JP2017076359A

JP2017076359A - マルチセンサーデータ要約

Info

Publication number: JP2017076359A
Application number: JP2016047735A
Authority: JP
Inventors: アガワルプネート; Agarwal Puneet; シャロフゴータム; Shroff Gautam; サイキアシャルミマーラ; Saikia Sarmimala; シュリニヴァサンアシュウィン; Srinivasan Ashwin
Original assignee: Tata Consultancy Services Ltd
Current assignee: Tata Consultancy Services Ltd
Priority date: 2015-10-17
Filing date: 2016-03-11
Publication date: 2017-04-20
Anticipated expiration: 2036-03-11
Also published as: US10332030B2; AU2016201330A1; MX2016003107A; BR102016005511A2; CA2923563C; JP6219428B2; BR102016005511B1; AU2016201330B2; MX368053B; EP3157264B1; US20170109653A1; CA2923563A1; EP3157264A1

Abstract

【課題】マルチセンサーデータを要約するためのシステムおよび方法を提供する。
【解決手段】複数のセンサーに関連付けられたセンサーデータから、複数のヒストグラムを算出する５０２。それぞれセンサーの各ヒストグラムをクラスタリングして第１の複数のセンサークラスターを取得し５０４、それらから複数のルールの第１のセットを抽出する５０６。第１の複数のセンサークラスターの中からの２つ以上のセンサークラスターを選択的に合併し、第２の複数のセンサークラスターを取得し５０８、それらから複数のルールの第２のセットを抽出する５１０。複数の相関性のあるセンサーのセットを、複数のセットの第２のルールに基づいて特定する５１２。複数の相関性のあるセンサーのセットから複数のルールの第３のセットを抽出する５１４。複数のルールの第３のセットは、マルチセンサーデータを要約し、複数の顕著な共起センサー動作を表す。
【選択図】図５

Description

関連出願への相互参照および優先権
本出願は、２０１５年１０月１７日にインド国へ出願されたインド国特許出願第３９４５／ＭＵＭ／２０１５（発明の名称：マルチセンサーデータの要約）に基づく優先権を主張する。該インド国特許出願の開示内容の全てが、参照によりここに組み込まれる。

本発明は、一般に、マルチセンサーデータ要約（multi-sensor data summarization）に関し、より具体的には、クラスタリング（clustering）ベースのマルチセンサーデータの要約に関する。

近代的な産業機器は、複数のコンポーネント部品およびそのサブシステムの動作を連続的にモニタリングする膨大な数のセンサーを備えている。例えば、産業機械（例えば、民用および商用車両、航空機、発電プラント、製造プラント）は、一般的に、膨大な数のセンサーを備えており、各センサーは、無線で、自身の読み取りを連続的に送信する。ユビキタスインターネット接続性の増加（携帯電話、大都市のＷｉｆｉネットワークを介した接続であることが多い）により、全ての種類の近代的機器は、センサーの読み取りを、その製造者（例えば、自動車、エンジン、またはコンポーネントＯＥＭｓ）およびその操作者（例えば、空港、工場、発電プラント）に定期的に送信する。産業機器によって送信されたデータは、複数の通常と異なる使用パターン（different usage patterns）や同様の機械の動作を判別するために利用される。しかしながら、複数の機械からのセンサーデータは、通常、高次元（high-dimensional）なものであるため、そのようなデータをクラスタリングし、機械の動作に関するパターンを発見することは、複雑かつ困難であることが多い。

本発明者らは、上述のような従来システムにおけるいくつかの技術的問題を認識している。複数の機械からのセンサーデータは、通常、高次元なものであり、そのようなデータをクラスタリングし、機械に関する複数のパターンを発見することは、複雑かつ困難であることが多い。さらに、現在の複数の機械の使用パターンは、１日の期間に渡って可視化されるか、もしくは、連続運転が、おそらくは数ダーツまたは数百のセンサーのそれぞれによって取得される複数の値の分布を介して、複数のヒストグラムとして可視化される。このような複数のヒストグラムの数は、何十万という数になり得る。そのため、そのような日々の動作を、複数の優位的パターン（dominant patterns）として簡潔に要約（summarize）することは、複雑かつ困難である。

以下の記述は、本発明の基本的な理解を提供するために、本発明のいくつかの実施形態の簡略化された要約を提供するものである。この概要は、実施形態の詳細な概観ではない。本概要は、本発明の重要／決定的な要素を特定、または本発明の範囲を正確に記述するよう意図されたものではない。本概要の唯一つの目的は、以下に提供されるより詳細な記述の前置きとして、簡略化された形式で、いくつかの実施形態を提供することにある。

上述の事項を参照し、実施形態の１つにおいて、マルチセンサーデータを要約するための方法およびシステムが提供される。１つの様態において、マルチセンサーデータを要約するためのコンピューター実施方法が提供される。本方法は、１つ以上のハードウェアプロセッサーを用いて、複数のセンサーに関連付けられたセンサーデータから、複数のヒストグラムを算出する工程を含む。さらに、本方法は、１つ以上のハードウェアプロセッサーを用いて、複数のヒストグラムから、複数のセンサーのそれぞれの各ヒストグラムをクラスタリングし、各ヒストグラムの形状に基づいて、第１の複数のセンサークラスターを取得する工程を含む。第１の複数のセンサークラスターのそれぞれのセンサークラスターは、複数のセンサーの特徴的センサー（distinct sensor）の特徴的センサー動作を表す重心ヒストグラム（centroid histogram）を含む。さらに、本方法は、１つ以上のハードウェアプロセッサーを用いて、第１の複数のセンサークラスターに対し頻出パターンマイニング（frequent pattern mining）を実行し、複数のルールの第１のセット（a first set of rules）を抽出する工程を含む。複数のルールの第１のセットのルールは、複数のセンサーの複数のセンサーのセットに関連付けられており、任意の時間間隔に渡って、第１の複数のセンサークラスター内において頻繁に現れる複数のセンサークラスターのセットを含む。

さらに、本方法は、１つ以上のハードウェアプロセッサーを用いて、第１の複数のセンサークラスターの中から、２つ以上のセンサークラスターを選択的に合併し、第２の複数のセンサークラスターを取得する工程を含む。２つ以上のセンサークラスターは、複数のセンサーのセットのセンサーに対応して選択される。２つ以上のセンサークラスターは、２つ以上のセンサークラスターに関連付けられた複数のルールの第１のセットの中からの２つ以上のルール、および、センサーの２つ以上のセンサークラスター間の距離測度（distance measure）に基づいて合併される。さらに、本方法は、１つ以上のハードウェアプロセッサーを用いて、第２の複数のセンサークラスターから、複数のルールの第２のセットを抽出する工程を含む。複数のルールの第２のセットは、第２の複数のセンサークラスターに関連付けられた複数の特徴的センサー動作を示す。また、本方法は、複数のルールの第２のセットに基づいて、第２の複数のセンサークラスターから、複数の相関性のあるセンサー（correlated sensors）の複数のセットを特定する工程を含む。さらに、本方法は、１つ以上のハードウェアプロセッサーを用いて、複数の相関性のあるセンサーの１つ以上のセットから、複数のルールの第３のセットを抽出する工程を含む。複数のルールの第３のセットは、マルチセンサーデータを要約し、顕著な共起センサー動作（prominent co-occurring sensor behaviors）を表すものである。

別の実施形態において、マルチセンサーデータを要約するためのコンピューター実施システムが提供される。本システムは、複数の命令を保存しているメモリーと、該メモリーに接続された少なくとも１つのプロセッサーとを含む。少なくとも１つのプロセッサーは、複数の命令によって、複数のセンサーに関連付けられたセンサーデータから、複数のヒストグラムを算出するよう設定されている。さらに、少なくとも１つのプロセッサーは、複数の命令によって、複数のヒストグラムから、複数のセンサーのそれぞれの各ヒストグラムをクラスタリングし、各ヒストグラムの形状に基づいて、第１の複数のセンサークラスターを取得するよう設定されている。第１の複数のセンサークラスターのそれぞれのセンサークラスターは、複数のセンサーの特徴的センサーの特徴的センサー動作を表す重心ヒストグラムを含む。さらに、少なくとも１つのプロセッサーは、複数の命令によって、第１の複数のセンサークラスターに対し頻出パターンマイニングを実行し、複数のルールの第１のセットを抽出するよう設定されている。複数のルールの第１のセットのルールは、複数のセンサーの複数のセンサーのセットに関連付けられており、任意の時間間隔に渡って、第１の複数のセンサークラスター内において頻繁に現れる複数のセンサークラスターのセットを含む。

さらに、少なくとも１つのプロセッサーは、複数の命令によって、第１の複数のセンサークラスターの中から、２つ以上のセンサークラスターを選択的に合併し、第２の複数のセンサークラスターを取得するよう設定されている。２つ以上のセンサークラスターは、複数のセンサーのセットのセンサーに対応して選択される。２つ以上のセンサークラスターは、２つ以上のセンサークラスターに関連付けられた複数のルールの第１のセットの中からの２つ以上のルール、および、センサーの２つ以上のセンサークラスター間の距離測度に基づいて合併される。さらに、少なくとも１つのプロセッサーは、複数の命令によって、第２の複数のセンサークラスターから、複数のルールの第２のセットを抽出するよう設定されている。複数のルールの第２のセットは、第２の複数のセンサークラスターに関連付けられた複数の特徴的センサー動作を示す。また、少なくとも１つのプロセッサーは、複数の命令によって、複数のルールの第２のセットに基づいて、第２の複数のセンサークラスターから、複数の相関性のあるセンサーの複数のセットを特定するよう設定されている。少なくとも１つのプロセッサーは、複数の命令によって、複数の相関性のあるセンサーの１つ以上のセットから、複数のルールの第３のセットを抽出するよう設定される。ここで、複数のルールの第３のセットは、マルチセンサーデータを要約し、顕著な共起センサー動作を表す。

さらに別の実施形態において、マルチセンサーデータを要約するための方法を実行するためのコンピュータープログラムを有する（コンピュータープログラムが具体化された）非一時的コンピューター可読媒体（non-transitory computer-readable medium）が提供される。本方法は、複数のセンサーに関連付けられたセンサーデータから、複数のヒストグラムを算出する工程を含む。さらに、本方法は、複数のヒストグラムから、複数のセンサーのそれぞれの各ヒストグラムをクラスタリングし、各ヒストグラムの形状に基づいて、第１の複数のセンサークラスターを取得する工程を含む。第１の複数のセンサークラスターのそれぞれのセンサークラスターは、複数のセンサーの特徴的センサーの特徴的センサー動作を表す重心ヒストグラムを含む。さらに、本方法は、第１の複数のセンサークラスターに対し頻出パターンマイニングを実行し、複数のルールの第１のセットを抽出する工程を含む。複数のルールの第１のセットのルールは、複数のセンサーの複数のセンサーのセットに関連付けられており、任意の時間間隔に渡って、第１の複数のセンサークラスター内において頻繁に現れる複数のセンサークラスターのセットを含む。

さらに、本方法は、第１の複数のセンサークラスターの中から、２つ以上のセンサークラスターを選択的に合併し、第２の複数のセンサークラスターを取得する工程を含む。２つ以上のセンサークラスターは、複数のセンサーのセットのセンサーに対応して選択される。２つ以上のセンサークラスターは、２つ以上のセンサークラスターに関連付けられた複数のルールの第１のセットの中からの２つ以上のルール、および、センサーの２つ以上のセンサークラスター間の距離測度に基づいて合併される。さらに、本方法は、第２の複数のセンサークラスターから、複数のルールの第２のセットを抽出する工程を含む。複数のルールの第２のセットは、第２の複数のセンサークラスターに関連付けられた複数の特徴的センサー動作を示す。また、本方法は、複数のルールの第２のセットに基づいて、第２の複数のセンサークラスターから、複数の相関性のあるセンサーの複数のセットを特定する工程を含む。さらに、本方法は、複数の相関性のあるセンサーの１つ以上のセットから、複数のルールの第３のセットを抽出する工程を含む。複数のルールの第３のセットは、マルチセンサーデータを要約し、顕著な共起センサー動作を表す。

