JP7258253B1

JP7258253B1 - 正常モデル生成プログラム、正常モデル生成装置および正常モデル生成方法

Info

Publication number: JP7258253B1
Application number: JP2022570506A
Authority: JP
Inventors: 俊之八田; 渉藤田; 翔太中野
Original assignee: Mitsubishi Electric Corp
Current assignee: Mitsubishi Electric Corp
Priority date: 2022-06-27
Filing date: 2022-06-27
Publication date: 2023-04-14
Anticipated expiration: 2042-06-27
Also published as: JPWO2024003994A1; CN118575189A; US20240419157A1; WO2024003994A1

Abstract

正常モデル生成プログラムは、反復的に行われる一連の複数のモードを有する作業を行っている作業主体の状態をセンサで検出することによって生成される時系列のセンサデータを取得するコンピュータを、センサデータをモード分割したモードデータを生成するモード分割部（１２）、モードデータに基づいて、サイクル区間を示すサイクルデータを生成するサイクル分割部（１３）、サイクルデータおよびモードデータに基づいて、正常なサイクル区間を判定するサイクル判定部（１４）、正常なサイクル区間に含まれるモードデータに基づいて、複数のモードごとの正常モデルを生成する正常モデル生成部（１５）、として機能させる。

Description

本開示は、正常モデル生成プログラム、正常モデル生成装置および正常モデル生成方法に関する。

設備、作業者、作業ロボットなどの作業主体の異常を検知する方法に、作業主体の状態を検出した時系列のセンサデータと、作業主体が正常であるときに収集された正常時のセンサデータとを比較する方法がある。例えば、特許文献１には、複数の稼動状態別のモードを有する設備が出力するセンサデータに対し、設備からのイベント信号に基づいてモード毎に分割し、モード毎に選択したデータで学習した正常モデルとの比較により、異常を検知する装置が開示されている。以下、モード毎に分割することをモード分割という。

特開２０１５－１７２９４５号公報

特許文献１に記載の技術では、正常モデルの学習において、学習データに異常データが含まれる場合、モード毎の特徴量ベクトルの比較により、正常なデータをモード毎に選択するため、計算負荷が大きい。

本開示は、上記のような問題点に鑑みてなされたものであり、複数のモードを有する作業を行う作業主体の状態を検出した時系列のセンサデータをモード分割し、モード毎の正常モデルを学習する計算負荷を軽減することを目的とする。

上記目的を達成するため、本開示に係る正常モデル生成プログラムは、反復的に行われる一連の複数のモードを有する作業を行っている作業主体の状態をセンサで検出することによって生成される時系列のセンサデータを取得するコンピュータを、モード分割部、サイクル分割部、サイクル判定部、および、正常モデル生成部、として機能させる。モード分割部は、センサデータをモード分割したモードデータを生成する。サイクル分割部は、モードデータに基づいて、一連の複数のモードが繰り返されるサイクル区間を示すサイクルデータを生成する。サイクル判定部は、サイクルデータおよびモードデータに基づいて、正常なサイクル区間を判定する。正常モデル生成部は、正常なサイクル区間に含まれるモードデータに基づいて、複数のモードごとの正常モデルを生成する。

本開示によれば、複数のモードを有する作業を行う作業主体の状態を検出した時系列のセンサデータをモード分割し、正常なサイクル区間に含まれるモードデータに基づいて正常モデルを生成することにより、モード毎の正常モデルを学習する計算負荷を軽減することが可能になる。

実施の形態に係る正常モデル生成装置の機能構成例を示すブロック図実施の形態に係るセンサデータの一例を示す図実施の形態に係る正常モデルが記憶されていない場合に、生成されるモードデータの一例を示す図実施の形態に係る正常モデルが記憶されている場合に、生成されるモードデータの一例を示す図実施の形態に係るサイクルデータの一例を示す図実施の形態に係る判定結果データの一例を示す図実施の形態に係る正常モデルに含まれるテンプレートの一例を示す図実施の形態に係る正常モデルに含まれる閾値の一例を示す図実施の形態に係る異常検知結果データの一例を示す図実施の形態に係る学習処理を示すフローチャート実施の形態に係る異常検知処理を示すフローチャート実施の形態に係る正常モデル生成装置のハードウェア構成の一例を示す図変形例に係る学習装置の機能構成例を示すブロック図変形例に係る異常検知装置の機能構成例を示すブロック図

以下に、本実施の形態に係る正常モデル生成プログラム、正常モデル生成装置および正常モデル生成方法について図面を参照して詳細に説明する。なお、図中同一または相当する部分には同じ符号を付す。本実施の形態では、反復的に行われる一連の複数のモードを有する作業を行っている作業主体の状態をセンサで検出することによって生成される時系列のセンサデータに基づいて、異常を検知する例について説明する。一連の複数のモードは、モード数および順番が決まっている。作業主体は、１つまたは複数の機械、あるいは、１人または複数の人物であってもよいし、それらの組み合わせであってもよい。

図１に示すように、異常検知システム１００は、反復的に行われる一連の複数のモードを有する作業を行っている作業主体の状態を検出するセンサ２と、センサ２によって生成される時系列のセンサデータに基づいて異常を検知する正常モデル生成装置１と、を備える。正常モデル生成装置１は、センサ２からセンサデータを取得するセンサデータ取得部１１と、センサデータをモードで分割したモードデータを生成するモード分割部１２と、モードデータに基づいて、一連の複数のモードが繰り返されるサイクルの区間を示すサイクルデータを生成するサイクル分割部１３と、サイクルデータおよびモードデータに基づいて、正常なサイクルの区間を判定するサイクル判定部１４と、正常なサイクルの区間に含まれるモードデータに基づいて、正常モデルを生成する正常モデル生成部１５と、を備える。以下、センサデータをモードで分割することをモード分割といい、一連の複数のモードが繰り返されるサイクルの区間をサイクル区間という。

