CN110322583A - 异常探测系统、支持装置以及异常探测方法 - Google Patents

Abstract

本发明提供一种异常探测系统、支持装置以及异常探测方法，有想要灵活地设定适合于预见性维护在实际生产现场中的应用的判定基准的需求。第1异常探测部包括：计算部，根据异常探测用参数，使用由与监控对象相关的状态值算出的特征量来算出得分；以及判定部，使用由计算部所算出的得分与异常探测用参数中所含的第1判定基准及第2判定基准来分别进行判定，由此，当与第1判定基准一致时输出第1判定结果，当与第2判定基准一致时输出第2判定结果。

Description

异常探测系统、支持装置以及异常探测方法

技术领域

本技术涉及一种用于探测监控对象可能产生的异常的异常探测系统、连接于异常探测系统的支持(support)装置、以及异常探测系统中所用的异常探测方法。

背景技术

在各种生产现场，有欲通过针对机械或装置的预见性维护来提高设备运转率的需求(needs)。所谓预见性维护，是指如下所述的维护形态，即，探测机械或装置中产生的某些异常，在成为不得不停止设备的状态之前，进行整修或更换等保养作业。

为了实现此种预见性维护，提出下述结构：收集机械或装置的状态值，并且基于所收集的状态值来判断所述机械或装置是否产生了某些异常。

例如，日本专利特开平07-043352号公报(专利文献)揭示了一种方法：对于被分为性状正常者与异常者的诊断对象群，测定与多个诊断用参数相关的值，对所述测定值实施统计性处理，从所述处理结果中提取预测为有效参数的诊断用参数，基于关于所提取的有效诊断用参数的测定值来决定判定等级(level)，进而，逐次更新有效参数的组合与判定等级，直至获得目标准确率为止。

发明内容

[发明所要解决的问题]

若考虑预见性维护在实际生产现场中的应用，难以如日本专利特开平07-043352号公报(专利文献)所揭示的那样，将诊断对象群的性状划分为“正常”及“异常”中的任一种。这是因为，现实的机械或装置也多会逐渐劣化，应将何种程度的劣化视为“异常”的判定基准可能根据对象机械或装置的特性或者重要度、及所要求的维护等级而任意制定。

有想要灵活地设定适合于预见性维护在实际生产现场中的应用的判定基准的需求。本技术的一个目的在于满足此种需求。

[解决问题的技术手段]

依据本揭示的一例的异常探测系统包括：控制运算部，执行用于对控制对象进行控制的控制运算；以及第1异常探测部，将由控制运算部所收集的状态值中的与监控对象相关的状态值，给予至由异常探测用参数及学习数据集所规定的表示所述监控对象的模型，由此来探测所述监控对象中可能产生的异常。第1异常探测部包括：计算部，根据异常探测用参数，使用由与监控对象相关的状态值算出的特征量来算出得分；以及判定部，使用由计算部所算出的得分与异常探测用参数中所含的第1判定基准及第2判定基准来分别进行判定，由此，当与第1判定基准一致时输出第1判定结果，当与第2判定基准一致时输出第2判定结果。

根据本揭示，能够对得分适用多个判定基准，并输出各个判定结果，因此能够灵活地进行预见性维护在实际生产现场中的应用。

所述揭示中，第1判定基准也可被设定为，与得分表示比第2判定基准更高的值的情况一致。与第1判定基准对应的第1判定结果也可跟与第2判定基准对应的第2判定结果相比，表示异常的程度更高。

根据本揭示，根据异常的程度，能够分别获得判定结果，因此维护员等在输出有某些判定结果时，能够以与所述判定结果的内容相应的优先顺位来实施维护作业。

所述揭示中，异常探测系统也可还包括：状态值保存部，保存由控制运算部所收集的状态值中的至少与监控对象相关的状态值；第2异常探测部，使用从状态值保存部提供的状态值，执行与第1异常探测部实质上相同的探测处理；以及模型生成部，基于第2异常探测部的探测结果，决定对第1异常探测部所设定的、异常探测用参数及学习数据集。

根据本揭示，能够使用执行与第1异常探测部实质上相同的探测处理的第2异常探测部，生成离线(off line)地执行异常探测的模型。

所述揭示中，模型生成部也可包含：显示得分的数据序列的部件，所述得分的数据序列是通过根据从状态值保存部提供的状态值所生成的一个或多个特征量而算出；以及受理针对得分的数据序列的两个阈值的设定来作为第1判定基准及第2判定基准的部件。

根据本揭示，用户能够一边参照得分的数据序列，一边将适当的多个阈值分别设定为判定基准。

所述揭示中，模型生成部也可包含一部件，所述部件基于对得分的数据序列中所含的各要素所赋予的标签(label)、与对得分的数据序列适用由用户所指定的判定基准时的判定结果，来算出表示探测精度的指标值。

根据本揭示，用户在设定自身所指定的判定基准时，能够客观地掌握基于所述设定的判定基准的探测精度。

所述揭示中，表示探测精度的指标值也可包含下述指标中的至少一个，即：将被赋予有异常标签的要素判定为正常的概率即漏检率；将被赋予有正常标签的要素判定为异常的概率即过检率；以及作出如赋予给要素的标签般的判定的概率即正检率。

根据本揭示，用户能够定量地掌握探测精度。

所述揭示中，模型生成部也可在所设定的阈值受到变更时，更新表示探测精度的指标值。

根据本揭示，每当用户通过试行错误而变更阈值时，能够随时知晓此时的探测精度，因此能够使阈值的设定作业效率化。

所述揭示中，异常探测系统也可还包括：告知装置，以与来自判定部的判定结果相应的形态来进行告知动作。

根据本揭示，一眼就够掌握是通过多个判定基准中的哪个判定基准来告知。

依据本揭示的另一例，提供一种支持装置，其连接于用于对控制对象进行控制的控制装置。控制装置包括：控制运算部，执行用于对控制对象进行控制的控制运算；第1异常探测部，将由控制运算部所收集的状态值中的与监控对象相关的状态值，给予至由异常探测用参数及学习数据集所规定的表示所述监控对象的模型，由此来探测所述监控对象中可能产生的异常；以及状态值保存部，保存由控制运算部所收集的状态值中的至少与监控对象相关的状态值。支持装置包括：第2异常探测部，使用从状态值保存部提供的状态值，执行与第1异常探测部实质上相同的探测处理；以及模型生成部，基于第2异常探测部的探测结果，决定对第1异常探测部所设定的、异常探测用参数及学习数据集。模型生成部包含：显示得分的数据序列的部件，得分的数据序列是通过根据从状态值保存部提供的状态值所生成的一个或多个特征量而算出；以及针对得分的数据序列来受理第1判定基准及第2判定基准的设定的部件。

根据本揭示，能够对得分适用多个判定基准，并输出各个判定结果，因此能够灵活地进行预见性维护在实际生产现场中的应用。

依据本揭示的又一例的异常探测方法包括下述步骤：执行用于对控制对象进行控制的控制运算；以及将关于控制运算而收集的状态值中的与监控对象相关的状态值，给予至由异常探测用参数及学习数据集所规定的表示所述监控对象的模型，由此来探测所述监控对象中可能产生的异常。探测异常的步骤包括下述步骤：根据异常探测用参数，使用由与监控对象相关的状态值算出的特征量来算出得分；使用算出的得分与异常探测用参数中所含的第1判定基准及第2判定基准来分别进行判定；以及当算出的得分与第1判定基准一致时输出第1判定结果，当与第2判定基准一致时输出第2判定结果。

根据本揭示，能够对得分适用多个判定基准，并输出各个判定结果，因此能够灵活地进行预见性维护在实际生产现场中的应用。

[发明的效果]

根据本技术，能够根据实际生产现场中的预见性维护的需求，来灵活地设定多个判定基准。

附图说明

图1是表示本实施方式的异常探测系统的功能结构例的示意图。

图2是表示本实施方式的异常探测系统的整体结构例的示意图。

图3是表示用于运用本实施方式的异常探测系统的处理流程的概要的示意图。

图4是表示构成本实施方式的异常探测系统的控制装置的硬件(hardware)结构例的框图。

图5是表示构成本实施方式的异常探测系统的支持装置的硬件结构例的框图。

图6是表示本实施方式的异常探测系统的软件(software)结构例的框图。

图7是表示图6所示的分析工具(tool)中所含的功能模块的概要的框图。

图8是用于说明本实施方式的异常探测系统的异常探测处理的基本思路的示意图。

图9是对本实施方式的异常探测系统的异常探测处理中的处理流程进行概括的示意图。

图10是表示在本实施方式的控制装置中所执行的异常探测处理的处理流程的流程图。

图11是表示图3所示的处理流程中所含的分析处理(ST2)的内容的示意图。

图12是以视觉方式表示图11所示的(a)～(e)的处理的概要的示意图。

图13是表示本实施方式的模型生成处理中的用户的设定操作的流程例的流程图。

图14是表示在图13的步骤S10中对用户提供的用户接口画面的一例的示意图。

图15是表示在图13的步骤S12～S16中对用户提供的用户接口画面的一例的示意图。

图16是表示本实施方式的支持装置的分析工具所执行的处理流程的流程图。

图17是用于说明本实施方式的支持装置的分析工具所执行的、对特征量的重要度进行评价的处理的示意图。

图18的(A)部分及图18的(B)部分是用于说明本实施方式的支持装置的分析工具向学习数据集中追记虚拟数据的处理的示意图。

图19是表示由本实施方式的支持装置的分析工具所生成的虚拟数据的一例的示意图。

图20是表示用于算出在本实施方式的异常探测处理中所算出的探测精度的指标值的一例的示意图。

图21是用于说明本实施方式的异常探测处理中的AUC的计算处理的示意图。

图22是用于说明与本实施方式的异常探测处理中的阈值的自动设定相关的处理的示意图。

图23是表示与图16所示的流程图的步骤S140所示的阈值的自动设定相关的更详细的处理流程的流程图。

图24是表示指标值的显示例的示意图，所述指标值表示探测精度。

图25是表示指标值的显示例的示意图，所述指标值表示探测精度。

[符号的说明]

1：异常探测系统

2、4：现场网络

6：上位网络

10：控制运算部

16、124：I/O单元

18：告知装置

20：异常探测部

22：计算部

24：判定部

100：控制装置

102、202：处理器

104：芯片组

106、206：主存储装置

108、208：二次存储装置

110、214：上位网络控制器

112、212：USB控制器

114：存储卡接口

116：存储卡

118、120：现场总线控制器

122：内部总线控制器

130：PLC引擎

132：用户程序

134：特征量生成命令

136：写入命令

138：变量

140：时间序列数据库

142：原始数据

150、286：异常探测引擎

160：学习数据集

162：异常探测用参数

200：支持装置

204：光驱

205：记录介质

216：输入部

218：显示部

220：总线

222：开发程序

224：PLC接口程序

226：分析程序

228：OS

230：分析工具

232：PLC接口

234：可视化模块

236：事件管理模块

240：用户接口

242：脚本引擎

244：设定文件

250：文件管理模块

252：数据输入功能

254：数据生成功能

260：画面生成模块

262：曲线图表生成功能

264：参数调整功能

266：图表库

270：分析模块

272：特征量生成功能

274：特征量选择功能

276：参数决定功能

280：分析库

282：特征量生成库

284：特征量选择库

300：数据库服务器

400：操作显示装置

500、520：用户接口画面

502、522：选择受理区域

506、526：图表显示区域

508、528：图表

510：异常范围

512、550：直方图显示区域

514：标签赋予工具

516：正常标签设定按钮

517：异常标签设定按钮

518：标签设定范围指定按钮

524：复选框

530、532、544、546、548：数值显示

534：值设定滑块

536：重置按钮

538：学习数据生成按钮

540：阈值差设定框

542：变量选择数显示

552、554：直方图

556、558：值显示条

560：距离差

570、572、580、582：要素

600：包装机

604：包装体

605：被包装物

606：个别包装体

610、620：转子

612、622：旋转轴

614、624：处理机构

615、616、625、626：加热器

617、627：切刀

618、628：伺服马达

619、629：伺服驱动器

700、900：特征量

702、704、706、708：评价值栏

710：等级栏

800、810：学习数据

802、812：评价数据集

804、814、904：得分

806、808、816、818：异常区域

811：噪声

902：标签

906：判定结果

908：评价

具体实施方式

参照附图来详细说明本发明的实施方式。另外，对于图中的相同或相当的部分，标注相同的符号并不再重复其说明。

＜A.适用例＞

首先，对适用本发明的场景的一例进行说明。

对具有本实施方式的异常探测功能的控制系统的功能结构例进行说明。以下的说明中，主要着眼于控制系统所具有的异常探测功能来进行说明，因此也将控制系统整体称作“异常探测系统”。

图1是表示本实施方式的异常探测系统1的功能结构例的示意图。参照图1，异常探测系统1包含控制运算部10及异常探测部20。这些结构基本上安装于可编程逻辑控制器(Programmable Logic Controller，PLC)(可编程控制器(programmable controller))等控制装置中。

控制运算部10执行用于对控制对象进行控制的控制运算。异常探测部20将由控制运算部10所收集的状态值中与监控对象相关的状态值给予至用于表示所述监控对象的模型，所述监控对象的模型由异常探测用参数及学习数据集所定义，由此来探测所述监控对象中可能产生的异常。

本说明书中，“状态值”是包含能够在任意控制对象(包含监控对象)中观测的值的术语，例如可包含能够通过任意传感器(sensor)而测定的物理值、继电器(relay)或开关(switch)等的导通/断开(ON/OFF)状态、PLC对伺服驱动器(servo driver)给予的位置、速度、扭矩(torque)等指令值、PLC用于运算的变量值等。

本说明书中，“异常探测用参数”及“学习数据集”包含用于探测监控对象中可能产生的异常的模型的定义。典型的是，异常探测用参数及学习数据集是在支持装置中生成，所述生成的异常探测用参数及学习数据集从支持装置被提供给控制装置。与异常探测用参数及学习数据集的生成相关的详细流程及处理将后述。

异常探测部20包含计算部22，所述计算部22根据异常探测用参数，使用由与监控对象相关的状态值而算出的特征量来算出得分。

本说明书中，“得分”是指表示作为评价对象的一个或多个特征量的组为离群值或异常值的可能性的程度的值。得分是以下述方式而算出，即，其值越大，则为异常值的可能性越高(但是也可使得，为异常值的可能性越高，得分呈现越小的值)。计算部22对得分的计算方法将在后文详述。

异常探测部20还包括判定部24，所述判定部24使用由计算部22所算出的得分与异常探测用参数中所含的第1判定基准及第2判定基准来分别进行判定，由此，当与第1判定基准一致时输出第1判定结果，当与第2判定基准一致时输出第2判定结果。

这样，本实施方式的异常探测系统能够对得分适用多个判定基准，并评价各判定基准下的异常的有无。通过适当地设定各个判定基准，能够推测监控对象中产生的异常的等级(例如劣化的发展状态等)。通过采用此种功能，能够灵活地设定适合于预见性维护在实际生产现场中的应用的判定基准。

＜B.系统的整体结构例＞

首先，对本实施方式的异常探测系统1的整体结构例进行说明。图2是表示本实施方式的异常探测系统1的整体结构例的示意图。

参照图2，本实施方式的异常探测系统1包含对控制对象进行控制的控制装置100、及连接于控制装置100的支持装置200，以作为主要的构成元件。图2中，表示异常探测系统1将包装机600设为异常探测对象(以下也称作“监控对象”)的结构例。

控制装置100也可作为PLC等一种计算机(computer)而具现化。控制装置100经由现场网络(field network)2而与配置于控制对象中的一个或多个现场设备(fielddevice)连接，并且经由另一现场网络4而与一个或多个操作显示装置400连接。

控制装置100也可进而经由上位网络6而连接于数据库服务器(database server)300。控制装置100经由各个网络而与所连接的装置之间交换数据。另外，数据库服务器300及操作显示装置400为可选(optional)结构，并非异常探测系统1的必要结构。

现场网络2及现场网络4优选采用工业用网络。作为此种工业用网络，已知有EtherCAT(注册商标)、EtherNet/IP(注册商标)、DeviceNet(注册商标)、CompoNet(注册商标)等。

控制装置100除了执行用于对控制对象进行控制的控制运算的控制运算部(以下也称作“PLC引擎(engine)130”)以外，还具有对任意监控对象监控异常有无的处理部(以下也称作“异常探测引擎150”)。关于异常探测引擎150，控制装置100执行(1)从监控对象收集状态值的处理、(2)根据所收集的状态值来生成一个或多个特征量的处理、(3)基于所生成的特征量里进行异常探测的处理。

当控制装置100的异常探测引擎150探测到某些异常时，也可利用任意的方法来告知所述探测内容。图2所示的结构中，表示了通过使经由I/O单元16而连接的告知装置18闪烁和/或鸣响来告知的示例。作为告知方法，并不限于告知装置18，能够使用任意的指示器、声音输出装置、声音合成装置、电子邮件、对任意终端的通知等。

为了在控制装置100中实现高探测精度的异常探测引擎150，必须适当地设定与监控对象的特性相应的特征量或判定基准(典型的是阈值)等。本实施方式的异常探测系统1中，使用统计性的方法，当判断为所收集的状态值呈现与通常不同的特征时，探测出监控对象为异常。

为了实现此种异常探测引擎150，准备(1)包含用于异常探测的特征量及用于判断是否为异常的判定基准(典型的是阈值)的异常探测用参数、及(2)包含监控对象为正常时出现的一个或多个状态值和/或特征量的学习数据集。由此，异常探测引擎150将由PLC引擎130所收集的状态值中的与监控对象相关的状态值，给予至由异常探测用参数及学习数据集所规定的表示所述监控对象的模型，由此来探测所述监控对象中可能产生的异常。

另外，在以下的说明中，作为判定基准的典型例，例示使用一个或多个阈值的形态，但作为判定基准，并不限于阈值，也可为具有任意宽度的容许范围、或由多个值所规定的条件。

异常探测用参数及学习数据集的准备利用任何装置来实施皆可，但在图2所示的结构中，将由控制装置100所收集的状态值(收集数据)给予至支持装置200，支持装置200执行如后所述的分析处理，由此来决定异常探测用参数及学习数据集。

如后所述，在本实施方式的异常探测系统1中，能够决定用于异常探测的一个或多个阈值。使用所决定的各个阈值来监控异常的有无。例如，实用的是设定两阶段的阈值(注意等级及警告等级、或者提醒(caution)等级及损坏(damage)等级)。

在像这样至少设定有第1判定基准及第2判定基准的情况下，第1判定基准也可被设定为，与得分表示比第2判定基准更高的值的情况一致。此时，也可为，与第1判定基准对应的第1判定结果(例如警告等级)跟与第2判定基准对应的第2判定结果(注意等级)相比，表示异常的程度更高。

如上所述，异常探测系统1也可包含进行告知动作的告知装置18。此时，也可以与控制装置100的异常探测引擎150的判定结果相应的形态来进行告知动作。即，在告知装置18中，也可使注意等级的告知形态与警告等级的告知形态不同。例如，在使用可采用多个告知形态的告知装置18的情况下，也可在到达注意等级的阈值时，以“黄色”来进行点灯显示或闪烁显示，在到达警告等级的阈值时，以“红色”来进行点灯显示或闪烁显示。

另一方面，支持装置200对控制装置100的异常探测引擎150设定所决定的异常探测用参数及学习数据集。具体而言，从支持装置200对控制装置100给予异常探测用参数(包含一个或多个阈值)及学习数据集。

另外，也可采用将控制装置100及支持装置200一体化的结构，此时，将在单个装置中执行异常探测用参数及学习数据集的决定、以及异常探测处理这两者。

图3是表示用于运用本实施方式的异常探测系统1的处理流程的概要的示意图。参照图3，首先，在控制装置100中执行收集原始数据的处理(ST1)。以下的说明中，“原始数据”是指从监控对象收集的状态值的时间序列数据。基本上，“原始数据”包含从监控对象收集的原始的状态值，不包含根据状态值而生成的特征量等。所述原始数据的收集是通过向安装于控制装置100的时间序列数据库(以下也简称作“TSDB”)中依序写入状态值而实现。

所收集的原始数据被给予至支持装置200，执行分析处理(ST2)。在所述分析处理中，生成异常探测用参数及学习数据集。在以下的说明中，也有时将生成与监控对象相应的异常探测用参数及学习数据集的处理称作“模型生成处理”。

所生成的异常探测用参数及学习数据集被给予至控制装置100。控制装置100基于来自支持装置200的异常探测用参数及学习数据集，开始异常探测的运用(ST3)。此时，控制装置100(异常探测引擎150)根据所给予的异常探测用参数，基于从监控对象收集的状态值而生成特征量，并基于所生成的特征量来执行异常探测。

与如上所述的异常探测相关的更详细的处理及功能等将后述。

再次参照图2，图2所示的结构中的监控对象即包装机600执行对沿着规定的搬送方向受到搬送的包装体604的密封(seal)处理和/或切断处理。包装机600具有同步旋转的一对转子(rotor)610、620。各转子是以跟包装体604相切的位置处的外周的切线方向与搬送方向一致的方式而配置，通过转子的表面接触至包装体604，从而密封和/或切断包装体604。

包装机600的转子610、620通过伺服马达(servo motor)618、628，分别以旋转轴612、622为中心而同步地受到旋转驱动。在转子610、620的表面，分别设有处理机构614、624，处理机构614包含沿圆周方向(旋转方向)前后配置的加热器(heater)615、616以及配置在加热器615与加热器616之间的切刀(cutter)617。同样地，处理机构624包含沿圆周方向前后配置的加热器625、626以及配置在加热器625与加热器626之间的切刀627。转子610、620包含配置于其外周面上的、用于切断包装体604的切刀617、627。

通过转子610、620与包装体604的搬送速度同步地旋转，从而利用加热器615与加热器625，将在包装体604的纸面右侧的位置相向的面彼此(上表面与下表面)密封(粘合)，并且利用加热器616与加热器626，将在包装体604的纸面左侧的位置相向的面彼此(上表面与下表面)密封(粘合)。与这些密封处理并行地，利用切刀617与切刀627来切断包装体604。通过重复此种一连串处理，对包含被包装物605的包装体604反复执行密封及切断，从而依序生成个别包装体606。

对转子610、620进行旋转驱动的伺服马达618、628是由作为驱动器(驱动装置)的一例的伺服驱动器619、629，来控制转速或扭矩等。控制装置100能够从伺服驱动器619、629以及I/O单元16收集包装机600的状态值。作为包装机600的状态值，包含(1)转子610、620的旋转位置(相位/旋转角度)、(2)转子610、620的速度、(3)转子610、620的加速度、(4)伺服马达618、628的扭矩值、(5)伺服驱动器619、629的电流值、(6)伺服驱动器619、629的电压值等。

控制装置100基于来自包装机600的状态值，进行对包装机600的异常探测。当执行异常探测时，能够从包装机600收集多个状态值，且必须事先决定使用哪个状态值。而且，既可直接使用各收集的状态值(时间序列数据)，也可从状态值的时间序列数据中提取某些特征量来使用。

在本实施方式的模型生成处理中，将使用从监控对象收集的一个或多个状态值中的哪个状态值、和/或使用所收集的状态值的何种特征量等内容决定为异常探测用参数。

＜C.硬件结构例＞

接下来，对构成本实施方式的异常探测系统1的主要装置的硬件结构例进行说明。

(c1：控制装置100的硬件结构例)

图4是表示构成本实施方式的异常探测系统1的控制装置100的硬件结构例的框图。参照图4，控制装置100包含中央处理器(Central Processing Unit，CPU)或微处理器(Micro-Processing Unit，MPU)等处理器(processor)102、芯片组(chip set)104、主存储装置106、二次存储装置108、上位网络控制器110、通用串行总线(Universal Serial Bus，USB)控制器112、存储卡接口(memory card interface)114、内部总线控制器122、现场总线控制器118、120以及I/O单元124-1、124-2、…。

处理器102读出保存在二次存储装置108中的各种程序，并在主存储装置106中展开而执行，由此来实现PLC引擎130及异常探测引擎150。芯片组104控制处理器102与各组件(component)之间的数据传输等。

在二次存储装置108中，除了用于实现PLC引擎130的系统程序以外，还保存有利用PLC引擎130来执行的用户程序。进而，在二次存储装置108中，还保存有用于实现异常探测引擎150的程序。

上位网络控制器110对经由上位网络6的、与其他装置之间的数据交换进行控制。USB控制器112对经由USB连接的与支持装置200之间的数据交换进行控制。

存储卡接口114是可装卸存储卡116地构成，能够对存储卡116写入数据，并从存储卡116读出各种数据(用户程序或追踪数据(trace data)等)。

内部总线控制器122是与搭载于控制装置100的I/O单元124-1、124-2、…之间交换数据的接口。

现场总线控制器118对经由现场网络2的、与其他装置之间的数据交换进行控制。同样地，现场总线控制器120对经由现场网络4的、与其他装置之间的数据交换进行控制。

图4中表示了通过处理器102执行程序来提供所需功能的结构例，但这些提供的功能的一部分或全部也可使用专用的硬件电路(例如专用集成电路(Application SpecificIntegrated Circuit，ASIC)或现场可编程门阵列(Field-Programmable Gate Array，FPGA)等)来实现。或者，也可使用遵循通用架构(architecture)的硬件(例如将通用个人电脑(personal computer)作为基础(base)的工业用个人电脑)来实现控制装置100的主要部分。此时，也可使用虚拟技术来并列执行用途不同的多个操作系统(Operating System，OS)，并且在各OS上执行所需的应用(application)。

(c2：支持装置200的硬件结构例)

作为一例，本实施方式的支持装置200是通过使用遵循通用架构的硬件(例如通用个人电脑)来执行程序而实现。

图5是表示构成本实施方式的异常探测系统1的支持装置200的硬件结构例的框图。参照图5，支持装置200包含CPU或MPU等处理器202、光驱204、主存储装置206、二次存储装置208、USB控制器212、上位网络控制器214、输入部216及显示部218。这些组件经由总线220而连接。

处理器202读出保存在二次存储装置208中的各种程序，并在主存储装置206展开而执行，由此来实现包含如后所述的模型生成处理的各种处理。

二次存储装置208例如包含硬盘驱动器(Hard Disk Drive，HDD)或固态硬盘(Flash Solid State Drive，SSD)等。在二次存储装置208中，典型的是保存有开发程序222、PLC接口程序224、分析程序226及操作系统(OS)228，所述开发程序222用于进行在支持装置200中执行的用户程序的制作、所制作的用户程序的调试(debug)、系统结构的定义、各种参数的设定等，所述PLC接口程序224用于与控制装置100之间交换跟异常探测功能相关的数据，所述分析程序226用于实现本实施方式的模型生成处理。在二次存储装置208中，保存有图5所示的程序以外的必要程序。

支持装置200具有光驱204，从计算机可读取的非一次性地保存程序的记录介质205(例如数字通用光盘(Digital Versatile Disc，DVD)等光学记录介质)中，读取保存于其中的程序并安装至二次存储装置208等中。

在支持装置200中执行的各种程序既可经由计算机可读取的记录介质205而安装，也可以从网络上的服务器装置等下载(download)的形式而安装。而且，本实施方式的支持装置200所提供的功能也有时以利用OS所提供的模块的一部分的形式而实现。

USB控制器212对经由USB连接的与控制装置100之间的数据交换进行控制。上位网络控制器214对经由任意网络的与其他装置之间的数据交换进行控制。

输入部216包含键盘(keyboard)或鼠标(mouse)等，受理用户操作。显示部218包含显示器(display)、各种指示器(indicator)、打印机(printer)等，输出来自处理器202的处理结果等。

图5中表示了通过处理器202执行程序来提供所需功能的结构例，但这些提供的功能的一部分或全部也可使用专用的硬件电路(例如ASIC或FPGA等)来实现。

＜D.软件结构例/功能结构例＞

接下来，对构成本实施方式的异常探测系统1的主要装置的软件结构例及功能结构例进行说明。图6是表示本实施方式的异常探测系统1的软件结构例的框图。

参照图6，控制装置100包含PLC引擎130、时间序列数据库(Time Series DataBase，TSDB)140及异常探测引擎150，来作为主要的功能结构。

PLC引擎130逐次解释用户程序132，执行所指定的控制运算。PLC引擎130以变量138的形式来对从现场收集的状态值进行管理，变量138以预定的周期受到更新。PLC引擎130也可通过控制装置100的处理器102执行系统程序而实现。

当实现本实施方式的异常探测系统1时，用户程序132包含特征量生成命令134及写入命令136。

特征量生成命令134包含一命令，所述命令是对于预定的状态值，按照预定的处理来生成特征量(例如遍及规定时间的平均值、最大值、最小值等)。所生成的特征量被用于异常探测引擎150中的异常探测处理。

写入命令136包含将所收集的状态值(变量138)写入时间序列数据库140的命令。

依序写入时间序列数据库140的状态值是作为原始数据142而输出。如后所述，保存在时间序列数据库140中的原始数据142的一部分也被利用于支持装置200中的模型生成处理。这样，时间序列数据库140相当于如下所述的状态值保存部，即，保存由PLC引擎130所收集的状态值中的至少与监控对象相关的状态值。

异常探测引擎150使用预先给予的学习数据集160来作为表示监控对象的模型，按照异常探测用参数162来对监控对象的异常有无进行监控。更具体而言，异常探测引擎150对异常探测用参数162中所含的各阈值、与根据所收集的状态值而算出的表示异常的可能性的值(如后所述的得分)进行比较(阈值判定)。

在异常探测引擎150中，当判断为监控对象发生了某些异常时(即，当得分超过或低于预定的阈值时)，将异常的发生通知给PLC引擎130(异常探测事件的发生)，或者在预定的变量138中更新为表示异常的值。

另一方面，支持装置200包含分析工具230、PLC接口232、可视化模块234及事件(event)管理模块236，来作为主要的功能结构。

分析工具230对包含在控制装置100中收集的状态值的原始数据142进行分析，以决定学习数据集160及异常探测用参数162。典型的是，分析工具230是通过支持装置200的处理器202执行分析程序226而实现。

PLC接口232负责从控制装置100获取原始数据142的处理、及将所决定的学习数据集160及异常探测用参数162发送至控制装置100的处理等。典型的是，PLC接口232是通过支持装置200的处理器202执行分析程序226而实现。

可视化模块234将由分析工具230所提供的信息可视化为画面用户接口，并且受理来自用户的操作。

事件管理模块236根据在支持装置200的内部或外部发生的事件，使各模块执行必要的处理。

典型的是，可视化模块234及事件管理模块236是作为OS中所含的功能而提供。

图7是表示图6所示的分析工具230中所含的功能模块的概要的框图。参照图7，支持装置200的分析工具230包含用户接口240、文件管理模块250、画面生成模块260、分析模块270及分析库(library)280，来作为主要的功能结构。

用户接口240执行用于受理来自用户的设定，并且对用户提供各种信息的统括性处理。作为具体的安装形态，用户接口240具有脚本引擎(script engine)242，读取包含记述有必要处理的脚本的设定文件244，执行所设定的处理。

文件管理模块250包含：数据输入功能252，从所指定的文件等读取数据；以及数据生成功能254，生成包含所生成的数据等的文件。

画面生成模块260包含：曲线图表生成功能262，基于所输入的数据等来生成曲线图表；以及参数调整功能264，接受用户的操作而变更各种参数。伴随参数的变更，曲线图表生成功能262也有时会更新曲线。曲线图表生成功能262及参数调整功能264是参照图表库266来执行必要的处理。

分析模块270是实现分析工具230的主要处理的模块，具有特征量生成功能272、特征量选择功能274及参数决定功能276。

特征量生成功能272根据原始数据142中所含的任意状态值的时间序列数据来生成特征量。特征量选择功能274执行对用于异常探测处理的特征量进行选择的处理、及受理特征量的选择的处理。参数决定功能276执行决定异常探测处理所需的参数的处理。

分析库280包含供分析模块270中所含的各功能执行处理的库。更具体而言，分析库280包含特征量生成功能272所利用的特征量生成库282、特征量选择功能274所利用的特征量选择库284、及参数决定功能276所利用的异常探测引擎286。

分析模块270中所含的特征量生成功能272所执行的处理与依照控制装置100的用户程序132中所记述的特征量生成命令134(参照图6)而执行的处理实质上相同。而且，分析库280中所含的异常探测引擎286与控制装置100的异常探测引擎150(参照图6)所执行的处理实质上相同。

这样，支持装置200的异常探测引擎286相当于如下所述的异常探测部，即，使用从控制装置100的时间序列数据库140提供的状态值(原始数据142)，执行与控制装置100的异常探测引擎150实质上相同的探测处理。

本实施方式的异常探测系统1中，提供能够在控制装置100与支持装置200这两者中实现同一异常探测处理的环境。通过此种环境，能够在支持装置200中再现控制装置100中的异常探测处理，其结果，能够在支持装置200中事先决定应由控制装置100执行的异常探测处理。

更具体而言，支持装置200的分析模块270相当于模型生成部，基于分析库280中所含的异常探测引擎286的探测结果，来决定异常探测用参数162及学习数据集160。

＜E.异常探测处理的概要＞

接下来，对本实施方式的异常探测系统1所采用的异常探测处理的概要进行说明。

本实施方式中，对于通过统计获得的数据集合，当评价为监控对象的数据为离群值时，探测为异常值。

图8是用于说明本实施方式的异常探测系统1的异常探测处理的基本思路的示意图。参照图8，首先，根据从监控对象收集的一个或多个状态值(假设监控对象被赋予有“正常”标签)来生成特征量1、2、3、…、n，依序描绘(plot)将所生成的各特征量设为维的超空间上的对应位置。将与监控对象被赋予有“正常”标签的状态值对应的坐标值群预先规定为正常值群。

并且，根据在任意的采样时机从监控对象收集的一个或多个状态值来生成对应的特征量1、2、3、…、n，设定与所述生成的各个特征量对应的坐标(相当于图8的“输入值”)。

最终，基于超空间上的输入值相对于正常值群的离群程度，来判断与所述输入值对应的采样时机的监控对象的异常有无。图8的正常值群相当于表示监控对象的“模型”。

作为基于此种离群程度的异常探测方法，已知有基于从各点直至正常值群为止的最短距离来探测异常的方法(k附近法)、将包含正常值群的群集(cluster)包括在内来评价距离的局部异常因子(local outlier factor，LoF)法、使用根据路径(path)长度而算出的得分的孤立森林(isolation forest，iForest)法等。

图9是对本实施方式的异常探测系统1的异常探测处理中的处理流程进行概括的示意图。图9所示的处理流程典型的是通过控制装置100的异常探测引擎150来执行。

参照图9，假设在任意的采样时机从监控对象收集了状态值的集。判断所述采样时机的监控对象的异常有无。

首先，使用可从监控对象收集的多个状态值中的、预定的状态值1、2、3、…n，生成特征量1、2、3、…、n。

另外，也有时根据同一状态值而生成多个特征量。为了便于说明，表示了使用至少四个特征量的结构，但在本实施方式的异常探测处理中，只要有至少一个特征量即可。

继而，根据一个或多个特征量来算出得分。并且，对所算出的得分与预定的一个或多个阈值(阈值1、阈值2、…)进行比较，以判断监控对象是否产生了异常和/或所发生的异常的等级。

本实施方式的异常探测处理中，根据遍及预定期间(以下也称作“帧”)的状态值的时间序列数据来算出状态值，并使用所算出的状态值的一个或多个来算出得分。并且，对所算出的得分与预定的一个或多个阈值进行比较，由此来实现多个等级的异常探测。

图10是表示在本实施方式的控制装置100中所执行的异常探测处理的处理流程的流程图。图10所示的各步骤典型的是通过控制装置100的处理器102执行程序(系统程序及用户程序等)而实现。

在图10所示的异常探测处理中，假设设定有两种阈值(第1阈值及第2阈值(＜第1阈值))。

参照图10，当预定帧的开始条件成立时(步骤S50中为是)，控制装置100开始预定的一个或多个状态值的收集(步骤S52)。随后，当预定帧的结束条件成立时(步骤S54中为是)，控制装置100根据在所述帧的期间所收集的状态值的时间序列数据的各个来算出预定种类的特征量(步骤S56)。然后，控制装置100基于所算出的一个或多个特征量来算出得分(步骤S58)。

更具体而言，得分是由控制装置100的异常探测引擎150，根据异常探测用参数，使用由与监控对象相关的状态值所算出的特征量来算出。

继而，控制装置100判断所算出的得分是否超过第1阈值(步骤S60)。若所算出的得分超过第1阈值(步骤S60中为是时)，控制装置100告知与第1阈值对应的等级的异常(步骤S62)。例如，与第1阈值对应的等级的异常例如相当于推测为异常程度更高的警告等级。

若所算出的得分未超过第1阈值(步骤S60中为否时)，控制装置100判断所算出的得分是否超过第2阈值(步骤S64)。若所算出的得分超过第2阈值(步骤S64中为是时)，则控制装置100告知与第2阈值对应的等级的异常(步骤S66)。例如，与第2阈值对应的等级的异常例如相当于推测为异常程度更高的注意等级。

这样，控制装置100的异常探测引擎150具有判定功能，即：使用所算出的得分与异常探测用参数中所含的第1判定基准(第1阈值)及第2判定基准(第2阈值)来分别进行判定，由此，当与第1判定基准一致时输出第1判定结果(例如警告等级)，当与第2判定基准一致时输出第2判定结果(例如异常等级)。

若所算出的得分未超过第2阈值(步骤S64中为否时)，控制装置100判定监控对象为正常(步骤S68)。并且，重复步骤S50以下的处理。

如上所述，在本实施方式的异常探测处理中，能够以一个或多个异常等级来探测发生的有无。

＜F.模型生成处理的概略流程＞

接下来，对本实施方式的模型生成处理的概略流程进行说明。本实施方式的模型生成处理包含用于计算得分的特征量的选择处理、及针对通过所述选择而算出的得分的阈值的决定处理。

图11是表示图3所示的处理流程中所含的分析处理(ST2)的内容的示意图。图12是以视觉方式表示图11所示的(a)～(e)的处理的概要的示意图。

参照图11，相当于本实施方式的模型生成处理的分析处理(ST2)主要包含(a)数据输入处理、(b)特征量生成处理、(c)可视化/标记处理、(d)特征量选择处理、(e)阈值决定处理共计五个。

参照图12，由控制装置100所收集的状态值的时间序列数据即原始数据142被给予至支持装置200((a)数据输入处理)。原始数据142对应于每个采样时机而包含一个或多个状态值。图12所示的示例中，原始数据142包含：表示包装机600中的处理次数的循环计数(cycle count)；以及作为状态值的一例的轴1扭矩、轴1速度、气缸1通断状态。

支持装置200使用所输入的原始数据142来生成一个或多个特征量((b)特征量生成)。图12所示的示例中，特征量包含轴1平均扭矩、轴1标准偏差扭矩、轴1最大扭矩、轴1最小扭矩，以作为与轴1扭矩相关的特征量，且包含轴1平均速度、轴1标准偏差速度、轴1最大速度、轴1最小速度，以作为与轴1速度相关的特征量。而且，所生成的特征量中包含气缸1动作时间。

继而，在支持装置200中，实施特征量的可视化、及针对各采样时机的特征量组的标记((c)可视化/标记处理)。特征量的可视化基本上是由支持装置200来执行，标记的全部或一部分也可由用户执行。

作为更具体的一例，用户参照以图表等形式而可视化的特征量，并在每个采样时机设定监控对象的状态是“正常”及“异常”中的哪一种。另外，考虑到现实的监控对象呈异常状态的情况少，因而在多数情况下，将赋予“正常”标签。

继而，选择根据所收集的状态值而生成的多个特征量中的、用于异常探测的一个或多个特征量((d)特征量选择)。图12所示的示例中，选择了轴1平均扭矩、轴1平均速度、轴1最大速度、气缸1动作时间这四个。

基于如上所述般选择的一个或多个特征量来算出得分，并且参照所算出的得分来决定用于判断为异常的一个或多个阈值((e)阈值决定)。

通过如上所述的流程，生成学习数据集160及异常探测用参数162。所生成的学习数据集160及异常探测用参数162从支持装置200被给予至控制装置100，控制装置100依据来自支持装置200的设定而执行异常探测处理。

图12所示的(a)～(e)的处理可适当地反复执行，也可依序更新表示监控对象的模型。

＜G.模型生成处理中的用户设定操作的流程例＞

接下来，对本实施方式的模型生成处理中的用户的设定操作的流程例进行说明。

图13是表示本实施方式的模型生成处理中的用户的设定操作的流程例的流程图。参照图13，首先，用户在支持装置200上启动分析工具230(步骤S2)，使在支持装置200上执行的分析工具230读取原始数据142(步骤S4)。

继而，用户执行针对所读取的原始数据142的数据清理(data cleansing)(步骤S6)。数据清理是删除原始数据142中所含的、对于模型生成不需要的数据的处理。例如，删除原始数据142中所含的时间序列数据中的、分散为零的状态值(即，未发生任何变动的状态值)。数据清理的处理既可由分析工具230自动执行，也可由分析工具230提示作为删除对象的状态值的候补，并由用户明示性地选择删除对象。

进而，也可参照经可视化的状态值等，由用户手动删除判断为不需要或者不恰当的数据的状态值。即，在支持装置200中，也可受理从控制装置100的时间序列数据库140所提供的状态值(原始数据142)中的、应从特征量的生成中予以排除的状态值的选择。

随后，分析工具230基于数据清理后的原始数据142中所含的状态值来生成一个或多个特征量(步骤S8)。更具体而言，分析工具230的特征量生成功能272根据从控制装置100的时间序列数据库140提供的状态值(原始数据142)而生成多个特征量。在步骤S8中，也可生成尽可能多的种类的特征量(对应于图12的(b)特征量生成)。

继而，分析工具230根据用户的选择操作来将特征量的变化可视化，并且用户对经可视化的特征量的变化设定正常范围和/或异常范围(步骤S10)(对应于图12的(c)可视化/标记处理)。

图14是表示在图13的步骤S10中对用户提供的用户接口画面500的一例的示意图。参照图14，用户接口画面500将在步骤S8中生成的特征量的变化可视化。典型的是，在用户接口画面500中，对特征量的时间性变化进行图表化，用户通过参照所述图表来评价各特征量的优势。进而，用户对显示于用户接口画面500的特征量的变化设定异常范围及正常范围。另外，用户所设定的异常范围及正常范围既可基于监控对象是实际变得异常还是正常动作的信息来设定，也可任意设定用户想要作为异常来探测的特征量的变化。即，在用户接口画面500中设定的异常范围及正常范围是对本实施方式的异常探测处理所输出的“异常”或“正常”的状态进行规定者，监控对象实际上异常还是正常，也可未必一致。

更具体而言，用户接口画面500包含针对特征量的选择受理区域(area)502、图表显示区域506及直方图(histogram)显示区域512。

在选择受理区域502中，显示有表示预先生成的特征量的内容的列表(list)，用户在显示于选择受理区域502中的列表上选择任意的特征量。

在图表显示区域506中，显示图表508，所述图表508表示用户在选择受理区域502中所选择的特征量的变化。图表508也可根据每次采样的时间序列数据、或者监控对象的处理单位(例如处理工件单位)等来划分。

在直方图显示区域512中，显示有直方图，所述直方图表示用户在选择受理区域502中所选择的特征量的变化的分布。通过确认显示在直方图显示区域512中的直方图，能够获知所选择的特征量的主要范围等。

用户能够对显示于图表显示区域506中的特征量的变化(图表508)，设定数据的正常范围和/或异常范围。更具体而言，用户接口画面500包含标签赋予工具514。标签赋予工具514包含正常标签设定按钮516、异常标签设定按钮517及标签设定范围指定按钮518。

用户根据所赋予的标签是正常或异常中的哪一种来选择正常标签设定按钮516或异常标签设定按钮517之后，选择标签设定范围指定按钮518，进行对成为图表显示区域506的对象的区域进行指定的操作(例如拖曳操作)。由此，对所指定的区域赋予所设定的标签。

图14中表示设定有异常范围510的示例。对于异常范围510中所含的采样时机的特征量，赋予“异常”标签，对于除此以外的特征量，赋予“正常”标签。这样，分析工具230也可具有下述功能，即，通过用户操作，对于所生成的多个特征量的数据序列中的特定范围，赋予“正常”及“异常”中的至少一种标签。

另外，也可使得：对于显示在直方图显示区域512中的直方图，也能够设定数据的正常范围和/或异常范围。

再次参照图13，接下来，分析工具230根据用户操作来执行异常探测用参数的决定处理(步骤S12)。步骤S12的处理对应于图12所示的(d)特征量选择处理及(e)阈值决定处理。

此步骤S12中，通过分析工具230的特征量选择功能274(参照图7)，预先设定有默认的参数(所使用的特征量及阈值等)。此时，也算出表示探测精度的指标值。

当用户变更阈值时(步骤S14中为是)，表示探测精度的指标值受到更新(步骤S16)。用户一边确认所显示的表示探测精度的指标值等，一边调整所需的参数(所使用的特征量及阈值等)。

图15是表示在图13的步骤S12～S16中对用户提供的用户接口画面520的一例的示意图。参照图15，用户接口画面520主要受理用于异常探测处理的一个或多个特征量的选择，并且受理用于异常探测处理的阈值的选择。而且，用户接口画面520显示表示探测精度的指标值。

更具体而言，用户接口画面520包含针对特征量的选择受理区域522、图表显示区域526、及直方图显示区域550。

用户接口画面520的选择受理区域522相当于如下所述的用户接口，即，受理所生成的多个特征量中的、被用于异常探测用参数及学习数据集的决定的一个或多个特征量的选择。更具体而言，在选择受理区域522中，显示有表示预先生成的特征量的内容的列表，用户通过在所显示的列表上勾选与任意特征量对应的复选框(check box)524，从而决定用于计算得分的特征量。

显示在选择受理区域522中的特征量也可基于由分析工具230的特征量选择功能274(参照图7)事先分析的结果，而以推测为高重要度者处于更上位的方式来列出。即，在选择受理区域522中，也可根据以如后所述的流程所决定的等级，来决定所生成的多个特征量的显示顺序。

而且，在初始的选择受理区域522中，也可选择由分析工具230的特征量选择功能274(参照图7)预先选择的特征量来作为默认值。即，在选择受理区域522中，也可根据所决定的等级，将所生成的多个特征量中的预定数量的特征量以被选择的状态予以显示。图15中表示选择了在得分的计算中使用两个特征量的状态。被赋予有“有效变量选择”这一说明的变量选择数显示542表示所选择的特征量的数量。在图15所示的用户接口画面520中，表示能够使用最大10个特征量来算出得分，且其中的两个特征量受到选择的示例。

在图表显示区域526中，显示有图表528，所述图表528表示基于通过对选择受理区域522的复选框524的勾选而选择的一个或多个特征量，而算出的得分的变化。这样，在图表显示区域526中，显示有基于所选择的一个或多个特征量的数据序列而算出的得分的数据序列。这样，支持装置200的分析模块270显示得分的数据序列，所述得分的数据序列是通过根据从控制装置100的时间序列数据库140提供的状态值(原始数据142)所生成的一个或多个特征量而算出。

构成图表528的各要素是使用与标签相应的形状来表达。图15所示的示例中，被赋予有“正常”标签的要素570是以“〇”来表达，被赋予有“异常”标签的要素572是以“×”来表达。

与图表显示区域526相关联地，配置有阈值设定滑块534。联动于针对阈值设定滑块534的用户操作，所设定的第1阈值受到更新，并且显示于图表显示区域526的第1阈值显示条556的位置发生变动。这样，阈值设定滑块534受理针对图表显示区域526中所显示的得分的阈值设定。

通过阈值设定滑块534而设定的第1阈值的数值被示于数值显示532。联动于针对阈值设定滑块534的用户操作，数值显示532的值也受到更新。而且，作为第1阈值的默认值，也可设定通过分析工具230的特征量选择功能274及参数决定功能276(参照图7)而预先算出的初始值。

在图表显示区域526中，除了表示第1阈值的第1阈值显示条556以外，还显示有表示第2阈值的第2阈值显示条558。这样，在图15所示的用户接口画面520中，能够进行两个阈值的设定。

在用户接口画面520中，更具体而言，第2阈值是基于被赋予有“警告的差”这一说明的阈值差设定框540中所设定的数值而决定。即，算出从第1阈值减去在阈值差设定框540中设定的数值所得的值作为第2阈值。图表显示区域526中的、第1阈值显示条556与第2阈值显示条558的距离差560相当于在阈值差设定框540中设定的数值。

另外，对于第1阈值及第2阈值，也可分别配置滑块，进而，能够采用用于分别设定第1阈值及第2阈值的任意方法。

这样，支持装置200的分析模块270受理针对得分的数据序列的两个阈值的设定，以作为第1判定基准及第2判定基准。

在直方图显示区域550中，显示表示图表528中所含的要素的分布的直方图，所述图表528表示在图表显示区域526中显示的得分的变化。在直方图显示区域550中，关于与被赋予有“正常”标签的状态值对应的得分的直方图552、与关于与被赋予有“异常”标签的状态值对应的得分的直方图554以不同的显示形态而表示。通过确认在直方图显示区域550中显示的直方图，从而能够确认所选择的各标签被赋予的得分的分布状态或分布差。

在图15所示的用户接口画面520中，进而显示表示探测精度的一个或多个指标值。作为具体的一例，在用户接口画面520上，配置有表示正检率的数值显示530、表示漏检率的数值显示544、表示过检率的数值显示546、及表示异常概率的数值显示548。各数值显示所示的指标值的含义将后述。

另外，作为表示探测精度的指标值，并不限于图15所示者，只要是用户能够确认探测精度的指标值，也可显示任意的指标值。

当用户接口画面520的重置按钮(reset button)536受到选择时，重置为选择由分析工具230的特征量选择功能274预先选择的特征量的状态(默认状态)。

当用户接口画面520的学习数据生成按钮538受到选择时，根据在所述时间点所设定的内容，生成学习数据集160及异常探测用参数162。

再次参照图13，当用户适当操作图14所示的用户接口画面500及图15所示的用户接口画面520，而选择用户接口画面520的学习数据生成按钮538时(在步骤S18中为是)，分析工具230生成表示监控对象的模型(学习数据集160及异常探测用参数162)(步骤S20)。即，分析工具230基于用户所调整的参数，生成关于监控对象的模型。

继而，从支持装置200对控制装置100发送在步骤S20中生成的模型(学习数据集160及异常探测用参数162)(步骤S22)，开始实际运用(步骤S24)。

另外，在实际运用开始后，定期确认实际运用中的探测率等，在探测率差(尽管监控对象为正常状态但探测为异常的频率相对较多，和/或尽管探测为正常但监控对象并非正常状态的频率相对较多)的情况下，也可使用在控制装置100中收集的状态值来再次进行模型生成。

＜H.分析工具230的功能及处理＞

接下来，对本实施方式的支持装置200中所含的分析工具230所提供的功能及处理进行说明。以下说明的功能及处理是在显示图14及图15所示的用户接口画面的前阶段执行。即，使用分析工具230的处理结果，提供图14及图15所示的用户接口画面。

图16是表示本实施方式的支持装置200的分析工具230所执行的处理流程的流程图。图16的流程图中所含的处理是由分析工具230的特征量生成功能272、特征量选择功能274及参数决定功能276(参照图7)来执行。图16表示各功能所负责的步骤。

参照图16，支持装置200基于所输入的原始数据142来生成特征量(步骤S100)。所述特征量的生成是使用分析工具230的特征量生成功能272而实现。通常，生成多种特征量。

继而，支持装置200执行步骤S102～S106、S124及S126的处理。这些处理是使用分析工具230的特征量选择功能274而实现。图16的步骤S102～S106、S124及S126的处理相当于特征量选择功能274对变量重要度的推测功能。

具体而言，支持装置200判断所生成的特征量是否仅为被赋予“正常”标签者(步骤S102)。

若所生成的特征量仅为被赋予“正常”标签者(在步骤S102中为是)，则执行步骤S124及S126的处理。与此相对，若所生成的特征量包含被赋予“正常”标签者及被赋予“异常”标签者(步骤S102中为否)，则执行步骤S102～S106的处理。

在步骤S102中，支持装置200利用多种方法来分别算出在步骤S100中所生成的各特征量的重要度(步骤S104)。然后，支持装置200对于各特征量，对利用各种方法所算出的重要度进行综合并分级(步骤S106)。

在步骤S124中，支持装置200利用多种方法来分别算出在步骤S100中所生成的各特征量的重要度(步骤S124)。然后，支持装置200对于各特征量，对利用各种方法所算出的重要度进行综合并分级(步骤S126)。

在步骤S106及步骤S126中，均算出特征量的重要度，但在不存在被赋予“异常”标签的特征量的步骤S126中，可算出的重要度存在限制。因此，在步骤S106及步骤S126中，在状况下，对于所生成的特征量的各个，也可仅利用一种方法来算出重要度。

通过如上所述的处理，对于在步骤S100中生成的多个特征量，按照重要度高的顺序予以分级。

所述步骤S102～S106、S124及S126的处理是由分析工具230的特征量选择功能274负责。更具体而言，在步骤S104及S124中，分析工具230的特征量选择功能274对于所生成的多个特征量的各个，通过多种方法分别算出分别表示在异常探测中的有效程度的重要度。继而，在步骤S106中，分析工具230的特征量选择功能274对于所生成的多个特征量的各个，对按照多种方法分别算出的多个重要度进行综合，以决定所生成的多个特征量间的重要度的等级。关于它们的详细将后述。

继而，支持装置200执行步骤S108～S118或步骤S128、S130的处理。这些处理是使用分析工具230的参数决定功能276而实现。图16的步骤S108～S118(除步骤S110以外)或步骤S128、S130的处理相当于特征量选择功能274的异常探测适用(得分计算)功能，图16的步骤S110的处理相当于特征量选择功能274的虚拟数据生成功能。

首先，在步骤S106的执行后，支持装置200按照等级高的顺序将特征量追加至得分的算出对象(步骤S108)。即，也可优先选择重要度高的特征量。

此处，支持装置200对学习数据集追加虚拟数据(步骤S110)。步骤S110的对学习数据集追加虚拟数据的处理的详细将后述。

继而，支持装置200使用追加有虚拟数据的学习数据集，基于包含在步骤S108中追加的特征量的一个或多个特征量，来算出得分(步骤S112)。然后，支持装置200基于所算出的得分，算出异常的探测精度(步骤S114)。支持装置200判断在步骤S114中算出的异常的探测精度较前次算出的异常的探测精度是否有所提高(步骤S116)。若较前次算出的异常的探测精度有提高(步骤S116中为是)，则将在此次的处理中追加的特征量登记为用于异常探测的特征量(步骤S118)。另一方面，若较前次算出的异常的探测精度并无提高(步骤S116中为否)，则不将此次的处理中追加的特征量登记为用于异常探测的特征量。

重复步骤S110～S118的处理，直至被登记为用于异常探测的特征量的、特征量的数量达到预定数量为止。

另一方面，在步骤S128的执行后，支持装置200按照等级高的顺序，将预定数量的特征量登记为用于异常探测的特征量(步骤S128)。然后，支持装置200基于在步骤S128中登记的预定数量的特征量，来算出得分(步骤S130)。

最终，支持装置200在任一情况下，均基于所算出的得分来自动设定阈值(步骤S140)。然后，处理结束。

在所述步骤S108及S128中，分析工具230的参数决定功能276选择所生成的多个特征量中的一个或多个特征量的组合。

在步骤S110中，分析工具230的特征量选择功能274(虚拟数据生成功能)生成追加学习数据集，所述追加学习数据集包含所选择的组合特征量的数据序列中的至少一部分、及通过统计生成的虚拟特征量的数据序列。另外，除了追加学习数据集的生成以外，分析工具230的特征量选择功能274(虚拟数据生成功能)也可在评价数据集中追加通过统计生成的虚拟特征量的数据序列而生成追加评价数据集。

此处，“评价数据集”是指被用于使用学习数据集而生成的模型的异常探测能力、探测精度、识别能力等的评价的数据序列。因此，“评价数据集”优选为被预先赋予有标签的数据序列。

在步骤S112、S114中，分析工具230的参数决定功能276使用在步骤S110中所生成的追加学习数据集，来评价与所选择的组合特征量对应的模型的探测精度。并且，在步骤S116、S118中，若通过追加选择任意特征量而探测精度提高，则分析工具230的参数决定功能276将所述任意特征量登记为模型。

＜I.特征量的重要度的计算及分级＞

接下来，对图16所示的分析工具230的特征量选择功能274所负责的处理(步骤S104、S106及步骤S124、S126)的详细进行说明。

图17是用于说明本实施方式的支持装置200的分析工具230所执行的、对特征量的重要度进行评价的处理的示意图。参照图17，分析工具230的特征量选择功能274利用多种方法来分别算出各特征量的重要度。图17中，作为一例，表示通过峰度、逻辑回归、决策树这三种方法来分别进行评价的示例。

保存在评价值栏(column)702中的峰度是对关于对象特征量700的数据序列的频率分布的锐度进行评价的值。峰度越大，则表示频率分布的波峰(peak)越尖锐，分布的裙摆越宽。作为用于异常探测的统计量，峰度越大，可视为越有益，即越重要。

而且，也可将关于对象特征量的数据序列的频率分布的标准偏差用作评价值。此时，标准偏差越大，则可判断为特征量越有变化而异常探测的能力越高(即，越重要)。

保存在评价值栏704中的逻辑回归是将任意的逻辑函数适用于对象特征量的数据序列，搜索对将似然性最大化的逻辑函数进行规定的参数。将与最终搜索到的参数对应的似然性视为重要度。即，越是能利用任意的逻辑函数来进行更高精度的推测的特征量，则能视为优先级越高。

典型的是，逻辑回归能够针对每个特征量来进行参数的搜索及似然性的计算。

保存在评价值栏706中的决策树是对于对象特征量的数据序列适用分类树，将其分类能力用作重要度。作为决策树的算法，已知有CART、C4.5、ID3等，使用任一算法皆可。

这样，作为典型例，重要度至少包含关于特征量的数据序列的峰度、针对特征量的数据序列而通过逻辑回归的执行所获得的似然性、按照决策树的算法而算出的重要度。

如上所述，对于各特征量，利用多种方法来分别算出表示重要度的值，并将对各个结果进行综合的结果保存至评价值栏708中。基于保存在评价值栏708中的各评价值，进行针对各个特征量的分级(等级栏710)。

在图16的步骤S106及S126中，基于保存在图17的评价值栏708中的各个评价值，实施针对特征量的分级。

在图16的步骤S102中，获得被赋予有“正常”及“异常”标签的状态值，因此能够适用图17所示的峰度、逻辑回归、决策树的各方法。另一方面，在图16的步骤S122中，由于为仅存在被赋予“正常”标签的状态值的状态，因此难以适用图17所示的逻辑回归及决策树，可适用峰度及标准偏差的方法。

基于通过如上所述的处理流程而决定的关于各特征量的等级，执行图16所示的步骤S108以下的处理、和/或步骤S128以下的处理。

如上所述，在本实施方式的异常探测系统1中，使用多种方法来分别算出各特征量的重要度后，对多种方法中的各个特征量进行综合，并从重要度的观点对各特征量进行分级。

＜J.虚拟数据向学习数据集中的追加＞

接下来，对图16所示的分析工具230的参数决定功能276所负责的处理(步骤S110)的详细进行说明。

当学习数据集中所含的数据的分布发生歪斜(或者偏颇)时，难以提高异常探测的精度。此种情况下，通过对学习数据集追加虚拟数据，来提高异常探测的精度。

图18的(A)部分及图18的(B)部分是用于说明本实施方式的支持装置200的分析工具230向学习数据集中追加虚拟数据的处理的示意图。图18的(A)部分表示原始(original)的学习数据集的一例，图18的(B)部分表示追加有虚拟数据的学习数据集的一例。

图18的(A)部分中表示对使用原始的学习数据800而生成的模型适用评价数据集802时所算出的得分804。

评价数据集802也可通过采用被标记的特征量的数据集的一部分来作为学习数据800，并采用剩余部分作为评价数据集802而制作。即，也可将在模型生成时所选择的组合特征量的数据序列中的一部分用作学习数据集，并且将所述数据序列的剩余部分用作评价数据集802。

如图18的(A)部分所示的得分804的变化所示，当学习数据800的数据分布发生歪斜时，难以提高异常探测的精度。而且，如图18的(A)部分所示，在异常区域806、808中，得分804的值无变化，得不到分辨率。

图18的(B)部分中表示对于使用在原始的学习数据810中追加有噪声(noise)811作为虚拟数据的学习数据集而生成的模型，适用评价数据集812时所算出的得分814。

根据图18的(B)部分所示的得分814，可知的是，离正常点(即，学习数据)越远，则呈现越高的得分，即使在学习数据集中所含的数据分布发生了歪斜(或者偏颇)的情况下，也能够进行充分的异常探测。而且，与图18的(A)部分相比可知的是，在异常区域816、818中，得分814的值的变化大，分辨率增加。

这样，作为得分804，相当于对包含在学习数据集中追加有虚拟数据的追加学习数据集的模型适用评价数据集812时的误探测的概率。

另外，对于评价数据集812，也能够同样地追加虚拟数据。此时，使用在评价数据集812中追加有虚拟数据的追加评价数据集来算出得分804(误探测的概率)。

接下来，对追加至学习数据810中的虚拟数据的生成方法的一例进行说明。

作为虚拟数据，优选使用根据某范围的均匀分布而生成的噪声等。生成此种虚拟数据的流程如下。

(1)决定要追加的虚拟数据的分布范围(例如可设定为：针对所生成的特征量的数据集的最小值至最大值为止的范围，从自最小值减去任意偏移量(offset)的下限值直至对最大值加上任意偏移量的上限值为止的范围等)。

(2)决定要追加的虚拟数据的数据分数N(例如N＝学习数据集中所含的数据分数×5％等)。

(3)决定要追加的虚拟数据的每一维(一个特征量)的数据分数M(即，要追加的数据分数N＝数据分数M＾维数)。

(4)算出要追加的虚拟数据的间距L(相当于将在(1)中决定的虚拟数据的分布范围除以数据分数M所得的宽度)。

(5)最终生成每一维(一个特征量)的虚拟数据(在(1)中决定的虚拟数据的分布范围内每隔间距L而生成数据)。

(6)通过各维虚拟数据(每一维为N个)的排列组合，生成包含M个全维要素的虚拟数据。

图19是表示由本实施方式的支持装置200的分析工具230所生成的虚拟数据的一例的示意图。图19中表示生成二维虚拟数据的示例。各维(特征量1及特征量2)分别具有三个要素。即，在特征量1＝[10、20、30]、特征量2＝[-20、0、20]的情况下，通过组合而生成的虚拟数据如图19所示。

通过将这样生成的虚拟数据附加至由原始数据所生成的特征量的数据集，从而能够在学习数据集及评价数据集这两者或者一部分中追加虚拟数据。另外，也可适当变更要追加的虚拟数据的分布范围、及要追加的虚拟数据的数量。

通过如上所述的处理流程，生成虚拟数据。

＜K.特征量的重要度的计算及分级＞

接下来，对图16所示的分析工具230的参数决定功能276所负责的处理(步骤S112、S114、S130)的详细进行说明。

在本实施方式的异常探测系统1中，例如实施使用iForest法的异常探测。在iForest法中，在模型生成阶段，以随机(random)设定的分区(partition)来分割学习数据集，构成将各分区作为节点(node)的树结构。异常探测是基于所输入的数据直至预先制作的模型的路径节点(route node)为止的深度(路径长度、或者路径上的分区数)，来判断是否为异常。

当使用iForest法时，在步骤S112及S130中算出的得分能够基于将学习数据集分割为分区时的路径长度而算出。进而，作为步骤S114中的异常探测精度的计算方法，能够通过基于由假正(False Positive)轴与真正(True Positive)轴所规定的受试者工作特征(Receiver Operating Characteristic，ROC)曲线来算出曲线下面积(Under Area theCurve，AUC)而实现。

AUC是指ROC曲线的下侧面积，是表示判别算法的性能的良好性的指标。AUC取0至1为止的值，可完全分类时的面积为1。

图20是表示用于算出在本实施方式的异常探测处理中所算出的探测精度的指标值的一例的示意图。参照图20，真正性(True Positive，TP)是指对被赋予有“异常”标签的状态值判断为“异常”的采样数。假正性(False Positive，FP)是指对被赋予有“正常”标签的状态值判断为“异常”(第1种错误)的采样数。真负性(True Negative，TN)是指对被赋予有“正常”标签的状态值判断为“正常”的采样数。假负性(False Negative，FN)是指对被赋予有“异常”标签的状态值判断为“正常”(第2种错误)的采样数。

ROC曲线是在横轴为假正性(FP)的比例即假正率(False Positive Rate，FPR)(假正轴)，纵轴为真正性(TP)的比例即真正率(True Positive Rate，TPR)(真正轴)的坐标系中，绘制有使阈值依序变化的结果者。此处，FPR＝FP/(FP+TN)、TPR＝TP/(TP+FN)。

图21是用于说明本实施方式的异常探测处理中的AUC的计算处理的示意图。在图21所示的ROC曲线中，阶段性地变化的各部对应于所设定的各阈值。ROC曲线更下侧区域的面积相当于AUC。通过使阈值更精细地变化，从而能够更准确地算出探测精度。

在所述图16的步骤S114所示的异常探测精度的计算处理中，例如能够采用在步骤S112中算出的每个循环的得分的集合来作为用于算出AUC的阈值列表。针对阈值列表中所含的每个阈值，分别算出真正性(TP)、假正性(FP)、真负性(TN)、假负性(FN)，并且算出对应的TPR及FPR。并且，对针对每个阈值而算出的TPR与FPR的组进行绘制，从而决定ROC曲线，根据所决定的ROC曲线来算出AUC(ROC曲线的下侧的面积)。

这样，支持装置200的分析模块270基于对得分的数据序列中所含的各要素所赋予的标签、与对得分的数据序列适用由用户所指定的判定基准时的判定结果，来算出表示探测精度的指标值。

更具体而言，使用学习数据集中所含的被赋予有“正常”标签的数据和被赋予有“异常”标签的数据，来评价误探测(将被赋予有“正常”标签的数据判断为“异常”、或者将被赋予有“异常”标签的数据判断为“正常”)的概率。

＜L.阈值的自动设定及表示探测精度的指标值的计算＞

接下来，对图16所示的分析工具230的参数决定功能276所承担的处理(步骤S140)的详细进行说明。

首先，对表示探测精度的指标值的一例进行说明。在图15所示的用户接口画面520上所示的、漏检率(FNR)、过检率(FPR)及正检率(Accuracy)的计算时，使用真正性(TP)、假正性(FP)、真负性(TN)及假负性(FN)。

漏检率(对应于图15的表示漏检率的数值显示544)表示被赋予有异常标签的采样数中的、误判定为正常的采样的概率。即，漏检率是指将被赋予有异常标签的要素判定为正常的概率。具体而言，以如下所述的数式来表示。

漏检率(FNR)＝FN/(TP+FN)＝1-灵敏度(Sensitivity)

过检率(对应于图15的表示过检率的数值显示546)表示被赋予有正常标签的采样数中的误判定为异常的采样的概率。即，过检率是指将被赋予有正常标签的要素判定为异常的概率。具体而言，以如下所述的数式来表示。

过检率(FPR)＝FP/(FP+TN)＝1-特异性(Specificity)

正检率表示将所有采样中的被赋予有正常标签的采样判断为正常，将被赋予有异常标签的采样判断为异常的概率。即，正检率是指作出如对要素所赋予的标签般的判定的概率。具体而言，以如下所述的数式来表示。

正检率＝(TP+TN)/总采样数

异常概率(对应于图15的表示异常概率的数值显示548)表示判断为“异常”的区域(＝超过阈值的区域)在采样的分布中所占的比例。

另外，作为表示探测精度的指标值，无须采用所述的漏检率、过检率、正检率、异常概率的全部，只要包含这些中的至少一个即可。

接下来，对阈值的自动设定处理进行说明。

图22是用于说明与本实施方式的异常探测处理中的阈值的自动设定相关的处理的示意图。参照图22，针对每个循环的一个或多个特征量900、以及对应的标签902，分别算出得分904。用于计算得分904的特征量900是通过先前的处理来决定。得分904是通过将各循环的特征量900给予至异常探测引擎286(图7)而算出。

针对关于各循环而算出的得分904，使用多个阈值来反复实施评价。图22中表示设定有某阈值时所输出的判定结果906及评价908的示例。

判定结果906是基于关于各循环而算出的得分904是否超过所设定的阈值，来判断是“正常”及“异常”中的哪种的结果。

进而，对关于各循环而输出的判定结果906、与对应的标签902进行比较，以决定评价908。评价908表示基于标签902与判定结果906的结果而决定的真正性(TP)、假正性(FP)、真负性(TN)、假负性(FN)中的任一个。

基于关于某阈值而输出的评价908的内容，能够分别算出正检率、漏检率、过检率。每当阈值受到变更时，判定结果906及评价908受到更新，因此递归性地决定表示探测精度的指标值(正检率、漏检率、过检率)成为理想状态的阈值。

所谓表示探测精度的指标值为理想的状态，典型的是，正检率呈现最大值，漏检率及过检率均呈现最小值的状态。

另外，异常概率也可通过对关于各循环而算出的得分904进行Box-Cox转换(即，使数据的分布接近正态分布的转换)，使用用户所指定的任意统计性的指标(例如3σ或5σ等)来作为阈值而算出。

通过如上所述的处理，自动设定初始阈值。进而，在用户对初始的阈值进行了变更的情况下，再次算出表示探测精度的指标值，并提示给用户。用户一边确认根据阈值而变化的表示探测精度的指标值，一边设定最佳的阈值。如上所述，在本实施方式的异常探测系统1中，能够进行多个阈值(例如第1阈值及第2阈值等)的设定。在用户设定了多个阈值的情况下，将所述设定的各个阈值作为异常探测用参数的一部分而输出。

图23是表示与图16所示的流程图的步骤S140所示的阈值的自动设定相关的更详细的处理流程的流程图。参照图23，支持装置200将阈值设定为任意的初始值(步骤S1401)，对于在图16的S112或S130中所算出的每个循环的得分，使用当前设定的阈值来执行异常探测处理，由此来输出关于各循环的判定结果(步骤S1402)。继而，支持装置200基于被赋予至各循环的标签、与在步骤S1402中所输出的关于各循环的判定结果，来输出评价(真正性(TP)、假正性(FP)、真负性(TN)、假负性(FN)中的任一个)(步骤S1403)。然后，支持装置200算出表示探测精度的指标值(正检率、漏检率、过检率)(步骤S1404)。

继而，支持装置200判断在步骤S1404中所算出的表示探测精度的指标值(正检率、漏检率、过检率)是否满足收敛条件(步骤S1405)。收敛条件是用于判断为表示探测精度的指标值为理想的状态的条件。

若不满足收敛条件(步骤S1405中为否)，则支持装置200将当前的阈值变更为新的阈值(步骤S1406)，并重复步骤S1402以下的处理。

若满足收敛条件(步骤S1405中为是)，则支持装置200将当前的阈值决定为初始值(步骤S1407)。所述决定的阈值的初始值被反映至图15所示的用户接口画面520。

随后，支持装置200判断是否给予有用于变更阈值的用户操作(步骤S1408)。若给予有用于变更阈值的用户操作(步骤S1408中为是)，则支持装置200对于在图16的S112或S130中所算出的每个循环的得分，使用变更后的阈值来执行异常探测处理，由此来输出关于各循环的判定结果(步骤S1409)。

继而，支持装置200给予被赋予至各循环的标签、与在步骤S1409中所输出的关于各循环的判定结果，来输出评价(真正性(TP)、假正性(FP)、真负性(TN)、假负性(FN)中的任一个)(步骤S1410)。然后，支持装置200算出表示探测精度的指标值(正检率、漏检率、过检率)(步骤S1411)。所算出的表示探测精度的指标值被反映至图15所示的用户接口画面520。

这样，当所设定的阈值受到变更时，支持装置200也对表示探测精度的指标值进行更新。

继而，支持装置200重复步骤S1408以下的处理，直至图15所示的用户接口画面520的学习数据生成按钮538受到选择为止(步骤S1412中为是)。

通过如上所述的处理流程，自动设定阈值，并且适当算出表示探测精度的指标值(正检率、漏检率、过检率)。

＜M.表示探测精度的指标值的显示例＞

接下来，对如上所述的表示探测精度的指标值的显示例进行说明。

再次参照图15，作为表示探测精度的指标值的一例，配置有表示正检率的数值显示530、表示漏检率的数值显示544、表示过检率的数值显示546、及表示异常概率的数值显示548。进而，也可将发生了漏检及过检的要素视觉化。

图24及图25是表示指标值的显示例的示意图，所述指标值表示探测精度。在图24及图25所示的用户接口画面520中，用户可选择表示漏检率的数值显示544、表示过检率的数值显示546与表示异常概率的数值显示548。当用户选择任一数值显示时，强调显示与所选择的指标对应的要素。

在图24所示的用户接口画面520中，选择了表示漏检率的数值显示544，发生了漏检的要素580以与其他要素不同的形态而强调显示。发生了漏检的要素580是尽管被赋予有正常标签，但被判定为异常的要素。即，对被赋予有正常标签的要素中的、位于第1阈值显示条556下侧的要素进行强调显示。

在图25所示的用户接口画面520中，选择了表示过检率的数值显示546，发生了过检的要素582以与其他要素不同的形态而强调显示。发生了过检的要素582是尽管被赋予有异常标签，但被判定为正常的要素。即，对被赋予有异常标签的要素中的、位于第1阈值显示条556上侧的要素进行强调显示。

另外，当选择表示异常概率的数值显示548时，也可对超过作为异常概率而算出的统计性指标(得分分布的3σ等)的要素进行强调显示。

通过提供图24及图25所示的用户接口画面520，用户能够容易地预测所设定的阈值是否产生恰当的评价结果(判定结果)。

＜N.变形例＞

图2所示的异常探测系统1中，采用了控制装置100与支持装置200分别独立的结构，但也可将支持装置200的功能的全部或一部分装入控制装置100中。例如，通过将安装于支持装置200的分析工具230安装至控制装置100中，能够更容易地实现原始数据的传输或模型生成处理的反复执行。

所述图6及图7所示的模块结构为一例，只要能够提供如上所述的功能，则采用任何安装皆可。例如，既可因硬件上的限制或编程(programming)上的限制等，而将图6及图7所示的功能模块作为多个功能模块的集合而安装，也可将图6及图7所示的多个功能模块作为单个模块而安装。

＜O.附注＞

如上所述的本实施方式包含如下所述的技术思想。

[结构1]

一种异常探测系统，其包括：

控制运算部10，执行用于对控制对象进行控制的控制运算；以及

第1异常探测部20，将由所述控制运算部所收集的状态值中的与监控对象相关的状态值，给予至由异常探测用参数及学习数据集所规定的表示所述监控对象的模型，由此来探测所述监控对象中可能产生的异常；

所述第1异常探测部包括：

计算部，根据所述异常探测用参数，使用由与所述监控对象相关的状态值算出的特征量来算出得分；以及

判定部24，使用由所述计算部所算出的得分与所述异常探测用参数中所含的第1判定基准及第2判定基准来分别进行判定，由此，当与所述第1判定基准一致时输出第1判定结果，当与所述第2判定基准一致时输出第2判定结果。

[结构2]

根据结构1所述的异常探测系统，其中，

所述第1判定基准被设定为，与所述得分表示比所述第2判定基准更高的值的情况一致，

与所述第1判定基准对应的所述第1判定结果跟与所述第2判定基准对应的所述第2判定结果相比，表示异常的程度更高。

[结构3]

根据结构1或2所述的异常探测系统，还包括：

状态值保存部，保存由所述控制运算部所收集的状态值中的至少与所述监控对象相关的状态值；

第2异常探测部，使用从所述状态值保存部提供的所述状态值，执行与所述第1异常探测部实质上相同的探测处理；以及

模型生成部，基于所述第2异常探测部的探测结果，决定对所述第1异常探测部所设定的、所述异常探测用参数及所述学习数据集。

[结构4]

根据结构3所述的异常探测系统，其中，

所述模型生成部包含：

显示得分的数据序列的部件，所述得分的数据序列是通过根据从所述状态值保存部提供的所述状态值所生成的一个或多个特征量而算出；以及

受理针对所述得分的数据序列的两个阈值的设定来作为所述第1判定基准及所述第2判定基准的部件。

[结构5]

根据结构4所述的异常探测系统，其中，

所述模型生成部包含一部件，所述部件基于对所述得分的数据序列中所含的各要素所赋予的标签、与对所述得分的数据序列适用由用户所指定的判定基准时的判定结果，来算出表示探测精度的指标值。

[结构6]

根据结构5所述的异常探测系统，其中，

所述表示探测精度的指标值包含下述指标中的至少一个，即：

将被赋予有异常标签的要素判定为正常的概率即漏检率；

将被赋予有正常标签的要素判定为异常的概率即过检率；以及

作出如赋予给要素的标签般的判定的概率即正检率。

[结构7]

根据结构5或6所述的异常探测系统，其中，

所述模型生成部在所设定的阈值受到变更时，更新表示所述探测精度的指标值。

[结构8]

根据结构1至7中任一项所述的异常探测系统，还包括：

告知装置18，以与来自所述判定部的判定结果相应的形态来进行告知动作。

[结构9]

一种支持装置，其连接于用于对控制对象进行控制的控制装置，其中，所述控制装置包括：控制运算部，执行用于对所述控制对象进行控制的控制运算；第1异常探测部，将由所述控制运算部所收集的状态值中的与监控对象相关的状态值，给予至由异常探测用参数及学习数据集所规定的表示所述监控对象的模型，由此来探测所述监控对象中可能产生的异常；以及状态值保存部，保存由所述控制运算部所收集的状态值中的至少与所述监控对象相关的状态值，

所述支持装置包括：

第2异常探测部，使用从所述状态值保存部提供的所述状态值，执行与所述第1异常探测部实质上相同的探测处理；以及

模型生成部，基于所述第2异常探测部的探测结果，决定对所述第1异常探测部所设定的、所述异常探测用参数及所述学习数据集，

所述模型生成部包含：

显示得分的数据序列的部件，所述得分的数据序列是通过根据从所述状态值保存部提供的所述状态值所生成的一个或多个特征量而算出；以及

针对所述得分的数据序列来受理第1判定基准及第2判定基准的设定的部件。

[结构10]

一种异常探测方法，其特征在于包括：

步骤(10、130)，执行用于对控制对象进行控制的控制运算；以及

步骤(S50～S68)，将关于所述控制运算而收集的状态值中的与监控对象相关的状态值，给予至由异常探测用参数及学习数据集所规定的表示所述监控对象的模型，由此来探测所述监控对象中可能产生的异常，

所述探测异常的步骤包括：

步骤(S58)，根据所述异常探测用参数，使用由与所述监控对象相关的状态值算出的特征量来算出得分；

步骤(S60、S64)，使用所述算出的得分与所述异常探测用参数中所含的第1判定基准及第2判定基准来分别进行判定；以及

步骤(S62、S66)，当所述算出的得分与所述第1判定基准一致时输出第1判定结果，当与所述第2判定基准一致时输出第2判定结果。

＜P.优点＞

在本实施方式的异常探测系统中，对于根据由与监控对象相关的状态值所生成的一个或多个特征量而算出的得分，能够任意设定一个或多个判定基准(典型的是阈值)。也能够进行与所设定的各判定基准相应的不同的告知动作等。

通过对此种异常探测的表达种类进行丰富化，从而维护员等能够更容易地获得用于判断应设定何种判定基准的见解。而且，维护员等能够根据各个判定基准来排出优先顺次，以进行监控对象设备等的维护作业。进而，也容易适用于在制造现场等配置有大量信号灯等的告知装置。

而且，在本实施方式的异常探测系统中，提供表示探测精度的一个或多个指标值。维护员等用户通过参照表示探测精度的指标值，能够将应对各监控对象设定的判定基准最佳化。通过参照此种表示探测精度的指标值，在实际于机械或装置中发生了某些异常后，能够降低变更判定基准等偏离预见性维护的工作。而且，无须进行用于设定判定基准的试行错误性的验证等，能够使维护工作效率化。

应认为，此次揭示的实施方式在所有方面仅为例示而非限制者。本发明的范围是由权利要求而非所述说明所示，且意图包含与权利要求均等的含义及范围内的所有变更。

Claims (10)

1.一种异常探测系统，其特征在于，包括：

控制运算部，执行用于对控制对象进行控制的控制运算；以及

第1异常探测部，将由所述控制运算部所收集的状态值中的与监控对象相关的状态值，给予至由异常探测用参数及学习数据集所规定的表示所述监控对象的模型，由此来探测所述监控对象中可能产生的异常；

所述第1异常探测部包括：

计算部，根据所述异常探测用参数，使用由与所述监控对象相关的状态值算出的特征量来算出得分；以及

判定部，使用由所述计算部所算出的得分与所述异常探测用参数中所含的第1判定基准及第2判定基准来分别进行判定，由此，当与所述第1判定基准一致时输出第1判定结果，当与所述第2判定基准一致时输出第2判定结果。

2.根据权利要求1所述的异常探测系统，其特征在于，

所述第1判定基准被设定为，与所述得分表示比所述第2判定基准更高的值的情况一致，

与所述第1判定基准对应的所述第1判定结果跟与所述第2判定基准对应的所述第2判定结果相比，表示异常的程度更高。

3.根据权利要求1或2所述的异常探测系统，其特征在于还包括：

状态值保存部，保存由所述控制运算部所收集的状态值中的至少与所述监控对象相关的状态值；

第2异常探测部，使用从所述状态值保存部提供的所述状态值，执行与所述第1异常探测部实质上相同的探测处理；以及

模型生成部，基于所述第2异常探测部的探测结果，决定对所述第1异常探测部所设定的、所述异常探测用参数及所述学习数据集。

4.根据权利要求3所述的异常探测系统，其特征在于，

所述模型生成部包含：

显示得分的数据序列的部件，所述得分的数据序列是通过根据从所述状态值保存部提供的所述状态值所生成的一个或多个特征量而算出；以及

受理针对所述得分的数据序列的两个阈值的设定来作为所述第1判定基准及所述第2判定基准的部件。

5.根据权利要求4所述的异常探测系统，其特征在于，

所述模型生成部包含一部件，所述部件基于对所述得分的数据序列中所含的各要素所赋予的标签、与对所述得分的数据序列适用由用户所指定的判定基准时的判定结果，来算出表示探测精度的指标值。

6.根据权利要求5所述的异常探测系统，其特征在于，

所述表示探测精度的指标值包含下述指标中的至少一个，即：

将被赋予有异常标签的要素判定为正常的概率即漏检率；

将被赋予有正常标签的要素判定为异常的概率即过检率；以及

作出如赋予给要素的标签般的判定的概率即正检率。

7.根据权利要求5所述的异常探测系统，其特征在于，

所述模型生成部在所设定的阈值受到变更时，更新表示所述探测精度的指标值。

8.根据权利要求1项所述的异常探测系统，其特征在于还包括：

告知装置，以与来自所述判定部的判定结果相应的形态来进行告知动作。

9.一种支持装置，其连接于用于对控制对象进行控制的控制装置，所述支持装置的特征在于，

所述控制装置包括：控制运算部，执行用于对所述控制对象进行控制的控制运算；第1异常探测部，将由所述控制运算部所收集的状态值中的与监控对象相关的状态值，给予至由异常探测用参数及学习数据集所规定的表示所述监控对象的模型，由此来探测所述监控对象中可能产生的异常；以及状态值保存部，保存由所述控制运算部所收集的状态值中的至少与所述监控对象相关的状态值，

所述支持装置包括：

第2异常探测部，使用从所述状态值保存部提供的所述状态值，执行与所述第1异常探测部实质上相同的探测处理；以及

模型生成部，基于所述第2异常探测部的探测结果，决定对所述第1异常探测部所设定的、所述异常探测用参数及所述学习数据集，

所述模型生成部包含：

显示得分的数据序列的部件，所述得分的数据序列是通过根据从所述状态值保存部提供的所述状态值所生成的一个或多个特征量而算出；以及

针对所述得分的数据序列来受理第1判定基准及第2判定基准的设定的部件。

10.一种异常探测方法，其特征在于包括下述步骤：

执行用于对控制对象进行控制的控制运算；以及

将关于所述控制运算而收集的状态值中的与监控对象相关的状态值，给予至由异常探测用参数及学习数据集所规定的表示所述监控对象的模型，由此来探测所述监控对象中可能产生的异常，

所述探测异常的步骤包括下述步骤：

根据所述异常探测用参数，使用由与所述监控对象相关的状态值算出的特征量来算出得分；

使用所述算出的得分与所述异常探测用参数中所含的第1判定基准及第2判定基准来分别进行判定；以及

当所述算出的得分与所述第1判定基准一致时输出第1判定结果，当与所述第2判定基准一致时输出第2判定结果。