JP2006522396A - データ分析のシステム及び方法 - Google Patents

Abstract

ダイナミックシステムの特性を監視するための監視システムからのデータを分析するための方法及びシステムであって、前記監視システムは少なくとも１つの既知の正常な状態をダイナミックシステムに関する特性データに与え、前記分析システムは、監視システムから特性データを受信するための手段（１００）と、ダイナミックシステムが既知の正常な状態にあるときにオペレータから確認情報を受信するための手段（１０１）と、受信された特性データと確認情報に応じて既知の正常な状態を示すデータを含む正常性モデルを引き出すための正常性モデリング手段（１０５）と、正常性モデルから将来の特性データを予測するための予測生成手段（１０５）と、予測された特性データと受信された特性データの許容できる差異を示す差異関数を提供するための差異関数提供手段（１０５）と、差異関数と併せて予測された特性データを受信された特性データと比較し、差異が差異関数を超える場合に異常性信号を生成するための比較手段（１０５）とを備える。

Description

本発明は、ダイナミックシステムを監視するための監視システムからのデータの分析のためのシステム及び方法に関する。

システム（例えば、技術システム、環境条件、生命徴候等）の異常な動作を診断することは、患者の症状を観察することに基づいた医師の診断に似ている。医師は、患者を観察することから得られたデータに基づいて症状を解釈し、診断を下すことができる。観察された症状が病気の原因を突き止めるほど十分でなくても、医師は経験から患者において正常であることとないことを理解しているため、多くの場合、症状又は測定値が正常でないと判断することができる。

自動化された状態監視システム（Condition Monitoring System）（ＣＭＳ）でこのようなインテリジェント診断プロセスを複製するためには、ＣＭＳは「何が正常であるのか」と「何が正常でないのか」を理解していなければならない。既知のＣＭＳはその目標を達成するためにシグナチャ（signature）を使用する。シグナチャとは、センサによって監視される環境の一定の特徴を表す制限された量のデータである。例えば、シグナチャは、温度値ほど単純であるか、一定の時間に渡って観察される電流のフーリエ変換と同程度複雑である場合がある。シグナチャ分析に基づく診断は、以下のステップで実現できる。

１．シグナチャ取得
２．入信シグナチャと基準シグナチャの比較
３．入信シグナチャが正常であるのか、あるいは異常であるのかを判断すること
４．適切な診断を下すためにシグナチャを解釈すること
ステップ４は一般的には、ＣＭＳによって警報が発せられた後にドメインエキスパートの介入を必要とするが、ＣＭＳは通常ステップ１から３を備える。

入信シグナチャの大部分は通常雑音で汚れているため、それらの認識は難しい。したがって、すべての使用可能な分類されたシグナチャ（基準シグナチャ）に加えて、シグナチャデータベースはシグナチャごとの許容範囲も含まなければならない。許容範囲は偽の警報を回避するために必要とされる。シグナチャデータベースからの情報は、センサデータを３つの異なる状態に分類するために使用される。システムが入信シグナチャをそのデータベースのクラスメンバとして認識する場合、それは正常又は異常のどちらかとして直接的に分類でき、シグナチャが異常であるとみなされるとシステムは警報を発する。システムが入信シグナチャを任意の基準シグナチャの許容範囲内にあると認識しない場合には、それは未知であり、異常の可能性があると見なされる。この場合にも、システムは警報を発する。警報を発生させたシグナチャに基づいて、ドメインエキスパートは、診断を下し、シグナチャが実際に異常な状態を示しているかどうか、及び介入が必要とされているかどうかを判断できる。

（センサデータの異常状態の検出）
環境の異常な状態を自動的に検出するために、センサの使用が必要とされる。多くの異なる種類のセンサがあり、それらは信頼度が異なる場合がある。例えば、製油所では、化学センサの使用によりガス漏れを検知できるのに対して、発電所では危険な高い電圧を検出するために電気センサが使用されることがある。いくつかの一般的な種類のセンサは機械センサ、温度センサ、磁場センサと電磁場センサ、レーザセンサ、赤外線センサ、紫外線センサ、放射線センサ、及び音響センサを含む。

センサデータは一般的には時間領域と周波数領域で観察される。振幅、平均、範囲、干渉雑音及び標準偏差はセンサデータの解析的な分析（ａｎａｌｙｔｉｃａｌ ａｎａｌｙｓｉｓ）に使用される関数である。それらは個別に分析され得るか、あるいは多次元的な手法で結合され得る。

センサシステムが設計されるとき、例えば線形性、解像度、スペクトルパスバンド、精度、応答時間、信号雑音比等の複数の要素がセンサの選択に影響を及ぼす。また、これらすべての要因は、閾値レベルと公差レベルの指定のためにも考慮に入れなければならない。図１から図４は、センサからシグナチャを取得することと、それを前処理することと、前記シグナチャを最終的に分類するために変換を適用することとを含む状態監視プロセスの例を描いている。

単純なＣＭＳは、通常、平均、標準偏差、最小、最大等のような統計上の固有値である閾値と入信センサデータとを比較することによって異常な状態を検出する（図５を参照されたい）。

さらに複雑な検出機構は入信シグナチャを基準シグナチャと比較する。前記比較は問題の複雑度に応じて異なる技法によって計算できる。簡単な例はデータベースに記憶される基準値から入信シグナチャを引くことである。前記２つの信号の差異は誤差と呼ばれ、この誤差の振幅が、２つの信号が近いかどうかを定義する。この誤差のさらに優れた推定値を得るために平均二乗誤差も計算できる。図６はこの手法を描いている。

