JP2017207904A - 異常検知システム、モデル生成装置、異常検知装置、異常検知方法、モデル生成プログラム、および、異常検知プログラム - Google Patents

異常検知システム、モデル生成装置、異常検知装置、異常検知方法、モデル生成プログラム、および、異常検知プログラム Download PDF

Info

Publication number
JP2017207904A
JP2017207904A JP2016099638A JP2016099638A JP2017207904A JP 2017207904 A JP2017207904 A JP 2017207904A JP 2016099638 A JP2016099638 A JP 2016099638A JP 2016099638 A JP2016099638 A JP 2016099638A JP 2017207904 A JP2017207904 A JP 2017207904A
Authority
JP
Japan
Prior art keywords
sensor
model
sensor data
target
abnormality detection
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2016099638A
Other languages
English (en)
Other versions
JP6847591B2 (ja
Inventor
伊藤　浩二
Koji Ito
浩二 伊藤
健一郎 島田
Kenichiro Shimada
健一郎 島田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NTT Docomo Business Inc
Original Assignee
NTT Communications Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by NTT Communications Corp filed Critical NTT Communications Corp
Priority to JP2016099638A priority Critical patent/JP6847591B2/ja
Publication of JP2017207904A publication Critical patent/JP2017207904A/ja
Application granted granted Critical
Publication of JP6847591B2 publication Critical patent/JP6847591B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Testing And Monitoring For Control Systems (AREA)

Abstract

【課題】異常検知機能を組み込むことができないセンサにおいて発生した異常を、検知する。【解決手段】異常検知システムであって、モデル生成装置１は、センサ群４のセンサデータと対象センサ４のセンサデータとの相関を分析し、センサ群４のセンサデータから対象センサ４のセンサデータを推定可能なモデルを生成し、異常検知装置２は、複数のセンサ４からセンサデータを受信する受信部２１と、モデルに受信したセンサ群４のセンサデータを入力して対象センサ４のセンサデータの推定値を取得する推定部２２と、対象センサ４の推定値と受信した対象センサ４のセンサデータとの差が、所定の閾値以上の場合に対象センサ４の異常を検知する異常検知部２３とを備える。【選択図】 図１

