JP7532994B2 - 異常検知システム、情報処理装置および情報処理プログラム - Google Patents

Description

本発明は、任意の検知対象に生じ得る異常を検知する異常検知システム、異常検知システムを構成する情報処理装置、および情報処理装置を実現するための情報処理プログラムに関する。

様々な生産現場において、何らかの理由によって、本来とは異なる変化や通常とは異なる変化が生じることがある。このような変化の発生を事前に予測して、何らかの対処をとることができると、生産設備の性能維持や製品の品質確保などに有益である。

このような事前の予測には、機械学習により生成される異常検知モデルが用いられる。通常、異常検知モデルを運用するにあたっては、予め収集した検知対象のデータを解析して正常範囲などが決定される。

このような異常検知モデルに関して、国際公開第２０１６／１４３１１８号（特許文献１）は、メンテナンスの前後で正常モデルが変化することに伴う異常検知性能が悪化する問題に対して、メンテナンス後でも異常検知性能を保てるように、センサの取り付けを支援する技術を開示する。

国際公開第２０１６／１４３１１８号

何らかの異常を検知するための異常検知モデルの生成に必要なデータ解析は、統計処理などの専門知識が必要であり、そのため、データ解析の結果は個人のスキルに依存し、異常検知の精度を十分に確保できない場合もある。

上述の特許文献１に開示される技術は、既に生成されたモデルの異常検知性能をメンテナンスの前後において保てるようにするものであり、異常検知モデルの生成方法について言及するものではない。

本発明の一つの目的は、専門知識が少ないユーザであっても、異常検知モデルを容易に作成できるシステムを提供することである。

本発明の一例に従う異常検知システムは、検知対象に生じ得る異常を検知するための異常検知モデルの生成に用いられるモデル生成情報を格納した情報格納手段を含む。モデル生成情報は、対象の機構を特定するための情報と、当該対象の機構の正常状態における特徴量の分布を規定する情報とを含む。異常検知システムは、情報格納手段に格納されたモデル生成情報のうち検知対象に適したモデル生成情報に、検知対象に関する実績データを適用することで、異常検知モデルを生成するモデル生成手段と、生成された異常検知モデルに基づいて検知対象に何らかの異常が発生しているか否かを判断する異常検知手段とを含む。

この構成によれば、情報格納手段から検知対象に適したモデル生成情報を取得し、当該取得したモデル生成情報に検知対象に関する実績データを適用することで、異常検知モデルを生成できるので、専門知識が少ないユーザであっても、異常検知モデルを容易に作成できる。

モデル生成情報は、検知対象について算出される特徴量を特定する情報を含んでいてもよい。この構成によれば、検知対象に関連付けられた１または複数の実績データから異常検知に適した特徴量を容易に決定できる。

モデル生成情報は、対象の機構が正常状態から異常状態へ変化する特性を特定する情報を含んでいてもよい。この構成によれば、何らかの異常が発生しているか否かを判断するための条件を容易に決定できる。

異常検知システムは、検知対象に関する実績データを収集する収集手段をさらに含む。この構成によれば、異常検知モデルを生成する処理とは独立して、検知対象に関する実績データを収集できる。

モデル生成手段は、モデル生成情報に含まれる特徴量の分布を規定する情報に基づいて、学習データセットを生成するようにしてもよい。この構成によれば、異常検知モデルが参照する学習データセットを統計的に生成できる。

モデル生成手段は、検知対象に関する実績データに基づいて算出される統計量をモデル生成情報に含まれる特徴量の分布を規定する情報に反映することで、学習データセットを生成するようにしてもよい。この構成によれば、検知対象に関する実績データを反映した学習データセットを生成できる。

モデル生成情報は、対象の機構を実験して得られた結果に基づいて生成されてもよい。この構成によれば、対象の機構を現実に実験して得られた結果に基づくので、生成される異常検知モデルの信頼性をより高めることができる。

対象の機構を実験して得られた結果を拡張することで、適用条件の異なる複数のモデル生成情報が生成されてもよい。この構成によれば、十分に実験ができない場合でも、適用条件の異なる複数のモデル生成情報を生成できる。

本発明の別の一例に従えば、検知対象に生じ得る異常を検知するための異常検知モデルを生成するための情報処理装置が提供される。情報処理装置は、検知対象に生じ得る異常を検知するための異常検知モデルの生成に用いられるモデル生成情報を格納した情報格納手段にアクセスするアクセス手段を含む。モデル生成情報は、対象の機構を特定するための情報と、当該対象の機構の正常状態における特徴量の分布を規定する情報とを含む、情報処理装置は、情報格納手段に格納されたモデル生成情報のうち検知対象に適したモデル生成情報に、検知対象に関する実績データを適用することで、異常検知モデルを生成するモデル生成手段を含む。

本発明のさらに別の一例に従えば、検知対象に生じ得る異常を検知するための異常検知モデルを生成するための情報処理プログラムが提供される。情報処理プログラムは、コンピュータに、検知対象に生じ得る異常を検知するための異常検知モデルの生成に用いられるモデル生成情報を格納した情報格納手段にアクセスするステップを実行させる。モデル生成情報は、対象の機構を特定するための情報と、当該対象の機構の正常状態における特徴量の分布を規定する情報とを含む。情報処理プログラムは、コンピュータに、情報格納手段に格納されたモデル生成情報のうち検知対象に適したモデル生成情報に、検知対象に関する実績データを適用することで、異常検知モデルを生成するステップを実行させる。

本発明によれば、専門知識が少ないユーザであっても、異常検知モデルを容易に作成できる。

本実施の形態に係る異常検知システムの全体構成例を示す模式図である。 本実施の形態に係る異常検知システムにおける異常検知モデルの生成処理の概略を示す模式図である。 本実施の形態に係る異常検知システムを構成する制御装置のハードウェア構成例を示すブロック図である。 本実施の形態に係る異常検知システムを構成するサポート装置のハードウェア構成例を示すブロック図である。 本実施の形態に係る異常検知システムを構成する制御装置およびサポート装置のソフトウェア構成例を示すブロック図である。 本実施の形態に係る異常検知システムにおいて使用されるモデル生成情報の一例を説明するための図である。 本実施の形態に係る異常検知モデルの生成方法のうちモデル生成情報の事前準備に係る処理手順を示すフローチャートである。 本実施の形態に係る異常検知モデルの生成方法に従って生成されたモデル生成情報のいくつかの例を示す図である。 本実施の形態に係る異常検知モデルの生成方法に従って収集された実験データおよび異常検知モデルの一例を示す図である。 本実施の形態に係る異常検知モデルの生成方法におけるロバスト性拡張の一例を説明するための図である。 本実施の形態に係る異常検知モデルの生成方法のうち異常検知モデルの生成に係る処理手順を示すフローチャートである。 本実施の形態に係る異常検知モデルの生成方法における学習データセットを生成する方法を説明するための図である。 本実施の形態に係る異常検知モデルの生成方法のうち異常検知モデルの生成に係る別の処理手順を示すフローチャートである。

本発明の実施の形態について、図面を参照しながら詳細に説明する。なお、図中の同一または相当部分については、同一符号を付してその説明は繰り返さない。

＜Ａ．適用例＞
まず、本発明が適用される場面の一例について説明する。

本実施の形態に係る予測機能を有する制御システムの主要な局面について説明する。以下の説明においては、主として、制御システムが有している異常検知機能に注目して説明するので、制御システム全体を「異常検知システム」とも称する。

図１は、本実施の形態に係る異常検知システム１の全体構成例を示す模式図である。図１を参照して、本実施の形態に係る異常検知システム１は、主たる構成要素として、制御対象を制御する制御装置１００と、制御装置１００に接続されるサポート装置２００とを含む。

制御装置１００は、ＰＬＣ（プログラマブルコントローラ）などの、一種のコンピュータとして具現化されてもよい。制御装置１００は、フィールドバス２を介してフィールド装置群１０と接続されるとともに、フィールドバス４を介して１または複数の表示装置４００と接続されてもよい。なお、表示装置４００はオプショナルな構成であり、異常検知システム１に必須ではない。

