JP7275062B2 - 時変システム動作における異常検出のためのシステム、方法およびコンピュータ読取可能記憶媒体 - Google Patents

Description

本開示は、概して機器故障の異常検出に関し、特に時変動作を伴うシステムにおける異常検出に関する。

現代のコンピュータシステムは、さまざまな物理システムおよび／またはマシンから大量の情報を収集する。このようなマシンを良好に機能する状態に保つことは、マシンの動作に関係する重要な作業であり、メンテナンスを実行する方法および時期は、マシンの動作の経済的側面に極めて重要な影響を与える。あるメンテナンス戦略では、マシンを、故障して初めて修理する（改良保全としても知られている）。この戦略は、決して最適ではないことが非常に多い。なぜなら、故障したマシン全体の修理は、マシンが壊れる前に１つの部品を交換するよりも、高コストになる場合があり、また、マシンが故障すると、原料の無駄遣いおよび許容できない製品品質が生じるかもしれず、マシンを操作する作業員を危険に晒すことさえあるかもしれないからである。改良保全が実用的または経済的な選択肢ではない場合は、マシンの定期的なメンテナンスを一定間隔、たとえば１年ごとに実施するという、別の戦略を使用する。このような安全重視のマシンの例として、エレベータおよび自動車が挙げられ、世界のほとんどの地域で、これらのマシンのメンテナンスは１年に１度行われ、それに対応する証明書が発行される。この戦略は一般的に予防保全として知られている。

予防保全はマシンのメンテナンスに関係がある安全性の問題に対処するが、それが経済的には最適ではない多くの事例がある。予防保全の第一の問題は、メンテナンス周期の長さが、任意（たとえば１年または１カ月）であることが多く、マシンの実際のニーズよりも、検査機関の都合および検査プロセスのロジスティクス（たとえば自動車に対して検査ステッカーを発行）に関係があることである。基底にある問題は、あるマシンのグループ内に、新しく、頻繁にメンテナンスしなくてもよいであろうマシンと、より頻繁にメンテナンスが必要であろう古いマシンとが混在している場合に、１つのメンテナンス周期では、そのグループ内のすべてのマシンに最適な周期にはなり得ないことである。

マシン解析業界において、センサは典型的にはマシンパラメータの測定に使用される。マシン動作の計測機器が増えると、マシンの動作をモニタリングするセンサから大量のデータが収集されることになる。また、一部のセンサからのデータは比較的高頻度で生成される場合があり、そうするとさらに大量のデータが発生する。マシンに関係するセンサからのデータストリームを解析することにより、マシンの状態を判断することができる。たとえば、マシンに関係するセンサからのデータストリームを解析することにより、機器故障と呼ばれる、マシンが期待通り機能していない状態であるか否かを判断できる場合がある。

いくつかのシステム動作は、繰り返されるサイクルを含む場合も含まない場合もあり得る時変プロセスとして説明できる。一般的に、時変プロセスの解析は、その予測不能性と、正常であると考えられる時変プロセスの測定値の分散とが原因で、難しい。そのため、従来の、時変システム動作の異常検出方法には、システム動作の正常変化を異常と宣言するおよび／または必要なときに異常を宣言しない、フォールスポジティブ（誤検知）および／またはフォールスネガティブ（検知漏れ）の問題がある。

そのため、時変システム動作における異常検出のためのシステムおよび方法が依然として必要とされている。

いくつかの実施形態は、時変信号によって表されるマシンの時変動作の変遷の統計的観察を表すことができる、新たな統計的時系列データマイニングプリミティブの発見に基づく。マシンの時変動作は、繰り返されるサイクルを含む場合も含まない場合もあり得る。このような時変動作の例には、エレベータのドアの開閉、工場オートメーションプロセスにおける組み立て中の部品挿入、軌道に従って物体を移動させるモータの動作などが含まれる。時変動作を表す時変信号は、１つまたは複数のセンサから収集されたマシンの動作の測定値の時系列サンプルである。一般的に、時変信号の統計的解析の実行は、時変信号の変動し易さおよび／または予測不能性、ならびに動作プロセスの変動する性質のために、難しい。そのため、発見された統計的プリミティブは、いくつかのアプリケーションに有益となり得る時変信号の統計的解析を容易にすることができる。

本明細書で使用する、時変信号または信号は、時系列の値である。時系列とは、時間的に連続して測定したおよび／または求めた一連の値である。時系列における各値は、その値に対応付けられたタイムスタンプによって定めることができる時間のインスタンスに対応する。時系列内の値は、それぞれのタイムスタンプに従って順番に並べられる。時間のインスタンスは、絶対値および／または相対値で、たとえばマシン動作の開始からの時間で、示すことができる。相対的な時間のインスタンスは好都合である。なぜなら、マシン動作の別々の実行を表す別々の信号の測定値を並べ易くすることができるからである。

本開示において、時変信号は、マシンの動作の物理変数の測定値の時系列サンプルを含む。このような物理変数の例は、物体を移動させるモータのトルクおよび／または電圧、この物体の位置、速度および／または加速度などを含む。時系列サンプルは、一次元の可能性も多次元の可能性もある、すなわち、１サンプルは、マシンの動作のさまざまな物理量の測定値を含み得る。

本開示は、新たに発見された統計的時系列データマイニングプリミティブを、ローカライズマトリクスプロファイル（localized matrix profile）（ＬＭＰ）と呼ぶ。本明細書において、時変信号のＬＭＰは、テスト時変信号の、他の時変信号との局所的相違の時変プロファイルと定義される。そのＬＭＰを求める時変信号を、入力もしくはテスト時変信号、または単にテスト信号と呼ぶ。テスト時変信号のＬＭＰを求めるために、当該テスト時変信号との比較用に使用される時変信号を、ベースライン時変信号、または単にベースライン信号と呼ぶ。

具体的には、上記ＬＭＰの定義の「時変」部分は、ＬＭＰが時間的に時変信号と同期することを示す。言い換えると、テスト時変信号、および当該テスト時変信号のＬＭＰはいずれも、時間の関数であり、ある時間のインスタンスにおけるＬＭＰの値は、少なくとも一部、同じ時間のインスタンスにおけるテスト時変信号の値から導出される。特に、ＬＭＰは、テスト時変信号の、ベースライン時変信号との相違を表すので、時間のインスタンスにおけるＬＭＰの値は、この時間のインスタンスにおけるベースライン時変信号の値にも依存する。このようにして、ＬＭＰは、テスト時変信号の時間属性を維持する。これは、いくつかの時系列データマイニングアプリケーションにとって好都合である。

実際、時変信号は通常、一連の動作モードを通して移行が発生する過渡的なプロセスに対応し、これらのモードについて測定された信号は一般的に異なる。一例はモータまたは乗用車の始動シーケンスであり、モータまたはエンジンの物理測定値は、安定した動作体制に落ち着くまでは、時間とともに変化する。このような時変プロセスにおける異常検出のためには、測定値を、この測定値を得た時間に対応付けることが有益である。たとえば、乗用車のエンジンの温度のある値は、始動後１０ベースラインでは正常かもしれないが、３０分運転した時点では異常である可能性がある。

上記ＬＭＰの定義の「局所的相違」部分は、ある時間のインスタンスにおけるＬＭＰの値が、この時間のインスタンスにおけるテスト時変信号の値の局所的近隣と、同じ時間のインスタンスにおけるベースライン時変信号の値の局所的近隣との相違に依存し、テスト時変信号およびベースライン時変信号のその他の値から独立していることを意味する。ある時間の瞬間のＬＭＰ値の一例は、この時間のインスタンスにおけるその値を中心とするテスト時変信号のセグメントと、同じ時間のインスタンスにおけるその値を中心とするベースライン時変信号のセグメントとの間のユークリッド距離である。その他の実装例において、ある時間のインスタンスのセグメントは、この時間のインスタンスにおけるその値を中心としている必要はない。たとえば、セグメントの位置は、この時間のインスタンスにおけるその値の位置から始まってもよく、この値の位置で終わってもよく、この値の位置を含んでいてもよく、そうでなければこの値の位置に依存してもよい。このようにして、ＬＭＰの各値は、テスト時変信号の局所的な変遷の変化量を示し、これはいくつかの時変データマイニングアプリケーションには好都合である。

加えて、上記ＬＭＰの定義の「プロファイル」部分は、ＬＭＰが時間の関数であることを意味する。より具体的には、テスト時変信号は時系列なので、テスト時変信号のＬＭＰも時系列である。ＬＭＰの各値は、あるマシンの時変動作の局所的な変遷の統計的変化量なので、ＬＭＰは、マシンの動作における局所的変遷の時系列の統計的変化量である。このようにして、時変信号のＬＭＰにより、時変信号の「予測不能性」とは無関係に、マシンの動作の変遷の統計的解析を実施することができる。

具体的には、ＬＭＰは、時変信号で表されるマシンの動作の変遷の統計的解析にとって好都合ないくつかの特性を有する。第一に、マシンの動作は「予測不能」なので、マシンの時変動作の変遷は時間に依存する。特に、ＬＭＰは時間情報を維持し、これにより、時間に依存する統計的解析を実施することができる。

第二に、テスト時変信号のＬＭＰは当該テスト時変信号の値の分布とは無関係の関数であるので、ＬＭＰは統計の原理に従う。実際、ＬＭＰは、テスト時変信号とベースライン時変信号との局所的相違の関数なので、ＬＭＰの同じ値がテスト時変信号の異なる値に対して生成される可能性があり、逆の可能性もある。

第三に、ＬＭＰは、マシンの動作の局所的な変遷だけでなく、マシンの動作の全体的な変遷も捕捉する。ＬＭＰの各値は、局所的情報、すなわち局所的な変遷から求められるが、ＬＭＰ値のシーケンスは、それにもかかわらず、マシンの動作の変遷の全体的な変化量に関する統計を捕捉する。このような構成により、いくつかの実施形態は、経時的な時変信号の局所的統計パラメータを観察することができる。

加えて、いくつかの実施形態において、ＬＭＰの概念は、あるテスト時変信号の、複数のベースライン時変信号との統計的相違の捕捉まで拡張される。これらの実施形態において、テスト時変信号のＬＭＰの各値は、このテスト時変信号のセグメントと、複数のベースライン時変信号の対応するセグメントとの相違の関数である。たとえば、テスト時変信号のＬＭＰの値は、このテスト時変信号のセグメントと、複数のベースライン時変信号の対応するセグメントとの間の、最小ユークリッド距離である。これらの実施形態は、ＬＭＰの統計的性質をより正確に捕捉する。

