KR20210005929A

KR20210005929A - 이상 검출 장치, 이상 검출 방법, 이상 검출 프로그램 및 기록 매체

Info

Publication number: KR20210005929A
Application number: KR1020207034214A
Authority: KR
Inventors: 아키오 나카바야시; 게이스케 심푸쿠; 다케시 아리요시
Original assignee: 요코가와 덴키 가부시키가이샤; 요코가와 솔루션 서비스 가부시키가이샤
Priority date: 2018-05-30
Filing date: 2019-04-25
Publication date: 2021-01-15
Also published as: EP3805885A4; TWI705317B; TW202004379A; JP6763910B2; US20210223765A1; CN112166390A; WO2019230282A1; JP2019207660A; EP3805885A1

Abstract

이상 검출 장치는, 취득부와, 잘라내기부와, 특징 추출부와, 학습부와, 괴리도 산출부를 구비한다. 취득부는, 장치 데이터를 취득한다. 잘라내기부는, 취득된 장치 데이터로부터, 미리 정해진 조건에 기초하여 데이터를 잘라낸다. 특징 추출부는, 잘라내진 장치 데이터로부터 특징 벡터를 추출한다. 학습부는, 추출된 특징 벡터를 분석한다. 학습부는, 분석 결과에 기초하여 특징 벡터의 모델을 생성한다. 괴리도 산출부는, 새롭게 취득된 장치 데이터의 특징 벡터와, 특징 벡터의 모델의 괴리도를 산출한다.

Description

이상 검출 장치, 이상 검출 방법, 이상 검출 프로그램 및 기록 매체

본 발명은, 이상 검출 장치, 이상 검출 방법, 이상 검출 프로그램 및 기록 매체에 관한 것이다.

본원은, 2018년 5월 30일에 일본에서 출원된 일본 특허출원 2018-104007호에 기초하여 우선권을 주장하고, 그 내용을 여기에 원용한다.

이상 검출 장치는, 생산 설비 등의 장치의 이상을 검출하는 경우가 있다. 이상 검출 장치는, 검출 대상인 장치에 이상이 검출되어 있지 않은 기간 (정상시) 에 있어서의, 그 장치에 관한 데이터를 취득한다. 이상 검출 장치는, 이상이 검출되어 있지 않은 기간에 있어서의 데이터 (이하 「정상시 데이터」라고 한다) 를, 데이터베이스에 축적한다.

종래의 이상 검출 장치는, 큰 기억 용량의 데이터베이스에 축적된 데이터에 기초하여, 주성분 분석, MT (마할라노비스·타구치) 법 또는 뉴럴 네트워크 등을 사용하여, 정상시 데이터의 모델을 생성한다. 이상 검출 장치는, 정상시 데이터의 모델과 새롭게 취득된 데이터의 괴리도 (비정상도) 에 기초하여, 검출 대상인 장치의 이상을 검출한다. 또, 종래의 이상 검출 장치는, 정상시 데이터의 모델을 생성하지 않고, 정상시 데이터의 각 샘플과 새롭게 취득된 데이터의 괴리도에 기초하여, 검출 대상인 장치의 이상을 검출해도 된다.

일본 공개특허공보 2013-218725호

장치의 진동, 전류 및 화상 등의 정상시 데이터는, 높은 주파수로 샘플링되는 경우가 있다. 이 때문에, 정상시 데이터를 축적하는 데이터베이스에는, 큰 기억 용량이 필요시된다. 그러나, 큰 기억 용량의 데이터베이스를 생산 설비 등의 현장에 설치하는 것은, 비용 대비 효과의 관점에서 어려운 경우가 있다. 또, 어느 정도까지 큰 기억 용량의 데이터베이스가 필요한지를 사전에 알지 못하면, 생산 설비 등의 현장에 데이터베이스를 설치하는 것이 어려운 경우가 있다.

상기 사정을 감안하여, 본 발명은, 큰 기억 용량의 데이터베이스가 없어도 검출 대상인 장치의 이상을 검출하는 것이 가능한 이상 검출 장치, 이상 검출 방법, 이상 검출 프로그램 및 기록 매체를 제공하는 것을 목적으로 하고 있다.

본 발명의 일 양태는, 검출 대상인 장치에 관한 데이터를 취득하는 취득부와, 취득된 데이터로부터, 미리 정해진 조건에 기초하여 데이터를 잘라내는 잘라내기부와, 잘라내진 데이터로부터 특징 벡터를 추출하는 특징 추출부와, 추출된 상기 특징 벡터를 분석하고, 분석 결과에 기초하여 상기 특징 벡터의 모델을 생성하는 학습부와, 새롭게 취득된 데이터의 상기 특징 벡터와 상기 모델의 괴리도를 산출하는 괴리도 산출부를 구비하는 이상 검출 장치이다.

상기의 구성에 의해, 이상 검출 장치는, 데이터를 축적하기 전에 데이터를 분석을 하여 괴리도를 산출하므로, 큰 기억 용량의 데이터베이스가 없어도 검출 대상인 장치의 이상을 검출하는 것이 가능하다.

본 발명의 일 양태는, 상기의 이상 검출 장치로서, 상기 괴리도를 출력하는 출력부를 추가로 구비한다.

상기의 구성에 의해, 이상 검출 장치는, 괴리도를 외부 장치에 출력하는 것이 가능하다.

본 발명의 일 양태는, 상기의 이상 검출 장치로서, 상기 출력부는, 상기 괴리도가 상기 검출 대상인 장치의 이상을 나타내는 것인 경우에 상기 검출 대상인 장치가 설치된 플랜트의 운전원에 대해 알람을 통지하도록 구성되는 통지 장치에, 상기 괴리도를 출력한다.

상기의 구성에 의해, 이상 검출 장치는, 산출된 괴리도에 따라, 통지 장치에 운전원에 대해 알람을 통지시킬 수 있고, 이로써, 이상 발생시에 이상을 운전원에게 알릴 수 있다.

본 발명의 일 양태는, 상기의 이상 검출 장치로서, 상기 취득부는, 상기 검출 대상인 장치의 상태를 센싱하여 데이터를 취득하는 복수의 센서로부터 상기 데이터를 취득한다.

상기의 구성에 의해, 이상 검출 장치는, 복수의 센서로부터 데이터를 취득할 수 있다.

본 발명의 일 양태는, 상기의 이상 검출 장치로서, 상기 미리 정해진 조건은, 시계열로 연속하는 기간이다.

상기의 구성에 의해, 이상 검출 장치는, 어느 기간에 있어서의 검출 대상인 장치의 상태를 나타내는 데이터를 취득할 수 있다.

본 발명의 일 양태는, 상기의 이상 검출 장치로서, 상기 학습부는, 외부 장치로부터 취득되는 학습 제어 신호가 소정의 값인 경우에, 상기 추출된 특징 벡터를 분석하고, 분석 결과에 기초하여 상기 특징 벡터의 모델을 생성한다.

상기의 구성에 의해, 이상 검출 장치는, 지정된 타이밍에만 학습을 실시할 수 있다.

본 발명의 일 양태는, 상기의 이상 검출 장치로서, 상기 학습부는, 상기 모델로서, 상기 추출된 특징 벡터의 평균치 벡터와 공분산 행렬에 의해 나타내어지는 다변량 정규 분포를 생성한다.

상기의 구성에 의해, 이상 검출 장치는, 학습에 의해 생성되는 모델을, 샘플링마다 순차 갱신 가능한 것으로 할 수 있다.

본 발명의 일 양태는, 상기의 이상 검출 장치로서, 상기 이상 검출 장치는, 특징 벡터의 누적합과, 특징 벡터와 그 전치 행렬의 행렬 곱의 누적합을 기억하는 기억부를 추가로 구비하고, 상기 학습부는, 외부 장치로부터 취득되는 학습 제어 신호가 소정의 값인 경우에, 상기 기억부에 기억된 상기 특징 벡터의 누적합에, 상기 특징 추출부에 의해 추출된 특징 벡터를 가산하고, 얻어진 합으로 상기 기억부에 기억된 상기 특징 벡터의 누적합을 갱신하고, 상기 기억부에 기억된 상기 특징 벡터와 그 전치 행렬의 행렬 곱의 누적합에, 상기 특징 추출부에 의해 추출된 특징 벡터의 행렬과 그 전치 행렬의 행렬 곱의 누적합을 가산하고, 얻어진 합으로 상기 기억부에 기억된 상기 특징 벡터의 행렬과 그 전치 행렬의 행렬 곱의 누적합을 갱신한다.

상기의 구성에 의해, 이상 검출 장치는, 샘플링마다 취득된 데이터로부터 추출된 특징 벡터에 기초하여, 특징 벡터의 누적합과, 특징 벡터와 그 전치 행렬의 행렬 곱의 누적합을 갱신할 수 있다. 모델인 다변량 정규 분포는, 특징 벡터의 누적합과, 특징 벡터와 그 전치 행렬의 행렬 곱의 누적합에 의해 나타내어지므로, 모델인 다변량 정규 분포를, 샘플링마다 취득된 데이터에 의해 그때마다 갱신하는 것이 가능해진다.

본 발명의 일 양태는, 상기의 이상 검출 장치로서, 상기 괴리도 산출부는, 상기 괴리도로서, 상기 특징 추출부에 의해 추출된 특징 벡터의 부 (負) 의 대수 (對數) 우도 (尤度) 를 산출한다.

상기의 구성에 의해, 이상 검출 장치는, 괴리도로서 부의 대수 우도를 산출하고, 대수에 의한 표현에 의해 곱셈을 덧셈으로서 표현할 수 있기 때문에, 적은 계산 부하로 괴리도의 처리를 실시하는 것을 가능하게 하는 것이다.

본 발명의 일 양태는, 상기의 이상 검출 장치로서, 미리 정해진 처리를 상기 괴리도에 기초하여 실행하는 후처리부를 추가로 구비한다.

상기의 구성에 의해, 이상 검출 장치는, 산출된 괴리도의 노이즈를 저감시키는 것이 가능하다. 이상 검출 장치는, 산출된 괴리도를 강조하는 것이 가능하다.

본 발명의 일 양태는, 상기의 이상 검출 장치로서, 상기 미리 정해진 처리는, 소정 기간마다 상기 괴리도를 산출하고, 상기 괴리도에 대해, 단순 이동 평균과, 지수 평활 평균과, 최대치 중 어느 1 개 이상을 산출하는 것을 포함한다.

상기의 구성에 의해, 이상 검출 장치는, 괴리도에 대한 단순 이동 평균과, 지수 평활 평균과, 최대치 중 어느 1 개 이상을 산출함으로써, 검출 대상인 장치의 이상을 검출할 수 있다.

본 발명의 일 양태는, 상기의 이상 검출 장치로서, 복수의 선택부와, 합성부를 추가로 구비하고, 상기 학습부는, 복수의 학습부를 포함하고, 상기 괴리도 산출부는, 복수의 괴리도 산출부를 포함하고, 상기 복수의 선택부의 각각은, 상기 추출된 특징 벡터의 학습을 실시할지 여부를 소정의 처리에 따라서 선택하고, 상기 복수의 학습부의 각각은, 상기 선택부에 의해 상기 추출된 특징 벡터의 학습을 실시하는 취지의 선택이 된 경우에, 상기 특징 벡터를 분석하고, 분석 결과에 기초하여 복수의 상기 모델을 생성하고, 상기 복수의 괴리도 산출부의 각각은, 상기 선택부에 의해 상기 추출된 특징 벡터의 학습을 실시하는 취지의 선택이 된 경우에, 상기 취득된 데이터의 상기 특징 벡터와 상기 모델의 괴리도를 산출하고, 상기 합성부는, 상기 복수의 괴리도 산출부에 의해 산출된 상기 복수의 괴리도를 합성한다.

상기의 구성에 의해, 이상 검출 장치는, 데이터의 편차에 따른 모델 추정의 차이를 고려하여, 특징 벡터의 모델을 안정적으로 추정하는 것이 가능하다. 이상 검출 장치는, 데이터의 편차에 따른 모델 추정의 차이를 고려하여, 특징 벡터의 모델에 기초하여, 괴리도를 안정적으로 산출하는 것이 가능하다.

본 발명의 일 양태는, 상기의 이상 검출 장치로서, 상기 복수의 선택부의 각각은, 균등 난수의 실현치에 기초하여, 상기 추출된 특징 벡터의 학습을 실시할지 여부를 선택한다.

상기의 구성에 의해, 이상 검출 장치는, 난수에 기초하여 특징 벡터의 학습을 실시할지 여부를 선택하고, 상이한 데이터에 기초하는 복수의 상기 모델을 생성하므로, 기준 패턴 모델의 추정을 보다 한층 안정화할 수 있다.

본 발명의 일 양태는, 상기의 이상 검출 장치로서, 상기 괴리도 산출부는, 상기 모델에 있어서의 상기 특징 벡터의 해석치를 산출한다.

상기의 구성에 의해, 괴리도를 특징 벡터의 요소마다 산출하는 것이 가능하다.

본 발명의 일 양태는, 상기의 이상 검출 장치로서, 상기 괴리도 산출부는, 상기 해석치로서, 주성분 공간에 투영한 상기 특징 벡터를 상기 특징 벡터의 공간으로 되돌리는 역변환을 실시함으로써 얻어지는 특징 벡터를 산출한다.

상기의 구성에 의해, 이상 검출 장치는, 기계 학습의 알고리즘을 사용하여 용이하게 해석치를 산출하는 것이 가능하다.

본 발명의 일 양태는, 상기의 이상 검출 장치로서, 상기 특징 벡터의 요소마다 상기 괴리도를 산출하는 요소별 괴리도 산출부와, 상기 요소마다 산출된 상기 괴리도를 합산하여, 상기 특징 벡터의 괴리도를 산출하는 괴리도 합산부를 추가로 구비한다.

상기의 구성에 의해, 이상 검출 장치는, 추출된 특징 벡터의 공헌도를 산출하는 것이 가능하다.

본 발명의 일 양태는, 상기의 이상 검출 장치로서, 상기 요소별 괴리도 산출부는, 상기 특징 벡터의 요소와, 상기 해석치의 차분의 절대치의 제곱을, 상기 특징 벡터의 요소마다의 상기 괴리도로 한다.

상기의 구성에 의해, 이상 검출 장치는, 특징 벡터의 요소마다의 괴리도를 산출할 수 있다.

본 발명의 일 양태는, 상기의 이상 검출 장치로서, 상기 괴리도 합산부는, 상기 요소별 괴리도 산출부가 산출한 상기 요소마다의 괴리도의 총합을 요소의 수로 나눗셈하고, 그 몫의 제곱근을, 상기 특징 벡터의 괴리도로 한다.

상기의 구성에 의해, 이상 검출 장치는, 특징 벡터의 요소마다의 괴리도를 합산함으로써, 특징 벡터의 공헌도를 산출하는 것이 가능하다.

본 발명의 일 양태는, 이상 검출 장치가 실행하는 이상 검출 방법으로서, 검출 대상인 장치에 관한 데이터를 취득하는 스텝과, 취득된 데이터로부터, 미리 정해진 조건에 기초하여 데이터를 잘라내는 스텝과, 잘라내진 데이터로부터 특징 벡터를 추출하는 스텝과, 추출된 상기 특징 벡터를 분석하고, 분석 결과에 기초하여 상기 특징 벡터의 모델을 생성하는 스텝과, 새롭게 취득된 데이터의 상기 특징 벡터와 상기 모델의 괴리도를 산출하는 스텝을 포함하는 이상 검출 방법이다.

상기의 구성에 의해, 이상 검출 장치는, 이상 검출 방법을 실행함으로써, 큰 기억 용량의 데이터베이스가 없어도 검출 대상인 장치의 이상을 검출하는 것이 가능하다.

본 발명의 일 양태는, 컴퓨터에, 검출 대상인 장치에 관한 데이터를 취득하는 순서와, 취득된 데이터로부터, 미리 정해진 조건에 기초하여 데이터를 잘라내는 순서와, 잘라내진 데이터로부터 특징 벡터를 추출하는 순서와, 추출된 상기 특징 벡터를 분석하고, 분석 결과에 기초하여 상기 특징 벡터의 모델을 생성하는 순서와, 새롭게 취득된 데이터의 상기 특징 벡터와 상기 모델의 괴리도를 산출하는 순서를 실행시키기 위한 이상 검출 프로그램이다.

상기의 구성에 의해, 이상 검출 장치는, 이상 검출 프로그램을 실행함으로써, 큰 기억 용량의 데이터베이스가 없어도 검출 대상인 장치의 이상을 검출하는 것이 가능하다.

본 발명의 일 양태는, 컴퓨터에, 검출 대상인 장치에 관한 데이터를 취득하는 순서와, 취득된 데이터로부터, 미리 정해진 조건에 기초하여 데이터를 잘라내는 순서와, 잘라내진 데이터로부터 특징 벡터를 추출하는 순서와, 추출된 상기 특징 벡터를 분석하고, 분석 결과에 기초하여 상기 특징 벡터의 모델을 생성하는 순서와, 새롭게 취득된 데이터의 상기 특징 벡터와 상기 모델의 괴리도를 산출하는 순서를 실행시키기 위한 이상 검출 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체이다.

상기의 구성에 의해, 이상 검출 장치는, 컴퓨터 판독 가능한 기록 매체에 기록된 이상 검출 프로그램을 실행함으로써, 큰 기억 용량의 데이터베이스가 없어도 검출 대상인 장치의 이상을 검출하는 것이 가능하다.

본 발명에 의해, 데이터를 축적하기 전에 데이터를 분석을 하여 괴리도를 산출하므로, 큰 기억 용량의 데이터베이스가 없어도 검출 대상인 장치의 이상을 검출하는 것이 가능하다.

도 1 은, 제 1 실시형태에 있어서의, 이상 검출 장치의 구성의 예를 나타내는 도면이다.
도 2 는, 제 1 실시형태에 있어서의, 잘라내기 처리의 예를 나타내는 도면이다.
도 3 은, 제 1 실시형태에 있어서의, 이상 검출 장치의 동작의 예를 나타내는 플로 차트이다.
도 4 는, 제 2 실시형태에 있어서의, 이상 검출 장치의 구성의 예를 나타내는 도면이다.
도 5 는, 제 2 실시형태에 있어서의, 이상 검출 장치의 동작의 예를 나타내는 플로 차트이다.
도 6 은, 제 3 실시형태에 있어서의, 이상 검출 장치의 구성의 예를 나타내는 도면이다.
도 7 은, 제 3 실시형태에 있어서의, 이상 검출 장치의 동작의 예를 나타내는 플로 차트이다.
도 8 은, 제 4 실시형태에 있어서의, 이상 검출 장치의 구성의 예를 나타내는 도면이다.
도 9 는, 제 4 실시형태에 있어서의, 이상 검출 장치의 동작의 예를 나타내는 플로 차트이다.

본 발명의 실시형태에 대해, 도면을 참조하여 상세하게 설명한다.

(제 1 실시형태)

도 1 은, 이상 검출 장치 (1a) 의 구성의 예를 나타내는 도면이다. 이상 검출 장치 (1a) 는, 정보 처리 장치이며, 예를 들어, 퍼스널 컴퓨터, 워크스테이션 등이다. 이상 검출 장치 (1a) 는, 예를 들어 PLC (Programmable Logic Controller) 에 구비된 정보 처리부여도 된다.

이상 검출 장치 (1a) 는, 검출 대상인 장치에 관한 데이터 (이하 「장치 데이터」라고 한다) 를 취득하고, 취득된 장치 데이터를 분석한다. 장치 데이터는, 큰 기억 용량의 데이터베이스에 축적되지 않아도 된다. 검출 대상인 장치는, 특정한 장치에 한정되지 않지만, 예를 들어, 생산 설비에 설치된 전동기, 펌프이다. 장치 데이터는, 물리량의 데이터이며, 예를 들어, 진동, 온도, 전류, 토크, 압력, 유량 등의 실수 (實數) 데이터이다. 장치 데이터는, 장치에 부여된 지시치여도 되고, 예를 들어, 발진·정지, 처리 모드 또는 처리량을 나타내는 지시치여도 된다.

이상 검출 장치 (1a) 는, 장치 데이터가 분석된 결과 (학습 결과) 에 기초하여, 그 장치 데이터의 특징 벡터의 모델을 생성한다. 이상 검출 장치 (1a) 는, 장치 데이터에 기초하여 생성된 모델과, 새롭게 취득된 장치 데이터의 특징 벡터의 괴리도 (비정상도) 에 기초하여, 검출 대상인 장치의 이상을 검출한다.

이상 검출 장치 (1a) 는, 센서 (2a) 와, 취득부 (2) 와, 잘라내기부 (3) 와, 특징 추출부 (4) 와, 모델 처리부 (5a) 와, 출력부 (6) 와, 상위 장치 (6a) 와, 통지 장치 (6b) 를 구비한다. 이들 기능부의 일부 또는 전부는, CPU (Central Processing Unit) 등의 프로세서가 프로그램을 실행함으로써 실현된다. 또, 각 기능부의 일부 또는 전부는, FPGA (Field-Programmable Gate Array), LSI (Large Scale Integration) 나 ASIC (Application Specific Integrated Circuit) 등의 하드웨어를 사용하여 실현되어도 된다.

센서 (2a) 는, 검출 대상인 장치의 상태를 센싱하여 장치 데이터를 취득하는 복수의 센서, 예를 들어, 후술하는 제 1 센서 (2a1) ∼ 제 4 센서 (2a4) 를 포함한다. 제 1 센서 (2a1) ∼ 제 4 센서 (2a4) 는, 유선 또는 무선의 통신에 의해 취득한 장치 데이터를 취득부 (2) 에 송신한다.

취득부 (2) 는, 검출 대상인 장치의 상태를 센싱한 센서 (2a) 로부터, 유선 또는 무선의 통신에 의해 장치 데이터를 취득한다. 취득부 (2) 는, 검출 대상인 장치에 구비된 인터페이스로부터, 유선 또는 무선의 통신에 의해 장치 데이터를 취득해도 된다. 취득부 (2) 는, 취득된 장치 데이터와 시각 정보 (타임 스탬프) 를 대응짓는다. 취득부 (2) 는, 시각 정보에 대응지어진 장치 데이터의 파일을, 외부 장치로부터 취득해도 된다. 장치 데이터의 파일의 형식은, 예를 들어, CSV (Comma-Separated Values) 형식이다.

취득부 (2) 는, 취득된 장치 데이터의 형식을, 잘라내기부 (3) 가 사용하는 장치 데이터의 형식으로 변환한다. 예를 들어, 취득부 (2) 가 AD 컨버터(아날로그·디지털 변환기) 인 경우, 취득부 (2) 는, 센서로부터 취득된 장치 데이터를 나타내는 아날로그 신호를, 잘라내기부 (3) 가 사용하는 디지털 신호로 변환한다. 예를 들어, 취득부 (2) 가 서버인 경우, 취득부 (2) 는, LAN (Local Area Network) 을 통해 취득된 패킷을, 잘라내기부 (3) 가 사용하는 베이스밴드 신호로 변환한다. 장치 데이터 X(t) 는, 식 (1) 과 같이 나타내어진다.

여기서, t 는, 이산 시간 (샘플링 시각) 을 나타내는 변수이다. d 는, 취득부 (2) 에 의해 취득된 장치 데이터의 개수이다.

잘라내기부 (3) 는, 장치 데이터의 잘라내기 처리를 제어하는 신호 (이하 「잘라내기 제어 신호」라고 한다) 를 취득한다. 잘라내기부 (3) 는, 시계열로 연속하는 각 장치 데이터를, 취득부 (2) 에 의해 취득된 장치 데이터로부터, 잘라내기 제어 신호에 따라 잘라낸다.

도 2 는, 잘라내기 처리의 예를 나타내는 도면이다. 제 1 센서 (2a1) 의 장치 데이터는, 예를 들어 검출 대상인 장치의 진동 데이터이다. 제 2 센서 (2a2) 의 장치 데이터는, 예를 들어 검출 대상인 장치의 압력 데이터이다. 외부 파일의 장치 데이터는, 예를 들어, 제 3 센서 (2a3) 에 의해 검출된 검출 대상인 장치의 전류 데이터이다. 외부 기억 장치의 장치 데이터는, 예를 들어, 제 4 센서 (2a4) 에 의해 검출된 검출 대상인 장치의 전압 데이터이다. 잘라내기 제어 신호는, 예를 들어, 스위치 등의 온 또는 오프를 나타내는 장치 데이터에 따르고 있다. 이들 장치 데이터는 일례이다.

잘라내기부 (3) 는, 온 또는 오프를 나타내는 잘라내기 제어 신호가 온을 나타내는 기간 (시각 t1 부터 시각 t2 까지의 기간) 에 대해, 시계열로 연속하는 각 장치 데이터 (세그먼트) 를 잘라낸다. 잘라내진 각 장치 데이터 S(k) 는, 식 (2) 와 같이 나타내어진다.

여기서, k 는, 잘라내진 장치 데이터의 일련 번호를 나타낸다. n_k 는, k 번째의 잘라내진 장치 데이터에 포함되는 샘플의 개수 (이하 「세그먼트 길이」라고 한다) 이다. 세그먼트 길이는 일정하지 않아도 된다.

잘라내기부 (3) 는, 펄스 신호인 잘라내기 제어 신호의 시단이 검출된 시각부터 소정 시간이 경과할 때까지의 시각에 대해, 시계열로 연속하는 각 장치 데이터를 잘라내도 된다. 잘라내기부 (3) 는, 펄스 신호인 잘라내기 제어 신호의 종단이 검출된 시각부터 소정 시간이 경과할 때까지의 시각에 대해, 시계열로 연속하는 각 장치 데이터를 잘라내도 된다.

잘라내기부 (3) 는, 펄스 신호인 잘라내기 제어 신호가 검출된 시각부터, 다음의 잘라내기 제어 신호가 검출되는 시각까지의 기간에 대해, 시계열로 연속하는 각 장치 데이터를 잘라내도 된다. 잘라내기부 (3) 는, 미리 정해진 장치 데이터가 임계치 이상이 된 시각부터, 그 장치 데이터가 임계치 미만이 된 시각까지의 기간에 대해, 시계열로 연속하는 각 장치 데이터를 잘라내도 된다. 또, 잘라내기부 (3) 는, 외부 신호에 의하지 않고 정주기 (定周期) 로 각 장치 데이터를 잘라내도 된다.

특징 추출부 (4) 는, 잘라내진 장치 데이터를 분석함으로써, 잘라내진 장치 데이터 S(k) 로부터 특징 벡터를 추출한다. 즉, 특징 추출부 (4) 는, 잘라내진 장치 데이터의 특징 벡터 z(k) 를, 식 (3) 과 같이 생성한다.

여기서, z 는, 특징 벡터이며, m 차원의 실수치를 정의역으로서 가지는 종벡터이다. 특징 추출부 (4) 가 특징 벡터를 추출하는 방법은, 특정한 방법으로 한정되지 않는다. 예를 들어, 특징 추출부 (4) 는, 일련 번호 k 의 잘라내진 장치 데이터에 관하여, 평균, 표준 편차, 최소치, 최대치 등의 통계량을 산출한다. 이들 4 개의 통계량을 특징 추출부 (4) 가 산출하는 경우, 특징 추출부 (4) 는, m (＝ 4 × d) 차원의 특징 벡터를 생성한다. 특징 추출부 (4) 는, 푸리에 변환에 의해 장치 데이터가 분해된 주기 신호마다의 파워를, 특징 벡터로서 추출해도 된다. 특징 추출부 (4) 는, 장치 데이터의 순서 통계량을 특징 벡터로서 추출해도 된다.

모델 처리부 (5a) 는, 추출된 특징 벡터를 분석한다. 모델 처리부 (5a) 는, 분석 결과에 기초하여, 특징 벡터의 모델 (기준 패턴 모델) 을 생성한다. 모델 처리부 (5a) 는, 학습부 (50) 와, 기억부 (51) 와, 괴리도 산출부 (52a) 를 구비한다.

학습부 (50) 는, 학습 제어 신호를 외부 장치로부터 취득한다. 학습 제어 신호는, 예를 들어 온 또는 오프를 나타내는 신호이다. 학습 제어 신호의 온 또는 오프는, 예를 들어, 사용자 또는 외부 시스템에 의해 조작된다. 학습부 (50) 는, 학습 제어 신호가 온을 나타내는 경우, 추출된 특징 벡터를, 특징 추출부 (4) 로부터 취득한다. 학습부 (50) 는, 추출된 특징 벡터마다, 특징 벡터를 분석 (학습) 한다. 학습부 (50) 는, 특징 벡터의 분석 결과에 기초하여, 특징 벡터의 모델을 생성한다. 이와 같이, 학습부 (50) 는, 특징 벡터의 모델을 순차적으로 생성한다.

특징 벡터의 모델은, 특정한 형태의 모델로 한정되지 않지만, 예를 들어, 특징 벡터 z 의 각 요소 사이에서 연속하는 변수가 만족해야 하는 식 (4) 와 같은 구속 조건 (관계성) 이 부여된 연립 방정식으로 나타내어지는 모델이다. 학습부 (50) 는, 주성분 분석을 실행함으로써, 식 (4) 와 같은 구속 조건을 얻는다. 학습부 (50) 는, 뉴럴 네트워크를 사용하여 구속 조건을 얻어도 된다.

특징 벡터의 모델은, 예를 들어, 특징 벡터 z 의 확률 밀도 분포 p(z) 로 나타내어지는 모델이어도 된다. 예를 들어, 학습부 (50) 는, 특징 벡터 z 의 다변량 정규 분포로 나타내어지는 모델을 생성한다. 특징 벡터 z 의 다변량 정규 분포는, 특징 벡터 z 의 평균치 벡터 μ∈R^m 및 공분산 행렬 Σ∈R^m×m 에 의해 나타내어진다. 학습부 (50) 는, 특징 벡터 z 의 다변량 정규 분포를, 식 (5) 및 식 (6) 과 같이 산출한다.

여기서, z_sum 은, 특징 벡터의 누적합을 나타낸다. Z_sum 은, 특징 벡터의 행렬과 그 특징 벡터가 전치된 벡터의 행렬 곱의 누적합을 나타낸다. 그들 각 요소는, 다변량 정규 분포에 있어서의 충분 통계량을 구성한다. 즉, 다변량 정규 분포의 평균치 벡터 및 공분산 행렬은, z_sum 및 Z_sum 에 기초하여 산출 가능하다.

학습부 (50) 는, 1 번째로부터 (k－1) 번째까지의 잘라내진 장치 데이터에 기초하는 특징 벡터의 누적합 z_sum(k－1) 과, k 번째의 잘라내진 장치 데이터의 특징 벡터 z(k) 에 기초하여, 1 번째로부터 k 번째까지의 잘라내진 장치 데이터에 기초하는 특징 벡터의 누적합 z_sum(k) 를, 식 (7) 과 같이 산출한다.

학습부 (50) 는, 1 번째로부터 (k－1) 번째까지의 잘라내진 장치 데이터에 기초하는 특징 벡터와 그 특징 벡터가 전치된 벡터의 행렬 곱의 누적합 Z_sum(k－1) 과, k 번째의 잘라내진 장치 데이터의 특징 벡터의 행렬 Z(k) 에 기초하여, 1 번째로부터 k 번째까지의 잘라내진 장치 데이터에 기초하는 특징 벡터와 그 특징 벡터가 전치된 벡터의 행렬 곱의 누적합 Z_sum(k) 를, 식 (8) 과 같이 산출한다.

학습부 (50) 는, 취득부 (2) 에 의해 취득된 장치 데이터를 큰 기억 용량의 데이터베이스에 축적하지 않고, 평균치 벡터 μ(k) 와 공분산 행렬 Σ(k) 와 특징 벡터의 누적합 z_sum(k) 와 특징 벡터의 행렬 곱의 누적합 Z_sum(k) 에 의해 정해지는 다변량 정규 분포를, 특징 벡터 z 의 모델로서 산출한다.

학습부 (50) 는, 취득된 장치 데이터를 근사하는 확률 분포이면, 다변량 정규 분포 이외의 확률 분포를 산출해도 된다. 예를 들어, 다변량 정규 분포 이외의 확률 분포는, 혼합 다변량 정규 분포, 장치 데이터의 복수의 샘플에 기초하는 경험적인 밀도 함수이다. 학습부 (50) 는, 생성된 특징 벡터의 모델을 기억부 (51) 에 기록한다.

기억부 (51) 는, 플래쉬 메모리 등의 불휘발성의 기억 장치 (비일시적인 기록 매체) 이다. 기억부 (51) 는, 특징 벡터의 모델을 기억한다. 특징 벡터의 모델은, 예를 들어 수식 데이터로 나타내어진다. 특징 벡터의 모델은, 학습부 (50) 에 의해 생성된 특징 벡터의 모델로 갱신된다. 기억부 (51) 는, 프로그램을 기억해도 된다. 기억부 (51) 는, RAM (Random Access Memory) 등의 휘발성의 기록 매체를 추가로 구비해도 된다.

괴리도 산출부 (52a) 는, 특징 벡터의 모델이 생성된 후에 새롭게 취득된 장치 데이터의 특징 벡터 z_test 를, 특징 추출부 (4) 로부터 취득한다. 괴리도 산출부 (52a) 는, 특징 벡터 z_test 와, 기억부 (51) 에 기억되어 있는 특징 벡터의 모델의 괴리도 (비정상도) 를 산출한다.

예를 들어, 괴리도 산출부 (52a) 는, 특징 벡터의 모델이 특징 벡터 z 의 확률 분포 p(z) 로 나타내어지는 경우, z_test 의 부의 대수 우도를, 괴리도로서 산출한다. 예를 들어, 괴리도 산출부 (52a) 는, 특징 벡터의 모델을 나타내는 수식의 파라미터에 소정의 연산 처리를 실행함으로써, 괴리도를 산출해도 된다. 예를 들어, 특징 벡터 z 의 각 요소 사이에 식 (4) 와 같은 구속 조건에 기초하는 모델에서는, 괴리도 산출부 (52a) 는, 구속 조건의 부정합도 (예를 들어, f(z) 의 L2 놈) 를, 괴리도로서 산출해도 된다.

출력부 (6) 는, 예를 들어, 인터넷이나 Ethernet (등록 상표) 등의 유선 통신, 또는 셀룰러 망이나 WiFi (등록 상표) 망 등의 무선 통신을 통해, 괴리도 산출부 (52a) 에 의해 산출된 괴리도를 나타내는 정보를, 상위 장치 (6a) 와 통지 장치 (6b) 에 출력한다.

상위 장치 (6a) 는, 예를 들어, 플랜트의 운전원에 의해 사용되는 퍼스널 컴퓨터나 워크스테이션 등의 컴퓨터이며, 출력부 (6) 로부터 괴리도를 나타내는 정보를 수신하고, 괴리도를 나타내는 화상을 표시한다. 상위 장치 (6a) 는, 예를 들어, 출력부 (6) 로부터 괴리도를 나타내는 정보를 수신하고, 괴리도를 나타내는 정보를 클라이언트 컴퓨터에 제공하는 클라우드 서버여도 된다.

통지 장치 (6b) 는, 예를 들어, 액정 표시 장치 등의 표시 장치나 음성을 출력하는 스피커를 구비하고 있다. 통지 장치 (6b) 는, 출력부 (6) 로부터 괴리도를 나타내는 정보를 수신하고, 괴리도를 나타내는 화상을 표시한다. 예를 들어, 괴리도를 나타내는 정보가 검출 대상인 장치의 이상을 나타내는 것인 경우, 통지 장치 (6b) 는, 경보음이나 음성을 재생함으로써, 예를 들어 플랜트의 운전원에 대해 알람을 통지해도 된다.

다음으로, 이상 검출 장치 (1a) 의 동작의 예를 설명한다.

도 3 은, 이상 검출 장치 (1a) 의 동작의 예를 나타내는 플로 차트이다. 취득부 (2) 는, 장치 데이터를 취득한다 (스텝 S101). 잘라내기부 (3) 는, 잘라내기 처리를 실행하는 조건이 성립하고 있는지 여부를 판정한다. 예를 들어, 잘라내기부 (3) 는, 잘라내기 제어 신호가 온을 나타내는 경우, 잘라내기 처리를 실행하는 조건이 성립하고 있는 것으로 판정한다 (스텝 S102).

잘라내기 처리를 실행하는 조건이 성립하고 있지 않은 경우 (스텝 S102 : NO), 잘라내기부 (3) 는, 스텝 S102 의 처리를 재실행한다. 잘라내기 처리를 실행하는 조건이 성립하고 있는 경우 (스텝 S102 : YES), 잘라내기부 (3) 는, 취득된 장치 데이터로부터, 미리 정해진 조건에 기초하여 데이터를 잘라낸다. 예를 들어, 잘라내기부 (3) 는, 잘라내기 제어 신호의 검출 시각에 기초하여, 시계열로 연속하는 각 장치 데이터를 잘라낸다 (스텝 S103). 특징 추출부 (4) 는, 잘라내진 장치 데이터로부터 특징 벡터 z 를 추출한다 (스텝 S104).

학습부 (50) 는, 학습 처리를 실행하는 조건이 성립하고 있는지 여부를 판정한다. 예를 들어, 학습부 (50) 는, 학습 제어 신호가 온을 나타내는 경우, 학습 처리를 실행하는 조건이 성립하고 있는 것으로 판정한다 (스텝 S105). 학습 처리를 실행하는 조건이 성립하고 있지 않은 경우 (스텝 S105 : NO), 괴리도 산출부 (52a) 는, 스텝 S108 의 처리를 실행한다.

학습 처리를 실행하는 조건이 성립하고 있는 경우 (스텝 S105 : YES), 학습부 (50) 는, 추출된 특징 벡터 z 를 분석하고, 분석 결과에 기초하여 특징 벡터의 모델을 생성한다 (스텝 S106). 학습부 (50) 는, 기억부 (51) 에 기억되어 있는 특징 벡터의 모델을, 새롭게 생성된 특징 벡터의 모델로 갱신한다 (스텝 S107).

괴리도 산출부 (52a) 는, 새롭게 취득된 장치 데이터의 특징 벡터를, 특징 추출부 (4) 로부터 취득한다. 괴리도 산출부 (52a) 는, 새롭게 취득된 장치 데이터의 특징 벡터와, 기억부 (51) 에 기억되어 있는 특징 벡터의 모델의 괴리도를 산출한다 (스텝 S108). 출력부 (6) 는, 산출된 괴리도를 외부 장치 등에 출력한다 (스텝 S109).

또한, 스텝 S105 부터 스텝 S107 까지의 처리와, 스텝 S108 의 처리는, 실행 순서를 교환하는 것이 가능하다.

이상과 같이, 제 1 실시형태의 이상 검출 장치 (1a) 는, 취득부 (2) 와, 잘라내기부 (3) 와, 특징 추출부 (4) 와, 학습부 (50) 와, 괴리도 산출부 (52a) 를 구비한다. 취득부 (2) 는, 장치 데이터를 취득한다. 잘라내기부 (3) 는, 취득된 장치 데이터로부터, 미리 정해진 조건에 기초하여 데이터를 잘라낸다. 특징 추출부 (4) 는, 잘라내진 장치 데이터로부터 특징 벡터를 추출한다. 학습부 (50) 는, 추출된 특징 벡터를 분석한다. 학습부 (50) 는, 분석 결과에 기초하여 특징 벡터의 모델을 생성한다. 괴리도 산출부 (52a) 는, 새롭게 취득된 장치 데이터의 특징 벡터와, 특징 벡터의 모델의 괴리도를 산출한다.

이로써, 제 1 실시형태의 이상 검출 장치 (1a) 는, 데이터를 축적하기 전에 데이터를 분석하여 괴리도를 산출하므로, 큰 기억 용량의 데이터베이스가 없어도 검출 대상인 장치의 이상을 검출하는 것이 가능하다.

(제 2 실시형태)

제 2 실시형태에서는, 이상 검출 장치가 후처리부를 구비하는 점이, 제 1 실시형태와 상이하다.

제 2 실시형태에서는, 제 1 실시형태와의 차이점에 대해 설명한다.

도 4 는, 이상 검출 장치 (1b) 의 구성의 예를 나타내는 도면이다. 이상 검출 장치 (1b) 는, 취득부 (2) 와, 잘라내기부 (3) 와, 특징 추출부 (4) 와, 모델 처리부 (5b) 와, 출력부 (6) 와, 후처리부 (7) 를 구비한다. 모델 처리부 (5b) 는, 학습부 (50) 와, 기억부 (51) 와, 괴리도 산출부 (52b) 를 구비한다.

후처리부 (7) 는, 산출된 괴리도를 괴리도 산출부 (52b) 로부터 취득한다. 후처리부 (7) 는, 일정 기간마다의 괴리도를 산출한다. 예를 들어, 후처리부 (7) 는, 소정 개수의 장치 데이터의 샘플에 대해, 괴리도의 평균치 (단순 이동 평균) 를 산출해도 된다. 예를 들어, 후처리부 (7) 는, 소정 개수의 장치 데이터의 샘플에 대해, 괴리도의 가중 평균 (지수 평활 평균) 을 산출해도 된다. 예를 들어, 후처리부 (7) 는, 일정 기간에 있어서의 괴리도의 통계량 (예를 들어, 최대치) 을 산출해도 된다. 출력부 (6) 는, 괴리도를 외부 장치 등에 출력한다.

다음으로, 이상 검출 장치 (1b) 의 동작의 예를 설명한다.

도 5 는, 이상 검출 장치 (1b) 의 동작의 예를 나타내는 플로 차트이다. 스텝 S201 부터 스텝 S208 까지의 처리는, 도 3 에 나타낸 스텝 S101 부터 스텝 S108 까지의 처리와 동일하다. 스텝 S208 의 다음에, 후처리부 (7) 는, 일정 기간마다의 괴리도를 산출한다 (스텝 S209). 출력부 (6) 는, 괴리도를 외부 장치 등에 출력한다 (스텝 S210).

이상과 같이, 제 2 실시형태의 이상 검출 장치 (1b) 는, 미리 정해진 처리를 괴리도에 기초하여 실행한다. 예를 들어, 이상 검출 장치 (1b) 는, 미리 정해진 분석 처리에 의해, 괴리도를 산출한다. 이로써, 제 2 실시형태의 이상 검출 장치 (1b) 는, 산출된 괴리도의 노이즈를 저감시키는 것이 가능하다. 이상 검출 장치 (1b) 는, 산출된 괴리도를 강조하는 것이 가능하다.

(제 3 실시형태)

제 3 실시형태에서는, 이상 검출 장치가 복수의 모델 처리부를 구비하는 점이, 제 1 실시형태와 상이하다. 제 3 실시형태에서는, 제 1 실시형태와의 차이점에 대해 설명한다.

도 6 은, 이상 검출 장치 (1c) 의 구성의 예를 나타내는 도면이다. 이상 검출 장치 (1c) 는, 취득부 (2) 와, 잘라내기부 (3) 와, 특징 추출부 (4) 와, M 개 (M 은, 2 이상의 정수) 의 모델 처리부 (5c) 와, 출력부 (6) 와, 합성부 (8) 를 구비한다. 이상 검출 장치 (1c) 의 모델 처리부 (5c) 는, 다중화되어 있다. 모델 처리부 (5c) 는, 학습부 (50) 와, 기억부 (51) 와, 괴리도 산출부 (52c) 와, 선택부 (53) 를 구비한다.

선택부 (53) 는, 학습 제어 신호가 온을 나타내고 있는 경우, 추출된 특징 벡터를 특징 추출부 (4) 로부터 취득한다. 선택부 (53) 는, 취득된 특징 벡터를, 그 특징 벡터에 기초하는 모델의 학습에 사용할지 여부를 결정한다. 예를 들어, 선택부 (53) 는, 균등 난수의 실현치가 규정치 이하인지 여부에 기초하여, 특징 벡터를 확률적으로 선택한다. 선택부 (53) 는, 선택된 특징 벡터를, 학습부 (50) 에 출력한다.

학습부 (50) 는, 선택부 (53) 에 의해 선택된 특징 벡터에 기초하여, 특징 벡터의 모델을 생성한다. 괴리도 산출부 (52c) 는, 학습 제어 신호가 온을 나타내고 있는 경우, 새롭게 취득된 장치 데이터의 특징 벡터와, 특징 벡터의 모델의 괴리도를 산출한다. 이로써, M 개의 괴리도 산출부 (52c) 는, M 개의 괴리도를 산출할 수 있다.

합성부 (8) 는, 괴리도를 괴리도 산출부 (52c) 마다 취득하고, M 개의 괴리도를 합성한다. 예를 들어, 합성부 (8) 는, M 개의 괴리도의 통계량 (예를 들어, 평균치나 최대치 등) 을 산출함으로써, M 개의 괴리도를 합성한다. 합성부 (8) 는, M 개의 괴리도의 합성 결과를, 출력부 (6) 에 출력한다. 출력부 (6) 는, M 개의 괴리도의 합성 결과를, 외부 장치에 출력한다.

다음으로, 이상 검출 장치 (1c) 의 동작의 예를 설명한다.

도 7 은, 이상 검출 장치 (1c) 의 동작의 예를 나타내는 플로 차트이다. 스텝 S301 부터 스텝 S304 까지의 처리는, 도 3 에 나타낸 스텝 S101 부터 스텝 S104 까지의 처리와 동일하다. 스텝 S306 부터 스텝 S308 까지의 처리는, 모델 처리부 (5c) 마다 실행된다.

스텝 S304 의 다음에, 학습부 (50) 는, 학습 처리를 실행하는 조건이 성립하고 있는지 여부를 판정한다. 예를 들어, 학습부 (50) 는, 학습 제어 신호가 온을 나타내는 경우, 학습 처리를 실행하는 조건이 성립하고 있는 것으로 판정한다 (스텝 S305). 학습 처리를 실행하는 조건이 성립하고 있지 않은 경우 (스텝 S305 : NO), 괴리도 산출부 (52c) 는, 스텝 S309 의 처리를 실행한다.

학습 처리를 실행하는 조건이 성립하고 있는 경우 (스텝 S305 : YES), 선택부 (53) 는, 취득된 특징 벡터 중에서, 학습부 (50) 에 의한 분석 (학습 처리) 의 대상이 되는 특징 벡터를 선택한다 (스텝 S306). 학습부 (50) 는, 선택된 특징 벡터 z 를 분석하고, 분석 결과에 기초하여 특징 벡터의 모델을 생성한다 (스텝 S307). 학습부 (50) 는, 기억부 (51) 에 기억되어 있는 특징 벡터의 모델을, 새롭게 생성된 특징 벡터의 모델로 갱신한다 (스텝 S308).

합성부 (8) 는, 괴리도를 괴리도 산출부 (52c) 마다 취득한다 (스텝 S309). 합성부 (8) 는, M 개의 괴리도를 합성한다 (스텝 S310). 출력부 (6) 는, 괴리도를 외부 장치 등에 출력한다 (스텝 S311).

이상과 같이, 제 3 실시형태의 이상 검출 장치 (1c) 는, M 개의 모델 처리부 (5c) 를 병렬로 구비한다. 즉, 이상 검출 장치 (1c) 는, M 개의 선택부 (53) 와, M 개의 학습부 (50) 와, M 개의 괴리도 산출부 (52c) 와, 합성부 (8) 를 구비한다. 선택부 (53) 는, 추출된 특징 벡터 중에서 분석의 대상이 되는 특징 벡터를 학습 제어 신호에 기초하여 선택한다. 학습부 (50) 는, 선택부 (53) 에 의한 선택 결과마다 특징 벡터를 분석한다. 학습부 (50) 는, 분석 결과에 기초하여, M 개의 모델을 생성한다. 괴리도 산출부 (52c) 는, 특징 벡터의 모델마다 괴리도를 산출한다. 합성부 (8) 는, 특징 벡터의 모델마다 산출된 괴리도를 합성한다.

이로써, 제 3 실시형태의 이상 검출 장치 (1c) 는, 특징 벡터의 모델을 안정적으로 추정하는 것이 가능하다. 이상 검출 장치 (1c) 는, 특징 벡터의 모델에 기초하여, 괴리도를 안정적으로 산출하는 것이 가능하다.

(제 4 실시형태)

제 4 실시형태에서는, 새롭게 취득된 특징 벡터의 값을 모델 상의 특징 벡터의 값으로 이상 검출 장치가 변환하는 점이, 제 1 실시형태와 상이하다. 제 4 실시형태에서는, 제 1 실시형태와의 차이점에 대해 설명한다.

도 8 은, 이상 검출 장치 (1d) 의 구성의 예를 나타내는 도면이다. 이상 검출 장치 (1d) 는, 취득부 (2) 와, 잘라내기부 (3) 와, 특징 추출부 (4) 와, 모델 처리부 (5d) 와, 출력부 (6) 를 구비한다. 모델 처리부 (5d) 는, 학습부 (50) 와, 기억부 (51) 와, 괴리도 산출부 (52d) 를 구비한다. 괴리도 산출부 (52d) 는, 변환부 (520) 와, 요소별 괴리도 산출부 (521) 와, 괴리도 합산부 (522) 를 구비한다.

변환부 (520) 는, 새롭게 추출된 특징 벡터 z(k) 를, 특징 추출부 (4) 로부터 취득한다. 변환부 (520) 는, 새롭게 추출된 특징 벡터 z(k) 를, 기억부 (51) 에 기억되어 있는 특징 벡터의 모델에 있어서의 특징 벡터 z_pre(k) 로 변환한다. 즉, 변환부 (520) 는, 새롭게 추출된 특징 벡터 z(k) 가 특징 벡터의 모델 상에서 해석된 경우의 예측치인 특징 벡터 z_pre(k) 를 산출한다.

예를 들어, 변환부 (520) 는, 특징 벡터의 모델이 주성분 분석에 의한 모델인 경우, 주성분 공간에 투영된 특징 벡터를 원래의 공간으로 되돌리는 역변환을 실행함으로써, 특징 벡터의 모델에 있어서의 특징 벡터 z_pre(k) 를 산출한다. 예를 들어, 변환부 (520) 는, 뉴럴 네트워크의 예인 오토 인코더로 불리는 알고리즘을 사용하여, 특징 벡터의 모델에 있어서의 특징 벡터 z_pre(k) 를 산출해도 된다. 변환부 (520) 는, 특징 벡터의 모델에 있어서의 특징 벡터 z_pre(k) 를, 요소별 괴리도 산출부 (521) 및 출력부 (6) 에 출력한다.

요소별 괴리도 산출부 (521) 는, 특징 벡터의 모델에 있어서의 특징 벡터 z_pre(k) 를, 변환부 (520) 로부터 취득한다. 요소별 괴리도 산출부 (521) 는, 새롭게 추출된 특징 벡터 z(k) 를, 변환부 (520) 로부터 취득한다. 요소별 괴리도 산출부 (521) 는, 새롭게 추출된 특징 벡터 z(k) 와, 기억부 (51) 에 기억되어 있는 특징 벡터의 모델의 괴리도를, 특징 벡터의 요소마다 산출한다.

요소별 괴리도 산출부 (521) 는, 특징 벡터의 m 개의 요소에 있어서의 j 번째의 요소의 괴리도 a_j(k) 를, 식 (9) 와 같이 산출한다. 요소별 괴리도 산출부 (521) 는, 요소마다의 괴리도 a₁(k), …, a_m(k) 를, 각 공헌도로서 출력부 (6) 에 출력해도 된다.

요소별 괴리도 산출부 (521) 는, 요소마다의 괴리도 a₁(k), …, a_m(k) 에 기초하여, 스칼라값인 괴리도 a(k) 를, 예를 들어 식 (10) 과 같이 산출한다.

괴리도 합산부 (522) 는, 특징 벡터의 요소마다 산출된 괴리도를 합산함으로써 공헌도 C_j 를 산출한다. 예를 들어, 식 (11) 과 같이, 괴리도 합산부 (522) 는, j 번째의 요소의 괴리도를, 요소별의 괴리도의 총합으로 규격화한다.

출력부 (6) 는, 특징 벡터의 괴리도를 외부 장치 등에 출력한다. 출력부 (6) 는, 특징 벡터의 요소마다의 괴리도에 대한 공헌도를, 외부 장치 등에 출력해도 된다.

다음으로, 이상 검출 장치 (1d) 의 동작의 예를 설명한다.

도 9 는, 이상 검출 장치 (1d) 의 동작의 예를 나타내는 플로 차트이다. 스텝 S401 부터 스텝 S407 까지의 처리는, 도 3 에 나타낸 스텝 S101 부터 스텝 S107 까지의 처리와 동일하다.

변환부 (520) 는, 추출된 특징 벡터를, 기억부 (51) 에 기억되어 있는 특징 벡터의 모델에 있어서의 특징 벡터로 변환한다 (스텝 S408). 요소별 괴리도 산출부 (521) 는, 새롭게 취득된 장치 데이터의 특징 벡터와, 기억부 (51) 에 기억되어 있는 특징 벡터의 모델의 괴리도를, 특징 벡터의 요소마다 산출한다 (스텝 S409). 괴리도 합산부 (522) 는, 특징 벡터의 요소마다 산출된 괴리도를 합산함으로써 공헌도를 산출한다 (스텝 S410). 출력부 (6) 는, 특징 벡터의 괴리도 등을 외부 장치 등에 출력한다 (스텝 S411).

이상과 같이, 제 4 실시형태의 이상 검출 장치 (1d) 는, 괴리도 산출부 (52d) 를 구비한다. 괴리도 산출부 (52d) 는, 변환부 (520) 와, 요소별 괴리도 산출부 (521) 와, 괴리도 합산부 (522) 를 구비한다. 변환부 (520) 는, 추출된 특징 벡터를, 특징 벡터의 모델에 있어서의 특징 벡터로 변환한다. 요소별 괴리도 산출부 (521) 는, 특징 벡터의 요소마다 괴리도를 산출한다. 괴리도 합산부 (522) 는, 특징 벡터의 요소마다 산출된 괴리도를 합산한다.

이로써, 제 4 실시형태의 이상 검출 장치 (1d) 는, 추출된 특징 벡터의 공헌도를 산출하는 것이 가능하다.

이상, 본 발명의 실시형태에 대해 도면을 참조하여 상세히 서술하였지만, 구체적인 구성은 이 실시형태에 한정되는 것은 아니고, 본 발명의 요지를 일탈하지 않는 범위의 설계 등도 포함된다.

1a ∼ 1d : 이상 검출 장치
2 : 취득부
3 : 잘라내기부
4 : 특징 추출부
5a ∼ 5d : 모델 처리부
6 : 출력부
7 : 후처리부
8 : 합성부
50 : 학습부
51 : 기억부
52a ∼ 52d : 괴리도 산출부
53 : 선택부
520 : 변환부
521 : 요소별 괴리도 산출부
522 : 괴리도 합산부

Claims

검출 대상인 장치에 관한 데이터를 취득하는 취득부와,
취득된 데이터로부터, 미리 정해진 조건에 기초하여 데이터를 잘라내는 잘라내기부와,
잘라내진 데이터로부터 특징 벡터를 추출하는 특징 추출부와,
추출된 상기 특징 벡터를 분석하고, 분석 결과에 기초하여 상기 특징 벡터의 모델을 생성하는 학습부와,
상기 취득된 데이터의 상기 특징 벡터와 상기 모델의 괴리도를 산출하는 괴리도 산출부를 구비하는, 이상 검출 장치.
제 1 항에 있어서,
상기 괴리도를 출력하는 출력부를 추가로 구비하는, 이상 검출 장치.
제 2 항에 있어서,
상기 출력부는, 상기 괴리도가 상기 검출 대상인 장치의 이상을 나타내는 것인 경우에 상기 검출 대상인 장치가 설치된 플랜트의 운전원에 대해 알람을 통지하도록 구성되는 통지 장치에, 상기 괴리도를 출력하는, 이상 검출 장치.
제 1 항 내지 제 3 항 중 어느 한 항에 있어서,
상기 취득부는, 상기 검출 대상인 장치의 상태를 센싱하여 데이터를 취득하는 복수의 센서로부터 상기 데이터를 취득하는, 이상 검출 장치.
제 1 항 내지 제 4 항 중 어느 한 항에 있어서,
상기 미리 정해진 조건은, 시계열로 연속하는 기간인, 이상 검출 장치.
제 1 항 내지 제 5 항 중 어느 한 항에 있어서,
상기 학습부는, 외부 장치로부터 취득되는 학습 제어 신호가 소정의 값인 경우에, 상기 추출된 특징 벡터를 분석하고, 분석 결과에 기초하여 상기 특징 벡터의 모델을 생성하는, 이상 검출 장치.
제 1 항 내지 제 6 항 중 어느 한 항에 있어서,
상기 학습부는, 상기 모델로서, 상기 추출된 특징 벡터의 평균치 벡터와 공분산 행렬에 의해 나타내어지는 다변량 정규 분포를 생성하는, 이상 검출 장치.
제 1 항 내지 제 7 항 중 어느 한 항에 있어서,
상기 이상 검출 장치는, 특징 벡터의 누적합과, 특징 벡터와 그 전치 행렬의 행렬 곱의 누적합을 기억하는 기억부를 추가로 구비하고,
상기 학습부는, 외부 장치로부터 취득되는 학습 제어 신호가 소정의 값인 경우에, 상기 기억부에 기억된 상기 특징 벡터의 누적합에, 상기 특징 추출부에 의해 추출된 특징 벡터를 가산하고, 얻어진 합으로 상기 기억부에 기억된 상기 특징 벡터의 누적합을 갱신하고, 상기 기억부에 기억된 상기 특징 벡터와 그 전치 행렬의 행렬 곱의 누적합에, 상기 특징 추출부에 의해 추출된 특징 벡터의 행렬과 그 전치 행렬의 행렬 곱의 누적합을 가산하고, 얻어진 합으로 상기 기억부에 기억된 상기 특징 벡터의 행렬과 그 전치 행렬의 행렬 곱의 누적합을 갱신하는, 이상 검출 장치.
제 1 항 내지 제 8 항 중 어느 한 항에 있어서,
상기 괴리도 산출부는, 상기 괴리도로서, 상기 특징 추출부에 의해 추출된 특징 벡터의 부의 대수 우도를 산출하는, 이상 검출 장치.
제 1 항 내지 제 9 항 중 어느 한 항에 있어서,
미리 정해진 처리를 상기 괴리도에 기초하여 실행하는 후처리부를 추가로 구비하는, 이상 검출 장치.
제 1 항 내지 제 10 항 중 어느 한 항에 있어서,
상기 미리 정해진 처리는, 소정 기간마다 상기 괴리도를 산출하고, 상기 괴리도에 대해, 단순 이동 평균과, 지수 평활 평균과, 최대치 중 어느 1 개 이상을 산출하는 것을 포함하는, 이상 검출 장치.
제 1 항 내지 제 11 항 중 어느 한 항에 있어서,
복수의 선택부와,
합성부를 추가로 구비하고,
상기 학습부는, 복수의 학습부를 포함하고,
상기 괴리도 산출부는, 복수의 괴리도 산출부를 포함하고,
상기 복수의 선택부의 각각은, 상기 추출된 특징 벡터의 학습을 실시할지 여부를 소정의 처리에 따라서 선택하고,
상기 복수의 학습부의 각각은, 상기 선택부에 의해 상기 추출된 특징 벡터의 학습을 실시하는 취지의 선택이 된 경우에, 상기 특징 벡터를 분석하고, 분석 결과에 기초하여 복수의 상기 모델을 생성하고,
상기 복수의 괴리도 산출부의 각각은, 상기 선택부에 의해 상기 추출된 특징 벡터의 학습을 실시하는 취지의 선택이 된 경우에, 상기 취득된 데이터의 상기 특징 벡터와 상기 모델의 괴리도를 산출하고,
상기 합성부는, 상기 복수의 괴리도 산출부에 의해 산출된 상기 복수의 괴리도를 합성하는, 이상 검출 장치.
제 12 항에 있어서,
상기 복수의 선택부의 각각은, 균등 난수의 실현치에 기초하여, 상기 추출된 특징 벡터의 학습을 실시할지 여부를 선택하는, 이상 검출 장치.
제 1 항 내지 제 13 항 중 어느 한 항에 있어서,
상기 괴리도 산출부는, 상기 모델에 있어서의 상기 특징 벡터의 해석치를 산출하는, 이상 검출 장치.
제 14 항에 있어서,
상기 괴리도 산출부는, 상기 해석치로서, 주성분 공간에 투영한 상기 특징 벡터를 상기 특징 벡터의 공간으로 되돌리는 역변환을 실시함으로써 얻어지는 특징 벡터를 산출하는, 이상 검출 장치.
제 15 항에 있어서,
상기 특징 벡터의 요소마다 상기 괴리도를 산출하는 요소별 괴리도 산출부와,
상기 요소마다 산출된 상기 괴리도를 합산하여, 상기 특징 벡터의 괴리도를 산출하는 괴리도 합산부를 추가로 구비하는, 이상 검출 장치.
제 16 항에 있어서,
상기 요소별 괴리도 산출부는, 상기 특징 벡터의 요소와, 상기 해석치의 차분의 절대치의 제곱을, 상기 특징 벡터의 요소마다의 상기 괴리도로 하는, 이상 검출 장치.
제 16 항 또는 제 17 항에 있어서,
상기 괴리도 합산부는, 상기 요소별 괴리도 산출부가 산출한 상기 요소마다의 괴리도의 총합을 요소의 수로 나눗셈하고, 그 몫의 제곱근을, 상기 특징 벡터의 괴리도로 하는, 이상 검출 장치.
이상 검출 장치가 실행하는 이상 검출 방법으로서,
검출 대상인 장치에 관한 데이터를 취득하는 스텝과,
취득된 데이터로부터, 미리 정해진 조건에 기초하여 데이터를 잘라내는 스텝과,
잘라내진 데이터로부터 특징 벡터를 추출하는 스텝과,
추출된 상기 특징 벡터를 분석하고, 분석 결과에 기초하여 상기 특징 벡터의 모델을 생성하는 스텝과,
새롭게 취득된 데이터의 상기 특징 벡터와 상기 모델의 괴리도를 산출하는 스텝을 포함하는, 이상 검출 방법.
컴퓨터에,
검출 대상인 장치에 관한 데이터를 취득하는 순서와,
취득된 데이터로부터, 미리 정해진 조건에 기초하여 데이터를 잘라내는 순서와,
잘라내진 데이터로부터 특징 벡터를 추출하는 순서와,
추출된 상기 특징 벡터를 분석하고, 분석 결과에 기초하여 상기 특징 벡터의 모델을 생성하는 순서와,
새롭게 취득된 데이터의 상기 특징 벡터와 상기 모델의 괴리도를 산출하는 순서를 실행시키기 위한, 이상 검출 프로그램.
컴퓨터에,
검출 대상인 장치에 관한 데이터를 취득하는 순서와,
취득된 데이터로부터, 미리 정해진 조건에 기초하여 데이터를 잘라내는 순서와,
잘라내진 데이터로부터 특징 벡터를 추출하는 순서와,
추출된 상기 특징 벡터를 분석하고, 분석 결과에 기초하여 상기 특징 벡터의 모델을 생성하는 순서와,
새롭게 취득된 데이터의 상기 특징 벡터와 상기 모델의 괴리도를 산출하는 순서를 실행시키기 위한 이상 검출 프로그램을 기록한, 컴퓨터 판독 가능한 기록 매체.