CN110603501B - 时间序列数据处理装置、时间序列数据处理系统以及时间序列数据处理方法 - Google Patents

时间序列数据处理装置、时间序列数据处理系统以及时间序列数据处理方法 Download PDF

Info

Publication number
CN110603501B
CN110603501B CN201780090426.2A CN201780090426A CN110603501B CN 110603501 B CN110603501 B CN 110603501B CN 201780090426 A CN201780090426 A CN 201780090426A CN 110603501 B CN110603501 B CN 110603501B
Authority
CN
China
Prior art keywords
time
series data
event
unit
waveform
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201780090426.2A
Other languages
English (en)
Other versions
CN110603501A (zh
Inventor
中村隆显
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mitsubishi Electric Corp
Original Assignee
Mitsubishi Electric Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Mitsubishi Electric Corp filed Critical Mitsubishi Electric Corp
Publication of CN110603501A publication Critical patent/CN110603501A/zh
Application granted granted Critical
Publication of CN110603501B publication Critical patent/CN110603501B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41835—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by programme execution
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/31—From computer integrated manufacturing till monitoring
    • G05B2219/31334—Database with devices, configuration, of plant

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Automation & Control Theory (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

事件波形提取部(3)从时间序列数据提取事件波形。同现度计算部(4)计算事件波形在时间序列数据间的同现度。组分类部(5)将时间序列数据分类成与事件波形的同现度对应的组。事件信息生成部(6)在组中包含的时间序列数据间判别事件波形的产生期间重合的时刻，根据判别出的时刻，生成确定与事件波形相关联的事件的事件信息。

