JPWO2015033869A1 - 検出装置、検出方法、およびプログラム - Google Patents
検出装置、検出方法、およびプログラム Download PDFInfo
- Publication number
- JPWO2015033869A1 JPWO2015033869A1 JP2015535449A JP2015535449A JPWO2015033869A1 JP WO2015033869 A1 JPWO2015033869 A1 JP WO2015033869A1 JP 2015535449 A JP2015535449 A JP 2015535449A JP 2015535449 A JP2015535449 A JP 2015535449A JP WO2015033869 A1 JPWO2015033869 A1 JP WO2015033869A1
- Authority
- JP
- Japan
- Prior art keywords
- sensors
- change
- matrix
- degree
- score
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2400/00—Indexing codes relating to detected, measured or calculated conditions or factors
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
閾値を用いずに、複数のセンサの時系列データから、正常動作を検出しているセンサ群と異常動作を検出しているセンサ群とを識別する。本発明の第1の態様においては、複数のセンサの出力の変化を検出する検出装置であって、複数のセンサの第1出力における複数のセンサ間の関連度を示す第1関連度行列を取得する第1出力取得部と、複数のセンサの第2出力における複数のセンサ間の関連度を示す第2関連度行列を取得する第2出力取得部と、第1関連度行列および第2関連度行列の間の変化度を表す変化度行列を算出する変化度算出部と、変化度行列における、変化度が他の部分と比較してより大きい部分に対応するセンサ群を、第1出力および第2出力の間の変化を示す変化センサ群として特定する特定部と、を備える検出装置、検出方法、およびプログラムを提供する。
Description
本発明は、検出装置、検出方法、およびプログラムに関する。
従来、自動車および製造装置等の複雑なシステムに複数のセンサが搭載され、当該複数のセンサから取得される複数の時系列データを解析することが知られていた。特に、システムに搭載されるセンサの個数が数百以上に増大した場合でも、対応する時系列データを解析して異常の有無を監視する処理方法が知られていた(例えば、特許文献1参照)。
[特許文献1] 特開2010−78467号公報
[特許文献1] 特開2010−78467号公報
このような処理方法は、複数の時系列データから、入力信号が正常な信号範囲内となる検出結果を示すセンサ群(正常センサ)と、異常な信号範囲となる検出結果を示すセンサ群(異常センサ)とを、センサ間の関係構造の変化の度合いに基づき、センサの異常度をスコア化して同定していた。この場合、スコア化した異常度を、予め定められた閾値等と比較することで、正常センサおよび異常センサを識別していたので、適切な閾値を設定しなければならなかった。しかしながら、このような同定結果に直接影響するパラメータとなる閾値は、使用者の経験等に基づいて設定する必要があった。
本発明の第1の態様においては、複数のセンサの出力の変化を検出する検出装置であって、複数のセンサの第1出力における複数のセンサ間の関連度を示す第1関連度行列を取得する第1出力取得部と、複数のセンサの第2出力における複数のセンサ間の関連度を示す第2関連度行列を取得する第2出力取得部と、第1関連度行列および第2関連度行列の間の変化度を表す変化度行列を算出する変化度算出部と、変化度行列における、変化度が他の部分と比較してより大きい部分に対応するセンサ群を、第1出力および第2出力の間の変化を示す変化センサ群として特定する特定部と、を備える検出装置、検出方法、およびプログラムを提供する。
なお、上記の発明の概要は、本発明の必要な特徴の全てを列挙したものではない。また、これらの特徴群のサブコンビネーションもまた、発明となりうる。
以下、発明の実施の形態を通じて本発明を説明するが、以下の実施形態は特許請求の範囲にかかる発明を限定するものではない。また、実施形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。
図1は、本実施形態に係る検出装置100の構成例を複数のセンサ10と共に示す。ここで、センサ10は、自動車等の運輸機械、製造装置、または監視装置等の対象物に複数設けられ、検出結果を検出装置100に送信する。センサ10は、検出装置100と有線で接続されてよく、これに代えて、無線で接続されてもよい。なお、本実施形態において、対象物が自動車である例を説明する。
センサ10は、一例として、エンジンの冷却水の温度センサ、エンジンの吸入空気の温度センサ、オイル温度センサ、燃料噴射装置用の吸気管内圧力センサ、ターボチャージャ用の過給圧センサ、スロットルポジョンセンサ、ステアリング舵角センサ、車高センサ、液面センサ、回転速度センサ、ノックセンサ、加速度センサ、角速度センサ、地磁気センサ、流量センサ、酸素センサ、希薄空燃比センサ等である。センサ10は、数百から千を超える数が設けられる場合がある。
この場合、数百から千を超える数の時系列データを処理しなければならないが、自動車等に設けられるセンサの時系列データは、データの値そのもの、および、センサ間の関係構造が動的に変化し、また、当該動的な変化は突発的に発生して事前に予知できうるものではない。一例として、「アクセルを踏む」という行為によって車が「加速する」する場合、スロットルポジョンセンサ、回転速度センサ、および加速度センサからの出力といったセンサ間の関係構造が強くなる。即ち、予め予測できないタイミング(例えば使用者の操作等、および自動車の状況等)により、センサ間の関係構造が動的に変化することになる。
また、この場合、搭乗者(荷物等の搭載量)、現在の速度、走行中の道路の勾配、直線道路を走行中か湾曲した道路を走行中か(湾曲している場合は湾曲の度合い)等の自動車の状況に応じて、各センサにおける検出出力そのもの、および検出出力を正常状態と判定すべき値の範囲が変化する。即ち、予め予測できないタイミング(例えば、使用者の操作、および自動車の状況等)により、各センサの出力、および正常か否かの判断基準が動的に変化することになる。
このように、同一のセンサからの時系列信号であっても、他のセンサとの関係構造が変化することに応じて、データの値および判断基準も大きく変化してしまうので、過去のデータと比較しても意味のある処理を実行することが困難になってしまう。このような場合、各センサを多変量系として扱って解析することも考えられるが、センサの数が増加するに伴い、計算量は指数関数的に増加してしまうので、数百から千を超える数のセンサを用いる場合は現実的ではない。
また、センサ間の関係構造の変化の度合いを推定し、推定結果に応じて、センサの異常度をスコア化することも考えられる。この場合、スコア化した異常度と、予め定められた閾値等とを比較することで、正常センサおよび異常センサを識別することができるが、適切な閾値を設定しなければならない。また、センサの異常度をスコア化する場合、確実に異常を検出できるようにスコア化することも困難であった。
そこで、本実施形態に係る検出装置100は、複数のセンサ10の出力の変化を検出し、正常動作を検出しているセンサ群(正常センサとする)と異常動作を検出しているセンサ群(異常センサとする)とを、使用者が恣意的に決定する閾値を用いずに識別する。検出装置100は、複数のセンサからの参照用および対比用の時系列データに応じて、センサ間の関係構造を推定した結果を行列でそれぞれ表し、当該行列を対比して関係構造の変化が他のセンサに比べて小さいセンサを、正常センサと同定する。
検出装置100は、第1出力取得部110と、第2出力取得部120と、変化度算出部130と、特定部140とを備える。
第1出力取得部110は、複数のセンサ10に接続され、当該複数のセンサ10の第1出力における当該複数のセンサ10間の関連度を示す第1関連度行列を算出して取得する。また、第1出力取得部110は、検出装置100内または外部の記憶装置に記憶された第1関連度行列のデータを取得してもよい。また、第1出力取得部110は、複数のセンサ10に接続された外部の装置が第1出力から算出した第1関連度行列のデータを取得してもよい。本実施例の第1出力とは、複数のセンサ10のそれぞれの出力のうち、参照信号として用いる出力信号である。
