TW202316220A - 控制系統、資訊處理方法以及資訊處理裝置 - Google Patents

Abstract

一種結構，可根據監測對象來靈活地客制化用於異常偵測的特徵量的計算處理。控制系統包括：控制裝置，具有PLC引擎與異常偵測引擎，PLC引擎依據用戶程式來執行控制運算，異常偵測引擎參照學習完畢模型，基於由控制對象所收集的資訊而算出的特徵量來偵測控制對象產生的異常；模型生成部，由控制對象所收集的資訊的時間序列資料來生成學習完畢模型；代碼生成部，由控制對象所收集的資訊來生成特徵量計算代碼，特徵量計算代碼包含用於算出特徵量的命令，特徵量輸入至學習完畢模型；以及程式開發部，由包含特徵量計算代碼的專案來生成用戶程式。

Description

控制系統、資訊處理方法以及資訊處理裝置

本發明是有關於一種包含控制裝置的控制系統、資訊處理方法以及資訊處理裝置。

在各種生產現場，存在藉由對機械或裝置的預測性維護來提高設備運轉率的需求。所謂預測性維護，是指如下所述的維護形態，即，對機械或裝置中產生的某些異常進行偵測，在造成不得不停止設備的狀態之前，進行整修或更換等的維護作業。為了實現此種異常偵測，要求準備與監測對象相應的適當的模型。

例如，日本專利特開2019-159697號公報（專利文獻1）揭示了一種技術，提供可在控制裝置側實施借助具有可靠性的機器學習的異常偵測的環境。 [現有技術文獻] [專利文獻]

[專利文獻1]日本專利特開2019-159697號公報

[發明所欲解決之課題]

對於如上所述的模型，輸入基於自監測對象獲取的測定值的特徵量。亦存在下述情況，即：自監測對象，混合存在應作為特徵量而提取的資訊與應自特徵量中予以排除的資訊而進行測定。

因此，本發明的一個目的在於提供一種結構，可根據監測對象來靈活地客制化（customize）用於異常偵測的特徵量的計算處理。 [解決課題之手段]

依據本發明的一例的控制系統包括：控制裝置，具有PLC引擎與異常偵測引擎，所述PLC引擎依據用戶程式來執行控制運算，所述異常偵測引擎參照學習完畢模型，基於由控制對象所收集的資訊而算出的特徵量來偵測控制對象產生的異常；模型生成部，由控制對象所收集的資訊的時間序列資料來生成學習完畢模型；代碼生成部，由控制對象所收集的資訊來生成特徵量計算代碼，所述特徵量計算代碼包含用於算出特徵量的命令，所述特徵量輸入至學習完畢模型；以及程式開發部，由包含特徵量計算代碼的專案來生成用戶程式，因此，藉由任意編輯特徵量計算代碼，從而可根據監測對象來靈活地客制化用於異常偵測的特徵量的計算處理。

特徵量計算代碼亦可包含一命令，所述命令用於基於訊框變數來決定算出特徵量的區間即訊框區間的開始位置及結束位置的至少一者。根據該結構，可進行客制化，以使得可對於適當的區間算出用於異常偵測的特徵量。

控制系統亦可更包括選擇部，所述選擇部基於控制對象所收集的資訊的時間序列資料，對於多個訊框變數的各個而算出自相關係數，並且選擇所算出的自相關係數為最大的訊框變數。根據該結構，可更適當地決定用於決定訊框區間的訊框變數。

特徵量計算代碼亦可包含用於對特徵量進行平滑化的命令。根據該結構，可降低用於異常偵測的特徵量中所含的雜訊等，而提高偵測精度。

控制系統亦可更包括單位決定部，所述單位決定部基於被用於對象特徵量的計算的測定值的峰值因數，來決定與所述特徵量的平滑化相關的平滑化單位。根據該結構，可更容易地決定適合於平滑化的平滑化單位。

特徵量計算代碼亦可包含用於決定啟動異常偵測的區間的命令。根據該結構，藉由適當地設定啟動異常偵測的區間，從而可提高偵測精度。

控制系統更包括區間決定部，所述區間決定部以自表示正常狀態的集合及表示異常狀態的集合中分別去除了去除集合的集合間的分離度達到最大的方式，來決定去除集合，並且基於所決定的所述去除集合來決定要自異常偵測中排除的區間。根據該結構，可更適當地決定啟動異常偵測的區間。

控制系統亦可更包括編輯部，所述編輯部受理用戶對特徵量計算代碼的編輯。根據該結構，用戶可任意地編輯特徵量計算代碼。

依據本發明的另一例，提供一種控制系統中的資訊處理方法。資訊處理方法包括下述步驟：控制裝置依據用戶程式來執行控制運算；控制裝置參照學習完畢模型，基於由控制對象所收集的資訊而算出的特徵量來偵測控制對象產生的異常；由控制對象所收集的資訊的時間序列資料來生成學習完畢模型；由控制對象所收集的資訊來生成特徵量計算代碼，所述特徵量計算代碼包含用於算出特徵量的命令，所述特徵量輸入至學習完畢模型；以及由包含特徵量計算代碼的專案來生成用戶程式。

依據本發明的又一例，提供一種資訊處理裝置，能夠連接於用於對控制對象進行控制的控制裝置。控制裝置包括PLC引擎與異常偵測引擎，所述PLC引擎依據用戶程式來執行控制運算，所述異常偵測引擎參照學習完畢模型，基於由控制對象所收集的資訊而算出的特徵量來偵測控制對象產生的異常。資訊處理裝置包括：模型生成部，由控制對象所收集的資訊的時間序列資料來生成學習完畢模型；代碼生成部，由控制對象所收集的資訊來生成特徵量計算代碼，所述特徵量計算代碼包含用於算出特徵量的命令，所述特徵量輸入至學習完畢模型；以及程式開發部，由包含特徵量計算代碼的專案來生成用戶程式。 [發明的效果]

根據本發明，能夠提供一種結構，可根據監測對象來靈活地客制化用於異常偵測的特徵量的計算處理。

一邊參照圖式，一邊詳細說明本發明的的實施形態。再者，對於圖中的相同或相當的部分，標註同一符號並不再重複其說明。

＜A.適用例＞ 首先，對適用本發明的場景的一例進行說明。以下，作為使用機器學習的模型的適用例，對偵測機械或裝置等發生了某些異常的示例進行說明，但本發明並不限於異常偵測，亦可適用於任意的使用機器學習的模型的生成。

本說明書中，將與控制裝置所執行的控制運算直接或間接相關的任意的物體稱作「控制對象」。「控制對象」這一用語並不限於控制裝置給予指令的目標機械或裝置、及控制裝置收集資訊的目標裝置，可包含含有該些機械或裝置的任意設備或單元等。

本說明書中，「監測對象」是對偵測是否發生了某些異常的對象進行總稱的用語。「監測對象」既有時包含特定的機械或裝置，亦有時包含生產步驟等。

圖1是表示本實施形態的控制系統1的整體結構例的示意圖。參照圖1，本實施形態的控制系統1包含用於對控制對象進行控制的控制裝置100與作為可連接於控制裝置100的電腦的一例的支援裝置200，來作為主要的組件。

控制裝置100亦可作為PLC（可程式邏輯控制器）等的一種電腦而具現化。控制裝置100經由現場匯流排2而與現場裝置群10連接。現場匯流排2較佳為採用工業用的通訊協議。作為此種通訊協議，已知有EtherCAT（註冊商標）、EtherNet/IP（註冊商標）、DeviceNet（註冊商標）、CompoNet（註冊商標）等。

現場裝置群10包含自控制對象或者與控制相關的製造裝置或生產線等（以下，亦總稱作「現場」）收集輸入資料的裝置。作為此種收集輸入資料的裝置，設想有輸入繼電器或各種感測器等。現場裝置群10進而包含基於由控制裝置100所生成的指令（以下，亦稱作「輸出資料」）來對現場給予某些作用的裝置。作為此種對現場給予某些作用的裝置，設想有輸出繼電器、接觸器、伺服驅動器及伺服馬達、其他任意的致動器。該些現場裝置群10經由現場匯流排2來與控制裝置100之間交換包含輸入資料及輸出資料的資料。

圖1所示的結構例中，現場裝置群10包含遠程輸入/輸出（Input/Output，I/O）裝置12、繼電器群14、伺服驅動器18及伺服馬達20。

遠程I/O裝置12包含經由現場匯流排2來進行通訊的通訊部、以及用於進行輸入資料的收集及輸出資料的輸出的輸入/輸出部（以下，亦稱作「I/O單元」）。經藉此種I/O單元，在控制裝置100與現場之間交換輸入資料及輸出資料。圖1表示了下述示例，即，經由繼電器群14來交換數位訊號以作為輸入資料及輸出資料。

I/O單元亦可直接連接於現場匯流排。圖1中表示I/O單元16直接連接於現場匯流排2的示例。

伺服驅動器18根據來自控制裝置100的輸出資料（例如位置指令等），來驅動伺服馬達20。

如上所述，經由現場匯流排2而在控制裝置100與現場裝置群10之間交換輸入資料及輸出資料，但該些交換的資料將以數百毫秒級～數十微秒級的極短週期進行更新。再者，此種交換的資料的更新處理亦有時稱作「I/O再新處理」。

控制裝置100具有執行用於控制設備或機械等控制對象的控制運算的PLC引擎。PLC引擎相當於控制運算部，藉由執行基於輸入資料的控制運算，來決定輸出資料。控制裝置100具有時間序列資料庫（以下亦稱作「TSDB（Time Series Data Base）」）140，所述時間序列資料庫140依次保存來自現場裝置群10的輸入資料、對現場裝置群10的輸出資料、以及在控制裝置100的內部受到管理的內部資料等。以下，保存於TSDB 140中的資料亦稱作「測定值時間序列資料」。

控制裝置100構成為，將自控制對象收集的資訊適用於預先準備的學習完畢模型（以下亦簡稱作「模型」）。更具體而言，控制裝置100具有異常偵測引擎150，所述異常偵測引擎150參照模型來偵測控制對象產生的異常。對於模型，輸入由自控制對象收集的資訊而算出的特徵量，並輸出得分。異常偵測引擎150所輸出的得分是表示控制對象發生某些異常的可能性的指標。異常偵測引擎150亦可提供用於判定自模型輸出的得分的判定臨限值來作為參數。

自控制對象收集的資訊包含自現場收集的任意資訊、及在控制裝置100的內部受到管理的任意資訊。

控制裝置100既可經由上位網路6來連接於伺服器400，亦可經由現場匯流排4來與一個或多個人機介面（Human Machine Interface，HMI）500連接。

伺服器400負責對控制裝置100提供任意資訊，或者收集來自控制裝置100的資料的處理。

HMI500受理來自用戶的操作，並對控制裝置100發送與用戶操作相應的指令等，並且以圖形方式來顯示控制裝置100中的運算結果等。

作為資訊處理裝置的一例的支援裝置200提供由控制裝置100所執行的用戶程式的開發環境（程式製作編輯工具、分析器、編譯器等）、對控制裝置100及連接於控制裝置100的各種設備的參數（配置）進行設定的功能、將所生成的用戶程式發送給控制裝置100的功能、線上修正/變更在控制裝置100上執行的用戶程式等的功能等。支援裝置200亦具有用於生成安裝於控制裝置100的異常偵測引擎150所參照的模型的功能。

接下來，對本實施形態的控制系統1中的主要處理的一例進行說明。

支援裝置200自控制裝置100獲取測定值時間序列資料（（1）測定值時間序列資料）。繼而，支援裝置200基於自控制裝置100獲取的測定值時間序列資料來生成模型（（2）模型生成）。支援裝置200與模型的生成一併生成特徵量計算代碼（（3）特徵量計算代碼）。

支援裝置200由包含所生成的特徵量計算代碼的專案來生成用戶程式（（4）用戶程式生成）。最終，自支援裝置200對控制裝置100傳輸用戶程式及模型（（5）用戶程式及模型）。

特徵量計算代碼包含用於由自控制對象收集的資訊來算出對模型輸入的特徵量的命令。用戶藉由任意變更包含特徵量計算代碼的專案，從而可根據監測對象來靈活地客制化用於異常偵測的特徵量的計算處理。

＜B.硬體結構例＞ 接下來，對本實施形態的控制系統1的主要裝置的硬體結構例進行說明。

（b1：控制裝置100的硬體結構例） 圖2是表示本實施形態的控制系統1的控制裝置100的硬體結構例的方塊圖。參照圖2，控制裝置100包含中央處理單元（Central Processing Unit，CPU）或微處理單元（Micro-Processing Unit，MPU）等的處理器102、晶片組104、主記憶裝置106、二次記憶裝置108、上位網路控制器110、通用序列匯流排（Universal Serial Bus，USB）控制器112、記憶卡介面114、內部匯流排控制器122、現場匯流排控制器118、現場匯流排控制器120以及I/O單元124-1、I/O單元124-2、…。

