[发明专利]异常检测方法及系统

说明书

技术领域

本发明涉及早期检测工厂或设备等的异常的方法。

背景技术

在电力公司中，利用燃气轮机的废热等供给区域暖气用热水，或者向工厂供给高压蒸汽或低压蒸汽。在石油化学公司中，把燃气轮机等作为电源设备运转。在这样使用燃气轮机等的各种工厂或设备中，早期发现其异常能够把对于社会的损害抑制到最小限度，是极为重要的。

不仅燃气轮机或者蒸汽轮机，而且在水力发电厂中的水轮机、原子能发电厂的原子炉、风力发电厂的风车，航空器或者重型机械的发动机、铁道车辆、自动升降机、升降机、机器、部件级中，装载的电池的恶化、寿命等，必须早期发现异常的设备不甚枚举。最近，为进行健康管理，如在脑电波测定、诊断中所见，对于人体的异常(各种症状)检测也变得重要起来。

因此，例如在美国的SmartSignal公司中，如在US6,952,662或者US6,975,962中记载的那样，主要把发动机作为对象提供异常检测的服务。因此，把过去的数据作为数据库(DB)使用，用独自的方法计算观测数据和过去的学习数据的类似度，通过类似度高的数据的线性耦合计算推定值，输出推定值和观测数据的偏离度。如General Electric公司那样，观看US6,216,066的申请内容时，也存在通过k-means聚类进行异常检测的例子。

专利文献1：US6,952,662

专利文献2：US6,975,962

专利文献3：US6,216,066

非专利文献1：Stephan W.Wegerich；Nonparametric modeling of vibrationsignal features for equipment health monitoring，Aerospace Conference，2003.Proceedings.2003IEEE，Volume 7，Issue，2003Page(s)：3113-3121

发明内容

在SmartSignal公司使用的方法中，在数据库中存储的过去的学习数据需要网罗包含各种状态。当观察到在学习数据中没有的观测数据，把全部这些观测数据作为在学习数据中不包含的数据处理，判断为偏移值，即使在正常信号中也判定为异常，检查的可靠性显著降低。因此，用户必须把过去的所有状态的数据全部作为DB来积蓄。

另一方面，当在学习数据中混入了异常的情况下，与表示异常的观测数据的乖离度降低，会将其漏掉。因此，需要进行仔细检查，以便在学习数据中不包含异常。

这样，在SmartSignal公司提出的基于学习数据的方法中，用户背负网罗收集数据和排除异常的重负。特别需要极为详细地应对随时间的变化、周围的环境变动、有无部件更换等维护作业等。进行这样的应对实质上十分困难，多不可能。

在General Electric公司的方法中，因为进行k-means聚类，不观察信号的举动，在这一点上不是本质的异常检测。

因此，本发明的目的是解决上述课题，提供一种异常检测方法以及系统，其允许学习数据的不完整性和混入异常，谋求减轻用户负担，并且能够早期高灵敏度地检测异常。

为实现上述目的，本发明，(1)着眼于时间性的数据的举动，沿时间把轨迹划分为类，(2)对于划分后的类组，在子空间进行模型化，计算偏移值来作为异常候补。(3)把学习数据作为参考使用(比较、参照等)，掌握随时间变化、环境变动、维护(部件更换)、基于运转状态的状态迁移。(4)模型化是抽出N个数据(N＝0，1，2，......)的回归分析法或者投影距离法等子空间法(例如在N＝1的情况下考虑混入1个异常数据，将其去除进行模型化)，或者局部子空间法。

并且，(5)综合子空间法等多个识别器的输出，进行异常判断。此外，回归分析法中的直线的拟合相当于最低次的回归分析。

根据本发明，可以允许学习数据不完全和混入异常，能够早期、高精度地发现工厂等的设备中的异常。即，不需要像SmartSignal公司那样收集与正常部的学习、多种状态对应的网罗数据。

附图说明

图1是表示本发明的第一实施例的图。

图2是多维时间序列信号的例子。

图3是相关矩阵的例子。

图4是轨迹划分聚类的应用例。

图5是轨迹划分聚类的应用例。

图6是轨迹划分聚类的应用例。

图7是与实施轨迹划分聚类时的模型的偏差的例子。

图8是与未实施轨迹划分聚类时的模型的偏差的例子。

图9是在特征空间进行了数据显示的一例。