JP2020068025A - 履歴及び時系列の共同分析に基づく異常の特性評価のためのシステム及び方法 - Google Patents

Abstract

【課題】異常検出及び特性評価を容易にするためのシステムを提供する。【解決手段】動作中、システムは、計算デバイスによって、複数のデータ点を含む試験データの第１のセットを判定し、第１のセットは、第１の変数及び１つ以上の第２の変数のためのデータ系列を含む。システムは、第１のセットを複数のグループに分割し、それぞれのグループのデータに対して四分位数範囲分析を行うことによって、異常を特定する。システムは、現在時刻の前に生じる最近の期間からデータ系列を含む試験データの第２のセットを第１のセットから取得し、それは特定された異常からの第１のデータ点を更に含む。システムは、第２のセットの導関数の大きさが第１の所定の閾値以上であるかどうかに基づいて、第１のデータ点を第１の種類の異常として分類する。【選択図】図１

Description

本開示は、一般に、異常を検出することに関連する。より具体的には、本開示は、履歴及び時系列の共同分析に基づく異常特性評価のためのシステム及び方法に関する。

異常検出又は外れ値検出は、データセット内の予期されるパターン又は他のものに適合しない項目又はイベントを特定するデータマイニング方法である。異常検出は、様々な分野、例えば、製造、医療領域、及びエネルギー関連分野において関連性がある。例えば、製造業では、機械を使用する工場の稼働や、デバイスを使用するデータセンターの稼働など、エネルギー使用量にかなりのコストがかかる可能性がある。このため、異常を特定することは、より効率的な製造システムを提供することができ、これにより、コストを低減し、システム及びその構成要素又は部品の全体的な効率を改善することができる。

スマートメータ、センサ、及びモノのインターネット（Ｉｎｔｅｒｎｅｔ−ｏｆ−Ｔｈｉｎｇｓ、ＩｏＴ）デバイスの出現により、工場の機械の非効率性を監視し、異常なエネルギー使用を検出及び管理する機会がある。関連する米国特許出願第１６／１４３，２２３号は、２次元又はより高次元のデータセットの時系列データの履歴範囲及びビン化された四分位数範囲分析を使用することにより、異常検出を容易にする方法を対象としている。しかしながら、現在、一方ではエネルギー又は生産性の損失を減らすための真の機会と、他方では急速な過渡事象（例えば、電源のオン／オフ、突然の温度変化、突然の生産レベルの増加）による制御不能な電力急上昇とを区別する方法はない。これにより、データマイニングと異常検出のシステムが非効率になる可能性がある。

一実施形態は、異常検出及び特性評価を容易にするためシステムを提供する。動作中、システムは、計算デバイスにより、複数のデータ点を含む試験データの第１のセットを判定し、第１のセットは、第１の変数及び１つ以上の第２の変数のためのデータ系列を含み、１つ以上の第２の変数は、第１の変数に依存する。システムは、試験データの第１のセットを複数のグループに分割し、それぞれのグループのデータに対して四分位数範囲分析を行うことによって、異常を特定する。システムは、試験データの第１のセットから、所定の時間未満だけ現在時刻よりも前に生じる最近の期間からデータ系列を含む試験データの第２のセットを取得し、特定された異常からの第１のデータ点を更に含む。システムは、試験データの第２のセットの導関数の大きさが第１の所定の閾値以上であるかどうかに基づいて、第１のデータ点を第１の種類の異常として分類し、それにより、試験データの第１のセットの履歴分析及び試験データの第２のセットの最近の時系列分析に基づいて、データ系列のデータマイニング及び外れ値の検出を強化する。

いくつかの実施形態では、第１の変数又は１つ以上の第２の変数は、試験データの第１のセットを取得することに関与する物理デバイスに関連付けられたパラメータのうちの１つ以上である。パラメータは、生産を測定するための計数、数量、又は他の単位と、材料の流量の単位又は測定値と、材料に対する圧力の単位又は測定値と、別のパラメータを測定する際の制御パラメータとして使用することができる任意のパラメータのうちの１つ以上である。

いくつかの実施形態では、物理デバイスは、センサ、スマートメータ、モノのインターネット（ＩｏＴ）デバイス、及びパラメータを測定することができる任意のデバイスのうちの１つ以上である。

いくつかの実施形態では、システムは、試験データの第２のセットの導関数の大きさが第１の所定の閾値以上であると判定することに応答して、第１のデータ点を第１の種類の異常として分類する。システムは、試験データの第２のセットの導関数の大きさが第１の所定の閾値以下であると判定することに応答して、第１のデータ点を第２の種類の異常として分類する。

いくつかの実施形態では、第１の種類の異常は、制御パラメータにおける急上昇、オン／オフイベント、及び制御パラメータにおける急激な過渡的変化のうちの１つ以上に関連付けられる。第２の種類の異常は、定常状態の異常と関連付けられる。

いくつかの実施形態では、システムは、異常として分類され、制御パラメータ、オン／オフイベント、又は制御パラメータにおける急激な過渡的変化に起因する、データ点の第３のセットを判定することによって、試験データの第１のセットを取得することに関与する物理デバイスに関連する高い急上昇を示す傾向を検出する。

いくつかの実施形態では、傾向が第２の所定の閾値以下であると判定することに応答して、システムは、物理デバイスが通常動作を経験していると判定する。傾向が第２の所定の閾値以上であると判定することに応答して、システムは、物理デバイスが劣化を経験していると判定する。

本発明の一実施形態による異常検出及び特性評価を容易にするための例示的な環境を示す。 本発明の一実施形態に係る、２次元データセットの一定期間にわたる集約されたスナップショットを含む、例示的な試験データを有するグラフを示す。 本発明の実施形態による、ビン又はグループに分割された試験データに対して四分位数範囲分析を実行することを含む、図２Ａの例示的な試験データのグラフを示す。 本発明の実施形態による、図２Ａの例示的な試験データから得られた、２次元データセットの各変数の最近の期間からの時系列データ及び電力急上昇に関連付けられた異常の特性評価を含むデータのグラフを示す。 本発明の実施形態による、異常として分類され得る特定のデータ点の特性評価又は原因を含む、図２Ａの例示的な試験データに基づく結果の表を示す。 本発明の実施形態による、電力急上昇に関連付けられた異常の特性評価を含む、例示的な最近の時系列分析を提示する。 本発明の一実施形態による、異常検出及び特性評価を容易にするための方法を示すフローチャートを提示する。 本発明の一実施形態による、異常検出及び特性評価を容易にするための方法を示すフローチャートを提示する。 本発明の一実施形態による、２次元データについての例示的な履歴時系列分析を提示する。 本発明の実施形態による、図４Ａの２次元データの導関数の例示的な履歴時系列分析を提示する。 本発明の実施形態による、異常の特性評価を含む、図４Ｂの例示的なデータから得られたデータの例示的な最近の時系列分析を示す。 本発明の一実施形態による、異常検出及び特性評価を容易にするための方法を示すフローチャートを提示する。 本発明の一実施形態による、異常検出及び特性評価を容易にするための例示的な分散コンピュータ及び通信システムを示す。 本発明の一実施形態による、異常検出及び特性評価を容易にする例示的な装置を示す。

