知財求人 - 知財ポータルサイト「IP Force」
特開2024-118788異常検知処理装置、異常検知処理方法及び異常検知処理プログラム
(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】P2024118788
(43)【公開日】2024-09-02
(54)【発明の名称】異常検知処理装置、異常検知処理方法及び異常検知処理プログラム
(51)【国際特許分類】
G06N 20/00 20190101AFI20240826BHJP
【ＦＩ】
G06N20/00
【審査請求】未請求
【請求項の数】9
【出願形態】ＯＬ
(21)【出願番号】P 2023025280
(22)【出願日】2023-02-21
(71)【出願人】
【識別番号】000000295
【氏名又は名称】沖電気工業株式会社
(74)【代理人】
【識別番号】100174104
【弁理士】
【氏名又は名称】奥田 康一
(72)【発明者】
【氏名】大場 博之
(72)【発明者】
【氏名】越川 博昭
(72)【発明者】
【氏名】林 育実
(57)【要約】
【課題】データの一部を用いた学習処理により適切な分類モデルを生成し得るようにする。
【解決手段】異常検知処理装置１は、学習処理及び分類処理のそれぞれにおいて、教師データ及び評価データをそれぞれ複数の周波数帯ＷＢに分割し、分割された各教師データ及び各評価データに対しＮＭＦをそれぞれ適用し、得られた複数の係数行列を連結してから、その後の処理を行う。これにより異常検知処理装置１は、教師データ及び評価データに関し、分割された各周波数帯ＷＢ内において相対的に高い周波数を確実に抽出できるので、学習処理において生成する分類モデルパラメータの精度を高め得ると共に、分類処理において生成する特徴量の精度を高めることができ、最終的に良好な分類結果を得ることができる。
【選択図】図４
【解決手段】異常検知処理装置１は、学習処理及び分類処理のそれぞれにおいて、教師データ及び評価データをそれぞれ複数の周波数帯ＷＢに分割し、分割された各教師データ及び各評価データに対しＮＭＦをそれぞれ適用し、得られた複数の係数行列を連結してから、その後の処理を行う。これにより異常検知処理装置１は、教師データ及び評価データに関し、分割された各周波数帯ＷＢ内において相対的に高い周波数を確実に抽出できるので、学習処理において生成する分類モデルパラメータの精度を高め得ると共に、分類処理において生成する特徴量の精度を高めることができ、最終的に良好な分類結果を得ることができる。
【選択図】図４
【特許請求の範囲】
【請求項1】
測定対象から複数のデータを取得するデータ取得部と、
前記データを時間領域から周波数領域に変換する変換部と、
周波数領域に変換された前記データを複数の周波数帯に分割する周波数分割部と、
前記複数の周波数帯に分割された前記データそれぞれを基に、行列により表される複数の特徴量を生成する特徴量生成部と、
前記複数の特徴量を互いに連結させる特徴量連結部と、
連結された前記特徴量を基に学習処理を行い、分類モデルパラメータを生成するパラメータ生成部と、
前記データを基に生成され連結された前記特徴量と、前記分類モデルパラメータとを基に、分類処理を行う分類部と
を具えることを特徴とする異常検知処理装置。
前記データを時間領域から周波数領域に変換する変換部と、
周波数領域に変換された前記データを複数の周波数帯に分割する周波数分割部と、
前記複数の周波数帯に分割された前記データそれぞれを基に、行列により表される複数の特徴量を生成する特徴量生成部と、
前記複数の特徴量を互いに連結させる特徴量連結部と、
連結された前記特徴量を基に学習処理を行い、分類モデルパラメータを生成するパラメータ生成部と、
前記データを基に生成され連結された前記特徴量と、前記分類モデルパラメータとを基に、分類処理を行う分類部と
を具えることを特徴とする異常検知処理装置。
【請求項2】
前記周波数分割部は、前記複数の周波数帯において少なくとも一部の周波数を互いに重複させる
ことを特徴とする請求項１に記載の異常検知処理装置。
ことを特徴とする請求項１に記載の異常検知処理装置。
【請求項3】
前記特徴量連結部により連結された前記特徴量に対し圧縮処理を行う特徴量圧縮部
をさらに具え、
前記パラメータ生成部は、前記圧縮処理が行われた前記特徴量を基に前記分類モデルパラメータを生成し、
前記分類部は、前記データを基に生成され前記圧縮処理が行われた前記特徴量と、前記分類モデルパラメータとを基に、前記分類処理を行う
ことを特徴とする請求項１に記載の異常検知処理装置。
をさらに具え、
前記パラメータ生成部は、前記圧縮処理が行われた前記特徴量を基に前記分類モデルパラメータを生成し、
前記分類部は、前記データを基に生成され前記圧縮処理が行われた前記特徴量と、前記分類モデルパラメータとを基に、前記分類処理を行う
ことを特徴とする請求項１に記載の異常検知処理装置。
【請求項4】
前記圧縮処理は、前記特徴量の次元数を削減する処理である
ことを特徴とする請求項３に記載の異常検知処理装置。
ことを特徴とする請求項３に記載の異常検知処理装置。
【請求項5】
前記変換部は、時間及び周波数の少なくとも一方を複数の領域に分割し、前記領域毎の評価値を基に選択された特定領域の前記データを抽出する
ことを特徴とする請求項１に記載の異常検知処理装置。
ことを特徴とする請求項１に記載の異常検知処理装置。
【請求項6】
前記特徴量生成部は、前記複数の周波数帯に分割されたそれぞれの前記データについて、周波数領域に変換してなる非負の観測ベクトルを複数並べて非負の観測行列をそれぞれ生成し、さらに非負値行列因子分解によりそれぞれの前記観測行列を基底行列及び係数行列にそれぞれ分解する
ことを特徴とする請求項１に記載の異常検知処理装置。
ことを特徴とする請求項１に記載の異常検知処理装置。
【請求項7】
学習完了条件を設定する条件設定部と、
前記学習完了条件を満たすか否かを判定する学習完了判定部と、
をさらに具え、
前記パラメータ生成部は、前記学習完了条件を満たす場合、前記特徴量を基に前記分類モデルパラメータを生成し、
前記分類部は、前記学習完了条件が満たされ前記分類モデルパラメータが生成された後に、残りの前記データを基に生成され連結された前記特徴量と、前記分類モデルパラメータとを用いて、前記分類処理を行う
ことを特徴とする請求項１に記載の異常検知処理装置。
前記学習完了条件を満たすか否かを判定する学習完了判定部と、
をさらに具え、
前記パラメータ生成部は、前記学習完了条件を満たす場合、前記特徴量を基に前記分類モデルパラメータを生成し、
前記分類部は、前記学習完了条件が満たされ前記分類モデルパラメータが生成された後に、残りの前記データを基に生成され連結された前記特徴量と、前記分類モデルパラメータとを用いて、前記分類処理を行う
ことを特徴とする請求項１に記載の異常検知処理装置。
【請求項8】
測定対象から複数のデータを取得するデータ取得ステップと、
前記データを時間領域から周波数領域に変換する変換ステップと、
前記周波数領域に変換された前記データを複数の周波数帯に分割する周波数分割ステップと、
前記複数の周波数帯に分割された前記データそれぞれを基に、行列により表される複数の特徴量を生成する特徴量生成ステップと、
前記複数の特徴量を互いに連結させる特徴量連結ステップと、
連結された前記特徴量を基に学習処理を行い、分類モデルパラメータを生成するパラメータ生成ステップと、
前記データを基に生成され連結された前記特徴量と、前記分類モデルパラメータとを基に、分類処理を行う分類ステップと
を具えることを特徴とする異常検知処理方法。
前記データを時間領域から周波数領域に変換する変換ステップと、
前記周波数領域に変換された前記データを複数の周波数帯に分割する周波数分割ステップと、
前記複数の周波数帯に分割された前記データそれぞれを基に、行列により表される複数の特徴量を生成する特徴量生成ステップと、
前記複数の特徴量を互いに連結させる特徴量連結ステップと、
連結された前記特徴量を基に学習処理を行い、分類モデルパラメータを生成するパラメータ生成ステップと、
前記データを基に生成され連結された前記特徴量と、前記分類モデルパラメータとを基に、分類処理を行う分類ステップと
を具えることを特徴とする異常検知処理方法。
【請求項9】
情報処理装置に対し、
測定対象から複数のデータを取得するデータ取得ステップと、
前記データを時間領域から周波数領域に変換する変換ステップと、
前記周波数領域に変換された前記データを複数の周波数帯に分割する周波数分割ステップと、
前記複数の周波数帯に分割された前記データそれぞれを基に、行列により表される複数の特徴量を生成する特徴量生成ステップと、
前記複数の特徴量を互いに連結させる特徴量連結ステップと、
連結された前記特徴量を基に学習処理を行い、分類モデルパラメータを生成するパラメータ生成ステップと、
前記データを基に生成され連結された前記特徴量と、前記分類モデルパラメータとを基に、分類処理を行う分類ステップと
を実行させるための異常検知処理プログラム。
測定対象から複数のデータを取得するデータ取得ステップと、
前記データを時間領域から周波数領域に変換する変換ステップと、
前記周波数領域に変換された前記データを複数の周波数帯に分割する周波数分割ステップと、
前記複数の周波数帯に分割された前記データそれぞれを基に、行列により表される複数の特徴量を生成する特徴量生成ステップと、
前記複数の特徴量を互いに連結させる特徴量連結ステップと、
連結された前記特徴量を基に学習処理を行い、分類モデルパラメータを生成するパラメータ生成ステップと、