制御装置１００は、設備や機械を制御するための各種演算を実行する制御ロジック（以下、「ＰＬＣエンジン」とも称す。）を有している。ＰＬＣエンジンに加えて、制御装置１００は、フィールド装置群１０にて計測され、制御装置１００へ転送されるデータ（以下、「入力データ」とも称す。）を収集する収集機能を有している。さらに、制御装置１００は、収集した入力データに基づいて異常を検知する異常検知機能も有している。

具体的には、制御装置１００に実装される時系列データベース（以下、「ＴＳＤＢ（Time Series Data Base）」とも記す。）１３０が収集機能を提供し、制御装置１００に実装される異常検知エンジン１５０が異常検知機能を提供する。ＴＳＤＢ１４０および異常検知エンジン１５０の詳細については後述する。

フィールドバス２およびフィールドバス４は、産業用の通信プロトコルを採用することが好ましい。このような通信プロトコルとしては、ＥｔｈｅｒＣＡＴ（登録商標）、ＥｔｈｅｒＮｅｔ／ＩＰ（登録商標）、ＤｅｖｉｃｅＮｅｔ（登録商標）、ＣｏｍｐｏＮｅｔ（登録商標）などが知られている。

フィールド装置群１０は、制御対象または制御に関連する製造装置や生産ラインなど（以下、「フィールド」とも総称する。）から入力データを収集する装置を含む。このような入力データを収集する装置としては、入力リレーや各種センサなどが想定される。フィールド装置群１０は、制御装置１００にて生成される指令（以下、「出力データ」とも称す。）に基づいて、フィールドに対して何らかの作用を与える装置を含む。このようなフィールドに対して何らかの作用を与える装置としては、出力リレー、コンタクタ、サーボドライバおよびサーボモータ、その他任意のアクチュエータが想定される。これらのフィールド装置群１０は、フィールドバス２を介して、制御装置１００との間で、入力データおよび出力データを含む任意のデータをやり取りする。

図１に示す構成例においては、フィールド装置群１０は、リモートＩ／Ｏ（Input/Output）装置１２と、リレー群１４と、画像センサ１８およびカメラ２０と、サーボドライバ２２およびサーボモータ２４とを含む。

リモートＩ／Ｏ装置１２は、フィールドバス２を介して通信を行う通信部と、入力データの収集および出力データの出力を行うための入出力部（以下、「Ｉ／Ｏユニット」とも称す。）とを含む。このようなＩ／Ｏユニットを介して、制御装置１００とフィールドとの間で入力データおよび出力データがやり取りされる。図１には、リレー群１４を介して、入力データおよび出力データとして、デジタル信号がやり取りされる例が示されている。

Ｉ／Ｏユニットは、フィールドバスに直接接続されるようにしてもよい。図１には、フィールドバス２にＩ／Ｏユニット１６が直接接続されている例を示す。

画像センサ１８は、カメラ２０によって撮像された画像データに対して、パターンマッチングなどの画像計測処理を行って、その処理結果を制御装置１００へ送信する。

サーボドライバ２２は、制御装置１００からの出力データ（例えば、位置指令など）に従って、サーボモータ２４を駆動する。

上述のように、フィールドバス２を介して、制御装置１００とフィールド装置群１０との間で任意のデータがやり取りされることになるが、これらのやり取りされるデータは、数百μｓｅｃオーダ～数十ｍｓｅｃオーダのごく短い周期で更新されることになる。なお、このようなやり取りされるデータの更新処理を、「Ｉ／Ｏリフレッシュ処理」と称することもある。

フィールドバス４を介して制御装置１００と接続される表示装置４００は、ユーザからの操作を受けて、制御装置１００に対してユーザ操作に応じたコマンドなどを送信するとともに、制御装置１００での演算結果などをグラフィカルに表示する。

サポート装置２００は、制御装置１００が制御対象を制御するために必要な準備を支援する情報処理装置（コンピュータの一例）である。具体的には、サポート装置２００は、制御装置１００で実行されるユーザプログラムの開発を支援する機能（プログラム作成編集ツール、パーサ、コンパイラなど）、制御装置１００および制御装置１００に接続される各種デバイスのパラメータ（コンフィギュレーション）の設定を支援する機能、生成したユーザプログラムを制御装置１００へ送信する機能、制御装置１００上で実行されるユーザプログラムなどをオンラインで修正・変更する機能、などを提供する。

本実施の形態に係るサポート装置２００は、制御装置１００に実装される異常検知エンジン１５０（異常検知モデルを用いて実現される）の生成および更新を支援するための機能を有している。すなわち、サポート装置２００は、検知対象に生じ得る異常を検知するための異常検知モデルを生成する。

サポート装置２００は、ネットワークなどを介してモデル情報サーバ３００に接続可能になっている。

モデル情報サーバ３００は、異常検知エンジン１５０を実現するために必要な異常検知モデルを生成するための情報を提供する。より具体的には、モデル情報サーバ３００は、異常検知モデルの生成に用いられるモデル生成情報を格納したモデル情報データベース３３０を有している。モデル情報データベース３３０は、モデル生成情報を格納した情報格納手段に相当する。

なお、モデル情報サーバ３００は、インターネット６などを介してクラウド上に配置してもよいし、サポート装置２００の一部として実装してもよい。すなわち、モデル情報サーバ３００の実装形態はどのようなものであってもよい。

異常検知モデルを作成する場合には、まず、フィールド装置群１０から検知対象に関する時系列データである実績データが収集されて、ＴＳＤＢ１４０に格納される（（１）実績データ収集）。ＴＳＤＢ１４０は、検知対象に関する実績データを収集する収集手段に相当する。ＴＳＤＢ１４０に格納された実績データは、サポート装置２００へ転送される（（２）実績データ取得）。

ユーザは、サポート装置２００を操作することで、モデル情報サーバ３００のモデル情報データベース３３０を参照して、適切なモデル生成情報を取得する（（３）モデル情報ＤＢ参照）。そして、サポート装置２００は、ユーザ操作に応じて、異常検知モデルを生成し（（４）モデル生成）、制御装置１００に転送する（（５）異常検知モデル転送）。これによって、制御装置１００に異常検知エンジン１５０が実現される。

図２は、本実施の形態に係る異常検知システム１における異常検知モデルの生成処理の概略を示す模式図である。図２を参照して、異常検知エンジン１５０を実現するための異常検知モデルの生成処理について概略する。

先に、異常検知の対象となる機構の耐久性などを事前実験することで、データ分布などを取得して、モデル生成情報として、モデル情報サーバ３００のモデル情報データベース３３０に登録する（ＳＴ１）。すなわち、モデル生成情報は、対象の機構を実験して得られた結果に基づいて生成される。モデル情報データベース３３０に登録されるモデル生成情報は、可能な限り充実していることが好ましい。

任意の検知対象について異常検知モデルを生成する場合には、まず、当該検知対象に関する実績データを収集する（ＳＴ２）。収集された実績データは、制御装置１００のＴＳＤＢ１４０に書き込まれる。

サポート装置２００は、ユーザ操作に応じて、モデル情報サーバ３００のモデル情報データベース３３０に登録されているモデル生成情報のうち適切なモデル生成情報を取得するとともに、制御装置１００のＴＳＤＢ１４０から対象の実績データを取得する。そして、サポート装置２００は、異常検知モデルを生成する（ＳＴ３）。

本実施の形態に係る異常検知システム１において、異常検知モデルは、異常検知用パラメータおよび学習データセットを含む。そのため、以下の説明においては、異常検知モデルを生成する処理は、異常検知用パラメータおよび学習データセットを生成する処理を含む。

本明細書において、「学習データセット」は、異常検知エンジン１５０において参照される教師データの集合を意味する。基本的には、「学習データセット」は、検知対象の本来の状態あるいは通常の状態を示す情報（すなわち、正常状態の情報）の集合である。但し、「学習データセット」は、検知対象の本来とは異なる状態あるいは通常とは異なる状態を示す情報（すなわち、異常状態の情報）を含んでいてもよい。この場合には、各情報について、正常状態あるいは異常状態のいずれであるかのラベルが付与される。

本明細書において、「異常検知用パラメータ」は、正常状態であるか異常状態であるかを判断する（あるいは、識別する）ためのしきい値を含む。「異常検知用パラメータ」は、正常状態であるか異常状態であるかを判断するために使用される特徴量などを指定する情報を含んでいてもよい。

本明細書において、「特徴量」は、検知対象に関連付けられた時系列データに含まれる任意情報を包含する用語であり、検知対象の状態を代表する１または複数次元の値を意味する。「特徴量」は、例えば、検知対象に関連付けられた時系列データについての、最大値、最小値、中間値、平均値、標準偏差、分散などを含み得る。なお、「特徴量」は、検知対象に関連付けられた時系列データそのものも含み得る。

なお、異常検知用パラメータおよび学習データセットの具体例については後述する。
生成された異常検知モデルは、サポート装置２００から制御装置１００へ転送される。

制御装置１００は、サポート装置２００から提供された異常検知モデルを用いて、異常検知エンジン１５０を実現する。これによって、制御装置１００では、異常検知の運用が開始される（ＳＴ４）。

制御装置１００の異常検知エンジン１５０は、生成された異常検知モデルに基づいて検知対象に何らかの異常が発生しているか否かを判断する異常検知手段に相当する。より具体的には、異常検知エンジン１５０は、異常検知モデルに含まれる異常検知用パラメータに従って、１または複数の入力データから１または複数の特徴量を算出し、算出された１または複数の特徴量に基づいて、異常の有無を判断する。この異常の有無の判断には、異常検知モデルに含まれる学習データセットが参照される。

＜Ｂ．ハードウェア構成例＞
次に、本実施の形態に係る異常検知システム１を構成する主要な装置のハードウェア構成例について説明する。

（ｂ１：制御装置１００のハードウェア構成例）
図３は、本実施の形態に係る異常検知システム１を構成する制御装置１００のハードウェア構成例を示すブロック図である。図３を参照して、制御装置１００は、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro-Processing Unit）などのプロセッサ１０２と、チップセット１０４と、主記憶装置１０６と、二次記憶装置１０８と、ネットワークコントローラ１１０と、ＵＳＢ（Universal Serial Bus）コントローラ１１２と、メモリカードインターフェイス１１４と、内部バスコントローラ１２２と、フィールドバスコントローラ１１８，１２０と、Ｉ／Ｏユニット１２４－１，１２４－２，…とを含む。

プロセッサ１０２は、二次記憶装置１０８に格納された各種プログラムを読み出して、主記憶装置１０６に展開して実行することで、ＰＬＣエンジン１３０および異常検知エンジン１５０を実現する。チップセット１０４は、プロセッサ１０２と各コンポーネントとのデータ伝送などを制御する。

二次記憶装置１０８には、ＰＬＣエンジン１３０および異常検知エンジン１５０を実現するためのシステムプログラム１２６に加えて、ＰＬＣエンジン１３０を利用して実行されるユーザプログラム１３２が格納される。さらに、二次記憶装置１０８には、ＴＳＤＢ１４０を実現するための記憶領域も確保される。

ネットワークコントローラ１１０は、ネットワークを介した別の装置とのデータのやり取りを制御する。ＵＳＢコントローラ１１２は、ＵＳＢ接続を介したサポート装置２００とのデータのやり取りを制御する。

メモリカードインターフェイス１１４は、メモリカード１１６を着脱可能に構成されており、メモリカード１１６に対してデータを書き込み、メモリカード１１６から各種データ（ユーザプログラムやトレースデータなど）を読み出すことが可能になっている。

内部バスコントローラ１２２は、制御装置１００に搭載されるＩ／Ｏユニット１２４－１，１２４－２，…との間でデータをやり取りするインターフェイスである。

フィールドバスコントローラ１１８は、フィールドバス２を介した別の装置とのデータのやり取りを制御する。同様に、フィールドバスコントローラ１２０は、フィールドバス４を介した別の装置とのデータのやり取りを制御する。

図３には、プロセッサ１０２がプログラムを実行することで必要な機能が提供される構成例を示したが、これらの提供される機能の一部または全部を、専用のハードウェア回路（例えば、ＡＳＩＣ（Application Specific Integrated Circuit）またはＦＰＧＡ（Field-Programmable Gate Array）など）を用いて実装してもよい。あるいは、制御装置１００の主要部を、汎用的なアーキテクチャに従うハードウェア（例えば、汎用パソコンをベースとした産業用パソコン）を用いて実現してもよい。この場合には、仮想化技術を用いて、用途の異なる複数のＯＳ（Operating System）を並列的に実行させるとともに、各ＯＳ上で必要なアプリケーションを実行させるようにしてもよい。

（ｂ２：サポート装置２００のハードウェア構成例）
本実施の形態に係るサポート装置２００は、一例として、汎用的なアーキテクチャに従うハードウェア（例えば、汎用パソコン）を用いてプログラムを実行することで実現される。

図４は、本実施の形態に係る異常検知システム１を構成するサポート装置２００のハードウェア構成例を示すブロック図である。図４を参照して、サポート装置２００は、ＣＰＵやＭＰＵなどのプロセッサ２０２と、光学ドライブ２０４と、主記憶装置２０６と、二次記憶装置２０８と、ＵＳＢコントローラ２１２と、ローカルネットワークコントローラ２１４と、入力部２１６と、表示部２１８とを含む。これらのコンポーネントは、バス２２０を介して接続される。

プロセッサ２０２は、二次記憶装置２０８に格納された各種プログラムを読み出して、主記憶装置２０６に展開して実行することで、後述するような異常検知モデルの生成処理を含む各種処理を実現する。

二次記憶装置２０８は、例えば、ＨＤＤ（Hard Disk Drive）やＳＳＤ（Flash Solid State Drive）などで構成される。二次記憶装置２０８には、典型的には、サポート装置２００において実行されるユーザプログラムの作成、作成したユーザプログラムのデバッグ、システム構成の定義、各種パラメータの設定などを行うための開発プログラム２２２と、ユーザに対してデータを提示するとともに、ユーザからの指示を受け付けるＰＬＣインターフェイスプログラム２２４と、異常検知モデルの生成などを実現するためのモデル生成プログラム２２６と、ＯＳ２２８とが格納される。すなわち、ＰＬＣインターフェイスプログラム２２４およびモデル生成プログラム２２６は、検知対象に生じ得る異常を検知するための異常検知モデルを生成するための情報処理プログラムに相当する。なお、二次記憶装置２０８には、図４に示すプログラム以外の必要なプログラムが格納されてもよい。

サポート装置２００は、光学ドライブ２０４を有しており、コンピュータ読取可能なプログラムを非一過的に格納する記録媒体２０５（例えば、ＤＶＤ（Digital Versatile Disc）などの光学記録媒体）から、その中に格納されたプログラムが読み取られて二次記憶装置２０８などにインストールされる。

サポート装置２００で実行される各種プログラムは、コンピュータ読取可能な記録媒体２０５を介してインストールされてもよいが、ネットワーク上の任意のサーバからダウンロードする形でインストールするようにしてもよい。また、本実施の形態に係るサポート装置２００が提供する機能は、ＯＳが提供するモジュールの一部を利用する形で実現される場合もある。

ＵＳＢコントローラ２１２は、ＵＳＢ接続を介して制御装置１００とのデータのやり取りを制御する。ローカルネットワークコントローラ２１４は、任意のネットワークを介した別の装置とのデータのやり取りを制御する。