誤差信号が異常な状態を示すかどうかを判断する簡単な方法は閾値を使用することである。誤差信号のさらに複雑な評価は、それから閾値に比較される誤差信号の複数の特性の計算に基づくであろう。誤差信号を評価するための閾値は、検出の精度を最大限にするために注意深く選ばなければならない。図７は、「正常な」範囲外の信号が発生したときに警報をトリガできるようにするためにどのようにして上限閾値と下限閾値を選ぶことができるのかを描いている。精度は、使用されるセンサの質とデータ取得システムの質だけではなく、これらのレベルの選択にも依存する。

既知の状態監視システムは、センサデータが照合される状態ライブラリを使用する。例えば、記事「ＨＩＳＳ−インテリジェントな監督の新しい手法（ＨＩＳＳ−Ａ ｎｅｗ ａｐｐｒｏａｃｈ ｔｏ ｉｎｔｅｌｌｉｇｅｎｔ ｓｕｐｅｒｖｉｓｏｒ）（Ｋａｉ Ｍｉｃｈｅｌｓ、共同第９回ＩＦＳＡ世界会議（ＩＦＳＡ Ｗｏｒｌｄ Ｃｏｎｇｒｅｓｓ）及び第２０回ＮＡＦＩＰＳ国際会議（ＮＡＦＩＰＳ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ）（バンクーバー（Ｖａｎｃｏｕｖｅｒ）、７月２５日から２８日）、ＩＥＥＥピスカタウェイ（Ｐｉｓｃａｔａｗａｙ）、２００１年（ＩＳＢＮ：０−７８０３７０７９−１）、１１１０−１１１５ページ）」は、音声センサを使用することによりガスパイプラインの漏れを検出するための解決策を提供する。音声センサにより録音される音が漏れを示す音、及び正常な環境音を示す音のライブラリに突き合われる。センサにより録音される音が正常な音より漏れを示す音に近い場合、監視ソフトウェアは警報を発する。さらに、パターン認識を実行し、システムの状態を監視するために、どのような状態が警報を発するべきかを決定するために人工知能技術を使用することが可能である。この例は、それによりシステムが、監視されるシステムの、そのシステムの普通に発生する状態のクラスタである認識可能な「共通モード」を特定するために、初期の「学習段階」の間に教育されるこのような状態監視のための方法及び装置に関する米国特許第６，３２７，５５０号（Ｖｉｎｂｅｒｇ等）に開示されている。後の「監視段階」の間、状態監視システムは、システムの状態ベクトルを、学習期間中にパターン認識により過去に特定された認識共通モードと比較することによりシステムを連続的に監視し、認識共通モードの１つの範囲内にない状態ベクトルが出現すると必ず警報を発する。また、監視段階の間、システムは以下のようにその学習の程度を更新できる。人間のマネージャ又は自動管理ツールは警報メッセージを検討し、管理されるシステムを検査してもよく、将来の監視のために共通モードの中に含まれなければならない共通状態に関して警報メッセージが発生したと判断されると、システムは関連する新しい状態を共通モードの既存の集合に追加できる。

従来の技術米国第５，８９０，１４２号は、システム状態を監視するための装置に関し、前記装置は、そのパラメータがシステムの時系列データにより決定されると言われるデータベクトルを生成すると言われ、データベクトルの埋め込み演算によって再構築空間内で生成されるアトラクタの動作に基づく無秩序な推論によって所定の時間将来の時系列データの予測値を取得すると言われる予測セクションを含む。したがって、システムは、システムの動作が無秩序であるという仮定に基づいて短期間の予測を行い、観察されるシステムが正常な状態にあるのか、異常な状態にあるのかを判断すると考えられる。

既知のシステムにおける状態監視が、一般的には、監視されるシステムの正常な状態及び異常な状態が既知であり、指定できる場合にのみ有効に適用できることは明らかであろう。それは、ＣＭＳは明確に定義されていない領域で使用するには適していない、あるいは以前に異常な状態が観察されたことがない領域は観察されない可能性があり、従って容易に作成又は予測できないことを意味する。例は、機械の高価な部品の故障であろう。適切な時期に保守を予定するためには、十分に事前に故障を予測することが非常に望ましい。故障は故障状態を記録するために監視される機械を故障モードに動かすことができないほど破壊的である可能性がある。監視される信号の閾値について曖昧且つ不確実な知識しかない可能性があり、この知識は故障を十分に記述するには十分ではない可能性がある。別の例は、介護に頼る患者を彼らの家庭で監視することである。例えば、人が通常の時刻に起床できない、あるいは転んだ場合など、介護者による介入の必要性が、高い精度で検出されることは最優先事項である。しかしながら、偽の警報が回避される、あるいは監視システムがそれ以上信頼されず、オフにされる場合もあることも重要である。したがって、監視システムが監視される患者に順応し、その人の正常な挙動が何を意味するのかを学習することが重要である。両方の例とも、単一のセンサは概して十分ではないことを理解するのは容易である。限られないが一般的には、多数のセンサが必要とされ、このようにして多次元的なセンサデータ空間を生じさせる。個々のセンサからの情報は異常な状態について決定を下すことができるようにするために適切に結合されてよい。これが「センサデータ融合」と呼ばれる。

前述された例の場合、及び同様に複雑なシナリオの場合、高次元のセンサデータ空間において正常な状態と異常な状態を定義することは多くの場合困難あるいは不可能であるため、我々はＣＭＳを適切にセットアップする問題に直面する。正常な状況と異常な状況の網羅的な数の例が入手可能であるならば、ＣＭＳが使用できるであろう分類子集合を作成するために監督された学習アルゴリズムを使用できるであろう。しかしながら、前記に検討されたシナリオのようなシナリオでは、正常な状況の例だけが入手可能である可能性があるため、正常な学習手順は使用できない。