第1出力取得部110は、自動車が正常な状態において、複数のセンサ10が正常動作を検出している出力を、当該複数のセンサ10から第1出力として受け取る。これに代えて、第1出力取得部110は、複数のセンサ10の予め定められた期間の出力を第1出力として受け取ってもよい。
また、第1出力取得部110は、複数のセンサ10のうち、2つのセンサ10間の関連度を要素とし、当該2つのセンサ10の全ての組み合わせに対応する要素を含む行列を、第1関連度行列として取得する。第1出力取得部110は、一例として、複数のセンサ10の数がd個の場合、d行d列の対称行列となる第1関連度行列を取得する。本実施形態において、第1出力取得部110は、複数のセンサ10が設けられた対象物である自動車が正常状態にある場合において、複数のセンサ10が出力する第1出力に応じた第1関連度行列を取得する例を説明する。
第2出力取得部120は、複数のセンサ10に接続され、当該複数のセンサの第2出力における当該複数のセンサ10間の関連度を示す第2関連度行列を算出して取得する。また、第2出力取得部120は、検出装置100内または外部の記憶装置に記憶された第2関連度行列のデータを取得してもよい。また、第2出力取得部120は、複数のセンサ10に接続された外部の装置が第2出力から算出した第2関連度行列のデータを取得してもよい。本実施例の第2出力とは、複数のセンサ10のそれぞれの出力のうち、対比信号として用いる出力信号である。
第2出力取得部120は、自動車が走行中の状態において、正常動作をしているか否かを特定すべき出力信号(即ち、検査すべき検査対象期間の出力信号)を、当該複数のセンサ10から第2出力として受け取ることが望ましい。これに代えて、第2出力取得部120は、第1出力取得部110が第1出力を受け取った期間とは異なる期間において、複数のセンサ10の予め定められた期間の出力を第2出力として受け取ってもよい。
また、第2出力取得部120は、第1関連度行列と同様に、複数のセンサ10のうち、2つのセンサ10間の関連度を要素とし、当該2つのセンサ10の全ての組み合わせに対応する要素を含む行列を、第2関連度行列として取得する。第2出力取得部120は、一例として、複数のセンサ10の数がd個の場合、d行d列の対称行列となる第2関連度行列を取得する。
本実施形態において、第2出力取得部120は、対象物である自動車の検査対象期間に複数のセンサ10が出力する第2出力に応じた第2関連度行列を取得する例を説明する。即ち、本実施形態は、正常状態において取得した第1信号を参照信号とし、検査対象期間において取得した第2信号を対比信号とするので、センサ間の関連度の変化に基づくセンサ出力の変化の検出は、異常センサの検出に相当する。
変化度算出部130は、第1出力取得部110および第2出力取得部120に接続され、第1関連度行列および第2関連度行列の間の変化度を表す変化度行列を算出する。変化度算出部130は、第1関連度行列および第2関連度行列の差の絶対値に基づき変化度行列を算出してよい。変化度算出部130は、一例として、第1関連度行列および第2関連度行列の差の絶対値を変化度行列として算出する。
特定部140は、変化度算出部130に接続され、変化度行列に基づいて、非変化センサ群および/または変化センサ群を特定する。例えば、特定部140は、変化度行列における、変化度が他の部分と比較してより大きい部分に対応するセンサ群を、第1出力および第2出力の間の変化を示す変化センサ群として特定する。
また、例えば、特定部140は、変化度行列における、変化度が他の部分と比較してより小さい部分に対応するセンサ群を、第1出力および第2出力の間の変化を示す非変化センサ群として特定する。そして、特定部140は、特定した非変化センサ群に基づいて、変化センサ群を特定する。また、特定部140は、変化度行列から、他の部分と比較し変化度がより小さい部分となる部分行列を特定し、部分行列に対応しないセンサ群を変化センサ群として特定してもよい。
また、特定部140は、変化度行列における、変化度が他の部分と比較してより小さい部分に対応するセンサ群を、第1出力および第2出力の間に変化がないことを示す非変化センサ群として特定してもよい。特定部は、例えば、変化度行列から、他の部分と比較し変化度がより小さい部分となる部分行列を特定し、部分行列に対応するセンサ群を非変化センサ群として特定する。
ここで、非変化センサ群とは、複数のセンサ10のうち、参照信号および対比用信号のそれぞれに対応する関係構造の間に変化のなかったセンサ10のことであり、正常センサと一致する。また、変化センサ群は、参照信号および対比用信号のそれぞれに対応する関係構造の間に変化があったセンサ10のことであり、異常センサと一致する。特定部140は、より具体的には、変化センサ群をスコア化することにより、変化センサ群および/または非変化センサ群を特定する。特定部140は、スコア算出部142と、センサ特定部144とを有する。
スコア算出部142は、変化度行列の要素として含まれる複数の変化度のそれぞれに対して、当該変化度に対応するセンサ10のスコアを乗じて合計した値に応じた目的関数を最小化させる複数のセンサ10のスコアを算出する。スコア算出部142は、複数のセンサ10のそれぞれのスコアが0以上であることを条件として、目的関数を最小化させる複数のセンサ10のスコアを算出する。また、スコア算出部142は、複数のセンサ10のスコア値の合計が予め定められた値であることを更に条件として、目的関数を最小化させる複数のセンサ10のスコアを算出する。
センサ特定部144は、複数のセンサ10のスコアに基づき、第1出力および第2出力の間の変化を示さない非変化センサ群および変化センサ群を特定する。センサ特定部144は、例えば、スコアが0ではないセンサを非変化センサ群に含め、正常センサと特定する。これに代えて、またはこれに加えて、センサ特定部144は、スコアが0となったセンサを変化センサ群に含め、異常センサと特定してもよい。
検出装置100は、第1出力、第2出力、第1関連度行列、第2関連度行列、変化度行列、目的関数、スコア、変化センサ群、および/または非変化センサ群もデータを記憶する記憶部を更に備えてもよい。
以上の本実施形態に係る検出装置100は、複数のセンサ10からの参照信号および対比用信号に対応する関係構造をそれぞれ求め、当該関係構造の変化に応じて、正常センサと異常センサとを特定する。ここで、検出装置100は、関係構造の変化の度合いに応じたスコアを算出し、一例として、当該スコアが零か否かに応じて、対応するセンサ10が異常センサか否かを特定するので、使用者の経験等に基づく閾値を不要とすることができる。
図2は、本実施形態に係る検出装置100の動作フローを示す。検出装置100は、当該動作フローを実行して、複数のセンサ10を正常センサおよび異常センサのいずれかに特定する。
まず、第1出力取得部110および第2出力取得部120は、複数のセンサ10の検出結果を取得する(S210)。例えば、第1出力取得部110は参照信号rを、第2出力取得部120は対比信号xを取得する。第1出力取得部110は、取得したデータを記憶部に記憶してもよい。ここで、各信号データrおよびxは、一例として、予め定められた期間に合計d個の各センサ10からt個ずつ取得した、合計t×d個のデータをそれぞれ有する場合を説明する。
次に、第1出力取得部110および第2出力取得部120は、参照信号rおよび対比信号xに基づき関連度行列Λn(n=1,2)をそれぞれ算出して取得する(S220)。第1出力取得部110および第2出力取得部120は、算出した関連度行列Λnを記憶部に記憶してよい。ここで、関連度行列Λnは、d行d列の行列とする。
関連度行列Λnは、n=1の場合に第1関連度行列を、n=2の場合に第2関連度行列を示す。第1出力取得部110および第2出力取得部120は、一例として、次式のように定義して算出する(例えば、M. Yuan and Y. Lin, "Model selection and estimation in the Gaussian graphical model," Biometrika, vol. 94, pp. 19-35, 2007、およびO. Banerjee, L. El Ghaoui, and A. d'Aspremont, "Model selection through sparse maximum likelihood estimation for multivariate Gaus-sian or binary data," Journal of Machine Learning Research, vol. 9, pp.485-516, 2008等を参照)。
ここで、argmin f(x)は、f(x)が最小となる場合のxを示し、数1式は、右辺の式が最小となる場合のΛをΛnとする(関連度を推定する)ことを意味する。また、detAは、行列Aの行列式を、trAは、行列Aの対角成分の和を示す。また、|Λi,j|は、行列Λの(i,j)要素の絶対値を示す。
