JP7372876B2

JP7372876B2 - 異常検出システム、異常検出装置及び異常検出方法

Info

Publication number: JP7372876B2
Application number: JP2020090368A
Authority: JP
Inventors: ハーシュプラモドブハイプロヒト; 隆遠藤; 洋平川口
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 2020-05-25
Filing date: 2020-05-25
Publication date: 2023-11-01
Anticipated expiration: 2040-05-25
Also published as: JP2021185352A

Description

本発明は、異常検出システム、異常検出装置及び異常検出方法に関する。

工場やデータセンター等の施設に配置されている機器の安定的な稼働を維持するためには、機器についての異常を早期かつ正確に判定することが重要である。そして、機器の異常検出の手段の１つとして、検証対象の機器のファンやモーターから発生する音響信号を解析することが知られている。

また、ＩＯＴの発展に伴い、工場やデータセンター等の施設に配置されているエッジ装置を遠隔地にあるクラウドインフラに接続し、異常検出対象の機器から取得した音響信号等をクラウドインフラを用いて分析することにより、高度な異常診断を行うハイブリッド型システムが存在する。

例えば、ＵＳ２０１９-０３３９６８１（特許文献１）には、「データ収集および分析用のハイブリッドインフラストラクチャは、エッジレベルとクラウドレベルのコンピューティングを組み合わせて、産業システムおよびプロセスの高レベルの監視と制御を実行する。1つ以上のプラント施設のオンプレミスのエッジデバイスは、プラントフロアの複数の産業用デバイスからデータを収集し、収集したデータに対してローカルエッジレベルの分析を実行できる。さらに、エッジデバイスは、クラウドレベルのデータ収集と分析サービスを実行するクラウドプラットフォームへの通信チャネルを維持する。エッジデバイスは、必要に応じて、選択したデータセットをクラウドプラットフォームに渡すことができる。クラウドプラットフォームでは、クラウドレベルの分析サービスが産業データに対してより高いレベルの分析を実行する。ハイブリッドアーキテクチャは双方向で動作するため、クラウドレベルとエッジレベルの分析で、エッジレベルとクラウドレベルの分析の結果に基づいて産業用デバイスに制御命令を送信することができる」技術が記載されている。

ＵＳ２０１９-０３３９６８１

上記の特許文献１には、工場やデータセンター等の施設に配置されているエッジ側装置とクラウドインフラとを連携したハイブリッド型異常検出システムを用いて、所定の産業用デバイスを分析し、当該分析の結果に基づいて当該産業用デバイスに制御命令を送信することが開示されている。

しかしながら、エッジ側及びクラウド側の両方に異常検出用のモデルが配置されている場合、エッジ側からクラウド側に送信するデータの圧縮や通信によるロス等で、エッジ側の異常検出モデルとクラウド側の異常検出モデルとが互いにズレてしまい、確実な異常検出結果が得られなくなることがある。特許文献１には、このような課題への対策が想定されておらず、エッジ側の異常検出モデル及びクラウド側の異常検出モデルを互いに整合させ、正確な異常検出結果を提供させる手段が求められている。

そこで、本発明は、工場やデータセンター等の施設に配置されているエッジ側異常検出装置とクラウド側の異常検出装置との異常検出結果の乖離度に基づいてエッジ側異常検出装置及びクラウド側の異常検出用のモデルを互いに同期化し、正確な異常検出結果を提供する手段を提供することを目的とする。

上記の課題を解決するために、代表的な本発明の異常検出システムの一つは、所定の施設に配置されている異常検出対象の機器と、前記施設に配置され、前記異常検出対象の機器から取得した音響信号を分析するエッジ側異常検出装置と、通信ネットワークを介して前記エッジ側異常検出装置に接続されているクラウド側異常検出装置と、からなる異常検出システムであって、前記エッジ側異常検出装置は、第１のクラスタリング分析モデルを含む第１のストレージ部と、前記異常検出対象の機器から取得した前記音響信号の特徴を抽出する特徴抽出部と、前記特徴を前記第１のクラスタリング分析モデルによって分析することで、前記音響信号において異常が存在する確率を示すエッジスコアを計算し、前記エッジスコアが所定のエッジスコア基準を満たす場合に、異常警告を出力するエッジ側異常検出部と、前記特徴を圧縮し、圧縮特徴を生成する特徴圧縮部と、前記圧縮特徴と、前記エッジスコアとを前記クラウド側異常検出装置に送信する第１の通信部と、を含み、前記クラウド側異常検出装置は、第２のクラスタリング分析モデルを含む第２のストレージ部と、前記圧縮特徴と前記エッジスコアとを受信する第２の通信部と、前記圧縮特徴を第２のクラスタリング分析モデルによって分析することで、前記音響信号において異常が存在する確率を示すクラウドスコアを計算し、前記クラウドスコアが所定のクラウドスコア基準を満たす場合に、異常警告を出力するクラウド側異常検出部と、前記エッジスコアと前記クラウドスコアとに基づいて、前記第１のクラスタリング分析モデルと前記第２のクラスタリング分析モデルとの乖離度を計算し、前記乖離度が所定の乖離度基準を満たす場合に、前記第１のクラスタリング分析モデル及び前記第２のクラスタリング分析モデルに対する更新処理を行う同期検証部とを含む。

本発明によれば、工場やデータセンター等の施設に配置されているエッジ側異常検出装置とクラウド側の異常検出装置との異常検出結果の乖離度に基づいてエッジ側異常検出装置及びクラウド側の異常検出用のモデルを互いに同期化し、正確な異常検出結果を提供する手段を提供することができる。
上記した以外の課題、構成及び効果は、以下の実施形態の説明により明らかにされる。

図１は、本発明の実施形態を実施するためのコンピュータシステムのブロック図である。図２は、本発明の実施形態に係る異常検出システムの構成の一例を示す図である。図３は、本発明の実施形態に係る異常検出システムの機能的構成の一例を示す図である。図４は、本発明の実施形態に係るＦＩＧＭＭを訓練する処理の一例を示す図である。図５は、本発明の実施形態に係るエッジ側異常検出処理の一例を示す図である。図６は、本発明の実施形態に係るクラウド側モデル管理処理の一例を示す図である。図７は、本発明の実施形態に係るクラウド側異常検出処理の流れを示す図である。

以下、図面を参照して、本発明の実施形態について説明する。なお、この実施形態により本発明が限定されるものではない。また、図面の記載において、同一部分には同一の符号を付して示している。
（ハードウェア構成）

まず、図１を参照して、本開示の実施形態を実施するためのコンピュータシステム３００について説明する。本明細書で開示される様々な実施形態の機構及び装置は、任意の適切なコンピューティングシステムに適用されてもよい。コンピュータシステム３００の主要コンポーネントは、１つ以上のプロセッサ３０２、メモリ３０４、端末インターフェース３１２、ストレージインタフェース３１４、Ｉ／Ｏ（入出力）デバイスインタフェース３１６、及びネットワークインターフェース３１８を含む。これらのコンポーネントは、メモリバス３０６、Ｉ／Ｏバス３０８、バスインターフェースユニット３０９、及びＩ／Ｏバスインターフェースユニット３１０を介して、相互的に接続されてもよい。

コンピュータシステム３００は、プロセッサ３０２と総称される１つ又は複数の汎用プログラマブル中央処理装置（ＣＰＵ）３０２Ａ及び３０２Ｂを含んでもよい。ある実施形態では、コンピュータシステム３００は複数のプロセッサを備えてもよく、また別の実施形態では、コンピュータシステム３００は単一のＣＰＵシステムであってもよい。各プロセッサ３０２は、メモリ３０４に格納された命令を実行し、オンボードキャッシュを含んでもよい。

ある実施形態では、メモリ３０４は、データ及びプログラムを記憶するためのランダムアクセス半導体メモリ、記憶装置、又は記憶媒体（揮発性又は不揮発性のいずれか）を含んでもよい。メモリ３０４は、本明細書で説明する機能を実施するプログラム、モジュール、及びデータ構造のすべて又は一部を格納してもよい。例えば、メモリ３０４は、異常検出アプリケーション３５０を格納していてもよい。ある実施形態では、異常検出アプリケーション３５０は、後述する機能をプロセッサ３０２上で実行する命令又は記述を含んでもよい。

ある実施形態では、異常検出アプリケーション３５０は、プロセッサベースのシステムの代わりに、またはプロセッサベースのシステムに加えて、半導体デバイス、チップ、論理ゲート、回路、回路カード、および/または他の物理ハードウェアデバイスを介してハードウェアで実施されてもよい。ある実施形態では、異常検出アプリケーション３５０は、命令又は記述以外のデータを含んでもよい。ある実施形態では、カメラ、センサ、または他のデータ入力デバイス（図示せず）が、バスインターフェースユニット３０９、プロセッサ３０２、またはコンピュータシステム３００の他のハードウェアと直接通信するように提供されてもよい。

コンピュータシステム３００は、プロセッサ３０２、メモリ３０４、表示システム３２４、及びＩ／Ｏバスインターフェースユニット３１０間の通信を行うバスインターフェースユニット３０９を含んでもよい。Ｉ／Ｏバスインターフェースユニット３１０は、様々なＩ／Ｏユニットとの間でデータを転送するためのＩ／Ｏバス３０８と連結していてもよい。Ｉ／Ｏバスインターフェースユニット３１０は、Ｉ／Ｏバス３０８を介して、Ｉ／Ｏプロセッサ（ＩＯＰ）又はＩ／Ｏアダプタ（ＩＯＡ）としても知られる複数のＩ／Ｏインタフェースユニット３１２，３１４，３１６、及び３１８と通信してもよい。

表示システム３２４は、表示コントローラ、表示メモリ、又はその両方を含んでもよい。表示コントローラは、ビデオ、オーディオ、又はその両方のデータを表示装置３２６に提供することができる。また、コンピュータシステム３００は、データを収集し、プロセッサ３０２に当該データを提供するように構成された1つまたは複数のセンサ等のデバイスを含んでもよい。

例えば、コンピュータシステム３００は、心拍数データやストレスレベルデータ等を収集するバイオメトリックセンサ、湿度データ、温度データ、圧力データ等を収集する環境センサ、及び加速度データ、運動データ等を収集するモーションセンサ等を含んでもよい。これ以外のタイプのセンサも使用可能である。表示システム３２４は、単独のディスプレイ画面、テレビ、タブレット、又は携帯型デバイスなどの表示装置３２６に接続されてもよい。

Ｉ／Ｏインタフェースユニットは、様々なストレージ又はＩ／Ｏデバイスと通信する機能を備える。例えば、端末インタフェースユニット３１２は、ビデオ表示装置、スピーカテレビ等のユーザ出力デバイスや、キーボード、マウス、キーパッド、タッチパッド、トラックボール、ボタン、ライトペン、又は他のポインティングデバイス等のユーザ入力デバイスのようなユーザＩ／Ｏデバイス３２０の取り付けが可能である。ユーザは、ユーザインターフェースを使用して、ユーザ入力デバイスを操作することで、ユーザＩ／Ｏデバイス３２０及びコンピュータシステム３００に対して入力データや指示を入力し、コンピュータシステム３００からの出力データを受け取ってもよい。ユーザインターフェースは例えば、ユーザＩ／Ｏデバイス３２０を介して、表示装置に表示されたり、スピーカによって再生されたり、プリンタを介して印刷されたりしてもよい。

ストレージインタフェース３１４は、１つ又は複数のディスクドライブや直接アクセスストレージ装置３２２（通常は磁気ディスクドライブストレージ装置であるが、単一のディスクドライブとして見えるように構成されたディスクドライブのアレイ又は他のストレージ装置であってもよい）の取り付けが可能である。ある実施形態では、ストレージ装置３２２は、任意の二次記憶装置として実装されてもよい。メモリ３０４の内容は、ストレージ装置３２２に記憶され、必要に応じてストレージ装置３２２から読み出されてもよい。Ｉ／Ｏデバイスインタフェース３１６は、プリンタ、ファックスマシン等の他のＩ／Ｏデバイスに対するインターフェースを提供してもよい。ネットワークインターフェース３１８は、コンピュータシステム３００と他のデバイスが相互的に通信できるように、通信経路を提供してもよい。この通信経路は、例えば、ネットワーク３３０であってもよい。

ある実施形態では、コンピュータシステム３００は、マルチユーザメインフレームコンピュータシステム、シングルユーザシステム、又はサーバコンピュータ等の、直接的ユーザインターフェースを有しない、他のコンピュータシステム（クライアント）からの要求を受信するデバイスであってもよい。他の実施形態では、コンピュータシステム３００は、デスクトップコンピュータ、携帯型コンピュータ、ノートパソコン、タブレットコンピュータ、ポケットコンピュータ、電話、スマートフォン、又は任意の他の適切な電子機器であってもよい。

次に、図２を参照して、本発明の実施形態に係る異常検出システムの構成について説明する。

図２は、本発明の実施形態に係る異常検出システム２００の構成の一例を示す図である。
異常検出システム２００は、工場やデータセンター等の施設に配置されているエッジ側異常検出装置２１０とクラウド側異常検出装置２３０との異常検出結果の乖離度に基づいてエッジ側異常検出装置及びクラウド側の異常検出用のモデルを互いに同期化し、正確な異常検出結果を提供するためのシステムである。

図２に示すように、本発明の実施形態に係る異常検出システム２００は、異常検出対象の機器２０５と、エッジ側異常検出装置２１０と、クラウド側異常検出装置２３０とを含む。エッジ側異常検出装置２１０とクラウド側異常検出装置２３０とがインターネットやＬＡＮ等の通信ネットワーク２２５を介して互いに通信可能に接続されている。

異常検出対象の機器２０５は、工場やデータセンター等の施設に配置されている機器であり、異常検出処理の対象となる音響信号を生成する機器である。例えば、異常検出対象の機器２０５は、例えばデータセンターに配置されているサーバや、工場に配置されている装置等、作動に伴って音響信号が発生する機器であれば任意の機器であってもよい。

エッジ側異常検出装置２１０は、工場やデータセンター等の施設に配置され、異常検出対象の機器２０５から取得した音響信号に対してエッジ側異常検出処理（図５参照）を行うための装置である。図２に示すように、エッジ側異常検出装置２１０は、取得部２１１と、通信部２１２と、ノイズ軽減部２１３と、特徴抽出部２１４と、エッジ側異常検出部２１５と、特徴圧縮部２１６と、第１のストレージ部２１７とを含む。

取得部２１１は、異常検出対象の機器２０５からの音響信号を取得するための機能部である。取得部２１１は、例えば異常検出対象の機器２０５の付近や内部等に設置されているマイクロフォンや録音装置によって収集された音響信号を取得するように構成されているデバイスであってもよい。

通信部２１２は、通信ネットワーク２２５を介してクラウド側異常検出装置２３０とデータの送受信を行うための機能部である。例えば、通信部２１２は、後述する特徴圧縮部２１６によって圧縮された圧縮特徴及びエッジ側で計算されたエッジスコアをクラウド側異常検出装置２３０に送信したり、クラウド側異常検出装置２３０からのモデル更新通知を受信したりしてもよい。

ノイズ軽減部２１３は、異常検出対象の機器２０５から取得した音響信号におけるノイズを除去する処理を行うための機能部である。ここでのノイズ軽減部２１３は、例えばＣｏｍｐａｎｄｅｒ－ｂａｓｅｄｎｏｉｓｅｒｅｄｕｃｔｉｏｎ，ＤｙｎａｍｉｃＮｏｉｓｅＬｉｍｉｔｅｒ（ＤＮＬ）、ＤｙｎａｍｉｃＮｏｉｓｅＲｅｄｕｃｔｉｏｎ（ＤＮＲ）等、任意の既存のノイズ除去手段を用いてもよい。

特徴抽出部２１４は、異常検出対象の機器２０５から取得した音響信号の特徴を抽出するための機能部である。特徴抽出部２１４は、例えば、異常検出対象の機器２０５から取得した音響信号を窓関数に通して、短時間区間ごとの周波数スペクトルを計算した結果を計算した、時間・周波数ごとの信号成分の強さを表すスペクトログラム（例えばＬｏｇ－ＭｅｌＳｐｅｃｔｒｏｇｒａｍ）を音響信号の特徴として抽出してもよい。

エッジ側異常検出部２１５は、異常検出対象の機器２０５から取得した音響信号の特徴を分析することで、当該音響信号が異常か正常かを判定するための機能部である。より具体的には、エッジ側異常検出部２１５は、後述する第１のストレージ部２１７に格納されている第１の静的クラスタリング分析モデル２１８及び／又は第１の動的クラスタリング分析モデル２１９を用いて音響信号の特徴を分析することで、当該音響信号において異常が存在する確率を示すエッジスコアを計算し、このエッジスコアが所定のエッジスコア基準を満たす場合に、異常警告を出力してもよい。

特徴圧縮部２１６は、異常検出対象の機器２０５から取得した音響信号の特徴を圧縮するための機能部である。ここで特徴圧縮部２１６は、例えば、可逆音声圧縮、非可逆音声圧縮、符号化手法、変換領域、時間領域等、任意の既存の手段を用いてもよく、具体的な手段及び圧縮率等は適宜に選択されてもよい。

第１のストレージ部２１７は、上述した機能部が用いる各種データを格納するための記憶部であり、例えば、フラッシュメモリ、ハードディスクドライブ等、任意の記憶媒体であってもよい。また、第１のストレージ部２１７は、音響信号から抽出された特徴と、当該特徴が抽出された時刻を示すタイムスタンプとを対応付けて格納する。後述するように、この特徴の情報は、クラスタリング分析モデルを訓練する際に用いられてもよい。
更に、図２に示すように、第１のストレージ部２１７は、異常検出処理の際に用いられる第１のクラスタリング分析モデルを含む。本発明の実施形態に係るクラスタリング分析モデルは、音響信号の特徴量の正常の分布を示す、正常特徴量分布モデルであってもよい。また、第１のクラスタリング分析モデルは、第１の静的クラスタリング分析モデル２１８と、第１の動的クラスタリング分析モデル２１９とを含む。第１の静的クラスタリング分析モデル２１８及び第１の動的クラスタリング分析モデル２１９は、例えば、ウッドベリーの逆行列の補助定理を用いるＦＩＧＭＭ（ＦａｓｔＩｎｃｒｅｍｅｎｔａｌＧａｕｓｓｉａｎＭｉｘｔｕｒｅＭｏｄｅｌ）であってもよい。
より具体的には、ＦＩＧＭＭは、入力されたデータポイントに対応する分布コンポーネントからなるガウス混合モデルである。モデルによって同化される各データポイントは、データの尤度の最大値に基づいてモデルパラメーターの逐次更新に貢献する。これらのパラメータは、各データポイントから抽出された関連情報の蓄積に基づいて更新される。新しいポイントが既存のガウスコンポーネントに直接追加されるか、必要に応じて新しいコンポーネントが作成され、適応共鳴理論（ART）アルゴリズムに用いられるマージ及び分割操作が不要となる。

第１の動的クラスタリング分析モデル２１９は、新しい音響信号が取得される度に、当該音響信号から抽出される特徴に基づいて訓練され、パラメータが随時更新可能なモデルである。第１の動的クラスタリング分析モデル２１９に格納される音響信号の特徴は、当該音響信号が取得された時刻を示すタイムスタンプに対応付けられる。
第１の静的クラスタリング分析モデル２１８は、第１の動的クラスタリング分析モデルに含まれるデータの内、一部のみ（例えば、所定の期間に該当する音響信号の特徴）を含み、パラメータが固定されているモデルであり、異常検出処理の際に用いられるモデルである。第１の静的クラスタリング分析モデル２１８は、（例えば、同期化を行う際等に）第１の動的クラスタリング分析モデル２１９の特定のデータに基づいて更新されてもよい。

また、クラウド側異常検出装置２３０は、通信ネットワーク２２５を介してエッジ側異常検出装置２１０に接続されるサーバ装置である。クラウド側異常検出装置２３０は、エッジ側異常検出装置２１０から送信された圧縮特徴を用いてクラウド側異常検出処理を行い、エッジ側異常検出装置２１０及びクラウド側異常検出装置２３０の同期検証・同期化を行う装置である。図２に示すように、クラウド側異常検出装置２３０は、通信部２３１と、前処理部２３３と、クラウド側異常検出部２３４と、同期検証部２３５と、ユーザ管理部２３６と、第２のストレージ部２３７とを含む。

通信部２３１は、通信ネットワーク２２５を介してエッジ側異常検出装置２１０とデータの送受信を行うための機能部である。例えば、通信部２３１は、エッジ側異常検出装置２１０の特徴圧縮部２１６によって圧縮された圧縮特徴及びエッジ側で計算されたエッジスコアをエッジ側異常検出装置２１０から受信したり、モデル更新通知をエッジ側異常検出装置２１０に送信したりしてもよい。

前処理部２３３は、エッジ側異常検出装置２１０から受信した圧縮特徴に対して、クラウド側異常検出を行う前に、所定の前処理を行うための機能部である。例えば、前処理部２３３は、圧縮特徴を解凍したり、フィルターを施したり、外れ値を除外したりする処理を行ってもよい。

クラウド側異常検出部２３４は、エッジ側異常検出装置２１０から取得した圧縮特徴を分析することで、当該圧縮特徴が異常か正常かを判定するための機能部である。より具体的には、クラウド側異常検出部２３０は、後述する第２のストレージ部２３７に格納されている第２の静的クラスタリング分析モデル２３８及び／又は第２の動的クラスタリング分析モデル２３９を用いて音響信号の圧縮特徴を分析することで、当該音響信号において異常が存在する確率を示すクラウドスコアを計算し、このクラウドスコアが所定のクラウドスコア基準を満たす場合に、異常警告を出力してもよい。

同期検証部２３５は、エッジ側異常検出装置２１０によって計算されたエッジスコアと、クラウド側異常検出装置２３０によって計算されたクラウドスコアとに基づいて、第１の動的クラスタリング分析モデル２１９と第２の動的クラスタリング分析モデル２３９との同期状態を示す乖離度を計算し、この乖離度が所定の乖離度基準を満たす場合に、第１の動的クラスタリング分析モデル及び第２の動的クラスタリング分析モデルに対する更新処理を行う機能部である。
なお、ここでのエッジスコア及びクラウドスコアは、異常が存在する確率をパーセントとして表現してもよく、０～１の範囲内の数値として表現してもよい。

ユーザ管理部２３６は、ユーザの入力に基づいてエッジ側異常検出装置２１０又はクラウド側異常検出装置２３０を管理するための機能部である。例えば、ユーザは、ユーザ管理部２３６を介して、複数のモデル候補の中から、クラスタリング分析モデルとして使用したいモデル候補を選択したり、モデルのパラメータを設定したり、モデルの訓練処理を管理したりすることができる。なお、ユーザ管理部２３６の詳細について後述する。

第２のストレージ部２３７は、上述した機能部が用いる各種データを格納するための記憶部であり、例えば、フラッシュメモリ、ハードディスクドライブ等、任意の記憶媒体であってもよい。また、エッジ側異常検出装置２１０から送信された特徴及びタイムスタンプの情報はストレージ部２３７に格納されるため、この第２のストレージ部２３７に格納されている特徴及びタイムスタンプの情報は、第１のストレージ部２１７に格納されている特徴及びタイムスタンプの情報と実質的に同様である。
更に、図２に示すように、第２のストレージ部２３７は、異常検出処理の際に用いられる第２のクラスタリング分析モデルを含む。この第２のクラスタリング分析モデルは、第２の静的クラスタリング分析モデル２３８と、第２の動的クラスタリング分析モデル２３９とを含む。第２の静的クラスタリング分析モデル２３８及び第２の動的クラスタリング分析モデル２３９は、例えば、ウッドベリーの逆行列の補助定理を用いるＦＩＧＭＭモデルであってもよい。
なお、第２のストレージ部２３７に格納されている特徴及びタイムスタンプの情報は、第１のストレージ部２１７に格納されている特徴及びタイムスタンプの情報と実質的に同様であるため、後述するように、エッジ側のクラスタリング分析モデルを同期化する際には、エッジ側及びクラウド側の両方で同一の訓練用データが利用可能である。

なお、第２の静的クラスタリング分析モデル２３８及び第２の動的クラスタリング分析モデル２３９はそれぞれ、上述した第１の静的クラスタリング分析モデル２１８及び第１の動的クラスタリング分析モデル２１９に実質的に対応するが、第２の静的クラスタリング分析モデル２３８及び第２の動的クラスタリング分析モデル２３９は、音響信号の特徴そのものによって訓練されるのではなく、エッジ側異常検出装置２１０に送信される、音響信号の圧縮した特徴によって訓練される点において、第１の静的クラスタリング分析モデル２１８及び第１の動的クラスタリング分析モデル２１９と異なる。
そのため、上述したように、音響信号の特徴を通信する際のロス等により、第２の静的クラスタリング分析モデル２３８及び第２の動的クラスタリング分析モデル２３９と、第１の静的クラスタリング分析モデル２１８及び第１の動的クラスタリング分析モデル２１９とが互いにズレてしまい、確実な異常検出結果が得られなくなることがある。
従って、後述するように、本発明では、エッジ側異常検出装置とクラウド側の異常検出装置との異常検出結果の乖離度に基づいてエッジ側異常検出装置及びクラウド側の異常検出用のモデルを互いに同期化することで、正確な異常検出結果を提供することができる。

なお、エッジ側異常検出装置２１０及びクラウド側異常検出装置２３０に含まれるそれぞれの機能部は、図１に示す異常検出アプリケーション３５０を構成するソフトウエアモジュールであってもよく、独立した専用ハードウェアデバイスであってもよい。

次に、図３を参照して、本発明の実施形態に係る異常検出システムの機能的構成について説明する。

図３は、本発明の実施形態に係る異常検出システム２００の機能的構成の一例を示す図である。上述したように、図３に示す異常検出システム２００は、工場やデータセンター等の施設に配置されているエッジ側異常検出装置２１０とクラウド側異常検出装置２３０との異常検出結果の乖離度に基づいてエッジ側異常検出装置及びクラウド側異常検出装置を互いに同期化し、正確な異常検出結果を提供するためのシステムである。
なお、説明の便宜上、図３では、エッジ側異常検出装置２１０及びクラウド側の異常検出装置２３０の機能部の一部を省略しているが、実際には、図３に示すエッジ側異常検出装置２１０及びクラウド側異常検出装置２３０の構成は、図２に示すエッジ側異常検出装置２１０及びクラウド側異常検出装置２３０と実質的に同様である。

まず、エッジ側異常検出装置２１０の取得部（図３では例示せず）は、異常検出対象の機器（図３では例示せず）からの音響信号３６０を取得する。ここでの音響信号３６０は、例えば異常検出対象の機器に搭載されているファンやモーター等から発生する音を録音したデータであってもよい。上述したように、エッジ側異常検出装置２１０の取得部は、例えば異常検出対象の機器の付近や内部等に設置されているマイクロフォンや録音装置によって収集された音響信号を取得することで音響信号３６０を取得してもよい。

次に、ノイズ軽減部２１３は、取得部によって取得された音響信号３６０におけるノイズを除去する処理を行うための機能部である。ここでのノイズ軽減部２１３は、例えばＣｏｍｐａｎｄｅｒ－ｂａｓｅｄｎｏｉｓｅｒｅｄｕｃｔｉｏｎ，ＤｙｎａｍｉｃＮｏｉｓｅＬｉｍｉｔｅｒ（ＤＮＬ）、ＤｙｎａｍｉｃＮｏｉｓｅＲｅｄｕｃｔｉｏｎ（ＤＮＲ）等、任意の既存のノイズ除去手段を用いてもよい。

次に、特徴抽出部２１４は、ノイズ軽減部２１３によってノイズ除去処理が施された音響信号３６０の特徴を抽出する。例えば、一例として、特徴抽出部２１４は、音響信号３６０を窓関数に通して、周波数スペクトルを計算した結果を、時間、周波数、信号成分の強さの３次元を表すスペクトログラム（例えばＬｏｇ－ＭｅｌＳｐｅｃｔｒｏｇｒａｍ）を特徴として抽出してもよい。ここで抽出される特徴は、第１の静的クラスタリング分析モデル２１８及び第１の動的クラスタリング分析モデル２１９に保存されてもよい。

次に、エッジ側異常検出部２１５は、異常検出対象の機器２０５から取得した音響信号の特徴を分析することで、当該音響信号が異常か正常かを判定する。より具体的には、エッジ側異常検出部２１５は、第１の静的クラスタリング分析モデル２１８を用いて音響信号の特徴を分析することで、当該音響信号において異常が存在する確率を示すエッジスコア３６２を計算し、このエッジスコア３６２が所定のエッジスコア基準を満たす場合に、異常警告を出力してもよい。この異常警告は、音響信号において異常が存在することを知らせる通知であり、異常検出対象の機器２０５が配置されている施設の管理者等に送信されてもよい。

次に、特徴圧縮部２１６は、特徴抽出部２１４によって抽出された、音響信号３６０の特徴を圧縮し、圧縮特徴３６４を出力する。ここでは、特徴圧縮部２１６は、例えば、可逆音声圧縮、非可逆音声圧縮、符号化手法、変換領域、時間領域等、任意の既存の手段を用いてもよく、具体的な手段及び圧縮率等は適宜に選択されてもよい。

次に、通信部（図３では例示せず）は、エッジ側異常検出装置２１０の特徴圧縮部２１６によって圧縮された圧縮特徴３６４及びエッジ側で計算されたエッジスコア３６２をクラウド側異常検出装置２３０に送信する。クラウド側異常検出装置２３０に送信される圧縮特徴３６４及びエッジ側で計算されたエッジスコア３６２はクラウド側異常検出装置２３０の第２のストレージ部２３７に保存される。

次に、クラウド側異常検出装置２３０の前処理部２３３は、第２のストレージ部２３７に保存されている圧縮特徴３６４を取得し、当該圧縮特徴に対して、圧縮特徴を解凍したり、フィルターを施したり、外れ値を除外したりする等、任意の前処理を実行する。前処理部２３３の処理が終了した後、前処理が施された特徴が、第２のストレージ部２３７に格納されている第２の動的クラスタリング分析モデル２３９に保存される。

次に、クラウド側異常検出部２３４は、第２のストレージ部２３７に保存されている第２の静的クラスタリング分析モデル２３８を用いて、圧縮特徴３６４を分析することで、当該圧縮特徴３６４が異常か正常かを判定する。ここで用いられる第２の静的クラスタリング分析モデル２３８は、例えば後述するユーザ管理部を介してユーザに選定されたクラスタリング分析モデルであってもよい。
より具体的には、クラウド側異常検出部２３４は、第２の静的クラスタリング分析モデル２３８を用いて音響信号３６０の圧縮特徴３６４を分析することで、当該音響信号３６０において異常が存在する確率を示すクラウドスコア３６６を計算し、このクラウドスコア３６６が所定のクラウドスコア基準を満たす場合に、異常警告を出力してもよい。この異常警告は、音響信号において異常が存在することを知らせる通知であり、クラウド側異常検出装置２３０の管理者等に送信されてもよい。

次に、同期検証部２３５は、エッジ側異常検出部２１５によって計算されたエッジスコア３６２と、クラウド側異常検出部２３４によって計算されたクラウドスコア３６６とに基づいて、第１の動的クラスタリング分析モデル２１９と第２の動的クラスタリング分析モデル２３９との乖離度を計算し、この乖離度が所定の乖離度基準（例えば、１０％以上の乖離度、１５％以上の乖離度）を満たす場合に、第１の動的クラスタリング分析モデル及び第２の動的クラスタリング分析モデルに対する更新処理を行う。例えば、ある実施形態では、ここで計算された乖離度が所定の乖離度基準を満たす場合、同期検証部２３５は、第１の動的クラスタリング分析モデル２１９と第２の動的クラスタリング分析モデル２３９とを更新する必要があると判定してもよい。

また、ある実施形態では、同期検証部２３５は、第１の動的クラスタリング分析モデル２１９と第２の動的クラスタリング分析モデル２３９との同期状態を表す同期状態情報２６８をユーザ管理部２３６に転送してもよい。この同期状態情報２６８は、例えば計算された乖離度等を含み、第１の動的クラスタリング分析モデル２１９と第２の動的クラスタリング分析モデル２３９とが互いにどれぐらい離れているかを示す情報である。
なお、上述したように、同期検証部２３５は、エッジスコア３６２とクラウドスコア３６６とを所定のアルゴリズム（後述する数式３及び数式６）によって比較することで、第１の動的クラスタリング分析モデル２１９と第２の動的クラスタリング分析モデル２３９との乖離度を定量化することができる。ここでの「乖離度」とは、第１の動的クラスタリング分析モデル２１９と第２の動的クラスタリング分析モデル２３９とが互いに離れている度合いを示す尺度である。

次に、ユーザ管理部２３６は、ユーザの入力に基づいてエッジ側異常検出装置２１０又はクラウド側異常検出装置２３０を管理するための管理アクションを実行してもよい。例えば、ユーザは、ユーザ管理部２３６を介して、第２の動的クラスタリング分析モデル２３９における一部のデータをユーザ選定モデルとして第２の静的クラスタリング分析モデル２３８に設定したり、第２のストレージ部２３７に格納されている特徴やクラスタリング分析モデルを編集したり、エッジ側異常検出装置２１０へのモデル更新通知の送信を管理してもよい。

上述したように、第１の動的クラスタリング分析モデル２１９と第２の動的クラスタリング分析モデル２３９との乖離度が所定の乖離度基準を満たす場合、あるいはユーザがユーザ管理部２３６を介してモデルの更新を指示する場合、クラウド側異常検出装置２３０は、第１の動的クラスタリング分析モデル２１９の更新を指示するモデル更新通知２７０を、通信部（図３では例示せず）を介してエッジ側異常検出装置２１０に送信すると同時に、第２の静的クラスタリング分析モデル２３８の更新処理を開始する。
なお、クラスタリング分析モデルの更新処理の詳細については後述する。

以上説明した異常検出システム２００を用いることにより、工場やデータセンター等の施設に配置されているエッジ側異常検出装置とクラウド側の異常検出装置との異常検出結果の乖離度に基づいてエッジ側異常検出装置及びクラウド側の異常検出モデルを互いに同期化し、正確な異常検出結果を提供する手段を提供することができる。

次に、図４を参照して、本発明の実施形態に係るＦＩＧＭＭについて説明する。

図４は、本発明の実施形態に係るＦＩＧＭＭを訓練する処理４００の一例を示す図である。上述したように、本発明の実施形態に係る第１の動的クラスタリング分析モデル（例えば、図２及び３に示す第１の動的クラスタリング分析モデル２１９）及び第２の動的クラスタリング分析モデル（例えば、図２及び３に示す第２の動的クラスタリング分析モデル２３９）は、ＦＩＧＭＭ（ＦａｓｔＩｎｃｒｅｍｅｎｔａｌＧａｕｓｓｉａｎＭｉｘｔｕｒｅＭｏｄｅｌ）であってもよい.
ここでは、ＦＩＧＭＭとは、ガウス混合モデルにおけるＥＭ(ｅｘｐｅｃｔａｔｉｏｎｍａｘｉｍｉｚａｔｉｏｎ)アルゴリズムを近似するためのアルゴリズムである。ＦＩＧＭＭでは、過去のデータ点に頼らずに、各データ点の入力後、連続して入力されるすべてのデータに一致する結合入出力空間（ｊｏｉｎｔｉｎｐｕｔ－ｏｕｔｐｕｔｓｐａｃｅ）の確率モデルが作成され、継続的に更新される。すなわち、ＦＩＧＭＭは、所定の量のデータが収集されないと訓練を開始できない従来のモデルと異なり、新たなデータが入力される度に動的に訓練されるガウス混合モデルである。このＦＩＧＭＭを用いることにより、第１の動的クラスタリング分析モデル及び第２の動的クラスタリング分析モデルは、大量の学習データを収集しないと訓練できない従来のバッチ型ＧＭＭに比べて、学習データを格納するためのメモリ容量を抑え、処理速度を向上させることができる。
以下では、本発明の実施形態に係るＦＩＧＭＭを訓練する処理４００について説明する。

まず、ステップＳ４１０では、訓練対象のＦＩＧＭＭ（例えば、図２に示す第１の動的クラスタリング分析モデル２１９又は第２の動的クラスタリング分析モデル２３９）は、入力される音響信号４０５に対して、高速フーリエ変換、メル尺度変換、及び体数スケール変換を施すことで、音響信号４０５の特徴を抽出する。上述したように、ここで抽出される特徴は、例えばＬｏｇ－ＭｅｌＳｐｅｃｔｒｏｇｒａｍであってもよい。

次に、ステップＳ４２０では、入力された音響信号４０５の特徴が、正常の音響信号を示す正常モデルに含まれる確率が計算される。より具体的には、ここでは、所定のデータ点ｊが事前に用意された正常モデルに含まれる確率ｐ（ｘ|ｊ）は、以下の数式１によって求められる。

ここでは、u_jは、ｊ番目のＧＭＭ成分の平均値であり、Σ_ｊはｊ番目のＧＭＭ成分の共分散行列であり、Ａ_ｊはｊ番目のＧＭＭ成分に対応するＧＭＭパラメータである。

次に、ステップＳ４３０では、正常モデルのＧＭＭパラメータは、いわゆるランク１更新によって更新される。例えば、ここでは、特定の時間ｔにおける所定のデータ点ｊのＧＭＭパラメータＡ_ｊ（ｔ）は、以下の数式２によって求められる。

なお、ここでは、ウッドベリーの逆行列の補助定理を用いることにより、行列の反転を避けることが可能となり、処理時間を短縮させることができる。

次に、ステップＳ４４０では、ステップＳ４３０の結果に基づいて、ＧＭＭの成分の数が更新される。例えば、ここでは、ＧＭＭの成分の数が増やされてもよく、減らされてもよい。
以上説明した訓練処理を用いることで、本発明の実施形態に係る第１の動的クラスタリング分析モデル及び第２の動的クラスタリング分析モデルがリアルタイムで動的に訓練されると共に、学習データを格納するためのメモリ容量を抑え、処理速度を向上させることができる。

次に、図５を参照して、本発明の実施形態に係る、エッジ側異常検出装置によるエッジ側異常検出処理について説明する。

図５は、本発明の実施形態に係るエッジ側異常検出処理５００の一例を示す図である。エッジ側異常検出処理５００は、例えば図３に示すエッジ側異常検出装置２１０によって実行され、解析対象の音響信号について異常が存在するか否かを判定するための処理である。

まず、ステップＳ５１０では、エッジ側異常検出装置の取得部（例えば、図２に示す取得部２１１）は、異常検出対象の機器（例えば、図２に示す異常検出対象の機器２０５）から、解析対象の音響信号を取得する。上述したように、エッジ側異常検出装置の取得部は、例えば異常検出対象の機器の付近や内部等に設置されているマイクロフォンや録音装置によって収集された音響信号を取得することで音響信号を取得してもよい。

ステップＳ５２０では、エッジ側異常検出装置のノイズ軽減部（例えば、図２に示すノイズ軽減部２１３）は、取得部によって取得された音響信号３６０におけるノイズを除去する処理を行う。ここで、ノイズ軽減部２１３は、例えばＣｏｍｐａｎｄｅｒ－ｂａｓｅｄｎｏｉｓｅｒｅｄｕｃｔｉｏｎ，ＤｙｎａｍｉｃＮｏｉｓｅＬｉｍｉｔｅｒ（ＤＮＬ）、ＤｙｎａｍｉｃＮｏｉｓｅＲｅｄｕｃｔｉｏｎ（ＤＮＲ）等、任意の既存のノイズ除去手段を用いてもよい。

次に、ステップＳ５３０では、エッジ側異常検出装置の特徴抽出部（例えば、図２に示す特徴抽出部２１４）は、ノイズ軽減部によってノイズ除去処理が施された音響信号の特徴を抽出する。例えば、一例として、特徴抽出部は、音響信号３６０を窓関数に通して、短時間区間毎に周波数スペクトルを計算した結果である、時間・周波数ごとの信号成分の強さのを表すスペクトログラム（例えばＬｏｇ－ＭｅｌＳｐｅｃｔｒｏｇｒａｍ）を特徴として抽出してもよい。

次に、ステップＳ５４０では、エッジ側異常検出装置のエッジ側異常検出部（例えば、図２に示すエッジ側異常検出部２１５）は、異常検出対象の機器から取得した音響信号の特徴を分析することで、当該音響信号が異常か正常かを判定する。より具体的には、エッジ側異常検出部は、第１の静的クラスタリング分析モデル（図５に例示せず）を用いて音響信号の特徴を分析することで、当該音響信号において異常が存在する確率を示すエッジスコアを計算し、このエッジスコアが所定のエッジスコア基準を満たす場合に、異常警告を出力してもよい。
なお、第１の静的クラスタリング分析モデルは、例えば上述した数式１を用いて解析対象の音響信号が事前に用意された正常モデルに含まれる確率を計算し、この確率に基づいてエッジスコアを計算してもよい。

次に、ステップＳ５５０では、エッジ側異常検出装置の特徴圧縮部（例えば、図２に示す特徴圧縮部２１６）は、特徴抽出部によって抽出された、音響信号の特徴を圧縮し、圧縮特徴を出力する。ここでは、特徴圧縮部は、例えば、可逆音声圧縮、非可逆音声圧縮、符号化手法、変換領域、時間領域等、任意の既存の手段を用いてもよく、具体的な手段及び圧縮率等は適宜に選択されてもよい。

次に、ステップＳ５６０では、エッジ側異常検出装置の通信部（例えば、図２に示す通信部２１２）はステップＳ５４０で計算されたエッジスコアと、ステップＳ５５０で生成された圧縮特徴とをクラウド側異常検出装置に送信する。これにより、クラウド側異常検出装置は上述したように圧縮特徴に基づいたクラウド側異常検出処理と、エッジスコア及びクラウドスコアに基づいた同期検証の処理を行うことができる。

以上説明した処理により、エッジ側で、音響信号について異常が存在するか否かを把握することができると共に、クラウド側異常検出装置は、ステップＳ５６０で送信された圧縮特徴及びエッジスコアを用いて、クラウド側異常検出処理と、エッジ側とクラウド側の同期検証処理を行うことができる。
また、上述したように、同期検証処理の結果、エッジ側の第１の動的クラスタリング分析モデルと、クラウド側の第２の動的クラスタリング分析モデルとの乖離度が所定の乖離度基準を満たすと判定された場合、クラウド側異常検出装置は、第２の動的クラスタリング分析モデルの更新処理を開始すると同時に、モデル更新通知をエッジ側異常検出装置に送信することができる。
以下、クラウド側異常検出装置は、エッジ側の第１の動的クラスタリング分析モデルと、クラウド側の第２の動的クラスタリング分析モデルとの乖離度が所定の乖離度基準を満たすと判定し、モデル更新通知をエッジ側異常検出装置に送信した場合の処理について説明する。

まず、ステップＳ５７０では、エッジ側異常検出装置は、モデル更新通知をクラウド側異常検出装置から受信する。このモデル更新通知とは、第１の動的クラスタリング分析モデルの更新を指示する情報である。また、このモデル更新通知は、第１の時刻を指定する情報を含んでもよい。この第１の時刻は、第１の動的クラスタリング分析モデル及び第２の動的クラスタリング分析モデルに格納されている音響信号の特徴の情報において、特定の音響信号の特徴のタイムスタンプに対応する時刻であってもよい。
なお、この第１の時刻は、第１の動的クラスタリング分析モデルと第２の動的クラスタリング分析モデルとの乖離度が所定の値以下の時刻（つまり、実質的に同期している状態の時刻）であることが望ましい。

次に、ステップＳ５８０では、第１の動的クラスタリング分析モデルは、第１のストレージ部に格納されている音響信号特徴の情報の中から、ステップＳ５７０で受信したモデル更新通知に指定されている第１の時刻までの時刻に対応する音響信号の特徴（第１の訓練用データ）に基づいて訓練される。この訓練の処理は、例えば図４に示すＦＩＧＭＭの訓練処理に従って行われてもよい。
なお、図５には例示しないが、エッジ側の第１の動的クラスタリング分析モデルが第１の時刻までの時刻に対応する音響信号の特徴に基づいて訓練されると同様に、クラウド側の第２の動的クラスタリング分析モデルも、第２のストレージ部に格納されている音響信号特徴の情報の中から、同じ第１の時刻までの時刻に対応する音響信号の特徴（第１の訓練用データ）に基づいて訓練される。これにより、エッジ側の第１動的クラスタリング分析モデルと、クラウド側の第２の動的クラスタリング分析モデルとが、互いに実質的に同期していた時刻までの音響信号の特徴（すなわち、同一の訓練用情報）に基づいて訓練されるため、改めて互いに同期している状態となる。

次に、ステップＳ５９０では、ステップＳ５８０で訓練された第１の動的クラスタリング分析モデルに含まれているデータの内、少なくとも一部が第１の静的クラスタリング分析モデルにコピーされる。また、図５には例示しないが、エッジ側で第１の動的クラスタリング分析モデルが第１の静的クラスタリング分析モデルにコピーされると同時に、クラウド側では、ステップＳ５８０で訓練された第２の動的クラスタリング分析モデルが第２の静的クラスタリング分析モデルにコピーされる。
これにより、第１の静的クラスタリング分析モデル及び第２の静的クラスタリング分析モデルは改めて互いに同期している状態となり、これらのモデルを用いた異常検出処理が確実に行われる。

以上説明した処理により、エッジ側の第１の動的クラスタリング分析モデルと、クラウド側の第２の動的クラスタリング分析モデルとの乖離度が所定の乖離度基準を満たすと判定された場合、第１の動的クラスタリング分析モデルとクラウド側の第２の動的クラスタリング分析モデルとを同一の時刻までの音響信号特徴に基づいて訓練することで、改めて互いに同期化させることができる。

次に、図６を参照して、本発明の実施形態に係るクラウド側モデル管理処理について説明する。

図６は、本発明の実施形態に係るクラウド側モデル管理処理６００の一例を示す図である。図６に示すクラウド側モデル管理処理６００は、例えば図３に示すクラウド側異常検出装置２３０によって実行され、第２の動的クラスタリング分析モデルを構築するための処理である。

まず、ステップＳ６１０では、クラウド側異常検出装置の前処理部（例えば、図２に示す前処理部２３３）は、第２のストレージ部に保存されている圧縮特徴を取得し、当該圧縮特徴に対して、圧縮特徴を解凍したり、フィルターを施したり、外れ値を除外したりする等、任意の前処理を実行する。

次に、ステップＳ６２０では、第２の動的クラスタリング分析モデルは、ステップＳ６１０で前処理が施された特徴に基づいて訓練される。ここでの訓練の処理は、例えば図４に示すＦＩＧＭＭの訓練処理に従って行われてもよい。

次に、ステップＳ６３０では、ステップＳ６２０で訓練された第２の動的クラスタリング分析モデルは第２のストレージ部に保存される。

また、上述したように、ユーザは、ユーザ管理部（例えば、図２に示すユーザ管理部２３６）を介して、クラスタリング分析モデルとして使用したいモデル候補を選択することができる。以下、ユーザが、ユーザ管理部を介して、クラスタリング分析モデルとして使用したいモデル候補を選択する場合の処理について説明する。

ステップＳ６４０では、ユーザは、ユーザ管理部を介して、第２の動的クラスタリング分析モデルとして使用したいモデルをユーザ選定モデルとして選択する。ここでは、ユーザは、第２のストレージ部に格納されている音響信号特徴の情報の中から、第２の動的クラスタリング分析モデルの学習データとして使用したい音響信号特徴を選択してもよく、複数の既に訓練済みのクラスタリング分析モデルの中から第２の動的クラスタリング分析モデルとして使用したいモデルを選択してもよい。

次に、ステップＳ６５０では、ステップＳ６４０でユーザによって選択されたユーザ選定モデルのパラメータが、第２のストレージ部に格納されている第２の動的クラスタリング分析モデルにコピーされる。

以上説明した処理により、クラウド側異常検出装置による異常検出処理に用いられるクラスタリング分析モデルを用意することができる。

次に、図７を参照して、本発明の実施形態に係るクラウド側異常検出装置によるクラウド側異常検出処理について説明する。

図７は、本発明の実施形態に係るクラウド側異常検出処理７００の流れを示す図である。クラウド側異常検出処理７００は、例えば図３に示すクラウド側異常検出装置２３０によって実行され、解析対象の音響信号について異常が存在するか否かを判定すると共に、クラウド側のクラスタリング分析モデルとエッジ側のクラスタリング分析モデルとの同期状態を検証するための処理である。

まず、ステップＳ７１０では、ユーザは、クラウド側異常検出装置のユーザ管理部（例えば、図２に示すユーザ管理部２３６）を介して、第２の動的クラスタリング分析モデルとして使用したいモデルをユーザ選定モデルとして選択する。ここでは、ユーザは、第２のストレージ部に格納されている音響信号特徴の情報の中から、第２の動的クラスタリング分析モデルの学習データとして使用したい音響信号特徴を選択し、モデルの訓練を開始してもよく、複数の既に訓練されているクラスタリング分析モデルの中から第２の動的クラスタリング分析モデルとして使用したいモデルを選択してもよい。なお、図７のステップＳ７１０は、図６を参照して説明したクラウド側モデル管理処理６００におけるステップＳ６４０に実質的に対応する。

ステップＳ７２０では、ステップＳ７１０で選択されたユーザ選定モデルは、第２の動的クラスタリング分析モデルとして第２のストレージ部に格納されると同時に、第２の動的クラスタリング分析モデルのパラメータが第１の静的クラスタリング分析モデルにコピーされる。また、ユーザ選定モデルが第２のストレージ部に格納されると同時に、ステップＳ７６０では、クラウド側異常検出装置の通信部は、エッジ側異常検出装置の第１の動的クラスタリング分析モデルの更新を指示するモデル更新通知をエッジ側異常検出装置に送信する。上述したように、このモデル更新通知は、ユーザ選定モデルの学習に用いられる音響信号特徴に対応する時刻の情報を含んでもよい。これにより、エッジ側異常検出装置は、モデル更新通知に指定された時刻に対応する音響信号特徴を学習データとして第１の動的クラスタリング分析モデルを訓練することで、第１の動的クラスタリング分析モデル及び第２の動的クラスタリング分析モデルは両方とも、ユーザ選定モデルとして選択されたモデルに整合され、互いに同期化される。

次に、ステップ７３０では、クラウド側異常検出装置のクラウド側異常検出部（例えば、図２に示すクラウド側異常検出部２３４）は、第２のストレージ部に保存されている第２の静的クラスタリング分析モデルを用いてエッジ側異常検出装置から送信された圧縮特徴を分析することで、当該圧縮特徴３６４が異常か正常かを判定する。より具体的には、クラウド側異常検出部は、第２の静的クラスタリング分析モデルを用いて音響信号の圧縮特徴を分析することで、当該音響信号３６０において異常が存在する確率を示すクラウドスコアを計算し、このクラウドスコア３６６が所定のクラウドスコア基準を満たす場合に、異常警告を出力してもよい。なお、ここでの第２の静的クラスタリング分析モデルは、例えば上述した数式１を用いて解析対象の音響信号が事前に用意された正常モデルに含まれる確率を計算し、この確率に基づいてクラウドスコアを計算してもよい。

次に、ステップＳ７４０では、クラウド側異常検出装置の同期検証部（例えば図２に示す同期検証部２３５）は、エッジ側異常検出部によって計算され、クラウド側異常検出装置に送信され、第２のストレージ部に保存されているエッジスコアと、ステップＳ７３０でクラウド側異常検出部によって計算されたクラウドスコアとに基づいて、第１の動的クラスタリング分析モデルと第２の動的クラスタリング分析モデルとの乖離度を計算し、この乖離度が所定の乖離度基準を満たす場合に、第１の動的クラスタリング分析モデル及び第２の動的クラスタリング分析モデルに対する更新処理を行う。
より具体的には、エッジスコアe_sとクラウドスコアc_sと所定の乖離度基準εとの関係が以下の数式３を満たす場合には、第１の動的クラスタリング分析モデルと第２の動的クラスタリング分析モデルとが互いに同期していると判定されてもよい。

また、エッジスコアe_sとクラウドスコアc_sと所定の乖離度基準εとの関係が以上の数式３を満たさない場合には、エッジスコアe_sの移動平均

及びクラウドスコアc_sの移動平均

と所定の値δ₁、δ₂との関係が以下の数式４を満たすか否かを検証してもよい。

なお、ここでの乖離度基準ε及び所定の値δ₁、δ₂はユーザに指定されてもよい。エッジスコアe_s及びクラウドスコアc_sと所定の乖離度基準εとの関係が数式３を満たさないで、クラウドスコアc_sの移動平均とδ₁との関係及びエッジスコアe_sの移動平均とδ₂との関係が上記の数式６を満たす場合には、第１の動的クラスタリング分析モデルと第２の動的クラスタリング分析モデルとが互いに同期していないと判定される。そして、第１の動的クラスタリング分析モデルと第２の動的クラスタリング分析モデルとが互いに同期していないと判定される場合には、本処理はステップＳ７５０へと進み、第１の動的クラスタリング分析モデルと第２の動的クラスタリング分析モデルとが互いに同期している場合には、本処理は終了する。

ステップＳ７５０では、同期検証の結果、エッジ側の第１の動的クラスタリング分析モデルと、クラウド側の第２の動的クラスタリング分析モデルとの乖離度が所定の乖離度基準を満たすと判定された場合、同期検証部は、第２の動的クラスタリング分析モデルの更新処理を開始すると同時に、モデル更新通知をエッジ側異常検出装置に送信する。その後、エッジ側の第１の動的クラスタリング分析モデルと、クラウド側の第２の動的クラスタリング分析モデルとの同期化は、図５に示すステップＳ５７０～ステップＳ５９０に説明したように行われる。
これにより、第１の静的クラスタリング分析モデル及び第２の静的クラスタリング分析モデルは改めて互いに同期している状態となり、これらのモデルを用いた異常検出処理が確実に行われる。

以上、本発明の実施の形態について説明したが、本発明は、上述した実施の形態に限定されるものではなく、本発明の要旨を逸脱しない範囲において種々の変更が可能である。

２１０エッジ側異常検出装置
２１３ノイズ軽減部
２１４特徴抽出部
２１５エッジ側異常検出部
２１６特徴圧縮部
２１８第１の静的クラスタリング分析モデル
２１９第１の動的クラスタリング分析モデル
２３０クラウド側異常検出装置
２３３前処理部
２３４クラウド側異常検出部
２３５同期検証部
２３６ユーザ管理部
２３７第２のストレージ部
２３８第２の静的クラスタリング分析モデル
２３９第２の動的クラスタリング分析モデル
３６０音響信号
３６２エッジスコア
３６４圧縮特徴
３６６クラウドスコア

Claims

所定の施設に配置されている異常検出対象の機器と、
前記施設に配置され、前記異常検出対象の機器から取得した音響信号を分析するエッジ側異常検出装置と、
通信ネットワークを介して前記エッジ側異常検出装置に接続されているクラウド側異常検出装置と、
からなる異常検出システムであって、
前記エッジ側異常検出装置は、
第１のクラスタリング分析モデルを含む第１のストレージ部と、
前記異常検出対象の機器から取得した前記音響信号の特徴を抽出する特徴抽出部と、
前記特徴を前記第１のクラスタリング分析モデルによって分析することで、前記音響信号において異常が存在する確率を示すエッジスコアを計算し、前記エッジスコアが所定のエッジスコア基準を満たす場合に、異常警告を出力するエッジ側異常検出部と、
前記特徴を圧縮し、圧縮特徴を生成する特徴圧縮部と、
前記圧縮特徴と、前記エッジスコアとを前記クラウド側異常検出装置に送信する第１の通信部と、
を含み、
前記クラウド側異常検出装置は、
第２のクラスタリング分析モデルを含む第２のストレージ部と、
前記圧縮特徴と前記エッジスコアとを受信する第２の通信部と、
前記圧縮特徴を第２のクラスタリング分析モデルによって分析することで、前記音響信号において異常が存在する確率を示すクラウドスコアを計算し、前記クラウドスコアが所定のクラウドスコア基準を満たす場合に、異常警告を出力するクラウド側異常検出部と、
前記エッジスコアと前記クラウドスコアとに基づいて、前記第１のクラスタリング分析モデルと前記第２のクラスタリング分析モデルとの乖離度を計算し、前記乖離度が所定の乖離度基準を満たす場合に、前記第１のクラスタリング分析モデル及び前記第２のクラスタリング分析モデルに対する更新処理を行う同期検証部と、
を含む異常検出システム。
前記第１のストレージ部及び前記第２のストレージ部は、
前記圧縮特徴と、前記圧縮特徴が抽出された時刻を示すタイムスタンプとを対応付けて格納する、
ことを特徴とする、請求項１に記載の異常検出システム。
第１の静的クラスタリング分析モデルと、第１の動的クラスタリング分析モデルとを含み、
前記乖離度が所定の乖離度基準を満たす場合に、
前記同期検証部は、
前記第１の静的クラスタリング分析モデルの更新を指示し、少なくとも第１の時刻を指定する第１のモデル更新通知を前記エッジ側異常検出装置に送信し、
前記第１のモデル更新通知を受信した前記エッジ側異常検出装置は、
前記第１の動的クラスタリング分析モデルを、前記第１のストレージ部に格納され、且、前記第１の時刻に対応する第１の訓練用データに基づいて訓練し、
前記第１の静的クラスタリング分析モデルを前記第１の動的クラスタリング分析モデルに基づいて更新する、
ことを特徴とする、請求項２に記載の異常検出システム。
前記第２のクラスタリング分析モデルは、
第２の静的クラスタリング分析モデルと、第２の動的クラスタリング分析モデルとを含み、
前記乖離度が所定の乖離度基準を満たす場合に、
前記クラウド側異常検出装置は、
前記第２の動的クラスタリング分析モデルを、前記第２のストレージ部に格納され、且、前記第１の時刻に対応する第１の訓練用データに基づいて訓練し、
前記第２の静的クラスタリング分析モデルを前記第２の動的クラスタリング分析モデルに基づいて更新する、
ことを特徴とする、請求項３に記載の異常検出システム。
前記クラウド側異常検出装置は、
ユーザ管理部を更に含み、
前記ユーザ管理部は、
ユーザの入力に基づいて、前記第２のストレージ部に格納されている複数のモデル候補の中から、特定のモデル候補を前記第２の動的クラスタリング分析モデルとして設定し、
前記第１のクラスタリング分析モデルの更新を指示し、前記第２の動的クラスタリング分析モデルの訓練に用いられた第２の訓練用データに対応する第２の時刻を指定する第２のモデル更新通知を前記エッジ側異常検出装置に送信し、
前記第２のモデル更新通知を受信した前記エッジ側異常検出装置は、
前記第１の動的クラスタリング分析モデルを、前記第１のストレージ部に格納され、且、前記第２の時刻に対応する第２の訓練用データに基づいて訓練し、
前記第１の静的クラスタリング分析モデルを前記第１の動的クラスタリング分析モデルに基づいて更新する、
ことを特徴とする、請求項４に記載の異常検出システム。
前記第１の動的クラスタリング分析モデル及び前記第２の動的クラスタリング分析モデルは、
ウッドベリーの逆行列の補助定理を用いるＦＩＧＭＭ（ＦａｓｔＩｎｃｒｅｍｅｎｔａｌＧａｕｓｓｉａｎＭｉｘｔｕｒｅＭｏｄｅｌ）である、
ことを特徴とする、請求項５に記載の異常検出システム。
第１のクラスタリング分析モデルによって計算される音響信号において異常が存在する確率を示すエッジスコアと、前記音響信号から抽出され、圧縮された圧縮特徴とを受信する転送部と、
第２のクラスタリング分析モデルを含む第２のストレージ部と、
前記圧縮特徴を前記第２のクラスタリング分析モデルによって分析することで、前記音響信号において異常が存在する確率を示すクラウドスコアを計算し、前記クラウドスコアが所定のクラウドスコア基準を満たす場合に、異常警告を出力するクラウド側異常検出部と、
前記エッジスコアと前記クラウドスコアとに基づいて、前記第１のクラスタリング分析モデルと前記第２のクラスタリング分析モデルとの乖離度を計算し、前記乖離度が所定の乖離度基準を満たす場合に、前記第１のクラスタリング分析モデル及び前記第２のクラスタリング分析モデルに対する更新処理を行う同期検証部と、
を含む異常検出装置。
前記第２のストレージ部は、
前記圧縮特徴と、前記圧縮特徴が抽出された時刻を示すタイムスタンプと対応付けて格納し、
前記第１のクラスタリング分析モデルは、
第１の静的クラスタリング分析モデルと、第１の動的クラスタリング分析モデルとを含み、
前記乖離度が所定の乖離度基準を満たす場合に、
前記同期検証部は、
前記第１の静的クラスタリング分析モデルの更新を指示し、少なくとも第１の時刻を指定するモデル更新通知を前記第１のクラスタリング分析モデルに送信する、
ことを特徴とする、請求項７に記載の異常検出装置。
前記第２のクラスタリング分析モデルは、
第２の静的クラスタリング分析モデルと、第２の動的クラスタリング分析モデルとを含み、
前記乖離度が所定の乖離度基準を満たす場合に、
前記異常検出装置は、
前記第２の動的クラスタリング分析モデルを、前記第２のストレージ部に格納され、且、前記第１の時刻に対応する第１の訓練用データに基づいて訓練し、
前記第２の静的クラスタリング分析モデルを前記第２の動的クラスタリング分析モデルに基づいて更新する、
ことを特徴とする、請求項８に記載の異常検出装置。
第１のクラスタリング分析モデルによって計算される音響信号において異常が存在する確率を示すエッジスコアと、前記音響信号から抽出され、圧縮された圧縮特徴とを受信する工程と、
前記圧縮特徴を第２のクラスタリング分析モデルによって分析することで、前記音響信号において異常が存在する確率を示すクラウドスコアを計算し、前記クラウドスコアが所定のクラウドスコア基準を満たす場合に、異常警告を出力する工程と、
前記エッジスコアと前記クラウドスコアとに基づいて、前記第１のクラスタリング分析モデルと前記第２のクラスタリング分析モデルとの乖離度を計算し、前記乖離度が所定の乖離度基準を満たす場合に、前記第１のクラスタリング分析モデル及び前記第２のクラスタリング分析モデルに対する更新処理を行う工程と、
を含み、
前記第１のクラスタリング分析モデルは、
第１の静的クラスタリング分析モデルと、第１の動的クラスタリング分析モデルとを含み、
前記第２のクラスタリング分析モデルは、
第２の静的クラスタリング分析モデルと、第２の動的クラスタリング分析モデルとを含み、
前記更新処理は、
前記第１の静的クラスタリング分析モデルの更新を指示し、少なくとも第１の時刻を指定するモデル更新通知を前記第１のクラスタリング分析モデルに送信する工程と、
前記第１の動的クラスタリング分析モデルを前記第１の時刻に対応する第１の訓練用データに基づいて訓練する工程と、
前記第１の静的クラスタリング分析モデルを前記第１の動的クラスタリング分析モデルに基づいて更新する工程と、
前記第２の動的クラスタリング分析モデルを前記第１の時刻に対応する第１の訓練用データに基づいて訓練する工程と、
前記第２の静的クラスタリング分析モデルを前記第２の動的クラスタリング分析モデルに基づいて更新する工程と、
を含む異常検出方法。