JPH11338848A - データ異常検出装置 - Google Patents

Abstract

(57)【要約】 【課題】未知のデータの異常検出を容易確実に行う。 【解決手段】対象プラントＰが正常状態であるときの監
視用データである正常データを予め収集しておき、この
正常データをもとに自己組織化マップを用いて正常デー
タの特徴を抽出し、これをもとに各出力ユニット間の距
離関係を表す特徴マップを形成し正常状態モデルとして
記憶しておく。未知の入力データを入力したときに、こ
の入力データと正常状態モデルとをもとに、入力データ
と各出力ユニットの重みベクトルとの間の距離を表す外
部距離ｄ_ext を求め、この外部距離ｄ_ext が最小となる
出力ユニットとこの近傍の出力ユニットとの間の距離の
最小値である内部距離ｄ_int とを求め、内部距離ｄ_int
＜外部距離ｄ_ext となるときには、入力データは異常の
可能性があると判断する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】この発明は、バッチプラン
ト，連続系プラント等において、これらプラントにおけ
る所定の監視用データをもとに対象プラントの異常検出
を行うようにしたデータ異常検出装置に関する。

【０００２】

【従来の技術】従来、バッチプラント，連続系プラント
等において、異常予測，診断のような異常検出を行う場
合等には、例えば監視対象プラントに設けたセンサ等か
ら監視用データを収集してこれを分析し、例えば予め設
定している異常判定用のしきい値と比較すること等によ
って、異常が発生しているかどうか、或いは異常が発生
する兆候であるかどうか等を判断するようにしている。

【０００３】

【発明が解決しようとする課題】しかしながら、上記従
来の方法では、異常検出の対象となる監視用データを直
接計測することは困難な場合が多い。そのため、通常の
固定化したしきい値をもとに異常検出を行う方法では、
確実に異常検出を行うために、各種センサ毎にしきい値
を厳しく設定しているから、実際には異常でない場合で
も異常として検出する場合があり、異常の検出回数が増
加する。このために、オペレータは適切な判断を行うこ
とが困難になり、異常の確認作業が増大し、誤確認によ
るミスが発生しやすくなるという問題がある。

【０００４】これを回避するためには、互いに関連する
監視用データを含めた総合的な判断方法の開発が必要と
なるが、関連する監視用データが把握されても、それぞ
れの値そのものの判断やこれら監視用データから対象プ
ラントを総合的に判断する上において、明確な判断基準
を定義することは難しい。

【０００５】また、前述の異常検出用のしきい値を設定
する際には、多種多様な異常状態に対する学習用のデー
タを予め収集して蓄積し、これを分析して作成したデー
タベースをもとにしているため、例えば事前に異常状態
のデータを用意することの困難な対象プラントに対して
は、しきい値をもとに異常検出を行う方法を利用するこ
とができないという問題がある。

【０００６】そこで、この発明は、上記従来の問題点に
着目してなされたものであり、未知のデータの異常検出
を容易確実に行うことの可能なデータ異常検出装置を提
供することを目的としている。

【０００７】

【課題を解決するための手段】上記目的を達成するため
に、本発明に係るデータ異常検出装置は、予め収集した
正常データをもとに、教師なし学習を行うニューラルネ
ットワークを用いて正常データの特徴を抽出し、これを
正常状態モデルとしてモデル記憶手段に格納する特徴抽
出手段と、未知の入力データと前記正常状態モデルとに
基づき、前記入力データを正常とみなすことの可能な正
常判定基準値を動的に検出する正常判定基準値検出手段
と、前記入力データと前記正常状態モデルとに基づき、
前記入力データの異常判定のための判定値を演算する判
定値演算手段と、前記正常判定基準値と前記判定値とに
基づいて正常状態から乖離した異常状態を検出すること
により前記入力データの異常検出を行う異常検出手段
と、を備えることを特徴としている。