ここで、数1式の右辺における|Λi,j|を含む第3項は、Λnを、成分のほとんどが零となる疎行列にすべく、加えられた正規化項である。そして、正規化項の大きさを設定するρは、推定されるΛnに含まれる零要素の個数をコントロールするパラメータであり、使用者によって予め定められる正則化パラメータである。
ここで、正則化パラメータρは、一例として、0.01程度以下の値に設定する。実際、正則化パラメータρが0.01程度以下の値であれば、本実施形態のスコアの算出結果にはほとんど影響を与えることはないので、当該値の調節はしなくてもよい。また、Snは、n番目の信号データの標本共分散行列であり、次式のように定義される。
以上のように、複数のセンサ10間の関係構造を推定する数1式は、正則化最尤推定法として既知である。第1出力取得部110および第2出力取得部120は、それぞれ取得した参照信号rおよび対比信号xに応じて、第1関連度行列Λ1および第2関連度行列Λ2をそれぞれ取得する。
これに代えて、第1出力取得部110および第2出力取得部120は、数1式とは異なる関連度行列を算出および/または取得してもよい。一例として、関連度行列は、イジングモデル(Ising Model)と呼ばれるモデルに基づき、算出される。第1出力取得部110および第2出力取得部120は、取り扱うデータの種類(例えば、1および0の2値データか否か)等に応じて、関連度行列を選択してもよい。
次に、変化度算出部130は、関連度行列Λnを受け取り、変化度行列を算出する(S230)。変化度算出部130は、記憶部に記憶された関連度行列Λnを読み出してもよく、また、算出した変化度行列を記憶部に記憶してもよい。ここでは、まず、変化度算出部130が、次式のように、第1関連度行列Λ1および第2関連度行列Λ2の差の絶対値を変化度行列Dとして算出する例を説明する。
次に、スコア算出部142は、変化度行列を受け取り、複数のセンサ10のスコアを算出する(S240)。スコア算出部142は、記憶部に記憶された変化度行列を読み出してよく、また、算出したスコアを記憶部に記憶してもよい。スコア算出部142は、与えられる条件等に応じて、スコアの算出式を選択して算出してよい。例えば、正常センサの個数または正常センサの個数の下限がkと予め定められている場合、スコア算出部142は、次式で示されるスコアS*の算出式を用いる。
数4式のように、スコア算出部142は、複数のセンサ10のスコアの合計が予め指定された非変化センサの数と等しくなることを条件として、目的関数を最小化させる複数のセンサ10のスコアS*を算出する。ここで、「subject to」は、制約条件を示す。また、スコアSおよびS*は、d個の要素を有する列ベクトルであり、要素S* iは、d個のセンサ10のそれぞれに対応するスコアを示す。また、「T」は、ベクトルの転置を示す(即ち、STは行ベクトルを示す)。
スコア算出部142は、複数のセンサ10のそれぞれのスコア値が0または1であることを更に条件として、数4式の目的関数を最小化させる複数のセンサ10のスコアを算出する。即ち、スコア算出部142は、最小化させるスコアSの要素が、0および1のいずれかの離散化した値を取ることを条件として、数4式を満足させるスコアS*を算出する。ここで、数4式は、離散最適化して定式化した目的関数であり、離散最適化問題(0−1整数計画)と呼ばれ、目的関数を最小化させてスコアS*を算出する具体的な方法は既知である。
次に、センサ特定部144は、スコアを受け取り、複数のセンサ10を異常センサおよび/または正常センサに特定する(S250)。センサ特定部144は、記憶部に記憶されたスコアを読み出してよく、また、特定したセンサの情報を記憶部に記憶してもよい。センサ特定部144は、スコアS* iの値が0となる当該スコアS* iに対応するセンサ10を、変化センサ群に含める。
数4式の目的関数において、スコア算出部142が、変化度行列Dの要素のうち、値が大きい要素に対応してスコアSの列ベクトル内に要素1を配置すると、当該値が大きい要素と1の乗算結果が非零となって目的関数を増加する方向に作用する。また、スコア算出部142が、変化度行列Dの要素のうち、値が大きい要素に対応してスコアSの列ベクトル内に要素0を配置すると、当該値が大きい要素と0の乗算結果が零となって目的関数を減少する方向に作用する。
同様に、スコア算出部142が、変化度行列Dの要素のうち、値が小さい(または0の)要素に対応してスコアSの列ベクトル内に要素1を配置すると、当該値が小さい要素と1の乗算結果が非零となって目的関数を減少する方向に作用する。したがって、スコア算出部142は、変化度行列Dの要素のうち、値が小さい(または0の)要素に対応してスコアSの列ベクトル内にk個の要素1を配置して、目的関数を最小化させる。
即ち、スコア算出部142は、参照信号および対比信号間における複数のセンサ10の関係構造のうち、変化が小さい(大きい)関係構造を探し出し、探し出した関係構造に応じて、センサ特定部144が対応するセンサ10を異常センサおよび/または正常センサに特定する。以上のように、本実施形態に係る検出装置100は、使用者の経験等に基づく閾値を用いずに、スコアS* iの値が零または非零に応じて、複数のセンサ10を異常または正常と特定することができる。
スコア算出部142は、数4式と同様に、複数のセンサ10のスコアの合計がセンサ数kと等しくなることを条件として、目的関数を最小化させる複数のセンサ10のスコアS*を算出する。また、スコア算出部142は、複数のセンサ10のそれぞれのスコアS* iが0以上1以下であることを更に条件として、数5式の目的関数を最小化させる複数のセンサのスコアS*を算出する。
数5式の目的関数においても、スコア算出部142が、変化度行列Dの要素のうち、値が大きい要素に対応してスコアSの列ベクトル内に1または1に近い値の要素を配置すると、当該値が大きい要素との乗算結果が非零となって目的関数を増加する方向に作用する。また、スコア算出部142が、変化度行列Dの要素のうち、値が大きい要素に対応してスコアSの列ベクトル内に要素0を配置すると、当該値が大きい要素と0の乗算結果が零となって目的関数を減少する方向に作用する。
同様に、スコア算出部142が、変化度行列Dの要素のうち、値が小さい(または0の)要素に対応してスコアSの列ベクトル内に1または1に近い値の要素を配置すると、当該値が小さい要素との乗算結果が非零となって目的関数を減少する方向に作用する。したがって、スコア算出部142は、変化度行列Dの要素のうち、値が小さい(または0の)要素に対応してスコアSの列ベクトル内に非零の値の要素を配置して、目的関数を最小化させる。
スコア算出部142が数5式を用いてスコアS*を算出した場合、センサ特定部144は、スコアS* iが計算誤差を除き0となったセンサ10を変化センサ群に含める。即ち、センサ特定部144は、スコアS* iの値が零または非零に応じて、複数のセンサ10を異常または正常と特定することができる。ここで、スコア算出部142は、スコアS* iを0以上1以下の値で、かつ、スコアの値の合計をkとすることから、スコアS*の要素のうち、非零の要素の最小個数がkとなる(即ち、正常センサの個数の下限がkとなる)。
また、センサ特定部144は、例えば、計算誤差等によって非零となった値(一例として、0.0001等)を零にすべく、予め定められた閾値(一例として0.01等)を用いて、当該値が当該閾値よりも小さい場合に零にする処理を実行する場合がある。しかしながら、センサ特定部144は、このような計算誤差等を考慮した単純な閾値とは別の、使用者の経験等に基づく閾値を用いることなく、センサ10を異常または正常と特定することができる。
ここで、数5式は、連続緩和問題として定式化した目的関数であり、非凸最適化問題と呼ばれ、目的関数を最小化させてスコアS*を算出する具体的な方法は既知である。また、スコア算出部142は、非凸最適化問題とした数5式を用いることで、数4式に比べて、スコアS*を算出する計算量を低減させることができる。
以上において、本実施形態の変化度算出部130が、第1関連度行列Λ1および第2関連度行列Λ2の差の絶対値を変化度行列Dとして算出する例を説明した。これに代えて、変化度算出部130は、第1関連度行列Λ1および第2関連度行列Λ2の差の絶対値に対し、単位行列Iを定数倍して加えて次式で示される変化度行列Aμを算出してもよい。
ここで、Idはd行d列の単位行列であり、cは定数である。変化度算出部130は、変化度行列Aμの最小の固有値λmin(Aμ)=μを正とする定数倍の倍率cを決定する。ここで、固有値μは、0以上の値であればよく、一例として、0.001程度の値に設定する。実際、固有値μの値の大小は、本実施形態のスコアの算出結果にはほとんど影響を与えることはないので、当該値の調節はしなくてもよい。