それに加えてまたはそれに代えて、いくつかの実施形態において、ＬＭＰを、たとえば時変信号が１つのセンサまたは１種類の複数のセンサの測定値を含む場合の、単変量時系列（univariate time series）（ＵＴＳ）について求める。それに加えてまたはそれに代えて、いくつかの実施形態において、ＬＭＰを、たとえば時変信号が異なる種類の異なるセンサの測定値を含む場合の、多変量時系列（multivariate time series）（ＭＴＳ）について求める。たとえば、マシンの動作は、加速度計、トルクセンサ、および位置センサの測定値で表すことができる。正式には、ＭＴＳアイテムは複数のＵＴＳアイテムで形成され、各ＵＴＳは特定の次元に対応する。特に、ＬＭＰはＭＴＳについて内部的に求めることができる。すなわち、ＬＭＰの１つの値は、対応する、複数の時系列データの値から求められる。このようにして、いくつかの実施形態は、時系列データの次元数だけでなく、時変信号の統計的解析の計算負荷を減じる。

たとえば、いくつかの実施形態において、一組のベースライン（正常）ＭＴＳアイテムを基準としてあるＭＴＳアイテムについて求めたＬＭＰの各値は、ＭＴＳアイテムに含まれるＵＴＳの対応するセグメント間の重み付けされたユークリッド距離の最小値である。ユークリッド距離は、等しく、すなわち同一の重みで、重み付けすることができ、これが計算を単純にする。しかしながら、ＭＴＳ時変信号の、次元が異なるＵＴＳ時変信号を相関させることができるので、等しく重み付けされたユークリッド距離は、結果として得られたＬＭＰにおいて部分的な情報を伝えるだけである。そのため、いくつかの実施形態において、重み付けされたユークリッド距離は、時変信号の異なる次元を測定する異なるセンサに対する異なる重みを用いて求められる。たとえば、いくつかの実施形態において、そのような重みを、主成分分析（principal component analysis）（ＰＣＡ）に基づいて、教師なし方法（ＭＴＳアイテムのラベルは不要であり、たとえば、故障検出／分類アプリケーションにおいて、ＭＴＳアイテムが正常か否かがわからず、不良ＭＴＳアイテムがどのような種類の故障を持ち得るのかもわからない）を用いて計算する。上記ＰＣＡは、主成分（principal component）（ＰＣ）および記述的共通主成分（descriptive common principal component）（ＤＣＰＣ）の特性を利用することにより、変数間の相関情報を維持する。変数の変数重要度スコア（variable importance score（ＶＩＳ、すなわち重み）を、共通主成分に対するそれらの寄与度に従って計算する。

いくつかの実施形態は、ＬＭＰはスライディングウィンドウ技術を用いて効率的に計算できるという認識に基づく。ウィンドウの長さは、ＬＭＰの値を求めるためのテストおよびベースライン時変信号のセグメントの長さを画定し、ウィンドウの位置は、ＬＭＰの値を求める時間インスタンスを画定する。スライディングウィンドウ技術は、ウィンドウを、時間的に１または複数の時間インスタンス分シフトすることにより、ＬＭＰの値を繰り返し求める。１回の繰り返しごとに、すなわちウィンドウの１シフトごとに、ＬＭＰの値は、ＬＭＰの前の値、もはやウィンドウの一部ではないウィンドウの古いシフトについて求めたＬＭＰの古いシフト値、および、ウィンドウの新たに追加された部分について求めたＬＭＰの新たなシフト値の、関数である。ＬＭＰの前の値、およびＬＭＰの古いシフト値は、前の繰り返しから得ることができる。よって、現在の繰り返し中のＬＭＰの現在の値を求めるために、いくつかの実施形態は、ＬＭＰの新たなシフト値を求めこの値を前に求めた値と組み合わせるだけでよい。その後の繰り返しについては、ＬＭＰの現在の値はＬＭＰの前の値となり、ＬＭＰの新たなシフト値はＬＭＰの古いシフト値となる。このようにして、ＬＭＰを求める計算の複雑度は、ブルートフォースＬＭＰ計算と比較して減じられる。

いくつかの実施形態は、ＬＭＰはさまざまなアプリケーションにおいて使用できる統計的プリミティブであるという認識に基づく。たとえば、いくつかの実施形態の目的は、ＬＭＰを用いて、マシンの時変動作における異常検出および／または故障分類を、マシンの時変動作を表す時変信号のＬＭＰの統計的解析を行うことによって実行することである。

いくつかの実施形態は、マシンの動作の時変信号は、正常に実行されたマシンの動作の他の正常な時変信号と比較できるという認識に基づく。これらの実施形態において、ベースライン信号は、マシンの正常動作の測定値を含み、マシンの動作のベースライン実行は、マシンの動作の成功した実行である。

たとえば、エレベータのドアを繰り返し開閉する動作を測定することにより、時変信号を経時的に収集することができる。エレベータのドアの開閉動作が、異常または故障のない成功した動作とみなされた場合、これらの動作の測定値は正常な時変信号となる。理論上、検討対象の入力時変信号が正常な時変信号に似ている場合、この入力時変信号は正常とみなすことができる。逆に、検討対象の入力時変信号が正常な時変信号と似ていない場合、この入力時変信号は異常または不良とみなすことができる。そのため、いくつかの実施形態において、ベースライン時変信号は、マシンの動作の正常な時変信号である。

それに加えてまたはそれに代えて、いくつかの実施形態は、マシンの動作における故障の種類を分類するように構成される。そのため、いくつかの実施形態は、テスト信号を、マシンの動作における特定種類の故障を表す信号と比較する。

いくつかの実施形態は、多くの場合時変信号の変化は許容されるという観察に基づく。このような変化の許容範囲（すなわちしきい値）が適切に考慮されない場合、上記比較が、フォールスポジティブおよび／またはフォールスネガティブ問題につながる可能性がある。フォールスポジティブ問題とは、成功した動作を表す信号に異常を見出すことである。このような状況は一般的に、比較のしきい値を小さく設定し過ぎたことによって生じる。フォールスネガティブ問題とは、失敗した動作を表す信号に異常を見出さないことである。このような状況は一般的に、比較のしきい値を大きく設定し過ぎたことによって生じる。フォールスポジティブ問題およびフォールスネガティブ問題は一般的に解決が難しい。そのため、比較のしきい値を適切に設定することが不可欠である。

いくつかの実施形態は、比較の適切なしきい値は、たとえばマシンの正常動作のベースライン時変信号のＬＭＰの値から決定できるという認識に基づく。ベースライン時変信号の異なるＬＭＰからしきい値を導出することにより、時変信号の許容変化量を捕捉して、フォールスポジティブおよび／またはフォールスネガティブエラーを減じる。

いくつかの実施形態において、マシンの動作における異常を検出するためのしきい値決定手順は、３つのステップに分けられる。第一に、マシンの成功した動作を表すいくつかの正常なベースライン時変信号を収集し、これらの正常な信号を、ＬＭＰの定義における複数のベースライン時変信号として使用する。第二に、各ベースライン信号のＬＭＰを、他のベースライン信号を基準として計算する。なお、マシンの動作を表すテスト時変信号のＬＭＰは、ベースライン時変信号を基準として計算される。同様に、所定のベースライン信号のＬＭＰを計算するためには、このような所定のベースライン信号のＬＭＰを、この所定のベースライン信号自体を除く、他のすべてのベースライン信号を基準として計算する。第三に、所定の時間インスタンスについて、この時間のインスタンスにおけるＬＭＰしきい値の値は、この時間のインスタンスにおけるベースライン信号のＬＭＰの最大値である。したがって、これらのしきい値は、時間に依存する態様で正常な時変信号間の許容変化量を表す時系列も形成する。本明細書で使用する、このような時系列のしきい値を、ＬＭＰＴで示し、「Ｔ」がしきい値を表し、「ＬＭＰ」が正常な時変信号のＬＭＰから導出されるしきい値を表す。実際、そのようなＬＭＰしきい値は、時変信号の許容変化量を説明するため、かつフォールスポジティブエラーおよびフォールスネガティブエラーを減じるために、時間のインスタンスが異なれば変化する。

加えて、いくつかの実施形態は、ベースライン時変信号を基準とする入力時変信号のＬＭＰと、対応するＬＭＰＴとの間の相違時系列（difference time series）（ＤＴＳ）が、異常検出におけるフォールスポジティブおよびフォールスネガティブの問題に対処するのに役立ち得る、という理解に基づく。各時間インスタンスについて、このようなＤＴＳの値は、正常な時変信号を基準とする入力時変信号のＬＭＰの値から、この時間インスタンスにおける対応するＬＭＰＴの値を減算したものに等しい。このようなＤＴＳの正の（すなわちゼロよりも大きい）各値は、入力時変信号の局所的誤差を表す。しかしながら、一連のＤＴＳの正の値は、誤差の累計を、異常の存在を示すものとして表す。一方、それに続く正ではない値は、誤差からの回復を、異常がないことを示すものとして表す。したがって、ＤＴＳにより、経時的な局所的誤差の累計および／または回復の統計的解析の提供が可能になる。誤差の累計および回復は、特定の時間における１つの局所的誤差だけの場合よりも、さまざまな動作における実際の状況をより良く表す。したがって、ＤＴＳを用いた異常検出における誤差の累計および回復を考慮することにより、計算上効率的にフォールスポジティブおよびフォールスネガティブ問題に対処する。

いくつかの実施形態は、局所的誤差の法外な累計の値はマシンに依存し実験に基づいて選択できるという認識に基づく。しかしながら、この法外な累計が局所的誤差の値だけでなく局所的誤差の値の変化率にも依存し得ることも観察される。そのため、いくつかの実施形態は、この累計を、期間内のＤＴＳ値の関数として、および／または期間内のＤＴＳ値におけるＤＴＳの導関数の関数として、求める。

そのため、いくつかの実施形態は、マシンの動作の生の測定値ではなく、ＬＭＰに基づく間接的な異常検出を開示する。そのような間接的な異常検出は、少なくとも以下の理由により、好都合である。第一に、ＬＭＰはそれでもなお、マシンの異なる動作の時間情報を維持する時系列である。第二に、ＬＭＰは、生のサンプルよりも適切に相違を表し、より直感的に異常を示す。第三に、ＬＭＰにより、マシンの時変動作の変遷を少なくとも２回、すなわち、ＬＭＰを求めるテスト時と、ＬＭＰのセグメントを解析するベースライン時とにおいて、考慮することができる。

加えて、時系列の相違値を求め比較することは、異なる時間スケールで実施することができる。たとえば、時系列の相違値を求めるためのセグメントの長さは、異常検出のために異なる時系列の相違値を比較するためのセグメントの長さと異なり得る。これらの異なる時間スケールにより、全体的な異常検出手順に適するようにされた時変プロセスの局所的な偏差をより適切に考慮することができる。加えて、正常な履歴サンプルから求めた異なる時系列の相違値は、時変プロセスの正常な偏差を、時間の関数として表し、これにより、時変プロセスの異常検出しきい値をより適切に決定することができる。

