特許ウォッチ

公開番号2024163764
公報種別公開特許公報(A)
公開日2024-11-22
出願番号2023079635
出願日2023-05-12
発明の名称異常検知モデルと異常識別モデルの出力に応じたモデルの更新プログラムおよびシステム
出願人菱洋エレクトロ株式会社
代理人アクシス国際弁理士法人
主分類G05B 23/02 20060101AFI20241115BHJP(制御;調整)
要約【課題】現場に過度の属人的な負担を掛けることなく、発生当時には未観測である異常に対する手当ても可能としつつ、長期運用系の監視を自動化できる手法の提供。
【解決手段】対象を監視するためのシステムであって、前記対象から発生する振動信号を得るように構成されるセンサーと、センサーからの入力を取得し格納する記憶手段と、記憶手段に格納される、複数種の機械学習モデルと、判断手段とを含み、複数種の機械学習モデルが、異常検知モデルと、異常識別モデルとを含み、判断手段が、センサーからの入力に基づいて、異常検知モデルを用いた第一の判断と、異常識別モデルを用いた第二の判断を別に行い、第一の判断の結果と第二の判断の結果の異同を識別するように構成され、かつ、結果の異同に基づいて、異常検知モデルおよび/もしくは異常識別モデルを更新させるように構成されることを特徴とするシステム。
【選択図】図1
特許請求の範囲【請求項１】
対象を監視するためのシステムであって、
前記対象から発生する振動信号を得るように構成されるセンサーと、
前記センサーからの入力を取得し格納するように構成される、記憶手段と、
前記記憶手段に格納されるように構成される、複数種の機械学習モデルと、
判断手段と
を含み、
前記複数種の機械学習モデルが、
前記対象に関係する正常な振動に係る時系列データを学習するように構成される異常検知モデルと、
前記対象に関係する異常な振動に係る時系列データを学習するように構成される異常識別モデルと
を含み、
前記判断手段が、
前記対象から発生する振動信号を承けた前記センサーからの入力に基づいて、前記異常検知モデルを用いた第一の判断と、前記異常識別モデルを用いた第二の判断を別に行い、前記第一の判断の結果と前記第二の判断の結果の異同を識別するように構成され、かつ、
前記第一の判断の結果と前記第二の判断の結果の異同に基づいて、前記異常検知モデルおよび／もしくは前記異常識別モデルを更新させるように構成される
ことを特徴とする、システム。
続きを表示（約 1,100 文字）【請求項２】
前記判断手段により、前記第一の判断の結果と前記第二の判断の結果が異なると識別された場合に、その判断結果を得ることになった発生振動の状況に関するデータを取得する手段
をさらに含む、請求項1に記載のシステム。
【請求項３】
前記発生振動の状況に関するデータを提示するように構成される表示手段
をさらに含む、請求項2に記載のシステム。
【請求項４】
前記判断手段が、
前記第一の判断が前記対象が異常であると判断する結果であり、かつ前記第二の判断が前記対象が正常であると判断する結果である場合において、前記異常識別モデルを更新させる
ことを特徴とする、請求項1に記載のシステム。
【請求項５】
前記判断手段が、
前記第一の判断が前記対象が異常であると判断する結果であり、かつ前記第二の判断が前記対象が正常であると判断する結果である場合において、前記対象から発生していた振動信号に基づいた新たな異常識別モデルを作成する
ことを特徴とする、請求項4に記載のシステム。
【請求項６】
対象からの発生振動を取得するように構成されるセンサーにネットワークを介して結合可能な、プロセッサを有するコンピュータにより実行可能な命令を含んだプログラムであって、
前記命令が前記プロセッサに実行されることにより、
入出力インターフェイスにより、前記対象からの発生振動に係る入力を取得することと、
記憶手段により、複数種の機械学習モデルを格納し、ここで前記複数種の機械学習モデルが少なくとも、
前記対象に関係する正常な振動に係る時系列データを学習するように構成される異常検知モデルと、
前記対象に関係する異常な振動に係る時系列データを学習するように構成される異常識別モデルと
を含むことと、
判断手段により、前記対象からの発生振動に係る入力に基づいて、前記異常検知モデルを用いた第一の判断を行うことと、
判断手段により、前記対象からの発生振動に係る入力に基づいて、前記異常識別モデルを用いた第二の判断を行うことと、
判断手段により、前記第一の判断の結果と前記第二の判断の結果の異同を識別することと、
判断手段により、前記第一の判断の結果と前記第二の判断の結果の異同に基づいて、前記異常検知モデルおよび／もしくは前記異常識別モデルを更新させることと
を行うように構成される
ことを特徴とする、プログラム。

発明の詳細な説明【技術分野】
【０００１】
本発明は、異常検知モデルと異常識別モデルの出力に応じ、当該モデルのいずれかを更新するためのプログラムおよびシステムに関する。
続きを表示（約 1,600 文字）【背景技術】
【０００２】
鉄道車両、工作機械設備、サーバなどといった長期間にわたる運用が想定されている系（本明細書では総称して「長期運用系」とも呼ぶ）では、その構成部品の経時劣化を監視することで故障を予防する保守点検が重要となる。こうした監視を自動化する試みは従来より多々なされてきている。
【０００３】
機械学習モデルを用いて監視を自動化しようとする場合、実際の現場では様々な事例（異常事象）が発生しうるため、あらゆる事例を想定してそれに合った教師データをあらかじめ用意するというのは凡そ現実的ではない。このため、教師無し学習を行うことで未知の事例に対応しようとする手法が提案されている。
【０００４】
例えば特許文献1では、正常データからなる訓練データに基づいて潜在変数モデルと同時確率モデルとを学習させる技術が開示されている。当該従来技術では、潜在変数モデルと同時確率モデルに基づいて、取得されたセンサデータの尤度を測定し、当該センサデータが正常であるか又は異常であるかを判定し、センサが出力するセンサデータに基づいて潜在変数モデルと同時確率モデルとを学習することを特徴とするシステムが開示されている。これにより、新しい機械や未知の故障の場合でも、高度な専門知識または豊富な経験を必要とせずに、効率的にセンサの選択を行えると謳われている。
【０００５】
特許文献1の技術では、正常データからなる訓練データに基づいて学習させたモデルから得られた復元データと、入力した異常検出対象のデータを比較して、そのずれから異常を検出することが特徴とされている。しかしながら一般に長期運用系では、たとえ同一の系であったとしても、その系が新品に近いのか、あるいは長年使用されてきているものかによって、発生しうる異常事象の内容と頻度が大きく異なってくることが知られている。すると長期運用系の実際の現場ではどのようなモデルを用意するべきなのかが状況ごとに異なってくるため、特許文献1の技術では対応しきれないという問題がある。
【０００６】
また特許文献2には、入力画像から正常画像を再構成する再構成手段と、前記入力画像と前記再構成手段により再構成された画像とにおける異常クラスの判断根拠を出力する出力手段と、前記入力画像と前記再構成された画像との差分と、前記出力手段により出力された異常クラスの判断根拠とに基づき、前記入力画像における異常箇所を検出する検出手段と、を備える情報処理システムが開示されている。これにより、より高い精度で異常箇所を検知できると謳われている。
【０００７】
しかしながら、長期運用系の監視を画像によって行うのが現実的ではない現場も多々ある。例えば鉄道車両の台車のような環境では、振動が激しく不規則であり、入射光も十分ではないので凡そ画像検査には不向きである。また特許文献2では、発生当時には未観測である異常が発生した場合や、異常の検出に誤りがあった場合にどのような手当てをするのかについては特に言及されていない。
【先行技術文献】
【特許文献】
【０００８】
特開2020-119605号公報
特開2022-090761号公報
【発明の概要】
【発明が解決しようとする課題】
【０００９】
上述した従来技術の課題に鑑みて、現場に過度の属人的な負担を掛けることなく、発生当時には未観測である異常に対する手当ても可能としつつ、長期運用系の監視を自動化できるような新たな技術が求められている。
【課題を解決するための手段】
【００１０】
すなわち本発明では下記の態様を提供できる。
（【００１１】以降は省略されています）

関連特許