[发明专利]不稳定检测装置、不稳定检测系统以及不稳定检测方法

权利要求书

1.一种不稳定检测装置，其特征在于，该不稳定检测装置具备：

模型生成部，其根据运转状况为稳定状态的多个设备的作为二值数字信号的运转数据，生成用于对所述设备的运转状况进行判定的正常模型；

期待值计算部，其利用所述正常模型，根据所述设备的过去的运转数据来计算要输出的运转数据的期待值，所述运转数据的期待值是所述运转数据的实测值为1的概率；以及

不稳定检测部，其比较所述运转数据的期待值和所述运转数据的实测值，检测所述设备的运转状况是否为不稳定状态，

所述不稳定检测部根据所述运转数据的期待值和所述运转数据的实测值，计算异常度，根据所述异常度来检测所述设备的运转状况是否为不稳定状态，其中，在所述运转数据的实测值为1的情况下，所述不稳定检测部根据取所述运转数据的期待值的负的自然对数而得到的值来计算所述异常度，在所述运转数据的实测值为0的情况下，所述不稳定检测部根据取1减去所述运转数据的期待值而得到的值的负的自然对数而得到的值来计算所述异常度。

2.根据权利要求1所述的不稳定检测装置，其特征在于，

所述不稳定检测装置具备不稳定确定部，该不稳定确定部根据所述不稳定检测部中的检测结果和所述异常度，确定设备的运转状况成为不稳定状态的要因。

3.根据权利要求1所述的不稳定检测装置，其特征在于，

所述不稳定检测装置具备不稳定确定部，该不稳定确定部根据所述不稳定检测部中的检测结果和所述异常度，确定设备的运转状况成为不稳定状态的要因。

4.根据权利要求1～3中的任意一项所述的不稳定检测装置，其特征在于，

所述运转数据是时间序列数据，

所述模型生成部通过用机器学习方法进行机器学习，生成所述正常模型，所述机器学习方法能够基于所述运转数据来处理时间序列数据。

5.根据权利要求4所述的不稳定检测装置，其特征在于，

能够处理所述时间序列数据的机器学习方法是隐马尔可夫模型、时间延迟神经网络或循环神经网络。

6.根据权利要求1～3中的任意一项所述的不稳定检测装置，其特征在于，

所述不稳定检测装置具备显示装置，该显示装置显示所述不稳定检测部中的检测结果。

7.根据权利要求4所述的不稳定检测装置，其特征在于，

所述不稳定检测装置具备显示装置，该显示装置显示所述不稳定检测部中的检测结果。

8.根据权利要求5所述的不稳定检测装置，其特征在于，

所述不稳定检测装置具备显示装置，该显示装置显示所述不稳定检测部中的检测结果。

9.根据权利要求2或3所述的不稳定检测装置，其特征在于，

所述不稳定检测装置具备显示装置，该显示装置显示在所述不稳定确定部中确定的成为所述不稳定状态的要因。

10.一种不稳定检测系统，其中，该不稳定检测系统具备：

权利要求1～9中的任意一项所述的不稳定检测装置；

多个设备；以及

收集数据服务器，其存储所述多个设备的运转数据。

11.一种不稳定检测方法，其中，

根据运转状况为稳定状态的多个设备的作为二值数字信号的运转数据，生成用于对所述设备的运转状况进行判别的正常模型，利用所述正常模型，根据所述设备的过去的运转数据来计算要输出的运转数据的期待值，比较所述运转数据的期待值和所述运转数据的实测值，检测所述设备的运转状况是否为不稳定状态，

其中，所述运转数据的期待值是所述运转数据的实测值为1的概率，

在比较所述运转数据的期待值和所述运转数据的实测值，检测所述设备的运转状况是否为不稳定状态的步骤中，根据所述运转数据的期待值和所述运转数据的实测值，计算异常度，根据所述异常度来检测所述设备的运转状况是否为不稳定状态，其中，在所述运转数据的实测值为1的情况下，根据取所述运转数据的期待值的负的自然对数而得到的值来计算所述异常度，在所述运转数据的实测值为0的情况下，根据取1减去所述运转数据的期待值而得到的值的负的自然对数而得到的值来计算所述异常度。