センサをベースにしたＣＭＳを配備する上での主要な問題の１つが、ＣＭＳにより監視される多数のセンサにとって正常な状態と異常な状態を確立することである。異常な状態又は故障状態が既知ではない、あるいは明確に定義されていない場合、このような情報を必要とするＣＭＳを使用することはできない。本発明の実施形態は、このような条件下でＣＭＳを配備するときに遭遇する問題に対処する。

本発明の実施形態は、高次元のセンサデータ空間を使用し明確に定義されていない領域について、センサをベースにしたＣＭＳを自動的に確立することを可能にすることにより既存のＣＭＳで可能であることをさらに改善することを目的とする。本発明の具体的な実施形態は、特に、
（ｉ）異常な状態についての知識がない場合に、システムが任意のセンサについて自動的に正常な状態を学習できるようにする「正常性モデル」を作成するための手段を提供することと、
（ｉｉ）現在のセンサシグナチャを、正常性モデルに照らして予測されるシグナチャと比較することにより異常な状況を自動的に検出することと、
（ｉｉｉ）センサを、それによりセンサがメタセンサの機能を果たし、センサデータ融合を実行するセンサグループを形成できるセンサネットワークに編成できるようにすることと、
（ｉｖ）センサネットワークからのデータを分析し、異常な状態の検出に基づいて警報を発し、ユーザフィードバックに基づいて正常性モデルを適応させるインテリジェントデータ分析モジュールを提供すること、
を目的とする。

本発明の第１の態様に従って、ダイナミックシステムの少なくとも１つの特性を監視するための監視システムからのデータを分析するための分析システムが提供され、前記監視システムは前記ダイナミックシステムに関して特性データを提供し、前記ダイナミックシステムは少なくとも１つの既知の正常な状態を有し、前記分析システムは、
前記監視システムから特性データを受信するための第１の入力手段と、
前記ダイナミックシステムが既知の正常な状態にあるときにオペレータから確認情報を受信するための第２の入力手段と、
受信された特性データと確認情報に応じて正常性モデルを引き出すように装置された正常性モデル化手段であって、１つ以上の既知の正常な状態を示すデータを含む正常性モデル化手段と、
前記正常性モデル内のデータから将来の特性データを予測するように装置された予測生成手段と、
予測された将来の特性データと受信された特性データの許容できる差異を示す差異関数を提供するように装置された差異関数提供手段と、
前記差異関数と併せて受信された特性データに予測された将来特性データを比較し、前記予測された将来特性データと受信された特性データの差異が前記差異関数を超えると異常性信号を生じさせるように装置された比較手段と、
を備える。

本発明の第２の態様に従って、ダイナミックシステムの少なくとも１つの特性を監視する監視システムからデータを分析し、それに関して特性データを提供する方法が提供され、前記ダイナミックシステムは少なくとも１つの既知の正常な状態を有し、前記方法は、
前記監視システムから特性データを受信するステップと、
前記ダイナミックシステムが既知の通常の状態にあるときにオペレータから確認情報を受信するステップと、
受信された特性データと確認情報に応じて、既知の通常の状態を示すデータを含む正常性モデルを引き出すステップと、
正常性モデルのデータに応じて将来の特性データを予測するステップと、
予測された将来の特性データと受信された特性データの間の許容できる差異を示す差異関数を提供するステップと、
差異関数と併せて予測された将来の特性データを実際の受信された特性データと比較するステップと、
予測された将来の特性データと実際の受信された特性データの間の差異が差異関数を超える場合に、異常信号を生じさせるステップと、
を含む。

本発明によるシステム及び方法は、多くの種類のダイナミックシステムに関して使用に適している可能性がある。ダイナミックシステムとは、生き物（人間又はそれ以外）であってよく、そのケースでは監視システムは、例えば種々の医用センサのどれかを含んでよい。代わりに、ダイナミックシステムは機械的なシステム、製造工場、発電所又は他の工場、コンピュータシステム、又は（例えば化学センサ、温度センサ、天気センサ、及び他のセンサによって監視される）（さらに一般的に）環境であってよい。

本発明の実施形態により多数のセンサを効果的なセンサネットワークに編成できる。センサはセンサデータ融合により複数のセンサからのデータを結合するセンサグループを形成できる。センサ又はセンサグループごとに、正常性モデルが自動的に構築されてよい。正常性モデルによって、システムは、異常な状態についての知識がないときに任意のセンサ又はセンサのグループにとって何が正常な状態なのかを学習できる。センサ又はセンサグループによって観察されるデータを予測するために正常性モデルを使用することによって、及びこの予測を実際に測定されるデータに比較することによって、システムは人間の専門家又は自動化されたエキスパートシステムなどの、オペレータから受信される異常な状態についての確認済みの知識を必要することなく、自動的に異常な状態を検出できる。

本発明の実施形態は、センサネットワークのような監視システムからのデータを分析し、異常状態の検出に基づき警報を発し、正常な状態に関するユーザフィードバックに基づく正常性モデルを受け入れる「インテリジェント」データ分析装置を提供する。異常な状態について他のなんらかの知識も入手可能である場合、これも正常性モデルからの予測に基づく検出精度を向上するために使用できるが、本発明の実施形態によるシステムは、異常な状態に関するオペレータからのデータとは無関係に、従って異常な状態に関するオペレータからのデータがないときにも機能することができる。

本発明の実施形態は、センサネットワークを管理し、センサデータの異常な状態を自動的に検出するためにセンサデータを常に分析するインテリジェントデータ分析装置（ＩＤＡ装置）の提供を可能にする。装置は、何が正常なセンサ状態であるのかを自動的に学習するための機構を含む。装置は、適切な通信手段（例えば、無線、インターネット（ＩＰ）ネットワーク、又は直接接続など）によって装置にデータを提示するセンサのリストを維持する。装置はセンサを論理的なセンサグループに編成できる。センサグループはメタセンサとしての機能を果たし、他のセンサ及びセンサグループから独立して監視できる。センサグループは少なくとも１台のセンサを含む。センサネットワークの任意のセンサは、任意の数のセンサグループのメンバである場合がある。センサネットワークのセンサは装置にデータを送信し、センサはそれらの複雑度に応じてネットワーク内の他のセンサからデータを受信し、ネットワーク内の他のセンサにデータを送信してもよい。

装置は、ユーザがセンサネットワークのセンサとセンサグループを手動で構成できるようにするグラフィックユーザインタフェース（ＧＵＩ）と対話してよい。ＧＵＩはセンサデータに関して実行されるデータの結果も表示してよい。装置は各センサとセンサグループからデータを収集し、データに関してインテリジェントデータ分析プログラムを実行する。装置は、データ分析プログラムがこれを必要とする場合にはセンサデータを結合するためにデータ融合アルゴリズムも使用してよい。

装置は、どの状態がセンサネットワークの任意のセンサの正常なデータを記述するのかを自動的に学習できる。装置は、センサからシグナチャを収集することによりこれを実行し、将来のシグナチャを予測するために使用できる正常性モデルを構築するためにこのデータを使用する。このモデルは、例えば、ニューラルネットワーク学習アルゴリズム又はニューロファジー学習アルゴリズムを使用して構築できる。このような学習アルゴリズムは、時間ｔで最後のｎ個のシグナチャ（Ｓ_{ｔ−ｎ＋１}，Ｓ_{ｔ−ｎ＋２}…，Ｓ_ｔ−１，Ｓ_ｔ）を取ることによって、例えば正常性モデルを構築し、次に次のシグナチャＳ_ｔ＋１を予測するために使用されてよい。その結果、それは、正常性モデルを精緻化するために予測されたシグナチャＳ’_ｔ＋１と実際のシグナチャＳ_ｔ＋１の間の差異を使用する。

ダイナミックシステムが正常な状態で既存のもの（ｅｘｉｓｔｉｎｇ）に限られる初期の期間があることが既知である場合、このような期間は「学習段階」として使用されてよい。この期間中、モデルが作成されているセンサシステムは正常なデータだけを測定し、正常性モデルはシステムが動作する正常な状態を正確に反映するであろう。初期の学習段階が終了した後、装置はセンサデータを監視し、新しいシグナチャを実際の監視の間にモデルから取得された予測に比較できる。

しかしながら、本発明の実施形態に従って、厳密に別個の「学習段階」がある必要はない。正常な状態に関するなんらかの確認情報がダイナミックシステムの実際の監視中にオペレータから受信されてよいのであれば、このような実施形態はそれらの正規性モデル及び／又は差異関数を、ダイナミックシステムの実際の監視中に監視システムから受信されるデータに基づいて適宜に引き出し、更新することができる。

入信シグナチャと予測されたシグナチャの間の差異が「許容できるほど」の差異レベルを超える場合、入信シグナチャは異常な状態を示すと見なされ、装置は警報を発する。「許容できる」差異レベルは、単純なエラー限界値又はユークリッド距離であってよいか、あるいはさらに複雑な関数であってよい差異関数に従って決定される。差異関数は所定であってよいが、本発明の好ましい実施形態に従って、差異関数は人間のエキスパート又は自動エキスパートシステムなどのオペレータから受信される情報に基づいて更新されてよい。正常性モデルの更新及び精緻化と同様に、これはオペレータが異常な状態に関する情報を提供する必要なく達成されてよいが、このような情報が入手可能である場合、それは例えば「偽の警報」の発生率を下げるために差異関数の更新でも使用されてよい。

装置は、境界が既知ではない、又は明確に定義されていない状態監視シナリオにおいてセンサネットワークとともに配備できる。センサ及びセンサグループごとに、装置は、何が正常な状態なのかを自動的に学習し、現在の入信シグナチャが予想シグナチャと予測シグナチャに十分に類似していない場合に境界条件に達したと結論付ける。

本発明のいくつかの実施形態によるシステムは、連続して変化するデータを分析するために使用されてよい。このようなデータは温度、圧力、化学濃度等の物理特性のセンサにより提供されてよい。代わりに、本発明の他の実施形態によるシステムは、例えば別々のイベントの発生に関する離散的データを分析するために使用されてよい。このようなデータは、例えば家庭警報システム又は患者監視システムのセンサによって提供されてよい。このような実施形態では、特性データはドアと窓の開放又は閉鎖、室内での個人の存在又は不在、ライト及び他の電気製品のオンとオフの切り替え、及び他のこのようなイベントなどの個別的な状態又はイベントに関連してよい。これらのようなシステムにおいて、正常性モデルはオペレータによって正常であると確認されるシーケンスに関して引き出されてよく、これらは受信されるデータに基づいてイベントの将来の状態又はシーケンスの発生を予測するために使用されてよい。実際に受信されるデータが正常性モデルに基づいて予測されるデータに著しく異なる状態又はシーケンスを示す場合、あるいはある特定の時に発生すると予測されるイベントが許容できる時間差の範囲内にないときに実際に発生する場合、警報は変化するデータを連続的に分析するシステムによる方法に対応する方法で発せられなければならない。

したがって、本発明の第３の態様に従って、ダイナミックシステムの少なくとも１つの特性を監視するための監視システムからのデータを分析するための分析システムが提供され、前記監視システムはダイナミックシステムに関して特性データを提供し、前記ダイナミックシステムは状態の少なくとも１つの既知の正常なシーケンスを有し、前記分析システムは、
監視システムから特性データを受信するための第１の入力手段と、
ダイナミックシステムが状態の既知の正常なシーケンスに従って進行するときに、オペレータから確認情報を受信するための第２の入力手段と、
受信された特性データと確認情報に応じて、状態の１つ以上の既知の正常なシーケンスを示すデータを含む正常性モデルを引き出すように配置される正常性モデル化手段と、
正常性モデルのデータから将来の特性データを予測するように配置される予測生成手段と、
予測された将来特性データと受信された特性データの間の許容できる差異を示す差異関数を提供するように配置される差異関数提供手段と、
差異関数と併せて予測された将来の特性データを受信された特性データと比較し、予測された将来の特性データと受信された特性データの間の差異が差異関数を超える場合に異常性信号を生成するように配置される比較手段と、
を備える。

さらに、第４の態様に従って、ダイナミックシステムの少なくとも１つの特性を監視する監視システムからデータを分析し、それに関して特性データを提供する方法が提供され、前記ダイナミックシステムは状態の少なくとも１つの正常なシーケンスを有し、方法は、
監視システムから特性データを受信するステップと、
ダイナミックシステムが状態の既知の正常なシーケンスに従って進むときに、オペレータから確認情報を受信するステップと、
受信された特性データと確認情報に応じて、状態の既知の正常なシーケンスを示すデータを含む正常性モデルを引き出すステップと、
正常性モデルのデータに応じて将来の特性データを予測するステップと、
予測された将来の特性データと受信された特性データの間の許容できる差異を示す差異関数を提供するステップと、
差異関数と併せて実際に受信された特性データに予測された将来の特性データを比較するステップと、
予測された将来特性データと実際の受信された特性データの間の差異が差異関数を超える場合に異常性信号を生じさせるステップと、
を備える。

第１の態様と第３の態様によるシステム及び第２の態様と第４の態様による方法が重複してよいことが注意される。追加の実施形態は、このようにして２つのそれぞれの態様を結合するシステム又は方法を備えてよい。

本発明の実施形態によるＩＤＡ装置は、このようにして、正常性モデルを再教育するために純粋に正常な状態に関連するユーザフィードバックを使用できる。これは、ユーザが状況を正常であると見なすが、警報が発せられている場合に必要となる可能性がある。ＩＤＡ装置は、オペレータがこの情報を提供できる場合に特定の警報状況を学習するための例を使用してもよい。ＩＤＡ装置は学習段階をサポートし、短縮するためにユーザの過去の知識も使用できる。ユーザは正常な状況及び／又は異常な状況を記述するファジー規則を提供することができ、その結果ＩＤＡ装置は追加の規則を学習する、及び／又は各センサの既存の規則を精緻化するためにニューロファジー学習アルゴリズムを使用してよい。

本発明の実施形態はここで添付図に関して説明される。

図８及び図１０に関して、センサネットワークのためのインテリジェントデータ分析（ＩＤＡ）装置１０が示されている。この装置は、センサの階層構造化されたネットワークからデータを収集し、管理し、分析することに関与している。ＩＤＡ装置１０によって、ユーザはネットワークにセンサを追加あるいはネットワークからセンサを削除し、それらをグループに編成し、それらを構成し、それらが生成するデータを分析できるようになる。ＩＤＡ装置１０は、センサデータで正常な／異常なパターンを学習することにより自動データ分析を可能にする。異常なパターンの検出時、警報は自動的に発せられる。ユーザは個々のセンサのための規則を指定することによって装置の学習特徴及び分析特徴を構成できる。装置は、履歴センサデータの分析も提供し、要求に応じてレポートを作成する。

ＩＤＡ装置１０の機能は、以下を含んでよい。

・ユーザがセンサデータを構成し、分析できるようにするＧＵＩに出力を提供する。

・センサをセンサグループに編成することによってセンサネットワークを管理する。

・センサデータのアクセス及びインテリジェントな前処理
・センサデータの連続的な自動分析
・センサデータについて指定される分析結果及び状態に応じて警報を発する。

・センサデータ内の正常な／異常なパターンを学習し、警報を予測する。及び
・報告する。

（センサ及びセンサグループ）
センサは、システムに常にデータを提示するか、あるいは要求に応じてデータを提供するエンティティである。データトランスポートはＩＤＡ装置の機能性の一部ではない。ＩＤＡ装置はセンサデータを提供するストリームにアクセスする。論理センサプール層は適切なプロトコル（ＨＴＴＰ、ＲＭＩ等）を介してそれらのストリームへのアクセスを提供する。

図８及び図９を参照すると、センサは個々に動作してよいか、あるいはセンサグループに編成されてよい。各センサは任意の数のセンサグループのメンバである場合がある。センサグループは、有向非巡回グラフが形成されるようにセンサとセンサグループの両方を含んでよい。この階層構造化されたセンサツリーはファイルシステムのディレクトリツリーに似ている。センサグループは内部ノードであり、リーフノードであるはずがない（つまり、各センサグループノードからセンサノードへの経路がある）が、センサはセンサツリーのリーフノードとして見なされてよい。センサ又はセンサグループが複数のセンサグループでメンバのように見える場合にも、センサはシステムで一度だけ存在するにすぎない可能性がある。ノードは単にセンサ又はセンサグループに対する参照にすぎない。センサ又はセンサグループに与えられる参照がない場合、対応するオブジェクトはシステムから削除されてよい。

図８は、センサオブジェクトの主要な特性を示している。センサは、センサインタフェース８２を介してオン又はオフに切り替えることができるデータストリーム８８を提供する。センサオブジェクトは、特徴抽出８６及びデータ分析８４のための手段を提供する。このような内部データ分析の主要な機能は、主要なデータ分析モジュールに対する影響を削減するための複雑度削減である。それは、データの要約を計算する、あるいはデータストリームを監督し、警報を発するために使用できる。対応するセンサハードウェアの特徴に応じて、特徴抽出及び分析の部分は実際のセンサに発生してよい。センサハードウェアがデータストリームだけを提供する場合、ＩＤＡ装置１０（図１０を参照されたい）は必要な特徴抽出及び分析を提供してよい。

センサグループ（図９を参照されたい）は、複数のデータチャネルのある論理センサの形成を可能にする。ユーザは、センサグループのすべてのメンバに適用可能な規則を指定できる。センサグループはそのメンバによって提供される前記（すでに前処理された）データを融合し、分析できる。分析結果に基づき、それはそのメンバを構成し直すことができる。センサグループは分析インタフェースを介してその構成及び分析結果にアクセスを提供する。

（ＩＤＡ及びＧＵＩ）
ＩＤＡ装置１０は、管理機能性と分析機能性、及びグラフィックユーザインタフェース１０１への出力を提供する。それは監視システムのセンサ及び／又はセンサグループ、及びセンサライブラリ１０３にアクセスできるセンサ管理のためのモジュール１０２とのインタフェース１００を含む。ユーザはセンサ管理モジュール１０２を介してセンサツリーにセンサを追加し、構成できる。センサがセンサライブラリ１０３の一部である場合、センサは事前に構成でき、それによりユーザがセンサをセットアップするために行わなければならない作業量を削減できる。

装置のＩＤＡモジュール１０５はすべてのセンサ及びセンサグループデータの分析に関与する。センサ及びセンサグループによってすでに実行されたデータ分析量に応じて、ＩＤＡＡモジュール１０５は低レベルのセンサデータとシグナチャから、実際のデータの計算された統計要約までのすべてを処理する。以下では、用語センサ情報はセンサとセンサグループによって提供されるデータと分析結果を参照するために使用される。

ＩＤＡモジュール１０５は、センサ情報に適用できる多くの分析方法を提供する。それは、センサとセンサグループによって提供される分析方法へアクセスも提供する。ＩＤＡモジュールは、以下に詳細に説明される正常センサ情報と異常センサ情報を自動的に認識するために複数の学習方法を含む。ＩＤＡモジュール１０５は、一定の種類の既知のセンサに適用可能である規則を検索できる状態ライブラリ１０４にアクセスできる。

ＧＵＩ１０１は、システムのすべての機能にアクセスを提供する。それにより、ユーザはセンサとセンサグループを追加し、削除し、構成できるようにし、それはセンサツリー（図１１と図１２を参照されたい）を表示する。センサツリーにナビゲーションすることによって、ユーザは各オブジェクトにアクセスし、それを構成し、それについての情報を検索することができる。

（正常性モデル）
図１０と図１３に関して、ＩＤＡ装置１０のＩＤＡモジュール１０５はセンサシグナチャの異常な状態を検出するために正常性モデルを使用する。正常性モデルから、時間ｔ＋１でのシグナチャの予測Ｓ_’ｔ＋１は、シグナチャＳ_ｔ、及びおそらく最後のｎ個の時間ステップからの早期シグナチャに基づいて生成される。ＩＤＡモジュール１０５は、次にＳ_’ｔ＋１を実際に測定されたＳ_ｔ＋１に比較する。差異（誤差）が一定量を超えると、装置は警報を発する信号を生じさせる。

図１３は、「学習段階」を使用できる場合に正常性モデルを構築するプロセスを描いている。これが当てはまるためには、ダイナミックシステムが正常な状態の既存（ｅｘｉｓｔｉｎｇ）に制限されることが既知である初期期間があることが理解されていなければならない。正常性モデルの構築は、例えばニューラルネットワーク、ニューロファジーシステム、回帰ツリー等のような任意の機械学習手法に基づくことができる。正常性モデルは最後のｎ個の測定シグナチャに基づいて次のシグナチャを予測する。図１３では、ｎ＝１が選択される。シグナチャは実数のベクトルとして表現される。評価手段は、予測される次のシグナチャと実際の次のシグナチャの間の誤差を計算するために使用される。多次元ベクトルの場合、誤差はユークリッド距離から計算されてよい、あるいはさらに複雑な関数が使用されてよい。この誤差は正常性モデルにフィードバックされ、次の予測がさらに正確となるようにモデルを訓練するために使用される。ニューラルネットワークに基づいた正常性モデルの場合、例えば、誤差逆伝搬又は弾性伝搬（ｒｅｓｉｌｉｅｎｔ ｐｒｏｐａｇａｔｉｏｎ）のような学習アルゴリズムが使用される。モデルがニューロファジーシステムに基づく場合、ニューロファジー関数近似（ＮＥＦＰＲＯＸ）に基づく学習アルゴリズムが使用されてよい。これらの学習アルゴリズムはオンラインで動作することができない場合、ＩＤＡはトレーニングセットを形成するために適切な数のシグナチャを収集し、次に正常性モデルを訓練する。例えば回帰ツリーのための誘導（ｉｎｄｕｃｔｉｏｎ）アルゴリズムはオフラインモードで実行し、すべてのトレーニングデータが、学習が開始する前に使用可能となると予想するため、この手法は回帰ツリーに使用することができるであろう。

正常性モデルが訓練され、過去のｎ個のシグナチャから次のセンサシグナチャを無事に予測できるようになってから、それは異常な状態を検出するために使用できる。図１４のフローチャートは、本発明の好ましい実施形態に従って正常性モデルを使用するデータの分析及び異常な状態の検出を実例説明する。最初にフローチャートの主要なステップを参照すると、特性データを示す連続シグナチャＳ_ｔがステップ１４１と１４１’で監視システムから受信される。ステップ１４４で、最も最近のシグナチャの受信前に、予測ｓ’_ｔが正常性モデルのデータから行われる。予測ステップ１４４は、最も最近のシグナチャ受信ステップ１４１’の前又は後に実行されてよいことが注記される。ステップ１４５で、最も最近の実際の受信されたシグナチャと予測されたシグナチャの間の差異を示す関数ｄ（ｓ、ｓ’）は差異関数θと比較される。差異関数θの形はさらに詳細に後述される。距離ｄ（ｓ、ｓ’）が差異関数θより大きい場合、現在の状態は異常であると見なされ、システムは警報を発する。（ステップ１４６）。警報の重大性は偏差の大きさに依存してよく、一定の時間間隔での偏差の数にも依存する場合がある。この警報の受信時、現在の状態は正常であるため信号を偽であると認識するオペレータは、現在の状態が事実上正常である旨の確認信号をシステムに提供してよく（ステップ１４７）、そのケースでは正常性モデルが更新される必要がある（ステップ１４８）と結論付けられる。このような確認信号が警報に応えてオペレータから受信されない場合、警報は異常な状況を正しく示していたと結論される。

前記段落は、正常性モデルが受信されたシグナチャと確認情報に応じて継続的に更新されてよい実施形態を説明しているが、本発明の一定の実施形態に従って、システムの継続的な調整が差異関数θの形式を更新することにより代わりに達成されてよいことが注意される。その最も簡単な形式では、差異関数θは単純なエラー限界値又はユークリッド距離と考えられてよいか、あるいはそれは過去に受信されたデータ、時間に関連する要因、過去に発せられた警報の数等の要因に応じてさらに複雑な関数であってよい。差異関数は人間のエキスパート又は自動エキスパートシステムなどのオペレータから受信される情報に基づいて更新されてよく、好ましい実施形態に従って、ファジー論理規則ベースに従って求められてよい。

正常性モデルを更新し、差異関数を更新する影響が互いを補完してよいこと、及び両方ともが更新されてよい実施形態が、それらが最も適応可能であるという理由で好ましい、他方ではなく一方が更新されてよい実施形態、及びどちらも更新されてはならない実施形態が一定の用途には十分となることが明らかであろう。

異常な状態の検出は、正常性モデルを予測するステップ及び正常性モデルとシグナチャを比較するステップの前又は後に調べられるオプションの状態ライブラリに依存する場合もある。過去の異常な状態が既知であり、記憶されている場合、現在のシグナチャはそれらの状態に比較することができ、現在のシグナチャが記憶されている状態の１つに一致すると、警報を発することができる。オペレータが警報を受け入れる場合、状態ライブライは更新できる。したがって異常な状態は経時的に収集し、正常性モデルを補完するために使用できる。図１４のフローチャートのステップ１４２、１４３、及び１４９は、既知の異常状態を検出するためのこのような状態ライブラリの使用を示す。受信されたシグナチャは、シグナチャ予測（１４４）及び実際に受信されたシグナチャと予測されたシグナチャの間の距離ｄ（ｓ，ｓ’）の、差異関数θとの比較（１４５）のステップの前に示される、ステップ１４２で状態ライブラリに記憶されているシグナチャと比較されるが、ステップ１４２と１４３がステップ１４４と１４５の後に実行できるであろうことに注意する。警報は、最も最近の検出されたシグナチャが既知の異常なシグナチャとして状態ライブラリの中に記憶されるものの１つに十分に紙一重（ｃｌｏｓｅ ｍａｔｃｈ）である場合にステップ１４３で発せられる。状態ライブラリの更新（ステップ１４９）は、ステップ１４３でシステムによって発せられる警報がステップ１４６でオペレータによって受け入れられる場合に実行される――これは、システムによって異常であると「考えられる」状態がオペレータによっても異常として診断される旨の確認と解釈される。このような更新は、正常性モデルの更新、及び／又は差異関数の更新にも加えて実行されてよい。

正常性モデルは、センサの完全なネットワークに関してだけではなく、個々のセンサ又はセンサグループに関しても使用されてよい。図１５に関して、データがいくつかのセンサ又はセンサのグループによって監視されるどの特性が他と無関係に分析されてよいかに関してシステムから受信されている場合に、正規性のモデルの階層を形成することが適切である場合がある。別個のセンサ又はセンサグループに関して作成される第１の段階の正常性モデル１５２は、それぞれ警報状態又はセンサ信号に同等な出力を提供し、分析システムはこれらの出力を特性データとして処理し、本発明に従ってデータを分析するために「複数の正常性モデルの１つの正常性モデル」１５４を引き出すためにこれらを使用してよい。

文脈上他の意味に解すべき場合は除き、説明及び請求項を通して、ワード「備える」、「備えている」等は、排他的又は包括的な意味とは対照的に包含的に、すなわち「を含むがこれに限定されるものではない」と解釈されなければならない。

センサシグナチャが状態監視プロセスに従って使用されてよい方法を示す図である。 センサシグナチャが状態監視プロセスに従って使用されてよい方法を示す図である。 センサシグナチャが状態監視プロセスに従って使用されてよい方法を示す図である。 センサシグナチャが状態監視プロセスに従って使用されてよい方法を示す図である。 状態監視中に使用されてよい閾値の種類のグラフによる説明である。 基準シグナチャから入信シグナチャの減算のグラフによる説明である。 誤差信号のための閾値の選択を描くグラフである。 センサオブジェクトのブロック図である。 センサグループオブジェクトのブロック図である。 本発明の実施形態によるデータ分析の図である。 センサ特性を示す本発明の実施形態によるデータ分析装置のグラフィックユーザインタフェース（ＧＵＩ）の例である。 センサネットワークを示す、本発明の実施形態によるデータ分析装置のグラフィックユーザインタフェース（ＧＵＩ）の例である。 本発明によるデータ分析の正常性モデルの構築を実例説明するフローチャートである。 本発明に従ってデータ分析中に正常性モデルを使用する異常な状態の検出を実例説明するフローチャートである。 複数の正常性モデルの内、１つの正常性モデルがどのようにして形成されるのかを示す図である。

Claims (11)

1. ダイナミックシステムの少なくとも１つの特性を監視するための監視システムからのデータを分析するための分析システムであって、前記分析システムが前記ダイナミックシステムに関して特性データを提供し、前記ダイナミックシステムは少なくとも１つの既知の正常な状態を有し、
   前記監視システムから特性データを受信するための第１の入力手段と、
   前記ダイナミックシステムが既知の正常な状態にあるときにオペレータからの確認情報を受信するための第２の入力手段と、
   受信された特性データ及び確認情報に応じて、１つ以上の既知の正常な状態を示すデータを備える正常性モデルを引き出すように配置される正常性モデル化手段と、
   前記正常性モデルのデータから将来の特性データを予測するように配置される予測生成手段と、
   予測された将来の特性データと受信された特性データの間の許容できる差異を示す差異関数を提供するように配置される差異関数提供手段と、
   前記差異関数と併せて予測された将来の特性データを受信された特性データに比較し、前記予測された将来の特性データと前記受信された特性データの間の前記差異が前記差異関数を超える場合に異常性信号を生じさせるように配置される比較手段と、
   を備える、分析システム。
2. ダイナミックシステムの少なくとも１つの特性を監視するための監視システムからのデータを分析するための分析システムであって、前記監視システムが前記ダイナミックシステムに関して特性データを提供し、前記ダイナミックシステムは状態の少なくとも１つの既知の正常なシーケンスを有し、
   前記監視システムから特性データを受信するための第１の入力手段と、
   前記ダイナミックシステムが状態の既知の通常のシーケンスに従って進むときにオペレータから確認情報を受信するための第２の入力手段と、
   受信された特性データと確認情報に応じて、状態の１つ以上の既知の正常なシーケンスを示すデータを含む正常性モデルを引き出すように配置される正常性モデル化手段と、
   正常性モデル内のデータから将来の特性データを予測するように配置される予測生成手段と、
   予測された将来の特性データと受信された特性データの間の受け入れ可能な差異を示す差異関数を提供するように配置される差異関数提供手段と、
   前記差異関数と併せて受信された特性データに予測された将来の特性データを比較し、前記予測された将来特性データと前記受信された特性データの間の前記差異が前記差異関数を超える場合に異常性信号を生じさせるように配置される比較手段と、
   を備える、分析システム。
3. 前記差異関数提供手段は所定の差異関数を提供する、請求項１又は２に記載の分析システム。
4. 前記差異関数提供手段は、受信された特性データ及び確認情報の存在又は不在から差異関数を引き出すための差異関数導出手段を備える、請求項１、２又は３に記載の分析システム。
5. 前記差異関数提供手段は、ダイナミックシステムが正常な状態にあるという確認情報が異常性信号に応えてオペレータから受信される場合に差異関数を更新するための差異関数更新手段を備える、請求項１、２、３又は４に記載の分析システム。
6. 前記差異関数提供手段はファジー論理を使用する、請求項１から５のいずれか１項に記載の分析システム。
7. 前記正常性モデル化手段は、受信された特性データ及びオペレータからの確認情報の有無に応じて正常性モデルを更新するための正常性モデル更新手段を備える、請求項１から６のいずれか１項に記載の分析システム。
8. 前記正常性モデルはファジーシステムである、請求項１から７のいずれか１項に記載の分析システム。
9. １つ以上の既知の異常な状態を示すデータを記憶するための異常状態記憶手段と、
   受信された特性データを異常状態記憶手段内のデータと比較し、受信された特性データが異常状態記憶手段のデータと一致する場合に異常性信号を生じさせるための異常性比較手段と、
   をさらに備える、請求項１から８のいずれか１項に記載の分析システム。
10. ダイナミックシステムの少なくとも１つの特性を監視する監視システムからのデータを分析し、それに関して特性データを提供する方法であって、前記ダイナミックシステムは少なくとも１つの既知の正常な状態を有し、
    前記監視システムから特性データを受信するステップと、
    前記ダイナミックシステムが既知の正常な状態のときにオペレータから確認情報を受信するステップと、
    前記受信された特性データと確認情報に応じて、既知の正常な状態を示すデータを備える正規性モデルを引き出すステップと、
    前記正規性モデルのデータに応じて将来の特性データを予測するステップと、
    予測された将来の特性データと受信された特性データの間の許容できる差異を示す差異関数を提供するステップと、
    前記差異関数と併せて実際に受信される特性データに予測された将来の特性データを比較するステップと、
    前記予測された将来の特性データと前記実際の受信された特性データの間の差異が差異関数を超える場合に異常性信号を生じさせるステップと、
    を含む、方法。
11. ダイナミックシステムの少なくとも１つの特性を監視する監視システムからデータを分析し、それに関して特性データを提供する方法であって、前記ダイナミックシステムは状態の少なくとも１つの既知の正常なシーケンスを有し、
    前記監視システムから特性データを受信するステップと、
    前記ダイナミックシステムが状態の既知の正常なシーケンスに従って進むときにオペレータから確認情報を受信するステップと、
    受信された特性データと確認情報に応じて、状態の既知の正常なシーケンスを示すデータを含む正常性モデルを引き出すステップと、
    前記正常性モデルのデータに応えて将来の特性データを予測するステップと、
    予測された将来の特性データと受信された特性データの間の許容できる差異を示す差異関数を提供するステップと、
    前記差異関数と併せて実際の受信された特性データに予測された将来の特性データを比較するステップと、
    前記予測された将来の特性データと前記実際の受信された特性データの間の差異が前記差異関数を超える場合に異常性信号を生じさせるステップと、
    を含む、方法。

Images