特許 7646938 異常検知システム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B1)

(11)【特許番号】

(24)【登録日】2025-03-07

(45)【発行日】2025-03-17

(54)【発明の名称】異常検知システム

(51)【国際特許分類】

   G05B 23/02 20060101AFI20250310BHJP

   G06N 20/00 20190101ALI20250310BHJP

   G01M 99/00 20110101ALI20250310BHJP

【ＦＩ】

G05B23/02 302R

G06N20/00 130

G01M99/00 Z

【請求項の数】 7

(21)【出願番号】P 2024203301

(22)【出願日】2024-11-21

【審査請求日】2024-11-21

【早期審査対象出願】

(73)【特許権者】

【識別番号】000220262

【氏名又は名称】東京瓦斯株式会社

(74)【代理人】

【識別番号】100104880

【弁理士】

【氏名又は名称】古部 次郎

(72)【発明者】

【氏名】石丸 亮哉

(72)【発明者】

【氏名】波多江 徹

【審査官】田中 友章

(56)【参考文献】

【文献】特開２０２２－０３５６８６（ＪＰ，Ａ）

【文献】特開２０２１－１２１８８８（ＪＰ，Ａ）

【文献】国際公開第２０２３／１８８０５２（ＷＯ，Ａ１）

【文献】国際公開第２０２３／０４２３７４（ＷＯ，Ａ１）

【文献】米国特許第１１０８０１２７（ＵＳ，Ｂ１）

【文献】米国特許出願公開第２０２１／０１１６９０４（ＵＳ，Ａ１）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０５Ｂ ２３／０２

Ｇ０１Ｍ ９９／００

Ｇ０６Ｎ ２０／００

(57)【特許請求の範囲】

【請求項1】

プロセッサを備え、
前記プロセッサは、
異常検知対象から複数の運転データを取得し、
前記異常検知対象が正常であるのに人間が異常である旨を示す偽陽性データまたは他の推論装置が異常である旨を示す偽陽性データを含む前記複数の運転データを、初期の学習データとして未だ学習を行っていない学習モデルに学習させる
ことを特徴とする異常検知システム。

【請求項2】

前記複数の運転データは、前記偽陽性データと前記偽陽性データ以外のデータを含み、
前記複数の運転データのうち前記偽陽性データを優先的に、前記初期の学習データとして学習モデルに学習させることを特徴とする請求項１記載の異常検知システム。

【請求項3】

前記偽陽性データだけを前記初期の学習データとして学習モデルに学習させることを特徴とする請求項２記載の異常検知システム。

【請求項4】

前記偽陽性データ以外のデータには、偽陽性データと類似したデータを含み、
前記複数の運転データのうち前記偽陽性データおよび／または前記偽陽性データと類似したデータを優先的に、前記初期の学習データとして学習モデルに学習させることを特徴とする請求項２記載の異常検知システム。

【請求項5】

プロセッサを備え、
前記プロセッサは、
推論対象の運転データを読み込み、
異常検知対象が正常であるのに人間が異常である旨を示す偽陽性データまたは他の推論装置が異常である旨を示す偽陽性データを含む過去の複数の運転データを初期の学習データとして未だ学習を行っていない学習モデルに学習させ学習を終えた当該学習モデルを取得し、
取得した前記学習モデルを用いて、前記推論対象の運転データが前記異常検知対象の異常を示すか否かを検知する
ことを特徴とする異常検知システム。

【請求項6】

前記学習モデルを、前記異常検知対象と異なる異常検知対象に対して転用することができることを特徴とする請求項５記載の異常検知システム。

【請求項7】

前記複数の運転データは、前記異常検知対象の振動から取得される振動データであり、
前記学習モデルは、前記振動データの特徴を学習することを特徴とする請求項１または請求項５記載の異常検知システム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、異常検知システムに関する。

【背景技術】

【0002】

特許文献１は、故障検知対象の誤検知を低減させることが可能な学習データを選択することができる学習データ選択装置を提供することを課題としている。特許文献１には、この課題を解決するために、学習モデルの再学習に用いる学習データとして、偽陽性の検知データに係るセンサデータを選択することが開示されている。

【先行技術文献】

【特許文献】

【0003】

【文献】国際公開ＷＯ２０２３／１８８０５２号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

例えば、生産設備等の異常検知対象から取得したデータに対して学習モデルを利用する場合、整備直後データは、多くの場合、その構造が単純であり、学習モデルにとって異常検知が簡単なデータとなる。一方で、前回整備から長い時間経過した後のデータなどは、設備状態の変化とともにその構造が複雑化し、学習モデルにとって異常検知が難しいデータとなる場合がある。そこで、学習モデルの再学習に用いる学習データとして、異常検知対象が正常であるのに異常である旨を示す偽陽性データを学習させ、予想性能を向上させる方法がある。しかし、これにより再学習ができたとしても、元となる初期モデルの品質が低い場合、再学習後のモデルの予想性能に悪影響を及ぼす可能性がある。
本発明は、学習モデルの再学習のみに偽陽性データを用いる場合と比較して、予想性能をより高めた学習モデルを用いた異常検知システ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】

【0005】

請求項１に記載の発明は、プロセッサを備え、前記プロセッサは、異常検知対象から複数の運転データを取得し、前記異常検知対象が正常であるのに人間が異常である旨を示す偽陽性データまたは他の推論装置が異常である旨を示す偽陽性データを含む前記複数の運転データを、初期の学習データとして未だ学習を行っていない学習モデルに学習させることを特徴とする異常検知システムである。
請求項２に記載の発明は、前記複数の運転データは、前記偽陽性データと前記偽陽性データ以外のデータを含み、前記複数の運転データのうち前記偽陽性データを優先的に、前記初期の学習データとして学習モデルに学習させることを特徴とする請求項１記載の異常検知システムである。
請求項３に記載の発明は、前記偽陽性データだけを前記初期の学習データとして学習モデルに学習させることを特徴とする請求項２記載の異常検知システムである。
請求項４に記載の発明は、前記偽陽性データ以外のデータには、偽陽性データと類似したデータを含み、前記複数の運転データのうち前記偽陽性データおよび／または前記偽陽性データと類似したデータを優先的に、前記初期の学習データとして学習モデルに学習させることを特徴とする請求項２記載の異常検知システムである。
請求項５に記載の発明は、プロセッサを備え、前記プロセッサは、推論対象の運転データを読み込み、異常検知対象が正常であるのに人間が異常である旨を示す偽陽性データまたは他の推論装置が異常である旨を示す偽陽性データを含む過去の複数の運転データを初期の学習データとして未だ学習を行っていない学習モデルに学習させ学習を終えた当該学習モデルを取得し、取得した前記学習モデルを用いて、前記推論対象の運転データが前記異常検知対象の異常を示すか否かを検知することを特徴とする異常検知システムである。
請求項６に記載の発明は、前記学習モデルを、前記異常検知対象と異なる異常検知対象に対して転用することができることを特徴とする請求項５記載の異常検知システムである。
請求項７に記載の発明は、前記複数の運転データは、前記異常検知対象の振動から取得される振動データであり、前記学習モデルは、前記振動データの特徴を学習することを特徴とする請求項１または５記載の異常検知システムである。

【発明の効果】

【0006】

本発明は、学習モデルの再学習のみに偽陽性データを用いる場合と比較して、予想性能をより高めた学習モデルを用いた異常検知システムを提供することができる。

【図面の簡単な説明】

【0007】

【図1】（ａ）、（ｂ）は、異常検知システムの全体構成を示した図である。

【図2】（ａ）、（ｂ）は、学習装置または推論装置の機能構成を示した図である。

【図3】データ蓄積装置、学習装置、推論装置のハードウェア構成である。

【図4】（ａ）～（ｃ）は、時系列に応じた振動データの特徴を示す図である。

【図5】学習装置の処理の流れを示すフローチャートである。

【図6】推論装置の処理の流れを示すフローチャートである。

【図7】学習モデルの学習対象となる学習データについて説明する図である。

【図8】偽陽性データについて説明する図である。

【図9】（ａ）、（ｂ）は、学習モデルの初期学習または再学習を示した図である。

【図10】学習済の学習モデルにより出力された異常度を時系列に応じて示したグラフである。

【図11】学習済の学習モデルの転用を示す図である。

【発明を実施するための形態】

【0008】

以下、添付図面を参照して、本発明の実施の形態について詳細に説明する。
図１（ａ）、（ｂ）は、異常検知システムの全体構成を示した図である。図１（ａ）は、学習段階における異常検知システム１の構成を示しており、図１（ｂ）は、推論段階における異常検知システム１の構成を示している。学習段階とは、学習装置１００が有する学習モデル１５０が学習を行う段階であり、推論段階とは、推論装置２００が、学習済の学習モデル１５０を利用してポンプ１０の異常検知を行う段階である。なお学習済の学習モデル１５０については図２にて後述する。

【0009】

まず、図１（ａ）に示すように、学習段階において、異常検知システム１は、異常検知対象の一例であり、人間または推論装置２００によって異常の有無を監視される機器であるポンプ１０を有する。また、異常検知システム１は、ポンプ１０の振動の状態を検出するセンサ２０を有する。さらに、異常検知システム１は、ポンプ１０の振動の状態を示すデータである振動データをセンサ２０から取得し過去の振動データとして蓄積するデータ蓄積装置３０を有する。また、異常検知システム１は、学習モデル１５０を有し運転データを学習データとして学習モデル１５０に学習させる学習装置１００を有する。さらに、異常検知システム１は、学習装置１００により学習された学習モデル１５０によりポンプ１０が異常か否かを予測する推論装置２００を有する。なお、学習装置１００により学習された学習モデル１５０は学習済の学習モデル１５０と称することがある。

【0010】

ポンプ１０は、ＬＮＧ（液化天然ガス）の受入基地において、ＬＮＧを移送するためのポンプである。ポンプ１０は人間の利用や時間経過により、設備状態が劣化する。劣化が進むと整備が必要な状態になる。人間は、データ蓄積装置３０からポンプ１０の振動データを確認し、振動データや振動データ以外の情報を基に、ポンプ１０の異常の有無を監視する。振動データ以外の情報とは、例えば、ポンプ１０の稼働音やＬＮＧの流量のデータである。そして、ポンプ１０に異常が生じていると人間が判断すると、人間によってポンプ１０を分解する。このとき、実際にポンプ１０に異常があればポンプ１０は人間によって整備される。

【0011】

センサ２０は、ポンプ１０の内部に設置される。センサ２０は、ポンプ１０の稼働により生じる振動の情報を振動データとしてデータ蓄積装置３０に出力する。振動データは運転データの一例である。なお、センサ２０は振動を検知するものでなくてもよく、流量など、ポンプ１０の他の情報を検知するセンサでもよい。

【0012】

データ蓄積装置３０は、センサ２０から取得した振動データに識別情報を付与して過去の振動データとして事前に蓄積する。また、データ蓄積装置３０は、推論装置２００から取得した振動データに識別情報を付与して過去の振動データとして事前に蓄積する。

【0013】

識別情報とは、振動データがポンプ１０の正常データかポンプの異常データかを識別するための情報である。さらに、識別情報は、振動データが後述する偽陽性データか否かを識別する情報を含む。

【0014】

ここで、正常データとは、ポンプ１０の正常を示す振動データである。例えば、正常データは、データ蓄積装置３０がセンサ２０から取得した振動データのうち、ポンプ１０を分解した結果ポンプ１０が実際に正常であったときの振動データである。また例えば、正常データは、データ蓄積装置３０が推論装置２００から取得した振動データのうち、ポンプ１０を分解した結果ポンプ１０が実際に正常であったときの振動データである。さらに例えば、正常データは、データ蓄積装置３０が、ポンプ１０が実際に正常であったときの振動データを取得するよりも前の期間に、データ蓄積装置３０がセンサ２０または推論装置２００から取得した振動データである。ポンプ１０が実際に正常であったときの振動データを取得するよりも前の期間とは、例えば、ポンプ１０を一度分解し整備した後に、再度分解を行うまでの期間である。

【0015】

また、異常データとは、ポンプ１０の異常を示す振動データである。例えば、異常データとは、ポンプ１０を分解した結果ポンプ１０が実際に異常であったときに、センサ２０から取得した振動データである。

【0016】

学習装置１００は、振動データの特徴に基づいて学習モデル１５０を学習させる学習装置である。例えば、学習装置１００は、振動データの特徴に基づいて、振動の強度や振動の周波数の特徴を学習モデル１５０に学習させる。

【0017】

次に、図１（ｂ）に示すように、推論段階において異常検知システム１は、ポンプ１０、センサ２０を有する。また、異常検知システム１は、推論装置２００を有する。推論装置２００は、センサ２０から推論対象データを取得する。推論対象データとは、識別情報が付与されておらず、ポンプの異常を示すか否かが未知な状態の振動データである。推論対象データは推論対象の運転データの一例である。推論装置２００は、推論対象データに基づいて、学習済の学習モデル１５０によりポンプ１０が異常か否かを予測する。そして、予測した結果を人間の端末等に出力する。この出力結果に応じて、ポンプ１０の整備が必要であると人間が判断すると、人間によってポンプ１０は整備される。

【0018】

図２（ａ）、（ｂ）は、学習装置１００または推論装置２００の機能構成を示した図である。図２（ａ）は、学習装置１００の機能構成を示した図である。図２（ｂ）は、推論装置２００の機能構成を示した図である。

【0019】

図２（ａ）に示すように、学習装置１００は、データ蓄積装置３０から振動データを取得する取得部１１０を有する。また、学習装置１００は、振動データに含まれる識別情報を基に、正常データか異常データかを分別する分別部１２０を有する。さらに、学習装置１００は、振動データを学習モデル１５０に入力できる形式に加工し学習データを生成する前処理部１３０を有する。さらに、学習装置１００は、学習データを学習モデル１５０に入力する入力部１４０を有する。また、学習装置１００は、ニューラルネットワーク等で実現される学習モデル１５０を有する。さらに、学習装置１００は、異常度の閾値を設定する設定部１６０を有する。

【0020】

分別部１２０は、識別情報が正常データを示している場合に、その振動データを正常データとして分別する。また、識別情報が異常データを示している場合は、その振動データを異常データとして分別する。

【0021】

入力部１４０は、前処理部１３０により加工された振動データのうち、データ蓄積装置３０がセンサ２０から取得した複数の振動データを初期の学習データとして学習モデル１５０に入力する。初期の学習データとは学習モデル１５０が初期学習を行うためのデータである。なお、ポンプ１０、推論装置２００が複数台ある場合、初期の学習データとして、一のポンプ１０の推論装置から取得した振動データ以外にも、他のポンプ１０の推論装置から取得した振動データを用いてもよい。また、初期の学習データとして、一のポンプ１０から取得した振動データ以外にも他のポンプ１０から取得した振動データを用いてもよい。

【0022】

また、入力部１４０は、データ蓄積装置３０から取得され前処理部１３０により加工された振動データのうち、データ蓄積装置３０が推論装置２００から取得した複数の振動データを、再学習の学習データとして、学習モデル１５０に入力する。再学習の学習データとは学習モデル１５０が再学習を行うためのデータである。なお、再学習の学習データとして、データ蓄積装置３０がセンサ２０から取得した複数の振動データを、再学習の学習データとして、学習モデル１５０に入力してもよい。

【0023】

学習モデル１５０は、入力部１４０の初期の学習データの入力により初期学習を行う。初期学習とは、未だ学習を行っていない学習モデル１５０が初めて行う学習である。初期学習を終えると学習モデル１５０は学習済の学習モデル１５０となる。

【0024】

学習済の学習モデル１５０は、入力部１４０の再学習の学習データの入力により、再学習を行う。再学習とは、学習を行った学習モデル１５０が、その学習から所定時間が経過した後に再度行う学習である。

【0025】

学習済の学習モデル１５０は学習データに対して、異常度を出力する。異常度とはポンプ１０の故障・劣化度合いを表す定量的な指標である。

【0026】

設定部１６０は、学習済の学習モデル１５０が出力した学習データに対する異常度を把握し、異常度の閾値を設定する。異常度の閾値とは、推論対象データが正常データか異常データかを分類するための値である。また、設定部１６０は、人間の指示等により学習の回数等を定めるハイパーパラメータ等を学習モデル１５０に設定する。

【0027】

また、図２（ｂ）に示すように、推論装置２００は、センサ２０から推論対象データを取得する推論対象データ取得部２１０を有する。また、推論装置２００は、学習装置１００から学習済の学習モデル１５０を取得する学習済の学習モデル取得部２２０を有する。さらに、推論装置２００は、推論対象データを学習モデルに入力できるように加工する前処理部２３０を有する。また、推論装置２００は、加工された推論対象データを学習済の学習モデル１５０に入力する入力部２４０を有する。学習済の学習モデル１５０から出力された異常度に基づいて、ポンプ１０が異常か否かを判定する判定部２５０を有する。

【0028】

前処理部２３０は、学習装置１００の前処理部１３０と同様の処理を推論対象データに対して行う。

【0029】

入力部２４０が学習済の学習モデル１５０に対して前処理部２３０により加工された推論対象データを入力すると、学習済の学習モデル１５０は、推論対象データと学習データとの類似度に基づき、異常度を出力する。

【0030】

判定部２５０は、学習済の学習モデル１５０が出力した異常度を判定する。学習済の学習モデル１５０から出力した異常度が閾値を超えている場合、つまり、ポンプ１０に異常があると学習モデル１５０が予測した場合、ポンプ１０に異常があると判定する。また、学習済の学習モデル１５０から出力した異常度が閾値を超えていない場合、つまり、ポンプ１０に異常がないと学習モデル１５０が予測した場合、ポンプ１０は正常であると判定する。判定部２５０は判定した結果を人間等の端末等に出力する。なお、判定部２５０による異常度の判定は学習済の学習モデル１５０が行ってもよく、学習済の学習モデル１５０が判定した結果を人間の端末等に出力してもよい。

【0031】

図３は、データ蓄積装置３０、学習装置１００、推論装置２００のハードウェア構成である。図３に示すように、データ蓄積装置３０、学習装置１００、推論装置２００を実現するコンピュータは、プログラムに従ってデジタル演算処理を実行する処理部２０１を有する。また、データ蓄積装置３０、学習装置１００、推論装置２００を実現するコンピュータは、情報を記憶する情報記憶装置２０２と、ＬＡＮ（＝Local Area Network）ケーブル等を介した通信を実現するネットワークインターフェイス２０３とを有する。

【0032】

処理部２０１は、コンピュータにより構成されている。処理部２０１は、各種の処理を実行するプロセッサの一例としてのＣＰＵ（＝Central Processing Unit）２１１を有する。また、処理部２０１は、プログラムが記憶されたＲＯＭ（Read Only Memory）２１２と、ワークエリアとして用いられるＲＡＭ（Random Access Memory）２１３とを有する。情報記憶装置２０２は、ハードディスクドライブ、半導体メモリ、磁気テープ等、既存の装置により実現される。なお、処理部２０１と、情報記憶装置２０２と、ネットワークインターフェイス２０３とは、バス２０６や不図示の信号線を通じて接続される。

【0033】

ＣＰＵ２１１によって実行されるプログラムは、磁気記録媒体（磁気テープ、磁気ディスクなど）、光記録媒体（光ディスクなど）、光磁気記録媒体、半導体メモリなどのコンピュータが読取可能な記録媒体に記憶した状態で、学習装置１００へ提供しうる。また、ＣＰＵ２１１によって実行されるプログラムは、インターネットなどの通信手段を用いて、学習装置１００へ提供してもよい。

【0034】

本実施の形態の場合、各処理は任意のコンピュータで実行される。任意のコンピュータは、ハードウェアとしてのプロセッサ、ソフトウェアとしてのプログラム、又はそれらの組み合わせとして実現してもよい。任意のコンピュータは、汎用コンピュータ、特定の用途向けコンピュータ、ワークステーション、又は、各処理を実行可能なその他のシステムでもよい。

【0035】

プロセッサは、プログラムとの協働により各種の処理を実行するよう構成される。プロセッサは、本実施の形態における各部（Ｕｎｉｔ）、又は、各手段（Ｍｅａｎｓ）として機能しうる。プロセッサによる処理の実行順序は、本実施の形態で説明する順序に限定されず、必要に応じて変更が可能である。

【0036】

プロセッサは、１又は複数のハードウェアによる構成が可能である。プロセッサを構成するハードウェアの種類は、特定の種類に限定されない。例えばプロセッサは、ＣＰＵ２１１でもよく、ＭＰＵ（＝Ｍｉｃｒｏ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）でもよく、ＦＰＧＡ（＝Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）等のプログラマブルロジックデバイスでもよく、ＡＳＩＣ（＝Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）等の特定の処理を実行させるための専用回路でもよく、ＧＰＵ（＝Ｇｒａｐｈｉｃ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）でもよく、ＮＰＵ（＝Ｎｅｕｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）等のハードウェアでもよい。

【0037】

プロセッサは、同じ種類の複数のハードウェアの組み合わせに限らず、異なる種類の複数のハードウェアの組み合わせによる構成も可能である。複数のハードウェアが、あるプロセッサの１又は複数の処理を実行するように構成される場合、複数のハードウェアは互いに物理的に離れた装置内に存在していてもよく、同じ装置内に存在してもよい。ハードウェアは、半導体素子などの回路素子を組み合わせた電気回路（ｃｉｒｃｕｉｔｒｙ）等により構成される。いずれの実施の形態においても、プロセッサによる各処理の実行順序は、各実施の形態で説明する順序に限定されず、必要に応じて変更が可能である。

【0038】

プログラムは、ファームウェアの他、マイクロコード等のソフトウェアでもよい。プログラムは、例えばプログラムモジュール群でもよい。プログラムモジュール群を構成する各機能は、各機能を実行するように構成されたプロセッサにより実現してもよい。各実施の形態におけるプログラムは、１又は複数の非一時的なコンピュータ可読媒体（例えば半導体メモリ、磁気又は光学式の記憶媒体、その他のストレージ）に保存されたプログラムコードや複数のコードセグメントでもよい。

【0039】

プログラムは、互いに物理的に離れた装置に存在する複数の非一時的なコンピュータ可読媒体に分割して保存されていてもよい。プログラムコードや複数のコードセグメントは、手順、関数、サブプログラム、ルーチン、サブルーチン、モジュール、ソフトウェアパッケージ、クラス、命令、データ構造、プログラムステートメントの任意の組み合わせで表し得る。プログラムコードや複数のコードセグメントは、情報、データ、引数、パラメータ、又はメモリの内容を送受信することで他のコードセグメント又はハードウェア回路と接続されてもよい。

【0040】

図４（ａ）～（ｃ）は、時系列に応じた振動データの特徴を示す図である。図４（ａ）は、ポンプ１０の整備直後の時期にセンサ２０から取得される振動データであり、図４（ｂ）は、中間期に取得される振動データであり、図４（ｃ）は、ポンプ１０の整備直前の時期に取得される振動データである。

【0041】

図４（ａ）に示すように、人間による整備を終えた後であり設備の摩耗や劣化が少ない整備直後においては、他の時期の振動データと比べてピークが少なく単純な構造を示す振動データがセンサ２０から出力される。

【0042】

図４（ｂ）に示すように、整備直後に比べて人間の利用や時間の経過により設備の摩耗や劣化が進んだ時期である中間期においては、整備直後の振動データよりもピークが増加・増大し構造が複雑になった振動データがセンサ２０から出力される。

【0043】

図４（ｃ）は、中間期に比べて人間の利用や時間の経過によりさらに設備の摩耗や劣化が進んだ時期でありポンプ１０が異常を示す時期である整備直前期である。この整備直前の時期においては、中間期の振動データよりもさらにピークが増加・増大し構造が複雑になった振動データがセンサ２０から出力される。

【0044】

図５は学習装置１００の処理の流れを示すフローチャートである。まず、学習装置１００の取得部１１０は、データ蓄積装置３０から過去の振動データを取得する（ステップ６０１）。つぎに、分別部１２０は、取得した振動データから正常データ・異常データを分別する（ステップ６０２）。そして、前処理部１３０は、振動データの前処理を行い、振動データを学習モデル１５０に入力可能な形式に変換する（ステップ６０３）。その後、入力部１４０は、前処理部１３０によって処理された振動データを学習データとして学習モデル１５０に入力する（ステップ６０４）。そして、学習モデル１５０は、学習データに基づいて学習を行う（ステップ６０５）。そして、設定部１６０は、学習データの入力により学習モデル１５０が出力した異常度を基に、異常度の閾値を設定する（ステップ６０６）。

【0045】

図６は推論装置２００の処理の流れを示すフローチャートである。まず、推論装置２００の推論対象データ取得部２１０は、センサ２０から推論対象データとして振動データを取得する（ステップ７０１）。そして、前処理部２３０は、振動データの前処理を行い、振動データを学習モデル１５０に入力可能な形式に変換する（ステップ７０２）。その後、学習モデル取得部２２０は、学習済の学習モデル１５０を学習装置１００から取得する（ステップ７０３）。この際、学習モデル取得部２２０は、異常度の設定閾値やハイパーパラメータ等の情報を取得する。そして、入力部２４０は、前処理部２３０によって処理された振動データを推論対象データとして学習モデル１５０に入力する（ステップ７０４）。学習済の学習モデル１５０は、推論対象データの異常度を予測する（ステップ７０５）。判定部２５０は、異常度の設定閾値を基に異常判定を行い、異常判定を出力する（ステップ７０６）。

【0046】

図７は、本実施の形態における学習モデル１５０の学習対象となる学習データについて説明する図である。ポンプ１０等の工場で使用される設備は、異常が稀にしか発生せず、ポンプ１０の正常を示す正常データよりもポンプ１０の異常を示す異常データの方が少ない。また、異常データは多種多様で全てを網羅することができない。よって、本実施の形態においては、ポンプ１０の正常データのみを学習データとして用いて、学習モデル１５０の学習を行い、正常／正常でないをモデリングする。なお、本実施の形態においては、正常データのみを学習データとして用いているが、異常データを学習データとして用いてもよい。

【0047】

図８は、偽陽性データについて説明する図である。図８に示すようにポンプ１０の振動データには、ポンプ１０が正常であったときの振動データである正常データとポンプ１０が異常であったときの振動データである異常データとがある。

【0048】

そして、正常データのうち、真陰性データは、ポンプ１０が実際に正常であり、人間または学習モデル１５０が正常である旨を示したデータである。例えば、真陰性データは、ポンプ１０の過去の分解整備事例において、一の振動データからポンプ１０が正常だと学習モデル１５０が予測して、人間がポンプ１０を分解し、実際にポンプ１０が正常であったときの一の振動データである。また、例えば、真陰性データは、一の振動データまたは一の振動データ以外の情報から、ポンプ１０が正常だと人間が予測して、人間がポンプ１０を分解し、実際にポンプ１０が正常であったときの一の振動データである。

【0049】

また、正常データのうち、偽陽性データは、ポンプ１０が実際には正常であるのに、人間または学習モデル１５０が異常である旨を示したデータである。例えば、偽陽性データは、ポンプ１０の過去の分解整備事例において、一の振動データからポンプ１０が異常だと学習モデル１５０が予測して、人間がポンプ１０を分解したのに、実際には正常であったときの一のデータである。また、例えば、偽陽性データは、一の振動データまたは一の振動データ以外の情報から、ポンプ１０が異常だと人間が予測して、人間がポンプ１０を分解したのに、実際にポンプ１０が正常であったときの一の振動データである。

【0050】

また、異常データのうち、偽陰性データは、ポンプ１０が実際には異常であるのに、人間または学習モデル１５０が正常である旨を示したデータである。例えば、偽陰性データは、ポンプ１０の過去の分解整備事例において、一のデータからポンプ１０が正常だと学習モデル１５０が予測して、人間がポンプ１０を分解したのに、実際にはポンプ１０が異常であったときのデータである。また、例えば、異常データのうち、偽陰性データは、一の振動データまたは一の振動データ以外の情報から、ポンプ１０が正常だと人間が予測して、人間がポンプ１０を分解したのに、実際にはポンプ１０が異常であったときのデータである。

【0051】

そして、異常データのうち、真陽性データは、ポンプ１０が実際に異常であり、人間または学習モデル１５０が異常である旨を示したデータである。ポンプ１０の過去の分解整備事例において、一のデータからポンプ１０が異常だと学習モデル１５０が予測して、人間がポンプ１０を分解し、実際に異常であったときのデータである。また、真陽性データは、ポンプ１０の過去の分解整備事例において、一のデータまたは一の振動データ以外の情報から、ポンプ１０が異常だと人間が予測して、人間がポンプ１０を分解し、実際に異常であったときのデータである。

【0052】

なお、ポンプ１０が異常だと人間が予測して人間が分解したのに、実際にはポンプ１０が正常であったときのデータを人間の偽陽性データと称することがある。また、ポンプ１０が異常だと学習モデル１５０が予測して人間が分解したのに、実際にはポンプ１０が正常であったときのデータを、学習モデル１５０の偽陽性データと称することがある。

【0053】

ここで、図４（ｃ）の振動データのような、前回の整備から長い時間経過した後の振動データは、設備状態の変化とともにその構造が複雑化し、学習モデル１５０にとって異常データか否かの分類が難しい。このような振動データが、実際にはポンプ１０が正常であるのに、学習済の学習モデル１５０に異常であると誤判定される場合がある。そして、誤判定された振動データには、データ蓄積装置３０（図１参照）によって、学習モデル１５０の偽陽性データとして識別情報が付与される。

【0054】

また、図４（ｃ）の振動データのような、前回の整備から長い時間経過した後の振動データは、設備状態の変化とともにその構造が複雑化し、人間にとって異常データか否かの分類が難しい。このような振動データが、実際にはポンプ１０が正常であるのに、人間に異常であると誤判定される場合がある。

【0055】

ただし、図４（ｃ）の振動データのような振動データをセンサ２０が取得した場合、人間は、振動データとともに振動データ以外の情報であるポンプ１０の稼働音やポンプ１０の流量のデータを確認する。そして、人間は、振動データと振動データ以外の情報を含めて確認し、ポンプ１０が異常であるか否かを総合的に予測する。その結果、実際にはポンプ１０が正常であるのに、異常であると人間が誤判定した場合、予測に用いられた振動データには、データ蓄積装置３０（図１参照）によって、人間の偽陽性データとして識別情報が付与される。

【0056】

また、図４（ａ）、（ｂ）の振動データのような、設備の摩耗が少ない時期において振動データをセンサ２０が取得した場合を想定する。この場合、人間は、振動データがポンプ１０の正常を示すと予測しても、振動データ以外の情報がポンプ１０の異常を示すと予測した場合は、ポンプ１０の分解を行う場合がある。そして、ポンプ１０の分解を行った結果、実際にはポンプ１０が正常であった場合、予測に使われた振動データには、データ蓄積装置３０（図１参照）によって、人間の偽陽性データとして識別情報が付与される。なお、この予測に使われたデータは、このデータだけを人間が確認してポンプ１０の正常であると予測するデータであるが、誤判定するおそれがあったデータとして、後述する偽陽性データに類似したデータとして扱ってもよい。

【0057】

このように、人間は、振動データと振動データ以外の情報を基にポンプ１０が異常であるか否かの予測をする。そのため、人間のポンプ１０が異常であるか否かの予測と、学習済の学習モデル１５０が振動データを基に行ったポンプ１０が異常であるか否かの予測とが異なる場合がある。また、振動データだけを人間が確認した場合と、振動データと振動データ以外の情報を人間が確認した場合とで、予測が異なる場合がある。

【0058】

例えば、一の振動データを基に学習済の学習モデル１５０は、ポンプ１０が異常であると予測し、一の振動データと一の振動データ以外の情報を基に人間は、ポンプ１０が正常であると予測する場合がある。また、例えば、一の振動データを基に学習済の学習モデル１５０は、ポンプ１０が正常であると予測し、一の振動データと一の振動データ以外の情報を基に、人間は、ポンプ１０が異常であると予測する場合がある。

【0059】

また、例えば、一の振動データだけを人間が確認した場合、人間は、ポンプ１０が異常であると予測し、一の振動データと一の振動データ以外の情報を確認した場合、人間は、ポンプ１０が正常であると予測する場合がある。また、例えば、一の振動データだけを人間が確認した場合、人間は、ポンプ１０が正常であると予測し、一の振動データと一の振動データ以外の情報を人間が確認した場合、人間は、ポンプ１０が異常であると予測する場合がある。

【0060】

そして、人間の偽陽性データには、振動データ以外の情報の特徴が振動の特徴として現れている場合がある。例えば、人間がポンプ１０の異常であると誤判定するようなポンプ１０の稼働音等の特徴が、振動データに振動の特徴として現れている場合がある。

【0061】

図９（ａ）、（ｂ）は、学習モデル１５０の初期学習または再学習を示した図である。図９（ａ）は、学習モデル１５０の初期学習を示した図である。図９（ｂ）は学習済の学習モデル１５０の再学習を示した図である。

【0062】

図９（ａ）において、実績正常データ群とは、データ蓄積装置から取得された振動データ群のうち分別部１２０によって正常データと分別され前処理部１３０によって加工された複数の正常データである。ここで、正常データには、ポンプ１０を実際に分解したときのデータに限らず、ポンプ１０を実際には分解していないものの、正常データの可能性が高いデータも含まれる。例えば、人間の偽陽性データをセンサ２０から取得した日を基準日として、ポンプ１０の整備後からその基準日の前までにセンサ２０から取得したデータも含まれる。また、例えば、後述する基準時間の前にセンサ２０から取得したデータも含まれる。

【0063】

また、実績正常データ群のうち、人間の偽陽性に類似したデータとは、人間の偽陽性データに類似した振動データである。例えば、人間の偽陽性に類似したデータとは、偽陽性データの周波数の強度等の特徴量と類似した振動データである。また、例えば、人間の偽陽性に類似したデータとは、人間の偽陽性データをセンサ２０から取得した日を基準日として、基準日の周辺にセンサ２０から取得された振動データである。基準日の周辺とは例えば、基準日の１週間前である。また、人間の偽陽性データをセンサ２０から取得したときのポンプ１０の運転時間を基準時間として、基準時間の周辺にセンサ２０から取得したときの振動データを人間の偽陽性データに類似したデータとしてもよい。例えば、人間の偽陽性データをセンサ２０から取得したときのポンプ１０の運転時間が２００時間であるとすると、ポンプ１０の運転時間が１７５時間のときにセンサ２０から取得された振動データを、人間の偽陽性データに類似したデータとして用いてもよい。なお、このポンプ１０の運転時間は、一度整備した後から計測される時間である。

【0064】

さらに、実績正常データ群のうち、人間の偽陽性に類似していないデータとは、人間の偽陽性データと類似していない振動データである。例えば、偽陽性データの周波数の強度等の特徴量と振動データの特徴量とが類似していないデータである。また、例えば、人間の偽陽性データをセンサ２０から取得した日を基準日として、基準日の周辺以外に取得された振動データである。

【0065】

入力部１４０は、人間の偽陽性データを優先的に学習モデル１５０に対して初期の学習データとして入力する。例えば、人間の偽陽性データを入力する量を、人間の偽陽性データ以外のデータよりも多くする。なお、人間の偽陽性データのみを学習モデル１５０に対して入力してもよい。

【0066】

また、入力部１４０は、初期の学習データとして、人間の偽陽性データおよび人間の偽陽性に類似したデータを学習モデル１５０に対して、優先的に入力してもよい。例えば、人間の偽陽性データおよび人間の偽陽性に類似したデータを入力する量を、人間の偽陽性データおよび人間の偽陽性に類似したデータ以外のデータよりも多くしてもよい。さらに、入力する学習データにおける偽陽性データおよび偽陽性に類似したデータの入力比率を時系列に応じて変更してもよい。例えば、偽陽性データをセンサ２０から取得した日を基準日として、基準日を遡るにつれて入力する学習データにおける偽陽性データおよび偽陽性に類似したデータの入力比率を小さくしてもよい。なお、人間の偽陽性に類似したデータのみを学習モデル１５０に対して入力してもよい。

【0067】

入力部１４０の人間の偽陽性データを優先とした入力により、学習モデル１５０は、人間の偽陽性データの特徴に重点を置いた初期学習を行う。学習モデル１５０の偽陽性データの特徴とは、人間の偽陽性データ以外のデータに現れない振動の特徴である。振動の特徴としては、例えば、振動の周波数、強度が挙げられ、学習モデル１５０は、振動の周波数がどこで生じているか、振動の強度がどのくらいの度合いか等を学習する。そして、学習モデル１５０は、人間の偽陽性データの特徴に重点をおいて学習した学習済の学習モデル１５０となる。この学習済の学習モデル１５０は、推論対象データの入力に対して、推論対象データの特徴と人間の偽陽性データ以外の正常データの特徴との類似度の他に、推論対象データの特徴と人間の偽陽性データの特徴との類似度に基づき、異常度を出力できるようになる。

【0068】

図９（ｂ）において、追加正常データ群とは、学習モデル１５０の偽陽性データと学習モデル１５０の偽陽性データに類似したデータである。学習モデル１５０の偽陽性データとは、先述した通り、学習済の学習モデル１５０が推論対象データからポンプ１０を異常だと判定したが、実際はポンプは正常であった場合の推論対象データである。また、学習モデル１５０の偽陽性に類似したデータとは、学習モデル１５０の偽陽性データをセンサ２０から取得した日を基準日として、その日の周辺に取得された追加データである。例えば、学習モデル１５０の偽陽性に類似したデータとは基準日の２、３日前までにセンサ２０から取得された追加データである。なお、先述したようにポンプ１０の運転時間を基準時間としてもよい。なお、追加正常データ群として、学習モデル１５０の偽陽性データと学習モデル１５０の偽陽性データに類似したデータに加えて、実績正常データ群を加えてもよい。

【0069】

入力部１４０は、学習モデル１５０の偽陽性データを優先的に再学習の学習データとして学習済の学習モデル１５０に対して入力する。例えば、学習モデル１５０の偽陽性データを入力する量を、学習モデル１５０の偽陽性データ以外のデータよりも多くする。なお、学習モデル１５０の偽陽性データのみを学習モデル１５０に対して入力してもよい。

【0070】

また、入力部１４０は、再学習の学習データとして、学習モデル１５０の偽陽性データおよび学習モデル１５０の偽陽性データに類似したデータを学習済の学習モデル１５０に対して、優先的に入力してもよい。例えば、学習モデル１５０の偽陽性データおよび学習モデル１５０の偽陽性データに類似したデータを入力する量を、学習モデル１５０の偽陽性データ以外のデータよりも多くしてもよい。さらに、入力する学習データにおける学習モデル１５０の偽陽性データおよび学習モデル１５０の偽陽性に類似したデータの入力比率を時系列に応じて変更してもよい。例えば、学習モデル１５０の偽陽性データをセンサ２０から取得した日を基準日として、基準日を遡るにつれて学習モデル１５０の偽陽性データおよび学習モデル１５０の偽陽性に類似したデータの入力比率を小さくしてもよい。なお、学習モデル１５０の偽陽性データに類似したデータのみを学習モデル１５０に対して入力してもよい。

【0071】

入力部１４０の学習モデル１５０の偽陽性データを優先とした入力により、学習済の学習モデル１５０は、学習モデル１５０の偽陽性データの特徴に重点を置いた再学習を行う。学習モデル１５０の偽陽性データの特徴とは、学習モデル１５０の偽陽性データ以外のデータに現れない振動の特徴である。振動の特徴としては、例えば、振動の周波数、強度が挙げられ、学習済の学習モデル１５０は、振動の周波数がどこで生じているか、振動の強度がどのくらいの度合いか等を学習する。そして、学習済の学習モデル１５０は、学習モデル１５０の偽陽性データに重点を置いて再学習を行った学習済の学習モデル１５０となる。この学習済の学習モデル１５０は、推論対象データの入力に対して、推論対象データの特徴と学習モデル１５０の偽陽性データ以外の正常データの特徴との類似度の他に、推論対象データの特徴と学習モデル１５０の偽陽性データの特徴との類似度に基づき、異常度を出力できるようになる。

【0072】

図１０は、学習済の学習モデル１５０により出力された異常度を時系列に応じて示したグラフである。図１０のグラフにおいて縦軸は異常度、横軸は運転時間を示している。運転時間は、ポンプ１０を一度整備した後のポンプ１０の運転時間を示している。また、ＩＶＡは、整備直後の時期、ＩＶＢは中間期、ＩＶＣは整備直前の時期を示している。なお、異常度の閾値が３０である場合を想定している。

【0073】

図１０のＩＶＡにおいて、例えば、図４（ａ）のような振動データを推論対象データとして推論装置２００が取得した場合、学習済の学習モデル１５０は、その推論対象データの特徴と偽陽性データを含む正常データの振動データの特徴とが類似しているとして異常度を１と判定し、判定部２５０はポンプ１０が正常であると判断する。

【0074】

図１０のＩＶＢにおいて、例えば、図４（ｂ）のような振動データを推論対象データとして推論装置２００が取得した場合を想定する。この場合、学習済の学習モデル１５０は、その推論対象データの特徴と偽陽性データを含む正常データの振動データの特徴とがやや類似しているとして異常度を１７．５と判定し、判定部２５０はポンプ１０が正常であると判断する。やや類似しているとは、ＩＶＡにおける段階よりは類似していないものの、ポンプ１０が正常の範囲内であることを示す。

【0075】

図１０のＩＶＣにおいて、例えば、図４（ｃ）のような振動データを推論対象データとして推論装置２００が取得した場合を想定する。この場合、学習済の学習モデル１５０は、その推論対象データの特徴と、偽陽性データを含む正常データの振動データの特徴とが類似していないとして異常度を４０と判定し、判定部２５０はポンプ１０が異常であると判断する。そして、人間は、判定部２５０による検知結果を確認し、ポンプ１０の分解を行い、実際に異常が生じていればポンプ１０を整備する。一方で、ポンプ１０の分解を行ったものの、実際に異常が生じていなかった場合は、図４（ｃ）のような振動データは、学習モデル１５０の偽陽性データとして識別情報が付与される。

【0076】

図１１は、学習済の学習モデル１５０の転用を示す図である。図１１において、機器Ａ１１、機器Ｂ１２、機器Ｃ１３は、各々異なるポンプ１０を示したものである。学習済の学習モデル１５０は機器Ａ１１、機器Ｂ１２から振動データを取得し、その振動データを学習データとして学習を行う。そして、学習を終え、学習済の学習モデル１５０となる。この学習済の学習モデル１５０は、機器Ａ１１、機器Ｂ１２から推論対象データを取得し、ポンプ１０の異常を検知できるようになる。さらに、この学習済の学習モデル１５０は、機器Ｃ１３に対しても推論対象データを取得し異常を検知できるようになる。機器Ｃ１３は、学習モデル１５０がそもそも学習データを取得していない機器である。このように、学習済の学習モデル１５０は、その学習をした機器に対して適用することができるほか、そもそも学習していない機器に対しても転用することができる。

【符号の説明】

【0077】

１０…ポンプ、２０…センサ、３０…データ蓄積装置、１００…学習装置、２００…推論装置

【要約】

【課題】学習モデルの再学習のみに偽陽性データを用いる場合と比較して、予想性能をより高めた学習モデルを用いた異常検知システムを提供することを目的とする。
【解決手段】異常検知システムは、プロセッサを備え、プロセッサは、異常検知対象から複数の運転データを取得し、異常検知対象が正常であるのに異常である旨を示す偽陽性データを含む複数の運転データを、初期の学習データとして学習モデルに学習させる。
【選択図】図９

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】