入力部２１６は、キーボードやマウスなどで構成され、ユーザ操作を受け付ける。表示部２１８は、ディスプレイ、各種インジケータ、プリンタなどで構成され、プロセッサ２０２からの処理結果などを出力する。

図４には、プロセッサ２０２がプログラムを実行することで必要な機能が提供される構成例を示したが、これらの提供される機能の一部または全部を、専用のハードウェア回路（例えば、ＡＳＩＣまたはＦＰＧＡなど）を用いて実装してもよい。

＜Ｃ．ソフトウェア構成例／機能構成例＞
次に、本実施の形態に係る異常検知システム１を構成する制御装置１００およびサポート装置２００のソフトウェア構成例および機能構成例について説明する。

図５は、本実施の形態に係る異常検知システム１を構成する制御装置１００およびサポート装置２００のソフトウェア構成例を示すブロック図である。

図５を参照して、制御装置１００は、主要な機能構成として、ＰＬＣエンジン１３０と、ＴＳＤＢ１４０と、異常検知エンジン１５０とを含む。

ＰＬＣエンジン１３０は、ユーザプログラム１３２を逐次解釈して、指定された制御演算を実行する。ＰＬＣエンジン１３０は、フィールド装置群１０などから収集される入力データを変数１３８の形で管理しており、変数１３８の値は所定周期毎に更新される。ＰＬＣエンジン１３０は、制御装置１００のプロセッサ１０２がシステムプログラム１２６（図３）を実行することで実現されてもよい。

異常検知機能の一部として、ユーザプログラム１３２は、特徴量生成命令１３４および書込命令１３６を含む。

特徴量生成命令１３４は、予め定められた１または複数の入力データから予め定められた１または複数の特徴量（例えば、所定時間に亘る平均値、最大値、最小値など）を生成するための命令を含む。生成された１または複数の特徴量は、異常検知エンジン１５０における異常検知処理に与えられる。

書込命令１３６は、フィールド装置群１０などから収集された１または複数の入力データをＴＳＤＢ１４０に順次書き込むための命令を含む。

ＴＳＤＢ１４０に順次書き込まれる１または複数の入力データの一部または全部は、実績データ１４２として出力することもできる。実績データ１４２は、サポート装置２００における異常検知モデルの生成処理でも利用される。

異常検知エンジン１５０は、異常検知用パラメータ１６０および学習データセット１６２を参照することで、異常検知機能を実現する。但し、異常検知エンジン１５０の基本的な処理自体は、制御装置１００のプロセッサ１０２がシステムプログラム１２６（図３）を実行することで実現されてもよい。

異常検知エンジン１５０は、検知対象の１または複数の特徴量が学習データセット１６２に含まれる正常状態を示す特徴量の集合から乖離している度合いを算出するとともに、異常検知用パラメータ１６０に含まれるしきい値などを判断基準として、何らかの異常が発生しているか否かを判断する。異常検知エンジン１５０は、何らかの異常が発生していると判断（異常を検知）すると、その旨をＰＬＣエンジン１３０へ通知し、あるいは、変数１３８のうち予め定められた値を、異常を示す値に変更する。

一方、サポート装置２００は、主要な機能構成として、ＰＬＣインターフェイス機能２３０と、解析機能２４０とを含む。

ＰＬＣインターフェイス機能２３０は、制御装置１００から実績データ１４２を取得する処理、および、生成した異常検知モデル（異常検知用パラメータ１６０および学習データセット１６２）を制御装置１００へ転送する処理などを担当する。ＰＬＣインターフェイス機能２３０は、典型的には、サポート装置２００のプロセッサ２０２がＰＬＣインターフェイスプログラム２２４（図４）を実行することで実現される。

解析機能２４０は、モデル情報サーバ３００から取得したモデル生成情報と、制御装置１００から取得した実績データ１４２とを用いて、異常検知モデル（異常検知用パラメータ１６０および学習データセット１６２）を生成する。すなわち、解析機能２４０は、モデル情報サーバ３００に格納されたモデル生成情報のうち検知対象に適したモデル生成情報に、検知対象に関する実績データ１４２を適用することで、異常検知モデルを生成するモデル生成手段に相当する。解析機能２４０は、典型的には、サポート装置２００のプロセッサ２０２がモデル生成プログラム２２６（図４）を実行することで実現される。

より具体的には、解析機能２４０は、特徴量生成モジュール２４２と、取得モジュール２４４と、異常検知モジュール２４６と、モデル生成モジュール２４８とを含む。

特徴量生成モジュール２４２は、制御装置１００の特徴量生成命令１３４と同様に、実績データ１４２に含まれる１または複数の入力データから予め定められた１または複数の特徴量を生成する。

取得モジュール２４４は、モデル情報サーバ３００のモデル情報データベース３３０にアクセスして、モデル情報データベース３３０に格納されている１または複数のモデル生成情報を取得する。すなわち、取得モジュール２４４は、異常検知モデルの生成に用いられるモデル生成情報を格納したモデル情報データベース３３０にアクセスするアクセス手段に相当する。

異常検知モジュール２４６は、制御装置１００の異常検知エンジン１５０と同様に、特徴量生成モジュール２４２により生成された１または複数の特徴量に基づいて、何らかの異常が発生しているか否かを判断する。

モデル生成モジュール２４８は、異常検知モデル（異常検知用パラメータ１６０および学習データセット１６２）を生成する。

＜Ｄ．モデル生成情報＞
次に、本実施の形態に係る異常検知システム１において使用されるモデル生成情報の一例について説明する。

図６は、本実施の形態に係る異常検知システム１において使用されるモデル生成情報３４０の一例を説明するための図である。図６には、任意の検知対象（図６に示す例では、機構Ａ）から取得された特徴量（例えば、機構Ａの速度の最大値など）の時間的変化５０の一例を示す。検知対象の正常状態と異常状態との間で値により大きな変化を生じる特徴量を異常検知に使用することが好ましい。

図６に示す時間的変化５０においては、時間経過とともに、特徴量が全体的により大きな値を示すような傾向が見られる。検知対象の初期動作期間５２における特徴量の変化は、検知対象の正常状態の挙動とみなすことができる。一方、時間経過によって、検知対象が劣化等することで何らかの異常が発生したとする。検知対象に何らかの異常が発生した異常発生期間５４における特徴量の変化は、検知対象の異常状態の挙動とみなすことができる。

図６には、初期動作期間５２における特徴量の分布を示すヒストグラム５６と、異常発生期間５４における特徴量の分布を示すヒストグラム５８とを示す。図６に示す例では、正常状態を示すヒストグラム５６と、異常状態を示すヒストグラム５８とを識別できる異常検知モデルを生成すればよい。また、正常状態から異常状態への変化を示す劣化関数６０を決定できる。劣化関数６０に基づいて、正常状態であるか異常状態であるかを判断するためのしきい値を決定できる。

後述するように、任意の機構についての実験を行うことで、図６に示すような特徴量の時間的変化５０を取得し、正常状態および異常状態の情報を含むモデル生成情報３４０を生成する。

より具体的には、モデル生成情報３４０は、一例として、特徴量情報３４２と、機構情報３４４と、異常検知性能３４６と、劣化情報３４８と、分布情報３５０とを含む。

特徴量情報３４２は、対象の機構から取得されるいずれの情報を特徴量とするかを規定する情報を含む。すなわち、特徴量情報３４２は、検知対象について算出される特徴量を特定する情報に相当する。例えば、特徴量情報３４２には、対象の機構の速度の最大値などが設定される。

機構情報３４４は、対象の機構を特定するための情報を含む。例えば、機構情報３４４は、機構のタイプ、機構のメーカ、機構の形式、機構の運転方式などを含む。

異常検知性能３４６は、モデル生成情報３４０を生成したときに算出された異常検知の能力を示す値（例えば、ＡＵＣ）を含む。

劣化情報３４８は、劣化関数６０を規定する１または複数のパラメータを含む。すなわち、劣化関数６０は、対象の機構が正常状態から異常状態へ変化する特性を特定する情報に相当する。劣化関数６０としては、どのような関数形式を採用してもよい。例えば、劣化関数６０を高次関数としてもよいし、指数関数を含むものとしてもよい。