處理器102讀出保存於二次記憶裝置108中的各種程式，並展開至主記憶裝置106中而執行，藉此來實現PLC引擎及異常偵測引擎150。晶片組104對處理器102與各組件之間的資料傳輸等進行控制。

在二次記憶裝置108中，除了用於實現PLC引擎及異常偵測引擎150的系統程式131以外，還保存有利用PLC引擎來執行的用戶程式132。二次記憶裝置108的一部分區域被利用作為TSDB 140。

上位網路控制器110對經由上位網路6的、與其他裝置之間的資料交換進行控制。USB控制器112經由USB連接來控制與支援裝置200之間的資料交換。

記憶卡介面114構成為可裝卸記憶卡116，可對記憶卡116寫入資料，並自記憶卡116讀出各種資料（用戶程式或追蹤資料等）。

內部匯流排控制器122是與搭載於控制裝置100的I/O單元124-1、I/O單元124-2、…之間交換資料的介面。

現場匯流排控制器118對經由現場匯流排2的、與其他裝置之間的資料交換進行控制。同樣地，現場匯流排控制器120對經由現場匯流排4的、與其他裝置之間的資料交換進行控制。

圖2中表示了藉由處理器102執行程式而提供所需功能的結構例，但該些提供的功能的一部分或全部亦可使用專用的硬體電路（例如，特殊應用積體電路（Application Specific Integrated Circuit，ASIC）或現場可程式閘陣列（Field-Programmable Gate Array，FPGA）等）來實現。或者，控制裝置100的主要部分亦可使用基於通用架構的硬體（例如以通用個人電腦為基礎的工業用個人電腦）來實現。此時，亦可使用虛擬技術來並行地執行用途不同的多個作業系統（Operating System，OS），並且於各OS上執行所需的應用。

（b2：支援裝置200的硬體結構例） 作為一例，本實施形態的支援裝置200是藉由使用基於通用架構的硬體（例如通用個人電腦）來執行程式而實現。

圖3是表示本實施形態的控制系統1的支援裝置200的硬體結構例的方塊圖。參照圖3，支援裝置200包含CPU或MPU等的處理器202、光學驅動器204、主記憶裝置206、二次記憶裝置208、USB控制器212、網路控制器214、輸入部216以及顯示部218。該些組件經由匯流排220而連接。

處理器202讀出保存於二次記憶裝置208中的各種程式，並展開至主記憶裝置206中而執行，藉此來實現如後所述的各種處理。

二次記憶裝置208例如包含硬碟驅動器（Hard Disk Drive，HDD）或固態硬碟（Flash Solid State Drive，SSD）等。典型的是，於二次記憶裝置208中，保存有：OS 222；PLC介面程式224，用於與控制裝置100之間交換與異常偵測功能相關的資料；開發程式226，用於進行在支援裝置200中執行的用戶程式的製作、所製作的用戶程式的除錯（debug）、系統結構的定義、各種參數的設定等；以及模型生成程式228，負責模型的生成等。在二次記憶裝置208中，亦可保存有圖3所示的程式以外的所需程式。

支援裝置200具有光學驅動器204，自非一次性地保存電腦可讀取的程式的記錄媒體205（例如數位多功能光碟（Digital Versatile Disc，DVD）等的光學記錄媒體）中，讀取保存在其中的程式並安裝至二次記憶裝置208等中。

由支援裝置200所執行的各種程式亦可經由電腦可讀取的記錄媒體205而安裝，但亦可以自網路上的任意伺服器下載的形式而安裝。而且，本實施形態的支援裝置200所提供的功能亦有時以利用OS 222所提供的模組的一部分的形式來實現。

USB控制器212經由USB連接來控制與控制裝置100之間的資料交換。網路控制器214對經由任意網路的、與其他裝置之間的資料交換進行控制。

輸入部216包含鍵盤或滑鼠等，受理用戶操作。顯示部218包含顯示器、各種指示器、列印機等，輸出來自處理器202的處理結果等。

圖3中表示了藉由處理器202執行程式而提供所需功能的結構例，但該些提供的功能的一部分或全部亦可使用專用的硬體電路（例如ASIC或FPGA等）來實現。

＜C.異常偵測＞ 接下來，對本實施形態的控制系統1中的用於實現異常偵測的結構例進行說明。

圖4的（A）及圖4的（B）是表示本實施形態的控制系統1中的用於實現異常偵測的結構例的示意圖。圖4的（A）表示使用特徵量計算部的結構例，圖4的（B）表示使用人工智慧（Artificial Intelligence，AI）庫的結構例。

參照圖4的（A），控制裝置100具有PLC引擎130、TSDB 140、異常偵測引擎150以及特徵量計算部156來作為主要的功能結構。

PLC引擎130依據根據控制對象任意製作的用戶程式132來執行控制運算。而且，PLC引擎130具有資料管理部136，所述資料管理部136用於以可自用戶程式132進行參照的形式來保持輸入資料、輸出資料及內部資料。

資料管理部136所管理的資料的值藉由I/O再新處理而每隔規定週期（I/O再新週期）進行更新。而且，資料管理部136每隔規定週期將所管理的資料中的預先指定的資料保存至TSDB 140。其結果，可自TSDB 140輸出所指定的資料的每隔規定週期的值變化即測定值時間序列資料142。

特徵量計算部156參照資料管理部136所管理的資料，每隔規定週期算出預先指定的多個特徵量152。特徵量計算部156所算出的特徵量是由資料管理部136所管理而資料而依據任意的函數來算出的值，例如可採用最大值、最小值、中間值、平均值、標準偏差、偏斜度、峰度等。再者，亦可將資料管理部136所管理的資料（測定值時間序列資料142）直接用作特徵量152。

異常偵測引擎150參照模型160，基於由自控制對象收集的資訊而算出的特徵量來偵測控制對象產生的異常。更具體而言，異常偵測引擎150基於來自特徵量計算部156的多個特徵量152，來判定異常的發生或者異常的可能性。

圖5是表示本實施形態的控制系統1中所用的模型160的一例的示意圖。參照圖5，規定將多個特徵量152分別設為次元的超空間，並且配置有表示監測對象的正常狀態的學習資料164。所輸入的多個特徵量152距學習資料164的距離相當於得分。即，得分是表示自正常狀態的剝離程度的值。基於所算出的得分是否處於預先指定的判定臨限值162以內，來判斷是否為正常狀態。

再次參照圖4的（A），異常偵測引擎150參照模型160來算出關於多個特徵量152的得分，並判斷所算出的得分是否處於判定臨限值162以內。異常偵測引擎150將所算出的得分與判定臨限值162的比較結果即判定結果154輸出至PLC引擎130（用戶程式132）。

在PLC引擎130所執行的用戶程式132中，執行與判定結果154相應的控制運算。

藉由支援裝置200中的資料分析，來決定用於算出多個特徵量152的對象的值以及要使用的函數等。通常，以可使異常偵測的精度達到最大的方式來選擇特徵量152。用於算出特徵量152的參數及設定自支援裝置200被給予至控制裝置100。

圖4的（B）中表示取代特徵量計算部156而採用AI庫134的示例。AI庫134是對特定的監測對象特有的特徵量等進行了預先定義的庫。用戶程式132中，可利用AI庫134。或者，AI庫134亦可作為一部分而編入至用戶程式132中。

AI庫134參照資料管理部136所管理的資料，每隔規定週期而算出預先定義的多個特徵量152。AI庫134所算出的多個特徵量152被提供給異常偵測引擎150。

異常偵測引擎150參照模型160來算出關於多個特徵量152的得分，並判斷所算出的得分是否處於判定臨限值162以內。異常偵測引擎150將所算出的得分與判定臨限值162的比較結果即判定結果154輸出至PLC引擎130（用戶程式132）。

此種AI庫134是藉由對監測對象的行為等進行分析而製作。作為更具體的流程，首先，自監測對象收集可測定的多個測定值時間序列資料。為了提高概化性能，必須在各種條件下進行測定。繼而，對所收集的測定值時間序列資料進行分析，探索適當的特徵量。

製作與用於算出所探索的特徵量的程式組織單元（Program Organization Unit，POU）對應的功能塊等。實際利用所製作的功能塊，確認按照規格進行運作後予以釋放（release）。

藉由利用圖4的（B）所示的AI庫134，即便是專業知識少的用戶，亦能容易地實現使用控制裝置100的異常偵測。另一方面，成為監測對象的機械或裝置等有多種多樣，對於所有的監測對象準備AI庫134並不容易。

而且，亦有時較佳為算出監測對象特有的特徵量。因此，期望一種可根據監測對象來靈活地客制化用於異常偵測的特徵量的計算處理的結構。因此，本實施形態的控制系統1在支援裝置200中生成模型160時，一併輸出供控制裝置100算出特徵量的代碼。

＜D.功能結構＞ 接下來，對本實施形態的控制系統1的、用於實現可根據監測對象來靈活地客制化用於異常偵測的特徵量的計算處理的結構的功能結構的一例進行說明。

圖6是表示本實施形態的控制系統1中的用於實現異常偵測的功能結構的一例的示意圖。參照圖6，支援裝置200包含：開發工具240，負責用戶程式132的開發等；以及資料分析/代碼生成工具250，負責模型160及特徵量計算代碼264的生成等。

典型的是，開發工具240是藉由支援裝置200的處理器202執行開發程式226而實現。而且，資料分析/代碼生成工具250是藉由支援裝置200的處理器202執行模型生成程式228而實現。

再者，為了方便說明，表示了開發工具240及資料分析/代碼生成工具250被安裝於同一支援裝置200的示例，但並不限於此，開發工具240及資料分析/代碼生成工具250亦可分別安裝於不同的資訊處理裝置。

開發工具240提供用戶程式132的開發環境。更具體而言，開發工具240根據用戶操作來製作專案242，並且藉由創建（build）專案242來生成目標（object）格式的用戶程式132。所生成的用戶程式132自支援裝置200被傳輸至控制裝置100。

本實施形態的控制系統1中，可將由資料分析/代碼生成工具250所生成的特徵量計算代碼244編入至專案242。開發工具240由包含特徵量計算代碼244的專案242來生成用戶程式132。更具體而言，開發工具240藉由創建編入有特徵量計算代碼244的專案242，從而生成包含特徵量計算模組138的用戶程式132。特徵量計算模組138是特徵量計算代碼244所創建而生成的目標格式的執行模組。

在開發工具240所提供的開發環境中，用戶亦能對所生成的特徵量計算代碼244進行適當變更。即，開發工具240具有受理用戶對特徵量計算代碼244的編輯的編輯功能。因此，亦可根據監測對象來對由資料分析/代碼生成工具250所生成的特徵量計算代碼244進行適當客制化後，生成用戶程式132。

資料分析/代碼生成工具250包含分析部252、用戶介面254、模型生成部256以及代碼生成部258。

分析部252典型的是進行特徵量計算處理、特徵量的選擇受理處理、異常偵測性能的評價處理、參數決定處理等。

用戶介面254將所獲取的測定值時間序列資料142以及分析部252得出的分析結果等提示給用戶，並且受理用戶操作。

模型生成部256由自控制對象收集的資訊的時間序列資料（測定值時間序列資料142）來生成模型。更具體而言，模型生成部256基於分析部252得出的分析結果等來生成包含學習資料164的模型160。典型的是，模型160包含：對將所選擇的多個特徵量分別設為次元的超空間進行定義的函數；以及用於算出得分的學習資料164。而且，模型生成部256還生成與模型160對應的判定臨限值162。

代碼生成部258由自控制對象收集的資訊來生成特徵量計算代碼264，所述特徵量計算代碼264包含用於算出對模型160輸入的特徵量的命令。特徵量計算代碼264除了指定用於算出特徵量的對象的值以及要使用的函數等以外，還包含算出特徵量的訊框區間、監測條件、平滑化處理等的命令。關於特徵量計算代碼264的生成處理的詳情將後述。

＜E.客制化項目＞ 接下來，對根據監測對象來靈活地客制化用於異常偵測的特徵量的計算處理的項目的一例進行說明。

作為根據監測對象來靈活地客制化用於異常偵測的特徵量的計算處理的項目的一例，對（1）訊框區間、（2）平滑化處理、（3）監測條件設定進行說明。但並不限於該些項目，可在特徵量計算代碼264中記述必須根據監測對象來客制化用於異常偵測的特徵量的計算處理的任意項目。

（e1：訊框區間） 特徵量一般是針對預先規定的固定或變動的每個訊框區間而算出。此種訊框區間亦可基於工件偵測或循環開始等的控制訊號來決定。

圖7是用於說明本實施形態的控制系統1的客制化項目中的訊框區間的設定例的圖。圖7所示的測定值時間序列資料142中，每隔規定週期反覆出現具備同樣特徵的波形。此種情況下，較佳為將出現具備同樣特徵的波形的週期決定為一個訊框區間。

例如，在異常偵測引擎150被安裝於與控制裝置100不同的裝置的情況下而無法利用工件偵測或循環開始等的控制訊號時，較佳為在可利用控制訊號的PLC引擎130（用戶程式132）中算出特徵量。因此，客制化項目包含決定訊框區間的處理。

在決定訊框區間的處理中，亦可當滿足任意的開始條件時，開始訊框區間，當滿足任意的結束條件時，或者，當再次滿足開始條件時，訊框區間結束。

（e2：平滑化處理） 例如，空氣驅動的致動器連接於自作為供給源的空氣配管分支的支管，而與其他致動器非同步地運作。因此，對作為監測對象的致動器供給的壓力有時會受到其他致動器的影響。

圖8的（A）及圖8的（B）是用於說明本實施形態的控制系統1的客制化項目中的平滑化處理的圖。圖8的（A）表示作為供給源的空氣配管中的壓力的時間序列資料的一例，圖8的（B）表示致動器運作所需的時間（動作時間）的時間序列資料的一例。

即便圖8的（A）所示的作為供給源的空氣配管中的壓力未隨時間變化，圖8的（B）所示的致動器的動作時間亦可能產生時間變動。

此種時間序列資料差生的變動會對異常偵測的精度造成影響。因此，較佳為適用適當的平滑化處理。

（e3：監測條件設定） 監測對象存在各種變動因素，因此藉由設定適當的監測條件來降低誤偵測的可能性。

圖9是用於說明本實施形態的控制系統1的客制化項目中的監測條件設定的圖。圖9表示針對每個訊框而算出的得分的時間序列資料的一例。由針對每個訊框而算出的多個特徵量來算出得分，但在動作剛剛開始後等的尚未穩定的狀態下，有時會算出超過判定臨限值的得分。對於此種偏離得分的值，較佳為設定至監測對象之外。

為了決定此種監測對象區間，可設定任意的監測條件。

＜F.處理流程＞ 接下來，對生成模型160及特徵量計算代碼244的處理流程的一例進行說明。

（f1：整體處理流程） 圖10是表示本實施形態的控制系統1中的生成模型160及特徵量計算代碼244的整體處理流程的一例的流程圖。圖10所示的各步驟是藉由支援裝置200的處理器202執行模型生成程式228而實現。

參照圖10，支援裝置200讀取自控制裝置100獲取的測定值時間序列資料142（步驟S1）。然後，支援裝置200執行訊框變數生成處理（步驟S2）。在訊框變數生成處理中，決定被用於訊框區間的決定的訊框變數（控制訊號）。

繼而，支援裝置200對於根據所決定的訊框變數而決定的每個訊框區間，由測定值時間序列資料142來算出多種特徵量（步驟S3）。支援裝置200受理所算出的多種特徵量中用戶對特徵量的選擇（步驟S4）。進而，支援裝置200受理對於所選擇的特徵量的標籤的輸入（步驟S5）。

而且，支援裝置200對根據所選擇的特徵量而算出的得分的分離度進行評價，受理監測條件的設定（步驟S6）。

最終，支援裝置200受理用戶操作，生成模型160（包含學習資料164）、判定臨限值162及特徵量計算代碼244（步驟S7）。即，支援裝置200由自控制對象收集的資訊來生成特徵量計算代碼244，所述特徵量計算代碼244包含用於算出對模型160輸入的特徵量的命令。

以上，生成模型160及特徵量計算代碼244的處理結束。

用戶將所生成的特徵量計算代碼244編入至專案242後，創建專案242而生成用戶程式132。即，支援裝置200由包含特徵量計算代碼244的專案242來生成用戶程式132。所生成的用戶程式132被傳輸給控制裝置100。

（f2：訊框變數生成處理） 接下來，對圖10的訊框變數生成處理（步驟S2）的詳情進行說明。

圖11是表示圖10的訊框變數生成處理（步驟S2）的更詳細的處理流程的流程圖。

參照圖11，支援裝置200判斷訊框變數是否已設定完畢（步驟S21）。若訊框變數已設定完畢（步驟S21中為是），則跳過以下的處理。

若訊框變數未設定完畢（步驟S21中為否），則支援裝置200選擇訊框變數的候選中的一個訊框變數（步驟S22），算出自相關係數（步驟S23）。支援裝置200判斷是否已對訊框變數的所有候選算出了自相關係數（步驟S24）。若訊框變數的候選中仍殘留尚未算出自相關係數的訊框變數的候選（步驟S24中為否），則重複步驟S22以下的處理。

若已對訊框變數的所有候選算出了自相關係數（步驟S24中為是），則支援裝置200選擇算出了所算出的自相關係數中最大的自相關係數的訊框變數（步驟S25），並基於所選擇的訊框變數的自相關係數來決定訊框週期（步驟S26）。再者，所決定的訊框週期可根據用戶操作來變更。然後，處理前進至圖10的步驟S3。

圖12的（A）及圖12的（B）是用於說明圖10的訊框變數生成處理（步驟S2）中的處理的圖。圖12的（A）表示所選擇的訊框變數的測定值時間序列資料142的一例。圖12的（B）表示所選擇的訊框變數的自相關係數的波形資料的一例。

作為圖12的（A）所示的測定值時間序列資料142的自相關係數，算出圖12的（B）所示的波形資料。自相關係數的波形資料（自相關圖（correlogram））的峰值間的時間相當於訊框週期。

如此，支援裝置200具有如下所述的選擇功能，即，基於自控制對象收集的資訊的時間序列資料，對於多個訊框變數的各個來算出自相關係數，並且選擇所算出的自相關係數為最大的訊框變數。

圖13是表示在圖10的訊框變數生成處理（步驟S2）中所提供的用戶介面畫面的一例的圖。參照圖13，形成於支援裝置200的顯示部218上的用戶介面畫面280A包含：可作為訊框變數而選擇的變數一覽區域282；時間序列資料顯示區域284，顯示關於在變數一覽區域282中受到選擇的變數的測定值時間序列資料142；以及直方圖（histogramming）顯示區域286，顯示在時間序列資料顯示區域284中所顯示的測定值時間序列資料的直方圖。

在訊框變數生成處理（步驟S2）中所決定的訊框變數被強調顯示在變數一覽區域282中（符號288）。而且，所決定的訊框週期被顯示於對話290。用戶藉由操作對話290，從而可變更所決定的訊框週期。

（f3：特徵量計算處理） 接下來，對圖10的特徵量計算處理（步驟S3）的詳情進行說明。

圖14是表示圖10的特徵量計算處理（步驟S3）的更詳細的處理流程的流程圖。

參照圖14，支援裝置200選擇要算出特徵量的測定值（變數）中的一個測定值（步驟S31），對於所選擇的測定值分別算出多種特徵量（步驟S32）。作為多種特徵量，例如可列舉最大值、最小值、中間值、平均值、標準偏差、偏斜度、峰度等。繼而，支援裝置200判斷所選擇的測定值的峰值因數是否超過預先規定的基準值（步驟S33）。峰值因數是作為（所選擇的測定值的峰值）/（所選擇的測定值的實效值）而算出。

若所選擇的測定值的峰值因數超過預先規定的基準值（步驟S33中為是），則支援裝置200決定與所選擇的測定值的峰值因數對應的平滑化單位（步驟S34），利用所決定的平滑化單位對所選擇的測定值進行平滑化後，分別算出多種特徵量（步驟S35）。例如在採用移動平均法等的情況下，平滑化單位是指成為移動平均對象的輸入值的數量。

關於峰值因數與平滑化單位的對應關係，既可預先定義，亦可依據關於峰值因數的函數來決定。

如此，支援裝置200具有如下所述的單位決定功能，即，基於被用於對象特徵量的計算的測定值的峰值因數，來決定與所述特徵量的平滑化相關的平滑化單位。

在步驟S35的執行後，或者，若所選擇的測定值的峰值因數為預先規定的基準值以下（步驟S33中為否），則支援裝置200判斷是否已對要算出特徵量的所有測定值算出了特徵量（步驟S36）。若要算出特徵量的測定值中仍殘留尚未算出特徵量的測定值（步驟S36中為否），則重複步驟S31以下的處理。

若對要算出特徵量的所有測定值算出了特徵量（步驟S36中為是），則處理前進至圖10的步驟S4。

圖15是表示在圖10的特徵量計算處理（步驟S3）中所提供的用戶介面畫面的一例的圖。參照圖15，形成於支援裝置200的顯示部218的用戶介面畫面280B包含：可作為測定值而選擇的變數一覽區域282；時間序列資料顯示區域284，顯示關於在變數一覽區域282中受到選擇的變數的測定值時間序列資料142；以及直方圖顯示區域286，顯示在時間序列資料顯示區域284中所顯示的測定值時間序列資料的直方圖。

任意選擇的測定值被強調顯示在變數一覽區域282中（符號292）。而且，所決定的平滑化單位被顯示於對話294。用戶藉由操作對話294，從而可變更所決定的平滑化單位。

（f4：監測條件的設定處理） 接下來，對圖10的監測條件的設定處理（步驟S6）的詳情進行說明。

圖16是表示圖10的監測條件的設定處理（步驟S6）的更詳細的處理流程的流程圖。

參照圖16，支援裝置200對於所選擇的特徵量算出分離度（步驟S61）。更具體而言，支援裝置200對於所選擇的特徵量，自與正常狀態對應的直方圖和與異常狀態對應的直方圖中，以分離度達到最大的方式來決定去除集合。

例如，將正常狀態的直方圖中所含的要素設為正常集合N｛｝，將異常狀態的直方圖中所含的要素設為異常集合A｛｝。以自正常集合N｛｝及異常集合A｛｝中分別去除了去除集合R｛｝的集合間（正常集合N｛｝-去除集合R｛｝與異常集合A｛｝-去除集合R｛｝之間）的分離度達到最大的方式，來決定去除集合R｛｝。

支援裝置200自正常集合及異常集合中分別將去除集合予以去除而決定為學習資料（步驟S62），且進行設定，以自監測對象區間中去除與去除集合對應的區間（步驟S63）。此時，支援裝置200亦可決定用於對所設定的監測排除區間進行定義的條件。然後，處理前進至圖10的步驟S7。

如此，支援裝置200以自表示正常狀態的集合（正常集合N｛｝）及表示異常狀態的集合（異常集合A｛｝）中分別去除了去除集合R｛｝的集合間的分離度達到最大的方式，來決定去除集合R｛｝，並且基於所決定的所述去除集合R｛｝來決定要自異常偵測中排除的區間（監測排除區間）。

圖17是表示在圖10的監測條件的設定處理（步驟S6）中所提供的用戶介面畫面的一例的圖。參照圖17，顯示於支援裝置200的顯示部218的用戶介面畫面280C包含：可作為特徵量而選擇的變數一覽區域282；時間序列資料顯示區域284，顯示關於在變數一覽區域282中受到選擇的特徵量的特徵量時間序列資料；以及直方圖顯示區域286，顯示在時間序列資料顯示區域284中所顯示的特徵量時間序列資料的直方圖。

任意選擇的特徵量被強調顯示在變數一覽區域282中（符號296）。而且，所決定的監測排除區間被顯示於對話298。用戶藉由操作對話298，從而可變更所決定的監測排除區間。

＜G.特徵量計算代碼＞ 接下來，對生成特徵量計算代碼264的處理及特徵量計算代碼264的具體例等進行說明。

圖18是表示本實施形態的控制系統1中用於生成特徵量計算代碼244的代碼模板230的一例的示意圖。參照圖18，特徵量計算代碼264是藉由將分析結果及用戶設定反映至代碼模板230中而生成。

代碼模板230是以代碼塊（code block）為基礎而構成，包含與預先規定的可客制化的內容對應的命令記述。藉由將基於分析結果及用戶設定的具體參數與命令記述加以組合，從而生成特徵量計算代碼264。

更具體而言，代碼模板230包含與初始化處理對應的代碼塊231、與監測條件對應的代碼塊232、與特徵量化對應的代碼塊233、與訊框化對應的代碼塊234、以及與平滑化對應的代碼塊235。

與初始化處理對應的代碼塊231例如包含在特徵量計算代碼244中所使用的變數的初始化等的處理。

與監測條件對應的代碼塊232例如包含對下述條件進行定義的處理，即，當監測條件中所用的變數（例如V _a1）超過預先規定的臨限值（例如T _a1）時，開始特徵量的計算處理。此時，將監測條件中所用的變數及對應的臨限值指定作為參數。如此，特徵量計算代碼244包含用於決定啟動異常偵測的區間的命令。

與特徵量化對應的代碼塊233包含下述處理，即，用於對所選擇的測定值（變數），算出自預先規定的多種特徵量中所選擇的特徵量。此時，將用於特徵量的計算的變數指定作為參數。

與訊框化對應的代碼塊234包含基於訊框變數的值等來決定訊框區間的開始位置或者結束位置的處理。此時，將決定訊框區間的開始位置或者結束位置的變數指定作為參數。如此，特徵量計算代碼244包含一命令，所述命令用於基於訊框變數來決定要算出特徵量的區間即訊框區間的開始位置及結束位置的至少一者。

與平滑化對應的代碼塊235包含用於對所算出的特徵量進行平滑化的處理。此時，將平滑化單位等指定作為參數。如此，特徵量計算代碼244包含用於對特徵量進行平滑化的命令。

特徵量計算代碼244被編入至專案242，並由開發工具240予以創建，藉此，生成目標格式的用戶程式132。

＜H. 附註＞ 如上所述的本實施形態包含如下所述的技術思想。

[結構1] 一種控制系統1，包括： 控制裝置，具有PLC引擎130與異常偵測引擎150，所述PLC引擎130依據用戶程式132來執行控制運算，所述異常偵測引擎150參照學習完畢模型160，基於由控制對象所收集的資訊而算出的特徵量156來偵測所述控制對象產生的異常； 模型生成部256，由所述控制對象所收集的資訊的時間序列資料142來生成所述學習完畢模型； 代碼生成部258，由所述控制對象所收集的資訊來生成特徵量計算代碼264，所述特徵量計算代碼264包含用於算出所述特徵量的命令，所述特徵量輸入至所述學習完畢模型；以及 程式開發部240，由包含所述特徵量計算代碼的專案242來生成所述用戶程式。

[結構2] 如結構1所述的控制系統，其中 所述特徵量計算代碼包含命令234，所述命令234用於基於訊框變數來決定要算出所述特徵量的區間即訊框區間的開始位置及結束位置的至少一者。

[結構3] 如結構2所述的控制系統，更包括： 選擇部，基於所述控制對象所收集的資訊的時間序列資料，對於多個訊框變數的各個而算出自相關係數，並且選擇所算出的所述自相關係數為最大的訊框變數。

[結構4] 如結構1至結構3中任一項所述的控制系統，其中 所述特徵量計算代碼包含用於對特徵量進行平滑化的命令235。

[結構5] 如結構4所述的控制系統，更包括： 單位決定部，基於被用於對象特徵量的計算的測定值的峰值因數，來決定與所述特徵量的平滑化相關的平滑化單位。

[結構6] 如結構1至結構5中任一項所述的控制系統，其中 所述特徵量計算代碼包含用於決定啟動異常偵測的區間的命令232。

[結構7] 如結構6所述的控制系統，更包括： 區間決定部，以自表示正常狀態的集合及表示異常狀態的集合中分別去除了去除集合的集合間的分離度達到最大的方式，來決定所述去除集合，並且基於所決定的所述去除集合來決定要自異常偵測中排除的區間。

[結構8] 如結構1至結構7中任一項所述的控制系統，更包括： 編輯部240，受理用戶對所述特徵量計算代碼的編輯。

[結構9] 一種資訊處理方法，為控制系統1中的資訊處理方法，所述資訊處理方法包括： 控制裝置100依據用戶程式132來執行控制運算的步驟； 所述控制裝置參照學習完畢模型160，基於由控制對象所收集的資訊而算出的特徵量來偵測所述控制對象產生的異常的步驟； 由所述控制對象所收集的資訊的時間序列資料來生成所述學習完畢模型的步驟S7； 由所述控制對象所收集的資訊來生成特徵量計算代碼的步驟S7，所述特徵量計算代碼包含用於算出所述特徵量的命令，所述特徵量輸入至所述學習完畢模型；以及 由包含所述特徵量計算代碼的專案來生成所述用戶程式的步驟。

[結構10] 一種資訊處理裝置200，能夠連接於用於對控制對象進行控制的控制裝置100，其中，所述控制裝置包括PLC引擎130與異常偵測引擎150，所述PLC引擎130依據用戶程式132來執行控制運算，所述異常偵測引擎150參照學習完畢模型160，基於由所述控制對象所收集的資訊而算出的特徵量156來偵測所述控制對象產生的異常，所述資訊處理裝置包括： 模型生成部256，由所述控制對象所收集的資訊的時間序列資料142來生成所述學習完畢模型； 代碼生成部258，由所述控制對象所收集的資訊來生成特徵量計算代碼264，所述特徵量計算代碼264包含用於算出所述特徵量的命令，所述特徵量輸入至所述學習完畢模型；以及 程式開發部240，由包含所述特徵量計算代碼的專案242來生成所述用戶程式。

＜I.優點＞ 根據本實施形態的控制系統1，與模型160一同生成特徵量計算代碼264，所述特徵量計算代碼264包含用於算出對模型160輸入的特徵量的命令，因此，藉由任意編輯特徵量計算代碼264，可根據監測對象來靈活地客制化用於異常偵測的特徵量的計算處理。藉由此種客制化，可提高異常偵測的精度。

應認為，此次揭示的實施形態在所有方面為例示而非限制者。本發明的範圍是由申請專利範圍而非所述說明所示，且意圖包含與申請專利範圍均等的含義及範圍內的所有變更。

1:控制系統 2、4:現場匯流排 6:上位網路 10:現場裝置群 12:遠程I/O裝置 14:繼電器群 16、124:I/O單元 18:伺服驅動器 20:伺服馬達 100:控制裝置 102、202:處理器 104:晶片組 106、206:主記憶裝置 108、208:二次記憶裝置 110:上位網路控制器 112、212:USB控制器 114:記憶卡介面 116:記憶卡 118、120:現場匯流排控制器 122:內部匯流排控制器 124-1、124-2:I/O單元 130:PLC引擎 131:系統程式 132:用戶程式 134:AI庫 136:資料管理部 138:特徵量計算模組 140:TSDB 142:測定值時間序列資料 150:異常偵測引擎 152:特徵量 154:判定結果 156:特徵量計算部 160:模型 162:臨限值 164:學習資料 200:支援裝置 204:光學驅動器 205:記錄媒體 214:網路控制器 216:輸入部 218:顯示部 220:匯流排 222:OS 224:介面程式 226:開發程式 228:模型生成程式 230:代碼模板 231、232、233、234、235:代碼塊 240:開發工具 242:專案 244、264:特徵量計算代碼 250:資料分析/代碼生成工具 252:分析部 254:用戶介面 256:模型生成部 258:代碼生成部 280A、280B、280C:用戶介面畫面 282:變數一覽區域 284:時間序列資料顯示區域 286:直方圖顯示區域 288:在訊框變數生成處理中所決定的訊框變數 290、294、298:對話 292:任意選擇的測定值 296:任意選擇的特徵量 400:伺服器 500:HMI S1～S7、S21～S26、S31～S36、S61～S63:步驟

圖1是表示本實施形態的控制系統的整體結構例的示意圖。 圖2是表示本實施形態的控制系統的控制裝置的硬體結構例的方塊圖。 圖3是表示本實施形態的控制系統的支援裝置的硬體結構例的方塊圖。 圖4的（A）及圖4的（B）是表示本實施形態的控制系統中的用於實現異常偵測的結構例的示意圖。 圖5是表示本實施形態的控制系統中所用的模型的一例的示意圖。 圖6是表示本實施形態的控制系統中的用於實現異常偵測的功能結構的一例的示意圖。 圖7是用於說明本實施形態的控制系統的客制化項目中的訊框區間的設定例的圖。 圖8的（A）及圖8的（B）是用於說明本實施形態的控制系統的客制化項目中的平滑化處理的圖。 圖9是用於說明本實施形態的控制系統的客制化項目中的監測條件設定的圖。 圖10是表示本實施形態的控制系統中的生成模型及特徵量計算代碼的整體處理流程的一例的流程圖。 圖11是表示圖10的訊框變數生成處理（步驟S2）的更詳細的處理流程的流程圖。 圖12的（A）及圖12的（B）是用於說明圖10的訊框變數生成處理（步驟S2）中的處理的圖。 圖13是表示在圖10的訊框變數生成處理（步驟S2）中所提供的用戶介面畫面的一例的圖。 圖14是表示圖10的特徵量計算處理（步驟S3）的更詳細的處理流程的流程圖。 圖15是表示在圖10的特徵量計算處理（步驟S3）中所提供的用戶介面畫面的一例的圖。 圖16是表示圖10的監測條件的設定處理（步驟S6）的更詳細的處理流程的流程圖。 圖17是表示在圖10的監測條件的設定處理（步驟S6）中所提供的用戶介面畫面的一例的圖。 圖18是表示在本實施形態的控制系統中用於生成特徵量計算代碼的代碼模板的一例的示意圖。

1:控制系統

2、4:現場匯流排

6:上位網路

10:現場裝置群

12:遠程I/O裝置

14:繼電器群

16:I/O單元

18:伺服驅動器

20:伺服馬達

100:控制裝置

140:TSDB

150:異常偵測引擎

200:支援裝置

400:伺服器

500:HMI

Claims (10)

1. 一種控制系統，包括： 控制裝置，具有可程式邏輯控制器引擎與異常偵測引擎，所述可程式邏輯控制器引擎依據用戶程式來執行控制運算，所述異常偵測引擎參照學習完畢模型，基於由控制對象所收集的資訊而算出的特徵量來偵測所述控制對象產生的異常； 模型生成部，由所述控制對象所收集的資訊的時間序列資料來生成所述學習完畢模型； 代碼生成部，由所述控制對象所收集的資訊來生成特徵量計算代碼，所述特徵量計算代碼包含用於算出所述特徵量的命令，所述特徵量輸入至所述學習完畢模型；以及 程式開發部，由包含所述特徵量計算代碼的專案來生成所述用戶程式。
2. 如請求項1所述的控制系統，其中 所述特徵量計算代碼包含一命令，所述命令用於基於訊框變數來決定要算出所述特徵量的區間即訊框區間的開始位置及結束位置的至少一者。
3. 如請求項2所述的控制系統，更包括： 選擇部，基於所述控制對象所收集的資訊的時間序列資料，對於多個訊框變數的各個而算出自相關係數，並且選擇所算出的所述自相關係數為最大的訊框變數。
4. 如請求項1至請求項3中任一項所述的控制系統，其中 所述特徵量計算代碼包含用於對特徵量進行平滑化的命令。
5. 如請求項4所述的控制系統，更包括： 單位決定部，基於被用於對象特徵量的計算的測定值的峰值因數，來決定與所述特徵量的平滑化相關的平滑化單位。
6. 如請求項1至請求項3中任一項所述的控制系統，其中 所述特徵量計算代碼包含用於決定啟動異常偵測的區間的命令。
7. 如請求項6所述的控制系統，更包括： 區間決定部，以自表示正常狀態的集合及表示異常狀態的集合中分別去除了去除集合的集合間的分離度達到最大的方式，來決定所述去除集合，並且基於所決定的所述去除集合來決定要自異常偵測中排除的區間。
8. 如請求項1至請求項3中任一項所述的控制系統，更包括： 編輯部，受理用戶對所述特徵量計算代碼的編輯。
9. 一種資訊處理方法，為控制系統中的資訊處理方法，所述資訊處理方法包括下述步驟： 控制裝置依據用戶程式來執行控制運算； 所述控制裝置參照學習完畢模型，基於由控制對象所收集的資訊而算出的特徵量來偵測所述控制對象產生的異常； 由所述控制對象所收集的資訊的時間序列資料來生成所述學習完畢模型； 由所述控制對象所收集的資訊來生成特徵量計算代碼，所述特徵量計算代碼包含用於算出所述特徵量的命令，所述特徵量輸入至所述學習完畢模型；以及 由包含所述特徵量計算代碼的專案來生成所述用戶程式。
10. 一種資訊處理裝置，能夠連接於用於對控制對象進行控制的控制裝置，其中，所述控制裝置包括可程式邏輯控制器引擎與異常偵測引擎，所述可程式邏輯控制器引擎依據用戶程式來執行控制運算，所述異常偵測引擎參照學習完畢模型，基於由所述控制對象所收集的資訊而算出的特徵量來偵測所述控制對象產生的異常，所述資訊處理裝置包括： 模型生成部，由所述控制對象所收集的資訊的時間序列資料來生成所述學習完畢模型； 代碼生成部，由所述控制對象所收集的資訊來生成特徵量計算代碼，所述特徵量計算代碼包含用於算出所述特徵量的命令，所述特徵量輸入至所述學習完畢模型；以及 程式開發部，由包含所述特徵量計算代碼的專案來生成所述用戶程式。

Images