KR20210114070A - 이상 검지 장치 및 이상 검지 방법 - Google Patents

이상 검지 장치 및 이상 검지 방법 Download PDF

Info

Publication number
KR20210114070A
KR20210114070A KR1020217028496A KR20217028496A KR20210114070A KR 20210114070 A KR20210114070 A KR 20210114070A KR 1020217028496 A KR1020217028496 A KR 1020217028496A KR 20217028496 A KR20217028496 A KR 20217028496A KR 20210114070 A KR20210114070 A KR 20210114070A
Authority
KR
South Korea
Prior art keywords
data
learning
abnormality
time series
section
Prior art date
Application number
KR1020217028496A
Other languages
English (en)
Other versions
KR102408756B1 (ko
Inventor
다카후미 우에다
준 오카지마
Original Assignee
미쓰비시덴키 가부시키가이샤
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 미쓰비시덴키 가부시키가이샤 filed Critical 미쓰비시덴키 가부시키가이샤
Publication of KR20210114070A publication Critical patent/KR20210114070A/ko
Application granted granted Critical
Publication of KR102408756B1 publication Critical patent/KR102408756B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G01M99/008—Subject matter not provided for in other groups of this subclass by doing functionality tests
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
    • G06F11/0736—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment in functional embedded systems, i.e. in a data processing system designed as a combination of hardware and software dedicated to performing a certain function
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0751—Error or fault detection not based on redundancy
    • G06F11/0754—Error or fault detection not based on redundancy by exceeding limits
    • G06F11/076—Error or fault detection not based on redundancy by exceeding limits by exceeding a count or rate limit, e.g. word- or bit count limit
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

본 발명에 따른 이상 검지 장치(100)는, 시계열 데이터를, 학습 구간과 테스트 구간으로 분할하는 데이터 분할부(102)와, 시계열 데이터 중 학습 구간의 부분열을 학습 데이터로서 생성하는 부분열 생성부(103)와, 학습 데이터를 이용하여, 테스트 구간의 데이터점에 대응하는 확률 분포를 구하는 예측 분포 산출부(104)와, 확률 분포를 이용하여 이상을 검지하는 이상 검지부(107)를 구비한다.