Description

时间序列数据处理装置、时间序列数据处理系统以及时间序 列数据处理方法
技术领域
本发明涉及处理按照时间的经过由对象设备依次观察到的多个时间序列数据的时间序列数据处理装置、时间序列数据处理系统以及时间序列数据处理方法。
背景技术
在发电厂、化工厂、钢铁厂、自来水及污水处理厂等，引入控制工厂工艺的控制系统，在楼宇和车间的设备中，也引入控制空调、电气、照明、给排水等工艺的控制系统。
车间的设备、汽车、铁路车辆等中往往搭载有用于记录它们具备的设备的状态的记录系统。记录系统中蓄积有表示由传感器观测到的上述设备的按照时间的经过的状态的时间序列数据。
以往，是对上述时间序列数据的变化进行分析来检测对象设备的异常。例如存在如下的分析方法：比较从对象设备得到的最近的时间序列数据与过去对象设备正常运行时得到的时间序列数据，检测最近的时间序列数据中的举动与过去的时间序列数据不同的部分列数据，作为异常的候选。在此，在时间序列数据中，将与通常的举动不同的部分列数据称作“偏离”，将与实际的设备故障相关的事象称作“异常”。
在以往的上述分析方法中，检测将时间序列数据作为数值列处理时彻底与过去的值背离的“偏离”，因此，检测到的“偏离”未必与实际的设备故障相关。
相对于此，例如，在专利文献1记载的异常检测系统中，通过组合以时间序列数据为对象的偏离检测与以事件信息为对象的分析，将与设备故障有关的偏离判定为异常。事件信息是与作业者对设备的操作、设备发出的警告(不导致设备停止)、故障(导致设备停止)、定期检修等事件相关的信息。在组合了事件信息的分析的异常判定中，例如按照“与特定的事件同步地根据时间序列数据检测到的偏离并非异常”这样的条件，判定是否是与实际的设备故障相关的偏离。
现有技术文献
专利文献
专利文献1：日本特开2013-218725号公报
发明内容
发明要解决的课题
在使用上述专利文献1例示的现有技术中，如果不能确定对象设备中产生的事件，就不能进行与时间序列数据的偏离检测组合的分析，因此，前提是准备有确定对象设备中的事件的信息。
作为该信息，例如可举出在未产生事件时或对象设备停止时为“0”且产生事件时或对象设备运行时为“1”的数据。此外，上述信息可以是记录有事件的开始时刻和结束时刻的日志数据，也可以是表示以能够电子读取的状态记录的检修、清洁、维修计划的数据。
然而，根据对象设备的结构，往往没有准备上述信息，而且即使准备，该信息也被记录于纸介质而很难进行电子处理。
在该情况下，存在不能进行利用事件信息的数据处理的课题。
本发明解决上述课题，其目的在于，得到能够得到确定对象设备中的事件的事件信息的时间序列数据处理装置、时间序列数据处理系统以及时间序列数据处理方法。
用于解决课题的手段
本发明的时间序列数据处理装置具备事件波形提取部、同现度计算部、组分类部以及事件信息生成部。事件波形提取部从按照时间的经过从对象设备依次观测到的多个时间序列数据中，分别提取预计由于对象设备中产生的事件而变动的波形数据。同现度计算部计算由事件波形提取部提取出的波形数据在时间序列数据间的同现度。组分类部将时间序列数据分类成与由同现度计算部计算出的波形数据的同现度对应的组。事件信息生成部在由组分类部分类后的组中包含的时间序列数据间判别波形数据的产生期间重合的时刻，根据判别出的时刻，生成确定与波形数据相关的事件的事件信息。
发明效果
根据本发明，即使没有确定对象设备中的事件的信息，也能够使用由对象设备观测到的时间序列数据得到事件信息。
附图说明
图1是示出本发明的实施方式1的时间序列数据处理装置的结构的框图。
图2A是示出实现实施方式1的时间序列数据处理装置的功能的硬件结构的框图。图2B是示出执行实现实施方式1的时间序列数据处理装置的功能的软件的硬件结构的框图。
图3是示出实施方式1的时间序列数据处理装置的动作的流程图。
图4是示出时间序列数据的例子的图。
图5是示出时间序列数据的其他例子的图。
图6是示出事件波形提取部的输出信息的例子的图。
图7是示出同现度计算部的输出信息的例子的图。
图8是示出确定与事件波形相关联的事件的处理概要的图。
图9是示出事件信息的例子的图。
图10是示出异常判定处理的流程图。
图11是示出本发明的实施方式2的时间序列数据处理装置的结构的框图。
图12是示出信息编辑用画面的例子的图。
图13是示出组详细信息画面的例子的图。
图14是示出本发明的实施方式3中的事件时间序列数据的例子的图。
图15是示出实施方式3中的同现度计算部的输出信息的例子的图。
图16是示出本发明的实施方式4的时间序列数据处理装置的结构的框图。
具体实施方式
以下，为了更详细地说明本发明，基于附图对用于实施本发明的方式进行说明。
实施方式1
图1是示出本发明的实施方式1的时间序列数据处理装置1的结构的框图。如图1所示，作为生成事件信息的结构，时间序列数据处理装置1具备第1时间序列数据取得部2、事件波形提取部3、同现度计算部4、组分类部5、事件信息生成部6以及事件信息存储部7。此外，作为使用事件信息进行对象设备的异常检测的结构，时间序列数据处理装置1具备第2时间序列数据取得部8、检测部9、判定部10以及输出部11。
时间序列数据是表示由传感器按照时间的经过依次观测到的对象设备的状态的传感器数据列。对象设备具有发电厂、化工厂、自来水及污水处理厂等工厂的设备，而且，具有楼宇或车间的空调设备、电气设备、照明设备、给排水设备等。而且，也可以是车间生产线的设备、汽车或铁路车辆的设备，还可以是与经济或经营相关的信息系统的设备。
时间序列数据存储于控制对象设备的工艺的控制系统。
第1时间序列数据取得部2取得上述控制系统中蓄积的多个时间序列数据。由第1时间序列数据取得部2取得的时间序列数据是过去由设置于对象设备的传感器观测并蓄积的时间序列数据。
另外，在控制系统中蓄积的过去的时间序列数据中，除了事件引起数据值变动的时间序列数据以外，有时还包含异常引起数据值变动的时间序列数据。
而且，第1时间序列数据取得部2从上述控制系统取得在生成事件信息中使用的参数。上述参数可例举后述的时间序列数据的组分类中使用的阈值、根据组中的时间序列数据和事件波形决定事件条件时使用的阈值等。
事件波形提取部3从由第1时间序列数据取得部2取得的多个时间序列数据分别提取事件波形。
另外，事件波形是在时间序列数据中预计因对象设备中产生的事件而变动的波形数据(部分列数据)。
例如，事件波形提取部3提取在时间序列数据中值连续地上升或下降的部分列数据。不清楚在由事件波形提取部3提取出的时刻，该部分列数据的变动是事件引起的还是异常引起的。在以下的说明中，为了方便，将由事件波形提取部3提取出的波形数据记作事件波形。
同现度计算部4计算由事件波形提取部3提取出的事件波形在时间序列数据间的同现度。事件波形的同现度表示在时间序列数据间事件波形同现的程度。同现度计算部4对于由第1时间序列数据取得部2取得的全部时间序列数据，循环计算时间序列数据间的事件波形的同现度，以列表的方式输出计算结果。
组分类部5将时间序列数据分类成与由同现度计算部4计算出的事件波形的同现度对应的组。例如，组分类部5根据将由同现度计算部4计算出的同现度与阈值比较的结果，生成邻接矩阵，使用邻接矩阵进行分类，使得在相似的时刻产生事件波形的时间序列数据为相同的组。
事件信息生成部6在由组分类部5分类后的组中包含的时间序列数据间判别事件波形的产生期间重合的时刻，根据判别出的时刻，生成事件信息。事件信息是包含确定与事件波形相关联的事件的事件条件的信息。例如，事件信息包含事件的开始时刻和结束时刻、事件波形的持续期间、事件波形的记述统计量、事件波形的最大振幅和频率、事件波形的类型以及带模型。事件波形的记述统计量是记述构成事件波形的数据特征的统计量，具有平均值、标准偏差、数据范围等。
事件信息存储部7存储由事件信息生成部6生成的事件信息。在事件信息存储部7中，对应地存储有提取出事件波形的时间序列数据的标识符和用于确定与该事件波形相关的事件的事件信息。
第2时间序列数据取得部8从对象设备的控制系统取得多个时间序列数据。上述对象设备与第1时间序列数据取得部2取得时间序列数据的设备相同，但是，第2时间序列数据取得部8在对上述对象设备进行异常判定时，取得由设置于该对象设备的传感器观测到的时间序列数据。
而且，第2时间序列数据取得部8从上述控制系统取得在异常检测中使用的参数。上述参数可例举在时间序列数据的偏离检测中使用的阈值等。
检测部9从由第2时间序列数据取得部8取得的时间序列数据，检测属于异常范围的部分列数据即偏离数据。例如，检测部9使用由第2时间序列数据取得部8取得的参数值，检测属于异常范围的部分列数据。
另外，检测算法具有参考文献1记载的检测算法，但只要是能够确定时间序列数据的偏离的开始时刻和结束时刻的方法，也可以使用参考文献1记载的方法以外的方法。
(参考文献1)V.Chandola,D.Cheboli,and V.Kumar,“Detecting Anomalies in aTime Series Database”,Dept.of Computer Science and Engineering,Univ.OfMinnesota Technical Report,TR09-004(2009).
判定部10根据由检测部9检测到的偏离数据和由事件信息生成部6生成的事件信息，判定对象设备的异常。
例如，判定部10从事件信息存储部7读取与检测到偏离数据的时间序列数据对应的事件信息，比较读取出的事件信息表示的事件条件与偏离数据的特性信息。判定部10在偏离数据的特性不适合事件条件的情况下，判定为对象设备存在异常，在适合的情况下，判定为对象设备没有异常。
输出部11输出判定部10的异常判定结果。例如，可以在与时间序列数据处理装置1连接的显示器视觉性地输出，可以从与时间序列数据处理装置1连接的扬声器听觉性地输出。
在图1中，示出时间序列数据处理装置1具备生成事件信息的结构和使用事件信息进行对象设备的异常检测的结构双方的情况，但也可以是不同的装置具备这些结构。
例如，也可以是时间序列数据处理装置1具备生成事件信息的结构，与时间序列数据处理装置1分开设置的异常检测装置具备进行异常检测的结构。即，在实施方式1中还包含具备时间序列数据处理装置1和上述异常检测装置的时间序列数据处理系统。
此外，在图1中，示出事件信息存储部7是时间序列数据处理装置1的结构的情况，但事件信息存储部7也可以是与时间序列数据处理装置1分开设置的存储装置的结构。在该结构中，时间序列数据处理装置1的事件信息生成部6向上述存储装置输出事件信息并存储于事件信息存储部7。此外，时间序列数据处理装置1的判定部10访问上述存储装置的事件信息存储部7而读取事件信息。
图2A是示出实现时间序列数据处理装置1的功能的硬件结构的框图。在图2A中，处理电路200经由信号线201，与辅助存储装置202、输入接口(以下将接口记作IF)203和显示器接口204连接，输入接口203经由缆线205与输入装置206连接。显示器接口204经由缆线207与显示器208连接。图2B是示出执行实现时间序列数据处理装置1的功能的软件的硬件结构的框图。在图2B中，处理器209经由信号线201，与辅助存储装置202、输入接口203、显示器接口204以及存储器210连接。
事件信息存储部7可以构成于图2A和图2B所示的辅助存储装置202，暂时存储由第1时间序列数据取得部2和第2时间序列数据取得部8取得的时间序列数据和参数。
输入装置206是受理信息输入的装置，受理的输入信息经由输入接口203存储于辅助存储装置202。
图1所示的第1时间序列数据取得部2和第2时间序列数据取得部8具有将由输入装置206从对象设备的控制系统受理的信息存储于辅助存储装置202的功能。
显示器208经由显示器接口204输入信息并显示输入的信息。图1所示的输出部11具有将判定部10的异常判定结果显示于显示器208的功能。
时间序列数据处理装置1中的第1时间序列数据取得部2、事件波形提取部3、同现度计算部4、组分类部5、事件信息生成部6、事件信息存储部7、第2时间序列数据取得部8、检测部9、判定部10以及输出部11的各功能通过处理电路实现。即，时间序列数据处理装置1具备用于执行图3所示的步骤ST1～步骤ST7的处理的处理电路。处理电路可以是专用硬件，也可以是执行存储于存储器的程序的CPU(Central Processing Unit：中央处理单元)。
在处理电路是图2A所示的专用硬件的情况下，例如是单一电路、复合电路、程序化的处理器、并行程序化的处理器、ASIC(Application Specific Integrated Circuit：面向特定用途的集成电路)、FPGA(Field-Programmable Gate Array：现场可编程门阵列)或它们的组合。
可以通过不同的处理电路实现第1时间序列数据取得部2、事件波形提取部3、同现度计算部4、组分类部5、事件信息生成部6、事件信息存储部7、第2时间序列数据取得部8、检测部9、判定部10以及输出部11各自的功能，也可以通过一个处理电路统一实现这些功能。
在处理电路是图2B所示的处理器209的情况下，第1时间序列数据取得部2、事件波形提取部3、同现度计算部4、组分类部5、事件信息生成部6、事件信息存储部7、第2时间序列数据取得部8、检测部9、判定部10以及输出部11的各功能通过软件、固件或软件与固件的组合实现。软件或固件记作程序，存储于存储器210。
处理器209通过读取并执行存储于存储器210的程序，实现各部的功能。即，时间序列数据处理装置1具备存储器210，存储器210用于在通过处理器209执行时，存储结果是执行图3所示的步骤ST1～步骤ST7的处理的程序。这些程序使计算机执行第1时间序列数据取得部2、事件波形提取部3、同现度计算部4、组分类部5、事件信息生成部6、事件信息存储部7、第2时间序列数据取得部8、检测部9、判定部10以及输出部11的过程或方法。
存储器210例如是RAM(Random Access Memory：随机存取存储器)、ROM(Read OnlyMemory：只读存储器)、闪存、EPROM(Erasable Programmable Read Only Memory：可擦除可编程只读存储器)、EEPROM(Electrically-EPROM：电可擦除可编程只读存储器)等非易失性或易失性的半导体存储器、磁盘、软盘、光盘、高密度盘、迷你盘、DVD等。
对于第1时间序列数据取得部2、事件波形提取部3、同现度计算部4、组分类部5、事件信息生成部6、事件信息存储部7、第2时间序列数据取得部8、检测部9、判定部10以及输出部11的各功能，也可以通过专用硬件实现一部分，通过软件或固件实现一部分。
例如，也可以是，通过作为专用硬件的处理电路实现第1时间序列数据取得部2、事件波形提取部3、同现度计算部4、组分类部5、事件信息生成部6以及事件信息存储部7的功能，通过处理器209读取并执行存储于存储器210的程序，实现第2时间序列数据取得部8、检测部9、判定部10以及输出部11的功能。
这样，处理电路能够通过硬件、软件、固件或它们的组合分别实现上述功能。
接着，对动作进行说明。
图3是示出时间序列数据处理装置1的动作的流程图，示出从取得时间序列数据到生成事件信息的一系列处理。
第1时间序列数据取得部2取得时间序列数据和参数(步骤ST1)。第1时间序列数据取得部2取得过去由设置于对象设备的传感器观测并蓄积在控制系统中的时间序列数据，取得在生成事件信息中使用的参数。
接下来，事件波形提取部3输入由第1时间序列数据取得部2取得的多个时间序列数据，从输入的时间序列数据中提取事件波形(步骤ST2)。事件波形是因对象设备中产生的事件而变动的时间序列数据的部分列数据，例如有伴随着真空容器的密闭或敞开而变化的气压的数据、伴随着配管清洁而产生的振动的数据等。
构成事件波形的部分列数据的变动模式例如有以下的(A)～(D)。事件波形提取部3根据这些变动模式，能够从时间序列数据可靠地提取事件波形。
(A)数据值急剧上升或下降的变动模式。
(B)数据值的急剧的上升和下降反复的具有峰值的变动模式。
(C)在产生数据值的急剧的上升或下降后以小的变动量推移后，数据值再次急剧上升或下降的矩形波型的变动模式。
(D)以一定的振幅反复出现数据值的上升和下降的振动型的变动模式。
事件波形有时按照规则产生。
例如，有“每日上午0时开始10分钟”这样的每日单位的规则、“每月第2个星期五的下午8时”这样的日历上的日期时间的规则(具有4或5周的变动的规则)、“制造1000个产品”这样的运转状态的规则。此外，事件波形的产生时期有时根据对象设备的营业日、作业者或作业用器材的调度、事件的突发性等前后推移。
图4是示出时间序列数据的例子的图，示出由对象设备全年观测到的时间序列数据。图4所示的时间序列数据产生如下的事件波形：全年一边振动一边平缓地反复上升和下降，在每月前半月振幅为5以上的上或下的峰值。
图5是示出时间序列数据的其他例子的图，按照每周示出由对象设备每天观测到的时间序列数据。图5所示的时间序列数据平缓地反复上升和下降，作为事件波形，在每日前半天产生振幅为5～6的振动波形。
事件波形提取部3例如对时间序列数据实施参考文献2中记载的柱振动分析，提取事件波形。
在柱振动分析中，提取时间序列数据中的“数据值的急剧的上升或下降”，作为频率1的上升柱或下降柱。提取时间序列数据的峰值，作为频率2或-2的柱振动脉冲。提取时间序列数据的振动波形，作为在振动波形从上升柱开始的情况下频率3以上的柱振动脉冲，提取时间序列数据的振动波形，作为在振动波形从下降柱开始的情况下频率-3以下的柱振动脉冲。
(参考文献2)今村诚、中村隆显、柴田秀哉、平井规郎、北上真二、抚中达司，“时间序列数据中的柱振动分析”，信息处理学会论文集，vol.57，No.4，pp.1303-1318(2016)。
事件波形提取部3按照每个时间序列数据生成包含事件波形的开始时刻和结束时刻的列表信息(以下记作事件波形列表信息)，输出到同现度计算部4。
另外，事件波形列表信息的记录可以包含事件波形的类型、事件波形的持续期间、事件波形的记述统计量。事件波形的类型例如有产生峰值的峰值类型、产生振动波形的振动类型等。
图6是示出事件波形提取部3的输出信息的例子的图，示出事件波形列表信息的具体内容。图6所示的列表信息除了事件波形的开始时刻和结束时刻以外，还包含事件波形的持续期间、作为记述统计量的最大振幅、平均以及标准偏差、频率。
返回到图3的说明。
事件波形提取部3对于由第1时间序列数据取得部2取得的全部时间序列数据，确认是否进行了从时间序列数据提取事件波形的处理(步骤ST3)。在此，在存在未处理的时间序列数据的情况下(步骤ST3：否)，返回到步骤ST2反复进行前述的处理。
另一方面，在没有未处理的时间序列数据的情况下(步骤ST3：是)，事件波形提取部3将事件波形列表信息输出到同现度计算部4。
同现度计算部4根据上述事件波形列表信息，对于由第1时间序列数据取得部2取得的全部时间序列数据，循环计算时间序列数据间的事件波形的同现度(步骤ST4)。
在此，同现度计算部4根据上述事件波形列表信息中包含的事件波形的开始时刻和结束时刻，求出事件波形在时间序列数据间同时产生的次数，使用该次数计算同现度。
例如，在存在不同的时间序列数据A和时间序列数据B的情况下，根据下述式(1)～(3)计算时间序列数据A与时间序列数据B之间的事件波形的同现度。
但是，在下述式(1)～(3)中，事件波形的同时产生次数是事件波形在时间序列数据A与时间序列数据B之间同时产生的次数。
此外，同现度CA是表示因时间序列数据A中产生的事件波形而在时间序列数据B中同现事件波形的程度的第1同现度。
同现度CB是表示因时间序列数据B中产生的事件波形而在时间序列数据A中同现事件波形的程度的第2同现度。
