CN117077048A - 装置、方法以及计算机可读介质 - Google Patents

装置、方法以及计算机可读介质 Download PDF

Info

Publication number
CN117077048A
CN117077048A CN202310544644.6A CN202310544644A CN117077048A CN 117077048 A CN117077048 A CN 117077048A CN 202310544644 A CN202310544644 A CN 202310544644A CN 117077048 A CN117077048 A CN 117077048A
Authority
CN
China
Prior art keywords
measurement data
group
unit
group information
index value
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
CN202310544644.6A
Other languages
English (en)
Inventor
林艳艳
木村亮祐
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.)
Yokogawa Electric Corp
Original Assignee
Yokogawa 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 Yokogawa Electric Corp filed Critical Yokogawa Electric Corp
Publication of CN117077048A publication Critical patent/CN117077048A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

一种装置、方法以及计算机可读介质。该装置具有：测定数据取得部，其取得表示对象状态的多种测定数据；组信息取得部，其取得所述多种测定数据中表示相关度比基准高的测定数据的组的组信息；确定部，其对由所述组信息表示的各个组，确定由所述测定数据取得部取得的测定数据中的异常的测定数据；供给部，其对模型分别供给由所述确定部按组确定的异常的测定数据，所述模型根据对由所述组信息表示的每个组输入任一种测定数据，输出表示所述对象状态的好坏的状态指标值；输出部，其输出与从所述模型输出的所述状态指标值对应的信号。

Description

装置、方法以及计算机可读介质
技术领域
本发明涉及装置、方法以及计算机可读介质。
背景技术
在专利文献1中记载了“输出部12c将由收集部12a收集的传感器数据作为输入，使用各模型分别输出各检测对象设备20的异常程度”。
[现有技术文献]
[专利文献]
[专利文献1]：(日本)专利第6453504号
发明内容
在本发明的第一方面中提供一种装置。装置可以具有：测定数据取得部，其取得表示对象状态的多种测定数据；组信息取得部，其取得所述多种测定数据中表示相关度比基准高的测定数据的组的组信息；确定部，其对由所述组信息表示的各个组，确定由所述测定数据取得部取得的测定数据中的异常的测定数据；供给部，其对模型分别供给由所述确定部按组确定的异常的测定数据，所述模型根据对由所述组信息表示的每个组输入任一种测定数据，输出表示所述对象状态的好坏的状态指标值；输出部，其输出与从所述模型输出的所述状态指标值对应的信号。
装置还可以具有指定所述状态指标值的对象时刻的指定部。所述确定部可以确定所述对象时刻的异常的测定数据。所述供给部可以对所述模型供给所述对象时刻的异常的测定数据。
所述确定部可以将第一组内的多个测定数据中、包含所述对象时刻的基准期间的平均变化率与所述对象时刻的变化率之差最大的测定数据作为所述第一组中的异常的测定数据。
所述确定部可以将所述对象时刻的第二组内的多个测定数据中、在由所述供给部分别向所述模型供给时从所述模型输出最不佳的所述状态指标值的测定数据作为所述第二组中的异常的测定数据。
所述确定部可以在包含所述对象时刻的基准期间，在第三组内的多个测定数据中的一个测定数据与其他各测定数据的相关系数分别小于阈值的情况下，将该一个测定数据作为所述第三组中的异常的测定数据。
所述确定部可以将包含三种以上的测定数据的组设为所述第三组，在所述第三组内的多个测定数据中的所述一个测定数据与其他任一个测定数据的相关系数为阈值以上的情况下，将所述第三组内的多个测定数据中、与所述一个测定数据之间相关系数最低的测定数据作为所述第三组中的异常的测定数据。
所述确定部可以将第四组内的多个测定数据中、所述对象时刻的自协方差最大的测定数据或自相关最低的测定数据作为所述第四组中的异常的测定数据。
所述确定部将第五组内的各测定数据中、在基准时刻与所述对象时刻之间差异最大的测定数据作为该第五组中的异常的测定数据，将关于所述第五组中不包含的两种以上的测定数据的数据集的各取得时刻中、相对于所述对象时刻的数据集近似度最高的数据集的取得时刻作为所述基准时刻。
在上述任一方面的装置中，所述供给部可以对模型分别供给由所述确定部按组确定的异常的测定数据，所述模型根据输入任意的组合模式的各测定数据而输出所述状态指标值，所述组合模式为对每个组选择了任一种测定数据而成的。
上述装置还可以具备对至少一个组中包含的各测定数据进行标准化的标准化部。所述供给部可以对所述模型供给由所述标准化部标准化且由所述确定部按组确定的异常的测定数据。
上述装置还可以具备标准化部，其对至少一个组中包含的各测定数据进行标准化。装置还可以具备学习处理部，其使用包含由所述标准化部进行了标准化的各组的测定数据和所述状态指标值的学习数据，进行所述模型的学习处理。
在上述任一方面的装置中，所述供给部可以对模型分别供给异常的测定数据，所述模型是多个模型中与由所述特定部按组特定的上述异常的测定数据的组合模式对应的模型，所述多个模型是对每个组合模式设置的模型，并且根据输入对应的组合模式的各测定数据而输出所述状态指标值，所述组合模式是从各组任意选择一种测定数据的测定数据的组合模式。
上述装置还可以具备进行所述模式的学习处理的学习处理部，在所述模式的学习处理中，对于每个从各组任意选择一种测定数据的测定数据的组合模式，使用包含该组合模式中包含的各测定数据和所述状态指标值的学习数据，根据输入该组合模式的各测定数据而输出所述状态指标值。
在本发明第二方面中提供一种装置。装置可以具有：测定数据取得部，其取得表示对象状态的多种测定数据；组信息取得部，其取得所述多种测定数据中表示相关度比基准高的测定数据的组的组信息；进行模式的学习处理的学习处理部，在所述模式的学习处理中，对于每个从各组任意选择一种测定数据的测定数据的组合模式，使用包含该组合模式中包含的各测定数据和表示所述对象的状态好坏的所述状态指标值的学习数据，根据输入该组合模式的各测定数据而输出所述状态指标值。
在上述任一方面的装置中，所述组信息取得部可以具有计算部，其对所述多种测定数据中的测定数据的每一组合计算相关系数。所述组信息取得部可以具有分组部，其对相关系数比基准相关系数高的组合的测定数据彼此进行分组。所述组信息取得部可以具有生成部，其生成表示分组后的测定数据的组的所述组信息。
在上述任一方面的装置中，所述组信息可以将所述多种测定数据中、相对于其他各测定数据的相关度比基准低的测定数据分别表示为不同的组。
在本发明第三方面中提供一种方法。该方法可以具有：测定数据取得阶段，取得表示对象状态的多种测定数据；组信息取得阶段，取得所述多种测定数据中、表示相关度比基准高的测定数据的组的组信息；确定阶段，对由所述组信息表示的每个组，确定由所述测定数据取得阶段取得的测定数据中的异常的测定数据；供给阶段，对模型分别供给由所述确定阶段按组确定的异常的测定数据，所述模型根据对每个由所述组信息表示的组输入任一种测定数据而输出表示所述对象状态的好坏的状态指标值；输出阶段，输出与从所述模型输出的所述状态指标值对应的信号。
在本发明第四方面中提供一种方法。该方法可以具有：测定数据取得阶段，取得表示对象状态的多种测定数据；组信息取得阶段，取得所述多种测定数据中表示相关度比基准高的测定数据的组的组信息；进行模式的学习处理的学习处理阶段，在所述模式的学习处理中，对于每个从各组任意选择一种测定数据的测定数据的组合模式，使用包含该组合模式中包含的各测定数据和表示所述对象的状态好坏的所述状态指标值的学习数据，根据输入该组合模式的各测定数据而输出所述状态指标值。
在本发明第五方面中提供一种计算机可读介质，其存储有使计算机作为测定数据取得部、组信息取得部、确定部、供给部、输出部发挥作用的程序，所述测定数据取得部取得表示对象状态的多种测定数据，所述组信息取得部取得所述多种测定数据中表示相关度比基准高的测定数据的组的组信息，所述确定部对由所述组信息表示的每个组，确定由所述测定数据取得部取得的测定数据中的异常的测定数据，所述供给部对模型分别供给由所述确定部按组确定的异常的测定数据，所述模型根据对由所述组信息表示的每个组输入任一种测定数据，输出表示所述对象状态的好坏的状态指标值；所述输出部输出与从所述模型输出的所述状态指标值对应的信号。
在本发明第六方面中提供一种计算机可读介质，其存储有将计算机作为测定数据取得部、组信息取得部、学习处理部发挥作用的程序，所述测定数据取得部取得表示对象状态的多种测定数据，所述组信息取得部取得所述多种测定数据中、表示相关度比基准高的测定数据的组的组信息，学习处理部进行模式的学习处理，在所述模式的学习处理中，对于每个从各组任意选择一种测定数据的测定数据的组合模式，使用包含该组合模式中包含的各测定数据和表示所述对象的状态好坏的所述状态指标值的学习数据，根据输入该组合模式的各测定数据而输出所述状态指标值。
另外，上述的发明内容并非列举了本发明的全部必要特征。另外，这些特征组的子组合也可成为发明。
附图说明
图1表示实施方式的系统1。
图2表示组信息文件431的数据结构。
图3表示进行模型435的学习处理时的装置4的动作。
图4表示使用模型435时的装置4的动作。
图5表示变形例的系统1A。
图6表示本发明的多个方式可以被整体或部分地实现的计算机2200的例子。
具体实施方式
以下，通过发明的实施方式说明本发明，但以下的实施方式并不限定权利要求书所涉及的发明。另外，在实施方式中说明的特征的组合不一定全部是发明的解决手段所必须的。
[1.系统1的构成]
图1表示本实施方式的系统1。系统1支持对象的状态监视，具备作为对象的一例的设备2和装置4。
[1.1.设备2]
在设备2中设置有多个传感器20。例如设备2可以是设有多个机器21的成套设备，也可以是将多个机器21复合而成的复合装置。作为成套设备，除了化学或生物等工业成套设备以外，还可以举出对气田或油田等的井口及其周边进行管理控制的成套设备、对水力、火力、原子力等的发电进行管理控制的成套设备、对太阳光或风力等的环境发电进行管理控制的成套设备、对上下水或水库等进行管理控制的成套设备等。
[1.1-1.机器21]
各机器21可以是设备、机器或装置，并且可以是例如控制设备2的过程中的压力、温度、pH、速度、流量等至少一个物理量的阀、泵、加热器、风扇、电机、开关等致动器。各机器21既可以彼此不同，也可以至少一部分的两个以上的机器21相同。
[1.1-2.传感器20]
各传感器20进行设备2的状态的测定。传感器20可以测定压力、温度、pH、速度、流量等至少一个物理量。另外，传感器20也可以进行设备2的产量、混入的杂质的比例、各机器21的运转状况等的测定。各传感器20既可以相互不同，也可以至少一部分的两个以上的传感器20相同。作为一例，两个以上的传感器20可以是设置在设备2中的炉中的不同位置的温度传感器。在由多个传感器20测定的多个测定数据中，一部分测定数据可以表示在与其他测定数据之间高的相关度。各传感器20可以将测定数据供给装置4。
另外，传感器20与装置4间的通信例如可以通过ISA(International Society ofAutomation：国际测量控制学会)的通信协议来进行，作为一例，既可以由无线通信协议的ISA100或无线HART(Highway Addressable Remote Transducer(注册商标))等中的至少一个进行，也可以由有线通信协议的BRAIN(注册商标)、基金会现场总线(FOUNDATIONFieldbus)或现场总线(PROFIBUS)等中的至少一个进行。
[1.2.装置4]
设备4可以使用测定数据进行模型435的学习处理。此外或取而代之，装置4可以使用已学习的模型435来支持设备2的监视。装置4具有测定数据取得部401、预处理部402、存储部403、输入部404、标签附加部405、组信息取得部406、学习处理部407、指定部408、确定部409、供给部410、输出部411和显示部412。
[1.2.1.测定数据取得部401]
测定数据取得部401取得表示设备2的状态的多种测定数据。测定数据取得部401可以从各传感器20依次取得各种测定数据。测定数据取得部401也可以从外部的存储装置(未图示)一并取得由各传感器20预先测定的测定数据。在传感器20因更换或故障等而未进行测定的情况下，测定数据取得部401可以不取得来自该传感器20的测定数据。在本实施方式中，作为一例，测定数据的种类可以根据每个传感器20而不同，但也可以根据作为对象的物理量而不同。
测定数据取得部401可以对取得的测定数据附加测定时间和测定数据的识别信息(也称为测定数据ID、标签)。测定数据ID也可以是测定的传感器20的识别信息。测定数据的测定时间既可以是测定了该测定数据的时间，也可以是基于测定数据取得部401的测定数据的取得时间。测定时间及测定数据ID可以预先附加到从传感器20提供的测定数据中。测定数据取得部401可以经由预处理部402将取得的测定数据存储在测定数据文件430中。
[1.2.2.预处理部402]
预处理部402对测定数据进行所谓的预处理。预处理部402可以将预处理后的测定数据存储在存储部403的测定数据文件430中。除此之外，或者取而代之，预处理部402也可以读出存储在测定数据文件430中的测定数据进行预处理，作为预处理后的测定数据存储在测定数据文件430中。在本实施方式中，作为一例，可以由后述的组信息取得部406、学习处理部407、确定部409以及供给部410读出预处理后的测定数据。
由预处理部402进行的预处理可以是以往公知的偏离值处理、标准化处理、或者缺损值处理中的至少一个，除此之外，或者取而代之，也可以进行其他的预处理。偏离值处理既可以是排除测定数据的偏离值的处理，也可以是对各种测定数据将偏离值修正为预先设定的范围内的值的处理。标准化处理可以是将每种测定数据分别修正为在多种测定数据之间共同的范围内的值的处理(作为一例，在0～1的范围缩放的处理)。标准化处理可以包括将测定数据的平均值缩放为0、将方差缩放为1的处理，即标准化处理。缺损值处理可以是在一个测定数据缺损的情况下删除附加了与该一个测定数据相同的测定时间的其他测定数据的处理，也可以是对该一个测定数据进行补充的处理。
[1.2.3.存储部403]
存储部403存储各种信息。例如，存储部403可以存储测定数据文件430、组信息文件431和多个模型435。
[1.2.3-1.测定数据文件430]
测定数据文件430存储从测定数据取得部401供给的测定数据。也可以由预处理部402对测定数据进行预处理。
[1.2.3-2.组信息文件431]
组信息文件431存储由测定数据取得部401取得的多种测定数据中、表示相关度比基准高的测定数据的组(也称为测定数据组)的组信息。另外，即使是包含在同一个测定数据组中的测定数据彼此，也有可能某一个测定数据相对异常，暂时相关度变低。
组信息可以将多种测定数据中、相对于其他各测定数据的相关度低于基准的测定数据分别表示为单独的测定数据组、即单一要素的测定数据组。组信息可以从后述的组信息取得部406供给。
[1.2.3-3.模型435]
各模型435根据对由组信息表示的每个测定数据组输入任一种测定数据，输出表示设备2的状态的好坏的状态指标值。在本实施方式中，作为一例，各模型435既可以对每个从各测定数据组中各选择一种的测定数据的组合模式设置，也可以根据输入对应的组合模式的各测定数据而输出状态指标值。对应的组合模式的识别信息(也称为模式ID)可被附加到每个模型435。
在此，各模型435可以输出未以表示设备2的状态良好的值和表示设备2的状态不佳的值进行二值化的状态指标值(也称为健康指数)。例如，模型435既可以使用表示设备2的状态良好的值及表示设备2的状态不佳的值这两个值进行了学习，也可以输出基于与阈值的比较而进行的二值化前的状态指标值。在本实施方式中，作为一例，在设备2的状态良好的情况下(或者接近良好的情况下)，状态指标值可以是正值，在设备2的状态不佳的情况下(或者接近不佳的情况下)，状态指标值可以是负值。模型435可以是例如支持向量机，但也可以是通过逻辑回归、决策树、神经网络等其他算法的已学习的模型。模型435可以是线性模型。
[1.2.4.输入部404]
输入部404接受来自操作员的操作输入。
输入部404在显示测定数据的情况下，可以接受对测定数据附加表示设备2的状态好坏的标签的意思的操作。输入部404可以向标签添加部405供给进行了操作的意思的信号。
输入部404也可以接受指定输出到模型435的状态指标值的对象时刻的意思的操作。对象时刻既可以是现在的时刻，也可以是过去的时刻。输入部404可以向指定部408供给进行了操作的意思的信号。
[1.2.5.标签附加部405]
标签附加部405根据操作员的操作，对各测定数据附加表示设备2的状态好坏的标签。标签附加部405可以对测定数据文件430内的相应的测定数据附加表示处于良好状态或不佳状态的标签。由标签附加部405附加的标签可以在学习处理部407的学习处理中使用。
[1.2.6.组信息取得部406]
组信息取得部406取得组信息。组信息取得部406可以将所取得的组信息存储在存储部403的组信息文件431中。
组信息取得部406可以生成组信息。在本实施方式中，作为一例，组信息取得部406可以具有计算部461、分组部462和生成部463。
[1.2.6-1.计算部461]
计算部461对由测定数据取得部401取得的多种测定数据中的测定数据的每一组合计算相关系数。计算部461可以使用在测定数据文件430内存储的全部期间的测定数据中的至少一部分期间(也称为相关系数的计算对象期间)的测定数据来计算相关系数。相关系数是表示两个数据的相关度的指标，可以是-1～+1范围内的值。相关系数的计算对象期间可以由操作员任意指定，作为一例，可以是将测定数据文件430内的测定数据的全部测定期间等分后的任一期间。计算部461可以将各组合的相关系数供给分组部462。
[1.2.6-2.分组部462]
分组部462将相关系数比基准相关系数高的组合的测定数据彼此分组。分组部462可以将一个测定数据和相对于该一个测定数据的相关系数比基准相关系数高的各测定数据作为相同的测定数据组。分组部462可以将不存在相关系数比基准相关系数高的其他测定数据的各测定数据、即相对于其他各测定数据的相关系数比基准相关系数低的各测定数据分别作为不同的测定数据组。基准相关系数既可以是预先设定的固定值(作为一例为0.9以上的值、0.95以上的值)，也可以是由操作员任意变更的值。
分组部462可以将分组结果供给生成部463。作为一例，分组部462可以将分组后的测定数据的测定数据ID按每个测定数据组供给生成部463。
[1.2.6-3.生成部463]
生成部463生成表示由分组部462分组的测定数据组的组信息。生成部463可以将测定数据组中包含的各测定数据的测定数据ID相互对应而生成组信息。生成部463可以将测定数据组的识别信息(也称为组ID)附加到组信息。生成部463也可以将相对于其他各测定数据的相关度比基准低的测定数据的组ID作为该测定数据的测定数据ID。生成部463可以将生成的组信息存储在组信息文件431中。
[1.2.7.学习处理部407]
学习处理部407对每个从各测定数据组中各选择一种的测定数据的组合模式进行模型435的学习处理。学习处理部407可以进行使用包含在组合模式中包含的各测定数据和状态指标值的学习数据，根据该组合模式的各测定数据的输入而输出状态指标值的模型435(在本实施方式中作为一例，与组合模式的模式ID对应的模型435)的学习处理。学习处理部407可以进行各模型435的学习处理，以使由测定数据的组合模式的不同引起的状态指标值的差异为任意的范围(作为一例为标准误差的范围)。
学习数据中包含的状态指标值的值可以是与由标签附加部405附加到测定数据的标签对应的二值的值。在本实施方式中，作为一例包含在学习数据中的状态指标值的值，在表示良好状态的标签被附加到测定数据的情况下可以是“1”，在表示不佳状态的标签被附加到测定数据的情况下可以是“-1”。
[1.2.8.指定部408]
指定部408指定输出到模型435的状态指标值的对象时刻。指定部408可以根据操作员的操作来指定对象时刻。指定部408可以向确定部409供给表示指定的对象时刻的信息。
[1.2.9.确定部409]
确定部409对由组信息表示的每个测定数据组，确定由测定数据取得部401取得的测定数据中异常的测定数据(也称为异常测定数据)。异常测定数据可以是与测定数据组中的其他测定数据之间相对异常的测定数据。确定部409可以确定对象时刻的异常测定数据。
在本实施方式中，作为一例，确定部409可以将第一个测定数据组内的多个测定数据中包含对象时刻的基准期间的平均变化率与对象时刻的变化率之差最大的测定数据作为第一个测定数据组中的异常测定数据。由此，在对象时刻表示最异常动作的测定数据被确定为异常测定数据。
对象时刻的测定数据的变化率可以是对象时刻的测定数据和比对象时刻早一个测定时刻的测定数据的变化率。另外，包含对象时刻的基准期间的测定数据的平均变化率可以是在基准期间内测定的测定数据中、在前后的定时测定的测定数据彼此的各变化率的平均值。确定部409可以通过移动平均等使各种测定数据在时间轴方向上平滑化，然后计算变化率。
基准期间可以是包含多个测定数据的测定定时的任意长度的期间。基准期间可以是比相关系数的计算对象期间短的期间。基准期间既可以在起点包含对象时刻，也可以在终点包含对象时刻，还可以在起点到终点之间包含对象时刻。
确定部409可以将包含两种以上的测定数据的测定数据组作为第一个测定数据组。确定部409对于仅包含一种测定数据的测定数据组，可以将该测定数据作为异常测定数据。
确定部409可以将每个测定数据组的异常测定数据的测定数据ID和表示对象时刻的信息供给供给部410。
[1.2.10.供给部410]
供给部410对模型435分别供给由确定部409按每个测定数据组确定的异常测定数据。供给部410可以对模型435供给对象时刻的异常测定数据。
在此，在本实施方式中，作为一例，在装置4中设有多个模型435。因此，供给部410可以对这些多个模型435中、与由确定部409按每个测定数据组确定的异常测定数据的组合模式对应的模型435分别供给该异常测定数据。在本实施方式中，作为一例，供给部410可以对与异常测定数据的组合模式的模式ID对应的模型435分别供给异常测定数据。
供给部410可以对输出部411进一步供给测定数据。供给部410可以向输出部411供给包含对象时刻的期间(作为一例为上述的基准期间)的测定数据。供给输出部411的测定数据既可以是异常测定数据，也可以是与异常测定数据不同的测定数据。
[1.2.11.输出部411]
输出部411输出与从模型435输出的状态指标值对应的信号。输出部411既可以是显示控制部，也可以对显示部412输出显示控制信号。作为一例，输出部411可以将状态指标值直接显示在显示部412。除此之外，或者取而代之，输出部411可以根据从模型435输出表示设备2的状态良好的状态指标值，使显示部412显示设备2的状态良好的意思。输出部411可以根据从模型435输出表示设备2的状态不佳的状态指标值，在显示部412显示设备2的状态不佳的意思。
输出部411在从供给部410供给测定数据的情况下，也可以将该测定数据与状态指标值一同显示在显示部412。作为一例，输出部411既可以在显示部412的同一画面上显示状态指标值及测定数据，也可以在不同的画面上显示状态指标值和测定数据。
[1.2.12.显示部412]
显示部412通过来自输出部411的控制进行显示。另外，在本实施方式中，作为一例，显示部412设置在装置4中，但也可以与装置4外部连接。
根据以上的系统1中的装置4，对于每个相关度高的测定数据组，将任意的异常的测定数据输入模型435，相应地输出与从该模型435输出的状态指标值对应的信号。因此，与不对每个测定数据组选择测定数据而将全部的测定数据输入模型435并输出状态指标值的情况相比，能够减轻模型435的运算负荷、模型435的学习处理负荷。另外，与将测定数据组内的测定数据中的与异常测定数据不同的测定数据输入模型435的情况不同，能够可靠地检测设备2的异常。另外，由于在所取得的测定数据内确定异常测定数据，所以即使在由于传感器20的故障等而不能取得一部分测定数据的情况下，也能够避免无法取得应输入模型435的测定数据的情况，能够可靠地检测设备2的状态。
另外，由于确定被指定的对象时刻的异常测定数据并供给模型435，所以能够检测对象时刻的设备2的状态。
另外，在第一个测定数据组内的多个测定数据中、包含对象时刻的基准期间的平均变化率与对象时刻的变化率之差最大的测定数据设为第一个测定数据组中的异常测定数据。因此，能够在第一个测定数据组内高精度地确定可使设备2成为不佳状态的异常测定数据。
另外，由于对与异常测定数据的组合模式对应的模型435分别供给该异常测定数据，所以与向不对应的模型435供给异常测定数据的情况不同，能够高精度地检测设备2的状态。
另外，对每个从各测定数据组中各选择一种的测定数据的组合模式进行模型435的学习处理。因此，能够与异常测定数据的组合模式无关地检测设备2的状态。
另外，对多种测定数据中的测定数据的每一组合计算相关系数，将相关系数比基准相关系数高的组合的测定数据彼此分组，生成组信息。因此，能够生成将相关度高的测定数据彼此分组而成的组信息。
另外，组信息将多种测定数据中、相对于其他各测定数据的相关度比基准低的测定数据分别表示为不同的测定数据组。因此，将构成单一要素的测定数据组的测定数据包含在模型435的输入数据中，能够高精度地检测设备2的状态。
[2.组信息文件]
图2表示组信息文件431的数据结构。另外，在本图中，作为一例，将测定数据的种类设为12个。
组信息文件431可以对各测定数据的测定数据ID，相对于该测定数据与相关度比基准高的其他测定数据(也称为强相关的测定数据)的测定数据ID建立对应，作为组信息进行存储。另外，组信息文件431可以将组ID与各测定数据组的组信息对应地存储。在图2中，作为一例，表示了测定数据Xa、Xc、Xd、Xg(分别也称为测定数据ID“Xa”、“Xc”、“Xd”、“Xg”的测定数据)包含在测定数据组G1(也称为组ID“G1”的测定数据组)中。另外，表示测定数据Xf单独包含在测定数据组G3中。
另外，在图2中，对每个测定数据组，表示该测定数据组中包含的测定数据的数量，换言之，能够从测定数据组中选择的测定数据的模式数。这些模式数的平方后的值“24”可以表示对每个测定数据组选择了任意测定数据时的组合模式的总数，进而表示模型435的数量。
[3.动作]
[3.1.学习阶段的动作]
图3表示进行模型435的学习处理时的装置4的动作。装置4通过步骤S11～S19的处理进行各模型435的学习处理。
在步骤S11中，测定数据取得部401取得表示设备2的状态的多种测定数据。在本实施方式中，作为一例，测定数据取得部401可以从外部的存储装置(未图示)一并取得由各传感器20预先测定的测定数据。
在步骤S13中，预处理部402对所取得的测定数据进行预处理。预处理部402可以对测定数据进行以往公知的偏离值处理、标准化处理、或者缺损值处理中的至少一个，除此之外，或者取而代之，可以进行其他的预处理。预处理部402可以将预处理后的测定数据存储在测定数据文件430中。
在步骤S15中，标签附加部405根据操作员的操作，对测定数据文件430的各测定数据，附加表示在该测定数据的测定时刻设备2的状态是否良好的标签。标签附加部405既可以对在设备2为良好状态的期间测定的测定数据一并赋予表示为良好状态的标签，也可以对在设备2为不佳状态的期间测定的测定数据一并赋予表示为不佳状态的标签。
在步骤S17中，组信息取得部406取得存储在测定数据文件430中的多种测定数据的组信息。组信息取得部406可以对多种测定数据中的测定数据的每一组合计算相关系数，将相关系数比基准相关系数高的组合的测定数据彼此分组，生成组信息。
另外，组信息取得部406可以将模式ID与从由组信息表示的各测定数据组中各选择了一种测定数据时的各组合模式对应而生成模式数据。作为一例，在取得了上述图2所示的组信息的情况下，可以对从测定数据组G1～G6中分别选择了一种测定数据的共计24个组合模式的每一个，对应模式ID。所生成的模式数据可以存储在存储部403中。
在步骤S19中，学习处理部407对每个从各测定数据组中各选择一种的测定数据的组合模式，进行使用包含该组合模式中包含的各测定数据和状态指标值的学习数据，根据输入该组合模式的各测定数据输出状态指标值的模型435的学习处理。学习处理部407可以对在步骤S17中生成的模式数据表示的每个组合模式，使用包含由该模式数据表示的各测定数据的学习数据，进行不同的模型435的学习处理。作为一例，在步骤S17中取得了上述图2所示的组信息的情况下，学习处理部可以使用共计24个组合模式的测定数据进行24个模型435的学习处理。
由此，生成与各组合模式对应的模型435。学习处理部407可以对各模型435附加与该模型435对应的组合模式的模式ID。
[3.2.运用阶段的动作]
图4表示使用模型435时的装置4的操作。装置4通过步骤S31～S43的处理支持设备2的监视。另外，该动作可以根据设备2的启动而开始。另外，在动作的开始时刻，可以将在上述步骤S17中取得的组信息和由上述步骤S19生成的各模型435预先存储在存储部403中。
在步骤S31中，测定数据取得部401取得表示设备2的状态的多种测定数据。在本实施方式中，作为一例，测定数据取得部401可以从各传感器20依次取得测定数据。
在步骤S33，预处理部402对所取得的测定数据进行预处理。预处理部402可以与上述步骤S13同样地进行预处理。
在步骤S35，装置4判定是否进行对象时刻的指定操作。在判定为进行了指定操作时(步骤S35；是)，处理可以转移到步骤S35。当判定为不进行指定操作时(步骤S35；否)，处理可以转移到步骤S31。
在步骤S37，指定部408指定对象时刻。指定部408可以根据操作员的操作来指定对象时刻。指定部408既可以指定当前时刻，也可以指定过去的时刻。
在步骤S39中，确定部40对由组信息表示的每个测定数据组，在由步骤S31的处理取得的测定数据中确定异常测定数据。例如，在上述图2的组信息由组信息取得部406取得的情况下，确定部409可以从组ID为“G1”～“G6”的各个测定数据组，将任意的测定数据确定为异常测定数据。确定部409可以确定对象时刻的异常测定数据。
在步骤S41中，供给部410将在每一个测定数据组确定的异常测定数据分别供给模型435。供给部410可以检测在多个模型435中、附加了确定的异常测定数据的组合模式的模式ID的模型435，并向该模型435供给对象时刻的各异常测定数据。在本实施方式中，作为一例，供给部410可以通过参照上述步骤S17中存储于存储部403中的图形信息，确定与异常测定数据的组合对应的模式ID，并分别向与该模式ID对应的模型435供给异常测定数据。
此外，供给部410可以对与其他组合模式对应的模型435分别供给该其他组合模式中包含的测定数据。其他组合模式可以是预先定义的默认值的组合模式。供给部410可以向与其他组合模式对应的模型435供给对象时刻的各测定数据。
在步骤S43中，输出部411输出与从模型435输出的状态指标值对应的信号。作为一例，输出部411可以在显示部412显示状态指标值，并且在显示部412显示设备2的状态是否良好。
另外，在步骤S41中也对与其他组合模式对应的模型435分别供给测定数据的情况下，输出部411也可以输出与从该模型435输出的状态指标值对应的信号。例如，输出部411可以输出从与异常测定数据的组合模式对应的模型435输出的状态指标值和从与其他组合模式对应的模型435输出的状态指标值中的、与表示更不佳状态的状态指标值对应的信号。输出部411也可以根据操作员的选择操作，分别输出与两个状态指标值对应的信号。
根据以上的动作，输出与从与每个测定数据组的异常测定数据对应的模型435输出的状态指标值和从与其他组合模式对应的模型435输出的状态指标值对应的信号。因此，即使在异常测定数据的确定精度差的情况下，也能够高精度地检测设备2的异常。
另外，在上述的运用阶段的动作中，说明了从步骤S31的处理前开始预先在存储部403中存储有组信息，但也可以在步骤S31的处理后到步骤S39的处理前的某个定时，由组信息取得部406取得组信息。在这种情况下，可以通过组信息取得部406，基于通过步骤S31的处理取得的过去测定数据来生成组信息。
[4.系统1的变形例]
图5表示变形例的系统1A。系统1A包括设备4A，设备4A具有预处理部402A、存储部403A、学习处理部407A和供应部410A。
[4.1.预处理部402A]
预处理部402A是标准化部的一例，对至少一个测定数据组中包含的各测定数据进行标准化。标准化可包括使各种测定数据的平均值为0且方差为1的标准化。
在此，在由组信息取得部406未取得组信息的情况下，预处理部402A可以将测定数据分别修正(也称为缩放)为对所有种类的测定数据共同设定的范围内的值。换言之，预处理部402A可以在全测定数据组中在共同的范围内分别对测定数据进行标准化。
在由组信息取得部406取得了组信息的情况下，预处理部402A可以分别对包含两种以上的测定数据的各测定数据组中包含的测定数据进行标准化。作为一例，预处理部402A可以将包含两种以上的测定数据的各测定数据组所包含的测定数据分别修正为在该测定数据组设定的范围内的值。预处理部402A对仅包含一种测定数据的测定数据组的测定数据，既可以进行该测定数据组内的标准化，也可以不进行该测定数据组内的标准化。取而代之，预处理部402A也可以在由组信息取得部406取得了组信息的情况下，与未由组信息取得部406取得组信息的情况同样地进行标准化。
预处理部402A可以读出在存储部403的测定数据文件430中存储的测定数据并进行标准化，作为标准化后的测定数据，存储在测定数据文件430中。在本变形例中，可以至少由学习处理部407A及供给部410A读出标准化后的测定数据。预处理部402A可以对测定数据进一步进行与上述预处理部402同样的偏离值处理或缺损值处理中的至少一方，除此之外，或者取而代之，也可以进行其他的预处理。
[4.2.存储部403A]
存储部403A存储单个模型435A。模型435A根据对每个测定数据组输入选择了任一种测定数据的任意组合模式的各测定数据，输出状态指标值。模型435A可以与上述模型435同样，输出未以表示设备2的状态良好的值和表示设备2的状态不佳的值未进行二值化的状态指标值。模型435A可以是例如支持向量机，但也可以是基于逻辑回归、决策树、神经网络等其他算法的的已学习的模型。模型435可以是线性模型。
[4.3.学习处理部407A]
学习处理部407A进行模型435A的学习处理。学习处理部407A可以使用包含由预处理部402A标准化的各测定数据组的测定数据和状态指标值的学习数据，进行模型435A的学习处理。另外，也可以不将仅包含一种测定数据的测定数据组的测定数据标准化。学习处理部407A可以进行模型435A的学习处理，以使由测定数据的组合模式的不同引起的状态指标值的差异为任意的范围(作为一例为标准误差的范围)。
学习数据可以在每个测定数据组包含至少一种测定数据。作为一例，在由组信息取得部406取得上述图2所示的组信息的情况下，学习数据对于测定数据组G1，既可以仅包含测定数据Xa、Xc、Xd、Xg中的任一种测定数据，也可以包含多种测定数据。另外，利用设备2的测定数据由学习处理部407A进行了学习处理的模型435A可以用于判定其他设备2的状态。
[4.4.供给部410A]
供给部410A对模型435A分别供给由确定部409按每个测定数据组确定的异常测定数据。供给部410A可以向模型435A供给由预处理部402A标准化且由确定部409确定的异常测定数据。另外，仅包含一种测定数据的测定数据组的测定数据也可以不被标准化。供给部410A可以对模型435A供给对象时刻的异常测定数据。
此外，供给部410A可以将与异常测定数据的组合模式不同的其他组合模式(作为一例为默认值的组合模式)的测定数据分别另外供给到模型435A。供给部410A可以对模型435A供给对象时刻的各测定数据。
另外，在对模型435A另外供给与异常测定数据的组合模式不同的其他组合模式的各测定数据的情况下，输出部411可以通过该其他组合模式的各测定数据，输出与从模型435A输出的状态指标值相应的信号。例如，输出部411可以输出通过每个测定数据组的异常测定数据从模型435A输出的状态指标值和通过其他组合模式的各测定数据从模型435A输出的状态指标值中、与表示更不佳的状态的状态指标值对应的信号。输出部411可以根据操作员的选择操作分别输出与各状态指标值对应的信号。在这些情况下，不管异常测定数据的确定精度如何，都可以高精度地检测设备2的状态不佳。
根据以上系统1A中的装置4A，与上述装置4同样，对相关度高的每一个测定数据组，将任一异常的测定数据输入模型435A，据此，输出与从该模型435A输出的状态指标值对应的信号。因此，与对每个测定数据组，不选择测定数据组而将所有测定数据输入模型435A并输出状态指标值的情况相比，能够减轻模型435A的运算负荷及模型435A的学习处理的负荷。另外，与在测定数据组内的测定数据中的与异常测定数据不同的测定数据被输入模型435A的情况不同，能够可靠地检测设备2的异常。另外，由于在所取得的测定数据中确定异常测定数据，所以即使在因传感器20的故障等而无法取得一部分测定数据的情况下，也能够避免无法取得应输入模型435A的测定数据的情况，能够可靠地检测设备2的状态。
另外，对每一个测定数据组输入选择了任一种测定数据的任意组合模式的各测定数据而输出状态指标值的模型435A，分别供给被确定的异常测定数据。因此，不论异常测定数据的种类如何，都能够可靠地检测设备2的状态。
另外，由于至少一个测定数据组中包含的各测定数据被标准化，对每个测定数据组确定的异常测定数据被供给模型435A，所以即使在该测定数据组内任意的测定数据为异常测定数据的情况下，能够精度良好地检测设备2的状态。
另外，由于使用包含被标准化的至少一个测定数据组的各测定数据和状态指标值的学习数据来进行模型435A的学习处理，即使在该测定数据组内任意的测定数据为异常测定数据时，也能够生成输出精度高的状态指标值的模型435A。
[5.异常测定数据的确定方法的变形例]
另外，在上述实施方式及变形例中，说明了确定部409将第一个测定数据组内的多个测定数据中包含对象时刻的基准期间的平均变化率与对象时刻的变化率之差最大的测定数据确定为第一个测定数据组中的异常测定数据。除此之外，或者取而代之，确定部409可以使用一种或多种其他方法来确定异常测定数据。
[5.1.变形例(1)]
例如，确定部409在对象时刻的第二测定数据组内的多个测定数据中，将在由供给部410分别向模型435、435A供给时从模型435、435A输出最不佳的状态指标值的测定数据也可以作为第二测定数据组中的异常测定数据。
作为一例，在由组信息取得部406取得了上述图2所示的组信息的情况下，确定部409对测定数据组G5，可以比较以包含测定数据Xi的一个或多个组合模式，将各测定数据设输入模型435、435A时输出的状态指示值和以包含测定数据Xj的一个或多个组合模式将各测定数据输入模型435、435A时输出的状态指示值。在输入模型435、435A的各测定数据组的测定数据中，测定数据组G5以外的测定数据在包含测定数据Xi的组合模式和包含测定数据Xj的组合模式中可以相同。确定部409可以通过移动平均等在时间轴方向上将对象时刻的各种测定数据平滑化，然后输入模型435、435A。确定部409可以将从模型435、435A输出测定数据Xi、Xj中表示更不佳的状态的状态指标值的测定数据作为异常测定数据。
确定部409可以将包含两种以上测定数据的测定数据组作为第二测定数据组。确定部409对于仅包含一种测定数据的测定数据组，可以将该测定数据作为异常测定数据。根据变形例(1)的方法，能够在第二测定数据组内高精度地确定可使设备2成为不佳状态的异常测定数据。
[5.2.变形例(2)]
另外，确定部409在包含对象时刻的基准期间，在第三测定数据组内的多个测定数据中的一个测定数据与其他各测定数据的相关系数分别小于阈值的情况下，可以将该一个测定数据作为第三测定数据组中的异常测定数据。确定部409可以通过移动平均等在时间轴方向上将基准期间的各种测定数据平滑化，然后计算相关系数。确定部409可以将包含三种以上的测定数据的测定数据组作为第三测定数据组。作为一例，在由组信息取得部406取得了上述图2所示的组信息的情况下，根据在测定数据组G2中测定数据Xb与测定数据Xe的相关系数、及测定数据Xb与测定数据Xl的相关系数分别小于阈值，测定数据Xb可以设为测定数据组G2的异常测定数据。
确定部409在第三测定数据组内的多个测定数据中的一个测定数据与其他任意的测定数据的相关系数为阈值以上的情况下，可以将在第三测定数据组内的多个测定数据中的在与该一个测定数据之间相关系数最低的测定数据作为第三测定数据组中的异常测定数据。作为一例，在测定数据组G2中，测定数据Xb与测定数据Xe的相关系数高于阈值、测定数据Xb与测定数据Xl的相关系数小于阈值的情况下，可以将测定数据Xl作为测定数据组G2的异常测定数据。由此，能够省去将第三测定数据组内的各测定数据依次设定为一个测定数据来计算与其他测定数据的相关系数的麻烦，因此能够在第三测定数据组内容易地确定可使设备2处于不佳状态的异常测定数据。根据变形例(2)的方法，能够在第三测定数据组内高精度地确定可使设备2为不佳状态的异常测定数据。
另外，相关系数的阈值既可以任意设定，也可以是与基准相关系数相同的值，还可以是不同的值。也可以对测定数据的每个组合设定相关系数的阈值。例如，将根据存储在测定数据文件430中的测定数据Xa和测定数据Xb算出的相关系数的平均值设为R，将方差设为σ时，测定数据Xa、Xb间的相关系数的阈值也可以为R-σ。计算平均值R及方差σ的期间既可以是相关系数的计算对象期间，也可以是其一部分的期间。
[5.3.变形例(3)]
另外，确定部409可以将第四测定数据组内的多个测定数据中的对象时刻的自协方差最大的测定数据或自相关最低的测定数据作为第四测定数据组中的异常测定数据。确定部409也可以将对象时刻的自协方差最大且自相关最低的测定数据作为异常测定数据。确定部409可以将包含一种以上的测定数据的测定数据组作为第四测定数据组。根据变形例(3)的方法，能够在第四测定数据组内高精度地确定可使设备2为不佳状态的异常测定数据。
[5.4.变形例(4)]
另外，确定部409可以将第五测定数据组中的各测定数据中、基准时刻与对象时刻之间差异最大的测定数据作为第五测定数据组中的异常测定数据。在此，确定部409可以将第五测定数据组中不包含的两种以上的测定数据的数据集的各取得时刻中的、相对于对象时刻的数据集近似度最高的数据集的取得时刻作为基准时刻。确定部409可以将包含一种以上的测定数据的测定数据组作为第五测定数据组。根据变形例(4)的方法，能够在第五测定数据组内高精度地确定可使设备2为不佳状态的异常测定数据。
另外，数据集中包含的各种测定数据既可以包含在相同的测定数据组中，也可以包含在不同的测定数据组中。所谓数据集彼此的近似度高可以是数据集彼此的距离近。
[6.其他变形例]
另外，在上述实施方式及变形例中，说明了确定部409在测定数据组内确定一种异常测定数据，但也可以确定两种以上的异常测定数据。例如，在实施方式及变形例说明的确定方法中，在相应的测定数据存在n种(n为2以上的自然数)以上的情况下，确定部409可以将这些测定数据分别作为相同的测定数据组的异常测定数据。作为一例，在实施方式的确定方法中，在第一个测定数据组内的多个测定数据中，包含对象时刻的基准期间的平均变化率与对象时刻的变化率之差最大的测定数据存在两种的情况下，确定部409可以将这些测定数据分别作为第一个测定数据组中的异常测定数据。
在同一个测定数据组内存在多个异常测定数据(也称为异常测定数据X1，…Xn)的情况下，装置4的供给部410可以相对于与异常测定数据X1，…Xn中的任一个异常测定数据XN(其中，N为1≤N≤n的各自然数)和其他各测定数据组的异常测定数据的组合模式对应的各模型435分别供给该组合模式的异常测定数据。另外，装置4A的供给部410A可以对每个相同的测定数据组的异常测定数据X1、…Xn中的任一个异常测定数据XN和其他各测定数据组的异常测定数据的组合模式，分别向模型435A供给该组合模式的异常测定数据。在这些情况下，输出部411既可以输出与从模型435、435A输出的各状态指标值中表示最不佳状态的状态指标值对应的信号，也可以根据操作员的选择操作，分别输出与各状态指标值对应的信号。
另外，虽然说明了组信息取得部406生成组信息，但也可以取得由其他装置生成的组信息。
另外，说明了组信息取得部406、学习处理部407、确定部409以及供给部410、410A从存储部403、403A读出由预处理部402、402A进行了预处理后的测定数据，但也可以读出未进行预处理的测定数据。另外，预处理部402、402A也可以从存储部403、403A读出未进行预处理的测定数据，进行预处理而供给组信息取得部406、学习处理部407、确定部409或供给部410、410A中的任一个。
另外，虽然将装置4、4A作为不同的装置进行了说明，但也可以是同一装置。例如，在从各测定数据组中各选择一种的测定数据的组合模式的数目超过基准数的情况下，装置4可以作为装置4A起作用。作为一例，装置4的预处理部402可以作为预处理部402A起作用，装置4的学习处理部407可以作为学习处理部407A起作用，装置4的供给部410可以作为供给部410A起作用。由此，在测定数据的组合模式数目少的情况下，对各个组合模式进行不同的模型435的学习，在测定数据的组合模式数目多的情况下，通过进行共同的模型435A的学习，能够减轻学习的负荷。基准数既可以根据装置4的规格(作为一例为并行处理性能)来决定，也可以由操作员任意决定。
另外，装置4、4A具有预处理部402、402A、存储部403、403A、输入部404、标签附加部405、学习处理部407、407A、指定部408、确定部409、供给部410、410A、输出部411、显示部412而进行了说明，但也可以不具有这些任一个。例如，装置4、4A在不具有存储部403、403A的情况下可与外部的存储装置连接。装置4、4A在不具有标签附加部405的情况下，可以通过测定数据取得部401取得预先附加有标签的测定数据。装置4、4A在不具有学习处理部407、407A的情况下，可以将预先进行了学习处理的模型435存储在存储部403、403A中。装置4、4A在不具有指定部408的情况下，可以将默认值的时刻(作为一例为当前时刻)作为对象时刻。装置4、4A在不具有确定部409、供给部410、410A和输出部411的情况下，可以进行模型435的学习处理。
另外，输出部411作为输出与状态指标值对应的显示控制信号进行了说明，但也可以输出与状态指标值对应的声音信号及警报信号等其他种类的信号。
此外，本发明的各种实施方式可以参照流程图及框图来描述，其中块可以表示(1)执行操作的过程的阶段或(2)具有执行操作的作用的装置的部分。特定的阶段及部分可由可编程电路及/或处理器安装，所述可编程电路与在专用电路、计算机可读介质上存储的计算机可读指令一同被供给，所述处理器与在计算机可读介质上存储的计算机可读指令一同被供给。专用电路既可以包含数字及/或模拟硬件电路，也可以包含集成电路(IC)及/或离散电路。可编程电路可以包含可再构成的硬件电路，该可再构成的硬件电路包含逻辑AND、逻辑OR、逻辑XOR、逻辑NAND、逻辑NOR以及其它逻辑操作、触发器、寄存器、现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)等这样的存储元件等。
计算机可读介质可以包含可存储由适当的设备执行的命令的任意的有形设备，其结果，具有在此存储的命令的计算机可读介质包括含有为了制作用于执行在流程图或框图中指定的操作的装置而可执行的命令的产品。作为计算机可读介质的例子，可以包括电子存储介质、磁存储介质、光存储介质、电磁存储介质、半导体存储介质等。作为计算机可读介质的更具体的例子，可以包含软盘(注册商标)、磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存)、电可擦除可编程只读存储器(EEPROM)、静态随机存取存储器(SRAM)、小型磁盘只读存储器(CD-ROM)、数字多用途盘(DVD)、蓝光(RTM)盘、存储棒、集成电路卡等。
计算机可读命令可以包括包含汇编指令、指令集架构(ISA)指令、机器指令、机器依赖指令、微码、固件指令、状态设定数据、或Smalltalk(注册商标)、JAVA(注册商标)、C++等这样的面向对象编程语言及“C”编程语言或类似编程语言那样的现有的程序型编程语言的由一个或多个编程语言的任意组合描述的源代码或对象代码中的任一个。
计算机可读指令可以经由本地或局域网(LAN)、网络等那样的广域网(WAN)对通用计算机、特殊目的计算机、或其他可编程的数据处理装置的处理器或可编程电路提供，为了制作用于执行在流程图或框图中指定的操作的装置，执行计算机可读指令。作为处理器的例子，包括计算机处理器、处理单元、微处理器、数字信号处理器、控制器、微控制器等。
图6表示可以将本发明的多个方式整体地或部分地具体化的计算机2200的例子。安装在计算机2200中的程序能够在计算机2200作为与本发明实施方式的装置相关联的操作或该装置的一个或多个部分起作用，或者，能够执行该操作或该一个或多个部分，及/或能够在计算机2200执行本发明实施方式中的流程或该流程的阶段。这样的程序可由CPU2212执行，以使计算机2200执行与本说明书记载的流程图及框图的块中的一些或全部相关联的特定操作。
本实施方式的计算机2200包括CPU 2212、RAM 2214、图形控制器2216及显示装置2218，它们通过主控制器2210相互连接。计算机2200还包括诸如通信接口2222、硬盘驱动器2224、DVD-ROM驱动器2226以及IC卡驱动器这样的输入/输出单元，它们经由输入/输出控制器2220与主机控制器2210连接。计算机还包括诸如ROM230及键盘2242这样的老式输入/输出单元，其经由输入/输出芯片2240与输入/输出控制器2220连接。
CPU 2212根据存储在ROM 2230及RAM 2214中的程序动作，并由此控制各单元。图形控制器2216在被提供给RAM 2214中的帧缓冲器等或其自身中取得由CPU2212生成的图像数据，将图像数据显示在显示装置2218上。
通信接口2222经由网络与其它电子设备通信。硬盘驱动器2224存储由计算机2200中的CPU2212使用的程序及数据。DVD-ROM驱动器2226从DVD-ROM 2201读取程序或数据，并经由RAM 2214向硬盘驱动器2224提供程序或数据。IC卡驱动器从IC卡读取程序及数据，及/或将程序及数据写入IC卡。
ROM 2230在其中存储在激活时由计算机2200执行的引导程序等及/或依赖于计算机2200的硬件的程序。输入/输出芯片2240还可以经由并行端口、串行端口、键盘端口、鼠标端口等将各种输入/输出单元与输入/输出控制器2220连接。
程序由诸如DVD-ROM2201或IC卡这样的计算机可读介质提供。程序从计算机可读介质读取，安装在作为计算机可读介质的例子的硬盘驱动器2224、RAM2214或ROM2230中，由CPU2212执行。在这些程序中描述的信息处理被计算机2200读取，导致程序与上述各种类型的硬件资源之间的协作。装置或方法可以通过根据计算机2200的使用来实现信息的操作或处理而构成。
例如，在计算机2200及外部设备之间进行通信的情况下，CPU2212可以执行载入RAM2214的通信程序，并且基于在通信程序中描述的处理，对通信接口2222指令通信处理。通信接口2222在CPU2212的控制下，读取存储在向RAM2214、硬盘驱动器2224、DVD-ROM2201或IC卡这样的记录介质内提供的发送缓冲处理区域中的发送数据，将读取到的发送数据发送到网络，或者将从网络接收到的接收数据写入被提供给记录介质的接收缓冲处理区域等。
另外，CPU2212将存储在硬盘驱动器2224、DVD-ROM驱动器2226(DVD-ROM2201)、IC卡等外部记录介质中的文件或数据库的全部或必要部分读取到RAM2214，可以对RAM 2214上的数据执行各种类型的处理。接着，CPU2212将处理后的数据写回外部记录介质。
各种类型的程序、数据、表格及数据库这样的各种类型的数据可以存储在记录介质中并接受信息处理。CPU2212可以对从RAM2214读取的数据执行包含在本发明的说明书中随处记载且由程序的指令序列指定的各种类型的操作、信息处理、条件判断、条件分支、无条件分支、信息的检索/置换等各种类型的处理，将结果写回RAM2214。另外，CPU2212可以检索记录介质内的文件、数据库等中的信息。例如，在记录介质中存储多个条目的情况下，其中每个条目具有与第二属性属性值相关联的第一属性的属性值，则CPU2212可以从该多个条目中检索指定第一属性的属性值的与条件匹配的条目，读取存储在该条目内的第二属性的属性值，由此取得与满足预定条件的第一属性相关联的第二属性的属性值。
以上说明的程序或软件模块可存储在计算机2200上或计算机2200附近的计算机可读介质中。另外，在专用通信网络或与因特网连接的服务器系统内提供的硬盘或RAM这样的存储介质可用作计算机可读介质，由此将程序经由网络提供给计算机2200。
以上，使用实施方式说明了本发明，但本发明的技术范围并不限定于上述实施方式所记载的范围。对于本领域技术人员显而易见的是，能够对上述实施方式进行各种变更或改进。从权利要求书的记载可清楚地看出这种变更或改进的方式也可包含在本发明的技术范围内。
权利要求书、说明书及附图中所示的装置、系统、程序及方法中的动作、顺序、步骤及阶段等各处理的执行顺序没有特别明示为“更早”、“之前”等，另外，应当注意只要不在后面的处理中使用之前处理的输出，可以以任何的顺序实现。关于权利要求书、说明书以及附图中的动作流程，即使为了方便而使用“首先、”、“其次、”等进行了说明，也并不意味着必须按照该顺序实施。
标记说明
1：系统
2：设备
4：装置
20：传感器
21：机器
401：测定数据取得部
402：预处理部
403：存储部
404：输入部
405：标签附加部
406：组信息取得部
407：学习处理部
408：指定部
409：确定部
410：供给部
411：输出部
412：显示部
430：测定数据文件
431：组信息文件
435：模型
461：计算部
462：分组部
463：生成部
2200：计算机
2201：DVD-ROM
2210：主机控制器
2212：CPU
2214：RAM
2216：图形控制器
2218：显示装置
2220：输入/输出控制器
2222：通信接口
2224：硬盘驱动器
2226：DVD-ROM驱动器
2230：ROM
2240：输入/输出芯片
2242：键盘

Claims (20)

1.一种装置，其中，具有：
测定数据取得部，其取得表示对象状态的多种测定数据；
组信息取得部，其取得所述多种测定数据中表示相关度比基准高的测定数据的组的组信息；
确定部，其对由所述组信息表示的各个组，确定由所述测定数据取得部取得的测定数据中的异常的测定数据；
供给部，其对模型分别供给由所述确定部按组确定的异常的测定数据，所述模型根据对由所述组信息表示的每个组输入任一种测定数据，输出表示所述对象状态的好坏的状态指标值；
输出部，其输出与从所述模型输出的所述状态指标值对应的信号。
2.如权利要求1所述的装置，其中，
还具有指定所述状态指标值的对象时刻的指定部，
所述确定部确定所述对象时刻的异常的测定数据，
所述供给部对所述模型供给所述对象时刻的异常的测定数据。
3.如权利要求2所述的装置，其中，
所述确定部将第一组内的多个测定数据中、包含所述对象时刻的基准期间的平均变化率与所述对象时刻的变化率之差最大的测定数据作为所述第一组中的异常的测定数据。
4.如权利要求2所述的装置，其中，
所述确定部将所述对象时刻的第二组内的多个测定数据中、在由所述供给部分别向所述模型供给时从所述模型输出最不佳的所述状态指标值的测定数据作为所述第二组中的异常的测定数据。
5.如权利要求2所述的装置，其中，
所述确定部在包含所述对象时刻的基准期间，在第三组内的多个测定数据中的一个测定数据与其他各测定数据的相关系数分别小于阈值的情况下，将该一个测定数据作为所述第三组中的异常的测定数据。
6.如权利要求5所述的装置，其中，
所述确定部将包含三种以上的测定数据的组设为所述第三组，在所述第三组内的多个测定数据中的所述一个测定数据与其他任一个测定数据的相关系数为阈值以上的情况下，将所述第三组内的多个测定数据中、与所述一个测定数据之间相关系数最低的测定数据作为所述第三组中的异常的测定数据。
7.如权利要求2所述的装置，其中，
所述确定部将第四组内的多个测定数据中、所述对象时刻的自协方差最大的测定数据或自相关最低的测定数据作为所述第四组中的异常的测定数据。
8.如权利要求2所述的装置，其中，
所述确定部将第五组内的各测定数据中、在基准时刻与所述对象时刻之间差异最大的测定数据作为该第五组中的异常的测定数据，将关于所述第五组中不包含的两种以上的测定数据的数据集的各取得时刻中、相对于所述对象时刻的数据集近似度最高的数据集的取得时刻作为所述基准时刻。
9.如权利要求1～8中任一项所述的装置，其中，
所述供给部对模型分别供给由所述确定部按组确定的异常的测定数据，所述模型根据输入任意的组合模式的各测定数据而输出所述状态指标值，所述组合模式为对每个组选择了任一种测定数据而成的。
10.如权利要求9所述的装置，其中，
还具备对至少一个组中包含的各测定数据进行标准化的标准化部，
所述供给部对所述模型供给由所述标准化部标准化且由所述确定部按组确定的异常的测定数据。
11.如权利要求9所述的装置，其中，
还具有：标准化部，其对至少一个组中包含的各测定数据进行标准化；
学习处理部，其使用包含由所述标准化部进行了标准化的各组的测定数据和所述状态指标值的学习数据，进行所述模型的学习处理。
12.如权利要求1～8中任一项所述的装置，其中，
所述供给部对模型分别供给异常的测定数据，所述模型是多个模型中与由所述特定部按组特定的上述异常的测定数据的组合模式对应的模型，所述多个模型是对每个组合模式设置的模型，并且根据输入对应的组合模式的各测定数据而输出所述状态指标值，所述组合模式是从各组任意选择一种测定数据的测定数据的组合模式。
13.如权利要求12所述的装置，其中，
还具备进行所述模式的学习处理的学习处理部，在所述模式的学习处理中，对于每个从各组任意选择一种测定数据的测定数据的组合模式，使用包含该组合模式中包含的各测定数据和所述状态指标值的学习数据，根据输入该组合模式的各测定数据而输出所述状态指标值。
14.一种装置，其中，具有：
测定数据取得部，其取得表示对象状态的多种测定数据；
组信息取得部，其取得所述多种测定数据中表示相关度比基准高的测定数据的组的组信息；
进行模式的学习处理的学习处理部，在所述模式的学习处理中，对于每个从各组任意选择一种测定数据的测定数据的组合模式，使用包含该组合模式中包含的各测定数据和表示所述对象的状态好坏的所述状态指标值的学习数据，根据输入该组合模式的各测定数据而输出所述状态指标值。
15.如权利要求1所述的装置，其中，
所述组信息取得部具有：
计算部，其对所述多种测定数据中的测定数据的每一组合计算相关系数；
分组部，其对相关系数比基准相关系数高的组合的测定数据进行分组；
生成部，其生成表示分组后的测定数据的组的所述组信息。
16.如权利要求1所述的装置，其中，
所述组信息将所述多种测定数据中、相对于其他各测定数据的相关度比基准低的测定数据分别表示为不同的组。
17.一种方法，其中，具有：
测定数据取得阶段，取得表示对象状态的多种测定数据；
组信息取得阶段，取得所述多种测定数据中、表示相关度比基准高的测定数据的组的组信息；
确定阶段，对由所述组信息表示的每个组，确定由所述测定数据取得阶段取得的测定数据中的异常的测定数据；
供给阶段，对模型分别供给由所述确定阶段按组确定的异常的测定数据，所述模型根据对每个由所述组信息表示的组输入任一种测定数据而输出表示所述对象状态的好坏的状态指标值；
输出阶段，输出与从所述模型输出的所述状态指标值对应的信号。
18.一种方法，其中，具有：
测定数据取得阶段，取得表示对象状态的多种测定数据；
组信息取得阶段，取得所述多种测定数据中表示相关度比基准高的测定数据的组的组信息；
进行模式的学习处理的学习处理阶段，在所述模式的学习处理中，对于每个从各组任意选择一种测定数据的测定数据的组合模式，使用包含该组合模式中包含的各测定数据和表示所述对象的状态好坏的所述状态指标值的学习数据，根据输入该组合模式的各测定数据而输出所述状态指标值。
19.一种计算机可读介质，其中，存储有使计算机作为测定数据取得部、组信息取得部、确定部、供给部、输出部发挥作用的程序，
所述测定数据取得部取得表示对象状态的多种测定数据，
所述组信息取得部取得所述多种测定数据中表示相关度比基准高的测定数据的组的组信息，
所述确定部对由所述组信息表示的每个组，确定由所述测定数据取得部取得的测定数据中的异常的测定数据，
所述供给部对模型分别供给由所述确定部按组确定的异常的测定数据，所述模型根据对由所述组信息表示的每个组输入任一种测定数据，输出表示所述对象状态的好坏的状态指标值；
所述输出部输出与从所述模型输出的所述状态指标值对应的信号。
20.一种计算机可读介质，其中，存储有将计算机作为测定数据取得部、组信息取得部、学习处理部发挥作用的程序，
所述测定数据取得部取得表示对象状态的多种测定数据，
所述组信息取得部取得所述多种测定数据中、表示相关度比基准高的测定数据的组的组信息，
学习处理部进行模式的学习处理，在所述模式的学习处理中，对于每个从各组任意选择一种测定数据的测定数据的组合模式，使用包含该组合模式中包含的各测定数据和表示所述对象的状态好坏的所述状态指标值的学习数据，根据输入该组合模式的各测定数据而输出所述状态指标值。
CN202310544644.6A 2022-05-16 2023-05-15 装置、方法以及计算机可读介质 Pending CN117077048A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022080516A JP2023169060A (ja) 2022-05-16 2022-05-16 装置、方法およびプログラム
JP2022-080516 2022-05-16

Publications (1)

Publication Number Publication Date
CN117077048A true CN117077048A (zh) 2023-11-17

Family

ID=86330957

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310544644.6A Pending CN117077048A (zh) 2022-05-16 2023-05-15 装置、方法以及计算机可读介质

Country Status (4)

Country Link
US (1) US20230366708A1 (zh)
EP (1) EP4280007A1 (zh)
JP (1) JP2023169060A (zh)
CN (1) CN117077048A (zh)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11188065B2 (en) * 2017-09-23 2021-11-30 Nanoprecise Sci Corp. System and method for automated fault diagnosis and prognosis for rotating equipment
PL3690581T3 (pl) * 2019-01-30 2021-09-06 Bühler AG System i sposób wykrywania i pomiaru anomalii w sygnalizacji pochodzącej od elementów składowych stosowanych w procesach przemysłowych
CN116235121A (zh) * 2020-09-30 2023-06-06 西门子股份公司 识别用于执行生产过程的工业设施中的异常的装置和方法

Also Published As

Publication number Publication date
US20230366708A1 (en) 2023-11-16
EP4280007A1 (en) 2023-11-22
JP2023169060A (ja) 2023-11-29

Similar Documents

Publication Publication Date Title
US11119451B2 (en) Apparatus, method, program, and recording medium
CN109839915A (zh) 诊断装置、诊断方法及存储介质
EP3859455B1 (en) Learning apparatus, learning method, learning program, determination apparatus, determination method, determination program, and computer readable medium
EP3904987B1 (en) Control support apparatus, control support method, control support program, computer readable medium with control support program recorded thereon and control system
CN115204246A (zh) 装置、方法以及计算机可读介质
CN115129955A (zh) 装置、方法以及计算机可读介质
JP2013041491A (ja) 異常診断装置
CN117077048A (zh) 装置、方法以及计算机可读介质
US11885719B2 (en) Measurement data recording apparatus, generating apparatus, system, apparatus, method, and computer readable medium
EP4063984A1 (en) Apparatus, method, and program for the estimation of a state of a device
CN114513507A (zh) 接口装置、接口方法和记录有接口程序的记录介质
CN114090540A (zh) 数据管理系统、数据管理方法以及记录了程序的记录介质
US20200034261A1 (en) Recording medium having verification program recorded thereon, verification apparatus and verification method
US20230280701A1 (en) Apparatus, method, and computer-readable storage medium
JP2015232914A (ja) 異常診断装置、異常診断方法及び異常診断プログラム
EP4254094A1 (en) Data processing apparatus, data processing method, and program
US20230384744A1 (en) Remote-control apparatus, local-control apparatus, learning processing apparatus, method, and recording medium
CN115903674A (zh) 监视装置、监视方法以及计算机可读介质
CN116484966A (zh) 装置、方法和计算机可读介质

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