JP6909670B2 - 異常検知方法および異常検知システム - Google Patents

Description

本発明は、空調機の異常を検知する異常検知方法および異常検知システムに関する。

空調機の国内事業は飽和状態にあり，顧客への設備の提供だけではなく、設備の運用・保守も一括して請け負うサービスを事業化する必要に迫られている。業務用空調機や冷凍冷蔵機器においては、２０１５年４月より施行されたフロン排出抑制法により、利用者による冷媒漏洩の簡易点検が義務づけられた。このように空調機の故障またはその兆候を検知する異常検知は、生産効率の向上、点検作業やメンテナンスのコスト低減のために極めて重要である。このため、空調機が出力する複数のＩＤ（Identifier）に紐付けられたデータをもとに、対象空調機が正常か異常かを判定する。

また、空調機を対象とした異常検知では、季節や機差による異常検知感度の低下抑制のため、空調機１台に対し、過去１年分の正常なセンサデータを学習し、評価している。例えば、特許文献１には、センサ信号の類似度でセンサをグループ化し、学習データを構築する方法が開示されている。さらに、評価する空調機のセンサ信号をもとに、類似度の高いセンサグループに振り分け、その学習データを利用する方法が開示されている。また、特許文献２には、k-mean法でセンサ信号をグループ化し、学習データを構築する方法が開示されている。さらに、評価する空調機のセンサ信号をもとに、一番近いクラスタに振り分け、その学習データを利用する方法が開示されている。

特開２０１０−１９１５５６号公報 特開２０１５−８８０７８号公報

特許文献１に記載のセンサ信号に基づいた正常なセンサデータのグループ化（学習データ）および評価するセンサデータの分類方法は、評価センサに対して類似度の高い正常な学習センサデータを用いることが出来るため、高感度にセンサの異常を検知することが可能である。

特許文献２に記載のセンサ信号に基づいた正常なセンサデータのグループ化（学習データ）および評価するセンサデータの分類方法は、評価センサに対してk-mean法により適したクラスタの学習センサデータを用いることが出来るため、高速かつ高感度にセンサの異常を検知することが可能である。

しかし、様々な空調機の類似度の高いセンサ信号を寄せ集めて学習データを構築するため、空調機内で影響を受けあう関連センサ同士の変化を考慮できない。

本発明は、センサ同士の影響を考慮して空調機の異常を検知することが可能な異常検知システムおよび異常検知方法を提供することを目的とする。

本発明にかかる異常検知システムは、複数の第１の空調機のそれぞれに設けられた１または複数のセンサから出力される第１のセンサ信号間の類似度に基づいて、前記第１の空調機をグループ化した学習データを構築し、第２の空調機に設けられた１または複数のセンサから出力される第２のセンサ信号から得られた前記第２のセンサ信号間の類似度に基づいて、前記第２の空調機を前記学習データの中で類似するグループに分類し、分類された前記グループの学習データに基づいて、前記第２の空調機の異常を判定する、ことを特徴とする異常検知方法として構成される。

また、本発明は、上記異常検知方法を用いた異常検知システムとしても把握される。

本発明によれば、センサ同士の影響を考慮して空調機の異常を検知することが可能となる。

異常検知システムの一構成例である。 異常検知システムの全体像である。 多数サイトの正常な空調機をグループ化するフロー図である。 評価する空調機に対し類似度の高い学習グループを選定するフロー図である。 ２種類のセンサにおける２次元分布密度グラフの作成フロー図である（学習データグループ化）。 ２次元分布密度グラフの例である。 各空調機の同センサにおける２次元分布密度グラフ間の類似度算出および類似度判定のフロー図である。 各空調機の同センサにおける２次元分布密度グラフの類似度算出方法を説明する図である。 各空調機の同センサにおける２次元分布密度グラフの類似度表の例である（学習データグループへの分類）。 評価する空調機の評価期間にて、２種類のセンサにおける２次元分布密度グラフの作成フロー図である（学習データグループへの分類）。 評価空調機と各学習データグループの同センサにおける２次元分布密度グラフ間の類似度算出および類似度判定のフロー図である。 評価空調機と各学習グループの同センサにおける２次元分布密度グラフ間の類似度表を表す図である。 評価空調機の学習データグループへの分類結果を表示する画面の例である。 各センサにおける数時間毎の最大値、最小値、平均値の頻度分布グラフの作成フロー図である（学習データグループ化）。 各センサにおける数時間毎の最大値、最小値、平均値の頻度分布グラフの例である。 各空調機の同センサにおける最大値、最小値、平均値の頻度分布グラフ間の類似度算出および類似度判定のフロー図である。 各空調機の同センサにおける最大値、最小値、平均値の頻度分布グラフの類似度算出方法を説明する図である。 各空調機の同センサにおける最大値、最小値、平均値の頻度分布グラフの類似度表の例である（学習データグループへの分類）。 評価する空調機の評価期間にて、同センサにおける最大値、最小値、平均値の頻度分布グラフの作成フロー図である（学習データグループへの分類）。 評価空調機と各学習データグループの同センサにおける頻度分布グラフ間の類似度算出および類似度判定のフロー図である。

図１Ａは、本実施例における異常検知システム１０００の構成例である。図１Aに示すように、異常検知システム１０００は、センサ信号蓄積部１０３と、学習空調機グループ化部１０４と、評価空調機分類部１１３と、センサ信号入力部１２１および１３１と、特徴ベクトル抽出部１２２および１３２と、異常測度算出部１２３および１３３と、しきい値算出部１２４と、異常判定部１３４と、関連センサ特定部１３５とを有して構成されている。図１Aでは、センサ信号入力部、特徴ベクトル抽出部、異常測度算出部が、２つ設けられている例を示しているが、それぞれ、同様の機能を有した１つのセンサ信号入力部、特徴ベクトル抽出部、異常測度算出部として構成してもよい。 異常検知システム１０００は、ハードウェアとしては、例えば、一般的なサーバ装置から構成され、ＣＰＵ(Central Processing Unit)、メモリ、ＨＤＤ(Hard Disk Drive)等の外部記憶装置、ＣＤ(Compact Disk)やＤＶＤ(Digital Versatile Disk)等の可搬性を有するコンピュータで読み取り可能な記憶媒体に対して情報を読み書きする読書装置、キーボードやマウス等の入力装置、ディスプレイ等の出力装置、通信ネットワークに接続するためのＮＩＣ(Network Interface Card)等の通信装置、これらを連結するシステムバス等の内部通信線を有している。本システムが有する上記各部が実行する処理は、外部記憶装置に記憶されている所定のプログラムをメモリにロードしてＣＰＵで実行することで実現可能となる。

上記所定のプログラムは、読書装置を介して記憶媒体から、あるいは、通信装置を介してネットワークから、外部記憶装置に記憶(ダウンロード)され、メモリ上にロードされて、ＣＰＵにより実行されるようにしてもよい。また、読書装置を介して、記憶媒体から、あるいは通信装置を介してネットワークから、メモリ上に直接ロードされ、ＣＰＵにより実行されるようにしてもよい。さらに、外部記憶装置に記憶された上記所定のプログラムを、情報処理装置にインストール可能な形式又は実行可能な形式のファイルで上記記録媒体に記録して提供したり、配布してもよい。さらには、上記所定のプログラムを、通信ネットワークに接続されたコンピュータ上に格納し、ネットワーク経由でダウンロードさせることにより提供したり、配布してもよい。

