JP7277504B2 - 異常検知方法及び異常検知システム - Google Patents

Description

本発明は、異常検知方法及び異常検知システムに関する。

従来、製造現場などにおいて、機械学習などにより生成したモデルを使用して異常を検知するため、特開２０２０－１０７００１号公報（特許文献１）に記載の技術がある。この公報には、「監視システムが実行する監視モデル更新方法であって、センサーで収集された監視対象に関するデータと、前記監視対象の異常の判断を行うために予め設定された監視モデルとに基づいて、前記監視対象の異常をリアルタイムで判定する監視ステップと、所定の生成ルールに基づいて、前記データおよび前記監視ステップによる該データに対応する判定結果を含む時系列データがまとめられたモデル生成用データから、前記監視モデルの更新候補を定期的に生成する監視モデル生成ステップと、前記監視モデル生成ステップにより生成された前記更新候補を監視モデル記憶部に記憶させる監視モデル記憶ステップと、を有する」という記載がある。

特開２０２０－１０７００１号公報

特許文献１によれば、リアルタイム監視システムにおいて、監視モデルを定期的に生成して更新することができる。しかしながら、このような技術では、対象のシステムにおけるデータ傾向の短期的な変動に対応することができない。データ傾向の短期的な変動は、例えば、対象となる製造現場で製造する製品の変更、使用する設備の入替、工程の切替、作業者の交代、時刻による変動、季節による変動などの多様な状況の変化により生じ得る。このように、状況の変化により生じるデータ傾向を、便宜上、モードと称する。

短期的な変動を含めて機械学習を行い、単一のモデルを生成すると、異常の検知の精度が低下する要因となる場合がある。また、複数のモードに対して、それぞれモデルを生成し、手動で切り替えるのは非効率である。特に、複数の要因の組み合わせで生じるモードについては、発生しうるモードを特定することにも困難を伴う。

そこで、本発明では、短期的なデータ傾向の変動に対応し、異常検知の精度を向上することを目的とする。

上記目的を達成するために、代表的な本発明の異常検知方法の一つは、異常検知の対象に関するセンサデータを取得するデータ取得ステップと、前記センサデータを第１の機械学習モデルに入力して、前記異常検知の対象の動作に係るモードを判定するモード判定ステップと、前記モード判定ステップにより判定されたモードに対応する第２の機械学習モデルに前記センサデータを入力し、前記異常検知を実行する異常検知ステップとを含むことを特徴とする。
また、代表的な本発明の異常検知システムの一つは、異常検知の対象に関するセンサデータを取得するデータ取得部と、前記センサデータを処理する処理部とを備え、前記処理部は、前記センサデータを第１の機械学習モデルに入力して、前記異常検知の対象の動作に係るモードを判定し、判定されたモードに対応する第２の機械学習モデルに前記センサデータを入力して、前記異常検知を実行することを特徴とする。

本発明によれば、短期的なデータ傾向の変動に対応し、異常検知の精度を向上することができる。上記した以外の課題、構成及び効果は以下の実施の形態の説明により明らかにされる。

実施例に係る監視システムの機能構成図 実施例に係る監視システムのハードウェア構成図 監視装置の処理手順を示すフローチャート リアルタイム監視処理の説明図 リアルタイム監視処理の詳細を示すフローチャート リアルタイム監視に係るデータの説明図 異常検知結果の表示例 モード情報ログが得られる場合の監視モデル生成処理の詳細を示すフローチャート 図８に示したモード判定モデル生成処理の詳細を示すフローチャート 図８に示した異常検知モデル生成処理の詳細を示すフローチャート 図８に示したモデルの組み合わせ生成処理の詳細を示すフローチャート モード情報ログが得られる場合のモード判定モデル生成の説明図 モード情報ログが得られる場合の異常検知モデル生成の説明図 モデル組み合わせ生成の説明図 モード情報ログが得られない場合の監視モデル生成処理の詳細を示すフローチャート 図１５に示したモード判定モデル生成処理の詳細を示すフローチャート 図１５に示した異常検知モデル生成処理の詳細を示すフローチャート 図１５に示したモデルの組み合わせ生成処理の詳細を示すフローチャート モード情報ログが得られない場合のモード判定モデル生成の説明図 モード情報ログが得られない場合の異常検知モデル生成の説明図 監視モデル評価処理の詳細を示すフローチャート 監視モデル評価の説明図 監視モデル更新処理の詳細を示すフローチャート 監視モデル更新の説明図 監視モデル削除処理の詳細を示すフローチャート 監視結果ログ削除処理の手順を示すフローチャート ユーザの操作に基づく監視モデルの更新についての説明図 モデル評価結果の表示例 管理者向けの監視結果ログの表示例

以下、実施例を図面を用いて説明する。

図１は、実施例に係る監視システムの機能構成図である。図１に示すように、監視装置１００は、画面表示装置２００及びデータ出力装置３００と接続される。画面表示装置２００は、ユーザに対する表示出力と、ユーザからの操作受付を行う装置である。データ出力装置３００は、異常検知の対象、例えば、製造ラインから各種情報を取得し、監視装置１００に対して出力する。データ出力装置３００が出力する情報には、センサデータ１２１、異常ログ１２２、モード情報ログ１２３などが含まれる。

監視装置１００は、リアルタイム監視部１１１、監視モデル生成部１１２、監視モデル評価部１１３、監視モデル削除部１１４、監視モデル更新部１１５、監視モデル更新要求部１１６、監視結果ログ削除部１１７、監視結果・モデル情報表示部１１８、異常検知結果表示部１１９を機能部として備える。また、モデル情報データ１２４、モデル評価データ１２５、監視結果ログデータ１２６をそれぞれ格納するデータベースを有する。

リアルタイム監視部１１１は、データ出力装置３００が出力したデータ（センサデータ１２１、異常ログ１２２、モード情報ログ１２３）を用いて、対象の異常をリアルタイムで検知する。リアルタイム監視部１１１は、モード判定部、異常検知部、監視結果ログ記録部の機能部を備えている。

モード判定部は、モデル情報データ１２４に含まれる第１の機械学習モデルであるモード判定モデルデータに、データ出力装置３００が出力したデータを入力することで、モードを判定する。ここで、モードとは、異常検知の対象におけるデータの傾向である。モードは、データの傾向の短期的な変動に応じて複数存在するものであり、モード判定部は、現在のモードが複数のモードのいずれに該当するかを判定する。モードは、対象となる製造現場で製造する製品の変更、使用する設備の入替、工程の切替、作業者の交代、時刻による変動、季節による変動などの多様な状況の変化により生じ得る。また、モードは、予め明示されていてもよいし、不明であってもよい。異常検知の対象におけるモードが明示できる場合（例えば、製品の変更などでモードを特定可能である場合）には、モード情報ログ１２３にその時点のモードを格納しておく。

さらに、モード判定部は、モデル情報データ１２４に含まれるモデル間管理データを参照し、判定されたモードに対応する異常検知モデルデータを選択する。異常検知モデルデータは、データ出力装置３００が出力したデータを入力として異常検知を実行する第２の機械学習モデルである。

リアルタイム監視部１１１の異常検知部は、選択された異常検知モデルデータに、データ出力装置３００が出力したデータを入力して、異常検知を実行する。リアルタイム監視部１１１の監視結果ログ記録部は、異常検知の結果を監視結果ログデータ１２６として格納する。

監視モデル生成部１１２は、データ出力装置３００が出力したデータ（センサデータ１２１、異常ログ１２２、モード情報ログ１２３）を用いて、監視モデルを生成する。監視モデル生成部１１２は、モード判定モデル生成部、異常検知モデル生成部及びモデル組み合わせ生成部の機能部を備えている。

モード判定モデル生成部は、データ出力装置３００が出力したデータ（センサデータ１２１、異常ログ１２２、モード情報ログ１２３）を用いて、第１の機械学習モデルであるモード判定モデルデータを生成し、モデル情報データ１２４に格納する。

異常検知モデル生成部は、データ出力装置３００が出力したデータ（センサデータ１２１、異常ログ１２２、モード情報ログ１２３）を用いて、第２の機械学習モデルである異常検知モデルデータを生成し、モデル情報データ１２４に格納する。

モデル組み合わせ生成部は、モード判定モデルデータと異常検知モデルデータを対応付けたモデル間管理データを生成し、モデル情報データ１２４に格納する。

監視モデル評価部１１３は、データ出力装置３００が出力したデータ（センサデータ１２１、異常ログ１２２、モード情報ログ１２３）を用いて、モード判定モデル及び異常検知モデルの評価を行う。監視モデル評価部１１３は、評価結果をモデル評価データ１２５としてモデル評価格納用データベースに格納する。

監視モデル削除部１１４は、モデル評価データ１２５を参照し、削除可能なモード判定モデルデータや異常検知モデルデータが存在するならば、当該モデルデータを削除する処理を行う。

監視モデル更新部１１５は、使用する監視モデル（モデル間管理データによって特定されるモード判定モデルデータと異常検知モデルデータの組み合わせ）を更新する処理を行う。監視モデル更新部１１５は、画面表示装置２００の手動モデル更新要求部から更新要求を受信した場合、すなわち、ユーザが画面表示装置２００に対してモデルの更新を求める操作を行った場合に、監視モデルの更新を実行する。また、監視モデル更新部１１５は、監視モデル更新要求部１１６から更新要求を受信した場合にも、監視モデルの更新を実行する。

監視モデル更新要求部１１６は、モデル評価データ１２５、データ出力装置３００が出力したデータ、監視結果ログデータ１２６を参照して、監視モデルの更新が必要であるか否かを判定する。判定の結果、監視モデルの更新が必要であるならば、監視モデル更新要求部１１６は、監視モデル更新部１１５に対して更新要求を送信する。

監視結果ログ削除部１１７は、監視結果ログデータ１２６の削除を行う処理部である。監視結果ログデータ１２６は、例えば、生成から所定期間が経過した場合に削除すればよい。

監視結果・モデル情報表示部１１８は、監視結果ログデータ１２６及びモデル評価データ１２５を参照し、監視結果やモデル評価を画面表示装置２００に表示させる処理を行う。
異常検知結果表示部１１９は、監視結果ログデータ１２６を参照し、異常が検知された場合に異常検知結果を画面表示装置２００に表示させる処理を行う。

図２は、実施例に係る監視システムのハードウェア構成図である。図２に示すように、監視装置１００は、ＣＰＵ（Central Processing Unit）１０１、メモリ１０２、記憶部１０３、通信インターフェース（ＩＦ）１０４を有する。

ＣＰＵ１０１は、メモリ１０２に展開したプログラムを実行することで、リアルタイム監視部１１１、監視モデル生成部１１２、監視モデル評価部１１３、監視モデル削除部１１４、監視モデル更新部１１５、監視モデル更新要求部１１６、監視結果ログ削除部１１７、監視結果・モデル情報表示部１１８及び異常検知結果表示部１１９としての機能を実現する。

記憶部１０３は、例えばハードディスクドライブであり、センサデータ１２１、異常ログデータ１２２、モード情報ログデータ１２３、モデル情報データ１２４、モデル評価データ１２５、監視結果ログデータ１２６等を格納する。

通信ＩＦ１０４は、データ出力装置３００や画面表示装置２００との通信を行う。
データ出力装置３００は、各種センサと接続され、異常ログやモード情報ログを管理しており、これらの情報を監視装置１００に送信することができる。
画面表示装置２００は、ＣＰＵ、ＧＵＩ（Graphical User Interface）、通信ＩＦなどを備えている。ＧＵＩは、例えばタッチパネルディスプレイであり、監視結果やモデル情報の表示、異常検知結果の表示、モデル更新を要求する操作の受付などを行う。

図３は、監視装置１００の処理手順を示すフローチャートである。処理が開始すると、まず、リアルタイム監視部１１１が、リアルタイム監視処理を実行する（ステップＳ１０１）。その後、監視モデル生成部１１２が、監視モデルの生成が必要であるか否かを判定する（ステップＳ１０２）。例えば、前回の生成から所定期間が経過している場合に、監視モデルの生成が必要であると判定すればよい。

監視モデルの生成が必要であるならば（ステップＳ１０２；ＹＥＳ）、監視モデル生成部１１２は、監視モデル生成処理を実行する（ステップＳ１０３）。ステップＳ１０３の終了後、若しくは監視モデルの生成が必要でない場合（ステップＳ１０２；ＮＯ）、監視モデル評価部１１３は、監視モデル評価処理が必要であるか否かを判定する（ステップＳ１０４）。例えば、前回の評価から所定期間が経過している場合に、監視モデル評価処理が必要であると判定すればよい。

監視モデル評価処理が必要であるならば（ステップＳ１０４；ＹＥＳ）、監視モデル評価部１１３は、監視モデル評価処理を実行する（ステップＳ１０５）。ステップＳ１０５の終了後、若しくは監視モデル評価処理が必要でない場合（ステップＳ１０４；ＮＯ）、監視モデル更新部１１５は、監視モデルの更新が必要であるか否かを判定する（ステップＳ１０６）。例えば、前回の更新から所定期間が経過している場合に、監視モデルの更新が必要であると判定すればよい。

監視モデルの更新が必要であるならば（ステップＳ１０６；ＹＥＳ）、監視モデル更新部１１５は、監視モデル更新処理を実行する（ステップＳ１０７）。ステップＳ１０７の終了後、若しくは監視モデルの生成が必要でない場合（ステップＳ１０６；ＮＯ）、監視モデル削除部１１４は、監視モデルの削除が必要であるか否かを判定する（ステップＳ１０８）。例えば、監視結果ログの消去に伴い、いずれのデータからも参照されていない状態となった監視モデルが存在する場合に、監視モデルの削除が必要であると判定すればよい。

監視モデルの削除が必要であるならば（ステップＳ１０８；ＹＥＳ）、監視モデル削除部１１４は、監視モデル削除処理を実行する（ステップＳ１０９）。ステップＳ１０９の終了後、若しくは監視モデルの削除が必要でない場合（ステップＳ１０９；ＮＯ）、リアルタイム監視部１１１は、リアルタイム監視処理に戻るか否かを判定する（ステップＳ１１０）。リアルタイム監視処理に戻る場合には（ステップＳ１１０；ＹＥＳ）、ステップＳ１０１に移行する。リアルタイム監視処理に戻らない場合には（ステップＳ１１０；ＮＯ）、処理を終了する。

図４は、リアルタイム監視処理の説明図である。図４に示すように、まず、センサデータは、モード判定に用いられる。図４では、モード判定の監視モデルにおいて、モード１の条件が「電圧＞６００，ＡＮＤ ｘｘ度＜１５」であり、モード１の条件を満たさない場合にモード２と判定することとなっている。

異常検知を行う監視モデルである異常検知モデルは、モードに応じて複数存在しており、モード判定の結果に対応する異常検知モデルが選択される。図４では、モード２が選択されており、モード２の異常検知条件（電流 ＜ ０．３，ＡＮＤ 電圧 ＞ ２０）により異常検知が行われる。異常検知の結果は、画面表示装置２００への表示によりユーザ（現場作業者）に報知される。

このように、モード判定(オペレーション等によるデータ傾向の考慮)をしたうえで異常検知を実施することで、異常検知の精度を向上することができる。

図５は、リアルタイム監視処理の詳細を示すフローチャートである。処理が開始されると、まず、リアルタイム監視部１１１は、センサデータを読み込む（ステップＳ２０１）。その後、リアルタイム監視部１１１は、モデル間管理データから、使用中のモデル組み合わせのデータを読み込む（ステップＳ２０２）。

ステップＳ２０２の後、モード判定部において、使用中のモデル組み合わせデータにあるモード判定モデルに従い、センサデータに対するモードを判定する（ステップＳ２０３）。そして、異常検知部において、判定されたモード応じた異常検知モデルに従い、センサデータに対する正常／異常を判定する（ステップＳ２０４）。

ステップＳ２０４の後、監視結果ログ記録部において、使用したモデル情報、モード判定結果や異常検知結果を、監視結果ログデータ１２６に格納する。また、異常検知結果表示部において、異常検知結果を表示する（ステップＳ２０６）とともに、監視結果・モデル情報表示部において、監視結果・モデル情報を表示して（ステップＳ２０７）、処理を終了する。

図６は、リアルタイム監視に係るデータの説明図である。図６に示すように、データ出力装置３００が出力したセンサデータは、時系列データであり、定期的にリアルタイム監視部１１１により分析される。分析の結果は、監視結果ログデータとして１２６として格納され、ユーザに表示する際に使用される。監視結果ログデータ１２６には、異常検知結果、使用したモデルに紐づく情報が含まれる。

図７は、異常検知結果の表示例である。図７に示した表示例は、現場担当者向けの画面であり、監視結果ログデータ１２６から、所定のルールに基づいて、直近の監視結果ログを抽出し、表示している。本画面では、監視結果ログのうち、異常検知結果など必要な情報を選択的に表示することができる。例えば、センサの出力の推移をグラフ表示し、異常検知時刻をグラフに重畳し、異常の発生回数や製品などに情報を併せて表示すればよい。

図８は、モード情報ログが得られる場合の監視モデル生成処理の詳細を示すフローチャートである。監視モデル生成処理が開始すると、監視モデル生成部１１２は、設定されたデータ送信方法に従って送信されるセンサデータ、異常ログ、モード情報ログを読み込む（ステップＳ３０１）。その後、モード判定モデル生成処理（ステップＳ３０２）、異常検知モデル生成処理（ステップＳ３０３）及びモデルの組み合わせ生成処理（ステップＳ３０４）を順次実行して、監視モデル生成処理を終了する。

図９は、図８に示したモード判定モデル生成処理の詳細を示すフローチャートである。監視モデル生成部１１２のモード判定モデル生成部は、モード判定モデル生成処理が開始されると、送信されたセンサデータ及びモード情報ログをもとにモード判定条件を分析する（ステップＳ３１１）。その後、モード判定モデル生成部は、生成されたモード判定モデルの情報をモード判定モデルデータとして、モデル情報格納用ＤＢに格納し（ステップＳ３１２）、モード判定モデル生成処理を終了する。

図１０は、図８に示した異常検知モデル生成処理の詳細を示すフローチャートである。監視モデル生成部１１２の異常検知モデル生成部は、異常検知モデル生成処理が開始されると、送信されたモード情報ログを用いてセンサデータをモード毎に分割する（ステップＳ３２１）。その後、ステップＳ３２２及びステップＳ３２３の処理をモード毎に実行し、異常検知モデル生成処理を終了する。

ステップＳ３２２では、異常検知モデル生成部は、送信されたセンサデータ、異常ログをもとに異常検知条件を分析する。
ステップＳ３２３では、異常検知モデル生成部は、生成された異常検知モデルの情報を異常検知モデルデータとして、モデル情報格納ＤＢに格納する。

図１１は、図８に示したモデルの組み合わせ生成処理の詳細を示すフローチャートである。モデル組み合わせ生成部は、設定されたモデルの抽出・組み合わせルールに基づき、モデル（モード判定モデル、異常検知モデル）の新たな組み合わせを生成する（ステップＳ３３１）。その後、生成されたモデル組み合わせ情報を、モデル間管理データとして、モデル情報格納用ＤＢに格納し（ステップＳ３３２）、モデル組み合わせ生成処理を終了する。

図１２は、モード情報ログが得られる場合のモード判定モデル生成の説明図である。モード判定モデル生成部は、図１２に示すように、センサデータとモード情報データとを対比させて、各センサデータの取得時点のモードが特定できるならば、教師ありの機械学習手法を用いてモード判定条件を分析することができる。分析により得られたモード判定条件は、新たなモード判定モデルデータとして、モデル情報に追加される。

図１３は、モード情報ログが得られる場合の異常検知モデル生成の説明図である。異常検知モデル生成部は、図１３に示すように、センサデータをモードごとに分割し、モード毎に異常検知条件を分析する。分析により得られた異常検知条件は、新たな異常検知モデルデータとして、モデル情報に追加される。

図１４は、モデル組み合わせ生成の説明図である。モデル組み合わせ生成部は、図１４に示すように、モード判定モデルデータと異常検知モデルデータの組み合わせを設定されたルールに従って生成し、モデル間管理データとしてモデル情報格納用ＤＢに格納する。設定されたルールとは、例えば、新たに生成されたモード判定データに、新たに生成された異常検知モデルデータを組み合わせるなど、任意のルールを用いることができる。

図１５は、モード情報ログが得られない場合の監視モデル生成処理の詳細を示すフローチャートである。監視モデル生成処理が開始すると、監視モデル生成部１１２は、設定されたデータ送信方法に従って送信されるセンサデータ及び異常ログを読み込む（ステップＳ４０１）。その後、モード判定モデル生成処理（ステップＳ４０２）、異常検知モデル生成処理（ステップＳ４０３）及びモデルの組み合わせ生成処理（ステップＳ４０４）を順次実行して、監視モデル生成処理を終了する。

図１６は、図１５に示したモード判定モデル生成処理の詳細を示すフローチャートである。監視モデル生成部１１２のモード判定モデル生成部は、モード判定モデル生成処理が開始されると、送信されたセンサデータをもとにモード判定条件を分析する（ステップＳ４１１）。その後、モード判定モデル生成部は、生成されたモード判定モデルの情報をモード判定モデルデータとして、モデル情報格納用ＤＢに格納し（ステップＳ４１２）、モード判定モデル生成処理を終了する。

図１７は、図１５に示した異常検知モデル生成処理の詳細を示すフローチャートである。監視モデル生成部１１２の異常検知モデル生成部は、異常検知モデル生成処理が開始されると、設定されたルールに基づき、モード判定モデルを抽出し（ステップＳ４２１）、抽出したモード判定モデルと送信されたセンサデータとを用いてモードを判定する（ステップＳ４２２）。その後、ステップＳ４２３及びステップＳ４２４の処理をモード毎に実行し、異常検知モデル生成処理を終了する。

ステップＳ４２３では、異常検知モデル生成部は、送信されたセンサデータ、異常ログをもとに異常検知条件を分析する。
ステップＳ４２４では、異常検知モデル生成部は、生成された異常検知モデルの情報を異常検知モデルデータとして、モデル情報格納ＤＢに格納する。

図１８は、図１５に示したモデルの組み合わせ生成処理の詳細を示すフローチャートである。モデル組み合わせ生成部は、設定されたモデルの抽出・組み合わせルールに基づき、モデル（モード判定モデル、異常検知モデル）の新たな組み合わせを生成する（ステップＳ４３１）。その後、生成されたモデル組み合わせ情報を、モデル間管理データとして、モデル情報格納用ＤＢに格納し（ステップＳ４３２）、モデル組み合わせ生成処理を終了する。

図１９は、モード情報ログが得られない場合のモード判定モデル生成の説明図である。モード判定モデル生成部は、図１９に示すように、各センサデータの取得時点のモード情報が与えられていなければ、教師なしの機械学習手法を用いてモード判定条件を分析する。分析により得られたモード判定条件は、新たなモード判定モデルデータとして、モデル情報に追加される。

図２０は、モード情報ログが得られない場合の異常検知モデル生成の説明図である。異常検知モデル生成部は、図２０に示すように、所定のルールに従ってモード判定モデルを抽出し、抽出したモード判定モデルによってセンサデータのモードを判定し、判定されたモードを用いてセンサデータをモードごとに分割し、モード毎に異常検知条件を分析する。分析により得られた異常検知条件は、新たな異常検知モデルデータとして、モデル情報に追加される。

このように、モード情報ログが得られない場合にも、モードごとにセンサデータを分割し、モード判定モデルデータと異常検知モデルデータを生成することができる。なお、モデル組み合わせ生成については、モード情報ログが得られる場合と同様であるので、説明を省略する。

図２１は、監視モデル評価処理の詳細を示すフローチャートである。監視モデル評価部１１３は、監視モデル評価処理を開始すると、まず、センサデータ１２１及び異常ログ１２２を読み込む（ステップＳ５０１）。その後、監視モデル評価部１１３は、モデル間管理データから全てのモデル組み合わせ情報を読み込む（ステップＳ５０２）。そして、センサデータ及び異常ログをもとに、全てのモデル組み合わせの精度を計算し、計算した精度をモデル評価データ１２５に書き込んで（ステップＳ５０３）、処理を終了する。

図２２は、監視モデル評価の説明図である。図２２に示すように、モデル間管理データは、モード判定モデルと異常検知モデルの組み合わせを示す。具体的には、モデル間管理データは、識別情報、全体モデルバージョン、モード判定モデル、判定モード、異常検知モデル、使用中モデル、生成時刻の項目を有する。

識別情報は、モード判定モデルと異常検知モデルを一意に特定する情報である。全体モデルバージョンは、モデル間管理データの更新に対応する。判定モードは、モード判定モデルによる判定結果を示しており、同一のモード判定モデルについて、その判定結果ごとに異なる異常検知モデルを対応付けることができる。使用中モデルは、その時点で監視に使用するモデルを示す。

評価用データとしては、センサデータと異常ログを用いる。監視モデル評価部１１３は、モデル間管理データにより示された各モデルの組合せについて、評価用に抽出したセンサデータと異常ログから精度（正解率など）を計算し、モデル評価データ１２５として記録する。

図２３は、監視モデル更新処理の詳細を示すフローチャートである。処理が開始されると、監視モデル更新要求部１１６は、センサデータやモデル評価データ１２５や読み込み（ステップＳ６０１）、あらかじめ設定された監視モデルの更新ルールにあてはまるか否かを判定する（ステップＳ６０２）。

監視モデルの更新ルールにあてはまらなければ（ステップＳ６０２；ＮＯ）、そのまま監視モデル更新処理を終了する。一方、監視モデルの更新ルールにあてはまるならば（ステップＳ６０２；ＹＥＳ）、監視モデル更新要求部１１６は、監視モデル更新部１１５に対して監視モデルの更新を要求する（ステップＳ６０３）。

更新の要求を受けた監視モデル更新部１１５は、モデル評価データ１２５から全てのモデル評価を読み込み（ステップＳ６０４）、監視モデルの評価結果に従い、更新する監視モデルの組み合わせを選択する（ステップＳ６０５）。そして、モデル間管理データの使用中のモデルを、選択された監視モデルの組み合わせに変更し（ステップＳ６０６）、処理を終了する。

図２４は、監視モデル更新の説明図である。監視モデル更新部１１５は、モデル評価データ１２５やセンサデータが所定の更新ルールにあてはまる場合（例えば、判定モードや異常検知の正解率が閾値を下回る、センサデータの偏りにより、特定のモードに過度に集中する、単に新しいモデル間管理データが登録された、など）の状況となった場合に、使用中のモデルを変更する。図２４では、使用中モデルが「＃０００００１及び＃０００００２」から「＃０００００３～＃０００００５」に変更されている。

図２５は、監視モデル削除処理の詳細を示すフローチャートである。処理が開始されると、監視モデル削除部１１４は、モデル間管理データを読み込み（ステップＳ７０１）、予め設定されたルールに従い、モデル間管理データから削除対象のモデル組み合わせデータを抽出する（ステップＳ７０２）。

ステップＳ７０２の後、監視モデル削除部１１４は、削除対象のモデル組み合わせデータを参照する監視結果ログデータが存在するか否かを判定する（ステップＳ７０３）。削除対象のモデル組み合わせデータを参照する監視結果ログデータが存在するならば（ステップＳ７０３；ＹＥＳ）、削除を行わずにそのまま処理を終了する。

削除対象のモデル組み合わせデータを参照す管理結果ログデータが存在しない場合（ステップＳ７０３；ＮＯ）、監視モデル削除部１１４は、削除対象のモデル組み合わせデータ及び対応するモデル評価データを削除する（ステップＳ７０４）。そして、モデル組み合わせデータから参照されていない、モード判定モデルデータと異常検知モデルデータを削除し（ステップＳ７０５）、処理を終了する。

図２６は、監視結果ログ削除処理の手順を示すフローチャートである。監視結果ログ削除部１１７は、一定期間毎にこの処理を開始する。処理を開始すると、監視結果ログ削除部１１７は、まず、監視結果ログデータ１２６から全ての監視結果ログを読み込み（ステップＳ８０１）、設定されたルールに従い、監視結果格納用ＤＢから、削除対象の監視結果ログデータを削除して（ステップＳ８０２）、処理を終了する。

図２７は、ユーザの操作に基づく監視モデルの更新についての説明図である。画面表示装置２００は、監視結果格納ＤＢ、モデル評価格納用納ＤＢから読み出された異常検知結果を含む監視結果やモデル評価データを表示する。

ユーザは、画面上で、モデル情報を含めた監視結果ログを辿ることや、モデルの精度を確認することができる。モデルの精度が悪い場合など、手動でのモデル更新が必要と判断した場合、ユーザは、画面表示装置２００に対してモデル更新を要求する操作を行う。画面表示装置２００の手動モデル更新要求部は、この操作を受け付けて、監視装置１００の監視モデル更新部１１５に更新要求を送信する。更新要求を受けた監視モデル更新部１１５は、使用中モデルを指示されたモデルに更新する。

図２８は、モデル評価結果の表示例である。図２８では、使用中のモデルについて、精度とモデル情報を表示するとともに、更新の候補となるモデルについても、精度やモデル情報を表示している。そして、更新の候補となるモデルについては「モデル更新」のボタンを設けている。このボタンに対する操作は、モデル更新を要求する操作であり、また、更新後のモデルを指定する操作である。

図２８の画面を確認するユーザは、例えば管理者（分析者などモデルの管理者）である。精度は、例えば使用中モデルの評価結果データである。モデル情報は、例えばモデル間管理データや各モデルデータに関する情報である。更新の候補となるモデルは、所定の基準に基づいて、評価結果データから選択すればよい。

図２９は、管理者向けの監視結果ログの表示例である。図２９に示した表示例は、監視結果ログデータ１２６から、センサの出力の推移をグラフ表示し、異常検知時刻をグラフに重畳している。さらに、グラフの背景をモードに応じて異ならせることで、モードの変化を示している。また、グラフ表示の範囲のログデータも一覧表示している。

上述してきたように、本実施例に開示の異常検知方法は、異常検知の対象に関するセンサデータを取得するデータ取得ステップと、前記センサデータを第１の機械学習モデルに入力して、前記異常検知の対象の動作に係るモードを判定するモード判定ステップと、前記モード判定ステップにより判定されたモードに対応する第２の機械学習モデルに前記センサデータを入力し、前記異常検知を実行する異常検知ステップとを含む。
かかる動作により、データ傾向の短期的な変動は、例えば、対象となる製造現場で製造する製品の変更、使用する設備の入替、工程の切替、作業者の交代、時刻による変動、季節による変動などの多様な状況の変化に対応し、異常検知の精度を向上することができる。

また、開示の異常検知方法は、前記モードを判定する前記第１の機械学習モデルを生成するステップと、前記異常検知を実行する前記第２の機械学習モデルを生成するステップと、前記第１の機械学習モデルと前記第２の機械学習モデルを対応付けたモデル間管理データを生成するステップとをさらに含む。
このため、モードの判定と異常検知にそれぞれ用いる機械学習モデルを適宜生成することができる。

また、開示の異常検知方法は、前記異常検知の実行結果と、使用した前記第１の機械学習モデルと、使用した前記第２の機械学習モデルと、を関連づけて異常検知結果の履歴を記録するステップと、前記異常検知結果の履歴に基づいて、前記第１の機械学習モデル及び／又は前記第２の機械学習モデルを更新するステップとをさらに含む。
このため、異常検知結果に応じて精度をさらに向上することができる。

また、開示の異常検知方法は、前記モデル間管理データにより管理される、前記第１の機械学習モデルと前記第２の機械学習モデルの組合せについて評価し、該評価の結果に基づいて前記第１の機械学習モデルと前記第２の機械学習モデルの組合せを更新するステップをさらに含む。
このため、より高い精度を期待できるモデルの組合せを適用することができる。

また、開示の異常検知方法は、前記第１の機械学習モデルを選択し、選択した前記第１の機械学習モデルにより判定されるモードによって学習用のセンサデータを分割し、モード毎に前記第２の機械学習モデルを生成する。
このため、モードを直接特定する情報が与えられていなくても、モードを判定し、異常検知のモデルを生成することができる。

また、開示の異常検知方法は、前記第１の機械学習モデルと前記第２の機械学習モデルを個別に生成し、前記第１の機械学習モデルと前記第２の機械学習モデルを組み合わせてモデル間管理データを生成し、前記異常検知を行うシステムが用いる機械学習モデルを前記モデル間管理データの識別情報で管理する。
そして、前記モデル間管理データの削除により、いずれのデータからも参照を受けない状態となった前記第１の機械学習モデル及び／又は前記第２の機械学習モデルを削除するステップをさらに含む。
このため、モデルの組み合わせを統合的かつ効率的に管理することができる。

なお、本発明は上記の実施例に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、かかる構成の削除に限らず、構成の置き換えや追加も可能である。
例えば、上記の実施例では、データから異常検知を行う装置とモデルを更新する装置が一体となった構成を例示したが、異常検知とモデルの更新を別の装置が行う構成としてもよい。

１００：監視装置、１０１：ＣＰＵ、１０２：メモリ、１０３：記憶部、１０４：通信ＩＦ、１１１：リアルタイム監視部、１１２：監視モデル生成部、１１３：監視モデル評価部、１１４：監視モデル削除部、１１５：監視モデル更新部、１１６：監視モデル更新要求部、１１７：監視結果ログ削除部、１１８：監視結果・モデル情報表示部、１１９：異常検知結果表示部、１２１：センサデータ、１２２：異常ログデータ、１２３：モード情報ログデータ、１２４：モデル情報データ、１２５：モデル評価データ、１２６：監視結果ログデータ、２００：画面表示装置、３００：データ出力装置

Claims (7)

1. 異常検知の対象に関するセンサデータを取得するデータ取得ステップと、
   前記センサデータを第１の機械学習モデルに入力して、前記異常検知の対象の動作に係るモードを判定するモード判定ステップと、
   前記モード判定ステップにより判定されたモードに対応する第２の機械学習モデルに前記センサデータを入力し、前記異常検知を実行する異常検知ステップと
   を含み、
   前記モードを判定する前記第１の機械学習モデルを生成するステップと、
   前記異常検知を実行する前記第２の機械学習モデルを生成するステップと、
   前記第１の機械学習モデルと前記第２の機械学習モデルを対応付けたモデル間管理データを生成するステップと、
   前記モデル間管理データにより管理される、前記第１の機械学習モデルと前記第２の機械学習モデルの組合せについて評価し、該評価の結果に基づいて前記第１の機械学習モデルと前記第２の機械学習モデルの組合せを更新するステップとをさらに含むことを特徴とする異常検知方法。
2. 異常検知の対象に関するセンサデータを取得するデータ取得ステップと、
   前記センサデータを第１の機械学習モデルに入力して、前記異常検知の対象の動作に係るモードを判定するモード判定ステップと、
   前記モード判定ステップにより判定されたモードに対応する第２の機械学習モデルに前記センサデータを入力し、前記異常検知を実行する異常検知ステップと
   を含み、
   前記モードを判定する前記第１の機械学習モデルを生成するステップと、
   前記異常検知を実行する前記第２の機械学習モデルを生成するステップと、
   前記第１の機械学習モデルと前記第２の機械学習モデルを対応付けたモデル間管理データを生成するステップとをさらに含み、
   前記第１の機械学習モデルと前記第２の機械学習モデルを個別に生成し、前記第１の機械学習モデルと前記第２の機械学習モデルを組み合わせてモデル間管理データを生成し、前記異常検知を行うシステムが用いる機械学習モデルを前記モデル間管理データの識別情報で管理することを特徴とする異常検知方法。
3. 前記モデル間管理データの削除により、いずれのデータからも参照を受けない状態となった前記第１の機械学習モデル及び／又は前記第２の機械学習モデルを削除するステップをさらに含むことを特徴とする請求項２に記載の異常検知方法。
4. 前記異常検知の実行結果と、使用した前記第１の機械学習モデルと、使用した前記第２の機械学習モデルと、を関連づけて異常検知結果の履歴を記録するステップと、
   前記異常検知結果の履歴に基づいて、前記第１の機械学習モデル及び／又は前記第２の機械学習モデルを更新するステップと
   をさらに含むことを特徴とする請求項１又は２に記載の異常検知方法。
5. 前記第１の機械学習モデルを選択し、選択した前記第１の機械学習モデルにより判定されるモードによって学習用のセンサデータを分割し、モード毎に前記第２の機械学習モデルを生成することを特徴とする請求項１又は２に記載の異常検知方法。
6. 異常検知の対象に関するセンサデータを取得するデータ取得部と、
   前記センサデータを処理する処理部とを備え、
   前記処理部は、
   前記センサデータを第１の機械学習モデルに入力して、前記異常検知の対象の動作に係るモードを判定し、
   判定されたモードに対応する第２の機械学習モデルに前記センサデータを入力して、前記異常検知を実行するものであり、
   前記処理部は、さらに、
   前記モードを判定する前記第１の機械学習モデルを生成し、
   前記異常検知を実行する前記第２の機械学習モデルを生成し、
   前記第１の機械学習モデルと前記第２の機械学習モデルを対応付けたモデル間管理データを生成し、
   前記モデル間管理データにより管理される、前記第１の機械学習モデルと前記第２の機械学習モデルの組合せについて評価し、該評価の結果に基づいて前記第１の機械学習モデルと前記第２の機械学習モデルの組合せを更新することを特徴とする異常検知システム。
7. 異常検知の対象に関するセンサデータを取得するデータ取得部と、
   前記センサデータを処理する処理部とを備え、
   前記処理部は、
   前記センサデータを第１の機械学習モデルに入力して、前記異常検知の対象の動作に係るモードを判定し、
   判定されたモードに対応する第２の機械学習モデルに前記センサデータを入力して、前記異常検知を実行するものであり、
   前記処理部は、さらに、
   前記モードを判定する前記第１の機械学習モデルを生成し、
   前記異常検知を実行する前記第２の機械学習モデルを生成し、
   前記第１の機械学習モデルと前記第２の機械学習モデルを対応付けたモデル間管理データを生成するものであり、
   前記処理部は、
   前記第１の機械学習モデルと前記第２の機械学習モデルを個別に生成し、前記第１の機械学習モデルと前記第２の機械学習モデルを組み合わせてモデル間管理データを生成し、前記異常検知を行うシステムが用いる機械学習モデルを前記モデル間管理データの識別情報で管理することを特徴とする異常検知システム。
   

Images