知財求人 - 知財ポータルサイト「IP Force」
(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】2024-08-19
(45)【発行日】2024-08-27
(54)【発明の名称】異常検知装置および方法
(51)【国際特許分類】
G05B 23/02 20060101AFI20240820BHJP
【ＦＩ】
G05B23/02 302Z
【請求項の数】
10
(21)【出願番号】P 2020175150
(22)【出願日】2020-10-19
(65)【公開番号】P2022066668
(43)【公開日】2022-05-02
【審査請求日】2023-06-09
(73)【特許権者】
【識別番号】301078191
【氏名又は名称】株式会社日立ハイテクソリューションズ
(74)【代理人】
【識別番号】110002066
【氏名又は名称】弁理士法人筒井国際特許事務所
(72)【発明者】
【氏名】渋谷 久恵
(72)【発明者】
【氏名】岡部 淳
(72)【発明者】
【氏名】本屋 俊弘
(72)【発明者】
【氏名】鈴木 敦久
(72)【発明者】
【氏名】古賀 陸樹
【審査官】今井 貞雄
(56)【参考文献】
【文献】特開２０１８－１１２８５２（ＪＰ，Ａ）
【文献】特開２０１６－２００９４９（ＪＰ，Ａ）
【文献】特開２０１９－０７０９３０（ＪＰ，Ａ）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ０５Ｂ ２３／０２
(57)【特許請求の範囲】
【請求項1】
環境内の設備に設けられた複数のセンサから複数のセンサ信号を入力し、前記環境内の気温または気温以外のパラメータによる季節変動値の信号を入力し、
前記複数のセンサ信号を、前記季節変動値との相関が高い第１種センサ信号と低い第２種センサ信号とに分類し、
前記複数のセンサ信号から、時刻毎の特徴ベクトルを抽出し、
前記時刻毎の特徴ベクトルに基づいて、指定された学習期間での前記特徴ベクトルを学習データとして、時刻毎の異常測度を算出し、
前記異常測度を、しきい値と比較することにより、時刻毎の前記複数のセンサ信号で表される前記設備の状態が正常か異常かを判定し、
前記第１種センサ信号を用いて、前記判定された異常が、季節変動に起因するものかどうかを判別し、
前記季節変動に起因するものと判別した場合、前記設備の状態から前記季節変動の影響を除去した検知結果を作成し、出力する、
異常検知装置。
【請求項2】
請求項１記載の異常検知装置において、前記判定された異常について、前記季節変動値と前記第１種センサ信号との関係での２次元の頻度分布を調べ、学習時の正常分布領域に基づいて、前記季節変動値と前記第１種センサ信号との相関が維持されている相関維持範囲を算出し、前記頻度分布のデータ値が、前記相関維持範囲内で前記正常分布領域に含まれている場合には「異常なし」ステータスと判別し、前記相関維持範囲内で前記正常分布領域の外にある場合には「季節変動」ステータスと判別し、前記相関維持範囲の外にある場合には「異常あり」ステータスと判別する、
異常検知装置。
【請求項3】
請求項２記載の異常検知装置において、前記判定された異常について、前記季節変動値と前記第１種センサ信号との関係での２次元の頻度分布を表す分布密度画像を作成し、前記分布密度画像上に前記異常と判定されたデータ値をプロットした異常プロット画像を作成し、
画面に、前記異常プロット画像を表示する、
異常検知装置。
【請求項4】
請求項２記載の異常検知装置において、前記季節変動の影響を除去した検知結果を作成する際に、前記「季節変動」ステータスに該当するデータ値を除去した検知結果を作成する、
異常検知装置。
【請求項5】
請求項１記載の異常検知装置において、画面に、前記季節変動の影響を除去する前のデータと、除去した後のデータとを、切り替え操作に応じて表示する、もしくは並列に表示する、
異常検知装置。
【請求項6】
請求項１記載の異常検知装置において、前記複数のセンサにおける２個のセンサの各組合せで、前記２個のセンサの関係での２次元の頻度分布を表す第１分布密度画像を作成し、
前記第１分布密度画像毎に、前記２個のセンサの組合せでの孤立度を算出し、
前記２個のセンサの組合せでの孤立度に基づいて、前記センサ毎の孤立度を算出し、
前記センサ毎の孤立度に基づいて、前記異常との関連性が高いセンサを特定し、
画面に、前記異常との関連性が高いセンサの情報を表示する、
異常検知装置。
【請求項7】
請求項１記載の異常検知装置において、画面に、前記異常測度、前記しきい値、および前記設備の状態の判定結果または検知結果のグラフと、前記第１種センサ信号のグラフとを表示する、
異常検知装置。
【請求項8】
請求項１記載の異常検知装置において、前記季節変動値は、気温、降水量、風向・風速、日射量、気圧、および湿度のうちの少なくともいずれか１つである、
異常検知装置。
【請求項9】
請求項１記載の異常検知装置において、前記学習期間は、少なくとも１週間以上で、１年未満の期間とする、
異常検知装置。
【請求項10】
異常検知装置における異常検知方法であって、前記異常検知装置が実行するステップとして、
環境内の設備に設けられた複数のセンサから複数のセンサ信号を入力するステップと、
前記環境内の気温または気温以外のパラメータによる季節変動値の信号を入力するステップと、
前記複数のセンサ信号を、前記季節変動値との相関が高い第１種センサ信号と低い第２種センサ信号とに分類するステップと、
前記複数のセンサ信号から、時刻毎の特徴ベクトルを抽出するステップと、
前記時刻毎の特徴ベクトルに基づいて、指定された学習期間での前記特徴ベクトルを学習データとして、時刻毎の異常測度を算出するステップと、
前記異常測度を、しきい値と比較することにより、時刻毎の前記複数のセンサ信号で表される前記設備の状態が正常か異常かを判定するステップと、
前記第１種センサ信号を用いて、前記判定された異常が、季節変動に起因するものかどうかを判別するステップと、
前記季節変動に起因するものと判別した場合、前記設備の状態から前記季節変動の影響を除去した検知結果を作成し、出力するステップと、
を有する、異常検知方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、異常検知の技術に関し、プラント等の設備が出力する複数の時系列センサ信号に基づいて異常を早期に検知するための技術に関する。
【背景技術】
【0002】
例えば、電力会社では、ガスタービンの廃熱等を利用した地域暖房用温水の供給や、工場向けに高圧蒸気や低圧蒸気の供給を行っている。このようにガスタービン等を用いた各種プラント等の設備において、設備の不具合等またはその不具合等の兆候を異常として検知する異常検知や予防保全の技術は、社会への損害を最小限に抑えるためにも極めて重要である。対象となる設備は、ガスタービンや蒸気タービンのみならず、水力発電所での水車、風力発電所の風車、原子力発電所の原子炉、航空機や重機のエンジン、鉄道車両や軌道、エスカレータ、エレベータ、および各種の機器・部品のレベルも挙げられる。これらの設備でも、例えば搭載電池の劣化・寿命等による不具合が生じ得る。このため、上記異常検知や予防保全を必要とする設備には枚挙に暇がない。対象設備には、様々な物理情報を取得するための複数のセンサが設けられる。各センサは、時系列センサ信号を出力する。上記異常検知等のためのシステムは、センサ毎の監視基準に従って、対象設備の状態が正常か異常か等を判定・検知する。
【0003】
上記異常検知等に係わる先行技術例としては、特開２０１４―１４２６９７号公報（特許文献１）が挙げられる。特許文献１には、過去の正常データの学習に基づいて算出される異常測度をしきい値と比較することによって異常の有無を検知する方法が開示されている。さらに、特許文献１には、検知した異常について、対策・調査等の次の行動の決定を支援する情報を提示することを目的として、センサ信号の二次元の分布に基づいて異常に関連するセンサを特定する旨の方法が開示されている。
【先行技術文献】
【特許文献】
【0004】
【文献】特開２０１４―１４２６９７号公報
【発明の概要】
【発明が解決しようとする課題】
【0005】
上記異常検知等を行う従来技術では、設備を含む環境において、日本の四季のように、季節に応じて気温等が変動する季節変動がある場合に、季節変動の影響によって設備の状態を誤検知する可能性がある。特許文献１の異常検知方法では、学習した正常データから逸脱したデータを異常として検知する。そのため、この方法では、学習期間が１年未満の場合、季節変動に起因したセンサ信号値の逸脱を異常として検知してしまう。すなわち、設備の異常が実際には無いのに異常として検知してしまうという誤検知が発生する。また、この方法では、設備の異常の真の要因は抽出されない。
【0006】
従来の異常判定・検知のための学習では、例えば少なくとも１週間以上の期間を学習期間として学習処理が必要である。その学習期間を超える比較的長期の期間で、季節変動として気温等の変動がある場合、異常判定・検知に誤りが発生する場合がある。
【0007】
また、上記のような課題に対し、学習期間を長くすることで対処を図ることも一案である。すなわち、季節変動の影響を学習できるように、季節変動が反映される長さの期間（例えば１年以上）を学習期間とすることが挙げられる。しかし、学習期間がそのように長期となる場合、計算機の負荷も高くなり、データ量も多くなるので、現実的ではなく、季節変動の影響を除去できる高精度な異常判定・検知ができるようになるまでの準備期間が長くなってしまう。
【0008】
本発明の目的は、上記異常検知等の技術に関して、季節変動を考慮して異常判定・検知の誤りを低減できる技術を提供することである。
【課題を解決するための手段】
【0009】
本発明のうち代表的な実施の形態は、以下に示す構成を有する。実施の形態の異常検知装置は、環境内の設備に設けられた複数のセンサから複数のセンサ信号を入力し、前記環境内の気温または他のパラメータによる季節変動値の信号を入力し、前記複数のセンサ信号を、前記季節変動値との相関が高い第１種センサ信号と低い第２種センサ信号とに分類し、前記複数のセンサ信号から、時刻毎に特徴ベクトルを抽出し、指定された学習期間での前記特徴ベクトルを学習データとして、時刻毎の異常測度を算出し、前記異常測度を、しきい値と比較することにより、時刻毎の前記複数のセンサ信号で表される前記設備の状態が正常か異常かを判定し、前記第１種センサ信号を用いて、前記判定された異常が、季節変動に起因するものかどうかを判別し、前記季節変動に起因するものと判別した場合、前記設備の状態から前記季節変動の影響を除去した検知結果を作成し、出力する。
【発明の効果】
【0010】
本発明のうち代表的な実施の形態によれば、上記異常検知等の技術に関して、季節変動を考慮して異常判定・検知の誤りを低減できる。
【図面の簡単な説明】
【0011】
【図1】本発明の実施の形態１の異常検知装置を含む、システムの構成を示す。
【図2】実施の形態１で、サーバの構成例を示す。
【図3】実施の形態１で、サーバの機能ブロック構成例を示す。
【図4】実施の形態１で、複数のセンサのセンサリスト表を示す。
【図5】実施の形態１で、異常検知装置が行う学習時の処理フローを示す。
【図6】実施の形態１で、異常検知装置が行う異常検知時の処理フローを示す。
【図7】実施の形態１で、学習時の異常測度算出処理のフローを示す。
【図8】実施の形態１で、局所部分空間法による異常測度算出処理の説明図である。
【図9】実施の形態１で、第１分布密度画像の作成処理のフローを示す。
【図10】実施の形態１で、第１分布密度画像の作成方法の説明図である。
【図11】実施の形態１で、第１分布密度画像の例を示す。
【図12】実施の形態１で、第１分布密度画像の例を示す。
【図13】実施の形態１で、第２分布密度画像の作成処理のフローを示す。
【図14】実施の形態１で、第２分布密度画像の例を示す。
【図15】実施の形態１で、異常検知処理のフローを示す。
【図16】実施の形態１で、孤立度算出処理のフローを示す。
【図17】実施の形態１で、孤立度算出方法の説明図である。
【図18】実施の形態１で、関連センサ特定処理のフローを示す。
【図19】実施の形態１で、季節変動判別処理のフローを示す。
【図20】実施の形態１で、季節変動除去処理のフローのその１を示す。
【図21】実施の形態１で、季節変動除去処理のフローのその２を示す。
【図22】実施の形態１で、オフライン解析条件設定画面を示す。
【図23】実施の形態１で、オンライン解析結果表示対象指定画面を示す。
【図24】実施の形態１で、センサ分類結果表示画面を示す。
【図25】実施の形態１で、異常検知結果全体表示画面を示す。
【図26】実施の形態１で、異常検知結果全体表示画面を示す。
【図27】実施の形態１で、関連センサ特定結果表示画面を示す。
【図28】実施の形態１で、異常プロット画像の例を示す。
【発明を実施するための形態】
【0012】
【0013】
実施の形態１の異常検知装置は、設備の複数のセンサ信号に基づいて設備の状態（特に異常）を判定・検知する際に、季節変動が反映され得る、少なくとも１週間以上で１年未満の期間のセンサ信号を対象として、季節変動の影響を加味した判定・検知を行う。実施の形態１の異常検知装置は、センサ信号値と気温等の季節変動値との相関に基づいて、複数のセンサ信号値で表される設備の状態が、季節変動の影響によるものかを判断し、季節変動の影響によるものである場合、季節変動の影響を除去した結果を作成・出力する。
【0014】
実施の形態１の異常検知装置は、環境内の設備に設けられた複数のセンサから出力される時系列の複数のセンサ信号を入力・蓄積し、また環境内の気温の信号を入力し、入力の複数のセンサ信号を、気温との相関が高いものと低いものとに分類する。異常検知装置は、複数のセンサ信号から時刻毎に特徴ベクトルを抽出し、指定された学習期間の特徴ベクトルを学習データとして、時刻毎の異常測度を算出する。異常検知装置は、算出した異常測度を、しきい値と比較することにより、時刻毎の複数のセンサ信号で表される設備の状態が異常か正常かを判定する。異常検知装置は、気温との相関が高いセンサ信号を用いて、検出された異常が季節変動起因か否かを判別する。異常検知装置は、検出された異常が季節変動起因であった場合、設備の状態から季節変動の影響を除去した検知結果を作成・出力する。
【0015】
実施の形態１の異常検知装置によれば、気温との相関が高いセンサ信号を調べ、そのセンサ信号を用いて、検出された異常が季節変動起因か否かを自動的に判別する。そのため、この異常検知装置によれば、１年未満（例えば数週間から数か月）の比較的短い学習期間でも、設備の異常として、季節変動に起因する異常と季節変動起因ではない異常とを区別できる。さらに、この異常検知装置は、季節変動起因であった場合に、季節変動の影響を除去した検知結果を出力する。したがって、この異常検知装置によれば、設備に異常が無い場合には正常と判断して誤検知を防ぐことができ、異常が有る場合には季節変動起因以外の真の要因を見つけることができる。
【0016】
［システム］
図１は、実施の形態１の異常検知装置を含む、システムの構成を示す。図１のシステム（言い換えると異常検知システム）は、異常検知装置１と、異常検知を含む状態判定の対象である複数の設備１０１とを有する。異常検知装置１は、通信網９を介して、各設備１０１または通信デバイス１５０と接続される。それぞれの工場等の環境において、プラント等の設備１０１を有する。図１の例では、複数の環境として環境＃１，＃２，……を有するが、これに限らず、対象は１つの環境の１つの設備１０１でもよい。対象となる設備１０１は、例えばガスタービンや蒸気タービン等を含むプラントである。設備はプラントを含む概念である。
図１は、実施の形態１の異常検知装置を含む、システムの構成を示す。図１のシステム（言い換えると異常検知システム）は、異常検知装置１と、異常検知を含む状態判定の対象である複数の設備１０１とを有する。異常検知装置１は、通信網９を介して、各設備１０１または通信デバイス１５０と接続される。それぞれの工場等の環境において、プラント等の設備１０１を有する。図１の例では、複数の環境として環境＃１，＃２，……を有するが、これに限らず、対象は１つの環境の１つの設備１０１でもよい。対象となる設備１０１は、例えばガスタービンや蒸気タービン等を含むプラントである。設備はプラントを含む概念である。
【0017】
環境内の設備１０１には、複数のセンサ５が設置されている。複数のセンサ５は、複数の種類の物理情報を検出するための複数の種類のセンサである。各センサ５は、設備１０１に内蔵されてもよいし、外付けされてもよい。各センサ５は、時系列のセンサ信号１０２を出力する。センサ５は、所定の物理情報の測定値を含む、設備１０１の状態を表すセンサ値を、時系列のセンサ信号１０２として出力する。また、環境内には、気温センサ６が設けられている。気温センサ６は、設備１０１の環境の気温を検出する。気温センサ６は、時系列での気温信号１０４を出力する。
【0018】
環境＃１の設備１０１の複数のセンサ５は、吹き出しで示すように、例えば、複数の種類のセンサ５の数をｍ個とすると、センサＳ１，Ｓ２，……，Ｓｍを有する。なお、複数（ｍ）のセンサ５｛Ｓ１～Ｓｍ｝と気温センサ６とを区別する。複数（ｍ）のセンサ５｛Ｓ１～Ｓｍ｝の中には、対象箇所の温度を測定する温度センサを含んでもよい。
【0019】
図１の異常検知装置１（言い換えると異常検知システム）は、主に、サーバ１０等の計算機で実装されている。以下ではサーバ１０を異常検知装置１０と呼ぶ場合がある。サーバ１０には、ユーザＵ１が使用するＰＣ等のクライアント端末２０と通信で接続される。また、サーバ１０は、各環境の設備１０１の通信デバイス５０と通信で接続される。ユーザＵ１は、設備１０１の異常検知や予防保全に係わる管理者等の人である。
【0020】
通信デバイス５０は、サーバ１０との通信のために設けられている。なお、環境内にサーバ１０等の計算機が設けられる場合、通信デバイス５０を省略できる。通信デバイス５０は、設備１０１の各センサ５からのセンサ信号１０２を取得し、また、気温センサ６からの気温信号１０４を取得する。そして、通信デバイス５０は、複数のセンサ信号１０２および気温信号１０４を含むデータを、通信信号１５０として、サーバ１０へ送信する。サーバ１０は、各通信デバイス５０から受信・取得したデータをデータベース（ＤＢ）に格納する。なお、通信デバイス５０が、設定されたタイミングで自動的にサーバ１０へ通信信号１５０を送信する形態でもよい。あるいは、サーバ１０が通信デバイス５０にデータを要求し、それに対する応答として通信デバイス５０が通信信号１５０をサーバ１０へ送信する形態でもよい。
【0021】
サーバ１０には、異常検知処理機能が実装されている。サーバ１０は、自身が保持するプログラム、または外部のプログラム配信サーバから配信されるプログラムに従って、異常検知処理機能を実現する。サーバ１０は、設備１０１から取得したデータや、各種の処理情報等を、ＤＢに格納し管理する。サーバ１０は、ユーザＵ１のクライアント端末２０に対し、設備１０１の異常等の状態に関する検知結果（出力情報）１６０等の情報を提供する。例えば、サーバ１０は、検知結果１６０を含むＷｅｂページを、クライアント端末２０に提供する。クライアント端末２０は、そのＷｅｂページを表示画面に表示する。
【0022】
サーバ１０は、例えば常時に通信デバイス１０と通信接続してリアルタイムで処理を行ってもよい。これにより、サーバ１０は、設備１０１の異常を検知した時に即時にユーザＵ１のクライアント端末２０等の所定の宛先へ通知やアラートを行ってもよい。サーバ１０は、ユーザＵ１から指示入力があった時、あるいは、予め設定された時など、所定の時間のみ、通信デバイス５０と通信接続してもよい。
【0023】
なお、図１の構成例には限られない。異常検知装置１は、１台以上の計算機等で実装される。１つの環境内において１つの設備１０１に１つの異常検知装置１が設けられてもよい。通信デバイス５０がその異常検知装置であってもよい。各環境に設けられた各異常検知装置が通信網９を介して連携して機能を実現してもよい。異常検知装置１は、複数台の計算機によって通信網９上のクラウドコンピューティングシステム等で実装されてもよい。サーバ１０に対し、ストレージ装置やＤＢサーバ等が接続されてもよい。
【0024】
［異常検知装置（１）］
図２は、異常検知装置１を主に構成する図１のサーバ１０のコンピュータシステムとしての構成例を示す。このコンピュータシステムは、サーバ１０と、それに接続される入力装置２０５や表示装置２０６とを有する。サーバ１０は、プロセッサ２０１、メモリ２０２、通信インタフェース装置２０３、入出力インタフェース装置２０４、およびそれらを相互に接続するバス等で構成されている。入出力インタフェース装置２０４には、入力装置２０５や表示装置２０６が接続されている。入力装置２０５は、例えばキーボードやマウス等である。表示装置２０６は、例えば液晶ディスプレイ等である。これに限らず、入力装置２０５や表示装置２０６は、サーバ１０に一体とされた構成でもよいし、クライアント端末２０を用いる場合には省略されてもよい。通信インタフェース装置２０３は、所定の通信インタフェースで、図１の通信デバイス５０やクライアント端末２０等との通信を行う。
図２は、異常検知装置１を主に構成する図１のサーバ１０のコンピュータシステムとしての構成例を示す。このコンピュータシステムは、サーバ１０と、それに接続される入力装置２０５や表示装置２０６とを有する。サーバ１０は、プロセッサ２０１、メモリ２０２、通信インタフェース装置２０３、入出力インタフェース装置２０４、およびそれらを相互に接続するバス等で構成されている。入出力インタフェース装置２０４には、入力装置２０５や表示装置２０６が接続されている。入力装置２０５は、例えばキーボードやマウス等である。表示装置２０６は、例えば液晶ディスプレイ等である。これに限らず、入力装置２０５や表示装置２０６は、サーバ１０に一体とされた構成でもよいし、クライアント端末２０を用いる場合には省略されてもよい。通信インタフェース装置２０３は、所定の通信インタフェースで、図１の通信デバイス５０やクライアント端末２０等との通信を行う。
【0025】
プロセッサ２０１は、例えばＣＰＵ、ＲＯＭ、ＲＡＭ等で構成され、サーバ１０のコントローラを構成する。プロセッサ２０１は、ソフトウェアプログラム処理に基づいて、所定の機能として異常検知処理機能等を実現する。プロセッサ２０１は、通信デバイス５０から通信信号１５０のデータを受信・取得し、そのデータに含まれるセンサ信号１０２や気温信号１０４を、センサ信号データＤ１や気温信号データＤ２としてメモリ２０２に格納する。プロセッサ２０１は、それらのデータに基づいて、各設備１０１の異常等の状態に関する判定・検知を行う。言い換えると、プロセッサ２０１は、それらのデータに基づいて、学習や解析を行う。プロセッサ２０１は、学習データＤ３や解析データＤ４をメモリ２０２に格納する。プロセッサ２０１は、異常等の状態の検知結果を、検知結果データ（言い換えると出力情報）Ｄ５として作成し、メモリ２０２に格納する。プロセッサ２０１は、各種の画面データも作成する。プロセッサ２０１は、検知結果データＤ５等に基づいた検知結果等の情報（例えばＷｅｂページやメール）を、クライアント端末２０に送信する。
【0026】
メモリ２０２は、不揮発性記憶装置等で構成され、プロセッサ２０１等が使用する各種のデータや情報を記憶・保持する。メモリ２０２には、制御プログラム２０２Ａ、設定情報２０２Ｂ、上記センサ信号データＤ１、気温信号データＤ２、学習データＤ３、解析データＤ４、および検知結果データＤ５等が格納される。制御プログラム２０１Ａは、サーバ１０の機能を実現するためのプログラムである。設定情報２０２Ｂは、制御プログラム２０１ＡやユーザＵ１の設定情報である。ユーザＵ１は、クライアント端末２０またはサーバ１０の入力装置２０５を操作し、クライアント端末２０または表示装置２０６の画面を見ながら必要な情報を設定や確認することができる。
【0027】
図２のコンピュータシステムの構成例に限らず可能である。サーバ１０は、外部から制御プログラム２０１Ａ等のコンピュータプログラムが配信されてインストールされてもよい。コンピュータプログラムは、非一過性のコンピュータ読み取り可能な記録媒体に格納されてもよい。
【0028】
クライアント端末２０は、同様に、ＣＰＵ等によるプロセッサ、メモリ、通信インタフェース、入出力インタフェース、入力デバイス、表示デバイス、およびバス等で構成される。クライアント端末２０は、プログラムの処理に基づいて、サーバ１０の異常検知処理機能の一部としてクライアントアプリケーションとしての機能を実現する。クライアント端末２０は、サーバ１０に対し、ＨＴＴＰ等のプロトコルで通信し、サーバ１０から検知結果１６０等のＷｅｂページを取得し、表示デバイスの画面に表示する。クライアント端末２０は、画面のＧＵＩに対するユーザＵ１の入力を受け付けて、入力情報をサーバ１０に送信する。
【0029】
［異常検知装置（２）］
図３は、異常検知装置であるサーバ１０の機能ブロック構成例を示す。図２のプロセッサ２０１によるプログラム処理等によって図３の機能ブロックが実現される。異常検知装置であるサーバ１０は、データ蓄積部１０３、センサ分類部１０５、信号入力部１０６、特徴ベクトル抽出部１０７、異常測度算出部１０８、しきい値算出部１０９、分布密度画像作成部１１０、学習結果蓄積部１１１、異常検知部１１２、関連センサ特定部１１３、季節変動判別部１１４、季節変動除去部１１５、および検知結果出力部１１６を有する。
図３は、異常検知装置であるサーバ１０の機能ブロック構成例を示す。図２のプロセッサ２０１によるプログラム処理等によって図３の機能ブロックが実現される。異常検知装置であるサーバ１０は、データ蓄積部１０３、センサ分類部１０５、信号入力部１０６、特徴ベクトル抽出部１０７、異常測度算出部１０８、しきい値算出部１０９、分布密度画像作成部１１０、学習結果蓄積部１１１、異常検知部１１２、関連センサ特定部１１３、季節変動判別部１１４、季節変動除去部１１５、および検知結果出力部１１６を有する。
【0030】
サーバ１０は、対象の設備１０１の複数のセンサ５からのセンサ信号１０２を、通信デバイス５０を通じて、通信信号１５０として、例えば所定の時間毎に、言い換えると周期的に、入力・取得する。また、サーバ１０は、対象の設備１０１の環境の気温センサ６からの気温信号１０３を、通信デバイス５０を通じて、通信信号１５０として、所定の時間毎に、言い換えると周期的に、入力・取得する。
【0031】
サーバ１０は、設備１０１の通信デバイス５０からの通信信号１５０を略リアルタイムで入力・取得する。サーバ１０は、通信信号１５０に基づいて取得した時系列信号であるセンサ信号１０２および気温信号１０４を、一旦、データ蓄積部１０３に蓄積する。データ蓄積部１０３はバッファとしても機能する。信号入力部１０６は、データ蓄積部１０３からセンサ信号１０２を入力する。センサ分類部１０５は、データ蓄積部１０３からセンサ信号１０２や気温信号１０４を入力する。信号入力部１０６やセンサ分類部１０５は、通信信号１５０から各信号を直接的に入力してもよい。
【0032】
センサ分類部１０５は、気温信号１０４の気温を参照し、また、設備１０１の複数のセンサ信号１０２の複数のセンサ値を参照する。センサ分類部１０５は、気温とセンサ信号との相関の判断に基づいて、複数のセンサ信号１０２を、気温との相関が高いセンサ信号（第１種センサ信号とする）と、気温との相関が低いセンサ信号（第２種センサ信号とする）とに分類する。この分類は、相対的なものである。
【0033】
信号入力部１０６は、設備１０１の複数のセンサ信号１０２を入力し、前処理等を行ってから、特徴ベクトル抽出部１０７へ送る。特徴ベクトル抽出部１０７は、入力の複数のセンサ信号１０２に基づいて、特徴ベクトルを抽出し、異常測度算出部１０８へ送る。異常測度算出部１０８は、予め指定された学習期間の特徴ベクトルを用いて、所定の時間毎（以下、各時刻と表現する場合もある）の特徴ベクトル毎に、異常測度を算出する。学習期間はユーザＵ１が設定できる。学習期間は、季節変動が反映される期間として、少なくとも１週間以上で、１年未満の期間とすればよい。しきい値算出部１０９は、異常測度算出部１０８による学習データの異常測度に基づいて、しきい値（Ｈとする）を算出する。しきい値Ｈは、異常判定用の１つ以上のしきい値であり、範囲等の条件を構成する。
【0034】
分布密度画像作成部１１０は、学習期間のセンサ信号１０２に基づいて、２個のセンサ５をペアとした総当りの組合せでの分布密度画像（第１分布密度画像とする）を作成し記憶する。また、分布密度画像作成部１１０は、センサ分類部１０５から、気温との相関が高い第１種センサ信号を取得し、横軸を気温とし縦軸をそのセンサ信号とした分布密度画像（第２分布密度画像とする）を作成する。
【0035】
学習結果蓄積部１１１は、特徴ベクトル抽出部１０７で抽出された学習期間の特徴ベクトル、しきい値算出部１０９で算出されたしきい値Ｈ、分布密度画像作成部１１０で作成された分布密度画像、およびその他の異常検知時に必要となるデータを、学習結果（図２では学習データＤ３）として保存する。
【0036】
異常検出部１１２は、異常測度算出部１０８からの異常検知対象期間での各特徴ベクトルの異常測度と、しきい値算出部１０９で算出されたしきい値とを比較することで、設備１０１の異常等の状態を判定・検出する。言い換えると、異常検出部１１２は、設備１０１の異常の有無、あるいは異常の可能性の度合い等を表す情報を出力する。
【0037】
関連センサ特定部１１３は、異常検出部１１２で異常を検出した場合、分布密度画像作成部１１０で作成された総当りの第１分布密度画像を用いて、異常区間毎に、異常関連センサを特定する。異常関連センサは、異常に関連すると推定されるセンサ５である。関連センサ特定部１１３は、異常関連センサについて、分布密度画像に異常をプロットした画像を作成する。
【0038】
季節変動判別部１１４は、分布密度画像作成部１１０で作成された横軸が気温である第２分布密度画像を用いて、異常区間毎に、検出された異常が季節変動に起因するものかどうかを判別する。言い換えると、季節変動判別部１１４は、異常を、季節変動起因の異常と、季節変動起因ではない異常とに区別し、季節変動判別結果として出力する。
【0039】
季節変動除去部１１５は、上記異常測度、異常有無、異常関連センサ特定結果、および季節変動判別結果等に基づいて、異常区間毎に、季節変動の影響を除去するように処理する。季節変動除去部１１５は、季節変動の影響の除去後の処理結果を、異常関連センサ情報等を含む検知結果として出力する。具体的には、除去前の異常関連センサのうち、季節変動起因と判別されたセンサについては、季節変動起因の旨の出力とともに除去され、季節変動起因以外の異常有無の情報が出力される。
【0040】
検知結果出力部１１６は、上記検知結果に基づいて、ユーザＵ１に対し出力するための検知結果データＤ５（図２）を作成し、例えば季節変動除去後の検知結果等を表示するＷｅｂページを、ユーザＵ１のクライアント端末２０に提供する。検知結果出力部１１６は、例えば、クライアント端末２０に、検知結果データＤ７に基づいたＷｅｂページを送信する。検知結果出力部１１６は、設備１０１の状態が異常である場合、即時にアラート等を所定の宛先へ出力してもよい。出力は、画面表示に限らず、所定の出力デバイスを用いて、音声出力やランプ発光等としてもよい。
【0041】
［用語説明］
用語について簡単に説明する。特徴ベクトル（feature vector）とは、複数のセンサ５による複数のセンサ値である各物理情報の測定値（図１での値ｓ１，ｓ２，……，ｓｍ）を、１つのベクトル値、言い換えると１次元配列として表現したものである。記号で表すと、特徴ベクトルをＶとして、Ｖ＝｛ｓ１，ｓ２，……，ｓｍ｝である。
用語について簡単に説明する。特徴ベクトル（feature vector）とは、複数のセンサ５による複数のセンサ値である各物理情報の測定値（図１での値ｓ１，ｓ２，……，ｓｍ）を、１つのベクトル値、言い換えると１次元配列として表現したものである。記号で表すと、特徴ベクトルをＶとして、Ｖ＝｛ｓ１，ｓ２，……，ｓｍ｝である。
【0042】
異常測度（abnormally measure）は、注目する特徴ベクトル（言い換えると判定対象のベクトル）についての、指定された期間での特徴ベクトル（言い換えると判定基準となるベクトル）からの偏移量ないし距離のことである。異常区間とは、異常が連続して検知されるとみなす区間のことである。
【0043】
分布密度画像（distribution density image）とは、第１分布密度画像の場合、ペアとなる２個のセンサ５の組合せでの、２つのセンサ信号値の２次元ヒストグラムを画像で表したものである。この画像の各画素値は、頻度値に応じた画素値である。同様に、第２分布密度画像の場合、気温とセンサ信号値との組合せでの２次元ヒストグラムを画像で表したものである。
【0044】
孤立度（isolation index）とは、センサ信号値が学習データからどれだけ乖離しているかを表すパラメータであり、異常との関連性の強さを表すものである。孤立度が大きいほど、異常との関連性が強い。孤立度は、後述するが、複数の種類がある。単一のセンサ５（例えばＳｘ）のセンサ信号値（例えばｓｘ）の孤立度をＩＡ（例えばＩｘ）とし、２個のセンサ５のペア（例えばＳｘ，Ｓｙ）の孤立度をＩＢ（例えばＩｘｙ）とする。また、これらの孤立度Ｉ（ＩＡ，ＩＢ）の概念については、季節変動影響の除去の前後が区別される。
【0045】
異常関連センサ（関連センサともいう）とは、異常との関連性が大きいと推定されるセンサであり、具体的には、特徴ベクトルの異常測度がしきい値Ｈを超えることで異常として検知された原因となったセンサ５である。
【0046】
異常プロット画像とは、分布密度画像に重ねて、異常区間のセンサ信号値に対応する位置の画素に、正常を表す色（例えばグレイ）とは異なる異常を表す色（例えば赤色）をプロットした画像である。
【0047】
なお、実施の形態１の異常検知装置は、設備１０１の状態として、少なくとも正常（異常なし）か異常（異常あり）かを判定するが、これに限らず、設備１０１の状態は、３つ以上の状態や度合いとして判定されてもよい。
【0048】
［センサリスト表］
図４は、複数のセンサ５の複数のセンサ信号１０２をリストにして表形式で表したデータ例（センサリスト表と記載する場合がある）を示す。サーバ１０は、このようなセンサリスト表４００を保持する。図４のセンサリスト表４００は、項目として、日時４０１、センサ４０２を有し、行毎に日時毎のデータが格納されている。センサ４０２項目は、各センサ５の項目を有し、項目毎にセンサ値が格納されている。図１等の複数のセンサ信号１０２は、物理特性の異なる複数の物理情報が所定の間隔の時間毎に取得される多次元の時系列信号である。
図４は、複数のセンサ５の複数のセンサ信号１０２をリストにして表形式で表したデータ例（センサリスト表と記載する場合がある）を示す。サーバ１０は、このようなセンサリスト表４００を保持する。図４のセンサリスト表４００は、項目として、日時４０１、センサ４０２を有し、行毎に日時毎のデータが格納されている。センサ４０２項目は、各センサ５の項目を有し、項目毎にセンサ値が格納されている。図１等の複数のセンサ信号１０２は、物理特性の異なる複数の物理情報が所定の間隔の時間毎に取得される多次元の時系列信号である。
【0049】
センサ５の数（ｍ）は、数百から数千といった多数になる場合もある。１種類のセンサ毎に複数個のセンサがあってもよい。センサ５の種類に応じて、例えば、シリンダやオイルや冷却水等の温度、オイルや冷却水の圧力、軸の回転速度、運転時間等がセンサ値として得られる。センサ値は、設備１０１の部分毎の出力や状態を表すのみならず、何かの状態をある値（例えば目標値）に制御するための制御信号となる場合もある。例えば、プラントのコントローラは、あるセンサ値を制御信号としてプラント制御を行う場合がある。サーバ１０または通信デバイス５０は、設備１０１のコントローラ等からそのようなセンサ値を取得してもよい。
【0050】
異常検知装置１の動作には、データ蓄積部１０３に蓄積されたセンサ信号１０２や気温信号１０４を用いてセンサ５を分類する「センサ分類」処理と、データ蓄積部１０３等に蓄積されたデータを用いて学習データの生成・保存を行う「学習」処理と、入力信号に基づいて学習データとの比較で設備１０１の異常を検知する「異常検知」処理との各フェーズがある。実施の形態１では、基本的に、「センサ分類」および「学習」は、「オフライン」処理として行われ、「異常検知」は、「オンライン」処理として行われる。「オフライン」処理は、設備１０１の状態について、一旦、学習および解析対象データを取得・記憶した後、まとめて異常判定・検知を実行することに相当する。「オンライン」処理は、設備１０１の状態について、予め学習した学習データに基づいて、略リアルタイムで異常判定・検知を実行することに相当する。ただし、「異常検知」を「オフライン」処理とすることも可能である。以下の説明では、これらを、大別して、「学習時」、「異常検知時」と記載する場合がある。
【0051】
［処理フロー（１）］
図５は、異常検知装置１の特にサーバ１０が行う学習時の処理概要のフローを示す。図５のフローは、大別すると、（ａ）の学習時のセンサ分類処理５００と、（ｂ）の学習時の異常測度算出処理５１０とを有する。（ａ）の学習時のセンサ分類処理５００において、まずステップＳ５０１で、サーバ１０は、指定された学習期間でのセンサ信号１０２を入力する。ステップＳ５０２で、サーバ１０は、学習期間での気温信号１０４のデータを入力する。ステップＳ５０３で、サーバ１０は、気温とセンサ信号との相関を相関値として算出する。ステップＳ５０４で、サーバ１０は、その相関に応じて、複数のセンサ５（例えば図１のＳ１～Ｓｍ）およびセンサ信号１０２（ｓ１～ｓｍ）を第１種センサ信号値と第２種センサ信号値とに分類する。具体的には、サーバ１０は、相関値が予め指定した基準値を超えたセンサ５を、気温との相関が高い第１種センサとして分類する。
図５は、異常検知装置１の特にサーバ１０が行う学習時の処理概要のフローを示す。図５のフローは、大別すると、（ａ）の学習時のセンサ分類処理５００と、（ｂ）の学習時の異常測度算出処理５１０とを有する。（ａ）の学習時のセンサ分類処理５００において、まずステップＳ５０１で、サーバ１０は、指定された学習期間でのセンサ信号１０２を入力する。ステップＳ５０２で、サーバ１０は、学習期間での気温信号１０４のデータを入力する。ステップＳ５０３で、サーバ１０は、気温とセンサ信号との相関を相関値として算出する。ステップＳ５０４で、サーバ１０は、その相関に応じて、複数のセンサ５（例えば図１のＳ１～Ｓｍ）およびセンサ信号１０２（ｓ１～ｓｍ）を第１種センサ信号値と第２種センサ信号値とに分類する。具体的には、サーバ１０は、相関値が予め指定した基準値を超えたセンサ５を、気温との相関が高い第１種センサとして分類する。
【0052】
（ｂ）の学習時の異常測度算出処理５１０において、まずステップＳ５１１で、サーバ１０は、学習期間でのセンサ信号１０２を入力する。ステップＳ５１２で、サーバ１０は、センサ信号１０２を用いて、特徴ベクトルを抽出する。ステップＳ５１３で、サーバ１０は、特徴ベクトルについての異常測度を算出する。ステップＳ５１４で、サーバ１０は、しきい値Ｈを算出する。ステップＳ５１５で、サーバ１０は、２個のセンサのペア毎の総当り分布密度画像（第１分布密度画像）を作成する。そして、ステップＳ５１６で、サーバ１０は、横軸が気温の分布密度画像（第１分布密度画像）を作成する。
【0053】
［処理フロー（２）］
図６は、異常検知装置１の特にサーバ１０が行う異常検知時の処理概要のフローを示す。図６のフローは、（ｃ）の異常検知時の異常判定処理６００を有する。異常判定処理６００において、まずステップＳ６０１で、サーバ１０は、対象期間での検知対象のセンサ信号１０２を入力する。ステップＳ６０２で、サーバ１０は、センサ信号１０２を用いて、特徴ベクトルを抽出する。ステップＳ６０３で、サーバ１０は、特徴ベクトルについての異常測度を算出する。ステップＳ６０４で、サーバ１０は、算出した異常測度を、図５のステップＳ５１４で算出されたしきい値Ｈと比較することにより、対象の設備１０１についての正常／異常の状態を判定する。ステップＳ６０５で、サーバ１０は、異常区間を抽出する。ステップＳ６０６で、サーバ１０は、孤立度として、異常区間毎に孤立度ベクトルを算出する。ステップＳ６０７で、サーバ１０は、この孤立度に基づいて、異常関連センサを特定する。ステップＳ６０８で、サーバ１０は、横軸を気温とし、縦軸をセンサ信号値とした異常プロット画像を作成する。ステップＳ６０９で、サーバ１０は、季節変動の影響による異常であるかどうかの季節変動判別を行う。ステップＳ６１０で、サーバ１０は、検知結果から季節変動の影響を除去する季節変動除去を行う。
図６は、異常検知装置１の特にサーバ１０が行う異常検知時の処理概要のフローを示す。図６のフローは、（ｃ）の異常検知時の異常判定処理６００を有する。異常判定処理６００において、まずステップＳ６０１で、サーバ１０は、対象期間での検知対象のセンサ信号１０２を入力する。ステップＳ６０２で、サーバ１０は、センサ信号１０２を用いて、特徴ベクトルを抽出する。ステップＳ６０３で、サーバ１０は、特徴ベクトルについての異常測度を算出する。ステップＳ６０４で、サーバ１０は、算出した異常測度を、図５のステップＳ５１４で算出されたしきい値Ｈと比較することにより、対象の設備１０１についての正常／異常の状態を判定する。ステップＳ６０５で、サーバ１０は、異常区間を抽出する。ステップＳ６０６で、サーバ１０は、孤立度として、異常区間毎に孤立度ベクトルを算出する。ステップＳ６０７で、サーバ１０は、この孤立度に基づいて、異常関連センサを特定する。ステップＳ６０８で、サーバ１０は、横軸を気温とし、縦軸をセンサ信号値とした異常プロット画像を作成する。ステップＳ６０９で、サーバ１０は、季節変動の影響による異常であるかどうかの季節変動判別を行う。ステップＳ６１０で、サーバ１０は、検知結果から季節変動の影響を除去する季節変動除去を行う。
【0054】
【0055】
［学習時の異常測度算出処理の詳細］
図７は、図５の（ｂ）の学習時の異常測度算出処理５１０の詳細処理例を示す。最初にステップＳ７０１で、サーバ１０は、図３の信号入力部１０６において、データ蓄積部１０３に蓄積されたセンサ値のうち指定された学習期間のセンサ信号を入力する。ここでは、学習期間として、予めユーザＵ１によって、設備１０１が正常な状態であった期間が指定されるものとする。次にステップＳ７０２で、サーバ１０は、図３の特徴ベクトル抽出部１０７において、入力されたセンサ信号を正準化（normalization）する。この正準化は、単位およびスケールの異なる複数のセンサ信号を同様に扱うために行う処理である。具体的には、この正準化では、各センサ信号の、学習期間の平均と標準偏差を用いて、平均が０、分散が１となるように、各センサ信号が変換される。サーバ１０は、異常検知時に同じ変換ができるように、各センサ信号の平均と標準偏差を記憶しておく。あるいは、この正準化では、各センサ信号の、学習期間の最大値と最小値を用いて、最大が１、最小が０となるように、各センサ信号が変換される。あるいは、この正準化では、最大値と最小値の代わりに、予め設定した上限値と下限値を用いてもよい。この場合は、異常検知時に同様の変換ができるように、サーバ１０は、各センサ信号の最大値と最小値、または上限値と下限値を、学習結果蓄積部１１１に記憶しておく。
図７は、図５の（ｂ）の学習時の異常測度算出処理５１０の詳細処理例を示す。最初にステップＳ７０１で、サーバ１０は、図３の信号入力部１０６において、データ蓄積部１０３に蓄積されたセンサ値のうち指定された学習期間のセンサ信号を入力する。ここでは、学習期間として、予めユーザＵ１によって、設備１０１が正常な状態であった期間が指定されるものとする。次にステップＳ７０２で、サーバ１０は、図３の特徴ベクトル抽出部１０７において、入力されたセンサ信号を正準化（normalization）する。この正準化は、単位およびスケールの異なる複数のセンサ信号を同様に扱うために行う処理である。具体的には、この正準化では、各センサ信号の、学習期間の平均と標準偏差を用いて、平均が０、分散が１となるように、各センサ信号が変換される。サーバ１０は、異常検知時に同じ変換ができるように、各センサ信号の平均と標準偏差を記憶しておく。あるいは、この正準化では、各センサ信号の、学習期間の最大値と最小値を用いて、最大が１、最小が０となるように、各センサ信号が変換される。あるいは、この正準化では、最大値と最小値の代わりに、予め設定した上限値と下限値を用いてもよい。この場合は、異常検知時に同様の変換ができるように、サーバ１０は、各センサ信号の最大値と最小値、または上限値と下限値を、学習結果蓄積部１１１に記憶しておく。
【0056】
次に、ステップＳ７０３で、サーバ１０は、図３の特徴ベクトル抽出部１０７において、各時刻の特徴ベクトルを抽出する。この特徴ベクトルは、正準化されたセンサ信号値をそのまま要素として並べた配列である。あるいは、この処理では、ある時刻（０とする）に対し、±１，±２，……といったウィンドウを設け、ウィンドウ幅（３，５，……）×センサ数（ｍ）の特徴ベクトルとすることで、センサ信号の時間変化を表す特徴を抽出してもよい。例えばウィンドウ幅＝３とは、（－１，０，＋１）という３つの時刻による時間幅を指す。また、特徴ベクトルの抽出は、離散ウェーブレット変換（ＤＷＴ：Discrete Wavelet Transform）を施して周波数成分に分解することとしてもよい。
【0057】
次に、サーバ１０は、図３の異常測度算出部１０８において、学習期間の異常測度を算出する。このために、ステップＳ７０４で、サーバ１０は、まず学習期間を複数の区間に分割する。この区間分割は、例えば１日毎の区間とする。あるいは、この区間分割は、化学プラントのようなバッチ処理の場合には、バッチ毎としてもよいし、加工装置の場合には、加工対象個体毎としてもよいし、ＭＲＩのような医療装置の場合には、検査対象者毎としてもよい。サーバ１０は、ステップＳ７０５からのループで、抽出した全特徴ベクトルについて、以下の処理を繰り返す。ステップＳ７０６で、サーバ１０は、複数の区間に対応して順次に選択した特徴ベクトルを注目ベクトルとして、その注目ベクトルと同じ区間の特徴ベクトルを除く学習期間のデータを、学習データとする。ステップＳ７０７で、サーバ１０は、注目ベクトルと学習データとを用いて、異常測度を算出する。この異常測度の算出処理には、局所部分空間法（ＬＳＣ：Local Sub-space Classifier）や投影距離法（ＰＤＭ：Projection Distance Method）を用いることができる。
【0058】
［異常測度算出処理（１）］
図８は、上記ステップＳ７０７に関して局所部分空間法を用いた場合の異常測度算出処理の説明図を示す。局所部分空間法は、注目ベクトルｑに対するｋ個の近傍ベクトルを選択し、選択したｋ個の近傍ベクトルが張るｋ－１次元のアフィン部分空間へ注目ベクトルｑを投影した場合の投影距離を測る方法である。図８では、ｋ＝３個の近傍ベクトルｘ１，ｘ２，ｘ３によって、アフィン部分空間８０１が形成された場合を示す。グレイの四角点で示す近傍ベクトルｘ１～ｘ３は、アフィン部分空間８０１の平面にある。白の四角点で示す他のベクトルは、アフィン部分空間８０１の平面に対し上下に距離を置いてある。丸点で示す注目ベクトルｑは、アフィン部分空間８０１の平面に対し、上側に距離８０２を置いてある。そして、注目ベクトルｑに最も近いアフィン部分空間８０１上の黒の点Ｘｂが、投影点（基準ベクトルともいう）となる。注目ベクトルｑから基準ベクトルＸｂまでの投影距離である距離８０２が、異常測度である。
図８は、上記ステップＳ７０７に関して局所部分空間法を用いた場合の異常測度算出処理の説明図を示す。局所部分空間法は、注目ベクトルｑに対するｋ個の近傍ベクトルを選択し、選択したｋ個の近傍ベクトルが張るｋ－１次元のアフィン部分空間へ注目ベクトルｑを投影した場合の投影距離を測る方法である。図８では、ｋ＝３個の近傍ベクトルｘ１，ｘ２，ｘ３によって、アフィン部分空間８０１が形成された場合を示す。グレイの四角点で示す近傍ベクトルｘ１～ｘ３は、アフィン部分空間８０１の平面にある。白の四角点で示す他のベクトルは、アフィン部分空間８０１の平面に対し上下に距離を置いてある。丸点で示す注目ベクトルｑは、アフィン部分空間８０１の平面に対し、上側に距離８０２を置いてある。そして、注目ベクトルｑに最も近いアフィン部分空間８０１上の黒の点Ｘｂが、投影点（基準ベクトルともいう）となる。注目ベクトルｑから基準ベクトルＸｂまでの投影距離である距離８０２が、異常測度である。
【0059】
異常測度についての具体的な算出法を説明する。注目ベクトルｑを評価データｑとする。サーバ１０は、評価データｑとｋ個の近傍ベクトルｘｉ（ｉ＝１，……，ｋ）とから、評価データｑをｋ個並べた行列Ｑと、近傍ベクトルｘｉを並べた行列Ｘとを作成する。サーバ１０は、下記の式１から、両者の相関行列Ｃを求める。なお記号Ｔは転置行列を示す。
式１： Ｃ＝（Ｑ－Ｘ）Ｔ（Ｑ－Ｘ）
式１： Ｃ＝（Ｑ－Ｘ）Ｔ（Ｑ－Ｘ）
【0060】
次に、サーバ１０は、下記の式２から、近傍ベクトルｘｉの重み付けを表す係数ベクトルｂを計算する。
式２： ｂ＝（Ｃ－１１ｎ）／（１ｎ ＴＣ－１１ｎ）
式２： ｂ＝（Ｃ－１１ｎ）／（１ｎ ＴＣ－１１ｎ）
【0061】
異常測度をｄとすると、異常測度ｄは、ベクトル（ｑ－Ｘｂ）のノルムまたはそのノルムの２乗により算出される。ノルムは、√（Ｘ１２＋……＋Ｘｍ２）のような演算である。
【0062】
なお、図８では、近傍ベクトル数としてｋ＝３の場合を示したが、この数は、特徴ベクトルの次元数よりも十分小さければ、いくつでもよい。ｋ＝１の場合は、最近傍法と等価の処理になる。
【0063】
［異常測度算出処理（２）］
投影距離法を用いた場合の異常測度算出処理は以下のようになる。投影距離法は、選択された特徴ベクトルに対し独自の原点を持つ部分空間、すなわちアフィン部分空間（これは分散が最大の空間である）を作成する方法である。サーバ１０は、何らかの方法で、注目ベクトルに対応する複数の特徴ベクトルを選択し、以下の方法でアフィン部分空間を算出する。
投影距離法を用いた場合の異常測度算出処理は以下のようになる。投影距離法は、選択された特徴ベクトルに対し独自の原点を持つ部分空間、すなわちアフィン部分空間（これは分散が最大の空間である）を作成する方法である。サーバ１０は、何らかの方法で、注目ベクトルに対応する複数の特徴ベクトルを選択し、以下の方法でアフィン部分空間を算出する。
【0064】
まず、サーバ１０は、選択された特徴ベクトルの平均μと共分散行列Σとを算出する。次に、サーバ１０は、共分散行列Σの固有値問題を解いて、値の大きい方から予め指定したｒ個の固有値に対応する固有ベクトルを並べた行列Ｕを、アフィン部分空間の正規直交基底とする。数ｒは、特徴ベクトルの次元よりも小さく、かつ選択データ数より小さい数とする。あるいは、数ｒを固定した数とせず、固有値の大きい方から累積した寄与率が予め指定した割合を超えたときの値を数ｒとして用いてもよい。図８のように、注目ベクトルから最も近いアフィン部分空間上の点が基準ベクトルとなる。また、注目ベクトルから基準ベクトルを引いたもの（ｑ－Ｘｂ）が、残差ベクトルとなる。その残差ベクトルのノルムまたはそのノルムの２乗が、異常測度となる。
【0065】
ここで、複数の特徴ベクトルの選択方法としては、予め指定した数十から数百の数の特徴ベクトルを注目ベクトルから近い順に選択する方法がある。また、学習対象の特徴ベクトルを予めクラスタリングしておき、注目ベクトルに最も近いクラスタに含まれる特徴ベクトルを選択する方法もある。他には、注目ベクトルｑのｋ個の近傍ベクトルの平均ベクトルまでの距離を異常測度とする局所平均距離法や、ガウシアンプロセス等の方法を用いてもよい。
【0066】
図７で、サーバ１０は、ループでの全特徴ベクトルについての異常測度算出処理後、ステップＳ７０８で、図３のしきい値算出部１０９において、しきい値Ｈを算出する。このしきい値Ｈは、異常検出部１１２に入力する異常測度との比較で、設備１０１の正常／異常の判定に用いられる。しきい値算出部１０９は、正常な学習データを異常と判定しないようなしきい値Ｈを算出する。言い換えれば、しきい値算出部１０９は、正常な学習データから得られる異常測度の最大値を、しきい値Ｈとして算出する。あるいは、しきい値算出部１０９は、正常な学習データを予め定めた割合より多く正常と判定するしきい値Ｈを算出してもよい。この場合は、正常な学習データから得られる異常測度をソートし、異常測度が低い方から前述の予め定めた割合に到達するところの異常測度を、しきい値Ｈとして採用する。
【0067】
図７の学習処理（学習時の異常測度算出処理）においては、サーバ１０は、図３の学習結果蓄積部１１１に学習結果を保存しておく。学習結果として保存されるデータには、少なくとも、特徴ベクトル抽出のためのパラメータ、異常測度算出のためのパラメータ、センサ信号正準化のためのパラメータ、抽出した全特徴ベクトルデータ、異常判定用のしきい値を含む。特徴ベクトル抽出のためのパラメータおよび異常測度算出のためのパラメータは、学習時に指定されたものと共通である。センサ信号正準化のためのパラメータは、信号入力部１０７がステップＳ７０２の処理で算出した各センサ信号の平均、標準偏差、最大値、および最小値等である。
【0068】
［第１分布密度画像の作成処理］
次に、図３の分布密度画像作成部１１０による、図５のステップＳ５１５の総当り分布密度画像の作成処理の詳細を説明する。図９は、学習時の総当り分布密度画像作成処理のフローを示す。初めにステップＳ９０１で、サーバ１０は、指定された学習期間のセンサ信号を入力する。サーバ１０は、ステップＳ９０２からの第１ループにおいて、各センサ信号について、ステップＳ９０３～Ｓ９０６の処理を繰り返す。
次に、図３の分布密度画像作成部１１０による、図５のステップＳ５１５の総当り分布密度画像の作成処理の詳細を説明する。図９は、学習時の総当り分布密度画像作成処理のフローを示す。初めにステップＳ９０１で、サーバ１０は、指定された学習期間のセンサ信号を入力する。サーバ１０は、ステップＳ９０２からの第１ループにおいて、各センサ信号について、ステップＳ９０３～Ｓ９０６の処理を繰り返す。
【0069】
まずステップＳ９０３で、サーバ１０は、データの最大値ＭＡＸと最小値ＭＩＮとを算出する。次にステップＳ９０４で、サーバ１０は、最小値ＭＩＮから最大値ＭＡＸまでの範囲を、指定された数Ｎで分割する際の刻み幅Ｓを算出する。これは、Ｓ＝（ＭＡＸ－ＭＩＮ）／Ｎで算出できる。次にステップＳ９０５で、サーバ１０は、最小値ＭＩＮから最大値ＭＡＸまでの範囲を外側に拡大し、二次元ヒストグラム算出の処理範囲を算出する。ここで範囲の拡大は、例えば最小値ＭＩＮを（ＭＩＮ－Ｓ×Ｍ）、最大値ＭＡＸを（ＭＡＸ＋Ｓ×Ｍ）に変更することが挙げられる。Ｍは、予め決められた１以上の整数である。
【0070】
次にステップＳ９０６で、サーバ１０は、学習期間の全データについて、次の式３により、センサ信号値（Ｆとする）からビン番号（ＢＮＯとする）を算出する。ただし、下記の関数ＩＮＴ（Ｘ）は、Ｘの整数部を表す。ビン番号ＢＮＯを用いることで、各センサ信号値Ｆは、最小値０から最大値Ｎまでの（Ｎ＋１）段階の整数値に変換される。
式３： ＢＮＯ＝ＩＮＴ（Ｎ＊（Ｆ－ＭＩＮ）／（ＭＡＸ－ＭＩＮ））
式３： ＢＮＯ＝ＩＮＴ（Ｎ＊（Ｆ－ＭＩＮ）／（ＭＡＸ－ＭＩＮ））
【0071】
次に、サーバ１０は、複数のセンサ５から２個のセンサ５の組合せをペアとして取り出し、それぞれのセンサ信号の組合せに基づいて、総当りでの第１分布密度画像を作成する。すなわち、サーバ１０は、ステップＳ９０７からの第２ループで、全てのセンサ５の組合せ（全ペア）について、ステップＳ９０８～Ｓ９１０の処理を繰り返す。ここで、２個のセンサ５の組合せの中には、同一のセンサ５の組合せを含めるとする。従って、センサ組合せ数（対応する繰り返し数）は、センサ数をｍとすると、ｍ×（ｍ＋１）／２となる。
【0072】
まずステップＳ９０８で、サーバ１０は、二次元ヒストグラム算出用の二次元配列を確保し、その配列の全ての要素に０をセットする。この配列のサイズはＮであるとする。ステップＳ９０９で、サーバ１０は、学習期間の全データについて、ペアの２個のセンサ信号のビン番号ＢＮＯに対応する配列の要素に１を加算する。すなわち、サーバ１０は、一方のセンサ信号のビン番号を列の要素に対応させ、他方のセンサ信号のビン番号を行の要素に対応させる。この処理により、２個のセンサ５による信号の二次元ヒストグラムが算出される。ステップＳ９１０で、サーバ１０は、このヒストグラムを画像に変換して保存する。この変換方法については後述する。なお、上記ビン番号は、ヒストグラムおよび画像を作成する際の単位であり、センサ信号値から区分・変換された値である。この単位は、広義ではセンサ信号値を用い、実装例としてビン番号を用いる。
【0073】
［センサ信号と第１分布密度画像］
図１０は、時系列センサ信号と第１分布密度画像との関係を表す説明図である。図１０では、左側のセンサＸとセンサＹとの２個のセンサ５の信号について、右側の分布密度画像１０００では、横軸をセンサＸとし、縦軸をセンサＹとしてとって示している。分布密度画像１０００は、総当り分布密度画像の１つであり、言い換えると２次元ヒストグラムである。この分布密度画像１０００の各画素値は、センサＸの信号値とセンサＹの信号値との組の頻度値であり、２次元分布での密度に相当する。頻度値は、画素値として例えばグレイ階調で表される。このような分布密度画像が、センサ５の組合せ（対応するペア）毎に作成される。
図１０は、時系列センサ信号と第１分布密度画像との関係を表す説明図である。図１０では、左側のセンサＸとセンサＹとの２個のセンサ５の信号について、右側の分布密度画像１０００では、横軸をセンサＸとし、縦軸をセンサＹとしてとって示している。分布密度画像１０００は、総当り分布密度画像の１つであり、言い換えると２次元ヒストグラムである。この分布密度画像１０００の各画素値は、センサＸの信号値とセンサＹの信号値との組の頻度値であり、２次元分布での密度に相当する。頻度値は、画素値として例えばグレイ階調で表される。このような分布密度画像が、センサ５の組合せ（対応するペア）毎に作成される。
【0074】
［画像変換方法（Ｓ９１０）］
図９のステップＳ９１０の分布密度画像作成における画像変換方法の例を説明する。初めに、サーバ１０は、配列要素の最大値、すなわち最大頻度を求める。画像サイズは配列サイズと同じとし、各要素の値から対応する座標の画素値を、例えば、２５５×［配列の要素値］／［最大頻度］とする。数値２５５は、画素値を８ビットで表す場合の最大値であり、この値を用いれば、そのままビットマップ形式で保存できる。あるいは、画素値を２５５×ＬＯＧ（［配列の要素値］＋１）／ＬＯＧ（［最大頻度］＋１）としてもよい。ただし、関数ＬＯＧ（Ｘ）は、Ｘの対数を表す。このような変換式を用いれば、最大頻度が大きい場合でも、非ゼロの頻度に非ゼロの画素値を対応させることができる。
図９のステップＳ９１０の分布密度画像作成における画像変換方法の例を説明する。初めに、サーバ１０は、配列要素の最大値、すなわち最大頻度を求める。画像サイズは配列サイズと同じとし、各要素の値から対応する座標の画素値を、例えば、２５５×［配列の要素値］／［最大頻度］とする。数値２５５は、画素値を８ビットで表す場合の最大値であり、この値を用いれば、そのままビットマップ形式で保存できる。あるいは、画素値を２５５×ＬＯＧ（［配列の要素値］＋１）／ＬＯＧ（［最大頻度］＋１）としてもよい。ただし、関数ＬＯＧ（Ｘ）は、Ｘの対数を表す。このような変換式を用いれば、最大頻度が大きい場合でも、非ゼロの頻度に非ゼロの画素値を対応させることができる。
【0075】
［第１分布密度画像の例］
図１１と図１２は、総当り分布密度画像（第１分布密度画像）の例を示す。この分布密度画像は、横軸に一方のセンサ５であるセンサＡの信号値（対応するビン番号）をとり、縦軸にもう一方のセンサ５であるセンサＢの信号値（対応するビン番号）をとった画像である。図９の処理により得られる画像は、二次元の特徴空間上で密度が高いところが高い画素値で表されている。ここでは、この分布密度画像は、画素値の０を白、２５５を黒としたグレイスケール画像である。この分布密度画像は、２つのセンサ５の相関の強さに応じて、画像の分布密度の形状等のパターンが変化する。図１１は、相関が強い場合の画像例であり、図１２は、相関が弱い場合の画像例である。図１１の画像では、密度が高い領域が線形の形状となっており、それに対し、図１２の画像では、密度が高い領域が広く分布している。
図１１と図１２は、総当り分布密度画像（第１分布密度画像）の例を示す。この分布密度画像は、横軸に一方のセンサ５であるセンサＡの信号値（対応するビン番号）をとり、縦軸にもう一方のセンサ５であるセンサＢの信号値（対応するビン番号）をとった画像である。図９の処理により得られる画像は、二次元の特徴空間上で密度が高いところが高い画素値で表されている。ここでは、この分布密度画像は、画素値の０を白、２５５を黒としたグレイスケール画像である。この分布密度画像は、２つのセンサ５の相関の強さに応じて、画像の分布密度の形状等のパターンが変化する。図１１は、相関が強い場合の画像例であり、図１２は、相関が弱い場合の画像例である。図１１の画像では、密度が高い領域が線形の形状となっており、それに対し、図１２の画像では、密度が高い領域が広く分布している。
【0076】
分布密度画像の作成方法は上記方法に限定されない。例えば、単純な頻度分布ではなく、１個のデータにガウス分布や他の重みつきフィルタを割り当ててそれを重畳する方法でもよい。あるいは、上記方法で得られた画像に所定サイズの最大値フィルタをかける方法や、平均フィルタ、その他の重みつきフィルタをかける方法でもよい。また、８ビットに限らず、１６ビット等に変換する方法でもよい。また、必ずしも画像形式で保存する必要はなく、二次元配列を変換せずにバイナリあるいはテキスト形式で保存する方法でもよい。
【0077】
［第２分布密度画像の作成処理］
次に、図１３は、図３の分布密度画像作成部１１０による学習時における横軸が気温の第２分布密度画像の作成処理（図５のステップＳ５１６）のフローを示す。図１３のステップＳ１３０２～Ｓ１３０５の処理は、図９のステップＳ９０３～Ｓ９０６の処理と同じ方法で行われる。初めにステップＳ１３０１で、サーバ１０は、指定された学習期間の気温信号を入力する。ステップＳ１３０２で、サーバ１０は、気温信号の最大値ＭＡＸと最小値ＭＩＮとを算出し、ステップＳ１３０３で、最小値ＭＩＮから最大値ＭＡＸまでの範囲を指定された数Ｎで分割する際の刻み幅Ｓを算出する。次にステップＳ１３０４で、サーバ１０は、最小値ＭＩＮから最大値ＭＡＸまでの範囲を外側に拡大し、二次元ヒストグラム算出の処理範囲を算出する。次にステップＳ１３０５で、サーバ１０は、学習期間の全データについて、センサ信号値（Ｆ）からビン番号（ＢＮＯ）を算出する。これらの処理により、気温データは、最小値０から最大値Ｎまでの（Ｎ＋１）段階の整数値に変換される。
次に、図１３は、図３の分布密度画像作成部１１０による学習時における横軸が気温の第２分布密度画像の作成処理（図５のステップＳ５１６）のフローを示す。図１３のステップＳ１３０２～Ｓ１３０５の処理は、図９のステップＳ９０３～Ｓ９０６の処理と同じ方法で行われる。初めにステップＳ１３０１で、サーバ１０は、指定された学習期間の気温信号を入力する。ステップＳ１３０２で、サーバ１０は、気温信号の最大値ＭＡＸと最小値ＭＩＮとを算出し、ステップＳ１３０３で、最小値ＭＩＮから最大値ＭＡＸまでの範囲を指定された数Ｎで分割する際の刻み幅Ｓを算出する。次にステップＳ１３０４で、サーバ１０は、最小値ＭＩＮから最大値ＭＡＸまでの範囲を外側に拡大し、二次元ヒストグラム算出の処理範囲を算出する。次にステップＳ１３０５で、サーバ１０は、学習期間の全データについて、センサ信号値（Ｆ）からビン番号（ＢＮＯ）を算出する。これらの処理により、気温データは、最小値０から最大値Ｎまでの（Ｎ＋１）段階の整数値に変換される。
【0078】
次に、ステップＳ１３０６からのループでは、サーバ１０は、ステップＳ５０４で分類された気温との相関が高い第１種センサ信号について、ステップＳ１３０７～Ｓ１３０９の処理を繰り返し、それぞれのセンサ信号と気温との組合せに基づいて分布密度画像を作成する。
【0079】
まずステップＳ１３０７で、サーバ１０は、二次元ヒストグラム算出用の二次元配列を確保し、全ての要素に０をセットする。配列のサイズはＮとする。ステップＳ１３０８で、サーバ１０は、学習期間の全データについて、気温およびセンサ信号のビン番号に対応する配列の要素に１を加算する。すなわち、気温のビン番号は列の要素に対応させ、センサ信号のビン番号は行の要素に対応させる。ここで、センサ信号のビン番号は、図９のステップＳ９０６で算出されたものを用いる。ステップＳ１３０９で、サーバ１０は、上記処理により得られる二次元ヒストグラムを画像（第２分布密度画像）に変換して保存する。この変換方法は、ステップＳ９１０と同様である。最後にステップＳ１３１０で、サーバ１０は、相関維持の範囲を決定・設定する。
【0080】
［第２分布密度画像の例］
図１４は、横軸が気温である第２分布密度画像の例を示す。この画像１４００の縦軸は、気温との相関が高いセンサ５の信号値（対応するビン番号）である。そのため、この画像１４００では、密度が高いグレイで表される正常データは、傾斜のある帯上に分布している。相関維持とは、正常データ分布の長手方向（本例では図示の矢印のような右斜め上方向）の延長上の範囲内にデータがあることを指す。破線の矩形で表した範囲１４０１は、その相関維持の範囲である。サーバ１０は、横軸が気温である第２分布密度画像に基づいて、このような相関維持の範囲１４０１を自動的に算出する。相関維持範囲の算出方法は、例えば、元のデータから最小二乗法による直線近似やハフ変換で中心の軸を算出し、全データに対して予め決められた比率のデータが含まれるように左右に広げていく方法が適用できる。あるいは、軸を数度の範囲で回転させて、同様のことを行い、最も幅の狭いものを選ぶ方法が適用できる。
図１４は、横軸が気温である第２分布密度画像の例を示す。この画像１４００の縦軸は、気温との相関が高いセンサ５の信号値（対応するビン番号）である。そのため、この画像１４００では、密度が高いグレイで表される正常データは、傾斜のある帯上に分布している。相関維持とは、正常データ分布の長手方向（本例では図示の矢印のような右斜め上方向）の延長上の範囲内にデータがあることを指す。破線の矩形で表した範囲１４０１は、その相関維持の範囲である。サーバ１０は、横軸が気温である第２分布密度画像に基づいて、このような相関維持の範囲１４０１を自動的に算出する。相関維持範囲の算出方法は、例えば、元のデータから最小二乗法による直線近似やハフ変換で中心の軸を算出し、全データに対して予め決められた比率のデータが含まれるように左右に広げていく方法が適用できる。あるいは、軸を数度の範囲で回転させて、同様のことを行い、最も幅の狭いものを選ぶ方法が適用できる。
【0081】
変形例として、異常検知装置１は、分布密度画像に対し相関維持範囲をユーザＵ１が設定できるようにしてもよい。例えば、ユーザＵ１は、クライアント端末２０の画面に表示される図１４のような分布密度画像を確認し、その画像上に、マウス等の操作によって、矩形や楕円等の基本図形のシフトや拡大や回転、任意の点や線の指定等に基づいて、相関維持範囲を設定する。
【0082】
図９および図１３の処理においては、サーバ１０は、二次元配列のサイズおよびステップＳ９０４，Ｓ９０５，Ｓ１３０３，Ｓ１３０４で算出した各センサ信号および気温の処理対象範囲と刻み幅を、学習結果蓄積部１１１に記録しておく。また、サーバ１０は、第１分布密度画像および第２分布密度画像と、ステップＳ１３１０で設定した相関維持範囲とについても、学習結果蓄積部１１１に記録しておく。
【0083】
［異常検知時の異常判定処理］
次に、図６の（ｃ）の異常検知時の異常判定処理６００の詳細について、図１５～図２１を用いて説明する。図１５は、図３の異常検出部１１２による図６の異常検知処理（ステップＳ６０１～Ｓ６０４）の詳細のフローを示す。ここでは、サーバ１０は、データ蓄積部１０３に蓄積されたデータのうち指定された期間のデータ、または新たに観測されたデータについて、特徴ベクトル抽出部１０７による特徴ベクトルの抽出（Ｓ６０２）、異常測度算出部１０８による異常測度の算出（Ｓ６０３）を行う。そして、サーバ１０は、その異常測度をしきい値算出部１０９によるしきい値Ｈと比較して、異常検出部１１２による正常／異常の判定を行う（Ｓ６０４）。
次に、図６の（ｃ）の異常検知時の異常判定処理６００の詳細について、図１５～図２１を用いて説明する。図１５は、図３の異常検出部１１２による図６の異常検知処理（ステップＳ６０１～Ｓ６０４）の詳細のフローを示す。ここでは、サーバ１０は、データ蓄積部１０３に蓄積されたデータのうち指定された期間のデータ、または新たに観測されたデータについて、特徴ベクトル抽出部１０７による特徴ベクトルの抽出（Ｓ６０２）、異常測度算出部１０８による異常測度の算出（Ｓ６０３）を行う。そして、サーバ１０は、その異常測度をしきい値算出部１０９によるしきい値Ｈと比較して、異常検出部１１２による正常／異常の判定を行う（Ｓ６０４）。
【0084】
ステップＳ１５０１で、特徴ベクトル抽出部１０７は、学習結果蓄積部１１１のＤＢから学習時に保存した学習結果を読み出す。その際、学習時の異常測度やしきい値に基づいて、ユーザＵ１が適切な処理番号を選択し、サーバ１０は、その処理番号に対応付けられた学習結果を用いる。ステップＳ１５０１で、信号入力部１０６は、データ蓄積部１０３または設備１０１からのセンサ信号１０２を入力し、ステップＳ１５０３で、センサ信号毎に正準化する。この際には、図７のステップＳ７０２での正準化の処理に用いたパラメータが用いられる。次にステップＳ１５０４で、特徴ベクトル抽出部１０７は、選択したセンサ信号から、図７のステップＳ７０３の処理と同じ方法で特徴ベクトルを抽出する。
【0085】
次にステップＳ１５０５からのループでは、サーバ１０は、全特徴ベクトルについて、ステップＳ１５０６～Ｓ１５０８の処理を行う。ステップＳ１５０６で、異常測度算出部１０８は、注目ベクトルと学習データとを用いて、異常測度を算出する。この処理は、図７のステップＳ７０７と同じ方法で行われるが、学習データを全て用いる。ステップＳ１５０７で、異常検出部１１２は、ステップＳ１５０１で読み出したしきい値Ｈと、ステップＳ１５０６で算出した異常測度とを比較する。異常検出部１１２は、異常測度がしきい値Ｈ以下である場合には、設備１０１の状態を「正常」と判定し、異常測度がしきい値Ｈより大きい場合には、「異常」と判定する。続いてステップＳ１５０８で、サーバ１０は、残差ベクトルを算出する。残差ベクトルとは、注目ベクトルと異常測度算出の際の基準ベクトルとの差のベクトルの各要素を２乗したものとする。図８の局所部分空間法の場合では、注目ベクトルがｑ、基準ベクトルがＸｂ、差のベクトルが（ｑ－Ｘｂ）である。異常測度は、差のベクトル（ｑ－Ｘｂ）のノルムの２乗と定義する。この定義により、残差ベクトルの要素の和が異常測度となる。残差ベクトルは、この後の季節変動除去処理で用いられる。
【0086】
［孤立度算出処理］
図１６は、図３の関連センサ特定部１１３による図６の孤立度算出処理（ステップＳ６０５～Ｓ６０７）の詳細のフローを示す。ここでは、サーバ１０は、異常が連続して検知されたとみなす異常区間を抽出し、異常区間毎に、学習データから乖離していることを表す孤立度ベクトルを算出し、この孤立度ベクトルに基づいて異常関連センサを特定する。
図１６は、図３の関連センサ特定部１１３による図６の孤立度算出処理（ステップＳ６０５～Ｓ６０７）の詳細のフローを示す。ここでは、サーバ１０は、異常が連続して検知されたとみなす異常区間を抽出し、異常区間毎に、学習データから乖離していることを表す孤立度ベクトルを算出し、この孤立度ベクトルに基づいて異常関連センサを特定する。
【0087】
ステップＳ１６０１で、異常検出部１１１は、処理対象のセンサ信号を入力し、ステップＳ１６０２で、全データについて、各センサ信号に対応するビン番号を算出する。この算出の際には、サーバ１０は、図１５のステップＳ１５０１で読み出された分布密度画像作成のパラメータ、具体的には、二次元配列のサイズ、センサ毎の処理対象範囲、および刻み幅を用いて、図９のステップＳ９０６と同様の方法で、ビン番号を算出する。次にステップＳ１６０３で、異常検出部１１１は、算出した異常測度データを入力し、ステップＳ１６０４で、この異常測度データに基づいて、異常が連続して検知されている異常区間を抽出する。この異常区間を算出する際には、予め指定された長さの許容間隙以下の中断（異常が検知されないこと）については、連続している異常区間とみなされる。逆に、日付が変わる等、予め決められたデータの切れ目では、異常検知が続いていたとしても別の異常区間とする。
【0088】
次にステップＳ１６０５からの第１ループでは、サーバ１０は、各異常区間について、ステップＳ１６０６～Ｓ１６１３の孤立度算出および関連センサ特定の処理を繰り返す。まずステップＳ１６０１で、サーバ１０は、２個のセンサ５の全ての組合せについての孤立度を０にリセットする。ペアの一方のセンサをｉで表し、ペアのもう一方のセンサをｊで表すとする。ステップＳ１６０７からの第２ループでは、サーバ１０は、各センサｉの全てについて、孤立度（Ｉｉとする）を算出する。ステップＳ１６０８からの第３ループでは、サーバ１０は、各センサｊの全てについて、孤立度（Ｉｊとする）を算出する。各孤立度（Ｉｉ，Ｉｊ）は、前述の単一のセンサ５の単位での孤立度である。
【0089】
第２ループおよび第３ループの各ループでは、サーバ１０は、ステップＳ１６０９からの第４ループで、着目する異常区間内の全データについて処理を行う。ステップＳ１６１０で、サーバ１０は、着目するペアのセンサｉ，ｊの分布密度画像から、ステップＳ１６０２で算出した各センサｉ，ｊのビン番号に対応する座標の画素値（対応する頻度値）を読み込む。ステップＳ１６１１で、サーバ１０は、画素値が０である場合、着目するセンサｉ，ｊの孤立度（Ｉｉｊとする）に１を加算する。このセンサｉ，ｊの孤立度（Ｉｉｊ）は、前述のペアの単位での孤立度である。
【0090】
上記処理により、２個のセンサ５の各組合せについて、着目する異常区間の孤立度が算出される。孤立度は、二次元ヒストグラム上で対応する２個のセンサ５の信号値の組合せが学習データに無い場合に高くなる。ここで、第４ループと、第２ループおよび第３ループとは、逆の順番としてもよい。
【0091】
ステップＳ１６１２で、サーバ１０は、２個のセンサ５の各組合せの孤立度（Ｉｉｊ）に基づいて、１個のセンサ５毎の孤立度（Ｉｉ，Ｉｊ）を算出する。例えば、センサｉの孤立度Ｉｉは、センサｉを固定して、全てのセンサｊについて、センサｉ，ｊの孤立度（Ｉｉｊ）を合計することにより、算出される。センサｊの孤立度Ｉｊは、センサｊを固定して、全てのセンサｉについて、センサｉ，ｊの孤立度（Ｉｉｊ）を合計することにより、算出される。サーバ１０は、各センサ５の孤立度（Ｉｉ，Ｉｊ）を全センサ分まとめたものを、孤立度ベクトルとする。例えば、センサＳ１～Ｓｍについて、孤立度ベクトル＝｛Ｉ１，Ｉ２，……，Ｉｍ｝のようになる。
【0092】
次にステップＳ１６１３で、サーバ１０は、上記孤立度ベクトルに基づいて、異常関連センサを特定する。異常が検知されるのは、評価対象データが学習データから乖離しているためである。このことから、サーバ１０は、異常検知された時刻のセンサ信号の孤立度が高くなるセンサ５を、異常関連センサとして抽出する。
【0093】
上記処理中の孤立度の算出（Ｓ１６１０，Ｓ１６１１）と異常関連センサの特定（Ｓ１６１３）との詳細について以下に説明する。
【0094】
［孤立度］
図１７は、より具体的な孤立度算出方法についての説明図である。図１７の（Ａ）は、異常検知時に例えば３個のセンサＳ１～Ｓ３から入力するセンサ信号等を示す。丸印は、ある時刻でのセンサ信号値である。サーバ１０は、各センサ信号の特徴ベクトルから異常測度を算出し、その異常測度がしきい値Ｈを超えた時点（例えば破線で示す時刻）を「異常」として判定・検知する。図１７の（Ｂ）は、学習データから予め作成した第１分布密度画像であり、２個のセンサ５の全組合せについて、学習データのセンサ信号値分布を画素値で表している。横軸をセンサｉの信号値、縦軸をセンサｊの信号値とすると、本例では、図示のように、ｉ＝１～３、ｊ＝１～３で、３×３＝９通りの組合せの画像｛画像ｇ１１，ｇ１２，……，ｇ３３｝が存在する。
図１７は、より具体的な孤立度算出方法についての説明図である。図１７の（Ａ）は、異常検知時に例えば３個のセンサＳ１～Ｓ３から入力するセンサ信号等を示す。丸印は、ある時刻でのセンサ信号値である。サーバ１０は、各センサ信号の特徴ベクトルから異常測度を算出し、その異常測度がしきい値Ｈを超えた時点（例えば破線で示す時刻）を「異常」として判定・検知する。図１７の（Ｂ）は、学習データから予め作成した第１分布密度画像であり、２個のセンサ５の全組合せについて、学習データのセンサ信号値分布を画素値で表している。横軸をセンサｉの信号値、縦軸をセンサｊの信号値とすると、本例では、図示のように、ｉ＝１～３、ｊ＝１～３で、３×３＝９通りの組合せの画像｛画像ｇ１１，ｇ１２，……，ｇ３３｝が存在する。
【0095】
サーバ１０は、（Ａ）で得た異常検知時の各センサＳ１～Ｓ３の信号値を、（Ｂ）の該当する分布密度画像の該当する座標位置にプロットする。サーバ１０は、プロット位置において画素値を読み込み、画素値が０である場合には、そのセンサ（ｉ，ｊ）の組合せの孤立度Ｉｉｊを１とする。×印は、孤立度Ｉｉｊが１である箇所を示す。例えばセンサ（ｉ＝１，ｊ＝３）の組合せでの画像Ｇ１３は、プロット位置で画素値が０であるため、孤立度Ｉｉｊが１である。サーバ１０は、画素値が０以外の場合には、丸印で示すように孤立度Ｉｉｊを０とする。サーバ１０は、このようにしてセンサ５毎に組合せの相手を変えた孤立度Ｉｉｊを合計することで、センサ５毎の孤立度（例えばＩ１，Ｉ２，Ｉ３）を算出する。例えば、センサＳ１の孤立度Ｉ１は、Ｉ１１＋Ｉ１２＋Ｉ１３＝０＋０＋１＝１となる。同様に、センサＳ２の孤立度Ｉ２が０、センサＳ３の孤立度Ｉ３が１となる。本例では、センサＳ１とセンサＳ３との組合せ（Ｉ１３，Ｉ３１）のみにおいて孤立している、すなわち孤立度が１（×印）である。
【0096】
［異常関連センサ特定］
図１８は、上記孤立度に基づいて異常関連センサを特定する処理のフローを示す。このフローは、ステップＳ１８０１からの第１ループで、所定の回数または条件を満たすまでの繰り返し処理である。最初にステップＳ１８０２で、サーバ１０は、孤立度が最大のセンサ５、すなわち図１６のステップＳ１６１２で算出した孤立度ベクトルのうちの最大要素（センサ毎の孤立度が最大のもの）に対応するセンサ５を探索する。探索の結果見つかったセンサ５、言い換えると孤立度最大センサを、ここではセンサＡとする。
図１８は、上記孤立度に基づいて異常関連センサを特定する処理のフローを示す。このフローは、ステップＳ１８０１からの第１ループで、所定の回数または条件を満たすまでの繰り返し処理である。最初にステップＳ１８０２で、サーバ１０は、孤立度が最大のセンサ５、すなわち図１６のステップＳ１６１２で算出した孤立度ベクトルのうちの最大要素（センサ毎の孤立度が最大のもの）に対応するセンサ５を探索する。探索の結果見つかったセンサ５、言い換えると孤立度最大センサを、ここではセンサＡとする。
【0097】
次にステップＳ１８０３で、サーバ１０は、センサＡとの組合せで孤立度（Ｉｉｊ）が最大となる他方のセンサ５を探索する。探索の結果見つかったセンサ５を、ここではセンサＢとする。ここでの探索対象は、図１６のステップＳ１６０７の第２ループの処理終了時に算出されている２個のセンサ５の組合せに対する孤立度（Ｉｉｊ）である。また、見つかったセンサＡ，Ｂの組合せでの孤立度（Ｉｉｊ）の値を、ここではＩＳＯとする。
【0098】
ステップＳ１８０４で、サーバ１０は、ＩＳＯが０より大きい場合（Ｙ）にはステップＳ１８０５に進み、そうでない場合（Ｎ）、すなわちＩＳＯが０である場合には、第１ループを抜けて、本フロー処理を終了する。ステップＳ１８０５で、サーバ１０は、センサＡとセンサＢを、異常関連センサとして抽出する。また、ステップＳ１８０６で、サーバ１０は、センサＡおよびセンサＢのそれぞれの第２分布密度画像に、異常データをプロットした画像を、異常プロット画像として作成する。その際、サーバ１０は、画像において正常データがグレイスケールで表されているのに対し、異常データについては区別しやすいように例えば彩度の高い色（例えば赤色）で表す。また、サーバ１０は、正常データと重なりの無い画素と重なりの有る画素とについては、異なる色で表現する。
【0099】
次にステップＳ１８０７からの第２ループでは、サーバ１０は、全てのセンサｉについて、ステップＳ１８０８～Ｓ１８１１の処理を繰り返す。ステップＳ１８０８で、サーバ１０は、センサｉの孤立度（Ｉｉ）から、センサｉ，Ａの組合せの孤立度（ＩｉＡ）を差し引く。またステップＳ１８０９で、サーバ１０は、センサＡとセンサＢが異なる場合（Ｙ）にはステップＳ１８１０に進み、同じである場合（Ｎ）にはステップＳ１８１０を省略する。
【0100】
ステップＳ１８１０で、サーバ１０は、センサｉの孤立度（Ｉｉ）からセンサｉ，Ｂの組合せでの孤立度（ＩｉＢ）も差し引く。さらにステップＳ１８１１で、サーバ１０は、センサＡとセンサＢの孤立度を０とする。
【0101】
ステップＳ１８０７～Ｓ１８１１の処理は、ステップＳ１８０５で異常関連センサとして抽出したセンサＡ，Ｂの影響を取り除くために行われる処理である。以後、サーバ１０は、第１ループを同様に繰り返し、残りの孤立度ベクトルのうちで孤立度が最大となるセンサＡ，Ｂを新たな異常関連センサとして抽出する。このようにして、複数の異常関連センサを漏れなく抽出できる。
【0102】
［季節変動判別処理］
図１９は、図３の季節変動判別部１１４による季節変動判別処理（図６のステップＳ６０８～Ｓ６０９）の詳細のフローを示す。この処理は、ステップＳ１９０１からの第１ループで、異常区間毎に、ステップＳ１９０２からの第２ループで、気温との相関の高いセンサについて、繰り返す処理である。初めにステップS１９０３で、サーバ１０は、図１３のステップＳ１３０９で作成した横軸が気温の第２分布密度画像を取得する。ステップＳ１９０４で、サーバ１０は、その第２分布密度画像に、異常データをプロットして、横軸が気温である異常プロット画像を作成する。続いてステップＳ１９０５で、サーバ１０は、相関の状態に基づいて、以下の３つのステータスのいずれであるかを判別する。具体的には、サーバ１０は、異常データが正常データ分布に含まれている場合には、「異常なし」ステータスと判別する。サーバ１０は、異常データが、正常データ分布の外で、ステップＳ１３１０で設定した相関維持範囲内に含まれている場合には、「季節変動」ステータスと判別する。サーバ１０は、異常データが、相関維持範囲の外である場合には、「異常あり」ステータスと判別する。「季節変動」ステータスは、季節変動起因による異常であることを表す。
図１９は、図３の季節変動判別部１１４による季節変動判別処理（図６のステップＳ６０８～Ｓ６０９）の詳細のフローを示す。この処理は、ステップＳ１９０１からの第１ループで、異常区間毎に、ステップＳ１９０２からの第２ループで、気温との相関の高いセンサについて、繰り返す処理である。初めにステップS１９０３で、サーバ１０は、図１３のステップＳ１３０９で作成した横軸が気温の第２分布密度画像を取得する。ステップＳ１９０４で、サーバ１０は、その第２分布密度画像に、異常データをプロットして、横軸が気温である異常プロット画像を作成する。続いてステップＳ１９０５で、サーバ１０は、相関の状態に基づいて、以下の３つのステータスのいずれであるかを判別する。具体的には、サーバ１０は、異常データが正常データ分布に含まれている場合には、「異常なし」ステータスと判別する。サーバ１０は、異常データが、正常データ分布の外で、ステップＳ１３１０で設定した相関維持範囲内に含まれている場合には、「季節変動」ステータスと判別する。サーバ１０は、異常データが、相関維持範囲の外である場合には、「異常あり」ステータスと判別する。「季節変動」ステータスは、季節変動起因による異常であることを表す。
【0103】
図１４の例で言うと、画像１４００のうち、点Ａは、グレイで示す正常データ分布に含まれているので、「異常なし」ステータスとされる。点Ｂは、相関維持の範囲１４０１の外にあるので、「異常あり」ステータスとされる。点Ｃは、相関維持の範囲１４０１のうち、正常データ分布以外の領域に含まれているので、「季節変動」ステータスとされる。サーバ１０は、複数のセンサ信号の組合せによる設備１０１の状態について、図３の異常検出部１１２で判定した異常有無（「正常」／「異常」）を、さらに、「季節変動」ステータスを含む３つのステータスに判別する。
【0104】
［季節変動除去処理］
図２０および図２１は、図３の季節変動除去部１１５による季節変動除去処理（図６のステップＳ６１０）の詳細のフローを示す。この処理は、ステップＳ２００１からの第１ループで、異常区間毎に、季節変動の影響を除去した孤立度の算出、異常関連センサの特定、異常測度の算出、および異常判定を繰り返す処理である。サーバ１０は、季節変動の影響を除去した検知結果を作成する際に、「季節変動」ステータスに該当するデータ値を取り除いた検知結果を作成する。
図２０および図２１は、図３の季節変動除去部１１５による季節変動除去処理（図６のステップＳ６１０）の詳細のフローを示す。この処理は、ステップＳ２００１からの第１ループで、異常区間毎に、季節変動の影響を除去した孤立度の算出、異常関連センサの特定、異常測度の算出、および異常判定を繰り返す処理である。サーバ１０は、季節変動の影響を除去した検知結果を作成する際に、「季節変動」ステータスに該当するデータ値を取り除いた検知結果を作成する。
【0105】
ステップＳ２００２で、サーバ１０は、季節変動の影響を除去した孤立度の算出のために、図１６のステップＳ１６０７の第２ループの終了までに作成された２個のセンサ５の全ての組合せの孤立度（Ｉｉ，Ｉｊ）を取得する。ステップＳ２００３からの第２ループで、サーバ１０は、全てのセンサｉについて、ステップＳ２００４～Ｓ２００８の処理を繰り返す。まずステップＳ２００４で、サーバ１０は、センサｉの孤立度を０とする。次にステップＳ２００５で、サーバ１０は、センサｉが、図１９のステップＳ１９０５で「季節変動」ステータスと判別されていない場合（Ｙ）、すなわち「異常なし」または「異常あり」と判別されている場合、ステップＳ２００６に進み、判別されている場合（Ｎ）、第２ループの最後に進む。ステップＳ２００６からの第３ループで、サーバ１０は、全てのセンサjについて、処理を行う。ステップＳ２００７で、サーバ１０は、センサｊが、図１９のステップＳ１９０５で「季節変動」ステータスと判別されていない場合（Ｙ）、ステップＳ２００８に進み、判別されている場合（Ｎ）、ステップＳ２００８を省略する。ステップＳ２００８で、サーバ１０は、センサ（ｉ，ｊ）の組合せの孤立度（Ｉｉｊ）を、センサｉの孤立度（Ｉｉ）に加算する。その後、第２ループ、第３ループが終了する。すべてのセンサ５の孤立度の算出後、ステップＳ２００９で、サーバ１０は、図１８のフローにより異常関連センサの特定を行う。
【0106】
なお、上記ステップＳ２００８等の処理では、サーバ１０は、孤立度に関して、上書き更新処理を行っている。これにより、季節変動の影響が除去された孤立度が得られる。影響を除去する前の孤立度は消去されている。このような処理例に限らず可能である。すなわち、サーバ１０は、季節変動の影響を除去する前の孤立度と、季節変動の影響を除去した後の孤立度との両方を計算して記憶や出力してもよい。同様に、異常測度等に関しても、季節変動の影響を除去する前後の値を、記憶や出力してもよい。
【0107】
図２１は、図２０の続きである。ステップＳ２０１０からの第４ループで、サーバ１０は、季節変動の影響を除去した異常測度の算出のために、区間内の全データについて、ステップＳ２０１１～Ｓ２０１６の処理を繰り返す。ステップＳ２０１１で、サーバ１０は、異常測度を０とする。ステップＳ２０１２からの第５ループで、サーバ１０は、全てのセンサｉについて、処理を行う。ステップＳ２０１３で、サーバ１０は、センサｉが、図１９のステップＳ１９０５で「季節変動」ステータスと判別されていない場合（Ｙ）、ステップＳ２０１４に進み、判別されている場合（Ｎ）、ステップＳ２０１４を省略する。ステップＳ２０１４で、サーバ１０は、図１５のステップＳ１５０８で算出した残差を、異常測度に加算する。その後、第５ループが終了する。
【0108】
ステップＳ２０１５で、サーバ１０は、図２０のステップＳ２００３の第２ループの終了後に算出されている孤立度がすべて０であるか、または、異常測度がしきい値以下である場合（Ｙ）、ステップＳ２０１６に進み、そうではない場合（Ｎ）、ステップＳ２０１６を省略する。ステップＳ２０１６で、サーバ１０は、判別の状態を、「異常なし」ステータスに変更する。その後、第４ループ、第１ループが終了し、本フローの終了となる。以上の処理により、サーバ１０は、季節変動の影響を除去した結果を出力できる。
【0109】
［ＧＵＩ（１）］
次に、異常検知装置１において上記処理・動作に伴って提供するユーザインタフェース、特にグラフィカル・ユーザ・インタフェース（ＧＵＩ）の構成例を説明する。異常検知装置１のユーザＵ１（図１）は、サーバ１０から提供されるデータに基づいてクライアント端末２０に表示される各画面を閲覧して操作する。例えばＷｅｂページによる画面は、ウィンドウ、ボタン、スクロールバー、リストボックス等のＧＵＩ要素を用いて構成される。
次に、異常検知装置１において上記処理・動作に伴って提供するユーザインタフェース、特にグラフィカル・ユーザ・インタフェース（ＧＵＩ）の構成例を説明する。異常検知装置１のユーザＵ１（図１）は、サーバ１０から提供されるデータに基づいてクライアント端末２０に表示される各画面を閲覧して操作する。例えばＷｅｂページによる画面は、ウィンドウ、ボタン、スクロールバー、リストボックス等のＧＵＩ要素を用いて構成される。
【0110】
図２２は、第１画面例として、オフライン解析条件設定画面である画面２２０１を示す。この画面２２０１は、オフライン解析の実施のための学習期間、および処理パラメータを含む解析条件を設定するＧＵＩを有する。オフライン解析は、任意のタイミングでのユーザの指示に応じた解析（図３等の一連の処理を含む）である。この画面では、算出された学習結果をオフライン解析条件のレシピとして登録することもできる。過去のセンサ信号１０２は、設備ＩＤおよび時刻と対応付けられてデータ蓄積部１０３のＤＢに保存されているものとする。
【0111】
この画面２２０１では、対象設備、学習期間、評価期間、および異常測度算出パラメータ等を入力できる。設備ＩＤ欄２２０２では、対象とする設備１０１のＩＤが入力される。設備リスト表示ボタン２２０３の押下により図３のデータ蓄積部１０３に保存されているデータに基づいて設備ＩＤリストが表示される。ユーザＵ１はそのリストから設備ＩＤを選択入力できる。異常検知装置１に接続される設備１０１が１台のみの場合には、設備ＩＤ欄２２０２の表示は不要である。学習期間欄２２０４では、学習データを抽出したい期間である学習期間の開始日と終了日を入力できる。評価期間欄２２０５では、異常検知の解析対象としたい期間である評価期間の開始日と終了日を入力できる。センサ選択欄２２０６では、処理に使用するセンサ（対応するセンサＩＤ）を入力できる。リスト表示ボタン２２０７の押下によりセンサリスト２２０８が表示される。センサリスト２２０８には、設備１０１に関連付けられる複数のセンサ５の情報が候補として表示される。ユーザＵ１は、そのリストから１つ以上のセンサを選択入力できる。センサ選択欄２２０６では、除外するセンサを指定できるようにしてもよい。図３のセンサ信号１０２の入力時には、ここで選択されたセンサの情報のみが入力される。
【0112】
センサ分類パラメータ欄２２０９では、図５のステップＳ５０４で使用する基準値を入力できる。本例では、この基準値は、相関値のしきい値である。相関値がこの基準値を超えたセンサ５が、気温との相関が高い第１種センサとして分類される。異常測度算出パラメータ欄２２１０では、異常測度の算出において使用するパラメータを入力できる。本例は、局所部分空間法を採用した場合の例であり、近傍ベクトル数と正則化パラメータを入力できる。正則化パラメータは、式２において相関行列Ｃの逆行列が算出できことを防ぐため、対角成分に加算する小さい数である。
【0113】
分布密度画像作成パラメータ欄２２１１（言い換えると二次元ヒストグラム算出パラメータ欄）では、分布密度画像の作成において使用するパラメータとして、例えば画像サイズ、およびそのうちの正常範囲に対応するサイズの情報を入力できる。異常区間抽出パラメータ欄２２１２では、異常区間の抽出において異常検知が連続しているとみなす中断期間（言い換えると許容間隙）の最大長さを入力できる。
【0114】
以上のようなオフライン解析条件情報の入力・確定後、ユーザＵ１は、実行ボタン２２１４によって、上記オフライン解析条件でのオフライン解析を実行させるように異常検知装置１に指示できる。異常検知装置１は、実行指示に従い、まず、学習期間の気温およびセンサ信号を用いて、図５に従ってセンサ分類を行う。続いて、異常検知装置１は、図７、図９、図１３に従って、学習を実行する。
【0115】
異常検知装置１は、学習の結果として、下記のようなデータ・情報を、学習結果蓄積部１１１に保存しておく。
・ステップＳ７０２で算出された、センサ信号毎の平均と標準偏差
・ステップＳ７０３で抽出された、学習期間の全特徴ベクトルのデータ
・ステップＳ７０８で算出された、しきい値
・ステップＳ９０４，Ｓ９０５で算出された、各センサ信号の処理対象範囲と刻み幅
・ステップＳ９１０で作成された、総当り分布密度画像
・ステップＳ１３０３，Ｓ１３０４で算出された、気温データの処理対象範囲と刻み幅
・ステップＳ１３０９で作成された、横軸が気温の分布密度画像
・ステップＳ１３１０で設定された、相関維持範囲。
・ステップＳ７０２で算出された、センサ信号毎の平均と標準偏差
・ステップＳ７０３で抽出された、学習期間の全特徴ベクトルのデータ
・ステップＳ７０８で算出された、しきい値
・ステップＳ９０４，Ｓ９０５で算出された、各センサ信号の処理対象範囲と刻み幅
・ステップＳ９１０で作成された、総当り分布密度画像
・ステップＳ１３０３，Ｓ１３０４で算出された、気温データの処理対象範囲と刻み幅
・ステップＳ１３０９で作成された、横軸が気温の分布密度画像
・ステップＳ１３１０で設定された、相関維持範囲。
【0116】
さらに、異常検知装置１は、学習期間および評価期間のセンサ信号を用いて、図１５に従って、異常測度を算出し、正常／異常の判定を行い、判定結果を、異常測度およびしきい値と併せて保存しておく。ただし、学習期間のデータについては、図７のステップＳ７０７で算出した異常測度を用いて、正常か異常かの判定が行われる。
【0117】
次に、異常検知装置１は、図１６に従って、異常区間を抽出し、異常区間毎に孤立度を算出して、異常関連センサを特定する。異常検知装置１は、表示のため、各異常区間の開始時刻、終了時刻、孤立度、特定された関連センサ名、および異常プロット画像を保存しておく。
【0118】
次に、異常検知装置１は、図１９に従って、異常区間毎に、気温との相関が高い各センサについて、異常なし、季節変動、異常あり、のいずれのステータスかを判別する。異常検知装置１は、処理結果として、ステップＳ１９０４で作成した横軸が気温の異常プロット画像、およびステップＳ１９０５の判別結果を保存しておく。
【0119】
【0120】
異常検知装置１は、上記のようなオフライン解析の終了後、後述する結果表示画面を表示する。ユーザＵ１によるその結果表示画面での確認が終了した後、図２２のオフライン解析条件設定画面に戻る。画面２２０１のレシピ名欄２２１３では、上記のような学習結果および解析結果と入力情報とで構成されるオフライン解析条件を、レシピとして設定できる。ユーザＵ１は、レシピ名欄２２１３でレシピ名を入力し、登録ボタン２２１５によって、レシピとして登録／更新できる。異常検知装置１は、学習結果および解析結果等によるオフライン解析条件を、設備ＩＤやレシピ名と対応付けて、学習結果蓄積部１１１に保存する。上記学習結果（対応するオフライン解析条件）には、学習実行により作成・保存されたデータの他に、上記各欄で入力されたセンサ分類パラメータ、異常測度算出パラメータ、分布密度画像作成パラメータ、および異常区間抽出パラメータが含まれる。
【0121】
異常検知装置１は、終了ボタン２２１６に応じて、本画面を終了する。この終了の際に、学習結果および解析結果のデータがある場合には、それらのデータが削除されるか、もしくは、残しておいたデータが次回に実行される学習・解析によって上書きされる。
【0122】
上記画面２２０１で登録された学習結果（対応するオフライン解析条件のレシピ）は、活性か不活性かのラベルを付けて管理される。ユーザＵ１は、複数の学習結果（対応するオフライン解析条件のレシピ）のそれぞれに対し、ラベルを設定できる。活性ラベルが付いたオフライン解析条件は、オンライン解析でもオンライン解析条件として適用される。
【0123】
上記のようにしてレシピが登録された以降では、指定された評価期間について、オンライン解析が自動的に実行される。オンライン解析では、異常検知装置１は、新しく入力されたセンサ信号１０２等のデータに対し、設備ＩＤが一致する活性の学習結果等のオンライン解析条件情報を用いて、図１５、図１６、図１９、図２０、図２１等の処理を行う。異常検知装置１は、処理結果を、レシピ名および処理日時等と対応付けて、学習結果蓄積部１１１に保存しておく。これらのオンライン解析の処理は、対象の設備１０１等に応じて、予め設定された期間や日時で、例えば定期として１日毎に実行される。サンプリング間隔が短い設備１０１やリアルタイム性が求められる設備１０１については、オンライン解析の実行の間隔は、１日よりももっと短い間隔（例えば１時間等）に設定できる。
【0124】
［ＧＵＩ（２）］
図２３は、第２画面例として、オンライン解析結果の表示対象を指定するための画面２３０１を示す。ユーザＵ１は、この画面２３０１で、表示対象の設備１０１、レシピ、および期間を指定できる。初めに、ユーザＵ１は、設備ＩＤ選択欄２３０２で設備ＩＤを選択する。次に、ユーザＵ１は、レシピ名選択欄２３０３で、設備ＩＤ選択欄２３０２の設備ＩＤを対象としたレシピのリストから、表示対象のレシピを選択する。
図２３は、第２画面例として、オンライン解析結果の表示対象を指定するための画面２３０１を示す。ユーザＵ１は、この画面２３０１で、表示対象の設備１０１、レシピ、および期間を指定できる。初めに、ユーザＵ１は、設備ＩＤ選択欄２３０２で設備ＩＤを選択する。次に、ユーザＵ１は、レシピ名選択欄２３０３で、設備ＩＤ選択欄２３０２の設備ＩＤを対象としたレシピのリストから、表示対象のレシピを選択する。
【0125】
データ記録期間欄２３０４では、入力されたレシピを用いて処理され記録が残されている期間であるデータ記録期間の開始日と終了日が表示される。結果表示期間欄２３０５では、オンライン解析結果を表示したい期間である結果表示期間の開始日と終了日を指定・入力できる。表示ボタン２３０６に応じて、画面２３０１での表示対象指定に従って、オンライン解析での異常検知処理の検知結果が表示される。終了ボタン２３０７に応じて画面２３０１が終了する。
【0126】
［ＧＵＩ（３－１）］
図２４～図２７は、異常検知装置１による解析結果（オフラインまたはオンラインでの検知結果）を表示する各画面例を示す。図２４～図２７の画面は、上部に複数のタブを有する。ユーザＵ１によるタブの選択に応じて、タブ毎に対応付けられた図２４～図２７のような画面のいずれかに切り替えられて表示される。図２４はセンサ分類結果表示画面２４００、図２５は異常検知結果全体表示画面２５００、図２６は異常検知結果拡大表示画面２６００、図２７は関連センサ特定結果表示画面２７００を示す。
図２４～図２７は、異常検知装置１による解析結果（オフラインまたはオンラインでの検知結果）を表示する各画面例を示す。図２４～図２７の画面は、上部に複数のタブを有する。ユーザＵ１によるタブの選択に応じて、タブ毎に対応付けられた図２４～図２７のような画面のいずれかに切り替えられて表示される。図２４はセンサ分類結果表示画面２４００、図２５は異常検知結果全体表示画面２５００、図２６は異常検知結果拡大表示画面２６００、図２７は関連センサ特定結果表示画面２７００を示す。
【0127】
図２４のセンサ分類結果表示画面２４００では、気温信号データと、気温との相関が高い第１種センサの時系列グラフと、横軸が気温である第２分布密度画像とが表示される。期間表示欄２４０１には、オフライン解析結果を表示する場合、図２２で指定された学習期間および評価期間が表示される。期間表示欄２４０１には、オンライン解析結果を表示する場合、レシピに対応する学習期間および評価期間が表示される。本例では、学習期間は２００９年１月１日から３月３１日までの３か月である。評価期間は、２００９年４月１日から１１月３０日までの８か月である。
【0128】
気温表示欄２４０２には、学習期間および評価期間の気温データ２４０２ａが時系列グラフとして表示される。第１センサ信号表示欄２４０３には、気温との相関が最も高いセンサ信号２４０３ａの時系列グラフと、そのセンサ信号を縦軸、気温を横軸とした分布密度画像２４０３ｂとが表示される。第２センサ信号表示欄２４０４には、気温との相関が２番目に高いセンサについて同様の情報（２４０４ａ，２４０４ｂ）が表示される。第３センサ信号表示欄２４０５には、気温との相関が３番目に高いセンサについて同様の情報（２４０５ａ，２４０５ｂ）が表示される。本例では、ある設備１０１の複数（ｍ＝１６）のセンサ５（センサ００，０１，……，１５）のうち、気温との相関が高い順に、「センサ１５」、「センサ１１」、「センサ０２」である。本例では、センサ信号表示欄の数が３であるが、これに限らず、この数は、気温との相関が高いセンサとして分類された数と同数になり、データおよび基準値に応じてこの欄の表示が自動的に変化する。
【0129】
日付バー２４０６には、時系列グラフの横軸の時間に対応する日付が表示されている。期間が長いために画面内に表示しきれない場合には、スクロールバー等によってユーザＵ１が表示する期間を選択できる。終了ボタン２４０７に応じて本画面が終了する。なお、変形例として、センサ分類画面２４００では、他に、複数のセンサ信号の情報（２４０３～２４０５）について、気温との相関の順序や、相関値を表示してもよい。
【0130】
［ＧＵＩ（３－２）］
図２５の異常検知結果全体表示画面２５００では、指定された期間での異常測度、しきい値、および判定結果、ならびにセンサ信号の時系列グラフが表示される。期間表示欄２５０１には、オフライン解析結果を表示する場合には図２２で指定された学習期間および評価期間が表示され、オンライン解析結果を表示する場合には図２３で指定された結果表示期間が表示される。表示内容欄２５０２では、欄２５０２ａで、表示中の解析結果が季節変動除去前のものか除去後のものかが表示される。除去前とは、図６のステップＳ６０７までに相当する。除去後とは、ステップＳ６１０までの処理を行った後に相当する。
図２５の異常検知結果全体表示画面２５００では、指定された期間での異常測度、しきい値、および判定結果、ならびにセンサ信号の時系列グラフが表示される。期間表示欄２５０１には、オフライン解析結果を表示する場合には図２２で指定された学習期間および評価期間が表示され、オンライン解析結果を表示する場合には図２３で指定された結果表示期間が表示される。表示内容欄２５０２では、欄２５０２ａで、表示中の解析結果が季節変動除去前のものか除去後のものかが表示される。除去前とは、図６のステップＳ６０７までに相当する。除去後とは、ステップＳ６１０までの処理を行った後に相当する。
【0131】
欄２５０２ａは、最初、「季節変動除去前」となっている。すなわち、この時の異常検知結果全体表示画面２５００では、季節変動除去前のデータが表示される。切替ボタン２５０２ｂにより、欄２５０２ａの表示内容を「季節変動除去前」に切り替えることができる。切り替えに伴い、異常検知結果全体表示画面２５００には、季節変動除去後のデータが表示される。この切り替えは、他のタブの、異常検知結果拡大表示画面２６００や関連センサ特定結果表示画面２７００にも反映される。図示しないが、季節変動除去後の画面でのデータの表示では、「季節変動」ステータスに該当するデータ部分が除去されており、異常測度２５０４ａ、判定結果２５０４ｃ、各センサ信号のグラフの値や形状が、除去前とは異なるものとなる。
【0132】
異常測度欄２５０４には、指定された期間（学習期間・評価期間あるいは結果表示期間）での異常測度２５０４ａの時系列グラフ、しきい値２５０４ｂ、および判定結果２５０４ｃが表示される。判定結果２５０４ｃは、例えば「異常なし」を値０、「異常あり」を値１（例えば赤色）として、時点毎に２値の線で表示される。
【0133】
第１センサ信号欄２５０５には、センサ欄２５０５ａで指定されたセンサ５について、上記指定された期間での時系列センサ信号２５０５ｂのグラフが表示される。第２センサ信号欄２５０６、第３センサ信号欄２５０７でも、同様に、それぞれ指定されたセンサについての情報が表示される。ユーザＵ１は、任意のセンサ５を指定して情報を表示可能である。本例では、第１センサ信号欄２５０５に「センサ１１」の情報、第２センサ信号欄２５０６に「センサ００」の情報、第３センサ信号欄２５０７に「センサ１５」の情報が表示されている。本例ではセンサ信号欄の数を３としたが、これに限らずに表示可能である。日付バー２５０８には、時系列グラフの横軸の時間に対応する日付が表示されている。カーソル２５０９は、時刻指定ボタンであり、後述の拡大表示の際の起点を表し、ユーザＵ１によるマウス等の操作によって移動できる。表示日数指定欄２５１０には、解析結果拡大表示画面２６００での拡大表示の起点から終点までの日数が表示日数として表示され、この欄でも入力・指定可能である。日付表示欄２５１１には、カーソル２５０９の位置での日付や日時が表示される。終了ボタンに応じて画面が終了する。
【0134】
ユーザＵ１は、上記画面を見ることで、異常測度、しきい値、および設備状態の判定結果または検知結果のグラフ（２５０４）と、気温との相関が高い第１種センサ信号のグラフとの比較で詳細を確認できる。変形例として以下も可能である。上記のような画面では、季節変動の除去前と除去後の情報を並列に表示し、比較できるようにしてもよい。例えば、縦や横の方向で、同種の情報が単位等を揃えて並べて表示される。ユーザＵ１は、上記切り替えや並列の表示によって、除去前後の情報をわかりやすく確認できる。
【0135】
［ＧＵＩ（３－３）］
図２６の異常検知結果拡大表示画面２６００では、異常検知結果全体表示画面２５００のカーソル２５０９で指定された日付を起点として表示日数指定欄２５１０で指定された表示日数の期間における、異常測度、しきい値、判定結果、およびセンサ信号の時系列グラフが表示される。すなわち、異常測度欄２６０４およびセンサ信号欄２６０５～２６０７では、図２５と同様の情報が、指定された期間で拡大表示される。日付バー２６０８は、例えば表示日数が２日であり、６月２２日と２３日が表示されている。異常検知結果拡大表示画面２６００では、スクロールバー２６１１およびスクロールバー領域２６１２が追加表示されている。スクロールバー領域２６１２の全体の長さは、異常検知結果全体表示画面２５００での表示期間に相当する長さである。スクロールバー２６１１の長さは、表示日数指定欄２５１０で指定された日数に対応した長さとされている。スクロールバー２６１１の左端が拡大表示の起点に対応し、右端が拡大表示の終点に対応する。ユーザＵ１はスクロールバー２６１１の操作によって、拡大表示の起点を変更できる。この変更は、異常検知結果全体表示画面２５００のカーソル２５０９の位置と日付表示欄２５１１の表示にも反映される。
図２６の異常検知結果拡大表示画面２６００では、異常検知結果全体表示画面２５００のカーソル２５０９で指定された日付を起点として表示日数指定欄２５１０で指定された表示日数の期間における、異常測度、しきい値、判定結果、およびセンサ信号の時系列グラフが表示される。すなわち、異常測度欄２６０４およびセンサ信号欄２６０５～２６０７では、図２５と同様の情報が、指定された期間で拡大表示される。日付バー２６０８は、例えば表示日数が２日であり、６月２２日と２３日が表示されている。異常検知結果拡大表示画面２６００では、スクロールバー２６１１およびスクロールバー領域２６１２が追加表示されている。スクロールバー領域２６１２の全体の長さは、異常検知結果全体表示画面２５００での表示期間に相当する長さである。スクロールバー２６１１の長さは、表示日数指定欄２５１０で指定された日数に対応した長さとされている。スクロールバー２６１１の左端が拡大表示の起点に対応し、右端が拡大表示の終点に対応する。ユーザＵ１はスクロールバー２６１１の操作によって、拡大表示の起点を変更できる。この変更は、異常検知結果全体表示画面２５００のカーソル２５０９の位置と日付表示欄２５１１の表示にも反映される。
【0136】
［ＧＵＩ（３－４）］
図２７の関連センサ特定結果表示画面２７００では、指定された期間の異常測度、しきい値、および判定結果と、選択された異常区間の異常関連センサ特定結果と、季節変動判別結果とが表示される。この関連センサ特定結果表示画面２７００は、異常区間番号欄２７０１、関連センサ特定欄２７０２、および季節変動判別結果欄２７０６を有する。
図２７の関連センサ特定結果表示画面２７００では、指定された期間の異常測度、しきい値、および判定結果と、選択された異常区間の異常関連センサ特定結果と、季節変動判別結果とが表示される。この関連センサ特定結果表示画面２７００は、異常区間番号欄２７０１、関連センサ特定欄２７０２、および季節変動判別結果欄２７０６を有する。
【0137】
期間表示欄２５０１、表示内容欄２５０２、および異常測度欄２５０３は、異常検知結果全体表示画面２５００での表示と同じものである。この画面でも、切替ボタンによって、季節変動除去前と季節変動除去後とを切り替え可能であり、その切り替えは他のタブの画面にも反映される。
【0138】
異常区間番号欄２７０１には、選択中の異常区間を表す番号と、その異常区間の日時とが表示される。最初は、日付バー上のカーソル２５０９で示された日付の最初の異常区間が選択表示されている。その日付の異常区間が無い場合には、空白となり、関連センサ特定結果、および季節変動判別結果ともに表示されない。ユーザＵ１は、異常区間番号欄２７０１内の矢印ボタンによって、前または次の異常区間を選択できる。空白の場合には、カーソル２５０９で示された日付の前または後で最も近い異常区間が選択表示される。また、ユーザＵ１は異常区間番号を直接入力して指定することもできる。カーソル２５０９の位置は、選択中の異常区間の日付に変更される。この変更は、他のタブの画面にも反映される。
【0139】
関連センサ特定欄２７０２は、孤立度欄２７０３、および異常プロット画像欄２７０４を有する。孤立度欄２７０３には、選択された異常区間での孤立度が表示される。この欄のグラフの横軸は複数のセンサ５の各センサ名やセンサＩＤ（例えばセンサ００，０１，……，１５）等であり、縦軸はセンサ５毎の孤立度である。この孤立度は、表示内容欄２５０２での表示が「季節変動除去前」である場合には、図１６で算出される孤立度、「季節変動除去後」である場合には図２０で算出される孤立度が表示される。
【0140】
異常プロット画像欄２７０４では、選択された異常区間での異常プロット画像として、例えば異常プロット画像２７０４ａ，２７０４ｂ，２７０４ｃが表示される。この異常プロット画像は、「季節変動除去前」である場合には図１６のステップＳ１６１３、「季節変動除去後」である場合には図２０のステップＳ２００９で作成された異常プロット画像が表示される。本例では、これらの異常プロット画像は、２個のセンサ５の組合せでの第１分布密度画像上に異常のデータ値がプロットされた画像である。また、複数の異常プロット画像は、図１８のステップＳ１８０１の第１ループにおいてステップＳ１８０６で作成される順序で例えば左から右に向かって表示される。異常プロット画像の数は区間によって異なる。画面内に複数の画像が表示しきれない場合には、異常プロット画像欄２７０４の矢印ボタン等の操作によって、表示される異常プロット画像を左または右にずらす等の変更ができる。
【0141】
季節変動判別結果欄２７０６では、選択された異常区間について、図１９のステップＳ１９０４で作成された、気温が横軸である異常プロット画像、例えば異常プロット画像２７０６ａ，２７０６ｂ，２７０６ｃが表示される。この異常プロット画像では、前述の図１４のように相関維持範囲を表す画像を重ねて表示してもよい。また併せて、各異常プロット画像には、図１９のステップＳ１９０５の判別結果のステータス２７０８として、「季節変動」、「異常あり」等が表示される。なお、季節変動判別結果欄２７０６での複数の異常プロット画像の表示の数や順序は、図２４の複数のセンサ信号のデータの表示と同様に、例えば気温との相関が高い順序等で統一する。ユーザＵ１は、このような異常プロット画像を見ることで、気温との相関が高いセンサ信号、異常データ値、および判別結果ステータス等をわかりやすく確認できる。また、ユーザＵ１は、関連センサ特定欄２７０２（２７０３，２７０４）の表示を併せて見ることで、季節変動除去前後の検知結果についての詳細を確認できる。
【0142】
［異常プロット画像の例］
図２８は、異常プロット画像の一例を示す。ユーザＵ１は、図２７のような画面で、異常プロット画像を選択し、画面に詳細表示させて確認することもできる。（Ａ）は異常プロット画像２７０１ａ、（Ｂ）は異常プロット画像２７０１ｂ、（Ｃ）は異常プロット画像２７０１ｃの詳細表示である。（Ａ）の異常プロット画像２７０１ａで、破線枠で示す部分２８０１は、分布密度が高い正常データに相当し、グレイで表示されている。部分２８０２は、赤色で表示されている。この部分２８０２は、図１４の相関維持の範囲１４０１内の点Ｃと同様に、相関維持範囲２８０３内にあり、相関が維持されているデータ例である。そのため、このデータは、「季節変動」ステータスと判別されている。
図２８は、異常プロット画像の一例を示す。ユーザＵ１は、図２７のような画面で、異常プロット画像を選択し、画面に詳細表示させて確認することもできる。（Ａ）は異常プロット画像２７０１ａ、（Ｂ）は異常プロット画像２７０１ｂ、（Ｃ）は異常プロット画像２７０１ｃの詳細表示である。（Ａ）の異常プロット画像２７０１ａで、破線枠で示す部分２８０１は、分布密度が高い正常データに相当し、グレイで表示されている。部分２８０２は、赤色で表示されている。この部分２８０２は、図１４の相関維持の範囲１４０１内の点Ｃと同様に、相関維持範囲２８０３内にあり、相関が維持されているデータ例である。そのため、このデータは、「季節変動」ステータスと判別されている。
【0143】
（Ｂ）の異常プロット画像２７０１ｂで、部分２８１１は、正常データに相当し、グレイで表示されている。部分２８１２は、赤色で表示されている。この部分２８１２は、部分２８１１から離れ、対応する相関維持範囲２８１３の外に出る部分を有し、相関が維持されていないデータ例である。そのため、このデータは、「季節変動」ではなく、「異常あり」と判別されている。（Ｃ）の異常プロット画像２７０１ｃで、部分２８２１は、正常データに相当し、グレイで表示されている。部分２８２２は、赤色で表示されている。この部分２８２２は、部分２８２１から離れ、対応する相関維持範囲２８２３の外に出る部分を有し、相関が維持されていないデータ例である。そのため、このデータは、「季節変動」ではなく、「異常あり」と判別されている。
【0144】
［効果等］
以上説明したように、実施の形態１の異常検知装置等によれば、設備１０１が出力する複数の時系列センサ信号に基づいた異常検知等の際に、季節変動を考慮して異常判定・検知の誤りを低減できる。また、実施の形態１によれば、学習期間を１年以上と長期にする必要無く、設備１０１の異常について、季節変動に起因する異常とそうではない異常とを自動的に判別でき、季節変動の影響を低減・除去した結果を出力できる。
以上説明したように、実施の形態１の異常検知装置等によれば、設備１０１が出力する複数の時系列センサ信号に基づいた異常検知等の際に、季節変動を考慮して異常判定・検知の誤りを低減できる。また、実施の形態１によれば、学習期間を１年以上と長期にする必要無く、設備１０１の異常について、季節変動に起因する異常とそうではない異常とを自動的に判別でき、季節変動の影響を低減・除去した結果を出力できる。
【0145】
実施の形態１によれば、気温との相関に基づいてセンサ５を分類するので、学習期間が１年未満であっても、季節変動の影響を受けるセンサ５を知ることができる。実施の形態１によれば、それらのセンサ５と気温との相関が維持されているかどうかを調べる。これにより、実施の形態１では、異常有無（正常／異常）の判定結果から、さらに、「季節変動」と、季節変動起因ではない異常有無（「異常なし」／「異常あり」）とに判別できる。実施の形態１によれば、季節変動判別結果として、横軸が気温である異常プロット画像を画面に表示でき、気温との相関が維持されているかどうかや、季節変動起因による異常であるかどうか等をユーザＵ１が確認・納得しやすい。実施の形態１によれば、季節変動の除去前と除去後との各検知結果を画面に表示できるので、ユーザＵ１が季節変動の影響の有無等を確認でき、除去後では季節変動以外の要因による異常現象を把握できる。
【0146】
以上では、季節によって変動するパラメータ（季節変動値）として気温を用いる例を説明した。その他にも、降水量、風向・風速、日射量、気圧、湿度等のパラメータについても、季節によって変動するパラメータである。実施の形態１での気温を、これらの季節変動値のうちのいずれかと置き換えた形態も、同様に可能である。また、複数の季節変動値を入力として、同様の処理を行い、季節変動判別および季節変動除去等を行う形態も、同様に可能である。
【0147】
また、気温あるいは他の季節変動値について、図１のように設備１０１の付近に専用のセンサ（例えば気温センサ６）を設置してデータを取得する形態としてもよいが、これに限らず可能である。異常検知装置１（例えばサーバ１０）は、設備１０１の外部、例えば通信網９上の気象庁のホームページ（Ｗｅｂサービス）等から、定期的に、各地の気温や季節変動値のデータをダウンロードして取得しＤＢに格納しておく形態でもよい。
【0148】
以上、本発明を実施の形態に基づき具体的に説明したが、本発明は前記実施の形態に限定されず、その要旨を逸脱しない範囲で種々変更可能である。
【符号の説明】
【0149】
１…異常検知装置、５…センサ、９…通信網、１０…サーバ、２０…クライアント端末、５０…通信デバイス、１０１…設備、１０２…センサ信号、１０３…データ蓄積部、１０４…気温信号、１０５…センサ分類部、１０６…信号入力部、１０７…特徴ベクトル抽出部、１０８…異常測度算出部、１０９…しきい値算出部、１１０…分布密度画像作成部、１１１…学習結果蓄積部、１１２…異常検出部、１１３…関連センサ特定部、１１４…季節変動判別部、１１５…季節変動除去部、１１６…検知結果出力部、１５０…通信信号、１６０…検知結果、Ｕ１…ユーザ。
【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】
【図14】
【図15】
【図16】
【図17】
【図18】
【図19】
【図20】
【図21】
【図22】
【図23】
【図24】
【図25】
【図26】
【図27】
【図28】