JP7357659B2

JP7357659B2 - データ異常判定装置及び内部状態予測システム

Info

Publication number: JP7357659B2
Application number: JP2021109172A
Authority: JP
Inventors: 俊介小西; 秀俊内海; 穂高柘植; 誠一纐纈
Original assignee: Honda Motor Co Ltd
Current assignee: Honda Motor Co Ltd
Priority date: 2021-06-30
Filing date: 2021-06-30
Publication date: 2023-10-06
Anticipated expiration: 2041-06-30
Also published as: CN115543664A; US20230004454A1; JP2023006529A

Description

本発明は、データ異常判定装置及び内部状態予測システムに関する。より詳しくは、入力データの異常を判定するデータ異常判定装置及びこのデータ異常判定装置を備える内部状態予測システムに関する。

ある程度の量のデータ集合が得られている状態で、新たに得られたデータの異常を判定する技術は、従来数多く提案されている。例えば特許文献１，２には、ホテリングＴ^２法に基づいてデータの異常を判定する技術が示されている。

特開２０２０－１８１４４３号公報特開２０１７－１５１５９８号公報

しかしながらホテリングＴ^２法では、データ集合が正規分布に従うことを前提とする。このためホテリングＴ^２法は、データ集合がその他の分布形状、例えば多峰性の分布形状に従う場合には適用することができない。

本発明は、データ集合の分布形状によらずデータの異常を判定できるデータ異常判定装置及びこのデータ異常判定装置を備える内部状態予測システムを提供することを目的とする。

（１）本発明に係るデータ異常判定装置（例えば、後述のデータ異常判定装置１，８）は、入力データの異常を判定するものであって、データ集合に基づいて構築された確率密度関数における前記入力データの確率密度値を入力密度値として算出する確率密度算出部（例えば、後述の確率密度算出部１１，８１）と、前記確率密度関数における確率密度値が前記入力密度値以下となる裾野領域にわたる前記確率密度関数の積分値に相当する値を前記入力データに対する発生確率として算出する発生確率算出部（例えば、後述の発生確率算出部１２，８２）と、前記発生確率に基づいて前記入力データの異常を判定する異常判定部（例えば、後述の異常判定部１３，８３）と、を備えることを特徴とする。

（２）この場合、前記発生確率算出部は、前記確率密度関数における確率密度値と前記裾野領域にわたる前記確率密度関数の積分値とを関連付ける検量線データを有し、当該検量線データによって前記入力密度値と関連付けられる積分値を前記発生確率として算出することが好ましい。

（３）この場合、前記発生確率算出部は、モンテカルロ法に基づいて前記確率密度関数に従って生成された複数のデータ点のうち前記裾野領域に含まれるデータ点数の全データ点数に対する割合を前記発生確率として算出することが好ましい。

（４）本発明に係る内部状態予測システム（例えば、後述の内部状態予測システム５）は、対象物の内部状態を予測するものであって、前記内部状態と相関のある入力データを取得する入力データ取得装置（例えば、後述の入力データ取得装置６）と、学習用データ集合に基づいて構築された予測モデル及び前記入力データに基づいて前記内部状態を予測するモデル予測装置（例えば、後述のモデル予測装置７）と、前記入力データの異常を判定するデータ異常判定装置（例えば、後述のデータ異常判定装置８）と、前記データ異常判定装置による判定結果に基づいて前記モデル予測装置の予測結果の信頼度を判定する信頼度判定装置（例えば、後述の信頼度判定装置９）と、を備え、前記データ異常判定装置は、前記学習用データ集合に基づいて構築された確率密度関数における前記入力データの確率密度値を入力密度値として算出する確率密度算出部（例えば、後述の確率密度算出部８１）と、前記確率密度関数における確率密度値が前記入力密度値以下となる裾野領域にわたる前記確率密度関数の積分値に相当する値を前記入力データに対する発生確率として算出する発生確率算出部（例えば、後述の発生確率算出部８２）と、前記発生確率に基づいて前記入力データの異常を判定する異常判定部（例えば、後述の異常判定部８３）と、を備えることを特徴とする。

（１）本発明に係るデータ異常判定装置において、確率密度算出部は、データ集合に基づいて構築された確率密度関数における入力データの確率密度値を入力密度値として算出し、発生確率算出部は、確率密度関数における確率密度値が入力密度値以下となる裾野領域にわたる確率密度関数の積分値に相当する値を入力データに対する発生確率として算出し、異常判定部は、発生確率に基づいて入力データの異常を判定する。本発明によれば、データ集合の次元数及びこのデータ集合に基づく確率密度関数の形状によらず、入力データに対する発生確率を算出でき、ひいては入力データの異常を適切に判定できる。

（２）本発明に係るデータ異常判定装置において、発生確率算出部は、確率密度関数における確率密度値と裾野領域にわたる確率密度関数の積分値とを関連付ける検量線データを有し、この検量線データによって入力密度値と関連付けられる積分値を発生確率として算出する。本発明によれば、入力データの異常を速やかに判定できる。

（３）上述のような検量線データは、一般的にデータ集合の次元数が高くなるほど作成に時間が掛かる傾向がある。これに対し本発明に係るデータ異常判定装置において、発生確率算出部は、モンテカルロ法に基づいて確率密度関数に従って生成された複数のデータ点のうち裾野領域に含まれるデータ点数の全データ点数に対する割合を発生確率として算出する。よって本発明によれば、データ集合の次元数が高い場合において特に実装が容易になる。

（４）本発明に係る内部状態予測システムにおいて、モデル予測装置は、学習用データ集合に基づいて構築された予測モデル及び入力データ取得装置によって取得された入力データに基づいて対象物の内部状態を予測する。ここで入力データが予測モデルを構築する際に用いられた学習用データ集合から外れている場合、このような入力データに基づくモデル予測装置による予測結果は信頼度が低いと考えられる。これに対し本発明に係る内部状態予測システムにおいて、データ異常判定装置は、学習用データ集合に基づいて構築された確率密度関数に基づいて入力データの異常を判定し、信頼度判定装置は、データ異常判定装置による判定結果に基づいてモデル予測装置の予測結果の信頼度を判定する。これによりモデル予測装置による内部状態の予測結果の信頼度を保証することができる。

本発明の第１実施形態に係るデータ異常判定装置の構成を示す機能ブロック図である。確率密度関数を構築する際に用いられる２次元のデータ集合の一例を示す図である。図２Ａに示すデータ集合に基づいて構築された確率密度関数の一例を示す図である。発生確率算出部において入力データに対する発生確率を算出する手順を説明するための図である。検量線データの一例を示す図である。本発明の第２実施形態に係る内部状態予測システムの構成を示す機能ブロック図である。

＜第１実施形態＞
以下、本発明の第１実施形態に係るデータ異常判定装置について図面を参照しながら説明する。

図１は、本実施形態に係るデータ異常判定装置１の構成を示す機能ブロック図である。データ異常判定装置１は、Ｎ次元（Ｎは、１又は２以上の整数）のデータの集合に基づいて構築された確率密度関数を用いることにより、データ入力装置２から新たに入力されるＮ次元の入力データの異常を判定する。

以下では、データ異常判定装置１において扱うデータの次元数Ｎは２とした場合、すなわちデータ異常判定装置１は２次元データを扱う場合について説明するが、本発明はこれに限らない。データ異常判定装置１において扱うデータは１次元でもよいし、３次元以上の多次元でもよい。

データ異常判定装置１は、ＣＰＵ等の演算処理手段、各種プログラムを格納したＨＤＤやＳＳＤ等の補助記憶手段、及び演算処理手段がプログラムを実行する上で一時的に必要とされるデータを格納するためのＲＡＭといった主記憶手段等のハードウェアによって構成されるコンピュータである。データ異常判定装置１には、このようなハードウェア構成によって、確率密度算出部１１、発生確率算出部１２、及び異常判定部１３等の各種機能が実現される。

確率密度算出部１１は、予め収集しておいたＮ次元のデータ集合に基づいて、例えばカーネル密度推定によって構築された確率密度関数を有する。確率密度算出部１１は、データ入力装置２から新たにＮ次元の入力データが入力されると、確率密度関数における入力データの確率密度値を入力密度値として算出し、発生確率算出部１２へ出力する。なお以下で参照する確率密度関数は、確率変数（すなわち、入力データ）の定義域全域にわたる確率密度関数の積分値が“１”になるように正規化されているものとする。

図２Ａは、確率密度関数を構築する際に用いられる２次元データ（Ｘ，Ｙ）のデータ集合の一例を示す図であり、図２Ｂは、図２Ａに示すデータ集合に基づいて構築された確率密度関数の一例を示す図である。なお図２Ｂでは、２変数関数である確率密度関数の高さ、すなわち確率密度値の大小を濃淡によって表す。

図２Ａに例示するデータ集合は、図２Ａにおいて上に凸の円弧状に集中的に分布する複数のデータによって構成される第１クラスタＣ１と、図２Ａにおいて下に凸の円弧状に集中的に分布する複数のデータによって構成される第２クラスタＣ２と、を備える。このように複数のクラスタＣ１，Ｃ２を備えるデータ集合に基づいて構築される確率密度関数は、図２Ｂに例示するような多峰性となる。

発生確率算出部１２は、入力データに対する入力密度値と、確率密度算出部１１において入力密度値を算出する際に参照された確率密度関数と、に基づいて、入力データに対する発生確率［％］を算出し、異常判定部１３へ出力する。

図３は、発生確率算出部１２において入力データＤ１に対する発生確率を算出する手順を説明するための図である。発生確率算出部１２は、確率密度関数における確率密度値が、入力データＤ１に対して算出される入力密度値以下となる領域を裾野領域Ｒ１（図３において、ハッチングで示す領域）と定義するとともに、この裾野領域Ｒ１全域にわたる確率密度関数の積分値に相当する値を入力データＤ１に対する発生確率として算出する。以下では、以上のように裾野領域にわたる確率密度関数の積分値に相当する値を算出するための具体的な手順の第１の例と第２の例とを説明する。

＜第１の例＞
図３を参照して説明したように、裾野領域Ｒ１は入力密度値毎に一意的に定まる。すなわち、裾野領域Ｒ１は、入力密度値が変わらない限り入力データＤ１の位置によらず一定である。このため確率密度関数の裾野領域Ｒ１にわたる積分値も入力密度値毎に一意的に定まることから、入力密度値と確率密度関数の裾野領域Ｒ１にわたる積分値とを検量線データによって関連付けることが可能となる。そこで第１の例では、確率密度値毎に定義される裾野領域にわたる確率密度関数の積分値を計算することにより、入力密度値と積分値（すなわち、累積確率）とを関連付ける検量線データ（図４参照）を予め作成しておく。より具体的には、例えば、確率密度関数上に複数の等高線（すなわち、確率密度値が等しい複数の入力データによって確率密度関数上に定義される線）を作成するとともに、これら等高線によって区画される裾野領域にわたる確率密度関数の積分値を計算することにより、検量線データを作成することができる。発生確率算出部１２は、以上のような手順によって予め作成しておいた検量線データによって入力密度値と関連付けられる積分値を発生確率として算出する。

＜第２の例＞
第２の例では、上述のような裾野領域にわたる確率密度関数の積分値をモンテカルロ法に基づいて算出する。すなわち、確率密度関数に従ってランダムに生成される複数のデータ点のうち、裾野領域に含まれるデータ点数の全データ点数に対する割合は、この裾野領域にわたる確率密度関数の積分値とほぼ等しい。そこで第２の例では、発生確率算出部１２は、モンテカルロ法に基づいて確率密度関数に従って生成された複数のデータ点のうち、裾野領域に含まれるデータ点数の全データ点数に対する割合を発生確率として算出する。なおこの第２の例では、上述のようなモンテカルロ法に基づいて導出される入力密度値と発生確率との関係を予めマップ化しておくこともできる。この場合、発生確率算出部１２は、入力密度値によって上述のようなマップを検索することにより、速やかに入力密度値に応じた発生確率を算出することができる。

異常判定部１３は、発生確率算出部１２によって算出された発生確率に基づいて入力データの異常を判定する。より具体的には、異常判定部１３は、発生確率が予め定められた異常判定閾値（例えば、数［％］）未満である場合には、入力データは異常であると判定し、発生確率が異常判定閾値以上である場合には、入力データは正常であると判定する。

本実施形態に係るデータ異常判定装置１によれば、以下の効果を奏する。
（１）データ異常判定装置１において、確率密度算出部１１は、データ集合に基づいて構築された確率密度関数における入力データの確率密度値を入力密度値として算出し、発生確率算出部１２は、確率密度関数における確率密度値が入力密度値以下となる裾野領域にわたる確率密度関数の積分値に相当する値を入力データに対する発生確率として算出し、異常判定部１３は、発生確率に基づいて入力データの異常を判定する。データ異常判定装置１によれば、データ集合の次元数及びこのデータ集合に基づく確率密度関数の形状によらず、入力データに対する発生確率を算出でき、ひいては入力データの異常を適切に判定できる。

（２）第１の例における発生確率算出部１２は、確率密度関数における確率密度値と裾野領域にわたる確率密度関数の積分値とを関連付ける検量線データを有し、この検量線データによって入力密度値と関連付けられる積分値を発生確率として算出する。データ異常判定装置１によれば、入力データの異常を速やかに判定できる。

（３）上述の第１の例における検量線データは、一般的にデータ集合の次元数が高くなるほど作成に時間が掛かる傾向がある。これに対し第２の例における発生確率算出部１２は、モンテカルロ法に基づいて確率密度関数に従って生成された複数のデータ点のうち裾野領域に含まれるデータ点数の全データ点数に対する割合を発生確率として算出する。よってデータ異常判定装置１によれば、データ集合の次元数が高い場合において特に実装が容易になる。

＜第２実施形態＞
次に、本発明の第２実施形態に係る内部状態予測システムについて図面を参照しながら説明する。

図５は、本実施形態に係る内部状態予測システム５の構成を示す機能ブロック図である。内部状態予測システム５は、例えばバッテリから供給される電力によって走行する電動車両（図示せず）に搭載され、走行中の電動車両におけるバッテリの内部状態（例えば、将来の劣化状態）を予測する。

内部状態予測システム５は、ＣＰＵ等の演算処理手段、各種プログラムを格納したＨＤＤやＳＳＤ等の補助記憶手段、及び演算処理手段がプログラムを実行する上で一時的に必要とされるデータを格納するためのＲＡＭといった主記憶手段等のハードウェアによって構成されるコンピュータである。内部状態予測システム５には、このようなハードウェア構成によって、入力データ取得装置６、モデル予測装置７、データ異常判定装置８、及び信頼度判定装置９等の各種機能が実現される。

入力データ取得装置６は、内部状態予測システム５による予測対象物であるバッテリの将来の劣化状態と相関のあるＭ次元（Ｍは、１又は２以上の整数）の入力データを取得し、モデル予測装置７及びデータ異常判定装置８へ送信する。ここでバッテリの将来の劣化状態と相関のある入力データとは、バッテリの温度履歴、電流履歴、及び電圧履歴等である。

モデル予測装置７は、Ｍ次元の入力データを入力するとバッテリの将来の劣化状態の予測値を出力するように、Ｍ次元の学習用データ集合に基づいて既知の学習アルゴリズムによって構築された予測モデルを備える。モデル予測装置７は、入力データ取得装置６から新たな入力データが送信されると、この入力データを予測モデルに入力することによってバッテリの将来の劣化状態を予測する。

データ異常判定装置８は、第１実施形態に係るデータ異常判定装置１とほぼ同じ構成によって、入力データ取得装置６から送信される新たな入力データの異常を判定する。より具体的には、データ異常判定装置８は、上述の予測モデルを構築する際に用いられたものと同じ学習用データ集合に基づいて構築された確率密度関数における入力データの確率密度値を入力密度値として算出する確率密度算出部８１と、この確率密度関数における確率密度値が入力密度値以下となる裾野領域にわたる確率密度関数の積分値に相当する値を入力データに対する発生確率として算出する発生確率算出部８２と、発生確率に基づいて入力データの異常を判定する異常判定部８３と、を備える。なお確率密度算出部８１、発生確率算出部８２、及び異常判定部８３の構成は、入力データ及びデータ集合の構成並びに確率密度関数の構成を除き、それぞれ第１実施形態に係る確率密度算出部１１、発生確率算出部８２、及び異常判定部８３の構成とほぼ同じであるので、詳細な説明を省略する。

信頼度判定装置９は、入力データ取得装置６によって新たに取得された入力データの異常に関するデータ異常判定装置８による判定結果に基づいて、同入力データに基づくモデル予測装置７の予測結果の信頼度を判定する。より具体的には、信頼度判定装置９は、データ異常判定装置８により入力データ取得装置６によって新たに取得された入力データが異常と判定された場合、モデル予測装置７の予測結果の信頼度は低いと判定し、データ異常判定装置８により入力データが正常と判定された場合、モデル予測装置７の予測結果の信頼度は高いと判定する。

本実施形態に係る内部状態予測システム５によれば、以下の効果を奏する。
（４）内部状態予測システム５において、モデル予測装置７は、学習用データ集合に基づいて構築された予測モデル及び入力データ取得装置６によって取得された入力データに基づいてバッテリの将来の劣化状態を予測する。ここで入力データが予測モデルを構築する際に用いられた学習用データ集合から外れている場合、このような入力データに基づくモデル予測装置７による予測結果は信頼度が低いと考えられる。これに対し内部状態予測システム５において、データ異常判定装置８は、学習用データ集合に基づいて構築された確率密度関数に基づいて入力データの異常を判定し、信頼度判定装置９は、データ異常判定装置８による判定結果に基づいてモデル予測装置７の予測結果の信頼度を判定する。これによりモデル予測装置７によるバッテリの将来の劣化状態の予測結果の信頼度を保証することができる。

以上、本発明の一実施形態について説明したが、本発明はこれに限らない。本発明の趣旨の範囲内で、細部の構成を適宜変更してもよい。

１…データ異常判定装置
１１…確率密度算出部
１２…発生確率算出部
１３…異常判定部
２…データ入力装置
５…内部状態予測システム
６…入力データ取得装置
７…モデル予測装置
８…データ異常判定装置
８１…確率密度算出部
８２…発生確率算出部
８３…異常判定部
９…信頼度判定装置

Claims

入力データの異常を判定するデータ異常判定装置であって、
データ集合に基づいて構築された確率密度関数における前記入力データの確率密度値を入力密度値として算出する確率密度算出部と、
前記確率密度関数における確率密度値が前記入力密度値以下となる裾野領域にわたる前記確率密度関数の積分値に相当する値を前記入力データに対する発生確率として算出する発生確率算出部と、
前記発生確率に基づいて前記入力データの異常を判定する異常判定部と、を備えることを特徴とするデータ異常判定装置。
前記発生確率算出部は、前記確率密度関数における確率密度値と前記裾野領域にわたる前記確率密度関数の積分値とを関連付ける検量線データを有し、当該検量線データによって前記入力密度値と関連付けられる積分値を前記発生確率として算出することを特徴とする請求項１に記載のデータ異常判定装置。
前記発生確率算出部は、モンテカルロ法に基づいて前記確率密度関数に従って生成された複数のデータ点のうち前記裾野領域に含まれるデータ点数の全データ点数に対する割合を前記発生確率として算出することを特徴とする請求項１に記載のデータ異常判定装置。
前記入力データの次元数は３以上であることを特徴とする請求項１から３の何れかに記載のデータ異常判定装置。
前記入力データは、バッテリの将来の劣化状態と相関があることを特徴とする請求項１から３の何れかに記載のデータ異常判定装置。
前記入力データは、前記バッテリの温度履歴、電流履歴、及び電圧履歴の何れかを含むことを特徴とする請求項５に記載のデータ異常判定装置。
対象物の内部状態を予測する内部状態予測システムであって、
前記内部状態と相関のある入力データを取得する入力データ取得装置と、
学習用データ集合に基づいて構築された予測モデル及び前記入力データに基づいて前記内部状態を予測するモデル予測装置と、
前記入力データの異常を判定するデータ異常判定装置と、
前記データ異常判定装置による判定結果に基づいて前記モデル予測装置の予測結果の信頼度を判定する信頼度判定装置と、を備え、
前記データ異常判定装置は、
前記学習用データ集合に基づいて構築された確率密度関数における前記入力データの確率密度値を入力密度値として算出する確率密度算出部と、
前記確率密度関数における確率密度値が前記入力密度値以下となる裾野領域にわたる前記確率密度関数の積分値に相当する値を前記入力データに対する発生確率として算出する発生確率算出部と、
前記発生確率に基づいて前記入力データの異常を判定する異常判定部と、を備えることを特徴とする内部状態予測システム。