2022-25863 異常検知装置、異常検知方法及びプログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2022025863

(43)【公開日】2022-02-10

(54)【発明の名称】異常検知装置、異常検知方法及びプログラム

(51)【国際特許分類】

   G05B 23/02 20060101AFI20220203BHJP

【ＦＩ】

G05B23/02 302Z

【審査請求】未請求

【請求項の数】6

【出願形態】ＯＬ

(21)【出願番号】P 2020129001

(22)【出願日】2020-07-30

【新規性喪失の例外の表示】特許法第３０条第２項適用申請有り ・２０２０年２月２０日、ｈｔｔｐｓ：／／ｎｃｓｐ．ｊｐ／ｒｅｇｉｓｔｒａｔｉｏｎ／ｐｒｏｃ．ｈｔｍｌにて、異常検知装置、異常検知方法及びプログラムに関する研究について公開した。 ・２０２０年２月２８日～３月２日、ＲＩＳＰ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｗｏｒｋｓｈｏｐ ｏｎ Ｎｏｎｌｉｎｅａｒ Ｃｉｒｃｕｉｔｓ，Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ａｎｄ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ ２０２０にて、異常検知装置、異常検知方法及びプログラムに関する研究について公開した。

(71)【出願人】

【識別番号】000000929

【氏名又は名称】ＫＹＢ株式会社

(71)【出願人】

【識別番号】504139662

【氏名又は名称】国立大学法人東海国立大学機構

(74)【代理人】

【識別番号】110000497

【氏名又は名称】特許業務法人グランダム特許事務所

(72)【発明者】

【氏名】井指 諒亮

(72)【発明者】

【氏名】古川 輝

(72)【発明者】

【氏名】内藤 孝昌

(72)【発明者】

【氏名】速水 悟

(72)【発明者】

【氏名】朝日 翔太

(72)【発明者】

【氏名】松井 彩華

【テーマコード（参考）】

3C223

【Ｆターム（参考）】

3C223AA11

3C223BA01

3C223CC01

3C223DD01

3C223EB02

3C223FF22

3C223FF26

3C223GG01

3C223HH03

(57)【要約】

【課題】異常検知の精度が高い異常検知装置を提供する。
【解決手段】異常検知装置は、発生する時系列の波形が正常時と異常時とにおいて異なることを利用して異常を検知する。この異常検知装置は、変換部１、機械学習部２Ａ，２Ｂ、及び判断部３を備えている。変換部１は波形を時間成分と周波数成分を有するグラフ化した多次元画像に変換する。機械学習部２Ａは、変換部１において正常時の波形を変換して得られた変換画像Ｙ１の少なくとも一箇所の領域を異なる画像に変更した画像Ｘ１を変換画像Ｙ１に戻すように学習する。判断部３は、変換部１において評価対象の波形を変換して得られた評価画像Ｙ２の少なくとも一箇所の領域を異なる画像に変更した画像Ｘ２を学習済みの機械学習部２Ｂに入力して出力される予測画像Ｚと、評価画像Ｙ２とを比較して異常を判断する。
【選択図】図１

【特許請求の範囲】

【請求項1】

発生する時系列の波形が正常時と異常時とにおいて異なることを利用して異常を検知する異常検知装置であって、
前記波形を時間成分及び周波数成分を有するグラフ化した多次元画像に変換する変換部と、
前記変換部において正常時の前記波形を変換して得られた変換画像の少なくとも一箇所の領域を異なる画像に変更した画像を前記変換画像に戻すように学習する機械学習部と、
前記変換部において評価対象の前記波形を変換して得られた評価画像の少なくとも一箇所の領域を異なる画像に変更した画像を学習済みの前記機械学習部に入力して出力される予測画像と、前記評価画像とを比較して異常を判断する判断部と、
を備えている異常検知装置。

【請求項2】

前記異なる画像は所定の輝度の画像である請求項１に記載の異常検知装置。

【請求項3】

前記所定の輝度は、前記所定の輝度に変更する前の前記領域内の輝度の平均値である請求項２に記載の異常検知装置。

【請求項4】

前記機械学習部は、前記異なる画像に変更する一箇所の領域の位置、大きさ、形状、及び数のうち少なくとも一つをランダムに変更する請求項１から請求項３までのいずれか１項に記載の異常検知装置。

