(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)。
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,使用子空间法将生成/更新学习数据模型化;根据新取得的观察数据和子空间的距离关系,检测观察数据的异常,所述子空间是通过包含局部子空间法的子空间法对在学习数据中包含的各个数据进行模型化得到的。
2.根据权利要求1所述的异常检测方法,其特征在于,从数据库中读出学习数据,求出学习数据间的相互类似度,删除数据使类似度高的数据不重复,由此使学习数据的量适量化。
3.根据权利要求1所述的异常检测方法,其特征在于,收集关于设备发生的设备停止或者警告的警报信息,从学习数据中除去包含关于设备发生的设备停止或者警告的警报信息的区间。
4.根据权利要求1所述的异常检测方法,其特征在于,所述子空间法是投影距离法、CLAFIC法、把观察数据的附近作为对象的局部子空间法、或者线性回归法、线性预测法。
5.根据权利要求1所述的异常检测方法,其特征在于,求出数据随时间变化的过渡期,对过渡期的数据附加属性,作为学习数据收集或者排除。
6.根据权利要求1所述的异常检测方法,其特征在于,取得设备发生的事件信息,进行以事件信息为对象的解析,对以传感器信号为对象的异常检测和以事件信息为对象的解析进行组合,检测异常。
7.根据权利要求6所述的异常检测方法,其特征在于,输出异常的说明。
8.一种早期检测成套设备或者设备的异常的异常检测系统,其特征在于,由取得来自多个传感器的数据的数据取得部、计算数据间的类似度的类似度计算部、输入数据有无异常的数据异常输入部、指示对学习数据的数据追加或者删除的数据追加删除指示部、学习数据生成/更新部、以及使用子空间法对所述学习数据进行模型化的子空间法模型化部构成,根据类似度,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,进行对学习数据的数据追加或者删除,生成/更新学习数据,使用子空间法将生成/更新学习数据模型化;根据新取得的观察数据和子空间的距离关系,检测观察数据的异常,所述子空间是通过包含局部子空间法的子空间法对在学习数据中包含的各个数据进行模型化得到的。
9.根据权利要求8所述的异常检测系统,其特征在于,由计算数据间的类似度的类似度计算部和指示对学习数据的数据的删除的数据删除指示部构成,求出学习数据间的相互类似度,删除数据使类似度高的数据不重复,由此使学习数据的量适量化。
10.根据权利要求8所述的异常检测系统,其特征在于,计算数据间的类似度的类似度计算部、输入数据有无异常的数据异常输入部、指示对学习数据的数据的追加或者删除的数据追加删除指示部、以及学习数据生成/更新部构成,收集关于设备发生的设备停止或者警告的警报信息,从学习数据中除去包含关于设备发生的设备停止或者警告的警报信息的区间。
11.根据权利要求8所述的异常检测系统,其特征在于,取得设备发生的事件信息,进行以事件信息为对象的解析,对以传感器信号为对象的异常检测、和以事件信息为对象的解析进行组合,检测异常。
12.根据权利要求8所述的异常检测系统,其特征在于,所述子空间法是投影距离法、CLAFIC法、把观察数据的附近作为对象的局部子空间法、或者线性回归法、线性预测法。
13.根据权利要求8所述的异常检测系统,其特征在于,求出数据在时间上变化的过渡期,对过渡期的数据附加属性,作为学习数据收集或者排除。
14.根据权利要求8所述的异常检测系统,其特征在于,具有收集关于设备发生的设备停止或者警告的警报信息的警报信息收集部,从学习数据中除去包含关于设备发生的设备停止或者警告的警报信息的区间。
15.根据权利要求8所述的异常检测系统,其特征在于,取得设备发生的事件信息,进行以事件信息为对象的解析,对以传感器信号为对象的异常检测、和以事件信息为对象的解析进行组合,检测异常。
16.根据权利要求15所述的异常检测系统,其特征在于,输出异常的说明。技术领域
本发明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。xa0
背景技术
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。xa0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。xa0因此,例如在美国的Smartxa0Signal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Generalxa0Electric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。xa0现有技术文献xa0专利文献xa0专利文献1:美国专利第6,952,662号说明书xa0专利文献2:美国专利第6,975,962号说明书xa0专利文献3:美国专利第6,216,066号说明书xa0非专利文献1:Stephanxa0W.Wegerich:Nonparametricxa0modelingxa0ofxa0vibratixa0onxa0signalxa0featuresxa0forxa0equipmentxa0healthxa0monitoring,Aerospacexa0Conference,2003.Proceedings.2003IEEE,Volumexa07,Issue,2003Page(s):3113-3121xa0
发明内容
在Smartxa0Signal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。xa0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。xa0这样,在Smartxa0Signal公司提出的方法中,用户背负网罗收集数据和排除异常这样的负荷。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。xa0在Generalxa0Electric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。xa0因此,本发明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。xa0用于解决课题的手段xa0为实现上述目的,本发明,(1)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,(2)根据类似度和有无异常,对学习数据追加新数据,(3)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)。xa0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xa0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。xa0发明效果xa0根据本发明,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。xa0
附图说明
图1是通过综合使用了本发明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。xa0图2是线性特征变换的一例。xa0图3是评价工具的结构例。xa0图4是说明与异常诊断的关系的图。xa0图5是本发明的异常检测系统的硬件结构图。xa0图6是通过综合多个识别器形成的识别结构的例子。xa0图7是本发明的实施例1的异常检测系统的学习数据编辑的动作流程图。xa0图8是本发明的实施例1的异常检测系统的学习数据编辑的结构框图。xa0图9是本发明的实施例2的异常检测系统的学习数据编辑的动作流程图。xa0图10是本发明的实施例2的异常检测系统的学习数据编辑的结构框图。xa0图11是本发明的实施例3的异常检测系统的学习数据编辑的动作流程图。xa0图12是本发明的实施例3的异常检测系统的学习数据编辑的结构框图。xa0图13是本发明的实施例3的传感器信号的代表电平的说明图。xa0图14是本发明的实施例3的传感器信号的电平的频度分布的例子。xa0图15是本发明的实施例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。xa0图16是本发明的实施例5的异常检测系统中在特征空间中进行数据显示的例子。xa0图17是在特征空间中进行数据显示的另一个例子。xa0图18是表示本发明的实施例6的异常检测系统的结构图。xa0图19是多维时间系列信号的例子。xa0图20是相关行列式的例子。xa0图21是轨迹分割聚类的应用例。xa0图22是轨迹分割聚类的应用例。xa0图23是轨迹分割聚类的应用例。xa0图24是子空间法的一例。xa0图25是通过综合多个识别器的异常检测例。xa0图26是实施轨迹分割聚类时与模型的偏差的例子。xa0图27是未实施轨迹分割聚类时的模型的偏差的例子。xa0图28是局部子空间法的应用例。xa0图29是投影距离法、局部子空间法的应用例。xa0图30是在特征空间中进行数据显示的又一个例子。xa0图31是在特征空间中进行数据显示的另一个例子。xa0图32是表示本发明的实施例7的异常检测系统的结构图。xa0图33是表示本发明的实施例8的异常检测系统的结构图。xa0图34是警报信号的直方图例。xa0图35是表示本发明的实施例9的异常检测系统的结构图。xa0图36是Wavelet(变换)解析的例子。xa0图37是Wavelet变换的说明图。xa0图38是表示本发明的实施例10的异常检测系统的结构图。xa0图39是分布图解析以及互相关解析的例子。xa0图40是表示本发明的实施例11的异常检测系统的结构图。xa0图41是时间/频率解析的例子。xa0图42是表示本发明的实施例12的异常检测系统的结构图。xa0图43是表示本发明的实施例12的异常检测系统的详细的结构图。xa0
具体实施方式
下面参照附图说明本发明的实施方式。xa0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发明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。xa0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,(2)根据类似度和有无异常,对学习数据追加新数据,(3)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)。xa0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,这,把由此得到的学习数据的数据作为对象求出其频度分布,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,使用这些设定值监视异常。xa0在图1的异常检测系统1中,11表示多维时间系列信号取得部,12表示特征提取/选择/变换部,13、13、...表示识别器,14表示综合(总异常测度),15表示主要由正常事例组成的学习数据。从多维时间系列信号取得部11输入的多维时间系列信号由特征提取/选择/变换部12削减,通过多个识别器13、13、...进行识别,通过综合(总异常测度)14判定总异常测度。主要由正常事例组成的学习数据15也由多个识别器13、13、...进行识别,在总异常测度的判定中使用,同时主要由正常事例组成的学习数据15自身也被取舍选择,进行存储、更新,实现精度的提高。xa0图1中也图示了用户输入参数的操作PC2。用户输入的参数是,数据的采样间隔、观察数据的选择、异常判定的阈值等。数据的采样间隔例如指示每隔多少秒取得数据。观察数据的选择指示主要使用哪个传感器信号。异常判定的阈值是对算出的、表示偏离模型的偏差·逸出、偏离值、乖离度、异常测度等的似异常的值进行二值化的阈值。xa0图2是表示削减在图1中使用的多维时间系列信号的维数的特征变换12的例子的图。除了主成分分析外,也可以应用独立成分分析、非负行列式因式分解、潜在结构投影、正准相关分析等几种方法。图2中合并表示方式图和功能。主成分分析被称为PCA,是在维数削减中主要使用的方法。独立成分分析被称为ICA,作为显现非高斯分布的方法有效。非负行列式因式分解被称为NMF,把通过行列赋予的传感器信号分解为非负的成分。作为没有教师的方法,像本实施例这样,在异常事例少、不能应用的情况下,是有效的变换方法。这里表示了线性变换的例子。也可以应用非线性变换。xa0图3是汇总了使用传感器数据和事件数据(警报信息等)进行学习数据的选择(完备性评价)或者异常诊断的方法的评价系统的图。评价通过使用了多个识别器的识别得到的异常测度21、通过核对评价得到的命中率/虚报率22。另外,异常预兆的说明性23也是评价对象。xa0图4表示异常检测、以及异常检测后的诊断。在图4中,通过从来自设备的时间系列信号中进行时间系列信号的特征提取/分类24检测异常。设备不限于仅一台,也可以把多台设备作为对象。同时,取入各设备的维护的事件(警报或者作业实绩等。具体说,设备的起动、停止、运转条件设定、各种故障信息、各种警告信息、定期检查信息、设置温度等运转环境、运转累计时间、部件更换信息、调整信息、清扫信息等)等附带信息,高灵敏度地检测异常。xa0如该图所示,如果能够通过预兆检测25早期作为预兆发现,则在成为故障使运转停止前,可以采取某种对策。然后根据通过子空间法等的预兆检测、事件列核对等检测到的预兆,进行异常诊断,推测故障候补的部件的确定或者该部件何时到故障停止等。另外,在必要的定时进行必要的部件的安排。xa0如果把异常诊断26分成用于确定包含预兆的传感器的现象诊断、和用于确定有引起故障的可能性的部件的原因诊断则容易考虑。在异常检测部中,对于异常诊断部,除了有无异常这样的信号之外,还输出关于特征量的信息。异常诊断部以这些信息为基础进行诊断。xa0图5表示本发明的异常检测系统的硬件结构。向执行异常检测的处理器119输入作为对象的发动机等的传感器数据,进行损失值的修复等,存储在数据库DB121中。处理器119使用已取得的观察数据、由学习数据组成的DBxa0数据进行异常检测。在显示部120中进行各种显示,输出异常信号的有无、后述的异常说明的消息。也能够表示趋势。也能够显示后述的事件的解释结果。xa0对于数据库DB121,熟练的工程师能够操作DB。特别是能够示教异常事例或者对策事例,并能够存储。存储(1)学习数据(正常)、(2)异常数据、(3)对策内容。通过把数据库DB做成熟练的工程师能够进行改变的结构,完成精炼的、有用的数据库。另外,通过伴随警报的发生或者部件更换自动地使学习数据移动来进行数据操作。另外,也能够自动地追加取得数据。如果有异常数据,则也可以在数据的移动中应用一般化矢量量子化等方法。xa0图1表示的多个识别器13,可以准备几个识别器(h1、h2、...),取它们的多数表决(综合14)。即可以应用使用了不同的识别器组(h1、h2、...)的集体(集团)学习。图6表示其结构例。例如第一识别器是投影距离法,第二识别器是局部子空间法,第三识别器是线性回归法。只要是基于事例数据的方法,则任意的识别器均可应用。xa0实施例1xa0首先,说明本发明的异常检测系统的实施例1的主要存储正常事例的学习数据的存储、更新以及改良,特别说明包含增加数据的情况的例子。图7表示本发明的实施例1的主要存储正常事例的学习数据的存储和更新的编辑的动作流程,图8表示本发明的实施例1的学习数据的结构框图。两者都是在图5表示的处理器119中执行的内容。xa0在图7中着眼于观察数据和学习数据的数据间的类似度。输入观察数据的异常/正常信息(S31),取得观察数据(S32),从学习数据中读出数据(S33),在数据间计算类似度(S34),判定类似度(S35),判断从学习数据中的删除、追加(S36),进行向学习数据的数据的追加或者删除(S37)。即,在类似度低的情况下,有该数据正常但是是未包含在已有的学习数据中的数据,或者该数据为异常这两种情况。在前者的情况下向学习数据追加,在后者的情况下不向学习数据追加观察数据。在类似度高的情况下,只要该数据正常就认为在学习数据中包含该数据,不向学习数据追加观察数据,在数据异常的情况下,认为从学习数据中选择的数据也异常,将其删除。xa0在图8中,表示本发明的实施例1的异常检测系统由观察数据取得部31、xa0学习数据存储/更新部32、数据间的类似度计算运算部33、类似度判定部34、从学习数据中的删除/追加判断部35、以及数据删除、追加指示部36构成。数据间的类似度计算运算部33进行来自观察数据取得部31的观察数据和来自学习数据存储/更新部32的学习数据的类似度的计算运算,类似度判定部34进行类似度的判断,从学习数据中的删除/追加判断部35判断从学习数据中的删除/追加,数据删除、追加指示部36执行来自学习数据存储/更新部32的学习数据的删除/追加。xa0这样,使用已更新的学习数据,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。也可以在学习数据上附加类作为属性。针对每一类生成/更新学习数据。xa0实施例2xa0接着说明作为本发明的异常检测系统的实施例2的主要存储正常事例的学习数据的积累和更新以及改良的最简单的例子。图9表示动作流程,图10表示框图。两者都是图5表示的处理器119中执行的内容。减少学习数据的重复,使成为适当的数据量。因此,使用数据间的类似度。xa0在图9中,从学习数据进行数据读出(S41),逐次针对学习数据中包含的数据计算数据间的类似度(S42),进行类似度判定(S43),在类似度接近的情况下,认为数据重复,从学习数据中进行数据删除(S44),削减数据量,使容量成为最小限。xa0类似度在被分成几个类、组的情况下,成为称为矢量量子化的方法。求出类似度的分布,在分布是混合分布时,也考虑留下各分布的中心的方法,另一方面,也考虑留下各分布的下端部的这样的方法。通过这样的各种方法,能够减少数据量。如果学习数据的量减少,则与观察数据的核对的负荷也变小。xa0在图10中表示的本发明的实施例2的异常检测系统由学习数据存储部41、数据间的类似度计算运算部42、类似度判定部43、从学习数据中的删除/追加判断部44、以及数据删除指示部45构成。数据间的类似度计算运算部42计算/运算从学习数据存储部41中读出的多个学习数据间的类似度,类似度判定部43判断类似度,从学习数据中的删除/追加判断部44进行从学习数据中的删除/追加的判断,数据删除指示部45执行学习数据存储部41内的学习数xa0据的删除指示。xa0实施例3xa0接着,使用图11说明作为本发明的异常检测系统的实施例3的其它方法。与图7、图9一样,图11表示动作流程,图12表示框图。两者都是图5表示的处理器119中执行的内容。xa0后面要说明的事件解析的结果也在这里核对。xa0如图11所示,在此,从学习数据中进行数据读出(S51),计算学习数据中包含的各个数据间的类似度(S52),求出与各学习数据类似度高的上位k个数据(S53)(与所谓的k-NN方法:称为k-Nearestxa0Neighbor方法相同),把由此得到的学习数据的数据作为对象,计算其频度分布(S55),根据该频度分布,决定正常事例的存在范围(S55)。在k-NN方法的情况下,类似度成为特征空间中的距离。并且,也核对事件解析(S56)的结果,计算观察数据的乖离度(S57),输出有无异常和异常的说明的消息。xa0图12中表示的本发明的实施例3的异常检测系统具有观察数据的乖离度计算部51、根据频度分布生成的正常范围决定部52、由正常事例组成的学习数据53、以及数据间的类似度计算部54。如图12所示,数据间的类似度计算部54计算学习数据中包含的各个数据间的类似度,求出与各学习数据类似度高的上位k个数据,对根据频度分布生成的正常范围决定部52指示类似度高的上位k个数据。根据频度分布生成的正常范围决定部52根据频度分布,设定至少一个以上的代表值、上限值、下限值、百分位等值。观察数据的乖离度计算部51使用这些设定值来确定观察数据的哪个要素异常,输出有无异常。还输出为何判定为异常等异常的说明消息。这里,上限值、下限值、百分位等设定值,也可以针对每一类设定为不同的值。xa0图13和图14表示根据本发明的实施例3的异常检测系统的具体例。图13的中段是观察的传感器信号的时间系列数据。对此,上段是对于该传感器信号数据,从之外的时刻的传感器信号数据中,作为类似的把选择的次数作为频度表示的数据。每次选择上位k个数据(k是参数),这里是5个。图14是以该频度分布为基础,表示选择了观察的传感器信号的哪个电平的图。xa0在图14中,也合并表示了代表值、上限值、下限值。在图13的观察的xa0传感器信号的时间系列数据上,也作为代表值、上限值、下限值表示出该代表值。在该例中可知上限值和下限值的宽度窄。这由作为类似的数据选择的数据仅限定为5个(参数k)所引起。亦即在接近代表值的地方,存在上限值、下限值。如果增大参数k,则该上限值和下限值的宽度扩大。该范围为观察的传感器信号的代表的范围。另外,根据离开该区域的偏离程度的大小,判断有无数据的异常。xa0另外,观察图14时,可知数据的频度分布成为几个组(类别)。由此可知观察的传感器信号数据可以选择地取几个电平。从该分布类别也能够精细地决定数据的存在范围。在图13中,把代表值、上限值、下限值标绘为恒定值,但是也可以使其与时刻等一起变化。例如,也可以使学习数据与运转环境或者运转条件一致,准备多个,由此使之推移。xa0实施例4xa0另外,图15是表示在本发明的实施例4的异常检测系统中设备发生的事件信息的图。横轴表示时刻,纵轴表示事件发生频度。所谓事件,是对于设备的作业者的操作、设备发出的警告(未导致设备停止)、故障(导致设备停止)、定期检查等。收集关于设备发生的设备停止或者警告的警报信息。xa0在本发明的实施例4的异常检测系统中,通过从学习数据中除去包含关于设备发生的设备停止或者警告的警报信息的区间,生成优质的学习数据。另外,在本发明的实施例4的异常检测系统中,通过除去包含设备发生的异常的范围,能够生成优质的学习数据。xa0实施例5xa0图16和图17表示本发明的实施例5的异常检测系统的具体例。当然,如果解析事件信息,仅用这些,有时也能够检测异常预兆,但是如果对把传感器信号作为对象的异常检测、和把事件信息作为对象的异常检测进行组合,则能够成为更高精度的异常检测,另外,在观察数据和学习数据的类似度计算中,根据事件信息,取舍选择成为类似度计算对象的学习数据,能够减少学习数据。xa0通常的类似度计算多是称为全探索的把全部数据作为对象的情况,但是如本实施例所述,通过根据称为类的属性限定数据对象,或者进而根据事件信息,用运转状态或者运转环境等实施方式(mode)区分,减少对象方式,也xa0能够限定对象数据。xa0由此,能够提高异常预兆检测的精度。这点,如图16或者图17所示,即虽然分成状态A、B、C三种状态显示,但是通过分状态考虑,与把更加紧凑的学习数据作为对象相同,结果能够防止遗漏,提高异常预兆检测的精度。另外,因为能够限定成为类似度计算的对象数据的学习数据,所以能够减低类似度计算的计算负荷。xa0在事件的解释中,例如以一定间隔把握发生频度,或者把握事件的组合(联合)的发生频度,或者着眼于特定的事件,可以应用各种方法。事件的解释也可以使用文本发掘(textxa0mining)等的技术。例如可以使用关联规则或者在其上加上事件轴要素的逐次规则等分析方法。例如,图1表示的异常的说明消息,除了上述的事件解释的结果,还表示判定为异常的根据。例如有下述这样的情形。xa0·异常测度在设定的期间、超过异常判定的阈值设定的次数以上。xa0·异常测度超过异常判定的阈值的主要原因是传感器信号“A”“B”。xa0(也显示传感器信号对于异常的贡献率的一览)xa0·与事件“C”同步,异常测度超过异常判定的阈值。xa0·决定的事件“D”“E”的组合在设定的期间内在设定的次数以上发生,判定为异常。xa0实施例6xa0图18表示本发明的实施例6的异常检测方法。图19表示在本发明的实施例6中作为对象的信号的例子。对象信号是如图19所示那样的多个多维时间系列信号130。这里,表示系列1、2、3、4这样四种信号。实际上,信号不限于四种,也有成为数百到数千这样的数目的情形。xa0各信号相当于从在对象成套设备或者设备中设置的多个传感器的输出。例如,汽缸、油、冷却水等的温度、油或者冷却水的压力、轴的旋转速度、室温、运转时间等,从各种传感器一日内从数次到实时等以预定的间隔进行观察。不仅表示输出、状态,也有用于控制何者的控制信号(输入)的情况。有ON/OFF控制,也有进行控制使成为定值的情况。这些数据有相互间相关性高的和低的数据。所有这些信号都能够成为对象。观察这些数据,判断有无异常。这里作xa0为多维时间系列信号处理。xa0说明图18中表示的异常检测方法。首先,通过多维信号取得部101取得多维时间系列信号。接着因为取得的多维时间系列信号有时有损失,所以通过损失值修正·删除部102进行损失值的修正·删除。损失的修正例如一般是前后数据的置换或者移动平均的置换。删除是在把多个数据同时复位为0时等排除作为数据的异常的处理。损失值的修正·删除也有预先把设备的状态或者工程师的知识积累在状态数据/知识3这样的DB中,并以此为依据进行的情况。xa0接着,关于已被修正·删除的多维时间系列信号,使用通过相关解析的无效信号删除部104进行通过相关解析的无效信号的删除。这如在图20中表示相关行列式131的例子所示,对于多维时间系列信号进行相关解析,在有相关值接近1的多个信号的情况下等,在类似性极高的情况下,把它们作为冗余,从该多个信号中删除重复的信号,剩下不重复的信号。在这种情况下也根据在状态数据/知识3中存储的信息进行删除。xa0接着通过主成分分析部5进行数据的维数削减。这里通过主成分分析,把M维的多维时间系列信号线性变换为维数r的r维多维时间系列信号。主成分分析是生成分散成为最大的轴的处理。KL变换也可。维数r,按照降序排列通过主成分分析求得的固有值,通过用全部固有值的和除从大的一方相加的固有值的累积贡献率的值来决定。xa0接着,对于r维的多维时间系列信号使用通过轨迹分割的聚类部106进行通过轨迹分割的聚类。图21表示该聚类132的模样。图21的左上的三维显示(称为特征空间)是在贡献率高的三维中显示主成分分析后的r维的多维时间系列信号的图。在该状态下,可知对象设备的状态被观察为复杂的状态。图21中其余的八个三维显示,是沿时间追踪轨迹,实施聚类的显示,表示各类。xa0聚类,如果沿时间数据间的距离超过预定的阈值,则作为其它的类对待,如果不超过阈值,则作为相同的类对待。由此可知分为:类1、3、9、10、17是运转ON的状态的类,类6、14、20是运转OFF的状态的类。类2等未图示的类是过渡期的类。当分析这些类时,在运转ON的状态下,可以看出轨迹成线状移动,在运转OFF的状态下,可以看出不稳定的轨迹移动。这样可知,通过轨迹分割的聚类有几个优点。xa0能够分类为运转ON的状态、运转OFF的状态等多种状态。xa0(1)如在运转ON的状态中所见,这些类例如可以以线性等低维的模型表现。xa0这些聚类,也可以增加设备的警报信号或者维护信息,作为这些的附带条件实施。具体说,在各类上作为属性附加警报信号等信息。xa0图22表示在特征空间内通过聚类附加了标签的另外的例子。图23是表示在一个时间系列信号上表示聚类的加标签结果133的图。在该种情况下,可知类可以生成16个,时间系列信号被分割为16个类的情形。也重叠显示运转时间显示(累计时间)。成为水平的部分是运转OFF。可知能够高精度地分离运转ON和运转OFF。xa0在上述的轨迹聚类中,需要注意对于类间的过渡期的处理。在分割后的类间的过渡期间内,存在分割提取由少数数据组成的类的可能性。图23中也可以看到由以台阶方式在纵轴方向上变化的少数数据组成的类134。该由少数数据组成的类表示传感器数据的过渡期值变化大的地方,需要判断是应该汇总前后的类处理,还是应该独立地处理。在多数情况下可以独立地处理,作为过渡期的数据附加标签,作为学习数据积累。即使用通过轨迹分割的聚类部106求出数据随时间变化的过渡期,给过渡期的数据附加属性,作为学习数据收集。当然,也可以汇总前后的类的任何一个一并处理。xa0接着,把聚类后的各类作为对象,使用以各类为对象的模型化部108进行低维子空间的模型化。不需要限定为正常部,混入异常也没有问题。这里,例如通过回归分析进行模型化。回归分析的一般式如下。“y”相当于每一类的r维的多维时间系列信号。“x”是说明y的变量。“y~”为模型。“e”是偏差。xa0y:目的变量(r列)xa0b:回归系数(1+p列)xa0x:说明变量行列式(r行,1+p列)xa0‖y-xb‖=>minxa0b=(X’x)-1X’y(’表示转置)xa0y~=Xb=X(X’x)-1X’y(表示说明变量的影响的部分)xa0e=y-y~(y~是不能近似的部分。去除了说明变量的影响的部分)xa0式中,rankxa0X=p+1xa0这里,对于各类的r维的多维时间系列信号,进行除去N个数据(N=0、1、2、...)的回归分析。例如在N=1的情况下,考虑混入一种异常信号。把将其除去了的信号作为“X”进行模型化。在N=0的情况下,处理全部r维的多维时间系列信号。xa0除回归分析以外,也可以应用CLAFIC法或者投影距离法等子空间法。另外,用偏离模型的偏差计算部109求偏离模型的偏差。图24图解表示一般的CLAFIC法135。表示两类、二维模式(pattern)的情况。求各类的子空间,即这里是作为一维的直线表示的子空间。xa0一般,对于各类的数据的自相关行列式进行特征值分解,把特征矢量作为基底求出。使用值大的、与上位几个特征值对应的特征矢量。当输入未知模式q(最新的观察模式)时,求出向子空间的正投影的长度、或者向子空间的投影距离。然后,把未知模式(最新的观察模式)q分类到正投影的长度最大、或者投影距离最短的类中。xa0图24中把未知模式(最新的观察模式)q分类到类A中。在图19表示的多维时间系列信号中,因为基本上以正常部作为对象,所以成为一类识别的问题(在图18中图示),因此把类A作为正常部,求出从未知模式q(最新的观察模式)到类A的距离,将其作为偏差。另外,当偏差大时,判断为偏离值。在这样的子空间法中,即使混入了若干异常值,在削减维数、使成为子空间的时刻,其影响也得以缓和。这是应用子空间法的好处。xa0此外,在投影距离法中,把各类的重心作为原点。把KL展开应用到各类的协方差行列式而得的特征矢量作为基底使用。虽然提出了各种子空间法,但是如果成为具有距离尺度的则能够计算偏离程度。此外,在密度的情况下根据其大小也能够判断偏离程度。CLAFIC法,因为要求出正射影的长度,所以是类似度尺度。xa0这样,在子空间中计算距离或者类似度,评价偏离程度。投影距离法等子空间法,因为是基于距离的识别器,所以作为可以利用异常数据的情况下的学习法,可以使用更新辞典模式的矢量量子化或者学习距离函数的量度(metric)学习。xa0另外,也可以应用称为局部子空间法的方法(参照图25的局部子空间法的框内),该方法求出接近未知模式q(最新的观察模式)的k个多维时间系列信号,生成各类的最近的模式成为原点那样的线性多样体,把未知模式分类到向该线性多样体的投影距离成为最小的类中。局部子空间法也是子空间法的一种。xa0对于已经说明的聚类后的各类,应用局部子空间法。k是参数。在异常检测中,与刚才所述同样,因为成为一类识别的问题,所以把大多数的数据属于的类A作为正常部,求出从未知模式q(最新的观察模式)到类A的距离,将其作为偏差。xa0在该方法中,例如也可以把从未知模式q(最新的观察模式)向使用k个多维时间系列信号形成的子空间的正射影的点作为推定值计算(成为在图25的局部子空间法的框内说明的推定值的数据)。另外,也可以以接近未知模式q(最新的观察模式)的顺序重新排列k个多维时间系列信号,进行与其距离成反比例的加权,计算各信号的推定值。使用投影距离法等,同样也可以计算推定值。xa0参数k通常定为一种,但是当使参数k改变几次后进行执行时,因为通过根据类似度选择对象数据能够从它们的结果进行综合的判断136,所以更加有效。在局部子空间法中,因为把类内选择的数据作为对象,所以即使混入若干异常值,在使成为局部子空间的时刻,也能极大地缓和其影响。xa0也可以与类无关地求出接近未知模式q(最新的观察模式)的k个多维时间系列信号,判定k个中最多属于的类是未知模式q属于的类。把该类属于的学习数据作为对象,再次求接近未知模式q的L个多维时间系列信号,使用它应用局部子空间法。xa0局部子空间法的“局部”的概念,也可以应用于回归分析。亦即作为“y”,求出接近观察未知模式q的k个多维时间系列信号,作为该y的模型,求“y~”,计算偏差“e”。xa0此外,如果仅考虑一类识别的问题,则也可以应用一类支持矢量设备等识别器。在这种情况下,使用向高维空间映射的“radialxa0basisxa0function”等的核心化(kernel)。在一类支持矢量设备中,接近原点侧成为偏离值,即成为异常。xa0但是,支持矢量设备,即使特征量的维数大也能够应对,但是也有学习数据数增加、计算量变得庞大这样的缺点。xa0因此,也可以应用在MIRU2007(图像的认识·理解研讨会,Meetingxa0onImagexa0Recognitionxa0andxa0Understanding)中发表的“IS-2-10加藤丈和,野口真身,和田俊和(和歌山大),酒井薰,前田俊二(日立):基于模式的接近性的一类识别器”等方法,在这种情况下,有即使学习数据数量增加计算量也不会变得庞大的好处。xa0接着以回归分析为例说明实验例。图26表示取N=0,通过线性回归分析,把r维多维时间系列信号模型化,图示实测值与该模型的偏差的例子137。图27是作为参考的不实施通过轨迹分割的聚类情况的例子138。在图26的情况下,偏差大,是运转OFF的区间以及运转ON的区间内时间系列信号发生振动的行为的情况。最后,通过偏离值检测部110求偏离值。这里,检查与阈值的大小。检出的异常信号,因为是在主成分分析后,所以也能够对其进行逆变换,确认以什么样的比例合成原来的信号,是否判断为异常。xa0这样,通过把通过轨迹分割的聚类作为中心,用低维模型表现多维时间系列信号,能够分解复杂的状态,用简单的模型表现,因此有容易理解现象的优点。另外,因为设定模型,所以不需要像Smartxa0Signal公司的方法完全地完备数据。即使数据欠缺也可以这样的优点。xa0接着,图28表示局部子空间法的应用例139。是把信号分成前半和后半(遵照称为交叉确认的验证方法),分别作为学习数据,求出到剩余的数据的距离的例子。参数k取10。如果使k改变几次,取它们的多数表决,则能得到稳定的结果(基于与后述的所谓bagging的方法同样的考虑)。在该局部子空间法中,具有自动地进行除去N个数据这样的好处。在该图的应用例中,检测运转OFF中的不规则的举动。xa0在上述例子中,也能够缓和聚类的必要性,但是也可以把观察数据属于的类以外的数据作为学习数据,对该数据和观察数据应用局部子空间法。通过该方法可以评价偏离其它类的乖离度。投影距离法也一样。图29表示其例子140。把观察数据属于的类以外作为学习数据。该想法在如时间系列数据那样类似数据连续的情况下,因为能够把最类似的数据从“局部”区域内排除,所xa0以有效。此外,虽然N个数据的去除作为特征量(传感器信号)进行了说明,但是也可以是时间轴方向的数据。xa0接着,使用几幅图说明数据的表现形式。图30表示几个例子。图30的左侧的图141是二维显示主成分分析后的r维时间系列信号的图。成为使数据的行为可视的例子。图30的右侧的图142是实施通过轨迹分割的聚类,图示类的图。是对于每一类用简单的低维模型(这里是直线)表现的例子。xa0图31的左侧的图143是通过图示使了解数据的运动的速度的例子。如果应用后述的Wavelet解析,则也可以分析速度亦即频率,另外可以作为多变量进行处理。图31的右侧的图是显示使了解偏离用图30的右侧的图142表示的模型的偏差的例子。xa0图16的左侧的图90是其它例子。是混合根据距离基准等判定为类似的类(在该图中,表示了邻接的类的混合),表示混合后的模型,而且图示偏离模型的偏差的例子。图16的右侧的图91表现状态。区分状态A、B、C这三种状态进行显示。当区分状态考虑时,如图17的左侧的图所示,可图示状态A的变化等。xa0当考虑图23的例子时,即使在相同的运转ON的状态下,在运转OFF的前后,也表示不同的举动,可以在特征空间中表现这些。图17的右侧的图93表示来自根据过去的学习数据得到的模型(低维的子空间)的变化,能够观察状态变化。这样,通过加工数据,向用户表示加工后的数据,使当前的状况可视化,能够促使更好地理解。xa0实施例7xa0接着说明本发明的另一实施例7。省略已经说明的框的说明。图32表示异常检测方法。这里,在各类的特征量选择中的模型化部111中,对于各类选择随机决定的个数的r维多维时间系列信号,通过随机选择,有以下的优点:xa0(1)显现在使用全部信号的情况下看不见的特性,xa0(2)除去无效的信号,xa0(3)通过全部的组合,能够用短的时间计算。xa0另外,也考虑在时间轴方向上选择随机决定的个数的r维多维时间系列信号这样的选择。这里,也有把类作为单位的,但是要区分类内,以所决定的个xa0数对其进行随机选择。xa0实施例8xa0图33表示另一实施例8。附加处理警报信号/维护信息、生成恒定区间的累积直方图的部分112。如图34的上面的图所示取得警报信号的发生履历。另外,表示其直方图150。容易想像频度高的区间异常的程度高。因此,如图34的下面的图151所示,也考虑直方图的频度,使用图16表示的异常确定部113,组合警报信号和偏离值,附加异常的程度或者可信度,进行异常判定。xa0实施例9xa0图35表示另一实施例9。是附加了Wavelet(变换)解析的例子。在Wavelet解析信号赋予部14中,以M维的多维时间系列信号为对象,进行图36表示的Wavelet解析160。把这些信号加在M维的多维时间系列信号上。也可以与M维的多维时间系列信号置换。以这样新增加的或者置换后的多维时间系列信号为对象,通过局部子空间法等的识别器,检测异常。xa0此外,图36的左上图相当于后面要说明的图37的Wavelet变换161中的标度1的信号,图36的Wavelet解析160的右上图相当于后面要说明的图37中的标度8的变动,图36的Wavelet解析160的左下图相当于图37中的标度4的变动,图36的Wavelet解析160的右下图相当于图37中的标度2的变动。xa0Wavelet解析是给予多分辨率表现的处理。图37图解表示Wavelet变换。标度1的信号是原来的信号。将其依次与相邻的信号相加生成标度2的信号,计算与原来的信号的差,生成标度2的变动信号。依次对其进行重复,最后得到标度8的恒定值的信号及其变动信号,结果原来的信号可以分解为标度2、4、8的各变动信号和标度8的直流信号。因此,把这样的标度2、4、8的各变动信号看做新的特征信号,追加到多维时间系列信号上进行处理。xa0在脉冲(pulse)或者冲击(inpulse)等非恒定信号中,进行傅里叶变换得到的频谱在全域上展开,难以针对各个信号提取特征。能够得到在时间上局部存在的谱的Wavelet变换包含化学过程那样的脉冲或者冲击等、在以包含很多非恒定信号的数据为对象的情况下十分合适。xa0另外,在具有一次延迟的系列中,仅在时间系列的状态中难以观察其模式,但是在时域、频域上,有时显现出可识别的特征,Wavelet变换有效的情xa0况多。xa0此外,Wavelet解析的应用在电气学会编辑、2005年朝仓出版、新诚一著的“ウエ-ブレツト解析的产业应用”中进行了详述。应用于化学成套设备的控制系统诊断、空调车间控制中的异常检测、水泥的烧结过程的异常监视、玻璃熔炉控制等多种对象中。xa0本实施例中的与现有技术的不同点是把Wavelet解析作为多分辨率表现对待,把原来的多维时间系列信号的信息通过Wavelet变换显现化这一点。此外,通过把它们作为多变量处理,能够从异常微弱的阶段早期检测。亦即能够作为预兆早期检测。xa0实施例10xa0图38表示另一实施例10。是附加了分布图-相关解析部115的例子。图39表示以r维的多维时间系列信号为对象,进行分布图解析170、互相关解析171的例子。在图39的互相关解析171中,考虑延迟的滞后(lag)。通常把互相关函数的最大值的位置称为滞后。如果按照该定义,则关于两个现象的时间的偏离等于互相关函数的滞后。xa0滞后的正负由两个现象的哪个早发生来决定。这样的分布图解析或者互相关解析的结果表示时间系列信号间的相关,但是也能够附加各类的特征灵活应用,能够成为类间的类似性的判断指标。例如通过滞后的量的一致度判断类间的类似性。由此图30中表示的类似的类的混合等成为可能。使用混合后的数据进行模型化。此外,混合的方法也可以是其他的方法。xa0实施例11xa0图40表示另一实施例11。是附加了时间-频率解析部116的例子。图41表示以r维的多维时间系列信号为对象进行时间·频率解析180的例子。进行时间·频率解析180、或者分布图·相关解析,也能够把这些的信号相加在M维的多维时间系列信号上或者与M维的多维时间系列信号置换。xa0实施例12xa0图42表示另一实施例12。是附加了学习数据的DB117和模型化(1)118的例子。图43表示其细节。通过模型化(1)118,以学习数据为对象将其作为多个模型进行模型化,判断与观察数据的类似性,应用该模型计算与观察数xa0据的偏差。模型化(2)108是和图16同样的部分,从此中计算与根据观察数据得到的模型的偏差。xa0然后,根据模型化(1)(2)的各自的偏差计算状态变化,计算综合偏差。这里,也可以均等地处理模型化(1)(2),但是也可以进行加权。亦即如果基本上考虑学习数据,则增大模型(1)的权重,如果基本上考虑观察数据,则增大模型(2)的权重。xa0如果遵照图31中表示的表现,则如果在类间比较由模型(1)构成的子空间模型,并且如果它们成为本来同一状态的类,则可以获知其状态变化。另外,之后如果观察数据的子空间模型移动,则可以读取状态变化。状态变化如果是更换部件等有意的行为,亦即如果在设计侧知晓,如果应该允许由其引起的变化,则减小模型(1)的权重,增大模型(2)的权重。状态变化如果是无意的行为,则增大模型(1)的权重。xa0例如如果把参数α作为模型(1)的权重使用,则可以作为xa0α×模型化(1)+(1-α)×模型化(2)公式化。xa0也可以形成使模型(1)的权重越旧越小这样的遗忘形。在该种情况下,重视基于最近的数据的模型。xa0图43中,物理模型122是通过仿真来仿真对象发动机等的模型。在充分具有对象知识的情况下,因为可以用离散时间(非)线性状态空间模型(用状态方程式等表现)表现对象发动机等,所以能够推定其中间值或者输出等。因此,根据该物理模型,也能够根据偏离该模型的偏差进行异常检测。xa0当然,根据物理模型也能够修正学习数据的模型(1)。或者反过来,根据学习数据的模型(1)也能够修正物理模型。作为物理模型的变形,也可以把作为过去的实绩的知识作为物理模型编入。也可以把伴随警报的发生或者部件更换的数据的迁移编入物理模型。或者也可以使学习数据(各个数据或重心位置等)伴随警报的发生或者部件更换而移动。xa0此外,对于图43,如从图18到图42所示,对于物理模型,主要使用统计模型,在关于产生数据的过程的理解少的情况下,统计模型是有效的。距离或者类似性,即使数据的生成过程不明了,也能够定义。在图像是对象的情况xa0下,在图像生成过程不明了时,统计模型也是有效的。在关于对象的知识尽管少但也能够利用的情况下,可以使用物理模型122。xa0在上述各实施例中,以发动机等的设备为对象进行了说明,但是如果时间系列信号是同类,则不拘泥于对象。也可以对于人体的测定数据应用,根据本实施例,即使状态数、迁移次数多,也能够应对。xa0另外,在实施例中说明了的各功能,例如聚类、主成分分析、Wavelet解析等,不一定实施,只要根据对象的信号的性质进行适当实施即可。xa0当然,聚类也可以使用不仅包含时间轨迹,而且也包含对于混合分布的EM(Expectation-Maximization)算法或者k-means聚类等数据发掘领域中的方法。得到的类,可以将其作为对象应用识别器,也可以对类进行分组,将其作为对象应用识别器。xa0最简单的例子是分成每日的观察数据属于的类和该类以外的类(相当于图31的右侧的特征空间中图示的成为关注数据的当前数据、和在时间上在其前面的过去数据)。另外,传感器信号(特征量)的选择,可以应用包装法(ラツパ-法)(例如通过backwardxa0stepwisexa0selection,从所有的特征量具有的状态中一个个地去除最不想要的特征)等已有的方法。xa0另外,识别器,也可以如图6所示,准备几个识别器,取其多数表决。使用多个识别器的理由是因为识别器以分别不同的基准、在不同的对象数据范围内(依赖于分段或其综合)求偏离的状况,其结果产生微小的差异的缘故。因此,用通过多数表决稳定化、或者用OR(偏离值自身即多值的情况下的最大值检测)逻辑运算,由某个识别器检出异常则作为异常发生输出,一个不剩地检测异常、或者用AND(在多值的情况下最小值检测)逻辑运算,如果所有的识别器都同时检测到异常则作为异常发生输出,使误检测成为最小这样的上位基准来构成识别器。当然,也可以增加警报信号、部件更换等维护信息等信息,进行上述综合。xa0也可以把识别器h1、h2、...都作为相同的识别器,改变对象数据范围(依赖于分段或其综合)进行学习。例如也可以应用作为模式识别的代表的方法的包装法或者助推(boosting)等方法。通过该方法的应用,关于异常检测能够确保更高的正解率。xa0这里,包装法是这样一种方法:允许从N个数据中重复取出K个数据(恢复抽取),以该K个数据为基础制作第一识别器h1,允许另外从N个数据中重复取出K个数据,以该K个数据(与第一识别器内容不同)为基础制作第二学习器h2,重复该动作,从不同的数据制作几个识别器,在实际作为识别器使用时取多数表决。xa0助推方法(称为Adaboost的方法),首先给N个数据分配均等的权重1/N,第一识别器h1使用全部N个数据学习,学习后,关于N个数据研究正解率,以其为基础求出可信度β1(>0)。第一识别器把正解的数据的权重乘以exp(-β1)减小权重,把不是正解的数据的权重乘以exp(β1)增加权重。xa0第二识别器h2使用全部N个数据进行加权的学习,求可信度β2(>0),更新数据的权重。减轻两个都是正解的数据的权重,加重两个错误的数据的权重。以后重复该操作制作M个识别器,实际作为判别器使用时取附加可信度的多数表决。通过以类组为对象应用该方法,可以期待提高性能。xa0图25表示包含图6中表示的识别器的异常检测全体的结构例的一例。经过轨迹聚类、特征选择等,进行整体学习,实现高的识别率。线性预测法使用到现在的时间系列数据,预测下一时刻的数据,用到现在的数据的一次结合表示该预测值,是根据Yulexa0Walker方程式进行预测的方式,与预测值的误差成为乖离度。xa0识别器输出的综合的方法如上述,但是对于哪个类应用哪个识别器这样的组合存在若干个。例如,对于与观察数据不同的类应用局部子空间法,把握来自不同的类的偏离状况(也计算推定值),对于与观察数据相同的类应用回归分析法,把握从自身类的偏离状况。xa0另外,可以综合这些识别器输出进行异常判定。也可以通过投影距离法或者回归分析法进行来自其他类的偏离状况的确定。也可以通过投影距离法进行来自自身类的偏离状况的确定。类在可以充分利用警报信号的情况下,也可以根据警报信号的严重度级,把未附加严重警报信号的类作为对象。xa0也可以判断类间的类似性,综合类似类,将其作为对象。关于识别器输出的综合,可以进行偏离值的相加、最大/最小、OR/AND等标量变换处理,也可以以矢量方式作为多维处理识别器的输出。当然,要尽量使识别器输出的xa0标量一致。xa0关于具有与上述的类的关联的一方,也可以进而以其它类为对象进行第一次异常检测,在收集自身类的数据的时刻以自身类为对象进行第二次的异常检测。这样做能够促使唤起顾客的注意。这样,可以说本实施例在与对象组的关系中更加注目于信号的行为、动作的实施例。xa0进一步补充关于上述的几个实施例的综合的效果。例如,在拥有发电设备的公司内,希望削减设备的维护费用,在保证期中检查设备,实施部件更换。这可以说是基于时间的设备维护。xa0但是,最近正在转移到观察设备的状态,实施部件更换的基于状态的维护。为实施状态维护,需要收集设备的正常/异常数据,该数据的量、质决定状态维护的质量。但是,异常状态的收集,稀有的情形较多,越是大型的设备收集异常数据越困难。因此,从正常数据中检测偏离值变得十分重要。根据上述的几个实施例,除了如下直接效果,xa0(1)能够从正常数据中检测异常,xa0(2)即使数据收集不完全也能够高精度地进行检测异常,xa0(3)即使包含异常数据也可以允许其影响,xa0还具有如下从属效果:xa0(4)对于用户容易理解现象,xa0(5)能够充分利用工程师的知识,xa0(6)能够并用物理模型。xa0产业上的利用可能性xa0本发明可以作为成套设备、设备的异常检测利用。xa0符号说明xa01异常检测系统xa02操作PCxa011多维时间系列信号取得部xa012特征提取/选择/变换部xa013识别器xa014综合(整体(global)异常测度)xa015主要由正常事例组成的学习数据数据库xa021异常测度xa022命中率/虚报率xa023异常预兆的说明性xa024时间系列信号的特征提取/分类xa025预兆检测xa026异常诊断xa031观察数据取得部xa032学习数据存储/更新部xa033数据间的类似度计算运算部xa034类似度判定部xa035从学习数据中的删除/追加判断部xa036数据删除、追加指示部xa041学习数据存储部xa042数据间的类似度计算运算部xa043类似度判定部xa044从学习数据中的删除/追加判断部xa045数据删除指示部xa051观察数据的乖离度计算部xa052根据频度分布生成的正常范围决定部xa053由正常事例组成的学习数据xa054数据间的类似度计算部xa060考虑了类似度的传感器信号xa070传感器信号电平的频度分布xa080附带信息;事件信息xa090偏离特征空间内的类的合并模型的偏差xa091特征空间内的个别状态xa092特征空间内的状态的变化xa093把特征空间内的状态的学习/变化模型化xa0101多维信号取得部xa0102损失值修正/删除部xa0103状态数据/知识数据库xa0104通过相关解析的无效信号删除部xa0106轨迹分割聚类xa0107警报信号/维护信息xa0108各类对象的模型化部xa0109偏离模型的偏差计算部xa0110偏离值检测部xa0111各类的特征选择的模型化部xa0112警报信号等的一定区间累积直方图xa0113异常确定部xa0114Wavelet(变换)解析部xa0115各类轨迹分布图/相关解析部xa0116每一类的时间/频率解析部xa0117学习数据xa0118模型化(1)部xa0119处理器xa0120显示器xa0121数据库xa0122物理模型xa0123相应模型保留/偏差计算部xa0124状态变化/综合偏差计算部xa0130多维时间系列信号xa0131相关行列式xa0132类的例子xa0133特征空间的加标签xa0134基于全部时间系列数据的邻接距离(速度)的加标签结果xa0135对于向r维子空间的投影距离短的类的分类xa0136根据参量的复合统计模型的事例基础异常检测xa0137通过轨迹分割的聚类实施xa0138基于全部时间系列数据的邻接距离(速度)的加标签结果的多重回归xa0139局部子空间法xa0140局部子空间法xa0141使数据的动作(轨迹)可视化xa0142使数据按照每一类模型化xa0143使数据的变化速度可视化xa0144计算偏离模型的偏差xa0150警报信号直方图xa0151给警报信号赋予异常的程度和可信度xa0160Wavelet解析xa0161Wavelet变换xa0170分布图解析xa0171互相关解析xa0180时间/频率解析xa0