WO2020115827A1 - 異常検知装置及び異常検知方法 - Google Patents

異常検知装置及び異常検知方法 Download PDF

Info

Publication number
WO2020115827A1
WO2020115827A1 PCT/JP2018/044643 JP2018044643W WO2020115827A1 WO 2020115827 A1 WO2020115827 A1 WO 2020115827A1 JP 2018044643 W JP2018044643 W JP 2018044643W WO 2020115827 A1 WO2020115827 A1 WO 2020115827A1
Authority
WO
WIPO (PCT)
Prior art keywords
waveform
data
abnormality detection
learning
deviation
Prior art date
Application number
PCT/JP2018/044643
Other languages
English (en)
French (fr)
Inventor
隆顕 中村
Original Assignee
三菱電機株式会社
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 三菱電機株式会社 filed Critical 三菱電機株式会社
Priority to CN201880099824.5A priority Critical patent/CN113168171B/zh
Priority to JP2020558720A priority patent/JP6827608B2/ja
Priority to EP18942235.5A priority patent/EP3879370B1/en
Priority to PCT/JP2018/044643 priority patent/WO2020115827A1/ja
Publication of WO2020115827A1 publication Critical patent/WO2020115827A1/ja
Priority to US17/232,565 priority patent/US20210231535A1/en

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
    • 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
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • G06F16/2365—Ensuring data consistency and integrity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24042—Signature analysis, compare recorded with current data, if error then alarm

