异常检测装置以及异常检测方法与流程

技术特征：
1.一种异常检测装置，其特征在于，具备：传感器信号输入部，其输入从安装于设备的多个传感器输出的多个时间序列的传感器信号；特征向量提取部，其在每个时刻，从所述传感器信号提取出特征向量；聚类部，其对指定的学习期间的所述特征向量进行聚类，将属于各簇的特征向量调整为固定数；簇选择部，其根据新提取出的所述特征向量，从所述簇中选择1个或多个簇；异常测度计算部，其从属于选择出的所述簇的特征向量中，根据新提取出的所述特征向量选择预定数量的特征向量，使用选择出的所述特征向量来制作基准向量，并基于制作出的所述基准向量和新提取出的所述特征向量来计算出异常测度；以及异常检测部，其通过将所述异常测度与阈值进行比较来判定各时刻的传感器信号是正常还是异常，在异常检测时，所述异常测度计算部基于新提取出的特征向量和选择出的所述簇的中心位置来计算出临时的异常测度，在所述临时的异常测度为所述阈值以下的情况下，所述异常检测部判定所述传感器信号为正常。2.一种异常检测装置，其特征在于，具备：传感器信号输入部，其输入从安装于设备的多个传感器输出的多个时间序列的传感器信号；特征向量提取部，其在每个时刻，从所述传感器信号提取出特征向量；聚类部，其对指定的学习期间的所述特征向量进行聚类，将属于各簇的特征向量调整为固定数；簇选择部，其根据新提取出的所述特征向量，从所述簇中选择1个或多个簇；异常测度计算部，其从属于选择出的所述簇的特征向量中，根据新提取出的所述特征向量选择预定数量的特征向量，使用选择出的全部所述特征向量来制作基准向量，并基于制作出的所述基准向量和新提取出的所述特征向量来计算出异常测度；以及异常检测部，其通过将所述异常测度与阈值进行比较来判定各时刻的传感器信号是正常还是异常，在所述簇选择部选择簇之前，所述异常测度计算部基于新提取出的特征向量和该特征向量的1个时刻前的基准向量来计算出临时的异常测度，在学习时，在所述临时的异常测度为在处理对象区间已计算出的所述异常测度的最大值以下的情况下，将所述临时的异常测度作为异常测度，在异常检测时，在所述临时的异常测度为所述阈值以下的情况下，将所述临时的异常测度作为异常测度。3.根据权利要求1或2所述的异常检测装置，其特征在于，所述聚类部逐次追加1个簇以使簇中心位置的初始配置彼此的类似度变低，在彼此的类似度高于所指定的基准类似度、或超过所指定的最大数的情况下，停止追加。4.根据权利要求1或2所述的异常检测装置，其特征在于，所述聚类部将学习期间预先分割为多个区间，以使属于一个簇的特征向量的区间相同的方式进行聚类，
在学习时，所述簇选择部根据新提取出的所述特征向量，从与新提取出的所述特征向量不同的区间的所述簇中选择1个簇，在异常检测时，所述簇选择部根据新提取出的所述特征向量从所述簇中选择1个簇，所述异常测度计算部使用属于选择出的所述簇的全部特征向量来制作基准向量。5.一种异常检测方法，其特征在于，进行如下处理：输入多个时间序列传感器信号并在每个时刻提取出特征向量；对所指定的学习期间的所述特征向量进行聚类，将属于各簇的特征向量调整为固定数；将所述各簇的中心和属于簇的特征向量作为学习数据而进行蓄积，根据新提取出的特征向量，从作为学习数据而蓄积的簇中选择出1个或多个簇；根据所述新提取出的特征向量，从属于选择出的所述簇的特征向量中选择预定数量的特征向量，并使用选择出的全部所述特征向量来制作基准向量；基于所述新提取出的特征向量和制作出的所述基准向量来计算出异常测度；通过将所述异常测度与阈值进行比较来判定各时刻的传感器信号是异常还是正常；在所述异常测度的计算中，在异常检测时，基于新提取出的特征向量和选择出的所述簇的中心位置来计算出临时的异常测度；在所述异常还是正常的判定中，在所述临时的异常测度为所述阈值以下的情况下，判定所述传感器信号为正常。6.一种异常检测方法，其特征在于，进行如下处理：输入多个时间序列传感器信号并在每个时刻提取出特征向量；对所指定的学习期间的所述特征向量进行聚类，将属于各簇的特征向量调整为固定数；将所述各簇的中心和属于簇的特征向量作为学习数据而进行蓄积，根据新提取出的特征向量，从作为学习数据而蓄积的簇中选择出1个或多个簇；根据所述新提取出的特征向量，从属于选择出的所述簇的特征向量中选择预定数量的特征向量，并使用选择出的所述特征向量来制作基准向量；基于所述新提取出的特征向量和制作出的所述基准向量来计算出异常测度；通过将所述异常测度与阈值进行比较来判定各时刻的传感器信号是异常还是正常；在所述异常测度的计算中，在选择所述簇之前，基于新提取出的特征向量和该特征向量的1个时刻前的基准向量来计算出临时的异常测度，在学习时，在所述临时的异常测度为在处理对象区间已计算出的所述异常测度的最大值以下的情况下，将所述临时的异常测度作为异常测度，在异常检测时，在所述临时的异常测度为所述阈值以下的情况下，将所述临时的异常测度作为异常测度。7.根据权利要求5或6所述的异常检测方法，其特征在于，在所述聚类中，逐次追加1个簇以使簇中心位置的初始配置彼此的类似度变低，在彼此的类似度高于所指定的基准类似度、或超过所指定的最大数的情况下，停止追加。8.根据权利要求5或6所述的异常检测方法，其特征在于，在所述聚类中，将学习期间预先分割为多个区间，以使属于一个簇的特征向量的区间相同的方式进行聚类，
在所述簇的选择中，在学习时，根据所述新提取出的特征向量从与所述新提取出的特征向量不同的区间的所述簇中选择1个簇，在异常检测时，根据所述新提取出的特征向量从所述簇中选择1个簇，在所述异常测度的计算中，使用属于选择出的所述簇的全部特征向量来制作基准向量。9.一种程序，其特征在于，该程序使cpu执行权利要求5至8中任一项所述的异常检测方法。

技术总结
本发明的目的在于，在基于多个时间序列传感器信号的异常检测中，在维持异常检测灵敏度的同时，能够进行异常测度计算、聚类以及高速的处理。为了达成上述目的，在异常检测装置中，对所指定的学习期间的特征向量进行聚类而将属于各簇的特征向量调整为固定数，根据新提取出的特征向量来选择1个簇，基于使用属于选择出的簇的全部特征向量计算出的基准向量来计算出异常测度。算出异常测度。算出异常测度。


技术研发人员：涩谷久惠 野田统治郎 宫部升三 柏拓贵
受保护的技术使用者：株式会社日立电力解决方案
技术研发日：2020.06.23
技术公布日：2022/1/28