【請求項5】

発生する時系列の波形が正常時と異常時とにおいて異なることを利用して異常を検知する異常検知方法であって、
前記波形を時間成分と周波数成分を有するグラフ化した多次元画像に変換する変換工程と、
前記変換工程を実行し、正常時の前記波形を変換して得られた変換画像の少なくとも一箇所の領域を異なる画像に変更した画像を前記変換画像に戻すように機械学習部に学習させる学習工程と、
前記変換工程を実行し、評価対象の前記波形を変換して得られた評価画像の少なくとも一箇所の領域を異なる画像に変更した画像を学習済みの前記機械学習部に入力して出力される予測画像と、前記評価画像とを比較して異常を判断する判断工程と、
を備えている異常検知方法。

【請求項6】

コンピュータを、請求項１から請求項４までのいずれか１項に記載の異常検知装置における各部として機能させるためのプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は異常検知装置、異常検知方法及びプログラムに関するものである。

【背景技術】

【0002】

特許文献１は従来の異常検知装置を開示している。この異常検知装置は入力される画像データに表示されている判定対象物の異常を判定する。この異常検知装置は、正常画像データ群から抽出される特徴量から再構成画像データを生成し、生成した再構成画像データと入力した画像データとの差異情報に基づいて異常判定を行う。特徴量は、ニューラルネットワークモデルの一つであるオートエンコーダを利用して取得することができる。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０１８－５７７３号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

しかし、一般的にオートエンコーダは入力画像と出力画像とが同じになるように学習させるため、入力される正常画像と異常画像との大部分が似ていると、オートエンコーダを利用して取得した特徴量から生成した再構成画像データと入力した画像データとの差異が出づらい。このため、一般的な学習モデルのオートエンコーダを利用した場合、特許文献１の異常検知装置は異常検知の精度が出づらい。

【0005】

本発明は、上記従来の実情に鑑みてなされたものであって、異常検知の精度が高い異常検知装置、異常検知方法及びプログラムを提供することを解決すべき課題としている。

【課題を解決するための手段】

【0006】

本発明の異常検知装置は、発生する時系列の波形が正常時と異常時とにおいて異なることを利用して異常を検知する。この異常検知装置は、変換部、機械学習部、及び判断部を備えている。変換部は波形を時間成分と周波数成分を有するグラフ化した多次元画像に変換する。機械学習部は、変換部において正常時の波形を変換して得られた変換画像の少なくとも一箇所の領域を異なる画像に変更した画像を変換画像に戻すように学習する。判断部は、変換部において評価対象の波形を変換して得られた評価画像の少なくとも一箇所の領域を異なる画像に変更した画像を学習済みの機械学習部に入力して出力される予測画像と、評価画像とを比較して異常を判断する。

【0007】

本発明の異常検知方法は、発生する時系列の波形が正常時と異常時とにおいて異なることを利用して異常を検知する。この異常検知方法は、変換工程、学習工程、及び判断工程を備えている。変換工程は波形を時間成分と周波数成分を有するグラフ化した多次元画像に変換する。学習工程は、変換工程を実行し、正常時の波形を変換して得られた変換画像の少なくとも一箇所の領域を異なる画像に変更した画像を変換画像に戻すように機械学習部に学習させる。判断工程は、変換工程を実行し、評価対象の波形を変換して得られた評価画像の少なくとも一箇所の領域を異なる画像に変更した画像を学習済みの機械学習部に入力して出力される予測画像と、評価画像とを比較して異常を判断する。

【0008】

この異常検知装置及び異常検知方法は、変換部及び変換工程において、正常時の波形を変換して得られた変換画像の少なくとも一箇所の領域を異なる画像に変更した画像を変換画像に戻すように機械学習部が学習する。このように、機械学習部が学習する問題を難しくさせることによって、この異常検知装置及び異常検知方法は、学習モデルの精度を向上させることができる。これによって、この異常検知装置及び異常検知方法は、判断部における予測画像と評価画像との比較において、正常時と異常値との差を明確にすることができる。このため、この異常検知装置及び異常検知方法は、判断部における評価基準を簡略化することができる。また、この異常検知装置及び異常検知方法は、異常検知の精度を高くすることができる。

【0009】

本発明の異常検知装置及び異常検知方法において、異なる画像は所定の輝度の画像であり得る。この場合、機械学習部において学習する問題を容易に難しくすることができる。

【0010】

本発明の異常検知装置及び異常検知方法における異なる画像の所定の輝度は、所定の輝度に変更する前の領域内の輝度の平均値であり得る。この場合、機械学習部において学習する問題を適度に難しくすることができる。

【0011】

本発明の異常検知装置及び異常検知方法における機械学習部は、異なる画像に変更する一箇所の領域の位置、大きさ、形状、及び数のうち少なくとも一つをランダムに変更し得る。この場合、機械学習部において学習する問題の偏りをなくすことができる。

【図面の簡単な説明】

【0012】

【図1】実施形態１の異常検知装置における学習する段階の学習方法を示すブロック図である。

【図2】実施形態１の異常検知装置における異常を検知する段階の異常検知方法を示すブロック図である。

【図3】チェーンの状態を示す概念図である。

【図4】正常時の加速度データを示すグラフである。

【図5】異常時の加速度データを示すグラフである。

【図6】比較例１の異常度を示すグラフである。

【図7】実施例１の異常度を示すグラフである。

【図8】実施例２の異常度を示すグラフである。

【発明を実施するための形態】

【0013】

本発明の異常検知装置及び異常検知方法を具体化した実施形態１について、図面を参照しつつ説明する。

【0014】

＜実施形態１＞
実施形態１の異常検知装置は、図１及び図２に示すように、変換部１、機械学習部２Ａ，２Ｂ、及び判断部３を備えている。変換部１は加速度データをスペクトログラムＹ１，Ｙ２に変換する。スペクトログラムＹ１，Ｙ２は、横軸方向に時間成分、縦軸方向に周波数成分を有し、色を使用して各周波数帯域のパワーを表すグラフ化した多次元画像である。機械学習部２Ａが学習する段階（以下、「学習段階」という。）において、変換部１で変換されたスペクトログラムＹ１は変換画像に相当する。異常検知装置が異常を検知する段階（以下、「異常検知段階」という。）において、変換部１で変換されたスペクトログラムＹ２は評価画像に相当する。また、変換部１は加速度データをマスクしたスペクトログラムＸ１，Ｘ２に変換する。「マスクしたスペクトログラムＸ１，Ｘ２」とは、変換部１で変換されたスペクトログラム（変換画像Ｙ１及び評価画像Ｙ２）の少なくとも一箇所の領域を異なる画像に変更したスペクトログラムである。つまり、「マスクをする」とはスペクトログラムＹ１，Ｙ２の少なくとも一箇所の領域を異なる画像に変更することである。「少なくとも一箇所」とは、一箇所に限らず複数箇所であっても良いことである。

【0015】

学習段階における異常検知装置は、図１に示すように、機械学習部２ＡがマスクしたスペクトログラムＸ１を元のスペクトログラムＹ１に戻す学習をする。機械学習部２Ａに入力される「マスクしたスペクトログラム」は、正常時の加速度データを変換部１においてマスクしたスペクトログラムＸ１に変換したものである。機械学習部２Ａに入力される「元のスペクトログラム」は、正常時の加速度データを変換部１においてスペクトログラムＹ１に変換したものであり、変換画像に相当する。このように、機械学習部２Ａは、正常時の加速度データのマスクしたスペクトログラムＸ１を正常時の加速度データのスペクトログラムＹ１（変換画像）に戻すように学習する。この機械学習部２Ａは、オートエンコーダ（以下「ＡＥ」という。）の一種であり、深い畳み込みエンコーダ／デコーダアーキテクチャを備えている。

【0016】

異常検知段階における異常検知装置は、図２に示すように、評価対象の加速度データを変換部１においてスペクトログラムＹ２に変換する。このスペクトログラムＹ２は評価画像に相当する。また、異常検知段階における異常検知装置は、評価対象の加速度データを変換部１において、マスクしたスペクトログラムＸ２に変換する。マスクしたスペクトログラムＸ２は評価画像Ｙ２の少なくとも一箇所の領域を異なる画像に変更したスペクトログラムである。異常検知装置は、マスクしたスペクトログラムＸ２を学習済みの機械学習部２Ｂに入力する。

【0017】

判断部３は、学習済みの機械学習部２Ｂから出力される予測画像Ｚと、評価画像Ｙ２とを比較する。判断部３は、予測画像Ｚと評価画像Ｙ２との差が所定の閾値よりも小さい場合、正常と判断し、大きい場合、異常と判断する。この判断を行うにあたって、ピーク信号対雑音比（以下、「ＰＳＮＲ」という。）によって得られた重み付きの移動分散を異常度として利用する。ＰＳＮＲは予測画像Ｚと評価画像Ｙ２とから計算される。重み付けされた移動分散は、ＰＳＮＲを順番に並べ替えることによって計算される。重み付けのウィンドウサイズは１６１フレームであり、シフトは１フレームである。外れ値を除外するために各フレームの上部と下部の３％をフレームから削除する。分散はフレームのＰＳＮＲから取得される。

【0018】

ＰＳＮＲは２つの画像の同じピクセルの輝度値の差分の２乗をみる指標値である。ＰＳＮＲの値が高いほど、二つの画像の類似度は高い。ｍ×ｎの画像Ｉと画像Ｋにおいて、ＰＳＮＲの式を式１に示し、平均二乗誤差の式を式２に示す。ＭＡＸは輝度地の最高値（ここでは２５５）である。

【0019】

【数1】

【0020】

このような異常検知装置を利用した異常検知方法は、正常時の加速度データを利用して機械学習部２Ａを学習する（学習段階）。その後、学習済みの機械学習部２Ｂを利用して評価対象の加速度データの正常及び異常を判断する（異常検知段階）。

【0021】

＜学習段階＞
図１に示すように、変換部１において複数の正常時の加速度データをマスクしたスペクトログラムＸ１とスペクトログラムＹ１に変換する変換工程を実行する。次に、正常時の加速度データから変換したマスクしたスペクトログラムＸ１を同じ正常時の加速度データから変換した評価画像であるスペクトログラムＹ１に戻すように機械学習部２Ａに学習させる学習工程を実行する。学習工程は複数の正常時の加速度データから変換したマスクしたスペクトログラムＸ１及びスペクトログラムＹ１に対して所定のエポック数を繰り返し実行する。

【0022】

＜異常検知段階＞
機械学習部２Ａが学習を終えた後、図２に示すように、変換部１において評価対象の加速度データをマスクしたスペクトログラムＸ２とスペクトログラムＹ２に変換する変換工程を実行する。次に、以下に示す判断工程を実行して、加速度データの正常及び異常を判断する。判断工程は、まず、評価対象の加速度データから変換したマスクしたスペクトログラムＸ２を学習済みの機械学習部２Ｂに入力する。次に、機械学習部２Ｂから出力される予測画像Ｚと評価画像であるスペクトログラムＹ２とを判断部３において比較して異常を判断する。

【0023】

上述した異常検知装置において異常検知方法を実行する各部の機能はコンピュータによって実現する。異常検知装置は、ドライブ装置、メモリ装置、ＣＰＵ、及びインターフェース装置等を有する。異常検知装置における各部として機能させるプログラムは、ＣＤ－ＲＯＭ等の記録媒体によって提供される。プログラムを記憶した記録媒体がドライブ装置にセットされると、プログラムが記録媒体からドライブ装置を介してメモリ装置にインストールされる。但し、プログラムのインストールは必ずしも記録媒体より行う必要はなく、ネットワークを介して他のコンピュータよりダウンロードするようにしてもよい。ＣＰＵは、メモリ装置に格納されたプログラムに従って異常検知装置における各部の機能を実行する。インターフェース装置は、ネットワークに接続するためのインターフェースとして用いられる。異常検知装置はインターフェース装置を介して加速度データを取得する。

【0024】

以上説明した異常検知装置は、機械装置の振動データの異常な挙動を検出して、機械装置の故障の対策に利用することができる。この異常検知装置を利用してチェーンコンベアを備えた機械装置の異常検知を行った場合（実施例１及び実施例２）と、通常のＡＥの学習モデルによって学習した機械学習部２Ｂを利用して異常検知を行った場合（比較例１）との異常度を比較した。通常のＡＥの学習モデルとは、入力画像と出力画像とが同じになるように学習するモデルのことである。また、比較例１では、学習段階における機械学習部２Ａに入力する画像及び異常検知段階における学習済み機械学習部２Ｂに入力する画像は、マスクをしていないスペクトログラムである。つまり、比較例１では、元のスペクトログラムを機械学習部２Ａ，２Ｂの入力画像と出力画像の両方として使用する。以下に実施例１、実施例２及び比較例１について説明する。

【0025】

実施例１、実施例２及び比較例１において、振動データはチェーンコンベアを備えた機械装置に取り付けられた加速度計によって収集した。加速度計によって収集した加速度データは、時系列の波形で示される。

【0026】

加速度データは、チェーンコンベアが故障、チェーン交換、正常に稼働した状況で収集を行った。つまり、チェーンコンベアは、データ収集中に１回故障して、応急処置をし、その後、チェーンを交換した。チェーンの交換後は、チェーンの状態が不安定になり、全長が長くなる傾向がある。このため、チェーンコンベアは、交換から少し経つとチェーンを切断して長さを調整し、その後、正常に稼働するようになった。加速度データは、図３に示すように、チェーンを切断して長さを調整した後のデータを正常とし、故障前のデータを異常とした。調整後の正常データの一部を機械学習部２Ａの学習に利用した。加速度データを収集するための条件を表１に示す。正常時の加速度データを図４に示す。異常時の加速度データを図５に示す。

【0027】

【表1】

【0028】

実施例１及び実施例２において、機械学習部２Ａ，２Ｂに入力されるマスクしたスペクトログラムＸ１，Ｘ２は、変換部１で変換されたスペクトログラム（変換画像Ｙ１及び評価画像Ｙ２）の一箇所を異なる画像に変更したものである。つまり、マスクしたスペクトログラムＸ１，Ｘ２は、変換画像Ｙ１及び評価画像Ｙ２の一箇所を異なる画像によってマスクしたものである。異なる画像は、所定の輝度を有している。所定の輝度は、変更される範囲内の輝度の平均値にした。

【0029】

実施例１におけるマスクしたスペクトログラムＸ１，Ｘ２は、スペクトログラムＹ１，Ｙ２の全体の上下幅に対して、１／３２の幅を有し、時間軸に平行な水平方向にスペクトログラムＹ１，Ｙ２の左右幅全体に伸びた画像によってマスクされている。マスクしたスペクトログラムＸ１，Ｘ２は、機械学習部２Ａ，２Ｂへ入力される度に、マスクする位置を上下方向にランダムに移動させる。

【0030】

実施例２におけるマスクしたスペクトログラムＸ１，Ｘ２は、スペクトログラムＹ１，Ｙ２の全体の上下幅に対して、１／８の幅を有し、水平方向にスペクトログラムＹ１，Ｙ２の左右幅全体に伸びた画像によってマスクされている。マスクしたスペクトログラムＸ１，Ｘ２は、機械学習部２Ａ，２Ｂへ入力される度に、マスクする位置を上下方向にランダムに移動させる。

【0031】

スペクトログラムＸ１，Ｘ２，Ｙ１，Ｙ２のパラメータを表２に示し、学習パラメータを表３に示す。実施例１及び比較例１において、機械学習部２Ａにおける学習のエポック数は３０１である。実施例２において、機械学習部２Ａにおける学習のエポック数は１００１である。

【0032】

【表2】

【0033】

【表3】

【0034】

比較例、実施例１、及び実施例２において、図６～図８に示すように、故障前に閾値を超える異常度を示している。閾値は異常の９０％とした。これらから、比較例１、実施例１及び実施例２において、閾値を超えた後に障害が発生すると予測できる。

【0035】

比較例１における異常度は、図６に示すように、故障前に徐々に増加している。これは、故障前にチェーンコンベアの状態が徐々に悪化したことを示している。比較例１における異常度は、故障からチェーン交換まで、正常時の異常度よりも高くなっている。これは、チェーンコンベアの状態が、大まかな修理では完全に直らないことを示している。

【0036】

実施例１及び実施例２における異常度は、図７及び図８に示すように、チェーンを交換後とチェーンの長さを調整した後に異常度が一時的に増加している。これは、チェーンの交換後とチェーンの長さを調整した後の少しの間、チェーンがうまく噛み合わないことを示している。

【0037】

実施例１と実施例２の異常度のグラフを比較すると、実施例２の方が故障前の異常度が高くなっている。これによって、実施例１に比べて実施例２の方が、不明な原因による異常度の増加が相対的に小さく現れている。これは、マスク幅が大きいほど、故障前の異常度が大きくなり、未知のエラーによる値の変化が小さくなったと考えられる。また、スペクトログラムにマスクをすると、スペクトログラムの再構築が困難になり、小さな異変よりも大きな異変による影響を受けやすくなると考えられる。

【0038】

実施例１及び実施例２の異常検知装置は、発生する時系列の波形が正常時と異常時とにおいて異なることを利用して異常を検知する。この異常検知装置は、変換部１、機械学習部２Ａ，２Ｂ、及び判断部３を備えている。変換部１は波形を時間成分と周波数成分を有するスペクトログラムＸ１，Ｘ２，Ｙ１，Ｙ２に変換する。機械学習部２Ａは、変換部１において正常時の波形を変換して得られたスペクトログラムＹ１（変換画像）の一箇所の領域である水平方向に左右幅全体に伸びた領域をその領域内の輝度の平均値の輝度の画像に変更したマスクしたスペクトログラムＸ１を元のスペクトログラムＹ１（変換画像）に戻すように学習する。判断部３は、変換部１において評価対象の波形を変換して得られたスペクトログラムＹ２（評価画像）の一箇所の領域である水平方向に左右幅全体に伸びた領域をその領域内の輝度の平均値の輝度の画像に変更したマスクしたスペクトログラムＸ２を学習済みの機械学習部２Ｂに入力して出力される予測画像Ｚと、元のスペクトログラムＹ２（評価画像）とを比較して異常を判断する。

【0039】

実施例１及び実施例２の異常検知方法は、発生する時系列の波形が正常時と異常時とにおいて異なることを利用して異常を検知する。この異常検知方法は、変換工程、学習工程、及び判断工程を備えている。変換工程は波形を時間成分と周波数成分を有するスペクトログラムＸ１，Ｘ２，Ｙ１，Ｙ２に変換する。学習工程は、変換工程を実行し、正常時の波形を変換して得られたスペクトログラムＹ１（変換画像）の一箇所の領域である水平方向に左右幅全体に伸びた領域をその領域内の輝度の平均値の輝度の画像に変更したマスクしたスペクトログラムＸ１を元のスペクトログラムＹ１（変換画像）に戻すように機械学習部２Ａに学習させる。判断工程は、変換工程を実行し、評価対象の波形を変換して得られたスペクトログラムＹ１（評価画像）の一箇所の領域である水平方向に左右幅全体に伸びた領域をその領域内の輝度の平均値の輝度の画像に変更したマスクしたスペクトログラムＸ２を学習済みの機械学習部２Ｂに入力して出力される予測画像Ｚと、元のスペクトログラムＹ２（評価画像）とを比較して異常を判断する。

【0040】

この異常検知装置及び異常検知方法は、変換部１及び変換工程において、マスクしたスペクトログラムＸ１を元のスペクトログラムＹ１（変換画像）に戻すように機械学習部２Ａが学習する。このように、この異常検知装置及び異常検知方法は、機械学習部２Ａが学習する問題を難しくさせることによって、学習モデルの精度を向上させることができる。これによって、この異常検知装置及び異常検知方法は、判断部３における予測画像Ｚと評価画像Ｙ２との比較において、正常時と異常値との差を明確にすることができる。このため、この異常検知装置及び異常検知方法は、判断部３及び判断工程における評価基準を簡略化することができる。このように、この異常検知装置及び異常検知方法は、異常検知の精度を高くすることができる。

【0041】

実施例１及び実施例２の異常検知装置及び異常検知方法において、異なる画像は、変更前の領域内の輝度の平均値である輝度を有する画像である。この場合、機械学習部２Ａにおいて学習する問題を適度に難しくすることができる。

【0042】

本発明は上記記述及び図面によって説明した実施形態１に限定されるものではなく、例えば次のような実施形態も本発明の技術的範囲に含まれる。
（１）実施例１及び実施例２では、変更する前の領域の輝度の平均値である輝度を有した画像によってマスクしたが、マスクする画像は任意の輝度を有した画像でもよく、変更する前の領域の画像と異なる画像であればよい。
（２）実施例１及び実施例２では、変換画像及び評価画像の一箇所の領域を異なる画像に変更したが、複数箇所の領域を異なる画像に変更してもよい。
（３）実施例１及び実施例２では、変換画像及び評価画像の時間軸に平行な水平方向に伸びた領域をマスクしたが、周波数軸に平行な縦方向に伸びた領域をマスクしてもよい。
（４）実施例１及び実施例２では、機械学習部が学習段階において、マスクする領域の大きさは一定であったが、学習段階に応じてマスクする領域の大きさを変化させてもよい。この場合、学習段階の序盤はマスクする領域の大きさを小さくして簡単な問題とし、学習段階が進むにつれて、マスクする領域の大きさを大きくすることによって元の画像に戻すことが難しい問題にして学習させてもよい。
（５）実施例１及び実施例２では、異常検知装置をチェーンコンベアを備えた機械装置の異常の検知に利用したが、この異常検知装置は、発生する時系列の波形が正常時と異常時とにおいて異なるものであれば、チェーンコンベアを備えた機械装置に限らず異常を検知することができる。

【符号の説明】

【0043】

１…変換部、２Ａ，２Ｂ…機械学習部、３…判断部、Ｘ１，Ｘ２…マスクしたスペクトログラム、Ｙ１…スペクトログラム（変換画像）、Ｙ２…スペクトログラム（評価画像）、Ｚ…予測画像

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】