Definitions

  • the present invention relates to an abnormality detection device and an abnormality detection method for determining whether or not equipment is abnormal.
  • the conventional anomaly detection method for detecting anomalies in equipment is time series data for anomaly detection that shows the status of equipment at multiple times in time series, and time series data in normal time collected when the equipment is normal. Compare with.
  • the conventional anomaly detection method is to detect time-series data (hereinafter, referred to as “partial sequence data”) of a part that behaves differently from normal time-series data from the anomaly detection time-series data, Detects equipment abnormalities.
  • the subsequence data is time-series data in a time zone in which an abnormality may occur in the equipment, but the abnormality does not always occur in the equipment, and the equipment may be normal. ..
  • Patent Document 1 discloses a conventional abnormality detection method and a method of analyzing event information in order to avoid the occurrence of an erroneous determination indicating that the equipment is abnormal when the equipment is normal.
  • An abnormality detection system for detecting an abnormality of equipment is disclosed in combination with.
  • the event information there is information indicating an event related to the operation operation of the equipment by the worker, information indicating an event related to the replacement of parts of the equipment, and the like. Even if the abnormality detection system disclosed in Patent Document 1 detects partial string data, if the detected partial string data is synchronized with the event indicated by the event information, it is determined that no abnormality has occurred in the equipment. judge.
  • the abnormality detection system disclosed in Patent Document 1 needs to prepare event information in advance. If the event detection system disclosed in Patent Document 1 cannot prepare the event information in advance, if the subsequence data is detected when the equipment is normal, the equipment will be erroneously detected as abnormal. There was a problem of making a determination that the occurrence has occurred.
  • the present invention has been made to solve the above problems, and it is possible to avoid the occurrence of an erroneous determination indicating that an abnormality has occurred in equipment without preparing event information in advance.
  • An object is to obtain a detection device and an abnormality detection method.
  • An anomaly detection device is a time series data for anomaly detection showing the state of the equipment of the anomaly detection target at a plurality of times, from the anomaly detection time series data, the degree of anomaly of the equipment at each of a plurality of times for the anomaly detection.
  • An abnormality occurs in the equipment from the time-series data for abnormality detection, based on the deviation score calculation unit that calculates the score and the deviation score for abnormality detection at each of the multiple times calculated by the deviation score calculation unit.
  • the outlier data extraction unit that extracts time-series data for anomaly detection in the time zone that may be operating as anomaly detection outlier data, and changes in the anomaly detection outlier data extracted by the outlier data extraction unit.
  • the waveform shown is the waveform condition that is recognized as the waveform when the equipment is normal, and the waveform of the outlier data for abnormality detection is collated, and the waveform condition and the waveform of the outlier data for abnormality detection are collated.
  • an abnormality determination unit that determines whether or not the equipment is abnormal based on the above.
  • the abnormality determining unit determines that the waveform indicating the change in the deviation data for abnormality detection extracted by the deviation data extracting unit is a waveform when the equipment is normal, and an abnormal condition.
  • An abnormality detection device is configured to collate with the waveform of out-of-detection data for detection and to determine whether or not the equipment is abnormal based on the collation result of the waveform condition and the waveform of out-of-range data for abnormality detection. did. Therefore, the abnormality detection device according to the present invention can avoid the occurrence of an erroneous determination indicating that an abnormality has occurred in equipment without preparing event information in advance.
  • FIG. 3 is a configuration diagram showing an abnormality detection device according to the first embodiment.
  • FIG. 3 is a hardware configuration diagram showing hardware of the abnormality detection device according to the first embodiment. It is a hardware block diagram of a computer when an abnormality detection apparatus is implement
  • FIG. 6A is an explanatory diagram showing an example of the time series data D G,n,t for learning
  • FIG. 6B is an explanatory diagram showing an example of the deviation score S G,n,t for learning and the threshold value S th .
  • FIG. 7A is an explanatory diagram showing an example of the waveform of the learning deviation data OD G,n,ts-te when the waveform type is “upper peak type”, and FIG. 7B is a waveform type “lower peak”.
  • FIG. 7C is an explanatory diagram showing an example of the waveform of the learning deviation data OD G,n,ts-te in the case of “type”, and FIG. 7C is the learning deviation data in the case of the waveform type being “upper and lower peak type”
  • FIG. 7D is an explanatory diagram showing an example of the waveform of OD G,n,ts-te , and FIG.
  • FIG. 7D shows the waveform of the deviation data OD G,n,ts-te for learning when the type of the waveform is “transient rising type”.
  • FIG. 7E is an explanatory diagram showing an example, and FIG. 7E is an explanatory diagram showing an example of a waveform of the deviation data OD G,n,ts-te for learning when the type of the waveform is “transient falling type”.
  • FIG. 6 is an explanatory diagram showing an example of a waveform of the deviation data OD G,n,ts-te for learning when the type is “vibration type”. It is explanatory drawing which shows an example of the feature-value C G,n in the deviation data OD G,n,ts-te for learning.
  • FIG. 10A is an explanatory diagram showing the waveform of the outlier data ODU,ts'-te' for abnormality detection when the abnormality determination processing unit 11 determines that the equipment is normal
  • FIG. 10B is the abnormality determination processing.
  • FIG. 7 is an explanatory diagram showing an example of a histogram generated by the waveform condition generation processing unit 14.
  • FIG. 9 is a configuration diagram showing an abnormality detection device according to a third embodiment.
  • FIG. 11 is a hardware configuration diagram showing hardware of an abnormality detection device according to a third embodiment.
  • 7 is an explanatory diagram showing a list confirmation screen displaying a list of one or more waveform conditions Wp generated by the waveform condition generation processing unit 14.
  • FIG. 1 is a configuration diagram showing an abnormality detection device according to the first embodiment.
  • FIG. 2 is a hardware configuration diagram showing the hardware of the abnormality detection device according to the first embodiment.
  • the learning data input unit 1 is realized by, for example, the input interface circuit 21 shown in FIG.
  • N is an integer of 1 or more.
  • the learning time-series data D G,n,t includes the observed value of the sensor at each time t, and the observed value of the sensor indicates the state of the equipment.
  • the learning data input unit 1 outputs the learning time-series data D G,n,t for which the input has been received , to each of the deviation score calculation unit 3 and the deviation data extraction processing unit 7.
  • equipment to be detected for anomalies equipment such as power generation plants, chemical plants, water and sewage plants, etc. can be considered. Further, as the equipment for which abnormality is detected, air-conditioning equipment, electric equipment, lighting equipment, water supply/drainage equipment, etc. in an office building or factory are conceivable. Further, equipment such as conveyors constituting a production line of the factory, and mounted on automobiles. The equipment or the equipment installed in the railway vehicle can be considered. Further, as the equipment of the abnormality detection target, the equipment of the information system related to the economy or the equipment of the information system related to the management can be considered.
  • the abnormality detection data input unit 2 is realized by, for example, the input interface circuit 22 shown in FIG.
  • the abnormality detection data input unit 2 accepts input of abnormality detection time-series data D U,t that indicates the state of the equipment subject to abnormality detection at a plurality of times t in time series.
  • the time-series data D U,t for abnormality detection includes the observed value of the sensor at each time t, and the observed value of the sensor indicates the state of the equipment.
  • the abnormality detection data input unit 2 outputs the time series data D U,t for abnormality detection to each of the deviation score calculation unit 3 and the deviation data extraction processing unit 7.
  • the deviation score calculation unit 3 is realized by, for example, the deviation score calculation circuit 23 illustrated in FIG. 2.
  • the deviation score calculation unit 3 detects the degree of abnormality of the equipment at each time t from the learning time-series data D G,n,t output from the learning data input unit 1 as deviation for learning.
  • the score is calculated as S G,n,t .
  • the deviation score calculation unit 3 outputs the calculated deviation score S G,n,t for each learning time t to the deviation data extraction unit 4.
  • the deviation score calculation unit 3 determines the abnormality degree of the equipment at each time t from the abnormality detection time-series data D U,t output from the abnormality detection data input unit 2 by the abnormality detection deviation score S U, Calculate as t .
  • the deviation score calculation unit 3 outputs the calculated deviation score S U,t for abnormality detection at each time t to the deviation data extraction unit 4.
  • the deviation data extraction unit 4 includes a threshold value calculation unit 5, a threshold value storage unit 6, and a deviation data extraction processing unit 7.
  • the deviation data extraction unit 4 detects an abnormality in the equipment from the learning time series data D G,n,t based on the learning deviation score S G,n,t calculated by the deviation score calculation unit 3.
  • the time-series data in the time zone in which is likely to occur is extracted as the deviation data OD G,n for learning.
  • the deviation data extraction unit 4 outputs the extracted learning deviation data OD G,n to each of the abnormality determination unit 8 and the waveform condition generation unit 12.
  • the deviation data extraction unit 4 generates an abnormality in equipment from the time series data D U,t for abnormality detection based on the deviation score S U,t for abnormality detection calculated by the deviation score calculation unit 3.
  • Time-series data for abnormality detection in a time zone in which there is a possibility of being extracted is extracted as outlier data ODU,ts'-te' for abnormality detection.
  • the deviation data extraction unit 4 outputs the extracted deviation data ODU,ts'-te' for abnormality detection to the abnormality determination unit 8.
  • the threshold value calculation unit 5 is realized by, for example, the threshold value calculation circuit 24 shown in FIG.
  • the threshold value calculation unit 5 calculates the threshold value S th from the learning deviation score S G,n,t calculated by the deviation score calculation unit 3, and outputs the threshold value S th to the threshold value storage unit 6.
  • the threshold storage unit 6 is realized by, for example, the threshold storage circuit 25 shown in FIG.
  • the threshold storage unit 6 stores the threshold S th output from the threshold calculation unit 5.
  • the outlier data extraction processing unit 7 is realized by, for example, the outlier data extraction processing circuit 26 shown in FIG.
  • the deviation data extraction processing unit 7 compares the learning deviation score S G,n,t at each time t calculated by the deviation score calculation unit 3 with the threshold value S th stored in the threshold value storage unit 6. To do.
  • the outlier data extraction processing unit 7 extracts the learning time-series data D G,n,t based on the result of comparison between the outlier score S G,n,t for learning and the threshold value S th at each time t.
  • Outlier data OD G,n,ts-te for learning is extracted from.
  • the outlier data extraction processing unit 7 outputs the extracted outlier data OD G,n,ts-te for learning to the type determination unit 9, the waveform condition selection unit 10, the waveform classification unit 13, and the waveform condition generation processing unit 14, respectively. To do.
  • the deviation data extraction processing unit 7 compares the deviation score S U,t for abnormality detection at each time t calculated by the deviation score calculation unit 3 with the threshold value S th stored in the threshold value storage unit 6. ..
  • the deviation data extraction processing unit 7 selects from the abnormality detection time-series data D U,t based on the comparison result of the abnormality detection deviation score S U,t and the threshold value S th at each time t.
  • the outlier data ODU,ts'-te' for abnormality detection is extracted.
  • the deviation data extraction processing unit 7 outputs the extracted deviation data ODU,ts'-te' for abnormality detection to each of the type determination unit 9, the waveform condition selection unit 10, and the abnormality determination processing unit 11.
  • the abnormality determination unit 8 includes a type determination unit 9, a waveform condition selection unit 10, and an abnormality determination processing unit 11.
  • the abnormality determination unit 8 compares the waveform condition Wp with the waveform of the outlier data ODU,ts'-te' for abnormality detection extracted by the outlier data extraction unit 4.
  • the waveform condition Wp is a case where it is recognized that the waveform indicating the change in the abnormality detection deviation data ODU,ts'-te' extracted by the deviation data extraction unit 4 is a waveform when the equipment is normal. Is the condition.
  • the abnormality determination unit 8 determines whether or not the equipment is abnormal based on the comparison result between the waveform condition Wp and the waveform of the outlier data ODU,ts'-te' for abnormality detection.
  • the determination result indicating whether or not there is is output to the detection result output unit 16.
  • the type discriminating unit 9 is realized by, for example, the type discriminating circuit 27 shown in FIG. Class determiner 9 calculates out data OD G for learning extracted by the out-data extraction processing unit 7, n, of ts-te feature amount C G, the n, the feature amount C G, the n for learning The type of waveform of the outlier data OD G,n,ts-te is determined. The type determination unit 9 outputs the determined type of the waveform of the learning outlier data OD G,n,ts-te to the waveform classification unit 13.
  • Class determiner 9 is unlinked data OD U for abnormality detection extracted by out data extraction processing unit 7 calculates the feature amount C U of Ts'-te ', out data for anomaly detection from the feature quantity C U The type of the ODU,ts'-te' waveform is determined. The type determination unit 9 outputs the determined type of the waveform of the outlier data ODU,ts'-te' for abnormality detection to the waveform condition selection unit 10.
  • the waveform condition selection unit 10 is realized by, for example, the waveform condition selection circuit 28 shown in FIG.
  • the waveform condition selection unit 10 selects the waveform condition Wp corresponding to the type determined by the type determination unit 9 from the one or more waveform conditions Wp stored in the waveform condition storage unit 15, and selects the selected waveform.
  • the condition Wp is output to the abnormality determination processing unit 11.
  • the abnormality determination processing unit 11 is realized by, for example, the abnormality determination processing circuit 29 shown in FIG.
  • the abnormality determination processing unit 11 collates the waveform condition Wp selected by the waveform condition selection unit 10 with the waveform of the deviation data ODU,ts'-te' for abnormality detection extracted by the deviation data extraction processing unit 7. To do.
  • the abnormality determination processing unit 11 determines whether or not the equipment is abnormal based on the comparison result of the waveform condition Wp and the waveform of the outlier data ODU,ts'-te' for abnormality detection, and the equipment is abnormal.
  • the determination result indicating whether or not is output to the detection result output unit 16.
  • the waveform condition generation unit 12 includes a waveform classification unit 13, a waveform condition generation processing unit 14, and a waveform condition storage unit 15.
  • the type determination unit 9 determines that the waveforms are of the same type among the learning deviation data OD G,n,ts-te extracted by the deviation data extraction unit 4.
  • a waveform condition corresponding to the type is generated from the waveform of one or more pieces of deviation data OD G,n,ts-te for learning.
  • the waveform condition generation unit 12 stores the generated waveform condition.
  • the waveform classification section 13 is realized by, for example, the waveform classification circuit 30 shown in FIG.
  • the type determination unit 9 determines that the waveforms are of the same type among the outlier data OD G,n,ts-te for learning extracted by the outlier data extraction unit 4. Calculate the degree of similarity between one or more learning outliers OD G,n,ts-te .
  • the waveform classification unit 13 groups one or more learning deviation data OD G,n,ts-te for which the waveforms are determined to be the same type by the type determination unit 9 based on the calculated similarity. To do.
  • the waveform classification unit 13 outputs the grouping result of one or more outlier data OD G,n,ts-te for learning to the waveform condition generation processing unit 14.
  • the waveform condition generation processing unit 14 is realized by, for example, the waveform condition generation processing circuit 31 shown in FIG.
  • the waveform condition generation processing unit 14 includes one or more learning deviation data OD G,n,ts ⁇ for all the groups classified by the waveform classification unit 13 into the same group by the waveform classification unit 13.
  • a waveform condition Wp corresponding to the group is generated from the waveform of te .
  • the waveform condition generation processing unit 14 outputs the generated waveform condition Wp to the waveform condition storage unit 15.
  • the waveform condition storage unit 15 is realized by, for example, the waveform condition storage circuit 32 shown in FIG.
  • the waveform condition storage unit 15 stores the waveform condition Wp generated by the waveform condition generation processing unit 14.
  • the detection result output unit 16 is realized by, for example, the detection result output circuit 33 illustrated in FIG.
  • the detection result output unit 16 displays the determination result output from the abnormality determination processing unit 11 on, for example, a display (not shown).
  • the abnormality detection device includes the input interface circuit 21, the input interface circuit 22, the deviation score calculation circuit 23, the threshold value calculation circuit 24, the threshold value storage circuit 25, the deviation data extraction processing circuit 26, the type determination circuit 27, and the waveform condition selection circuit 28.
  • the abnormality determination processing circuit 29, the waveform classification circuit 30, the waveform condition generation processing circuit 31, the waveform condition storage circuit 32, and the detection result output circuit 33 are assumed.
  • each of the threshold value storage circuit 25 and the waveform condition storage circuit 32 is, for example, a RAM (Random Access Memory), a ROM (Read Only Memory), a flash memory, an EPROM (Erasable Programmable Read Only Memory), an EEPROM (EEPROM).
  • a non-volatile or volatile semiconductor memory such as Read Only Memory), a magnetic disk, a flexible disk, an optical disk, a compact disk, a mini disk, or a DVD (Digital Versatile Disc) is applicable.
  • Each of the 30, the waveform condition generation processing circuit 31, and the detection result output circuit 33 is, for example, a single circuit, a composite circuit, a programmed processor, a parallel programmed processor, an ASIC (Application Specific Integrated Circuit), or an FPGA (Field-).
  • a Programmable Gate Array or a combination thereof is applicable.
  • the constituent elements of the abnormality detection device are not limited to those realized by dedicated hardware, and the abnormality detection device may be realized by software, firmware, or a combination of software and firmware.
  • the software or firmware is stored in the memory of the computer as a program.
  • the computer means hardware that executes a program, and corresponds to, for example, a CPU (Central Processing Unit), a central processing unit, a processing unit, an arithmetic unit, a microprocessor, a microcomputer, a processor, or a DSP (Digital Signal Processor).
  • FIG. 3 is a hardware configuration diagram of a computer when the abnormality detection device is realized by software or firmware.
  • the threshold storage unit 6 and the waveform condition storage unit 15 are configured on the memory 41 of the computer.
  • a program for causing a computer to execute the processing procedures of the waveform classification unit 13, the waveform condition generation processing unit 14, and the detection result output unit 16 is stored in the memory 41.
  • the processor 42 of the computer executes the program stored in the memory 41.
  • FIG. 4 is a flowchart showing a processing procedure at the time of learning of the abnormality detection device.
  • FIG. 5 is a flowchart showing an abnormality detection method which is a processing procedure when the abnormality detection device detects an abnormality.
  • FIG. 2 shows an example in which each component of the abnormality detection device is realized by dedicated hardware
  • FIG. 3 shows an example in which the abnormality detection device is realized by software or firmware.
  • this is merely an example, and some components of the abnormality detection device may be implemented by dedicated hardware, and the remaining components may be implemented by software or firmware.
  • the learning data input unit 1 outputs the learning-series data D G,n,t for which the input has been received to the deviation score calculation unit 3 and the deviation data extraction unit 4, respectively.
  • FIG. 6A is an explanatory diagram showing an example of the time-series data D G,n,t for learning. In FIG.
  • the horizontal axis is the time
  • the vertical axis is the observed value of the sensor included in the learning time series data D G,n,t .
  • the observation values of the sensors included in the learning time series data D G,n,t are shown as continuous values. Is a discrete value.
  • FIG. 6B is an explanatory diagram showing an example of the deviation score S G,n,t for learning and the threshold value S th .
  • the horizontal axis represents time
  • the vertical axis represents the deviation score S G,n,t for learning.
  • a known technique is applied to the process of calculating the outlier score S G,n,t for learning.
  • Non-Patent Document 1 discloses calculation processing of a deviation score.
  • the “Matrix Profile” described in Non-Patent Document 1 corresponds to the outlier score.
  • Non-Patent Document 1 Chin-Chia Michael Yeh, Yan Zhu, Liudmila Ulanova, Nurjahan Begum, Yifei Ding, Hoang Anh Dau, Diego Furtado Silva, Abdullah Mueen, Eamonn Keogh (2016).Matrix Profile I: All Pairs Similarity Joins for Time Series: A Unifying View that Includes Motifs, Discords and Shapelets.
  • the deviation score calculation unit 3 calculates the deviation score S G,n,t for learning by using the deviation score calculation process disclosed in Non-Patent Document 1.
  • the outlier score calculation unit 3 predicts the time t and the sensor observation value at each time t included in the time-series data D G,n,t for learning, for example.
  • the residual with the value may be calculated as the outlier score S G,n,t for learning.
  • the deviation score calculation unit 3 outputs the calculated deviation score S G,n,t for each time t to the threshold value calculation unit 5 and the deviation data extraction processing unit 7.
  • the threshold value calculation unit 5 calculates a threshold value S th as shown in FIG. 6B from the learning deviation score S G,n,t at each time t calculated by the deviation score calculation unit 3 (step of FIG. 4). ST3).
  • the threshold calculation unit 5 outputs the calculated threshold S th to the threshold storage unit 6.
  • the threshold storage unit 6 stores the threshold S th output from the threshold calculation unit 5.
  • the threshold value calculation unit 5 calculates all the learning deviation scores S G,n,t calculated from the N learning time-series data D G,n,t by the deviation score calculation unit 3.
  • the average value S G,ave is calculated.
  • the threshold value calculation unit 5 calculates all the learning deviation scores S G,n,t calculated from the N learning time series data D G,n,t by the deviation score calculation unit 3.
  • Calculate the standard deviation ⁇ is calculated.
  • the threshold calculation unit 5 calculates the threshold S th from the average value S G,ave and the standard deviation ⁇ , as shown in the following equation (1).
  • S th S G,ave +3 ⁇ (1)
  • the threshold value calculation unit 5 calculates the threshold value S th on the assumption that the threshold value used for learning and the threshold value used for abnormality detection are the same threshold value. However, this is only an example, the threshold value calculation unit 5, and the threshold S th for use in learning, the threshold S th for use when an abnormality detection may be calculated separately.
  • the threshold value S th used in learning for example, the threshold value S th shown in Expression (1) is used so that the deviation data extraction processing unit 7 can extract a large amount of deviation data OD G,n,ts-te for learning.
  • a threshold value in the range of (S G,ave + ⁇ ) to (S G,ave +2 ⁇ ) is calculated.
  • the threshold value S th shown in Expression (1) is calculated.
  • the deviation data extraction processing unit 7 acquires the learning deviation score S G,n,t at each time t calculated by the deviation score calculation unit 3, and sets the threshold value S th stored in the threshold value storage unit 6. get.
  • the deviation data extraction processing unit 7 compares the learning deviation score S G,n,t at each time t with the threshold value S th .
  • the outlier data extraction processing unit 7 learns the time series data D G,n,ts to D G,n,te of the detected period ts-te from the time series data D G,n,t for learning. Outlier data OD G,n,ts-te (step ST4 in FIG. 4). The outlier data extraction processing unit 7 outputs the extracted outlier data OD G,n,ts-te for learning to the type determination unit 9, the waveform condition selection unit 10, the waveform classification unit 13, and the waveform condition generation processing unit 14, respectively. To do.
  • Class determiner 9 is unlinked data OD G for learning from out-data extraction processing unit 7, n, receives the ts-te, out data OD G for learning, n, ts-te feature amount C G of, n Is calculated, and the type of the waveform of the learning deviation data OD G,n,ts-te is discriminated from the characteristic amount C G,n (step ST5 in FIG. 4).
  • the type determination unit 9 outputs the determined type of the waveform of the learning outlier data OD G,n,ts-te to the waveform classification unit 13. The process of discriminating the waveform type by the type discriminating unit 9 will be specifically described below.
  • the type discrimination unit 9 determines the waveform of the learning deviation data OD G,n,ts-te to be, for example, an upper peak type waveform, a lower peak type waveform, an upper and lower peak type waveform, or a transient rising type waveform.
  • FIG. 7 is for learning when the waveform type is “upper peak type”, “lower peak type”, “upper and lower peak type”, “transient rising type”, “transient falling type”, or “vibration type”. It is explanatory drawing which shows the waveform of deviation data OD G,n,ts-te .
  • the starting point is the point where the waveform of the learning deviation data OD G,n,ts-te begins
  • the ending point is the waveform of the learning deviation data OD G,n,ts-te . It is a point.
  • the upper peak type waveform has a value in which the learning deviation data OD G,n,ts-te rapidly increases and then sharply decreases, and thereafter, the learning deviation data OD G. , N, ts-te is a waveform that returns to the vicinity of the value before the sharp increase.
  • the lower peak type waveform has a value in which the learning deviation data OD G,n,ts-te rapidly decreases and then sharply increases, and thereafter, the learning deviation data OD G. , N, ts-te values are waveforms that return to the vicinity of the values before the abrupt decrease.
  • the upper and lower peak type waveforms show that the value of the learning deviation data OD G,n,ts-te sharply drops to the minimum value, then sharply rises to the maximum value, and thereafter, It is a waveform in which the value of the deviation data OD G,n,ts-te for learning returns to the vicinity of the value before it sharply drops. Also, the upper and lower peak type waveforms show that the deviation data for learning OD G,n,ts-te sharply rises to the maximum value and then sharply decreases to the minimum value, and then the deviation data for learning is used. This is a waveform in which the value of OD G,n,ts-te returns to the vicinity of the value before the sharp increase.
  • Transient rise type Transient elevation of the waveform, as shown in FIG. 7D, out data OD G for learning, n, the value of ts-te rises to a maximum value, then out data OD G for learning, n, ts- It is a waveform in which the value of te becomes a value near the maximum value.
  • Transient falling waveform In the transient falling type waveform, as shown in FIG. 7E, the value of the learning deviation data OD G,n,ts-te drops to the minimum value, and then the learning deviation data OD G,n,ts ⁇ . It is a waveform in which the value of te becomes a value near the minimum value.
