特許 7537182 異常温度検知装置、異常温度検知方法、及び異常温度検知プログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-08-13

(45)【発行日】2024-08-21

(54)【発明の名称】異常温度検知装置、異常温度検知方法、及び異常温度検知プログラム

(51)【国際特許分類】

   G06N 20/00 20190101AFI20240814BHJP

【ＦＩ】

G06N20/00

【請求項の数】 9

(21)【出願番号】P 2020143271

(22)【出願日】2020-08-27

(65)【公開番号】P2022038659

(43)【公開日】2022-03-10

【審査請求日】2023-04-11

(73)【特許権者】

【識別番号】000006507

【氏名又は名称】横河電機株式会社

(74)【代理人】

【識別番号】100106909

【弁理士】

【氏名又は名称】棚井 澄雄

(74)【代理人】

【氏名又は名称】佐伯 義文

(74)【代理人】

【識別番号】100167553

【弁理士】

【氏名又は名称】高橋 久典

(74)【代理人】

【識別番号】100181124

【弁理士】

【氏名又は名称】沖田 壮男

(72)【発明者】

【氏名】古川 靖

【審査官】佐藤 実

(56)【参考文献】

【文献】特開２００３－１６２７７８（ＪＰ，Ａ）

【文献】米国特許出願公開第２０１５／０３３０９２４（ＵＳ，Ａ１）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｎ ２０／００

(57)【特許請求の範囲】

【請求項1】

温度データを取得する温度取得部と、
前記温度データの階差数列を示す差分データを算出し、正数である差分データと負数である差分データとの何れか一方を零に置換した置換データを生成し、前記置換データを複数回に亘って平均化した基準データと前記置換データとの類似度を算出する前処理を行う前処理部と、
前記前処理部で算出された前記類似度と、学習用の前記温度データである教師データが正常又は異常であることを示す識別ラベルとを一組として機械学習して識別関数を出力する学習部と、
前記温度取得部で取得され、前記前処理部で前記前処理が行われた検知用の温度データの正常又は異常を、前記識別関数を用いて判定する判定部と、
を備える異常温度検知装置。

【請求項2】

前記前処理部は、前記差分データの算出及び前記置換データの生成を行うデータ処理部と、
前記類似度の算出を行う類似度算出部と、
を備える請求項１記載の異常温度検知装置。

【請求項3】

前記データ処理部は、前記温度データの第一階差数列を示す一階差分データと前記温度データの第二階差数列を示す二階差分データとを算出し、少なくとも前記一階差分データについて、正数である一階差分データと負数である一階差分データとの何れか一方を零に置換した前記置換データを生成する、請求項２記載の異常温度検知装置。

【請求項4】

前記類似度算出部は、動的時間伸縮法を用いて前記類似度の算出を行う、請求項２又は請求項３記載の異常温度検知装置。

【請求項5】

学習用の前記前処理部である第１前処理部と、
検知用の前記前処理部である第２前処理部と、
を備えており、
前記第１前処理部は、前記第１前処理部が生成した前記置換データを用いて前記基準データを生成し、
前記第２前処理部は、前記第１前処理部で生成された前記基準データと、前記第２前処理部が生成した前記置換データとの前記類似度を算出する、
請求項１から請求項４の何れか一項に記載の異常温度検知装置。

【請求項6】

前記第１前処理部は、予め規定した時間の前記置換データを複数回に亘って平均化することによって前記基準データを生成する、請求項５記載の異常温度検知装置。

【請求項7】

前記前処理部、前記学習部、及び前記判定部は、複数設けられており、
複数の前記判定部の結果に基づいて、前記温度データの正常又は異常を判定する総合判定部を備える、
請求項１から請求項６の何れか一項に記載の異常温度検知装置。

【請求項8】

温度データを取得する第１温度取得ステップと、
前記温度データの階差数列を示す差分データを算出し、正数である差分データと負数である差分データとの何れか一方を零に置換した置換データを生成し、前記置換データを複数回に亘って平均化した基準データと前記置換データとの類似度を算出する前処理を行う第１前処理ステップと、
前記第１前処理ステップで算出された前記類似度と、学習用の前記温度データである教師データが正常又は異常であることを示す識別ラベルとを一組として機械学習して識別関数を出力する学習ステップと、
検知用の温度データを取得する第２温度取得ステップと、
前記検知用の温度データに対する前記前処理を行う第２前処理ステップと、
前記前処理が行われた前記検知用の温度データの正常又は異常を、前記識別関数を用いて判定する判定ステップと、
を有する異常温度検知方法。

【請求項9】

コンピュータを、
温度データを取得する温度取得手段と、
前記温度データの階差数列を示す差分データを算出し、正数である差分データと負数である差分データとの何れか一方を零に置換した置換データを生成し、前記置換データを複数回に亘って平均化した基準データと前記置換データとの類似度を算出する前処理を行う前処理手段と、
前記前処理手段で算出された前記類似度と、学習用の前記温度データである教師データが正常又は異常であることを示す識別ラベルとを一組として機械学習して識別関数を出力する学習手段と、
前記温度取得手段で取得され、前記前処理手段で前記前処理が行われた検知用の温度データの正常又は異常を、前記識別関数を用いて判定する判定手段と、
して機能させる異常温度検知プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、異常温度検知装置、異常温度検知方法、及び異常温度検知プログラムに関する。

【背景技術】

【0002】

居住用建物内における火災、石炭火力発電所における火災、製鉄所における溶鋼の漏出等の事故が発生すると、人命損失や機会損失が生ずる可能性がある。このため、事故の発生によって生ずる異常温度を検知することは、人命損失や機会損失を回避する観点からは極めて重要である。尚、異常温度は、正常時に比べて著しく上昇した温度の意味以外に、正常時に比べて著しく下降した温度の意味で用いられる場合もある。

【0003】

以下の特許文献１～３には、非通常状態（異常温度を含む）を検知する従来の技術が開示されている。例えば、以下の特許文献１に開示された技術は、周期的に繰り返されるデータを周期毎のデータ（周期データ）に分割し、複数の周期データを平均等することによって正常時の状態を示す基準データを作成する。そして、測定される周期データと基準データとの乖離値に基づいて非通常状態を検知している。

【先行技術文献】

【特許文献】

【0004】

【文献】特許第６０７６５７１号公報

【文献】特開２０２０－０７１１３７号公報

【文献】特許第５８０８６０５号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

ところで、上述した特許文献１に開示された技術では、乖離値（相関係数）が所定の許容誤差（閾値）より大きくなったときに非通常状態と判定しており、温度の時間変化（上昇又は下降の方向）を識別できない。このため、上述した特許文献１に開示された技術では、他の乖離値（差の総和）を導入して変化の方向（温度の上昇又は下降）を検知できるように補っている。しかしながら、複数の乖離値間で検知結果が相反する場合、検知アルゴリズムによっては誤検知を生じる可能性がある。

【0006】

また、温度の時間変化は、日内変動や季節変動等の複数の要因によって異なるため、異常温度が生じたことを判定するための適切な閾値も周囲環境等に応じて異なる。上述した特許文献１に開示された技術では、周囲環境に応じて参照する基準データを複数使い分けて閾値を調整する必要があり、周囲環境に応じた適切な閾値を設定すること自体が難しく、異常温度を高い精度で検知することが困難であると考えられる。

【0007】

本発明は上記事情に鑑みてなされたものであり、周囲環境の影響を排除しつつ温度の時間変化も考慮して、高い精度で異常温度を検知することができる異常温度検知装置、異常温度検知方法、及び異常温度検知プログラムを提供することを目的とする。

【課題を解決するための手段】

【0008】

上記課題を解決するために、本発明の一態様による異常温度検知装置（１～３）は、温度データを取得する温度取得部（１１）と、前記温度データの階差数列を示す差分データを算出し、正数である差分データと負数である差分データとの何れか一方を零に置換した置換データを生成し、正常又は異常を識別済みの教師データから得られる基準データと前記置換データとの類似度を算出する前処理を行う前処理部（１２、１７）と、前記前処理部で算出された前記類似度を機械学習して識別関数を出力する学習部（１３、１８）と、前記温度取得部で取得され、前記前処理部で前記前処理が行われた検知用の温度データの正常又は異常を、前記識別関数を用いて判定する判定部（１４、１９）と、を備える。

【0009】

また、本発明の一態様による異常温度検知装置は、前記前処理部が、前記差分データの算出及び前記置換データの生成を行うデータ処理部（１２ａ、２２ａ、２４、３２ａ、３４）と、前記類似度の算出を行う類似度算出部（１２ｂ、２６ａ、３５ａ）と、を備える。

【0010】

また、本発明の一態様による異常温度検知装置は、前記データ処理部が、前記温度データの第一階差数列を示す一階差分データと前記温度データの第二階差数列を示す二階差分データとを算出し、少なくとも前記一階差分データについて、正数である一階差分データと負数である一階差分データとの何れか一方を零に置換した前記置換データを生成する。

【0011】

また、本発明の一態様による異常温度検知装置は、前記類似度算出部が、動的時間伸縮法を用いて前記類似度の算出を行う。

【0012】

また、本発明の一態様による異常温度検知装置は、学習用の前記前処理部である第１前処理部（２０）と、検知用の前記前処理部である第２前処理部（３０）と、を備えており、前記第１前処理部が、前記第１前処理部が生成した前記置換データを用いて前記基準データを生成し、前記第２前処理部が、前記第１前処理部で生成された前記基準データと、前記第２前処理部が生成した前記置換データとの前記類似度を算出する。

【0013】

また、本発明の一態様による異常温度検知装置は、前記第１前処理部が、予め規定した時間の前記置換データを複数回に亘って平均化することによって前記基準データを生成する。

【0014】

また、本発明の一態様による異常温度検知装置は、前記前処理部、前記学習部、及び前記判定部が、複数設けられており、複数の前記判定部の結果に基づいて、前記温度データの正常又は異常を判定する総合判定部（４０）を備える。

【0015】

本発明の一態様による異常温度検知方法は、温度データを取得する第１温度取得ステップ（Ｓ１１）と、前記温度データの階差数列を示す差分データを算出し、正数である差分データと負数である差分データとの何れか一方を零に置換した置換データを生成し、正常又は異常を識別済みの教師データから得られる基準データと前記置換データとの類似度を算出する前処理を行う第１前処理ステップ（Ｓ１３、Ｓ１５、Ｓ１７）と、前記第１前処理ステップで算出された前記類似度を機械学習して識別関数を出力する学習ステップ（Ｓ１８）と、検知用の温度データを取得する第２温度取得ステップ（Ｓ２１）と、前記検知用の温度データに対する前記前処理を行う第２前処理ステップと（Ｓ２３、Ｓ２５、Ｓ２６）、前記前処理が行われた前記検知用の温度データの正常又は異常を、前記識別関数を用いて判定する判定ステップ（Ｓ２７）と、を有する。

【0016】

本発明の一態様による異常温度検知プログラムは、コンピュータを、温度データを取得する温度取得手段（１１）と、前記温度データの階差数列を示す差分データを算出し、正数である差分データと負数である差分データとの何れか一方を零に置換した置換データを生成し、正常又は異常を識別済みの教師データから得られる基準データと前記置換データとの類似度を算出する前処理を行う前処理手段（１２、１７）と、前記前処理手段で算出された前記類似度を機械学習して識別関数を出力する学習手段（１３，１８）と、前記温度取得手段で取得され、前記前処理手段で前記前処理が行われた検知用の温度データの正常又は異常を、前記識別関数を用いて判定する判定手段（１４、１９）と、して機能させる。

【発明の効果】

【0017】

本発明によれば、周囲環境の影響を排除しつつ温度の時間変化も考慮して、高い精度で異常温度を検知することができる、という効果がある。

【図面の簡単な説明】

【0018】

【図1】本発明の第１実施形態による異常温度検知装置の要部構成を示すブロック図である。

【図2】本発明の第１実施形態による異常温度検知装置１の学習時の動作の概要を示すフローチャートである。

【図3】本発明の第１実施形態による異常温度検知装置１の検知時の動作の概要を示すフローチャートである。

【図4】本発明の第２実施形態による異常温度検知装置の要部構成を示すブロック図である。

【図5】本発明の第２実施形態による異常温度検知装置における識別関数を用いた判定方法を説明するための図である。

【図6】本発明の第３実施形態による異常温度検知装置の要部構成を示すブロック図である。

【発明を実施するための形態】

【0019】

以下、図面を参照して本発明の実施形態による異常温度検知装置、異常温度検知方法、及び異常温度検知プログラムについて詳細に説明する。以下では、まず本発明の実施形態の概要について説明し、続いて本発明の各実施形態の詳細について説明する。

【0020】

〔概要〕
本発明の実施形態は、周囲環境の影響を排除しつつ温度の時間変化も考慮して、高い精度で異常温度を検知することを可能とするものである。具体的には、日内変動や季節変動等の複数の要因によって温度の時間変化が異なっていても、高い精度で異常温度を検知することを可能とするものである。

【0021】

温度上昇のメカニズムに詳しくない者にとって、異常温度を判定する閾値を設定することは甚だ困難である。このため、上述した特許文献１に開示された技術において、プラント等の設備異常を検知するためには、経験豊富なベテラン作業員が基準データを変更調整して閾値を設定する必要がある。また、上述した特許文献２には、閾値を設定しやすくするために、温度変化率を用いて到達温度を予測する方法が開示されている。上述した特許文献３には、ベテラン作業員の保守履歴情報とセンサデータとを連関するキーワードで紐づけし、クラスタリングと多変量解析とによって異常の予兆を検出する方法が開示されている。

【0022】

しかしながら、上述した特許文献１に開示された技術では、温度の時間変化方向を一つの乖離値（相関関数）だけで識別できないため、火災等における温度上昇を判定するために他の乖離値が必要となる。その場合、複数の乖離値間で検知結果が相反すると、検知アルゴリズムによっては誤検知を生じる可能性がある。そもそも、温度の時間変化は、日内変動や季節変動等の複数の要因によって異なる。このため、上述した特許文献１に開示された基準データの調整では適切な閾値調整を行うことが困難であるし、上述した特許文献２に開示された方法を用いても、異常温度が生じたことを判定するための適切な閾値を設定することが難しい。

【0023】

上述した特許文献３に開示された方法では、ベテラン作業員の保守履歴情報が十分に蓄積されていれば、温度の時間変化を考慮して異常温度を判定することになるため、高い精度で異常温度を検知することが可能であるとも考えられる。しかしながら、ベテラン作業員の保守履歴情報が十分でない場合には、高い精度で異常温度を検知することは困難である。

【0024】

本発明の実施形態では、まず、学習段階において、温度取得部で取得された温度データの階差数列を示す差分データを算出し、正数である差分データと負数である差分データとの何れか一方を零に置換した置換データを生成し、正常又は異常を識別済みの教師データから得られる基準データと置換データとの類似度を算出する前処理を行う。そして、前処理で算出された類似度を機械学習して識別関数を得る。次に、検知段階において、温度取得部で取得され、前処理が行われた検知用の温度データの正常又は異常を、識別関数を用いて判定する。これにより、周囲環境の影響を排除しつつ温度の時間変化も考慮して、高い精度で異常温度を検知することができる。

【0025】

〔第１実施形態〕
〈異常温度検知装置〉
図１は、本発明の第１実施形態による異常温度検知装置の要部構成を示すブロック図である。図１に示す通り、本実施形態の異常温度検知装置１は、温度取得部１１（温度取得手段）、前処理部１２（前処理手段）、学習部１３（学習手段）、判定部１４（判定手段）、出力部１５、及び入力部１６を備えており、異常温度を検知する。ここで、異常温度は、正常時に比べて著しく上昇した温度、或いは、正常時に比べて著しく下降した温度を意味する。本実施形態では、正常時に比べて著しく上昇した温度を異常温度として検知する場合を例に挙げて説明する。尚、正常時の温度及び異常温度は固定されたものではなく、異常温度検知装置１が使用される状況に応じて、任意の温度に変えることができる。

【0026】

温度取得部１１は、温度の経時変化を示す時系列データである温度データを取得する。具体的には、温度取得部１１は、例えば、熱電対、測温抵抗体、サーミスタ、水晶振動子、赤外線放射温度計、光ファイバ温度センサ等の温度センサから出力される温度データを取得する。温度取得部１１は、アナログ／ディジタル変換器（ＡＤＣ：Analog-to-Digital Converter）を備えており、温度センサからアナログ信号が出力される場合には、ディジタル化したものを温度データとして取得する。温度取得部１１が取得する温度データは、ＡＤＣのサンプリング周期毎に得られるものであっても良く、ＡＤＣのサンプリング周期毎に得られるものを所定の時間間隔で間引いたものであっても良い。

【0027】

尚、上記の温度データは、予め規定した時間（例えば、３～５分程度）で区切って複数回に亘って取得したものを用いることができる。例えば、３０分間を３分毎に等分して３分のデータを１０回取得したものや、３０分間のうちデータ区切りを１分毎にずらして３分のデータを２８回取得したものを用いることができる。尚、学習用の温度データ（以下、教師データ）は、温度取得部１１が取得する代わりに、異常温度検知装置１のユーザがシミュレーションにより作成した温度データを入力部１６から前処理部１２へ入力してもよい。

【0028】

前処理部１２は、データ処理部１２ａ及び類似度算出部１２ｂを備えており、温度取得部１１で取得された温度データに対し、機械学習或いは異常温度の検知を行うために予め必要となる信号処理（前処理）を行う。例えば、前処理部１２は、ノイズ除去処理、差分算出処理、単位根確認処理、標準化処理、符号置換処理、類似度算出処理等を行う。これら前処理のうち、差分算出処理及び符号置換処理はデータ処理部１２ａで行われ、類似度算出処理は類似度算出部１２ｂで行われる。尚、ノイズ除去処理、単位根確認処理、及び標準化処理は、必要なければ省略可能である。

【0029】

ノイズ除去処理は、温度取得部１１で取得された温度データに対し、時間軸方向に平均化等のフィルタ処理を施すことによって、温度データに重畳されているノイズを除去する処理である。ここで、上記のフィルタ処理は、単純移動平均フィルタ、ガウシアン等の重み付き移動平均フィルタ、ローパスフィルタ、バンドパスフィルタ、ハイパスフィルタ、インパルス状の雑音に効果的なメジアンフィルタ、非線形フィルタ、その他のフィルタを用いた処理であって良い。但し、フィルタ処理は、温度データに重畳している雑音の特性に合った適切なフィルタを選択するのが望ましい。

【0030】

差分算出処理は、温度データを数列として見た場合に、時間的に隣接する温度データの階差数列（以下、差分データという）を算出する処理である。このような差分データを算出するのは、温度の日内変動や季節変動などの変動要因を除外するためである。単位根確認処理は、例えば、拡張ディッキー・フラー検定（ＡＤＦ検定）等を用いて、温度データが単位根を有するか否かを確認する処理である。標準化処理は、差分データを標準化（Standardization）する処理（平均を０、分散を１とする処理）である。このような標準化を行うのは、機械学習で扱う複数の異なる特徴量の尺度を揃えること（Feature Scaling）によって、外れ値が学習に与える影響を低減して学習時間を短縮し学習コストを抑えるためである。

【0031】

符号置換処理は、上記の差分データのうち、正数である差分データと負数である差分データとの何れか一方を零に置換した置換データを生成する処理である。正常時に比べて著しく上昇した温度を異常温度として検知する場合には、負数である差分データ（温度下降を示すデータ）が零に置換される。これに対し、正常時に比べて著しく下降した温度を異常温度として検知する場合には、正数である差分データ（温度上昇を示すデータ）が零に置換される。尚、負数である差分データ（温度下降を示すデータ）を零に置換することは、活性化関数のＲｅＬＵ（Rectified Linear Unit）に相当する。

【0032】

このように、上記の差分データのうち、正数である差分データと負数である差分データとの何れか一方を零に置換するのは、温度の上昇分と下降分との何れかの特徴を強調し、学習部１３で行われる機械学習における分類の効果を高めるためである。例えば、温度がほぼ一定である状態を正常として学習すると、温度の上昇及び下降は何れも正常状態からの乖離であるから異常として検知される。しかしながら、例えば、火災検知の用途では、温度下降を異常として検知する必要が無いことから、温度下降を無視する（零に置換する）ことで、機械学習における分類の効果を高めるようにしている。

【0033】

類似度算出処理は、符号置換処理によって生成された置換データと、学習時に置換データを複数回に亘って平均して得られる基準データとの類似度を算出する。この類似度を示す指標として、ベクトル間の距離（ユークリッド距離）のほか、動的時間伸縮法（ＤＴＷ：Dynamic Time Warping）における累積ワープ距離を用いることができる。教師データが正常又は異常であることを示す識別ラベルは、例えば、異常温度検知装置１のユーザが入力部１６を操作することによって前処理部１２に入力される。学習段階において、識別ラベルが正常の教師データから正常時の基準データが、識別ラベルが異常の教師データから異常時の基準データが算出される。尚、動的時間伸縮法(ＤＴＷ）の詳細は、第２実施形態で説明するものとする。

【0034】

正常と識別された教師データだけで類似度を算出するか、異常と識別された教師データだけで類似度を算出するか、正常と異常の両方の教師データを用いてそれぞれの類似度を算出するかは、検知しようとする異常温度に応じて任意に選択することができる。例えば、火災検知を行う場合には、温度上昇する方向のみが異常であると予めわかっているため、正常及び異常の両方の教師データを学習することで、より正確に判定することが可能になる。

【0035】

学習部１３は、前処理部１２の類似度算出部１２ｂで算出された類似度と、教師データの正常又は異常を示す識別ラベルとを一組として機械学習を行う。学習部１３は、例えば、サポートベクターマシン（ＳＶＭ：Support Vector Machine）技術のクラス分類（Classification）を用いるのが望ましい。これは、深層学習に比べて少ない教師データで機械学習できるからである。学習部１３は、クラス分類の手法として、ロジスティック回帰（Logistic Regression）、ランダムフォレスト（Random Forest）、決定木（Decision Tree）等の二値分類手法を用いてもよい。学習部１３は、クラス分類を可能とする識別関数（Decision Function）を判定部１４に提供する（出力する）。

【0036】

判定部１４は、温度取得部１１で取得され、前処理部１２で前処理が行われた検知用の温度データの正常又は異常を、学習部１３から出力される識別関数を用いて判定する。ここで、検知用の温度データとは、異常温度であるか否かの判定対象となる温度データであり、識別ラベルは入力されない。判定部１４は、検知用の温度データが正常であるか又は異常であるかを示す判定結果を出力部１５に出力する。

【0037】

出力部１５は、判定部１４の判定結果を出力する。出力部１５は、例えば、ＬＣＤ（Liquid Crystal Display：液晶表示ディスプレイ）等の表示装置を備えており、判定部１４の判定結果を視認可能に表示する。出力部１５は、ＬＣＤに加えて、例えば、赤色警告灯やブザー等の警報器を接続可能な接点端子を備えており、判定部１４の判定結果を光や音によって報知するようにしても良い。入力部１６は、例えば、キーボードやポインティングデバイス等の入力装置を備えており、入力部１６に対する操作に応じた操作信号を前処理部１２に出力する。尚、出力部１５及び入力部１６は、例えば表示機能と操作機能とを兼ね備えるタッチパネル式の液晶表示装置のように一体化されていても良い。

【0038】

このような異常温度検知装置１は、例えば、デスクトップ型、ノート型、又はタブレット型のコンピュータにより実現される。異常温度検知装置１がコンピュータにより実現される場合において、異常温度検知装置１に設けられる各ブロック（前処理部１２、学習部１３、及び判定部１４等）は、各々の機能を実現するためのプログラム（異常温度検知プログラム）が、コンピュータに設けられたＣＰＵ（中央処理装置）で実行されることによって実現される。つまり、異常温度検知装置１に設けられる各ブロックは、ソフトウェアとハードウェア資源とが協働することによって実現される。

【0039】

ここで、異常温度検知装置１に設けられる各ブロックの機能を実現するプログラムは、例えばＣＤ－ＲＯＭ又はＤＶＤ（登録商標）－ＲＯＭ等のコンピュータ読み取り可能な記録媒体に記録された状態で配布されても良く、或いはインターネット等のネットワークを介して配布されても良い。尚、異常温度検知装置１は、ＦＰＧＡ（Field-Programmable Gate Array）、ＬＳＩ（Large Scale Integration）、ＡＳＩＣ（Application Specific Integrated Circuit）等のハードウェアを用いて実現されてもよい。

【0040】

〈異常温度検知方法〉
次に、異常温度検知装置１の動作について説明する。異常温度検知装置１の動作は、前述した機械学習を行って識別関数を得る学習時の動作と、異常温度を検知する検知時の動作とに大別される。以下では、異常温度検知装置１の学習時の動作と、異常温度検知装置１の検知時の動作とを順に説明する。

【0041】

《学習時の動作》
図２は、本発明の第１実施形態による異常温度検知装置１の学習時の動作の概要を示すフローチャートである。尚、図２に示すフローチャートの処理は、例えば、異常温度検知装置１のユーザが入力部１６を操作して、機械学習を開始する旨の指示を行うことによって開始される。

【0042】

処理が開始されると、まず、学習用の温度データを取得する処理が、温度取得部１１で行われる（ステップＳ１１：第１温度取得ステップ）。この処理では、温度データは、予め規定した時間（例えば、３～５分程度）に相当する複数個の温度データが１回又は複数回に亘って取得される。実用的には、例えば、１００個の温度データが、２００回に亘って取得される。或いは、温度取得部１１のかわりに、異常温度検知装置１のユーザがシミュレーションにより作成した温度データを入力部１６から前処理部１２へ入力してもよい。尚、取得された温度データ（学習用の温度データ）が正常又は異常であることを示す識別ラベルは、例えば、異常温度検知装置１のユーザが入力部１６を操作することによって前処理部１２に入力される。

【0043】

次に、取得された学習用の温度データからノイズを除去する処理が、前処理部１２で行われる（ステップＳ１２）。例えば、温度取得部１１で取得された温度データに対し、時間軸方向に平均化等のフィルタ処理を行うことによって、温度データに重畳されているノイズを除去する処理が行われる。尚、このフィルタ処理では、温度データに重畳している雑音の特性に合った適切なフィルタが選択される。

【0044】

次いで、差分データを算出する処理が前処理部１２のデータ処理部１２ａで行われる（ステップＳ１３：第１前処理ステップ）。具体的には、時間的に隣接する温度データの階差数列を示す差分データを算出する処理が行われる。尚、学習用の温度データが単位根を有するか否かを確認する単位根確認処理が前処理部１２で行われても良い。続いて、算出された差分データを標準化する処理が前処理部１２で行われる（ステップＳ１４）。具体的には、算出された差分データの平均を０、分散を１とする処理が行われる。尚、この処理で求められた平均値及び標準偏差は、検知時における標準化処理（図３のステップＳ２４）でも用いられる。

【0045】

続いて、標準化された差分データのうち、正数である差分データと負数である差分データとの何れか一方を零に置換した置換データを生成する処理が、データ処理部１２ａで行われる（ステップＳ１５：第１前処理ステップ）。本実施形態では、正常時に比べて著しく上昇した温度を異常温度として検知する場合を例に挙げているため、負数である差分データを零に置換した置換データを生成する処理が行われる。

【0046】

続いて、複数回（例えば２００回）の置換データを平均して基準データを生成する処理が前処理部１２で行われる（ステップＳ１６）。この基準データと置換データとの類似度を算出する処理が、類似度算出部１２ｂで行われる（ステップＳ１７：第１前処理ステップ）。例えば、基準データと置換データとの距離を、動的時間伸縮法（ＤＴＷ）によって算出することによって上記の類似度を算出する処理が行われる。尚、この処理で求められた基準データは、検知時における類似度算出処理（図３のステップＳ２６）でも用いられる。ここで、上記の基準データとしては、例えば、予め規定された時間（例えば、３～５分程度）に相当する温度データから生成された置換データを、複数回に亘って平均化したものを用いることができる。

【0047】

以上の処理が終了すると、算出された類似度と識別ラベル（入力部１６から入力される識別ラベル）とを一組とし、この一組の類似度と識別ラベルとを用いた機械学習が、学習部１３で行われる（ステップＳ１８：学習ステップ）。この機械学習が行われると、学習部１３から判定部１４に対して、識別関数が出力される（ステップＳ１９）。

【0048】

尚、図２に示すフローチャートの処理は、例えば、異常温度検知装置１のユーザによって予め設定された量の学習が行われた後に自動的に終了されて良い。或いは、異常温度検知装置１のユーザによって予め設定された時間の経過後に終了されても良く、異常温度検知装置１のユーザの終了指示によって終了されても良い。或いは、所定の時系列データに対して識別関数の値が所定値以下になったら終了されても良い。

【0049】

《検知時の動作》
図３は、本発明の第１実施形態による異常温度検知装置１の検知時の動作の概要を示すフローチャートである。尚、図３に示すフローチャートの処理は、例えば、異常温度検知装置１のユーザが入力部１６を操作して、機械学習を開始する旨の指示を行うことによって開始される。或いは、図３に示すフローチャートの処理は、図２に示すフローチャートの処理が終了したときに自動的に開始されても良い。

【0050】

処理が開始されると、まず、検知用の温度データを取得する処理が、温度取得部１１で行われる（ステップＳ２１：第２温度取得ステップ）。この処理では、温度データは、予め規定した時間（例えば、３～５分程度）に相当する教師データと同じデータ長の温度データ（例えば、１００個の温度データ）が１回だけ取得される。尚、検知用の温度データは、正常又は異常が不明であるため、識別ラベルは入力されない。

【0051】

次に、取得された検知用の温度データからノイズを除去する処理が、前処理部１２で行われる（ステップＳ２２）。例えば、図２に示すステップＳ１３の処理で用いられたフィルタと同様のフィルタを用いて、検知用の温度データに重畳されているノイズを除去する処理が行われる。

【0052】

次いで、差分データを算出する処理が前処理部１２のデータ処理部１２ａで行われる（ステップＳ２３：第２前処理ステップ）。具体的には、時間的に隣接する温度データの階差数列を示す差分データを算出する処理が行われる。続いて、算出された差分データを標準化する処理が前処理部１２で行われる（ステップＳ２４）。具体的には、図２に示すステップＳ１４の処理で求められた平均値及び標準偏差を用いて、算出された差分データを標準化する処理が行われる。

【0053】

続いて、標準化された差分データのうち、正数である差分データと負数である差分データとの何れか一方を零に置換した置換データを生成する処理が、データ処理部１２ａで行われる（ステップＳ２５：第２前処理ステップ）。本実施形態では、正常時に比べて著しく上昇した温度を異常温度として検知する場合を例に挙げているため、図２に示すステップＳ１５の処理と同様に、負数である差分データを零に置換した置換データを生成する処理が行われる。

【0054】

続いて、学習時に得た基準データと検知用の置換データとの類似度を算出する処理が、類似度算出部１２ｂで行われる（ステップＳ２６：第２前処理ステップ）。例えば、基準データと置換データとの距離を、動的時間伸縮法（ＤＴＷ）によって算出することによって上記の類似度を算出する処理が行われる。ここで、上記の基準データとしては、学習時に図２に示すステップＳ１６の処理で求めたものが用いられる。

【0055】

以上の処理が終了すると、算出された類似度が識別関数に入力され、検知用の温度データの正常又は異常を判定する処理が判定部１４で行われる（ステップＳ２７：判定ステップ）。この判定が行われると、判定部１４から出力部１５に対して判定結果が出力される（ステップＳ２８）。これにより、検知用の温度データの正常又は異常を示す情報が表示装置に視認可能に表示される。或いは、検知用の温度データが異常であると判定された場合には、赤色警告灯やブザー等の警報器によって異常である旨が光や音によって報知される。

【0056】

尚、図３に示すフローチャートの処理は、例えば、検知用の温度データが異常であると判定された場合に、自動的に終了されて良い。或いは、図３に示すフローチャートの処理は、異常温度検知装置１のユーザの指示によって継続されても良く、異常温度検知装置１のユーザの終了指示によって終了されても良い。

【0057】

以上の通り、本実施形態では、まず、学習時において、前処理部１２が、温度取得部１１で取得された温度データ又は入力部１６より与えられた温度データの階差数列を示す差分データを算出し、正数である差分データと負数である差分データとの何れか一方を零に置換した置換データを生成し、置換データを複数回に亘って平均化して基準データを求め、正常又は異常を識別済みの基準データと置換データとの類似度を算出する前処理を行う。そして、学習部１３が、前処理で算出された類似度を機械学習して識別関数を得る。次に、検知時において、判定部１４が、温度取得部１１で取得され、前処理部１２で前処理が行われた検知用の温度データの正常又は異常を、識別関数を用いて判定する。これにより、周囲環境の影響を排除しつつ温度の時間変化も考慮して、高い精度で異常温度を検知することができる。

【0058】

〔第２実施形態〕
〈異常温度検知装置〉
図４は、本発明の第２実施形態による異常温度検知装置の要部構成を示すブロック図である。尚、図４においては、図１に示す構成と同様の構成については同じ符号を付してある。図４に示す通り、本実施形態の異常温度検知装置２は、図１に示す異常温度検知装置１の前処理部１２、学習部１３、及び判定部１４を、前処理部１７（前処理手段）、学習部１８（学習手段）、及び判定部１９（判定手段）に代えた構成である。前処理部１７は、概ね、図１に示す前処理部１２と同様の処理を行うが、学習時に用いられる学習用前処理部２０（第１前処理部）と、検知時に用いられる検知用前処理部３０（第２前処理部）とに分けられている。

【0059】

学習用前処理部２０は、ノイズ除去部２１、差分算出部２２ａ，２２ｂ、標準化部２３ａ，２３ｂ、符号処理部２４、平均化部２５ａ，２５ｂ、及び類似度算出部２６ａ，２６ｂを備える。この学習用前処理部２０には、温度取得部１１で予め規定した時間（例えば、３～５分程度）で区切って複数回に亘って取得された温度データと、入力部１６から入力された識別ラベル（取得された温度データ（学習用の温度データ）が正常又は異常であることを示すラベル）とが入力される。尚、学習用の温度データは、温度取得部１１のかわりに、異常温度検知装置１のユーザがシミュレーションにより作成した温度データを入力部１６から学習用前処理部２０へ入力してもよい。

【0060】

ノイズ除去部２１は、温度取得部１１で取得された温度データに対し、時間軸方向に平均化等のフィルタ処理を施すことによって、温度データに重畳されているノイズを除去する。ここで、上記のフィルタ処理は、第１実施形態と同様に、単純移動平均フィルタ、ガウシアン等の重み付き移動平均フィルタ、ローパスフィルタ、バンドパスフィルタ、ハイパスフィルタ、インパルス状の雑音に効果的なメジアンフィルタ、非線形フィルタ、その他のフィルタを用いた処理であって良い。温度データに重畳している雑音の特性に合った適切なフィルタを選択するのが望ましい。温度測定の場合は、他の物理量に比べて時間的な変化が緩やかであることから、周波数の高い成分を主に雑音として除去するようにしても良い。

【0061】

差分算出部２２ａは、ノイズ除去部２１でノイズが除去された温度データの第一階差数列を示す一階差分データを算出する。ここで、一階差分を算出するのは、第１実施形態と同様に、温度の日内変動や季節変動などの変動要因を除外するためである。例えば、周囲の気温が－１０℃であるときに、温度取得部１１で取得された温度データが４０℃を示すものである場合には、温度上昇が５０℃になることから異常と判断され得る。しかしながら、周囲の気温が３５℃であるときに、温度取得部１１で取得された温度データが４０℃を示すものである場合には、温度上昇が僅か５℃であるから正常と判断され得る。このように、周囲温度の絶対値によって正常又は異常の判定結果が変わることから、温度の変動要因を除外するために、一階差分データを算出するようにしている。

【0062】

ここで、差分算出部２２ａが一階差分データを算出することにより、温度の変動要因を除外することができるとともに、機械学習において障害となる単位根を無くすことにも効果がある。尚、温度取得部１１で取得された温度データが単位根を有するか否かは、例えばＡＤＦ検定等を用いて確認することができる。単位根が無い温度データを学習用のデータとして用いる。

【0063】

差分算出部２２ｂは、ノイズ除去部２１でノイズが除去された温度データの第二階差数列を示す二階差分データを算出する。ここで、二階差分を算出するのは、温度の時間変化が急峻であるか又は緩やかであるか等の特徴を得るためである。尚、差分算出部２２ｂは、図４に示す通り、ノイズ除去部２１から出力される温度データを用いて二階差分データを算出しても良いが、差分算出部２２ａで算出された一階差分データを用いて二階差分データを算出しても良い。

【0064】

標準化部２３ａは、差分算出部２２ａで算出された一階差分データを標準化する処理（平均を０、分散を１とする処理）を行う。標準化部２３ｂは、差分算出部２２ｂで算出された二階差分データを標準化する処理（平均を０、分散を１とする処理）を行う。ここで、標準化前のデータをｘ_kとし、データｘ_kの平均値をμ_kとし、データｘ_kの標準偏差をσ_kとすると、標準化後のデータｘ_k’（平均が０で分散が１であるデータ）は、以下の（１）式で示される。

【0065】

【数1】

【0066】

上記（１）式中の添え字ｋは、ｋ＝１の場合には標準化部２３ａを表し、ｋ＝２の場合には標準化部２３ｂを表すとする。標準化部２３ａにおけるデータｘ₁の平均値μ₁及び標準偏差σ₁は、検知用前処理部３０の標準化部３３ａでも用いられ、標準化部２３ｂにおけるデータｘ₂の平均値μ₂及び標準偏差σ₂は、検知用前処理部３０の標準化部３３ｂでも用いられる。

【0067】

符号処理部２４は、標準化部２３ａで標準化された一階差分データのうち、正数である差分データと負数である差分データとの何れか一方を零に置換した置換データを生成する処理を行う。符号処理部２４は、正常時に比べて著しく上昇した温度を異常温度として検知する場合には、負数である一階差分データ（温度下降を示すデータ）を零に置換した置換データを生成する。これに対し、正常時に比べて著しく下降した温度を異常温度として検知する場合には、正数である差分データ（温度上昇を示すデータ）を零に置換した置換データを生成する。負数又は正数の何れかを無視することで、温度の異常上昇又は異常下降の特徴を強調し、機械学習における分類の効果を高めることができる。例えば、温度上昇を検知したいときには、温度下降側をマスクして無視することによって、誤検知を減らすことができる。

【0068】

平均化部２５ａは、符号処理部２４で生成された置換データを、複数回に亘って平均化して第１基準データを得る。平均化部２５ｂは、標準化部２３ｂで標準化された二階差分データを、複数回に亘って平均化して第２基準データを得る。平均化部２５ａで得られた第１基準データは、類似度算出部２６ａ及び検知用前処理部３０の類似度算出部３５ａで用いられる。平均化部２５ｂで得られた第２基準データは、類似度算出部２６ｂ及び検知用前処理部３０の類似度算出部３５ｂで用いられる。尚、上記の第１基準データ及び第２基準データは、入力部１６から入力される識別ラベルによって、正常又は異常が識別される。

【0069】

類似度算出部２６ａは、平均化部２５ａで得られた第１基準データと、符号処理部２４で生成された置換データとの類似度を算出する。類似度算出部２６ａは、図１に示す類似度算出部１２ｂと同様に、第１基準データと置換データとの距離を、例えば、動的時間伸縮法（ＤＴＷ）によって算出することによって上記の類似度を算出する。類似度算出部２６ｂは、平均化部２５ｂで得られた第２基準データと、標準化部２３ｂで標準化された二階差分データとの類似度を算出する。類似度算出部２６ｂは、類似度算出部２６ａと同様に、第２基準データと標準化された二階差分データとの距離を、例えば、動的時間伸縮法（ＤＴＷ）によって算出することによって上記の類似度を算出する。これら類似度算出部２６ａ，２６ｂで算出された類似度及び入力部１６から入力された識別ラベルは、学習部１８に出力される。

【0070】

ここで、上記の動的時間伸縮法（ＤＴＷ）の詳細について説明する。いま、２つの時間波形ｆ（ｔ），ｇ（ｔ）の類似度を動的時間伸縮法（ＤＴＷ）で計算する場合を考える。これら時間波形ｆ（ｔ），ｇ（ｔ）をサンプリングして得られる波形データは、Ｎ個（Ｎは２以上の正数）のデータからなる時系列データであるとする。波形ｆ（ｔ）をサンプリングして得られる波形データはｆ_i（ｉ＝１，２，…，Ｎ）で表され、波形ｇ（ｔ）をサンプリングして得られる波形データはｇ_j（ｊ＝１，２，…，Ｎ）で表される。尚、波形データｆ_iは、例えば、第１基準データ又は第２基準データであり、波形データｇ_jは、例えば、符号処理部２４で生成された置換データ又は標準化部２３ｂで標準化された二階差分データである。

【0071】

動的時間伸縮法（ＤＴＷ）では、最初に、ｉ軸とｊ軸との波形間のユークリッド距離ｄ（ｉ，ｊ）を以下の（２）式により算出する。尚、以下の（２）式中の右辺に示されている二本の垂直線からなる数学記号はノルムである。

【0072】

【数2】

【0073】

動的時間伸縮法（ＤＴＷ）の累積ワープ距離Ｄ_A（ｉ，ｊ）は以下の（３）式で与えられる。ここで、以下の（３）式中の関数ｍｉｎ｛｝は、括弧内のカンマで区切った変数のなかで、最小値を選択するものである。

【0074】

【数3】

【0075】

累積ワープ距離Ｄ_A（ｉ，ｊ）の算出は、まず、ｉ＝ｊ＝１として開始され、次に、ｉ，ｊを変化させながら順次行われる。具体的には、Ｄ_A（ｉ，ｊ）は、（ｉ，ｊ）におけるユークリッド距離ｄ（ｉ，ｊ）と、Ｄ_A（ｉ－１，ｊ）、Ｄ_A（ｉ－１，ｊ－１）、Ｄ_A（ｉ，ｊ－１）との最小値とを加算することで算出される。このような演算を順次行っていき、最終的に得られた累積ワープ距離Ｄ_A（Ｎ，Ｎ）が、ＤＴＷの累積ワープ距離である。ＤＴＷの累積ワープ距離は、波形データｆ_i，ｇ_jが類似であるほど小さくなり、非類似であるほど大きくなる。

【0076】

検知用前処理部３０は、ノイズ除去部３１、差分算出部３２ａ，３２ｂ、標準化部３３ａ，３３ｂ、符号処理部３４、及び類似度算出部３５ａ，３５ｂを備える。この検知用前処理部３０には、温度取得部１１で取得された予め規定した時間（例えば、３～５分程度）に相当する温度データ（検知用の温度データ）が１回だけ入力される。尚、検知用前処理部３０には、学習用前処理部２０とは異なり、入力部１６から識別ラベルは入力されない。

【0077】

ノイズ除去部３１は、温度取得部１１で取得された温度データに対し、時間軸方向に平均化等のフィルタ処理を施すことによって、温度データに重畳されているノイズを除去する。ノイズ除去部３１が施すフィルタ処理は、学習用前処理部２０のノイズ除去部２１が施すものと同様である。

【0078】

差分算出部３２ａは、ノイズ除去部３１でノイズが除去された温度データの第一階差数列を示す一階差分データを算出する。差分算出部３２ｂは、ノイズ除去部３１でノイズが除去された温度データの第二階差数列を示す二階差分データを算出する。差分算出部３２ａ，３２ｂにおける差分の算出方法は、学習用前処理部２０に設けられた差分算出部２２ａ，２２ｂにおける差分の算出方法と同様である。

【0079】

標準化部３３ａは、差分算出部３２ａで算出された一階差分データを標準化する処理を行う。標準化部３３ｂは、差分算出部３２ｂで算出された二階差分データを標準化する処理を行う。具体的には、標準化部３３ａは、学習用前処理部２０の標準化部２３ａにおける平均値μ₁及び標準偏差σ₁を用いて、差分算出部３２ａで算出された一階差分データを標準化する処理を行う。標準化部３３ｂは、学習用前処理部２０の標準化部２３ｂにおける平均値μ₂及び標準偏差σ₂を用いて、差分算出部３２ｂで算出され二階差分データを標準化する処理を行う。

【0080】

ここで、標準化部３３ａに入力される標準化前のデータをｘ₃とし、標準化部３３ｂに入力される標準化前のデータをｘ₄とする。標準化部３３ａから出力される標準化後のデータｘ₃’及び標準化部３３ｂから出力される標準化後のデータｘ₄’は、以下の（４）式で示される。

【0081】

【数4】

【0082】

符号処理部３４は、標準化部３３ａで標準化された一階差分データのうち、正数である差分データと負数である差分データとの何れか一方を零に置換した置換データを生成する処理を行う。符号処理部３４は、正常時に比べて著しく上昇した温度を異常温度として検知する場合には、負数である一階差分データ（温度下降を示すデータ）を零に置換した置換データを生成する。これに対し、正常時に比べて著しく下降した温度を異常温度として検知する場合には、正数である差分データ（温度上昇を示すデータ）を零に置換した置換データを生成する。符号処理部３４は、学習用前処理部２０の符号処理部２４と同様のものである。

【0083】

類似度算出部３５ａは、学習用前処理部２０の平均化部２５ａで得られた第１基準データと、符号処理部３４で生成された置換データとの類似度を算出する。類似度算出部３５ｂは学習用前処理部２０の平均化部２５ｂで得られた第２基準データと、標準化部３３ｂで標準化された二階差分データとの類似度を算出する。類似度算出部３５ａ，３５ｂにおける類似度の算出方法は、学習用前処理部２０の類似度算出部２６ａ，２６ｂにおける類似度の算出方法とそれぞれ同様である。これら類似度算出部３５ａ，３５ｂで算出された類似度は、判定部１９に出力される。

【0084】

学習部１８は、学習用前処理部２０の類似度算出部２６ａ及び類似度算出部２６ｂで算出された類似度と、第１，第２基準データの正常又は異常を示す識別ラベルとを一組として機械学習を行う。学習部１８は、図１に示す学習部１３で用いられるクラス分類の手法と同様の手法を用いることができる。学習部１８は、クラス分類を可能とする識別関数を判定部１９に提供する（出力する）。

【0085】

判定部１９は、温度取得部１１で取得され、前処理部１７で前処理が行われた検知用の温度データの正常又は異常を、学習部１８から出力される識別関数を用いて判定する。例えば、学習部１８が、サポートベクターマシン（ＳＶＭ）を用いて、正常クラスタを－１、異常クラスタを１として学習したとすると、得られる識別関数は、０を境にして、負側で正常、正側で異常を意味するものになる。判定部１９は、例えば、このような識別関数を用いて正常又は異常を判定する。判定部１９は、検知用の温度データが正常であるか又は異常であるかを示す判定結果を出力部１５に出力する。

【0086】

図５は、本発明の第２実施形態による異常温度検知装置における識別関数を用いた判定方法を説明するための図である。図５に示すグラフは、検知用前処理部３０の類似度算出部３５ａで算出された類似度（累積ワープ距離Ｄ_A1）を横軸にとり、類似度算出部３５ｂで算出された類似度（累積ワープ距離Ｄ_A2）を縦軸にとってある。図５に示すグラフにおいて、破線は識別関数の値が－１となる位置を示し、実線は識別関数の値が０となる位置を示し、一点鎖線は識別関数の値が１となる位置を示す。図５中の点Ｃ１，Ｃ２は、識別関数の値が負側であるため、判定部１９によって正常と判定される。これに対し、点Ｃ３，Ｃ４は、識別関数の値が正側であるため、判定部１９によって異常と判定される。

【0087】

尚、サポートベクターマシン（ＳＶＭ）では、線形カーネル、多項式カーネル、ガウスカーネル（ＲＢＦカーネル（Radial Basis Function Kernel））等の数種類のカーネルが存在する。図５に示す例は、線形カーネルを用いた場合のものである。

【0088】

尚、異常温度検知装置２も、図１に示す異常温度検知装置１と同様に、例えば、デスクトップ型、ノート型、又はタブレット型のコンピュータにより実現される。異常温度検知装置２がコンピュータにより実現される場合において、異常温度検知装置２に設けられる各ブロック（前処理部１７、学習部１８、及び判定部１９等）は、各々の機能を実現するためのプログラム（異常温度検知プログラム）が、コンピュータに設けられたＣＰＵ（中央処理装置）で実行されることによって実現される。つまり、異常温度検知装置２に設けられる各ブロックは、ソフトウェアとハードウェア資源とが協働することによって実現される。尚、異常温度検知装置２は、ＦＰＧＡ（Field-Programmable Gate Array）、ＬＳＩ（Large Scale Integration）、ＡＳＩＣ（Application Specific Integrated Circuit）等のハードウェアを用いて実現されてもよい。

【0089】

〈異常温度検知方法〉
次に、異常温度検知装置２の動作について説明する。異常温度検知装置２の動作は、異常温度検知装置１と同様に、機械学習を行って識別関数を得る学習時の動作と、異常温度を検知する検知時の動作とに大別される。異常温度検知装置２の動作は、基本的には、異常温度検知装置１の動作と同様である。このため、以下では、図２，３を参照しつつ、異常温度検知装置２の学習時の動作と、異常温度検知装置２の検知時の動作とを順に説明する。

【0090】

《学習時の動作》
処理が開始されると、まず、学習用の温度データを取得する処理が、温度取得部１１で行われる（ステップＳ１１：第１温度取得ステップ）。例えば、予め規定した時間（例えば、３～５分程度）に相当する１００個の温度データが、２００回に亘って取得される。或いは、温度取得部１１のかわりに、異常温度検知装置２のユーザがシミュレーションにより作成した温度データを入力部１６から学習用前処理部２０へ入力してもよい。尚、取得された温度データ（学習用の温度データ）が正常又は異常であることを示す識別ラベルは、第１実施形態と同様に、例えば、異常温度検知装置２のユーザが入力部１６を操作することによって、学習用前処理部２０に入力される。

【0091】

次に、取得された学習用の温度データからノイズを除去する処理が、学習用前処理部２０のノイズ除去部２１で行われる（ステップＳ１２）。この処理では、第１実施形態と同様に、温度データに重畳している雑音の特性に合った適切なフィルタが選択される。次いで、一階差分データ及び二階差分データを算出する処理が学習用前処理部２０の差分算出部２２ａ，２２ｂでそれぞれ行われる（ステップＳ１３：第１前処理ステップ）。尚、温度データが単位根を有するか否かを確認する単位根確認処理が学習用前処理部２０で行われても良い。

【0092】

続いて、算出された一階差分データ及び二階差分データを標準化する処理が標準化部２３ａ，２３ｂでそれぞれ行われる（ステップＳ１４）。具体的には、算出された一階差分データ及び二階差分データの各々の平均を０、分散を１とする処理が、標準化部２３ａ，２３ｂでそれぞれ行われる。尚、標準化部２３ａで標準化に用いられた平均値μ₁及び標準偏差σ₁は、検知用前処理部３０の標準化部３３ａに出力され、標準化部２３ｂで標準化に用いられた平均値μ₂及び標準偏差σ₂は、検知用前処理部３０の標準化部３３ｂに出力される。

【0093】

続いて、標準化された一階差分データのうち、正数である一階差分データと負数である一階差分データとの何れか一方を零に置換した置換データを生成する処理が、符号処理部２４で行われる（ステップＳ１５：第１前処理ステップ）。本実施形態では、正常時に比べて著しく上昇した温度を異常温度として検知する場合を例に挙げているため、負数である差分データを零に置換した置換データを生成する処理が行われる。

【0094】

続いて、符号処理部２４で生成された置換データを、複数回に亘って平均化して第１基準データを得る処理が、平均化部２５ａで行われる。また、標準化部２３ｂで標準化された二階差分データを、複数回に亘って平均化して第２基準データを得る処理が、平均化部２５ｂで行われる（ステップＳ１６）。尚、平均化部２５ａで得られた第１基準データは、類似度算出部２６ａ及び検知用前処理部３０の類似度算出部３５ａに出力され、平均化部２５ｂで得られた第２基準データは、類似度算出部２６ｂ及び検知用前処理部３０の類似度算出部３５ｂに出力される。

【0095】

続いて、平均化部２５ａで得られた第１基準データと符号処理部２４で生成された置換データとの類似度を算出する処理が、類似度算出部２６ａで行われる。また、平均化部２５ｂで得られた第２基準データと標準化部２３ｂで標準化された二階差分データとの類似度を算出する処理が、類似度算出部２６ｂで行われる（ステップＳ１７：第１前処理ステップ）。これら類似度としては、ベクトル間の距離（ユークリッド距離）のほか、動的時間伸縮法（ＤＴＷ）による距離の算出を用いてもよい。

【0096】

以上の処理が終了すると、類似度算出部２６ａ及び類似度算出部２６ｂで算出された類似度と、第１，第２基準データの正常又は異常を示す識別ラベルとを一組とし、この一組の類似度と識別ラベルとを用いた機械学習が、学習部１８で行われる（ステップＳ１８：学習ステップ）。この機械学習が行われると、学習部１８から判定部１４に対して、識別関数が出力される（ステップＳ１９）。学習時の動作は、例えば、第１実施形態と同様の方法で終了される。

【0097】

《検知時の動作》
処理が開始されると、まず、検知用の温度データを取得する処理が、温度取得部１１で行われる（ステップＳ２１：第２温度取得ステップ）。この処理では、予め規定した時間（例えば、３～５分程度）に相当する第１，第２基準データと同じデータ長の温度データ（例えば、１００個の温度データ）が１回だけ取得される。尚、検知用の温度データは、正常又は異常が不明であるため、識別ラベルは入力されない。

【0098】

次に、取得された検知用の温度データからノイズを除去する処理が、検知用前処理部３０のノイズ除去部３１で行われる（ステップＳ２２）。この処理では、図２に示すステップＳ１２と同様に、温度データに重畳している雑音の特性に合った適切なフィルタが選択される。次いで、一階差分データ及び二階差分データを算出する処理が検知用前処理部３０の差分算出部３２ａ，３２ｂでそれぞれ行われる（ステップＳ２３：第２前処理ステップ）。

【0099】

続いて、算出された一階差分データ及び二階差分データを標準化する処理が標準化部３３ａ，３３ｂでそれぞれ行われる（ステップＳ２４）。具体的には、学習用前処理部２０の標準化部２３ａにおける平均値μ₁及び標準偏差σ₁を用いて、差分算出部３２ａで算出された一階差分データを標準化する処理が、標準化部３３ａで行われる。また、学習用前処理部２０の標準化部２３ｂにおける平均値μ₂及び標準偏差σ₂を用いて、差分算出部３２ｂで算出された二階差分データを標準化する処理が、標準化部３３ｂで行われる。

【0100】

続いて、標準化された一階差分データのうち、正数である差分データと負数である差分データとの何れか一方を零に置換した置換データを生成する処理が、符号処理部３４で行われる（ステップＳ２５：第２前処理ステップ）。本実施形態では、正常時に比べて著しく上昇した温度を異常温度として検知する場合を例に挙げているため、図２に示すステップＳ１５の処理と同様に、負数である差分データを零に置換した置換データを生成する処理が行われる。

【0101】

続いて、平均化部２５ａから出力された第１基準データと符号処理部３４で生成された置換データとの類似度を算出する処理が、類似度算出部３５ａで行われる。また、平均化部２５ｂで得られた第２基準データと標準化部３３ｂで標準化された二階差分データとの類似度を算出する処理が、類似度算出部３５ｂで行われる（ステップＳ２６：第２前処理ステップ）。これら類似度としては、ベクトル間の距離（ユークリッド距離）のほか、動的時間伸縮法（ＤＴＷ）による距離の算出を用いてもよい。

【0102】

以上の処理が終了すると、算出された類似度が識別関数に入力され、検知用の温度データの正常又は異常を判定する処理が判定部１９で行われる（ステップＳ２７：判定ステップ）。この判定が行われると、判定部１９から出力部１５に対して判定結果が出力される（ステップＳ２８）。これにより、検知用の温度データの正常又は異常を示す情報が表示装置に視認可能に表示される。或いは、検知用の温度データが異常であると判定された場合には、赤色警告灯やブザー等の警報器によって異常である旨が光や音によって報知される。検知時の動作は、例えば、第１実施形態と同様の方法で終了される。

【0103】

以上の通り、本実施形態では、まず、学習時において、学習用前処理部２０が、温度取得部１１で取得された温度データ又は入力部１６より与えられた温度データの一階差分データ及び二階差分データを算出し、正数である一階差分データと負数である一階差分データとの何れか一方を零に置換した置換データを生成し、複数回の置換データ及び二階差分データをそれぞれ平均化して第１基準データ及び第２基準データを求め、正常又は異常を識別済みの第１基準データと置換データとの類似度及び第２基準データと置換データとの類似度を算出する前処理を行う。そして、学習部１８が、前処理で算出された類似度を機械学習して識別関数を得る。次に、検知時において、判定部１９が、温度取得部１１で取得され、検知用前処理部３０で前処理が行われた検知用の温度データの正常又は異常を、識別関数を用いて判定する。これにより、周囲環境の影響を排除しつつ温度の時間変化も考慮して、高い精度で異常温度を検知することができる。

【0104】

〔第３実施形態〕
〈異常温度検知装置〉
図６は、本発明の第３実施形態による異常温度検知装置の要部構成を示すブロック図である。尚、図６においては、図４に示す構成と同様の構成については同じ符号を付してある。図６に示す通り、本実施形態の異常温度検知装置３は、図４に示す異常温度検知装置２の前処理部１７、学習部１８、及び判定部１９を複数（図６示す例では、３つ）備える構成である。

【0105】

温度取得部１１は、取得した温度データを前処理部１７の各々（前処理部１７Ａ～１７Ｃ）に出力する。つまり、前処理部１７の各々（前処理部１７Ａ～１７Ｃ）には、温度取得部１１で取得された同じ温度データが入力される。前処理部１７Ａ～１７Ｃは、第２実施形態で説明したものと同様のものであり、学習用前処理部２０と検知用前処理部３０とを備える。ここで、前処理部１７Ａ～１７Ｃは、互いに異なる教師データを用いて類似度を算出するようにしても良い。

【0106】

例えば、前処理部１７Ａは、急上昇した後に緩やかな上昇へと変わる温度データを教師データに用いて類似度を算出する。前処理部１７Ｂは、一定の傾斜で線形に上昇する温度データを教師データに用いて類似度を算出する。前処理部１７Ｃは、緩やかに上昇を始めたのちに指数関数的に上昇する温度データを教師データに用いて類似度を算出する、といった具合である。このような異なる教師データを用いて類似度を算出することにより、前処理部１７Ａ～１７Ｃに対応する学習部１８Ａ～１８Ｃでは、互いに異なる識別関数が得られる。また、学習部１８Ａ～１８Ｃに対応する判定部１９Ａ～１９Ｃでは、互いに異なる識別関数を用いた判定が行われる。

【0107】

総合判定部４０は、判定部１９Ａ～１９Ｃの判定結果に基づいて、検知用の温度データの正常又は異常を判定する。総合判定部４０は、例えば、以下のアルゴリズム（方式）によって検知用の温度データの正常又は異常を判定する。
・多数決方式（重みなし、又は、重み付き）
・ラウンドロビン方式（巡回方式）
・ランダム選択方式
・論理和方式（例えば、判定結果の１つでも異常があれば異常と判定する等）
・論理積方式（例えば、判定結果の１つでも正常があれば正常と判定する等）
・機械学習方式（総合判定部４０内に判定結果の機械学習、判定の機能を備える）
先行技術の説明において述べたように、複数の判定部の結果が相反する場合、総合判定部４０の検知アルゴリズムによっては誤検知を生じる可能性がある。しかしながら、上記のものは、異常温度上昇を誤検知するものではなく、温度の上昇波形がどのような形状であるかを、より詳細に識別して判定に役立てるための例示である。

【0108】

出力部１５は、総合判定部４０の判定結果を出力する。出力部１５は、総合判定部４０の判定結果を表示装置に視認可能に表示する。出力部１５は、総合判定部４０の判定結果を光や音によって報知するようにしても良い。尚、出力部１５は、総合判定部４０の判定結果に加えて、判定部１９Ａ～１９Ｃの判定結果を合わせて出力しても良い。

【0109】

尚、異常温度検知装置３も、図４に示す異常温度検知装置２と同様に、例えば、デスクトップ型、ノート型、又はタブレット型のコンピュータにより実現される。異常温度検知装置２がコンピュータにより実現される場合において、異常温度検知装置３に設けられる各ブロック（前処理部１７、学習部１８、及び判定部１９等）は、各々の機能を実現するためのプログラム（異常温度検知プログラム）が、コンピュータに設けられたＣＰＵ（中央処理装置）で実行されることによって実現される。つまり、異常温度検知装置２に設けられる各ブロックは、ソフトウェアとハードウェア資源とが協働することによって実現される。尚、異常温度検知装置２は、ＦＰＧＡ（Field-Programmable Gate Array）、ＬＳＩ（Large Scale Integration）、ＡＳＩＣ（Application Specific Integrated Circuit）等のハードウェアを用いて実現されてもよい。

【0110】

〈異常温度検知方法〉
次に、異常温度検知装置３の動作について説明する。異常温度検知装置３の動作は、異常温度検知装置２と同様に、機械学習を行って識別関数を得る学習時の動作と、異常温度を検知する検知時の動作とに大別される。但し、異常温度検知装置３では、前処理部１７Ａ及び学習部１８Ａ、前処理部１７Ｂ及び学習部１８Ｂ、及び前処理部１７Ｃ及び学習部１８Ｃの各々において学習時の動作が並列して行われる。また、異常温度検知装置３では、前処理部１７Ａ及び判定部１９Ａ、前処理部１７Ｂ及び判定部１９Ｂ、及び前処理部１７Ｃ及び判定部１９Ｃの各々において検知時時の動作が並列して行われる。そして、判定部１９Ａ～１９Ｃの判定結果に基づいて検知用の温度データの正常又は異常を判定する処理が総合判定部４０で行われる。

【0111】

以上の通り、本実施形態では、まず、学習時において、３つの前処理部１７Ａ～１７Ｃ及び３つの学習部１８Ａ～１８Ｃがそれぞれ、第２実施形態と同様に、前処理及び機械学習を行って識別関数を得る。次に、検知時において、３つの前処理部１７Ａ～１７Ｃ及び３つの判定部１９Ａ～１９Ｃがそれぞれ、第２実施形態と同様に、前処理及び識別関数を用いた判定を行って検知用の温度データの正常又は異常を判定する。そして、総合判定部４０が、判定部１９Ａ～１９Ｃの判定結果に基づいて、最終的に、検知用の温度データの正常又は異常を判定する。これにより、周囲環境の影響を排除しつつ温度の時間変化も考慮して、高い精度で異常温度を検知することができる。

【0112】

以上、本発明の実施形態による異常温度検知装置、異常温度検知方法、及び異常温度検知プログラムについて説明したが、本発明は上記実施形態に制限されることなく本発明の範囲内で自由に変更が可能である。例えば、上述した第１～第３実施形態の異常温度検知装置１～３では何れも、学習部（学習部１３，１８）と判定部（判定部１４，１９）とを有しているため、検知用の温度データの正常又は異常を判定しつつ、機械学習を行って識別関数を自動的に更新（自動学習）するようにしても良い。このような学習部の自動更新を行うことで、上述した第１～第３実施形態の異常温度検知装置１～３を、現場の環境に合わせて最適化することが可能となる。

【0113】

尚、上記の自動学習は、所定の期間のみに実行されるようにしても良い。例えば、直近１年間における温度データのみを自動学習し、それより過去のデータは学習に用いないようにしても良い。また、上記の自動学習の開始又は停止を、ユーザの指示に基づいて行うようにしても良い。

【0114】

また、上記の第２，３実施形態では、理解を容易にするために、前処理部１７が、学習用前処理部２０と検知用前処理部３０とを備えるものとして説明した。しかしながら、前処理部１７は、必ずしも学習用前処理部２０と検知用前処理部３０とに分けられている必要はなく、学習用前処理部２０と検知用前処理部３０との重複する構成が１つにまとめられていても良い。例えば、ノイズ除去部２１，３１が１つにまとめられ、差分算出部２２ａ，３２ａが１つにまとめられ、差分算出部２２ｂ，３２ｂが１つにまとめられ、といった具合である。

【0115】

また、上記の第３実施形態では、前処理部１７、学習部１８、及び判定部１９を３つずつ備える構成を例に挙げて説明した。しかしながら、前処理部１７、学習部１８、及び判定部１９の数は３つに制限される訳ではなく、２つであっても良く、４つ以上であっても良い。また、前処理部１７、学習部１８、及び判定部１９からなる構成は、全て１つの装置に実装されていても良く、異なる装置に実装されていても良い。

【0116】

また、上述した各実施形態の異常温度検知装置１～３は、単体の装置として実現されても良く、ネットワークを介したクラウドコンピューティングによって実現されていても良い。ここで、クラウドコンピューティングは、例えば、以下のＵＲＬ（Uniform Resource Locator）で特定される文書に記載されている定義（米国国立標準技術研究所によって推奨される定義）に合致するものであっても良い。
http://nvlpubs.nist.gov/nistpubs/Legacy/SP/nistspecialpublication800-145.pdf
https://www.ipa.go.jp/files/000025366.pdf

【符号の説明】

【0117】

１～３ 異常温度検知装置
１１ 温度取得部
１２ 前処理部
１２ａ データ処理部
１２ｂ 類似度算出部
１３ 学習部
１４ 判定部
１７ 前処理部
１８ 学習部
１９ 判定部
２０ 学習用前処理部
２２ａ 差分算出部
２４ 符号処理部
２６ａ 類似度算出部
３０ 検知用前処理部
３２ａ 差分算出部
３４ 符号処理部
３５ａ 類似度算出部
４０ 総合判定部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】