异常度计算系统及方法技术方案

提供一种异常度计算系统及方法，目的是更高精度地计算设备的异常度。异常度计算系统具备：概念类别赋予部(11)，基于对象设备(M)的识别号码赋予规定的概念类别(C1)；特征向量提取部(12)，基于与对象设备对应的传感器的传感器数据(D2)，提取特征向量；似然度计算部(13)，使用从学习用数据库(DB2)得到的机器学习模型，计算特征向量的似然度；损失计算部(14)，使用被定义为似然度的函数的损失函数计算损失；模型更新部(15)，使用损失和模型，将模型更新；再学习需要与否判定部(16)，根据计算出的似然度，判定再学习的需要与否；以及异常度计算部(17)，在判定为不需要再学习的情况下计算异常度。度。度。

【技术实现步骤摘要】
异常度计算系统及方法


[0001]本专利技术涉及异常度计算系统及方法。

技术介绍

[0002]通常，在异常检测中，由于难以关于全部种类的异常取得充分的量的异常数据，所以较多采用仅使用正常数据推断正常分布、使用它来进行异常判定的方法。
[0003]另一方面，在仅使用正常数据推断正常分布的方法中，也存在不能充分地收集正常数据的情况、或在收集充分的量的正常数据的期间中正常分布变化的情况，所以需要能够以少量的正常数据得到充分的检测精度的方法。
[0004]所以，提出了除了作为检测对象的机械的正常数据以外还使用与检测对象类似的机械的正常数据提高正常分布的推断精度，即使在检测对象的正常数据为少量的情况下也能够达成充分的检测精度的技术(专利文献1)。
[0005]在专利文献1中，有以下的记载：“处理部11计算第1值，第1值作为表示被导出的注视对象设备的状态值从第1分布区域以何种程度偏离的值，第1分布区域表示与注视对象设备同种类的设备各自的状态值的分布。处理部11计算第2值，第2值作为表示导出的注视对象设备的状态值从第2分布区域以何种程度偏离的值，第2分布区域表示注视对象设备的过去的状态值各自的分布。处理部11基于第1值及第2值，判定注视对象设备是否异常。
[0006]现有技术文献
[0007]专利文献
[0008]专利文献1：日本特开2019－008354号公报

技术实现思路

[0009]专利技术要解决的课题
[0010]专利文献1所记载的专利技术假定了异常检测对象的设备的传感器数据和与检测对象设备同种类的设备的传感器数据遵循相同的正常分布。因而，专利文献1的技术仅在检测对象的设备和与检测对象同种类的设备关于某概念例如机种是相同的、进而关于比上述概念下位的概念例如型号也相同的情况下，即仅在机种及型号的两者可看作相同的情况下能够使用。
[0011]因此，在专利文献1中，并没有设想尽管检测对象设备和与检测对象设备同种类的设备关于上位概念例如机种相同，但关于下位概念例如型号不同，且两者的正常分布不同的情况。
[0012]在检测对象设备的传感器数据的正常分布与同种设备的传感器数据的正常分布不同的情况下，在专利文献1的技术中，将检测对象设备的不是正常分布的区域作为正常分布进行学习，所以与仅使用检测对象设备的传感器数据的情况相比检测精度下降。
[0013]所以，本专利技术的目的是提供一种能够以更高精度计算设备的异常度的异常度计算系统及方法。
[0014]用来解决课题的手段
[0015]为了解决上述课题，遵循本专利技术的一个技术方案的异常度计算系统，是计算对象设备的异常度的异常度计算系统，具备：概念类别赋予部，基于对象设备的识别号码赋予规定的概念类别；特征向量提取部，基于从与对象设备对应的传感器得到的传感器数据提取特征向量；似然度计算部，使用从学习用数据库得到的机器学习模型，计算特征向量的似然度；损失计算部，使用损失函数计算损失，该损失函数被定义为由似然度计算部计算出的似然度的函数；模型更新部，使用由损失计算部计算出的损失和已学习的机器学习模型，将机器学习模型更新；再学习需要与否判定部，根据由似然度计算部计算出的似然度判定再学习的需要与否；以及异常度计算部，在由再学习需要与否判定部判定为不需要再学习的情况下计算异常度。
[0016]专利技术效果
[0017]根据本专利技术，在检测到对象设备的异常时，根据计算出的似然度判定再学习的需要与否，在判定为不需要再学习的情况下计算异常度，所以异常度的计算精度提高。
附图说明
[0018]图1是表示本实施例的整体概要的说明图。
[0019]图2是从输入提取概念类别的处理的说明图。
[0020]图3是使用训练用数据库的数据计算损失的处理的说明图。
[0021]图4是表示负的对数似然度与模型更新次数的关系性的说明图。
[0022]图5是进行再学习需要与否判定的方法的说明图。
[0023]图6是异常度计算装置的硬件及软件构成图。
[0024]图7是特征向量提取部的块构成图。
[0025]图8是学习时的块构成图。
[0026]图9是学习时的异常度计算系统的处理流程。
[0027]图10是异常度计算时的块构成图。
[0028]图11是异常度计算时的异常度计算系统的处理流程。
[0029]图12是表示本专利技术与以往方法的差异的说明图。
[0030]图13关于第2实施例，是异常度计算时的块构成图。
[0031]图14是异常度计算时的异常度计算系统的处理流程。
[0032]图15是关于第3实施例，是学习时的块构成图。
[0033]图16是学习时的异常度计算系统的处理流程。
[0034]图17是异常度计算时的块构成图。
[0035]图18是异常度计算时的异常度计算系统的处理流程。
[0036]标号说明
[0037]1：异常度计算系统；11：概念类别赋予部；12：特征向量提取部；13：似然度计算部；14：损失计算部；15：模型更新部；16：再学习需要与否判定部；17：异常度计算部；21：学习用模型似然度计算部；22：已学习模型似然度计算部；31：同位概念类别赋予部；M：设备。
具体实施方式
[0038]以下，基于附图说明本专利技术的实施方式。有关本实施方式的异常度计算系统在混杂有检测对象设备、以及与检测对象设备上位概念相同而下位概念不同的设备(同位概念设备，也称作其他设备)的环境下，即使在检测对象设备的传感器数据和同位概念设备的传感器数据遵循不同的正常分布的情况下，也通过使用两者的传感器数据，使检测异常的精度提高。由此，在本实施方式的异常度计算系统中，能够使用检测对象设备的比较少量的正常数据得到充分的检测精度。
[0039]本实施方式的异常度计算系统从关于上位概念例如机种相同的n个设备M取得输入D0，设备M中包括对象设备。输入D0包括作为机种的下位概念的例子的型号号码D1和传感器数据D2。
[0040]本实施方式的异常度计算系统具备概念类别赋予部11，概念类别赋予部11基于型号号码D1输出表示各设备是否是检测对象的设备(对象设备)或者与检测对象设备同位概念的设备(其他设备)的概念类别D3。
[0041]进而，本实施方式的异常度计算系统具备：特征向量提取部12，根据传感器数据D2输出特征量D4；似然度计算部13，根据特征量D4使用机器学习模型输出似然度D5；损失计算部14，使用由提高来自检测对象设备的数据的似然度、降低来自同位概念的设备的数据的似然度那样的似然度D5的函数定义的损失函数，计算损失的值D6；学习部15，使似然度计算部13的机器学习模型的参数更新，以使损失的值D6最小化；再学习需要与否判定部16，根据似然度D5及概念类别D3判定再学习的需要与否；以及异常度计算部17，在判定为不需要再学习的情况下，将检测对象的似然度D7设为异常度。
[0042]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种异常度计算系统，计算对象设备的异常度，其特征在于，具备：概念类别赋予部，基于上述对象设备的识别号码赋予规定的概念类别；特征向量提取部，基于从与上述对象设备对应的传感器得到的传感器数据提取特征向量；似然度计算部，使用从学习用数据库得到的机器学习模型，计算上述特征向量的似然度；损失计算部，使用损失函数计算损失，上述损失函数被定义为由上述似然度计算部计算出的似然度的函数；模型更新部，使用由上述损失计算部计算出的损失和学习后的机器学习模型，将上述机器学习模型更新；再学习需要与否判定部，根据由上述似然度计算部计算出的似然度判定再学习的需要与否；以及异常度计算部，在由上述再学习需要与否判定部判定为不需要再学习的情况下，计算异常度。2.如权利要求1所述的异常度计算系统，其特征在于，上述规定的概念类别，是根据上述识别号码得到的概念类别，是下属于与上述对象设备共通的上位概念的同位概念；上述损失计算部以将上述对象设备的传感器数据看作正常而给出较高的似然度、将来自与上述对象设备为上述同位概念的其他设备的传感器数据看作异常而给出较低的似然度的方式，计算向机器学习模型反馈的损失。3.如权利要求2所述的异常度计算系统，其特征在于，上述对象设备和上述同位概念的其他设备关于作为将设备分类的最小单位的机种是共通的，且上述机种中包含的型号各自不同。4.如权利要求1所述的异常度计算系统，其特征在于，上述识别号码是对应于型号而分配的信息。5.如权利要求2所述的异常度计算系统，其特征在于，将上述概念类别对于上述对象设备设定为“1”，对于上述其他设备设定“0”。6.如权利要求2所述的异常度计算系统，其特征在于，属于共通的机种且型号不同的多个设备被预先分组，上述多个设备示出能够根据工作测量的物理性变化；从被分组后的上述多个设备中选择一个上述对象设备；在被分组后的上述多个设备中，选择上述对象设备以外的至少一个设备作为其他设...

【专利技术属性】
技术研发人员：土肥宏太，远藤隆，川口洋平，
申请(专利权)人：株式会社日立制作所，
类型：发明
国别省市：