本明細書に記載される実施形態は、履歴データ及び最近の時系列データの両方を分析するシステムを提供することによって、２次元又はより高次元のデータセットにおける異常を特定及び特性評価するという問題を解決する。

エネルギーの使用は、機械を備えた工場や多数の機械を備えたデータセンターの運営など、システム全体のコストを大幅に増大させる可能性がある。スマートメータ、センサ、及びモノのインターネット（ＩｏＴ）デバイスの出現により、工場の機械の非効率性を監視し、異常なエネルギー使用を検出及び管理する機会がある。関連する米国特許出願第１６／１４３，２２３号は、２次元又はより高次元のデータセットの時系列データの履歴範囲及びビン化された四分位数範囲分析を使用することにより、異常検出を容易にする方法を対象としている。しかしながら、現在、一方ではエネルギー又は生産性の損失を減らすための真の機会と、他方では急速な過渡事象（例えば、電源のオン／オフ、突然の温度変化、突然の生産レベルの増加）による制御不能な電力急上昇とを区別する方法はない。これにより、データマイニングと異常検出のシステムが非効率になる可能性がある。

本明細書に記載される実施形態は、履歴データ／パターン（例えば、センサのセットから取得される）を使用し、履歴データ／パターン（例えば、最近の時系列データ分析）に対する現在のエネルギー使用量を相関させることにより、２次元又はより高次元のデータセットにおける異常を特定及び特性評価することにより、この問題を解決する。例えば、システムは、最近の時刻歴の様々なパラメータ急上昇の学習閾値と、特定の機械に関連付けられた特定の制御／応答変数の予想エネルギー消費レベルを組み合わせることができる。

上述のように、異常の特定及び特性評価することは、多くの分野（例えば、製造業、医療分野、及びエネルギー関連分野）においてより効率的なシステムを提供することができ、コストを低減し、システム及びその構成要素又は部品の全体的な効率を改善することができる。本明細書に記載される実施形態は、履歴分析（例えば、米国特許出願第１６／１４３，２２３号に記載されている「ビン化された」ＩＱＲ分析の使用）を実行し、続いて特定された異常について最近の時系列分析を実行することにより、２つ以上の次元又は変数にわたってデータ系列の異常を検出及び特性評価する効率を改善するコンピュータシステムを提供する。

更に、本明細書に記載される実施形態では、システムは、データマイニング及び外れ値の検出を強化及び改善し、改善は基本的に技術的である。改善により、異常をより効果的に特定及び特性評価することによって、より効率的な製造システム又は他の物理システムを実現できる。システム管理者又は他のユーザは、特定された異常に基づいて是正又は他のアクションを実行し、製造又は他の物理システムの全体的な効率を改善することができる。

したがって、本明細書に記載される実施形態は、技術的問題（検出され、特性評価された異常に基づいてユーザがアクションを実行できるようにすることにより、製造システム又はその他の物理システムの効率を改善すること）に対する技術的解決策（異常を検出及び特性評価するために、２つ以上の次元にわたってデータの履歴及び時系列の共同分析を行うこと）を提供する。例えば、ユーザ（又はシステム）は、異常を除去若しくは対処する行為を実行してもよく、例えば、特定の特性評価された異常に対して比重又は優先度を割り当てることによって、いくつかの特性評価された異常を他の特性評価された異常よりも重要又はそれほど重要ではないとして処理するアクションを実行してもよい。

図１は、本発明の一実施形態による異常検出及び特性評価を容易にするための例示的な環境１００を示す。環境１００は、デバイス１０２及び関連付けられたユーザ１１２、デバイス１０４及び関連付けられたユーザ１１４及びデバイス１０６を含むことができる。デバイス１０２、１０４、及び１０６は、ネットワーク１２０を介して互いに通信することができる。環境１００はまた、ある期間及び周期的間隔でデータを記録することができるセンサを有する物理物体（又は複数の物体）を含むことができる。例えば、環境１００は、デバイス１３２．１〜１３２．ｍ及びセンサ１３４．１〜１３４．ｎを含むことができる空間１３０、及び外部温度センサ１３６を含むことができる。センサ１３４．１〜１３４．ｎは、空間１３０で消費された加熱、換気、及び空調（ｈｅａｔｉｎｇ， ｖｅｎｔｉｌａｔｉｏｎ， ａｎｄ ａｉｒ ｃｏｎｄｉｔｉｏｎｉｎｇ、ＨＶＡＣ）エネルギーの量、又は空間１３０内の特定のデバイスによって消費又は使用されるＨＶＡＣエネルギーの量などの、空間に関連する物理的特徴を監視することができる。外部温度センサ１３６は、空間１３０が存在する建物の内部又は建物の外側にあるかに関わらず、空間の外側の空気の温度を監視することができる。

別の例として、センサ１３４．１は、特定の装置１３２．１（例えば、圧縮機機）によって消費されたＨＶＡＣエネルギーの量（例えば、キロワット時又はｋＷｈ）を測定することができ、一方、センサ１３４．２は、特定のデバイス１３２．１によって生成される又はそれを通過する材料の流量（例えば、ｍ^３）を測定することができる。更に別の例として、センサ１３４．３は、特定のデバイス１３２．２（例えば、ポッティングマシン）によって消費又は使用されるＨＶＡＣエネルギー（例えば、ｋＷｈ）を測定することができ、センサ１３４．４は、（例えば、ユニット内で）生成されたユニットの数を測定することができる。

動作中、センサは、それぞれの測定された試験データをデバイス１０４に送信することができる。例えば、デバイス１０４は、センサ１３４．１から試験データ１４２を取得することができ、センサ１３６から試験データ１４４を取得することもできる。同時に又は異なる時刻に、ユーザ１１２は、空間１３０のセンサ１３４．１〜１３４．ｎ及び外部温度センサ１３６に関連する特定の試験データの異常を要求する１５２コマンドを送信でき、その結果、デバイス１０４に取得試験データコマンド１５４を送信できる。

デバイス１０４は、試験データ１４２及び１４４を取得することができ、試験データ１４２及び１４４を組み合わせることができる。デバイス１０４は、ネットワーク１２０を介して、組み合わせされた試験データ１４６をデバイス１０６に送信することができる。試験データ１４２、試験データ１４４、及び組み合わされた試験データ１４６は、時系列データを含むことができるか、又は周波数スペクトルをカバーすることができるデータ系列であり得ることに留意されたい。組み合わされた試験データ１４６と共に異常要求１５２コマンドを受信すると、デバイス１０６は、組み合わされた試験データ１４６を複数のビンに分割し、各ビンのデータに対してＩＱＲ分析を行うこと（機能１５６）により異常を特定する履歴分析を行うことができる（機能１５５）。「ビン化された」四分位数範囲（ｉｎｔｅｒ−ｑｕａｒｔｉｌｅ ｒａｎｇｅ、ＩＱＲ）分析の実行については、米国特許出願第１６／１４３，２２３号に記載されている。ＩＱＲ分析中、デバイス１０６は、各ビンの下限及び上限によって定義される範囲内にない組み合わされた試験データ１４６（具体的には、各分割ビン又は試験データのグループの試験データ点から）から試験データ点を特定することができ、ここで、下限及び上限はＩＱＲ分析に基づいて判定される。

ＩＱＲ分析に基づいて異常を特定した後、デバイス１０６は、組み合わされた試験データ１４６から最近の期間のデータ系列を含む試験データの第２のセットを取得することにより、最近の時系列分析を実行することができる（機能１５６）。最近の期間は、所定の時間未満だけ現在時刻よりも前に所定の期間よりも前に生じる可能性があり、試験データの第２のセットには、ＩＱＲ分析に基づいて特定された異常からの第１のデータ点を含み得る。

機能１５６の一部として、デバイス１０６は、試験データの第２のセットの導関数の大きさを計算し、試験データの第２のセットの導関数の大きさが第１の所定の閾値以上であるかどうかに基づき第１のデータ点を特定の種類の異常として分類することができる。導関数の大きさ及び第１の所定の閾値は、正数、負数、又はゼロであり得る。デバイス１０６は、試験データの第２のセット内の第１のデータ点（及び他の分類されたデータ点）の分類（複数可）１５８を、ネットワーク１２０を介してデバイス１０２に返送することができる。

分類（複数可）１５８を受信すると、デバイス１０２は異常を特性評価することができ（機能１６０）、分類（異常として）又は特性評価（特定の種類の異常として）に基づいて所定のルールを実行することを含むアクションを実行することもできる（機能１６２）。例えば、試験データの第２のセットの導関数の大きさが第１の所定の閾値よりも大きい場合、デバイス１０２は、電源オン／オフイベント、制御パラメータの急上昇（電力若しくは圧力を測定する構成要素など）、又は制御パラメータにおける急激な過渡的変化に関連付けられる、急上昇異常として第１のデータ点を特性評価することができる。他の種類の異常は、定常状態の異常に関連付けられている場合もある（例えば、試験データの第２のセットの導関数の大きさが第１の所定の閾値未満である場合）。更に、所定のルールは、試験データを取得することに関与するセンサ又はデバイスに関連する物理的構成要素又はユニットを自動的に調整することを含み得る。

同様に、ユーザ１１２は、異常を特性評価することができ（機能１６４）、また、他の履歴データ（例えば、最近の時刻歴における急上昇の学習閾値、及び所与の機械に関連する所与の制御又は応答変数の予測されたエネルギー消費レベル）に照らして分類された異常を再検討することを含むことができるアクションを実行することもできる（機能１６６）。アクション１６６は、ユーザ１１２に分類された異常の原因を修正又は発見させることができ、その時点で、ユーザ１１２は、そのような異常が再び発生するのを防ぐ手段を講じることができる。

すなわち、分類（複数可）１５８により、デバイス１０２及びユーザ１１２の両方が、１）離散ビン又はグループに対して実行されたＩＱＲ分析に基づく強化されたデータマイニング及び外れ値検出、及び２）その後の最近の時系列分析の結果を使用することを可能にする。例えば、異常要求１５２コマンドに対する応答（すなわち、分類１５８）に基づいて、ユーザ１１２は、特定された（分類された）異常を特性評価することができ（機能１６４）、空間１３０及び空間１３０内のデバイス１３２．１〜１３２ｍに関連付けられている製造システム又は他の物理システムの動作及び性能に影響を及ぼし、改善することができるアクションを実行することができる（機能１６６）。アクションは、分類された異常がもう発生しないことを確実にするための是正措置又は修正措置とすることができる。ユーザ１１２はまた、ユーザ１１２のアクションが、任意の以前に検出された異常の除去又は削除を含む意図された効果を有するかどうかを判定するために、その後の試験データを監視、観察、及び分類することもできる。

図２Ａは、本発明の一実施形態に係る、２次元データセットの一定期間にわたる集約されたスナップショットを含む、例示的な試験データを有するグラフ２００を示す。グラフ２００は、ポッティングマシンのデータ系列（例えば、時系列データ）を含むことができる。グラフ２００は、ポッティング計数（例えば、生産又はポッティングされたアイテムの数）を示すｘ軸、及びポッティングマシンによって消費される電力（ｋＷｈ又はｋＷの複数のセンサで測定）の合計を示すｙ軸を含むことができる。グラフ４２０では、青色は、２次元試験データ（例えば、「試験データの第１のセット」）を示す。

図２Ｂは、本発明の実施形態による、ビン又はグループに分割された試験データに対して四分位数範囲分析を実行することを含む、図２Ａの例示的な試験データのグラフ２１０を示す。グラフ２１０は、ポッティング計数（例えば、生産又はポッティングされたアイテムの数）を示すｘ軸、及びポッティングマシンによって消費される電力（ｋＷｈ又はｋＷの複数のセンサで測定）の合計を示すｙ軸を含むことができる。グラフ２１０では、垂直の赤い破線は「ビン」又はグループ間の分離を示している。つまり、システムは、ビンの数ｎを判定し、例えば、自動処理、アルゴリズム、データの取得に関与するセンサ又は機械の解像度、又は履歴データ又はデータに関連する知識に基づくことができ、計算デバイス又はユーザによって取得される。システムは、各ビンに対してＩＱＲ分析を実行することができる。各ビンにおいて、実線の黒色線は、上限及び下限を示し、一方、緑色「＋」記号は、対応する各ビンの中央値を示す。グラフ２１０の青色は、各ビンのＩＱＲ分析に基づいて正常として分類されるか、又は異常として分類されない２次元データを示す。グラフ２１０の赤色は、各ビンのＩＱＲ分析に基づいて異常又は外れ値として分類される２次元データを示す。

しかしながら、図２Ｂのグラフ２１０の特定された異常は異常の種類を示していない。すなわち、システムは、特定された異常を、例えば、電力急上昇又は制御変数の急激な過渡的変化に関連付けられるものとして特性評価しない。

図２Ｃは、本発明の一実施形態による、２次元データセットの各変数の最近の期間からの時系列データ及び電力急上昇に関連付けられた異常の特性評価を含む、図２Ａの例示的な試験データから取得したデータのグラフ２２２及び２３２を示す。グラフ２２２は、２０１６年１２月２２日の３時間のデータ（例えば、「試験データの第２のセット」）を含む。電力２２４の測定値はｋＷであり、赤色で表示されている（インデックス内の電力２４４によって示される）。計数２２６の測定値は、生成された項目の単位であり、青色で表示されている（インデックス内の計数２４２によって示される）。ボックス２２８は、図２Ｂのグラフ２１０からの分類された異常に対応するデータを示すことができる。ユーザ（又はシステム）は、第２のデータセット（グラフ２２２内の）に対するこの最近の時系列分析を実行し、試験データの第２のセットの導関数の大きさが第１の所定の閾値以上であるかどうかに基づいて、以前に検出され、分類された異常を特性評価することができる。例えば、計数の変化に対する電力の変化が特定の閾値を上回ることを観察することによって、ユーザ（又はシステム）は、これが、その特定の時刻（例えば、およそ２０：００）の電力急上昇に関連する非効率的な異常であると判定することができる。

同様に、グラフ２３２は、２０１７年５月１０日の３時間のデータ（例えば、「試験データの第２のセット」）を含む。電力２３４の測定値はｋＷであり、赤色で表示されている（インデックス内の電力２４４によって示される）。計数２３６の測定値は、生成された項目の単位であり、青色で表示されている（インデックス内の計数２４２によって示される）。

図２Ｄは、本発明の実施形態による、異常として分類され得る特定のデータ点の特性評価又は原因を含む、図２Ａの例示的な試験データに基づく結果の表２５０を示す。表２５０には、インデックス２５２、時刻２５４、位置２５６、機械２５８、原因２６０、及び量２６２などの列を含むことができるが、これらに限定されない。従来のシステムでは、原因２６０は、「正常な」又は「正常でない」（又は「異常でない」又は「異常」）として特性評価され得る。対照的に、本明細書で説明される実施形態では、原因２６０は、異常のより具体的な特性評価を含むことができる。例えば、エントリ２６４及び２６６は、正のｋＷｈ量の原因が「使用量不足」ではなく「使用量超過」であることを示している。したがって、原因２６０は、ユーザにより多くの情報を提供することができ、ユーザがそのような異常を修正又は是正するアクションを実行することを可能にする。

図２Ｅは、本発明の一実施形態による、２次元データセットの各変数の最近の期間からの時系列データ及び電力急上昇に関連付けられた異常の特性評価を含む、図２Ａの例示的な試験データから得られたデータのグラフ２７２及び２８２を示す。グラフ２７２は、２０１７年５月１３日の２４時間のデータ（例えば、「試験データの第２のセット」）を含む。電力２７４の測定値はｋＷであり、赤色で表示されている（インデックス内の電力２９４によって示される）。計数２７６の測定値は、生成された項目の単位であり、青色で表示されている（インデックス内の計数２９２によって示される）。ボックス２７８は、図２Ｂのグラフ２１０からの分類された異常に対応するデータを示すことができる。ユーザ（又はシステム）は、第２のデータセット（グラフ２７２内の）に対するこの最近の時系列分析を実行し、試験データの第２のセットの導関数の大きさが第１の所定の閾値以上であるかどうかに基づいて、以前に検出され、分類された異常を特性評価することができる。例えば、計数の変化に対する電力の変化が特定の閾値を上回ることを観察することによって、ユーザ（又はシステム）は、これが、その特定の時刻（例えば、およそ０６：００）のランプダウンに関連する異常であると判定することができる。

同様に、グラフ２８２は、２０１７年１月１０日の２４時間のデータ（例えば、「試験データの第２のセット」）を含む。電力２８４の測定値はｋＷであり、赤色で表示されている（インデックス内の電力２９４によって示される）。計数２８６の測定値は、生成された項目の単位であり、青色で表示されている（インデックス内の計数２９２によって示される）。ボックス２８８は、図２Ｂのグラフ２１０からの分類された異常に対応するデータを示すことができる。ユーザ（又はシステム）は、第２のデータセット（グラフ２８２内の）に対するこの最近の時系列分析を実行し、試験データの第２のセットの導関数の大きさが第１の所定の閾値以上であるかどうかに基づいて、以前に検出され、分類された異常を特性評価することができる。例えば、計数の変化に対する電力の変化が特定の閾値を上回ることを観察することによって、ユーザ（又はシステム）は、これが、その特定の時刻（例えば、およそ０６：００）のランプアップに関連する異常であると判定することができる。

ユーザ（又はシステム）は、その後、このデータを使用して特定のデータ点を特定の種類の異常として分類し、続いて、分類され、特性評価された異常に対処するアクションを実行することができる。例えば、両方の異常が、同じ日のほぼ同じ時刻に発生するランプダウン処理又はランプアップ処理に関連付けられるとして特性評価されるため、ユーザは、特に、以前のビン化されたＩＱＲ分析で異常として分類される日に関して、他の日の同様の期間の適切なデータを取得することができる（図２Ｂ及び図４Ｂのように）。およそ０６：００のデータが同様のランプアップ又はランプダウンを示す場合（電力急上昇に起因する）、ユーザは、関連する空間における物理デバイスに関するいくつかのサーバ処理又は他の動作が、これらの電力急上昇に関連する異常を引き起こしている可能性があると結論付けることができる。次に、ユーザは修復又は是正アクションを実行して、分類された（及び特性評価された）異常が発生しないようにできる。ユーザは、測定されている変数（例えば、圧縮機の流量又は圧縮機エネルギー）に影響を及ぼす物理的パラメータを調整することができ、また、データ系列が得られるデバイス（例えば、圧縮機又は圧縮機上のセンサ）の物理的構成要素をも調整することができる。あるいは、これらの異常を電力急上昇に関連するものとして特性評価すると、ユーザは、例えば、電力急上昇が、計画された電力サイクリング又はシステム再起動の間など、予想される時刻又は間隔で電力急上昇が発生した場合に、アクションを講じる必要がないと判定してもよい。

