JPWO2013105164A1 - 異常信号判定装置、異常信号判定方法、および異常信号判定プログラム - Google Patents

Abstract

異常信号がどの特徴量に現れるかの知識をあらかじめ与えなくても、正常信号のみの学習から、複数の特徴量にまたがって現れた多様なパターンの異常信号を判定することができる異常信号判定装置を提供する。異常信号判定装置は、入力した評価信号から抽出した複数の特徴量が、正常信号の特徴量を学習して得られる正常モデルから外れているほど大きくなる重みを、特徴量の各々について算出する重み算出部３００と、評価信号から抽出した複数の特徴量が、正常モデルから外れているほど大きくなる相違度を重みで重みづけしたスコアを算出するスコア算出部３０１と、スコアと予め定めた閾値とを比較して評価信号が正常か異常かを判定する判定部３０２とを備える。

Description

本発明は、異常信号判定装置、異常信号判定方法、および異常信号判定プログラムに関し、特に、判定に効果的な特徴量を選択することで、検査対象物の信号が正常か異常かを判定する、異常信号判定装置、異常信号判定方法、および異常信号判定プログラムに関する。

一般的な異常信号判定方法の一例として、検査対象物の信号が正常か異常かを判定する際に、特徴量を複数用意し、それらが正常範囲であるか否かを判定する方法がある。具体的には、正常信号の特徴量分布からの外れ度合い（以下、相違度と呼ぶ）を求めて、それを全特徴量について総和したものをスコアとして算出し、そのスコアがある閾値を超えれば異常と判定される。

図６は、一般的な判定処理方法の一例を示すフローチャートである。はじめに、評価対象機器の信号（以下、評価信号と呼ぶ）を入力し（ステップＳ３０）、複数の特徴量を抽出する（ステップＳ３１）。次に、予め学習した正常モデルとの相違度を表す指標を各特徴量について求め、これを全特徴量について総和し得られるスコアを算出する（ステップＳ３２）。そして、スコアと閾値とを比較し（ステップＳ３３）、スコアが、閾値を超えたら異常と判定し（ステップＳ３４）、閾値を超えなければ正常と判定する（ステップＳ３５）。スコアの算出方法として、例えば非特許文献１に記載されている最尤推定法を用いることができる。

また別の異常信号判定方法の一例が、特許文献１に記載されている。特許文献１では、評価信号のスペクトル解析により得られた広範な周波数帯の物理量を抽出し、これを複数の周波数成分に分割して特徴量を算出する。そして、一つ以上の特徴量があらかじめ定めた正常範囲から外れていればそれを異常と判定する。特許文献１に記載された方法は、機器の異常信号は特定の周波数帯の特徴量に現れることが多く、全特徴量について単純に総和した前記の方法（上記非特許文献１の技術を用いた方法）では正しく異常判定できないという課題をもとに提案されている。

図７は、特許文献１に記載された異常信号判定装置の構成を示すブロック図である。図７に示される異常信号判定装置は、正常／異常信号入力部２００と、特徴抽出部２０１，２０４と、モデル学習部２０２と、評価信号入力部２０３と、スコア算出部２０５と、判定部２０６とを備える。正常／異常信号入力部２００は、正常機器および異常機器からの信号を入力する。特徴抽出部２０１は、スペクトル解析により得られた周波数帯域を複数のブロックに分けてそれぞれのブロックを１特徴量として、これを各次元とした特徴量ベクトルを算出する。

モデル学習部２０２は、得られた特徴量をもとに、正常信号と異常信号の特徴量を識別できるように、ニューラルネットワークを学習する。評価信号入力部２０３と特徴抽出部２０４は、それぞれ、評価信号の入力および特徴抽出を行う。スコア算出部２０５は、ニューラルネットワークが評価信号の各特徴量と学習した基準特徴量を照らし合わせることで出力した判断結果を、判定スコアとして算出する。判定部２０６は、判定スコアを予め与えた閾値と照らし、１つ以上の特徴量で閾値を超えたら異常と判定する。