添付の図面を参照して詳細な説明が記述される。各図面中において、参照番号の左端の桁の数字は、その参照番号が最初に現れる図面の番号を示すものである。各図面において、同様の特徴およびモジュールに対して、一貫して同じ参照番号が用いられている。

図１は、本発明の実施形態に係るマルチセンサーデータを要約するためのシステムのネットワーク実施を示す図である。

図２は、実施形態に係るマルチセンサーデータを要約するためのシステムのブロック図である。

図３は、例示的な実施形態に係るマルチセンサーデータを要約するための複数の日に渡る複数のセンサーの複数のヒストグラムの例を示す図である。

図４は、例示的な実施形態に係る図３の複数のヒストグラムから生成されたグラフである。

図５は、例示的な実施形態に係るマルチセンサーデータを要約するための方法のフロー図である。

図６Ａは、例示的な実施形態に係るマルチセンサーデータの要約において得られた例示的な結果を示す図である。図６Ｂは、例示的な実施形態に係るマルチセンサーデータの要約において得られた例示的な結果を示す図である。図６Ｃは、例示的な実施形態に係るマルチセンサーデータの要約において得られた例示的な結果を示す図である。

本分野における当業者であれば、本発明の原理を具体化する図示のシステムおよびデバイスの概念図を表す任意のブロック図を適切に理解できるであろう。同様に、任意のフローチャート、フロー図等が、コンピューター可読媒体において実質的に表され、（明示的に示され、または、示されていない）コンピューターまたはプロセッサーによって実行される様々な処理を表すことは適切に理解されるであろう。

マルチセンサーデータを要約するためのシステムおよび方法が本明細書において開示される。マルチセンサーデータは、生産機器のような産業機械から受信される。マルチセンサーデータは、実際の使用パターンを判別するために分析される。実際の使用パターンは、製品または産業機械が実際に使用された際のパターンである。実際の機器の使用パターンを理解することは、（例えば、操作者の場合）運転・メンテナンス計画を発展および改良するために重要であり、さらに、高価な保険（例えば、航空機や原子力プラントの高価な資産）の価値を証明することもできる。ここに開示される様々な実施形態は、マルチセンサーデータを要約し、複数の通常と異なる優位使用パターンと、機械の使用に関連する複数の他の特徴間の相関とを判別するための方法およびシステムが提供する。例えば、開示の方法およびシステムは、エンジンの特定の使用パターンが、そのエンジンが内部に設置された機器のタイプに対応しているか否か、または、特定の駆動動作が車両、地形等の特定のモデルに特有であるか否かを分析することを容易にする。

複数のパターン（例えば、機械の複数の使用パターン）は、任意の動作の時間間隔（例えば、１日）、または、「連続運転」に渡って、複数のセンサーのそれぞれによって取得された複数の値の分布を介して、判別される。開示の実施形態は、そのような動作の時間間隔を複数の優位パターン（dominant patterns）に簡潔に要約、すなわち、データを利用可能な大部分の機械の複数の日（most machine-days）を１つ以上のグループ内に配置することを容易にする。複数の異なるグループは、センサーデータの観測された複数の分布（例えば、複数のヒストグラム）の観点から、複数の特徴的動作パターンによって特徴づけられている。複数の異なる動作パターンは、複数のセンサーの複数の異なるサブセットによって特徴づけられている。

ここに開示される様々な実施形態は、膨大な数の機械の動作日を、複数のルールの相対的に小さなセットによって要約するための方法およびシステムを提供する。ここで、複数のルールのそれぞれは、複数の互いに異なっていてもよいセンサーの複数のクラスター（clusters of possibly different sensors）における複数の構成要素（memberships）を含む。実施形態の１つにおいて、開示のシステムは、最初に、各センサーに従って、複数の日を別々にクラスタリングし、その後、特別に構成されたグラフ内の複数の類似性（communities）を用いて、複数のクラスターを組み合わせる。ここで、特別に構成されたグラフは、同じセンサーの複数のクラスター間のヒストグラム類似点（histogram similarity）と、互いに異なる複数のセンサーの複数のクラスター内の複数の共通日（common days）を考慮したものである。この処理において、単一のセンサーのいくつかのクラスターが合併される。さらに、システムは、単一のセンサークラスター構成要素の観点から規定された複数のルールを特定する。ここで、複数のルールのそれぞれは、複数のセンサークラスターの複数の異なるセットを用いることができる。複数の日の大部分をカバーするそのような複数のルールの小さなセットは、相互重複（mutual overlaps）に基づいて、複数のルールをクラスタリングされることにより判別される。

本発明、並びに、その様々な特徴および利点の詳細は、添付の図面に示され、以下の詳細な説明において詳細に述べられた非限定的な実施形態を参照して、より十分に説明される。ここで用いられる実施例は、本発明を実施可能とし、さらに、本分野における当業者が本発明を実施することを可能とするような本発明に対する理解を容易にするためのものにすぎない。したがって、実施例は、本発明の範囲を限定するものとして解するべきではない。

本発明の方法およびシステムは、ここに記述される特定の実施形態に限定されない。さらに、本発明の方法およびシステムは、ここに記述されるその他のモジュールおよび方法とは独立および別々に実施可能である。各デバイス要素／モジュールおよび方法は、他の要素／モジュールおよび他の方法と組み合わせて用いることもできる。

マルチセンサーデータを要約するための方法およびシステムを実施するための手法が、図１〜図６Ｃを参照して、詳細に説明される。記述されるマルチセンサーデータを要約するための方法およびシステムの様態は、任意の数の異なるシステム、使用環境、および／または設定において実施可能であるが、実施形態は、以下の例示的なシステムの文脈において記述される。

図１を参照すると、本発明の実施形態に係るマルチセンサーデータを要約するためのシステム１０２のネットワーク実施１００が示されている。実施形態の１つにおいて、システム１０２は、膨大な数の日（または「動作」）に渡って観測されたマルチセンサーデータを用いて、複数の機械の集合（a collection of machines）の複数の使用および動作パターンを、複数のルールのセットの形式で、簡潔に要約するよう構成されている。複数のルールのそれぞれは、複数のセンサーのそれぞれ異なっていてもよい複数のセットの複数のクラスター（clusters of possibly different sets of sensors）内の構成要素（memberships）によって記述される。複数のセンサークラスターのそれぞれは、任意の時間間隔（例えば、１日中）に渡るセンサーデータ／値の特定の分布を特定する。

本発明は、システム１０２がマルチセンサーデータを要約するために実施されているものとして説明されるが、システム１０２は、任意の特定の機械または環境に限定されないことは理解されるであろう。システム１０２は、高次元データ（例えば、マルチセンサーデータ）が含まれるセンサーデータ用に利用可能であるのと同様に、様々な領域において利用可能である。システム１０２は、これに限定されるものではないが、類似性検出（community detection）、頻出パターンマイニング（frequent pattern mining）、およびヒストグラムクラスタリングを含むグラフベースの技術（graph based techniques）を用いて、高次元データのサブセットを共同的に（collaborative）クラスタリングすることによって、高次元データのマルチサブスペース（multi-subspace）クラスタリングを実行するよう構成されている。システム１０２は、ラップトップコンピューター、デスクトップコンピューター、ノートパソコン、ワークステーション、メインフレームコンピューター、サーバー、ネットワークサーバー等のような様々な演算システムにおいて実施することができる。

システム１０２は、１つ以上のデバイスおよび／または機械１０４−１、１０４−２．．．１０４−Ｎ（以下、集合的にセンサーデバイス１０４という）から、センサーデータを受信する。センサーデバイス１０４の例としては、これに限定されるものではないが、産業機械、ポータブルコンピューター、ＰＤＡ（Personal Digital Assistant）、携帯型デバイス、ワークステーション、センサー内蔵デバイス、機械に内蔵され、センサー読み込みを保存する記憶デバイス等が挙げられる。複数のセンサーデバイス１０４は、ネットワーク１０６を介して、システム１０２に通信可能に接続されている。用語「センサーデバイス」および「センサー」は、システム１０２にセンサーデータを提供可能なデバイスを意味する。よって、用語「センサーデバイス」および「センサー」は、本明細書中において、同等の意味で用いられる。実施形態の１つにおいて、複数のセンサーデバイス１０４は、規則的な時間間隔で観測される様々なセンサーの読み込み／データ（エンジンスピード、燃料消費等）を含む重産業機械（heavy duty industrial machines）を含む。

実施形態の１つにおいて、ネットワーク１０６は、無線ネットワーク、有線ネットワーク、またはこれらの組み合わせであってもよい。ネットワーク１０６は、異なるタイプのネットワーク（例えば、イントラネット、ローカルエリアネットワーク（ＬＡＮ）、ワイドエリアネットワーク（ＷＡＮ）、インターネット等）の１つとして実施することができる。ネットワーク１０６は、専用ネットワークであっても、共有ネットワークであってもよい。共有ネットワークは、様々なタイプのプロトコル（例えば、ハイパーテキストトランスファープロトコル（ＨＴＴＰ）、トランスミッションコントロールプロトコル／インターネットプロトコル（ＴＣＰ／ＩＰ）、ワイヤレスアプリケーションプロトコル（ＷＡＰ）等）を用いて、互いに通信を行う異なるタイプのネットワークの接続を意味する。さらに、ネットワーク１０６は、様々なネットワークデバイス（ルーター、ブリッジ、サーバー、演算デバイス、記憶デバイス等）を含んでいてもよい。

複数のセンサーデバイス１０４は、ネットワーク１０６を介して、システム１０２にセンサーデータを送信する。システム１０２は、センサーデータを分析し、機械使用（machine usage）を要約するよう構成されている。ここで、特定の時間間隔に渡って、複数のセンサーから受信されるセンサーデータは、「マルチセンサーデータ（multi-sensor data）」と称される。任意の動作期間に渡るセンサーの動作は、機械が動作している特定の時間間隔に渡るセンサーデータの複数の異なる値の分布を取得可能なヒストグラムによって表すことができる。上述の時間間隔は、機械の単一の動作、一日、一週間等であってもよい。

実施形態の１つにおいて、システム１０２は、センサーデータから、複数のヒストグラム（もしくは、複数の強度プロファイル）を算出するよう構成されている。システム１０２は、日毎の複数のセンサーの動作のそれぞれを表す複数のヒストグラムを算出するよう構成されている。複数の日の複数のセンサーに対応する複数のヒストグラムの例が、図３を参照してさらに説明される。システム１０２は、マルチセンサーデータを系統的に（systematically）要約し、機械動作を判別するよう構成されている。マルチセンサーデータを要約するためのシステム１０２の例示的な実施形態が、図２を参照してさらに説明される。

図２は、本発明の実施形態に係るマルチセンサーデータを要約するためのシステム２００のブロック図を示している。システム２００は、プロセッサー２０２のような少なくとも１つのプロセッサーと、メモリー２０４のような少なくとも１つのメモリーと、ネットワークインターフェースユニット２０６のようなネットワークインターフェースユニットとを含む、または、これらと接続されている。実施形態の１つにおいて、プロセッサー２０２、メモリー２０４、およびネットワークインターフェースユニット２０６は、システムバス２０８のようなシステムバスまたは同様の機構によって接続されている。

プロセッサー２０２は、回路実施、特に、通信に関連する音声および論理機能を含む。例えば、プロセッサー２０２は、これに限定されるものではないが、１つ以上のデジタル信号プロセッサー（ＤＳＰｓ）、１つ以上のマイクロプロセッサー、１つ以上の特殊用途コンピューターチップ、１つ以上のフィールドプログラマブルゲートアレイ（ＦＰＧＡｓ）、１つ以上の特定用途向け集積回路（ＡＳＩＣｓ）、１つ以上のコンピューター、様々なアナログ−デジタルコンバーター、デジタル−アナログコンバーター、および／またはその他のサポート回路を含む。また、プロセッサー２０２は、メッセージおよび／またはデータ、または情報をエンコード化（暗号化）する機能を含んでいてもよい。プロセッサー２０２は、特に、プロセッサー２０２の動作をサポートするよう構成されたクロック、演算論理ユニット（ＡＬＵ）、および論理ゲートを含んでいてもよい。さらに、プロセッサー２０２は、メモリー２０４またはプロセッサー２０２がアクセス可能な他の媒体内に保存された１つ以上のソフトウェアプログラムを実行する機能を含んでいてもよい。

メモリー２０４のような少なくとも１つのメモリーは、システムの機能を実行するためにシステムによって用いられる任意の数の情報およびデータを保存している。メモリー２０４は、例えば、揮発性メモリーおよび／または不揮発性メモリーを含む。揮発性メモリーの例としては、これに限定されるものではないが、揮発性ランダムアクセスメモリー（ＲＡＭ）が挙げられる。不揮発性メモリーは、追加的または代替的に、電気的消去可能プログラム可能リードオンリーメモリー（ＥＥＰＲＯＭ）、フラッシュメモリー、ハードドライブ等を含む。揮発性メモリーのいくつかの例としては、これに限定されるものではないが、ランダムアクセスメモリー、ダイナミックランダムアクセスメモリー、スタティックランダムアクセスメモリー等を含む。非揮発性メモリーのいくつかの例としては、これに限定されるものではないが、ハードディスク、磁気テープ、光ディスク、プログラム可能リードオンリーメモリー、消去可能プログラム可能リードオンリーメモリー、電気的消去可能プログラム可能リードオンリーメモリー、フラッシュメモリー等が挙げられる。メモリー２０４は、システム２００が、様々な例示的な実施形態に係る様々な機能を実行可能とするための情報、データ、アプリケーション、命令等を保存するよう構成されていてもよい。追加的または代替的に、メモリー２０４は、プロセッサー２０２によって実行されたときに、システムを様々な実施形態において記述されたような様態の動作を実行させる複数の命令を保存するよう構成されていてもよい。

ネットワークインターフェースユニット２０６は、複数のセンサー（または、複数のセンサーを組み込んでいる複数のデバイス）と、システム２００との間の通信を容易にするよう構成されている。ネットワークインターフェースユニット２０６は、無線接続の形態であっても、有線接続の形態であってもよい。無線ネットワークインターフェースユニット２０６の例としては、これに限定されるものではないが、ＩＥＥＥ８０２．１１（Ｗｉｆｉ）、ブルートゥース（登録商標）、ワイドエリア無線接続が挙げられる。有線ネットワークインターフェースユニット２０６の例としては、これに限定されるものではないが、イーサネット（登録商標）が挙げられる。

システム２００は、ネットワークインターフェースユニット２０６を介して、任意の時間間隔に渡って収集された複数のセンサーに関連付けられたセンサーデータ（Ｔ）を受信するよう構成されている。例えば、マルチセンサー時系列データＴ_ｉは、以下のように表される。
Ｔ_ｉ＝｛ｖ^（ｔ）：ｔ^（ｔ）∈｛１，２，．．．，ｍ｝｝

ここで、Ｂは、時間間隔の数であり、インターバルｂ_ｊｋは、境界［ｌ_ｊｋ，ｕ_ｊｋ）によって規定され、ｆ^（ｉ） _ｊｋは、インターバルｂ_ｊｋ内に並ぶ複数の値の比（fraction）である。

実施形態の１つにおいて、システム２００は、センサーデータから、複数のヒストグラム（Ｈ_ｋ）を算出するよう構成されている。ここで、複数のヒストグラム（Ｈ_ｋ）は、複数のヒストグラムのそれぞれのヒストグラムが、任意の時間間隔（例えば、複数の日のうちの各日）に渡るセンサー動作を表すよう算出される。複数のヒストグラムは、全てのセンサーの複数のビン（bins）Ｂの固定されたセットを用いて算出される。任意の日（ｄ_ｉ）は、その日の全てのセンサーの複数のヒストグラムのセットによって表すことができる。
すなわち、ｄ_ｉ≡｛Ｈ_１ｉ，Ｈ_２ｉ，．．．，Ｈ_Ｎｉ｝である。
ここで、複数のヒストグラムのそれぞれは、Ｂ次元ベクトルである。

プロセッサー２０２は、メモリー２０４のコンテンツによって、および、任意選択的に、ここに記述されるその他のコンポーネントによって、システム２００に、複数のセンサーのそれぞれの複数のヒストグラムを、第１の複数のセンサークラスターにグループ化／クラスタリングさせるよう構成されている。ここで、各センサークラスターは、類似の形状の複数のヒストグラムを含む。第１の複数のセンサークラスターの各センサークラスターは、１日以上の間のセンサーに対応する複数のヒストグラムのクラスターを含む。実施形態の１つにおいて、システム２００は、センサークラスター内の複数の類似のヒストグラムのセットを、クラスタリングするよう構成されている。ここで、複数の類似のヒストグラムのセットのクラスタリングは、複数の類似のヒストグラムのセットの複数のヒストグラム間の距離測度（distance measure）が、しきい値距離測度よりも小さくなるよう実行される。例えば、複数のヒストグラム（または、複数の類似のヒストグラム）のセットＨ_ｋは、センサークラスターＣ_ｋｎを形成する。ここで、センサークラスターＣ_ｋｎは、任意のペアＨ_ｋｉ，Ｈ_ｋｊ∈Ｃ_ｋｎ用のＤ（Ｈ_ｋｉ，Ｈ_ｋｊ）がＤ（Ｈ_ｋｉ，Ｈ_ｋｊ）＜τ_ｎｋとなるよう形成される。ここで、Ｄ（Ｈ_ｋｉ，Ｈ_ｋｊ）は、ヒストグラムＨ_ｋｉおよびＨ_ｋｊ間の距離であり、複数の異なる動作日のセンサーｋの２つのヒストグラムＨ_ｋｉおよびＨ_ｋｊは、これらのヒストグラム間の距離測度Ｄ（Ｈ_ｋｉ，Ｈ_ｋｊ）が、距離測度の第１のしきい値（τ_ｎｋ）よりも小さい場合、類似とされる。ここで、ヒストグラム間の距離は、ヒストグラム間の形状類似性（shape similarity）を表すものである。実施形態の１つにおいて、ヒストグラム間の距離は、ユークリッド距離、アースムーバー距離（EMD: Earth Mover Distance）、カルバック・ライブラー測度（Kullback-Leibler divergence）、バッタチャリヤ距離（Bhattacharyya distance）、マンハッタン距離（Manhattan distance）、ワッサースタイン計量（Wasserstein metric：カントロヴィッチ計量（Kantorovich metric）としても知られている）等である。

実施形態の１つにおいて、複数のヒストグラムを複数のセンサークラスターにクラスタリングするために、球状クラスタリングモデル（spherical clustering model）やＢＩＲＣＨ（Balanced Iterative Reducing and Clustering using Hierarchies）のようなクラスタリングモデルを用いることができる。ＢＩＲＣＨクラスタリングモデルは、距離測度しきい値τ_１の初期値を、パラメーターとして取得する。実施形態の１つにおいて、プロセッサー２０２は、メモリー２０４のコンテンツによって、および、任意選択的に、ここに記述されるその他のコンポーネントによって、システム２００に、複数の球状センサークラスターの半径の値（τ_１／２）を、距離測度の第１のしきい値として利用させるよう構成されている。距離測度の第１のしきい値は、センサーに関連付けられた複数のクラスターの質と数に依存してもよい。実施形態の１つにおいて、ＤＢ−インデックスが、複数のセンサークラスターの質の統計測度（statistical measure）として利用されてもよい。システム２００は、τ_１の様々な値のＢＩＲＣＨクラスタリングを実行し、さらに、ＤＢ−インデックスの値が最適となるようなτ_１／２の値を選択するよう構成されている。ＤＢ−インデックスは、複数のクラスタリングモデルを評価するための計量値（metric）であり、クラスタリングがどの程度成されているかの検証が、データセットに固有の（inherent）複数の量および複数の特徴を用いて成される。実施形態の１つにおいて、τ_１の値は、ＤＢ−インデックスの最適値が可能な限り低くなり、さらに、センサークラスターの重心（centroid）がクラスター内の複数のヒストグラムを表すことが保証されるように、選択されてもよい。複数のセンサーの個別のクラスタリングは、複数のクラスターのセットＣ_ｋｎ∀ｋ∈Ｎを生成する。実施形態の１つにおいて、システム２００は、複数のセンサーヒストグラムが並ぶ複数の異なるセンサーの複数のセンサークラスターのセットによって、複数の日を表すよう構成されている。ここで、１日は、｛Ｃ_１ｉ，Ｃ_２ｉ，．．．，Ｃ_Ｎｉ｝のように表すことができ、ｉ∈１，２，．．．，ｎである。

実施形態の１つにおいて、プロセッサー２０２は、メモリー２０４のコンテンツによって、および、任意選択的に、ここに記述されるその他のコンポーネントによって、システム２００に、第１の複数のセンサークラスターの中から、複数のルールの第１のセットを抽出させるよう構成されている。ここで、複数のルールの第１のセットの抽出は、複数のルールの第１のセットのルールが複数のセンサーの複数のセンサーのセットに関連付けられ、さらに、任意の時間間隔に渡って第１の複数のセンサークラスター内において頻繁に現れる複数のセンサークラスターのセットを含むように実行される。以下、任意の時間間隔に渡って頻繁に発生する複数のヒストグラムの複数のパターンを、「頻出パターン（frequently occurring patterns）」という。実施形態の１つにおいて、複数のルールの第１のセットを抽出するために、システム２００は、複数の日を共通して有する複数の異なるセンサーに関連付けられた第１の複数のセンサークラスターを特定するよう構成されている。実施形態の１つにおいて、複数の日を共通して有する第１の複数のセンサークラスターは、第１の複数のセンサークラスターに対する頻出パターンマイニング（frequent pattern mining）を実行することにより判別されてもよい。頻出パターンマイニングは、例えば、ＦＰ−成長モデル（FP-Growth model）のような頻出パターンマイニングモデルによって実行することができる。

実施形態の１つにおいて、プロセッサー２０２は、メモリー２０４のコンテンツによって、および、任意選択的に、ここに記述されるその他のコンポーネントによって、システム２００に、複数のセンサークラスターに関連付けられた距離測度（τ_ｎｋ）のしきい値を広げること（broadening）により、第１の複数のセンサークラスターをリファイン（refine）させるよう構成されている。実施形態の１つにおいて、システム２００は、同じ時間間隔の複数の他のセンサーの動作に基づいて、センサークラスター内のより多くの日を協働的に含むよう構成されていてもよい。実施形態の１つにおいて、システム２００は、複数の同じ日の複数の他のセンサーの動作に基づいて、より多くの日がセンサークラスター内に協働的に含まれるよう、第１の複数のセンサークラスター内のセンサーの２つ以上のセンサークラスターを選択的に合併するよう構成されている。実施形態の１つにおいて、２つ以上のセンサークラスターを選択的に合併する一方、システム２００は、複数のセンサークラスターが、複数のセンサーの１つまたは複数の他のセンサーの１つまたは複数のセンサークラスターに共通する複数の日の多くを有する場合、センサーの複数の類似のセンサークラスターを合併するよう構成されている。複数の日のほぼ同じセットを有する複数の異なるセンサーの複数のセンサークラスターを、以下、「共起センサークラスター（co-occurring sensor-clusters）」といい、これらの共起センサークラスター内において現れる複数のセンサーを、「共起センサー（co-occurring sensors）」という。

実施形態の１つにおいて、センサーの２つ以上のセンサークラスターは、複数のセンサーの共起性（co-occurrence）の判別に基づいて、複数の日の同じセットの２つ以上のセンサークラスターに合併される。この合併は、異なるセンサーのセンサークラスターに共通する複数の日の多くを有し、複数のセンサークラスターの複数の重心間の距離測度（例えば、ユークリッド距離）が第２のしきい値τ_２によって境界付けられることを維持するように合併するための複数の候補センサークラスターを特定するよう、実行される。実施形態の１つにおいて、プロセッサー２０２は、メモリー２０４のコンテンツによって、および、任意選択的に、ここに記述されるその他のコンポーネントによって、システム２００に、２つ以上のセンサークラスターに関連付けられた複数のルールの第１のセットの中からの２つ以上のルールおよび２つ以上のセンサークラスター間の距離測度に基づいて、２つ以上のセンサークラスター内の複数のセンサーの共起性を判別させるよう構成されている。実施形態の１つにおいて、プロセッサー２０２は、メモリー２０４のコンテンツによって、および、任意選択的に、ここに記述されるその他のコンポーネントによって、システム２００に、合併のための複数の候補センサークラスターを特定するためのグラフベース技術（graph based technique）を採用させるよう構成されている。グラフベース技術は、複数のセンサークラスターと、複数のルールの第１のセットとを、複数のノード（節）および複数のノードを接続する複数のエッジ（枝）を有する第１のグラフの形式で表す工程を含む。複数のノードは、複数の頻出パターンのセット内に存在する複数のセンサーのセットに関連付けられた複数のセンサークラスターを表す。グラフの２つのノード間のエッジは、２つのセンサークラスターが、同じセンサーに属し、該２つのセンサークラスター間の距離が第２のしきい値τ_２よりも小さい場合に作成される。また、システム２００は、このようなエッジの重みとして、距離をエンコード化するよう構成されている。また、グラフの２つのノード間のエッジは、２つのセンサークラスターが頻出パターン／ルール内に存在する場合に作成される。また、システム２００は、そのようなエッジの重みとして、頻出パターンのサポート（support）をエンコード化するよう構成されている。そのため、複数のエッジは、複数のイントラクラスターエッジ（intra-cluster edge）のセットと、複数の内部クラスターエッジ（inter-cluster edge）のセットとを含む。ここで、内部クラスターエッジは、複数のルールの第１のセットの中からのルールに関連付けられた複数のセンサークラスター間のエッジを含み、イントラクラスターエッジは、第２のしきい値距離測度よりも小さいセンサークラスター間の距離を有するセンサーの複数のセンサークラスター間のエッジを含む。内部クラスターエッジおよびイントラクラスターエッジを有するグラフの例が、図４を参照してさらに説明される。ここで、イントラエッジおよび内部エッジに関連付けられた重みは、それぞれ異なったスケールであり、そのため、システム２００は、イントラエッジと内部エッジの重みを正規化するよう構成されている。

プロセッサー２０２は、メモリー２０４のコンテンツによって、および、任意選択的に、ここに記述されるその他のコンポーネントによって、システム２００に、第１のグラフ内の複数のサブグラフを特定させるよう構成されている。ここで、第１のグラフ内の複数のサブグラフの特定は、各サブグラフが、強く関係する複数のセンサークラスターを有するように実行される。第１のグラフは、第１のグラフ内のサブグループの複数のノードが、互いに密に接続され、複数の他のノードとは疎に接続されるような様態で設定される。実施形態の１つにおいて、第１のグラフ内の複数のサブグラフは、グラフモジュール性（graph modularity）または類似性検出（community detection）のような標準技術を用いて、モジュール性に基づいて特定される。センサーの２つ以上のセンサークラスターが１つのサブグループ内に存在する場合、２つ以上のセンサークラスターに対し、クラスター合併が適用可能である。換言すれば、同じセンサーの２つ以上のセンサークラスターが、同じサブグラフ内において現れる場合、２つ以上のセンサークラスターが共に合併され、第２の複数のセンサークラスター（または、複数の合併済みセンサークラスター）が得られる。プロセッサー２０２は、メモリー２０４のコンテンツによって、および、任意選択的に、ここに記述されるその他のコンポーネントによって、システム２００に、このような複数の合併済みセンサークラスター用の修正された（revised）距離測度しきい値τ_ｎｋを算出するよう構成されている。実施形態の１つにおいて、合併されない複数のセンサークラスターは、それらの初期のしきい値距離測度（すなわち、第１のしきい値距離測度）を保つ。

同じセンサーの複数のセンサークラスターを合併する際、システム２００は、全てのセンサーの複数のセンサークラスターを更新し、さらに、第２の複数のセンサークラスターまたはこれらの重心を用いて、複数の日を再エンコード化（暗号化）するよう構成されている。第２の複数のセンサークラスターは、複数の他のセンサーの複数のセンサークラスターの共起性に基づいて協働的に生成されるので、第２の複数のセンサークラスターは、高いサポートで、頻繁に現れる複数のセンサー動作を特定することをより容易としやすい。

実施形態の１つにおいて、システム２００は、第２の複数のセンサークラスターから、複数のルールの第２のセットを抽出するよう構成されている。ここで、複数のルールの第２のセットは、複数のルールの第２のセットが第２の複数のセンサークラスターに関連付けられた複数の特徴的センサー動作を示すよう抽出される。複数のルールの第２のセットは、第２の複数のセンサークラスターに対し、頻出パターンマイニングを実行することにより判別されてもよい。

プロセッサー２０２は、メモリー２０４のコンテンツによって、および、任意選択的に、ここに記述されるその他のコンポーネントによって、システム２００に、複数のルールの第２のセットに基づいて、第２の複数のセンサークラスターから、複数の相関性のあるセンサーの複数のセットを特定させるよう構成されている。実施形態の１つにおいて、複数の相関性のあるセンサーの複数のセットを特定するため、複数のルールの第２のセットが、第２のグラフの形式で表される。第２のグラフは、複数のノードと、複数のノードを接続する複数のエッジとを含んでおり、複数のノードは、第２の複数のセンサークラスターを表し、複数のエッジは、複数の内部クラスターエッジのセットを含んでいる。第２のグラフは、グラフモジュール性または類似性検出の技術に基づいて、複数の相関性のあるセンサーの複数のセットを特定するために利用可能である。ここで、第２のグラフのサブグラフが、複数の関連性のあるセンサーのセットを表すように、第２のグラフは、複数のサブグラフに区分化されていてもよい。第２のグラフ内においては、唯１つのエッジタイプ、すなわち、内部クラスターエッジのみが存在していることは理解されるであろう。類似性検出に基づいて、システム２００は、複数のサブグループ（または複数の類似性）内に存在する複数のセンサークラスターから、複数の相関性のあるセンサーの複数のセットを特定するよう構成されている。実施形態の１つにおいて、システム２００は、第２のグラフから、複数のサブグラフの第２の複数のセンサークラスターに関連付けられた複数のユニーク／特徴的センサーを特定するよう構成されている。ここで、複数のユニークセンサーは、複数の相関性のあるセンサーのセットを表す。例えば、類似性またはサブグループ｛Ｃ_１１，Ｃ_１２，Ｃ_２４，Ｃ_３５｝は、複数の相関性のあるセンサーのセット｛ｓ_１，ｓ_２，ｓ_３｝を生成することができる。複数の相関性のあるセンサーのセットＳ_ｃｏｒは、Ｓ_ｃｏｒ＝｛Ｃｒ_１，Ｃｒ_２，．．．，Ｃｒ_ｐ｝と表すことができ、Ｃｒ_ｐ＝＜ｓ_ｉ，ｓ_ｊ，ｓ_ｋ．．．＞は、複数の相関性のあるセンサーのｐ番目のセットである。

プロセッサー２０２は、メモリー２０４のコンテンツによって、および、任意選択的に、ここに記述されるその他のコンポーネントによって、システム２００に、複数の相関性のあるセンサーの複数のセットから、複数のルールの第３のセットを抽出させるよう構成されている。ここで、複数のルールの第３のセットは、マルチセンサーデータを要約し、複数の顕著な共起センサー動作を表す。実施形態の１つにおいて、システム２００は、複数の相関性のあるセンサーの各セットの頻出パターンマイニングを実行することにより、複数の相関性のあるセンサーの複数のセットから、複数のルールの第３のセットを抽出するよう構成されている。ここで、頻出パターンマイニングの各工程において考慮すべきセンサーの数が削減されるので、各工程における複数のユニーク項目（unique items）の数もまた削減される。そのため、システム２００は、低サポートで、複数のルールの第３のセット（または複数のパターン）を特定するよう構成されている。実施形態の１つにおいて、複数の相関性のあるセンサーのｐ個のセットに対する頻出パターンマイニングは、複数の相関性のあるセンサーの特定の１つのセットの特定に繋がる。
Ｆ_ｃｏｍ＝｛Ｆ_Ｃｒ１，Ｆ_Ｃｒ２，．．．，Ｆ_Ｃｒｐ｝
ここで、Ｃｒ_ｐは、複数の相関性のあるセンサーのセットであり、Ｆ_Ｃｒｐは、複数の相関性のあるセンサーのセットＣｒ_ｐから生成された複数の頻出項目（または複数の頻出パターン）のセットである。

プロセッサー２０２は、メモリー２０４のコンテンツによって、および、任意選択的に、ここに記述されるその他のコンポーネントによって、システム２００に、複数の相関性のあるセンサーの複数のセットから生成された複数の頻出パターンのセットのクラスタリング（または組み合わせ）を実行させ、複数のルールの第３のセットを生成させるよう構成されている。複数のルールの第３のセットは、複数の候補頻出パターンのセットを表す。実施形態の１つにおいて、システム２００は、ルールクラスタリング技術に基づいて、複数の候補頻出パターンのセットから、複数のルールの第３のセットを生成するよう構成されている。ルールベースのクラスタリング技術において、システム２００は、複数のルールの第３のセット内の複数のルールの各ペア間の距離測度を規定するよう構成されている。距離測度は、ルールがカバーするデータ（すなわち、ルールがカバーする複数の処理）内の相互重複（mutual overlap）に反比例する。複数の頻出パターンのセットは、この距離測度のもと、ＤＢＳＣＡＮのような密度ベースの技術を介してクラスタリングされる。その結果、同じクラスター内の複数のルールは、非常に多く重複することになり、これは、各クラスターの１つ以上のルールが、複数のルールのセット全体のカバー率（coverage）を増加させにくいことを含む。システム２００は、各ルールクラスターから、最頻出ルールを選択し、同時に、高いカバー率を補償する一方、データを簡潔に要約する複数のルールの最終セットを形成するよう構成されている。

図３は、例示的な実施形態に係る複数の日に渡る複数のセンサーの複数のヒストグラムの例を示している。複数のセンサーは、任意の時間間隔に渡るセンサーデータを記録し、そのようなセンサーデータは、複数のヒストグラムを生成するために利用される。例えば、センサーデータは、一定の時間間隔で観測される様々なセンサーからの読み出し（エンジンスピード、燃料消費等）を含む複数の重工業機械から導出されてもよい。ここに示されている複数のヒストグラムは、複数のセンサーのセンサー動作を表している。ヒストグラムは、機械が稼働している特定の時間間隔のセンサーデータから、センサーの複数の異なる値の分布を捕捉することは理解されるであろう。時間間隔は、機械の単一の稼動であり得、例えば、１日、１週間等である。例えば、ここで、複数のヒストグラムを算出するため、時間間隔として「１日」が選択される。

図３に示されているように、センサーデータを介して、５日間（Ｄ１、Ｄ２、Ｄ３、Ｄ４、およびＤ５）の４つのセンサー（Ｓ１、Ｓ２、Ｓ３、およびＳ４）のセンサー動作（ヒストグラム）が示されている。ここで、複数のヒストグラムは、Ｈ_ｉｊによってユニークに（一意に）特定されている。Ｄ１日において、センサーＳ１、Ｓ２、Ｓ３、およびＳ４に対応する複数のヒストグラムが、３１２（Ｈ_１１）、３１４（Ｈ_２１）、３１６（Ｈ_３１）、および３１８（Ｈ_４１）として示されている。Ｄ２日において、センサーＳ１、Ｓ２、Ｓ３、およびＳ４に対応する複数のヒストグラムが、３２２、３２４、３２６、および３２８として示されている。Ｄ３日において、センサーＳ１、Ｓ２、Ｓ３、およびＳ４に対応する複数のヒストグラムが、３３２、３３４、３３６、３３８として示されている。Ｄ４日において、センサーＳ１、Ｓ２、Ｓ３、およびＳ４に対応する複数のヒストグラムが、３４２、３４４、３４６、および３４８として示されている。Ｄ５日において、センサーＳ１、Ｓ２、Ｓ３、およびＳ４に対応する複数のヒストグラムが、３５２、３５４、３５６、および３５８として示されている。ここで、膨大な数のビン（例えば、１０００個のビン）が複数のヒストグラム内の複数のセンサー値の分布を取得するために利用されているため、複数のヒストグラムは、複数の連続線として図示されている。

様々な状況において、動作日におけるセンサーのヒストグラムは、その他の複数の機械インスタンス（other machine instances）のヒストグラムと同様に、その他の多くの日々のヒストグラムと類似のものとなり得る。このような複数のヒストグラムの全ては、例えば、複数のヒストグラム間の距離測度を用いて、共にグループ化可能であり、センサークラスターを形成することができる。多くのセンサーのセンサー動作が類似である複数の日は、形成される複数のクラスターの全てが集合的に観測されたデータの大部分をカバーするような様態で、クラスター化される。類似の複数のヒストグラムは、同じセンサークラスターＩＤ「Ｃ_ｉｋ」によってマークされる。例えば、Ｓ１およびＳ２のヒストグラムは、Ｄ１日およびＤ２日において類似である（ヒストグラム３１２、３２２が類似であり、ヒストグラム３１４、３２４が類似である）。Ｄ３日では、Ｓ１のヒストグラムが、わずかに異なっている一方、Ｓ２のヒストグラムが類似である。さらに、Ｄ４日では、Ｓ１およびＳ２のヒストグラムがその他の日々のものとは大きく異なっている一方、Ｓ３およびＳ４のヒストグラムがＤ１日のヒストグラムと類似である。また、図３から分かるように、その日のセンサー動作の全てに対して互いに類似となる２つの日が存在せず、そのため、複数のセンサーのサブセットは、複数の日のいくつかが、センサー動作の観点から類似であると判断されるように判別される。

本発明の様々な実施形態は、複数のセンサーの複数のヒストグラムを、センサークラスターの重心ヒストグラムがセンサークラスター内に含まれる複数のヒストグラムを表すような様態で、クラスタリングするための方法およびシステムを提供する。このような複数のセンサークラスターは、複数のセンサーヒストグラムの頻繁に発生する複数のパターンとして列挙され、膨大な量の多変数のセンサーデータを要約する。図３に示されているように、複数のヒストグラム｛Ｈ_１１，Ｈ_１２，Ｈ_１３｝のセットが類似である一方、Ｈ_１３がその他の２つのヒストグラムとはわずかに異なっている。そのため、システム（例えば、図２のシステム２００）は、複数のセンサークラスターの境界の選択に応じて、これら全てを、１つ以上のクラスター内に入れるよう構成されている。実施形態の１つにおいて、システムは、複数の他のセンサーの複数のセンサークラスターと協力して、複数のクラスター境界を判別するよう構成されている。例えば、システムは、対応する複数の日が１つまたは複数の他のセンサーの１つのセンサークラスター内に存在する場合、複数のヒストグラムのこのような複数のセットを、複数の動作日をクラスターリングするよう、１つのクラスターに入れるよう構成されていてもよい。その結果、Ｄ１日、Ｄ２日、およびＤ３日は、Ｓ２の１つのセンサークラスター（Ｃ_２１）内に存在するため、現在の例では、｛Ｈ_１１（３１２），Ｈ_１２（３２２），Ｈ_１３（３３２）｝は、１つのクラスターを形成してもよい。同様に、Ｄ２日、Ｄ３日、およびＤ５日は、任意の如何なる１つのセンサークラスター内にも共に存在していないことから、｛Ｈ_３２（３２６），Ｈ_３３（３３６）｝およびＨ_３５（３４６）は、２つの異なるセンサークラスター内のものとなる。

複数のヒストグラムの複数のセンサークラスターを形成する際、同じセンサークラスターの一要素である複数の日は、多くのセンサー（多くのセンサーではあるが、全てのセンサーではない）用に、グループ化されてもよい。複数のセンサーのサブセットに従った複数の日のクラスタリングは、サブ空間クラスタリングに相当してもよい。システムは、複数の日をグループ化するために複数のセンサーの複数の異なるサブセットを選択するよう構成されており、これにより、このクラスタリングを、マルチサブ空間クラスタリング（multi-subspace clustering）と呼ぶことができる。これらの複数のセンサークラスターは、その後、複数のルール（または、複数の頻出発生パターン）のセットの形式で記述可能となる。図３を参照すると、２つのパターンが複数の日の大部分を記述している。｛（Ｃ_１１＋Ｃ_１２）；Ｃ_２１｝は、Ｄ１日と、Ｄ２日と、Ｄ３日とを記述しており、｛Ｃ_３１；（Ｃ_４１＋Ｃ_４４）｝は、Ｄ１日と、Ｄ４日とを記述している。システム２００は、このような複数のルールまたは複数のパターンを、教師なし手法（unsupervised manner）で特定するよう構成されている。

図４は、例示的な実施形態に係る図３において観測された複数のヒストグラムから生成されたグラフ４００を示している。グラフ４００は、図３を参照して説明された第１のグラフの例である。グラフ４００は、複数の共起センサークラスター（または、複数の日の同じセットの大部分を含む複数の異なるセンサーの複数のセンサークラスター）を特定するために利用可能である。それぞれの日は、その複数のセンサーヒストグラムが並ぶ複数の異なるセンサークラスターの複数のクラスター識別子のセットによって表すことができる。同じセンサーの２つ以上のセンサークラスターは、２つ以上のセンサークラスターが他のセンサーのクラスターと大部分の共通した日々を有していると判断され、一方、複数のセンサークラスターの重心間の距離（例えば、ユークリッド距離）が、第２の閾値によって境界付けられ続けている場合、合併可能である。図３を参照して説明された例では、複数のセンサークラスターＣ_１１およびＣ_１２が合併可能である。なぜならば、Ｃ_１１、Ｃ_１２は、他のクラスターＣ_２１と、複数の日を共有しており、さらに、Ｃ_１１、Ｃ_１２の重心間の距離もまた小さいからである。

複数のクラスターは、グラフ４００内の複数のノードとしてモデル化される。図３を参照して説明された複数のセンサークラスターの例では、グラフ４００は、センサークラスターＣ_１１、Ｃ_１２、Ｃ_１３、Ｃ_１４、Ｃ_２１、Ｃ_２２、Ｃ_２３、Ｃ_３１、Ｃ_３２、Ｃ_３３、Ｃ_４１、Ｃ_４２、Ｃ_４３、Ｃ_４４、およびＣ_４５のような複数のセンサークラスターを含んでいる。さらに、グラフ４００は、複数のノード（複数のセンサークラスター）間の複数のエッジを含んでいる。複数のエッジは、２つのノードが同じセンサーに属しており、さらに、それらの間の距離（例えば、ユークリッド距離）が距離測度の第２のしきい値よりも小さい場合、グラフの２つのノード間に描かれる。ここで、距離測度は、このようなエッジの重みにとしてエンコード化される。このような複数のエッジは、イントラクラスターエッジ（intra-cluster edges）と称され、グラフ４００内では点線によって表される。例えば、エッジ４０６、４０８、４１０は、イントラクラスターエッジである。グラフ４００内の点線で表されるエッジの全てがイントラクラスターエッジであることは留意されるであろうが、説明の簡略化および理解の明確さのため、図４では、３つのイントラクラスターエッジ（４０６、４０８、４１０）のみを示している。

また、グラフ４００は、複数の内部クラスターエッジ（inter-cluster edge）を含んでいる。内部クラスターエッジは、複数の異なるセンサーの複数のクラスター間のエッジであり、図４中では実線によって表されている。内部クラスターエッジは、２つのクラスターの双方が複数のルールの第１のセットの１つのルール（または、単一の頻出パターン）内において生じる場合、２つのセンサーの複数のクラスター間に存在する。例えば、エッジ４０２、４０４は、グラフ４００内の内部クラスターエッジである。図３を参照して説明したように、複数のサブグラフ内における複数のセンサークラスターの合併は、複数の合併されたセンサークラスターの形態（複数のセンサークラスターの第２のセット）をもたらす。そのため、日に関連してエンコード化されたデータ（day-wise encoded data）は、複数の頻出パターンを判別するため、複数の合併されたセンサークラスターによって更新される。

図５は、本発明に係るマルチセンサーデータを要約するための方法５００のフロー図を示している。方法５００は、マルチサブ空間クラスタリングを用いたマルチセンサーデータの大規模な集合を簡潔に要約することを容易とする。特に、システムは、複数の機械から収集されたマルチセンサーデータを用いて、複数のセンサーを内蔵（embodying）する複数の機械の集合の複数の使用および動作パターンを要約することができる。マルチセンサーデータ、またはセンサーデータは、そのような複数のセンサーを内蔵する複数の機械の動作期間または特定の時間間隔に渡って収集された複数のセンサーのセンサー値／読み出しを含んでいてもよい。例えば、センサーデータは、複数の日に区分化されていてもよい。

５０２において、本方法は、複数のセンサーに関連付けられたセンサーデータから、複数のヒストグラムを算出する工程を含む。実施形態の１つにおいて、各ヒストグラムは、１日間の複数のセンサーのうちの１つのセンサーの動作を表す。５０４において、複数のセンサーのそれぞれの複数のヒストグラムの各ヒストグラムがクラスタリングされ、第１の複数のセンサークラスターが取得される。実施形態の１つにおいて、各ヒストグラムは、各ヒストグラムの形状類似性（shape similarity）に基づいて、１つのセンサークラスター内にクラスタリングされる。複数のヒストグラムのクラスタリングの例が、図４を参照して説明される。第１の複数のセンサークラスターの各センサークラスターは、複数のセンサーのうちの１つのセンサーの特徴的センサー動作を表す重心ヒストグラムを含む。実施形態の１つにおいて、第１の複数のセンサーの複数のセンサークラスターに関連付けられた各ヒストグラムは、第１のしきい値距離測度によって境界付けられている。

５０６において、第１の複数のセンサークラスターの中から、複数のルールの第１のセットが抽出される。実施形態の１つにおいて、複数のルールの第１のセットは、複数のセンサーのセットの複数のヒストグラムから、複数のヒストグラムの複数のパターンを規定する。ここで、複数のヒストグラムの複数のパターンは、任意の時間間隔に渡って頻繁に発生する。実施形態の１つにおいて、複数のルールの第１のセットは、頻出パターンマイニング技術を用いることによって、抽出される。実施形態の１つにおいて、複数のルールの第１のセットのルールは、複数の異なるセンサーの複数のセンサークラスターを含み、これにより、センサーの唯一つのセンサークラスターが１つのルール内に存在し、それ以上のセンサークラスターは１つのルール内に存在しないようになっている。

５０８において、本方法は、複数のセンサーのうちの１つのセンサーに対応して、第１の複数のセンサークラスターの中から、２つ以上のセンサークラスターを選択的に合併し、第２の複数のセンサークラスターを取得する工程を含む。２つ以上のセンサークラスターは、２つ以上のセンサークラスターに関連付けられた複数のルールの第１のセットの中からの２つ以上のルール、およびセンサーの２つ以上のセンサークラスター間の距離測度に基づいて、合併される。実施形態の１つにおいて、センサーの２つ以上のセンサークラスターは、同じ時間間隔の２つ以上のセンサークラスター内の複数のセンサーの１つ以上の他のセンサーの共起性の判別に基づいて、選択的に合併される。実施形態の１つにおいて、１つ以上のセンサークラスターの共起性の判別は、第１の複数のセンサークラスターおよび複数のルールの第１のセットを、第１のグラフの形式で表す工程を含む。第１のグラフは、図４を参照して詳細に説明される。第１のグラフは、複数のノードと、該複数のノードを接続する複数のエッジとを含んでいる。複数のノードは、第１の複数のセンサークラスターを含んでおり、複数のエッジは、イントラクラスターエッジのセットと、内部クラスターエッジのセットとを含んでおり、これにより、内部クラスターエッジは、複数のルールの第１のセットの中からのルールに関連付けられた複数のセンサークラスター間のエッジを含み、さらに、イントラクラスターエッジが、第２のしきい値距離測度よりも小さい複数のセンサークラスター間の距離測度を有するセンサーの複数のセンサークラスター間のエッジを含むようになっている。第２の複数のセンサークラスターは、第１のグラフから特定される。実施形態の１つにおいて、複数のセンサークラスターの第２のセットは、第１のグラフから、複数のセンサークラスターを合併した後に形成される。第１のグラフは、複数のセンサーのセットに関連付けられた複数のセンサークラスターを有する１つ以上のサブグループを含む。１つ以上のサブグループは、類似性検出技術に基づいて、判別される。第１のグラフ内のサブグループは、複数のルールの第１のセットから導出された共起性および複数のイントラセンサークラスター間の距離によって判別された類似性に基づいて強固に接続された複数のセンサークラスターのグループを表す。センサーに関連付けられた２つ以上のセンサークラスターは、２つ以上のセンサークラスター間のイントラエッジの存在の判別に基づいて、合併される。

５１０において、本方法は、第２の複数のセンサークラスターから、複数のルールの第２のセットを抽出する工程を含む。複数のルールの第２のセットは、第２の複数のセンサークラスターに関連付けられた複数の特徴的センサー動作を示す。実施形態の１つにおいて、複数のルールの第２のセットは、頻出パターンマイニング技術に基づいて抽出される。

５１２において、複数の相関性のあるセンサーのセットが、複数のルールの第２のセットに基づいて、第２の複数のセンサークラスターから特定される。複数のルールの第２のセットは、第２のグラフの形式で表される。第２のグラフは、複数のノードと、該複数のノードを接続する複数のエッジとを含んでおり、それにより、複数のノードが第２の複数のセンサークラスターを含み、さらに、複数のエッジが複数の内部クラスターエッジのセットを含むようになっている。第２の複数のクラスターに関連付けられた複数のユニークセンサーは、第２のグラフ内の複数のサブグループから特定され、それにより、複数のユニークセンサーが複数の相関性のあるセンサーのセットを含むようになっている。

５１４において、複数のルールの第３のセットが、複数の相関性のあるセンサーのセットから抽出される。複数のルールの第３のセットは、マルチセンサーデータを要約し、複数の顕著な共起センサー動作を表す。複数のルールの第３のセットを抽出するために、頻出パターンマイニングが複数の相関性のあるセンサーの各セットに対して適用され、複数の頻出パターンのセットが取得され、さらに、複数の頻出パターンのセットが、複数の頻出パターン間の相互重複（mutual overlap）に基づいてクラスタリングされ、複数のルールの第３のセットが取得される。実施形態の１つにおいて、複数の頻出パターンのクラスタリングでは、ＡＣＲＥ（Alternating Covers of Rules and Exceptions：ルールおよび例外の交互カバー）と呼ばれる技術を利用することによって、相互重複に基づいて、複数の頻出パターンがクラスタリングされる。ＡＣＲＥは、複数の項目セット（itemsets）を有するデータセットを解釈するための技術である。この技術は、データセットに関する複数のルールセットを算出する工程を含む。複数のルールセットは、関連ルールマイニング技術（association rule mining technique）に基づいて、算出される。さらに、この技術は、データセット内の複数のルールをクラスタリングし、重ね合わせる工程を含んでいてもよい。重ね合わせる複数のルールは、データセットの共通する複数の処理（common transactions）に関連している。さらに、ＡＣＲＥ技術は、各クラスターから、少なくとも１つのルールを選択する工程を含む。少なくとも１つのルールは、各クラスター内に含まれる複数の項目セットを解釈する。

開示のマルチサブ空間クラスタリングモデルの適用例が、図６Ａ〜６Ｃを参照して、以下に提供される。

図６Ａ〜６Ｃは、例示的な実施形態に係るマルチセンサーデータの要約によって得られる例示的な結果を示している。ここで、センサーデータは、重産業機械から取得される。このセンサーデータは、３年以上に渡って、複数の異なる種類の各機器内の複数の異なるモデルのエンジンの稼動から取得されている。各時刻（例えば、各秒）において、２００個を超えるセンサーからの複数のセンサー記録（オイル温度、スピード、冷媒温度等）が記録される。データは、３種類の異なる機器内に内蔵されたエンジンの種類毎の３年（８５０日）の時間間隔に関するものである（分野の専門用語では、「アプリケーション」とも呼ばれる）。開示のマルチサブ空間クラスタリングモデルの様々な実施形態は、複数の特徴的センサー動作の判別を容易にし、さらに、データの大部分（５０％）をカバーする複数のルールの小さなセットを発見することにより、これらのエンジンの日々の動作を簡潔に要約するように、複数の日の重要な部分をカバーする複数の共起センサー動作の判別を容易にする。１０００個のビンヒストグラムが複数のセンサーのそれぞれ用に個別に生成される。

システムは、全てのセンサーに対し、ＢＲＩＣＨモデルを適用する。これは、１０，０００次元（１個のセンサー毎に１０００ビンであり、１０個のセンサー）のクラスタリング問題となる。ＢＩＲＣＨを適用することによって取得されたトップ１０クラスターのクラスター分布が、図６Ａを参照して説明される。図６Ａは、ＢＩＲＣＨモデルの適用によって取得された各センサークラスター内に含まれる複数の日の数（Ｙ軸上にプロットされている）と共に、クラスター識別子の変化（Ｘ軸上にプロットされている）を示している。全てのセンサーのセンサーデータに対するＢＩＲＣＨの適用は、１０，０００次元（１個のセンサー毎に１０００ビンであり、１０個のセンサー）のクラスタリング問題となる。図６Ｂを参照すると、図６Ａ内に示された複数のクラスターの中のトップ２クラスターの複数のヒストグラムパターン（６１２、６１４）が示されている。図から分かるように、トップ１０クラスターの合計カバー率は、８５０日間の内の１０１日間であり、合計データの１２％でしかない。

センサーデータへのＤＢＳＣＡＮの適用は、同様の結果をもたらす。ＤＢＳＣＡＮは、２つのパラメーター、すなわち、クラスタリングのためのεと、ｍｉｎＰｔｓとを必要とする。εの複数の異なる値、およびｍｉｎＰｔｓ＝１に基づく複数の日のカバー率を含む表（表Ｉ）が以下に示されている。

上の表（表Ｉ）から分かるように、より小さなε（ε＝３）値では、６０６個のクラスターが取得され、それらのうちのトップ１０のクラスターが複数の日の１５％をカバーしている一方、より大きなε（ε＝１０）値では、３９個のクラスターが取得され、それらのうちの１つのクラスターが７１１日の複数の日を含んでいる。複数の日のカバー率が高いものの、ＤＢＳＣＡＮモデルによって取得された複数のクラスターは、図６Ａにおいて判別された複数のクラスターよりも、より多くのノイズを含む。よって、全てのセンサーのクラスタリングは、センサーデータの効率的な要約を容易にはしない。なぜならば、全てのセンサーのクラスタリングに利用可能な複数の方法は、ノイズである複数のクラスターを作成するか、少ない数の日しかカバーしない多すぎる数のクラスターを生成し、結果として低いデータカバー率をもたらすからである。

１０個のセンサーの共分散行列（co-variance matrix）が算出され、さらに、類似性検出を用いて、複数の相関性のあるセンサーの３つのセットが特定される。類似性検出のために、共分散行列がグラフ（例えば、第１のグラフ）としてエンコード化される。該グラフにおいて、各ノードはセンサーであり、２つのノード間のエッジは、複数のセンサーの共分散値によって表される。複数の相関性のあるセンサーの複数のセットの内の２つは、２個のセンサーのそれぞれを含み、複数の相関性のあるセンサーの第３のセットは、６個のセンサーを含む。クラスタリングされたセンサーデータは、２つの半径（τ_ｎｋ＝３０およびτ_ｎｋ＝２５）のＢＩＲＣＨのみを用いて、これらの６個のセンサーから構成されている。τ_ｎｋ＝３０では、４００個のセンサークラスターが取得され、それらのうちのトップセンサークラスターは、６０日の複数の日を含む。トップ１０クラスターのカバー率は、複数の日の２７％（２３４日）であった。τ_ｎｋ＝２５では、４７８個のクラスターが取得され、トップクラスターは４３日の複数の日を含み、トップ１０クラスターのカバー率は２２％（１８８日）であった。よって、データの大部分をカバーする簡潔なクラスタリングを、イントラセンサー共分散に基づいて、複数のクラスターのサブ空間を選択することによっては、得ることができなかった。

センサーデータを要約するための提案のシステムおよび方法は、マルチサブ空間クラスタリングアプローチを提供する。マルチサブ空間クラスタリングアプローチでは、最初に、複数のセンサーヒストグラムが、全ての類似のセンサー動作が共に複数のクラスター内にグループ化されるよう、個別にクラスタリングされ、それにより、各クラスター重心が特徴的センサー動作を表すようになる。複数のセンサークラスターに対して判別された特徴的センサー動作の例が、以下の表（表ＩＩ）に示されている。

上の表ＩＩに示されているように、全てのセンサー用に対し、複数の異なる数の特徴的動作が、見いだされている。多くの場合において、類似の複数のヒストグラム／センサー動作が複数の異なるクラスター間に渡って拡散することとなるが、複数のセンサーヒストグラムをクラスタリングするため、小さな値の半径が選択される（また、この半径は、低いＤＢインデックスを作成する）。そのため、開示のシステムは、それぞれの日（センサーデータの行）が、その日の後続する複数のセンサー、すなわち、それぞれの日に属する複数のクラスター識別子である複数の特徴的センサー動作によって表されるような記録の形式で、センサーデータを体系化、整理（organize）するよう構成されている。最小サポート（ｓｕｐ＝５％）の頻出パターンマイニングがこのセンサーデータに対して適用され、複数の異なるセンサー動作を構成する複数の高サポート頻出発生パターン（複数のルールの第１のセット）が見いだされる。

本システムは、他のセンサーのクラスターと同時に共起する複数のセンサークラスターを合併するよう構成されている。合併のために、このような複数の類似のクラスターを見いだすため、本システムは、同じセンサーの複数のセンサークラスターの複数のイントラクラスター距離と共に、頻出パターンマイニングによって特定された複数のセンサークラスター間の重複情報（または、複数のルールの第１のセット）を、グラフとしてエンコードし、その後、類似性検出を行うよう構成されている。本システムは、８つの類似性を特定し、さらに、これらの類似性において、クラスター合併を実行する。取得された複数の類似性からのクラスター合併の結果が、以下の表ＩＶに示されている。

上の表（表ＩＶ）に示されているように、２番目の列は、クラスター合併が実行されたセンサー名を列挙しており、３番目の例は、合併のために類似性から特定されたクラスターＩＤを列挙しており、４番目の列は、合併される複数のクラスター内に含まれる複数の日の合計数を列挙しており、５番目の列は、第２のしきい値に応じて合併された複数の日の数を列挙している。選択されたクラスターは、以下に述べるようにして合併される。

図６Ｃを参照すると、２つのセンサークラスターの重心ヒストグラムであり、本システムによって合併のために選択されたセンサーＡＰＰ用のＡＰＰ＿３（６３２として示されている）およびＡＰＰ＿４（６３４として示されている）が示されている。ＡＰＰ＿３は、８７日の複数の日を有しており、そのうち８０日が合併されたクラスター（ＡＰＰ＿Ｍ＿６７）に含まれている一方、ＡＰＰ＿４は、１０７日の複数の日を有しており、そのうち１０５日が合併のために含まれている。合併されたクラスター内に含まれていない複数の日は、それらのオリジナルのクラスター内に残されている。図６Ｃでは、残された複数の日の重心ヒストグラムが、ＡＰＰ３（ｒｅｍ）（６３６として示されている）およびＡＰＰ４（ｒｅｍ）（６３８として示されている）によって示されている。ここから分かるように、わずかに異なるヒストグラムを有する複数の日は、合併されたクラスター内に含まれず、複数の類似の外観のヒストグラム（similar looking histograms）のみが合併され、これにより、それらのオリジナルのクラスター内における異常値（外れ値）が取り除かれる。

複数のクラスターを合併した後、日に関連してエンコード化されたデータ（day-wise encoded data）が、複数の合併されたクラスターを用いて更新される。クラスター合併の後に、１０個のセンサー用に、２４６６個の特徴的センサー動作が読み出され、複数の相関性のあるセンサーのセットを特定することによって、頻出パターンマイニングが実行可能となり、その後、頻出パターンマイニングがこれらの複数の相関性のあるセンサーに対してのみ実行され、これにより、頻出パターンマイニング処理がスピードアップされ、低サポートの複数のパターンであっても見いだされる。複数の相関性のあるセンサーのセットは、類似性検出を利用して判別され、その結果、複数の強固な相関性のあるセンサーの複数の類似性を生成することができる。複数の頻出パターン（または、複数のルール）の第２のセットは、グラフの形式で表され、モジュール性アルゴリズム（modularity algorithm）を用いて、複数の類似性（または、複数のサブグループ）がグラフ内において検出される。下の表ＩＩＩに示すように、１０個のセンサー用に、６個の類似性が特定される。

上の表ＩＩＩに示されているように、３つの類似性がそれぞれ互いに、３個、３個、および４個のセンサークラスターを有している一方、残りの類似性がシングルトン（singleton：１つしかインスタンスがないこと）類似性となっている。本システムは、その後、複数の相関性のあるセンサーのセットの複数の頻出パターンを探索し、それにより、パターンマイニング全体の特徴的項目の数を削減することができる。複数の相関性のあるセンサークラスターのこれらの３つのセットに対する頻出パターンマイニングは、複数の頻出パターンの３つのセットをもたらす。これらの３つのセットは、（ルールクラスタリング技術を用いて）組み合わされ、複数の日の重要部分をカバーする複数のトップ最小重複パターン（top minimal overlapping patterns）を特定する。センサーデータに対するマルチサブ空間クラスタリングの結果が、以下の表内に示されている。

上の表に示されているように、３つのルールまたはトップパターンが、合併されたセンサークラスターの合併の観点から規定されている。複数のセンサークラスターの各パターンは、大部分は、エンジンが内部に配備されている既知の３種類の機器の中の異なるアプリケーション、すなわち、Ａ１、Ａ２、およびＡ３に属している。各クラスターのトップの３つの動作は、複数の日の合計数の５０％に渡る機械の動作を説明している。｛ＣＩＴ＿Ｍ＿２３７，ＯＰＳＶ＿Ｍ＿２９｝は、｛ＯＰＳＶ＿Ｍ＿２９，ＡＰＰ＿５１｝と２３％の重複を有しており、｛ＮＢＴ＿４２，ＮＥＴ＿１０９｝と１９％の重複を有している。｛ＮＢＴ＿４２，ＮＥＴ＿１０９｝および｛ＯＰＳＶ＿Ｍ＿２９，ＡＰＰ＿５１｝は、１２％の重複を有している。複数のトップパターン用に、表（４番目の列）には、各アプリケーションのパターンが観測される日数が列挙されている。３つのアプリケーション特定パターン（application-specific patterns）が、非重複であり、複数の日の３５％をカバーしている。

開示の方法およびシステムの様々な実施形態は、膨大な数の日々に渡って観測されたマルチセンサーデータを用いて、複数の類似の機械の集合の複数の使用および動作パターンの簡潔な要約を、複数のルールのセットの形式で提供する。複数のルールのセットの各ルールは、複数のセンサーのそれぞれ異なっていてもよい複数のセットの複数のクラスター内の構成要素（membership）によって記述される。各センサークラスターは、任意の日における複数のセンサー値の特定の分布を特定する。開示の方法は、複数のルールの小さなセットと、それらが含む複数の単一センサークラスター（single-sensor clusters）とを自動的に発見し、それにより、これらルールが観測されたセンサーデータの大部分を共同的にカバーするようにするための手順を提供する。

上記の記述は、本分野における当業者が本発明を実施および使用することを可能とするために、本発明を説明するものである。本発明の範囲は、特許請求の範囲によって規定され、本分野における当業者が想到し得るその他の変形例を含む。そのようなその他の変形例が特許請求の範囲の文言と変わらない同等の要素を有するか、特許請求の範囲の文言と実質的に変わらない同等の要素を含んでいるのであれば、そのようなその他の変形例は、特許請求の範囲の権利範囲内に含まれる。

しかしながら、本発明による保護範囲は、メッセージを有するコンピューター可読手段に加え、プログラムにも及ぶことは理解されるであろう。そのようなコンピューター可読記憶媒体は、サーバー、携帯デバイス、または任意の適切なプログラム可能デバイス上でプログラムが実行されたとき、本発明の方法の１つ以上の工程を実施するプログラムコード手段（program-code means）を含む。ハードウェアデバイスは、例えば、サーバー、パーソナルコンピューター等、または、これらの組み合わせの任意の種類のコンピューターを含む任意の種類のプログラム可能なデバイスであってもよい。また、デバイスは、例えば、ハードウェア手段（例えば、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ））、ハードウェア手段およびソフトウェア手段の組み合わせ（例えば、ＡＳＩＣおよびＦＰＧＡ）、少なくとも１つのマイクロプロセッサー、および、ソフトウェアモジュールが内部に保存されている少なくとも１つのメモリーのような手段を含む。よって、手段は、ハードウェア手段と、ソフトウェア手段の双方を含む。本発明の方法は、ハードウェアおよびソフトウェアにおいて実施可能である。また、デバイスは、ソフトウェア手段を含んでいてもよい。代替的に、本発明は、複数の異なるハードウェアデバイス、例えば、複数のＣＰＵを用いて、実施されていてもよい。

本発明は、ハードウェア要素と、ソフトウェア要素とを含むことができる。本発明は、ソフトウェアにおいて実施することができ、これに限定されるものではないが、ファームウェア、常駐ソフトウェア、マイクロコード等を含む。ここに説明された様々なモジュールによって実行される機能は、他のモジュールや他のモジュールの組み合わせにおいて実施されてもよい。説明の目的のため、コンピューター使用可能またはコンピューター可読媒体は、命令実行システム、装置、またはデバイスによって使用可能またはこれらに関連したプログラムを含み、保存し、通信し、伝播し、または伝送可能な任意の装置であってもよい。

プログラムコードの保存および／または実行に適したデータ処理システムは、メモリー要素に直接的またはシステムバスを介して間接的に接続された少なくとも１つのプロセッサーを含む。メモリー要素は、プログラムコードの実際の実行の際に用いられるローカルメモリー、大容量記憶装置、および、実行の間に大容量記憶装置からの必須読み出しの回数を低減させるために少なくとも複数のプログラムコードの一時保存を提供するキャッシュメモリーを含む。

入力／出力（Ｉ／Ｏ）デバイス（これに限定されるものではないが、キーボード、ディスプレイ、ポインティングデバイス等を含む）は、システムに直接的またはＩ／Ｏコントローラーを介して接続されている。また、ネットワークアダプターは、システムに接続され、データ処理システムが、プライベートまたは公共ネットワークを介して、他のデータ処理システム、遠隔プリンター、または記憶デバイスに接続されることを可能とする。モデム、ケーブルモデム、およびイーサネットカードは、ネットワークアダプターの現在使用可能なタイプのいくつかの例である。

さらに、システムは、キーボード、マウス、スピーカー、マイク、および／または、タッチスクリーンデバイス（図示せず）のようなその他のユーザーインターフェースデバイスをバスに接続し、ユーザー入力を収集するユーザーインターフェースアダプターを含む。追加的に、通信アダプターは、バスをデータ処理ネットワークに接続し、表示アダプターは、バスを、例えば、モニター、プリンター、送信機のような出力デバイスとしても実装可能な表示デバイスに接続する。

特定の実施および実施形態の上述の記載は、本発明の実施および実施形態の一般的性質を十分に明らかにしており、現在の知識、容易な変形、および／または様々なアプリケーションへの適応を、本発明の全体的な考え方から逸脱することなく、特定の実施形態に適用することができる。さらに、そのため、そのような適応および変形は、開示の実施形態と同等な意味および範囲内に包含されるものである。本発明において使用された表現や専門用語は、説明の目的のために使用されたものであって、限定を構成するものではないことは理解されるであろう。そのため、本発明の実施形態は、好ましい実施形態に関連して説明されたが、本分野における当業者であれば、本発明の実施形態は、説明された本発明の考え方および範囲内における変形を行い実施可能であることは理解できるであろう。

上記の記述が、様々な実施形態を参照して提供された。本発明の属する分野および技術における当業者であれば、記述された構造および動作方法における変形および変更が、本発明の原理、考え方、および範囲から有意に逸脱することなく、実行可能であることを理解できるであろう。

Claims

マルチセンサーデータを要約するためのコンピューター実施方法であって、
複数のセンサーに関連付けられたセンサーデータから、複数のヒストグラムを算出する工程と、
前記複数のヒストグラムから、前記複数のセンサーのそれぞれの各ヒストグラムをクラスタリングし、前記各ヒストグラムの形状に基づいて、第１の複数のセンサークラスターを取得する工程と、
前記第１の複数のセンサークラスターに対し頻出パターンマイニングを実行し、前記複数のセンサーの複数のセンサーのセットに関連付けられた複数のルールの第１のセットを抽出する工程と、
前記第１の複数のセンサークラスターの中から、前記複数のセンサーのセットのセンサーに対応して選択された２つ以上のセンサークラスターを、前記２つ以上のセンサークラスターに関連付けられた前記複数のルールの第１のセットの中からの２つ以上のルール、および、前記センサーの前記２つ以上のセンサークラスター間の距離測度に基づいて選択的に合併し、第２の複数のセンサークラスターを取得する工程と、
前記第２の複数のセンサークラスターから、前記第２の複数のセンサークラスターに関連付けられた複数の特徴的センサー動作を示す複数のルールの第２のセットを抽出する工程と、
前記複数のルールの第２のセットに基づいて、前記第２の複数のセンサークラスターから、複数の相関性のあるセンサーの複数のセットを特定する工程と、
前記複数の相関性のあるセンサーの１つ以上のセットから、前記マルチセンサーデータを要約し、複数の顕著な共起センサー動作を表す複数のルールの第３のセットを抽出する工程と、を含み、
前記第１の複数のセンサークラスターのそれぞれのセンサークラスターは、前記複数のセンサーの特徴的センサーの特徴的センサー動作を表す重心ヒストグラムを含んでおり、
前記複数のルールの第１のセットのルールは、前記複数のセンサーの複数のセンサーのセットに関連付けられており、さらに、任意の時間間隔に渡って、前記第１の複数のセンサークラスター内において頻繁に現れる複数のセンサークラスターのセットを含むことを特徴とするコンピューター実施方法。
前記第１の複数のセンサークラスターのセンサークラスターに関連付けられた前記各ヒストグラムは、第１のしきい値距離測度によって境界付けられており、
前記第１のしきい値距離測度は、ユークリッド距離、アースムーバー距離、カルバック・ライブラー測度、バッタチャリア距離、マンハッタン距離、およびワッサースタイン計量の１つを含む請求項１に記載のコンピューター実施方法。
前記複数のルールの第２のセットは、頻出パターンマイニング技術を用いて抽出される請求項１に記載のコンピューター実施方法。
前記センサーの前記２つ以上のセンサークラスターを選択的に合併する工程は、同じ時間間隔の前記２つ以上のセンサークラスター内の前記複数のセンサーの１つ以上の他のセンサーの共起性の判別に基づいて、実行される請求項１に記載のコンピューター実施方法。
前記１つ以上の他のセンサーの前記共起性の前記判別は、
前記第１の複数のセンサークラスターおよび前記複数のルールの第１のセットを、第１のグラフの形式で表す工程と、
前記第１のグラフから、前記第２の複数のセンサークラスターを特定する工程と、を含み、
前記第１のグラフは、複数のノードと、該複数のノードを接続する複数のエッジとを含んでおり、
前記複数のノードは、前記第１の複数のセンサークラスターを表しており、
前記複数のエッジは、イントラクラスターエッジのセットと、内部クラスターエッジのセットと、を含んでおり、
前記内部クラスターエッジは、前記複数のルールの第１のセットのルールに関連付けられた複数のセンサークラスター間のエッジを含んでおり、
前記イントラクラスターエッジは、第２のしきい値距離測度よりも小さい前記複数のセンサークラスター間の前記距離測度を有するセンサーの複数のセンサークラスター間のエッジを含んでおり、
前記第２の複数のセンサークラスターのセンサークラスターは、前記第１のグラフのサブグラフから特定され、
前記サブグラフは、前記複数のセンサーのセットに関連付けられた前記２つ以上のセンサークラスターを含み、
前記サブグラフ内の前記複数のセンサーのセットのセンサーに関連付けられた前記２つ以上のセンサークラスターは、前記２つ以上のセンサークラスター間の前記イントラクラスターエッジの存在の判別に基づいて合併される請求項４に記載のコンピューター実施方法。
前記第２の複数のセンサークラスターに関連付けられた前記複数の相関性のあるセンサーの複数のセットを特定する工程は、
前記複数のルールの第２のセットおよび前記第２の複数のセンサークラスターを、第２のグラフの形式で表す工程と、
前記第２のグラフの１つ以上のサブグラフから、前記第２の複数のセンサークラスターに関連付けられた前記複数の相関性のあるセンサーの複数のセットを特定する工程と、を含み、
前記第２のグラフは、複数のノードと、該複数のノードを接続する複数のエッジとを含んでおり、
前記複数のノードは、前記第２の複数のセンサークラスターを表しており、
前記複数のエッジは、前記第２の複数のセンサークラスター間の内部クラスターエッジを含んでおり、
前記１つ以上のサブグループのそれぞれに関連付けられた複数のユニークセンサーは、前記複数の相関性のあるセンサーのセットを表している請求項１に記載のコンピューター実施方法。
前記複数のルールの第３のセットを抽出する工程は、
前記複数の相関性のあるセンサーの複数のセットのそれぞれに対し、頻出パターンマイニングを適用し、複数の頻出パターンのセットを取得する工程と、
前記複数の頻出パターン間の相互重複に基づいて、前記複数の頻出パターンのセットをクラスタリングし、前記複数のルールの第３のセットを取得する工程と、を含む請求項１に記載のコンピューター実施方法。
マルチセンサーデータを要約するためのコンピューター実施システム２００であって、
前記システム２００は、
少なくとも１つのメモリー２０４と、
前記少なくとも１つのメモリー２０４に接続された少なくとも１つのプロセッサー２０２と、を含み、
前記少なくとも１つのプロセッサーは、前記少なくとも１つのメモリー２０４内に保存されている複数のプログラムされた命令を実行することにより、
複数のセンサーに関連付けられたセンサーデータから、複数のヒストグラムを算出する工程と、
前記複数のヒストグラムから、前記複数のセンサーのそれぞれの各ヒストグラムをクラスタリングし、前記各ヒストグラムの形状に基づいて、第１の複数のセンサークラスターを取得する工程と、
前記第１の複数のセンサークラスターに対し頻出パターンマイニングを実行し、前記複数のセンサーの複数のセンサーのセットに関連付けられた複数のルールの第１のセットを抽出する工程と、
前記第１の複数のセンサークラスターの中から、前記複数のセンサーのセットのセンサーに対応して選択された２つ以上のセンサークラスターを、前記２つ以上のセンサークラスターに関連付けられた前記複数のルールの第１のセットの中からの２つ以上のルール、および、前記センサーの前記２つ以上のセンサークラスター間の距離測度に基づいて選択的に合併し、第２の複数のセンサークラスターを取得する工程と、
前記第２の複数のセンサークラスターから、前記第２の複数のセンサークラスターに関連付けられた複数の特徴的センサー動作を示す複数のルールの第２のセットを抽出する工程と、
前記複数のルールの第２のセットに基づいて、前記第２の複数のセンサークラスターから、複数の相関性のあるセンサーの複数のセットを特定する工程と、
前記複数の相関性のあるセンサーの１つ以上のセットから、前記マルチセンサーデータを要約し、複数の顕著な共起センサー動作を表す複数のルールの第３のセットを抽出する工程と、を実行可能であり、
前記第１の複数のセンサークラスターのそれぞれのセンサークラスターは、前記複数のセンサーの特徴的センサーの特徴的センサー動作を表す重心ヒストグラムを含んでおり、
前記複数のルールの第１のセットのルールは、前記複数のセンサーの複数のセンサーのセットに関連付けられており、さらに、任意の時間間隔に渡って、前記第１の複数のセンサークラスター内において頻繁に現れる複数のセンサークラスターのセットを含むことを特徴とするコンピューター実施システム。
前記第１の複数のセンサークラスターのセンサークラスターに関連付けられた前記各ヒストグラムは、第１のしきい値距離測度によって境界付けられており、
前記第１のしきい値距離測度は、ユークリッド距離、アースムーバー距離、カルバック・ライブラー測度、バッタチャリア距離、マンハッタン距離、およびワッサースタイン計量のいずれか１つを含む請求項８に記載のコンピューター実施システム２００。
前記少なくとも１つのプロセッサー２０２は、前記複数の命令によって、ＢＩＲＣＨ（Balanced Iterative Reducing and Clustering using Hierarchies）クラスタリングモデルに基づいて、クラスタリングする工程を、さらに実行するよう構成されている請求項８に記載のコンピューター実施システム２００。
前記少なくとも１つのプロセッサー２０２は、前記複数の命令によって、頻出パターンマイニング技術を用いて、前記複数のルールの第２のセットを抽出する工程を、さらに実行するように構成されている請求項８に記載のコンピューター実施システム２００。
前記少なくとも１つのプロセッサー２０２は、前記複数の命令によって、同じ時間間隔の前記２つ以上のセンサークラスター内の前記複数のセンサーの１つ以上の他のセンサーの共起性の判別に基づいて、前記センサーの前記２つ以上のセンサークラスターを選択的に合併する工程を、さらに実行するよう構成されている請求項８に記載のコンピューター実施システム２００。
前記１つ以上の他のセンサーの前記共起性を判別するため、前記少なくとも１つのプロセッサー２０２は、前記複数の命令によって、
前記第１の複数のセンサークラスターおよび前記複数のルールの第１のセットを、第１のグラフの形式で表す工程と、
前記第１のグラフから、前記第２の複数のセンサークラスターを特定する工程と、をさらに実行するよう構成されており、
前記第１のグラフは、複数のノードと、該複数のノードを接続する複数のエッジとを含んでおり、
前記複数のノードは、前記第１の複数のセンサークラスターを表しており、
前記複数のエッジは、イントラクラスターエッジのセットと、内部クラスターエッジのセットと、を含んでおり、
前記内部クラスターエッジは、前記複数のルールの第１のセットのルールに関連付けられた複数のセンサークラスター間のエッジを含んでおり、
前記イントラクラスターエッジは、第２のしきい値距離測度よりも小さい前記複数のセンサークラスター間の前記距離測度を有するセンサーの複数のセンサークラスター間のエッジを含んでおり、
前記第２の複数のセンサークラスターのセンサークラスターは、前記第１のグラフのサブグラフから特定され、
前記サブグラフは、前記複数のセンサーのセットに関連付けられた前記２つ以上のセンサークラスターを含み、
前記サブグラフ内の前記複数のセンサーのセットのセンサーに関連付けられた前記２つ以上のセンサークラスターは、前記２つ以上のセンサークラスター間の前記イントラクラスターエッジの存在の判別に基づいて合併される請求項１２に記載のコンピューター実施システム２００。
前記第２の複数のセンサークラスターに関連付けられた前記複数の相関性のあるセンサーの複数のセットを特定するため、前記少なくとも１つのプロセッサー２０２は、前記複数の命令によって、
前記複数のルールの第２のセットおよび前記第２の複数のセンサークラスターを、第２のグラフの形式で表す工程と、
前記第２のグラフの１つ以上のサブグラフから、前記第２の複数のセンサークラスターに関連付けられた前記複数の相関性のあるセンサーの複数のセットを特定する工程と、をさらに実行するよう構成されており、
前記第２のグラフは、複数のノードと、該複数のノードを接続する複数のエッジとを含んでおり、
前記複数のノードは、前記第２の複数のセンサークラスターを表しており、
前記複数のエッジは、前記第２の複数のセンサークラスター間の内部クラスターエッジを含んでおり、
前記１つ以上のサブグループのそれぞれに関連付けられた複数のユニークセンサーは、前記複数の相関性のあるセンサーのセットを表している請求項８に記載のコンピューター実施システム２００。
前記複数のルールの第３のセットを抽出するために、前記少なくとも１つのプロセッサー２０２は、前記複数の命令によって、
前記複数の相関性のあるセンサーの複数のセットのそれぞれに対し、頻出パターンマイニングを適用し、複数の頻出パターンのセットを取得する工程と、
前記複数の頻出パターン間の相互重複に基づいて、前記複数の頻出パターンのセットをクラスタリングし、前記複数のルールの第３のセットを取得する工程と、をさらに実行するよう構成されている請求項８に記載のコンピューター実施システム２００。