図３Ａは、本発明の一実施形態による、異常検出及び特性評価を容易にするための方法を示すフローチャート３００を提示する。動作中、システムは、第１の変数及び１つ以上の第２の変数ｙ及びｘのデータ系列を判定し、ｙは異常検出の目的である（動作３０２）。第２のデータｘは、第１のデータｙの挙動に影響を及ぼすことが知られている。第２のデータｘについて、システムは、データをｎ個のビンに分割する（動作３０４）。システムは、ｉ番目のビン内のデータのインデックスを取得し（動作３０６）、次の動作に渡す。第１のデータｙについて、システムは、選択されたインデックス（ｙ｜ｘ＝ｘ_ｉ）でデータを判定する（動作３１２）。システムは、選択されたインデックスを使用してデータに関する履歴分析を取得する（すなわち、ｉ番目のビン内のデータに対してＩＱＲ分析を実行する）（動作３１４）。選択されたインデックス（すなわち、ｉ番目のビンのデータについて）の履歴分析に基づいて、システムはｉ番目のビンの異常を判定する（動作３１６）。システムはまた、判定された異常を保存する。

ビンが残っていない場合（すなわち、現在のインデックスｉがビンの数ｎ以上である場合）（判定３１８）、図３ＢのラベルＡで以下に説明するように、動作が続行される。ビンが残っている場合（すなわち、現在のインデックスｉがビンの数ｎより小さい場合）、システムはｉを増分し（ｉをｉ＋１に設定することにより）（動作３２０）、動作は動作３０６に戻る。

図３Ｂは、本発明の一実施形態による、異常検出及び特性評価を容易にするための方法を示すフローチャート３３０を提示する。システムは、第１の変数及び１つ以上の第２の変数ｙ及びｘについてのデータ系列の最近の時系列分析を取得する（動作３３２）。システムが急上昇を検出しない場合（すなわち、時間微分の大きさが第１の所定の閾値以下である場合）（判定３３４）、システムは異常を定常状態の異常として分類する（動作３３６）。

システムが急上昇を検出した場合（すなわち、時間微分が第１の所定の閾値以上である場合）（判定３３４）、システムは、異常を急上昇異常として分類する（動作３４０）。システムが持続的又は傾向の高い急上昇を検出しない場合（判定３４２）、システムは、データ系列に関連付けられた機械が通常動作を経験していると判定する（動作３４４）。システムが持続的又は傾向の高い急上昇を検出した場合（判定３４２）、システムは、データ系列に関連付けられた機械が劣化を経験していると判定する（動作３４６）。システムは、データ系列の取得に関与する物理デバイスに基づいて、持続的又は傾向の高い急上昇を検出するかどうかを判定することができ、傾向は第２の所定の閾値以上である。

図４Ａは、本発明の一実施形態による、２次元データについての例示的な履歴時系列分析４００を提示する。分析４００は、グラフ４０２及びグラフ４１２を含む。グラフ４０２は、時間を示すｘ軸（例えば、１ヶ月間隔でマークされる）、及び圧縮機の流量の測定値（ｍ^３）を示すｙ軸を含むことができる。グラフ４１２は、時間（例えば、１ヶ月間隔でマークされる）を示すｘ軸、及び圧縮機によって消費されるエネルギーの合計の測定値（ｋＷｈ）を示すｙ軸を含むことができる。グラフ４０２及び４１２における青色は、各次元の履歴時系列データ（例えば、「試験データの第１のセット」）を示す。

図４Ｂは、本発明の実施形態による、図４Ａの２次元データの導関数の例示的な履歴時系列分析４２０を提示する。分析４２０は、グラフ４３２及びグラフ４４２を含む。グラフ４３２は、図４Ａのグラフ４０２の時系列データ（すなわち、経時的な圧縮機流量）の導関数を示す。グラフ４４２は、図４Ａのグラフ４１２の時系列データ（すなわち、経時的な圧縮機エネルギー）の導関数を示す。グラフ４３２及び４４２における青色は、各次元の時系列データの導関数を示し、赤色は導関数のピークを示す。システムは、グラフ４３２及び４４２のデータに基づいてＩＱＲ分析を実行することによってピークを確認することができる。

図４Ｃは、本発明の実施形態による、異常の特性評価を含む、図４Ｂの例示的なデータから得られたデータの例示的な最近の時系列分析４５０を示す。分析４５０は、グラフ４６２及びグラフ４７２を含む。グラフ４６２は、図４Ａ及び図４Ｂのデータの２次元のそれぞれからのデータを示す。具体的には、グラフ４６２は、２０１７年４月１９日の３時間のデータを含む（例えば、「試験データの第２のセット」）。流量４６６の測定値はｍ^３で、かつ、赤色で表示される（インデックスの流量４８４によって示される）。エネルギー４６４の測定値はｋＷｈであり、青色で表示される（インデックス内のエネルギー４８２によって示される）。同様に、グラフ４７２は、２０１６年１２月２４日の３時間のデータ（例えば、「試験データの第２のセット」）を含む。流量４７６の測定値はｍ^３で、かつ、赤色で表示される（インデックスの流量４８４によって示される）。エネルギー４７４の測定値はｋＷｈであり、青色で表示される（インデックス内のエネルギー４８２によって示される）。

グラフ４３２及び４４２における例示的なデータのピークを確認した後、システムは、例えば、「効率的な」使用（グラフ４７２におけるような）及び「非効率的」使用（グラフ４６２におけるような）の両方を示す時系列分析を含む、時系列データを使用して、電力アップ／ダウン急上昇に関連付けられた異常を特定し、更に特性評価することができる。急上昇は、履歴又は予想される使用量（例えば、ポイント４７３、４７５及び４７７において）と比較して、特定された異常（例えば、ポイント４６３、４６５及び４６７において）を調べることによって特定されてもよい。分析４５０は、異なる日中の、同じ３時間のウィンドウに対して「効率的」又は「非効率的」として特性評価するデータを示すが、異なるウィンドウ、期間、又は時間間隔にわたるデータを含むこともできることに留意されたい。

図５は、本発明の一実施形態による、異常検出及び特性評価を容易にするための方法を示すフローチャート５００を示す。動作中、システムは、計算デバイスにより、複数のデータ点を含む試験データの第１のセットを判定し、第１のセットは、第１の変数及び１つ以上の第２の変数のためのデータ系列を含み、１つ以上の第２の変数は、第１の変数に依存する（動作５０２）。システムは、第１のデータセットを複数のグループに分割し、それぞれのグループのデータに対して四分位数範囲分析を行うことによって、異常を特定する（動作５０４）。システムは、試験データの第１のセットから、所定の時間未満だけ現在時刻よりも前に生じる最近の期間からのデータ系列を含み、かつ特定された異常からの第１のデータ点を更に含む試験データの第２のセットを取得し、（動作５０６）。システムは、試験データの第２のセットの導関数の大きさが第１の所定の閾値以上であるかどうかに基づいて、第１のデータ点を第１の種類の異常として分類し、それにより、試験データの第１のセットの履歴分析及び試験データの第２のセットの最近の時系列分析に基づいて、データ系列のデータマイニング及び外れ値の検出を強化する（動作５０８）。

図６は、本発明の一実施形態による、異常検出及び特性評価を容易にするための例示的な分散コンピュータ及び通信システムを示す。コンピュータシステム６０２は、プロセッサ６０４、メモリ６０６、及び記憶デバイス６０８を含む。メモリ６０６は、管理メモリとして機能する揮発性メモリ（例えばＲＡＭ）を含むことができ、１つ以上のメモリプールを記憶するために使用することができる。更に、コンピュータシステム６０２は、ディスプレイデバイス６１０、キーボード６１２、及びポインティングデバイス６１４に連結することができる。記憶デバイス６０８は、オペレーティングシステム６１６、コンテンツ処理システム６１８、及びデータ６３２を記憶することができる。

コンテンツ処理システム６１８は、コンピュータシステム６０２によって実行されると、コンピュータシステム６０２に本開示に記載されている方法及び／又は処理を実行させることができる命令を含むことができる。具体的には、コンテンツ処理システム６１８は、コンピュータネットワーク（通信モジュール６２０）を介して他のネットワークノードへ／から、データパケットを送信及び／又は受信するための命令を含み得る。データパケットは、データ、時系列データ、データ系列、分類、要求、コマンド、試験インスタンス、及びトレーニングインスタンスを含むことができる。

コンテンツ処理システム６１８は、計算デバイスによって、複数のデータ点を含む試験データの第１のセットを判定するための命令を含むことができ、第１のセットは、第１の変数及び１つ以上の第２の変数のためのデータ系列を含み、１つ以上の第２の変数は、第１の変数に依存する（通信モジュール６２０及びデータ取得モジュール６２２）。コンテンツ処理システム６１８は、試験データの第１のセットを複数のグループに分割し、それぞれのグループのデータに対して四分位数範囲分析を行うことによって、異常を特定するための命令を含むことができる（履歴分析実行モジュール６２４）。コンテンツ処理システム６１８はまた、試験データの第１のセットから、所定の時間未満だけ現在時刻よりも前に生じる最近の期間からのデータ系列を含み、かつ特定された異常からの第１のデータ点を更に含む、試験データの第２のセットを取得するための命令を含むことができる（最近の時系列分析実行モジュール６２６）。コンテンツ処理システム６１８は、試験データの第２のセットの導関数の大きさが第１の所定の閾値以上であるかどうかに基づいて、第１のデータ点を第１の種類の異常として分類するための命令を含むことができ、それにより、試験データの第１のセットの履歴分析及び試験データの第２のセットの最近の時系列分析に基づいてデータ系列のデータマイニング及び外れ値の検出を強化する（異常特性評価モジュール６２８）。

コンテンツ処理システム６１８は、所定の条件のセットに基づいて、計算デバイスのユーザが、第１のデータ点を、第１の種類の異常として分類するための命令を更に含むことができる（異常特性評価モジュール６２８）。コンテンツ処理システム６１８は、計算デバイスのユーザによって、分類された異常に対処するアクションを実行するための命令を含むことができる（アクション実行モジュール６３０）。

データ６３２は、入力として必要とされるか、又は本開示に記載される方法及び／又は処理によって出力されるように生成される任意のデータを含むことができる。具体的には、データ６３２は、少なくとも、データ、試験データのセット、複数のデータ点、第１の変数、１つ以上の第２の変数、第１及び１つ以上の第２変数の時系列データ、複数のグループ、時系列データの種類、四分位数範囲、試験データ点の分類、異常として分類される試験データ点、通常のデータ点として分類される試験データ点、複数の変数についての時系列データの強化されたデータマイニング及び外れ値検出のインジケータ、アクションのインジケータ、修正又は是正措置、異常、分類された異常、異常の特性評価、所定の閾値、データ点又はデータセットの導関数又は導関数の大きさ、第１の変数又は第２の変数に影響を及ぼす物理的パラメータのインジケータ、温度値、生産を測定するための計数、数量、又は他の単位、材料の流量の単位又は測定値、材料に対する圧力の単位又は測定値、制御パラメータ、別のパラメータを測定する制御パラメータとして使用することができる任意のパラメータ、センサのインジケータ、スマートメータ、ＩｏＴデバイス、パラメータを測定することができる任意のデバイス、異常の種類、制御パラメータにおける急上昇、オン／オフイベント、制御パラメータにおける急激な過渡的変化、定常状態の異常、傾向、高い急上昇のインジケータ、物理デバイスが正常動作を経験していることを示すインジケータ、物理デバイスが劣化を経験していることを示すインジケータ、及びデータ系列が得られるデバイスの物理的構成要素のインジケータを記憶することができる。

図７は、本発明の一実施形態による、異常検出及び特性評価を容易にする例示的な装置を示す。装置７００は、有線、無線、量子光、又は電気通信チャネルを介して互いに通信し得る複数のユニット又は装置を備えることができる。装置７００は、１つ以上の集積回路を使用して実現することができ、図７に示されるものよりも少ない又はより多くのユニット又は装置を含んでもよい。更に、装置７００は、コンピュータシステムに統合されてもよく、又は他のコンピュータシステム及び／又はデバイスと通信することができる別個の装置として実現されてもよい。具体的には、装置７００は、図６のコンピュータシステム６０２のモジュール６２０〜６３０と同様の機能又は動作を実行するユニット７００〜７１２を備えることができ、通信ユニット７０２、データ取得ユニット７０４、履歴分析実行ユニット７０６、最近の時系列分析実行ユニット７０８、異常特性ユニット７１０、及びアクション実行ユニット７１２を含む。