Description

이상 검지 장치 및 이상 검지 방법
본 발명은 공장, 화학 플랜트, 철강 플랜트 등의 설비를 비롯한 이상(異常) 검지의 대상물의 이상을 판정하는 이상 검지 장치 및 이상 검지 방법에 관한 것이다.
공장, 빌딩과 같은 설비에서는, 해당 설비 내의 공조 설비, 전기 조명 등과 같은 기기를 제어하기 위한 제어 시스템이 도입되어 있다. 화력, 수력 및 원자력을 비롯한 발전 플랜트, 화학 플랜트, 철강 플랜트 등의 설비에도, 프로세스를 제어하기 위한 제어 시스템이 도입되어 있다. 또한, 공장 설비, 자동차, 철도 차량 등에는, 이들 설비의 상태를 기록하기 위한 로깅(logging) 시스템이 탑재되어 있는 경우가 많다. 설비의 상태는, 설비가 구비하는 기기의 상태, 설비 안 또는 설비 밖의 환경을 나타내는 상태 등을 포함한다. 로깅 시스템 및 제어 시스템에서는, 일반적으로, 센서에 의해서 계측된, 시간의 경과에 따른 설비의 상태를 나타내는 시계열 데이터가 축적되어 있다.
종래부터, 상기 시계열 데이터의 변화를 분석하여, 상기 설비 등의 이상 검지의 대상물의 이상을 검지하는 것이 행해지고 있다. 예를 들면, 특허문헌 1에는, 시계열 데이터로부터 특징을 추출하고, 추출한 특징과, 이상을 포함하지 않는 트레이닝 데이터로부터 추출된 특징의 거리가, 임계값을 초과하는 경우에 이상으로 판정하는 이상 검출 수법이 개시되어 있다.
일본 특개 2015-11027호 공보
한편, 설비 내의 기기에 의해서, 또는 상태를 계측하는 센서에 의해서, 시계열 데이터의 경향이 다른 경우가 있다. 이 때문에, 상기 특허문헌 1에 기재된 수법과 같이 임계값을 이용한 판정을 행하는 경우, 기기 및 센서마다, 임계값의 평가 및 검증이 필요하게 된다고 하는 과제가 있다. 또한, 이 임계값의 평가 및 검증은, 숙련 오퍼레이터의 지견, 설비 설계자의 지견 등의 외부 정보가 필요하게 되기 때문에, 오퍼레이터 및 설계자의 부하가 높고 또한 시간을 필요로 한다. 이 때문에, 임계값의 설정을 위한 작업 부하를 억제하는 것이 요망된다.
본 발명은 상기를 감안하여 이루어진 것으로, 임계값의 설정을 위한 작업 부하를 억제하여, 이상 검지의 대상물의 이상을 검지할 수 있는 이상 검지 장치를 얻는 것을 목적으로 한다.
상술한 과제를 해결하여, 목적을 달성하기 위해서, 본 발명에 따른 이상 검지 장치는, 시계열 데이터를, 학습 구간과 테스트 구간으로 분할하는 데이터 분할부와, 시계열 데이터 중 학습 구간의 부분열을 학습 데이터로서 생성하는 부분열 생성부를 구비한다. 또한, 이상 검지 장치는, 학습 데이터를 이용하여, 테스트 구간의 데이터점(data point)에 대응하는 확률 분포를 구하는 예측 분포 산출부와, 확률 분포를 이용하여 이상을 검지하는 이상 검지부를 구비한다.
본 발명에 따른 이상 검지 장치는, 임계값의 설정을 위한 작업 부하를 억제하여, 이상 검지의 대상물의 이상을 검지할 수 있다고 하는 효과를 달성한다.
도 1은 본 발명의 실시 형태에 따른 이상 검지 장치의 기능 구성예를 나타내는 도면이다.
도 2는 이상 검지 장치를 실현하는 컴퓨터 시스템의 구성예를 나타내는 도면이다.
도 3은 시계열 데이터의 일례를 나타내는 도면이다.
도 4는 시계열 데이터의 일례를 나타내는 도면이다.
도 5는 시계열 데이터의 일례를 나타내는 도면이다.
도 6은 이상 검지 장치에 있어서의 이상 검지 처리 절차의 일례를 나타내는 플로차트이다.
도 7은 가우스 분포의 일례를 나타내는 도면이다.
도 8은 학습 구간의 갱신 모습을 나타내는 도면이다.
도 9는 테스트 구간의 각 시점의 신뢰 구간과 이상도 스코어의 일례를 나타내는 도면이다.
이하에, 본 발명의 실시 형태에 따른 이상 검지 장치 및 이상 검지 방법을 도면에 기초하여 상세하게 설명한다. 또한, 이 실시 형태에 의해 본 발명이 한정되는 것은 아니다.
실시 형태.
도 1은 본 발명의 실시 형태에 따른 이상 검지 장치의 기능 구성예를 나타내는 도면이다. 도 1에 나타내는 바와 같이, 본 실시 형태의 이상 검지 장치(100)는, 데이터 취득부(101), 데이터 분할부(102), 부분열 생성부(103), 예측 분포 산출부(104), 신뢰 구간 산출부(105), 이상도 스코어 산출부(106) 및 이상 검지부(107)를 구비한다.
본 실시 형태의 이상 검지 장치(100)는, 이상 검지의 대상물의 상태를 나타내는 시계열 데이터를 취득하고, 취득한 시계열 데이터에 기초하여, 이상 검지의 대상물의 이상을 검지한다. 이상 검지의 대상물로서는, 공장, 화학 플랜트, 철강 플랜트, 상하수도 플랜트를 비롯한 설비, 자동차, 철도 차량, 경제 또는 경영 등에 관한 데이터를 예시할 수 있다. 시계열 데이터는 복수의 서로 다른 시간에 각각 대응하는 데이터를 포함하는 데이터열로서, 데이터의 시간 변화가 파악 가능한 데이터열이다. 시계열 데이터는 어떤 것이어도 되며, 예를 들면, 복수의 서로 다른 시간에 각각 관측된 데이터를 포함하는 데이터열이어도 되고, 복수의 서로 다른 시간에 각각 관측된 데이터가 데이터 처리된 결과를 포함하는 데이터열이어도 된다. 또한, 시계열 데이터는 제어에 이용된 피드백 데이터 등이어도 된다. 즉, 시계열 데이터는 서로 다른 시각에 대응하는 복수의 데이터점을 포함한다. 또한, 이하에서는, 데이터점은, 시각을 나타내는 시각 정보와 해당 시각에 대응하는 센서값 등의 값을, 2차원 좌표계로 나타냈을 때의 1점에 대응한다. 예를 들면, 시계열 데이터는, 일정 시간 간격으로 센서에 의해 계측된 센서값이, 센서값의 취득 시각과 함께, 나열된 데이터이다. 센서는, 예를 들면, 설비, 기기 등의 온도를 계측하는 온도 센서, 공장의 기계 장치 등이 구비하는 모터의 회전 위치를 검출하는 센서, 공장의 기계 장치의 가속도 등을 계측하는 역각(力覺) 센서, 전류 센서, 전압 센서 등이다. 경제 또는 경영 등에 관한 시계열 데이터로서는, 환율, 주가, 선물 가격의 시계열 데이터가 예시된다. 이들 데이터의 이상으로서는, 예를 들면 가격의 급락과 같은 이상이 예시된다.
시계열 데이터는, 예를 들면, 공장 라인의 기기인 가공기, 로봇 펌프 등의 제조 장치, 자동차, 철도 차량 등의 기기에 축적되어 있어도 되고, 공장, 빌딩 등의 공조 설비, 전기, 조명, 급배수 등의 제어 시스템에 축적되어 있는 데이터여도 된다. 또한, 시계열 데이터는 화력, 수력, 원자력 등의 발전 플랜트, 화학 플랜트, 철강 플랜트, 상하수도 플랜트 등의 프로세스를 제어하기 위한 제어 시스템에 축적되어 있는 데이터여도 된다. 또한, 시계열 데이터는 경제 또는 경영 등에 관한 정보 시스템에 축적되어 있는 데이터여도 된다.
도 1의 설명으로 되돌아간다. 이상 검지 장치(100)의 데이터 취득부(101)는, 이상 검지 처리에 이용하는 설정 등의 데이터의 입력을 접수한다. 데이터 취득부(101)는 시계열 데이터의 입력을 접수해도 된다. 데이터 분할부(102)는 시계열 데이터를 후술하는 학습 구간과 테스트 구간으로 분할한다. 부분열 생성부(103)는 시계열 데이터 중 학습 구간의 부분열인 학습 데이터를 생성한다.
예측 분포 산출부(104)는, 학습 데이터에 기초하여, 테스트 구간의 데이터점에 대응하는 확률 분포를 구한다. 신뢰 구간 산출부(105)는, 확률 분포에 기초하여, 테스트 구간의 데이터점에 대응하는 신뢰 구간을 산출한다. 이상도 스코어 산출부(106)는 신뢰 구간과, 테스트 구간의 시계열 데이터의 사이의 차이 정도를 나타내는 이상도 스코어를 산출한다. 이상 검지부(107)는 예측 분포 산출부(104)에 의해 산출된 확률 분포를 이용하여 이상을 검지한다. 이상 검지부(107)는, 예를 들면, 이상도 스코어에 기초하여 이상을 검지한다. 이상 검지 장치(100)의 각 부의 동작의 상세는 후술한다.
여기서, 이상 검지 장치(100)의 하드웨어 구성에 대해 설명한다. 이상 검지 장치(100)는 컴퓨터 시스템에 의해 실현된다. 도 2는 이상 검지 장치(100)를 실현하는 컴퓨터 시스템의 구성예를 나타내는 도면이다. 이 컴퓨터 시스템은 컴퓨터(20)와, 컴퓨터(20)에 접속되는 입력 장치(209) 및 디스플레이(210)를 구비한다.
컴퓨터(20)는 프로세서(201), 보조 기억 장치(202), 메모리(203), 입력 인터페이스(이하, I/F로 약칭)(204), 디스플레이 I/F(205), 경보 출력 장치(206) 및 네트워크 I/F(207)를 구비한다. 프로세서(201)는, 신호선(208)을 통해서, 보조 기억 장치(202), 메모리(203), 입력 I/F(204), 디스플레이 I/F(205), 경보 출력 장치(206) 및 네트워크 I/F(207)와 접속된다. 프로세서(201)는, 예를 들면, CPU(Central Processing Unit), MPU(Micro Processing Unit) 등이다. 보조 기억 장치(202) 및 메모리(203)는, RAM(Random Access Memory), ROM(Read Only Memory), HDD(Hard Disk Drive) 등이다.
입력 I/F(204)는, 케이블(211)을 통해서, 입력 장치(209)에 접속된다. 입력 I/F(204)는 입력 장치(209)와의 사이에서 데이터 교환을 하기 위한 회로이다. 입력 장치(209)는 유저로부터의 입력을 접수하는 장치로서, 키보드, 마우스 등을 포함한다.
디스플레이 I/F(205)는, 케이블(212)를 통해서, 디스플레이(210)에 접속된다. 디스플레이 I/F(205)는 디스플레이(210)와의 사이에서 데이터 교환을 하기 위한 회로이다. 또한, 입력 장치(209)와 디스플레이(210)는 일체화되어, 터치 패널에 의해 실현되어도 된다. 디스플레이(210)는, 출력 장치의 일례지만, 디스플레이(210)에 더하여 프린터 등의 출력 장치가, 해당 출력 장치의 I/F를 통해서 접속되어 있어도 된다.
경보 출력 장치(206)는 LED(Light Emitting Diode) 파일럿 램프를 비롯한 표시등, 스피커 등이다. 또한, 도 2에서는, 경보 출력 장치(206)가 컴퓨터(20) 내에 마련되는 예를 나타내고 있지만, 이것으로 한정되지 않고, 경보 출력 장치(206)는 디스플레이(210)와 마찬가지로 컴퓨터(20)의 외부에 마련되어, 케이블을 통해서 컴퓨터(20)와 접속되어 있어도 된다.
네트워크 I/F(207)는 외부와 통신을 행하기 위한 통신 회로로서, 유선 회선 또는 무선 회선을 통해서, 도시하지 않은 네트워크에 접속된다. 네트워크 상에는, 도시하지 않은 컴퓨터, 데이터베이스를 가지는 데이터베이스 서버 등의 다른 장치가 접속된다. 네트워크 I/F(207)는 다른 장치와의 사이에서 전자 메일의 송수신을 행하거나, 다른 장치의 데이터베이스에 격납되어 있는 데이터를 수신하거나, 다른 장치의 데이터베이스에 격납하기 위해서 데이터를 다른 장치로 송신하거나 한다.
도 1에 나타낸 이상 검지 장치(100)의 각 기능부의 기능은, 소프트웨어, 펌웨어, 또는 소프트웨어와 펌웨어의 조합에 의해 실현된다. 이상 검지 장치(100)의 각 기능부의 기능을 실현하기 위한 소프트웨어, 펌웨어, 또는 소프트웨어와 펌웨어는, 프로그램으로서 기술된다. 이 프로그램은 보조 기억 장치(202)에 기억되어 있다. 이 프로그램은 각 기능부의 절차 또는 방법을 컴퓨터(20)에 실행시키는 것이다. 상세하게는, 프로세서(201)가 프로그램을 실행함으로써, 도 1에 나타낸 이상 검지 장치(100)의 각 기능부가 실현된다. 또한, 도 1에 나타낸 이상 검지 장치(100)의 각 기능부 중 데이터 취득부(101)의 기능의 실현에는, 입력 장치(209)도 이용된다. 또한, 이상 검지부(107)의 기능의 실현에는, 디스플레이(210) 및 경보 출력 장치(206) 중의 적어도 하나가 이용된다. 이 프로그램은 기록 매체 또는 통신 매체에 의해 제공되어, 보조 기억 장치(202)에 기억되어도 된다.
상술한 시계열 데이터는, 보조 기억 장치(202)에 기억되어 있다. 예를 들면, 시계열 데이터는 다른 장치로부터 송신되어, 네트워크 I/F(207)를 통해서 보조 기억 장치(202)에 기억된다. 또는, 시계열 데이터는 기록 매체에 기록되고, 기록 매체로부터 읽어냄으로써, 보조 기억 장치(202)에 기억되어도 되고, 입력 장치(209)를 통해서 유저로부터 입력되어도 된다.
보조 기억 장치(202)에 기억되어 있는 프로그램은, 보조 기억 장치(202)로부터 메모리(203)에 로드되고, 프로세서(201)로 읽어들임으로써 실행된다. 프로그램이 실행됨으로써, 도 1에 나타내는 각 기능부의 기능이 실현된다. 또한, 프로그램의 실행시에는, 시계열 데이터 등의 프로그램의 실행에 이용되는 데이터도 보조 기억 장치(202)로부터 메모리(203)에 로드된다. 프로그램의 실행 결과는, 메모리(203)에 기입되고, 프로그램의 기술 내용에 따라서, 보조 기억 장치(202)에 기억되거나, 디스플레이 I/F(205)를 통해서 디스플레이(210)에 표시되거나, 네트워크 I/F(207)를 통해서 네트워크 상의 다른 장치에 송신되거나 한다.
입력 장치(209)는 후술하는 데이터 분할 비율 등의 이상 검지 장치(100)의 처리에 있어서 이용되는 설정 정보를 유저로부터 접수한다. 또한, 입력 장치(209)는 시계열 데이터 처리의 개시 요구, 종료 요구와 같은 처리에 관한 지시를 유저로부터 접수한다. 입력 장치(209)가 접수한 설정 정보는, 입력 I/F(204)를 통해서 보조 기억 장치(202)에 기억된다. 입력 장치(209)가 접수한 지시는, 입력 I/F(204)를 통해서 프로세서(201)에 입력된다.
다음으로, 본 실시 형태의 이상 검지 방법에 대해서 설명한다. 이하에서는, 시계열 데이터로서, 공장 라인 상에서 연속 가동하는 제조 장치에 설치된, 복수 종류의 센서에 의해 계측된 데이터를 예로 들어 설명한다. 즉, 이상 검지의 대상물이 제조 장치인 예를 설명한다. 또한, 상술한 바와 같이, 시계열 데이터는 센서에 의해 계측된 데이터로 한정되지 않는다.
도 3 내지 도 5는 시계열 데이터의 일례를 나타내는 도면이다. 도 3 내지 도 5에 나타낸 센서값(303)은, 공장 라인 상에서 연속 가동하는 제조 장치에 설치된 복수 종류의 센서에 의해 일정 주기로 계측된 데이터인 센서값이다. 센서값(303)은 각 데이터가 취득된 시각을 나타내는 시각 정보(301)와 대응지어져 있다. 도 3 내지 도 5에 나타낸 예에서는, 시각 정보(301)와 센서값(303)의 세트가 시계열 데이터이다. 도 3 내지 도 5에 나타낸 예에서는, 복수 종류의 센서는, 가속도 센서 A를 포함한다. 센서값은 가속도 센서 A에 의한 계측값으로 한정되지 않고, 제조 장치의 전류, 전압, 진동, 가속도, 압력 등의 계측값을 예시할 수 있다.
도 3 내지 도 5에서는, 센서값(303)의 각 데이터가 취득된 시각을 나타내는 시각 정보(301)와, 제조 장치의 제어의 조건을 나타내는 제어 정보(302)가, 센서값(303)과 함께 나타내지고 있다. 제어 정보(302)는, 예를 들면, 제조하는 제품의 수인 제품 제조수, 제조 조건에 관한 지령값인 레시피(recipe) 정보이다. 지령값은, 예를 들면, 이상 검지의 대상물이, 회전하는 기구인 경우에는 모터의 속도의 지령값, 용접하는 장치인 경우에는 용접시의 온도의 지령값, 레이저 가공기인 경우에는 레이저 출력 전압의 지령값이다. 레시피 정보에 대해서 설명한다. 제품에 의해서, 지령값을 몇 단계인가로 나누어 변경하는 경우가 있다. 여기에서는, 여러 개의 지령값 변경 패턴, 처리 조건의 집합 등을 레시피라고 부른다. 회전하는 기구의 예로서, 반도체 제조에 있어서의 진공 펌프를 든다. 진공 펌프에서는, 모터를 회전시킴으로써 공기를 배출시켜 진공 상태를 만든다. 반도체를 제조할 때, 약품, 가스 등을 웨이퍼에 도포한다. 제품 종류에 따라서, 약품, 가스 등의 종류가 다르다. 제품에 따라서 약품, 가스 등의 도포 타이밍이 다르며, 또한 제품에 따라서 모터의 회전 속도가 다르다. 예를 들면, 가스 투입 전에는 모터의 회전 속도는 A로 하고, 가스 투입시에는 모터의 회전 속도는 B로 하고, 가스 투입 후에는 모터의 회전 속도를 C로 한다. 이들 절차를 레시피라고 부른다. 레시피 정보는 이들 절차를 나타내는 정보이다. 도 3 내지 도 5에 나타낸 예에서는, 제어 정보(302)는 지령값 1을 포함한다. 여기에서는, 제어 정보(302)가, 시계열 데이터인 시각 정보(301) 및 센서값(303)과 함께, 상태 정보로서 기록되어 있는 것으로 한다. 상태 정보는 예를 들면 제조 장치를 제어하는 제어 장치가 기록하고 있고, 이상 검지 장치(100)가 이 제어 장치로부터 네트워크를 통해서 취득한다.
도 3 내지 도 5에 나타낸 예에서는, 시각 정보(301)가 시각에 의해 나타내지고 있지만, 시각 정보는, 시각 자체를 나타내는 것으로 한정되지 않고, 기계적으로 할당된 연속하는 번호이거나, 행렬의 행 번호 등의 수치이거나 해도 된다. 또한, 시계열 데이터가 정기적으로 취득되고 결손이 없는 것이 명백한 데이터인 경우에는, 취득 시각순으로 데이터가 나열되어 있으면, 시각 정보가 센서마다 부가되어 있지 않아도 된다. 이 경우, 시계열 데이터의 개시 시각에 대해서는, 예를 들면, 시계열 데이터가 포함되는 데이터 파일의 파일명에 기재되는 등에 의해 별도로 관리되고, 각 센서값의 취득 간격을 나타내는 정보가 관리되고 있으면, 개시 시각과, 데이터가 시계열 데이터의 몇 번째의 데이터인지에 의해, 각 데이터의 취득 시각을 알 수 있다. 시각 정보는 이와 같이 데이터점마다 부가되어 있는 것이 아니라, 간접적으로 주어져 있어도 된다.
