TWI823684B - 學習裝置、異常徵兆檢測裝置、異常徵兆檢測系統、學習方法及記錄媒體 - Google Patents
學習裝置、異常徵兆檢測裝置、異常徵兆檢測系統、學習方法及記錄媒體 Download PDFInfo
- Publication number
- TWI823684B TWI823684B TW111144576A TW111144576A TWI823684B TW I823684 B TWI823684 B TW I823684B TW 111144576 A TW111144576 A TW 111144576A TW 111144576 A TW111144576 A TW 111144576A TW I823684 B TWI823684 B TW I823684B
- Authority
- TW
- Taiwan
- Prior art keywords
- data
- normal
- aforementioned
- waveform
- unit
- Prior art date
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 223
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 165
- 238000000034 method Methods 0.000 title claims description 42
- 238000007781 pre-processing Methods 0.000 claims abstract description 72
- 230000005856 abnormality Effects 0.000 claims description 165
- 238000005259 measurement Methods 0.000 claims description 52
- 208000024891 symptom Diseases 0.000 claims description 36
- 238000012545 processing Methods 0.000 description 74
- 238000013500 data storage Methods 0.000 description 62
- 230000015654 memory Effects 0.000 description 32
- 238000000605 extraction Methods 0.000 description 21
- 239000000463 material Substances 0.000 description 21
- 238000010586 diagram Methods 0.000 description 18
- 238000009499 grossing Methods 0.000 description 18
- 238000004891 communication Methods 0.000 description 12
- 230000008030 elimination Effects 0.000 description 10
- 238000003379 elimination reaction Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000001914 filtration Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 244000000626 Daucus carota Species 0.000 description 1
- 241000270295 Serpentes Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 235000005770 birds nest Nutrition 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 235000005765 wild carrot Nutrition 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Locating Faults (AREA)
- Alarm Systems (AREA)
Abstract
本揭露的學習裝置(1)係生成用於檢測異常徵兆的習得資料，該學習裝置(1)係具備：前處理部(13)，係算出N週期前差分值，該N週期前差分值係將預定時間長度設為一週期，將N設為2以上的整數時，從正常的資料之正常資料的一週期份的各點的值分別減去一週期前到N週期前的正常資料的週期內相對應各點的平均值而得的值；及第一波形解析部(14)，係使用N週期前差分值，藉由類似波形解析，生成正常波形與用於判定正常與否的正常判定臨限值作為習得資料。
Description
本揭露係有關進行用於檢測異常徵兆的機械學習的學習裝置、異常徵兆檢測裝置、異常徵兆檢測系統、學習方法及記錄媒體。
以電力系統的設備、各種工廠的設備為首的各種重要設備，由於故障的影響大，較佳為在故障發生前檢測出異常徵兆。例如，配電系統將發生的接地故障等時會伴隨某些前兆現象，而有確認此前兆現象的技術的提案。
例如，下述專利文獻1揭示一種技術，其係使用配電系統中的零相電壓及零相電流的至少一者的頻譜，利用神經網路模型進行的監督式學習，藉此推論絕緣劣化狀態。
[先前技術文獻]
[專利文獻]
[專利文獻1]：日本特開平5-122829號公報
[發明所欲解決之課題]
上述專利文獻1所述技術中，係以於瞬間接地時，零相電壓及零相電流的至少一者除了電源頻率與整數倍頻率以外，亦包含許多次諧波成分，零相電壓的頻譜呈現在電源頻率以下頻率愈低而愈大的傾向作為前提，將表現出此種特徵的信號使用作為教導信號。然而，就故障的預兆而言，不僅是此種已知波形性質的波形，而會有由於要因不同而相異的各式各樣的波形。特別是，設置在山間的配電線會因倒木、鳥巢等的影響而發生故障，此等現象造成的故障的預兆未必具有上述專利文獻1所記載的頻譜的特徵。因此，上述專利文獻1所述技術有異常徵兆的檢測精度不充分的可能性。
本揭露係鑒於上述情事而研創者，目的在於獲得可使異常徵兆的檢測精度提升的學習裝置。
[解決課題的手段]
為了解決上述課題並達成目的，本揭露的學習裝置係生成用於檢測異常徵兆的習得資料，該學習裝置係具備前處理部，該前處理部係算出N週期前差分值，該N週期前差分值係將預定時間長度設為一週期，將N設為2以上的整數時，從正常的資料之正常資料的一週期份的各點的值分別減去一週期前到N週期前的正常資料的週期內相對應各點的平均值而得的值。學習裝置更具備第一波形解析部，該第一波形解析部係使用N週期前差分值，藉由類似波形解析，生成正常波形與用於判定正常與否的正常判定臨限值作為習得資料。
[發明的功效]
本揭露的學習裝置係達到可使異常徵兆的檢測精度提升的功效。
以下，根據圖式，詳細說明實施型態的學習裝置、異常徵兆檢測裝置、異常徵兆檢測系統、學習方法及記錄媒體。
實施型態1.
圖1係顯示實施型態1的異常徵兆檢測系統的構成例的圖。本實施型態的異常徵兆檢測系統3係具備學習裝置1及異常徵兆檢測裝置2。學習裝置1係生成用於檢測異常徵兆的習得資料，異常徵兆檢測裝置2係使用學習裝置1所生成的習得資料來檢測異常徵兆。學習裝置1係例如對於感測器等所取得的時序資料進行波形解析，藉此進行用於檢測異常的學習。本實施型態的波形解析係亦稱為類似波形解析的機械學習的一例，學習時，累積成為基準的波形作為基準波形，並且決定對於表示與基準波形之間的類似度的偏離分數的臨限值。並且，本實施型態的波形解析中，檢測異常徵兆時，亦即推論是否發生異常徵兆時，係使用檢測對象的時序資料與基準波形，算出該檢測對象的時序資料中的各波形相對於基準波形的偏離分數，並根據偏離分數與藉由學習而訂定的臨限值的比較結果來檢測異常徵兆。