前記データを基に生成され連結された前記特徴量と、前記分類モデルパラメータとを基に、分類処理を行う分類ステップと
を実行させるための異常検知処理プログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は異常検知処理装置、異常検知処理方法及び異常検知処理プログラムに関し、例えば工作機械から得られる音響信号を基に、当該工作機械における消耗部品の交換時期を判断する場合に適用して好適なものである。
【背景技術】
【0002】
従来、工作機械から得られる音響信号のような連続的に発生する時系列データを基に、学習処理及び分類処理を行うことにより複数のクラスに分類する技術が知られている。具体的には、例えば時系列データの一部を教師データとして学習処理を行うことにより分類モデルを生成し、残りの時系列データを評価データとして、この分類モデルを用いて分類処理を行うことができる。
【0003】
また、例えば学習処理や分類処理において、時系列データを時間領域から周波数領域に変換し、次元数の削減や行列の演算処理等を利用して特徴量を抽出することにより、演算量を適切に削減しながら、分類処理の一形態である異常検知等の処理を適切に行い得るものも提案されている（例えば、特許文献１参照）。
【先行技術文献】
【特許文献】
【0004】
【特許文献1】特開２０２１－１３５８９２号公報（図８等）
【発明の概要】
【発明が解決しようとする課題】
【0005】
ところで上述した学習処理や分類処理では、周波数領域に変換したデータにおいて、所定の周波数において比較的大きい特徴が表れると共に、他の周波数において異常を表す比較的小さい特徴が表れる場合がある。このような場合、学習処理や分類処理では、次元数の削減に伴い、当該比較的大きい特徴を特徴量として抽出できる一方、当該比較的小さい特徴が埋もれてしまうため、適切な分類処理ができず異常を検知できない恐れがある、という問題があった。
【0006】
本発明は以上の点を考慮してなされたもので、データを基に異常を精度良く検知し得る異常検知処理装置、異常検知処理方法及び異常検知処理プログラムを提案しようとするものである。
【課題を解決するための手段】
【0007】
かかる課題を解決するため本発明の異常検知処理装置においては、測定対象から複数のデータを取得するデータ取得部と、データを時間領域から周波数領域に変換する変換部と、周波数領域に変換されたデータを複数の周波数帯に分割する周波数分割部と、複数の周波数帯に分割されたデータそれぞれを基に、行列により表される複数の特徴量を生成する特徴量生成部と、複数の特徴量を互いに連結させる特徴量連結部と、連結された特徴量を基に学習処理を行い、分類モデルパラメータを生成するパラメータ生成部と、データを基に生成され連結された特徴量と、分類モデルパラメータとを基に、分類処理を行う分類部とを設けるようにした。
【0008】
また本発明の異常検知処理方法においては、測定対象から複数のデータを取得するデータ取得ステップと、データを時間領域から周波数領域に変換する変換ステップと、周波数領域に変換されたデータを複数の周波数帯に分割する周波数分割ステップと、複数の周波数帯に分割されたデータそれぞれを基に、行列により表される複数の特徴量を生成する特徴量生成ステップと、複数の特徴量を互いに連結させる特徴量連結ステップと、連結された特徴量を基に学習処理を行い、分類モデルパラメータを生成するパラメータ生成ステップと、データを基に生成され連結された特徴量と、分類モデルパラメータとを基に、分類処理を行う分類ステップとを有するようにした。
【0009】
さらに本発明の異常検知処理プログラムにおいては、情報処理装置に対し、測定対象から複数のデータを取得するデータ取得ステップと、データを時間領域から周波数領域に変換する変換ステップと、周波数領域に変換されたデータを複数の周波数帯に分割する周波数分割ステップと、複数の周波数帯に分割されたデータそれぞれを基に、行列により表される複数の特徴量を生成する特徴量生成ステップと、複数の特徴量を互いに連結させる特徴量連結ステップと、連結された特徴量を基に学習処理を行い、分類モデルパラメータを生成するパラメータ生成ステップと、データを基に生成され連結された特徴量と、分類モデルパラメータとを基に、分類処理を行う分類ステップとを実行させるようにした。
【0010】
本発明は、周波数領域に変換されたデータを複数の周波数帯に分割してから、分割後の各データを基にそれぞれの特徴量を生成し、連結した後に学習処理や分類処理を行う。このため本発明では、各周波数帯において相対的に信号成分の強度が高い特徴的な箇所を埋もれさせることなく抽出でき、その結果として分類の精度を高めることができる。
【発明の効果】
【0011】
本発明によれば、データを基に異常を精度良く検知し得る異常検知処理装置、異常検知処理方法及び異常検知処理プログラムを実現できる。
【図面の簡単な説明】
【0012】
【図1】学習分類装置の基本構成を示す略線的ブロック図である。
【図2】第１の実施の形態による学習分類装置の機能構成を示す略線的ブロック図である。
【図3】区間特定部による対象区間の特定を示す略線図である。
【図4】周波数帯の分割を示す略線図である。
【図5】ＮＭＦによる行列の分解を示す略線図である。
【図6】次元の削減による処理量の抑制を示す略線図である。
【図7】周波数及び時間に関する領域の分割を示す略線図である。
【図8】第１の実施の形態による学習分類処理手順を示すフローチャートである。
【図9】第１の実施の形態による学習処理手順を示すフローチャートである。
【図10】第１の実施の形態による分類処理手順を示すフローチャートである。
【図11】第２の実施の形態による学習分類装置の機能構成を示す略線的ブロック図である。
【図12】第２の実施の形態による学習処理手順を示すフローチャートである。
【図13】第２の実施の形態による分類処理手順を示すフローチャートである。
【発明を実施するための形態】
【0013】
以下、発明を実施するための形態（以下実施の形態とする）について、図面を用いて説明する。
【0014】
［１．第１の実施の形態］
［１－１．異常検知処理装置の基本構成］
図１に示すように、第１の実施の形態による異常検知処理装置１は、一般的なコンピュータ装置と類似した情報処理装置であり、制御部２、記憶部３、通信部４、表示部５及び操作部６がバス８を介して相互に接続された構成となっている。
［１－１．異常検知処理装置の基本構成］
図１に示すように、第１の実施の形態による異常検知処理装置１は、一般的なコンピュータ装置と類似した情報処理装置であり、制御部２、記憶部３、通信部４、表示部５及び操作部６がバス８を介して相互に接続された構成となっている。
【0015】
制御部２は、図示しないＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only Memory）及びＲＡＭ（Random Access Memory）等を有している。この制御部２は、ＲＡＭをワークエリアとして使用しながら、ＲＯＭや記憶部３等から読み出したプログラムをＣＰＵによって実行することにより、様々な処理を行うことができる。記憶部３は、例えばＳＳＤ（Solid State Drive）やＨＤＤ（Hard Disk Drive）等のような不揮発性の記憶媒体であり、種々のプログラムや種々の情報を記憶する。
【0016】
通信部４は、例えばＩＥＥＥ（Institute of Electrical and Electronics Engineers）８０２．３ｕ／ａｂ／ａｎ／ａｅ等の規格に準拠した有線ＬＡＮ（Local Area Network）、又はＩＥＥＥ８０２．１１ａ／ｂ／ｇ／ｎ／ａｃ／ａｘ等の規格に準拠した無線ＬＡＮのインタフェースである。この通信部４は、図示しないサーバ装置等との間で種々の情報を送受信することができる。
【0017】
表示部５は、例えば液晶や有機ＥＬ（Electro Luminescence）等の表示デバイスを有しており、種々の情報を表す文字や図形等を適宜組み合わせた表示画面を表示する。操作部６は、例えばキーボードやマウス、或いはタッチパネル等であり、ユーザの操作指示を受け付ける。
【0018】
この異常検知処理装置１は、例えば工作機械から得られる音響信号のような連続的に発生する時系列のデータを順次取得し、後述する学習処理及び分類処理を行うことにより、例えば当該工作機械における異常の発生を検知する、といった用途での使用が想定されている。
【0019】
［１－２．学習分類装置の機能構成］
ところで制御部２は、例えば記憶部３から各種プログラムを読み出して実行することにより、図２に示すような種々の機能ブロックを形成する。
ところで制御部２は、例えば記憶部３から各種プログラムを読み出して実行することにより、図２に示すような種々の機能ブロックを形成する。
【0020】
データ取得部１１は、時系列のデータを取得して区間特定部１２へ供給する。このデータ取得部１１は、例えば工作機械に取り付けられる切削工具を測定対象物とし、当該切削工具の使用時に発生する音をマイクロホン等により集音し、得られた音響信号をディジタル化したものを時系列のデータとして取得する。以下、このとき取得されたデータを時系列データと呼ぶ。
【0021】
区間特定部１２は、時系列データのうち、後述する分類モデルパラメータの生成処理や分類処理において処理対象とする時間区間を対象区間として特定し、これを時系列データと共に前処理部１３へ供給する。
【0022】
例えば区間特定部１２は、図３（Ａ）及び（Ｂ）に示すように、時間の経過に応じて振幅が変化する時系列データＤ１に加えて、予め用意された所定の参照信号Ｄ２を使用する。参照信号Ｄ２は、その振幅が矩形状に変化する信号であり、区間Ｔにおいて他の区間よりも相対的に大きい振幅値Ｐとなっている。区間特定部１２は、時系列データＤ１及び参照信号Ｄ２を基に、該参照信号Ｄ２において振幅が振幅値Ｐとなる区間Ｔに対応する時系列データＤ１の区間を対象区間とする。
【0023】
前処理部１３（図２）は、区間特定部１２から供給される時系列データのうち対象区間に相当する部分に対し、前処理と呼ばれる演算処理を行い、周波数領域に変換された非負の観測ベクトル、又はこの観測ベクトルを複数並べた観測行列でなる周波数データを生成する（詳しくは後述する）。
【0024】
また前処理部１３は、この周波数データを複数の周波数帯に分割することにより、複数の分割データを生成する。図４（Ａ）は、周波数データをスペクトログラムとして表したものであり、縦軸が周波数を表すと共に横軸が時間を表しており、信号成分の強度を色によって表している。ここでは、周波数の全範囲が０～２０００［Ｈｚ］であるものとする。また図４（Ａ）では、信号成分の強度が比較的弱い部分を白に近い明るい色（薄い色）で表し、比較的強い部分を黒に近い暗い色（濃い色）で表している。
【0025】
この図４（Ａ）では、様々な周波数において、信号成分の強度が局所的に高くなっている。また、周囲に対し局所的に信号成分の強度が高い周波数であっても、その信号成分の強度（すなわち図４（Ａ）における色の明るさ）は一様でなく、様々な強度であることが分かる。
【0026】
図４（Ｂ）は、周波数データを分割する際における、各周波数帯の範囲を模式的に表したものである。この図４（Ｂ）に示したように、前処理部１３では、周波数が低い側から高い側へ向けて８個の周波数帯ＷＢ（ＷＢ１～ＷＢ８）が設けられている。各周波数帯ＷＢは、何れも帯域幅が約３２０［Ｈｚ］であり、且つ複数の周波数帯ＷＢの間において一部の周波数を互いに重複させるように設定されている。例えば、周波数帯ＷＢ１の帯域は０～３２０［Ｈｚ］であり、周波数帯ＷＢ２の帯域は２４０～５６０［Ｈｚ］である。このため周波数帯ＷＢ１及び周波数帯ＷＢ２の間では、２４０～３２０［Ｈｚ］の部分が重複している。
【0027】
ここで、改めて図４（Ａ）及び（Ｂ）を参照すると、例えば周波数帯ＷＢ１には、信号成分の強度が極めて高い周波数が多く含まれている。一方、例えば周波数帯ＷＢ６には、信号成分の強度が十分に高い周波数は含まれておらず、信号成分の強度が相対的にやや高い程度の周波数が散見されるに過ぎない。
【0028】
そのうえで前処理部１３は、このように周波数帯ＷＢごとに分割された複数の分割データを、教師データとして教師データ処理部２１へ供給し、又は評価データとして特徴抽出部２６へ供給する。
【0029】
ここで教師データとは、時系列データのうち後の学習処理において使用されるものであり、当該学習処理において、当該教師データを基に分類モデルパラメータが生成されることになる。また評価データとは、時系列データのうち後の分類処理（判定処理とも呼ばれる）において使用されるものであり、当該分類処理において、分類モデルパラメータを用いて複数のクラスの何れかに分類されることになる。
【0030】
一方、条件設定部１５は、異常検知処理装置１において学習処理を完了して分類処理に移行するための条件である学習完了条件を、学習完了判定部１６に設定する。この第１の実施の形態では、学習完了条件を「１００個の時系列データを取り込んだ」こと、すなわち「１００個の時系列データに対して前処理を行い、教師データとして教師データ処理部２１へ供給した」こととして、学習完了判定部１６に設定する。
【0031】
学習完了判定部１６は、学習処理を完了して分類処理に移行するか否かを判定すると共に、その判定結果を基に前処理部１３を制御する。具体的に学習完了判定部１６は、前処理部１３により生成された観測行列を基に、学習完了条件が満たされたか否かを判定する。そのうえで学習完了判定部１６は、学習完了条件が満たされていなければ学習処理を継続させ、当該学習完了条件が満たされていれば分類処理に移行するよう、前処理部１３における処理内容や観測行列の供給先を制御する。
【0032】
教師データ処理部２１は、前処理部１３から供給される観測行列である教師データ（以下これを教師観測行列と呼ぶ）に対し、非負値行列因子分解（Non-negative Matrix Factorization、以下ＮＭＦと呼ぶ）を行うことにより、教師基底行列及び教師係数行列を生成する。また教師データ処理部２１は、前処理部１３から供給される教師データが、
複数の周波数帯ＷＢとそれぞれ対応する複数の分割データであるため、当該分割データそれぞれに対し、ＮＭＦの処理をそれぞれ行うことになる。
複数の周波数帯ＷＢとそれぞれ対応する複数の分割データであるため、当該分割データそれぞれに対し、ＮＭＦの処理をそれぞれ行うことになる。
【0033】
ここでは、１個の分割データに関して行われるＮＭＦについて説明する。ＮＭＦは、１つの非負の行列Ｙを２つの非負の行列Ｗ及び行列Ｈの積（例えばＷＨ）に分解するアルゴリズムである。一般に、２つの非負の行列Ｗ及び行列Ｈを解析的に求めることは困難であるため、初期値を与えてＹとＷＨの誤差が局所最適解になるよう、反復的に近似解を求める手法が知られている。なお、局所最適解は初期値に依存して変化する。
【0034】
図５は、本実施の形態に係るＮＭＦの処理例を模式的に示している。この図５に示すように、ＮＭＦにより、例えば非負の観測行列Ｙ（教師観測行列又は評価観測行列）が、非負の係数行列Ｗ及び非負の基底行列Ｈの積に分解される。
【0035】
例えば観測行列Ｙは、ｍ次元の観測ベクトルｙが行ベクトルとなり、時系列データにおける対象区間の数ｎだけの行で構成された、ｎ行ｍ列の行列である。一方、基底行列Ｈは、例えば観測行列ＹにＮＭＦを適用し、分解されたｍ次元の基底ベクトルｈが行ベクトルとなり、基底ベクトルの数ｋだけの行で構成されたｋ行ｍ列の行列である。
【0036】
また係数行列Ｗは、例えばｋ次元の係数ベクトルｗが行ベクトルとなり、観測ベクトルの数ｎだけの行で構成されたｎ行ｋ列の行列である。ここで係数ベクトルｗは、ある観測ベクトルにおいて、基底行列Ｈに含まれる各基底ベクトルの成分がどれだけ含まれるか、という加重値を示す行ベクトルである。
【0037】
図５に示すように、上記の各行列の間には、次式の関係がある。
【0038】
【数1】
【0039】
なお、以下では教師観測行列ＹＬを分解して得られる基底行列及び係数行列を、それぞれ教師基底行列ＨＬ及び教師係数行列ＷＬと呼ぶ。
【0040】
教師データ処理部２１は、この教師観測行列ＹＬにＮＭＦを適用して、教師基底行列ＨＬ及び教師係数行列ＷＬを得る。具体的に教師データ処理部２１は、まず教師観測行列ＹＬのデータセットにＮＭＦを適用する。次に教師データ処理部２１は、当該データセットが分解されて得られたベクトルまたは行列Ｈにより、教師基底行列ＨＬを生成する。
【0041】
教師基底行列ＨＬに基づいて、教師観測行列ＹＬから生成される係数行列を教師係数行列ＷＬとすると、数式（１）より、教師観測行列ＹＬ、教師係数行列ＷＬ、及び教師基底行列ＨＬの関係は、以下の（２）式のように表される。
【0042】
【数2】
【0043】
上記の（２）式により、教師係数行列ＷＬを得るためには、教師基底行列ＨＬの逆行列を用いる必要がある。しかし、教師基底行列ＨＬは、一般に正則行列とは限らないため、逆行列を持たない場合がある。そこで、教師データ処理部２１は、例えば教師基底行列の疑似逆行列（ムーア・ペンローズの疑似逆行列）に基づいて、教師係数行列ＷＬを生成しても良い。教師基底行列ＨＬの疑似逆行列ＨＬ
＋は、ｋ×ｍの行列であり、一般にｋ＜ｍである。このため擬似逆行列ＨＬ
＋は、次の（３）式により得られる。
【0044】
【数3】
【0045】
上記数式（３）で得られた疑似逆行列ＨＬ
＋を用いると、教師係数行列ＷＬは次の（４）式のように表される。
【0046】
【数4】
【0047】
教師データ処理部２１は、各周波数帯ＷＢの教師データに対しこのような演算処理を行い、各周波数帯ＷＢの教師基底行列ＨＬをそれぞれ生成する。そのうえで教師データ処理部２１は、生成した各周波数帯ＷＢの教師基底行列ＨＬを、図２に示す教師データ記憶部２２に記憶させると共に教師係数行列ＷＬを特徴量連結部２３に供給する。特徴量連結部２３は、各周波数帯の教師係数行列ＷＬを順次並べるようにして連結させることにより、１個の教師係数行列ＷＬを生成し、これをパラメータ生成部２４へ供給する。
【0048】
パラメータ生成部２４は、教師係数行列ＷＬに基づき、時系列データを分類するための分類モデルパラメータを生成する。パラメータ生成部２４が生成する分類モデルパラメータは、後述する分類部２７における分類モデルに応じたパラメータとすることができる。例えば、分類部２７が閾値判別を行う場合、分類モデルパラメータは閾値であっても良い。また、分類部２７が線形判別を行う場合、分類モデルパラメータはクラスの境界を決定する線形判別関数の係数であっても良い。さらに、分類部２７が二次判別を行う場合、分類モデルパラメータはクラスの境界を決定する二次判別関数の係数であっても良い。
【0049】
パラメータ生成部２４は、このようにして生成した分類モデルパラメータを、パラメータ記憶部２５に記憶させる。
【0050】
特徴抽出部２６は、教師データ記憶部２２に記憶された教師基底行列ＨＬに基づき、前処理部１３から供給された評価データ（以下これを評価観測行列と呼ぶ）から評価係数行列を生成する。以下、特徴抽出部２６による評価係数行列の具体的な生成例について説明する。
【0051】
教師基底行列ＨＬに基づいて、評価観測行列ＹＴから生成される係数行列を評価係数行列ＷＴとすると、上述した（１）式より、評価観測行列ＹＴ、評価係数行列ＷＴ及び教師基底行列ＨＬの関係は、次の（５）式のように表される。
【0052】
【数5】
【0053】
また、上述した（３）式と同様の方法で得られた疑似逆行列ＨＬ
＋を用いると、評価係数行列ＷＴは、次の（６）式のように表される。
【0054】
【数6】
【0055】
特徴抽出部２６は、前処理部１３において分割された分割データごとに、すなわち周波数帯ごとに、このような評価係数行列ＷＴを生成し、これらを特徴量連結部２３に供給する。特徴量連結部２３は、各周波数帯の評価係数行列ＷＴを順次並べるようにして連結させることにより、１個の評価係数行列ＷＴを生成し、これを分類部２７へ供給する。
【0056】
分類部２７は、評価係数行列ＷＴを、パラメータ記憶部２５に記憶された分類モデルパラメータに基づいて分類する。ここで分類部２７は、評価係数行列ＷＴに含まれる係数ベクトルを特徴ベクトルとし、例えば分類モデルとして閾値判別を用い、当該分類モデルに応じた分類モデルパラメータに基づいて分類する。なお、分類部２７による分類結果は、評価係数行列ＷＴに含まれる係数ベクトルの分類結果であると共に、各係数ベクトルに対応する、時系列データにおける対象区間の分類結果でもある。すなわちこの分類結果は、当該時系列データが得られた時点における測定対象物の状態を、正常な状態に対する差異の度合い（すなわち異常度）に応じて分類した結果を表している。
【0057】
異常検知処理装置１では、以上のように基底行列に対する重みを示す係数ベクトルを特徴ベクトルとして用いて分類することにより、例えば特定周波数のパワーの大きさに基づいて分類する場合よりも、分類精度を向上させることが可能である。
【0058】
また異常検知処理装置１では、評価データ自体を用いて分類処理を行った場合と比較して、評価データから生成される評価係数行列ＷＴを用いて分類処理を行うことにより、分類処理における特徴ベクトルの次元を削減できるため、分類処理の処理量を抑制することが可能となる。
【0059】
図６は、次元の削減を説明する模式図である。図６に示すように、ＮＭＦ、または特徴抽出部２６の処理により、パワースペクトルである評価データＤ１０は、基底ベクトルＤ１１及び係数ｗ１の積と、基底ベクトルＤ１２及び係数ｗ２の積との和で表される。図６の例において、評価データＤ１０を特徴ベクトルとして分類処理を行う場合には、評価データＤ１０における周波数分解能に応じた次元での処理が必要となる。一方、図６の例において、係数ベクトルの次元は２である。上述したように、評価データＤ１０の次元よりも係数ベクトルの次元数の方が小さいため、評価係数行列ＷＴを用いて分類処理を行うことで、分類処理における特徴ベクトルの次元が削減され、分類処理の処理量を抑制することが可能となる。
【0060】
出力部２８（図２）は、分類部２７による分類結果を出力する。この出力部２８は、例えば測定対象物における異常の発生に関する文字や図形による情報等、分類結果を表す所定の表示画面を構成して表示部５（図１）に表示させ、ユーザに通知する。
【0061】
次に、前処理部１３の構成について説明する。前処理部１３は、その内部に変換部３１、データ分割部３２、分離度評価部３３及び周波数分割部３４といった複数の機能ブロックを有している。
【0062】
変換部３１は、時系列データのうち対象区間に含まれる部分を、時間表現から周波数表現に変換する。例えば変換部３１は、取得データのうち対象区間に含まれる部分に対し、フーリエ変換処理、高速フーリエ変換処理やウェーブレット変換処理等の変換処理を行うことにより、非負の観測ベクトルを生成する。また変換部３１は、この非負の観測ベクトルを複数並べることにより、非負の観測行列を生成する。
【0063】
なお以下では、時系列データから、フーリエ変換により得られるパワースペクトル、スペクトログラムや、ウェーブレット変換によって得られるスカログラム等、時間、周波数、及び振幅の関係を表したデータを総称して時間・周波数・振幅データと呼ぶ。時間・周波数・振幅データは、例えば、周波数領域、及び時間領域における振幅の値を示すデータとして表現されても良い。
【0064】
データ分割部３２は、変換部３１により変換された時間・周波数・振幅データ（すなわち非負の観測ベクトル又は非負の観測行列）を、周波数領域及び時間領域それぞれにおいて分割する。分離度評価部３３は、分割されたデータごとに非負値行列因子分解（ＮＭＦ）を適用して各領域を評価し、評価結果が良好であった領域のデータを選択する。すなわち分離度評価部３３は、学習処理の実行中であれば、当該領域のデータを選択して教師データとし、また分離処理の実行中であれば、当該領域のデータを選択して評価データとする。
【0065】
ここで、データ分割部３２による時間・周波数・振幅データの分割と分離度評価部３３による領域の選択（特定）について、図７を参照しながら説明する。図７は、横軸が時間を表し、縦軸が周波数を表しており、全体を表す領域Ａ０が時間及び周波数に関してそれぞれ２分割されることにより、４つの領域Ａ１、Ａ２、Ａ３及びＡ４に分割されている。分離度評価部３３は、分割されたそれぞれのデータに対して、ＮＭＦを適用し、ある複数のランクで基底行列及び係数行列を取得する。なお、時間・周波数・振幅データは、ＮＭＦを適用するために、１次元の列ベクトルに変換されても良い。
【0066】
以下では、事前に予備実験が行われ、いわゆる教師あり学習によりクラスＣ１とクラスＣ２の２つのクラスが設定されているものとする。まずデータ分割部３２は、クラスＣ１に属する複数の時間・周波数・振幅データの領域Ａ１、Ａ２、Ａ３、Ａ４から、基底行列ＨＣ１，Ａ１、ＨＣ１，Ａ２、ＨＣ１，Ａ３、ＨＣ１，Ａ４並びに係数行列ＷＣ１，Ａ１、ＷＣ１，Ａ２、ＷＣ１，Ａ３、ＷＣ１，Ａ４をそれぞれ生成する。続いてデータ分割部３２は、クラスＣ２に属する複数の時間・周波数・振幅データの領域Ａ１、Ａ２、Ａ３、Ａ４から、同様に基底行列ＨＣ２，Ａ１、ＨＣ２，Ａ２、ＨＣ２，Ａ３、ＨＣ２，Ａ４並びに係数行列ＷＣ２，Ａ１、ＷＣ２，Ａ２、ＷＣ２，Ａ３、ＷＣ２，Ａ４をそれぞれ生成する。なお、分解される基底の数を示すランクは、１から元のデータの次元数までの範囲である。
【0067】
続いて、分離度評価部３３は、それぞれの分割された時間領域、及び周波数領域で、各領域での分類能力を示す分離度（評価値とも呼ぶ）を特定する。分離度を示す指標として、例えばクラスの分類（判別）正解率が用いられてもよい。
【0068】
以下では、領域Ａ０において、クラスＣ１またはクラスＣ２の分離度を示す指標として、クラスＣ１またはクラスＣ２の分類正解率が用いられる例を説明する。まず、分離度評価部３３は、クラスＣ１、Ｃ２のそれぞれから得られた基底行列ＨＣ１，Ａ１、ＨＣ２，Ａ１を組み合わせた共通の基底行列ＨＣ１－Ｃ２，Ａ１＝｛ＨＣ１，Ａ１，ＨＣ２，Ａ１｝を求める。元のクラスＣ１のデータＹＣ１，Ａ０、クラスＣ２のデータＹＣ２，Ａ０にＨＣ１－Ｃ２，Ａ１の擬似逆行列ＨＣ１－Ｃ２，Ａ１
＋をかけることにより、各クラスの係数行列ＷＣ１，Ａ０、ＷＣ２，Ａ０は、次の（７）式及び（８）式のように得られる。
【0069】
【数7】
【0070】
【数8】
【0071】
分離度評価部３３は、係数行列ＷＣ１，Ａ０、ＷＣ２，Ａ０を、それぞれクラスＣ１、クラスＣ２の特徴ベクトルとして、分類して、分類正解率を求める。ここで分離度評価部３３が行う分類の方式は、例えば図２を参照して説明した分類部２７の分類方式と同様であっても良い。
【0072】
また、分離度を示す他の指標として、クラス内・クラス間分散比が用いられても良い。クラス内分散σｗ
２及びクラス間分散σＢ
２は、以下の（９）式及び（１０）式のように表される。
【0073】
【数9】
【0074】
【数10】
【0075】
ただし、上記の（９）式及び（１０）式において、ｎは全データ数、ｎｉはクラスｉのデータ数、ｘは特徴ベクトル、ｍｉはクラスｉの特徴量ベクトルの平均、ｍは全特徴量ベクトルの平均である。上記クラス内分散σｗ
２及びクラス間分散σＢ
２を用いると、クラス内・クラス間分散比Ｊは以下の（１１）式のように表される。
【0076】
【数11】
【0077】
上記のクラス内・クラス間分散比Ｊが大きい程、分離度が大きく、良い特徴量であると考えられる。なお、分離度を示す指標は、上記に限定されず、例えばマハラノビス距離が用いられてもよい。
【0078】
分離度評価部３３は、上述のように、４つの領域Ａ１、Ａ２、Ａ３、Ａ４でそれぞれ分離度を求め、分離度の値が予め設定された閾値Ｌ以上の場合は、それらの領域を組み合わせた時間領域・周波数領域のデータで同様に分離度を求める。例えば、領域Ａ１とＡ３で分離度が閾値Ｌ以上であった場合、分離度評価部３３は、領域Ａ１及びＡ３の時間領域・周波数領域のそれぞれで得られた特徴量で分離度を求める。上述のように、分離度の高い複数の領域から得られたデータを用いることで、より高い分離度の特徴量が得られる効果がある。
【0079】
分離度評価部３３は、学習処理において、分離度が最も高くなる時間領域・周波数領域のデータを教師データ（教師観測行列）として特定する。また、分離度評価部３３は、教師データとして特定した時間領域・周波数領域のデータを、評価データ（評価観測行列）とする。以下、このとき特定された領域を特定領域と呼ぶ。
【0080】