  • vibration type waveform As shown in FIG. 7F, the vibration type waveform is a waveform in which the value of the learning deviation data OD G,n,ts-te continues to vibrate vertically and does not converge.
  • FIG. 8 is an explanatory diagram showing an example of the feature amount C G,n in the deviation data OD G,n,ts-te for learning.
  • the type determination unit 9 calculates an average value D G,n,ave of the learning outlier data OD G,n,ts-te output from the outlier data extraction processing unit 7.
  • the type determination unit 9 counts the number of crossovers CN, which is the number of times the learning deviation data OD G,n,ts-te crosses the average value D G,n,ave, as one of the feature amounts C G,n. To do.
  • the deviation data OD G,n,ts-te for learning shown in FIG. 8 intersects the average value D G,n,ave five times.
  • the type discrimination unit 9 the feature amount C G, as one of n, out data OD G for learning, n, and the starting point of ts-te, out data OD G for learning, n, of ts-te
  • the absolute value ⁇ s ⁇ e of the difference from the end point is calculated.
  • the type discriminating unit 9 determines the maximum value in the learning deviation data OD G,n,ts-te and the learning deviation data OD G,n,ts as one of the feature amounts C G,n.
  • the absolute value ⁇ max-min of the difference from the minimum value in ⁇ te is calculated.
  • the type determining unit 9 determines that the type of the waveform is “upper and lower peak type” when the number of crossovers CN is 3 and ⁇ s ⁇ e ⁇ max ⁇ min ⁇ .
  • ⁇ is an arbitrary constant, and 0 ⁇ 1.
  • the constant ⁇ may be stored in the internal memory of the type discrimination unit 9 or may be given from the outside.
  • the type determination unit 9 determines that the type of the waveform is “vibration type” when the number of crossovers CN is 4 or more. Further, the type determination unit 9 determines that the type of the waveform is “vibration type” if the number of crosses CN is 3 and ⁇ s ⁇ e > ⁇ max ⁇ min ⁇ .
  • the type determination unit 9 determines that the waveforms are of the same type among the outlier data OD G,n,ts-te for learning extracted by the outlier data extraction unit 4. Group one or more outlier data OD G,n,ts-te for learning. Next, the waveform classification unit 13 calculates , for all of the divided groups, the degree of similarity between one or more pieces of learning deviation data OD G,n,ts-te included in the group. One or more out data OD G for learning, n, as the similarity between the ts-te, calculates one or more out data OD G for learning, n, the distance between the waveforms of ts-te It may be one.
  • Euclidean distance As the calculated distance, Euclidean distance, 1-correlation coefficient, Manhattan distance, DTW (Dynamic Time Warping) distance, or the like can be considered. The degree of similarity is greater as the distance is shorter.
  • the calculation process of the distance between the waveforms of the one or more pieces of learning deviation data OD G,n,ts-te is a known technique, and thus a detailed description thereof will be omitted.
  • the waveform classification unit 13 further divides the one or more learning outlier data OD G,n,ts-te into the same group into groups based on the calculated similarity (step ST6 in FIG. 4 ). Specifically, the waveform classifying unit 13 calculates the learning deviation data having a large degree of similarity between the calculated deviation data OD G,n,ts-te classified into the same group. OD G, n, as ts-te each other belong to the same group, carried out the data OD G for learning, n, clustering of ts-te.
  • Waveform classification unit 13 for example, out-data OD G for learning the calculated similarity is equal to or greater than the threshold value, n, ts-te each other, out data OD G for learning mutual similarity is large, n, ts- It is determined that they are te .
  • the k-means method can be used.
  • the clustering method is not limited to the k-means method, and spectral clustering or hierarchical clustering may be used.
  • the threshold value to be compared with the calculated similarity may be stored in the internal memory of the type discriminating unit 9 or may be given from the outside.
  • the waveform classification unit 13 outputs the grouping result of one or more outlier data OD G,n,ts-te for learning to the waveform condition generation processing unit 14.
  • the waveform condition generation processing unit 14 determines, for all of the groups divided by the waveform classification unit 13, one or more learning deviation data OD G,n,ts-te included in the group, The waveform condition Wp corresponding to the group is generated (step ST7 in FIG. 4). As the waveform condition Wp, the waveform condition generation processing unit 14 generates, for example, a band model showing a normal range of the waveform. The waveform condition generation processing unit 14 outputs the generated waveform condition Wp to the waveform condition storage unit 15. The waveform condition storage unit 15 stores the waveform condition Wp output from the waveform condition generation processing unit 14.
  • one or more outlier data OD G,n,ts-te for learning included in one group are represented by P 1 , P 2 ,..., P m.
  • the waveform condition generation processing unit 14 calculates an average value P mean [t] of m pieces of P i [t] at time t, as shown in the following equation (2), and shows it in the following equation (3). In this way, the standard deviation P std [t] of m P i [t] at time t is calculated.
  • the waveform condition generation processing unit 14 uses the average value P mean [t], the standard deviation P std [t], and the constant ⁇ (1 ⁇ ) to represent the band model as shown in the following equation (4).
  • the upper limit value B upper [t] of the normal range is calculated.
  • the constant ⁇ may be stored in the internal memory of the waveform condition generation processing unit 14 or may be given from the outside.
  • B upper [t] P mean [t]+P std [t] ⁇ (4)
  • the waveform condition generation processing unit 14 uses the average value P mean [t], the standard deviation P std [t], and the constant ⁇ (1 ⁇ ) to represent the band model as shown in the following equation (5).
  • the lower limit value Blower [t] of the normal range is calculated.
  • B lower [t] P mean [t] ⁇ P std [t] ⁇ (5)
  • the waveform condition generation processing unit 14 uses the average value P mean [t] and the standard deviation P std [t] to set the upper limit value B upper [t] and the lower limit value B lower [of the normal range indicated by the band model. t] is calculated.
  • the waveform condition generation processing unit 14 uses the maximum value P max [t] and the minimum value P min [t] of the m P i [t] at the time t, The upper limit value B upper [t] and the lower limit value B lower [t] of the normal range indicated by the band model may be calculated.
  • the waveform condition generation processing unit 14 uses the maximum value P max [t], the minimum value P min [t], and the constant ⁇ (1 ⁇ m) to calculate the band model as shown in the following equation (8).
  • the upper limit value B upper [t] of the normal range indicated by is calculated.
  • P max [t ⁇ /2:t+ ⁇ /2] is the maximum value P max [t of each time t included in the time (t ⁇ /2) to the time (t+ ⁇ /2).
  • the waveform condition generation processing unit 14 uses the maximum value P max [t], the minimum value P min [t], and the constant ⁇ (1 ⁇ m) to calculate the band model as shown in Expression (9) below.
  • the lower limit value B lower [t] of the normal range indicated by is calculated.
  • P min [t ⁇ /2:t+ ⁇ /2] is the minimum value P min [t of each time t included in the time (t ⁇ /2) to the time (t+ ⁇ /2). ].
  • FIG. 9 is an explanatory diagram showing a generation example of a band model in which the waveform type is “upper peak type”.
  • the horizontal axis represents the time t
  • the vertical axis represents the value P i [t] of the learning deviation data OD G,n,ts-te at the time t.
  • the solid line part is the deviation data OD G,n,ts-te for learning
  • the broken line part is the time series data D G,n for learning before and after the deviation data OD G,n,ts-te for learning. , T.
  • FIG. 9B shows an average value P mean [t] of N outlier data OD G,n,ts-te for learning, an upper limit value B upper [t] and a lower limit value B lower [t] of the normal range indicated by the band model. ] Is shown.
  • the horizontal axis represents time t
  • the vertical axis represents the average value P mean [t] at time t
  • the lower limit value B lower [t] at time t. is there.
  • the waveform condition generation processing unit 14 generates a band model related to the waveform type “upper peak type” from the 12 pieces of learning outlier data OD G,n,ts-te . .
  • the abnormality detection data input unit 2 receives an input of abnormality detection time-series data D U,t that indicates the state of the equipment subject to abnormality detection at a plurality of times t in time series (step ST11 in FIG. 5). ..
  • the abnormality detection data input unit 2 outputs the received time series data D U,t for abnormality detection to the deviation score calculation unit 3 and the deviation data extraction processing unit 7, respectively.
  • Off score calculating unit 3 the abnormal time series data D U for abnormality detection output from the detection data input unit 2, receives the t, time-series data D U for abnormality detection, the t, each time t
  • the outlier score S U,t for abnormality detection in is calculated (step ST12 in FIG. 5).
  • the process of calculating the outlier score S U,t for abnormality detection is similar to the process of calculating the outlier score S G,n,t for learning.
  • the deviation score calculation unit 3 outputs the calculated deviation score S U,t for abnormality detection at each time t to the deviation data extraction processing unit 7.
  • the deviation data extraction processing unit 7 acquires the deviation score S U,t for abnormality detection at each time t calculated by the deviation score calculation unit 3 , and acquires the threshold value S th stored in the threshold value storage unit 6. To do.
  • the deviation data extraction processing unit 7 compares the deviation score S U,t for abnormality detection at each time t with the threshold value S th .
  • the deviation data extraction processing unit 7 determines the threshold value among the deviation scores S U,t for abnormality detection at each time t based on the comparison result of the deviation score S U,t for abnormality detection and the threshold value S th.
  • the outlier data extraction processing unit 7 selects the time series data D U,ts' to D U,te' for abnormality detection of the detected period ts'-te' from the time series data D U,t for abnormality detection. Is extracted as outlier data ODU,ts'-te' for abnormality detection (step ST13 in FIG. 5).
  • the deviation data extraction processing unit 7 outputs the extracted deviation data ODU,ts'-te' for abnormality detection to each of the type determination unit 9, the waveform condition selection unit 10, and the abnormality determination processing unit 11.
  • the deviation data extraction processing unit 7 selects one abnormality detection deviation data OD U, from the abnormality detection time series data DU,t .
  • the following description will be made on the assumption that ts'-te' is extracted.
  • the type discriminating unit 9 receives the deviation data OD U,ts'-te' for abnormality detection from the deviation data extraction processing unit 7, the feature amount C U of the deviation data OD U,ts'-te' for abnormality detection. To calculate. The calculation process of the feature amount C U in the deviation data OD U,ts'-te' for abnormality detection is similar to the calculation process of the feature amount C G,n in the deviation data OD G,n,ts-te for learning. is there. Class determiner 9 is unlinked data OD U for abnormality detection, 'from the feature quantity C U of, out data OD U for abnormality detection, ts'-te' ts'-te determines the type of waveform (FIG.
  • step ST14 The process of discriminating the waveform type in the outlier data OD U,ts'-te' for abnormality detection is the same as the process of discriminating the waveform type in the outlier data OD G,n,ts-te for learning.
  • the type determination unit 9 outputs the determined waveform type to the waveform condition selection unit 10.
  • the waveform condition selection unit 10 includes the abnormality detection deviation data ODU,ts'-te' output from the deviation data extraction processing unit 7, and N learning deviations output from the deviation data extraction processing unit 7.
  • the similarity between the data OD G,n,ts-te is calculated.
  • Out data OD U for abnormality detection, ts'-te 'and out data OD G for learning, n, as the similarity between the ts-te, out data OD U for abnormality detection, ts'-te' Of the deviation data OD G,n,ts-te for learning may be calculated.
  • the distance to be calculated may be Euclidean distance, 1-correlation coefficient, Manhattan distance, DTW distance, or the like.
  • the distance calculation process itself is a known technique, and thus detailed description thereof is omitted.
  • the waveform condition selection unit 10 has the highest degree of similarity with the outlier data OD U,ts'-te' for abnormality detection, out of the N outlier data OD G,n,ts-te for learning.
  • the out-of-range data OD G,n,ts-te is searched.
  • the type of the waveform of the learning deviation data OD G,n,ts-te, which has the highest similarity to the abnormality detection deviation data OD U,ts'-te' is the abnormality detection deviation data OD U,ts. It is the same as the type of the waveform of "-te" .
  • the waveform condition selecting unit 10 includes the searched out-of-learning data OD G,n,ts-te among the waveform conditions Wp corresponding to one or more groups stored in the waveform condition storage unit 15.
  • the waveform condition Wp corresponding to the existing group is selected (step ST15 in FIG. 5).
  • the waveform condition selection unit 10 outputs the selected waveform condition Wp to the abnormality determination processing unit 11.
  • the abnormality determination processing unit 11 collates the waveform condition Wp selected by the waveform condition selection unit 10 with the waveform of the deviation data ODU,ts'-te' for abnormality detection extracted by the deviation data extraction processing unit 7. To do.
  • the abnormality determination processing unit 11 determines whether or not the equipment is abnormal based on the comparison result between the waveform condition Wp and the waveform of the outlier data ODU,ts'-te' for abnormality detection (see FIG. 5). Step ST16).
  • the abnormality determination processing unit 11 outputs a determination result indicating whether or not the equipment is abnormal to the detection result output unit 16.
  • the detection result output unit 16 displays the determination result output from the abnormality determination processing unit 11 on, for example, a display (not shown) (step ST17 in FIG. 5).
  • FIG. 10A is an explanatory diagram showing the waveform of the outlier data ODU,ts'-te' for abnormality detection when the abnormality determination processing unit 11 determines that the equipment is normal.
  • FIG. 10B is an explanatory diagram showing a waveform of the outlier data ODU,ts'-te' for abnormality detection when the abnormality determination processing unit 11 determines that the equipment is abnormal.
  • the horizontal axis represents time t.
  • the vertical axis represents the value of the outlier data ODU,ts'-te' for abnormality detection at time t, the upper limit value B upper [t] and the lower limit value B lower [t] of the normal range indicated by the bandpass at time t. Showing.
  • the abnormality determination processing unit 11 determines that the waveform of the outlier data ODU,ts'-te' for abnormality detection is the lower limit value B lower [t] of the bandpass or more over the entire period ts'-te'. If the upper limit value B upper [t] of the bandpass is equal to or less than the upper limit value B upper [t], it is determined that the equipment is normal because it is included in the normal range.
  • the waveform of the outlier data ODU,ts'-te' for abnormality detection shown in FIG. 10A is the lower limit value B lower [t] or more and the upper limit value B over the entire period ts'-te'.
  • the abnormality determination processing unit 11 determines that the equipment is normal.
  • the abnormality determination processing unit 11 determines that the waveform of the outlier data ODU,ts'-te' for abnormality detection is smaller than the lower limit value B lower [t] at any time t in the period ts'-te'. Or, at any time t, when it is larger than the upper limit value B upper [t], it is out of the normal range, and it is determined that the equipment is abnormal.
  • the waveform of the outlier data ODU,ts'-te' for abnormality detection shown in FIG. 10B is larger than the upper limit value B upper [t] three times. Therefore, the abnormality determination processing unit 11 determines that the equipment is abnormal. Is determined.
  • the waveform of the outlier data ODU,ts'-te' for abnormality detection is the lower limit value B lower [t] or more and the upper limit value B upper over the entire period ts'-te'. If [t] or less, the abnormality determination processing unit 11 determines that the equipment is normal. However, this is only an example, and even if the waveform of the outlier data ODU,ts'-te' for anomaly detection deviates from the normal range indicated by the band model, if it deviates from the allowable range, the anomaly judgment is made. The processing unit 11 may determine that the equipment is normal.
  • the abnormality determination processing unit 11 prepares a variable K whose initial value is 0. If the value of the outlier data ODU,ts'-te' for abnormality detection is larger than the upper limit value Bupper [t] at each time t within the period ts'-te', the abnormality determination processing unit 11 determines that "1" is added to the variable K. Therefore, if the value of the outlier data ODU,ts'-te' for abnormality detection is larger than the upper limit value B upper [t], for example, if there are three times, the abnormality determination processing unit 11 "3" is added to the variable K.
  • the abnormality determination processing unit 11 determines that the value of the deviation data ODU,ts'-te' for abnormality detection is smaller than the lower limit value B lower [t] at each time t within the period ts'-te'. For example, "1" is added to the variable K. Therefore, if the value of the outlier data ODU,ts'-te' for abnormality detection is smaller than the lower limit value B lower [t], for example, if there are two times, the abnormality determination processing unit 11 "2" is added to the variable K.
  • the abnormality determination processing unit 11 determines that the equipment is normal. It is determined that K ⁇
  • the width of each deviation may be small.
  • the number of departures when the width of departure is about 1% of the width of the band model is 2 to 2 times more than when the width of departure is about the same as the width of the band model. It is more likely that the equipment is normal after three times.
  • the abnormality determination processing unit 11 prepares a variable G having an initial value of 0.
  • the abnormality determination processing unit 11 subtracts and subtracts the upper limit value B upper [t] from the value of the outlier data ODU,ts'-te' for abnormality detection at each time t within the period ts'-te'. If the value is a positive value, the subtracted value is added to the variable G. Further, the abnormality determination processing unit 11 subtracts the value of the abnormality detection deviation data ODU,ts'-te' from the lower limit value B lower [t] at each time t within the period ts'-te', If the subtracted value is a positive value, the subtracted value is added to the variable G.
  • the abnormality determination processing unit 11 determines that the equipment is normal when the variable G is less than or equal to the threshold Gth, and determines that the equipment is abnormal when the variable G is greater than the threshold Gth.
  • the threshold value Gth may be stored in the internal memory of the abnormality determination processing unit 11 or may be given from the outside.
  • a threshold Gth as shown in the following formula (11) or formula (12) can be used.
  • Gth (max(B upper [t])-min (B lower [t])) ⁇ (11)
  • max(B upper [t]) is the maximum value in the upper limit value B upper [t] within the period ts′ ⁇ te′
  • min(B lower [t]) is the period ts′.
  • the minimum value in the lower limit value B lower [t] in ⁇ te′, ⁇ is a coefficient of 0 or more.
  • the coefficient ⁇ may be stored in the internal memory of the abnormality determination processing unit 11 or may be given from the outside.
  • h is the number of times t within the period ts'-te'.
  • the deviation data extraction processing unit 7 extracts one piece of deviation data OD U,ts'-te' for abnormality detection from the time series data D U,t for abnormality detection. is doing. However, this is only an example, and the outlier data extraction processing unit 7 detects two or more anomaly detection times ts′ ⁇ te′ different from each other from the anomaly detection time-series data D U,t .
  • the outlier data ODU,ts'-te' may be extracted.
  • the abnormality determination unit 8 recognizes that the waveform indicating the change in the deviation data for abnormality detection extracted by the deviation data extraction unit 4 is the waveform when the equipment is normal.
  • the condition is collated with the waveform of the fault data for abnormality detection, and based on the collation result of the waveform condition and the waveform of the fault data for abnormality detection, it is determined whether or not the equipment is abnormal. Configured the detector. Therefore, the abnormality detection device can avoid the occurrence of an erroneous determination indicating that an abnormality has occurred in the facility without preparing event information in advance. In addition to events that can be predicted in advance, there are events that are difficult to predict, so it may not be possible to prepare event information in advance.
  • the abnormality detection device shown in FIG. 1 it is necessary to prepare the waveform condition wp in advance, instead of preparing the event information. Since the waveform condition wp can be generated from the time series data D G,n,t for learning when the equipment is normal, it is easy to prepare the waveform condition wp in advance.
  • the waveform classification unit 13 calculates the degree of similarity between one or more pieces of learning deviation data OD G,n,ts-te included in the group.
  • the lengths of the waveforms of the one or more pieces of learning deviation data OD G,n,ts-te are not necessarily the same and may be different.
  • the waveform classification unit 13 first starts the waveform with the shorter length and the longer one with the longer length. The distance between the waveform with the shorter length and the waveform with the longer length is calculated by aligning with the beginning of the one waveform.
  • the waveform classification unit 13 compares the shorter waveform with the longer waveform until the end of the shorter waveform aligns with the end of the longer waveform. While sliding in parallel, the distance between the shorter waveform and the longer waveform is repeatedly calculated. The waveform classification unit 13 selects the smallest distance among all the calculated distances, and the similarity corresponding to the selected distance is calculated as the outlier data OD G,n, for learning with the longer waveform length . The degree of similarity between ts-te and the outlier data OD G,n,ts-te for learning having the shorter waveform length is determined. As the degree of similarity corresponding to the distance, for example, the degree of similarity may be an integral multiple of the reciprocal of the distance.
  • the waveform classification unit 13 includes the learning deviation data OD G,n,ts-te having the similarity of the threshold value or more in the same group, the learning deviation data OD G,n having the longest waveform length.
  • Ts-te the position of the slide at which the degree of similarity of the deviation data OD G,n,ts-te for learning having a short waveform length is maximized is specified.
  • Waveform classifying unit 13 out data OD G for learning the length of the waveform is the longest, n, with respect to ts-te, the position of the specific slides, out data OD G for the length of the waveform is shorter learning , N, ts-te are arranged.
  • the learning deviation data OD G,n,ts-te having a short waveform length is arranged.
  • the beginning of te may be located closer to the end than the beginning of the deviation data OD G,n,ts-te for learning having the longest waveform length.
  • the waveform classifying unit 13 outputs the learning time series data D G,n,t at a time earlier than the learning deviation data OD G,n,ts-te having a short waveform length as the waveform length.
  • short off data OD G for learning, n by adding to the head side of the ts-te, out data OD G for the length of the waveform is shorter learning, n, is leading the length of the waveform of ts-te Align with the beginning of the longest outlier data OD G,n,ts-te for learning. Further, by disposing learning deviation data OD G,n,ts-te having a short waveform length at the specified slide position, learning deviation data OD G,n, having a short waveform length is arranged . end of ts-te is, may be located in the top side of the end of the off data OD G, n, ts-te for learning the length of the waveform of the longest.
  • the waveform classification unit 13 outputs the learning time-series data D G,n,t at a time later than the learning outlier data OD G,n,ts-te having a short waveform length as the waveform length.
  • short off data OD G for learning, n by adding to the end side of the ts-te, out data OD G for the length of the waveform is shorter learning, n, trailing the length of the waveform of ts-te Align with the end of the longest learning deviation data OD G,n,ts-te .
  • the waveform classification unit 13 includes the same deviation data OD G,n,ts-te for learning having the same waveform length in the same group.
  • the waveform classification unit 13 includes the deviation data OD G,n,ts-te for learning whose similarity is equal to or more than a threshold value in the same group.
  • the observation value of the sensor may be the outside air temperature or the seawater temperature, or the observation value of the sensor may be affected by external factors from other facilities.
  • waveforms associated with the events appear in the long-term trend of the learning deviation data OD G,n,ts-te , and thus the learning deviation data OD G,n,ts- Even if the waveform of te or the width of change is similar, the range of observed values may be different.
  • the waveform classification unit 13 determines that the learning deviation data OD G,n,ts-te If they are not similar to each other, the learning deviation data OD G,n,ts-te may be divided into different groups. Therefore, the waveform classification unit 13 determines the average value of the waveform for each of the one or more pieces of learning deviation data OD G,n,ts-te for which the waveforms are determined to be of the same type by the type determination unit 9. Calculate M.
  • the waveform classification unit 13 subtracts the average value M of each waveform from the value at each time t for each of the one or more learning deviation data OD G,n,ts-te .
  • the waveform classification unit 13 subtracts the average value M of each waveform from the value at each time t for each of the one or more pieces of learning outlier data OD G,n,ts-te to obtain one It is possible to align the range of the observation values included in the deviation data OD G,n,ts-te for learning described above.
  • the waveform classification unit 13 also determines that one or more learning deviation data OD G,n,ts-te has one or more learning deviation data OD when the change width of the deviation data OD G,n,ts-te is also affected by an external factor.
  • G, n the value of each time t in ts-te, out data OD G for each learning, n, may be divided by the standard deviation of ts-te. The influence of external factors can be reduced by dividing the value of each time t in the one or more outlier data OD G,n,ts-te for learning by the standard deviation.
  • one or more learning deviation data OD G,n,ts-te may fluctuate in the time direction.
  • the waveform classification unit 13 uses the dynamic time warping method to determine one or more learning deviations. Calculate the DTW distance between the data ODG ,n,ts-te .
  • the waveform classification unit 13 expands/contracts the waveforms of one or more learning deviation data OD G,n,ts-te according to the expansion/contraction path obtained by the calculation of the DTW distance, thereby learning deviation data OD G, It is possible to eliminate the fluctuation in the time direction of n, ts-te . Stretching path, one or more out data OD G for learning, n, when the distance between the ts-te is minimized, one or more out data OD G for learning, n, of ts-te It shows the corresponding time.
  • the process itself of expanding/contracting the waveform of the outlier data OD G,n,ts-te for learning according to the expansion/contraction path is a known technique, and thus detailed description thereof will be omitted.
  • the waveform condition generation processing unit 14 causes the average value P mean of each time t in one or more pieces of learning deviation data OD G,n,ts-te included in the group. Using [t], the upper limit value B upper [t] of the band model and the like are calculated. However, this is merely an example, and instead of using the average value P mean [t] at the time t, the waveform condition generation processing unit 14 may include one or more learning outlier data OD G, n, of the ts-te, out data OD G for learning the representative, n, may be used observations of time t that is included in the ts-te.
  • the representative outlier data OD G,n,ts-te for learning is most similar to the average outlier data of one or more learning outlier data OD G,n,ts-te included in the group.
  • the outlier data OD G,n,ts-te for learning with a large value can be used.
  • the waveform condition generation processing unit 14 calculates the upper limit value B upper [t] and the lower limit value B lower [t] of the normal range indicated by the band model.
  • the waveform condition generation processing unit 14 may extend the normal range by calculating the margin of the normal range from the width of the normal range indicated by the band model and adding the margin to the normal range. Specifically, it is as follows.
  • max(B upper [t]) is the maximum value in the upper limit value B upper [t] within the period ts-te
  • min (B lower [t]) is within the period ts-te.
  • ⁇ is a coefficient of 0 or more.
  • ⁇ may be stored in the internal memory of the waveform condition generation processing unit 14 or may be given from the outside.