したがって、ある実施形態は、マシンの動作の実行における異常を検出するためのシステムを開示し、このシステムは、マシンの動作の時系列の測定値を含むテスト信号を入力するように構成された入力インターフェイスと、一組のベースライン信号を格納するように構成されたメモリとを備え、各ベースライン信号は、マシンの動作のベースライン実行の時系列の測定値を含み、上記システムはさらに、ハードウェアプロセッサを備え、ハードウェアプロセッサは、ベースライン信号を基準とするテスト信号のローカルマトリクスプロファイル（ＬＭＰ）を求めるように構成され、ＬＭＰは時系列のＬＭＰ値であり、ある時間インスタンスについての各ＬＭＰ値は、上記時間インスタンスにおける上記テスト信号のセグメントについて、上記テスト信号のセグメントと、上記時間インスタンスにおける上記ベースライン信号の対応するセグメントとの間の、最小距離に基づいて求められ、各ＬＭＰ値は、上記マシンの上記動作の上記ベースライン実行を基準とする、上記マシンの動作の実行の局所的相違の値であり、ハードウェアプロセッサは、ある期間においてＬＭＰしきい値を上回るＬＭＰ値の累計を求めるように構成され、ハードウェアプロセッサは、上記期間において上記ＬＭＰしきい値を上回る上記ＬＭＰ値の累計が異常検出しきい値よりも大きい場合に異常を検出し、異常検出の結果を生成するように構成され、上記システムはさらに、異常検出の結果を出力するように構成された出力インターフェイスを備える。

別の実施形態は、マシンの動作の実行における異常を検出するための方法を開示し、この方法はプロセッサを用い、プロセッサはこの方法を実現する格納された命令と結合され、命令は、プロセッサによって実行されると、この方法のステップを実行し、ステップは、マシンの動作の時系列の測定値を含むテスト信号を受け入れるステップと、一組のベースライン信号を基準とするテスト信号のローカルマトリクスプロファイル（ＬＭＰ）を求めるステップとを含み、各ベースライン信号は、マシンの動作のベースライン実行の時系列の測定値を含み、ＬＭＰは時系列のＬＭＰ値であり、ある時間インスタンスについての各ＬＭＰ値は、上記時間インスタンスにおける上記テスト信号のセグメントについて、上記テスト信号のセグメントと、上記時間インスタンスにおける上記ベースライン信号の対応するセグメントとの間の、最小距離に基づいて求められ、各ＬＭＰ値は、上記マシンの動作のベースライン実行を基準とする、上記マシンの動作の実行の局所的相違の値であり、この方法はさらに、ある期間においてＬＭＰしきい値を上回るＬＭＰ値の累計を求めるステップと、上記期間において上記ＬＭＰしきい値を上回る上記ＬＭＰ値の累計が異常検出しきい値よりも大きい場合に異常を検出し、異常検出の結果を生成するステップと、上記異常検出の結果を出力するステップとを含む。

さらに他の実施形態は、方法を実行するためにプロセッサが実行可能なプログラムが実装された非一時的なコンピュータ読取可能記憶媒体を開示し、この方法は、マシンの動作の時系列の測定値を含むテスト信号を受け入れるステップと、一組のベースライン信号を基準とするテスト信号のローカルマトリクスプロファイル（ＬＭＰ）を求めるステップとを含み、各ベースライン信号は、マシンの動作のベースライン実行の時系列の測定値を含み、ＬＭＰは時系列のＬＭＰ値であり、ある時間インスタンスについての各ＬＭＰ値は、上記時間インスタンスにおける上記テスト信号のセグメントについて、上記テスト信号のセグメントと、上記時間インスタンスにおける上記ベースライン信号の対応するセグメントとの間の、最小距離に基づいて求められ、各ＬＭＰ値は、上記マシンの動作のベースライン実行を基準とする、上記マシンの動作の実行の局所的相違の値であり、この方法はさらに、ある期間においてＬＭＰしきい値を上回るＬＭＰ値の累計を求めるステップと、上記期間において上記ＬＭＰしきい値を上回る上記ＬＭＰ値の累計が異常検出しきい値よりも大きい場合に異常を検出し、異常検出の結果を生成するステップと、上記異常検出の結果を出力するステップとを含む。

いくつかの実施形態に係る、マシンの動作における異常を検出および／または分類するためのシステムのブロック図を示す。 いくつかの実施形態に係る、マシンの動作における異常を検出および／または分類するためのシステムのブロック図を示す。 いくつかの実施形態に係る、ＬＭＰの概念を説明する概略図を示す。 いくつかの実施形態に係る、ＬＭＰを求めるためのシフティングウィンドウ法の概略図を示す。 いくつかの実施形態に係る、ＬＭＰに基づいて故障検出器のＬＭＰ値のしきい値を求める方法の概略図を示す。 図２Ｃの例について求めた時系列のしきい値を示す。 いくつかの実施形態に係る、マシンの動作の各種パラメータの重みを求める方法のブロック図を示す。 いくつかの実施形態に係る、ＬＭＰの比較特性のグラフを示す。 いくつかの実施形態に係る、ＬＭＰに基づく異常検出のための方法のブロック図を示す。 ある実施形態に係る、ＬＭＰに基づく故障検出の方法のブロック図を示す。 いくつかの実施形態に係る、ＬＭＰに基づく故障分類の方法のブロック図を示す。 ある実施形態に係る、代表的なテストＭＴＳアイテム、一組の代表的なベースラインＭＴＳアイテム、およびベースラインＭＴＳアイテムを基準とするそれらのＬＭＰを説明するグラフを示す。 図６のＬＭＰを用いる故障検出のグラフを示す。 いくつかの実施形態に係る、故障分類のための３種類のラベルを有するサンプル訓練ＭＴＳアイテムのＬＭＰを説明するグラフを示す。 いくつかの実施形態に従い制御されるマシンの典型を示す。 図９Ａの代表的な実施形態についての故障分類をまとめた混同行列を示す。 実施形態に係る、代替コンピュータまたはプロセッサを用いて実現できる図１Ａのシステムの構成要素のブロック図である。

システムの概要

図１Ａおよび図１Ｂは、いくつかの実施形態に係る、マシン１０２の動作における異常を検出および／または分類するためのシステム１００のブロック図を示す。マシン１０２の例は、エレベータドアシステム、ロボットアセンブリ、およびサーボモータを含む。マシンの動作の例は、エレベータドアの開閉、特定のタスクに従ってロボットアームを操作すること、特定の軌道に従ってサーボモータにより物体を移動させることを含む。システム１００は、学習コンポーネントおよび制御コンポーネントのうちの１つまたはこれらの組合せを含む。学習コンポーネントは、マシンの動作の統計的プリミティブを推定するように構成される。制御コンポーネントは、学習した統計的プリミティブを用いて動作の異常値を推定するように構成される。いくつかの実施形態において、システム１００の異常検出は、マシン１０２の動作における故障の有無を判断する。それに加えてまたはそれに代えて、いくつかの実施形態において、システム１００の異常検出は、マシン１０２の動作における故障の種類を分類する。

システム１００は、システム１００を他のシステムおよび装置と接続するいくつかの入力１０８および出力１１６インターフェイスを有することができる。たとえば、ネットワークインターフェイスコントローラ１５０は、バス１０６を介してシステム１００をネットワーク１９０に接続するのに適するようにされたものである。システム１００は、ネットワーク１９０を介して、無線または有線で、マシンの動作の測定値の時系列サンプルを含むテスト信号１９５を受信することができる。入力信号１９５の測定値は、センサ１０４ａ、１０４ｂ、および１０４ｃのうちの１つまたはその組合せからの測定値、または、マシンの動作の物理変数の測定値から導出されたデータである。このような物理変数の例は、物体を移動させるモータのトルクおよび／または電圧、この物体の位置、速度および／または加速度などを含む。時系列サンプルは、一次元の可能性も多次元の可能性もある、すなわち、１サンプルは、マシンの動作のさまざまな物理量の測定値を含み得る。

いくつかの実装例において、システム１００内の人間マシンインターフェイス１１０は、システムをキーボード１１１およびポインティングデバイス１１２に接続し、ポインティングデバイス１１２は、とりわけ、マウス、トラックボール、タッチパッド、ジョイスティック、ポインティングスティック、スタイラス、またはタッチスクリーンを含み得る。インターフェイス１１０またはＮＩＣ１５０を介して、システム１００は、ベースラインデータ、たとえば、ベースライン信号の値、異常検出しきい値および／または故障分類しきい値等を受けることができる。

システム１００は、異常検出の結果を出力するように構成された出力インターフェイス１１６を含む。たとえば、出力インターフェイスは、異常検出の結果をレンダリングするためにメモリを含み得る。たとえば、とりわけ、コンピュータモニタ、カメラ、テレビ、プロジェクタ、またはモバイルデバイス等の表示装置１８５にシステム１００を接続するのに適するようにされた表示インターフェイス１８０に、バス１０６を介してシステム１００を連結することができる。また、各種動作の実行のために機器１６５にシステムを接続するのに適するようにされたアプリケーションインターフェイス１６０にシステム１００を接続することもできる。また、システムをマシン１０２に接続するのに適するようにされた制御インターフェイス１７０にシステム１００を接続することもできる。たとえば、いくつかの実施形態において、システム１００は、マシン１０２を、その動作の異常の検出に応じて制御するように構成される。たとえば、システム１００は、マシン１０２の動作の実行を停止させることができる。

システム１００は、格納された命令を実行するように構成されたプロセッサ１２０と、プロセッサが実行可能な命令を格納するメモリ１４０とを含む。プロセッサ１２０は、シングルコアプロセッサでもよく、マルチコアプロセッサでもよく、コンピューティングクラスタでもよく、または、任意の数のその他の構成であってもよい。メモリ１４０は、ランダムアクセスメモリ（ＲＡＭ）、読出専用メモリ（ＲＯＭ）、フラッシュメモリ、または任意の他の適切なメモリシステムを含み得る。プロセッサ１２０は、バス１０６を介して１つ以上の入出力デバイスに接続される。これらの命令は、マシンの動作における異常を検出および／または分類するための方法を実現する。

そのため、制御システム１００は、ベースライン信号を基準とする入力信号のローカルマトリクスプロファイル（ＬＭＰ）を求めるように構成されたＬＭＰ推定器１３３を含む。ベースライン信号は、ベースラインデータ１３１の一部としてメモリ１４０に格納されてもよく、および／またはシステム１００の入力インターフェイス１０８を介してダウンロードされてもよい。ＬＭＰは、時変信号によって表されるマシンの時変動作の変遷に対する統計的観察を表すことができる、新たな統計的時系列データマイニングプリミティブである。マシンの時変動作は、繰り返されるサイクルを含む場合も含まない場合もあり得る。一般的に、時変信号の統計的解析の実行は、時変信号の変動し易さおよび／または予測不能性、ならびに動作プロセスの変動する性質のために、難しい。そのため、発見された統計的プリミティブは、いくつかのアプリケーションに有益となり得る時変信号の統計的解析を容易にすることができる。

いくつかの実施形態において、ベースライン信号は、検討の対象であるマシンの動作の成功した実行を表す正常信号である。これらの実施形態において、正常信号を基準として求めたＬＭＰを用いることにより、マシンの動作における異常を検出することができる。そのため、システム１００は、ＬＭＰが示すある期間にわたる局所的誤差の累計が、異常検出しきい値よりも大きい場合に、異常を検出するように構成された、異常検出器１３７を含む。

それに加えてまたはそれに代えて、いくつかの実施形態において、ベースライン信号は、検討の対象であるマシンの動作の成功した実行を表す正常信号である。これらの実施形態において、正常信号を基準として求めたＬＭＰを用いることにより、マシンの動作における故障を分類することができる。そのため、システム１００は、テスト信号のＬＭＰと、ラベル付けされた訓練信号のＬＭＰとの比較に基づいて故障を分類するように構成された故障分類器１３５を含む。

実際、ＬＰＭを、異なる信号を比較するためかつＬＭＰが示すある期間にわたる局所的誤差の累計が対応するしきい値を超えたときに故障を検出するための統計的プリミティブとして用いることにより、異常検出および／または故障分類におけるポジティブおよびネガティブ検出エラーを減じることができる。
・ローカルマトリクスプロファイル（ＬＭＰ）

図２Ａは、いくつかの実施形態に係るＬＭＰの概念を説明する概略図を示す。一般性を失うことなく、図２Ａは単変量時系列の例を示す。上側の図は、マシンの動作の測定値の時系列サンプルを含むテスト信号２５１と、一組のベースライン信号２５２、２５３、２５４とを示す。各信号は、マシンの同じ動作の実行に対応する。これらの信号は、時間的に同期した時系列信号である。同じ動作の１回の実行に対応するこれらの信号を、本明細書ではアイテムとも呼ぶ。

クエリ長さＭおよび任意の時間インスタンスｔ_１の場合、一組のベースラインアイテム２５２、２５３、および２５４を基準とするテストアイテム２５１のＬＭＰの値２６０は、サブシーケンス２４０（すなわち２５１の点２３０と２３１との間の曲線セグメント）と、サブシーケンス２４１（すなわち２５２の点２３２と２３３との間の曲線セグメント）、２４２（すなわち２５３の点２３４と２３５との間の曲線セグメント）、および２４３（すなわち２５４の点２３６と２３７との間の曲線セグメント）との間の、最小ユークリッド距離２６０として求められる。なお、サブシーケンス２４０、２４１、２４２、および２４３は、同じ長さＭおよび同じ開始時間ｔ_１を有する。図２Ａの下側の図は、ベースラインアイテムを基準とするテストアイテムのＬＭＰの値が、時間の経過に伴って変化し、付随する単変量時系列２５５を形成することも示す。

したがって、ＬＭＰは時系列のＬＭＰ値であり、ある時間インスタンスの各ＬＭＰ値は、この時間インスタンスにおける入力信号のセグメントについて、この入力信号のセグメントと、この時間インスタンスにおけるベースライン信号の対応するセグメントとの相違に基づいて、求められ、各ＬＭＰ値は、この時間インスタンスのマシンの動作の局所的誤差の値である。

本明細書で使用する、時変信号または信号は、時系列の値である。時系列とは、時間的に連続して測定したおよび／または求めた一連の値である。時系列における各値は、その値に対応付けられたタイムスタンプによって定めることができる時間のインスタンスに対応する。時系列内の値は、それぞれのタイムスタンプに従って順番に並べられる。時間のインスタンスは、絶対値および／または相対値で、たとえば、マシン動作の開始からの時間で、示すことができる。相対的な時間のインスタンスは好都合である。なぜなら、マシン動作の別々の実行を表す別々の信号の測定値を並べ易くすることができるからである。

本明細書において、時変信号のＬＭＰは、この時変信号の、別の時変信号との局所的相違２６０の時変プロファイル２５５と定義される。そのＬＭＰを求める時変信号を、テスト時変信号と呼ぶ。このテスト時変信号との比較用に使用される他方の時変信号を、ベースライン時変信号と呼ぶ。

具体的には、上記ＬＭＰの定義の「時変」部分は、ＬＭＰが時間的に時変信号と同期することを示す。言い換えると、テスト時変信号、および当該テスト時変信号のＬＭＰはいずれも、時間の関数であり、ある時間のインスタンスにおけるＬＭＰの値は、少なくとも一部、同じ時間のインスタンスにおけるテスト時変信号の値から導出される。特に、ＬＭＰは、テスト時変信号の、ベースライン時変信号との相違を表すので、時間のインスタンスにおけるＬＭＰの値は、この時間のインスタンスにおけるベースライン時変信号の値にも依存する。このようにして、ＬＭＰは、テスト時変信号の時間属性を維持する。これは、いくつかの時系列データマイニングアプリケーションにとって好都合である。

上記ＬＭＰの定義の「局所的相違」部分は、ある時間のインスタンスにおけるＬＭＰの値が、この時間のインスタンスにおけるテスト時変信号の値の局所的近隣と、同じ時間のインスタンスにおけるベースライン時変信号の値の局所的近隣との相違に依存し、テスト時変信号およびベースライン時変信号のその他の値から独立していることを意味する。ある時間の瞬間のＬＭＰ値の一例は、この時間のインスタンスにおけるその値を中心とするテスト時変信号のセグメントと、同じ時間のインスタンスにおけるその値を中心とするベースライン時変信号のセグメントとの間のユークリッド距離である。その他の実装例において、ある時間のインスタンスのセグメントは、この時間のインスタンスにおけるその値を中心としている必要はない。たとえば、セグメントの位置は、この時間のインスタンスにおけるその値の位置から始まってもよく、この値の位置で終わってもよく、この値の位置を含んでいてもよく、そうでなければこの値の位置に依存してもよい。このようにして、ＬＭＰの各値は、テスト時変信号の局所的な変遷の変化量を示し、これはいくつかの時変データマイニングアプリケーションには好都合である。たとえば、図２Ａに示されるように、ＬＭＰ値２６０は、値２６０の時間インスタンスから始まるセグメント２４０、２４１、２４２、および２４３の比較に基づいて形成される。

加えて、上記ＬＭＰの定義の「プロファイル」部分は、ＬＭＰが時間の関数であることを意味する。より具体的には、テスト時変信号は時系列なので、テスト時変信号のＬＭＰも時系列である。ＬＭＰの各値は、あるマシンの時変動作の局所的な変遷の統計的変化量なので、ＬＭＰは、マシンの動作における局所的変遷の時系列の統計的変化量である。このようにして、時変信号のＬＭＰにより、時変信号の「予測不能性」とは無関係に、マシンの動作の変遷の統計的解析を実施することができる。

具体的には、ＬＭＰは、時変信号で表されるマシンの動作の変遷の統計的解析にとって好都合ないくつかの特性を有する。第一に、マシンの動作は「予測不能」なので、マシンの時変動作の変遷は時間に依存する。特に、ＬＭＰは時間情報を維持し、これにより、時間に依存する統計的解析を実施することができる。

第二に、テスト時変信号のＬＭＰは当該テスト時変信号の値の分布とは無関係の関数であるので、ＬＭＰは統計の原理に従う。実際、ＬＭＰは、テスト時変信号とベースライン時変信号との局所的相違の関数なので、ＬＭＰの同じ値がテスト時変信号の異なる値に対して生成される可能性があり、逆の可能性もある。

第三に、ＬＭＰは、マシンの動作の局所的な変遷だけでなく、マシンの動作の全体的な変遷も捕捉する。ＬＭＰの各値は、局所的情報、すなわち局所的な変遷から求められるが、ＬＭＰ値のシーケンスは、それにもかかわらず、マシンの動作の変遷の全体的な変化量に関する統計を捕捉する。このような構成により、いくつかの実施形態は、経時的な時変信号の局所的統計パラメータを観察することができる。

ローカライズマトリクスプロファイルの定義

いくつかの実施形態において、ＬＭＰを、たとえば時変信号が１つのセンサまたは１種類の複数のセンサの測定値を含む場合の、単変量時系列（ＵＴＳ）について求める。それに加えてまたはそれに代えて、いくつかの実施形態において、ＬＭＰを、たとえば時変信号が異なる種類の異なるセンサの測定値を含む場合の、多変量時系列（ＭＴＳ）について求める。たとえば、マシンの動作は、加速度計、トルクセンサ、および位置センサの測定値で表すことができる。正式には、ＭＴＳは複数のＵＴＳアイテムを含み、各ＵＴＳは特定の次元に対応する。なお、ＵＴＳは実際、ＭＴＳの特殊ケースであり、したがって、本開示はＭＴＳを用いて、１つまたは複数のセンサから収集された時系列を表す。

ＬＭＰの定義の記述の便宜上、本開示はある表記を導入する。ＮをＭＴＳデータ内の変数の数（すなわち、ＭＴＳデータを収集するためのセンサの数）とする。これはすべてのＭＴＳアイテムについて同一であると想定する。各ＭＴＳアイテムは、１つのマシンまたは同一種類の複数のマシンの同一の動作の実行に対応する（たとえば、１台のエレベータのまたは同一種類の複数のエレベータのドアを開くおよび／または閉じること）。変数（センサ）インデックスをｎで表し、ｎ＝１，…，Ｎである。Ｔをセンサが記録したタイムインスタンスの数とする。これもすべてのＭＴＳアイテムについて同一であると想定する。時間インスタンスインデックスをｔで表し、ｔ＝１，…，Ｔである。

なお、上述の定義において、クエリ長さＭは選択される。これは、マシンの動作の優勢周波数を選択することにより、または、ベースラインアイテムのＬＭＰを解析することにより求めた一組のベースラインアイテムにおける故障検出の損失関数を最小にする最適化問題を解くことにより、行うことができる。一組のＭの値は、最適化問題の最適化パラメータである。

ＬＭＰの計算

種々の実施形態は、種々の方法を用いて、ベースライン信号を基準とするテスト信号のＬＭＰを計算する、および／または種々のベースライン信号のＬＭＰを計算する。たとえば、ある実施形態は、ＬＭＰの定義およびブルートフォースアルゴリズム（アルゴリズム２を参照）におけるダイレクトサーチを用いることにより、その時間複雑度がＯ（ＭＮＬＴ）であり空間複雑度がＯ（ＮＬＴ）であるＬＭＰベクトルｇを得る。本開示は「ＦＬＴ＿ＭＡＸ」を用いて十分大きな数を表し、アルゴリズム２のライン４において、定義上、距離

は直接計算される。（２）を参照。

この考え方は、連続するサブシーケンス間の重複を利用し、Ｏ（ＮＬＴ）時間複雑度を有するアルゴリズム３に至り、ブルートフォースという代案と比較して、ファクタＭ分、計算を高速化する（Ｍはクエリ長さであり、この時間複雑度の低減は、特にＭが大きい場合にかなりの低減となる）。

いくつかの実施形態は、ＬＭＰはスライディングウィンドウ技術を用いてより効率的に計算できるという認識に基づく。ウィンドウの長さは、ＬＭＰの値を求めるためのテストおよびベースライン時変信号のセグメントの長さを画定し、ウィンドウの位置は、ＬＭＰの値を求める時間インスタンスを画定する。スライディングウィンドウ技術は、ウィンドウを、時間的に１または複数の時間インスタンス分シフトすることにより、ＬＭＰの値を繰り返し求める。１回の繰り返しごとに、すなわちウィンドウの１シフトごとに、ＬＭＰの値は、ＬＭＰの前の値、もはやウィンドウの一部ではないウィンドウの古いシフトについて求めたＬＭＰの古いシフト値、および、ウィンドウの新たに追加された部分について求めたＬＭＰの新たなシフト値の、関数である。ＬＭＰの前の値、およびＬＭＰの古いシフト値は、前の繰り返しから得ることができる。よって、現在の繰り返し中にＬＭＰの現在の値を求めるために、いくつかの実施形態は、ＬＭＰの新たなシフト値を求めこの値を前に求めた値と組み合わせるだけでよい。その後の繰り返しについては、ＬＭＰの現在の値はＬＭＰの前の値となり、ＬＭＰの新たなシフト値はＬＭＰの古いシフト値となる。このようにして、ＬＭＰを求める計算の複雑度は、ブルートフォースＬＭＰ計算と比較して減じられる。

図２Ｂは、いくつかの実施形態に係るＬＭＰを求めるためのシフティングウィンドウ方法の概略図を示す。シフティングウィンドウ方法は、テスト単変量時系列２７００およびベースライン単変量時系列２７５０のサブシーケンス間のユークリッド距離を如何にして効率的に計算するかを例示し、これは、本開示に従う高速ＬＭＰ計算アルゴリズムにおける基本的なサブルーチンである。２７００および２７５０の２つの連続サブシーケンスを考える。そのうちの一方は、時間インスタンスｔ_１とｔ_１＋Ｍ－１との間（すなわち、２７００の点２７０と２７３との間の曲線および２７５０の点２７５と２７８との間の曲線）であり、他方は、タイムインスタンスｔ_１＋１とｔ_１＋Ｍとの間（すなわち２７００の点２７１と２７４との間の曲線、および２７５０の点２７６と２７９との間の曲線）である。なお、対応する連続サブシーケンス間には重なりがある。橙色の曲線参照。ｔ_１から始まるサブシーケンス間のユークリッド距離を得るために、（Ｍ－１）対のスカラー間の距離の部分和として、重なり合う２つの曲線間の距離を、計算されると仮定して、再利用することができる。特に、ｔ_１＋１から始まるサブシーケンス間のユークリッド距離を計算するとき、いくつかの実施形態は、この部分和を直接使用し、１対のスカラー間の距離を計算するだけでよく、これは、クエリ長さＭとは無関係に一定時間で行うことができる。

ＬＭＰしきい値

いくつかの実施形態は、マシンの動作の時変信号は、正常に実行されたマシンの動作の他の正常な時変信号と比較できるという認識に基づく。たとえば、エレベータのドアを繰り返し開閉する動作を測定することにより、時変信号を経時的に収集することができる。エレベータのドアの開閉動作が、異常または故障のない成功した動作とみなされた場合、これらの動作の測定値は正常な時変信号となる。理論上、検討対象の入力時変信号が正常な時変信号に似ている場合、この入力時変信号は正常とみなすことができる。逆に、検討対象の入力時変信号が正常な時変信号と似ていない場合、この入力時変信号は異常または不良とみなすことができる。

いくつかの実施形態は、多くの場合時変信号の変化は許容されるという観察に基づく。このような変化の許容範囲（すなわちしきい値）が適切に考慮されない場合、上記比較が、フォールスポジティブおよび／またはフォールスネガティブ問題につながる可能性がある。フォールスポジティブ問題とは、成功した動作を表す信号に異常を見出すことである。このような状況は一般的に、比較のしきい値を小さく設定し過ぎたことによって生じる。フォールスネガティブ問題とは、失敗した動作を表す信号に異常を見出さないことである。このような状況は一般的に、比較のしきい値を大きく設定し過ぎたことによって生じる。フォールスポジティブ問題およびフォールスネガティブ問題は一般的に解決が難しい。そのため、比較のしきい値を適切に設定することが不可欠である。

いくつかの実施形態は、比較の適切なしきい値は、マシンの動作の正常な時変信号のＬＭＰの値から決定できるという認識に基づく。具体的には、しきい値を決定する手順は、３つのステップに分けられ、第一に、マシンの成功した動作を表すいくつかの正常な時変信号を収集し、これらの正常信号をＬＭＰの定義における複数のベースライン時変信号として用いる。ベースライン、マシンの動作を表す所定の入力時変信号のＬＭＰを、上記正常な時変信号を基準として計算する。しかしながら、所定の入力時変信号がこれらの正常な時変信号のうちの１つであった場合、このような入力時変信号のＬＭＰは、上記入力時変信号自体を除いた正常な時変信号を基準として計算する。第三に、所定の時間インスタンスについて、所定の入力時変信号のＬＭＰと正常な時変信号のＬＭＰとの比較のためのしきい値を、その時間インスタンスにおける正常な時変信号のＬＭＰの値の最大値を取ることによって決定する。

図２Ｃは、いくつかの実施形態に係るＬＭＰに基づいて故障検出器のＬＭＰ値のしきい値を求める方法の概略図を示す。これらの例において、本実施形態は、ＬＭＰのベースラインアイテム２８００、２８１０、および２８２０から得られるしきい値を求める。各タイムインスタンスごとに、ＬＭＰのしきい値を、ベースラインアイテムのＬＭＰの対応する値の最大値として取ることができる。特に、時間インスタンスｔ_１の場合、最大ＬＭＰ値は、点２８０にある（なぜなら点２８０は点２８０、２８１、および２８２のうちで最も高いからである）。よって、しきい値２９０は、点２８０におけるベースラインアイテム２８００のＬＭＰの値と同一である。また、時間インスタンスｔ_２の場合、最大のＬＭＰ値は点２８３にあり（なぜなら点２８３は点２８３、２８４、および２８５のうちで最も高いからである）、しきい値２９１は、点２８３におけるベースラインアイテム２８１０のＬＭＰの値と同一である。よって、しきい値は異なるベースラインＬＭＰから得ることができる。加えて、ＬＭＰ値のしきい値はそれ自体が時変であり、単変量時系列を形成する。

図２Ｄは、図２Ｃの例について決定した時系列のしきい値を示す。図２Ｃおよび図２Ｄに示されるように、これらのしきい値は、時間に依存する態様で正常な時変信号間の許容変化量を表す時系列を形成する。本明細書で使用する、このような時系列のしきい値を、ＬＭＰＴで示し、「Ｔ」がしきい値を表し、「ＬＭＰ」が正常な時変信号のＬＭＰから導出されるしきい値を表す。時系列のしきい値２９５は図面の上側において太線の曲線で示されている。

ＬＭＰを用いる次元数低減

いくつかの実施形態において、ＬＭＰを、たとえば時変信号が異なる種類の異なるセンサの測定値を含む場合の、多変量時系列（ＭＴＳ）について求める。たとえば、マシンの動作は、加速度計、トルクセンサ、および位置センサの測定値で表すことができる。正式には、ＭＴＳは複数のＵＴＳアイテムを含み、各ＵＴＳは特定の次元に対応する。特に、ＬＭＰはＭＴＳについて内部的に求めることができる。すなわち、ＬＭＰの１つの値は、対応する、複数の時系列データの値から求められる。このようにして、いくつかの実施形態は、時系列データの次元数だけでなく、時変信号の統計的解析の計算負荷を減じる。

特に、いくつかの実施形態は、変数間の相関情報を保持するために、主成分（ＰＣ）および記述的共通主成分（ＤＣＰＣ）の特性を利用する教師なし方法

を使用する。変数のＶＩＳを、共通主成分に対するそれぞれの寄与度に従って計算する。

図２Ｅは、いくつかの実施形態に係るマシンの動作の各種パラメータの重みを求める方法のブロック図を示す。これらの実施形態のいくつかの実装例において、重みはオフラインで、すなわちマシンの動作の開始前に求められる。実際、ＭＴＳアイテムについてのＬＭＰの重み付け計算は、故障異常検出および分類における次元数を減じることができる。

たとえば、いくつかの実施形態は、入力として、ラベル付けされていないＭＴＳアイテム２４００

を取得し、主成分（ＰＣ）を計算し２４０５、得られたＰＣから記述的共通主成分（ＤＣＰＣ）を計算する２４１０。次に、実施形態は、得られたＤＣＰＣに基づいて変数重要度スコア（ＶＩＳ）を計算する２４１５。

いくつかの実施形態において、マシン１０２の動作の各種パラメータの重みを、アルゴリズム１に従い、変数重要度スコア（ＶＩＳ）として求める。

具体的には、これは最初にＭＴＳアイテムごとのＰＣを取得し、次にこれら全体にわたるＤＣＰＣを連続的に取得する。ＭＴＳアイテムの主成分は、ライン３におけるその相関行列に特異値分解（Singular Value Decomposition）（ＳＶＤ）を適用することによって得られる。各アイテムにつきＮのＰＣがあるが、各ＭＴＳアイテムを表すには十分である第１のｐ（＜Ｎ）のＰＣのみが考慮される。一般的に、ｐは、第１のｐのＰＣによって説明される変数の和の、元のＭＴＳアイテムの基礎となる総変数に対するパーセント比率に基づいて求められ、その範囲は７０パーセントと９０パーセントとの間である。アルゴリズム１は、入力として、変化量の和、すなわちしきい値δを用いることにより、ｐを求める。すなわち、各入力ＭＴＳアイテムごとに、ｐを最小値として求め、その第１のｐのＰＣによって説明される総変化量が、最初に与えられたしきい値を上回る（ライン８～１４）。ＭＴＳアイテムはｐについて異なる値を有することができるので、ライン１６においてｐは最終的にその最大値として求められる（図２Ｅの２４００→２４０５→２４１０参照）。

こうして、各ＭＴＳアイテムは、その行がその第１のｐのＰＣでありその列が変数を表すｐ×Ｎ行列として表される。なお、この行列の各列は、同じ位置の元の変数に対して１対１の対応関係を有し、対応する変数の、ｐのＰＣの各々に対する寄与度を説明する。次に、ＤＣＰＣ行列が、ライン１７～２３を通して連続的に得られる。最後に、ＶＩＳベクトルを、一つ一つのＤＣＰＣローディングベクトルのｌ_２標準を用いることによって求める（ライン２４～２６、図２Ｅの２４１５参照）。