周波数分割部３４は、分離度評価部３３において特定された教師データ又は評価データを、図４に周波数帯ＷＢ１～ＷＢ８として示した周波数帯ＷＢごとに分割し、複数の分割データを生成する。その上で周波数分割部３４は、生成した各分割データを、教師データとして教師データ処理部２１へ供給し、又は評価データとして特徴抽出部２６へ供給する。
【0081】
［１－３．処理手順］
次に、異常検知処理装置１（図１及び図２）において、時系列のデータを用いて学習処理を行った上で分類処理を行う学習分類処理について説明する。なお異常検知処理装置１は、運用前に実験が行われることにより、適切なクラスが設定され、適切な特定領域が特定され、また時間領域及び周波数領域それぞれにおける適切な分割数や分割位置（時間及び周波数）がそれぞれ選択されているものとする。
次に、異常検知処理装置１（図１及び図２）において、時系列のデータを用いて学習処理を行った上で分類処理を行う学習分類処理について説明する。なお異常検知処理装置１は、運用前に実験が行われることにより、適切なクラスが設定され、適切な特定領域が特定され、また時間領域及び周波数領域それぞれにおける適切な分割数や分割位置（時間及び周波数）がそれぞれ選択されているものとする。
【0082】
［１－３－１．学習分類処理］
異常検知処理装置１の制御部２は、学習分類処理の開始に先立ち、ユーザにより操作部６を介して所定の操作がなされると、学習完了条件を記憶部３に記憶させる。この学習完了条件は、ユーザが学習処理を完了させるための条件を予め設定しておくものであり、ここでは、例えば「１００個の時系列データ取り込んだこと」が設定されたものとする。
異常検知処理装置１の制御部２は、学習分類処理の開始に先立ち、ユーザにより操作部６を介して所定の操作がなされると、学習完了条件を記憶部３に記憶させる。この学習完了条件は、ユーザが学習処理を完了させるための条件を予め設定しておくものであり、ここでは、例えば「１００個の時系列データ取り込んだこと」が設定されたものとする。
【0083】
その後、制御部２は、ユーザから学習分類処理の開始が指示されると、記憶部３から学習分類プログラムを読み出して実行することにより、図２に示した各機能ブロックを形成すると共に、図８に示す学習分類処理手順ＲＴ１を開始して最初のステップＳＰ１に移る。
【0084】
ステップＳＰ１において制御部２は、条件設定部１５により、記憶部３から学習完了条件である「１００個の時系列データ取り込んだこと」を読み出して学習完了判定部１６に設定し、次のステップＳＰ２に移る。
【0085】
ステップＳＰ２において制御部２は、後述するようにサブルーチンとして学習処理を行い、次のステップＳＰ３に移る。このとき制御部２は、この学習処理において、学習完了条件を満たすまでの間、時系列データを取得する処理を繰り返し行う。そのうえで制御部２は、この時系列データを基に教師基底行列ＨＬ及び教師係数行列ＷＬを生成し、教師基底行列ＨＬを教師データとして教師データ記憶部２２（図２）に記憶させると共に、教師係数行列ＷＬを基に分類モデルパラメータを生成し、これをパラメータ記憶部２５に記憶させた状態となる。
【0086】
ステップＳＰ３において制御部２は、後述するようにサブルーチンとして分類処理を行い、次のステップＳＰ４に移る。このとき制御部２は、１回の分類処理において、１件の時系列データを取得し、この時系列データに前処理を施して得られた評価データに対する分類結果を得て出力する。
【0087】
ステップＳＰ４において制御部２は、学習処理に用いられなかった全ての時系列データに対する分類処理を完了したか否かを判定する。ここで否定結果が得られると、このことは分類処理を行うべき時系列データが残っていることを表している。このとき制御部２は、再度ステップＳＰ３に戻ることにより、残りの時系列データに対する分類処理を行う。一方、ステップＳＰ４において肯定結果が得られると、制御部２は次のステップＳＰ５に移り、学習分類処理手順ＲＴ１を終了する。
【0088】
［１－３－２．学習処理］
次に、学習処理について説明する。異常検知処理装置１の制御部２は、学習分類処理手順ＲＴ１（図８）のステップＳＰ２において、図９に示す学習処理手順ＲＴ２をサブルーチンとして実行し、最初のステップＳＰ１１に移る。
次に、学習処理について説明する。異常検知処理装置１の制御部２は、学習分類処理手順ＲＴ１（図８）のステップＳＰ２において、図９に示す学習処理手順ＲＴ２をサブルーチンとして実行し、最初のステップＳＰ１１に移る。
【0089】
ステップＳＰ１１において制御部２は、データ取得部１１（図２）により１つの時系列データを取得し、次のステップＳＰ１２に移る。ステップＳＰ１２において制御部２は、区間特定部１２（図２）により、当該時系列データの一部分を対象区間として特定し、次のステップＳＰ１３に移る。
【0090】
ステップＳＰ１３において制御部２は、学習完了判定部１６により、条件設定部１５に設定された学習完了条件を満たすか否か、すなわち１００個の時系列データを取り込んだか否かを判定する。ここで否定結果が得られると、制御部２は再びステップＳＰ１１に戻り、時系列データの取得及び対象区間の特定を繰り返す。
【0091】
一方、ステップＳＰ１３において肯定結果が得られると、このことは既に充分な数の教師データを取り込んだため、これを基に教師データや分類モデルパラメータを生成すべきであることを表している。このとき制御部２は、次のステップＳＰ１４に移る。
【0092】
ステップＳＰ１４において制御部２は、前処理部１３の変換部３１（図２）により、時系列データにフーリエ変換処理を施すことにより、非負の観測行列を生成し、次のステップＳＰ１５に移る。ステップＳＰ１５において制御部２は、前処理部１３のデータ分割部３２（図２）により、変換部３１により変換されたデータを時間領域及び周波数領域でそれぞれ分割し、次のステップＳＰ１６に移る。
【0093】
ステップＳＰ１６において制御部２は、前処理部１３の分離度評価部３３により、分離度が最も高くなる領域のデータを特定して教師データとし、次のステップＳＰ１７に移る。ステップＳＰ１７において制御部２は、前処理部１３の周波数分割部３４により、教師データを各周波数帯ＷＢ１～ＷＢ８（図４）に分割し、分割したそれぞれの教師データを教師データ処理部２１へ供給して、次のステップＳＰ１８に移る。
【0094】
ステップＳＰ１８において制御部２は、教師データ処理部２１（図２）により、分割されたそれぞれの教師データにＮＭＦを適用し、それぞれの教師基底行列ＨＬ（すなわち特徴量）を生成して教師データ記憶部２２に記憶させると共に、周波数帯ＷＢごとの教師係数行列ＷＬを生成して特徴量連結部２３に供給し、次のステップＳＰ１９に移る。
【0095】
ステップＳＰ１９において制御部２は、特徴量連結部２３（図２）により、１個の時系列データに対応する各周波数帯ＷＢの教師係数行列ＷＬを連結して特徴量とし、これをパラメータ生成部２４に供給して、次のステップＳＰ２０に移る。
【0096】
ステップＳＰ２０において制御部２は、パラメータ生成部２４（図２）により、特徴量（すなわち連結後の教師係数行列ＷＬ）を基に、時系列データを分類するための分類モデルパラメータを生成し、これをパラメータ記憶部２５に記憶させ、次のステップＳＰ２１に移る。ステップＳＰ２１において制御部２は、学習処理手順ＲＴ２を終了して、元の学習分類処理手順ＲＴ１（図８）のステップＳＰ２に戻る。
【0097】
［１－３－３．分類処理］
次に、分類処理について説明する。異常検知処理装置１の制御部２は、学習分類処理手順ＲＴ１（図８）のステップＳＰ３において、図１０に示す分類処理手順ＲＴ３をサブルーチンとして実行し、最初のステップＳＰ３１に移る。
次に、分類処理について説明する。異常検知処理装置１の制御部２は、学習分類処理手順ＲＴ１（図８）のステップＳＰ３において、図１０に示す分類処理手順ＲＴ３をサブルーチンとして実行し、最初のステップＳＰ３１に移る。
【0098】
制御部２は、ステップＳＰ３１、ＳＰ３２、ＳＰ３３及びＳＰ３４において、時系列データに対し、学習処理手順ＲＴ２（図９）のステップＳＰ２１、ＳＰ２２、ＳＰ２４及びＳＰ２５とそれぞれ同様の処理を行う。すなわち制御部２は、時系列データを取得して対象区間を特定し、フーリエ変換処理を行った上で時間領域及び周波数領域で分割して、その次のステップＳＰ３５に移る。
【0099】
ステップＳＰ３５において制御部２は、前処理部１３の分離度評価部３３により、特定領域のデータを評価データとして周波数分割部３４へ供給して、次のステップＳＰ３６に移る。ステップＳＰ３６において制御部２は、前処理部１３の周波数分割部３４（図２）により、評価データを各周波数帯ＷＢ１～ＷＢ８（図４）に分割し、分割したそれぞれの評価データを特徴抽出部２６へ供給し、次のステップＳＰ３７に移る。
【0100】
ステップＳＰ３７において制御部２は、特徴抽出部２６（図２）により、教師データ記憶部２２に記憶されている教師基底行列ＨＬを基に評価係数行列ＷＴを生成し、次のステップＳＰ３８に移る。ステップＳＰ３８において制御部２は、特徴量連結部２３（図２）により、１個の時系列データに対応する各周波数帯ＷＢの評価係数行列ＷＴを連結して特徴量とし、これを分類部２７へ供給して、次のステップＳＰ３９に移る。
【0101】
ステップＳＰ３９において制御部２は、分類部２７（図２）により、パラメータ記憶部２５に記憶している分類モデルパラメータに基づき、連結後の評価係数行列ＷＴに含まれる係数ベクトルを特徴ベクトルとして分類処理を行うことにより、異常度に基づいた分類結果を得て、次のステップＳＰ４０に移る。
【0102】
