された前記第１の解析データまたは前記第２の解析データが正常であるか異常であるかのユーザ判断を入力部から入力し、正常であるとユーザ判断された前記第１の解析データを前記第１の学習データに追加し、正常であるとユーザ判断された前記第２の解析データを前記第２の学習データに追加して学習させるユーザ処理部とを備えたものである。

本願に開示される異常検知システムによれば、
異常検知の精度が向上できる。

実施の形態１による異常検知システムの構成を示すブロック図である。 図１に示した異常検知システムにて用いられる学習データおよび学習セグメントを示す図である。 図２に示した学習セグメントと平均セグメントとの差の累積値における学習セグメントの分布を示す図である。 図２に示した学習セグメントからフィルタの生成を示す図である。 図１に示した異常検知システムの解析データの解析セグメントの異常の検知を示す図である。 図１に示した異常検知システムからの解析結果を表示する表示部の例を示した図である。 図１に示した異常検知システムへユーザ情報を入力する入力部の例を示した図である。 図１に示した異常検知システムの動作を示したフローチャートである。 実施の形態２による異常検知システムからの解析結果を表示する表示部の例を示した図である。

以下に説明する実施の形態における、異常検知システムとは、被測定部としての設備を複数備えたプラントの異常検知を行う。尚、異常とは、異常そのものと、異常兆候とのいずれの場合も含むものとする。また、プラントとは、例えば多数の設備を有する発電プラントなどが考えられる。

実施の形態１．
図１は実施の形態１による異常検知システムの構成を示すブロック図である。図２は図１に示した異常検知システムにて用いられる学習データおよび学習セグメントを示す図である。図３は図２に示した学習セグメントと平均セグメントとの差の累積値における学習セグメントの分布を示す図である。図４は図２に示した学習セグメントからフィルタの生成を示す図である。図５は図１に示した異常検知システムの解析データの解析セグメントの異常の検知を示す図である。

図６は図１に示した異常検知システムからの解析結果を表示する表示部の例を示した図である。図７は図１に示した異常検知システムへユーザ情報を入力する入力部の例を示した図である。図８は図１に示した異常検知システムの動作を示したフローチャートである。

図１において、センサ２００はプラントの各設備から時系列データを取得する。サーバ２０１は、取得した時系列データを各センサ２００毎に記憶する。尚、時系列データとは、各センサ２００から、時間的順序を追って一定間隔毎に観測されるデータであり、各センサ２００に対応する設備の状態を示す。

異常検知システム１００は、センサ２００が取得した時系列データからプラントの異常を検知する。異常検知システム１００は、第一取得部１０１、データ処理部１０２、フィルタ生成部１０３、イベント記憶部１０４、第二取得部１０５、検知部１０６、判定部１０７、出力部１０８、ユーザ処理部１０９、およびユーザ判断記憶部１１０を備える。

第一取得部１０１は、解析対象のセンサ２００の時系列データの内、解析期間以外の時系列データ、すなわち学習に使用する学習期間の時系列データを学習データとしてサーバ２０１から取得する。具体的には、例えば、期間Ｈ１、期間Ｈ２、期間Ｈ３、および期間Ｈ４の時系列データを取得し、期間Ｈ４の時系列データを解析対象とする場合、第一取得部１０１は期間Ｈ１から期間Ｈ３のデータを学習データとして取得する。尚、解析対象となるセンサ２００および、当該センサ２００の時系列データにおける、解析期間および学習期間は予めユーザが設定する。

データ処理部１０２は、第一取得部１０１が取得した学習データから、任意の一定時間Ｔ毎の学習データを、複数の学習セグメントとして抽出する。そして、全ての学習セグメントの平均値にてなるセグメントを平均セグメントとする。そして、平均セグメントと各学習セグメントとの各時刻の値の差の累積値（累積距離）を計算し、各学習セグメントと累積値との関係を分布数との関係として生成する。

フィルタ生成部１０３は、データ処理部１０２にて抽出された複数の学習セグメントから複数の特徴を抽出して、特徴毎の正常範囲の値にて構成されるフィルタを生成する。
イベント記憶部１０４は、データ処理部１０２にて抽出された学習セグメント、累計値と各学習セグメントとの関係、および、フィルタ生成部１０３にて生成されたフィルタを、それぞれセンサ２００毎に記憶する。

