（１）着眼于数据间的类似度，生成由正常事例组成的紧凑的学习数据，（２）根据类似度和有无异常，在学习数据上追加新数据，（３）从学习数据中删除设备的警报发生区间，（４）用子空间法对随时更新的学习数据进行模型化，根据观察数据和子空间的距离关系，检测异常候补，（５）对以事件信息为对象的解析进行组合，从异常候补中检测异常，（６）根据学习数据的使用频度分布，求出观察数据的乖离度，确定观察数据的异常要素（传感器信号）。
【技术实现步骤摘要】
【国外来华专利技术】
本专利技术涉及早期检测成套设备(plant)或者设备等的异常的异常检测方法及异常检测系统。
技术介绍
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成套设备供给高压蒸汽或者低压蒸汽。在石油化学公司中，把燃气轮机作为电源设备运转。这样在使用燃气轮机等的各种成套设备或者设备中，早期发现其异常能够把对于社会的危害抑制到最小限度，极为重要。不仅燃气轮机或者蒸汽轮机，就连水力发电厂的水轮机、原子能发电厂的原子炉、 风力发电厂的风车、航空机械或者重型机械的发动机、铁道车辆或者轨道、自动扶梯、电梯， 在设备/部件层级，装载的电池的恶化 寿命等，必须早期发现异常的设备不胜枚举。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)的检测也逐渐变得重要起来。因此，例如在美国的Smart Signal公司中，如专利文献1或专利文献2所记载的那样，主要以发动机为对象，提供异常检测业务的服务。在那里，把过去的数据制成数据库保存，用独自的方法计算观察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组合计算推定值，输出推定值和观察数据的偏离程度。像General Electric公司那样， 如果阅读专利文献3的内容，就会看到也有通过k-means聚类进行异常检测的例子。现有技术文献专利文献专利文献1 美国专利第6，952，662号说明书专利文献2 美国专利第6，975，962号说明书专利文献3 美国专利第6，216，066号说明书__ 专禾Il 文献 1 Stephan W. Wegerich :Nonparametric modeling of vibrati onsignal features for equipment health monitoring, Aerospace Conference,2003. Proceedings. 2003IEEE,Volume 7，Issue,2003Page(s) :3113-312
技术实现思路
在Smart Signal公司使用的方法中，需要数据库中存储的过去的学习数据网罗包含各种状态。如果观察到学习数据中未包含的观察数据，则把它们作为所有都不在学习数据中包含的数据对待，判断为偏离值，即使在正常信号中也判定为异常，检查的可信度显著降低。因此，用户必须把过去的一切状态的数据都作为DB存储。另一方面，在学习数据中混入了异常的情况下，与表示异常的观察数据的乖离度降低，会将其漏掉。因此，需要充分地检查，以使在学习数据中不包含异常。这样，在Smart Signal公司提出的方法中，用户背负网罗收集数据和排除异常这7样的负荷。特别需要极为琐碎地应对有无随时间的变化、周围的环境变动、部件更换等维护作业等。用人工进行这样的应对，实质上非常困难，并且大多不可能。在General Electric公司的方法中，因为k_means分类法，看不见信号的举动，在这点上不成为在本质上的异常检测。因此，本专利技术的目的是解决上述课题，给出一种生成优良的学习数据的方法。由此提供一种异常检测方法以及系统，其能够减轻用户负担，更早地高灵敏度地检测异常。用于解决课题的手段为实现上述目的，本专利技术，⑴着眼于数据间的类似度，生成由正常事例组成的紧凑(compact)的学习数据，( 根据类似度和有无异常，对学习数据追加新数据，( 从学习数据中删除设备的警报发生区间，(4)通过子空间法对随时更新的学习数据进行模型化， 根据观察数据和子空间的距离关系，检测异常候补，(5)对以事件信息为对象的解析进行组合，从异常候补检测异常，(6)根据学习数据的使用频度分布，求观察数据的乖离度，确定观察数据的异常要素(传感器信号)。