JP7666203B2 - 異常検知装置、異常検知方法、及び異常検知プログラム - Google Patents

Description

本発明は、異常検知装置、異常検知方法、及び異常検知プログラムに関する。

従来より、生産装置に設けられたセンサからの波形データに基づき故障の予知を検出する異常検知の技術が提案されている。一般に、異常検知では異常データが十分に集まらず、未知の異常を検知することが課題である。したがって、従来技術としては、正常データのみ学習し異常検知する機械学習の手法が提案されている。

一般的に、生産装置は正常状態でも複数の動作条件下で稼働し得る。そこで、特許文献１では、複数の動作条件を考慮した異常検知の手法を提案している。一方、特許文献２では、正常データのみを学習させたモデルに計測波形を入力することで、生成波形を出力し、計測波形と生成波形を比較することで異常判定する手法を提案している。

特開２０２１－５１６９８号公報 特開２０２１－９４４１号公報

しかしながら、特許文献１の技術では、動作条件ごとに用意した各学習モデルの全推論結果が全閾値を越えた場合に異常と判定するため、検知精度に課題がある。また、生成波形の特徴量を抽出して異常を検知する手法であるものの、異常データ不足の状態で有効な特徴量を設計するのは容易ではない。これに対して、特許文献２の技術は、波形での比較のため特徴量設計の必要がない。しかしながら、特許文献２で提案されているオートエンコーダへの入力は、単変量の説明変数のみとなっており、多数のパラメータが用いられる多変量の場合は想定されていない。さらに、特許文献１，２のいずれも異常の指標として単変数の異常度のみが通知されるため、異常判断の説明性が乏しいという問題がある。

本発明は、上記問題を解決するためになされたものであり、取り扱う波形の特徴量の設計が不要であり、且つ多数のパラメータの波形に対応した説明性の高い、異常検知装置、異常検知方法、及び異常検知プログラムを提供することを目的とする。

本発明は、対象機械の複数のパラメータに関する時系列データである計測波形を取得する取得部と、前記計測波形を入力することで、前記複数のパラメータに関する時系列データである生成波形を生成する波形生成部と、前記計測波形と前記生成波形とを比較することで、乖離度を算出する乖離度算出部と、前記乖離度が所定の閾値を上回った場合には、前記計測波形が異常と判定する判定部と、を備え、前記波形生成部は、前記対象機械における正常時の前記計測波形に基づいて学習された訓練済みの学習モデルを備えている。

上記異常検知装置において、前記学習モデルは、前記対象機械の複数の動作条件下で取得された正常時の前記計測波形に基づいて学習されたものとすることができる。

上記異常検知装置において、前記学習モデルは、教師なし学習により生成することができる。

上記異常検知装置において、前記学習モデルは、ニューラルネットワークにより構成することができる。

上記異常検知装置において、前記ニューラルネットワークは、符号化部及び生成部を含み、前記符号化部は、前記計測波形を入力とし、潜在変数を出力とし、前記生成部は、前記潜在変数を入力とし、前記生成波形を出力とし、前記符号化部及び前記生成器は、畳み込みニューラルネットワークにより構成することができる。

上記異常検知装置において、前記学習モデルは、例えば、Ｅｆｆｉｃｉｅｎｔ ＧＡＮにより構成することができる。

上記異常検知装置において、前記乖離度は、一のスカラー値とすることができる。

上記異常検知装置において、前記乖離度算出部は、前記各パラメータ毎の時系列の個別乖離度を算出するように構成することができる。

上記異常検知装置において、前記計測波形、前記生成波形、前記乖離度、及び前記パラメータ毎の時系列の個別乖離度の少なくとも１つを表示する表示部をさらに備えることができる。

本発明に係る異常判定方法は、対象機械の複数のパラメータに関する時系列データである計測波形を取得するステップと、前記計測波形を入力することで、前記複数のパラメータに関する時系列データである生成波形を生成するステップと、前記計測波形と前記生成波形とを比較することで、乖離度を算出するステップと、前記乖離度が規定の閾値を上回った場合には、前記計測波形が異常と判定するステップと、を備え、前記生成波形を生成するステップは、前記対象機械における正常時の前記計測波形に基づいて学習された訓練済みの学習モデルにより行われている。

本発明に係る異常判定プログラムは、コンピュータに、対象機械の複数のパラメータに関する時系列データである計測波形を取得するステップと、前記計測波形を入力することで、前記複数のパラメータに関する時系列データである生成波形を生成するステップと、前記計測波形と前記生成波形とを比較することで、乖離度を算出するステップと、前記乖離度が規定の閾値を上回った場合には、前記計測波形が異常と判定するステップと、を実行させ、前記生成波形を生成するステップは、前記対象機械における正常時の前記計測波形に基づいて学習された訓練済みの学習モデルにより行われている。

本発明によれば、取り扱う波形の特徴量の設計が不要であり、且つ多数のパラメータの波形に対応した説明性の高い、異常検知装置、異常検知方法、及び異常検知プログラムを提供することができる。

本発明の異常検知装置を含むシステムの一実施形態の構成例である。 異常検知装置のハードウエア構成を示すブロック図である。 学習装置のハードウエア構成を示すブロック図である。 学習装置のソフトウエア構成を示すブロック図である。 異なる動作条件における計測波形と生成波形を重ねたグラフである。 符号化部及び生成部とＣＮＮとの対応を示す図である。 異常検知装置のソフトウエア構成を示すブロック図である。 ３つのパラメータについて、正常時の計測波形と生成波形と重ねたグラフ、及び各パラメータの乖離度時系列データを示すグラフである。 ３つのパラメータについて、異常時の計測波形と生成波形と重ねたグラフ、及び各パラメータの乖離度時系列データを示すグラフである。 乖離度のランキングを示す図である。 乖離度と閾値に関係による正常と異常の判定を示す図である。 学習装置の学習処理を示すフローチャートである。 異常検知装置における異常検知方法を示すフローチャートである。

以下、本発明に係る異常検知装置の一実施形態について、図面を参照しつつ説明する。以下では、一例として生産設備のボールネジ機構の異常検知を行う異常検知装置について説明する。図１は、この異常検知装置を含むシステムの構成例であり、異常検知装置１と、この異常検知装置１で用いる学習モデルを生成する学習装置２と、ボールネジ機構を含む搬送装置３と、を備えている。以下、各構成について、詳細に説明する。

＜１．ハードウエア構成＞
＜１－１．搬送装置＞
図１に示すように、この搬送装置３は、ボールネジ３１と、ボールネジ３１に螺合するナット３２と、ナット３２上に設けられたワークＷのステージ３３と、を備えている。ボールネジ３１にはサーボモータ３４が連結され、このサーボモータ３４によってボールネジ３１が回転する。また、サーボモータ３４には、これを制御するサーボドライバ３５が接続されている。本実施形態では、異常検知のパラメータとして、サーボドライバ３５で制御される、サーボモータ３４の回転速度、出力トルク、及びステージの位置を用い、これらの時系列の波形を用いて異常の判定を行う。

＜１－２．異常検知装置＞
次に、本実施形態に係る異常検知装置１のハードウェア構成の一例について説明する。図２は、本実施形態に係る異常検知装置のハードウェア構成の一例である。

この異常検知装置１は、制御部１１、記憶部１２、外部インタフェース１３、及び通信インタフェース１４が電気的に接続されたコンピュータであり、例えば、ＰＬＣで構成することができる。なお、図２では、外部インタフェース１３及び通信インタフェース１４を「外部Ｉ／Ｆ」及び「通信Ｉ／Ｆ」と記載している。この点は、後述する各種装置においても同様である。

制御部１１は、ＣＰＵ、ＲＡＭ、ＲＯＭ等を含み、プログラム及びデータに基づいて各種情報処理を実行するように構成される。記憶部１２は、例えば、ＨＤＤ、ＳＤＤ等の補助記憶装置で構成され、異常検知プログラム１２１、学習結果データ１２２、異常判定や装置を駆動するための種々のデータを記憶する。異常検知プログラム１２１は、異常検知装置１に計測波形の異常の有無の判定をさせるためのプログラムである。制御部１１は、この異常検知プログラム１２１を解釈及び実行することで、後述する各ステップの処理を実行するように構成される。

外部インタフェース１３は、外部装置と接続するためのインタフェースであり、接続する外部装置に応じて適宜構成される。本実施形態では、外部インタフェース１３が、ディスプレイ（表示部）４に接続されている。このディスプレイ４は、例えば、異常判定の結果等を表示するのに利用される。ディスプレイ４は、特には限定されず、公知の液晶ディスプレイ、タッチパネルディスプレイ等を用いることができる。その他、外部インタフェース１３には、入力装置及び出力装置等を適宜接続することができる。

通信インタフェース１４は、例えば、有線ＬＡＮ（Local Area Network）モジュール、無線ＬＡＮモジュール等であり、有線又は無線通信を行うためのインタフェースである。すなわち、通信インタフェース１４は、他の装置と通信を行うように構成された通信部の一例である。本実施形態では、ネットワークを介して、上述した学習装置２、及び搬送装置３に接続されている。

なお、異常検知装置１の具体的なハードウェア構成に関して、実施形態に応じて、適宜、構成要素の省略、置換及び追加が可能である。例えば、制御部１１は、複数のプロセッサを含んでもよい。また、制御部１１は、ＦＰＧＡにより構成されてもよい。記憶部１２は、制御部１１に含まれるＲＡＭ及びＲＯＭにより構成されてもよい。異常検知装置１は、ＰＬＣのほか、提供されるサービス専用に設計された情報処理装置を用いることができる。さらには、異常判定を行う対象に応じて、汎用のデスクトップＰＣ、タブレットＰＣ等であってもよい。以上の点は、後述する学習装置２においても同じである。

＜１－３．学習装置＞
次に、本実施形態に係る学習装置２のハードウェア構成の一例について説明する。図３は、本実施形態に係る学習装置のハードウェア構成の一例である。

図３に示すように、学習装置２は、異常検知装置１と同様に、制御部２１、記憶部２２、外部Ｉ／Ｆ２３、及び通信Ｉ／Ｆ２４が電気的に接続されたコンピュータである。

制御部２１及び記憶部２２の構成は、異常検知装置と同じである。記憶部には、学習プログラム２２１、学習モデル２２２、第１学習結果データ２２３、第２学習結果データ２２４、及び学習装置を駆動するための種々のデータを記憶する。学習プログラム２２１は、計測波形から生成波形を出力するための学習モデル２２２を学習するためのプログラムである。制御部２１は、この学習プログラム２２１を解釈及び実行することで、後述する各ステップの処理を実行するように構成される。

その他のハードウエア構成は、異常検知装置１と同じであるため、ここでは省略する。

＜２．ソフトウエア構成＞
＜２－１．学習装置＞

学習装置２では、搬送装置３のサーボドライバ３５から送信されたサーボモータ３４の回転速度、出力トルク、及びステージの位置に関する、時系列データである計測波形を用いて学習モデル２２２の学習を行う。特に、この学習モデル２２２は、搬送装置３が正常に稼働しているときの正常時の計測波形により、学習される。以下、図４を参照しつつ、学習装置２のソフトウエア構成について説明する。図４は、学習装置のソフトウエア構成を示すブロック図である。

＜２－１－１．学習モデル＞
図４に示すように、学習装置２の制御部２１は、記憶部２２に記憶された学習プログラム２２１をＲＡＭに展開すると、その学習プログラム２２１をＣＰＵにより解釈及び実行して、取得部２１１、符号化部２１２、生成部２１３、判別部２１４、及び保存処理部２１５を備えたコンピュータとして機能する。

取得部２１１は、上述したように、サーボモータ３４の回転速度、出力トルク、及びステージの位置に関する、時系列データである計測波形を取得する。この計測波形は、後述するように、異常検知装置１の前処理後に送信される。但し、サーボドライバ３５から直接送信し、後述するように、取得部２１１において、前処理が施されてもよい。

また、取得部２１１で取得される計測波形は、同じ動作条件のみならず、異なる動作条件で搬送装置３が稼働したときの計測波形も取得される。例えば、軽いワークを搬送したとき（動作条件１）の計測波形と、重いワークを搬送したとき（動作条件２）の計測波形とが入力される。各動作条件時の計測波形の例を図５に示す。この例では、重いワークＷを搬送したとき、速度が低下し、トルクが増大していることがわかる。なお、異なる動作条件としては、上記のほか、種々のものがあり、例えば、異なる加工部品を用いる場合（例えば、段取り替えによるステージの付け替えなど）、異なる環境温度で動作する場合（例えば。朝・昼の気温の変化など）がある。

次に、符号化部２１２、生成部２１３、及び判別部２１４について説明する。これら符号化部２１２、生成部２１３、及び判別部２１４は、Efficient Generative Adversarial Network（Efficient ＧＡＮ：敵対的生成ネットワーク）による学習モデルを構成している。そして、符号化部２１２及び生成部２１３は、例えば、畳み込みニューラルネットワーク（ＣＮＮ）により構成されている。これについては、後述する。判別部２１４も、同様のＣＮＮにより構成されている。但し、判別部２１４の構成は、符号化部２１２及び生成部２１３と異なっていてよい。

学習の実施に際しては、判別部２１４を訓練する第１訓練ステップ、及び符号化部２１２及び生成部２１３を訓練する第２訓練ステップを交互に行う。第１訓練ステップでは、判別部２１４に入力された生成波形が、生成部２１３により生成された生成波形であるか、取得部２１１から送信された計測波形であるかを判別するように判別部２１４を訓練する。つまり、判別部２１４は、入力された波形が取得部２１１由来か、生成部２１３由来かを判別するように訓練される。また、第２訓練ステップでは、判別部２１４による判別が誤るような波形を生成するように符号化部２１２及び生成部２１３を訓練する。なお、ここでは、取得部２１１由来であることを「真」と表現し、生成部２１３由来であることを「偽」と表現する。ただし、各由来を表現する方法は、このような例に限定されなくてよく、実施の形態に応じて適宜選択されてよい。

具体的に説明すると、第１訓練ステップでは、計測波形を符号化部２１２に入力する。符号化部２１２は、潜在変数ｚを出力し、この潜在変数ｚが生成部２１３に入力されると、生成部２１３は、符号化部２１２に入力された計測波形に近似する生成波形を出力する。

この生成波形は、判別部２１４に入力され、演算処理が実行される。これにより、生成波形が生成部２１３由来か取得部２１１由来かを判別した結果に対応する出力値を出力する。ここでは、判別部２１４に入力された生成波形は、生成部２１３が生成した生成波形であるため、判別部２１４は、「偽」と判別するのが正解である。そして、出力値とこの正解との誤差を算出する。こうして、各生成波形について、出力値とこの正解との誤差を算出する。

同様に、計測波形を判別部２１４に入力し、判別部２１４の演算処理を実行する。これにより、判別部２１４は、入力された波形が生成部２１３由来か取得部２１１由来かを判別した結果に対応する出力値を出力する。ここでは、入力された波形は計測波形であるため、判別部２１４は、「真」と判別するのが正解である。こうして、各波形について、出力値とこの正解との誤差を算出する。

そして、算出される誤差の和が小さくなるように、判別部２１４のＣＮＮのパラメータの値を調節する。出力値と真偽の正解との誤差の和が閾値以下になるまで、上記一連の処理により、判別部２１４のパラメータの値の調節を繰り返す。これにより、第１訓練ステップでは、生成部２１３により生成された生成波形であるか、計測波形であるかを判別するように、誤差逆伝播法（Backpropagation）等により判別部２１４を訓練する。

一方、第２訓練ステップでは、計測波形を符号化部２１２に入力する。符号化部２１２は、潜在変数ｚを出力し、この潜在変数ｚが生成部２１３に入力されると、生成部２１３は、符号化部２１２に入力された計測波形に近似する生成波形を出力する。

次に、生成された生成波形を判別部２１４に入力し、判別部２１４の演算処理を実行する。これにより、入力された生成波形が生成部２１３由来か取得部２１１由来かを判別した結果に対応する出力値を出力する。この生成部２１３の訓練では、判別部２１４による判別の結果を誤らせることが正解である。つまり、生成部２１３で生成された生成波形が、計測波形と見間違うほどに近似したものが生成されていればよく、得られる出力値が「真」に対応することが正解である。計測波形と生成波形の組み合わせについて、一連の処理により得られた出力値とこの正解（つまり、「真」）との誤差を算出する。

そして、算出される誤差の和が小さくなるように、符号化部２１２及び生成部２１３のＣＮＮのパラメータの値を調節する。各計測波形と生成波形との組み合わせについて、一連の処理により得られる出力値と「真」との誤差の和が閾値以下になるまで、上記一連の処理により、符号化部２１２及び生成部２１３のパラメータの値の調節を繰り返す。これにより、第２訓練ステップでは、判別部２１４による判別が誤るような生成波形を生成するように、誤差逆伝播法（Backpropagation）等により生成部２１３（及び符号化部２１２）を訓練する。

このように、上記第１訓練ステップ及び第２訓練ステップを交互に実施することで、判別部２１４及び生成部２１３（及び符号化部２１２）の精度を交互に高めていく。これにより、生成部２１３は、計測波形とほぼ同じであるような生成波形を適切に生成する能力を習得することができる。

この学習が完了した後、保存処理部２１５は、構築された符号化部２１２及び生成部２１３と、判別部２１４との構成（例えば、ニューラルネットワークの層数、各層におけるニューロンの個数、ニューロン同士の結合関係、各ニューロンの伝達関数）、及び演算パラメータ（例えば、各ニューロン間の結合の重み、各ニューロンの閾値）をそれぞれ示す第１学習結果データ２２３及び第２学習結果データ２２４を生成する。そして、保存処理部２１５は、生成した第１及び第２学習結果データ２２３，２２４を記憶部２２に保存する。

こうして、学習された符号化部２１２及び生成部２１３に、計測波形を入力すると、計測波形に近似する生成波形を生成することができる。

＜２－１－２．ＣＮＮ＞
次に、符号化部２１２及び生成部２１３を構成するＣＮＮの一例について、図６を参照しつつ説明する。このＣＮＮは一次元ＣＮＮで構成され、具体的には、符号化部２１２は一次元ＣＮＮ、生成部２１３は一次元転置ＣＮＮで構成されている。図６は、符号化部及び生成部とＣＮＮとの対応を示す図である。符号化部２１２に入力される計測波形は、異常検知装置１の前処理部１１２で生成される。

この点について先に説明を行う。前処理部１１２は、収集された計測波形に対し、前処理を行う。前処理としては、例えば、以下の３個の処理を行うことができる。まず、搬送装置３において、ステージ３３が始点から終点まで区間（フレーム）を移動する間の波形を切り出し、これを判定に用いる。また、計測波形の値を０～１の数値となるように正規化する。さらに、時系列のフレーム長が６４となるように線形変換する。

図６に示すように、このＣＮＮでは、符号化部２１２に、上述した３つのパラメータについて、フレーム長が６４に変換した（Ｃ，Ｔ）で示されるデータを入力する。ここで、Ｃは変数の次元数、Ｔはデータのフレーム長である。符号化部２１２に入力されるデータは、パラメータの数が３，フレーム長が６４であるため、（３，６４）となる。つまり、３＊６４＝１９２のデータが入力される。したがって、図６に示すように、ＣＮＮの各層のデータは、（Ｃ，Ｔ）で示されている。

また、このＣＮＮでは、符号化部２１２において、４つの層でデータが、（３２，３２）、（６４，１６）、（１２８，８）と、データフレーム長を縮小するように演算し、全結合層において、潜在変数ｚに対応する１０のデータを生成する。すなわち、この潜在変数ｚは、計測波形の次元を縮小し、計測波形の特徴を低次元で示したものである。このように計測波形を低次元で表すことで、学習を容易に行うことができる。その後、この潜在変数ｚに対応するデータを生成部２１３に入力し、５つの層でデータが、（５１２，４）、（２５６，８）、（１２８，１６）と縮小されたデータフレーム長が拡大するように演算し、最終的に計測波形と対応する（３，６４）のデータ、つまり生成波形を生成する。

なお、このＣＮＮは一例であり、通常のニューラルネットワーク等を用いることもできる。

＜２－２．異常検知装置＞
次に、異常検知装置１のソフトウエア構成について説明する。図７は、異常検知装置のソフトウエア構成を示すブロック図である。図７に示すように、異常検知装置１の制御部１１は、記憶部１２に記憶された異常検知プログラム１２１をＲＡＭに展開すると、その異常検知プログラム１２１をＣＰＵにより解釈及び実行して、収集部１１１、前処理部１１２、波形生成部１１３、乖離度算出部１１４、判定部１１５、及び出力部１１６を備えたコンピュータとして機能する。

収集部１１１は、搬送装置３のサーボドライバ３５から送信されたサーボモータ３４の回転速度、出力トルク、及びステージの位置に関する、時系列データである計測波形を収集する。収集された計測波形は、記憶部１２またはＲＡＭに記憶される。

前処理部１１２は、収集された計測波形に対し、前処理を行う。この処理については、上述したとおりである。また、前処理された計測波形は、学習装置２に送信され、上述した学習に用いられる。

波形生成部１１３は、上述したように、学習装置２で生成された第１学習結果データ２２３が導入された訓練済みの符号化部２１２及び生成部２１３により構成されている。

乖離度算出部１１４は、計測波形と生成波形とを比較し、その乖離度を算出する。乖離度としては、個別乖離度と総合乖離度を算出する。個別乖離度の算出は、次のように行う。まず、上記３つのパラメータのそれぞれについて、時系列データで示された計測波形と生成波形の差分を時系列に算出した乖離度時系列データを算出する。例えば、フレーム長である６４個のデータそれぞれについて差分を算出し、６４個の差分のデータからなる乖離度時系列データを算出する。続いて、６４個のデータを合計し、個別乖離度を算出する。すなわち、３つのパラメータ毎の乖離度を表すことができる。

図８は、３つのパラメータについて、正常時の計測波形と生成波形と重ねたグラフ、及び各パラメータの乖離度時系列データを示すグラフである。一方、図９は、３つのパラメータについて、異常時の計測波形と生成波形と重ねたグラフ，及び各パラメータの乖離度時系列データを示すグラフである。図８に示す正常時の乖離度時系列データでは、いずれのパラメータにおいても、乖離度はどの時間帯においても、概ね０である。なお、図８の計測波形と生成波形を重ねたグラフでは、両者がほぼ同じであるため、１つの線に見えている。一方、図９に示す異常時の乖離度時系列データでは、乖離度が変化していることが分かる。例えば、トルクに関する乖離度時系列データは、搬送の開始時に大きく変化していることが分かる（丸で囲んだ部分）。

また、個別乖離度に基づいて、図１０に示すような乖離度のランキングを生成することもできる。一方、総合乖離度は、個別乖離度を合計した一のスカラー値である。こうして、各計測波形と生成波形の組み合わせについて、個別乖離度と総合乖離度が算出される。

判定部１１５は、総合乖離度が規定の閾値を超えた場合には、異常と判定し、閾値を以下である場合には、正常と判定する。波形生成部１１３は、正常時の計測波形に基づいて学習された学習モデルを含んでいるため、正常時の計測波形を入力すると、これに近似する生成波形が生成される。一方、異常時の計測波形を入力すると、正常時の生成波形とは異なる生成波形が生成されるため、乖離が大きくなる。したがって、総合乖離度が所定の閾値を超えた場合には、異常と判定される。図１１はその一例である。正常な計測波形が入力された場合には、閾値よりも低い総合乖離度が算出される一方、異常な計測波形が入力された場合には、閾値よりも高い総合乖離度が算出されていることが分かる。

出力部１１６は、計測波形、生成波形、乖離度時系列データ、個別乖離度、総合乖離度の少なくとも１つを出力し、ディスプレイ４に表示する。また、異常が発生したときのアラートをディスプレイ４に表示したり、音を発生するなど、の出力を行うことができる。

＜３．学習装置での学習処理＞
次に、上記のように構成された学習装置の学習処理について、図１２のフローチャートを参照しつつ説明する。

図１２に示すように、まず、搬送装置３を稼働し（ステップＳ１１）、上述した３つのパラメータについて、正常時の計測波形を収集する（ステップＳ１２）。次に、計測波形に前処理を施す（ステップＳ１３）。続いて、前処理が施された計測波形を学習モデル２２２に入力し、上述した第１及び第２学習結果データ２２３，２２４を生成する（ステップＳ１４）。これに続いて、閾値を設定する（ステップＳ１５）。閾値の設定は、特には限定されないが、例えば、上記総合乖離度の正規分布を算出し、その３σ以上、例えば、３σ、４σなどに閾値を設定することができる。なお、閾値は、学習装置２において自動で設定するほか、異常検知装置１で設定することもできる。あるいは、利用者が任意に設定することもできる。その後、第１学習結果データ２２３は、異常検知装置１に送信され、波形生成部１１３に組み込まれる（ステップＳ１６）。なお、第１学習結果データ２２３は、定期的に作成され、その都度、波形生成部１１３に組み込むことができる。こうして、学習装置２での学習処理が終了する。

＜４．異常検知装置での異常検知方法＞
次に、上記のように構成された異常検知装置における異常検知方法について、図１３のフローチャートを参照しつつ説明する。

図１３に示すように、まず、搬送装置３の稼働中に、収集部１１１において、上述した３つのパラメータについて、計測波形を収集する（ステップＳ２１）。次に、前処理部１１２により、計測波形に前処理を施す（ステップＳ２２）。続いて、上記第１学習結果データ２２３が組み込まれた波形生成部１１３に、前処理が施された計測波形を入力し、生成波形を生成する（ステップＳ２３）。これに続いて、乖離度算出部１１４により、算出された生成波形と計測波形を比較し、総合乖離度を算出する（ステップＳ２４）。最後に、判定部１１５により総合乖離度が閾値未満である場合には（ステップＳ２５のＹＥＳ）、正常であるとして搬送装置の可動を続ける。一方、総合乖離度が閾値以上である場合には（ステップＳ２５のＮＯ）、異常が発生しているとして、ディスプレイ４に異常のアラートを表示する（ステップＳ２６）。

＜５．特徴＞
以上のように、本実施形態によれば、搬送装置３において計測される、複数のパラメータに関する時系列データである正常時の計測波形から、この複数のパラメータに関する時系列データである生成波形を生成する波形生成部１１３を有し、計測波形と生成波形とを比較することで、乖離度を算出し、これが所定の閾値を上回った場合には、異常であると判定するようにしている。そのため、以下の効果を得ることができる。

（１）複数の動作条件に対応した精度の高い異常の検知が可能となる。
（２）乖離度時系列データ、個別乖離度を算出できるため、各パラメータにおいて、例えば、どの時刻に乖離度が大きくなっているかを確認することができる。したがって、異常判断の説明性を高くすることができる。
（３）簡単な前処理を施した計測波形を入力して生成波形を出力するため、波形の特徴量を設計する必要がない。

＜６．変形例＞
以上、本発明の実施形態について説明してが、前述までの説明はあらゆる点において本発明の例示に過ぎず、本発明の範囲を逸脱することなく種々の改良や変形を行うことができることは言うまでもない。例えば、以下のような変更が可能である。なお、以下では、上記実施形態と同様の構成要素に関しては同様の符号を用い、上記実施形態と同様の点については、適宜説明を省略した。また、以下の変形例は適宜組み合わせ可能である。

＜６－１＞
上実施形態では、ＧＡＮによる学習モデルを有しているが、これに限定されるものではなく、オートエンコーダ、ＧＡＮｏｍａｌｙ、Ｓｋｉｐ ＧＡＮｏｍａｌｙ等のニューラルネットワークで構成することができる。すなわち、上記のような複数のパラメータに関する時系列データのような多変量多次元のデータを学習できる手法であればよい。

＜６－２＞
乖離度算出部１１４における異常判定を行うための乖離度の算出方法は、特には限定されず、判定部１１５で評価可能な計測波形と生成波形との差を乖離度として算出できればよい。

＜６－３＞
上記実施形態では、異常検知装置１と学習装置２とを別のコンピュータで構成しているが、１つのコンピュータで構成することもできる。すなわち、異常検知装置１に学習機能が付加されていてもよい。

＜６－４＞
計測波形の前処理の方法は、特には限定されず、使用される学習モデルに応じて適宜変更することができる。あるいは、前処理を行わずに学習を行ったり、生成波形を生成することもできる。

＜６－５＞
上記実施形態の異常検知装置１では、ボールネジ機構を有する搬送装置における異常を判定しているが、これに限定されものでなく、種々の対象機械の異常を判定に適用することができる。

１ 異常検知装置
１１ 取得部
１３ 波形生成部
１４ 乖離度算出部
１５ 判定部
２ 学習装置
２１２ 符号化部
２１３ 生成部
２１４ 判別部
２２２ 学習モデル
３ 搬送装置（対象機械）
４ ディスプレイ（表示部）

Claims (11)

1. 対象機械の複数のパラメータのそれぞれに関する時系列データのセットである計測波形を取得する取得部と、
   前記計測波形を入力することで、前記複数のパラメータのそれぞれに関する時系列データのセットである生成波形を生成する波形生成部と、
   前記計測波形と前記生成波形とを比較することで、乖離度を算出する乖離度算出部と、
   前記乖離度が所定の閾値を上回った場合には、前記計測波形が異常と判定する判定部と、
   を備え、
   前記波形生成部は、前記対象機械における正常時の前記計測波形に基づいて学習された訓練済みの学習モデルを備えている、異常検知装置。
2. 前記学習モデルは、前記対象機械の複数の動作条件下で取得された正常時の前記計測波形に基づいて学習されている、請求項１に記載の異常検知装置。
3. 前記学習モデルは、教師なし学習により生成されている、請求項１または２に記載の異常検知装置。
4. 前記学習モデルは、ニューラルネットワークにより構成されている、請求項３に記載の異常検知装置。
5. 前記ニューラルネットワークは、符号化部及び生成部を含み、
   前記符号化部は、前記計測波形を入力とし、潜在変数を出力とし、
   前記生成部は、前記潜在変数を入力とし、前記生成波形を出力とし、
   前記符号化部及び前記生成部は、畳み込みニューラルネットワークにより構成されている、請求項４に記載の異常検知装置。
6. 前記学習モデルは、Ｅｆｆｉｃｉｅｎｔ ＧＡＮにより構成されている、請求項４または５に記載の異常検知装置。
7. 前記乖離度は、一のスカラー値である、請求項１から６のいずれかに記載の異常検知装置。
8. 前記乖離度算出部は、前記各パラメータ毎の時系列の個別乖離度を算出するように構成されている、請求項１から７のいずれかに記載の異常検知装置。
9. 前記計測波形、前記生成波形、前記乖離度、及び前記パラメータ毎の時系列の個別乖離度の少なくとも１つを表示する表示部をさらに備えている、請求項１から８のいずれかに記載の異常検知装置。
10. 対象機械の複数のパラメータのそれぞれに関する時系列データのセットである計測波形を取得するステップと、
    前記計測波形を入力することで、前記複数のパラメータのそれぞれに関する時系列データのセットである生成波形を生成するステップと、
    前記計測波形と前記生成波形とを比較することで、乖離度を算出するステップと、
    前記乖離度が規定の閾値を上回った場合には、前記計測波形が異常と判定するステップと、
    を備え、
    前記生成波形を生成するステップは、前記対象機械における正常時の前記計測波形に基づいて学習された訓練済みの学習モデルにより行われている、異常検知方法。
11. コンピュータに、
    対象機械の複数のパラメータのそれぞれに関する時系列データのセットである計測波形を取得するステップと、
    前記計測波形を入力することで、前記複数のパラメータのそれぞれに関する時系列データのセットである生成波形を生成するステップと、
    前記計測波形と前記生成波形とを比較することで、乖離度を算出するステップと、
    前記乖離度が規定の閾値を上回った場合には、前記計測波形が異常と判定するステップと、
    を実行させ、
    前記生成波形を生成するステップは、前記対象機械における正常時の前記計測波形に基づいて学習された訓練済みの学習モデルにより行われている、異常検知プログラム。