同现度CAB是作为同现度CA与同现度CB的调和平均的第3同现度。
同现度计算部4可以输出同现度CA、同现度CB以及同现度CAB中的任意一个作为最终的同现度。由此，能够可靠地确定事件波形在时间序列数据间同现的程度。
CA＝事件波形的同时产生次数/时间序列数据A的事件波形的数量 (1)
CB＝事件波形的同时产生次数/时间序列数据B的事件波形的数量 (2)
CAB＝2*CA*CB/(CA+CB) (3)
另外，事件波形在时间序列数据A与时间序列数据B之间“同时产生”的意思是，事件波形在时间序列数据A中产生的期间与事件波形在时间序列数据B中产生的期间重合。
产生事件波形的期间重合的状态例如有以下(a)～(d)的状态。
(a)事件波形在时间序列数据A中产生的期间与事件波形在时间序列数据B中产生的期间完全重合的状态。
(b)事件波形在时间序列数据A和时间序列数据B中的一方产生的期间与事件波形在另一方产生的期间重合α％的状态。
(c)事件波形在时间序列数据A和时间序列数据B中的一方产生的期间与事件波形在另一方产生的期间在一点数据重合的状态。
(d)事件波形在时间序列数据A和时间序列数据B中的一方的结束时刻与事件波形在另一方的开始时刻之差在β以内的状态。
在时间序列数据中产生的变动花时间传播直到被传感器观测到为止的情况下，事件波形的开始时刻或结束时刻可能产生时移。
因此，在对于事件波形的产生可能产生时移的情况下，同现度计算部4可以选择上述(a)～(d)的状态中的任意一个，作为判断为事件波形同时产生的状态。
同现度计算部4在全部时间序列数据中，循环计算事件波形的同现度，生成作为计算结果而得到的同现度的列表信息(以下记作同现度列表信息)。同现度列表信息从同现度计算部4输出到组分类部5。图7是示出同现度计算部4的输出信息的例子的图，示出同现度列表信息的具体例。在同现度列表信息中，与被提取出事件波形的时间序列数据的标识符对应地设定事件波形在时间序列数据间的同现度。如图7所示，同现度列表信息也可以是以同现度为要素的矩阵形式的数据。
返回到图3的说明。
组分类部5根据同现度列表信息中的同现度，对由第1时间序列数据取得部2取得的多个时间序列数据进行分类，使得在相似的时刻产生事件波形的时间序列数据成为相同的组(步骤ST5)。
例如，组分类部5比较由第1时间序列数据取得部2取得的阈值γ与同现度列表信息中的同现度，生成同现度为阈值γ以上的要素为“1”且同现度小于阈值γ的要素为“0”的邻接矩阵。
接下来，组分类部5通过使用邻接矩阵的聚类分析，将时间序列数据分类成组。本聚类分析中，可以利用将邻接矩阵的1行直接视为向量的k平均法聚类分析、使用邻接矩阵的谱聚类分析、将邻接矩阵视为由节点和边构成的网络构造的社区检测等的方法。
此外，也可以按照时间序列数据的性质，选择在组间没有时间序列数据的重合的硬聚类分析和具有重合的软聚类分析中的任意方法。
组分类部5生成将与时间序列数据的标识符对应的事件波形列表信息和将时间序列数据分类后的组的标识符对应起来的列表信息(以下记作组列表信息)，输出到事件信息生成部6。
另外，如上所述，事件波形列表信息包含由事件波形提取部3生成的事件波形的开始时刻和结束时刻。
接下来，事件信息生成部6判别事件波形在组中包含的时间序列数据间同时产生的时刻，根据判别出的时刻，生成确定与事件波形相关联的事件的事件信息(步骤ST6)。由事件信息生成部6按照每个组执行步骤ST6的处理。
事件以具有规则性作为前提。规则性之一是与事件波形的产生时期相关的规则性。另一个是事件波形本身的规则性。
预计因对象设备中产生的事件而在一个时间序列数据中产生的事件波形为相同的类型。例如，时间序列数据A中的事件波形是上峰型，但时间序列数据B中的事件波形是振动型。
事件信息生成部6根据从组分类部5输入的组列表信息，按照每个组判别事件波形在组中包含的时间序列数据间同时产生的时刻。在此，“事件波形同时产生”是指事件波形的产生期间在组中包含的时间序列数据间重合的状态。
例如，可以判别事件波形在组中包含的全部时间序列数据中产生的时刻，也可以判别事件波形在组中包含的δ％以上的时间序列数据中产生的时刻。另外，δ是由第1时间序列数据取得部2取得的参数。
事件信息生成部6根据判别出的时刻，按“分”、“时”、“日”、“星期”这样的多个条件，生成与事件波形的产生时刻相关的直方图。
事件波形同时产生的时刻可以由事件波形的开始时刻、结束时刻、开始时刻与结束时刻中间的时刻或者它们的组合来表示。
这样生成的直方图的频数最大的等级(bin)是与事件波形相关联的事件的产生时刻的可能性高。
图8是示出确定与事件波形相关联的事件的处理的概要的图。
事件信息生成部6以图8的右侧所示的“时”、“日”、“星期”的三个条件分别生成与图8的左侧所示的时间序列数据中的事件波形的产生时刻相关的直方图。另外，在图8中，以事件波形的开始时刻与结束时刻之间的中央时刻表示事件波形同时产生的时刻。
在图8的右侧上段所示的“时”的直方图中，在上午1时频数最大。此外，在图8的右侧中段所示的“日”的直方图中，在以11日为中心8日～14日的期间成为相同程度的频数，但是，在图8的右侧下段所示的“星期”的直方图中，与星期二相当的日的频数最大。
事件信息生成部6根据这些直方图的分析结果，估计与事件波形相关联的事件在“每月第2个星期二的上午1时”产生这一个事件条件。由此，能够以统计的方式估计事件的产生时刻。
接下来，如果事件信息生成部6在“分”的条件下，生成与事件波形的开始时刻相关的直方图和与结束时刻相关的直方图，分别求出频数最大的bin，则例如还能够估计为上述事件“在从上午1时5分左右到1时20分左右之间产生”这样的事件条件。
而且，如果事件信息生成部6生成与事件波形的类型相关的直方图而求出频数最大的bin，则还能够估计事件波形的类型。
例如，事件信息生成部6生成在图8的左侧所示的时间序列数据中与由虚线包围的峰值数相关的直方图而求出频数最大的bin。此时，如果上峰的频数与下峰的频数同程度高，则能够估计事件波形的类型为上峰或下峰型。
虽然示出了求出直方图的频数最大的bin的情况，但是，即使求出频数为最大频数×ε％以上的bin，也能够使事件条件的估计具有宽度。
此外，在相对于全部bin的ζ％以上的bin的频数为最大频数×η％以上的直方图中，频数差不明显，因此，不适合事件条件的估计。因此，这样的直方图也可以不在事件条件的估计中使用。阈值ε、ζ、η是由第1时间序列数据取得部2取得的参数。
事件信息生成部6将估计出的事件条件作为事件信息，与时间序列数据的标识符对应地存储于事件信息存储部7。在事件信息中，也可以对事件的开始时刻和结束时刻加上事件波形列表信息中包含的信息。
如上所述，事件波形列表信息是在步骤ST2中由事件波形提取部3按照每个时间序列数据生成的列表信息，还包含事件波形的类型、事件波形的持续期间和事件波形的记述统计量。
图9是示出事件信息的例子的图，示出按照每个时间序列数据生成的事件信息。在图9所示的事件信息中，除了事件的开始时刻和结束时刻以外，还包含事件波形的类型和事件波形的记述统计量。在事件波形的记述统计量中，包含事件波形的持续期间、事件波形的最大振幅以及事件波形的上下变化量的平均值和标准偏差。此外，还可以包含参考文献3中记载的事件波形的带模型。由此，能够根据事件信息可靠地确定事件。
(参考文献3)国际公开第2016/116961号A1
返回到图3的说明。
在对一个组的步骤ST6的处理结束时，事件信息生成部6确认是否对由组分类部5分类后的全部组执行了上述处理(步骤ST7)。
如果有未处理的组(步骤ST7：否)，则事件信息生成部6返回到步骤ST6，对下一个组执行上述处理。
在对全部组执行了上述处理的情况下(步骤ST7：是)，图3的处理结束。
接下来，说明对象设备的异常判定。
图10是示出异常判定处理的流程图，示出从取得异常检测对象的设备得到的时间序列数据后到输出异常的检测结果的一系列处理。
第2时间序列数据取得部8从设置于异常检测对象设备的控制系统取得由该设备观测到的时间序列数据和参数(步骤ST1a)。例如，第2时间序列数据取得部8取得由设置于设备的传感器观测并蓄积在上述控制系统中的时间序列数据，进而取得在异常检测中使用的参数。
接下来，检测部9检测时间序列数据的偏离(步骤ST2a)。
例如，检测部9使用由第2时间序列数据取得部8取得的参数值，检测属于异常范围的部分列数据作为偏离。偏离的检测可以使用前述参考文献1中记载的方法。
接下来，判定部10根据由检测部9检测到的时间序列数据的偏离和由事件信息生成部6生成的事件信息，判定对象设备的异常(步骤ST3a)。例如，判定部10从事件信息存储部7读取与检测到偏离的时间序列数据对应的事件信息。接下来，判定部10比较由检测部9检测到的偏离的开始时刻和结束时刻、数据波形的类型和记述统计量、数据的每个时刻的值与读取的事件信息中包含的事件的开始时刻和结束时刻、事件波形的类型和事件波形的记述统计量、带模型。另外，还可以对这些全部进行比较，但也可以对任意的数据彼此进行比较。在根据比较的结果判断为偏离的特性不适合事件条件的情况下，判定部10判定为对象设备存在异常，在适合的情况下，判定为对象设备没有异常。
输出部11输出判定部10的异常判定结果作为检测结果(步骤ST4a)。在此，在由判定部10判定为对象设备没有异常时，输出部11不输出该结果，在判定为对象设备存在异常的情况下，输出异常检测结果。异常检测结果例如显示于图2A和图2B所示的显示器208。
如上所述，实施方式1的时间序列数据处理装置1将时间序列数据分类成与时间序列数据间的事件波形的同现度对应的组，提取在组中包含的时间序列数据间产生的期间重合的事件波形，生成确定与提取出的事件波形相关的事件的事件信息。
通过这样地构成，即使在没有确定对象设备中的事件的信息的情况下，也能够使用由对象设备观测到的时间序列数据得到事件信息。
实施方式1的时间序列数据处理装置1具备检测部9和判定部10。检测部9根据时间序列数据检测偏离数据。判定部10根据偏离数据和事件信息，判定对象设备的异常。通过这样地构成，能够进行组合以时间序列数据为对象的偏离检测与以事件信息为对象的分析而成的异常检测，能够提高异常检测的精度。
在实施方式1的时间序列数据处理装置1中，事件波形提取部3根据值连续地上升或下降的时间序列数据的部分列数据的组合提取事件波形。由此，能够根据时间序列数据可靠地提取事件波形。
在实施方式1的时间序列数据处理装置1中，事件信息生成部6根据事件波形的开始时刻和结束时刻、事件波形的持续期间、事件波形的记述统计量、事件波形的最大振幅和频率以及事件波形的类型，生成事件信息。由此，能够根据事件信息可靠地确定事件。
在实施方式1的时间序列数据处理装置1中，同现度计算部4计算按照上述式(1)计算出的同现度CA、按照上述式(2)计算出的同现度CB、按照上述式(3)计算出的同现度CAB中的任意一个。由此，能够可靠地确定事件波形在时间序列数据间同现的程度。
在实施方式1的时间序列数据处理装置1中，事件信息生成部6计算与时间序列数据中的事件波形的产生时刻相关的直方图，将直方图的频数最大的等级的时刻估计为与事件波形相关联的事件的产生时刻。由此，能够正确地估计事件的产生时刻。
在实施方式1的时间序列数据处理装置1中，事件信息生成部6生成包含事件的开始时刻和结束时刻的事件信息，或者，生成除了事件的开始时刻和结束时刻以外还包含事件波形的持续期间、事件波形的记述统计量、事件波形的最大振幅和频率、事件波形的类型以及带模型中的至少一个的事件信息。这样，能够根据事件信息可靠地确定事件。
实施方式2
由在实施方式1中求出的事件信息确定的事件是根据时间序列数据以统计的方式估计出的事件，但是，在实施方式2中，能够编辑在事件信息的生成中使用的信息。由此，例如，能够使具有与对象设备相关的专门知识的人对事件条件的判断反映于事件信息，能够高精度地确定对象设备中产生的事件。
图11是示出本发明的实施方式2的时间序列数据处理装置1A的结构的框图。在图11中，对与图1相同的构成要素标注相同标号并省略说明。另外，时间序列数据处理装置1A的特征在于生成事件信息的结构，因此，在图11中，没有记载进行异常检测的结构即第2时间序列数据取得部8、检测部9、判定部10以及输出部11。
时间序列数据处理装置1A除了实施方式1中所示的结构以外，还具备提示部12、操作输入部13以及编辑部14。
提示部12提示由组分类部5分类后的多个组分别包含的与事件波形相关的信息。另外，与事件波形相关的信息是实施方式1中所示的组列表信息。
例如，提示部12将记载有组列表信息中包含的信息的信息编辑用画面显示于图2A和图2B所示的显示器208。
提示部12提示的信息可例举组列表、组中包含的时间序列数据列表、时间序列数据的曲线图、时间序列数据中包含的事件波形列表、与事件波形的产生时刻相关的直方图以及带模型。
操作输入部13受理对提示部12的提示内容的操作。
例如，操作输入部13受理使用图2A和图2B所示的输入装置206的对由提示部12提示的信息的操作，将表示该操作内容的信号输出到编辑部14。这样，利用提示部12和操作输入部13提供信息编辑用的图形用户画面(以下简称作GUI)。
编辑部14根据由操作输入部13受理的操作，编辑由提示部12提示的信息。
例如，在由提示部12提示组中包含的时间序列数据列表且由操作输入部13受理删除时间序列数据的操作的情况下，编辑部14从上述列表中删除相应的时间序列数据。这样，对在事件信息的生成中使用的组列表信息进行编辑。
图12是示出由提示部12提示的信息编辑用画面的例子的图。在图12所示的画面中包含由组分类部5分类后的组列表、从组列表中选择出的组中包含的时间序列数据列表以及时间序列数据的曲线图。
例如，提示部12根据组列表信息，生成并提示图12所示的信息编辑用画面。如实施方式1中说明的那样，组列表信息是将与时间序列数据的标识符对应的事件波形相关的信息和将时间序列数据分类后的组的标识符对应起来的信息。
在使用输入装置206从组列表中选择“组1”时，操作输入部13将表示该选择操作的信号输出到提示部12。提示部12根据从操作输入部13输入的上述信号，将“组1”中包含的时间序列数据A～C显示于时间序列数据列表，而且，显示时间序列数据A～C的波形的曲线图。由此，用户能够确认分类成组的时间序列数据。
提示部12也可以在组中包含的时间序列数据的曲线图中，增强显示由事件波形提取部3提取出的事件波形以及在组中包含的时间序列数据间同时产生的事件波形。在图12的例子中，在时间序列数据A的曲线图中，箭头表示的波形(峰值)是不产生于时间序列数据B、C且未在时间序列数据间同时产生的事件波形。另一方面，由虚线包围的峰值是在时间序列数据A～C中同时产生的事件波形。
这样通过用虚线包围等增强显示，容易辨认时间序列数据A～C中同时产生的事件波形。
提示部12将信息的删除按钮a、信息的追加按钮b、组详细信息按钮c显示于信息编辑用画面。
例如，在使用输入装置206选择组列表中的组或时间序列数据列表中的时间序列数据后按下删除按钮a时，操作输入部13将表示该操作的信号输出到提示部12和编辑部14。
提示部12根据从操作输入部13输入的上述信号，在信息编辑用的画面中，删除选择出的组或选择出的时间序列数据。在删除时间序列数据的情况下，时间序列数据的曲线图也被删除。
编辑部14根据从操作输入部13输入的上述信号，从由组分类部5分类后的组中删除选择出的组，或者从组中包含的时间序列数据中删除选择出的时间序列数据。
例如，在使用输入装置206且按下追加按钮b的情况下，操作输入部13将表示该操作的信号输出到提示部12和编辑部14。
提示部12根据从操作输入部13输入的上述信号，使用信息编辑用的画面，显示未被分类到选择出的组的时间序列数据列表。
据此，在使用输入装置206从上述时间序列数据列表选择时间序列数据后接着按下追加按钮b时，操作输入部13将表示该操作的信号输出到提示部12和编辑部14。
提示部12根据从操作输入部13输入的上述信号，在信息编辑用的画面中，将选择出的时间序列数据追加到选择出的组。在追加时间序列数据时，追加的时间序列数据的曲线图也由提示部12显示。
编辑部14根据从操作输入部13输入的上述信号，对由组分类部5分类后的组中的选择出的组，追加选择出的时间序列数据。这样，通过具有与对象设备相关的专门知识的人的判断，能够在事件信息的生成中使用的信息中取舍选择组和时间序列数据。
在使用输入装置206选择组列表的组，接着按下组详细信息按钮c时，操作输入部13将表示该操作的信号输出到提示部12。提示部12根据从操作输入部13输入的上述信号，将画面显示从信息编辑用画面转移到组详细信息画面。
组详细信息画面是与选择出的组相关的详细信息的编辑用画面。组详细信息画面例如包含组中包含的时间序列数据列表、时间序列数据的曲线图、与时间序列数据中包含的事件波形相关的信息、与事件波形的产生时期相关的直方图及其分析结果。
图13是示出组详细信息画面的例子的图。如图13所示，在组详细信息画面中，除了时间序列数据列表A1、时间序列数据的曲线图A2以及事件波形列表A3，还显示直方图A4、带模型A5以及统计量的值域A6，而且还显示有事件条件确定按钮d。
时间序列数据列表A1是从图12所示的组列表中选择出的组中包含的时间序列数据列表。时间序列数据A的曲线图A2是从时间序列数据列表A1中选择出的时间序列数据A的曲线图，在图13中，在时间序列数据A与时间序列数据B、C之间同时产生的事件波形(峰值)由虚线包围来增强显示。另外，时间序列数据列表A1和曲线图A2由组列表信息中包含的信息构成。
事件波形列表A3是时间序列数据A中包含的事件波形列表。
例如，在事件波形列表A3中，显示事件波形的开始时刻和结束时刻、持续期间、最大振幅、上下变化量的平均值以及标准偏差这样的事件波形的记述统计量、频率、事件波形类型。另外，事件波形列表A3由组列表信息中包含的信息构成。
直方图A4是与事件波形的产生时刻以及类型相关的直方图。在图13的例子中，以“时”、“日”、“星期”的三个条件显示有与事件波形的产生时刻相关的直方图、与事件波形的类型相关的直方图。而且，在这些直方图中分别显示有事件信息生成部6对事件条件的估计结果。由事件信息生成部6使用组列表信息生成直方图A4。
带模型A5是事件波形的带模型。此外，在统计量的值域A6中设定有显示于事件波形列表A3的各种统计量的值域。带模型A5以及统计量的值域A6是由事件信息生成部6使用组列表信息生成的信息。事件条件确定按钮d是用于确定编辑后的事件条件的按钮。
用户能够使用输入装置206从事件波形列表A3中选择与实际的事件相关的事件波形并用于事件信息的生成。由提示部12提示与从事件波形列表A3中选择出的事件波形对应的直方图A4、带模型A5以及统计量的值域A6。
在用户使用输入装置206输入与直方图A4、带模型A5以及统计量的值域A6相关的设定值时，由操作输入部13受理该值并输出到提示部12和编辑部14。提示部12用从操作输入部13输入的值互动更新组详细信息画面中的直方图A4、带模型A5以及统计量的值域A6的值。而且，编辑部14用由操作输入部13受理的值更新直方图A4、带模型A5以及统计量的值域A6表示的信息并输出到事件信息生成部6。
在使用输入装置206选择直方图A4中的一个以上的直方图的bin时，操作输入部13将表示该操作的信号输出到提示部12。提示部12可以根据从操作输入部13输入的上述信号，切换事件波形列表A3中的事件波形的选择与非选择的状态。此时，提示部12也可以显示与设为选择状态的事件波形共同的事件条件的估计结果。例如，在图13中，作为与选择状态的事件波形共同的事件条件的估计结果，事件波形的产生时刻的估计值显示于方框A4-1，事件波形产生的期间的估计范围显示于方框A4-2，产生事件波形的星期的估计结果显示于方框A4-3，事件波形类型的估计结果显示于方框A4-4。另外，也可以使用输入装置206进行估计结果的变更。使用输入装置206的变更通过编辑部14反映于在事件信息的生成中使用的信息。
在使用输入装置206按下事件条件确定按钮d的情况下，编辑部14结束由提示部12提示的事件条件的估计信息的编辑。事件信息生成部6使用由编辑部14编辑后的上述信息，再次估计与事件波形相关联的事件的事件条件。包含这样估计出的事件条件的事件信息存储于事件信息存储部7。
在事件信息存储部7中，可以按照每个时间序列数据存储事件信息。
此外，也可以按照每个组统一确定组中共同的事件条件例如事件的产生时刻等，按照每个时间序列数据存储于事件信息存储部7。
另外，有时多个事件与一个时间序列数据关联。
在该情况下，事件信息生成部6估计与多个事件中的第1个事件相关的事件条件，编辑部14如上所述确定估计出的事件条件。之后，事件信息生成部6删除关于与确定事件条件的事件相关的事件波形的信息。可以按同样的顺序，确定与从第2个起的事件相关的事件条件。
如上所述，实施方式2的时间序列数据处理装置1A具备提示部12、操作输入部13以及编辑部14。提示部12提示与由组分类部5分类后的多个组分别包含的事件波形相关的信息。操作输入部13受理对提示部12的提示内容的信息输入。编辑部14使用由操作输入部13受理的信息，编辑由提示部12提示的信息并输出到事件信息生成部6。例如，提示部12提示组列表、组中包含的时间序列数据列表、时间序列数据的曲线图、时间序列数据中包含的事件波形列表、与事件波形的产生时刻相关的直方图以及带模型中的至少一个。
由此，能够编辑在事件信息的生成中使用的信息。例如，能够使具有与对象设备相关的专门知识的人对事件条件的判断反映于事件信息，能够高精度地确定对象设备中产生的事件。
实施方式3
在实施方式3中，使用事件时间序列数据来计算事件波形的同现度。事件时间序列数据是表示每个时刻的事件波形的产生次数的数据。
如上所述，在实施方式3的时间序列数据处理装置中，同现度计算部进行与实施方式1、2不同的动作，但基本的结构与实施方式1相同。因此，以下设图1所示的结构是实施方式3的时间序列数据处理装置的结构进行说明。此外，直到生成事件信息为止的处理流程与图3相同。
图14是示出实施方式3中的事件时间序列数据的例子的图。如图14所示，事件时间序列数据能够以横轴为日期时刻、纵轴为事件波形的产生次数的曲线图表示。
同现度计算部4首先生成事件波形的产生次数为“0”的事件时间序列数据。接下来，同现度计算部4在与生成的事件时间序列数据的事件波形的产生时刻对应的纵轴数据加上“1”。
事件波形的产生时刻可以是事件波形的开始时刻、事件波形的结束时刻、事件波形的开始时刻与结束时刻之间的中间时刻、事件波形的值最大或最小的峰值时刻中的任意时刻。
此外，同现度计算部4可以在与事件时间序列数据中的事件波形的开始时刻～结束时刻的各个时刻对应的纵轴数据加上“1”。
而且，同现度计算部4也可以加上乘以权重而得到的值，使得事件时间序列数据中的与中间时刻或峰值时刻对应的纵轴数据最大，在事件波形的整个期间内纵轴数据为“1”。例如，当事件波形在上午1时至上午3时产生的情况下，在与上午1时对应的纵轴数据加上0.25，在与中间时刻即上午2时对应的纵轴数据加上0.5，在与上午3时对应的纵轴数据加上0.25。
另外，根据事件波形的提取方法，在提取出的事件波形的开始时刻和结束时刻与实际产生的事件波形的开始时刻和结束时刻之间可能产生误差。因此，如上所述，同现度计算部4在加上乘以权重而得到的值，使得与中间时刻或峰值时刻对应的纵轴数据最大且在事件波形的整个期间内纵轴数据为“1”的情况下，可以考虑k的误差，减小事件波形的开始时刻和结束时刻前后的贡献。
接下来，同现度计算部4从如上所述生成的事件时间序列数据中确定事件产生期间的候选。例如，同现度计算部4比较阈值θ与事件时间序列数据中的事件波形的产生次数，将事件波形的产生次数为阈值θ以上的期间作为事件产生期间的候选。
此外，也可以将事件波形产生次数的最大值×θ％以上的事件波形的产生次数的期间作为事件产生期间的候选。
而且，也可以选择事件波形的产生次数，使得事件产生期间的全部候选的数量在θ个以下且最大。
也可以在事件波形的产生次数连续为阈值以上的期间内，将连续的时刻统一视为一个事件产生期间的候选。
接下来，同现度计算部4在由第1时间序列数据取得部2取得的多个时间序列数据中，分别枚举在特定的候选期间内是否产生事件波形。例如，同现度计算部4在事件产生期间的候选中，生成如果产生事件波形则为“1”且如果未产生则为“0”的数值数据，作为枚举的结果。或者，同现度计算部4也可以生成如果事件产生期间的候选与事件波形的产生期间完全重合则为“1”，并且与上述期间重合的比例相应地分配0～1的小数值而成的数值数据。
同现度计算部4根据每个时间序列数据的上述数值数据生成列表信息。
图15是示出实施方式3中的同现度计算部4的输出信息的例子的图，示出前述的列表信息。在图15所示的时间序列数据A的记录中，由于在事件产生期间的候选中产生事件波形a而设定“1”，由于在事件产生期间的候选中未产生事件波形c而设定“0”。
组分类部5根据上述列表信息，对由第1时间序列数据取得部2取得的多个时间序列数据进行分类，使得在相似的时刻产生事件波形的时间序列数据为相同的组。
例如，组分类部5可以通过将上述列表信息的1行(时间序列数据的记录信息)直接视为向量的k平均法聚类分析，将时间序列数据分类成组。
此外，组分类部5也可以将上述列表信息的1行视为向量，循环地计算时间序列数据间的距离，生成邻接矩阵，通过使用生成的邻接矩阵的谱聚类分析、将邻接矩阵视为由节点和边构成的网络构造的社区检测等方法，将时间序列数据分类成组。
如上所述，在实施方式3的时间序列数据处理装置1中，同现度计算部4生成表示多个时间序列数据的每个时刻的事件波形的产生次数的事件时间序列数据。同现度计算部4根据事件时间序列数据表示的事件波形的产生次数，确定事件产生时刻的候选，计算表示在确定的候选时刻是否产生事件波形的数值数据。这样，也能够可靠地确定事件波形在时间序列数据间同现的程度。
实施方式4
在实施方式1中，是提取从过去的时间序列数据中提取出的峰值或上升和下降的模型作为事件波形，但是，在实施方式4中，根据过去的时间序列数据检测属于异常范围的部分列数据即偏离数据，将检测到的偏离数据作为事件波形。
图16是示出本发明的实施方式4的时间序列数据处理装置1B的结构的框图。如图16所示，在时间序列数据处理装置1B中，实施方式1所示的时间序列数据处理装置1中的事件波形提取部3替换成检测部9A。事件波形由于是数据值急剧变化的波形，因此，容易检测为偏离数据。
因此，检测部9A根据由第1时间序列数据取得部2取得的多个时间序列数据分别检测偏离数据。
例如，检测部9A可以以由第1时间序列数据取得部2取得的全部时间序列数据为对象，进行偏离数据的检测，将与检测到的偏离数据相关的信息输出到同现度计算部4A。与输出到同现度计算部4A的偏离数据相关的信息相当于实施方式1所示的事件波形列表信息。
此外，检测部9A将由第1时间序列数据取得部2取得的过去的时间序列数据分割成多个区间，将这些区间中的某个区间的时间序列数据作为异常判定的对象进行偏离数据的检测，将剩余区间的时间序列数据作为在事件信息的生成中使用的对象进行偏离数据的检测。
接下来，检测部9A将从上述剩余区间中选择出的区间的时间序列数据作为异常判定的对象进行偏离数据的检测，而且将剩余区间的时间序列数据作为在事件信息的生成中使用的对象进行偏离数据的检测。
这样，检测部9A可以反复进行上述处理，直到将最初分割的全部区间的时间序列数据作为异常判定的对象进行偏离数据的检测为止。
同现度计算部4A计算由检测部9A检测到的偏离数据的时间序列数据间的同现度。例如，同现度计算部4A将与偏离数据相关的信息视为与事件波形相关的信息，与实施方式1中所示的方法同样地计算同现度。
组分类部5将时间序列数据分类成与由同现度计算部4A计算出的同现度对应的组。
事件信息生成部6A在由组分类部5分类后的组中包含的时间序列数据间判别偏离数据的产生期间重合的时刻，根据判别出的时刻，生成确定与偏离数据相关联的事件的事件信息。例如，事件信息生成部6A将与偏离数据相关的信息视为与事件波形相关的信息，与实施方式1所示的方法同样地生成事件信息。
如上所述，实施方式4的时间序列数据处理装置1B具备检测部9A、同现度计算部4A、组分类部5以及事件信息生成部6A。检测部9A根据多个时间序列数据分别检测偏离数据。同现度计算部4A计算偏离数据在时间序列数据间的同现度。组分类部5将时间序列数据分类成与偏离数据的同现度对应的组。事件信息生成部6A在组中包含的时间序列数据间判别偏离数据的产生期间重合的时刻，根据判别出的时刻，生成确定与偏离数据相关联的事件的事件信息。
通过这样地构成，即使在没有确定对象设备中的事件的信息的情况下，也能够使用由对象设备观测到的时间序列数据得到事件信息。
另外，本发明能够在其发明范围内进行各实施方式的自由组合或各实施方式的任意构成要素的变形，或者在各实施方式中省略任意构成要素。
产业上的可利用性
本发明的时间序列数据处理装置即使没有确定对象设备中的事件的信息，也能够使用由对象设备观测到的时间序列数据得到事件信息，因此，能够用于各种设备的异常检测。
标号说明
1、1A、1B：时间序列数据处理装置；2：第1时间序列数据取得部；3：事件波形提取部；4、4A：同现度计算部；5：组分类部；6、6A：事件信息生成部；7：事件信息存储部；8：第2时间序列数据取得部；9、9A：检测部；10：判定部；11：输出部；12：提示部；13：操作输入部；14：编辑部；200：处理电路；201：信号线；202：辅助存储装置；203：输入接口；204：显示器接口；205、207：缆线；206：输入装置；208：显示器；209：处理器；210：存储器。

Claims (14)

1.一种时间序列数据处理装置，其特征在于，该时间序列数据处理装置具备：
事件波形提取部，其从按照时间的经过从对象设备依次观测到的多个时间序列数据中，分别提取预计由于所述对象设备中产生的事件而变动的波形数据；
同现度计算部，其计算由所述事件波形提取部提取出的所述波形数据在时间序列数据间的同现度；
组分类部，其将时间序列数据分类成与由所述同现度计算部计算出的所述波形数据的同现度对应的组；以及
事件信息生成部，其在由所述组分类部分类后的组中包含的时间序列数据间判别所述波形数据的产生期间重合的时刻，根据判别出的时刻，生成确定与所述波形数据相关联的事件的事件信息。
2.根据权利要求1所述的时间序列数据处理装置，其特征在于，
所述时间序列数据处理装置具备：
检测部，其从时间序列数据检测属于异常范围的部分列数据即偏离数据；以及
判定部，其根据由所述检测部检测到的偏离数据和由所述事件信息生成部生成的事件信息，判定所述对象设备的异常。
3.根据权利要求1所述的时间序列数据处理装置，其特征在于，
所述事件波形提取部根据值连续地上升或下降的时间序列数据的部分列数据的组合，提取所述波形数据。
4.根据权利要求1所述的时间序列数据处理装置，其特征在于，
所述事件信息生成部根据所述波形数据的开始时刻和结束时刻、所述波形数据的持续期间、所述波形数据的记述统计量、所述波形数据的最大振幅和频率以及所述波形数据的类型，生成事件信息。
5.根据权利要求1所述的时间序列数据处理装置，其特征在于，
所述同现度计算部计算第1同现度、第2同现度和第3同现度中的任意同现度，所述第1同现度是在时间序列数据间产生所述波形数据的期间重合的次数除以在时间序列数据间的一方产生的所述波形数据的数量而得到的值，所述第2同现度是在时间序列数据间产生所述波形数据的期间重合的次数除以在时间序列数据间的另一方产生的所述波形数据的数量而得到的值，所述第3同现度是所述第1同现度与所述第2同现度的调和平均。
6.根据权利要求1所述的时间序列数据处理装置，其特征在于，
所述同现度计算部生成表示时间序列数据的每个时刻的所述波形数据的产生次数的事件时间序列数据，根据事件时间序列数据表示的事件波形的产生次数，确定事件产生期间的候选，计算表示在确定出的候选期间是否产生了所述波形数据的数值数据，作为所述波形数据的同现度。
7.根据权利要求1所述的时间序列数据处理装置，其特征在于，
所述事件信息生成部计算与时间序列数据中的所述波形数据的产生时刻有关的直方图，将直方图的频数最大的等级的时刻估计为与所述波形数据相关联的事件的产生时刻。
8.根据权利要求1所述的时间序列数据处理装置，其特征在于，
所述事件信息生成部生成包含事件的开始时刻和结束时刻的事件信息，或者生成除了事件的开始时刻和结束时刻以外还包含所述波形数据的持续期间、所述波形数据的记述统计量、所述波形数据的最大振幅和频率、所述波形数据的类型以及带模型中的至少一个的事件信息。
9.根据权利要求1所述的时间序列数据处理装置，其特征在于，
所述时间序列数据处理装置具备：
提示部，其提示与由所述组分类部分类后的多个组分别包含的所述波形数据相关的信息；
操作输入部，其受理对所述提示部的提示内容的操作输入；以及
编辑部，其根据由所述操作输入部受理的操作输入，编辑由所述提示部提示的信息并输出到所述事件信息生成部。
10.根据权利要求9所述的时间序列数据处理装置，其特征在于，
所述提示部提示组列表、组中包含的时间序列数据的列表、所述波形数据的曲线图、在组中包含的时间序列数据间产生期间重合的所述波形数据、时间序列数据中包含的所述波形数据的列表、与所述波形数据的产生时刻相关的直方图以及带模型中的至少一个。
11.一种时间序列数据处理装置，其特征在于，该时间序列数据处理装置具备：
检测部，其从按照时间的经过从对象设备依次观测到的多个时间序列数据中，分别检测属于异常范围的部分列数据即偏离数据；
同现度计算部，其计算由所述检测部检测到的偏离数据在时间序列数据间的同现度；
组分类部，其将时间序列数据分类成与由所述同现度计算部计算出的偏离数据的同现度对应的组；以及
事件信息生成部，其在由所述组分类部分类后的组中包含的时间序列数据间判别偏离数据的产生期间重合的时刻，根据判别出的时刻，生成确定与偏离数据相关联的事件的事件信息。
12.一种时间序列数据处理系统，其特征在于，该时间序列数据处理系统具备：
事件波形提取部，其从按照时间的经过从对象设备依次观测到的多个时间序列数据中，分别提取预计由于所述对象设备中产生的事件而变动的波形数据；
同现度计算部，其计算由所述事件波形提取部提取出的所述波形数据在时间序列数据间的同现度；
组分类部，其将时间序列数据分类成与由所述同现度计算部计算出的所述波形数据的同现度对应的组；
事件信息生成部，其在由所述组分类部分类后的组中包含的时间序列数据间判别所述波形数据的产生期间重合的时刻，根据判别出的时刻，生成确定与所述波形数据相关联的事件的事件信息；
检测部，其从时间序列数据检测属于异常范围的部分列数据即偏离数据；以及
判定部，其根据由所述检测部检测到的偏离数据和由所述事件信息生成部生成的事件信息，判定所述对象设备的异常。
13.一种时间序列数据处理方法，其特征在于，该时间序列数据处理方法包含以下步骤：
事件波形提取部从按照时间的经过从对象设备依次观测到的多个时间序列数据中，分别提取预计由于所述对象设备中产生的事件而变动的波形数据；
同现度计算部计算由所述事件波形提取部提取出的所述波形数据在时间序列数据间的同现度；
组分类部将时间序列数据分类成与由所述同现度计算部计算出的所述波形数据的同现度对应的组；以及
事件信息生成部在由所述组分类部分类后的组中包含的时间序列数据间判别所述波形数据的产生期间重合的时刻，根据判别出的时刻，生成确定与所述波形数据相关联的事件的事件信息。
14.根据权利要求13所述的时间序列数据处理方法，其特征在于，该时间序列数据处理方法包含以下步骤：
检测部从时间序列数据检测属于异常范围的部分列数据即偏离数据；以及
判定部根据由所述检测部检测到的偏离数据和由所述事件信息生成部生成的事件信息，判定所述对象设备的异常。
CN201780090426.2A 2017-05-12 2017-05-12 时间序列数据处理装置、时间序列数据处理系统以及时间序列数据处理方法 Active CN110603501B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2017/018033 WO2018207350A1 (ja) 2017-05-12 2017-05-12 時系列データ処理装置、時系列データ処理システムおよび時系列データ処理方法

Publications (2)

Publication Number Publication Date
CN110603501A CN110603501A (zh) 2019-12-20
CN110603501B true CN110603501B (zh) 2022-02-22

Family

ID=64105089

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780090426.2A Active CN110603501B (zh) 2017-05-12 2017-05-12 时间序列数据处理装置、时间序列数据处理系统以及时间序列数据处理方法

Country Status (8)

Country Link
US (1) US11531688B2 (zh)
EP (1) EP3588222B1 (zh)
JP (1) JP6661052B2 (zh)
CN (1) CN110603501B (zh)
BR (1) BR112019020077A2 (zh)
PH (1) PH12019502084A1 (zh)
RU (1) RU2019139907A (zh)
WO (1) WO2018207350A1 (zh)

Families Citing this family (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6528869B1 (ja) * 2018-02-13 2019-06-12 オムロン株式会社 セッション制御装置、セッション制御方法及びプログラム
US10904113B2 (en) * 2018-06-26 2021-01-26 Microsoft Technology Licensing, Llc Insight ranking based on detected time-series changes
US11221607B2 (en) * 2018-11-13 2022-01-11 Rockwell Automation Technologies, Inc. Systems and methods for analyzing stream-based data for asset operation
CN113168171B (zh) * 2018-12-05 2023-09-19 三菱电机株式会社 异常探测装置以及异常探测方法
US20220121191A1 (en) * 2019-02-14 2022-04-21 Nec Corporation Time-series data processing method
WO2020188636A1 (ja) * 2019-03-15 2020-09-24 三菱電機株式会社 すべり量予測装置及びすべり量予測方法
US20220276945A1 (en) * 2019-07-29 2022-09-01 Nec Corporation Estimation apparatus, estimation method, and non-transitory computer readable medium
KR102298414B1 (ko) * 2019-12-16 2021-09-06 주식회사 카카오 캘린더 서비스를 제공하는 방법 및 그 장치
US11562274B2 (en) * 2019-12-23 2023-01-24 United States Of America As Represented By The Secretary Of The Navy Method for improving maintenance of complex systems
CN111274256B (zh) * 2020-01-20 2023-09-12 远景智能国际私人投资有限公司 基于时序数据库的资源管控方法、装置、设备及存储介质
KR102455758B1 (ko) * 2020-01-30 2022-10-17 가부시키가이샤 스크린 홀딩스 데이터 처리 방법, 데이터 처리 장치 및 기억 매체
WO2021171387A1 (ja) * 2020-02-26 2021-09-02 三菱電機株式会社 関係分析装置、関係分析方法、及び、関係分析プログラム
CN115398366A (zh) * 2020-04-18 2022-11-25 三菱电机株式会社 日志数据显示程序、日志数据显示装置及日志数据显示方法
US11100689B1 (en) * 2020-06-02 2021-08-24 Honeywell Federal Manufacturing & Technologies, Llc Method for determining a histogram of variable sample rate waveforms
US20230185289A1 (en) * 2020-06-05 2023-06-15 Mitsubishi Electric Corporation Abnormality symptom analyzing device
WO2022003969A1 (ja) * 2020-07-03 2022-01-06 三菱電機株式会社 データ処理装置及びデータ処理方法
JP7414678B2 (ja) * 2020-09-15 2024-01-16 株式会社東芝 情報処理装置、情報処理方法、およびプログラム
JP7558741B2 (ja) * 2020-10-01 2024-10-01 キヤノン株式会社 情報処理方法、情報処理装置、表示方法、表示装置、プログラム、記録媒体、物品の製造方法
CN113421020B (zh) * 2021-07-13 2024-06-21 神策网络科技（北京）有限公司 一种多指标异常点重合度分析方法
CN114021580B (zh) * 2021-10-14 2023-06-27 华南师范大学 基于序列模式挖掘的课堂对话处理方法、系统和存储介质
US20230359174A1 (en) * 2022-05-06 2023-11-09 Mapped Inc. Automatic link prediction for devices in commercial and industrial environments
CN117688505B (zh) * 2024-02-04 2024-04-19 河海大学 一种植被大范围区域化负异常的预测方法及系统
CN118192923B (zh) * 2024-05-17 2024-08-23 中国西安卫星测控中心 一种基于时间和事件驱动的页面显示方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003337622A (ja) * 2002-05-22 2003-11-28 Yamatake Corp プロセス監視装置、プロセス監視プログラムおよびプロセス監視プログラムを記録した記録媒体
CN1727846A (zh) * 2004-07-28 2006-02-01 株式会社日立制作所 交通信息提供装置
JP2008134958A (ja) * 2006-11-29 2008-06-12 Fujitsu Ltd イベント種類推定システム、イベント種類推定方法およびイベント種類推定プログラム
JP2012099067A (ja) * 2010-11-05 2012-05-24 Yamatake Corp イベント分析装置、イベント分析方法およびイベント分析プログラム
WO2014036651A1 (en) * 2012-09-05 2014-03-13 Ottawa Hospital Research Institute Method for multi-scale quality assessment for variability analysis
JP2016071792A (ja) * 2014-10-01 2016-05-09 株式会社東芝 監視制御装置、認証方法及び情報処理装置

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5273049A (en) * 1992-04-09 1993-12-28 Telectronics Pacing Systems, Inc. Detection of cardiac arrhythmias using template matching by signature analysis
US9468378B2 (en) * 1997-01-27 2016-10-18 Lawrence A. Lynn Airway instability detection system and method
JP5364530B2 (ja) * 2009-10-09 2013-12-11 株式会社日立製作所 設備状態監視方法、監視システム及び監視プログラム
US8855384B2 (en) * 2012-06-20 2014-10-07 Xerox Corporation Continuous cardiac pulse rate estimation from multi-channel source video data
JP5538597B2 (ja) 2013-06-19 2014-07-02 株式会社日立製作所 異常検知方法及び異常検知システム
CN106233208B (zh) 2014-05-12 2017-09-29 三菱电机株式会社 时间序列数据处理装置
EP3249483B1 (en) 2015-01-21 2020-05-20 Mitsubishi Electric Corporation Information processing device and information processing method
JP6599727B2 (ja) 2015-10-26 2019-10-30 株式会社Ｓｃｒｅｅｎホールディングス 時系列データ処理方法、時系列データ処理プログラム、および、時系列データ処理装置
US20220164325A1 (en) * 2020-11-25 2022-05-26 Microsoft Technology Licensing, Llc Data validation using inferred patterns

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003337622A (ja) * 2002-05-22 2003-11-28 Yamatake Corp プロセス監視装置、プロセス監視プログラムおよびプロセス監視プログラムを記録した記録媒体
CN1727846A (zh) * 2004-07-28 2006-02-01 株式会社日立制作所 交通信息提供装置
JP2008134958A (ja) * 2006-11-29 2008-06-12 Fujitsu Ltd イベント種類推定システム、イベント種類推定方法およびイベント種類推定プログラム
JP2012099067A (ja) * 2010-11-05 2012-05-24 Yamatake Corp イベント分析装置、イベント分析方法およびイベント分析プログラム
WO2014036651A1 (en) * 2012-09-05 2014-03-13 Ottawa Hospital Research Institute Method for multi-scale quality assessment for variability analysis
JP2016071792A (ja) * 2014-10-01 2016-05-09 株式会社東芝 監視制御装置、認証方法及び情報処理装置

Also Published As

Publication number Publication date
JP6661052B2 (ja) 2020-03-11
WO2018207350A1 (ja) 2018-11-15
CN110603501A (zh) 2019-12-20
RU2019139907A3 (zh) 2021-06-07
EP3588222B1 (en) 2021-04-07
EP3588222A4 (en) 2020-03-18
PH12019502084A1 (en) 2020-03-09
US11531688B2 (en) 2022-12-20
JPWO2018207350A1 (ja) 2019-11-07
BR112019020077A2 (pt) 2020-04-28
RU2019139907A (ru) 2021-06-07
EP3588222A1 (en) 2020-01-01
US20200151199A1 (en) 2020-05-14

Similar Documents

Publication Publication Date Title
CN110603501B (zh) 时间序列数据处理装置、时间序列数据处理系统以及时间序列数据处理方法
US11295993B2 (en) Maintenance scheduling for semiconductor manufacturing equipment
US11029359B2 (en) Failure detection and classsification using sensor data and/or measurement data
CN102870057B (zh) 机械设备的诊断装置、诊断方法及诊断程序
US9292799B2 (en) Global model for failure prediction for artificial lift systems
CN102473660B (zh) 等离子加工系统自动瑕疵检测和分类及其方法
JP2013218725A (ja) 異常検知方法及び異常検知システム
JP2010250383A (ja) 原単位算出装置、原単位算出装置の制御方法、および制御プログラム
WO2020065400A1 (en) Below-the-line thresholds tuning with machine learning
CN104778622A (zh) Tps交易事件阈值的预测方法及预测系统
EP3686819A1 (en) Cost analysis system and method for detecting anomalous cost signals
US20210294950A1 (en) Rational Decision-Making Tool for Semiconductor Processes
KR102549313B1 (ko) 오염물질 배출수준 산정 시스템 및 방법
US20160255109A1 (en) Detection method and apparatus
Jalali et al. Predicting time-to-failure of plasma etching equipment using machine learning
CN114996257A (zh) 数据量异常检测方法、装置、介质及程序产品
CN110399903B (zh) 异常数据的检测方法及装置、计算机可读存储介质
US11443265B2 (en) Analysis system and analysis method
JP2013041491A (ja) 異常診断装置
US20220405161A1 (en) Data selection assist device and data selection assist method
Lee et al. Autoencoder-based detector for distinguishing process anomaly and sensor failure
EP3604195B1 (en) Method, system and computer program product for predicting failure of a noise-emitting apparatus
Lee et al. Exploratory Data Analysis of Manufacturing Data
US11960254B1 (en) Anomaly detection and evaluation for smart water system management
KR20140093532A (ko) 산업군에 대한 위기지수 산출방법 및 장치

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant