WO2017061028A1 - 異常検知装置 - Google Patents

異常検知装置 Download PDF

Info

Publication number
WO2017061028A1
WO2017061028A1 PCT/JP2015/078752 JP2015078752W WO2017061028A1 WO 2017061028 A1 WO2017061028 A1 WO 2017061028A1 JP 2015078752 W JP2015078752 W JP 2015078752W WO 2017061028 A1 WO2017061028 A1 WO 2017061028A1
Authority
WO
WIPO (PCT)
Prior art keywords
calculation result
abnormality
detection device
abnormality detection
data
Prior art date
Application number
PCT/JP2015/078752
Other languages
English (en)
French (fr)
Inventor
中川　慎二
Original Assignee
株式会社日立製作所
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 株式会社日立製作所 filed Critical 株式会社日立製作所
Priority to PCT/JP2015/078752 priority Critical patent/WO2017061028A1/ja
Priority to JP2017544151A priority patent/JP6678182B2/ja
Priority to US15/765,369 priority patent/US10956251B2/en
Publication of WO2017061028A1 publication Critical patent/WO2017061028A1/ja

Links

Images

Classifications

    • 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
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
    • B21B37/48—Tension control; Compression control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
    • B21B37/58—Roll-force control; Roll-gap control
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M15/00—Testing of engines
    • G01M15/04—Testing internal-combustion engines
    • G01M15/05—Testing internal-combustion engines by combined monitoring of two or more different engine parameters
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
    • 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
    • G06F11/0727—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 a storage system, e.g. in a DASD or network based storage system
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B2275/00—Mill drive parameters
    • B21B2275/02—Speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B38/00—Methods or devices for measuring, detecting or monitoring specially adapted for metal-rolling mills, e.g. position detection, inspection of the product
    • B21B38/06—Methods or devices for measuring, detecting or monitoring specially adapted for metal-rolling mills, e.g. position detection, inspection of the product for measuring tension or compression
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/36—Nc in input of data, input key till input tape
    • G05B2219/36208—Roll grinding