数7式は、数5式の変化度行列Dを変化度行列Aμにした目的関数であり、スコア算出部142は、数5式と同様に、複数のセンサ10のスコアの合計がセンサ数kと等しくなることを条件として、目的関数を最小化させる複数のセンサ10のスコアS*を算出する。また、スコア算出部142は、複数のセンサ10のそれぞれのスコアS* iが0以上1以下であることを更に条件として、数7式の目的関数を最小化させる複数のセンサのスコアS*を算出する。
また、センサ特定部144は、スコア算出部142が数5式を用いる場合と同様に、スコアS* iが計算誤差を除き0となったセンサ10を変化センサ群に含める。即ち、センサ特定部144は、使用者の経験等に基づく閾値を用いることなく、スコアS* iの値が零または非零に応じて、複数のセンサ10を異常または正常と特定することができる。
ここで、変化度算出部130が数6式の変化度行列Aμを算出することにより、固有値を0以上の値にするので、数7式は、連続緩和問題を凸近似して定式化した目的関数となる。即ち、数7式は、凸最適化問題(凸2次計画問題)と呼ばれ、局所的な最適値が大域的最適値となり、理論的にも実際の計算上も取り扱いやすく、数5式におけるスコア算出よりも計算量を低減させ、また、解を一意に定めることができる。凸最適化問題の目的関数を最小化させてスコアS*を算出する具体的な方法は、既知であり、既存のアルゴリズム等を用いて容易にスコアS*を算出することができる。
以上のように、スコア算出部142は、複数のセンサ10のスコアの合計が予め指定された非変化センサの数kと等しくなることを条件として、複数のセンサ10のスコアS*を算出する。これに加えて、スコア算出部142は、異なる複数の非変化センサの数のそれぞれについて、複数のセンサ10のスコアの合計が当該非変化センサの数と等しくなることを更に条件として、目的関数を最小化させる複数のセンサ10のスコアS*を算出してもよい。即ち、スコア算出部142は、複数の非変化センサの数kjに対応する複数のスコアS* jを算出する。
そして、センサ特定部144は、異なる複数の非変化センサの数kjのそれぞれについて、複数のセンサ10のスコアS* jに基づき、非変化センサ群および/または変化センサ群を特定する。検出装置100は、例えば、予め非変化センサの数kが指定されない場合、または非変化センサの数kがおおよそ判明している場合等に、複数の異なる複数の非変化センサの数kjのそれぞれについて、複数のセンサ10の特定を実行する。
このように、検出装置100は、異なるkjにそれぞれ対応する複数の変化センサ群を得る。ここで、当該複数の変化センサ群は、異なる条件に基づきそれぞれ得られた結果であるから、例えば、非変化センサの数kmに対応して得られたd−km個の変化センサ群は、非変化センサの数km−1に対応して得られたd−km−1個の変化センサ群に完全に含まれるわけではない。
即ち、d−km個の変化センサ群およびd−km−1個の変化センサ群に、重複して含まれるセンサ10は、異なる条件においても変化センサ群として特定された結果であるから、異常センサである確度が高いセンサ10と判断することができる。そこで、検出装置100は、異なる複数の非変化センサの数kjにそれぞれ対応する複数の変化センサ群において、より多くの変化センサ群に重複して含まれるセンサ10の順に、異常センサである確度が高いセンサ10と判断してよい。これによって、検出装置100は、複数のセンサ10に対して、異常センサである確度が高いか否かを、重複度合いに応じてそれぞれランク付けすることができる。
以上の本実施形態に係るスコア算出部142は、数4式、数5式、および数7式のように、複数のセンサ10のスコアの合計が予め指定された非変化センサの数kと等しくなることを条件として、複数のセンサ10のスコアS*を算出することを説明した。これに代えて、スコア算出部142は、複数のセンサ10のスコアの合計がセンサ数dと等しくなることを条件として、目的関数を最小化させる複数のセンサ10のスコアS*を算出してもよい。
即ち、スコア算出部142は、予め正常センサの個数(または個数の下限値)が指定された場合、数4式、数5式、および数7式のいずれかの目的関数を用い、正常センサの個数が未知の場合、次式で示される目的関数を用いてスコアS*を算出する。
スコア算出部142は、複数のセンサ10のそれぞれのスコアS* iが0以上の実数であることを更に条件として、数8式の目的関数を最小化させる複数のセンサのスコアS*を算出する。数8式の目的関数においても、スコア算出部142が、変化度行列Aμの要素のうち、値が大きい要素に対応してスコアSの列ベクトル内に値の大きい実数の要素を配置すると、当該値が大きい要素との乗算結果が非零となって目的関数を増加する方向に作用する。また、スコア算出部142が、変化度行列Aμの要素のうち、値が大きい要素に対応してスコアSの列ベクトル内に要素0を配置すると、当該値が大きい要素と0の乗算結果が零となって目的関数を減少する方向に作用する。
したがって、スコア算出部142は、変化度行列Aμの要素のうち、値が小さい(または0の)要素に対応してスコアSの列ベクトル内に非零の値の要素を配置して、目的関数を最小化させる。また、センサ特定部144は、スコア算出部142が数5式および数7式を用いる場合と同様に、スコアS* iが計算誤差を除き0となったセンサ10を変化センサ群に含める。即ち、センサ特定部144は、使用者の経験等に基づく閾値を用いることなく、スコアS* iの値が零または非零に応じて、複数のセンサ10を異常または正常と特定することができる。
ここで、スコア算出部142は、d個のセンサ10のそれぞれのスコアS* iの合計値がdとなるように目的関数を最小化させるので、変化センサ群に含まれるセンサ10の数は未定であり、実際にスコアが0となるセンサ10の数となる。また、数8式は、数7式と同様に凸最適化問題であり、既存のアルゴリズム等を用いて容易にスコアS*を算出することができる。
以上のように、本実施形態に係る検出装置100は、与えられる条件等に応じた目的関数を最小化させて、使用者の経験等に基づく閾値を用いることなく、複数のセンサ10を異常または正常と特定することができる。また、検出装置100は、システムに搭載されるセンサの個数が数百以上に増大した場合でも、既存のアルゴリズム等を用いて容易に異常の有無を特定することができる。
図3は、本実施形態に係る検出装置100の変形例を複数のセンサ10と共に示す。本変形例の検出装置100において、図1に示された本実施形態に係る検出装置100の動作と略同一のものには同一の符号を付け、説明を省略する。本変形例の検出装置100は、参照信号および対比信号の同一の時系列データの組に対して、異なる目的関数を用いて複数のセンサ10の特定を実行して、特定結果の確度を判定する。検出装置100は、判定部310を更に備える。
本変形例のスコア算出部142は、まず、複数のセンサ10のスコアの合計がセンサ数dと等しくなることを条件として、目的関数を最小化させる複数のセンサ10の第1のスコア値S*1を算出する。即ち、スコア算出部142は、数8式の目的関数を用いて、第1のスコアS*1を算出する。そして、センサ特定部144は、第1のスコアS*1が計算誤差を除き0となったセンサ10を変化センサ群に含めることにより、第1の非変化センサ群および第1の変化センサ群を特定する。これにより、非変化センサ群に含まれるセンサ10(正常センサ)の数k1が特定される。
次に、スコア算出部142は、複数のセンサ10のスコアの合計が第1の非変化センサ群のセンサ数k1と等しくなることを条件として、目的関数を最小化させる複数のセンサ10の第2のスコアS*2を算出する。即ち、スコア算出部142は、数4式、数5式、および数7式の目的関数のうちの1つの目的関数を用いて、第2のスコアS*2を算出する。そして、センサ特定部144は、第2のスコアS*2が計算誤差を除き0となったセンサを変化センサ群に含めることにより、第2の非変化センサ群および第2の変化センサ群を特定する。
判定部310は、センサ特定部144に接続され、センサ特定部144が特定した変化センサ群および/または非変化センサ群の情報を受け取る。判定部310は、受け取ったセンサ群の情報に応じて、第1の非変化センサ群および第2の非変化センサ群と、第1の変化センサ群および第2の変化センサ群との少なくとも一方について、センサ同士が一致しているか否かを判定する。判定部310は、更に、2つのセンサ群において一致している(重複して含まれる)センサ10について、センサ特定部144の特定結果の確度が高いと判定してもよい。
このように、本変形例の検出装置100は、同一の参照信号および対比信号に対して、異なる2つの目的関数を用いて複数のセンサ10の特定をそれぞれ実行し、同一の特定結果となるセンサ10を判定する。これによって、検出装置100は、複数のセンサ10にそれぞれ対応する特定結果のうち、確度の高い特定結果として選択することができる。
