WO2020170391A1 - 学習装置及び学習方法、異常検知システム及び異常検知方法、並びに記録媒体 - Google Patents

学習装置及び学習方法、異常検知システム及び異常検知方法、並びに記録媒体 Download PDF

Info

Publication number
WO2020170391A1
WO2020170391A1 PCT/JP2019/006568 JP2019006568W WO2020170391A1 WO 2020170391 A1 WO2020170391 A1 WO 2020170391A1 JP 2019006568 W JP2019006568 W JP 2019006568W WO 2020170391 A1 WO2020170391 A1 WO 2020170391A1
Authority
WO
WIPO (PCT)
Prior art keywords
attractor
time
series data
feature amount
dimensional space
Prior art date
Application number
PCT/JP2019/006568
Other languages
English (en)
French (fr)
Inventor
理史 藤塚
Original Assignee
日本電気株式会社
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 日本電気株式会社 filed Critical 日本電気株式会社
Priority to PCT/JP2019/006568 priority Critical patent/WO2020170391A1/ja
Publication of WO2020170391A1 publication Critical patent/WO2020170391A1/ja

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
    • 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

Definitions

  • the present invention relates to a learning device and a learning method, an abnormality detection system and an abnormality detection method, and a recording medium.
  • Patent Literature 1 describes a technique of creating an attractor from time-series data acquired from a facility or the like that is a monitoring target, and performing abnormality determination of the time-series data based on the parallelism of data vectors forming the attractor. Has been done.
  • Patent Document 1 makes an abnormality determination based on the parallelism between the data vector forming the attractor and the neighborhood vector in the neighborhood space of the data vector. Therefore, the technique described in Patent Document 1 assumes that attractors created from time-series data are dense, and in a situation where attractors do not become dense because a sufficient amount of time-series data cannot be obtained, a data vector It is impossible to measure the parallelism between the vector and its neighborhood vector. Therefore, it is difficult for the technique described in Patent Document 1 to detect an abnormality in a situation where a sufficient amount of time-series data cannot be obtained.
  • the present invention has been made in view of the above-described problems, and an object of the present invention is to enable highly accurate abnormality detection even when the amount of time-series data measured by a sensor is small.
  • the attractor creating unit that creates an attractor by embedding time-series data measured by a sensor in a high-dimensional space
  • the attractor created by the attractor creating unit the high-dimensional space
  • a feature quantity extraction unit for extracting a feature quantity related to the variance of the time-series data embedded in the learning device.
  • an abnormality detection system including the learning device described above and a detection device that detects an abnormal state based on the characteristic amount extracted by the characteristic amount extraction unit.
  • an attractor is created by embedding time series data measured by a sensor in a high-dimensional space, and the time series embedded in the high-dimensional space is created from the attractor created.
  • a learning method for extracting a feature amount related to the distribution of data is provided.
  • an attractor is created by embedding time series data measured by a sensor in a high-dimensional space in a computer, and the attractor created is embedded in the high-dimensional space.
  • a recording medium on which a program for executing extraction of a characteristic amount related to dispersion of the time series data is recorded.
  • an attractor is created by embedding time series data measured by a sensor in a high-dimensional space, and the time series embedded in the high-dimensional space is created from the attractor created.
  • an abnormality detection method for extracting a feature amount related to data distribution and detecting an abnormal state based on the extracted feature amount.
  • an attractor is created by embedding time series data measured by a sensor in a high-dimensional space in a computer, and the attractor created is embedded in the high-dimensional space.
  • a recording medium on which a program for extracting a characteristic amount related to the dispersion of the time-series data and detecting an abnormal state based on the extracted characteristic amount is recorded.
  • the present invention even when the amount of time-series data measured by the sensor is small, it is possible to detect an abnormality with high accuracy.
  • FIG. 1 is a block diagram showing an example of a device configuration of an abnormality detection system according to an embodiment. It is a schematic diagram explaining the process of embedding time series data used in one embodiment in a high-dimensional space. It is a schematic diagram for explaining a kernel principal component analysis used in the normal state learning device of the abnormality detection system according to one embodiment.
  • 6 is a flowchart illustrating a normal state learning method executed in the normal state learning device of the abnormality detection system according to the exemplary embodiment. 6 is a flowchart illustrating an abnormal state detection method executed in the abnormal state detection device of the abnormality detection system according to the exemplary embodiment. It is a block diagram which shows the function structure of the learning device by other embodiment. It is a block diagram which shows the function structure of the abnormality detection system by other embodiment.
  • FIG. 1 is a block diagram showing a functional configuration of the abnormality detection system according to this embodiment.
  • FIG. 2 is a block diagram showing an example of the device configuration of the abnormality detection system according to the present embodiment.
  • the abnormality detection system 1 is a system that monitors and detects an abnormality in a monitoring target, and includes a normal state learning device 100 and an abnormal state detection device 200.
  • a sensor 111 is provided in a factory such as a plant that is an object of monitoring by the abnormality detection system 1.
  • each block does not show a hardware-based configuration but a functional-based configuration.
  • the blocks shown in FIG. 1 may be implemented within a single device or within multiple devices.
  • the exchange of data between blocks is performed via an arbitrary means such as a data bus, a network, a portable storage medium, or the like.
  • the unidirectional arrows between the blocks indicate the direction of data flow.
  • the one-way arrow between blocks does not exclude a bidirectional data flow between blocks, nor does it exclude a data flow between blocks without an explicit arrow.
  • the normal state learning device 100 is an information processing device that functions as a learning device that extracts and learns a normal state feature amount that is a feature amount that characterizes a normal state from a measurement value of the sensor 111.
  • the normal state learning device 100 includes a sensor value acquisition unit 110, an embedding processing unit 120, and a feature amount extraction unit 130 as processing units.
  • the normal state learning device 100 also has a feature amount storage unit 140 as a storage unit.
  • the sensor value acquisition unit 110 acquires, as time-series data, information indicating a time-series measurement value (sensor value) measured by the sensor 111 provided in the monitored factory.
  • the sensor value acquisition unit 110 particularly acquires time-series sensor values measured by the sensor 111 when the factory to be monitored is in a normal state.
  • the sensor 111 is an arbitrary sensor such as a temperature sensor, a vibration sensor, a pressure sensor, a concentration sensor, a rotation speed sensor, or the like that measures information on the facility or environment of the monitored factory.
  • the sensor 111 may include one or more types of sensors, and the same type of sensor may be provided at multiple locations. Each sensor 111 is identified and managed by its type and installation location.
  • the mode in which the sensor value acquisition unit 110 acquires the time series data measured by the sensor 111 is not particularly limited.
  • the sensor value acquisition unit 110 can acquire the time series data measured by the sensor 111 in real time.
  • the sensor value acquisition unit 110 can collectively or periodically acquire the time series data measured by the sensor 111 during a predetermined period.
  • the embedding processing unit 120 and the feature amount extraction unit 130 perform a feature amount extraction process in a normal state described later using the time-series sensor values acquired by the sensor value acquisition unit 110. As a result, the embedding processing unit 120 and the feature amount extraction unit 130 extract the normal state feature amount that is the feature amount that characterizes the normal state of the factory that is the monitoring target.
  • the embedding processing unit 120 is an attractor creation unit that creates an attractor for extracting the feature amount.
  • the embedding processing unit 120 reconfigures the attractor from the time-series sensor values acquired by the sensor value acquisition unit 110 and creates a reconfigured attractor.
  • the feature amount extraction unit 130 extracts the normal state feature amount based on the reconstructed attractor created by the embedding processing unit 120.
  • the normal state feature amount extracted by the feature amount extraction unit 130 is stored in the feature amount storage unit 140 in an arbitrary data format (file format).
  • the abnormal state detection device 200 is an information processing device that functions as a detection device that detects an abnormal state based on the normal state feature amount learned by the normal state learning device 100.
  • the abnormal state detection device 200 includes a sensor value acquisition unit 210, an abnormal state detection unit 220, and an abnormal state output unit 230 as processing units.
  • the sensor value acquisition unit 210 acquires information indicating time-series sensor values measured by the sensor 111 as time-series data.
  • the sensor value acquisition unit 210 acquires a time-series sensor value when the factory to be monitored is under monitoring.
  • the abnormal state detection unit 220 determines whether the time-series sensor value acquired by the sensor value acquisition unit 210 behaves differently from the normal state, based on the normal state feature amount learned by the normal state learning device 100. Detect an abnormal condition. That is, the abnormal state detection unit 220 performs the same processing as the embedding processing unit 120 and the feature amount extraction unit 130 on the time-series sensor values acquired by the sensor value acquisition unit 210, and monitors the factory under monitoring. A feature amount that characterizes the state is extracted. The abnormal state detection unit 220 compares the extracted feature amount with the normal state feature amount and detects an abnormal state based on the comparison result. Further, when the abnormal state detecting unit 220 detects the abnormal state, the abnormal state detecting unit 220 extracts the abnormal information, which is information indicating the sensor 111 in which the abnormal state is detected and the occurrence time of the abnormal state.
  • the abnormal state output unit 230 outputs abnormal information extracted by the abnormal state detection unit 220 when the abnormal state detection unit 220 detects an abnormal state.
  • the abnormal state output unit 230 can output abnormal information by an arbitrary method such as display on a display, paper printing by a printer, or data recording in a storage device.