ＬＭＰ比較の効果

図３は、いくつかの実施形態に係るＬＭＰの比較特性のグラフを示す。具体的には、いくつかの実施形態において、ＬＭＰの概念は、あるテスト時変信号の、複数のベースライン時変信号との統計的相違の捕捉まで拡張される。これらの実施形態において、テスト時変信号のＬＭＰ３１０の各値は、このテスト時変信号のセグメントと、複数のベースライン時変信号の対応するセグメントとの相違の関数である。加えて、テスト信号のＬＭＰは、ベースライン信号のＬＭＰ３２０と比較することができる。あるベースライン信号のＬＭＰは、このベースライン信号を他のベースライン信号と比較して求めたＬＭＰである。複数のベースライン信号が動作の同種の成功、たとえば正常動作を表している場合、または特定の故障の不良動作を表している場合、これらのベースライン信号そのものは異なり得るが、それぞれのＬＭＰ３２０はむしろかたまりをなす。視覚的にも、図３に示されるように、テスト信号のＬＭＰ３１０をベースライン信号のＬＭＰ３２０と比較すると、より明らかである。

このため、いくつかの実施形態は、ベースライン信号を基準として入力信号のＬＭＰ３１０を求め、ある期間３３０における局所的誤差の累計が、ベースライン信号のＬＭＰ３２０の変化に基づいてＬＭＰＴとして求めた異常検出しきい値よりも大きいときに、異常を検出する。いくつかの実施形態において、この期間３３０の長さは、局所的な変遷だけでなく全体的な変遷を捕捉するために複数のＬＭＰ値を含むように選択される。このようにして、検出誤差は減じられる。

たとえば、ＬＭＰ値を求めるための入力信号のセグメントの長さおよび局所的誤差累計のための期間の長さは、動作によって異なる。たとえば、これらの長さは、マシンの動作の低周波成分および高周波成分、マシンの動作の許容変化量、ならびに動作のさまざまな過渡的状態および定常状態に依存する。典型的に、入力信号のセグメントの長さを、局所的誤差累計のための期間の長さよりも短くすることにより、局所的誤差各々の値と比較して局所的誤差の累計を強調する。しかしながら、このような関係は、マシンの種類が異なれば異なり得る。

いくつかの実施形態は、入力信号のセグメントの長さおよび局所的誤差累計のための期間の長さを、マシンの動作の物理的特性の認識に基づいて決定する。たとえば、ある実施形態において、マシンはエレベータのドアを含み、このマシンの動作はエレベータのドアを開くことおよび閉じることを含む。この実施形態において、入力信号のセグメントの長さは、局所的誤差累計のための期間の長さの少なくとも２分の１未満である。この関係は、開閉動作の詳細に基づいて決定される。

ＬＭＰを用いる異常検出

図４Ａは、いくつかの実施形態に係るＬＭＰに基づく異常検出の方法４００のブロック図を示す。この方法は、システム１００のプロセッサ１２０によって実行される。この方法は、ベースライン信号４０７を基準としてテスト信号４０５のローカルマトリクスプロファイル（ＬＭＰ）４１５を求める４１０。いくつかの実施形態において、この方法はマシン１０２の動作中に実行され、テスト信号４０５は現在の動作の測定値を含む。しかしながら、これに対し、ベースライン信号４０７は以前の動作の成功した実行の信号である。

求めたＬＭＰ４１５は、時系列のＬＭＰ値であり、ある時間インスタンスについての各ＬＭＰ値は、この時間インスタンスにおけるテスト信号のセグメントについて、このテスト信号のセグメントと、この時間インスタンスにおけるベースライン信号の対応するセグメントとの間の、最小距離に基づいて、求められる。信号４０５および４０７は時間的に同期している。また、テスト信号のセグメントと、ベースライン信号の対応するセグメントとは、同じ長さを有し、上記時間インスタンスに対して同じ位置にある。たとえば、この時間インスタンスにおけるテスト信号のセグメントおよびベースライン信号のセグメントの位置は、この時間インスタンスにおけるテスト信号およびベースライン信号の値を中心とする、この時間インスタンスにおけるテスト信号およびベースライン信号の値から始まる、または、この時間インスタンスにおけるテスト信号およびベースライン信号の値で終わる。このように、各ＬＭＰ値は、マシンの動作のベースライン実行を基準とする、マシンの動作の実行の局所的相違の値である。

次に、この方法は、ある期間においてＬＭＰしきい値４１７を上回るＬＭＰ値の累計４２５を求める４２０。特に、ＬＭＰしきい値の値は、時系列のＬＭＰしきい値を形成する時間のインスタンスが異なれば変化する。時間のインスタンスにおけるＬＭＰしきい値の各値は、この時間のインスタンスにおけるベースライン信号のＬＭＰの最大値である。所定のベースライン信号のＬＭＰは、この所定のベースライン信号自体を除いたすべてのベースライン信号を基準にして計算されるので、ＬＭＰしきい値は、マシンの動作における許容変化量を反映する。

次に、この方法は、この期間中のＬＭＰしきい値を上回るＬＭＰ値の累計４２５が異常検出しきい値４２７よりも大きい場合に異常を検出し４３０、異常検出結果４３５を生成する。実際、ＬＭＰのこの新たな統計的プリミティブ、時系列のＬＭＰしきい値、およびＬＭＰしきい値を上回るＬＭＰ値の累計により、異常検出の精度を高める。

図４Ｂは、ある実施形態に係るＬＭＰに基づく故障検出の方法４００のブロック図を示す。ＬＭＰ計算機４５１は、ベースラインアイテム４５０

のＬＭＰ４５２を計算する。これらの実施形態において、ベースラインアイテムは正常な時変信号を表す。正常な時変信号は単変量時系列（ＵＴＳ）であってもよく、単変量時系列（ＵＴＳ）は、物理システムの時変動作において１つの信号センサ（または１種類の複数のセンサ）が生成した一次元の時系列を意味する。多変量時系列（ＭＴＳ）という用語は、物理システムの時変動作において複数のセンサ（または複数種類のセンサ）が生成した多次元の時系列を意味する。なお、ＵＴＳは実際、ＭＴＳの特殊なケースであり、したがって、本開示はＭＴＳを用いて、同じまたは異なる種類の１つまたは複数のセンサから収集された時系列を表す。

具体的には、ＬＭＰ４５２は

を含む。なお、これらはベースラインＭＴＳアイテム自体のＬＭＰであり、これは、マシン動作の正常な実行における許容変化量の、時間に依存する範囲を示し、結果としてＬＭＰのしきい値４５５の設定に関するガイダンスを提供するであろう。

本実施形態は、ある期間における局所的誤差の累計が異常検出しきい値よりも大きい場合に、異常を検出する。

大きい場合４５８、本実施形態は、テストＭＴＳアイテムｂについて、時間インスタンスξにおける故障を検出する。そうでなければ４５９、ｂは時間インスタンスξにおいて正常である。ここで、λ≧０は、たとえば機械学習方法では広く使用されている交差検証によって調整可能なパラメータ（デフォルト値は１）である。パラメータλは、しきい値のロバストネスを高めるためのものである。ベースライン信号のＬＭＰから求めたしきい値の調整は、検出をより正確にすることが多い。

ＬＭＰを用いる故障分類

図５は、いくつかの実施形態に係るＬＭＰに基づく故障分類の方法５９９のブロック図を示す。いくつかの実施形態において、メモリは、失敗したマシン動作の実行の不良信号のＬＭＰを格納し、不良信号のＬＭＰは、故障の種類に基づいてグループ分けされ、この方法５９９は、異常を検出すると、テスト信号のＬＭＰを不良信号のＬＭＰと比較することにより、故障を分類する。

他の実施形態において、ラベル付けされた訓練ＭＴＳアイテム５００は、分類する各種類の故障について求めた不良アイテムである。図４のベースラインアイテムのＬＭＰと同様に、ＬＭＰ５０５はオフラインで求めることができる。

各故障の不良訓練アイテムのＬＭＰ５０５およびテストアイテムのＬＭＰ５０６の取得後に、分類器５０７は、ＬＭＰ５０５と５０６とを比較することにより、特定の故障を分類する。次に、テストＭＴＳアイテムのＬＭＰに対する分類結果５０８を、元のテストＭＴＳアイテムに対する分類結果５０９に変換することができる。なお、分類器５０７は、ユーザの好みに応じて選択することが可能である。たとえば、shapeletに基づく方法、またはその他任意の一般的な時系列分類器を選択することが可能である。テスト信号のＬＭＰと不良信号のＬＭＰとの比較は、信号そのもの同士の比較よりも示唆的である。実際、このような分類はより正確である。

図６は、ある実施形態に係る、代表的なテストＭＴＳアイテムの１つの変数ν_１のＵＴＳ（６００の赤色の実線で示した曲線）、一組の代表的なベースラインＭＴＳアイテム（６００の破線で示した残りの曲線）、および、ベースラインＭＴＳアイテムを基準とする、それらのＬＭＰ（それぞれ、６０５の赤色の実線で示した曲線および破線で示した残りの曲線）を説明するグラフを示す。この実施形態において、一組のベースラインＭＴＳアイテムは、マシンの動作のさまざまな変数の測定値を含む。

図７は、図６のＬＭＰを用いる故障検出のグラフ７００を示す。グラフ７００は、図６と同一のサンプルテストＭＴＳアイテムのＬＭＰ値、および、図６と同一の一組のサンプルベースラインＭＴＳアイテムの計算されたＬＭＰによって求められたしきい値を示し、デフォルトしきい値ファクタλ＝１である。しきい値７１０は、検出された故障７２０を示すために正常動作のベースラインアイテムから求められる。

図６の６００から、一組のサンプルベースラインＭＴＳアイテムにおける変数の値が非常に近く、これらの変数がサンプルテストＭＴＳアイテムの変数にも近いことがわかる。一方、６０５からは、特定の時間インスタンスにおいて、サンプルテストＭＴＳアイテムのＬＭＰの値が一組のサンプルベースラインＭＴＳアイテムのＬＭＰから大きくずれていることがわかる。これらのずれは、１２０番目の時間インスタンスと１５０番目の時間インスタンスとの間で検出される不良ウィンドウを示す。このことは、ＭＴＳ故障検出のためのプリミティブとしてＬＭＰが優れた識別特性を有することを立証し、したがって、ＬＭＰに基づく故障検出器の有効性を保証する。

図８は、いくつかの実施形態に係る、故障分類のために３つの異なるラベル（劣化レベル）を有するサンプル訓練ＭＴＳアイテムのＬＭＰを説明するグラフを示す。図８の８００、８０５、および８１０から、劣化レベルが異なるサンプル訓練ＭＴＳアイテムのＬＭＰの曲線が大幅に異なっているように見えることがわかる。特に、９５番目の時間インスタンスあたりのＬＭＰ値のピークを参照すると、レベル０のＬＭＰのピークは１５よりも低く、レベル１のＬＭＰのピークは約３５であり、レベル２のＬＭＰのピークは４０よりも高いことがわかる。このことは、ＭＴＳ分類のためのプリミティブとしてのＬＭＰも高い識別性があることを示し、したがって、ＬＭＰに基づく故障分類器の有効性を保証する。