以上の本変形例の検出装置100は、第1の非変化センサ群および第1の変化センサ群を特定した後に、第2の非変化センサ群および第2の変化センサ群を特定する例を説明した。これに加えて、検出装置100は、更に、第3の非変化センサ群および第3の変化センサ群を特定してもよい。即ち、スコア算出部142は、数8式の目的関数を用いて、第1のスコアS*1を算出した後に、数4式、数5式、および数7式の目的関数のうち、2以上の目的関数を用いて、複数のスコアS*mを算出してよい。
センサ特定部144は、複数のスコアS*mに応じて、複数のセンサ10に対する複数の特定をそれぞれ実行する。判定部310は、複数のセンサ10に対する複数の特定結果に基づき、それぞれのセンサ10のそれぞれの判定結果が一致しているか否かを判定する。判定部310は、一例として、それぞれの判定結果において、一致する数が多いセンサ10を、より確度の高い特定結果として判定してよい。
また、本変形例の検出装置100は、第1出力取得部110および第2出力取得部120に接続される正規化部320を更に備える。正規化部320は、第1関連度行列Λ1および第2関連度行列Λ2の一方の対角要素を1に正規化し、第1関連度行列Λ1を正規化する変換を第2関連度行列Λ2に対して適用する。
変化度算出部130は、正規化された第1関連度行列Λ1 Nおよび第2関連度行列Λ2 Nを、正規化部320から受け取り、両者の差に基づいて変化度行列を算出する。ここで、複数のセンサ10のそれぞれの出力信号の振幅値の大きさがそれぞれ異なっていても、2つの関連度行列が正規化されているので、変化度算出部130は、差を取ることによって正規化した値である1に比例した変化の度合いを算出することができる。
以上の本実施形態に係る検出装置100は、対象物の正常状態において取得した第1信号を参照信号とし、検査対象期間において取得した第2信号を対比信号とすることによって、複数のセンサ10から異常センサを検出できることを説明した。これに代えて、検出装置100は、対象物の予め定められた第1の期間において取得した第1信号を参照信号とし、第1の期間とは異なる予め定められた第2の期間において取得した第2信号を対比信号としてもよい。
この場合、第1の期間において、複数のセンサ10の全てが正常センサとは限らないので、センサ特定部144が変化センサ群に特定したセンサ10は、正常センサから異常センサまたは異常センサから正常センサに変化したセンサ10であることが特定される。検出装置100は、このような複数のセンサ10の特定を時系列で順次実行することにより、複数のセンサ10の変化をモニタすることができる。また、検出装置100は、自動車等のように、定常状態ではほとんどのセンサ10が正常センサである場合は、自動車の状態と時系列に特定したモニタ結果に基づき、正常センサおよび異常センサの識別を実行することもできる。
図4は、本実施形態に係る検出装置100として機能するコンピュータ1900のハードウェア構成の一例を示す。本実施形態に係るコンピュータ1900は、ホスト・コントローラ2082により相互に接続されるCPU2000、RAM2020、グラフィック・コントローラ2075、および表示装置2080を有するCPU周辺部と、入出力コントローラ2084によりホスト・コントローラ2082に接続される通信インターフェイス2030、ハードディスクドライブ2040、およびDVDドライブ2060を有する入出力部と、入出力コントローラ2084に接続されるROM2010、フレキシブルディスク・ドライブ2050、および入出力チップ2070を有するレガシー入出力部と、を備える。
ホスト・コントローラ2082は、RAM2020と、高い転送レートでRAM2020をアクセスするCPU2000およびグラフィック・コントローラ2075とを接続する。CPU2000は、ROM2010およびRAM2020に格納されたプログラムに基づいて動作し、各部の制御を行う。グラフィック・コントローラ2075は、CPU2000等がRAM2020内に設けたフレーム・バッファ上に生成する画像データを取得し、表示装置2080上に表示させる。これに代えて、グラフィック・コントローラ2075は、CPU2000等が生成する画像データを格納するフレーム・バッファを、内部に含んでもよい。
入出力コントローラ2084は、ホスト・コントローラ2082と、比較的高速な入出力装置である通信インターフェイス2030、ハードディスクドライブ2040、DVDドライブ2060を接続する。通信インターフェイス2030は、ネットワークを介して他の装置と通信する。ハードディスクドライブ2040は、コンピュータ1900内のCPU2000が使用するプログラムおよびデータを格納する。DVDドライブ2060は、DVD−ROM2095からプログラムまたはデータを読み取り、RAM2020を介してハードディスクドライブ2040に提供する。
また、入出力コントローラ2084には、ROM2010と、フレキシブルディスク・ドライブ2050、および入出力チップ2070の比較的低速な入出力装置とが接続される。ROM2010は、コンピュータ1900が起動時に実行するブート・プログラム、および/または、コンピュータ1900のハードウェアに依存するプログラム等を格納する。フレキシブルディスク・ドライブ2050は、フレキシブルディスク2090からプログラムまたはデータを読み取り、RAM2020を介してハードディスクドライブ2040に提供する。入出力チップ2070は、フレキシブルディスク・ドライブ2050を入出力コントローラ2084へと接続すると共に、例えばパラレル・ポート、シリアル・ポート、キーボード・ポート、マウス・ポート等を介して各種の入出力装置を入出力コントローラ2084へと接続する。
RAM2020を介してハードディスクドライブ2040に提供されるプログラムは、フレキシブルディスク2090、DVD−ROM2095、またはICカード等の記録媒体に格納されて利用者によって提供される。プログラムは、記録媒体から読み出され、RAM2020を介してコンピュータ1900内のハードディスクドライブ2040にインストールされ、CPU2000において実行される。
プログラムは、コンピュータ1900にインストールされ、コンピュータ1900を第1出力取得部110、第2出力取得部120、変化度算出部130、および特定部140として機能させる。
プログラムに記述された情報処理は、コンピュータ1900に読込まれることにより、ソフトウェアと上述した各種のハードウェア資源とが協働した具体的手段である第1出力取得部110、第2出力取得部120、変化度算出部130、および特定部140として機能する。そして、この具体的手段によって、本実施形態におけるコンピュータ1900の使用目的に応じた情報の演算または加工を実現することにより、使用目的に応じた特有の検出装置100が構築される。
一例として、コンピュータ1900と外部の装置等との間で通信を行う場合には、CPU2000は、RAM2020上にロードされた通信プログラムを実行し、通信プログラムに記述された処理内容に基づいて、通信インターフェイス2030に対して通信処理を指示する。通信インターフェイス2030は、CPU2000の制御を受けて、RAM2020、ハードディスクドライブ2040、フレキシブルディスク2090、またはDVD−ROM2095等の記憶装置上に設けた送信バッファ領域等に記憶された送信データを読み出してネットワークへと送信し、もしくは、ネットワークから受信した受信データを記憶装置上に設けた受信バッファ領域等へと書き込む。このように、通信インターフェイス2030は、DMA(ダイレクト・メモリ・アクセス)方式により記憶装置との間で送受信データを転送してもよく、これに代えて、CPU2000が転送元の記憶装置または通信インターフェイス2030からデータを読み出し、転送先の通信インターフェイス2030または記憶装置へとデータを書き込むことにより送受信データを転送してもよい。
また、CPU2000は、ハードディスクドライブ2040、DVDドライブ2060(DVD−ROM2095)、フレキシブルディスク・ドライブ2050(フレキシブルディスク2090)等の外部記憶装置に格納されたファイルまたはデータベース等の中から、全部または必要な部分をDMA転送等によりRAM2020へと読み込ませ、RAM2020上のデータに対して各種の処理を行う。そして、CPU2000は、処理を終えたデータを、DMA転送等により外部記憶装置へと書き戻す。このような処理において、RAM2020は、外部記憶装置の内容を一時的に保持するものとみなせるから、本実施形態においてはRAM2020および外部記憶装置等をメモリ、記憶部、または記憶装置等と総称する。本実施形態における各種のプログラム、データ、テーブル、データベース等の各種の情報は、このような記憶装置上に格納されて、情報処理の対象となる。なお、CPU2000は、RAM2020の一部をキャッシュメモリに保持し、キャッシュメモリ上で読み書きを行うこともできる。このような形態においても、キャッシュメモリはRAM2020の機能の一部を担うから、本実施形態においては、区別して示す場合を除き、キャッシュメモリもRAM2020、メモリ、および/または記憶装置に含まれるものとする。