【０００８】この発明では、予め収集した正常データを
もとに、例えば自己組織化マップを用いる等、教師なし
学習を行うニューラルネットークを用いることによっ
て、正常データの特徴が抽出され、これに基づき正常状
態モデルが形成されて記憶される。そして、正常なデー
タであるのか異常なデータであるのか不明な未知の入力
データと正常状態モデルとに基づいて、入力データを正
常とみなすことの可能な正常判定基準値が検出されると
共に、入力データの異常判定のための判定値が算出され
る。そして正常判定基準値と判定値とに基づいて正常状
態から乖離した異常状態を検出することによって、入力
データの異常検出が行われる。したがって、正常状態モ
デルに基づいて入力データに応じた正常判定基準値が動
的に設定されこれに基づき異常検出が行われるから、入
力データの異常を動的に判断することが可能となる。

【０００９】

【発明の実施の形態】以下に、本発明の実施の形態を説
明する。図１は、本発明によるデータ異常検出装置の一
例を示したものであり、このデータ異常検出装置１００
は、バッチプラント，連続系プラント等のデータ異常検
出対象の対象プラントＰが正常状態であるときに収集し
た、例えば対象プラントＰに設けたセンサからの検出信
号など、予め設定された観測用のデータを記憶するデー
タベース等の観測値格納装置１と、観測値格納装置１に
格納された正常データをもとに自己組織化マップを用い
て正常データの特徴を抽出し、これに基づいて正常状態
モデルを生成しこれを正常状態モデル格納装置３に格納
する特徴抽出装置２と、正常状態モデル格納装置３に格
納された正常状態モデルをもとに対象プラントＰの所定
の監視用データの異常検出を行う異常検知装置４と、異
常検知装置４で異常を検出したときに異常表示を行うた
めのＣＲＴディスプレイ等の表示装置５とから構成され
ている。

【００１０】前記特徴抽出装置２は、マイクロコンピュ
ータ等で構成され、例えばコホーネンの自己組織化マッ
プ等による教師なし学習を行うニューラルネットワーク
を用いて、観測用データのみに基づいて内部構造を外界
に適応させる自己組織化処理を行う。そしてこの処理に
よって形成された出力層において、多次元の監視用デー
タがどの出力ユニットに最大反応を起こすかを調べて各
出力ユニットの特徴付けを行う。

【００１１】自己組織化マップは、基本的には図２に示
すように、入力層と出力層との二層構造ネットワークで
あり、入力層と出力層とが重みベクトルｗによって結合
されるようになっている。特徴抽出装置２では、図３に
示す、公知のコホーネンのネットワークアルゴリズムに
したがって処理を行う。

【００１２】すなわち、まず、ステップＳ１で、入力層
と出力層との間の重みベクトルｗの初期値を乱数を用い
て小さな値に設定する。次に、ステップＳ２で、観測値
格納装置１に格納されている正常な監視用データである
正常データを入力ベクトルｘ（ｘ＝（ｘ₁ ，ｘ₂ ，
ｘ₃ ，……ｘ_n ））として入力層に入力する。

【００１３】次に、ステップＳ３で、出力層の各出力ユ
ニットｎ_j の重みベクトルｗ_j と入力ベクトルｘとの距
離を計算する。出力層のｊ番目の出力ユニットｎ_j の重
みベクトルｗ_j と入力ベクトルｘとの距離ｄ_j は次式
（１）で与えられる。なお、式中のｗ_ijは入力層のｉ番
目の入力ユニットと出力層のｊ番目の出力ユニットとの
間の重みを表す。また、ｔは離散時間座標である。

【００１４】 ⁱ⁼¹次に、ステップＳ４で、重みベクトルｗ_j と入力ベ
クトルｘとの距離ｄ_j が最小となる出力ユニットを選択
し、これを勝者ユニットｎ_j*とする。

【００１５】次に、ステップＳ５で、次式（２）にした
がって、勝者ユニットｎ_j*と近傍関数Ｎ_j*（ｔ）とによ
って定義される勝者ユニットｎ_j*の近傍の出力ユニット
と入力ユニットとの間の重みｗ_ijを更新する。

【００１６】 ｗ_ij（ｔ＋１）＝ｗ_ij（ｔ）＋η（ｔ）〔ｘ_i （ｔ）−ｗ_ij（ｔ）〕 ……（２） なお、前記近傍関数Ｎ_j*で定まる近傍領域は、図４に示
すように、学習の初期は広く、学習の進行と共に狭くな
っていくようになっている。また、式（２）中のη
（ｔ）は、近傍関数Ｎ_j*（ｔ）で指定される近傍領域内
の出力ユニットに関して距離を検出する場合にはη
（ｔ）＝α（ｔ），近傍関数Ｎ_j*（ｔ）で指定される近
傍領域外の出力ユニットに関して距離を検出する場合に
はη（ｔ）＝０となる値であり、つまり、近傍関数Ｎ_j*
（ｔ）で指定される近傍領域外の出力ユニットに関して
はその重みベクトルの更新を行わないようになってい
る。また、前記α（ｔ）（０＜α（ｔ）＜１）は、学習
係数であって学習の進行と共に単調減少させるようにな
っている。

【００１７】そして、観測値格納装置１に格納されてい
る正常データに対して所定の処理が終了したとき（ステ
ップＳ６）、処理を終了する。これによって、教師なし
学習により正常データの特徴を表す自己組織化マップが
形成される。この自己組織化マップでは、勝者ユニット
ｎ_j*及び近傍関数Ｎ_j*により特定される近傍ユニットは
全てその時の入力ベクトルに近づくようになっている。
そして、学習の初期は、近傍関数Ｎ_j*によって多くの出
力ユニットが近傍ユニットと見なされて大まかなマップ
が形成されるが、学習の進行と共に、近傍関数Ｎ_j*によ
り勝者ユニットｎ_j*の近傍ユニットとみなされる出力ユ
ニットが減少し、局所的な微調整が進んで空間的な解像
度が向上するようになっている。

【００１８】さらに、特徴抽出装置２では、図３に示す
アルゴリズムにしたがって学習した結果得られた正常デ
ータに対応する自己組織化マップに基づいて、各出力ユ
ニットの重みベクトルｗ_j をもとに、各出力ユニット間
の距離関係を算出し、出力ユニット間の距離関係を示す
正常データの分布形を表す特徴マップを形成し、各出力
ユニットの重みベクトルｗ_j と共に特徴マップを正常状
態モデルとして正常状態モデル格納装置３に記憶する。
図５は、図３に示す教師なし学習のアルゴリズムにした
がって、３３個の正常データをもとに学習を行い、正常
状態モデルとして自己組織化マップの出力ユニット間の
距離を算出し、その距離関係を階調度の濃淡により表し
たものである。近接した重みベクトル間の平均距離が小
さいときには薄い色合い，逆に平均距離が大きいならば
濃い色合いを用いており、これによりクラスター間の峡
谷を明白に示すようにしている。

【００１９】一方、前記異常検知装置４では、稼働中の
対象プラントＰに設けた各種センサからの多次元の監視
用データを入力し、この監視用データと正常状態モデル
格納装置３に格納されている正常状態モデルとをもと
に、図６に示すフローチャートにしたがって、監視用デ
ータの異常検出を行う。

【００２０】すなわち、まず、ステップＳ１１で、対象
プラントＰに設けた各種センサからの多次元の監視用デ
ータを異常検出のための入力データ（入力ベクトル）ｘ
（ｘ＝（ｘ₁ ，ｘ₂ ，ｘ₃ ，……ｘ_n ））として入力す
る。

【００２１】次いで、ステップＳ１２で、次式（３）に
したがって入力ベクトルｘと、正常状態モデルの各出力
ユニットｎ_j の重みベクトルｗ_j-M との間の距離である
外部距離ｄ_ext を算出する。なお、式中のｗ_ij-Mは、正
常状態モデルにおける入力ユニット及び出力ユニット間
の重みである。

【００２２】 次いで、ステップＳ１３で、ステップＳ１２で算出した
各出力ユニットｎ_j 毎の外部距離ｄ_ext が最小となる出
力ユニットｎ_j を検索し、これを勝者ユニットｎ_j*′と
して仮定する。

【００２３】次いで、ステップＳ１４で、正常状態モデ
ルにおいて、例えば図７に示す勝者ユニットｎ_j*′の第
１近傍領域内の全ての出力ユニットに対して、次式
（４）にしたがって内部距離ｄ_int を算出する。すなわ
ち、正常状態モデルにおいて勝者ユニットｎ_j*′の重み
ベクトルｗ_j*-M及びこれと隣接する出力ユニットの重み
ベクトルｗ_j-M との間の平均距離を演算し、出力ユニッ
ト間の平均距離のうちの最大値を内部距離ｄ_int として
設定する。

【００２４】 次いで、ステップＳ１５で、外部距離ｄ_ext が内部距離
ｄ_int より大きいか否かを判定し、ｄ_ext ＜ｄ_int であ
るときにはステップＳ１６に移行し、表示装置５に異常
発生のメッセージを表示する等の所定の異常検出時の処
理を実行した後ステップＳ１７に移行する。一方、ステ
ップＳ１５で、ｄ_ext ＜ｄ_int でないときには、そのま
まステップＳ１７に移行し、例えばオペレータ等によっ
て、異常検出処理の終了指示が行われたか否かを判定
し、終了指示が行われないときにはステップＳ１１に戻
って次の監視用データに対して上記と同様にして処理を
行う。そして、ステップＳ１７で異常検出処理の終了指
示が行われたときには処理を終了する。

【００２５】ここで、正常状態モデル格納装置３がモデ
ル記憶手段に対応し、特徴抽出手段が特徴抽出装置２に
対応し、内部距離ｄ_int が正常判定基準値に対応し、図
６のステップＳ１４の処理が正常判定基準値検出手段に
対応し、外部距離ｄ_ext が判定値に対応し、図６のステ
ップＳ１２の処理が判定値演算手段に対応し、図６のス
テップＳ１５の処理が異常検出手段に対応している。

【００２６】次に、上記実施の形態の動作を説明する。
今、対象プラントＰについてその異常検出を行うものと
すると、予め、対象プラントＰが正常に稼働している状
態において、対象プラントＰに設置した各種センサ等か
らの監視用データを収集する。そして、この収集した正
常データに基づいて特徴抽出装置２において、図３のフ
ローチャートにしたがって自己組織化マップを用いて特
徴抽出を行い、これをもとに図５に示すような重みベク
トル間の距離関係を表す特徴マップを形成して正常状態
モデルとして正常状態モデル格納装置３に格納してお
く。

【００２７】そして、対象プラントＰの異常検出を行う
場合には、まず、対象プラントＰに設けた各種センサか
ら正常であるか異常であるのか不明な未知の監視用デー
タを入力ベクトルｘとして入力し（ステップＳ１１）、
正常状態モデル格納装置３に格納している正常状態モデ
ルと入力ベクトルｘとをもとに前記式（３）に基づいて
外部距離ｄ_ext を算出する。そして、この外部距離ｄ
_ext が最小となる出力ユニットｎを勝者ユニットｎ_j*′
とし、前記式（４）に基づいて、内部距離ｄ_intを算出
する。そして、例えば、図７に示すように、近傍領域と
して勝者ユニットｎ_j*′を囲む８つの出力ユニットを含
む第１近傍領域を設定すると、これら８つの出力ユニッ
トの重みベクトルｗ_j と勝者ユニットｎ_j*′の重みベク
トルｗ_j*との平均距離を算出し、この平均距離の最大値
を内部距離ｄ_int として設定する。

【００２８】ここで、入力ベクトルｘが正常データであ
れば、この入力ベクトルｘは正常状態モデルと同等の特
徴を有することになるから、正常状態モデルの各出力ユ
ニットの重みベクトル及び入力ベクトルｘの距離である
外部距離ｄ_ext が最小となる勝者ユニットｎ_j*′と、こ
れの近傍の出力ユニットとの距離関係は、図５の出力ユ
ニット間の距離関係を表す特徴マップにおける距離関係
を満足することになる。

【００２９】したがって、入力ベクトルｘと正常状態モ
デルの重みベクトルとのずれの最小値である外部距離ｄ
_ext が、勝者ユニットｎ_j*′とこの近傍の出力ユニット
との平均距離の最大値である内部距離ｄ_int 以下（内部
距離ｄ_int ≧外部距離ｄ_ext）であれば、入力ベクトル
ｘは、正常状態モデルと同等の特徴を有するとみなすこ
とができ、入力ベクトルｘは正常と判断される（ステッ
プＳ１５）。

【００３０】逆に、内部距離ｄ_int ＜外部距離ｄ_ext で
あるときには、外部距離ｄ_ext が、正常状態モデルに基
づいて算出される、入力ベクトルｘが正常であるとみな
すことの可能な上限値である内部距離ｄ_int を越えるこ
とになるから、つまり、正常状態モデルと同等の特徴を
有していない可能性があるとみなされて、入力ベクトル
ｘは異常の可能性があると判断される（ステップＳ１
５）。そして、表示装置５にデータに異常が発生したこ
とが通知される。

【００３１】したがって、上述のように、予め収集した
各種の正常データをもとに、教師なし学習によって、正
常データの特徴を表す正常状態モデルを形成してこれに
基づき異常検出を行うようにしたから、複数種の監視用
データ毎に異常判断基準のしきい値を設定する必要がな
く、複数種の監視用データつまり多次元の監視用データ
である場合でもこれらを総合的に評価することができ
る。また、正常状態モデルを用いることによって入力さ
れる監視用データに応じて動的に判断基準値を変更する
ことができるから、対象プラントの稼働状態に応じて的
確な判断基準を設定することができ、多次元入力に関す
る総合的な異常検知をリアルタイムに実現することがで
きる。

【００３２】また、正常状態モデルを形成するために
は、正常データさえあればよいから、例えば異常状態時
の監視用データを収集することができないようなプラン
トについても確実に異常検出を行うことができる。

【００３３】なお、上記実施の形態においては、外部距
離ｄ_ext を、勝者ユニットｎ_j*′と隣接する出力ユニッ
トである第１近傍領域内の出力ユニットに関して算出す
るようにした場合について説明したが、これに限るもの
ではなく、第１近傍領域よりも範囲の広い領域内の出力
ユニットに対して算出するようにしてもよく、この近傍
領域の範囲が広くなるほど、異常検出の検出誤差の許容
範囲が大きくなることになるから、例えば稼働状況等、
対象プラントＰに応じて近傍領域の範囲を設定すれば効
果的である。

【００３４】また、上記実施の形態においては、プラン
トの異常を検出するようにした場合について説明した
が、これに限らず、例えば計算機間での授受データの異
常等を検出する場合等に適用することもできる。

【００３５】ここで、上記実施の形態における、特徴抽
出装置２での教師なし学習時の処理及び異常検知装置４
での異常検出時の処理は、ＲＯＭ，フレキシブルディス
ク，コンパクトディスク或いはハードディスク等の記憶
媒体に電子的に格納されており、特徴抽出装置２及び異
常検知装置４では、この記憶媒体からこれら処理プログ
ラムを読み出してこれを実行するようになっている。

【００３６】

【発明の効果】以上説明したように、本発明のデータ異
常検出装置によれば、正常データに基づく教師なし学習
により形成した正常状態モデルに基づいて入力データに
応じた正常判定基準値を動的に設定し、これに基づいて
異常検出を行うようにしたから、入力データの異常判断
を動的に行うことができる。

【図面の簡単な説明】

【図１】本発明を適用したデータ異常検出装置の一例を
示す構成図である。

【図２】自己組織化特徴マップの一例である。

【図３】コホーネンのネットワークアルゴリズムを表す
フローチャートである。

【図４】近傍関数の一例を示す説明図である。

【図５】出力ユニット間の距離関係を表す特徴マップの
一例である。

【図６】異常検知装置の処理手順の一例を示すフローチ
ャートである。

【図７】 第１近傍領域を表す説明図である。

【符号の説明】

１ 観測値格納装置 ２ 特徴抽出装置 ３ 正常状態モデル格納装置 ４ 異常検知装置 ５ 表示装置

Claims (1)

【特許請求の範囲】
1. 【請求項１】 予め収集した正常データをもとに、教師
   なし学習を行うニューラルネットワークを用いて正常デ
   ータの特徴を抽出し、これを正常状態モデルとしてモデ
   ル記憶手段に格納する特徴抽出手段と、 未知の入力データと前記正常状態モデルとに基づき、前
   記入力データを正常とみなすことの可能な正常判定基準
   値を動的に検出する正常判定基準値検出手段と、 前記入力データと前記正常状態モデルとに基づき、前記
   入力データの異常判定のための判定値を演算する判定値
   演算手段と、 前記正常判定基準値と前記判定値とに基づいて正常状態
   から乖離した異常状態を検出することにより前記入力デ
   ータの異常検出を行う異常検出手段と、を備えることを
   特徴とするデータ異常検出装置。