特許ウォッチ

公開番号2025099163
公報種別公開特許公報(A)
公開日2025-07-03
出願番号2023215602
出願日2023-12-21
発明の名称異常度生成装置、プログラム、および異常度生成方法
出願人ローム株式会社
代理人弁理士法人佐野特許事務所
主分類G06F 18/213 20230101AFI20250626BHJP(計算;計数)
要約【課題】異常を効果的に検知するための新規な指標としての異常度を生成可能とする異常度生成装置を提供する。
【解決手段】異常度生成装置1は、機械学習モデルにおける中間層の中間層ベクトルから、中間層平均ベクトルを求め、前記中間層平均ベクトルに対する前記中間層ベクトルの正規化距離を表す第1異常度を算出するように構成される第1異常度算出部4を備える。前記正規化距離は、共分散行列を用いて正規化された距離である。さらに、前記中間層ベクトルを算出するためのパラメータに関する乱数行列を生成する乱数行列生成部と、生成された前記乱数行列と、正常データおよび異常データに基づいて前記第1異常度算出部によって算出される前記第1異常度に基づき前記乱数行列を評価し、前記乱数行列を初期値として決定するように構成される初期値決定部と、を備える、
【選択図】図4
特許請求の範囲【請求項１】
入力層と出力層との間に配置される少なくとも１つの中間層を含む機械学習モデルにおける前記中間層の中間層ベクトルを
JPEG
2025099163000025.jpg
34
38
とし、
中間層平均ベクトルを
JPEG
2025099163000026.jpg
30
38
JPEG
2025099163000027.jpg
33
33
として、
前記中間層平均ベクトルに対する前記中間層ベクトルの正規化距離を表す第１異常度を算出するように構成される第１異常度算出部を備える、異常度生成装置。
続きを表示（約 1,400 文字）【請求項２】
前記正規化距離は、
JPEG
2025099163000028.jpg
16
23
で表される共分散行列を用いて正規化された距離である、請求項１に記載の異常度生成装置。
【請求項３】
前記第１異常度算出部は、下記式で表される前記第１異常度を算出する、請求項２に記載の異常度生成装置。
JPEG
2025099163000029.jpg
24
106
【請求項４】
前記中間層ベクトルを算出するためのパラメータに関する乱数行列を生成するように構成される乱数行列生成部と、
生成された前記乱数行列と、正常データおよび異常データに基づいて前記第１異常度算出部によって算出される前記第１異常度に基づき前記乱数行列を評価し、前記乱数行列を初期値として決定するように構成される初期値決定部と、
を備える、請求項１に記載の異常度生成装置。
【請求項５】
前記初期値決定部は、前記乱数行列生成部による所定回数の前記乱数行列の生成によって生成された前記乱数行列のうち、最も適切と評価した前記乱数行列を前記初期値として決定する、請求項４に記載の異常度生成装置。
【請求項６】
前記第１異常度算出部は、複数の前記中間層のそれぞれについて前記第１異常度を算出する、請求項１に記載の異常度生成装置。
【請求項７】
コンピュータにおけるソフトウェア処理によって実現される、請求項１から請求項６のいずれか１項に記載の異常度生成装置。
【請求項８】
前記コンピュータを請求項７に記載の異常度生成装置として機能させるためのプログラム。
【請求項９】
前記機械学習モデルを保持するように構成されるモデル保持部と、
入力データを記憶するように構成されるデータ記憶部と、
前記機械学習モデルと前記入力データに基づいて教師なし学習を実行するように構成される学習演算部と、
前記機械学習モデルと前記入力データに基づいて推論を実行するように構成される推論演算部と、
前記推論演算部による推論結果と前記入力データに基づいて損失関数による第２異常度を算出するように構成される第２異常度算出部と、
前記第１異常度と第１閾値との比較、および前記第２異常度と第２閾値との比較に基づいて異常を検知するように構成される異常検出部と、
を備える、請求項１に記載の異常度生成装置。
【請求項１０】
コンピュータを用いて実行される異常度生成方法であって、
入力層と出力層との間に配置される少なくとも１つの中間層を含む機械学習モデルにおける前記中間層の中間層ベクトルを
JPEG
2025099163000030.jpg
38
43
として算出する第１ステップと、
中間層平均ベクトルを
JPEG
2025099163000031.jpg
28
43
JPEG
2025099163000032.jpg
31
35
として算出する第２ステップと、
前記中間層平均ベクトルに対する前記中間層ベクトルの正規化距離を表す異常度を算出する第３ステップと、
を備える異常度生成方法。

発明の詳細な説明【技術分野】
【０００１】
本開示は、異常度生成装置に関する。
続きを表示（約 1,700 文字）【背景技術】
【０００２】
従来、産機分野の工場設備保全に関して、機械システムの状態管理保全（Condition Based Maintenance）に対してＡＩ（人工知能）の適用が進んでいる（例えば特許文献１）。
【先行技術文献】
【特許文献】
【０００３】
国際公開第２０１９／０３５２７９号
【０００４】
［概要］
機械システム等の異常を検知するための指標として、従来、ＡＩが生成する損失関数（誤差関数）の値が異常度として用いられる。しかしながら、従来の損失関数による指標では、検知しにくい異常が存在する場合があった。
【０００５】
上記状況に鑑み、本開示は、異常を効果的に検知するための新規な指標としての異常度を生成可能とする異常度生成装置を提供することを目的とする。
【０００６】
本開示の一態様に係る異常度生成装置は、
入力層と出力層との間に配置される少なくとも１つの中間層を含む機械学習モデルにおける前記中間層の中間層ベクトルを
JPEG
2025099163000002.jpg
38
38
とし、
中間層平均ベクトルを
JPEG
2025099163000003.jpg
28
41
JPEG
2025099163000004.jpg
34
31
として、
前記中間層平均ベクトルに対する前記中間層ベクトルの正規化距離を表す第１異常度を算出するように構成される第１異常度算出部を備える構成としている。
【０００７】
また、本開示の一態様に係る異常度生成方法は、
コンピュータを用いて実行される異常度生成方法であって、
入力層と出力層との間に配置される少なくとも１つの中間層を含む機械学習モデルにおける前記中間層の中間層ベクトルを
JPEG
2025099163000005.jpg
32
36
として算出する第１ステップと、
中間層平均ベクトルを
JPEG
2025099163000006.jpg
30
44
JPEG
2025099163000007.jpg
33
36
として算出する第２ステップと、
前記中間層平均ベクトルに対する前記中間層ベクトルの正規化距離を表す異常度を算出する第３ステップと、を備える。
【図面の簡単な説明】
【０００８】
図１は、３層ニューラルネットワークを示す図である。
図２は、隠れ層ベクトルｈを第１主成分軸ｈ
ｐ１
と第２主成分軸ｈ
ｐ２
において示した模式図である。
図３は、コンピュータの構例成を示す図である。
図４は、異常度生成装置の構成例を示す図である。
図５は、初期値決定部による初期値決定処理に関するフローチャートである。
図６は、正常データと異常データの時系列データの例を示す図である。
図７は、正常データと異常データの時系列データと、異常度の例を示す図である。
図８は、正常データと異常データの時系列データと、異常度の例を示す図である。
図９は、本開示の例示的な実施形態に係る機械学習装置の構成を示す図である。
図１０は、第１変形例に係る機械学習装置の構成を示す図である。
図１１は、第２変形例に係る機械学習装置の構成を示す図である。
図１２は、４層ニューラルネットワークを示す図である。
【０００９】
[詳細な説明]
以下、本開示の例示的な実施形態について、図面を参照して説明する。
【００１０】
＜異常度について＞
ここでは、本開示に係る新規な指標である異常度について説明する。図１は、機械学習モデルの一例としての３層ニューラルネットワーク５０を示す図である。
（【００１１】以降は省略されています）

関連特許