異常検知システム１０００の動作には、多数サイトの正常な空調機である学習空調機（第１の空調機）のセンサ信号（第１のセンサ信号）をもとにした「学習データグループ化」１００と、評価対象となる評価空調機（第２の空調機）のセンサ信号（第２のセンサ信号）をもとにした「学習データグループへの分類」１１０と、その分類した学習データグループのセンサ信号をもとにした「学習」１２０と、評価空調機のセンサ信号に基づき空調機の異常を検知する「評価」１３０の四つのフェーズがある。空調機には、空調を制御するために、例えば、温度センサ、電流センサ、圧力センサ等の様々なセンサが設けられており、これらのセンサから出力されたセンサ信号に基づいて、各フェーズの処理が実行される。なお、以下では、センサから出力されるセンサ信号が１つである前提で説明しているが、１つのセンサから複数のセンサ信号が出力される場合も同様に考えることができる。

学習データグループ化１００では、センサ信号蓄積部１０３が、多数サイトの学習空調機１０１に装着されたセンサから出力されるセンサ信号１０２を、周期的な所定時間ごとに受信し、記憶装置に蓄積する。学習空調機グループ化部１０４が、蓄積されたセンサ信号１０２をグループ化する。

学習データグループへの分類１１０では、センサ信号蓄積部１０３が、評価空調機１１１に装着されたセンサから出力されるセンサ信号１１２、および多数サイトの学習空調機１０１に装着されたセンサから出力されるセンサ信号１０２を、周期的な所定時間ごとに受信し、記憶装置に蓄積する。学習空調機グループ化部１０４が、蓄積されたこれらのセンサ信号をグループ化し、評価空調機分類部１１３が、評価空調機１１１を学習データグループに分類する。

学習１２０では、評価空調機分類部１１３が、評価空調機１１１のセンサ信号をもとに学習データグループに分類すると、センサ信号入力部１２１が、評価空調機分類部１１３が分類したセンサ信号を入力し、特徴ベクトル抽出部１２２が、入力されたセンサ信号をもとに特徴ベクトルを抽出し、異常測度算出部１２３が、予め指定された学習期間の特徴ベクトルを用いて所定時間毎（以下、各時刻と表現する場合もある）の特徴ベクトル毎に異常測度を算出する。しきい値算出部１２４は、算出された学習データの異常測度に応じたしきい値を算出する。

評価１３０では、センサ信号入力部１３１が、評価空調機１１１に装着されたセンサから出力されるセンサ信号１１２を入力すると、特徴ベクトル抽出部１３２が、入力されたセンサ信号１１２をもとに特徴ベクトルを抽出し、異常測度算出部１３３が、予め指定された学習期間の特徴ベクトルを用いて所定時間毎の特徴ベクトル毎に異常測度を算出する。異常判定部１３４は、算出され異常測度と学習データの異常測度から求めたしきい値１２４との比較により異常を判定し、関連センサ特定部１３５が、異常の関連センサを特定する。

具体的には後述するが、学習空調機グループ化部１０４は、センサ信号蓄積部１０３により、センサ信号１０２を基にしたセンサ信号１０２の類似度で多数サイトの学習空調機１０１をグループ化し、学習データグループ群を構築する。評価空調機分類部１１３は、センサ信号蓄積部１０３が受信した評価空調機１１１のセンサ信号１１２を基に、評価空調機１１１と学習空調機グループ化部１０４により構築された学習データグループ群とを比較し、評価空調機１１１を、上記学習データグループ群の中で類似度の高い学習空調機１０１により構成される学習データグループに分類する。

図１Ｂは、図１Aに示した異常検知システム１０００の全体構成を示す図である。多数サイトの学習空調機１０１、１０１’、１０１’’に装着されたセンサから出力されるセンサ信号１０２、１０２’、１０２’’は、異常検知システム１０００を構成するサーバ装置が設けられたデータセンタ１４０へ、無線あるいは記録媒体を介して送られる。さらに、センサ信号蓄積部１０３がこれらの信号を蓄積し、学習空調機グループ化部１０４へ入力され、学習データグループ化される。

また、評価空調機１１１に装着されたセンサから出力されるセンサ信号１１２は、上記データセンタ１４０へ、無線あるいは記録媒体を介して送られる。さらに、センサ信号蓄積部１０３がこれらの信号を蓄積し、評価空調機分類部１１３へ入力され、学習空調機グループ化部１０４で構築された多数の学習データグループの中から類似度の高い学習データグループを選定する。センサ信号入力部１２１は、その学習データグループの学習データを受け取り、特徴ベクトル抽出部１２２が特徴ベクトルを抽出し、異常測度算出部１２３が予め指定された学習期間の特徴ベクトルを用いて所定時間毎の特徴ベクトル毎に異常測度を算出する。当該処理を経て、しきい値算出部１２４が学習データの異常測度に応じたしきい値を算出する。

さらに、データセンタ１４０に伝送された評価空調機１１１のセンサ信号１１２は、センサ信号入力部１３１に入力され、特徴ベクトル抽出部１３２が特徴ベクトルを抽出し、異常測度算出部１３３が予め指定された学習期間の特徴ベクトルを用いて所定時間毎の特徴ベクトル毎に異常測度を算出する。当該処理を経て、前記で算出したしきい値１２４と比較し、異常判定部１３４が異常を判定し、関連センサ特定部１３５が、異常に関連するセンサを特定する。

特徴ベクトル抽出部１２２、１３２では、センサ信号に対し平均を0、分散を1とする正準化を施す。そして、短時間の変化を抽出するため、ある時刻t (t=0，1，2，…)に対して±w (w=0，1，2，…)のウィンドウを設け、次式の通り、ウィンドウ幅(2w＋1)×センサ数(M)の要素からなるベクトルx(t)を1時刻につき1個抽出する。

ここでx_m(t)(m=1，2，…，M)は正準化後の時刻tのm番目のセンサ信号である。

また、異常測度算出部１２３、１３３では、局所部分空間法(LSC：Local Subspace Classifier)を採用している。LSCは、未知データに対するk個の近傍データxi（i=1，…，k）を用いてk-1次元の部分空間を作成する。そして、未知データとk-1次元の部分空間の投影距離に基づいて、異常かどうかを判定する方法である。異常測度は未知データとk-1次元の部分空間の投影距離で表わされるため、未知データに最も近い部分空間上の点を求めればよい。したがって、未知データとk個の近傍データxi（i=1，…，k）からbを算出するには、未知データをk個並べた行列Qとx_i（i=1，…，k）を並べた行列Xから次式により相関行列Cを求める。

そして、次式によりbを計算する。

ここで、1_kは要素が全て1であるk次元ベクトルである。この式は、未知データとの二乗誤差が最少となるx_i（i=1，…，k）の線形結合の係数ベクトルをbとすることを意味する。異常測度算出部１２３、１３３による異常測定は、未知データとそれに最も近い部分空間上の点の差の二乗和平方根を算出することにより行われる。また、当該異常測定において異常であるか否かを判定するためのしきい値を適切に決めるため、しきい値算出部１２４は、学習データの交差検証により自動的に設定する。

まず、異常測度算出部１２３、１３３は、学習データをN個のグループに等分割し、グループ毎に、そのグループを除く学習データを用いて、LSCにより各データの異常測度を算出する。次に、しきい値算出部１２４は、異常測度算出部１２３、１３３が算出した異常測度を昇降順にソートし、データ総数に対する比率が予め指定した0〜1のパラメータ値に到達する異常測度の値をしきい値とする。学習データに異常が含まれていないと仮定するならば、パラメータ値を1に設定する。この場合、しきい値は異常測度の最大値となる。最後に、異常判定部１３４は、異常測度算出部１２３、１３３が算出した異常測度が、しきい値算出部１２４が設定したしきい値を超えるか否かを判定し、当該しきい値を超えると判定した場合は異常であると判断し、それ以外は正常であると判断する。

関連センサ特定部１３５では、異常が連続して検知されている異常区間を求め、区間毎に二次元分布密度に基づき関連センサを抽出する。そのためには、学習時に、学習空調機グループ化部１０４が、正常データの二次元特徴分布密度を、２種類のセンサ信号の総当たりで計算して画像形式で保存しておく。この画像を分布密度画像と呼ぶ。異常検知時に、評価空調機分類部１１３が、検知した異常データが分布密度画像のどこにプロットされたかに応じてセンサの孤立度を算出し、孤立度の大きいものから順に異常関連センサとして抽出する。これは、異常データの分布が正常データの分布から離れているセンサを見つけることを意味する。

次に、図２と図３を用いて学習空調機のグループ化および評価空調機の分類方法について説明する。

図２は、多数サイトの正常な空調機である学習空調機をグループ化するフロー図である。最初に、センサ信号蓄積部１０３は、多数サイトの学習空調機１０１に装着されたセンサから受信したセンサ信号１０２を記憶装置に蓄積し、学習空調機グループ化部１０４が蓄積されたセンサ信号１０２をグループ化する（Ｓ２０１）。具体的には、学習空調機グループ化部１０４は、任意の学習空調機１０１を基準とし、各学習データグループ（Ｓ２０２）、各空調機（Ｓ２０３）、各センサ（Ｓ２０４）、各学習期間区分（Ｓ２０５）に対して、以下の処理を繰り返す。

ここでステップＳ２０５における学習期間区分は、1年を複数に分割した区分とすることができる。例えば、１年を１２分割し、１ヶ月毎とする。学習空調機グループ化部１０４は、各学習空調機１０１の全センサデータの中から任意の２種類のセンサデータを抽出し、抽出したセンサデータのすべての組み合わせに対し、２種類のセンサにおける２次元分布密度グラフあるいは数時間毎の最大値、最小値、平均値といった頻度分布を作成する（Ｓ２０６）。さらに、学習空調機グループ化部１０４は、各学習空調機１０１について、同じ２種類のセンサ（例えば、温度センサと圧力センサ）における２次元分布密度グラフあるいは頻度分布グラフ間の類似度を算出し（Ｓ２０７）、その類似度を基に各学習空調機１０１をグループ化し（Ｓ２０８）、学習空調機１０１の学習データグループを構築する（Ｓ２０９）。S２０６の具体的な処理については図４を用いて後述し、S２０７、S２０８の具体的な処理については、図６を用いて後述する。

図３は、評価空調機１１１に対し類似度の高い学習グループを選定するフロー図である。
最初に、センサ信号蓄積部１０３は、評価空調機１１１から受信したセンサ信号１１２を記憶装置に記憶し、評価空調機分類部１１３が、記憶装置に記憶されている上記センサ信号１１２を読み取る（Ｓ３０１）。評価空調機分類部１１３は、評価する期間を設定し（Ｓ３０２）、学習空調機１０１から受信した、その期間における学習データグループ毎のセンサ信号１０２を読み取る。評価空調機分類部１１３は、各センサ（Ｓ３０３）、各学習データグループ（Ｓ３０４）に対して、以下の処理を繰り返す。評価空調機分類部１１３は、評価空調機１１１のセンサ信号１１２、および学習データグループ毎のセンサ信号１０２に対し、Ｓ２０６の場合と同様に、２種類のセンサにおける２次元分布密度グラフあるいは数時間毎の最大値、最小値、平均値といった頻度分布を作成する（Ｓ３０５）。さらに、評価空調機分類部１１３は、評価空調機１１１と各学習データグループの各学習空調機１０１との間で、同じ２種類のセンサ（例えば、温度センサと圧力センサ）における２次元分布密度グラフあるいは頻度分布グラフ間の類似度を算出する（Ｓ３０６）。最後に、評価空調機分類部１１３は、評価空調機１１１に対して、類似度の高い学習データグループ順に順位をつけ（Ｓ３０７）、評価空調機１１１を、類似度順位１位の学習データグループへ分類する（Ｓ３０８）。Ｓ３０２からＳ３０８を各評価空調機分、繰り返す。Ｓ３０５の具体的な処理については図９を用いて後述し、S３０６の具体的な処理については、図１０を用いて後述する。

上記に記載の通り、学習空調機１０１のグループ化および評価空調機１１１の分類には、2種類のセンサにおける２次元分布密度、あるいは各センサにおける数時間毎の最大値、最小値、平均値の頻度分布の類似度を利用する。これら２種類の学習空調機のグループ化および評価空調機の分類について、以下に実施例１、実施例２として記載する。

実施例１では、2種類のセンサにおける２次元分布密度グラフを用いた、学習空調機１０１のグループ化および評価空調機１１１の分類方法について説明する。

図２に示したように、多数サイトの学習空調機１０１をグループ化するには、２種類のセンサにおける２次元分布密度グラフを作成するステップＳ２０６、各空調機について、同じ２種類のセンサにおける２次元分布密度グラフ間の類似度を算出するステップＳ２０７、その類似度を基に各学習空調機１９１をグループ化するステップＳ２０８が存在する。以下に具体的な処理について説明する。

図４は、２種類のセンサにおける２次元分布密度グラフの作成フロー図である（学習データグループ化）。

センサ信号蓄積部１０３は、多数サイトの学習空調機１０１に装着されたセンサ信号１０２を受信して記憶装置に蓄積し、蓄積したセンサ信号１０２をグループ化する学習空調機グループ化部１０４に入力する（Ｓ４０１）。学習空調機グループ化部１０４は、各センサについて蓄積されたセンサ信号１０２について、ステップＳ４０３からＳ４０６の処理を実行する（Ｓ４０２）。学習空調機グループ化部１０４は、全ての学習空調機におけるセンサ2個総当り処理により、２次元の分布密度グラフの縦横のスケールが同じになるようにセンサ信号の種類毎の最大値（ＭＡＸ）と最小値（ＭＩＮ）を求める（Ｓ４０３）。具体的には、学習空調機１０１が設置された環境等によって、同じ種類のセンサであっても、そのセンサの検知範囲が異なる場合がある。例えば、温度センサであれば、ある学習空調機１０１では−１０℃〜＋４０℃に設定されている一方、他の学習空調機１０１では−５℃〜＋４５℃に設定さる。したがって、学習空調機グループ化部１０４は、まず上記最大値と最小値とを求め、以下の処理を実行する。

続いて、学習空調機グループ化部１０４は、上記最小値から最大値を指定された数Ｎで分割する際の刻み幅Ｓを算出する（Ｓ４０４）。上記刻み幅Ｓは、例えば、Ｓ＝（ＭＡＸ−ＭＩＮ）／Ｎで計算できる。さらに、学習空調機グループ化部１０４は、予備の処理範囲を設けるため、上記最小値と最大値から外側に範囲を広げて分布密度算出の処理範囲を算出する（Ｓ４０５）。広げる範囲は、例えばＭＩＮをＭＩＮ−Ｓ×Ｍ、ＭＡＸをＭＡＸ＋Ｓ×Ｍに変更する。ここでＭは予め決められた１以上の整数とする。続いて、学習空調機グループ化部１０４は、学習期間の全データについて、特徴値（Ｆ）からビン番号（ＢＮＯ）を次式で算出する（Ｓ４０６）。

ＢＮＯ＝ＩＮＴ（（Ｆ−ＭＩＮ）／（ＭＡＸ−ＭＩＮ））
ただしＩＮＴ（Ｘ）はＸの整数部を表す。

学習空調機グループ化部１０４は、各学習期間、および各空調機に対して、センサ2個総当り処理により２次元の分布密度グラフを作成するため、ステップＳ４０７からＳ４１１までの処理を実行する。（Ｓ４０７）。

学習空調機グループ化部１０４は、各学習期間区分（Ｓ４０７）、各空調機（Ｓ４０８）、各センサ（Ｓ４０９）に対して、以下の処理を繰り返す。ここでステップＳ４０７における学習期間区分は、Ｓ２０５と同様に設定すればよい。総当りには、２個のセンサが同じ種類、同じセンサである場合を含む。学習空調機グループ化部１０４は、分布密度算出用の二次元配列を確保し、すべての要素に０をセットする。配列のサイズはＮ＋２Ｍである。学習空調機グループ化部１０４は、学習期間の全データについて、２個のセンサ値のビン番号に対応する配列の要素に１を加算する。この処理により、センサ２個による二次元の頻度分布（ヒストグラム）が算出される。学習空調機グループ化部１０４は、この頻度分布を画像に変換し、変換した画像と当該画像を識別するための識別番号（ＩＤ）とを対応付けて保存する（Ｓ４１０）。変換方法については後述する。図示はしていないが、学習空調機グループ化部１０４は、二次元配列のサイズおよびステップＳ４０３で算出した各センサ信号の最小値と最大値を記録しておく。

ステップＳ４１０における、画像変換方法の例を説明する。学習空調機グループ化部１０４は、配列要素の最大値、すなわち最大頻度を求める。画像サイズは、配列サイズと同じとし、各要素の値から対応する座標の画素値を、例えば２５５×配列の要素値／最大頻度とする。２５５は画素値を８ビットで表す場合の最大値であり、この値を用いれば、そのままビットマップ形式で保存できる。

上記処理により得られた画像は、二次元の特徴空間上で密度が高いところが高い画素値で表されているため、分布密度画像と呼ぶこととする。

図５は、画像化した２次元分布密度グラフの例である。画素値の０を白、最大を黒、その間をグレーの濃淡で表したものである。ただし、画像の作り方は、上記方法に限定されない。例えば単純な頻度分布ではなく、１個のデータにガウス分布や他の重みつきフィルタを割り当て、それを重畳するようにしてもよい。または、上記方法で得られた画像に所定サイズの最大値フィルタをかけたり、平均フィルタ、その他の重みつきフィルタをかけたりしてもよい。また必ずしも画像形式で保存する必要はなく二次元配列をテキスト形式で保存してもよい。また、画素値はグレーの濃淡ではなく、分布の有る画素を１、分布の無い画素を０としたニ値化二次元配列のテキスト形式で保存してもよい。

図５では、一例として、ある学習空調機１０１に設けられているセンサＡ（温度センサ）、センサＢ（圧力センサ）についての分布密度画像を示している。スケール化されたセンサＡの最小値から最大値を横軸、スケール化されたセンサＢの最小値から最大値を横軸とし、温度ｔ１における圧力ｐ１が（Ｘ１，Ｙ１）としてプロットされ、温度ｔ２における圧力ｐ２が（Ｘ２，Ｙ２）としてプロットされ、当該分布密度画像が識別情報Ｓ０００１Ａ０００１（Ｓ０００１：サイトナンバー、Ａ０００１：空調機ナンバー）に対応付けられていることがわかる。このように、学習空調機グループ化部１０４は、すべての学習空調機１０１に設けられているすべてのセンサから選択した２つのセンサの組み合わせについて、このような画像化した２次元分布密度グラフを生成し、識別番号に対応付ける。 ステップＳ４１１では、学習空調機グループ化部１０４は、上記処理で算出された２次元分布密度グラフを記憶装置に格納するとともに、評価空調機分類部１１３に出力する。このように、２次元分布密度グラフは、２種類のセンサの出力値の相関関係を示すグラフであるといえる。

図６は、各学習空調機１０１について、同じ２種類のセンサにおける２次元分布密度グラフ間の類似度算出および類似度判定のフロー図である。図４で作成したすべての学習空調機１０１の２次元分布密度を学習空調機グループ化部１０４に入力する（Ｓ６０１）。まず、学習空調機グループ化部１０４は、任意の学習空調機１０１を基準とし、各学習データグループ（Ｓ６０２）、各センサ（Ｓ６０３）、各学習期間区分（Ｓ６０４）、各学習空調機（Ｓ６０５）に対して、以下の処理を繰り返す。ここでステップＳ６０４における学習期間区分は、Ｓ２０５と同様に設定すればよい。

学習空調機グループ化部１０４は、任意の学習空調機１０１の中から選択した基準空調機と残りの学習空調機１０１との間で、同じ２種類のセンサにおける２次元分布密度グラフ間の類似度を算出し（Ｓ６０６）、その類似度を判定する（Ｓ６０７）。つまり、類似度の判定とは、類似度が高く、学習空調機１０１が基準空調機と同じグループに分類できるか否かを判定することを意味する。基準空調機と残りの学習空調機１０１のそれぞれとの間で同じ２種類のセンサにおける２次元分布密度グラフ間の類似度が、例えば８０％以上の場合、学習空調機グループ化部１０４は、比較した学習空調機１０１が基準空調機と同グループに属すると判断する。類似度レベルは固定ではなく、調整可能である。ただし、類似度レベルが低すぎると異常検知精度が落ちる可能性が高くなる。学習空調機グループ化部１０４は、この類似度判定にもとづき、基準空調機と類似度が高い学習空調機１０１とをグループ化する（Ｓ６０８）。

なお、学習空調機グループ化部１０４は、基準空調機およびグループ化された学習空調機１０１を除いた残りの学習空調機１０１から、再度、基準空調機を設定し、ステップＳ６０１からステップＳ６０８を繰り返し、学習空調機１０１の学習データグループを構築する。

図７は、各学習空調機に対する２次元分布密度グラフの類似度算出方法を説明する図である。学習空調機グループ化部１０４は、ステップＳ６０６にて作成した全学習空調機１０１に対する２次元分布密度グラフをもとに、全学習空調機１０１の中から基準空調機７０１を選定し（Ｓ１）、その残りの学習空調機７０２の中から選んだそれぞれの学習空調機１０１に対し、同じ2種類のセンサにおける２次元分布密度グラフを比較７０３することで（Ｓ２）、類似度を算出する。例えば、学習空調機グループ化部１０４は、基準空調機７０１の分布密度画像と、それぞれの学習空調機１０１の分布密度画像とを重ね合わせた基準空調機重畳分布密度画像を読み取り、その重畳部分の面積の大きさにより、上記類似度を算出する。この処理を各センサ、および各学習期間区分に対して繰り返す。例えば、同じ2種類のセンサにおける２次元分布密度グラフは、分布の有る画素を１、分布の無い画素を０としたニ値化二次元配列で表される。そして、類似度は以下で示される。

類似度（％）＝基準空調機と比較する空調機の２次元分布密度グラフが共に「１」
を示す画素数/基準空調機の２次元分布密度グラフが「１」を示す画素数
図８は、各学習空調機について、同じ２種類のセンサにおける２次元分布密度グラフの類似度表の例である。当該類似度表は、ステップＳ６０７において、学習空調機グループ化部１０４により出力される。

学習空調機グループ化部１０４は、基準空調機８０１に対する残りの学習空調機８０２の類似度を算出し、類似度表を作成し、その類似度を判定する。つまり、類似度の判定とは、類似度が高く、同じグループに分類できるか判定することを意味する。基準空調機８０１と残りの空調機８０２の同センサにおける２次元分布密度グラフ間の類似度が、例えば、全て閾値として定められた数値80％以上の場合、基準空調機８０１と同グループと判断する。図８において、例えば、基準空調機である空調機１に設けられているセンサＡおよびセンサＢの２次元分布密度グラフと、学習空調機である空調機２に設けられているセンサＡおよびセンサＢの２次元分布密度グラフとの類似度は、１月は８５％であり、２月は９０％であることを示している。このように、学習空調機グループ化部１０４は、基準空調機と学習空調機との間で、すべてのセンサの組み合わせについて、類似度を算出し、その結果を上記類似度表として出力する。上記閾値は固定ではなく、任意の値に調整可能である。ただし、上記閾値の値が低すぎると異常検知精度が落ちる可能性が高くなる。学習空調機グループ化部１０４は、この類似度判定にもとづき、基準空調機８０１と類似度が高い学習空調機８０２をグループ化する。

なお、学習空調機グループ化部１０４は、基準空調機８０１およびグループ化された学習空調機を除いた残りの空調機から、再度基準空調機８０３を設定し、ステップＳ６０１からステップＳ６０８を繰り返し、学習空調機１０１の学習データグループを構築する。

図３に示すように、評価空調機１１１に対し類似度の高い学習グループを選定するには、評価空調機１１１の評価期間にて、２種類のセンサにおける２次元分布密度グラフを作成するステップＳ３０５、評価空調機１１１と各学習データグループに属する学習空調機１０１の同じ２種類のセンサにおける２次元分布密度グラフ間の類似度を算出するステップＳ３０６、その類似度を基に順位をつけ（Ｓ３０７）、類似度順位が1位の学習データグループに分類するステップＳ３０８が存在する。以下に具体的な処理について説明する。

図９は、評価空調機１１１の評価期間にて、２種類のセンサにおける２次元分布密度グラフの作成フロー図である（学習データグループへの分類）。

センサ信号蓄積部１０３は、評価空調機１１１に装着されたセンサ信号１１２を評価空調機分類部１１３に入力する。さらに、センサ信号蓄積部１０３は、評価期間における学習データグループ毎に分類された学習空調機１０１のセンサ信号１０２も評価空調機分類部１１３に入力する（Ｓ９０１）。

評価空調機分類部１１３は、各センサについて、ステップ９０３からＳ９０６の処理を実行する（Ｓ９０２）。評価空調機分類部１１３は、ステップＳ４０３の場合と同様に、全ての学習空調機におけるセンサ2個総当り処理により２次元の分布密度グラフの縦横のスケールが同じになるようにセンサ信号の種類毎の最大値（ＭＡＸ）と最小値（ＭＩＮ）を求める（Ｓ９０３）。評価空調機分類部１１３は、ステップＳ４０４の場合と同様に、最小値から最大値を指定された数Ｎで分割する際の刻み幅Ｓを算出し（Ｓ９０４）、最小値と最大値から外側に範囲を広げて分布密度算出の処理範囲を算出する（Ｓ９０５）。評価空調機分類部１１３は、評価期間の全データについて、ステップＳ４０６の場合と同様に、特徴値（Ｆ）からビン番号（ＢＮＯ）を算出する（Ｓ９０６）。

評価空調機分類部１１３は、評価期間、評価空調機１１１および各学習データグループに対して、センサ2個総当り処理により２次元の分布密度グラフを作成するため、ステップＳ９０７からＳ９１１までの処理を実行する。（Ｓ９０７）。

評価空調機分類部１１３は、ステップＳ４０７〜Ｓ４０９の場合と同様、評価期間（Ｓ９０７）、各センサ（Ｓ９０８）、各学習データグループに属するすべての学習空調機１０１（Ｓ９０９）に対して、以下の処理を繰り返す。センサ2個の総当りには、２個のセンサが同じものである場合を含む。評価空調機分類部１１３は、２次元分布密度算出用の二次元配列を確保し、すべての要素に０をセットする。配列のサイズはＮ＋２Ｍである。評価空調機分類部１１３は、学習期間の全データについて、２個のセンサ値のビン番号に対応する配列の要素に１を加算する。この処理により、センサ２個による二次元の頻度分布（ヒストグラム）が算出される。評価空調機分類部１１３は、この頻度分布を画像に変換し、変換した画像と当該画像を識別するための識別番号（ＩＤ）とを対応付けて保存する（Ｓ９１０）。変換方法については後述する。図示はしていないが、評価空調機分類部１１３は、二次元配列のサイズおよびステップＳ９０３で算出した各センサ信号の最小値と最大値を記録しておく。ステップＳ９１０における画像変換方法については、ステップＳ４１０の場合と同様であるため、ここではその説明を省略する。

図１０は、評価空調機と各学習データグループに属する学習空調機の同センサにおける２次元分布密度グラフ間の類似度算出および類似度判定のフロー図である。まず、学習空調機グループ化部１０４は、図４で作成した学習空調機１０１の全２次元分布密度と評価空調機１１１の２次元分布密度を評価空調機分類部１１３に入力する（Ｓ１００１）。評価空調機分類部１１３は、各評価空調機（Ｓ１００２）、各センサ（Ｓ１００３）、各学習グループ（Ｓ１００４）に対して、以下の処理を繰り返す。図１１に示すように、評価空調機分類部１１３は、評価空調機１１１と各学習グループに属するすべての学習空調機１０１の同センサにおける２次元分布密度グラフ間の類似度を算出する（Ｓ１００５）。例えば、評価空調機分類部１１３は、各学習グループに属するすべての学習空調機１０１に設けられている２種類のセンサの組み合わせにおける分布密度画像を重ね合わせた学習空調機重畳分布密度画像と、評価空調機１１１の分布密度画像とを重ね合わせた重畳分布密度画像を読み取り、その重畳部分の面積の大きさにより、上記類似度を算出する。図１１では、例えば、評価空調機が有するセンサＡおよびセンサＢの組み合わせにおける分布密度画像と、学習データグループ１に分類されるそれぞれの学習空調機１０１が有するセンサＡおよびセンサＢの組み合わせにおける上記学習空調機重畳分布との類似度が８９％であることを示している。

最後に、評価空調機分類部１１３は、評価空調機１１１に対して、類似度の高い学習データグループ順に順位をつけ（Ｓ１００６）、類似度順位１位の学習データグループへ分類する（Ｓ１００７）。例えば、図１１では、評価空調機分類部１１３は、評価空調機１１１と各学習データグループとの間における上記類似度を算出すると、算出した類似度を比較し、学習データグループ１が最も評価空調機１１１に類似しているため、類似度の順位を１に設定する。上記比較において、各センサの組み合わせにおける上記学習空調機重畳分布との類似度の平均値が最も高い値の場合に、当該順位を１に設定すればよい。そして、評価空調機分類部１１３は、分類された学習グループのセンサデータを学習し、評価空調機の異常を検知する。

図１２は、評価空調機の学習データグループへの分類結果を表示する画面の例である。当該画面は、例えば、異常検知システム１０００を構成するサーバ装置に接続されたディスプレイに出力される。上記サーバ装置の入力装置は、ユーザから、評価空調機の分類画面１２０１から表示対象の評価空調機および評価期間の指定を受け付ける。例えば、上記入力装置は、ユーザから、評価空調機ＩＤ選択ウィンドウ１２０２で、評価空調機１１１の識別番号（ＩＤ）の選択を受け付ける。また、上記入力装置は、評価期間ウィンドウ１２０３から、選択された評価空調機１１１の評価期間の開始日と終了日の入力を受け付ける。上記入力装置が開始ボタン１２０５の押下を受け付けると、図９、１０の評価空調機の学習データグループへの分類フローが開始される。分類終了後、分類結果欄１２０４に、評価空調機１０１に対する類似度1位の学習データグループと類似度１２０６が表示される。また、その下の欄には、学習データグループに含まれる各サイトの空調機リスト１２０７が表示される。