また、CPU2000は、RAM2020から読み出したデータに対して、プログラムの命令列により指定された、本実施形態中に記載した各種の演算、情報の加工、条件判断、情報の検索・置換等を含む各種の処理を行い、RAM2020へと書き戻す。例えば、CPU2000は、条件判断を行う場合においては、本実施形態において示した各種の変数が、他の変数または定数と比較して、大きい、小さい、以上、以下、等しい等の条件を満たすかどうかを判断し、条件が成立した場合(または不成立であった場合)に、異なる命令列へと分岐し、またはサブルーチンを呼び出す。
また、CPU2000は、記憶装置内のファイルまたはデータベース等に格納された情報を検索することができる。例えば、第1属性の属性値に対し第2属性の属性値がそれぞれ対応付けられた複数のエントリが記憶装置に格納されている場合において、CPU2000は、記憶装置に格納されている複数のエントリの中から第1属性の属性値が指定された条件と一致するエントリを検索し、そのエントリに格納されている第2属性の属性値を読み出すことにより、所定の条件を満たす第1属性に対応付けられた第2属性の属性値を得ることができる。
以上に示したプログラムまたはモジュールは、外部の記録媒体に格納されてもよい。記録媒体としては、フレキシブルディスク2090、DVD−ROM2095の他に、DVD、Blu−ray(登録商標)、またはCD等の光学記録媒体、MO等の光磁気記録媒体、テープ媒体、ICカード等の半導体メモリ等を用いることができる。また、専用通信ネットワークまたはインターネットに接続されたサーバシステムに設けたハードディスクまたはRAM等の記憶装置を記録媒体として使用し、ネットワークを介してプログラムをコンピュータ1900に提供してもよい。
以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は上記実施の形態に記載の範囲には限定されない。上記実施の形態に、多様な変更または改良を加えることが可能であることが当業者に明らかである。その様な変更または改良を加えた形態も本発明の技術的範囲に含まれ得ることが、特許請求の範囲の記載から明らかである。
特許請求の範囲、明細書、および図面中において示した装置、システム、プログラム、および方法における動作、手順、ステップ、および段階等の各処理の実行順序は、特段「より前に」、「先立って」等と明示しておらず、また、前の処理の出力を後の処理で用いるのでない限り、任意の順序で実現しうることに留意すべきである。特許請求の範囲、明細書、および図面中の動作フローに関して、便宜上「まず、」、「次に、」等を用いて説明したとしても、この順で実施することが必須であることを意味するものではない。
10 センサ、100 検出装置、110 第1出力取得部、120 第2出力取得部、130 変化度算出部、140 特定部、142 スコア算出部、144 センサ特定部、310 判定部、320 正規化部、1900 コンピュータ、2000 CPU、2010 ROM、2020 RAM、2030 通信インターフェイス、2040 ハードディスクドライブ、2050 フレキシブルディスク・ドライブ、2060 DVDドライブ、2070 入出力チップ、2075 グラフィック・コントローラ、2080 表示装置、2082 ホスト・コントローラ、2084 入出力コントローラ、2090 フレキシブルディスク、2095 DVD−ROM
Claims (18)
- 複数のセンサの出力の変化を検出する検出装置であって、
前記複数のセンサの第1出力における前記複数のセンサ間の関連度を示す第1関連度行列を取得する第1出力取得部と、
前記複数のセンサの第2出力における前記複数のセンサ間の関連度を示す第2関連度行列を取得する第2出力取得部と、
前記第1関連度行列および前記第2関連度行列の間の変化度を表す変化度行列を算出する変化度算出部と、
前記変化度行列における、前記変化度が他の部分と比較してより大きい部分に対応するセンサ群を、前記第1出力および前記第2出力の間の変化を示す変化センサ群として特定する特定部と、
を備える検出装置。 - 前記特定部は、前記変化度行列から、他の部分と比較し前記変化度がより小さい部分となる部分行列を特定し、前記部分行列に対応しないセンサ群を前記変化センサ群として特定する請求項1に記載の検出装置。
- 前記特定部は、
前記変化度行列の要素として含まれる複数の変化度のそれぞれに対して当該変化度に対応するセンサのスコアを乗じて合計した値に応じた目的関数を最小化させる前記複数のセンサのスコアを算出するスコア算出部と、
前記複数のセンサのスコアに基づき、前記第1出力および前記第2出力の間の変化を示さない非変化センサ群および前記変化センサ群を特定するセンサ特定部と、
を有する請求項1または2に記載の検出装置。 - 前記スコア算出部は、前記複数のセンサのそれぞれのスコアが0以上であることを条件として、前記目的関数を最小化させる前記複数のセンサのスコアを算出し、
前記センサ特定部は、スコアが計算誤差を除き0となったセンサを前記変化センサ群に含める
請求項3に記載の検出装置。 - 前記スコア算出部は、前記複数のセンサのスコア値合計が予め定められた値であることを更に条件として、前記目的関数を最小化させる前記複数のセンサのスコアを算出する請求項4に記載の検出装置。
- 前記スコア算出部は、前記複数のセンサのスコアの合計がセンサ数と等しくなることを更に条件として、前記目的関数を最小化させる前記複数のセンサのスコアを算出する請求項5に記載の検出装置。
- 前記スコア算出部は、前記複数のセンサのスコアの合計が予め指定された非変化センサの数と等しくなることを更に条件として、前記目的関数を最小化させる前記複数のセンサのスコアを算出する請求項5に記載の検出装置。
- 前記スコア算出部は、前記複数のセンサのそれぞれのスコアが0以上1以下であることを更に条件として、前記目的関数を最小化させる前記複数のセンサのスコアを算出する請求項7に記載の検出装置。
- 前記スコア算出部は、前記複数のセンサのそれぞれのスコア値が0または1であることを更に条件として、前記目的関数を最小化させる前記複数のセンサのスコアを算出する請求項7に記載の検出装置。
- 前記スコア算出部は、異なる複数の前記非変化センサの数のそれぞれについて、前記複数のセンサのスコアの合計が当該非変化センサの数と等しくなることを更に条件として、前記目的関数を最小化させる前記複数のセンサのスコアを算出し、
前記センサ特定部は、異なる前記複数の非変化センサの数のそれぞれについて、前記複数のセンサのスコアに基づき、前記非変化センサ群および前記変化センサ群を特定する
請求項7から9のいずれか一項に記載の検出装置。 - 前記スコア算出部は、前記複数のセンサのスコアの合計がセンサ数と等しくなることを条件として、前記目的関数を最小化させる前記複数のセンサの第1のスコア値を算出し、 前記センサ特定部は、前記第1のスコアが計算誤差を除き0となったセンサを変化センサ群に含めることにより、第1の非変化センサ群および第1の変化センサ群を特定し、
前記スコア算出部は、前記複数のセンサのスコアの合計が前記第1の非変化センサ群のセンサ数と等しくなることを条件として、前記目的関数を最小化させる前記複数のセンサの第2のスコアを算出し、
前記センサ特定部は、前記第2のスコアが計算誤差を除き0となったセンサを変化センサ群に含めることにより、第2の非変化センサ群および第2の変化センサ群を特定し、
前記第1の非変化センサ群および前記第2の非変化センサ群と、前記第1の変化センサ群および前記第2の変化センサ群との少なくとも一方について、センサ同士が一致しているか否かを判定する判定部を更に備える
請求項5から10のいずれか一項に記載の検出装置。 - 前記変化度算出部は、前記第1関連度行列および前記第2関連度行列の差の絶対値に基づき前記変化度行列を算出する請求項1から11のいずれか一項に記載の検出装置。
- 前記変化度算出部は、前記第1関連度行列および前記第2関連度行列の差の絶対値に対し、単位行列を定数倍して加えて前記変化度行列を算出する請求項12に記載の検出装置。
- 前記変化度算出部は、前記変化度行列の最小の固有値を正とする前記定数倍の倍率を決定する請求項13に記載の検出装置。
- 前記第1関連度行列および前記第2関連度行列の一方の対角要素を1に正規化し、前記第1関連度行列を正規化する変換を前記第2関連度行列に対して適用する正規化部
を備える請求項1から14のいずれか一項に記載の検出装置。 - 前記第1出力取得部は、前記複数のセンサが設けられた対象物が正常状態にある場合において前記複数のセンサが出力する前記第1出力に応じた前記第1関連度行列を取得し、 前記第2出力取得部は、前記対象物の検査対象期間に前記複数のセンサが出力する前記第2出力に応じた前記第2関連度行列を取得する
請求項1から15のいずれか一項に記載の検出装置。 - 複数のセンサの出力の変化を検出する検出方法であって、
前記複数のセンサの第1出力における前記複数のセンサ間の関連度を示す第1関連度行列を取得する段階と、
前記複数のセンサの第2出力における前記複数のセンサ間の関連度を示す第2関連度行列を取得する段階と、
前記第1関連度行列および前記第2関連度行列の間の変化度を表す変化度行列を算出する段階と、
前記変化度行列における、前記変化度が他の部分と比較してより大きい部分に対応するセンサ群を、前記第1出力および前記第2出力の間の変化を示す変化センサ群として特定する段階と、
を備える検出方法。 - コンピュータに、請求項1から16のいずれか一項に記載の検出装置として機能させるプログラム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2013184558 | 2013-09-06 | ||
JP2013184558 | 2013-09-06 | ||
PCT/JP2014/072734 WO2015033869A1 (ja) | 2013-09-06 | 2014-08-29 | 検出装置、検出方法、およびプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2015033869A1 true JPWO2015033869A1 (ja) | 2017-03-02 |
JP6109320B2 JP6109320B2 (ja) | 2017-04-05 |
Family
ID=52628343
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2015535449A Active JP6109320B2 (ja) | 2013-09-06 | 2014-08-29 | 検出装置、検出方法、およびプログラム |
Country Status (5)
Country | Link |
---|---|
US (1) | US10584986B2 (ja) |
JP (1) | JP6109320B2 (ja) |
CN (1) | CN105518432B (ja) |
DE (1) | DE112014003591T5 (ja) |
WO (1) | WO2015033869A1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10379001B2 (en) * | 2014-09-17 | 2019-08-13 | International Business Machines Corporation | Detecting apparatus, detection method, and program |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016095751A (ja) * | 2014-11-17 | 2016-05-26 | 富士通株式会社 | 異常機器特定プログラム、異常機器特定方法、及び、異常機器特定装置 |
US10642813B1 (en) | 2015-12-14 | 2020-05-05 | Amazon Technologies, Inc. | Techniques and systems for storage and processing of operational data |
US9785495B1 (en) * | 2015-12-14 | 2017-10-10 | Amazon Technologies, Inc. | Techniques and systems for detecting anomalous operational data |
JP6242930B2 (ja) * | 2016-03-17 | 2017-12-06 | 株式会社東芝 | センサデータ管理装置、センサデータ管理方法およびプログラム |
DE102016225081A1 (de) * | 2016-12-15 | 2018-06-21 | Robert Bosch Gmbh | Vorrichtung und Verfahren zum Bestimmen der Pinpoint-Fähigkeit möglicher Fehler einer oder mehrerer Komponenten |
JP7179444B2 (ja) * | 2017-03-29 | 2022-11-29 | 三菱重工業株式会社 | 予兆検知システム及び予兆検知方法 |
WO2019194698A1 (en) * | 2018-04-04 | 2019-10-10 | Siemens Aktiengesellschaft | Validation device and method for validating sensor data |
CN109327330B (zh) * | 2018-09-11 | 2022-02-22 | 南京科思倍信息科技有限公司 | 基于数据驱动的化工生产异常切片管理方法 |
JP7476713B2 (ja) * | 2020-08-04 | 2024-05-01 | 横河電機株式会社 | データ管理システム、データ管理方法、および、データ管理プログラム |
US11972117B2 (en) * | 2021-07-19 | 2024-04-30 | EMC IP Holding Company LLC | Selecting surviving storage node based on environmental conditions |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH02168350A (ja) * | 1988-09-19 | 1990-06-28 | Hitachi Ltd | 時系列データ群最適組合せ方法及びこれを用いたシステム |
JPH1125169A (ja) * | 1997-06-30 | 1999-01-29 | Toshiba Corp | 相関関係抽出方法 |
JPH11328255A (ja) * | 1998-05-14 | 1999-11-30 | Hitachi Ltd | 時系列データ変動監視装置および該装置に係るプログラムを記憶した記憶媒体 |
JP2002015000A (ja) * | 2000-06-29 | 2002-01-18 | Toshiba Corp | 多変数時系列データ類似度判定装置 |
JP2003044123A (ja) * | 2001-07-30 | 2003-02-14 | Hitachi Ltd | プラント診断装置 |
JP2005257416A (ja) * | 2004-03-10 | 2005-09-22 | Internatl Business Mach Corp <Ibm> | 診断装置、検出装置、制御方法、検出方法、プログラム、及び記録媒体 |
JP2010078467A (ja) * | 2008-09-26 | 2010-04-08 | Internatl Business Mach Corp <Ibm> | 時系列データ解析システム、方法及びプログラム |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5109475A (en) | 1988-09-19 | 1992-04-28 | Hitachi, Ltd. | Method and a system for selection of time series data |
US6442445B1 (en) * | 1999-03-19 | 2002-08-27 | International Business Machines Corporation, | User configurable multivariate time series reduction tool control method |
US7676287B2 (en) * | 2004-03-03 | 2010-03-09 | Fisher-Rosemount Systems, Inc. | Configuration system and method for abnormal situation prevention in a process plant |
US7529991B2 (en) * | 2007-01-30 | 2009-05-05 | International Business Machines Corporation | Scoring method for correlation anomalies |