第二取得部１０５は、解析対象のセンサ２００の時系列データの内、解析に使用する解析期間の時系列データを解析データとしてサーバ２０１から取得する。具体的には、先に示した学習データの取得のように、例えば、期間Ｈ１から期間Ｈ４の時系列データを取得し、期間Ｈ４のデータを解析期間とする場合、第二取得部１０５は期間Ｈ４のデータを解析対象の解析データとして取得する。

検知部１０６は、第二取得部１０５が取得した解析データから、任意の一定時間Ｔ毎の解析データを、複数の解析セグメントとして抽出する。そして、イベント記憶部１０４に記憶されている各学習セグメントと、解析セグメントとを比較し、当該解析セグメントに一番距離の近い、すなわち類似している学習セグメントを抽出する。そして一番距離の近い学習セグメントが、累計値と分布数との関係のいずれの関係位置にあるかから、外れデータであるか否かを検知する。

判定部１０７は、検知部１０６にて外れデータであると検知された解析セグメントが、イベント記憶部１０４に記憶されているフィルタの範囲に一致している否かを、すなわち、正常であるか異常であるかをシステム判定する。出力部１０８は、解析データにおいて、判定部１０７にてシステム判定された正常および異常の結果を表示部３００に表示する。尚、表示部３００とは、出力部１０８の出力が表示できるものであればよく、ディスプレイ、または、端末装置、または、プリンタなど、様々な例が考えられる。

ユーザ処理部１０９は、表示部３００の表示をみて、異常であるとシステム判定された解析データが、異常であるか正常であるかのユーザ判断を入力部４００から入力する。そして、ユーザ処理部１０９は、異常であるとシステム判定された解析データの内、正常であるとユーザ判断された解析データの解析セグメントをフィルタ生成部１０３に送信する。フィルタ生成部１０３では当該解析セグメントを、フィルタを生成するための学習セグメントとして学習して利用する。

また、ユーザ処理部１０９は、異常であるとシステム判定された解析データの内、異常であるとユーザ判断された解析データは、当該異常であるとユーザ判断されたこととともにユーザ判断記憶部１１０に記憶される。さらにユーザ処理部１０９は、当該ユーザ判断にユーザのコメント情報が付記されている場合には、合わせてユーザ判断記憶部１１０に記憶させる。尚、入力部４００とは、ユーザ処理部１０９にユーザ判断を入力できるものであればよく、タッチパネル、キーボード、または、携帯端末など、様々な例が考えられる。

尚、学習セグメント、および、解析セグメントにおいてそれぞれ示した任意の一定時間Ｔとは、当然のことながら同じ一定時間Ｔを指すものである。以下の説明においては、単に“一定時間Ｔ”として示す。

次に、上記のように構成された実施の形態１の異常検知システム１００の動作について図８のフローチャートに基づいて説明する。ここでは、異常検知システム１００において、異常検知のシステム判定を行い、ユーザ判断の結果が異常検知システム１００に入力されるまでの動作について説明する。尚、ここでは１つのセンサ２００について説明するが、他のセンサ２００についても同様に行うことができるため、その説明は適宜省略する。まず、ユーザがプラントの解析対象とする設備のセンサ２００、および、当該センサ２００の学習期間および解析期間をそれぞれ選択する。尚、当然のことながら、予めこれらの情報が異常検知システム１００に保存されている場合もある。

そして、異常検知システム１００は、第一取得部１０１が当該センサ２００の学習期間の時系列データを学習データとしてサーバ２０１から取得する（図８のステップＳＴ１）。次に、データ処理部１０２が学習データのデータ処理を行う（図８のステップＳＴ２）。具体的には、図２の上段に示すように、第一取得部１０１にて取得した学習期間の学習データを、一定時間Ｔ毎に分割して、図２の下段に示すように、複数の学習セグメントとして抽出する。この際、全学習セグメントは、センサ２００と関連付けされてイベント記憶部１０４に記憶される。

そして、データ処理部１０２は、全ての学習セグメントの平均値にてなる平均セグメントを算出する。そして、データ処理部１０２は図３の左側に示すように、平均セグメントと、図２の下段にて示した各学習セグメントとの、各時刻の値の差の累積値（距離）を計算する。そして、データ処理部１０２は累計値と、各学習セグメントとの関係、すなわち図３の右側に示すように、縦軸がセグメント数、横軸が累計値との関係を生成し、当該関係をセンサ２００に関連付けされてイベント記憶部１０４に記憶させる。

次に、フィルタ生成部１０３がデータ処理部２にて抽出された全学習セグメントを用いてフィルタを生成する（図８のステップＳＴ３）。具体的には、図４の上段に示すように全学習セグメントを用いて、それぞれの学習セグメントを、図４の下段に示すように重ね合わせる。そして、当該重ね合わされたデータの平均値を算出し、当該平均値からの任意の範囲をフィルタとして生成する。

例えば、特徴Ｆ１では、先に示したように重ね合わされたデータの平均値を算出し、当該平均値のＸ軸、Ｙ軸の変化量が所定の範囲であることを正常範囲とし、特徴Ｆ１のフィルタとして生成される。また、特徴Ｆ２では、Ｙ軸の変化量についてが同様に行われ、特徴Ｆ２のフィルタとして生成される。そして、フィルタ生成部１０３にて生成された各フィルタは、センサ２００と関連付けされてイベント記憶部１０４に記憶される。

次に、第二取得部１０５が先にユーザが選択したセンサ２００の解析期間の時系列データを解析データとしてサーバ２０１から取得する（図８のステップＳＴ４）。次に、検知部１０６は第二取得部１０５にて取得した解析期間の解析データを、一定時間Ｔ毎に分割して、複数の解析セグメントとして抽出する。そして、検知部１０６は、各解析セグメントが外れデータであるか否かを検知する（図８のステップＳＴ５）。

具体的には、検知部１０６は、図５の左側に示すように、解析セグメントと、イベント記憶部１０４に記憶されている各学習セグメントとをそれぞれ比較し、解析セグメントに一番距離の近い、すなわち類似している学習セグメントを抽出する。そして、図５の右側に示すように、上記ステップＳＴ２にて示した生成されイベント記憶部１０４に記憶された、累計値と分布数との関係を抽出する。そして、当該関係の閾値Ｗを設定する。尚、閾値Ｗは、例えば、全学習セグメント数の８０％が含まれる、０からの累積値の値などが設定される。但し、％の数値は適宜設定可能である。閾値Ｗより右側であれば、平均セグメントから離れた外れデータであると検知でき、閾値Ｗより左側であれば、平均セグメントに近いデータ、すなわち、外れデータではないと検知できる。

そして、検知部１０６において抽出された類似の学習セグメントが、累計値と分布数との関係のいずれの関係位置であるかと、閾値Ｗとを比較する。そして、抽出された類似の学習セグメントの関係位置が、閾値Ｗより右側であれば、当該解析データが外れデータであると検知する。また、抽出された類似の学習セグメントの関係位置が、閾値Ｗより左側であれば、当該解析データは外れデータではないと検知する。

次に、判定部１０７は、検知部１０６にて外れデータであると検知された解析セグメントが、イベント記憶部１０４に記憶されている各フィルタの範囲内にあるか否かを、すなわち、正常であるか異常であるかをシステム判定する（図８のステップＳＴ６）。以上に示したステップＳＴ１からステップＳＴ６までの動作により、判定部１０７が、センサ２００が取得した時系列データの内、学習に使用する時系列データを学習データとし、取得した時系列データの内、解析に使用する時系列データを解析データとして、学習データと解析データとの差異から解析データが正常であるか異常であるかをシステム判定したこととなる。

尚、上記判定部１０７のシステム判定は一例であり、他のシステム判定の方法によって、学習データと解析データとの差異から解析データが正常であるか異常であるかをシステム判定してもよい。

次に、出力部１０８は、判定部１０７にてシステム判定の結果に基づいて、解析データにおける、正常および異常を表示部３００に出力する（図８のステップＳＴ７）。具体的には、図６に示すように、解析データが、正常部分は実線にて表示され、異常の部分は点線にて表示される。尚、表示方法は、これに限られることはなく、様々な例が考えられ、正常と異常との区別がユーザにおいて容易に理解できるような表示であればよい。例えば、他の例としては、正常部分は青線にて表示され、異常部分は赤線にて表示される場合も考えられる。また、ここでは解析データの内、正常および異常のいずれも表示する例を示したが、これに限られることはなく、異常であるとシステム判定された解析データのみを表示する場合も考えられる。

次に、ユーザ処理部１０９には、ユーザが表示部３００の表示をみて、異常であるとシステム判定された解析データ、ここでは例えば図６の点線にて示された部分が、異常であるか正常であるかをユーザ判断して、例えば図７に示したような入力部４００から入力される（図８のステップＳＴ８）。この際、図７に示すように、ユーザが異常または正常のボタンを押すことによりユーザ判断が入力される。さらに、ユーザが、異常であるとユーザ判断した際には、コメント情報入力欄に、例えば、“次回に再度ユーザ判断必要”、“ユーザ判断を変更しない”、“ユーザＭによるユーザ判断”などコメント情報を記載して入力することもできる。

次に、ユーザ処理部１０９は、異常であるとシステム判定された解析データの内、異常であるとユーザ判断された解析データを当該ユーザ判断（コメント情報も含む）およびセンサ２００とに関連付けしてユーザ判断記憶部１１０に記憶させる（図８のステップＳＴ９）。

次に、ユーザ処理部１０９は、異常であるとシステム判定された解析データの内、正常であるとユーザ判断された解析データの各解析セグメントを、フィルタ生成部１０３に送信する。そして、フィルタ生成部１０３では当該解析セグメントは、フィルタを生成するための学習セグメントとして条件に追加される（図８のステップＳＴ１０）。以上に示した、ステップＳＴ８、ステップＳＴ１０により、ユーザ処理部１０９は、表示部３００に表示された異常であるとシステム判定された解析データが正常であるか異常であるかのユーザ判断を入力部４００から入力し、正常であるとユーザ判断された解析データを学習データに追加して学習させることとなる。

尚、上記ユーザ処理部１０９の正常であるとユーザ判断された解析データをフィルタの生成の学習データとして学習させる例は一例であり、これに限られることはなく、学習データと解析データとの差異から解析データが正常であるか異常であるかを行うシステム判定の方法によって、適宜、正常であるとユーザ判断された解析データを学習データとして追加させ学習させることが可能である。

そして、フィルタ生成部１０３では、上記にて示したフィルタの生成と同様に、同じ特徴を持つフィルタに新規の生成条件として追加される。また、同じ特徴を有しているフィルタが存在しない場合には、新規の特徴のフィルタとして生成して、フィルタが再構築されイベント記憶部１０４に追加される。そして、次回以降の同じセンサ２００において外れデータを検知した際、判定部１０７における正常または異常のシステム判定のフィルタとして利用される。このように、ユーザ判断の結果をフィルタの生成に利用するため、フィルタの精度が向上でき、異常検知の精度が向上できる。

さらに、ユーザ判断記憶部１１０に記憶された、異常であるとシステム判定された解析データの内、異常であるとユーザ判断された解析データは、次回以降の同センサ２００において、すでに異常であるとユーザ判断されている解析データと同様の解析データを検知した際に、出力部１０８の出力において、すでに異常であるとユーザ判断されたことが表示させることができる。これにより、次回以降のユーザの正常か異常かのユーザ判断に利用され、ユーザ判断の支援となる。さらに、当該ユーザ判断の際に、入力部４００においてコメント情報が入力されている場合には、当該コメント情報も同時に表示させることができる。これにより、次回以降のユーザの正常か異常かのユーザ判断に利用され、ユーザ判断のさらなる支援となる。

上記のように構成された実施の形態１の異常検知システムによれば、
被測定部に設置されたセンサが取得した時系列データを用いて異常を検知する異常検知システムにおいて、
前記センサが取得した前記時系列データの内、学習に使用する前記時系列データを学習データとし、取得した前記時系列データの内、解析に使用する前記時系列データを解析データとして、前記学習データと前記解析データとの差異から前記解析データが正常であるか異常であるかをシステム判定する判定部と、
前記判定部にて異常であるとシステム判定された前記解析データを表示部に表示する出力部と、
前記表示部に表示された異常であるとシステム判定された前記解析データが正常であるか異常であるかのユーザ判断を入力部から入力し、正常であるとユーザ判断された前記解析データを前記学習データに追加して学習させるユーザ処理部とを備えたので、
時系列データの学習データと解析データとを比較し、解析データの異常をシステム判定、さらに、システム判定に対するユーザ判断を入力して学習データとして利用することで、異常検知の精度を向上できる。よって、被測定部の異常を早期に検知でき、被測定部のメンテナンスを早期に支援できる。

また、前記ユーザ処理部が前記入力部から異常であるとユーザ判断された前記解析データを記憶させるユーザ判断記憶部を備え、
前記出力部は、前記判定部にて異常であるとシステム判定された前記解析データと類似する前記ユーザ判断記憶部に記憶されている異常であるとユーザ判断された前記解析データが存在すれば、類似する異常であるとユーザ判断された前記解析データが存在することを追加して前記表示部に表示させるので、
ユーザ判断の情報が記憶されることで、被測定部に関する知見が蓄積可能となり、被測定部の知見の技術伝承に活用できる。さらに、類似する異常であるとユーザ判断された解析データが存在することが表示されるため、ユーザ判断の支援となり、被測定部の正常な挙動に対応した異常を検知できる。

また、前記ユーザ判断記憶部は、前記ユーザ処理部が前記入力部から異常であるとユーザ判断された前記解析データに付加されたコメント情報を記憶し、
前記出力部は、前記ユーザ判断記憶部に記憶されている異常であるとユーザ判断された前記解析データに前記コメント情報を追加して前記表示部に表示させるので、
コメント情報に基づいてユーザ判断が可能となり、ユーザ判断のさらなる支援となり、より一層、被測定部の正常な挙動に対応した異常を検知できる。

実施の形態２．
上記実施の形態１においては、図６に示すように、表示部３００に、解析対象の１つのセンサ２００の、１つのシステム判定の結果のみを示す例を示したが、１つのセンサ２００のシステム判定の結果のみでは、実際にプラント内で異常が起きているか否かを、ユーザがユーザ判断することは困難である場合も考えられる。

よって、実施の形態２では、ユーザ判断記憶部１１０に解析対象となるセンサ２００が、他のいずれのセンサ２００と関連するか、および、関連する他のセンサ２００の時系列データを記憶させておく。関連する他のセンサ２００とは、プラントにおける運転操作または点検時に、解析対象のセンサ２００と同時に時系列データの変動を示す、あるいは示す可能性の高いセンサ２００であり、解析対象のセンサ２００と同時間帯での時系列データの変動値、検知状況が記憶される。

そして、出力部１０８が表示部３００に解析した１つのセンサ２００のシステム判定の結果を表示する際に、ユーザ判断記憶部１１０に記憶されている、解析されたセンサ２００に関連する他のセンサ２００の時系列データを、例えば、図９に示すように、圧力Ｂ、供給流量Ｃ、および、入力圧Ｄを追加して表示部３００に表示させ、解析対象のセンサ２００のシステム判定の結果と並べて表示させる。

図９に示すように、解析対象とするセンサ２００の出力流量Ａとは異なる、関連するセンサ２００に関する時系列データが表示されるため、本実施の形態２では、解析したセンサ２００のみのシステム判定から正常または異常のユーザ判断を行うのではなく、プラントの運転において関連性の高い他のセンサの時系列データを並べて表示することにより、ユーザの正常または異常のユーザ判断をさらに支援できる。

尚、他の処理については、上記実施の形態１と同様に行うことができる。また、上記実施の形態２においては、関連するセンサ２００の時系列データをユーザ判断記憶部１１０に記憶する例を示したが、これに限られることはなく、出力部１０８がサーバ２０１から必要となる関連するセンサ２００の時系列データを抽出して表示することも可能である。

上記のように構成された実施の形態２の異常検知システムによれば、上記実施の形態１と同様の効果を奏するのはもちろんのこと、
前記被測定部には複数のセンサが設置されている場合において、
前記出力部は、前記判定部にて解析対象となる前記センサの異常であるとシステム判定された前記解析データに追加して、解析対象となる前記センサと関連性を有する他の前記センサの前記時系列データを前記表示部に表示させるので、
ユーザ判断をさらに支援することができ、より一層、被測定部の正常な挙動に対応した異常を検知できる。

本開示は、様々な例示的な実施の形態および実施例が記載されているが、１つ、または複数の実施の形態に記載された様々な特徴、態様、および機能は特定の実施の形態の適用に限られるのではなく、単独で、または様々な組み合わせで実施の形態に適用可能である。
従って、例示されていない無数の変形例が、本願明細書に開示される技術の範囲内において想定される。例えば、少なくとも１つの構成要素を変形する場合、追加する場合または省略する場合、さらに、少なくとも１つの構成要素を抽出し、他の実施の形態の構成要素と組み合わせる場合が含まれるものとする。

１００ 異常検知システム、１０１ 第一取得部、１０２ データ処理部、
１０３ フィルタ生成部、１０４ イベント記憶部、１０５ 第二取得部、
１０６ 検知部、１０７ 判定部、１０８ 出力部、１０９ ユーザ処理部、
１１０ ユーザ判断記憶部、２００ センサ、２０１ サーバ、３００ 表示部、
４００ 入力部。

Claims (4)

1. 被測定部に設置された複数のセンサに含まれる第１のセンサおよび第２のセンサのそれぞれが取得した第１の時系列データおよび第２の時系列データを用いて異常を検知する異常検知システムにおいて、
   前記第１のセンサが取得した前記第１の時系列データの内、学習に使用する前記第１の時系列データを第１の学習データとし、前記第１のセンサが取得した前記第１の時系列データの内、解析に使用する前記第１の時系列データを第１の解析データとして、前記第１の学習データと前記第１の解析データとの差異から前記第１の解析データが正常であるか異常であるかをシステム判定し、前記第２のセンサが取得した前記第２の時系列データの内、学習に使用する前記第２の時系列データを第２の学習データとし、前記第２のセンサが取得した前記第２の時系列データの内、解析に使用する前記第２の時系列データを第２の解析データとして、前記第２の学習データと前記第２の解析データとの差異から前記第２の解析データが正常であるか異常であるかをシステム判定する判定部と、
   前記判定部にて異常であるとシステム判定された前記第１の解析データまたは前記第２の解析データを表示部に表示する出力部と、
   前記表示部に表示された異常であるとシステム判定された前記第１の解析データまたは前記第２の解析データが正常であるか異常であるかのユーザ判断を入力部から入力し、正常であるとユーザ判断された前記第１の解析データを前記第１の学習データに追加し、正常であるとユーザ判断された前記第２の解析データを前記第２の学習データに追加して学習させるユーザ処理部とを備えた異常検知システム。
2. 前記ユーザ処理部が前記入力部から異常であるとユーザ判断された前記解析データを記憶させるユーザ判断記憶部を備え、
   前記出力部は、前記判定部にて異常であるとシステム判定された前記解析データと類似する前記ユーザ判断記憶部に記憶されている異常であるとユーザ判断された前記解析データが存在すれば、類似する異常であるとユーザ判断された前記解析データが存在することを追加して前記表示部に表示させる請求項１に記載の異常検知システム。
3. 前記ユーザ判断記憶部は、前記ユーザ処理部が前記入力部から異常であるとユーザ判断された前記解析データに付加されたコメント情報を記憶し、
   前記出力部は、前記ユーザ判断記憶部に記憶されている異常であるとユーザ判断された前記解析データに前記コメント情報を追加して前記表示部に表示させる請求項２に記載の異常検知システム。
4. 前記被測定部には複数のセンサが設置されている場合において、
   前記出力部は、前記判定部にて解析対象となる前記センサの異常であるとシステム判定された前記解析データに追加して、解析対象となる前記センサと関連性を有する他の前記センサの前記時系列データを前記表示部に表示させる請求項１から請求項３のいずれか１項に記載の異常検知システム。

Images