ステップＳＰ４０において制御部２は、出力部２８（図２）により、分類結果に応じた異常に関する情報を表す表示画面を生成し、これを表示部５（図１）に表示させることにより出力した後、次のステップＳＰ４１に移る。ステップＳＰ４１において制御部２は、分類処理手順ＲＴ３を終了して、元の学習分類処理手順ＲＴ１（図８）のステップＳＰ３に戻る。
【0103】
［１－４．効果等］
以上の構成において、第１の実施の形態による異常検知処理装置１は、学習処理において、時系列データを非負の観測行列に変換し、これを基に生成した教師データを複数の周波数帯ＷＢに分割し、分割された各教師データにＮＭＦをそれぞれ適用し、得られた係数行列を連結した特徴量を基に、分類モデルパラメータを生成して記憶する（図９）。
以上の構成において、第１の実施の形態による異常検知処理装置１は、学習処理において、時系列データを非負の観測行列に変換し、これを基に生成した教師データを複数の周波数帯ＷＢに分割し、分割された各教師データにＮＭＦをそれぞれ適用し、得られた係数行列を連結した特徴量を基に、分類モデルパラメータを生成して記憶する（図９）。
【0104】
また異常検知処理装置１は、分類処理において、時系列データを非負の観測行列に変換し、これを基に生成した評価データを複数の周波数帯ＷＢに分割し、分割された各評価データにＮＭＦをそれぞれ適用し、得られた係数行列を連結した特徴量と分類モデルパラメータとに基づいた分類結果を得る（図１０）。
【0105】
このため異常検知処理装置１は、教師データ及び評価データに関し、信号成分の強度が、全周波数の範囲内では必ずしも高くは無いものの、分割された各周波数帯ＷＢ内では相対的に高いような周波数を、良好に抽出することができる。具体的に異常検知処理装置１は、例えば図４に示したスペクトログラムにおける周波数帯ＷＢ６の部分のように、周囲よりもやや信号成分の強度が高い（すなわち僅かに色が濃い）周波数を抽出できる。これにより異常検知処理装置１は、学習処理において生成する分類モデルパラメータの精度を高め得ると共に、分類処理において生成する特徴量の精度を高めることができ、最終的に良好な分類結果を得ることができる。
【0106】
また異常検知処理装置１は、各周波数帯ＷＢの範囲に関し、互いに一部の周波数を重複させるように設定した（図４）。このため異常検知処理装置１は、各周波数帯ＷＢの境界付近に特徴的な信号成分が含まれていたとしても、これを取りこぼすことなく確実に抽出することができる。
【0107】
さらに異常検知処理装置１は、前段の学習処理において、時系列データを順次処理し、学習完了条件が満たされると分類モデルパラメータを生成して学習処理を終了し、後段の分類処理において、残りの時系列データについて当該分類パラメータを用いた分類処理を行うようにした。
【0108】
このため異常検知処理装置１は、学習完了条件が適切に設定されることにより、必要十分な数の時系列データを取り込んだ適切な段階で、すなわち適切な数の教師データを生成し得るようになった段階で、前段の学習処理を切り上げ、分類処理に適した分類モデルパラメータを生成することができる。
【0109】
従って異常検知処理装置１は、時系列データを順次取得できれば、学習処理から自動的に分離処理に切り替えることができるので、例えば学習処理においてユーザが立ち会い、当該ユーザが教師データや分類モデルパラメータを確認しながら当該学習処理を完了すべきタイミングを見計らう、といった煩わしい作業を行う必要が無い。
【0110】
例えば異常検知処理装置１は、工作機械の近傍に設置されると、当該工作機械から発生する音を時系列データとして順次取得し、前段の学習処理において、適切に設定された学習完了条件が満たされるまでの間、正常に動作している場合の音に基づく時系列データを教師データとして分類モデルパラメータを生成する。その後、異常検知処理装置１は、発生する音に基づく時系列データを評価データとして分類処理を行い、当該評価データが教師データと同一のクラスであれば、当該工作機械が正常に動作していると判定し、異なるクラスであれば、当該工作機械の異常、例えば消耗部品の摩耗や劣化が発生したと判定する。この結果、異常検知処理装置１は、人手を必要とせずに、当該工作機械における消耗部品の交換時期を適切に判定し、ユーザに通知することができる。さらに、例えば消耗部品の寿命がある程度予想できる場合に、この寿命よりも十分に短い時間に相当する時系列データの数を学習完了条件として設定することにより、誤った分類を確実に防止できる。
【0111】
また異常検知処理装置１では、前処理部１３のデータ分割部３２及び分離度評価部３３（図２）により、データを周波数及び時間それぞれにおいて複数の領域に分割し（図７）、高い分離度が得られた特定領域のデータを教師データ又は評価データとするようにした。このため異常検知処理装置１は、分割を行わずに全ての領域を教師データ又は評価データとする場合と比較して、データに特徴が良好に表れた状態となり、精度の高い分離処理を行うことができる。また異常検知処理装置１では、領域の減少に伴い演算量を削減できるので、処理負荷を軽減させることもできる。
【0112】
さらに異常検知処理装置１では、教師データ処理部２１において、教師観測行列ＹＬにＮＭＦを適用することにより教師基底行列ＨＬ及び教師係数行列ＷＬに分解し、このうち教師基底行列ＨＬを教師データとして記憶し、教師係数行列ＷＬを元に分類モデルパラメータを生成するようにした。これにより異常検知処理装置１では、例えば特定周波数のパワーの大きさに基づいて分類する場合よりも、分類精度を向上させることができる。
【0113】
以上の構成によれば、第１の実施の形態による異常検知処理装置１は、学習処理及び分類処理のそれぞれにおいて、教師データ及び評価データをそれぞれ複数の周波数帯ＷＢに分割し、分割された各教師データ及び各評価データに対しＮＭＦをそれぞれ適用し、得られた複数の係数行列を連結してから、その後の処理を行う。これにより異常検知処理装置１は、教師データ及び評価データに関し、分割された各周波数帯ＷＢ内において相対的に高い周波数を確実に抽出できるので、学習処理において生成する分類モデルパラメータの精度を高め得ると共に、分類処理において生成する特徴量の精度を高めることができ、最終的に良好な分類結果を得ることができる。
【0114】
［２．第２の実施の形態］
［２－１．学習分類処理装置の構成］
第２の実施の形態による異常検知処理装置２０１（図１）は、第１の実施の形態による異常検知処理装置１と比較して、制御部２及び記憶部３に代わる制御部２０２及び記憶部２０３を有する点において相違するものの、他の点については同様に構成されている。
［２－１．学習分類処理装置の構成］
第２の実施の形態による異常検知処理装置２０１（図１）は、第１の実施の形態による異常検知処理装置１と比較して、制御部２及び記憶部３に代わる制御部２０２及び記憶部２０３を有する点において相違するものの、他の点については同様に構成されている。
【0115】
制御部２０２は、第１の実施の形態による制御部２と同様、図示しないＣＰＵ、ＲＯＭ及びＲＡＭ等を有しており、種々のプログラムを実行して様々な処理を行う。また記憶部２０３は、第１の実施の形態による記憶部３と同様、不揮発性の記憶媒体であり、種々のプログラムや種々の情報を記憶するものの、その内容が第１の実施の形態と一部相違している。
【0116】
制御部２０２は、記憶部２０３から各種プログラムを読み出して実行することにより、図２と対応する図１１に示すような種々の機能ブロックを形成する。この第２の実施の形態では、第１の実施の形態と比較して、特徴量連結部２３とパラメータ生成部２４及び分類部２７との間に特徴量圧縮部２４１が設けられている点において相違するものの、他の点については同様に構成されている。
【0117】
特徴量圧縮部２４１は、学習処理において、特徴量連結部２３から供給される特徴量、具体的には１個に連結された教師係数行列ＷＬに対し、所定の圧縮処理を行うことによりデータ量を削減し、削減後の特徴量をパラメータ生成部２４へ供給する。また特徴量圧縮部２４１は、分類処理において、特徴量連結部２３から供給される特徴量、具体的には１個に連結された評価係数行列ＷＴに対し、所定の圧縮処理を行うことによりデータ量を削減し、削減後の特徴量を分類部２７へ供給する。
【0118】
この特徴量圧縮部２４１では、圧縮処理として、例えば主成分分析（PCA：Principal Component Analysis）、潜在意味解析（LSA: Latent Semantic Analysis）、線形判別分析（LDA: Linear Discriminant Analysis）、或いは独立主成分分析（ICA: Independent Component Analysis）等の手法に基づいた演算処理が行われる。これにより特徴量圧縮部２４１は、特徴量に関し主に次元数を削減することによりデータ量を削減させることができる。
【0119】
［２－２．学習分類処理］
異常検知処理装置２０１の制御部２０２は、第１の実施の形態と同様に、予めユーザにより所定の学習完了条件が設定された上で、学習分類処理手順ＲＴ１（図８）を実行する。
ただしこの場合、制御部２０２は、ステップＳＰ２において図９と対応する図１２に示す学習処理手順ＲＴ２２を実行し、またステップＳＰ３において図１０と対応する図１３に示す分類処理手順ＲＴ２３を実行するようになっている。
異常検知処理装置２０１の制御部２０２は、第１の実施の形態と同様に、予めユーザにより所定の学習完了条件が設定された上で、学習分類処理手順ＲＴ１（図８）を実行する。