如圖1所示，學習裝置1係具備資料取得部11、資料記憶部12、前處理部13、第一波形解析部14、去除波形抽出部15、去除波形記憶部16及第一學習資料記憶部17。
資料取得部11係取得正常期間的時序資料並記憶至資料記憶部12。資料取得部11係例如從取得時序資料的感測器等取得測量資料。前處理部13係對資料記憶部12所記憶的時序資料進行平滑化處理、截取成視窗大小(一單位區間份的大小)、N(N為2以上的整數)週期前差分處理等前處理，並將前處理後的資料輸出至第一波形解析部14。前處理後的資料係截取成視窗大小，故資料係以一單位區間分別輸出至第一波形解析部14。以下亦將一單位區間的資料稱為單位區間資料。此外，前處理部13係將進行N週期前差分處理之前的單位區間資料輸出至去除波形抽出部15。
第一波形解析部14係藉由類似波形解析來學習正常波形。詳細而言，第一波形解析部14係算出前處理後的單位區間資料間的距離作為偏離分數，使用所算出的偏離分數，決定用於判定正常與否的正常判定臨限值，並將所決定的正常判定臨限值儲存至第一學習資料記憶部17。單位區間資料間的距離例如為DTW(Dynamic Time Warping；動態時間規整)距離、馬哈拉諾畢斯(Mahalanobis)距離、歐基里德(Euclid)距離等，可使用任意距離，惟在此就一例而言，單位區間資料間的距離係採用單位區間資料間中的各一取樣點的距離的一單位區間份的累積值。正常判定臨限值係例如根據偏離分數的標準偏差來決定。例如，第一波形解析部14係於偏離分數的標準偏差為σ時，將正常判定臨限值設為3σ。此外，第一波形解析部14係從單位區間資料中選擇要作為正常波形資料來儲存的單位區間資料，並將所選出的單位區間資料儲存至第一學習資料記憶部17作為正常波形資料。此外，第一波形解析部14係對去除波形抽出部15輸出識別資訊，該識別資訊係用於識別雖判斷為正常資料但為極少發生的波形的單位區間資料。儲存至第一學習資料記憶部17的正常波形及正常判定臨限值係用於檢測異常徵兆的習得資料。
去除波形抽出部15係將從前處理部13收到的單位區間資料中之對應於從第一波形解析部14收到的識別資訊的單位區間資料，亦即判斷為極少發生的波形的單位區間資料，分類成複數種波形種類，並分別依各波形種類來決定用以判定為正常的條件。用以判定為正常的波形條件係例如根據單位區間資料內的各取樣點的平均值、標準偏差、最大值、最小值等而決定。去除波形抽出部15係將分別對應於各種類的波形與波形條件儲存至去除波形記憶部16。去除波形抽出部15進行的處理係為了防止正常的波形被判定為異常徵兆的過度檢測，在此所謂的正常的波形係例如因某些沒有問題的事件而發生之偏離分數變大的波形。如後所述，去除波形記憶部16所儲存的資訊係在異常徵兆檢測裝置2中使用於防止過度檢測的處理。使用由去除波形抽出部15依各波形種類決定的波形條件進行的過度檢測的去除亦稱為種類個別的濾波處理。
異常徵兆檢測裝置2係具備資料取得部21、資料記憶部22、前處理部23、第一波形解析部24、過度檢測去除部25、去除波形記憶部26、第一學習資料記憶部27及檢測結果輸出部28。去除波形記憶部26係儲存與上述去除波形記憶部16所記憶的資訊相同的資訊，第一學習資料記憶部27係儲存與上述第一學習資料記憶部17所記憶的資訊相同的資訊。
資料取得部21係取得異常徵兆的檢測對象的時序資料之檢測對象資料並記憶至資料記憶部22。前處理部23係對於資料記憶部22所記憶的檢測對象資料，進行與前處理部13相同的前處理，將前處理後的資料輸出至第一波形解析部24。此外，前處理部23係將N週期前差分處理前的單位區間資料輸出至過度檢測去除部25。
第一波形解析部24係使用前處理後的單位區間資料及習得資料，藉由類似波形解析，判定是否有異常徵兆。具體而言，第一波形解析部24係將前處理後的單位區間資料與第1第一學習資料記憶部27所記憶的正常波形資料各者之間的距離以及第一學習資料記憶部27所記憶的正常判定臨限值進行比較，藉此，判定前處理後的單位區間資料是否有異常徵兆，並將判定結果輸出至過度檢測去除部25。例如，第一波形解析部24係在所算出的偏離分數中，最小的偏離分數為正常判定臨限值以上時，判定為有異常徵兆。第一波形解析部24係在判定為有異常徵兆時，亦將對應的單位區間資料輸出至過度檢測去除部25。
過度檢測去除部25係在從第一波形解析部24收到的判定結果為表示有異常徵兆的判定結果時，比較從前處理部23收到的單位區間資料與去除波形記憶部26所儲存的種類個別的波形，而判別該單位區間資料的波形種類，並使用去除波形記憶部26所儲存的正常判定條件之中與所判別出的種類對應的正常判定條件，判定該單位區間資料是否正常。過度檢測去除部25係在從第一波形解析部24收到的判定結果表示有異常徵兆但依正常判定條件判定為正常時，判定為該單位區間資料並無異常徵兆，並將判定結果輸出至檢測結果輸出部28。相對於此，過度檢測去除部25係在從第一波形解析部24收到的判定結果表示有異常徵兆且依正常判定條件判定為不正常時，判定為該單位區間資料有異常徵兆，並將判定結果輸出至檢測結果輸出部28。
此外，過度檢測去除部25係在從第一波形解析部24收到的判定結果為表示無異常徵兆的判定結果時，亦將該判定結果輸出至檢測結果輸出部28。
在此，以上所述的例中，藉由第一波形解析部24判定為有異常徵兆時的判定結果係經由過度檢測去除部25通知檢測結果輸出部28，但不限於此，藉由第一波形解析部24判定為有異常徵兆時的判定結果亦可從第一波形解析部24直接通知檢測結果輸出部28。此外，以上所述的例中，無異常徵兆時，判定結果亦輸出至檢測結果輸出部28，但不限於此，無異常徵兆時，判定結果亦可不輸出至檢測結果輸出部28。亦即，亦可為僅在檢測到異常徵兆時，才將判定結果輸出至檢測結果輸出部28。
此外，圖1所示的例中，學習裝置1與異常徵兆檢測裝置2係個別設置，但學習裝置1與異常徵兆檢測裝置2亦可一體化。此時，可不設置去除波形記憶部26而使用去除波形記憶部16取代上述去除波形記憶部26，可不設置第一學習資料記憶部27而使用第一學習資料記憶部17取代上述第一學習資料記憶部27，可不設置資料記憶部22而使用資料記憶部12取代上述資料記憶部22。此外，因資料取得部11、前處理部13及第一波形解析部14分別具有資料取得部21、前處理部23及第一波形解析部24的功能，因此，亦可不設置資料取得部21、前處理部23及第一波形解析部24。學習裝置1與異常徵兆檢測裝置2係有許多共通的處理，故一體化時，可如上所述地共用共通的部分。
本實施型態的異常徵兆檢測系統3係例如可適用於檢測配電系統的異常徵兆。圖2係顯示配電系統中的本實施型態的異常徵兆檢測系統3的配置例的圖。圖2所示的例中，異常徵兆檢測裝置2係對配電系統中連接各區間的開閉器4進行控制之稱為子局的裝置。或者，異常徵兆檢測裝置2亦可為連接至對開閉器4進行控制的子局的裝置。
近年來，從遠端對配電系統中的開閉器4進行自動控制的配線控制系統的導入持續發展，如上所述的系統中，控制開閉器4的子局係與設在遠端的母局進行通信。子局可測量配電系統的電流、電壓以監視配電系統，並且可依照來自母局的指示控制開閉器4。如此，子局係測量配電系統的電流及電壓，以異常徵兆檢測裝置2作為子局或將異常徵兆檢測裝置2連接至子局，藉此，可使用所測量得的電流及電壓來檢測配電系統的異常徵兆。子局係例如與變壓器一同設置在電線桿。
圖2所示的例中，學習裝置1為母局或連接至母局。藉此，可在學習裝置1進行學習後，將第一學習資料記憶部17及去除波形記憶部16的資料發送給異常徵兆檢測裝置2。在此，使第一學習資料記憶部17及去除波形記憶部16的資料反映給異常徵兆檢測裝置2的方法不限於本例，亦可利用別的通信網從學習裝置1發送給異常徵兆檢測裝置2，異常徵兆檢測裝置2亦可經由記錄媒體等來取得此等資料。