  • FIG. 2 is a schematic configuration diagram showing an exemplary device configuration of the abnormality detection system 1 according to the present embodiment.
  • the normal state learning device 100 includes a CPU (Central Processing Unit) 101, a memory 102, a storage device 103, and an interface 104.
  • the abnormal state detection device 200 has a CPU 201, a memory 202, a storage device 203, and an interface 204.
  • the interfaces 104 and 204 are communication units that transmit and receive data, and are configured to execute at least one communication method of wired communication and wireless communication.
  • the interfaces 104 and 204 include a processor, an electric circuit, an antenna, a connection terminal and the like required for the communication system.
  • the interfaces 104 and 204 perform communication using the communication method according to the signals from the CPUs 101 and 201.
  • the interfaces 104 and 204 receive, for example, information indicating the measurement value of the sensor 111 from the sensor 111.
  • the storage devices 103 and 203 store programs executed by the normal state learning device 100 and the abnormal state detection device 200, data of processing results by the programs, and the like.
  • the storage devices 103 and 203 include a read-only ROM (Read Only Memory), a readable/writable hard disk drive, a flash memory, and the like.
  • the storage devices 103 and 203 may also include a computer-readable portable storage medium such as a CD-ROM (Compact Disc-Read Only Memory).
  • the memories 102 and 202 include a RAM (Random Access Memory) that temporarily stores data being processed by the CPUs 101 and 201, programs and data read from the storage devices 103 and 203, and the like.
  • RAM Random Access Memory
  • the CPUs 101 and 201 are processors as processing units that execute various processing operations. That is, the CPUs 101 and 201 temporarily record temporary data used for processing in the memories 102 and 202. Further, the CPUs 101 and 201 read the programs recorded in the storage devices 103 and 203, and execute various processing operations such as various calculations, controls, and determinations on the temporary data according to the programs. Further, the CPUs 101 and 201 record the processing result data in the storage devices 103 and 203, and also transmit the processing result data to the outside via the interfaces 104 and 204.
  • the CPU 101 of the normal state learning device 100 functions as the sensor value acquisition unit 110, the embedding processing unit 120, and the feature amount extraction unit 130 of FIG. 1 by executing the program recorded in the storage device 103.
  • the CPU 201 of the abnormal state detection device 200 functions as the sensor value acquisition unit 210, the abnormal state detection unit 220, and the abnormal state output unit 230 of FIG.
  • the abnormality detection system 1 is not limited to the specific configuration shown in FIG.
  • the normal state learning device 100 and the abnormal state detection device 200 are not limited to one device, respectively, and may be configured by connecting two or more physically separated devices by wire or wirelessly.
  • the normal state learning device 100 and the abnormal state detection device 200 may be integrally configured as one device.
  • Each unit included in the normal state learning device 100 and the abnormal state detection device 200 may be realized by an electric circuit configuration.
  • the electric circuit configuration is a wording that conceptually includes a single device, a plurality of devices, a chipset, or a cloud.
  • At least part of the abnormality detection system 1 may be provided in the SaaS (Software as a Service) format. That is, at least a part of the functions for implementing the abnormality detection system 1 may be executed by software executed via the network.
  • SaaS Software as a Service
  • the embedding processing unit 120 performs a process of embedding the time series data, which is the time series sensor values acquired by the sensor value acquisition unit 110, in the high-dimensional space. As a result, the embedding processing unit 120 reconfigures the attractor to create a reconfigured attractor, as described below.
  • FIG. 3 is a schematic diagram illustrating a process of embedding time-series data in a high-dimensional space, which is performed by the embedding processing unit 120 used in this embodiment. In the upper part of FIG. 3, a plot of the state space of the entire system, that is, the attractor of the entire system is shown. On the left side of the lower part of FIG. 3, time series data, which are some of the observed values observed for a part of the system, are shown.
  • the value of a certain variable that constitutes the system is the value resulting from the entanglement of the effects of other variables. Therefore, the time series information of a certain variable includes information of other variables. Therefore, it is known that the attractor that is the information of the whole system can be reconstructed by embedding the time series data of some variables that compose the system in the high-dimensional space (Takens embedding theorem). The attractor reconfigured in this way is called a reconfigurable attractor. The attractor reconstructed from some of the observed time series data is shown on the right side of the lower part of FIG.
  • the high-dimensional space in which the time series data is embedded is an n-dimensional (n is a natural number of 2 or more) multidimensional space.
  • the embedding dimension n which is the dimension of the multidimensional space in which the time series data is embedded, can be appropriately determined according to the system by various methods such as the FNN (False Nearest Neighbor) method.
  • the state of the system changes greatly after the periodic inspection.
  • the learning done up to the regular inspection is no longer valid after the regular inspection.
  • it is important that the learning about the normal state is completed at an early stage after the periodic inspection, that is, in a situation where the amount of time-series data is small.
  • the case where the amount of available time-series data is small is exemplified by the case of a system in which there are few points that can be clearly recognized as normal. Even if the normal state is learned, if there are few places where the normal state is known, it is difficult to acquire time-series data having a sufficient data amount for learning the normal state.
  • the feature amount that uses information in the vicinity of the reconstructed attractor include a correlation dimension, a Lyapunov exponent, and a trajectory parallel measure.
  • the normal state learning apparatus 100 performs the following ingenuity so that the feature amount of the normal state can be detected from the reconstructing attractor even when the available time series data amount is small. Allows you to extract.
  • FIG. 4 is a schematic diagram for explaining kernel principal component analysis used in the normal state learning device 100 according to the present embodiment.
  • the feature amount extraction unit 130 can extract the non-linear principal components from the reconstructed attractor by using the kernel principal component analysis and use them as the feature amounts.
  • Fig. 4 On the left side of Fig. 4, a plot of the data distribution obtained from the observation is shown. From this plot it is generally difficult to find features. On the other hand, on the right side of FIG. 4, there is shown a plot in the space in which the observed data is feature-extracted by the non-linear mapping ⁇ . In this way, the kernel principal component analysis extracts a linear subspace having the maximum variance by the non-linear mapping.
  • equation (2) the average vector of the mapping destination represented by the following equation (3) is used.
  • K is an Nth-order square matrix having ⁇ (x i ) T ⁇ (x j ) in the (i,j) component. Further, ⁇ is a real number. Also, J N is a centralization matrix. Also, I N denotes the N-th order unit matrix represented by the following formula (7).
  • a radial basis function represented by the following equation (8) that is, a Gaussian RBF (Radial Basis Function) is adopted as the kernel function. Note that various radial basis functions other than Gaussian RBF can be used as the radial basis function.
  • Equation (4) above depends on ⁇ .
  • the projection component u T ⁇ (y) of ⁇ (y) in the u direction is expressed by the following equation (9).
  • the projection component u T ⁇ (y) does not depend explicitly on the shape of the non-linear map ⁇ .
  • the above method does not need to explicitly specify the non-linear mapping ⁇ and shows that the non-linear conversion can be implicitly performed by determining the kernel function k, and is called a kernel trick.
  • the above eigenvectors are the first principal component, the second principal component,... in descending order of eigenvalue. Some of the uppermost ones of the principal components arranged in descending order of eigenvalue are extracted and used as feature quantities. Then, the feature amount in the normal data, which is the time-series data acquired in the normal state, that is, the feature amount in the normal state is extracted by obtaining the value of the set of the main components.
  • the feature amount extracted as described above in the present embodiment is a global feature amount that does not use information in the vicinity of the reconstructing attractor but depends only on the global information of the reconstructing attractor. That is, the extracted global feature amount is a feature amount related to the dispersion of the time series data in which the reconstructed attractor is created by being embedded in the high-dimensional space. That is, the extracted global feature amount is a feature amount that represents the distribution structure of the time-series sensor values that are time-series data embedded in the high-dimensional space in the high-dimensional space. Therefore, the feature amount extracted in this embodiment is a feature amount effective for characterizing the state of the system even when the amount of time-series data is small.
  • the global feature amount that is a feature amount that is related to the dispersion of the time-series data in which the reconstruction attractor is created by being embedded in the high-dimensional space To use. Therefore, according to the present embodiment, it is possible to characterize the state of the system even when the amount of time-series data measured by the sensor 111 is small. Therefore, according to the present embodiment, even when the amount of time-series data measured by the sensor 111 is small, it is possible to detect an abnormal state with high accuracy based on the global characteristic amount. ..
  • the case of extracting the global feature amount related to the time series data embedded in the high-dimensional space by the method called kernel principal component analysis has been described, focusing on the variance of the data distribution. It is not limited to this.
  • the feature amount extraction processing method of the feature amount extraction unit 130 is not limited to the specific formula shown here, and any other method can be used.
  • the extracted global feature amount is not limited to the feature amount related to the distribution of the data distribution in the non-linear space as extracted by the above-mentioned kernel principal component analysis, but is related to the linear distribution of the data distribution. It may be a feature amount to be performed.
  • FIG. 5 is a flowchart showing a normal state learning method executed in the normal state learning device 100 according to the present embodiment.
  • the normal state learning method is started, for example, when the user performs a predetermined operation on the normal state learning device 100.
  • the sensor value acquisition unit 110 acquires information indicating a time-series sensor value measured by the sensor 111 installed in the monitoring target in a normal state (step S101).
  • the sensor value acquisition unit 110 acquires information indicating time-series sensor values for all of the plurality of target sensors 111.
  • the sensor value acquisition unit 110 may directly acquire the sensor value from the sensor 111 or may read and acquire the sensor value stored in the storage device.
  • the embedding processing unit 120 reconfigures the attractor for one sensor 111 of the plurality of target sensors 111 from the time-series sensor values acquired by the sensor value acquisition unit 110 as described above. To create a reconstructed attractor (step S102).
  • the feature amount extraction unit 130 extracts the normal state feature amount as described above for the sensor 111 based on the reconstructed attractor created in step S102 (step S103).
  • the embedding processing unit 120 and the feature amount extraction unit 130 perform the normal state feature amount extraction process to extract the normal state feature amount of one of the plurality of target sensors 111.
  • steps S102 to S104 are performed for another sensor 111 among the plurality of target sensors 111. Repeated.
  • the feature amount extraction unit 130 stores the normal state feature amounts extracted for all the sensors 111 in the feature amount storage unit. It is stored in 140 (step S105).
  • the normal state feature amount is extracted for each of the plurality of target sensors 111, and the normal state learning method in the normal state learning device 100 is ended as the learning method in the abnormality detection system 1.
  • the CPU 101 of the normal state learning device 100 is the main body of each step (process) included in the process shown in FIG. That is, the CPU 101 reads the program for executing the process shown in FIG. 5 from the memory 102 or the storage device 103, executes the program, and controls the normal state learning device 100 to execute the process shown in FIG. .. Further, at least a part of the processing illustrated in FIG. 5 may be performed by a device or an electric circuit other than the CPU 101 instead of the CPU 101.
  • FIG. 6 is a flowchart showing an abnormal state detection method executed in the abnormal state detection device 200 according to this embodiment.
  • the abnormal state detection method is started, for example, when the user performs a predetermined operation on the abnormal state detection device 200.
  • each of a plurality of sensors 111 measures factory or facility information regularly or irregularly. Thereby, each of the plurality of sensors 111 measures and outputs time-series sensor values.
  • the sensor value acquisition unit 210 acquires information indicating a time-series sensor value measured by the sensor 111 installed in the monitored object under monitoring (step S201).
  • the sensor value acquisition unit 210 may directly acquire the sensor value from the sensor 111, or may read and acquire the sensor value stored in the storage device.
  • the abnormal state detection unit 220 acquires the normal state feature amount from the feature amount storage unit 140 of the normal state learning device 100 for the sensor 111 that has obtained the time-series sensor values in step S201.
  • the abnormal state detection unit 220 extracts a feature amount from the time-series sensor values acquired in step S201 (steps S202 and S203). That is, when extracting the feature amount, the abnormal state detection unit 220 creates a reconstructed attractor from the time-series sensor values as in the embedding processing unit 120 (step S202), and reconstructed attractor similar to the feature amount extraction unit 130.
  • a feature amount is extracted based on (step S203).
  • the abnormal state detection unit 220 compares the feature amount extracted from the time-series sensor values acquired in step S201 with the normal state feature amount. Thereby, the abnormal state detection unit 220 obtains the shift between the extracted feature amount and the normal state feature amount, and determines whether the shift between the feature amounts exceeds a predetermined threshold value (step S204). ..
  • step S204 NO
  • the abnormal state detection unit 220 determines that the abnormal state of the sensor 111 is not detected. In this case, the process returns to step S201 and the monitoring of the monitoring target is continued.
  • the abnormal state detection unit 220 determines that an abnormal state has been detected for the sensor 111. In this case, the sensor 111 that has detected the abnormal state and the abnormality information indicating the time when the abnormality has occurred are extracted (step S205).
  • the abnormal state output unit 230 outputs the abnormal information extracted by the abnormal state detection unit 220 in step S205 by an arbitrary method (step S206).
  • steps S201 to S206 described above are executed for each of the plurality of target sensors 111.
  • step S206 the steps following step S201 can be executed again to continue monitoring the factory to be monitored.
  • the abnormal state detection unit 220 obtains a deviation between both feature amounts obtained in step S204 for the plurality of target sensors 111 as an abnormality degree, and detects an abnormal state based on the obtained plurality of abnormality degrees. Can also In this case, the abnormal state detection unit 220 determines, for example, whether the sum of the plurality of abnormality degrees obtained for the plurality of target sensors 111 exceeds a predetermined threshold that is set separately from the threshold used in step S204. To judge. The abnormal state detection unit 220 can detect an abnormal state by determining that an abnormal state has occurred in the factory to be monitored when the sum of the abnormalities exceeds the threshold value.
  • the CPU 201 of the abnormal state detection device 200 is the main body of each step (process) included in the process shown in FIG. That is, the CPU 201 reads the program for executing the process shown in FIG. 6 from the memory 202 or the storage device 203, executes the program, and controls the abnormal state detection device 200 to execute the process shown in FIG. .. Further, at least part of the processing illustrated in FIG. 6 may be performed by a device or an electric circuit other than the CPU 201 instead of the CPU 201.
  • the abnormal state is detected based on the global characteristic amount, even when the data amount of the time-series data measured by the sensor 111 is small, the abnormal state is highly accurate. Can be detected.
  • FIG. 7 is a block diagram showing a functional configuration of a learning device according to another embodiment.
  • the learning device 1100 has an attractor creation unit 1120 that creates an attractor by embedding time-series data measured by a sensor in a high-dimensional space.
  • the learning device 1100 also includes a feature amount extraction unit 1130 that extracts a global feature amount from the attractor created by the attractor creation unit 1120.
  • the learning apparatus 1100 converts an attractor created by embedding time-series data in a high-dimensional space into a distribution of time-series data embedded in a high-dimensional space as a feature amount that characterizes a system state. Extract relevant feature quantities. Therefore, according to the learning device 1100 according to another embodiment, it is possible to detect an abnormality with high accuracy even when the amount of time-series data measured by the sensor is small.
  • FIG. 8 is a block diagram showing a functional configuration of an abnormality detection system according to another embodiment.
  • an abnormality detection system 1001 includes a learning device 1100 according to the other embodiment described above, and a detection device 1200 for detecting an abnormality based on the feature amount extracted by the feature amount extraction unit 1130. Have.
  • the abnormality detection system 1001 detects an abnormal state based on a feature amount related to the distribution of time-series data embedded in a high-dimensional space. Therefore, according to the abnormality detection system 1001 according to another embodiment, it is possible to detect an abnormality with high accuracy even when the amount of time-series data measured by the sensor is small.
  • the monitoring target of the abnormality detection system 1 is a factory such as a plant
  • the abnormality detection system 1 can monitor not only a factory but also a system such as a facility, a facility, a device, and an apparatus, and can also monitor a system such as a human body or other living body.
  • the present invention is not limited to this.
  • the number of sensors 111 installed in the monitoring target can be appropriately set according to the required detection accuracy of abnormality, and may be plural or one.
  • a processing method in which a program for operating the configuration of the embodiment so as to realize the functions of the above-described embodiments is recorded in a recording medium, the program recorded in the recording medium is read as a code, and is executed by a computer. It is included in the category of each embodiment. That is, a computer-readable recording medium is also included in the scope of each embodiment. Further, not only the recording medium in which the above computer program is recorded but also the computer program itself is included in each embodiment.
  • the recording medium for example, a floppy (registered trademark) disk, hard disk, optical disk, magneto-optical disk, CD-ROM (Compact Disc-Read Only Memory), magnetic tape, non-volatile memory card, ROM can be used.
  • the program is not limited to the one executed by the program recorded in the recording medium, and the operation is executed on the OS (Operating System) in cooperation with other software and the function of the expansion board to execute the process. Is also included in the category of each embodiment.
  • Appendix 1 An attractor creation unit that creates an attractor by embedding the time-series data measured by the sensor in a high-dimensional space, And a feature amount extraction unit that extracts a feature amount related to the dispersion of the time-series data embedded in the high-dimensional space from the attractor created by the attractor creation unit.
  • Appendix 2 The learning device according to appendix 1, wherein the feature amount is a feature amount that represents a distribution structure of the time-series data embedded in the high-dimensional space in the high-dimensional space.
  • Appendix 3 The learning device according to appendix 1 or 2, wherein the feature quantity extraction unit extracts the feature quantity related to the variance of the time series data embedded in the high-dimensional space by kernel principal component analysis.
  • the attractor creating unit creates the attractor using the time-series data measured by the sensor when the target is in a normal state,
  • the learning device according to any one of appendices 1 to 3, wherein the feature amount extraction unit extracts the feature amount that characterizes the normal state.
  • An abnormality detection system including a detection device that detects an abnormal state based on the characteristic amount extracted by the characteristic amount extraction unit.
  • Abnormality detection system 100
  • Normal state learning device 110
  • Sensor value acquisition unit 111
  • Sensor 120 Embedding processing unit 130
  • Feature amount extraction unit 140
  • Feature amount storage unit 200
  • Abnormal state detection device 210
  • Sensor value acquisition unit 220 ...Abnormal state detection unit 230
  • Abnormal state output unit

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

センサにより測定された時系列データのデータ量が少ない場合であっても、高精度の異常の検知を可能にする。学習装置は、センサにより測定された時系列データを高次元空間に埋め込むことによりアトラクタを作成するアトラクタ作成部と、アトラクタ作成部により作成されたアトラクタから、高次元空間に埋め込まれた時系列データの分散に関連する特徴量を抽出する特徴量抽出部とを有する。

Description

学習装置及び学習方法、異常検知システム及び異常検知方法、並びに記録媒体
　本発明は、学習装置及び学習方法、異常検知システム及び異常検知方法、並びに記録媒体に関する。
　特許文献１には、監視対象である設備等より取得された時系列データからアトラクタを作成し、当該アトラクタを構成するデータベクトルの平行度に基づいて、時系列データの異常判定を行う技術が記載されている。
特開２０１７－３７６７９号公報
　特許文献１に記載の技術は、アトラクタを構成するデータベクトルと、当該データベクトルの近傍空間内での近傍ベクトルとの平行度に基づき異常判定を行う。このため、特許文献１に記載の技術は、時系列データから作成したアトラクタが密であることを前提とし、十分に多くの時系列データが得られずにアトラクタが密にならない状況では、データベクトルとその近傍ベクトルとの平行度を計測することができない。したがって、特許文献１に記載の技術では、十分に多くの時系列データが得られない状況において異常を検出することが困難である。
　本発明は、上述した課題に鑑みて行われたものであって、センサにより測定された時系列データのデータ量が少ない場合であっても、高精度の異常の検知を可能にすることを目的とする。
　本発明の一観点によれば、センサにより測定された時系列データを高次元空間に埋め込むことによりアトラクタを作成するアトラクタ作成部と、前記アトラクタ作成部により作成された前記アトラクタから、前記高次元空間に埋め込まれた前記時系列データの分散に関連する特徴量を抽出する特徴量抽出部とを有する学習装置が提供される。
　本発明の他の観点によれば、上記の学習装置と、前記特徴量抽出部により抽出された前記特徴量に基づき異常状態を検知する検知装置とを有する異常検知システムが提供される。
　本発明のさらに他の観点によれば、センサにより測定された時系列データを高次元空間に埋め込むことによりアトラクタを作成し、作成された前記アトラクタから、前記高次元空間に埋め込まれた前記時系列データの分散に関連する特徴量を抽出する学習方法が提供される。
　本発明のさらに他の観点によれば、コンピュータに、センサにより測定された時系列データを高次元空間に埋め込むことによりアトラクタを作成し、作成された前記アトラクタから、前記高次元空間に埋め込まれた前記時系列データの分散に関連する特徴量を抽出することを実行させるプログラムが記録された記録媒体が提供される。
　本発明のさらに他の観点によれば、センサにより測定された時系列データを高次元空間に埋め込むことによりアトラクタを作成し、作成された前記アトラクタから、前記高次元空間に埋め込まれた前記時系列データの分散に関連する特徴量を抽出し、抽出された前記特徴量に基づき異常状態を検知する異常検知方法が提供される。
　本発明のさらに他の観点によれば、コンピュータに、センサにより測定された時系列データを高次元空間に埋め込むことによりアトラクタを作成し、作成された前記アトラクタから、前記高次元空間に埋め込まれた前記時系列データの分散に関連する特徴量を抽出し、抽出された前記特徴量に基づき異常状態を検知することを実行させるプログラムが記録された記録媒体が提供される。
　本発明によれば、センサにより測定された時系列データのデータ量が少ない場合であっても、高精度の異常の検知を可能にすることができる。
一実施形態による異常検知システムの機能構成を示すブロック図である。 一実施形態による異常検知システムの機器構成の一例を示すブロック図である。 一実施形態で用いられる時系列データを高次元空間に埋め込む処理を説明する模式図である。 一実施形態による異常検知システムの正常状態学習装置で利用するカーネル主成分分析を説明するための模式図である。 一実施形態による異常検知システムの正常状態学習装置において実行される正常状態学習方法を示すフローチャートである。 一実施形態による異常検知システムの異常状態検知装置において実行される異常状態検知方法を示すフローチャートである。 他の実施形態による学習装置の機能構成を示すブロック図である。 他の実施形態による異常検知システムの機能構成を示すブロック図である。
　［一実施形態］
　本発明の一実施形態による異常検知システムについて図１乃至図６を用いて説明する。
　まず、本実施形態による異常検知システムの構成について図１及び図２を用いて説明する。図１は、本実施形態による異常検知システムの機能構成を示すブロック図である。図２は、本実施形態による異常検知システムの機器構成の一例を示すブロック図である。
　図１に示すように、本実施形態による異常検知システム１は、監視対象における異常を監視して検知するシステムであり、正常状態学習装置１００と、異常状態検知装置２００とを有する。異常検知システム１の監視対象であるプラント等の工場には、センサ１１１が設けられている。なお、図１において、各ブロックはハードウェア単位の構成ではなく、機能単位の構成を示している。そのため、図１に示すブロックは、単一の装置内又は複数の装置内に実装されうる。また、ブロック間のデータの授受は、データバス、ネットワーク、可搬記憶媒体等、任意の手段を介して行われる。また、各ブロック間の一方向の矢印は、データの流れの方向を端的に示したものでる。各ブロック間の一方向の矢印は、各ブロック間の双方向性のデータの流れを排除するものではなく、矢印の明示のないブロック間のデータの流れを排除するものでもない。
　正常状態学習装置１００は、センサ１１１による測定値から正常状態を特徴づける特徴量である正常状態特徴量を抽出して学習する学習装置として機能する情報処理装置である。正常状態学習装置１００は、処理部として、センサ値取得部１１０と、埋め込み処理部１２０と、特徴量抽出部１３０とを有する。また、正常状態学習装置１００は、記憶部として、特徴量記憶部１４０を有する。
　センサ値取得部１１０は、監視対象の工場に設けられているセンサ１１１により測定された時系列の測定値（センサ値）を示す情報を時系列データとして取得する。センサ値取得部１１０は、特に、監視対象の工場が正常状態である場合にセンサ１１１により測定された時系列のセンサ値を取得する。
　センサ１１１は、温度センサ、振動センサ、圧力センサ、濃度センサ、回転数センサ等、監視対象の工場の設備又は環境の情報を測定する任意のセンサである。センサ１１１は１つ又は複数の種類のセンサを含んでよく、また同じ種類のセンサが複数の場所に設けられてよい。各センサ１１１は、その種類及び設置場所により識別及び管理される。
　センサ１１１により測定された時系列データをセンサ値取得部１１０が取得する態様は、特に限定されるものではない。例えば、センサ値取得部１１０は、センサ１１１により測定された時系列データをリアルタイムに取得することができる。また、例えば、センサ値取得部１１０は、センサ１１１により所定の期間に測定された時系列データをまとめて定期に又は不定期に取得することもできる。
　埋め込み処理部１２０及び特徴量抽出部１３０は、センサ値取得部１１０により取得された時系列のセンサ値を用いて後述の正常状態の特徴量抽出処理を行う。これにより、埋め込み処理部１２０及び特徴量抽出部１３０は、監視対象である工場の正常状態を特徴づける特徴量である正常状態特徴量を抽出する。
　すなわち、埋め込み処理部１２０は、特徴量を抽出するためにアトラクタを作成するアトラクタ作成部である。埋め込み処理部１２０は、センサ値取得部１１０により取得された時系列のセンサ値からアトラクタを再構成して再構成アトラクタを作成する。
　また、特徴量抽出部１３０は、埋め込み処理部１２０により作成された再構成アトラクタに基づき正常状態特徴量を抽出する。特徴量抽出部１３０により抽出された正常状態特徴量は、任意のデータ形式（ファイル形式）で特徴量記憶部１４０に記憶される。
　異常状態検知装置２００は、正常状態学習装置１００により学習された正常状態特徴量に基づいて、異常状態の検知を行う検知装置として機能する情報処理装置である。異常状態検知装置２００は、処理部として、センサ値取得部２１０と、異常状態検知部２２０と、異常状態出力部２３０とを有する。
　センサ値取得部２１０は、センサ値取得部１１０と同様に、センサ１１１により測定された時系列のセンサ値を示す情報を時系列データとして取得する。センサ値取得部２１０は、監視対象である工場が監視下にある場合の時系列のセンサ値を取得する。
　異常状態検知部２２０は、正常状態学習装置１００により学習された正常状態特徴量に基づき、センサ値取得部２１０により取得された時系列のセンサ値が正常状態とは異なる振る舞いをしている場合に異常状態を検知する。すなわち、異常状態検知部２２０は、センサ値取得部２１０により取得された時系列のセンサ値について埋め込み処理部１２０及び特徴量抽出部１３０と同様の処理を行って、監視対象の工場の監視下の状態を特徴づける特徴量を抽出する。異常状態検知部２２０は、抽出した特徴量を正常状態特徴量と比較し、その比較結果に基づき異常状態を検知する。さらに、異常状態検知部２２０は、異常状態を検知した場合に、異常状態が検知されたセンサ１１１及び異常の発生時間を示す情報である異常情報を抽出する。
　異常状態出力部２３０は、異常状態検知部２２０により異常状態が検知された場合に、異常状態検知部２２０により抽出される異常情報を出力する。異常状態出力部２３０は、例えば、ディスプレイによる表示、プリンタによる紙印刷、記憶装置へのデータ記録等の任意の方法で異常情報を出力することができる。
　図２は、本実施形態による異常検知システム１の例示的な機器構成を示す概略構成図である。正常状態学習装置１００は、ＣＰＵ（Central　Processing　Unit）１０１と、メモリ１０２と、記憶装置１０３と、インターフェース１０４とを有する。異常状態検知装置２００は、ＣＰＵ２０１と、メモリ２０２と、記憶装置２０３と、インターフェース２０４とを有する。
　インターフェース１０４、２０４は、データの送受信を行う通信部であり、有線通信及び無線通信の少なくとも一方の通信方式を実行可能に構成される。インターフェース１０４、２０４は、該通信方式に必要なプロセッサ、電気回路、アンテナ、接続端子等を含む。インターフェース１０４、２０４は、ＣＰＵ１０１、２０１からの信号に従って、該通信方式を用いて通信を行う。インターフェース１０４、２０４は、例えばセンサ１１１の測定値を示す情報をセンサ１１１から受信する。
　記憶装置１０３、２０３は、正常状態学習装置１００及び異常状態検知装置２００が実行するプログラムや、プログラムによる処理結果のデータ等を記憶する。記憶装置１０３、２０３は、読み取り専用のＲＯＭ（Read　Only　Memory）や、読み書き可能のハードディスクドライブ又はフラッシュメモリ等を含む。また、記憶装置１０３、２０３は、ＣＤ－ＲＯＭ（Compact　Disc-Read　Only　Memory）等のコンピュータ読み取り可能な可搬記憶媒体を含んでもよい。
　メモリ１０２、２０２は、ＣＰＵ１０１、２０１が処理中のデータや記憶装置１０３、２０３から読み出されたプログラム及びデータを一時的に記憶するＲＡＭ（Random　Access　Memory）等を含む。
　ＣＰＵ１０１、２０１は、種々の処理動作を実行する処理部としてのプロセッサである。すなわち、ＣＰＵ１０１、２０１は、処理に用いる一時的なデータをメモリ１０２、２０２に一時的に記録する。また、ＣＰＵ１０１、２０１は、記憶装置１０３、２０３に記録されたプログラムを読み出し、該プログラムに従って、該一時的なデータに対して種々の演算、制御、判別等の処理動作を実行する。また、ＣＰＵ１０１、２０１は、記憶装置１０３、２０３に処理結果のデータを記録し、またインターフェース１０４、２０４を介して処理結果のデータを外部に送信する。
　本実施形態において、正常状態学習装置１００のＣＰＵ１０１は、記憶装置１０３に記録されたプログラムを実行することにより、図１のセンサ値取得部１１０、埋め込み処理部１２０、及び特徴量抽出部１３０として機能する。異常状態検知装置２００のＣＰＵ２０１は、図１のセンサ値取得部２１０、異常状態検知部２２０、及び異常状態出力部２３０として機能する。
　異常検知システム１は、図２に示す具体的な構成に限定されない。正常状態学習装置１００及び異常状態検知装置２００は、それぞれ１つの装置に限られず、２つ以上の物理的に分離した装置が有線又は無線で接続されることにより構成されていてもよい。正常状態学習装置１００及び異常状態検知装置２００は、１つの装置として一体に構成されていてもよい。正常状態学習装置１００及び異常状態検知装置２００に含まれる各部は、電気回路構成により実現されていてもよい。ここで、電気回路構成とは、単一のデバイス、複数のデバイス、チップセット又はクラウドを概念的に含む文言である。
　また、異常検知システム１の少なくとも一部が、ＳａａＳ（Software　as　a　Service）形式で提供されていてもよい。すなわち、異常検知システム１を実現するための機能の少なくとも一部が、ネットワーク経由で実行されるソフトウェアにより実行されてもよい。
　次に、正常状態学習装置１００における埋め込み処理部１２０及び特徴量抽出部１３０により行われる正常状態の特徴量抽出処理について図３及び図４を用いて説明する。
　埋め込み処理部１２０は、センサ値取得部１１０により取得された時系列のセンサ値である時系列データを高次元空間に埋め込む処理を行う。これにより、埋め込み処理部１２０は、以下に説明するように、アトラクタを再構成して再構成アトラクタを作成する。図３は、本実施形態で用いられる埋め込み処理部１２０で行われる時系列データを高次元空間に埋め込む処理を説明する模式図である。図３の上段には、系全体における状態空間のプロット、すなわち系全体のアトラクタが示されている。図３の下段の左側には、系の一部について観測された一部の観測値である時系列データが示されている。
　一般に、系に対して設置されているセンサだけから系全体の情報を読み取ることはできない。このため、系に対して設置されているセンサからは、系について一部の観測値しか得られない状況が多い。
　一方、系を構成するある変数の値は、他の変数による影響が絡み合った結果としての値である。このため、ある変数の時系列情報の中には他の変数の情報も含まれている。そのため、系を構成する一部の変数の時系列データを、高次元空間に埋め込むことにより、系全体の情報であるアトラクタを再構成できることが知られている（ターケンス（Takens）の埋め込み定理）。このように再構成されたアトラクタを再構成アトラクタと呼ぶ。図３の下段の右側には、一部の観測された時系列データから再構成されたアトラクタが示されている。なお、時系列データを埋め込む高次元空間は、ｎ次元（ｎは２以上の自然数）の多次元空間である。時系列データを埋め込む多次元空間の次元である埋め込み次元ｎは、ＦＮＮ（False　Nearest　Neighbor）法等の種々の方法により系に応じて適宜決定することができる。
　しかしながら、アトラクタを再構成する際に、利用可能な時系列データのデータ量が少ない場合、再構成アトラクタが密にならない。アトラクタを再構成する際に利用可能な時系列データのデータ量が少ない場合としては、具体的には次のような場合が例示される。
　まず、利用可能な時系列データのデータ量が少ない場合として、状態変化が頻繁に生じて状態変化が多いシステムの場合が例示される。アトラクタを再構成するためには、安定した状態のまとまった量の時系列データが必要となる。一方、状態変化が頻繁に生じて状態変化が多いシステムの場合には、状態ごとに時系列データが大きく変動するため、安定した状態のまとまった時系列データを取得することが困難である。状態変化が多いシステムの具体例としては、燃料の種類が頻繁に変更されるシステムが挙げられる。例えば、石炭火力発電所では、石炭燃料の種類の変更がおよそ２日に１回行われ、使用される石炭燃料の種類は年間１００種以上である。石炭燃料の種類が多いのは、複数の石炭をブレンドしたものを使う場合があり、そのブレンドの組み合わせの数が多いためである。
　また、利用可能な時系列データのデータ量が少ない場合として、状態が大きく変化するシステムの場合が例示される。例えば、発電所等では、定期点検の後にシステムの状態が大きく変化する。つまり、定期点検までに行った学習は、定期点検以降、有効ではなくなる。なお、このようなシステムでは、定期点検の後にいかに早い段階で、すなわち時系列データのデータ量が少ない状況で正常状態についての学習が完了するかという点が重要である。
　さらに、利用可能な時系列データのデータ量が少ない場合として、正常状態であると明らかに分かる箇所が少ないシステムの場合が例示される。正常状態を学習するにも、どの箇所が正常なのか分かる箇所が少ない場合、正常状態を学習するために十分なデータ量の時系列データを取得することは困難である。
　上述のように利用可能な時系列データのデータ量が少なく、再構成アトラクタが密にならない場合、再構成アトラクタを構成する各データ点の近傍の情報は、本来のアトラクタとは大きく異なる。したがって、利用可能な時系列データのデータ量が少ない場合には、再構成アトラクタの近傍の情報を用いた特徴量を利用することはできない。なお、再構成アトラクタの近傍の情報を利用する特徴量としては、例えば、相関次元、リアプノフ指数、軌道平行測度等が挙げられる。
　そこで、本実施形態による正常状態学習装置１００は、以下のような工夫を行うことにより、利用可能な時系列データのデータ量が少ない場合であっても、再構成アトラクタから正常状態の特徴量を抽出することを可能にする。
　図４は、本実施形態による正常状態学習装置１００で利用するカーネル主成分分析を説明するための模式図である。正常状態学習装置１００において、特徴量抽出部１３０は、カーネル主成分分析を用いることにより、再構成アトラクタから非線形の主成分を抽出し、それらを特徴量として用いることができる。
　図４の左側には、観測から得られるデータ分布のプロットが示されている。このプロットから、特徴を見出すのは一般には困難である。一方、図４の右側には、観測データを非線形写像Φにより特徴抽出した空間でのプロットが示されている。このように、カーネル主成分分析は、非線形写像により分散が最大となる線形の部分空間を抽出する。
　あるセンサ１１１のある時刻ｔのセンサ値をＬ個の変数Ｘｔ（ｔ＝１，…，Ｌ）で表すとすると、Ｘｔを埋め込む高次元空間である埋め込み空間の次元をＥ、遅延時間をτとした場合の再構成アトラクタ上の各点ｘｔは、次式（１）で表される。
Figure JPOXMLDOC01-appb-M000001
　そして、ある非線形空間への写像をΦとすると、この非線形空間における共分散行列Ｃは、次式（２）で定義される。
Figure JPOXMLDOC01-appb-M000002
　ただし、式（２）中、次式（３）で表される写像先の平均ベクトルが用いられている。
Figure JPOXMLDOC01-appb-M000003
　また、式（２）及び式（３）では、ｔ（ｔ＝τ（Ｅ－１）＋１，…，Ｌ）をｉ（ｉ＝１，…，Ｎ）として再ラベリングしている。そして、この非線形空間上での分散が最大となる方向ｕは、次式（４）で表される。
Figure JPOXMLDOC01-appb-M000004
　式（４）中、ν（ｉ）は、次式（５）及び次式（６）を満たすものとして求められる。
Figure JPOXMLDOC01-appb-M000005
Figure JPOXMLDOC01-appb-I000006
　ここで、ν＝（ν（１），…，ν（Ｎ））である。また、Ｋは、（ｉ，ｊ）成分にΦ（ｘｉ）ＴΦ（ｘｊ）を持つＮ次正方行列である。また、λはある実数である。また、ＪＮは中心化行列である。また、ＩＮは、次式（７）で表されるＮ次単位行列を表す。
Figure JPOXMLDOC01-appb-M000007
　つまり、行列ＪＮＫの固有ベクトルνを求めれば、式（４）により再構成アトラクタを特徴づける方向ｕが求まる。
　ここで、行列Ｋの各成分Φ（ｘｉ）ＴΦ（ｘｊ）＝ｋ（ｘｉ，ｘｊ）は、カーネル関数と呼ばれている。本実施形態では、カーネル関数として、次式（８）で表される放射基底関数、すなわちガウシアンＲＢＦ（Radial　Basis　Function）を採用する。なお、放射基底関数としては、ガウシアンＲＢＦのほか、種々の放射基底関数を用いることができる。
Figure JPOXMLDOC01-appb-M000008
　上記の式（４）はΦに依存している。一方、新たなデータｙが与えられた場合の、Φ（ｙ）のｕ方向への射影成分ｕＴΦ（ｙ）は、次式（９）で表される。
Figure JPOXMLDOC01-appb-M000009
　すなわち、射影成分ｕＴΦ（ｙ）は、非線形写像Φの形に陽に依存しない。上記の手法は、非線形写像Φを明示する必要がなく、カーネル関数ｋを決めれば非線形変換が陰に行えることを示しており、カーネルトリックと呼ばれる。
　上記の固有ベクトルを固有値が大きい順に第一主成分、第二主成分、…とする。固有値が大きい順に並べられた主成分のうちの上位のいくつかを抽出し、それらを特徴量とする。そして、正常状態について取得された時系列データである正常データにおける特徴量、つまり主成分の集合の値を求めることで正常状態の特徴量を抽出する。
　本実施形態において上述のように抽出される特徴量は、再構成アトラクタの近傍の情報を用いず、再構成アトラクタの大域的な情報だけに依存する大域的な特徴量である。すなわち、抽出される大域的な特徴量は、高次元空間に埋め込まれて再構成アトラクタが作成された時系列データの分散に関連する特徴量である。すなわち、抽出される大域的な特徴量は、高次元空間に埋め込まれた時系列データである時系列のセンサ値の高次元空間中の分布構造を表現する特徴量になっている。このため、本実施形態において抽出される特徴量は、時系列データのデータ量が少ない場合であっても、系の状態を特徴づけるのに有効な特徴量である。
　このように、本実施形態では、系の状態を特徴づける特徴量として、高次元空間に埋め込まれて再構成アトラクタが作成された時系列データの分散に関連する特徴量である大域的な特徴量を利用する。このため、本実施形態によれば、センサ１１１により測定された時系列データのデータ量が少ない場合であっても、系の状態を特徴づけることができる。したがって、本実施形態によれば、センサ１１１により測定された時系列データのデータ量が少ない場合であっても、大域的な特徴量に基づき、高精度で異常状態を検知することが可能になる。
　なお、本実施形態では、データ分布の分散に着目し、カーネル主成分分析という手法により、高次元空間に埋め込まれた時系列データに関連する大域的な特徴量を抽出する場合について説明したが、これに限定されるものではない。特徴量抽出部１３０の特徴量抽出処理方法としては、ここに示した具体的な式に限定されず、その他の任意の方法を用いることができる。また、抽出する大域的な特徴量は、上述したカーネル主成分分析により抽出されるような非線形空間上でのデータ分布の分散に関連する特徴量のみならず、データ分布の線形的な分散に関連する特徴量であってもよい。
　次に、本実施形態による正常状態学習装置１００において実行される正常状態学習方法について図５を用いて説明する。図５は、本実施形態による正常状態学習装置１００において実行される正常状態学習方法を示すフローチャートである。正常状態学習方法は、例えば、正常状態学習装置１００に対してユーザが所定の操作を行うことにより開始される。
　まず、センサ値取得部１１０は、正常状態にある監視対象に設置されたセンサ１１１により測定された時系列のセンサ値を示す情報を取得する（ステップＳ１０１）。センサ値取得部１１０は、対象とする複数のセンサ１１１の全てについて、時系列のセンサ値を示す情報を取得する。なお、センサ値取得部１１０は、センサ１１１からセンサ値を直接取得してもよいし、記憶装置に記憶されたセンサ値を読み出して取得してもよい。
　次いで、埋め込み処理部１２０は、対象とする複数のセンサ１１１のうちの一のセンサ１１１について、センサ値取得部１１０により取得された時系列のセンサ値から、上述のようにしてアトラクタを再構成して再構成アトラクタを作成する（ステップＳ１０２）。
　次いで、特徴量抽出部１３０は、ステップＳ１０２において作成された再構成アトラクタに基づいて、当該センサ１１１について、上述のようにして正常状態特徴量を抽出する（ステップＳ１０３）。
　こうして、埋め込み処理部１２０及び特徴量抽出部１３０は、正常状態の特徴量抽出処理を行うことにより、対象とする複数のセンサ１１１のうちの一のセンサ１１１について、正常状態特徴量を抽出する。
　対象とする複数のセンサ１１１の全てについて正常状態特徴量の抽出が終了していない場合（ステップＳ１０４のＮＯ）、対象とする複数のセンサ１１１のうちの別のセンサ１１１について、ステップＳ１０２～Ｓ１０４が繰り返される。
　一方、対象とする複数のセンサ１１１の全てについて特徴量の抽出が終了した場合（ステップＳ１０４のＹＥＳ）、特徴量抽出部１３０は、全てのセンサ１１１について抽出した正常状態特徴量を特徴量記憶部１４０に記憶する（ステップＳ１０５）。
　こうして、対象とする複数のセンサ１１１のそれぞれについて正常状態特徴量を抽出して、異常検知システム１における学習方法として、正常状態学習装置１００における正常状態学習方法を終了する。
　本実施形態において正常状態学習装置１００のＣＰＵ１０１は、図５に示す処理に含まれる各ステップ（工程）の主体となる。すなわち、ＣＰＵ１０１は、図５に示す処理を実行するためのプログラムをメモリ１０２又は記憶装置１０３から読み出し、該プログラムを実行して正常状態学習装置１００を制御することにより図５に示す処理を実行する。また、図５に示す処理の少なくとも一部が、ＣＰＵ１０１ではなく、ＣＰＵ１０１以外の装置又は電気回路により行われてもよい。
　次に、本実施形態による異常状態検知装置２００において実行される異常状態検知方法について図６を用いて説明する。図６は、本実施形態による異常状態検知装置２００において実行される異常状態検知方法を示すフローチャートである。異常状態検知方法は、例えば、異常状態検知装置２００に対してユーザが所定の操作を行うことにより開始される。
　監視下にある監視対象の工場では、複数のセンサ１１１のそれぞれが、工場の設備又は環境の情報を定期又は不定期に測定している。これにより、複数のセンサ１１１のそれぞれは、時系列のセンサ値を測定して出力している。
　まず、センサ値取得部２１０は、監視下にある監視対象に設置されたセンサ１１１により測定された時系列のセンサ値を示す情報を取得する（ステップＳ２０１）。なお、センサ値取得部２１０は、センサ１１１からセンサ値を直接取得してもよいし、記憶装置に記憶されたセンサ値を読み出して取得してもよい。
　次いで、異常状態検知部２２０は、ステップＳ２０１において時系列のセンサ値を取得したセンサ１１１について、正常状態学習装置１００の特徴量記憶部１４０から正常状態特徴量を取得する。また、異常状態検知部２２０は、ステップＳ２０１において取得した時系列のセンサ値から特徴量を抽出する（ステップＳ２０２、Ｓ２０３）。すなわち、特徴量の抽出に際して、異常状態検知部２２０は、埋め込み処理部１２０と同様に時系列のセンサ値から再構成アトラクタを作成し（ステップＳ２０２）、特徴量抽出部１３０と同様に再構成アトラクタに基づいて特徴量を抽出する（ステップＳ２０３）。
　次いで、異常状態検知部２２０は、ステップＳ２０１において取得された時系列のセンサ値から抽出した特徴量を正常状態特徴量と比較する。これにより、異常状態検知部２２０は、抽出した特徴量と正常状態特徴量との間のずれを求め、両特徴量の間のずれが所定の閾値を超えるか否かを判定する（ステップＳ２０４）。
　両特徴量の間のずれが所定の閾値を超えていない場合（ステップＳ２０４、ＮＯ）、異常状態検知部２２０は、当該センサ１１１について異常状態を検知していないと判定する。この場合、ステップＳ２０１に処理が戻って監視対象の監視が継続される。
　一方、両特徴量の間のずれが所定の閾値を超えている場合（ステップＳ２０４、ＹＥＳ）、異常状態検知部２２０は、当該センサ１１１について異常状態を検知したと判定する。この場合、異常状態を検知した当該センサ１１１及び異常の発生時間を示す異常情報を抽出する（ステップＳ２０５）。
　次いで、異常状態出力部２３０は、ステップＳ２０５において異常状態検知部２２０により抽出された異常情報を任意の方法で出力する（ステップＳ２０６）。
　上述したステップＳ２０１～Ｓ２０６の処理は、対象とする複数のセンサ１１１のそれぞれについて実行される。
　こうして、検知された異常状態に関する異常情報を出力して、異常検知システム１における異常検知方法として、異常状態検知装置２００における異常状態検知方法を終了する。なお、ステップＳ２０６の異常情報を出力後も、再びステップＳ２０１以下のステップを実行して、監視対象の工場の監視を継続することができる。
　また、異常状態検知部２２０は、対象とする複数のセンサ１１１についてステップＳ２０４において求めた両特徴量の間のずれを異常度として求め、求めた複数の異常度に基づき、異常状態を検知することもできる。この場合、異常状態検知部２２０は、例えば、対象とする複数のセンサ１１１について求めた複数の異常度の総和が、ステップＳ２０４で用いた閾値とは別に設定された所定の閾値を超えるか否かを判定する。異常状態検知部２２０は、異常度の総和が閾値を超えた場合に監視対象の工場に異常状態が発生していると判定して、異常状態を検知することができる。
　本実施形態において異常状態検知装置２００のＣＰＵ２０１は、図６に示す処理に含まれる各ステップ（工程）の主体となる。すなわち、ＣＰＵ２０１は、図６に示す処理を実行するためのプログラムをメモリ２０２又は記憶装置２０３から読み出し、該プログラムを実行して異常状態検知装置２００を制御することにより図６に示す処理を実行する。また、図６に示す処理の少なくとも一部が、ＣＰＵ２０１ではなく、ＣＰＵ２０１以外の装置又は電気回路により行われてもよい。
　このように、本実施形態によれば、大域的な特徴量に基づき異常状態を検知するので、センサ１１１により測定された時系列データのデータ量が少ない場合であっても、高精度で異常状態を検知することができる。
　［他の実施形態］
　上記実施形態において説明した学習装置は、他の実施形態によれば、図７に示すように構成することもできる。図７は、他の実施形態による学習装置の機能構成を示すブロック図である。
　図７に示すように、学習装置１１００は、センサにより測定された時系列データを高次元空間に埋め込むことによりアトラクタを作成するアトラクタ作成部１１２０を有する。また、学習装置１１００は、アトラクタ作成部１１２０により作成されたアトラクタから大域的な特徴量を抽出する特徴量抽出部１１３０を有する。
　他の実施形態による学習装置１１００は、系の状態を特徴づける特徴量として、時系列データを高次元空間に埋め込むことにより作成されたアトラクタから、高次元空間に埋め込まれた時系列データの分散に関連する特徴量を抽出する。したがって、他の実施形態による学習装置１１００によれば、センサにより測定された時系列データのデータ量が少ない場合であっても、高精度の異常の検知を可能にすることができる。
　また、上記実施形態において説明した異常検知システムは、他の実施形態によれば、図８に示すように構成することもできる。図８は、他の実施形態による異常検知システムの機能構成を示すブロック図である。
　図８に示すように、他の実施形態による異常検知システム１００１は、上記他の実施形態による学習装置１１００と、特徴量抽出部１１３０により抽出された特徴量に基づき異常を検知する検知装置１２００とを有する。
　他の実施形態による異常検知システム１００１は、高次元空間に埋め込まれた時系列データの分散に関連する特徴量に基づき異常状態を検知する。したがって、他の実施形態による異常検知システム１００１によれば、センサにより測定された時系列データのデータ量が少ない場合であっても、高精度で異常を検知することができる。
　［変形実施形態］
　本発明は、上述の実施形態に限定されることなく、本発明の趣旨を逸脱しない範囲において適宜変更可能である。
　例えば、上記実施形態では、異常検知システム１の監視対象が、プラント等の工場である場合を例に説明したが、これに限定されるものではない。異常検知システム１は、工場のほか、例えば、設備、施設、機器、装置等の系を監視対象とすることができ、また、人体その他の生体等の系を監視対象とすることもできる。
　また、上記実施形態では、複数のセンサ１１１が監視対象に設置されている場合を例に説明したが、これに限定されるものではない。監視対象に設置されるセンサ１１１の数は、要求される異常の検知精度等に応じて適宜設定することができ、複数であってもよいし、１つであってもよい。
　また、上述の各実施形態の機能を実現するように該実施形態の構成を動作させるプログラムを記録媒体に記録させ、該記録媒体に記録されたプログラムをコードとして読み出し、コンピュータにおいて実行する処理方法も各実施形態の範疇に含まれる。すなわち、コンピュータ読取可能な記録媒体も各実施形態の範囲に含まれる。また、上述のコンピュータプログラムが記録された記録媒体はもちろん、そのコンピュータプログラム自体も各実施形態に含まれる。
　該記録媒体としては例えばフロッピー（登録商標）ディスク、ハードディスク、光ディスク、光磁気ディスク、ＣＤ－ＲＯＭ（Compact　Disc-Read　Only　Memory）、磁気テープ、不揮発性メモリカード、ＲＯＭを用いることができる。また該記録媒体に記録されたプログラム単体で処理を実行しているものに限らず、他のソフトウェア、拡張ボードの機能と共同して、ＯＳ（Operating　System）上で動作して処理を実行するものも各実施形態の範疇に含まれる。
　上記の実施形態の一部又は全部は、以下の付記のようにも記載されうるが、以下には限られない。
　（付記１）
　センサにより測定された時系列データを高次元空間に埋め込むことによりアトラクタを作成するアトラクタ作成部と、
　前記アトラクタ作成部により作成された前記アトラクタから、前記高次元空間に埋め込まれた前記時系列データの分散に関連する特徴量を抽出する特徴量抽出部と
　を有する学習装置。
　（付記２）
　前記特徴量は、前記高次元空間に埋め込まれた前記時系列データの前記高次元空間中の分布構造を表現する特徴量である付記１記載の学習装置。
　（付記３）
　前記特徴量抽出部は、カーネル主成分分析により、前記高次元空間に埋め込まれた前記時系列データの分散に関連する前記特徴量を抽出する付記１又は２に記載の学習装置。
　（付記４）
　前記アトラクタ作成部は、対象が正常状態である場合に前記センサにより測定された前記時系列データを用いて前記アトラクタを作成し、
　前記特徴量抽出部は、前記正常状態を特徴づける前記特徴量を抽出する付記１乃至３のいずれかに記載の学習装置。
　（付記５）
　付記１乃至４のいずれかに記載の学習装置と、
　前記特徴量抽出部により抽出された前記特徴量に基づき異常状態を検知する検知装置と
　を有する異常検知システム。
　（付記６）
　センサにより測定された時系列データを高次元空間に埋め込むことによりアトラクタを作成し、
　作成された前記アトラクタから、前記高次元空間に埋め込まれた前記時系列データの分散に関連する特徴量を抽出する学習方法。
　（付記７）
　コンピュータに、
　センサにより測定された時系列データを高次元空間に埋め込むことによりアトラクタを作成し、
　作成された前記アトラクタから、前記高次元空間に埋め込まれた前記時系列データの分散に関連する特徴量を抽出する
　ことを実行させるプログラムが記録された記録媒体。
　（付記８）
　センサにより測定された時系列データを高次元空間に埋め込むことによりアトラクタを作成し、
　作成された前記アトラクタから、前記高次元空間に埋め込まれた前記時系列データの分散に関連する特徴量を抽出し、
　抽出された前記特徴量に基づき異常状態を検知する異常検知方法。
　（付記９）
　コンピュータに、
　センサにより測定された時系列データを高次元空間に埋め込むことによりアトラクタを作成し、
　作成された前記アトラクタから、前記高次元空間に埋め込まれた前記時系列データの分散に関連する特徴量を抽出し、
　抽出された前記特徴量に基づき異常状態を検知する
　ことを実行させるプログラムが記録された記録媒体。
１…異常検知システム
１００…正常状態学習装置
１１０…センサ値取得部
１１１…センサ
１２０…埋め込み処理部
１３０…特徴量抽出部
１４０…特徴量記憶部
２００…異常状態検知装置
２１０…センサ値取得部
２２０…異常状態検知部
２３０…異常状態出力部

Claims (9)

  1. 　センサにより測定された時系列データを高次元空間に埋め込むことによりアトラクタを作成するアトラクタ作成部と、
    　前記アトラクタ作成部により作成された前記アトラクタから、前記高次元空間に埋め込まれた前記時系列データの分散に関連する特徴量を抽出する特徴量抽出部と
    　を有する学習装置。
  2. 　前記特徴量は、前記高次元空間に埋め込まれた前記時系列データの前記高次元空間中の分布構造を表現する特徴量である請求項１記載の学習装置。
  3. 　前記特徴量抽出部は、カーネル主成分分析により、前記高次元空間に埋め込まれた前記時系列データの分散に関連する前記特徴量を抽出する請求項１又は２に記載の学習装置。
  4. 　前記アトラクタ作成部は、対象が正常状態である場合に前記センサにより測定された前記時系列データを用いて前記アトラクタを作成し、
    　前記特徴量抽出部は、前記正常状態を特徴づける前記特徴量を抽出する請求項１乃至３のいずれか１項に記載の学習装置。
  5. 　請求項１乃至４のいずれか１項に記載の学習装置と、
    　前記特徴量抽出部により抽出された前記特徴量に基づき異常状態を検知する検知装置と
    　を有する異常検知システム。
  6. 　センサにより測定された時系列データを高次元空間に埋め込むことによりアトラクタを作成し、
    　作成された前記アトラクタから、前記高次元空間に埋め込まれた前記時系列データの分散に関連する特徴量を抽出する学習方法。
  7. 　コンピュータに、
    　センサにより測定された時系列データを高次元空間に埋め込むことによりアトラクタを作成し、
    　作成された前記アトラクタから、前記高次元空間に埋め込まれた前記時系列データの分散に関連する特徴量を抽出する
    　ことを実行させるプログラムが記録された記録媒体。
  8. 　センサにより測定された時系列データを高次元空間に埋め込むことによりアトラクタを作成し、
    　作成された前記アトラクタから、前記高次元空間に埋め込まれた前記時系列データの分散に関連する特徴量を抽出し、
    　抽出された前記特徴量に基づき異常状態を検知する異常検知方法。
  9. 　コンピュータに、
    　センサにより測定された時系列データを高次元空間に埋め込むことによりアトラクタを作成し、
    　作成された前記アトラクタから、前記高次元空間に埋め込まれた前記時系列データの分散に関連する特徴量を抽出し、
    　抽出された前記特徴量に基づき異常状態を検知する
    　ことを実行させるプログラムが記録された記録媒体。
PCT/JP2019/006568 2019-02-21 2019-02-21 学習装置及び学習方法、異常検知システム及び異常検知方法、並びに記録媒体 WO2020170391A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/JP2019/006568 WO2020170391A1 (ja) 2019-02-21 2019-02-21 学習装置及び学習方法、異常検知システム及び異常検知方法、並びに記録媒体

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2019/006568 WO2020170391A1 (ja) 2019-02-21 2019-02-21 学習装置及び学習方法、異常検知システム及び異常検知方法、並びに記録媒体

Publications (1)

Publication Number Publication Date
WO2020170391A1 true WO2020170391A1 (ja) 2020-08-27

Family

ID=72143557

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/006568 WO2020170391A1 (ja) 2019-02-21 2019-02-21 学習装置及び学習方法、異常検知システム及び異常検知方法、並びに記録媒体

Country Status (1)

Country Link
WO (1) WO2020170391A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113804470A (zh) * 2021-04-14 2021-12-17 山东省计算中心（国家超级计算济南中心） 一种穴盘育苗流水线的故障检测反馈方法
WO2023042374A1 (ja) * 2021-09-17 2023-03-23 ファナック株式会社 閾値算出装置、及び記憶媒体

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040070366A (ko) * 2003-02-03 2004-08-09 학교법인 성균관대학 카오스이론의 어트랙터에서 특이값 분해방법을 이용한가스절연개폐장치의 부분방전 검출방법
JP2004268122A (ja) * 2003-03-11 2004-09-30 Nippon Steel Corp スラグ流出検知方法、スラグ流出検知装置、コンピュータ読み取り可能な記録媒体及びコンピュータプログラム
US20060107954A1 (en) * 2004-06-14 2006-05-25 Katz Richard A Apparatus and method for identifying sleep apnea
US20180173173A1 (en) * 2016-10-19 2018-06-21 Sas Institute Inc. Advanced control systems for machines
JP2018179986A (ja) * 2017-04-11 2018-11-15 公益財団法人鉄道総合技術研究所 異常診断装置およびプログラム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040070366A (ko) * 2003-02-03 2004-08-09 학교법인 성균관대학 카오스이론의 어트랙터에서 특이값 분해방법을 이용한가스절연개폐장치의 부분방전 검출방법
JP2004268122A (ja) * 2003-03-11 2004-09-30 Nippon Steel Corp スラグ流出検知方法、スラグ流出検知装置、コンピュータ読み取り可能な記録媒体及びコンピュータプログラム
US20060107954A1 (en) * 2004-06-14 2006-05-25 Katz Richard A Apparatus and method for identifying sleep apnea
US20180173173A1 (en) * 2016-10-19 2018-06-21 Sas Institute Inc. Advanced control systems for machines
JP2018179986A (ja) * 2017-04-11 2018-11-15 公益財団法人鉄道総合技術研究所 異常診断装置およびプログラム

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YASUNARI FUJIMOTO: "First steps in engineering application of chaos theory and an example introduction: introduction of chaos engineering", INTELLIGENCE AND INFORMATION, vol. 22, no. 3, 1 January 2010 (2010-01-01), pages 345 - 351, XP055734859, ISSN: 1347-7986, DOI: 10.3156/jsoft.22.3_345 *
YASUTOSHI NOMURA, KOICHIRO NAKATSU, HITOSHI FURUTA, TAKAYUKI KUSAKA: "Research of Baseline-less Structural Diagnosis based on Chaotic excitation", JOURNAL OF APPLIED MECHANICS, vol. 13, August 2010 (2010-08-01), pages 977 - 984, XP009523250, ISSN: 1345-9139 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113804470A (zh) * 2021-04-14 2021-12-17 山东省计算中心（国家超级计算济南中心） 一种穴盘育苗流水线的故障检测反馈方法
CN113804470B (zh) * 2021-04-14 2023-12-01 山东省计算中心（国家超级计算济南中心） 一种穴盘育苗流水线的故障检测反馈方法
WO2023042374A1 (ja) * 2021-09-17 2023-03-23 ファナック株式会社 閾値算出装置、及び記憶媒体

Similar Documents

Publication Publication Date Title
KR102332399B1 (ko) 배터리 상태 추정 장치 및 방법
CN113450545B (zh) 自然灾害预警系统、方法、云平台及可储存介质
JP6183450B2 (ja) システム分析装置、及び、システム分析方法
JP5901140B2 (ja) システムの高い可用性のためにセンサデータを補間する方法、コンピュータプログラム、システム。
WO2015045319A1 (ja) 情報処理装置、及び、分析方法
CA2921054A1 (en) Anomaly detection system and method
KR101978569B1 (ko) 플랜트 데이터 예측 장치 및 방법
JP6183449B2 (ja) システム分析装置、及び、システム分析方法
CN105637432A (zh) 识别被监控实体的异常行为
AU2014240224B2 (en) Time series analytics
US20190370982A1 (en) Movement learning device, skill discriminating device, and skill discriminating system
US20190265088A1 (en) System analysis method, system analysis apparatus, and program
EP3876057A1 (en) Abnormality diagnostic device, abnormality diagnostic method, and program
WO2020170391A1 (ja) 学習装置及び学習方法、異常検知システム及び異常検知方法、並びに記録媒体
EP3674827B1 (en) Monitoring target selecting device, monitoring target selecting method and program
CN113284002A (zh) 用电数据异常检测方法、装置、计算机设备和存储介质
EP3190519A1 (en) Monitoring device and monitoring method thereof, monitoring system, and recording medium in which computer program is stored
CN117669394B (zh) 一种山区峡谷桥梁长期性能综合评估方法及系统
CN114401205A (zh) 无标注多源网络流量数据漂移检测方法和装置
JP6909413B2 (ja) 因果関係学習方法、プログラム、装置および異常分析システム
JP6835679B2 (ja) 形状推定装置、形状推定方法及びプログラム
KR20190128420A (ko) 클라우드 기반 가상 센서를 이용한 IoT 센서 이상 진단 방법 및 시스템
JP6858798B2 (ja) 特徴量生成装置、特徴量生成方法及びプログラム
Hernandez-Garcia et al. Multivariate statistical analysis for detection and identification of faulty sensors using latent variable methods
CN114422450A (zh) 基于多源网络流量数据的网络流量分析方法和装置

Legal Events

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

Ref document number: 19916121

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19916121

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: JP