ただしこの場合、制御部２０２は、ステップＳＰ２において図９と対応する図１２に示す学習処理手順ＲＴ２２を実行し、またステップＳＰ３において図１０と対応する図１３に示す分類処理手順ＲＴ２３を実行するようになっている。
【0120】
［２－２－１．学習処理］
まず、学習処理について説明する。異常検知処理装置２０１の制御部２０２は、学習分類処理手順ＲＴ１（図８）のステップＳＰ２において、学習処理手順ＲＴ２２（図１２）をサブルーチンとして実行し、最初のステップＳＰ２１１に移る。
まず、学習処理について説明する。異常検知処理装置２０１の制御部２０２は、学習分類処理手順ＲＴ１（図８）のステップＳＰ２において、学習処理手順ＲＴ２２（図１２）をサブルーチンとして実行し、最初のステップＳＰ２１１に移る。
【0121】
制御部２０２は、ステップＳＰ２１１～ＳＰ２１９において、学習処理手順ＲＴ２（図９）のステップＳＰ１１～ＳＰ１９の各処理をそれぞれ行い、次のステップＳＰ２２０に移る。
【0122】
これにより制御部２０２は、１つの時系列データを取得して対象区間を特定し、フーリエ変換処理を行った上で時間領域及び周波数領域でそれぞれ分割した後、事前の実験において特定された特定領域のデータを教師データとして採用する。さらに制御部２０２は、この教師データを複数の周波数帯ＷＢ（図４）に分割し、分割したそれぞれの教師データにＮＭＦを適用して周波数帯ＷＢごとの教師係数行列ＷＬを生成し、これらを連結して１個の教師係数行列ＷＬを生成して特徴量とする。
【0123】
ステップＳＰ２２０において制御部２０２は、特徴量圧縮部２４１（図１１）により、特徴量である教師係数行列ＷＬに対し所定の圧縮処理を行うことによりデータ量を削減し、圧縮後の特徴量（すなわち教師係数行列ＷＬ）をパラメータ生成部２４へ供給して、次のステップＳＰ２２１に移る。
【0124】
その後、制御部２０２は、ステップＳＰ２２１において学習処理手順ＲＴ２（図９）のステップＳＰ２０と同様に分類モデルパラメータを生成し、これをパラメータ記憶部２５に記憶させ、次のステップＳＰ２２２に移る。ステップＳＰ２２２において制御部２０２は、学習処理手順ＲＴ２２を終了して、元の学習分類処理手順ＲＴ１（図８）のステップＳＰ２に戻る。
【0125】
［２－２－２．分類処理］
次に、分類処理について説明する。異常検知処理装置２０１の制御部２０２は、学習分類処理手順ＲＴ１（図８）のステップＳＰ３において、分類処理手順ＲＴ２３（図１３）をサブルーチンとして実行し、最初のステップＳＰ２３１に移る。
次に、分類処理について説明する。異常検知処理装置２０１の制御部２０２は、学習分類処理手順ＲＴ１（図８）のステップＳＰ３において、分類処理手順ＲＴ２３（図１３）をサブルーチンとして実行し、最初のステップＳＰ２３１に移る。
【0126】
制御部２０２は、ステップＳＰ２３１～ＳＰ２３８において、分類処理手順ＲＴ３（図１０）のステップＳＰ３１～ＳＰ３８の各処理をそれぞれ行い、次のステップＳＰ２３９に移る。
【0127】
これにより制御部２０２は、１つの時系列データを取得して対象区間を特定し、フーリエ変換処理を行った上で時間領域及び周波数領域でそれぞれ分割した後、特定領域のデータを評価データとして採用する。さらに制御部２０２は、この評価データを複数の周波数帯ＷＢ（図４）に分割し、分割したそれぞれの評価データにＮＭＦを適用して周波数帯ＷＢごとの評価係数行列ＷＴを生成し、これらを連結して１個の評価係数行列ＷＴを生成して特徴量とする。
【0128】
ステップＳＰ２３９において制御部２０２は、特徴量圧縮部２４１（図１１）により、特徴量である評価係数行列ＷＴに対し所定の圧縮処理を行うことによりデータ量を削減し、圧縮後の特徴量（すなわち評価係数行列ＷＴ）を分類部２７へ供給して、次のステップＳＰ２４０に移る。
【0129】
その後、制御部２０２は、ステップＳＰ２４０及びＳＰ２４１において、分類処理手順ＲＴ３（図１０）のステップＳＰ３９及びＳＰ４０と同様に、特徴量を基に異常度を算出し、この異常度を基に分類処理を行い、分類結果に応じた異常に関する情報を表す表示画面を表示部５（図１）に表示させて、次のステップＳＰ２４２に移る。ステップＳＰ２４２において制御部２０２は、分類処理手順ＲＴ２３を終了して、元の学習分類処理手順ＲＴ１（図８）のステップＳＰ３に戻る。
【0130】
［２－３．効果等］
以上の構成において、第２の実施の形態による異常検知処理装置２０１は、学習処理において、時系列データを非負の観測行列に変換し、これを基に生成した教師データを複数の周波数帯ＷＢに分割し、分割された各教師データにＮＭＦをそれぞれ適用し、得られた係数行列を連結した特徴量を圧縮し、これを基に分類モデルパラメータを生成する。
以上の構成において、第２の実施の形態による異常検知処理装置２０１は、学習処理において、時系列データを非負の観測行列に変換し、これを基に生成した教師データを複数の周波数帯ＷＢに分割し、分割された各教師データにＮＭＦをそれぞれ適用し、得られた係数行列を連結した特徴量を圧縮し、これを基に分類モデルパラメータを生成する。
【0131】
また異常検知処理装置２０１は、分類処理において、時系列データを非負の観測行列に変換し、これを基に生成した評価データを複数の周波数帯ＷＢに分割し、分割された各評価データにＮＭＦをそれぞれ適用し、得られた係数行列を連結した特徴量を圧縮し、これと分類モデルパラメータとに基づいた分類結果を得る。
【0132】
このため異常検知処理装置２０１は、第１の実施の形態と同様に、学習処理において生成する分類モデルパラメータの精度を高め得ると共に、分類処理において生成する特徴量の精度を高めることができ、最終的に良好な分類結果を得ることができる。
【0133】
特に異常検知処理装置２０１は、生成された特徴量に対し圧縮処理を行った上で、分類パラメータの生成や異常度の算出処理等を行う。このため異常検知処理装置２０１は、第１の実施の形態と比較して演算量を削減できるため、制御部２０２における処理負荷や必要な記憶容量等を削減でき、処理の高速化や構成の簡素化を図ることができる。
【0134】
その他の点においても、第２の実施の形態による異常検知処理装置２０１は、第１の実施の形態による異常検知処理装置１と同様の作用効果を奏し得る。
【0135】
［３．他の実施の形態］
なお上述した第１の実施の形態においては、周波数分割部３４（図２）において分割する複数の周波数帯ＷＢに関し、該複数の周波数帯ＷＢの間において一部の周波数を互いに重複させる形態について述べた（図４）。しかし本発明はこれに限らず、例えば複数の周波数帯ＷＢの間で互いの周波数が重ならないように設定しても良い。また、例えば信号成分に異常が表れないことが予め判明している周波数がある場合に、当該周波数を除外するように各周波数帯ＷＢを設定しても良い。第２の実施の形態についても同様である。
なお上述した第１の実施の形態においては、周波数分割部３４（図２）において分割する複数の周波数帯ＷＢに関し、該複数の周波数帯ＷＢの間において一部の周波数を互いに重複させる形態について述べた（図４）。しかし本発明はこれに限らず、例えば複数の周波数帯ＷＢの間で互いの周波数が重ならないように設定しても良い。また、例えば信号成分に異常が表れないことが予め判明している周波数がある場合に、当該周波数を除外するように各周波数帯ＷＢを設定しても良い。第２の実施の形態についても同様である。
【0136】
また上述した第１の実施の形態においては、周波数分割部３４（図２）において分割する複数の周波数帯ＷＢに関し、８個の周波数帯ＷＢを設けると共に、各周波数帯ＷＢの帯域幅を何れも３２０［Ｈｚ］に統一する形態について述べた（図４）。しかし本発明はこれに限らず、例えば７個以下又は９個以上の周波数帯ＷＢを設けても良く、また各周波数帯ＷＢの帯域幅を互いに相違させても良い。第２の実施の形態についても同様である。
【0137】
さらに上述した第１の実施の形態においては、周波数分割部３４（図２）において分割する複数の周波数帯ＷＢに関し、各周波数帯ＷＢを予め設定した範囲に固定する形態について述べた。しかし本発明はこれに限らず、例えば複数の周波数帯ＷＢの組み合わせ（以下これを周波数帯分割パターンと呼ぶ）に関し、各周波数帯ＷＢの上限値及び下限値、並びに周波数帯ＷＢの数等を互いに相違させた複数の周波数帯分割パターンを予め用意しておき、これらを切り替えるようにしても良い。この場合、周波数帯分割パターンの切り替えに関しては、例えばユーザの操作に基づくものでも良く、或いは時系列データの特性等に応じて自動的に切り替えるようにしても良い。第２の実施の形態についても同様である。
【0138】
さらに上述した第２の実施の形態においては、特徴量圧縮部２４１（図１１）により、特徴量連結部２３から供給される特徴量（教師係数行列ＷＬ又は評価係数行列ＷＴ）に対し無条件で圧縮処理を行う形態について述べた。しかし本発明はこれに限らず、例えば特徴量に含まれる次元の数が所定の閾値を超える場合等、所定の条件を満たす場合にのみ圧縮処理を行うようにしても良い。
【0139】
さらに上述した第１の実施の形態においては、学習処理の完了後に分類処理を行う形態について述べた。しかしながら本発明はこれに限らず、例えば学習処理の完了後に分類処理を行わず、生成した教師基底行列ＨＬ（教師データ）や教師係数行列ＷＬ、或いは該教師係数行列ＷＬを基に生成した分類モデルパラメータ等を記憶部３等に記憶させ、若しくは所定のサーバ等へ送信して保存させても良い。これらの教師データ等は、例えば所定の分離装置に記憶させ、当該教師データ等に基づいた分離処理を行わせても良い。第２の実施の形態についても同様である。
【0140】
さらに上述した第１の実施の形態においては、学習完了条件を、「１００個の時系列データを取り込むこと」とする形態について述べた。しかしながら本発明はこれに限らず、任意の個数の時系列データを取り込むこととしても良く、また所定の時間範囲（例えば１分間等）に渡る時系列データを取り込むこととしても良い。さらには、例えば学習完了条件を「教師データの分散が所定の閾値以下であること」等、統計的な値（平均値や標準偏差等）や分布に関する値を用いたものとしても良い。或いは、例えば予め時系列データを教師データと評価データとに分けておき、教師データを用いた学習処理を行い分類モデルパラメータを生成した後に、評価データを用いて分類処理を行うようにしても良い。この場合、学習完了条件を設定する必要は無く、また条件設定部１５及び学習完了判定部１６（図２）を省略できる。第２の実施の形態についても同様である。
【0141】
さらに上述した第１の実施の形態においては、区間特定部１２（図２）が参照信号Ｄ２（図３）において振幅が振幅値Ｐとなる区間Ｔに対応する時系列データＤ１の区間を対象区間とする形態について述べた。しかしながら本発明はこれに限らず、例えば区間特定部１２が時系列データＤ１における振幅の大きさに基づいて、対象区間を特定しても良い。具体的には、時系列データＤ１において、振幅の大きさが所定の閾値を超える区間を対象区間として特定しても良く、又は振幅の大きさが所定の閾値を超える時刻の所定時間前から当該時刻の所定時間後までを、対象区間として特定しても良い。第２及び第３の実施の形態についても同様である。
【0142】
さらに上述した第１の実施の形態においては、前処理部１３のデータ分割部３２において、変換部３１により変換された時間・周波数・振幅データを、周波数領域及び時間領域それぞれにおいて２分割する場合について述べた（図７）。しかしながら本発明はこれに限らず、周波数領域及び時間領域の少なくとも一方を、任意数の領域に分割しても良い。この場合、周波数領域及び時間領域における分割数は互いに相違させても良く、また同数としても良い。さらに、周波数領域及び時間領域における分割箇所は、それぞれ適宜設定することができる。第２の実施の形態についても同様である。
【0143】
さらに上述した第１の実施の形態においては、前処理部１３のデータ分割部３２において、時間・周波数・振幅データを、周波数領域及び時間領域それぞれにおいて２分割する処理を１回のみ行う形態について述べた（図７）。しかしながら本発明はこれに限らず、例えば図７に示したように、４つの領域Ａ１、Ａ２、Ａ３、Ａ４のそれぞれにおいて、さらに再帰的にデータを分割してもよい。具体的には、例えば領域Ａ１を、さらに４つの領域Ａ１１、Ａ１２、Ａ１３、Ａ１４に分割しても良い。この場合、分離度評価部３３は、分割されたデータや、分割されたデータを組み合わせたデータに対して、それぞれ分離度を求めれば良い。このような再帰的な分割は、時間領域・周波数領域が最小の単位になるまで分割されるか、あるいは分割されたデータの大きさが所定の値となるまで、繰り返しても良い。第２の実施の形態についても同様である。
【0144】
さらに上述した第１の実施の形態においては、前処理部１３の分離度評価部３３において、時間及び周波数に関して分割した各領域のデータでクラスの分類（判別）正解率を指標として分離度を算出し、当該分離度が所定の閾値Ｌ以上である領域を特定領域とする形態について述べた。しかしながら本発明はこれに限らず、他の種々の方法により分離度を評価しても良い。また、時間及び周波数に関して分割して全ての領域に限らず、一部の領域についてのみ分離度を評価しても良い。さらには、分離度評価部３３においてＮＭＦを用いること無く、他の種々の手法により基底行列及び係数行列を算出しても良い。第２の実施の形態についても同様である。
【0145】
さらに上述した第１の実施の形態においては、前処理部１３において、データ分割部３２により時間及び周波数に関して領域を分割し、さらに分離度評価部３３により領域毎の分離度を評価して特定領域を選択する形態について述べた。しかしながら本発明はこれに限らず、例えば前処理部１３からデータ分割部３２及び分離度評価部３３を省略しても良い。第２の実施の形態についても同様である。
【0146】
さらに上述した第１の実施の形態においては、教師データ処理部２１（図２）において、教師観測行列ＹＬに対応付けられた正解ラベルのクラスごとにＮＭＦを適用する形態について述べた。しかしながら本発明はこれに限らず、教師観測行列ＹＬに対して、一括してＮＭＦを適用しても良い。第２の実施の形態についても同様である。
【0147】
さらに上述した第１の実施の形態においては、教師データ処理部２１において、時系列データから変換された周波数領域の観測ベクトル又は観測行列を基に、ＮＭＦにより教師基底行列及び教師係数行列を生成する形態について述べた。しかしながら本発明はこれに限らず、周波数領域の観測ベクトル又は観測行列に対して他の種々の演算処理を行うことにより、教師基底行列及び教師係数行列を生成しても良い。第２の実施の形態についても同様である。
【0148】
さらに上述した第１の実施の形態においては、分類部２７において分類モデルとして閾値判別を用いる形態について述べた。しかしながら本発明はこれに限らず、例えば分類モデルとして線形判別、二次判別、又はＳＶＭ（Support Vector Machine）に基づく分類モデル等、種々の分類モデルを用いて、分類しても良い。第２の実施の形態についても同様である。
【0149】
さらに上述した実施の形態においては、出力部２８（図２）によって分類結果を基に所定の表示画面を構成して表示部５（図１）に表示させる形態について述べた。しかしながら本発明はこれに限らず、例えば図示しないスピーカから分類結果を音声により出力しても良く、或いは通信部４（図１）から所定の端末装置（図示せず）等へ分類結果を表すデータを送信する等、種々の手法により分類結果を出力しても良い。若しくは、記憶部３に分類結果を記憶しても良い。第２の実施の形態についても同様である。
【0150】
さらに上述した第１の実施の形態においては、異常検知処理装置１の制御部２（図１）において各種プログラムを実行することにより、図２に示したデータ取得部１１等の各ブロックをソフトウェアによる機能ブロックとして構成する形態について述べた。しかしながら本発明はこれに限らず、データ取得部１１等をハードウェアにより構成しても良く、或いはハードウェア及びソフトウェアの協働により実現しても良い。第２の実施の形態についても同様である。
【0151】
さらに上述した第１の実施の形態においては、異常検知処理装置１（図１）が記憶部３に予め記憶されている各種プログラムを読み出して実行する形態について述べた。しかしながら本発明はこれに限らず、例えばネットワークに接続された所定のサーバ装置（図示せず）から取得し、或いはＵＳＢ（Universal Serial Bus）メモリのような着脱可能な記憶媒体から読み出すことにより、異常検知処理装置１が各種プログラムを取得して実行しても良い。第２の実施の形態についても同様である。
【0152】
さらに本発明は、上述した各実施の形態及び他の実施の形態に限定されるものではない。すなわち本発明は、上述した各実施の形態と上述した他の実施の形態の一部又は全部を任意に組み合わせた実施の形態にも適用範囲が及ぶものである。また本発明は、上述した各実施の形態及び他の実施の形態のうち任意の実施の形態に記載された構成の一部を抽出し、上述した各実施の形態及び他の実施の形態のうちの任意の実施の形態の構成の一部と置換・転用した実施の形態や、抽出された構成の一部を任意の実施の形態に追加した実施の形態にも適用範囲が及ぶものである。
【0153】
さらに上述した第１の実施の形態においては、データ取得部としてのデータ取得部１１と、変換部としての変換部３１と、周波数分割部としての周波数分割部３４と、特徴量生成部としての教師データ処理部２１及び特徴抽出部２６と、特徴量連結部としての特徴量連結部２３と、パラメータ生成部としてのパラメータ生成部２４と、分類部としての分類部２７とによって異常検知処理装置としての異常検知処理装置１を構成する形態について述べた。しかし本発明はこれに限らず、その他種々の構成でなるデータ取得部と、変換部と、周波数分割部と、特徴量生成部と、特徴量連結部と、パラメータ生成部と、分類部とによって異常検知処理装置を構成しても良い。
【産業上の利用可能性】
【0154】
本発明は、例えば時系列のデータを取得して学習処理を行ってから分類処理を行う場合に利用できる。
【符号の説明】
【0155】
１、２０１……学習分類装置、２、２０２……制御部、３、２０３……記憶部、１１……データ取得部、１２……区間特定部、１３……前処理部、１５……条件設定部、１６……学習完了判定部、２１……教師データ処理部、２２……教師データ記憶部、２３……特徴量連結部、２４……パラメータ生成部、２５……パラメータ記憶部、２６……特徴抽出部、２７……分類部、２８……出力部、３１……変換部、３２……データ分割部、３３……分離度評価部、３４……周波数分割部、２４１……特徴量圧縮部、Ｈ……基底行列、ＨＬ……教師基底行列、Ｗ……係数行列、ＷＬ……教師係数行列、ＷＴ……評価係数行列、Ｙ……観測行列、ＹＬ……教師観測行列、ＹＴ……評価観測行列、σＢ
２……クラス間分散、σｗ
２……クラス内分散、Ｊ……クラス間分散比、ＷＢ……周波数帯。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】