図８は、特許文献１に記載された方法を用いた判定処理を示すフローチャートである。特許文献１に記載された判定処理を、図８を用いて説明する。まず、評価信号を入力し（ステップＳ２０）、あらかじめ定めた複数の特徴量を抽出する（ステップＳ２１）。次に、評価信号の各特徴量を、正常信号および異常信号から予め学習した基準特徴量と照らし合わせ、その判断結果を各特徴量に対するスコアとして算出する（ステップＳ２２）。各特徴量に対するスコアと閾値とを比較し（ステップＳ２３）、スコアが１つでも閾値を超えたら、異常と判定する（ステップＳ２４）。また、各特徴量に対するスコアが１つも閾値を超えなかったら、正常と判定する（ステップＳ２５）。

特開２００１−１０８５１８号公報

C.M.ビショップ著「パターン認識と機械学習 上」シュプリンガー・ジャパン株式会社発行，2007年12月10日、p.107-110

非特許文献１に記載された技術を用いた方法（一般法１）では相違度の総和が閾値を超えたら異常と判定され、また特許文献１の方法（一般法２）では１つ以上の判定スコアが閾値を超えたら異常と判定される。前提として、一般法１では正常信号のみが学習され、一般法２では正常信号に加えて異常信号も学習されている。異常信号判定を精度良く行うには、正常信号と異常信号の双方をあらかじめ学習しておくことが理想的である。しかし一般に、正常信号を収集することは容易であるが、異常信号は数が少ない上に異常の種類も幅広いため、全種類を収集することは困難であり現実的ではない。そのため、正常信号のみの学習から判定基準を定め、正常か異常かを判定することが好ましい。

次に、正常信号のみの学習から正常／異常判定する一般法１で検知できる異常信号の具体例について説明する。図９は、一般的な方法で検知可能な異常信号の１つ目の例を示す説明図である。図９（ａ）は、横軸が特徴量次元を表し、縦軸が特徴量を表している。また、点線は複数の正常信号を特徴抽出することで得られる平均的なプロットを表し、実線は異常信号の一例を表している。また、異常を示している特徴量の範囲は全区間（次元ｉ＝０−９９）である。図９（ａ）に示す例では、異常信号は全体的に少しずつ正常信号から外れている。そのため、異常信号の正常信号との相違度は、それぞれの特徴量において小さい値となり、特徴量の全区間において大きな差がない状態となる。なお、後の便宜のため、図９（ｂ）に示す相違度の値は全特徴量次元で５としている。

図１０は、一般的な方法で検知可能な異常信号の２つ目の例を示す説明図である。図１０に示す例では、異常を示す特徴量の範囲は１つの特徴量のみ(ｉ＝３０)であるが、正常信号との相違度は大きい。そのため、図１０（ｂ）に示すように特徴量次元がｉ＝３０の部分のみで大きな値(＝５０)を示す。

図９および図１０に示した異常信号の２つの例について、一般法１を適用した場合について述べる。一般法１では、全特徴量に対する相違度の総和をスコアとしているため、このスコアを上記の２例について算出する。特徴量次元数をトータルで１００とすると、図９に示す例の場合、スコアは５００となり、図１０に示す例の場合は５０となる。スコアは値が大きいほど異常とみなされるため、図９に示す例を異常と検知しやすく、図１０に示す例は検知が困難である。つまり、一般法１では、例えば大多数の特徴量に渡って平均的に正常範囲から外れるような異常信号の検知に有効であるが、例えば特定の特徴量が正常範囲から外れるような異常の検知には十分な性能が得られない。

次に、一般的な方法で、図１０に示す例を異常検知する方法を述べる。図１０に示す例では、１つの特徴量のみ正常範囲から外れているため、特定の特徴量に現れた異常検知方法として提案された一般法２が適していると考えられる。しかし、前述の通り一般法２では、正常信号だけでなく異常信号も学習しなければならない。そこで、次に説明する方法は、一般法１における正常モデルと、一般法２の異常判定方法を組み合わせて異常検知を行う。すなわち、次に説明する方法は、正常信号のみで学習した正常モデルを用い、評価信号の各特徴量に対する相違度の最大値をスコアとして求め、これが閾値を超えたら異常と判定する（一般法２’とする）。

一般法２’を、図９および図１０に示す例に適用する。図９に示す例では、相違度の最大値は５となり、図１０に示す例では５０となる。つまり一般法２’では、図１０に示す例を異常と検知しやすく、特定の特徴量が正常範囲から外れるような異常の検知に有効であることが分かる。しかし、図９に示す例では、異常の検知が困難である。

上記のように一般法（一般法１および一般法２’）では、大多数の特徴量に現れた異常や特定の特徴量に現れた異常の検知には有効である。しかし、図９および図１０に示した例は両極端な例であり、その中間の例にあたる、ある程度の幅をもって複数の特徴量に現れた異常を検知することは困難である。図１１は、一般法で検知が困難な異常信号の例を示す説明図である。図１１に示す例では、異常を示している特徴量の範囲は全体の約３割である。正常信号からの相違度は、図１１（ｂ）に示すようにｉ＝２０〜３０，ｉ＝５０〜６０，およびｉ＝８０〜９０において便宜上、１０とする。一般法でスコアを求めると、相違度の総和は３００、最大値は１０となる。

図１２は、図９、図１０および図１１に示す異常信号の例に一般法を用いて算出したスコアの表である。図１２に示すように、閾値をそれぞれ４００および３０とすると、一般法１では図９に示した例、一般法２’では図１０に示した例は異常と検知することができる。しかし、どちらの例を用いても図１１に示された例を異常と検知することは難しい。

以上の説明では簡単な異常信号の例を用いたが、他の異常信号の例を用いた場合でも同様に、一般的な異常信号判定装置は以下に示す性質をもつ。すなわち、図１１に示すように広がりをもった異常信号は、一般法１を用いた場合、他多くの正常範囲内にある特徴量の影響により正しく検知することが困難である。また、図１１に示すような異常信号は、一般法２’を用いた場合、一つ一つの特徴量は大きく正常範囲を外れていないために検知しづらい。そこで、図１１に示す例のように、複数の特徴量にまたがって現れた異常を正しく判定することも課題になる。

本発明は、異常信号がどの特徴量に現れるかの知識をあらかじめ与えなくても、正常信号のみの学習から、複数の特徴量にまたがって現れた多様なパターンの異常信号を判定することができる異常信号判定装置を提供することを目的とする。

本発明による異常信号判定装置は、入力した評価信号から抽出した複数の特徴量が、正常信号の特徴量を学習して得られる正常モデルから外れているほど大きくなる重みを、前記特徴量の各々について算出する重み算出手段と、前記評価信号から抽出した複数の特徴量が、前記正常モデルから外れているほど大きくなる相違度を前記重みで重みづけしたスコアを算出するスコア算出手段と、前記スコアと予め定めた閾値とを比較して前記評価信号が正常か異常かを判定する判定手段とを備えたことを特徴とする。

また、本発明による異常信号判定方法は、入力した評価信号から抽出した複数の特徴量が、正常信号の特徴量を学習して得られる正常モデルから外れているほど大きくなる重みを、前記特徴量の各々について算出し、前記評価信号から抽出した複数の特徴量が、前記正常モデルから外れているほど大きくなる相違度を前記重みで重みづけしたスコアを算出し、前記スコアと予め定めた閾値とを比較して前記評価信号が正常か異常かを判定することを特徴とする。

また、本発明による異常信号判定プログラムは、コンピュータに、入力した評価信号から抽出した複数の特徴量が、正常信号の特徴量を学習して得られる正常モデルから外れているほど大きくなる重みを、前記特徴量の各々について算出する重み算出処理と、前記評価信号から抽出した複数の特徴量が、前記正常モデルから外れているほど大きくなる相違度を前記重みで重みづけしたスコアを算出するスコア算出処理と、前記スコアと予め定めた閾値とを比較して前記評価信号が正常か異常かを判定する判定処理とを実行させることを特徴とする。