另外，针对多个观察数据进行求出观察数据与在学习数据中包含的各个数据的类似度，并求出与观察数据类似度高的上位k个数据，，把由此得到的学习数据的数据作为对象求其频度分布，并根据该频度分布，设定至少一个以上的典型值、上限值、下限值等值，使用这些设定值对异常进行日常监视。此外，k是参数。专利技术效果根据本专利技术，能够得到优良的学习数据，不仅燃气轮机、蒸汽轮机等设备，就连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、航空机械或者重型机械的发动机、铁道车辆或者轨道、自动扶梯、电梯，并且在设备/部件层级，装载的电池的恶化 /寿命等，各种设备/部件中都能够早期、高精度地发现异常。附图说明图1是通过综合使用了本专利技术的异常检测系统的由正常事例组成的学习数据的多个识别器而形成的异常检测系统的例子。图2是线性特征变换的一例。图3是评价工具的结构例。图4是说明与异常诊断的关系的图。图5是本专利技术的异常检测系统的硬件结构图。图6是通过综合多个识别器形成的识别结构的例子。图7是本专利技术的实施例1的异常检测系统的学习数据编辑的动作流程图。图8是本专利技术的实施例1的异常检测系统的学习数据编辑的结构框图。图9是本专利技术的实施例2的异常检测系统的异常检测系统的学习数据编辑的动作流程图。图10是本专利技术的实施例2的异常检测系统的学习数据编辑的结构框图。图11是本专利技术的实施例3的异常检测系统的学习数据编辑的动作流程图。图12是本专利技术的实施例3的异常检测系统的学习数据编辑的结构框图。图13是本专利技术的实施例3的传感器信号的代表电平的说明图。图14是本专利技术的实施例3的传感器信号的电平的频度分布的例子。图15是本专利技术的实施例4的异常检测系统中设备发生的事件信息(警报信息) 的例子。图16是本专利技术的实施例5的异常检测系统中在特征空间中进行数据显示的例子。图17是在特征空间中进行数据显示的另一个例子。图18是表示本专利技术的实施例6的异常检测系统的结构图。图19是多维时间系列信号的例子。图20是相关行列式的例子。图21是轨迹分割聚类的应用例。图22是轨迹分割聚类的应用例。图23是轨迹分割聚类的应用例。图M是子空间法的一例。图25是通过综合多个识别器的异常检测例。图沈是实施轨迹分割聚类时与模型的偏差的例子。图27是未实施轨迹分割聚类时的模型的偏差的例子。图观是局部子空间法的应用例。图四是投影距离法、局部子空间法的应用例。图30是在特征空间中进行数据显示的又一个例子。图31是在特征空间中进行数据显示的另一个例子。图32是表示本专利技术的实施例7的异常检测系统的结构图。图33是表示本专利技术的实施例8的异常检测系统的结构图。图34是警报信号的直方图例。图35是表示本专利技术的实施例9的异常检测系统的结构图。图36是Wavelet (变换)解析的例子。图37是Wavelet变换的说明图。图38是表示本专利技术的实施例10的异常检测系统的结构图。图39是分布图解析以及互相关解析的例子。图40是表示本专利技术的实施例11的异常检测系统的结构图。图41是时间/频率解析的例子。图42是表示本专利技术的实施例12的异常检测系统的结构图。图43是表示本专利技术的实施例12的异常检测系统的详细的结构图。具体实施例方式下面参照附图说明本专利技术的实施方式。图1是表示一个系统结构的例子的图，该系统结构包含通过综合使用了本专利技术的异常检测系统的由正常事例组成的学习数据的多个识别器而形成的异常检测系统。异常检测系统，(1)着眼于数据间的类似度，生成由正常事例组成的紧凑的学习数据，( 根据类似本文档来自技高网...
【技术保护点】
１．一种早期检测成套设备或者设备的异常的异常检测方法，其特征在于，从多个传感器取得数据，根据数据间的类似度，在数据间类似度低的数据的情况下，通过使用该数据有无异常，对学习数据进行数据的追加或者删除，生成／更新学习数据，根据新取得的观察数据和在学习数据中包含的各个数据的乖离度，检测观察数据的异常。
【技术特征摘要】
【国外来华专利技术】...
【专利技术属性】
技术研发人员：前田俊二，
申请(专利权)人：株式会社日立制作所，
类型：发明
国别省市：JP
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。