配電系統中，尤其在山間，配電線或其他的配電系統的設備或有因倒木、樹木的接觸、鳥、蛇等的影響而發生異常。另一方面，作業人員難以恆常地監視山間的配電系統的狀態。因此，較佳為可遠端監視配電系統的狀態、檢測異常徵兆。圖2所示的例中，由於異常徵兆檢測裝置2可對各處的配電系統進行異常徵兆的檢測，故檢測到異常徵兆時，作業人員可到現場確認而可在異常發生前進行處置。
以下說明適用於檢測配電系統的異常徵兆的例，但本實施型態的異常徵兆檢測系統3不限於此，亦可對於電力系統以外的其他設備、各種工廠的設備、其他的電氣機器中藉由感測器取得的時序資料檢測異常徵兆，異常徵兆的檢測對象的時序資料亦可為任意資料。
如上所述，各子局係測量電流及電壓。以下說明使用零相電流及零相電壓的至少一者的瞬間值的測量資料作為時序資料來進行異常徵兆的檢測的例。亦即，可使用零相電流及零相電壓之一者作為測量資料來進行異常徵兆的檢測，亦可進行以零相電流作為測量資料來檢測異常徵兆以及以零相電壓作為測量資料來檢測異常徵兆兩者。進行兩者時，例如，在任一者檢測到異常徵兆時就判定為檢測到異常徵兆。此外，零相電流及零相電壓的測量資料係以瞬間值的形式取得。亦即，本例中，取得時序資料的感測器係測量零相電流及零相電壓至少一者。例如，以充分短於配電系統的電源週期的取樣週期來取得測量資料。不論是使用零相電流還是零相電壓，處理皆相同，故以下不區別零相電流及零相電壓而記載為瞬間值的測量資料。
圖3係本實施型態的學習裝置1中進行的學習時的處理程序的一例的流程圖。學習裝置1係取得瞬間值(正常資料)(步驟S1)。詳細而言，資料取得部11取得正常期間的瞬間值的測量資料作為時序資料，並將所取得的測量資料儲存至資料記憶部12。在此，資料取得部11亦可從未圖示的其他裝置取得過去藉由感測器取得而儲存在其他裝置中之確定為正常的期間的瞬間值的測量資料，亦可取得藉由實驗而取得的瞬間值的測量資料，亦可在確認為正常的期間中從感測器取得瞬間值的測量資料。
接著，學習裝置1係進行平滑化處理(步驟S2)。詳細而言，前處理部13對資料記憶部12所儲存的測量資料，例如實施藉由一階延遲濾波器進行的平滑化。一階延遲濾波器的濾波係數可設定任意值，例如，前處理部13係將前一個取樣點與現在的取樣點的比率設定為3:1(75%:25%)來實施藉由一階延遲濾波器進行的平滑化。
接著，學習裝置1係抽出資料(步驟S3)。詳細而言，前處理部13對資料記憶部12所儲存的測量資料，抽出視窗大小的資料。詳細而言，前處理部13將平滑化處理後的測量資料依視窗大小進行劃分而生成單位區間資料。視窗大小可任意設定，在此就一例而言，設為電源週期的一週期份。但視窗大小不限於此，例如，例如亦可設定為電源週期的2週期份等其他值。
接著，學習裝置1係進行N週期前差分處理(步驟S4)。詳細而言，前處理部13對於各個視窗大小的資料之單位區間資料進行N週期前差分處理。N週期前差分處理係算出N週期前差分值的處理，該N週期前差分值係將預定時間長度設為一週期時，從正常的資料之正常資料的一週期份的各點的值分別減去一週期前到N週期前的正常資料的週期內相對應各點的平均值而得的值。更具體而言，N週期前差分處理係從現在的單位區間資料的各點的值分別減去一週期前到N週期前的相對應點的值的平均值的處理。亦即，將處理對象的單位區間資料設為第k單位區間資料，將第k單位區間資料內的第i點設為P
k,i時，N週期前差分處理能夠以下式(1)表示N週期前差分處理後的Q
k,i。
Q
k,i=P
k,i-(P
k-1,i+P
k-2,i+･･･+P
k-N,i)/N … (1)
接著，學習裝置1係進行第一波形解析(類似波形解析)(步驟S5)。詳細而言，第一波形解析部14算出前處理後的單位區間資料間的距離而算出偏離分數，並求取所算出的偏離分數的標準偏差σ。此外，正常判定臨限值設為3σ，從單位區間資料選擇要儲存作為正常判定資料的資料。在此係將正常判定臨限值設為3σ，但正常判定臨限值係例如亦可依據事先評價的結果等來決定而不限於此值。第一波形解析部14係將所選擇的正常判定資料與正常判定臨限值儲存至第一學習資料記憶部17。此外，第一波形解析部14係將要對於判斷為極少發生的正常的波形的單位區間資料進行識別的識別資訊通知去除波形抽出部15。
接著，學習裝置1係抽出過度檢測去除用的波形(步驟S6)。詳細而言，去除波形抽出部15將與通知自第一波形解析部14的識別資訊對應的單位區間資料分類成複數種波形種類，並依各波形種類決定用以判定為正常的條件之正常判定條件。並且，去除波形抽出部15係將對應的單位區間資料與正常判定條件儲存至去除波形記憶部16。藉由以上的處理而結束學習。在此，一次的學習結束後，亦可使用新取得的測量資料再次進行學習。再次進行學習時，使學習資料亦即第一學習資料記憶部17所儲存的資訊及去除波形記憶部16所儲存的資訊反映至異常徵兆檢測裝置2。具體而言，例如，將此等資訊從學習裝置1發送給異常徵兆檢測裝置2而使此等資訊反映至異常徵兆檢測裝置2。
圖4係顯示本實施型態的異常徵兆檢測裝置2中進行的推論時的處理程序的一例的流程圖。異常徵兆檢測裝置2係取得檢測對象的瞬間值(步驟S11)。詳細而言，資料取得部21取得推論對象亦即異常徵兆的檢測對象的瞬間值的測量資料。
接著，異常徵兆檢測裝置2係就檢測對象的瞬間值，實施與步驟S2至步驟S4相同的前處理(步驟S12至步驟S14)。步驟S14之後，異常徵兆檢測裝置2係實施第一波形解析(類似波形解析)(步驟S15)。詳細而言，第一波形解析部24係將前處理後的單位區間資料與第一學習資料記憶部27所記憶的正常波形資料各者之間的距離以及第一學習資料記憶部27所記憶的正常判定臨限值進行比較，而判定前處理後的單位區間資料是否有異常徵兆，並將判定結果輸出至過度檢測去除部25。
異常徵兆檢測裝置2係在第一波形解析的結果為檢測到異常徵兆時(步驟S16；是)，實施過度檢測去除(步驟S17)。詳細而言，過度檢測去除部25係在從第一波形解析部24收到的判定結果為表示有異常徵兆的判定結果時，比較從前處理部23收到的單位區間資料與去除波形記憶部26所儲存的種類個別的波形而判別該單位區間資料的波形種類，使用去除波形記憶部26所儲存的正常判定條件之中，與所判別出的種類對應的正常判定條件，判定該單位區間資料是否正常，並將判定結果輸出至檢測結果輸出部28。
接著，異常徵兆檢測裝置2係輸出檢測結果(步驟S18)。詳細而言，檢測結果輸出部28將從過度檢測去除部25收到的判定結果輸出作為檢測結果。在此，異常徵兆檢測裝置2為子局或連接於子局者，故檢測結果輸出部28係例如亦可將檢測結果發送給學習裝置1或有別於學習裝置1的母局而輸出檢測結果。此外，異常徵兆檢測裝置2具有顯示部時，亦可藉由顯示部實現檢測結果輸出部28，藉由檢測結果輸出部28顯示檢測結果而輸出檢測結果。學習裝置1或有別於學習裝置1的母局從異常徵兆檢測裝置2接收到檢測結果時，便將檢測結果顯示於圖1中省略圖示的顯示部。
未檢測到異常徵兆時(步驟S16；否)，異常徵兆檢測裝置2不實施過度檢測去除而進行步驟S18的處理。在此，如上所述，可在未檢測到異常徵兆時亦即正常時仍輸出檢測結果，亦可在檢測到異常徵兆時輸出檢測結果而未檢測到異常徵兆時不輸出檢測結果。
另外，上述例中係進行過度檢測去除，但亦可不進行過度檢測去除。此時，可不設置去除波形抽出部15、去除波形記憶部16、過度檢測去除部25、去除波形記憶部26。另外，資料記憶部22所儲存的資料例如可於經過一定期間後刪除，亦可於達一定量後從舊的資料開始刪除。
接著說明本實施型態的功效。本實施型態中，前處理部13實施平滑化處理與N週期前差分處理。圖5係用以說明本實施型態的前處理。如圖5所示，瞬間值的測量資料之原始資料係包含各式各樣的雜訊，故成為高頻率成分多的波形。因此，若以其原樣進行類似波形解析即第一波形解析，誤差便會變大，容易發生異常徵兆的誤檢測。本實施型態中，藉由進行平滑化處理，如圖5的中段所示，可獲得雜訊的影響減少的波形而可提高異常徵兆的檢測精度。此外，如圖5的下段所示，進行N週期前差分處理，將依存於電源週期的大的變化的成分去除，故比原始資料更容易檢測出實質的變化的樣子。
