JP2008014912A - 複数の観測結果の間の差異を検出するシステムおよびその方法 - Google Patents

Abstract

【課題】観測対象に生じた異常を精度良く検出する。
【解決手段】複数の観測結果の間の差異を検出するシステムを提供する。このシステムは、ある観測対象を時間の経過に応じて観測した複数の観測値を含む第１時系列データと、観測対象を時間の経過に応じ観測した複数の観測値を含む第２時系列データとを取得する取得部と、第１時系列データから複数の観測値を反復復元抽出して当該第１時系列データの複製である第１複製データを生成する複製部と、第１複製データの累積確率分布と、第２時系列データの少なくとも一部を含む第２複製データの累積確率分布との間の、同一の観測値における確率値の差分に基づいて、第１時系列データと第２時系列データとの間の相違を示す指標値を算出して出力する算出部とを備える。
【選択図】図１

Description

本発明は、複数の観測結果の間の差異を検出するシステムおよびその方法に関する。特に、本発明は、得られた時系列データに対して統計的な処理を施すことによって当該差異を検出するシステムおよびその方法に関する。

自動車やコンピュータシステム、あるいは工場の生産設備といった動的システムの異常を検知することは工学的に重要な問題である。しかしながら、正規分布や多項分布を前提にした古典統計学的手法を除けば、その統計的手法は確立しているとは言えない。特に、実際のシステムから得られるデータは、正規分布などに従うことはむしろ稀である。このため、正規分布や多項分布など、予め確率モデルを定めてもシステムの異常を適切に検出できない場合が多い。

例えば、自動車の状態を診断するためには、以下のような点を考慮する必要がある。
１．自動車の各部から観測される観測値は、数十種類から数百種類の時系列データとして取得される
２．観測値の振る舞いは様々である。あるものは離散的な値をとり、またあるものは連続的な値をとる
３．それぞれの観測値の観測間隔（サンプリング周期）は観測値の種類によってさまざまである
４．開発者といえども各部の特徴に熟知していることは稀であり、データを観察しても有効な判断ができるとは限らない

下記各文献については実施例において参照する。
ギルバート・ストラング、線形代数とその応用、産業図書、1978 石井健一郎ほか、パターン認識、オーム社、1998 E. Keogh, K. Chakrabarti, M.J. Pazzani, S. Mehrotra, "Dimensionality reduction for fast similarity search in large time-series databases", Knowledge and Information Systems, 3 (2001) 263-286 A. C. Davison, D. V. Hinkley, "Bootstrap Methods and Their Application", Cambridge University Press (October 28, 1997) Tsuyoshi Ide and Keisuke Inoue, "Knowledge Discovery from Heterogeneous Dynamic Systems using Change-Point Correlations" in Proceedings of 2005 SIAM International Conference on Data Mining, April 21-23, 2005, pp.571-576.

これに対し、従来は、観測値のリミットチェック又はそれから派生した方法が採用されている場合が多い。例えば、「ある種類の観測値が予め定めた基準値以上であれば、異常が発生した旨を利用者に通知する」といったＩＦ−ＴＨＥＮ型のルールを定める方法である。しかしながら、自動車のように複雑な診断対象については、観測値の変化の傾向が動的に変化するため、異常判断の基準となる基準値を予め一意に定めることは難しい。また、異常判断の基準値は、その観測値の変化の傾向について熟知した開発者でなければ適切に定めることができない。さらに、異常を完全に検出できるルールを作成するのは難しく、想定外の状況が発生して重大な問題を引き起こす場合もある。したがって、このようなリミットチェックに代えて有効に機能し、又は、リミットチェックに加えて相補的に機能する異常検出の方法があれば、異常診断の手間が大幅に軽減されると考えられる。

以下、実際に自動車などの異常診断が行われる環境を具体的に例示して詳細な課題を説明する。観測値の収集は、あるサイクル毎に行われる。例えば自動車であればテストコース１周が１サイクルである。このサイクルをランと呼ぶ。自動車がテストコースをｎ周するとｎランの観測値、即ち、それぞれの種類の観測値についてｎ個の時系列データが得られる。一般に、自動車等の大規模なシステムになると、各ランの実験条件を全く同一にするのは難しいので、それぞれのランで得られた時系列データは相互に僅かに相違することになる。従来の技術では、このような僅かな相違に妨害されてしまい、診断対象の本質的な状態を適切に把握できない場合が多い。

また、観測値の変動傾向は観測値の種類によって大きく異なる。例えば、自動車のシフト位置は完全に離散的な値をとるし、エンジンの回転数は連続的な値をとる。従来の技術では、このような変動の傾向を予め知ることができなければ、リミットチェックなどの基準値を適切に設定できない。しかし、このような変動の傾向は予め適切に知ることができない場合も多い。また、従来は、あらゆる種類の観測値の組み合わせについて網羅的に異常を検出していない。このため、リミットチェックを用いたルールが不完全な場合、そのルールの対象外の観測値に基づき異常を検出することはできない。

そこで本発明は、上記の課題を解決することのできるシステム、方法およびプログラムを提供することを目的とする。この目的は特許請求の範囲における独立項に記載の特徴の組み合わせにより達成される。また従属項は本発明の更なる有利な具体例を規定する。

上記課題を解決するために、本発明の第１の形態においては、複数の観測結果の間の差異を検出するシステムであって、ある観測対象を時間の経過に応じて観測した複数の観測値を含む第１時系列データと、観測対象を時間の経過に応じ観測した複数の観測値を含む第２時系列データとを取得する取得部と、第１時系列データから複数の観測値を反復復元抽出して当該第１時系列データの複製である第１複製データを生成する複製部と、第１複製データの累積確率分布と、第２時系列データの少なくとも一部を含む第２複製データの累積確率分布との間の、同一の観測値における確率値の差分に基づいて、第１時系列データと第２時系列データとの間の相違を示す指標値を算出して出力する算出部とを備えるシステムを提供する。また、このシステムとして情報処理装置を機能させる方法およびプログラムを提供する。
なお、上記の発明の概要は、本発明の必要な特徴の全てを列挙したものではなく、これらの特徴群のサブコンビネーションもまた、発明となりうる。

本発明によれば、観測対象に生じた異常を精度良く検出することができる。

以下、発明の実施の形態を通じて本発明を説明するが、以下の実施形態は特許請求の範囲にかかる発明を限定するものではなく、また実施形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。

図１は、診断システム１０の機能構成を示す。診断システム１０は、取得部１００と、正常時ＤＢ１０５と、複製部１１０と、算出部１２０と、判断部１３０と、表示部１４０とを備える。取得部１００は、第１時系列データを外部から取得し、第２時系列データを正常時ＤＢ１０５内のデータに基づき取得する。第１時系列データは、ある観測対象を時間の経過に応じて観測した複数の観測値を含み、観測対象の異常を示唆しているかどうかを検出する対象となる。第２時系列データは、その観測対象を別の機会に時間の経過に応じて観測した複数の観測値を含む。正常時ＤＢ１０５は、その観測対象が正常な場合にその観測対象を観測した結果として得られる時系列データを、少なくとも１つ記憶している。

正常時ＤＢ１０５に記憶されている時系列データが複数の場合には、取得部１００は、そのうちの１つを第２時系列データとして取得してもよいし、第１時系列データと比較して観測期間の長さが最も近い時系列データを第２時系列データとして取得してもよい。また、取得部１００は、正常な観測対象から得られた複数の時系列データのそれぞれとの間で、時系列データを観測値のベクトルとみなした場合のベクトル間距離の２乗和を最小化する新たな時系列データを生成し、第２時系列データとして取得してもよい。

複製部１１０は、第１時系列データから複数の観測値を反復復元抽出して当該第１時系列データの複製である第１複製データを生成する。好ましくは、複製部１１０は、第１時系列データに含まれる観測値の数よりも多い数の観測値を反復復元抽出することにより第１複製データを生成する。さらに、複製部１１０は、第２時系列データから複数の観測値を反復復元抽出して当該第２時系列データの複製である第２複製データを生成してもよい。これに代えて、複製部１１０は、第１時系列データをそのまま第１複製データとして生成し、第２時系列データから複数の観測値を反復復元抽出して第２複製データを生成してもよい。

算出部１２０は、第１複製データの累積確率分布と、第２複製データの累積確率分布との間の、同一の観測値における確率値の差分に基づいて、第１時系列データと第２時系列データとの間の相違を示す指標値を算出して表示部１４０に出力する。第２複製データは、第２時系列データの少なくとも一部を含めばよく、第２時系列データそのものであってもよいし、複製部１１０によって第２時系列データから反復復元抽出されて生成された複製データであってもよい。また、指標値は、第１複製データの累積確率分布と、第２複製データの累積確率分布との間の、同一の観測値における確率値の差分に基づけば良く、それぞれの観測値における確率値の差分の最大値であってもよいし、それぞれの観測値における確率値の差分の平均または合計に基づく値であってもよい。このようにして算出される指標値は、第１時系列データおよび第２時系列データの相違を示す。本実施形態のように第２時系列データが正常時を代表する時系列データである場合には、この指標値は、観測対象に生じた異常の程度を示す。

判断部１３０は、復元抽出の反復により指標値が所定の値に収束したかどうかを判断する。即ち、複製部１１０は、第１時系列データおよび第２時系列データのそれぞれについて、抽出回数を増加させながら順次複数の複製データを生成している場合、算出部１２０には順次更新された複製データが供給される。この場合、算出部１２０は、複製データが更新される毎に指標値を算出しなおす。そして、判断部１３０は、前回に生成した第１複製データの累積確率分布と前回に生成した第２複製データの累積確率分布との間の、同一の観測値における差分に基づく前回の指標値と、今回に生成した第１複製データの累積確率分布と今回に生成した第２複製データの累積確率分布との間の、同一の観測値における差分に基づく今回の指標値との差分が、予め定められた基準値以下か否かを判断する。判断部１３０は、この指標値の差分が基準値以下であることを条件に、今回の指標値を表示部１４０に対し出力する。これに代えて、収束判断の結果に関わらず、算出部１２０は、抽出回数が予め定められた回数に達した時点で算出された指標値を出力してもよい。

以上の各部材は、複数種類の観測値のそれぞれについて同様の処理を行う。即ち、取得部１００は、観測値の複数の種類のそれぞれについて、当該種類の観測値の第１時系列データおよび第２時系列データを取得する。複製部１１０は、観測値の複数の種類のそれぞれについて、当該種類の観測値の第１複製データおよび第２複製データを生成する。また、算出部１２０は、観測値の複数の種類のそれぞれについて、当該種類の観測値についての指標値を算出する。そして、表示部１４０は、算出された指標値の大きい順に優先して、観測値の種類を示す情報とその指標値とを対応付けて表示する。これにより、異常の生じた可能性の高い箇所や、異常の生じた箇所の組み合わせを利用者に把握させ易くすることができる。異常検出を更に容易にするために、算出部１２０は、複数の種類の観測値の間の関連性を示す指標を算出し、表示部１４０はその指標を併せて表示してもよい。そのような指標の算出方法については非特許文献５を参照されたい。

図２は、診断システム１０によって異常の検出結果が生成される処理のフローチャートを示す。取得部１００は、第１時系列データおよび第２時系列データを取得する（Ｓ２００）。第２時系列データの取得方法の概略を図３に示す。
図３は、診断対象となる第１時系列データと正常時の第２時系列データとが比較される処理の概念図である。図３右上に図示するように、正常時の時系列データが４つ正常時ＤＢ１０５に記憶されている場合には、それらを利用して１つの第２時系列データを生成し、第１時系列データとの比較対象とすることが望ましい。一例として、取得部１００は、これら４つの時系列データのそれぞれとの間で、時系列データを観測値のベクトルとみなした場合のベクトル間距離の２乗和を最小化する新たな時系列データを生成してもよい。その生成方法の具体例を以下に示す。

生成方法を一般化して説明するために、正常時ＤＢ１０５は、ある種類ｉの観測値について、ｍ個の時系列データを記憶しているものとし、それぞれの時系列データをベクトル変数ｘ_ｉ ^（ｒ）とおく。但し、ｒは１からｍまでの整数値を採る。それぞれの時系列データｘ_ｉ ^（ｒ）は、ｐ個の観測値を含む。なお、時系列データに含まれる観測値の数は時系列データ毎に異なることが多い。これは、観測期間や観測間隔が異なることに起因する。本実施の形態では、取得部１００が前処理を行って、不足している観測値をその前後に観測された観測値に基づいて補完したり、不要な観測値を除外することによって、それぞれの時系列データがｐ個の観測値を含むようにするものとする。

以上の定義より、正常時の時系列データの集合Ｎは、以下の式（１）に示すｐ行ｍ列の行列として表される。

第２時系列データとして生成すべき時系列データを、ｐ次元のベクトルｕ_ｉとおく。ｕ_ｉは規格化条件Ｕ_ｉ ^Ｔ・Ｕ_ｉ＝１を満たすものとする。ただし、Ｕ_ｉ ^ＴはＵ_ｉの転置を示す。このとき、元の時系列データｘ_ｉ ^（ｒ）のそれぞれとｕ_ｉとの差の２乗和は、ｘ_ｉ ^（ｒ）のｕ_ｉ方向の射影ベクトルとの相違の集積として、以下の式（２）のように定義される。

この２乗和を最小化するｕ_ｉが求めるべき第２時系列データとなる。導出過程を以下の式（３）に示す。

束縛条件Ｕ_ｉ ^Ｔ・Ｕ_ｉ＝１をラグランジュ係数λで取り込むと、結局、式（４）に示す固有値問題に帰着する。求めるべきは最大固有値に対応する固有ベクトルで、これは要するに行列Ｈの最大左特異ベクトルを見出すことに他ならない。特異値分解についての詳細は、例えば、非特許文献１を参照されたい。また、このような特徴抽出手法は、Karhunen-Loeve変換などと呼ばれている（たとえば非特許文献２を参照。）。別の見方をすれば、これは、Ｎが記憶されたデータベースをインデキシングすることによって、情報を圧縮したことに当たる。即ち、ｘ_ｉに関し、ｎ個の時系列データが１個の時系列データｕ_ｉによって代表されたことを示す。

なお、情報検索の分野ではこれはＬａｔｅｎｔ Ｓｅｍａｎｔｉｃ Ｉｎｄｅｘｉｎｇ法と呼ばれている。Ｎの規模が大きくなると特異値分解（ＳＶＤ）にまつわる計算コストが問題になるが、データマイニングにおいて知られている他のインデキシング手法（離散フーリエ変換、ウェーブレット変換、Ｐｉｅｃｅｗｉｓｅ Ａｇｇｒｅｇａｔｅ Ａｐｐｒｏｘｉｍａｔｉｏｎ）に比べて、同等の計算コストでＳＶＤが実行できるアルゴリズムが知られている（たとえば非特許文献３を参照。）。即ち、取得部１００は、このようなアルゴリズムによって特異値分解を行えば、式（４）に示す固有値問題を効率的に解くことができ、正常時ＤＢ１０５に記憶されたそれぞれの時系列データとの差の２乗和を最小化する第２時系列データを効率的に生成できる。

図２に戻る。複製部１１０は、予め定められた単位回数の反復復元抽出によって、第１複製データおよび第２複製データを生成する（Ｓ２１０）。この単位回数は、例えば観測値の数と等しい回数であってもよいし、観測値の数の２倍など所定の整数倍の回数であってもよい。反復復元抽出によって複製データを生成する技術の詳細については、非特許文献４を参照されたい。算出部１２０は、第１時系列データの累積確率分布と、第２時系列データの累積確率分布との間の、同一の観測値における確率値の差分に基づいて、第１時系列データと第２時系列データとの間の相違を示す指標値を算出する（Ｓ２２０）。算出処理の効率化のため、算出部１２０は、確率分布に差異が生じにくいものとして予め定められた観測値の範囲を除外して、第１複製データの累積確率分布と第２複製データの累積確率分布との間の、同一の観測値における確率値の差分を算出してもよい。例えば、準離散的変数について、予めある範囲の値は連続値となることが分かっている場合には、算出部１２０は、その範囲の値を除外して指標値を算出してもよい。

算出されるこの指標値は、Ｋｏｌｏｍｏｇｏｒｏｖ−Ｓｍｉｒｎｏｖ（ＫＳ）統計量として知られている指標値（以下、指標値Ｄと呼ぶ）であってもよい。ＫＳ統計量とは、具体的には、第１複製データの累積確率分布と第２複製データの累積確率分布との間の、それぞれの観測値における確率値の差分の最大値を表す。ＫＳ統計量は０から１までの値を採り、相違が無い場合には０を、相違が最も大きい場合には１を採る。指標値Ｄの定義を式（５）に示す。ＫＳ統計量を用いることで、観測環境の変化により観測時間がずれる場合や、何らかの状況変化によって観測値の大きさが所定の倍率となる場合、また、観測値に所定のオフセット値が加えられ（減じられ）て観測される場合であっても、本質的な状況変化を適切に捉えることができる。

図４は、複製データに代えてもとの時系列データに基づき指標値Ｄを算出する過程の一例を示す。本図を参照して、複製データではなくもとの時系列データを用いた比較の問題点を指摘し、複製データを用いることの有効性を説明する。図４左上には第２時系列データの累積確率分布を実線で示し、図４左下に第１時系列データの累積確率分布を点線で示す。これらの累積確率分布は、グラフの中央付近で非連続に変化している。即ち、観測対象から観測された観測値がある値を採る確率は非常に高く、他の値を採る場合もあるもののその確率は非常に低い。このように観測値がある値に集中して観測される場合、その観測値を準離散的な観測値とよび、それを格納する変数を準離散的変数と呼ぶこととする。

準離散的な観測値は、自動車などの観測対象からは多数観測される。例えば、ギア位置やシフト位置などは本質的に離散的な値しか採り得ない。また、アクセル開度のように、通常の利用状況に照らせば０（アクセルを踏まない）および１００（アクセルを完全に踏み込む）の値を採り易い観測値もある。また、本質的には連続値であるが有限の分解能により準離散的な値を採る場合もある。例えば、温度計の性能のため１度刻みでしか測定できない温度などである。このような準離散的変数は、平滑化やリサンプリング処理、またはノイズの混入が原因で、完全に離散的にならない場合もある。

なお、本実施の形態においては観測対象として自動車を例示しているが、このような準離散的な観測値が観測される対象であれば自動車以外の観測対象に対しても本実施の形態は有効である。例えば、診断システム１０は、有限の分解能をもって提示される経済指標、例えば、国内総生産や、株式または債券の価格などを観測値として観測してもよい。この場合には、観測対象である国家・企業等の組織に生じた異常を検出できる。

図４右側には、第２時系列データの累積確率分布のグラフ（実線）と第１時系列データの累積確率分布のグラフ（点線）とを重ねて示す。第１時系列データのグラフと第２時系列データのグラフとはほぼ重なっている。しかしながら、グラフ中央に示すように、離散的に観測された観測値に僅かな相違が生じている。このような相違は上述のノイズなどが原因の場合が多く、第１時系列データと第２時系列データとの間の本質的な差異として検出するべきではない。しかしながら、第１時系列データの累積確率分布と第２時系列データの累積確率分布との差異をＫＳ統計量である指標値Ｄによって評価すると、その差異は非常に大きいものとなってしまう。

これに対し、本実施の形態において算出部１２０は第１時系列データおよび第２時系列データに代えて第１複製データおよび第２複製データの間の相違を示すＫＳ統計量を算出する。それぞれの複製データは対応する時系列データの観測値を反復復元抽出したものである。この抽出回数を充分に多くすれば、累積確率分布が平滑化されて勾配∞の部分が除去され、確率分布の本質的な特徴のみを抽出することができる。

図５は、指標値Ｄの算出過程の一例を示す。算出部１２０は、第１複製データの確率分布と、第２複製データの確率分布とを生成する。複製データを時間の経過に伴う観測値の変化として表すとすれば、その確率分布はそれぞれの観測値に対するその観測値を採りうる確率値として表される。そして、算出部１２０は、それぞれの確率分布の累積確率分布を生成する。累積確率分布は、それぞれの観測値に対する、その観測値以下の観測値を採る確率の累積値として表される。そして、算出部１２０は、第１複製データの累積確率分布と第２複製データの累積確率分布との間の、それぞれの観測値における確率値の差分の最大値を指標値Ｄとして算出する。

図２に戻る。判断部１３０は、Ｓ２１０からＳ２４０に至る前回の繰返しにおいてＳ２２０において生成された指標値と、Ｓ２１０からＳ２４０に至る今回の繰返しにおいてＳ２２０において生成された指標値との差分を算出する（Ｓ２３０）。そして、判断部１３０は、算出した差分が予め定められた基準値以下でないことを条件に（Ｓ２４０：ＮＯ）、Ｓ２１０に処理を戻す。即ち、複製部１１０は、反復復元抽出の抽出回数を増加させて、前回に生成した複製データに対し今回抽出した観測値を追加して新たな複製データを生成する。Ｓ２３０において算出する差分が基準値以下となるまでＳ２１０からＳ２４０までの処理が繰り返される。

指標値の差分値が基準値以下に収束したことを条件に（Ｓ２４０：ＹＥＳ）、算出部１２０は、算出した当該今回の指標値を表示部１４０に対し出力する（Ｓ２５０）。そして、表示部１４０は、算出された指標値を、第１時系列データおよび第２時系列データの差異の検出結果として表示する（Ｓ２６０）。また、表示部１４０は、この指標値が予め定められた閾値（たとえば０．４）を超えたことを条件に、閾値を超えたこの指標値に対応する観測値の種類を利用者に通知してもよい。以上の処理は、複数の種類の観測値のそれぞれについて繰り返され、それぞれの種類の観測値についての検出結果が一覧表示されてもよい。

図６は、反復復元抽出の回数増加に応じて指標値Ｄが収束する過程を示す。図６に図示するグラフの横軸は観測値の種類を示し、縦軸は反復復元抽出の反復回数が観測値の個数の何倍であるかを示し、高さ方向の軸は指標値Ｄを示す。図６を参照すると、何れの種類の観測値についても、反復回数が観測値の１０倍を超えると指標値Ｄはほとんど変化しなくなっており、Ｓ２１０からＳ２４０までに示す反復の回数は観測値の数十倍程度であるのが分かる。また、図５に示す処理に代えて、複製部１１０は、収束判定の結果に関わらず、予め観測値の数十倍程度の反復復元抽出を行い、算出部１２０は、その結果生成された復元データに基づいて指標値Ｄを１回のみ算出してもよい。図６に示すように、観測値の数十回倍程度の反復復元抽出で充分に信頼性の高い指標値が算出されることが分かる。

図７は、表示部１４０によって検出結果を表示する画面７００の例を示す。表示部１４０は、画面７００において、複数の観測値の種類を示す情報と、その種類の観測値について算出されたＫＳ統計量などの指標値とを、算出された指標値の大きい順に優先して表示する。図７の棒グラフでは、指標値の大きい観測値が左側から順に表示されている。具体的には、表示部１４０は、観測値の種類を示す識別番号８に対応付けて、その観測値のＫＳ統計量を棒グラフ中のバー７１０の長さによって示す。また、その右隣に、表示部１４０は、観測値の種類を示す識別番号１２に対応付けて、その観測値のＫＳ統計量を棒グラフ中のバー７２０の長さによって示す。ＫＳ統計量は、識別番号８、１２、５５、１３、２、６０…の順に右側に行くにつれて小さくなっている。このように、表示部１４０の表示によれば、利用者は、異常の発生している可能性の高い箇所とその可能性の高さの順序を把握できる。これにより、自動車のエンジニアは、優先して詳細な調査をするべき箇所とその優先順序を適切に把握して、その後の障害対応の作業を効率化できる。

図８は、本実施の形態の変形例において異常の検出結果を表示する処理のフローチャートを示す。本変形例においては、観測対象の観測中に順次得られる観測値を用いて、上述のＫＳ統計量などの指標値を動的に更新していく処理の例を説明する。この変形例は、観測値が追加される毎に新たな指標値を算出する場合であっても、毎回全ての観測値を用いて初めから計算を行うのではなく、前回の算出結果を利用して効率的に新たな指標値を算出することを目的とする。

取得部１００は、観測対象を順次観測して、既に観測された観測値の時系列データに新たに観測された観測値の時系列データを順次追加することによって第１の時系列データを取得する（Ｓ８００）。即ち、取得部１００は、Ｓ８００の処理毎に、新たな時系列データを含む新たな第１の時系列データを取得する。次に、複製部１１０は、取得された第１の時系列データのうち新たに観測された観測値のみを含む時系列データについて、その複製データを生成する（Ｓ８１０）。算出部１２０は、新たに観測された観測値を含む時系列データの複製データに基づく累積確率分布と、既に観測された観測値を含む時系列データの複製データに基づく累積確率分布とを合成することにより、第１の時系列データの複製データに基づく累積確率分布を生成する（Ｓ８２０）。

合成は、新たに観測された観測値の数と既に観測された観測値の数との比率に基づき行われる。例えば、各観測値に対応する確率値は、観測値の個数によって加重平均される。一例として、ある観測値に対して既に計算された確率値が０．４であり、新たに算出された確率値が０．５であり、既に観測された観測値が９０００個であり、新たに観測された観測値が１０００個であれば、観測値の比率である９：１に基づき加重平均されて確率値は０．４１となる。

そして、算出部１２０は、合成された累積確率分布と、予め生成した第２複製データの累積確率分布との間の差異を示すＫＳ統計量などの指標値を算出する（Ｓ８３０）。算出された指標値は、第１時系列データと第２時系列データとの差異の検出結果として表示される（Ｓ８４０）。観測値の観測が継続されている場合には、診断システム１０はＳ８００に処理を戻して引き続き指標値の更新を行う。
以上、本変形例によれば、観測対象の観測中にその状態をリアルタイムで把握することができる。更に、差異を示す指標値の計算は、前回の計算結果を利用して迅速に行うことができる。

図９は、本実施の形態又はその変形例において診断システム１０として機能する情報処理装置５００のハードウェア構成の一例を示す。情報処理装置５００は、ホストコントローラ１０８２により相互に接続されるＣＰＵ１０００、ＲＡＭ１０２０、及びグラフィックコントローラ１０７５を有するＣＰＵ周辺部と、入出力コントローラ１０８４によりホストコントローラ１０８２に接続される通信インターフェイス１０３０、ハードディスクドライブ１０４０、及びＣＤ−ＲＯＭドライブ１０６０を有する入出力部と、入出力コントローラ１０８４に接続されるＲＯＭ１０１０、フレキシブルディスクドライブ１０５０、及び入出力チップ１０７０を有するレガシー入出力部とを備える。

ホストコントローラ１０８２は、ＲＡＭ１０２０と、高い転送レートでＲＡＭ１０２０をアクセスするＣＰＵ１０００及びグラフィックコントローラ１０７５とを接続する。ＣＰＵ１０００は、ＲＯＭ１０１０及びＲＡＭ１０２０に格納されたプログラムに基づいて動作し、各部の制御を行う。グラフィックコントローラ１０７５は、ＣＰＵ１０００等がＲＡＭ１０２０内に設けたフレームバッファ上に生成する画像データを取得し、表示装置１０８０上に表示させる。これに代えて、グラフィックコントローラ１０７５は、ＣＰＵ１０００等が生成する画像データを格納するフレームバッファを、内部に含んでもよい。

入出力コントローラ１０８４は、ホストコントローラ１０８２と、比較的高速な入出力装置である通信インターフェイス１０３０、ハードディスクドライブ１０４０、及びＣＤ−ＲＯＭドライブ１０６０を接続する。通信インターフェイス１０３０は、ネットワークを介して外部の装置と通信する。ハードディスクドライブ１０４０は、情報処理装置５００が使用するプログラム及びデータを格納する。ＣＤ−ＲＯＭドライブ１０６０は、ＣＤ−ＲＯＭ１０９５からプログラム又はデータを読み取り、ＲＡＭ１０２０又はハードディスクドライブ１０４０に提供する。

また、入出力コントローラ１０８４には、ＲＯＭ１０１０と、フレキシブルディスクドライブ１０５０や入出力チップ１０７０等の比較的低速な入出力装置とが接続される。ＲＯＭ１０１０は、情報処理装置５００の起動時にＣＰＵ１０００が実行するブートプログラムや、情報処理装置５００のハードウェアに依存するプログラム等を格納する。フレキシブルディスクドライブ１０５０は、フレキシブルディスク１０９０からプログラム又はデータを読み取り、入出力チップ１０７０を介してＲＡＭ１０２０またはハードディスクドライブ１０４０に提供する。入出力チップ１０７０は、フレキシブルディスク１０９０や、例えばパラレルポート、シリアルポート、キーボードポート、マウスポート等を介して各種の入出力装置を接続する。

情報処理装置５００に提供されるプログラムは、フレキシブルディスク１０９０、ＣＤ−ＲＯＭ１０９５、又はＩＣカード等の記録媒体に格納されて利用者によって提供される。プログラムは、入出力チップ１０７０及び/又は入出力コントローラ１０８４を介して、記録媒体から読み出され情報処理装置５００にインストールされて実行される。プログラムが情報処理装置５００等に働きかけて行わせる動作は、図１から図８において説明した診断システム１０における動作と同一であるから、説明を省略する。

以上に示したプログラムは、外部の記憶媒体に格納されてもよい。記憶媒体としては、フレキシブルディスク１０９０、ＣＤ−ＲＯＭ１０９５の他に、ＤＶＤやＰＤ等の光学記録媒体、ＭＤ等の光磁気記録媒体、テープ媒体、ＩＣカード等の半導体メモリ等を用いることができる。また、専用通信ネットワークやインターネットに接続されたサーバシステムに設けたハードディスク又はＲＡＭ等の記憶装置を記録媒体として使用し、ネットワークを介してプログラムを情報処理装置５００に提供してもよい。

以上、本実施形態において説明したように、診断システム１０によれば、観測値の振る舞いについて予め充分な知識がなくとも、複数の種類の観測値について網羅的に、観測の対象について生じた異常を検出することができる。また、異常を示す指標値の算出にあたっては、時系列データから観測値を反復復元抽出することで、観測の環境の相違に伴う観測値の僅かな違いを排除して観測対象の本質的な状態を診断できる。これにより、従来のリミットチェックに代えて有効に機能し、又は、リミットチェックに加えて相補的に機能する異常検出を実現することができる。

以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は上記実施の形態に記載の範囲には限定されない。上記実施の形態に、多様な変更または改良を加えることが可能であることが当業者に明らかである。その様な変更または改良を加えた形態も本発明の技術的範囲に含まれ得ることが、特許請求の範囲の記載から明らかである。

図１は、診断システム１０の機能構成を示す。 図２は、診断システム１０によって異常の検出結果が生成される処理のフローチャートを示す。 図３は、診断対象となる第１時系列データと正常時の第２時系列データとが比較される処理の概念図である。 図４は、複製データに代えてもとの時系列データに基づき指標値を算出する過程の一例を示す。 図５は、指標値Ｄの算出過程の一例を示す。 図６は、反復復元抽出の回数増加に応じて指標値Ｄが収束する過程を示す。 図７は、表示部１４０によって検出結果を表示する画面７００の例を示す。 図８は、本実施の形態の変形例において異常の検出結果を表示する処理のフローチャートを示す。 図９は、本実施の形態又はその変形例において診断システム１０として機能する情報処理装置５００のハードウェア構成の一例を示す。

符号の説明

１０ 診断システム
１００ 取得部
１０５ 正常時ＤＢ
１１０ 複製部
１２０ 算出部
１３０ 判断部
１４０ 表示部
５００ 情報処理装置
７００ 画面
７１０ バー
７２０ バー

Claims (12)

1. 複数の観測結果の間の差異を検出するシステムであって、
   ある観測対象を時間の経過に応じて観測した複数の観測値を含む第１時系列データと、前記観測対象を時間の経過に応じ観測した複数の観測値を含む第２時系列データとを取得する取得部と、
   前記第１時系列データから複数の観測値を反復復元抽出して当該第１時系列データの複製である第１複製データを生成する複製部と、
   前記第１複製データの累積確率分布と、前記第２時系列データの少なくとも一部を含む第２複製データの累積確率分布との間の、同一の観測値における確率値の差分に基づいて、前記第１時系列データと前記第２時系列データとの間の相違を示す指標値を算出して出力する算出部と
   を備えるシステム。
2. 前記算出部は、前記第１複製データの累積確率分布と前記第２複製データの累積確率分布との間の、それぞれの観測値における確率値の差分の最大値を、前記第１時系列データと前記第２時系列データとの間の相違を示す前記指標値として算出する
   請求項１に記載のシステム。
3. 前記複製部は、前記第１時系列データに含まれる観測値の数よりも多い数の観測値を反復復元抽出することにより前記第１複製データを生成する
   請求項１に記載のシステム。
4. 前記複製部は、更に、前記第２時系列データから複数の観測値を反復復元抽出して前記第２複製データを生成する
   請求項１に記載のシステム。
5. 前記複製部は、前記第１時系列データおよび前記第２時系列データのそれぞれについて、抽出回数を増加させながら順次複数の複製データを生成し、
   前回に生成した第１複製データの累積確率分布と前回に生成した第２複製データの累積確率分布との間の、同一の観測値における差分に基づく前回の前記指標値と、今回に生成した第１複製データの累積確率分布と今回に生成した第２複製データの累積確率分布との間の、同一の観測値における差分に基づく今回の前記指標値との差分が、予め定められた基準値以下か否かを判断する判断部を更に備え、
   前記算出部は、前記指標値の差分が前記基準値以下であることを条件に前記今回の指標値を出力する
   請求項４に記載のシステム。
6. 前記取得部は、前記観測対象を順次観測して、既に観測された観測値の時系列データに新たに観測された観測値の時系列データを順次追加することによって前記第１の時系列データを取得し、
   前記複製部は、取得された前記第１の時系列データのうち新たに観測された観測値を含む時系列データの複製データを生成し、
   前記算出部は、新たに観測された観測値を含む時系列データの前記複製データに基づく累積確率分布と、既に観測された観測値を含む時系列データの複製データに基づく累積確率分布とを、新たに観測された観測値の数と既に観測された観測値の数との比率に基づき合成することにより、前記第１の時系列データの複製データに基づく累積確率分布を生成する
   請求項１に記載のシステム。
7. 前記算出部は、確率分布に差異が生じにくいものとして予め定められた観測値の範囲を除外して、第１複製データの累積確率分布と第２複製データの累積確率分布との間の、同一の観測値における確率値の差分を算出する
   請求項１に記載のシステム。
8. 当該システムは、前記観測対象に生じた異常を検出するシステムであり、
   前記取得部は、正常な前記観測対象の観測結果に基づき予め生成された前記第２時系列データと、前記観測対象を新たに観測した観測値を含む第１時系列データとを取得し、
   前記算出部は、前記第１複製データの累積確率分布と前記第２複製データの累積確率分布との間の、同一の観測値における確率値の差分に基づいて、前記観測対象に生じた異常の程度を示す前記指標値を算出する
   請求項１に記載のシステム。
9. 前記取得部は、観測値の複数の種類のそれぞれについて、当該種類の観測値の前記第１時系列データおよび前記第２時系列データを取得し、
   前記複製部は、観測値の複数の種類のそれぞれについて、当該種類の観測値の前記第１複製データおよび前記第２複製データを生成し、
   前記算出部は、観測値の複数の種類のそれぞれについて、当該種類の観測値についての前記指標値を算出し、
   算出された前記指標値の大きい順に優先して、観測値の種類を示す情報と前記指標値とを対応付けて表示する表示部を更に備える
   請求項８に記載のシステム。
10. 前記取得部は、正常な前記観測対象から得られた複数の時系列データのそれぞれとの間で、時系列データを観測値のベクトルとみなした場合のベクトル間距離の２乗和を最小化する新たな時系列データを生成し、前記第２時系列データとして取得する
    請求項８に記載のシステム。
11. 複数の観測結果の間の差異を検出する方法であって、
    ある観測対象を時間の経過に応じて観測した複数の観測値を含む第１時系列データと、前記観測対象を時間の経過に応じ観測した複数の観測値を含む第２時系列データとを取得するステップと、
    前記第１時系列データから複数の観測値を反復復元抽出して当該第１時系列データの複製である第１複製データを生成するステップと、
    前記第１複製データの累積確率分布と、前記第２時系列データの少なくとも一部を含む第２複製データの累積確率分布との間の、同一の観測値における確率値の差分に基づいて、前記第１時系列データと前記第２時系列データとの間の相違を示す指標値を算出して出力するステップと
    を備える方法。
12. 複数の観測結果の間の差異を検出するシステムとして、情報処理装置を機能させるプログラムであって、
    前記情報処理装置を、
    ある観測対象を時間の経過に応じて観測した複数の観測値を含む第１時系列データと、前記観測対象を時間の経過に応じ観測した複数の観測値を含む第２時系列データとを取得する取得部と、
    前記第１時系列データから複数の観測値を反復復元抽出して当該第１時系列データの複製である第１複製データを生成する複製部と、
    前記第１複製データの累積確率分布と、前記第２時系列データの少なくとも一部を含む第２複製データの累積確率分布との間の、同一の観測値における確率値の差分に基づいて、前記第１時系列データと前記第２時系列データとの間の相違を示す指標値を算出して出力する算出部と
    して機能させるプログラム。

Images