[发明专利]异常检测装置

说明书

本发明提供异常检测装置。通过反映设备的功能、故障机制进行学习来进行高精度的异常检测。异常检测装置(100)具有：信号获取部(101)，获取学习对象数据和监视对象数据；状态观测器生成部(104)，使用输入的变量结构所包含的变量来生成状态观测器；正常模型生成部(106)，通过将第一状态观测值和学习对象数据结合并输入到竞争型神经网络来生成阈值，其中，第一状态观测值是将学习对象数据输入到状态观测器而得到的；异常度计算部(108)，通过将第二状态观测值和监视对象数据结合并输入到竞争型神经网络来计算异常度，其中，第二状态观测值是将监视对象数据输入到状态观测器而得到的；以及判定部(109)，通过比较阈值和异常度来求出判定结果。

相关申请的交叉引用：本申请基于在2019年2月7日申请的日本专利申请号2019－021084，并在此引用其记载内容。

技术领域

本公开涉及使用竞争型神经网络来检测设备异常、异常迹象，特别是检测汽车等输送设备、农业设备、建筑设备的异常、异常迹象的装置。

背景技术

近年来，提出了使用机器学习的各种设备的异常检测。机器学习也可以说是具有智能的系统，具有自身能够提高检测精度这样的特质。特别是，神经网络是着眼于生物的神经系统的特征功能建模而成的结构，其有用性得到认可。

例如，在专利文献1中公开了对旋转设备等装置、设备使用竞争型神经网络，即使在根据转速、随时间的劣化、日期和时间、季节等而正常状态有偏差的情况下，通过无遗漏地学习实际传感器观测值来适当地诊断有无异常的异常监视装置。

另外，在专利文献2中公开了通过机器学习和实际传感器值生成正常模型，通过阈值判定检测异常，并根据外部环境的变化重建整个正常模型的异常迹象诊断装置。

专利文献1：日本特开2007－198918号公报

专利文献2：日本特开2015－18389号公报

本发明人详细研究的结果是在根据从实际传感器的观测值读取的信息、特征来求出用于检测异常的阈值的情况下，随着外部环境的变化，容易产生将异常判定为正常的误判定。另外，发现了若不考虑设备的功能、故障机制进行学习，则进行与应有的方向不同的学习，而偏离设备的功能、故障机制这样的课题。

发明内容

本公开的目的在于通过反映设备的功能、故障机制进行学习，来进行高精度的异常检测。

本公开的一个方式的异常检测装置具有：信号获取部，获取学习对象数据和监视对象数据；状态观测器生成部，使用输入的变量结构所包含的变量来生成状态观测器；正常模型生成部，通过将第一状态观测值和上述学习对象数据结合并输入到竞争型神经网络来生成阈值，其中，上述第一状态观测值是将上述学习对象数据输入到上述状态观测器而得到的；异常度计算部，通过将第二状态观测值和上述监视对象数据结合并输入到上述竞争型神经网络来计算异常度，其中，上述第二状态观测值是将上述监视对象数据输入到上述状态观测器而得到的；以及判定部，通过比较上述阈值和上述异常度来求出判定结果。

本公开的另一方式的异常检测方法获取学习对象数据，使用输入的变量结构所包含的变量来生成状态观测器，通过将第一状态观测值和上述学习对象数据结合并输入到竞争型神经网络来生成阈值，其中，上述第一状态观测值是将上述学习对象数据输入到上述状态观测器而得到的，获取监视对象数据，通过将第二状态观测值和上述监视对象数据结合并输入到上述竞争型神经网络来计算异常度，其中，上述第二状态观测值是将上述监视对象数据输入到上述状态观测器得到的，以及通过比较上述阈值和上述异常度来求出判定结果。