また、分類結果欄１２０４には、評価空調機と分類された学習データグループの各センサの類似度１２０８が表示される。これらの表示は、例えば、評価空調機分類部１１３により行われる。

上記実施例１によれば、学習空調機１０１のセンサ信号の類似度で空調機をグループ化し、評価空調機１１１のセンサ信号を基に、センサ信号同士の相関関係を用いて類似度の高い空調機グループを学習することにより、短期間のデータ蓄積で高感度な異常検知が可能になる。また、多数サイトの既存の空調機を利用できることから、多様かつ大量の学習データ数を確保できるため、異常検知の高感度化および虚報の抑制が可能である。また、上記実施例では、２種類のセンサの相関関係を用いて空調機同士の類似を判定することとしたが、３種類以上のセンサの相関関係を用いた場合も同様に考えることができる。

次に、各センサにおける数時間毎の最大値、最小値、平均値の頻度分布を用いた、学習空調機のグループ化および評価空調機の分類方法について説明する。

図２に示したように、多数サイトの学習空調機１０１をグループ化するには、各センサにおける数時間毎の最大値、最小値、平均値の頻度分布グラフを作成するステップＳ２０６、各学習空調機１０１の同センサにおける最大値、最小値、平均値の頻度分布間の類似度を算出するステップＳ２０７、その類似度を基に各学習空調機１０１をグループ化するステップＳ２０８が存在する。以下に具体的な処理について説明する。

図１３は、各センサにおける数時間毎の最大値、最小値、平均値の頻度分布グラフの作成フロー図である（学習データグループ化）。

センサ信号蓄積部１０３は、多数サイトの学習空調機１０１に装着されたセンサ信号１０２を受信して記憶装置に蓄積し、蓄積したセンサ信号１０２をグループ化する学習空調機グループ化部１０４に入力する（Ｓ１３０１）。学習空調機グループ化部１０４は、各センサについて蓄積されたセンサ信号１０２について、ステップＳ１３０３からＳ１３０６の処理を実行する（Ｓ１３０２）。学習空調機グループ化部１０４は、全ての学習空調機における頻度分布グラフのスケールが同じになるようにセンサ信号の種類毎の最大値（ＭＡＸ）と最小値（ＭＩＮ）を求める（Ｓ１３０３）。学習空調機グループ化部１０４は、最小値から最大値を指定された数Ｎで分割する際の刻み幅Ｓを算出する（Ｓ１３０４）。ステップＳ１３０３、Ｓ１３０４は、図４に示したステップＳ４０３、Ｓ４０４と同様であるため、ここではその説明を省略する。学習空調機グループ化部１０４は、予備の処理範囲を設けるため、上記最小値と最大値から外側に範囲を広げて頻度分布算出の処理範囲を算出する（Ｓ１３０５）。広げる範囲は、例えばＭＩＮをＭＩＮ−Ｓ×Ｍ、ＭＡＸをＭＡＸ＋Ｓ×Ｍに変更する。ここでＭは予め決められた１以上の整数とする。

学習空調機グループ化部１０４は、各学習期間、および各空調機に対して、各センサにおける数時間毎の最大値、最小値、平均値の頻度分布グラフを作成するため、ステップＳ１３０７からＳ１３１１までの処理を実行する（Ｓ１３０７）。

学習空調機グループ化部１０４は、各学習期間区分（Ｓ１３０７）、各空調機（Ｓ１３０８）、各センサ（Ｓ１３０９）に対して、以下の処理を繰り返す。ここでステップＳ１３０７における学習期間区分は、Ｓ２０５と同様に設定すればよい。学習空調機グループ化部１０４は、頻度分布算出用の二次元配列を確保し、すべての要素に０をセットする。配列のサイズはＮ＋２Ｍである。学習空調機グループ化部１０４は、学習期間の全データについて、１個のセンサ値に対応する配列の要素に１を加算する）。この処理により、頻度分布（ヒストグラム）が算出される。学習空調機グループ化部１０４は、この頻度分布をデータとして、あるいは画像に変換し、変換した画像と当該画像を識別するための識別番号（ＩＤ）とを対応付けて保存する（Ｓ１３１０）。図示はしていないが、学習空調機グループ化部１０４は、ニ次元配列のサイズおよびステップＳ１３０３で算出した各センサ信号の最小値と最大値を記録しておく。

図１４は、各センサにおける数時間毎の最大値、最小値、平均値の頻度分布グラフの例である。学習空調機グループ化部１０４は、例えば１ヶ月間の各センサにおける１時間毎の最大値、最小値、平均値を用いて、上記頻度分布グラフを作成する。

具体的には、学習空調機グループ化部１０４は、図１４に示すように、ある学習空調機１０１のセンサＡのセンサ信号１０１について、１週間毎に、センサ信号１０１の最大値、最小値、平均値を求める。図１４では、例えば、第１週におけるセンサＡの最大値、最小値、平均値は、ＭＡＸ１、ＭＩＮ１、ＡＶＥ１であることをあらわしている。センサＢについても同様である。

学習空調機グループ化部１０４は、各センサについて、センサ信号１０１の最大値、最小値、平均値を求めると、それぞれの頻度分布グラフに積み重ねる。図１４では、例えば、学習空調機グループ化部１０４は、センサＡが温度センサである場合、頻度分布算出の処理範囲である横軸に温度をとり、縦軸に頻度数（出現回数）をとる。学習空調機グループ化部１０４は、センサＡにおける第１週の最大値ＭＡＸ１と第２週の最大値ＭＡＸ２が同じ値ｔ３であるため、上記頻度分布の温度ｔ３にその回数（この場合は２回）を積み重ねる。一方、第３週の最大値ＭＡＸ３は、第１週の最大値ＭＡＸ１および第２週の最大値ＭＡＸ２よりも低い値ｔ２であるため、学習空調機グループ化部１０４は、上記頻度分布の温度ｔ２にその回数（この場合は１回）を積み重ねる。センサ信号１０１の平均値、最小値についても同様に考えることができる。また、学習空調機グループ化部１０４は、センサＢについても同様の処理を実行する。学習空調機グループ化部１０４は、学習空調機１０１のすべてのセンサについて、このような頻度分布グラフを生成し、上記識別番号（図１４では、識別情報Ｓ０００１Ａ０００１（Ｓ０００１：サイトナンバー、Ａ０００１：空調機ナンバー）に対応付けて記憶装置に画像として保存する。分布の有る画素を１、分布の無い画素を０としたニ値化二次元配列のテキスト形式で保存してもよい。このように、頻度分布グラフは、所定期間におけるセンサの出力値から得られる統計値（最大値、最小値、平均値）を集計したグラフであるといえる。

図１５は、各学習空調機１０１の同センサにおける最大値、最小値、平均値の頻度分布グラフ間の類似度算出および類似度判定のフロー図である。図１３で作成した学習空調機１０１の各センサにおける数時間毎の最大値、最小値、平均値の頻度分布グラフを学習空調機グループ化部１０４に入力する（Ｓ１５０１）。まず、学習空調機グループ化部１０４は、任意の学習空調機１０１を基準とし、各学習データグループ（Ｓ１５０２）、各センサ（Ｓ１５０３）、各学習期間区分（Ｓ１５０４）、各学習空調機（Ｓ１５０５）に対して、以下の処理を繰り返す。ここでステップＳ１５０４における学習期間区分は、Ｓ２０５と同様に設定すればよい。

学習空調機グループ化部１０４は、任意の学習空調機１０１の中から選択した基準空調機と残りの学習空調機１０１との間で、同センサにおける最大値、最小値、平均値の頻度分布グラフ間のそれぞれの類似度を算出し（Ｓ１５０６）、その類似度を判定する（Ｓ１５０７）。つまり、類似度の判定とは、実施例１の場合と同様、類似度が高く、学習空調機１０１が基準空調機と同じグループに分類できるか判定することを意味する。基準空調機と残りの学習空調機１０１のそれぞれとの間で同センサにおける最大値、最小値、平均値の頻度分布グラフ間のそれぞれの類似度が、例えば８０％以上の場合、学習空調機グループ化部１０４は、比較した学習空調機１０１が基準空調機と同グループに属すると判断する。類似度レベルについては、実施例１の場合と同様に考えることができる。学習空調機グループ化部１０４は、この類似度判定にもとづき、基準空調機と類似度が高い学習空調機１０１とをグループ化する（Ｓ１５０８）。

なお、学習空調機グループ化部１０４は、基準空調機およびグループ化された学習空調機１０１を除いた残りの学習空調機１０１から、再度、基準空調機を設定し、ステップＳ１５０１からステップＳ１５０８を繰り返し、学習空調機１０１の学習データグループを構築する。

図１６は、各学習空調機の同センサにおける最大値、最小値、平均値の頻度分布グラフの類似度算出方法を説明する図である。学習空調機グループ化部１０４は、ステップＳ１６０６にて作成した全学習空調機１０１の各センサにおける最大値、最小値、平均値の頻度分布グラフをもとに、全学習空調機１０１の中から基準空調機１６０１を選定し（ＳＳ１）、その残りの学習空調機１６０２の中から選んだそれぞれの学習空調機１０１に対し、同センサにおける最大値、最小値、平均値のそれぞれの頻度分布グラフを比較１６０３することで（ＳＳ２）、類似度を算出する。例えば、学習空調機グループ化部１０４は、基準空調機１６０１の最大値の頻度分布グラフの画像と、それぞれの学習空調機１０１の最大値の頻度分布グラフの画像とを重ね合わせた基準空調機重畳頻度分布画像を読み取り、その重畳部分の面積の大きさにより、上記類似度を算出する。この処理を各センサ、および各学習期間区分に対して繰り返す。例えば、同センサにおける最大値、最小値、平均値の頻度分布グラフは、分布の有る画素を１、分布の無い画素を０としたニ値化二次元配列で表される。
そして、類似度は以下で示される。

類似度（％）＝基準空調機と比較する空調機の頻度分布グラフが共に「１」を示す画素数/基準空調機の頻度分布グラフが「１」を示す画素数
図１７は、各学習空調機の同センサにおける最大値、最小値、平均値の頻度分布グラフの類似度表の例である。当該類似度表は、ステップＳ６０７において、学習空調機グループ化部１０４により出力される。

学習空調機グループ化部１０４は、基準空調機１７０１に対する残りの学習空調機１７０２の類似度を算出し、類似度表を作成し、その類似度を判定する。つまり、類似度の判定とは、類似度が高く、同じグループに分類できるか判定することを意味する。基準空調機１７０１と残りの空調機１７０２の同センサにおける最大値、最小値、平均値の頻度分布グラフ間の類似度が、例えば、全て閾値として定められた数値80％以上の場合、基準空調機１７０１と同グループと判断する。図１７において、例えば、基準空調機である空調機１に設けられているあるセンサの最大値の頻度分布グラフと、学習空調機である空調機２に設けられている同センサの最大値の頻度分布グラフとの類似度は、１月は８５％であり、２月は９０％であることを示している。このように、学習空調機グループ化部１０４は、基準空調機と学習空調機との間で、すべての同センサについて、類似度を算出し、その結果を上記類似度表として出力する。上記閾値は固定ではなく、任意の値に調整可能である。ただし、上記閾値の値は、実施例１の場合と同様に設定すればよい。学習空調機グループ化部１０４は、この類似度判定にもとづき、基準空調機１７０１と類似度が高い学習空調機１７０２をグループ化する。

なお、学習空調機グループ化部１０４は、基準空調機１７０１およびグループ化された学習空調機を除いた残りの空調機から、再度基準空調機１７０３を設定し、ステップＳ１５０１からステップＳ１５０８を繰り返し、学習空調機１０１の学習データグループを構築する。

図３に示したように、評価空調機１１１に対し類似度の高い学習グループを選定するには、評価空調機１１１の評価期間にて同センサにおける最大値、最小値、平均値の頻度分布グラフを作成するステップＳ３０５、評価空調機１１１と各学習データグループに属する学習空調機１０１の同センサにおける最大値、最小値、平均値の頻度分布グラフ間の類似度を算出するステップＳ３０６、その類似度を基に順位をつけ（Ｓ３０７）、類似度順位が1位の学習データグループに分類するステップＳ３０８が存在する。以下に具体的な処理について説明する。

図１８は、評価空調機１１１の評価期間にて、同センサにおける最大値、最小値、平均値の頻度分布グラフの作成フロー図である（学習データグループへの分類）。

センサ信号蓄積部１０３は、評価空調機１１１に装着されたセンサ信号１１２を評価空調機分類部１１３に入力する。さらに、センサ信号蓄積部１０３は、評価期間における学習データグループ毎に分類された学習空調機１０１のセンサ信号１０２も評価空調機分類部１１３に入力する（Ｓ１８０１）。

評価空調機分類部１１３は、各センサについて、ステップ１８０３からＳ１８０６の処理を実行する（Ｓ１８０２）。評価空調機分類部１１３は、ステップＳ１３０３の場合と同様に、全ての学習空調機における頻度分布グラフのスケールが同じになるようにセンサ信号の種類毎の最大値（ＭＡＸ）と最小値（ＭＩＮ）を求める（Ｓ１８０３）。評価空調機分類部１１３は、ステップＳ１３０４の場合と同様に、最小値から最大値を指定された数Ｎで分割する際の刻み幅Ｓを算出し（Ｓ１８０４）、最小値と最大値から外側に範囲を広げて分布密度算出の処理範囲を算出する（Ｓ１８０５）。

評価空調機分類部１１３は、評価期間、評価空調機１１１および各学習データグループに対して、各センサにおける最大値、最小値、平均値の頻度分布グラフを作成するため、ステップＳ１８０７からＳ１８１１までの処理を実行する（Ｓ１８０７）。

評価空調機分類部１１３は、ステップＳ１３０７〜Ｓ１３０９の場合と同様、評価期間（Ｓ１８０７）、各センサ（Ｓ１８０８）、各学習データグループに属するすべての学習空調機１０１（Ｓ１８０９）に対して、以下の処理を繰り返す。評価空調機分類部１１３は、頻度分布算出用の二次元配列を確保し、すべての要素に０をセットする。配列のサイズはＮ＋２Ｍである。評価空調機分類部１１３は、学習期間の全データについて、１個のセンサ値に対応する配列の要素に１を加算する。この処理により、センサ１個による頻度分布（ヒストグラム）が算出される。評価空調機分類部１１３は、この頻度分布を画像に変換し、変換した画像と当該画像を識別するための識別番号（ＩＤ）とを対応付けて保存する（Ｓ１８１０）。図示はしていないが、評価空調機分類部１１３は、二次元配列のサイズおよびステップＳ１８０３で算出した各センサ信号の最小値と最大値を記録しておく。

図１９は、評価空調機と各学習データグループに属する学習空調機の同センサにおける頻度分布グラフ間の類似度算出および類似度判定のフロー図である。まず、学習空調機グループ化部１０４は、図１３で作成した学習空調機１０１の全頻度分布と評価対象となる空調機の頻度分布を評価空調機分類部１１３に入力する（Ｓ１９０１）。評価空調機分類部１１３は、各評価空調機（Ｓ１９０２）、各センサ（Ｓ１９０３）、各学習グループ（Ｓ１９０４）に対して、以下の処理を繰り返す。評価空調機分類部１１３は、評価空調機と各学習グループの同センサにおける頻度分布グラフ間の類似度を算出する（Ｓ１９０５）。例えば、評価空調機分類部１１３は、図１１に示した場合と同様の考え方で、各学習グループに属するすべての学習空調機１０１に設けられている同センサにおける頻度分布画像を重ね合わせた学習空調機重畳頻度分布画像と、評価空調機１１１の頻度分布画像とを重ね合わせた重畳頻度分布画像を読み取り、その重畳部分の面積の大きさにより、上記類似度を算出する。

最後に、評価空調機分類部１１３は、評価空調機１１１に対して、類似度の高い学習データグループ順に順位をつけ（Ｓ１９０６）、類似度順位１位の学習データグループへ分類する（Ｓ１９０７）。当該分類の方法については、図１１と同様の考え方で実行すればよい。そして、評価空調機分類部１１３は、分類された学習グループのセンサデータを学習し、評価空調機１１１の異常を検知する。

上記実施例２によれば、学習空調機１０１のセンサ信号の類似度で空調機をグループ化し、評価空調機１１１のセンサ信号を基に、センサ信号から得られる統計値を用いて類似度の高い空調機グループを学習することにより、短期間のデータ蓄積で高感度な異常検知が可能になる。また、多数サイトの既存の空調機を利用できることから、多様かつ大量の学習データ数を確保できるため、異常検知の高感度化および虚報の抑制が可能である。

以上、実施例１、実施例２の手法を適用した異常検知システムにより、空調機1台に対し、過去１年分の正常なセンサデータを学習し、評価する方式において、空調機の季節や機差による影響を低減させ、空調機の異常を高感度かつ早期に検出することが可能となる。すなわち、正常な空調機のセンサ信号の類似度で空調機をグループ化し、評価する空調機のセンサ信号を基に、類似度の高い空調機グループに分類することにより、例えば、学習データを蓄積する期間（例えば１年間）とする等、短期間のデータ蓄積で高感度に異常を検知することができる。

１０１…学習空調機、１０２、２０２種類のセンサ信号、１０３、２０３…センサ信号入力部、１０４、２０４…特徴ベクトル抽出部、１０５、２０５…異常測度算出部、１０６…しきい値算出部、１２０…センサ信号蓄積部、２０１…評価空調機、２０６…異常判定部、２０７…関連センサ特定部。

Claims (4)

1. 複数の第１の空調機のそれぞれに設けられた１または複数のセンサから出力される第１のセンサ信号間の類似度に基づいて、前記第１の空調機をグループ化した学習データを構築し、
   第２の空調機に設けられた１または複数のセンサから出力される第２のセンサ信号を基に前記第２の空調機と前記グループ化した学習データとを比較し、前記第２の空調機と前記グループ化した学習データとの類似度に基づいて、前記第２の空調機を前記学習データの中で類似するグループに分類し、
   分類された前記グループの学習データに基づいて、前記第２の空調機の異常を判定する異常検知方法において、
   前記グループ化において、複数の第１のセンサ信号間の相関関係を示す学習分布密度グラフを生成し、生成した前記学習分布密度グラフの類似度に基づいて、前記学習データを構築し、
   前記分類において、複数の第２のセンサ信号間の相関関係を示す評価分布密度グラフを生成し、生成した前記評価分布密度グラフと前記学習分布密度グラフとの類似度に基づいて、前記第２の空調機を前記学習データの中で類似するグループに分類する、
   ことを特徴とする異常検知方法。
2. 複数の第１の空調機のそれぞれに設けられた１または複数のセンサから出力される第１のセンサ信号間の類似度に基づいて、前記第１の空調機をグループ化した学習データを構築し、
   第２の空調機に設けられた１または複数のセンサから出力される第２のセンサ信号を基に前記第２の空調機と前記グループ化した学習データとを比較し、前記第２の空調機と前記グループ化した学習データとの類似度に基づいて、前記第２の空調機を前記学習データの中で類似するグループに分類し、
   分類された前記グループの学習データに基づいて、前記第２の空調機の異常を判定する異常検知方法において、
   前記グループ化において、所定期間における第１のセンサ信号から得られる統計値を集計した学習頻度分布グラフを生成し、生成した前記学習頻度分布グラフの類似度に基づいて、前記学習データを構築し、
   前記分類において、所定期間における第２のセンサ信号から得られる統計値を集計した評価頻度分布グラフを生成し、生成した前記評価頻度分布グラフと前記学習頻度分布グラフとの類似度に基づいて、前記第２の空調機を前記学習データの中で類似するグループに分類する、
   ことを特徴とする異常検知方法。
3. 複数の第１の空調機のそれぞれに設けられた１または複数のセンサから出力される第１のセンサ信号間の類似度に基づいて、前記第１の空調機をグループ化した学習データを構築するグループ化部と、
   第２の空調機に設けられた１または複数のセンサから出力される第２のセンサ信号を基に前記第２の空調機と前記グループ化した学習データとを比較し、前記第２の空調機と前記グループ化した学習データとの類似度に基づいて、前記第２の空調機を前記学習データの中で類似するグループに分類する分類部と、
   分類された前記グループの学習データに基づいて、前記第２の空調機の異常を判定する異常判定部と、
   を備える異常検知システムにおいて、
   前記グループ化部は、複数の第１のセンサ信号間の相関関係を示す学習分布密度グラフを生成し、生成した前記学習分布密度グラフの類似度に基づいて、前記学習データを構築し、
   前記分類部は、複数の第２のセンサ信号間の相関関係を示す評価分布密度グラフを生成し、生成した前記評価分布密度グラフと前記学習分布密度グラフとの類似度に基づいて、前記第２の空調機を前記学習データの中で類似するグループに分類する、
   ことを特徴とする異常検知システム。
4. 複数の第１の空調機のそれぞれに設けられた１または複数のセンサから出力される第１のセンサ信号間の類似度に基づいて、前記第１の空調機をグループ化した学習データを構築するグループ化部と、
   第２の空調機に設けられた１または複数のセンサから出力される第２のセンサ信号を基に前記第２の空調機と前記グループ化した学習データとを比較し、前記第２の空調機と前記グループ化した学習データとの類似度に基づいて、前記第２の空調機を前記学習データの中で類似するグループに分類する分類部と、
   分類された前記グループの学習データに基づいて、前記第２の空調機の異常を判定する異常判定部と、
   を備える異常検知システムにおいて、
   前記グループ化部は、所定期間における第１のセンサ信号から得られる統計値を集計した学習頻度分布グラフを生成し、生成した前記学習頻度分布グラフの類似度に基づいて、前記学習データを構築し、
   前記分類部は、所定期間における第２のセンサ信号から得られる統計値を集計した評価頻度分布グラフを生成し、生成した前記評価頻度分布グラフと前記学習頻度分布グラフとの類似度に基づいて、前記第２の空調機を前記学習データの中で類似するグループに分類する、
   ことを特徴とする異常検知システム。

Images