圖6係示意顯示本實施型態的前處理的功效的一例的圖。圖6係示意顯示本實施型態的異常徵兆檢測裝置2就檢測對象的測量資料而言分別輸入正常時對應的原始資料及出現異常徵兆時對應的原始資料所得的結果，左側顯示正常時對應的原始資料、前處理(平滑化處理及N週期前差分處理)後的資料及偏離分數，右側顯示出現異常徵兆時(圖中記載為異常)對應的原始資料、前處理(平滑化處理及N週期前差分處理)後的資料及偏離分數。圖6中，臨限值201係藉由第一波形解析而得的正常判定臨限值。如圖6所示，可知正常時，偏離分數成為臨限值201以下，而出現異常徵兆時，偏離分數超過臨限值201。藉由進行本實施型態的前處理，抑制原始資料中成為基礎部分的變化的成分的影響，變得容易檢測出實質的變化的樣子，可藉由比較偏離分數與正常判定臨限值而提高異常徵兆的檢測精度。在此，圖6係示意圖，但進行相同的使用實際資料的解析，確認了可藉由比較偏離分數與正常判定臨限值而提高異常徵兆的檢測精度。
此外，就前處理而言，本實施型態中說明了進行平滑化處理與N週期前差分處理雙方的例，但亦可不進行平滑化處理。此時，相較於不進行N週期前差分處理，仍可提高異常徵兆的檢測精度。如上所述，若前處理部13進行N週期前差分處理，第一波形解析部14使用N週期前差分值，藉由類似波形解析，生成正常波形與用於判定正常與否的正常判定臨限值作為習得資料即可，N週期前差分處理之前的平滑化處理進不進行皆可。
接著說明本實施型態的學習裝置1的硬體構成。本實施型態的學習裝置1係藉由在電腦系統上執行記述有學習裝置1中的處理的電腦程式之程式而以電腦系統作為學習裝置1來發揮功能。圖7係顯示實現本實施型態的學習裝置1的電腦系統的構成例的圖。如圖7所示，此電腦系統係具備控制部101、輸入部102、記憶部103、顯示部104、通信部105及輸出部106，上述各部係經由系統匯流排107而連接。
圖7中，控制部101係例如為CPU(Central Processing Unit；中央處理單元)等處理器，執行記述有本實施型態的學習裝置1的處理的程式。在此，控制部101的一部分亦可藉由GPU(Graphics Processing Unit；圖形處理單元)、FPGA(Field-Programmable Gate Array；可規劃邏輯閘陣列)等專用硬體而實現。輸入部102係例如由鍵盤、滑鼠等構成，用以供電腦系統的使用者進行各種資訊的輸入。記憶部103係包含RAM(Random Access Memory；隨機存取記憶體)、ROM(Read Only Memory；唯讀記憶體)等各種記憶體及硬碟等儲存裝置，記憶上述控制部101應執行的程式、處理的過程中得到的必要的資料等。此外，記憶部103亦作為程式的暫時記憶區來使用。顯示部104係由顯示器、LCD(液晶顯示面板)等構成，對電腦系統的使用者顯示各種畫面。通信部105係實施通信處理的接收機及發送機。輸出部106係印表機、揚聲器等。在此，圖7僅為一例，電腦系統的構成不限於圖7的例。
在此說明本實施型態的程式成為可執行狀態的電腦系統的動作例。對於採用上述構成的電腦系統，例如從置入未圖示的CD(Compact Disc)-ROM(Read Only Memory)(唯讀光碟)光碟機或DVD(Digital Versatile Disc)-ROM(唯讀式數位多功能影音光碟)光碟機的CD-ROM或DVD-ROM，將電腦程式安裝至記憶部103。並且，執行程式時，將從記憶部103讀出的程式儲存至記憶部103的主記憶區。在此狀態下，控制部101係依照儲存至記憶部103的程式執行本實施型態的學習裝置1的處理。
另外，上述說明中係以CD-ROM或DVD-ROM作為記錄媒體來提供記述有學習裝置1的處理的程式，但不限於此，亦可相應於電腦系統的構成、要提供的程式的大小等而例如使用經由通信部105而藉由網際網路等傳輸媒體提供的程式。
本實施型態的程式係例如使電腦系統執行下述步驟以生成用於檢測異常徵兆的習得資料：算出N週期前差分值，係從正常的資料之正常資料的一週期份的各點的值分別減去一週期前到N週期前的正常資料的週期內相對應各點的平均值而求得；及使用前N週期差分值，藉由類似波形解析，生成正常波形與用於判定正常與否的正常判定臨限值作為習得資料。
圖1中所示的前處理部13、第一波形解析部14及去除波形抽出部15係藉由圖7中所示的控制部101執行圖7中所示的記憶部103所記憶的電腦程式而實現。圖1中所示的前處理部13、第一波形解析部14及去除波形抽出部15亦使用圖7中所示的記憶部103而實現。圖1中所示的資料記憶部12、去除波形記憶部16及第一學習資料記憶部17係圖7中所示的記憶部103的一部分。圖1中所示的資料取得部11係藉由圖7中所示的通信部105及控制部101而實現。此外，學習裝置1亦可藉由複數個電腦系統而實現。例如，學習裝置1亦可藉由雲端電腦系統而實現。
異常徵兆檢測裝置2亦與學習裝置1同樣地藉由圖7所示的電腦系統而實現。圖1中所示的前處理部23、第一波形解析部24及過度檢測去除部25係藉由圖7中所示的控制部101執行圖7中所示的記憶部103所記憶的電腦程式而實現。圖1中所示的前處理部23、第一波形解析部24及過度檢測去除部25亦使用圖7中所示的記憶部103而實現。圖1中所示的資料記憶部22、去除波形記憶部26及第一學習資料記憶部27係圖7中所示的記憶部103的一部分。圖1中所示的資料取得部21係藉由圖7中所示的通信部105及控制部101而實現。此外，檢測結果輸出部28係藉由通信部105或顯示部104而實現。在此，實現異常徵兆檢測裝置2的電腦系統為上述子局時，亦可為比圖7所示的電腦系統簡易的構成，例如，亦可為從圖7所示的電腦系統移除顯示部104及輸出部106者。
如上所述，本實施型態的異常徵兆檢測系統3係藉由學習正常波形的類似波形解析來檢測異常徵兆，就學習的前處理而言，進行N週期前差分處理。藉此，可使異常徵兆的檢測精度提升。此外，藉由在前處理中進一步進行平滑化處理，可使異常徵兆的檢測精度進一步提升。
實施型態2.
圖8係顯示實施型態2的異常徵兆檢測系統的構成例的圖。本實施型態的異常徵兆檢測系統3a係具備學習裝置1a及異常徵兆檢測裝置2a。本實施型態的學習裝置1a除了具備前處理部13a、分類部18、相位對合部19、第二波形解析部41及第二學習資料記憶部42取代前處理部13、去除波形抽出部15及去除波形記憶部16之外，其餘係與實施型態1的學習裝置1相同。本實施型態的異常徵兆檢測裝置2a除了具備前處理部23a、分類部29、相位對合部30、第二波形解析部31及第二學習資料記憶部32取代前處理部23、過度檢測去除部25及去除波形記憶部26之外、其餘係與實施型態1的異常徵兆檢測裝置2相同。在此對於具有與實施型態1相同功能的構成要素標記與實施型態1相同的元件符號，並且省略重複說明。以下主要說明與實施型態1的相異點。
如實施型態1中的說明，第一波形解析部14係藉由類似波形解析來學習正常波形。本實施型態中更具備第二波形解析部41。此第二波形解析部41係使用含有異常徵兆的資料之異常徵兆資料，藉由類似波形解析，生成異常徵兆波形資料與用於判定是否有異常徵兆的異常徵兆判定臨限值。異常徵兆波形及異常徵兆判定臨限值亦為用於檢測異常徵兆的習得資料。異常徵兆波形係出現異常徵兆的波形。本實施型態中，依據第一波形解析部14的判定而檢測到異常徵兆時，使用異常徵兆波形的學習結果進行異常徵兆的檢測，取代使用由去除波形抽出部15決定的判定條件進行的波形種類個別的濾波處理。以下，與實施型態1同樣地，以使用配電系統中測量的零相電流及零相電壓的至少一者的瞬間值的測量資料作為時序資料的例來說明，惟與實施型態1同樣地，本實施型態的構成及動作亦可適用於其他時序資料。
接著說明本實施型態的動作。首先說明學習時的動作。本實施型態中，學習裝置1a亦藉由類似波形解析來學習正常波形，亦即實施圖3中所示的步驟S1至步驟S5的處理。在此，本實施型態中亦可設置實施型態1中所說明的去除波形抽出部15及去除波形記憶部16而進行步驟S6。
圖9係本實施型態的藉由類似波形解析進行的異常徵兆波形的學習的處理程序的一例的流程圖。如圖9所示，學習裝置1a係取得瞬間值(異常徵兆資料)(步驟S21)。詳細而言，資料取得部11係例如從未圖示的其他裝置取得確定有異常徵兆產生的波形的瞬間值的測量資料作為異常徵兆資料。就異常徵兆而言，例如輸入複數個短區間(例如單位區間)的資料。
接著，學習裝置1a係與實施型態1同樣進行平滑化處理(步驟S2)，並將平滑化處理後的資料輸入至分類部18。接著，學習裝置1a係進行波形分類(步驟S22)。詳細而言，分類部18對應於距離將平滑化處理後的資料分類，並將經分類的資料輸出至相位對合部19。分類部18的分類方法可使用任意方法，例如藉由K-Shape法進行分類。在此，此波形分類係用以將類似度低(距離遠)的波形分類而使異常徵兆的波形的精度提升，故若可檢測出類似度高的波形，則亦可不進行波形分類。
接著，學習裝置1a係進行相位對合(步驟S23)。詳細而言，相位對合部19進行將分類部18所輸入的複數個資料的相位對合的處理。在學習正常波形時，一般係輸入正常期間的連續的時序資料作為輸入資料，惟在學習有異常徵兆產生的波形之異常徵兆波形時，一般係輸入短區間的不連續的資料。因此，要進行用以將電源週期中的相位在複數個資料間對合的相位對合。相位對合可由操作人員在確認各波形的形狀的同時指定偏移量來進行，亦可採用其他方法進行。在此，若所輸入資料為相位已對齊的資料等情形時，亦可不進行相位對合。另外，相位對合及第二波形解析係亦可依分類部18所分類的各分組來進行。此時，亦可依各分組分別設定異常徵兆判定臨限值。
接著，學習裝置1a係進行第二波形解析(類似波形解析)(步驟S24)。詳細而言，第二波形解析部41使用相位對合部19所輸入的資料算出偏離分數，並使用所算出的偏離分數來決定用於判定是否有異常徵兆的異常徵兆判定臨限值。類似波形解析本身的處理與實施型態1的第一波形解析部14雖然輸入的資料不同，但處理相同。異常徵兆判定臨限值係例如與實施型態1同樣設定為3σ，但不限於此。第二波形解析部41係將異常徵兆波形資料與異常徵兆判定臨限值儲存至第二學習資料記憶部42。異常徵兆檢測裝置2a的第二學習資料記憶部32係記憶學習裝置1a的第二學習資料記憶部42所儲存的資訊。第二學習資料記憶部42的資訊反映給第二學習資料記憶部32的反映方法係與實施型態1的第一學習資料記憶部17的資訊反映給第一學習資料記憶部27的反映方法相同。
圖10係顯示本實施型態的異常徵兆檢測裝置2a中進行的推論時的處理程序的一例的流程圖。步驟S11至步驟S16係與實施型態1相同。惟，前處理部23a係在步驟S12之後將平滑化處理後(N週期前差分處理之前)的資料輸出至分類部29。此外，第一波形解析部24係將判定結果輸出至分類部29。步驟S16中判定為「是」時，異常徵兆檢測裝置2a係進行波形分類(步驟S31)。詳細而言，分類部29對於藉由第1波形解析部24判定為有異常徵兆的資料，根據與第二學習資料記憶部32所記憶的各分組的異常徵兆波形資料之間的距離，將檢測對象的資料分類。
接著，異常徵兆檢測裝置2a係進行相位對合(步驟S32)。詳細而言，相位對合部30進行將檢測對象的資料的相位對合於相對應的分組的異常徵兆波形資料的處理。接著，異常徵兆檢測裝置2a係進行第二波形解析(類似波形解析)(步驟S33)。詳細而言，第二波形解析部31使用相位對合後的資料與第二學習資料記憶部32所記憶的各分組的異常徵兆波形資料來算出偏離分數，偏離分數為異常徵兆判定臨限值以下時，判定為有異常徵兆，偏離分數超過異常徵兆判定臨限值時，判定為無異常徵兆。第二波形解析部31係將判定結果輸出至檢測結果輸出部28。步驟S33之後的步驟S18係與實施型態1相同。步驟S16中判定為「否」時，分類部29將第一波形解析部24的判定結果輸出至檢測結果輸出部28。在此，如上所述，於學習時進行實施型態1的步驟S6中所說明的處理時，亦可在步驟S31之前，與實施型態1同樣地進行種類個別的濾波處理，而在種類個別的濾波處理中判定為正常時，執行步驟S31。
如上所述，第二波形解析部31係在藉由第一波形解析部24判定為有異常徵兆時，使用檢測對象資料、異常徵兆波形、及異常徵兆判定臨限值，判定是否有異常徵兆。實施型態1中係藉由種類個別的濾波處理去除過度檢測，但本實施型態係藉由第二波形解析部31使用異常徵兆波形的學習結果進行類似波形解析而去除過度檢測。種類個別的濾波處理係例如將僅偶爾動作的裝置的動作特別記憶起來，而在檢測到其動作時判定為正常而予以去除，而第二波形解析部31進行的類似波形解析係僅讓與過去的異常徵兆資料類似者通過，而將此外的資料去除。亦即，第二波形解析部31進行的類似波形解析係於事故時出現特定的波形時，將具可解釋性(公知的物理定律、有導致事故的實際案例等)的波形視為異常徵兆波形學習起來，並使與其波形類似的波形以異常徵兆波形通過。因此，相較於使用種類個別的濾波處理，藉由第二波形解析部31進行的類似波形解析係可提高檢測為異常徵兆的波形的可解釋性。
在此，上述例係在第一波形解析中檢測到異常徵兆時實施第二波形解析，但亦可並行實施第一波形解析與第二波形解析，使用雙方的解析結果來檢測異常徵兆。例如，亦可在第一波形解析與第二波形解析的任一方檢測到異常徵兆時，認定最終的檢測結果為有異常徵兆，而在第一波形解析與第二波形解析雙方皆判定為正常時，認定最終結果為正常。
上述以外的本實施型態的動作係與實施型態1相同。本實施型態的學習裝置1a亦與實施型態1的學習裝置1同樣地例如藉由圖7所示的電腦系統而實現。圖8中所示的前處理部13a、分類部18、相位對合部19、第二波形解析部41係藉由圖7中所示的控制部101執行圖7中所示的記憶部103所記憶的電腦程式而實現。圖8中所示的第二學習資料記憶部42係圖7中所示的記憶部103的一部分。異常徵兆檢測裝置2a亦同樣地例如藉由圖7所示的電腦系統而實現。圖8中所示的前處理部23a、分類部29、相位對合部30、第二波形解析部31係藉由圖7中所示的控制部101執行圖7中所示的記憶部103所記憶的電腦程式而實現。圖8中所示的第二學習資料記憶部32係圖7中所示的記憶部103的一部分。
本實施型態中亦與實施型態1同樣地藉由學習正常波形的類似波形解析來檢測異常徵兆，就學習的前處理而言，進行N週期前差分處理。藉此，可使異常徵兆的檢測精度提升。
實施型態3.
圖11係顯示實施型態3的異常徵兆檢測系統的構成例的圖。本實施型態的異常徵兆檢測系統3b係具備學習裝置1b及異常徵兆檢測裝置2b。本實施型態的學習裝置1b除了具備資料取得部11a、差分解析部43及第三學習資料記憶部44取代資料取得部11、去除波形抽出部15及去除波形記憶部16之外，其餘係與實施型態1的學習裝置1相同。本實施型態的異常徵兆檢測裝置2b除了具備資料取得部21a、差分解析部33及第三學習資料記憶部34取代資料取得部21、過度檢測去除部25及去除波形記憶部26之外，其餘係與實施型態1的異常徵兆檢測裝置2相同。在此對於具有與實施型態1相同功能的構成要素標記與實施型態1相同的元件符號，並且省略重複說明。以下主要說明與實施型態1的相異點。
與實施型態1同樣地，本實施型態中，以使用配電系統中測量的測量對象的零相電流及零相電壓的至少一者的瞬間值的測量資料作為時序資料的例來說明。此外，本實施型態中，不僅取得瞬間值，亦取得有效值的測量資料。例如，與實施型態1的圖2的異常徵兆檢測裝置2同樣地，異常徵兆檢測裝置2b為控制開閉器4的子局，使用多個異常徵兆檢測裝置2b時，為了抑制成本，可能會限制異常徵兆檢測裝置2b的硬體的處理能力。瞬間值係例如對於一波形進行100次取樣時，若配電系統的電源週期為60Hz，則一秒便有6000個資料。為了恆常地使用如此的資料即時檢測異常徵兆，異常徵兆檢測裝置2b係承受較大的處理負載，若硬體的處理能力受到限制，則認為亦有處理困難的情況。另一方面，一般而言，配電系統的電壓及電流亦取得有效值的測量資料，有效值係一週期一個資料，故資料的個數少於瞬間值。
在此，本實施型態的動作不限於檢測對象的測量資料為配電系統中測量的零相電流及零相電壓的至少一者，若檢測對象的測量資料為具週期性的電流及電壓的至少一者即可適用，週期亦不限於電源頻率。
對此，本實施型態係使用有效值恆常地進行異常徵兆的檢測，藉由使用有效值進行異常徵兆的檢測而檢測到異常徵兆時，使用檢測到異常徵兆的時刻的附近的瞬間值來進行異常徵兆的檢測。藉此，既可減輕異常徵兆檢測裝置2b的處理負載，亦可使用瞬間值進行波形的詳細解析而使異常徵兆的檢測精度提升。
接著說明本實施型態的動作。首先說明學習時的動作。本實施型態中，學習裝置1b亦藉由類似波形解析來學習正常波形，亦即，實施圖3中所示的步驟S1至步驟S5的處理。在此，本實施型態中亦可設置實施型態1中所說明的去除波形抽出部15及去除波形記憶部16而進行步驟S6。
本實施型態中更使用有效值進行學習。圖12係本實施型態的使用有效值進行的學習的處理程序的一例的流程圖。如圖12所示，學習裝置1b係取得有效值(正常資料)(步驟S41)。詳細而言，資料取得部11a取得測量對象的有效值的測量資料、亦即正常期間的有效值的測量資料，並儲存至資料記憶部12。
學習裝置1b係實施一階差分值解析(步驟S42)。詳細而言，差分解析部43求取有效值的測量資料與前一個測量資料之間的差分之一階差分值。並且，使用複數個一階差分值求取標準偏差，再使用標準偏差來決定用於判定正常與否的臨限值。該臨限值亦為用於檢測異常徵兆的習得資料。例如，差分解析部43係將臨限值設為6σ。在此將臨限值設為6σ，但臨限值係例如亦可依據事先評價的結果等來決定而不限於此值。差分解析部43係將所算出的臨限值儲存至第三學習資料記憶部44。異常徵兆檢測裝置2b的第三學習資料記憶部34係記憶學習裝置1b的第三學習資料記憶部44所儲存的資訊。第三學習資料記憶部44的資訊反映給第三學習資料記憶部34的反映方法係與實施型態1的第一學習資料記憶部17的資訊反映給第一學習資料記憶部27的反映方法相同。
圖13係顯示本實施型態的異常徵兆檢測裝置2b中進行的推論時的處理程序的一例的流程圖。首先，異常徵兆檢測裝置2b係取得檢測對象的有效值(步驟S51)。詳細而言，資料取得部21a取得檢測對象的有效值，並儲存至資料記憶部22。在此，此時，資料取得部21a亦取得瞬間值，並儲存至資料記憶部22。
接著，異常徵兆檢測裝置2b係實施一階差分值解析(步驟S52)。詳細而言，差分解析部33使用資料記憶部22所儲存的有效值算出一階差分值，並比較一階差分值與第三學習資料記憶部44所儲存的臨限值。
檢測到異常徵兆時(步驟S53；是)亦即一階差分值超過臨限值時，實施與實施型態1相同的步驟S12至步驟S15，並且進行步驟S18，從第一波形解析部24將步驟S15的判定結果通知檢測結果輸出部28。詳細而言，檢測到異常徵兆之後，使用2秒鐘等一定期間中的瞬間值實施步驟S12至步驟S15。在此，如上所述，學習時進行實施型態1的步驟S6中所說明的處理時，步驟S15之後亦可與實施型態1同樣地進行步驟S16、S17。
未檢測到異常徵兆時(步驟S53；否)亦即正常時，實施步驟S18的處理。在此，與實施型態1同樣地，判定為正常時，亦可不輸出檢測結果。
如上所述，本實施型態中，差分解析部33係算出測量對象的檢測對象的有效值的測量資料的一階差分值，並使用所算出的一階差分值與臨限值，判定是否有異常徵兆，第一波形解析部24係在差分解析部33判定為有異常徵兆時，使用N週期前差分值、正常波形、及正常判定臨限值，藉由類似波形解析，判定是否有異常徵兆。
在此，異常徵兆檢測裝置2b的處理能力不受限制時，亦可並行實施第一波形解析與一階差分值解析，使用雙方的解析結果來檢測異常徵兆。例如，亦可在第一波形解析與一階差分值解析的中任一方檢測到異常徵兆時，認定最終的檢測結果為有異常徵兆，而在第一波形解析與第二波形解析雙方皆判定為正常時，認定最終結果為正常。
本實施型態的學習裝置1b亦與實施型態1的學習裝置1同樣地例如藉由圖7所示的電腦系統而實現。圖11中所示的差分解析部43係藉由圖7中所示的控制部101執行圖7中所示的記憶部103所記憶的電腦程式而實現。圖11中所示的第三學習資料記憶部44係圖7中所示的記憶部103的一部分。圖11中所示的資料取得部11a係藉由圖7中所示的通信部105及控制部101而實現。異常徵兆檢測裝置2b亦同樣地例如藉由圖7所示的電腦系統而實現。圖11中所示的差分解析部33係藉由圖7中所示的控制部101執行圖7中所示的記憶部103所記憶的電腦程式而實現。圖11中所示的第三學習資料記憶部34係圖7中所示的記憶部103的一部分。圖11中所示的資料取得部21a係藉由圖7中所示的通信部105及控制部101而實現。
本實施型態亦與實施型態1同樣地藉由學習正常波形的類似波形解析來檢測異常徵兆，就學習的前處理而言，進行N週期前差分處理。藉此，可使異常徵兆的檢測精度提升。此外，本實施型態係組合使用有效值進行的異常徵兆的檢測，使用有效值進行的異常徵兆的檢測判定為有異常徵兆時，使用瞬間值進行異常徵兆的檢測，故相較於恆常地使用瞬間值進行異常徵兆的檢測，可減輕異常徵兆檢測裝置2b的處理負載。
實施型態4.
圖14係顯示實施型態4的異常徵兆檢測系統的構成例的圖。本實施型態的異常徵兆檢測系統3c係具備學習裝置1c及異常徵兆檢測裝置2c。本實施型態的學習裝置1c除了具備資料取得部11b、前處理部13b、分類部18、相位對合部19、第二波形解析部41及第二學習資料記憶部42取代實施型態3的資料取得部11a、前處理部13、第一波形解析部14及第一學習資料記憶部17之外，其餘係與實施型態3的學習裝置1b相同。本實施型態的異常徵兆檢測裝置2c除了具備資料取得部21b、前處理部23b、分類部29、相位對合部30、第二波形解析部31及第二學習資料記憶部32取代實施型態3的資料取得部21a、前處理部23、第一波形解析部24及第一學習資料記憶部27之外，其餘係與實施型態3的異常徵兆檢測裝置2b相同。
分類部18、相位對合部19、第二波形解析部41、第二學習資料記憶部42、分類部29、相位對合部30、第二波形解析部31及第二學習資料記憶部32係分別與實施型態2中所說明的分類部18、相位對合部19、第二波形解析部41、第二學習資料記憶部42、分類部29、相位對合部30、第二波形解析部31及第二學習資料記憶部32相同。在此對於具有與實施型態2、實施型態3相同功能的構成要素標記與實施型態2、實施型態3相同的元件符號，並且省略重複說明。以下主要說明與實施型態2、實施型態3的相異點。
本實施型態係組合實施型態3中所說明的使用有效值進行的異常徵兆的檢測以及實施型態2中所說明的藉由異常徵兆波形的學習進行的異常徵兆的檢測。本實施型態中，就前處理而言，前處理部13b係進行平滑化處理而未進行N週期前差分處理，並將前處理後的資料輸出至第二波形解析部41。本實施型態的學習裝置1c的學習中係分別進行實施型態2的圖9中所示的處理及實施型態3的圖12中所示的處理。亦即，本實施型態的學習裝置1c係藉由使用正常的資料之正常資料進行的正常波形學習以及使用含有異常徵兆的資料之異常徵兆資料進行的異常徵兆波形學習來生成習得資料。本實施型態中，正常波形學習係差分解析部43的處理，異常徵兆波形學習係異常徵兆波形解析部之第二波形解析部41的處理。
圖15係顯示本實施型態的異常徵兆檢測裝置2c中進行的推論時的處理程序的一例的流程圖。在此，本實施型態中，就前處理而言，前處理部23b係進行平滑化處理而未進行N週期前差分處理，並將前處理後的資料輸出至第二波形解析部31。步驟S51至步驟S53係與實施型態3相同。步驟S53中為「是」時，與實施型態2同樣地進行步驟S31至步驟S33、S18。
本實施型態的學習裝置1c、異常徵兆檢測裝置2c亦與實施型態1的學習裝置1、異常徵兆檢測裝置2同樣地例如藉由圖7所示的電腦系統而實現。
如以上所述，本實施型態中係藉由一階差分值解析來學習正常波形，並藉由類似波形解析來學習異常徵兆波形，亦即組合正常波形的學習與異常徵兆波形的學習來進行異常徵兆的檢測。藉此，可提高異常徵兆的檢測精度。
實施型態5.
圖16係顯示實施型態5的異常徵兆檢測系統的構成例的圖。本實施型態的異常徵兆檢測系統3d係具備學習裝置1d及異常徵兆檢測裝置2d。本實施型態的學習裝置1d除了具備前處理部13b及第一波形解析部14a取代實施型態2的前處理部13及第一波形解析部14之外，其餘係與實施型態2的學習裝置1a相同。本實施型態的異常徵兆檢測裝置2d除了刪除第一波形解析部24及第一學習資料記憶部27且具備前處理部23b取代前處理部23之外，其餘係與實施型態2的異常徵兆檢測裝置2a相同。前處理部13b及前處理部23b係與實施型態4相同。在此對於具有與實施型態2、實施型態4相同功能的構成要素標記與實施型態2、實施型態4相同的元件符號，並且省略重複說明。以下主要說明與實施型態2、實施型態4的相異點。
本實施型態係藉由實施型態2中所說明的學習異常徵兆波形的類似波形解析進行學習而檢測異常徵兆，惟在學習異常徵兆波形時，將正常波形的類似波形解析的判定結果用於異常徵兆波形的選擇。
本實施型態的第一波形解析部14a係兼具有實施型態1的第一波形解析部14的功能以及實施型態1的第一波形解析部24的功能雙方。第一波形解析部14a係使用資料記憶部12所儲存的正常資料，與實施型態1的第一波形解析部14同樣地進行第一波形解析，將正常波形資料與正常判定臨限值儲存至第一學習資料記憶部17。學習異常徵兆波形的類似波形解析係使用此學習結果而進行。
圖17係顯示本實施型態的學習異常徵兆波形的類似波形解析的處理程序的一例的流程圖。如圖17所示，學習裝置1d係取得異常徵兆波形的抽出對象的瞬間值(步驟S61)。詳細而言，資料取得部11取得成為異常徵兆波形的抽出對象的瞬間值的測量資料，並將測量資料儲存至資料記憶部22。在此，測量資料係預期含有異常徵兆波形的期間的測量資料，惟預期含有異常徵兆波形的期間不明確時，可輸入任意的測量資料。
接著，學習裝置1d係進行平滑化處理(步驟S62)。詳細而言，前處理部13b對資料記憶部22所儲存的測量資料實施平滑化處理，並將處理後的資料輸出至第一波形解析部14a。
接著，學習裝置1d係進行第一波形解析(類似波形解析)(步驟S63)。詳細而言，第一波形解析部14a將平滑化處理後的測量資料劃分成單位區間資料，並依各單位區間資料，將與第一學習資料記憶部17所記憶的正常波形資料各者之間的距離以及第一學習資料記憶部17所記憶的正常判定臨限值進行比較，藉此判定單位區間資料是否有異常徵兆。
接著，學習裝置1d係抽出異常徵兆波形候選(步驟S64)。詳細而言，第一波形解析部14a係將判定為有異常徵兆的單位區間資料抽出作為異常徵兆波形候選，並輸出至分類部18。之後，與實施型態2樣同地進行步驟S22至步驟S24。
本實施型態的異常徵兆檢測裝置2d係執行實施型態2中所說明的步驟S12、步驟S31至步驟S33、S18。如上所述，第一波形解析部14a係使用正常的資料之正常資料，藉由類似波形解析，生成正常波形與用於判定為正常的正常判定臨限值作為正常學習資料，並使用含有異常徵兆的波形的資料之檢測對象資料與正常學習資料，從檢測對象資料抽出成為有異常徵兆的資料的候選的候選資料。並且，第二波形解析部41係使用候選資料，藉由類似波形解析，生成異常徵兆波形與用於判定是否有異常徵兆的異常徵兆判定臨限值作為習得資料。如此，本實施型態的學習裝置1d係藉由使用正常的資料之正常資料進行的正常波形學習以及使用含有異常徵兆的資料之異常徵兆資料進行的異常徵兆波形學習來生成習得資料。正常波形學習係藉由正常波形解析部之第一波形解析部14a進行的處理，異常徵兆波形學習係異常徵兆波形解析部之第二波形解析部41的處理。
本實施型態的學習裝置1d、異常徵兆檢測裝置2d亦與實施型態1的學習裝置1、異常徵兆檢測裝置2同樣地例如藉由圖7所示的電腦系統而實現。
如上所述，本實施型態中係使用正常波形的類似波形解析的異常徵兆的檢測結果，決定異常徵兆波形的候選，並使用所決定的候選實施異常徵兆波形的類似波形解析的學習。如此，本實施型態中亦組合正常波形的學習與異常徵兆波形的學習。藉此，可提高異常徵兆的檢測精度。
以上的實施型態所示的構成僅為一例，既可與別的公知技術組合，亦可將實施型態彼此組合，在不脫離本發明主旨的範圍內，亦可將構成的一部分省略、變更。
1,1a,1b,1c,1d:學習裝置
2,2a,2b,2c,2d:異常徵兆檢測裝置
3,3a,3b,3c,3d:異常徵兆檢測系統
4:開閉器
11,11a,11b,21,21a,21b:資料取得部
12,22:資料記憶部
13,13a,13b,23,23a,23b:前處理部
14,14a,24:第一波形解析部
15:去除波形抽出部
16,26:去除波形記憶部
17,27:第一學習資料記憶部
18,29:分類部
19,30:相位對合部
25:過度檢測去除部
28:檢測結果輸出部
31,41:第二波形解析部
32,42:第二學習資料記憶部
33,43:差分解析部
34,44:第三學習資料記憶部
101:控制部
102:輸入部
103:記憶部
104:顯示部
105:通信部
106:輸出部
107:系統匯流排
201:臨限值
S1,S2,S3,S4,S5,S6,S11,S12,S13,S14,S15,S16,S17,S18,S21,S22,S23,S24,S41,S42,S51,S52,S53,S61,S62,S63,S64:步驟
圖1係顯示實施型態1的異常徵兆檢測系統的構成例的圖。
圖2係顯示配電系統中的實施型態1的異常徵兆檢測系統的配置例的圖。
圖3係顯示實施型態1的學習裝置中進行的學習時的處理程序的一例的流程圖。
圖4係顯示實施型態1的異常徵兆檢測裝置中進行的推論時的處理程序的一例的流程圖。
圖5係用以說明實施型態1的前處理的圖。
圖6係示意顯示實施型態1的前處理的功效的一例的圖。
圖7係顯示實現實施型態1的學習裝置的電腦系統的構成例的圖。
圖8係顯示實施型態2的異常徵兆檢測系統的構成例的圖。
圖9係顯示實施型態2中藉由類似波形解析進行的異常徵兆波形的學習的處理程序的一例的流程圖。
圖10係顯示實施型態2的異常徵兆檢測裝置中進行的推論時的處理程序的一例的流程圖。
圖11係顯示實施型態3的異常徵兆檢測系統的構成例的圖。
圖12係顯示實施型態3的使用有效值進行的學習的處理程序的一例的流程圖。
圖13係顯示實施型態3的異常徵兆檢測裝置中進行的推論時的處理程序的一例的流程圖。
圖14係顯示實施型態4的異常徵兆檢測系統的構成例的圖。
圖15係顯示實施型態4的異常徵兆檢測裝置中進行的推論時的處理程序的一例的流程圖。
圖16係顯示實施型態5的異常徵兆檢測系統的構成例的圖。
圖17係顯示實施型態5的學習異常徵兆波形的類似波形解析的處理程序的一例的流程圖。
1:學習裝置
2:異常徵兆檢測裝置
3:異常徵兆檢測系統
11,21:資料取得部
12,22:資料記憶部
13,23:前處理部
14,24:第一波形解析部
15:去除波形抽出部
16,26:去除波形記憶部
17,27:第一學習資料記憶部
25:過度檢測去除部
28:檢測結果輸出部
Claims (12)
- 一種學習裝置，係生成用於檢測異常徵兆的習得資料；該學習裝置係具備：前處理部，係算出N週期前差分值，該N週期前差分值係將預定時間長度設為一週期，將N設為2以上的整數時，從正常的資料之正常資料的一週期份的各點的值分別減去一週期前到N週期前的前述正常資料的週期內相對應各點的平均值而得的值；及第一波形解析部，係使用前述N週期前差分值，藉由類似波形解析，生成正常波形與用於判定正常與否的正常判定臨限值，作為前述習得資料。
- 如請求項1所述之學習裝置，其中，前述前處理部係對前述正常資料藉由一階延遲濾波器進行平滑化處理，並使用平滑化處理後的前述正常資料算出前述N週期前差分值。
- 如請求項1所述之學習裝置，係具備第二波形解析部，該第二波形解析部係使用含有異常徵兆的資料之異常徵兆資料，藉由類似波形解析，進一步生成異常徵兆波形與用於判定是否有異常徵兆的異常徵兆判定臨限值，作為前述習得資料。
- 如請求項1所述之學習裝置，其中，前述正常資料係測量對象的電壓及電流的至少一者的瞬間值的測量資料；該學習裝置係具備差分解析部，該差分解析部係算出正常的前述測量對象的有效值的測量資料的一階差分值，並使用所算出的前述一階差分值，進一步生成用於判定正常與否的臨限值，作為前述習得資料。
- 如請求項1至4中任一項所述之學習裝置，其中，在對劃分配 電系統的開閉器進行控制的子局中，對於測量的前述配電系統的零相電壓及零相電流的至少一者的測量資料，使用前述習得資料進行前述異常徵兆的檢測。
- 一種異常徵兆檢測裝置，係使用習得資料進行異常徵兆的檢測；該異常徵兆檢測裝置係具備：前處理部，係算出N週期前差分值，該N週期前差分值係將預定時間長度設為一週期，將N設為2以上的整數時，從異常徵兆的檢測對象的資料之檢測對象資料的一週期份的各點的值分別減去一週期前到N週期前的前述檢測對象資料的週期內相對應各點的平均值而得的值；及第一波形解析部，係使用前述N週期前差分值與前述習得資料，藉由類似波形解析，判定是否有異常徵兆；前述習得資料係包含使用正常的資料之正常資料的前述N週期前差分值藉由類似波形解析而生成的正常波形與供判定為正常之用的正常判定臨限值。
- 如請求項6所述之異常徵兆檢測裝置，係具備第二波形解析部；前述習得資料係包含使用含有異常徵兆的資料之異常徵兆資料藉由類似波形解析而生成的異常徵兆波形與用於判定是否有異常徵兆的異常徵兆判定臨限值；前述第二波形解析部係在前述第一波形解析部判定為有異常徵兆時，使用前述檢測對象資料、前述異常徵兆波形、及前述異常徵兆判定臨限值，判定是否有異常徵兆。
- 如請求項6所述之異常徵兆檢測裝置，係具備差分解析部；前述正常資料係測量對象的電壓及電流的至少一者的瞬間值的測量資料；前述習得資料係包含使用正常的前述測量對象的有效值的測量資料的正常 一階差分值而算出之用於判定正常與否的臨限值；前述差分解析部係算出前述測量對象的檢測對象的有效值的測量資料的一階差分值，並使用所算出的前述一階差分值與前述臨限值，判定是否有異常徵兆；前述第一波形解析部係在前述差分解析部判定為有異常徵兆時，使用前述N週期前差分值、前述正常波形、及前述正常判定臨限值，藉由類似波形解析，判定是否有異常徵兆。
- 如請求項6至8中任一項所述之異常徵兆檢測裝置，其係對劃分配電系統的開閉器進行控制的子局，且對於前述配電系統的零相電壓及零相電流的至少一者的測量資料，使用前述習得資料進行前述異常徵兆的檢測。
- 一種異常徵兆檢測系統，係具備：學習裝置，係生成用於檢測異常徵兆的習得資料；及異常徵兆檢測裝置，係使用前述習得資料檢測異常徵兆；前述學習裝置係具備：前處理部，係算出N週期前差分值，該N週期前差分值係將預定時間長度設為一週期，將N設為2以上的整數時，從正常的資料之正常資料的一週期份的各點的值分別減去一週期前到N週期前的前述正常資料的週期內相對應各點的平均值而求得的值；及第一波形解析部，係使用前述N週期前差分值，藉由類似波形解析，生成正常波形與用於判定正常與否的正常判定臨限值，作為前述習得資料；前述異常徵兆檢測裝置係具備：前處理部，係算出N週期前差分值，該N週期前差分值係從異常徵兆的檢 測對象的資料之檢測對象資料的一週期份的各點的值分別減去一週期前到N週期前的前述檢測對象資料的週期內相對應各點的平均值而得的值；及第一波形解析部，係使用藉由前述異常徵兆檢測裝置的前述前處理部所算出的前述N週期前差分值與前述習得資料，藉由類似波形解析，判定是否有異常徵兆。
- 一種學習方法，係於學習裝置中進行學習以生成用於檢測異常徵兆的習得資料；該學習方法係包含下述步驟：算出N週期前差分值，係將預定時間長度設為一週期，將N設為2以上的整數時，從正常的資料之正常資料的一週期份的各點的值分別減去一週期前到N週期前的前述正常資料的週期內相對應各點的平均值而求得；及使用前述N週期前差分值，藉由類似波形解析，生成正常波形與用於判定正常與否的正常判定臨限值，作為前述習得資料。
- 一種記錄媒體，係記錄有使電腦系統執行下述步驟的程式以生成用於檢測異常徵兆的習得資料，算出N週期前差分值，係將預定時間長度設為一週期，將N設為2以上的整數時，從正常的資料之正常資料的一週期份的各點的值分別減去一週期前到N週期前的前述正常資料的週期內相對應各點的平均值而求得；及使用前述N週期前差分值，藉由類似波形解析，生成正常波形與用於判定正常與否的正常判定臨限值，作為前述習得資料。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| WOPCT/JP2021/043847 | 2021-11-30 | ||
| PCT/JP2021/043847 WO2023100243A1 (ja) | 2021-11-30 | 2021-11-30 | 学習装置、異常兆候検知装置、異常兆候検知システム、学習方法およびプログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW202324225A TW202324225A (zh) | 2023-06-16 |
| TWI823684B true TWI823684B (zh) | 2023-11-21 |
Family
ID=86382593
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW111144576A TWI823684B (zh) | 2021-11-30 | 2022-11-22 | 學習裝置、異常徵兆檢測裝置、異常徵兆檢測系統、學習方法及記錄媒體 |
| TW112134061A TW202401308A (zh) | 2021-11-30 | 2022-11-22 | 學習裝置、異常徵兆檢測裝置、異常徵兆檢測系統、學習方法及記錄媒體 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW112134061A TW202401308A (zh) | 2021-11-30 | 2022-11-22 | 學習裝置、異常徵兆檢測裝置、異常徵兆檢測系統、學習方法及記錄媒體 |
Country Status (3)
| Country | Link |
|---|---|
| JP (2) | JP7278499B1 (zh) |
| TW (2) | TWI823684B (zh) |
| WO (1) | WO2023100243A1 (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110215202A (zh) * | 2019-05-14 | 2019-09-10 | 杭州电子科技大学 | 基于步态非线性特征的心电rr间隔预测关联方法 |
| US20190362245A1 (en) * | 2018-05-24 | 2019-11-28 | International Business Machines Corporation | Anomaly detection |
| CN112199252A (zh) * | 2020-09-30 | 2021-01-08 | 中国民航信息网络股份有限公司 | 一种异常监控方法、装置及电子设备 |
| CN113095355A (zh) * | 2021-03-03 | 2021-07-09 | 上海工程技术大学 | 改进差分进化算法优化随机森林的滚动轴承故障诊断方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05163993A (ja) * | 1991-12-10 | 1993-06-29 | Japan Electron Control Syst Co Ltd | 内燃機関におけるブローバイガス発生検出装置及び燃料供給系異常診断装置 |
| JP5708477B2 (ja) * | 2011-12-27 | 2015-04-30 | 株式会社デンソー | エンジン制御装置 |
-
2021
- 2021-11-30 WO PCT/JP2021/043847 patent/WO2023100243A1/ja active Application Filing
- 2021-11-30 JP JP2022549925A patent/JP7278499B1/ja active Active
-
2022
- 2022-11-22 TW TW111144576A patent/TWI823684B/zh active
- 2022-11-22 TW TW112134061A patent/TW202401308A/zh unknown
-
2023
- 2023-04-27 JP JP2023073761A patent/JP2023109769A/ja active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190362245A1 (en) * | 2018-05-24 | 2019-11-28 | International Business Machines Corporation | Anomaly detection |
| CN110215202A (zh) * | 2019-05-14 | 2019-09-10 | 杭州电子科技大学 | 基于步态非线性特征的心电rr间隔预测关联方法 |
| CN112199252A (zh) * | 2020-09-30 | 2021-01-08 | 中国民航信息网络股份有限公司 | 一种异常监控方法、装置及电子设备 |
| CN113095355A (zh) * | 2021-03-03 | 2021-07-09 | 上海工程技术大学 | 改进差分进化算法优化随机森林的滚动轴承故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP7278499B1 (ja) | 2023-05-19 |
| WO2023100243A1 (ja) | 2023-06-08 |
| JPWO2023100243A1 (zh) | 2023-06-08 |
| TW202401308A (zh) | 2024-01-01 |
| TW202324225A (zh) | 2023-06-16 |
| JP2023109769A (ja) | 2023-08-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gomes et al. | High-sensitivity vegetation high-impedance fault detection based on signal's high-frequency contents | |
| CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
| EP3460496B1 (en) | A method and apparatus for automatic localization of a fault | |
| KR102067344B1 (ko) | 이상 진동데이터 감지 장치 및 방법 | |
| JP6456580B1 (ja) | 異常検知装置、異常検知方法及び異常検知プログラム | |
| JPWO2013105164A1 (ja) | 異常信号判定装置、異常信号判定方法、および異常信号判定プログラム | |
| CN117235653B (zh) | 一种电源连接器故障实时监测方法及系统 | |
| US11989013B2 (en) | Abnormality detection apparatus, abnormality detection system, and learning apparatus, and methods for the same and non-temporary computer-readable medium storing the same | |
| CN117668751B (zh) | 一种高低压电力系统故障诊断方法及装置 | |
| KR20210077496A (ko) | 초음파 대역의 음향 신호를 수신하는 다채널 감지 센서를 구비한 설비 고장 예측 시스템 | |
| TWI823684B (zh) | 學習裝置、異常徵兆檢測裝置、異常徵兆檢測系統、學習方法及記錄媒體 | |
| Kozionov et al. | Wavelet-based sensor validation: Differentiating abrupt sensor faults from system dynamics | |
| CN113139430A (zh) | 用于故障检测的声信号分析方法、故障检测的方法、装置 | |
| KR101575204B1 (ko) | 부분 방전 진단 장치 및 그 방법 | |
| CN108761250B (zh) | 一种基于工控设备电压电流的入侵检测方法 | |
| KR20230104526A (ko) | 부분방전 모니터링 시스템 및 부분방전 모니터링 방법 | |
| Rizvi et al. | Real-time ZIP load parameter tracking using adaptive window and variable elimination with realistic synthetic synchrophasor data | |
| CN112731208B (zh) | 一种低压线路故障与异常在线监测方法、设备及介质 | |
| CN115310499A (zh) | 一种基于数据融合的工业设备故障诊断系统及方法 | |
| CN115754507A (zh) | 一种基于振动信号的变压器故障诊断方法、装置和设备 | |
| KR102216513B1 (ko) | 실시간 전류 분석을 통한 전동기 열화 감지 방법 및 장치 | |
| KR102500140B1 (ko) | 초음파 대역의 음향 신호를 이용한 설비 고장 예측 시스템 및 그 방법 | |
| WO2017104038A1 (ja) | 監視方法、監視装置、および監視プログラム | |
| Khan et al. | A Robust Fault Diagnosis Scheme using Deep Learning for High Voltage Transmission Line | |
| CN118091324A (zh) | 基于人工智能的低压用户侧串联电弧检测方法及装置 |