代表的な実施形態

図９Ａはいくつかの実施形態に従い制御されるマシン１０２の典型を示す。この例において、マシン１０２は、エレベータのドアを開く機構を含む（上から見たものである）。エレベータのドアを閉じる機構も本質的には同様である。連結器９００は、かごドア９１０および乗場ドア９２０と係合している。かごドアと乗場ドアとは通常離されている。ドアが開き始めると、かごドアが乗場ドアと係合して一緒に移動する。複数の物理変数を記録するためにセンサを配置する。

この例において、エレベータのドアを繰り返し開閉する動作を測定することにより、時変信号を経時的に収集する。エレベータのドアの開閉動作が、異常または故障のない成功した動作とみなされた場合、これらの動作の測定値は正常な時変信号となる。

加えて、ここで実証のために使用するデータは、人為的であり、エレベータのドアを開くプロセスに対応して生成され、エレベータの特定の構成要素に異なるレベルの劣化がある。いくつかの実施形態は、合計６レベルの劣化を想定し、各レベルごとに６００のＭＴＳアイテム（１，…，６００で示される）を生成し、各ＭＴＳアイテムは、４９０の時間インスタンス（サンプリング周波数１００Ｈｚ）と、それぞれν_ｎ，ｎ＝１，…，５で示される５の物理変数を含む。

劣化レベルが低いほど、エレベータドアの状態はより健全である。いくつかの実装例において、レベル０のデータは「正常」であり、そのレベルが１を超えるデータは「不良」であり、レベル１のデータは「中間」状態である。物理変数の単位の影響を取り除くために、いくつかの実施形態は、ＭＴＳアイテム一つ一つを、時系列の変数一つ一つをｚ正規化することによって前処理する。それ以降、この例におけるＭＴＳアイテムは、エレベータドアの動作の前処理済の測定値を含む。

ＶＩＳの計算

ＶＩＳベクトルｓを計算するために、いくつかの実施形態は、一つ一つのレベルについて、１，…，２００で示されるＭＴＳアイテムを使用する。したがって、合計２００×６＝１２００のＭＴＳアイテムを使用する。アルゴリズム１を適用することによって変数重要度スコアを得た後に、ＶＩＳベクトルを正規化すると、最終的にはｓ＝（０．２３２３，０．２３０６，０．２３１６，０．０８７９，０．２１７６）となる。物理変数ν_１（図６の６００参照）が最大の重要度スコアを有することがわかる。

異常検出

故障検出を行うために、いくつかの実施形態は、｛０，２，３，４，５｝の中のレベルを有する上記人為的データを使用するだけである。ＬＭＰの計算においてクエリ長さＭは２０に設定され、この数値は数回のトライアルによって決定される。ベースラインＬＭＰを得るために、いくつかの実施形態は、レベル０の、２０１，…，４００で示されるＭＴＳアイテムを使用する。４０１，…，６００で示されるＭＴＳアイテムはテストのために使用する。空間節約のために、レベル２のデータの結果のみを示すが、レベル３、４、５のデータの結果は同様であり省略する。

図６および図７を再び参照する。図６の上側の図６００において、ベースラインＭＴＳアイテムの選択された変数ν_１の値は破線で示されている。図６の下側の図６０５において、ベースラインＭＴＳアイテムのＬＭＰの値を破線で示している。図６のそれぞれの図において、グラウンドトゥルースレベル２（不良）の、４０１で示されるテストＭＴＳアイテムの変数またはＬＭＰを、赤色の実線で重畳させている。図７において、同じテストアイテムのＬＭＰ値、および、計算したベースラインＬＭＰによって決まるしきい値を示している。ファクタλ＝１を用いる。図６から、元のベースラインＭＴＳアイテムにおける選択された変数の値が非常に近く、これらの変数はテストＭＴＳアイテムの変数にも近いことがわかる。一方、特定の時間インスタンスにおいて、テストＭＴＳアイテムのＬＭＰの値は、ベースラインＭＴＳアイテムのＬＭＰから大きくずれており、これらのずれは不良ウィンドウを示す（時間インスタンス１２０と１５０との間の赤い曲線について図７参照）。このことは、ＬＭＰに基づく異常検出の有効性を立証する。

故障分類

故障分類を行うために、いくつかの実施形態は、正常ベースラインＭＴＳアイテムのようにレベル０の、２０１，…，４００で示される上記人為的ＭＴＳアイテムを使用する。訓練のために（テストのために）、全６レベルの、４０１，…，５００（５０１，…，６００）で示されるＭＴＳアイテムが使用される。クエリ長さＭはここでも２０とする。本実施形態は、２００のベースラインＭＴＳアイテムを基準として、すべての訓練およびテストＭＴＳアイテムのＬＭＰを計算する。よって、本実施形態は、６００の訓練ＬＭＰ（各レベルごとに１００）および６００のテストＬＭＰ（各レベルごとに１００）を求める。次に、本実施形態は、６００の訓練ＬＭＰに対し、shapeletに基づくマルチラベル分類器を構築し、適用することにより、テストＬＭＰ一つ一つのレベルを予測する。

図９Ｂは、図９Ａの代表的な実施形態についての故障分類結果をまとめた混同行列（confusion matrix）９３０を示す。混同行列９３０は、２以上のグラウンドトゥルースレベルのアイテムについて、分類が極めて正確であり、レベル５の１つのアイテムのみが間違ってレベル４に分類されていることを示す。グラウンドトゥルースレベル０のテストアイテムも高い精度（９６％）で分類されており、４アイテムのみが間違ってレベル１に分類されている。一方、グラウンドトゥルースレベル１のデータは間違ってレベル０に分類され易い。その原因は、「中間」状態において、レベル１の元のデータが実際レベル０のデータに非常に近いことにある。

図１０は、実施形態に係る、代替コンピュータまたはプロセッサを用いて実現できる図１Ａのシステムの構成要素のブロック図である。コンピュータ１０１１は、バス１０５６を介して接続された、プロセッサ１０４０と、コンピュータ読取可能メモリ１０１２と、記憶装置１０５８と、表示装置１０５２およびキーボード１０５１に対するユーザインターフェイス１０４９とを含む。たとえば、プロセッサ１０４０およびコンピュータ読取可能メモリ１０１２と通信するユーザインターフェイス１０４９は、ユーザインターフェイス１０４９のキーボード面１０５１からのユーザによる入力を受けると、一組のＭＴＳアイテムを取得しコンピュータ読取可能メモリ１０１２に格納する。

コンピュータ１０１１は電源１０５４を含み得る。アプリケーションに応じて、電源１０５４は任意でコンピュータ１０１１の外部に位置していてもよい。
バス１０５６を介して、表示装置１０４８に接続するのに適するようにされたユーザ入力インターフェイス１０５７が連結されてもよく、表示装置１０４８は、とりわけ、コンピュータモニタ、カメラ、テレビ、プロジェクタ、またはモバイルデバイスを含み得る。プリンタインターフェイス１０５９も、バス１０５６を介して接続することができ、プリンティングデバイス１０３２に接続するのに適するようにされている。プリンティングデバイス１０３２は、とりわけ、液体インクジェットプリンタ、固体インクプリンタ、大規模業務用プリンタ、サーマルプリンタ、ＵＶプリンタ、または昇華型プリンタを含み得る。ネットワークインターフェイスコントローラ（ＮＩＣ）１０３４が、バス１０５６を介してネットワーク１０３６に接続するのに適するようにされている。とりわけ、ＭＴＳデータまたはその他のデータは、コンピュータ１０１１の外部の、サードパーティ表示装置、サードパーティ撮像装置、および／またはサードパーティプリンティングデバイス上でレンダリングすることができる。

引続き図１０を参照して、とりわけＭＴＳデータまたはその他のデータは、ネットワーク１０３６の通信チャネルを通して送信することができ、および／または保存および／またはさらに処理するために記憶システム１０５８に格納することができる。さらに、ＭＴＳデータまたはその他のデータを、受信機１０４６（もしくは外部受信機１０３８）から無線もしくは有線で受信してもよく、または、送信機１０４７（もしくは外部送信機１０３９）を介して無線もしくは有線で送信してもよい。受信機１０４６と送信機１０４７とはいずれもバス１０５６を介して接続される。コンピュータ１０１１は、入力インターフェイス１００８を介して外部センシングデバイス１０４４および外部入出力デバイス１０４１に接続されてもよい。たとえば、外部センシングデバイス１０４４は、マシンのＭＴＳデータの収集前、収集中、収集後のデータを集めるセンサを含み得る。たとえば、マシンに近い、またはマシンに近くない環境条件、すなわち、マシンにおけるまたはマシンの近傍の温度、マシンの場所の建築物内の温度、マシンの建築物の外部の屋外温度、マシン自体の映像、マシン近くのエリアの映像、マシンに近くないエリアの映像、および、マシンの外観に関連するその他のデータである。コンピュータ１０１１は他の外部コンピュータ１０４２に接続されてもよい。出力インターフェイス１００９を用いてプロセッサ１０４０からの処理済みのデータを出力してもよい。

また、本明細書で概略を述べた各種方法またはプロセスは、さまざまなオペレーティングシステムまたはプラットフォームのうちのいずれか１つを使用する１つ以上のプロセッサ上で実行可能なソフトウェアとして符号化し得るものである。加えて、そのようなソフトウェアは、いくつかの適切なプログラミング言語および／またはプログラミングもしくはスクリプティングツールのうちのいずれかを用いて記述し得るものであり、また、フレームワークもしくは仮想マシン上で実行される実行可能なマシン言語コードまたは中間コードとしてコンパイルし得るものである。典型的に、プログラムモジュールの機能は、各種実施形態において、要望に応じて組み合わせる、または分散させることができる。

また、本開示の実施形態は方法として実施することもでき、この方法の例は先に挙げた通りである。この方法の一部として実行される動作は、いずれかの適切なやり方で並べることができる。したがって、例示された実施形態では逐次的動作として示されているものの、例示された順序と異なる順序で動作が実行される実施形態であっていくつかの動作を同時に実行することを含み得る実施形態を構成し得る。さらに、請求項において、請求項要素を修飾するために「第一」、「第二」等の順序を表す用語を使用する場合、それ自体が、ある請求項要素の、別の請求項要素に対する優先、先行、または順序を暗示しているのではなく、方法を実行する動作の時間的順序を暗示しているのでもなく、特定の名称を有するある請求項要素を、同一名称を有する別の要素から区別するためのラベルとして用いているに過ぎない。