また、正常モデル生成装置１は、正常モデルを記憶する正常モデル記憶部１６と、モードデータおよび正常モデルに基づいて、モードデータの区間毎に異常を検知し、異常を検知したモードデータの区間を示す異常検知データを生成する異常検知部１７と、異常検知データを出力する出力部１８を備える。

センサデータ取得部１１がセンサ２から取得するセンサデータについて図２を用いて説明する。センサデータは、例えば、温度、圧力、速度、電圧、動きなど、作業主体の状態をセンサ２が検出して得られる物理量のデータである。センサ２は、作業主体の状態を検出する１つまたは複数のセンサである。１つのセンサから得られたセンサデータは、１次元の時系列データであり、複数のセンサから得られたセンサデータは、多次元の時系列データである。図２の例では、センサデータは７次元の時系列データである。図２に示すグラフは、縦軸が物理量の値、横軸が時間である。物理量の値は、次元ごとに平均値０、標準偏差１に標準化されている。

図１に戻り、センサデータ取得部１１は、取得したセンサデータをモード分割部１２に送る。モード分割部１２は、センサデータ取得部１１から受け取ったセンサデータをモード分割して、モードデータを生成する。モード分割部１２は、センサデータを分割したそれぞれの区間に対して、一連の複数のモードを周期的に割り当ててモードデータを生成する。

正常モデル記憶部１６が正常モデルを記憶していない場合に、モード分割部１２が生成するモードデータについて、図３を用いて説明する。正常モデル記憶部１６が正常モデルを記憶していない場合、モード分割部１２は、予め決められたパラメータを用いて、センサデータをモード分割し、モードデータを生成する。

モード分割部１２は、予め決められたパラメータとして、例えば、１つのサイクルに期待される長さ（時間）であるサイクル期待長さと、１つのサイクルに含まれるモード数とを用いる。モード分割部１２は、サイクル期待長さをモード数で除することで、１つのモードに期待される長さ（時間）であるモード期待長さを算出する。モード分割部１２は、センサデータを、モード期待長さを有する複数の区間に分割し、一連の複数のモードを周期的に割り当てることでモードデータを生成する。図３の例では、センサデータをモード期待長さで分割した区間に９つのモードａ～ｉを周期的に割り当てている。図３では、モードａ～ｉを濃淡で表しているが、モードデータの各モードの区間にはセンサデータが含まれている。

正常モデル記憶部１６が正常モデルを記憶している場合に、モード分割部１２が生成するモードデータについて、図４を用いて説明する。モード分割部１２は、正常モデル記憶部１６が正常モデルを記憶している場合、正常モデルに含まれる各モードのテンプレートと比較することで、センサデータをモード分割し、モードデータを生成する。正常モデルの詳細については後述する。

モード分割部１２は、例えば、ＦＦ－ＢＳ（Ｆｏｒｗａｒｄｆｉｌｔｅｒｉｎｇ－Ｂａｃｋｗａｒｄｓａｍｐｌｉｎｇ）を用いて、正常モデルに含まれる各モードのテンプレートに基づいてセンサデータを複数の区間に分割し、分割された区間のそれぞれにおけるセンサデータを対応するモードに分類することでモードデータを生成する。ＦＦ－ＢＳを用いたモードデータの生成方法の詳細は、例えば、文献ＷＯ２０１９／２２９９４３の段落００３６～段落００４０に記載されており、クラスデータ列がモードデータに相当する。図４の例では、センサデータをＦＦ－ＢＳを用いて分割した区間に対応する９つのモードａ～ｉを周期的に割り当てている。図４では、図３と同様に、モードａ～ｉを濃淡で表しているが、モードデータの各モードの区間にはセンサデータが含まれている。

モード分割部１２が正常モデルを用いてセンサデータをモード分割することにより、作業主体からのイベント信号が得られない場合であっても、モード分割が可能になる。

通常のＦＦ－ＢＳによるモードデータ（クラスデータ列）の生成方法では、隣接する区間に割り当てられる２つのモードは、すべての組み合わせを考える必要がある。例えば、９つのモードａ～ｉのモードデータの生成方法を考える場合、前の区間にモードａが割り当てられた場合、後の区間にはａ～ｉの９通りのモードが割り当てられうる。しかし、本実施の形態では、モードデータにおいて９つのモードａ～ｉが周期的に割り当てられるため、例えば前の区間にモードａが割り当てられた場合、後の区間にはモードｂが割り当てられる。すなわち隣接する区間に割り当てられうる２つのモードの組み合わせが決まっているため、モード分割部１２の計算負荷を大きく低減できる。

図１に戻り、モード分割部１２は、生成したモードデータをサイクル分割部１３および異常検知部１７に送る。サイクル分割部１３は、モード分割部１２から受け取ったモードデータに基づいて、センサデータにおけるサイクル区間を特定する。サイクル分割部１３は、特定したサイクル区間を示すサイクルデータを生成する。

サイクル分割部１３は、まず、モードデータに含まれる複数のモードのそれぞれに対して、そのモードが割り当てられた複数の区間の長さ（時間）の変動係数を算出する。変動係数とは、標準偏差を平均値で除した値である。次に、サイクル分割部１３は、複数のモードのうち算出された変動係数が最大であり、かつ予め決められた基準値を超えているモードが存在した場合、これを非稼働モードとして検出する。この非稼働モードの検出方法は、モードが割り当てられた複数の区間の長さについて、作業中は再現性がある（区間の長さのばらつきが小さい）が、作業をしていない非稼働状態のときは再現性がない（区間の長さのばらつきが大きい）場合を想定している。非稼働モードの検出方法はこれに限らず、例えば、作業主体が非稼働状態のときにはセンサデータの値が変化しない場合、センサデータの値の変化に基づいて非稼働モードを検出してもよい。すなわち、センサデータの値が変化しない区間に割り当てられたモードを非稼働モードとする。あるいは、作業主体が非稼働状態のときのセンサデータに再現性がある場合、予め生成された非稼働モードのテンプレートと比較して、非稼働モードを検出してもよい。