US7787969B2 (en) * | 2007-06-15 | 2010-08-31 | Caterpillar Inc | Virtual sensor system and method |
JP5075930B2 (ja) * | 2010-02-19 | 2012-11-21 | 本田技研工業株式会社 | 電荷変化型センサの出力回路 |
CN102223046B (zh) * | 2010-04-19 | 2013-10-09 | 爱三工业株式会社 | 位置传感器 |
-
2014
- 2014-08-29 CN CN201480049115.8A patent/CN105518432B/zh active Active
- 2014-08-29 WO PCT/JP2014/072734 patent/WO2015033869A1/ja active Application Filing
- 2014-08-29 JP JP2015535449A patent/JP6109320B2/ja active Active
- 2014-08-29 US US14/916,038 patent/US10584986B2/en not_active Expired - Fee Related
- 2014-08-29 DE DE112014003591.2T patent/DE112014003591T5/de active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH02168350A (ja) * | 1988-09-19 | 1990-06-28 | Hitachi Ltd | 時系列データ群最適組合せ方法及びこれを用いたシステム |
JPH1125169A (ja) * | 1997-06-30 | 1999-01-29 | Toshiba Corp | 相関関係抽出方法 |
JPH11328255A (ja) * | 1998-05-14 | 1999-11-30 | Hitachi Ltd | 時系列データ変動監視装置および該装置に係るプログラムを記憶した記憶媒体 |
JP2002015000A (ja) * | 2000-06-29 | 2002-01-18 | Toshiba Corp | 多変数時系列データ類似度判定装置 |
JP2003044123A (ja) * | 2001-07-30 | 2003-02-14 | Hitachi Ltd | プラント診断装置 |
JP2005257416A (ja) * | 2004-03-10 | 2005-09-22 | Internatl Business Mach Corp <Ibm> | 診断装置、検出装置、制御方法、検出方法、プログラム、及び記録媒体 |
JP2010078467A (ja) * | 2008-09-26 | 2010-04-08 | Internatl Business Mach Corp <Ibm> | 時系列データ解析システム、方法及びプログラム |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10379001B2 (en) * | 2014-09-17 | 2019-08-13 | International Business Machines Corporation | Detecting apparatus, detection method, and program |
Also Published As
Publication number | Publication date |
---|---|
CN105518432A (zh) | 2016-04-20 |
US20160327417A1 (en) | 2016-11-10 |
US10584986B2 (en) | 2020-03-10 |
JP6109320B2 (ja) | 2017-04-05 |
DE112014003591T5 (de) | 2016-05-19 |
CN105518432B (zh) | 2018-03-30 |
WO2015033869A1 (ja) | 2015-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6109320B2 (ja) | 検出装置、検出方法、およびプログラム | |
US11035693B2 (en) | Sensor output change detection | |
JP5943357B2 (ja) | 検出装置、検出方法、およびプログラム | |
US10133703B2 (en) | Anomaly detection method, program, and system | |
US10747637B2 (en) | Detecting anomalous sensors | |
US11176481B2 (en) | Evaluation of a training set | |
US9249287B2 (en) | Document evaluation apparatus, document evaluation method, and computer-readable recording medium using missing patterns | |
JP2011524049A (ja) | 超並列アクセラレータを使用して学習機械の訓練と分類とを並列化し高速化するシステム及び方法 | |
CN109902156B (zh) | 实体检索方法、存储介质和电子设备 | |
JP2018077547A (ja) | 並列処理装置、並列処理方法、および、並列化処理用プログラム | |
US11227228B2 (en) | Processing apparatus, processing method, estimating apparatus, estimating method, and program | |
US20200118012A1 (en) | Monitoring the Thermal Health of an Electronic Device | |
Hamed et al. | Fuel consumption prediction model using machine learning | |
US20170131183A1 (en) | Device, method, and program for crash simulation | |
WO2020167156A1 (ru) | Способ отладки обученной рекуррентной нейронной сети | |
WO2022024991A1 (ja) | 異常検出装置、異常検出方法および異常検出プログラム | |
WO2019103773A1 (en) | Automatically identifying alternative functional capabilities of designed artifacts | |
Ali et al. | Prediction of SLAM ATE using an ensemble learning regression model and 1-D global pooling of data characterization | |
CN112651443A (zh) | 基于机器学习的驾驶风格辨识模型评估方法、装置、介质和设备 | |
US20170193380A1 (en) | Detecting anomalous sensors | |
CHEN et al. | Method for solving Lasso problem by utilizing multi-dimensional weight | |
Yang et al. | Fault Diagnosis of Rolling Bearing based on Improved Twin Neural Network with Small Samples | |
Lu et al. | An improved semi-supervised prototype network for few-shot fault diagnosis | |
CN117436010A (zh) | 样本划分及模型融合的方法、系统、设备及介质 | |
CN114090859A (zh) | 一种智能科技数据分类方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20170214 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20170307 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6109320 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |