JP7248103B2 - 異常検知方法、異常検知装置、プログラム - Google Patents
異常検知方法、異常検知装置、プログラム Download PDFInfo
- Publication number
- JP7248103B2 JP7248103B2 JP2021508905A JP2021508905A JP7248103B2 JP 7248103 B2 JP7248103 B2 JP 7248103B2 JP 2021508905 A JP2021508905 A JP 2021508905A JP 2021508905 A JP2021508905 A JP 2021508905A JP 7248103 B2 JP7248103 B2 JP 7248103B2
- Authority
- JP
- Japan
- Prior art keywords
- feature vector
- monitored object
- measurement data
- state
- data measured
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/0751—Error or fault detection not based on redundancy
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/3006—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is distributed, e.g. networked systems, clusters, multiprocessor systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3447—Performance evaluation by modeling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Description
本発明は、異常検知方法、異常検知装置、プログラムに関する。
情報処理システムや機械設備などの監視対象について、各種センサから計測された計測データを分析し、監視対象に異常状態が発生したことを検出することが行われている（例えば、特許文献１参照）。特に、監視対象から計測された計測データのうち、正常に稼働しているときの正常系のデータのみを学習データとして学習してモデル化を行い、かかるモデルを用いて新たに計測される計測データが異常であることを検知する手法が用いられている。
しかしながら、上述した正常系データのみを学習して異常を検知する手法では、計測した時系列データから監視対象が正常であるか異常であるかということしか検知できない。このため、異常を検知しても、異常の詳細な状態まで検出することができない。その結果、監視対象の異常を検知した場合であっても、異常の状態に対する適切な対応をとることができない、という問題が生じる。
このため、本発明の目的は、上述した課題である、監視対象の異常状態に対して適切な対応をとることができない、ことを解決することにある。
本発明の一形態である異常検知方法は、
正常時における監視対象から計測された計測データに基づいて生成されたモデルを用いて、前記監視対象から計測された計測データから当該監視対象の異常状態を検知し、
異常状態を検知した前記監視対象から計測された計測データに基づく特徴ベクトルを異常検知特徴ベクトルとして生成し、
前記異常検知特徴ベクトルと、予め登録された前記監視対象の所定の異常状態を表す異常状態情報と関連付けられた特徴ベクトルである登録特徴ベクトルとを比較し、比較結果に基づく情報を出力する、
という構成をとる。
正常時における監視対象から計測された計測データに基づいて生成されたモデルを用いて、前記監視対象から計測された計測データから当該監視対象の異常状態を検知し、
異常状態を検知した前記監視対象から計測された計測データに基づく特徴ベクトルを異常検知特徴ベクトルとして生成し、
前記異常検知特徴ベクトルと、予め登録された前記監視対象の所定の異常状態を表す異常状態情報と関連付けられた特徴ベクトルである登録特徴ベクトルとを比較し、比較結果に基づく情報を出力する、
という構成をとる。
また、本発明の一形態である異常検知装置は、
正常時における監視対象から計測された計測データに基づいて生成されたモデルを用いて、前記監視対象から計測された計測データから当該監視対象の異常状態を検知する検知部と、
異常状態を検知した前記監視対象から計測された計測データに基づく特徴ベクトルを異常検知特徴ベクトルとして生成する特徴ベクトル生成部と、
前記異常検知特徴ベクトルと、予め登録された前記監視対象の所定の異常状態を表す異常状態情報と関連付けられた特徴ベクトルである登録特徴ベクトルとを比較し、比較結果に基づく情報を出力する比較部と、
を備えた、
という構成をとる。
正常時における監視対象から計測された計測データに基づいて生成されたモデルを用いて、前記監視対象から計測された計測データから当該監視対象の異常状態を検知する検知部と、
異常状態を検知した前記監視対象から計測された計測データに基づく特徴ベクトルを異常検知特徴ベクトルとして生成する特徴ベクトル生成部と、
前記異常検知特徴ベクトルと、予め登録された前記監視対象の所定の異常状態を表す異常状態情報と関連付けられた特徴ベクトルである登録特徴ベクトルとを比較し、比較結果に基づく情報を出力する比較部と、
を備えた、
という構成をとる。
また、本発明の一形態であるプログラムは、
情報処理装置に、
正常時における監視対象から計測された計測データに基づいて生成されたモデルを用いて、前記監視対象から計測された計測データから当該監視対象の異常状態を検知する検知部と、
異常状態を検知した前記監視対象から計測された計測データに基づく特徴ベクトルを異常検知特徴ベクトルとして生成する特徴ベクトル生成部と、
前記異常検知特徴ベクトルと、予め登録された前記監視対象の所定の異常状態を表す異常状態情報と関連付けられた特徴ベクトルである登録特徴ベクトルとを比較し、比較結果に基づく情報を出力する比較部と、
を実現させる、
という構成をとる。
情報処理装置に、
正常時における監視対象から計測された計測データに基づいて生成されたモデルを用いて、前記監視対象から計測された計測データから当該監視対象の異常状態を検知する検知部と、
異常状態を検知した前記監視対象から計測された計測データに基づく特徴ベクトルを異常検知特徴ベクトルとして生成する特徴ベクトル生成部と、
前記異常検知特徴ベクトルと、予め登録された前記監視対象の所定の異常状態を表す異常状態情報と関連付けられた特徴ベクトルである登録特徴ベクトルとを比較し、比較結果に基づく情報を出力する比較部と、
を実現させる、
という構成をとる。
本発明は、以上のように構成されることにより、監視対象の異常状態に対して適切な対応をとることができる。
＜実施形態１＞
本発明の第１の実施形態を、図１乃至図９を参照して説明する。図１乃至図２は、異常検知装置の構成を説明するための図であり、図３乃至図８は、異常検知装置の処理動作を説明するための図である。
本発明の第１の実施形態を、図１乃至図９を参照して説明する。図１乃至図２は、異常検知装置の構成を説明するための図であり、図３乃至図８は、異常検知装置の処理動作を説明するための図である。
［構成］
本発明における異常検知装置１０は、データベースサーバやアプリケーションサーバ、ウェブサーバなど、複数の情報処理装置を備えた情報処理システムが設置されているデータセンタといった設備を監視対象Ｐとし、かかる監視対象Ｐに接続されている。そして、異常検知装置１０は、監視対象Ｐの各要素から計測した計測データを取得して分析し、分析結果に基づいて監視対象Ｐを監視して異常状態を検知するために利用される。例えば、本実施形態のように、監視対象Ｐがデータセンタである場合には、情報処理システムを構成する各情報処理装置のＣＰＵ（Central Processing Unit）使用率、メモリ使用率、ディスクアクセス頻度、入出力パケット数、消費電力値などを、各要素の計測データとして取得し、かかる計測データを分析して、各情報処理装置の異常状態を検知する。
本発明における異常検知装置１０は、データベースサーバやアプリケーションサーバ、ウェブサーバなど、複数の情報処理装置を備えた情報処理システムが設置されているデータセンタといった設備を監視対象Ｐとし、かかる監視対象Ｐに接続されている。そして、異常検知装置１０は、監視対象Ｐの各要素から計測した計測データを取得して分析し、分析結果に基づいて監視対象Ｐを監視して異常状態を検知するために利用される。例えば、本実施形態のように、監視対象Ｐがデータセンタである場合には、情報処理システムを構成する各情報処理装置のＣＰＵ（Central Processing Unit）使用率、メモリ使用率、ディスクアクセス頻度、入出力パケット数、消費電力値などを、各要素の計測データとして取得し、かかる計測データを分析して、各情報処理装置の異常状態を検知する。
なお、本発明の異常検知装置１０にて監視する監視対象Ｐは、上述した情報処理システムであることに限定されない。例えば、監視対象Ｐは、製造工場や処理施設などのプラントであってもよく、その場合には、各要素の計測データとして、プラント内の温度、圧力、流量、消費電力値、原料の供給量、残量などを計測することとする。また、異常検知装置１０で計測する計測データは、上述したような各種センサにて計測される数値によるデータであることに限定されず、撮影装置にて撮影した画像データや、予め設定されている設定データであってもよい。
また、異常検知装置１０には、検知した異常状態を通知する出力先となる情報処理端末Ｕが接続されている。情報処理端末Ｕは、監視対象Ｐの監視者が操作する端末であり、後述するように、監視対象Ｐの異常状態を類推できる情報を出力する。また、情報処理端末Ｕは、監視者によって入力された監視対象Ｐの異常状態を表す情報の入力を受け付けて、かかる情報を異常検知装置１０に送信する機能を有する。
次に、上述した異常検知装置１０の構成について説明する。異常検知装置１０は、演算装置と記憶装置とを備えた１台又は複数台の情報処理装置にて構成される。そして、異常検知装置１０は、図１に示すように、演算装置がプログラムを実行することで構築された、計測部１１、学習部１２、分析部１３、異常処理部１４、を備える。また、異常検知装置１０は、記憶装置に形成された、計測データ記憶部１６、モデル記憶部１７、異常データ記憶部１８、を備える。以下、各構成について詳述する。
上記計測部１１は、監視対象Ｐに設置された各種センサにて計測された各要素の計測データを所定の時間間隔で時系列データとして取得して、計測データ記憶部１６に記憶する。このとき、例えば、計測する要素は複数種類あり、計測部１１は、複数の要素の時系列データの集合である時系列データセットを取得する。なお、計測部１１による時系列データセットの取得及び記憶は常時行われており、取得された時系列データセットは、後述するように、監視対象Ｐの正常状態を表すモデルを生成するとき、監視対象Ｐの状態を監視するとき、にそれぞれ使用される。
上記学習部１２は、監視対象Ｐから計測された時系列データセットを入力して、モデルを生成する。本実施形態では、学習部１２は、監視対象Ｐが正常状態であると判断されたときに計測された時系列データセットである学習用のデータを、計測データ記憶部１６から入力して学習し、モデルを生成する。例えば、モデルは、複数要素のうち、任意の２要素の計測値の相関関係を表す相関関数を含む。相関関数は、例えば、図３に示すように、入力層Ｆ１、中間層Ｆ２，Ｆ３、出力層Ｆ４（最終層）といった複数層を有するニューラルネットワークによって構成され、任意の２要素のうちの一方の要素の入力値に対して、他方の要素の出力値を予測する関数である。学習部１２は、上述したような複数の要素間の相関関数の集合をモデルとして生成し、モデル記憶部１７に記憶する。なお、学習部１２は、必ずしも上述したようなモデルを生成することに限定されず、いかなるモデルを生成してもよい。
上記分析部１３（検知部）は、上述したモデルを生成した後に計測された計測データである時系列データセットを取得して、当該時系列データセットの分析を行う。具体的に、分析部１３は、監視対象Ｐから計測された時系列データセットを入力して、当該時系列データセットと、モデル記憶部１７に記憶されているモデルと、を比較して、時系列データセットに相関破壊が生じているなどを理由に異常状態が発生しているか否かを調べる。例えば、分析部１３は、まず、図３の左側に示す計測データである時系列データセットのうち、入力値ｘ１をモデルの入力層Ｆ１に入力し、ニューラルネットワークにより算出された出力値である予測値ｙを出力層Ｆ４から得る。そして、分析部１３は、予測値ｙと、計測データである実測値ｙ＿ｒｅａｌとの差分［ｙ－（ｙ＿ｒｅａｌ）］を算出し、かかる差分から、異常状態であるか否かを判断する。例えば、差分が閾値以上の場合に、監視対象Ｐが異常状態であることを検知してもよいが、いかなる方法で異常状態を検知してもよい。
上記異常処理部１４は、上述した分析部１３にて監視対象Ｐが異常状態であることを検知すると、今回の異常状態を検出した監視対象Ｐの事象に対応する過去の事例を情報処理端末Ｕに出力したり、かかる事象を異常状態の事例として新たに登録するなどの処理を行う。具体的に、異常処理部１４は、かかる処理を行うために、図２に示すように、特徴算出部２１、比較部２２、出力部２３、登録部２４、を備えている。
上記特徴算出部２１（特徴ベクトル生成部）は、上述したように今回の異常状態を検出した監視対象Ｐの事象における計測データである時系列データセットに基づく特徴ベクトルとして、異常検知特徴ベクトルを生成する。特に、特徴算出部２１は、上述したようにモデルを用いて異常状態を検知する処理を行う際に算出された情報を用いて、異常検知特徴ベクトルを生成する。例えば、特徴算出部２１は、図４に示すように、モデルを構成するニューラルネットワークに異常検知時の計測データである入力値ｘ１を入力した際に、当該ニューラルネットワークの中間層Ｆ２，Ｆ３のいずれかのニューロンから出力される値ｘ２，ｘ３を異常検知特徴ベクトルとしてもよい。このとき、特徴算出部２１は、一例として、ニューロン数が最も少ない中間層から出力される値を異常検知特徴ベクトルとしてもよい。あるいは、特徴算出部２１は、図４に示すように、モデルを構成するニューラルネットワークに異常検知時の計測データである入力値ｘ１を入力した際に、当該ニューラルネットワークの出力層Ｆ４のニューロンから出力される予測値ｙと、計測データである実測値ｙ＿ｒｅａｌとの差分からなる［ｙ－（ｙ＿ｒｅａｌ）］を異常検知特徴ベクトルとしてもよい。
ここで、上述した図４に示すモデルを構成するニューラルネットワークの中間層Ｆ２，Ｆ３や出力層Ｆ４から出力される値ｙは、例えば以下のように算出された値となる。
ｘ２＝ｆ（Ｗ１＊ｘ１＋ｂ１）
ｘ３＝ｆ（Ｗ２＊ｘ２＋ｂ２）
ｙ＝ｆ（Ｗ３＊ｘ３＋ｂ３）
なお、上記ｘ１，ｘ２，ｘ３，ｙ，ｙ＿ｒｅａｌ，ｂ１，ｂ２，ｂ３は、それぞれベクトルであり、上記Ｗ１，Ｗ２，Ｗ３は重み行列であり、上記ｆは活性化関数であることとする。
ｘ２＝ｆ（Ｗ１＊ｘ１＋ｂ１）
ｘ３＝ｆ（Ｗ２＊ｘ２＋ｂ２）
ｙ＝ｆ（Ｗ３＊ｘ３＋ｂ３）
なお、上記ｘ１，ｘ２，ｘ３，ｙ，ｙ＿ｒｅａｌ，ｂ１，ｂ２，ｂ３は、それぞれベクトルであり、上記Ｗ１，Ｗ２，Ｗ３は重み行列であり、上記ｆは活性化関数であることとする。
また、特徴算出部２１は、上述したニューラルネットワークの複数の中間層の値を組み合わせたり、中間層の値と上述した差分の値とを組み合わせて、異常検知特徴ベクトルを生成してもよい。そして、特徴算出部２１は、上述した値から異常検知特徴ベクトルを生成することに限定されず、異常検知時の計測データに基づいていれば、いかなる方法にて異常検知特徴ベクトルを生成してもよい。
上記比較部２２は、今回の異常状態を検出した監視対象Ｐの事象における異常検知特徴ベクトルを、異常データ記憶部１８に記憶されている各「ナレッジ」と比較する。ここで、異常データ記憶部１８には、各「ナレッジ」として異常状態が検知された過去の事例が登録されており、そのときの計測データから上述同様に算出された異常検知特徴ベクトルが、「登録特徴ベクトル」が登録されている。具体的に、異常データ記憶部１８には、１つの「ナレッジ」として、図６に示すように、登録特徴ベクトル自体である「特徴ベクトル」に関連付けて、「ＩＤ」、「異常検知日時」、「名称」、「コメント」が登録されている。このうち、「名称」と「コメント」は、過去に異常と検知されたときの監視対象Ｐの異常状態の内容（異常状態情報）を表している。例えば、「ＩＤ」が「１」のナレッジでは、その「名称」や「コメント」により、「ＤＢ（データベースサーバ）に事象Ａが発生した」という異常状態の内容を表している。なお、「名称」や「コメント」としては、後述するように、異常が検知されたときの監視対象Ｐの状態を判定した専門家や監視者によって、情報処理端末Ｕから入力された情報が登録されることとなる。
そして、比較部２２は、今回の異常状態を検出した監視対象Ｐの事象における異常検知特徴ベクトルと、異常データ記憶部１８内の各「ナレッジ」の登録特徴ベクトルと、の比較として、これらの類似度を算出する。例えば、比較部２２は、異常検知特徴ベクトルと各ナレッジの登録特徴ベクトルとの類似度として、特徴ベクトル同士のｃｏｓｉｎｅ距離を用いて算出する。なお、特徴ベクトル同士の類似度は、必ずしもｃｏｓｉｎｅ距離を用いて算出することに限定されず、いかなる方法で算出してもよい。
上記出力部２３は、上述した比較部２２によって比較した結果として、類似度を算出した各ナレッジを、今回の異常状態を検出した監視対象Ｐの事象に関連するナレッジとして、情報処理端末Ｕに表示するよう出力する。例えば、出力部２３は、図５の左側に示すように、今回の異常状態を検出した日時である「発生時刻」に対応付けて、異常検知特徴ベクトルと比較した各ナレッジの一覧を表示する。具体的には、類似度を算出した各ナレッジに含まれる登録特徴ベクトルに関連付けられている「名称」と、算出した「類似度」を表示して出力する。このとき、出力部２３は、比較部２２によって算出された類似度の値が高い順に各ナレッジを表示したり、比較した各ナレッジのうち、類似度が高い所定数のナレッジのみを表示してもよい。なお、出力部２３は、各ナレッジの「内容」も一覧に表示してもよく、その他のナレッジに関連する情報を表示してもよい。
また、出力部２３は、図５の右側に示すように、今回の異常を検知した事象に対する「名称」と「コメント」の入力欄を情報処理端末Ｕに表示するよう出力する。これら入力欄には、例えば、上述した他のナレッジとの比較の結果、最も類似度が高い「ナレッジ」に関連付けられている「名称」と「コメント」が入力された状態で情報処理端末Ｕに表示されている。そして、これら入力欄の内容は、情報処理端末Ｕにて下部に表示されている「編集」ボタンが押されることで編集可能となる。なお、出力部２３は、図５の右側に示す「名称」と「コメント」の入力欄を空欄で表示してもよい。
上記登録部２４は、上述したように情報処理端末Ｕに表示されている画面において、当該情報処理端末Ｕにて「登録」ボタンが押されることで、今回の異常状態を検知した監視対象Ｐの事象を、図６に示すようにナレッジとして異常データ記憶部１８に登録する。具体的に、登録部２４は、「登録」ボタンが押されると、図６に示すように、新たに「ＩＤ」を付与し、今回の異常状態の事象が検知された時刻を「異常検知日時」に登録し、また、上述したように算出された異常検知特徴ベクトルを登録特徴ベクトルとして「特徴ベクトル」に登録する。さらに、登録部２４は、「特徴ベクトル」に関連付けて、情報処理端末Ｕにて専門家や監視者によって入力された「名称」及び「コメント」も登録する。これにより、新たに登録されたナレッジは、後に異常が検知された事象に対して、上述同様に類似度が算出され、情報処理端末Ｕに表示出力されるナレッジとして利用される。
［動作］
次に、上述した異常検知装置１０の動作を、主に図７乃至図８のフローチャートを参照して説明する。まず、図７のフローチャートを参照して、監視対象Ｐが正常状態である場合におけるモデルを生成するときの動作を説明する。
次に、上述した異常検知装置１０の動作を、主に図７乃至図８のフローチャートを参照して説明する。まず、図７のフローチャートを参照して、監視対象Ｐが正常状態である場合におけるモデルを生成するときの動作を説明する。
異常検知装置１０は、監視対象Ｐが正常状態であると判断されたときに計測された時系列データセットである学習用のデータを、計測データ記憶部１６から読み出して入力する（ステップＳ１）。そして、異常検知装置１０は、入力した時系列データから、各要素間の相関関係を学習し（ステップＳ２）、当該各要素間の相関関係を表すモデルを生成する（ステップＳ３）。そして、生成したモデルとモデル記憶部１７に記憶しておく。
次に、図８のフローチャートを参照して、監視対象Ｐの異常状態を検出するときの動作を説明する。異常検知装置１０は、監視対象Ｐから計測された時系列データセットを入力して（ステップＳ１１）、当該時系列データセットと、モデル記憶部１７に記憶されているモデルと、を比較して（ステップＳ１２）、監視対象Ｐに異常状態が発生しているか否かを調べる（ステップＳ１３）。例えば、異常検知装置１０は、図３に示すように、計測データのうち入力値ｘ１をモデルに入力し、当該モデルの出力値である予測値ｙと他の計測データである実測値ｙ＿ｒｅａｌとの差分［ｙ－（ｙ＿ｒｅａｌ）］を算出し、かかる差分から、異常状態であるか否かを判断する。
そして、異常検知装置１０は、監視対象Ｐが異常状態であることを検知すると（ステップＳ１３でＹｅｓ）、今回の異常状態を検出した監視対象Ｐの事象における計測データに基づく異常検知特徴ベクトルを生成する（ステップＳ１４）。例えば、異常検知装置１０は、図４に示すように、モデルを構成するニューラルネットワークにおける中間層Ｆ２，Ｆ３から出力される値ｘ２，ｘ３や、モデルの出力値である予測値ｙと他の計測データである実測値ｙ＿ｒｅａｌとの差分［ｙ－（ｙ＿ｒｅａｌ）］を、異常検知特徴ベクトルとする。
続いて、異常検知装置１０は、算出した異常検知特徴ベクトルと、異常データ記憶部１８に記憶されている各ナレッジの登録特徴ベクトルと、の類似度を算出する（ステップＳ１５）。そして、異常検知装置１０は、類似度を算出した各ナレッジを、今回の異常状態を検出した監視対象Ｐの事象に関連するナレッジとして、情報処理端末Ｕに表示するよう出力する（ステップＳ１６）。例えば、異常検知装置１０は、図５の左側に示すように、異常検知特徴ベクトルと比較した各ナレッジの一覧を、算出した類似度と共に表示する。
このように、情報処理端末Ｕには、今回の異常状態を検出した監視対象Ｐの事象に関連するナレッジの「名称」や「類似度」が表示される。このため、監視者は、表示されたナレッジの「類似度」や「名称」から、今回の異常状態の事象が対応するナレッジを容易に知ることができ、今回の異常状態の内容を推定することができる。その結果、監視対象Ｐの異常状態に対して適切な対応をとることができる。
その後、情報処理端末Ｕにおいて、図５の右側に示すように、今回の異常を検知した事象に対する「名称」と「コメント」の入力欄の情報が編集され、「登録」ボタンが押されたとする（ステップＳ１７でＹｅｓ）。すると、情報処理端末Ｕに入力された「名称」と「コメント」の情報が異常検知装置１０に送信される。異常検知装置１０は、今回の異常状態の事象に対応する異常検知特徴ベクトルを登録特徴ベクトルとして、その異常状態の内容を表す「名称」と「コメント」等と共に、新たにナレッジに登録する。これにより、登録されたナレッジは、後に検知される監視対象Ｐの異常の事象に対して、上述同様に既存のナレッジとして類似度算出の対象となり、情報処理端末Ｕに出力される対象となる。
＜実施形態２＞
次に、本発明の第２の実施形態を、図９乃至図１１を参照して説明する。図９乃至図１０は、実施形態２における異常検知装置の構成を示すブロック図であり、図１１は、異常検知装置の動作を示すフローチャートである。なお、本実施形態では、実施形態１で説明した異常検知装置及び異常検知装置による処理方法の構成の概略を示している。
次に、本発明の第２の実施形態を、図９乃至図１１を参照して説明する。図９乃至図１０は、実施形態２における異常検知装置の構成を示すブロック図であり、図１１は、異常検知装置の動作を示すフローチャートである。なお、本実施形態では、実施形態１で説明した異常検知装置及び異常検知装置による処理方法の構成の概略を示している。
まず、図９を参照して、本実施形態における異常検知装置１００のハードウェア構成を説明する。異常検知装置１００は、一般的な情報処理装置にて構成されており、一例として、以下のようなハードウェア構成を装備している。
・ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１０１（演算装置）
・ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１０２（記憶装置）
・ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１０３（記憶装置）
・ＲＡＭ１０３にロードされるプログラム群１０４
・プログラム群１０４を格納する記憶装置１０５
・情報処理装置外部の記憶媒体１１０の読み書きを行うドライブ装置１０６
・情報処理装置外部の通信ネットワーク１１１と接続する通信インタフェース１０７
・データの入出力を行う入出力インタフェース１０８
・各構成要素を接続するバス１０９
・ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１０１（演算装置）
・ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１０２（記憶装置）
・ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１０３（記憶装置）
・ＲＡＭ１０３にロードされるプログラム群１０４
・プログラム群１０４を格納する記憶装置１０５
・情報処理装置外部の記憶媒体１１０の読み書きを行うドライブ装置１０６
・情報処理装置外部の通信ネットワーク１１１と接続する通信インタフェース１０７
・データの入出力を行う入出力インタフェース１０８
・各構成要素を接続するバス１０９
そして、異常検知装置１００は、プログラム群１０４をＣＰＵ１０１が取得して当該ＣＰＵ１０１が実行することで、図１０に示す検知部１２１と特徴ベクトル生成部１２２と比較部１２３とを構築して装備することができる。なお、プログラム群１０４は、例えば、予め記憶装置１０５やＲＯＭ１０２に格納されており、必要に応じてＣＰＵ１０１がＲＡＭ１０３にロードして実行する。また、プログラム群１０４は、通信ネットワーク１１１を介してＣＰＵ１０１に供給されてもよいし、予め記憶媒体１１０に格納されており、ドライブ装置１０６が該プログラムを読み出してＣＰＵ１０１に供給してもよい。但し、上述した検知部１２１と特徴ベクトル生成部１２２と比較部１２３とは、電子回路で構築されるものであってもよい。
なお、図１１は、異常検知装置１００である情報処理装置のハードウェア構成の一例を示しており、情報処理装置のハードウェア構成は上述した場合に例示されない。例えば、情報処理装置は、ドライブ装置１０６を有さないなど、上述した構成の一部から構成されてもよい。
そして、異常検知装置１００は、上述したようにプログラムによって構築された検知部１２１と特徴ベクトル生成部１２２と比較部１２３との機能により、図１１のフローチャートに示す異常検知方法を実行する。
図１１に示すように、異常検知装置１００は、
正常時における監視対象から計測された計測データに基づいて生成されたモデルを用いて、前記監視対象から計測された計測データから当該監視対象の異常状態を検知し（ステップ１０１）、
異常状態を検知した前記監視対象から計測された計測データに基づく特徴ベクトルを異常検知特徴ベクトルとして生成し（ステップＳ１０２）、
前記異常検知特徴ベクトルと、予め登録された前記監視対象の所定の異常状態を表す異常状態情報と関連付けられた特徴ベクトルである登録特徴ベクトルとを比較し、比較結果に基づく情報を出力する（ステップＳ１０３）。
正常時における監視対象から計測された計測データに基づいて生成されたモデルを用いて、前記監視対象から計測された計測データから当該監視対象の異常状態を検知し（ステップ１０１）、
異常状態を検知した前記監視対象から計測された計測データに基づく特徴ベクトルを異常検知特徴ベクトルとして生成し（ステップＳ１０２）、
前記異常検知特徴ベクトルと、予め登録された前記監視対象の所定の異常状態を表す異常状態情報と関連付けられた特徴ベクトルである登録特徴ベクトルとを比較し、比較結果に基づく情報を出力する（ステップＳ１０３）。
本発明は、以上のように構成されることにより、異常状態を検出した監視対象の計測データから特徴ベクトルを生成し、かかる特徴ベクトルと登録されている特徴ベクトルとを比較する。そして、比較結果に応じて、登録されている異常状態情報を出力することで、新たな異常状態に対応する過去の異常状態を参照することができる。その結果、監視対象の異常状態に対して適切な対応をとることができる。
なお、上述したプログラムは、様々なタイプの非一時的なコンピュータ可読媒体（non-transitory computer readable medium）を用いて格納され、コンピュータに供給することができる。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記録媒体（tangible storage medium）を含む。非一時的なコンピュータ可読媒体の例は、磁気記録媒体（例えばフレキシブルディスク、磁気テープ、ハードディスクドライブ）、光磁気記録媒体（例えば光磁気ディスク）、ＣＤ－ＲＯＭ（Read Only Memory）、ＣＤ－Ｒ、ＣＤ－Ｒ／Ｗ、半導体メモリ（例えば、マスクＲＯＭ、ＰＲＯＭ（Programmable ROM）、ＥＰＲＯＭ（Erasable PROM）、フラッシュＲＯＭ、ＲＡＭ（Random Access Memory））を含む。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体（transitory computer readable medium）によってコンピュータに供給されてもよい。一時的なコンピュータ可読媒体の例は、電気信号、光信号、及び電磁波を含む。一時的なコンピュータ可読媒体は、電線及び光ファイバ等の有線通信路、又は無線通信路を介して、プログラムをコンピュータに供給できる。
以上、上記実施形態等を参照して本願発明を説明したが、本願発明は、上述した実施形態に限定されるものではない。本願発明の構成や詳細には、本願発明の範囲内で当業者が理解しうる様々な変更をすることができる。
なお、本発明は、日本国にて２０１９年３月２６日に特許出願された特願２０１９－０５８３８５の特許出願に基づく優先権主張の利益を享受するものであり、当該特許出願に記載された内容は、全て本明細書に含まれるものとする。
＜付記＞
上記実施形態の一部又は全部は、以下の付記のようにも記載されうる。以下、本発明における異常検知方法、異常検知装置、プログラムの構成の概略を説明する。但し、本発明は、以下の構成に限定されない。
（付記１）
正常時における監視対象から計測された計測データに基づいて生成されたモデルを用いて、前記監視対象から計測された計測データから当該監視対象の異常状態を検知し、
異常状態を検知した前記監視対象から計測された計測データに基づく特徴ベクトルを異常検知特徴ベクトルとして生成し、
前記異常検知特徴ベクトルと、予め登録された前記監視対象の所定の異常状態を表す異常状態情報と関連付けられた特徴ベクトルである登録特徴ベクトルとを比較し、比較結果に基づく情報を出力する、
異常検知方法。
（付記２）
付記１に記載の異常検知方法であって、
異常状態を検知した前記監視対象から計測された計測データから、前記モデルを用いて異常状態を検知する処理を行う際に算出された情報に基づいて、前記異常検知特徴ベクトルを生成する、
異常検知方法。
（付記３）
付記２に記載の異常検知方法であって、
前記モデルは、ニューラルネットワークを用いて、前記監視対象から計測された所定の計測データを入力することによって予測値を出力するものであり、
異常状態を検知した前記監視対象から計測された所定の計測データを前記モデルに入力することによって算出された情報を用いて前記異常検知特徴ベクトルを生成する、
異常検知方法。
（付記４）
付記３に記載の異常検知方法であって、
異常状態を検知した前記監視対象から計測された所定の計測データを前記モデルに入力することによって、前記ニューラルネットワークの中間層で出力された情報を用いて前記異常検知特徴ベクトルを生成する、
異常検知方法。
（付記５）
付記３に記載の異常検知方法であって、
異常状態を検知した前記監視対象から計測された所定の計測データを前記モデルに入力することによって、前記ニューラルネットワークで出力された前記予測値と、異常状態を検知した前記監視対象から計測された他の計測データである実測値と、の差分の情報を用いて前記異常検知特徴ベクトルを生成する、
異常検知方法。
（付記６）
付記１乃至５のいずれかに記載の異常検知方法であって、
前記異常検知特徴ベクトルと前記登録特徴ベクトルとの比較結果に基づいて、前記登録特徴ベクトルに関連付けられた前記異常状態情報を出力する、
異常検知方法。
（付記７）
付記１乃至６のいずれかに記載の異常検知方法であって、
生成した前記異常検知特徴ベクトルを、当該異常検知特徴ベクトルを生成したときに検知された前記監視対象の異常状態を表す前記異常状態情報に関連付けて前記登録特徴ベクトルとして登録する、
異常検知方法。
（付記８）
正常時における監視対象から計測された計測データに基づいて生成されたモデルを用いて、前記監視対象から計測された計測データから当該監視対象の異常状態を検知する検知部と、
異常状態を検知した前記監視対象から計測された計測データに基づく特徴ベクトルを異常検知特徴ベクトルとして生成する特徴ベクトル生成部と、
前記異常検知特徴ベクトルと、予め登録された前記監視対象の所定の異常状態を表す異常状態情報と関連付けられた特徴ベクトルである登録特徴ベクトルとを比較し、比較結果に基づく情報を出力する比較部と、
を備えた異常検知装置。
（付記９）
付記８に記載の異常検知装置であって、
前記特徴ベクトル生成部は、異常状態を検知した前記監視対象から計測された計測データから、前記モデルを用いて異常状態を検知する処理を行う際に算出された情報に基づいて、前記異常検知特徴ベクトルを生成する、
異常検知装置。
（付記９．１）
付記９に記載の異常検知装置であって、
前記モデルは、ニューラルネットワークを用いて、前記監視対象から計測された所定の計測データを入力することによって予測値を出力するものであり、
前記特徴ベクトル生成部は、異常状態を検知した前記監視対象から計測された所定の計測データを前記モデルに入力することによって算出された情報を用いて前記異常検知特徴ベクトルを生成する、
異常検知装置。
（付記９．２）
付記９．１に記載の異常検知装置であって、
前記特徴ベクトル生成部は、異常状態を検知した前記監視対象から計測された所定の計測データを前記モデルに入力することによって、前記ニューラルネットワークの中間層で出力された情報を用いて前記異常検知特徴ベクトルを生成する、
異常検知装置。
（付記９．３）
付記９．１に記載の異常検知装置であって、
前記特徴ベクトル生成部は、異常状態を検知した前記監視対象から計測された所定の計測データを前記モデルに入力することによって、前記ニューラルネットワークで出力された前記予測値と、異常状態を検知した前記監視対象から計測された他の計測データである実測値と、の差分の情報を用いて前記異常検知特徴ベクトルを生成する、
異常検知装置。
（付記９．４）
付記８乃至９．３のいずれかに記載の異常検知装置であって、
前記比較部は、前記異常検知特徴ベクトルと前記登録特徴ベクトルとの比較結果に基づいて、前記登録特徴ベクトルに関連付けられた前記異常状態情報を出力する、
異常検知装置。
（付記９．５）
付記８乃至９．４のいずれかに記載の異常検知装置であって、
生成した前記異常検知特徴ベクトルを、当該異常検知特徴ベクトルを生成したときに検知された前記監視対象の異常状態を表す前記異常状態情報に関連付けて前記登録特徴ベクトルとして登録する登録部を備えた、
異常検知装置。
（付記１０）
情報処理装置に、
正常時における監視対象から計測された計測データに基づいて生成されたモデルを用いて、前記監視対象から計測された計測データから当該監視対象の異常状態を検知する検知部と、
異常状態を検知した前記監視対象から計測された計測データに基づく特徴ベクトルを異常検知特徴ベクトルとして生成する特徴ベクトル生成部と、
前記異常検知特徴ベクトルと、予め登録された前記監視対象の所定の異常状態を表す異常状態情報と関連付けられた特徴ベクトルである登録特徴ベクトルとを比較し、比較結果に基づく情報を出力する比較部と、
を実現させるためのプログラム。
（付記１０．１）
付記１０に記載のプログラムであって、
前記特徴ベクトル生成部は、異常状態を検知した前記監視対象から計測された計測データから、前記モデルを用いて異常状態を検知する処理を行う際に算出された情報に基づいて、前記異常検知特徴ベクトルを生成する、
プログラム。
（付記１０．２）
付記１０又は１０．１に記載のプログラムであって、
前記比較部は、前記異常検知特徴ベクトルと前記登録特徴ベクトルとの比較結果に基づいて、前記登録特徴ベクトルに関連付けられた前記異常状態情報を出力する、
プログラム。
（付記１０．３）
付記１０乃至１０．２のいずれかに記載のプログラムであって、
前記情報処理装置に、生成した前記異常検知特徴ベクトルを、当該異常検知特徴ベクトルを生成したときに検知された前記監視対象の異常状態を表す前記異常状態情報に関連付けて前記登録特徴ベクトルとして登録する登録部をさらに実現させるためのプログラム。
上記実施形態の一部又は全部は、以下の付記のようにも記載されうる。以下、本発明における異常検知方法、異常検知装置、プログラムの構成の概略を説明する。但し、本発明は、以下の構成に限定されない。
（付記１）
正常時における監視対象から計測された計測データに基づいて生成されたモデルを用いて、前記監視対象から計測された計測データから当該監視対象の異常状態を検知し、
異常状態を検知した前記監視対象から計測された計測データに基づく特徴ベクトルを異常検知特徴ベクトルとして生成し、
前記異常検知特徴ベクトルと、予め登録された前記監視対象の所定の異常状態を表す異常状態情報と関連付けられた特徴ベクトルである登録特徴ベクトルとを比較し、比較結果に基づく情報を出力する、
異常検知方法。
（付記２）
付記１に記載の異常検知方法であって、
異常状態を検知した前記監視対象から計測された計測データから、前記モデルを用いて異常状態を検知する処理を行う際に算出された情報に基づいて、前記異常検知特徴ベクトルを生成する、
異常検知方法。
（付記３）
付記２に記載の異常検知方法であって、
前記モデルは、ニューラルネットワークを用いて、前記監視対象から計測された所定の計測データを入力することによって予測値を出力するものであり、
異常状態を検知した前記監視対象から計測された所定の計測データを前記モデルに入力することによって算出された情報を用いて前記異常検知特徴ベクトルを生成する、
異常検知方法。
（付記４）
付記３に記載の異常検知方法であって、
異常状態を検知した前記監視対象から計測された所定の計測データを前記モデルに入力することによって、前記ニューラルネットワークの中間層で出力された情報を用いて前記異常検知特徴ベクトルを生成する、
異常検知方法。
（付記５）
付記３に記載の異常検知方法であって、
異常状態を検知した前記監視対象から計測された所定の計測データを前記モデルに入力することによって、前記ニューラルネットワークで出力された前記予測値と、異常状態を検知した前記監視対象から計測された他の計測データである実測値と、の差分の情報を用いて前記異常検知特徴ベクトルを生成する、
異常検知方法。
（付記６）
付記１乃至５のいずれかに記載の異常検知方法であって、
前記異常検知特徴ベクトルと前記登録特徴ベクトルとの比較結果に基づいて、前記登録特徴ベクトルに関連付けられた前記異常状態情報を出力する、
異常検知方法。
（付記７）
付記１乃至６のいずれかに記載の異常検知方法であって、
生成した前記異常検知特徴ベクトルを、当該異常検知特徴ベクトルを生成したときに検知された前記監視対象の異常状態を表す前記異常状態情報に関連付けて前記登録特徴ベクトルとして登録する、
異常検知方法。
（付記８）
正常時における監視対象から計測された計測データに基づいて生成されたモデルを用いて、前記監視対象から計測された計測データから当該監視対象の異常状態を検知する検知部と、
異常状態を検知した前記監視対象から計測された計測データに基づく特徴ベクトルを異常検知特徴ベクトルとして生成する特徴ベクトル生成部と、
前記異常検知特徴ベクトルと、予め登録された前記監視対象の所定の異常状態を表す異常状態情報と関連付けられた特徴ベクトルである登録特徴ベクトルとを比較し、比較結果に基づく情報を出力する比較部と、
を備えた異常検知装置。
（付記９）
付記８に記載の異常検知装置であって、
前記特徴ベクトル生成部は、異常状態を検知した前記監視対象から計測された計測データから、前記モデルを用いて異常状態を検知する処理を行う際に算出された情報に基づいて、前記異常検知特徴ベクトルを生成する、
異常検知装置。
（付記９．１）
付記９に記載の異常検知装置であって、
前記モデルは、ニューラルネットワークを用いて、前記監視対象から計測された所定の計測データを入力することによって予測値を出力するものであり、
前記特徴ベクトル生成部は、異常状態を検知した前記監視対象から計測された所定の計測データを前記モデルに入力することによって算出された情報を用いて前記異常検知特徴ベクトルを生成する、
異常検知装置。
（付記９．２）
付記９．１に記載の異常検知装置であって、
前記特徴ベクトル生成部は、異常状態を検知した前記監視対象から計測された所定の計測データを前記モデルに入力することによって、前記ニューラルネットワークの中間層で出力された情報を用いて前記異常検知特徴ベクトルを生成する、
異常検知装置。
（付記９．３）
付記９．１に記載の異常検知装置であって、
前記特徴ベクトル生成部は、異常状態を検知した前記監視対象から計測された所定の計測データを前記モデルに入力することによって、前記ニューラルネットワークで出力された前記予測値と、異常状態を検知した前記監視対象から計測された他の計測データである実測値と、の差分の情報を用いて前記異常検知特徴ベクトルを生成する、
異常検知装置。
（付記９．４）
付記８乃至９．３のいずれかに記載の異常検知装置であって、
前記比較部は、前記異常検知特徴ベクトルと前記登録特徴ベクトルとの比較結果に基づいて、前記登録特徴ベクトルに関連付けられた前記異常状態情報を出力する、
異常検知装置。
（付記９．５）
付記８乃至９．４のいずれかに記載の異常検知装置であって、
生成した前記異常検知特徴ベクトルを、当該異常検知特徴ベクトルを生成したときに検知された前記監視対象の異常状態を表す前記異常状態情報に関連付けて前記登録特徴ベクトルとして登録する登録部を備えた、
異常検知装置。
（付記１０）
情報処理装置に、
正常時における監視対象から計測された計測データに基づいて生成されたモデルを用いて、前記監視対象から計測された計測データから当該監視対象の異常状態を検知する検知部と、
異常状態を検知した前記監視対象から計測された計測データに基づく特徴ベクトルを異常検知特徴ベクトルとして生成する特徴ベクトル生成部と、
前記異常検知特徴ベクトルと、予め登録された前記監視対象の所定の異常状態を表す異常状態情報と関連付けられた特徴ベクトルである登録特徴ベクトルとを比較し、比較結果に基づく情報を出力する比較部と、
を実現させるためのプログラム。
（付記１０．１）
付記１０に記載のプログラムであって、
前記特徴ベクトル生成部は、異常状態を検知した前記監視対象から計測された計測データから、前記モデルを用いて異常状態を検知する処理を行う際に算出された情報に基づいて、前記異常検知特徴ベクトルを生成する、
プログラム。
（付記１０．２）
付記１０又は１０．１に記載のプログラムであって、
前記比較部は、前記異常検知特徴ベクトルと前記登録特徴ベクトルとの比較結果に基づいて、前記登録特徴ベクトルに関連付けられた前記異常状態情報を出力する、
プログラム。
（付記１０．３）
付記１０乃至１０．２のいずれかに記載のプログラムであって、
前記情報処理装置に、生成した前記異常検知特徴ベクトルを、当該異常検知特徴ベクトルを生成したときに検知された前記監視対象の異常状態を表す前記異常状態情報に関連付けて前記登録特徴ベクトルとして登録する登録部をさらに実現させるためのプログラム。
１０ 異常検知装置
１１ 計測部
１２ 学習部
１３ 分析部
１４ 異常処理部
１６ 計測データ記憶部
１７ モデル記憶部
１８ 異常データ記憶部
２１ 特徴算出部
２２ 比較部
２３ 出力部
２４ 登録部
Ｐ 監視対象
Ｕ 情報処理端末
１００ 異常検知装置
１０１ ＣＰＵ
１０２ ＲＯＭ
１０３ ＲＡＭ
１０４ プログラム群
１０５ 記憶装置
１０６ ドライブ装置
１０７ 通信インタフェース
１０８ 入出力インタフェース
１０９ バス
１１０ 記憶媒体
１１１ 通信ネットワーク
１２１ 検知部
１２２ 特徴ベクトル生成部
１２３ 比較部
１１ 計測部
１２ 学習部
１３ 分析部
１４ 異常処理部
１６ 計測データ記憶部
１７ モデル記憶部
１８ 異常データ記憶部
２１ 特徴算出部
２２ 比較部
２３ 出力部
２４ 登録部
Ｐ 監視対象
Ｕ 情報処理端末
１００ 異常検知装置
１０１ ＣＰＵ
１０２ ＲＯＭ
１０３ ＲＡＭ
１０４ プログラム群
１０５ 記憶装置
１０６ ドライブ装置
１０７ 通信インタフェース
１０８ 入出力インタフェース
１０９ バス
１１０ 記憶媒体
１１１ 通信ネットワーク
１２１ 検知部
１２２ 特徴ベクトル生成部
１２３ 比較部
Claims (8)
- 正常時における監視対象から計測された計測データに基づいて生成された、入力層、中間層、出力層を有するニューラルネットワークによって構成され、前記監視対象から計測された所定の計測データを入力することによって予測値を出力するモデルを用いて、前記監視対象から計測された計測データから当該監視対象の異常状態を検知し、
異常状態を検知した前記監視対象から計測された計測データを前記モデルに入力することによって、前記ニューラルネットワークの中間層で出力された情報を用いて異常検知特徴ベクトルを生成し、
前記異常検知特徴ベクトルと、予め登録された前記監視対象の所定の異常状態を表す異常状態情報と関連付けられた特徴ベクトルである登録特徴ベクトルとを比較し、比較結果に基づく情報を出力する、
異常検知方法。 - 正常時における監視対象から計測された計測データに基づいて生成された、入力層、中間層、出力層を有するニューラルネットワークによって構成され、前記監視対象から計測された所定の計測データを入力することによって予測値を出力するモデルを用いて、前記監視対象から計測された計測データから当該監視対象の異常状態を検知し、
異常状態を検知した前記監視対象から計測された計測データを前記モデルに入力することによって、前記ニューラルネットワークで出力された前記予測値と、異常状態を検知した前記監視対象から計測された他の計測データである実測値と、の差分の情報を用いて異常検知特徴ベクトルを生成し、
前記異常検知特徴ベクトルと、予め登録された前記監視対象の所定の異常状態を表す異常状態情報と関連付けられた特徴ベクトルである登録特徴ベクトルとを比較し、比較結果に基づく情報を出力する、
異常検知方法。 - 請求項１又は２に記載の異常検知方法であって、
前記異常検知特徴ベクトルと前記登録特徴ベクトルとの比較結果に基づいて、前記登録特徴ベクトルに関連付けられた前記異常状態情報を出力する、
異常検知方法。 - 請求項１乃至３のいずれかに記載の異常検知方法であって、
生成した前記異常検知特徴ベクトルを、当該異常検知特徴ベクトルを生成したときに検知された前記監視対象の異常状態を表す前記異常状態情報に関連付けて前記登録特徴ベクトルとして登録する、
異常検知方法。 - 正常時における監視対象から計測された計測データに基づいて生成された、入力層、中間層、出力層を有するニューラルネットワークによって構成され、前記監視対象から計測された所定の計測データを入力することによって予測値を出力するモデルを用いて、前記監視対象から計測された計測データから当該監視対象の異常状態を検知する検知部と、
異常状態を検知した前記監視対象から計測された計測データを前記モデルに入力することによって、前記ニューラルネットワークの中間層で出力された情報を用いて異常検知特徴ベクトルを生成する特徴ベクトル生成部と、
前記異常検知特徴ベクトルと、予め登録された前記監視対象の所定の異常状態を表す異常状態情報と関連付けられた特徴ベクトルである登録特徴ベクトルとを比較し、比較結果に基づく情報を出力する比較部と、
を備えた異常検知装置。 - 正常時における監視対象から計測された計測データに基づいて生成された、入力層、中間層、出力層を有するニューラルネットワークによって構成され、前記監視対象から計測された所定の計測データを入力することによって予測値を出力するモデルを用いて、前記監視対象から計測された計測データから当該監視対象の異常状態を検知する検知部と、
異常状態を検知した前記監視対象から計測された計測データを前記モデルに入力することによって、前記ニューラルネットワークで出力された前記予測値と、異常状態を検知した前記監視対象から計測された他の計測データである実測値と、の差分の情報を用いて異常検知特徴ベクトルを生成する特徴ベクトル生成部と、
前記異常検知特徴ベクトルと、予め登録された前記監視対象の所定の異常状態を表す異常状態情報と関連付けられた特徴ベクトルである登録特徴ベクトルとを比較し、比較結果に基づく情報を出力する比較部と、
を備えた異常検知装置。 - 情報処理装置に、
正常時における監視対象から計測された計測データに基づいて生成された、入力層、中間層、出力層を有するニューラルネットワークによって構成され、前記監視対象から計測された所定の計測データを入力することによって予測値を出力するモデルを用いて、前記監視対象から計測された計測データから当該監視対象の異常状態を検知する検知部と、
異常状態を検知した前記監視対象から計測された計測データを前記モデルに入力することによって、前記ニューラルネットワークの中間層で出力された情報を用いて異常検知特徴ベクトルを生成する特徴ベクトル生成部と、
前記異常検知特徴ベクトルと、予め登録された前記監視対象の所定の異常状態を表す異常状態情報と関連付けられた特徴ベクトルである登録特徴ベクトルとを比較し、比較結果に基づく情報を出力する比較部と、
を実現させるためのプログラム。 - 情報処理装置に、
正常時における監視対象から計測された計測データに基づいて生成された、入力層、中間層、出力層を有するニューラルネットワークによって構成され、前記監視対象から計測された所定の計測データを入力することによって予測値を出力するモデルを用いて、前記監視対象から計測された計測データから当該監視対象の異常状態を検知する検知部と、
異常状態を検知した前記監視対象から計測された計測データを前記モデルに入力することによって、前記ニューラルネットワークで出力された前記予測値と、異常状態を検知した前記監視対象から計測された他の計測データである実測値と、の差分の情報を用いて異常検知特徴ベクトルを生成する特徴ベクトル生成部と、
前記異常検知特徴ベクトルと、予め登録された前記監視対象の所定の異常状態を表す異常状態情報と関連付けられた特徴ベクトルである登録特徴ベクトルとを比較し、比較結果に基づく情報を出力する比較部と、
を実現させるためのプログラム。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019058385 | 2019-03-26 | ||
| JP2019058385 | 2019-03-26 | ||
| PCT/JP2020/009056 WO2020195626A1 (ja) | 2019-03-26 | 2020-03-04 | 異常検知方法、異常検知装置、プログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPWO2020195626A1 JPWO2020195626A1 (ja) | 2020-10-01 |
| JP7248103B2 true JP7248103B2 (ja) | 2023-03-29 |
Family
ID=72610044
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021508905A Active JP7248103B2 (ja) | 2019-03-26 | 2020-03-04 | 異常検知方法、異常検知装置、プログラム |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20220156137A1 (ja) |
| JP (1) | JP7248103B2 (ja) |
| WO (1) | WO2020195626A1 (ja) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11900679B2 (en) * | 2019-11-26 | 2024-02-13 | Objectvideo Labs, Llc | Image-based abnormal event detection |
| JP7414704B2 (ja) * | 2020-12-14 | 2024-01-16 | 株式会社東芝 | 異常検出装置、異常検出方法、およびプログラム |
| CN115145984B (zh) * | 2022-09-02 | 2022-11-15 | 山东布莱特威健身器材有限公司 | 一种健身器材的故障监控系统及方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013140135A (ja) | 2011-12-09 | 2013-07-18 | Tokyo Electron Ltd | 周期的駆動系の異常検知装置、周期的駆動系を有する処理装置、周期的駆動系の異常検知方法、およびコンピュータプログラム |
| JP2017021702A (ja) | 2015-07-14 | 2017-01-26 | 中国電力株式会社 | 故障予兆監視方法 |
| JP2018049355A (ja) | 2016-09-20 | 2018-03-29 | 株式会社東芝 | 異常検知装置、学習装置、異常検知方法、学習方法、異常検知プログラム、および学習プログラム |
| JP2019036865A (ja) | 2017-08-17 | 2019-03-07 | 沖電気工業株式会社 | 通信解析装置、通信解析プログラム、及び通信解析方法 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06150178A (ja) * | 1992-11-02 | 1994-05-31 | Onoda Cement Co Ltd | 異常警報システム |
| US6917839B2 (en) * | 2000-06-09 | 2005-07-12 | Intellectual Assets Llc | Surveillance system and method having an operating mode partitioned fault classification model |
| WO2013030984A1 (ja) * | 2011-08-31 | 2013-03-07 | 株式会社日立エンジニアリング・アンド・サービス | 設備状態監視方法およびその装置 |
| JP6176390B2 (ja) * | 2014-03-18 | 2017-08-09 | 日本電気株式会社 | 情報処理装置、解析方法、及び、プログラム記録媒体 |
| JP6187704B2 (ja) * | 2014-09-11 | 2017-08-30 | 日本電気株式会社 | 情報処理装置、情報処理方法、及び、プログラム |
| JP6777069B2 (ja) * | 2015-03-16 | 2020-10-28 | 日本電気株式会社 | 情報処理装置、情報処理方法、及び、プログラム |
| JP5946573B1 (ja) * | 2015-08-05 | 2016-07-06 | 株式会社日立パワーソリューションズ | 異常予兆診断システム及び異常予兆診断方法 |
| JP6535130B2 (ja) * | 2016-03-07 | 2019-06-26 | 日本電信電話株式会社 | 分析装置、分析方法および分析プログラム |
| US11379284B2 (en) * | 2018-03-13 | 2022-07-05 | Nec Corporation | Topology-inspired neural network autoencoding for electronic system fault detection |
| US20190391901A1 (en) * | 2018-06-20 | 2019-12-26 | Ca, Inc. | Adaptive baselining and filtering for anomaly analysis |
| US11494618B2 (en) * | 2018-09-04 | 2022-11-08 | Nec Corporation | Anomaly detection using deep learning on time series data |
| US11146579B2 (en) * | 2018-09-21 | 2021-10-12 | General Electric Company | Hybrid feature-driven learning system for abnormality detection and localization |
| US11436473B2 (en) * | 2019-09-11 | 2022-09-06 | Intuit Inc. | System and method for detecting anomalies utilizing a plurality of neural network models |
-
2020
- 2020-03-04 US US17/439,091 patent/US20220156137A1/en not_active Abandoned
- 2020-03-04 JP JP2021508905A patent/JP7248103B2/ja active Active
- 2020-03-04 WO PCT/JP2020/009056 patent/WO2020195626A1/ja active Application Filing
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013140135A (ja) | 2011-12-09 | 2013-07-18 | Tokyo Electron Ltd | 周期的駆動系の異常検知装置、周期的駆動系を有する処理装置、周期的駆動系の異常検知方法、およびコンピュータプログラム |
| JP2017021702A (ja) | 2015-07-14 | 2017-01-26 | 中国電力株式会社 | 故障予兆監視方法 |
| JP2018049355A (ja) | 2016-09-20 | 2018-03-29 | 株式会社東芝 | 異常検知装置、学習装置、異常検知方法、学習方法、異常検知プログラム、および学習プログラム |
| JP2019036865A (ja) | 2017-08-17 | 2019-03-07 | 沖電気工業株式会社 | 通信解析装置、通信解析プログラム、及び通信解析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| JPWO2020195626A1 (ja) | 2020-10-01 |
| US20220156137A1 (en) | 2022-05-19 |
| WO2020195626A1 (ja) | 2020-10-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7248103B2 (ja) | 異常検知方法、異常検知装置、プログラム | |
| JP6609050B2 (ja) | 時間的因果グラフにおける異常フュージョン | |
| US9658916B2 (en) | System analysis device, system analysis method and system analysis program | |
| US20180275642A1 (en) | Anomaly detection system and anomaly detection method | |
| US10747188B2 (en) | Information processing apparatus, information processing method, and, recording medium | |
| EP2963553B1 (en) | System analysis device and system analysis method | |
| US11152126B2 (en) | Abnormality diagnosis system and abnormality diagnosis method | |
| KR102319083B1 (ko) | 인공지능 기반의 화재예방 제공 장치 및 방법 | |
| JP4046309B2 (ja) | プラント監視装置 | |
| JP5794034B2 (ja) | 障害予測システム及びプログラム | |
| EP2963552B1 (en) | System analysis device and system analysis method | |
| JP6655926B2 (ja) | 異常診断システム | |
| Qu et al. | A CUSUM scheme for event monitoring | |
| JPWO2018104985A1 (ja) | 異常分析方法、プログラムおよびシステム | |
| WO2016147657A1 (ja) | 情報処理装置、情報処理方法、及び、記録媒体 | |
| JP2021179740A (ja) | 監視装置、監視方法、プログラムおよびモデル訓練装置 | |
| JP2019159786A (ja) | 情報処理装置、情報処理方法、プログラム | |
| EP3416012B1 (en) | Monitoring device, and method for controlling monitoring device | |
| JP7264231B2 (ja) | 監視方法、監視装置、プログラム | |
| JP2017207852A (ja) | 相互相関に基づいて時系列変化点を検出可能なプログラム、装置及び方法 | |
| JP6587950B2 (ja) | スカラ特徴量によって時系列変化点を検出可能なプログラム、装置及び方法 | |
| WO2020090715A1 (ja) | 工程管理装置および工程管理方法および工程管理プログラム記憶媒体 | |
| JP2010152539A (ja) | 障害発見システム検証装置、障害発見システム検証方法及び障害発見システム検証制御プログラム | |
| JP7218764B2 (ja) | 時系列データ処理方法 | |
| JP2022094095A (ja) | 異常検出装置、異常検出方法、およびプログラム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210903 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210903 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220510 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220705 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220906 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221031 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230214 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230227 |
|
| R151 | Written notification of patent or utility model registration |
Ref document number: 7248103 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |