CN111695584A - 时序数据监视系统和时序数据监视方法 - Google Patents

时序数据监视系统和时序数据监视方法 Download PDF

Info

Publication number
CN111695584A
CN111695584A CN202010030401.7A CN202010030401A CN111695584A CN 111695584 A CN111695584 A CN 111695584A CN 202010030401 A CN202010030401 A CN 202010030401A CN 111695584 A CN111695584 A CN 111695584A
Authority
CN
China
Prior art keywords
sequence pattern
series data
candidate
time
data
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.)
Pending
Application number
CN202010030401.7A
Other languages
English (en)
Inventor
角尾晋一
但马庆行
山嵜大介
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.)
Hitachi Ltd
Original Assignee
Hitachi Ltd
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 Hitachi Ltd filed Critical Hitachi Ltd
Publication of CN111695584A publication Critical patent/CN111695584A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • 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
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3089—Monitoring arrangements determined by the means or processing involved in sensing the monitored data, e.g. interfaces, connectors, sensors, probes, agents
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3452—Performance evaluation by statistical analysis
    • 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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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
    • G05B2219/37—Measurements
    • G05B2219/37514—Detect normality, novelty in time series for online monitoring

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Automation & Control Theory (AREA)
  • Computing Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Fuzzy Systems (AREA)
  • Molecular Biology (AREA)
  • Operations Research (AREA)
  • General Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明提供一种时序数据监视系统和时序数据监视方法，能够适当地提取时序模式并对用户提示。本发明的时序数据监视系统包括：序列模式候选生成部，其使用从被监视系统获得的时序数据和时序数据的预测模型，生成时序数据中包含的序列模式的候选；和序列模式生成部，其对由序列模式候选生成部生成的序列模式的候选进行分类，从分类后的序列模式所包含的候选中将满足规定条件的候选作为时序数据的序列模式输出。

Description

时序数据监视系统和时序数据监视方法
技术领域
本发明涉及对时序数据进行监视的技术。
背景技术
发电领域和工业领域中的车间设备或机器发生故障时成为非运转状态，收益减少，因此需要监视车间的状态并捕捉异常及其征兆。在状态监视中，收集从车间中的传感器获得的温度和压强等，显示并确认收集的数据。
例如，专利文献1中，从时序地获取计测的传感器数据并将其变换为字符串而得到的数据中，检测出现频度在规定值以上的部分字符串作为主题，对于检测出的多个主题按在规定距离内类似的每个主题分组从而生成多个主题分组。进而，基于检测出的多个主题在时序的字符串中出现的时间位置，从包括该主题的主题分组中检测在时序上在规定范围内集中出现的主题分组集，由此根据时序数据不仅检测短期的状况、也检测该短期的状况集中出现的长期的状况，进行确认。
现有技术文献
专利文献
专利文献1：日本特开2017-156942号公报
发明内容
发明要解决的课题
但是，专利文献1中，结果因时序数据向字符串的变换而变化。为了适当地提取时序模式，需要适当地进行时间宽度、值域、出现频度等参数的调整，但因为该调整困难，所以不一定能够适当地提取时序模式。
本发明目的在于提供一种能够适当地提取时序模式并对用户提示的时序数据监视系统和时序数据监视方法。
用于解决课题的技术方案
为了解决上述课题，本发明的一个方式的时序数据监视系统的特征在于，包括：序列模式候选生成部，其使用从被监视系统获得的时序数据和所述时序数据的预测模型，生成所述时序数据中包含的序列模式的候选；和序列模式生成部，其对由所述序列模式候选生成部生成的序列模式的候选进行分类，从分类后的序列模式所包含的候选中将满足规定条件的候选作为所述时序数据的序列模式输出。
发明效果
根据本发明的一个方式，能够适当地提取时序模式并对用户提示。
附图说明
图1是表示时序数据的监视系统的结构例的图。
图2是表示作为数据监视装置的一例的计算机的硬件结构例的图。
图3是表示时序数据的一例的图。
图4是表示用于生成序列模式候选的中间数据的例子的图。
图5是示出表示序列模式的候选ID和模式ID的序列模式数据的一例的图。
图6是表示检索结果数据的一例的图。
图7是表示参数的一览的例子的图。
图8是表示传感器选择和模型学习的处理的一例的流程图。
图9是表示序列模式候选的生成处理的一例的流程图。
图10是表示序列模式生成部的生成处理的一例的流程图。
图11是表示检索查询生成部的检索处理的一例的流程图。
图12是表示序列模式候选生成部输出的序列模式候选显示画面的例子的图。
图13是表示序列模式生成部输出的序列模式显示画面的例子的图。
图14是表示检索结果提取部显示的数据检索提取画面的例子的图。
图15是表示检索查询生成部显示的检索查询生成画面的例子的图。
图16是表示时序数据的监视系统的其他结构例的图。
具体实施方式
以下，参考附图说明本发明的实施方式。以下的记载和附图是用于说明本发明的示例，为了使说明明确，适当进行了省略和简化。本发明即使用其他各种方式也能够实施，只要不特别限定，各构成要素就可以是单个也可以是多个。
图中示出的各构成要素的位置、大小、形状、范围等存在为了使发明易于理解、而并不表示实际的位置、大小、形状、范围等的情况。因此，本发明并不限定于图中标示的位置、大小、形状、范围等。
以下说明中，有时用“表”、“列表”等表达说明各种信息，但各种信息也可以用这些以外的数据结构表达。为了表示不依赖于数据结构，有时将“XX表”、“XX列表”等称为“XX信息”。对于识别信息进行说明时，使用“识别信息”、“识别符”、“名”、“ID”、“编号”等表达，但对于这些能够相互置换。
存在多个具有相同或同样的功能的构成要素的情况下，有时对同一符号附加不同的后缀地进行说明。但是，无需区分该多个构成要素的情况下，有时省略后缀地进行说明。
另外，以下说明中，存在说明执行程序进行的处理的情况，但程序通过由处理器(例如CPU、GPU)执行、而适当使用存储资源(例如存储器)和/或接口设备(例如通信端口)等进行规定的处理，所以也可以认为处理的主体是处理器。同样，执行程序进行的处理的主体也可以是具有处理器的控制器、装置、系统、计算机、节点。执行程序进行的处理的主体是运算部即可，也可以包括进行特定处理的专用电路(例如FPGA或ASIC)。
程序可以从程序源安装至计算机这样的装置。程序源例如可以是程序发布服务器或计算机能够读取的存储介质。程序源是程序发布服务器的情况下，程序发布服务器可以包括处理器和存储发布对象的程序的存储资源，程序发布服务器的处理器可以将发布对象的程序对其他计算机发布。另外，以下说明中，可以将2个以上程序作为1个程序实现，也可以将1个程序作为2个以上程序实现。
图1是表示本实施例中的时序数据的监视系统100的结构例的图。详细内容在后文中叙述，监视系统100的处理能够分为监视对象选定和模型学习阶段、序列模式生成阶段和监视阶段。监视对象选定和模型学习阶段根据监视对象系统130输出的数据选定作为监视对象的传感器，并且学习用于生成序列模式候选的预测模型。序列模式生成阶段基于使用预测模型的预测结果生成序列模式的候选，对类似的序列模式的候选进行聚类，将其代表作为序列模式对用户通知和显示相关信息。监视阶段基于序列模式通知用户生成的监视对象数据的数据区间和显示相关信息。
如图1所示，监视系统100包括数据监视装置110和终端120。数据监视装置110输出从从监视对象系统130获取的时序数据中提取出的序列模式的提取结果，和基于用户指定的监视模式的检索结果(与监视模式类似的数据位置)。终端120显示数据监视装置110输出的结果。
监视对象系统130包括1个以上的被监视装置140。被监视装置140是构成以生产线和车间等为代表的现场系统的装置。例如，被监视装置140具有网关141、控制器142、传感器143。被监视装置140中，传感器143检测到的传感器数据被控制器142变换为时序数据，监视系统100的数据收集部111经由网关141收集变换后的时序数据。网关141、控制器142、传感器143能够使用一般的装置作为硬件。
另外，数据监视装置110和终端120可以用LAN等网络连接。各监视对象系统130可以经由LAN(Local Area Network：局域网)或以WWW(World Wide Web：互联网)为代表的WAN(Wide Area Network：广域网)等网络连接。进而，各构成要素的数量可以增减，各构成要素可以用1个网络连接，也可以分层连接。例如，数据监视装置110也可以由多个装置构成。另外，例如，数据监视装置110也可以与终端120在同一硬件中实现。进而，例如，也可以是1个以上被监视装置140与数据监视装置110或终端120共享硬件。
图2是表示作为数据监视装置110的一例的计算机的硬件的结构例的图。以下，参考图1和图2对于数据监视系统100进行说明。
数据监视装置110中，例如由一般的信息处理装置构成服务器等硬件，具有数据收集部111、预测模型学习部112、序列模式候选生成部113、序列模式生成部114、检索查询生成部115、参数决定部116、检索结果提取部117、数据管理部118作为功能。这些功能可以通过数据监视装置110所具有的CPU201将ROM202或(外部)存储装置204中保存的程序读取至RAM203中，经由通信I/F205、周边I/F206控制以鼠标、键盘等为代表的外部输入装置、以显示器等为代表的外部输出装置而实现。对于该各部进行的具体处理在后文中叙述。
另外，终端120例如由PC(Personal Computer：个人计算机)等信息处理终端构成，具有显示部121作为功能。显示部121的功能可以通过终端120所具有的CPU121将ROM122或(外部)存储装置125中保存的程序读取至RAM123中，经由通信I/F126、周边I/F124控制以鼠标、键盘等为代表的外部输入装置、以显示器等为代表的外部输出装置而实现。显示部121的功能也可以设置在数据监视装置110中。对于该各部进行的具体处理在后文中叙述。
图3是表示本系统中使用的时序数据的一例的图。时序数据例如由监视系统100的数据收集部111从监视对象系统130收集。以下，举例示出监视系统100收集时序数据的情况，但也可以是监视对象系统130发送时序数据，由监视系统100接收。
如图3所示，在时序数据中，例如包括1个以上列、1条以上记录。图3是用表格式示出用CSV(comma-separated values：字符分隔值)格式输出的数据的例子。构成时序数据的各列包括时刻301、传感器302(图3中是传感器A～C这3个传感器)，各列被关联为1条记录。该记录是被监视装置140存储的内部信息和从传感器得到的数据，是监视系统100周期性地收集的被监视装置140的运转数据。图3中，例如示出了在时刻12时作为传感器A的值收集了4.777。时序数据是以固定周期收集或者观测的数据的情况下，也可以不是用时刻301、而是用索引编号管理(后述图4、图6的情况也是同样的)。
图4是表示用于生成序列模式候选的中间数据的例子的图。中间数据是按每个传感器生成的、将预测误差与序列模式的候选关联的数据。预测误差例如表达为使用预测模型输出的预测结果与图3中示出的实际的传感器数据的差的绝对值。对于计算上不能预测的记录，可以对于预测误差的值填入表示被排除在对象之外的值(例如-1等)、或者使其不包括在输出结果中。
如图4所示，中间数据具有时刻401、预测误差402、序列模式的候选ID403。序列模式的候选ID403是用于识别时序数据的一部分时序数据即部分序列数据的识别信息。序列模式的候选ID403按预测误差L次连续在阈值θ以下的一系列记录设为0以上的同一ID。例如，计算上不能预测的记录或预测误差大于阈值θ的记录对于该ID403设定“-1”。
图4中，例如示出了从时刻12时10分02秒到时刻13时10分00秒的记录是作为序列模式的候选的部分序列数据，对序列模式的候选ID设定了1。另外，本实施例中，对于按每个传感器具有中间数据的情况进行说明，但也可以与时刻401、预测误差402、序列模式的候选ID403关联地赋予用于识别传感器的传感器ID，在1个中间数据中具有与各传感器ID对应的预测误差和序列模式的候选ID。这些数据例如可以用由HDD(Hard Disk Drive：硬盘驱动器)等存储装置构成的数据管理部118存储、管理。
图5是示出表示序列模式的候选ID和模式ID的序列模式数据的一例的图。如图5所示，序列模式数据具有模式ID和序列模式的候选ID。模式ID是用于识别集群的编号，其中集群是根据使用相异度进行聚类而得到的结果来分类得到的，相异度是与序列模式的候选ID对应的部分序列数据之间计算出的。图5中，例如示出了在用模式ID“0”识别的序列模式中，包括用序列模式的候选ID“0”、“10”、“12”分别识别的部分序列数据，两者是关联的。这些数据可以用数据管理部118存储、管理。
图6是表示检索结果数据的一例的图。检索结果数据是按每个检索查询生成的、将相异度与检索结果关联的数据。相异度是检索查询与序列模式即部分序列数据的相异度。本实施例中，使用了检索查询与部分序列数据的相异度，但也可以使用相似度。即，只要是关于检索查询与部分序列数据的相似性的信息即可。
检索结果例如表达为表示是否成功取得了使用检索查询进行检索得到的检索结果。图6中，对于计算上不能计算出评分的记录，可以将检索结果的值设定为表示被排除在对象之外的值(例如-1等)，或者使其不包括在值输出结果中。对于这些数据可以用数据管理部118进行管理。
如图6所示，检索结果数据具有时刻601、相异度602和检索结果603。检索结果603是示出表示是否成功取得了检索结果的值的信息。检索结果603在检索查询命中的情况下设定为规定值(例如1)，在检索查询满足阈值φ而命中的情况下设定为规定值(例如1)，在检索查询不满足阈值φ而未命中的情况下设定为规定值(例如0)。进而，对于计算上不能检索的记录或相异度一定程度以上地大于阈值φ的记录，对该检索结果603设定“-1”。
图6中，例如示出了时刻12时10分01秒时的序列模式的候选即部分序列数据是检索查询满足阈值φ而命中的数据(例如相异度0.44<阈值φ＝1)。另外，示出了时刻12时10分02秒时的序列模式的候选即部分序列数据是检索查询不满足阈值φ而未命中的数据(例如相异度1.23≥阈值φ＝1)。
图7是表示本系统中使用的参数的一览的例子的图。图7中，规定了窗口宽度、阈值、连续区间、阈值候选的个数、模式个数、检索评分的阈值作为参数。窗口宽度W是生成预测模型时的子序列的窗口宽度。阈值θ是用于决定序列模式的候选的预测误差的阈值。连续区间L是用于判断可预测的连续区间的数据数量的阈值。以下，将预测误差在阈值θ以下且阈值θ以下的数据长度在L以上的部分序列数据作为序列模式的候选。
阈值候选的个数M是阈值θ的候选的个数，例如能够用k-means决定。阈值候选的个数M可以通过在显示部上显示而对用户提示。阈值候选的生成方法例如可以根据预测误差的值的大小将序列模式的候选分类为M个，将各分类的最小值设为候选。
模式个数N是对序列模式进行聚类时的模式的个数，表示将序列模式的候选聚类为N个。检索评分的阈值φ是检索时用于判断命中的相异度的阈值，阈值φ以下的位置被判断为命中。这些参数例如基于经由终端120的来自用户的指示，由参数决定部116设定。
图8是表示传感器选择和模型学习的处理的一例的流程图。以下，用神经网络构成时序数据的预测模型f，将时序数据的预测模型f的输出(预测结果)设为y^＝f(x)，将预测源设为窗口宽度W的子序列x(t)＝{d_((2t-N+1)/2),…,d_t,…,d_((2t+N-1)/2)}，将预测目标设为窗口宽度N的子序列y(t)＝x(t+N)＝{d_((2t+N+1)/2),…,d_(t+N),…,d_((2t+3N-1)/2)}，将作为预测误差的学习的损失函数设为平方和误差E＝1/2∑[(y^-y)]^2。关于时序数据的预测模型f也可以使用作为统计学方法的多项式回归等。
预测模型学习部112生成窗口宽度W的预测源x和预测目标y(步骤801)。预测模型用全连接型的神经网络构成3层的网络，使用x和y进行学习(步骤802)。在学习中，激活函数能够使用ReLU，梯度法能够使用adam，损失函数能够使用平方和误差。另外，神经网络的层数和激活函数、梯度法、损失函数不限于此。
图9是表示序列模式候选的生成处理的一例的流程图。序列模式候选生成部113使用由预测模型学习部112生成的预测模型f生成y^(步骤901)，根据平方和误差E＝1/2∑[(y^-y)]^2计算出预测误差之后(步骤902)，将预测误差的大小在阈值θ以下的部分序列数据如图4所示地作为序列模式的候选蓄积(步骤903)。
图10是表示序列模式生成部114的生成处理的一例的流程图。序列模式生成部114计算出由序列模式候选生成部113蓄积的序列模式的候选之间的全部相异度(步骤1001)。序列模式生成部114此后使用分层聚类，如图5所示地将序列模式候选分割为N个集群(步骤1002)。在相异度的计算中使用DTW(Dynamic Time Warping：动态时间规整)，但也可以使用欧几里德距离或D-DTW等其他距离计算方法。本实施例中，计算出序列模式的候选之间的全部相异度，但也可以计算出相似度。即，只要使用关于序列模式的候选之间的相似性的条件计算即可。
序列模式生成部114将属于各集群的序列模式的候选中的、在用数据长度比较时是中值的序列模式的候选设为作为代表的序列模式(步骤1003)。在决定代表时，也可以将数据长度最短或最长的数据设为上述作为代表的序列模式。另外，在分为N个之后属于集群的序列模式的候选的数量较少的情况(例如仅存在1个的情况)下，忽略该集群，即视为提示的模式个数少于N个的集群，决定为上述作为代表的序列模式。进行这样的聚类的结果是也有存在仅包括1个序列模式的候选的集群的情况。
图11是表示检索查询生成部115的检索处理的一例的流程图。检索查询生成部115计算出由序列模式候选生成部113蓄积的序列模式的候选之间的全部相异度(步骤1001)。检索查询生成部115此后将包括相异度的大小在阈值φ以下的部分序列数据的检索结果数据如图6所示地作为检索结果蓄积(步骤1002)。
图12是表示序列模式候选生成部113输出的序列模式候选显示画面1200的例子的图。如图12所示，序列模式候选显示画面1200包括数据显示用传感器选择区域1210、数据显示区域1220和序列模式候选调整区域1230。
数据显示用传感器选择区域1210是显示输入的时序数据中包括的传感器名的一览的区域。
数据显示区域1220是显示关于从数据显示用传感器选择区域1210中选择的传感器的数据的区域。数据显示区域1220中包括显示选择的传感器302的时序数据的传感器数据显示区域1221、显示被作为预测误差的大小在阈值θ以下的部分序列数据蓄积的序列模式的候选的序列模式候选显示区域1222、和用于指定时序数据或上述序列模式的候选的显示范围的范围操作条(按钮)1223。
在传感器数据显示区域1221中，显示在数据显示用传感器选择区域1210中选择的1个或1个以上传感器的值。图12中，示出了选择了传感器A，序列模式候选生成部113使传感器A的时序数据在传感器数据显示区域1221中显示。
另外，示出了序列模式候选生成部113在显示时序数据时，使传感器A的时序数据中预测误差的大小在阈值θ以下的序列模式的候选(图12中是5个候选)在序列模式候选显示区域1222中显示。序列模式候选生成部113在选择(点击)了传感器数据显示区域1221或序列模式候选显示区域1222的某一区域的序列模式的候选时，显示包括其前后的序列模式候选的范围的时序数据和序列模式的候选。图12中，例如，序列模式候选生成部113在序列模式候选显示区域1222中的中央区域的序列模式的候选M被选择时，显示包括该序列模式的候选M的规定范围内的前后的时刻的时序数据和序列模式的候选。由此，能够在查看在时间上位于前后的序列模式的候选的同时理解数据。
另外，范围操作条(按钮)1223被向左右滑动操作的情况下，序列模式候选生成部113与该操作相应地，使传感器数据显示区域1221中显示的时序数据、序列模式候选显示区域1222中显示的序列模式的候选在时刻方向上放大或缩小。
序列模式候选调整区域1230是通过阈值调整对序列模式候选的粒度进行调整从而对序列模式的候选进行调整的区域。用户能够通过序列模式候选调整区域1230调整序列模式的候选即部分序列的粒度。
序列模式候选调整区域1230显示选择作为模型学习的对象的传感器数据的对象传感器选择区域1231，使用在对象传感器选择区域1231中选择的传感器的时序数据生成序列模式的候选的序列模式候选生成按钮1232，显示在对象传感器选择区域1231中选择的传感器的预测误差和阈值θ的预测误差显示区域1233，提示预测误差的阈值θ的候选的阈值候选提示区域1234，输入阈值θ的阈值输入栏1235，和用对阈值输入栏1235输入的值将阈值θ更新并使序列模式候选显示区域1222更新的更新按钮1236。
图12中，从对象传感器选择区域1231中选择传感器A，通过按下序列模式候选生成按钮1232，序列模式候选生成部113对序列模式候选显示区域1222输出关于传感器A的序列模式的候选中的满足阈值θ的候选(在传感器数据显示区域1221中示出的5个候选)。在阈值候选提示区域1234中，参数决定部116可以显示由图7所示的阈值候选的个数M决定的数量的阈值。通过阈值候选提示区域1234，用户易于决定阈值。
图13是表示序列模式生成部114输出的序列模式显示画面1300的例子的图。如图13所示，序列模式显示画面1300包括与图12同样的数据显示用传感器选择区域1210，显示包括与图12所示的序列模式候选显示画面中生成的序列模式的候选对应的部分序列数据的时序数据的传感器数据显示区域1321，显示传感器数据显示区域1321中显示的部分序列数据的序列模式的序列模式显示区域1322，和指定时序数据或上述序列模式的显示范围的范围操作条(按钮)1323。
在传感器数据显示区域1321中，显示包括通过按下序列模式候选生成按钮1232而生成的序列模式的候选的时序数据。在图13中，示出了显示对于某一传感器(例如传感器A)生成的序列模式的候选(序列模式1～3)，序列模式生成部114使包括表示这些序列模式的候选的部分序列数据的时序数据在传感器数据显示区域1321中显示。
另外，示出了序列模式生成部114在显示上述时序数据时，使这些序列模式的候选(图13中是序列模式1～3)在序列模式显示区域1322中显示。序列模式生成部114可以在选择(点击)传感器数据显示区域1321或序列模式显示区域1322的某一区域的序列模式时，显示包括其前后的序列模式的范围的时序数据和序列模式。图13中，例如，序列模式生成部114可以在序列模式显示区域1322中的中央区域的序列模式(例如序列模式2)被选择时，显示包括该序列模式的规定范围内的前后的时刻的时序数据和序列模式(例如序列模式1、序列模式3)。
另外，范围操作条(按钮)1323被向左右滑动操作的情况下，序列模式生成部114与该操作相应地，使传感器数据显示区域1321中显示的时序数据、序列模式显示区域1322中显示的序列模式在时刻方向上放大或缩小。
序列模式调整区域1330是选择并调整输出的序列模式的区域。序列模式调整区域1330显示输入序列模式生成部114生成的序列模式的数量的模式个数输入区域1331，生成从模式个数输入区域1331输入的数量的序列模式的序列模式生成按钮1332，显示生成的序列模式的序列模式显示区域1333，和下载生成的序列模式的部分序列数据的下载按钮1335。通过从序列模式调整区域1330输入并调整模式个数N，能够使生成的序列模式的数量变化、对其进行调整。
图13中，对于从对象传感器选择区域1231选择的传感器A，通过按下序列模式生成按钮1332，序列模式生成部114将由序列模式候选生成部113生成的序列模式的候选分类为模式个数(N＝3，图5中示出的模式ID501＝0，1，2)的数量，按各分类从序列模式的候选中输出作为代表的序列模式(序列模式1～3)。
图14是表示检索结果提取部117显示的数据检索/提取画面1400的例子的图。如图14所示，数据检索提取画面1400包括数据显示用传感器选择区域1410、数据显示区域1420和序列模式检索调整区域1430。数据显示用传感器选择区域1410、数据显示区域1420与图12中示出的数据显示用传感器选择区域1210、数据显示区域1220是同样的，因此省略说明，对于序列模式检索调整区域1430进行说明。
序列模式检索调整区域1430是对检索的序列模式进行调整的区域。序列模式检索调整区域1430显示选择作为检索对象的传感器数据的对象传感器选择区域1431，使用在对象传感器选择区域1431中选择的传感器的时序数据生成序列模式的检索查询的检索查询登记按钮1432，显示用于判断与对象传感器选择区域1431中设为检索对象的传感器的时序数据的序列模式的相异度的阈值φ和上述设为检索对象的传感器的时序数据的序列模式检索显示区域1433，提示阈值φ的候选的阈值候选提示区域1434，输入阈值φ的阈值输入栏1435，和用对阈值输入栏1435输入的值将阈值φ更新并使序列模式候选显示画面1422更新的更新按钮1436。
图14中，从对象传感器选择区域1431选择传感器A，检索结果提取部117使用通过按下检索查询登记按钮1432而由检索查询生成部115生成的检索查询，从序列模式的候选中检索关于传感器A的序列模式的候选中的满足阈值φ的候选(传感器数据显示区域1221中示出的5个候选)，并对序列模式候选显示画面1422输出。在阈值候选提示区域1434中，参数决定部116可以显示与图7中示出的阈值候选的个数M同样地决定的数量的阈值。在相异度的计算中，使用DTW(Dynamic Time Warping：动态时间规整)，但也可以使用欧几里德距离或D-DTW等其他距离计算方法。
图15是表示检索查询生成部115显示的检索查询生成画面1500的例子的图。如图15所示，检索查询生成画面1500包括数据输入按钮1501，对登记为检索查询的序列模式进行编辑、显示的序列模式编辑显示区域1502，对序列模式中登记为检索查询的范围进行裁剪调整的范围调整区域1503，和将调整后的检索查询作为数据输出的数据输出按钮1504。
数据输入按钮1501是用于读取图12中下载的序列模式的部分序列数据并使其在序列模式编辑显示区域1502中显示的按钮。例如，关于检索查询生成部115，通过按下图14中示出的检索查询登记按钮1432，检索结果提取部117调用检索查询生成部115，检索查询生成部115读取通过按下图12中示出的下载按钮1334而下载的序列模式的部分序列数据，使其在序列模式编辑显示区域1502中显示。
序列模式编辑显示区域1502是对通过按下数据输入按钮1501而读取的时序模式的部分序列数据和通过范围调整区域1503调整后的上述范围进行编辑、显示的区域。
图15中，示出了检索查询生成部115将序列模式编辑显示区域1502中显示的序列模式的部分序列数据中的范围R的部分登记为检索查询。另外，检索查询生成部115在通过范围调整区域1503调整范围时，使该范围在序列模式编辑显示区域1502中作为检索查询的范围R进行强调显示。检索查询生成部115在数据输出按钮1504被按下时，将作为检索查询强调显示的范围的检索查询例如以CSV格式输出。
另外，图1中示出的监视系统100中，由参数决定部116设定包括用于预测误差的阈值θ、用于检索查询的阈值φ的各种参数。但是，在监视对象系统130的环境下时序数据总是发生变化，所以也存在不一定优选由用户预先设定这些参数的情况。于是，例如，可以如图16所示地，具有监视系统100的异常检测应用119，异常检测应用119为了在检测出来自监视对象系统130的异常的情况下，应对该异常，而在本系统中设定与异常的种类相应地决定的参数。由此，能够不是由用户设定参数，而是对于用于应对异常的参数与其种类相应地设定。
另外，异常检测应用119也可以输入从被监视装置140的传感器得到的正常时的时序数据的序列模式，学习正常时的被监视装置140的序列模式。异常检测应用119使用与由序列模式生成部114生成的正常时的序列模式属于同一集群的序列模式的候选作为学习数据。用于判定是否正常时的异常检测的模型，例如能够使用VAE(VariationalAutoencoder：变分自动编码器)或生成正常系统的集群并将偏离集群的数据视为异常的方法。
如上所述，根据本实施例，即使在从监视对象系统120的被监视装置140得到的时序数据的内容不明的情况下，也能够例如如图12、图13所示地，对用户提示该时序数据是包括怎样的模式的形状的数据。由此，能够将时序数据中的视为决定性的变化的部分序列作为时序模式中包括的部分序列模式进行提示。
另外，如图14、15所示，用户以提示的时序数据的序列模式为参考生成部分序列数据中要求的范围的部分序列数据作为检索查询，从部分序列数据中检索并提取相应的位置(时刻)。由此，能够提示以用户视为时序数据的概率性的变化的位置为边界的部分序列数据。
本发明不限定于上述实施例，包括各种变形例，并不限定于必须具备说明的全部结构。另外，能够将某个实施例的结构的一部分置换为其他实施例的结构，或对于各实施例的结构的一部分，追加、删除、置换其他结构。
附图标记说明
100 监视系统
110 数据监视装置
120 终端
140 被监视装置
141 网关
142 控制器
143 传感器
111 数据收集部
112 预测模型学习部
113 序列模式候选生成部
114 序列模式生成部
115 检索查询生成部
116 参数决定部
117 检索结果提取部
118 数据管理部。

Claims (9)

1.一种时序数据监视系统，其特征在于，包括：
序列模式候选生成部，其使用从被监视系统获得的时序数据和所述时序数据的预测模型，生成所述时序数据中包含的序列模式的候选；和
序列模式生成部，其对由所述序列模式候选生成部生成的序列模式的候选进行分类，从分类后的序列模式所包含的候选中将满足规定条件的候选作为所述时序数据的序列模式输出。
2.如权利要求1所述的时序数据监视系统，其特征在于：
所述序列模式候选生成部将使用所述预测模型获得的预测结果与所述时序数据的预测误差在规定阈值以下的数据作为所述序列模式的候选。
3.如权利要求1所述的时序数据监视系统，其特征在于：
所述序列模式生成部，从基于关于所述序列模式的候选之间的相似性的信息来分类为规定的模式个数而得到的所述序列模式的候选中，将代表性的序列模式的候选输出。
4.如权利要求1所述的时序数据监视系统，其特征在于：
所述序列模式生成部将所述时序数据的序列模式显示于显示部。
5.如权利要求4所述的时序数据监视系统，其特征在于：
所述序列模式生成部将所述序列模式的候选分类为由用户从所述显示部输入的所述规定的模式个数。
6.如权利要求2所述的时序数据监视系统，其特征在于：
所述序列模式候选生成部，将所述预测误差在由用户从显示所述时序数据的序列模式的显示部输入的所述规定阈值以下的数据作为所述序列模式的候选。
7.如权利要求4所述的时序数据监视系统，其特征在于：
具有检索结果提取部，其使用检索查询从所述序列模式的候选中检索所述序列模式的候选中的满足规定阈值的候选并将其显示于所示显示部。
8.如权利要求7所述的时序数据监视系统，其特征在于：
具有检索查询生成部，其计算所述序列模式的候选之间的相异度并生成用于检索相异度的大小在规定阈值以下的序列模式的所述检索查询。
9.一种时序数据监视方法，其特征在于：
序列模式候选生成部使用从被监视系统获得的时序数据和所述时序数据的预测模型，生成所述时序数据中包含的序列模式的候选，
序列模式生成部对由所述序列模式候选生成部生成的序列模式的候选进行分类，
所述序列模式生成部从分类后的序列模式所包含的候选中将满足规定条件的候选作为所述时序数据的序列模式输出。
CN202010030401.7A 2019-03-14 2020-01-13 时序数据监视系统和时序数据监视方法 Pending CN111695584A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019047410A JP7030072B2 (ja) 2019-03-14 2019-03-14 時系列データ監視システム、および時系列データ監視方法
JP2019-047410 2019-03-14

Publications (1)

Publication Number Publication Date
CN111695584A true CN111695584A (zh) 2020-09-22

Family

ID=72423284

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010030401.7A Pending CN111695584A (zh) 2019-03-14 2020-01-13 时序数据监视系统和时序数据监视方法

Country Status (3)

Country Link
US (1) US20200293018A1 (zh)
JP (1) JP7030072B2 (zh)
CN (1) CN111695584A (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7481897B2 (ja) * 2020-05-12 2024-05-13 株式会社東芝 監視装置、監視方法、プログラムおよびモデル訓練装置
JP2022093976A (ja) 2020-12-14 2022-06-24 株式会社東芝 処理装置、処理方法、プログラム、及び記憶媒体
CN112651455B (zh) * 2020-12-30 2022-11-01 云南大学 一种基于非负矩阵分解与动态时间规整算法的交通流缺失值填充方法
JP2022136708A (ja) * 2021-03-08 2022-09-21 富士通株式会社 情報処理方法、および情報処理プログラム

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006163521A (ja) * 2004-12-02 2006-06-22 Research Organization Of Information & Systems 時系列データ分析装置および時系列データ分析プログラム
CN102741676A (zh) * 2010-01-28 2012-10-17 日立建机株式会社 作业机械的监视诊断装置
CN104781741A (zh) * 2012-11-09 2015-07-15 株式会社东芝 工序监视诊断装置及工序监视诊断程序
CN105139295A (zh) * 2015-09-29 2015-12-09 广东电网有限责任公司电力科学研究院 一种电力设备在线监测海量信息的数据挖掘方法
CN106872657A (zh) * 2017-01-05 2017-06-20 河海大学 一种多变量水质参数时序数据异常事件检测方法
US20180121733A1 (en) * 2016-10-27 2018-05-03 Microsoft Technology Licensing, Llc Reducing computational overhead via predictions of subjective quality of automated image sequence processing
CN109213122A (zh) * 2018-08-10 2019-01-15 合肥工业大学 用于冲压设备的故障诊断方法及计算机存储介质

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005285005A (ja) * 2004-03-30 2005-10-13 Toshiba Corp プラントデータ処理装置と処理方法及びプログラム。
JP2009288933A (ja) * 2008-05-28 2009-12-10 Sony Corp 学習装置、学習方法、及びプログラム
US9336493B2 (en) * 2011-06-06 2016-05-10 Sas Institute Inc. Systems and methods for clustering time series data based on forecast distributions
JP2013077194A (ja) * 2011-09-30 2013-04-25 Hiroshi Sugimura 知識を活用する情報システム装置
JP5711171B2 (ja) * 2012-03-23 2015-04-30 日本電信電話株式会社 データ検索装置、データ検索方法、及びデータ検索プログラム
CN105224543A (zh) * 2014-05-30 2016-01-06 国际商业机器公司 用于处理时间序列的方法和装置
KR102340258B1 (ko) * 2015-12-29 2021-12-15 삼성에스디에스 주식회사 시계열의 데이터를 예측 하는 방법 및 그 장치
JP2017138929A (ja) * 2016-02-05 2017-08-10 株式会社東芝 時系列データ波形分析装置、方法、及びプログラム
US20180150609A1 (en) * 2016-11-29 2018-05-31 Electronics And Telecommunications Research Institute Server and method for predicting future health trends through similar case cluster based prediction models
DE112017005640T5 (de) * 2017-07-31 2019-08-22 Mitsubishi Electric Corporation Informationsverarbeitungsvorrichtung und Informationsverarbeitungsverfahren

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006163521A (ja) * 2004-12-02 2006-06-22 Research Organization Of Information & Systems 時系列データ分析装置および時系列データ分析プログラム
CN102741676A (zh) * 2010-01-28 2012-10-17 日立建机株式会社 作业机械的监视诊断装置
CN104781741A (zh) * 2012-11-09 2015-07-15 株式会社东芝 工序监视诊断装置及工序监视诊断程序
CN105139295A (zh) * 2015-09-29 2015-12-09 广东电网有限责任公司电力科学研究院 一种电力设备在线监测海量信息的数据挖掘方法
US20180121733A1 (en) * 2016-10-27 2018-05-03 Microsoft Technology Licensing, Llc Reducing computational overhead via predictions of subjective quality of automated image sequence processing
CN106872657A (zh) * 2017-01-05 2017-06-20 河海大学 一种多变量水质参数时序数据异常事件检测方法
CN109213122A (zh) * 2018-08-10 2019-01-15 合肥工业大学 用于冲压设备的故障诊断方法及计算机存储介质

Also Published As

Publication number Publication date
JP2020149466A (ja) 2020-09-17
US20200293018A1 (en) 2020-09-17
JP7030072B2 (ja) 2022-03-04

Similar Documents

Publication Publication Date Title
CN111695584A (zh) 时序数据监视系统和时序数据监视方法
JP6670418B2 (ja) 状態予測装置および状態予測制御方法
CN104298679B (zh) 应用业务推荐方法及装置
JP6319271B2 (ja) イベント解析装置、イベント解析システム、イベント解析方法、およびイベント解析プログラム
JP5740459B2 (ja) 設備状態監視方法
JP6327234B2 (ja) イベント解析装置、イベント解析システム、イベント解析方法、およびイベント解析プログラム
JP2019028929A (ja) プリプロセッサおよび異常予兆診断システム
JP2020149466A5 (zh)
JP6651190B1 (ja) 機械学習用のデータ構造、学習方法及び情報提供システム
US20170261403A1 (en) Abnormality detection procedure development apparatus and abnormality detection procedure development method
JP2018045403A (ja) 異常検知システム及び異常検知方法
JP2013143009A (ja) 設備状態監視方法およびその装置
JP2016161950A (ja) 検知プログラム、検知方法及び検知装置
JP2018206316A (ja) プラント運転監視システム及びプラント運転監視方法
JP2022074890A (ja) 異常判定装置、学習装置及び異常判定方法
CN111061581A (zh) 一种故障检测方法、装置及设备
JP6738943B1 (ja) 異常検知装置および異常検知方法
JP6290777B2 (ja) データ関連情報処理装置及びプログラム
JP2018132786A (ja) プラント状況情報提示システム及びプラント状況情報提示方法
JPWO2017094263A1 (ja) ログ分析システム、方法およびプログラム
US20190340540A1 (en) Adaptive continuous log model learning
JP6405851B2 (ja) 予兆検知支援プログラム、方法、装置、及び予兆検知プログラム、
WO2021157327A1 (ja) 時系列パターンの説明情報生成装置
JP2020052518A (ja) 特徴ベクトル生成装置、特徴ベクトル生成方法及び特徴ベクトル生成プログラム
CN107577721A (zh) 用于大数据的数据稳定性检测方法及装置、存储介质、服务器

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