発明を実施するための形態において記載されるデータ構造及びコードは、典型的には、コンピュータ可読記憶媒体上に記憶され、コンピュータシステムによって使用されるコード及び／又はデータを記憶することができる任意のデバイス又は媒体であってもよい。コンピュータ可読記憶媒体としては、揮発性メモリ、不揮発性メモリ、ディスクドライブなどの磁気及び光学記憶デバイス、磁気テープ、ＣＤ（コンパクトディスク）、ＤＶＤ（デジタル多用途ディスク若しくはデジタルビデオディスク）、又は既知の、若しくは今後開発されるコンピュータ可読媒体を記憶することができる他の媒体が挙げられるが、これらに限定されない。

発明を実施するための形態セクションに記載される方法及び処理は、上記のようにコンピュータ可読記憶媒体に記憶され得るコード及び／又はデータとして具体化することができる。コンピュータシステムが、コンピュータ可読記憶媒体上に記憶されたコード及び／又はデータを読み取って実行すると、コンピュータシステムは、データ構造及びコードとして具体化され、コンピュータ可読記憶媒体内に記憶された方法及び処理を実行する。

更に、上述の方法及び処理は、ハードウェアモジュール又は装置に含まれてもよい。ハードウェアモジュール又は装置としては、特定用途向け集積回路（ａｐｐｌｉｃａｔｉｏｎ−ｓｐｅｃｉｆｉｃ ｉｎｔｅｇｒａｔｅｄ ｃｉｒｃｕｉｔ、ＡＳＩＣ）チップ、フィールドプログラム可能ゲートアレイ（ｆｉｅｌｄ−ｐｒｏｇｒａｍｍａｂｌｅ ｇａｔｅ ａｒｒａｙ、ＦＰＧＡ）、特定の時刻に特定のソフトウェアモジュール又はコードを実行する専用又は共有プロセッサ、及び、既知の又は後に開発される他のプログラム可能論理デバイスを含むことができるが、これらに限定されない。ハードウェアモジュール又は装置が起動されると、それらの内部に含まれる方法及び処理が実行される。

Claims (20)

1. 異常検出及び特性評価を容易にするためのコンピュータ実装方法であって、
   計算デバイスにより、複数のデータ点を含む試験データの第１のセットを判定することであって、前記第１のセットが、第１の変数及び１つ以上の第２の変数のためのデータ系列を含み、前記１つ以上の第２の変数が、前記第１の変数に依存すると、判定することと、
   前記試験データの第１のセットを複数のグループに分割し、それぞれのグループのデータに対して四分位数範囲分析を実行することによって、異常を特定することと、
   前記試験データの第１のセットから、所定の時間未満だけ現在時刻よりも前に生じる最近の期間からのデータ系列を含み、かつ前記特定された異常からの第１のデータ点を更に含む、試験データの第２のセットを取得することと、
   前記試験データの第２のセットの導関数の大きさが第１の所定の閾値以上であるかどうかに基づいて、前記第１のデータ点を第１の種類の異常として分類することと、
   それにより、前記試験データの第１のセットの履歴分析及び前記試験データの第２のセットの最近の時系列分析に基づいて、前記データ系列のデータマイニング及び外れ値の検出を強化することと、を含む、方法。
2. 前記第１の変数又は前記１つ以上の第２の変数が、
   前記試験データの第１のセットを取得することに関与する物理デバイスに関連付けられたパラメータのうちの１つ以上であり、
   前記パラメータが、
   温度値、
   生産を測定するための計数、数量、又は他の単位、
   材料の流量の単位又は測定値、
   材料に対する圧力の単位又は測定値、及び
   別のパラメータを測定する際の制御パラメータとして使用することができる任意のパラメータのうちの１つ以上である、請求項１に記載の方法。
3. 前記物理デバイスが、センサ、スマートメータ、モノのインターネット（ＩｏＴ）デバイス、及び前記パラメータを測定することができる任意のデバイスのうちの１つ以上である、請求項２に記載の方法。
4. 前記試験データの第２のセットの前記導関数の前記大きさが前記第１の所定の閾値以上であると判定することに応答して、前記第１のデータ点を前記第１の種類の異常として分類することと、
   前記試験データの第２のセットの前記導関数の前記大きさが前記第１の所定の閾値以下であると判定することに応答して、前記第１のデータ点を第２の種類の異常として分類することと、を更に含む、請求項１に記載の方法。
5. 前記第１の種類の異常が、
   制御パラメータにおける急上昇、
   オン／オフイベント、及び
   前記制御パラメータにおける急激な過渡的変化のうちの１つ以上に関連付けられ、
   前記第２の種類の異常が定常状態の異常に関連付けられる、請求項４に記載の方法。
6. 異常として分類され、前記制御パラメータ内の前記急上昇、前記オン／オフイベント、又は前記制御パラメータにおける前記急激な過渡的変化に起因する、データ点の第３のセットを判定することによって、前記試験データの第１のセットの取得に関与する物理デバイスに関連付けられた高い急上昇を示す傾向を検出することを更に含む、請求項５に記載の方法。
7. 前記傾向が第２の所定の閾値以下であると判定することに応答して、前記物理デバイスが通常動作を経験していると判定することと、
   前記傾向が前記第２の所定の閾値以上であると判定することに応答して、前記物理デバイスが劣化を経験していると判定することと、を更に含む、請求項６に記載の方法。
8. 前記計算デバイスのユーザによって、所定の状態のセットに基づいて前記第１のデータ点を前記第１の種類の異常として分類することと、
   前記計算デバイスの前記ユーザによって、前記分類された異常に対処するアクションを実行することと、を更に含み、
   前記アクションが、
   前記分類された異常がもう発生しないことを確実にするための是正措置又は修正措置と、
   前記第１の変数又は前記１つ以上の第２の変数に影響を及ぼす物理的パラメータを調整することと、
   前記データ系列が取得されるデバイスの物理的構成要素を調整することと、のうちの１つ以上を含む、請求項１に記載の方法。
9. 異常検出及び特性評価を容易にするためのコンピュータシステムであって、
   プロセッサと、
   前記プロセッサによって実行されると、前記プロセッサに方法を実行させる命令を記憶する記憶デバイスと、を含み、前記方法が、
   計算デバイスにより、複数のデータ点を含む試験データの第１のセットを判定することであって、前記第１のセットが、第１の変数及び１つ以上の第２の変数のためのデータ系列を含み、前記１つ以上の第２の変数が、前記第１の変数に依存すると、判定することと、
   前記試験データの第１のセットを複数のグループに分割し、それぞれの群のデータに対して四分位数範囲分析を実行することによって、異常を特定することと、
   前記試験データの第１のセットから、所定の時間未満だけ現在時刻よりも前に生じる最近の期間からのデータ系列を含み、かつ前記特定された異常からの第１のデータ点を更に含む、試験データの第２のセットを取得することと、
   前記試験データの第２のセットの導関数の大きさが第１の所定の閾値以上であるかどうかに基づいて、前記第１のデータ点を第１の種類の異常として分類することと、
   それにより、前記試験データの第１のセットの履歴分析及び前記試験データの第２のセットの最近の時系列分析に基づいて、前記データ系列のデータマイニング及び外れ値の検出を強化することと、を含む、コンピュータシステム。
10. 前記第１の変数又は前記１つ以上の第２の変数が、
    前記試験データの第１のセットを取得することに関与する物理デバイスに関連付けられたパラメータのうちの１つ以上であり、
    前記パラメータが、
    温度値、
    生産を測定するための計数、数量、又は他の単位、
    材料の流量の単位又は測定値、
    材料に対する圧力の単位又は測定値、及び
    別のパラメータを測定する際の制御パラメータとして使用することができる任意のパラメータのうちの１つ以上である、請求項９に記載のコンピュータシステム。
11. 前記物理デバイスが、センサ、スマートメータ、モノのインターネット（ＩｏＴ）デバイス、及び前記パラメータを測定することができる任意のデバイスのうちの１つ以上である、請求項１０に記載のコンピュータシステム。
12. 前記方法が、
    前記試験データの第２のセットの前記導関数の前記大きさが前記第１の所定の閾値以上であると判定することに応答して、前記第１のデータ点を前記第１の種類の異常として分類することと、
    前記試験データの第２のセットの前記導関数の前記大きさが前記第１の所定の閾値以下であると判定することに応答して、前記第１のデータ点を第２の種類の異常として分類することと、を更に含む、請求項９に記載のコンピュータシステム。
13. 前記第１の種類の異常が、
    制御パラメータにおける急上昇、
    オン／オフイベント、及び
    前記制御パラメータにおける急激な過渡的変化のうちの１つ以上に関連付けられ、
    前記第２の種類の異常が定常状態の異常と関連付けられる、請求項１２に記載のコンピュータシステム。
14. 前記方法が、
    異常として分類され、前記制御パラメータ内の前記急上昇、前記オン／オフイベント、又は前記制御パラメータにおける前記急激な過渡的変化に起因する、データ点の第３のセットを判定することによって、前記試験データの第１のセットの取得に関与する物理デバイスに関連付けられた高い急上昇を示す傾向を検出することを更に含む、請求項１３に記載のコンピュータシステム。
15. 前記方法は、
    前記傾向が第２の所定の閾値以下であると判定することに応答して、前記物理デバイスが通常動作を経験していると判定することと、
    前記傾向が前記第２の所定の閾値以上であると判定することに応答して、前記物理デバイスが劣化を経験していると判定することと、を更に含む、請求項１４に記載のコンピュータシステム。
16. 前記方法は、
    前記計算デバイスのユーザによって、所定の状態のセットに基づいて前記第１のデータ点を前記第１の種類の異常として分類することと、
    前記計算デバイスの前記ユーザによって、前記分類された異常に対処するアクションを実行することと、を更に含み、
    前記アクションが、
    前記分類された異常がもう発生しないことを確実にするための是正措置又は修正措置と、
    前記第１の変数又は前記１つ以上の第２の変数に影響を及ぼす物理的パラメータを調整することと、
    前記データ系列が取得されるデバイスの物理的構成要素を調整することと、のうちの１つ以上を含む、請求項９に記載のコンピュータシステム。
17. コンピュータによって実行されると、前記コンピュータに方法を実行させる命令を記憶する非一時的コンピュータ可読記憶媒体であって、前記方法が、
    計算デバイスにより、複数のデータ点を含む試験データの第１のセットを判定することであって、前記第１のセットが、第１の変数及び１つ以上の第２の変数のためのデータ系列を含み、前記１つ以上の第２の変数が、前記第１の変数に依存すると、判定することと、
    前記試験データの第１のセットを複数のグループに分割し、それぞれのグループのデータに対して四分位数範囲分析を実行することによって、異常を特定することと、
    前記試験データの第１のセットから、所定の時間未満だけ現在時刻よりも前に生じる最近の期間からのデータ系列を含み、かつ前記特定された異常からの第１のデータ点を更に含む、試験データの第２のセットを取得することと、
    前記試験データの第２のセットの導関数の大きさが第１の所定の閾値以上であるかどうかに基づいて、前記第１のデータ点を第１の種類の異常として分類することと、
    それにより、前記試験データの第１のセットの履歴分析及び前記試験データの第２のセットの最近の時系列分析に基づいて、前記データ系列のデータマイニング及び外れ値の検出を強化することと、を含む、非一時的コンピュータ可読記憶媒体。
18. 前記試験データの第２のセットの前記導関数の前記大きさが前記第１の所定の閾値以上であると判定することに応答して、前記第１のデータ点を前記第１の種類の異常として分類することと、
    前記試験データの第２のセットの前記導関数の前記大きさが前記第１の所定の閾値以下であると判定することに応答して、前記第１のデータ点を第２の種類の異常として分類することと、を更に含む、請求項１７に記載の方法。
19. 前記第１の種類の異常が、
    制御パラメータにおける急上昇、
    オン／オフイベント、及び
    前記制御パラメータにおける急激な過渡的変化のうちの１つ以上に関連付けられ、
    前記第２の種類の異常が定常状態の異常と関連付けられる、請求項１８に記載の方法。
20. 異常として分類され、前記制御パラメータ内の前記急上昇、前記オン／オフイベント、又は前記制御パラメータにおける前記急激な過渡的変化に起因する、データ点の第３のセットを判定することによって、前記試験データの第１のセットの取得に関与する物理デバイスに関連付けられた高い急上昇を示す傾向を検出することと、
    前記傾向が第２の所定の閾値以下であると判定することに応答して、前記物理デバイスが通常動作を経験していると判定することと、
    前記傾向が前記第２の所定の閾値以上であると判定することに応答して、前記物理デバイスが劣化を経験していると判定することと、を更に含む、請求項１９に記載の方法。

Images