Definitions

  • the present invention relates to a technique for detecting an abnormality in a calculation result by software.
  • Patent Document 1 states that “the time series data of the instrumentation system is used to improve the detection accuracy of a device that detects an abnormal sign such as a failure of a plant facility.
  • the local time-series data extraction unit 102 inputs a plurality of sets of time-series data, and applies a predetermined time segmentation method to the sets to generate a plurality of time-series data.
  • the local time-series data model estimation unit 103 uses the extracted local time-series data as a predetermined model estimation method.
  • the local time-series data clustering unit 104 divides each model-estimated local time-series data into a plurality of clusters and obtains representative local parameters representing the clusters for each cluster. Then, the outlier detection unit 106 detects, based on the representative local parameter, whether the value defined in advance as a distance from any of the representative local parameters exceeds the threshold with respect to the evaluation target data for a predetermined period. To do. Is disclosed (see summary).
  • the control software that implements the process for electronically controlling the controlled object is updated relatively frequently. This update is performed, for example, by distributing updated software via a network. Such frequently updated software may output an erroneous control command value due to an implementation error, for example.
  • Patent Document 1 The technique described in Patent Document 1 is for detecting an abnormality of a controlled object such as a plant, particularly an outlier abnormality. Such an abnormality is mainly intended to detect an abnormality that has occurred in the controlled object. However, when an abnormality occurs in the control software itself, it is considered that more appropriate measures can be taken by detecting the abnormality of the control software rather than detecting the abnormality of the control target. The above-mentioned patent document 1 does not always sufficiently consider the detection of processing abnormality in the control software.
  • the present invention has been made in view of the above-described problems, and an object thereof is to provide an abnormality detection device capable of detecting various software processing abnormalities.
  • the anomaly detection device divides an output data series output by software into one or more clusters in advance, determines that output data included in any cluster is normal, and is included in any cluster. No output data is determined to be abnormal.
  • the abnormality detection device can detect various processing abnormalities of software. Thereby, the reliability of the controlled object can be improved.
  • FIG. 2 is a diagram illustrating a configuration of software stored in a ROM 120.
  • FIG. 3 is a functional block diagram illustrating a detailed configuration of an abnormality detection unit 122.
  • FIG. 10 is a diagram for explaining internal processing of a data divider 1221.
  • FIG. 11 is a diagram illustrating an example of the result of clustering by a data divider 1221.
  • FIG. 10 is a diagram for describing internal processing of a range setting unit 1222. It is a figure which shows the result by which the range setter 1222 set the normal range with respect to the clustering result shown in FIG. It is a figure explaining the internal process of the abnormality determination device 1223.
  • FIG. 10 is a diagram for explaining internal processing of a range setting unit 1222. It is a figure which shows the result by which the range setter 1222 set the normal range with respect to the clustering result shown in FIG. It is a figure explaining the internal process of the abnormality determination device 1223.
  • FIG. 10 is a diagram for explaining
  • FIG. 6 is a diagram illustrating a configuration of software stored in a ROM 120 according to Embodiment 2.
  • FIG. It is a functional block diagram which shows the detailed structure of the abnormality detection part 122 in Embodiment 2.
  • FIG. It is a functional block diagram which shows the detailed structure of the abnormality detection part 122 in Embodiment 3.
  • FIG. It is a figure which shows the example of the generation frequency of a time-dependent transition pattern which the time-dependent pattern frequency calculator 1224 calculated. It is a figure explaining the internal process of the abnormality determination device 1223 in Embodiment 3.
  • FIG. FIG. 10 is a diagram illustrating a configuration of software stored in a ROM 120 according to a fourth embodiment.
  • FIG. 10 is a functional block diagram illustrating a detailed configuration of an abnormality detection unit 122 according to a fifth embodiment. It is a figure which shows the specific example of the control object 200 in Embodiment 6. FIG. It is a figure which shows the specific example of the control object 200 in Embodiment 7.
  • FIG. 20 is a functional block diagram illustrating a detailed configuration of an abnormality detection unit 122 according to an eighth embodiment. It is a figure which shows the abnormality detection apparatus 100 which concerns on Embodiment 9, and its periphery structure.
  • FIG. 1 is a block diagram illustrating a configuration of an abnormality detection apparatus 100 according to Embodiment 1 of the present invention.
  • the abnormality detection apparatus 100 itself detects an abnormality of software executed by the abnormality detection apparatus 100 will be described, but the present invention is not limited to this.
  • the anomaly detection device 100 is a device for detecting an abnormality in a calculation result by software.
  • the abnormality detection apparatus 100 includes a CPU (Central Processing Unit) 110, a ROM (Read Only Memory) 120, a RAM (Random Access Memory) 130, a data bus 140, an input circuit 150, an input / output port 160, and an output circuit 170.
  • CPU Central Processing Unit
  • ROM Read Only Memory
  • RAM Random Access Memory
  • the input circuit 150 processes an external signal.
  • an external signal here, for example, a detection signal output from a sensor, a data signal from a server, a data signal from another control device or a data processing device, and the like can be considered. Signals from the outside are transmitted via a data bus, a dedicated line, radio, or the like.
  • the input circuit 150 processes an external signal and then outputs it as an input signal to the input / output port 160.
  • the input / output port 160 writes an input signal to the RAM 130 via the data bus 140.
  • the ROM 120 stores software executed by the CPU 110.
  • CPU 110 executes software using a value temporarily stored in RAM 130.
  • the data value sent to the outside of the abnormality detection apparatus 100 is transmitted to the input / output port 160 via the data bus 140. This is output to the output circuit 170 as an output signal.
  • the output circuit 170 outputs an output signal as a signal to the outside of the abnormality detection device 100.
  • an actuator driving signal, a data signal for the server, a data signal for another control device or a data processing device, and the like can be considered.
  • FIG. 2 is a diagram showing a configuration of software stored in the ROM 120.
  • the ROM 120 stores a processing unit 121 and an abnormality detection unit 122 as software executed by the CPU 110.
  • these software may be described as an operation subject, but it is added that the CPU 110 actually executes these software.
  • the processing unit 121 uses the input signal stored in the RAM 130 to calculate, for example, a control command value and a data processing result.
  • the processing unit 121 outputs the calculation result as the output signal described in FIG. 1 via the RAM 130 and the data bus 140.
  • the abnormality detection unit 122 detects a processing abnormality of the processing unit 121 using parameters calculated by the processing unit 121.
  • the parameter that the abnormality detection unit 122 detects the processing abnormality may be a calculation result (that is, an output signal) by the processing unit 121, or a parameter that is calculated in the middle of obtaining the calculation result.
  • a determination result (normal or abnormal) by the abnormality detection unit 122 is output as a signal to the outside through the RAM 130, the input / output port 160, and the output circuit 170.
  • FIG. 3 is a functional block diagram showing a detailed configuration of the abnormality detection unit 122.
  • the abnormality detection unit 122 includes a data divider 1221, a range setting unit 1222, and an abnormality determination unit 1223. Details of these arithmetic units will be further described.
  • FIG. 4 is a diagram for explaining the internal processing of the data divider 1221.
  • the data divider 1221 divides the data string obtained by the calculation by the processing unit 121 into one or more clusters.
  • a specific clustering method for example, a k-means method can be used. Since the details of the k-means method are generally well known, they are not specifically mentioned here.
  • the data divider 1221 outputs cluster data as a result of clustering.
  • the cluster data can describe, for example, (a) the cluster number to which each data in the data string belongs, (b) the average value (center vector) of the data belonging to each cluster, and the like.
  • FIG. 5 is a diagram illustrating the result of clustering by the data divider 1221.
  • the calculation result by the processing unit 121 includes one or more data types. For example, (a) the result of calculating data related to temperature, (b) the result of calculating data related to speed, and the like. By associating these data types with each dimension of the vector, the calculation result by the processing unit 121 can be regarded as vector data.
  • the data divider 1221 sets a cluster boundary for each dimension of the vector data.
  • the processing by the processing unit 121 as the vector data may be performed by the processing unit 121 itself or the data divider 1221.
  • the data divider 1221 acquires a data string (for example, a plurality of calculation results along a time series) for each data type included in the calculation result by the processing unit 121, and for each data type. Define the boundaries of the cluster.
  • FIG. 6 is a diagram for explaining the internal processing of the range setter 1222.
  • the range setting unit 1222 sets a range in which the calculation result by the processing unit 121 is regarded as normal using the data strings clustered by the data divider 1221. An operation result included in a normal range corresponding to any cluster is regarded as normal.
  • the range setter 1222 sets (a) the minimum value in each dimension of the data string belonging to each cluster as the lower limit value in the dimension of the normal range corresponding to the cluster, and (b) each cluster. Is set as the upper limit value in the dimension of the normal range corresponding to the cluster.
  • the range setter 1222 outputs range data as a result of setting the normal range.
  • the range data describes the lower limit value and the upper limit value of each dimension that defines the normal range corresponding to each cluster.
  • FIG. 7 is a diagram showing a result of setting the normal range by the range setter 1222 for the clustering result shown in FIG.
  • the upper and lower limits of the normal range are set for each cluster generated by the data divider 1221.
  • FIG. 8 is a diagram for explaining the internal processing of the abnormality determiner 1223.
  • the abnormality determiner 1223 acquires a new calculation result from the processing unit 121 after the range setting unit 1222 sets the normal range, and whether or not the newly acquired calculation result is normal based on the set normal range. Determine whether.
  • the abnormality determiner 1223 performs the abnormality determination by the following process.
  • a cluster closest to the newly obtained calculation result is specified. Specifically, among the center vectors (average values of each dimension) of each cluster, the closest one to the operation result newly acquired in the vector space is specified.
  • the abnormality detection apparatus 100 sets a normal range by clustering calculation results obtained by the processing unit 121, and determines that the calculation result is normal when a new calculation result is included in the normal range. Thereby, when the software (namely, the process part 121) which CPU110 performs has produced process abnormality, the abnormality can be detected and the reliability of the system provided with the said software can be improved.
  • the data string used when the data divider 1221 and the range setter 1222 set the normal range is, for example, a point in time when the processing unit 121 is considered to be operating normally (there is a record of normal operation).
  • the result of the calculation in (3) can be used.
  • the data to be subjected to abnormality determination by the abnormality determiner 1223 is, for example, a calculation result at a time when there is a possibility that the processing unit 121 is operating abnormally (when there is no record of normal operation). As an example, this corresponds to a case where the processing content executed by the processing unit 121 is updated. The same applies to the following embodiments.
  • FIG. 9 is a diagram illustrating a configuration of software stored in the ROM 120 according to the second embodiment.
  • the software configuration is the same as that of the first embodiment, the abnormality detection unit 122 receives a data string given by an external signal as a data string used for setting a normal range. Since the other configuration of the abnormality detection device 100 is substantially the same as that of the first embodiment, the following description will focus on the differences.
  • the external signal used by the abnormality detection unit 122 is written as data to the RAM 130 via the input circuit 150 and the like as in the first embodiment.
  • a detection signal output from a sensor, a data signal from a server, a data signal from another control device or a data processing device, and the like can be considered as an external signal.
  • FIG. 10 is a functional block diagram illustrating a detailed configuration of the abnormality detection unit 122 according to the second embodiment.
  • the abnormality detection unit 122 has the same configuration as that of the first embodiment, but the data divider 1221 and the range setting unit 1222 are configured to perform clustering and normal range setting using a data string supplied from the outside, respectively. Different from 1.
  • the contents of the processing performed by the data divider 1221, the range setter 1222, and the abnormality determiner 1223 are the same as those in the first embodiment. That is, the abnormality determination unit 1223 determines that the calculation result by the processing unit 121 is normal when the calculation result is within the normal range set by the data divider 1221 and the range setting unit 1222, and determines that the calculation result is abnormal when the calculation result is not within the normal range. To do.
  • the abnormality detection apparatus 100 can set a normal range in advance using a data string provided from the outside, and can detect an abnormality in the processing unit 121 according to the normal range. Thereby, the same effect as Embodiment 1 can be exhibited.
  • a data string used when the normal range is set in advance for example, a data string output from an apparatus of the same type as the abnormality detection apparatus 100 and the processing unit 121 and having a normal operation record can be considered.
  • a data string provided from the outside and a data string output from the processing unit 121 can be used in combination as a data string used when setting the normal range.
  • these data strings may be simply added to increase the amount of data, or one of the data strings may be selected according to the timing at which processing is performed.
  • FIG. 11 is a functional block diagram illustrating a detailed configuration of the abnormality detection unit 122 according to the third embodiment.
  • the abnormality detection unit 122 includes a temporal pattern frequency calculator 1224 in addition to the configuration described in the first embodiment. Since the other configuration of the abnormality detection device 100 is substantially the same as that of the first embodiment, the following description will focus on the differences.
  • the data divider 1221 and the range setting unit 1222 perform clustering and normal range setting using the data string output from the processing unit 121, as in the first embodiment.
  • the data string output by the processing unit 121 is time-series data in which values obtained each time the CPU 110 executes the processing unit 121 are described over time corresponding to the execution time.
  • the temporal pattern frequency calculator 1224 identifies a temporal transition pattern in which individual data included in the data string output by the processing unit 121 transitions between clusters with the passage of time, and the occurrence frequency is determined for each pattern. calculate. A specific example will be described later with reference to FIG.
  • FIG. 12 is a diagram for explaining the internal processing of the temporal pattern frequency calculator 1224.
  • the temporal pattern frequency calculator 1224 calculates the temporal transition pattern of the data string and its occurrence frequency according to the following procedure.
  • the temporal pattern frequency calculator 1224 includes a cluster k to which the data k belongs and a cluster to which the data k + 1 belongs. Each k + 1 is specified.
  • a procedure for specifying a cluster to which data belongs for example, as described in the first embodiment, it may be possible to specify a cluster having the closest center vector. With this step, a temporal transition pattern in which data transitions from cluster k to cluster k + 1 is specified.
  • the temporal pattern frequency calculator 1224 obtains the number of times each data in the data string output from the processing unit 121 has changed from the cluster k to the cluster k + 1.
  • the temporal pattern frequency calculator 1224 similarly calculates the temporal transition pattern and its occurrence frequency for other data in the data string output by the processing unit 121.
  • FIG. 13 is a diagram illustrating an example of the frequency of occurrence of a temporal transition pattern calculated by the temporal pattern frequency calculator 1224.
  • the temporal pattern frequency calculator 1224 may calculate a temporal transition pattern between clusters, or may calculate a temporal transition pattern between normal ranges corresponding to each cluster instead. Here, an example in which a temporal transition pattern between normal ranges is calculated is shown.
  • the temporal pattern frequency calculator 1224 may calculate the frequency of occurrence by a method that is easy to calculate, for example, by dividing the frequency of occurrence of the temporal transition pattern by the number of data updates.
  • FIG. 14 is a diagram illustrating the internal processing of the abnormality determiner 1223 according to the third embodiment.
  • the abnormality determination unit 1223 obtains new time-series data from the processing unit 121 after the temporal pattern frequency calculator 1224 calculates the occurrence frequency described in FIG. 12 in advance, and the new time-series data according to the following procedure. It is determined whether or not is normal.
  • FIG. 14 Determination procedure step 1
  • the abnormality determiner 1223 uses the same procedure as in step 1 described with reference to FIG. 12 for the data k and data k + 1 (k is a subscript indicating time) in the new data string output by the processing unit 121. And cluster k + 1 are respectively identified.
  • the abnormality determiner 1223 obtains the number of times each data in the data string output from the processing unit 121 has changed over time from the cluster k to the cluster k + 1 (or from the normal range k corresponding to each cluster to the normal range k + 1). The abnormality determiner 1223 determines that the temporal transition pattern is normal if the frequency of occurrence of the temporal transition pattern is equal to or higher than a predetermined threshold, and determines that it is abnormal if the frequency of the temporal transition pattern is less than the threshold.
  • the threshold value used by the abnormality determiner 1223 can be determined according to the occurrence frequency of each temporal transition pattern calculated in advance by the temporal pattern frequency calculator 1224 according to the procedure described with reference to FIGS. For example, the smallest (or a slightly smaller value) among the occurrence frequencies of all the temporal transition patterns can be adopted as the threshold value.
  • the threshold value may be individually set for each temporal transition pattern. In this case, the frequency of occurrence of each temporal transition pattern (or a value slightly smaller than that) can be adopted as each threshold value.
  • the determination threshold value in the range 1 ⁇ the range 1 is set smaller than the determination threshold value in the range 1 ⁇ the range 2.
  • the abnormality detection apparatus 100 specifies a time-dependent transition pattern of time-series data and its occurrence frequency in advance, and the time-dependent transition pattern of new time-series data and its occurrence frequency do not match this. If it is, it is determined to be abnormal. Thus, even when individual data is within the normal range described in the first embodiment, this can be detected when the change over time is abnormal.
  • the accuracy of abnormality determination can be improved by using the abnormality determination method described in the third embodiment together with other embodiments. As a result, the reliability of the software can be further increased.
  • FIG. 15 is a diagram showing a software configuration stored in the ROM 120 according to the fourth embodiment of the present invention.
  • the abnormality detection unit 122 uses a control command value that is calculated by the processing unit 121 to control the control target (for example, the actuator) 200 as a data string used to set the normal range. Is used. Since the other configuration of the abnormality detection device 100 is substantially the same as that of the first embodiment, the following description will focus on the differences.
  • FIG. 16 is a functional block diagram illustrating a detailed configuration of the abnormality detection unit 122 according to the fourth embodiment.
  • the abnormality detection unit 122 has the same configuration as that of the first embodiment, but differs from the first embodiment in that clustering / normal range setting / abnormality determination is performed using a control command value output from the processing unit 121.
  • the abnormality detection apparatus 100 performs the same abnormality determination as that of the first embodiment using the control command value output from the processing unit 121. Thereby, it can be detected that the newly obtained control command value is not within the normal range. Therefore, an abnormality in the control software itself before the control object 200 receives the control command value can be detected, so that an abnormality that has occurred in the control object and an abnormality that has occurred in the control software can be distinguished.
  • FIG. 17 is a functional block diagram illustrating a detailed configuration of the abnormality detection unit 122 according to the fifth embodiment of the present invention.
  • the abnormality detection unit 122 has the same configuration as that of the first embodiment, but the abnormality detection unit 122 uses the output signal of the sensor included in the control target 200 or the sensor output signal as a data string used to set the normal range.
  • the processing unit 121 performs a predetermined process. Since the other configuration of the abnormality detection device 100 is substantially the same as that of the first embodiment, the following description will focus on the differences.
  • the control target 200 may be provided with a sensor related to the control amount in order to provide feedback used when the processing unit 121 calculates a control command value, for example.
  • the processing unit 121 can calculate a control command value using an output signal from the sensor.
  • the processing unit 121 can further perform an operation for signal processing on the output signal from the sensor.
  • the processing performed on the sensor signal includes, for example, filter processing for noise removal, physical quantity conversion, compensation processing (learning processing) accompanying sensor characteristic change, and the like.
  • the abnormality detection unit 122 performs abnormality determination by the method described in the first embodiment on the sensor output signal or the data string obtained as a result of performing the operation on the sensor output signal. In any case, these data strings are used internally by the processing unit 121.
  • the abnormality detection apparatus 100 performs the same abnormality determination as that of the first embodiment using the sensor output signal used by the processing unit 121 or the result of processing the sensor output signal. As a result, it is possible to detect a sensor signal value used internally by the processing unit 121 or an abnormality in processing. That is, it is possible to detect an abnormality related to a part where the control software processes the sensor signal.
  • FIG. 18 is a diagram illustrating a specific example of the control target 200 according to the sixth embodiment of the present invention.
  • the controlled object 200 in the sixth embodiment is an internal combustion engine such as an engine.
  • the processing unit 121 includes (a) a target fuel injection amount of the fuel injection valve 201, (b) a target air amount of the electronic throttle 202, and (c) a target ignition timing of the spark plug 203 as control command values for the functional units included in the internal combustion engine. , Is calculated. Other configurations are the same as those of the fourth embodiment.
  • the abnormality detection apparatus 100 uses the control command values (air amount, fuel injection amount, ignition timing) of the internal combustion engine to perform abnormality determination similar to that in the first embodiment. Therefore, since it can be detected that the newly obtained control command value (air amount, fuel injection amount, ignition timing) is not within the normal range, it is possible to detect an abnormality in the engine control software. Furthermore, the reliability of the engine control system including the engine control software can be improved.
  • FIG. 19 is a diagram illustrating a specific example of the control target 200 according to the seventh embodiment of the present invention.
  • the controlled object 200 in the seventh embodiment is a rolling process of a steel plant.
  • the processing unit 121 calculates (a) target tension, (b) target reduction position, and (c) target rolling material moving speed as control command values for the rolling process.
  • Other configurations are the same as those of the fourth embodiment.
  • the abnormality detection apparatus 100 performs the same abnormality determination as that of the first embodiment using the control command values (tension, reduction position, rolling material moving speed) of the rolling process. As a result, it is possible to detect that the newly obtained control command values (tension, reduction position, rolling material moving speed) are not within the normal range, and thus it is possible to detect an abnormality in the rolling process control software. Furthermore, the reliability of a rolling process and a steel plant provided with the rolling process control software can be improved.
  • FIG. 20 is a functional block diagram illustrating a detailed configuration of the abnormality detection unit 122 according to the eighth embodiment.
  • the abnormality detection unit 122 according to the eighth embodiment includes a verifier 1225 in addition to the configuration described in the first embodiment. Since the other configuration is substantially the same as that of the first embodiment, the following description will focus on the differences related to the verifier 1225.
  • the verifier 1225 receives a data string (data A) used when the data divider 1221 / range setting unit 1222 performs clustering and normal range setting, and stores the data string in a storage device such as the RAM 130, for example.
  • the verifier 1225 acquires a new calculation result (data B) from the processing unit 121 after the data divider 1221 / range setting unit 1222 performs clustering and normal range setting.
  • the verifier 1225 notifies that the data B is normal when the data B matches any of the data A, and notifies that it is abnormal when the data B does not match any of the data A.
  • the notification result can be stored in the RAM 130, for example, or can be output as an output signal to the outside.
  • the operation of the abnormality detection device 100 described in the first to seventh embodiments is verified using data with obvious features (the data A) in advance, for example. Can do. Therefore, the reliability of the software corresponding to the abnormality detection apparatus 100 and the processing unit 121 can be improved.
  • FIG. 21 is a diagram illustrating the abnormality detection device 100 and its peripheral configuration according to Embodiment 9 of the present invention.
  • the processing unit 121 and the abnormality detection unit 122 are not necessarily configured on the same device, and can be configured as separate devices.
  • the processing unit 121 is configured on the terminal device 300, and the abnormality detection device 100 (that is, the abnormality detection unit 122) acquires a calculation result by the processing unit 121 from the terminal device 300.
  • the abnormality detection device 100 and the terminal device 300 are connected by an appropriate communication path, and the abnormality detection device 100 acquires the calculation result from the processing unit 121 via the communication path and stores it in, for example, the RAM 130. Then, the abnormality detection unit 122 can acquire the calculation result via the RAM 130.
  • the present invention is not limited to the above embodiment, and includes various modifications.
  • the above-described embodiment has been described in detail for easy understanding of the present invention, and is not necessarily limited to one having all the configurations described.
  • a part of the configuration of an embodiment can be replaced with the configuration of another embodiment, and the configuration of another embodiment can be added to the configuration of an embodiment.
  • each arithmetic unit included in the abnormality detection apparatus 100 can be configured in a cloud computing environment.
  • the data divider 1221 and the range setting unit 1222 can be built on the cloud, and the processing unit 121 can be built on one or more terminal devices that use the cloud.
  • the abnormality determination device 1223 can be constructed on each terminal device, and each terminal device can detect an abnormality of its processing unit 121.
  • a plurality of terminal devices 300 are provided, and each terminal device 300 includes a processing unit 121 and an abnormality determination unit 1223, and may use a data divider 1221 and a range setting unit 1222 constructed on the cloud.
  • the above components, functions, processing units, processing means, etc. may be realized in hardware by designing some or all of them, for example, with an integrated circuit.
  • Each of the above-described configurations, functions, and the like may be realized by software by interpreting and executing a program that realizes each function by the processor.
  • Information such as programs, tables, and files for realizing each function can be stored in a recording device such as a memory, a hard disk, an SSD (Solid State Drive), or a recording medium such as an IC card, an SD card, or a DVD.
  • Abnormality detection device 110 CPU 120: ROM 121: Processing unit 122: Abnormality detection unit 1221: Data divider 1222: Range setting unit 1223: Abnormality determination unit 1224: Temporal pattern frequency calculator 1225: Verifier 130: RAM 140: data bus 150: input circuit 160: input / output port 170: output circuit 200: control target 300: terminal device

Abstract

本発明は、様々なソフトウェアの処理異常を検出することができる異常検知装置を提供することを目的とする。本発明に係る異常検知装置は、ソフトウェアが出力する出力データ系列をあらかじめ１以上のクラスタに分割し、いずれかのクラスタに含まれる出力データは正常であると判定し、いずれのクラスタにも含まれない出力データは異常であると判定する（図８参照）。

Description

異常検知装置
　本発明は、ソフトウェアによる演算結果の異常を検知する技術に関する。
　下記特許文献１は、『計装システムの時系列データを活用し、プラント設備の故障等の異常予兆を検知する装置の検知精度を向上させる。』ことを課題とする技術として、『局所時系列データ抽出部１０２が、複数の時系列データの組を入力し、この組に対して所定の時間区分の手法を適用して複数の時系列データの組を時間で区分し、時間区分された各時系列データを局所時系列データを抽出し、局所時系列データモデル推定部１０３が、抽出された各局所時系列データを、所定のモデル推定手法を用いてモデル推定し、局所時系列データクラスタリング部１０４が、モデル推定された各局所時系列データを複数のクラスタに分割すると共にクラスタ毎にクラスタを代表する代表局所パラメータを求める。そして、外れ値検出部１０６が、代表局所パラメータに基づき、所定期間の評価対象データに対して、いずれかの代表局所パラメータとの距離として予め定義された値が閾値を超える外れ値かどうかを検出する。』という技術を開示している（要約参照）。
特開２０１３－１７５１０８号公報
　制御対象を電子的に制御するための処理を実装した制御ソフトウェアは、実装した制御処理が比較的頻繁に更新される。この更新は、例えばネットワークを介して更新版ソフトウェアを配布することにより実施される。このように頻繁に更新されるソフトウェアは、例えば実装上のエラーにより誤った制御指令値を出力する可能性がある。
　上記特許文献１記載の技術は、プラントなどの制御対象の異常、特に外れ値異常を検出するためのものである。かかる異常は、主に制御対象において発生した異常を検出することを目的としている。しかし制御ソフトウェアそのものにおいて異常が発生している場合においては、制御対象の異常を検出するよりもむしろ、制御ソフトウェアの異常を検出する方が、より適切な措置をとることができると考えられる。上記特許文献１は、制御ソフトウェアの処理異常を検出することについては必ずしも十分に考慮していない。
　本発明は、上記のような課題に鑑みてなされたものであり、様々なソフトウェアの処理異常を検出することができる異常検知装置を提供することを目的とする。
　本発明に係る異常検知装置は、ソフトウェアが出力する出力データ系列をあらかじめ１以上のクラスタに分割し、いずれかのクラスタに含まれる出力データは正常であると判定し、いずれのクラスタにも含まれない出力データは異常であると判定する。
　本発明に係る異常検知装置によれば、ソフトウェアの様々な処理異常を検出することができる。これにより、制御対象の信頼性を向上させることができる。
実施形態１に係る異常検知装置１００の構成を説明するブロック図である。 ＲＯＭ１２０が格納しているソフトウェアの構成を示す図である。 異常検知部１２２の詳細構成を示す機能ブロック図である。 データ分割器１２２１の内部処理を説明する図である。 データ分割器１２２１によるクラスタリングの結果を例示する図である。 範囲設定器１２２２の内部処理を説明する図である。 図５で示したクラスタリング結果に対して範囲設定器１２２２が正常範囲を設定した結果を示す図である。 異常判定器１２２３の内部処理を説明する図である。 実施形態２におけるＲＯＭ１２０が格納しているソフトウェアの構成を示す図である。 実施形態２における異常検知部１２２の詳細構成を示す機能ブロック図である。 実施形態３における異常検知部１２２の詳細構成を示す機能ブロック図である。 経時パターン頻度演算器１２２４の内部処理を説明する図である。 経時パターン頻度演算器１２２４が演算した経時的遷移パターンの発生頻度の例を示す図である。 実施形態３における異常判定器１２２３の内部処理を説明する図である。 実施形態４におけるＲＯＭ１２０が格納しているソフトウェアの構成を示す図である。 実施形態４における異常検知部１２２の詳細構成を示す機能ブロック図である。 実施形態５における異常検知部１２２の詳細構成を示す機能ブロック図である。 実施形態６における制御対象２００の具体例を示す図である。 実施形態７における制御対象２００の具体例を示す図である。 実施形態８における異常検知部１２２の詳細構成を示す機能ブロック図である。 実施形態９に係る異常検知装置１００およびその周辺構成を示す図である。
＜実施の形態１＞
　図１は、本発明の実施形態１に係る異常検知装置１００の構成を説明するブロック図である。ここでは異常検知装置１００が実行するソフトウェアの異常を異常検知装置１００自身が検知する構成例を説明するが、これに限るものではない。
　異常検知装置１００は、ソフトウェアによる演算結果の異常を検知するための装置である。異常検知装置１００は、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）１１０、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）１２０、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）１３０、データバス１４０、入力回路１５０、入出力ポート１６０、出力回路１７０を備える。
　入力回路１５０は、外部からの信号を処理する。ここでいう外部からの信号としては、例えばセンサが出力する検出信号、サーバからのデータ信号、他の制御装置もしくはデータ処理装置からのデータ信号などが考えられる。外部からの信号は、データバス、専用回線、無線などを介して伝送される。入力回路１５０は、外部からの信号を処理した後、入力信号として入出力ポート１６０に対して出力する。入出力ポート１６０は、データバス１４０を介して入力信号をＲＡＭ１３０に対して書き込む。ＲＯＭ１２０は、ＣＰＵ１１０が実行するソフトウェアを格納している。ＣＰＵ１１０は、ＲＡＭ１３０が一時的に格納している値を用いてソフトウェアを実行する。ＣＰＵ１１０がソフトウェアを実行することにより得られた演算結果のうち、異常検知装置１００の外部へ送り出すデータ値は、データバス１４０を介して入出力ポート１６０に対して送信され、さらに入出力ポート１６０はこれを出力信号として出力回路１７０に対して出力する。出力回路１７０は、出力信号を異常検知装置１００の外部への信号として出力する。ここでいう外部への信号としては、アクチュエータの駆動信号、サーバに対するデータ信号、他の制御装置もしくはデータ処理装置に対するデータ信号などが考えられる。
　図２は、ＲＯＭ１２０が格納しているソフトウェアの構成を示す図である。ＲＯＭ１２０は、ＣＰＵ１１０が実行するソフトウェアとして、処理部１２１と異常検知部１２２を格納している。以下では記載の便宜上、これらソフトウェアを動作主体として説明する場合があるが、実際にこれらソフトウェアを実行するのはＣＰＵ１１０であることを付言しておく。
　処理部１２１は、ＲＡＭ１３０が格納している入力信号を用いて、例えば制御指令値やデータ処理結果などを演算する。処理部１２１は、演算結果を図１で説明した出力信号として、ＲＡＭ１３０およびデータバス１４０を介して出力する。異常検知部１２２は、処理部１２１が演算するパラメータを用いて、処理部１２１の処理異常を検知する。異常検知部１２２が処理異常を検出するパラメータは、処理部１２１による演算結果（すなわち出力信号）であってもよいし、演算結果を取得する過程において中間的に演算するパラメータでもよい。異常検知部１２２による判断結果（正常もしくは異常）は、ＲＡＭ１３０、入出力ポート１６０、出力回路１７０を経て、外部への信号として出力される。
　図３は、異常検知部１２２の詳細構成を示す機能ブロック図である。異常検知部１２２は、データ分割器１２２１、範囲設定器１２２２、異常判定器１２２３を備える。これら演算器の詳細についてさらに説明する。
　図４は、データ分割器１２２１の内部処理を説明する図である。データ分割器１２２１は、処理部１２１が演算することにより得られたデータ列を、１以上のクラスタへ分割する。クラスタリングの具体的手法としては、例えばｋ－ｍｅａｎｓ法を用いることができる。ｋ－ｍｅａｎｓ法の詳細については一般によく知られているので、ここでは格別に言及しない。
　データ分割器１２２１は、クラスタリングの結果としてクラスタデータを出力する。クラスタデータは例えば、（ａ）データ列内の各データが所属するクラスタ番号、（ｂ）各クラスタに属するデータの平均値（中心ベクトル）、などを記述することができる。
　図５は、データ分割器１２２１によるクラスタリングの結果を例示する図である。ここでは２次元のベクトルデータを４つのクラスタに分割した例を示した。処理部１２１による演算結果は、１以上のデータ種別を含む。例えば（ａ）温度に関するデータを演算した結果、（ｂ）速度に関するデータを演算した結果、などである。これらデータ種別をベクトルの各次元に対応させることにより、処理部１２１による演算結果をベクトルデータとみなすことができる。データ分割器１２２１は、このベクトルデータの次元ごとにクラスタの境界を設定する。
　処理部１２１による演算結果をベクトルデータとして取り扱う処理は、処理部１２１自身が実施してもよいしデータ分割器１２２１が実施してもよい。いずれの場合であってもデータ分割器１２２１は、処理部１２１による演算結果内に含まれるデータ種別ごとにデータ列（例えば時系列に沿った複数回の演算結果）を取得し、そのデータ種別ごとにクラスタの境界を定める。
　図６は、範囲設定器１２２２の内部処理を説明する図である。範囲設定器１２２２は、データ分割器１２２１によってクラスタリングされたデータ列を用いて、処理部１２１による演算結果が正常とみなされる範囲を設定する。いずれかのクラスタに対応する正常範囲内に含まれる演算結果は、正常であるとみなされる。
　範囲設定器１２２２は、具体的には、（ａ）各クラスタに属するデータ列の各次元における最小値を、当該クラスタに対応する正常範囲の当該次元における下限値として設定し、（ｂ）各クラスタに属するデータ列の各次元の最大値を、当該クラスタに対応する正常範囲の当該次元における上限値として設定する。
　範囲設定器１２２２は、正常範囲を設定した結果として範囲データを出力する。範囲データは、各クラスタに対応する正常範囲を規定する各次元の下限値と上限値を記述している。
　図７は、図５で示したクラスタリング結果に対して範囲設定器１２２２が正常範囲を設定した結果を示す図である。データ分割器１２２１が生成した各クラスタに対して、正常範囲の上下限値がそれぞれ設定されている。
　図８は、異常判定器１２２３の内部処理を説明する図である。異常判定器１２２３は、範囲設定器１２２２が正常範囲を設定した後において処理部１２１から新たな演算結果を取得し、設定された正常範囲に基づき当該新たに取得した演算結果が正常であるか否かを判定する。
　異常判定器１２２３は、以下の処理により異常判定を実施する。（ａ）新たに取得した演算結果に最も近いクラスタを特定する。具体的には、各クラスタの中心ベクトル（各次元の平均値）のうち、ベクトル空間上において新たに取得した演算結果に対して最も近いものを特定する。（ｂ）新たに取得した演算結果が、特定した中心ベクトルに対応する正常範囲の上下限値の範囲内に収まっている場合は、正常であると判定する。新たに取得した演算結果が正常範囲の上下限値の範囲内に収まっていない場合は、異常であると判定する。
＜実施の形態１：まとめ＞
　本実施形態１に係る異常検知装置１００は、処理部１２１による演算結果をクラスタリングすることにより正常範囲を設定し、新たな演算結果がその正常範囲内に含まれる場合は正常であると判定する。これにより、ＣＰＵ１１０が実行するソフトウェア（すなわち処理部１２１）が処理異常を生じさせている場合、その異常を検知して当該ソフトウェアを備えるシステムの信頼性を高めることができる。
　本実施形態１において、データ分割器１２２１と範囲設定器１２２２が正常範囲を設定する際に用いるデータ列としては、例えば処理部１２１が正常動作していると考えられる時点（正常動作の実績があるとき）における演算結果を用いることができる。これに対し異常判定器１２２３が異常判定を実施する対象とするデータは、例えば処理部１２１が異常動作している可能性がある時点（正常動作の実績がないとき）における演算結果である。１例としては、処理部１２１が実行する処理内容が更新されたときがこれに相当する。以下の実施形態においても同様である。
＜実施の形態２＞
　実施形態１において、データ分割器１２２１と範囲設定器１２２２は、処理部１２１が出力するデータ列（演算結果）を用いて正常範囲を設定することを説明した。この正常範囲は、処理部１２１が出力するデータ列に代えて、外部から与えるデータ列によって設定することもできる。本発明の実施形態２では、その具体的な構成例について説明する。
　図９は、本実施形態２におけるＲＯＭ１２０が格納しているソフトウェアの構成を示す図である。ソフトウェア構成は実施形態１と同様であるが、異常検知部１２２は正常範囲を設定するために用いるデータ列として、外部からの信号によって与えられるデータ列を受け取る。異常検知装置１００のその他構成は実施形態１と概ね同様であるため、以下では差異点を中心に説明する。
　異常検知部１２２が用いる外部からの信号は、実施形態１と同様に入力回路１５０などを介してＲＡＭ１３０に対してデータとして書き込まれる。外部からの信号は実施形態１と同様に、例えばセンサが出力する検出信号、サーバからのデータ信号、他の制御装置もしくはデータ処理装置からのデータ信号などが考えられる。
　図１０は、本実施形態２における異常検知部１２２の詳細構成を示す機能ブロック図である。異常検知部１２２は、実施形態１と同様の構成を有するが、データ分割器１２２１および範囲設定器１２２２は外部から与えられるデータ列を用いてクラスタリングおよび正常範囲設定をそれぞれ実施する点が、実施形態１とは異なる。
　データ分割器１２２１、範囲設定器１２２２、異常判定器１２２３が実施する処理の内容は、実施形態１と同様である。すなわち異常判定器１２２３は、処理部１２１による演算結果が、データ分割器１２２１と範囲設定器１２２２によって設定された正常範囲内に収まっている場合は正常と判定し、収まっていない場合は異常と判定する。
＜実施の形態２：まとめ＞
　本実施形態２に係る異常検知装置１００は、外部から与えられるデータ列を用いてあらかじめ正常範囲を設定しておき、その正常範囲にしたがって処理部１２１の異常を検出することができる。これにより実施形態１と同様の効果を発揮することができる。あらかじめ正常範囲を設定する際に用いるデータ列としては、例えば異常検知装置１００および処理部１２１と同型の装置であって、正常稼働実績がある装置が出力するデータ列などが考えられる。
　本実施形態２において、正常範囲を設定する際に用いるデータ列として、外部から与えられるデータ列と処理部１２１が出力するデータ列を併用することもできる。例えばこれらデータ列を単純に足し合わせてデータ量を増やしてもよいし、処理を実施するタイミングに応じていずれかのデータ列を選択してもよい。
＜実施の形態３＞
　実施形態１～２では、処理部１２１による演算結果がいずれかのクラスタに対応する正常範囲内に収まるか否かによって、その演算結果が異常であるか否かを判定することを説明した。しかし実際の運用環境においては、個々のデータを個別的に見ると正常範囲内に収まっているものの、各データの経時的変化が異常である場合も存在する。そこで本発明の実施形態３では、処理部１２１が出力するデータ列の経時的変化パターンが正常であるか否かを追加的に判定する構成例を説明する。
　図１１は、本実施形態３における異常検知部１２２の詳細構成を示す機能ブロック図である。異常検知部１２２は、実施形態１で説明した構成に加えて経時パターン頻度演算器１２２４を備える。異常検知装置１００のその他構成は実施形態１と概ね同様であるため、以下では差異点を中心に説明する。
　データ分割器１２２１と範囲設定器１２２２は、実施形態１と同様に、処理部１２１が出力するデータ列を用いてクラスタリングと正常範囲設定を実施する。処理部１２１が出力するデータ列は、ＣＰＵ１１０が処理部１２１を実行するごとに得られた値をその実行時刻に対応して経時的に記述した時系列データであるものとする。
　経時パターン頻度演算器１２２４は、処理部１２１が出力するデータ列内に含まれる個々のデータが、時間経過にともなってクラスタ間で遷移する経時的遷移パターンを特定し、そのパターンごとに発生頻度を算出する。具体例については後述の図１３で改めて説明する。
　図１２は、経時パターン頻度演算器１２２４の内部処理を説明する図である。経時パターン頻度演算器１２２４は、以下の手順によりデータ列の経時的遷移パターンおよびその発生頻度を演算する。
（図１２：演算手順ステップ１）
　経時パターン頻度演算器１２２４は、処理部１２１が出力するデータ列内のデータｋ（ｋは時刻を表す添え字）がデータｋ＋１へ経時変化したとき、データｋが属するクラスタｋとデータｋ＋１が属するクラスタｋ＋１をそれぞれ特定する。データが属するクラスタを特定する手順としては、例えば実施形態１で説明したように中心ベクトルが最も近いクラスタを特定することが考えられる。本ステップにより、データがクラスタｋからクラスタｋ＋１へ遷移する経時的遷移パターンが特定される。
（図１２：演算手順ステップ２）
　経時パターン頻度演算器１２２４は、処理部１２１が出力するデータ列内の各データがクラスタｋからクラスタｋ＋１へ経時変化した回数を求める。経時パターン頻度演算器１２２４は、処理部１２１が出力するデータ列内のその他データについても同様に、経時的遷移パターンおよびその発生頻度を演算する。
　図１３は、経時パターン頻度演算器１２２４が演算した経時的遷移パターンの発生頻度の例を示す図である。経時パターン頻度演算器１２２４は、クラスタ間の経時的遷移パターンを演算してもよいし、これに代えて各クラスタに対応する正常範囲間の経時的遷移パターンを演算してもよい。ここでは正常範囲間の経時的遷移パターンを演算した例を示した。また経時パターン頻度演算器１２２４は、例えば経時的遷移パターンの発生頻度をデータの更新回数で割るなど、計算しやすい方法によって発生頻度を演算してもよい。
　図１４は、本実施形態３における異常判定器１２２３の内部処理を説明する図である。異常判定器１２２３は、経時パターン頻度演算器１２２４があらかじめ図１２で説明した発生頻度を演算した後、処理部１２１から新たな時系列データを取得し、以下の手順にしたがってその新たな時系列データが正常であるか否かを判定する。
（図１４：判定手順ステップ１）
　異常判定器１２２３は、処理部１２１が出力する新たなデータ列内のデータｋとデータｋ＋１（ｋは時刻を表す添え字）について、図１２で説明したステップ１と同様の手順により、属するクラスタｋとクラスタｋ＋１をそれぞれ特定する。
（図１４：判定手順ステップ２）
　異常判定器１２２３は、処理部１２１が出力するデータ列内の各データがクラスタｋからクラスタｋ＋１へ（または各クラスタに対応する正常範囲ｋから正常範囲ｋ＋１へ）経時変化した回数を求める。異常判定器１２２３は、その経時的遷移パターンの発生頻度が所定閾値以上であればその経時的遷移パターンは正常であると判定し、閾値未満であれば異常であると判定する。
　図１４下図に示す例においては、範囲３→範囲４の経時的遷移パターンの発生頻度が閾値より低いので、この経時的遷移パターンは異常であると判定する。範囲１→範囲２、範囲２→範囲３の発生頻度は閾値以上なので、正常であると判定する。
　異常判定器１２２３が用いる上記閾値は、経時パターン頻度演算器１２２４が図１２～図１３で説明した手順によりあらかじめ算出した各経時的遷移パターンの発生頻度にしたがって定めることができる。例えば全ての経時的遷移パターンの発生頻度のなかで最も小さいもの（またはそれよりも若干小さい値）を閾値として採用することができる。あるいは経時的遷移パターンごとに閾値を個別に設定してもよい。この場合は、各経時的遷移パターンの発生頻度（またはそれよりも若干小さい値）を、それぞれの閾値として採用することができる。例えば図１４下図の例においては、範囲１→範囲１の判定閾値は範囲１→範囲２の判定閾値よりも小さく設定する。
＜実施の形態３：まとめ＞
　本実施形態３に係る異常検知装置１００は、時系列データの経時的遷移パターンおよびその発生頻度をあらかじめ特定しておき、新たな時系列データの経時的遷移パターンおよびその発生頻度がこれに合致しない場合は異常であると判定する。これにより、個々のデータが実施形態１で説明した正常範囲内に収まっている場合であっても、その経時的変化が異常である場合に、これを検出することができる。
　本実施形態３で説明した異常判定手法を他実施形態と併用することにより、異常判定の精度を向上させることができる。これによりソフトウェアの信頼性をさらに高めることができる。
＜実施の形態４＞
　図１５は、本発明の実施形態４におけるＲＯＭ１２０が格納しているソフトウェアの構成を示す図である。ソフトウェア構成は実施形態１と同様であるが、異常検知部１２２は正常範囲を設定するために用いるデータ列として、処理部１２１が制御対象（例えばアクチュエータ）２００を制御するために演算する制御指令値を用いる。異常検知装置１００のその他構成は実施形態１と概ね同様であるため、以下では差異点を中心に説明する。
　図１６は、本実施形態４における異常検知部１２２の詳細構成を示す機能ブロック図である。異常検知部１２２は実施形態１と同様の構成を備えるが、処理部１２１が出力する制御指令値を用いてクラスタリング／正常範囲設定／異常判定を実施する点が、実施形態１とは異なる。
　本実施形態４に係る異常検知装置１００は、処理部１２１が出力する制御指令値を用いて実施形態１と同様の異常判定を実施する。これにより、新たに得られた制御指令値が正常範囲内にないことを検出することができる。したがって、制御対象２００が制御指令値を受け取る前の段階における制御ソフトウェア自体の異常を検出することができるので、制御対象において発生した異常と制御ソフトウェアにおいて発生した異常を区別することができる。
＜実施の形態５＞
　図１７は、本発明の実施形態５における異常検知部１２２の詳細構成を示す機能ブロック図である。異常検知部１２２は実施形態１と同様の構成を備えるが、異常検知部１２２は正常範囲を設定するために用いるデータ列として、制御対象２００が備えるセンサの出力信号、またはそのセンサ出力信号に対して処理部１２１が所定の処理を施した結果を用いる。異常検知装置１００のその他構成は実施形態１と概ね同様であるため、以下では差異点を中心に説明する。
　制御対象２００は、例えば処理部１２１が制御指令値を算出する際に用いるフィードバックを提供するため、制御量に関連するセンサを備えている場合がある。処理部１２１はそのセンサからの出力信号を用いて制御指令値を演算することができる。処理部１２１はさらに、センサからの出力信号に対して信号処理のための演算を施すこともできる。センサ信号に対して施す処理とは、例えばノイズ除去のためのフィルタ処理、物理量変換、センサ特性変化に伴う補償処理（学習処理）などである。
　異常検知部１２２は、センサ出力信号またはこれに対して演算を施した結果得られるデータ列に対して、実施形態１で説明した手法により異常判定を実施する。いずれの場合であっても、これらデータ列は処理部１２１が内部的に用いるものを取得する。
　本実施形態５に係る異常検知装置１００は、処理部１２１が用いるセンサ出力信号またはこれに対して処理を施した結果を用いて、実施形態１と同様の異常判定を実施する。これにより、処理部１２１が内部的に用いているセンサ信号値またはこれに対する処理の異常を検出することができる。すなわち、制御ソフトウェアがセンサ信号を処理する部分に関連する異常を検出することができる。
＜実施の形態６＞
　図１８は、本発明の実施形態６における制御対象２００の具体例を示す図である。本実施形態６における制御対象２００は、エンジンなどの内燃機関である。処理部１２１は内燃機関が備える機能部に対する制御指令値として、（ａ）燃料噴射弁２０１の目標燃料噴射量、（ｂ）電子スロットル２０２の目標空気量、（ｃ）点火プラグ２０３の目標点火時期、を演算する。その他構成は実施形態４と同様である。
　本実施形態６に係る異常検知装置１００は、内燃機関の制御指令値（空気量、燃料噴射量、点火時期）を用いて、実施形態１と同様の異常判定を実施する。これにより、新たに得られた制御指令値（空気量、燃料噴射量、点火時期）が正常範囲内にないことを検出できるので、エンジン制御ソフトウェアの異常を検知することができる。さらに当該エンジン制御ソフトウェアを備えるエンジン制御システムの信頼性を高めることができる。
＜実施の形態７＞
　図１９は、本発明の実施形態７における制御対象２００の具体例を示す図である。本実施形態７における制御対象２００は、鉄鋼プラントの圧延プロセスである。処理部１２１は圧延プロセスに対する制御指令値として、（ａ）目標張力、（ｂ）目標圧下位置、（ｃ）目標圧延材移動速度、を演算する。その他構成は実施形態４と同様である。
　本実施形態７に係る異常検知装置１００は、圧延プロセスの制御指令値（張力、圧下位置、圧延材移動速度）を用いて、実施形態１と同様の異常判定を実施する。これにより、新たに得られた制御指令値（張力、圧下位置、圧延材移動速度）が正常範囲内にないことを検出できるので、圧延プロセス制御ソフトウェアの異常を検知することができる。さらに当該圧延プロセス制御ソフトウェアを備える圧延プロセスおよび鉄鋼プラントの信頼性を高めることができる。
＜実施の形態８＞
　実施形態１～８においては、処理部１２１から新たに得られた演算結果が正常範囲内に含まれるか否かに基づき異常判定を実施することを説明した。このことは、新たに得られた演算結果が正常範囲を設定する際に用いたデータ列のうちいずれかと同一であれば、その新たな演算結果は正常とみなすことができることを意味する。そこで本発明の実施形態８では、このようなデータが正常であることを報知する構成例について説明する。
　図２０は、本実施形態８における異常検知部１２２の詳細構成を示す機能ブロック図である。本実施形態８における異常検知部１２２は、実施形態１で説明した構成に加えて検証器１２２５を備える。その他構成は実施形態１と概ね同様であるため、以下では検証器１２２５に関連する差異点を中心に説明する。
　検証器１２２５は、データ分割器１２２１／範囲設定器１２２２がクラスタリングと正常範囲設定を実施する際に用いるデータ列（データＡ）を受け取り、これを例えばＲＡＭ１３０などの記憶装置内に保存しておく。検証器１２２５は、データ分割器１２２１／範囲設定器１２２２がクラスタリングと正常範囲設定を実施した後、処理部１２１から新たな演算結果（データＢ）を取得する。検証器１２２５は、データＢがデータＡのうちいずれかと一致する場合はデータＢが正常である旨を報知し、いずれとも一致しない場合は異常である旨を報知する。報知結果は例えばＲＡＭ１３０に格納することもできるし、外部に対する出力信号として出力することもできる。
　本実施形態８に係る異常検知装置１００を用いることにより、事前に素性の明らかなデータ（上記データＡ）を用いて、例えば実施形態１～７で示した異常検知装置１００の動作を検証することができる。したがって、異常検知装置１００および処理部１２１に対応するソフトウェアの信頼性を高めることができる。
＜実施の形態９＞
　図２１は、本発明の実施形態９に係る異常検知装置１００およびその周辺構成を示す図である。実施形態１～８において、処理部１２１と異常検知部１２２は必ずしも同一の装置上に構成する必要はなく、これらを別装置として構成することもできる。例えば図２１に示す構成においては、処理部１２１は端末装置３００上に構成されており、異常検知装置１００（すなわち異常検知部１２２）は端末装置３００から処理部１２１による演算結果を取得する。
　図２１に示す構成例において、異常検知装置１００と端末装置３００は適当な通信路によって接続され、異常検知装置１００はその通信路を介して処理部１２１から演算結果を取得して例えばＲＡＭ１３０に格納し、異常検知部１２２はＲＡＭ１３０を介してその演算結果を取得することができる。
＜本発明の変形例について＞
　本発明は上記実施形態に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施形態は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施形態の構成の一部を他の実施形態の構成に置き換える事が可能であり、また、ある実施形態の構成に他の実施形態の構成を加えることも可能である。また、各実施形態の構成の一部について他の構成の追加・削除・置換をすることができる。
　以上の実施形態において、異常検知装置１００が備える各演算器の全部または一部を、クラウドコンピューティング環境において構成することもできる。例えばデータ分割器１２２１と範囲設定器１２２２はクラウド上に構築し、処理部１２１はクラウドを利用する１以上の端末装置上に構築することができる。また異常判定器１２２３を各端末装置上に構築し、各端末装置が自身の処理部１２１の異常を検出することもできる。例えば図２１において端末装置３００を複数設け、各端末装置３００は処理部１２１と異常判定器１２２３を備え、クラウド上に構築されたデータ分割器１２２１と範囲設定器１２２２を利用することが考えられる。
　上記各構成、機能、処理部、処理手段等は、それらの一部や全部を、例えば集積回路で設計する等によりハードウェアで実現してもよい。また、上記の各構成、機能等は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリ、ハードディスク、ＳＳＤ（Ｓｏｌｉｄ　Ｓｔａｔｅ　Ｄｒｉｖｅ）等の記録装置、ＩＣカード、ＳＤカード、ＤＶＤ等の記録媒体に格納することができる。
１００：異常検知装置
１１０：ＣＰＵ
１２０：ＲＯＭ
１２１：処理部
１２２：異常検知部
１２２１：データ分割器
１２２２：範囲設定器
１２２３：異常判定器
１２２４：経時パターン頻度演算器
１２２５：検証器
１３０：ＲＡＭ
１４０：データバス
１５０：入力回路
１６０：入出力ポート
１７０：出力回路
２００：制御対象
３００：端末装置

Claims (15)

  1. 　プロセッサがソフトウェアを実行することにより得られる演算結果の異常を検知する異常検知装置であって、
    　複数の前記演算結果を格納する記憶装置から前記複数の演算結果を取得して１以上のグループへ分割する分割器、
    　各前記グループ内に含まれる前記演算結果が有するデータ値の値範囲を用いて前記演算結果の正常範囲を前記グループごとに設定する範囲設定器、
    　前記範囲設定器が前記正常範囲を設定した後に新たな前記演算結果を前記記憶装置から取得し、前記正常範囲にしたがって前記新たな演算結果が正常か否かを判定する、異常判定器、
    　を備えたことを特徴とする異常検知装置。
  2. 　前記分割器は、前記複数の演算結果を用いて１以上の次元を有するベクトルデータを生成し、
    　前記分割器は、前記ベクトルデータを生成する際に、前記複数の演算結果の種別を前記ベクトルデータの次元に対応付けた上で前記ベクトルデータを生成し、
    　前記範囲設定器は、前記ベクトルデータの次元ごとに前記正常範囲を設定し、
    　前記異常判定器は、前記新たな演算結果の種別に対応する前記ベクトルデータ上の次元において前記新たな演算結果が前記正常範囲内に含まれているか否かに基づき、前記新たな演算結果が正常であるか否かを判定する
    　ことを特徴とする請求項１記載の異常検知装置。
  3. 　前記範囲設定器は、前記分割器が生成した前記ベクトルデータの各前記次元における最小値を、前記正常範囲の対応する次元における下限値として設定し、
    　前記範囲設定器は、前記分割器が生成した前記ベクトルデータの各前記次元における最大値を、前記正常範囲の対応する次元における上限値として設定する
    　ことを特徴とする請求項２記載の異常検知装置。
  4. 　前記異常判定器は、前記新たな演算結果が前記ベクトルデータのベクトル空間上で最も近い前記グループを最近接グループとして特定し、
    　前記異常判定器は、前記最近接グループに対して前記範囲設定器が設定した前記正常範囲内に前記新たな演算結果が含まれる場合は前記新たな演算結果が正常であると判定し、含まれない場合は異常であると判定する
    　ことを特徴とする請求項２記載の異常検知装置。
  5. 　前記異常判定器は、前記ベクトルデータのベクトル空間上における各前記グループそれぞれの平均値のなかで前記新たな演算結果と最も近いものを前記最近接グループとして特定する
    　ことを特徴とする請求項４記載の異常検知装置。
  6. 　前記分割器は、前記複数の演算結果として、前記プロセッサが時系列にしたがって前記ソフトウェアを実行することにより得られる時系列データを取得し、
    　前記異常検知装置は、前記時系列データ内の各時刻における前記演算結果が前記グループ間で遷移する遷移パターンを算出する遷移パターン算出器を備え、
    　前記異常判定器は、前記新たな演算結果が前記正常範囲内に含まれる場合であっても、前記遷移パターンから逸脱している場合は異常であると判定する
    　ことを特徴とする請求項１記載の異常検知装置。
  7. 　前記異常検知装置は、前記プロセッサが時系列にしたがって前記ソフトウェアを実行することにより得られる新たな時系列データとして前記新たな演算結果を取得し、
    　前記遷移パターン算出器は、前記新たな時系列データ内の各時刻における前記新たな演算結果が前記グループ間で遷移する新たな遷移パターンの発生頻度を前記グループ間の遷移経路ごとに算出し、
    　前記異常判定器は、前記新たな遷移パターンの発生頻度が少なくともいずれかの前記時刻において所定閾値未満である場合は、前記新たな演算結果が前記正常範囲内に含まれる場合であっても異常であると判定する
    　ことを特徴とする請求項６記載の異常検知装置。
  8. 　前記分割器は、前記複数の演算結果として、前記プロセッサが前記ソフトウェアを実行する途中過程において算出するパラメータを取得する
    　ことを特徴とする請求項１記載の異常検知装置。
  9. 　前記ソフトウェアは、制御対象を制御するための制御指令値を演算する処理を実装しており、
    　前記分割器は、前記複数の演算結果として、前記プロセッサが前記ソフトウェアを実行することにより得られる前記制御指令値を取得する
    　ことを特徴とする請求項１記載の異常検知装置。
  10. 　前記ソフトウェアは、制御対象を制御するための制御指令値を演算する処理を実装しており、
    　前記分割器は、前記複数の演算結果として、前記制御対象が備えているセンサが出力する信号値または前記信号値に対して加工処理を施した後の加工値を取得する
    　ことを特徴とする請求項１記載の異常検知装置。
  11. 　前記ソフトウェアは、内燃機関を制御するための制御指令値として、前記内燃機関の空気量、前記内燃機関の燃料噴射量、および前記内燃機関の点火時期を演算する処理を実装しており、
    　前記分割器は、前記複数の演算結果として、前記プロセッサが前記ソフトウェアを実行することにより算出する前記空気量、前記燃料噴射量、および前記点火時期を取得する
    　ことを特徴とする請求項１記載の異常検知装置。
  12. 　前記ソフトウェアは、鉄鋼プラントの圧延プロセスを制御するための制御指令値として、前記圧延プロセスにおける張力、前記圧延プロセスにおける圧下位置、および前記圧延プロセスにおける圧延材移動速度を演算する処理を実装しており、
    　前記分割器は、前記複数の演算結果として、前記プロセッサが前記ソフトウェアを実行することにより算出する前記張力、前記圧下位置、および前記圧延材移動速度を取得する
    　ことを特徴とする請求項１記載の異常検知装置。
  13. 　前記異常検知装置は、前記異常判定器による判定結果を報知する報知器を備えた
    　ことを特徴とする請求項１記載の異常検知装置。
  14. 　前記ソフトウェアは、端末機器の動作を制御する処理を実装しており、
    　前記分割器は、前記複数の演算結果として、前記端末機器が備えるプロセッサが前記ソフトウェアを実行することにより得られるパラメータを、複数の前記端末機器からそれぞれ取得する
    　ことを特徴とする請求項１記載の異常検知装置。
  15. 　前記異常判定器は、前記新たな演算結果が前記複数の演算結果のうちいずれかと一致する場合は、前記新たな演算結果が正常であると判定し、いずれとも一致しない場合は異常であると判定する
    　ことを特徴とする請求項１記載の異常検知装置。
PCT/JP2015/078752 2015-10-09 2015-10-09 異常検知装置 WO2017061028A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
PCT/JP2015/078752 WO2017061028A1 (ja) 2015-10-09 2015-10-09 異常検知装置
JP2017544151A JP6678182B2 (ja) 2015-10-09 2015-10-09 異常検知装置
US15/765,369 US10956251B2 (en) 2015-10-09 2015-10-09 Abnormality detection device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2015/078752 WO2017061028A1 (ja) 2015-10-09 2015-10-09 異常検知装置

Publications (1)

Publication Number Publication Date
WO2017061028A1 true WO2017061028A1 (ja) 2017-04-13

Family

ID=58488144

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2015/078752 WO2017061028A1 (ja) 2015-10-09 2015-10-09 異常検知装置

Country Status (3)

Country Link
US (1) US10956251B2 (ja)
JP (1) JP6678182B2 (ja)
WO (1) WO2017061028A1 (ja)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019003238A (ja) * 2017-06-12 2019-01-10 富士電機株式会社 異常検出装置及び異常検出システム
WO2019207767A1 (ja) * 2018-04-27 2019-10-31 株式会社日立製作所 制御装置および制御方法
WO2020234961A1 (ja) * 2019-05-20 2020-11-26 三菱電機株式会社 状態推定装置および状態推定方法
KR20210022720A (ko) * 2018-06-21 2021-03-03 아베엘 리스트 게엠베하 기술 시스템 캘리브레이션 방법

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110245132B (zh) * 2019-06-12 2023-10-31 腾讯科技（深圳）有限公司 数据异常检测方法、装置、计算机可读存储介质和计算机设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010095314A1 (ja) * 2009-02-17 2010-08-26 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
JP2013218725A (ja) * 2013-06-19 2013-10-24 Hitachi Ltd 異常検知方法及び異常検知システム
JP2015088154A (ja) * 2014-02-10 2015-05-07 株式会社日立パワーソリューションズ ヘルスマネージメントシステム及びヘルスマネージメント方法

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3147586B2 (ja) * 1993-05-21 2001-03-19 株式会社日立製作所 プラントの監視診断方法
US5406502A (en) * 1993-06-29 1995-04-11 Elbit Ltd. System and method for measuring the operation of a device
US6216066B1 (en) * 1998-07-01 2001-04-10 General Electric Company System and method for generating alerts through multi-variate data assessment
US7260501B2 (en) * 2004-04-21 2007-08-21 University Of Connecticut Intelligent model-based diagnostics for system monitoring, diagnosis and maintenance
JP5868216B2 (ja) 2012-02-27 2016-02-24 三菱電機株式会社 クラスタリング装置及びクラスタリングプログラム
US9355007B1 (en) * 2013-07-15 2016-05-31 Amazon Technologies, Inc. Identifying abnormal hosts using cluster processing
JP6200833B2 (ja) 2014-02-28 2017-09-20 株式会社日立製作所 プラントと制御装置の診断装置
JP2016181055A (ja) * 2015-03-23 2016-10-13 株式会社東芝 情報処理装置
US10592328B1 (en) * 2015-03-26 2020-03-17 Amazon Technologies, Inc. Using cluster processing to identify sets of similarly failing hosts
US10360093B2 (en) * 2015-11-18 2019-07-23 Fair Isaac Corporation Detecting anomalous states of machines
US10223191B2 (en) * 2016-07-20 2019-03-05 International Business Machines Corporation Anomaly detection in performance management
US10628289B2 (en) * 2018-03-26 2020-04-21 Ca, Inc. Multivariate path-based anomaly prediction
JP7029362B2 (ja) * 2018-08-16 2022-03-03 三菱重工業株式会社 異常検出装置、異常検出方法、及びプログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010095314A1 (ja) * 2009-02-17 2010-08-26 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
JP2013218725A (ja) * 2013-06-19 2013-10-24 Hitachi Ltd 異常検知方法及び異常検知システム
JP2015088154A (ja) * 2014-02-10 2015-05-07 株式会社日立パワーソリューションズ ヘルスマネージメントシステム及びヘルスマネージメント方法

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019003238A (ja) * 2017-06-12 2019-01-10 富士電機株式会社 異常検出装置及び異常検出システム
WO2019207767A1 (ja) * 2018-04-27 2019-10-31 株式会社日立製作所 制御装置および制御方法
US11795888B2 (en) 2018-06-21 2023-10-24 Avl List Gmbh Method for calibrating a technical system
KR102637278B1 (ko) 2018-06-21 2024-02-15 아베엘 리스트 게엠베하 기술 시스템 캘리브레이션 방법
KR20210022720A (ko) * 2018-06-21 2021-03-03 아베엘 리스트 게엠베하 기술 시스템 캘리브레이션 방법
JP7393363B2 (ja) 2018-06-21 2023-12-06 アー・ファウ・エル・リスト・ゲゼルシャフト・ミト・ベシュレンクテル・ハフツング 技術システムの校正方法
JP2021527776A (ja) * 2018-06-21 2021-10-14 アー・ファウ・エル・リスト・ゲゼルシャフト・ミト・ベシュレンクテル・ハフツング 技術システムの校正方法
TWI747055B (zh) * 2019-05-20 2021-11-21 日商三菱電機股份有限公司 狀態推斷裝置以及狀態推斷方法
CN113826128A (zh) * 2019-05-20 2021-12-21 三菱电机株式会社 状态推定装置及状态推定方法
KR102409548B1 (ko) 2019-05-20 2022-06-15 미쓰비시덴키 가부시키가이샤 상태 추정 장치 및 상태 추정 방법
CN113826128B (zh) * 2019-05-20 2023-08-08 三菱电机株式会社 状态推定装置及状态推定方法
KR20210141757A (ko) * 2019-05-20 2021-11-23 미쓰비시덴키 가부시키가이샤 상태 추정 장치 및 상태 추정 방법
JPWO2020234961A1 (ja) * 2019-05-20 2021-09-27 三菱電機株式会社 状態推定装置および状態推定方法
WO2020234961A1 (ja) * 2019-05-20 2020-11-26 三菱電機株式会社 状態推定装置および状態推定方法

Also Published As

Publication number Publication date
JPWO2017061028A1 (ja) 2018-07-05
US20180285183A1 (en) 2018-10-04
JP6678182B2 (ja) 2020-04-08
US10956251B2 (en) 2021-03-23

Similar Documents

Publication Publication Date Title
WO2017061028A1 (ja) 異常検知装置
CN107636619B (zh) 信息处理装置、信息处理系统、信息处理方法及记录介质
US20200150159A1 (en) Anomaly detection device, anomaly detection method, and storage medium
US10783248B2 (en) Determining an aspect of behavior of an embedded device such as, for example, detecting unauthorized modifications of the code and/or behavior of an embedded device
US9535419B2 (en) Device and method for the residual analysis of a residuum to detect system errors in the system behaviour of a system of an aircraft
EP3795975B1 (en) Abnormality sensing apparatus, abnormality sensing method, and abnormality sensing program
US11526783B2 (en) Abnormality determination device, learning device, and abnormality determination method
US10930365B2 (en) Artificial intelligence based monitoring of solid state drives and dual in-line memory modules
US9104199B2 (en) Engine monitoring
US20230075229A1 (en) Model Update Device, Method, and Program
JP2013196698A (ja) システム監視
US10776530B2 (en) Methods and apparatus to generate an aircraft system model using a standardized architecture
JP6845703B2 (ja) プラント状況情報提示システム及びプラント状況情報提示方法
JP5948998B2 (ja) 異常診断装置
WO2019207767A1 (ja) 制御装置および制御方法
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
JP6115607B2 (ja) 異常診断装置、異常診断方法及び異常診断プログラム
US11378943B2 (en) Information processing device, information processing method, and program
JP2009003686A (ja) ソフトウェア動作解析装置、ソフトウェア動作解析方法、及びソフトウェア動作解析用プログラム
JP2020161086A (ja) 制御装置および補正方法
WO2020092327A1 (en) Root cause analysis for space weather events
WO2024047859A1 (ja) 異常検知装置、異常検知方法、および、異常検知プログラム
JP2020061067A5 (ja)
WO2020178938A1 (ja) 情報処理装置、情報処理方法及び情報処理プログラム
JP6678843B1 (ja) 異常部分検知装置、異常部分検知方法及びプログラム

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 15905847

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2017544151

Country of ref document: JP

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 15765369

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 15905847

Country of ref document: EP

Kind code of ref document: A1