分布情報３５０は、正常状態における特徴量の分布（図６を示すヒストグラム５６）を規定する情報を含む。分布情報３５０は、対象の機構から取得される実績データについての相対的な挙動を示す情報である。

より具体的には、分布情報３５０は、分布形状情報３５２と、分布生成手法３５４と、分布パラメータ群３５６と、しきい値情報３５８とを含む。

分布形状情報３５２は、特徴量の分布の形状を示す情報を含む。例えば、分布形状情報３５２には「正規分布」と規定される。

分布生成手法３５４は、特徴量の分布を生成（あるいは、規定）する手法を示す情報を含む。例えば、分布生成手法３５４には「標準」と規定される。あるいは、特徴量を平均化やフィルタリングした上で、分布を生成する場合には、分布生成手法３５４には、そのような手法を用いることが規定される。

分布パラメータ群３５６は、分布を定義する１または複数のパラメータを含む。例えば、正規分布を考慮すると、分布パラメータ群３５６は、平均値μ、標準偏差σ、形状パラメータα，βなどを含んでいてもよい。形状パラメータα，βは、平均値μと標準偏差σとの関係を規定する情報である。すなわち、形状パラメータα，βは、平均値μと標準偏差σとの関係を規格化したものであり、任意の平均値μおよび標準偏差σが与えられると、形状パラメータα，βに従って、正規分布を決定できる。

このように、モデル生成情報３４０は、対象の機構を特定するための情報と、対象の機構の正常状態における特徴量の分布を規定する情報とを含む。

検知対象の機構を事前に解析して、異常検知に用いる特徴量の種類や、分布の情報を示す情報が取得される。これらの事前情報を参照することで、任意の検知対象から取得される情報を解析することなく、当該検知対象についての異常検知モデルを容易に生成できる。

以下、本実施の形態に係る異常検知モデルの生成方法のより詳細な手順について説明する。

＜Ｅ．モデル生成情報の事前準備（ＳＴ１）＞
次に、本実施の形態に係る異常検知モデルの生成方法に必要な処理として、モデル生成情報の事前準備について説明する。

（ｅ１：処理手順）
図７は、本実施の形態に係る異常検知モデルの生成方法のうちモデル生成情報の事前準備に係る処理手順を示すフローチャートである。図７に示す処理は、基本的には、ユーザ操作に応じてモデル情報サーバ３００において実行されるが、ユーザ自身が実行してもよい。

図７を参照して、まず、検査対象になり得る同一の機構をＮ（Ｎ≧１）個用意する（ステップＳ１１）。ユーザは、仕様環境を想定して当該機構を配置した上で、初期状態から何らかの異常が発生する（例えば、壊れる）まで稼動させて、１または複数の値についての時系列データ（以下、「実験データ」とも称す。）を収集する（ステップＳ１２）。

その後、ユーザは、機構から収集した１または複数の実験データのうち、当該機構の異常あるいは劣化を検知するのに適した特徴量を選択する（ステップＳ１３）。このとき、様々な条件変動（環境温度や負荷など）にロバストな特徴量を選択することが好ましい。あるいは、特定の条件においてロバストな特徴量を選択してもよい。

続いて、モデル情報サーバ３００は、ユーザ操作に応じて、選択した特徴量の分布を規定する情報である分布情報を決定する（ステップＳ１４）とともに、劣化関数を決定する（ステップＳ１５）。ここで、分布情報は、特徴量の分布を再現するための１または複数のパラメータを含む。劣化関数６０は、劣化の傾向を示す情報を含む。

さらに、モデル情報サーバ３００は、ユーザ操作に応じて、決定した分布情報および劣化関数に基づく異常検知を、収集した実験データの少なくとも一部に適用して（すなわち、収集した実験データに基づく検定を行って）、異常検知性能を算出する（ステップＳ１６）。

モデル情報サーバ３００は、ユーザ操作に応じて、算出した情報と検知対象を特定する情報とを対応付けて、モデル生成情報としてモデル情報データベース３３０に登録する（ステップＳ１７）。検知対象を特定する情報は、機構のタイプ、機構のメーカ、機構の形式、機構の運転方式などを含む。さらに、モデル生成情報は、異常検知モデルの仕様として、異常検知モデルの適用条件、異常検知モデルの現地調整の要否、異常検知モデルの調整方法、特徴量の算出式、特徴量の分布情報、劣化関数、異常検知性能、収集した実験データそのものを含んでいてもよい。

異常検知モデルに用いる分布および劣化関数については、検知対象に応じて様々なものを用いることができる。

図８は、本実施の形態に係る異常検知モデルの生成方法に従って生成されたモデル生成情報のいくつかの例を示す図である。図８（Ａ）には、１つの特徴量についての正規分布に基づく異常検知モデルの例を示す。図８（Ｂ）には、１つの特徴量についての許容範囲を規定した分布に基づく異常検知モデルの例を示す。図８（Ｃ）には、２つの特徴量についての分布に基づく異常検知モデルの例を示す。

図８（Ａ）～図８（Ｃ）にそれぞれ示される異常検知モデルに限らず、任意の異常検知モデルを用いることができる。

さらに、同一の機構であっても、条件を異ならせて複数のモデル生成情報を登録してもよい。

例えば、（１）特定の適用条件（環境温度が２５℃±５℃）で使用できる異常検知性能の高い異常検知モデルに対応するモデル生成情報と、（２）特定の適用条件より広い適用条件（環境温度が２５℃±１５℃）で使用できるが、異常検知性能が劣る異常検知モデルに対応するモデル生成情報と、を登録するようにしてもよい。

また、（１）現地調整は不要であるが、検知性能が劣る異常検知モデルに対応するモデル生成情報と、（２）現地調整が必要ではあるが、検知性能が高い異常検知モデルに対応するモデル生成情報と、を登録するようにしてもよい。

以下、モデル生成情報を派生して登録するいくつかの方法について説明する。すなわち、以下に示すような方法によって、対象の機構を実験して得られた結果を拡張することで、適用条件の異なる複数のモデル生成情報が生成されてもよい。

（ｅ２：データ拡張によるモデル生成情報の充実化）
図９は、本実施の形態に係る異常検知モデルの生成方法に従って収集された実験データおよび異常検知モデルの一例を示す図である。図９には、異常検知の対象の機構をエアーシリンダとした場合の例を示す。図９に示す特徴量１は、エアーシリンダの押込時間に依存する値であり、特徴量２は、エアーシリンダの引抜時間に依存する値である。

図９に示すグラフにおいて、等高線は、異常の度合いを示しており、外側にいくほど異常の度合いが高いことを意味する。

図９（Ａ）は、例えば、適用条件として、環境温度が２５℃±５℃の範囲で収集された２つの特徴量を２次元座標３６０Ａにプロットしたものである。図９（Ａ）には、環境温度が２０℃における正常状態を示す特徴量の組（学習データ）に加えて、ロッドリーク量が許容限界を超えたときの特徴量の組（ロッドリーク限界）、および、ピストンリーク量が許容限界を超えたときの特徴量の組（ピストンリーク限界）を示す。

これらの情報に基づいて、異常状態を示す識別境界３６２Ａと、異常状態に近い注意状態を示す識別境界３６４Ａとを決定できる。すなわち、識別境界３６２Ａおよび識別境界３６４Ａは、特定の適用条件（環境温度が２５℃±５℃）で使用できる異常検知モデルの一部を意味する。

検知対象から測定された実験データであるテストデータを識別境界３６２Ａおよび識別境界３６４Ａに適用することで、ロッドリーク異常およびピストンリング異常を検知できる（すなわち、ロッドリーク異常およびピストンリング異常に対応する座標は識別境界３６２Ａの外側に位置する）。

このとき、環境温度が１０℃における正常状態、および、環境温度が４０℃における正常状態に対応する座標も識別境界３６２Ａの内側に位置しているので、特定の適用条件（環境温度が２５℃±５℃）外においても、一応は適用可能である。但し、正常状態の実験データ（特徴量の組）を収集できていないので、誤検知の可能性は否定できない。

そこで、収集された実験データを拡張した学習データセット１６２を生成した上で、新たな異常検知モデルを生成した結果を図９（Ｂ）に示す。図９（Ｂ）の２次元座標３６０Ｂに示される異常検知モデルにおいては、異常状態を示す識別境界３６２Ｂおよび異常状態に近い注意状態を示す識別境界３６４Ｂは、識別境界３６２Ａおよび識別境界３６４Ａ（図９（Ａ）参照）に比較して広くなっている。すなわち、正常状態であると判定される範囲が拡大（条件が緩和）されていることを意味する。

このようなデータ拡張によって得られた異常検知モデルは、環境温度の変化への適応範囲が拡大している一方で、検知性能は劣る場合がある。

図９（Ｂ）に示す例では、ロッドリーク異常およびピストンリング異常の一部が異常状態を示す識別境界３６２Ｂの範囲内に位置しているため、これらの異常を検知できないことになる。

図９（Ａ）に示されるような異常検知モデルに対応するモデル生成情報と、図９（Ｂ）に示されるような異常検知モデルに対応するモデル生成情報とを、検知対象や要求される仕様などに応じて、適切に選択することになる。

（ｅ３：モデル生成情報のロバスト性拡張）
収集された実験データの拡張によるモデル生成情報の充実化に限らず、特徴量の変動要因を調査した上で、変動要因別にモデル生成情報を用意してもよい。

図１０は、本実施の形態に係る異常検知モデルの生成方法におけるロバスト性拡張の一例を説明するための図である。図１０には、エアーシリンダの取付方向を異ならせた場合の要因分析の例を示す。図１０（Ａ）には垂直上方向に設置した場合を示し、図１０（Ｂ）には垂直下方向に設置した場合を示し、図１０（Ｃ）には水平方向に設置した場合を示す。図１０（Ａ）～図１０（Ｃ）に示す特徴量１は、エアーシリンダの押込時間に依存する値であり、特徴量２は、エアーシリンダの引抜時間に依存する値である。

図１０（Ａ）～図１０（Ｃ）に示すように、取得される特徴量に変化を与える要因としては、（１）負荷の影響、（２）温度の影響、（３）リークの影響が想定される。

（１）負荷の影響としては、シリンダ内の空気圧が発生する力と負荷方向とが反対である場合には、空気圧が発生する力を打消すことになり、移動速度は低下する。一方、シリンダ内の空気圧が発生する力と負荷方向とが同じである場合には、空気圧が発生する力より大きな力が発生することになり、移動速度は増加する。また、空気圧が発生する力は、エアーシリンダの取付方向に依存する。

（２）温度の影響としては、グリスの粘度、ロッドとシリンダチューブとの摩擦、ピストンとシリンダチューブとの摩擦などが考えられる。

グリスの粘度は、温度が高くなると粘性が低くなり、柔らかくなる。これによって、摩擦力が低下して、移動速度は増加する。

ロッドとシリンダチューブとの間については、ロッドが炭素鋼であり、シリンダチューブがステンレスである場合には、材質の違いにより線膨張係数が異なるため、温度が高くなると抵抗値が低下して、移動速度は増加する。

ピストンとシリンダチューブとの間については、ピストンがアルミであり、シリンダチューブがステンレスである場合には、材質の違いにより線膨張係数が異なるため、温度が高くなると抵抗値が増加して、移動速度は低下する。

（３）リークの影響としては、ロッドリークが大きければ、残圧が早く抜けることになり、押込速度は増加する一方で、内圧が分散するので、引抜速度は低下する。また、ピストンリークが大きければ、内圧が分散するので、押込速度および引抜速度とも低下する。

上述したような要因に加えて、測定される特徴量の変化方向は取付方向に応じて異なる
ことになる。そのため、変動要因別にモデル生成情報を用意してもよい。

例えば、負荷率を０－２５％，２５－５０％，５０－７５％，７５－１００％と異ならせた異常検知モデルを用意してもよい。また、環境温度を１５℃±５℃，２５℃±５℃，３５℃±５℃，２０℃±１０℃，３０℃±１０℃，２５℃±１５℃と異ならせたモデル生成情報を用意してもよい。

条件毎および仕様毎に用意されるモデル生成情報の集合のうち、検知対象や要求される仕様などに応じて、適切なモデル生成情報が選択される。

＜Ｆ．実績データ収集（ＳＴ２）＞
次に、本実施の形態に係る異常検知モデルの生成方法に必要な処理として、実績データ収集の処理について説明する。

任意の検知対象を現実に設置した後、ユーザは、サポート装置２００を操作するなどして、制御装置１００が当該検知対象に関する実績データを収集するように設定する。当該検知対象を含む製造装置や生産ラインが所定期間あるいは所定サイクルに亘って動作したときの１または複数の実績データを制御装置１００で収集する。

異常検知モデルの異常検知性能を高めるためには、収集する実績データは多い方が好ましいが、試運転の期間を長く取れないことも多いので、収集する実績データの量は状況に応じて決定されてもよい。

制御装置１００は、収集した実績データをＴＳＤＢ１４０に格納する。ＴＳＤＢ１４０に格納された実績データは、ユーザ操作に応じて、サポート装置２００に転送される。サポート装置２００に転送された実績データが異常検知モデルの生成に用いられる。

＜Ｇ．異常検知モデルの生成（ＳＴ３）＞
次に、本実施の形態に係る異常検知モデルの生成方法に必要な処理として、異常検知モデルを生成する処理について説明する。

図１１は、本実施の形態に係る異常検知モデルの生成方法のうち異常検知モデルの生成に係る処理手順を示すフローチャートである。図１１に示す処理は、基本的には、ユーザ操作に応じてサポート装置２００において実行される。この場合、サポート装置２００のプロセッサ２０２がＰＬＣインターフェイスプログラム２２４およびモデル生成プログラム２２６を実行することで、後述するような処理が実現される。

図１１を参照して、まず、サポート装置２００は、ユーザ操作に応じて、検知対象の機構の仕様情報（機構のタイプ、機構のメーカ、機構の形式、機構の運転方式など）に基づいて、モデル情報サーバ３００のモデル情報データベース３３０から対象のモデル生成情報を取得する（ステップＳ３１）。

通常、ユーザは、現地調整の要否、適用条件の範囲、異常検知性能などを考慮して、モデル生成情報を選択する。但し、モデル情報サーバ３００に検索機能を実装しておき、ユーザが検知対象の機構の仕様情報および要望などを入力すると、当該ユーザの入力に対応するモデル生成情報を検索して、ユーザへ提示するようにしてもよい。

また、サポート装置２００は、ユーザ操作に応じて、制御装置１００のＴＳＤＢ１４０に格納されている検知対象から収集された実績データを取得する（ステップＳ３２）。

サポート装置２００は、ユーザ操作に応じて、取得したモデル生成情報に従って、検知対象から取得された実績データに基づいて学習データセット１６２を生成する（ステップＳ３３）。また、サポート装置２００は、取得したモデル生成情報に従って、異常検知用パラメータ１６０を生成する（ステップＳ３４）。

そして、サポート装置２００は、検知対象から収集された実績データを、生成した異常検知用パラメータ１６０および学習データセット１６２に適用して、異常検知性能を算出する（ステップＳ３５）。

さらに、ユーザは、サポート装置２００が算出した異常検知性能を確認して、必要に応じて、異常検知用パラメータ１６０を調整する（ステップＳ３６）。

ユーザが異常検知性能を確認して、制御装置１００への転送を指示すると（ステップＳ３７においてＹＥＳ）、制御装置１００は、生成された異常検知用パラメータ１６０および学習データセット１６２（異常検知モデル）を制御装置１００へ転送する（ステップＳ３８）。制御装置１００では、検知対象についての異常検知の運用が開始される。

ここで、学習データセットの生成方法の一例について説明する。
図１２は、本実施の形態に係る異常検知モデルの生成方法における学習データセットを生成する方法を説明するための図である。図１２（Ａ）および図１２（Ｂ）に示すように、サポート装置２００は、モデル生成情報に含まれる特徴量の分布を規定する情報に基づいて、学習データセット１６２を生成する。

図１２（Ａ）には、検知対象から取得された実績データ１４２に基づいて学習データセット１６２を生成する例を示す。この場合、サポート装置２００は、検知対象に関する実績データに基づいて算出される統計量をモデル生成情報に含まれる特徴量の分布を規定する情報に反映することで、学習データセットを生成する。より具体的には、学習データセット１６２に規定される分布情報３５０に従って、実績データ１４２から複数の特徴量を算出するとともに、算出した複数の特徴量についての平均値および標準偏差（統計量の一例）を算出する。算出した平均値および標準偏差に従う正規分布乱数を学習データセット１６２として決定する。

図１２（Ｂ）には、モデル生成情報３４０のみから学習データセット１６２を生成する例を示す。より具体的には、学習データセット１６２に含まれる平均値および標準偏差を抽出する。抽出した平均値および標準偏差に従う正規分布乱数を学習データセット１６２として決定する。

このように、環境条件に応じて取得される特徴量が変化するような検知対象については、図１２（Ａ）に示すような手順で異常検知モデルを決定し、環境条件によらず取得される特徴量が変化しない検知対象については、図１２（Ｂ）に示すような手順で異常検知モデルを決定してもよい。

なお、上述の説明においては、ユーザが予め登録されたモデル生成情報を選択する例を示したが、要求に応じて、モデル生成情報を動的に生成するようにしてもよい。

図１３は、本実施の形態に係る異常検知モデルの生成方法のうち異常検知モデルの生成に係る別の処理手順を示すフローチャートである。図１３に示す処理は、基本的には、ユーザ操作に応じてサポート装置２００において実行される。この場合、サポート装置２００のプロセッサ２０２がＰＬＣインターフェイスプログラム２２４およびモデル生成プログラム２２６を実行することで、後述するような処理が実現される。

図１３を参照して、まず、ユーザは、検知対象の機構の仕様情報（機構のタイプ、機構のメーカ、機構の形式、機構の運転方式など）を入力して、モデル情報サーバ３００のモデル情報データベース３３０に登録されている１または複数のモデル生成情報を抽出する（ステップＳ３０１）。そして、ユーザは、異常検知を行う環境を示す環境条件を入力する（ステップＳ３０２）。

すると、要求された環境条件に適合する異常検知モデルを含むモデル生成情報が生成される（ステップＳ３０３）。要求された環境条件に適合する異常検知モデルを含むモデル生成情報の生成は、異常検知モデルの生成を担当するユーザ（モデル登録者）が手動で行ってもよいし、モデル情報サーバ３００が自動的に行ってもよい。

上述したように、実験データに対応する環境条件に適合するように、特徴量を選択するとともに、指定された環境において異常検知性能がより高くなる異常検知モデルを決定してもよい。

そして、サポート装置２００は、ユーザ操作に応じて、生成された異常検知モデルを含むモデル生成情報を取得する（ステップＳ３０４）。

このようにモデル生成情報を決定することで、異常検知を適用する環境により合致させた形で異常検知を実施できるようになる。

ステップＳ３２以降の処理は、図１１と同様である。
＜Ｈ．異常検知の運用（ＳＴ４）＞
次に、本実施の形態に係る異常検知モデルの生成方法に必要な処理として、制御装置１００における異常検知の運用の処理について説明する。

上述したように、サポート装置２００から制御装置１００には、異常検知モデル（異常検知用パラメータ１６０および学習データセット１６２）が転送される。制御装置１００において周期的に実行されるユーザプログラム１３２は、異常検知用パラメータ１６０により指定された１または複数の特徴量を生成するための命令（特徴量生成命令１３４）を含んでおり、周期的に算出される１または特徴量を異常検知モデルに適用することで、検知対象に何らかの異常が発生したか否かを推定できる。

なお、異常検知機能は、ユーザプログラム１３２に含まれる命令によって、所定条件が満たされた場合に限って有効化するようにしてもよいし、任意のタイミングで有効化／無効化できるようにしてもよい。

また、検知対象に何らの異常も発生していない状態で、異常検知機能が異常の発生と判断する場合、および、検知対象に何らかの異常が発生している状態で、異常検知機能が異常の発生を検知できなかった場合には、異常検知モデルを再生成するようにしてもよい。

異常検知性能がより高くなるように、異常検知モデルの再学習や再調整を行ってもよい。また、異常検知の運用によって得られた実績データを用いて、追加のモデル生成情報を生成してもよい。

＜Ｉ．変形例＞
上述の実施の形態においては、典型的には、サポート装置２００が異常検知モデルを生成し、生成した異常検知モデルを制御装置１００へ転送する構成例について説明したが、サポート装置２００が有している機能の一部を制御装置１００に実装してもよい。また、サポート装置２００が有している機能の一部をクラウド環境などで実装してもよい。

このように、本実施の形態に係る異常検知システム１は、要求される性能や利用可能なリソースなどに応じて、任意の形態で実装できる。

＜Ｊ．付記＞
上述したような本実施の形態は、以下のような技術思想を含む。

［構成１］
検知対象に生じ得る異常を検知するための異常検知モデル（１６０，１６２）の生成に用いられるモデル生成情報（３４０）を格納した情報格納手段（３３０）を備え、前記モデル生成情報は、対象の機構を特定するための情報（３４４）と、当該対象の機構の正常状態における特徴量の分布を規定する情報（３５０）とを含み、
前記情報格納手段に格納されたモデル生成情報のうち前記検知対象に適したモデル生成情報に、前記検知対象に関する実績データを適用することで、前記異常検知モデルを生成するモデル生成手段（２４０；２４８）と、
前記生成された異常検知モデルに基づいて前記検知対象に何らかの異常が発生しているか否かを判断する異常検知手段（１５０）とを備える、異常検知システム。

［構成２］
前記モデル生成情報は、前記検知対象について算出される特徴量を特定する情報（３４２）を含む、構成１に記載の異常検知システム。

［構成３］
前記モデル生成情報は、前記対象の機構が前記正常状態から異常状態へ変化する特性を特定する情報（３４８）を含む、構成１または２に記載の異常検知システム。

［構成４］
前記検知対象に関する実績データを収集する収集手段（１４０）をさらに備える、構成１～３のいずれか１項に記載の異常検知システム。

［構成５］
前記モデル生成手段は、前記モデル生成情報に含まれる前記特徴量の分布を規定する情報に基づいて、学習データセット（１６２）を生成する、構成１～４のいずれか１項に記載の異常検知システム。

［構成６］
前記モデル生成手段は、前記検知対象に関する実績データに基づいて算出される統計量を前記モデル生成情報に含まれる前記特徴量の分布を規定する情報に反映することで、前記学習データセットを生成する、構成５に記載の異常検知システム。

［構成７］
前記モデル生成情報は、前記対象の機構を実験して得られた結果に基づいて生成される、構成１～６のいずれか１項に記載の異常検知システム。

［構成８］
前記対象の機構を実験して得られた結果を拡張することで、適用条件の異なる複数の前記モデル生成情報が生成される、構成７に記載の異常検知システム。

［構成９］
検知対象に生じ得る異常を検知するための異常検知モデル（１６０，１６２）を生成するための情報処理装置（２００）であって、
検知対象に生じ得る異常を検知するための異常検知モデルの生成に用いられるモデル生成情報を格納した情報格納手段にアクセスするアクセス手段（２４０；２４４）を備え、前記モデル生成情報は、対象の機構を特定するための情報（３４４）と、当該対象の機構の正常状態における特徴量の分布を規定する情報（３５０）とを含み、
前記情報格納手段に格納されたモデル生成情報のうち前記検知対象に適したモデル生成情報に、前記検知対象に関する実績データを適用することで、前記異常検知モデルを生成するモデル生成手段（２４０；２４８）を備える、情報処理装置。

［構成１０］
検知対象に生じ得る異常を検知するための異常検知モデル（１６０，１６２）を生成するための情報処理プログラム（２２２，２２４）であって、前記情報処理プログラムは、コンピュータ（２００）に、
検知対象に生じ得る異常を検知するための異常検知モデルの生成に用いられるモデル生成情報を格納した情報格納手段にアクセスするステップ（Ｓ３１）を実行させ、前記モデル生成情報は、対象の機構を特定するための情報（３４４）と、当該対象の機構の正常状態における特徴量の分布を規定する情報（３５０）とを含み、
前記情報格納手段に格納されたモデル生成情報のうち前記検知対象に適したモデル生成情報に、前記検知対象に関する実績データを適用することで、前記異常検知モデルを生成するステップ（Ｓ３３）を実行させる、情報処理プログラム。

＜Ｋ．利点＞
本実施の形態に係る異常検知システムにおいては、任意の機構について事前実験することで、データ分布を取得する。この取得されたデータ分布を含むモデル生成情報と、実際の検知対象から取得された実績データとに基づいて、当該検知対象における異常を検知するための異常検知モデルを容易に生成できる。そのため、異常検知モデルを生成する際に、高度な専門知識が必要ではないので、専門知識が少ないユーザであっても、異常検知モデルを容易に作成できる。これによって、生産設備における異常検知機能をより容易に実現できる。

また、生成される異常検知モデルの異常検知性能についても、個人のスキルに依存することなく、ある程度の精度を確保できる。

今回開示された実施の形態はすべての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は、上記した説明ではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。

１ 異常検知システム、２，４ フィールドバス、６ インターネット、１０ フィールド装置群、１２ リモートＩ／Ｏ装置、１４ リレー群、１６，１２４ Ｉ／Ｏユニット、１８ 画像センサ、２０ カメラ、２２ サーボドライバ、２４ サーボモータ、５０ 時間的変化、５２ 初期動作期間、５４ 異常発生期間、５６，５８ ヒストグラム、６０ 劣化関数、１００ 制御装置、１０２，２０２ プロセッサ、１０４ チップセット、１０６，２０６ 主記憶装置、１０８，２０８ 二次記憶装置、１１０ ネットワークコントローラ、１１２，２１２ ＵＳＢコントローラ、１１４ メモリカードインターフェイス、１１６ メモリカード、１１８，１２０ フィールドバスコントローラ、１２２ 内部バスコントローラ、１２６ システムプログラム、１３０ ＰＬＣエンジン、１３２ ユーザプログラム、１３４ 特徴量生成命令、１３６ 書込命令、１３８ 変数、１４２ 実績データ、１５０ 異常検知エンジン、１６０ 異常検知用パラメータ、１６２ 学習データセット、２００ サポート装置、２０４ 光学ドライブ、２０５ 記録媒体、２１４ ローカルネットワークコントローラ、２１６ 入力部、２１８ 表示部、２２０ バス、２２２ 開発プログラム、２２４ インターフェイスプログラム、２２６ モデル生成プログラム、２３０ インターフェイス機能、２４０ 解析機能、２４２ 特徴量生成モジュール、２４４ 取得モジュール、２４６ 異常検知モジュール、２４８ モデル生成モジュール、３００ モデル情報サーバ、３３０ モデル情報データベース、３４０ モデル生成情報、３４２ 特徴量情報、３４４ 機構情報、３４６ 異常検知性能、３４８ 劣化情報、３５０ 分布情報、３５２ 分布形状情報、３５４ 分布生成手法、３５６ 分布パラメータ群、３５８ しきい値情報、３６０Ａ，３６０Ｂ ２次元座標、３６２Ａ，３６２Ｂ，３６４Ａ，３６４Ｂ 識別境界、４００ 表示装置。

Claims (6)

1. 検知対象に生じ得る異常を検知するための異常検知モデルの生成に用いられるモデル生成情報を格納した情報格納手段を備え、前記モデル生成情報は、対象の機構を特定するための情報と、当該対象の機構の正常状態における特徴量の分布を規定する情報と、異常検知性能とを含み、
   前記情報格納手段に格納されたモデル生成情報のうち前記検知対象に適したモデル生成情報に含まれる前記特徴量の分布を規定する情報に、前記検知対象に関する実績データに基づいて算出される統計量を反映することで、学習データセットを生成し、当該生成した学習データセットに基づいて前記異常検知モデルを生成するモデル生成手段と、
   前記生成された異常検知モデルに基づいて前記検知対象に何らかの異常が発生しているか否かを判断する異常検知手段とを備え、
   前記モデル生成情報は、前記対象の機構を実験して得られた結果に基づいて生成され、
   前記対象の機構を適用条件を異ならせて実験して得られたそれぞれの結果を用いて、異常検知性能をそれぞれ算出することで、適用条件の異なる複数の前記モデル生成情報が生成される、異常検知システム。
2. 前記モデル生成情報は、前記検知対象について算出される特徴量を特定する情報を含む、請求項１に記載の異常検知システム。
3. 前記モデル生成情報は、前記対象の機構が前記正常状態から異常状態へ変化する特性を特定する情報を含む、請求項１または２に記載の異常検知システム。
4. 前記検知対象に関する実績データを収集する収集手段をさらに備える、請求項１～３のいずれか１項に記載の異常検知システム。
5. 検知対象に生じ得る異常を検知するための異常検知モデルを生成するための情報処理装置であって、
   検知対象に生じ得る異常を検知するための異常検知モデルの生成に用いられるモデル生成情報を格納した情報格納手段にアクセスするアクセス手段を備え、前記モデル生成情報は、対象の機構を特定するための情報と、当該対象の機構の正常状態における特徴量の分布を規定する情報と、異常検知性能とを含み、
   前記情報格納手段に格納されたモデル生成情報のうち前記検知対象に適したモデル生成情報に含まれる前記特徴量の分布を規定する情報に、前記検知対象に関する実績データに基づいて算出される統計量を反映することで、学習データセットを生成し、当該生成した学習データセットに基づいて前記異常検知モデルを生成するモデル生成手段を備え、
   前記モデル生成情報は、前記対象の機構を実験して得られた結果に基づいて生成され、
   前記対象の機構を適用条件を異ならせて実験して得られたそれぞれの結果を用いて、異常検知性能をそれぞれ算出することで、適用条件の異なる複数の前記モデル生成情報が生成される、情報処理装置。
6. 検知対象に生じ得る異常を検知するための異常検知モデルを生成するための情報処理プログラムであって、前記情報処理プログラムは、コンピュータに、
   検知対象に生じ得る異常を検知するための異常検知モデルの生成に用いられるモデル生成情報を格納した情報格納手段にアクセスするステップを実行させ、前記モデル生成情報は、対象の機構を特定するための情報と、当該対象の機構の正常状態における特徴量の分布を規定する情報と、異常検知性能とを含み、
   前記情報格納手段に格納されたモデル生成情報のうち前記検知対象に適したモデル生成情報に含まれる前記特徴量の分布を規定する情報に、前記検知対象に関する実績データに基づいて算出される統計量を反映することで、学習データセットを生成し、当該生成した学習データセットに基づいて前記異常検知モデルを生成するステップを実行させ、
   前記モデル生成情報は、前記対象の機構を実験して得られた結果に基づいて生成され、
   前記対象の機構を適用条件を異ならせて実験して得られたそれぞれの結果を用いて、異常検知性能をそれぞれ算出することで、適用条件の異なる複数の前記モデル生成情報が生成される、情報処理プログラム。

Images