  • the waveform condition generation processing unit 14 adds the margin r to the upper limit value B upper [t] as shown in the following equation (14), and the lower limit value B lower [t as shown in the following equation (15). ], the normal range is expanded.
  • the waveform condition generation processing unit 14 calculates the margin r of the normal range according to the equation (13). However, this is merely an example, and the waveform condition generation processing unit 14 may calculate the margin r of the normal range according to the following equation (16). In Expression (16), p is the number of times t within the period ts-te.
  • Embodiment 2 In the abnormality detection device shown in FIG. 1, the waveform condition generation processing unit 14 generates a band model indicating the normal range of the waveform as the waveform condition Wp. In the second embodiment, the waveform condition generation processing unit 14 uses, as the waveform condition Wp, a histogram indicating a time period in which the deviation data OD G,n,ts-te for learning is generated when the equipment is normal. The abnormality detection device to be generated will be described.
  • the configuration of the abnormality detection device of the second embodiment is the same as the configuration of the abnormality detection device of the first embodiment, and the configuration diagram of the abnormality detection device of the second embodiment is FIG.
  • the waveform condition generation processing unit 14 sets, for each of the groups divided by the waveform classification unit 13, one or more learning deviation data OD G,n,ts-te included in the group as the waveform condition Wp.
  • a histogram is generated that indicates the time zone in which is occurring.
  • the learning deviation data OD G,n,ts-te includes period information indicating a period ts-te in which the learning deviation score S G,n,t is equal to or greater than the threshold value S th .
  • the information indicating the start time and the information indicating the end time include not only the information indicating the so-called time but also the information indicating the date and the information indicating the day of the week. Since the histogram generation process itself is a known technique, detailed description thereof will be omitted, but based on the period ts-te indicated by the period information included in the learning outlier data OD G,n,ts-te. , It is possible to generate a histogram.
  • FIG. 11 is an explanatory diagram showing an example of a histogram generated by the waveform condition generation processing unit 14.
  • the horizontal axis indicates the time, the day, or the day of the week, and the vertical axis indicates the frequency with which the learning deviation data OD G,n,ts-te occurs.
  • the deviation data OD G,n,ts-te for learning occurs at 1 o'clock, and the deviation data OD G,n,ts-te for learning occurs on the 10th to 12th days, and The example shows that the outlier data OD G,n,ts-te occurs on Tuesday.
  • the waveform condition selection unit 10 outputs the abnormality detection outlier data OD U,ts′ ⁇ te′ output from the type determination unit 9 and N learning outlier data OD G, The similarity between n and ts-te is calculated. As in the first embodiment, the waveform condition selection unit 10 determines the abnormality detection deviation data OD U,ts'-te' among the N learning deviation data OD G,n,ts-te. The outlier data OD G,n,ts-te for learning having the highest similarity is searched.
  • the waveform condition selection unit 10 searches the outlier data OD G for learning, which is searched from the waveform conditions Wp corresponding to one or more groups stored in the waveform condition storage unit 15 .
  • a waveform condition Wp corresponding to a group including n,ts-te is selected.
  • the waveform condition Wp selected by the waveform condition selection unit 10 is a histogram generated by the waveform condition generation processing unit 14.
  • the waveform condition selection unit 10 outputs the selected waveform condition Wp to the abnormality determination processing unit 11.
  • the abnormality determination processing unit 11 refers to the period information included in the abnormality detection deviation data OD U,ts'-te' output from the deviation data extraction processing unit 7, and refers to the abnormality detection deviation data OD. Recognize the period ts'-te', which is the time zone in which U,ts'-te' occurs. The abnormality determination processing unit 11 displays the period ts'-te' during which the outlier data ODU,ts'-te' for abnormality detection is generated and the histogram that is the waveform condition Wp output from the waveform condition selection unit 10. Check the occurrence time zone shown.
  • the abnormality determination processing unit 11 determines that the equipment is normal. It is determined that In the example of FIG. 11, the abnormality determination processing unit 11 determines that the time zone in which the outlier data ODU,ts'-te' for abnormality detection is occurring is in the 1 o'clock range and is 10 to 12 days. If it is a day and it is a Tuesday, it is determined that the equipment is normal.
  • the abnormality determination processing unit 11 determines that the equipment is abnormal. It is determined that In the example of FIG. 11, the abnormality determination processing unit 11 determines that the time zone in which the outlier data ODU,ts'-te' for abnormality detection is occurring is not in the 1 o'clock range, or is 10 to 12 days. If it is not the day of the month or is not Tuesday, it is determined that the equipment is abnormal.
  • the abnormality determination unit 8 includes the time period in which the outlier data for anomaly detection extracted by the outlier data extraction unit 4 is included in the occurrence time period indicated by the histogram. , If it is determined that the equipment is normal, and the time zone in which the outlier data for abnormality detection is occurring is not included in the occurrence time zone indicated by the histogram, the equipment is determined to be abnormal. Configured the detector. Therefore, the abnormality detection device can avoid the occurrence of an erroneous determination indicating that an abnormality has occurred in the facility without preparing event information in advance.
  • the abnormality determination processing unit 11 includes the time zone in which the outlier data ODU,ts'-te' for abnormality detection is included in the occurrence time zone indicated by the histogram. If so, it is determined that the equipment is normal. Also in the abnormality detection device of the second embodiment, as in the abnormality detection device of the first embodiment, the abnormality determination processing unit 11 causes the abnormality detection processing unit 11 to detect the waveform of the outlier data ODU,ts'-te' for the period ts'. It is determined whether or not it is within the normal range of the band pass over all of -te'.
  • the abnormality determination processing unit 11 determines that the time zone in which the outlier data ODU,ts'-te' for abnormality detection is occurring is included in the occurrence time zone indicated by the histogram, and If the waveform of the outlier data ODU,ts'-te' is included in the normal range of the bandpass over the entire period ts'-te', it may be determined that the equipment is normal. Good.
  • the abnormality detection device including the selection condition accepting unit 17 that presents the waveform condition Wp generated by the waveform condition generation processing unit 14 and that accepts the selection of the valid waveform condition Wp from the presented waveform condition Wp. Will be described.
  • FIG. 12 is a configuration diagram showing the abnormality detection device according to the third embodiment.
  • FIG. 13 is a hardware configuration diagram showing hardware of the abnormality detection device according to the third embodiment.
  • the selection receiving unit 17 is realized by, for example, the selection receiving circuit 34 shown in FIG.
  • the selection receiving unit 17 presents the waveform condition Wp generated by the waveform condition generation processing unit 14 and receives a selection of a valid waveform condition Wp from the presented waveform conditions Wp.
  • the selection receiving unit 17 leaves only the valid waveform condition Wp for which selection has been received as the waveform condition Wp generated by the waveform condition generation processing unit 14, and discards the waveform condition Wp for which selection has not been received.
  • Each of the type discrimination unit 9, the waveform condition selection unit 10, the abnormality determination processing unit 11, the waveform classification unit 13, the waveform condition generation processing unit 14, the waveform condition storage unit 15, the detection result output unit 16, and the selection reception unit 17 is illustrated in FIG. It is assumed that it is realized by dedicated hardware as shown in 13. That is, the abnormality detection device includes the input interface circuit 21, the input interface circuit 22, the deviation score calculation circuit 23, the threshold value calculation circuit 24, the threshold value storage circuit 25, the deviation data extraction processing circuit 26, the type determination circuit 27, and the waveform condition selection circuit 28. , The abnormality determination processing circuit 29, the waveform classification circuit 30, the waveform condition generation processing circuit 31, the waveform condition storage circuit 32, the detection result output circuit 33, and the selection acceptance circuit 34 are assumed.
  • Each of the circuit 30, the waveform condition generation processing circuit 31, the detection result output circuit 33, and the selection acceptance circuit 34 is, for example, a single circuit, a composite circuit, a programmed processor, a parallel programmed processor, an ASIC, an FPGA, or A combination of these is applicable.
  • the constituent elements of the abnormality detection device are not limited to those realized by dedicated hardware, and the abnormality detection device may be realized by software, firmware, or a combination of software and firmware.
  • the threshold storage unit 6 and the waveform condition storage unit 15 are configured on the memory 41 of the computer.
  • a program for causing a computer to execute the processing procedures of the waveform classification unit 13, the waveform condition generation processing unit 14, the detection result output unit 16, and the selection reception unit 17 is stored in the memory 41 shown in FIG.
  • the processor 42 shown in FIG. 3 executes the program stored in the memory 41.
  • the operation of the abnormality detection device shown in FIG. 12 will be described.
  • the components other than the selection reception unit 17 are the same as those of the abnormality detection device shown in FIG. 1, so only the operation of the selection reception unit 17 will be described here. To do.
  • the selection receiving unit 17 displays one or more waveform conditions Wp generated by the waveform condition generation processing unit 14 on, for example, a display (not shown).
  • FIG. 14 is an explanatory diagram showing a list confirmation screen displaying a list of one or more waveform conditions Wp generated by the waveform condition generation processing unit 14. The user can evaluate the validity of each waveform condition Wp by checking the list confirmation screen.
  • the list confirmation screen shown in FIG. 14 includes check boxes corresponding to the respective waveform conditions Wp. Of the check boxes corresponding to the respective waveform conditions Wp, the user can select the valid waveform conditions Wp by checking the check boxes corresponding to the waveform conditions Wp that are judged to be appropriate.
  • the list confirmation screen shown in FIG. 14 displays four waveform conditions Wp. In the figure, the second to fourth waveform conditions Wp from the left have their check boxes checked.
  • the selection receiving unit 17 selects, as the valid waveform condition Wp, the waveform condition Wp whose checkbox is checked by the user from the one or more waveform conditions Wp generated by the waveform condition generation processing unit 14. Accept.
  • the selection accepting unit 17 causes the waveform condition storage unit 15 to store only the valid waveform condition Wp for which the selection has been accepted as the waveform condition Wp generated by the waveform condition generation processing unit 14.
  • the selection accepting unit 17 discards the waveform condition Wp for which the selection has not been accepted, and does not store the waveform condition Wp for which the selection has not been accepted in the waveform condition storage unit 15.
  • the selection receiving unit 17 has a function of displaying the learning deviation data OD G,n,ts-te that is the generation source of the waveform condition Wp displayed on the list confirmation screen on a display (not shown).
  • the selection acceptance unit 17 causes the selection acceptance unit 17 to learn one or more sources of the waveform condition Wp.
  • the out-of-range data OD G,n,ts-te is displayed on a display (not shown).
  • FIG. 15 is an explanatory diagram showing a list confirmation screen displaying a list of learning deviation data OD G,n,ts-te that is a generation source of the waveform condition Wp.
  • the list confirmation screen shown in FIG. 15 displays 12 pieces of outlier data OD G,n,ts-te for learning.
  • the user confirms the list confirmation screen, and out of the 12 learning deviation data OD G,n,ts-te , the learning deviation data OD that is considered unnecessary in generating the waveform condition Wp. G, n, ts-te can be determined.
  • the list confirmation screen shown in FIG. 15 includes check boxes corresponding to the learning deviation data OD G,n,ts-te .
  • Out data OD G for each learning, n, of the check box corresponding to the ts-te put the user, out data OD G for learning potentially unwanted, n, a check box corresponding to the ts-te
  • the outlier data OD G,n,ts-te is unchecked in the check box.
  • the check data in the check box of the outlier data OD G,n,ts-te which is the fourth from the top in the rightmost column, is unchecked.
  • the selection accepting unit 17 accepts the selection of the learning out-difference data OD G,n,ts-te that has not been unchecked from the 12 out-of-learning data OD G,n,ts-te .
  • the waveform condition generation processing unit 14 regenerates the waveform condition Wp from the learning deviation data OD G,n,ts-te for which the selection has been accepted by the selection accepting unit 17.
  • the list confirmation screen shown in FIG. 15 includes a selection box for accepting selection of a method of generating the waveform condition Wp by the waveform condition generation processing unit 14.
  • the generation method selection box using the average value P mean [t] and standard deviation P std [t], the upper limit value B upper [t] and the lower limit value B lower [in the normal range indicated by the band model that is the waveform condition Wp are used. It is possible to select a generation method for calculating t].
  • the maximum value P max [t] and the minimum value P min [t] are used to set the upper limit value B upper [t] and the lower limit value B lower [t] of the normal range indicated by the band model. It is possible to select the generation method to be calculated.
  • the selection receiving unit 17 receives the selection of the generation method of the waveform condition Wp accompanying the operation of the generation method selection box by the user.
  • the waveform condition generation processing unit 14 determines the waveform condition from the learning outlier data OD G,n,ts-te, the selection of which is accepted by the selection accepting unit 17, based on the generation method of which the selection is accepted by the selection accepting unit 17. Generate Wp.
  • the list confirmation screen shown in FIG. 15 includes a margin selection box that accepts selection of a margin within the normal range indicated by the band model. Therefore, the user can select the margin by operating the margin selection box.
  • the selection receiving unit 17 receives the selection of the margin associated with the operation of the margin selection box by the user.
  • the waveform condition generation processing unit 14 extends the normal range by adding the margin, the selection of which is accepted by the selection accepting unit 17, to the normal range.
  • the list confirmation screen illustrated in FIG. 15 includes a “reflect” button, a “save” button, and an “add” button.
  • the waveform condition generation processing unit 14 regenerates the waveform condition Wp from the learning outlier data OD G,n,ts-te, the selection of which has been accepted by the selection acceptance unit 17. , And operates to display the regenerated waveform condition Wp on the list confirmation screen.
  • the waveform condition Wp regenerated by the selection accepting unit 17 operates so as to be stored in the waveform condition storage unit 15.
  • the waveform condition Wp is regenerated , and in the group different from the learning deviation data OD G,n,ts-te displayed on the list confirmation screen shown in FIG. It operates so that the deviation data OD G,n,ts-te for learning included can be selected.
  • the user clicks the “Add” button the user clicks the waveform condition Wp different from the previously clicked waveform condition Wp on the list confirmation screen shown in FIG. 14.
  • the selection accepting unit 17 confirms a list of one or more learning deviation data OD G,n,ts-te that is the generation source of the clicked waveform condition Wp shown in FIG. Displayed on the screen.
  • the user puts a check mark in the check box of the outlier data OD G,n,ts-te for learning which is considered to be required to be added when the waveform condition Wp is regenerated.
  • the outlier data OD G,n,ts-te for learning which seems to need to be added.
  • the selection receiving unit 17 presents the waveform condition Wp generated by the waveform condition generation processing unit 14, and receives the selection of the valid waveform condition Wp from the presented waveform conditions Wp
  • the abnormality detection device is configured such that only the valid waveform condition Wp for which selection has been accepted remains as the waveform condition Wp generated by the waveform condition generation processing unit 14 and the waveform condition Wp for which selection has not been accepted is discarded. Therefore, the abnormality detection device can generate the waveform condition Wp that reflects the user's judgment.
  • the waveform condition generation unit 12 compares the outlier data ODU,ts'- for abnormality detection with the waveform condition Wp.
  • An abnormality detection device using te' as the deviation data OD G,n,ts-te for learning will be described.
  • FIG. 16 is a configuration diagram showing the abnormality detection device according to the fourth embodiment.
  • FIG. 17 is a hardware configuration diagram showing the hardware of the abnormality detection device according to the fourth embodiment. 16 and 17, the same reference numerals as those in FIGS. 1 and 2 indicate the same or corresponding portions, and thus the description thereof will be omitted.
  • the type determination unit 18 is realized by, for example, the type determination circuit 35 shown in FIG. Similar to the type determining unit 9 shown in FIG. 1, the type determining unit 18 determines the type of the learning outlier data OD G,n,ts-te extracted by the outlier data extraction processing unit 7. Similar to the type determining unit 9 shown in FIG.
  • the type determining unit 18 determines the type of the waveform of the abnormality detection outlier data OD U,ts'-te' extracted by the outlier data extraction processing unit 7.
  • the type determination unit 18 uses the outlier data ODU,ts'-te' for abnormality detection, which is collated with the waveform condition Wp, for learning. It is acquired from the detection result output unit 19 as the deviation data OD G,n,ts-te .
  • Class determiner 18 is unlinked data OD U for abnormality detection obtained, Ts'-te 'calculates the feature amount of out-data OD U for abnormality detection from the calculated feature amount, Ts'-te' waveform Determine the type of.
  • the type determination unit 18 outputs the determined type of the waveform of the abnormality detection outlier data ODU,ts'-te' to the waveform classification unit 13.
  • the detection result output unit 19 is realized by, for example, the detection result output circuit 36 illustrated in FIG.
  • the detection result output unit 19 displays the determination result output from the abnormality determination processing unit 11 on, for example, a display (not shown), similar to the detection result output unit 16 illustrated in FIG. 1.
  • the detection result output unit 19 compares the abnormal condition detection deviation data ODU,ts'-te' with the waveform condition Wp, and the abnormality.
  • the time series data D U,t for detection is displayed on a display, for example.
  • the detection result output unit 19 includes, among the outlier data ODU,ts'-te' for abnormality detection, which is collated with the waveform condition Wp when the abnormality determination processing unit 11 determines that the equipment is abnormal, The selection of the deviation data OD U,ts'-te' for abnormality detection used as the deviation data OD G,n,ts-te for learning is accepted. The detection result output unit 19 sets the abnormality detection deviation data ODU,ts'-te', which has been accepted as a selection, as learning deviation data OD G,n,ts-te , and determines the type determination unit 18 and the waveform classification unit. 13 and the waveform condition generation processing unit 14 respectively.
  • Each of the type discrimination unit 18, the waveform condition selection unit 10, the abnormality determination processing unit 11, the waveform classification unit 13, the waveform condition generation processing unit 14, the waveform condition storage unit 15, and the detection result output unit 19 is as shown in FIG. It is supposed to be realized by dedicated hardware. That is, the abnormality detection device includes the input interface circuit 21, the input interface circuit 22, the deviation score calculation circuit 23, the threshold value calculation circuit 24, the threshold value storage circuit 25, the deviation data extraction processing circuit 26, the type determination circuit 35, and the waveform condition selection circuit 28. , The abnormality determination processing circuit 29, the waveform classification circuit 30, the waveform condition generation processing circuit 31, the waveform condition storage circuit 32, and the detection result output circuit 36 are assumed.
  • Each of the circuit 30, the waveform condition generation processing circuit 31, and the detection result output circuit 36 is, for example, a single circuit, a composite circuit, a programmed processor, a parallel programmed processor, an ASIC, an FPGA, or a combination thereof. Is applicable.
  • the constituent elements of the abnormality detection device are not limited to those realized by dedicated hardware, and the abnormality detection device may be realized by software, firmware, or a combination of software and firmware.
  • the threshold storage unit 6 and the waveform condition storage unit 15 are configured on the memory 41 of the computer.
  • a program for causing a computer to execute the processing procedures of the waveform classification unit 13, the waveform condition generation processing unit 14, and the detection result output unit 19 is stored in the memory 41 shown in FIG.
  • the processor 42 shown in FIG. 3 executes the program stored in the memory 41.
  • the detection result output unit 19 displays the determination result output from the abnormality determination processing unit 11 on, for example, a display (not shown). As shown in FIG. 18, when the abnormality determination processing unit 11 determines that the equipment is abnormal, the detection result output unit 19 compares the abnormal condition detection data ODU ,ts with the waveform condition Wp. The “ ⁇ te” and the abnormality detection time series data D U,t output from the abnormality detection data input unit 2 are displayed on, for example, a display. FIG. 18 shows a case where the abnormality determination processing unit 11 determines that the equipment is abnormal, and the deviation data ODU,ts'-te' for abnormality detection and the abnormality detection collated with the waveform condition Wp.
  • FIG. 18 shows an example of the data display screen which is displaying the series data D U,t .
  • the data in the portion surrounded by ⁇ is the waveform condition when the abnormality determination processing unit 11 determines that the equipment is abnormal.
  • This is the outlier data ODU,ts'-te' for abnormality detection that is collated with Wp.
  • the screen shown in FIG. 18 also displays an enlarged view of the outlier data ODU,ts'-te' .
  • the solid line portion is the deviation data OD U,ts'-te' for abnormality detection
  • the broken line portion is the abnormality data before and after the deviation data OD U,ts'-te' for abnormality detection. It is time series data D U,t .
  • the number of enlarged views of the outlier data ODU,ts'-te' for abnormality detection is smaller than the number of data in the portion surrounded by ⁇ .
  • the data display screen shown in FIG. 18 is provided with check boxes corresponding to the respective outlier data ODU,ts'-te' for abnormality detection.
  • the user selects the learning deviation data OD G,n,ts-te by checking the check box corresponding to the deviation detection deviation data OD U,ts'-te' which is desired to be used as the learning deviation data OD G,n,ts-te.
  • the deviation data OD U,ts'-te' for abnormality detection which is used as the deviation data OD G,n,ts-te , can be selected.
  • the check box is checked for the outlier data ODU,ts'-te' for the fourth abnormality detection from the left in the upper row.
  • the detection result output unit 19 selects the outlier data ODU,ts'-te' for anomaly detection, which is checked by the user, as the outlier data OD G,n,ts-te for learning. Accept.
  • the detection result output unit 19 sets the abnormality detection deviation data ODU,ts'-te', which has been accepted as a selection, as learning deviation data OD G,n,ts-te , and determines the type determination unit 18 and the waveform classification unit. 13 and the waveform condition generation processing unit 14 respectively.
  • the type determining unit 18 determines the type of the learning outlier data OD G,n,ts-te extracted by the outlier data extraction processing unit 7, and performs the learning operation.
  • the type of the outlier data OD G,n,ts-te is output to the waveform classifying unit 13.
  • the type determining unit 18 determines the type of the waveform of the outlier data ODU,ts'-te' for abnormality detection extracted by the outlier data extraction processing unit 7,
  • the waveform type of the outlier data ODU,ts'-te' for abnormality detection is output to the waveform condition selection unit 10.
  • the type determination unit 18 acquires the outlier data ODU,ts'-te' for abnormality detection output from the detection result output unit 19 as the outlier data OD G,n,ts-te for learning.
  • Class determiner 18 is unlinked data OD U for abnormality detection obtained, Ts'-te 'calculates the feature amount of out-data OD U for abnormality detection from the calculated feature amount, Ts'-te' waveform Determine the type of.
  • the process of discriminating the waveform type of the outlier data ODU,ts'-te' for abnormality detection is the same as the process of discriminating the waveform type of the outlier data OD G,n,ts-te for learning.
  • the type determination unit 18 outputs the determined type of the waveform of the abnormality detection outlier data ODU,ts'-te' to the waveform classification unit 13.
  • the operations of the waveform classification unit 13 and the waveform condition generation processing unit 14 are performed by using the deviation data OD U,ts'-te' for abnormality detection output from the detection result output unit 19 as deviation data OD G,n, for learning .
  • the type determination unit 18 calculates the feature amount of the deviation data for abnormality detection that is collated with the waveform condition. Then, the type of the waveform of the outlier data for abnormality detection that is compared with the waveform condition is determined from the feature amount. Then, the waveform condition generation unit 12 has the same waveforms by the type determination unit 18 among the learning deviation data extracted by the deviation data extraction unit 4 and the abnormality detection deviation data matched with the waveform condition.
  • the anomaly detection device is configured to generate a waveform condition corresponding to the type from one or more waveforms of the outlier data determined to be the type. Therefore, the abnormality detection device can increase the deviation data for learning and can improve the accuracy of the waveform condition corresponding to the type, as compared with the abnormality detection device of the first embodiment.
  • the invention of the present application is capable of freely combining the embodiments, modifying any constituent element of each embodiment, or omitting any constituent element in each embodiment. .
  • the present invention is suitable for an anomaly detection device and an anomaly detection method for determining whether or not equipment is abnormal.
  • 1 learning data input unit 2 abnormality detection data input unit, 3 outlier score calculation unit, 4 outlying data extraction unit, 5 threshold value calculation unit, 6 threshold value storage unit, 7 outlying data extraction processing unit, 8 abnormality determination unit, 9 Type determination unit, 10 waveform condition selection unit, 11 abnormality determination processing unit, 12 waveform condition generation unit, 13 waveform classification unit, 14 waveform condition generation processing unit, 15 waveform condition storage unit, 16 detection result output unit, 17 selection reception unit , 18 type determination unit, 19 detection result output unit, 21 input interface circuit, 22 input interface circuit, 23 outlier score calculation circuit, 24 threshold value calculation circuit, 25 threshold value storage circuit, 26 outlier data extraction processing circuit, 27 type determination circuit, 28 waveform condition selection circuit, 29 abnormality determination processing circuit, 30 waveform classification circuit, 31 waveform condition generation processing circuit, 32 waveform condition storage circuit, 33 detection result output circuit, 34 selection acceptance circuit, 35 type determination circuit, 36 detection result output Circuit, 41 memory, 42 processor.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Security & Cryptography (AREA)
  • Databases & Information Systems (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

複数の時刻における異常検知対象の設備の状態を時系列で示す異常検知用の時系列データから、複数の時刻のそれぞれにおける設備の異常度を異常検知用の外れスコアとして算出する外れスコア算出部（３）と、外れスコア算出部（３）により算出された複数の時刻のそれぞれにおける異常検知用の外れスコアに基づいて、異常検知用の時系列データの中から、設備に異常が発生している可能性のある時間帯の異常検知用の時系列データを外れデータとして抽出する外れデータ抽出部（４）と、外れデータ抽出部（４）により抽出された異常検知用の外れデータの変化を示す波形が、設備が正常であるときの波形であると認められる波形条件と、異常検知用の外れデータの波形とを照合し、波形条件と異常検知用の外れデータの波形との照合結果に基づいて、設備が異常であるか否かを判定する異常判定部（８）とを備えるように、異常検知装置を構成した。

Description

異常検知装置及び異常検知方法
　この発明は、設備が異常であるか否かを判定する異常検知装置及び異常検知方法に関するものである。
　設備の異常を検知する従来の異常検知方法は、複数の時刻における設備の状態を時系列で示す異常検知用の時系列データと、設備が正常であるときに収集された正常時の時系列データとを比較する。
　従来の異常検知方法は、異常検知用の時系列データの中から、正常時の時系列データと挙動が異なる部分の時系列データ（以下、「部分列データ」と称する）を検出することで、設備の異常を検知する。
　しかし、部分列データは、設備に異常が発生している可能性のある時間帯の時系列データであるが、設備に異常が発生しているとは限らず、設備が正常であることもある。
　以下の特許文献１には、設備が正常であるときに、設備に異常が発生している旨を示す誤判定の発生を回避するために、従来の異常検知方法と、イベント情報を解析する方法とを組み合わせて、設備の異常を検知する異常検知システムが開示されている。
　イベント情報としては、作業者による設備の運転操作に関するイベントを示す情報、又は、設備の部品交換に関するイベントを示す情報等がある。
　特許文献１に開示されている異常検知システムは、部分列データを検出しても、検出した部分列データが、イベント情報が示すイベントと同期していれば、設備に異常が発生していないと判定する。
特開２０１３－２１８７２５号公報
　特許文献１に開示されている異常検知システムは、事前にイベント情報を用意する必要がある。
　特許文献１に開示されている異常検知システムは、事前にイベント情報を用意することができなければ、設備が正常であるときに、部分列データを検出してしまうと、誤って、設備に異常が発生しているという判定を行ってしまう課題があった。
　この発明は上記のような課題を解決するためになされたもので、事前にイベント情報を用意することなく、設備に異常が発生している旨を示す誤判定の発生を回避することができる異常検知装置及び異常検知方法を得ることを目的とする。
　この発明に係る異常検知装置は、複数の時刻における異常検知対象の設備の状態を時系列で示す異常検知用の時系列データから、複数の時刻のそれぞれにおける設備の異常度を異常検知用の外れスコアとして算出する外れスコア算出部と、外れスコア算出部により算出された複数の時刻のそれぞれにおける異常検知用の外れスコアに基づいて、異常検知用の時系列データの中から、設備に異常が発生している可能性のある時間帯の異常検知用の時系列データを異常検知用の外れデータとして抽出する外れデータ抽出部と、外れデータ抽出部により抽出された異常検知用の外れデータの変化を示す波形が、設備が正常であるときの波形であると認められる波形条件と、異常検知用の外れデータの波形とを照合し、波形条件と異常検知用の外れデータの波形との照合結果に基づいて、設備が異常であるか否かを判定する異常判定部とを備えるものである。
　この発明によれば、異常判定部が、外れデータ抽出部により抽出された異常検知用の外れデータの変化を示す波形が、設備が正常であるときの波形であると認められる波形条件と、異常検知用の外れデータの波形とを照合し、波形条件と異常検知用の外れデータの波形との照合結果に基づいて、設備が異常であるか否かを判定するように、異常検知装置を構成した。したがって、この発明に係る異常検知装置は、事前にイベント情報を用意することなく、設備に異常が発生している旨を示す誤判定の発生を回避することができる。
実施の形態１に係る異常検知装置を示す構成図である。 実施の形態１に係る異常検知装置のハードウェアを示すハードウェア構成図である。 異常検知装置がソフトウェア又はファームウェア等で実現される場合のコンピュータのハードウェア構成図である。 異常検知装置の学習時の処理手順を示すフローチャートである。 異常検知装置の異常検知時の処理手順である異常検知方法を示すフローチャートである。 図６Ａは、学習用の時系列データＤＧ，ｎ，ｔの一例を示す説明図、図６Ｂは、学習用の外れスコアＳＧ，ｎ，ｔ及び閾値Ｓｔｈの一例を示す説明図である。 図７Ａは、波形の種別が「上ピーク型」である場合の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの波形の一例を示す説明図、図７Ｂは、波形の種別が「下ピーク型」である場合の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの波形の一例を示す説明図、図７Ｃは、波形の種別が「上下ピーク型」である場合の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの波形の一例を示す説明図、図７Ｄは、波形の種別が「過渡上昇型」である場合の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの波形の一例を示す説明図、図７Ｅは、波形の種別が「過渡下降型」である場合の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの波形の一例を示す説明図、図７Ｆは、波形の種別が「振動型」である場合の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの波形の一例を示す説明図である。 学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅにおける特徴量ＣＧ，ｎの一例を示す説明図である。 図９Ａは、波形の種別が「上ピーク型」のＮ（Ｎ＝１２）個の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅを示す説明図、図９Ｂは、Ｎ個の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの平均値Ｐｍｅａｎ［ｔ］、バンドモデルが示す正常範囲の上限値Ｂｕｐｐｅｒ［ｔ］及び下限値Ｂｌｏｗｅｒ［ｔ］を示す説明図である。 図１０Ａは、異常判定処理部１１によって、設備が正常であると判定される場合の異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’の波形を示す説明図、図１０Ｂは、異常判定処理部１１によって、設備が異常であると判定される場合の異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’の波形を示す説明図である。 波形条件生成処理部１４によって生成されるヒストグラムの一例を示す説明図である。 実施の形態３に係る異常検知装置を示す構成図である。 実施の形態３に係る異常検知装置のハードウェアを示すハードウェア構成図である。 波形条件生成処理部１４により生成された１つ以上の波形条件Ｗｐの一覧を表示している一覧確認画面を示す説明図である。 波形条件Ｗｐの生成元の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの一覧を表示している一覧確認画面を示す説明図である。 実施の形態４に係る異常検知装置を示す構成図である。 実施の形態４に係る異常検知装置のハードウェアを示すハードウェア構成図である。 異常判定処理部１１によって、設備が異常であると判定された際に、波形条件Ｗｐと照合された異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’及び異常検知用の時系列データＤＵ，ｔを表示しているデータ表示画面の一例を示す説明図である。
　以下、この発明をより詳細に説明するために、この発明を実施するための形態について、添付の図面に従って説明する。
実施の形態１．
　図１は、実施の形態１に係る異常検知装置を示す構成図である。図２は、実施の形態１に係る異常検知装置のハードウェアを示すハードウェア構成図である。
　図１及び図２において、学習用データ入力部１は、例えば、図２に示す入力インタフェース回路２１によって実現される。
　学習用データ入力部１は、異常検知対象の設備が正常であるときの複数の時刻ｔにおける当該設備の状態を時系列で示すＮ個の学習用の時系列データＤＧ，ｎ，ｔ（ｎ＝１，２，・・・，Ｎ）の入力を受け付ける。Ｎは、１以上の整数である。
　学習用の時系列データＤＧ，ｎ，ｔは、それぞれの時刻ｔにおけるセンサの観測値を含むものであり、センサの観測値は、設備の状態を示している。
　学習用データ入力部１は、入力を受け付けた学習用の時系列データＤＧ，ｎ，ｔを外れスコア算出部３及び外れデータ抽出処理部７のそれぞれに出力する。
　異常検知対象の設備としては、発電プラント、化学プラント、又は、上下水道プラント等の設備が考えられる。また、異常検知対象の設備としては、オフィスビル又は工場における空調設備、電気設備、照明設備又は給排水設備等が考えられ、また、工場の生産ラインを構成するコンベア等の設備、自動車に搭載される設備又は鉄道車両に搭載される設備が考えられる。さらに、異常検知対象の設備としては、経済に関する情報システムの設備、又は、経営に関する情報システムの設備も考えられる。
　異常検知用データ入力部２は、例えば、図２に示す入力インタフェース回路２２によって実現される。
　異常検知用データ入力部２は、複数の時刻ｔにおける異常検知対象の設備の状態を時系列で示す異常検知用の時系列データＤＵ，ｔの入力を受け付ける。
　異常検知用の時系列データＤＵ，ｔは、それぞれの時刻ｔにおけるセンサの観測値を含むものであり、センサの観測値は、設備の状態を示している。
　異常検知用データ入力部２は、異常検知用の時系列データＤＵ，ｔを外れスコア算出部３及び外れデータ抽出処理部７のそれぞれに出力する。
　外れスコア算出部３は、例えば、図２に示す外れスコア算出回路２３によって実現される。
　外れスコア算出部３は、学習用データ入力部１から出力されたＮ個の学習用の時系列データＤＧ，ｎ，ｔのそれぞれから、それぞれの時刻ｔにおける設備の異常度を学習用の外れスコアＳＧ，ｎ，ｔとして算出する。外れスコア算出部３は、算出したそれぞれの時刻ｔにおける学習用の外れスコアＳＧ，ｎ，ｔを外れデータ抽出部４に出力する。
　外れスコア算出部３は、異常検知用データ入力部２から出力された異常検知用の時系列データＤＵ，ｔから、それぞれの時刻ｔにおける設備の異常度を異常検知用の外れスコアＳＵ，ｔとして算出する。外れスコア算出部３は、算出したそれぞれの時刻ｔにおける異常検知用の外れスコアＳＵ，ｔを外れデータ抽出部４に出力する。
　外れデータ抽出部４は、閾値算出部５、閾値記憶部６及び外れデータ抽出処理部７を備えている。
　外れデータ抽出部４は、外れスコア算出部３により算出された学習用の外れスコアＳＧ，ｎ，ｔに基づいて、学習用の時系列データＤＧ，ｎ，ｔの中から、設備に異常が発生している可能性のある時間帯の時系列データを学習用の外れデータＯＤＧ，ｎとして抽出する。外れデータ抽出部４は、抽出した学習用の外れデータＯＤＧ，ｎを異常判定部８及び波形条件生成部１２のそれぞれに出力する。
　外れデータ抽出部４は、外れスコア算出部３により算出された異常検知用の外れスコアＳＵ，ｔに基づいて、異常検知用の時系列データＤＵ，ｔの中から、設備に異常が発生している可能性のある時間帯の異常検知用の時系列データを異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’として抽出する。外れデータ抽出部４は、抽出した異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’を異常判定部８に出力する。
　閾値算出部５は、例えば、図２に示す閾値算出回路２４によって実現される。
　閾値算出部５は、外れスコア算出部３により算出された学習用の外れスコアＳＧ，ｎ，ｔから閾値Ｓｔｈを算出し、閾値Ｓｔｈを閾値記憶部６に出力する。
　閾値記憶部６は、例えば、図２に示す閾値記憶回路２５によって実現される。
　閾値記憶部６は、閾値算出部５から出力された閾値Ｓｔｈを記憶する。
　外れデータ抽出処理部７は、例えば、図２に示す外れデータ抽出処理回路２６によって実現される。
　外れデータ抽出処理部７は、外れスコア算出部３により算出されたそれぞれの時刻ｔにおける学習用の外れスコアＳＧ，ｎ，ｔと、閾値記憶部６により記憶されている閾値Ｓｔｈとを比較する。
　外れデータ抽出処理部７は、それぞれの時刻ｔにおける学習用の外れスコアＳＧ，ｎ，ｔと閾値Ｓｔｈとの比較結果に基づいて、学習用の時系列データＤＧ，ｎ，ｔの中から、学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅを抽出する。外れデータ抽出処理部７は、抽出した学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅを種別判別部９、波形条件選択部１０、波形分類部１３及び波形条件生成処理部１４のそれぞれに出力する。
　外れデータ抽出処理部７は、外れスコア算出部３により算出されたそれぞれの時刻ｔにおける異常検知用の外れスコアＳＵ，ｔと、閾値記憶部６により記憶されている閾値Ｓｔｈとを比較する。
　外れデータ抽出処理部７は、それぞれの時刻ｔにおける異常検知用の外れスコアＳＵ，ｔと閾値Ｓｔｈとの比較結果に基づいて、異常検知用の時系列データＤＵ，ｔの中から、異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’を抽出する。外れデータ抽出処理部７は、抽出した異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’を種別判別部９、波形条件選択部１０及び異常判定処理部１１のそれぞれに出力する。
　異常判定部８は、種別判別部９、波形条件選択部１０及び異常判定処理部１１を備えている。
　異常判定部８は、波形条件Ｗｐと、外れデータ抽出部４により抽出された異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’の波形とを照合する。波形条件Ｗｐとは、外れデータ抽出部４により抽出された異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’の変化を示す波形が、設備が正常であるときの波形であると認められる場合の条件である。
　異常判定部８は、波形条件Ｗｐと異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’の波形との照合結果に基づいて、設備が異常であるか否かを判定し、設備が異常であるか否かを示す判定結果を検知結果出力部１６に出力する。
　種別判別部９は、例えば、図２に示す種別判別回路２７によって実現される。
　種別判別部９は、外れデータ抽出処理部７により抽出された学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの特徴量ＣＧ，ｎを算出し、特徴量ＣＧ，ｎから学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの波形の種別を判別する。種別判別部９は、判別した学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの波形の種別を波形分類部１３に出力する。
　種別判別部９は、外れデータ抽出処理部７により抽出された異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’の特徴量ＣＵを算出し、特徴量ＣＵから異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’の波形の種別を判別する。種別判別部９は、判別した異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’の波形の種別を波形条件選択部１０に出力する。
　波形条件選択部１０は、例えば、図２に示す波形条件選択回路２８によって実現される。
　波形条件選択部１０は、波形条件記憶部１５により記憶されている１つ以上の波形条件Ｗｐの中から、種別判別部９により判別された種別に対応する波形条件Ｗｐを選択し、選択した波形条件Ｗｐを異常判定処理部１１に出力する。
　異常判定処理部１１は、例えば、図２に示す異常判定処理回路２９によって実現される。
　異常判定処理部１１は、波形条件選択部１０により選択された波形条件Ｗｐと、外れデータ抽出処理部７により抽出された異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’の波形とを照合する。
　異常判定処理部１１は、波形条件Ｗｐと異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’の波形との照合結果に基づいて、設備が異常であるか否かを判定し、設備が異常であるか否かを示す判定結果を検知結果出力部１６に出力する。
　波形条件生成部１２は、波形分類部１３、波形条件生成処理部１４及び波形条件記憶部１５を備えている。
　波形条件生成部１２は、外れデータ抽出部４により抽出されたそれぞれの学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅのうち、種別判別部９により波形が互いに同一の種別であると判別された１つ以上の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの波形から、当該種別に対応する波形条件を生成する。波形条件生成部１２は、生成した波形条件を記憶する。
　波形分類部１３は、例えば、図２に示す波形分類回路３０によって実現される。
　波形分類部１３は、外れデータ抽出部４により抽出されたそれぞれの学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅのうち、種別判別部９により波形が互いに同一の種別であると判別された１つ以上の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの間の類似度を算出する。
　波形分類部１３は、算出した類似度に基づいて、種別判別部９により波形が同一の種別であると判別された１つ以上の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅをグループ分けする。
　波形分類部１３は、１つ以上の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅのグループ分け結果を波形条件生成処理部１４に出力する。
　波形条件生成処理部１４は、例えば、図２に示す波形条件生成処理回路３１によって実現される。
　波形条件生成処理部１４は、波形分類部１３によりグループ分けされたグループの全てについて、波形分類部１３により同一のグループに分類された１つ以上の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの波形から、当該グループに対応する波形条件Ｗｐを生成する。波形条件生成処理部１４は、生成した波形条件Ｗｐを波形条件記憶部１５に出力する。
　波形条件記憶部１５は、例えば、図２に示す波形条件記憶回路３２によって実現される。
　波形条件記憶部１５は、波形条件生成処理部１４により生成された波形条件Ｗｐを記憶する。
　検知結果出力部１６は、例えば、図２に示す検知結果出力回路３３によって実現される。
　検知結果出力部１６は、異常判定処理部１１から出力された判定結果を、例えば図示せぬディスプレイに表示させる。
　図１では、異常検知装置の構成要素である学習用データ入力部１、異常検知用データ入力部２、外れスコア算出部３、閾値算出部５、閾値記憶部６、外れデータ抽出処理部７、種別判別部９、波形条件選択部１０、異常判定処理部１１、波形分類部１３、波形条件生成処理部１４、波形条件記憶部１５及び検知結果出力部１６のそれぞれが、図２に示すような専用のハードウェアで実現されるものを想定している。即ち、異常検知装置が、入力インタフェース回路２１、入力インタフェース回路２２、外れスコア算出回路２３、閾値算出回路２４、閾値記憶回路２５、外れデータ抽出処理回路２６、種別判別回路２７、波形条件選択回路２８、異常判定処理回路２９、波形分類回路３０、波形条件生成処理回路３１、波形条件記憶回路３２及び検知結果出力回路３３で実現されるものを想定している。
　ここで、閾値記憶回路２５及び波形条件記憶回路３２のそれぞれは、例えば、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、フラッシュメモリ、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ　Ｅｒａｓａｂｌｅ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒy）等の不揮発性又は揮発性の半導体メモリ、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ミニディスク、あるいは、ＤＶＤ（Ｄｉｇｉｔａｌ　Ｖｅｒｓａｔｉｌｅ　Ｄｉｓｃ）が該当する。
　また、入力インタフェース回路２１、入力インタフェース回路２２、外れスコア算出回路２３、閾値算出回路２４、外れデータ抽出処理回路２６、種別判別回路２７、波形条件選択回路２８、異常判定処理回路２９、波形分類回路３０、波形条件生成処理回路３１及び検知結果出力回路３３のそれぞれは、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ　Ｓｐｅｃｉｆｉｃ　Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）、又は、これらを組み合わせたものが該当する。
　異常検知装置の構成要素は、専用のハードウェアで実現されるものに限るものではなく、異常検知装置がソフトウェア、ファームウェア、又は、ソフトウェアとファームウェアとの組み合わせで実現されるものであってもよい。
　ソフトウェア又はファームウェアは、プログラムとして、コンピュータのメモリに格納される。コンピュータは、プログラムを実行するハードウェアを意味し、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、中央処理装置、処理装置、演算装置、マイクロプロセッサ、マイクロコンピュータ、プロセッサ、あるいは、ＤＳＰ（Ｄｉｇｉｔａｌ　Ｓｉｇｎａｌ　Ｐｒｏｃｅｓｓｏｒ）が該当する。
　図３は、異常検知装置がソフトウェア又はファームウェア等で実現される場合のコンピュータのハードウェア構成図である。
　異常検知装置がソフトウェア又はファームウェア等で実現される場合、閾値記憶部６及び波形条件記憶部１５がコンピュータのメモリ４１上に構成される。学習用データ入力部１、異常検知用データ入力部２、外れスコア算出部３、閾値算出部５、外れデータ抽出処理部７、種別判別部９、波形条件選択部１０、異常判定処理部１１、波形分類部１３、波形条件生成処理部１４及び検知結果出力部１６の処理手順をコンピュータに実行させるためのプログラムがメモリ４１に格納される。そして、コンピュータのプロセッサ４２がメモリ４１に格納されているプログラムを実行する。
　図４は、異常検知装置の学習時の処理手順を示すフローチャートである。
　図５は、異常検知装置の異常検知時の処理手順である異常検知方法を示すフローチャートである。
　また、図２では、異常検知装置の構成要素のそれぞれが専用のハードウェアで実現される例を示し、図３では、異常検知装置がソフトウェア又はファームウェア等で実現される例を示している。しかし、これは一例に過ぎず、異常検知装置における一部の構成要素が専用のハードウェアで実現され、残りの構成要素がソフトウェア又はファームウェア等で実現されるものであってもよい。
　次に、図１に示す異常検知装置の動作について説明する。
　最初に、異常検知装置における学習時の動作について説明する。
　まず、学習用データ入力部１は、異常検知対象の設備が正常であるときの複数の時刻ｔにおける当該設備の状態を時系列で示すＮ個の学習用の時系列データＤＧ，ｎ，ｔ（ｎ＝１，２，・・・，Ｎ）の入力を受け付ける（図４のステップＳＴ１）。
　学習用データ入力部１は、入力を受け付けた学習用の時系列データＤＧ，ｎ，ｔを外れスコア算出部３及び外れデータ抽出部４のそれぞれに出力する。
　図６Ａは、学習用の時系列データＤＧ，ｎ，ｔの一例を示す説明図である。図６Ａにおいて、横軸は、時刻、縦軸は、学習用の時系列データＤＧ，ｎ，ｔに含まれているセンサの観測値である。
　図６Ａでは、図面の簡単化のために、学習用の時系列データＤＧ，ｎ，ｔに含まれているセンサの観測値が連続値であるように表記しているが、センサの観測値は、離散値である。
　外れスコア算出部３は、学習用データ入力部１からＮ個の学習用の時系列データＤＧ，ｎ，ｔを受けると、それぞれの学習用の時系列データＤＧ，ｎ，ｔから、それぞれの時刻ｔにおける設備の異常度を学習用の外れスコアＳＧ，ｎ，ｔとして算出する（図４のステップＳＴ２）。
　図６Ｂは、学習用の外れスコアＳＧ，ｎ，ｔ及び閾値Ｓｔｈの一例を示す説明図である。図６Ｂにおいて、横軸は、時刻、縦軸は、学習用の外れスコアＳＧ，ｎ，ｔである。
　学習用の外れスコアＳＧ，ｎ，ｔの算出処理には、公知の技術が適用される。例えば、以下の非特許文献１には、外れスコアの算出処理が開示されている。非特許文献１に記載の“Ｍａｔｒｉｘ　Ｐｒｏｆｉｌｅ”は、外れスコアに相当する。
［非特許文献１］
Chin-Chia Michael Yeh, Yan Zhu, Liudmila Ulanova, Nurjahan Begum, Yifei Ding, Hoang Anh Dau, Diego Furtado Silva, Abdullah Mueen, Eamonn Keogh (2016). Matrix Profile I: All Pairs Similarity Joins for Time Series: A Unifying View that Includes Motifs, Discords and Shapelets.
　図１に示す異常検知装置では、外れスコア算出部３が、非特許文献１に開示されている外れスコアの算出処理を用いて、学習用の外れスコアＳＧ，ｎ，ｔを算出する。
　しかし、これは一例に過ぎず、外れスコア算出部３は、例えば、学習用の時系列データＤＧ，ｎ，ｔに含まれているそれぞれの時刻ｔのセンサの観測値と、時刻ｔの予測値との残差を学習用の外れスコアＳＧ，ｎ，ｔとして算出するものであってもよい。
　外れスコア算出部３は、算出したそれぞれの時刻ｔにおける学習用の外れスコアＳＧ，ｎ，ｔを閾値算出部５及び外れデータ抽出処理部７のそれぞれに出力する。
　閾値算出部５は、外れスコア算出部３により算出されたそれぞれの時刻ｔにおける学習用の外れスコアＳＧ，ｎ，ｔから、図６Ｂに示すような閾値Ｓｔｈを算出する（図４のステップＳＴ３）。
　閾値算出部５は、算出した閾値Ｓｔｈを閾値記憶部６に出力する。
　閾値記憶部６は、閾値算出部５から出力された閾値Ｓｔｈを記憶する。
　以下、閾値算出部５による閾値Ｓｔｈの算出処理の一例を説明する。
　まず、閾値算出部５は、外れスコア算出部３によって、Ｎ個の学習用の時系列データＤＧ，ｎ，ｔのそれぞれから算出された全ての学習用の外れスコアＳＧ，ｎ，ｔの平均値ＳＧ，ａｖｅを算出する。
　また、閾値算出部５は、外れスコア算出部３によって、Ｎ個の学習用の時系列データＤＧ，ｎ，ｔのそれぞれから算出された全ての学習用の外れスコアＳＧ，ｎ，ｔの標準偏差σを算出する。
　次に、閾値算出部５は、以下の式（１）に示すように、平均値ＳＧ，ａｖｅと標準偏差σとから、閾値Ｓｔｈを算出する。
　Ｓｔｈ＝ＳＧ，ａｖｅ＋３σ　　　　　　　　　　　　　　　　（１）
　図１に示す異常検知装置では、閾値算出部５が、学習時に用いる閾値と、異常検知時に用いる閾値とが同じ閾値であるとして、閾値Ｓｔｈを算出している。
　しかし、これは一例に過ぎず、閾値算出部５が、学習時に用いる閾値Ｓｔｈと、異常検知時に用いる閾値Ｓｔｈとを別々に算出するようにしてもよい。
　学習時に用いる閾値Ｓｔｈとしては、外れデータ抽出処理部７において、多くの学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅを抽出できるように、例えば、式（１）に示す閾値Ｓｔｈよりも小さな閾値として、（ＳＧ，ａｖｅ＋σ）～（ＳＧ，ａｖｅ＋２σ）の範囲の閾値を算出する。
　異常検知時に用いる閾値Ｓｔｈとしては、例えば、式（１）に示す閾値Ｓｔｈを算出する。
　外れデータ抽出処理部７は、外れスコア算出部３により算出されたそれぞれの時刻ｔにおける学習用の外れスコアＳＧ，ｎ，ｔを取得し、閾値記憶部６により記憶されている閾値Ｓｔｈを取得する。
　外れデータ抽出処理部７は、それぞれの時刻ｔにおける学習用の外れスコアＳＧ，ｎ，ｔと、閾値Ｓｔｈとを比較する。
　外れデータ抽出処理部７は、学習用の外れスコアＳＧ，ｎ，ｔと閾値Ｓｔｈとの比較結果に基づいて、それぞれの時刻ｔにおける学習用の外れスコアＳＧ，ｎ，ｔの中で、閾値Ｓｔｈ以上の学習用の外れスコアＳＧ，ｎ，ｔを特定することで、学習用の外れスコアＳＧ，ｎ，ｔが閾値Ｓｔｈ以上の期間ｔｓ－ｔｅを検出する。
　外れデータ抽出処理部７は、学習用の時系列データＤＧ，ｎ，ｔの中から、検出した期間ｔｓ－ｔｅの時系列データＤＧ，ｎ，ｔｓ～ＤＧ，ｎ，ｔｅを学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅとして抽出する（図４のステップＳＴ４）。
　外れデータ抽出処理部７は、抽出した学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅを種別判別部９、波形条件選択部１０、波形分類部１３及び波形条件生成処理部１４のそれぞれに出力する。
　種別判別部９は、外れデータ抽出処理部７から学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅを受けると、学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの特徴量ＣＧ，ｎを算出し、特徴量ＣＧ，ｎから学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの波形の種別を判別する（図４のステップＳＴ５）。
　種別判別部９は、判別した学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの波形の種別を波形分類部１３に出力する。
　以下、種別判別部９による波形の種別の判別処理を具体的に説明する。
　ここでは、種別判別部９が、学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの波形を、例えば、上ピーク型の波形、下ピーク型の波形、上下ピーク型の波形、過渡上昇型の波形、過渡下降型の波形、又は、振動型の波形の６つにグループに分ける例を説明する。
　図７は、波形の種別が、「上ピーク型」、「下ピーク型」、「上下ピーク型」、「過渡上昇型」、「過渡下降型」又は「振動型」である場合の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの波形を示す説明図である。
　図７において、始点は、学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの波形が始まっている点、終点は、学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの波形が終わっている点である。
［上ピーク型］
　上ピーク型の波形は、図７Ａに示すように、学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの値が急激に上昇してから急激に下降し、その後、学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの値が急激に上昇する前の値付近に戻る波形である。
［下ピーク型］
　下ピーク型の波形は、図７Ｂに示すように、学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの値が急激に下降してから急激に上昇し、その後、学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの値が急激に下降する前の値付近に戻る波形である。
［上下ピーク型］
　上下ピーク型の波形は、図７Ｃに示すように、学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの値が最小値まで急激に下降してから、最大値まで急激に上昇し、その後、学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの値が急激に下降する前の値付近に戻る波形である。
　また、上下ピーク型の波形は、学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの値が最大値まで急激に上昇してから、最小値まで急激に下降し、その後、学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの値が急激に上昇する前の値付近に戻る波形である。
［過渡上昇型］
　過渡上昇型の波形は、図７Ｄに示すように、学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの値が最大値まで上昇し、その後、学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの値が最大値付近の値になる波形である。
［過渡下降型の波形］
　過渡下降型の波形は、図７Ｅに示すように、学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの値が最小値まで下降し、その後、学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの値が最小値付近の値になる波形である。
［振動型の波形］
　振動型の波形は、図７Ｆに示すように、学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの値が、上下に振動し続けて収束しない波形である。
　図８は、学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅにおける特徴量ＣＧ，ｎの一例を示す説明図である。
　まず、種別判別部９は、外れデータ抽出処理部７から出力された学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの平均値ＤＧ，ｎ，ａｖｅを算出する。
　種別判別部９は、特徴量ＣＧ，ｎの１つとして、学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅが平均値ＤＧ，ｎ，ａｖｅと交差する回数である交差回数ＣＮを計数する。
　図８に示す学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅは、平均値ＤＧ，ｎ，ａｖｅと５回交差している。
　種別判別部９は、学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅと平均値ＤＧ，ｎ，ａｖｅとが交差している１つ以上の交差点のうち、学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの始点から数えて、１番目の交差点に着目する。
　種別判別部９は、１番目の交差点を境にして、学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅが平均値ＤＧ，ｎ，ａｖｅよりも低い値から、平均値ＤＧ，ｎ，ａｖｅよりも高い値に変化していれば、“初回交差＝正”を、特徴量ＣＧ，ｎの１つとする。
　種別判別部９は、１番目の交差点を境にして、学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅが平均値ＤＧ，ｎ，ａｖｅよりも高い値から、平均値ＤＧ，ｎ，ａｖｅよりも低い値に変化していれば、“初回交差＝負”を、特徴量ＣＧ，ｎの１つとする。
　図８に示す学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅでは、初回交差が正である。
　また、種別判別部９は、特徴量ＣＧ，ｎの１つとして、学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの始点と、学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの終点との差の絶対値Δｓ－ｅを算出する。
　さらに、種別判別部９は、特徴量ＣＧ，ｎの１つとして、学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの中の最大値と、学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの中の最小値との差の絶対値Δｍａｘ－ｍｉｎを算出する。
　種別判別部９は、交差回数ＣＮが２回であり、かつ、“初回交差＝正”であれば、波形の種別が「上ピーク型」であると判別する。
　また、種別判別部９は、交差回数ＣＮが１回であり、かつ、“初回交差＝正”であり、かつ、Δｓ－ｅ≦Δｍａｘ－ｍｉｎ×αであれば、波形の種別が「上ピーク型」であると判別する。ただし、αは、任意の定数であり、０≦α≦１である。定数αは、種別判別部９の内部メモリに格納されているものであってもよいし、外部から与えられるものであってもよい。
　種別判別部９は、交差回数ＣＮが２回であり、かつ、“初回交差＝負”であれば、波形の種別が「下ピーク型」であると判別する。
　また、種別判別部９は、交差回数ＣＮが１回であり、かつ、“初回交差＝負”であり、かつ、Δｓ－ｅ≦Δｍａｘ－ｍｉｎ×αであれば、波形の種別が「下ピーク型」であると判別する。
　種別判別部９は、交差回数ＣＮが３回であり、かつ、Δｓ－ｅ≦Δｍａｘ－ｍｉｎ×βであれば、波形の種別が「上下ピーク型」であると判別する。ただし、βは、任意の定数であり、０≦β≦１である。定数βは、種別判別部９の内部メモリに格納されているものであってもよいし、外部から与えられるものであってもよい。
　種別判別部９は、交差回数ＣＮが１回であり、かつ、“初回交差＝正”であり、かつ、Δｓ－ｅ＞Δｍａｘ－ｍｉｎ×αであれば、波形の種別が「過渡上昇型」であると判別する。
　種別判別部９は、交差回数ＣＮが１回であり、かつ、“初回交差＝負”であり、かつ、Δｓ－ｅ＞Δｍａｘ－ｍｉｎ×αであれば、波形の種別が「過渡下降型」であると判別する。
　種別判別部９は、交差回数ＣＮが４回以上であれば、波形の種別が「振動型」であると判別する。
　また、種別判別部９は、交差回数ＣＮが３回であり、かつ、Δｓ－ｅ＞Δｍａｘ－ｍｉｎ×αであれば、波形の種別が「振動型」であると判別する。
　波形分類部１３は、外れデータ抽出部４により抽出されたそれぞれの学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅのうち、種別判別部９により波形が互いに同一の種別であると判別された１つ以上の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅをグループ分けする。
　次に、波形分類部１３は、分けたグループの全てについて、当該グループに含まれている１つ以上の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの間の類似度を算出する。
　１つ以上の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの間の類似度として、１つ以上の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの波形の間の距離を算出するものであってもよい。算出する距離としては、ユークリッド距離、１－相関係数、マンハッタン距離、又は、ＤＴＷ（Ｄｙｎａｍｉｃ　Ｔｉｍｅ　Ｗａｒｐｉｎｇ）距離等が考えられる。類似度は、距離が短い程、大きい。
　１つ以上の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの波形の間の距離の算出処理自体は、公知の技術であるため詳細な説明を省略する。
　波形分類部１３は、算出した類似度に基づいて、同一のグループに分類した１つ以上の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅを更にグループ分けする（図４のステップＳＴ６）。
　具体的には、波形分類部１３は、同一のグループに分類した１つ以上の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅのうち、算出した互いの類似度が大きい学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅ同士が同一のグループに属するように、学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅのクラスタリングを行う。波形分類部１３は、例えば、算出した類似度が閾値以上の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅ同士が、互いの類似度が大きい学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅ同士であると判断する。
　クラスタリングの方式としては、ｋ－ｍｅａｎｓ法を用いることができる。しかし、クラスタリングの方式は、ｋ－ｍｅａｎｓ法に限るものではなく、スペクトラルクラスタリング又は階層型クラスタリング等を用いてもよい。
　算出した類似度と比較する閾値は、種別判別部９の内部メモリに格納されているものであってもよいし、外部から与えられるものであってもよい。
　波形分類部１３は、１つ以上の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅのグループ分け結果を波形条件生成処理部１４に出力する。
　波形条件生成処理部１４は、波形分類部１３によりグループ分けされたグループの全てについて、当該グループに含まれている１つ以上の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの波形から、当該グループに対応する波形条件Ｗｐを生成する（図４のステップＳＴ７）。
　波形条件生成処理部１４は、波形条件Ｗｐとして、例えば、波形の正常範囲を示すバンドモデルを生成する。
　波形条件生成処理部１４は、生成した波形条件Ｗｐを波形条件記憶部１５に出力する。
　波形条件記憶部１５は、波形条件生成処理部１４から出力された波形条件Ｗｐを記憶する。
　以下、波形条件生成処理部１４によるバンドモデルの生成処理を具体的に説明する。
　ここでは、説明の便宜上、１つのグループに含まれている１つ以上の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅが、Ｐ１，Ｐ２，・・・，Ｐｍで表されるものとする。また、Ｐｉの時刻ｔの値が、Ｐｉ［ｔ］で表されるものとする。ｉ＝１，２，・・・，ｍである。時刻ｔは、期間ｔｓ－ｔｅにおけるいずれかの時刻であり、具体的には、時刻ｔは、時刻ｔｓを１に置き換えた場合のいずれかの時刻である（ｔ＝１，２，…，（ｔｅ－ｔｓ））。
　波形条件生成処理部１４は、以下の式（２）に示すように、時刻ｔにおけるｍ個のＰｉ［ｔ］の平均値Ｐｍｅａｎ［ｔ］を算出し、以下の式（３）に示すように、時刻ｔにおけるｍ個のＰｉ［ｔ］の標準偏差Ｐｓｔｄ［ｔ］を算出する。
Figure JPOXMLDOC01-appb-I000001
　波形条件生成処理部１４は、平均値Ｐｍｅａｎ［ｔ］、標準偏差Ｐｓｔｄ［ｔ］及び定数λ（１≦λ）を用いて、以下の式（４）に示すように、バンドモデルが示す正常範囲の上限値Ｂｕｐｐｅｒ［ｔ］を算出する。定数λは、波形条件生成処理部１４の内部メモリに格納されているものであってもよいし、外部から与えられるものであってもよい。
　Ｂｕｐｐｅｒ［ｔ］＝Ｐｍｅａｎ［ｔ］＋Ｐｓｔｄ［ｔ］×λ　　（４）
　波形条件生成処理部１４は、平均値Ｐｍｅａｎ［ｔ］、標準偏差Ｐｓｔｄ［ｔ］及び定数λ（１≦λ）を用いて、以下の式（５）に示すように、バンドモデルが示す正常範囲の下限値Ｂｌｏｗｅｒ［ｔ］を算出する。
　Ｂｌｏｗｅｒ［ｔ］＝Ｐｍｅａｎ［ｔ］－Ｐｓｔｄ［ｔ］×λ　　（５）
　ここでは、波形条件生成処理部１４が、平均値Ｐｍｅａｎ［ｔ］及び標準偏差Ｐｓｔｄ［ｔ］を用いて、バンドモデルが示す正常範囲の上限値Ｂｕｐｐｅｒ［ｔ］及び下限値Ｂｌｏｗｅｒ［ｔ］を算出している。しかし、これは一例に過ぎず、波形条件生成処理部１４が、時刻ｔにおけるｍ個のＰｉ［ｔ］の中の最大値Ｐｍａｘ［ｔ］及び最小値Ｐｍｉｎ［ｔ］を用いて、バンドモデルが示す正常範囲の上限値Ｂｕｐｐｅｒ［ｔ］及び下限値Ｂｌｏｗｅｒ［ｔ］を算出するようにしてもよい。
　波形条件生成処理部１４は、以下の式（６）に示すように、時刻ｔにおけるｍ個のＰｉ［ｔ］の中の最大値Ｐｍａｘ［ｔ］を求め、以下の式（７）に示すように、時刻ｔにおけるｍ個のＰｉ［ｔ］の中の最小値Ｐｍｉｎ［ｔ］を求める。
　Ｐｍａｘ［ｔ］＝ｍａｘ（Ｐ１［ｔ］，Ｐ２［ｔ］，・・・，Ｐｍ［ｔ］）
　　　　　　　　　　　　　　　　　　　　　　　　　　（６）
　Ｐｍｉｎ［ｔ］＝ｍｉｎ（Ｐ１［ｔ］，Ｐ２［ｔ］，・・・，Ｐｍ［ｔ］）
　　　　　　　　　　　　　　　　　　　　　　　　　　（７）
　波形条件生成処理部１４は、最大値Ｐｍａｘ［ｔ］、最小値Ｐｍｉｎ［ｔ］及び定数δ（１≦δ≦ｍ）を用いて、以下の式（８）に示すように、バンドモデルが示す正常範囲の上限値Ｂｕｐｐｅｒ［ｔ］を算出する。
Figure JPOXMLDOC01-appb-I000002
　式（８）において、Ｐｍａｘ［ｔ－δ／２：ｔ＋δ／２］は、時刻（ｔ－δ／２）～時刻（ｔ＋δ／２）に含まれるそれぞれの時刻ｔの最大値Ｐｍａｘ［ｔ］である。
　波形条件生成処理部１４は、最大値Ｐｍａｘ［ｔ］、最小値Ｐｍｉｎ［ｔ］及び定数δ（１≦δ≦ｍ）を用いて、以下の式（９）に示すように、バンドモデルが示す正常範囲の下限値Ｂｌｏｗｅｒ［ｔ］を算出する。
Figure JPOXMLDOC01-appb-I000003
　式（９）において、Ｐｍｉｎ［ｔ－δ／２：ｔ＋δ／２］は、時刻（ｔ－δ／２）～時刻（ｔ＋δ／２）に含まれるそれぞれの時刻ｔの最小値Ｐｍｉｎ［ｔ］である。
　図９は、波形の種別が「上ピーク型」に係るバンドモデルの生成例を示す説明図である。
　図９Ａは、波形の種別が「上ピーク型」のＮ（Ｎ＝１２）個の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅを示している。
　図９Ａにおいて、横軸は、時刻ｔであり、縦軸は、時刻ｔにおける学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの値Ｐｉ［ｔ］である。
　実線部分は、学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅであり、破線部分は、学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの前後の学習用の時系列データＤＧ，ｎ，ｔである。
　図９Ｂは、Ｎ個の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの平均値Ｐｍｅａｎ［ｔ］、バンドモデルが示す正常範囲の上限値Ｂｕｐｐｅｒ［ｔ］及び下限値Ｂｌｏｗｅｒ［ｔ］を示している。
　図９Ｂにおいて、横軸は、時刻ｔであり、縦軸は、時刻ｔの平均値Ｐｍｅａｎ［ｔ］、時刻ｔの上限値Ｂｕｐｐｅｒ［ｔ］及び時刻ｔの下限値Ｂｌｏｗｅｒ［ｔ］である。
　図９の例では、波形条件生成処理部１４が、１２個の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅから、波形の種別が「上ピーク型」に係るバンドモデルを生成している。
　次に、異常検知装置における異常検知時の動作について説明する。
　まず、異常検知用データ入力部２は、複数の時刻ｔにおける異常検知対象の設備の状態を時系列で示す異常検知用の時系列データＤＵ，ｔの入力を受け付ける（図５のステップＳＴ１１）。
　異常検知用データ入力部２は、入力を受け付けた異常検知用の時系列データＤＵ，ｔを外れスコア算出部３及び外れデータ抽出処理部７のそれぞれに出力する。
　外れスコア算出部３は、異常検知用データ入力部２から出力された異常検知用の時系列データＤＵ，ｔを受けると、異常検知用の時系列データＤＵ，ｔから、それぞれの時刻ｔにおける異常検知用の外れスコアＳＵ，ｔを算出する（図５のステップＳＴ１２）。
　異常検知用の外れスコアＳＵ，ｔの算出処理は、学習用の外れスコアＳＧ，ｎ，ｔの算出処理と同様である。
　外れスコア算出部３は、算出したそれぞれの時刻ｔにおける異常検知用の外れスコアＳＵ，ｔを外れデータ抽出処理部７に出力する。
　外れデータ抽出処理部７は、外れスコア算出部３により算出されたそれぞれの時刻ｔにおける異常検知用の外れスコアＳＵ，ｔを取得し、閾値記憶部６により記憶されている閾値Ｓｔｈを取得する。
　外れデータ抽出処理部７は、それぞれの時刻ｔにおける異常検知用の外れスコアＳＵ，ｔと、閾値Ｓｔｈとを比較する。
　外れデータ抽出処理部７は、異常検知用の外れスコアＳＵ，ｔと閾値Ｓｔｈとの比較結果に基づいて、それぞれの時刻ｔにおける異常検知用の外れスコアＳＵ，ｔの中で、閾値Ｓｔｈ以上の異常検知用の外れスコアＳＵ，ｔを特定することで、異常検知用の外れスコアＳＵ，ｔが閾値Ｓｔｈ以上の期間ｔｓ’－ｔｅ’を検出する。
　外れデータ抽出処理部７は、異常検知用の時系列データＤＵ，ｔの中から、検出した期間ｔｓ’－ｔｅ’の異常検知用の時系列データＤＵ，ｔｓ’～ ＤＵ，ｔｅ’を異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’として抽出する（図５のステップＳＴ１３）。
　外れデータ抽出処理部７は、抽出した異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’を種別判別部９、波形条件選択部１０及び異常判定処理部１１のそれぞれに出力する。
　図１に示す異常検知装置では、説明の簡単化のため、外れデータ抽出処理部７が、異常検知用の時系列データＤＵ，ｔの中から、１つの異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’を抽出するものとして、以下の説明を行う。
　種別判別部９は、外れデータ抽出処理部７から異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’を受けると、異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’の特徴量ＣＵを算出する。
　異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’における特徴量ＣＵの算出処理は、学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅにおける特徴量ＣＧ，ｎの算出処理と同様である。
　種別判別部９は、異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’の特徴量ＣＵから、異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’の波形の種別を判別する（図５のステップＳＴ１４）。
　異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’における波形の種別の判別処理は、学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅにおける波形の種別の判別処理と同様である。
　種別判別部９は、判別した波形の種別を波形条件選択部１０に出力する。
　波形条件選択部１０は、外れデータ抽出処理部７から出力された異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’と、外れデータ抽出処理部７から出力されたＮ個の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅとの間の類似度をそれぞれ算出する。
　異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’と学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅとの間の類似度として、異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’の波形と学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの波形との距離を算出するものであってもよい。算出する距離としては、ユークリッド距離、１－相関係数、マンハッタン距離、又は、ＤＴＷ距離等が考えられる。距離の算出処理自体は、公知の技術であるため詳細な説明を省略する。
　波形条件選択部１０は、Ｎ個の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの中で、異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’との類似度が最も高い学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅを検索する。異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’との類似度が最も高い学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの波形の種別は、異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’の波形の種別と同じである。
　波形条件選択部１０は、波形条件記憶部１５により記憶されている１つ以上のグループに対応する波形条件Ｗｐの中から、検索した学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅが含まれているグループに対応する波形条件Ｗｐを選択する（図５のステップＳＴ１５）。
　波形条件選択部１０は、選択した波形条件Ｗｐを異常判定処理部１１に出力する。
　異常判定処理部１１は、波形条件選択部１０により選択された波形条件Ｗｐと、外れデータ抽出処理部７により抽出された異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’の波形とを照合する。
　異常判定処理部１１は、波形条件Ｗｐと異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’の波形との照合結果に基づいて、設備が異常であるか否かを判定する（図５のステップＳＴ１６）。
　異常判定処理部１１は、設備が異常であるか否かを示す判定結果を検知結果出力部１６に出力する。
　検知結果出力部１６は、異常判定処理部１１から出力された判定結果を、例えば図示せぬディスプレイに表示させる（図５のステップＳＴ１７）。
　以下、異常判定処理部１１による設備の異常判定処理を具体的に説明する。
　図１０Ａは、異常判定処理部１１によって、設備が正常であると判定される場合の異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’の波形を示す説明図である。
　図１０Ｂは、異常判定処理部１１によって、設備が異常であると判定される場合の異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’の波形を示す説明図である。
　図１０Ａ及び図１０Ｂにおいて、横軸は、時刻ｔである。縦軸は、時刻ｔにおける異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’の値、時刻ｔにおけるバンドパスが示す正常範囲の上限値Ｂｕｐｐｅｒ［ｔ］及び下限値Ｂｌｏｗｅｒ［ｔ］を示している。
　異常判定処理部１１は、異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’の波形が、期間ｔｓ’－ｔｅ’の全てに亘って、バンドパスの下限値Ｂｌｏｗｅｒ［ｔ］以上であり、かつ、バンドパスの上限値Ｂｕｐｐｅｒ［ｔ］以下であれば、正常範囲に含まれているため、設備が正常であると判定する。
　図１０Ａに示す異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’の波形は、期間ｔｓ’－ｔｅ’の全てに亘って、下限値Ｂｌｏｗｅｒ［ｔ］以上であり、かつ、上限値Ｂｕｐｐｅｒ［ｔ］以下であるため、異常判定処理部１１によって、設備が正常であると判定される。
　異常判定処理部１１は、異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’の波形が、期間ｔｓ’－ｔｅ’におけるいずれかの時刻ｔで、下限値Ｂｌｏｗｅｒ［ｔ］よりも小さい場合、又は、いずれかの時刻ｔで、上限値Ｂｕｐｐｅｒ［ｔ］よりも大きい場合、正常範囲を逸脱しているため、設備が異常であると判定する。
　図１０Ｂに示す異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’の波形は、３回、上限値Ｂｕｐｐｅｒ［ｔ］よりも大きくなっているため、異常判定処理部１１によって、設備が異常であると判定される。
　ここでは、異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’の波形が、期間ｔｓ’－ｔｅ’の全てに亘って、下限値Ｂｌｏｗｅｒ［ｔ］以上であり、かつ、上限値Ｂｕｐｐｅｒ［ｔ］以下であれば、異常判定処理部１１が、設備が正常であると判定している。しかし、これは一例に過ぎず、異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’の波形が、バンドモデルが示す正常範囲を逸脱していても、許容範囲の逸脱であれば、異常判定処理部１１が、設備が正常であると判定するようにしてもよい。
　具体的には、以下の通りである。
　異常判定処理部１１は、初期値が０の変数Ｋを用意する。
　異常判定処理部１１は、期間ｔｓ’－ｔｅ’内のそれぞれ時刻ｔにおいて、異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’の値が、上限値Ｂｕｐｐｅｒ［ｔ］よりも大きければ、変数Ｋに“１”を加算する。したがって、異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’の値が、上限値Ｂｕｐｐｅｒ［ｔ］よりも大きい時刻ｔとして、例えば、３つの時刻があれば、異常判定処理部１１が、変数Ｋに“３”を加算する。
　また、異常判定処理部１１は、期間ｔｓ’－ｔｅ’内のそれぞれ時刻ｔにおいて、異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’の値が、下限値Ｂｌｏｗｅｒ［ｔ］よりも小さければ、変数Ｋに“１”を加算する。したがって、異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’の値が、下限値Ｂｌｏｗｅｒ［ｔ］よりも小さい時刻ｔとして、例えば、２つの時刻があれば、異常判定処理部１１が、変数Ｋに“２”を加算する。
　異常判定処理部１１は、以下の式（１０）に示すように、期間ｔｓ’－ｔｅ’に係数ζ（０≦ζ＜１）を乗算した値が、変数Ｋ以上であれば、設備が正常であると判定する。
　Ｋ≦｜ｔｓ’－ｔｅ’｜×ζ　　　　　　　　　　（１０）
　異常判定処理部１１は、期間ｔｓ’－ｔｅ’に係数ζを乗算した値が、変数Ｋよりも小さければ、設備が異常であると判定する。
　なお、係数ζは、異常判定処理部１１の内部メモリに格納されているものであってもよいし、外部から与えられるものであってもよい。ζ＝０の場合、許容範囲が零になる。
　ここでは、異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’の波形が、バンドモデルが示す正常範囲を逸脱していても、許容範囲の逸脱であれば、設備が正常であると判定する例として、異常判定処理部１１が、式（１０）が成立するとき、設備が正常であると判定する例を示している。
　しかし、これは一例に過ぎず、以下の具体例も考えられる。
　異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’の波形が、バンドモデルが示す正常範囲を逸脱している回数が少なくても、それぞれの逸脱の幅が大きい場合がある。
　一方、異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’の波形が、バンドモデルが示す正常範囲を逸脱している回数が多くても、それぞれの逸脱の幅が小さい場合がある。
　例えば、逸脱の幅がバンドモデルの幅と同程度であるときの逸脱の回数が１回の場合よりも、逸脱の幅がバンドモデルの幅の１％程度であるときの逸脱の回数が２～３回の場合の方が、設備が正常である可能性が高いと考えられる。
　異常判定処理部１１は、初期値が０の変数Ｇを用意する。
　異常判定処理部１１は、期間ｔｓ’－ｔｅ’内のそれぞれ時刻ｔにおいて、異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’の値から上限値Ｂｕｐｐｅｒ［ｔ］を減算し、減算した値が正の値であれば、変数Ｇに減算した値を加算する。
　また、異常判定処理部１１は、期間ｔｓ’－ｔｅ’内のそれぞれ時刻ｔにおいて、下限値Ｂｌｏｗｅｒ［ｔ］から異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’の値を減算し、減算した値が正の値であれば、変数Ｇに減算した値を加算する。
　異常判定処理部１１は、変数Ｇが閾値Ｇｔｈ以下であれば、設備が正常であると判定し、変数Ｇが閾値Ｇｔｈよりも大きければ、設備が異常であると判定する。
　閾値Ｇｔｈは、異常判定処理部１１の内部メモリに格納されているものであってもよいし、外部から与えられるものであってもよい。
　閾値Ｇｔｈとしては、以下の式（１１）又は式（１２）に示すような閾値Ｇｔｈを用いることができる。
　Ｇｔｈ＝（ｍａｘ（Ｂｕｐｐｅｒ［ｔ］）－ｍｉｎ（Ｂｌｏｗｅｒ［ｔ］））×θ
　　　　　　　　　　　　　　　　　　　　　　　　　　（１１）
　式（１１）において、ｍａｘ（Ｂｕｐｐｅｒ［ｔ］）は、期間ｔｓ’－ｔｅ’内の上限値Ｂｕｐｐｅｒ［ｔ］の中の最大値、ｍｉｎ（Ｂｌｏｗｅｒ［ｔ］）は、期間ｔｓ’－ｔｅ’内の下限値Ｂｌｏｗｅｒ［ｔ］の中の最小値、θは、０以上の係数である。係数θは、異常判定処理部１１の内部メモリに格納されているものであってもよいし、外部から与えられるものであってもよい。
Figure JPOXMLDOC01-appb-I000004
　式（１２）において、ｈは、期間ｔｓ’－ｔｅ’内の時刻ｔの数である。
　図１に示す異常検知装置では、外れデータ抽出処理部７が、異常検知用の時系列データＤＵ，ｔの中から、１つの異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’を抽出している。
　しかし、これは一例に過ぎず、外れデータ抽出処理部７が、異常検知用の時系列データＤＵ，ｔの中から、検出期間ｔｓ’－ｔｅ’が互いに異なる２つ以上の異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’を抽出することがある。
　外れデータ抽出処理部７により２つ以上の異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’が抽出された場合、それぞれの外れデータＯＤＵ，ｔｓ’－ｔｅ’について、種別判別部９、波形条件選択部１０及び異常判定処理部１１が、先に説明した処理を行う。
　以上の実施の形態１は、異常判定部８が、外れデータ抽出部４により抽出された異常検知用の外れデータの変化を示す波形が、設備が正常であるときの波形であると認められる波形条件と、異常検知用の外れデータの波形とを照合し、波形条件と異常検知用の外れデータの波形との照合結果に基づいて、設備が異常であるか否かを判定するように、異常検知装置を構成した。したがって、異常検知装置は、事前にイベント情報を用意することなく、設備に異常が発生している旨を示す誤判定の発生を回避することができる。
　イベントには、事前に予測が可能なイベントのほかに、予測が困難なイベントがあるため、事前にイベント情報を用意することができないことがある。
　一方、図１に示す異常検知装置では、イベント情報を用意する代わりに、波形条件ｗｐを事前に用意する必要がある。波形条件ｗｐは、設備が正常であるときの学習用の時系列データＤＧ，ｎ，ｔから生成することが可能であるため、波形条件ｗｐを事前に用意することは容易である。
　図１に示す異常検知装置では、波形分類部１３が、グループに含まれている１つ以上の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの間の類似度を算出している。
　しかし、１つ以上の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの波形の長さが同一の長さであるとは限らず、異なる長さであることがある。
　波形分類部１３は、例えば、２つの学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの波形の長さが異なる場合、最初に、長さが短い方の波形の先頭を、長さが長い方の波形の先頭に揃えて、長さが短い方の波形と、長さが長い方の波形との間の距離を算出する。
　波形分類部１３は、長さが短い方の波形の末尾が、長さが長い方の波形の末尾と揃うまで、長さが短い方の波形を、長さが長い方の波形に対して、平行にスライドさせながら、長さが短い方の波形と、長さが長い方の波形との間の距離を繰り返し算出する。
　波形分類部１３は、算出した全ての距離の中で、最小の距離を選択し、選択した距離に対応する類似度を、波形の長さが長い方の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅと、波形の長さが短い方の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅとの間の類似度に決定する。距離に対応する類似度として、例えば、距離の逆数の整数倍を類似度とするものが考えられる。
　波形分類部１３は、類似度が閾値以上の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅ同士を同一のグループに含める際、波形の長さが最長の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅに対して、波形の長さが短い学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの類似度が最大になるスライドの位置を特定する。
　波形分類部１３は、波形の長さが最長の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅに対して、特定したスライドの位置に、波形の長さが短い学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅを配置する。
　特定したスライドの位置に、波形の長さが短い学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅを配置することで、波形の長さが短い学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの先頭が、波形の長さが最長の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの先頭よりも末尾側に位置することがある。
　波形分類部１３は、波形の長さが短い学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅよりも前の時刻の学習用の時系列データＤＧ，ｎ，ｔを、波形の長さが短い学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの先頭側に付加することで、波形の長さが短い学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの先頭を波形の長さが最長の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの先頭と揃える。
　また、特定したスライドの位置に、波形の長さが短い学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅを配置することで、波形の長さが短い学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの末尾が、波形の長さが最長の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの末尾よりも先頭側に位置することがある。
　波形分類部１３は、波形の長さが短い学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅよりも後の時刻の学習用の時系列データＤＧ，ｎ，ｔを、波形の長さが短い学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの末尾側に付加することで、波形の長さが短い学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの末尾を波形の長さが最長の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの末尾と揃える。
　波形分類部１３は、波形の長さが揃った同一の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅ同士を同一のグループに含める。
　図１に示す異常検知装置では、波形分類部１３が、類似度が閾値以上の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅ同士を同一のグループに含めている。
　センサの観測値が、外気温又は海水温である場合、あるいは、センサの観測値が、他の設備からの外的要因等の影響を受ける場合がある。これらの場合、学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの長期的なトレンドの中に、イベントに関連する波形が出現するため、それぞれの学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの波形又は変化の幅のそれぞれが似ていても、観測値の値域が異なる場合がある。
　それぞれの学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅに含まれている観測値の値域が異なる場合、波形分類部１３が、それぞれの学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅが類似していないとして、それぞれの学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅを異なるグループに分けてしまうことがある。
　そこで、波形分類部１３は、種別判別部９により波形が互いに同一の種別であると判別された１つ以上の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅのそれぞれについて、波形の平均値Ｍを算出する。
　波形分類部１３は、１つ以上の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅのそれぞれについて、それぞれの時刻ｔの値から、それぞれの波形の平均値Ｍを減算する。
　波形分類部１３が、１つ以上の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅのそれぞれについて、それぞれの時刻ｔの値から、それぞれの波形の平均値Ｍを減算することで、１つ以上の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅに含まれている観測値の値域を揃えることができる。
　また、波形分類部１３は、１つ以上の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの変化の幅も、外的要因の影響を受ける場合、１つ以上の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅにおけるそれぞれの時刻ｔの値を、それぞれの学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの標準偏差で除算するようにしてもよい。
　１つ以上の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅにおけるそれぞれの時刻ｔの値を、標準偏差で除算することで、外的要因の影響を軽減することができる。
　また、１つ以上の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅが、時間方向に揺らぎを生じる場合もある。例えば、温度データに出現するイベント波形では、夏季は、温度上昇のスピードが速く、下降のスピードが遅い。逆に、冬季は、温度上昇のスピードが遅く、下降のスピードが早い。
　１つ以上の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅが、時間方向に揺らぎを生じる場合、波形分類部１３は、動的時間伸縮法を用いて、１つ以上の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの間のＤＴＷ距離を算出する。
　波形分類部１３は、ＤＴＷ距離の計算で得られる伸縮パスに従って１つ以上の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの波形をそれぞれ伸縮させることで、学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの時間方向の揺らぎを解消することができる。伸縮パスは、１つ以上の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの間の距離が最小になるときの、１つ以上の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの対応する時間を示すものである。伸縮パスに従って学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの波形を伸縮させる処理自体は、公知の技術であるため詳細な説明を省略する。
　図１に示す異常検知装置では、波形条件生成処理部１４が、グループに含まれている１つ以上の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅにおけるそれぞれの時刻ｔの平均値Ｐｍｅａｎ［ｔ］を用いて、バンドモデルの上限値Ｂｕｐｐｅｒ［ｔ］等を算出している。
　しかし、これは一例に過ぎず、波形条件生成処理部１４は、時刻ｔの平均値Ｐｍｅａｎ［ｔ］を用いる代わりに、グループに含まれている１つ以上の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅのうち、代表の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅに含まれている時刻ｔの観測値を用いるようにしてもよい。
　代表の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅとしては、グループに含まれている１つ以上の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの平均の外れデータと最も類似度が大きい学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅを用いることができる。
　図１に示す異常検知装置では、波形条件生成処理部１４が、バンドモデルが示す正常範囲の上限値Ｂｕｐｐｅｒ［ｔ］及び下限値Ｂｌｏｗｅｒ［ｔ］を算出している。
　波形条件生成処理部１４は、バンドモデルが示す正常範囲の幅から、正常範囲のマージンを算出し、マージンを正常範囲に加えることで、正常範囲を拡張するようにしてもよい。
　具体的には、以下の通りである。
　波形条件生成処理部１４は、以下の式（１３）に示すように、バンドモデルが示す正常範囲の幅から、正常範囲のマージンｒを算出する。
　ｒ＝（ｍａｘ（Ｂｕｐｐｅｒ［ｔ］）－ｍｉｎ（Ｂｌｏｗｅｒ［ｔ］））×η
　　　　　　　　　　　　　　　　　　　　　　　　　　　（１３）
　式（１３）において、ｍａｘ（Ｂｕｐｐｅｒ［ｔ］）は、期間ｔｓ－ｔｅ内の上限値Ｂｕｐｐｅｒ［ｔ］の中の最大値、ｍｉｎ（Ｂｌｏｗｅｒ［ｔ］）は、期間ｔｓ－ｔｅ内の下限値Ｂｌｏｗｅｒ［ｔ］の中の最小値、ηは、０以上の係数である。ηは、波形条件生成処理部１４の内部メモリに格納されているものであってもよいし、外部から与えられるものであってもよい。
　波形条件生成処理部１４は、以下の式（１４）に示すように、マージンｒを上限値Ｂｕｐｐｅｒ［ｔ］に加算し、以下の式（１５）に示すように、下限値Ｂｌｏｗｅｒ［ｔ］からマージンｒを減算することで、正常範囲を拡張する。
　Ｂｕｐｐｅｒ［ｔ］←Ｂｕｐｐｅｒ［ｔ］＋ｒ　　　　　　　　（１４）
　Ｂｌｏｗｅｒ［ｔ］←Ｂｌｏｗｅｒ［ｔ］－ｒ　　　　　　　　（１５）
　ここでは、波形条件生成処理部１４が、式（１３）に従って正常範囲のマージンｒを算出している。しかし、これは一例に過ぎず、波形条件生成処理部１４が、以下の式（１６）に従って正常範囲のマージンｒを算出するようにしてもよい。
Figure JPOXMLDOC01-appb-I000005
　式（１６）において、ｐは、期間ｔｓ－ｔｅ内の時刻ｔの数である。
実施の形態２．
　図１に示す異常検知装置では、波形条件生成処理部１４が、波形条件Ｗｐとして、波形の正常範囲を示すバンドモデルを生成している。
　実施の形態２では、波形条件生成処理部１４が、波形条件Ｗｐとして、設備が正常であるときに学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅが発生している時間帯を示すヒストグラムを生成する異常検知装置について説明する。
　実施の形態２の異常検知装置の構成は、実施の形態１の異常検知装置の構成と同様であり、実施の形態２の異常検知装置の構成図は、図１である。
　波形条件生成処理部１４は、波形分類部１３によりグループ分けされたグループ毎に、波形条件Ｗｐとして、当該グループに含まれている１つ以上の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅが発生している時間帯を示すヒストグラムを生成する。
　学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅは、学習用の外れスコアＳＧ，ｎ，ｔが閾値Ｓｔｈ以上の期間ｔｓ－ｔｅを示す期間情報を含んでいる。期間情報は、学習用の外れスコアＳＧ，ｎ，ｔが閾値Ｓｔｈ以上になる始まり時刻を示す情報から、学習用の外れスコアＳＧ，ｎ，ｔが閾値Ｓｔｈ以下になる終わりの時刻を示す情報を含んでいる。
　また、始まり時刻を示す情報及び終わりの時刻を示す情報は、いわゆる時刻を示す情報だけでなく、日にちを示す情報及び曜日を示す情報を含んでいる。
　ヒストグラムの生成処理自体は、公知の技術であるため詳細な説明を省略するが、学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅに含まれている期間情報が示す期間ｔｓ－ｔｅに基づいて、ヒストグラムを生成することが可能である。
　図１１は、波形条件生成処理部１４によって生成されるヒストグラムの一例を示す説明図である。
　図１１において、横軸は、時刻、日にち又は曜日を示しており、縦軸は、学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅが発生している度数を示している。
　図１１は、学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅが１時台に発生し、学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅが１０～１２日に発生し、学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅが火曜日に発生している例を示している。
　波形条件選択部１０は、実施の形態１と同様に、種別判別部９から出力された異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’と、Ｎ個の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅとの間の類似度をそれぞれ算出する。
　波形条件選択部１０は、実施の形態１と同様に、Ｎ個の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの中で、異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’との類似度が最も高い学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅを検索する。
　波形条件選択部１０は、実施の形態１と同様に、波形条件記憶部１５により記憶されている１つ以上のグループに対応する波形条件Ｗｐの中から、検索した学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅが含まれているグループに対応する波形条件Ｗｐを選択する。
　波形条件選択部１０により選択された波形条件Ｗｐは、波形条件生成処理部１４によって生成されたヒストグラムである。
　波形条件選択部１０は、選択した波形条件Ｗｐを異常判定処理部１１に出力する。
　異常判定処理部１１は、外れデータ抽出処理部７から出力された異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’に含まれている期間情報を参照して、異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’が発生している時間帯である期間ｔｓ’－ｔｅ’を認識する。
　異常判定処理部１１は、異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’が発生している期間ｔｓ’－ｔｅ’と、波形条件選択部１０から出力された波形条件Ｗｐであるヒストグラムが示す発生時間帯とを照合する。
　異常判定処理部１１は、異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’が発生している期間ｔｓ’－ｔｅ’が、ヒストグラムが示す発生時間帯に含まれていれば、設備が正常であると判定する。
　図１１の例では、異常判定処理部１１は、異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’が発生している時間帯が、１時台であり、かつ、１０～１２日のいずれかの日であり、かつ、火曜日であれば、設備が正常であると判定する。
　異常判定処理部１１は、異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’が発生している期間ｔｓ’－ｔｅ’が、ヒストグラムが示す発生時間帯に含まれていなければ、設備が異常であると判定する。
　図１１の例では、異常判定処理部１１は、異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’が発生している時間帯が、１時台ではない、あるいは、１０～１２日のいずれの日でもない、あるいは、火曜日でなければ、設備が異常であると判定する。
　以上の実施の形態２は、異常判定部８が、外れデータ抽出部４により抽出された異常検知用の外れデータが発生している時間帯が、ヒストグラムが示す発生時間帯に含まれていれば、設備が正常であると判定し、異常検知用の外れデータが発生している時間帯が、ヒストグラムが示す発生時間帯に含まれていなければ、設備が異常であると判定するように、異常検知装置を構成した。したがって、異常検知装置は、事前にイベント情報を用意することなく、設備に異常が発生している旨を示す誤判定の発生を回避することができる。
　実施の形態２の異常検知装置では、異常判定処理部１１が、異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’が発生している時間帯が、ヒストグラムが示す発生時間帯に含まれていれば、設備が正常であると判定している。
　実施の形態２の異常検知装置でも、実施の形態１の異常検知装置と同様に、異常判定処理部１１が、異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’の波形が、期間ｔｓ’－ｔｅ’の全てに亘って、バンドパスの正常範囲内であるか否かを判定する。
　そして、異常判定処理部１１が、異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’が発生している時間帯が、ヒストグラムが示す発生時間帯に含まれており、かつ、異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’の波形が、期間ｔｓ’－ｔｅ’の全てに亘って、バンドパスの正常範囲に含まれていれば、設備が正常であると判定するようにしてもよい。
実施の形態３．
　実施の形態３では、波形条件生成処理部１４により生成された波形条件Ｗｐを提示し、提示した波形条件Ｗｐの中から、有効な波形条件Ｗｐの選択を受け付ける選択受付部１７を備える異常検知装置について説明する。
　図１２は、実施の形態３に係る異常検知装置を示す構成図である。
　図１３は、実施の形態３に係る異常検知装置のハードウェアを示すハードウェア構成図である。
　図１２及び図１３において、図１及び図２と同一符号は同一又は相当部分を示すので説明を省略する。
　選択受付部１７は、例えば、図１３に示す選択受付回路３４によって実現される。
　選択受付部１７は、波形条件生成処理部１４により生成された波形条件Ｗｐを提示し、提示した波形条件Ｗｐの中から、有効な波形条件Ｗｐの選択を受け付ける。
　選択受付部１７は、選択を受け付けた有効な波形条件Ｗｐのみを波形条件生成処理部１４により生成された波形条件Ｗｐとして残し、選択を受け付けていない波形条件Ｗｐを破棄する。
　図１２では、異常検知装置の構成要素である学習用データ入力部１、異常検知用データ入力部２、外れスコア算出部３、閾値算出部５、閾値記憶部６、外れデータ抽出処理部７、種別判別部９、波形条件選択部１０、異常判定処理部１１、波形分類部１３、波形条件生成処理部１４、波形条件記憶部１５、検知結果出力部１６及び選択受付部１７のそれぞれが、図１３に示すような専用のハードウェアで実現されるものを想定している。即ち、異常検知装置が、入力インタフェース回路２１、入力インタフェース回路２２、外れスコア算出回路２３、閾値算出回路２４、閾値記憶回路２５、外れデータ抽出処理回路２６、種別判別回路２７、波形条件選択回路２８、異常判定処理回路２９、波形分類回路３０、波形条件生成処理回路３１、波形条件記憶回路３２、検知結果出力回路３３及び選択受付回路３４で実現されるものを想定している。
　ここで、入力インタフェース回路２１、入力インタフェース回路２２、外れスコア算出回路２３、閾値算出回路２４、外れデータ抽出処理回路２６、種別判別回路２７、波形条件選択回路２８、異常判定処理回路２９、波形分類回路３０、波形条件生成処理回路３１、検知結果出力回路３３及び選択受付回路３４のそれぞれは、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ、ＦＰＧＡ、又は、これらを組み合わせたものが該当する。
　異常検知装置の構成要素は、専用のハードウェアで実現されるものに限るものではなく、異常検知装置がソフトウェア、ファームウェア、又は、ソフトウェアとファームウェアとの組み合わせで実現されるものであってもよい。
　異常検知装置がソフトウェア又はファームウェア等で実現される場合、閾値記憶部６及び波形条件記憶部１５がコンピュータのメモリ４１上に構成される。学習用データ入力部１、異常検知用データ入力部２、外れスコア算出部３、閾値算出部５、外れデータ抽出処理部７、種別判別部９、波形条件選択部１０、異常判定処理部１１、波形分類部１３、波形条件生成処理部１４、検知結果出力部１６及び選択受付部１７の処理手順をコンピュータに実行させるためのプログラムが図３に示すメモリ４１に格納される。そして、図３に示すプロセッサ４２がメモリ４１に格納されているプログラムを実行する。
　次に、図１２に示す異常検知装置の動作について説明する。
　ただし、図１２に示す異常検知装置の構成要素のうち、選択受付部１７以外の構成要素は、図１に示す異常検知装置と同様であるため、ここでは、選択受付部１７の動作のみを説明する。
　選択受付部１７は、図１４に示すように、波形条件生成処理部１４により生成された１つ以上の波形条件Ｗｐを、例えば、図示せぬディスプレイに表示させる。
　図１４は、波形条件生成処理部１４により生成された１つ以上の波形条件Ｗｐの一覧を表示している一覧確認画面を示す説明図である。
　ユーザは、一覧確認画面を確認することで、それぞれの波形条件Ｗｐの妥当性を評価することができる。
　図１４に示す一覧確認画面は、それぞれの波形条件Ｗｐに対応するチェックボックスを備えている。それぞれの波形条件Ｗｐに対応するチェックボックスのうち、ユーザが、妥当であると判断する波形条件Ｗｐに対応するチェックボックスに、チェックを入れることで、有効な波形条件Ｗｐを選択することができる。
　図１４に示す一覧確認画面は、４つの波形条件Ｗｐを表示している。図中、左から２～４番目の波形条件Ｗｐは、チェックボックスにチェックが入れられている。
　選択受付部１７は、波形条件生成処理部１４により生成された１つ以上の波形条件Ｗｐのうち、ユーザによって、チェックボックスにチェックが入れられた波形条件Ｗｐを、有効な波形条件Ｗｐとして、選択を受け付ける。
　選択受付部１７は、選択を受け付けた有効な波形条件Ｗｐのみを波形条件生成処理部１４により生成された波形条件Ｗｐとして、波形条件記憶部１５に記憶させる。
　選択受付部１７は、選択を受け付けていない波形条件Ｗｐを破棄して、選択を受け付けていない波形条件Ｗｐを波形条件記憶部１５に記憶させない。
　選択受付部１７は、一覧確認画面に表示されている波形条件Ｗｐの生成元の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅを図示せぬディスプレイに表示させる機能を備えている。
　一覧確認画面に表示されている１つ以上の波形条件Ｗｐのうち、ユーザが、いずれかの波形条件Ｗｐをクリックすると、選択受付部１７によって、当該波形条件Ｗｐの生成元の１つ以上の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅが図示せぬディスプレイに表示される。
　図１５は、波形条件Ｗｐの生成元の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの一覧を表示している一覧確認画面を示す説明図である。
　図１５に示す一覧確認画面は、１２個の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅを表示している。
　ユーザは、一覧確認画面を確認することで、１２個の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅのうち、波形条件Ｗｐを生成する上で、不要と思われる学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅを判断することができる。
　図１５に示す一覧確認画面は、それぞれの学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅに対応するチェックボックスを備えている。それぞれの学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅに対応するチェックボックスのうち、ユーザが、不要と思われる学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅに対応するチェックボックスに入れられているチェックを外すことで、不要と思われる学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅを選択することができる。
　図１５の例では、一番左側の列の上から２番目の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅは、チェックボックスに入れられているチェックが外されている。また、一番右側の列の上から４番目の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅは、チェックボックスに入れられているチェックが外されている。
　選択受付部１７は、１２個の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅのうち、チェックが外されていない学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの選択を受け付ける。
　波形条件生成処理部１４は、選択受付部１７により選択が受け付けられた学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅから波形条件Ｗｐを再生成する。
　図１５に示す一覧確認画面は、波形条件生成処理部１４による波形条件Ｗｐの生成方法の選択を受け付ける選択ボックスを備えている。
　生成方法選択ボックスでは、平均値Ｐｍｅａｎ［ｔ］及び標準偏差Ｐｓｔｄ［ｔ］を用いて、波形条件Ｗｐであるバンドモデルが示す正常範囲の上限値Ｂｕｐｐｅｒ［ｔ］及び下限値Ｂｌｏｗｅｒ［ｔ］を算出する生成方法を選ぶことが可能である。
　また、生成方法選択ボックスでは、最大値Ｐｍａｘ［ｔ］及び最小値Ｐｍｉｎ［ｔ］を用いて、バンドモデルが示す正常範囲の上限値Ｂｕｐｐｅｒ［ｔ］及び下限値Ｂｌｏｗｅｒ［ｔ］を算出する生成方法を選ぶことが可能である。
　したがって、ユーザは、生成方法選択ボックスを操作することで、波形条件Ｗｐの生成方法を選択することが可能である。
　選択受付部１７は、ユーザの生成方法選択ボックスの操作に伴う波形条件Ｗｐの生成方法の選択を受け付ける。
　波形条件生成処理部１４は、選択受付部１７により選択が受け付けられた生成方法に基づいて、選択受付部１７により選択が受け付けられた学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅから波形条件Ｗｐを生成する。
　図１５に示す一覧確認画面は、バンドモデルが示す正常範囲のマージンの選択を受け付けるマージン選択ボックスを備えている。
　したがって、ユーザは、マージン選択ボックスを操作することで、マージンを選択することが可能である。
　選択受付部１７は、ユーザのマージン選択ボックスの操作に伴うマージンの選択を受け付ける。
　波形条件生成処理部１４は、選択受付部１７により選択が受け付けられたマージンを正常範囲に加えることで、正常範囲を拡張する。
　図１５に示す一覧確認画面は、「反映」ボタン、「保存」ボタン及び「追加」ボタンを備えている。
　ユーザが、「反映」ボタンをクリックすると、波形条件生成処理部１４が、選択受付部１７により選択が受け付けられた学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅから波形条件Ｗｐを再生成し、再生成した波形条件Ｗｐを一覧確認画面に表示させるように動作する。
　ユーザが、「保存」ボタンをクリックすると、選択受付部１７により再生成された波形条件Ｗｐが、波形条件記憶部１５に記憶されるように動作する。
　ユーザが、「追加」ボタンをクリックすると、波形条件Ｗｐを再生成する上で、図１５に示す一覧確認画面に表示されている学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅと異なるグループに含まれている学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅを選択できるように動作する。そして、ユーザが、「追加」ボタンをクリックしたのち、ユーザが、図１４に示す一覧確認画面において、先にクリックした波形条件Ｗｐと異なる波形条件Ｗｐをクリックする。ユーザが、異なる波形条件Ｗｐをクリックすると、選択受付部１７によって、クリックした波形条件Ｗｐの生成元の１つ以上の学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅが図１５に示す一覧確認画面に表示される。
　図１５に示す一覧確認画において、ユーザが、波形条件Ｗｐを再生成する上で、追加する必要があると思われる学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅのチェックボックスにチェックを入れることで、追加する必要があると思われる学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅを選択できる。
　以上の実施の形態３は、選択受付部１７が、波形条件生成処理部１４により生成された波形条件Ｗｐを提示し、提示した波形条件Ｗｐの中から、有効な波形条件Ｗｐの選択を受け付け、選択を受け付けた有効な波形条件Ｗｐのみを波形条件生成処理部１４により生成された波形条件Ｗｐとして残し、選択を受け付けていない波形条件Ｗｐを破棄するように、異常検知装置を構成した。したがって、異常検知装置は、ユーザの判断が反映されている波形条件Ｗｐを生成することができる。
実施の形態４．
　実施の形態４では、波形条件生成部１２が、異常判定部８によって、設備が異常であると判定された際に、波形条件Ｗｐと照合された異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’を学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅとして用いる異常検知装置について説明する。
　図１６は、実施の形態４に係る異常検知装置を示す構成図である。
　図１７は、実施の形態４に係る異常検知装置のハードウェアを示すハードウェア構成図である。
　図１６及び図１７において、図１及び図２と同一符号は同一又は相当部分を示すので説明を省略する。
　種別判別部１８は、例えば、図１７に示す種別判別回路３５によって実現される。
　種別判別部１８は、図１に示す種別判別部９と同様に、外れデータ抽出処理部７により抽出された学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの種別を判別する。
　種別判別部１８は、図１に示す種別判別部９と同様に、外れデータ抽出処理部７により抽出された異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’の波形の種別を判別する。
　種別判別部１８は、異常判定処理部１１によって、設備が異常であると判定された際に、波形条件Ｗｐと照合された異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’を、学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅとして、検知結果出力部１９から取得する。
　種別判別部１８は、取得した異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’の特徴量を算出し、算出した特徴量から異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’の波形の種別を判別する。種別判別部１８は、判別した異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’の波形の種別を波形分類部１３に出力する。
　検知結果出力部１９は、例えば、図１７に示す検知結果出力回路３６によって実現される。
　検知結果出力部１９は、図１に示す検知結果出力部１６と同様に、異常判定処理部１１から出力された判定結果を、例えば図示せぬディスプレイに表示させる。
　検知結果出力部１９は、異常判定処理部１１によって、設備が異常であると判定された際に、波形条件Ｗｐと照合された異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’と、異常検知用の時系列データＤＵ，ｔを、例えばディスプレイに表示させる。
　検知結果出力部１９は、異常判定処理部１１によって、設備が異常であると判定された際に、波形条件Ｗｐと照合された異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’のうち、学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅとして用いる異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’の選択を受け付ける。
　検知結果出力部１９は、選択を受け付けた異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’を、学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅとして、種別判別部１８、波形分類部１３及び波形条件生成処理部１４のそれぞれに出力する。
　図１６では、異常検知装置の構成要素である学習用データ入力部１、異常検知用データ入力部２、外れスコア算出部３、閾値算出部５、閾値記憶部６、外れデータ抽出処理部７、種別判別部１８、波形条件選択部１０、異常判定処理部１１、波形分類部１３、波形条件生成処理部１４、波形条件記憶部１５及び検知結果出力部１９のそれぞれが、図１７に示すような専用のハードウェアで実現されるものを想定している。即ち、異常検知装置が、入力インタフェース回路２１、入力インタフェース回路２２、外れスコア算出回路２３、閾値算出回路２４、閾値記憶回路２５、外れデータ抽出処理回路２６、種別判別回路３５、波形条件選択回路２８、異常判定処理回路２９、波形分類回路３０、波形条件生成処理回路３１、波形条件記憶回路３２及び検知結果出力回路３６で実現されるものを想定している。
　ここで、入力インタフェース回路２１、入力インタフェース回路２２、外れスコア算出回路２３、閾値算出回路２４、外れデータ抽出処理回路２６、種別判別回路３５、波形条件選択回路２８、異常判定処理回路２９、波形分類回路３０、波形条件生成処理回路３１及び検知結果出力回路３６のそれぞれは、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ、ＦＰＧＡ、又は、これらを組み合わせたものが該当する。
　異常検知装置の構成要素は、専用のハードウェアで実現されるものに限るものではなく、異常検知装置がソフトウェア、ファームウェア、又は、ソフトウェアとファームウェアとの組み合わせで実現されるものであってもよい。
　異常検知装置がソフトウェア又はファームウェア等で実現される場合、閾値記憶部６及び波形条件記憶部１５がコンピュータのメモリ４１上に構成される。学習用データ入力部１、異常検知用データ入力部２、外れスコア算出部３、閾値算出部５、外れデータ抽出処理部７、種別判別部１８、波形条件選択部１０、異常判定処理部１１、波形分類部１３、波形条件生成処理部１４及び検知結果出力部１９の処理手順をコンピュータに実行させるためのプログラムが図３に示すメモリ４１に格納される。そして、図３に示すプロセッサ４２がメモリ４１に格納されているプログラムを実行する。
　次に、図１６に示す異常検知装置の動作について説明する。
　異常判定処理部１１は、実施の形態１と同様に、波形条件選択部１０により選択された波形条件Ｗｐと、外れデータ抽出処理部７により抽出された異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’の波形とを照合する。
　異常判定処理部１１は、実施の形態１と同様に、波形条件Ｗｐと異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’の波形との照合結果に基づいて、設備が異常であるか否かを判定する。
　異常判定処理部１１は、実施の形態１と同様に、設備が異常であるか否かを示す判定結果を検知結果出力部１９に出力する。
　異常判定処理部１１は、設備が異常であると判定した際に、波形条件Ｗｐと照合した異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’を検知結果出力部１９に出力する。
　検知結果出力部１９は、異常判定処理部１１から出力された判定結果を、例えば図示せぬディスプレイに表示させる。
　検知結果出力部１９は、図１８に示すように、異常判定処理部１１によって、設備が異常であると判定された際に、波形条件Ｗｐと照合された異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’と、異常検知用データ入力部２から出力された異常検知用の時系列データＤＵ，ｔとを、例えばディスプレイに表示させる。
　図１８は、異常判定処理部１１によって、設備が異常であると判定された際に、波形条件Ｗｐと照合された異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’及び異常検知用の時系列データＤＵ，ｔを表示しているデータ表示画面の一例を示す説明図である。
　図１８において、異常検知用の時系列データＤＵ，ｔのうち、〇で囲まれている部分のデータは、異常判定処理部１１によって、設備が異常であると判定された際に、波形条件Ｗｐと照合された異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’である。図１８に示す画面には、外れデータＯＤＵ，ｔｓ’－ｔｅ’の拡大図も、表示されている。
　拡大図において、実線部分は、異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’であり、破線部分は、異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’の前後の異常検知用の時系列データＤＵ，ｔである。
　図１８では、図面の簡単化のため、異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’の拡大図の数が、〇で囲まれている部分のデータの数よりも少ない。
　図１８に示すデータ表示画面は、それぞれの異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’に対応するチェックボックスを備えている。ユーザが、学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅとして用いることを希望する異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’に対応するチェックボックスに、チェックを入れることで、学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅとして用いる異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’を選択できる。
　図１８の例では、上の段の左から４番目の異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’は、チェックボックスにチェックが入れられている。
　検知結果出力部１９は、ユーザによって、チェックボックスにチェックが入れられた異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’を、学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅとして、選択を受け付ける。
　検知結果出力部１９は、選択を受け付けた異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’を、学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅとして、種別判別部１８、波形分類部１３及び波形条件生成処理部１４のそれぞれに出力する。
　種別判別部１８は、図１に示す種別判別部９と同様に、外れデータ抽出処理部７により抽出された学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの種別を判別し、学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの種別を波形分類部１３に出力する。
　種別判別部１８は、図１に示す種別判別部９と同様に、外れデータ抽出処理部７により抽出された異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’の波形の種別を判別し、異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’の波形の種別を波形条件選択部１０に出力する。
　種別判別部１８は、検知結果出力部１９から出力された異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’を、学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅとして取得する。
　種別判別部１８は、取得した異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’の特徴量を算出し、算出した特徴量から異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’の波形の種別を判別する。
　異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’の波形の種別の判別処理は、学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅの波形の種別を判別処理と同様である。
　種別判別部１８は、判別した異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’の波形の種別を波形分類部１３に出力する。
　波形分類部１３及び波形条件生成処理部１４の動作は、検知結果出力部１９から出力された異常検知用の外れデータＯＤＵ，ｔｓ’－ｔｅ’を、学習用の外れデータＯＤＧ，ｎ，ｔｓ－ｔｅとして用いること以外は、実施の形態１と同様である。
　以上の実施の形態４は、種別判別部１８が、異常判定部８によって、設備が異常であると判定された際に、波形条件と照合された異常検知用の外れデータの特徴量を算出し、当該特徴量から波形条件と照合された異常検知用の外れデータの波形の種別を判別する。そして、波形条件生成部１２が、外れデータ抽出部４により抽出されたそれぞれの学習用の外れデータ及び波形条件と照合された異常検知用の外れデータのうち、種別判別部１８により波形が互いに同一の種別であると判別された１つ以上の外れデータの波形から、当該種別に対応する波形条件を生成するように、異常検知装置を構成した。したがって、異常検知装置は、実施の形態１の異常検知装置よりも、学習用の外れデータを増やして、種別に対応する波形条件の精度を高めることができる。
　なお、本願発明はその発明の範囲内において、各実施の形態の自由な組み合わせ、あるいは各実施の形態の任意の構成要素の変形、もしくは各実施の形態において任意の構成要素の省略が可能である。
　この発明は、設備が異常であるか否かを判定する異常検知装置及び異常検知方法に適している。
　１　学習用データ入力部、２　異常検知用データ入力部、３　外れスコア算出部、４　外れデータ抽出部、５　閾値算出部、６　閾値記憶部、７　外れデータ抽出処理部、８　異常判定部、９　種別判別部、１０　波形条件選択部、１１　異常判定処理部、１２　波形条件生成部、１３　波形分類部、１４　波形条件生成処理部、１５　波形条件記憶部、１６　検知結果出力部、１７　選択受付部、１８　種別判別部、１９　検知結果出力部、２１　入力インタフェース回路、２２　入力インタフェース回路、２３　外れスコア算出回路、２４　閾値算出回路、２５　閾値記憶回路、２６　外れデータ抽出処理回路、２７　種別判別回路、２８　波形条件選択回路、２９　異常判定処理回路、３０　波形分類回路、３１　波形条件生成処理回路、３２　波形条件記憶回路、３３　検知結果出力回路、３４　選択受付回路、３５　種別判別回路、３６　検知結果出力回路、４１　メモリ、４２　プロセッサ。

Claims (17)

  1. 　複数の時刻における異常検知対象の設備の状態を時系列で示す異常検知用の時系列データから、複数の時刻のそれぞれにおける前記設備の異常度を異常検知用の外れスコアとして算出する外れスコア算出部と、
    　前記外れスコア算出部により算出された複数の時刻のそれぞれにおける異常検知用の外れスコアに基づいて、前記異常検知用の時系列データの中から、前記設備に異常が発生している可能性のある時間帯の異常検知用の時系列データを異常検知用の外れデータとして抽出する外れデータ抽出部と、
    　前記外れデータ抽出部により抽出された異常検知用の外れデータの変化を示す波形が、前記設備が正常であるときの波形であると認められる波形条件と、前記異常検知用の外れデータの波形とを照合し、前記波形条件と前記異常検知用の外れデータの波形との照合結果に基づいて、前記設備が異常であるか否かを判定する異常判定部と
    　を備えた異常検知装置。
  2. 　前記異常判定部は、
    　前記外れデータ抽出部により抽出された異常検知用の外れデータの特徴量を算出し、前記特徴量から前記異常検知用の外れデータの波形の種別を判別する種別判別部と、
    　１つ以上の波形条件の中から、前記種別判別部により判別された種別に対応する波形条件を選択する波形条件選択部と、
    　前記波形条件選択部により選択された波形条件と、前記異常検知用の外れデータの波形とを照合し、前記選択された波形条件と前記異常検知用の外れデータの波形との照合結果に基づいて、前記設備が異常であるか否かを判定する異常判定処理部とを備えていることを特徴とする請求項１記載の異常検知装置。
  3. 　前記外れスコア算出部は、前記設備が正常であるときの複数の時刻における当該設備の状態を時系列で示す１つ以上の学習用の時系列データのそれぞれから、複数の時刻のそれぞれにおける前記設備の異常度を学習用の外れスコアとして算出し、
    　前記外れデータ抽出部は、前記外れスコア算出部により算出された複数の時刻のそれぞれにおける学習用の外れスコアに基づいて、それぞれの学習用の時系列データの中から、前記設備に異常が発生している可能性のある時間帯の学習用の時系列データを学習用の外れデータとして抽出し、
    　前記種別判別部は、前記外れデータ抽出部により抽出されたそれぞれの学習用の外れデータの特徴量を算出し、前記それぞれの学習用の外れデータの特徴量から、前記それぞれの学習用の外れデータの波形の種別を判別し、
    　前記外れデータ抽出部により抽出されたそれぞれの学習用の外れデータのうち、前記種別判別部により波形が互いに同一の種別であると判別された１つ以上の学習用の外れデータの波形から、当該種別に対応する波形条件を生成する波形条件生成部を備えたことを特徴とする請求項２記載の異常検知装置。
  4. 　前記波形条件生成部は、前記種別判別部により同一の種別であると判別された１つ以上の学習用の外れデータの波形の間の類似度に基づいて、前記同一の種別であると判別された１つ以上の学習用の外れデータをグループ分けし、分けたグループの全てについて、当該グループに含まれる１つ以上の学習用の外れデータの波形から、当該グループに対応する波形条件を生成し、
    　前記波形条件選択部は、前記外れデータ抽出部により抽出されたそれぞれの学習用の外れデータの中で、前記外れデータ抽出部により抽出された異常検知用の外れデータとの類似度が最も高い学習用の外れデータを検索し、前記波形条件生成部により生成されたそれぞれのグループに対応する波形条件の中から、前記検索した学習用の外れデータが含まれているグループに対応する波形条件を選択することを特徴とする請求項３記載の異常検知装置。
  5. 　前記外れデータ抽出部は、前記外れスコア算出部により算出された複数の時刻のそれぞれにおける異常検知用の外れスコアと閾値とを比較し、前記複数の時刻のそれぞれにおける異常検知用の外れスコアと前記閾値との比較結果に基づいて、前記異常検知用の時系列データの中から、前記設備に異常が発生している可能性のある時間帯の異常検知用の時系列データを異常検知用の外れデータとして抽出することを特徴とする請求項１記載の異常検知装置。
  6. 　前記波形条件生成部は、前記波形条件として、波形の正常範囲を示すバンドモデルを生成し、
    　前記異常判定処理部は、前記外れデータ抽出部により抽出された異常検知用の外れデータの波形が、前記バンドモデルが示す正常範囲に含まれていれば、前記設備が正常であると判定し、前記異常検知用の外れデータの波形が、前記バンドモデルが示す正常範囲を逸脱していれば、前記設備が異常であると判定することを特徴とする請求項３記載の異常検知装置。
  7. 　前記異常判定処理部は、前記外れデータ抽出部により抽出された異常検知用の外れデータの波形が、前記バンドモデルが示す正常範囲を逸脱していても、許容範囲の逸脱であれば、前記設備が正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. 　前記波形条件生成部は、前記波形条件として、前記設備が正常であるときに外れデータが発生している時間帯を示すヒストグラムを生成し、
    　前記異常判定処理部は、前記外れデータ抽出部により抽出された異常検知用の外れデータが発生している時間帯が、前記ヒストグラムが示す発生時間帯に含まれていれば、前記設備が正常であると判定し、前記異常検知用の外れデータが発生している時間帯が、前記ヒストグラムが示す発生時間帯に含まれていなければ、前記設備が異常であると判定することを特徴とする請求項３記載の異常検知装置。
  9. 　前記波形条件生成部は、前記外れデータ抽出部により抽出されたそれぞれの学習用の外れデータの波形の平均値と、前記それぞれの学習用の外れデータの標準偏差とを用いて、前記バンドモデルを生成することを特徴とする請求項６記載の異常検知装置。
  10. 　前記波形条件生成部は、前記外れデータ抽出部により抽出されたそれぞれの学習用の外れデータの波形の中の最大値と、前記それぞれの学習用の外れデータの波形の中の最小値とを用いて、前記バンドモデルを生成することを特徴とする請求項６記載の異常検知装置。
  11. 　前記波形条件生成部は、生成したバンドモデルが示す正常範囲の幅から、前記正常範囲のマージンを算出し、前記マージンを前記正常範囲に加えることで、前記正常範囲を拡張することを特徴とする請求項６記載の異常検知装置。
  12. 　前記波形条件生成部は、前記種別判別部により同一の種別であると判別された１つ以上の学習用の外れデータの波形の長さが異なれば、長さが長い方の波形に対して、長さが短い方の波形の位置をずらしながら、波形の長さが長い方の学習用の外れデータと、波形の長さが短い方の学習用の外れデータとの類似度をそれぞれ算出し、それぞれ算出した類似度の中の最大値を、前記波形の長さが長い方の学習用の外れデータと、前記波形の長さが短い方の学習用の外れデータとの類似度に決定することを特徴とする請求項４記載の異常検知装置。
  13. 　前記波形条件生成部は、前記種別判別部により波形が同一の種別であると判別されたそれぞれの学習用の外れデータの波形の平均値を算出して、前記それぞれの学習用の外れデータの波形から、前記それぞれの学習用の外れデータの波形の平均値を減算し、平均値を減算したそれぞれの学習用の外れデータの波形から、当該種別に対応する波形条件を生成することを特徴とする請求項３記載の異常検知装置。
  14. 　前記波形条件生成部は、前記種別判別部により波形が同一の種別であると判別されたそれぞれの学習用の外れデータの波形の標準偏差を算出して、平均値を減算したそれぞれの学習用の外れデータの波形を、前記それぞれの標準偏差で除算し、標準偏差で除算したそれぞれの学習用の外れデータの波形から、当該種別に対応する波形条件を生成することを特徴とする請求項１３記載の異常検知装置。
  15. 　前記波形条件生成部は、
    　生成した波形条件を提示して、提示した波形条件の中から、有効な波形条件の選択を受け付け、選択を受け付けた有効な波形条件のみを前記生成した波形条件として残し、選択を受け付けていない波形条件を破棄する選択受付部を備えたことを特徴とする請求項３記載の異常検知装置。
  16. 　前記種別判別部は、前記異常判定処理部によって、前記設備が異常であると判定された際に波形条件と照合された異常検知用の外れデータの特徴量を算出し、当該特徴量から、前記波形条件と照合された異常検知用の外れデータの波形の種別を判別し、
    　前記波形条件生成部は、前記外れデータ抽出部により抽出されたそれぞれの学習用の外れデータ及び前記波形条件と照合された異常検知用の外れデータのうち、前記種別判別部により波形が互いに同一の種別であると判別された１つ以上の外れデータの波形から、当該種別に対応する波形条件を生成することを特徴とする請求項３記載の異常検知装置。
  17. 　外れスコア算出部が、複数の時刻における異常検知対象の設備の状態を時系列で示す異常検知用の時系列データから、複数の時刻のそれぞれにおける前記設備の異常度を異常検知用の外れスコアとして算出し、
    　外れデータ抽出部が、前記外れスコア算出部により算出された複数の時刻のそれぞれにおける異常検知用の外れスコアに基づいて、前記異常検知用の時系列データの中から、前記設備に異常が発生している可能性のある時間帯の異常検知用の時系列データを異常検知用の外れデータとして抽出し、
    　異常判定部が、前記外れデータ抽出部により抽出された異常検知用の外れデータの変化を示す波形が、前記設備が正常であるときの波形であると認められる波形条件と、前記異常検知用の外れデータの波形とを照合し、前記波形条件と前記異常検知用の外れデータの波形との照合結果に基づいて、前記設備が異常であるか否かを判定する
    　異常検知方法。
PCT/JP2018/044643 2018-12-05 2018-12-05 異常検知装置及び異常検知方法 WO2020115827A1 (ja)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN201880099824.5A CN113168171B (zh) 2018-12-05 2018-12-05 异常探测装置以及异常探测方法
JP2020558720A JP6827608B2 (ja) 2018-12-05 2018-12-05 異常検知装置及び異常検知方法
EP18942235.5A EP3879370B1 (en) 2018-12-05 2018-12-05 Abnormality detection device and abnormality detection method
PCT/JP2018/044643 WO2020115827A1 (ja) 2018-12-05 2018-12-05 異常検知装置及び異常検知方法
US17/232,565 US20210231535A1 (en) 2018-12-05 2021-04-16 Abnormality detection device and abnormality detection method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2018/044643 WO2020115827A1 (ja) 2018-12-05 2018-12-05 異常検知装置及び異常検知方法

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US17/232,565 Continuation US20210231535A1 (en) 2018-12-05 2021-04-16 Abnormality detection device and abnormality detection method

Publications (1)

Publication Number Publication Date
WO2020115827A1 true WO2020115827A1 (ja) 2020-06-11

Family

ID=70974128

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2018/044643 WO2020115827A1 (ja) 2018-12-05 2018-12-05 異常検知装置及び異常検知方法

Country Status (5)

Country Link
US (1) US20210231535A1 (ja)
EP (1) EP3879370B1 (ja)
JP (1) JP6827608B2 (ja)
CN (1) CN113168171B (ja)
WO (1) WO2020115827A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022049701A1 (ja) * 2020-09-03 2022-03-10 三菱電機株式会社 機器分析装置、機器分析方法および機器分析プログラム

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021009441A (ja) * 2019-06-28 2021-01-28 ルネサスエレクトロニクス株式会社 異常検知システム及び異常検知プログラム
CN114218164A (zh) * 2021-12-17 2022-03-22 微梦创科网络科技（中国）有限公司 一种基于时序向量检索的数据异常检测方法及系统
CN113998414B (zh) * 2021-12-28 2022-03-11 山东山矿机械有限公司 基于云计算的带式输送机远程控制方法及系统
CN114580572B (zh) * 2022-04-07 2023-04-07 中科三清科技有限公司 一种异常值的识别方法、装置、电子设备及存储介质
US12015518B2 (en) * 2022-11-02 2024-06-18 Cisco Technology, Inc. Network-based mining approach to root cause impactful timeseries motifs
CN116090916B (zh) * 2023-04-10 2023-06-16 淄博海草软件服务有限公司 一种企业内部采购资金核算预警系统
CN118070195B (zh) * 2024-04-16 2024-07-19 山东艾克索仑电气有限公司 一种矿用交流变频器异常数据状态监测系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014041971A1 (ja) * 2012-09-13 2014-03-20 オムロン株式会社 監視装置、監視方法、プログラムおよび記録媒体
JP2016128973A (ja) * 2015-01-09 2016-07-14 株式会社日立パワーソリューションズ 予兆診断システム及び予兆診断方法
WO2018207350A1 (ja) * 2017-05-12 2018-11-15 三菱電機株式会社 時系列データ処理装置、時系列データ処理システムおよび時系列データ処理方法

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4967474B2 (ja) * 2006-06-28 2012-07-04 オムロン株式会社 判定知識作成装置、判定知識作成方法、プログラムおよび記録媒体
JP5301310B2 (ja) * 2009-02-17 2013-09-25 株式会社日立製作所 異常検知方法及び異常検知システム
WO2010116599A1 (ja) * 2009-04-10 2010-10-14 オムロン株式会社 稼働情報出力装置、稼働情報出力装置の制御方法、監視装置、監視装置の制御方法、および制御プログラム
JP5431235B2 (ja) * 2009-08-28 2014-03-05 株式会社日立製作所 設備状態監視方法およびその装置
WO2011036809A1 (ja) * 2009-09-28 2011-03-31 株式会社 東芝 異常判定システムおよびその方法
CN102870057B (zh) * 2010-04-08 2015-01-28 株式会社日立制作所 机械设备的诊断装置、诊断方法及诊断程序
JP5669553B2 (ja) * 2010-12-14 2015-02-12 三菱電機株式会社 異常検知装置、異常検知方法及び異常検知プログラム
WO2014119110A1 (ja) * 2013-01-30 2014-08-07 住友重機械工業株式会社 ショベルの異常判定方法、管理装置、及びショベル
CN105302848B (zh) * 2014-10-11 2018-11-13 山东鲁能软件技术有限公司 一种设备智能预警系统的评估值校准方法
EP3249483B1 (en) * 2015-01-21 2020-05-20 Mitsubishi Electric Corporation Information processing device and information processing method
JP5946573B1 (ja) * 2015-08-05 2016-07-06 株式会社日立パワーソリューションズ 異常予兆診断システム及び異常予兆診断方法
CN106095655B (zh) * 2016-05-31 2018-06-12 北京蓝海讯通科技股份有限公司 一种异常检测方法、应用和监控设备
JP6348934B2 (ja) * 2016-07-19 2018-06-27 光洋電子工業株式会社 異常診断システム及び異常診断方法
JP2018156151A (ja) * 2017-03-15 2018-10-04 ファナック株式会社 異常検知装置及び機械学習装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014041971A1 (ja) * 2012-09-13 2014-03-20 オムロン株式会社 監視装置、監視方法、プログラムおよび記録媒体
JP2016128973A (ja) * 2015-01-09 2016-07-14 株式会社日立パワーソリューションズ 予兆診断システム及び予兆診断方法
WO2018207350A1 (ja) * 2017-05-12 2018-11-15 三菱電機株式会社 時系列データ処理装置、時系列データ処理システムおよび時系列データ処理方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
CHIN-CHIA MICHAEL YEHYAN ZHULIUDMILA ULANOVANURJAHAN BEGUMYIFEI DINGHOANG ANH DAUDIEGO FURTADO SILVAABDULLAH MUEENEAMONN KEOGH, MATRIX PROFILE I: ALL PAIRS SIMILARITY JOINS FOR TIME SERIES: A UNIFYING VIEW THAT INCLUDES MOTIFS, DISCORDS AND SHAPELETS, 2016

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022049701A1 (ja) * 2020-09-03 2022-03-10 三菱電機株式会社 機器分析装置、機器分析方法および機器分析プログラム
JPWO2022049701A1 (ja) * 2020-09-03 2022-03-10
JP7214054B2 (ja) 2020-09-03 2023-01-27 三菱電機株式会社 機器分析装置、機器分析方法および機器分析プログラム

Also Published As

Publication number Publication date
CN113168171A (zh) 2021-07-23
JPWO2020115827A1 (ja) 2021-02-15
EP3879370A4 (en) 2021-11-17
CN113168171B (zh) 2023-09-19
JP6827608B2 (ja) 2021-02-10
EP3879370B1 (en) 2022-12-21
US20210231535A1 (en) 2021-07-29
EP3879370A1 (en) 2021-09-15

Similar Documents

Publication Publication Date Title
WO2020115827A1 (ja) 異常検知装置及び異常検知方法
KR102011620B1 (ko) 이상 데이터의 중요도 판정 장치 및 이상 데이터의 중요도 판정 방법
EP2905665B1 (en) Information processing apparatus, diagnosis method, and program
JP6351862B2 (ja) 運転状態分類装置
US20160217379A1 (en) Shapelet-Based Oilfield Equipment Failure Prediction and Detection
EP3552067A1 (en) Methods and systems for discovery of prognostic subsequences in time series
WO2016075915A1 (ja) ログ分析システム、ログ分析方法およびプログラム記録媒体
US11294364B2 (en) Data processing device and data processing method
JP2018206316A (ja) プラント運転監視システム及びプラント運転監視方法
US20160069776A1 (en) Pattern Search in Analysis of Underperformance of Gas Turbine
US20200379016A1 (en) Waveform segmentation device and waveform segmentation method
JP5940018B2 (ja) データ名称抽出装置及びプログラム
JPWO2018066108A1 (ja) 時系列データ処理装置
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
WO2016098805A1 (ja) データ関連情報処理装置及びプログラム
JP6458157B2 (ja) データ分析装置および分析方法
US11126948B2 (en) Analysis method and computer
JP6355849B2 (ja) 時系列データ処理装置
JP6247777B2 (ja) 異常診断装置および異常診断方法
JP6951202B2 (ja) データ分類装置
JP2020064374A (ja) コード情報読取装置、方法、及びプログラム
KR102605381B1 (ko) 설비 사양의 자동 인식을 위한 설비 명판 광학 문자 판독 시스템 및 방법
US20230078191A1 (en) Data extraction apparatus, data extraction method, and storage medium
CN114493230A (zh) 异常业务数据的处理方法、装置和存储介质
JP2006172372A (ja) 検索装置および方法

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: 18942235

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2020558720

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2018942235

Country of ref document: EP

Effective date: 20210608