特定の好ましい実施形態を参照しながら本開示を説明してきたが、本開示の精神および範囲内でさまざまなその他の適合化および変形をなすことが可能であることが理解されるはずである。したがって、本開示の真の精神および範囲に含まれるこのような変化および変形すべてをカバーすることが、以下の請求項の側面である。

Claims (19)

1. マシンの動作の実行における異常を検出するためのシステムであって、前記システムは、
   前記マシンの動作の時系列の測定値を含む現在の動作信号であるテスト信号を入力するように構成された入力インターフェイスと、
   前記マシンの正常動作時の信号である一組のベースライン信号を格納するように構成されたメモリとを備え、各前記ベースライン信号は、前記マシンの前記動作のベースライン実行の時系列の測定値を含み、前記システムはさらに、
   ハードウェアプロセッサを備え、
   前記ハードウェアプロセッサは、前記ベースライン信号を基準とする前記テスト信号の時変変動を示すローカルマトリクスプロファイル（ＬＭＰ）としての統計的プリミティブを、時間的に同期した前記テスト信号および前記ベースライン信号に対する第１のスライディングウィンドウ方法を使用して、求めるように構成され、前記ＬＭＰは時系列のＬＭＰ値であり、ある時間インスタンスについての各前記ＬＭＰ値は、前記時間インスタンスにおける前記第１のスライディングウィンドウ方法のウィンドウ内の前記テスト信号のセグメントについて、前記テスト信号のセグメントと、前記時間インスタンスにおける前記ウィンドウ内の前記ベースライン信号の対応するセグメントとの間の、最小距離に基づいて求められ、各前記ＬＭＰ値は、前記マシンの前記動作の前記ベースライン実行を基準とする、前記マシンの前記動作の前記実行の局所的相違の値であり、
   前記ハードウェアプロセッサは、前記ＬＭＰ値に対する第２のスライディングウィンドウ方法を使用して、前記統計的プリミティブをＬＭＰしきい値と比較することにより、前記第２のスライディングウィンドウ方法におけるウィンドウの長さによって支配されるある期間において前記ＬＭＰしきい値を上回る前記ＬＭＰ値の累計を求めるように構成され、
   前記ハードウェアプロセッサは、前記期間において前記ＬＭＰしきい値を上回る前記ＬＭＰ値の累計が異常検出しきい値よりも大きい場合に異常を検出し、異常検出の結果を生成するように構成され、前記システムはさらに、
   前記異常検出の結果を出力するように構成された出力インターフェイスを備える、システム。
2. 前記ＬＭＰしきい値の値は、時系列のＬＭＰしきい値を形成する時間のインスタンスが異なれば変化し、前記時間のインスタンスにおける前記ＬＭＰしきい値の値は、前記時間のインスタンスにおける前記ベースライン信号のＬＭＰの最大値であり、所定のベースライン信号のＬＭＰは、前記所定のベースライン信号自体を除いたすべての前記ベースライン信号を基準として計算される、請求項１に記載のシステム。
3. 各前記ベースライン信号は、前記マシンの正常動作の測定値を含み、前記マシンの前記動作の前記ベースライン実行は、前記マシンの前記動作の成功した実行である、請求項１に記載のシステム。
4. 前記テスト信号の前記セグメント、および、前記ベースライン信号の前記対応するセグメントは、同じ長さを有し、前記時間インスタンスに対して同じ位置にある、請求項１に記載のシステム。
5. 前記時間インスタンスにおける前記テスト信号および前記ベースライン信号の前記セグメントの位置は、前記時間インスタンスにおける前記テスト信号および前記ベースライン信号の値を中心とする、前記時間インスタンスにおける前記テスト信号および前記ベースライン信号の値から始まる、または前記時間インスタンスにおける前記テスト信号および前記ベースライン信号の値で終わる、請求項４に記載のシステム。
6. 前記テスト信号の前記セグメントは複数の測定値を含み、前記累計の前記期間は複数のＬＭＰ値を含む、請求項１に記載のシステム。
7. 前記累計は、前記期間内の前記ＬＭＰ値の関数である、請求項１に記載のシステム。
8. 前記ハードウェアプロセッサは、前記テスト信号に対し、前記セグメントの長さの前記第１のスライディングウィンドウ方法の前記ウィンドウを繰り返しシフトすることによって前記テスト信号の前記ＬＭＰを求め、現在の繰り返しにおける現在のＬＭＰ値は、前の繰り返しにおける前のＬＭＰ値、もはや前記ウィンドウの一部ではない前記ウィンドウの古いシフトについて求めた前記ＬＭＰの古いシフト値、および、前記ウィンドウの新たに追加された部分について求めた前記ＬＭＰの新たなシフト値の、関数である、請求項１に記載のシステム。
9. 前記テスト信号および前記ベースライン信号は、異なる種類の異なるセンサからの、複数の単変量時系列（ＵＴＳ）信号を含み、前記テスト信号および前記ベースライン信号は、多変量時系列（ＭＴＳ）信号である、請求項１に記載のシステム。
10. 前記テスト信号の前記ＬＭＰは、対応する前記ＵＴＳ信号のセグメント間の重み付きユークリッド距離の最小値として求められる、請求項９に記載のシステム。
11. 前記重み付きユークリッド距離の重みは、前記マシンの前記動作の測定値の主成分解析を用いて求められる、請求項１０に記載のシステム。
12. 前記メモリは、前記マシンの前記動作の失敗した実行の不良信号のＬＭＰを格納し、前記不良信号のＬＭＰは、故障の種類に基づいてグループ分けされ、前記ハードウェアプロセッサは、前記異常を検出すると、前記テスト信号のＬＭＰを前記不良信号のＬＭＰと比較することにより、故障を分類する、請求項１に記載のシステム。
13. 不良信号の前記ＬＭＰは、前記ベースライン信号を基準として求められる、請求項１に記載のシステム。
14. 前記マシンは、エレベータドアを動作させるための機構を含み、前記マシンの前記動作は、前記エレベータドアの開閉を含む、請求項１に記載のシステム。
15. 前記ハードウェアプロセッサは、前記異常検出の結果に基づいて前記マシンを制御するように構成される、請求項１に記載のシステム。
16. マシンの動作の実行における異常を検出するための方法であって、前記方法はプロセッサを用い、前記プロセッサは前記方法を実現する格納された命令と結合され、前記命令は、前記プロセッサによって実行されると、前記方法のステップを実行し、前記ステップは、
    前記マシンの動作の時系列の測定値を含む現在の動作信号であるテスト信号を受け入れるステップと、
    前記マシンの正常動作時の信号である一組のベースライン信号を基準とする前記テスト信号の時変変動を示すローカルマトリクスプロファイル（ＬＭＰ）としての統計的プリミティブを、時間的に同期した前記テスト信号および前記ベースライン信号に対する第１のスライディングウィンドウ方法を使用して、求めるステップとを含み、各前記ベースライン信号は、前記マシンの前記動作のベースライン実行の時系列の測定値を含み、前記ＬＭＰは時系列のＬＭＰ値であり、ある時間インスタンスについての各前記ＬＭＰ値は、前記時間インスタンスにおける前記第１のスライディングウィンドウ方法のウィンドウ内の前記テスト信号のセグメントについて、前記ウィンドウ内の前記テスト信号のセグメントと、前記時間インスタンスにおける前記ウィンドウ内の前記ベースライン信号の対応するセグメントとの間の、最小距離に基づいて求められ、各前記ＬＭＰ値は、前記マシンの前記動作の前記ベースライン実行を基準とする、前記マシンの前記動作の前記実行の局所的相違の値であり、
    前記ＬＭＰ値に対する第２のスライディングウィンドウ方法を使用して、前記統計的プリミティブをＬＭＰしきい値と比較することにより、前記第２のスライディングウィンドウ方法におけるウィンドウの長さによって支配されるある期間において前記ＬＭＰしきい値を上回る前記ＬＭＰ値の累計を求めるステップと、
    前記期間において前記ＬＭＰしきい値を上回る前記ＬＭＰ値の累計が異常検出しきい値よりも大きい場合に異常を検出し、異常検出の結果を生成するステップと、
    前記異常検出の結果を出力するステップとを含む、方法。
17. 前記ＬＭＰしきい値の値は、時系列のＬＭＰしきい値を形成する時間のインスタンスが異なれば変化し、前記時間のインスタンスにおける前記ＬＭＰしきい値の値は、前記時間のインスタンスにおける前記ベースライン信号のＬＭＰの最大値であり、所定のベースライン信号のＬＭＰは、前記所定のベースライン信号自体を除いたすべての前記ベースライン信号を基準として計算される、請求項１６に記載の方法。
18. 前記テスト信号および前記ベースライン信号は、異なる種類の異なるセンサからの、複数の単変量時系列（ＵＴＳ）信号を含み、前記テスト信号および前記ベースライン信号は、多変量時系列（ＭＴＳ）信号であり、前記テスト信号の前記ＬＭＰは、対応する前記ＵＴＳ信号のセグメント間の重み付きユークリッド距離の最小値として求められる、請求項１６に記載の方法。
19. 方法を実行するためにプロセッサが実行可能なプログラムが実装された非一時的なコンピュータ読取可能記憶媒体であって、前記方法は、
    マシンの動作の時系列の測定値を含む現在の動作信号であるテスト信号を受け入れるステップと、
    前記マシンの正常動作時の信号である一組のベースライン信号を基準とする前記テスト信号の時変変動を示すローカルマトリクスプロファイル（ＬＭＰ）としての統計的プリミティブを、時間的に同期した前記テスト信号および前記ベースライン信号に対する第１のスライディングウィンドウ方法を使用して、求めるステップとを含み、各前記ベースライン信号は、前記マシンの前記動作のベースライン実行の時系列の測定値を含み、前記ＬＭＰは時系列のＬＭＰ値であり、ある時間インスタンスについての各前記ＬＭＰ値は、前記時間インスタンスにおける前記第１のスライディングウィンドウ方法のウィンドウ内の前記テスト信号のセグメントについて、前記ウィンドウ内の前記テスト信号のセグメントと、前記時間インスタンスにおける前記ウィンドウ内の前記ベースライン信号の対応するセグメントとの間の、最小距離に基づいて求められ、各前記ＬＭＰ値は、前記マシンの前記動作の前記ベースライン実行を基準とする、前記マシンの前記動作の前記実行の局所的相違の値であり、
    前記ＬＭＰ値に対する第２のスライディングウィンドウ方法を使用して、前記統計的プリミティブをＬＭＰしきい値と比較することにより、前記第２のスライディングウィンドウ方法におけるウィンドウの長さによって支配されるある期間において前記ＬＭＰしきい値を上回るＬＭＰ値の累計を求めるステップと、
    前記期間において前記ＬＭＰしきい値を上回る前記ＬＭＰ値の累計が異常検出しきい値よりも大きい場合に異常を検出し、異常検出の結果を生成するステップと、
    前記異常検出の結果を出力するステップとを含む、非一時的なコンピュータ読取可能記憶媒体。

Images