Description

本発明は、複数のセンサを用いて異常を検知する異常検知技術に関する。
近年、様々な機器に通信機能を持たせてネットワークに接続し、あるいは相互に通信することにより、各種の制御を行うＩｏＴ（Internet of Things）が研究されている。
また、特許文献１には、利用者が機器の生成するログメッセージの生成側を知ることなく、利用者にとって異常なログ生成を検出する異常検出装置が記載されている。
特開２０１４−１５３７２３号公報
パーソナルコンピュータ、スマートフォンなどのリッチデバイス（デバイスが高い処理能力を持つもの）においては、デバイスにウィルス検知、故障検知、盗難検知などの異常を検知するためのソフトウェアをインストールすることが可能である。
しかしながら、工場で稼働する機械に設置されるセンサのように、単純なセンサ（デバイス）の場合は、センサに異常を検知するためのソフトウェアをインストールすることができない。すなわち、異常検知機能を組み込むことができないような単純な多数のセンサから、連続的にデータが収集される環境において、あるセンサに故障、改ざん、盗難、すり替えなどの異常が発生した場合、異常を発見することができない。
本発明は上記事情に鑑みてなされたものであり、本発明の目的は、異常検知機能を組み込むことができないセンサにおいて発生した異常を、検知することにある。
上記課題を解決するために、第１の本発明は、モデル生成装置と、異常検知装置とを備える異常検知システムであって、前記モデル生成装置は、複数のセンサを対象センサと、前記対象センサ以外のセンサ群とに分けて、前記センサ群のセンサデータと前記対象センサのセンサデータとの相関を分析し、前記センサ群のセンサデータから前記対象センサのセンサデータを推定可能なモデルを生成し、前記異常検知装置は、前記複数のセンサから、センサデータを受信する受信部と、前記モデルに、前記受信部が受信した前記センサ群のセンサデータを入力し、前記対象センサのセンサデータの推定値を取得する推定部と、前記対象センサの推定値と、前記受信部が受信した前記対象センサのセンサデータとの差が、所定の閾値以上の場合に前記対象センサの異常を検知する異常検知部と、を備える。
第２の本発明は、センサの異常を検知するためのモデルを生成するモデル生成装置であって、複数のセンサからセンサデータを受信する受信部と、前記複数のセンサを対象センサと、前記対象センサ以外のセンサ群とに分けて、前記センサ群のセンサデータと前記対象センサのセンサデータとの相関を分析し、前記センサ群のセンサデータから前記対象センサのセンサデータを推定可能なモデルを生成するモデル生成部と、を備える。
第３の本発明は、センサの異常を検知する異常検知装置であって、複数のセンサから、センサデータを受信する受信部と、前記複数のセンサを対象センサと、前記対象センサ以外のセンサ群とに分けて、前記センサ群のセンサデータと前記対象センサのセンサデータとの相関を分析し、前記センサ群のセンサデータから前記対象センサのセンサデータを推定可能なモデルを記憶する記憶部と、前記モデルに、前記受信部が受信した前記センサ群のセンサデータを入力し、前記対象センサのセンサデータの推定値を取得する推定部と、前記対象センサの推定値と、前記受信部が受信した前記対象センサのセンサデータとの差が、所定の閾値以上の場合に前記対象センサの異常を検知する異常検知部と、を備える。
第４の本発明は、モデル生成装置と、異常検知装置とを備える異常検知システムが行う異常検知方法であって、前記モデル生成装置は、複数のセンサを対象センサと、前記対象センサ以外のセンサ群とに分けて、前記センサ群のセンサデータと前記対象センサのセンサデータとの相関を分析し、前記センサ群のセンサデータから前記対象センサのセンサデータが推定可能なモデルを生成する生成ステップを行い、前記異常検知装置は、 前記複数のセンサから、センサデータを受信する受信ステップと、前記モデルに、前記受信ステップで受信した前記センサ群のセンサデータを入力し、前記対象センサのセンサデータの推定値を取得する推定ステップと、前記対象センサの推定値と、前記受信ステップで受信した前記対象センサのセンサデータとの差が、所定の閾値以上の場合に前記対象センサの異常を検知する異常検知ステップと、を行う。
第５の本発明は、コンピュータが実行する、センサの異常を検知するためのモデルを生成するモデル生成プログラムであって、前記コンピュータを、複数のセンサからセンサデータを受信する受信部、および、前記複数のセンサを対象センサと、前記対象センサ以外のセンサ群とに分けて、前記センサ群のセンサデータと前記対象センサのセンサデータとの相関を分析し、前記センサ群のセンサデータから前記対象センサのセンサデータを推定可能なモデルを生成するモデル生成部、として機能させる。
第６の本発明は、コンピュータが実行する、センサの異常を検知する異常検知プログラムであって、前記コンピュータを、複数のセンサから、センサデータを受信する受信部、前記複数のセンサを対象センサと、前記対象センサ以外のセンサ群とに分けて、前記センサ群のセンサデータと前記対象センサのセンサデータとの相関を分析し、前記センサ群のセンサデータから前記対象センサのセンサデータを推定可能なモデルを記憶する記憶部、前記モデルに、前記受信部が受信した前記センサ群のセンサデータを入力し、前記対象センサのセンサデータの推定値を取得する推定部、および、前記対象センサの推定値と、前記受信部が受信した前記対象センサのセンサデータとの差が、所定の閾値以上の場合に前記対象センサの異常を検知する異常検知部、として機能させる。
本発明によれば、異常検知機能を組み込むことができないセンサにおいて発生した異常を、検知することができる。
第１の実施形態の異常検知システムの構成を示す構成図である。 モデル生成装置の機能構成を示すブロック図である。 異常検知装置の機能構成を示すブロック図である。 第１の実施形態のモデル生成処理を説明する説明図である。 第１の実施形態のモデル生成処理で用いるセンサデータの一例を示す図である。 第１の実施形態の異常検知処理を説明する説明図である。 第１の実施形態の異常検知処理で用いるセンサデータの一例を示す図である。 第１の実施形態（変形例）のモデル生成処理で用いるセンサデータの一例を示す図である。 第２の実施形態のモデル生成処理を説明する説明図である。 第２の実施形態のモデル生成処理で用いるセンサデータの一例を示す図である。 第２の実施形態の異常検知処理を説明する説明図である。 第２の実施形態の異常検知処理で用いるセンサデータの一例を示す図である。 第２の実施形態（変形例）のモデル生成処理で用いるセンサデータの一例を示す図である。 第２の実施形態（変形例）の異常検知処理で用いるセンサデータの一例を示す図である。 第３の実施形態の異常検知システムの構成を示す構成図である。 第４の実施形態の異常検知システムの構成を示す構成図である。 第４の実施形態の異常検知処理を説明する説明図である。 第４の実施形態の変形例の異常検知処理を説明する説明図である。 第５の実施形態の異常検知システムの構成を示す構成図である。 第５の実施形態のモデル生成処理を説明する説明図である。 第６の実施形態の分類モデルの生成処理を説明する説明図である。 第６の実施形態の分類モデルの生成処理で用いるセンサデータの一例を示す図である。 第６の実施形態の異常検知処理を説明する説明図である。 第７の実施形態の３次元空間に配置されたセンサの一例を示す図である。 第７の実施形態の時間とともに変化するセンサのセンサデータの一例を示す図である。 第７の実施形態の畳み込みニューラルネットワークのイメージ図である。 第７の実施形態のモデル生成処理を説明する説明図である。 第７の実施形態の異常検知処理を説明する説明図である。
以下、本発明の実施の形態について説明する。
＜第１の実施形態＞
図１は、本発明の第１の実施形態における異常検知システムの構成を示す構成図である。図示する異常検知システムは、モデル生成装置１と、異常検知装置２と、センサ利用装置３と、複数のセンサ４とを備える。また、これらの装置は、ネットワークにより接続されている。
モデル生成装置１は、複数のセンサ４のセンサデータ（センサ値）の相関を分析および学習し、センサ４の異常を検出するためのモデル（学習モデル）を生成する。具体的には、モデル生成装置１は、複数のセンサ４を対象センサと対象センサ以外のセンサ群とに分けて、センサ群のセンサデータと対象センサのセンサデータとの相関を分析し、センサ群のセンサデータから対象センサのセンサデータが推定可能なモデルを生成する。
異常検知装置２は、モデル生成装置１が生成したモデルを用いて、各センサ４の異常（故障、改ざん、盗難、すり替え等）を検知する。
センサ利用装置３は、複数のセンサ４のセンサデータを利用する装置である。例えば、センサ利用装置３は、異常検知装置２が検知した異常をディスプレイなどに表示する監視装置であってもよい。また、センサ利用装置３は、異常検知装置２が検知した異常をメールやメッセンジャー等へアラートをあげる監視装置であってもよい。また、センサ利用装置３は、複数のセンサ４からセンサデータを収集し、収集したセンサデータを用いて、例えばセンシング対象機器の制御などの様々なサービスを提供するデータ処理装置であってもよい。
センサ４は、対象となる物理量をセンシング（測定、検知）し、センサデータを出力する。具体的には、センサ４は、時間的に変化する物理量（例えば、音声、映像、言語情報(特定単語の頻度検知など)、数値など）を、周期的に所定のタイミング（例えば、ｎ秒間隔）で時系列にセンシングし、センシング結果であるセンサデータをネットワークを介して異常検知装置２に送信する。また、センサ４は、センサデータをセンサ利用装置３に送信することとしてもよい。
なお、複数のセンサ４は、同一の種類のセンサ４であってもよく、あるいは、複数の種類のセンサが混在してもよい。
図２は、モデル生成装置１の機能構成を示すブロック図である。図示するモデル生成装置１は、受信部１１と、モデル生成部１２と、モデル送信部１３と、データ記憶部１４と、モデル記憶部１５とを備える。
受信部１１は、各センサ４から送信されるセンサデータを受信し、データ記憶部１４に格納する。モデル生成部１２は、データ記憶部１４に記憶された複数のセンサ４のセンサデータの相関を分析および学習し、センサ４の異常を検出するためのモデルを生成する。具体的には、モデル生成部１２は、複数のセンサ４を対象センサと対象センサ以外のセンサ群とに分けて、センサ群のセンサデータと対象センサのセンサデータとの相関を分析し、センサ群のセンサデータから対象センサのセンサデータが推定可能なモデルを生成・更新する。モデル送信部１３は、モデル生成部１２が生成したモデルを、異常検知装置２に送信する。
データ記憶部１４には、受信部１１が収集した複数のセンサ４のセンサデータが記憶される。モデル記憶部１５には、モデル生成部１２が生成したモデルが記憶される。なお、データ記憶部１４およびモデル記憶部１５には、メモリまたはＤＢなどを用いることができる。
図３は、異常検知装置２の機能構成を示すブロック図である。図示する異常検知装置２は、受信部２１と、推定部２２と、異常検知部２３と、データ記憶部２４と、モデル記憶部２５とを備える。
受信部２１は、複数のセンサ４から送信されるセンサデータを受信し、データ記憶部１４に格納する。推定部２２は、モデル記憶部２５に記憶されたモデルに受信部２１が受信したセンサ群のセンサデータを入力し、対象センサのセンサデータの推定値を取得する。異常検知部２３は、推定部２２が推定した対象センサの推定値と、受信部２１が受信した対象センサのセンサデータ（実測値）との差が、所定の閾値以上の場合に対象センサの異常を検知する。
データ記憶部２４には、受信部２１が収集した複数のセンサ４のセンサデータが記憶される。モデル記憶部２５には、モデル生成装置１から受信したモデルが記憶される。なお、データ記憶部２４およびモデル記憶部２５には、メモリまたはＤＢなどを用いることができる。
上記説明したモデル生成装置１、異常検知装置２およびセンサ利用装置３は、例えば、ＣＰＵと、メモリと、ハードディスク等の外部記憶装置などを備えた汎用的なコンピュータシステムを用いることができる。なお、コンピュータシステムは、クラウド等の仮想マシンでもよく、また、複数のコンピュータで構成されるものであってもよい。また、コンピュータシステムは、ＣＰＵの他に、ＧＰＵ（Graphics Processing Unit）を備えることとしてもよい。
このコンピュータシステムにおいて、ＣＰＵまたはＧＰＵがメモリ上にロードされた所定のプログラムを実行することにより、各装置の各機能が実現される。例えば、モデル生成装置１、異常検知装置２およびセンサ利用装置３の各機能は、モデル生成装置１用のプログラムの場合はモデル生成装置１のＣＰＵまたはＧＰＵが、異常検知装置２用のプログラムの場合は異常検知装置２のＣＰＵまたはＧＰＵが、そして、センサ利用装置３用のプログラムの場合はセンサ利用装置３のＣＰＵまたはＧＰＵが、それぞれ実行することにより実現される。
また、モデル生成装置１用のプログラム、異常検知装置２用のプログラム、およびセンサ利用装置３用のプログラムは、ハードディスク、フレキシブルディスク、ＣＤ−ＲＯＭ、ＭＯ、ＤＶＤ−ＲＯＭなどのコンピュータ読取り可能な記録媒体に記憶することも、ネットワークを介して配信することもできる。
次に、本実施形態の動作について説明する。
図４は、モデル生成装置１が行うモデル生成処理を説明する説明図である。
複数のセンサ４の各々は、対象となる物理量をセンシングし、センサデータに変換するセンシング部４１と、センサデータを送信する送信部４２とを備える。なお、各センサ４は、所定のタイミング（時間間隔）でセンシングを行い、センサデータを送信する。なお、送信部４２は、センシング結果であるセンサデータ(センサ値)とともに、センサ識別情報（センサＩＤ）と、センシングした時刻を示すセンシング時刻とをセンサ情報として送信する。
モデル生成装置１の受信部１１は、各センサ４から送信されたセンサデータ、センサＩＤ、センシング時刻を受信し（Ｓ１１）、これらを対応付けてデータ記憶部１４に記憶する（Ｓ１２）。これにより、データ記憶部１４には、各センサ４の時系列に発生したセンサデータ（時系列センサデータ）が記憶される。
なお、センサ４がセンシング時刻を送信しない場合は、受信部１１が、センサデータを受信した時刻をセンシング時刻とみなして、センサデータに対応付けて記憶することとしてもよい。
そして、モデル生成部１２は、データ記憶部１４から、センシング時刻が同一の複数のセンサ４全てのセンサデータのセット（組）を、教師データとして読み出し、当該センサデータのセットを用いてモデルを生成および更新し（Ｓ１３）、モデル記憶部１５に記憶する。モデル送信部１３は、モデル記憶部１５に記憶されたモデルを異常検知装置２に送信する（Ｓ１４）。
図５は、Ｓ１３のモデル生成処理の一例を示す図である。本実施形態では、複数のセンサ４を、推定対象の対象センサと、対象センサ以外のセンサ群とに分けて、センサ群のセンサデータから、対象センサのセンサデータが推定可能なモデルを生成する。
図示する例では、ｎ個のセンサのうち、センサSnを対象センサとし、センサS１〜Sn-1をセンサ群とする。そして、モデル生成部１２は、複数の時刻（t-k, … , t-2, t-1, t）の各時刻において、センサ群S１〜Sn-1のセンサデータ、および、対象センサSnのセンサデータを教師データとして、対象センサSnのセンサデータを推定可能なモデル（Sn用モデル）を生成する。すなわち、対象センサのセンサデータと、センサ群のセンサデータとの相関を分析することでモデルを生成する。
具体的には、センシング時刻が同一のセンサ群のセンサデータの値を入力データとし、この場合の出力データを対象センサのセンサデータとする教師データ（入出力ペア）を機械学習することで、ある時刻（t）におけるセンサ群のセンサデータ（S1(t), S2(t) , S3(t) , … , Sn-1(t)）５１を入力すると、対象センサのセンサデータ（Sn(t)）５２が推定可能なモデル（関数）を生成する。すなわち、モデルは、ある時刻におけるセンサ群のセンサデータが入力された場合に、当該時刻における対象センサの推定されるセンサデータ（推定値）を出力する関数である。
モデル生成部１２は、同一時刻におけるセンサ群S１〜Sn-1のセンサデータ、および、対象センサSnのセンサデータを複数読み出し、Ｓ１３の処理を繰り返し行い、モデルを更新する。
本実施形態では、複数のセンサ４のセンサデータを、多次元相関分析技術、AutoEncoderなどの機械学習を用いて、相互の関連を分析・解析し、モデルを生成する。
多次元相関分析には、多変量解析、重回帰分析などが用いられる。多変量解析は、複数の変数に関するデータをもとにして、これらの変数間の相互関連を分析する統計的技法である。重回帰分析は、多変量解析の１つであって、回帰分析において独立変数が２つ以上のものである。
AutoEncoderは、機械学習において、ニューラルネットワークを使用した次元圧縮のためのアルゴリズムである。
本実施形態および以下に説明する全ての実施形態および変形例では、センサ毎に対応するモデルが生成される。すなわち、Sn用モデルの生成と同様に、「センサS1を対象センサとし、センサS2〜Snをセンサ群として、S2用モデルを生成する」、「センサS2を対象センサとし、センサS1,S3〜Snをセンサ群として、S3用モデルを生成する」など、全てのセンサS1〜Snのモデルを生成する。したがって、モデル記憶部１５には、各センサ用のモデルが格納される。
なお、モデル生成装置１は、例えば、異常検知システムの稼働前など最初に、図４に示すモデル生成処理を行ってモデルを生成して異常検知装置２に送信し、異常検知装置２は最初に生成したモデルを使い続けてもよい。あるいは、モデル生成装置１は、所定のタイミングで各センサからセンサデータを収集してモデルを更新し、更新後のモデルを異常検知装置２に送信してもよい。
所定のタイミングでのモデルの更新には、あらかじめパラメータとして期間を入力することで定期的にモデルを更新する場合、オペレータ（管理者）の指示等の何らかのトリガを契機にモデルを更新する場合が含まれる。
所定のタイミングでモデルを更新することで、各センサのセンサデータ（対象センサとセンサ群との相関）が、時々刻々と時間ともに変化する場合であっても、推定精度の高いモデルを維持することができる。
図６は、異常検知装置２が行う異常検知処理を説明する図である。
異常検知装置２の受信部２１は、各センサ４から送信されるセンサデータ、センサＩＤ、センシング時刻を受信し（Ｓ２１）、データ記憶部２４に記憶する（Ｓ２２）。そして、推定部２２は、同一のセンシング時刻における全てのセンサ４のセンサデータがデータ記憶部２４に格納されると、データ記憶部２４から当該時刻におけるセンサ群（推定元）のセンサデータを読み出し（Ｓ２３）、読み出したセンサデータをモデル記憶部２５に記憶された対象センサのモデルに入力して、対象センサのセンサデータの推定値を取得する（Ｓ２４）。
具体的には、図７に示すように、推定部２２は、例えば、センシング時刻tにおける対象センサSnの推定値７２を取得する場合は、センサ群のセンサデータ（S1(t), S2(t) , S3(t) , … , Sn-1(t)）７１をセンサSn用モデルに入力する。
そして、異常検知部２３は、同一のセンシング時刻の対象センサ（推定先）のセンサデータ（実測値）をデータ記憶部２４から読み出し（Ｓ２５）、Ｓ２４で取得した推定値と比較する（Ｓ２６）。異常検知部２３は、対象センサの推定値と実測値との差が、所定の閾値以上か否かを判定する（Ｓ２７）。
具体的には、図７に示すように、異常検知部２３は、データ記憶部２４からセンシング時刻tにおける対象センサSnのセンサデータの実測値Sn(t)７３を読み出し、推定値Sn_eval(t)７２と実測値７３とを比較する。
所定の閾値以上の場合（Ｓ２７：ＹＥＳ）、異常検知部２３は、対象センサの異常を検知し（すなわち、対象センサに異常が発生した判別し）、センサ利用装置３に異常が発生したことを通知する（Ｓ２８）。
推定値と実測値との差が所定の閾値以上の場合は、対象センサとセンサ群との間の相関が崩れた、または、相関がなくなったことを意味する。例えば、対象センサが故障した場合、改ざんされた場合、盗難された場合、すり替えられた場合などの異常時に、対象センサとセンサ群との間の相関が崩れる、または相関がなくなる。本実施形態では、対象センサとセンサ群との間の相関を示すモデルを用いて推定した対象センサの推定値と、対象データの実測値との差が乖離した場合に異常を検知することで、異常検知機能を持たないセンサの異常を、高精度に検知することができる。
なお、本実施形態および以下に説明する全ての実施形態および変形例では、異常検知装置２のモデル記憶部２５には、各センサ用のモデルが格納される。そして、異常検知装置２は、対象センサとして、他の全てのセンサS1〜Sn-1についても同様に、対応するモデルを用いて推定値を取得し、推定値と実測値との差が所定の閾値の場合は異常を検知する。
そして、センサ利用装置３は、対象センサに異常が発生した旨のエラーメッセージを、ディスプレイなどの出力装置に出力する。なお、複数の対象センサにおいて、異常検知した場合、複数のエラーメッセージがセンサ利用装置３に出力される。エラーメッセージには、例えば、対象センサのセンサＩＤ、センシング時刻などが含まれる。
以上説明した本実施形態では、モデル生成装置１は、同一時刻において複数のセンサ４がそれぞれ測定したセンサデータを用いて、モデルを生成する。異常検知装置２は、所定の時刻におけるセンサ群のセンサデータをモデルに入力し、所定の時刻における対象センサの推定値を取得し、対象センサの推定値と受信した所定の時刻における対象センサのセンサデータ（実測値）との差が所定の閾値以上の場合に対象センサの異常を検知する。
このように、本実施形態では、推定値と実測値との差が所定の閾値以上の場合に（すなわち、対象センサとセンサ群との間の相関が一定の割合まで崩れた場合に）異常を検知する。これにより、本願発明では、センサが故障した場合、あるいは、悪意を持った第三者がセンサを偽物にすり替える、センサデータを偽の値に改ざんする、盗むなどの不正行為を行った場合、容易にセンサの異常を検知することができる。
なお、悪意を持った第三者が１つのセンサを偽物にすり替えたり、センサデータを偽の値に改ざんする場合、当該センサのセンサデータの連続性を考慮することは可能であるとしても、他の多数のセンサとの相関を維持しつつ、偽物にすり替えたり、センサデータの改ざんを行うことは極めて困難である。したがって、本実施形態では、高い精度で異常を検知することができるとともに、堅牢なセキュリティを確保することができる。
また、本実施形態では、センサ自体が異常検知機能を実装することなく、センサの異常を検知することができる。すなわち、センサ自体が、高い処理能力を持たない場合であっても、異常を検知することができる。
＜第１の実施形態の変形例＞
第１の実施形態の変形例として、モデル生成装置１のモデル生成部１２は、センサ群のセンサデータからモデルの生成に用いるセンサを決定し、決定したセンサのセンサデータを用いてモデルを生成することとしてもよい。
図８は、第１の実施形態の変形例におけるモデル生成処理に用いるセンサデータの一例を示す図である。本変形例では、センサ群のセンサデータから対象センサのセンサデータが推定可能なモデルを生成する際に、モデル生成部１２は、センサ群の全てのセンサデータを用いるのではなく、モデルの生成に使用するセンサを時刻毎にランダムに決定する。すなわち、モデル生成部１２は、モデルの生成に用いるセンサを一定の割合で排除する。図示する例では、時刻t-kにおいては、センサS1、S3等が排除され、残りのセンサがモデル生成に利用するセンサとして決定され、決定したセンサのセンサデータがセンサ群の教師データとしてモデルの生成に用いられる。
これにより、本変形例では、特定のセンサのセンサデータに過度に依存したモデルを生成してしまうことを回避し、センサの異常検知の精度をより高めることができる。
なお、本変形例は、以下に説明する全ての実施形態および変形例において、適用することができる。
＜第２の実施形態＞
第２の実施形態は、モデルの生成および異常検知を行う際に、一定の時間幅においてセンシングされた時系列のセンサデータを用いる点において、第１の実施形態と異なり、その他については、第１の実施形態と同様である。本実施形態の構成については、第１の実施形態（図１〜図３）と同様であるため、ここでは説明を省略する。
一定の時間幅は、モデルの生成処理および異常検知処理の際に使用する時間（時刻の範囲）である。以下に説明する本実施形態では、例えば、時刻t-kから時刻tまでの時間を、一定の時間幅として用いるものとする。
本実施形態では、モデル生成装置１は、一定の時間幅で時系列にセンシングされたセンサ群のセンサデータから、前記時間幅の中で最新の前記対象センサのセンサデータが推定可能な前記モデルを生成する。異常検知装置２の推定部２２は、受信部２１が受信した所定の時刻から前記時間幅分遡ったセンサ群の時系列に発生したセンサデータをモデルに入力し、対象センサの所定の時刻における推定値を取得し、異常検知部２３は、対象センサの推定値と、受信部２１が受信した対象センサの所定の時刻におけるセンサデータとの差が、所定の閾値以上の場合に対象センサの異常を検知する。
図９は、本実施形態のモデル生成装置１が行うモデル生成処理を説明する図である。 ここでは、第１の実施形態と異なるＳ１３について説明する。他の処理Ｓ１１、Ｓ１２、Ｓ１４については、第１の実施形態と同様であるため、説明を省略する。
Ｓ１３において、モデル生成部１２は、データ記憶部１４から、一定の時間幅で同じ時間（複数の同じ時刻）にセンシングされた時系列のセンサデータを、複数のセンサ４の全てについて読み出し、読み出した時系列のセンサデータを用いてモデルを生成および更新し、モデル記憶部１５に記憶する。
図１０は、本実施形態のモデル生成処理で用いるセンサデータの一例を示す図である。図示する例では、ｎ個のセンサのうち、センサSnを対象センサとし、センサS１〜Sn-1をセンサ群とする。そして、モデル生成部１２は、一定の時間幅で時系列にセンシングされたセンサ群S１〜Sn-1のセンサデータから、前記時間幅の中で最新の対象センサSnのセンサデータが推定可能なモデル（Sn用モデル）を生成する。
具体的には、モデル生成部１２は、図１０に示すように、一定の時間幅（t-k〜t）で時系列にセンシングされたセンサデータ１０１と、前記時間幅の中で最新の対象センサSnのセンサデータ１０２とを教師データとして、モデルを生成する。また、モデル生成部１２は、前記時間幅を時間方向にずらした、次の一定の時間幅（t-k+1〜t+1）で時系列にセンシングされたセンサデータ１０３と、前記時間幅の中で最新の対象センサSnのセンサデータ１０４とを教師データとしてモデルを更新する。このように、モデル生成部１２は、一定の時間幅で時系列にセンシングされたセンサ群のセンサデータと、前記時間幅の中で最新の対象センサデータとを、時間方向にずらして複数読み出し、Ｓ１３の処理を繰り返し行い、モデルを更新する。
なお、一定の時間幅は、センサの種類毎に異なる時間幅を設定することとしてもよい。
本実施形態では、センサ群の一定の時間幅の時系列に発生したセンサデータと、対象センサの前記時間幅の最新のセンサデータとの相関を分析することでモデルを生成する。本実施形態では、一定の時間幅の過去のセンサデータを含めて相関を分析することで、より高い精度で対象センサのセンサデータが推定可能な精緻なモデルを生成することができる。
また、図１０に示す例では、センサ群の一定の時間幅の全てのセンサデータ１０１、１０２を用いてモデルを生成することとしたが、一定の時間幅のうちの一部の時間幅のセンサデータを用いてモデルを生成することとしてもよい。
なお、本実施形態では、第１の実施形態と同様にセンサ毎に対応するモデルが生成され、モデル記憶部２５には各センサ用のモデルが格納される。
図１１は、異常検知装置２が行う異常検知処理を説明する説明図である。ここでは、第１の実施形態と異なるＳ２３〜Ｓ２６について説明する。他の処理Ｓ２１、Ｓ２２、Ｓ２７〜Ｓ２８については、第１の実施形態と同様であるため、説明を省略する。
Ｓ２３において、推定部２２は、所定の時刻（例えば、現時点）から一定の時間幅分遡った全てのセンサ４のセンサデータがデータ記憶部２４に格納されると、データ記憶部２４から当該時間幅におけるセンサ群（推定元）の時系列に発生したセンサデータを読み出す。そして、推定部２２は、読み出したセンサデータをモデル記憶部２５に記憶された対象センサのモデルに入力して、対象センサの所定の時刻における推定値を取得する（Ｓ２４）。
具体的には、図１２に示すように、推定部２２は、時刻tにおける対象センサSnの推定値７２を取得する場合は、時刻tから一定の時間幅分遡ったセンサ群のセンサデータ１２１をセンサSn用モデルに入力し、対象センサの時刻tにおける推定値を取得する。
そして、異常検知部２３は、対象センサ（推定元）の所定の時刻のセンサデータ（実測値）をデータ記憶部２４から読み出し（Ｓ２５）、Ｓ２４で取得した推定値と比較する（Ｓ２６）。
具体的には、図１２に示すように、異常検知部２３は、データ記憶部２４から所定の時刻tにおける対象センサSnのセンサデータの実測値Sn(t)１２３を読み出し、推定値Sn_eval(t)１２２と実測値１２３とを比較する。
なお、本実施形態では、第１の実施形態と同様に、センサ毎に推定値を取得し、実測値との比較を行うことで異常検知を行う。
以上説明した本実施形態では、センサ群の一定の時間幅の時系列に発生したセンサデータと、対象センサの前記時間幅の最新のセンサデータとの相関を分析することでモデルを生成する。したがって、本実施形態では、一定の時間幅の過去のセンサデータを含めて相関を分析することで、より高い精度で対象センサのセンサデータが推定可能な精緻なモデルを生成することができる。
なお、本実施形態は、以下に説明する全ての実施形態および変形例において、適用することができる。
＜第２の実施形態の変形例＞
第２の実施形態の変形例として、モデル生成装置１は、過去のセンサ群の一定時間幅の時系列のセンサデータから、所定の時間経過後（将来、未来）の対象センサのセンサデータの推定が可能なモデルを生成することとしてもよい。
本変形例では、モデル生成装置１のモデル生成部１２は、一定の時間幅で時系列にセンシングされたセンサ群のセンサデータから、前記時間幅から所定の時間経過後の対象センサのセンサデータが推定可能な前記モデルを生成する。異常検知装置２の推定部２２は、受信部２１が受信した、所定の時刻から前記時間幅分遡ったセンサ群の時系列に発生したセンサデータをモデルに入力し、対象センサの所定の時刻から所定の時間経過後の推定値を取得する。異常検知部２３は、対象センサの推定値と、受信部２１が受信した対象センサの所定の時刻から所定の時間経過後のセンサデータとの差が、所定の閾値以上の場合に対象センサの異常を検知する。
図１３は、本変形例のモデル生成処理で用いるセンサデータの一例を示す図である。 図示する例では、一定の時間幅（t-k〜t）で時系列にセンシングされたセンサデータ１３１と、前記時間幅から所定の時間経過後（t+α）の対象センサSnのセンサデータ１３２とを教師データとして、モデルを生成する。また、モデル生成部１２は、前記時間幅を時間方向にずらした、次の一定の時間幅（t-k+1〜t+1）で時系列にセンシングされたセンサデータ１３３と、前記時間幅から所定の時間経過後（t+1+α）の対象センサSnのセンサデータ１３４とを教師データとしてモデルを更新する。このように、モデル生成部１２は、一定の時間幅で時系列にセンシングされたセンサ群のセンサデータと、前記時間幅から所定の時間経過後の近い将来の対象センサのセンサデータとを、時間方向にずらして順次読み出し、Ｓ１３の処理を繰り返し行い、モデルを更新する。
なお、所定の時間（α）は、サービス要件またはセンサの種類に応じて設定することとしてもよい。所定の時間（α）を大きくすると、一般的に推定精度は低くなるが、より離れた将来の予測が可能となる。一方、所定の時間（α）を小さくすると、一般的に推定精度は高くなるが、近い将来の予測しかできない。また、このαの最適解は適用対象システムの特性に依存するため、適用対象システム及びサービス要件（どの程度将来の値を予測したいか）に従い定めるものとする。
図１４は、本変形例の異常検知処理で用いるセンサデータの一例を示す図である。本変形例では、図１１のＳ２３において、推定部２２は、一定の時間幅の全てのセンサのセンサデータがデータ記憶部２４に格納されると、データ記憶部２４から当該時間幅におけるセンサ群（推定元）のセンサデータを読み出す。そして、推定部２２は、読み出したセンサデータをモデル記憶部２５に記憶された対象センサのモデルに入力して、対象センサの所定の時間経過後の推定値を取得する（Ｓ２４）。
具体的には、図１４に示すように、推定部２２は、時刻t+αにおける対象センサSnの推定値Sn_eval(t+α)１４２を取得する場合、時刻t+αから所定の時間遡った、センサ群の一定時間幅（t-k〜t）のセンサデータ１４１をセンサSn用モデルに入力する。
そして、異常検知部２３は、所定の時刻(t+α)の対象センサSnのセンサデータ（実測値）がデータ記憶部２４に記憶されると、当該センサデータ（実測値）を読み出し（Ｓ２５）、Ｓ２４で取得した推定値と比較し（Ｓ２６）、対象センサの推定値とセンサデータ（実測値）との差が、所定の閾値以上か否かを判定する（Ｓ２７）。
本変形例では、センサ群の過去の一定時間幅の時系列に発生したセンサデータと、対象センサの前記一定時間幅から所定の時間経過後のセンサデータとの相関を分析し、モデルを生成する。これにより、センサ群のセンサデータと対象センサのセンサデータとの相関が、時間的にずれる場合であっても、より高い精度で対象センサのセンサデータが推定可能な精緻なモデルを生成することができる。
また、本変形例では、時間的な遅れを踏まえたセンサ群と対象センサとの相関がモデル化される。これにより、対象センサのある時刻におけるセンサデータが、センサ群のある時刻より前の過去のセンサデータと相関を有する場合、本変形例で生成したモデルを用いることで、センサ群のセンサデータから近い将来の対象センサのセンサデータを予測可能である。したがって、本変形例のモデルを用いることで、近い将来の異常の発生を予見することができる。
なお、本変形例は、以下に説明する全ての実施形態および変形例において、適用することができる。
＜第３の実施形態＞
図１５は、本発明の第３の実施形態における異常検知システムの構成を示す構成図である。図示する異常検知システムは、複数のセンサ４の付近に構築された内部ネットワークと、複数のセンサ４と離れた場所に構築される外部ネットワーク（いわゆる、クラウド）の２つのネットワークを備える。外部ネットワークは、例えば、専用線、ＶＰＮなどを介して、内部ネットワークと接続されている。
図示する例では、複数のセンサ４が配置される工場などの施設において、内部ネットワークを介して、複数のセンサ４と、異常検知装置２と、モデル生成装置１とが接続される。一方、センサ利用装置３は、外部ネットワークに接続されている。センサ利用装置３は、例えばクラウドサーバとして、センサ４が配置されている施設とは離れた場所に設置される。
本実施形態では、異常検知装置２は、複数のセンサ４の付近に配置する。異常検知装置２の受信部２１は、内部ネットワークを介して、付近に設置された複数のセンサ４からセンサデータを受信し、異常検知部２３は、センサ４の異常を検知した場合、外部ネットワークを介して、離れた場所に配置されたセンサ利用装置３に異常を通知する。
センサデータは、大量かつ高頻度に発生する可能性が高い。例えば、工場の機械に設置されたセンサ４では、非常に短い間隔でセンサデータが出力されるため、異常検知装置２を、センサ４と離れた場所に配置する場合、多数のセンサ４から時々刻々と発生する大量のセンサデータを、遠隔地の異常検知装置２に送信する必要があるため、大容量のネットワーク帯域が必要となり、また、ネットワーク遅延が発生し、迅速な異常検知を実現できないという問題がある。
これに対し、本実施形態では、大量のセンサデータを、センサ４の付近に設置された異常検知装置２で処理して異常を検知し、検知結果だけを遠隔地のセンサ利用装置３に送信することで、ネットワーク帯域に負荷を与えることなく、低遅延での処理が可能であり、異常の検知および予測を即座に行うことができる。
また、異常検知装置２は、異常を検知した場合に異常の検知結果のみをセンサ利用装置３に送信するため、内部ネットワークと外部ネットワークとを接続するネットワークは、狭い伝送帯域でよい。
なお、本実施形態は、前述の全ての実施形態（変形例を含む）、および、以下に説明する全ての実施形態（変形例を含む）において、適用することができる。
＜第４の実施形態＞
図１６は、本発明の第４の実施形態における異常検知システムの構成を示す構成図である。図示する異常検知システムは、ネットワーク切断装置５およびデータ処理装置６を備える点において、第３の実施形態の異常検知システムと異なる。
ネットワーク切断装置５は、異常検知装置２からの指示に応じて、指示されたセンサ４を内部ネットワークから切り離す。本実施形態の異常検知装置２の異常検知部２３は、センサ４の異常を検知した場合、当該センサ４をネットワークから切り離す制御を行う。
データ処理装置６は、複数のセンサ４からセンサデータを収集し、収集したセンサデータを用いて、例えばセンシング対象機器の制御などの様々なサービスを提供する。図示する例では、データ処理装置６は、内部ネットワークに接続され、複数のセンサ４の付近に配置されている。なお、本実施形態のデータ処理装置６は、第１の実施形態のセンサ利用装置３の機能を分割したものである。
図１７は、本実施形態の異常検知処理を説明する説明図である。図１７に示すＳ２１からＳ２８は、上述したいずれかの実施形態と同様であるため、ここでは説明を省略する。
異常検知部２３は、異常を検知した場合、センサ利用装置３に異常が発生したことを通知するとともに（Ｓ２８）、ネットワーク切断装置５に異常を検知したセンサ４を内部ネットワークから切断するため切断指示を送信する（Ｓ２９）。
ネットワーク切断装置５は、切断指示を介して受信すると、切断指示で指定されたセンサ４を内部ネットワークから切り離す。
なお、図示する例では、ネットワーク切断装置５は、内部ネットワークと複数のセンサ４との間に設置されているが、内部ネットワークと外部ネットワークとの間に設置し、内部ネットワークと外部ネットワークとの間のネットワークを切断することとしてもよい。ネットワーク切断装置５の設置場所は、サービス要件に応じて、適宜変更することができる。
なお、本実施形態では、複数のセンサ４から出力される大量のセンサデータは、異常検知装置２だけではなく、内部ネットワークを介してデータ処理装置６にも送信されるものとする。
本実施形態では、センサ４に異常が発生した場合、当該センサ４を自動的にネットワークから切り離すことで、不適切なセンサデータ（異常値）がデータ処理装置６に入力され、データ処理装置６による不適切なサービスが行われてしまうことを防止することができる。
なお、内部ネットワークおよび外部ネットワークを接続するネットワークに広い伝送帯域を用いる場合は、データ処理装置６を外部ネットワークに接続する、または、データ処理装置６の機能をセンサ利用装置３に統合することとしてもよい。
なお、本実施形態は、前述の全ての実施形態（変形例を含む）、および、以下に説明する全ての実施形態（変形例を含む）において、適用することができる。
＜第４の実施形態の変形例＞
第４の実施形態の変形例として、異常検知装置２の推定部２２は、異常検知部２３が対象センサの異常を検知した場合、推定値を対象センサのセンサデータとして、データ処理装置６（外部装置）に送信することとしてもよい。
図１８は、第４の実施形態の変形例における異常検知処理の一例を示す図である。図１８に示すＳ２１からＳ２９は、第４の実施形態（図１７）と同様であるためここでは説明を省略する。
Ｓ２９で異常検知部２３がネットワークを切断後、推定部２２は、Ｓ２４において推定した対象センサの推定値を、対象センサのセンサデータとして、データ処理装置６に送信する（Ｓ３０）。
これにより、本変形例では、あるセンサに異常が発生した場合であっても、他のセンサ群のセンサデータから推定した推定値を、異常が発生したセンサのセンサデータとして代用することにより、センサデータを用いた様々な制御およびサービスが停止することを回避することができる。すなわち、センサデータの欠落が許容されない場合に、センサデータを用いるサービスが停止してしまうという不具合を回避することができる。
また、Ｓ３０において、推定部２２は、推定値とともに、推定値がどの程度の確からしさを持って推定されたかを示す信頼度（確度）を、データ処理装置６に送信することとしてもよい。なお、多次元相関分析技術、AutoEncoderなどの機械学習によるモデルを用いて推定値を算出する過程において、信頼度も併せて算出される。データ処理装置６がセンサデータを処理する際に、補助情報として信頼度を用いることとしてもよい。また、データ処理装置６は、信頼度に応じて処理を変えてもよい。
なお、本変形例は、前述の全ての実施形態（変形例を含む）、および、以下に説明する全ての実施形態（変形例を含む）において、適用することができる。
＜第５の実施形態＞
図１９は、本発明の第５の実施形態における異常検知システムの構成を示す構成図である。本実施形態のモデル生成装置１は、複数のセンサ４から送信されるセンサデータを用いて、モデル記憶部１５に記憶されたモデルを更新し、更新後のモデルをモデル保管装置７に送信する。
図示する異常検知システムは、外部ネットワークにモデル保管装置７を備える点において、第３の実施形態の異常検知システム（図１５）と異なる。
モデル保管装置７は、外部ネットワークに接続される装置であって、モデル生成装置１が生成・更新したモデルを保存する。本実施形態のモデル生成装置１は、複数のセンサ４から送信されるセンサデータを用いて、モデルを更新し、更新後のモデルをモデル保管装置７に送信する。
図２０は、本実施形態のモデル生成装置１が行うモデル生成処理を説明する説明図である。本実施形態では、モデル生成装置１は、複数のセンサ４からセンサデータを受信する度に（Ｓ１１）、データ記憶部１４に記憶し（Ｓ１２）、モデル記憶部２５に記憶されたモデルを更新する処理（Ｓ１３）を繰り返し行う。そして、モデル生成装置１のモデル送信部１３は、モデル記憶部１５に記憶された学習済みのモデルを、定期的に、外部ネットワークを介してモデル保管装置７に送信する（Ｓ１４）。モデル保管装置７は、モデル生成装置１から送信されたモデル受信し、メモリまたはディスクなどのモデル保管部に格納する（Ｓ１５）。
本実施形態では、学習済みのモデルを、外部ネットワークに接続されたモデル保管装置７に送信し、保管することで、故障などによりモデル生成装置１のモデル記憶部１５、または異常検知装置２のモデル記憶部２５に記憶されたモデルが消失した場合に、モデル保管装置７から消失したモデルを迅速に復旧することができる。
また、本実施形態と類似するセンサを用いて、別の場所で新たな異常検知システムを開発する場合において、モデル保管装置７に保管された学習済みのモデルを用いて、モデルの学習を開始することができる。これにより、モデル生成処理を簡略化し、短縮することができる。
また、異常検知装置２は、モデル保管装置７に記憶された複数の異常検知システムのモデルの中から最適なモデルを選択して取得し、取得したモデルをモデル記憶部２５に格納して異常検知を用いることとしてもよい。
なお、本実施形態は、前述の全ての実施形態（変形例を含む）、および、以下に説明する全ての実施形態（変形例を含む）において、適用することができる。
＜第６の実施形態＞
本発明の第６の実施形態は、異常を分類するための分類モデルを生成し、異常を検知した場合に、異常の種別を判別する。
すなわち、本実施形態のモデル生成装置１は、過去の異常時における複数のセンサ４のセンサデータを用いて、異常のパターン（種別）を特定する分類モデルを生成する。また、本実施形態の異常検知装置２は、対象センサの異常を検知した場合、異常検知時点から所定の時間遡ったセンサ群の時系列に発生したセンサデータおよび対象センサの時系列に発生したセンサデータを分類モデルに入力し、異常のパターンを取得する。
図２１は、本実施形態のモデル生成装置１が行う分類モデルの生成処理を示す図である。モデル生成装置１の受信部１１は、過去に発生した異常時のセンサデータを、異常のパターン（種別）毎に入力し（Ｓ３１）、データ記憶部１４に記憶する（Ｓ３２）。異常のパターンとしては、例えば、センサの故障、センサの盗難、センサのすり替え、センサデータの改ざんなどがある。
図２２は、対象センサSnにおいて、異常パターン１の異常が過去に複数（ｎ）回発生した際の時系列に発生したセンサデータの一例を示す図である。本実施形態では、対象センサSnで異常が発生するまでの所定の時間の時系列なセンサ群および対象センサのセンサデータ２２１、２２２が、教師データとしてモデル生成装置１に入力される。
モデル生成部１２は、異常のパターン毎に、センサ群のセンサデータ２２１および対象センサのセンサデータ２２２の相関の崩れの傾向を学習して分類モデルを生成し、モデル記憶部１５に分類モデルを記憶する（Ｓ３３）。すなわち、モデル生成部１２は、異常が検知された場合に、異常が検知された時点から所定の時間遡ったセンサ群および対象センサのセンサデータを入力すると、異常のパターンを判別する分類モデルを生成する。
図２３は、本実施形態における異常検知装置２が行う異常検知処理を示す説明図である。なお、本実施形態の異常検知装置２のモデル記憶部２５には、センサ毎の推定値を取得するためのモデルと、センサ毎の異常のパターンを判別するための分類モデルとが記憶されている。
図示するＳ２１からＳ２７は、上述した実施形態のいずれかの処理と同様である。Ｓ２７において、対象センサの異常を検知した場合、異常検知部２３は、モデル記憶部２５から当該対象センサ用の分類モデルに、異常検知時点から所定の時間遡った時間幅のセンサ群のセンサデータおよび対象センサのセンサデータを分類モデルに入力して、異常パターンを判定する（Ｓ２８）。そして、異常検知部２３は、対象センサに異常が発生したこと、および、異常パターンをセンサ利用装置３に送信する（Ｓ２９）。
本実施形態では、異常を検知したことを通知するだけでなく、異常パターンを含めて通知することで、異常のパターンに応じた復旧作業を迅速に行うことができる。
なお、本実施形態は、前述の全ての実施形態（変形例を含む）、および、以下に説明する全ての実施形態（変形例を含む）において、適用することができる。
＜第７の実施形態＞
本発明の第７の実施形態は、複数のセンサが地理的近傍に配置されている場合に、位置情報（空間情報）を用いて畳み込みニューラルネットワーク（Convolutional Neural Network、以下「CNN」）を適用し、モデルを生成する。
ＣＮＮは、Deep Learning技術の１つであり、畳み込みとプーリングの処理を複数回繰り返し行い、特徴量を自動で取得するニューラルネットワークである。ＣＮＮについては、以下に記載されている。
文献「人間の「動作」を理解する新しい人工知能(AI)「時系列Deep Learning」を開発、8割強の精度で識別に成功」、NTTコミュニケーションズ株式会社、2015年10月7日、［online］、［平成28年4月25日検索］、＜URL: http://www.ntt.com/about-us/press-releases/news/article/2015/20151007_4.html＞
図２４から図２６は、本実施形態におけるＣＮＮを説明するための説明図である。図２４は、ある空間に配置された複数のセンサ４を示している。図２５は、センサ(1)の種類Vと、時系列に発生したセンサデータとを示している。本実施形態のモデル生成装置１および異常検知装置２は、各センサの３次元の位置情報（W, D, H）と、センサ種別(V)とを管理しているものとする。
図２６は畳み込みのイメージを示すものである。本実施形態のモデル生成装置１は、モデルを生成する際に、センサの配置されている３次元の位置情報（W, D, H）と、センサ種類（v）と、時間情報（T）との５次元の情報の畳み込みを、ＣＮＮで実施し、モデルを生成する。これにより、これまで見えていなかった空間と時間経過における特徴点を引き出すことが可能となる。
なお、図２６では、センサ種別を含めた５次元の情報の畳み込みを行うが、同一種類のセンサのみが配置されている場合は、位置情報（W, D, H）と、時間情報（T）との４次元の情報の畳み込みをＣＮＮで実施し、モデルを生成することとしてもよい。
図２７は、本実施形態のモデル生成装置１が行うモデル生成処理を説明する説明図である。本実施形態のモデル生成装置１は、各センサ４の３次元の位置情報およびセンサ種別を記憶する位置／種別記憶部１６を備える。
図２７のＳ１１、Ｓ１２、Ｓ１４は、上述したいずれかの実施形態（変形例を含む）と同様であるため、ここでは説明を省略する。図２７のＳ１３において、モデル生成部１２は、データ記憶部１４から各センサ４のセンサデータと読み出すとともに、位置／種別記憶部２６から各センサ４の位置情報およびセンサ種別を読み出す。そして、モデル生成部１２は、読み出したセンサデータ、位置情報およびセンサ種別を用いて、ＣＮＮを適用し、モデルを生成および更新し、モデル記憶部１５に記憶する。
図２８は、本実施形態の異常検知装置２が行う異常検知処理を説明する説明図である。本実施形態の異常検知装置２は、各センサ４の３次元の位置情報およびセンサ種別を記憶する位置／種別記憶部２６を備える。
図２８のＳ２１〜Ｓ２３、Ｓ２５〜Ｓ２８は、上述したいずれかの実施形態（変形例を含む）と同様であるため、ここでは説明を省略する。図２８のＳ２３において、推定部２２は、モデル記憶部２５から対象センサのモデルに、センサ群のセンサデータを入力するとともに、位置／種別記憶部２６から読み出したセンサ群の位置情報およびセンサ種別を入力し、対象センサの推定値を取得する。
本実施形態では、各センサの３次元の位置情報を用いたＣＮＮを適用してモデルを生成することで、センサ同士の地理的近接性を考慮した高精度なモデルを生成することができる。すなわち、本実施形態では、推定値の精度を向上し、センサの異常を高精度で検知することができる。
本実施形態は、前述の全ての実施形態（変形例を含む）、および、以下に説明する全ての実施形態（変形例を含む）において、適用することができる。
本発明は上記の実施形態に限定されるものではなく、その要旨の範囲内で数々の変形が可能である。例えば、上記第１〜第７の実施形態（変形例を含む）のいずれかを、任意に組み合わせることができる。
１ ：モデル生成装置
１１：受信部
１２：モデル生成部
１３：モデル送信部
１４：データ記憶部
１５：モデル記憶部
１６：位置／種別記憶部
２ ：異常検知装置
２１：受信部
２２：推定部
２３：異常検知部
２４：データ記憶部
２５：モデル記憶部
２６：位置／種別記憶部
３ ：センサ利用装置
４ ：センサ
５ ：ネットワーク切断装置
６ ：データ処理装置

Claims (17)

  1. モデル生成装置と、異常検知装置とを備える異常検知システムであって、
    前記モデル生成装置は、複数のセンサを対象センサと、前記対象センサ以外のセンサ群とに分けて、前記センサ群のセンサデータと前記対象センサのセンサデータとの相関を分析し、前記センサ群のセンサデータから前記対象センサのセンサデータを推定可能なモデルを生成し、
    前記異常検知装置は、
    前記複数のセンサから、センサデータを受信する受信部と、
    前記モデルに、前記受信部が受信した前記センサ群のセンサデータを入力し、前記対象センサのセンサデータの推定値を取得する推定部と、
    前記対象センサの推定値と、前記受信部が受信した前記対象センサのセンサデータとの差が、所定の閾値以上の場合に前記対象センサの異常を検知する異常検知部と、を備えること
    を特徴とする異常検知システム。
  2. 請求項１記載の異常検知システムであって、
    前記モデル生成装置は、同一時刻において前記複数のセンサがそれぞれ測定したセンサデータを用いて、前記モデルを生成し、
    前記推定部は、前記受信部が受信した所定の時刻における前記センサ群のセンサデータを前記モデルに入力し、前記所定の時刻における前記対象センサの推定値を取得し、
    異常検知部は、前記対象センサの推定値と、前記受信部が受信した前記所定の時刻における前記対象センサのセンサデータとの差が、所定の閾値以上の場合に前記対象センサの異常を検知すること
    を特徴とする異常検知システム。
  3. 請求項１記載の異常検知システムであって、
    前記モデル生成装置は、一定の時間幅で時系列にセンシングされた前記センサ群のセンサデータから、前記時間幅の中で最新の前記対象センサのセンサデータが推定可能な前記モデルを生成し、
    前記推定部は、前記受信部が受信した、所定の時刻から前記時間幅分遡った前記センサ群のセンサデータを前記モデルに入力し、前記対象センサの前記所定の時刻における推定値を取得し、
    前記異常検知部は、前記対象センサの推定値と、前記受信部が受信した前記対象センサの前記所定の時刻におけるセンサデータとの差が、所定の閾値以上の場合に前記対象センサの異常を検知すること
    を特徴とする異常検知システム。
  4. 請求項１記載の異常検知システムであって、
    前記モデル生成装置は、一定の時間幅で時系列にセンシングされた前記センサ群のセンサデータから、前記時間幅から所定の時間経過後の前記対象センサのセンサデータが推定可能な前記モデルを生成し、
    前記推定部は、前記受信部が受信した、所定の時刻から前記時間幅分遡った前記センサ群のセンサデータを前記モデルに入力し、前記対象センサの前記所定の時刻から所定の時間経過後の推定値を取得し、
    前記異常検知部は、前記対象センサの推定値と、前記受信部が受信した前記対象センサの前記所定の時刻から所定の時間経過後のセンサデータとの差が、所定の閾値以上の場合に前記対象センサの異常を検知すること
    を特徴とする異常検知システム。
  5. 請求項１から４のいずれか１項に記載の異常検知システムであって、
    前記モデル生成装置は、前記複数のセンサから送信されるセンサデータを用いて前記モデルを所定のタイミングで更新し、更新後のモデルを前記異常検知装置に送信し、
    前記異常検知装置の推定部は、前記更新後のモデルを用いて、前記推定値を取得すること
    を特徴とする異常検知システム。
  6. 請求項１から５のいずれか１項に記載の異常検知システムであって、
    前記モデル生成装置は、前記センサ群のセンサデータから前記モデルの生成に使用するセンサを決定し、決定したセンサのセンサデータを用いて前記モデルを生成すること
    を特徴とする異常検知システム。
  7. 請求項１から６のいずれか１項に記載の異常検知システムであって、
    前記異常検知装置は、前記複数のセンサの付近に配置されること
    を特徴とする異常検知システム。
  8. 請求項１から７のいずれか１項に記載の異常検知システムであって、
    前記異常検知部は、前記対象センサの異常を検知した場合、前記対象センサをネットワークから切り離す制御を行うこと
    を特徴とする異常検知システム。
  9. 請求項８に記載の異常検知システムであって、
    前記推定部は、前記異常検知部が前記対象センサの異常を検知した場合、前記推定値を前記対象センサのセンサデータとして、外部装置に送信すること
    を特徴とする異常検知システム。
  10. 請求項１から９のいずれか１項に記載の異常検知システムであって、
    前記モデル生成装置は、前記複数のセンサから送信されるセンサデータを用いて、前記モデルを更新し、更新後のモデルをモデル保管装置に送信すること
    を特徴とする異常検知システム。
  11. 請求項１から１０のいずれか１項に記載の異常検知システムであって、
    前記モデル生成装置は、過去の異常時における前記複数のセンサのセンサデータを用いて、異常の種別を特定する分類モデルを生成し、
    前記異常検知部は、前記対象センサの異常を検知した場合、異常検知時点から所定の時間遡った前記センサ群のセンサデータおよび前記対象センサのセンサデータを、前記分類モデルに入力し、前記異常の種別を取得すること
    を特徴とする異常検知システム。
  12. 請求項１から１１のいずれか１項に記載の異常検知システムであって、
    前記モデル生成装置は、前記複数のセンサの位置情報に基づいて畳み込みニューラルネットワークを適用し、前記モデルを生成すること
    を特徴とする異常検知システム。
  13. センサの異常を検知するためのモデルを生成するモデル生成装置であって、
    複数のセンサからセンサデータを受信する受信部と、
    前記複数のセンサを対象センサと、前記対象センサ以外のセンサ群とに分けて、前記センサ群のセンサデータと前記対象センサのセンサデータとの相関を分析し、前記センサ群のセンサデータから前記対象センサのセンサデータを推定可能なモデルを生成するモデル生成部と、を備えること
    を特徴とするモデル生成装置。
  14. センサの異常を検知する異常検知装置であって、
    複数のセンサから、センサデータを受信する受信部と、
    前記複数のセンサを対象センサと、前記対象センサ以外のセンサ群とに分けて、前記センサ群のセンサデータと前記対象センサのセンサデータとの相関を分析し、前記センサ群のセンサデータから前記対象センサのセンサデータを推定可能なモデルを記憶する記憶部と、
    前記モデルに、前記受信部が受信した前記センサ群のセンサデータを入力し、前記対象センサのセンサデータの推定値を取得する推定部と、
    前記対象センサの推定値と、前記受信部が受信した前記対象センサのセンサデータとの差が、所定の閾値以上の場合に前記対象センサの異常を検知する異常検知部と、を備えること
    を特徴とする異常検知装置。
  15. モデル生成装置と、異常検知装置とを備える異常検知システムが行う異常検知方法であって、
    前記モデル生成装置は、複数のセンサを対象センサと、前記対象センサ以外のセンサ群とに分けて、前記センサ群のセンサデータと前記対象センサのセンサデータとの相関を分析し、前記センサ群のセンサデータから前記対象センサのセンサデータが推定可能なモデルを生成する生成ステップを行い、
    前記異常検知装置は、
    前記複数のセンサから、センサデータを受信する受信ステップと、
    前記モデルに、前記受信ステップで受信した前記センサ群のセンサデータを入力し、前記対象センサのセンサデータの推定値を取得する推定ステップと、
    前記対象センサの推定値と、前記受信ステップで受信した前記対象センサのセンサデータとの差が、所定の閾値以上の場合に前記対象センサの異常を検知する異常検知ステップと、を行うこと
    を特徴とする異常検知方法。
  16. コンピュータが実行する、センサの異常を検知するためのモデルを生成するモデル生成プログラムであって、
    前記コンピュータを、
    複数のセンサからセンサデータを受信する受信部、および、
    前記複数のセンサを対象センサと、前記対象センサ以外のセンサ群とに分けて、前記センサ群のセンサデータと前記対象センサのセンサデータとの相関を分析し、前記センサ群のセンサデータから前記対象センサのセンサデータを推定可能なモデルを生成するモデル生成部、として機能させること
    を特徴とするモデル生成プログラム。
  17. コンピュータが実行する、センサの異常を検知する異常検知プログラムであって、
    前記コンピュータを、
    複数のセンサから、センサデータを受信する受信部、
    前記複数のセンサを対象センサと、前記対象センサ以外のセンサ群とに分けて、前記センサ群のセンサデータと前記対象センサのセンサデータとの相関を分析し、前記センサ群のセンサデータから前記対象センサのセンサデータを推定可能なモデルを記憶する記憶部、
    前記モデルに、前記受信部が受信した前記センサ群のセンサデータを入力し、前記対象センサのセンサデータの推定値を取得する推定部、および、
    前記対象センサの推定値と、前記受信部が受信した前記対象センサのセンサデータとの差が、所定の閾値以上の場合に前記対象センサの異常を検知する異常検知部、として機能させること
    を特徴とする異常検知プログラム。
JP2016099638A 2016-05-18 2016-05-18 異常検知システム、モデル生成装置、異常検知装置、異常検知方法、モデル生成プログラム、および、異常検知プログラム Active JP6847591B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2016099638A JP6847591B2 (ja) 2016-05-18 2016-05-18 異常検知システム、モデル生成装置、異常検知装置、異常検知方法、モデル生成プログラム、および、異常検知プログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2016099638A JP6847591B2 (ja) 2016-05-18 2016-05-18 異常検知システム、モデル生成装置、異常検知装置、異常検知方法、モデル生成プログラム、および、異常検知プログラム

Publications (2)

Publication Number Publication Date
JP2017207904A true JP2017207904A (ja) 2017-11-24
JP6847591B2 JP6847591B2 (ja) 2021-03-24

Family

ID=60417243

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2016099638A Active JP6847591B2 (ja) 2016-05-18 2016-05-18 異常検知システム、モデル生成装置、異常検知装置、異常検知方法、モデル生成プログラム、および、異常検知プログラム

Country Status (1)

Country Link
JP (1) JP6847591B2 (ja)

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019138730A (ja) * 2018-02-08 2019-08-22 ファナック株式会社 温度計測装置
JP2019153080A (ja) * 2018-03-02 2019-09-12 富士通株式会社 異常センサ検出方法、異常センサ検出システム及び情報処理装置
CN110348536A (zh) * 2019-07-18 2019-10-18 广州大学 数据智能预测方法、装置、计算机设备及存储介质
KR102057081B1 (ko) * 2017-12-29 2019-12-18 한국외국어대학교 연구산학협력단 자동화 생산 라인의 작업 오류 검출 장치 및 방법
JP2020035109A (ja) * 2018-08-28 2020-03-05 中国電力株式会社 プラント監視システムおよびプラント監視方法
JP2020107001A (ja) * 2018-12-26 2020-07-09 株式会社日立製作所 監視モデル更新方法、監視システム、および監視装置
CN111712817A (zh) * 2017-12-18 2020-09-25 贝宝公司 用于基于系统调用的进程监视的空间和时间卷积网络
JP2020181256A (ja) * 2019-04-23 2020-11-05 Kddi株式会社 複数のセンサの時系列の計測値群における欠損値を補完するプログラム、装置及び方法
JP2021039529A (ja) * 2019-09-03 2021-03-11 株式会社小松製作所 学習済みモデルの製造方法、生産システム、異常判定装置、及び異常判定方法
WO2021065754A1 (ja) * 2019-09-30 2021-04-08 ダイキン工業株式会社 データ収集システム及びデータ収集方法
JP2021124901A (ja) * 2020-02-04 2021-08-30 沖電気工業株式会社 データ分析装置、プログラム及び方法
JPWO2021177306A1 (ja) * 2020-03-06 2021-09-10
JP2021135780A (ja) * 2020-02-27 2021-09-13 株式会社東芝 状態監視装置、方法及びプログラム
JP2021144433A (ja) * 2020-03-11 2021-09-24 ポート・アンド・アンカー株式会社 構造物の異常判別方法及び異常判別システム
JP2021529395A (ja) * 2018-06-29 2021-10-28 ローベルト ボツシユ ゲゼルシヤフト ミツト ベシユレンクテル ハフツングＲｏｂｅｒｔ Ｂｏｓｃｈ Ｇｍｂｈ 電気駆動システムにおけるセンサ故障を監視及び識別するための方法
JP2022023714A (ja) * 2020-07-27 2022-02-08 トヨタ自動車株式会社 教師データ作成装置、教師データ作成方法及びプログラム
CN114338284A (zh) * 2021-12-24 2022-04-12 深圳尊悦智能科技有限公司 物联网5g智能网关
JPWO2022138775A1 (ja) * 2020-12-25 2022-06-30
WO2022172452A1 (ja) * 2021-02-15 2022-08-18 三菱電機株式会社 データ処理装置及びデータ処理方法
JP2022548227A (ja) * 2019-09-11 2022-11-17 シー３．エーアイ， インコーポレイテッド 製造プロセスリスクを予測するためのシステムおよび方法
EP4105751A2 (en) 2021-06-14 2022-12-21 Hitachi, Ltd. Abnormality detection system and abnormality detection method
JP7199609B1 (ja) * 2022-04-25 2023-01-05 三菱電機株式会社 異常診断方法、異常診断装置、異常診断プログラム、および、異常診断システム
US11676071B2 (en) 2020-06-30 2023-06-13 Oracle International Corporation Identifying and ranking anomalous measurements to identify faulty data sources in a multi-source environment
JP2023106444A (ja) * 2018-09-18 2023-08-01 横河電機株式会社 情報処理システム、情報処理方法及び情報処理装置
WO2024252850A1 (ja) * 2023-06-06 2024-12-12 株式会社日立製作所 異常検知装置
WO2025074502A1 (ja) * 2023-10-03 2025-04-10 日立Astemo株式会社 異常判別装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11161327A (ja) * 1997-11-28 1999-06-18 Mitsubishi Chemical Corp プロセスの異常診断方法及び装置
JP2004265009A (ja) * 2003-02-28 2004-09-24 Mitsubishi Electric Corp 診断システム
JP2005351618A (ja) * 2005-07-07 2005-12-22 Mitsubishi Electric Corp 流体回路診断方法
JP2007156881A (ja) * 2005-12-06 2007-06-21 Yamatake Corp 制御系解析装置およびプログラム
JP2010287011A (ja) * 2009-06-11 2010-12-24 Hitachi Ltd 装置異常監視方法及びシステム
JP4872944B2 (ja) * 2008-02-25 2012-02-08 日本電気株式会社 運用管理装置、運用管理システム、情報処理方法、及び運用管理プログラム
JP2012158700A (ja) * 2011-02-01 2012-08-23 Ihi Corp 温度制御装置および温度制御方法
JP2015018389A (ja) * 2013-07-10 2015-01-29 株式会社日立パワーソリューションズ 異常予兆診断装置及び異常予兆診断方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11161327A (ja) * 1997-11-28 1999-06-18 Mitsubishi Chemical Corp プロセスの異常診断方法及び装置
JP2004265009A (ja) * 2003-02-28 2004-09-24 Mitsubishi Electric Corp 診断システム
JP2005351618A (ja) * 2005-07-07 2005-12-22 Mitsubishi Electric Corp 流体回路診断方法
JP2007156881A (ja) * 2005-12-06 2007-06-21 Yamatake Corp 制御系解析装置およびプログラム
JP4872944B2 (ja) * 2008-02-25 2012-02-08 日本電気株式会社 運用管理装置、運用管理システム、情報処理方法、及び運用管理プログラム
JP2010287011A (ja) * 2009-06-11 2010-12-24 Hitachi Ltd 装置異常監視方法及びシステム
JP2012158700A (ja) * 2011-02-01 2012-08-23 Ihi Corp 温度制御装置および温度制御方法
JP2015018389A (ja) * 2013-07-10 2015-01-29 株式会社日立パワーソリューションズ 異常予兆診断装置及び異常予兆診断方法

Cited By (47)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111712817A (zh) * 2017-12-18 2020-09-25 贝宝公司 用于基于系统调用的进程监视的空间和时间卷积网络
CN111712817B (zh) * 2017-12-18 2024-01-23 贝宝公司 用于基于系统调用的进程监视的空间和时间卷积网络
KR102057081B1 (ko) * 2017-12-29 2019-12-18 한국외국어대학교 연구산학협력단 자동화 생산 라인의 작업 오류 검출 장치 및 방법
US11280679B2 (en) 2018-02-08 2022-03-22 Fanuc Corporation Temperature measuring device
JP2019138730A (ja) * 2018-02-08 2019-08-22 ファナック株式会社 温度計測装置
JP2019153080A (ja) * 2018-03-02 2019-09-12 富士通株式会社 異常センサ検出方法、異常センサ検出システム及び情報処理装置
JP7127301B2 (ja) 2018-03-02 2022-08-30 富士通株式会社 異常センサ検出方法、異常センサ検出システム及び情報処理装置
JP2021529395A (ja) * 2018-06-29 2021-10-28 ローベルト ボツシユ ゲゼルシヤフト ミツト ベシユレンクテル ハフツングＲｏｂｅｒｔ Ｂｏｓｃｈ Ｇｍｂｈ 電気駆動システムにおけるセンサ故障を監視及び識別するための方法
JP7121592B2 (ja) 2018-08-28 2022-08-18 中国電力株式会社 プラント監視システムおよびプラント監視方法
JP2020035109A (ja) * 2018-08-28 2020-03-05 中国電力株式会社 プラント監視システムおよびプラント監視方法
JP7481537B2 (ja) 2018-09-18 2024-05-10 横河電機株式会社 情報処理システム、情報処理方法及び情報処理装置
JP2023106444A (ja) * 2018-09-18 2023-08-01 横河電機株式会社 情報処理システム、情報処理方法及び情報処理装置
JP2020107001A (ja) * 2018-12-26 2020-07-09 株式会社日立製作所 監視モデル更新方法、監視システム、および監視装置
JP6994812B2 (ja) 2019-04-23 2022-01-14 Kddi株式会社 複数のセンサの時系列の計測値群における欠損値を補完するプログラム、装置及び方法
JP2020181256A (ja) * 2019-04-23 2020-11-05 Kddi株式会社 複数のセンサの時系列の計測値群における欠損値を補完するプログラム、装置及び方法
JP2021018821A (ja) * 2019-07-18 2021-02-15 ▲広▼州大学 データインテリジェント予測方法、装置、コンピュータ機器及び記憶媒体
CN110348536A (zh) * 2019-07-18 2019-10-18 广州大学 数据智能预测方法、装置、计算机设备及存储介质
JP2021039529A (ja) * 2019-09-03 2021-03-11 株式会社小松製作所 学習済みモデルの製造方法、生産システム、異常判定装置、及び異常判定方法
JP7263185B2 (ja) 2019-09-03 2023-04-24 株式会社小松製作所 学習済みモデルの製造方法、生産システム、異常判定装置、及び異常判定方法
US12181866B2 (en) 2019-09-11 2024-12-31 C3.Ai, Inc. Systems and methods for predicting manufacturing process risks
JP7682168B2 (ja) 2019-09-11 2025-05-23 シー３．エーアイ， インコーポレイテッド 製造プロセスリスクを予測するためのシステムおよび方法
JP2022548227A (ja) * 2019-09-11 2022-11-17 シー３．エーアイ， インコーポレイテッド 製造プロセスリスクを予測するためのシステムおよび方法
WO2021065754A1 (ja) * 2019-09-30 2021-04-08 ダイキン工業株式会社 データ収集システム及びデータ収集方法
JP2021124901A (ja) * 2020-02-04 2021-08-30 沖電気工業株式会社 データ分析装置、プログラム及び方法
JP7359009B2 (ja) 2020-02-04 2023-10-11 沖電気工業株式会社 データ分析装置、プログラム及び方法
JP2021135780A (ja) * 2020-02-27 2021-09-13 株式会社東芝 状態監視装置、方法及びプログラム
JPWO2021177306A1 (ja) * 2020-03-06 2021-09-10
JP7637116B2 (ja) 2020-03-06 2025-02-27 株式会社 堀場アドバンスドテクノ 測定装置、センサ出力監視方法及びセンサ出力監視プログラム
JP2021144433A (ja) * 2020-03-11 2021-09-24 ポート・アンド・アンカー株式会社 構造物の異常判別方法及び異常判別システム
US11676071B2 (en) 2020-06-30 2023-06-13 Oracle International Corporation Identifying and ranking anomalous measurements to identify faulty data sources in a multi-source environment
US12561584B2 (en) 2020-07-27 2026-02-24 Toyota Jidosha Kabushiki Kaisha Teaching data preparation device, teaching data preparation method, and program
JP2022023714A (ja) * 2020-07-27 2022-02-08 トヨタ自動車株式会社 教師データ作成装置、教師データ作成方法及びプログラム
JP7024829B2 (ja) 2020-07-27 2022-02-24 トヨタ自動車株式会社 教師データ作成装置、教師データ作成方法及びプログラム
JP7590461B2 (ja) 2020-12-25 2024-11-26 ファナック株式会社 異常分類装置
JPWO2022138775A1 (ja) * 2020-12-25 2022-06-30
WO2022172452A1 (ja) * 2021-02-15 2022-08-18 三菱電機株式会社 データ処理装置及びデータ処理方法
JP7350198B2 (ja) 2021-02-15 2023-09-25 三菱電機株式会社 データ処理装置及びデータ処理方法
JPWO2022172452A1 (ja) * 2021-02-15 2022-08-18
JP7614025B2 (ja) 2021-06-14 2025-01-15 株式会社日立製作所 異常検知システム
EP4105751A2 (en) 2021-06-14 2022-12-21 Hitachi, Ltd. Abnormality detection system and abnormality detection method
JP2022190376A (ja) * 2021-06-14 2022-12-26 株式会社日立製作所 異常検知システムおよび方法
CN114338284A (zh) * 2021-12-24 2022-04-12 深圳尊悦智能科技有限公司 物联网5g智能网关
JP7199609B1 (ja) * 2022-04-25 2023-01-05 三菱電機株式会社 異常診断方法、異常診断装置、異常診断プログラム、および、異常診断システム
TWI861824B (zh) * 2022-04-25 2024-11-11 日商三菱電機股份有限公司 異常診斷方法、異常診斷裝置以及異常診斷程式
WO2023209774A1 (ja) * 2022-04-25 2023-11-02 三菱電機株式会社 異常診断方法、異常診断装置、および、異常診断プログラム
WO2024252850A1 (ja) * 2023-06-06 2024-12-12 株式会社日立製作所 異常検知装置
WO2025074502A1 (ja) * 2023-10-03 2025-04-10 日立Astemo株式会社 異常判別装置

Also Published As

Publication number Publication date
JP6847591B2 (ja) 2021-03-24

Similar Documents

Publication Publication Date Title
JP2017207904A (ja) 異常検知システム、モデル生成装置、異常検知装置、異常検知方法、モデル生成プログラム、および、異常検知プログラム
EP3654186B1 (en) Automated identification of device status and resulting dynamic modification of device operations
US11409962B2 (en) System and method for automated insight curation and alerting
EP3462267B1 (en) Anomaly diagnosis method and anomaly diagnosis apparatus
JP6113286B2 (ja) 検出システム
US20100100521A1 (en) Diagnostic system
CN118631873B (zh) 一种基于云技术的物联网平台的数据管理系统
JP5277667B2 (ja) 障害分析システム、障害分析方法、障害分析サーバおよび障害分析プログラム
US11899444B2 (en) Real-time alerts and transmission of selected signal samples under a dynamic capacity limitation
US10990090B2 (en) Apparatus and method for automatic detection and classification of industrial alarms
JP2017021790A (ja) 隠れマルコフモデルの混合を使用する検証および異常検出のためのシステムおよび方法
CN119156840A (zh) 用于检测用户设备的遗弃的系统
Karthik et al. Data trust model for event detection in wireless sensor networks using data correlation techniques
US12530599B2 (en) Accuracy of multivariate approach for time-series based forecasting
CN115801557A (zh) 故障根因定位方法、装置及可读存储介质
Han et al. An intelligent signal processing data denoising method for control systems protection in the industrial Internet of Things
JP2012186667A (ja) ネットワーク障害検出装置、ネットワーク障害検出装置のネットワーク障害検出方法およびネットワーク障害検出プログラム
KR101996237B1 (ko) 분산처리를 통한 IoT 센서 디바이스 및 플랫폼
JP7481537B2 (ja) 情報処理システム、情報処理方法及び情報処理装置
US11210566B2 (en) Training apparatus, training method and recording medium
JP5625962B2 (ja) 作業者異常発生検知装置、作業者異常発生検知方法、及びプログラム
JP2013011987A (ja) 異常状態検知装置及び異常状態検知方法
JP7167714B2 (ja) 異常判定装置、異常判定方法、及び異常判定プログラム
US20160195857A1 (en) Apparatus and method for model adaptation
JP2012037991A (ja) 予測装置、予測システム及びプログラム

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20190123

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20191206

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20191218

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200214

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20200728

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20210224

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20210303

R150 Certificate of patent or registration of utility model

Ref document number: 6847591

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

S533 Written request for registration of change of name

Free format text: JAPANESE INTERMEDIATE CODE: R313533

R350 Written notification of registration of transfer

Free format text: JAPANESE INTERMEDIATE CODE: R350

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250