WO2018230645A1 - 異常検知装置、異常検知方法、およびプログラム - Google Patents

異常検知装置、異常検知方法、およびプログラム Download PDF

Info

Publication number
WO2018230645A1
WO2018230645A1 PCT/JP2018/022730 JP2018022730W WO2018230645A1 WO 2018230645 A1 WO2018230645 A1 WO 2018230645A1 JP 2018022730 W JP2018022730 W JP 2018022730W WO 2018230645 A1 WO2018230645 A1 WO 2018230645A1
Authority
WO
WIPO (PCT)
Prior art keywords
abnormality
degree
target device
change
determination unit
Prior art date
Legal status (The legal status 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 status listed.)
Ceased
Application number
PCT/JP2018/022730
Other languages
English (en)
French (fr)
Inventor
友希 武田
健太郎 竹田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Toshiba Corp
Toshiba Digital Solutions Corp
Original Assignee
Toshiba Corp
Toshiba Digital Solutions Corp
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 Toshiba Corp, Toshiba Digital Solutions Corp filed Critical Toshiba Corp
Priority to JP2019525517A priority Critical patent/JP6906612B2/ja
Publication of WO2018230645A1 publication Critical patent/WO2018230645A1/ja
Priority to US16/706,922 priority patent/US20200150159A1/en
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
    • G01R19/16528—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values using digital techniques or performing arithmetic operations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/25—Arrangements for measuring currents or voltages or for indicating presence or sign thereof using digital measurement techniques
    • G01R19/2506—Arrangements for conditioning or analysing measured signals, e.g. for indicating peak values ; Details concerning sampling, digitizing or waveform capturing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/30—Measuring the maximum or the minimum value of current or voltage reached in a time interval
    • 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models