非稼働モードを検出した場合、サイクル分割部１３は、モードデータにおいて特定した非稼働モードが割り当てられている区間の終了時刻をサイクル区間が切り替わる時刻として、サイクル区間を特定する。非稼働モードを検出しなかった場合、サイクル分割部１３は、予め決められたモードを選択し、当該モードが割り当てられている区間の終了時刻をサイクル区間が切り替わる時刻として、サイクル区間を特定する。

サイクル分割部１３が生成するサイクルデータについて、図５を用いて説明する。図５に示すサイクルデータは、図４に示すモードデータに対して、モードｉが非稼働モードとして検出され、サイクル区間０～５が特定されている。

図１に戻り、サイクル分割部１３は、モードデータと生成したサイクルデータとをサイクル判定部１４に送る。サイクル判定部１４は、サイクル分割部１３から受け取ったモードデータおよびサイクルデータに基づいて、正常なサイクル区間を判定する。まず、サイクル判定部１４は、サイクルデータに基づいてモードデータをサイクル区間ごとに分割する。次に、サイクル判定部１４は、サイクル区間ごとに分割された複数のモードデータに基づいて、それぞれのサイクル区間が正常であるか異常であるかを判定する。サイクル判定部１４は、予め決められた判定条件を満たすサイクル区間を正常と判定する。

判定条件は、そのサイクル区間に含まれるすべてのモードデータの各区間の長さが、それぞれのモードに対して設定された標準範囲内にあることである。標準範囲は、当該モードが割り当てられた複数の区間の長さに基づいて、例えば「偏差値３０以上７０以下」、「３０パーセンタイル以上７０パーセンタイル以下」などと設定できる。ただし、非稼働モードとして特定されているモードに対しては標準範囲を適用しない。

サイクル判定部１４は、各サイクル区間について正常か異常かを判定した判定結果を示す判定結果データを生成する。サイクル判定部１４が生成する判定結果データについて、図６を用いて説明する。図６に示す判定結果データは、図５で示したサイクルデータによって図４で示したモードデータをサイクル区間ごとに分割し、サイクル区間毎に分割された複数のモードデータに基づいて、それぞれのサイクル区間が正常であるか異常であるかを判定した結果である。例えば、サイクル区間２においてモードｃの区間の長さが標準範囲内になかったため、サイクル区間２は異常であると判定されている。

図１に戻り、サイクル判定部１４は、モードデータとサイクルデータと生成した判定結果データとを正常モデル生成部１５に送る。正常モデル生成部１５は、サイクル判定部１４から受け取ったサイクルデータおよび判定結果データが示す正常なサイクル区間に含まれるモードデータに基づいて、正常モデルを生成し、正常モデル記憶部１６に記憶する。なお、正常モデル記憶部１６は、外部の装置またはシステムが備える構成にしてもよい。

モード分割部１２、サイクル分割部１３、サイクル判定部１４および正常モデル生成部１５は、上記の処理を繰り返して、正常モデルを学習する。正常モデル生成部１５は、生成した正常モデルが予め決められた学習終了条件を満たす場合に、正常モデルの生成を終了する。学習終了条件とは、例えば、正常モデル生成部１５が生成した学習モデルが、既に正常モデル記憶部１６が記憶している正常モデルと一致することである。ここでの「一致」は完全一致でなくてもよく、例えば類似度が一定値以上でもよい。学習終了条件はこれに限らず、モード分割部１２、サイクル分割部１３、サイクル判定部１４および正常モデル生成部１５が上記の処理を繰り返す回数などで規定してもよい。

具体的には、正常モデル生成部１５は、ガウス過程回帰を用いて、各モードに分類された区間におけるセンサデータのガウス分布のパラメータであるテンプレートを算出する。ガウス過程回帰を用いたテンプレートの算出方法の詳細は、例えば、文献ＷＯ２０１９／２２９９４３の段落００３０～段落００３５に記載されており、標準パターンがテンプレートに相当する。また、正常モデル生成部１５は、各モードに分類された複数の区間の長さに基づいて、各モードに対応する複数の閾値を算出する。例えば、正常モデル生成部１５は、各モードに分類された複数の区間の長さの平均値、パーセンタイル値、偏差値といった統計量を閾値として算出することができる。なお、非稼働モードとして特定されたモードの区間は異常検知の対象外であるので、閾値を設定しない。正常モデル生成部１５は、複数のモードにそれぞれ対応するテンプレートおよび閾値を正常モデルとして正常モデル記憶部１６に記憶する。

正常モデル記憶部１６が記憶する正常モデルについて、図７および図８を用いて説明する。図７は、正常モデルに含まれる複数のモードにそれぞれ対応するテンプレートの例である。テンプレートは、各モードに分類された区間におけるセンサデータのガウス分布のパラメータである。すなわち、テンプレートは、各モードに分類された区間における各時刻のセンサデータの平均値および分散として算出される。図７の例では、テンプレートを時系列のグラフで表している。図８は、正常モデルに含まれる閾値の例である。図８の例では、閾値は、複数のモードのそれぞれに対して、当該モードが割り当てられた複数の区間の長さの平均値である。また、モードｉは非稼働モードとして特定されており、閾値が設定されていない。図８では、モードごとに１つの閾値が設定されているが、例えば、閾値は下限および上限を表す値であってもよい。

図１に戻り、異常検知部１７は、モード分割部１２から受け取ったモードデータおよび正常モデル記憶部１６が記憶する正常モデルに基づいて、モードデータの区間毎に異常を検知する。異常検知部１７は、モードデータの各区間の長さと、各区間に割り当てられたモードに対応する正常モデルの閾値とを比較して、閾値を超えるか否かで各区間が異常であるか否かを検知する。または、異常検知部１７は、モードデータの各区間に含まれるセンサデータと、各区間に割り当てられたモードに対応する正常モデルのテンプレートとを比較して、類似度を異常側度として異常を検知してもよい。あるいは、異常検知部１７は、閾値との比較およびテンプレートとの比較の両方を行って、各区間が異常であるか否かを検知してもよい。異常検知部１７が異常の検知に閾値を用いない場合は、正常モデルに閾値を含まなくてもよい。

異常検知部１７は、非稼働モードが割り当てられた区間に対しては、異常を検知しない。これにより、作業主体が非稼働状態である場合に生じうる異常の検知（誤検知）を防ぐことが可能であり、異常検知性能の低下を抑制することができる。異常検知部１７は、異常を検知したモードデータの区間がある場合、異常を検知したモードデータの区間を示す異常検知データを生成する。

異常検知部１７が生成する異常検知データについて、図９を用いて説明する。図９の例では、モードデータのうち、モードｃの区間の長さが閾値を超えていたため、モードｃの区間が異常であると検知されている。図９の例では、異常検知はモードデータに含まれる区間の長さ（時間）のみで判定しているが、モードデータの各区間に含まれるセンサデータとテンプレートとの類似度を異常測度として異常を検知してもよい。

図１に戻り、異常検知部１７は、生成した異常検知データを出力部１８に送る。出力部１８は、異常検知部１７から受け取った異常検知データを出力する。異常検知データの出力方法は、例えば、画面表示でもよいし、音声出力でもよい。あるいは、ユーザが使用するユーザ端末に送信してもよい。

上述のとおり、正常モデル生成装置１が行う処理には、センサデータに基づいて正常モデルを学習する学習フェーズと、センサデータに基づいて異常を検知して出力する異常検知フェーズとがある。

ここで、正常モデル生成装置１が学習フェーズで実行する学習処理の流れについて、図１０を用いて説明する。図１０に示す学習処理は、正常モデル生成装置１が学習フェーズに切り替えられた時に開始する。センサデータ取得部１１は、センサ２からセンサデータを取得する（ステップＳ１１）。このとき、センサデータ取得部１１は、バッチ処理でひとまとめのセンサデータを取得する。センサデータ取得部１１は、取得したセンサデータをモード分割部１２に送る。

例えば、図２に示すセンサデータは作業主体の状態をセンサ２が検出して得られる物理量を示す７次元の時系列データである。図２に示すグラフは、縦軸が物理量の値、横軸が時間である。また、物理量の値は、次元ごとに平均値０、標準偏差１に標準化されている。

図１０に戻り、正常モデル記憶部１６が正常モデルを記憶していない場合（ステップＳ１２；ＮＯ）、モード分割部１２は、予め決められたパラメータを用いて、センサデータ取得部１１から受け取ったセンサデータをモード分割し、モードデータを生成する（ステップＳ１３）。

ステップＳ１３で生成されるモードデータの例を図３に示す。モード分割部１２は、予め決められたパラメータとして、例えば、１つのサイクルに期待される長さ（時間）であるサイクル期待長さと、１つのサイクルに含まれるモード数とを用いる。モード分割部１２は、サイクル期待長さをモード数で除することで、１つのモードに期待される長さ（時間）であるモード期待長さを算出する。図３の例では、モード分割部１２は、センサデータをモード期待長さで分割した区間に９つのモードａ～ｉを周期的に割り当てており、図示しないがモードデータの各モードの区間にはセンサデータが含まれている。

正常モデル記憶部１６が正常モデルを記憶している場合（ステップＳ１２；ＹＥＳ）、モード分割部１２は、正常モデルに含まれる各モードのテンプレートと比較して、センサデータ取得部１１から受け取ったセンサデータをモード分割し、モードデータを生成する（ステップＳ１４）。モード分割部１２は、生成したモードデータをサイクル分割部１３に送る。

ステップＳ１４で生成されるモードデータの例を図４に示す。モード分割部１２は、例えば、ＦＦ－ＢＳを用いて、正常モデルに含まれる各モードのテンプレートに基づいてセンサデータを複数の区間に分割し、分割された区間のそれぞれにおけるセンサデータを対応するモードに分類することでモードデータを生成する。図４の例では、センサデータをＦＦ－ＢＳを用いて分割した区間に対応する９つのモードａ～ｉを周期的に割り当てており、図示しないがモードデータの各モードの区間にはセンサデータが含まれている。

図１０に戻り、サイクル分割部１３は、モードデータに含まれる複数のモードから、非稼働モードを検出する（ステップＳ１５）。非稼働モードがあった場合（ステップＳ１６；ＹＥＳ）、サイクル分割部１３は、モードデータにおいて検出した非稼働モードが割り当てられている区間の終了時刻をサイクル区間が切り替わる時刻とし、非稼働モードの終了時刻で区切ったサイクル区間を特定する（ステップＳ１７）。非稼働モードがなかった場合（ステップＳ１６；ＮＯ）、サイクル分割部１３は、予め決められたモードを選択し、当該モードが割り当てられている区間の終了時刻をサイクル区間が切り替わる時刻とし、予め決められたモードの終了時刻で区切ったサイクル区間を特定する（ステップＳ１８）。サイクル分割部１３は、特定したサイクル区間を示すサイクルデータを生成する（ステップＳ１９）。サイクル分割部１３は、モードデータと生成したサイクルデータとをサイクル判定部１４に送る。

例えば、図５に示すサイクルデータでは、図４に示すモードデータに対して、モードｉが非稼働モードとして検出され、サイクル区間が特定されている。

図１０に戻り、サイクル判定部１４は、サイクル分割部１３から受け取ったモードデータおよびサイクルデータに基づいて、正常なサイクル区間を判定する（ステップＳ２０）。ステップＳ２０で、サイクル判定部１４は、そのサイクル区間に含まれるすべてのモードデータの各区間の長さが、それぞれのモードに対して設定された標準範囲内にあるという判定条件を満たすサイクル区間を正常なサイクル区間と判定する。サイクル判定部１４は、各サイクル区間について正常か異常かを判定した判定結果を示す判定結果データを生成する（ステップＳ２１）。サイクル判定部１４は、モードデータとサイクルデータと生成した判定結果データとを正常モデル生成部１５に送る。

例えば、図６に示す判定結果データは、図５で示したサイクルデータによって図４で示したモードデータがサイクル区間ごとに分割され、サイクル区間毎に分割された複数のモードデータに基づいて、それぞれのサイクル区間が正常であるか異常であるかを判定された結果である。

図１０に戻り、正常モデル生成部１５は、サイクルデータおよび判定結果データが示す正常なサイクル区間に含まれるモードデータに基づいて、正常モデルを生成する（ステップＳ２２）。

具体的には、正常モデル生成部１５は、ガウス過程回帰を用いて、各モードに分類された区間におけるセンサデータのガウス分布のパラメータであるテンプレートを算出する。また、正常モデル生成部１５は、各モードに分類された複数の区間の長さに基づいて、各モードに対応する複数の閾値を算出する。例えば、各モードに分類された複数の区間の長さの平均値、パーセンタイル値、偏差値といった統計量を閾値として算出することができる。なお、非稼働モードとして特定されたモードの区間は異常検知の対象外であるので、閾値を設定しない。正常モデル生成部１５は、複数のモードにそれぞれ対応するテンプレートおよび閾値を正常モデルとして正常モデル記憶部１６に記憶する。

正常モデル記憶部１６が記憶する正常モデルについて、図７および図８を用いて説明する。図７は、正常モデルに含まれる複数のモードにそれぞれ対応するテンプレートの例である。図７の例では、テンプレートは、各モードに分類された区間におけるセンサデータのガウス分布のパラメータである。すなわち、テンプレートは、各モードに分類された区間における各時刻のセンサデータの平均値および分散として算出される。図８は、正常モデルに含まれる閾値の例である。図８の例では、閾値は、複数のモードのそれぞれに対して、当該モードが割り当てられた複数の区間の長さの平均値である。また、モードｉは非稼働モードとして特定されており、閾値が設定されていない。

図１０に戻り、正常モデル生成部１５は、学習終了条件を満たすか否かを判定する（ステップＳ２３）。学習終了条件は、例えば、正常モデル生成部１５が生成した学習モデルが、既に正常モデル記憶部１６が記憶している正常モデルと一致することである。学習終了条件を満たさない場合（ステップＳ２３；ＮＯ）、処理はステップＳ１４に戻り、ステップＳ１４～ステップＳ２３を繰り返す。学習終了条件を満たす場合（ステップＳ２３；ＹＥＳ）、処理は終了する。

続いて、正常モデル生成装置１が異常検知フェーズで実行する異常検知処理の流れについて、図１１を用いて説明する。図１１に示す異常検知処理は、正常モデル生成装置１が異常検知フェーズに切り替えられた時に開始する。センサデータ取得部１１は、センサ２からセンサデータを取得する（ステップＳ３１）。このとき、センサデータ取得部１１は、センサ２から逐次センサデータを取得する。センサデータ取得部１１は、取得したセンサデータをモード分割部１２に送る。

モード分割部１２は、正常モデルに含まれる各モードのテンプレートと比較して、センサデータ取得部１１から受け取ったセンサデータをモード分割し、モードデータを生成する（ステップＳ３２）。モード分割部１２は、生成したモードデータを異常検知部１７に送る。

異常検知部１７は、モード分割部１２から受け取ったモードデータおよび正常モデル記憶部１６が記憶する正常モデルに基づいて、モードデータの区間毎に異常を検知する（ステップＳ３３）。ステップＳ３３で、異常検知部１７は、例えば、モードデータの各区間の長さと、各区間に割り当てられたモードに対応する正常モデルの閾値とを比較して、閾値を超えるか否かで各区間が異常であるか否かを検知する。または、異常検知部１７は、モードデータの各区間に含まれるセンサデータと、各区間に割り当てられたモードに対応する正常モデルのテンプレートとを比較することで、各区間が異常であるか否かを検知する。あるいは、異常検知部１７は、閾値との比較およびテンプレートとの比較の両方を行って、各区間が異常であるか否かを検知してもよい。

異常検知部１７は、非稼働モードが割り当てられた区間に対しては、異常を検知しない。これにより、作業主体が非稼働状態である場合に生じうる異常の検知（誤検知）を防ぐことが可能であり、異常検知性能の低下を抑制することができる。

異常を検出したモードデータの区間がなかった場合（ステップＳ３４；ＮＯ）、処理はステップ３１に戻り、ステップＳ３１～ステップＳ３４を繰り返す。異常を検知したモードデータの区間があった場合（ステップＳ３４；ＹＥＳ）、異常検知部１７は、異常を検知したモードデータの区間を示す異常検知データを生成する（ステップＳ３５）。

異常検知部１７が生成する異常検知データについて、図９を用いて説明する。図９の例では、モードデータのうち、モードｃの区間が異常であると検知されている。

図１１に戻り、異常検知部１７は、生成した異常検知データを出力部１８に送る。出力部１８は、異常検知部１７から受け取った異常検知データを出力し（ステップＳ３６）、処理を終了する。

図１１のフローチャートでは、異常を検知すると異常検知データを出力して処理を終了する流れになっているが、異常を検知しても、ステップＳ３１～ステップＳ３６を繰り返す構成にしてもよい。この場合、例えば、正常モデル生成装置１の電源がＯＦＦになったとき、または、学習フェーズに切り替えられたときに処理を終了する。

上記の説明では、図１０に示す学習処理が実行された後に、図１１に示す異常検知処理が実行されるものとして説明したが、これに限らない。例えば、最初に正常モデルが正常モデル記憶部１６に記憶された後は、異常検知処理と並行して、定期的にあるいはユーザが指定したタイミングで学習処理を実行して、正常モデルを更新する構成にしてもよい。

実施の形態に係る正常モデル生成装置１によれば、複数のモードを有する作業を行う作業主体の状態を検出した時系列のセンサデータをモード分割し、正常なサイクル区間に含まれるモードデータに基づいて正常モデルを生成することにより、モード毎の正常モデルを学習する計算負荷を軽減することが可能になる。

正常モデル生成装置１のハードウェア構成について図１２を用いて説明する。図１２に示すように、正常モデル生成装置１は、一時記憶部１１１、記憶部１１２、計算部１１３、入力部１１４、送受信部１１５および表示部１１６を備える。一時記憶部１１１、記憶部１１２、入力部１１４、送受信部１１５および表示部１１６はいずれもＢＵＳを介して計算部１１３に接続されている。

計算部１１３は、例えばＣＰＵ（Central Processing Unit）である。計算部１１３は、記憶部１１２に記憶されている制御プログラムに従って、正常モデル生成装置１のモード分割部１２、サイクル分割部１３、サイクル判定部１４、正常モデル生成部１５および異常検知部１７の各処理を実行する。

一時記憶部１１１は、例えばＲＡＭ（Random-Access Memory）である。一時記憶部１１１は、記憶部１１２に記憶されている制御プログラムをロードし、計算部１１３の作業領域として用いられる。

記憶部１１２は、フラッシュメモリ、ハードディスク、ＤＶＤ－ＲＡＭ（Digital Versatile Disc - Random Access Memory）、ＤＶＤ－ＲＷ（Digital Versatile Disc - ReWritable）などの不揮発性メモリである。記憶部１１２は、正常モデル生成装置１の処理を計算部１１３に行わせるためのプログラムを予め記憶し、また、計算部１１３の指示に従って、このプログラムが記憶するデータを計算部１１３に供給し、計算部１１３から供給されたデータを記憶する。正常モデル記憶部１６は、記憶部１１２に構成される。

入力部１１４は、キーボード、ポインティングデバイスなどの入力装置と、キーボード、ポインティングデバイスなどの入力装置をＢＵＳに接続するインタフェース装置である。入力部１１４を介して、ユーザが入力した情報が計算部１１３に供給される。正常モデル生成装置１の学習フェーズと異常検知フェーズをユーザが切り替える構成では、ユーザは入力部１１４に切り替え指示を入力する。

送受信部１１５は、ネットワークに接続する網終端装置または無線通信装置、およびそれらと接続するシリアルインタフェースまたはＬＡＮ（Local Area Network）インタフェースである。送受信部１１５は、センサデータ取得部１１として機能する。出力部１８が、異常検知データをユーザ端末に送信する構成では、送受信部１１５は、出力部１８として機能する。

表示部１１６は、ＣＲＴ（Cathode Ray Tube）、ＬＣＤ（Liquid Crystal Display）などの表示装置である。例えば、表示部１１６は、ユーザが情報を入力する操作画面を表示する。正常モデル生成装置１の学習フェーズと異常検知フェーズをユーザが切り替える構成では、表示部１１６は、切り替え指示を入力する画面を表示する。出力部１８が、異常検知データを画面表示する構成では、表示部１１６は、出力部１８として機能する。

図１に示す正常モデル生成装置１のセンサデータ取得部１１、モード分割部１２、サイクル分割部１３、サイクル判定部１４、正常モデル生成部１５、正常モデル記憶部１６、異常検知部１７および出力部１８の処理は、制御プログラムが、一時記憶部１１１、計算部１１３、記憶部１１２、入力部１１４、送受信部１１５および表示部１１６などを資源として用いて処理することによって実行する。

その他、前記のハードウェア構成およびフローチャートは一例であり、任意に変更および修正が可能である。

計算部１１３、一時記憶部１１１、記憶部１１２、入力部１１４、送受信部１１５、表示部１１６などの正常モデル生成装置１の処理を行う中心となる部分は、専用のシステムによらず、通常のコンピュータシステムを用いて実現可能である。例えば、前記の動作を実行するためのコンピュータプログラムを、フレキシブルディスク、ＣＤ－ＲＯＭ（Compact Disc - Read Only Memory）、ＤＶＤ－ＲＯＭ（Digital Versatile Disc - Read Only Memory）などのコンピュータが読み取り可能な記録媒体に格納して配布し、当該コンピュータプログラムをコンピュータにインストールすることにより、前記の処理を実行する正常モデル生成装置１を構成してもよい。また、インターネットに代表される通信ネットワーク上のサーバ装置が有する記憶装置に当該コンピュータプログラムを格納しておき、通常のコンピュータシステムがダウンロードすることで正常モデル生成装置１を構成してもよい。

また、正常モデル生成装置１の機能を、ＯＳ（Operating System）とアプリケーションプログラムの分担、またはＯＳとアプリケーションプログラムとの協働により実現する場合などには、アプリケーションプログラム部分のみを記録媒体、記憶装置に格納してもよい。

また、搬送波にコンピュータプログラムを重畳し、通信ネットワークを介して提供することも可能である。例えば、通信ネットワーク上の掲示板（BBS, Bulletin Board System）に前記コンピュータプログラムを掲示し、通信ネットワークを介して前記コンピュータプログラムを提供してもよい。そして、このコンピュータプログラムを起動し、ＯＳの制御下で、他のアプリケーションプログラムと同様に実行することにより、前記の処理を実行できる構成にしてもよい。

上記の実施の形態では、サイクル区間に含まれる一連の複数のモードのモード数および順番が決まっている場合について説明したが、サイクル区間に含まれる一連の複数のモードは順番のみが決まっている構成にしてもよい。この場合、モード分割部１２が実行するＦＦ－ＢＳを用いるモードデータの生成方法では、例えば前の区間にモードａが割り当てられた場合、後の区間にはモードａまたはモードｂが割り当てられる。また、１つのサイクル区間に含まれる一連の複数のモードのモード数は１以上となり、サイクル区間ごとに異なる場合がある。以下、１つのサイクル区間に含まれる一連の複数のモードのモード数および順番をモード記号列という。サイクル判定部１４がサイクル区間を正常と判定する判定条件に次の条件が追加される。追加される条件は、そのサイクル区間のモード記号列が標準モード記号列と一致することである。標準モード記号列は、例えば、各サイクル区間に含まれるモード記号列のうち、出現頻度が最大のモード記号列とする。

上記の実施の形態では、図１０に示す学習処理において、ステップＳ１４～ステップＳ２３を繰り返すが、２回目以降でサイクルデータが既に存在する場合、ステップＳ１４で、サイクル区間ごとに分割したセンサデータをモード分割してモードデータを生成してもよい。この場合、ステップＳ１６～ステップＳ１９は、予め決められた解除条件を満たすまで実行しなくてもよい。予め決められた解除条件は、例えば、ステップＳ１４で生成されるモードデータが既に存在するモードデータと類似している（類似度が一定値以上である）、前回ステップＳ１６～ステップＳ１９を実行してから、ステップＳ１４～ステップＳ２３を一定回数以上繰り返している、などである。このように、サイクルデータを一定期間固定することで、正常モデルのテンプレートが収束しやすくなる。テンプレートがある程度まで収束したときに、サイクル区間を新たに特定して、ステップＳ１４～ステップＳ２３を繰り返せば、正常モデルの精度を高めつつ、処理速度を早くすることができる。

上記の実施の形態では、モード分割部１２は、正常モデルを用いてセンサデータをモード分割するが、作業主体からのイベント信号が得られる場合は、イベント信号に基づいてモード分割してもよい。

上記の実施の形態では、正常モデル生成装置１は、センサデータ取得部１１と、モード分割部１２と、サイクル分割部１３と、サイクル判定部１４と、正常モデル生成部１５と、正常モデル記憶部１６と、異常検知部１７と、出力部１８とを備えるが、正常モデル生成装置１が、センサデータ取得部１１と、モード分割部１２と、サイクル分割部１３と、サイクル判定部１４と、正常モデル生成部１５のみを備える構成にしてもよい。

上記の実施の形態では、正常モデル生成装置１が学習フェーズと異常検知フェーズとを有するが、これに限らず、正常モデル生成装置１を、センサデータに基づいて正常モデルを生成する学習装置とセンサデータに基づいて異常を検知して出力する異常検知装置とで実現してもよい。この変形例に係る学習装置３および異常検知装置４について、図１３Ａおよび図１３Ｂを用いて説明する。

図１３Ａに示すように、学習装置３は、センサ２からセンサデータを取得するセンサデータ取得部１１と、センサデータをモード分割したモードデータを生成するモード分割部１２と、モードデータに基づいて、一連の複数のモードが繰り返されるサイクル区間を示すサイクルデータを生成するサイクル分割部１３と、サイクルデータおよびモードデータに基づいて、正常なサイクル区間を判定するサイクル判定部１４と、正常なサイクル区間に含まれるモードデータに基づいて、正常モデルを生成する正常モデル生成部１５と、正常モデルを記憶する正常モデル記憶部１６と、を備える。

図１３Ｂに示すように、異常検知装置４は、センサ２からセンサデータを取得するセンサデータ取得部１１と、センサデータをモード分割したモードデータを生成するモード分割部１２と、正常モデルを記憶する正常モデル記憶部１６と、モードデータおよび正常モデルに基づいて、モードデータの区間毎に異常を検知し、異常を検知したモードデータの区間を示す異常検知データを生成する異常検知部１７と、異常検知データを出力する出力部１８を備える。異常検知装置４は、学習装置３が生成した正常モデルを正常モデル記憶部１６に記憶する。

なお、本開示は、本開示の広義の精神と範囲を逸脱することなく、様々な実施の形態及び変形が可能とされるものである。また、上述した実施の形態は、この開示を説明するためのものであり、本開示の範囲を限定するものではない。即ち、本開示の範囲は、実施の形態ではなく、請求の範囲によって示される。そして、請求の範囲内及びそれと同等の開示の意義の範囲内で施される様々な変形が、この開示の範囲内とみなされる。

１正常モデル生成装置、２センサ、３学習装置、４異常検知装置、１１センサデータ取得部、１２モード分割部、１３サイクル分割部、１４サイクル判定部、１５正常モデル生成部、１６正常モデル記憶部、１７異常検知部、１８出力部、１００異常検知システム、１１１一時記憶部、１１２記憶部、１１３計算部、１１４入力部、１１５送受信部、１１６表示部、ａ～ｉモード。

Claims

反復的に行われる一連の複数のモードを有する作業を行っている作業主体の状態をセンサで検出することによって生成される時系列のセンサデータを取得するコンピュータを、
前記センサデータをモード分割したモードデータを生成するモード分割部、
前記モードデータに基づいて、一連の複数のモードが繰り返されるサイクル区間を示すサイクルデータを生成するサイクル分割部、
前記サイクルデータおよび前記モードデータに基づいて、正常なサイクル区間を判定するサイクル判定部、および、
前記正常なサイクル区間に含まれる前記モードデータに基づいて、前記複数のモードごとの正常モデルを生成する正常モデル生成部、
として機能させる正常モデル生成プログラム。
前記コンピュータを、
前記モードデータと前記正常モデルとを比較して、前記モードデータの区間毎に異常を検知し、異常を検知した前記モードデータの区間を示す異常検知データを生成する異常検知部、
としてさらに機能させる請求項１に記載の正常モデル生成プログラム。
前記モード分割部は、前記複数のモードごとのテンプレートを含む前記正常モデルを用いて、前記センサデータを分割したそれぞれの区間に対して、前記一連の複数のモードを周期的に割り当てて前記モードデータを生成する、
請求項１または２に記載の正常モデル生成プログラム。
前記サイクル分割部は、前記モードデータに含まれる前記複数のモードから、モードの区間の長さ、または、モードに含まれる前記センサデータの値の変化に基づいて、非稼働モードを検出し、前記非稼働モードの終了時刻で区切ったサイクル区間を特定し、前記サイクルデータを生成する、
請求項１または２に記載の正常モデル生成プログラム。
前記サイクル分割部は、前記モードデータに含まれる前記複数のモードから、モードの区間の長さ、または、モードに含まれる前記センサデータの値の変化に基づいて、非稼働モードを検出し、前記非稼働モードの終了時刻で区切ったサイクル区間を特定し、前記サイクルデータを生成する、
請求項３に記載の正常モデル生成プログラム。
前記モード分割部、前記サイクル分割部、前記サイクル判定部、および、前記正常モデル生成部はそれぞれ、予め決められた学習終了条件を満たすまで、前記モードデータの生成、前記サイクルデータの生成、前記正常なサイクル区間の判定、前記正常モデルの生成の処理を繰り返す、
請求項１または２に記載の正常モデル生成プログラム。
前記モード分割部、前記サイクル分割部、前記サイクル判定部、および、前記正常モデル生成部はそれぞれ、予め決められた学習終了条件を満たすまで、前記モードデータの生成、前記サイクルデータの生成、前記正常なサイクル区間の判定、前記正常モデルの生成の処理を繰り返す、
請求項３に記載の正常モデル生成プログラム。
前記モード分割部、前記サイクル分割部、前記サイクル判定部、および、前記正常モデル生成部はそれぞれ、予め決められた学習終了条件を満たすまで、前記モードデータの生成、前記サイクルデータの生成、前記正常なサイクル区間の判定、前記正常モデルの生成の処理を繰り返す、
請求項４に記載の正常モデル生成プログラム。
前記モード分割部、前記サイクル分割部、前記サイクル判定部、および、前記正常モデル生成部の処理の繰り返しにおいて、
前記サイクル分割部は、前記サイクルデータが既にある場合には、予め決められた解除条件を満たすまで、前記サイクルデータの生成を実行しない、
請求項６に記載の正常モデル生成プログラム。
前記モード分割部、前記サイクル分割部、前記サイクル判定部、および、前記正常モデル生成部の処理の繰り返しにおいて、
前記モード分割部は、前記サイクルデータが既にある場合には、前記サイクルデータが示すサイクル区間ごとに分割した前記センサデータをモード分割して前記モードデータを生成する、
請求項６に記載の正常モデル生成プログラム。
前記モード分割部、前記サイクル分割部、前記サイクル判定部、および、前記正常モデル生成部の処理の繰り返しにおいて、
前記モード分割部は、前記サイクルデータが既にある場合には、前記サイクルデータが示すサイクル区間ごとに分割した前記センサデータをモード分割して前記モードデータを生成する、
請求項９に記載の正常モデル生成プログラム。
反復的に行われる一連の複数のモードを有する作業を行っている作業主体の状態をセンサで検出することによって生成される時系列のセンサデータを取得するセンサデータ取得部と、
前記センサデータをモード分割したモードデータを生成するモード分割部と、
前記モードデータに基づいて、一連の複数のモードが繰り返されるサイクル区間を示すサイクルデータを生成するサイクル分割部と、
前記サイクルデータおよび前記モードデータに基づいて、正常なサイクル区間を判定するサイクル判定部と、
前記正常なサイクル区間に含まれる前記モードデータに基づいて、前記複数のモードごとの正常モデルを生成する正常モデル生成部と、
を備える、正常モデル生成装置。
前記正常モデルと、前記モードデータとを比較して、前記モードデータの区間毎に異常を検知し、異常を検知した前記モードデータの区間を示す異常検知データを生成する異常検知部と、
前記異常検知データを出力する出力部と、
をさらに備える、
請求項１２に記載の正常モデル生成装置。
反復的に行われる一連の複数のモードを有する作業を行っている作業主体の状態をセンサで検出することによって生成される時系列のセンサデータを取得する正常モデル生成装置が実行する、
前記センサデータをモード分割したモードデータを生成し、
前記モードデータに基づいて、一連の複数のモードが繰り返されるサイクル区間を示すサイクルデータを生成し、
前記サイクルデータおよび前記モードデータに基づいて、正常なサイクル区間を判定し、
前記正常なサイクル区間に含まれる前記モードデータに基づいて、前記複数のモードごとの正常モデルを生成する、
正常モデル生成方法。
前記正常モデルと、前記モードデータとを比較して、前記モードデータの区間毎に異常を検知し、異常を検知した前記モードデータの区間を示す異常検知データを生成する、
請求項１４に記載の正常モデル生成方法。