또한, 도 3에서는, 상태 정보를 하나의 테이블로서 기재하고 있지만, 상태 정보의 형식은 도 3에 나타낸 예로 한정되지 않는다. 예를 들면, 시각 정보와 제어 정보가 하나의 테이블로서 작성되고, 시계열 데이터인 시각 정보(301)와 센서값(303)의 세트가 다른 하나의 테이블로서 작성되어 있어도 된다. 또한, 시계열 데이터도 센서의 타입마다 별개의 테이블로서 작성되어 있어도 된다. 이와 같이, 각 정보 간의 대응짓기가 가능하면, 상태 정보는 복수로 분할되어 있어도 된다.
또한, 시계열 데이터는 센서에 의해 계측된 계측값 그 자체가 아니라 요약된 요약값이어도 된다. 공장, 라인, 제조 장치 등에 따라서는, 센서에 의해 계측된 데이터를 일정한 룰에 따라서 요약한 값이 기록되어 있는 경우가 있다. 여기서 말하는 요약이란, 원래의 데이터를 이용한 처리를 행함으로써, 원래의 데이터보다 데이터량이 적은 데이터를 생성하는 것을 말한다. 요약의 구체적인 처리 내용은 특별히 제약은 없지만, 예를 들면, 통계 처리, 푸리에 변환 처리 등이어도 된다. 예를 들면, 센서가 매초 계측값을 취득하고 있고, 제조 장치의 제어 장치가 이 계측값에 기초하여, 1시간당 하나의 대표값을 생성한다. 대표값은 1시간분의 계측값의 평균값이어도 되고, 1시간분의 계측값의 중앙값이어도 되고, 1시간분의 계측값의 최빈값이어도 된다. 또한, 이상 검지 장치(100)가 센서에 의해 계측된 계측값을 취득하고, 취득한 계측값을 요약하여 시계열 데이터를 생성해도 된다.
도 3에 나타낸 예에서는, 시계열 데이터는 1초 간격의 데이터이다. 도 3에 나타낸 예에서는, 지령값 1의 값은 변경되고 있지 않다. 도 4 및 도 5에 나타낸 예에서는, 시계열 데이터는 1시간 간격의 데이터이다. 도 4에 나타낸 예에서는, 지령값 1이, 2018/12/01 14:00:00에 20에서 40으로 변경되고, 2018/12/01 16:00:00에 40에서 80으로 변경되고, 2018/12/01 17:00:00에 80에서 20으로 변경되어 있다. 이와 같이, 생산 상황 등에 따라서 지령값이 변경되는 경우도 있다. 후술하는 이상 검지 처리에 있어서, 시계열 데이터의 경향을 예측하기 쉽도록, 지령값에 따라서 데이터를 추출하고, 지령값마다의 시계열 데이터를 이용하여 이상 검지 처리를 행할 수 있다. 이와 같은 경우, 동일한 동작 조건, 즉 지령값 1의 값이 동일한 데이터를 추출하면, 추출된 데이터에는 결손이 발생한다. 예를 들면, 도 4에 나타낸 예에서, 지령값 1의 값이 20인 것을 추출하면, 2018/12/01 14:00:00부터 2018/12/01 16:00:00까지의 3개의 시점에 대응하는 데이터가 결손되게 된다.
또한, 설비의 가동 상태, 통전 상태에 따라서는, 일정 주기로 취득되어 있어야 할 계측값이 취득되지 않았거나, 설비의 메인터넌스 등으로 계측 자체가 행해지지 않았거나 함으로써, 데이터에 결핍이 발생하는 경우가 있다. 도 5는 시계열 데이터에 결핍이 발생한 예를 나타내고 있다. 도 5에 나타낸 예에서는, 2018/12/01 14:00:00와 2018/12/01 15:00:00의 2개의 시점에 대응하는 데이터가 결핍되어 있다.
도 4에 나타낸 예에서 지령값마다 데이터를 추출했을 경우, 및 도 5에 나타낸 바와 같이 원래의 데이터에 결핍이 발생하고 있는 경우 등과 같이 시계열 데이터에 결핍이 발생하고 있는 경우, 이상 검지 장치(100)는, 후술하는 바와 같이, 보간(補間) 처리에 의해, 결핍된 데이터를 보간해도 된다.
도 6은 이상 검지 장치(100)에 있어서의 이상 검지 처리 절차의 일례를 나타내는 플로차트이다. 먼저, 데이터 취득부(101)는 처리 대상의 시계열 데이터의 선택을 접수한다(스텝 S1). 상술한 바와 같이, 복수 종류의 센서의 계측값이 시계열 데이터로서 이용되는 경우, 시계열 데이터는 센서마다 생성된다. 스텝 S1에서는, 유저로부터, 이들 시계열 데이터 중 어느 것을 처리 대상으로 할지의 선택을 접수한다. 이때, 데이터 취득부(101)는, 디스플레이(210)에, 선택 가능한 시계열 데이터를 식별하는 정보, 예를 들면, 시계열 데이터에 대응하는 센서를 나타내는 명칭 등을 표시하고, 표시된 명칭 중에서 유저에 의한 선택을 접수하도록 해도 된다. 또한, 처리 대상의 시계열 데이터로서 센서의 종류만이 아니라, 처리 대상의 기간의 선택도 접수하도록 해도 된다. 유저는, 입력 장치(209)를 조작함으로써, 표시된 명칭 중에서 처리 대상으로 할 시계열 데이터에 대응하는 명칭을 선택한다. 또한, 데이터 취득부(101)는, 스텝 S1에서, 처리 조건의 입력도 접수하도록 해도 된다. 처리 조건으로서는, 예를 들면, 상술한 바와 같이 지령값마다 데이터를 추출한 처리를 할지를 지정하는 것을 들 수 있다. 지령값마다 데이터를 추출한 처리를 할지가 지정되었을 경우에는, 어느 지령값에 대응하는 데이터를 처리 대상으로 할지도 처리 조건이 된다.
스텝 S1 후, 데이터 취득부(101)는 처리 조건에 따른 전처리를 실시한다(스텝 S2). 처리 조건이 정해져 있지 않은 경우에는, 데이터 취득부(101)는, 전처리로서, 상태 정보로부터 스텝 S1에서 지정된 처리 대상의 시계열 데이터를 추출하는 처리를 행한다. 또한, 처리 조건으로서 스텝 S1에서 지령값마다 데이터를 추출하는 처리를 하는 것이 지정되었을 경우에는, 데이터 취득부(101)는, 전처리로서, 처리 대상의 시계열 데이터로부터 스텝 S2에서 지령된 지령값에 대응하는 데이터를 추출한다. 또한, 데이터 취득부(101)는, 시계열 데이터에 결핍이 있는 경우, 전처리로서, 보간 처리에 의해 결핍된 데이터를 보충해도 된다.
또한, 데이터 취득부(101)는 학습 구간과 테스트 구간의 비율을 접수한다(스텝 S3). 본 실시 형태에서는, 후술하는 바와 같이 시계열 데이터를 학습 구간과 테스트 구간으로 분할하고, 학습 구간의 시계열 데이터를 이용하여 테스트 구간의 데이터를 예측한다. 스텝 S3에서는, 데이터 취득부(101)는, 이 분할시에 이용하는 학습 구간과 테스트 구간의 비율의 입력을, 유저로부터 접수한다. 학습 구간과 테스트 구간은, 데이터에 대응하는 시간 길이의 비여도 되고, 데이터점 수의 비여도 되지만, 여기에서는, 상술한 바와 같이 시계열 데이터에 결핍이 있는 경우를 고려하여 데이터점 수의 비를 이용하는 것으로 한다.
다음으로, 데이터 분할부(102)는, 학습 구간과 테스트 구간의 비율에 기초하여, 시계열 데이터를 학습 구간과 테스트 구간으로 분할한다(스텝 S4). 상세하게는, 데이터 분할부(102)는, 학습 구간과 테스트 구간의 비율에 기초하여, 시계열 데이터를 학습 구간과 테스트 구간으로 분할하는 분할 위치를 산출한다. 예를 들면, 처리 대상의 시계열 데이터의 데이터점 수가 Nall이며, 학습 구간과 테스트 구간의 비율이, 학습 구간：테스트 구간이 Rt：Rd인 것으로 한다. 이때, 데이터 분할부(102)는 Nall개의 데이터 중, 처음의 Nall×(Rt/(Rt+Rd))개의 데이터를 학습 구간으로 하고, 학습 구간보다 후의 시계열 데이터를 테스트 구간으로 한다. Nall×(Rt/(Rt+Rd))가 정수가 아닌 경우에는, Nall×(Rt/(Rt+Rd))에 반올림, 버림, 올림 등의 처리를 함으로써, 학습 구간의 데이터점 수를 결정한다. 이와 같이 하여 구한 학습 구간의 데이터 길이 즉 데이터점 수를 n으로 하고, 테스트 구간의 데이터 길이를 m으로 한다. n+m=Nall이다. 시계열 데이터의 n번째와 n+1번째의 사이가 학습 구간과 테스트 구간의 분할 위치가 된다. 이와 같이, 학습 구간은, 테스트 구간보다, 시계열 데이터에 대응하는 시각이 앞이 되는 구간이다. 학습 구간의 데이터점 수, 테스트 구간의 데이터점 수를, 이하, 각각 학습 데이터 길이, 테스트 데이터 길이라고도 한다. 데이터 분할부(102)는 학습 데이터 길이, 테스트 데이터 길이를 부분열 생성부(103)에 통지한다.
다음으로, 부분열 생성부(103)는, 스텝 S4의 분할 결과, 즉 스텝 S4에서 산출된 분할 위치에 기초하여, 학습 구간의 부분열인 학습 데이터를 생성한다(스텝 S5). 즉, 부분열 생성부(103)는 시계열 데이터로부터 처음의 n점을 추출함으로써 학습 구간의 부분열을 생성하고, 시계열 데이터의 나머지의 m점을 추출함으로써 테스트 구간의 부분열을 생성한다. 부분열 생성부(103)는 생성한 학습 구간의 부분열을 예측 분포 산출부(104)에 출력한다. 또한, 후술하는 바와 같이 학습 구간은 후의 스텝 S9의 처리에서 갱신된다. 이하에서는, 스텝 S5에서 분할된 학습 구간을 초기 학습 구간이라고도 한다.
다음으로, 예측 분포 산출부(104)는, 학습 구간의 부분열인 학습 데이터를 기초로, 테스트 구간의 j시점의 확률 분포와 예측값을 구한다(스텝 S6). j는 초기 테스트 구간에 있어서의 부분열 내의 데이터의 번호를 나타내는 자연수로서, 초기값은 1이다. j시점이란, 테스트 구간에 있어서의 부분열 내의 j번째의 데이터점에 대응하는 시점 즉 j번째의 시각을 나타낸다. 구체적으로는, 첫회의 스텝 S6에서는, 예측 분포 산출부(104)는, 초기 학습 구간의 부분열인 학습 데이터를 기초로, 학습 데이터의 다음의 데이터점, 즉 선두로부터 n+1점째에 상당하는 테스트 구간의 j번째의 시점의 데이터의 확률 분포를 산출한다. 따라서, 1회째의 스텝 S6에서는, j는 1이다. 예측 분포 산출부(104)는, 예를 들면, 가우스 과정 회귀(GPR：Gaussian Process Regression)에 의한 모델을 이용하여, 학습 데이터에 기초하여, 학습 데이터의 다음의 점에 있어서의 조건부 분포를 산출한다.
가우스 과정은, n개의 데이터의 집합(x1, x2, …, xn)에 대해서, 이들 데이터에 대응하는 Y=(y1, y2, …, yn)에 있어서의 동시 분포 p(Y)가 가우스 분포를 따르는 것이다. 회귀 문제에 가우스 과정을 적용하는 것, 즉 상기의 데이터 집합에, 가우스 과정을 적용시키는 것이 가우스 과정 회귀이다. 따라서, 가우스 과정 회귀에서는, 상기한 바와 같이, n개의 데이터점 (X, Y)=(x1, y1), (x2, y2), …, (xn, yn)이 주어졌을 때, xn+1의 점에 있어서의 Y의 예측 분포로서, 조건부 분포 p(xn+1｜Y)를 구하게 된다. 또한, i=1, 2, …, n로 할 때, (xi, yi)는, 학습 구간의 i번째의 데이터점을 나타내고, xi는 시각 정보, yi는 xi에 대응하는 센서값 등의 값을 나타낸다.
상기 조건부 분포 p(xn+1｜Y)의 산출에는, 이하의 식(1)로 나타내는 동시 분포 p(Yn+1)이 필요하게 된다. 식(1)에 있어서의 Cn+1은, (n+1)×(n+1)의 공분산 행렬이며, 식(2)로 나타내는 형태로 나타낼 수 있다.
Figure pct00001
Figure pct00002
여기서, Cn은 n×n의 공분산 행렬이며, 커널 함수 k(xi, xj)를 이용하여 표현할 수 있다. 또한, j는 n+1이다. 커널 함수란, xi와 xj의 2개의 변수의 유사도 즉 상관 관계를 나타내는 함수이다. 또한, K는 k(xn, xn+1)에 상당하는 요소를 가지는 벡터이다. 또한, c는 식(3)으로 나타내는 바와 같이 스칼라이다. β는 상수이다. δij는 i=j일 때 0이 되는 변수이다. 또한, Y에는 측정 오차 등의 오차가 있고, 또한 오차가 가우스 분포를 따르는 것으로 가정한다. 이 오차는, 식(3)에 있어서의 상수 β-1과 변수δij의 곱셈 결과에 대응한다.
Figure pct00003
여기에서는, 커널 함수로서, 식(4)에 나타내는 가우스 커널을 이용하는 것으로 한다. 또한, 지수 커널 또는 선형 커널을 이용해도 되며, 커널 함수는 가우스 커널로 한정되지 않는다.
Figure pct00004
예측 분포 산출부(104)는, 상기의 식(1)~(4)를 이용하여, 학습 구간의 시계열 데이터를 (x1, y1), (x2, y2), …, (xn, yn)으로 하여 이용함으로써, yn+1의 가우스 분포인 조건부 분포 p(xn+1｜Y)의 평균값 μ와, 분산 σ2을, 식(5), 식(6)에 의해 구할 수 있다. 조건부 분포 p(xn+1｜Y)는, 식(7)에 의해 나타낼 수 있다.
Figure pct00005
Figure pct00006
Figure pct00007
xn+1에 대응하는 시점, 즉 j시점의 확률 분포는, 평균값 μ, 분산 σ2의 가우스 분포이다. 도 7은 가우스 분포의 일례를 나타내는 도면이다. 여기서, j시점의 시계열 데이터의 예측값은, 상기 가우스 분포의 평균값으로 할 수 있다. 또한, 그리고 신뢰 구간은, 예를 들면 95% 신뢰 구간으로 했을 경우, 가우스 분포에 있어서의 좌우의 2.5%를 제외하는 범위가, j시점에 있어서의 신뢰 구간으로 된다. 95% 신뢰 구간은, 참값이 신뢰 구간에 존재하는 확률이 95%가 되는 구간이다.
도 6의 설명으로 되돌아가, 예측 분포 산출부(104)는, 확률 분포를 산출한 후, 확률 분포에 기초하여 예측값, 즉 가우스 분포의 평균값을 산출한다. 또한, 예측 분포 산출부(104)는 산출한 확률 분포를 신뢰 구간 산출부(105)로 전달한다. 신뢰 구간 산출부(105)는, 확률 분포에 기초하여, j시점의 신뢰 구간을 산출한다(스텝 S7). 신뢰 구간 산출부(105)는 산출한 신뢰 구간을 보조 기억 장치(202)에 기억시킨다.
신뢰 구간 산출부(105)는 테스트 구간의 전(全) 점의 신뢰 구간을 산출했는지 여부를 판단한다(스텝 S8). 테스트 구간 중 신뢰 구간을 산출하지 않은 시점이 있는 경우(스텝 S8 No), 신뢰 구간 산출부(105)는 부분열 생성부(103)에 학습 구간을 지시하고, 부분열 생성부(103)는 학습 구간을 갱신한다(스텝 S9). 구체적으로는, 스텝 S9에서는, 부분열 생성부(103)는, 학습 구간을, 뒤로, 즉 테스트 구간측으로 1 데이터점분 슬라이드시킴으로써 학습 구간을 갱신하고, 갱신한 학습 구간의 부분열을 생성하여 예측 분포 산출부(104)에 출력한다. 스텝 S9 후, 갱신된 학습 구간에 대응하는 부분열이 학습 데이터로서 이용되어, 스텝 6에서부터의 처리가 반복된다. 학습 구간은, 스텝 S9에서 갱신되어 있으므로, 2회째 이후의 스텝 S6에서는, 갱신된 학습 구간의 다음의 데이터점에 대응하는 처리가 행해진다. 이 때문에, 스텝 S6의 j시점의 j의 값은 학습 구간의 갱신마다, 하나씩 인크리먼트되어 간다.
도 8은 학습 구간의 갱신 모습을 나타내는 도면이다. 도 8에서는, 시계열 데이터의 데이터점 수가 Nall을 20으로 하고, 학습 구간과 테스트 구간의 비율을, Rt：Rd=7：3으로 한 예를 나타내고 있다. 즉, 도 8에서는, 시계열 데이터를, 학습 구간을 70%로 테스트 구간을 30%로 되는 비율로 분할하는 예를 나타내고 있다. 이 예에서는, 학습 구간의 데이터점 수는 14이며, 테스트 구간의 데이터점 수는 6이다. 상술한 스텝 S5에서는 도면 중의 최상단에 나타내는 바와 같이, 입력인 시계열 데이터 중 왼쪽으로부터 14점이 학습 구간의 부분열이 되고, 오른쪽으로부터 6점이 테스트 구간의 부분열이 된다. 도 8에서는, 가장 오른쪽의 점이 가장 최근의 데이터를 나타낸다. 또한, 도 8에서는, 시계열 데이터로서 센서값을 예에 기재하고 있다.
도 8의 2단째의 예측 1에서는, 첫회 즉 루프 1회째의 스텝 S6에서 예측값이 산출되는 모습을 나타내고 있다. 도 8에서는, 진한 해칭의 원은 학습 구간 내의 실측값을 나타내고, 연한 해칭의 원은 테스트 구간의 실측값을 나타내고 있다. 실측값은 시계열 데이터로서 입력되는 데이터이다. 또한, 시계열 데이터는 상술한 바와 같이 실측된 값이 아니라 요약값 등인 경우도 있지만 여기에서는 센서값을 예시하고 있으므로 실측값으로 기재한다. 시계열 데이터가 요약값인 경우에는, 도 8의 실측값은 요약값이 된다. 예측 1에서는, 시계열 데이터 중 왼쪽으로부터 14점의 시점인 학습 구간 즉 초기 학습 구간에 기초하여, 사각 표시로 나타낸, 초기 학습 구간의 다음의 시점 즉 테스트 구간의 최초의 시점에 대응하는 예측값이 산출된다.
도 8의 3단째의 예측 2는, 루프 1회째의 스텝 S9에서 학습 구간이 갱신된 후의 루프 2회째의 스텝 S6에서, 예측값이 산출되는 모습을 나타내고 있다. 루프 1회째의 스텝 S9에서는, 학습 구간이, 좌측으로 1점 시프트되게 슬라이드되도록 갱신된다. 즉, 부분열 생성부(103)는, 학습 구간을, 대응하는 시각이 후의 시각으로 시프트되도록 갱신하고, 갱신 후의 학습 구간에 대응하는 부분열을 갱신 후의 학습 데이터로서 생성한다. 또한, 갱신된 학습 구간에서는, 좌측으로 1점 시프트되어 테스트 구간에 들어가는 시점에 대해서는 실측값이 아니라 예측값이 이용된다. 즉, 도 8의 3단째에서는, 갱신된 학습 구간은, 시계열 데이터 중 왼쪽에서 2번째부터 14번째까지의 13점의 실측값과, 테스트 구간의 예측값 1점을 포함한다. 이와 같이 갱신된 학습 구간은, 확률 분포에 따라서 산출되는 테스트 구간의 예측값을 포함한다. 예측 2에서는, 이 갱신된 학습 구간의 부분열을 이용하여, 갱신된 학습 구간의 다음의 시점 즉 갱신 후의 학습 구간의 다음의 데이터점인 갱신점의 확률 분포가 산출되고, 이 확률 분포에 기초하는 예측값이 산출된다. 시계열 데이터 중 왼쪽에서 2번째부터 14번째까지의 13점의 실측값과, 학습 구간 즉 초기 학습 구간에 기초하여, 사각 표시로 나타낸, 초기 학습 구간의 다음의 데이터점 즉 테스트 구간의 최초의 데이터점에 대응하는 예측값이 산출된다.
예측 2 후, 스텝 S9의 학습 구간의 갱신과 스텝 S6~S8이, 테스트 구간의 전 점의 신뢰 구간이 산출될 때까지, 즉 테스트 구간의 데이터점 수인 m회째의 예측 m이 실시될 때까지, 예측 3~예측 m의 처리가 마찬가지로 실시된다. 스텝 S9의 학습 구간의 갱신에서는, 순차적으로, 좌측으로 학습 구간이 시프트되고, 이에 따라 학습 구간에 예측값이 1점씩 추가되어 간다.
도 6의 설명으로 되돌아간다. 스텝 S8에서 Yes로 판정되었을 경우, 신뢰 구간 산출부(105)는, 이상도 스코어 산출부(106)에, 테스트 구간의 각 점의 신뢰 구간의 데이터를 전달한다. 이것에 의해, 이상도 스코어 산출부(106)는 테스트 구간의 이상도 스코어를 산출한다(스텝 S10). 이상도 스코어는 학습 데이터와 테스트 구간의 시계열 데이터 사이의 차이 정도를 나타내는 값이다. 즉, 이상도 스코어는 학습 구간에 있어서의 시계열 데이터의 거동과, 테스트 구간에 있어서의 시계열 데이터의 거동의, 상대적인 괴리 정도를 나타내는 값이다. 이상도 스코어는, 예를 들면, 0.0에서 1.0까지의 수치로 표현되고, 괴리 정도가 클수록 1.0에 가까워지는 것으로 한다. 따라서, 학습 구간에 있어서의 시계열 데이터의 거동과, 테스트 구간에 있어서의 시계열 데이터의 거동이 유사하면 이상도 스코어는 낮아진다. 또한, 이상도 스코어의 정의는 이것으로 한정되지 않고, 학습 구간에 있어서의 시계열 데이터의 거동과, 테스트 구간에 있어서의 시계열 데이터의 거동의 괴리 정도를 표현할 수 있는 것이면 된다.
여기에서는, 이상도 스코어의 구체적인 산출 방법으로서, 이상도 스코어 산출부(106)가, 테스트 구간의 실측값이 신뢰 구간 내인지 여부를 각 점에서 판정하고, 실측값이 신뢰 구간 내로 되는 데이터점 수를, 테스트 구간의 총 데이터점 수로 나눈 값을 이상도 스코어로서 산출하는 방법을 이용하는 것으로 한다. 즉, 이상도 스코어 산출부(106)는 테스트 구간의 복수의 데이터점에 대응하는 신뢰 구간과, 테스트 구간의 시계열 데이터에 기초하여 이상도 스코어를 산출한다.
도 9는 테스트 구간의 각 시점의 신뢰 구간과 이상도 스코어의 일례를 나타내는 도면이다. 도 9에서는, 테스트 구간 내에서, 파선으로 나타낸 신뢰 구간에 존재하지 않는 실측값이 5점 있고, 테스트 구간의 데이터점 수는 6이다. 이 때문에, 이상도 스코어는, 5/6=0.833…이 된다. 도 9에서는, 이상도 스코어의 소수점 셋째자리를 반올림하여 이상도 스코어를 0.83으로 기재하고 있다. 또한, 학습 데이터로서 이용한 부분열에, 결핍이 있는 경우에는, 분산 σ2의 값이 커져 확률 분포의 아래쪽 부분이 넓어지기 때문에, 신뢰 구간이 넓어져, 예측의 정확도가 저하된다. 이와 같은 예측의 정확도가 낮은 점에 관해서는, 이상도 스코어를 산출할 때에, 가중치를 부여하거나 함으로써, 예측의 정확도가 낮은 데이터의 이상 판정에의 영향을 억제할 수 있다. 예를 들면, 분산 σ2의 값이 규정값 이상(異常)인 경우에는, 이상도 스코어의 산출에 있어서 해당하는 점을 1점으로 하지 않고, 0.5점으로 한다고 하는 가중치 부여 방법이 고려된다. 이와 같이, 이상도 스코어 산출부(106)는, 예측 분포 산출부(104)로 산출된 확률 분포의 분산에 기초하여, 이상도 스코어를 산출해도 된다.
도 6의 설명으로 되돌아가, 스텝 S10 후, 이상 검지부(107)는, 이상도 스코어에 따라서, 이상의 판정 결과를 출력한다(스텝 S11). 예를 들면, 이상 검지부(107)는 이상도 스코어가 0.0 이상 또한 0.5 미만인 경우에 정상으로 판정하고, 이상도 스코어가 0.5 이상 또한 0.7 미만인 경우에, 요주의 이상으로 판정하고, 이상도 스코어가 0.7 이상인 경우에 경고가 필요한 이상으로 판정한다. 또한, 여기에서는, 요주의에 대해서도 이상의 일부로 했지만, 경고가 필요한 이상만을 이상으로 정의해도 된다. 이상 검지부(107)는, 이상의 판정 결과를, 전자 메일에 의해 네트워크 I/F(207)를 통해서 다른 장치로 송신하거나, 디스플레이 I/F(205)를 통해서 디스플레이(210)에 표시하거나 한다. 또한, 판정 결과가, 경고가 필요한 이상이었을 경우에는, 이상 검지부(107)는 경보 출력 장치(206)에 의해 경보를 발생시켜도 된다. 또한, 이상 검지부(107)는 이상도 스코어의 추이를 시계열 데이터로서 취급하고, 이 시계열 데이터를 디스플레이 I/F(205)를 통해서 디스플레이(210)에 트랜드 그래프를 표시시켜도 된다.
또한, 상술한 예에서는, 이상 검지부(107)는 이상도 스코어를 이용하여 이상을 판정했지만, 이상의 판정 방법은, 산출된 신뢰 구간 또는 예측값을 이용하는 방법, 바꿔말하면 확률 분포에 이용하여 이상을 판정하는 방법이면 되고, 상술한 예로 한정되지 않는다. 예를 들면, 이상 검지부(107)는 테스트 구간에서 신뢰 구간을 벗어난 실측값이 하나라도 있으면 이상으로 판정해도 된다. 즉, 이상 검지부(107)는 예측 분포 산출부(104)에 의해서 산출된 확률 분포에 기초하여 이상을 판정하는 것이면 된다.
또한, 이상의 예에서는, 테스트 구간의 점 수가 복수이기 때문에, 테스트 구간의 횟수분의 예측값을 구했지만, 테스트 구간이 1점인 경우에는, 첫회의 스텝 S8에서 Yes로 되기 때문에, 학습 구간의 갱신은 되지 않는다. 즉, 학습 구간의 갱신은 필수는 아니며, 부분열 생성부(103)는 시계열 데이터 중 학습 구간의 부분열을 학습 데이터로서 생성하면 된다. 그리고, 테스트 구간이 복수 점인 경우에는, 부분열 생성부(103)는 상술한 바와 같이 학습 구간의 갱신을 행한다.
또한, 이상 검지부(107)는 도 9에 나타낸 신뢰 구간과 이상도 스코어를 포함하는 정보를 디스플레이 I/F(205)를 통해서 디스플레이(210)에 표시시켜도 된다. 또한, 네트워크 I/F(207)를 통해서, 신뢰 구간과 이상도 스코어 등의 데이터를 외부의 표시기로 송신하여, 외부의 표시기에 표시시켜도 된다. 디스플레이(210) 또는 외부의 표시기에, 이들 정보를 상시 표시해 둠으로써, 공장 라인 등에 있어서, 작업자가, 이상 및 이상 징후의 유무를 리얼타임으로 확인할 수 있다.
상술한 바와 같이, 시계열 데이터가 복수 있는 경우에는, 시계열 데이터마다, 도 6에 나타낸 처리를 실시해도 되고, 특정 시계열 데이터에 관해서 도 6에 나타낸 처리를 실시해도 된다. 또한, 지령값의 값 등 제어 조건마다 시계열 데이터를 추출하여 도 6에 나타낸 처리를 실시하는 경우, 지령값의 값마다 도 6에 나타낸 처리를 실시해도 되고, 특정 지령값에 관해서 도 6에 나타낸 처리를 실시해도 된다.
또한, 리얼타임성이 불필요한 경우에는, 상술한 정보를 기록해 두고, 정기적으로 그래프로서 표시해도 된다. 본 실시 형태에서는, 시계열 데이터의 누락이 있었을 경우에 이상도 스코어의 산출시에 가중치 부여 등에 의해 대응할 수 있기 때문에, 같은 기기에서 생산 계획에 따라서 복수 종류의 지시값을 전환하는 경우여도, 지령값의 값마다 상기의 도 6에 나타낸 처리를 행할 수 있다.
본 실시 형태의 이상 검출 방법은, 이상 검지의 대상물인 공장 등의 설비, 센서의 종류, 시계열 데이터의 경향 등을 가리지 않는다. 이 때문에, 이상 검지의 대상물마다, 이상으로 판정하기 위한 임계값의 설정을 위한 평가 등을 필요로 하지 않기 때문에, 임계값의 설정을 위한 작업 부하를 억제할 수 있다. 또한, 본 실시 형태에서는, 시계열 데이터의 점진적인 변화, 경향이 급변하는 이상과 같은 변화의 경향을 기초로 이상을 검지할 수 있기 때문에, 시계열 데이터와 임계값의 단순한 비교에 의해서 이상을 검출하는 방법에 비해 다양한 이상의 검지에 대응할 수 있다. 또한, 예를 들면, 이상의 종류, 원인과 같은 상세 정보와, 이상 발생 전후에 있어서의 이상도 스코어를 연관시킴으로써, 이상의 원인 진단에도 활용할 수 있다. 이것에 의해, 이상 검지 정밀도의 향상 및, 이상 원인의 조사 부하를 삭감할 수 있다.
이상의 실시 형태에 나타낸 구성은, 본 발명 내용의 일례를 나타내는 것으로, 다른 공지 기술과 조합하는 것도 가능하며, 본 발명의 요지를 벗어나지 않는 범위에서, 구성의 일부를 생략, 변경하는 것도 가능하다.
100 : 이상 검지 장치 101 : 데이터 취득부
102 : 데이터 분할부 103 : 부분열 생성부
104 : 예측 분포 산출부 105 : 신뢰 구간 산출부
106 : 이상도 스코어 산출부 107 : 이상 검지부
201 : 프로세서 202 : 보조 기억 장치
203 : 메모리 204 : 입력 I/F
205 : 디스플레이 I/F 206 : 경보 출력 장치
207 : 네트워크 I/F 209 : 입력 장치
210 : 디스플레이

Claims (7)

  1. 시계열 데이터를, 학습 구간과 테스트 구간으로 분할하는 데이터 분할부와,
    상기 시계열 데이터 중 상기 학습 구간의 부분열을 학습 데이터로서 생성하는 부분열 생성부와,
    상기 학습 데이터를 이용하여, 상기 테스트 구간의 데이터점에 대응하는 확률 분포를 구하는 예측 분포 산출부와,
    상기 확률 분포를 이용하여 이상을 검지하는 이상 검지부를 구비하는 것을 특징으로 하는 이상 검지 장치.
  2. 청구항 1에 있어서,
    상기 확률 분포에 기초하여, 상기 테스트 구간의 데이터점에 대응하는 신뢰 구간을 산출하는 신뢰 구간 산출부와,
    상기 신뢰 구간을 이용하여, 상기 학습 데이터와 상기 테스트 구간의 상기 시계열 데이터 사이의 차이 정도를 나타내는 이상도 스코어를 산출하는 이상도 스코어 산출부를 구비하고,
    상기 이상 검지부는 상기 이상도 스코어에 기초하여 이상을 검지하는 것을 특징으로 하는 이상 검지 장치.
  3. 청구항 2에 있어서,
    상기 학습 구간은, 상기 테스트 구간보다, 상기 시계열 데이터에 대응하는 시각이 앞이 되는 구간이며,
    상기 예측 분포 산출부는, 상기 확률 분포로서, 상기 학습 구간의 다음의 데이터점에 대응하는 확률 분포를 구하고,
    상기 부분열 생성부는, 상기 학습 구간을, 대응하는 시각이 뒤의 시각으로 시프트되도록 갱신하고, 갱신 후의 학습 구간에 대응하는 부분열을 갱신 후의 학습 데이터로서 생성하고,
    상기 예측 분포 산출부는, 상기 갱신 후의 학습 데이터를 이용하여, 상기 갱신 후의 학습 구간의 다음의 데이터점인 갱신점의 확률 분포를 구하고,
    상기 신뢰 구간 산출부는, 상기 갱신점의 확률 분포에 기초하여, 상기 갱신점의 신뢰 구간을 산출하고,
    상기 이상도 스코어 산출부는 상기 테스트 구간의 복수의 데이터점에 대응하는 상기 신뢰 구간과, 상기 테스트 구간의 상기 시계열 데이터에 기초하여 상기 이상도 스코어를 산출하는 것을 특징으로 하는 이상 검지 장치.
  4. 청구항 3에 있어서,
    상기 갱신 후의 학습 구간은 상기 확률 분포에 따라서 산출되는 상기 테스트 구간의 예측값을 포함하는 것을 특징으로 하는 이상 검지 장치.
  5. 청구항 3 또는 청구항 4에 있어서,
    이상도 스코어 산출부는, 상기 테스트 구간의 상기 시계열 데이터 중, 대응하는 상기 신뢰 구간 내에 존재하지 않는 데이터의 점 수에 기초하여, 상기 이상도 스코어를 산출하는 것을 특징으로 하는 이상 검지 장치.
  6. 청구항 2 내지 청구항 5 중 어느 한 항에 있어서,
    상기 이상도 스코어 산출부는, 상기 예측 분포 산출부로 산출된 확률 분포의 분산에 기초하여, 상기 이상도 스코어를 산출하는 것을 특징으로 하는 이상 검지 장치.
  7. 이상 검지 장치에 있어서의 이상 검출 방법으로서,
    시계열 데이터를, 학습 구간과 테스트 구간으로 분할하는 제1 스텝과,
    상기 시계열 데이터 중 상기 학습 구간의 부분열을 학습 데이터로서 생성하는 제2 스텝과,
    상기 학습 데이터를 이용하여, 상기 테스트 구간의 데이터점에 대응하는 확률 분포를 구하는 제3 스텝과,
    상기 확률 분포를 이용하여 이상을 검지하는 제4 스텝을 포함하는 것을 특징으로 하는 이상 검지 방법.
KR1020217028496A 2019-03-18 2019-03-18 이상 검지 장치 및 이상 검지 방법 KR102408756B1 (ko)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2019/011158 WO2020188696A1 (ja) 2019-03-18 2019-03-18 異常検知装置および異常検知方法

Publications (2)

Publication Number Publication Date
KR20210114070A true KR20210114070A (ko) 2021-09-17
KR102408756B1 KR102408756B1 (ko) 2022-06-15

Family

ID=69568118

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020217028496A KR102408756B1 (ko) 2019-03-18 2019-03-18 이상 검지 장치 및 이상 검지 방법

Country Status (4)

Country Link
JP (1) JP6647473B1 (ko)
KR (1) KR102408756B1 (ko)
CN (1) CN113574358B (ko)
WO (1) WO2020188696A1 (ko)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113296990B (zh) * 2020-09-30 2022-06-24 阿里云计算有限公司 时序数据的异常识别方法及装置
WO2023276083A1 (ja) * 2021-06-30 2023-01-05 慎平 大杉 情報処理システム、学習済みモデル、情報処理方法、及びプログラム
JP2023044960A (ja) * 2021-09-21 2023-04-03 株式会社日立インダストリアルプロダクツ 機器診断システム
WO2024101729A1 (ko) * 2022-11-07 2024-05-16 삼성전자 주식회사 무선 통신 시스템에서 페이징 절차를 위한 방법 및 장치
CN117113009B (zh) * 2023-10-23 2024-01-16 合肥亚明汽车部件有限公司 一种数字化工厂设备运行风险预警方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013143009A (ja) * 2012-01-11 2013-07-22 Hitachi Ltd 設備状態監視方法およびその装置
KR20140011064A (ko) * 2012-07-17 2014-01-28 서울과학기술대학교 산학협력단 이상치 탐지 기법을 이용한 가상 계측 결과의 신뢰도 추정 방법
JP2015011027A (ja) 2013-07-01 2015-01-19 三菱電機株式会社 時系列データにおける異常を検出する方法
JP2018205994A (ja) * 2017-06-01 2018-12-27 株式会社東芝 時系列データ分析装置、時系列データ分析方法およびコンピュータプログラム

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5602761A (en) * 1993-12-30 1997-02-11 Caterpillar Inc. Machine performance monitoring and fault classification using an exponentially weighted moving average scheme
JP3427946B2 (ja) * 1994-04-08 2003-07-22 大和製衡株式会社 重量選別機
JP2721799B2 (ja) * 1994-04-14 1998-03-04 四国電力株式会社 機械の異常判定方法
JP2000028781A (ja) * 1998-07-09 2000-01-28 Mitsubishi Electric Corp 制御棒挿入状態監視装置
JP3821225B2 (ja) * 2002-07-17 2006-09-13 日本電気株式会社 時系列データに対する自己回帰モデル学習装置並びにそれを用いた外れ値および変化点の検出装置
JP4573036B2 (ja) * 2005-03-16 2010-11-04 オムロン株式会社 検査装置および検査方法
US8370108B2 (en) * 2007-03-22 2013-02-05 Nec Corporation Diagnostic device
JP5072693B2 (ja) * 2007-04-11 2012-11-14 キヤノン株式会社 パターン識別装置及びその制御方法、異常パターン検出装置及びその制御方法、プログラム、記憶媒体
CN101256646A (zh) * 2008-03-20 2008-09-03 上海交通大学 轿车客户需求信息聚类分析系统
JP5301310B2 (ja) * 2009-02-17 2013-09-25 株式会社日立製作所 異常検知方法及び異常検知システム
JP6573846B2 (ja) * 2016-06-01 2019-09-11 株式会社神戸製鋼所 回転機械の運転状態を診断する診断装置及び診断方法
JP6386520B2 (ja) * 2016-12-13 2018-09-05 ファナック株式会社 数値制御装置及び機械学習装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013143009A (ja) * 2012-01-11 2013-07-22 Hitachi Ltd 設備状態監視方法およびその装置
KR20140011064A (ko) * 2012-07-17 2014-01-28 서울과학기술대학교 산학협력단 이상치 탐지 기법을 이용한 가상 계측 결과의 신뢰도 추정 방법
JP2015011027A (ja) 2013-07-01 2015-01-19 三菱電機株式会社 時系列データにおける異常を検出する方法
JP2018205994A (ja) * 2017-06-01 2018-12-27 株式会社東芝 時系列データ分析装置、時系列データ分析方法およびコンピュータプログラム

Also Published As

Publication number Publication date
WO2020188696A1 (ja) 2020-09-24
CN113574358A (zh) 2021-10-29
KR102408756B1 (ko) 2022-06-15
CN113574358B (zh) 2022-09-20
JP6647473B1 (ja) 2020-02-14
JPWO2020188696A1 (ja) 2021-04-01

Similar Documents

Publication Publication Date Title
KR102408756B1 (ko) 이상 검지 장치 및 이상 검지 방법
EP3809220B1 (en) Method and system for semi-supervised deep anomaly detection for large-scale industrial monitoring systems based on time-series data utilizing digital twin simulation data
JP6148316B2 (ja) 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム
EP2905665B1 (en) Information processing apparatus, diagnosis method, and program
JP5260343B2 (ja) プラント運転状態監視方法
JP6216242B2 (ja) 異常検知方法およびその装置
JP6076751B2 (ja) 異常診断方法およびその装置
JP5538597B2 (ja) 異常検知方法及び異常検知システム
JP5301717B1 (ja) 設備状態監視方法およびその装置
US7395188B1 (en) System and method for equipment life estimation
WO2013011745A1 (ja) 設備状態監視方法およびその装置
JP7040851B2 (ja) 異常検知装置、異常検知方法及び異常検知プログラム
TWI776473B (zh) 異常診斷方法、異常診斷裝置及異常診斷程式
US11796989B2 (en) Monitoring system and monitoring method
JP2007249997A (ja) 工業プロセスの監視方法及び監視システム
JP2013143009A (ja) 設備状態監視方法およびその装置
JP5490277B2 (ja) プラント運転状態監視方法
US20190265088A1 (en) System analysis method, system analysis apparatus, and program
JP2007108107A (ja) 設備診断装置
JP2010276339A (ja) センサ診断方法およびセンサ診断装置
US10845792B2 (en) Failure diagnosis apparatus, monitoring apparatus, failure diagnosis method and recording medium
JP6347771B2 (ja) 異常診断装置、異常診断方法及び異常診断プログラム
JP5490278B2 (ja) プラント運転状態監視方法
WO2021229815A1 (ja) 情報処理装置、評価方法、および評価プログラム
JP7457752B2 (ja) データ分析システム、データ分析方法、及びプログラム

Legal Events

Date Code Title Description
A201 Request for examination
A302 Request for accelerated examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right