本発明によれば、異常信号がどの特徴量に現れるかの知識をあらかじめ与えなくても、正常信号のみの学習から、複数の特徴量にまたがって現れた多様なパターンの異常信号を判定することができる。

本発明による異常信号判定装置の実施形態における構成を示すブロック図である。 本発明による異常信号判定装置の実施形態における評価部の判定処理の一例を示すフローチャートである。 重み算出部における重み算出方法の一例を示す説明図である。 閾値算出方法の一例を示す説明図である。 本発明による異常信号判定装置の主要部を示すブロック図である。 一般的な判定処理方法の一例を示すフローチャートである。 特許文献１に記載された異常判定装置の構成を示すブロック図である。 特許文献１に記載された方法を用いた判定処理を示すフローチャートである。 一般的な方法で検知可能な異常信号の１つ目の例を示す説明図である。 一般的な方法で検知可能な異常信号の２つ目の例を示す説明図である。 一般法で検知が困難な異常信号の例を示す説明図である。 図９、図１０および図１１に示す異常信号の例に一般法を用いて算出したスコアの表である。

本発明の実施形態を、図面を参照して詳細に説明する。図１は、本発明による異常信号判定装置の実施形態の構成を示すブロック図である。

異常信号判定装置１は、学習部１０と、評価部１１とを備える。学習部１０は、正常機器の信号から得られる特徴量を算出し、その各特徴量について正常モデルを生成する。評価部１１は、評価信号から特徴抽出し、それが前記正常モデルから外れるほど大きくなるような重みを算出した上で、前記重みを付与したスコアを算出し、評価信号が正常か異常かの判定を行う。以下、異常信号判定装置１の構成を詳細に説明する。

学習部１０は、正常信号入力部１００と、特徴抽出部１０１と、正常モデル学習部１０２と、正常モデル記憶部１０３と、正常データ記憶部１０４とを含む。

正常信号入力部１００は、学習用の複数の正常機器からの信号を入力する。入力信号は例えば、振動センサやマイクロフォン等の入力装置により得られる振動や、音声等の時系列データを示しており、信号の種類は問わない。

特徴抽出部１０１は、正常信号入力部１００が入力した信号に対して、高速フーリエ変換等のスペクトル解析を行う。そして、特徴抽出部１０１は、得られた周波数帯域を複数の周波数帯に分けて、各周波数帯の物理量を特徴量として抽出し、これらを各要素とした特徴量ベクトルを算出する。

特徴抽出部１０１は、正常・異常の判定に有効と考えられる、できるだけ多くの種類の特徴量を抽出することが好ましい。例えば、特徴抽出部１０１は、ケプストラム、ケプストラムの１次回帰係数および２次回帰係数、全周波数帯の平均パワーやパワーのピーク値、各周波数帯の平均パワー等を用意し、これらを次元数Ｎの特徴量ベクトルとして利用する。また、特徴抽出部１０１は、これらの特徴量を、ある時間幅に区切って時間フレームごとに特徴量として求めれば、特徴量の時間変化も考慮できる。この場合、特徴量次元数はＮ×Ｔ（Ｔは時間フレーム数)となる。特徴抽出部１０１が得た特徴量は、正常データ記憶部１０４が記憶する。

正常モデル学習部１０２は、特徴抽出部１０１で得られた特徴量すべてについて、統計分布を学習し、正常モデル記憶部１０３に記憶する。正常モデル学習部１０２は、例えば、特徴量ごとにその統計分布をガウス分布として学習する。あるいは、正常モデル学習部１０２は、特徴量をベクトルとして、多次元ガウス分布として学習する。統計分布は、ガウス分布に限られず、混合ガウス分布やその他任意の分布でもよい。

評価部１１は、評価信号入力部１０５と、特徴抽出部１０６と、重み算出部１０７と、第一のスコア算出部１０８と、第二のスコア算出部１０９と、閾値算出部１１０と、判定部１１１とを含む。評価信号入力部１０５は、評価信号を入力し、特徴抽出部１０６は、特徴量を算出する。評価信号入力部１０５の動作は、正常信号入力部１００と同じであり、特徴抽出部１０６の動作は、特徴抽出部１０１と同じである。

重み算出部１０７は、特徴抽出部１０６において評価信号から抽出した特徴量が、正常モデル記憶部１０３に記憶した前記正常モデルから外れているほど大きくなるような重みを算出する。図３は、重み算出部における重み算出方法の一例を示す説明図である。図３は、具体的には、前記正常モデル学習部１０２において特徴量分布をガウス分布としてモデル化し学習して得られた、ｉ番目の特徴量の正常モデルＭ_ｉの概略図である。矢印で示した部分は、評価信号の特徴量の位置を表しており、この値よりも大きな特徴量のデータ数が、全体のＲ_ｉ％とする。重みＷ_ｉをＲ_ｉの逆数とすると、数式１のように表される。

また、これを正規化して、以下の数式２のように表してもよい。

数式１、数式２のＷ_ｉは、Ｒ_ｉが小さいほど大きくなるため、正常モデルから外れているほど大きくなる。重みの他の候補として、ユークリッド距離（ＥＤ）や、マハラノビス距離（ＭＤ）、尤度の逆数（Ｉｌｈ）等が考えられる。ＥＤは、特徴抽出部１０６で得られた評価信号の特徴量と、正常データ記憶部１０４に記憶された正常信号の特徴量を全正常信号について平均した値との間の距離を意味する。評価信号のｉ番目の特徴量をｘ_ｉとし、正常信号のｉ番目の特徴量をｙ_ｉとすると、ｉ番目の特徴量についてのユークリッド距離ＥＤ_ｉは数式３のように表される。

また、ＭＤとＩｌｈは、評価信号の特徴量と、正常モデル学習部１０２で得られた正常モデルとの間で算出するため、正常モデルの分散を考慮することができる。正常信号をガウス分布としてモデル化し、分布の平均値がμ_ｉで、分散がσ_ｉの場合、ＭＤ_ｉは、数式４のように表され、Ｉｌｈ_ｉは、数式５のように表される。

重みは、これらの指標ＥＤ，ＭＤ，Ｉｌｈそのものでもよいし、同様に正規化したものもよく、正常モデルから外れるほど大きくなる指標であれば何でもよい。

第一のスコア算出部１０８は、特徴抽出部１０６で算出した特徴量に対して、判定のための指標となる正常モデルとの相違度を求め、それに重み算出部１０７が算出した重みを乗じた重みつきスコアを算出する。すなわち、数式６に表す通り、第一のスコア算出部１０８は、評価信号の特徴量ｘ_ｉに対する相違度ｆ（ｘ_ｉ）に、重み算出部１０７が算出した重みＷ（ｘ_ｉ）を乗じて、それを全特徴量で和を求めた重み付きスコアＦ_ｘを定義する。

相違度ｆ（ｘ_ｉ）は、正常モデルとの類似性が低いほど値が大きくなる指標であれば何でもよい。例えば、相違度ｆ（ｘ_ｉ）は、重みに用いた指標と同じＥＤ，ＭＤ，Ｉｌｈ等が用いられるが、Ｗ（ｘ_ｉ）とｆ（ｘ_ｉ）とは必ずしも同じ指標が用いられる必要はない。例えば、Ｗ（ｘ_ｉ）にＭＤ^ａ−１（ｘ_ｉ）を正規化した値が用いられ、ｆ（ｘ_ｉ）にＭＤ（ｘ_ｉ）が用いられた場合、Ｆ_ｘは、数式７のように表される。

ただし、数式７において、１＜ａ＜∞とする。

数式７において、ａ＝１の場合、Ｆ_ｘはＭＤ（ｘ_ｉ）の総和に比例するため、上記の一般法１に一致する。つまり、大多数の特徴量に渡って平均的に正常範囲から外れるような異常信号の検知に有効である。また、ａ→∞の極限では、ＭＤ（ｘ_ｉ）の最大値のみがＦ_ｘに寄与すると考えることができるため、上記の一般法２’に一致する。つまり、ある特定の特徴量が正常範囲から外れるような異常の検知に有効である。１＜ａ＜∞の場合は、その間に位置するため、ある程度の幅をもって複数の特徴量に現れた異常を検知することができる。ａの値は、１＜ａ＜∞を満たしていれば何でもよく、ユーザによってあらかじめ与えられる。または、複数の正常信号を評価信号としてスコアを算出して分布が求められ、その分布の分散が最小となるようにａが定められてもよい。

第二のスコア算出部１０９は、正常データ記憶部１０４に記憶された正常信号に対する、重み付きスコアを求める。重み付きスコアは、正常データ記憶部１０４に記憶されたある正常信号のｉ番目の特徴量ｙ_ｉに対する相違度ｆ（ｙ_ｉ）に、重み算出部１０７が算出した重みＷ（ｘ_ｉ）を乗じて、全特徴量について和をとったものであり、数式８のように表される。

閾値算出部１１０は、評価信号の正常・異常の判定に用いられる閾値を算出する。図４は、閾値算出方法の一例を示す説明図である。図４に示すように、閾値の決め方としては例えば、閾値算出部１１０は、第二のスコア算出部１０９が算出した正常信号の重み付きスコアＦ_ｙの統計分布を算出し、その統計分布に基づいてあらかじめユーザが与えたある有意水準に対応するスコアＳ１，Ｓ２を、閾値として算出する。従って、有意水準さえ与えれば自動的に閾値を決めることができる。

判定部１１１は、第一のスコア算出部１０８が算出した評価信号の重み付きスコアＦ_ｘと、閾値算出部１１０で算出した閾値とを比較し、Ｆ_ｘ＜Ｓ_１またはＦ_ｘ＞Ｓ_２が成り立つ場合（棄却域に入った場合）に、評価信号が異常であると判定する。

次に、評価部１１の動作を説明する。図２は、本実施形態の異常信号判定装置における評価部の判定処理の一例を示すフローチャートである。ユーザは、まず正常・異常の判定をする対象の評価信号を評価信号入力部１０５に入力する（ステップＳ１０）。特徴抽出部１０６は、与えられた評価信号に対して、あらかじめ定めた複数の特徴量の抽出を行う（ステップＳ１１）。重み算出部１０７は、得られた特徴量それぞれについて、あらかじめ学習した正常モデルを参照し、モデルから外れるほど大きくなるような重みを算出する（ステップＳ１２）。

第一のスコア算出部１０８は、重み算出部１０７が算出した各特徴量の重みを、正常信号との相違度に乗じて和を求めることで、重み付きスコアを算出する（ステップＳ１３）。同様に、第二のスコア算出部１０９は、予め用意した複数の正常信号について、重み付きスコアを求める（ステップＳ１４）。閾値算出部１１０は、得られた正常信号の重み付きスコアの分布を求め、あらかじめ与えた有意水準に対応するスコアを定めて、これを閾値とする（ステップＳ１５）。判定部１１１は、評価信号の重み付きスコアと閾値とを比較し（ステップＳ１６）、評価信号の重み付きスコアが棄却域に入った場合、異常と判定し（ステップＳ１７）、それ以外（正常域に入った場合）の場合、正常と判定する（ステップＳ１８）。新たな評価信号が入力されるたびに、上記のステップ（ステップＳ１０〜ステップＳ１６）が繰り返される。

本実施形態の異常信号判定装置は、判定のためのスコアを算出する際に、正常モデルから外れた特徴量ほど大きくなるような重みをつけている。そのため、判定に有効な特徴量の、スコアへの寄与が大きくなるため、異常信号がどの特徴量に現れるかの知識を事前に与えなくても、正常信号のみの学習から複数の特徴量に現れた異常を精度よく判定することができる。ここで、「複数の特徴量に現れた異常」とは、特定の特徴量のみに現れた異常や大多数の特徴量に現れた異常ではなく、その中間にあたる、複数の特徴量にまたがって現れた多様なパターンの異常を意味している。つまり、図１１に示した例のように、複数の特徴量で少しずつ正常モデルから外れるような異常を精度よく判定することができる。

なお、本実施形態の異常信号判定装置１における正常信号入力部１００、評価信号入力部１０５、正常データ記憶部１０４および正常モデル記憶部１０３以外の各手段は、プログラムに基づいて処理を実行するＣＰＵで実現可能である。正常信号入力部１００および評価信号入力部１０５は、例えばマウスやキーボード等により実現可能である。

図５は、本発明による異常信号判定装置の主要部を示すブロック図である。図５に示すように、本発明による異常信号判定装置は、主要な構成要素として、入力した評価信号から抽出した複数の特徴量が、正常信号の特徴量を学習して得られる正常モデルから外れているほど大きくなる重みを、前記特徴量の各々について算出する重み算出部３００と、前記評価信号から抽出した複数の特徴量が、前記正常モデルから外れているほど大きくなる相違度を前記重みで重みづけしたスコアを算出するスコア算出部３０１と、前記スコアと予め定めた閾値とを比較して前記評価信号が正常か異常かを判定する判定部３０２とを備える。

また、上記の各実施形態では、以下の（１）〜（５）に示すような異常信号判定装置も開示されている。

（１）異常信号判定装置（例えば、異常信号判定装置１）は、入力した評価信号から抽出した複数の特徴量が、正常信号の特徴量を学習して得られる正常モデルから外れているほど大きくなる重みを、特徴量の各々について算出する重み算出手段（例えば、重み算出部１０７）と、評価信号から抽出した複数の特徴量が、正常モデルから外れているほど大きくなる相違度を重みで重みづけしたスコアを算出するスコア算出手段（例えば、第一のスコア算出部１０８、第二のスコア算出部１０９）と、スコアと予め定めた閾値とを比較して評価信号が正常か異常かを判定する判定手段（例えば、判定部１１１）とを備える。

（２）異常信号判定装置は、重み算出手段が、評価信号ごとに、正常モデルからの分散を考慮した距離を算出し、距離が大きくなるほど値が大きくなる重みを各特徴量について算出するように構成されていてもよい。

（３）異常信号判定装置は、スコア算出手段が、相違度と重みとの積を各特徴量について求め、これを全特徴量について総和した重み付きスコアを、評価信号および正常信号それぞれについて算出するように構成されていてもよい。

（４）異常信号判定装置は、閾値を算出する閾値算出手段（例えば、閾値算出部１１０）を備え、スコア算出手段が、第一のスコア算出手段（例えば、第一のスコア算出部１０８）および第二のスコア算出手段（例えば、第二のスコア算出部１０９）を含み、第一のスコア算出手段は、評価信号の重み付きスコアの分布を求め、第二のスコア算出手段は、正常信号の重み付きスコアの分布を求め、閾値算出手段は、あらかじめ与えられた有意水準に対応するスコアを閾値として算出するように構成されていてもよい。

（５）異常信号判定装置は、相違度と重みとの積を各特徴量について求め、これを全特徴量について総和した重み付きスコアを、評価信号および正常信号それぞれについて算出し、前記相違度と重みとの積は、前記相違度のべき乗（但し、べき数ａは、１＜ａ＜∞）を含む値であるように構成されていてもよい。

この出願は、２０１２年１月１３日に出願された日本出願特願２０１２−００５２２２を基礎とする優先権を主張し、その開示の全てをここに取り込む。

以上、実施形態を参照して本願発明を説明したが、本願発明は上記実施形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。

産業上の利用の可能性

本発明は、機器の故障品や故障直前の異常信号を判定するといった用途に利用できる。また建造物の地震等による異常振動や、打音検査による異常音の判定にも利用できる。さらに、施設や市街地における事故、爆発、暴動などの異常を検知する防犯システムなどにも利用できる。

１ 異常信号判定装置
１０ 学習部
１１ 評価部
１００ 正常信号入力部
１０１ 特徴抽出部
１０２ 正常モデル学習部
１０３ 正常モデル記憶部
１０４ 正常データ記憶部
１０５ 評価信号入力部
１０６ 特徴抽出部
１０７ 重み算出部
１０８ 第一のスコア算出部
１０９ 第二のスコア算出部
１１０ 閾値算出部
１１１ 判定部
２００ 正常／異常信号判定部
２０１ 特徴抽出部
２０２ モデル学習部
２０３ 評価信号入力部
２０４ 特徴抽出部
２０５ スコア算出部
２０６ 判定部

Claims (7)

1. 入力した評価信号から抽出した複数の特徴量が、正常信号の特徴量を学習して得られる正常モデルから外れているほど大きくなる重みを、前記特徴量の各々について算出する重み算出手段と、
   前記評価信号から抽出した複数の特徴量が、前記正常モデルから外れているほど大きくなる相違度を前記重みで重みづけしたスコアを算出するスコア算出手段と、
   前記スコアと予め定めた閾値とを比較して前記評価信号が正常か異常かを判定する判定手段とを備えた
   ことを特徴とする異常信号判定装置。
2. 重み算出手段は、評価信号ごとに、正常モデルからの分散を考慮した距離を算出し、当該距離が大きくなるほど値が大きくなる重みを各特徴量について算出する
   請求項１記載の異常信号判定装置。
3. スコア算出手段は、相違度と重みとの積を各特徴量について求め、これを全特徴量について総和した重み付きスコアを、評価信号および正常信号それぞれについて算出する
   請求項１または２記載の異常信号判定装置。
4. 閾値を算出する閾値算出手段を備え、
   スコア算出手段は、第一のスコア算出手段および第二のスコア算出手段を含み、
   第一のスコア算出手段は、評価信号の重み付きスコアの分布を求め、
   第二のスコア算出手段は、正常信号の重み付きスコアの分布を求め、
   閾値算出手段は、あらかじめ与えられた有意水準に対応するスコアを閾値として算出する
   請求項１から請求項３のうちのいずれか１項に記載の異常信号判定装置。
5. スコア算出手段は、相違度と重みとの積を各特徴量について求め、これを全特徴量について総和した重み付きスコアを、評価信号および正常信号それぞれについて算出し、前記相違度と重みとの積は、前記相違度のべき乗（但し、べき数ａは、１＜ａ＜∞）を含む値である
   請求項１から請求項４のうちのいずれか１項に記載の異常信号判定装置。
6. 入力した評価信号から抽出した複数の特徴量が、正常信号の特徴量を学習して得られる正常モデルから外れているほど大きくなる重みを、前記特徴量の各々について算出し、
   前記評価信号から抽出した複数の特徴量が、前記正常モデルから外れているほど大きくなる相違度を前記重みで重みづけしたスコアを算出し、
   前記スコアと予め定めた閾値とを比較して前記評価信号が正常か異常かを判定する
   ことを特徴とする異常信号判定方法。
7. コンピュータに、
   入力した評価信号から抽出した複数の特徴量が、正常信号の特徴量を学習して得られる正常モデルから外れているほど大きくなる重みを、前記特徴量の各々について算出する重み算出処理と、
   前記評価信号から抽出した複数の特徴量が、前記正常モデルから外れているほど大きくなる相違度を前記重みで重みづけしたスコアを算出するスコア算出処理と、
   前記スコアと予め定めた閾値とを比較して前記評価信号が正常か異常かを判定する判定処理とを
   実行させるための異常信号判定プログラム。

Images