Definitions

  • Embodiments described herein relate generally to an abnormality detection device, an abnormality detection method, and a program.
  • anomaly detection methods using machine learning For example, calculating an error between a predicted value predicted by machine learning using data acquired from a monitored device and an actually measured value, and comparing this error with a preset threshold value
  • a method for detecting an abnormality of a device is known.
  • the threshold used in the conventional abnormality detection method is preset by the designer based on past measurement values and the like. If this threshold is set high, when the error exceeds the threshold, a device failure or the like may have already progressed. For this reason, it is necessary to set the threshold value low in order to detect an abnormality at a stage where the error or the like of the device is not progressing (for example, a stage indicating a sign of failure). However, if the threshold is set low, there may be frequent occurrences of “false detections” in which a state that should not be determined as abnormal is determined as abnormal.
  • the problem to be solved by the present invention is to provide an abnormality detection device, an abnormality detection method, and a program capable of suppressing erroneous detection in abnormality detection and improving detection accuracy.
  • the abnormality detection device of the embodiment has a calculation unit and a determination unit.
  • the calculation unit calculates the degree of abnormality based on a predicted value predicted by machine learning using data acquired from the target device and a measured value actually measured in the target device.
  • the determination unit determines whether or not the change in the abnormality level indicates an abnormality of the target device based on the degree of the change in the abnormality level calculated by the calculation unit within a predetermined time range. .
  • the figure which shows an example of the abnormality detection apparatus of embodiment The figure which shows the pattern of the upward tendency of the abnormality degree of embodiment.
  • the flowchart which shows an example of the process of the abnormality detection apparatus of embodiment.
  • the graph which shows the time change of the abnormality degree before and behind filtering of embodiment.
  • the graph which shows the time change of the abnormality degree before and behind filtering of embodiment.
  • the flowchart which shows an example of the abnormality determination process of the abnormality detection apparatus of embodiment.
  • FIG. The figure which shows the mode before and after performing filtering with respect to the time series data equivalent to the pattern 2 in Example 1.
  • FIG. 1 The figure which shows the mode before and after performing filtering with respect to the time series data equivalent to the pattern 3 in Example 1.
  • FIG. 1 The figure which shows the mode before and after performing filtering with respect to the time series data equivalent to the pattern 4 in Example 1.
  • FIG. 1 is a diagram illustrating an example of the abnormality detection apparatus 1 according to the embodiment.
  • the abnormality detection device 1 uses machine learning to detect whether or not an abnormality has occurred in the target device T that is a target of abnormality detection.
  • the abnormality detection device 1 acquires data (measured values, etc.) from the target device T, and calculates the degree of abnormality based on the predicted value of the behavior of the target device T predicted from this data and the actually measured value. Based on the degree of change in the degree of abnormality (for example, an increasing tendency or a decreasing tendency of the degree of abnormality), the presence or absence of an abnormality in the target device T is detected.
  • the degree of abnormality is an index value indicating the degree of difference (degree of deviation) between the predicted value and the measured value of the target device T.
  • the abnormality detection apparatus 1 calculates the error between the predicted value and the measured value of the target device T at a certain time in the future, or the error between the predicted value and the measured value of the target device T at the present time (at the time of data acquisition). Calculated as the degree of abnormality. For example, the abnormality detection apparatus 1 calculates the degree of abnormality using a square error or the like. Note that the abnormality detection apparatus 1 may calculate the degree of abnormality using any other error calculation method such as an absolute error. Further, the degree of abnormality is not limited to the one calculated based on the error between the predicted value and the measured value of the target device T, but may be an index value indicating the degree of difference between the predicted value and the measured value of the target device T. Any may be used.
  • the degree of abnormality is 0 or a positive value, and is defined to indicate that the larger the value (the larger the absolute value), the greater the error between the predicted value and the measured value of the target device T. Also good.
  • the degree of abnormality is 0 or a negative value, and is defined to indicate that the smaller the value (the larger the absolute value), the greater the error between the predicted value and the measured value of the target device T. Also good.
  • the degree of abnormality is 0 or a positive value, and the larger the value is, the larger the error between the predicted value and the measured value of the target device T is defined.
  • the detection of an abnormality in the present embodiment includes both detecting a sign of a failure of the target device T and detecting a failure of the target device T. In the following, an example in which the abnormality detection is to detect a failure sign.
  • the increasing tendency of the degree of abnormality targeted in this embodiment is classified into, for example, four patterns as shown in FIG.
  • Pattern 1 shows an upward trend in which the degree of abnormality gradually increases with time.
  • Pattern 2 shows an upward trend in which spike-like abnormality increases continuously. Since it is determined that the upward tendency of these patterns 1 and 2 is often a sign of failure, the abnormality detection device 1 determines that the upward tendency of the degree of abnormality corresponding to these patterns is “abnormal”.
  • Pattern 3 shows an increasing tendency that the degree of abnormality suddenly increases and then stabilizes (the graph of the degree of abnormality with respect to time becomes rectangular).
  • the upward trend of this pattern 3 is that a sudden failure that causes the degree of abnormality to suddenly increase (that is, an abnormality has occurred) or that the state of the target device T has been changed (that is, an abnormality) Is not generated).
  • the state of the target device T being changed means that the operation state, the operation environment, or the like of the target device T has been changed. For example, it indicates that the “cooling” operation is changed to the “heating” operation when the target device T is an air conditioning device, and the product is changed when the target device T is a production facility.
  • the abnormality detection device 1 determines “abnormal” only when it is determined that a sudden failure has occurred, and “not abnormal” when it is determined that the state of the target device T has been changed ( False detection) ”.
  • Pattern 4 shows a rising tendency in which a single spike-like abnormality increases.
  • the upward tendency of the pattern 4 for example, a case where only one sensor outputs a unique value (a measured value that is greatly different from the predicted value) is assumed.
  • the abnormality detection device 1 determines that the increasing tendency of the abnormality level corresponding to the pattern 4 is “false detection”.
  • the target device T includes, for example, a device, an apparatus, a facility, a facility, a factory, a plant, or the like that can output an arbitrary measurement value.
  • the abnormality detection device 1 and the target device T are connected to each other via a network N.
  • the network N includes, for example, a WAN (Wide Area Network), a LAN (Local Area Network), the Internet, a dedicated line, and the like.
  • the abnormality detection device 1 includes, for example, a communication unit 10, a calculation unit 12, a detection unit 14, an abnormality determination unit 16 (an example of a determination unit), a learning unit 18, and an update determination unit 20 (an example of a determination unit). And a report unit 22 and a storage unit 24.
  • the abnormality detection device 1 acquires data from the target device T via the communication unit 10 and stores it in the storage unit 24.
  • the data acquired from the target device T includes a measurement value D measured by a sensor or the like installed in the target device T, a state change history H indicating a state change history of the target device T, operating conditions, and the like.
  • the calculation unit 12 calculates the degree of abnormality using the measurement value D input from the communication unit 10. For example, the calculation unit 12 reads a model M (first model) generated by learning the operation of the target device T from the storage unit 24, and predicts the behavior of the target device T by machine learning using the model M. A value is calculated, and an abnormality degree that is an error between the predicted value and the measured value is calculated.
  • a model M first model generated by learning the operation of the target device T from the storage unit 24
  • predicts the behavior of the target device T by machine learning using the model M A value is calculated, and an abnormality degree that is an error between the predicted value and the measured value is calculated.
  • the machine learning in the calculation unit 12 uses a multi-layered neural network (Deep Neural Network: DNN), a convolutional neural network (Convolutional Neural Network: CNN), a deep learning technique using a recurrent neural network (RNN), or the like. May be adopted.
  • DNN Deep Neural Network
  • CNN convolutional Neural Network
  • RNN recurrent neural network
  • the detection unit 14 performs filtering on the degree of abnormality calculated by the calculation unit 12, and the degree of abnormality (hereinafter simply referred to as “abnormality level”) that exceeds or exceeds a preset threshold in the data of the degree of abnormality after filtering.
  • the presence of “the degree of abnormality exceeding the threshold” is detected. That is, the detection unit 14 suppresses the degree of abnormality in which the degree of change of the degree of abnormality with respect to time is a predetermined value or more. Thereby, the detection part 14 smoothes the change of the abnormality degree with respect to a time direction. For example, the detection unit 14 performs filtering using a low-pass filter (LPF).
  • LPF low-pass filter
  • the detection unit 14 performs filtering that allows only data having a change in the degree of abnormality with respect to time to be a predetermined frequency or less to pass.
  • the detection unit 14 does not perform the above-described filtering, and the abnormality level data calculated by the calculation unit 12 has an abnormality level exceeding a preset threshold value or higher than the threshold value (an increase in the abnormality level). ) May be detected.
  • a preset threshold value or higher than the threshold value an increase in the abnormality level
  • the abnormality determination unit 16 determines whether the degree of abnormality exceeding the threshold indicates “abnormality (a sign of failure)” or “not abnormal (false detection)”. That is, the abnormality determination unit 16 determines whether or not the increase in the abnormality level indicates an abnormality in the target device T based on the degree of change in the increase in the abnormality level calculated by the calculation unit 12 within the predetermined time range. Determine. The abnormality determination unit 16 determines whether or not the data indicating the increasing tendency of the abnormality level exceeding the threshold corresponds to a rule (determination condition) ignoring a preset abnormality level within a predetermined determination target time.
  • abnormality determination unit 16 The determination of “abnormal” or “false detection” is made based on whether or not the increase in the degree is stable (whether it falls within a predetermined range) and whether or not the state of the target device T has been changed. Details of the abnormality determination unit 16 will be described later.
  • the learning unit 18 When the abnormality determination unit 16 determines that the state change of the target device T has been performed, the learning unit 18 performs re-learning using the learning data including the measurement value after the state change of the target device T, and creates a new model. (Second model) is generated. For example, the learning unit 18 performs re-learning using data obtained by randomly mixing the data used to generate the current model (first model) and the measurement value after the state change of the target device T, and performs a new learning. A simple model.
  • the update determination unit 20 evaluates the accuracy of the current model and the new model.
  • the update determination unit 20 calculates the degree of abnormality (first degree of abnormality) calculated from the predicted value predicted by the current model and the degree of abnormality (second degree of abnormality) calculated from the predicted value predicted by the new model. And the model for which a lower degree of abnormality is calculated is determined to be a model with high accuracy.
  • the update determination unit 20 determines that the accuracy of the current model is high, the update determination unit 20 determines the current model as a model to be used in subsequent machine learning, and does not update the model (current model) stored in the storage unit 24. .
  • the update determination unit 20 determines that the accuracy of the new model is high, the update determination unit 20 determines the new model as a model to be used in subsequent machine learning, and uses the model (current model) stored in the storage unit 24. Update with new models.
  • the notification unit 22 notifies the administrator or the like that an abnormality has occurred.
  • the reporting unit 22 reports that an abnormality has occurred by voice, warning sound, or the like. Note that the reporting unit 22 may display on the display unit (not shown) that an abnormality has occurred.
  • Each functional unit of the abnormality detection device 1 is realized by a processor such as a CPU mounted on a computer or the like executing a program stored in a program memory or the like.
  • These functional units include LSI (Large Scale Integration), ASIC (Application Specific Integrated Circuit), FPGA (Field-Programmable Gate Array), GPU (Graphics Processing), which have the same functions as the processor executes a program. Unit) or the like, or may be realized by cooperation of software and hardware.
  • the storage unit 24 stores a measurement value D, a model M, a state change history, and the like acquired from the target device T.
  • the storage unit 24 is, for example, a RAM (Random Access Memory), a ROM (Read Only Memory), a HDD (Hard Disk Drive) flash memory, an SD card, a register, or a hybrid storage device in which a plurality of these are combined. Realized. Further, a part or all of the storage unit 24 may be an external device accessible by the abnormality detection device 1 such as NAS (Network Attached Storage) or an external storage server.
  • NAS Network Attached Storage
  • FIG. 3 is a flowchart illustrating an example of processing of the abnormality detection apparatus 1. The process of the flowchart shown in FIG. 3 is continuously and repeatedly executed while the abnormality detection of the target device T is being performed.
  • the abnormality detection device 1 acquires the measurement value D from the target device T via the communication unit 10 (step S101).
  • the abnormality detection device 1 stores the acquired measurement value D in the storage unit 24.
  • the abnormality detection device 1 acquires the state change history H indicating the history of the state change and stores it in the storage unit 24.
  • the calculation unit 12 calculates the degree of abnormality using the measurement value D input from the communication unit 10 (step S103). For example, the calculation unit 12 reads the model M from the storage unit 24, calculates a predicted value of the behavior of the target device T by machine learning using the model M, and is an error that is an error between the predicted value and the measured value. Calculate the degree. For example, the calculation unit 12 calculates a predicted value of the behavior of the target device T at a certain time in the future, and calculates an abnormality degree that is an error between the predicted value and a measured value actually measured at the same point. The calculation unit 12 inputs the calculated degree of abnormality to the detection unit 14.
  • the detection unit 14 performs filtering on the degree of abnormality input from the calculation unit 12 (step S105). For example, the detection unit 14 performs filtering using a low-pass filter.
  • 4 and 5 are graphs showing temporal changes in the degree of abnormality before and after filtering. As shown in FIG. 4, the increase in the degree of abnormality in a single spike shape corresponding to “pattern 4” shown in FIG. 2 is suppressed by filtering. Thereby, in the process of the abnormality determination part 16 mentioned later, since the raise of a single spike-like abnormality degree is not determined as "abnormal", a misdetection can be suppressed.
  • the increase in the degree of abnormality of a single spike corresponding to “Pattern 4” shown in FIG. 2 is suppressed by filtering, which corresponds to “Pattern 3” shown in FIG. It is possible to determine a rising tendency of the rectangular abnormality.
  • the detection unit 14 may use another filter that makes it easy to catch the rising tendency of the degree of abnormality, instead of the low-pass filter.
  • the detection unit 14 is based on a predetermined rule (for example, a rule regarding the number of spike-like increases in the degree of abnormality, the appearance frequency, or the like) on the degree of abnormality, and data on the degree of abnormality that matches this rule. May be excluded.
  • a predetermined rule for example, a rule regarding the number of spike-like increases in the degree of abnormality, the appearance frequency, or the like
  • the detection unit 14 determines whether or not there is data exceeding the threshold value in the data of the degree of abnormality that has been filtered (step S107).
  • the abnormality detection device 1 determines that there is no data that exceeds the threshold in the data of the degree of abnormality that has been filtered.
  • the abnormality detection device 1 does not perform the subsequent processing of this flowchart, and again measures the above-described measurement values. Returning to the acquisition process, the same process is repeated.
  • the detection unit 14 activates the abnormality determination unit 16 when it is determined that there is data exceeding the threshold in the filtered abnormality degree data.
  • the abnormality determination unit 16 activated by the detection unit 14 performs abnormality determination to determine whether the degree of abnormality exceeding the threshold indicates “abnormal” or “false detection” (step S109).
  • FIG. 6 is a flowchart illustrating an example of the abnormality determination process of the abnormality detection device 1.
  • the abnormality determination unit 16 records the activation time t activated by the detection unit 14 in, for example, a memory (not shown), the storage unit 24, or the like (step S201).
  • the abnormality determination unit 16 determines whether or not the measurement value used for calculating the degree of abnormality exceeding the threshold is applicable to a rule that ignores the degree of abnormality (step S203). For example, when the output voltage is 0 volt (not subject to abnormality detection due to the stop period) as a rule for ignoring the degree of abnormality, and the measured value falls under this rule, the abnormality determination unit 16 It is determined that the rule that ignores the degree is applicable.
  • the abnormality determination unit 16 determines that the measured value used for calculating the degree of abnormality exceeding the threshold is applicable to the rule ignoring the degree of abnormality, the abnormality determination unit 16 determines that the rule is applicable (step S217), and the processing of this flowchart Exit.
  • the abnormality determination unit 16 determines that the measurement value used for calculating the abnormality degree exceeding the threshold does not apply to the rule ignoring the abnormality degree, the abnormality included in the predetermined time width X from the activation time t.
  • the degree is extracted, and it is determined whether or not the degree of abnormality of the time width X is stable (step S205). For example, the abnormality determination unit 16 determines whether or not the standard deviation of the degree of abnormality of the extracted time width X is equal to or smaller than a predetermined dispersion threshold D. If the standard deviation is equal to or smaller than the predetermined dispersion threshold D, the abnormality degree is stable. It is determined that The abnormality determination unit 16 determines that the abnormality degree is stable with the passage of time with respect to the increasing tendency of the abnormality degree of the rectangular type as in the pattern 3 shown in FIG.
  • the abnormality determination unit 16 determines that the abnormality level of the time width X is stable, for example, the abnormality determination unit 16 refers to the state change history H stored in the storage unit 24 and is required for the state change from the activation time t. It is determined whether or not the state of the target device T has been changed between the time (t ⁇ A) from which the time A has been subtracted and the activation time t (step S207). When the state change of the target device T is performed, it is considered that the increase in the degree of abnormality is caused by the state change. For this reason, when it is determined that the state change of the target device T has been performed, the abnormality determination unit 16 determines “no abnormality” (step S215), and ends the processing of this flowchart.
  • the abnormality determination unit 16 determines that “abnormality exists” (step S211), and ends the process of this flowchart.
  • the abnormality determination unit 16 determines whether or not the processing for all abnormality degrees to be determined has been completed (step S209). For example, when the abnormality determination unit 16 sets the abnormality degree included from the activation time t to the elapse of the predetermined time S as a determination target, the abnormality determination unit 16 performs processing for the abnormality degree included from the activation time t to the elapse of the predetermined time S. Determine if completed.
  • the abnormality determination unit 16 determines that the processing of all the abnormality levels to be determined has been completed (if the abnormality level has not stabilized before the predetermined time S has elapsed from the activation time t), it determines that there is an abnormality. (Step S211), and the process of this flowchart ends.
  • the abnormality determination unit 16 determines that the processing of all the abnormality degrees to be determined is not completed, the abnormality degree is included in the abnormality degree of the next time width X (that is, the period from the activation time t + X to t + 2X). (Abnormality) is extracted (step S213), and it is determined whether or not the abnormality of the next time width X is stable (step S205).
  • step S111 if the abnormality determination unit 16 determines that “rule is applicable” (step S111), the process returns to the above-described measurement value acquisition process again without performing the subsequent processes of this flowchart, and similar processes are performed. repeat.
  • the abnormality determination unit 16 when the abnormality determination unit 16 does not determine that “the rule is applicable” and determines that “there is an abnormality” (step S113), it activates the notification unit 22.
  • the reporting unit 22 reports to the administrator or the like that an abnormality has occurred (step S115).
  • step S113 when the abnormality determination unit 16 does not determine “applicable to the rule” and determines “no abnormality” (step S113) (that is, if the state of the target device T has been changed). If it is determined), the learning unit 18 is activated. The learning unit 18 performs relearning using the learning data including the measurement value after the state change of the target device T (step S117), and generates a new model. The learning unit 18 re-learns using, for example, data obtained by randomly mixing the data used to generate the current model and the measurement value after the state change of the target device T to generate a new model. .
  • the learning unit 18 uses the generated new model, the learning data used for the relearning, and the evaluation data obtained by excluding the learning data used for the relearning from the measurement values of the latest predetermined period (for example, the most recent one month). Is input to the update determination unit 20.
  • the update determination unit 20 evaluates the accuracy of the current model and the new model using the evaluation data input from the learning unit 18, and determines whether or not the model needs to be updated (step S119). ). For example, the update determination unit 20 compares the degree of abnormality calculated from the predicted value predicted by the current model with the degree of abnormality calculated from the predicted value predicted by the new model, and is based on the current model. If the degree of abnormality is higher than the degree of abnormality based on the new model, it is determined that the model needs to be updated, and if the degree of abnormality based on the current model is lower than the degree of abnormality based on the new model, It is determined that no update is necessary. For example, the update determination unit 20 determines which model has a lower degree of abnormality by using an average value of the degree of abnormality in a plurality of data included in the evaluation data.
  • the update determination unit 20 updates the current model stored in the storage unit 24 with a new model (Step S121). On the other hand, when it is determined that the model update is unnecessary, the update determination unit 20 does not update the current model stored in the storage unit 24. As described above, the series of processes in the flowchart is ended, the process returns to the above-described measurement value acquisition process again, and the same process is repeated.
  • Example 1 In Example 1, the time series data of abnormality degree are prepared, and the result of having performed the filtering by the low pass filter with respect to this time series data of abnormality degree is shown.
  • the sampling frequency in filtering was 1.0 (Hz)
  • the number of taps was 600
  • the cutoff frequency was set to 0.05 (Hz).
  • FIG. 7 shows the state before and after the low-pass filter is applied to the time series data corresponding to pattern 1 (gradual increase) shown in FIG.
  • FIG. 8 shows a state before and after the time-series data corresponding to the pattern 2 (continuous spike) shown in FIG. 2 is filtered by a low-pass filter.
  • FIG. 9 shows a state before and after the low-pass filter is applied to the time series data corresponding to the pattern 3 (rectangle) shown in FIG. 2 in the first embodiment.
  • FIG. 10 shows a state before and after the low-pass filter is applied to the time series data corresponding to the pattern 4 (single spike) shown in FIG. 2 in the first embodiment.
  • the increase in the degree of abnormality in a single spike shape is suppressed by filtering, and the degree of abnormality is suppressed to a value less than the threshold value.
  • Example 2 Next, in Example 2, the time series data of the degree of abnormality is prepared, the time series data of the degree of abnormality is filtered by a low-pass filter, and the degree of abnormality when the data determined to be rectangular is learned It was confirmed.
  • the sampling frequency in filtering was 1.0 (Hz)
  • the number of taps was 600
  • the cutoff frequency was set to 0.05 (Hz).
  • FIG. 11 shows the change in the degree of abnormality when filtering the time series data of the degree of abnormality and learning the measurement value used for calculating the degree of abnormality determined to be a rectangle.
  • the low-pass filter after filtering the time series data of the degree of abnormality by the low-pass filter, first, by learning the measurement value after the state change in the range of the rectangle 1 to generate a new model, An increase in the degree of abnormality in the range of the rectangle 1 is suppressed (see after state change learning 1). Furthermore, by learning the measurement value after the state change in the range of the rectangle 2 and generating a new model, an increase in the degree of abnormality in the range of the rectangle 2 can be suppressed (see state change learning 2). As a result, it is possible to detect an abnormality based on the increase in the degree of abnormality “gradual increase 1” 2 after the state change learning, and to perform a reporting process.

Landscapes

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

Abstract

実施形態の異常検知装置は、算出部と、判定部とを持つ。算出部は、対象機器から取得されたデータを用いて機械学習により予測される予測値と、前記対象機器において実際に計測された計測値とに基づいて異常度を算出する。判定部は、所定時間範囲内における、前記算出部によって算出された前記異常度の変化の度合に基づいて、前記異常度の変化が前記対象機器の異常を示すものであるか否かを判定する。

Description

異常検知装置、異常検知方法、およびプログラム
　本発明の実施形態は、異常検知装置、異常検知方法、およびプログラムに関する。
　近年、機械学習を用いた異常検知手法が知られている。例えば、監視対象の機器から取得したデータを用いて機械学習により予測される予測値と、実際に計測された計測値との誤差を算出し、この誤差と予め設定された閾値とを比較することで、機器の異常を検知する手法が知られている。
日本国特許第５６２３１１０号公報
　従来の異常検知手法において使用される閾値は、過去の計測値等に基づき設計者により予め設定される。この閾値は高く設定されると、誤差が閾値を超えたときには既に機器の故障等が進行している場合がある。このため、誤差が機器の故障等が進行していない段階（例えば、故障の予兆を示している段階）で異常を検知するためには、閾値を低く設定する必要がある。しかしながら、閾値は低く設定されると、本来、異常と判定すべきではない状態を異常と判定してしまう「誤検知」が頻繁に発生してしまう場合がある。
　上述の誤検知には様々な原因がある。すなわち、誤検知とは「この条件に当てはまる場合は異常として扱いたくない」という設計者の意図によって定まるものであるため、例えば、一時的な値の変動等は異常と判定することが好ましくない場合がある。また、機械学習においてシステムの全状態を網羅した学習が行われていない場合、状態の変化に伴う正常な範囲内での値の変動を誤って異常と判定してしまうこともある。例えば、「冷房」運転時のデータにより学習したモデルを用いて「暖房」運転時の動作を評価した場合や、試験運用と実運用との条件が異なる際に試験運用時のデータにより学習したモデルを用いて実運用時の動作を評価した場合等が考えられる。このため、精度の高い異常検知を可能としつつも、誤検知の抑制が可能な手法が求められている。
　本発明が解決しようとする課題は、異常検知における誤検知を抑制し、検知精度を向上させることが可能な異常検知装置、異常検知方法、およびプログラムを提供することである。
　実施形態の異常検知装置は、算出部と、判定部とを持つ。算出部は、対象機器から取得されたデータを用いて機械学習により予測される予測値と、前記対象機器において実際に計測された計測値とに基づいて異常度を算出する。判定部は、所定時間範囲内における、前記算出部によって算出された前記異常度の変化の度合に基づいて、前記異常度の変化が前記対象機器の異常を示すものであるか否かを判定する。
実施形態の異常検知装置の一例を示す図。 実施形態の異常度の上昇傾向のパターンを示す図。 実施形態の異常検知装置の処理の一例を示すフローチャート。 実施形態のフィルタリングの前後における異常度の時間変化を示すグラフ。 実施形態のフィルタリングの前後における異常度の時間変化を示すグラフ。 実施形態の異常検知装置の異常判定処理の一例を示すフローチャート。 実施例１においてパターン１に相当する時系列データに対してフィルタリングを行った前後の様子を示す図。 実施例１においてパターン２に相当する時系列データに対してフィルタリングを行った前後の様子を示す図。 実施例１においてパターン３に相当する時系列データに対してフィルタリングを行った前後の様子を示す図。 実施例１においてパターン４に相当する時系列データに対してフィルタリングを行った前後の様子を示す図。 実施例２において異常度の時系列データに対してフィルタリングを行い、矩形と判定された異常度の算出に使用された計測値を学習した場合の異常度の変化を示す図。
　以下、実施形態の異常検知装置、異常検知方法、およびプログラムを、図面を参照して説明する。
　図１は、実施形態の異常検知装置１の一例を示す図である。異常検知装置１は、機械学習を用いて、異常検知の対象となる対象機器Ｔの異常の発生の有無を検知する。異常検知装置１は、対象機器Ｔからデータ（計測値等）を取得し、このデータから予測される対象機器Ｔの挙動の予測値と、実際に計測された計測値とに基づいて異常度を算出し、この異常度の変化度合（例えば、異常度の上昇傾向、或いは下降傾向）に基づいて対象機器Ｔの異常の発生の有無を検知する。異常度とは、対象機器Ｔの予測値と計測値との違いの度合い（乖離度）を示す指標値である。
　異常検知装置１は、例えば、未来のある時点における、対象機器Ｔの予測値と計測値との誤差、または、現在（データ取得時）における、対象機器Ｔの予測値と計測値との誤差を異常度として算出する。異常検知装置１は、例えば、二乗誤差等を用いて異常度を算出する。なお、異常検知装置１は、絶対誤差等の他の任意の誤差算出手法を用いて異常度を算出してもよい。また、異常度は、対象機器Ｔの予測値と計測値との誤差に基づいて算出されるものに限られず、対象機器Ｔの予測値と計測値との違いの度合いを示す指標値であれば任意のものを使用してよい。また、異常度は、０または正の値であって、その値が大きいほど（絶対値が大きいほど）、対象機器Ｔの予測値と計測値との誤差が大きいことを示すように定義されてもよい。或いは、異常度は、０または負の値であって、その値が小さいほど（絶対値が大きいほど）、対象機器Ｔの予測値と計測値との誤差が大きいことを示すように定義されてもよい。以下においては、異常度が、０または正の値であって、その値が大きいほど、対象機器Ｔの予測値と計測値との誤差が大きいことを示すように定義された例を説明する。なお、本実施形態における異常の検知とは、対象機器Ｔの故障の予兆を検知することと、対象機器Ｔの故障を検知することとの双方を含む。以下においては、異常の検知が、故障の予兆を検知することである例を説明する。
　本実施形態において対象とする異常度の上昇傾向は、例えば、図２に示すような４つのパターンに分類される。パターン１は、時間の経過とともに、異常度が徐々に上昇する上昇傾向を示す。パターン２は、スパイク状の異常度の上昇が連続して発生する上昇傾向を示す。これらのパターン１および２の上昇傾向は、故障の予兆である場合が多いと判定されるため、異常検知装置１は、これらのパターンに相当する異常度の上昇傾向を「異常」と判定する。
　パターン３は、異常度が急激に上昇してその後に安定する（時間に対する異常度のグラフが矩形状となる）上昇傾向を示す。このパターン３の上昇傾向は、異常度が急激に上昇するような突発的な故障が発生したか（すなわち、異常が発生した）、または、対象機器Ｔの状態が変更されたこと（すなわち、異常は発生していない）を示していることが想定される。対象機器Ｔの状態が変更されたとは、対象機器Ｔの動作状態、動作環境等が変更されたことを言う。例えば、対象機器Ｔが空調機器である場合に「冷房」運転から「暖房」運転に変更されること、対象機器Ｔが生産設備である場合に生産物が変更されること等を示す。この場合、異常検知装置１は、突発的な故障が発生したと判定される場合にのみ「異常」と判定し、対象機器Ｔの状態が変更されたと判定される場合には「異常ではない（誤検知）」と判定する。
　パターン４は、単一のスパイク状の異常度の上昇が発生する上昇傾向を示す。このパターン４の上昇傾向は、例えば、１つのセンサのみが特異な値（予測値と大きく異なる計測値）を出力しているような場合が想定される。この場合、異常検知装置１は、パターン４に相当する異常度の上昇傾向を「誤検知」と判定する。
　対象機器Ｔは、例えば、任意の計測値を出力することが可能な機器、装置、設備、施設、工場、プラント等を含む。異常検知装置１と、対象機器Ｔとは、ネットワークＮを介して互いに接続されている。ネットワークＮは、例えば、ＷＡＮ（Wide Area Network）やＬＡＮ（Local Area Network）、インターネット、専用回線等を含む。
　異常検知装置１は、例えば、通信部１０と、算出部１２と、検出部１４と、異常判定部１６（判定部の一例）と、学習部１８と、更新判定部２０（決定部の一例）と、発報部２２と、記憶部２４とを備える。異常検知装置１は、通信部１０を介して、対象機器Ｔからデータを取得して記憶部２４に記憶させる。対象機器Ｔから取得されるデータには、対象機器Ｔに設置されたセンサ等により計測された計測値Ｄ、対象機器Ｔの状態変更の履歴を示す状態変更履歴Ｈ、動作条件等が含まれる。
　算出部１２は、通信部１０から入力された計測値Ｄを用いて、異常度を算出する。例えば、算出部１２は、対象機器Ｔの動作を学習することにより生成されたモデルＭ（第１モデル）を記憶部２４から読み出し、このモデルＭを用いた機械学習により対象機器Ｔの挙動の予測値を算出し、この予測値と、計測値との誤差である異常度を算出する。
　算出部１２における機械学習では、多層構造のニューラルネットワーク（Ｄｅｅｐ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ：ＤＮＮ）、畳み込みニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎａｌ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ：ＣＮＮ）、再帰型ニューラルネットワーク（Ｒｅｃｕｒｒｅｎｔ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ：ＲＮＮ）等を用いたディープラーニング技術を採用してよい。
　検出部１４は、算出部１２によって算出された異常度に対してフィルタリングを行い、フィルタリング後の異常度のデータにおける、予め設定された閾値を超えているまたは閾値以上である異常度（以下、単に「閾値を超えている異常度」と呼ぶ）の存在を検出する。すなわち、検出部１４は、異常度の時間に対する変化度合が所定の値以上である異常度を抑制する。これにより、検出部１４は、時間方向に対する異常度の変化を滑らかにする。検出部１４は、例えば、ローパスフィルター（ＬＰＦ：Low-pass filter）を用いたフィルタリングを行う。検出部１４は、例えば、時間に対する異常度の変化が所定の周波数以下であるデータのみを通過させるフィルタリングを行う。なお、検出部１４は、上述のフィルタリングを行わず、算出部１２によって算出された異常度のデータにおける、予め設定された閾値を超えているまたは閾値以上である異常度の存在（異常度の上昇）を検出してもよい。以下においては、検出部１４が上述のフィルタリングを行う例について説明する。
　異常判定部１６は、閾値を超えている異常度が、「異常（故障の予兆）」および「異常ではない（誤検知）」のいずれを示すものであるのかを判定する。すなわち、異常判定部１６は、所定時間範囲内における、算出部１２によって算出された異常度の上昇の変化度合に基づいて、異常度の上昇が対象機器Ｔの異常を示すものであるか否かを判定する。異常判定部１６は、閾値を超えた異常度の上昇傾向を示したデータが、予め設定された異常度を無視するルール（判定条件）に該当するか否か、所定の判定対象時間内に異常度の上昇が安定するか否か（所定範囲に収まるか否か）、対象機器Ｔにおいて状態変更が行われているか否かに基づいて「異常」または「誤検知」の判定を行う。異常判定部１６の詳細については後述する。
　学習部１８は、異常判定部１６が対象機器Ｔの状態変更が行われていたと判定した場合に、対象機器Ｔの状態変更後の計測値を含む学習データを用いて再学習を行い新たなモデル（第２モデル）を生成する。学習部１８は、例えば、現在のモデル（第１モデル）を生成するために使用したデータと、対象機器Ｔの状態変更後の計測値とをランダムに混合したデータを用いて再学習を行い新たなモデルを生成する。
　更新判定部２０は、現在のモデルおよび新たなモデルの精度評価を行う。更新判定部２０は、現在のモデルにより予測された予測値から算出される異常度（第１異常度）と、新たなモデルにより予測された予測値から算出される異常度（第２異常度）とを比較し、より低い異常度を算出したモデルを精度が高いモデルであると判定する。更新判定部２０は、現在のモデルの精度が高いと判定した場合、現在のモデルを以後の機械学習で使用するモデルに決定し、記憶部２４に記憶されたモデル（現在のモデル）は更新しない。一方、更新判定部２０は、新たなモデルの精度が高いと判定した場合、新たなモデルを以後の機械学習で使用するモデルに決定し、記憶部２４に記憶されたモデル（現在のモデル）を新たなモデルで更新する。
　発報部２２は、異常判定部１６が「異常」と判定した場合に、管理者等に異常が発生した旨を発報する。発報部２２は、音声、警告音等により異常が発生した旨を発報する。なお、発報部２２は、表示部（図示しない）に異常が発生した旨を表示させてもよい。
　異常検知装置１の各機能部は、コンピュータ等に搭載されるＣＰＵ等のプロセッサが、プログラムメモリ等に記憶されたプログラムを実行することで実現される。なお、これらの機能部は、プロセッサがプログラムを実行するのと同様の機能を有するＬＳＩ（Large Scale Integration）、ＡＳＩＣ（Application Specific Integrated Circuit）、およびＦＰＧＡ（Field-Programmable Gate Array）、ＧＰＵ（Graphics Processing Unit）等のハードウェアにより実現されてもよいし、ソフトウェアとハードウェアが協働することにより実現されてもよい。
　記憶部２４は、対象機器Ｔから取得された計測値Ｄ、モデルＭ、状態変更履歴等を記憶する。記憶部２４は、例えば、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、ＨＤＤ（Hard Disk Drive）フラッシュメモリ、ＳＤカード、レジスタ、またはこれらのうち複数が組み合わされたハイブリッド型記憶装置等により実現される。また、記憶部２４の一部または全部は、ＮＡＳ（Network Attached Storage）や外部のストレージサーバ等、異常検知装置１がアクセス可能な外部装置であってもよい。
　次に、異常検知装置１の動作について説明する。図３は、異常検知装置１の処理の一例を示すフローチャートである。図３に示すフローチャートの処理は対象機器Ｔの異常検知を行っている間に継続的に繰り返し実行される。
　まず、異常検知装置１は、通信部１０を介して、対象機器Ｔから計測値Ｄを取得する（ステップＳ１０１）。異常検知装置１は、取得した計測値Ｄを記憶部２４に記憶させる。異常検知装置１は、対象機器Ｔに状態変更が行われている場合には、その状態変更の履歴を示す状態変更履歴Ｈを取得し、記憶部２４に記憶させる。
　次に、算出部１２は、通信部１０から入力された計測値Ｄを用いて、異常度を算出する（ステップＳ１０３）。例えば、算出部１２は、モデルＭを記憶部２４から読み出し、このモデルＭを用いた機械学習により対象機器Ｔの挙動の予測値を算出し、この予測値と、計測値との誤差である異常度を算出する。算出部１２は、例えば、未来のある時点における対象機器Ｔの挙動の予測値を算出し、この予測値と、同時点において実際に計測された計測値との誤差である異常度を算出する。算出部１２は、算出した異常度を検出部１４に入力する。
　次に、検出部１４は、算出部１２から入力された異常度に対してフィルタリングを行う（ステップＳ１０５）。検出部１４は、例えば、ローパスフィルターを用いたフィルタリングを行う。図４および５は、フィルタリングの前後における異常度の時間変化を示すグラフである。図４に示すように、図２に示す「パターン４」に相当する単一のスパイク状の異常度の上昇は、フィルタリングにより抑制される。これにより、後述する異常判定部１６の処理において、単一のスパイク状の異常度の上昇は「異常」と判定されないため誤検知を抑制することができる。
　また、図５に示すように、図２に示す「パターン４」に相当する単一のスパイク状の異常度の上昇がフィルタリングにより抑制されることで、図２に示す「パターン３」に相当する矩形型の異常度の上昇傾向の判定が可能となる。これにより、後述する異常判定部１６の処理において、異常度の安定が早期に判定でき、異常度の上昇傾向が捉えやすくなり、図２に示す「パターン３」に相当する矩形型の判定が可能となる。なお、検出部１４は、ローパスフィルターに代えて、異常度の上昇傾向を捉えやすくするような別のフィルターを用いてもよい。また、検出部１４は、異常度の上昇傾向に関する予め定められたルール（例えば、スパイク状の異常度の上昇の数、出現頻度等に関するルール）に基づいて、このルールに合致する異常度のデータを除外するようにしてもよい。
　次に、検出部１４は、フィルタリングを行った異常度のデータに、閾値を超えているデータが存在するか否かを判定する（ステップＳ１０７）。検出部１４がフィルタリングを行った異常度のデータに閾値を超えているデータが存在しないと判定した場合、異常検知装置１は、本フローチャートのこれ以降の処理を行わず、再度、上述の計測値の取得処理に戻り、同様な処理を繰り返す。
　一方、検出部１４は、フィルタリングを行った異常度のデータに、閾値を超えているデータが存在すると判定した場合、異常判定部１６を起動する。検出部１４によって起動された異常判定部１６は、閾値を超えている異常度が、「異常」および「誤検知」のいずれを示すものであるのかを判定する異常判定を行う（ステップＳ１０９）。図６は、異常検知装置１の異常判定処理の一例を示すフローチャートである。
　まず、異常判定部１６は、検出部１４によって起動された起動時刻ｔを、例えば、メモリ（図示しない）や記憶部２４等に記録する（ステップＳ２０１）。次に、異常判定部１６は、閾値を超える異常度の算出に使用された計測値が、異常度を無視するルールに当てはまるか否かを判定する（ステップＳ２０３）。例えば、異常度を無視するルールとして「出力電圧が０ボルト（停止期間のため異常検知対象外）」が予め定められており、計測値がこのルールに該当する場合、異常判定部１６は、異常度を無視するルールに当てはまると判定する。異常判定部１６は、閾値を超える異常度の算出に使用された計測値が、異常度を無視するルールに当てはまると判定した場合、「ルール該当」と判定し（ステップＳ２１７）、本フローチャートの処理を終了する。
　一方、異常判定部１６は、閾値を超える異常度の算出に使用された計測値が、異常度を無視するルールに当てはまらないと判定した場合、起動時刻ｔから所定の時間幅Ｘに含まれる異常度を抽出し、この時間幅Ｘの異常度が安定しているか否かを判定する（ステップＳ２０５）。異常判定部１６は、例えば、抽出した時間幅Ｘの異常度の標準偏差が所定の分散閾値Ｄ以下であるか否かを判定し、所定の分散閾値Ｄ以下である場合には異常度が安定していると判定する。異常判定部１６は、図２に示すパターン３のような矩形型の異常度の上昇傾向に関しては、時間の経過とともに、異常度が安定していると判定する。
　異常判定部１６は、時間幅Ｘの異常度が安定していると判定した場合、例えば、記憶部２４に記憶された状態変更履歴Ｈを参照し、起動時刻ｔから状態変更に必要とされる時間Ａを減算した時刻（ｔ－Ａ）から、起動時刻ｔまでの間に対象機器Ｔの状態変更が行われているか否かを判定する（ステップＳ２０７）。対象機器Ｔの状態変更が行われている場合、異常度の上昇は状態変更に起因するものであると考えられる。このため、異常判定部１６は、対象機器Ｔの状態変更が行われていると判定した場合、「異常無し」と判定し（ステップＳ２１５）、本フローチャートの処理を終了する。一方、対象機器Ｔの状態変更が行われていない場合、異常度の上昇は状態変更によるものではない何らかの異常な要因に起因するものであると考えられる。このため、異常判定部１６は、対象機器Ｔの状態変更が行われていないと判定した場合、「異常有り」と判定し（ステップＳ２１１）、本フローチャートの処理を終了する。
　一方、異常判定部１６は、時間幅Ｘの異常度が安定していないと判定した場合、判定対象とする全ての異常度に対する処理が完了したか否かを判定する（ステップＳ２０９）。異常判定部１６は、例えば、起動時刻ｔから所定時間Ｓ経過までに含まれる異常度を判定対象と設定している場合、この起動時刻ｔから所定時間Ｓ経過までに含まれる異常度に対する処理が完了したか否かを判定する。異常判定部１６は、判定対象とする全ての異常度の処理が完了したと判定した場合（起動時刻ｔから所定時間Ｓ経過までに異常度が安定しなかった場合）、「異常有り」と判定し（ステップＳ２１１）、本フローチャートの処理を終了する。一方、異常判定部１６は、判定対象とする全ての異常度の処理が完了していないと判定した場合、次の時間幅Ｘの異常度（すなわち、起動時刻ｔ＋Ｘからｔ＋２Ｘまでの期間に含まれる異常度）を抽出し（ステップＳ２１３）、この次の時間幅Ｘの異常度が安定しているか否かを判定する（ステップＳ２０５）。
　図３に示すフローチャートの説明に戻る。次に、異常判定部１６は、「ルール該当」と判定している場合（ステップＳ１１１）、本フローチャートのこれ以降の処理を行わず、再度、上述の計測値の取得処理に戻り、同様な処理を繰り返す。
　一方、異常判定部１６は、「ルール該当」と判定しておらず、かつ、「異常有り」と判定している場合（ステップＳ１１３）、発報部２２を起動する。発報部２２は、管理者等に異常が発生した旨を発報する（ステップＳ１１５）。
　一方、異常判定部１６は、「ルール該当」と判定しておらず、かつ、「異常無し」と判定している場合（ステップＳ１１３）（すなわち、対象機器Ｔの状態変更が行われていると判定した場合）、学習部１８を起動する。学習部１８は、対象機器Ｔの状態変更後の計測値を含む学習データを用いて再学習を行い（ステップＳ１１７）、新たなモデルを生成する。学習部１８は、例えば、現在のモデルを生成するために使用したデータと、対象機器Ｔの状態変更後の計測値とをランダムに混合したデータを用いて再学習を行い新たなモデルを生成する。学習部１８は、生成した新たなモデルと、再学習に用いた学習データと、直近の所定期間（例えば、直近１ヶ月等）の計測値から再学習に用いた学習データを除外した評価用データとを、更新判定部２０に入力する。
　次に、更新判定部２０は、学習部１８から入力された評価用データを用いて、現在のモデルおよび新たなモデルの精度評価を行い、モデルの更新が必要か否かを判定する（ステップＳ１１９）。更新判定部２０は、例えば、現在のモデルにより予測された予測値から算出される異常度と、新たなモデルにより予測された予測値から算出される異常度とを比較し、現在のモデルに基づく異常度が、新たなモデルに基づく異常度よりも高い場合に、モデルの更新が必要と判定し、現在のモデルに基づく異常度が、新たなモデルに基づく異常度よりも低い場合に、モデルの更新が不要と判定する。更新判定部２０は、例えば、評価用データに含まれる複数のデータにおいて、異常度の平均値等を用いて、いずれのモデルの異常度が低いかを判定する。
　更新判定部２０は、モデルの更新が必要と判定した場合、記憶部２４に記憶された現在のモデルを新たなモデルで更新する（ステップＳ１２１）。一方、更新判定部２０は、モデルの更新が不要と判定した場合、記憶部２４に記憶された現在のモデルの更新を行わない。以上により、本フローチャートの一連の処理を終了し、再度、上述の計測値の取得処理に戻り、同様な処理を繰り返す。
　以下、実施例を示し、実施形態をより具体的に説明する。
　（実施例１）
　実施例１において、異常度の時系列データを準備し、この異常度の時系列データに対してローパスフィルターによるフィルタリングを行った結果を示す。フィルタリングにおけるサンプリング周波数を１．０（Ｈｚ）とし、タップ数を６００とし、カットオフ周波数を０．０５（Ｈｚ）に設定した。
　図７は、図２に示すパターン１（徐々に上昇）に相当する時系列データに対して、ローパスフィルターによるフィルタリングを行った前後の様子を示す。図８は、図２に示すパターン２（連続のスパイク）に相当する時系列データに対して、ローパスフィルターによるフィルタリングを施した前後の様子を示す。
　図７に示す実施例では、フィルタリング前における異常度の急激な変動が抑制された結果、曲線が平滑化され異常度の上昇傾向の判定が容易となることが分かった。また、フィルタリング後の異常度に関して、閾値を定め（Ｓ１）、閾値を超えた時刻（上述の起動時刻ｔ）を記録し（Ｓ２）、起動時刻ｔから所定時間Ｓを経過する間に異常度の上昇が安定するかを確認した。この実施例では、異常度の上昇が安定しないことが分かった。これにより、後続する異常判定部１６の処理では、この徐々に上昇する異常度の上昇は「異常」と判定されることが分かった。
　図８に示す例では、フィルタリングの結果、連続のスパイク状の異常度の大きさが全体的に減少しているが、依然として閾値を超えていることが示されている。これにより、後続する異常判定部１６の処理では、この連続のスパイク状の異常度の上昇は「異常」と判定されることが分かった。
　図９は、実施例１において、図２に示すパターン３（矩形）に相当する時系列データに対して、ローパスフィルターによるフィルタリングを行った前後の様子を示す。図１０は、実施例１において、図２に示すパターン４（単一のスパイク）に相当する時系列データに対して、ローパスフィルターによるフィルタリングを行った前後の様子を示す。
　図９に示す実施例では、フィルタリング前における異常度の急激な変動が抑制された結果、曲線が平滑化され異常度の上昇傾向の判定（矩形型）が容易となることが分かった。また。フィルタリング後の異常度に関して、閾値を定め（Ｓ１）、閾値を超えた時刻（上述の起動時刻ｔ）を記録し（Ｓ２）、起動時刻ｔから所定時間Ｓを経過する間に異常度の上昇が安定するかを確認した。この実施例では、異常度の上昇が安定することが確認できた。この場合、記憶部２４に記憶された時刻ｔ－ＡからＡまでの間の状態変更履歴Ｈを確認することで（Ｓ４）、異常度の急激な上昇が状態変更によるものであるのか、または、故障の予兆を示すものであるのかを判定することが可能となる。
　また、図１０に示す実施例では、フィルタリングによって、単一のスパイク状の異常度の上昇が抑制され、異常度が閾値未満の値に抑えられている。これにより、後続する異常判定部１６の処理では、この単一のスパイク状の異常度の上昇は「異常ではない」と判定され、誤検知を抑制することが可能となることが分かった。
　（実施例２）
　次に、実施例２において、異常度の時系列データを準備し、この異常度の時系列データに対してローパスフィルターによるフィルタリングを行い、矩形と判定されたデータを学習した場合の異常度の様子を確認した。フィルタリングにおけるサンプリング周波数を１．０（Ｈｚ）とし、タップ数を６００とし、カットオフ周波数を０．０５（Ｈｚ）に設定した。
　図１１は、異常度の時系列データに対してフィルタリングを行い、矩形と判定された異常度の算出に使用された計測値を学習した場合の異常度の変化を示す。この実施例では、異常度の時系列データに対して、ローパスフィルターによるフィルタリングを施した後、まずは、矩形１の範囲の状態変化後の計測値を学習して新たなモデルを生成することで、矩形１の範囲における異常度の上昇が抑えられる（状態変化学習後１参照）。さらに、矩形２の範囲の状態変化後の計測値を学習して新たなモデルを生成することで、矩形２の範囲における異常度の上昇が抑えられる（状態変化学習後２参照）。これにより、状態変化学習後２における「徐々に上昇１」の異常度の上昇に基づいて、異常を検知し、発報処理を行うことが可能となる。
　以上で説明した実施形態によれば、異常検知における誤検知を抑制し、検知精度を向上させることが可能となる。これにより、異常度に対する閾値を低く設定することが可能となり、故障につながる予兆を早期に検出することが可能となる。また、状態変更があった場合にはモデルの更新を行うことで、誤検知への対処を自動的に完了することが可能である。このため、作業者によるモデルの修正が不要となる。また、異常検知開始時点において対象機器Ｔの全ての状態を網羅した学習が完了していない場合であっても、異常検知を正常に実施および運用することが可能となる。
　本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。

Claims (12)

  1. 　対象機器から取得されたデータを用いて機械学習により予測される予測値と、前記対象機器において実際に計測された計測値とに基づいて異常度を算出する算出部と、
    　所定時間範囲内における、前記算出部によって算出された前記異常度の変化の度合に基づいて、前記異常度の変化が前記対象機器の異常を示すものであるか否かを判定する判定部と、
    　を備える異常検知装置。
  2. 　前記算出部によって算出された前記異常度の変化を検出する検出部をさらに備える、
    　請求項１に記載の異常検知装置。
  3. 　前記判定部は、前記検出部が閾値を超える一方向への前記異常度の変化を検出し、かつ、所定の判定対象時間内に前記異常度の値の変動が所定範囲内に収まった場合に、前記対象機器の状態の変更履歴を参照する、
    　請求項２に記載の異常検知装置。
  4. 　前記判定部は、前記異常度が前記閾値を超える前に、前記対象機器の状態の変更履歴が存在する場合、前記異常度の変化が前記対象機器の異常を示すものではないと判定する、
    　請求項３に記載の異常検知装置。
  5. 　前記検出部は、前記異常度のフィルタリングを行い、前記異常度の時間に対する変化度合が所定の値以上である前記異常度を抑制する、
    　請求項２から４のいずれか一項に記載の異常検知装置。
  6. 　前記判定部は、予め設定された異常度の判定条件に基づいて、前記対象機器から取得されたデータを異常度の評価の対象から除外するか否かを判定する、
    　請求項１から５のいずれか一項に記載の異常検知装置。
  7. 　前記判定部が、前記異常度が閾値を超える前に、前記対象機器の状態の変更履歴が存在し、前記異常度の変化が前記対象機器の異常を示すものではないと判定した場合に、前記対象機器の状態の変更後に取得されたデータと、前記機械学習に使用された第１モデルの生成に使用されたデータとを混合した学習データを生成し、前記学習データを使用して第２モデルを生成する学習部をさらに備える、
    　請求項１から６のいずれか一項に記載の異常検知装置。
  8. 　前記機械学習に使用された前記第１モデルと、前記学習部で生成された前記第２モデルとの精度を比較し、精度が高いモデルを機械学習に使用するモデルとして決定する決定部をさらに備える、
    　請求項７に記載の異常検知装置。
  9. 　前記決定部は、前記第１モデルに基づいて算出される第１異常度と、前記第２モデルに基づいて算出される第２異常度とを比較し、算出された異常度の絶対値が低いモデルを機械学習に使用するモデルとして決定する、
    　請求項８に記載の異常検知装置。
  10. 　前記判定部が前記異常度の変化が前記対象機器の異常を示すものであると判定した場合に、前記異常の発生を発報する発報部をさらに備える、
    　請求項１から９のいずれか一項に記載の異常検知装置。
  11. 　対象機器から取得されたデータを用いて機械学習により予測される予測値と、前記対象機器において実際に計測された計測値とに基づいて異常度を算出し、
    　所定時間範囲内における、前記算出された前記異常度の変化の度合に基づいて、前記異常度の変化が前記対象機器の異常を示すものであるか否かを判定する、
    　異常検知方法。
  12. 　コンピュータに、
    　対象機器から取得されたデータを用いて機械学習により予測される予測値と、前記対象機器において実際に計測された計測値とに基づいて異常度を算出させ、
    　所定時間範囲内における、前記算出された前記異常度の変化の度合に基づいて、前記異常度の変化が前記対象機器の異常を示すものであるか否かを判定させる、
    　プログラム。
PCT/JP2018/022730 2017-06-14 2018-06-14 異常検知装置、異常検知方法、およびプログラム Ceased WO2018230645A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2019525517A JP6906612B2 (ja) 2017-06-14 2018-06-14 異常検知装置、異常検知方法、およびプログラム
US16/706,922 US20200150159A1 (en) 2017-06-14 2019-12-09 Anomaly detection device, anomaly detection method, and storage medium

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2017-116610 2017-06-14
JP2017116610 2017-06-14

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US16/706,922 Continuation US20200150159A1 (en) 2017-06-14 2019-12-09 Anomaly detection device, anomaly detection method, and storage medium

Publications (1)

Publication Number Publication Date
WO2018230645A1 true WO2018230645A1 (ja) 2018-12-20

Family

ID=64660737

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2018/022730 Ceased WO2018230645A1 (ja) 2017-06-14 2018-06-14 異常検知装置、異常検知方法、およびプログラム

Country Status (3)

Country Link
US (1) US20200150159A1 (ja)
JP (1) JP6906612B2 (ja)
WO (1) WO2018230645A1 (ja)

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110311927A (zh) * 2019-07-30 2019-10-08 中国工商银行股份有限公司 数据处理方法及其装置、电子设备和介质
JPWO2020255305A1 (ja) * 2019-06-19 2020-12-24
JP2021022311A (ja) * 2019-07-30 2021-02-18 株式会社リコー 異常検知装置、異常検知システムおよびプログラム
WO2021075102A1 (ja) * 2019-10-17 2021-04-22 ソニー株式会社 情報処理装置、情報処理方法、及びプログラム
JP2021089463A (ja) * 2019-12-02 2021-06-10 Kddi株式会社 異常値検出装置、異常値検出方法及び異常値検出プログラム
JPWO2021161625A1 (ja) * 2020-02-12 2021-08-19
WO2021161559A1 (ja) * 2020-02-12 2021-08-19 三菱重工業株式会社 物理量計算装置、操作量計算装置、物理量計算方法およびプログラム
JP2021149358A (ja) * 2020-03-18 2021-09-27 三菱電機株式会社 監視制御システムの設計支援装置及び監視制御システムの設計支援方法
WO2021245898A1 (ja) * 2020-06-05 2021-12-09 三菱電機株式会社 故障予兆検知装置、故障予兆検知方法、故障予兆検知プログラム、学習装置、学習済みの学習モデルの生成方法、学習済みの学習モデル生成プログラム
JP2022102849A (ja) * 2020-12-25 2022-07-07 東京瓦斯株式会社 故障診断装置、故障診断システム、及び故障診断プログラム
JPWO2022172452A1 (ja) * 2021-02-15 2022-08-18
JP2022161337A (ja) * 2021-04-08 2022-10-21 キヤノン株式会社 情報処理装置、情報処理方法およびプログラム
JP2022548227A (ja) * 2019-09-11 2022-11-17 シー３．エーアイ， インコーポレイテッド 製造プロセスリスクを予測するためのシステムおよび方法
JP2023096399A (ja) * 2021-12-27 2023-07-07 トヨタ自動車株式会社 評価方法
JP2023168693A (ja) * 2022-05-16 2023-11-29 富士電機株式会社 誤検知判別装置、誤検知判別方法及びプログラム
CN117195008A (zh) * 2023-11-08 2023-12-08 山东神光航天科技有限公司 一种用于空气质量监测的异常数据处理方法
US12084288B2 (en) 2019-10-02 2024-09-10 Ebara Corporation Conveyance abnormality prediction system
WO2024190135A1 (ja) * 2023-03-13 2024-09-19 コニカミノルタ株式会社 モデル管理方法、モデル管理システム及びプログラム
US12460994B2 (en) 2019-02-07 2025-11-04 Denso Corporation Abnormality detection device

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020086860A1 (en) * 2018-10-24 2020-04-30 Affirmed Networks, Inc. Anomaly detection and classification in networked systems
US11394774B2 (en) * 2020-02-10 2022-07-19 Subash Sundaresan System and method of certification for incremental training of machine learning models at edge devices in a peer to peer network
JP7546224B2 (ja) * 2020-08-26 2024-09-06 パナソニックＩｐマネジメント株式会社 異常検出装置、異常検出方法及びプログラム
CN112697306A (zh) * 2020-12-09 2021-04-23 东软睿驰汽车技术（沈阳）有限公司 一种电池包内部温度异常的检测方法、装置及相关产品
JP7226424B2 (ja) * 2020-12-14 2023-02-21 横河電機株式会社 異常温度検知装置、異常温度検知方法、及び異常温度検知プログラム
CN116304953A (zh) * 2023-04-18 2023-06-23 深圳依时货拉拉科技有限公司 数据检测方法、装置、电子设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH03235027A (ja) * 1990-02-09 1991-10-21 Toshiba Corp 異常検出装置
JPH06264704A (ja) * 1993-03-10 1994-09-20 Toshiba Corp 回転機械の振動診断装置
JP4046309B2 (ja) * 1999-03-12 2008-02-13 株式会社東芝 プラント監視装置
JP2009103525A (ja) * 2007-10-22 2009-05-14 Gunma Prefecture ギヤ歯面の異常診断方法及びこれを用いたギヤ歯面の異常診断装置
JP5535883B2 (ja) * 2010-11-25 2014-07-02 三菱重工業株式会社 制御装置および状態量取得装置
US20150226645A1 (en) * 2013-08-29 2015-08-13 Bnf Technology Inc. Method for predicting a plant health status, system for predicting a plant health status, and a computer-readable storage medium in which a program for performing the method is stored
WO2017064855A1 (ja) * 2015-10-13 2017-04-20 日本電気株式会社 構造物異常検知システム、構造物異常検知方法及び記録した記録媒体

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH03235027A (ja) * 1990-02-09 1991-10-21 Toshiba Corp 異常検出装置
JPH06264704A (ja) * 1993-03-10 1994-09-20 Toshiba Corp 回転機械の振動診断装置
JP4046309B2 (ja) * 1999-03-12 2008-02-13 株式会社東芝 プラント監視装置
JP2009103525A (ja) * 2007-10-22 2009-05-14 Gunma Prefecture ギヤ歯面の異常診断方法及びこれを用いたギヤ歯面の異常診断装置
JP5535883B2 (ja) * 2010-11-25 2014-07-02 三菱重工業株式会社 制御装置および状態量取得装置
US20150226645A1 (en) * 2013-08-29 2015-08-13 Bnf Technology Inc. Method for predicting a plant health status, system for predicting a plant health status, and a computer-readable storage medium in which a program for performing the method is stored
WO2017064855A1 (ja) * 2015-10-13 2017-04-20 日本電気株式会社 構造物異常検知システム、構造物異常検知方法及び記録した記録媒体

Cited By (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12460994B2 (en) 2019-02-07 2025-11-04 Denso Corporation Abnormality detection device
JPWO2020255305A1 (ja) * 2019-06-19 2020-12-24
WO2020255305A1 (ja) * 2019-06-19 2020-12-24 日本電気株式会社 予測モデル再学習装置、予測モデル再学習方法及びプログラム記録媒体
JP7276450B2 (ja) 2019-06-19 2023-05-18 日本電気株式会社 予測モデル再学習装置、予測モデル再学習方法及びプログラム
JP2021022311A (ja) * 2019-07-30 2021-02-18 株式会社リコー 異常検知装置、異常検知システムおよびプログラム
CN110311927A (zh) * 2019-07-30 2019-10-08 中国工商银行股份有限公司 数据处理方法及其装置、电子设备和介质
JP2022548227A (ja) * 2019-09-11 2022-11-17 シー３．エーアイ， インコーポレイテッド 製造プロセスリスクを予測するためのシステムおよび方法
US12181866B2 (en) 2019-09-11 2024-12-31 C3.Ai, Inc. Systems and methods for predicting manufacturing process risks
US12084288B2 (en) 2019-10-02 2024-09-10 Ebara Corporation Conveyance abnormality prediction system
TWI880957B (zh) * 2019-10-02 2025-04-21 日商荏原製作所股份有限公司 搬送異常預測系統及搬送異常預測方法
WO2021075102A1 (ja) * 2019-10-17 2021-04-22 ソニー株式会社 情報処理装置、情報処理方法、及びプログラム
US20220334674A1 (en) * 2019-10-17 2022-10-20 Sony Group Corporation Information processing apparatus, information processing method, and program
US12014008B2 (en) 2019-10-17 2024-06-18 Sony Group Corporation Information processing apparatus, information processing method, and program
JP7324131B2 (ja) 2019-12-02 2023-08-09 Kddi株式会社 異常値検出装置、異常値検出方法及び異常値検出プログラム
JP2021089463A (ja) * 2019-12-02 2021-06-10 Kddi株式会社 異常値検出装置、異常値検出方法及び異常値検出プログラム
WO2021161559A1 (ja) * 2020-02-12 2021-08-19 三菱重工業株式会社 物理量計算装置、操作量計算装置、物理量計算方法およびプログラム
WO2021161625A1 (ja) * 2020-02-12 2021-08-19 三菱重工業株式会社 物理量計算装置、操作量計算装置、物理量計算方法、プログラムおよび運転最適化システム
JPWO2021161625A1 (ja) * 2020-02-12 2021-08-19
JP2021149358A (ja) * 2020-03-18 2021-09-27 三菱電機株式会社 監視制御システムの設計支援装置及び監視制御システムの設計支援方法
JP7308783B2 (ja) 2020-03-18 2023-07-14 三菱電機株式会社 監視制御システムの設計支援装置及び監視制御システムの設計支援方法
JP7168127B2 (ja) 2020-06-05 2022-11-09 三菱電機株式会社 故障予兆検知装置、故障予兆検知方法、故障予兆検知プログラム、学習装置、学習済みの学習モデルの生成方法、学習済みの学習モデル生成プログラム
US12572624B1 (en) 2020-06-05 2026-03-10 Mitsubishi Electric Corporation Failure predictor detection device, failure predictor detection method, training device, and trained learning model generation method
WO2021245898A1 (ja) * 2020-06-05 2021-12-09 三菱電機株式会社 故障予兆検知装置、故障予兆検知方法、故障予兆検知プログラム、学習装置、学習済みの学習モデルの生成方法、学習済みの学習モデル生成プログラム
JPWO2021245898A1 (ja) * 2020-06-05 2021-12-09
JP2022102849A (ja) * 2020-12-25 2022-07-07 東京瓦斯株式会社 故障診断装置、故障診断システム、及び故障診断プログラム
JP7529560B2 (ja) 2020-12-25 2024-08-06 東京瓦斯株式会社 故障診断装置、故障診断システム、及び故障診断プログラム
JP7350198B2 (ja) 2021-02-15 2023-09-25 三菱電機株式会社 データ処理装置及びデータ処理方法
JPWO2022172452A1 (ja) * 2021-02-15 2022-08-18
JP2022161337A (ja) * 2021-04-08 2022-10-21 キヤノン株式会社 情報処理装置、情報処理方法およびプログラム
JP7650185B2 (ja) 2021-04-08 2025-03-24 キヤノン株式会社 情報処理装置、情報処理方法およびプログラム
JP7643329B2 (ja) 2021-12-27 2025-03-11 トヨタ自動車株式会社 評価方法
JP2023096399A (ja) * 2021-12-27 2023-07-07 トヨタ自動車株式会社 評価方法
JP2023168693A (ja) * 2022-05-16 2023-11-29 富士電機株式会社 誤検知判別装置、誤検知判別方法及びプログラム
WO2024190135A1 (ja) * 2023-03-13 2024-09-19 コニカミノルタ株式会社 モデル管理方法、モデル管理システム及びプログラム
CN117195008B (zh) * 2023-11-08 2024-03-12 山东神光航天科技有限公司 一种用于空气质量监测的异常数据处理方法
CN117195008A (zh) * 2023-11-08 2023-12-08 山东神光航天科技有限公司 一种用于空气质量监测的异常数据处理方法

Also Published As

Publication number Publication date
JPWO2018230645A1 (ja) 2020-05-21
US20200150159A1 (en) 2020-05-14
JP6906612B2 (ja) 2021-07-21

Similar Documents

Publication Publication Date Title
JP6906612B2 (ja) 異常検知装置、異常検知方法、およびプログラム
JP6770802B2 (ja) プラント異常監視方法およびプラント異常監視用のコンピュータプログラム
EP3671466B1 (en) Unsupervised anomaly detection for arbitrary time series
KR102858555B1 (ko) 시계열 기반 이상 탐지 방법 및 시스템
US11521105B2 (en) Machine learning device and machine learning method for learning fault prediction of main shaft or motor which drives main shaft, and fault prediction device and fault prediction system including machine learning device
CN114647923B (zh) 用于监测资产剩余使用寿命的装置、方法和计算机程序产品
CN110068435B (zh) 振动分析系统及方法
TWI892075B (zh) 用於智慧地模仿工廠控制系統及模擬回應資料之方法、系統及設備
JP7648362B2 (ja) 異常診断装置及び異常診断方法
CN106652393B (zh) 假警报确定方法及装置
KR102079359B1 (ko) 개선된 sax 기법 및 rtc 기법을 이용한 공정 모니터링 장치 및 방법
US11604449B2 (en) Apparatus for monitoring an actuator system, method for providing an apparatus for monitoring an actuator system and method for monitoring an actuator system
CN116034326A (zh) 用于异常检测的监测设备和方法
EP2135144B1 (en) Machine condition monitoring using pattern rules
US11228606B2 (en) Graph-based sensor ranking
JP2022084435A5 (ja)
US11892829B2 (en) Monitoring apparatus, method, and program
US7958062B2 (en) Method and system of creating health operating envelope for dynamic systems by unsupervised learning of a sequence of discrete event codes
US10295965B2 (en) Apparatus and method for model adaptation
CN118159964A (zh) 用于信息物理系统中的节点选择和排名的系统和方法
KR101977214B1 (ko) 이상치 탐지 방법, 이를 이용하는 장치 및 시스템
CN119888986A (zh) 一种火灾探测器的状态检测方法、装置、设备及介质
WO2020089968A1 (ja) 情報処理装置
JP5970395B2 (ja) 異常検出方法、プログラムおよび異常検出装置
WO2018078769A1 (ja) 制御装置

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: 18818945

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2019525517

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18818945

Country of ref document: EP

Kind code of ref document: A1